JP5606313B2 - ウエハの領域全体の半導体パラメータを予測するための装置および方法 - Google Patents

Description

本発明は半導体製造プロセスにおいて使用される近似技術に関し、より具体的には、ウエハの未知のパラメータの予測に関する。

半導体製造産業において、特定のウエハパラメータを測定して、予測する必要がある。そのパラメータの１つは、オーバレイ誤差である。オーバレイ誤差とは、ウエハの異なる層上の構造の相対位置をいう。オーバレイ誤差が大きいほど、構造はきちんと整列していない。ウエハ全体にわたるオーバレイ誤差が大き過ぎる場合、そのウエハを組み込んでいる電子装置の性能は低下する。ロット逆ポジショニングといわれるプロセスにおいて、半導体製造者は、ウエハのロットから採取されたサンプル・ウエハのオーバレイ誤差を測定する。サンプル・ウエハ全体にわたるオーバレイ誤差が特定の基準を満たさない場合、そのロットは廃棄される。

ウエハ全体にわたるオーバレイ誤差の近似は、代表的に目標構造の使用に関与する。リソグラフィー・ツールは、ウエハ上の様々な位置で、目標構造を形成する。目標構造は、多くの形態（例えば、ボックス・イン・ボックス）をとることができる。この形態において、あるボックスがウエハの１つの層に生成され、第２の、より小さなボックスが他の層に生成される。局在的なオーバレイ誤差は、２つのボックスの中心との間の配列を比較することによって測定される。この測定は、目標構造が利用できるウエハ上の位置で行われる。

ウエハを適切に評価するために、他の位置のオーバレイ誤差の近似も、必要とされてもよい。この近似を生成するために、上記の測定は、モデル（例えば、高次線形モデル）に入力されてもよい。近似は、それからロット逆ポジショニング・プロセスの一部として使われてもよい。

この近似のために使用する従来のモデルは、しかしながら、限界を有する。モデルは、例えば、予測不可能な変数（例えば、リソグラフィー・ツールの光学的特性）に依存してもよい。モデルは、多数の入力及び出力の間で頻発する複雑な関係と同じ問題を有することがある。従って、ウエハのためのパラメータの予測に対する既存のアプローチの不備に鑑み、先行技術の問題のいくつかを解決する方法の必要がある。

従って、本発明は、複数の既知のパラメータ値を使用している複数の未知のパラメータ値（例えば、オーバレイ誤差またはクリティカル寸法）を予測するための装置及び方法を提供する。

本発明の第１の形態は、ウエハの少なくとも一部分の全体にわたって分配された複数のパラメータ値を予測する方法であって、
前記ウエハ上の複数の特定の測定位置にある複数の目標から測定された複数の既知のパラメータ値を準備するステップと、
訓練されたニューラルネットワークが複数の予測パラメータ値を予測するように、前記測定された既知のパラメータ値を用いてニューラルネットワークを訓練することにより、前記特定の測定位置に対応する前記予測パラメータ値の部分集合が、対応する前記測定された既知のパラメータ値の所定の誤差関数の範囲内となるように、ニューラルネットワークを訓練するステップと、
前記ウエハの少なくとも一部分の全体にわたって分配された複数の位置でパラメータ値を予測するために前記訓練されたニューラルネットワークを使用するステップと、
前記訓練されたニューラルネットワークによって予測された前記予測パラメータ値に基づいて前記ウエハの合格または不合格を決定するステップと、を含み、
前記訓練されたニューラルネットワークは、複数種類の入力と、オーバーレイ誤差に関する出力とを有し、フォトリソグラフィープロセスに関連する前記オーバーレイ誤差を予測するものであり、
前記複数種類の入力は、ウェハ座標値と、領域座標値と、ノイズ測定基準及び系統的測定基準を含む目標品質測定基準と、フォトリソグラフィプロセスパラメータ値を含むプロセス測定基準と、を含む、
方法である。
本発明の第２の形態は、ウエハから測定された、又は、ウェハを形成するプロセスから取得された複数の既知のパラメータ値を準備するステップと、
前記既知のパラメータに基づき複数の未知のパラメータ値を予測するために訓練されたニューラルネットワークモデルを使用するステップと、
を備え、
前記訓練されたニューラルネットワークは、複数種類の入力と、オーバーレイ誤差に関する出力とを有し、フォトリソグラフィープロセスに関連する前記オーバーレイ誤差を予測するものであり、
前記複数種類の入力は、ウェハ座標値と、領域座標値と、ノイズ測定基準及び系統的測定基準を含む目標品質測定基準と、フォトリソグラフィプロセスパラメータ値を含むプロセス測定基準と、を含む、方法である。
本発明の第３の形態は、ウエハの少なくとも一部分の全体にわたって分配された複数のパラメータ値を予測する装置であって、
１つ以上のプロセッサと、
１つ以上のメモリと、を備え、
前記プロセッサの少なくとも１つ及びメモリは、
前記ウエハ上の複数の特定の測定位置の複数の目標から測定された複数の既知のパラメータ値を準備し、
訓練されたニューラルネットワークが複数の予測パラメータ値を予測するように、前記測定された既知のパラメータ値を用いてニューラルネットワークを訓練することにより、前記特定の測定位置に対応する前記予測パラメータ値の部分集合が、対応する前記測定された既知のパラメータ値の所定の誤差関数の範囲内となるように、ニューラルネットワークを訓練し、
前記ウエハの少なくとも一部分の全体にわたって分配された複数の位置でパラメータ値を予測するために、前記訓練されたニューラルネットワークを使用し、
前記訓練されたニューラルネットワークによって予測された予測パラメータ値に基づき、前記ウエハの合格または不合格を決定するように構成されており、
前記訓練されたニューラルネットワークは、複数種類の入力と、オーバーレイ誤差に関する出力とを有し、フォトリソグラフィープロセスに関連する前記オーバーレイ誤差を予測するものであり、
前記複数種類の入力は、ウェハ座標値と、領域座標値と、ノイズ測定基準及び系統的測定基準を含む目標品質測定基準と、フォトリソグラフィプロセスパラメータ値を含むプロセス測定基準と、を含む、装置である。
本発明の第４の形態は、１つ以上のプロセッサと、
１つ以上のメモリと、を備え、
前記プロセッサの少なくとも１つ及びメモリは、
ウエハから測定された、又は、ウェハを形成するプロセスから取得された複数の既知のパラメータ値を準備し、
前記既知のパラメータに基づき複数の未知のパラメータ値を予測するために訓練されたニューラルネットワークモデルを使用する
ように構成されており、
前記訓練されたニューラルネットワークは、複数種類の入力と、オーバーレイ誤差に関する出力とを有し、フォトリソグラフィープロセスに関連する前記オーバーレイ誤差を予測するものであり、
前記複数種類の入力は、ウェハ座標値と、領域座標値と、ノイズ測定基準及び系統的測定基準を含む目標品質測定基準と、フォトリソグラフィプロセスパラメータ値を含むプロセス測定基準と、を含む、装置である。
１つの実施形態において、方法は、ニューラルネットワークを複数のパラメータ値を予測するように訓練することに関する。他の実施態様において、予側プロセスは、フォトリソグラフィー・ツールの光学的特性に依存しない。この予測は、ウエハのロットの処分を決定するために用いることができる。

１つの実施形態において、ウエハの少なくとも一部分に分配された複数のパラメータ値を予測する方法が、開示される。予測パラメータ値は、ウエハ全体にわたり、または、ウエハの１つの領域全体にわたり分配されていてよい。予測パラメータ値は、複数のオーバレイ誤差値または複数のクリティカル寸法値を含んでいてよい。複数の既知のパラメータ値が、準備される。それらの既知のパラメータ値は、ウエハ上の特定の測定位置の複数の目標から測定される。訓練操作において、ニューラルネットワークは、特定の測定位置に対応する予測パラメータ値の部分集合が対応する測定された既知のパラメータ値の所定の誤差関数の範囲内であるように、訓練されたニューラルネットワークが複数の予測パラメータ値を予測するように、測定された既知のパラメータ値を用いて訓練される。使用操作において、訓練されたニューラルネットワークは、ウエハの少なくとも一部分の全体にわたり分配された複数の位置で予測パラメータ値を予測するために用いる。

特定の実施態様において、訓練操作及び使用操作は、ニューラルネットワーク及び訓練されたニューラルネットワークに、フォトリソグラフィー・ツールからの配列測定基準を入力するステップを含んでよい。訓練操作及び使用操作は、ニューラルネットワーク及び訓練されたニューラルネットワークに、ウエハの特性を特徴づける少なくとも1つのプロセス測定基準を入力するステップを含んでよい。訓練操作及び使用操作は、ニューラルネットワーク及び訓練されたニューラルネットワークに、（ｉ）ウエハの少なくとも1つの目標におけるバックグラウンド特性を数値化する少なくとも1つのノイズ測定基準、（ｉｉ）ウエハの少なくとも1つの目標における少なくとも１つの系統的測定基準、（ｉｉｉ）フォトリソグラフィー・ツールからの配列測定基準、及び（ｉｖ）少なくとも1つのプロセス測定基準を入力するステップを含んでよい。決定操作において、ウエハの合格または不合格は、訓練されたニューラルネットワークによって予測された予測パラメータ値に基づいて決定される。

