JP7169377B2 - フォトリソグラフィ用の要素を検査および／または処理するための装置および方法 - Google Patents

Description

本出願は、独国特許出願第１０２０１８２０９５６２．０号の優先権を主張し、その全内容は、本開示の一部として参照により本明細書に組み込まれる。

本発明は、荷電粒子ビームを用いたフォトリソグラフィ用の要素を検査および／または処理するための装置および方法に関する。詳細には、本発明は、フォトリソグラフィ用の要素の欠陥の修復中に、フォトリソグラフィ用の要素に対する荷電粒子ビームのドリフトを事前に決定するための装置および方法に関する。

半導体産業における集積密度の向上の結果として、フォトリソグラフィマスクは、ますます小さな構造をウエハ上に結像（ｉｍａｇｅ）しなければならない。ウエハ上に結像される小さな構造寸法を生成するには、さらに小さな構造またはパターン要素を有するナノインプリントリソグラフィ用のフォトリソグラフィマスクまたはテンプレートが必要である。したがって、ナノインプリントリソグラフィ用のフォトリソグラフィマスクおよびテンプレートの製造プロセスは、ますます複雑になり、その結果、より多くの時間がかかり、最終的にはより高価にもなる。フォトリソグラフィマスクまたはテンプレートのパターン要素の微細な構造サイズのために、マスクまたはテンプレートの製造中の誤差を排除することは不可能である。これらの誤差は、可能な限り修復されなければならない。

フォトリソグラフィマスク、フォトマスク、露光マスク、または単にマスクの誤差もしくは欠陥は、多くの場合、１つまたは複数のプロセスガスもしくは前駆体ガスを修復サイトに供給し、欠陥を、例えば、電子ビームで走査することによって修復される。ナノインプリントリソグラフィ用のフォトマスクおよびテンプレートは、通常、電気絶縁性の試料である。したがって、マスクを電子で走査すると、マスクの静電帯電を引き起こし、これが電子ビームを偏向させる可能性がある。さらに、マスクの欠陥領域を繰り返し局所的に走査する結果として、マスクが局所的に加熱されることがあり、これはフォトマスクの長さの変化、したがって走査電子ビームに対するマスクの相対的な変位をもたらす。

両方の影響は、電子ビームの走査領域または書き込みフィールドの歪みおよび変位の形態で現れ、結果として、電子ビームによって捕捉された画像または書き込まれた構造の変位が生じる。さらに、両方の影響は、典型的には、例えば、縮尺の変化の形態で、走査電子ビームの画像フィールドの歪みをもたらす。

マスクと電子ビームとの間の相対変位の影響は、多くの場合、電子ビームの画像または走査領域内の基準マーキングに対して修復を規定し、画像処理方法によって修復時間にわたって基準マーキングの位置を追跡し、オフセットを用いて修復のための電子ビームを変位させることによって対処されている。以下に例として引用されている文献、すなわち、独国特許出願公開第２５５９２０９号、米国特許出願公開２００２／０１２２９９２号、同２００９／００１４６６３号、同２０１３／０１７７８５５号、および同２００９／０２１８４８８号は、基準マーキングの位置およびその経時的な変位の適用と検出に関するものである。

新しいアプローチでは、現在、機械学習（ＭＬ）モデルを用いて、フォトマスクの品質評価におけるいくつかの課題に取り組む試みがなされている。この手順の例として、以下の文献、すなわち、国際公開第２０１７／０８７６５３号、同２０１７／１１７５６８号、同２０１７／１２０２５３号、同２０１７／１２３５５５号、同２０１７／１２３５６１号、同２０１７／１１７５７３号、同２０１７／１２３５５５号、および同２０１７／２０５５３７号が引用される。

マーキングまたは基準マーキングは、修復プロセスの過程で劣化するが、これらは、修復される欠陥と同様の条件を受ける。したがって、マーキングは、可能な限り少ない頻度で走査される。しかしながら、この手順は、マスクと粒子ビームとの間の変位を可能な限り正確に検出し、この変位を可能な限り迅速かつ正確に補償するという目的と矛盾する。

したがって、本発明は、荷電粒子ビームのドリフト補償を改善し、上述した欠点を少なくとも部分的に回避する装置および方法を特定する問題に対処する。

本発明の一態様によると、この問題は、独立請求項１に記載の装置および独立請求項１８に記載の方法によって解決される。第１の実施形態において、荷電粒子ビームを用いてフォトリソグラフィ用の要素を検査および／または処理するための装置は、（ａ）フォトリソグラフィ用の要素が荷電粒子ビームに曝される間に、測定データを取得するための手段と、（ｂ）訓練（トレーニング）された機械学習モデルおよび／または予測フィルタを用いてフォトリソグラフィ用の要素に対する荷電粒子ビームのドリフトを事前に決定するための手段であって、訓練された機械学習モデルおよび／または予測フィルタが入力データとして少なくともその測定データを使用する、手段と、を備える。

フォトリソグラフィ用の要素の静電帯電も、フォトリソグラフィ用の要素および／または本発明による装置の熱ドリフトも、定常状態のプロセスではない。本発明による装置は、訓練された機械学習モデル（ＭＬモデル）および／または予測フィルタを含む。測定データに基づいて、ＭＬモデルおよび／または予測フィルタは、荷電粒子ビームとフォトリソグラフィ用の要素との間のドリフトを予測することができる。これにより、本発明による装置によってドリフトの連続的な補償が可能になる。その結果、第１に、従来技術と比較してドリフト修正またはドリフト補償の大きさ（範囲）を改善することが可能であり、第２に、ドリフト補償をチェックしなければならない間隔を大幅に長くすることが可能である。さらに、ドリフト補償の不確実性を付随的に推定することができる。その結果、適用条件に応じて、非常に信頼性の高いドリフト測定を頻繁に実行するように、または信頼性の低いドリフト測定を頻繁に実行しないように装置を設定することができる。

フォトリソグラフィ用の要素は、少なくとも１つのマーキングを含むことができる。

フォトリソグラフィ用の要素に存在するマーキングまたは基準マーキングにより、フォトリソグラフィ用の要素に対する荷電粒子ビームのドリフトを確実かつ再現可能に決定することができる。

測定データを取得するための手段は、少なくとも１つのマーキング上で荷電粒子ビームを走査するための手段と、少なくとも１つのマーキングから後方散乱された二次荷電粒子および／または荷電粒子を検出するための検出器と、を含むことができる。

本発明による装置は、少なくとも１つのマーキングを走査することによってフォトリソグラフィ用の要素の検査および／または処理を開始する前に、少なくとも１つのマーキングの基準位置を決定するように構成することができる。

１つまたは複数のマーキングの基準位置は、検査プロセスまたは処理プロセスの過程においてマーキングの位置の変化が参照される位置を形成する。マーキングの位置の変化は、相対的に、すなわち基準位置に対して、または絶対的に、すなわちフォトリソグラフィ用の要素の座標系に対して指定することができる。

装置は、基準位置に対する少なくとも１つのマーキングの位置変化を決定するように構成することができる。

時間間隔の後、測定データを取得するための手段は、マーキングの変位を決定するために、１つまたは複数のマーキングを再走査することができる。１つまたは複数のマーキングの新しいまたは更新された位置は、ＭＬモデルおよび／または予測フィルタの更新された入力データを形成する。更新された入力データに基づいて、ＭＬモデルおよび／または予測フィルタは、次の時間間隔に対するフォトリソグラフィ用の要素に対する荷電粒子ビームのドリフトを確認する。

装置は、少なくとも１つのマーキングの検出に関する確実性の程度を決定するように構成することができる。少なくとも１つのマーキングの検出に関する確実性の程度は、少なくとも１つのマーキングの座標とフォトリソグラフィ用の要素の少なくとも１つの欠陥との相互相関係数（ｃｒｏｓｓ－ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ）、または少なくとも２つのマーキングの座標間の相互相関係数を含むことができる。確実性の程度は、１つまたは複数のマーキングの位置を決定するための測定値の信頼度を示す。この変数は、少なくとも１つのマーキングの測定データの次の取得の時間間隔の決定において考慮され得る。

訓練された機械学習モデルは、信頼性の程度を決定するように構成することができる。

訓練された機械学習モデルおよび／または予測フィルタは、入力データとして信頼性の程度を使用するように構成することができる。

信頼性の程度は、次の時間間隔に対する１つまたは複数のマーキングの位置の予測の信頼度を示す。この変数が入力データとして機械学習モデルおよび／または予測フィルタに提供されることによって、予測フィルタは、少なくとも１つのマーキングの新しい測定データが取得されるべき時間範囲を予測することができる。

装置は、少なくとも２つのマーキングの位置変位から荷電粒子ビームの走査領域の歪みを決定するように構成することができる。

走査領域の歪みを決定するために、荷電粒子ビームの走査領域内に４つのマーキングを使用し、これらのマーキングが荷電粒子ビームの走査領域を大部分囲むようにこれらのマーキングを配置することが好都合である。

