-
HINTERGRUND DER ERFINDUNG
-
Gebiet der Erfindung
-
Die
vorliegende Erfindung betrifft die Messung von auf Halbleiterwafern
gebildeten Strukturen und genauer die Messung von auf Halbleiterwafern gebildeten
Strukturen unter Verwendung von Maschinenlernsystemen.
-
Eine
optische Messung beinhaltet ein Richten eines einfallenden Strahles
auf eine Struktur, ein Messen des sich ergebenden gebeugten Strahls
und ein Analysieren des gebeugten Strahles, um ein Merkmal der Struktur
zu bestimmen. Bei der Halbleiterherstellung wird eine optische Messung üblicherweise
für die
Qualitätssicherung
verwendet. Beispielsweise wird nach dem Herstellen eines periodischen
Gitters in der Nähe
eines Halbleiterchips auf einem Halbleiterwafer ein optisches Messsystem verwendet,
um das Profil des periodischen Gitters zu bestimmen. Durch Bestimmen
des Profils des periodischen Gitters kann die Qualität des zur
Bildung des periodischen Gitters verwendeten Herstellungsprozesses
und durch Extrapolation des Halbleiterchips nahe des periodischen
Gitters bestimmt werden.
-
Ein
herkömmliches
optisches Messsystem verwendet eine Beugungsmodellierungstechnik,
wie beispielsweise eine Rigorose Beugungsanalyse (rigorous coupled
wave analyis, RCWA), um den gebeugten Strahl zu analysieren. Genauer
wird bei der Beugungsmodellierungstechnik ein Modellbeugungssignal
teilweise auf Grundlage eines Lösens der
Maxwellschen Gleichungen berechnet. Das Berechnen des Modellbeugungssignals
erfordert ein Ausführen
einer großen
Anzahl komplexer Berechnungen, wobei dies zeitintensiv und kostspielig
sein kann.
-
ZUSAMMENFASSUNG
-
In
einer beispielhaften Ausführungsform
wird eine auf einem Halbleiterwafer gebildete Struktur durch Erhalten
eines unter Verwendung einer Messvorrichtung gemessenen ersten Beugungssignals untersucht.
Ein zweites Beugungssignal wird unter Verwendung eines Maschinenlernsystems
erzeugt, wobei das Maschinenlernsystem einen oder mehrere Parameter,
die ein Profil der Struktur charakterisieren, als eine Eingabe empfängt, um
das zweite Beugungssignal zu erzeugen. Das erste und das zweite Beugungssignal
werden verglichen. Wenn das erste und das zweite Beugungssignal
innerhalb eines Übereinstimmungskriteriums
liegen, wird auf Grundlage des einen oder der mehreren Parameter
des Profils, die durch das Maschinenlernsystem verwendet werden,
um das zweite Beugungssignal zu erzeugen, ein Merkmal der Struktur
bestimmt.
-
BESCHREIBUNG
DER ZEICHNUNGEN
-
Die
vorliegende Erfindung kann am besten unter Bezugnahme auf die folgende
Beschreibung in Verbindung mit den begleitenden Zeichnungen verstanden
werden, in denen gleiche Teile durch gleiche Bezugszeichen bezeichnet
sein können:
-
1 zeigt
schematisch ein beispielhaftes optisches Messsystem;
-
2A-2E zeigen
schematisch beispielhafte Profile;
-
3 zeigt
schematisch ein beispielhaftes neuronales Netz;
-
4 zeigt
schematisch einen beispielhaften Trainingsprozess eines Maschinenlernsystems;
-
5 zeigt
schematisch einen beispielhaften Testprozess eines Maschinenlernsystems;
-
6 zeigt
schematisch einen beispielhaften Prozess des Bestimmens eines Merkmals
einer Struktur unter Verwendung eines Maschinenlernsystems;
-
7 zeigt
schematisch einen beispielhaften Prozess des Bestimmens eines Merkmals
einer Struktur unter Verwendung eines Maschinenlernsystems in einem
bibliotheksbasierten Prozess;
-
8 zeigt
schematisch ein beispielhaftes System zum Bestimmen eines Merkmals
einer Struktur unter Verwendung eines Maschinenlernsystems in einem
bibliotheksbasierten System;
-
9 zeigt
schematisch einen beispielhaften Prozess des Bestimmens eines Merkmals
einer Struktur unter Verwendung eines Maschinenlernsystems in einem
regressionsbasierten Prozess; und
-
10 zeigt
schematisch ein beispielhaftes System zum Bestimmen eines Merkmals
einer Struktur unter Verwendung eines Maschinenlernsystems in einem
regressionsbasierten System.
-
GENAUE BESCHREIBUNG
-
Die
folgende Beschreibung stellt zahlreiche bestimmte Konfigurationen,
Parameter und Ähnliches
heraus. Es sollte klar sein, dass eine solche Beschreibung jedoch
nicht dazu vorgesehen ist, eine Begrenzung des Umfangs der vorliegenden
Erfindung darzustellen, sondern vielmehr als eine Beschreibung von
beispielhaften Ausführungsformen angegeben
ist.
-
1. Messung
-
Unter
Bezugnahme auf die 1, kann ein Messsystem 100 verwendet
werden, um eine Struktur zu untersuchen und zu analysieren. Beispielsweise
kann ein Messsystem 100 verwendet werden, um ein Merkmal
eines auf einem Wafer 104 gebildeten periodischen Gitters 102 zu
bestimmen. Wie zuvor beschrieben, kann das periodische Gitter 102 in
Testbereichen auf dem Wafer 104 gebildet sein, wie beispielsweise
benachbart zu einer auf dem Wafer 104 gebildeten Vorrichtung.
Alternativ kann das periodische Gitter 102 in einem Bereich
der Vorrichtung gebildet sein, der sich nicht mit dem Betrieb der
Vorrichtung überschneidet,
oder es kann entlang von Schneidlinien auf dem Wafer 104 gebildet
sein.
-
Wie
in der 1 gezeigt, kann das Messsystem 100 eine
Messvorrichtung mit einer Quelle 106 und einem Detektor 112 enthalten.
Das periodische Gitter 102 wird durch einen einfallenden
Strahl 108 von der Quelle 106 illuminiert. In
der vorliegenden beispielhaften Ausführungsform wird der ein fallende Strahl 108 mit
einem Einfallswinkel von θi in Bezug auf die Normale n des periodischen
Gitters 102 und einem Azimuthwinkel Φ (d.h. der Winkel zwischen der
Ebene des einfallenden Strahls 108 und der Richtung der
Periodizität
des periodischen Gitters 102) auf das periodische Gitter 102 gerichtet.
