JP7784530B2 - 半導体測定品質の標的モニタリングのための方法及びシステム - Google Patents

半導体測定品質の標的モニタリングのための方法及びシステム

Info

Publication number
JP7784530B2
JP7784530B2 JP2024516844A JP2024516844A JP7784530B2 JP 7784530 B2 JP7784530 B2 JP 7784530B2 JP 2024516844 A JP2024516844 A JP 2024516844A JP 2024516844 A JP2024516844 A JP 2024516844A JP 7784530 B2 JP7784530 B2 JP 7784530B2
Authority
JP
Japan
Prior art keywords
measurement
amount
measurement data
values
trained
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.)
Active
Application number
JP2024516844A
Other languages
English (en)
Other versions
JP2025501839A5 (ja
JP2025501839A (ja
Inventor
アントニオ ジェリノー
アンドレイ ブイ シェグロフ
ヒョウォン パーク
パヴァン グルダス
ジュン ホン ソン
クリストファー リーマン
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.)
KLA Corp
Original Assignee
KLA Corp
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 KLA Corp filed Critical KLA Corp
Publication of JP2025501839A publication Critical patent/JP2025501839A/ja
Publication of JP2025501839A5 publication Critical patent/JP2025501839A5/ja
Application granted granted Critical
Publication of JP7784530B2 publication Critical patent/JP7784530B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G03F7/70681—Metrology strategies
    • G03F7/706831—Recipe selection or optimisation, e.g. select or optimise recipe parameters such as wavelength, polarisation or illumination modes
    • 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
    • G03F7/706837—Data analysis, e.g. filtering, weighting, flyer removal, fingerprints or root cause analysis
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8845—Multiple wavelengths of illumination or detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8848—Polarisation of light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Description

説明される実施形態は測定システム及び方法に関し、特に半導体構造の測定を改善するための方法及びシステムに関する。
論理素子及び記憶素子などの半導体デバイスは、通常、試料に適用される一連の処理ステップによって製造される。半導体デバイスの様々な特徴と複数の構造レベルは、これらの処理ステップによって形成される。例えば、とりわけリソグラフィは、１つの半導体製造プロセスであり、半導体ウェハにパターンを生成することを含む。半導体製造プロセスの更なる例は、限定するものではないが、化学的－機械的研磨、エッチング、沈着、及びイオン注入を含む。複数の半導体デバイスは、単一の半導体ウェハ上に製造され、次に個々の半導体デバイスに分離され得る。
計測プロセスは、半導体製造プロセスの間に様々なステップで使用され、ウェハ上の欠陥を検出して、より高い歩留まりを促す。光学及びＸ線ベースの計測技術は、標本破壊のリスクなしに、高スループットの可能性をもたらす。スキャトロメトリ、リフレクトメトリ、及びエリプソメトリの実装を含む、いくつかの計測ベース技術と、関連する分析アルゴリズムとを一般的に使用して、ナノスケール構造の限界寸法、膜厚、組成、オーバレイ、及び他のパラメータを特徴付ける。
多くの計測技術は、測定中の試料の物理的特性を測定する間接的な方法である。ほとんどの場合、生の測定信号を使用して試料の物理的特性を直接決定することはできない。代わりに、測定モデルを使用して、生の測定信号に基づき、１つ以上の対象のパラメータの値を推定する。例えば、エリプソメトリは、測定中の試料の物理的特性を測定する間接的な方法である。一般に、物理学ベースの測定モデル又は機械学習ベースの測定モデルが、生の測定信号（例えば、αｍｅａｓ及びβｍｅａｓ）に基づいて試料の物理的特性を決定するのに必要とされる。
いくつかの例では、物理学ベースの測定モデルが作成され、それは１つ以上のモデルパラメータの仮定値に基づいて生の測定信号（例えば、αｍｅａｓ及びβｍｅａｓ）を予測することを試みる。式（１）及び（２）に示されるように、測定モデルは、計測ツール自体に関連付けられたパラメータ、例えば、システムパラメータ（Ｐｓｙｓｔｅｍ）と、測定中の試料に関連付けられたパラメータを含む。対象のパラメータを求める場合、一部の試料パラメータは固定値として扱われ（Ｐｓｐｅｃ－ｆｉｘｅｄ）、対象の他の試料パラメータは浮動され（Ｐｓｐｅｃ－ｆｌｏａｔ）、つまり、生の測定信号に基づいて解かれる。
αｍｏｄｅｌ＝ｆ（Ｐｓｙｓｔｅｍ，Ｐｓｐｅｃ－ｆｉｘｅｄ，Ｐｓｐｅｃ－ｆｌｏａｔ）（１）
βｍｏｄｅｌ＝ｇ（Ｐｓｙｓｔｅｍ，Ｐｓｐｅｃ－ｆｉｘｅｄ，Ｐｓｐｅｃ－ｆｌｏａｔ）（２）
システムパラメータは、計測ツール（例えば、エリプソメータ１０１）を特徴付けるために使用されるパラメータである。例示的なシステムパラメータには、入射角（ＡＯＩ）、アナライザ角（Ａ０）、偏光角（Ｐ０）、照明波長、開口数（ＮＡ）、補償器又は波長板（存在する場合）などが含まれる。試料パラメータは、試料を特徴付けるために使用されるパラメータ（例えば、測定中の構造（複数可）を特徴付ける材料及び幾何学的パラメータ）である。薄膜試料の場合、例示的な試料パラメータには、屈折率、誘電関数テンソル、すべての層の公称層厚さ、層順序などが含まれる。ＣＤ試料の場合、例示的な試料パラメータには、異なる層に関連付けられた幾何学的パラメータ値、異なる層に関連付けられた屈折率などが含まれる。測定目的では、システムパラメータ及び多くの試料パラメータは、既知の固定値パラメータとして扱われる。しかし、１つ以上の試料パラメータの値は、既知ではない浮動している対象のパラメータとして扱われる。