１つの実施形態において、訓練操作及び使用操作は、ニューラルネットワーク及び訓練されたニューラルネットワークに、ウエハの目標の少なくとも１つにおける少なくとも1つの目標測定基準を入力するステップを含んでいてよい。更なる実施形態において、少なくとも1つの目標測定基準は、ウエハの少なくとも1つの目標におけるバックグラウンド特性を数値化するノイズ測定基準を含んでいてよい。少なくとも1つの目標測定基準は、ウエハの少なくとも1つの目標における系統的測定基準を含んでいてよい。

更なる実施形態において、本発明は、ウエハの少なくとも一部分の全体に分配された複数のパラメータ値を予測する方法に関する。方法は、準備操作及び予測操作と、を含む。準備操作は、ウエハ上の特定の測定位置の複数の目標から測定された複数の既知のパラメータ値を準備するステップに関する。予測操作は、ウエハの少なくとも一部分の全体にわたり分配された複数の位置における複数の未知のパラメータ値を予測するステップに関する。予測操作は、フォトリソグラフィー・ツールの光学的特性に依存しない既知のパラメータ値に基づく。予測操作は、フォトリソグラフィー・ツールのモデルを使用しないで行ってもよい。光学的特性は、レンズ収差特性を含んでよい。

他の実施形態において、本発明は、ウエハの少なくとも一部分の全体に分配された複数のパラメータ値を予測する装置に関する。予測パラメータ値は、ウエハ全体にわたり、または、ウエハの１つの領域全体にわたり分配されてよい。予測パラメータ値は、複数のオーバレイ誤差値を含んでいてよい。予測パラメータ値は、複数のクリティカル寸法値を含んでいてよい。装置は、1つ以上のプロセッサと1つ以上のメモリと、を備える。プロセッサ及びメモリの少なくとも1つは、上記の方法操作の1つ以上を実行するように構成されている。
本発明は、以下の適用例としても実現可能である。
［適用例１］
ウエハの少なくとも一部分の全体にわたって分配された複数のパラメータ値を予測する方法であって、
前記ウエハ上の複数の特定の測定位置にある複数の目標から測定された複数の既知のパラメータ値を準備するステップと、
訓練されたニューラルネットワークが複数の予測パラメータ値を予測するように、前記測定された既知のパラメータ値を用いてニューラルネットワークを訓練することにより、前記特定の測定位置に対応する前記予測パラメータ値の部分集合が、対応する前記測定された既知のパラメータ値の所定の誤差関数の範囲内となるように、ニューラルネットワークを訓練するステップと、
前記ウエハの少なくとも一部分の全体にわたって分配された前記複数の位置で前記予測パラメータ値を予測するために前記訓練されたニューラルネットワークを使用するステップと、
前記訓練されたニューラルネットワークによって予測された前記予測パラメータ値に基づいて前記ウエハの合格または不合格を決定するステップと、を含む方法。
［適用例２］
適用例１に記載の方法であって、
前記予測パラメータ値は、前記ウエハ全体にわたって、または、前記ウエハの１つの領域全体にわたって分配される、方法。
［適用例３］
適用例１または２に記載の方法であって、
前記予測パラメータ値は、複数のオーバレイ誤差値を含む、方法。
［適用例４］
適用例１または２に記載の方法であって、
前記予測パラメータ値は、複数のクリティカル寸法値を含む、方法。
［適用例５］
適用例１〜４のいずれか１項に記載の方法であって、
前記ニューラルネットワークの訓練ステップ及び前記訓練されたニューラルネットワークの使用ステップは、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、前記ウエハの前記目標の少なくとも１つにおける少なくとも1つの目標測定基準を入力するステップを含む、方法。
［適用例６］
適用例５に記載の方法であって、
前記少なくとも1つの目標測定基準は、前記ウエハの前記少なくとも1つの目標におけるバックグラウンド特性を数値化する少なくとも1つのノイズ測定基準を含む、方法。
［適用例７］
適用例５または６に記載の方法であって、
前記少なくとも1つの目標測定基準は、前記ウエハの前記少なくとも1つの目標における系統的測定基準を含む、方法。
［適用例８］
適用例１〜７のいずれか１項に記載の方法であって、
前記ニューラルネットワークの訓練ステップ及び前記訓練されたニューラルネットワークの使用ステップは、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、フォトリソグラフィー・ツールからの配列測定基準を入力するステップを含む、方法。
［適用例９］
適用例１〜８のいずれか１項に記載の方法であって、
前記ニューラルネットワークの訓練ステップ及び前記訓練されたニューラルネットワークの使用ステップは、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、前記ウエハの特性を特徴づける少なくとも1つのプロセス測定基準を入力するステップを含む、方法。
［適用例１０］
ウエハの少なくとも一部分の全体にわたって分配された複数のパラメータ値を予測する方法であって、
前記ウエハ上の複数の特定の測定位置の複数の目標から測定された複数の既知のパラメータ値を準備するステップと、
前記ウエハの少なくとも一部分の全体にわたって分配された複数の位置で複数の未知のパラメータ値を予測するステップと、
を備え、
前記予測の処理は、フォトリソグラフィー・ツールの光学的特性に依存することのない既知のパラメータ値に基づいて行われる、方法。
［適用例１１］
適用例１０に記載の方法であって、
前記予測の処理は、前記フォトリソグラフィー・ツールのモデルを使用しないで実行される、方法。
［適用例１２］
適用例１０または１１に記載の方法であって、
前記光学的特性は、レンズ収差特性を含む、方法。
［適用例１３］
ウエハの少なくとも一部分の全体にわたって分配された複数のパラメータ値を予測する装置であって、
１つ以上のプロセッサと、
１つ以上のメモリと、を備え、
前記プロセッサの少なくとも１つ及びメモリは、
前記ウエハ上の複数の特定の測定位置の複数の目標から測定された複数の既知のパラメータ値を準備し、
訓練されたニューラルネットワークが複数の予測パラメータ値を予測するように、前記測定された既知のパラメータ値を用いてニューラルネットワークを訓練することにより、前記特定の測定位置に対応する前記予測パラメータ値の部分集合が、対応する前記測定された既知のパラメータ値の所定の誤差関数の範囲内となるように、ニューラルネットワークを訓練し、
前記ウエハの少なくとも一部分の全体にわたって分配された前記複数の位置で前記予測パラメータ値を予測するために、前記訓練されたニューラルネットワークを使用し、
前記訓練されたニューラルネットワークによって予測された前記予測パラメータ値に基づき、前記ウエハの合格または不合格を決定するように構成されている、装置。
［適用例１４］
適用例１３に記載の装置であって、
前記予測パラメータ値は、前記ウエハ全体にわたって、または、前記ウエハの１つの領域全体にわたって分配されている、装置。
［適用例１５］
適用例１３または１４に記載の装置であって、
前記予測パラメータ値は、複数のオーバレイ誤差値を含む、装置。
［適用例１６］
適用例１３または１４に記載の装置であって、
前記予測パラメータ値は、複数のクリティカル寸法値を含む、装置。
［適用例１７］
適用例１３〜１６のいずれか１項に記載の装置であって、
前記ニューラルネットワークの訓練及び前記訓練されたニューラルネットワークの使用は、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、前記ウエハの前記目標の少なくとも１つにおける少なくとも1つの目標測定基準を入力するステップを含む、装置。
［適用例１８］
適用例１７に記載の装置であって、
前記少なくとも１つの目標測定基準は、前記ウエハの前記少なくとも1つの目標におけるバックグラウンド特性を数値化するノイズ測定基準を含む、装置。
［適用例１９］
適用例１７または１８に記載の装置であって、
前記少なくとも1つの目標測定基準は、前記ウエハの前記少なくとも1つの目標における系統的測定基準を含む、装置。
［適用例２０］
適用例１３〜１９のいずれか１項に記載の装置であって、
前記ニューラルネットワークの訓練及び前記訓練されたニューラルネットワークの使用は、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、フォトリソグラフィー・ツールからの配列測定基準を入力することを含む、装置。
［適用例２１］
適用例１３〜２０のいずれか１項に記載の装置であって、
前記ニューラルネットワークの訓練及び前記訓練されたニューラルネットワークの使用は、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、前記ウエハの特性を特徴づける少なくとも1つのプロセス測定基準を入力することを含む、装置。
［適用例２２］
ウエハの少なくとも一部分の全体にわたって分配された複数のパラメータ値を予測する装置であって、
１つ以上のプロセッサと、
１つ以上のメモリと、を備え、
前記プロセッサの少なくとも１つ及びメモリは、
前記ウエハ上の複数の特定の測定位置の複数の目標から測定された複数の既知のパラメータ値を準備し、
前記ウエハの少なくとも一部分の全体にわたり分配された複数の位置における複数の未知のパラメータ値を予測し、
前記予測の処理は、フォトリソグラフィー・ツールの光学的特性に依存することのない前記既知のパラメータ値に基づいて行われる、
ように構成されている、装置。
［適用例２３］
適用例２２に記載の装置であって、
前記予測の処理は、前記フォトリソグラフィー・ツールのモデルを使用しないで実行される、装置。
［適用例２４］
適用例２２または２３に記載の装置であって、
前記光学的特性は、レンズ収差特性を含む、装置。

