JP2020530205A - クリティカルディメンション測定用の検査ガイド付きクリティカルサイト選択 - Google Patents

クリティカルディメンション測定用の検査ガイド付きクリティカルサイト選択 Download PDF

Info

Publication number
JP2020530205A
JP2020530205A JP2020506747A JP2020506747A JP2020530205A JP 2020530205 A JP2020530205 A JP 2020530205A JP 2020506747 A JP2020506747 A JP 2020506747A JP 2020506747 A JP2020506747 A JP 2020506747A JP 2020530205 A JP2020530205 A JP 2020530205A
Authority
JP
Japan
Prior art keywords
location
synthetic
critical dimension
criticality
list
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
Application number
JP2020506747A
Other languages
English (en)
Other versions
JP7236435B2 (ja
Inventor
ジャグディシュ チャンドラ サラスワトゥラ
ジャグディシュ チャンドラ サラスワトゥラ
アルピット ヤティ
アルピット ヤティ
ハリ スリラマン パタンギ
ハリ スリラマン パタンギ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KLA Corp
Original Assignee
KLA Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from US15/904,402 external-priority patent/US11035666B2/en
Application filed by KLA Corp filed Critical KLA Corp
Publication of JP2020530205A publication Critical patent/JP2020530205A/ja
Application granted granted Critical
Publication of JP7236435B2 publication Critical patent/JP7236435B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/20—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring contours or curvatures, e.g. determining profile
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]
    • G01R31/2894—Aspects of quality control [QC]
    • 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
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

クリティカルディメンション（ＣＤ）測定または検査のロケーションを決定するためのシステムおよび方法を開示する。そのロケーションでのクリティカルディメンションばらつきの潜在的影響に基づいてクリティカルディメンション測定を行うためのロケーションのリアルタイムでの選択が実行され得る。半導体デバイスのデザインはさらに、クリティカルディメンションばらつきによって影響され得るロケーションを予測するために用いられ得る。ランキングまたはクリティカリティを含み得る序列ロケーションリストに基づいて、選択されたロケーションでクリティカルディメンションが測定され得る。結果を用いてクリティカルディメンションロケーション予測モデルを精錬できる。

