JP2024125314A - 人工ニューラルネットワークを使用する動き制御 - Google Patents

人工ニューラルネットワークを使用する動き制御 Download PDF

Info

Publication number
JP2024125314A
JP2024125314A JP2024092991A JP2024092991A JP2024125314A JP 2024125314 A JP2024125314 A JP 2024125314A JP 2024092991 A JP2024092991 A JP 2024092991A JP 2024092991 A JP2024092991 A JP 2024092991A JP 2024125314 A JP2024125314 A JP 2024125314A
Authority
JP
Japan
Prior art keywords
control
component
training
control input
neural network
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
Application number
JP2024092991A
Other languages
English (en)
Inventor
ベルケル、コウス ファン
ボルダー、ヨースト、ヨハン
ボースマ、スティン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Netherlands BV
Original Assignee
ASML Netherlands BV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ASML Netherlands BV filed Critical ASML Netherlands BV
Publication of JP2024125314A publication Critical patent/JP2024125314A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70691—Handling of masks or workpieces
    • G03F7/70716—Stages
    • G03F7/70725—Stages control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G03F7/706841—Machine learning
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/708—Construction of apparatus, e.g. environment aspects, hygiene aspects or materials
    • G03F7/70858—Environment aspects, e.g. pressure of beam-path gas, temperature
    • G03F7/70883—Environment aspects, e.g. pressure of beam-path gas, temperature of optical system
    • G03F7/70891—Temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Atmospheric Sciences (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Automation & Control Theory (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Feedback Control In General (AREA)
  • Electrophonic Musical Instruments (AREA)
  • Thermistors And Varistors (AREA)

Abstract

【課題】本開示は、装置のコンポーネントの動きを少なくとも一つの所定の動きで制御するように構成されるプロセッサを記述する。【解決手段】可変設定点および／または他のファクタは、装置の動きコンポーネントについての反復学習制御を限定してもよい。プロセッサは、可変設定点等の、および／または、可変設定点を含む制御入力を受け取るように構成される。制御入力は、コンポーネントについての少なくとも一つの所定の動きを示す。プロセッサは、制御入力に基づいて、コンポーネントについてのフィードフォワード出力を訓練された人工ニューラルネットワークで決定するように構成される。制御入力が訓練データセット外になるか否かによらず人工ニューラルネットワークが制御出力を決定できるように、人工ニューラルネットワークが訓練データで予め訓練される。プロセッサは、少なくとも制御出力に基づいてコンポーネントを制御する。【選択図】図９