本発明の１つの実施形態に基づく、オーバレイ誤差を予測するためにニューラルネットワークを訓練し、使用する例示的手順を示す模式図である。 本発明の1つの実施形態に基づく走査型電子顕微鏡（ＳＥＭ）によっても撮像されたオーバレイ・パターンの上面写真画像である。 本発明の1つの実施形態に基づく走査型電子顕微鏡（ＳＥＭ）によっても撮像された対称的なオーバレイ・パターン部分の上面写真画像である。 走査型電子顕微鏡（ＳＥＭ）によっても撮像され、本発明の特定の実施形態に基づき画像部分を分析するため異なるエッジが使用されたオーバレイ・パターンの一部分の上面写真画像である。 本発明の1つの実施形態に基づく、相関関係に基づくオーバレイ測定のためのＳＥＭオーバレイ・パターンの一部の上面写真画像である。 本発明の1つの実施形態に基づく、ＳＥＭ設計に関連する、セグメント型の目標の写真画像である。 目標構造の実施形態の模式上面図である。 非対称的である目標構造の実施形態の模式上面図である。 ノイズが多いバックグラウンドを有する場合における図６Ａの目標の模式上面図である。 実施形態のニューラルネットワークの中における入力、出力、及び隠れたノードの間の関係を示す模式図である。 本発明の１つの実施形態に基づくニューラルネットワークを訓練する手順を示すフローチャートである。 本発明の１つの実施形態に基づく、ウエハのオーバレイ誤差を予測するためにニューラルネットワークを使用する手順を示すフローチャートである。 本発明の1つの実施形態に基づくオーバレイ測定システムの模式図である。

以下、図面に基づき、本発明のいくつかの好ましい実施形態を説明する。以下の説明において、本発明の完全な理解のために、多数の具体的な詳細を提供する。本発明がこれらの具体的な詳細のいくつかまたは全てが異なる場合であっても実施可能であることは、当業者にとって明らかである。本発明を理解するうえで不要な混乱を避けるため、それ以外の周知のプロセス、ステップについては詳細を省略する。

図１は、実施形態に基づく、オーバレイ誤差を予測するために例示的ニューラルネットワークを訓練し、使用する例示的手順を示す模式図である。方法は、ブロック１０２から始まり、ここで、１つのサンプル・ウエハが新しいウエハのロットから採取される。ブロック１０２において、そのサンプル・ウエハは分析される。この分析から、各種の測定基準が、ブロック１０６、１０８及び１１０において得られる。ブロック１０６において、目標品質測定基準が、ウエハから得られる。目標品質測定基準は、ウエハ上の目標のバックグラウンド特性、例えば非対称性及びノイズを数量化する。ブロック１０８において、配列測定基準が、ウエハから得られる。配列測定基準は、ウエハ上に構造を形成するために用いられたフォトリソグラフィー・ツールから得られる。ブロック１１０において、プロセス測定基準が、ウエハから得られる。プロセス測定基準は、ウエハまたはウエハの層の滑らかさ（または粗さ）を特徴づけることができる。これらの測定基準は、例示的ニューラルネットワークにブロック１１４において入力される。

ニューラルネットワークは、出力への入力に関係する適応関数、自動訓練関数である。ニューラルネットワークは、それがウエハの未知のパラメータを予測することができる前に、ブロック１１４にて訓練されなければならない。ニューラルネットワークが訓練されている場合、それは追加パラメータを受信する。ブロック１０４において、ウエハ上の各種の位置のオーバレイ誤差に対する値が、得られる。種々の技術及びツールが、オーバレイ誤差値を得るために使用でき、それは走査型電子顕微鏡（ＳＥＭ）または光学的画像化ツールを含む。これらのオーバレイ誤差値は、フォトリソグラフィー・ツールの性能を改善するためブロック１１４にてフォトリソグラフィー・ツールに送られる修正値（Correctables）を算出するために、ブロック１１２において使用される。オーバレイ誤差値は、ブロック１０４からブロック１１４まで伸びている矢印で示すように、訓練されていないニューラルネットワークにも入力される。訓練されていないニューラルネットワークは、その予測能力を改善するためにブロック１０４、１０６、１０８及び１１０から集められる入力を使用する。

ニューラルネットワークが既に訓練された場合、ニューラルネットワークは、ブロック１１４においてブロック１０４からの入力、例えばオーバレイ誤差値を受信する必要はない。ブロック１１４において、訓練されたニューラルネットワークは、ブロック１０６、１０８及び１１０において得られた測定基準からオーバレイ誤差を予測するために用いられる。サンプル・ウエハに対する予測値に基づいて、ロットが合格か不合格かの決定がブロック１１８においてなされる。

手順１００のブロックは、種々の方法で変更されることができる。ニューラルネットワークは、ブロック１１４において、ブロック１０６、１０８及び１１０において得られた入力とは異なる、または追加の入力を受信できる。ニューラルネットワークは、ブロック１１４において、オーバレイ誤差以外、例えばクリティカル寸法のパラメータを予測するために訓練されてもよい。その場合、ブロック１０４は、オーバレイ誤差でなく、所望のパラメータの値の近似値を計算する。

ブロック１０４におけるオーバレイ誤差の測定は、種々の異なる技術およびツールに関与することができる。その幾つかを図２、図３Ａ、図３Ｂ、図４、及び図５に示す。オーバレイは、以下の内蔵された対称性を有するように設計された目標によって測定される。目標のために使われる対象領域（ＲＯＩ）は、その間でオーバレイが測定される構造または層の間に接合点を含む。図２は、本発明の１つの実施形態に基づく走査型電子顕微鏡（ＳＥＭ）によって測定可能な目標像の上面図である。図示するように、これらの構造は、内側の太い棒及び外側の細い棒の列から形成される。

この実施形態では、対象領域（ＲＯＩ）２０２及び２０４は、対称中心（ＣＯＳ）といわれる中心点の回りに１８０°回転すると同一である。オーバレイ（またはパターン配置誤差）は、内側と外側のパターンの対称中心を分離させる。オーバレイは、内側と外側のパターンの対称中心（ＣＯＳ）の間の位置ずれとして定義可能である。一般に、オーバレイは、内側と外側の両パターンの対称中心（ＣＯＳ）を位置決定することによって、測定可能である。

第１の技術において、オーバレイは、エッジ検出プロセスに基づく。一連のＳＥＭ画像は、内側と外側の線（図３（ａ）参照）の連続した接合点から取得され、分析される。図３（ａ）は、図３（ａ）の目標の対象領域（ＲＯＩ）３０２及び３０４の結合を示す。対象領域（ＲＯＩ）３０２のそれぞれのＳＥＭ画像は、２つのＲＯＩとの間の領域を示すように、対象領域（ＲＯＩ）３０４から相補的な（設計による対称的な）画像を有する。

この方法では、ＲＯＩ（「ＳＥＭ画像」）のそれぞれの特定の接合は、エッジ（図３Ｂ参照）を検出するために分析される。ＲＯＩ３０２からのエッジ及びその相補的な相手方であるＲＯＩ３０４からのエッジを比較することにより、それらの対称中心（ＣＯＳ）の位置が分かる。ＣＯＳの絶対位置を測定することはできないにもかかわらず、内側と外側エッジに関するＣＯＳｓの相対位置は検出可能であり、このように、オーバレイに関する結果を生じる。

ＲＯＩ全体からの複数のエッジの利用は、統計値を改善し、測定に対する確率的（random）誤差の寄与を減少させる。物理的に異なるエッジ（例えば、「Ｌ」対「Ｒ」）の別々の処理は、選ばれた線またはエッジに対するオーバレイ効果のモニタリングを可能にする。各種のウエハの方向（０°、９０°、１８０°）におけるオーバレイ測定は、ツールの影響（ツール誘導偏移（ＴＩＳ：０°対１８０°）または回転誘導偏移（ＲＩＳ：０°対９０°））から本当のオーバレイを区別することを可能にする。