Description

本開示は半導体検査に関する。
関連出願の相互参照
本出願は、２０１７年８月７日に出願されたインド仮特許出願第２０１７４１０２７９５７号および２０１７年９月１８日に出願された米国仮特許出願第６２／５５９，８２０号の優先権を主張し、それらの開示を参照により本明細書に援用する。
半導体製造産業の進化は、イールドマネジメントに、また特に計測および検査システムに対し常に増大する要求を課している。ウェハサイズが増大する一方でクリティカルディメンション（ＣＤ）は縮小している。経済は、半導体製造産業を、高イールド、高価値製造を達成するための時間を短縮するように駆りたてている。したがって、イールドの問題を検出してそれを解消するための総時間を最小化することが、半導体製造業者にとっての投資利益率を決定する。
ロジックおよびメモリデバイスなどの半導体デバイスの作製は典型的に、多数の半導体作製プロセスを用いて半導体ウェハを処理し、半導体デバイスの種々の特徴と複数のレベルを形成することを含む。例えば、リソグラフィーは、レチクルから、半導体ウェハ上に配置されたフォトレジストにパターンを転写することを包含する半導体作製プロセスである。半導体作製プロセスの付加的な例は、化学機械研磨（ＣＭＰ）、エッチング、堆積およびイオン注入を含むが、これらに限定されない。複数の半導体デバイスが単一の半導体ウェハ上の配置構成に作製され、次に、個々の半導体デバイスに分離されてよい。
クリティカルディメンション（ＣＤ）測定は、半導体製造フローにおけるプロセス特性評価の一部である。クリティカルディメンションの均一性は、フォトリソグラフィーチームおよびデバイスエンジニアリングチームにとって重要であり得る。仕様に則したチップ性能をもたらし得るのはクリティカルディメンションのシリコン転写へのデザインである。しかしながら、クリティカルディメンションを測定するサイトのリストを決定するのは困難であり得る。
クリティカルディメンションの均一性は一般に、デバイスの見地から検査される。最適性能を提供するためにクリティカルディメンションの均一性に大きく依存する特定のデバイスがチップ内に存在する。したがって、クリティカルディメンションの均一性はプロセス中心の懸念であるというよりは、よりデバイス中心の懸念であり得る。
デザインエンジニア、デバイスエンジニア、光近接効果補正（ＯＰＣ）チームおよびマスクハウスが従来、クリティカルディメンション測定を行うためのロケーションのリストを提供してきた。しかしながら、どこでクリティカルディメンション測定を行うかに関して多様な当事者が合意しない場合にこれらのロケーション全てを検査する、または検査を均衡させる系統的な方法はない。クリティカルディメンション検査は非常に時間がかかり、製造スループットを減少させ得るため、半導体製造業者は検査のロケーションを優先する必要があり得る。
クリティカルディメンション均一性測定サイトの付加的なインプットは、デバイスの重要性に基づくクリティカルディメンション、非常にプロセスセンシティブであると考えられるかプロセスセンシティブであり得る特徴、また、ＯＰＣチームからの光学ルールチェック（ＯＲＣ）ベースのホットスポットおよびマスクハウスからのマスクルールチェック（ＭＲＣ）ベースのホットスポットであった。これらの付加的なインプットは依然として系統的な検査方法を可能にしない。ウェハ検査ツールからのアウトプットは、デザインクリティカリティおよび／または複雑性を考慮する方式でサイトを見出すためには活用されない。これらのインプットがあっても、サイトは事実上ランダムに選択される。
米国特許出願公開第２０１４／０３０１６３０号
したがって、改善されたクリティカルディメンション検査技法およびシステムが必要とされる。
第１の実施形態では、クリティカルディメンションの測定のためのクリティカルロケーションを決定する方法が提供される。序列ロケーションリスト（ｏｒｄｅｒｅｄ ｌｏｃａｔｉｏｎ ｌｉｓｔ）がプロセッサで受信される。序列ロケーションリスト内の各序列ロケーションはデータブロックを含む。クリティカルディメンション測定が得られる。クリティカルディメンション測定を得ることは、（ａ）プロセッサを用いて、序列ロケーションリストから１つの序列ロケーションを選択して、選択されたロケーションを得る、（ｂ）選択されたロケーションで第１のクリティカルディメンションを測定して第１のクリティカルディメンション測定を得る、（ｃ）プロセッサを用いて、第１のクリティカルディメンション測定を、選択されたロケーションのデータブロックに追加する、（ｄ）序列ロケーションリスト内の残存序列ロケーションそれぞれに関してステップ（ａ）〜（ｃ）を繰り返す、ことを含む。
序列ロケーションリストを決定することは、プロセッサで、リソグラフィーに関連する第１ロケーション集合とデバイスのデザインに関連する第２ロケーション集合を受信することを含み得る。第１ロケーション集合内の各ロケーションは、第１の序列のクリティカリティを有する。第２ロケーション集合内の各ロケーションは、第２の序列のクリティカリティを有する。第３ロケーション集合は、プロセッサを用いてウェハ検査ツールの結果から決定され得る。第３ロケーション集合内の各ロケーションは、第３の序列のクリティカリティを有する。第１ロケーション集合、第２ロケーション集合および第３ロケーション集合を、プロセッサを用いて合成して非序列（ｕｎｏｒｄｅｒｅｄ）ロケーションリストにしてもよい。非序列ロケーションリスト内の第１ロケーション集合、第２ロケーション集合および第３ロケーション集合からのロケーションを、プロセッサを用いて、第１の序列のクリティカリティ、第２の序列のクリティカリティおよび第３の序列のクリティカリティに基づいてソートして、序列ロケーションリストを作成することができる。
第３ロケーション集合を決定することは、ウェハ検査ツールでホットスキャンを実行して１つ以上の欠陥を得ることを含み得る。１つ以上の欠陥は、デザイン類似性に基づいて１つ以上の検査グループにグルーピングされ得る。１つ以上のデザインクリップが取得され得る。１つ以上のデザインクリップそれぞれが１つ以上の検査グループのうち１つに対応する。クリティカリティの序列が、１つ以上のデザインクリップそれぞれに関して計算され得る。各クリティカリティの序列が１つ以上の検査グループのうち１つに対応する。１つ以上の検査グループは、それらのクリティカリティの対応する序列に基づいて序列付けされて、第３の序列のクリティカリティを備えた第３ロケーション集合を作成できる。
データブロックは、座標、パターンクリティカリティ、クリティカルディメンションばらつき、デザイン、ランクおよび序列クリティカリティのうち少なくとも１つを含み得る。
クリティカルディメンションロケーション予測モデルは、第１のクリティカルディメンションを備えたデータブロックを用いて訓練され得る。クリティカルディメンションロケーション予測モデルは、ニューラルネットワークなどの深層学習ネットワークであってよい。
一例では、合成ロケーションリストが作成され得る。１つ以上の合成ロケーションは、クリティカルディメンションロケーション予測モデルを用いて決定され得る。１つ以上の合成ロケーションを含む合成ロケーションリストが作成され得る。合成ロケーションはそれぞれ合成ロケーションデータブロックを有する。合成ロケーションデータブロックは、合成ロケーションデータを含むように構成される。
合成ロケーションデータを収集することは、（ａ）合成ロケーションリストから合成ロケーションのうち１つを選択して選択された合成ロケーションを得る、（ｂ）選択された合成ロケーションで第２のクリティカルディメンションを測定して第２のクリティカルディメンション測定を得る、（ｃ）選択された合成ロケーションの合成ロケーションデータブロックに含まれた合成ロケーションデータに第２のクリティカルディメンション測定を追加する、および（ｄ）合成ロケーションリスト内の残存合成ロケーションそれぞれに関してステップ（ａ）〜（ｃ）を繰り返す、ことを含み得る。
クリティカルディメンションロケーション予測モデルは、第２のクリティカルディメンション測定を備えた合成ロケーションデータブロックを用いて訓練され得る。
一例では、コンピュータプログラム製品は、コンピュータ可読プログラムを実装した非一時的コンピュータ可読記憶媒体を備えている。コンピュータ可読プログラムは、第１の実施形態の任意の技法の方法を実行するように構成され得る。