Description

［関連出願へのクロスリファレンス］
本出願は、2020年7月9日に出願された米国出願63/049,719の優先権を主張し、その全体が参照によって本書に援用される。
［技術分野］
本開示は、装置、装置のコンポーネントを制御するための方法、および非一時的コンピュータ読取可能媒体に関する。
リソグラフィ装置は、所望のパターンを基板上に適用するように構成される装置である。リソグラフィ装置は、例えば、集積回路（IC）の製造に使用されうる。リソグラフィ装置は、例えば、パターニングデバイス（例えば、マスク）のパターン（しばしば「デザインレイアウト」または「デザイン」とも表される）を、基板（例えば、ウェーハ）上に提供される放射感応性材料（レジスト）の層上に投影してもよい。
半導体製造プロセスが進歩を続けるにつれて、一般的に「ムーアの法則」と表されるトレンドに従って、数十年に亘って、デバイス当たりのトランジスタ等の機能要素の数が着実に増えながら、回路要素の寸法が継続的に低減されている。ムーアの法則に後れを取らないために、半導体業界はますます小さいフィーチャの生成を可能にする技術を追い求めている。基板上にパターンを投影するために、リソグラフィ装置は電磁放射を使用してもよい。この放射の波長は、基板上にパターン形成されるフィーチャの最小サイズを決定する。現在使用されている典型的な波長は、365nm（ｉ線）、248nm、193nm、および13.5nmである。4nmと20nmの間の範囲内の波長、例えば6.7nmまたは13.5nm、を有する極端紫外（EUV）放射を使用するリソグラフィ装置は、例えば、193nmの波長を有する放射を使用するリソグラフィ装置より小さいフィーチャを基板上に形成するために使用されてもよい。
低ｋ１リソグラフィが、リソグラフィ装置の古典的な解像度限界より小さい寸法でフィーチャを処理するために使用されてもよい。このようなプロセスでは、解像度の式が「CD = k1xλ/NA」と表されうる。ここで、λは使用される放射の波長であり、NAはリソグラフィ装置における投影光学要素の開口数であり、CDは「臨界寸法」（一般的にはプリントされる最小のフィーチャサイズであるが、この場合はハーフピッチである）であり、およびｋ１は経験的な解像度ファクタである。一般的に、ｋ１が小さくなるほど、特定の電気的な機能およびパフォーマンスを実現するために回路設計者によって設計された形状および寸法に似たパターンを基板上に再現するのが難しくなる。
これらの困難を克服するために、洗練された微調整ステップが、リソグラフィ投影装置および／またはデザインレイアウトに適用されてもよい。これらは、例えば、NAの最適化、カスタマイズされた照明スキーム、位相シフト型パターニングデバイスの使用、デザインレイアウトにおける光近接効果補正（OPC：「光およびプロセス補正」と表されることもある）等のデザインレイアウトの各種の最適化、または一般的に「解像度向上技術」（RET）として定められている他の方法を含むが、これらに限定されない。あるいは、リソグラフィ装置の安定性を制御するためのタイトな制御ループが、低ｋ１でのパターンの再現性を高めるために使用されてもよい。
このように、リソグラフィプロセスでは、例えば、プロセス制御および検証のために、生成される構造の頻繁な測定を行うことが望ましい。このような測定を行うためのツールは、典型的に計測ツールまたは検査ツールと呼ばれる。このような測定を行うために、走査電子顕微鏡または各種の形態のスキャトロメータ計測ツールを含む異なるタイプの計測ツールが知られている。スキャトロメータは、スキャトロメータの対物系の瞳または瞳との共役面におけるセンサを有することによって（この場合の測定は、通常、瞳に基づく測定と表される）、または、像面または像面との面共役におけるセンサを有することによって（この場合の測定は、通常、像またはフィールドに基づく測定と表される）、リソグラフィプロセスのパラメータの測定を可能にする多目的な装置である。このようなスキャトロメータおよび関連する測定技術は、特許出願US2010/0328655、US2011/102753A1、US2012/0044470A、US2011/0249244、US2011/0026032またはEP1,628,164Aにおいて更に記述され、これらの全体が参照によって本書に援用される。前述のスキャトロメータは、軟ｘ線および可視から近赤外の波長範囲からの光を使用する格子を測定してもよい。
装置のコンポーネントの動きの反復学習制御（ILC）の成否は、コンポーネントについての反復動き制御設定点、反復擾乱力、制御下のシステムの時間差、および／または他のファクタに依存する。擾乱力は、装置の各種のコンポーネントの動き、装置において使用されるコンポーネントのタイプ、装置の位置、コンポーネントの損耗、および／または他の同様のファクタに起因する力でもよい。動き制御設定点は、装置のコンポーネントの動きを規定してもよい。半導体製造および／または他の応用では、設定点および擾乱力がしばしば反復的ではない。このことは、例えば、ILCシステムによって制御される場合であっても、半導体製造装置のコンポーネントの動きにおける不正確性をもたらしうる。
そこで、本発明は、コンポーネントについての動作設定点および／または擾乱力が反復的でない場合に、装置コンポーネントの動きをより正確に制御するように構成されるシステムおよび方法を提供することを目的とする。
従来のシステムと対照的に、本システムは、訓練された機械学習モデルからの出力に基づいて、装置のコンポーネントの動きを制御するように構成される。機械学習モデルは、例えば、人工ニューラルネットワークでもよい。システムは、可変動作設定点等の制御入力を受け取るように構成される。システムは、制御入力に基づいて、コンポーネントについての制御出力を訓練された機械学習モデルで決定するように構成される。制御入力が訓練データ外になるか否かによらず機械学習モデルが制御出力を決定できるように、機械学習モデルが訓練データで訓練される。そして、システムは、少なくとも制御出力に基づいてコンポーネントを制御する。他の利点に加えて、訓練された機械学習モデルからの制御出力に基づいてコンポーネントの動きを制御することは、従来のシステムと比べてコンポーネントの動きの正確性を向上させる（例えば、コンポーネントが動作設定点における所定の動きにより良く従える）。都合の良いことには、これらの特徴は、既存のコントローラに加えられてもよい。
少なくとも以上に鑑み、発明の一実施形態によれば、少なくとも一つの所定の動きに沿って動くように構成されるコンポーネントと、機械読取可能命令によって構成されるプロセッサと、を備える装置が提供される。プロセッサは、制御入力を受け取るように構成される。制御入力は、コンポーネントについての少なくとも一つの所定の動きを示す。プロセッサは、制御入力に基づいて、コンポーネントについてのフィードフォワード出力を人工ニューラルネットワークで決定するように構成される。制御入力が訓練データセット外になるか否かによらず人工ニューラルネットワークが制御出力を決定できるように、人工ニューラルネットワークが訓練データで予め訓練される。プロセッサは、少なくとも制御出力に基づいてコンポーネントを制御するように構成される。
いくつかの実施形態では、人工ニューラルネットワークが訓練データで予め訓練される。訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せで実行されてもよい。訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備えてもよい。いくつかの実施形態では、訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備える。いくつかの実施形態では、訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての複数の既知の力、トルク、電流、および／または電圧を備える。訓練は、人工ニューラルネットワークについての一または複数の係数を生成してもよい。
いくつかの実施形態では、制御入力は、（１）予めフィルタリングされる、および／または、（２）スキャニングおよび／またはステッピング動作設定点を備える。いくつかの実施形態では、制御入力は、経時的なコンポーネントの位置、位置の高次時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備える。いくつかの実施形態では、制御入力は、経時的なコンポーネントの位置および位置の高次時間微分、例えば、速度または加速度の少なくともいずれかを示すデジタル信号を備える。いくつかの実施形態では、動作設定点は、コンポーネントについての目標パラメータを変えることを備える。
いくつかの実施形態では、装置は、半導体リソグラフィ装置、光学計測検査ツール、電子ビーム検査ツール、および／または他のシステムを備える。
いくつかの実施形態では、コンポーネントは、フォトリソグラフィのための一または複数の位置内および／または外に動くように構成される、レチクルステージ、ウェーハステージ、ミラー、レンズ要素、および／または他のコンポーネントを備える。
いくつかの実施形態では、制御出力は、コンポーネントの動きを制御するために使用される力、トルク、電流、電圧、または電荷の少なくともいずれかを備える。
発明の他の実施形態によれば、装置のコンポーネントを制御するための方法が提供される。方法は、制御入力を受け取ることを備える。制御入力は、コンポーネントの少なくとも一つの所定の動きを示す。方法は、制御入力に基づいて、コンポーネントについてのフィードフォワード出力を訓練された人工ニューラルネットワークで決定することを備える。制御入力が訓練データセット外になるか否かによらず人工ニューラルネットワークが制御出力を決定できるように、人工ニューラルネットワークが訓練データで予め訓練される。方法は、少なくとも制御出力に基づいてコンポーネントを制御することを備える。
いくつかの実施形態では、人工ニューラルネットワークが訓練データで予め訓練される。訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せで実行されてもよい。訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備えてもよい。訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備えてもよい。訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての複数の既知の力、トルク、電流、および／または電圧を備えてもよい。訓練は、人工ニューラルネットワークについての一または複数の係数を生成してもよい。
いくつかの実施形態では、制御入力は、（１）予めフィルタリングされる、および／または、（２）ステッピングおよび／またはスキャニング動作設定点を備える。いくつかの実施形態では、制御入力は、経時的なコンポーネントの位置、位置の高次時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備える。いくつかの実施形態では、制御入力は、経時的なコンポーネントの位置および位置の高次時間微分、例えば、速度または加速度の少なくともいずれかを示すデジタル信号を備える。いくつかの実施形態では、動作設定点は、コンポーネントについての目標パラメータを変えることを備える。
いくつかの実施形態では、装置は、半導体リソグラフィ装置、光学計測検査ツール、電子ビーム検査ツール、および／または他のシステムを備える。
いくつかの実施形態では、コンポーネントは、フォトリソグラフィのための一または複数の位置内および／または外に動くように構成される、レチクルステージ、ウェーハステージ、ミラー、レンズ要素、および／または他のコンポーネントを備える。
いくつかの実施形態では、制御出力は、コンポーネントの動きを制御するために使用される力、トルク、電流、電圧、または電荷の少なくともいずれかを備える。
発明の他の実施形態によれば、コンピュータによって実行された時に、前述されたいずれかの実施形態の処理を実施する命令が格納された非一時的コンピュータ読取可能媒体が提供される。
発明の他の実施形態によれば、命令が格納された非一時的コンピュータ読取可能媒体が提供される。命令は、コンピュータによって実行された時に、装置のコンポーネントの少なくとも一つの所定の動きを示す制御入力を受け取ることと、制御入力に基づいて、コンポーネントについての制御出力を訓練された人工ニューラルネットワークで決定することと、少なくとも制御出力に基づいてコンポーネントを制御することと、をコンピュータに実行させる。制御入力が訓練データ外になるか否かによらず人工ニューラルネットワークが制御出力を決定できるように、人工ニューラルネットワークが訓練データで訓練される。
いくつかの実施形態では、人工ニューラルネットワークが訓練データで予め訓練される。いくつかの実施形態では、訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せで実行される。訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備えてもよい。訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備えてもよい。訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての複数の既知の力、トルク、電流、および／または電圧を備えてもよい。訓練は、人工ニューラルネットワークについての一または複数の係数を生成してもよい。
いくつかの実施形態では、制御入力は、（１）予めフィルタリングされる、および／または、（２）ステッピングおよび／またはスキャニング動作設定点を備える。いくつかの実施形態では、制御入力は、経時的なコンポーネントの位置、高次時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備える。いくつかの実施形態では、制御入力は、経時的なコンポーネントの位置および位置の高次時間微分、例えば、速度または加速度の少なくともいずれかを示すデジタル信号を備える。いくつかの実施形態では、設定点は、コンポーネントについての目標パラメータを変えることを備える。
いくつかの実施形態では、装置は、半導体リソグラフィ装置、光学計測検査ツール、電子ビーム検査ツール、および／または他のシステムを備える。
いくつかの実施形態では、コンポーネントは、フォトリソグラフィのための一または複数の位置内および／または外に動くように構成される、レチクルステージ、ウェーハステージ、ミラー、レンズ要素、および／または他のコンポーネントを備える。
いくつかの実施形態では、制御出力は、コンポーネントの動きを制御するために使用される力、トルク、電流、電圧、または電荷の少なくともいずれかを備える。
発明の他の実施形態によれば、コンピュータによって実行された時に、人工ニューラルネットワークを訓練データで訓練することをコンピュータに実行させる命令が格納された非一時的コンピュータ読取可能媒体が提供される。訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備える。訓練された人工ニューラルネットワークは、制御入力に基づいて、装置のコンポーネントについての制御出力を決定するように構成される。制御入力が訓練データ外になるか否かによらず人工ニューラルネットワークが制御出力を決定できるように、人工ニューラルネットワークが訓練データで訓練される。制御入力は、コンポーネントの少なくとも一つの所定の動きを示す。装置は、少なくとも制御出力に基づいて制御されるように構成される。
いくつかの実施形態では、訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せである。いくつかの実施形態では、訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備える。訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての複数の既知の力、トルク、電流、および／または電圧を備えてもよい。訓練は、人工ニューラルネットワークについての一または複数の係数を生成してもよい。
発明の実施形態が、以下の付随する模式的な図面を参照して例のみによって記述される。