他の方法は、相関関係に基づく。このＳＥＭオーバレイ目標は、同様に、対称中心によって計画的に重なる対称になっている層１及び層２の構造の両方を有する。図４は、本発明の1つの実施形態の相関に基づくオーバレイ測定のＳＥＭオーバレイパターンの一部分を示す上面写真画像である。対象領域（ＲＯＩ）（図４のボックス４０２、４０４、４０６、及び４０８）から取得される全ての信号が、分析される。

相補的なＲＯＩｓ信号（ボックス４０４対回転されたボックス４０８、ボックス４０６対回転されたボックス４０２）は、２次元の相関によって、または、その後の１次元の相関を有する垂直方向における概算によって、層１及び層２の両構造のＣＯＳｓを位置決定するために比較されることができる。ＣＯＳｓ間の位置ずれは、オーバレイ結果として定義される。

ＳＥＭオーバレイ計測のための他の方法は、標準光学的画像化のようなオーバレイマーク設計に基づく。図５は、ＳＥＭ設計関連の、セグメント型の目標の写真画像を示す。このマークは、内側及び外側の両方の層における微細ピッチの格子から構成される。標準（光学的画像化）設計関連の、セグメント型のマークと同様に、このマークは、内側と外側の構造の対称中心（ＣＯＳｓ）が一致する方法で設計される。オーバレイは、これらのＣＯＳｓ間の位置ずれとして測定される。ＣＯＳｓを特定するためのアルゴリズムは、２００５年７月２６日発行の、ミカエル・アデルその他による「オーバレイマーク、オーバレイマークの設計、及びオーバレイ測定方法」という名称の米国特許第６、９２１、９１６号に記載されている標準アルゴリズムと類似であってよい。これは、ＳＥＭオーバレイ測定の自動化を可能にする。更に、ＳＥＭ設計関連の、セグメント化されたマークオーバレイ測定は、ＳＥＭにおける画像回転に、より影響されない。また、９０°及び１８０°回転対称は、簡単なＴＩＳ測定及びＲＩＳ測定、及びそれらの（ＴＩＳ及びＲＩＳ）の目標自体の不完全によって引き起こされた効果からの明確な分離を可能にする。

ＳＥＭ設計関連のセグメント化されたマークと同様に、ＳＥＭボックス・イン・ボックス（ＢｉＢ）マークは、ここで記載されている光学的画像化のような技術（アルゴリズム及び自動化の両方）によって設計され、測定されることができる。

上記の説明、及び図２、図３Ａ、Ｂ、図４及び図５に示す種々の技術は、オーバレイ誤差を測定するために用いることができる。オーバレイ誤差の測定に関する適切な技術の他の事例は、２００８年６月１０日発行の、Mieherその他による、「散乱測定（Scatterometry）を用いたオーバレイ誤差の検出装置及び方法」という名称の米国特許第7、385、699号に開示されている。技術の結果は、測定基準と共に、ニューラルネットワークを訓練するために用いることができる。

そのような測定基準は、目標品質の数値化に関与する。このような測定基準、例えば系統性及びノイズ測定基準を測定して取得するための技術及び目標構造は、後述する。このような技術及び構造は、例えば、図１のブロック１０６と関連して用いることができる。目標構造は、種々の形状及び設計を担うことができる。

１つの既知のオーバレイ目標形状は、ボックス・イン・ボックス構造である。言うまでもなく、様々のタイプのオーバレイ目標形状があり、それらは本発明の技術によって使用できる。図６Ａは、1つの実施形態の目標構造６００の模式上面図である。図示するように、目標６００は、内側ボックス６０４及び外側ボックス６０２から形成される。内側ボックス６０４は、典型的には、外側ボックス６０２とは異なる層において形成される。例えば、ＤＩステージで、内側ボックス６０４は、Ｖｉａ２層を定めているレジストパターンでもよい。その一方で、外側ボックス６０２は、金属２の層の特徴の形状である。図示するように、内側ボックス６０４は、正方形のパターンに配置される複数のセグメント６０４ａ〜６０４ｄにより形成される。その一方で、外側ボックスは、正方形のパターンに配置される複数のセグメント６０２ａ〜６０２ｄにより形成される。オーバレイ誤差は、典型的に、各ボックスの中心を位置決定し、オーバレイ誤差の差を得るために２つの中心を比較することによって、決定される。この差異は、典型的に、差異が他の形式（例えばベクトル）で表現できるが、Ｘ座標及びＹ座標によって表現される。図示するように、内側ボックス及び外側ボックスは、同じ中心６０６を共有する。そして、オーバレイ誤差が内側ボックスと外側ボックスの間に存在しないことを示す。この場合、オーバレイ誤差は、０、０である。

図６Ｂは、1つの実施形態の、非対称的である目標構造６５０の模式上面図である。図示するように、内側ボックス６０４は、残りのセグメント６０４ｂ〜６０４ｄと幅が異なるセグメント６０４ｅを有する。内側ボックス６０４及び外側ボックス６０２が同じ中心６０６を共有するのでこの非対称的な目標６５０はオーバレイ誤差なしという結果になるはずであるが、目標６５０は非対称のため、不完全である。この種の欠点は、系統的誤差と呼ばれる。系統的誤差は、目標毎に特徴づけられることができ、それらはしばしばウエハ全体にわたる系統的自然である。系統的誤差は、典型的に、例えばＣＭＰ研磨、金属溶射またはホトレジスト効果というプロセス効果によって引き起こされる目標の非対称性のためである。

非対称測定基準は、いかなる適切な技術を用いて得てもよい。1つの実施形態において、お互いに対称的に設計されている目標の部分が、比較される。好ましくは、系統的誤差測定基準は、目標の異なる部分から、名目上対称的な信号形の比較（例えば、左外側のバーからの信号及び右外側のバーからの信号の比較）から得られる。オーバレイ・ツールが光学系に若干の非対称性を有することがあるため、非対称測定基準をウエハの２つの方向（０°及び１８０°）で測定することが望ましい。最終的な系統的測定基準または非対称測定基準は、次式で算出できる。
非対称性（最終）＝［非対称性（０°）−非対称性（１８０°）］／２

図６Ｂに示す実施形態の標的の関しては、左内側のバー６０４ｅは、目標の内側部分におけるＸ方向非対称測定基準を得るために、右内側のバー６０４ｃと比較される。同様に、左外側のバー６０２ａは、目標の外側部分におけるＸ方向非対称測定基準を決定するために、右外側のバー６０２ｃと比較されてもよい。上内側のバー６０４ｄは、目標がＹ方向非対称測定基準を有するかどうか決定するために、下内側のバー６０４ｂと比較されてもよい。同様に、上外側のバー６０２ｄは、目標の外側部分におけるＹ方向非対称測定基準を決定するために、下外側のバー６０２ｂと比較されてもよい。これらの異なるＸ方向及びＹ方向の非対称測定基準は、その後最終的な非対称測定基準として結合されてよい。比較により目標の非対称性を測定することに関する特定の技術またはアルゴリズムは、フーリエ変換技術、微分係数（傾斜）技術、重なり積分技術および重心技術を含む。非対称測定基準を得るためのこれらの技術は、本発明の実施形態と関連して用いられることができる。

図１のブロック１０６において得ることができる他の目標品質測定基準は、ノイズ測定基準である。図６Ｃは、ノイズが多いバックグラウンド６６０における図６Ａの標的６００の模式上面図である。図示するように、バックグラウンドノイズは、粒子の形で示されている。しかしながら、ノイズは、画像の空間ノイズのいかなる部分からも引き起こされる。例えば、ノイズ６６０は、移動方向６６７に内側ボックス６０４または外側ボックス６０２の見掛けの中心を引き起こすことができる。従って、結果として生じるオーバレイ誤差は、実際のオーバレイ誤差または系統的誤差ではなく、確率的ノイズによって引き起こされることがある。この誤差は、確率的誤差と呼ばれる。確率的誤差は、プロセス効果（例えば、粒状生成）によって引き起こされる空間ノイズによる。これらのノイズ関連の誤差は、ウエハ全体にわたる目標上の、及び単一の目標上であっても、それらの効果が自然における統計的であるという事実によって特徴づけられる。

ノイズデータを特徴づけるいかなる適切な技術も、目標のためのノイズ測定基準を得るために実装されてよい。例えば、ノイズ決定アルゴリズムとして、統計的アルゴリズム、一体化したノイズアルゴリズム、一体化した派生的アルゴリズム、信号対ノイズアルゴリズムまたはノイズアルゴリズムのスペクトラムを使用することができる。これらのアルゴリズムは、本発明の実施形態に基づくニューラルネットワークのためのノイズ測定基準を生成することができる。