訓練されたモデルは、追加の入力データとして、検査および／または処理の少なくとも１つの追加のパラメータを使用することができる。

マーキングの測定データに加えて、１つまたは複数の追加のパラメータが機械学習モデルおよび／または予測フィルタの入力データとして使用されるという事実によって、荷電粒子ビームのドリフトの事前決定の精度を高めることができる。

少なくとも１つの追加のパラメータは、検査および／または処理領域の温度と、検査および／または処理領域の圧力と、検査および／または処理領域の空気湿度と、フォトリソグラフィ用の要素のタイプと、フォトリソグラフィ用の要素の欠陥のタイプと、欠陥のサイズと、フォトリソグラフィ用の要素上の欠陥の位置であって、少なくとも１つのマーキングに対する欠陥の位置と、欠陥修正に使用される少なくとも１つの前駆体ガスと、少なくとも１つの前駆体ガスのガス質量流量と、前駆体ガスの作用時間と、欠陥修正の持続時間と、装置内のフォトリソグラフィ用の要素の滞留継続時間と、１つまたは複数の荷電粒子ビームの走査動作モードと、フォトリソグラフィ用の要素の検査および／または処理中の荷電粒子ビームの滞留継続時間と、フォトリソグラフィ用の要素の処理中の少なくとも１つの前駆体ガスの切り替えプロセスの回数と、フォトリソグラフィ用の要素の処理中の少なくとも１つの前駆体ガスの切り替えプロセスの時点と、を含むことができる。

訓練された機械学習モデルおよび／または予測フィルタは、少なくとも１つのマーキングの基準位置の変位を経時的に連続的に事前に決定することができる。

本発明による装置の主な利点は、ＭＬモデルおよび／または予測フィルタが、任意の時点のフォトリソグラフィ用の要素に対する荷電粒子ビームのドリフトを事前に決定することができることである。これにより、本発明による装置は、１つまたは複数のマーキングの位置を等しく短い時間間隔で測定しなくても、連続的にまたは非常に短い時間間隔で相対ドリフトを修正することができる。これにより、検査プロセスおよび／または処理プロセス中にマーキングが過度に劣化するのを防ぐことができる。結果として、試験プロセスおよび／または処理プロセスに対するドリフトの影響を大部分回避することができる。

訓練された機械学習モデルは、測定データの新たな取得までの時間間隔の長さと、ドリフト修正の信頼性の程度と、少なくとも１つのマーキングの次の走査のための走査領域と、の群からの少なくとも１つの要素を出力することができる。

少なくとも１つのマーキングの位置変化の連続的な予測に加えて、ＭＬモデルは、信頼性の程度、または予測精度もしくは予測鋭敏さの程度を出力することができる。さらに、ＭＬモデルは、１つまたは複数のマーキングの新たな測定に基づいて、モデルによって予測されたマーキングの位置変化と、そのマーキングの測定された位置変化との差がチェックされることが意図された時間間隔の長さを指定することができる。これは、ＭＬモデルが、状況に応じて、測定による予測の次のチェックのための時点を提案することを意味する。一例として、時間間隔は、予測精度の程度に基づいて決定することができる。さらに、ＭＬモデルは、１つまたは複数のマーキングの走査を最適化することができるように、１つまたは複数のマーキングの次の走査の走査領域を出力することができる。

訓練された機械学習モデルは、再帰型ニューラルネットワーク（ＲＮＮ：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を含むことができる。再帰型ニューラルネットワークは、長短期記憶（ＬＳＴＭ：ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）ネットワークを含むことができる。

機械学習モデルの訓練データは、少なくとも１つのマーキングの位置データを含むことができる。さらに、機械学習モデルの訓練データは、少なくとも１つのマーキングの位置データと、検査および／または処理の少なくとも１つの追加のパラメータと、を含むことができる。さらに、機械学習モデルの訓練データは、少なくとも１つのマーキングの位置データと、検査および／または処理の少なくとも１つの追加のパラメータと、少なくとも１つのマーキングの検出に対する確実性の程度と、を含むことができる。機械学習モデルの訓練データは、少なくとも１つのマーキングの位置の予測の信頼度に対する信頼性の程度を含むことができる。

機械学習モデルの訓練データは、２つ以上の装置によって取得されたデータ、すなわち、位置データ、少なくとも１つの追加のパラメータ、信頼性の程度、および／または確実性の程度を含むことができる。訓練データは、異なる時間範囲および／または装置の異なる設定環境において取得することができる。さらに、訓練データは、装置の異なる状態において取得することができる。さらに、訓練データは、フォトリソグラフィ用の要素の検査中および／または処理プロセス中に取得することができる。

予測フィルタは、カルマンフィルタと、粒子フィルタと、有限インパルス応答を有するローパスフィルタと、の群からの要素を含むことができる。カルマンフィルタは、非線形の動きを考慮した拡張カルマンフィルタ（ＥＫＦ）を含むことができる。

フィルタは、少なくとも１つのマーキングの次の走査までの持続時間を、予測フィルタによる事前決定の不確実性と結合するように構成することができる。

予測フィルタは、マーキングの検出に関する確実性の程度が事前定義されたしきい値を超えた場合に、少なくとも２つのマーキングの測定値を破棄するように構成することができる。

本発明による装置は、訓練された機械学習モデルおよび予測フィルタを含むことができる。

訓練されたＭＬモデルは、少なくとも１つのマーキングの位置の次の測定まで、対応する不確実性／確実性を有する１つまたは複数のマーキングの位置の変化に関する複数の仮説を追跡するために、例えば、粒子フィルタなどの予測フィルタと一緒に使用することができる。この目的のために、複数の仮説がサンプリングされ、それぞれが訓練されたＭＬモデルに従って進められる。

予測フィルタおよび／または訓練された機械学習モデルは、少なくとも２つのマーキングの基準位置のそれぞれの変位および／または少なくとも２つのマーキングの重心の変位を事前に決定するように構成することができる。

訓練された機械学習モデルおよび／または予測フィルタは、荷電粒子ビームの走査領域の歪みパラメータを事前に決定するように構成することができる。

本発明による装置は、訓練された機械学習モデルおよび／または予測フィルタの出力データに基づいて、少なくとも１つのマーキングの即時走査または遅延走査を開始するように構成することができる。

訓練されたＭＬモデルおよび／または予測フィルタの信頼性の程度が、少なくとも１つのマーキングの位置変化の事前決定の不確実な予測を示す場合、事前決定の不確実性を排除するか、または少なくとも大幅に低減するために、マーキングの位置の測定を開始することができる。

測定データを取得するための手段は、フォトリソグラフィ用の要素に対する荷電粒子ビームの作用時間を決定するための手段を含むことができる。

測定データは、荷電粒子ビームのエネルギーと、荷電粒子ビームの電流強度と、の群からの少なくとも１つの要素を含むことができる。

荷電粒子の作用の持続時間は、そのビーム強度および荷電粒子ビームの運動エネルギーとともに、フォトリソグラフィマスクの静電帯電を決定する。さらに、これらのパラメータは、本発明によるフォトマスクおよび／または装置の局所的な温度変化に影響を与える。

測定データを取得するための手段は、フォトリソグラフィ用の要素からの荷電粒子の流出量を決定するための手段を含むことができる。フォトリソグラフィ用の要素からの荷電粒子の流出量を決定するための手段は、電流測定機器または電流計を含むことができる。

既に上で説明したように、フォトリソグラフィ用の要素の静電帯電は、静的ではない。要素の露出の結果として、さらなる電荷が要素に入力され、同時に電荷が要素から流出する。フォトリソグラフィ用の要素がフォトリソグラフィマスクを含む場合、電荷の流出は、マスクの個々の層の導電性を介して、または例えば表面に吸着されたガスの支援によってマスクの表面を介して起こる可能性がある。

さらに、装置は、訓練された機械学習モデルおよび予測フィルタを並行して実装するように構成することができる。

本発明による装置は、フォトリソグラフィ用の要素上に少なくとも１つのマーキングを堆積させるための手段をさらに含むことができる。少なくとも１つのマーキングを堆積させるための手段は、荷電粒子ビームと、堆積ガスの形態の少なくとも１つの前駆体ガスと、を含むことができる。

さらに、本発明による装置は、フォトリソグラフィ用の要素から少なくとも１つのマーキングを除去するための手段を含むことができる。少なくとも１つのマーキングを除去するための手段は、荷電粒子ビームと、エッチングガスの形態の少なくとも１つの前駆体ガスと、を含むことができる。さらに、少なくとも１つのマーキングを除去するための手段は、洗浄プロセス、特にフォトリソグラフィ用の要素の湿式化学洗浄プロセスを含むことができる。

本発明による装置は、荷電粒子ビームおよび少なくとも１つの前駆体ガスを用いて、フォトリソグラフィ用の要素の少なくとも１つの欠陥を修正するための手段をさらに含むことができる。欠陥は、フォトリソグラフィ用の要素の欠落した材料および／または過剰な材料の欠陥を含むことができる。欠落した材料の欠陥は、荷電粒子ビームと、堆積ガスの形態の前駆体ガスと、を使用することによって処理することができる。過剰な材料の欠陥は、荷電粒子ビームと、エッチングガスの形態の前駆体ガスと、を使用することによって処理することができる。

