CN1214301C - 控制处理装置的方法 - Google Patents

Abstract

在一种控制处理装置的方法中，获得用于处理一个要处理的主体的处理装置的输入值与通过测量被处理的主体获得的测量值之间的误差值。计算一个校正值，以在减小误差值的方向上校正处理装置的输入值，并且将这些值作为处理数据管理，以在计算下一个校正值中使用。搜索具有与装载到处理装置中的主体相同历史的在前处理数据，并且从多个具有相同历史的最近校正值预测一个当前偏置校正值。而且，利用一个神经网络根据多个最近随机校正值预测一个当前随机校正值。将预测的偏置校正值与随机校正值相加作为处理装置的一个当前校正值。

Description

控制处理装置的方法

相关技术的交叉参考

本申请依赖于2001年7月3日申请的第2001-0039371号韩国专利申请的优先权，该申请的全部内容结合于此作为参考。

发明背景

发明领域

本发明涉及一种控制处理装置的方法，特别是一种在制造半导体器件的整个过程中光刻工艺期间依照估算步进器的校正值的新自适应最小均方神经网络(ALMS-NN)算法来控制处理装置的方法。

相关技术的说明

作为一种在半导体工业中增强竞争能力的途径，为了创建一种能够保证高生产率的高效制造系统进行了大量的研究。特别是在重要的半导体制造工艺之一的光刻工艺中，由于处理条件频繁地变化，需要开发一种系统化的生产系统以应付频繁的变化，因而为了提高生产率作出了相当大的努力来建立一种能够减少抽样处理的频度的系统。

为了建立这样一种系统，工艺中的对不准问题是光刻工艺中要考虑的首要问题。这个问题的出现主要是由于难于分析工艺的物理和化学特性，执行工艺期间的噪声干扰，和执行工艺后的测量误差，这些都是直接影响生产率的增加抽样频度的原因。

广泛地开发和使用了一种过程控制系统(PCS)作为一种能够保证半导体制造系统的高生产率的生产系统，这个系统主要不涉及有关工艺步骤的数学模型，而涉及根据通过处理以前执行的处理的数据获得的统计数值控制过程。

将在前处理的在前经验值作为一种“经验遗产”反映在当前工序中的方案，是一种反馈有关相同处理的最近历史数据的加权平均值的算法。但是，这样一种算法是静态的，没有考虑系统特性随时间的交化特性，具有必须反复地进行抽样处理的缺陷，因为缺乏一个固定周期中的相同历史数据，或连续的spec-out产生。

由于这种原因，现在提出了使用神经网络模型的处理控制器设计技术作为一种无需具有特殊的数学模型适当处理非线性系统的过程的方案(“半导体制造过程的监视和控制”IEEE Control System，1998，by S.Limanond，J.Si，and K.Tsakalis；和“基于人造神经网络模型的运行-运行过程控制器”，IEEE Trans.on Component，Packaging，andManufacturing Tecnology-Part C.vol.10，no.1，Jan.1996 by X.A.Wangand R.L.Mahajan)。

首先，提出了一种使神经网络能够依靠来自以前进行的工序的数据学习，从而能够经过有关一个在前工序的模式搜索预测制造工序的方法。这种方法的基本前提是，非线性系统的变化模式不是完全随机的。因此，能够预测可能存在包括一个与最近变化模式相似的模式的过去历史数据，除非有关一个特定步进器的系统的变化模式是完全随机的，从而能够利用过去系统的变化模式，假设一个当前输出值。

但是，这种方法的缺点是，由于需要有效地应用大量的过去历史数据，可能导致数据使用上的困难，和由于连续重复的模式搜索和神经网络学习，导致需要的计算量增大。

其次，一种广泛使用的指数加权移动平均(EWMA)系统提供了具有能够以时间序列系统描述的数据变化的系统的建模和近似方法，这些方法可以广泛地应用到半导体制造的工序控制领域。这已经在一些文献中描述过，例如，“运行接运行工序控制：SPC和反馈控制的结合”(”Run by Run Process Control：Combining SPC and FeedbackControl，”IEEE Trans.on Semiconductor Manufacturing，vol.8，no.1，Feb.1995 by E.Sachs，A.Hu，and A.Ingolfsson)；“运行-运行控制器的自适应优化：EWMA实例”(”Adaptive Optimization of Run-to-RunControllers：The EWMA Example，”IEEE Trans.on SemiconductorManufacturing，vol.13，no.1，Feb.2000 by N.S.Patel and S.T.Jenkis)；和“使用人造神经网函数近似技术的自调谐EWMA控制器”(”ASelf-Tuning EWMA Controller Utilizing Artificial Neural NetworkFunction Approximation Techniques，”IEEE Trans.on Components，Packaging，and Manufacturing Technology-Part C，vol.20，no.2，April，1997 by T.H.Smith，D.S.Boning)。

经常将EWMA系统应用于半导体器件的实际操作，因为它的模型简单并且也可以使用简单的递归公式作为如下面方程式：

x(i)＝λx(i-6)+(1-λ) x(i-1)

但是，如果使用的λ值很小时，在应用EWMA系统时要给过去的数据加上不可忽略的权数，造成了需要大量的过去数据进行精确估算的缺陷。

第三，对于一个其运动特性是用微分方程或差分方程以状态-空间形式基本建模的，并且由白噪声中断的系统，利用卡尔曼滤波的系统预测技术是一种经典预测技术。

根据即使系统在没有被噪声中断不发生变化，它的校正值一般也是被噪声改变的事实，可以把校正值的变化特性假设为如下的线性模型：

x(k+1)＝x(k)+w(k)

在这里，参考字母w(k)代表成为改变校正值的原因的白噪声项。

此时，根据假设的系统模型，通过模型如何再现原始系统的运动特性和噪声特性来确定性能。但是，在具有像半导体工艺这样的高度线性特性的系统中，不容易提供一个与原始系统相似的假设模型。

发明综述

为了解决惯用技术的上述问题，本发明的一个目的是提供一种具有新的ALMS-NN算法的，能够有效地应用到由于受处理工件的频繁更换而高度依赖于抽样而不依赖于大量过去历史数据的过程的控制处理装置的方法。