本発明のニューラルネットワークに入力できる他の測定基準は、プロセス測定基準である。プロセス測定基準は、ウエハの特性を特徴づける。プロセス測定基準は、例えば、フォトリソグラフィープロセスに関するパラメータを反映することができる。このプロセス測定基準は、露光後ベーク（ＰＥＢ）温度、ＰＥＢ時間、底面の反射防止コーティング（ＢＡＲＣ）厚み、現像時間、施用量、焦点及び走査方向と関連している値を含む。プロセス測定基準は、ウエハの物理的な特徴を示すこともできる。このプロセス測定基準は、クリティカル寸法、レジスト厚み、サイドウォール角度及びウエハ平面度に対応する値を含む。例えば、ウエハ平面度は、例えば、部位ベースの正面の表面の参照（ＳＦＱＲ, site-based, front surface referenced）、移動平均（ＭＡ, moving average）、表面なぞりによる高さ（ＣＨＫ, chucked height）、レベリング確認試験（ＬＶＴ, leveling verification test）、及び範囲及び厚みの変動（ＴＨＫ, range and thickness variation）などの種々の測定基準を用いて表現できる。本発明のいくつかの実施形態での使用に適しているプロセス測定基準の例としては、Valley、その他による「ウエハ平面度に関する新しい測定基準のアプローチ」（リチャード・シルバー編集、マイクロリソグラフィーのための計測、検査及びプロセス制御 XVIII（SPIE第5375巻、SPIE、2004年の議事）、及びDusa、その他による「散乱計測に基づくプロセスと焦点の寄与度を決定する、ウエハ内ＣＤＵ特性評価」（ケニス・トービン編集、プロセス制御のためのデータ分析及びモデリング（SPIE第5378巻、SPIE、2004年の議事）に開示されている。

分配されたウエハ特性を予測するためにニューラルネットワークに入力できる他の測定基準は、配列測定基準と呼ばれる。一般に、配列測定基準は、いかなるリソグラフィー・ツールからも直ちに入手可能である。配列測定基準は、他の目的、典型的には例えば十字線位置合わせのために提供される。配列測定基準は、配列マークの品質を見積もりすることができる。この測定基準は、リソグラフィー・ツールの測定値調整に用いられると共にオーバレイ誤差または他のいくつかのパラメータの測定から得られる修正値（correctables）に関連してもよい。そのような修正値の例を、図１のブロック１１２及び１１６に示す。

上記の測定基準は、本発明のいくつかの実施形態のニューラルネットワークを訓練するために用いることができる既知のパラメータの例である。本願明細書及び請求項で用いられる用語「ニューラルネットワーク」は、従来のニューラルネットワークを含むがそれに限定されるものでない、１組の出力からの１組の入力を予測し、且つ反復する自己学習のプロセスによりその予測精度を改善するいかなるシステムを含む。本発明の用途に適している多くの種類のニューラルネットワークが存在し、その幾つかは市販品である。これらのニューラルネットワークは、ハードウェアベースでもソフトウェア・ベースでもよく、１つの装置に実装されていても複数のプラットフォーム全体に分散されていてもよい。

図７は、本発明の１つの実施形態のニューラルネットワーク７００の模式図である。ニューラルネットワーク７００は、入力７０２の組みを出力７０６の組みに関連させる適応性、反復性を有するシステムである。入力は、図１のブロック１０６、１０８及び１１０において得られるような目標品質測定基準、配列測定基準及びプロセス測定基準を含んでいてよい。入力７０２は、ウエハ及び領域の座標を含んでよく、その結果、得られたオーバレイ誤差値はウエハ上の位置と関連していることができる。入力７０２は、他の入力を含むことも、上記の入力のいくつかを他の入力で置き換えることもできる。

ネットワーク７００は、一般に多くの隠れたノード７０４、例えばノードＨ１〜Ｈ５を含む。隠れたノード７０４は、入力７０２または出力７０６でないニューラルネットワーク７００の中のノードであって、入力７０２にのみ、または出力７０６にのみ接続されている、またはお互いに接続されているノードとして理解されることができる。ニューラルネットワーク７００は、更に多くの層及び隠れたノードを含むことができるが、シンプル且つ明快な説明のため、１層及び５つの隠れたノードを示している。隠れたノード７０４は、連結部７０８を介して入力７０２と接続されている。隠れたノード７０４は、連結部７１０を介して出力７０６と接続されている。連結部７０８及び７１０は、入力７０２、隠れたノード７０４及び出力７０６の関係を定める。この関係は、数値演算及び係数またはウエイトの組合せによって特徴づけることができる。例えば、連結部７０８（隠れたノード７０４（下記の変数「Ｈ」によって示される）に対する入力７０２（下記の変数「Ｘ」によって示される）に関連）は、以下の通りに定めることができる。

連結部７１０（出力変数７０６（下記の変数「Ｙ」によって示される）を有する隠れたノード７０４に関連）は、以下の通りに定めることができる。

連結部７０８及び７１０に対する上記の定義は、多くある可能性の中の２つである。数値演算、パラメータ、係数、隠れたノード、入力、及び出力のあらゆる組合せが、連結部７０８及び７１０において使用可能である。

尚、入力７０２から隠れたノード７０４のための値を算出する中において、係数またはウエイトａ_iiが使われる。同様に、隠れたノード７０４から出力のための値を算出する中において、係数またはウエイトｂ_iiが使われる。このような係数の調整は、ニューラルネットワーク７００の訓練の役割をつとめる。このような訓練は、後ほど更に詳細に説明する。

図８は、本発明の１つの実施形態によるニューラルネットワーク８３２のための訓練方法８００を図示する。この方法は、ブロック８０２から始まり、そこにおいて、ウエハは分析され（ブロック８０４）、そして、上記測定基準のいくつか、例えば、目標品質測定基準及びプロセス測定基準（ブロック８０８及び８１２）は、ニューラルネットワーク８３２に入力される。ニューラルネットワーク８３２は、加えて、フォトリソグラフィー・ツールから、領域及びウエハの座標に関連する入力（ブロック８１４）と同様にウエハ配列に関連する入力（ブロック８１０）を受信する。

上記の測定基準は、ニューラルネットワーク８３２に入力され、それは、例えば図７のブロック７０４に関して前述した隠れたノードに対応する多くの隠れたノードを定めること（ブロック８１６）によって、訓練プロセスを開始する。ノード及びノード層の範囲は、このステージで定められることができる。隠れたノードが決定された後、図７の連結部７０８及び７１０からウエイトａ_ii及びｂ_iiのためのランダム値が選択される。代替案として、ウエイトは、知的に（すなわち、ランダムでなく、何らかの適切な基準に基づいて）選択されてもよい。

ブロック８２０において、隠れたノードに関する値は、少なくとも部分的にブロック８０８、８１０、８１２及び８１４及びウエイトａ_iiからの入力を使用して決定される。この決定は、例えば、前述の図７の連結部７０８で示した通りである。ブロック８２２において、出力に関する値は、部分的に、ブロック８２０の隠れたノード及びブロック８１８において選択されるウエイトｂ_iiの値から得られる。出力及び隠れたノードの間の関係は、例えば、前述の図７の連結部７１０で示した通りである。

ニューラルネットワーク８３２は、ブロック８０８、８１０、８１２及び８１４において得られた入力に基づいて、領域及びウエハの座標（ブロック８１４）によって特定されながら、ウエハ上の複数の位置に対するオーバレイ誤差値を予測するために訓練されている。ニューラルネットワーク８３２の訓練は、それが単独で相当に正確な予測を生成することができるまで、オーバレイ誤差の予測を生成して、その予測をオーバレイ誤差のための外部的に得られた値と比較して、更にニューラルネットワーク８３２を再調整することに関与する。ブロック８０６は、ニューラルネットワーク８３２を訓練するために用いるオーバレイ誤差（例えば、オーバレイ目標から決定される）のための値を生成する。ブロック８０６は、オーバレイ誤差値を生成するために、図２、図３（ａ）、（ｂ）、図４及び図５に関連して前述したそれらを含む種々のオーバレイ測定技術を使用することができる。ブロック８０６は、オーバレイ誤差の近似値を生成するために、数理モデルを利用することもできる。

ブロック８２４において、オーバレイ誤差のための外部的に得られた値は、ニューラルネットワーク８３２によって発生するものと比較される。この段階で、ブロック８２２においてニューラルネットワーク８３２によって生成されるオーバレイ誤差値は、それらは少なくとも部分的にブロック８１８においてランダムに選択されるウエイトに基づいているため、かなり不正確になりそうである。生成された値の精度は、ブロック８２８において評価される。その評価が、誤差は特定の閾値を上回る（または、所定の規格の内でない）との結果になる場合、ウエイトはブロック８２６において調整され、訓練プロセスはブロック８２０から新たに始まる。