いくつかの例では、対象の浮動パラメータの値は、理論的予測と実験データとの間の最良の適合を生成する反復プロセス（例えば、回帰）によって解明される。既知ではない対象の浮動パラメータの値は変えられ、モデル出力値（例えば、αｍｏｄｅｌ及びβｍｏｄｅｌ）は、１組の試料パラメータ値が、モデル出力値と実験的に測定された値（例えば、αｍｅａｓ及びβｍｅａｓ）との間に十分な合致をもたらすことが決定されるまで、反復的に計算されて、生の測定データと比較される。他のいくつかの例では、浮動パラメータは、事前に計算されたソリューションのライブラリを検索して最も緊密な合致を見つけることによって解明される。
他のいくつかの例では、訓練された機械学習ベースの測定モデルが使用されて、対象のパラメータの値を生の測定データに基づき直接推定する。これらの例では、機械学習ベースの測定モデルが生の測定信号をモデル入力として受け取り、対象のパラメータの値をモデル出力として生成する。
物理学ベースの測定モデルと機械学習ベースの測定モデルの両方は、特定の測定用途のために対象のパラメータの有用な推定値を生成するように訓練される必要がある。一般に、モデルの訓練は、対象のパラメータの既知の値を有する試料から収集された生の測定信号（つまり、実験計画法（ＤＯＥ）データ）に基づく。
機械学習ベースの測定モデルは、多数の重みパラメータによってパラメータ化される。従来、機械学習ベースの測定モデルは、回帰プロセス（通常の最小二乗回帰など）によって訓練される。重みパラメータの値は、反復的に調整されて、対象のパラメータの既知の基準値と、測定された生の測定信号に基づき機械学習ベースの測定モデルによって推定された対象のパラメータの値との間の差を最小限に抑える。
前述したように、物理学ベースの測定モデルは、多数のシステムパラメータ及び試料パラメータによってパラメータ化される。従来、物理学ベースの測定モデルは、回帰プロセス（通常の最小二乗回帰など）によっても訓練される。１つ以上のシステムパラメータと試料パラメータは、反復的に調整されて、生の測定データとモデル化された測定データの間の差を最小限に抑える。各反復では、対象となる特定の試料パラメータの値が既知のＤＯＥ値に維持される。
訓練された機械学習ベースの測定モデルと物理学ベースのモデルの両方は、測定データに基づいて対象のパラメータの値を推定する。推定の精度は測定データに依存する。例えば、モデルの訓練段階中に観察された測定データのドメイン外の測定データは、外挿により大きな予測誤差を引き起こす可能性がある。
従来、いくつかの手法が、各測定サイトに関連する測定の不確実性を定量化するために検討されてきた。いくつかの標準的な品質メトリックが存在する。いくつかの例示的な測定品質メトリックは、特定の測定パラメータに固有のものではない。これらの例では、測定の品質はフィッティング品質に基づいて決定される。適合性の質を特徴付けるために使用される典型的な定量的メトリックには、カイ二乗、適合度などが含まれる。
これらの例では、模擬信号又は期待信号（Ｓ）が、適切なノルムによって実際の測定信号（Ｍ）と比較される。いくつかの例では、差は不確実性閾値によって重み付けされる（ｗ）。より複雑なシステムの場合、差は重み付けされる前に、模擬信号及び測定信号の数学的変換が行われる（例えば、光子信号を主成分の独立したベクトルに変換する）。これらの場合、フィッティング品質は式（３）で表すことができ、ここで、Ｎは信号の数である。
一般に、式（３）は任意の正規化によって変更され得る。あるいは、品質は式（３）に基づいた関数として表され得る。
他の測定品質メトリックは、１つ以上の測定パラメータ、例えば、予測(projected)モデルの不確実性に固有である。一例では、ノイズモデルに感度関数を乗じることで、特定のパラメータ又はパラメータのグループに関連する測定の不確実性の推定値を得る。
異なる測定用途では、信号量（Ｎ）が異なり、ユースケースごとに閾値が異なり、かつ、特に品質に影響を与える問題が異なる。残念ながら、測定品質を評価する従来のアプローチでは、測定品質に影響を与える特定の問題を、特に広範囲の測定用途にわたって捉えることが困難である。
米国特許出願公開第２０２０／０２００５２５号
将来の計測用途には、益々小さくなる解像度要件、マルチパラメータ相関、複雑化が進む幾何学的構造、及び不透明材料の使用の増加による、計測に対する課題が存在する。したがって、測定品質の評価を改善するための方法及びシステムが望まれている。
本明細書では、半導体測定の品質を標的方式で監視するための方法及びシステムを提示する。全体的な測定品質を決定するために１つ以上の一般的な指標に依存するのではなく、１つ以上の標的測定品質指標が決定される。それぞれの標的測定品質指標は、特定の運用問題が測定品質に悪影響を及ぼしているかどうかについての洞察を提供する。このようにして、１つ以上の標的測定品質指標は、測定の欠陥を強調するのみでなく、測定の欠陥の原因となる特定の運用問題についての洞察も提供する。
いくつかの実施形態では、標的測定品質指標の値は、測定推論中に各測定標本に対して決定される。これらの実施形態のうちのいくつかでは、半導体測定は、訓練された測定モデルを使用して測定データから１つ以上の対象のパラメータの値を推論することを伴う。標的測定品質指標の推定値が、測定品質は不十分であることを示す場合、測定にフラグが付けられる。いくつかの例では、不十分な測定品質が繰り返される場合、測定モデルが古く、再訓練が必要であることを示す。
いくつかの実施形態では、訓練された品質モニタは、１つ以上の標的測定品質指標の値を、測定データセット及び対応する模擬測定信号に基づいて決定する。特に、訓練された品質モニタは、測定データと模擬データとの間の比較の１つ以上の指標から抽出されたフィーチャに基づいて、測定の品質を分類する。測定データと模擬データとの間の比較の指標は、測定データと模擬データとの間の差又は類似性、例えば、ピクセルごとの差、相対的な差、相関などを抽出するために使用される任意の適切な分析の定量的結果である。
いくつかの実施形態では、訓練された品質モニタは、１つ以上の対象のパラメータを、測定データと模擬データとの間の差に基づいて決定する。加えて、１つ以上の対象のパラメータは、１つ以上の対象のパラメータの基準値と比較されて、対応する各標的測定品質指標の状態を決定する。
いくつかの実施形態では、訓練された品質モニタモジュールは、１つ以上の標的測定品質指標の値を、測定データセットと模擬測定データセットに基づいて個別に決定された１つ以上の対象のパラメータの値の間の差に基づいて決定する。
いくつかの実施形態では、訓練された品質モニタは、１つ以上の標的測定品質指標の値を、訓練されたモニタモデルと訓練された測定モデルによる測定データセットに基づいて個別に決定された１つ以上の対象のパラメータの値の間の差に基づいて決定する。
いくつかの実施形態では、訓練された品質モニタは、１つ以上の標的測定品質指標の値を、測定データセットに基づいて決定する。特に、訓練された品質モニタは、測定データから抽出されたフィーチャに基づいて測定の品質を分類する。一例では、測定用途の初期リリースが健全(healthy)であるとみなされる場合、経時的な測定信号の類似性が分析されて、不健全(unhealthy)な変化が発生したかどうかが決定される。
上記は概要であり、それゆえに、必然的に、簡略化、一般化、及び詳細の省略を含んでおり、したがって、当業者であれば、この概要は単なる例示であり、決して限定的なものではないことを理解するであろう。本明細書に記載の装置及び／又はプロセスの他の態様、独創的な特徴及び利点は、本明細書に記載の非限定的な詳細な説明において明らかになるであろう。
