DE102018117836B4

DE102018117836B4 - Verfahren zum Herstellen von Halbleitern und Verwendung von Ätzeffektvorhersagen

Info

Publication number: DE102018117836B4
Application number: DE102018117836.0A
Authority: DE
Inventors: Seong Bo Shim
Original assignee: Samsung Electronics Co Ltd
Current assignee: Samsung Electronics Co Ltd
Priority date: 2017-10-31
Filing date: 2018-07-24
Publication date: 2024-01-11
Anticipated expiration: 2038-07-25
Also published as: KR20190048491A; US10691016B2; CN109726810A; JP2019083306A; US20190129297A1; DE102018117836A1; JP6744366B2

Abstract

Ein Ätzeffektvorhersageverfahren umfassend:Ermitteln eines Probengebiets (43; 305; 405; 505) eines Maskenmusters (42; 52; 302; 402; 502; 610) für das eine Ätztendenz vorherzusagen ist;Bestimmen von Eingabeparametern (xi), welche physikalische Eigenschaften angeben, die den Ätzprozess in dem Probengebiet (43; 305; 405; 505) beeinflussen;Vergleichen eines Ausgabewerts, der durch Eingeben der Eingabeparameter (xi) in ein künstliches neuronales Netzwerk (100; 200) erhalten wurde, mit einem gemessenen Wert der Ätztendenz, die in dem Probengebiet (43; 305; 405; 505) erhalten wurde; undZulassen, dass das künstliche neuronale Netzwerk (100; 200) lernt, bis der Unterschied zwischen dem Ausgabewert und dem gemessenen Wert gleich oder kleiner als ein vorher festgelegter Referenzwert ist,wobei die Eingabeparametererste Eingabeparameter (xi) entsprechend einer Menge an Ätzteilchen, die in Kontakt mit dem Probengebiet stehen, während der Ätzprozess durchgeführt wird; undzweite Eingabeparameter entsprechend eines Einfallswinkels der durch einen Querschnitt des Maskenmusters (42; 52; 302; 402; 502; 610) mit einer oberen Oberfläche einer Ätzzielschicht benachbart zu einem Probengebiet (43; 305; 405; 505) gebildet wirdumfassen; undwobei das Bestimmen der Eingabeparameter umfasst:Erzeugen eines Draufsichtbilds, das die Intensitätsverteilung von Licht zeigt, das in einem Lithographieprozess zum Ausbilden des Maskenmusters (510) mit einer Vielzahl an Kernen verwendet wird; undErmitteln der zweiten Eingabeparameter durch Anordnen eines Werts von ersten Kernen mit hohem Beitrag zu dem Draufsichtbild aus der Vielzahl an Kernen in einer vorher festgelegten Reihenfolge; undwobei das Bestimmen der zweiten Eingabeparameter umfasst:Erzeugen einer Vielzahl an überlagerten Bildern durch Überlagern eines Musterbilds (510), das das Probengebiet (505) enthält mit einen Bild von jedem der ersten Kerne;Ermitteln erster Pixel, auf denen ein Teil des Maskenmusters (502) in jedem der Vielzahl an überlagerten Bildern angeordnet ist;Berechnen einer Summe eines Werts der ersten Kerne, die den ersten Pixeln (511) in jeder der Vielzahl an überlagerten Bildern entsprechen; undErmitteln der zweiten Eingabeparameter durch Anordnen der Summe des Wertes der ersten Kerne, die für jedes der Vielzahl an überlagerten Bildern berechnet wurde, in der vorher festgelegten Reihenfolge des Beitrags zu dem Draufsichtbild.

Description

HINTERGRUND
1. Technisches Gebiet
Die vorliegenden erfindungsgemäßen Konzepte beziehen sich auf die Verwendung von Ätzeffektvorhersageverfahren in der Halbleiterherstellung, um die Halbleiterherstellung zu unterstützen.
2. Beschreibung vom Stand der Technik
Um einen Ätzprozess in einem Halbleiterherstellungsverfahren zu unterstützen, kann eine Maske über einem Ätzobjekt ausgebildet werden. Da in den letzten Jahren der Integrationsgrad der Halbleitervorrichtungen zugenommen hat, ist die Genauigkeit beim Ausbilden von Ätzmasken immer wichtiger geworden. Wenn jedoch ein Maskenmuster mit der gewünschten Form ausgebildet wurde und ein Ätzprozess durchgeführt wurde, kann ein Fehler zwischen dem Maskenmuster und einem Halbleitermuster, das durch einen Ätzprozess ausgebildet wurde, auftreten. Der Fehler kann die Funktion der Halbleitervorrichtung beeinflussen und zu geringerer Leistungsfähigkeit und/oder Ausfall der Halbleitervorrichtung führen.
US 2008 / 0 134 131 A1 offenbart ein Verfahren zur Herstellung eines Simulationsmodells umfassend, das Spezifizieren eines Merkmalsfaktors, der ein Musterlayout eines Maskenmusters charakterisiert, das Spezifizieren eines Steuerfaktors, der eine Dimension eines Resistmusters beeinflußt, das auf einem Substrat mittels eines Lithographieprozesses unter Verwendung des Maskenmusters zu bilden ist, das Bestimmen einer vorhergesagten Dimension des Resistmusters, das auf dem Substrat mittels des Lithographieprozesses unter Verwendung des Maskenmusters zu bilden ist, durch die Verwendung eines Modells, das auf den Merkmals- und Steuerfaktoren basiert, Erhalten einer tatsächlichen Dimension des tatsächlich auf dem Substrat gebildeten Resistmusters mittels des Lithographieprozesses unter Verwendung des Maskenmusters und Einstellen der Merkmals- und Kontrollfaktoren und der vorhergesagten Dimension als Eingangsschichten und Einstellen der tatsächlichen Dimension als Ausgangsschicht zur Konstruktion eines neuronalen Netzes.
US 5 467 883 A1 offenbart eine Methode zur Verwendung neuronaler Netzwerke zur Bestimmung von Plasmaätz-Endpunktzeiten in einem Herstellungsverfahren für integrierte Schaltungen. Die Endpunktzeit basiert auf der in-situ-Überwachung der optischen Emissionsspur. Die Back-Propagation-Methode wird zum Trainieren des Netzwerks verwendet. Allgemeiner gesagt kann ein neuronales Netzwerk zur Regelung von Kontrollvariablen und Materialien in einem Herstellungsprozess verwendet werden, um ein Ausgangsprodukt mit den gewünschten Qualitätsmerkmalen zu erhalten. Eine identifizierte Prozesssignatur, die die Beziehung zwischen dem Qualitätsmerkmal und dem Prozess widerspiegelt, kann zum Training des neuronalen Netzes verwendet werden.
US 2013 / 0 219 349 A1 offenbart ein Verfahren zur Prozessnäherungskorrektur das das Erhalten einer Punkt-Spreizfunktion (PSF) aus Testmustern umfasst, wobei die Testmuster einen darauf ausgeführten Ätzprozess umfassen, umfassend das Erzeugen eines Ziellayouts mit polygonalen Mustern, das Unterteilen des Ziellayouts in Gitterzellen, das Erzeugen einer Dichtekarte, die Layout-Dichten mit großer Reichweite enthält umfassen. Wobei jede der Layout-Dichten mit großer Reichweite aus den polygonalen Mustern erhalten wird, die sich innerhalb einer entsprechenden der Gitterzellen befinden, Durchführen einer Faltung der Langstrecken-Layoutdichten mit der PSF, um Ätzschräglagen mit großer Reichweite für die Gitterzellen zu erhalten, und Erzeugen eines Ätzvorspannungsmodells, das Ätzschräglagen mit kurzer Reichweite und
die Ätzschräglagen mit großer Reichweite enthält, wobei jede der Ätzschräglagen mit kurzer Reichweite aus einem benachbarten Bereich eines Zielmusters erhalten wird, das aus den polygonalen Mustern in jeder der Gitterzellen ausgewählt wird.
ZUSAMMENFASSUNG
Aspekte des vorliegenden erfindungsgemäßen Konzepts stellen Ätzeffektvorhersageverfahren bereit, die in der Lange sind, einen Fehler zwischen einem in einem Ätzprozess verwendeten Maskenmuster und einem in dem Ätzprozess hergestellten Halbleitermuster genau vorherzusagen.
Die Erfindung ist in den beigefügten unabhängigen Ansprüchen definiert. Weiterentwicklungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
KURZE BESCHREIBUNG DER FIGUREN
Oben genannte und weitere Aspekte, Eigenschaften und andere Vorteile der vorliegenden erfindungsgemäßen Konzepte werden leichter verstanden durch die folgende detaillierte Beschreibung in Verbindung mit den beiliegenden Figuren, in denen:

1 eine schematische Zeichnung darstellt, die einen Halbleiterwafer zeigt, auf den ein Ätzprozess gemäß einer beispielhaften Ausführungsform des vorliegenden erfindungsgemäßen Konzepts angewandt wird;
2 eine schematische Zeichnung darstellt, die ein Maskenmuster gemäß einer beispielhaften Ausführungsform des vorliegenden erfindungsgemäßen Konzepts zeigt;
3 eine Zeichnung darstellt, die die Ätztendenz zeigt, die in einem Ätzprozess gemäß einer beispielhaften Ausführungsform der vorliegenden erfindungsgemäßen Konzepte erzeugt wird;
4 und 5 ein Ätzeffektvorhersageverfahren darstellt, gemäß einer beispielhaften Ausführungsform der vorliegenden erfindungsgemäßen Konzepte;
6 und 7 Ablaufdiagramme darstellen, die ein Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform der vorliegenden erfindungsgemäßen Konzepte zeigen;
8 bis 10 Draufsichten darstellen, die ein beispielhaftes Verfahren zum Bestimmen eines Eingabeparameters in ein Ätzeffektvorhersageverfahren zeigen; und
11 bis 14 Figuren darstellen, die ein beispielhaftes Verfahren zum Bestimmen eines Eingabeparameters in ein Ätzeffektvorhersageverfahren zeigen.