本发明的另一个目的是提供一种具有一个用于决定能够在光刻工序期间利用步进装置有效地纠正重叠对准误差的装置输入值的新ALMS-NN算法的控制光刻装置的方法。

因此，提供了一种用于控制处理装置的方法，在这个方法中，获得一个在用于处理被处理的工件的处理装置的输入值与通过测量在该处理装置中被处理的工件获得的测量值之间的误差值，计算校正处理装置的输入值的校正值以便减小误差值，并把这些值作为要在计算下一个校正值中使用的处理数据管理。搜索具有与装载到处理装置的工件相同的历史的在前处理数据，并且从来源于具有相同历史的搜索的在前处理数据的多个最近在前校正值来预测一个当前偏置校正值。而且，根据来源于在前处理数据的多个最近在前随机校正值通过一个神经网络来预测一个当前随机校正值(RAND)，并且将预测的偏置校正值与随机校正值(RAND)相加，作为处理装置的当前矫正值。通过使用误差值，使神经网络学习以跟踪RAND校正值的变化。

更具体地讲，为了在本发明中有效地预测校正值x(n)，将校正值x(n)分割成一个与历史相关的偏置分量x_bias(n)，和一个具有不能明确地认识其变化原因的随机性质的随机分量x_rand(n)。在这里，x_bias(n)是根据对应批量的历史预测的。关于阻碍x(n)的明确预测的x_rand(n)分量，因为由于其随机性质而几乎不可能准确地预测RAND分量，所以利用神经网络的反馈传播学习来跟踪它的变化，以将x(n)的预测误差减至最小。

此时，由于x_rand(n)分量具有消除与对应批量的历史的相关性的性质，因而可以不管对应批量的历史利用所有数据。

因此，鉴于通过本发明建议的算法计算的x(n)，如果x_bias(n)的时间变化不是太长，那么可以解决传统校正系统中一直是一个问题的数据期满的限制。而且，即使在除了对应批量的历史之外的影响x(n)的外部因素改变时，也能够利用神经网络固有的学习能力管理它。

因此，即使在包括大量器件变化的生产线中，也能够减小对在前历史数据的依赖，结果显著地减少了抽样处理的数量。

预测当前偏置校正值的步骤是通过一种下面的方程式定义的分段线性加权平均值算法进行的：

$X_{\mathrm{bias}}=\frac{1}{W}\underset{i=n-W+1}{\overset{n}{\mathrm{\Σ}}}\left[\frac{W+n-l}{\underset{j=l}{\overset{W}{\mathrm{\Σ}}}j}{X}^{\mathrm{sh}}\left(i\right)\right]$

其中参考字母x_bias代表偏置校正值，W代表一个分段，和x^sh代表具有相同历史的在前偏置校正值。

当前RAND校正值是通过在RAND校正值的误差减小方向上经过一个多层感知器利用一种误差反馈传播学习方法跟踪而获得的。

为了达到本发明的另一个目的，提供了一种用于控制光刻装置的装置，其中获得一个处理晶片上的光致抗蚀剂的光刻装置的输入值，与一个利用重叠测量仪测量的在处理装置上经过曝光和显影的光致抗蚀剂图形得到的测量值之间的误差值，计算在误差值减小方向上的校正输入值的校正值，然后管理生产时间单元中的光刻处理数据，以将该值用在下一个校正值的计算中。搜索具有与装载到光刻装置上的新批量的历史相同历史的在前处理数据，并且从来源于具有搜索的相同历史的搜索的在前处理数据的多个最近在前校正值预测一个当前校正值的偏置分量。根据来源于在前处理数据的多个最近RAND校正值，利用神经网络预测当前RAND校正值的RAND分量，并且将预测的偏置分量与RAND分量相加作为光刻装置的一个当前校正值。将误差值用于使神经网络学习，以跟踪RAND分量的变化。

在这里，在搜索步骤中，将具有作为历史构成元素的相同的掩模原版，PPID，BASE I和BASE II的数据检测为相同历史处理数据。

此外，如果在搜索步骤中不存在相同历史的处理数据，那么根据具有相同掩模原版元素的处理数据中的剩余元素的优先次序猜测校正值的偏置部分。

与猜测方法结合，提取具有与历史构成元素不同的任何一个元素的处理数据，利用提取带有单一不同构成元素的处理数据中的任何一个构成元素的相对值猜测校正值的偏置分量，以及如果不能利用相对值计算出偏置分量，那么通过获得带有单一不同构成元素的提取的处理数据的平均值，猜测校正值的偏置分量。

附图简要说明

通过以下参考附图对本发明的优选实施例的详细说明，可以对本发明的上述目的和其它优点有更清楚的了解，在附图中：

图1是显示根据本发明的一个优选实施例的用于控制光刻装置的系统的方框图；

图2是说明一个重叠测量仪的测量参数的视图；

图3是显示光刻装置的概略结构的视图；

图4是显示从重叠测量仪下到一个重叠校正控制器的测量数据格式的视图；

图5是显示从重叠校正控制器接收到的对一个步进器的校正数据格式的视图；

图6是代表步进器的校正值随时间变化的曲线图；

图7是代表每相同历史重新排列图6的校正值的状态的曲线图；

图8是显示从图7的校正值减去相同历史的平均值(偏置值)的状态的曲线图；

图9是代表有关步进器的偏移-X的根据时间的校正值的变化的条件的曲线图；

图10是代表图9的校正值的频谱的曲线图；

图11是显示根据本发明的一个神经网络的实例的视图；

图12至20是说明预测根据本发明的重叠校正控制器的校正值的操作的流程图；

图21至25是通过比较根据本发明的重叠校正控制器的测量误差分布和惯用控制器的测量误差分布得到的曲线图；和

图26至35是通过分析将根据本发明的重叠校正控制算法应用到实际装置的结果获得的曲线图。

优选实施例的说明

现在，参考附图对本发明进行更详细的说明。

图1是显示一个根据本发明的光刻装置控制系统的方框图。

光刻装置10包括一个涂覆处理器12，一个对准/曝光处理器14，和一个显影处理器16。

光刻装置10通过执行光刻工艺在晶片W上形成一个单一的图形，在光刻工艺中，在晶片W上沉积一蚀刻层，在蚀刻层上形成一光致抗蚀剂图形，并且利用光致抗蚀剂图形作为掩模蚀刻蚀刻层。在每层上重复进行上述工艺以叠置一个多层的图形层，并且在晶片上形成一个希望的电路图形，从而在单一的晶片上形成多个集成电路芯片。

因此，光刻工艺可以是半导体器件制造工艺中显著影响生产率的一个高度重要的关键工艺。

可以将光刻工艺大致分类为一个涂覆过程，一个对准和曝光过程，和一个显影过程。

涂覆处理器12执行一消除晶片表面的潮气以提高晶片和待涂覆的光致抗蚀剂的粘结性的预烘烤过程，一利用高压纯水和一个刷子除去晶片表面的杂质的擦洗过程，一进行均匀涂覆的旋转过程，和一蒸发溶剂和硬化光致抗蚀剂的软烘烤过程。

