JP2021523425A - 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 - Google Patents

Abstract

本発明は、フォトリソグラフィプロセスの要素（４５０）の欠陥（６５０、６６０）の少なくとも１つの未知の影響（２５０）を決定するための方法および装置に関する。方法（１０００）は、（ａ）像（６００）、像（６００）に関連付けられた設計データ（２４０）、および像（６００）から生じるフォトリソグラフィプロセスの要素（４５０）の欠陥（６５０、６６０）の少なくとも１つの影響の間の関係を、機械学習のモデル（２００、３００）に提供するステップと、（ｂ）トレーニングの目的に使用される多数の像（８３０）、トレーニングの目的に使用される像（８３０）に関連付けられた設計データ（２４０）、および欠陥（６５０、６６０）の対応する影響を使用して、機械学習のモデル（２００、３００）をトレーニングするステップと、（ｃ）トレーニング済みモデル（２００、３００）を測定された像（６００）および測定された像（６００）に関連付けられた設計データ（２４０）に適用することによって、欠陥（６５０、６６０）の少なくとも１つの未知の影響を決定するステップとを含む。
【選択図】図２

Description

本出願は、２０１８年５月１８日に出願されたドイツ特許出願第ＤＥ １０ ２０１８ ２０７ ８８０．７号に対する優先権を主張し、このドイツ特許出願の内容全体は、参照によって本明細書に組み込まれている。

本発明は、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に関する。特に、本発明は、像、像に関連付けられた設計データ、および像から生じる欠陥の影響の間の関係を確立する機械学習のモデルを適用することによって、フォトリソグラフィプロセスの１つまたは複数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に関する。

半導体産業における集積密度の向上の結果として、フォトリソグラフィマスクまたはナノインプリントリソグラフィのテンプレートは、ますます小さい構造をウェーハ上に結像する（ｉｍａｇｅ）ことが必要になっている。半導体ウェーハ上の構造の微細化における進歩は（したがって、ウェーハを露光するために使用されるフォトリソグラフィマスク、フォトマスク、または単にマスク上の構造の微細化における進歩も）、フォトリソグラフィマスクの検査、フォトマスクの計測、およびマスクの欠陥の解析に対して、広範囲にわたる影響を与えている。通常、フォトマスクは、マスクの一部の空中像（ａｅｒｉａｌ ｉｍａｇｅ）を測定し、マスクの一部の参照空中像と比較することによって解析される。専門的な分野では、この手順は、ダイツーダイ方式と呼ばれる。この比較に基づいて、マスクの一部の欠陥の欠陥確率マップ、欠陥マップ、または欠陥影響マップを確定することができる。

例えば、光近接効果補正（ＯＰＣ：ｏｐｔｉｃａｌ ｐｒｏｘｉｍｉｔｙ ｃｏｒｒｅｃｔｉｏｎｓ）のより頻繁な適用によって増幅されるフォトマスク上の構造の複雑さの増大は、フォトマスク上の特定の構造が繰り返されなくなること、またはまれにしか繰り返されなくなること（いわゆる、シングルダイマスク）につながることがある。したがって、そのようなマスクの品質評価（例えば、欠陥検査または欠陥レビュー）は、不可能になるか、または大きな出費を伴って（すなわち、前述したダイツーダイ方式を用いた、適切な参照位置の長時間の検索の後に）ようやく可能になる。

そのような場合に（ただし、そのような場合とは無関係でも）使用できる方法は、いわゆるダイツーデータベース方式であり、この方式では、光学的結像シミュレーション（レンダリング）を用いて、設計データから（例えば、レイアウトデータから）参照空中像が取得される。参照像がマスクの設計データから生成される方法は、前述の問題とは無関係に使用され得る。

シミュレーションを用いたマスクの参照空中像は、以前は２つの方法で生成することができた。第１に、参照空中像は、最初からのシミュレーションまたは厳密なシミュレーションを用いて計算され得る。しかし、数値的にマクスウェル方程式を解く最初からのシミュレーションに基づいて、欠陥を解析するためおよび／または欠陥を修正するための参照空中像を生成することは、非常に時間がかかり、したがって、現在および近い将来の製造環境では、ほとんど実用的でない。

第２に、シミュレーションを用いて設計データから参照空中像を生成する目的で、「キルヒホフモデル」または「スカラー結像モデル」として知られている、マスク構造が２次元であること、および回折波が自由に伝搬することを仮定する簡略化されたモデルを使用することができる。キルヒホフモデルに基づく参照空中像のシミュレーションは、厳密なシミュレーションよりも数桁速いが、すべてのマスクの影響を十分正確に結像することができない。したがって、キルヒホフモデルを用いて生成される参照空中像の品質は、多くの場合、不十分である。

新しいさらに別の方法では、機械学習（ＭＬ：ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）モデルを用いて、フォトマスクの品質評価における多数の課題に取り組むための試みが現在行われている。この手順に関して、例示的な方法で、次の文書が指定される：ＷＯ ２０１７／０８７ ６５３ Ａ１、ＷＯ ２０１７／１１７ ５６８ Ａ１、ＷＯ ２０１７／１２０ ２５３ Ａ１、ＷＯ ２０１７／１２３ ５５５ Ａ１、ＷＯ ２０１７／１２３ ５６１ Ａ１、ＷＯ ２０１７／１１７ ５７３ Ａ１、ＷＯ ２０１７／１２３ ５５５ Ａ１、およびＷＯ ２０１７／２０５ ５３７ Ａ１。

前述したように、フォトリソグラフィマスクの参照空中像の生成は、測定による生成およびシミュレーションを用いる生成のいずれの場合も、複雑なプロセスになる可能性がある。

したがって、本発明は、フォトリソグラフィマスクの品質を評価する際に、前述した不利益を少なくとも部分的に回避する方法および装置を規定するという目的に基づく。

本発明の１つの態様によれば、請求項１に従う方法によって、この問題が解決される。

フォトリソグラフィプロセスの要素の欠陥の少なくとも１つの未知の影響を決定するための方法は、（ａ）像、像に関連付けられた設計データ、および像から生じるフォトリソグラフィプロセスの要素の欠陥の少なくとも１つの影響の間の関係を、機械学習のモデルに提供するステップと、（ｂ）トレーニングの目的に使用される多数の像、トレーニングの目的に使用される像に関連付けられた設計データ、および欠陥の対応する影響を使用して機械学習のモデルをトレーニングするステップと、（ｃ）機械学習のトレーニング済みモデルを測定された像および測定された像に関連付けられた設計データに適用することによって、欠陥の少なくとも１つの未知の影響を決定するステップとを含んでよい。

本発明に従う方法は、フォトリソグラフィマスクおよび／またはウェーハの品質を評価できるようにするための参照像の複雑な生成を回避する。さらに、本発明に従う方法は、余分な参照像との測定された像の比較を行う。

例として、機械学習のモデルまたはＭＬモデルの複雑なトレーニングプロセスを、特定のマスクタイプおよび特定の光学的測定システムに対して１回実行することができ、それによって空中像を生成する。例として、トレーニングプロセスを、この目的のために最適に備えられている中心の位置で実行することができる。次に、異なるマスクタイプのトレーニング済みＭＬモデルを、製造環境内の光学的測定または結像システムおよび設計データと共に提供することができる。トレーニング済みＭＬモデルを測定された空中像に適用することによって、および関連する設計データを提供することによって、測定された空中像によって表されたマスクの一部における欠陥の以前は不明だった影響を、直接的にまたは最小限の適合の後に、決定することができる。