DETAILLIERTE BESTSCHREIBUNG
Im Folgenden werden beispielhafte Ausführungsformen des vorliegenden erfindungsgemäßen Konzepts unter Bezugnahme auf die beiliegenden Figuren beschrieben.
1 zeigt eine schematische Darstellung, die einen Halbleiterwafer 10 zeigt, auf den ein Ätzprozess gemäß einer beispielhaften Ausführungsform der vorliegenden erfindungsgemäßen Konzepte angewandt wird.
Bezug nehmend auf 1 enthält ein Halbleiterwafer 10 gemäß einer beispielhaften Ausführungsform eine Vielzahl an Chipgebieten 11. In einer beispielhaften Ausführungsform enthalten die Chipgebiete 11 in dem Halbleiterwafer 10 einen integrierten Schaltkreis und können, in einem zwischen den Chipgebieten 11 definierten Vereinzelungsgebiet, nachdem der Halbleiterprozess durchgeführt wurde, in eine Vielzahl an Halbleitervorrichtungen vereinzelt werden.
Ein Ätzprozess ist ein Prozess zum Entfernen wenigstens einiger Gebiete aus einer Vielzahl an Schichten, die in dem Halbleiterwafer 10 enthalten sind. Um selektiv nur einige Gebiete aus der Vielzahl an Schichten zu entfernen, wird ein Maskenmuster auf dem Halbleiterwafer 10 ausgebildet, bevor ein Ätzprozess durchgeführt wird. Als Teil des Ausbildens des Maskenmusters wird eine Fotoresistschicht auf dem Halbleiterwafer 10 ausgebildet und mit Licht einer speziellen Wellenlänge bestrahlt. Das Maskenmuster kann ausgebildet werden, indem nur Gebiete der Fotoresistschicht entfernt werden, die mit Licht (z. B. ein positives Resist) bestrahlt werden, oder indem nur Regionen bestehen bleiben, die durch Lichtbestrahlung beständig bleiben (z. B. ein negatives Resist).
2 zeigt eine vergrößerte Ansicht des Gebiets 20 des Halbleiterwafers 10. Bezug nehmend auf 2 kann ein Maskenmuster 22 über einer Ätzobjektschicht 21 ausgebildet werden. Das Maskenmuster 22, wie in 2 dargestellt, ist eine beispielhafte Ausführungsform und das Maskenmuster 22 kann verschiedene Formen gemäß einer Halbleitervorrichtung und einem herzustellenden Halbleitermuster aufweisen.
Das Maskenmuster 22 kann durch eine Form und eine Breite w der Muster und einen Abstand p zwischen benachbarten Mustern definiert sein. Ein Gebiet der Ätzobjektschicht 21, das unter dem Maskenmuster 22 angeordnet ist, wird durch den Ätzprozess nicht entfernt, und Gebiete der Ätzobjektschicht 21, die zwischen den Maskenmustern 22 freiliegen, werden während des Ätzprozesses entfernt.
In einer beispielhaften Ausführungsform kann die Form eines Gebiets der Ätzobjektschicht 21, die von dem Maskenmuster 22 freiliegt, verschieden sein von der Form eines Gebiets der Ätzobj ektschicht 21, die in dem Ätzprozess wirklich entfernt wird. Zum Beispiel kann der Abstand p zwischen benachbarten Maskenmustern 22 von einer Breite eines Gebiets der Ätzobjektschicht 21, die wirklich entfernt wurde, verschieden sein. Anders ausgedrückt kann das Gebiet der Region der Ätzobjektschicht 21, das wirklich entfernt wurde, durch den Ätzprozess von dem beabsichtigten Ätzgebiet der Ätzobjektschicht 21, die dem Maskenmuster 22 entspricht, verschieden sein. Um daher ein gewünschtes Halbleitermuster in dem Ätzprozess exakt auszubilden, ist es vorteilhaft, die Form und die Breite w des Maskenmusters 22 und den Abstand p zwischen benachbarten Mustern geeignet zu kontrollieren.
3 zeigt eine Figur, die eine Ätztendenz in einem Ätzprozess darstellt, gemäß beispielhafter Ausführungsform der erfindungsgemäßen Konzepte.
Bezug nehmend auf 3 wird ein Maskenmuster 32 über einer Ätzobjektschicht 31 eines Halbleiterwafers 30 ausgebildet, um einen Ätzprozess durchzuführen. Das Maskenmuster 32 kann als ein Gebiet eines Fotoresistmaterials, das über der Ätzobj ektschicht 31 gebildet ist, und mit Licht ein speziellen Wellenlänge bestrahlt wird, ausgebildet werden. Das Maskenmuster 32 kann aus dem Fotoresistmaterial gebildet werden, das entfernt wird oder verbleibt, nachdem das Fotoresistmaterial belichtet wurde.
In der beispielhaften Ausführungsform wie in 3 dargestellt, wird ein Bereich einer oberen Oberfläche der Ätzobjektschicht 31 extern durch das Maskenmuster 32 bestrahlt. In einer beispielhaften Ausführungsform können Maskenmuster 32 durch einen ersten Abstand d1 voneinander getrennt sein, und der Teil einer oberen Oberfläche der Ätzobjektschicht 31 kann zwischen den Maskenmustern 32, die voneinander getrennt sind, belichtet werden. Wenn der Ätzprozess durchgeführt wird, während Ätzteilchen in Kontakt mit der Ätzobjektschicht 31 liegen, die zwischen den Maskenmustern 32 freiliegen, werden wenigstens einige Gebiete der Ätzobjektschicht 31 entfernt.
Da die Ätzobjektschicht 31 teilweise durch einen Ätzprozess entfernt wird, nachdem des Maskenmuster 32 ausgebildet wurde, kann die Ätzobj ektschicht 31 einen Graben mit dem ersten Abstand d1 aufweisen, oder die Ätzobjektschicht 31 kann eine Vielzahl an Gebieten aufweisen, die durch den ersten Abstand d1 getrennt sind. In einigen Fällen eines Ätzprozesses kann eine Ätztendenzsproblematik auftreten, in der eine Breite eines Gebiets der Ätzobj ektschicht 31, die entfernt wurde, von dem ersten Abstand d1 zwischen den Maskenmustern 32 verschieden sein. Das heißt, eine Breite des wirklichen Abschnitts des entfernten Materials von der Ätzobjektschicht 31 kann von dem ersten Abstand d1, der für das Maskenmuster 32 geplant wurde, verschieden sein.
Eine Ätztendenz kann in der Form auftreten, in der die Ätzobjektschicht 31 im Vergleich zu dem Maskenmuster 32 zu viel geätzt wurde, oder die Ätzobj ektschicht 31 kann nicht in dem gewünschten Maß geätzt sein. Bezug nehmend auf 3 wird durch verschiedene Ätztendenz während des Ätzprozesses in der Ätzobj ektschicht 31 unter Verwendung des Maskenmusters 32 eine erste Schicht 33 und/oder eine zweite Schicht 34 erhalten.
Wenn eine Breite w1 eines Gebiets der Ätzobjektschicht 31, die entfernt wurde, schmäler ist als der erste Abstand d1 zwischen den Maskenmustern 32, kann die Ätztendenz, die als erste Schicht 33 in 3 dargestellt ist, auftreten. Wenn eine zweite Breite w2 eines Gebiets der Ätzobjektschicht 31, die entfernt wurde, größer ist als ein erster Abstand d1 zwischen den Maskenmustern 32, kann die als zweite Schicht 34 in 3 dargestellte Ätztendenz auftreten.
Um die oben beschriebenen Ätztendenzsprobleme deutlich zu verringern, wurden verschiedene Verfahren zur Vorhersage von Ätztendenzen unter Verwendung einer Form, einer Position, und Ähnlichen der Maskenmuster 32 als Parameter vorgeschlagen. Es wurde ein Ätztendenzsvorhersageverfahren, das ein Polynom verwendet, in dem Produkte einer Vielzahl an Kernen und entsprechenden Koeffizienten summiert werden, vorgeschlagen. Kernverfahren sind Werkzeuge, die verwendet werden, um die Beziehung zwischen Eingabedaten und in der entsprechenden Ausgabe einer Funktion zu analysieren. Kerne beschreiben die Eigenschaften von Funktionen, die Algorithmen erlauben, Funktionen verschiedener Komplexität auszutauschen. In dem oben beschriebenen Verfahren kann ein Gebiet des Maskenmusters 32, das benachbart zu einem Objektgebiet ist, in dem die Ätztendenz zu messen ist, ein Gebiet eines offenen Gebiets, das nicht durch das Maskenmuster 32 um ein Objektgebiet herum bedeckt ist, ein Gebiet eines Maskenmusters 32, das am nächsten zu einem Objektgebiet liegt, und/oder Ähnliches als Kern angewandt werden.
Ein Ätztendenzsvorhersageverfahren gemäß dem oben beschriebenen Verfahren kann wie folgt ablaufen. Als Erstes werden Probengebiete, in dem die Ätztendenz gemessen werden soll, auf einem Halbleiterwafer ausgewählt, und ein Wert entsprechend den Kernen kann von jedem der Probengebiete gewonnen werden. Dann wird an dem Halbleiterwafer ein Ätzprozess durchgeführt und ein wirklicher Ätztendenzswert gemessen. In Bezug auf jedes der Probengebiete wird der Wert entsprechend der Kerne in das Polynom eingesetzt. Bis ein Ausgabewert des Polynoms einen gemessenen Wert der wirklichen Ätztendenz entspricht, wird ein Grad, ein Koeffizient, und Ähnliches des Polynoms verändert.
In dem oben beschriebenen Verfahren ist die Anpassgenauigkeit hoch, da die Ätztendenz unter Verwendung empirischer Eigenschaften vorhergesagt wird. Mit anderen Worten wird die Ätztendenz in Bezug auf jedes Probengebiet mit hoher Genauigkeit vorhergesagt unter Verwendung eines Polynoms, das gemäß einem oben beschriebenen Verfahren erzeugt wurde. Wenn jedoch die Ätztendenz durch Maskenmuster gemessen werden soll, das von den Probengebieten verschieden ist, ist der Ausgabewert des Polynoms von dem gemessenen Wert der wirklichen Ätztendenz verschieden. Mit anderen Worten kann die vorhergesagte Ätztendenz so lange genau sein, solange das Maskenmuster ähnlich ist zu den Probengebieten, die für die empirischen Daten verwendet werden, ist aber jedoch weniger genau für ein Maskenmuster, das unterschiedlich ist.
In einer beispielhaften Ausführungsform der vorliegenden erfindungsgemäßen Konzepte kann eine Ätztendenz vorhergesagt werden unter Verwendung eines künstlichen neuronalen Netzwerks, so dass das oben beschriebene Problem gelöst wird. In einer beispielshaften Ausführungsform kann ein Maskenmuster in einem Halbleiterwafer gebildet werden, und es können Probengebiete, in denen die Ätztendenz vorhergesagt werden soll, bestimmt werden. Dann werden Eingabeparameter gewonnen, welche physikalische Eigenschaften anzeigen, die einen Ätzprozess beeinflussen, der in den Probengebieten durchgeführt wird. Ein künstliches neuronales Netzwerk kann Eingabeparameter empfangen und einen Ausgabewert erzeugen. Das künstliche neuronale Netzwerk kann durch Vergleichen des Ausgabewerts mit einem gemessenen Wert der Ätztendenz, die in jedem Probengebiet in Wirklichkeit auftritt, lernen. Wenn ein Unterschied zwischen dem Ausgabewert und dem gemessenen Wert einem vorher festgelegten Referenzwert entspricht oder kleiner ist, ist das Lernen des künstlichen neuronalen Netzwerks abgeschlossen (z. B. das künstliche neuronale Netzwerk wurde „trainiert“). Das künstliche neuronale Netzwerk, bei dem des Lernen abgeschlossen ist, kann als Ätzeffektvorhersagemodell verwendet werden.
4 und 5 zeigen Darstellungen, die ein Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform der vorliegenden erfindungsgemäßen Konzepte zeigen. Das Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform kann in Form eines Programms, das auf einer Computervorrichtung ausführbar ist, bereitgestellt werden und kann beispielsweise in einem elektronischen Designautomatisierungswerkzeug (EDA) oder Ähnlichem enthalten sein.
Als Erstes wird unter Bezugnahme auf 4 in einem Halbleiterwafer 40, auf dem ein Maskenmuster 42 auf einer Ätzobjektschicht 41 ausgebildet ist, ein Objektgebiet 43 ausgewählt, in dem die Ätztendenz gemessen werden soll. In der in 4 dargestellten beispielhaften Ausführungsform wird zur Vereinfachung angenommen, dass ein künstliches neuronales Netzwerk 100 an einem einzigen Probengebiet 43 lernt. In einigen Ausführungsformen kann auch eine Vielzahl an Probengebieten 43 auf dem Halbleiterwafer 40 ausgewählt werden, und das künstliche neuronale Netzwerk 100 kann basierend auf der Vielzahl an Probengebieten 43 lernen. Das künstliche neuronale Netzwerk 100 kann unter Verwendung der Vielzahl an Probengebieten 43 lernen, um die Ätzeffektvorhersagegenauigkeit des künstlichen neuronalen Netzwerks, in dem das Lernen abgeschlossen, ist erhöhen.
Das künstliche neuronale Netzwerk 100 kann eine Eingabeschicht 110, eine versteckte Schicht 120 und eine Ausgabeschicht 130 enthalten. Die Eingabeschicht 110 kann eine Vielzahl an Eingabeknoten 111 enthalten, die versteckte Schicht 120 kann eine Vielzahl an versteckten Knoten 121 enthalten, und die Ausgabeschicht 130 kann einen Ausgabeknoten 131 enthalten. In einer in 4 dargestellten beispielhaften Ausführungsform kann die Ausgabeschicht 130 einen einzelnen Ausgabeknoten 131 enthalten.
Eine Vielzahl an Eingabeparametern, die in dem Probengebiet 341 ermittelt wurden, können in die Vielzahl an Eingabeknoten 131 eingegeben werden. Die Vielzahl an Eingabeparametern können physikalische Eigenschaften anzeigen, die einen Ätzeffekt beeinflussen, der in dem Probengebiet 43 unter Verwendung des Ätzprozesses auf dem Halbleiterwafer 40 auftritt. In einer beispielhaften Ausführungsform enthalten die Vielzahl an Eingabeparametern erste Eingabeparameter, die eine Menge und eine Richtung von Ätzpartikeln repräsentieren, die sich auf das Probengebiet 43 zubewegen, und zweite Eingabeparameter, die eine Neigung des Maskenmusters 42, benachbart zu dem Probengebiet 43, darstellen.
Die Vielzahl an Eingabeparametern kann in einer vorher definierten Reihenfolge angeordnet sein und in die Vielzahl an Eingabeknoten 111 eingegeben werden. Die versteckte Schicht 120 des künstlichen neuronalen Netzwerks 100 kann eine vorher definierte Berechnung unter Verwendung der Vielzahl an Eingabeparametern durchführen, so dass ein Ausgabewert an den Ausgabeknoten 131 ausgegeben werden kann. In einer beispielhaften Ausführungsform kann die versteckte Schicht 120 die Berechnung auf eine Art und Weise durchführen, in der alle Werte, die an die Vielzahl der versteckten Knoten 121 eingegeben wurden, addiert werden, und/oder auf eine Art und Weise in der 1 oder 0 an einen nachfolgenden Knoten gesendet wird, wenn die Summe der Werte, die an die Vielzahl der versteckten Knoten 121 eingegeben wurde, größer ist als ein vordefinierter Schwellwert, und/oder auf eine Art und Weise, in der ein vordefinierter Wichtungswert auf einen Wert angewandt wird, der zwischen der Vielzahl an versteckten Knoten 121 verschickt wird.
Das künstliche neuronale Netzwerk 100 kann den Ausgabewert mit einem gemessenen Wert vergleichen, bei dem ein Ätzprozess aktuell auf dem Halbleiterwafer 40 abläuft und eine Ätztendenz in dem Probengebiet 43 gemessen wird, nachdem der wirkliche Ätzprozess beendet ist. Als Vergleichsergebnis kann das künstliche neuronale Netzwerk 100 den Ausgabewert durch Anpassen des Schwellwerts oder des Wichtungswerts, der auf eine Vielzahl der versteckten Knoten 121 angewandt wird, und erneuter Berechnung regenerieren und kann einen Ausgabewert erneut mit dem gemessenen Wert vergleichen, wenn der Unterschied zwischen dem Ausgabewert, der von dem künstlichen neuronalen Netzwerk 100 erzeugt wird und der während des aktuellen Ätzprozesses gemessenen Wert größer ist als ein vordefinierter Referenzwert. Das künstliche neuronale Netzwerk 100 kann wiederholt einen Lernprozess zum Anpassen des Schwellwerts oder des Wichtungswerts durchführen, bis der Ausgabewert gleich dem gemessenen Wert ist oder die Differenz zwischen dem Ausgabewert und dem gemessen Wert gleich des Referenzwerts ist oder weniger.
Wenn der Ausgabewert dem gemessenen Wert entspricht oder der Unterschied zwischen dem Ausgabewert und dem gemessenen Wert gleich oder kleiner als ein Referenzwert ist, ist das Lernen des künstlichen neuronalen Netzwerks 100 abgeschlossen, und das künstliche neuronale Netzwerk 100, in dem das Lernen abgeschlossen ist, kann als Ätzeffektvorhersagemodell verwendet werden. Nachdem ein Maskenmuster für einen vorzunehmenden Ätzprozess auf einem willkürlichen Halbleiterwafer ausgebildet wurde und ein Zielgebiet zum Vorhersagen der Ätztendenz ausgewählt wurde, werden Eingabeparameter in dem Zielgebiet bestimmt und können in das Ätzeffektvorhersagemodell eingegeben werden. In diesem Fall werden die Eingabeparameter, die in das Ätzeffektvorhersagemodell eingegeben wurden, in der gleichen Art aus dem Zielgebiet gewonnen, wie die Bestimmung der Eingabeparameter in dem Probengebiet 43, so dass das künstliche neuronale Netzwerk 100 lernen kann.
Bezug nehmend auf 5 enthält ein künstliches neuronales Netzwerk 200 eine Eingabeschicht 210, eine versteckte Schicht 220 und eine Ausgabeschicht 230. Die Eingabeschicht 210 enthält eine Vielzahl an Eingabeknoten 211, und die versteckte Schicht 220 enthält eine Vielzahl versteckter Knoten 221. In dem künstlichen neuronalen Netzwerk 200 gemäß einer beispielhaften Ausführungsform wie in 5 dargestellt, enthält die Ausgabeschicht 230 eine Vielzahl an Ausgabeknoten 231, die sich von der beispielhaften Ausführungsform in 4 unterscheiden.
In einer in 5 dargestellten, beispielhaften Ausführungsform werden eine Vielzahl an Probengebieten von dem Halbleiterwafer 40 ausgewählt, und das künstliche neuronale Netzwerk 200 kann, basierend auf der Vielzahl an Probengebieten, lernen. Das künstliche neuronale Netzwerk 200 kann unter Verwendung einer Vielzahl an Probengebieten lernen, so dass die Ätzeffektvorhersagegenauigkeit eines künstlichen neuronalen Netzwerks 200, in dem das Lernen abgeschlossen ist, verhüllt wird. Ein Lernprozess des künstlichen neuronalen Netzwerks 200, ein Verfahren zum Bestimmen der Eingabeparameter zum Lernen des künstlichen neuronalen Netzwerks 200, und Ähnliche können der in 4 dargestellten, beispielhaften Ausführungsform entsprechen.

