JP2020510856A - 機械学習によるプロセスモデルの決定方法 - Google Patents
機械学習によるプロセスモデルの決定方法 Download PDFInfo
- Publication number
- JP2020510856A JP2020510856A JP2019542556A JP2019542556A JP2020510856A JP 2020510856 A JP2020510856 A JP 2020510856A JP 2019542556 A JP2019542556 A JP 2019542556A JP 2019542556 A JP2019542556 A JP 2019542556A JP 2020510856 A JP2020510856 A JP 2020510856A
- Authority
- JP
- Japan
- Prior art keywords
- value
- process model
- input
- features
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70058—Mask illumination systems
- G03F7/70125—Use of illumination settings tailored to particular mask patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
Description
[0001] 本出願は、2017年2月24日に出願され、及び「Methods of Determining Process Models by Machine Learning」というタイトルが付けられ、及び本明細書に全体として援用される、米国仮特許出願第62/463,560号の優先権を主張する。
−プログラマブルミラーアレイ。このようなデバイスの一例は、粘弾性制御層及び反射面を有するマトリックスアドレス可能面である。このような装置の背後にある基本原理は、(例えば)反射面のアドレスエリアが、入射放射を回折放射として反射し、非アドレスエリアが、入射放射を非回折放射として反射することである。適宜のフィルタを使用して、上記非回折放射が反射ビームから除去され、回折放射のみを後に残すことができ、このようにして、ビームが、マトリックスアドレス可能面のアドレッシングパターンに従ってパターン付けされる。必要とされるマトリックスアドレッシングは、適宜の電子手段を使用して行うことができる。
−プログラマブルLCDアレイ。
−放射ビームBを調節するための照明システムIL。この特定のケースでは、照明システムは、放射源SOも含む;
−パターニングデバイスMA(例えば、レチクル)を保持するためのパターニングデバイスホルダを備え、且つアイテムPSに対してパターニングデバイスを正確に位置決めするための第1のポジショナに接続された第1のオブジェクトテーブル(例えば、パターニングデバイステーブル)MT;
−基板W(例えば、レジストコートシリコンウェーハ)を保持するための基板ホルダを備え、且つアイテムPSに対して基板を正確に位置決めするための第2のポジショナに接続された第2のオブジェクトテーブル(基板テーブル)WT;
−パターニングデバイスMAの照射部分を基板Wのターゲット部分C(例えば、1つ又は複数のダイを含む)上に結像する投影システム(「レンズ」)PS(例えば、屈折型、反射型、又は反射屈折型光学システム)。
−ステップモードでは、パターニングデバイステーブルMTは、基本的に静止したままであり、及びパターニングデバイス像全体が、一回(すなわち、単一の「フラッシュ」)でターゲット部分C上に投影される。次いで、異なるターゲット部分CがビームPBによって照射され得るように、基板テーブルWTが、x及び/又はy方向にシフトされる;
−スキャンモードでは、所与のターゲット部分Cが、単一の「フラッシュ」で露光されないことを除き、基本的に同じシナリオが当てはまる。代わりに、パターニングデバイステーブルMTは、投影ビームBがパターニングデバイス像上をスキャンさせられるように、速度vで、所与の方向(いわゆる「スキャン方向」、例えば、y方向)に移動可能である。並行して、基板テーブルWTが、速度V=Mv(Mは、レンズPLの倍率である(一般的に、M=1/4又は1/5))で、同じ又は反対方向に同時に移動される。このようにして、解像度を妥協する必要なしに、比較的大きなターゲット部分Cを露光させることができる。
−ソースコレクタモジュールSO;
−放射ビームB(例えば、EUV放射)を調節するように構成された照明システム(イルミネータ)IL;
−パターニングデバイス(例えば、マスク又はレチクル)MAを支持するように構築され、且つパターニングデバイスを正確に位置決めするように構成された第1のポジショナPMに接続されたサポート構造(例えば、パターニングデバイステーブル)MT;
−基板(例えば、レジストコートウェーハ)Wを保持するように構築され、且つ基板を正確に位置決めするように構成された第2のポジショナPWに接続された基板テーブル(例えば、ウェーハテーブル)WT;及び
−パターニングデバイスMAによって放射ビームBに付与されたパターンを基板Wのターゲット部分C(例えば、1つ又は複数のダイを含む)上に投影するように構成された投影システム(例えば、反射型投影システム)PS。
1.パターニングプロセスのプロセスモデルの入力の値を取得することと、
入力の値によって表される処理条件下で、基板上に形成される像の1つ又は複数の特徴の第1のセットの値を取得することと、
像の1つ又は複数の特徴の第2のセットのシミュレーション値を取得することと、
サンプルを含む訓練データと、第2のセットのシミュレーション値と、に基づいてハードウェアコンピュータによってプロセスモデルを決定することであって、サンプルのフィーチャベクトルが入力の値を含み、サンプルの監視信号が第1のセットの値を含むことと、