フォトリソグラフィ用の要素上にマーキングを堆積させるための前駆体ガスは、一酸化炭素（ＣＯ）と、二酸化炭素（ＣＯ₂）と、芳香族炭化水素と、脂肪族炭化水素と、の群からの少なくとも１つの要素を含むことができる。さらに、フォトリソグラフィ用の要素上にマーキングを堆積させるための、および／またはフォトリソグラフィマスクの１つもしくは複数のパターン要素の欠落した材料を堆積させるための前駆体ガスは、少なくとも１つの金属カルボニルを含むことができる。金属カルボニルは、クロムヘキサカルボニル（Ｃｒ（ＣＯ）₆）と、モリブデンヘキサカルボニル（Ｍｏ（ＣＯ）₆）と、タングステンヘキサカルボニル（Ｗ（ＣＯ）₆）と、ジコバルトオクタカルボニル（Ｃｏ₂（ＣＯ）₈）と、トリルテニウムドデカカルボニル（Ｒｕ₃（ＣＯ）₁₂）と、鉄ペンタカルボニル（Ｆｅ（ＣＯ）₅）と、の群からの少なくとも１つの要素を含むことができる。

エッチングガスは、キセノンジフルオリド（ＸｅＦ₂）と、塩素（Ｃｌ₂）と、酸素（Ｏ₂）と、オゾン（Ｏ₃）と、水蒸気（Ｈ₂Ｏ）と、過酸化水素（Ｈ₂Ｏ₂）と、一酸化二窒素（Ｎ₂Ｏ）と、一酸化窒素（ＮＯ）と、二酸化窒素（ＮＯ₂）と、硝酸（ＨＮＯ₃）と、アンモニア（ＮＨ₃）と、六フッ化硫黄（ＳＦ₆）と、塩化ニトロシル（ＮＯＣｌ）と、の群からの少なくとも１つの要素を含むことができる。

荷電粒子ビームは、電子ビームと、イオンビームと、の群からの少なくとも１つの要素を含むことができる。

フォトリソグラフィ用の要素は、フォトリソグラフィマスクと、ナノインプリントリソグラフィ用のテンプレートと、ウエハと、の群からの少なくとも１つの要素を含むことができる。

第２の実施形態において、荷電粒子ビームを用いてフォトリソグラフィ用の要素を検査および／または処理するための方法は、（ａ）フォトリソグラフィ用の要素が荷電粒子ビームに曝される間に、測定データを取得するステップと、（ｂ）訓練された機械学習モデルおよび／または予測フィルタを用いて、フォトリソグラフィ用の要素に対する荷電粒子ビームの少なくとも１つのドリフトを事前に決定するステップであって、訓練された機械学習モデルおよび／または予測フィルタが入力データとして少なくとも測定データを使用する、ステップと、を含む。

本方法は、第１の実施形態の装置によって実行されるように設計することができる。

コンピュータプログラムは、コンピュータシステムによって実行されると、第１の実施形態による装置に第２の実施形態の方法の方法ステップを実行させる命令を含むことができる。

以下の詳細な説明は、図面を参照して、本発明の現在好ましい例示的な実施形態を説明する。

電子ビームを用いたフォトリソグラフィ用の要素を検査および／または処理するときの問題の一態様であり、要素は、帯電した表面を有する図である。 フォトリソグラフィマスクの欠陥の第１の例示的な修復状況の概略平面図である。 図２ａの欠陥の修復状況の第２の例の概略平面図である。 従来技術による、マーキングに対する静電帯電によって引き起こされる電子ビームのドリフトの補償を概略的に示す図である。 欠陥修復プロセスの過程における図２ｂのマーキングの測定された変位を示す図である。 図の上側部分は、図２ｂの欠陥に対する歪みのない修復形状を示し、図の下側部分は、図２ｂの欠陥を補償するための電子ビームのドリフトによって歪んだ修復形状を示す図である。 図２ａおよび図２ｂの欠陥の修復中のｘ軸およびｙ軸に対するマーキングの変位を示す図である。 機械学習モデルの訓練プロセスの概略図である。 図２ａおよび図２ｂの欠陥の修正プロセス中に電子ビームのドリフトを事前に決定するための訓練された機械学習モデルの実施を示す概略図である。 本発明による装置を用いた、マーキングに対する静電帯電によって引き起こされる電子ビームのドリフトの補償を概略的に示す図である。 本発明による方法を実行するための装置の一部の構成要素を示す概略図である。 図２ａおよび図２ｂの欠陥の修復プロセスにおける本発明による方法の埋め込みを流れ図で示す図である。 荷電粒子ビームを用いてフォトリソグラフィ用の要素を検査および／または処理するための本発明による方法の流れ図である。

本発明による装置および本発明による方法の現在好ましい実施形態を、フォトリソグラフィマスクの検査およびフォトリソグラフィマスクの欠陥の処理に基づいて、以下により詳細に説明する。本発明による装置および本発明による方法は、すべてのタイプの透過性ならびに反射性フォトマスクを検査および／または処理するために使用することができる。さらに、本発明による装置および本発明による方法は、ナノインプリントリソグラフィ用のテンプレートおよび／またはウエハを、検査および／または処理するために使用することもできる。しかしながら、本発明による装置および本発明による方法は、フォトリソグラフィ用の要素を検査および／または処理することに限定されない。むしろ、本発明は、一般に、荷電粒子ビームを用いて非導電性のもしくは導電性がわずかしかない試料を分析および／または処理するために使用することができる。

図１の略図１００は、帯電した試料１１０および走査型電子顕微鏡１６０の出力１６５の概略断面図を示す。試料１１０は、例えば、フォトマスクの電気絶縁性基板であってもよい。試料１１０は、処理されるウエハであってもよく、またはウエハもしくはウエハ上のフォトレジストによって実現されてもよい。試料１１０は、その表面１２０上に、試料１１０の電位分布または静電帯電を引き起こす表面電荷の分布を有する。図の左側部分１０５には、試料表面１２０は、正の帯電１４０を有する。図の右側部分１９５では、試料表面１２０は、過剰な負電荷１５０を示す。以降、参照符号１４０および１５０は、試料表面１２０上の表面電荷の分布および帯電した表面によって引き起こされる電位分布の両方を示すために使用される。

試料表面１２０の帯電１４０、１５０は、荷電粒子ビーム１７０、例えば、走査型電子顕微鏡（ＳＥＭ）１６０の電子ビーム１７０によって引き起こされることがある。試料表面１２０の静電帯電１４０、１５０は、検査プロセスに関連して試料１１０の走査によって引き起こされることがあり、または処理プロセスの結果として生じることがある。一例として、静電帯電は、イオンビームを用いた試料１１０の処理中、および／またはウエハ上に配置されたフォトレジストの処理プロセス中に引き起こされることがある。さらに、試料１１０の静電帯電１４０、１５０は、例えば、試料１１０の取り扱いによって引き起こされることがある。

図１の略図１００に表されている試料１１０の部分において、表面電荷１４０、１５０の分布は、均一な密度を有する。しかしながら、これは、ここで論じる装置および方法を適用するための前提条件を表すものではない。むしろ、本出願で提示される方法および装置は、電位が小さな横方向距離内で変化する静電帯電にも対処することができる。

図１の例では、偏向システム１７５は、試料１１０の構造要素１３０の寸法を決定するために、電子ビーム１７０を偏向させ、試料表面１２０上で電子ビーム１７０を走査する。一例として、構造要素１３０は、フォトリソグラフィマスクの吸収体構造のパターン要素とすることができる。同様に、構造要素１３０は、フォトマスクがフォトレジストに投影された要素とすることができる。別の例では、構造要素１３０は、ウエハのチップの要素である。

略図１００において図の左側部分１０５に示されているように、試料表面１２０の正の帯電１４０の引力効果の結果として、構造要素１３０を走査する電子ビーム１７０は、試料表面１２０の近傍で光軸１７２の方向に偏向され、軌道１７４をたどる。電位分布１４０がなければ、電子ビーム１７０は、経路１７６をたどる。電子ビーム１７０によって生成されたＳＥＭ画像では、走査された寸法１７８は、構造要素１３０の実際の寸法１８０よりも大きく見える。

同様に、図１において図の右側部分１９５は、電子ビーム１７０の電子１７０の経路移動１８４に対する負に帯電した１５０試料表面１２０の反発効果を示す。静電帯電１５０の結果として、試料表面１２０の近傍で、ビーム軸１７２から離れる方向に向けられた電子ビーム１７０のさらなる偏向の結果として、走査データから生成されたＳＥＭ画像における構造要素１３０の実際の寸法１８０は、構造要素１３０の実際の寸法１８０よりも小さい寸法１８８を有するように見える。