第２の実施形態では、クリティカルディメンションの測定のためのクリティカルサイトを決定するためのシステムが開示される。システムは、データ収集モジュールを含むプロセッサを含む。プロセッサは、（ａ）序列ロケーションリストを受信し、序列ロケーションリスト内の各序列ロケーションはさらにデータブロックを含み、（ｂ）序列ロケーションリストから１つの序列ロケーションを選択して、選択されたロケーションを得る、（ｃ）選択されたロケーションで第１のクリティカルディメンションを測定して第１のクリティカルディメンション測定を得る、（ｄ）選択されたロケーションのデータブロックに含まれたデータに第１のクリティカルディメンション測定を追加する、および（ｅ）序列ロケーションリスト内の残存序列ロケーションそれぞれに関してアクション（ｂ）〜（ｄ）を繰り返す、ように構成されている。データブロックはデータを含むように構成されている。データ収集モジュールと電子的に通信する電子的データ記憶ユニットが、序列ロケーションリストを記憶するように構成されている。
クリティカルディメンション測定システムはプロセッサと電子的に通信できる。
クリティカルディメンションロケーション予測モデルのための深層学習ネットワークが、データ収集モジュールと電子的に通信していてよい。クリティカルディメンションロケーション予測モデルは、第１のクリティカルディメンション測定を備えたデータブロックを用いて訓練される。深層学習ネットワークはニューラルネットワークであってよい。
プロセッサは、クリティカルディメンションロケーション予測モデルを用いて１つ以上の合成ロケーションを決定し、その１つ以上の合成ロケーションを含む合成ロケーションリストを作成するように構成された合成データモジュールを含み得る。合成ロケーションそれぞれは合成ロケーションデータブロックを有し得る。合成ロケーションデータブロックは合成ロケーションデータを含むように構成され得る。
プロセッサは合成ロケーションデータ収集モジュールを含み得る。合成データ収集モジュールは、（ａ）合成ロケーションリストから合成ロケーションのうち１つを選択して、選択された合成ロケーションを得る、（ｂ） 選択された合成ロケーションで第２のクリティカルディメンションを測定して第２のクリティカルディメンション測定を得る、（ｃ）選択された合成ロケーションの合成ロケーションデータブロックに含まれた合成ロケーションデータに第２のクリティカルディメンション測定を追加する、および（ｄ）合成ロケーションリスト内の残存合成ロケーションそれぞれに関してステップ（ａ）〜（ｃ）を繰り返す、ように構成され得る。
クリティカルディメンションロケーション予測モデルは、第２のクリティカルディメンション測定を備えた合成ロケーションデータブロックを用いて訓練されてよい。
プロセッサは、序列ロケーションリストモジュールを含み得る。序列ロケーションリストモジュールは、リソグラフィーに関連する第１ロケーション集合と、デバイスのデザインに関連する第２ロケーション集合を受信するように構成され得る。第１ロケーション集合内の各ロケーションは第１の序列のクリティカリティを有する。第２ロケーション集合内の各ロケーションは第２の序列のクリティカリティを有する。第３ロケーション集合はウェハ検査ツールの結果から決定され得る。第３ロケーション集合内の各ロケーションは第３の序列のクリティカリティを有する。第１ロケーション集合、第２ロケーション集合および第３ロケーション集合を合成して１つの非序列ロケーションリストにしてもよい。非序列ロケーションリスト内の第１ロケーション集合、第２ロケーション集合および第３ロケーション集合からのロケーションは、第１の序列のクリティカリティ、第２の序列のクリティカリティおよび第３の序列のクリティカリティに基づいてソートされて、序列ロケーションリストを作成してもよい。
一例では、プロセッサはさらに、ホットスキャンから生じた１つ以上の欠陥を受信するように構成される。１つ以上の欠陥は、デザイン類似性に基づいて１つ以上の検査グループにグルーピングされ得る。１つ以上のデザインクリップが受信され得る。デザインクリップそれぞれが１つ以上の検査グループのうち１つに対応する。クリティカリティの序列が、１つ以上のデザインクリップそれぞれに関して計算され得る。それぞれが１つ以上の検査グループのうち１つに対応する。１つ以上の検査グループは、それぞれそれらのクリティカリティの序列に基づいて序列付けされて、第３の序列のクリティカリティを備えた第３ロケーション集合を生成できる。
本開示の性質および目的のより完全な理解のため、添付の図面と併せた以下の詳細な説明を参照する。
本開示の一実施形態に係る序列ロケーションデータブロックを示す図である。 本開示の一実施形態に係るクリティカルディメンションの測定のためのクリティカルロケーションを決定するための方法のフローチャートである。 本開示の一実施形態に係る序列ロケーションリストを決定するための方法のフローチャートである。 本開示の一実施形態に係る検査装置ロケーション集合を決定する方法のフローチャートである。 本開示の一実施形態に係る合成ロケーションリストを作成する方法のフローチャートである。 本開示の一実施形態に係る合成ロケーションデータを収集する方法のフローチャートである。 本開示に係るシステムの一実施形態のブロック図である。
クレームに記載された対象を特定の実施形態について説明するが、本明細書に記載の利益と特徴を全て提供するわけではない実施形態を含めて他の実施形態も本開示の範囲内にある。本開示の範囲から逸脱せずに、種々の構造的、論理的、プロセスステップおよび電子的な変更がなされ得る。したがって、開示の範囲は、添付のクレームの範囲を参照することによってのみ定義される。
本開示の実施形態は、クリティカルディメンション測定または検査のためのロケーションを決定する。クリティカルディメンションロケーション選択プロセスのためのインプットは、従来の知識と、種々の検査または計測ツールによって報告されたロケーションのランダムな選択に由来するものであり得る。本開示の実施形態は、変調、均一またはその他のパターン付き半導体ウェハなどの、クリティカルディメンション測定ロケーションを確認する系統的な方法を定義できる。したがって、これらの技法はプロセスウィンドウ検証（ＰＷＱ）またはプロセスモニタリングに適用可能である。
デザインフィーチャのクリティカルディメンションに多くの因子が影響し得る。これらの因子は、ソースマスク最適化（ＳＭＯ）、ＯＰＣ、アシストフィーチャおよび超解像技術（ＲＥＴ）を含むパターニングステップを含み得る。これらの因子は、レジスト挙動、エッチ機構および化学機械平坦化（ＣＭＰ）も含み得る。そのような因子は本明細書に開示の実施形態で考慮に入れられ得る。これらの技法はクリティカルディメンションにおけるばらつきを補償できる。クリティカルディメンション均一性測定は、これらの技法を促進できる技法である。
これらの機構はデザイン密度（例えば、多角形と多角形の相互作用）の影響を受け得るため、クリティカリティ情報（例えば、デザイン複雑性）を効率よく効果的に用いて、クリティカルディメンション均一性のばらつきを提示し得るサイトを選択できる。これは、完全ダイまたはウェハにおけるばらつきをよく表すパターンのサブセットを生成し得る。これは、クリティカルディメンションの問題をもたらす見込みがなく無視されてよいパターンのサブセットも生成し得る。
本開示の実施形態は、従来技術のみに頼るというよりは、そのロケーションでのクリティカルディメンションばらつきの潜在的影響に基づいてクリティカルディメンション測定を得るロケーションのリアルタイム選択を提供できる。本開示の実施形態は、クリティカルディメンションばらつきによって影響され得るロケーションを予測するためのデザインを考慮し、クリティカリティの序列を割り当てることができる。
図１を参照すると、序列ロケーションリスト１０１は１つ以上の序列ロケーション１０２を含み得る。各序列ロケーション１０２はデータブロック１０３を含み得る。図１の例では、３つの序列ロケーション１０２と３つのデータブロック１０３が示されているが、より多数または少数の序列ロケーション１０２またはデータブロック１０３が可能である。序列ロケーションリスト１０１は電子データストレージユニットに記憶されてよい。
データブロック１０３は、座標、パターンクリティカリティ、クリティカルディメンションばらつき、デザイン、ランクおよび序列クリティカリティ（ｏｒｄｅｒｅｄ ｃｒｉｔｉｃａｌｉｔｙ）のうち１つ以上などの、それぞれの序列ロケーション１０２に対応するデータを保持するように構成される。序列ロケーション１０２に関連する他のデータがデータブロック１０３に記憶され得る。
図２は、クリティカルディメンションの測定のためのクリティカルサイトが決定される一実施形態を示す。最初に、ステップ２０１で、序列ロケーションリスト２０２が受信される。図１の序列ロケーションリスト１０１であってよい序列ロケーションリスト２０２は、１つ以上の序列ロケーションのリストを含む。各序列ロケーションは、その序列ロケーションに対応するデータを保持するように構成されたデータブロックを有する。この序列ロケーションリスト２０２は、クリティカルディメンション測定中にウェハ上のどのロケーションが検査され得るかに関する命令として働き得る。