对准和曝光处理器14执行一根据步进器的参考标记对准掩模原版，并且将晶片和掩模原版对准的预对准过程，一固定晶片的一个平面区的对准过程，和一确定光致抗蚀剂的曝光量的曝光过程。

显影处理器16执行一消除驻波效应的后曝光过程，一有选择地除去与紫外线反应的部分的显影过程，和一硬化晶片上剩余光致抗蚀剂图形足以使其能够经受热环境的硬烘烤过程。

在如上所述地通过光刻装置10在晶片W上形成光致抗蚀剂图形后，应当用一个重叠测量仪20测量与下面的图形层重叠点的未对准，以确认它是否具有误差容许限度内的值。

在重叠测量仪20中，不可能比较重叠图形层的所有图形，以测量未对准。因此，通过加到晶片W上的未对准测量位置测量未对准。

参考图2，在指定一个出自形成在晶片W上的未对准位置MS的测量位置之后，测量一个形成到指定位置的下图形层的外对准标记OM和一个形成到上图形层的内对准标记之间的坐标dx/dy。然后，经过一个对获得数据的递归分析提取下述的未对准参数。

1)有关晶片的参数：

对准图形右和左/上和下失真的偏移范围(OF)；

由于透镜放大的晶片上的图形的右和左/上和下的比例范围(SC)；

对准图形轴相对于对准的参考轴的偏离的W旋转范围(W-ROT)；

晶片对准轴彼此偏离的正交性范围(ORT)。

2)有关掩模原版的参数：

由于掩模原版的不准确设定造成的对准图形的轴相对于对准的参考轴偏离的掩模原版旋转范围(ROT)；

由于掩模原版的不准确设定造成的晶片上图形的放大的右和左/上和下的掩模原版缩小范围(RED)。

如图3中所示，光刻系统40，即步进器，包括一个晶片台42，一个透镜系统44，一个掩模原版46，和一个光源系统(未示出)。当光源系统的光经过掩模原版46的掩模图形和透镜系统44辐照到晶片W上时，将掩模原版46的掩模图形可缩小地投射到晶片上。

因此，当更换晶片台42上的晶片W时，晶片对准需要有关X-轴和Y-轴偏离、旋转、正交性等的校正，以及在图像投射到晶片上时的右和左的校正。掩模原版对准需要掩模原版46的旋转和缩小的校正。

结果，重叠测量仪20将诸如OF-X，OF-Y，SC-X，SC-Y，ORT，W-ROT，RED-X，RED-Y，ROT-X和ROT-Y之类的10个测量参数，以及测量时间和批量ID一起提供到重叠校正值控制器30。

重叠校正值控制器30执行ALMS-NN算法，以预测光刻装置，即，步进器的校正输入值x(n)。重叠校正值控制器30根据ALMS-NN算法预测装置的输入值，以把图5中所示的数据提供给步进器14。提供给步进器14的数据包括产生时间，和每一批量ID的FWD数据，RET数据，NN数据和IN数据。

在这里，FWD数据代表一个关键(KEY)层的步进误差值，RET数据是偏置数据，NN数据是神经网络中计算的输出值。而且，IN数据代表装置校正值，即，装置输入值。

ALMS-NN算法

首先，为了将光刻工艺中的测量误差减至最小，需要一个能够预测装置的输入值x(n)的算法。从校正系统的数据库获得的输入值x(n)显示出一种不能用任何可解释函数估算的任意性。

图6示出了关于偏移-x的装置输入值的曲线图，偏移-x是按时间顺序在光刻装置的650个批量的数据中选择作为一个抽样的一种装置校正值。图7代表每个具有相同历史的批量的图6的装置输入值的排列，图8示出了在从装置输入值减去偏置值之后获得的值。

如图6，7和8中所示，可以看到装置校正值x(n)与对应批量的历史有密切关系，并且对每个相同的历史使用一个特定的偏置。

相同历史的装置输入值中存在差别的原因是由于几种因素的作用，这些因素包括标记在掩模原版上的图形的误差，和诸如BASE I和BASE II之类的光刻装置的特性中的差异。

因此，可以知道，如图9中所示，装置输入值具有不能用任何可解释函数估算的任意性。

如图10中所示，由于装置校正值x(n)显示了一种具有类似于一贯地分布在整个频带上的白噪声的频谱，因而很难用一种可解释函数估算它。装置校正值x(n)的这种任意性质成为难于预测使重叠测量仪的测量误差减至最小的装置校正值x(n)的一个主要因素。

但是，不是所有的装置校正值x(n)的变化因素都具有带有未知原因的随机元素。可以在某种程度上有效预测与一个对应批量的历史相关的偏置部分。

在ALMS-NN算法中，将装置校正值x(n)分割成一个与历史相关的偏置分量x_bias(n)，和一个带有不能明确认识其变化原因的随机性质的RAND分量x_rand(n)。在这里，根据对应批量的历史预测x_bias(n)。

由于x_rand(n)的随机性质，几乎不可能准确地预测妨碍明确地预测它可能性的RAND分量。只能够利用神经网络的反馈传播学习能力跟踪它的变化，以使x_bias(n)的预测误差减小到最低。

由于x_rand(n)分量具有一种消除与对应批量的历史相关性的状态，因而可以无视对应批量的历史利用所有数据。

因此，如果历史的时间变化不太长，那么可以解决一直是传统校正系统中的一个问题的使用数据的截止时间的限制。而且，即使在除了对应批量的历史之外的影响x(n)的外部因素改变时，也能够利用神经网络固有的学习能力有效地管理它。

1.预测x_bias(n)的方法

(1)当存在相同历史时：

最简单的预测x_bias(n)的方式是利用有关具有过去相同历史的批量的装置输入值的平均值。我们假设用x^sh(m)(其中m＝1，2，....和n)代表具有某种相同历史的批量的当前可用过去装置校正值，并通过一个常数确定有关这个历史的x_bias值。那么，可以将x^sh(m)表示为：

x^sh(m)＝x_bias+x^sh _rand(m)

此时，假设x^sh(m)的完全随机性，

由于 $\underset{n\→\∞}{\lim }\left(\frac{1}{n}\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{rand}}^{\mathrm{sh}}\left(m\right)\right)=0$

