DE112004001001T5

DE112004001001T5 - Optische Messung von auf Halbleiterwafern gebildeten Strukturen unter Verwendung von Maschinenlernsystemen

Info

Publication number: DE112004001001T5
Application number: DE112004001001T
Authority: DE
Inventors: Srinivas Fremont Doddi; Emmanuel San Jose Drege; Nickhil Los Altos Jakatdar; Junwei Sunnyvale Bao
Original assignee: TEL Timbre Technologies Inc
Current assignee: TEL Timbre Technologies Inc
Priority date: 2003-06-27
Filing date: 2004-06-25
Publication date: 2006-09-14
Also published as: KR101059427B1; CN100418083C; JP2007528985A; US20040267397A1; KR20060033740A; JP4589315B2; US20090198635A1; US7831528B2; CN1799045A; WO2005003911A3; WO2005003911A2

Abstract

Verfahren zum Untersuchen einer auf einem Halbleiterwafer gebildeten Struktur, wobei das Verfahren umfasst:
Erhalten eines unter Verwendung einer Messvorrichtung gemessenen ersten Beugungssignals;
Erhalten eines unter Verwendung eines Maschinenlernsystems erzeugten zweiten Beugungssignals,
wobei das Maschinenlernsystem als eine Eingabe einen oder mehrere Parameter empfängt, welche ein Profil der Struktur charakterisieren, um das zweite Beugungssignal zu erzeugen;
Vergleichen des ersten und des zweiten Beugungssignals; und Bestimmen, falls das erste und das zweite Beugungssignal innerhalb eines Übereinstimmungskriteriums übereinstimmen, eines Merkmals der Struktur auf Grundlage des einen oder der mehreren Parameter oder des Profils, die von dem Maschinenlernsystem verwendet wurden, um das zweite Beugungssignal zu erzeugen.

Description

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 θ_i 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 θ_d 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.