電子ビーム１７０によって、またはより一般的には荷電粒子ビーム１７０を用いて構造要素１３０を走査すると、試料１１０の局所的な加熱、したがって試料１１０の大きさの変化をもたらすことがある。試料１１０の長さのこれらの変化がナノメートル範囲内にしかない場合でも、それにもかかわらず、これらの変化は、処理プロセスの成功を危うくしないために、試料１１０の、以下に記載される、処理プロセスにおいて考慮されるべきである。さらに、ＳＥＭ１６０および／または試料１１０、あるいは試料マウント（図１には図示せず）の熱効果により、試料１１０上の電子ビーム１７０の入射点が、時間の関数として２桁のナノメートル範囲で再びドリフトする可能性がある。

図２ａは、フォトリソグラフィマスク２００の平面図の抜粋２０５を示す。フォトマスク２００は、基板２１０を含む。吸収性ストリップの形態の２つのパターン要素２２０および２３０が、マスク２００の基板２１０上に配置されている。パターン要素２２０において、マスク２００は、過剰な材料の形態の欠陥２９０を有する。欠陥２９０を修正するために、図２ａに示す第１の例では、走査型電子顕微鏡１６０の電子ビーム１７０の走査領域内の欠陥２９０の近傍のパターン要素２２０にマーキング２８０が施されている。マーキング２８０は、欠陥２９０の修復プロセス中に欠陥２９０に対する電子ビーム１７０のドリフトまたは変位を決定および補償するために使用される。

図２ａのマスク２００上では、マーキング２８０がパターン要素２２０上に施されている。しかしながら、フォトマスク２００の基板２１０上にマーキング２８０を施すことも可能である。しかしながら、パターン要素２２０または２３０上にマーキング２８０を施すことは、パターン要素２２０、２３０が吸収性材料を含むフォトマスク２２０にとって好都合である。吸収性パターン要素２２０および／または２３０上に存在するマーキング２８０もしくはマーキング２８０の残留物は、基板２１０上に施されるマーキングよりもフォトマスクの動作を乱す大きさが小さい。

マーキング２８０は、マスク２００上の欠陥２９０の識別後に、例えば、電子ビーム誘起堆積（ＥＢＩＤ：ｅｌｅｃｔｒｏｎ ｂｅａｍ ｉｎｄｕｃｅｄ ｄｅｐｏｓｉｔｉｏｎ）プロセスを用いて、すなわち、マスク２００上に少なくとも１つの前駆体ガスまたはプロセスガスを供給することによって堆積が行われる。マーキング２８０がマスク２００のパターン要素２２０、２３０とは異なる材料組成を有するように前駆体ガスを選択することが有利である。ＳＥＭ１６０の画像では、トポロジーコントラストに加えて、マーキング２８０は、材料コントラストによってさらに際立つ。

図２ｂの略図２５５は、欠陥２９０を有する図２ａのフォトリソグラフィマスク２００の抜粋２０５を再び示す。欠陥２９０を修正するために、図２ｂに示す第２の例では、４つのマーキング２４０、２５０、２６０、および２７０が、走査型電子顕微鏡１６０の電子ビーム１７０の走査領域内の欠陥２９０の周りに矩形の形態でパターン要素２２０および２３０上に施されている。マーキング２４０、２５０、２６０、および２７０は、欠陥２９０の修復プロセス中に欠陥２９０に対する電子ビーム１７０のドリフトまたは変位を決定および補償するために使用される。

マスク２００上には、図２ａの例では、１つのマーキング２８０が施されており、図２ｂの例では、４つのマーキング２４０、２５０、２６０、および２７０が欠陥２９０の周りに配置されている。本発明による方法を実行するために、マスク２００上に１つのマーキング２８０または４つのマーキング２４０、２５０、２６０、および２７０を施す必要はない。むしろ、本発明による方法を実行するために、任意の所望の数のマーキングを使用することが可能である。

代替の実施形態では、電子ビーム誘起エッチング（ＥＢＩＥ）プロセスを用いて、すなわち、１つまたは複数のエッチングガスおよび電子ビーム１７０を供給することによって、パターン要素２２０、２３０および／または基板２１０に１つまたは複数の凹部をエッチングすることによって、マスク２００のパターン要素２２０、２３０に１つまたは複数のマーキング２４０、２５０、２６０、２７０、２８０を施すことも可能である。

過剰な材料の欠陥２９０は、多くの場合、局所的な電子ビーム誘起エッチングプロセスを実行することによって、フォトマスク２００の基板２１０から除去される。欠陥２９０を修復するために、欠陥２９０に対して、エッチングプロセス中に欠陥２９０を横切る集束電子ビーム１７０の走査を記述する修復形状が決定される。欠陥２９０の修復形状は、計測ツールによって識別された欠陥２９０のトポロジーを考慮する。

本発明による装置およびそれぞれ本発明による方法は、過剰な材料の欠陥２９０を修正することに限定されない。むしろ、これらは、１つまたは複数のパターン要素２２０、２３０の欠落した材料の欠陥、および／またはフォトマスク２００の基板２１０の欠落した材料の欠陥を修正するために使用することもできる（図２ａおよび図２ｂには図示せず）。

図３は、従来技術による欠陥２９０の修復プロセス中の、マーキング２４０、２５０、２６０、２７０、２８０に対する電子ビーム１７０のドリフトまたは変位の補償を概略的に示す。試料１１０、例えばフォトリソグラフィマスク２００の局所的な静電帯電は、数学的に定義することは困難である。これは、電子ビーム１７０とマーキング２４０、２５０、２６０、２７０、２８０との間の熱ドリフトにも当てはまる。したがって、試料１１０の静電帯電の影響および／または電子ビーム１７０の入射点に対する試料１１０の変位が、マーキング２４０、２５０、２６０、２７０、２８０に対して周期的な時間間隔で検出され、修正される。図３の実線の曲線３１０は、欠陥２９０の修復プロセス中の、時間の関数としてのマーキング２４０、２５０、２６０、２７０、２８０の変化、変位、変動、またはドリフトを概略的に示す。

修復プロセスの開始時に、マーキング２４０、２５０、２６０、２７０、２８０の基準位置３３０が確認される。基準位置３３０は、マスク２００の基準マーキングに対して相対的に、または試料１１０もしくはマスク２００の座標系に対して絶対的に指定することができる。第２のステップは、マーキング２４０、２５０、２６０、２７０、２８０に対して修復形状の位置を規定することを含む。その後、欠陥２９０の修復が開始される。この目的のために、図２ａおよび図２ｂの欠陥２９０のサイトに、１つまたは複数のエッチングガスが供給され、修復形状によって予め規定されたように、電子ビーム１７０が欠陥２９０上で走査される。

修復プロセスは、規則的または不規則な時間間隔３４０で中断されるが、マーキング２４０、２５０、２６０、２７０、２８０を電子ビーム１７０で走査するために、前駆体ガスの供給は、中断されない。マーキング２４０、２５０、２６０、２７０、２８０のＳＥＭ画像から、基準マーキング３３０に対する、またはマーキング２４０、２５０、２６０、２７０、２８０の先行する測定値に対する、マーキング２４０、２５０、２６０、２７０の変位３５０、ドリフト３５０、または変化３５０が決定される。その後、マーキング２４０、２５０、２６０、２７０、２８０に対する修復形状の相対的または絶対的な位置が、マーキングの変化に基づいて修正され、欠陥２９０の修復プロセスが継続される。

図４は、欠陥２９０の修復プロセスの過程における４つのマーキング２４０、２５０、２６０、２７０の変位を示す。変位またはドリフトは、図３の測定値３５０のうちの１つを表すことができる。マーキング２４０は、静電帯電および／または熱ドリフトによって基準位置３３０から新しい位置４４０に変位４１０だけ変位される。マーキング２５０は、矢印４２０によって表されるように、基準位置３３０からその新しい位置４５０にドリフトする。矢印４３０によって示されるように、マーキング２６０は、その元の位置３３０を新しい位置４６０に変更する。最後に、マーキング２７０は、変位４８０またはドリフト４８０を受け、新しい位置４７０で見出される。変位４１０、４２０、４３０、および４８０またはドリフト４１０、４２０、４３０、４８０は、試料１１０またはフォトマスク２００の表面１２０上の２次元ベクトルである。

図４に示す例では、変位４１０、４２０、４３０、４８０は、マーキング２４０、２５０、２６０、２７０のすべてについて同一ではない。その結果、基準位置３３０の時点でのマーキング２４０、２５０、２６０、２７０の元の矩形は、頂点４４０、４５０、４６０、および４７０を有する四辺形に変化する。これは、電子ビーム１７０のドリフト４１０、４２０、４３０、４８０を可能な限り補償するために、欠陥２９０を修正するための元の修復形状を、マーキング２４０、２５０、２６０、２７０の異なるドリフト４１０、４２０、４３０、４８０に適合させるべきであることを意味する。

図５は、図の上側部分に、基準マーキング３３０を決定した時点、すなわち欠陥２９０の修復プロセスの開始時の例示的な修復形状５００を示す。図５において図の下側部分は、図４に示すような、矩形から四辺形に歪んだマーキング２４０、２５０、２６０、２７０に基づいて確認された歪んだ修復形状５５０を提示する。歪んだ修復形状５５０は、元の修復形状５００よりも欠陥２９０のさらなる修復に適している。