検査は、序列ロケーションリストから1つの序列ロケーションを選択することによってデータを収集して、選択されたロケーションを２０３で得ることを含む。これらのロケーションは、半導体製造業者のパターニングまたはデバイス故障の経験に基づいて選択されてよい。例えば、リソグラフィーチーム、デバイスチームまたはウェハ検査ツール（例えば、ブロードバンドプラズマ（ＢＢＰ）ツール）は、第１の序列ロケーションを２０３で提供してよい。第１のクリティカルディメンションが、選択されたロケーションで測定されて、例えばＳＥＭまたは光学クリティカルディメンションツールを用いて２０４で第１のクリティカルディメンションを得ることができる。第１のクリティカルディメンション測定は、選択されたロケーションのデータブロックに含まれるデータに２０５で追加され得る。これらのステップは、序列ロケーションリスト内の残存序列ロケーションのうち一部または全部に関して２０６で繰り返され得る。検査サイクルを２０６で抜けるべきかどうかの検査は、クリティカルディメンション測定を得るために未だ用いられていない序列ロケーションが、序列ロケーションリストにあるか否かである。クリティカルディメンション測定を得るために未だ用いられていない序列ロケーションが、序列ロケーションリストにあった場合、ステップ２０３〜２０５を繰り返す。別の例では、序列ロケーションのうち一部のみを用いてクリティカルディメンション測定を得る。
序列ロケーションリストを用いて、また、拡張して、各序列ロケーションについてデータブロック内に含まれたデータを用いて、クリティカルディメンションロケーション予測モデル２０８を訓練できる。クリティカルディメンションロケーション予測モデル２０８は弾性であり得る、すなわち、追加データで再訓練または精錬できる。部分的または全体的に訓練された後で、クリティカルディメンションロケーション予測モデル２０８は将来の使用に備えて記憶され得る。
一例では、クリティカルディメンションロケーション予測モデル２０８はニューラルネットワークまたは深層学習ネットワークであり得る。
クリティカルディメンションロケーション予測モデル２０８を用いて、どのロケーションでクリティカルディメンション測定を行うかを決定できる。ロケーションは、デザインクリティカリティに基づいて選択され得るものであり、結果として、デザイン変動に基づいて、ウェハ毎に異なり得る。クリティカルディメンションロケーション予測モデル２０８は、検査効率を向上させるために、どこでクリティカルディメンション測定を行うかを最適化してよい。
図３を参照して、別の実施形態では、序列ロケーションリストがクリティカルディメンション測定で使用するために決定される。この決定は、リソグラフィーに関連する第１ロケーション集合３０１（例えば、リソグラフィーチームからのロケーション）とデバイスのデザインに関連する第２ロケーション集合３０２（例えば、デバイスチームからのロケーション）を受け取って、ウェハ検査ツールから第３ロケーション集合３０３を決定することを含む。これら３つのロケーション集合が３０１、３０２および３０３で開示されているが、別の実例では１つのみ、または２つのみのロケーション集合が用いられてもよい。別の実例では、３つを超えるロケーション集合が用いられてもよい。ロケーション集合の個数は、クリティカリティが何個のゾーンに分割されているかに依存し得る。
ロケーション集合３０１、３０２および３０３内のロケーションそれぞれはクリティカリティの序列を有する。このクリティカリティの序列は、デザインクリティカリティアルゴリズムを用いて決定または評価されてよい。ロケーション集合３０１、３０２および３０３は次にステップ３０４で合成されて非序列ロケーションリスト３０５をもたらす。非序列ロケーションリスト３０５はソートステップ３０６でソートされて序列ロケーションリスト３０７をもたらす。
ソートはクリティカリティの序列によって行われ、序列ロケーションリスト３０７内の序列ロケーションはそれらの対応するクリティカリティの序列によってランク付けされる。こうして、ロケーション集合３０１、３０２および３０３は、第１の序列のクリティカリティ、第２の序列のクリティカリティおよび第３の序列のクリティカリティを用いてソートされて、序列ロケーションリストを形成する。クリティカリティは、形状に基づくグルーピング（ＳＢＧ）などのアルゴリズムを、デザインに基づくグルーピングを用いるなど、デザイングルーピング（ＤＢＧ）機能後にウェハ検査ツールから得たデザインファイルまたはデザインクリップに実行することによって測定され得る。
序列ロケーションリスト３０７は、図２で２０１で受け取った序列ロケーションリスト２０２であってよい。
図４を参照した別の実施形態では、検査装置ロケーション集合が決定される。１つ以上の検査サイトのホットスキャン４０１が実行されて１つ以上の欠陥を得る。例えば、ＢＢＰツールを用いてホットスキャンを実行してよい。次に、欠陥は、デザイン類似性に基づいて４０２で１つ以上の検査グループ４０３にグルーピングされる。１つ以上のデザインクリップ４０５が得られる。次に、４０４で、検査グループ４０３は対応するデザインクリップ４０５と合成される。４０６で、検査グループ４０３に対応する各デザインクリップ４０５を用いて、検査グループ４０３についてのクリティカリティの序列を計算する。例えば、形状に基づくグルーピングまたはＦＬＥＸルールをデザインファイルに用いてクリティカリティを決定してもよい。次に検査グループ４０３は、それらのクリティカリティの序列に基づいて４０７で序列付けされて、検査装置ロケーション集合４０８を生成する。
ホットスキャンは、画素に欠陥があるかどうかを判断するための検出閾値（例えば、ダイ・ツー・ダイグレイレベルにおける最小差）を低い値に設定するものである。したがって、そのような検出レシピは多数の「欠陥」を発見することになる。この閾値を調整して、実欠陥のみを捉えるとともにノイズまたはニューサンス欠陥などの偽検出を除外してもよい。
検査装置ロケーション集合４０８は、図３の第３ロケーション集合３０３であってよい。
図５を参照した別の実施形態では、合成ロケーションリストが作成される。クリティカルディメンションロケーション予測モデル５０２がステップ５０１でインプットとして用いられて、１つ以上の合成ロケーションが決定される。これらの合成ロケーションは５０３で用いられて合成ロケーションリスト５０４を形成する。合成ロケーションリスト５０４は、１つ以上の合成ロケーション５０５を含み、それぞれがさらに、合成ロケーションデータブロック５０６を備えている。
図５の例では３つの合成ロケーション５０５と３つの合成ロケーションデータブロック５０６が示されているが、より多数またはより少数の合成ロケーション５０５または合成ロケーションデータブロック５０６が可能である。合成ロケーションリスト５０４は電子データストレージユニットに記憶されてよい。
合成ロケーションデータブロック５０６は、座標、パターンクリティカリティ、クリティカルディメンションばらつき、デザイン、ランクおよび序列クリティカリティのうち１つ以上などの、それぞれの合成ロケーション５０５に対応する合成ロケーションデータを保持するように構成される。序列付けした合成ロケーション５０５に関する他のデータは、ロケーションデータブロック５０６に記憶され得る。
クリティカルディメンション均一性測定の今後のサイトを機械学習モデルが予測できるように、合成データを用いて機械学習モデルを訓練できる。図６を参照した別の実施形態では、合成ロケーションデータは、合成ロケーションリストに基づいて検査を用いて収集される。この検査は、合成ロケーションリスト６０１から１つの合成ロケーションを選択することによってデータを収集して、選択された合成ロケーションを６０２で得ることを含む。合成ロケーションは、半導体製造業者からのインプットに基づいて選択されても、または、形状に基づくグルーピングなどの複雑性予測アルゴリズムに基づいて選択されてもよい。第２のクリティカルディメンションが、選択された合成ロケーションで測定されて、６０３で第２のクリティカルディメンションを得る。第２のクリティカルディメンション測定は、６０４で、選択された合成ロケーションの合成ロケーションデータブロックに含まれる合成ロケーションデータに追加される。６０５で、合成ロケーションリスト内の一部または全部の残存合成ロケーションに関して、これらのステップ６０２〜６０４が繰り返される。検査サイクルを６０６で抜けるべきかどうかの検査は、合成寸法測定を得るために未だ用いられていない合成ロケーションが合成ロケーションリスト上にあるか否かである。合成寸法測定を得るために未だ用いられていない合成ロケーションが合成ロケーションリストにあった場合、ステップ６０２〜６０４を繰り返す。別の実例では、合成ロケーションのうち一部のみを用いてクリティカルディメンション測定を得る。