$\underset{n\→\∞}{\lim }\left(\frac{1}{n}\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{x}^{\mathrm{sh}}\left(m\right)\right)=x_{\mathrm{bias}}+\underset{n\→\∞}{\lim }\left(\frac{1}{n}\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{rand}}^{\mathrm{sh}}\left(m\right)\right)=x_{\mathrm{bias}}$

结果，可以看到x^sh(m)的平均值起到了对于x_bias的有效评估器的作用。

但是，当仔细到考虑到不可能预期x^sh _rand(m)的完全随机性，并且考虑到由于BASE I装置或BASE II装置的改变和掩模原版的频繁改变造成的误差之类的因素，将有关相同历史批量的x_bias值考虑为一个常数实际上是不合理的。

因此，在考虑到这些可变因素而提出的ALMS-NN算法中，使用一个分段线性加权平均值获得预测x_bias的x^sh(m)，而不使使用简单的算术平均值。

$X_{\mathrm{bias}}=\frac{1}{W}\underset{i=n-W+1}{\overset{n}{\mathrm{\Σ}}}\left[\frac{W+n-l}{\underset{j=l}{\overset{W}{\mathrm{\Σ}}}j}{X}^{\mathrm{sh}}\left(i\right)\right]$

其中x_bias代表偏置校正值，W是一个分段，和x^sh是具有相同历史的在前偏置校正值。

(2)当不存在相同历史时：

如果使用相同历史数据的排序和分段线性加权平均值预测x_bias，那么由于有关历史的限制条件，在准备处理一个没有相同历史的批量时发生了问题。

在一个从未处理过的新器件的情况下，稳定新数据的抽样处理是不可避免的。但是，当由于构成历史的因素中的BASE I装置，BASE II装置，或PPID中的差异而不能使用上述分段线性加权平均值时，可以经过以下方法预测x_bias。

即使在相同器件的情况下也包括根据历史的装置输入值中的差异的原因无疑是构成历史的各因素的特性的差异。因此，可以通过各历史因素，例如，PPID，BASE I，BASE II和掩模原版，将x_bias分割成分量，。如果不考虑这些构成因素的相互之间的相关性，可以将x_bias定义为：

x_bias＝x^PPID _bias+x^BASE I _bias+x^BASE II _bias+x^RET _bias

其中x^PPID _bias，x^BASE I _bias，x^BASE II _bias，x^RET _bias分别代表对应于PPID，BASE I，BASE II和掩模原版的偏置分量。而最大影响分量是掩模原版的x^RET _bias，其成为光刻工艺的基础，可以认为其它分量的影响比较轻。结果，如果不存在相同历史，那么可以把除了x^RET _bias之外的影响理解为x^PPID _bias＞x^BASE I _bias＞x^BASE II _bias的顺序。

如果不存在相同历史，那么使用下面要说明的两种方法预测各分量。

将从高顺序的应用提供有关各方法的说明。然后，用从PPID，BASE I，BASE II到掩模原版的顺序显示历史。当然也可以用一种适当的方法猜测其它分量。

(a)使用BASE II，BASE I或PPID的相对值猜测x_bias：

假设将当前要预测其x_bias1的一个批量的历史H1和在前历史数据H2，H3和H4如下写出：

H1＝{P1，BI1，BII2，R1}，x_bias1

H2＝{P1，BI1，BII3，R1}，x_bias2

H3＝{P2，BI4，BII2，R1}，x_bias3

H4＝{P2，BI4，BII3，R1}，x_bias4

在这里，H1和H2的差别在于BII2和BII3，而其余历史构成因素是相同的。同样地，H3和H4的差别在于BII2和BII3，而具有相同的其余因素。

可以如下预测当前要预测的关于历史H1的x_bias1：

x_bias1-x_bias2＝x_bias3-x_bias4

因此，猜测x_bias1＝x_bias3-x_bias4+x_bias2。

猜测是以从BASE II，BASE I到施加最轻影响的PPID的顺序进行的。

由于x^RET _bias分量对x_bias施加的影响远强于其它分量的影响，因此应当仅考虑那些具有与H1相同的掩模原版分量的H1，H2和H3。

(b)使用差别仅在于BASE II或BASE I的历史的平均值猜测x_bias：

假设把具有当前要预测的x_bias的批量的历史写为H＝{P，BI1，BII2，和R}。而且，也假设存在m个差别仅在于H和BASE II的历史数据H1～Hm，并且对应于各数据的x_bias是x_bias1～x_biasm。然后，通过下面方程式的平均值预测。

$x_{\mathrm{bias}}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_{\mathrm{bias}}\left(i\right)$

(3)当不能预测x_bias时：

如果不存在有关当前要进行处理的批量的相同历史数据，同时也不能使用上述猜测方法(2)时，那么不可避免地要执行抽样处理。

2.跟踪x_rand的方法

影响装置输入值的主要因素成为每个批量的历史。除了x_bias值之外的，能够经过历史从校正值x(n)预测的所有随机分量都包括在x_rand中。

由于这个x_rand值具有消除数据对对应批量的历史的依赖性的状态，因而可以将它考虑为显示了由于几种外部原因而根据装置本身的时间的特性变化。

但是，由于时至今日，尚未确切地研究出随时间推移改变x_rand值的因素，因而难于预测x_rand值。

一种在这种环境下可以使用的有效方法是利用神经网络跟踪x_rand的变化。

在目前使用的校正系统中，在有关具有相同历史的批量的数据中，仅有相当有限的周期中的数据被用于考虑包括这种装置特性变化在内的几种变化因素。但是，这种限制细节实际上在处理管理中引起问题，因而独立于历史地分离地考虑变化因素，以补偿传统系统的缺陷，提高处理管理的效率。

如图11中所示，用于跟踪x_rand的神经网络是一个多层感知器，它具有一个包括三个输入神经元的输入层50，一个包括一个输出神经元的输出层58，和三个分别由五、五和三个神经元形成的隐藏层52，54和56。神经网络使用的学习方法是最一般的误差反馈传播系统的学习方法。

网络连接的方向是从输入层50，隐藏层52，54和56到输出层58，是一种不包括各层内部和从输出层58到输入层50的直接连接的前馈网络。

在ALMS-NN算法中使用的误差反馈传播学习方法中，一旦将一个输入图形施加到输入层50的各节点，在各节点转换这个信号，以输送到隐藏层52，54和56，从而最终提供到输出层58。通过比较输入值和预期值，在减小差的方向上调节连接强度(加权)w，并将其从上层向回传递，以使下层根据反馈依次调节它的连接强度w。

将通过神经网络的前馈路径的系统输出写为如下等式：

a^m+1＝f^m+1(w^m+1a^m+b^m+1)