Es kann jedoch ein Unterschied durch die Ausgabeschicht 230, die eine Vielzahl an Ausgabeknoten 231 enthält, auftreten. In der in 5 dargestellten beispielhaften Ausführungsform kann jeder der Vielzahl an Ausgabeknoten 231 in dem künstlichen neuronalen Netzwerk 200 einem Abschnitt entsprechen, in dem ein Wert der Ätztendenz, die in dem Probengebiet 43 auftritt, enthalten ist, wenn beispielsweise die Anzahl der Vielzahl an Ausgabeknoten 231 5 ist, kann ein Abschnitt entsprechend jedem des ersten Ausgabeknotens, einem zweiten Ausgabeknoten, einem dritten Ausgabeknoten, einem vierten Ausgabeknoten und einem fünften Ausgabeknoten in der Vielzahl der Ausgabeknoten 231 wie in Tabelle 1 definiert sein. [Tabelle 1]

Eine Vielzahl an Ausgabeknoten	Entsprechender Abschnitt
Erster Ausgabeknoten	1,5 nm oder mehr
Zweiter Ausgabeknoten	1,5 nm oder weniger bis 0,5 nm oder mehr
Dritter Ausgabeknoten	0,5 nm oder weniger bis -0,5 nm oder mehr
Vierter Ausgabeknoten	-0,5 nm oder weniger bis -1,5 nm oder mehr
Fünfter Ausgabeknoten	-1,5 nm oder weniger