合成データは最初に半導体ウェハから由来し得る。本明細書の技法のうち１つを用いて、ＳＥＭおよびクリティカルディメンションアルゴリズムによって、クリティカルディメンションを測定するロケーションが得られ測定され得る。生成されたデータは合成データであってもよい。
合成ロケーションリスト６０１は、図５の合成ロケーションリスト５０４であってよい。
一実施形態において、合成ロケーションリスト６０１は、合成ロケーションデータブロックのうち１つ以上に含まれる合成ロケーションデータを用いてクリティカルディメンションロケーション予測モデルを訓練するために用いられ得る。デザインはウェハ毎に異なる可能性があるため、予測は類似したデザインのウェハまたはダイに用いられてよい。しかしながら、予測は異なるウェハまたは異なるダイ上の異なるデザインにも用いられ得る。
本開示の実施形態はいくつかの利点を提供する。従来のプロセスとデバイスの知識のみを使用することを越えて、本開示の実施形態は、ウェハ検査ツールからのフィードバックとデザインクリティカリティの序列に基づいてクリティカルディメンション測定ロケーションを提供できる。このインプットは単独で、または組み合わせて考慮され得る。クリティカリティの序列に基づく序列ロケーションリストのランキングは、クリティカリティと複雑性に基づいたロケーションのフィルタリングを可能にできる。
図２〜６に示された方法の実施形態はリアルタイムで実行され得る。これは、製造スループットへの影響を低減できる。さらに、図２〜６に示された方法は、主観的なユーザインプットへの依存を減らす。
図７は、クリティカルディメンションを測定するためのクリティカルサイトを決定するために用いられ得るシステム実施形態のブロック図である。システム７００は、プロセッサ７０１と、プロセッサ７０１と電子的に通信する電子データストレージユニット７０２を含む。プロセッサ７０１と電子データストレージユニット７０２は両方とも、ＳＥＭなどのクリティカルディメンション測定システム７０３と電子的に通信する。クリティカルディメンション測定システム７０３は、ウェハを保持するように構成されたステージと、電子または光学ビームを用いてウェハの表面をイメージングするイメージングシステムを含んでよい。プロセッサ７０１は、マイクロプロセッサ、マイクロコントローラまたは他のデバイスを含んでよい。クリティカルディメンション測定システム７０３は、プロセッサ７０１から命令または他の情報を受信できる。プロセッサ７０１および／または電子データストレージユニット７０２は任意選択的に、ウェハ検査ツール、ウェハ計測ツールまたはウェハレビューツール（図示せず）と電子的に通信して付加的な情報を受信するか、または命令を送信してよい。
プロセッサ７０１と電子データストレージユニット７０２は、クリティカルディメンション測定システム７０３または他のデバイスの一部であってよい。一例では、プロセッサ７０１と電子データストレージユニット７０２は、スタンドアローン制御ユニットの一部であっても、または一元化された品質管理ユニット内にあってもよい。複数のプロセッサ７０１または電子データストレージユニット７０２が用いられてよい。
プロセッサ７０１は、実際には、ハードウェア、ソフトウェアおよびファームウェアの任意の組み合わせによって実施されてよい。さらに、本明細書に記載のその機能は、１つのユニットによって実行されても、または異なる構成要素に分割して、次に構成要素それぞれがハードウェア、ソフトウェアおよびファームウェアの任意の組み合わせによって実施されてもよい。プロセッサ７０１が種々の方法および機能を実施するためのプログラムコードまたは命令は、電子データストレージユニット７０２内のメモリまたは他のメモリなどの可読記憶媒体に記憶されてよい。
プロセッサ７０１は、プロセッサ７０１がアウトプットを受信し得るように、システム７００の構成要素に任意の適切な方式で（例えば、有線および／または無線伝送媒体を含み得る１つ以上の伝送媒体を介して）結合されてよい。プロセッサ７０１は、アウトプットを用いていくつかの機能を実行するように構成されてよい。
本明細書に記載のプロセッサ７０１、他のシステム（複数可）、または他のサブシステム（複数可）は、パーソナルコンピュータシステム、イメージコンピュータ、メインフレームコンピュータシステム、ワークステーション、ネットワーク機器、インターネット機器、または他のデバイスを含む種々のシステムの一部であってよい。サブシステム（複数可）またはシステム（複数可）はさらに、パラレルプロセッサなどの当技術分野で知られる任意の適切なプロセッサを含んでよい。さらに、サブシステム（複数可）またはシステム（複数可）は、スタンドアローンまたはネットワークツールのいずれかとしての高速処理およびソフトウェアを備えたプラットフォームを含んでよい。
システムが２つ以上のサブシステムを含む場合、異なるサブシステムは、画像、データ、情報、命令等がサブシステム間で送信され得るように互いに結合されてよい。例えば、１つのサブシステムは、当技術分野で知られる任意の適切な有線および／または無線伝送媒体を含み得る任意の適切な伝送媒体によって付加的なサブシステム（複数可）に結合されてよい。そのようなサブシステムのうち２つ以上が、共有コンピュータ可読記憶媒体（図示せず）によって有効に結合されてもよい。
付加的な実施形態は、本明細書に開示のように欠陥検出を実行するためにプロセッサで実行可能なプログラム命令を記憶する非一時的コンピュータ可読媒体に関する。特に、プロセッサ７０１は、電子データストレージユニット７０２内のメモリ、またはプロセッサ７０１で実行可能なプログラム命令を含む非一時的コンピュータ可読媒体を備えたその他の電子データストレージ媒体に結合され得る。コンピュータ実装方法は、本明細書に記載の任意の方法（複数可）の任意のステップ（複数可）を含み得る。例えば、プロセッサ７０１は、図２〜６のいずれかのステップのうち一部または全部、または本明細書に記載の他の実施形態を実行するようにプログラムされてよい。
プログラム命令は、とりわけ、手順ベースの技法、構成要素ベースの技法、および／またはオブジェクト指向技法を含む種々の方式のうちいずれで実装されてもよい。例えば、プログラム命令は、要望に応じて、アクティブＸコントロール、Ｃ＋＋オブジェクト、ジャバビーンズ、マイクロソフトファウンデーションクラス（ＭＦＣ）、ストリーミングＳＩＭＤエクステンション（ＳＳＥ）または他の技術もしくは方法を用いて実行されてよい。
プロセッサ７０１はデータ収集モジュール７０３を含み得る。データ収集モジュールは、（ａ）序列ロケーションリストを受信し、（ｂ）序列ロケーションリストから１つの序列ロケーションを選択して、選択されたロケーションを得る、（ｃ）選択されたロケーションで第１のクリティカルディメンションを測定して第１のクリティカルディメンション測定を得る、（ｄ）第１のクリティカルディメンション測定を、選択されたロケーションのデータブロックに含まれたデータに追加する、（ｅ）序列ロケーションリスト内の残存序列ロケーションそれぞれに関してアクション（ｂ）〜（ｄ）を繰り返す、ように構成され得る。序列ロケーションリスト内の各序列ロケーションは、データを格納するように構成されたデータブロックをさらに含み得る。電子データストレージユニット７０２はデータ収集モジュール７０３と電子的に通信してよい。電子データストレージユニット７０２は、序列ロケーションリストを記憶するように構成され得る。
プロセッサ７０１はさらに、クリティカルディメンションロケーション予測モデルを含む、またはクリティカルディメンションロケーション予測モデルを使用できる深層学習ネットワーク７０４を含み得る。深層学習ネットワーク７０４はデータ収集モジュール７０３と電子的に通信してよい。クリティカルディメンションロケーション予測モデルは、第１のクリティカルディメンション測定を備えたデータブロックを用いて訓練され得る。深層学習ネットワーク７０４はニューラルネットワークであってよい。
プロセッサ７０１は、深層学習ネットワーク７０４によって使用されるクリティカルディメンションロケーション予測モデルを用いて１つ以上の合成ロケーションを決定して、その１つ以上の合成ロケーションを含む合成ロケーションリストを作成するように構成された合成データモジュール７０５も含む。合成ロケーションそれぞれは合成ロケーションデータブロックを含む。合成ロケーションデータブロックは合成ロケーションデータを含むように構成される。
プロセッサ７０１は、（ａ）合成ロケーションリストから合成ロケーションのうち１つを選択して、選択された合成ロケーションを得て、（ｂ）選択された合成ロケーションで第２のクリティカルディメンションを測定して第２のクリティカルディメンション測定を得て、（ｃ）選択された合成ロケーションの合成ロケーションデータブロックに含まれた合成ロケーションデータに第２のクリティカルディメンション測定を追加する、ように構成された合成ロケーションデータ収集モジュール７０６も含む。合成ロケーションデータ収集モジュール７０６は、合成ロケーションリスト内の残存合成ロケーションそれぞれに関してステップ（ａ）〜（ｃ）を繰り返してよい。