ブロック８２６においてウエイトに対して行われる調整の性質は、大きく変動することができる。ウエイト以外の、またはウエイトに追加するパラメータは、調整されることができる。ウエイトは、誤差逆伝搬を含む種々の技術に基づいて調整されることができる。この技術の１つの適用において、予測された出力値（例えば、ブロック８２４によって生成生された値）は、望ましい出力値（例えば、ブロック８０６によって生成された値）と比較される。ウエイトｂ_iiは、少なくとも部分的にこの差異に基づいて調整される。隠れたノードのための望ましい値は、この値を出力のための値及びｂ_iiのための最適値から推定することによって決定されることもできる。ウエイトａ_iiは、同様に、少なくとも部分的に隠れたノードのための所望値と予測値（例えば、ブロック８２０によって生成される値）との間の差異に基づいて調整されることができる。このプロセスは、隠れたノードの追加層に対して（このような層が存在する場合）繰り返されてよい。

それぞれの調整（ブロック８２６）によって、隠れたノード（ブロック８２０）及び出力（ブロック８２２）のための新しい値が生成される。出力のためのこれらの値も試験され（ブロック８２４）、不満足と判断された場合、新規な調整が試みられる（ブロック８２６）。多数回の繰り返し及び調整を経て、ニューラルネットワーク８２６は、その予測の精度を改善する方法を「学習する」。一旦ニューラルネットワーク８３２が許容される程度の精度でオーバレイ誤差を予測することができると、訓練プロセスは終了する（ブロック８３０）。ニューラルネットワークは、訓練プロセスの終了まで、好ましくはウエハ全体またはウエハの１つの領域全体にわたり分配されたオーバレイ誤差値を予測することができる。

一旦ニューラルネットワークが適切に訓練されると、それは既知のパラメータ値を使用している未知のパラメータ値を予測するために用いることができる。図９は、本発明の１つの実施形態のプロセスを示す模式図である。ニューラルネットワーク９２０は、例えば、図８の方法のオーバレイ誤差値を予測するために訓練されている。この実施形態のために、ニューラルネットワーク９２０の内部構造は図８に示されるもののそれと類似していると仮定される。予測プロセスは、ブロック９０２から始まり、そこにおいて、ウエハはロットから選択される（ブロック９０４）。目標品質測定基準（ブロック９０６）、配列測定基準（９０８）、及びプロセス測定基準（９１０）のような各種の測定基準は、図９の訓練プロセスを有するケースのように、ウエハ（または配列測定基準を得るためのリソグラフィー・ツール）から得られる。これらの測定基準は、ウエハ及び領域の座標（ブロック９１２）と共にニューラルネットワークに入力される。

ニューラルネットワーク９２０は、上記の入力にウエイトａ_iiを適用し、その結果は、各種の隠れたノード（ブロック９１４）のための値になる。ウエイトｂ_iiは、隠れたノードのための値に適用され、その結果は、オーバレイ誤差（ブロック９１６）の予測になる。ａ_ii及びｂ_iiに関与しているブロック９１４及び９１６の計算は、単純化のために、図７の連結部７０８及び７１０に関してすでに上述した計算を反映させるとみなすことができる。ニューラルネットワーク９２０は適切に訓練され、且つブロック９０６、９０８及び９１０において入力される測定基準は信頼性が高いと仮定するならば、ニューラルネットワーク９２０は、予測プロセス９１８の終了までに、オーバレイ誤差の合理的な近似値を提供しなければならない。

訓練されたニューラルネットワーク９２０は、このように、ブロック９０６、９０８、９１０及び９１２からの入力以上のものが何もなくてもオーバレイ誤差を予測することができる。ニューラルネットワーク９２０は、このように、リソグラフィー・ツールの光学的特性に依存しない。オーバレイ誤差を概算するための多くの従来のモデルは、この特性に依存する。異なるリソグラフィー・ツールは異なる特性を有するため、この依存は問題であり、モデルの再調整を必要とする。従来のモデルがリソグラフィー・ツールのレンズ収差を考慮しない場合、例えば、モデルの予測能力は低下することがある。しかしながら、訓練されたニューラルネットワーク９２０は、この依存関係に苦しむことはなく、リソグラフィー・ツールの光学的特性を考慮する必要がない。訓練されたニューラルネットワーク９２０は、多数の入力を出力に関連させて、別の方法では検出することが困難かも知れない因果関係を発見する能力を有する。

図８の訓練プロセス８００及び図９の予測プロセス９００は、ソフトウェアまたはハードウェアによって実装されることができる。このプロセスは、例えば、少なくとも１つのプロセッサ及び少なくとも１つのメモリを備えた、コンピュータまたは測定ツールのような装置に組み込まれることができる。

前述の通り、図８の訓練プロセス８００及び図９の予測プロセス９００は、ニューラルネットワークへの様々な形のデータの入力に関与する。このデータは、目標品質測定基準（図９のブロック９０６）及びプロセス測定基準（ブロック９１０）を含んでよい。また、データは、オーバレイ誤差の近似値（図８のブロック８０６）を含んでもよい。このデータは、様々な形の設備を使用して得られる。走査型電子顕微鏡（ＳＥＭ）は、例えば、オーバレイを測定するために用いることができる。図１０は、ウエハからデータを採取するために画像化を使用するオーバレイ測定システムまたは計測ツール１０２０を示す模式図である。

画像化は、多くのユーザに受け容れられた高度に開発された技術であり、且つユーザが直ちに利用できる構成要素である。一般に知られているように、画像化は、一度に大量の情報を集める有効な方法である。すなわち、マークの範囲内の全ての位置が、同時に観察されることができる。更に、画像化は、ユーザがウエハ上で何が実際に測定されているかを見ることを可能にする。各種構成要素の寸法は、この実施形態をよりよく図示するために誇張されている。

オーバレイ測定システム１０２０は、オーバレイ誤差、系統的測定基準及びノイズ測定基準を含む各種パラメータを決定するために用いることができる。オーバレイ測定ツール１０２０は、例えば、図８のニューラルネットワーク８３２を訓練して、図１のブロック１０４及び１０６、図８のブロック８０６及び８０８、及び図９のブロック９０６に関連したデータを提供するために用いることができる。オーバレイ測定ツール１０２０は、ウエハ１０２４に配置された１つ以上のオーバレイ目標１０２２を介して、これらのパラメータを決定する。ほとんどの場合、オーバレイ目標１０２２は、ウエハ１０２４のスクライブラインの中に位置決めされる。一般に知られているように、スクライブラインは、鋸で切って、ウエハを複数のダイ形状にダイシングするために使用するウエハの領域である。しかしながら、これに限定するものでなく、目標の位置はそれぞれの装置設計の特定の必要性に基づき変動することができる。例えば、半導体素子の設計者は、オーバレイ目標を能動素子の領域に挿入することを選択できる。図示するように、オーバレイ測定システム１０２０は、光学組立体１０２６、及びプロセッサ及び１つ以上のメモリデバイスを有するコンピュータシステム１０２８を含む。光学組立体１０２６は、通常、オーバレイ目標１０２２の画像を撮影するように調整される。コンピュータは、一方では、通常、ニューラルネットワークをオーバレイ誤差等を予測するために訓練することと同様に、撮影された画像からオーバレイ目標の要素の相対的変位及び目標診断方法を算出するように構成されている。

図示した実施形態では、光学組立体１０２６は、第１の経路１０３４に沿って光１０３２を放射するように構成された光源１０３０（例えば、非干渉性が通常好ましいが、非干渉性であるか可干渉性であるかを問わず）を含む。光１０３２は、第１のレンズ１０３５に入射され、該レンズは光１０３２を、光１０３２を通過させるように構成された光ファイバ線１０３６に集中させる。光１０３２が光ファイバ線１０３６から現れるとき、それはそれから第２のレンズ１０３８を通過する。第２のレンズ１０３８は、光学系（例えば対物レンズ１０４４の入射瞳）の適切な光学平面に光ファイバ１０３６の端を結像するように構成されている。光１０３２は、それがビーム分割キューブ１０４０に達するまで、その経路を進む。ビーム分割キューブ１０４０は、光を経路１０４２上へ導くように構成されている。経路１０４２に沿って進んでいる光１０３２は、光１０３２をウエハ１０２４上へ中継する対物レンズ１０４４に入射する。

ウエハ１０２４で反射した光１０３２は、対物レンズ１０４４によって集光される。当然のことながら、対物レンズ１０４４によって集光される反射光１０３２は、通常、ウエハ１０２４の一部の画像、例えば、オーバレイ目標１０２２の画像を含む。光１０３２が対物レンズ１０４４を離れるとき、光は、それがビーム分割キューブ１０４０に達するまで、経路１０４２（図１４において上方へ）に沿って進む。一般に、対物レンズ１０４４は、入射光が操作された方法に関する光学的反転である方法によって集光した光を操作する。すなわち、対物レンズ１０４４は、光１０３２を再結像し、光１０３２をビーム分割キューブ１０４０に向ける。ビーム分割キューブ１０４０は、光１０３２を経路１０４６上に導くように構成されている。経路１０４６を進む光１０３２は、それからチューブ・レンズ１０５０に集光される。光１０３２をウエハ１０２４の画像、及び特に目標１０２２の画像を記録するカメラ１０５２に集中させる。例えば、カメラ１０５２は、電荷結合素子（ＣＣＤ）、２次元ＣＣＤ、またはリニアＣＣＤ配列であってよい。ほとんどの場合、カメラ１０５２は記録された画像を電気信号に変え、それはコンピュータ１０２８に送信される。電気信号を受信した後に、コンピュータ１０２８は、オーバレイ誤差目標、前述の通りの画像の測定基準を算出する解析を使用しているアルゴリズムを実行し、オーバレイ誤差、その他を予測するニューラルネットワークを訓練する。