リソグラフィ装置の模式的な概要を示す。 図１のリソグラフィ装置の一部の詳細図である。 位置制御システムを模式的に示す。 リソグラフィセルの概要を模式的に示す。 半導体製造を最適化するための三つのキー技術の間の連携を表すホリスティックリソグラフィの模式図である。 反復学習制御（ILC）モジュールを有する位置制御システムを模式的に示す。 異なるILC学習された力およびモーメントをもたらす二つの動作設定点の例を示す。 装置の動きコンポーネントを制御するための方法の例を示す。 人工ニューラルネットワークを含む本システムの実施形態の例を示す。 コンピュータシステム例のブロック図である。
反復学習制御（ILC）は、装置の一または複数のコンポーネントの動きを制御する時に、反復「ｉ」についての測定された制御エラーを、反復「ｉ＋１」についての補正されたフィードフォワード制御信号に変換することによって、反復的にフィードフォワード制御信号を学習する制御技術である。この技術は、ウェーハステージ等を含むコンポーネントについての多くの動き制御システムにおいて実証されており、典型的に、制御エラーの大きさを一桁（他のフィードフォワード制御システムに関しては更に大きく）低減する。
但し、前述されたように、ILCの成否は、反復設定点、反復擾乱力、および／または他のファクタに依存する。擾乱力は、装置の各種のコンポーネントの動き、装置において使用されるコンポーネントのタイプ、装置の位置、コンポーネントの損耗、および／または他の同様のファクタに起因する力でもよい。例えば、擾乱力は、モータ整流、ケーブルスラブ、システムドリフト等に関してもよい。設定点は、装置のコンポーネントの所定の動きを記述してもよい。動作設定点は、コンポーネントの経時的な動きの位置、速度、加速度、および／または他のパラメータ（例えば、このようなパラメータの高次時間微分等）を規定してもよい。ILCの成否は、例えば、コンポーネントによる固定長動作、固定動作パターン、固定動作速度、固定加速度、反復的ジャーキングおよび／またはスナッピング動作等を含む、与えられたコンポーネントについての反復設定点軌道に依存してもよい。
半導体製造および／または他の応用では、設定点および擾乱力がしばしば反復的ではない。半導体製造では、例えば、異なるフィールドサイズのサポート、ウェーハ加熱、レチクル加熱、および／またはミラー／レンズ加熱を補正するためのオーバーレイ補正についてのリアルタイムまたは近リアルタイムの変化、および／または他の理由等のいくつかの理由で、設定点が変動しうる。潜在的な設定点および／または擾乱力の変動の数は、理論上は無限である。実際は、潜在的な設定点および／または擾乱力の変動の数が大きすぎて、動き制御システム（例えば、ILCフィードフォワード信号を学習する）を個別に較正できない。例えば、このような較正の試行は、較正のための装置（例えば、リソグラフィの文脈ではスキャナ）の過剰な使用を要求し、製造目的での装置の可用性を著しく制限してしまう。
従来のシステムと対照的に、本システムは、訓練された機械学習モデルからの出力に基づいて、装置のコンポーネントの動きを制御するように構成される。機械学習モデルは、例えば、人工ニューラルネットワークでもよい。システムは、可変動作設定点等の、および／または、可変動作設定点を含む制御入力を受け取るように構成される。システムは、制御入力に基づいて、コンポーネントについての制御出力を人工ニューラルネットワークで決定するように構成される。制御出力は、例えば、フィードフォワード信号でもよい。制御入力が訓練データ外になるか否かによらず人工ニューラルネットワークが制御出力を決定できるように、人工ニューラルネットワークが訓練データで訓練される。そして、システムは、少なくとも制御出力に基づいてコンポーネントの動きを制御する。
他の利点に加えて、訓練された人工ニューラルネットワークからの制御出力に基づいてコンポーネントの動きを制御することは、従来のシステムと比べてコンポーネントの動きの正確性を向上させる（例えば、コンポーネントが動作設定点における所定の動きにより良く従える）。半導体製造では、このことは、高められたデバイス寸法の正確性、より高い歩留まり、低減されたプロセスセットアップ時間、より速いスループット、より正確なオーバーレイおよび／または他のプロセス制御測定結果をもたらし、および／または、他の効果を有する。
簡潔な導入として、本書では、機械学習モデルを使用する動き制御が、集積回路および／または半導体製造の文脈において記述される。当業者は、機械学習モデルを使用する動き制御の原理を、装置の一または複数の動きコンポーネントの正確な制御が求められる他のオペレーションに適用してもよい。
本文脈では、用語「放射」および「ビーム」は、紫外放射（例えば、365、248、193、157または126nmの波長を有するもの）およびEUV（極端紫外放射、例えば、約5-100nmの範囲内の波長を有するもの）を含む全てのタイプの電磁放射を包含するために使用される。本テキストにおいて使用される用語「レチクル」、「マスク」または「パターニングデバイス」は、基板のターゲット部分において生成されるパターンに対応するパターン形成された断面を入射ビームに付与するために使用されうる一般的なパターニングデバイスを表すものと広義に解釈されてもよい。用語「ライトバルブ」は、この文脈において使用されてもよい。古典的なマスク（透過型または反射型、バイナリ型、位相シフト型、ハイブリッド型等）の他に、このようなパターニングデバイスの他の例は、プログラマブルミラーアレイおよびプログラマブルLCDアレイを含む。
図１は、リソグラフィ装置ＬＡを模式的に示す。リソグラフィ装置ＬＡは、放射ビームＢ（例えば、UV放射、DUV放射またはEUV放射）を調整するように構成される照明ステム（イルミネータとも表される）ＩＬと、パターニングデバイス（例えば、マスク）ＭＡを支持するように構成され、特定のパラメータに応じてパターニングデバイスＭＡを正確に配置するように構成される第１ポジショナＰＭに接続されるマスクサポート（例えば、マスクテーブル）ＭＴと、基板（例えば、レジストによって覆われたウェーハ）Ｗを保持するように構成され、特定のパラメータに応じて基板サポートを正確に配置するように構成される第２ポジショナＰＷに接続される基板サポート（例えば、ウェーハテーブル）ＷＴと、パターニングデバイスＭＡによって放射ビームＢに形成されるパターンを、基板Ｗのターゲット部分Ｃ（例えば、一または複数のダイを備える）上に投影するように構成される投影システム（例えば、屈折投影レンズシステム）ＰＳと、を含む。
稼働中、照明システムＩＬは、例えばビームデリバリシステムＢＤを介して、放射源ＳＯからの放射ビームを受け取る。照明システムＩＬは、放射の方向付け、形成、および／または制御のために、屈折型、反射型、磁気型、電磁気型、静電型、および／または他のタイプの光学コンポーネント、またはこれらの任意の組合せ等の各種のタイプの光学コンポーネントを含んでもよい。イルミネータＩＬは、パターニングデバイスＭＡの面で所望の空間および角度強度分布を有する断面となるように、放射ビームＢを調整するために使用されてもよい。
ここで使用される用語「投影システム」ＰＳは、使用中の露光放射、および／または、液浸液または真空の使用等の他のファクタにとって適切な、屈折型、反射型、反射屈折型、アナモルフィック型、磁気型、電磁気型および／または静電型の光学システム、またはこれらの任意の組合せを含む各種のタイプの投影システムを包含するものと広義に解釈されるべきである。ここでの用語「投影レンズ」の使用は、より一般的な用語「投影システム」ＰＳと同義と解釈されてもよい。
リソグラフィ装置ＬＡは、投影システムＰＳおよび基板Ｗの間の空間を満たすように、基板の少なくとも一部が比較的高い屈折率を有する水等の液体によって覆われてもよいタイプでもよい（液浸リソグラフィとも表される）。液浸技術に関するより多くの情報は、参照によって本書に援用されるUS6952253において与えられる。
リソグラフィ装置ＬＡは、二つ以上の基板サポートＷＴ（「デュアルステージ」とも呼ばれる）を有するタイプでもよい。このような「複数ステージ」装置では、基板サポートＷＴが、並行して使用されてもよい、および／または、他の基板サポートＷＴ上の他の基板Ｗが、その上にパターンを露光するために使用されている間に、基板Ｗの後続の露光の準備ステップが一の基板サポートＷＴ上に配置される基板Ｗ上で実行されてもよい。
基板サポートＷＴに加えて、リソグラフィ装置ＬＡは、測定ステージを備えてもよい。測定ステージは、センサおよび／またはクリーニングデバイスを保持するように設けられる。センサは、投影システムＰＳの特性または放射ビームＢの特性を測定するように設けられてもよい。測定ステージは、複数のセンサを保持してもよい。クリーニングデバイスは、リソグラフィ装置の一部、例えば、投影システムＰＳの一部または液浸液を提供するシステムの一部をクリーニングするように設けられてもよい。測定ステージは、基板サポートＷＴが投影システムＰＳから離れている時に、投影システムＰＳの下方を動いてもよい。
稼働時、放射ビームＢは、マスクサポートＭＴ上に保持されるマスクＭＡ等のパターニングデバイス上に入射し、パターニングデバイスＭＡ上に存在するパターン（デザインレイアウト）によってパターン形成される。パターニングデバイスＭＡを経た放射ビームＢは、基板Ｗのターゲット部分Ｃ上にビームを集光する投影システムＰＳを通過する。第２ポジショナＰＷおよび位置測定システムＩＦによって、例えば、放射ビームＢの経路上の集光および整列位置に異なるターゲット部分Ｃを配置できるように、基板サポートＷＴが正確に駆動されうる。同様に、第１ポジショナＰＭおよび他の位置センサ（図１では明示的に示されていない）が、放射ビームＢの経路に関してパターニングデバイスＭＡを正確に配置するために使用されてもよい。パターニングデバイスＭＡおよび基板Ｗは、マスクアライメントマークＭ１、Ｍ２および基板アライメントマークＰ１、Ｐ２を使用して整列されてもよい。例示される基板アライメントマークＰ１、Ｐ２は専用のターゲット部分を占めるが、これらはターゲット部分の間の空間に配置されてもよい。ターゲット部分Ｃの間に配置される基板アライメントマークＰ１、Ｐ２は、スクライブラインアライメントマークとして知られている。
発明を明確化するために、デカルト座標系が使用される。デカルト座標系は、三つの軸、すなわち、ｘ軸、ｙ軸およびｚ軸を有する。三つの軸のそれぞれは、他の二つの軸に直交する。ｘ軸周りの回転はRx回転と表される。ｙ軸周りの回転はRy回転と表される。ｚ軸周りの回転はRz回転と表される。ｘ軸およびｙ軸は水平面を定め、ｚ軸は鉛直方向を向く。デカルト座標系は発明を限定する趣旨ではなく、明確化のためだけに使用される。代わりに、円筒座標系等の他の座標系が、発明を明確化するために使用されてもよい。例えば、ｚ軸が水平面に沿った要素を有するように、デカルト座標系の方向は異なっていてもよい。
図２は、図１のリソグラフィ装置ＬＡの一部のより詳細な図である。リソグラフィ装置ＬＡには、ベースフレームＢＦ、バランスマスＢＭ、計測フレームＭＦおよび振動隔離システムＩＳが提供されてもよい。計測フレームＭＦは、投影システムＰＳを支持する。加えて、計測フレームＭＦは、位置測定システムＰＭＳの一部を支持してもよい。計測フレームＭＦは、振動隔離システムＩＳを介してベースフレームＢＦによって支持される。振動隔離システムＩＳは、振動がベースフレームＢＦから計測フレームＭＦに伝わるのを防止または低減するように設けられる。
第２ポジショナＰＷは、基板サポートＷＴおよびバランスマスＢＭの間に駆動力を提供することによって、基板サポートＷＴを加速するように設けられる。駆動力は、基板サポートＷＴを所望の方向に加速する。運動量保存の法則のために、駆動力はバランスマスＢＭにも、等しい大きさで所望の方向と逆方向に加えられる。典型的に、バランスマスＢＭの質量は、第２ポジショナＰＷおよび基板サポートＷＴの可動部の質量より有意に大きい。
一実施形態では、第２ポジショナＰＷが、バランスマスＢＭによって支持される。例えば、第２ポジショナＰＷは、バランスマスＢＭの上方に基板サポートＷＴを浮かせるための平面モータを備える。他の実施形態では、第２ポジショナＰＷが、ベースフレームＢＦによって支持される。例えば、第２ポジショナＰＷは、リニアモータを備え、第２ポジショナＰＷは、ベースフレームＢＦの上方に基板サポートＷＴを浮かせるためのガスベアリング等のベアリングを備える。
図３に模式的に示されるように、リソグラフィ装置ＬＡは、位置制御システムＰＣＳを備えてもよい。位置制御システムＰＣＳは、設定点生成部ＳＰ、フィードフォワードコントローラＦＦおよびフィードバックコントローラＦＢを備える。位置制御システムＰＣＳは、アクチュエータＡＣＴに対して駆動信号を提供する。アクチュエータＡＣＴは、第１ポジショナＰＭまたは第２ポジショナＰＷ、および／またはリソグラフィ装置ＬＡの他の可動コンポーネントのアクチュエータでもよい。例えば、アクチュエータＡＣＴは、基板サポートＷＴまたはマスクサポートＭＴを備えてもよいプラントＰを駆動してもよい。プラントＰの出力は、位置または速度または加速度または他の位置の高次時間微分等の位置量である。位置量は、位置測定システムＰＭＳで測定される。位置測定システムＰＭＳは、プラントＰの位置量を表す位置信号である信号を生成する。設定点生成部ＳＰは、プラントＰの所望の位置量を表す参照信号である信号を生成する。例えば、参照信号は、基板サポートＷＴの所望の軌道を表す。参照信号および位置信号の間の差は、フィードバックコントローラＦＢに対する入力を構成する。入力に基づいて、フィードバックコントローラＦＢは、アクチュエータＡＣＴに対する駆動信号の少なくとも一部を提供する。参照信号は、フィードフォワードコントローラＦＦに対する入力を構成してもよい。入力に基づいて、フィードフォワードコントローラＦＦは、アクチュエータＡＣＴに対する駆動信号の少なくとも一部を提供する。フィードフォワードＦＦは、質量、剛性、共振モードおよび固有振動数等のプラントＰの動力学的特性に関する情報を利用してもよい。図３に示されるシステムの追加的な詳細は後述される。
図４に示されるように、リソグラフィ装置ＬＡは、リソセルまたは（リソ）クラスタと表されることもある、しばしば基板Ｗに対して露光前および露光後のプロセスを実行するための装置も含むリソグラフィセルＬＣの一部を構成してもよい。従来、これらは、レジスト層を形成するためのスピンコータＳＣ、露光されたレジストを現像するためのディベロッパＤＥ、例えば基板Ｗ（レジスト層における溶媒等）の温度を調整するための冷却プレートＣＨおよびベークプレートＢＫを含む。基板ハンドラまたはロボットＲＯは、入力／出力ポートＩ／Ｏ１、Ｉ／Ｏ２から基板Ｗをピックアップし、それらを異なる処理装置の間で移動させ、リソグラフィ装置ＬＡのローディングベイＬＢに基板Ｗを搬送する。しばしばトラックとも総称されるリソセルにおけるデバイスは、典型的に、それ自体が監視制御システムＳＣＳによって制御されてもよいトラック制御ユニットＴＣＵの制御下にある。監視制御システムＳＣＳは、リソグラフィ制御ユニットＬＡＣＵを介して、リソグラフィ装置ＬＡを制御してもよい。
リソグラフィ装置ＬＡによって露光される基板Ｗが一貫して正しく露光されるために、後続の層との間のオーバーレイエラー、線厚、臨界寸法（CD）等のパターン形成された構造の特性を測定するために基板を検査することが望ましい。この目的のために、検査ツール（不図示）がリソセルＬＣに含まれてもよい。エラーが検出された場合、特に、同じバッチまたはロットの他の基板Ｗが露光または処理される前に検査が行われた場合、例えば、後続の基板の露光に調整が加えられてもよいし、または、基板Ｗ上で実行される他の処理ステップに調整が加えられてもよい。
計測装置と表されてもよい検査装置は、基板Ｗの特性を判定するために、特に、異なる基板Ｗの特性の変動または同じ基板Ｗの異なる層に関する特性の層毎の変動を判定するために使用される。あるいは、検査装置は、基板Ｗ上の欠陥を特定するように構成されてもよく、例えば、リソセルＬＣの一部でもよいし、リソグラフィ装置ＬＡに一体化されてもよいし、スタンドアロンデバイスでもよい。検査装置は、潜像（露光後のレジスト層における像）、半潜像（露光後のベークステップＰＥＢ後のレジスト層における像）、現像されたレジスト像（レジストの露光または未露光部分が除去されている）、または、エッチングされた像（エッチング等のパターン転写ステップ後）についての特性を測定してもよい。