を含む、方法。
2.入力の値が、設計レイアウトから、又はパターニングプロセスに関する測定によって取得される、条項1に記載の方法。
3.入力の値が、照明の1つ若しくは複数の特徴、投影光学系の1つ若しくは複数の特徴、パターニングデバイスの1つ若しくは複数の特徴、及び/又は、1つ若しくは複数の露光後プロシージャの1つ若しくは複数の特徴、の値を含む、条項1又は条項2に記載の方法。
4.第1のセットの値が、像の測定又は像のシミュレーションによって取得される、条項1〜3の何れか一項に記載の方法。
5.第1のセット及び第2のセットが異なる、条項1〜4の何れか一項に記載の方法。
6.シミュレーション値が、入力の値に基づいて取得される、条項1〜5の何れか一項に記載の方法。
7.プロセスモデルを決定することが、シミュレーション値を制約として使用することを含む、条項1〜6の何れか一項に記載の方法。
8.パターニングプロセスの基準プロセスモデルを取得することと、
パターニングプロセスのプロセスモデルの入力の第1の値を取得することと、
入力の第1の値によって表される処理条件下で、基板上に形成される像の1つ又は複数の特徴の第1のセットの値を取得することと、
第1のサンプルを含む第1の訓練データと、基準プロセスモデルと、に基づいてハードウェアコンピュータによってプロセスモデルを決定することであって、第1のサンプルの フィーチャベクトルがプロセスモデルの入力の第1の値を含み、第1のサンプルの監視信号が1つ又は複数の特徴の第2のセットの値を含むことと、
を含む、方法。
9.基準プロセスモデルを取得することが、
基準プロセスモデルの入力の第2の値を取得することと、
基準プロセスの入力の第2の値によって表される処理条件下で、基板上に形成される像の1つ又は複数の特徴の第2のセットのシミュレーション値を取得することと、
第2のサンプルを含む第2の訓練データに基づき基準プロセスモデルを決定することであって、第2のサンプルのフィーチャベクトルが基準プロセスモデルの入力の第2の値を含み、第2のサンプルの監視信号が1つ又は複数の特徴の第1のセットのシミュレーション値を含むことと、
を含む、条項8に記載の方法。
10.入力の第2の値が、設計レイアウトから又はパターニングプロセスのシミュレーションによって取得される、条項9に記載の方法。
11.入力の第2の値が、照明の1つ若しくは複数の特徴、投影光学系の1つ若しくは複数の特徴、パターニングデバイスの1つ若しくは複数の特徴、及び/又は、1つ若しくは複数の露光後プロシージャの1つ若しくは複数の特徴、の値を含む、条項9又は条項10に記載の方法。
12.1つ又は複数の特徴の第2のセットのシミュレーション値が、像のシミュレーションによって取得される、条項9〜11の何れか一項に記載の方法。
13.1つ又は複数の特徴の第2のセットのシミュレーション値が、基準プロセスモデルの入力の第2の値に基づいて取得される、条項9〜12の何れか一項に記載の方法。
14.プロセスモデルの入力の第1の値が、照明の1つ若しくは複数の特徴、投影光学系の1つ若しくは複数の特徴、パターニングデバイスの1つ若しくは複数の特徴、及び/又は、1つ若しくは複数の露光後プロシージャの1つ若しくは複数の特徴、の値を含む、条項8〜13の何れか一項に記載の方法。
15.1つ又は複数の特徴の第1のセットの値が、像の測定によって取得される、条項8〜14の何れか一項に記載の方法。
16.プロセスモデルを決定することが、基準プロセスモデルを制約として使用することを含む、条項8〜15の何れか一項に記載の方法。
17.複数の設計変数の値を取得することと、
設計変数の値を入力としてプロセスモデルに提供することによって、プロセスモデルの出力を生成することと、
設計変数の費用関数をハードウェアコンピュータによって計算することであって、費用関数が、出力とターゲット値との間の偏差を表すことと、
終了条件が満たされないと決定されると、設計変数の内の1つ又は複数の設計変数の1つ又は複数の値を調節することと、
を含む、方法。
18.複数の設計変数が、照明源の1つ若しくは複数の特徴を表す設計変数、投影光学系の1つ若しくは複数の特徴を表す設計変数、及び/又は、設計レイアウトの1つ若しくは複数の特徴を表す設計変数、を含む、条項17に記載の方法。
19.出力が、設計変数の値によって表される処理条件下で基板上に形成される像の1つ又は複数の特徴のシミュレーション値を含む、条項17又は条項18に記載の方法。
20.設計変数の内の1つ又は複数の設計変数の1つ又は複数の値を調節することが、プロセスモデルに基づく、条項17〜19の何れか一項に記載の方法。
21.設計変数の内の1つ又は複数の設計変数の1つ又は複数の値を調節することが、設計変数の内の1つ又は複数の設計変数の1つ又は複数の値に対する費用関数の勾配に基づく、条項17〜20の何れか一項に記載の方法。
22.処理条件又は基板上の場所を取得することと、
処理条件又は場所に基づいて、第1のプロセスモデルへの第1の入力を決定することであって、第1のプロセスモデルが機械学習モデルであることと、
第1の入力から、第1のプロセスモデルの出力をハードウェアコンピュータによって決定することと、
処理条件又は場所に基づいて、第2のプロセスモデルへの第2の入力を決定することであって、第2のプロセスモデルが非機械学習モデルであることと、
第2の入力から、第2のプロセスモデルの出力をハードウェアコンピュータによって決定することと、
第1のプロセスモデルの出力と、第2のプロセスモデルの出力と、の間の偏差を決定することと、
偏差が条件を満たすと決定されると第1のプロセスモデルを調節することと、
を含む、方法。
23.第1のプロセスモデルが、第2のプロセスモデルに基づいて訓練される、条項22に記載の方法。
24.偏差が、場所又は処理条件に依存する、条項22又は条項23に記載の方法。
25.第1のプロセスモデルを調節することが、第1のプロセスモデルを再訓練することを含む、条項22〜24の何れか一項に記載の方法。