しかしながら、図４において、マーキング２４０、２５０、２６０、２７０は、基準位置３３０に対して実質的に１つの変位のみを受けることも可能であり、その結果、最初に確認された修復形状５００を、欠陥２９０の修復プロセス全体を通して使用することができる。

図６は、欠陥２９０の修復プロセス中のマーキング２４０、２５０、２６０、２７０、２８０の変位またはドリフトの一例を表す。図６のグラフ６００のｘ軸には、時間が任意単位でプロットされている。グラフ６００の横軸には、修復プロセス中のマーキング２４０、２５０、２６０、２７０、２８０の測定数を表すこともできる。２つの走査プロセスを実行する間の時間間隔は、１秒～５０秒の範囲にあってもよい。図６に示す例は、約１０００秒の時間範囲を示している。グラフ６００のｙ軸には、マーキング２４０、２５０、２６０、２７０、２８０の総変位またはドリフトが、マーキング２４０、２５０、２６０、２７０、２８０の基準位置３３０に対して任意単位で表されている。一例として、ドリフトは、一方向における電子ビーム１７０の走査されたピクセル数として指定することができる。電子ビームの集束に応じて、ピクセルは、０．１ｎｍ～１０ｎｍの範囲の寸法を有することができる。グラフ６００の縦座標は、約１２０ｎｍの位置変化を含む。

ｘ方向のマーキング２４０、２５０、２６０、２７０、２８０のドリフト６１０は、グラフ６００の曲線６１０によって表され、ｙ方向のマーキング２４０、２５０、２６０、２７０、２８０の変位６２０は、曲線６２０によって表されている。マーキング２４０、２５０、２６０、２７０、２８０の大きな位置変化６１０、６２０または位置変位６１０、６２０は、２つのプロセスガスまたは前駆体ガスを切り替えることによってもたらされる。これは、図６の矢印６４０によって示されている。位置変化６１０、６２０のより小さな偏位（ｅｘｃｕｒｓｉｏｎ）は、欠陥２９０を修復するための異なる修復形状５００、５５０間の切り替えの結果として生じている。

検査プロセスおよび／または処理プロセス中に、例えば欠陥２９０の修正中に、マーキング２４０、２５０、２６０、２７０、２８０のドリフト４１０、４２０、４３０、４８０、６１０、６２０を補償するために、本出願に記載される装置および方法は、機械学習モデルまたは予測フィルタを使用する。機械学習モデルは、人工ニューラルネットワーク（ＡＮＮ）を含むことができる。ＡＮＮは、時系列データの処理に特に適した再帰型ネットワーク（ＲＮＮ）の形態で具現化することができる。ＲＮＮは、以前の時系列履歴をコード化した一種のメモリである内部状態を有する。時間依存入力信号の入力に加えて、ＲＮＮは、今の時点または現時点に関連付けられた出力を生成し、それ自体の状態または内部状態を更新するために、前の時点の内部状態のステータスにさらにアクセスすることができる。このフィードバックの結果として、ＲＮＮは、信号の動的挙動を学習することができる。

ＲＮＮを実現するための１つの可能性は、ＬＳＴＭ（長短期記憶）の使用であり、これは、新しい入力信号が存在する場合に内部状態を変化させるために使用することができる。ＬＳＴＭユニットは、セル、入力ゲート、出力ゲート、および忘却ゲートを含む。ＬＳＴＭゲートは、多くの場合、ロジスティック関数を使用して活性化を計算する。入力ゲートは、新しい値がセルに入る大きさを制御する。出力ゲートは、ＬＳＴＭユニットの出力活性化を計算するためにセル内の値が使用される大きさを決定し、忘却ゲートは、値がセル内に残る大きさを決定する。したがって、本モデルは、長期間にわたって依存関係をモデル化することができるように、長期間にわたってさえも関連情報を記憶するように学習することができる。

マーキング２４０、２５０、２６０、２７０、および２８０の変位４１０、４２０、４３０、４８０、６１０、６２０の少なくとも最後の測定値３５０が、訓練された機械学習モデルへの入力データとして提供される。好ましくは、基準位置３３０の決定から始まるすべての測定値の履歴が、訓練された機械学習モデルへの入力データとして利用可能にされる。

加えて、マーキング２４０、２５０、２６０、２７０、２８０の位置４４０、４５０、４６０、４７０の検出に関する確実性の程度を、訓練された機械学習モデルに提供することができる。確実性の程度は、マーキング２４０、２５０、２６０、２７０、２８０の位置４４０、４５０、４６０、４７０を確認する共分散を含むことができる。共分散は、例えば、マーキング２４０、２５０、２６０、２７０、２８０と欠陥２９０との間、および／または２つのマーキング２４０、２５０、２６０、２７０間の相互相関係数の形態で表すことができる。

さらに、信頼性の程度を、訓練された機械学習モデルおよび／または予測フィルタへの入力データとして利用可能にすることができる。訓練された機械学習モデルおよび／または予測フィルタは、信頼性の程度を使用して、マーキング２４０、２５０、２６０、２７０、２８０の新しい測定データをいつ取得すべきかの時間範囲を予測することができる。

さらに、機械学習モデルの予測精度のために、荷電粒子ビーム１７０の分析サイトおよび／または処理サイトの環境を特徴付ける１つまたは複数のパラメータを入力データとしてモデルに利用可能にすることが有利である。分析サイトおよび／または処理サイトの環境を特徴付けるパラメータは、温度、圧力、空気湿度、荷電粒子ビーム、例えば電子ビーム１７０の運動エネルギー、荷電粒子ビームの電流強度、走査型粒子顕微鏡、例えばＳＥＭ１６０の露光設定、フォトリソグラフィ用の要素のタイプ、例えばフォトリソグラフィマスクのタイプ、フォトリソグラフィ用の要素の欠陥、例えばマスク２００の欠陥２９０のタイプ、欠陥のサイズ、フォトリソグラフィ用の要素上の欠陥の位置、例えばパターン要素２２０および２３０に対する欠陥２９０の位置、欠陥修正に使用される少なくとも１つの前駆体ガス、少なくとも１つの前駆体ガスのガス質量流量、少なくとも１つの前駆体ガスの作用時間、および欠陥修正の持続時間を含むことができる。さらなる可能なパラメータは、修復装置におけるマスク２００の滞留継続時間、検査装置および／または処理装置の電子ビーム１７０の１つまたは複数の走査動作モード、フォトマスク２００の欠陥２９０の検査中および／または処理中の電子ビーム１７０の滞留継続時間、欠陥２９０の修復中の１つまたは複数の前駆体ガスの切り替えプロセスの回数、および欠陥２９０の修復中の前駆体ガスの切り替えプロセスの時点である。

マーキング２４０、２５０、２６０、２７０、２８０の変位４１０、４２０、４３０、４８０、６１０、６２０ ｄｘ（ｔ）およびｄｙ（ｔ）を予測するために一般的な機械学習モデルを使用することができるようになる前に、モデルは、広範なデータセットまたは訓練データセットに基づいて、そのタスクのために訓練されなければならない。図７は、一般的な機械学習モデルを訓練するプロセスを概略的に示す。図７の略図７９０は、入力層７１０および出力層７２０を有する機械学習モデル７００を提示する。機械学習モデル７００は、モデル内部構造を、解決すべき問題、すなわち基準位置３３０に対するマーキング２４０、２５０、２６０、２７０、２８０のドリフト４１０、４２０、４３０、４８０、６１０、６２０の予測に適合させることによって、一般的なＭＬモデルから生じる。

訓練データを生成するために、ＳＥＭ１６０を用いて、長い同じタイプの一連の測定が実施される。この場合、マーキング２４０、２５０、２６０、２７０、２８０の最後の測定の位置データ４４０、４５０、４６０、４７０が、機械学習モデル７００への前半の訓練データとして利用可能にされる。これは、図７のブロック７３０によって表されている。第２の部分の訓練データセットとして、マーキング２４０、２５０、２６０、２７０、２８０のドリフト４１０、４２０、４３０、４８０から決定された修復形状５００、５５０の変位および／または歪みが、入力層７１０を介して機械学習モデル７００に提供される。訓練機械学習モデル７００は、その出力層７２０において、修復形状５００、５５０の変位および／または歪みの予測を出力する。次いで、修復形状５００、５５０の計算された変位７４０および／または歪み７４０が、予測された変位７５０および／または歪み７５０と比較される。このことが、図７の両方向矢印７６０によって示されている。機械学習モデル７００のモデルパラメータは、修復形状５００、５５０に対して、計算された変位７４０と予測された変位７５０との差、および／または計算された歪み７４０とモデル７００によって予測された歪み７５０との差を最小化するために変更される。