本明細書に提示される例示的な方法による一実施形態において、ウェハ上で実行される測定の測定品質を監視するための半導体測定システム１００を示す図である。 一実施形態における、例示的な測定品質エンジン１６０を示す図である。 一実施形態における、例示的な訓練された品質モニタモジュール１６７Ａを示す図である。 一実施形態における、例示的な訓練された品質モニタモジュール１６７Ｂを示す図である。 一実施形態における、例示的な訓練された品質モニタモジュール１６７Ｃを示す図である。 一実施形態における、例示的な訓練された品質モニタモジュール１６７Ｄを示す図である。 一実施形態における、例示的な訓練された品質モニタモジュール１６７Ｅを示す図である。 本明細書に提示される例示的な方法による別の実施形態において、ウェハ上で実行される測定の測定品質を監視するための半導体測定システム３００を示す図である。 半導体測定システムの動作要素に関連する測定品質を示す１つ以上の標的測定品質指標の値を推定するための方法４００のフローチャートである。
次に、背景例及び本発明のいくつかの実施形態を詳細に参照し、その例を添付図面に示す。
本明細書では、半導体測定の品質を標的方式で監視するための方法及びシステムを提示する。全体的な測定品質を決定するために１つ以上の一般的な指標に依存するのではなく、１つ以上の標的測定品質指標が決定される。それぞれの標的測定品質指標は、特定の運用問題が測定品質に悪影響を及ぼしているかどうかについての洞察を提供する。このようにして、１つ以上の標的測定品質指標は、測定の欠陥を強調するのみでなく、測定の欠陥の原因となる特定の運用問題についての洞察も提供する。
一般に、半導体測定の品質は、いくつかの動作要素の健全性に依存する。非限定的な例として、動作要素には、計測システム、測定モデル、及び基礎となる製造プロセスが含まれる。これらの各要素は、緩やか又は急速にドリフトし、測定品質の低下を引き起こす可能性がある。いくつかの実施形態では、計測システムは、多数の標的測定品質指標を含み、それぞれが異なる動作要素に集中している。このようにして、全体的な測定低下の原因、例えば測定の不確実性の全体的な増加を、計測システムの１つ以上の特定の動作要素に絞り込むことができる。
標的測定品質指標は、対象となる測定パラメータ、欠陥分類などに関連する不確実性を特徴付けるために特に使用され得る。しかしながら、一般に、標的測定品質指標は、他の様々な目的に使用される場合がある。いくつかの例では、標的測定品質指標は、フィルタとして使用されて、測定外れ値を検出する。一例では、特定の測定に関連する標的測定品質指標の値は、所定の閾値と比較される。標的測定品質指標値が所定の閾値を超える場合、その測定は外れ値とみなされる。いくつかの例では、標的測定品質指標は、トリガとして使用されて、半導体プロセスを調整する。例えば、同じ測定の異なるインスタンスにそれぞれ関連付けられた多数の標的測定品質指標の平均値が所定の閾値を超える場合、プロセスを調整して、標的測定品質指標の平均値を所望の範囲に戻す。
同様に、いくつかの例では、標的測定品質指標値を使用して、製造仕様の範囲内にないウェハを検出する。これらの例のいくつかでは、標的測定品質指標値を使用して、計測ツールのバイアスが仕様から逸脱したときを検出する。他の例では、標的測定品質指標値を使用して、測定誤差バイアスが仕様から逸脱したときを検出する。
いくつかの実施形態では、標的測定品質指標の値は、各測定標本に対して測定推論中に決定される。これらの実施形態のいくつかでは、半導体測定は、訓練された測定モデルを使用して測定データから１つ以上の対象のパラメータの値を推論することを伴う。これらの実施形態のいくつかでは、訓練された測定モデルは物理学ベースである。いくつかの他の実施形態では、訓練された測定モデルは機械学習ベースの測定モデル（例えば、線形モデル、ニューラルネットワークモデル、畳み込みネットワークモデルなど）である。標的測定品質指標の推定値が、測定品質は不十分であることを示している場合、測定にフラグが付けられる。いくつかの例では、不十分な測定品質が繰り返される場合、測定モデルが古く、再訓練が必要であることを示す。
いくつかの実施形態では、訓練された測定モデルは、測定データから欠陥を検出し分類するように訓練された欠陥分類モデルである。これらの実施形態では、訓練された品質モニタモデルを使用して、欠陥分類の品質を決定する。これらの実施形態のいくつかでは、測定データは画像データであり、訓練された品質モニタモデルを使用して、画像データから欠陥検出の品質を決定する。
いくつかの実施形態では、訓練された測定モデルは、対象の幾何学的パラメータ（例えば、限界寸法、オーバレイなど）、対象の分散パラメータ（例えば、屈折率など）、対象のプロセスパラメータ（例えば、リソグラフィの焦点、線量など）、対象の電気的特性（例えば、バンドギャップなど）、又はそれらの任意の組み合わせの値を推定するように訓練された計測モデルである。これらの実施形態では、訓練された品質モニタモデルを使用して、推定された対象のパラメータの品質を決定する。
一般に、訓練された品質モニタモデルは、機械学習ベースのモデル、物理学ベースのモデル、及びヒューリスティックルールベースのモデルのいずれかである。
１つの態様では、測定システムは、訓練された品質モニタモデルを含み、測定システムの異なる動作要素に関連付けられた測定品質をそれぞれ示す、１つ以上の標的測定品質指標の値を決定する。標的測定品質指標値は、基準計測を使用することなく、各測定サイトでインラインウェハから集められた測定データに基づいて決定される。
図１は、本明細書に提示される例示的な方法に従って、試料の特性を測定し、各測定に関連する１つ以上の標的測定品質指標の値を決定するためのシステム１００を示す。
図１には、少なくとも１つの新規態様において、試料の特性を測定する透過型、小角Ｘ線スキャトロメトリ（Ｔ－ＳＡＸＳ）計測ツール１００の実施形態を示す。図１に示すように、システム１００を用いて、照明ビームスポットにより照明された試料１０１の検査エリア１０２上でＴ－ＳＡＸＳ測定を実行し得る。
図示の実施形態では、計測ツール１００は、Ｔ－ＳＡＸＳ測定に適するｘ線放射を生成するように構成されたｘ線照明源１１０を含む。一般に、高スループットのインライン計測を可能にするのに十分な光束レベルで高輝度ｘ線を生成できる、任意の適切な高輝度ｘ線照明源は、Ｔ－ＳＡＸＳ測定用のｘ線照明を供給するように考慮され得る。いくつかの実施形態では、ｘ線源は調整可能なモノクロメータを含み、それは、ｘ線源が、ｘ線放射を様々な選択可能な波長で送給することを可能にする。
いくつかの実施形態では、１５ｋｅＶ超の光子エネルギで放射を発する１つ以上のｘ線源を使用して、ｘ線源がデバイス全体及びウェハ基板を十分に透過可能な波長の光を供給することが保証される。非限定的な例によると、粒子加速器線源、液体アノード線源、回動アノード線源、静止固体アノード線源、マイクロフォーカス線源、マイクロフォーカス回動アノード線源、プラズマベースの線源、及び逆コンプトン線源のいずれかが、ｘ線照明源１１０として使用され得る。一例では、カリフォルニア州（米国）、パロアルトのＬｙｎｃｅａｎ Ｔｅｃｈｎｏｌｏｇｉｅｓ，Ｉｎｃ．から入手可能な逆コンプトン線源が考えられ得る。逆コンプトン線源は、光子エネルギの範囲にわたってｘ線を生成することができ、それによって、ｘ線源が、選択可能な様々な波長でｘ線放射を送給できるようになる、という付加的利点を有する。