26.第1のプロセスモデルを調節することが、第1のプロセスモデルを第2のプロセスモデルと組み合わせることを含む、条項22〜25の何れか一項に記載の方法。
27.パターニングプロセスの結果の特徴のターゲット値を取得することと、
その結果を達成し得るパターニングプロセスの1つ又は複数の特徴の値を取得することと、
サンプルを含む訓練データに基づいてハードウェアコンピュータによってモデルを決定することであって、サンプルのフィーチャベクトルがターゲット値を含み、サンプルの監視信号がパターニングプロセスの1つ又は複数の特徴の値を含むことと、
を含む、方法。
28.結果が、パターニングプロセスによって形成される像である、条項27に記載の方法。
29.結果の特徴が、像におけるCDである、条項28に記載の方法。
30.結果の特徴が、像におけるエッジの場所である、条項28に記載の方法。
31.記録された命令を有する非一時的コンピュータ可読媒体を含むコンピュータプログラムであって、
命令が、コンピュータによって実行されると条項1〜30の何れか一項に記載の方法を実施する、コンピュータプログラム。
Claims (15)
- パターニングプロセスのプロセスモデルの入力の値を取得することと、
前記入力の前記値によって表される処理条件下で、基板上に形成される像の1つ又は複数の特徴の第1のセットの値を取得することと、
前記像の1つ又は複数の特徴の第2のセットのシミュレーション値を取得することと、
サンプルを含む訓練データと、前記第2のセットの前記シミュレーション値と、に基づいてハードウェアコンピュータによって前記プロセスモデルを決定することであって、前記サンプルのフィーチャベクトルが前記入力の前記値を含み、前記サンプルの監視信号が前記第1のセットの前記値を含むことと、
を含む、方法。 - 前記入力の前記値が、設計レイアウトから又は前記パターニングプロセスに関する測定によって取得される、請求項1に記載の方法。
- 入力の前記値の費用関数を計算することをさらに含む、請求項2に記載の方法。
- 前記費用関数が、前記プロセスモデルの出力と、入力の前記値と、の間の偏差を表す、請求項3に記載の方法。
- 終了条件が満たされないと決定されると、入力の前記値の1つ又は複数の値を調節することをさらに含む、請求項3に記載の方法。
- 入力の前記値の前記調節が、入力の前記値の1つ又は複数の値に対する前記費用関数の勾配に基づく、請求項5に記載の方法。
- 前記入力の前記値の前記調節において、前記プロセスモデルを再訓練することを含む、請求項5に記載の方法。
- 前記像の前記特徴が、前記像におけるCDである、請求項1に記載の方法。
- 前記像の前記特徴が、前記像におけるエッジの場所である、請求項1に記載の方法。
- 前記入力の前記値が、照明の1つ若しくは複数の特徴、投影光学系の1つ若しくは複数の特徴、パターニングデバイスの1つ若しくは複数の特徴、及び/又は、1つ若しくは複数の露光後プロシージャの1つ若しくは複数の特徴、の値を含む、請求項1に記載の方法。
- 前記第1のセットの前記値が、前記像の測定又は前記像のシミュレーションによって取得される、請求項1に記載の方法。
- 前記第1のセット及び前記第2のセットが異なる、請求項1に記載の方法。
- 前記シミュレーション値が、前記入力の前記値に基づいて取得される、請求項1に記載の方法。
- 前記プロセスモデルを決定することが、前記シミュレーション値を制約として使用することを含む、請求項1に記載の方法。
- 記録された命令を有する非一時的コンピュータ可読媒体を含むコンピュータプログラムであって、
前記命令が、コンピュータによって実行されると請求項1に記載の方法を実施する、コンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762463560P | 2017-02-24 | 2017-02-24 | |
US62/463,560 | 2017-02-24 | ||
PCT/EP2018/054165 WO2018153866A1 (en) | 2017-02-24 | 2018-02-20 | Methods of determining process models by machine learning |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020510856A true JP2020510856A (ja) | 2020-04-09 |
JP6906058B2 JP6906058B2 (ja) | 2021-07-21 |
Family
ID=61557235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019542556A Active JP6906058B2 (ja) | 2017-02-24 | 2018-02-20 | 機械学習によるプロセスモデルの決定方法 |
Country Status (5)
Country | Link |
---|---|
US (2) | US10948831B2 (ja) |
JP (1) | JP6906058B2 (ja) |
KR (2) | KR102449586B1 (ja) |
TW (2) | TWI833068B (ja) |
WO (1) | WO2018153866A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020136502A (ja) * | 2019-02-20 | 2020-08-31 | キヤノン株式会社 | 情報処理装置、プログラム、リソグラフィ装置、物品の製造方法、及び物品の製造システム |