Ein gebeugter Strahl 110 entsteht in einem Winkel von θd in Bezug auf die Normale n und wird durch
den Detektor 112 empfangen. Der Detektor 112 konvertiert
den gebeugten Strahl 110 in ein gemessenes Beugungssignal,
das eine Reflektionsgrad, tan (Ψ),
cos (Δ),
Fourierkoeffizienten und Ähnliches
enthalten kann.
-
Das
Messsystem 100 enthält
auch ein Verarbeitungsmodul 114, das konfiguriert ist,
um das gemessene Beugungssignal zu empfangen und das gemessene Beugungssignal
zu analysieren. Wie unten beschrieben, kann ein Merkmal des periodischen
Gitters 102 dann unter Verwendung eines bibliotheksbasieren
Prozesses oder eines regressionsbasierten Prozesses bestimmt werden.
Zusätzlich
werden auch andere lineare oder nichtlineare Profilerkennungstechniken
in Betracht gezogen.
-
2. Bibliotheksbasierter
Prozess
-
In
einem bibliotheksbasierten Prozess wird das gemessene Beugungssignal
mit einer Bibliothek von Beugungssignalen verglichen. Genauer wird
jedes Beugungssignal in der Bibliothek mit einem Profil der Struktur
verknüpft.
Wenn eine Übereinstimmung zwischen
dem gemessenen Beugungssignal und einem der Beugungssignale in der
Bibliothek hergestellt wird oder wenn die Differenz des gemessenen Beugungssignals
und eines der Beugungssignale in der Bibliothek innerhalb eines
vorbestimmten Übereinstimmungskriteriums
liegt, wird angenommen, dass das mit dem übereinstimmenden Beugungssignal
in der Bibliothek verknüpfte
Profil das tatsächliche Profil
der Struk tur wiedergibt. Ein Merkmal der Struktur kann dann basierend
auf dem mit dem übereinstimmenden
Beugungssignal verknüpften
Profil bestimmt werden.
-
Unter
nochmaliger Bezugnahme auf die 1 vergleicht
in einer beispielhaften Ausführungsform
dementsprechend das Verarbeitungsmodul 114 nach Erhalten
eines gemessenen Beugungssignals das gemessene Beugungssignal mit
den in einer Bibliothek 116 gespeicherten Beugungssignalen.
Jedes Beugungssignal in der Bibliothek 116 wird mit einem
Profil verknüpft.
Wenn eine Übereinstimmung zwischen
dem gemessenen Beugungssignal und einem der Beugungssignale in der
Bibliothek 116 hergestellt ist, kann angenommen werden,
dass das mit dem übereinstimmenden
Beugungssignal in der Bibliothek 116 verknüpfte Profil
das tatsächliche
Profil des periodischen Gitters 102 wiedergibt.
-
Der
in der Bibliothek 116 gespeicherte Satz von Profilen kann
durch Charakterisieren eines Profils unter Verwendung eines Satzes
von Parametern erzeugt werden, wobei nachfolgend der Satz von Parametern
variiert wird, um Profile mit variierenden Formen und Abmessungen
zu erzeugen. Der Prozess des Charakterisierens eines Profils unter
Verwendung eines Satzes von Parametern kann als Parametrisierung
bezeichnet werden.
-
Beispielsweise
wird, wie in der 2A gezeigt, angenommen, dass
das Profil 200 durch Parameter h1 und w1 charakterisiert
werden kann, welche jeweils seine Höhe und seine Breite definieren.
Wie in den 2B bis 2E gezeigt,
können
zusätzliche
Formen und Merkmale des Profils 200 durch Erhöhen der
Anzahl der Parameter charakterisiert werden, beispielsweise kann,
wie in der 2B gezeigt, das Profil 200 durch
Parameter h1, w1 und w2 charakterisiert werden, welche jeweils seine
Höhe, seine untere
Breite und seine obere Breite definieren. Anzumerken ist, dass die
Breite des Profils 200 als die Critical Dimension (kritische
Abmessung, CD) bezeichnet werden kann. Beispielsweise können in
der 2B die Parameter w1 und w2 als jeweils die untere
CD und die obere CD des Profils definierend beschrieben werden.
Es sollte klar sein, dass verschiedene Typen von Parametern verwendet
werden können,
um das Profil 200 zu charakterisieren, einschließlich Einfallswinkel
(angle of incident, AOI), Pitch, n & k, Hardwareparameter (beispielsweise
Polarisationsfilterwinkel) und Ähnliches.
-
Wie
oben beschrieben, kann der in der Bibliothek 116 gespeicherte
Satz von Profilen (1) durch Variieren der das Profil
charakterisierenden Parameter erzeugt werden. Beispielsweise können unter
Bezugnahme auf die 2B durch Variieren der Parameter
h1, w1 und w2 Profile mit variierenden Formen und Abmessungen erzeugt
werden. Anzumerken ist, dass ein, zwei oder alle drei Parameter relativ
zueinander variiert werden können.
-
Dementsprechend
können
die Parameter der mit einem übereinstimmenden
Beugungssignal verknüpften
Profile verwendet werden, um ein Merkmal der untersuchten Struktur
zu bestimmen. Beispielsweise kann ein Parameter des Profils entsprechend
einer untere CD verwendet werden, um die untere CD der untersuchten
Struktur zu bestimmen.
-
Unter
nochmaliger Bezugnahme auf die 1 hängt die
Anzahl von Profilen und entsprechenden Beugungssignalen in dem in
der Bibliothek 116 gespeicherten Satz von Profilen und
Beugungssignalen (beispielsweise die Auflösung und/oder der Bereich der
Bibliothek 116) zum Teil von dem Bereich ab, über dem
der Satz von Parametern variiert wird, und von der Schrittweite,
mit welcher der Satz von Parametern variiert wird. In einer beispielhaften
Ausführungsform
werden die in der Bibliothek 116 gespeicherten Profile
und Beugungssignale erzeugt, bevor ein gemessenes Beugungssignal
von einer tatsächlichen
Struktur erhalten wird. Dementsprechend kann der Bereich und die
Schrittweite (d.h. der Bereich und die Auflösung), die beim Erzeugen der
Bibliothek 116 verwendet werden, basierend auf einer Ähnlichkeit
mit dem Herstellungsprozess für
eine Struktur und dem wahrscheinlichen Varianzbereich ausgewählt werden.