例示的なｘ線源は、固体又は液体ターゲットを照射して(bombard)、ｘ線放射を刺激するよう構成された電子ビーム線源を含む。高輝度の液体金属ｘ線照明を生成するための方法及びシステムは、２０１１年４月１９日に、ＫＬＡ－Ｔｅｎｃｏｒ Ｃｏｒｐ．に発行された米国特許第７，９２９，６６７号に記載されており、その全体が参照により本明細書に援用される。
ｘ線照明源１１０は、有限な横方向寸法（すなわち、ビーム軸に直交する非ゼロ方向寸法）を有する線源エリアにわたって、ｘ線放射を生成する。集束光学素子１１１は、線源放射を、試料１０１上に位置する計測ターゲット上へと集束させる。線源の横方向寸法が有限であるため、ターゲット上には有限サイズのスポット１０２がもたらされ、その広がりは線源の縁部から入来する光線１１７により規定される。いくつかの実施形態では、集束光学素子１１１は、楕円形の集束光学素子を含む。
ビーム発散制御スリット１１２は、集束光学素子１１１とビーム整形スリット機構１２０との間のビーム路に位置する。ビーム発散制御スリット１１２は、測定中に試料に供給される照明の発散を制限する。いくつかの実施形態では、追加の中間スリット１１３が、ビーム発散制御スリット１１２とビーム整形スリット機構１２０との間のビーム路に位置する。中間スリット１１３は、更なるビーム整形を行う。ビーム整形スリット機構１２０は、試料１０１直前のビーム路に位置する。ビーム整形スリット機構１２０のスリットは、試料１０１に近接して置かれて、有限の線源サイズによって規定されるビーム発散による入射ビームスポットサイズの拡大を最小限に抑える。一例では、有限の線源サイズによって生じる影によるビームスポットサイズの広がりは、ｘ線源サイズが１０μｍ、ビーム整形スリットと試料１０１との間の距離が２５ｍｍである場合に、約１μｍとなる。他の例では、ビーム発散は、試料１０１から１００ｍｍ未満に置かれたビーム整形スリットによって制御される。
いくつかの実施形態では、ビーム整形スリット機構１２０は、複数の、独立して作動するビーム整形スリットを含む。一実施形態では、ビーム整形スリット機構１２０は、４つの、独立して作動するビーム整形スリットを含む。これら４つのビーム整形スリットは、入射ビーム１１５の一部分を効果的に阻止して、箱形照明断面を有する照明ビーム１１６を生成する。
一般に、ｘ線光学素子は、ｘ線放射を整形し、試料１０１に向ける。いくつかの例では、ｘ線光学素子は、ｘ線モノクロメータを含み、試料１０１に入射するｘ線ビームを単色化する。いくつかの例では、ｘ線光学素子は、多層ｘ線光学素子を使用して、発散が１ミリラジアン未満となるように、ｘ線ビームを試料１０１の測定エリア１０２上にコリメートするか、又は集束させる。これらの例では、多層ｘ線光学素子は、ビームモノクロメータとしても機能する。いくつかの実施形態では、ｘ線光学素子は、１つ以上のｘ線コリメートミラー、ｘ線開口部、ｘ線ビームストップ、屈折ｘ線光学素子、ゾーンプレートなどの回折光学素子、モンテル光学素子、かすめ入射楕円ミラーなどの鏡面反射ｘ線光学素子、中空毛細管ｘ線導波路などのポリキャピラリ光学素子、多層光学素子、若しくはシステム、又はこれらの任意の組み合わせを含む。更なる詳細は、米国特許公開第２０１５／０１１０２４９号に記載されており、その内容の全体が参照により本明細書に援用される。
ｘ線検出器１１９は、試料１０１から散乱したｘ線放射１１４を収集し、Ｔ－ＳＡＸＳ測定のモダリティに従って、入射ｘ線放射に感応する試料１０１の特性を示す出力信号１３５を生成する。いくつかの実施形態では、散乱したｘ線１１４はｘ線検出器１１９によって収集され、一方、試料位置決めシステム１２５が試料１０１を位置付けし、配向して角度分解された散乱ｘ線を生成する。
いくつかの実施形態では、Ｔ－ＳＡＸＳシステムは、高ダイナミックレンジ（例えば１０５超）を有する１つ以上の光子計数検出器を含む。いくつかの実施形態では、単一の光子計数検出器が、検出された光子の位置及び数を検出する。
いくつかの実施形態では、Ｔ－ＳＡＸＳシステムを使用して、試料の特性（例えば、構造パラメータ値）を散乱光の１つ以上の回折次数に基づいて決定する。図１に示すように、計測ツール１００は、計算システム１３０を含み、計算システム１３０を使用して、検出器１１９によって生成された信号１３５を取得し、取得した信号に少なくとも部分的に基づいて試料の特性を決定する。
いくつかの例では、Ｔ－ＳＡＸＳに基づく計測は、測定データを用いた所定の測定モデルの逆解によって、標本の寸法を決定することを含む。測定モデルは、いくつか（１０個程度）の調整可能なパラメータを含み、試料の形状及び光学特性、ならびに測定システムの光学特性を表す。逆解の方法には、限定するものではないが、モデルベースの回帰、断層撮像技術、機械学習、又はそれらの任意の組み合わせが含まれる。この方法で、ターゲットプロファイルパラメータは、測定された散乱ｘ線の強度とモデル化された結果との間の誤差を最小限に抑える、パラメータ化した測定モデルの値を解くことによって、推定される。
１つの態様では、計算システム１３０は、１つ以上の標的測定品質指標の値を、測定システム、例えば、計測システム１００によって収集された測定データの量に基づいて決定するように構成された測定品質エンジンとして構成される。各標的測定品質指標は、測定システムの異なる動作要素に関連付けられた測定品質を示す。
測定データには、実測データ、模擬測定データ、又はその両方が含まれる。いくつかの実施形態では、測定データは、訓練データセットの一部として採用される測定ターゲットとは構造的に異なる１つ以上の測定ターゲットの測定のシミュレーションからの模擬測定データを含む。
いくつかの実施形態では、測定データは、特定の測定ツールによる特定のターゲットの測定からの実測データを含む。通常、測定データは、公称ウェハ上のターゲットの実測値を含む。いくつかの実施形態では、測定データは複数のウェハから収集される。いくつかの実施形態では、測定データは実験計画法（ＤＯＥ）ウェハから収集される。いくつかの実施形態では、測定データは複数の測定システムによって収集される。
いくつかの実施形態では、測定データセットのフィーチャは、訓練された品質モニタモデルへの入力データとして直接使用される。しかしながら、他のいくつかの実施形態では、測定データセットは削減された次元に変換され、削減された測定データセットのフィーチャは、訓練された品質モニタモデルへの入力データとして直接使用される。多くの実際的な状況では、計算負荷を軽減するために測定データセットの次元を削減することが好ましい。一般に、訓練データセットを削減するために使用されるのと同じデータフィーチャ次元削減手法が、測定データセットを削減するためにも使用される。
いくつかの実施形態では、データフィーチャ次元削減は、主成分分析によって実現され、それは測定データセットがはるかに小さな主成分のセットに分解される。一般に、任意の適切なデータ削減手法が使用され得て、例えば、フーリエ解析、ウェーブレット解析、離散コサイン変換解析などである。
図２は、一実施形態における測定品質エンジン１６０の図を示す。図２に示すように、測定品質エンジン１６０は、オプションのデータ変換モジュール１６１、オプションの訓練された測定モデルモジュール１６３、オプションのデータ変換モジュール１６５、及び訓練された品質モニタモジュール１６７を含む。
図２に示すように、測定データセット１３５は、データ変換モジュール１６１によって受信される。一例では、データ変換モジュール１６１は、測定データセット１３５のフィーチャを、訓練された測定モデルモジュール１６３及び訓練された品質モニタモジュール１６７に伝達される主成分のセットに変換する。