深層学習ネットワーク７０４によって用いられるクリティカルディメンションロケーション予測モデルは、第２のクリティカルディメンション測定を備えた合成ロケーションデータブロックを用いて訓練され得る。
プロセッサ７０１はさらに、序列ロケーションリストモジュール７０７を含み得る。序列ロケーションリストモジュール７０７は、リソグラフィーに関連する第１ロケーション集合と、デバイスのデザインに関連する第２ロケーション集合を受信し、ウェハ検査ツールの結果から第３ロケーション集合を決定するように構成され得る。第１ロケーション集合内の各ロケーションは第１の序列のクリティカリティを有し得る。第２ロケーション集合内の各ロケーションは第２の序列のクリティカリティを有し得る。第３ロケーション集合内の各ロケーションは第３の序列のクリティカリティを有し得る。序列ロケーションリストモジュール７０７は、第１ロケーション集合、第２ロケーション集合および第３ロケーション集合を合成して１つの非序列ロケーションリストにしてもよい。序列ロケーションリストモジュール７０７はまた、非序列ロケーションリスト内の第１ロケーション集合、第２ロケーション集合および第３ロケーション集合からのロケーションを、第１の序列のクリティカリティ、第２の序列のクリティカリティおよび第３の序列のクリティカリティに基づいてソートして、序列ロケーションリストを作成してもよい。
プロセッサ７０１はさらに、ホットスキャンから生じた１つ以上の欠陥を受信し、その１つ以上の欠陥をデザイン類似性に基づいて１つ以上の検査グループにグルーピングし、それぞれが１つ以上の検査グループのうち１つに対応する１つ以上のデザインクリップを受信し、それぞれが１つ以上の検査グループのうち１つに対応する１つ以上のデザインクリップそれぞれに関してクリティカリティの序列を計算し、１つ以上の検査グループを、それらのそれぞれのクリティカリティの序列に基づいて序列付けして、第３の序列のクリティカリティを備えた第３ロケーション集合を生成するように構成され得る。ＢＢＰツールを用いて、ホットスキャンを用いた欠陥を生成してもよい。
プロセッサ７０１の一部として説明されているが、データ収集モジュール７０３、深層学習ネットワーク７０４、合成データモジュール７０５、合成ロケーションデータ収集モジュール７０６および／または序列ロケーションリストモジュール７０７はプロセッサ７０１とは別個であり得る。例えば、これらのモジュールのうち１つ以上はスタンドアローンシステムであってよいか、または異なるプロセッサの一部であり得る。
本開示はニューラルネットワークを深層学習ネットワーク７０４として用いるために実現されてよい。一部の実施形態では、ニューラルネットワークは生成モデルである。生成モデルは一般に、本質的に確率的なモデルとして定義され得る。言い換えると、生成モデルは、フォワードシミュレーションまたはルールべースのアプローチを実行するものではない。代わりに、生成モデルは、データの適切な訓練集合に基づいて学習され得る（そのパラメータが学習され得るという意味で）。
一実施形態において、ニューラルネットワークは深層生成モデルとして構成される。例えば、モデルは、いくつかのアルゴリズムまたは変換を実行する複数の層をモデルが含み得るという意味において深層学習アーキテクチャを有するように構成されてよい。モデルの片側または両側の層の数は多様であってよい。例えば、生成モデルのエンコーダ側の層の数はユースケースに依存する。さらに、デコーダ側の層の数はユースケースに依存するとともに、エンコーダ側の層の数に依存し得る。一般的に、生成モデルの片側または両側の層の数は重要ではなく、ユースケースに依存する。実用目的から、両側の層の適切な範囲は二層から数十層である。
別の実施形態では、ニューラルネットワークは、訓練するために供給されたデータに従って世界をモデル化する一組の重みを備えた深層学習ニューラルネットワークであってよい。ニューラルネットワークは一般に、軸策によって接続された生体ニューロンの比較的大きなクラスターで生体脳が問題を解決する様を大まかにモデル化する神経ユニットの比較的大きな集合に基づく計算的アプローチとして定義され得る。各神経ユニットは他の多くの神経ユニットと接続され、リンクが、接続された神経ユニットの起動状態へのそれらの効果を実施または阻害し得る。これらのシステムは、明示的にプログラムされているというよりは自己学習され訓練されるものであり、伝統的なコンピュータプログラムではソリューションまたはフィーチャ検出が表現し難い領域において卓越し得る。深層学習は、深層アーキテクチャとして一般に知られる、複数の神経層を備えた確率的グラフモデルである。深層学習技術は、画像、文字、音声などの情報またはその他のインプットを階層的な方式で処理する。本開示で深層学習を用いるにあたり、フィーチャ抽出は、データからの学習を用いて自動的に達成される。これは、画像の集合に関する専門家の理解に基づいてフィーチャを抽出する従来のアプローチよりも有利である。本開示において、固定パラメータの予測近最適値は、クリティカルパラメータの基準値を与えられてニューラルネットワークによって予測される。
ニューラルネットワークは典型的に複数の層からなり、信号経路は前から後ろに伝播する。ニューラルネットワークの目的は、人の脳が解決するのと同じ方式で問題を解決することであるが、いくつかのニューラルネットワークはより一層抽象的である。ニューラルネットワークのプロジェクトは典型的に、数千から数百万の神経ユニットおよび何百万もの接続を取り扱う。ニューラルネットワークは、当技術分野で知られる任意の適切なアーキテクチャおよび／または構成を有してよい。
深層アーキテクチャを備えたニューラルネットワークには、確率仕様に応じて、また、限定はしないが、ディープビリーフネットワーク（ＤＢＮ）、制限ボルツマンマシン（ＲＢＭ）、オートエンコーダ、または畳み込みニューラルネットワーク（ＣＮＮ）を含むネットワークアーキテクチャに応じて多くのバリエーションがある。実際の実装は、入手可能な情報、提供される情報のサイズおよび問題の性質に応じて変動し得る。
本明細書に記載のような方法を実施するプログラム命令は、電子データストレージユニット７０２または他の記憶媒体などのコンピュータ可読媒体に記憶されてもよい。コンピュータ可読媒体は、磁気もしくは光学ディスク、磁気テ−プまたは当技術分野で知られる任意の他の適切な非一時的コンピュータ可読媒体などの記憶媒体であってよい。例えば、電子データストレージユニット７０２内のメモリまたはその他の電子データストレージ媒体は、磁気もしくは光学ディスク、磁気テ−プなどの記憶媒体、または当技術分野で知られる任意の他の適切な非一時的コンピュータ可読媒体であってよい。特に、電子データストレージユニット７０２は、永続性記憶装置、ランダムアクセスメモリ、またはスプリットデータベースを含み得る。
一例では、非一時的コンピュータ可読記憶媒体は、１つ以上のコンピューティングデバイスでステップを実行するための１つ以上のプログラムを含む。非一時的コンピュータ可読記憶媒体でのステップは、クリティカルディメンションの測定のためのクリティカルロケーションを決定することを含み得る。非一時的コンピュータ可読記憶媒体でのステップは図２〜６の、または本明細書に開示の他の実施形態のいくつかのステップのうち一部または全部も含み得る。
用語「クリティカルディメンション」は、構造の任意のクリティカルディメンションを含み得る（例えば、底部クリティカルディメンション、中間クリティカルディメンション、頂部クリティカルディメンション、側壁角、格子高さ等）、任意の２つ以上の構造間のクリティカルディメンション（例えば、２つの構造間の距離）、または２つ以上の構造間の変位（例えば、重ね合わせた格子構造のオーバーレイ変位等）。構造は、三次元構造、パターン付き構造、オーバーレイ構造等を含み得る。
方法のステップそれぞれは本明細書に記載のように実行されてよい。方法は、本明細書に記載のプロセッサおよび／またはコンピュータサブシステム（複数可）もしくはシステム（複数可）によって実行され得る任意の他のステップ（複数可）も含んでよい。ステップは、本明細書に記載の実施形態のいずれかに従って構成され得る１つ以上のコンピュータシステムによって実行され得る。さらに、上記の方法は、本明細書に記載のシステム実施形態のいずれによって実行されてもよい。
本開示を、１つ以上の特定の実施形態に関して説明してきたが、本開示の範囲から逸脱せずに本開示の他の実施形態もなされ得ることが理解されよう。したがって、本開示は添付の特許請求の範囲の合理的な解釈によってのみ限定されると見なされる。