Der Bereich und/oder die Auflösung
der Bibliothek 116 können
auch basierend auf empirischen Messungen, wie beispielsweise Messungen
unter Verwendung von Atomkraftmikroskopie (atomic force microscopy,
AFM), Rasterelektronenmikroskopie (REM) und Ähnlichem ausgewählt werden.
-
Eine
genauere Beschreibung eines bibliotheksbasierten Prozesses kann
dem US-Patent, Anmeldungs-Nummer 09/907,488, mit dem Titel GENERATION
OF A LIBRARY OF PERIODIC GRATING DIFFRACTION SIGNALS, eingereicht
am 16. Juli 2001 entnommen werden, das hierin in seiner Gesamtheit
durch Bezugnahme eingeschlossen wird.
-
3. Regressionsbasierter
Prozess
-
In
einem regressionsbasierten Prozess wird das gemessene Beugungssignal
mit einem vor dem Vergleich erzeugten Beugungssignal (d.h. einem Versuchsbeugungssignal)
unter Verwendung eines Satzes von Parametern (d.h. Versuchsparametern) für ein Profil
verglichen. Falls das gemessene Beugungssignal und das Versuchsbeugungssignal
nicht übereinstimmen
oder wenn die Differenz des gemessenen Beugungssignals und des Versuchsbeugungssignals
nicht innerhalb eines vorbestimmten oder eines Übereinstimmungs-Kriteriums
liegt, wird ein anderes Versuchsbeugungssignal unter Verwendung
eines anderen Satzes von Parametern für ein anderes Profil erzeugt,
wobei dann das gemessene Beugungssignal und das neu erzeugte Versuchsbeugungssignal
verglichen werden. Wenn das gemessene Beugungssignal und das Versuchsbeugungssignal übereinstimmen
oder wenn die Differenz des gemessenen Beugungssignals und des Versuchsbeugungssignals
innerhalb eines vorbestimmten oder eines Übereinstimmungs-Kriteriums
liegt, wird angenommen, dass das mit dem übereinstimmenden Versuchsbeugungssignal
verknüpfte
Profil das tatsächliche
Profil der Struktur wiedergibt. Das mit dem übereinstimmenden Versuchsbeugungssignal
verknüpfte Profil
kann dann verwendet werden, um ein Merkmal der untersuchten Struktur
zu bestimmen.
-
Dementsprechend
kann, unter Bezugnahme wiederum auf die 1, bei einer
beispielhaften Ausführungsform
das Verarbeitungsmodul 114 ein Versuchsbeugungssignal für ein Profil
erzeugen. und dann das gemessene Beugungssignal mit dem Versuchsbeugungssignal
vergleichen. Wie oben beschrieben, kann, falls das gemessene Beugungssignal
und das Versuchsbeugungssignal nicht übereinstimmen oder wenn die
Differenz des gemessenen Beugungssignals und des Versuchsbeugungssignals nicht
innerhalb eines vorbestimmten Kriteriums oder eines Übereinstimmungs-Kriteriums
liegt, dann das Verarbeitungsmodul 114 iterativ ein anderes
Versuchsbeugungssignal für
ein anderes Profil erzeugen. In einer beispielhaften Ausführungsform
kann das nachfolgend erzeugte Versuchsbeugungssignal unter Verwendung
eines Optimierungsalgorithmus erzeugt werden, wie beispielsweise
globalen Optimierungstechniken, die ein simuliertes Glühen (simulated
annealing) und lokale Optimierungstechniken umfassen, die ein Gradientenverfahren
mit steilstem Abstieg (steepest descent algorithm) umfassen.
-
In
einer beispielhaften Ausführungsform
können
die Versuchsbeugungssignale und Profile in einer Bibliothek 116 (d.h.
einer dynamischen Bibliothek) gespeichert sein. Die in der Bibliothek 116 gespeicherten
Versuchsbeugungssignale und Profile können dann nachfolgend beim
Suchen einer Übereinstimmung
mit dem gemessenen Beugungssignal verwendet werden. Alternativ kann
die Bibliothek 116 bei dem Messsystem 100 weggelassen
werden.
-
Für eine genauere
Beschreibung eines regressionsbasierten Prozesses wird auf die US-Patentanmeldung,
Nummer 09/923,578, mit dem Titel METHOD AND SYSTEM OF DYNAMIC LEARNING THROUGH
A REGRESSION-BASED LIBRARY GENERATION PROCESS, eingereicht am 6.
August 2001, verwiesen, die hierin durch Bezugnahme in ihrer Gesamtheit
aufgenommen wird.
-
4. Maschinenlernsysteme
-
Unter
Bezugnahme auf die 1 werden in einer beispielhaften
Ausführungsform
Beugungssignale, die in einem bibliotheksbasierten Prozess und/oder
einem regressionsbasierten Prozess verwendet werden, unter Verwendung
eines Maschinenlernsystems 118 erzeugt, das einen Maschinenlernalgorithmus,
wie beispielsweise Rückwärtspropagierung
(back propagation), Radial-Basis-Funktion (radial basis function),
Stützvektor
(support vector), Kern-Regression (kernel regression) und Ähnliches umfasst.
Für eine
genauere Beschreibung von Maschinenlernsystemen und Algorithmen
wird auf „Neural
Networks" von Simon
Haykin, Prentice Hall, 1999, verwiesen, die hierin durch Bezugnahme
in ihrer Gesamtheit aufgenommen wird.
-
In
der vorliegenden beispielhaften Ausführungsform empfängt das
Maschinenlernsystem 118 ein Profil als eine Eingabe und
erzeugt ein Beugungssignal als eine Ausgabe. Obwohl in der 1 das
Maschinenlernsystem 118 als eine Komponen te des Verarbeitungsmoduls 114 gezeigt
ist, sollte bemerkt werden, dass das Maschinenlernsystem 118 ein
separates Modul sein kann. Darüber
hinaus können,
wenn das Maschinenlernsystem 118 als ein Teil eines bibliotheksbasierten
Prozesses verwendet wird, die Beugungssignale in der Bibliothek 116 im Voraus
durch das Maschinenlernsystem 118 erzeugt werden. Als solches
kann das Maschinenlernsystem 118 ein separates Modul sein,
das nicht mit dem Verarbeitungsmodul 114 verbunden ist.