其中m等于0，1，...和M-1，并且a代表各神经元的输出。而且，b代表偏置，f是一个传递函数，和w是加权。在这里，M代表神经网络的层数。

在多层感知器的误差反馈传播算法中，将用预期值和差值表示的误差定义为：

F(X)＝(t(k)-a(k))^T(t(k)-a(k))＝e(k)^Te(k)

其中参考字母F代表一个误差的平方，X是神经网络的加权和偏置向量，t是预期的输出值。

在这里，用一个矩阵表达的近似最突变递减算法如下：

w^m(k+1)＝w^m(k)-as^m(a^m-1)^Tb^m(k+1)＝b^m(k)-as^m

其中，将F的变化设置为敏感度，用一个如下矩阵表示：

s^m＝F^Mn^m(w^m+1)^Ts^m+1

敏感度从神经网络的最后一层开始，如下所示地向后传递到第一层：

s^m→s^M-1→...→s²→s¹

在这里将第一阶段的敏感度写为下面的方程式。

s＝-2F^M(n^M)(t-a)

为了利用神经网络跟踪x_rand的变化，考虑如下表示的输入/输出关系。

x_rand(n)＝f(x_rand(n-1)，x_rand(n-2)，x_rand(n-3))

也就是说，神经网络产生了有关三个最近x_rand值的数据的当前x_rand值的预测值。产生的预测值使得神经网络的输出能够经过一个使神经网络在减小误差的方向上从重叠测量仪连续的实际测量值学习过程跟踪x_rand值的变化。

使用下面方程式表示的S形函数作为隐藏层52，54和56的神经元的传递函数：

$\mathrm{\φ}\left(\mathrm{\υ}\right)=\frac{1}{1+\exp (-\mathrm{\α\υ})}$

使用线性函数作为输出神经元的传递函数。

尽管为增加神经网络的概括容量和学习能力提供了隐藏层，但是已经知道隐藏层的数量与神经网络的性能必须具有一种比例关系，并且使用三个以上的隐藏层对改善神经网络的性能几乎不会提供任何帮助。

3.产生光刻装置输入值的方法和神经网络的学习方法

参考图12，根据一个实施例的系统首先初始化系统的ALMS-NN的变量和神经网络设置变量(S102)。接下来，接收一个执行模式(S104)，并且确定输入执行模式是一个设置模式还是一个装载模式(S106)。

如果在步骤S106中，模式是设置模式，那么打开一个设置文件以读出一个记录，从而用该记录取代各初始化的变量(S108)。然后，实施一个设置模块(S110)。

如果在步骤S106中，模式不是设置模式，那么检查模式是否是装载模式(S112)。当步骤S112是装载模式时，将一个装载文件名输入，以装载文件(S114)。

在执行了步骤S110或S114之后，执行一个装载模块步骤(S116)。

图13A和13B示出了设置模块的一个实施例中的步骤。参考图13A和13B，设置模块检查设置文件是否结束。如果是结束了，那么输出结果(S120)，以返回到主程序。

如果步骤S118不是设置文件的终点，那么用要用于设置模块的变量替换存储在一个可选变量中的数据(S122)。在替换的变量中，使用是历史组成元素的变量值来搜索是否存在相同的历史数据(S124)。然后，从替换的变量计算一个装置纯校正值(S126)，以执行神经网络学习模块(S128)。

接下来，确定是否存在当前学习的数据的相同历史数据(S130)。

当不存在当前学习数据的相同历史时，那么增加新偏置数据(S132)，并且随后再次执行步骤S118。

当在步骤S130中存在相同历史数据时，确定相同历史偏置数据是否是窗口尺寸的(S134)。当在步骤S134它是窗口尺寸的时候，通过窗口尺寸获得偏置平均值(S136)并且再次执行步骤S118。如果在步骤S134它不是窗口尺寸的，那么获得偏置的平均值(S138)，并且再次执行步骤S118。

图14示出了在装载模块的一个实施例中的步骤。参考图14，选择装载模块中的一个执行模式(S140)，并且根据选择的三个执行模式分别执行一个请求模块S142，一个反馈模块S144，和一个修改模块S146。

图15示出了请求模块的一个实施例中的步骤。参考图15，在请求模块S142中，一旦一个新批量进入到装置中，读出批量数据，以便用其替换要在请求模块中使用的变量(S148)。在ALMS-NN算法中，主要确认批量的历史构成元素，即，PPID，BASE I，BASE II和掩模原版，并且找出在处理具有相同过去历史的批量时的数据(S150)。

当存在相同历史数据时，读出最近的10个偏置数据(S152)，以通过对读出数据分段线性加权平均获得有关对应批量的x_bias的预测值，

如果在步骤S150中不存在相同历史数据，那么执行偏置猜测模块，以通过以前说明过的两步猜测方获得

为了在步骤S152和S154中预测偏置值和RAND值以预测装置输入值，执行神经网络模块(S156)。

根据最近RAND校正值，获得神经网络预测的

通过以下方程式确定最终装置输入值。 $\stackrel{\‾}{i\left(n\right)}=\stackrel{\‾}{x_{\mathrm{bias}}}+\stackrel{\‾}{x_{\mathrm{rand}}}+f\left(n\right),$ 其中f(n)代表前馈输入值。

在正交性情况下，由于将校正值与其它参数不同地提供为：x(n)＝i(n)+f(n)+e(n)，因而当预测x_bias或产生输入值时产生轻微的差异。

因此，将正交分量的装置输入值表达为：

$\stackrel{\‾}{i\left(n\right)}=\stackrel{\‾}{x_{\mathrm{bias}}}+\stackrel{\‾}{x_{\mathrm{rand}}}-f\left(n\right)$

为了学习神经网络，已经反馈的测量值覆盖测量仪。只要用i(n)代表能够使有关某一批量的测量仪的测量误差为零的理想装置输入，那么 i(n)与i(n)之间的差值综合表现为测量误差，可以如下写出：

x(n)＝ i(n)-f(n)-e(n)＝i(n)-f(n)

结果， i(n)-i(n)＝e(n)，因此，将其应用在神经网络的误差反馈传播学习中。

在正交分量的情况下，对-e(n)执行反馈，而不用允许e(n)不变地反馈。因此，

x(n)＝ i(n)+f(n)+e(n)＝i(n)+f(n)，从而 i(n)-i(n)＝-e(n)。

如果不能在步骤S156之前预测偏置值，那么确定是否需要抽样(S158)。当不需要抽样时，将有关当前批量的输入值作为一个文件提供，以存储数据(S160)。

如果在步骤S158中确定需要抽样处理，那么显示一个推荐抽样操作的消息，以存储抽样处理数据(S162)。

图16示出了反馈模块的一个实施例的步骤。参考图16，在反馈模块中，从反馈文件读出数据(S164)。确定反馈数据的值是否超过spec-in范围的五倍(S166)。当超过其五倍时，从临时文件数据ASN-DATA删除与当前反馈的数据相同的数据(S168)。