典型的に、リソグラフィ装置ＬＡにおけるパターン形成プロセスは、寸法形成および基板Ｗ上への構造の配置の高い正確性を要求する、最も重要なステップの一つである。この高い正確性を担保するため、図５に模式的に示されるように、いわゆる「ホリスティック」制御環境において三つのシステムが組み合わされてもよい。これらのシステムの一つは、計測ツールＭＴ（第２システム）およびコンピュータシステムＣＬ（第３システム）に（仮想的に）接続されるリソグラフィ装置ＬＡである。このような「ホリスティック」環境のキーは、全体のプロセスウィンドウを改善し、リソグラフィ装置ＬＡによって実行されるパターン形成がプロセスウィンドウ内に留まることを担保するためのタイトな制御ループを提供するために、これら三つのシステムの間の連携を最適化することである。プロセスウィンドウは、特定の製造プロセスが定められた結果（例えば、機能半導体デバイス）を産むプロセスパラメータ（例えば、ドーズ、フォーカス、オーバーレイ）の範囲を定める。典型的には、プロセスウィンドウ内であれば、リソグラフィプロセスまたはパターン形成プロセスにおけるプロセスパラメータの変動が許容される。
コンピュータシステムＣＬは、パターン形成されるデザインレイアウト（の一部）を、どの解像度向上技術を使用すべきかを予測するために使用してもよいし、どのマスクレイアウトおよびリソグラフィ装置セッティングがパターン形成プロセスの最大の全体プロセスウィンドウを実現するかを判定するための計算リソグラフィシミュレーションおよび演算を実行するために使用してもよい（図５において、第１スケールＳＣ１における双方向矢印によって示される）。典型的に、解像度向上技術は、リソグラフィ装置ＬＡのパターン形成の可能性をマッチングするように設けられる。コンピュータシステムＣＬは、例えば理想的でない処理による欠陥が存在しうるか否かを予測するために、プロセスウィンドウ内のどこでリソグラフィ装置ＬＡが現在稼働しているかを検出する（例えば、計測ツールＭＴからの入力を使用して）ために使用されてもよい（図５において、第２スケールＳＣ２における「0」を指す矢印によって示される）。
計測ツールＭＴは、正確なシミュレーションおよび予測を可能にするコンピュータシステムＣＬへの入力を提供してもよく、例えば、リソグラフィ装置ＬＡの較正ステータスにおいてドリフトの可能性を特定するためにリソグラフィ装置ＬＡへのフィードバックを提供してもよい（図５において、第３スケールＳＣ３における複数の矢印によって示される）。
図１～図５を参照して前述されたように、リソグラフィ装置、計測ツールおよび／またはリソセルは、典型的に、参照または他のコンポーネントに対する標本、基板、マスクまたはセンサ配置を位置付けるために使用される複数のステージシステムを含む。これらの例は、マスクサポートＭＴおよび第１ポジショナＰＭ、基板サポートＷＴおよび第２ポジショナＰＷ、センサおよび／またはクリーニングデバイスを保持するように設けられる測定ステージ、および、例えば、走査電子顕微鏡または各種のスキャトロメータに対して基板Ｗが配置される検査ツールＭＴにおいて使用されるステージである。これらの装置は、レチクルステージ、ウェーハステージ、ミラー、レンズ要素、光源（例えば、駆動レーザ、EUV源等）、レチクルマスキングステージ、ウェーハトップクーラ、ウェーハおよびレチクルハンドラ、振動隔離システム、ステージトルク補償器、このようなコンポーネントを制御および／または含有するソフトウェアおよび／またはハードウェアモジュール、および／または他のコンポーネント等のいくつかの他の可動コンポーネントを含んでもよい。これらの例は、発明を限定する趣旨ではない。
前述されたように、本システムは、訓練された機械学習モデルからの出力に基づいて、装置のコンポーネント（例えば、上記の段落において記述されたものの少なくともいずれか等）の動きを制御するように構成される。機械学習モデルは、例えば、人工ニューラルネットワークでもよい。システムは、可変動作設定点等および／または可変動作設定点を含む制御入力を受け取るように構成される。システムは、制御入力に基づいて、コンポーネントについての制御出力（例えば、フィードフォワード信号および／またはフィードフォワード信号の個別コンポーネント）を訓練された機械学習モデルで決定するように構成される。制御出力は、与えられた入力可変動作設定点に対応する可動コンポーネントについての、力、トルク、電流、電荷、電圧、および／または他の情報を備えてもよい。制御入力が訓練データ外になるか否かによらず機械学習モデルが制御出力を決定できるように、機械学習モデルが訓練データで訓練される。そして、システムは、少なくとも制御出力に基づいてコンポーネントを制御する。
例えば、本機械学習モデル（例えば、一または複数の人工ニューラルネットワーク）は、限定された負担の少ない訓練（例えば、較正）がされるだけで、動作設定点を効果的に補間し、先の動作設定点からの外挿を容易にする。換言すれば、対応する制御入力についての別の制御出力が既知で、機械学習モデルを訓練するために使用される場合、当該機械学習モデルは、既知の制御入力（例えば、先の動作設定点）の間のどこかにある、または、既知の制御入力外のどこかにある対応する制御入力についての新しい制御出力を決定できる。
本アプローチの概要は以下の通りである。リソグラフィ装置（一例に過ぎない）におけるステージの動きについての動作設定点（例えば、制御入力）の組を、予め定められた設定点空間内で（例えば、各種のリソグラフィのスキャン長、スキャン速度、加速度等について）訓練するために、ILCが適用されてもよい。学習されたフィードフォワード信号（与えられた可変動作設定点に対応するステージについての力、トルク、電流、電荷、電圧、および／または他の情報）は、それらに対応する設定点と共に記録および格納されてもよい。いくつかの実施形態では、図６に示されるシステムと同様および／または同一のシステムが、これらのオペレーションのために使用されてもよい。
図６は、図３と同様であるが、ILCモジュール（図６においてILCと示される）が加えられている。図６は、図３に模式的に示されるような位置制御システムＰＣＳに加えて、制御エラーＣＥおよびステージＳＴも例示する。前述されたように、位置制御システムＰＣＳは、設定点生成部ＳＰ、フィードフォワードコントローラＦＦおよびフィードバックコントローラＦＢを備える。位置制御システムＰＣＳは、アクチュエータＡＣＴに対して駆動信号を提供する。アクチュエータＡＣＴは、ステージＳＴが位置または速度または加速度（P/V/A）等の特定の位置量を有するように、ステージＳＴを駆動してもよい。位置量は、位置測定システムＰＭＳで測定される。位置測定システムＰＭＳは、ステージＳＴの位置量を表す位置信号である信号を生成する。設定点生成部ＳＰは、ステージＳＴの所望の位置量を表す参照信号である信号を生成する。例えば、参照信号は、ステージＳＴの所望の軌道を表す。参照信号および位置信号の間の差（例えば、制御エラーＣＥ）は、フィードバックコントローラＦＢに対する入力を構成する。入力に基づいて、フィードバックコントローラＦＢは、アクチュエータＡＣＴに対する駆動信号の少なくとも一部を提供する。参照信号は、フィードフォワードコントローラＦＦに対する入力を構成してもよい。入力に基づいて、フィードフォワードコントローラＦＦは、アクチュエータＡＣＴに対する駆動信号の少なくとも一部を提供する。フィードフォワードコントローラＦＦは、ステージＳＴの質量、剛性、共振モードおよび固有振動数等の動力学的特性に関する情報を利用してもよい。なお、スイッチＳＷは、完全なスキャンプロファイル時間トレース（例えば、リソグラフィ装置の文脈において）のために、ILCモジュールがオフラインで更新されてもよいことを示す。ILCモジュールは、今後のトライアルについての制御エラーの予測を最小化（または最適化）することによって（多くの異なる方法で行われうる）、フィードフォワード信号が決定されるように構成されてもよい。ここでのフィードフォワード信号は、自由変数である。
図７は、半導体製造および／または他の応用において、動作設定点（例えば、ここで記述されるように制御入力）がしばしば反復的でないことを例示する。半導体製造では、例えば、異なるフィールドサイズのサポート、ウェーハ加熱、レチクル加熱、および／またはミラー/レンズ加熱を補正するためのオーバーレイ補正についてのリアルタイムまたは近リアルタイムの変化、および／または他の理由等のいくつかの理由で、設定点が変動しうる。潜在的な設定点および／または擾乱力の変動の数は、理論上は無限である。図７は、異なるILC学習された力およびモーメント（例えば、フィードフォワード信号の潜在的なコンポーネント）をもたらす二つの動作設定点の例を示す。これらおよび他の設定点および対応する学習された力およびモーメントは、前述された記録および格納される情報（後述されるように、結果的に、人工ニューラルネットワークを訓練するために使用される）に含まれてもよい。
二つの異なる設定点ＳＰ１およびＳＰ２が図７において示される。ＳＰ１およびＳＰ２それぞれは、装置の動きコンポーネントについての経時的な所定の位置を備える。図７は、各設定点の下に示されるILC学習された力Ｆ１（Fy）、Ｆ２（Fz）、Ｆ３（Fy）、Ｆ４（Fz）、およびモーメントＭ１（Mx）、Ｍ２（Mx）も例示する。設定点が変わると（ＳＰ１対ＳＰ２）、リファレンス（最上行におけるy、z=０、Rx=０）に従う必要がある補償信号（Fy、Fz、Mx）は大きく変わる。
本アプローチの概要に戻ると、人工ニューラルネットワークは、与えられた特定の設定点に対してフィードフォワード信号を再現するために、記録および格納された動作設定点および対応するフィードフォワード信号で訓練されてもよい。例えば、人工ニューラルネットワークへの入力は、時間の関数としての所定の位置、速度、加速度、ジャーク、および／または他のパラメータでもよい。人工ニューラルネットワークは、ILCで学習されたものを模擬するフィードフォワード力、トルク、および他のパラメータを出力してもよい。人工ニューラルネットワークは、（例えば、図６におけるILCモジュールを置き換えるフィードフォワードアドオンとして）実装されてもよく、人工ニューラルネットワークは、新しい動き制御設定点（ステージおよび／または他の装置のコンポーネントの所定の動き）について、リアルタイムおよび／または近リアルタイムで（例えば、10kHzより大きい周波数で）、新しいフィードフォワード信号を生成してもよい。
図８は、装置の動きコンポーネントを制御するための方法８００を例示する。方法８００は、リソグラフィ装置の可動コンポーネント、光学および／または電子ビーム検査ツール、原子間力顕微鏡（AFM）に基づく検査ツール、および／または他のシステムと関連付けられてもよい。前述されたように、コンポーネントは、レチクルステージ、ウェーハステージ、ミラー、レンズ要素、光源（例えば、駆動レーザ、EUV源等）、レチクルマスキングステージ、ウェーハトップクーラ、ウェーハおよびレチクルハンドラ、振動隔離システム、ステージトルク補償器、このようなコンポーネントを含むソフトウェアおよび／またはハードウェアモジュール、および／または他のコンポーネントでもよい、および／または、を含んでもよい。
方法８００は、人工ニューラルネットワークを訓練すること８０２、可動コンポーネントについての制御入力を受け取ること８０４、制御出力を人工ニューラルネットワークで決定すること８０６、少なくとも制御出力に基づいて装置の動きコンポーネントを制御すること８０８、および／または他のオペレーション、を備える。いくつかの実施形態では、方法８００が、例えば、半導体製造プロセス（または、その一部）のために実行される。いくつかの実施形態では、コンポーネントが、リソグラフィ、検査等のための一または複数の位置内および／または外に駆動されるように構成される。
以下で提示される方法８００のオペレーションは、例示のみを目的とする。いくつかの実施形態では、方法８００が、記述されない一または複数の追加的なオペレーションと共に実現されてもよい、および／または、議論される一または複数のオペレーションを伴わずに実現されてもよい。例えば、方法８００は、人工ニューラルネットワークを訓練することを要求しなくてもよい（例えば、人工ニューラルネットワークは、予め訓練されてもよい）。加えて、方法８００のオペレーションが図８において示される順番および以下で記述される順番は、発明を限定する趣旨ではない。
いくつかの実施形態では、方法８００の一または複数の部分が、一または複数の処理デバイス（例えば、一または複数のプロセッサ）において実装されてもよい（例えば、シミュレーション、モデリング等によって）。一または複数の処理デバイスは、電子記憶媒体上に電子的に格納される命令に応じて、方法８００のオペレーションの一部または全部を実行する一または複数のデバイスを含んでもよい。一または複数の処理デバイスは、例えば、方法８００の一または複数のオペレーションの実行のために設計された、ハードウェア、ファームウェア、および／またはソフトウェアを通じて構成される一または複数のデバイスを含んでもよい。
前述されたように、方法８００は、人工ニューラルネットワークを訓練すること８０２を備える。例えば、人工ニューラルネットワークは、入力層、出力層、および一または複数の中間または隠れた層を有してもよい。いくつかの実施形態では、一または複数の人工ニューラルネットワークが、ディープニューラルネットワーク（例えば、入力および出力層の間に一または複数の中間または隠れた層を有するニューラルネットワーク）でもよい、および／または、を含んでもよい。
一例として、一または複数の人工ニューラルネットワークは、ニューラルユニット（または人工ニューロン）の大きな集合に基づいてもよい。一または複数のニューラルネットワークは、生物の脳が働く（例えば、軸索によって接続される生物のニューロンの大きいクラスタを介して）態様を緩やかに模擬してもよい。人工ニューラルネットワークの各ニューラルユニットは、ニューラルネットワークの多くの他のニューラルユニットと接続されてもよい。このような接続は、接続されたニューラルユニットの活性化状態に対する影響を助長または抑制しうる。いくつかの実施形態では、個々のニューラルユニットが、全ての入力の値を組み合わせる合計機能を有してもよい。いくつかの実施形態では、各接続（またはニューラルユニット自体）が、信号が他のニューラルユニットに伝わるためには閾値を超えなければならないように閾値機能を有してもよい。これらのニューラルネットワークシステムは、明示的にプログラムされる代わりに自己学習および訓練してもよく、従来のコンピュータプログラムと比べて、問題解決の特定のエリアにおいて有意に優れた性能を発揮できる。いくつかの実施形態では、一または複数の人工ニューラルネットワークが、複数の層（例えば、信号経路がフロント層からバック層に及ぶ）を含んでもよい。いくつかの実施形態では、前方刺激が「フロント」ニューラルユニット上の重みおよび／またはバイアスをリセットするために使用される、人工ニューラルネットワークによるバックプロパゲーション技術が利用されてもよい。いくつかの実施形態では、接続がより無秩序および複雑な態様で相互作用して、一または複数のニューラルネットワークについての刺激および抑制が、より自由に流れてもよい。いくつかの実施形態では、一または複数の人工ニューラルネットワークの中間層が、一または複数の畳み込み層、一または複数の回帰層、および／または他の層を含む。非限定的な例として、人工ニューラルネットワークは、入力層、三つの隠れた層、および出力層の間に分布する10個のニューロンを有してもよい。このような人工ニューラルネットワークは、複数の次元における非線型性を捉えるための十分な自由度を有してもよく、典型的な演算システム（例えば、ラップトップ）上で10kHzより高いサンプリングレートでフィードフォワード信号を演算してもよい。なお、これは、専用のコードおよびハードウェアがあれば、より速くなりうる。
一または複数のニューラルネットワークは、訓練データの組を使用して（例えば、ここで記述されるように）訓練されてもよい（すなわち、そのパラメータが決定されてもよい）。訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備えてもよい。訓練データは、訓練サンプルの組を含んでもよい。各サンプルは、入力オブジェクト（しばしば、フィーチャベクトルと呼ばれてもよいベクトルとしてフォーマットされる）および所望の出力値（監視信号とも呼ばれる）を備えるペアでもよい。訓練アルゴリズムは、訓練データを分析し、訓練データに基づいて、人工ニューラルネットワークのパラメータ（例えば、一または複数の層の重み、バイアスおよび／または他のパラメータ）を調整することによって、人工ニューラルネットワークの振る舞いを調整する。例えば、｛（ｘ１、ｙ１）、（ｘ２、ｙ２）、…、（ｘＮ、ｙＮ）｝の形（ｘｉはｉ番目の例のフィーチャベクトルであり、ｙｉはその監視信号である）のN個の訓練サンプルの組が与えられると、訓練アルゴリズムは、ニューラルネットワーク「g:X→Y」（Xは入力空間であり、Yは出力空間である）を探索する。フィーチャベクトルは、いくつかのオブジェクト（例えば、動作設定点等の制御入力、フィードフォワード信号等の制御出力等）を表す数値フィーチャのｎ次元のベクトルである。これらのベクトルに関連するベクトル空間は、しばしばフィーチャまたは潜在空間と呼ばれる。訓練後のニューラルネットワークは、新しいサンプル（例えば、異なる動作設定点および／または他の制御入力）を使用して予測を行うために使用されてもよい。