US11443045B2 (en) * | 2020-05-05 | 2022-09-13 | Booz Allen Hamilton Inc. | Methods and systems for explaining a decision process of a machine learning model |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017200883A1 (en) | 2016-05-17 | 2017-11-23 | Silicon Storage Technology, Inc. | Deep learning neural network classifier using non-volatile memory array |
US10803943B2 (en) | 2017-11-29 | 2020-10-13 | Silicon Storage Technology, Inc. | Neural network classifier using array of four-gate non-volatile memory cells |
US10699779B2 (en) | 2017-11-29 | 2020-06-30 | Silicon Storage Technology, Inc. | Neural network classifier using array of two-gate non-volatile memory cells |
US10969773B2 (en) | 2018-03-13 | 2021-04-06 | Applied Materials, Inc. | Machine learning systems for monitoring of semiconductor processing |
US11093683B2 (en) * | 2018-10-31 | 2021-08-17 | Taiwan Semiconductor Manufacturing Co., Ltd. | Test pattern generation systems and methods |
TWI672639B (zh) * | 2018-11-22 | 2019-09-21 | 台達電子工業股份有限公司 | 使用模擬物件影像之物件辨識系統及其方法 |
US11635699B2 (en) | 2018-12-28 | 2023-04-25 | Asml Netherlands B.V. | Determining pattern ranking based on measurement feedback from printed substrate |
US11500442B2 (en) | 2019-01-18 | 2022-11-15 | Silicon Storage Technology, Inc. | System for converting neuron current into neuron current-based time pulses in an analog neural memory in a deep learning artificial neural network |
US11023559B2 (en) | 2019-01-25 | 2021-06-01 | Microsemi Soc Corp. | Apparatus and method for combining analog neural net with FPGA routing in a monolithic integrated circuit |
EP3918532B1 (en) * | 2019-01-29 | 2023-01-25 | Silicon Storage Technology, Inc. | Neural network classifier using array of four-gate non-volatile memory cells |
WO2020156769A1 (en) * | 2019-01-29 | 2020-08-06 | Asml Netherlands B.V. | Method for decision making in a semiconductor manufacturing process |
US10720217B1 (en) | 2019-01-29 | 2020-07-21 | Silicon Storage Technology, Inc. | Memory device and method for varying program state separation based upon frequency of use |
JP7108562B2 (ja) * | 2019-02-22 | 2022-07-28 | 株式会社日立製作所 | 処理の制御パラメータの決定方法、及び計測システム |
JP6790154B2 (ja) * | 2019-03-07 | 2020-11-25 | 東芝デジタルソリューションズ株式会社 | 協調型学習システム及び監視システム |
TWI791949B (zh) * | 2019-03-15 | 2023-02-11 | 日商住友重機械工業股份有限公司 | 監視裝置、顯示裝置、監視方法及監視程式 |
US20220179321A1 (en) * | 2019-03-25 | 2022-06-09 | Asml Netherlands B.V. | Method for determining pattern in a patterning process |
US20220187713A1 (en) * | 2019-04-04 | 2022-06-16 | Asml Netherlands B.V. | Method and apparatus for predicting substrate image |
US11423979B2 (en) | 2019-04-29 | 2022-08-23 | Silicon Storage Technology, Inc. | Decoding system and physical layout for analog neural memory in deep learning artificial neural network |