Claims

Verfahren zum Untersuchen einer auf einem Halbleiterwafer gebildeten Struktur, wobei das Verfahren umfasst: Erhalten eines unter Verwendung einer Messvorrichtung gemessenen ersten Beugungssignals; Erhalten eines unter Verwendung eines Maschinenlernsystems erzeugten zweiten Beugungssignals, wobei das Maschinenlernsystem als eine Eingabe einen oder mehrere Parameter empfängt, welche ein Profil der Struktur charakterisieren, um das zweite Beugungssignal zu erzeugen; Vergleichen des ersten und des zweiten Beugungssignals; und Bestimmen, falls das erste und das zweite Beugungssignal innerhalb eines Übereinstimmungskriteriums übereinstimmen, eines Merkmals der Struktur auf Grundlage des einen oder der mehreren Parameter oder des Profils, die von dem Maschinenlernsystem verwendet wurden, um das zweite Beugungssignal zu erzeugen.
Verfahren nach Anspruch 1, das weiterhin umfasst: Trainieren des Maschinenlernsystems unter Verwendung eines Satzes von Trainingseingabedaten und eines Satzes von Trainingsausgabedaten vor dem Erzeugen des zweiten Beugungssignals, wobei jede der Trainingseingabedaten ein durch einen oder mehrere Parameter charakterisiertes Profil der Struktur ist, und wobei jede der Trainingsausgabedaten ein Beugungssignal entsprechend dem Profil der Struktur ist.
Verfahren nach Anspruch 2, das weiterhin umfasst: Auswählen des Satzes von Trainingseingabedaten aus einem Bereich von Profilen der Struktur.
Verfahren nach Anspruch 3, das weiterhin umfasst: Teilen des Bereichs von Profilen in eine erste Partition und zumindest eine zweite Partition, wobei ein erstes Maschinenlernsystem für die erste Partition konfiguriert und trainiert ist und ein zweites Maschinenlernsystem für die zweite Partition konfiguriert und trainiert ist.
Verfahren nach Anspruch 2, wobei der Satz von Trainingsausgabedaten auf Grundlage des Satzes von Trainingseingabedaten unter Verwendung einer Modellierungstechnik vor dem Trainieren des Maschinenlernsystems erzeugt wird.
Verfahren nach Anspruch 5, wobei die Modellierungstechnik eine Rigorose Beugungsanalyse, ein Integralverfahren, ein Fresnel-Verfahren, eine Finite Analyse oder eine Modalanalyse umfasst.
Verfahren nach Anspruch 2, wobei die Trainingsausgabedaten eine Mehrzahl von Dimensionen aufweisen und wobei das Verfahren weiterhin umfasst: Transformieren der Trainingsausgabedaten unter Verwendung einer Hauptkomponentenanalyse.
Verfahren nach Anspruch 7, das weiterhin umfasst: Teilen der Dimensionen der Trainingsausgabedaten in eine erste Partition und zumindest eine zweite Partition, wobei ein erstes Maschinenlernsystem für die erste Partition konfiguriert und trainiert ist und ein zweites Ma schinenlernsystem für die zweite Partition konfiguriert und trainiert ist.
Verfahren nach Anspruch 2, wobei das Training umfasst: (a) Erhalten von Trainingseingabedaten; (b) Erzeugen eines Beugungssignals mit dem Maschinenlernsystem unter Verwendung der Trainingseingabedaten; (c) Vergleichen des Beugungssignals mit den Trainingsausgabedaten, die den zur Erzeugung des Beugungssignals verwendeten Trainingseingabedaten entsprechen; (d) Wiederholen von (b) und (c) mit anderen Trainingseingabedaten, falls das Beugungssignal und die Trainingsausgabedaten nicht innerhalb eines bestimmten Übereinstimmungskriteriums übereinstimmen.
Verfahren nach Anspruch 2, wobei das Trainieren umfasst: Verwenden einer Rückwärtspropagierung, eines Radial-Basis-Netzwerks, eines Stützvektors oder eines Kernregressionsalgorithmus.
Verfahren nach Anspruch 1, wobei, falls das erste und das zweite Beugungssignal nicht innerhalb des Übereinstimmungskriteriums übereinstimmen, das erste Beugungssignal mit einem anderen Beugungssignal aus einer Bibliothek von Beugungssignalen verglichen wird, und wobei die Beugungssignale in der Bibliothek von Beugungssignalen unter Verwendung des Maschinenlernsystems erzeugt wurden.
Verfahren nach Anspruch 1, wobei, falls das erste und das zweite Beugungssignal nicht innerhalb des Übereinstimmungskriteriums übereinstimmen, ein anderes Beugungssignal unter Verwendung des Maschinenlernsystems erzeugt wird, um es mit dem ersten Beugungssignal zu vergleichen.
Verfahren nach Anspruch 1, wobei die Messvorrichtung ein Ellipsometer, ein Reflektometer, ein Rasterkraftmikroskop oder ein Rasterelektronenmikroskop ist.
Verfahren nach Anspruch 1, wobei der eine oder die mehreren Parameter einen oder mehrere enthält aus der Liste von: Critical-Dimension-Messungen, Einfallswinkel, n- und k-Werte oder Pitch.
Verfahren nach Anspruch 1, wobei das Maschinenlernsystem ein neuronales Netz ist.
Computerlesbares Speichermedium, das von einem Computer ausführbare Anweisungen aufweist, um einen Computer zu veranlassen, eine auf einem Halbleiterwafer gebildete Struktur zu untersuchen, mit Anweisungen zum: Erhalten eines unter Verwendung einer Messvorrichtung gemessen ersten Beugungssignals; Erhalten eines unter Verwendung eines Maschinenlernsystems erzeugten zweiten Beugungssignals, wobei das Maschinenlernsystem als eine Eingabe einen oder mehrere Parameter empfängt, die ein Profil der Struktur charakterisieren, um das zweite Beugungssignal zu erzeugen; Vergleichen des ersten und des zweiten Beugungssignals; und Bestimmen, falls das erste und das zweite Beugungssignal innerhalb eines Übereinstimmungskriteriums übereinstimmen, eines Merkmals der Struktur auf der Grundlage des einen oder der mehreren Parameter des Profils, das durch das Maschinenlernsystem verwendet wurde, um das zweite Beugungssignal zu erzeugen.