Im Gegensatz dazu ist, wenn das Maschinenlernsystem 118 als
ein Teil eines regressionsbasierten Prozesses verwendet wird, das
Maschinenlernsystem 118 mit dem Verarbeitungsmodul 114 sogar
dann verbunden, wenn das Maschinenlernsystem 118 eher ein
separates Modul als eine Komponente des Verarbeitungsmoduls 114 ist.
-
Unter
Bezugnahme auf die 3 ist in einer beispielhaften
Ausführungsform
das Maschinenlernsystem ein neuronales Netz 300, das einen
Rückwärtspropagierungs-Algorithmus
verwendet. Das neuronale Netz 300 enthält eine Eingabeebene 302, eine
Ausgabeebene 304 und zwischen der Eingabeebene 302 und
der Ausgabeebene 304 eine versteckte Ebene 306.
Die Eingabeebene 302 und die versteckte Ebene 306 sind
unter Verwendung von Verknüpfungen
(links) 308 verbunden. Die versteckte Ebene 306 und
die Ausgabeebene 304 sind unter Verwendung von Verknüpfungen 310 verbunden.
Es sollte jedoch klar sein, dass das neuronale Netz 300 eine
beliebige Anzahl von in unterschiedlichen Konfigurationen verbundenen
Ebenen enthalten kann.
-
Wie
in der 3 gezeigt, enthält die Eingabeebene 302 einen
oder mehrere Eingabeknoten 312. In der vorliegenden beispielhaften
Ausführungsform
entspricht ein Eingabeknoten 312 in der Eingabeebene 302 einem
Parameter des Profils, das in das neuronale Netz 300 eingegeben
wird. Demzufolge ent spricht die Anzahl von Eingabeknoten 312 der Anzahl
von zur Charakterisierung des Profils verwendeten Parametern. Falls
beispielsweise ein Profil unter Verwendung von zwei Parametern (beispielsweise
obere und untere Breite) charakterisiert wird, enthält die Eingabeebene 302 zwei
Eingabeknoten 312, wobei ein erster Eingabeknoten 312 einem
ersten Parameter (beispielsweise einer oberen Breite) entspricht
und ein zweiter Eingabeknoten 312 einem zweiten Parameter
(beispielsweise einer untere Breite) entspricht.
-
In
dem neuronalen Netz 300 enthält die Ausgabeebene 304 einen
oder mehreren Ausgabeknoten 314. In der vorliegenden beispielhaften
Ausführungsform
ist jeder Ausgabeknoten 314 eine lineare Funktion. Es sollte
jedoch klar sein, dass jeder Ausgabeknoten 314 unterschiedliche
Typen von Funktionen aufweisen kann. Zusätzlich entspricht in der vorliegenden
beispielhaften Ausführungsform
ein Ausgabeknoten 314 in der Ausgabeebene 304 einer
Dimension des von dem neuronalen Netz 300 ausgegebenen
Beugungssignals. Dementsprechend entspricht die Anzahl der Ausgabeknoten 314 der
Anzahl von Dimensionen, die verwendet werden, um das Beugungssignal
zu charakterisieren. Falls beispielsweise ein Beugungssignal unter
Verwendung von fünf
Dimensionen entsprechend beispielsweise fünf verschiedenen Wellenlängen charakterisiert wird,
enthält
die Ausgabeebene 304 fünf
Ausgabeknoten 314, wobei ein erster Ausgabeknoten 314 einer
ersten Dimension (beispielsweise einer ersten Wellenlänge) entspricht,
ein zweiter Ausgabeknoten 314 einer zweiten Dimension (beispielsweise
einer zweiten Wellenlänge)
entspricht, etc.
-
In
dem neuronalen Netz 300 enthält die versteckte Ebene 306 einen
oder mehrere versteckte Knoten 316. In der vorliegenden
beispielhaften Ausführungsform
ist jeder versteckte Knoten 316 eine sigmoidale Übertragungsfunktion
oder eine Ra dial-Basis-Funktion. Es sollte jedoch klar sein, dass
jeder versteckte Knoten 316 unterschiedliche Typen von
Funktionen aufweisen kann. Zusätzlich
ist in der vorliegenden beispielhaften Ausführungsform die Anzahl von versteckten
Knoten 316 basierend auf der Anzahl von Ausgabeknoten 314 festgelegt.
Genauer ist die Anzahl von versteckten Knoten 316 (m) auf
die Anzahl der Ausgabeknoten 314 (n) durch ein vorbestimmtes
Verhältnis
(r = m/n) bezogen. Wenn beispielsweise r = 10, dann sind zehn versteckte
Knoten 316 für
jeden Ausgabeknoten 314 vorhanden. Es sollte jedoch klar
sein, dass das vorbestimmte Verhältnis
ein Verhältnis
von Ausgabeknoten 314 zu der Anzahl von versteckten Knoten 316 sein
kann (d.h. r = n/m). Zusätzlich
sollte klar sein, dass die Anzahl von versteckten Knoten 316 in
dem neuronalen Netz 300 nach der Festlegung der anfänglichen
Anzahl von versteckten Knoten 316 basierend auf dem vorbestimmten
Verhältnis
eingestellt werden kann. Weiterhin kann die Anzahl von versteckten
Knoten 316 in dem neuronalen Netz 300 basierend
auf Erfahrung und/oder Versuch anstatt basierend auf dem vorbestimmten
Verhältnis
bestimmt werden.
-
Vor
einer Verwendung eines Maschinenlernsystems zur Erzeugung eines
Beugungssignals wird das Maschinenlernsystem trainiert. Unter Bezugnahme
auf die 4 wird ein beispielhafter Prozess 400 für ein Trainieren
eines Maschinenlernsystems gezeigt. In dem beispielhaften Prozess 400 wird
das Maschinenlernsystem unter Verwendung eines Satzes von Trainingseingabedaten
und eines Satzes von Trainingsausgabedaten trainiert, wobei eine
Eingabeinformation in dem Satz von Trainingseingabedaten eine entsprechende
Ausgabeinformation in dem Satz von Trainingsausgabedaten aufweist,
um ein Eingabe- und Ausgabe-Datenpaar zu bilden.