いくつかの実施形態では、訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備える。目標パラメータを変えることは、例えば、動作設定点によって記述されてもよい。目標パラメータを変えることは、位置、位置の高次時間微分、速度、加速度、および／または他のパラメータを含んでもよい。いくつかの実施形態では、訓練制御入力が、例えば、経時的なコンポーネントの位置、位置の高次時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備えてもよい。いくつかの実施形態では、訓練制御入力が、経時的なコンポーネントの位置および位置の高次時間微分、例えば、速度または加速度の少なくともいずれかを示すデジタル信号を備えてもよい。いくつかの実施形態では、訓練制御入力が、擾乱力（例えば、前述されたようなもの）および／または他の情報を含んでもよい。
訓練制御出力は、例えば、既知のフィードフォワード信号を備えてもよい。これらは、複数の動作設定点（例えば、目標パラメータを変えること）に対応するコンポーネントについての、複数の既知の力、トルク、電流、電荷、電圧、および／または他の情報を含んでもよい。ベンチマーク訓練データの具体例は、例えば、反復学習制御データを備える制御入力および出力、マシンインループ最適化されたフィードフォワード信号、および／または他のデータを含んでもよい。ベンチマーク訓練データは、エラーデータ（例えば、コンポーネントの所定の位置／速度／加速度等および実際の位置／速度／加速度等の間の差を示すデータ）、および／または他の情報を含んでもよい。
訓練された人工ニューラルネットワークは、制御入力に基づいて、コンポーネントについての制御出力を決定するように構成される。制御入力が訓練データ外になるか否かによらず人工ニューラルネットワークが制御出力を決定できるように、人工ニューラルネットワークが訓練データで訓練される。このことは、人工ニューラルネットワークが、例えば、既知の動き制御設定点および対応するフィードフォワード信号の間を補間できる、および／または、既知の動き制御設定点および対応するフィードフォワード信号を超えて外挿できることを意味する。
いくつかの実施形態では、訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せである。オフライン訓練は、コンポーネントおよび／または装置とは別に起こる手順を備えてもよい。このことは、人工ニューラルネットワークを訓練する間に、装置製造（例えば、半導体製造）を中断する必要がないことを意味する。オンライン訓練は、訓練ループ内の装置での訓練を備える。装置が訓練動作の実行に必要となるため、これは製造の中断を要求する。
訓練は、人工ニューラルネットワークについての一または複数の係数を生成してもよい。一または複数の係数は、例えば、層および／または個別ニューロン重みおよび／またはバイアス、および／または他の係数を含んでもよい。これらの係数は、モデルの再訓練、ユーザによるマニュアル調整、および／または他のオペレーションに応じて、経時的に変わってもよい。
なお、装置の単一の動きコンポーネントの文脈において人工ニューラルネットワークを訓練することが記述されるが、人工ニューラルネットワークは、一または複数の装置における複数の可動コンポーネント、および／または、一または複数のこのようなコンポーネントの間の複合作用を説明できるように訓練されてもよい。例えば、複合作用は、ここで記述される擾乱力を含んでもよい、および／または、もたらしてもよい。
方法８００は、可動コンポーネントについての制御入力を受け取ること８０４を備える。制御入力は、コンポーネントの少なくとも一つの所定の動きを示す。制御入力は、例えば、動作設定点でもよい。いくつかの実施形態では、制御入力は、ステッピングおよび／またはスキャニング（例えば、リソグラフィ装置について）動作設定点を備える。いくつかの実施形態では、動作設定点は、コンポーネントについての目標パラメータを変えることを備える。目標パラメータを変えることは、位置、位置の高次時間微分、速度、加速度、および／または他のパラメータでもよい。いくつかの実施形態では、制御入力は、例えば、経時的なコンポーネントの位置、位置の高次時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備える。いくつかの実施形態では、制御入力は、経時的なコンポーネントの位置および位置の高次時間微分、例えば、速度または加速度の少なくともいずれかを示すデジタル信号を備える。いくつかの実施形態では、制御入力は、図７に示されるＳＰ１および／またはＳＰ２と同様および／または同一でもよい。例えば、制御入力は、コンポーネント（例えば、レチクルステージ）についての経時的な異なる位置を規定してもよい。制御入力は、三角波（ＳＰ１）、正弦波（ＳＰ２）、および／または任意の他のパターンに従って動きを規定してもよい。但し、少なくとも本システムおよび方法は人工ニューラルネットワーク（訓練に基づいて、補間および／または外挿できるもの）を利用するため、制御入力は訓練について使用された制御入力と同じである必要はない。有利なことには、制御入力は、訓練について使用された動作設定点内にある動作設定点（例えば、訓練について使用された動作設定点における対応するパラメータと異なるが、それについての値の範囲の限界を破らないパラメータを有するもの）でもよい、および／または、訓練について使用された動作設定点外の動作設定点（例えば、訓練について使用された動作設定点における対応するパラメータについての値の範囲の限界を破るパラメータを有するもの）でもよい。
いくつかの実施形態では、制御入力は、予めフィルタリングされる。フィルタリングは、ローパス、ハイパス、バンドパス、および／または他のフィルタリングを含んでもよい。フィルタリングは、ニューラルネットワークが「アクティブ」となる周波数帯域幅を制限して、増幅器の飽和および／または他の影響を回避するために実行されてもよい。他の例として、三角関数（正弦、余弦）等の非線型解析関数が、ニューラルネットワークの入力および出力の間をより単純に関連付けるために適用されてもよい（例えば、影響が周波数において反復的であるか否かを知りたい場合、これによって訓練プロセスを短縮できる）。
図８を参照して、方法８００は、制御出力を人工ニューラルネットワークで決定すること８０６を備える。制御出力は、制御入力および／または他の情報に基づいて、訓練された人工ニューラルネットワークで決定される。制御出力は、例えば、フィードフォワード信号でもよい、および／または、フィードフォワード信号を含んでもよい。いくつかの実施形態では、前述されたように、制御出力は、コンポーネントの動きを制御するために使用される、力、トルク、電流、電圧、電荷および／または他の情報を備える。
いくつかの実施形態では、制御出力が、力、トルク、電流、電圧、電荷、および／または図７に示されるようなＦ１～Ｆ４および／またはＭ１～Ｍ２と同様および／または同一の他の情報を含んでもよい。例えば、制御出力は、制御入力（例えば、動作設定点）に応じて、コンポーネント（例えば、レチクルステージ）についての経時的な異なる力（例えば、Ｆ１およびＦ２対Ｆ３およびＦ４）および／またはモーメント（Ｍ１対Ｍ２）等を示してもよい。また、少なくとも本システムおよび方法は人工ニューラルネットワーク（訓練に基づいて、補間および／または外挿できるもの）を利用するため、制御出力は訓練について使用された制御出力と同じである必要はない。有利なことには、制御出力は、訓練について使用されたフィードフォワード信号内にあるフィードフォワード信号でもよい、および／または、訓練について使用されたフィードフォワード信号外のフィードフォワード信号でもよい。
図８に戻り、方法８００は、少なくとも制御出力に基づいて、装置の動きコンポーネントを制御すること８０８を備える。可動コンポーネントを制御すること８０８は、フィードフォワード信号および／または他の電子信号を生成することを含んでもよい。可動コンポーネントを制御すること８０８は、フィードフォワード信号および／または他の電子信号を、可動コンポーネント（および／または可動コンポーネントを制御する一または複数のアクチュエータ）および／またはコンポーネントを含む装置全体に対して送信することを含んでもよい。コンポーネントの動きは、制御出力に対する追加的な情報に基づいて制御されてもよい。例えば、コンポーネントの動きは、フィードバック制御情報（例えば、図３および／または図６におけるFBを参照）、通常の物理学によって支配されるコンポーネントの動き（例えば、図３および／または図６におけるFFを参照）、および／または他の情報に基づいて制御されてもよい。好ましい実施形態では、全ての既知および通常物理学の情報が、フィードフォワード信号ＦＦを介して正確にモデル化および制御される。
非限定的な例として、図９は、人工ニューラルネットワークＰＭを含む本システムの実施形態を示す。図９は、本システムが、物理学に基づくフィードフォワード（マスおよびスナップフィードフォワード等）の後の（しばしば非線型の）残余にフォーカスする、データに基づくフィードフォワードのアドオンとして解釈されうることを例示する。これは、既存の制御方法に対する機械学習モデルに基づく制御の相補的な実装を可能にする。図９は、人工ニューラルネットワークＰＭが、ILCについて使用される構成と異なるが、それでも他のシステムコンポーネントに対する相補的なアドオンとして加えられてもよいことを例示する。ここで記述されるように、および、図９に示されるように、本システムのプロセッサ（以下の図１０を参照）は、可変設定点ＳＰ等の、および／または、可変設定点ＳＰを含む制御入力を受け取るように構成される。制御入力は、ステージＳＴ等のコンポーネントについての少なくとも一つの所定の動きを示す。プロセッサは、制御入力ＳＰに基づいて、コンポーネントについての制御出力P/V/Aを人工ニューラルネットワークＰＭで決定するように構成される。制御入力ＳＰが訓練データ外になるか否かによらず人工ニューラルネットワークＰＭが制御出力を決定できるように、人工ニューラルネットワークＰＭは訓練データで訓練される。プロセッサは、少なくとも制御出力に基づいてコンポーネントＳＴを制御する（アクチュエータＡＣＴを介して）。図９に示される例では、プロセッサは、（フィードバックコントローラＦＢからの）フィードバック情報およびフィードフォワードコントローラＦＦからの情報にも基づいて、コンポーネントＳＴを制御する。この例は、発明を限定する趣旨ではない。
ここで記述されるように、制御入力（例えば、動作設定点）が訓練データ外になるか否かによらず、人工ニューラルネットワークはコンポーネントについての制御出力を決定できる。人工ニューラルネットワークは、効果的に補間および外挿できる。訓練データの動作設定点の間の動作設定点（例えば、リソグラフィ装置についての各種のスキャン速度、スキャン長、およびスキャン加速度を備える）は、人工ニューラルネットワークによって正確に補間される（ILCケース前に対して90%より高い）。本システムおよび方法によれば、動作設定点についての（スキャン）加速度を外挿すること（外挿された動作設定点を生成するための）が、やはり優れたパフォーマンス（例えば、75%以上の正確性）を与える。
図１０は、一実施形態に係るコンピュータシステムＣＳの一例のブロック図である。コンピュータシステムＣＳは、ここで開示される方法、フロー、または装置の実施を支援してもよい。コンピュータシステムＣＳは、バスＢＳまたは情報を通信するための他の通信メカニズム、およびバスＢＳと結合された情報を処理するためのプロセッサＰＲＯ（または複数のプロセッサ）を含む。コンピュータシステムＣＳは、バスＢＳに結合され、情報およびプロセッサＰＲＯによって実行される命令を格納するための、ランダムアクセスメモリ（RAM）または他の動的記憶デバイス等の主メモリＭＭも含む。主メモリＭＭは、例えば、プロセッサＰＲＯによって実行される命令の実行中の一時的な変数または他の中間情報を格納するために使用されてもよい。コンピュータシステムＣＳは、バスＢＳに結合され、プロセッサＰＲＯのための静的な情報および命令を格納するための、リードオンリーメモリ（ROM）ＲＯＭまたは他の静的記憶デバイスを含む。磁気ディスクまたは光学ディスク等のストレージデバイスＳＤが提供され、情報および命令を格納するためにバスＢＳに結合される。
コンピュータシステムＣＳは、コンピュータのユーザに対して情報を表示するためのブラウン管（CRT）またはフラットパネルまたはタッチパネルディスプレイ等のディスプレイＤＳに、バスＢＳを介して結合されてもよい。アルファベットと数字の組合せおよび他のキーを含む入力デバイスＩＤは、情報およびコマンド選択をプロセッサＰＲＯに通信するためにバスＢＳに結合される。他のタイプのユーザ入力デバイスは、方向情報およびコマンド選択をプロセッサＰＲＯに通信し、ディスプレイＤＳ上のカーソルの動きを制御するための、マウス、トラックボール、またはカーソル方向キー等のカーソルコントロールＣＣである。この入力デバイスは、典型的に二つの軸（第１軸（例えば、ｘ）および第２軸（例えば、ｙ））における二つの自由度を有し、デバイスが面内の位置を指定することを可能にする。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。
いくつかの実施形態では、ここで記述される一または複数の方法の一部が、主メモリＭＭに格納されている一または複数の命令の一または複数のシーケンスを実行するプロセッサＰＲＯに応じて、コンピュータシステムＣＳによって実行されてもよい。このような命令は、ストレージデバイスＳＤ等の他のコンピュータ読取可能媒体から主メモリＭＭに読み出されてもよい。主メモリＭＭに格納されている命令のシーケンスの実行は、ここで記述される処理ステップをプロセッサＰＲＯに実行させる。マルチプロセッサ配置における一または複数のプロセッサが、主メモリＭＭに格納されている命令のシーケンスを実行するために利用されてもよい。いくつかの実施形態では、ハードウェア実装される回路が、ソフトウェア命令の代わりにまたはソフトウェア命令との組合せで使用されてもよい。このように、ここでの記述は、ハードウェア回路およびソフトウェアの特定の組合せに限定されない。
ここで使用される用語「コンピュータ読取可能媒体」は、プロセッサＰＲＯに対して実行のために命令を提供することに関与する任意の媒体を表す。このような媒体は、不揮発性媒体、揮発性媒体、および伝送媒体を含むが、これらに限定されない多くの形態を取ってもよい。不揮発性媒体は、例えば、ストレージデバイスＳＤ等の光学または磁気ディスクを含む。揮発性媒体は、主メモリＭＭ等の動的メモリを含む。伝送媒体は、バスＢＳを構成する線を含む同軸ケーブル、銅線および光ファイバを含む。伝送媒体は、高周波（RF）および赤外線（IR）データ通信中に生成されるもの等の音響または光の波の形態も取りうる。コンピュータ読取可能媒体は、非一時的な、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、任意の他の磁気媒体、CD-ROM、DVD、任意の他の光学媒体、パンチカード、紙テープ、穴のパターンを有する任意の他の物理媒体、RAM、PROM、およびEPROM、FLASH-EPROM、任意の他のメモリチップまたはカートリッジでもよい。非一時的コンピュータ読取可能媒体は、命令が記録されうる。命令は、コンピュータによって実行された時に、ここで記述される任意の特徴を実施できる。一時的コンピュータ読取可能媒体は、搬送波または他の伝播する電磁気信号を含みうる。
各種の形態のコンピュータ読取可能媒体が、一または複数の命令の一または複数のシーケンスの、実行のためのプロセッサＰＲＯへの搬送に関与してもよい。例えば、命令は、最初、遠隔のコンピュータの磁気ディスク上に保持されていてもよい。遠隔のコンピュータは、その動的メモリに命令をロードし、モデムを使用する電話線上で命令を送信できる。コンピュータシステムＣＳに設けられるモデムは、電話線上でデータを受け取り、赤外線送信機を使用してデータを赤外線信号に変換できる。バスＢＳに結合された赤外線検出器は、赤外線信号で搬送されるデータを受け取り、データをバスＢＳ上に置ける。バスＢＳはデータを主メモリＭＭに伝送し、そこからプロセッサＰＲＯが命令を取得および実行する。主メモリＭＭによって受け取られた命令は、オプションで、プロセッサＰＲＯによる実行前または実行後にストレージデバイスＳＤ上に格納されてもよい。