如果在步骤S166中，小于其五倍，那么从ASN-DATA搜索与当前反馈的数据相同的批量数据(S170)。然后，确定是否存在有关对应批量的历史，以计算执行神经网络更新的纯校正值(S172)。

接下来，更新神经网络数据(S174)，并执行神经网络更新模块，从而返回到主程序(S176)。

图17示出了修改模块的一个实施例的步骤。参考图17，在修改模块中，提供ASN-DATA以在监视器上显示(S178)。通过这样做，接收操作人员要删除的批量数(S180)，从ASN-DATA删除对应批量变量的输入(S182)，并且将删除的结果显示在监视器上(S184)。

图18示出了偏置值猜测模块的一个实施例中的步骤。参考图18A和18B，偏置猜测模块提取带有不同施加最小影响的BASE II分量和历史构成元素中的剩余的三个相同相同历史构成元素的偏置数据(S186)。检查是否存在步骤S186中提取的数据(S188)。如果存在提取的数据，那么提取与当前批量相同的偏置数据(S190)。通过组合提取的偏置数据，如上所述地获得BASE II的计算偏置(S192)。

当在步骤192中得到计算偏置时，结束程序，以返回到请求模块(S194)。如果在步骤S192中，根据上述公式没有得到计算偏置，或如果在步骤S188没有偏置数据被提取，那么提取带有不同BASE I和三个相同历史构成元素的偏置数据(S196)。

检查是否存在步骤S196中提取的数据(S198)，并且在存在的情况下提取与当前批量相同的偏置数据(S200)。然后，组合提取的偏置数据以获得如上所述的BASE I的计算偏置(S202)。

当在步骤S202中获得计算偏置时，结束程序，以返回到请求模块(S204)。如果在步骤S202中没有获得计算偏置，或如果在步骤S198中没有提取到偏置数据，那么提取带有不同PPID和其余三个相同历史的偏置数据(S206)。

检查步骤S206中提取的数据是否存在(S208)。当提取数据存在时，提取与当前批量相同的偏置数据(S210)。通过组合提取的偏置数据，如上所述地获得PPID的计算偏置(S214)。

当在步骤S214中得到计算偏置时，结束程序，以返回到请求模块(S216)。如果在步骤S214中通过上述公式没有获得计算偏置，那么获得其中BASE II和BASE I中的任意一个是不同的并且其余的三个历史是相同的偏置数据的平均值(S212)。

图19示出了神经网络模块的一个实施例中的步骤。参考图19，神经网络更新神经网络的输入层数据(S214)，并且相继地经过第一隐藏层输出S216，第二隐藏层输出S218，和第三隐藏层输出S220从输出层产生最终输出(S222)。通过把产生的RAND校正值与偏置值相加计算出装置校正值(S224)。

图20示出了神经网络更新模块的一个实施例中的步骤。参考图20，为了误差反馈学习的目的，神经网络更新模块从第三隐藏层至第一隐藏层相继地计算各层的敏感度(步骤S226至S230)。接下来，响应计算的敏感度从第三隐藏层至第一隐藏层顺序地更新各层的加权(S232至S236)，从而完成了神经网络的更新。

^*试验的结果

执行有关A，B和C三个光刻装置的数据的试验。建议在初次启动装置的情况下，在没有过去处理数据的状态下开始试验。而且，通过与惯用算法比较验证ALMS-NN算法的性能。

此外，在管理实际过程的情况下，不是在光刻处理之后立即进行测量，而是考虑在试验中建议将测量延迟5个批量左右。也就是说，在执行处理之后在过去大约5个批量的处理时间之后，开始使用测量误差。

研究性能比较的试验的结果是其测量误差没有偏离spec-in范围的spec-in比率。典型的算法的spec-in比率是通过对数据测量误差获得的。关于ALMS-NN算法，spec-in比率是通过获得被认作是在使用ALMS-NN算法产生的装置输入值时测量的实际测量误差而获得的。

只要用i_e(n)代表在传统校正系统中使用的装置输入值，用e_e(n)代表通过使用装置输入值经受处理的批量测量的重叠测量误差，用i_a(n)代表在ALMS-NN算法中计算的装置输入值，和用e_a(n)代表要再使用上述值时使用的实际测量误差，那么可以定义下面的方程式：

i_e(n)-e_e(n)＝i_a(n)-e_a(n)

此外，研究当把ALMS-NN算法应用到仅使用典型算法不能进行抽样处理的情况时的spec-in比率，以验证减少抽样处理的数量的可能性。

惯用系统中必须含有抽样处理的情况包括一种由于具有与当前要处理的批量的历史相同历史的批量从未被处理过，而没有参考数据的“非历史”情况，和一种尽管具有相同历史的批量已经被处理过，但由于一个固定时间界限的期满而具有不可靠数据的旧历史情况。

在模拟中考虑的周期是150批量的处理时间。也就是说，将存在相同历史但是其中在最近150批量中没有数据的一种情况看成是一种旧历史情况。当考虑到不是所有批量要经受测量时，一个单一批量的处理时间大致是一小时可能是合理的，尽管处理一个单一批量所需的时间大致是40分钟，因为试验中使用的数据采用了使用全都经受测量的数据的情况。

因此，处理150批量左右所用的时间大致是5到6天。由于典型算法中可用的数据的期满时间是3到5天，如果在最近处理的150左右的批量中不存在具有与当前批量的历史相同的历史的批量，那么根据典型算法应当进行抽样处理。

为了测量spec-in比率，在偏移-X和偏移-Y的情况下，使用的spec-in范围分别是-0.03～0.03，对于比例-X，比例-Y，正交性和晶片旋转-Y是-0.3～0.3，对于掩模原版缩小和掩模原版旋转是-1.5～1.5。

<关于装置No.A的试验结果>

在总共5200个数据中，非历史情况发生40次，其中猜测x_bias的情况发生13次，而旧历史情况发生99次。

^*总Spec-in比率(％)