In Tabelle 1 zeigt das Vorzeichen der Werte, die die entsprechenden Abschnitte definieren, die Richtung der Ätztendenz an. Beispielweise können der erste Ausgabeknoten und der zweite Ausgabeknoten einem Szenario entsprechen, in dem die Ätzzielschicht 41 stark geätzt wird, im Vergleich zu den Maskenmustern 42. Der vierte Ausgabeknoten und der fünfte Ausgabeknoten können Szenarien entsprechen, in denen die Ätzzielschicht 41 weniger geätzt ist im Vergleich zu dem Maskenmuster 42.
Das künstliche neuronale Netzwerk 200 setzt den Wert eines Ausgabeknotens der Vielzahl an Ausgabeknoten 231 verschieden von einem Wert der anderen Ausgabeknoten während des Lernprozesses. Beispielsweise kann das künstliche neuronale Netzwerk 200 einen Wert eines Ausgabeknotens aus der Vielzahl der Ausgabeknoten 231 auf 1 setzten, und kann einen Wert der verbleibenden Ausgabeknoten auf 0 setzen. In einigen Ausführungsformen, in denen der Wert eines Ausgabeknotens aus der Vielzahl der Ausgabeknoten 231 auf einen anderen Wert als die verbleibenden Knoten 231 gesetzt wird, kann das Anzeigen, dass die Ätztendenz als innerhalb des Abschnitts, der dem einen Ausgabeknoten 231 entspricht, vorhergesagt wird. Falls man beispielsweise die Tabelle 1 nimmt, ist die Ätztendenz vorhergesagt als „0,5 nm oder weniger bis -0,5 nm oder mehr“ falls der eine Ausgabeknoten 231 dem dritten Ausgabeknoten entspricht. Wenn die in dem Probengebiet 43 ermittelten Eingabeparameter in das künstliche neuronale Netzwerk 200 eingegeben werden und ein Wert eines Ausgabeknotens aus der Vielzahl der Ausgabeknoten 231 auf 1 gesetzt wird, kann ermittelt werden, ob ein aktuell gemessener Wert für die Ätztendenz des Probengebiets 43 in einem Abschnitt entsprechend dem Ausgabeknoten enthalten ist, in dem ein Wert auf 1 gesetzt wird (beispielsweise kann der vorhergesagte Wert mit dem aktuell gemessenen Wert verglichen werden). Wenn der gemessene Wert der Ätztendenz aus dem Probengebiet 43 nicht in dem dem Ausgabeknoten entsprechenden Abschnitt enthalten ist, in dem der Wert auf 1 gesetzt ist, muss das künstliche neuronale Netzwerk 200 weiter lernen.
Wenn der aktuell gemessene Wert der Ätztendenz des Probengebiets 43 in dem Abschnitt der dem Ausgabeknoten entspricht in dem der Wert auf 1 gesetzt ist enthalten ist, wird das Lernen beendet und das künstliche neuronale Netzwerk 200 kann als ein Ätzeffektvorhersagemodell verwendet werden. Nachdem ein Maskenmuster für einen Ätzprozess in einem willkürlichen Halbleiterwafer ausgebildet wird und ein Zielgebiet zum Vorhersagen der Ätztendenz ausgewählt wird, können Eingabeparameter in dem Zielgebiet bestimmt und in das Ätzeffektvorhersagemodell eingegeben werden. Ein Zwischenwert eines Ausgabeknotens in einem Ätzeffektvorhersagemodell, in dem der Wert auf 1 gesetzt ist, kann einem Wert einer Ätztendenz entsprechen, die von dem Ätzeffektvorhersagemodell vorhergesagt wurde.
Die 6 und 7 zeigen Ablaufdiagramme, die ein Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform des vorliegenden erfindungsgemäßen Konzepts darstellen.
Bezug nehmend auf 6 beginnt ein Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform mit dem Auswählen eines Probengebiets aus einem Halbleiterwafer (S10). In einer beispielhaften Ausführungsform kann das Probengebiet einer Vielzahl an Gebieten aus dem Halbleiterwafer entsprechen, auf dem ein Maskenmuster für den Ätzprozess ausgebildet ist. In S10 kann eine Vielzahl an Probengebieten ausgewählt werden.
In dem in S10 (S11) ausgewählten Probengebiet werden Eingabeparameter bestimmt. Die Eingabeparameter können Parametern entsprechen, die physikalische Eigenschaften bezeichnen, die einen Ätzprozess in dem Probengebiet beeinflussen. In einer beispielhaften Ausführungsform kann der in dem Probengebiet durchgeführte Ätzprozess durch die Dichte des in dem Probengebiet ausgebildeten Maskenmusters, die Neigung eines Querschnitts des in dem Probengebiet ausgebildeten Maskenmusters und Ähnliches beeinflusst werden. Die Eingabeparameter können Informationen enthalten, die der Dichte des Maskenmusters, der Neigung eines Querschnitts des Maskenmusters und Ähnlichem entsprechen. Die Eingabeparameter können in ein künstliches neuronales Netzwerk (ANN) (S12) eingegeben werden.
Das künstliche neuronale Netzwerk kann eine Vielzahl an Eingabeknoten enthalten und die Eingabeparameter können in einer vorbestimmten Reihenfolge angeordnet werden und können in die Vielzahl der Eingabeknoten eingegeben werden. Das künstliche neuronale Netzwerk, das die Eingabeparameter empfängt, kann die Information wie beispielsweise einen Schwellwert und einen Wichtungswert, wie er in einer versteckten Schicht verwendet wird, über einen Lernprozess modifizieren. Unter Bezugnahme auf S13 bis S16 wird dies im Folgenden beschrieben.
Das künstliche neuronale Netzwerk kann einen Ausgabewert unter Verwendung der Eingabeparameter ausgeben, und kann den Ausgabewert mit einem gemessenen Wert vergleichen, der in Wirklichkeit in dem Probengebiet (S13) auftritt. In einigen Ausführungsformen kann der gemessene Wert ein Ergebnis eines Ätzprozesses sein, der auf einem Halbleiterwafer mit der gleichen oder einer ähnlichen Probenfläche, wie der in S20 ausgewählten, sein. Das künstliche neuronale Netzwerk kann den Ausgabewert mit dem gemessenen Wert vergleichen, um zu bestimmen, ob ein Unterschied zwischen dem Ausgabewert und dem gemessenen Wert größer ist als ein vorher festgelegter Referenzwert (S14).
Als Ergebnis von S14 kann festgestellt werden, dass das künstliche neuronale Netzwerk einen Lernprozess benötigt, wenn der Unterschied zwischen dem Ausgabewert und dem gemessenen Wert größer ist als der vorher festgelegte Referenzwert. Das heißt, in jedem der versteckten Knoten in einer versteckten Schicht wird ein Lernprozess zum Korrigieren der Information, wie beispielsweise dem Schwellwert und/oder einem Wichtungswert, wie er für die Berechnung verwendet wird, durchgeführt (S15). Nach dem Lernen kann das künstliche neuronale Netzwerk ermitteln, ob ein Unterschied zwischen einem Ausgabewert und einem gemessenen Wert größer ist als der Referenzwert, indem der Ausgabewert unter Verwendung der Eingabeparameter neu erzeugt wird und der Ausgabewert mit dem gemessenen Wert verglichen wird (S16). Als Ergebnis von S16 wird der Lernprozess aus S 15 in dem Fall wiederholt durchgeführt, wenn der Unterschied zwischen dem Ausgabewert und dem gemessenen Wert größer bleibt als der Referenzwert.
Als Ergebnis von S14 oder S16 wird das Lernen des künstlichen neuronalen Netzwerks abgeschlossen, und das künstliche neuronale Netzwerk wird als Ätzeffektvorhersagemodell bestimmt (S17), wenn der Unterschied zwischen dem Ausgabewert und dem gemessenen Wert kleiner ist als der Referenzwert. Danach werden für den Fall, in dem die Ätztendenz durch Spezifizieren des Zielgebiets eines Halbleiterwafers vorherzusagen ist, Eingabeparameter in dem Zielgebiet bestimmt, und die Eingabeparameter werden in die Eingabeknoten des Ätzeffektvorhersagemodells eingegeben. Im Folgenden wird dies unter Bezugnahme auf 7 beschrieben.
Bezug nehmend auf 7 kann ein Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform mit dem Auswählen eines Zielgebiets von einem Halbleiterwafer beginnen (S20). In einer beispielhaften Ausführungsform kann das Zielgebiet aus dem Halbleiterwafer ausgewählt werden, auf dem ein Maskenmuster für den Ätzprozess ausgebildet ist.
Wenn das Zielgebiet ausgewählt wurde, werden Eingabeparameter aus dem Zielgebiet (S21) gewonnen. In einer beispielhaften Ausführungsform kann das Verfahren zum Bestimmen der Eingabeparameter aus dem Zielgebiet gleich oder ähnlich dem Verfahren zum Bestimmen der Eingabeparameter aus dem Probengebiet in S11 der in 6 dargestellten beispielhaften Ausführungsform sein.
Die aus dem Zielgebiet gewonnenen Eingabeparameter können in die Eingabeknoten des künstlichen neuronalen Netzwerks (S22) eingegeben werden. In diesem Fall kann das künstliche neuronale Netzwerk ein künstliches neuronales Netzwerk sein, in dem das Lernen abgeschlossen ist und das als Ätzeffektvorhersagemodell bestimmt wurde (z. B. S17 aus 6). Vielmehr können in einer beispielhaften Ausführungsform die Eingabeparameter, die aus dem Zielgebiet gewonnen wurden, in der gleichen Reihenfolge wie die Eingabeparameter aus dem Probengebiet angeordnet werden und können in das künstliche neuronale Netzwerk eingegeben werden.
Der Ausgabewert, den das künstliche neuronale Netzwerk an den Ausgabeknoten ausgibt, kann ein Ätztendenzswert sein, der für das Zielgebiet vorhergesagt wird, wenn der Ätzprozess an dem Halbleiterwafer durchgeführt wird. Mit anderen Worten kann aus dem Ausgabewert des künstlichen neuronalen Netzwerks eine Ätztendenz des Zielgebiets vorhergesagt werden (S23). Die Form eines Maskenmusters kann unter Bezugnahme auf die Ätztendenz des Zielgebiets wie in S23 vorhergesagt, angepasst werden, so dass die Ätzzielschicht mit der gewünschten Form, Abstand, Linienbreite oder Ähnlichem geätzt werden kann. In einigen Ausführungsformen kann das angepasste Maskenmuster verwendet werden, um während der Herstellung der Halbleitervorrichtung den Ätzprozess auf dem Halbleiterwafer durchzuführen.
In einer beispielhaften Ausführungsform kann das künstliche neuronale Netzwerk derart lernen, dass ein Ätzeffektvorhersagemodell, das in der Lage ist, einen Ätzeffekt vorherzusagen, erzeugt wird. Nachdem eine Vielzahl an Probengebieten aus dem Halbleiterwafer ausgewählt wurde, werden in jedem der Probengebiete Eingabeparameter unter Verwendung eines vorher festgelegten Verfahrens ausgewählt, und die Eingabeparameter werden in das künstliche neuronale Netzwerk eingegeben. Ein Ausgabewert des künstlichen neuronalen Netzwerks kann mit einem gemessenen Wert der Ätztendenz, die in jedem der Probengebiete auftritt, nachdem der reale Ätzprozess an dem Halbleiterwafer durchgeführt wurde, verglichen werden, und das künstliche neuronale Netzwerk kann lernen, bis der Ausgabewert dem gemessenen Wert entspricht, oder ein Unterschied zwischen dem Ausgabewert und dem gemessenen Wert gleich oder weniger als ein vorher festgelegter Referenzwert ist.
Die Eingabeparameter zeigen physikalische Eigenschaften an, die einen Ätzprozess, der in jedem der Probengebiete durchgeführt wird, beeinflussen. In einer beispielhaften Ausführungsform enthalten die Eingabeparameter erste Eingabeparameter entsprechend einer Menge an Ätzteilchen, die während eines Ätzprozesses mit dem Probengebiet in Kontakt sind, und zweite Eingabeparameter entsprechend einer Form eines Maskenmusters benachbart zu dem Probengebiet. Im Folgenden wird unter Bezugnahme auf die 8 bis 14 ein Verfahren zum Beschreiben der Eingabeparameter beschrieben.
Die 8 bis 10 zeigen Draufsichten, die ein beispielhaftes Verfahren zum Bestimmen eines Eingabeparameters in einem Ätzeffektvorhersageverfahren darstellen. Beispiee, die in den 8 bis 10 dargestellt sind, können einem Verfahren zum Bestimmen erster Eingabeparameter gemäß einer Menge an Ätzpartikeln, die während des Ätzprozesses mit den Probendaten in Kontakt stehen, entsprechen. Während der Ätzprozess durchgeführt wird, bewegen sich die Ätzpartikel von einem oberen Abschnitt in dem Probengebiet zu dem Probengebiet. In einer beispielhaften Ausführungsform kann eine Menge der Ätzpartikel, die mit dem Probengebiet in Kontakt sind, durch die Dichte des Maskenmusters auf dem Probengebiet beeinflusst werden. Das heißt, ein Wert bezogen auf die Dichte eines Maskenmusters, das um das Probengebiet herum ausgebildet ist, basierend auf dem Probengebiet wird so gewonnen, dass erste Eingabeparameter ermittelt werden können.
Bezug nehmend auf 8 wird zuerst ein Probengebiet 305 aus einem Halbleiterwafer 300, der eine Ätzzielschicht 301 und ein Maskenmuster 302 darüber enthält, ausgewählt, und virtuell konzentrische Kreise 310 und virtuelle Linien 320 können basierend auf dem Probengebiet 305 erzeugt werden. In wenigstens einem Teil der Punkte, in denen sich die konzentrischen Kreise 320 und die Linien 320 schneiden, können Dichtemessgebiete A1 bis A11 zum Berechnen der Dichte eines Maskenmusters definiert werden.
Die Dichtemessgebiete A1 bis A11 sind als Punkte definiert, in denen sich die konzentrischen Kreise 310 und Linien 320 schneiden. In einigen Ausführungsformen haben die Dichtemessgebiete A1 bis A11 mit zunehmendem Abstand von dem Probengebiet 305 eine größere Fläche. Die Position (z. B. der Ort) der Dichtemessgebiete A1 bis A11 kann durch Polarkoordinaten mit der Probenfläche 305 als Zentrum dargestellt werden und kann einer Richtung entsprechen, in die sich die Ätzteilchen zur Probenfläche 305 hin bewegen.
Wenigstens ein Teil der Dichtemessgebiete A1 bis A11 können das Maskenmuster belagern. Das Maskenmuster 302 kann als Hindernis für das Fortschreiten der Ätzteilchen zum Probengebiet 305 hin wirken. Das heißt, ein Flächenverhältnis des Maskenmusters 302, das in jedem der Dichtemessgebiete A1 bis A11 auftritt, kann einer Menge an Ätzteilchen entsprechen, die sich an einer Position entsprechend der Dichtemessgebiete A1 bis A11 zur Probenfläche 305 hin bewegen. Beispielsweise kann das Flächenverhältnis als ein Flächenverhältnis definiert werden, indem jede der Dichtemessgebiete A1 bis A11 das Maskenmuster 302 in Bezug auf eine Gesamtfläche von jedem der Dichtemessgebiete A1 bis A11 überbelagert.
Ein Flächenverhältnis des Maskenmusters 302, das in jedem der Dichtemessgebiete A1 bis A11 berechnet wurde, kann in einer Reihenfolge angeordnet werden und kann als ein erster Eingabeparameter x_i verwendet werden. Bezug nehmend auf 8 sind entsprechende Flächenverhältnisse des ersten Dichtemessgebiets A1 bis zu dem elften Dichtemessgebiet A11 der Reihe nach angeordnet und der erste Eingabeparameter x_i ist definiert. In einem in 8 dargestellten Beispiel ist das Flächenverhältnis von jedem der Dichtemessgebiete A1 bis A11 wie in Tabelle 2 dargestellt. In dem Beispiel aus 8 ist die Anordnung des ersten Dichtemessgebiets A1 bis zum Elften Dichtemessgebiet A11 in Reihenfolge, wobei die Reihenfolge der Anordnung verschieden modifiziert werden kann. [Tabelle 2]