-
Bei 402 wird
der Satz von Trainingseingabedaten erhalten. In der vorliegenden
beispielhaften Ausführungsform
enthalten die Trainingseingabedaten einen Satz von Profilen. Wie
oben beschrieben, wird ein Profil unter Verwendung eines Satzes
von Parametern charakterisiert. Ein Bereich von Profilen kann durch
Variieren eines oder mehrerer ein Profil charakterisierender Parameter
erzeugt werden, entweder alleine oder in Kombination. Ein Gesamtbereich
von zu erzeugenden Profilen wird basierend auf dem erwarteten Variabilitätsbereich
des tatsächlichen
Profils der untersuchten Struktur bestimmt, wobei der Variabilitätsbereich
entweder empirisch oder durch Versuch bestimmt wird. Falls beispielsweise das
tatsächliche
Profil der zu untersuchenden Struktur so eingeschätzt wird,
dass es eine untere Breite aufweist, die zwischen x1 und
x2 variieren kann, kann dann der Gesamtbereich
von Profilen durch Variieren der der unteren Breite entsprechenden
Parameter zwischen x1 und x2 erzeugt
werden.
-
In
einer beispielhaften Ausführungsform
wird der zum Trainieren des Maschinenlernsystems verwendete Satz
von Profilen aus dem Gesamtbereich von zu erzeugenden Profilen ausgewählt. Genauer wird
der Trainingsdatensatz unter Verwendung einer Zufallsabtastung (random
sampling) des Gesamtbereichs von Profilen ausgewählt. Es sollte klar sein, dass
verschiedene Abtasttechniken verwendet werden können, um den Trainingsdatensatz
auszuwählen,
wie beispielsweise ein systematisches Abtasten (systematic sampling),
eine Kombination von zufälligem
und systematischen Abtasten und Ähnliches.
-
In
der vorliegenden beispielhaften Ausführungsform wird der Gesamtbereich
von zu erzeugenden Profilen in zwei oder mehr Partitionen unterteilt. Für jede der
Partitionen wird ein Maschinenlernsystem konfiguriert und trainiert.
Beispielsweise wird angenommen, dass der Gesamtbereich in eine erste Partition
und eine zweite Partition aufgeteilt wird. Dementsprechend wird
in diesem Beispiel ein erstes Maschinenlernsystem für die erste
Partition konfiguriert und trainiert und ein zweites Maschinenlernsystem
wird für
die zweite Partition konfiguriert und trainiert. Ein Vorteil des
Partitionierens des Gesamtbereichs und Verwendens mehrerer Maschinenlernsysteme
ist, dass eine parallele Verarbeitung verwendet werden kann (beispielsweise
können
die zwei Maschinenlernsysteme parallel trainiert und verwendet werden).
Ein anderer Vorteil ist, dass jedes der Maschinenlernsysteme bezüglich ihrer
jeweiligen Partitionen genauer sein kann als ein einzelnes Maschinenlernsystem
für den
Gesamtbereich. Genauer kann ein für den gesamten Bereich trainiertes
einzelnes Maschinenlernsystem für
ein lokales Minimum unempfindlicher sein, wobei dies die Genauigkeit
des Maschinenlernsystems reduzieren kann.
-
Wenn
der Gesamtbereich partitioniert ist, können die Partitionen die gleiche
Größe oder
unterschiedliche Größen aufweisen.
Wenn die Partitionen unterschiedliche Größen aufweisen, können die
Größen der
Partitionen basierend auf der Dichte der Daten innerhalb der Partitionen
bestimmt werden. Beispielsweise kann eine weniger dichte Partition
größer sein
als eine dichtere Partition. Es sollte klar sein, dass die Anzahl
und die Größe der Partitionen
in Abhängigkeit
von der Anwendung variieren können.
-
Bei 404 wird
der Satz von Trainingsausgabedaten erhalten. In der vorliegenden
beispielhaften Ausführungsform
enthalten die Trainingsausgabedaten einen Satz von Beugungssignalen.
Ein Beugungssignal in dem als die Trainingsausgabedaten verwendeten
Satz von Beugungssignalen entspricht einem Profil in dem als die
Trainingseingabedaten verwendeten Satz von Profilen. Jedes Beugungssignal
in dem Satz von Beugungs signalen kann basierend auf jedem Profil
in dem Satz von Profilen unter Verwendung einer Modellierungstechnik
erzeugt werden, wie beispielsweise einer Rigorosen Beugungsanalyse
(RCWA), einem Integralverfahren, einem Fresnel-Verfahren, einer
Finite Analyse (finite analysis), einer Modalanalyse und Ähnlichem.
Alternativ kann jedes Beugungssignal in dem Satz von Beugungssignalen
basierend auf jedem Profil in dem Satz von Profilen unter Verwendung
einer empirischen Technik erzeugt werden, wie beispielsweise Messen
eines Beugungssignals unter Verwendung einer Messvorrichtung, wie
beispielsweise einem Ellipsometer, einem Reflektometer, einem Rasterkraftmikroskop
(AFM), einem Rasterelektronmikroskop (REM) und Ähnlichem. Demzufolge bilden
ein Profil aus dem Satz von Profilen und das entsprechende Beugungssignal
aus dem Satz von Beugungssignalen ein Profil/Beugungssignal-Paar.
Obwohl eine Eins-zu-Eins-Entsprechung zwischen einem Profil und
einem Beugungssignal bei dem Profil/Beugungssignal-Paar vorhanden
ist, ist anzumerken, dass keine Notwendigkeit dafür besteht,
dass eine bekannte Relation, entweder eine analytische oder eine
numerische, zwischen dem Profil und dem Beugungssignal in dem Profil/Beugungssignal-Paar
besteht.
-
In
einer beispielhaften Ausführungsform
wird vor dem Verwenden des Satzes von Beugungssignalen zum Trainieren
des Maschinenlernsystems, der Satz von Beugungssignalen unter Verwendung
einer Hauptkomponentenanalyse (principal component analysis, PCA)
transformiert. Genauer kann ein Beugungssignal unter Verwendung
einer Anzahl von Dimensionen, wie beispielsweise einer Anzahl von
verschiedenen Wellenlängen,
charakterisiert werden. Durch Verwenden der PCA, um den Satz von
Beugungssignalen zu transformieren, werden die Beugungssignale in
unabhängige
Dimensionen transformiert, wobei der Raum der unabhängigen Dimensionen
kleiner als der Raum der ursprünglichen
Dimensionen ist. Nachdem das Maschinenlernsystem trai niert wurde,
können
die Beugungssignale zurück transformiert
werden.