コンピュータシステムＣＳは、バスＢＳに結合された通信インターフェースＣＩを含んでもよい。通信インターフェースＣＩは、ローカルネットワークＬＡＮに接続されるネットワークリンクＮＤＬに対する双方向データ通信結合を提供する。例えば、通信インターフェースＣＩは、対応するタイプの電話線に対するデータ通信接続を提供するISDN（Integrated Services Digital Network）カードまたはモデムでもよい。他の例として、通信インターフェースＣＩは、互換性のあるLANに対する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。無線リンクが実装されてもよい。任意のこのような実装では、通信インターフェースＣＩが、各種の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、電磁気または光信号を送受信する。
ネットワークリンクＮＤＬは、典型的に、一または複数のネットワークを通じた、他のデータデバイスへのデータ通信を提供する。例えば、ネットワークリンクＮＤＬは、ローカルネットワークＬＡＮを通じたホストコンピュータＨＣに対する接続を提供してもよい。これは、一般的に「インターネット」ＩＮＴと表される全世界パケットデータ通信ネットワークを通じて提供されるデータ通信サービスを含みうる。ローカルネットワークＬＡＮ（インターネット）は、デジタルデータストリームを搬送する電気、電磁気または光信号を使用する。コンピュータシステムＣＳとの間のデジタルデータを搬送する、各種のネットワークを通じた信号およびネットワークデータリンクＮＤＬ上のおよび通信インターフェースＣＩを通じた信号は、搬送波が搬送する情報の例示的な形態である。
コンピュータシステムＣＳは、ネットワーク、ネットワークデータリンクＮＤＬ、および通信インターフェースＣＩを通じて、メッセージを送信でき、プログラムコードを含むデータを受信できる。インターネットの例では、ホストコンピュータＨＣが、インターネットＩＮＴ、ネットワークデータリンクＮＤＬ、ローカルネットワークＬＡＮおよび通信インターフェースＣＩを通じて、アプリケーションプログラムのための要求されたコードを送信してもよい。一つのこのようにダウンロードされたアプリケーションは、例えば、ここで記述される方法の全部または一部を提供してもよい。受け取られたコードは、そのままプロセッサＰＲＯによって実行されてもよい、および／または、後の実行のためにストレージデバイスＳＤ、または他の不揮発性ストレージに格納されてもよい。このように、コンピュータシステムＣＳは、搬送波の形でアプリケーションコードを取得できる。
本テキストにおいて、ICの製造におけるリソグラフィ装置の使用についての具体的な参照がなされたかもしれないが、ここで記述されるリソグラフィ装置は他の用途を有してもよいと理解されるべきである。可能性のある他の用途は、集積光学システム、磁気ドメインメモリのためのガイダンスおよび検出パターン、フラットパネルディスプレイ、液晶ディスプレイ（LCD）、薄膜磁気ヘッド等の製造を含む。
本テキストにおいて、リソグラフィ装置の文脈における発明の実施形態についての具体的な参照がなされたかもしれないが、発明の実施形態は他の装置で使用されてもよい。発明の実施形態は、マスク検査装置、計測装置、またはウェーハ（または他の基板）またはマスク（または他のパターニングデバイス）等のオブジェクトを測定または処理する任意の装置の一部を構成してもよい。これらの装置は、一般的にリソグラフィツールと表されてもよい。このようなリソグラフィツールは、真空条件または大気（非真空）条件を使用してもよい。
以上において、光学リソグラフィの文脈における発明の実施形態の使用についての具体的な参照がなされたかもしれないが、発明は、文脈が許す限り、光学リソグラフィに限定されず、インプリントリソグラフィ等の他の用途に使用されてもよいと理解される。
文脈が許す限り、発明の実施形態は、ハードウェア、ファームウェア、ソフトウェア、またはこれらの任意の組合せで実装されてもよい。発明の実施形態は、一または複数のプロセッサによって読み出されて実行されてもよい機械読取可能媒体上に格納された命令として実装されてもよい。ここで記述されるように、機械読取可能媒体は、機械（例えば、演算デバイス）によって読み取り可能な形態で、情報を格納または送信するための任意のメカニズムを含んでもよい。例えば、機械読取可能媒体は、リードオンリーメモリ（ROM）、ランダムアクセスメモリ（RAM）、磁気記憶媒体、光学記憶媒体、フラッシュメモリデバイス、電気、光、音響または他の形態の伝送信号（例えば 搬送波、赤外線信号、デジタル信号等）、その他を含んでもよい。更に、ファームウェア、ソフトウェア、ルーチン、命令は、特定のアクションを実行するものとして記述されてもよい。但し、このような記述は単に便宜的なものであり、このようなアクションは実際には、演算デバイス、プロセッサ、コントローラ、またはファームウェア、ソフトウェア、ルーチン、命令等を実行する他のデバイスによってもたらされ、アクチュエータまたは他のデバイスに物理的な世界と相互作用させてもよいと理解されるべきである。
発明の具体的な実施形態が前述されたが、発明は記述されたものと異なる態様で実施されてもよいと理解される。以上の記述は、例示を目的としており、発明を限定する趣旨ではない。このように、以下で提示される請求項の範囲から逸脱することなく、記述された発明に改変が加えられてもよいことは当業者にとって自明である。発明の他の側面は、以下の番号が付された項目のように提示される。
１．
少なくとも一つの所定の動きに沿って動くように構成されるコンポーネントと、
プロセッサと、
を備え、
プロセッサは、
コンポーネントについての少なくとも一つの所定の動きを示す制御入力を受け取ることと、
制御入力に基づいて、コンポーネントについての制御出力を訓練された機械学習モデルで決定することと、
少なくとも制御出力に基づいてコンポーネントを制御することと、
を機械読取可能命令によって実行するように構成され、
制御入力が訓練データ外になるか否かによらず機械学習モデルが制御出力を決定できるように、機械学習モデルが訓練データで訓練される、
装置。
２．
機械学習モデルは、人工ニューラルネットワークである、項目１に記載の装置。
３．
制御入力は、（１）予めフィルタリングされる、および／または、（２）スキャニングおよび／またはステッピング動作設定点を備える、項目１または２に記載の装置。
４．
動作設定点は、コンポーネントについての目標パラメータを変えることを備える、項目３に記載の装置。
５．
装置は、半導体リソグラフィ装置、光学計測検査ツール、または電子ビーム検査ツールを備える、項目１から４のいずれかに記載の装置。
６．
コンポーネントは、フォトリソグラフィのための一または複数の位置内および／または外に動くように構成される、レチクルステージ、ウェーハステージ、ミラー、またはレンズ要素を備える、項目１から５のいずれかに記載の装置。
７．
制御入力は、経時的なコンポーネントの位置、位置の高次時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備える、項目１から６のいずれかに記載の装置。
８．
制御入力は、経時的なコンポーネントの位置および位置の高次時間微分、例えば、速度または加速度の少なくともいずれかを示すデジタル信号を備える、項目１から６のいずれかに記載の装置。
９．
制御出力は、コンポーネントの動きを制御するために使用される力、トルク、電流、電圧、または電荷の少なくともいずれかを備える、項目１から８のいずれかに記載の装置。
１０．
機械学習モデルは、訓練データで予め訓練される、項目１から９のいずれかに記載の装置。
１１．
訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せで実行される、項目１０に記載の装置。
１２．
訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備える、項目１０または１１に記載の装置。
１３．
訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備える、項目１２に記載の装置。
１４．
訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての複数の既知の力、トルク、電流、および／または電圧を備える、項目１３に記載の装置。
１５．
訓練は、機械学習モデルについての一または複数の係数を生成する、項目１０から１４のいずれかに記載の装置。
１６．
装置のコンポーネントを制御するための方法であって、
コンポーネントの少なくとも一つの所定の動きを示す制御入力を受け取ることと、
制御入力に基づいて、コンポーネントについての制御出力を訓練された機械学習モデルで決定することと、
少なくとも制御出力に基づいてコンポーネントを制御することと、
を備え、
制御入力が訓練データ外になるか否かによらず機械学習モデルが制御出力を決定できるように、機械学習モデルが訓練データで訓練される、
方法。
１７．
機械学習モデルは、人工ニューラルネットワークである、項目１６に記載の方法。
１８．
制御入力は、（１）予めフィルタリングされる、および／または、（２）ステッピングおよび／またはスキャニング動作設定点を備える、項目１６または１７に記載の方法。
１９．
動作設定点は、コンポーネントについての目標パラメータを変えることを備える、項目１８に記載の方法。
２０．
装置は、半導体リソグラフィ装置、光学計測検査ツール、または電子ビーム検査ツールを備える、項目１６から１９のいずれかに記載の方法。
２１．
コンポーネントは、フォトリソグラフィのための一または複数の位置内および／または外に動くように構成される、レチクルステージ、ウェーハステージ、ミラー、またはレンズ要素を備える、項目１６から２０のいずれかに記載の方法。
２２．
制御入力は、経時的なコンポーネントの位置、位置の高次時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備える、項目１６から２１のいずれかに記載の方法。
２３．
制御入力は、経時的なコンポーネントの位置および位置の高次時間微分、例えば、速度または加速度の少なくともいずれかを示すデジタル信号を備える、項目１６から２１のいずれかに記載の装置。
２４．
制御出力は、コンポーネントの動きを制御するために使用される力、トルク、電流、電圧、または電荷の少なくともいずれかを備える、項目１６から２３のいずれかに記載の方法。
２５．
機械学習モデルが訓練データで予め訓練される、項目１６から２４のいずれかに記載の方法。
２６．
訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せで実行される、項目２５に記載の方法。
２７．
訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備える、項目２５または２６に記載の方法。
２８．
訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備える、項目２７に記載の方法。
２９．
訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての複数の既知の力、トルク、電流、および／または電圧を備える、項目２８に記載の方法。
３０．
訓練は、機械学習モデルについての一または複数の係数を生成する、項目２５から２９のいずれかに記載の方法。
３１．
コンピュータによって実行された時に項目１６から３０のいずれかに記載の処理を実施する命令が格納された非一時的コンピュータ読取可能媒体。
３２．
命令が格納された非一時的コンピュータ読取可能媒体であって、
命令は、コンピュータによって実行された時に、
装置のコンポーネントの少なくとも一つの所定の動きを示す制御入力を受け取ることと、
制御入力に基づいて、コンポーネントについての制御出力を訓練された機械学習モデルで決定することと、
少なくとも制御出力に基づいてコンポーネントを制御することと、
をコンピュータに実行させ、
制御入力が訓練データ外になるか否かによらず機械学習モデルが制御出力を決定できるように、機械学習モデルが訓練データで訓練される、
非一時的コンピュータ読取可能媒体。
３３．
機械学習モデルは、人工ニューラルネットワークである、項目３２に記載の媒体。
３４．
制御入力は、（１）予めフィルタリングされる、および／または、（２）ステッピングおよび／またはスキャニング動作設定点を備える、項目３２または３３に記載の媒体。
３５．
設定点は、コンポーネントについての目標パラメータを変えることを備える、項目３４に記載の媒体。
３６．
装置は、半導体リソグラフィ装置、光学計測検査ツール、または電子ビーム検査ツールを備える、項目３２から３５のいずれかに記載の媒体。
３７．
コンポーネントは、フォトリソグラフィのための一または複数の位置内および／または外に動くように構成される、レチクルステージ、ウェーハステージ、ミラー、またはレンズ要素を備える、項目３２から３６のいずれかに記載の媒体。
３８．
制御入力は、経時的なコンポーネントの位置、高次時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備える、項目３２から３７のいずれかに記載の媒体。
３９．
制御入力は、経時的なコンポーネントの位置および位置の高次時間微分、例えば、速度または加速度の少なくともいずれかを示すデジタル信号を備える、項目３２から３７のいずれかに記載の装置。
４０．
制御出力は、コンポーネントの動きを制御するために使用される力、トルク、電流、電圧、または電荷の少なくともいずれかを備える、項目３２から３９のいずれかに記載の媒体。
４１．
機械学習モデルが訓練データで予め訓練される、項目３２から４０のいずれかに記載の媒体。
４２．
訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せで実行される、項目４１に記載の媒体。
４３．
訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備える、項目４１または４２に記載の媒体。
４４．
訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備える、項目４３に記載の媒体。
４５．
訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての複数の既知の力、トルク、電流、および／または電圧を備える、項目４３または４４に記載の媒体。
４６．
訓練は、機械学習モデルについての一または複数の係数を生成する、項目４１から４５のいずれかに記載の媒体。
４７．
命令が格納された非一時的コンピュータ読取可能媒体であって、
命令は、コンピュータによって実行された時に、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備える訓練データで、機械学習モデルを訓練すること、をコンピュータに実行させ、
訓練された機械学習モデルは、制御入力に基づいて、装置のコンポーネントについての制御出力を決定するように構成され、
制御入力が訓練データ外になるか否かによらず機械学習モデルが制御出力を決定できるように、機械学習モデルが訓練データで訓練され、
制御入力は、コンポーネントの少なくとも一つの所定の動きを示し、
装置は、少なくとも制御出力に基づいて制御されるように構成される、
非一時的コンピュータ読取可能媒体。
４８．
訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せである、項目４７に記載の媒体。
４９．
訓練制御入力は、コンポーネントについての複数の目標パラメータを変えることを備える、項目４７または４８に記載の媒体。
５０．
訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての複数の既知の力、トルク、電流、および／または電圧を備える、項目４７から４９のいずれかに記載の媒体。
５１．
訓練は、機械学習モデルについての一または複数の係数を生成する、項目４７から５０のいずれかに記載の媒体。