A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11

0,5 0 0,5 0,5 0 0,5 0 0,25 0 0,2 0,2
Bezug nehmend auf 9 kann ein Probengebiet 405 aus einem Halbleiterwafer 400 ausgewählt werden, welches eine Ätzzielschicht 401 und ein darüber liegendes Maskenmuster 402 enthält, und virtuelle Quadrate 410 und virtuelle Linien 420 basierend auf dem Probengebiet 405 erzeugt werden. Das Zentrum von jedem der Quadrate 410 kann das Probengebiet 405 sein, und die Linien 420 können sich in dem Probengebiet 405 schneiden.
In wenigstens einem Abschnitt der Punkte, in denen sich die Quadrate 410 und die Linien 420 schneiden, können Dichtemessgebiete B 1 bis B9 für die Berechnung der Dichte eines Maskenmusters 402 definiert werden. In gleicher Art und Weise wie bei dem Beispiel aus 8 kann eine Position von jedem der Dichtemessgebiete B1 bis B9 einer Richtung entsprechen, in der sich die Ätzteilchen zu dem Probengebiet 405 hin bewegen, und ein Flächenverhältnis von jedem der Dichtemessgebiete B 1 bis B9 kann einer Menge an Ätzteilchen entsprechen, die sich an einem Ort entsprechend der Dichtemessgebiete B1 bis B9 zu dem Probengebiet 405 hin bewegen. Zum Beispiel kann das Flächenverhältnis als ein Verhältnis einer Fläche, in der jede der Dichtemessgebiete B1 bis B9 das Maskenmuster 402 in Bezug auf eine Totalfläche von jedem der Dichtemessgebiete B 1 bis B9 überlagert. In einer in 9 dargestellten beispielhaften Ausführungsform ist das Flächenverhältnis von jedem der Dichtemessgebiete B1 bis B9 wie in Tabelle 3 dargestellt. [Tabelle 3]