機械学習のモデルは、経験から知識を生成する。機械学習のモデルは、学習段階またはトレーニング段階においてトレーニングデータまたは学習データの形態でモデルに提供される例から学習する。この学習を使用して、トレーニングデータ内の関係を表すことができるようにするために、モデルの内部変数（例えば、パラメトリックマッピングのパラメータ）が、適切な値によって占められ得る。その結果、トレーニング段階におけるＭＬモデルは、概して、単に記憶することによってトレーニングデータを学習するだけでなく、トレーニングデータ内のパターンおよび／またはルールを識別する。学習された関係の品質は、新しいデータ（すなわち、トレーニング中に知られていないデータ）に対するトレーニング済みモデルの一般化可能性を評価するために、通常、検証データに基づいて評価される。関連する設計データが提供された場合に、ＭＬモデルに知られていない像内の欠陥の可能性のある影響を予測するために、トレーニング済みＭＬモデルをフォトリソグラフィプロセスの要素に適用できる。したがって、トレーニング段階の完了後に、関連する設計データが提供された場合に、良好な一般化可能性を有する正常にトレーニングされたＭＬモデル（すなわち、トレーニング済みＭＬモデル）は、ＭＬモデルに知られていないデータ（すなわち、未知の像）を評価することができる。

像は、光学的測定システムによって記録された像、走査粒子顕微鏡によって記録された像、および走査プローブ顕微鏡によって記録された像の群からの少なくとも１つの要素を含んでよい。

光学的測定システムは、ＡＩＭＳ（商標）、ＰＲＯＶＥ（登録商標）、および／またはＷＬＣＤツールを含んでよい。走査粒子顕微鏡は、走査電子顕微鏡（ＳＥＭ：ｓｃａｎｎｉｎｇ ｅｌｅｃｔｒｏｎ ｍｉｃｒｏｓｃｏｐｅ）および／または走査イオン顕微鏡を含んでよい。走査プローブ顕微鏡は、走査トンネル顕微鏡、走査フォース顕微鏡、磁気力顕微鏡、近接場走査光学顕微鏡、および走査近接場音響顕微鏡の群からの要素を含んでよい。

本発明に従う方法の適用は、光学的測定システムによって記録された像に制限されない。むしろ、本発明に従う方法は、異なる結像方法によって生成された像に使用できる。

設計データは、レイアウトデータおよびコンピュータ支援設計（ＣＡＤ：ｃｏｍｐｕｔｅｒ−ａｉｄｅｄ ｄｅｓｉｇｎ）データの群からの少なくとも１つの要素を含んでよい。設計データは、ピクセルデータおよび／または多角形もしくは多角形チェーンの形態で利用可能であることができる。

機械学習のモデルは、サブシンボリック（ｓｕｂ−ｓｙｍｂｏｌｉｃ）システムを含んでよい。

シンボリックシステムの場合、知識、すなわち、トレーニングデータおよび発生したルールは、明示的に表される。サブシンボリックシステムの場合、計算可能な動作をモデルが学習するが、学習された解経路への詳細な見通しが存在しない。

機械学習のモデルは、パラメトリックマッピング、人工ニューラルネットワーク（ＡＮＮ：ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、深層ニューラルネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、時間遅延ニューラルネットワーク、畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、回帰型ニューラルネットワーク（ＲＮＮ：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、長短期記憶（ＬＳＴＭ：ｌｏｎｇ ｓｈｏｒｔ−ｔｅｒｍ ｍｅｍｏｒｙ）ネットワーク、および発生モデルの群からの少なくとも１つの要素を含んでよい。

識別モデルは、入力データから出力データを生成することができ、発生モデルは、入力データから出力データを生成することができ、さらに、入力データを再現することができる。

機械学習のモデルは、（ａ）像の情報を伝達する特徴および像に関連付けられた設計データを決定するための少なくとも１つのエンコーダ（符号器）ブロックと、（ｂ）決定された情報を伝達する特徴から欠陥の少なくとも１つの影響を生成するための少なくとも１つのデコーダ（復号器）ブロックとを含んでよい。

さらに、機械学習のモデルは、（ａ）像の情報を伝達する特徴および像に関連付けられた設計データを決定するための少なくとも１つのエンコーダ層と、（ｂ）決定された情報を伝達する特徴から欠陥の少なくとも１つの影響を生成するための少なくとも１つのデコーダ層とを含んでよく、欠陥の影響は、参照像との像の重ね合わせ（ｏｖｅｒｌａｙ）がどのように見えるかを示す。

機械学習のモデルは、少なくとも２つの層を含んでよく、１０〜１５００の層を含むのが好ましく、１５〜１０００の層を含むのがさらに好ましく、３０〜１００の層を含むのが最も好ましい。

機械学習のモデルの層は、さまざまなパラメータ化された関数およびパラメータ化されていない関数を実現することができる。したがって、人工ニューラルネットワークは、２つ以上の畳み込み層および２つ以上のデコンボリューション層（ｄｅｃｏｎｖｏｌｕｔｉｏｎａｌ ｌａｙｅｒｓ）を含んでよい。ここで、処理中に十分多いデータを用いることができるようにするために、畳み込みフィルタのサイズは、特に小さい数の畳み込み層の場合に、より大きくなるように選択されてよい。さらに、人工ニューラルネットワークは、２つ以上のプーリング層（ｐｏｏｌｉｎｇ ｌａｙｅｒｓ）および２つ以上のデプーリング層（ｄｅ−ｐｏｏｌｉｎｇ ｌａｙｅｒｓ）を含んでよい。さらに、複雑な関係を実現するために、機械学習のモデルは、２つ以上の非線形活性化（ｎｏｎｌｉｎｅａｒ ａｃｔｉｖａｔｉｏｎ）関数（例えば、双曲線正接（ｈｙｐｅｒｂｏｌｉｃ ｔａｎｇｅｎｔ）関数、シグモイド（ｓｉｇｍｏｉｄ）関数、および／または区分的に線形な（ｐｉｅｃｅｗｉｓｅ ｌｉｎｅａｒ）関数）を含んでよい。それとは無関係に、機械学習のモデルは、２つ以上の適応正規化（ａｄａｐｔｉｖｅ ｎｏｒｍａｌｉｚａｔｉｏｎ）層（例えば、バッチ正規化（ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎ））を含んでよい。

本発明に従う方法は、機械学習のモデルの複数の層を空中像の既定の精度または要求された精度に適合させるステップをさらに含んでよい。特に、本発明に従う方法は、複数のエンコーダ層および／またはデコーダ層を像の既定の精度に適合させるステップを含むことができる。

人工ニューラルネットワーク（ＡＮＮ：ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）は、通常、複数の層のリンクから成り、したがって、例えば入力から出力への連続的な変換を実現する。ネットワークのトポロジー、すなわち、層の数、各層の関数の選択、層の各々のパラメータまたはモデルパラメータ（フィルタカーネルの数およびサイズなど）、および個々の層間の接続が、達成される目的に応じて選択される。ここで、ＡＮＮの１つの層の出力を、その後の層へだけではない入力として、提供することができる。

フォトリソグラフィプロセスの要素は、フォトリソグラフィマスク、ナノインプリント技術のテンプレート、およびウェーハの群からの少なくとも１つの要素を含んでよい。フォトリソグラフィマスクは、透過マスクまたは反射マスクを含むことができる。

本発明に従う方法は、フォトリソグラフィマスクの欠陥の配置を決定することに制限されない。むしろ、本発明に従う方法は、ナノインプリント技術の分野のテンプレートおよびウェーハを解析するために使用されてもよい。

欠陥は、フォトリソグラフィプロセスの１つまたは複数の要素の１つまたは複数のパターン要素の配置誤差、フォトリソグラフィプロセスの要素の１つまたは複数のパターン要素の臨界寸法誤差、およびフォトリソグラフィプロセスの要素の材料欠陥の群からの少なくとも１つの要素を含んでよい。

欠陥の少なくとも１つの未知の影響を決定することは、次の質問のうちの１つに対する少なくとも１つの回答を含んでよい。欠陥の影響が既定のしきい値未満であるか？欠陥がウェーハ上で見えるか？ウェーハ上で見える欠陥が修正可能であるか？