Claims (12)

  1. 少なくとも一つの所定の動きに沿って動くように構成されるコンポーネントと、
    プロセッサと、
    を備える装置であって、
    プロセッサは、
    コンポーネントについての少なくとも一つの所定の動きを示す制御入力を受け取ることと、
    制御入力に基づいて、コンポーネントについてフィードフォワード出力を訓練された人工ニューラルネットワークで決定することと、
    少なくとも制御出力に基づいてコンポーネントを制御することと、
    を機械読取可能命令によって実行するように構成され、
    制御入力が訓練データセット外になるか否かによらず人工ニューラルネットワークが制御出力を決定できるように、人工ニューラルネットワークが訓練データで予め訓練される、
    装置。
  2. 制御入力は、予めフィルタリングされる、請求項１に記載の装置。
  3. 動作設定点は、コンポーネントについての目標パラメータを変えることを備える、請求項２に記載の装置。
  4. 半導体リソグラフィ装置、光学計測検査ツール、または電子ビーム検査ツールを備える、請求項１から３のいずれかに記載の装置。
  5. コンポーネントは、フォトリソグラフィのために動くように構成される、レチクルステージ、ウェーハステージ、ミラー、またはレンズ要素を備える、請求項１から４のいずれかに記載の装置。
  6. 制御入力は、経時的なコンポーネントの位置、位置の三次以上の時間微分、速度、または加速度の少なくともいずれかを示すデジタル信号を備える、請求項１から５のいずれかに記載の装置。
  7. 制御入力は、経時的なコンポーネントの位置および位置の一次以上の時間微分を示すデジタル信号を備える、請求項１から５のいずれかに記載の装置。
  8. 訓練は、オフライン、オンライン、またはオフラインおよびオンラインの組合せで実行される、請求項７に記載の装置。
  9. 訓練データは、複数のベンチマーク訓練制御入力および対応する訓練制御出力のペアを備える、請求項８に記載の装置。
  10. 訓練制御出力は、複数の目標パラメータを変えることに対応する、コンポーネントについての既知の力、トルク、電流、および／または電圧のうち複数を備える、請求項９に記載の装置。
  11. 訓練は、人工ニューラルネットワークについての一または複数の係数を生成する、請求項８から１０のいずれかに記載の装置。
  12. 動くように構成される物理的な構造と、
    前記物理的な構造を動かすように構成されるモータと、
    前記モータに接続される一または複数のプロセッサと、
    を備え、
    前記一または複数のプロセッサは、
    前記物理的な構造についてのフィードフォワード信号を、第１制御入力に基づいて決定するように構成されるフィードフォワード制御を実行し、
    前記フィードフォワード制御後の残余に対処する前記物理的な構造についての補償信号を、第２制御入力に基づいて決定するように構成される物理学に従ったニューラルネットワークを実行するように構成され、
    前記物理学に従ったニューラルネットワークは、前記フィードフォワード制御と同時および相補的に動作し、
    前記フィードフォワード信号および前記補償信号は、組み合わされて制御出力を形成するように構成され、
    前記一または複数のプロセッサは、前記制御出力に基づいて前記物理的な構造を動かすように、前記モータを制御するように構成される、
    動き制御システム。
JP2024092991A 2020-07-09 2024-06-07 人工ニューラルネットワークを使用する動き制御 Pending JP2024125314A (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063049719P 2020-07-09 2020-07-09
US63/049,719 2020-07-09
PCT/EP2021/066479 WO2022008198A1 (en) 2020-07-09 2021-06-17 Motion control using an artificial neural network
JP2023501074A JP7503196B2 (ja) 2020-07-09 2021-06-17 人工ニューラルネットワークを使用する動き制御