システム１０２０は、ウエハ１０２４から画像を取得するためにコンピュータ１０２８及びカメラ１０５２と共に動くフレーム取得器１０５４を更に含む。フレーム取得器１０５４は個別の構成要素として示されているが、フレーム取得器１０５４はコンピュータ１０２８の一部及び／またはカメラ１０５２の一部でもよい。フレーム取得器１０５４の機能は、通常、コンピュータ１０２８によって使用可能な形にカメラ１０５２から信号を変換することである。オーバレイ計測イベントは、目標捕捉、及び画像取得の２つの機能に分けられる。目標捕捉の間、フレーム取得器１０５４及びコンピュータ１０２８は、目標を焦点が合った状態で、可能な限り計測ツールの視野（ＦＯＶ）の中心に位置決めするためにウエハステージ１０５６と協働する。大部分において、フレーム取得器は、複数の画像（例えば、オーバレイを測定するために用いる画像でない）を取得し、ステージは、目標がＸ、Ｙ及びＺ方向において正しく位置決めされるまで、これらの取得の間にウエハを移動する。当然のことながら、Ｚ方向は一般に焦点に対応すると共に、Ｘ及びＹ方向は一般に視野（ＦＯＶ）に対応する。一旦フレーム取得器が目標の正確な位置を決定すると、これらの２つの機能のうちの第２の機能が実行される（例えば、画像取得）。画像取得の間、フレーム取得器１０５４は、正しく位置決めされた目標画像、すなわちオーバレイ及び目標診断方法を決定するために用いる画像を撮影し、保存するために、最終的な取得を行う。

画像を取得した後に、オーバレイ誤差を決定するために、取得された画像から情報を引き出す。各種のアルゴリズムは、それから、半導体ウエハの各種層との間のレジストレーション誤差を決定するために用いることができる。例えば、周波数ドメイン・ベースの方法、空間ドメイン・ベースの方法、フーリエ変換アルゴリズム、ゼロ交差検出、相関及び相互相関アルゴリズム、その他が、使用可能である。

オーバレイを決定するために提案されたアルゴリズム及びここで説明したマーク（例えば、周期的構造を含むマーク）を介した目標診断方法の測定基準（例えば、非対称性）は、通常、数個の群に分類できる。例えば、１つの群は、位相回復ベースの解析に関する。位相回復ベースの解析（周波数ドメイン・ベースのアプローチとしばしば称される）は、典型的に、周期的構造のラインに沿った加算画素によるそれぞれの作業帯の崩壊によって１次元の信号を生成することに関与する。使用可能な位相回復アルゴリズムの例は、２０００年２月８日発行の米国特許第6、023、338号、２００２年１０月８日発行の米国特許第6、462、818号、及び２００２年１１月２６日発行の米国特許第6、486、954号に記載されている、

使用可能な別の位相回復アルゴリズムは、２００６年３月７日発行の米国特許第7、009、704号に記載されている。これらの中で開示されている位相回復アルゴリズムは、信号を基本信号周波数の高調波の組みに分解する。異なる高調波の振幅及び位相の数値的な比較は、信号の対称性及びスペクトルの内容に関する重要な情報を提供する。特に、同じ信号の基本周波、及び第二調波またはより高次の高調波（それらの振幅によって標準化）の位相差は、信号非対称性の程度を評価する。この非対称性に対する大きな寄与は、プロセスによって誘導される構造的な特徴（ウエハによって誘導されるズレ）と同様に、計測ツール（ツールによって誘導されるズレ）の光学的配列ズレ及び照明の非対称性に由来する。同じプロセス層上の異なる視野の部分から得られた信号の基本周波、及び第二調波の位相の間のこの位置ズレを比較することは、計測ツールの光学収差に関する他に依存しない情報を提供することができる。最後に、与えられた方向の測定値におけるこれらの位置ズレを、そこから１８０度ウエハを回転させた後の方向におけるそれらと比較することは、非対称性のためのツールによって誘導されるズレ及びウエハによって誘導されるズレの分離を可能にする。

使用できる更にもう１つの位相回復アルゴリズムは、ウェーブレット解析である。ウェーブレット解析は、前述の解析法といくらか類似しているが、ここでは動的ウィンドウが１次元の信号を横切り、位相判断はより局在的な方法で実施される。これは、特にチャープ周期的構造の場合の使用に有益である。

もう一方の群は、輝度相関ベースの方法に関する。このアプローチは、それぞれのプロセス層の対称の中心は、ある信号と同じプロセス層におけるマークの反対部分の反転信号との相互共分散を計算することによって別々に分かる。この技術は、ボックス・イン・ボックス目標に関して、現在使用されている技術に類似している。

上記の技術は、例として提起され、試験の結果良好な性能を示した。オーバレイの算出のための他の代替的なアルゴリズムは、自動及び交差相関技術、誤差相関技術、誤差極小化技術（例えば、絶対差の極小化、差の二乗の極小化）、ゼロ交差検出及びピーク検出を含む閾値ベースの技術を含む。２つの一次元パターンの間の最適整合を求めるために使用できるダイナミック・プログラミング・アルゴリズムもある。前述の通り、解析アルゴリズムおよびアプローチは、前述の各種のオーバレイマークの全てに関して利用されることができる。

重要なことに、前述の図表及び記載は限度でなく、オーバレイ画像システムは多くの他の形で具体化されることができる点に留意する必要がある。例えば、オーバレイ測定ツールは、ウエハの表面に形成されたオーバレイマークの重要な側面を解決するために配置される多くの適切、且つ既知の画像化ツールまたは計測ツールのいずれでもよいと考えられる。例えば、オーバレイ測定ツールは、明視野画像化顕微鏡、暗視野画像化顕微鏡、フルスカイ画像化顕微鏡、位相差顕微鏡、偏光コントラスト顕微鏡及びコヒーレンスプローブ顕微鏡に適用される。また、単一及び複数の画像方法は目標画像を取得するために使用されることができるとも考えられる。これらの方法は、例えば、１回取得、２回取得、１回取得のコヒーレンスプローブ顕微鏡（ＣＰＭ）および２回取得のＣＰＭ方法を含む。これらのシステムは、とりわけ、市販されている。例えば、単一及び複数の画像方法は、サンノゼ（カリフォルニア）のKLA-Tencorから購入可能である。例えば散乱測定（Scatterometry）のような非画像化光学的方法は、ＳＥＭ（走査型電子顕微鏡）のような非光学的方法、及び例えばＡＦＭ（原子間力顕微鏡）または表面形状測定装置のような非光学型スタイラスベース計測器と同様に考えられる。

本発明の技術を実施するためのシステムの構成に関係なく、それはデータ、多目的検査動作のためのプログラム命令及び／またはここで記載されている発明の技術を格納するように構成される一つ以上のメモリまたはメモリモジュールを使用することができる。例えば、プログラム命令は、オペレーティングシステム及び／または一つ以上のアプリケーションの操作を制御することができる。メモリは、検査システムまたは計測システムの特定の実施パラメータ値と同様に、目標の画像、オーバレイ誤差値、目標診断方法の測定基準、及び他の測定基準、予測されたオーバレイ誤差値、ニューラルネットワークの使用及び訓練に関連したデータを保存するように構成されてよい。

以上、理解を明快にするため若干詳細に説明したが、本発明は、添付の請求の範囲内において特定の変更及び修正を行った上で実施できることは明らかである。従って、記載されている実施形態は例示的であり限定的でないと理解されなくてはならず、本発明は、これらに限定されるものではなく、請求項及びそれらの均等物の全範囲によって定義される。

Claims (26)