光学的結像システムによって記録された像は、空中像を含んでよく、および／または空中像は、空中像の焦点スタック（ａｅｒｉａｌ ｉｍａｇｅ ｆｏｃｕｓ ｓｔａｃｋ：空中像焦点を積み重ねたもの）を含んでよい。

同じ設計データが、焦点スタックのさまざまな空中像の基礎になる。フォトリソグラフィプロセスの要素の欠陥の影響の予測精度は、個々の空中像の代わりに空中像の焦点スタックを使用してＭＬモデルを少なくとも部分的にトレーニングすることによって、向上させることができる。この目的に必要なＭＬモデルは、例えば、空中像の焦点スタックまたは個々の空中像のいずれかからデータを入力として受け取る共通モデルとして、実現可能である。しかし、例えば、共通のパラメータ値を介して結合された２つの別々のＭＬモデルを使用することも可能である。

機械学習のモデルのトレーニングは、トレーニングの目的に使用される多数の空中像およびトレーニングの目的に使用される空中像に関連付けられた多数の設計データを入力データとして提供することと、トレーニングの目的に使用される空中像に対応する欠陥の多数の影響を、機械学習のモデルの出力データに対する比較データとして提供することとを含んでよい。

トレーニング段階および使用段階の両方の間に、各ケースにおいて、２つのデータソースからのデータがＭＬモデルに提示されることが本出願の独自性であり、前述のデータソースは、相互に接続を有する。

トレーニングの目的に使用される空中像は、測定された空中像および／またはシミュレートされた空中像を含んでよい。

トレーニングの目的に必要な空中像がすべて測定される必要はないということが、本発明に従う方法の利点である。

本発明に従う方法は、シミュレートされた像を生成する目的で、フォトリソグラフィプロセスの要素の設計データおよび／または修正された設計データをシミュレートするステップをさらに含んでよい。さらに、本発明に従う方法は、シミュレートされた空中像を生成する目的で、フォトリソグラフィマスクの設計データおよび／または修正された設計データをシミュレートするステップを含むことができる。

トレーニングデータレコード（ｔｒａｉｎｉｎｇ ｄａｔａ ｒｅｃｏｒｄ）は、欠陥のない像または空中像、すなわち、参照像および参照空中像としてそれぞれ使用できる像または空中像を含む必要がある。しかし、さらに、トレーニングデータレコードは、フォトリソグラフィプロセスの要素の多数の公知の関連する欠陥を有する像／空中像も含む必要があり、またはフォトマスクの場合、多数の公知の関連するマスクの欠陥も含む必要がある。トレーニングの目的に使用される像／空中像が、シミュレーションツールを用いて部分的に、または全体として生成された場合、シミュレートされた像／空中像がフォトリソグラフィプロセスの要素の公知の関連する欠陥（例えば、公知の関連するマスクの欠陥）を示すような方法で、シミュレートされた像／空中像の基礎になる設計データが変更または修正されてよい。

シミュレートされた像／空中像を生成することは、マクスウェル方程式を数値的に解くことによって厳密なシミュレーションを実行することであって、フォトリソグラフィプロセスの要素の設計データおよび／または修正された設計データが入力データとして使用される、ことと、キルヒホフモデルを用いてシミュレーションを実行することであって、フォトリソグラフィプロセスの要素の設計データおよび／または修正された設計データが入力データとして使用される、実行することと、粒子線に基づく結像シミュレーションを実行することであって、フォトリソグラフィプロセスの要素の設計データおよび／または修正された設計データが入力データとして使用される、実行することと、走査プローブに基づく結像シミュレーションを実行することであって、フォトリソグラフィプロセスの要素の設計データおよび／または修正された設計データが入力データとして使用される、実行することとの群からの少なくとも１つの要素を含んでよい。

機械学習のモデルのトレーニングは、機械学習のモデルの学習可能なパラメータを決定することを含んでよい。畳み込み層の場合、機械学習のモデルのトレーニングは、フィルタマスクの重みを決定することを含んでよい。

畳み込み層およびデコンボリューション層の場合、学習可能なパラメータは、通常、個々の畳み込み層のフィルタマスクの重みである。モデルの複雑さを増大させるために、層の畳み込み結果が、通常、非線形の方法でさらに変換される。この目的で、上ですでに参照されたように、離散畳み込みを用いて確定された各ニューロンの入力が、活性化関数を用いて（すなわち、例えば、シグモイド関数（ｓｉｇ（ｔ）＝０．５・（１＋ ｔａｎｈ（ｔ／２））または正規化線形ユニット（ＲｅＬＵ，ｆ（ｘ）＝ｍａｘ（ｏ，ｘ））の適用によって）畳み込み層内で出力に変換される。それぞれ活性化関数を含んでいる複数の畳み込み層の連結は、認知の目的のため、およびさまざまなデータ様式間（例えば、設計データと像データの間）で変換するために、提供されたデータからの複雑なパターンの学習を可能にする。

本出願において採用されているＭＬモデルは、２つの入力データレコード（具体的には、像および設計データ）に基づいて出力（具体的には、フォトリソグラフィプロセスの要素の少なくとも１つの欠陥の少なくとも１つの影響）を予測するという独自性を有する。第１の実施形態では、２つの入力データレコードを連結して、単一の入力を形成することができる。この実施形態では、ＭＬモデルのアーキテクチャは、従来の実施形態例と異ならない。

しかし、第２の実施形態では、ＭＬモデルが、２つの分離した分岐、またはＭＬモデル内で結合される２つの像および設計データの入力に関する、入力側での入力の分岐を含むことも可能である。この第２の実施形態は、ＭＬモデルの１つまたは複数の共通の層内の共通の処理のための対象の方法で２つの入力を準備するために、２つの入力の別々の処理を容易にする。ＭＬモデルの２つの分離した入力分岐は、同じ数の層を含んでよい。しかし、ＭＬモデルの２つの入力分岐の層の数を、各入力データの仕様に合わせることが、現在は好ましい。２つの分離した入力分岐の個々の層は、互いに接続されてよい。

前述したように、ＭＬモデルの第２の実施形態は、次のようなさまざまな方法でトレーニングされ得る。初期モデルパラメータは、（Ｉ）ランダムに選択されてよく、（ＩＩ）類似する目的をすでに実行したＭＬモデルから採用されてよく、および／または（ＩＩＩ）教師なしの方法で事前に学習されてよい。

（Ｉ）に関して、モデルパラメータの初期数値がランダムに選択される場合、ＭＬモデルの２つの入力分岐に対して、同じランダムな分配または異なるランダムな分配が選択されてよい。

（ＩＩ）に関して、トレーニングにおけるＭＬモデルの２つの入力分岐と同じまたは類似するアーキテクチャを有する他のＭＬモデルがすでに使用されている場合、そのＭＬモデルのモデルパラメータが、トレーニング段階の初期モデルパラメータとして使用され得る。その結果、トレーニングプロセスのモデルパラメータの初期数値が、ＭＬモデルの２つの分離した入力分岐に対して別々に設定され得る。ＭＬモデルのトレーニングプロセスは、初期モデルパラメータのモジュール式の決定によって簡略化され得る。

（ＩＩＩ）に関して、例えば、入力分岐がエンコーダ／デコーダアーキテクチャの形態で実現される場合のように、ＭＬモデルの２つの入力分岐が自動エンコーダとして具現化される（すなわち、入力分岐の入力データがＭＬモデルの出力で再現され得る）場合、入力データの再現から決定されたモデルパラメータが、ＭＬモデルの開始パラメータとして使用され得る。このようにして、トレーニング済みの２つの入力分岐のモデルパラメータは、多くの場合、トレーニング段階においてＭＬモデル全体の初期化に役立つ。