Computerlesbares Speichermedium nach Anspruch 16, das weiterhin Anweisungen umfasst zum: Trainieren des Maschinenlernsystems unter Verwendung eines Satzes von Trainingseingabedaten und eines Satzes von Trainingsausgabedaten vor dem Erzeugen des zweiten Beugungssignals, wobei jede der Trainingseingabedaten ein durch einen oder mehrere Parameter charakterisiertes Profil der Struktur ist, und wobei jede der Trainingsausgabedaten ein Beugungssignal entsprechend dem Profil der Struktur ist.
Computerlesbares Speichermedium nach Anspruch 17, wobei der Satz von Trainingsausgabedaten auf Grundlage des Satzes von Trainingseingabedaten unter Verwendung einer Modellierungstechnik vor dem Trainieren des Maschinenlernsystems erzeugt wird.
Computerlesbares Speichermedium nach Anspruch 17, wobei das Training umfasst: (a) Erhalten von Trainingseingabedaten; (b) Erzeugen eines Beugungssignals mit dem Maschinenlernsystem unter Verwendung der Trainingseingabedaten; (c) Vergleichen des Beugungssignals mit den Trainingsausgabedaten, die den zur Erzeugung des Beugungssignals verwendeten Trainingseingabedaten entsprechen; (d) Wiederholen von (b) und (c) mit anderen Trainingseingabedaten, falls das Beugungssignal und die Trainingsausgabedaten nicht innerhalb eines bestimmten Übereinstimmungskriteriums übereinstimmen.
Computerlesbares Speichermedium nach Anspruch 16, wobei, falls das erste und das zweite Beugungssignal nicht innerhalb des Übereinstimmungskriteriums übereinstimmen, das erste Beu gungssignal mit einem anderen Beugungssignal aus einer Bibliothek von Beugungssignalen verglichen wird, und wobei die Beugungssignale in der Bibliothek von Beugungssignalen unter Verwendung des Maschinenlernsystems erzeugt wurden.
Computerlesbares Speichermedium nach Anspruch 16, wobei, falls das erste und das zweite Beugungssignal nicht innerhalb des Übereinstimmungskriteriums übereinstimmen, ein anderes Beugungssignal unter Verwendung des Maschinenlernsystems erzeugt wird, um es mit dem ersten Beugungssignal zu vergleichen.
System zum Untersuchen einer auf einem Halbleiterwafer gebildeten Struktur, wobei das System umfasst: eine Messvorrichtung, die konfiguriert ist, um ein erstes Beugungssignal der Struktur zu messen; ein Maschinenlernsystem, das konfiguriert ist, um ein zweites Beugungssignal zu erzeugen, wobei das Maschinenlernsystem als eine Eingabe einen oder mehrere Parameter empfängt, die ein Profil der Struktur charakterisieren, um das zweite Beugungssignal zu erzeugen; und einen Prozessor, der konfiguriert ist, um das erste und das zweite Beugungssignal zu vergleichen, wobei, falls das erste und das zweite Beugungssignal innerhalb eines Übereinstimmungskriteriums übereinstimmen, ein Merkmal der Struktur basierend auf dem einen oder den mehreren Parametern oder des Profils, die von dem Maschinenlernsystem verwendet wurden, um das zweite Beugungssignal zu erzeugen, bestimmt wird.
System nach Anspruch 22, wobei vor dem Erzeugen des zweiten Beugungssignals das Maschinenlernsystem unter Verwendung eines Satzes von Trainingseingabedaten und eines Satzes von Trainingsausgabedaten trainiert wird, wobei jede der Trainingseingabedaten ein durch einen oder mehrere Parameter charakterisiertes Profil der Struktur ist, und wobei jede der Trainingsausgabedaten ein Beugungssignal entsprechend dem Profil der Struktur ist.
System nach Anspruch 23, wobei der Satz von Trainingseingabedaten aus einem Bereich von Profilen der Struktur ausgewählt ist.
System nach Anspruch 24, wobei der Bereich von Profilen in eine erste Partition und zumindest eine zweite Partition geteilt ist und wobei das Maschinenlernsystem umfasst: ein erstes Maschinenlernsystem, das für die erste Partition konfiguriert und trainiert ist; und ein zweites Maschinenlernsystem, das für die zweite Partition konfiguriert und trainiert ist.
System nach Anspruch 23, wobei die Trainingsausgabedaten eine Mehrzahl von Dimensionen aufweisen und die Dimensionen der Trainingsausgabedaten in eine erste Partition und zumindest eine zweite Partition geteilt sind, und wobei das Maschinenlernsystem umfasst: ein erstes Maschinenlernsystem, das für die erste Partition konfiguriert und trainiert ist; und ein zweites Maschinenlernsystem, das für die zweite Partition konfiguriert und trainiert ist.
System nach Anspruch 22, das weiterhin umfasst: eine Bibliothek von Beugungssignalen, wobei die Beugungssignale in der Bibliothek unter Verwendung des Maschinenlernsystems erzeugt wurden, wobei, falls das erste und das zweite Beugungssignal nicht innerhalb des Übereinstimmungskriteriums übereinstimmen, das erste Beugungssignal mit einem anderen Beugungssignal aus der Bibliothek von Beugungssignalen verglichen wird.
System nach Anspruch 22, wobei, falls das erste und das zweite Beugungssignal nicht innerhalb des Übereinstimmungskriteriums übereinstimmen, das Maschinenlernsystem ein anderes Beugungssignal erzeugt, um es mit dem ersten Beugungssignal zu vergleichen.
System nach Anspruch 22, das weiterhin umfasst: eine Halbleiterherstellungseinheit, die mit dem Prozessor verbunden ist, wobei die Halbleiterherstellungseinheit konfiguriert ist, um einen oder mehrere Herstellungsschritte auszuführen.