US11966840B2 (en) * | 2019-08-15 | 2024-04-23 | Noodle Analytics, Inc. | Deep probabilistic decision machines |
US10885259B2 (en) * | 2019-08-30 | 2021-01-05 | Intel Corporation | Random forest model for prediction of chip layout attributes |
US11327409B2 (en) | 2019-10-23 | 2022-05-10 | Canon Kabushiki Kaisha | Systems and methods for curing an imprinted field |
KR102365658B1 (ko) * | 2019-12-05 | 2022-02-18 | 포항공과대학교 산학협력단 | 트래픽 분류 방법 및 장치 |
DE102020209570A1 (de) | 2020-07-29 | 2022-02-03 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben einer Lasermaterialbearbeitungsmaschine |
DE102020209573A1 (de) | 2020-07-29 | 2022-02-03 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben einer Lasermaterialbearbeitungsmaschine |
KR102438656B1 (ko) * | 2020-11-27 | 2022-08-31 | 주식회사 에이아이비즈 | 반도체 소자 제조 공정의 공정 업데이트 및 불량 원인 분석 방법 |
WO2022187057A1 (en) * | 2021-03-05 | 2022-09-09 | Applied Materials, Inc. | Detecting an excursion of a cmp component using time-based sequence of images |
US11965798B2 (en) | 2021-06-10 | 2024-04-23 | Applied Materials, Inc. | Endpoint detection system for enhanced spectral data collection |
KR20240012605A (ko) * | 2021-06-10 | 2024-01-29 | 어플라이드 머티어리얼스, 인코포레이티드 | 머신 러닝을 사용한 기판 프로세스 엔드포인트 검출 |
US11901203B2 (en) | 2021-06-10 | 2024-02-13 | Applied Materials, Inc. | Substrate process endpoint detection using machine learning |
US20220397515A1 (en) * | 2021-06-10 | 2022-12-15 | Applied Materials, Inc. | Obtaining substrate metrology measurement values using machine learning |
EP4105746A1 (en) * | 2021-06-17 | 2022-12-21 | Saint-Gobain Glass France | Method for adjusting parameters of a coating process to manufacture a coated transparent substrate |
US20230013095A1 (en) * | 2021-07-14 | 2023-01-19 | Applied Materials, Inc. | Methods, mediums, and systems for identifying tunable domains for ion beam shape matching |
EP4261617A1 (en) * | 2022-04-14 | 2023-10-18 | ASML Netherlands B.V. | Methods of metrology and associated devices |
CN116985021A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市永霖科技有限公司 | 一种智能抛光装置和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010537192A (ja) * | 2007-08-17 | 2010-12-02 | インスティトゥット・フォア・エネルギテクニック | ガス排出量の経験的アンサンブルに基づく仮想センシングのためのシステム及び方法 |
JP2011522440A (ja) * | 2008-06-03 | 2011-07-28 | エーエスエムエル ネザーランズ ビー.ブイ. | モデルベースのスキャナ調整方法 |
JP2014502420A (ja) * | 2010-11-12 | 2014-01-30 | エーエスエムエル ネザーランズ ビー.ブイ. | メトロロジ方法及び装置、リソグラフィシステム並びにデバイス製造方法 |
US20160148850A1 (en) * | 2014-11-25 | 2016-05-26 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