機械学習のモデルをトレーニングするための欠陥の対応する影響の提供は、像に対応する欠陥の少なくとも１つの影響を生成するために、トレーニングの目的に使用される像を参照像に重ね合わせるステップをさらに含んでよい。

機械学習のモデルをトレーニングするための欠陥の対応する影響の提供は、測定された像の領域と同じパターン要素を含むフォトリソグラフィプロセスの要素の実質的に欠陥のない領域を結像する（ｉｍａｇｉｎｇ）こと、および／またはフォトリソグラフィプロセスの要素の測定された像の領域に関して設計データをシミュレートすることによって、参照像を決定するステップをさらに含んでよい。機械学習のモデルをトレーニングするための欠陥の対応する影響の提供は、測定された空中像の領域と同じパターン要素を含むフォトリソグラフィマスクの実質的に欠陥のない領域を結像する（ｉｍａｇｉｎｇ）こと、および／またはフォトリソグラフィマスクの測定された空中像の領域に関して設計データをシミュレートすることによって、参照空中像を決定するステップをさらに含んでよい。

像を参照像に重ね合わせることは、像と参照像の間の差分（ｄｉｆｆｅｒｅｎｃｅ）を形成することを含んでよい。さらに、空中像を参照空中像に重ね合わせることは、空中像と参照空中像の間の差分を形成することを含んでよい。

差分を形成することは、臨界寸法（ＣＤ：ｃｒｉｔｉｃａｌ ｄｉｍｅｎｓｉｏｎ）の逸脱（ｄｅｖｉａｔｉｏｎ：それること、外れること）を決定することと、コントラストの逸脱を決定することと、１つまたは複数のパターン要素の配置逸脱を決定することとの群からの少なくとも１つの要素を含んでよい。

通常、参照像のような測定された像は、２次元ピクセル配置の形態で存在する。各ピクセルは、グレースケール値のステップとして表すことができるように、通常、特定のビット深度に関連付けられる。参照空中像と空中像の重ね合わせによって、欠陥の影響を示す差分像が生じる。

フォトリソグラフィプロセスの要素（例えば、フォトマスク）の欠陥の影響は、欠陥影響マップにおいて捕捉され得る。欠陥影響マップは、前述したように、参照像に対する測定された像の逸脱の影響を表す。例として、１つまたは複数のしきい値条件を事前に決定することによって、その後、印刷可能な欠陥（すなわち、ウェーハ上のマスクまたはマスクの一部の上に見える欠陥）の配置が、欠陥影響マップから直接確定され得る。さらに、ＭＬモデルは、欠陥の予測された影響に加えて、印刷可能な欠陥が修正可能であるかどうかも予測するようにトレーニングされ得る。

このトレーニングは、トレーニングにおいて機械学習のモデルによってトレーニングの目的に使用される像から決定された欠陥の少なくとも１つの影響を、トレーニングの目的に使用される像に対応する欠陥の少なくとも１つの影響と比較するステップをさらに含んでよい。

機械学習のモデルのトレーニングは、教師あり学習を含んでよい。教師あり学習は、文献"Pattern Recognition and Machine Learning" by C.M, Bishop, Springer 2006, ISBN-10: 0-387-31073-8に記載されている。

機械学習のモデルのトレーニングは、（ａ）第１の段階において、第１の数のシミュレートされた像、シミュレートされた像に関連付けられた設計データを、欠陥の対応する影響と共に使用して、機械学習のモデルをトレーニングすることと、（ｂ）第２の段階において、第２の数の測定された像、測定された像に関連付けられた設計データを、欠陥の対応する影響と共に使用して、機械学習のモデルをトレーニングすることとを含んでよく、第１の段階は、第２の段階の前に実行される。第１の数のシミュレートされた像は、第２の数の測定された像よりも大きくなることができる。第１の数のシミュレートされた像は、第２の数の測定された像よりも１０倍大きくなることができる。

機械学習のモデルのトレーニングは、前述のステップ（ａ）および（ｂ）を少なくとも２回実行するステップをさらに含んでよい。

ＭＬモデルをトレーニングするために必要な多数の像（例えば、数千の像）（例えば、空中像）を測定するのは、複雑であることがある。本発明に従う方法は、第１のステップで、シミュレートされた像および関連する設計データに基づいてＭＬモデルをトレーニングすることを可能にする。シミュレートされた像は、シミュレーションツールを用いて大量に生成され得る。第２のステップで、シミュレートされた像を用いて事前にトレーニングされたＭＬモデルが、限定された数の測定された像を用いて使用するために、最終的に準備される。

コンピュータプログラムは、コンピュータシステムによって実行されたときに、上で規定された態様の方法のステップをコンピュータシステムに実行させる、命令を含んでよい。

本発明のさらに別の態様によれば、請求項１８に従う装置によって、上で規定された問題が解決される。

フォトリソグラフィプロセスの要素の欠陥の少なくとも１つの未知の影響を決定するための装置は、（ａ）像、像に関連付けられた設計データ、および像から生じる欠陥の少なくとも１つの影響の間の関係を、機械学習のモデルに提供するための手段と、（ｂ）トレーニングの目的に使用される多数の像、トレーニングの目的に使用される像に関連付けられた設計データ、および欠陥の対応する影響を使用して機械学習のモデルをトレーニングするための手段と、（ｃ）機械学習のトレーニング済みモデルを測定された像および測定された像に関連付けられた設計データに適用することによって、欠陥の少なくとも１つの未知の影響を決定するための手段とを備えてよい。

この装置は、フォトリソグラフィプロセスの要素のための露光システムと、フォトリソグラフィプロセスの要素の一部を光検知器上に結像するように具現化された拡大レンズとを備えてよい。この装置は、ＡＩＭＳ（商標）ツールを備えてよい。

以下の詳細な説明では、図面を参照して本発明の現在の好ましい実施形態例について説明する。

フォトリソグラフィプロセスの要素の品質を評価するために現在頻繁に使用されているワークフローを概略的に再現する図である。 入力層、出力層、ならびに関連する入力データおよび出力データを含む機械学習のモデルの例を概略的に示す図である。 ２つの分離した入力分岐を含む機械学習のモデルの第２の例の断面を概略的に示す図である。 本出願に記載された方法を実行することができる装置の断面を概略的に示す図である。 フォトリソグラフィプロセスの要素の一部の参照空中像を概略的に示す図である。 フォトリソグラフィプロセスの要素の一部の空中像を概略的に示す図である。 欠陥確率マップの一部を概略的に示す図である。 機械学習のモデルのトレーニング段階のトレーニングサイクルを概略的に説明する図である。 フォトリソグラフィプロセスの要素の品質を評価するためのワークフローを概略的に再現する図であり、トレーニング済みモデルがこの目的に使用された場合、前述のトレーニング済みモデルは、測定された空中像と関連する設計データの間の関係を確立し、それによって、フォトリソグラフィプロセスの要素の欠陥分布の予測を容易にする。 フォトリソグラフィプロセスの要素の欠陥の未知の配置を決定するための方法のフローチャートを最後に示す図である。

以下では、本発明に従う方法および本発明に従う装置の現在の好ましい実施形態が、フォトリソグラフィマスクの欠陥の未知の影響を決定することに基づいて、さらに詳細に説明される。しかし、本発明に従う方法および本発明に従う装置の適用は、フォトマスクに限定されない。むしろ、前述の装置および方法は、フォトリソグラフィプロセスのその他の要素に適用することができ、例えば、フォトマスクの代わりに使用できるナノインプリントリソグラフィ（ｎａｎｏｉｍｐｒｉｎｔ ｌｉｔｈｏｇｒａｐｈｙ）のテンプレート（ｔｅｍｐｌａｔｅ）またはモールド（ｍｏｕｌｄ）に適用できる。さらに、本発明に従う方法および本発明に従う装置を使用して、ウェーハの処理中にウェーハの品質を評価することができる。一般に、物体の設計データが存在し、物体の欠陥が結像され得る場合に、本出願に記載された方法を使用して、その物体の品質を評価することができる。