1. ウエハの少なくとも一部分の全体にわたって分配された複数のパラメータ値を予測する方法であって、
   前記ウエハ上の複数の特定の測定位置にある複数の目標から測定された複数の既知のパラメータ値を準備するステップと、
   訓練されたニューラルネットワークが複数の予測パラメータ値を予測するように、前記測定された既知のパラメータ値を用いてニューラルネットワークを訓練することにより、前記特定の測定位置に対応する前記予測パラメータ値の部分集合が、対応する前記測定された既知のパラメータ値の所定の誤差関数の範囲内となるように、ニューラルネットワークを訓練するステップと、
   前記ウエハの少なくとも一部分の全体にわたって分配された複数の位置でパラメータ値を予測するために前記訓練されたニューラルネットワークを使用するステップと、
   前記訓練されたニューラルネットワークによって予測された前記予測パラメータ値に基づいて前記ウエハの合格または不合格を決定するステップと、を含み、
   前記訓練されたニューラルネットワークは、複数種類の入力と、オーバーレイ誤差に関する出力とを有し、フォトリソグラフィープロセスに関連する前記オーバーレイ誤差を予測するものであり、
   前記複数種類の入力は、ウェハ座標値と、領域座標値と、ノイズ測定基準及び系統的測定基準を含む目標品質測定基準と、フォトリソグラフィプロセスパラメータ値を含むプロセス測定基準と、を含む、
   方法。
2. 請求項１に記載の方法であって、
   前記予測パラメータ値は、前記ウエハ全体にわたって、または、前記ウエハの１つの領域全体にわたって分配される、方法。
3. 請求項１に記載の方法であって、
   前記予測パラメータ値は、複数のオーバレイ誤差値を含む、方法。
4. 請求項１に記載の方法であって、
   前記ニューラルネットワークの訓練ステップ及び前記訓練されたニューラルネットワークの使用ステップは、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、前記ウエハの前記目標の少なくとも１つにおける少なくとも１つの目標品質測定基準を入力するステップを含む、方法。
5. 請求項１に記載の方法であって、
   前記ニューラルネットワークの訓練ステップ及び前記訓練されたニューラルネットワークの使用ステップは、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、前記ウエハの前記少なくとも１つの目標のバックグラウンド特性を数値化する少なくとも１つのノイズ測定基準、前記ウエハの前記少なくとも１つの目標の少なくとも１つの系統的測定基準、フォトリソグラフィー・ツールからの配列測定基準、及び前記ウエハの特性を特徴づける少なくとも1つのプロセス測定基準を入力するステップを含む、方法。
6. ウエハから測定された、又は、ウェハを形成するプロセスから取得された複数の既知のパラメータ値を準備するステップと、
   前記既知のパラメータに基づき複数の未知のパラメータ値を予測するために訓練されたニューラルネットワークモデルを使用するステップと、
   を備え、
   前記訓練されたニューラルネットワークは、複数種類の入力と、オーバーレイ誤差に関する出力とを有し、フォトリソグラフィープロセスに関連する前記オーバーレイ誤差を予測するものであり、
   前記複数種類の入力は、ウェハ座標値と、領域座標値と、ノイズ測定基準及び系統的測定基準を含む目標品質測定基準と、フォトリソグラフィプロセスパラメータ値を含むプロセス測定基準と、を含む、
   方法。
7. 請求項６に記載の方法であって、
   前記訓練されたニューラルネットワークモデルを使用するステップは、フォトリソグラフィー・ツールのモデルを使用することなく、かつ、フォトリソグラフィー・ツールの光学的特性に依存することなく実行される、方法。
8. 請求項７に記載の方法であって、
   前記光学的特性は、レンズ収差特性を含む、方法。
9. ウエハの少なくとも一部分の全体にわたって分配された複数のパラメータ値を予測する装置であって、
   １つ以上のプロセッサと、
   １つ以上のメモリと、を備え、
   前記プロセッサの少なくとも１つ及びメモリは、
   前記ウエハ上の複数の特定の測定位置の複数の目標から測定された複数の既知のパラメータ値を準備し、
   訓練されたニューラルネットワークが複数の予測パラメータ値を予測するように、前記測定された既知のパラメータ値を用いてニューラルネットワークを訓練することにより、前記特定の測定位置に対応する前記予測パラメータ値の部分集合が、対応する前記測定された既知のパラメータ値の所定の誤差関数の範囲内となるように、ニューラルネットワークを訓練し、
   前記ウエハの少なくとも一部分の全体にわたって分配された複数の位置でパラメータ値を予測するために、前記訓練されたニューラルネットワークを使用し、
   前記訓練されたニューラルネットワークによって予測された予測パラメータ値に基づき、前記ウエハの合格または不合格を決定するように構成されており、
   前記訓練されたニューラルネットワークは、複数種類の入力と、オーバーレイ誤差に関する出力とを有し、フォトリソグラフィープロセスに関連する前記オーバーレイ誤差を予測するものであり、
   前記複数種類の入力は、ウェハ座標値と、領域座標値と、ノイズ測定基準及び系統的測定基準を含む目標品質測定基準と、フォトリソグラフィプロセスパラメータ値を含むプロセス測定基準と、を含む、
   装置。
10. 請求項９に記載の装置であって、
    前記予測パラメータ値は、前記ウエハ全体にわたって、または、前記ウエハの１つの領域全体にわたって分配されている、装置。
11. 請求項９に記載の装置であって、
    前記予測パラメータ値は、複数のオーバレイ誤差値を含む、装置。
12. 請求項９に記載の装置であって、
    前記ニューラルネットワークの訓練及び前記訓練されたニューラルネットワークの使用は、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、前記ウエハの前記目標の少なくとも１つにおける少なくとも1つの目標品質測定基準を入力するステップを含む、装置。
13. 請求項９に記載の装置であって、
    前記ニューラルネットワークの訓練及び前記訓練されたニューラルネットワークの使用は、前記ニューラルネットワーク及び前記訓練されたニューラルネットワークに、前記ウエハの前記少なくとも1つの目標におけるバックグラウンド特性を数値化するノイズ測定基準、前記ウエハの前記少なくとも1つの目標における系統的測定基準、フォトリソグラフィー・ツールからの配列測定基準、及び前記ウエハの特性を特徴づける少なくとも1つのプロセス測定基準を入力することを含む、装置。
14. １つ以上のプロセッサと、
    １つ以上のメモリと、を備え、
    前記プロセッサの少なくとも１つ及びメモリは、
    ウエハから測定された、又は、ウェハを形成するプロセスから取得された複数の既知のパラメータ値を準備し、
    前記既知のパラメータに基づき複数の未知のパラメータ値を予測するために訓練されたニューラルネットワークモデルを使用する
    ように構成されており、
    前記訓練されたニューラルネットワークは、複数種類の入力と、オーバーレイ誤差に関する出力とを有し、フォトリソグラフィープロセスに関連する前記オーバーレイ誤差を予測するものであり、
    前記複数種類の入力は、ウェハ座標値と、領域座標値と、ノイズ測定基準及び系統的測定基準を含む目標品質測定基準と、フォトリソグラフィプロセスパラメータ値を含むプロセス測定基準と、を含む、
    装置。
15. 請求項１４に記載の装置であって、
    前記訓練されたニューラルネットワークモデルの使用は、前記フォトリソグラフィー・ツールのモデルを使用することなく、かつ、フォトリソグラフィー・ツールの光学的特性に依存することなく実行される、装置。
16. 請求項１４に記載の装置であって、
    前記光学的特性は、レンズ収差特性を含む、装置。
17. 請求項１４に記載の装置であって、
    前記既知のパラメータ値は、ウエハを形成するプロセスから取得される、装置。
18. 請求項１７に記載の装置であって、
    前記既知のパラメータ値は、ウエハを形成するフォトリソグラフィー・ツールの値のうちの、露光後ベーク（ＰＥＢ）温度、ＰＥＢ時間、底面の反射防止コーティング（ＢＡＲＣ）厚み、現像時間、施用量、焦点または走査方向の１つ以上の値を含む、装置。
19. 請求項１４に記載の装置であって、
    前記既知のパラメータ値は、前記ウエハの特性を特徴づける値である、装置。
20. 請求項１９に記載の装置であって、
    前記既知のパラメータ値は、クリティカル寸法、サイドウォール角度、フォトレジスト厚み、またはウエハ平面度のうちの１つ以上の値を含む、装置。
21. 請求項１９に記載の装置であって、
    前記未知のパラメータ値は、オーバレイ誤差値を含む、装置。
22. 請求項６に記載の方法であって、
    前記既知のパラメータ値は、ウエハを形成するプロセスから取得される、方法。
23. 請求項２２に記載の方法であって、
    前記既知のパラメータ値は、ウエハを形成するフォトリソグラフィー・ツールの値のうちの、露光後ベーク（ＰＥＢ）温度、ＰＥＢ時間、底面の反射防止コーティング（ＢＡＲＣ）厚み、現像時間、施用量、焦点または走査方向の１つ以上の値を含む、方法。
24. 請求項６に記載の方法であって、
    前記既知のパラメータ値は、前記ウエハの特性を特徴づける値である、方法。
25. 請求項２４に記載の方法であって、
    前記既知のパラメータ値は、クリティカル寸法、サイドウォール角度、フォトレジスト厚み、またはウエハ平面度のうちの１つ以上の値を含む、方法。
26. 請求項６に記載の方法であって、
    前記未知のパラメータ値は、オーバレイ誤差値を含む、方法。