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2023501074A Division JP7503196B2 (ja) 2020-07-09 2021-06-17 人工ニューラルネットワークを使用する動き制御

Publications (1)

Publication Number Publication Date
JP2024125314A true JP2024125314A (ja) 2024-09-18

Family

ID=76662453

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2023501074A Active JP7503196B2 (ja) 2020-07-09 2021-06-17 人工ニューラルネットワークを使用する動き制御
JP2024092991A Pending JP2024125314A (ja) 2020-07-09 2024-06-07 人工ニューラルネットワークを使用する動き制御

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2023501074A Active JP7503196B2 (ja) 2020-07-09 2021-06-17 人工ニューラルネットワークを使用する動き制御

Country Status (7)

Country Link
US (1) US20230315027A1 (ja)
JP (2) JP7503196B2 (ja)
KR (1) KR20230022237A (ja)
CN (1) CN115989459A (ja)
NL (1) NL2028478A (ja)
TW (1) TWI808448B (ja)
WO (1) WO2022008198A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118068656B (zh) * 2024-02-26 2024-10-18 哈尔滨工业大学 基于不确定性补偿的超精密光刻装备学习控制系统及方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2929538B2 (ja) * 1988-08-19 1999-08-03 株式会社 エイ・ティ・アール視聴覚機構研究所 非線形システム学習制御装置
JPH09101822A (ja) * 1995-10-06 1997-04-15 Fujitsu Ltd 姿勢安定化装置
US7058617B1 (en) * 1996-05-06 2006-06-06 Pavilion Technologies, Inc. Method and apparatus for training a system model with gain constraints
SG121818A1 (en) 2002-11-12 2006-05-26 Asml Netherlands Bv Lithographic apparatus and device manufacturing method
JP2004311904A (ja) * 2003-04-10 2004-11-04 Nikon Corp ステージ制御装置及び露光装置
US7791727B2 (en) 2004-08-16 2010-09-07 Asml Netherlands B.V. Method and apparatus for angular-resolved spectroscopic lithography characterization
US7818073B2 (en) 2006-04-20 2010-10-19 Asml Netherlands B.V. Method for obtaining improved feedforward data, a lithographic apparatus for carrying out the method and a device manufacturing method
US8014881B2 (en) * 2007-02-15 2011-09-06 Asml Netherlands B.V. Lithographic apparatus and device manufacturing method
NL1036245A1 (nl) 2007-12-17 2009-06-18 Asml Netherlands Bv Diffraction based overlay metrology tool and method of diffraction based overlay metrology.
NL1036734A1 (nl) 2008-04-09 2009-10-12 Asml Netherlands Bv A method of assessing a model, an inspection apparatus and a lithographic apparatus.
NL1036857A1 (nl) 2008-04-21 2009-10-22 Asml Netherlands Bv Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method.
JP5584689B2 (ja) 2008-10-06 2014-09-03 エーエスエムエル ネザーランズ ビー．ブイ． ２次元ターゲットを用いたリソグラフィの焦点及びドーズ測定
WO2012022584A1 (en) 2010-08-18 2012-02-23 Asml Netherlands B.V. Substrate for use in metrology, metrology method and device manufacturing method
US8756047B2 (en) * 2010-09-27 2014-06-17 Sureshchandra B Patel Method of artificial nueral network loadflow computation for electrical power system
CN111051993B (zh) * 2017-09-08 2022-06-28 Asml荷兰有限公司 用于机器学习辅助的光学邻近误差校正的训练方法
NL2021938B1 (en) * 2018-11-05 2020-05-15 Suss Microtec Lithography Gmbh Method for measuring a thickness of a layer, method for controlling a substrate processing device as well as substrate processing device

Also Published As

Publication number Publication date
JP7503196B2 (ja) 2024-06-19
TWI808448B (zh) 2023-07-11
WO2022008198A1 (en) 2022-01-13
NL2028478A (en) 2022-02-28
CN115989459A (zh) 2023-04-18
US20230315027A1 (en) 2023-10-05
KR20230022237A (ko) 2023-02-14
JP2023533027A (ja) 2023-08-01
TW202217467A (zh) 2022-05-01

Similar Documents

Publication Publication Date Title
JP7523601B2 (ja) パターニングプロセスの調整方法
EP3807720B1 (en) Method for configuring a semiconductor manufacturing process, a lithographic apparatus and an associated computer program product
KR102087310B1 (ko) 패터닝 프로세스 오차를 정정하기 위한 방법 및 장치
JP2024125314A (ja) 人工ニューラルネットワークを使用する動き制御
TWI754539B (zh) 用於製程度量之察覺製程控制的系統及方法
TWI811870B (zh) 光學成像系統、用於使用光學成像系統對物件成像之方法、及相關的度量衡器件及光學檢測器件
EP3944020A1 (en) Method for adjusting a patterning process
TWI791321B (zh) 用於組態採樣架構產生模型之方法及電腦程式
EP4216106A1 (en) Method for controlling a production system and method for thermally controlling at least part of an environment
EP4105719A1 (en) Causal convolution network for process control
EP4120019A1 (en) Method of determining a correction for at least one control parameter in a semiconductor manufacturing process
TW202221427A (zh) 微影製程之子場控制及相關聯裝置
WO2024074255A1 (en) Method and apparatus for controlling a lithographic apparatus, and a lithographic apparatus
WO2023198359A1 (en) A method of determining a correction for control of a lithography and/or metrology process, and associated devices
JP6071402B2 (ja) 露光装置、デバイスの製造方法及びステージ装置
CN114746810A (zh) 用于确定光刻设备的控制数据的方法和设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240607