図１は、フォトマスクの品質を評価するために現在使用されるのが好ましいワークフローを概略的に示している。フォトリソグラフィマスクの欠陥影響マップを確定するために現在頻繁に使用されている方法は、第１のステップで検査されるマスクの領域に対して、参照空中像を決定する。マスクが、パターン要素の同じ配置を含んでいる多くの領域もしくは部分領域、または少なくとも複数の領域もしくは部分領域を含んでいる場合、参照空中像を記録するために、マスクの欠陥のない領域が選択され得る。空中像を測定する目的でも、したがって、参照空中像を測定する目的で、例えば、配置誤差を決定するためにＡＩＭＳ（商標）（空中像計測システム）ツールおよび／もしくはＰＲＯＶＥ（登録商標）ツールを利用することができ、または臨界寸法（ＣＤ）を決定するためにＷＬＣＤを利用することができる。

半導体技術およびマイクロシステム技術では、臨界寸法の略語「ＣＤ」は、試験構造物において定義されたサイズを示し、ＣＤの測定は、プロセスステップの製造品質に関する記述を可能にする。

パターン要素の同一の配置を含む領域または部分領域がマスク上で繰り返されないか、または非常に長い間隔でしか繰り返されない場合、参照空中像を決定するための前述した方法（いわゆる、ダイツーダイ方式）は、使用できないか、または大きな出費を伴って（すなわち、適切な参照位置の比較的長い検索の後に）ようやく使用可能になる。参照空中像を生成する目的で、そのような場合に（ただし、そのような場合とは無関係でも）使用できる方法は、いわゆるダイツーデータベース方式であり、この方式では、光学的結像シミュレーション（レンダリング）を用いて、設計データから（例えば、レイアウトデータから）参照空中像が取得される。

マスクの理想的な参照空中像は、最初からのシミュレーションまたは厳密なシミュレーションを用いて計算される。最初からのシミュレーションは、光学的結像システムの照明放射（すなわち、フォトマスク上の電磁波入射）の光学的相互作用（散乱、回折、吸収、反射）を、フォトマスクの構造、ならびにマスクの上流もしくは下流に透過および／または反射した電磁場の、光学的解析システムの検出器の平面へのその後の伝搬と共に、マクスウェル方程式に基づいて数値的に厳密な方法で考慮する。つまり、適切な数値的方法によって、各境界条件に対して、３次元内でマクスウェル方程式が解かれる。これによって、特に、フォトマスクのさまざまな材料のために照明放射に対して３次元的に現れる構造またはパターンを有するマスクに関して、特定の課題を表現する。

マスクの構造が２次元であること、および回折波が自由に伝搬することを仮定する簡略化されたモデルは、「キルヒホフモデル（Ｋｉｒｃｈｈｏｆｆ’ｓ ｍｏｄｅｌ）」または「スカラー結像モデル（ｓｃａｌａｒ ｉｍａｇｉｎｇ ｍｏｄｅｌ）」と呼ばれる。キルヒホフモデルに基づく参照空中像のシミュレーションは、複数桁（ｏｒｄｅｒｓ ｏｆ ｍａｇｎｉｔｕｄｅ）速いが、すべてのマスクの影響を十分正確に結像することができない。

（シミュレーションによって、または欠陥のないマスクの一部を測定することによって）参照空中像を決定した後に、第２のステップで、フォトマスクの（または一般的に、フォトリソグラフィプロセスの要素の）解析される領域の空中像が測定される。この場合も、上で規定したように、この測定は、例えば前述のツールのうちの１つを用いて実施され得る。

その結果、第３のステップで、例えば、各パターン要素の位置またはＣＤデータが、２つの像（すなわち、測定された空中像および参照空中像）から抽出される。

その後、第４のステップで、２つの像から抽出された２つのデータレコードを比較することによって、検査される領域に関して、またはフォトマスクの活性表面全体に関して、欠陥影響マップが作成される。ここで、２つの像から抽出された２つのデータレコードの比較は、差分を形成することによって実施され得る。

最後に、必要に応じて、１つまたは複数のしきい値（図１に示されていない）に基づいて、マスクの一部において、またはマスク全体にわたって、欠陥影響マップから欠陥の影響（例えば、印刷可能な欠陥）が確定され得る。

図２の線図２９０は、空中像２３０と、空中像２３０に関連付けられた設計データ２４０と、空中像２３０から現れるフォトリソグラフィプロセスの要素の欠陥の１つまたは複数の影響２５０との間の関係を示す、機械学習のモデル２０ｏまたはＭＬモデル２００を概略的に示している。ＭＬモデル２００は、人工ニューラルネットワーク（ＡＮＮ）を含んでよい。ＡＮＮは、深層ニューラルネットワークを含んでよい。機械学習のモデル２００を必要な予測精度に適合させるのは、目的にかなっている。例として、モデル２００の適合は、層の数の適切な選択によって実施され得る。それに対する代替または追加として、ＭＬモデル２００の関数の記述を、達成される目的（具体的には、欠陥の１つまたは複数の影響の予測２５０）、またはフォトリソグラフィマスクの欠陥影響マップ２５０に適合させることは、有利である。

ＭＬモデル２００は、入力層２１０を含んでいる。入力データ２３０、２４０は、動作中に入力層２１０を介してトレーニング済みＭＬモデル２００に提供される。本明細書に記載された適用では、動作中の入力データ２３０、２４０は、第１に、測定された像または空中像２３０であり、第２に、測定された像または空中像２３０に関連付けられた設計データ２４０である。例として、設計データ２４０は、マスクのレイアウトデータまたはＣＡＤ（コンピュータ支援設計）データであってよく、例えばピクセルデータの形態で、または例えば多角形もしくは多角形チェーンとして、存在してよい。設計データが多角形として使用可能である場合、多角形チェーンをピクセルデータに変換する必要がある。

さらに、ＭＬモデル２００は出力層２２０を含んでおり、機械学習のトレーニング済みモデル２００は、出力層２２０を用いて、出力で出力データ２５０（具体的には、欠陥影響マップ２５０）を提供する。図２に示されている例では、出力データは、フォトリソグラフィマスク、またはフォトマスクの一部の１つまたは複数の欠陥の影響の予測２５０である。

図３の線図３９０は、機械学習のモデル３００を概略的に示しており、機械学習のモデル３００のアーキテクチャは、達成される目的に具体的に適合されている。図３の例示的なＭＬモデル３００は、６つの層３１０、３２０、３３０、３４０、３５０、３６０を有する第１の入力分岐３８０を含んでおり、第１の層３１０が入力層として構成されており、第１の層３１０を用いて、空中像２３０がＭＬモデル３００に提供される。ＭＬモデル３００の第１の入力分岐３８０の層３１０〜３６０は、第１の入力分岐３８０の出力をＭＬモデル３００の主要部分３７０の第１の共通層３７５の入力として提供できるように、空中像２３０を前処理する。

さらに、図３に例示的な方法で示されているＭＬモデル３００は、４つの層３１５、３２５、３３５、３４５を有する第２の入力分岐３８５を含んでいる。第１の入力分岐３８０に類似する方法で、第２の入力分岐３８５の第１の層３１５が入力層として具現化され、第１の層３１５は、設計データ２４０をＭＬモデル３００に提供するのに役立つ。ＭＬモデル３００の第２の入力分岐３８５の層３１５〜３４５は、第２の入力分岐３８５の出力を、第１の入力分岐３８０の入力と並列に、ＭＬモデル３００の主要部分３７０の第１の共通層３７５の入力として提供できるように、設計データ２４０を処理する。ＭＬモデル２００と同様に、ＭＬモデル３００は、主要部分３７０の出力層３９５を介して、出力データ２５０（具体的には、欠陥影響マップ２５０）を出力する。

ＭＬモデル２００、３００は、予測の目的に使用可能になる前に、できるだけ包括的なデータレコードを使用してトレーニングされなければならない。図４は、空中像２３０を測定するために使用できる装置４９０の断面を概略的に示している。さらに、装置４９０は、空中像の測定に使用することができ、その測定結果が、モデル２００、３００をトレーニングするためのトレーニングデータレコードの一部として使用される。

装置４９０はコンピュータシステム４００を備えており、コンピュータシステム４００は、接続４１０によって測定デバイス４２０にリンクされる。接続４１０は、有線方式または無線方式で具現化されてよい。図４に示されている例では、測定デバイス４２０は、相互作用４３０を用いてフォトリソグラフィマスク４５０を検査する。マスク４５０は、透過マスクまたは反射マスクであることができる。図４のフォトマスク４５０は、フォトリソグラフィプロセスの要素４５０の例である。測定デバイス４２０は、結像測定デバイス４２０であることができる。例として、測定デバイス４２０は、ＡＩＭＳ（商標）またはＡＩＭＳ（商標）ＥＵＶ（すなわち、極端紫外波長域用のＡＩＭＳ）であることができる。さらに、測定デバイス４２０は、ＰＲＯＶＥ（登録商標）ツールおよび／またはＷＬＣＤツールを含んでよい。測定デバイス４２０を使用して、焦点面を変えることによって、空中像の焦点スタックを生成することができる。その結果、測定デバイス４２０は、マスク４５０の空中像の焦点スタックの測定を容易にする。

ただし、光子の相互作用を用いてマスク４５０を解析し、空中像２３０を生成する光学的測定デバイス４２０に加えて、測定デバイス４２０は、中性または荷電部分ビーム（ｎｅｕｔｒａｌ ｏｒ ｃｈａｒｇｅｄ ｐａｒｔｉａｌ ｂｅａｍ）を用いてマスク４５０と相互作用（３３０）してもよく、反射および／または透過した中性および／または荷電粒子に基づいてサンプル（すなわち、フォトリソグラフィマスク４５０）の像を生成してよい。測定デバイス４２０は、特にフォトリソグラフィプロセスの要素がウェーハ（図４に示されていない）を表す場合、走査電子顕微鏡を備えてよい。

ただし、測定デバイス４２０は、マスク４５０の表面を探査し、マスク４５０（またはさらに一般的には、フォトリソグラフィプロセス（図４に示されていない）の要素４５０）の表面の凹凸の像を結果として生成する、走査プローブ顕微鏡を備えてもよい。走査プローブ顕微鏡は、例えば走査フォース顕微鏡を含んでよい。さらに、測定デバイス４２０は、結像測定デバイスおよび、例えば追加として、走査プローブ顕微鏡を備えることができる。マスク４５０の３次元像は、結像測定デバイスの測定データおよび走査プローブ顕微鏡の測定データに基づいて生成され得る。

コンピュータシステム４００は、接続４１０によって測定デバイス４２０を制御する。さらに、コンピュータシステム４００は、接続４１０によって測定デバイス４２０の測定データを受信する。図４のコンピュータシステム４００は、測定デバイス４２０の測定データから空中像２３０を生成することができる。さらに、図４に示されている例では、コンピュータシステム４００は、ＭＬモデル２００、３００を備えている。コンピュータシステム４００は、トレーニング済みＭＬモデル２００、３００を実行するように設計される。さらに、コンピュータシステム４００は、後述されるＭＬモデル２００、３００のトレーニングを実行できるように構成される。グラフィックプロセッサ（ＧＰＵ：ｇｒａｐｈｉｃａｌ ｐｒｏｃｅｓｓｏｒ ｕｎｉｔ）は、機械学習のモデル２００、３００の実行に特に適している。したがって、コンピュータシステム４００が１つまたは複数の優れたグラフィックプロセッサまたは別の目的に合わせて最適化されたコンピュータハードウェア（例えば、Ｇｏｏｇｌｅが提供するテンソルプロセッシングユニット（ＴＰＵ：ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）（図４に示されていない））を含んでいる場合は、有利である。

さらに、コンピュータシステム４００は、インターフェース４６０を備えている。コンピュータシステム４００は、測定デバイス４２０によって解析される、マスク４５０に属する設計データ２４０またはレイアウトデータ２４０を、インターフェース４６０を介して受信することができる。インターフェース４６０は、イントラネットまたはインターネットへの無線通信インターフェースまたは有線通信インターフェースであることができる。さらに、インターフェース４６０は、は、データ媒体ドライブを備えてよい。

以下の図５〜８に基づく例示的な方法で、図２および３のＭＬモデル２００、３００のトレーニングが説明される。モデル２００、３００は、図４の装置４９０を用いてトレーニングされ得る。ただし、ＭＬモデル２００、３００のトレーニングを実行する目的では、この目的のために特に設計されたコンピュータシステムを提供することも可能であり、入力データ２３０、２４０、および対応する出力データが前述のコンピュータシステムに提供される。

図５は、フォトリソグラフィマスク４５０の一部の参照空中像５００の平面図を概略的に示している。例示的な方法で図５に示されている参照空中像５００は、４つのストリップ５１０、５２０、５３０、５４０を含む垂直なストリップ構造を示しており、これらのストリップは、フォトリソグラフィマスク４５０の化学線波長を吸収する材料を含む。図５の参照空中像５００のストリップ構造は、実質的に欠陥を含まない。ここでは、本出願の他の部分と同様に、「実質的に」という表現は、従来技術に従う測定装置が測定に利用される場合に、既定の設計に関して検出可能な変化を含まない測定を意味する。

例として、図５の参照空中像５００は、装置４９０の測定デバイス４２０によって測定され得る。この目的で、マスク４５０上の位置が選択され、この位置は、図５において再現されているストリップ構造５１０、５２０、５３０、５４０を含み、マスク４５０が欠陥を含んでいない位置であることが分かっている。

しかし、マスク４５０が、欠陥のないストリップ構造５１０、５２０、５３０、５４０を、検査されるマスク４５０の領域の近くに含んでいない場合、または参照空中像５００において再現されているストリップ構造がフォトマスク４５０上に１回しか存在しない場合、参照空中像５００は、シミュレーションツールを用いて、参照空中像５００に対応するマスク４５０の設計データ２４０から生成される。上ですでに説明されたように、参照空中像５００を生成するためのシミュレーションは、参照空中像５００によって再現されているフォトマスク５００の一部に対するマクスウェル方程式の数値解法によって、設計データ２４０の厳密なシミュレーションまたは最初からのシミュレーションに基づいて実行され得る。厳密なシミュレーションの実行は、高精度な参照空中像５００を提供するが、多くの場合、非常に時間がかかる処理になる。

したがって、参照空中像５００によって必要とされる精度に応じて、いわゆる「キルヒホフモデル」または「スカラー結像モデル」に基づいて参照空中像５００を実装することが、代替手段になってよい。このシミュレーションプロセスは、厳密なシミュレーションと比較して、必要な出費が大幅に少ない。

図６は、図５と同じマスク４５０の一部に関してフォトマスク４５０の測定された空中像６００を示している。図６に示されている例では、ストリップ５２０は、欠落している吸収体材料という欠陥６５０を含んでいる。さらに、第３のストリップ５３０は、測定された例示的な空中像６００内で、過剰な吸収材料という欠陥６６０を含んでいる。測定された空中像６００は、トレーニングデータレコードの一部であってよい。しかし、測定された空中像６００は、欠陥６５０、６６０の影響２５０を予測する目的で、関連する設計データ２４０と共に、トレーニング済みモデル２００、３００に入力されてもよい。最後に、シミュレーションツールを用いて修正された設計データに基づいて生成された、トレーニングデータレコードのシミュレートされた空中像は、測定された空中像６００に非常によく似た外観を有することができる。