US20160313651A1 (en) * | 2013-12-17 | 2016-10-27 | Asml Netherlands B.V. | Yield estimation and control |
JP2019508789A (ja) * | 2015-12-31 | 2019-03-28 | ケーエルエー−テンカー コーポレイション | 半導体用途のための機械学習ベースのモデルの加速トレーニング |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0824722B1 (en) | 1996-03-06 | 2001-07-25 | Asm Lithography B.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
JP2000162758A (ja) | 1998-11-30 | 2000-06-16 | Matsushita Electric Ind Co Ltd | 光学的近接効果補正方法 |
US7523076B2 (en) | 2004-03-01 | 2009-04-21 | Tokyo Electron Limited | Selecting a profile model for use in optical metrology using a machine learning system |
US7617477B2 (en) * | 2005-09-09 | 2009-11-10 | Brion Technologies, Inc. | Method for selecting and optimizing exposure tool using an individual mask error model |
JP2008122929A (ja) * | 2006-10-20 | 2008-05-29 | Toshiba Corp | シミュレーションモデルの作成方法 |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
KR20130006737A (ko) | 2011-02-28 | 2013-01-18 | 삼성전자주식회사 | 반도체 소자의 제조방법 |
NL2009982A (en) | 2012-01-10 | 2013-07-15 | Asml Netherlands Bv | Source mask optimization to reduce stochastic effects. |
US20140123084A1 (en) | 2012-11-01 | 2014-05-01 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and Method for Improving a Lithography Simulation Model |
NL2013303A (en) * | 2013-08-13 | 2015-02-16 | Asml Netherlands Bv | Method and inspection apparatus and computer program product for assessing a quality of reconstruction of a value of a parameter of interest of a structure. |
WO2016096309A1 (en) * | 2014-12-15 | 2016-06-23 | Asml Netherlands B.V. | Optimization based on machine learning |
KR102441582B1 (ko) * | 2015-07-23 | 2022-09-07 | 삼성전자주식회사 | Mpc 검증 방법 및 그 검증 방법을 포함한 마스크 제조방법 |
US10789548B1 (en) * | 2016-09-12 | 2020-09-29 | Amazon Technologies, Inc. | Automatic re-training of offline machine learning models |
-
2018
- 2018-02-20 KR KR1020217029635A patent/KR102449586B1/ko active IP Right Grant
- 2018-02-20 US US16/484,186 patent/US10948831B2/en active Active
- 2018-02-20 KR KR1020197027828A patent/KR102304331B1/ko active IP Right Grant
- 2018-02-20 JP JP2019542556A patent/JP6906058B2/ja active Active
- 2018-02-20 WO PCT/EP2018/054165 patent/WO2018153866A1/en active Application Filing
- 2018-02-23 TW TW110108136A patent/TWI833068B/zh active
- 2018-02-23 TW TW107106084A patent/TWI724279B/zh active
-
2021
- 2021-02-16 US US17/176,559 patent/US20210271172A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010537192A (ja) * | 2007-08-17 | 2010-12-02 | インスティトゥット・フォア・エネルギテクニック | ガス排出量の経験的アンサンブルに基づく仮想センシングのためのシステム及び方法 |
JP2011522440A (ja) * | 2008-06-03 | 2011-07-28 | エーエスエムエル ネザーランズ ビー.ブイ. | モデルベースのスキャナ調整方法 |