B1 B2 B3 B4 B5 B6 B7 B8 B9

0,5 0 0,5 0,5 0 0,3 0,3 0,3 0
Bezug nehmend auf 10 wird ein Probengebiet 505 von einem Halbleiterwafer 500 ausgewählt, welcher eine Ätzzielschicht 501 und ein darüber angeordnetes Maskenmuster 502 enthält, und ein Musterbild 510, das einige Gebiete des Halbleiterwafer 500 bedeckt, kann basierend auf dem Probengebiet 505 definiert werden. In einigen Ausführungsformen kann das Musterbild 510 ein Bitmap Bild mit einer Vielzahl an Pixeln sein.
Bezug nehmend auf 10 kann das Musterbild 510 erste Pixel 511 enthalten, die einen Teil des Maskenmusters 502 überlagern und zweite Pixel 512, die das Maskenmuster 502 nicht überlagern. In einem Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform wird ein erster Wert dem ersten Pixel 511 zugeordnet, und ein zweiter Wert wird dem zweiten Pixel 512 zugeordnet.
Erste Eingabeparameter entsprechend einer Menge an Ätzpartikeln, die in Kontakt mit dem Probengebiet stehen, können durch die Anordnung des ersten Wertes, der den ersten Pixeln 512 zugeordnet ist und des zweiten Werts, der den zweiten Pixeln 512 in einer vorher festgelegten Reihenfolge zugeordnet ist, bestimmen. In einer beispielhaften Ausführungsform des Ätzeffektvorhersageverfahrens gemäß einer beispielhaften Ausführungsform wird der erste Wert und der zweite Wert in der Reihenfolge der Koordinaten der Pixel, die in dem Musterbild 510 enthalten sind, so wie die ersten Pixel 511 und die zweiten Pixel 512 angeordnet, so dass die Eingabeparameter ermittelt werden können.
Wie unter Bezugnahme auf die 8 bis 10 dargestellt, können im Hinblick auf die Maskenmuster 302, 402 und 502, die die gleiche Form und die gleichen Probenflächen 305,405 und 505, die an dem gleichen Ort definiert sind, aufweisen, die Eingabeparameter gemäß dem Verfahren zum Ermitteln der Eingabeparameter verschieden sein. Das heißt, ein Verfahren zum Erhalten der Eingabeparameter aus den Probengebieten 305, 405 und 505, um das Lernen eines künstlichen neuronalen Netzwerks zu ermöglichen, kann dem Verfahren zum Erhalten der Eingabeparameter aus einem Zielgebiet eines Halbleiterwafers entsprechen, in dem ein Ätzeffekt vorherzusagen ist.
Die 11 bis 14 sind Figuren, die ein beispielhaftes Verfahren zum Ermitteln von Eingabeparametern in einem Ätzeffektvorhersageverfahren darstellt. Ein Verfahren wie unter Bezugnahme auf die beispielhaften Ausführungsformen in 11 bis 12 dargestellt, entspricht einem Verfahren zum Ermitteln der zweiten Eingabeparameter entsprechend der Form eines Maskenmusters in einem Halbleiterwafer.
Während ein Ätzprozess durchgeführt wird, kann die Geschwindigkeit, in der eine Ätzzielschicht, die in dem Maskenmuster frei liegt, entfernt wird (zum Beispiel eine Menge, eine Form oder Ähnliches), durch den Einfallswinkel (Neigung) beeinflusst werden, der durch den Querschnitt des Maskenmusters mit der oberen Oberfläche der Ätzzielschicht gebildet wird. Der Einfallswinkel des Querschnitts des Maskenmusters kann durch die Eigenschaften des Lichtes ermittelt werden, das verwendet wird, wenn die Fotoressistschicht offen liegt, um das Maskenmuster zu bilden, z. B. kann die Eigenschaft des Lichts eine Intensitätsverteilung von Licht sein. Die Intensitätsverteilung des Lichts kann als Draufsichtbild dargestellt werden.
Bezug nehmend auf 11 kann ein Maskenmuster 52, das auf der Ätzzielschicht 51 eines Halbleiterwafers 50 ausgebildet ist, verschiedene Einfallswinkel aufweisen. Im Idealfall bildet der Querschnitt 53 des Maskenmusters 52 einen Einfallswinkel von 90 Grad in Bezug auf die obere Oberfläche der Ätzzielschicht 51. Andererseits können die Einfallswinkel θ₁ und θ₂, die von jedem der möglichen Querschnitte 53A 53B des Maskenmusters 52 in Bezug auf die obere Fläche der Ätzzielschicht 51 gebildet werden, größer oder kleiner als 90 Grad sein.
Die Intensitätsverteilung des Lichts zum Ermitteln eines Einfallswinkels eines Querschnitts des Maskenmusters 52 kann als Verteilungskurve 54 ausgedrückt werden. Die Verteilungskurve 54 kann unter Verwendung verschiedener Kerne ausgedrückt werden und kann als Draufsichtbild dargestellt werden, das in einigen Ausführungsformen die Verteilung von Licht als Draufsicht auf den Halbleiterwafer darstellt. Das Draufsichtbild kann beispielsweise als Polynomgleichung wie Gleichung 1 dargestellt werden. $Draufsichtbild = C_{0} + C_{1} * K_{1} + C_{2} * K_{2} + C_{3} * K_{3} + \dots$
Beispielsweise können die Kerne zum Ausdrücken des Draufsichtbilds, wie in Gleichung 1 als Fourier-Bessel-Funktion, als Summe kohärenter Systeme (OCS), als Zernike-Polynom und Ähnlichem ausgedrückt werden. Die Kerne können als entsprechende Bilder, die zu dem Draufsichtbild beitragen, repräsentiert werden. In einer beispielhaften Ausführungsform überlappt ein Bild von jedem der Kerne ein Musterbild eines Maskenmusters, um überlappende Bilder zu bilden, und ein vorher festgelegter Wichtungswert kann auf ein erstes Pixel angewandt werden, indem ein Maskenmuster in jedem der überlappenden Bilder auftritt. Der Wichtungswert, der auf das erste Pixel angewandt wird, wird mit einem Wert des Kerns entsprechend einem Ort des ersten Pixels multipliziert und das Produkt wird dann addiert, so dass die zweiten Eingabeparameter ermittelt werden können. Die zweiten Eingabeparameter können in der Reihenfolge der Verteilung angeordnet werden, die jeder Kern in Bezug auf das Draufsichtbild aufweist und können in ein künstliches neuronales Netzwerk eingegeben werden. In einigen Ausführungsformen kann der Beitrag der Kerne zu dem Draufsichtbild eine Reihenfolge aufweisen, die von einem Lithographiesimulator ermittelt wurde.
12 bis 14 zeigen Darstellungen, die ein Verfahren zum Ermitteln der zweiten Eingabeparameter darstellen, in dem Fall, dass die Kerne, die das Draufsichtbild bilden, als Fourier-Bessel-Funktion gewählt wurden. In einer in 12 bis 14 dargestellten Ausführungsform kann das Draufsichtbild, das eine Intensitätsverteilung des Lichts, das zum Bilden eines Maskenmusters 610 in einem Lithographieprozess verwendet wird, als Gleichung 2 ausgedrückt werden. In Gleichung 2 entspricht jeder von Ψ₃₀, Ψ₂₁ und Ψ₁₂ einer Fourier-Bessel-Funktion. $Druafsichtbild = C_{0} + C_{1} * Ψ_{30} - C_{2} * Ψ_{21} + C_{3} * Ψ_{12} + \dots$
Bezug nehmend auf 12 überlappt ein erstes Kerndraufsichtbild 601, das durch eine erste Fourier-Bessel-Funktion Ψ₃₀ definiert ist, das Maskenmuster 610, um ein erstes überlappendes Bild 600A zu bilden. In dem ersten überlappenden Bild 600A kann ein Probengebiet 605, in dem ein Ätzeffekt (z. B. Ätztendenz) vorherzusagen ist, darin enthalten sein.
In dem Ätzvorhersageverfahren gemäß einer beispielhaften Ausführungsform können in dem ersten überlappenden Bild 600A erste Pixel 611A, auf denen ein Teil des Maskenmusters 610 angeordnet ist, und zweite Pixel 612A, auf denen das Maskenmuster 610 nicht angeordnet ist, ermittelt werden. Ein vorher festgelegter Wichtungswert kann auf jedes der ersten Pixel 611A und zweiten Pixel 612A angewandt werden. Beispielsweise kann 1 auf die ersten Pixel 611A angewandt werden, während 0 auf die zweiten Pixel 612A angewandt werden. Der Wichtungswert kann gemäß beispielhafter Ausführungsformen auf verschiedene Arten modifiziert werden. In einer beispielhaften Ausführungsform kann der Wichtungswert im Verhältnis zu einer Fläche des Maskenmusters 610, das auf jeden Pixel gesetzt ist, zu den ersten Pixeln 611A und den zweiten Pixeln 612A bestimmt werden.
In dem ersten Überlappungsbild A kann jeder der Pixel der ersten Pixel 611A und der zweiten Pixel 612A einen Wert entsprechend der ersten Fourier-Bessel-Funktion Ψ₃₀ aufweisen. Das Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform kann einen Pixelwert in jedem Pixel der ersten Pixel 611A und der zweiten Pixel 612A durch Multiplizieren eines Werts der ersten Fourier-Bessel-Funktion Ψ₃₀ von jedem Pixel der ersten Pixel 611A und der zweiten Pixel 612A mit dem Wichtungswert, der vorher auf die ersten Pixel 611A und die zweiten Pixel 612A angewandt wurde, gesetzt werden. Die Summe des Pixelwerts kann als erster zweiter Eingabeparameter ausgebildet werden. In einigen Ausführungsformen kann der erste zweite Eingabeparameter, der durch die erste Fourier-Bessel-Funktion Ψ₃₀ gekennzeichnet ist, den größten Beitrag zu der durch das erste Kerndraufsichtbild 601 dargestellten Lichtverteilung beitragen.
Bezug nehmend auf 13 überlappt ein zweites Kerndraufsichtbild 602, das durch eine zweite Fourier-Bessel-Funktion Ψ₂₁ definiert ist, das Maskenmuster 610, um ein zweites Überlappungsbild 600B zu bilden. Wie oben unter Bezugnahme auf 12 beschrieben, kann in dem Ätzvorhersageverfahren gemäß einer beispielhaften Ausführungsform in dem zweiten Überlappungsbild 600B, erste Pixel 611B, auf denen ein Teil des Maskenmusters 610 ausgebildet ist, und zweite Pixel 612B, auf denen das Maskenmuster 610 nicht angeordnet ist, ausgewählt werden. Ein vorher festgelegter Wichtungswert kann auf jeden der ersten Pixel 611B und der zweiten Pixel 612B angewandt werden.
Jeder Pixel der ersten Pixel 611B und der zweiten Pixel 612B, die in dem zweiten Überlappungsbild 600B enthalten sind, können einen Wert entsprechend der zweiten Fourier-Bessel-Funktion Ψ₂₁ aufweisen. Das heißt, ein Wert jedes Pixels der ersten Pixel 611B und der zweiten Pixel 612B, die in dem zweiten Überlappungsbild 600B enthalten sind, können sich von einem Wert von jedem Pixel der ersten Pixel 611A und der zweiten Pixel 612A in dem ersten Überlappungsbild 600A unterscheiden. Das Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform kann einen Pixelwert in dem der Pixel der ersten Pixel 611B und der zweiten Pixel 612B durch Multiplizieren eines Werts der zweiten Fourier-Bessel-Funktion Ψ₂₁ von jedem Pixel der ersten Pixel 611B und der zweiten Pixel 612B mit dem Wichtungswert, der auf die ersten Pixel 611B und die zweiten Pixel 612B vorab angewandt wurde, gesetzt werden. Die Summe des Pixelwerts kann als ein zweiter zweiter Eingabeparameter gewählt werden. In einigen Ausführungsformen kann der zweite zweite Eingabeparameter, der durch die zweite Fourier-Bessel-Funktion Ψ₂₁ gekennzeichnet ist, den zweitgrößten Beitrag zu der in dem zweiten Kerndraufsichtbild 602 dargestellten Lichtverteilung aufweisen.
Bezug nehmend auf 14 überlappt ein drittes Kerndraufsichtbild 602, das durch eine dritte Fourier-Bessel-Funktion Ψ₁₂ definiert wird, das Maskenmuster 610, um ein drittes Überlappungsbild 600C zu bilden. Wie oben unter Bezugnahme auf die 12 und 13 beschrieben, können in dem Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform in dem dritten Überlappungsbild 600C erste Pixel 611C, auf denen ein Teil des Maskenmusters 610 angeordnet ist, und zweite Pixel 612C, auf denen das Maskenmuster 610 nicht angeordnet ist, ausgebildet werden. Ein vorher festgelegter Wichtungswert kann auf jeden der ersten Pixel 611C und der zweiten Pixel 612C angewandt werden.