訓練された測定モデルモジュール１６３は、１つ以上の対象のパラメータ１６９の値を、訓練された測定モデルを使用して、主成分のセット１６２に基づいて決定する。対象のパラメータ１６９の計算された値は、訓練された品質モニタモジュール１６７に伝達される。例示的な対象のパラメータは、測定された構造を特徴付ける幾何学的パラメータ、分散パラメータ、プロセスパラメータ又は電気パラメータを含む。
加えて、訓練された測定モデルモジュール１６３は、１つ以上の対象のパラメータ１６９の値に対応する模擬測定信号１６４のセットを生成する。訓練された測定モデルモジュール１６３は、測定データセット（又は削減された測定データセット）の各フィーチャを、測定データセット（又は削減された測定データセット）に基づいて訓練された測定モデルによって推定された１つ以上の対象のパラメータの値に基づき再構成する。
図２に示すように、模擬測定信号１６４は、データ変換モジュール１６５によって受信される。一例では、データ変換モジュール１６５は、測定データセット１６４のフィーチャを、訓練された品質モニタモジュール１６７に伝達される主成分のセット１６６に変換する。訓練された品質モニタモジュール１６７は、１つ以上の標的測定品質指標１６８の値を、測定データセット１３５（又は削減された測定データセット１６２）、及び任意選択で模擬測定信号１６４（又は削減された測定信号１６６）、１つ以上の対象のパラメータ１６９の値、あるいはその両方に基づいて決定する。１つ以上の標的測定品質指標１６８の値は、メモリ、例えばメモリ１３２に格納される。
いくつかの実施形態では、訓練された品質モニタモジュール１６７は、１つ以上の標的測定品質指標１６８の値を、測定データセット１３５（又は、削減された測定データセット１６２）及び模擬測定信号１６４（又は、削減された測定信号１６６）に基づいて決定する。特に、訓練された品質モニタは、測定データと模擬データとの間の比較の１つ以上の指標から抽出されたフィーチャに基づいて、測定の品質を分類する。測定データと模擬データとの間の比較の指標は、測定データと模擬データとの間の差又は類似性、例えば、ピクセルごとの差、相対的な差、相関などを抽出するために使用される任意の適切な分析の定量的結果である。
図３は、一実施形態における訓練された品質モニタモジュール１６７Ａの図を示す。訓練された品質モニタモジュール１６７Ａは、フィーチャ抽出モジュール１７１及び訓練された分類器モジュール１７３を含む。図３に示されるように、訓練された品質モニタモジュール１６７Ａは、測定データ１３５及び模擬測定データ１６４を受信し、２つのデータセット間の差を決定する。差分データセット１７０は、フィーチャ抽出モジュール１７１に伝達される。フィーチャ抽出モジュール１７１は、差分データセット１７０からフィーチャセット１７２を生成する。
フィーチャ抽出モジュール１７１は、測定データと模擬データとの間の一致の質を記述する任意の数の異なるフィーチャを抽出するように訓練される。いくつかの例では、測定データ１３５は、図１に示される検出器１１９によって捕捉された１つ以上の測定されたスキャトロメトリ画像であり、模擬データ１６４は、モジュール１６３の訓練された測定モデルによってシミュレートされた対応するスキャトロメトリ画像である。差分画像１７０の例示的なフィーチャには、画像の対称性、相関性、高次モーメントなどが含まれる。
一般に、測定画像と模擬画像との間の一致の質を特徴付けるために使用されるフィーチャの正確な組み合わせは、測定用途によって異なる。この制限を克服するために、フィーチャ抽出モジュール１７１は、測定の健全性を評価する際に価値があることが知られている所定のフィーチャセットを抽出する。非限定的な例として、所定のフィーチャセットには、相関、残差、スキューなどのいずれかが含まれる。加えて、フィーチャ抽出モジュール１７１は、差分データの分散から導出される追加のフィーチャを、１つ以上のフィーチャ抽出ルーチン、例えば、主成分分析（ＰＣＡ）、１つ以上の自動エンコーダなどを使用して決定する。このようにして、フィーチャ抽出モジュール１７１は、広範囲の測定用途にわたる測定画像と模擬画像との間の一致の質を特徴付けるフィーチャセット１７２を生成する。
加えて、モジュール１７３の訓練された分類器モデルは、健全であること、及び不健全であることが知られている測定データセットを用いて訓練される。測定データセットは、実測値であってもよく、又は合成的に、すなわちシミュレーションによって生成されてもよい。このようにして、訓練された分類器モデルは、フィーチャセット１７２に基づいて、健全な測定と不健全な測定とを区別するように訓練される。フィーチャのそれぞれは、１つ以上の測定問題又はプロセス値を表すことができ、分類器１７３は、これらの問題又はプロセス値が健全な測定をもたらすか不健全な測定をもたらすかを決定する。
図３に示されるように、訓練された分類器モジュール１７３は、各測定の分類を、フィーチャセット１７２に基づいて健全であるか、又は不健全であるかを決定する。訓練された分類器モジュール１７３によって生成される標的測定品質指標１６８Ａは、測定が健全であるとみなされるか不健全であるとみなされるかを示す信号である。結果はメモリ（例えばメモリ１３２）に格納される。
いくつかの例では、訓練された品質モニタモジュール１６７Ａは、製造ウェハのインライン測定のゲートとして動作する。一例では、特定のウェハの後続する検査は、標的測定品質指標１６８Ａが健全な測定を示す場合にのみ信頼される。標的測定品質指標１６８Ａが不健全な測定を示す場合、その後の検査は信頼できないとみなされる。更に、標的測定品質指標１６８Ａが不健全な測定を示す場合、代替の計測技術を使用してウェハを測定し得る。別の例では、標的測定品質指標１６８Ａが不健全な測定を示す場合、測定されたダイは成功ではなく失敗であるとみなされる。このようにして、訓練された品質モニタモジュール１６７Ａは、デバイスの歩留まりを決定するように動作する。これらの例では、通常、歩留まりは訓練基準の一部として含まれる。
いくつかの実施形態では、訓練された品質モニタモジュール１６７は、１つ以上の標的測定品質指標１６８の値を、測定データセット１３５（又は、削減された測定データセット１６２）及び模擬測定信号１６４（又は、削減された測定信号１６６）に基づいて決定する。特に、訓練された品質モニタは、測定データと模擬データとの間の差に基づいて、１つ以上の対象のパラメータを決定する。加えて、１つ以上の対象のパラメータは、１つ以上の対象のパラメータの基準値と比較されて、対応する各標的測定品質指標の状態を決定する。
図４は、一実施形態における、訓練された品質モニタモジュール１６７Ｂの図を示す。訓練された品質モニタモジュール１６７Ｂは、訓練されたモニタモデルモジュール１８０を含む。図４に示される実施形態では、訓練された品質モニタモジュール１６７Ｂは、削減された測定データ１６２及び削減された模擬測定データ１６６を受信し、２つのデータセット間の差を決定する。差分データセット１８７は、訓練されたモニタモデルモジュール１８０に伝達される。訓練されたモニタモデルモジュール１８０は、差分データセット１８７から、測定中の構造を特徴付ける１つ以上の対象のパラメータの推定値１８１を生成する。
訓練されたモニタモデルは、測定中の構造を特徴付ける１つ以上の対象のパラメータを、測定信号（又は削減された測定信号）と、測定中の同じ構造を特徴付ける１つ以上の対象のパラメータの値を推定するために使用される訓練された測定モデルによって生成される対応する測定応答信号との間の差から推定するように訓練される。