JP2014502420A (ja) * | 2010-11-12 | 2014-01-30 | エーエスエムエル ネザーランズ ビー.ブイ. | メトロロジ方法及び装置、リソグラフィシステム並びにデバイス製造方法 |
US20160313651A1 (en) * | 2013-12-17 | 2016-10-27 | Asml Netherlands B.V. | Yield estimation and control |
US20160148850A1 (en) * | 2014-11-25 | 2016-05-26 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
JP2017536584A (ja) * | 2014-11-25 | 2017-12-07 | ストリーム モザイク,インコーポレイテッド | 半導体製造プロセスのための改善されたプロセス制御技術 |
JP2019508789A (ja) * | 2015-12-31 | 2019-03-28 | ケーエルエー−テンカー コーポレイション | 半導体用途のための機械学習ベースのモデルの加速トレーニング |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020136502A (ja) * | 2019-02-20 | 2020-08-31 | キヤノン株式会社 | 情報処理装置、プログラム、リソグラフィ装置、物品の製造方法、及び物品の製造システム |
JP7171468B2 (ja) | 2019-02-20 | 2022-11-15 | キヤノン株式会社 | 情報処理装置、プログラム、リソグラフィ装置、物品の製造方法、物品の製造システム、及び出力方法 |
US11443045B2 (en) * | 2020-05-05 | 2022-09-13 | Booz Allen Hamilton Inc. | Methods and systems for explaining a decision process of a machine learning model |
Also Published As
Publication number | Publication date |
---|---|
KR102304331B1 (ko) | 2021-09-24 |
KR102449586B1 (ko) | 2022-10-04 |
US10948831B2 (en) | 2021-03-16 |
TWI833068B (zh) | 2024-02-21 |
KR20210118471A (ko) | 2021-09-30 |
US20210271172A1 (en) | 2021-09-02 |
TWI724279B (zh) | 2021-04-11 |
WO2018153866A1 (en) | 2018-08-30 |
TW201837759A (zh) | 2018-10-16 |
TW202123060A (zh) | 2021-06-16 |
KR20190117724A (ko) | 2019-10-16 |
US20200026196A1 (en) | 2020-01-23 |
JP6906058B2 (ja) | 2021-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6906058B2 (ja) | 機械学習によるプロセスモデルの決定方法 | |
US11029605B2 (en) | Optimization based on machine learning | |
US20210286270A1 (en) | Method for decreasing uncertainty in machine learning model predictions | |
KR102188014B1 (ko) | 기계 학습에 의한 결함 또는 핫스폿의 식별 | |
KR102048918B1 (ko) | 기계 학습에 의한 피처 검색 | |
CN114096917B (zh) | 用于减小模型预测不确定性的模型校准的预测数据选择 | |
US20220335290A1 (en) | Method for increasing certainty in parameterized model predictions | |
TWI808444B (zh) | 用於產生消除雜訊模型之裝置及方法 | |
EP3789923A1 (en) | Method for increasing certainty in parameterized model predictions | |
CN110337614B (zh) | 通过图案形成装置上的有限厚度的结构确定辐射的散射的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190925 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200908 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201022 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210119 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210601 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210628 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6906058 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |