JP2023533586A - ノイズ除去モデルを生成するための装置及び方法 - Google Patents
ノイズ除去モデルを生成するための装置及び方法 Download PDFInfo
- Publication number
- JP2023533586A JP2023533586A JP2023501901A JP2023501901A JP2023533586A JP 2023533586 A JP2023533586 A JP 2023533586A JP 2023501901 A JP2023501901 A JP 2023501901A JP 2023501901 A JP2023501901 A JP 2023501901A JP 2023533586 A JP2023533586 A JP 2023533586A
- Authority
- JP
- Japan
- Prior art keywords
- image
- model
- images
- denoising
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000013461 design Methods 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 93
- 239000000758 substrate Substances 0.000 claims description 103
- 238000001878 scanning electron micrograph Methods 0.000 claims description 78
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 230000001131 transforming effect Effects 0.000 claims description 7
- 235000002566 Capsicum Nutrition 0.000 claims description 6
- 239000006002 Pepper Substances 0.000 claims description 6
- 235000016761 Piper aduncum Nutrition 0.000 claims description 6
- 235000017804 Piper guineense Nutrition 0.000 claims description 6
- 235000008184 Piper nigrum Nutrition 0.000 claims description 6
- 150000003839 salts Chemical class 0.000 claims description 6
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000000059 patterning Methods 0.000 description 84
- 230000005855 radiation Effects 0.000 description 62
- 230000008569 process Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 25
- 239000002245 particle Substances 0.000 description 25
- 239000000523 sample Substances 0.000 description 20
- 210000002381 plasma Anatomy 0.000 description 18
- 238000004891 communication Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 14
- 238000007689 inspection Methods 0.000 description 13
- 238000010894 electron beam technology Methods 0.000 description 11
- 238000005286 illumination Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000001459 lithography Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 235000012431 wafers Nutrition 0.000 description 8
- 238000002790 cross-validation Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 239000000356 contaminant Substances 0.000 description 6
- 238000005530 etching Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 241000722363 Piper Species 0.000 description 5
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 229910052710 silicon Inorganic materials 0.000 description 5
- 239000010703 silicon Substances 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 210000001747 pupil Anatomy 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- 102100024335 Collagen alpha-1(VII) chain Human genes 0.000 description 3
- 101000909498 Homo sapiens Collagen alpha-1(VII) chain Proteins 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 102100023817 26S proteasome complex subunit SEM1 Human genes 0.000 description 2
- 101000684297 Homo sapiens 26S proteasome complex subunit SEM1 Proteins 0.000 description 2
- 101000873438 Homo sapiens Putative protein SEM1, isoform 2 Proteins 0.000 description 2
- 101000650808 Homo sapiens Semaphorin-3G Proteins 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 102100027750 Semaphorin-3G Human genes 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000005381 magnetic domain Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000009304 pastoral farming Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- 125000003821 2-(trimethylsilyl)ethoxymethyl group Chemical group [H]C([H])([H])[Si](C([H])([H])[H])(C([H])([H])[H])C([H])([H])C(OC([H])([H])[*])([H])[H] 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 244000208734 Pisonia aculeata Species 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Instructional Devices (AREA)
- Feedback Control In General (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本明細書では、ノイズ除去モデルをトレーニングするための方法について説明する。この方法は、デザインパターンに基づいて第1の組のシミュレート像を得ることを含む。シミュレート像は、きれいな像である場合があり、これらのシミュレート像にノイズを加えて、ノイズのあるシミュレート像を生成することができる。きれいでノイズのあるシミュレート像は、ノイズ除去モデルを生成するためのトレーニングデータとして使用される。【選択図】 図2
Description
関連出願の相互参照
[0001] 本出願は、2020年7月14日に出願された米国特許出願第63/051,500号の優先権を主張するものであり、その全体が参照により本明細書に組み込まれる。
[0001] 本出願は、2020年7月14日に出願された米国特許出願第63/051,500号の優先権を主張するものであり、その全体が参照により本明細書に組み込まれる。
[0002] 本明細書の説明は、概して、検査ツール又は測定ツールによって取得された像の処理に関し、より詳細には、機械学習を使用することによる像のノイズ除去に関する。
[0003] リソグラフィ投影装置は、例えば、集積回路(IC)の製造において使用され得る。このような場合、パターニングデバイス(例えば、マスク)は、ICの個々の層に対応するパターン(「デザインレイアウト」)を含むこと、又は提供することができ、及びこのパターンは、パターニングデバイス上のパターンを通してターゲット部分を照射するなどの方法により、放射感応性材料(「レジスト」)の層でコートされた基板(例えば、シリコンウェーハ)上のターゲット部分(例えば、1つ又は複数のダイを含む)上に転写され得る。一般に、単一の基板は、パターンがリソグラフィ投影装置によって連続して転写される複数の隣接するターゲット部分(一度に1つのターゲット部分)を含む。あるタイプのリソグラフィ投影装置においては、パターニングデバイス全体上のパターンが、一度に1つのターゲット部分上に転写され、このような装置は、一般にステッパと呼ばれる。一般にステップアンドスキャン装置と呼ばれる代替装置では、投影ビームが、所与の基準方向(「スキャン」方向)にパターニングデバイスをスキャンすることに同期して、この基準方向に平行又は逆平行に基板を移動させる。パターニングデバイス上のパターンの異なる部分が、1つのターゲット部分に漸進的に転写される。一般に、リソグラフィ投影装置は、縮小率M(例えば、4)を有するので、基板を移動させる速度Fは、投影ビームがパターニングデバイスをスキャンする速度×1/Mとなる。本明細書に記載するようなリソグラフィデバイスに関する更なる情報は、例えば、本明細書に援用される米国特許第6,046,792号から学ぶことができる。
[0004] パターニングデバイスから基板にパターンを転写する前に、基板は、プライミング、レジストコーティング、及びソフトベークなどの様々なプロシージャを経てもよい。露光後に、基板は、ポストベーク(PEB)、現像、ハードベーク、及び転写されたパターンの測定/インスペクションなどの他のプロシージャ(「露光後プロシージャ」)を受けてもよい。この多数のプロシージャは、デバイス、例えばICの個々の層を作るための基礎として使用される。基板は、次に、エッチング、イオン注入(ドーピング)、メタライゼーション、酸化、化学機械研磨など(全て、デバイスの個々の層を仕上げることを意図したもの)の様々なプロセスを経てもよい。デバイスに幾つかの層が必要とされる場合、プロシージャ全体又はそれの異形が、各層に対して繰り返される。最終的に、基板上の各ターゲット部分にデバイスが存在する。これらのデバイスは、次に、ダイシング又はソーイングなどの技術によって互いに分離され、その結果、個々のデバイスがキャリア上に取り付けられること、ピンに接続されることなどが可能である。
[0005] したがって、半導体デバイスなどの製造デバイスは、一般的に、デバイスの様々なフィーチャ及び複数の層を形成するための多数の製作プロセスを用いて、基板(例えば半導体ウェーハ)を処理することを含む。このような層及びフィーチャは、一般的に、例えば、堆積、リソグラフィ、エッチング、化学機械研磨、及びイオン注入を用いて、製造及び処理される。複数のデバイスが、基板上の複数のダイ上で製作され、その後、個々のデバイスに分離されてもよい。このデバイス製造プロセスは、パターニングプロセスとみなすことができる。パターニングプロセスは、パターニングデバイス上のパターンを基板に転写するために、リソグラフィ装置においてパターニングデバイスを用いる光及び/又はナノインプリントリソグラフィなどのパターニングステップを含み、及び一般的に(但し任意選択的に)、現像装置によるレジスト現像、ベークツールを用いた基板のベーク、エッチング装置を用いたパターンを使用するエッチングなどの1つ又は複数の関連のパターン処理ステップを含む。
[0006] 一実施形態によれば、像を処理するための像ノイズ除去モデルをトレーニングするための方法が提供される。この方法は、デザインパターンを第1の組のシミュレート像に変換することと、第1の組のシミュレート像と像ノイズとに基づいてノイズ除去モデルをトレーニングすることとを含む。トレーニング後に、ノイズ除去モデルは、入力像からノイズを除去するように動作可能であり、ノイズ除去像を生成する。
[0007] 一実施形態では、パターン付き基板の像を捕捉するように構成された電子ビーム光学系と、入力像のノイズ除去像を生成するように構成された1つ又は複数のプロセッサとを含むシステムが提供される。1つ又は複数のプロセッサは、基板のデザインパターンからシミュレート像を生成するように構成されたトレーニング済みモデルを実行するように構成される。一実施形態では、1つ又は複数のプロセッサは、捕捉像を入力として使用してノイズ除去モデルを実行してパターン付き基板のノイズ除去像を生成するように構成される。
[0008] 一実施形態では、ノイズ除去モデルを記憶するための1つ又は複数の非一時的なコンピュータ可読媒体が提供される。一実施形態では、1つ又は複数の非一時的なコンピュータ可読媒体は、記憶されたノイズ除去モデルによってノイズ除去像を生成するように構成される。特に、1つ又は複数の非一時的なコンピュータ可読媒体は、1つ又は複数のプロセッサによって実行されたときにノイズ除去モデルを提供する命令を記憶する。一実施形態では、ノイズ除去モデルは、デザインパターンに基づいて第1の組のシミュレート像を得ること(例えば、トレーニング済みGANを使用してGDSパターンをシミュレート像に変換することによって)と、第1の組のシミュレート像を入力として基本ノイズ除去モデルに提供して、第2の組のシミュレート像を得ることであって、第2の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることと、基準ノイズ除去像をフィードバックとして使用して、基準ノイズ除去モデルの1つ又は複数の構成を更新することであって、1つ又は複数の構成は、基準ノイズ除去像と第2の組のシミュレート像との比較に基づいて更新される、更新することのための命令を実行することによって生成される。
[0009] 幾つかの実施形態では、GANは、GDSパターン像をきれいなシミュレートSEM像に変換するようにトレーニングされる。まず、スキャンSEM像からノイズフィーチャが抽出され、次いで、これらのきれいな像にノイズを加えて、ノイズのあるシミュレート像を生成する。きれいなシミュレート像及びノイズのある像は、スキャンSEM像と組み合わせて、ノイズ除去モデルをトレーニングするために使用される。ノイズ除去モデルはさらに、捕捉SEM像を用いて微調整され得る。トレーニングされた時点で、ノイズ除去モデルは、入力SEM像からノイズを除去してノイズ除去像を生成するように動作可能である。
[0010] 本開示の実施形態によれば、ノイズ除去モデルは、上記で説明したようにジェネレータモデルを通じてデザインパターンから変換されるシミュレート像を使用することによってトレーニングされる。このようなシミュレート像を含むトレーニングデータは、SEMで捕捉された像よりも著しく且つ十分に多くのパターンを集合的に網羅することができる。改善されたパターンカバレッジの結果として、トレーニングによって、有利には、ノイズ除去モデルの有効性及び精度を大幅に改善することができる。再トレーニングの必要性を大幅に低減するか、又はさらには排除することができる。
[0011] 上記の態様並びに他の態様及び特徴は、添付の図面と併せて特定の実施形態の以下の説明を検討することで、当業者に明らかになるであろう。
[0027] 実施形態を詳細に説明する前に、実施形態が実施され得る例示的な環境を提示することが有益である。
[0028] 本書では、ICの製造について具体的に言及する場合があるが、本明細書の説明は、多くの他の可能な適用例を有することが明示的に理解されるべきである。例えば、本明細書の説明は、集積光学システム、磁気ドメインメモリ用のガイダンス及び検出パターン、液晶ディスプレイパネル、薄膜磁気ヘッドなどの製造に用いられ得る。当業者であれば、そのような代替の用途という文脈において、本書での「レチクル」、「ウェーハ」、又は「ダイ」という用語の使用は、それぞれ、「マスク」、「基板」、及び「ターゲット部分」というより一般的な用語と交換可能であるとみなされるべきであることを理解するであろう。
[0029] 本文書では、「放射」及び「ビーム」という用語は、紫外線放射(例えば、365、248、193、157、又は126nmの波長を有する)及びEUV(極端紫外線放射、例えば、約5~100nmの範囲内の波長を有する)を含む、全てのタイプの電磁放射を包含するように使用され得る。
[0030] パターニングデバイスは、1つ又は複数のデザインレイアウトを含むか又は形成することがある。デザインレイアウトは、CAD(computer-aided design)プログラムを利用して生成することができ、このプロセスは、しばしば、EDA(electronic design automation)と呼ばれる。ほとんどのCADプログラムは、機能的デザインレイアウト/パターニングデバイスを作製するために、一組の所定のデザインルールに従う。これらのルールは、処理及びデザイン上の制約によって設定される。例えば、デザインルールは、デバイス又は線が望ましくない態様で互いに相互作用しないことを確実にするように、デバイス間(ゲート、コンデンサ等)又は相互接続線間のスペース許容値を定義する。デザインルール制約のうちの1つ又は複数は、「クリティカルディメンジョン」(CD)と呼ばれることがある。デバイスのクリティカルディメンジョンは、線若しくは穴の最小の幅、又は2本の線若しくは2つの穴の間の最小のスペースとして定義されることがある。従って、CDは、デザインされたデバイスの全体的なサイズ及び密度を決定する。当然ながら、デバイス製造の目標の1つは、(パターニングデバイスを介して)基板上に元のデザイン意図を忠実に再現することである。
[0031] パターンレイアウトデザインは、例として、光近接効果補正(OPC)などの解像度向上技術の適用を含み得る。OPCは、基板に投影されるデザインレイアウトの像の最終的なサイズ及び配置が、パターニングデバイス上のデザインレイアウトのサイズ及び配置と同一にはならないか、又は単にパターニングデバイス上のデザインレイアウトのサイズ及び配置にのみ依存しない、という事実に対処する。「マスク」、「レチクル」、「パターニングデバイス」という用語は、本明細書では交換可能に利用されることに留意されたい。また、RETの文脈では、物理的パターニングデバイスを表すために、必ずしも物理的パターニングデバイスが使用されるわけではなく、デザインレイアウトを使用できるので、当業者であれば、「マスク」、「パターニングデバイス」、及び「デザインレイアウト」という用語を交換可能に使用できることを認識するであろう。一部のデザインレイアウトに存在するフィーチャのサイズが小さく密度が高い場合、所与のフィーチャの特定のエッジの位置は、他の隣接するフィーチャの有無によって、一定程度影響を受ける。これらの近接効果は、あるフィーチャから別のフィーチャに結合される微量の放射から又は回折及び干渉などの非幾何学的な光学的効果から生じる。同様に、近接効果は、一般にリソグラフィに続く露光後ベーク(PEB)、レジスト現像、及びエッチング中の拡散及び他の化学的効果から生じ得る。
[0032] デザインレイアウトの投影像が所与のターゲット回路デザインの要件に従う可能性を高めるために、高度な数値モデル、デザインレイアウトの補正又は予歪を使用して、近接効果が予測され補償され得る。論文“Full-Chip Lithography Simulation and Design Analysis-How OPC Is Changing IC Design”,C.Spence,Proc.SPIE,Vol.5751,pp1-14(2005)は、現在の「モデルベース」の光近接効果補正処理の概要を提供している。典型的なハイエンドのデザインでは、ターゲットデザインに対する投影像の高い忠実性を実現するために、デザインレイアウトのほとんど全てのフィーチャに、何らかの修正が加えられる。これらの修正には、エッジ位置又は線幅のシフト又はバイアス、並びに他のフィーチャの投影を支援するように意図された「アシスト」フィーチャの適用が含まれ得る。
[0033] アシストフィーチャは、パターニングデバイス上のフィーチャとデザインレイアウトにおけるフィーチャとの差とみなされ得る。「主要フィーチャ」及び「アシストフィーチャ」という用語は、パターニングデバイス上の特定のフィーチャをどちらか一方としてラベル付けしなくてはならない、ということを示唆するものではない。
[0034] 本明細書で用いられる「マスク」又は「パターニングデバイス」という用語は、入ってくる放射ビームに、基板のターゲット部分に生成されるパターンに対応したパターン付き断面を付与するために使用することができる一般的なパターニングデバイスを指すものと広く解釈することができ、「ライトバルブ」という用語も、この文脈で使用されることがある。従来のマスク(透過型又は反射型、バイナリ、位相シフト、ハイブリッドなど)に加えて、他のこのようなパターニングデバイスの例としては、以下が挙げられる:
- 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、一方、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、ということである。適切なフィルタを使用して、前述の非回折放射を反射ビームから除去し、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与される。必要とされるマトリックスアドレッシングは、適切な電子手段を使用して実施することができる。
- プログラマブルLCDアレイ。このような構造の一例が、本明細書に組み込まれる米国特許第5,229,872号によって与えられる。
- 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、一方、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、ということである。適切なフィルタを使用して、前述の非回折放射を反射ビームから除去し、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与される。必要とされるマトリックスアドレッシングは、適切な電子手段を使用して実施することができる。
- プログラマブルLCDアレイ。このような構造の一例が、本明細書に組み込まれる米国特許第5,229,872号によって与えられる。
[0035] 簡単な前置きとして、図1は例示的なリソグラフィ投影装置10Aを示す。主なコンポーネントは、深紫外線エキシマレーザ源、又は極端紫外線(EUV)源を含む他のタイプのソースであり得る、放射源12A(本明細書で考察するように、リソグラフィ投影装置自体は、放射源を有する必要がない)と、部分コヒーレンス(シグマとして表す)を例えば定義する照明光学系であって、ソース12Aからの放射を整形する光学系14A、16Aa、及び16Abを含み得る照明光学系と、パターニングデバイス18Aと、パターニングデバイスパターンの像を基板面22A上に投影する透過光学系16Acである。投影光学系の瞳面における調節可能フィルタ又はアパーチャ20Aは、基板面22Aに衝突するビーム角の範囲を制限することがあり、ここで、可能な最大角は、投影光学系の開口数NA=n sin(Θmax)を定義し、式中、nは、基板と投影光学系の最後の素子との間の媒体の屈折率であり、及びΘmaxは、まだ基板面22Aに衝突し得る投影光学系から出るビームの最大角である。
[0036] リソグラフィ投影装置では、ソースは、照明(すなわち、放射)をパターニングデバイスに提供し、並びに投影光学系は、パターニングデバイスを介して、基板上へと照明の誘導及び整形を行う。投影光学系は、コンポーネント14A、16Aa、16Ab、及び16Acの少なくとも幾つかを含み得る。空間像(AI)は、基板レベルにおける放射強度分布である。基板上のレジスト層は、露光され、空間像は、潜在的な「レジスト像」(RI)としてレジスト層に転写される。レジスト像(RI)は、レジスト層中のレジストの溶解度の空間分布として定義することができる。レジストモデルを使用して空間像からレジスト像を計算することができ、その例は、米国特許出願公開第2009/0157360号に見ることができ、その開示は参照によりその全体が本明細書に組み込まれる。レジストモデルは、レジスト層の特性(例えば、露光、PEB、及び現像中に生じる化学プロセスの影響)のみに関係する。リソグラフィ投影装置の光学特性(例えば、ソース、パターニングデバイス、及び投影光学系の特性)は、空間像を決定付ける。リソグラフィ投影装置で使用されるパターニングデバイスを変更できるので、パターニングデバイスの光学特性を、少なくともソース及び投影光学系を含む、リソグラフィ投影装置の残りの部分の光学特性から切り離すことが望ましい場合がある。
[0037] 本書では、ICの製造でのリソグラフィ装置の使用について言及する場合があるが、本明細書で説明するリソグラフィ装置は、例えば、集積光学システム、磁気ドメインメモリ用のガイダンス及び検出パターン、液晶ディスプレイパネル(LCD)、薄膜磁気ヘッドの製造などの、他の用途を有し得ることが理解されるべきである。当業者であれば、そのような代替の用途という文脈において、本明細書での「ウェーハ」又は「ダイ」という用語の使用は、それぞれ、「基板」又は「ターゲット部分」というより一般的な用語と同義であるとみなされ得ることを理解するであろう。本明細書において言及される基板は、露光前若しくは露光後に、例えばトラック(例えば、通常、基板にレジスト層を塗布し、露光済みレジストを現像するツール)又は測定ツール若しくは検査ツールで処理され得る。適用可能な場合には、本明細書の開示は、そのような及び他の基板処理ツールに適用され得る。さらに、基板は、例えば多層ICを作製するために、複数回処理されることがあり、本明細書で使用される基板という用語は、既に複数の処理済み層を含む基板も指すことがある。
[0038] 本明細書で使用される「放射」及び「ビーム」という用語は、紫外線(UV)放射(例えば、365、248、193、157、又は126nmの波長を有する)及び極端紫外線(EUV)放射(例えば、5~20nmの範囲の波長を有する)、並びにイオンビーム又は電子ビームなどの粒子ビームを含む、全てのタイプの電磁放射を包含する。
[0039] ノイズ除去モデルの既存のトレーニング方法は、トレーニングデータとしてパターン付き基板の多数の像(例えば、SEM像)を必要とする。このようなトレーニング方法では、デザインレイアウトのパターンカバレッジは、SEM像のパターンに限定されるものではない。一実施形態では、パターンカバレッジとは、デザインレイアウト内の固有のパターンの数を指す。通常、デザインレイアウトは、数億~数十億のパターンと数百万の固有のパターンを有し得る。パターン付き基板上の数百万のパターンをトレーニングの目的で測定することは、かなりの計測時間及びコンピューティングリソースがトレーニングのために必要となるので、現実的ではない。従って、例えば、SEM像を含むトレーニングデータは通常、機械学習モデルをトレーニングするのに十分なデータよりもはるかに少ない。よって、新たなパターンを用いてトレーニング済みモデルをリアルタイムで再トレーニングする必要がある場合がある。
[0040] 本開示の方法には、幾つかの利点がある。例えば、デザインレイアウトのパターンカバレッジは、オフライントレーニング中に大幅に増やすことができる。限られたSEM像(例えば、10~20枚の実際のSEM像)のみを、トレーニング及び検証の目的で使用することができる。トレーニング後に、トレーニング済みモデルを使用して、実行時に、捕捉された計測像(例えば、SEM像)のノイズを除去することができる。トレーニング中に比較的多数のパターンが網羅されているので、既存のモデルの再トレーニング量は、既存のモデルよりも著しく少なくなる。モデルの微調整は、例えば10~20枚の実際のSEM像を取得することによって、迅速に達成することができる。従って、既存のモデルと比較して、かなりの機械スキャン時間及びオンラインでのモデルトレーニングの時間を削減することができる。例えば、本方法では、スキャン時間は、数千枚のSEM像とは対照的に20枚のSEM像に制限することができ、オンラインでのモデルトレーニングの時間は、4~8時間と比較して約0.5時間に制限することができる。
[0041] 図2は、本開示の実施形態による、ノイズ除去モデルをトレーニングする例示的な方法200である。一実施形態では、トレーニング目的のために、別のモデルは、デザインパターン(例えば、GDSファイルデータにおけるデザインレイアウト)をきれいなシミュレートSEM像に変換する。さらに、これらのきれいな像にノイズが加えられ、ノイズのあるシミュレート像が生成され得る。きれいなシミュレート像及びノイズのある像は、スキャンSEM像と組み合わせて、ノイズ除去モデルをトレーニングするために使用される。一実施形態では、方法は、以下で詳細に考察するプロセスP201及びP203を含む。
[0042] プロセスP201は、デザインパターンを第1の組のシミュレート像201、例えばシミュレートSEM像に変換することを含む。一実施形態では、デザインパターンDPは、グラフィックデータ信号(GDS)ファイルフォーマットである。例えば、数百万のデザインパターンを含むデザインレイアウトは、GDSデータファイルとして表される。
[0043] 一実施形態では、第1の組のシミュレート像201を得ることは、デザインパターンDPを入力として使用してトレーニング済みモデルMD1を実行して、シミュレート像201を生成することを含む。一実施形態では、トレーニング済みモデルMD1は、デザインパターンDPとパターン付き基板の捕捉像とに基づいてトレーニングされ、捕捉された各像は、デザインパターンと関連付けられる。一実施形態では、捕捉像は、走査電子顕微鏡(SEM)(例えば、図10~図11)を介して取得されるSEM像である。
[0044] 一実施形態では、トレーニング済みモデルMD1は、本明細書で考察するようにトレーニングデータを使用する既存のトレーニング方法を使用してトレーニングできる機械学習モデルなどの任意のモデルとすることができる。例えば、トレーニング済みモデルMD1は、畳み込みニューラルネットワーク(CNN)又は深層畳み込みニューラルネットワーク(DCNN)とすることができる。本開示は、特定のトレーニング方法又は特定のニューラルネットワークに限定されるものではない。例として、モデルMD1は、敵対的生成ネットワーク(GAN)などのトレーニング方法を使用してトレーニングされた第1の深層学習モデル(例えば、DCNN)であり得、このモデルでは、デザインパターンDP及びSEM像がトレーニングデータとして使用される。この例では、トレーニング済みモデルMD1(例えば、DCNN)は、所与のデザインパターン、例えばGDSパターンからシミュレートSEM像を生成するように構成された生成モデルと称される。
[0045] 一実施形態では、敵対的生成ネットワーク(GAN)は、特に互いに敵対して、一緒にトレーニングされる2つの深層学習モデル、すなわち生成モデル(例えば、CNN又はDCNN)及び識別器モデル(例えば、別のCNN又は別のDCNN)を含む。ジェネレータモデルは、デザインパターンDP及び捕捉像(例えば、SEM像)を入力として受け取り、シミュレート像(例えば、シミュレートSEM像)を出力することができる。一実施形態では、出力されたシミュレート像は、偽像又は実像としてラベル付けされ得る。一例では、偽像は、これまで実際には存在しなかった特定のクラスの像(例えば、SEM像のノイズ除去像)である。その一方で、基準(又はグラウンドトゥルース)として使用される実像は、ジェネレータモデル及び識別器モデルのトレーニング中に使用され得る以前に存在する像(例えば、プリント基板のSEM)である。トレーニングの目的は、ジェネレータモデルをトレーニングして、実像に酷似した偽像を生成することである。例えば、偽像のフィーチャは、実像(例えば、ノイズ除去SEM像)のフィーチャと少なくとも95%一致する。結果として、トレーニング済みジェネレータモデルは、高レベルの精度でリアルなシミュレーション像を生成することが可能である。
[0046] 一実施形態では、ジェネレータモデル(G)は、畳み込みニューラルネットワークであり得る。ジェネレータモデル(G)は、デザインパターン(z)を入力として受け取り、像を生成する。一実施形態では、像は、偽像又はシミュレート像と称されることがある。偽像は、Xfake=G(z)と表現することができる。ジェネレータモデル(G)は、第1の費用関数と関連付けられ得る。第1の費用関数は、費用関数が改善される(例えば、最大化又は最小化される)ようにジェネレータモデルのパラメータの調整を可能にする。一実施形態では、第1の費用関数は、入力ベクトルを所与としてシミュレート像が偽像である確率を決定する第1の対数尤度項を含む。
[0047]
第1の費用関数の例は、以下の式1で表現することができる。
LS=E[logP(S=fake|Xfake)]…(1)
第1の費用関数の例は、以下の式1で表現することができる。
LS=E[logP(S=fake|Xfake)]…(1)
[0048] 上記式1では、条件付き確率の対数尤度が計算される。この式では、Sは、識別器モデルによる偽物としてのソース割り当てを指し、Xfakeは、ジェネレータモデルの出力、すなわち偽像である。従って、一実施形態では、トレーニング方法は、第1の費用関数(L)を最小化する。その結果、ジェネレータモデルは、識別器モデルが偽像を偽物と認識する条件付き確率が低くなるように、偽像(すなわち、シミュレート像)を生成する。換言すれば、ジェネレータモデルは、よりリアルな像又はパターンを徐々に生成する。
[0049] 図4は、プロセスP201において考察したようにモデル(例えば、MD1)をトレーニングする例示的なプロセスを示す。一実施形態では、トレーニング済みジェネレータモデルMD1は、敵対的生成ネットワークを使用してトレーニングされる。敵対的生成ネットワークに基づくトレーニングは、ジェネレータモデルGM1がより正確且つロバストな結果を徐々に生成するように一緒にトレーニングされる、2つの深層学習モデルGM1及びDM1を含む。
[0050] 一実施形態では、ジェネレータモデルGM1は、例えば、デザインパターンDP1及びDP2と、デザインパターンDP1、DP2に対応するSEM像SEM1、SEM2とを入力として受け取ることができる。ジェネレータモデルGM1は、像DN1及びDN2などのシミュレート像を出力する。
[0051] GM1のシミュレート像は、別のCNNである、識別器モデルDM1によって受け取られる。識別器モデルDM1はまた、実像SEM1及びSEM2(又は1組の実パターン)をピクセル化された像の形で受け取る。実像に基づいて、識別器モデルDM1は、シミュレート像が偽物(例えば、ラベルL1)か本物(例えば、ラベルL2)かを判定し、それに応じてラベルを割り当てる。識別器モデルDM1がシミュレート像を偽物として分類する場合、GM1及びDM1のパラメータ(例えば、バイアス及び重み)は、費用関数(例えば、上記の第1の費用関数)に基づいて修正される。モデルGM1及びDM1は、GM1によって生成されたシミュレート像を識別器DM1が本物として一貫して分類するまで、繰り返し修正される。換言すれば、ジェネレータモデルGM1は、任意の入力デザインパターンに対してリアルなSEM像を生成するように構成される。
[0052] 図5は、一実施形態による、図4のトレーニング済みジェネレータモデルMD1を使用して第1の組のシミュレートSEM像を得る例を示す。一実施形態では、任意のデザインパターンDP11、DP12、…DPnは、シミュレートSEM像S1、S2、…Snをそれぞれ生成するために、トレーニング済みジェネレータモデルMD1に入力することができる。本開示はこれに限定されるものではないが、これらのシミュレートSEM像S1、S2、…Snは、典型的なノイズを含まない又は非常に低いノイズを含むきれいな像であり得る。
[0053] 幾つかの実施形態では、図2における第1の組のシミュレート像201を生成するために、像ノイズが加えられ得る。図6は、シミュレートSEM像S1、S2、…Snにノイズを加えて、ノイズ除去モデルをトレーニングするための第1の組のシミュレート像S1*、S2*、…Sn*を生成する例を示し、ノイズ除去モデルは、入力像のノイズを除去するように構成された別の機械学習モデルである。ノイズ除去モデルのトレーニングをプロセスP203に関して以下で考察する。
[0054] プロセスP203は、ノイズ除去モデルをトレーニングすることを含み、第1の組のシミュレート像201及び像ノイズをトレーニングデータとして使用する。一実施形態では、追加的に、パターン付き基板の捕捉像205は、トレーニングデータに含まれ得る。例えば、捕捉像205は、パターン付き基板のSEM像であり得る。
[0055] 一実施形態では、ノイズ除去モデルMD2は、第2の機械学習モデルである。例えば、第2の機械学習モデルは、第2のCNN又は第2のDCNNであり得る。本開示は、特定の深層学習トレーニング方法又は機械学習トレーニング方法に限定されるものではない。一実施形態では、トレーニングは、第2の組のシミュレート像が、ノイズを加える前の第1の組のシミュレート像201(例えば、図5のシミュレートSEM像S1、S2、…Sn)又は基準像などのグラウンドトゥルースの指定の閾値内に収まるまで実施される反復プロセスである。一実施形態では、ノイズ除去モデルのトレーニングには、第1の組のシミュレート像と像ノイズと捕捉像とをトレーニングデータとして使用することが含まれます。
[0056] 一実施形態では、像ノイズは、パターン付き基板の捕捉像、例えば捕捉SEM像から抽出される。例えば、SEMツールによって捕捉されたSEM像からノイズを抽出するために、ノイズフィルタが適用され得る。抽出ノイズは、像ノイズとして表すことができる。一実施形態では、像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである。一実施形態では、像ノイズは、ピクセルの強度値が統計的に互いに独立しているピクセルを含む。一実施形態では、ガウスノイズは、ガウス分布関数のパラメータを変化させることによって生成することができる。
[0057] 一実施形態では、図6を参照すると、ガウスノイズなどの像ノイズを、例えばシミュレート像S1、S2、…Snに加えて、S1*、S2*、…、Sn*などのノイズのある像を生成することができる。ノイズのある像は、ノイズ除去モデルをトレーニングするために使用される第1の組のシミュレート像201である。
[0058] 従来の方法で、ノイズ除去モデルは、捕捉SEM像をトレーニング像として使用することによってトレーニングされる。SEMシステムの結像スループットによって、それゆえ、SEMで捕捉された像の量によって制限され、トレーニング像は、比較的少数のパターンしか集合的に網羅できず、これにより、トレーニング済みノイズ除去モデルが、多様なパターンを有し得る入力像のノイズを除去するのに役に立たないものになる。不所望なことに、トレーニング済みノイズ除去モデルは、新たなパターンで像を処理できるように再トレーニングされる必要がある。本開示の実施形態によれば、ノイズ除去モデルは、上記で説明したようにジェネレータモデルを通じてデザインパターンから変換されるシミュレート像を使用することによってトレーニングされる。シミュレート像を含むトレーニングデータは、SEMで捕捉された像よりも著しく且つ十分に多くのパターンを集合的に網羅することができる。改善されたパターンカバレッジの結果として、トレーニングによって、有利には、ノイズ除去モデルの有効性及び精度を大幅に改善することができる。再トレーニングの必要性を大幅に低減又はさらには排除することができる。
[0059] 図7は、本開示の実施形態による、ノイズ除去モデル(例えば、MD2)をトレーニングする例示的なプロセスを示す。
[0060] ノイズ除去モデルMD2をトレーニングするためのトレーニングデータとしての第1のシミュレート像201、像ノイズ、及び/又は基準像REF。一実施形態では、追加的に、パターン付き基板の捕捉像710(例えば、SEM像)は、トレーニングデータに含まれ得る。一実施形態では、捕捉像710の数は、シミュレート像201の数よりも相対的に少ない可能性がある。一実施形態では、捕捉像710は、トレーニング済みノイズ除去モデルMD2を更新するために使用することができる。
[0061] 一実施形態では、モデルMD2は、例えば、図6及び図7に関して考察したノイズのある像S1*、S2*、…、Sn*(例えば、モデルMD1を使用して生成された)及び像ノイズを入力として受け取ることができる。モデルMD2は、像DN11、D12、…DNnなどのノイズ除去像を出力する。トレーニングプロセス中に、モデルMD2の1つ又は複数のモデルパラメータ(例えば、DCNNの異なる層の重み及びバイアス)は、収束が達成されるか又はノイズ除去像が基準像REFの指定の閾値内に収まるまで、修正され得る。一実施形態では、モデルパラメータ値の変更が以前のモデル出力と比較してモデル出力の大幅な改善をもたらさない場合に、収束が達成される。
[0062] 一実施形態では、方法200は、計測ツールを介して、パターン付き基板のSEM像を取得することと、SEM像を入力像として使用してトレーニング済みノイズ除去モデルMD2を実行して、ノイズ除去されたSEM像を生成することとをさらに含む。
[0063] 一実施形態では、第2の機械学習モデルMD2もまた、プロセスP203において考察した入力を使用して、上記で考察したように、GANトレーニング方法を使用してトレーニングされ得る。例えば、第1のシミュレート像201と像ノイズと基準像REFとをトレーニングデータとして使用する。一実施形態では、基準像REFは、第1のシミュレート像201とすることができる。
[0064] 図8は、トレーニング済みノイズ除去モデルMD2を使用してノイズ除去されたSEM像を生成する例示的なプロセスを示す。パターン付き基板の例示的なSEM像801及び802は、SEMツールを介して捕捉される。SEM像801及び802は、トレーニングデータにおける像で使用されるパターンとは非常に異なる複雑なパターンを有することに留意されたい。トレーニング済みモデルMD2は、デザインパターンに関係するシミュレート像に基づいてトレーニングされるので、有利には、多数のパターンを網羅することができる。従って、トレーニング済みモデルMD2は、SEM像801及び802の極めて正確なノイズ除去像811及び812をそれぞれ生成することができる。図8における結果は、トレーニング済みモデルMD2が追加のトレーニングなしに新たなパターンを取り扱うことができることを示す。一実施形態では、ノイズ除去像の品質をさらに高めるために、新たに捕捉されたSEM像を使用して、ノイズ除去モデルMD2のさらなる微調整を実施することができる。
[0065] 図3は、本開示の実施形態によるノイズ除去モデルを生成するための別の例示的な方法300のフローチャートである。方法300は、以下で考察するプロセスP301、P303、及びP305を含む。
[0066] プロセスP301は、デザインパターンに基づいて第1の組のシミュレート像301を取得することを含む。一実施形態では、シミュレート像301の第1の組の各像は、シミュレートSEM像と像ノイズとの組み合わせである(例えば、図6のS1*、S2*、…Sn*を参照)。
[0067] 一実施形態では、シミュレートSEM像を得ることは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレートSEM像を生成することを含む。例えば、図5に関して考察したように、トレーニング済みモデルMD1を実行する。一実施形態では、トレーニング済みモデル(例えば、MD1)は、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、捕捉された各像は、デザインパターンと関連付けられる。一実施形態では、捕捉像は、走査電子顕微鏡(SEM)を介して取得されたSEM像である。一実施形態では、像ノイズは、パターン付き基板の捕捉像から抽出されたノイズである。一実施形態では、像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである。
[0068] 一実施形態では、トレーニング済みモデル(例えば、MD1)は、第1の機械学習モデルである。一実施形態では、第1の機械学習モデルは、敵対的生成ネットワークを使用してトレーニングされたCNN又はDCNNである。一実施形態では、トレーニング済みモデルMD1は、所与のデザインパターンについてのシミュレートSEM像を生成するように構成された生成モデルである。例えば、図5及び図6に関して考察したような、トレーニング済みモデルMD1。一実施形態では、基準ノイズ除去像は、デザインパターンと関連付けられたシミュレートSEM像である。例えば、基準像は、図5のMD1によって生成されたS1、S2、…Snとすることができる。
[0069] プロセスP303は、第1の組のシミュレート像301を入力として基本ノイズ除去モデルBM1に提供して、初期の第2の組のシミュレート像を得ることであって、初期の第2の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることを含む。一実施形態では、基本モデルは、トレーニングされていないモデル又は微調整する必要があるトレーニング済みモデルとすることができる。一実施形態では、パターン付き基板の捕捉像は、ノイズ除去モデルをトレーニングするか又は微調整するために使用され得る。プロセスP305は、基準ノイズ除去像をフィードバックとして使用して基本ノイズ除去モデルBM1の1つ又は複数の構成を更新することを含む。1つ又は複数の構成は、基準ノイズ除去像と第2の組のシミュレート像との比較に基づいて更新される。例えば、1つ又は複数の構成を更新することは、基本モデルのモデルパラメータを修正することを含む。トレーニングプロセスの終了時に、構成が更新された基本モデルがノイズ除去モデルになる。このようなノイズ除去モデルは、例えば、SEM像を入力として使用して第2の組のシミュレート像を生成することができる。
[0070] 実施形態では、ノイズ除去モデルは、第2の機械学習モデルである。実施形態では、第2の深層学習モデルは、深層学習方法又は機械学習方法を使用してトレーニングされる。一実施形態では、ノイズ除去モデルはまた、敵対的生成ネットワークのトレーニング方法を使用してトレーニングされ得る。一実施形態では、ノイズ除去モデルは、畳み込みニューラルネットワーク又は他の機械学習モデルである。一実施形態では、ノイズ除去モデルは、図7に関して考察したように、MD2である。
[0071] 本明細書で考察するように、ノイズ除去モデルの例は、機械学習モデルである。教師なし機械学習モデルと教師あり機械学習モデルの両方は、パターン付き基板のSEMなどの入力されたノイズのある像からノイズ除去像を生成するために使用され得る。本発明の範囲を限定することなく、教師あり機械学習アルゴリズムの適用について以下で説明する。
[0072] 教師あり学習は、ラベル付きトレーニングデータから関数を推測する機械学習タスクである。トレーニングデータは、1組のトレーニング例を含む。教師あり学習では、各例は、入力オブジェクト(典型的にはベクトル)と所望の出力値(監視信号とも呼ばれる)とを有するペアである。教師あり学習アルゴリズムは、トレーニングデータを分析し、新たな例をマッピングするために使用できる、推測された関数を生成する。最適なシナリオは、アルゴリズムが未見のインスタンスのクラスラベルを正しく決定することを可能にするであろう。これには、学習アルゴリズムが、トレーニングデータから「合理的な方法」で未見の状況に対して一般化することが必要である。
[0073] xiが、i番目の例のフィーチャベクトルであり、及びyiが、そのラベル(すなわち、クラス)であるような{(x1,y1)、(x2,y2)、…、(xN,yN)}の形の1組のN個のトレーニング例を所与として、学習アルゴリズムは、関数g:X→Yを求め、ここで、Xは、入力空間であり、Yは、出力空間である。フィーチャベクトルは、あるオブジェクトを表す数値的フィーチャのn次元ベクトルである。機械学習における多くのアルゴリズムは、オブジェクトの数値的表現が、処理及び統計的分析を容易にするので、そのような表現を必要とする。像を表すときに、フィーチャ値は、像のピクセルに対応する可能性があり、テキストを表すときに、フィーチャ値は、おそらく項発生頻度に対応する可能性がある。これらのベクトルと関連付けられたベクトル空間は、多くの場合、フィーチャ空間と呼ばれる。関数gは、通常、仮説空間と呼ばれる、可能な関数Gのある空間の要素である。gが、最も高いスコア:
を与えるy値を返すと定義されるように、スコアリング関数
を使用してgを表すことが便利なことがある。Fは、スコアリング関数の空間を示すものとする。
[0074] G及びFは、関数の何れの空間でもよいが、多くの学習アルゴリズムは、gが、条件付き確率モデルg(x)=P(y|x)の形を取り、又はfが同時確率モデルf(x,y)=P(x,y)の形を取る確率的モデルである。例えば、ナイーブベイズ及び線形識別分析は、同時確率モデルであり、ロジスティック回帰は、条件付き確率モデルである。
[0075] f又はgの選択に関する2つの基本的手法である、経験的リスク最小化及び構造的リスク最小化がある。経験的リスク最小化は、トレーニングデータに最も良くフィットする関数を求める。構造的リスク最小化は、バイアス/分散トレードオフを制御するペナルティ関数を含む。
[0076] 両方の場合において、トレーニングセットが、独立し及び同一の分布ペア(xi,yi)のサンプルを有すると仮定される。いかに良好に関数がトレーニングデータにフィットするかを測定するために、損失関数L:
が定義される。トレーニング例(xi,yi)の場合、値
を予測する損失は
である。
[0078] 教師あり学習の例示的なモデルは、決定木、アンサンブル方法(バギング、ブースティング、ランダムフォレスト)、k-NN、線形回帰、ナイーブベイズ、ニューラルネットワーク、ロジスティック回帰、認知、サポートベクトルマシン(SVM)、関連ベクトルマシン(RVM)、及び深層学習を含む。
[0079] SVMは、データを分析し、パターンを認識し、並びに分類及び回帰分析に使用できる、教師あり学習モデルの一例である。それぞれが2つのカテゴリの一方に属するとマークが付けられた1組のトレーニング例を所与として、SVMトレーニングアルゴリズムは、新たな例を一方又は他方のカテゴリに割り当てるモデルを構築し、それを非確率的バイナリ線形分類子にする。SVMモデルは、別々のカテゴリの例が、可能な限り広い明白なギャップによって分割されるようにマッピングされた、空間中の点としての例の表現である。次いで、新たな例が、同じ空間にマッピングされ、それらがギャップのどちら側に位置するかに基づいて、カテゴリに属することが予測される。
[0080] 線形分類を行うことに加えて、SVMは、いわゆるカーネル法を使用して非線形分類を効率的に行い、それらの入力を高次元フィーチャ空間に陰的にマッピングすることができる。
[0081] カーネル法は、ユーザ指定カーネル、すなわち、生の表現におけるデータ点のペアに関する相似関数を必要とする。カーネル法の名称の由来は、カーネル関数の使用にあり、カーネル関数は、それらが、高次元陰フィーチャ空間で、その空間におけるデータの座標を一度も計算することなくというよりは、単に、フィーチャ空間におけるデータの全ペアの像間の内積を計算することによって、動作することを可能にする。この動作は、多くの場合、座標の明示的な計算よりも計算費用が安い。この手法は「カーネルトリック」と呼ばれる。
[0082] SVMの有効性は、カーネルの選択、カーネルのパラメータ、及びソフトマージンパラメータCに依存する。一般的な選択は、単一のパラメータγを有する、ガウスカーネルである。C及びγの最良の組み合わせは、多くの場合、指数関数的に増加するC及びγのシーケンス(例えば、C∈{2-5、2-4、…、215、216};γ∈{2-15、2-14、…、24、25})を用いたグリッド検索(「パラメータスイープ」としても知られる)によって選択される。
[0083] グリッド検索は、学習アルゴリズムのハイパーパラメータ空間の手作業で指定されたサブセット中の徹底的な検索である。グリッド検索アルゴリズムは、一般的にトレーニングセットに対する相互検証又は提供された検証セットに対する評価によって測定される、ある性能測定基準によってガイドされる。
[0084] パラメータ選択の各組み合わせは、相互検証を用いてチェックされることがあり、最良の相互検証確度を有するパラメータが選ばれる。
[0085] ローテーション推定と呼ばれることがある相互検証は、どのように統計的分析の結果が独立データセットに一般化されるかを評価するモデル検証技術である。それは、目標が予測であり、及び予測モデルがどの程度正確に実際に動作するかを推定したい状況において主に使用される。予測問題において、モデルは通常、トレーニングが実行される既知のデータのデータセット(トレーニングデータセット)と、モデルがテストされる未知のデータ(又は初見データ)のデータセット(テストデータセット)とを与えられる。相互検証の目標は、オーバーフィッティングのような問題を制限し、どのようにモデルが独立データセット(すなわち、例えば実際の問題からの未知のデータセット)に一般化されるかに関する洞察を与えるなどのために、トレーニング段階においてモデルを「テストする」ためのデータセット(すなわち、検証データセット)を定義することである。1ラウンドの相互検証は、データサンプルを相補サブセットに区分化すること、一方のサブセット(トレーニングセットと呼ばれる)に対する分析を実施すること、及び他方のサブセット(検証セット又はテストセットと呼ばれる)に対する分析を検証することを伴う。ばらつきを減少させるために、異なる区分を用いて複数ラウンドの相互検証が実施され、それらのラウンドにわたる検証結果が平均化される。
[0086] 次いで、テストのため、及び新たなデータを分類するために使用できる最終モデルが、選択されたパラメータを使用してトレーニングセット全体に関してトレーニングされる。
[0087] 教師あり学習の別の例は回帰である。回帰は、1組の従属変数の値と対応する独立変数の値とから、従属変数と1つ又は複数の独立変数との関係を推測する。回帰は、独立変数を所与として従属変数の条件付き期待値を推定し得る。推測された関係は回帰関数と呼ばれることがある。推測された関係は確率的であり得る。
[0088] 一実施形態では、システムがパターン付き基板の像を捕捉した後にモデルMD2を使用してノイズ除去像を生成できるシステムが提供される。一実施形態では、システムは、例えば、本明細書で考察するモデルMD1及び/又はMD2を含むように構成される図9のSEMツール又は図10の検査ツールとすることができる。例えば、計測ツールは、パターン付き基板の像を捕捉するための電子ビームジェネレータと、MD1及びMD2モデルを含む1つ又は複数のプロセッサとを含む。1つ又は複数のプロセッサは、基板をパターニングするために使用されるデザインパターンに基づいてシミュレート像を生成するように構成されたトレーニング済みモデルを実行するように、及び捕捉像とシミュレート像とを入力として使用してノイズ除去モデルを実行してパターン付き基板のノイズ除去像を生成するように構成される。先に述べたように、ノイズ除去モデル(例えば、MD2)は、畳み込みニューラルネットワークである。
[0089] さらに、一実施形態では、1つ又は複数のプロセッサはさらに、パターン付き基板の捕捉像に基づいてノイズ除去モデルを更新するように構成される。一実施形態では、ノイズ除去モデルの更新は、捕捉像を使用してノイズ除去モデルを実行して、ノイズ除去像を生成することと、ノイズ除去像と基準ノイズ除去像との比較に基づいてノイズ除去モデルの1つ又は複数のパラメータを更新することとを含む。
[0090] 本開示は、ノイズ除去像を使用する用途に限定されるものではない。半導体産業では、ノイズ除去像は、例えば検査及び計測に使用することができる。一実施形態では、ノイズ除去像は、パターン付き基板のホットスポットを決定するために使用することができる。ホットスポットは、ノイズ除去像から測定された絶対CD値に基づいて決定される。代替的に、ホットスポットは、限定されるものではないが、ラインエンドプルバック、コーナの丸み、隣り合うフィーチャの近接度、パターンのネッキング又はピンチング、所望のパターンに対するパターン変形の他の測定基準を含む、デザインルールチェックシステムで使用されるルールなどの1組の所定のルールに基づいて決定され得る。
[0091] 一実施形態では、ノイズ除去像は、パターニングプロセスを改善するために使用することができる。例えば、ノイズ除去像は、例えば、レジスト及び/又はエッチングされた像におけるコンター、CD、エッジ配置(例えば、エッジ配置エラー)などを予測するために、パターニングプロセスのシミュレーションに使用することができる。シミュレーションの目的は、例えば、プリントされるパターンのエッジ配置、及び/又は空間像強度勾配、及び/又はCDなどを正確に予測することである。これらの値は、例えば、パターニングプロセスを補正したり、欠陥が発生すると予測される場所を特定したりするなどために、意図されたデザインと比較することができる。意図されたデザインは、一般的に、プリOPCデザインレイアウトとして定義され、GDSII若しくはOASISなどの標準デジタルファイルフォーマット又は他のファイルフォーマットで提供することができる。
[0092] 幾つかの実施形態では、検査装置又は計測装置は、基板上に露光又は転写された構造(例えば、デバイスの一部又は全ての構造)の像を得る走査電子顕微鏡(SEM)であり得る。図9は、SEMツールの実施形態を描く。電子源ESOから放出された一次電子ビームEBPは、コンデンサレンズCLによって集束され、次いで、ビーム偏向器EBD1、E×B偏向器EBD2、及び対物レンズOLを通過し、基板テーブルST上の基板PSubを焦点において照射する。
[0093] 基板PSubに電子ビームEBPを照射すると、基板PSubから二次電子が発生する。二次電子は、E×B偏向器EBD2によって偏向され、二次電子検出器SEDによって検出される。例えば、ビーム偏向器EBD1による電子ビームの二次元スキャンと、又はX若しくはY方向での基板テーブルSTによる基板PSubの連続移動と一緒のX若しくはY方向の他方でのビーム偏向器EBD1による電子ビームEBPの反復スキャンと同期して、サンプルから発生した電子を検出することによって、二次元電子ビーム像を得ることができる。
[0094] 二次電子検出器SEDによって検出された信号は、アナログ/デジタル(A/D)変換器ADCによってデジタル信号に変換され、デジタル信号は、画像処理システムIPUに送信される。一実施形態では、画像処理システムIPUは、処理ユニットPUによる処理のためにデジタル像の全て又は一部を記憶するためのメモリMEMを有し得る。処理ユニットPU(例えば、特別に設計されたハードウェア、又はハードウェアとソフトウェアとの組み合わせ)は、デジタル像を変換又は処理して、デジタル像を表すデータセットにするように構成される。さらに、画像処理システムIPUは、デジタル像及び対応するデータセットを参照データベースに記憶するように構成された記憶媒体STORを有し得る。ディスプレイデバイスDISは、画像処理システムIPUと接続されることがあり、その結果、オペレータは、機器の必要な操作を、グラフィカルユーザインターフェースの助けを借りて行うことができる。
[0095] 上述のように、SEM像は、像内の、デバイス構造を表す、オブジェクトのエッジを描くコンターを抽出するために処理され得る。これらのコンターは、CDなどの測定基準を用いて定量化される。従って、通常、デバイス構造の像は、エッジ間距離(CD)又は像間の単純なピクセル差などの、単純な測定基準を用いて比較され定量化される。CDを測定するために像内のオブジェクトのエッジを検出する典型的なコンターモデルは、像勾配を使用する。確かに、これらのモデルは、強い像勾配に依存している。しかし、実際には、像は通常、ノイズが多く、不連続な境界を有する。平滑化、適応的閾値処理、エッジ検出、侵食、及び拡張などの技術が、像勾配コンターモデルの結果を処理して、ノイズが多く不連続な像に対処するために使用され得るが、これらの技術は、最終的には、高解像度像の低解像度定量化につながる。従って、大抵の場合、ノイズを低減しエッジ検出を自動化するためのデバイス構造の像の数学的操作は、像の解像度の損失につながり、それにより、情報の損失につながる。それゆえ、その結果は、複雑で高解像度の構造の単純な表現になる、低解像度の定量化である。
[0096] そのため、例えば、構造が、潜在的なレジスト像内にあるか、現像されたレジスト像内にあるか、又は例えばエッチングにより、基板上の層であって、解像度を維持しながらさらには構造の一般的な形状を表すことができる基板上の層に転写されているかどうかにかかわらず、パターニングプロセスを使用して生成されるか又は生成されることが期待される構造(例えば、回路フィーチャ、アライメントマーク又は計測ターゲット部分(例えば、格子フィーチャ)など)の数学的な表現を有することが望ましい。リソグラフィ又は他のパターニングプロセスの文脈において、構造は、製造中のデバイス又はその一部であり得、像は、構造のSEM像であり得る。場合により、構造は、半導体デバイス、例えば集積回路のフィーチャであり得る。この場合、構造は、半導体デバイスの複数のフィーチャを含むパターン又は所望のパターンと称されることがある。場合により、構造は、オブジェクト(例えば、基板)と別のオブジェクト(例えば、パターニングデバイス)とのアライメントを決定するためにアライメント測定プロセスで使用される、アライメントマーク、若しくはその一部(例えば、アライメントマークの格子)であり得るか、又は、パターニングプロセスのパラメータ(例えば、オーバーレイ、焦点、ドーズ量など)を測定するために使用される、計測ターゲット、若しくはその一部(例えば、計測ターゲットの格子)であり得る。一実施形態では、計測ターゲットは、例えばオーバーレイを測定するために使用される回折格子である。
[0097] 図10は、検査装置のさらなる実施形態を模式的に示す。システムは、サンプルステージ88上のサンプル90(基板など)を検査するために使用され、荷電粒子ビームジェネレータ81と、コンデンサレンズモジュール82と、プローブ形成対物レンズモジュール83と、荷電粒子ビーム偏向モジュール84と、二次荷電粒子検出器モジュール85と、画像形成モジュール86とを含む。
[0098] 荷電粒子ビームジェネレータ81は、一次荷電粒子ビーム91を発生させる。コンデンサレンズモジュール82は、生成された一次荷電粒子ビーム91を集光する。対物レンズモジュール83を形成するプローブは、集光された一次荷電粒子ビームを荷電粒子ビームプローブ92に集束させる。荷電粒子ビーム偏向モジュール84は、形成された荷電粒子ビームプローブ92を、サンプルステージ88上に固定されたサンプル90上の関心対象エリアの表面にわたってスキャンする。一実施形態では、荷電粒子ビームジェネレータ81、コンデンサレンズモジュール82、及びプローブ形成対物レンズモジュール83、又はそれらの同等のデザイン、代替物、若しくはそれらの任意の組み合わせは、スキャン用の荷電粒子ビームプローブ92を発生させる荷電粒子ビームプローブジェネレータを一緒になって形成する。
[0099] 二次荷電粒子検出器モジュール85は、サンプル表面から放出された二次荷電粒子93(サンプル表面から反射又は散乱された他の荷電粒子も伴う可能性がある)を検出して、荷電粒子ビームプローブ92によって衝突された時点で、二次荷電粒子検出信号94を生成する。画像形成モジュール86(例えば、コンピュータデバイス)は、二次荷電粒子検出器モジュール85と結合されて、二次荷電粒子検出器モジュール85から、二次荷電粒子検出信号94を受け取り、それに応じて、少なくとも1つのスキャン像を形成する。一実施形態では、二次荷電粒子検出器モジュール85及び画像形成モジュール86、又はそれらの同等のデザイン、代替物、若しくはそれらの任意の組み合わせは、荷電粒子ビームプローブ92によって衝突されたサンプル90から放出された、検出された二次荷電粒子からスキャン像を形成する画像形成装置を一緒になって形成する。
[00100] 一実施形態では、モニタリングモジュール87は、画像形成モジュール86から受け取ったサンプル90のスキャン像を使用して、パターニングプロセスをモニタリングして制御するために及び/又はパターニングプロセスのデザイン、制御、モニタリングなどのためのパラメータを導出するために、画像形成装置の画像形成モジュール86に結合される。そのため、一実施形態では、モニタリングモジュール87は、本明細書で説明する方法を実行させるように構成又はプログラムされる。一実施形態では、モニタリングモジュール87は、コンピュータデバイスを含む。一実施形態では、モニタリングモジュール87は、本明細書における機能を提供するためのコンピュータプログラムであって、モニタリングモジュール87を形成する又はその中に配置されたコンピュータ可読媒体上にエンコードされたコンピュータプログラムを含む。
[00101] 一実施形態では、プローブを使用して基板を検査する図9の電子ビーム検査ツールと同じように、図10のシステム内の電子電流が、例えば図9に描かれているようなCD-SEMに比べて著しく大きいので、プローブスポットが十分に大きく、その結果、検査速度が速い可能性がある。しかしながら、分解能は、大きなプローブスポットのため、CD-SEMに比べて高くない場合がある。一実施形態では、上記で考察した検査装置は、本開示の範囲を限定することなく、単一ビーム又はマルチビーム装置であり得る。
[00102] 例えば図9及び/又は図10のシステムからのSEM像は、像内の、デバイス構造を表す、オブジェクトのエッジを描くコンターを抽出するために処理され得る。次いで、これらのコンターは通常、ユーザ定義の切断線において、CDなどの測定基準を用いて定量化される。従って、通常、デバイス構造の像は、抽出されたコンター上で測定されたエッジ間距離(CD)又は像間の単純なピクセル差などの、測定基準を用いて比較され定量化される。
[00103] 一実施形態では、プロセス200及び/又は300の1つ若しくは複数の手順は、コンピュータシステムのプロセッサ(例えば、コンピュータシステム100のプロセス104)における命令(例えば、プログラムコード)として実施することができる。一実施形態では、計算効率を高めるために、手順が複数のプロセッサに分散され得る(例えば、並列計算)。一実施形態では、非一時的なコンピュータ可読媒体を含むコンピュータプログラム製品は、非一時的なコンピュータ可読媒体上に記憶された命令を有し、命令は、コンピュータハードウェアシステムによって実行されたときに、本明細書で説明する方法を実施する。
[00104] 本開示によれば、開示した要素の組み合わせ及び下位の組み合わせは、別個の実施形態を構成する。例えば、第1の組み合わせは、デザインパターン及びノイズ像に関係するシミュレート像に基づいてノイズ除去モデルを決定することを含む。下位の組み合わせは、ノイズ除去モデルを使用してノイズ除去像を決定することを含み得る。別の組み合わせでは、ノイズ除去像は、モデルで生成された分散データに基づいてOPC又はSMOを決定する、検査プロセスにおいて用いることができる。別の例では、組み合わせは、パターニングプロセスの歩留まりを改善するために、ノイズ除去像に基づく検査データに基づいて、リソグラフィプロセス、レジストプロセス、又はエッチングプロセスに対するプロセス調節を決定することを含む。
[00105] 図11は、本明細書で開示する方法、フロー、又は装置の実装を支援することができるコンピュータシステム100を示すブロック図である。コンピュータシステム100は、バス102又は情報を通信するための他の通信機構と、情報を処理するためにバス102と結合されたプロセッサ104(又は複数のプロセッサ104及び105)とを含む。コンピュータシステム100は、ランダムアクセスメモリ(RAM)又は他の動的ストレージデバイスなどの、プロセッサ104によって実行される情報及び命令を保存するためにバス102に結合されたメインメモリ106も含む。メインメモリ106は、プロセッサ104によって実行される命令の実行中に、一時変数又は他の中間情報を保存するためにも使用されてもよい。コンピュータシステム100は、リードオンリーメモリ(ROM)108、又はプロセッサ104のための静的情報及び命令を保存するためにバス102に結合された他の静的ストレージデバイスをさらに含む。情報及び命令を保存するための磁気ディスク又は光ディスクなどのストレージデバイス110が設けられると共に、バス102に結合される。
[00106] コンピュータシステム100は、バス102を介して、情報をコンピュータユーザに表示するための、陰極線管(CRT)、フラットパネル、又はタッチパネルディスプレイなどのディスプレイ112に結合されてもよい。英数字及び他のキーを含む入力デバイス114が、情報及びコマンド選択をプロセッサ104に通信するためにバス102に結合される。別のタイプのユーザ入力デバイスは、プロセッサ104に方向情報及びコマンド選択を通信するため、及びディスプレイ112上でカーソルの移動を制御するための、マウス、トラックボール、又はカーソル方向キーなどのカーソル制御部116である。この入力デバイスは、一般的に、2つの軸(第1の軸(例えばx)及び第2の軸(例えばy))において、デバイスがある面内で位置を特定することを可能にする2つの自由度を有する。タッチパネル(スクリーン)ディスプレイが、入力デバイスとして使用されてもよい。
[00107] ある実施形態によれば、本明細書における1つ又は複数の方法の部分は、メインメモリ106に含まれる1つ又は複数の命令の1つ又は複数のシーケンスを実行するプロセッサ104に応答して、コンピュータシステム100によって行われてもよい。このような命令は、ストレージデバイス110などの別のコンピュータ可読媒体からメインメモリ106に読み込まれてもよい。メインメモリ106に含まれる命令のシーケンスの実行は、プロセッサ104に本明細書に記載のプロセスステップを行わせる。メインメモリ106に含まれる命令のシーケンスを実行するために、多重処理構成の1つ又は複数のプロセッサが用いられてもよい。ある代替実施形態では、ソフトウェア命令の代わりに、又はソフトウェア命令と一緒に、ハードワイヤード回路が用いられてもよい。従って、本明細書の記載は、ハードウェア回路及びソフトウェアの特定の組み合わせに限定されない。
[00108] 本明細書で使用される「コンピュータ可読媒体」という用語は、実行のためにプロセッサ104に命令を提供することに関与するあらゆる媒体を指す。このような媒体は、限定されないが、不揮発性媒体、揮発性媒体、及び伝送媒体を含む、多くの形態をとり得る。不揮発性媒体は、例えば、ストレージデバイス110などの光又は磁気ディスクを含む。揮発性媒体は、メインメモリ106などの動的メモリを含む。伝送媒体は、同軸ケーブル、銅線及び光ファイバ(バス102を含むワイヤを含む)を含む。伝送媒体は、無線周波数(RF)及び赤外線(IR)データ通信中に生成されるものなどの、音波又は光波の形態もとり得る。コンピュータ可読媒体の一般的形態は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、その他の磁気媒体、CD-ROM、DVD、その他の光媒体、パンチカード、紙テープ、孔のパターンを有したその他の物理媒体、RAM、PROM、及びEPROM、FLASH-EPROM、その他のメモリチップ又はカートリッジ、以下に記載されるような搬送波、又はコンピュータが読み取ることができるその他の媒体を含む。
[00109] コンピュータ可読媒体の様々な形態が、実行のためにプロセッサ104に1つ又は複数の命令の1つ又は複数のシーケンスを運ぶことに関与してもよい。例えば、命令は、最初は、リモートコンピュータの磁気ディスクにある場合がある。リモートコンピュータは、命令をそれの動的メモリにロードし、及びモデムを使用して電話回線上で命令を送ることができる。コンピュータシステム100にローカルなモデムが、電話回線上のデータを受信し、及び赤外線送信機を用いてデータを赤外線信号に変換することができる。バス102に結合された赤外線検出器が、赤外線信号で搬送されたデータを受信し、及びそのデータをバス102にのせることができる。バス102は、データをメインメモリ106に搬送し、そこからプロセッサ104が、命令の読み出し及び実行を行う。メインメモリ106によって受信された命令は、任意選択的に、プロセッサ104による実行の前又は後に、ストレージデバイス110に保存されてもよい。
[00110] コンピュータシステム100は、バス102に結合された通信インターフェース118も含み得る。通信インターフェース118は、ローカルネットワーク122に接続されたネットワークリンク120に結合する双方向データ通信も提供する。例えば、通信インターフェース118は、対応するタイプの電話回線にデータ通信接続を提供するデジタル総合サービス網(ISDN)カード又はモデムでもよい。別の例として、通信インターフェース118は、互換性のあるLANへのデータ通信接続を提供するローカルエリアネットワーク(LAN)カードでもよい。ワイヤレスリンクが実施されてもよい。このような実施において、通信インターフェース118は、様々なタイプの情報を表すデジタルデータストリームを搬送する電気、電磁、又は光信号の送信及び受信を行う。
[00111] ネットワークリンク120は、一般的に、1つ又は複数のネットワークを通して、他のデータデバイスにデータ通信を提供する。例えば、ネットワークリンク120は、ローカルネットワーク122を通して、ホストコンピュータ124又はインターネットサービスプロバイダ(ISP)126によって操作されるデータ機器への接続を提供することができる。ISP126は、次に、ワールドワイドパケットデータ通信ネットワーク(現在、一般に「インターネット」128と呼ばれる)によるデータ通信サービスを提供する。ローカルネットワーク122及びインターネット128は共に、デジタルデータストリームを搬送する電気、電磁、又は光信号を使用する。コンピュータシステム100に対して、及びコンピュータシステム100からデジタルデータを搬送する、様々なネットワークを通る信号、及びネットワークリンク120上の、及び通信インターフェース118を通る信号は、情報を運ぶ搬送波の形態例である。
[00112] コンピュータシステム100は、1つ又は複数のネットワーク、ネットワークリンク120、及び通信インターフェース118を通して、メッセージを送信すること、及びプログラムコードを含むデータを受信することができる。インターネット例では、サーバ130は、インターネット128、ISP126、ローカルネットワーク122、及び通信インターフェース118を通して、アプリケーションプログラムの要求コードを送信する場合がある。そのようなダウンロードされたあるアプリケーションは、本明細書における方法の全て又は一部を提供することができる。受信されたコードは、受信された際にプロセッサ104によって実行されてもよく、及び/又は後で実行するためにストレージデバイス110又は他の不揮発性ストレージに保存されてもよい。このようにして、コンピュータシステム100は、搬送波の形態のアプリケーションコードを取得してもよい。
[00113] 図12は、本明細書に記載する技術と組み合わせて利用することができる例示的リソグラフィ投影装置を模式的に描く。この装置は、以下を含む:
-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)。
-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)。
[00114] 本明細書で描かれるように、本装置は、透過型(すなわち、透過型パターニングデバイスを有する)である。しかし一般に、それは、例えば反射型(反射型パターニングデバイスを有する)でもよい。本装置は、従来のマスクとは異なる種類のパターニングデバイスを用いてもよく、例には、プログラマブルミラーアレイ又はLCDマトリックスが含まれる。
[00115] ソースSO(例えば、水銀ランプ又はエキシマレーザ、LPP(レーザ生成プラズマ)EUVソース)は、放射ビームを生成する。このビームは、照明システム(イルミネータ)ILに対して、そのまま、又は例えばビームエキスパンダExなどの調節手段を横断した後に、供給される。イルミネータILは、ビームの強度分布の外側及び/又は内側半径範囲(一般的に、それぞれσ-outer及びσ-innerと呼ばれる)を設定するための調節手段ADを含み得る。さらにそれは、一般に、インテグレータIN及びコンデンサCOなどの様々な他のコンポーネントを含む。このようにして、パターニングデバイスMAに衝突するビームBは、断面に所望の均一性及び強度分布を有する。
[00116] 図12に関して、ソースSOは、リソグラフィ投影装置のハウジング内に位置してもよいが(大抵の場合、ソースSOが、例えば水銀ランプのとき)、リソグラフィ投影装置から離れた位置にあり、それが生成する放射ビームが装置内に導き入れられてもよい(例えば、適宜の誘導ミラーを用いて)ことに留意されたい。この後者のシナリオは、ソースSOがエキシマレーザ(例えば、KrF、ArF、又はF2レージングに基づく)であるケースが多い。
[00117] 続いて、ビームPBは、パターニングデバイステーブルMT上に保持されるパターニングデバイスMAと交差する。ビームBは、パターニングデバイスMAを横断した後、ビームBの焦点を基板Wのターゲット部分Cに合わせるレンズPLを通過する。第2の位置決め手段(及び干渉測定手段IF)を用いて、例えば異なるターゲット部分CをビームPBのパス内に位置決めするように、基板テーブルWTを正確に移動させることができる。同様に、例えば、パターニングデバイスライブラリからのパターニングデバイスMAの機械検索後に、又はスキャン中に、第1の位置決め手段を用いて、ビームBのパスに対してパターニングデバイスMAを正確に位置決めすることができる。一般に、オブジェクトテーブルMT、WTの移動は、図12には明示的に描かれない、ロングストロークモジュール(粗動位置決め)及びショートストロークモジュール(微動位置決め)を用いて実現される。但しステッパの場合は(ステップアンドスキャンツールとは対照的に)、パターニングデバイステーブルMTは、ショートストロークアクチュエータのみに接続されてもよく、又は固定されてもよい。
[00118] 描かれたツールは、2つの異なるモードで使用され得る:
- 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あてはまる。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。
- 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あてはまる。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。
[00119] 図13は、本明細書に記載される技術と共に利用することができる別の例示的リソグラフィ投影装置LAを模式的に示す。
[00120] リソグラフィ投影装置LAは、以下を含む:
- 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。
- 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。
[00121] ここに描かれているように、装置LAは、反射型(例えば、反射型パターニングデバイスを用いる)である。ほとんどの材料が、EUV波長範囲内で吸収性であるので、パターニングデバイスは、例えば、モリブデン及びシリコンのマルチスタックを含む多層リフレクタを有し得ることに留意されたい。一例では、マルチスタックリフレクタは、各層の厚さが4分の1波長である、モリブデン及びシリコンの40層ペアを有する。さらに小さな波長が、X線リソグラフィを用いて生成され得る。ほとんどの材料が、EUV及びx線波長で吸収性であるので、パターニングデバイストポグラフィ上の薄い一片のパターン付き吸収材料(例えば、多層リフレクタ上のTaNアブゾーバ)は、どこにフィーチャが印刷され(ポジ型レジスト)、又は印刷されないか(ネガ型レジスト)を定義する。
[00122] 図13を参照すると、イルミネータILが、ソースコレクタモジュールSOから極端紫外線放射(EUV)ビームを受ける。EUV放射を生成する方法は、必ずしも限定されないが、EUV範囲において1つ又は複数の輝線を備えた少なくとも1つの元素(例えば、キセノン、リチウム、又はスズ)を有するプラズマ状態に材料を変換することを含む。レーザ生成プラズマ(「LPP」)と呼ばれることが多い、そのような1つの方法では、プラズマは、線発光元素を有する材料の小滴、ストリーム、又はクラスタなどの燃料をレーザビームで照射することによって生成され得る。ソースコレクタモジュールSOは、燃料を励起するレーザビームを提供するレーザ(図13では不図示)を含むEUV放射システムの一部でもよい。その結果生じるプラズマが、出力放射(例えば、EUV放射)を放出し、これが、ソースコレクタモジュールに配置される放射コレクタを用いて収集される。レーザ及びソースコレクタモジュールは、例えば、燃料励起用のレーザビームを提供するためにCO2レーザが使用される場合には、別個のエンティティでもよい。
[00123] このようなケースでは、レーザは、リソグラフィ装置の一部を形成するとはみなされず、及び放射ビームは、例えば、適宜の誘導ミラー及び/又はビームエキスパンダを含むビームデリバリシステムを用いて、レーザからソースコレクタモジュールへと渡される。他のケースでは、例えばソースが、DPPソースと呼ばれることが多い、放電生成プラズマEUVジェネレータである場合、ソースは、ソースコレクタモジュールの一体化部分でもよい。
[00124] イルミネータILは、放射ビームの角度強度分布を調節するためのアジャスタを含み得る。一般に、イルミネータの瞳面の強度分布の少なくとも外側及び/又は内側半径範囲(一般的に、それぞれσ-outer及びσ-innerと呼ばれる)が、調節され得る。さらに、イルミネータILは、ファセットフィールド及び瞳ミラーデバイスなどの様々な他のコンポーネントを含み得る。イルミネータを使用して、断面に所望の均一性及び強度分布を有するように放射ビームを調整することができる。
[00125] 放射ビームBは、サポート構造(例えば、パターニングデバイステーブル)MT上に保持されるパターニングデバイス(例えば、マスク)MAに入射し、及びパターニングデバイスによってパターン付けされる。放射ビームBは、パターニングデバイス(例えば、マスク)MAから反射された後、ビームの焦点を基板Wのターゲット部分Cに合わせる投影システムPSを通過する。第2のポジショナPW及び位置センサPS2(例えば、干渉デバイス、リニアエンコーダ、又は静電容量センサ)を用いて、例えば異なるターゲット部分Cを放射ビームBのパス内に位置決めするように、基板テーブルWTを正確に移動させることができる。同様に、第1のポジショナPM及び別の位置センサPS1を用いて、放射ビームBのパスに対してパターニングデバイス(例えば、マスク)MAを正確に位置決めすることができる。パターニングデバイス(例えば、マスク)MA及び基板Wは、パターニングデバイスアライメントマークM1、M2及び基板アライメントマークP1、P2を用いてアライメントされてもよい。
[00126] 描かれた装置LAは、以下のモードの少なくとも1つで使用され得る:
1.ステップモードでは、放射ビームに付与されたパターン全体が、一回でターゲット部分C上に投影される間に、サポート構造(例えば、パターニングデバイステーブル)MT及び基板テーブルWTは、基本的に静止したままである(すなわち、単一静的露光)。次いで、異なるターゲット部分Cが露光され得るように、基板テーブルWTが、X及び/又はY方向にシフトされる。
2.スキャンモードでは、放射ビームに付与されたパターンが、ターゲット部分C上に投影される間に、サポート構造(例えば、パターニングデバイステーブル)MT及び基板テーブルWTは、同期してスキャンされる(すなわち、単一動的露光)。サポート構造(例えば、パターニングデバイステーブル)MTに対する基板テーブルWTの速度及び方向は、投影システムPSの縮小及び像反転特性によって決定され得る。
3.別のモードでは、放射ビームに付与されたパターンが、ターゲット部分C上に投影される間に、サポート構造(例えば、パターニングデバイステーブル)MTは、プログラマブルパターニングデバイスを保持して基本的に静止したままであり、且つ基板テーブルWTは、移動又はスキャンされる。このモードでは、一般にパルス放射源が用いられ、及びプログラマブルパターニングデバイスが、基板テーブルWTの各移動後に、又はスキャン中の連続する放射パルスの合間に、必要に応じて更新される。この動作モードは、上記で言及したようなタイプのプログラマブルミラーアレイなどのプログラマブルパターニングデバイスを利用するマスクレスリソグラフィに容易に適用することができる。
1.ステップモードでは、放射ビームに付与されたパターン全体が、一回でターゲット部分C上に投影される間に、サポート構造(例えば、パターニングデバイステーブル)MT及び基板テーブルWTは、基本的に静止したままである(すなわち、単一静的露光)。次いで、異なるターゲット部分Cが露光され得るように、基板テーブルWTが、X及び/又はY方向にシフトされる。
2.スキャンモードでは、放射ビームに付与されたパターンが、ターゲット部分C上に投影される間に、サポート構造(例えば、パターニングデバイステーブル)MT及び基板テーブルWTは、同期してスキャンされる(すなわち、単一動的露光)。サポート構造(例えば、パターニングデバイステーブル)MTに対する基板テーブルWTの速度及び方向は、投影システムPSの縮小及び像反転特性によって決定され得る。
3.別のモードでは、放射ビームに付与されたパターンが、ターゲット部分C上に投影される間に、サポート構造(例えば、パターニングデバイステーブル)MTは、プログラマブルパターニングデバイスを保持して基本的に静止したままであり、且つ基板テーブルWTは、移動又はスキャンされる。このモードでは、一般にパルス放射源が用いられ、及びプログラマブルパターニングデバイスが、基板テーブルWTの各移動後に、又はスキャン中の連続する放射パルスの合間に、必要に応じて更新される。この動作モードは、上記で言及したようなタイプのプログラマブルミラーアレイなどのプログラマブルパターニングデバイスを利用するマスクレスリソグラフィに容易に適用することができる。
[00127] 図14は、ソースコレクタモジュールSO、照明システムIL、及び投影システムPSを含む装置LAをより詳細に示す。ソースコレクタモジュールSOは、ソースコレクタモジュールSOの閉鎖構造220内で真空環境が維持され得るように、構築及び配置される。EUV放射放出プラズマ210は、放電生成プラズマ源によって形成され得る。EUV放射は、ガス又は蒸気(例えば、電磁スペクトルのEUV範囲内の放射を放出するために、超高温プラズマ210が作られるXeガス、Li蒸気、又はSn蒸気)によって生成され得る。超高温プラズマ210は、例えば、少なくとも部分的にイオン化されたプラズマを生じさせる放電によって作られる。Xe、Li、Sn蒸気又は任意のその他の適宜のガス若しくは蒸気の例えば10Paの分圧が、放射の効率的生成に必要とされ得る。ある実施形態では、励起スズ(Sn)のプラズマは、EUV放射を生成するために提供される。
[00128] 高温プラズマ210によって放出された放射は、ソースチャンバ211から、ソースチャンバ211の開口内、又はその後ろに位置する任意選択的なガスバリア又は汚染物質トラップ230(場合によっては、汚染物質バリア又はフォイルトラップとも呼ばれる)を介して、コレクタチャンバ212内へと渡される。汚染物質トラップ230は、チャネル構造を含み得る。汚染物質トラップ230は、ガスバリア、又はガスバリア及びチャネル構造の組み合わせも含み得る。本明細書にさらに示される汚染物質トラップ又は汚染物質バリア230は、当該技術分野で知られているように、少なくともチャネル構造を含む。
[00129] コレクタチャンバ211は、いわゆる斜入射型コレクタでもよい放射コレクタCOを含み得る。放射コレクタCOは、上流放射コレクタ側251及び下流放射コレクタ側252を有する。コレクタCOを横断する放射は、格子スペクトルフィルタ240に反射して、一点鎖線「O」によって示される光軸に沿った仮想光源点IFに焦点を合わせることができる。仮想光源点IFは、一般的に中間焦点と呼ばれ、及びソースコレクタモジュールは、中間焦点IFが、閉鎖構造220の開口221に、又はその付近に位置するように配置される。仮想光源点IFは、放射放出プラズマ210の像である。
[00130] 続いて、放射は、パターニングデバイスMAにおいて放射ビーム21の所望の角度分布、及びパターニングデバイスMAにおいて放射強度の所望の均一性を提供するように配置されたファセットフィールドミラーデバイス22及びファセット瞳ミラーデバイス24を包含し得る照明システムILを横断する。サポート構造MTによって保持されたパターニングデバイスMAにおける放射ビーム21の反射時に、パターン付きビーム26が形成され、及びパターン付きビーム26は、投影システムPSによって、反射要素28、30を介して、基板テーブルWTによって保持される基板W上に結像される。
[00131] 一般に、図示されるよりも多くの要素が、照明光学系ユニットIL及び投影システムPS内に存在し得る。格子スペクトルフィルタ240が、リソグラフィ装置のタイプに応じて、任意選択的に存在してもよい。さらに、図面に示されるミラーよりも多くのミラーが存在してもよく、例えば、図14に示されるよりも1~6個の追加の反射要素が、投影システムPSに存在してもよい。
[00132] 図14に示されるようなコレクタ系COは、コレクタ(又はコレクタミラー)の単なる一例として、斜入射型リフレクタ253、254、及び255を備えた入れ子式コレクタとして描かれる。斜入射型リフレクタ253、254、及び255は、光軸Oに対して軸対称に配置され、及びこのタイプのコレクタ系COは、DPPソースと呼ばれることが多い、放電生成プラズマ源と組み合わせて使用され得る。
[00133] 代替的に、ソースコレクタモジュールSOは、図15に示すように、LPP放射システムの一部であってもよい。レーザLAは、レーザエネルギーをキセノン(Xe)、スズ(Sn)、又はリチウム(Li)などの燃料に堆積させ、数十eVの電子温度の高イオン化プラズマ210を生成するように配置される。脱励起及びこれらのイオンの再結合中に生成されるエネルギー放射は、プラズマから放出され、近法線入射コレクタ系COによって収集され、及び閉鎖構造220の開口221上に焦点が合わせられる。
[00134] 本明細書に開示する概念は、サブ波長フィーチャを結像するための一般的結像システムのシミュレーション又は数学的モデル化を行うことができ、及び特に、より短い波長を生成することが可能な新しい結像技術にとって有用となり得る。既に使用されている新しい技術には、ArFレーザを使用して193nmの波長、及びフッ素レーザを使用して157nmの波長さえ生成可能な、EUV(極端紫外線)、DUVリソグラフィが含まれる。また、EUVリソグラフィは、20~5nmの範囲内で光子を生成するために、シンクロトロンを使用することによって、又は材料(固体又はプラズマ)に高エネルギー電子をぶつけることによって、この範囲内の波長を生成することが可能である。
[00135] 本開示の実施形態については、以下の条項によってさらに説明することができる。
1.ノイズ除去モデルを記憶するとともに、1つ又は複数のプロセッサによって実行されたときにノイズ除去モデルを提供するノイズ除去モデル命令によってノイズ除去像を生成する、1つ又は複数の非一時的なコンピュータ可読媒体であって、ノイズ除去モデルは、
デザインパターンを第1の組のシミュレート像に変換することと、
第1の組のシミュレート像を入力として基本ノイズ除去モデルに提供して、第2の組のシミュレート像を得ることであって、第2の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることと、
基準ノイズ除去像をフィードバックとして使用して、基本ノイズ除去モデルの1つ又は複数の構成を更新することであって、1つ又は複数の構成は、基準ノイズ除去像と第2の組のシミュレート像との比較に基づいて更新される、更新することと
によって生成される、非一時的なコンピュータ可読媒体。
2.第1の組のシミュレート像の各像は、シミュレートSEM像と像ノイズとの組み合わせである、条項1に記載の媒体。
3.デザインパターンを変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレートSEM像を生成することを含む、条項2に記載の媒体。
4.トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、捕捉された各像は、デザインパターンと関連付けられる、条項3に記載の媒体。
5.捕捉像は、走査電子顕微鏡(SEM)を介して取得されたSEM像である、条項4に記載の媒体。
6.像ノイズは、パターン付き基板の捕捉像から抽出されたノイズである、条項5に記載の媒体。
7.トレーニング済みモデルは、第1の機械学習モデルである、条項3~6のいずれか一項に記載の媒体。
8.トレーニング済みモデルは、敵対的生成ネットワークを使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項7に記載の媒体。
9.トレーニング済みモデルは、所与のデザインパターンについてのシミュレートSEM像を生成するように構成された生成モデルである、条項8に記載の媒体。
10.像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項2~9のいずれか一項に記載の媒体。
11.基準ノイズ除去像は、デザインパターンと関連付けられたシミュレートSEM像である、条項2~10のいずれか一項に記載の媒体。
12.ノイズ除去モデルは、第2の機械学習モデルである、条項1~11のいずれか一項に記載の媒体。
13.ノイズ除去モデルは、畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項1~12のいずれか一項に記載の媒体。
14.デザインパターンは、グラフィックデータ信号(GDS)ファイルフォーマットである、条項1~13のいずれか一項に記載の媒体。
15.パターン付き基板の像を捕捉するように構成された電子ビーム光学系と、
捕捉像を入力として使用してノイズ除去モデルを実行してパターン付き基板のノイズ除去像を生成するように構成された1つ又は複数のプロセッサと
を含む、システム。
16.ノイズ除去モデルは、畳み込みニューラルネットワークである、条項15に記載のシステム。
17.1つ又は複数のプロセッサはさらに、グラフィックデータ信号(GDS)ファイルフォーマットで提供されるデザインパターンを使用してトレーニング済みモデルを実行して、シミュレート像を生成するように構成される、条項15又は16に記載のシステム。
18.1つ又は複数のプロセッサはさらに、パターン付き基板の捕捉像に基づいてノイズ除去モデルを更新するように構成される、条項15~17のいずれか一項に記載のシステム。
19.1つ又は複数のプロセッサはさらに、ノイズ除去像と基準ノイズ除去像との比較に基づいてノイズ除去モデルの1つ又は複数のパラメータを更新するように構成される、条項15~18のいずれか一項に記載のシステム。
20.ノイズ除去モデルは、
デザインパターンを第1の組のシミュレート像に変換することと、
第1の組のシミュレート像を入力として基本ノイズ除去モデルに提供して、第2の組のシミュレート像を得ることであって、第2の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることと、
基準ノイズ除去像をフィードバックとして使用して、基本ノイズ除去モデルの1つ又は複数の構成を更新することであって、1つ又は複数の構成は、基準ノイズ除去像と第2の組のシミュレート像との比較に基づいて更新される、更新することと
によって生成される、条項15~19のいずれか一項に記載のシステム。
21.第1の組のシミュレート像の各像は、シミュレートSEM像と像ノイズとの組み合わせである、条項20に記載のシステム。
22.ノイズ除去モデルをトレーニングするための方法であって、
デザインパターンを第1の組のシミュレート像に変換することと、
第1の組のシミュレート像と像ノイズとに基づいてノイズ除去モデルをトレーニングすることであって、ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、トレーニングすることと
を含む、方法。
23.デザインパターンを第1の組のシミュレート像に変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレート像を生成することを含む、条項22に記載の方法。
24.トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、各捕捉像は、デザインパターンと関連付けられる、条項23に記載の方法。
25.捕捉像は、走査電子顕微鏡(SEM)を介して取得されたSEM像である、条項24に記載の方法。
26.第1の組のシミュレート像に像ノイズを加えて第2の組のシミュレート像を生成することをさらに含み、像ノイズは、パターン付き基板の捕捉像から抽出される、条項25に記載の方法。
27.ノイズ除去モデルをトレーニングすることは、第1の組のシミュレート像と像ノイズと捕捉像とをトレーニングデータとして使用することを含む、条項26に記載の方法。
28.トレーニング済みモデルは、第1の機械学習モデルである、条項23~27のいずれか一項に記載の方法。
29.トレーニング済みモデルは、敵対的生成ネットワークトレーニング方法を使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項28に記載の方法。
30.トレーニング済みモデルは、所与のデザインパターンについてのシミュレートSEM像を生成するように構成された生成モデルである、条項29に記載の方法。
31.像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項22~30のいずれか一項に記載の方法。
32.ノイズ除去モデルは、第2の機械学習モデルである、条項23~31のいずれか一項に記載の方法。
33.ノイズ除去モデルは、畳み込みニューラルネットワークである、条項22~32のいずれか一項に記載の方法。
34.デザインパターンは、グラフィックデータ信号(GDS)ファイルフォーマットである、条項22~33のいずれか一項に記載の方法。
35.計測ツールを介して、パターン付き基板のSEM像を得ることと、
SEM像を入力像として使用してトレーニング済みノイズ除去モデルを実行して、ノイズ除去SEM像を生成することと
をさらに含む、条項22~24のいずれか一項に記載の方法。
36.ノイズ除去モデルを記憶するとともに、1つ又は複数のプロセッサによって実行されたときにノイズ除去モデルを提供するノイズ除去モデル命令によってノイズ除去像を生成する、1つ又は複数の非一時的なコンピュータ可読媒体であって、ノイズ除去モデルは、
デザインパターンを第1の組のシミュレート像に変換することと、
第1の組のシミュレート像と像ノイズとに基づいてノイズ除去モデルをトレーニングすることであって、ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、トレーニングすることと
によって生成される、非一時的なコンピュータ可読媒体。
37.変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレート像を生成することを含む、条項36に記載の媒体。
38.トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、各捕捉像は、デザインパターンと関連付けられる、条項37に記載の媒体。
39.捕捉像は、走査電子顕微鏡(SEM)を介して取得されたSEM像である、条項38に記載の媒体。
40.第1の組のシミュレート像に像ノイズを加えて第2の組のシミュレート像を生成することをさらに含み、像ノイズは、パターン付き基板の捕捉像から抽出される、条項39に記載の媒体。
41.トレーニング済みモデルは、第1の機械学習モデルである、条項37~40のいずれか一項に記載の媒体。
42.トレーニング済みモデルは、敵対的生成ネットワークトレーニング方法を使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項41に記載の媒体。
43.トレーニング済みモデルは、所与のデザインパターンについてのシミュレートSEM像を生成するように構成された生成モデルである、条項42に記載の媒体。
44.像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項36~43のいずれか一項に記載の媒体。
45.ノイズ除去モデルは、第2の機械学習モデルである、条項36~44のいずれか一項に記載の媒体。
46.ノイズ除去モデルをトレーニングすることは、第1の組のシミュレート像と像ノイズと捕捉像とをトレーニングデータとして使用することを含む、条項38~45のいずれか一項に記載の媒体。
47.ノイズ除去モデルは、畳み込みニューラルネットワークである、条項36~46のいずれか一項に記載の媒体。
48.デザインパターンは、グラフィックデータ信号(GDS)ファイルフォーマットである、条項36~47のいずれか一項に記載の媒体。
49.計測ツールを介して、パターン付き基板のSEM像を得ることと、
SEM像を入力像として使用してトレーニング済みノイズ除去モデルを実行して、ノイズ除去SEM像を生成することと
をさらに含む、条項36~48のいずれか一項に記載の媒体。
1.ノイズ除去モデルを記憶するとともに、1つ又は複数のプロセッサによって実行されたときにノイズ除去モデルを提供するノイズ除去モデル命令によってノイズ除去像を生成する、1つ又は複数の非一時的なコンピュータ可読媒体であって、ノイズ除去モデルは、
デザインパターンを第1の組のシミュレート像に変換することと、
第1の組のシミュレート像を入力として基本ノイズ除去モデルに提供して、第2の組のシミュレート像を得ることであって、第2の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることと、
基準ノイズ除去像をフィードバックとして使用して、基本ノイズ除去モデルの1つ又は複数の構成を更新することであって、1つ又は複数の構成は、基準ノイズ除去像と第2の組のシミュレート像との比較に基づいて更新される、更新することと
によって生成される、非一時的なコンピュータ可読媒体。
2.第1の組のシミュレート像の各像は、シミュレートSEM像と像ノイズとの組み合わせである、条項1に記載の媒体。
3.デザインパターンを変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレートSEM像を生成することを含む、条項2に記載の媒体。
4.トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、捕捉された各像は、デザインパターンと関連付けられる、条項3に記載の媒体。
5.捕捉像は、走査電子顕微鏡(SEM)を介して取得されたSEM像である、条項4に記載の媒体。
6.像ノイズは、パターン付き基板の捕捉像から抽出されたノイズである、条項5に記載の媒体。
7.トレーニング済みモデルは、第1の機械学習モデルである、条項3~6のいずれか一項に記載の媒体。
8.トレーニング済みモデルは、敵対的生成ネットワークを使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項7に記載の媒体。
9.トレーニング済みモデルは、所与のデザインパターンについてのシミュレートSEM像を生成するように構成された生成モデルである、条項8に記載の媒体。
10.像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項2~9のいずれか一項に記載の媒体。
11.基準ノイズ除去像は、デザインパターンと関連付けられたシミュレートSEM像である、条項2~10のいずれか一項に記載の媒体。
12.ノイズ除去モデルは、第2の機械学習モデルである、条項1~11のいずれか一項に記載の媒体。
13.ノイズ除去モデルは、畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項1~12のいずれか一項に記載の媒体。
14.デザインパターンは、グラフィックデータ信号(GDS)ファイルフォーマットである、条項1~13のいずれか一項に記載の媒体。
15.パターン付き基板の像を捕捉するように構成された電子ビーム光学系と、
捕捉像を入力として使用してノイズ除去モデルを実行してパターン付き基板のノイズ除去像を生成するように構成された1つ又は複数のプロセッサと
を含む、システム。
16.ノイズ除去モデルは、畳み込みニューラルネットワークである、条項15に記載のシステム。
17.1つ又は複数のプロセッサはさらに、グラフィックデータ信号(GDS)ファイルフォーマットで提供されるデザインパターンを使用してトレーニング済みモデルを実行して、シミュレート像を生成するように構成される、条項15又は16に記載のシステム。
18.1つ又は複数のプロセッサはさらに、パターン付き基板の捕捉像に基づいてノイズ除去モデルを更新するように構成される、条項15~17のいずれか一項に記載のシステム。
19.1つ又は複数のプロセッサはさらに、ノイズ除去像と基準ノイズ除去像との比較に基づいてノイズ除去モデルの1つ又は複数のパラメータを更新するように構成される、条項15~18のいずれか一項に記載のシステム。
20.ノイズ除去モデルは、
デザインパターンを第1の組のシミュレート像に変換することと、
第1の組のシミュレート像を入力として基本ノイズ除去モデルに提供して、第2の組のシミュレート像を得ることであって、第2の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることと、
基準ノイズ除去像をフィードバックとして使用して、基本ノイズ除去モデルの1つ又は複数の構成を更新することであって、1つ又は複数の構成は、基準ノイズ除去像と第2の組のシミュレート像との比較に基づいて更新される、更新することと
によって生成される、条項15~19のいずれか一項に記載のシステム。
21.第1の組のシミュレート像の各像は、シミュレートSEM像と像ノイズとの組み合わせである、条項20に記載のシステム。
22.ノイズ除去モデルをトレーニングするための方法であって、
デザインパターンを第1の組のシミュレート像に変換することと、
第1の組のシミュレート像と像ノイズとに基づいてノイズ除去モデルをトレーニングすることであって、ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、トレーニングすることと
を含む、方法。
23.デザインパターンを第1の組のシミュレート像に変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレート像を生成することを含む、条項22に記載の方法。
24.トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、各捕捉像は、デザインパターンと関連付けられる、条項23に記載の方法。
25.捕捉像は、走査電子顕微鏡(SEM)を介して取得されたSEM像である、条項24に記載の方法。
26.第1の組のシミュレート像に像ノイズを加えて第2の組のシミュレート像を生成することをさらに含み、像ノイズは、パターン付き基板の捕捉像から抽出される、条項25に記載の方法。
27.ノイズ除去モデルをトレーニングすることは、第1の組のシミュレート像と像ノイズと捕捉像とをトレーニングデータとして使用することを含む、条項26に記載の方法。
28.トレーニング済みモデルは、第1の機械学習モデルである、条項23~27のいずれか一項に記載の方法。
29.トレーニング済みモデルは、敵対的生成ネットワークトレーニング方法を使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項28に記載の方法。
30.トレーニング済みモデルは、所与のデザインパターンについてのシミュレートSEM像を生成するように構成された生成モデルである、条項29に記載の方法。
31.像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項22~30のいずれか一項に記載の方法。
32.ノイズ除去モデルは、第2の機械学習モデルである、条項23~31のいずれか一項に記載の方法。
33.ノイズ除去モデルは、畳み込みニューラルネットワークである、条項22~32のいずれか一項に記載の方法。
34.デザインパターンは、グラフィックデータ信号(GDS)ファイルフォーマットである、条項22~33のいずれか一項に記載の方法。
35.計測ツールを介して、パターン付き基板のSEM像を得ることと、
SEM像を入力像として使用してトレーニング済みノイズ除去モデルを実行して、ノイズ除去SEM像を生成することと
をさらに含む、条項22~24のいずれか一項に記載の方法。
36.ノイズ除去モデルを記憶するとともに、1つ又は複数のプロセッサによって実行されたときにノイズ除去モデルを提供するノイズ除去モデル命令によってノイズ除去像を生成する、1つ又は複数の非一時的なコンピュータ可読媒体であって、ノイズ除去モデルは、
デザインパターンを第1の組のシミュレート像に変換することと、
第1の組のシミュレート像と像ノイズとに基づいてノイズ除去モデルをトレーニングすることであって、ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、トレーニングすることと
によって生成される、非一時的なコンピュータ可読媒体。
37.変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレート像を生成することを含む、条項36に記載の媒体。
38.トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、各捕捉像は、デザインパターンと関連付けられる、条項37に記載の媒体。
39.捕捉像は、走査電子顕微鏡(SEM)を介して取得されたSEM像である、条項38に記載の媒体。
40.第1の組のシミュレート像に像ノイズを加えて第2の組のシミュレート像を生成することをさらに含み、像ノイズは、パターン付き基板の捕捉像から抽出される、条項39に記載の媒体。
41.トレーニング済みモデルは、第1の機械学習モデルである、条項37~40のいずれか一項に記載の媒体。
42.トレーニング済みモデルは、敵対的生成ネットワークトレーニング方法を使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項41に記載の媒体。
43.トレーニング済みモデルは、所与のデザインパターンについてのシミュレートSEM像を生成するように構成された生成モデルである、条項42に記載の媒体。
44.像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項36~43のいずれか一項に記載の媒体。
45.ノイズ除去モデルは、第2の機械学習モデルである、条項36~44のいずれか一項に記載の媒体。
46.ノイズ除去モデルをトレーニングすることは、第1の組のシミュレート像と像ノイズと捕捉像とをトレーニングデータとして使用することを含む、条項38~45のいずれか一項に記載の媒体。
47.ノイズ除去モデルは、畳み込みニューラルネットワークである、条項36~46のいずれか一項に記載の媒体。
48.デザインパターンは、グラフィックデータ信号(GDS)ファイルフォーマットである、条項36~47のいずれか一項に記載の媒体。
49.計測ツールを介して、パターン付き基板のSEM像を得ることと、
SEM像を入力像として使用してトレーニング済みノイズ除去モデルを実行して、ノイズ除去SEM像を生成することと
をさらに含む、条項36~48のいずれか一項に記載の媒体。
[00136] 本明細書に開示する概念は、シリコンウェーハなどの基板上の結像のために使用され得るが、開示した概念は、あらゆるタイプのリソグラフィ結像システム(例えば、シリコンウェーハ以外の基板上の結像に使用されるもの)に使用され得ることが理解されるものとする。
[00137] 上記の説明は、限定的ではなく、例示であるように意図されている。従って、以下に提示する特許請求の範囲から逸脱することなく、説明したように修正が加えられ得ることは、当業者には明らかであろう。
Claims (15)
- ノイズ除去モデルをトレーニングするための方法であって、
デザインパターンを第1の組のシミュレート像に変換することと、
前記第1の組のシミュレート像と像ノイズとに基づいて前記ノイズ除去モデルをトレーニングすることであって、前記ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、前記トレーニングすることと
を含む、方法。 - 前記デザインパターンを前記第1の組のシミュレート像に前記変換することは、前記デザインパターンを入力として使用して前記シミュレート像を生成するように構成されたトレーニング済みモデルを実行することを含む、請求項1に記載の方法。
- 前記トレーニング済みモデルは、前記デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、各捕捉像は、デザインパターンと関連付けられる、請求項2に記載の方法。
- 前記捕捉像は、走査電子顕微鏡(SEM)を介して取得されたSEM像である、請求項3に記載の方法。
- 前記第1の組のシミュレート像に前記像ノイズを加えて第2の組のシミュレート像を生成することをさらに含み、前記像ノイズは、前記パターン付き基板の前記捕捉像から抽出される、請求項4に記載の方法。
- 前記ノイズ除去モデルを前記トレーニングすることは、前記第1の組のシミュレート像と前記像ノイズと前記捕捉像とをトレーニングデータとして使用することを含む、請求項5に記載の方法。
- 前記トレーニング済みモデルは、第1の機械学習モデルを含む、請求項2に記載の方法。
- 前記トレーニング済みモデルは、敵対的生成ネットワークトレーニング方法を使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークを含む、請求項7に記載の方法。
- 前記トレーニング済みモデルは、所与のデザインパターンについてのシミュレートSEM像を生成するように構成された生成モデルである、請求項8に記載の方法。
- 前記像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、請求項1に記載の方法。
- 前記ノイズ除去モデルは、第2の機械学習モデルを含む、請求項1に記載の方法。
- 前記デザインパターンは、グラフィックデータ信号(GDS)ファイルフォーマットである、請求項1に記載の方法。
- パターン付き基板の捕捉SEM像を得ることと、
前記捕捉SEM像を入力像として使用してトレーニング済みノイズ除去モデルを実行して、ノイズ除去SEM像を生成することと
をさらに含む、請求項1に記載の方法。 - 前記パターン付き基板の捕捉像に基づいて前記ノイズ除去モデルを更新することをさらに含む、請求項1に記載の方法。
- プロセッサによって実行されたときに、方法であって、
デザインパターンを第1の組のシミュレート像に変換し、
前記第1の組のシミュレート像と像ノイズとに基づいて前記ノイズ除去モデルをトレーニングし、前記ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、前記方法を前記プロセッサに実施させる、命令を記憶する、1つ又は複数の非一時的なコンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063051500P | 2020-07-14 | 2020-07-14 | |
US63/051,500 | 2020-07-14 | ||
PCT/EP2021/067268 WO2022012888A1 (en) | 2020-07-14 | 2021-06-24 | Apparatus and methods for generating denoising model |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023533586A true JP2023533586A (ja) | 2023-08-03 |
Family
ID=76744823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023501901A Pending JP2023533586A (ja) | 2020-07-14 | 2021-06-24 | ノイズ除去モデルを生成するための装置及び方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20230230208A1 (ja) |
EP (1) | EP4182881A1 (ja) |
JP (1) | JP2023533586A (ja) |
KR (1) | KR20230038764A (ja) |
CN (1) | CN116250018A (ja) |
IL (1) | IL299807A (ja) |
TW (3) | TWI808444B (ja) |
WO (1) | WO2022012888A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343202A (zh) * | 2021-12-17 | 2023-06-27 | 联华电子股份有限公司 | 半导体系统及其运作方法 |
CN116977191A (zh) * | 2022-04-20 | 2023-10-31 | 中兴通讯股份有限公司 | 画质提升模型的训练方法和视频会议系统画质的提升方法 |
CN117235533B (zh) * | 2023-11-10 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
CN117518747B (zh) * | 2024-01-05 | 2024-04-05 | 华芯程(杭州)科技有限公司 | 一种光刻量测强度的生成方法、装置、设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
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 |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
US20170014822A1 (en) * | 2015-07-15 | 2017-01-19 | Aark Health Private Limited | Microfluidic cartridge and reader device, system, and method of use |
US9965901B2 (en) * | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
JP2019008599A (ja) * | 2017-06-26 | 2019-01-17 | 株式会社 Ngr | 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法 |
US11232249B2 (en) * | 2018-03-19 | 2022-01-25 | Asml Netherlands B.V. | Method for determining curvilinear patterns for patterning device |
US10697900B2 (en) * | 2018-06-19 | 2020-06-30 | Kla-Tencor Corporation | Correlating SEM and optical images for wafer noise nuisance identification |
-
2021
- 2021-06-24 EP EP21737020.4A patent/EP4182881A1/en active Pending
- 2021-06-24 CN CN202180062344.3A patent/CN116250018A/zh active Pending
- 2021-06-24 WO PCT/EP2021/067268 patent/WO2022012888A1/en unknown
- 2021-06-24 JP JP2023501901A patent/JP2023533586A/ja active Pending
- 2021-06-24 IL IL299807A patent/IL299807A/en unknown
- 2021-06-24 KR KR1020237005291A patent/KR20230038764A/ko active Search and Examination
- 2021-07-01 TW TW110124273A patent/TWI808444B/zh active
- 2021-07-01 TW TW113103672A patent/TW202422411A/zh unknown
- 2021-07-01 TW TW112123405A patent/TWI833664B/zh active
-
2023
- 2023-01-13 US US18/154,621 patent/US20230230208A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20230038764A (ko) | 2023-03-21 |
EP4182881A1 (en) | 2023-05-24 |
TWI808444B (zh) | 2023-07-11 |
TW202422411A (zh) | 2024-06-01 |
TW202207095A (zh) | 2022-02-16 |
IL299807A (en) | 2023-03-01 |
TWI833664B (zh) | 2024-02-21 |
TW202341017A (zh) | 2023-10-16 |
WO2022012888A1 (en) | 2022-01-20 |
CN116250018A (zh) | 2023-06-09 |
US20230230208A1 (en) | 2023-07-20 |
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 | |
TWI738169B (zh) | 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品 | |
CN114286964B (zh) | 用于改善图像中的结构的基于过程的轮廓信息的方法 | |
US20190147127A1 (en) | Identification of hot spots or defects by machine learning | |
US20220284344A1 (en) | Method for training machine learning model for improving patterning process | |
TWI808444B (zh) | 用於產生消除雜訊模型之裝置及方法 | |
US20220335333A1 (en) | Methods for generating characteristic pattern and training machine learning model | |
US20240054669A1 (en) | Apparatus and method for determining three dimensional data based on an image of a patterned substrate | |
KR20210121153A (ko) | 모델 캘리브레이션을 위한 게이지 선택의 향상 | |
WO2023117250A1 (en) | Method and apparatus to determine overlay | |
CN116125756A (zh) | 用于减少抗蚀剂模型预测误差的系统和方法 | |
TWI798861B (zh) | 用於產生解模糊模型及解模糊影像之設備及方法 | |
CN116615750A (zh) | 用于基于图案化衬底的图像确定三维数据的装置和方法 | |
CN117501184A (zh) | 检查数据滤除系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240610 |