-
In
der vorliegenden beispielhaften Ausführungsform können die
Dimensionen der Beugungssignale in zwei oder mehr Partitionen geteilt
werden. Für
jede der Partitionen wird ein Maschinenlernsystem konfiguriert und
trainiert. Beispielsweise wird angenommen, dass die Dimensionen
in eine erste und eine zweite Partition geteilt werden. Dementsprechend
wird in diesem Beispiel ein erstes Maschinenlernsystem für die erste
Partition konfiguriert und trainiert und ein zweites Maschinenlernsystem
wird für die
zweite Partition konfiguriert und trainiert. Wiederum ist ein Vorteil
des Partitionierens der Dimensionen und des Verwendens mehrerer
Maschinenlernsysteme, dass eine parallele Verarbeitung angewendet werden
kann (beispielsweise können
die zwei Maschinenlernsysteme parallel trainiert und verwendet werden).
Ein anderer Vorteil ist, dass alle dieser Maschinenlernsysteme bezüglich ihrer
jeweiligen Partitionen genauer sein können als ein einzelnes Maschinenlernsystem.
-
Bei 406 wird
für ein
Profil aus dem als die Trainingseingabedaten verwendeten Satz von
Profilen ein Beugungssignal unter Verwendung des Maschinenlernsystems
erzeugt. Bei 408 wird das erzeugte Beugungssignal mit dem
Beugungssignal aus dem Satz von Beugungssignalen verglichen, das dem
Profil entspricht. Wenn die Differenz zwischen den Beugungssignalen
nicht innerhalb eines gewünschten
oder vorbestimmten Fehlerbereichs ist, werden 406 und 408 mit
einem anderen Profil aus dem als die Trainingseingabedaten verwendeten Satz
von Profilen wiederholt. Wenn die Differenz zwischen den Beugungssignalen
innerhalb eines gewünschten
oder eines vorbestimmten Fehlerbereichs ist, wird bei 410 der
Trainingsprozess beendet.
-
Es
sollte klar sein, dass der Trainingsprozess 400 die Verwendung
einer Optimierungstechnik einschließen kann, wie beispielsweise
einen Gradientenabstieg, eine lineare Programmierung (linear programming),
eine quadratische Programmierung (quadratic programming), eine simulierte
Glühung, einen
Marquardt-Levenberg Algorithmus und Ähnliches. Zusätzlich kann
der Trainingsprozess 400 als ein diskontinuierliches Verfahren
ausgeführt
werden. Für
eine genauere Beschreibung eines diskontinuierlichen Verfahrens
wird auf „Neural
Networks" von Simon
Haykin verwiesen, das weiter oben zitiert wurde.
-
Außerdem zeigt
der in der 4 gezeigte Trainingsprozess 400 einen
Rückwärtspropagierungsalgorithmus.
Es sollte jedoch angemerkt werden, dass verschiedene Trainingsalgorithmen
verwendet werden können,
wie beispielsweise ein Radial-Basis-Netzwerk, Stützvektor, Kernregression und Ähnliches.
-
Unter
Bezugnahme auf die 5 ist ein beispielhafter Prozess 500 zum
Testen eines Maschinenlernsystems gezeigt. In einer beispielhaften
Ausführungsform
kann, nachdem ein Maschinenlernsystem trainiert wurde, das Maschinenlernsystem
getestet werden, um zu bestätigen,
dass es richtig trainiert wurde. Es sollte jedoch angemerkt werden,
dass dieser Testprozess bei einigen Anwendungen ausgelassen werden
kann.
-
Bei 502 wird
ein Satz von Testeingabedaten erhalten. Bei 504 wird ein
Satz von Testausgabedaten erhalten. In der vorliegenden beispielhaften
Ausführungsform
enthalten die Testeingabedaten einen Satz von Profilen und die Testausgabedaten
enthalten einen Satz von Beugungssignalen. Der Satz von Testeingabedaten
und der Satz von Testausgabedaten können un ter Verwendung der gleichen
Prozesse und Techniken erhalten werden, die oben im Zusammenhang
mit dem Trainingsprozess beschrieben wurden. Der Satz von Testeingabedaten
und der Satz von Testausgabedaten kann der gleiche oder ein Teilsatz
der Trainingseingabedaten und der Trainingsausgabedaten sein. Alternativ
kann der Satz von Testeingabedaten und der Satz von Testausgabedaten gegenüber den
Trainingseingabedaten und den Trainingsausgabedaten verschieden
sein.
-
Bei 506 wird
für ein
Profil aus dem als die Testeingabedaten verwendeten Satz von Profilen
ein Beugungssignal unter Verwendung eines Maschinenlernsystems erzeugt.
Bei 508 wird das erzeugte Beugungssignal mit dem dem Profil
entsprechenden Beugungssignal aus dem Satz von Beugungssignalen
in den Testausgabedaten verglichen. Wenn der Unterschied zwischen
den Beugungssignalen nicht innerhalb eines gewünschten oder eines vorbestimmten
Fehlerbereichs ist, wird bei 510 das Maschinenlernsystem
nochmals trainiert. Wenn das Maschinenlernsystem nochmals trainiert
wird, kann der Trainingsprozess angepasst werden. Beispielsweise kann
die Auswahl und die Anzahl der Trainingseingabe- und Trainingsausgabe-Variablen
angepasst werden. Zusätzlich
kann das Maschinenlernsystem angepasst werden. Wenn beispielsweise
das Maschinenlernsystem wie oben beschrieben ein neuronales Netz
ist, kann die Anzahl von versteckten Knoten angepasst werden. Wenn
der Unterschied zwischen den Beugungssignalen innerhalb eines gewünschten oder
eines vorbestimmten Fehlerbereichs ist, wird bei 512 der
Testprozess abgeschlossen.
-
Eine
empirische Risikominimierungs-(empirical risk minimization, ERM)-Technik
kann verwendet werden, um zu quantifizieren, wie gut das trainierte Maschinenlernsystem
die neue Eingabe verallgemeinern kann. Eine genauere Beschreibung
der ERM ist in „Statistical
Learning Theory" von
Vladimir N. Vap nik, Wiley-Interscience, September 1998, enthalten, die
hierin durch Bezugnahme in ihrer Gesamtheit aufgenommen wird.
-
Nachdem
das Maschinenlernsystem trainiert und getestet wurde, kann das Maschinenlernsystem verwendet
werden, um Beugungssignale für
eine Verwendung bei der Analyse einer auf einem Halbleiterwafer
gebildeten Struktur zu erzeugen. Wiederum sollte angemerkt werden,
dass der Testprozess bei einigen Anwendungen weggelassen werden
kann.