図７は、欠陥影響マップ７００の特殊な発現の一部７１０を示している。欠陥影響マップ７００の一部７１０は、参照空中像５００を測定された空中像６００と比較することによって形成される。詳細には、欠陥影響マップ７００の一部７１０は、参照空中像５００と測定された空中像６００の間の差分を形成することによって形成され得る。上ですでに説明されたように、差分像は、参照空中像５００および測定された空中像６００のグレースケール値に基づいて実施される。差分像は参照空中像５００および測定された空中像６００よりも大きいビット深度を有するため、欠落している吸収体材料６５０および過剰な吸収体材料６６０という欠陥６５０、６６０が、欠陥影響マップ７００の一部７１０において区別され得る。マスク４５０全体にわたって、またはマスク４５０の関連するすべての領域にわたって欠陥影響マップ７００の一部７１０が決定されることによって、フォトリソグラフィマスク４５０の（または一般的に、フォトリソグラフィプロセスの要素４５０の）欠陥影響マップ７００を生成することができる。欠陥影響マップ７００の一部７１０は、欠陥６５０、６６０の対応する影響として、モデル２００、３００のトレーニングデータレコードに組み込まれ得る。

一貫性のある代表的なトレーニングデータの十分な可用性は、トレーニングプロセスにおいてＭＬモデル２００、３００の内部モデルパラメータを決定することにとって重要である。図８は、モデル８００のトレーニングサイクルの例を概略的に示している。設計に関して、および機能的特徴に関して、図８のモデル８００は、図２および３のモデル２００、３００と同一である。しかし、モデル２００、３００とは異なり、モデル８００はまだトレーニングされていない。図８に示された例では、測定された空中像６００および関連する設計データ２４０が、機械学習のモデル８００の入力層２１０へのトレーニングシーケンスの入力データとして提供される。出力層２２０で、トレーニング中のモデル８００は、これらの入力データから、欠陥８５０および８６０を含む欠陥影響マップの一部８１０を予測する。欠陥影響マップの一部８１０は、図７の欠陥影響マップ７００の一部７１０と比較される。図８では、この比較が両矢印８７０によって示されている。

選択されたＭＬモデル８００に応じて、トレーニング段階の間にＭＬモデル８００のモデルパラメータを決定するためのさまざまな方法が存在する。例として、深層ニューラルネットワークの形態でＭＬモデル８００で利用可能な「確率的勾配降下法」反復手法または対応する変形が、確立されている。このトレーニング方法では、トレーニングデータ（すなわち、トレーニングの目的に使用される空中像８３０（例えば、測定された空中像６００）および関連する設計データ２４０）が、モデル８００に繰り返し提示される。すなわち、モデル８００は、現在のモデルパラメータを使用して欠陥影響マップの一部８１０を計算し、計算された一部８１０を欠陥影響マップ７００の測定された一部７１０と比較する。２つの一部７１０と８１０の間に逸脱がある場合、ＭＬモデル８００のモデルパラメータが修正される。通常、一部８１０が（局所）最適に達したときに（つまり、一部７１０と８１０の間の逸脱が、すべての像の対（ペア）にわたってそれ以上ほとんど変化しなくなったか、または既定の時間間隔が過ぎた後に、もしくは既定の数のトレーニングステップを遂行した後に）、入力データレコードのトレーニング段階が終了される。代替として、別個の検証データレコードが利用される場合、検証精度が大幅に向上したときに、ＭＬモデル８００のトレーニングプロセスが完了することができ、このことは、ＭＬモデル８００の過学習を示している。

モデル８００は、２つのステップでトレーニングされ得る。第１のステップで、トレーニングの目的に使用されるシミュレートされた空中像の形態での空中像８３０が、関連する設計データ２４０と共にモデル８００の入力層２１０に提供され得る。その後、第２のステップで、測定された空中像６００が、対応する設計データ２４０と共に、トレーニングの目的に使用される空中像８３０としてモデル８００に提示される。

トレーニング済みＭＬモデル２００、３００が使用される前に、トレーニング済みモデル２００、３００の予測能力が、検証ステップを用いて解析され得る。トレーニング済みモデル２００、３００を検証するときに、独立した検証データレコードに基づいて、トレーニング済みモデル２００、３００の予測の精度が解析される。

図９の線図９００は、測定された空中像６００との参照空中像５００の比較の代わりに、トレーニング済みモデル２００、３００がプロセスにおいて使用される場合に、フォトリソグラフィプロセスの要素４５０の品質を評価するためのワークフローを示している。最初に、ステップ９１０で、フォトリソグラフィマスク４５０の空中像６００が測定される。その結果、ステップ９２０で、測定された空中像６００に属する設計データ２４０が機械学習のトレーニング済みモデル２００、３００に提供される。ステップ９３０で、トレーニング済みＭＬモデル２００、３００が、測定された空中像６００および関連する設計データ２４０に基づいて、空中像６００の欠陥６５０、６６０の影響２５０を直接確定する。図９において再現されたワークフローは、参照空中像５００の決定を回避する。

最後に、図１０のフローチャート１０００は、フォトリソグラフィプロセスの要素４５０の欠陥６５０、６６０の少なくとも１つの未知の影響を決定するための方法のワークフローを示している。ステップ１０１０で、この方法が開始する。ステップ１０２０で、空中像６００、空中像６００に関連付けられた設計データ２４０、および空中像６００から生じるフォトリソグラフィプロセスの要素４５０の欠陥６５０、６６０の影響の間の関係が、機械学習のモデル２００、３００に提供される。

次のステップ１０３０で、トレーニングの目的に使用される多数の空中像８３０、トレーニングの目的に使用される空中像８３０に関連付けられた設計データ２４０、および欠陥６５０、６６０の対応する影響７１０を使用して、機械学習のモデル２００、３００がトレーニングされる。

その結果、ステップ１０４０で、トレーニング済みモデル２００、３００を測定された空中像６００および測定された空中像６００に関連付けられた設計データ２４０に適用することによって、欠陥６５０、６６０の未知の影響が決定される。最後に、ステップ１０５０で、この方法が終了する。

Claims (19)