図８の略図８９０は、フォトリソグラフィマスク２００の欠陥２９０の処理プロセス中に修復形状５００、５５０のドリフトおよび／または歪みを事前に決定するために使用することができる訓練された機械学習モデル８００を概略的に示す。入力層７１０を介して、訓練された機械学習モデル８００は、マーキング２４０、２５０、２６０、２７０、２８０の位置４４０、４５０、４６０、４７０の少なくとも最後の測定値の形態で入力データを受け取る。加えて、上述した追加のパラメータを入力データとしてモデルに提供することができる。訓練された機械学習モデル８００は、入力データ８３０から、出力データ８５０として、荷電粒子ビーム１６０のドリフト、あるいはフォトリソグラフィマスク２００の欠陥２９０に対する修復形状５００、５５０の変位および／または歪みを決定する。

図９は、本発明による装置を使用する場合のフォトマスク２００の欠陥２９０の修復プロセス中の、電子ビーム１７０のドリフト４１０、４２０、４３０、４８０または変位４１０、４２０、４３０、４８０、あるいはマーキング２４０、２５０、２６０、２７０、２８０に対する修復形状５００、５５０の変位および／または歪みの補償を概略的に示す。グラフ９００の実線３１０は、図３の曲線３１０を再現している。後者は、フォトリソグラフィマスク２００の局所的な静電帯電の影響を表現している。

本発明による装置は、訓練された機械学習モデル、例えば訓練された機械学習モデル８００を含む。マーキングのドリフト４１０、４２０、４３０、４８０の予測は、図９の点線の曲線９２０で表されている。図３に関連して説明したように、マーキング２４０、２５０、２６０、２７０、２８０の基準位置３３０は、欠陥２９０の修復の開始前に決定される。グラフ９００から推測することができるように、訓練された機械学習モデル８００は、マスク２００の欠陥２９０の修復の比較的長い時間範囲９３０にわたってマーキング２４０、２５０、２６０、２７０、２８０の変動４１０、４２０、４３０、４８０をほぼ完全に予測している。さらに、マーキング２４０、２５０、２６０、２７０、２８０の第２の測定９４０の場合、測定されたドリフト３１０と事前に決定されたドリフト９２０との偏差は、図３よりもはるかに小さい。

入力データ８３０としてのマーキング２４０、２５０、２６０、２７０、２８０の第２の測定９４０のデータに基づいて、訓練された機械学習モデル８００は、修復プロセスの比較的長い時間範囲９５０にわたる変位またはドリフト４１０、４２０、４３０、４８０のプロファイルを再び事前に決定することができる。マーキング２４０、２５０、２６０、２７０、２８０の第３の測定９６０の場合、実際のドリフト３１０と予測されたドリフト４１０、４２０、４３０、４８０との間の偏差は、再び小さい。マーキング２４０、２５０、２６０、２７０、２８０の更新された位置４４０、４５０、４６０、４７０を入力データ８３０として訓練されたモデル８００に入力した後、モデル８００は、マーキング２４０、２５０、２６０、２７０、２８０のドリフト４１０、４２０、４３０、４８０を長い時間範囲９７０にわたって高い精度で事前に決定することができる。

次の処理間隔９３０、９５０、９７０に対するマーキング２４０、２５０、２６０、２７０、２８０のドリフトまたは変位４１０、４２０、４３０、４８０ ｄｘ（ｔ）およびｄｙ（ｔ）の予測に加えて、訓練された機械学習モデル８００は、マーキング２４０、２５０、２６０、２７０、２８０の次の測定までの間隔９３０、９５０、９７０の長さを予測するように訓練することができる。さらに、訓練された機械学習モデル８００は、マーキング２４０、２５０、２６０、２７０、２８０の次の走査プロセスのための走査領域を推奨するように設計することができる。さらに、訓練された機械学習モデル８００は、次の処理間隔９３０、９５０、９７０に対する予測精度の程度または信頼性の程度を出力するように設計することができる。

加えて、訓練された機械学習モデル８００は、その出力層７２０において、修復形状５００、５５０の変位および／または歪みを提供するように設計することができる。訓練された機械学習モデル８００の別の例示的な実施形態では、修復形状５００、５５０の変位および／または歪みは、訓練されたモデル８００によって供給される出力データ、すなわちマーキング２４０、２５０、２６０、２７０、２８０のドリフト４１０、４２０、４３０、４８０から確認することができる。

図９から明らかなように、訓練された機械学習モデル８００の使用により、予測ドリフト４１０、４２０、４３０、４８０とマーキング２４０、２５０、２６０、２７０、２８０の実際の変位３１０との間の誤差を最小化することが可能である。さらに、訓練された機械学習モデル８００の使用により、マーキング２４０、２５０、２６０、２７０、２８０にわたる走査プロセスの回数が最小化される。これには２つの有利な効果がある。第１に、マーキング２４０、２５０、２６０、２７０、２８０の劣化が低減され、これは、マーキングの位置の決定の精度にとって有利である。第２に、マーキング２４０、２５０、２６０、２７０、２８０を走査するために節約された時間を、欠陥２９０を修復するために使用することができる。その結果、欠陥修復プロセスのスループットが向上する。

訓練された機械学習モデル８００を用いて、マーキング２４０、２５０、２６０、２７０、２８０のドリフト４１０、４２０、４３０、４８０を予測する代わりに、予測フィルタをこの目的のために使用することもできる。上で既に説明したように、予測フィルタは、例えば、カルマンフィルタ、粒子フィルタ、または有限インパルス応答を有するローパスフィルタの形態で具現化することができる。予測フィルタは、入力データとして、マーキング２４０、２５０、２６０、２７０、２８０の位置４４０、４５０、４６０、４８０の最後の決定データを使用する。さらに、マーキング２４０、２５０、２６０、２７０、２８０の以前の測定値を、予測フィルタへの入力データとして同様に利用可能にすることができる。さらに、マーキング２４０、２５０、２６０、２７０、２８０の検出に関する確実性の程度を、入力データとして予測フィルタに利用可能にすることが可能である。

入力データから、予測フィルタは、次の処理間隔のマーキング２４０、２５０、２６０、２７０、２８０に対するドリフトまたは変位４１０、４２０、４３０、４８０ ｄｘ（ｔ）およびｄｙ（ｔ）を予測する。さらに、予測フィルタは、予測の不確実性または信頼性の程度を決定するように設計することができ、これらは、マーキング２４０、２５０、２６０、２７０、２８０が走査される頻度を適合させるために使用することができる。さらに、予測フィルタは、特に深刻なドリフト４１０、４２０、４３０、３８０、６１０、６２０が、外部パラメータの変化のために、例えば、前駆体ガスの切り替えの結果としておよび／または修復形状５００、５５０間の切り替えの結果として、検出および／または予測された場合、初期状態にリセットすることができる。

さらに、マーキング２４０、２５０、２６０、２７０、２８０の動きに関する可能な仮定または予備知識は、動きモデルとして、例えば、線形動きモデルを指定することによって、予測フィルタに影響を与えることができる。予備知識が利用可能でない場合は、既に上で説明したように、利用可能なデータから動きモデルを学習することも可能である。

図１０は、真空チャンバ１００２内に走査型粒子顕微鏡１０２０を有する装置１０００または測定装置１０００のいくつかの構成要素を断面で概略的に示す。図１０の例では、走査型粒子顕微鏡１０２０は、走査型電子顕微鏡（ＳＥＭ）１０２０、例えば、図１のＳＥＭ１６０である。粒子ビームとしての電子ビームは、試料１１０、例えばマスク２００が、前記ビームによって実質的に損傷され得ないか、またはわずかな大きさしか損傷され得ないという利点を有する。しかしながら、他の荷電粒子ビーム、例えばＦＩＢ（集束イオンビーム）システム（図１０には図示せず）のイオンビームも可能である。

ＳＥＭ１０２０は、粒子銃１０２２と、電子光学ユニットまたはビーム光学ユニット１０２６が配置されているカラム１０２４と、を必須の構成要素として備える。電子銃１０２２は、電子ビーム１０２８を生成し、電子またはビーム光学ユニット１０２６は、電子ビーム１０２８を集束させ、電子ビーム１０２８を、カラム１０２４の出力で試料１１０またはマスク２００に向ける。試料１１０またはマスク２００は、構造要素またはパターン要素１３０を有する表面１２０を有する。マスク２００上に存在する表面電荷１４０、１５０は、図１０には示されていない。

試料１１０またはマスク２００は、試料ステージ１００５上に配置されている。図１０の矢印によって表されているように、試料ステージ１００５は、ＳＥＭ１０２０の電子ビーム１０２８に対して３つの空間方向に移動することができる。

分光計－検出器の組合せ１０４０は、測定点１０３５で電子ビーム１０２８から生成された二次電子および／または試料１１０によって後方散乱された電子をそれらのエネルギーに基づいて区別し、次いでそれらを電気測定信号に変換する。次いで、測定信号は、コンピュータシステム１０７０の評価ユニット１０７６に渡される。

エネルギーを分離するために、分光計－検出器の組合せ１０４０は、エネルギーで電子を区別するためのフィルタまたはフィルタシステムを含むことができる（図１０には図示せず）。