Claims (20)

  1. クリティカルディメンションの測定のためのクリティカルロケーションを決定する方法であって、
    序列ロケーションリストをプロセッサで受信し、前記序列ロケーションリスト内の各序列ロケーションはデータブロックを含み、
    （ａ）前記プロセッサを用いて、前記序列ロケーションリストから１つの序列ロケーションを選択して、選択されたロケーションを得るステップと、
    （ｂ）前記選択されたロケーションで第１のクリティカルディメンションを測定して第１のクリティカルディメンション測定を得るステップと、
    （ｃ）前記プロセッサを用いて、第１のクリティカルディメンション測定を、前記選択されたロケーションのデータブロックに追加するステップと、
    （ｄ）前記序列ロケーションリスト内の残存序列ロケーションそれぞれに関してステップ（ａ）乃至（ｃ）を繰り返すステップと、
    を含めてクリティカルディメンション測定を得ることを含む方法。
  2. 前記序列ロケーションリストを決定することは、
    前記プロセッサで、リソグラフィーに関連する第１ロケーション集合を受信し、前記第１ロケーション集合内の各ロケーションは第１の序列のクリティカリティを有し、
    前記プロセッサで、デバイスのデザインに関連する第２ロケーション集合を受信し、前記第２ロケーション集合内の各ロケーションは第２の序列のクリティカリティを有し、
    前記プロセッサを用いて、前記ウェハ検査ツールの結果から第３ロケーション集合を決定し、前記第３ロケーション集合内の各ロケーションは第３のクリティカリティの序列を有し、
    前記プロセッサを用いて、前記第１ロケーション集合、前記第２ロケーション集合および前記第３ロケーション集合を合成して１つの非序列ロケーションリストにし、
    前記プロセッサを用いて、前記非序列ロケーションリスト内の前記第１ロケーション集合、前記第２ロケーション集合および前記第３ロケーション集合からのロケーションを、前記第１の序列のクリティカリティ、前記第２の序列のクリティカリティおよび前記第３の序列のクリティカリティに基づいてソートして、序列ロケーションリストを作成する、
    ことを含む、請求項１に記載の方法。
  3. 前記第３ロケーション集合を決定することは、
    前記ウェハ検査ツールにホットスキャンを実行して１つ以上の欠陥を得、
    前記１つ以上の欠陥を、デザイン類似性に基づいて１つ以上の検査グループにグルーピングし、
    １つ以上のデザインクリップを得、前記１つ以上のデザインクリップそれぞれは前記１つ以上の検査グループのうち１つに対応しており、
    それぞれが前記１つ以上の検査グループのうち１つに対応する前記１つ以上のデザインクリップそれぞれに関してクリティカリティの序列を計算し、
    前記１つ以上の検査グループを、それぞれのクリティカリティの序列に基づいて序列付けして、前記第３の序列のクリティカリティを備えた前記第３ロケーション集合を生成する、ことを含む請求項２に記載の方法。
  4. 前記データブロックは、座標、パターンクリティカリティ、クリティカルディメンションばらつき、デザイン、ランクおよび序列クリティカリティのうち少なくとも１つを含む、請求項１に記載の方法。
  5. 前記第１のクリティカルディメンションを備えたデータブロックを用いてクリティカルディメンションロケーション予測モデルを訓練することをさらに含む、請求項１に記載の方法。
  6. 前記クリティカルディメンションロケーション予測モデルは深層学習ネットワークである請求項５に記載の方法。
  7. 前記深層学習ネットワークはニューラルネットワークである請求項６に記載の方法。
  8. 前記クリティカルディメンションロケーション予測モデルを用いて１つ以上の合成ロケーションを決定し、
    前記１つ以上の合成ロケーションを含む合成ロケーションリストを作成し、前記合成ロケーションそれぞれは合成ロケーションデータブロックを有し、前記合成ロケーションデータブロックは合成ロケーションデータを含むように構成されることを含めて、合成ロケーションリストを作成することをさらに含む、請求項５に記載の方法。
  9. （ａ）前記合成ロケーションリストから合成ロケーションのうち１つを選択して、選択された合成ロケーションを得るステップと、
    （ｂ）前記選択された合成ロケーションで第２のクリティカルディメンションを測定して第２のクリティカルディメンション測定を得るステップと、
    （ｃ）前記選択された合成ロケーションの合成ロケーションデータブロックに含まれた合成ロケーションデータに前記第２のクリティカルディメンション測定を追加するステップと、
    （ｄ）前記合成ロケーションリスト内の残存合成ロケーションそれぞれに関してステップ（ａ）乃至（ｃ）を繰り返すステップと、
    を含めて前記合成ロケーションデータを収集することをさらに含む、請求項８に記載の方法。
  10. 前記第２のクリティカルディメンション測定を備えた前記合成ロケーションデータブロックを用いて前記クリティカルディメンションロケーション予測モデルを訓練することをさらに含む、請求項９に記載の方法。
  11. コンピュータ可読プログラムを実装した非一時的コンピュータ可読記憶媒体を備えたコンピュータプログラム製品であって、前記コンピュータ可読プログラムが、請求項１に記載の方法を実行するように構成されているコンピュータプログラム製品。
  12. クリティカルディメンションの測定のためのクリティカルサイトを決定するためのシステムであって、
    （ａ）序列ロケーションリストを受信し、前記序列ロケーションリスト内の各序列ロケーションはさらにデータブロックを含み、前記データブロックは、データを含むように構成され、
    （ｂ）前記序列ロケーションリストから１つの序列ロケーションを選択して、選択されたロケーションを取得し、
    （ｃ）前記選択されたロケーションで第１のクリティカルディメンションを測定して第１のクリティカルディメンション測定を得、
    （ｄ）前記第１のクリティカルディメンション測定を、前記選択されたロケーションのデータブロックに含まれたデータに追加し、
    （ｅ）前記序列ロケーションリスト内の残存序列ロケーションそれぞれに関してアクション（ｂ）乃至（ｄ）を繰り返す、
    ように構成されたデータ収集モジュールを含むプロセッサと、
    前記序列ロケーションリストを格納するように構成された前記データ収集モジュールと電子的に通信する電子データストレージユニットと、
    を備えたシステム。
  13. 前記プロセッサと電子的に通信するクリティカルディメンション測定システムをさらに備えた、請求項１２に記載のシステム。
  14. データ収集モジュールと電子的に通信する、クリティカルディメンションロケーション予測モデル用の深層学習ネットワークをさらに備え、前記クリティカルディメンションロケーション予測モデルは、前記第１のクリティカルディメンション測定を備えたデータブロックを用いて訓練される、請求項１２に記載のシステム。
  15. 前記深層学習ネットワークはニューラルネットワークである、請求項１４に記載のシステム。
  16. 前記プロセッサがさらに合成データモジュールを備え、前記合成データモジュールが、
    前記クリティカルディメンションロケーション予測モデルを用いて１つ以上の合成ロケーションを決定し、
    前記１つ以上の合成ロケーションを含む合成ロケーションリストを作成し、前記合成ロケーションそれぞれが合成ロケーションデータブロックを有し、前記合成ロケーションデータブロックは、合成ロケーションデータを含むように構成されている、請求項１４に記載のシステム。
  17. 前記プロセッサがさらに合成ロケーションデータ収集モジュールを備え、前記合成ロケーションデータ収集モジュールが、
    （ａ）前記合成ロケーションリストから合成ロケーションのうち１つを選択して、選択された合成ロケーションを得て、
    （ｂ）前記選択された合成ロケーションで第２のクリティカルディメンションを測定して第２のクリティカルディメンション測定を得て、
    （ｃ）前記選択された合成ロケーションの合成ロケーションデータブロックに含まれた合成ロケーションデータに前記第２のクリティカルディメンション測定を追加し、
    （ｄ）前記合成ロケーションリスト内の残存合成ロケーションそれぞれに関してステップ（ａ）〜（ｃ）を繰り返す、ように構成されている請求項１６に記載のシステム。
  18. 前記クリティカルディメンションロケーション予測モデルは、前記第２のクリティカルディメンション測定を備えた合成ロケーションデータブロックを用いて訓練される、請求項１７に記載のシステム。
  19. 前記プロセッサがさらに序列ロケーションリストモジュールを備え、前記序列ロケーションリストモジュールが、
    リソグラフィーに関連する第１ロケーション集合を受信し、前記第１のロケーション集合内の各ロケーションは第１の序列のクリティカリティを有し、
    デバイスのデザインに関連する第２ロケーション集合を受信し、前記第２のロケーション集合内の各ロケーションは第２の序列のクリティカリティを有し、
    ウェハ検査ツールの結果から第３ロケーション集合を決定し、前記第３のロケーション集合内の各ロケーションは第３の序列のクリティカリティを有し、
    前記第１ロケーション集合、前記第２ロケーション集合および前記第３ロケーション集合を合成して１つの非序列ロケーションリストにし、
    前記非序列ロケーションリスト内の前記第１ロケーション集合、前記第２ロケーション集合および前記第３ロケーション集合を、前記第１の序列のクリティカリティ、前記第２の序列のクリティカリティおよび前記第３の序列のクリティカリティに基づいてソートして、序列ロケーションリストを作成する、ように構成されている請求項１２に記載のシステム。
  20. 前記プロセッサはさらに、
    ホットスキャンから生じた１つ以上の欠陥を受信し、
    前記１つ以上の欠陥を、デザイン類似性に基づいて１つ以上の検査グループにグルーピングし、
    １つ以上のデザインクリップを受信し、前記デザインクリップそれぞれは前記１つ以上の検査グループのうち１つに対応し、
    それぞれが前記１つ以上の検査グループのうち１つに対応する前記１つ以上のデザインクリップそれぞれに関してクリティカリティの序列を計算し、
    前記１つ以上の検査グループを、それらのそれぞれのクリティカリティの序列に基づいて序列付けして、前記第３の序列のクリティカリティを備えた前記第３ロケーション集合を生成する、ように構成されている請求項１９に記載のシステム。
JP2020506747A 2017-08-07 2018-08-06 クリティカルディメンション測定用の検査ガイド付きクリティカルサイト選択 Active JP7236435B2 (ja)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN201741027957 2017-08-07
IN201741027957 2017-08-07
US201762559820P 2017-09-18 2017-09-18
US62/559,820 2017-09-18
US15/904,402 US11035666B2 (en) 2017-08-07 2018-02-25 Inspection-guided critical site selection for critical dimension measurement
US15/904,402 2018-02-25
PCT/US2018/045303 WO2019032413A1 (en) 2017-08-07 2018-08-06 CRITICAL SITE SELECTION GUIDED BY INSPECTION FOR A CRITICAL DIMENSION MEASUREMENT