	ALMS-NN	传统系统
			偏移-X	91.01	89.27
偏移-Y	89.64	88.35
			比例-X	87.49	86.46
比例-Y	83.24	84.15
			正交性	81.87	79.15
晶片旋转	89.76	87.69
			掩模原版-缩小	94.97	94.15
掩模原版-旋转	86.31	82.08

^*当猜测x_bias时的Spec-in比率(％)

xbias的猜测
		偏移-X	92.30
偏移-Y	30.77
		比例-X	84.62
比例-Y	69.23
		正交性	76.92
晶片旋转	92.30
		掩模原版-缩小	76.92
掩模原版-旋转	69.23

^*旧历史情况的Spec-in比率(％)

旧历史
		偏移-X	82.83
偏移-Y	77.78
		比例-X	92.93
比例-Y	84.85
		正交性	84.85
晶片旋转	87.88
		掩模原版-缩小	89.90
掩模原版-旋转	85.86

<关于装置No.B的试验结果>

在总共3400个数据中，非历史情况发生63次，其中猜测x_bias的情况发生13次，而旧历史情况发生161次。

^*总Spec-in比率(％)

	ALMS-NN	惯用系统
			偏移-X	92.21	87.85
偏移-Y	96.54	93.06
			比例-X	98.18	97.20
比例-Y	96.57	94.68
			正交性	92.87	90.06
晶片旋转	98.00	96.53
			掩模原版-缩小	99.76	99.62
掩模原版-旋转	99.37	98.21

^*当猜测x_bias时的Spec-in比率(％)

xbias的猜测
		偏移-X	69.23
偏移-Y	30.77
		比例-X	100.00
比例-Y	76.92
		正交性	92.55
晶片旋转	96.89
		掩模原版-缩小	98.76
掩模原版-旋转	96.27

^*旧历史情况的Spec-in比率(％)

旧历史
		偏移-X	91.30
偏移-Y	95.03
		比例-X	95.65
比例-Y	91.92
		正交性	92.55
晶片旋转	96.89
		掩模原版-缩小	98.76
掩模原版-旋转	96.27

<关于装置No.C的试验结果>

在总共3000个数据中，非历史情况发生71次，其中猜测x_bias发生23次，而旧历史情况发生70次。

^*总Spec-in比率(％)

	ALMS-NN	惯用系统
			偏移-X	95.86	95.43
偏移-Y	94.68	94.67
			比例-X	93.84	94.07
比例-Y	82.36	87.77
			正交性	86.97	88.63
晶片旋转	89.33	90.23
			掩模原版-缩小	92.39	96.07
掩模原版-旋转	96.23	94.13

^*当猜测x_bias时的Spec-in比率(％)

xbias的猜测
		偏移-X	82.61
偏移-Y	56.52
		比例-X	91.30
比例-Y	86.96
		正交性	78.26
晶片旋转	69.57
		掩模原版-缩小	82.61
掩模原版-旋转	82.61

^*旧历史情况的Spec-in比率(％)

旧历史
		偏移-X	88.57
偏移-Y	85.71
		比例-X	87.14
比例-Y	87.14
		正交性	90.00
晶片旋转	76.29
		掩模原版-缩小	75.71
掩模原版-旋转	88.57

在总结上述试验结果时，可以看到在有关spec-in比率问题上，ALMS-NN算法显示出比惯用算法稍微改善的结果。

但是，考虑到提出ALMS-NN算法的主要目的是要减少成为可变种类小规模生产系统中的严重问题的抽样处理数量，而不是提高spec-in比率，因而出现在试验结果中的ALMS-NN的spec-in比率还是可以满意的。

在装置No.A的情况中，在图21至25所示的图表中示出了测量仪的测量误差分布，以便检查重叠测量仪的测量误差的散布，其中在典型算法与ALMS-NN之间没有显著差别(有关装置No.B和C的测量误差分布与装置No.A的类似，因而省略了对它们的说明)。

为了减少在没有相同历史数据或旧历史数据的情况下利用ALMS-NN猜测x_bias时的实际抽样处理数量，spec-in比率应当不大大地降低到总spec-in比率以下。

对于不包括相同历史的所有情况，可以猜测x_bias值的情况的概率，对于装置No.A是32.5％，对于装置No.B是20.1％，对于装置No.C是32.4％。在把如上值猜测的值用于产生装置输入值以进行处理时获得的spec-in比率稍小，但是保持在总spec-in比率的70～80％左右。

有关使用旧历史数据情况的spec-in比率提供了近似等于三个一起进行试验的装置中的总spec-in比率的结果。这显示了通过使用ALMS-NN算法解决以前一直是典型算法中重要问题的数据过期问题的可能性。

^*应用到实际装置的结果

在三天中实施了证明对实际处理的适合性和相关性的ALMS算法的处理应用，同时经过测试进行了总共67个批量的处理。

在进行处理时，不存在由于没有相同历史而把算法用于猜测x_bias的情况，但是如果由于数据的期满发生了17次，则有将被抽样处理的情况。当然，由于在使用ALMS-NN算法时不考虑数据的期满，这些情况不包括抽样处理。

试验导致了大约98％的spec-in比率。也就是说，由于spec-out的产生需要重复处理的情况的发生率大约在2％左右。这个数值远低于在使用没有ALMS-NN算法的惯用算法时的总spec-out发生率8％。

图26至35示出了表示在使用ALMS-NN算法时经过测试获得的测量误差A-KLA，与在使用经过惯用算法产生的装置输入值时的实际测量误差E-KLA的比较的曲线图，和ALMS-NN算法产生的装置输入值的格式。

如图26至30中所示，重叠测量仪的测量误差的散布在使用ALMS-NN算法和惯用算法的两种情况中几乎相同。

如图31至35中所示，可以注意到，装置输入值相当于偏置值和RAND值的和(神经网络的输出值)。

尽管在上述实施例中用光刻装置作为一个实例，但是，在有关半导体处理中使用计算机的自动控制系统的所有设备，例如，等离子装置，CMP装置和CVD装置中都可以应用本发明的算法，通过独立地考虑基于过去历史的偏置校正值和随机RAND值控制装置校正值。

在上述光刻处理中，通过把装置输入值分割成偏置分量和RAND分量确定用于重叠测量误差的准确预测和误差补偿的装置输入值。在这里，偏置分量是通过历史的预测和猜测确定的，而RAND分量是在不涉及时间限制地使用所有经过神经网络学习和跟踪的数据之后提供的。因此，可以显著减少抽样处理的数量，从而提高了生产率。

尽管本发明是通过参考其特定实施例特别显示和说明的，但是本领域的技术人员应当知道，可以对其进行各种形式和细节上的改变，而不脱离所附权利要求定义的本发明的精神和范围。