いくつかの実施形態では、訓練されたモニタモデルは物理学ベースである。いくつかの他の実施形態では、訓練されたモニタモデルは、機械学習ベースのモデル（例えば、線形モデル、ニューラルネットワークモデル、畳み込みネットワークモデルなど）である。モニタモデルは、１つ以上の対象のパラメータの既知の値を有するＤＯＥウェハの測定に基づいて訓練される。いくつかの実施形態では、対象のパラメータの既知の値は、信頼できる基準計測システムによって測定され得る。他の実施形態では、対象のパラメータの既知の値は、対象のパラメータのプログラムされた値である。これらの実施形態では、モニタモデルを訓練するために使用される測定データは、合成的に、すなわちシミュレーションによって生成される。
図４に示されるように、訓練された品質モニタモジュール１６７Ｂは、推定値１８１に対応する１つ以上の対象のパラメータの基準値１８２を受信する。推定値１８１と基準値１８２との差分値１８３は、規格値１８６と比較される。規格を超えた場合、信号１８４が、訓練されたモニタモジュール１６７Ｂから伝達され、特定の対象のパラメータに関連付けられた測定品質が信頼できないことを示す。特定の対象のパラメータに関連付けられた差分値１８３が規格１８６内にある場合、信号１８５が、訓練されたモニタモジュール１６７Ｂから伝達され、特定の対象のパラメータに関連付けられた測定品質が信頼できることを示す。このように、訓練された品質モニタモジュール１６７Ｂによって生成される標的測定品質指標１６８Ｂは、各対象のパラメータの測定が健全とみなされるか、又は不健全であるとみなされるかを示す２つの信号のうちの１つである。結果はメモリ（例えばメモリ１３２）に格納される。
いくつかの実施形態では、訓練された品質モニタモジュール１６７は、１つ以上の標的測定品質指標１６８の値を、測定データセット１３５（又は削減された測定データセット１６２）と模擬測定信号１６４（又は削減された測定信号１６６）とに基づき個別に決定された１つ以上の対象のパラメータの値の間の差に基づいて決定する。
図５は、一実施形態における、訓練された品質モニタモジュール１６７Ｃの図を示す。訓練された品質モニタモジュール１６７Ｃは、訓練されたモニタモデルモジュール１９０を含む。図５に示される実施形態では、訓練されたモニタモデルモジュール１９０は、１つ以上の対象のパラメータの値１９１を、削減された測定データセット１６２に基づいて推定する。加えて、訓練されたモニタモデルモジュール１９０は、削減された模擬データセット１６６に基づいて、同じ１つ以上の対象のパラメータの値１９２を推定する。訓練された品質モニタモジュール１６７Ｃは、各対象のパラメータに関連付けられた推定値１９１と１９２との間の差１９３を決定する。
図５に示されるように、各差分値１９３は、規格値１９４と比較される。特定の対象のパラメータに関連付けられた差分値１９３が規格１９４を超える場合、信号１９５が、訓練されたモニタモジュール１６７Ｃから伝達され、特定の対象のパラメータに関連付けられた測定品質が信頼できないことを示す。特定の対象のパラメータに関連付けられた差分値１９３が規格１９４内にある場合、信号１９６が、訓練されたモニタモジュール１６７Ｃから伝達され、特定の対象のパラメータに関連付けられた測定品質が信頼できることを示す。このように、訓練された品質モニタモジュール１６７Ｃによって生成される標的測定品質指標１６８Ｃは、各対象のパラメータの測定が健全とみなされるか、又は不健全であるとみなされるかを示す２つの信号のうちの１つである。結果はメモリ（例えばメモリ１３２）に格納される。
訓練されたモニタモデルは、測定中の構造を特徴付ける１つ以上の対象のパラメータを、測定信号（又は削減された測定信号）と、測定中の同じ構造を特徴付ける１つ以上の対象のパラメータの値を推定するために使用される訓練された測定モデルによって生成される対応する測定応答信号との両方から推定するように訓練される。
いくつかの実施形態では、訓練されたモニタモデルは物理学ベースである。いくつかの他の実施形態では、訓練されたモニタモデルは、機械学習ベースのモデル（例えば、線形モデル、ニューラルネットワークモデル、畳み込みネットワークモデルなど）である。モニタモデルは、１つ以上の対象のパラメータの既知の値を有するＤＯＥウェハの測定に基づいて訓練される。いくつかの実施形態では、対象のパラメータの既知の値は、信頼できる基準計測システムによって測定され得る。他の実施形態では、対象のパラメータの既知の値は、対象のパラメータのプログラムされた値である。これらの実施形態では、モニタモデルを訓練するために使用される測定データは、合成的に、すなわちシミュレーションによって生成される。
図５に示すように、訓練されたモニタモデルは、測定信号から対象のパラメータの値を推定し、訓練された測定モデルによって生成された対応する測定応答信号から対象の同じパラメータの別の値を推定する。これにより、訓練された測定モデルで起こり得る誤差を予測することができるようになる。訓練された測定モデルのパフォーマンスが良好な場合、２つの異なるデータセットに基づき訓練されたモニタモデルによって予測された値は近似する。２つの異なるデータセットに基づき訓練されたモニタモデルによって予測された値が異なる場合、これは、訓練された測定モデルによる特定の対象のパラメータに関連付けられた予測に誤りがあることを示す。
一例では、訓練されたモニタモデルは、システムパラメータ、限界寸法（ＣＤ）パラメータ、及び傾斜パラメータの値を予測するために訓練された、機械学習ベースのモデルである。このモデルは、これらのパラメータのそれぞれが、具体的には異なる測定応答を持つため、これらすべてのパラメータに敏感である。逆に、このモデルは、すべての画像ピクセルに同様に影響を与える一般的なノイズ又は系統的誤差には敏感でない。
様々な対象のパラメータでモニタモデルを訓練することにより、測定全体の多くの異なる動作要素に関連する測定品質の指標を決定することが可能である。例えば、１つ以上のシステムパラメータが規格から逸脱している場合、これは計測ツール自体を調べて修理する必要があることを示す。
別の例では、標的測定品質指標１６８Ｃは、既知の基準ウェハ、例えばモニタウェハに対して決定される。この例では、システムにのみ障害がある可能性がある。
他の例では、ユーザは、どの標的測定品質指標１６８Ｃを考慮し、又は無視するかを、測定用途に基づいて選択し得る。例えば、特定の測定レシピが構造のチルトを推定するように設計される場合、ＣＤに関連する標的測定品質指標は無視されるが、チルトに関連する標的測定品質指標は考慮される。チルトに関連する標的測定品質指標が規格内にある場合、測定レシピは、たとえ、全体的な測定の不確実性が測定レシピを破棄する必要があることを示す場合であっても、受け入れられる。
いくつかの実施形態では、訓練された品質モニタモジュール１６７は、１つ以上の標的測定品質指標１６８の値を、訓練されたモニタモデルと訓練された測定モデルによって測定データセット１３５（又は削減された測定データセット１６２）に基づき個別に決定された１つ以上の対象のパラメータの値の間の差に基づいて決定する。
図６は、一実施形態における、訓練された品質モニタモジュール１６７Ｄの図を示す。訓練された品質モニタモジュール１６７Ｄは、訓練されたモニタモデルモジュール２００を含む。図６に示される実施形態では、訓練されたモニタモデルモジュール２００は、削減された測定データセット１６２（又は測定データセット１３５）に基づいて、１つ以上の対象のパラメータの値２０１を推定する。加えて、訓練された品質モニタモジュール１６７Ｄは、図２に示すように、訓練された測定モデルによって推定された同じ１つ以上の対象のパラメータの値１６９を受信する。訓練された測定モデルは、同じ１つ以上の対象のパラメータの値１６９を、同じ削減された測定データセット１６２（又は測定データセット１３５）に基づいて推定する。訓練された品質モニタモジュール１６７Ｄは、それぞれの対象のパラメータに関連付けられた推定値２０１と１６９との間の差２０２を決定する。