Jeder Pixel der ersten Pixel 611C und der zweiten Pixel 612C, die in dem dritten überlappenden Bild 600C enthalten sind, können einen Wert entsprechend einer dritten Fourier-Bessel-Funktion Ψ₁₂ aufweisen. Das heißt, jeder Pixel der ersten Pixel 611C und der zweiten Pixel 612C, die in dem dritten überlappenden Bild 600C enthalten sind, können sich von einem Wert der ersten Pixel 611A, der zweiten Pixel 612A, der ersten Pixel 611B und/oder der zweiten Pixel 612B, die in jedem des ersten überlappenden Bilds 600A und des zweiten überlappenden Bilds 600B enthalten sind, unterscheiden. Das Ätzeffektvorhersageverfahren gemäß einer beispielhaften Ausführungsform kann einen Pixelwert in jedem Pixel der ersten Pixel 611C und der zweiten Pixel 612C durch Multiplizieren eines Werts der dritten Fourier-Bessel-Funktion Ψ₁₂ von jedem Pixel der ersten Pixel 611C und der zweiten Pixel 612C mit dem Wichtungswert, der vorab auf die ersten Pixel 611C und die zweiten Pixel 612C angewandt wird, gesetzt werden.
Die Summe des Pixelwerts kann als ein dritter zweiter Eingabeparameter ausgewählt werden. In einigen Ausführungsformen kann der dritte zweite Eingabeparameter, der durch die dritte Fourier-Bessel-Funktion Ψ₁₂ gekennzeichnet ist den drittgrößten Beitrag zur Verteilung des Lichts, wie es in dem dritten Kerndraufsichtbilds 603 dargestellt ist, leisten.
Die ersten zweiten Eingabeparameter, die zweiten zweiten Eingabeparameter und die dritten zweiten Eingabeparameter, die durch beispielhafte Ausführungsformen wie in den 12 bis 14 dargestellt ermittelt wurden, können der Reihenfolge nach angeordnet und in Eingabeknoten eines künstlichen neuronalen Netzwerks eingegeben werden. In einigen Ausführungsformen können die ersten Eingabeparameter, die durch die Beispiele wie in den 8 bis 10 dargestellt ermittelt wurden, auch der Reihenfolge nach angeordnet werden und können in Eingabeknoten eines künstlichen neuronalen Netzwerks eingegeben werden. Wenn das Lernen des künstlichen neuronalen Netzwerks abgeschlossen ist, bevor das künstliche neuronale Netzwerk auf ein Ätzeffektvorhersagemodell angewandt wurde, kann das künstliche neuronale Netzwerk einen empfangenen Ausgabewert, der aus den zweiten Eingabeparametern erzeugt wurde, mit einem wirklich gemessenen Wert der Ätztendenz, die in dem Probengebiet 605 auftritt, vergleichen und das Lernen kann entsprechend dem Vergleichsergebnis durchgeführt werden. Wenn der Unterschied zwischen dem Ausgabewert und dem gemessenen Wert einem vorher festgelegten Referenzwert entspricht oder kleiner ist, wird das Lernen abgeschlossen und das künstliche neuronale Netzwerk kann als Ätzeffektvorhersagemodell bestimmt werden. Wenn die Ätztendenz des Zielgebiets, das für den Halbleiterwafer ausgewählt wurde, unter Verwendung des künstlichen neuronalen Netzwerks als Ätzeffektvorhersagemodell vorhergesagt ist, werden zweite Eingabeparameter in dem Zielgebiet unter Verwendung des gleichen Verfahrens wie die in 12 bis 14 vorher beschriebenen beispielhaften Ausführungsformen ermittelt und können in das künstliche neuronale Netzwerk, das als Ätzeffektvorhersagemodell bestimmt wurde, eingegeben werden.
Die ersten Eingabeparameter, die gemäß der in den 8 bis 10 dargestellten Beispiele ermittelt wurden, und die zweiten Eingabeparameter, die gemäß der in den in 11 bis 14 dargestellten Beispiele ermittelt wurden, sind in der vorher festgelegten Reihenfolge angeordnet und können als Eingabeparameter in das künstliche neuronale Netzwerk eingegeben werden. Die Anordnungsreihenfolge eines Eingabeparameters, wie er von einem Probengebiet aus einem Halbleiterwafer ausgewählt wurde, um dem künstlichen neuronalen Netzwerk das Lernen zu ermöglichen, ausgewählt wurde, kann der Anordnungsreihenfolge von Eingangsparametern, wie sie aus einem Zielgebiet, das aus einem Halbleiterwafer ausgewählt wurde, um die Ätztendenz vorherzusagen, bevor ein Ätzprozess durchgeführt wurde, entsprechen.
Wie oben dargelegt, kann gemäß einer beispielhaften Ausführungsform des vorliegenden erfindungsgemäßen Konzepts ein Ätzeffektvorhersageverfahren einem künstlichen neuronalen Netzwerk (ANN) das Lernen durch das Eingeben von Eingabeparametern ermöglichen, die physikalische und optische Eigenschaften kennzeichnen, die den Ätzprozess des künstlichen neuronalen Netzwerks beeinflussen, und das künstliche neuronale Netzwerk, bei dem das Lernen abgeschlossen ist, kann als ein Ätzeffektvorhersagemodell verwendet werden. Das heißt, ein Ätzeffekt mit einem Unterschied zwischen einem Maskenmuster und einem Halbleitermuster kann genau vorhergesagt werden, und ein Maskenmuster zum genauen Ausbilden eines gewünschten Halbleitermusters kann daher ausgebildet werden. Das Maskenmuster kann nachfolgend in einem Ätzprozess zum Bilden einer Halbleitervorrichtung verwendet werden.
Es ist klar, dass, obwohl die Ausdrücke „erstes“, „zweites“, usw. verwendet werden, um Elemente, Regionen, Schichten, Abschnitte, Sektionen, Komponenten und/oder Elemente in beispielhaften Ausführungsformen der erfindungsgemäßen Konzepte zu beschreiben, die Elemente, Regionen, Schichten, Abschnitte, Sektionen, Komponenten und/oder Elemente nicht auf diese Ausdrücke beschränkt sind. Diese Ausdrücke werden lediglich verwendet, um ein Element, Region, Abschnitt, Sektion, Komponente oder Elemente von einem anderen Element, Region, Abschnitt, Sektion, Komponente oder Element zu unterscheiden. Das heißt, ein erstes Element, Region, Abschnitt, Sektion, Komponente, Element wie oben beschrieben kann auch als zweites Element, Region, Abschnitt, Sektion, Komponente oder Element bezeichnet werden, ohne vom Umfang der erfindungsgemäßen Konzepte abzuweichen. Beispielsweise kann ein erstes Element auch als ein zweites Element bezeichnet werden, und genauso kann ein zweites Element auch als erstes Element bezeichnet werden, ohne vom Umfang der erfindungsgemäßen Konzepte abzuweichen.
Die hier verwendete Terminologie dient nur dazu, um bestimmte Ausführungsformen zu beschreiben und soll die beispielhaften Ausführungsformen nicht beschränken. Die hier verwendeten Einzahlformen „ein“, „eines“ und „der“ sollen genauso die Pluralformen beinhalten, solange der Zusammenhang nichts anderes anzeigt. Es ist außerdem klar, dass die Ausdrücke „enthält“, „enthaltend“, „umfassend“ und/oder „umfassen“, die im Folgenden verwendet werden, lediglich das Vorhandensein der genannten Eigenschaften, Zahlen, Schritte, Abläufe, Elemente und/oder Komponenten beschreibt, jedoch nicht das Vorhandensein anderer oder mehrerer anderer Eigenschaften, Zahlen, Schritte, Abläufe, Elemente, Komponenten und/oder Gruppen davon ausschließt.
Solange nicht anders ausgeführt, haben sämtliche Ausdrücke (inklusive der technischen und wissenschaftlichen Ausdrücke) die hier verwendet werden, die gleiche Bedeutung wie es allgemein durch den Fachmann verstanden wird, an den sich die erfindungsgemäßen Konzepte richten. Es ist außerdem klar, dass die Ausdrücke, wie sie allgemein in Wörterbüchern verwendet werden, übereinstimmend mit ihrer Bedeutung im Zusammenhang mit dieser Beschreibung und dem Stand der Technik zu interpretieren sind und nicht idealisiert oder überformal zu interpretieren sind, solange nichts anderes ausdrücklich genannt ist.
Wenn eine bestimmte beispielhafte Ausführungsform auf eine andere Art implementiert werden kann, kann eine spezielle Prozessreihenfolge anders als die beschriebene Reihenfolge durchgeführt werden. Zum Beispiel können zwei als aufeinanderfolgend beschriebene Prozesse im Wesentlichen gleichzeitig oder in einer umgekehrten Reihenfolge wie die beschriebene Reihenfolge durchgeführt werden.
Der hier verwendete Ausdruck „und/oder“ enthält jegliche und alle Kombinationen eines oder mehrerer der entsprechend aufgelisteten Objekte. Ausdrücke wie „wenigstens eines von“ am Anfang einer Liste von Elementen, modifiziert die gesamte Liste der Elemente und modifiziert nicht nur einzelne Elemente der Liste.
Es ist klar, dass, falls ein Element als „verbunden“ oder „verknüpft“ mit einem anderen Element bezeichnet wird, es direkt verbunden oder verknüpft sein kann mit dem anderen Element oder dazwischenliegende Elemente vorhanden sein können. Im Gegensatz dazu, falls ein Element als „direkt verbunden“ oder „direkt verknüpft“ mit einem anderen Element bezeichnet wird, ist kein dazwischen liegendes Element vorhanden. Andere Worte, die verwendet werden, um eine Beziehung zwischen Elementen oder Schichten zu beschreiben, sollen auf gleiche Art und Weise interpretiert werden (z. B. „zwischen“ gegenüber „direkt dazwischen“, „benachbart“ gegenüber „direkt benachbart“, „auf“ gegenüber „direkt auf“).
Gleiche Zahlen bezeichnen gleiche Elemente. Das heißt, die gleichen oder ähnliche Zahlen können in Bezug auf verschiedene Figuren beschrieben werden, selbst wenn sie weder genannt noch in der entsprechenden Figur beschrieben werden. Außerdem können Elemente, die nicht durch Bezugszeichen bezeichnet werden, unter Bezugnahme auf andere Figuren beschrieben werden.
Verschiedene Vorgänge der oben beschriebenen Verfahren können durch geeignete Mittel, die in der Lage sind, die Verfahren durchzuführen, wie beispielsweise verschiedene Arten an Hardware und/oder Software-Komponenten, Schaltungen und/oder Modulen durchgeführt werden.
Die Software kann eine geordnete Liste an ausführbaren Befehlen zum Implementieren logischer Funktionen enthalten und kann als „Prozessor/lesbares Medium“ zur Verwendung in Verbindung mit einem Befehlsausführungssystem, Vorrichtung und/oder Gerät verwendet werden, so wie beispielsweise einem einzelnen oder Vielfach-Kernprozessor oder Prozessor-enthaltendes System.
Die Blöcke oder Schritte eines Verfahrens oder Algorithmus und Funktionen, die in Verbindung mit offenbarten Ausführungsformen beschrieben sind, können direkt in Hardware, in einem Softwaremodul, das durch einen Prozessor ausgeführt wurde, oder in Kombination dieser beiden, ausgeführt sein. Falls sie in Software ausgeführt sind, können die Funktionen auf einem oder übermittelt als einer oder mehrerer Befehle oder Codes auf einem greifbaren, nicht-flüchtigen Computer-lesbarem Medium gespeichert sein. Ein Softwaremodul kann in einem Direktzugriffsspeicher (RAM), Flashspeicher, Nur-Lesespeicher (ROM), elektrisch programmierbarem ROM (EPROM), elektrisch löschbar lesbarem ROM (EEPROM), Registern, Festplatte, entfernbare Festplatte, einem CD-ROM oder einer anderen Form eines im Stand der Technik bekannten Speichermediums gespeichert sein.
Auch wenn beispielhafte Ausführungsformen beschrieben und gezeigt wurden, ist es für den Fachmann klar, dass Modifikationen und Variationen durchgeführt werden können, ohne vom Umfang der vorliegenden Beschreibung wie in den folgenden Ansprüchen definiert abzuweichen.