分光計－検出器の組合せ１０４０と同様に、エネルギー分解分光計をＳＥＭ１０２０のカラム１０２４の外側に配置することができる。しかしながら、分光計および関連する検出器をＳＥＭ１０２０のカラム１０２４内に配置することも可能である。図１０に示す例では、分光計１０４５および検出器１０５０は、ＳＥＭ１０２０のカラム１０２４内に組み込まれている。分光計－検出器の組合せ１０４０に加えて、またはその代替として、分光計１０４５および検出器１０５０を装置１０００において使用することができる。

さらに、図１０の装置１０００は、測定点１０３５において入射電子ビーム１０２８によって生成された光子を検出するための検出器１０５５を備えてもよい。検出器１０５５は、例えば、生成された光子のエネルギースペクトルをスペクトル分解することができ、それによって、試料１１０の表面１２０または表面付近の層の組成に関する結論を引き出すことができる。

加えて、測定装置１０００は、試料１１０またはその表面１２０が電気絶縁性または半導電性であり、負の表面電荷１５０を有する場合に、測定点１０３５の領域に低エネルギーイオンを供給するイオン源１０６０を備えることができる。イオン源１０６０を用いて、試料表面１２０の負の帯電を、局所的かつ制御された方法で低減することができる。

試料表面１２０が、例えば試料１１０の取り扱いによって引き起こされる、正の表面電荷１４０の望ましくない分布を有する場合、電子ビーム１０２８を使用して、試料表面１２０の帯電を低減することができる。

コンピュータシステム１０７０は、電子ビーム１０２８を試料１１０上で、すなわち、マーキング２４０、２５０、２６０、２７０、２８０および／または欠陥２９０に対して走査する走査ユニット１０７２を備える。走査ユニット１０７２は、図１０には示されていない、ＳＥＭ１０２０のカラム１０２４内の偏向素子を制御する。さらに、コンピュータシステム１０７０は、ＳＥＭ１０２０の様々なパラメータを設定および制御するために、設定ユニット１０７４を備える。設定ユニット１０７４によって設定することができるパラメータは、例えば、倍率、電子ビーム１０２８の焦点、非点収差補正装置（ｓｔｉｇｍａｔｏｒ：スティグメータ）の１つもしくは複数の設定、ビーム変位、電子源の位置、および／または１つもしくは複数の絞りであってもよい（図１０には図示せず）。

さらに、コンピュータシステム１０７０は、機械学習モデル７００、訓練された機械学習モデル８００、および／または予測フィルタが格納された格納ユニット１０７６を備える。コンピュータシステム１０７０は、訓練目的のための一般的な機械学習モデル７００および訓練された機械学習モデル８００、ならびに予測目的のための予測フィルタをも実装するように設計されたプロセッサをさらに備えることができる。プロセッサは、例えば、強力なグラフィックプロセッサを含むことができる。

図１０のコンピュータシステム１０７０は、装置４００に一体化することができ、または専用の装置として具現化することができる。コンピュータシステム１０７０は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの組合せを使用して具現化することができる。

マスク２００の欠陥２９０を処理するために、図１０の装置１０００は、好ましくは、異なるプロセスまたは前駆体ガスのための複数の異なる貯蔵タンクを備える。例として与えられた装置１０００では、２つの貯蔵タンクが示されている。しかしながら、装置１０００は、試料１１０またはマスク２００を処理するための３つ以上の貯蔵タンクを備えることもできる。第１の貯蔵タンク１０５２は、前駆体ガスまたは堆積ガスを貯蔵し、これらは、マスク２００のマーキング２４０、２５０、２６０、２７０、２８０を生成するための材料を堆積させるために、ＳＥＭ１０２０の電子ビーム１０２８と協働して使用することができる。さらに、ＳＥＭ１０３０の電子ビーム１０２８は、試料１１０ならびに／あるいはマスク２００のパターン要素１３０、２２０および／または２３０のうちの１つの欠落した吸収性材料を堆積させるために使用することができる。第２の貯蔵タンク１０６２は、試料表面１２０、構造要素１３０、例えばパターン要素２２０、２３０、および／または欠陥２９０をエッチングするために使用することができるエッチングガスを含む。

各貯蔵タンク１０５２、１０６２は、試料１１０の表面１２０上の電子ビーム１０２８の入射位置１０３５における、単位時間あたりに供給されるガス粒子の量またはガス流量を制御するための独自のバルブ１０５４および１０６４をそれぞれ備えている。さらに、２つの貯蔵タンク１０５２、１０６２は、試料１１０上の電子ビーム１０２８の入射点１０３５付近のノズル１０５８、１０６８で終端する独自のガス供給１０５６、１０６６を有する。図１０に例として示されている装置１０００では、バルブ１０５４、１０６４は、貯蔵タンクの近傍に組み込まれている。代替の実施形態では、バルブ１０５４、１０６４は、それぞれ、対応するノズル１０５８および１０６８の近傍に配置することができる（図１０には図示せず）。各貯蔵タンク１０５２、１０６２は、個々の温度設定および制御のための独自の要素を有することができる。温度設定は、各前駆体ガスの冷却および加熱の両方を容易にする。加えて、ガス供給１０５６、１０６６は、各前駆体ガスが供給される温度を反応位置において設定および監視するための独自の要素をそれぞれ同様に有することができる（同様に、図１０には図示せず）。

図１０の装置１０００は、必要とされる真空を生成および維持するためのポンプシステムを備えることができる。ポンプシステムは、明確にするために図１０には示されていない。加えて、装置１０００は、吸引抽出装置（ｓｕｃｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｄｅｖｉｃｅ）を備えることができる（同様に、図１０には図示せず）。ポンプまたはポンプシステムと組み合わせた吸引抽出装置により、前駆体ガスの分解中に生成される、局所的な化学反応に不要なフラグメントまたは成分を、実質的に発生地点において装置１０００の真空チャンバ１００２から抽出することができることが可能になる。不要なガス成分は、このガス成分が真空チャンバ１００２内に分散して沈降する前に、電子ビーム１０２８の試料１１０への入射点おいて、装置１０００の真空チャンバ１００２からポンプで局所的に排出されるため、真空チャンバ１００２の汚染が防止される。

図１１の流れ図１１００は、荷電粒子ビーム１６０、１０２８のドリフト４１０、４２０、４３０、４８０を予測するための本発明による方法の従来の方法への組み込みを示す。本方法は、ステップ１１０５で始まる。第１のステップ１１１０は、マーキング２４０、２５０、２６０、２７０、２８０の位置を測定することを含む。本方法の開始時に、例えば、欠陥２９０を修正するために、少なくとも１つのマーキング２４０、２５０、２６０、２７０、２８０の基準位置３３０が測定される。

次いで、判定ブロック１１１５において、欠陥２９０の修復プロセスを実行する装置１０００が予測可能性を有するかどうか、すなわち、訓練されたＭＬモデル８００および／または予測フィルタを含むかどうかに関して判定が行われる。

装置１０００が予測可能性を有していない場合は、図３に関連して説明した修正プロセスが実行される。最初に、ステップ１１２０において、欠陥２９０の修復形状５００が基準位置３３０の測定に基づいて適合される。ステップ１１２５において、欠陥２９０の修復プロセスの部分を実行するための時間間隔３４０が確認される。次いで、ステップ１１３０において、修復が実行される。判定ブロック１１３５は、決定された時間間隔３４０が経過したかどうかを絶えずチェックすることを含む。時間間隔３４０が経過した場合、本方法は、欠陥２９０の修正プロセスが完了したかどうかを明確にすることを含む判定ブロック１１４０に進む。

修復が完了した場合、本方法は、ステップ１１４５で終了する。修復プロセスがまだ完了していない場合、本方法は、ブロック１１１０にジャンプし、ここでマーキング２４０、２５０、２６０、２７０、２８０の位置４４０、４５０、４６０、４７０が再度測定される。次いで、本方法は、判定ブロック１１１５に進む。

判定ブロック１１１５が、マーキング２４０、２５０、２６０、２７０のドリフト４１０、４２０、４３０、４８０の予測が可能であると確認した場合、本方法は、図９の説明に関連して説明したように実行される。ステップ１１５０は、マーキング２４０、２５０、２６０、２７０、２８０のドリフト４１０、４２０、４３０、４８０を確実に予測することができる時間間隔を規定することを含む。次いで、ブロック１１５５において、修復形状５００、５５０は、マーキング２４０、２５０、２６０、２７０、２８０のドリフト４１０、４２０、４３０、４８０の予測に基づいて修正される。次いで、ブロック１１６０において、欠陥２９０の修復が実行される。同時に、判定ブロック１１６５において、ブロック１１５０で予測のために規定された時間間隔がまだ進行中であるか、または経過したかどうかを確認するためのチェックが行われる。