図６に示されるように、各差分値２０２は、規格値２０３と比較される。特定の対象のパラメータに関連付けられた差分値２０２が規格２０３を超える場合、信号２０４が、訓練されたモニタモジュール１６７Ｄから伝達され、特定の対象のパラメータに関連付けられた測定品質が信頼できないことを示す。特定の対象のパラメータに関連付けられた差分値２０２が規格２０３内にある場合、信号２０５が、訓練されたモニタモジュール１６７Ｄから伝達され、特定の対象のパラメータに関連付けられた測定品質が信頼できることを示す。このように、訓練された品質モニタモジュール１６７Ｄによって生成される標的測定品質指標１６８Ｄは、各対象のパラメータの測定が健全とみなされるか、又は不健全であるとみなされるかを示す２つの信号のうちの１つである。結果はメモリ（例えばメモリ１３２）に格納される。
訓練されたモニタモデルは、測定中の構造を特徴付ける１つ以上の対象のパラメータを、測定信号（又は削減された測定信号）から推定するように訓練される。いくつかの実施形態では、モニタモデルは、１つ以上の対象のパラメータの既知の値を有するＤＯＥウェハの測定に基づいて訓練される。いくつかの実施形態では、対象のパラメータの既知の値は、信頼できる基準計測システムによって測定され得る。他の実施形態では、対象のパラメータの既知の値は、対象のパラメータのプログラムされた値である。これらの実施形態では、モニタモデルを訓練するために使用される測定データは、合成的に、すなわちシミュレーションによって生成される。
いくつかの実施形態では、訓練されたモニタモデルは物理学ベースである。いくつかの他の実施形態では、訓練されたモニタモデルは、機械学習ベースのモデル（例えば、線形モデル、ニューラルネットワークモデル、畳み込みネットワークモデルなど）である。
いくつかの実施形態では、訓練された品質モニタモジュール１６７は、１つ以上の標的測定品質指標１６８の値を、測定データセット１３５（又は削減された測定データセット１６２）に基づき決定する。特に、訓練された品質モニタは、測定データから抽出されたフィーチャに基づいて測定の品質を分類する。測定用途の初期リリースが健全であるとみなされる場合、その後の測定信号の品質が測定の健全性の指標として使用され得る。いくつかの実施形態では、経時的な測定信号の類似性を分析して、不健全な変化が発生したかどうかを判定する。
図７は、一実施形態における訓練された品質モニタモジュール１６７Ｅの図を示す。訓練された品質モニタモジュール１６７Ｅは、フィーチャ抽出モジュール２１０及び訓練された分類器モジュール２１２を含む。図７に示されるように、訓練された品質モニタモジュール１６７Ｅは、削減された測定データ１６２（又は測定データ１３５）を受信する。訓練されたフィーチャ抽出モジュール２１０は、測定データセット１６２からフィーチャセット２１１を生成する。
フィーチャ抽出モジュール２１０は、測定データの品質を記述する任意の数の異なるフィーチャを抽出するように訓練される。いくつかの例では、測定データ１３５は、図１に示される検出器１１９によって捕捉された１つ以上の測定されたスキャトロメトリ画像である。画像１３５の例示的なフィーチャには、画像の対称性、相関性、高次モーメントなどが含まれる。
一般に、測定画像の品質を特徴付けるために使用されるフィーチャの正確な組み合わせは、測定用途によって異なる。この制限を克服するために、フィーチャ抽出モジュール２１０は、測定の健全性を評価する際に価値があることが知られている所定のフィーチャセットを抽出する。加えて、フィーチャ抽出モジュール２１０は、測定データの分散から導出される追加のフィーチャを、１つ以上のフィーチャ抽出ルーチン、例えば、主成分分析（ＰＣＡ）、１つ以上の自動エンコーダなどを使用して決定する。このようにして、フィーチャ抽出モジュール２１０は、広範囲の測定用途にわたる測定画像の品質を特徴付けるフィーチャセット２１１を生成する。
いくつかの実施形態では、モジュール２１２の訓練された分類器モデルは、健全であることが知られている訓練測定データセットを用いて訓練される。これらの実施形態では、分類器モデルは、健全な訓練測定データセットのフィーチャの所定の境界内にあるフィーチャを有する後続の測定として健全な測定を識別するように訓練される。訓練測定データセットは、実測値であってもよく、又は合成的に、すなわちシミュレーションによって生成されてもよい。
いくつかの実施形態では、モジュール２１２の訓練された分類器モデルは、健全であることが知られている訓練測定データセット及び不健全であることが知られている訓練測定データセットを用いて訓練される。これらの実施形態では、分類器モデルは、健全な測定を、健全な訓練測定データセットの対応するフィーチャと同様のフィーチャを有する測定として識別するように訓練される。同様に、分類器モデルは、不健全な測定を、不健全な訓練測定データセットの対応するフィーチャと同様のフィーチャを有する測定として識別するように訓練される。
図７に示されるように、訓練された分類器モジュール２１２は、各測定の分類を、フィーチャセット２１１に基づいて健全であるか、又は不健全であるかを決定する。フィーチャのそれぞれは、１つ以上の測定問題又はプロセス値を表すことができ、分類器２１２は、これらの問題又はプロセス値が健全な測定をもたらすか不健全な測定をもたらすかを決定する。訓練された分類器モジュール２１２によって生成される標的測定品質指標１６８Ｅは、各フィーチャに従って測定が健全であるとみなされるか不健全であるとみなされるかを示す信号である。結果はメモリ（例えばメモリ１３２）に格納される。
このようにして、１つ以上の標的品質指標の値の決定は、測定データから抽出された１つ以上のフィーチャと、その測定データより前に測定された訓練測定データから抽出された対応するフィーチャセットとの間の比較を含む。
訓練された分類器モジュール２１２は、プロセスＤＯＥの範囲にわたる健全な測定データ、予想される変動のシミュレーション、又はその両方に基づいて訓練される。必要に応じて、特定の問題、例えば、ツールの差、抽出が困難な相関パラメータなどが使用されて、不健全な測定データセットを生成する。健全な測定データと不健全な測定データを個別に分類するために、フィーチャ抽出モジュール２１０は、健全な測定データセットと不健全な測定データセットを分離するのに役立つフィーチャを、実際に生成されたか、又は合成的に生成されたかにかかわらず抽出するように訓練される。訓練された分類器モジュール２１２は、類似性の任意の適切な尺度を使用して、健全な測定データを不健全な測定データから分離し、例えば、尺度は、最近傍、平均距離、境界からの距離などである。
更なる態様では、標的測定品質指標値は、製造ウェハ、モニタウェハ、又はその両方の測定に対して、１つの測定ツール上で、又は複数の測定ツールにわたって決定されて、測定の健全性、例えば、システムの健全性、測定モデルの健全性、ツールシグネチャ、プロセスの健全性などの低下に寄与する特定の問題（複数可）を分離する。
一般に、本明細書で説明されるように、品質モニタモデルを訓練及び使用するために使われる訓練データ及び測定データは、任意の適切な半導体測定システムから収集され得る。適切なシステムには、非限定的な例として、分光エリプソメータ、分光反射率計、軟ｘ線ベースの計測システム、小角ｘ線スキャトロメトリシステム、画像化システム、ハイパースペクトル画像化システムなどが含まれる。