Publications (2)

Publication Number Publication Date
JP2020530205A true JP2020530205A (ja) 2020-10-15
JP7236435B2 JP7236435B2 (ja) 2023-03-09

Family

ID=67702071

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020506747A Active JP7236435B2 (ja) 2017-08-07 2018-08-06 クリティカルディメンション測定用の検査ガイド付きクリティカルサイト選択

Country Status (7)

Country Link
EP (1) EP3635774B1 (ja)
JP (1) JP7236435B2 (ja)
KR (1) KR102589615B1 (ja)
CN (1) CN111052326B (ja)
IL (1) IL272161B2 (ja)
SG (1) SG11202000611YA (ja)
TW (1) TWI768092B (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002033365A (ja) * 2000-07-14 2002-01-31 Seiko Instruments Inc ウエハパターン観察方法及び装置
JP2002532696A (ja) * 1998-12-04 2002-10-02 インフィネオン テクノロジース エスシー３００ ゲゼルシャフト ミット ベシュレンクテル ハフツング ウント コンパニー コマンディートゲゼルシャフト 半導体製造での微細構造表面の製造プロセスを光学的にコントロールする方法および装置
JP2008010862A (ja) * 2006-06-19 2008-01-17 Asml Netherlands Bv 較正方法
JP2009206453A (ja) * 2008-02-29 2009-09-10 Hitachi High-Technologies Corp 製造プロセスモニタリングシステム
JP2010027789A (ja) * 2008-07-17 2010-02-04 Fujitsu Ltd モニタ位置決定装置およびモニタ位置決定方法
JP2012049411A (ja) * 2010-08-30 2012-03-08 Hitachi High-Technologies Corp 半導体製造装置の管理装置、及びコンピュータプログラム
US20140301630A1 (en) * 2013-04-08 2014-10-09 Kla-Tencor Corporation Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6452677B1 (en) * 1998-02-13 2002-09-17 Micron Technology Inc. Method and apparatus for detecting defects in the manufacture of an electronic device
US7080330B1 (en) * 2003-03-05 2006-07-18 Advanced Micro Devices, Inc. Concurrent measurement of critical dimension and overlay in semiconductor manufacturing
US7135344B2 (en) * 2003-07-11 2006-11-14 Applied Materials, Israel, Ltd. Design-based monitoring
US7571074B2 (en) * 2007-01-30 2009-08-04 Tokyo Electron Limited Method of using a wafer-thickness-dependant profile library
WO2008096211A2 (en) * 2007-02-08 2008-08-14 Freescale Semiconductor, Inc. Measurement of critical dimensions of semiconductor wafers
US20140019927A1 (en) * 2012-07-10 2014-01-16 Globalfoundries Singapore Pte. Ltd. Waferless measurement recipe
US9746849B2 (en) * 2012-11-09 2017-08-29 Tokyo Electron Limited Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002532696A (ja) * 1998-12-04 2002-10-02 インフィネオン テクノロジース エスシー３００ ゲゼルシャフト ミット ベシュレンクテル ハフツング ウント コンパニー コマンディートゲゼルシャフト 半導体製造での微細構造表面の製造プロセスを光学的にコントロールする方法および装置
JP2002033365A (ja) * 2000-07-14 2002-01-31 Seiko Instruments Inc ウエハパターン観察方法及び装置
JP2008010862A (ja) * 2006-06-19 2008-01-17 Asml Netherlands Bv 較正方法
JP2009206453A (ja) * 2008-02-29 2009-09-10 Hitachi High-Technologies Corp 製造プロセスモニタリングシステム
JP2010027789A (ja) * 2008-07-17 2010-02-04 Fujitsu Ltd モニタ位置決定装置およびモニタ位置決定方法
JP2012049411A (ja) * 2010-08-30 2012-03-08 Hitachi High-Technologies Corp 半導体製造装置の管理装置、及びコンピュータプログラム
US20140301630A1 (en) * 2013-04-08 2014-10-09 Kla-Tencor Corporation Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology

Also Published As

Publication number Publication date
IL272161A (en) 2020-03-31
IL272161B1 (en) 2023-04-01
EP3635774B1 (en) 2023-07-19
JP7236435B2 (ja) 2023-03-09
TW201921538A (zh) 2019-06-01
EP3635774A1 (en) 2020-04-15
KR20200029601A (ko) 2020-03-18
IL272161B2 (en) 2023-08-01
EP3635774A4 (en) 2021-03-17
CN111052326A (zh) 2020-04-21
KR102589615B1 (ko) 2023-10-13
TWI768092B (zh) 2022-06-21
CN111052326B (zh) 2023-10-31
SG11202000611YA (en) 2020-02-27

Similar Documents

Publication Publication Date Title
JP7122386B2 (ja) 低解像度画像における欠陥検出のためのニューラルネットワークのトレーニング
TWI672565B (zh) 模型化系統或執行諸如微影系統之系統之預測維修之方法及相關聯微影系統
TWI713672B (zh) 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法
JP6941103B2 (ja) 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
JP7100198B2 (ja) フォトリソグラフィプロセスの要素の欠陥の未知の影響を評価するための方法および装置
KR102637430B1 (ko) 계측을 위한 신호-도메인 적응
WO2019177800A1 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
WO2020051386A1 (en) Using stochastic failure metrics in semiconductor manufacturing
US11035666B2 (en) Inspection-guided critical site selection for critical dimension measurement
JP7097447B2 (ja) 電子顕微鏡を使用した半導体計測および欠陥分類
US20220129775A1 (en) Prediction and metrology of stochastic photoresist thickness defects
JP7236435B2 (ja) クリティカルディメンション測定用の検査ガイド付きクリティカルサイト選択

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210623

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220630

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220712

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221004

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: 20230131

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230227

R150 Certificate of patent or registration of utility model

Ref document number: 7236435

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150