Claims

Ein Ätzeffektvorhersageverfahren umfassend: Ermitteln eines Probengebiets (43; 305; 405; 505) eines Maskenmusters (42; 52; 302; 402; 502; 610) für das eine Ätztendenz vorherzusagen ist; Bestimmen von Eingabeparametern (x_i), welche physikalische Eigenschaften angeben, die den Ätzprozess in dem Probengebiet (43; 305; 405; 505) beeinflussen; Vergleichen eines Ausgabewerts, der durch Eingeben der Eingabeparameter (x_i) in ein künstliches neuronales Netzwerk (100; 200) erhalten wurde, mit einem gemessenen Wert der Ätztendenz, die in dem Probengebiet (43; 305; 405; 505) erhalten wurde; und Zulassen, dass das künstliche neuronale Netzwerk (100; 200) lernt, bis der Unterschied zwischen dem Ausgabewert und dem gemessenen Wert gleich oder kleiner als ein vorher festgelegter Referenzwert ist, wobei die Eingabeparameter erste Eingabeparameter (x_i) entsprechend einer Menge an Ätzteilchen, die in Kontakt mit dem Probengebiet stehen, während der Ätzprozess durchgeführt wird; und zweite Eingabeparameter entsprechend eines Einfallswinkels der durch einen Querschnitt des Maskenmusters (42; 52; 302; 402; 502; 610) mit einer oberen Oberfläche einer Ätzzielschicht benachbart zu einem Probengebiet (43; 305; 405; 505) gebildet wird umfassen; und wobei das Bestimmen der Eingabeparameter umfasst: Erzeugen eines Draufsichtbilds, das die Intensitätsverteilung von Licht zeigt, das in einem Lithographieprozess zum Ausbilden des Maskenmusters (510) mit einer Vielzahl an Kernen verwendet wird; und Ermitteln der zweiten Eingabeparameter durch Anordnen eines Werts von ersten Kernen mit hohem Beitrag zu dem Draufsichtbild aus der Vielzahl an Kernen in einer vorher festgelegten Reihenfolge; und wobei das Bestimmen der zweiten Eingabeparameter umfasst: Erzeugen einer Vielzahl an überlagerten Bildern durch Überlagern eines Musterbilds (510), das das Probengebiet (505) enthält mit einen Bild von jedem der ersten Kerne; Ermitteln erster Pixel, auf denen ein Teil des Maskenmusters (502) in jedem der Vielzahl an überlagerten Bildern angeordnet ist; Berechnen einer Summe eines Werts der ersten Kerne, die den ersten Pixeln (511) in jeder der Vielzahl an überlagerten Bildern entsprechen; und Ermitteln der zweiten Eingabeparameter durch Anordnen der Summe des Wertes der ersten Kerne, die für jedes der Vielzahl an überlagerten Bildern berechnet wurde, in der vorher festgelegten Reihenfolge des Beitrags zu dem Draufsichtbild.
Ätzeffektvorhersageverfahren nach Anspruch 1, wobei das Probengebiet (43; 305; 405; 505) eine Vielzahl an Probengebieten in verschiedenen Orten enthält, und wobei das Verfahren außerdem umfasst: Eingeben der Eingabeparameter, die in jedem der Vielzahl an Probengebiete ermittelt wurde, in das künstliche neuronale Netzwerk (200).
Ätzeffektvorhersageverfahren nach Anspruch 1, wobei das Ermitteln der Eingabeparameter umfasst: Definieren einer Vielzahl an Dichtemessgebieten (A1-A11; B1-B9) um das Probengebiet (43; 305; 405; 505), und Berechnen eines Flächenverhältnisses, das von den Maskenmustern (42; 52; 302; 402; 502; 610) in jedem der Vielzahl an Dichtemessgebieten belegt wird; und Ermitteln der ersten Eingabeparameter (x_i) durch Anordnen des Flächenverhältnisses, das in jedem der Vielzahl an Dichtemessgebieten (A1-A11; B1-B11) in einer vorher festgelegten Reihenfolge berechnet wird.
Ätzeffektvorhersageverfahren nach Anspruch 3, wobei das Berechnen des Flächenverhältnisses umfasst: Festlegen einer Vielzahl an Figuren, die das Probengebiet (43; 305; 405; 505) als Zentrum haben; Festlegen einer Vielzahl an Linien (320; 420), die durch das Probengebiet (43; 305; 405; 505) hindurchgehen; und Festlegen der Vielzahl an Dichtemessgebieten (A1-A11; B1-9) an Schnittpunkten, bei denen die Vielzahl an Figuren die Vielzahl an Linien (320; 420) trifft.
Ätzeffektvorhersageverfahren nach Anspruch 3 oder 4, wobei die Vielzahl an Dichtemessgebieten (A1-A11; B1-B9) eine größere Fläche ausweisen, je weiter die Vielzahl an Dichtemessgebieten (A1-A11; B1-B9) von dem Probengebiet (43; 305; 405; 505) entfernt sind.
Ätzeffektvorhersageverfahren nach einem der Ansprüche 4 bis 5, wobei das Flächenverhältnis, das in jedem der Vielzahl an Dichtemessgebieten (43; 305; 405; 505) berechnet wurde, gemäß dem Ort von jedem der Vielzahl an Dichtemessgebieten (43; 305; 405; 505) basierend auf dem Probengebiet (43; 305; 405; 505) bestimmt wird, um die ersten Eingabeparameter (x_i) zu bestimmen.
Ätzeffektvorhersageverfahren nach Anspruch 1, wobei das Ermitteln der Eingabeparameter umfasst: Erzeugen eines Musterbilds (510), das das Probengebiet (505) enthält; Zuordnen eines ersten Werts an die ersten Pixel (511), in denen ein Teil des Maskenmusters (502) auftritt, aus den Pixeln, die in dem Musterbild (510) enthalten sind; Zuordnen eines zweiten Werts zu den zweiten Pixeln (512), die von den ersten Pixeln (511) verschieden sind, aus den Pixeln, die in dem Musterbild (510) enthalten sind; und Ermitteln der ersten Eingabeparameter durch Anordnen der entsprechenden Werte der Pixel, die in dem Musterbild (510) enthalten sind, in einer vorher festgelegten Reihenfolge.
Ätzeffektvorhersageverfahren nach Anspruch 1, wobei die Vielzahl der Kerne eine Fourier-Bessel-Funktion enthält, eine Summe von kohärenten Systemen (SOCS), und/oder ein Zernike-Polynom.
Ätzeffektvorhersageverfahren nach einem der Ansprüche 1 oder 8, wobei der Beitrag der Vielzahl an Kernen zu dem Draufsichtbild eine Reihenfolge aufweist, die durch einen Lithographiesimulator ermittelt wurde.
Ätzeffektvorhersageverfahren nach einem der Ansprüche 1 bis 9, wobei das künstliche neuronale Netzwerk (100) eine Vielzahl an Eingabeknoten (111) enthält, einen einzelnen Ausgabeknoten (131) und eine Vielzahl an versteckten Knoten (121), die zwischen der Vielzahl an Eingabeknoten (111) und dem einzelnen Ausgabeknoten (131) verbunden sind.
Ätzeffektvorhersageverfahren nach einem der Ansprüche 1 bis 9, wobei das künstliche neuronale Netzwerk (200) eine Vielzahl an Eingabeknoten (211) enthält, eine Vielzahl an Ausgabeknoten (231) und eine Vielzahl an versteckten Knoten (212), die zwischen der Vielzahl an Eingabeknoten (211) und der Vielzahl an Ausgabeknoten (231) verbunden sind, und wobei jeder der Vielzahl an Ausgabeknoten (231) einem Abschnitt entspricht, in dem eine Ätztendenz, die in dem Probengebiet (43; 305; 405; 505) auftritt, enthalten ist.
Ätzeffektvorhersageverfahren nach Anspruch 11, wobei das künstliche neuronale Netzwerk (200) einen ersten Wert eines Ausgabeknotens aus der Vielzahl Ausgabeknoten (231) auf 1 setzt und einen zweiten Wert der Verbleibenden aus der Vielzahl an Ausgabeknoten (231) auf 0 setzt.
Ätzeffektvorhersageverfahren nach einem der Ansprüche 1 bis 12, wobei das Betreiben des künstlichen neuronalen Netzwerks (100; 200) das Anpassen eines Wichtungswerts und eines Schwellwerts von jedem der Vielzahl an versteckten Knoten (121; 212), die in dem künstlichen neuronalen Netzwerk (100; 200) enthalten sind, umfasst, bis der Unterschied zwischen dem Ausgabewert und dem gemessenen Wert kleiner oder gleich dem vorher festgelegten Referenzwert ist.
Ätzeffektvorhersageverfahren nach einem der Ansprüche 1 bis 13, weiterhin umfassend: Verwenden des künstlichen neuronalen Netzwerks (100; 200), um eine Vorhersage für die Ätztendenz des Ätzprozesses für das Maskenmuster (42; 52; 302; 402; 502; 610) zu erzeugen; in Antwort auf die Vorhersage der Ätztendenz von dem künstlichen neuronalen Netzwerk (100; 200), Anpassen des Maskenmusters (42; 52; 302; 402; 502; 610), um ein angepasstes Maskenmuster (42; 52; 302; 402; 502; 610) zu bilden; und Ausbilden einer Halbleitervorrichtung unter Verwendung des angepassten Maskenmusters (42; 52; 302; 402; 502; 610).
Ätzeffektvorhersageverfahren nach einem der Ansprüche 1 bis 14, weiterhin umfassend: Auswählen eines Targetgebiets, in dem die Ätztendenz vorherzusagen ist; Eingeben der Eingabeparameter zu dem künstlichen neuronalen Netzwerk (100; 200) durch Berechnen der Eingabeparameter in dem Zielgebiet; und Vorhersagen der Ätztendenz des Targetgebiets unter Verwendung des Ausgabewerts des künstlichen neuronalen Netzwerks (100; 200).