1. フォトリソグラフィプロセスの要素（４５０）の欠陥（６５０、６６０）の少なくとも１つの未知の影響（２５０）を決定するための方法（１０００）であって、前記方法（１０００）が、
   ａ．像（６００）、前記像（６００）に関連付けられた設計データ（２４０）、および前記像（６００）から生じる前記フォトリソグラフィプロセスの前記要素（４５０）の前記欠陥（６５０、６６０）の少なくとも１つの影響（２５０）の間の関係を、機械学習のモデル（２００、３００）に提供するステップと、
   ｂ．トレーニングの目的に使用される多数の像（８３０）、トレーニングの目的に使用される前記像（８３０）に関連付けられた設計データ（２４０）、および前記欠陥（６５０、６６０）の対応する影響（２５０）を使用して、前記機械学習のモデル（８００）をトレーニングするステップと、
   ｃ．前記機械学習のトレーニング済みモデル（２００、３００）を測定された像（６００）および前記測定された像（６００）に関連付けられた前記設計データ（２４０）に適用することによって、前記欠陥（６５０、６６０）の前記少なくとも１つの未知の影響（２５０）を決定するステップとを含み、
   前記像（６００）が、光学的結像システム（４２０）によって記録された像を含み、
   前記光学的結像システム（４２０）によって記録された前記像（６００）が、空中像（６００）を含み、および／または前記空中像（６００）が、空中像の焦点スタックを含む、方法（１０００）。
2. 前記像（６００）が、走査粒子顕微鏡によって記録された像、および走査プローブ顕微鏡によって記録された像の群からの少なくとも１つの要素をさらに含む、請求項１に記載の方法（１０００）。
3. 前記機械学習のモデル（２００、３００）が、パラメトリックマッピング、人工ニューラルネットワーク、深層ニューラルネットワーク、時間遅延ニューラルネットワーク、畳み込みニューラルネットワーク、回帰型ニューラルネットワーク、長短期記憶ネットワーク、および／または発生モデルの群からの少なくとも１つの要素を含む、請求項１または２に記載の方法（１０００）。
4. 前記機械学習のモデル（２００、３００）が、
   ａ．像（６００）の情報を伝達する特徴および前記像（６００）に関連付けられた前記設計データ（２４０）を決定するための少なくとも１つのエンコーダブロックと、
   ｂ．前記決定された情報を伝達する特徴から前記欠陥（６５０、６６０）の少なくとも１つの影響（２５０）を生成するための少なくとも１つのデコーダブロックとを含み、前記欠陥（６５０、６６０）の前記少なくとも１つの影響（２５０）が、参照像（５００）との前記像（６００）の重ね合わせがどのように見えるかを示す、請求項３に記載の方法（１０００）。
5. 前記欠陥（６５０、６６０）が、前記フォトリソグラフィプロセスの前記要素の１つまたは複数のパターン要素の配置誤差、前記フォトリソグラフィプロセスの前記要素の１つまたは複数のパターン要素の臨界寸法誤差、および２つ以上のフォトリソグラフィマスク（４５０）の重ね合わせ誤差の群からの少なくとも１つの要素を含む、請求項１〜４のいずれか１項に記載の方法（１０００）。
6. 前記機械学習のモデル（８００）の前記トレーニングが、トレーニングの目的に使用される前記複数の像（６００）およびトレーニングの目的に使用される前記像（６００）に関連付けられた前記複数の設計データ（２４０）を入力データとして提供することと、トレーニングの目的に使用される前記像に対応する前記欠陥（６５０、６６０）の前記複数の影響（２５０）を、前記機械学習のモデル（８００）の出力データに対する比較データとして提供することとを含む、請求項１〜５のいずれか１項に記載の方法（１０００）。
7. トレーニングの目的に使用される像（６００）が、測定された像（６００）および／またはシミュレートされた像を含む、請求項１〜６のいずれか１項に記載の方法（１０００）。
8. シミュレートされた像を生成する目的で、前記フォトリソグラフィプロセスのための前記要素（４５０）の設計データ（２４０）および／または修正された設計データをシミュレートするステップをさらに含む、請求項７に記載の方法（１０００）。
9. シミュレートされた像を生成することが、マクスウェル方程式を数値的に解くことによって厳密なシミュレーションを実行することであって、前記フォトリソグラフィプロセスの前記要素（４５０）の設計データ（２４０）および／または修正された設計データが入力データとして使用される、実行することと、キルヒホフモデルを用いてシミュレーションを実行することであって、前記フォトリソグラフィプロセスの前記要素（４５０）の前記設計データ（２４０）および／または前記修正された設計データが入力データとして使用される、実行することと、粒子線に基づく結像シミュレーションを実行することであって、前記フォトリソグラフィプロセスの前記要素（４５０）の設計データ（２４０）および／または修正された設計データが入力データとして使用される、実行することと、走査プローブに基づく結像シミュレーションを実行することであって、前記フォトリソグラフィプロセスの前記要素（４５０）の設計データ（２４０）および／または修正された設計データが入力データとして使用される、実行することとの群からの少なくとも１つの要素を含む、請求項８に記載の方法（１０００）。
10. 前記機械学習のモデル（８００）をトレーニングする目的での前記欠陥（６５０、６６０）の対応する影響（２５０）の前記提供が、像（６００）に対応する前記欠陥（６５０、６６０）の前記少なくとも１つの影響（２５０）を生成するために、トレーニングの目的に使用される前記像（６００）を参照像（５００）に重ね合わせるステップをさらに含む、請求項１〜９のいずれか１項に記載の方法（１０００）。
11. 前記機械学習のモデル（８００）をトレーニングする目的での前記欠陥（６５０、６６０）の対応する影響（２５０）の前記提供が、前記測定された像（６００）の領域と同じパターン要素（５１０、５２０、５３０、５４０）を含む前記フォトリソグラフィプロセスの前記要素（４５０）の実質的に欠陥のない領域を結像すること、および／または前記フォトリソグラフィプロセスの前記要素（４５０）の前記測定された像（６００）の前記領域に関して前記設計データ（２４０）をシミュレートすることによって、参照像（５００）を決定するステップをさらに含む、請求項１〜１０のいずれか１項に記載の方法（１０００）。
12. 前記像（６００）を前記参照像（５００）に重ね合わせることが、前記像（６００）と前記参照像（５００）の間の差分を形成することを含む、請求項１０または１１に記載の方法（１０００）。
13. 前記差分を形成することが、臨界寸法の誤差を決定することと、コントラストの誤差を決定することと、１つまたは複数のパターン要素（５１０、５２０、５３０、５４０）の配置誤差を決定することとの群からの少なくとも１つの要素を含む、請求項１２に記載の方法（１０００）。
14. 前記機械学習のモデル（８００）の前記トレーニングが、
    ａ．第１の段階において、第１の数のシミュレートされた像（５００）、前記シミュレートされた像（５００）に関連付けられた設計データ（２４０）を、前記欠陥（６５０、６６０）の対応する影響（２５０）と共に使用して、前記機械学習のモデル（８００）をトレーニングすることと、
    ｂ．第２の段階において、第２の数の測定された像（６００）、前記測定された像（６００）に関連付けられた設計データ（２４０）を、前記欠陥（６５０、６６０）の対応する影響（２５０）と共に使用して、前記機械学習のモデル（８００）をトレーニングすることとを含み、前記第１の段階が前記第２の段階の前に実行される、請求項１〜１３のいずれか１項に記載の方法（１０００）。
15. 前記第１の数のシミュレートされた像が前記第２の数の測定された像（６００）よりも大きい、請求項１４に記載の方法（１０００）。
16. ステップａ．およびｂ．が少なくとも２回遂行される、請求項１４または１５に記載の方法（１０００）。
17. 命令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システムによって実行されたときに、請求項１〜１６の前記方法のステップを前記コンピュータシステムに実行させる、コンピュータプログラム。
18. フォトリソグラフィプロセスの要素（４５０）の欠陥（６５０、６６０）の少なくとも１つの未知の影響（２５０）を決定するための装置（４９０）であって、前記装置（４９０）が、
    ａ．像（６００）、前記像（６００）に関連付けられた設計データ（２４０）、および前記像（６００）から生じる前記欠陥（６５０、６６０）の少なくとも１つの影響（２５０）の間の関係を、機械学習のモデル（２００、３００）に提供するための手段と、
    ｂ．トレーニングの目的に使用される多数の像（８３０）、トレーニングの目的に使用される前記像（８３０）に関連付けられた設計データ（２４０）、および前記欠陥（６５０、６６０）の対応する前記影響（２５０）を使用して、前記機械学習のモデル（２００、３００）をトレーニングするための手段と、
    ｃ．前記機械学習のトレーニング済みモデル（２００、３００）を測定された像（６００）および前記測定された像（６００）に関連付けられた前記設計データ（２４０）に適用することによって、前記欠陥（６５０、６６０）の前記未知の影響（２５０）を決定するための手段とを備え、
    前記像（６００）が、光学的結像システム（４２０）によって記録された像を含み、
    前記光学的結像システム（４２０）によって記録された前記像（６００）が、空中像（６００）を含み、および／または前記空中像（６００）が、空中像の焦点スタックを含む、装置（４９０）。
19. 前記装置（４９０）が、前記フォトリソグラフィプロセスの前記要素（４５０）のための露光システムと、前記フォトリソグラフィプロセスの前記要素（４５０）の一部を光検知器上に結像するように具現化された拡大レンズとを備える、請求項１８に記載の装置（４９０）。

Images