Claims (18)

1.一种用于控制处理装置的方法，包括步骤：获得一个用于处理待处理的主体的处理装置的输入值与通过测量在处理装置中被处理的主体得到的测量值之间的误差值，计算用于在减小误差值的方向上校正处理装置的输入值的校正值，并把这些值作为处理数据管理，以在计算下一个校正值中使用，

所述方法进一步包括步骤：

搜索具有与装载到处理装置中的主体的历史相同历史的在前处理数据；

从来源于搜索的具有相同历史的在前处理数据的多个最近在前校正值来预测一个当前偏置校正值；

通过一个神经网络根据来源于在前处理数据的多个最近在前随机校正值来预测一个当前随机校正值；

将预测的当前偏置值与预测的当前随机校正值相加，作为处理装置的当前校正值；和

使神经网络利用误差值学习，以跟踪随机校正值的变化。

2.根据权利要求1所述的用于控制处理装置的方法，其中预测当前偏置值的所述步骤是通过如下的方程式定义的分段线性加权平均算法进行的：

$X_{\mathrm{bias}}=\frac{1}{W}\underset{i=n-W+1}{\overset{n}{\mathrm{\&Sigma;}}}\left[\frac{W+n-i}{\underset{i=l}{\overset{W}{\mathrm{\&Sigma;}}}j}{X}_{\mathrm{sh}}\left(i\right)\right]$

其中参考字母x_bias代表偏置校正值，W代表分段的数量，和x_sh代表一个具有相同历史的在前偏置校正值。

3.根据权利要求1所述的用于控制处理装置的方法，其中神经网络是由一个多层感知器构成的，并且学习方法使用了一个误差反馈传播系统。

4.根据权利要求1所述的用于控制处理装置的方法，其中处理装置是由可变种类小规模产生系统中的一个半导体器件的制造装置构成的。

5.一种用于控制光刻装置的方法，包括步骤：获得用于处理晶片上的光致抗蚀剂的光刻装置的输入值与通过利用一个重叠测量仪测量在处理装置中经受曝光和显影的光致抗蚀剂图形得到的测量值之间的误差值；计算用于在减小误差值方向上校正输入值的校正值；和在生产时间单元中管理光刻处理数据，以将该值用在计算下一个校正值的计算中，

所述方法进一步包括步骤：

搜索具有一个与装载到光刻装置中的一个新批量的历史相同的历史的在前处理数据；

从来源于具有搜索的相同历史的搜索的在前处理数据的多个最近在前校正值来预测一个当前校正值的偏置分量；

利用一个神经网络根据来源于在前处理数据的多个最近在前随机校正值来预测当前校正值的随机分量；

将预测的偏置分量与随机分量相加，作为光刻装置的一个当前校正值；和

使神经网络利用误差值学习，以跟踪随机分量的变化。

6.根据权利要求5所述的用于控制处理装置的方法，其中预测当前校正值的偏置部分的所述步骤是通过如下的方程式定义的分段线性加权平均算法执行的：

$X_{\mathrm{bias}}=\frac{1}{W}\underset{i=n-W+1}{\overset{n}{\mathrm{\&Sigma;}}}\left[\frac{W+n-i}{\underset{i=l}{\overset{W}{\mathrm{\&Sigma;}}}j}{X}_{\mathrm{sh}}\left(i\right)\right]$

其中参考字母x_bias代表校正值的偏置分量，W代表分段的数量，和x_sh代表具有相同历史的在前偏置分量。

7.根据权利要求6所述的用于控制光刻装置的方法，其中分段的数量是10。

8.根据权利要求5所述的用于控制光刻装置的方法，其中在所述搜索步骤中，将具有相同历史构成元素：掩模原版，PPID，BASE I和BASE II的数据作为相同历史处理数据检测。

9.根据权利要求8所述的用于控制光刻装置的方法，其中，如果在所述搜索步骤中不存在相同历史的处理数据，那么根据具有相同掩模原版的处理数据中的其余历史构成元素的一种优先顺序，猜测校正值的偏置部分。

10.根据权利要求9所述的用于控制光刻装置的方法，其中所述猜测方法包括步骤：

提取具有历史构成元素中的任何一个不同历史构成元素的处理数据；

利用带有一个不同历史构成元素的提取处理数据中的任何一个历史构成元素的相对值来猜测校正值的偏置分量；和

当不能用相对值计算偏置分量时，通过获得带有一个不同历史构成元素的提取处理数据的平均值来猜测校正值的偏置分量。

11.根据权利要求10所述的用于控制光刻装置的方法，其中优先顺序是以施加最小影响的历史构成元素的次序，从BASE II，BASE I和PPID提供的。

12.根据权利要求10所述的用于控制光刻装置的方法，进一步包括：当甚至不能猜测偏置分量时请求进行抽样处理的步骤。

13.根据权利要求5所述的用于控制光刻装置的方法，其中神经网络是由一个多层感知器构成的，并且学习方法是一种误差反馈传播方法。

14.根据权利要求13所述的用于控制光刻装置的方法，其中多层感知器包括：

一个具有三个输入节点的输入层；

一个具有一个输出节点的输出层；和

一个在输入层与输出之间的分成三层的隐藏层。

15.根据权利要求14所述的用于控制光刻装置的方法，其中隐藏层的神经元使用了一个S形函数作为传递函数。

16.根据权利要求14所述的用于控制光刻装置的方法，其中输出层的神经元使用了一个线性函数作为传递函数。

17.根据权利要求5所述的用于控制光刻装置的方法，其中，搜索具有一个与装载到光刻装置中的一个新批量的历史相同的历史的在前处理数据的步骤通过搜索具有与装载到光刻装置中的一个新批量历史相同的历史构成元素的在前处理数据来完成，所述历史构成元素包括掩模原版、PPID、BASE I和BASE II；并且还包括如下步骤：

当不存在具有相同历史构成元素的在前处理数据时，提取带有历史构成元素中除了掩模原版之外的一个不同构成元素的处理数据；

通过来源于带有一个提取的单一不同历史构成元素的处理数据的一个特定历史构成元素的一个相对值来猜测校正值的偏置分量；以及

当不能利用相对值计算偏置分量时，获得带有提取的单一不同历史构成元素的处理数据的平均值，以将其猜测为校正值的偏置分量。

18.根据权利要求17所述的用于控制光刻装置的方法，其中，在所述猜测步骤中，优先顺序是以施加最小影响的顺序从BASE II，BASE I和PPID提供的。

Images