-
Unter
Bezugnahme auf die 6 ist ein beispielhafter Prozess 600 für das Verwenden
eines Maschinenlernsystems gezeigt, um eine auf einem Halbleiterwafer
gebildete Struktur zu untersuchen. Bei 602 wird ein gemessenes
Beugungssignal für
die Struktur unter Verwendung einer Messvorrichtung erhalten. Bei 604 wird
ein erzeugtes Beugungssignal unter Verwendung des Maschinenlernsystems
erhalten. Bei 606 werden die Beugungssignale verglichen. Bei 607 wird
ein Merkmal der Struktur basierend auf dem Vergleich des gemessenen
und des erzeugten Beugungssignals bestimmt.
-
Genauer
wird, wie oben beschrieben, ein Profil entsprechend dem erzeugten
Beugungssignal als eine Eingabe für das Maschinenlernsystem verwendet,
um das erzeugte Beugungssignal zu erzeugen. Das Profil ist durch
einen oder mehrere Parameter charakterisiert. Dementsprechend kann,
wenn das erzeugte Beugungssignal mit dem gemessenen Beugungssignal
innerhalb eines Übereinstimmungskriteriums übereinstimmt,
das Profil, und demzufolge kann der eine oder können die mehreren das Profil charakterisierende
Parameter, verwendet werden, um ein Merkmal der Struktur zu bestimmen.
-
Unter
Bezugnahme auf die 7 ist ein beispielhafter Prozess 700 zur
Verwendung eines Maschinenlernsystems in einem bibliotheksbasierten Prozess
gezeigt. Bei 702 wird eine Bibliothek von Beugungssignalen
unter Verwendung des Maschinenlernsystems erzeugt. Genauer wird
die Bibliothek der Beugungssignale durch Eingabe eines Bereichs von
Profilen in das Maschinenlernsystem erzeugt. Bei 704 wird
ein gemessenes Beugungssignal unter Verwendung einer Messvorrichtung
erhalten, wie beispielsweise einem Ellipsometer, Reflektometer und Ähnlichem.
Bei 706 wird das gemessene Beugungssignal mit den Beugungssignalen
aus der unter Verwendung des Maschinenlernsystems erzeugten Bibliothek
von Beugungssignalen verglichen. Bei 708 wird ein Merkmal
der Struktur unter Verwendung des Profils, das dem übereinstimmenden
Beugungssignal aus der Bibliothek der Beugungssignale entspricht,
bestimmt.
-
Unter
Bezugnahme auf die 8 ist ein beispielhaftes System 800 zur
Verwendung eines Maschinenlernsystems in einem bibliotheksbasierten System
gezeigt. Wie in der 8 gezeigt, wird die Bibliothek 116 unter
Verwendung des Maschinenlernsystems 118 erzeugt. Die Bibliothek 116 wird
dann von dem Verarbeitungsmodul 114 verwendet, um die Beugungssignale
in der Bibliothek 116 mit von einer Messvorrichtung 802,
wie beispielsweise einem Ellipsometer, einem Reflektometer und Ähnlichem,
erhaltenen Beugungssignalen zu vergleichen. Es sollte angemerkt
werden, dass, obwohl das Maschinenlernsystems 118 als eine
separate Einheit in der 8 gezeigt ist, das Maschinenlernsystem 118 als eine
Komponente eines Verarbeitungsmoduls 114 integriert sein
kann. Zusätzlich
kann das Maschinenlernsystem 118 mit dem Verarbeitungsmodul 114 verbunden
sein, um die Bibliothek 116 zu dem Verarbeitungsmodul 114 zu übertragen,
beispielsweise durch eine Netzwerkverbindung. Alternativ kann die
Bibliothek 116 auf einem tragbaren Speichermedium gespeichert
sein und physikalisch zu dem Verarbeitungsmodul 114 transportiert
werden.
-
Weiterhin
kann, wie in der 8 gezeigt, das Verarbeitungsmodul 114 mit
einer Halbleiterherstellungseinheit 804 verbunden sein,
die konfiguriert ist, um einen oder mehrere Herstellungsschritte
auszuführen.
Es sollte jedoch angemerkt werden, dass das Messsystem als ein unabhängiges System
arbeiten kann, zusätzlich
zu einem Integriertsein in der Halbleiterherstellungseinheit 804.
-
Unter
Bezugnahme auf die 9 ist ein beispielhafter Prozess 900 zur
Verwendung eines Maschinenlernsystems in einem regressionsbasierten Prozess
gezeigt. Bei 902 wird ein gemessenes Beugungssignal unter
Verwendung einer Messvorrichtung, wie beispielsweise einem Ellipsometer,
einem Reflektormeter, einem Rasterkraftmikroskop (AFM), einem Rasterelektronenmikroskop
(REM) und Ähnlichem
erhalten. Bei 904 wird ein erzeugtes Beugungssignal unter
Verwendung des Maschinenlernsystems erhalten. Bei 906 werden
die zwei Beugungssignale verglichen. Falls die zwei Beugungssignale
nicht innerhalb eines vorbestimmten Übereinstimmungskriteriums übereinstimmen,
werden 904 und 906 mit einem anderen bei 904 erzeugten
Beugungssignal wiederholt. Dieser Prozess wird iteriert, bis eine Übereinstimmung
gefunden wurde, wobei dies bedeutet, dass das erzeugte und das gemessene
Beugungssignal innerhalb des vorbestimmten Übereinstimmungskriteriums übereinstimmen.
Bei 908 wird, falls die zwei Beugungssignale innerhalb
eines vorbestimmten Übereinstimmungskriteriums übereinstimmen,
angenommen, dass das dem übereinstimmenden
Beugungssignal entsprechende Profil dem tatsächlichen Profil der untersuchten
Struktur entspricht. Dementsprechend können das Profil und die Parameter,
welche das Profil charakterisieren, verwendet werden, um ein Merkmal
der Struktur zu bestimmen.
-
Unter
Bezugnahme auf die 10 ist ein beispielhaftes System 1000 zur
Verwendung eines Maschinenlernsystems in einem regressionsbasierten
System gezeigt. Wie in der 10 gezeigt,
empfängt
ein Optimierer 1002 das gemessene Beugungssignal als eine
Eingabe von der Messvorrichtung 802. Der Optimierer 1002 empfängt das
erzeugte Beugungssignal als eine Eingabe von dem Maschinenlernsystem 118.