時間間隔において規定された時間が経過した場合、本方法は、判定ブロック１１４０に進む。本方法のさらなる経過は、既に上で説明した。

最後に、図１２の流れ図１２００は、荷電粒子ビーム１６０、１０２８を用いてフォトリソグラフィ用の要素を検査および／または処理するための方法の必須のステップを提示する。本方法は、ステップ１２１０で始まる。第１のステップ１２２０は、フォトリソグラフィ用の要素１１０、２００が荷電粒子ビーム１６０、１０２８に曝される間に、測定データ３３０、４４０、４５０、４６０、４７０を取得することを含む。次いで、ブロック１２３０は、訓練された機械学習モデル８００および／または予測フィルタを用いて、フォトリソグラフィ用の要素１１０、２００に対して荷電粒子ビーム１７０、１０２８の少なくとも１つのドリフト４１０、４２０、４３０、４８０を事前に決定することを含み、機械学習モデル８００および／または予測フィルタは、入力データ８３０として少なくとも測定データ３３０、４４０、４５０、４６０、４７０を使用する。最後に、本方法は、ブロック１２４０で終了する。

Claims (20)

1. 荷電粒子ビーム（１７０、１０２８）を用いてフォトリソグラフィ用の要素（１１０、２００）を検査および／または処理するための装置（１０００）であって、
   ａ．前記フォトリソグラフィ用の要素（１１０、２００）が前記荷電粒子ビーム（１７０、１０２８）に曝される間に、測定データ（３３０、４４０、４５０、４６０、４７０）を取得するための手段であって、前記フォトリソグラフィ用の要素（１１０、２００）が少なくとも１つの欠陥（２９０）を含む、手段と、
   ｂ．訓練された機械学習モデル（８００）および／または予測フィルタを用いて、前記フォトリソグラフィ用の要素（１１０、２００）の前記欠陥（２９０）に対する前記荷電粒子ビーム（１７０、１０２８）のドリフト（４１０、４２０、４３０、４８０）を事前に決定するための手段であって、前記訓練された機械学習モデル（８００）および／または前記予測フィルタが、入力データ（８３０）として少なくとも前記測定データ（３３０、４４０、４５０、４６０、４７０）を使用する、手段と、
   ｃ．前記荷電粒子ビーム（１７０、１０２８）および少なくとも１つの前駆体ガスを用いて、前記フォトリソグラフィ用の要素（１１０、２００）の少なくとも１つの欠陥（２９０）を修正するための手段と、
   を備える装置（１０００）。
2. 前記フォトリソグラフィ用の要素（１１０、２００）が少なくとも１つのマーキング（２４０、２５０、２６０、２７０）を含む、請求項１に記載の装置（１０００）。
3. 前記少なくとも１つのマーキング（２４０、２５０、２６０、２７０、２８０）を走査することによって前記フォトリソグラフィ用の要素（１１０、２００）の前記検査および／または前記処理を開始する前に、前記少なくとも１つのマーキング（２４０、２５０、２６０、２７０、２８０）の基準位置（３３０）を決定するように構成されている、請求項２に記載の装置（１０００）。
4. 前記基準位置（３３０）に対する前記少なくとも１つのマーキング（２４０、２５０、２６０、２７０、２８０）の位置変化（４１０、４２０、４３０、４８０）を決定するように構成されている、請求項３に記載の装置（１０００）。
5. 前記少なくとも１つのマーキング（２４０、２５０、２６０、２７０、２８０）の検出に関する確実性の程度を決定するように構成されている、請求項２～４のいずれか１項に記載の装置（１０００）。
6. 機械学習モデル（７００）の訓練データが信頼性の程度を含む、請求項１～５のいずれか１項に記載の装置（１０００）。
7. 前記訓練された機械学習モデル（８００）および／または前記予測フィルタが、入力データとして信頼性の程度を使用するように構成されている、請求項１～５のいずれか１項に記載の装置（１０００）。
8. 前記訓練された機械学習モデル（８００）が、追加の入力データ（８３０）として前記検査および／または処理の少なくとも１つの追加のパラメータを使用する、請求項１～７のいずれか１項に記載の装置（１０００）。
9. 前記少なくとも１つの追加のパラメータが、前記検査および／または処理領域の温度と、前記検査および／または処理領域の圧力と、前記検査および／または処理領域の空気湿度と、前記フォトリソグラフィ用の要素（１１０、２００）のタイプと、前記フォトリソグラフィ用の要素（１１０、２００）の前記欠陥（２９０）のタイプと、前記欠陥（２９０）のサイズと、前記フォトリソグラフィ用の要素（１１０、２００）上の前記欠陥（２９０）の位置であって、前記少なくとも１つのマーキング（２４０、２５０、２６０、２７０、２８０）に対する前記欠陥（２９０）の位置と、欠陥修正に使用される少なくとも１つの前駆体ガスと、前記少なくとも１つの前駆体ガスのガス質量流量と、前記少なくとも１つの前駆体ガスの作用時間と、前記欠陥修正の持続時間と、前記装置（１０００）における前記フォトリソグラフィ用の要素（１１０、２００）の滞留継続時間と、前記荷電粒子ビームの１つまたは複数の走査動作モードと、前記フォトリソグラフィ用の要素（１１０、２００）の前記検査および／または処理中の前記荷電粒子ビームの滞留継続時間と、前記フォトリソグラフィ用の要素（１１０、２００）の前記処理中の前記少なくとも１つの前駆体ガスの切り替えプロセスの回数と、前記フォトリソグラフィ用の要素（１１０、２００）の前記処理中の前記少なくとも１つの前駆体ガスの前記切り替えプロセスの時点と、を含む、請求項２～８のいずれか１項に記載の装置（１０００）。
10. 前記訓練された機械学習モデル（８００）および／または前記予測フィルタが、前記少なくとも１つのマーキング（２４０、２５０、２６０、２７０、２８０）の前記基準位置（３３０）の変位（４１０、４２０、４３０、４８０）を経時的に連続的に事前に決定する、請求項２～９のいずれか１項に記載の装置（１０００）。
11. 前記訓練された機械学習モデル（８００）が、測定データ（４４０、４５０、４６０、４７０）の新たな取得までの時間間隔（９３０、９５０、９７０）の長さと、ドリフト修正の信頼性の程度と、前記少なくとも１つのマーキング（２４０、２５０、２６０、２７０、２８０）の次の走査のための走査領域と、の群からの少なくとも１つの要素を出力する、請求項２～１０のいずれか１項に記載の装置（１０００）。
12. 前記訓練された機械学習モデル（８００）が再帰型ニューラルネットワークを含む、請求項１～１１のいずれか１項に記載の装置（１０００）。
13. 前記再帰型ニューラルネットワークが長短期記憶ＬＳＴＭネットワークを含む、請求項１２に記載の装置（１０００）。
14. 前記予測フィルタが、カルマンフィルタと、粒子フィルタと、有限インパルス応答を有するローパスフィルタと、の群からの要素を含む、請求項１～９のいずれか１項に記載の装置（１０００）。
15. 前記予測フィルタが、前記少なくとも１つのマーキングの前記次の走査までの持続時間を、前記予測フィルタによる前記事前決定の不確実性と結合するように構成されている、請求項２～９または１４のいずれか１項に記載の装置（１０００）。
16. 前記訓練された機械学習モデル（８００）および／または前記予測フィルタが、前記荷電粒子ビームの前記走査領域の歪みパラメータを事前に決定するように構成されている、請求項１～１５のいずれか１項に記載の装置（１０００）。
17. 前記訓練された機械学習モデル（８００）および／または前記予測フィルタの出力データ（８５０）に基づいて、前記少なくとも１つのマーキング（２４０、２５０、２６０、２７０、２８０）の即時走査または遅延走査を開始するように構成されている、請求項２～１６のいずれか１項に記載の装置（１０００）。
18. 荷電粒子ビーム（１７０、１０２８）を用いてフォトリソグラフィ用の要素（１１０、２００）を検査および／または処理するための方法（１１００、１２００）であって、
    ａ．前記フォトリソグラフィ用の要素（１１０、２００）が前記荷電粒子ビーム（１７０、１０２８）に曝される間に、測定データ（３３０、４４０、４５０、４６０、４７０）を取得するステップであって、前記フォトリソグラフィ用の要素（１１０、２００）が少なくとも１つの欠陥（２９０）を含む、ステップと、
    ｂ．訓練された機械学習モデル（８００）および／または予測フィルタを用いて、前記フォトリソグラフィ用の要素（１１０、２００）の前記欠陥（２９０）に対する前記荷電粒子ビーム（１７０、１０２８）の少なくとも１つのドリフト（４１０、４２０、４３０、４８０）を事前に決定するステップであって、前記訓練された機械学習モデル（８００）および／または前記予測フィルタが入力データ（８３０）として少なくとも前記測定データ（３３０、４４０、４５０、４６０、４７０）を使用する、ステップと、
    ｃ．前記荷電粒子ビーム（１７０、１０２８）および少なくとも１つの前駆体ガスを用いて、前記フォトリソグラフィ用の要素（１１０、２００）の少なくとも１つの欠陥（２９０）を修正するステップと、
    を含む、方法（１１００、１２００）。
19. 請求項１～１７に記載の装置（１０００）によって実行されるように設計されている、請求項１８に記載の方法（１１００、１２００）。
20. コンピュータシステムによって実行されると、請求項１～１７のいずれか１項に記載の装置（１０００）に、請求項１８に記載の方法（１１００、１２００）の方法ステップを実行させる命令を含むコンピュータプログラム。

Images