Der Optimierer 1002 vergleicht das erzeugte und das gemessene
Beugungssignal. Wenn das erzeugte und das gemessene Beugungssignal übereinstimmen,
gibt der Optimierer 1002 das Profil, das dem übereinstimmenden
erzeugten Beugungssignal entspricht, aus. Falls das erzeugte und
das gemessene Beugungssignal nicht innerhalb eines vorbestimmten Übereinstimmungskriteriums übereinstimmen,
gibt der Optimierer 1002 einen Befehl an das Maschinenlernsystem 118 aus, ein
anderes Beugungssignal zu erzeugen. Dieser Prozess wird iteriert,
bis eine Übereinstimmung
gefunden wurde, wobei dies bedeutet, dass das erzeugte und das gemessene
Beugungssignal innerhalb des vorbestimmten Übereinstimmungskriteriums übereinstimmen.
-
In
einer beispielhaften Ausführungsform
wird eine Optimierungstechnik verwendet, um die Anzahl von Iterationen
zu reduzieren, die benötigt
werden, um zu einer Übereinstimmung
zu gelangen. Genauer ist das Ziel eines Optimierungsproblems, eine
beste Lösung
unter verschiedenen möglichen
Lösungen
zu finden, wobei die beste Lösung
durch Verknüpfen
mit einer Kostenfunktion quantifiziert werden kann. Mit anderen
Worten ist bei einem gegebenen Problem mit einer gegebenen Kostenmetrik
die Aufgabe, eine Lösung
mit den geringsten Kosten zu finden. Demzufolge ist es bei der vorliegenden
beispielhaften Anwendung die Aufgabe, das Profil mit einem entsprechenden
Beugungssignal zu finden, das die geringsten Kosten (unter einer
gegebenen Kostenmetrik) in Bezug auf das gegebene gemessene Beugungssignal
erzeugt. Es sollte angemerkt werden, dass zahlreiche Optimierungstechniken,
die grob in zwei Kategorien (d.h. global und lokal) eingeteilt werden,
bekannt sind und verwendet werden können, wie beispielsweise ein
Gradientenabstieg, eine linearen Programmierung, eine quadratischen
Programmierung, ein simuliertes Glühen, ein Marquardt-Levenberg Algorithmus
und Ähnliches.
Für eine
genauere Beschreibung von globalen und lokalen Optimierungstechniken
wird auf „Numerical
Recipes in C" von
William H. Press, Saul A. Teukolsky, William T. Vetterling and Brian
P. Flannery, Second Edition, Cambridge verwiesen, das hierin durch
Bezugnahme aufgenommen wird.
-
Wie
oben beschrieben, kann eine Bibliothek von Beugungssignalen als
Teil eines regressionsbasierten Prozesses erzeugt werden. Genauer
kann, falls eine Übereinstimmung
hergestellt wurde, wobei dies bedeutet, dass das erzeugte Beugungssignal und
das gemessene Beugungssignal innerhalb des Übereinstimmungskriteriums übereinstimmen,
eine Bibliothek von Beugungssignalen um das Übereinstimmungsprofil herum
erzeugt werden. Allgemein ist die als ein Teil des regressionsbasierten
Prozesses erzeugte Bibliothek von Beugungssignalen kleiner als die
als Teil des oben beschriebenen bibliotheksbasierten Prozesses erzeugte
Bibliothek.
-
Zusätzlich können die
als Teil eines regressionsbasierten Prozesses erzeugte Bibliothek
von Beugungssignalen und die als Teil eines oben beschriebenen bibliotheksbasierten
Prozesses erzeugte Bibliothek in einem Interpolationsprozess verwendet
werden, wobei eine Lösung
zwischen zwei Einträgen
in der Bibliothek abgeleitet wird. Für eine genauere Beschreibung
eines Interpolationsprozesses wird auf die US-Patentanmeldung Nr. 10/075,904 mit dem Titel
PROFILE REFINEMENT FOR INTEGRATED CIRCUIT METROLOGY, eingereicht
am 12. Februar 2002, verwiesen, die hierin durch Bezugnahme in ihrer
Gesamtheit aufgenommen wird.
-
Die
vorhergehenden Beschreibungen von spezifischen Ausführungsformen
der vorliegenden Erfindung wurden zum Zwecke der Illustration und Beschreibung
angegeben. Sie sind nicht dazu vorgesehen, erschöpfend zu sein oder die Erfindung
auf die genauen offenbarten Formen zu begrenzen und es sollte klar
sein, dass viele Modifikationen und Variationen im Lichte der obigen
Lehre möglich
sind.
-
Beispielsweise
kann unter Bezugnahme auf die 1, wie oben
beschrieben, das Maschinenlernsystem 118 konfiguriert sein,
um mit einer nichtoptischen Messvorrichtung zu arbeiten, wie beispielsweise
einem Rasterkraftmikroskop (AFM), einem Rasterelektronenmikroskop
(REM) und Ähnlichem
oder einer Kombination einer optischen und einer nichtoptischen
Messvorrichtung. Dementsprechend kann das Maschinenlernsystem 118 verschiedene
Typen von Beugungssignalen entsprechend dem Typ der verwendeten
Messvorrichtung erzeugen. Beispielsweise ist, falls die Messvorrichtung
ein REM ist, das durch das Maschinenlernsystem 118 erzeugte
Beugungssignal ein REM-Signal, beispielsweise zweidimensionale Bilder
oder REM-Spuren.
-
Zusätzlich kann
das erzeugte Beugungssignal von der Messvorrichtung verwendete charakteristische
Funktionen des Signals enthalten. Beispielsweise können während des
Trainingsprozesses Ableitungen des Beugungssignals verschiedener
Ordnungen (beispielsweise eine Ableitung erster Ordnung, zweiter
Ordnung oder n-ter Ordnung) als Teil eines Marquardt-Levenberg Algorithmus
verwendet werden, um den Trainingsprozess zu optimieren.
-
Zusammenfassung
-
Eine
auf einem Halbleiterwafer gebildete Struktur wird durch Erhalten
eines unter Verwendung einer Messvorrichtung gemessenen ersten Beugungssignals
untersucht. Ein zweites Beugungssignal wird unter Verwendung eines
Maschinenlernsystems erzeugt, wobei das Maschinenlernsystem als eine
Eingabe einen oder mehrere Parameter empfängt, die ein Profil der Struktur
charakterisieren, um das zweite Beugungssignal zu erzeugen. Das
erste und das zweite Beugungssignal werden verglichen. Wenn das
erste und das zweite Beugungssignal innerhalb eines Übereinstimmungskriteriums übereinstimmen,
wird ein Merkmal der Struktur auf Grundlage des einen oder der mehreren
Parameter oder des Profils, die durch das Maschinenlernsystem verwendet
wurden, um das zweite Beugungssignal zu erzeugen, bestimmt.