非限定的な例として、図８は、本明細書に提示される例示的な方法に従って、試料の特性を測定し、各測定に関連する測定品質を監視するためのシステム３００を示す。図８に示すように、システム３００を使用して、構造３０１の分光エリプソメータ測定を実行し得る。この態様では、システム３００は、照明器３０２及び分光計３０４を備えた分光エリプソメータを含み得る。システム３００の照明器３０２は、選択された波長範囲（例えば、１００～２５００ｎｍ）の照明を生成し、構造３０１が作製される試料の表面に配置された構造に向けるように構成される。次に、分光計３０４は、構造３０１から反射された照明を受け取るように構成される。更に、照明器３０２から出る光は、偏光状態発生器３０７を使用して偏光されて、偏光照明ビーム３０６を生成することに留意する。構造３０１によって反射された放射線は、偏光状態分析器３０９を通過して分光計３０４に送られる。収集ビーム３０８において分光計３０４によって受け取られた放射線は、偏光状態に関して分析され、分析器を通過した放射線の分光計によるスペクトル分析が可能になる。これらのスペクトル３１１は、本明細書に記載される構造の分析のために計算システム３３０に渡される。
図８に示すように、システム３００は単一の測定技術（すなわち、ＳＥ）を含む。しかし、一般に、システム３００は、任意の数の異なる測定技術を含み得る。非限定的な例として、システム３００は、分光エリプソメータ（ミューラマトリクスエリプソメトリを含む）、分光反射率計、分光スキャトロメータ、オーバレイスキャトロメータ、角度分解ビームプロファイル反射率計、偏光分解ビームプロファイル反射率計、ビームプロファイル反射率計、ビームプロファイルエリプソメータ、任意の単一若しくは複数の波長エリプソメータ、又はそれらの任意の組み合わせとして構成され得る。更に、一般に、異なる測定技術によって収集され、本明細書に記載の方法に従って分析された測定データは、複数のツール、複数の技術を統合した単一のツール、又はそれらの組み合わせから収集され得る。
更なる実施形態では、システム３００は、本明細書に記載の方法に従って構造の測定を実行し、かつ品質メトリック値を決定するために使用される、１つ以上の計算システム３３０を含み得る。１つ以上の計算システム３３０は、分光計３０４に通信可能に結合され得る。一態様では、１つ以上の計算システム３３０は、測定中の構造（例えば、構造３０１）の測定に関連付けられた測定データ３１１を受信するように構成される。
一態様では、計算システム３３０は、本明細書に記載されるように、計測システムの異なる動作要素に関連付けられた測定品質をそれぞれ示す１つ以上の標的測定品質指標の値を決定するように構成された測定品質エンジンとして構成される。
一般に、訓練データは、実測データ、模擬測定データ、又はその両方を含む。いくつかの実施形態では、訓練データは、特定の測定ツールによる特定のターゲットの測定のシミュレーションからの模擬測定データを含む。いくつかの実施形態では、訓練データは、特定の測定ツールによる特定のターゲットの測定からの実測データを含む。これらの実施形態のいくつかでは、測定データは、公称ウェハ上のターゲットの実測値を含む。これらの実施形態のいくつかでは、測定データは、対象のパラメータの既知のプログラムされた値を有する実験計画法（ＤＯＥ）ウェハ上のターゲットの実測値を含む。
訓練データは、様々な測定目的のいずれかに対して、シミュレートされるか、収集されるか、又はその両方が行われ得る。いくつかの実施形態では、測定目的は、測定精度、測定精度追跡、ツール間のマッチング、ウェハ間のばらつきなどである。
前述したように、訓練データが測定モデルを訓練するために必要とされる。品質モニタモデルを訓練するために使用される訓練データは、対応する測定モデルを訓練するために使用される同じ訓練データセット、対応する測定モデルを訓練するために使用される訓練データセットのサブセット、又は対応する測定モデルを訓練するために使用される訓練データセットとは異なるデータセットであり得る。好ましい実施形態では、品質モニタモデルを訓練するために使用される訓練データは、対応する測定モデルを訓練するために使用されるデータセットと同じデータセット又はデータセットのサブセットである。
いくつかの実施形態では、基準データは、品質モニタモデルを訓練するために使用される。基準データは、測定に関連する１つ以上の対象のパラメータの信頼できる値を含む。いくつかの実施形態では、基準データは、基準計測システム、すなわち、対象のパラメータの適切な測定を提供すると信頼されている計測システムから得られる。いくつかの実施形態では、基準データは、経験に基づき測定システムのユーザによって提供される。いくつかの実施形態では、基準データは、測定ＤＯＥウェハに関連する対象のパラメータの既知のプログラムされた値として提供される。いくつかの実施形態では、基準データは、複数の異なる測定技術による対象のパラメータの測定の統計分析から導出される。いくつかの実施形態では、基準データは、既知の物理的な制約から導出される。
一般的に、基準データは、１つ以上の対象のパラメータの値を、様々な用語、例えば、精度、正確性（例えば、バイアス）、追跡（例えば、基準との相関）、ツール間のマッチング、ウェハ内ばらつき、ウェハ平均、ウェハシグネチャ、ウェハ間のばらつきなどで表す。
いくつかの実施形態では、訓練データセットのフィーチャは、品質モニタモデルを訓練するための入力データとして直接使用される。しかし、他のいくつかの実施形態では、訓練データセットは削減された次元に変換され、削減された訓練データセットのフィーチャが品質モニタモデルを訓練するために直接使用される。多くの実際的な状況では、訓練データセットの次元を削減して計算負荷を軽減することが好まし。一例では、訓練データとして使用される測定スペクトルのセットには、数千のフィーチャ（例えば、１５，０００個の測定信号）が含まれる場合がある。しかし、データ削減を使用すると、訓練データセットの次元が１桁以上削減され得る（例えば、２００個の信号）。
いくつかの実施形態では、データフィーチャ次元削減は、主成分分析によって達成され、ここで測定データセットが、はるかに小さな主成分セットに分解される。一般に、任意の適切なデータ削減技術には、例えば、フーリエ解析、ウェーブレット解析、離散コサイン変換解析などが使用され得る。
いくつかの実施形態では、品質モニタモデルは、訓練データに関連付けられた特定のドメイン知識に基づいて訓練される。ドメイン知識は、１つ以上の確率分布として表現され、訓練中に使用される最適化プロセスを正規化するために使用される。このようにして、最適化プロセスは、物理学ベースの確率分布の１つ以上の式によって物理的に正規化される。非限定的な例として、測定精度、ツール間のマッチング、追跡、ウェハ内ばらつきなどに関連する確率分布を使用して、最適化プロセスを物理的に規則化する。このようにして、経験、測定データ、及び物理学から得られたドメイン知識は、品質モニタモデルの最適化を推進する目的関数で直接表現される。その結果、ドメイン知識は、品質モニタモデルの開発プロセスにおいて最大限に利用される。
別の態様では、本明細書に記載される品質モニタモデルを訓練及び使用するために使われる訓練データ及び測定データは、ウェハ上で近接して位置する複数のターゲットからシミュレートされるか、収集されるか、又はその両方が行われる。
いくつかの実施形態では、本明細書に記載される測定中の測定ターゲットは、専用の計測ターゲットではなく、実際のデバイス構造であってもよい。
別の態様では、本明細書に記載される品質モニタモデルを訓練及び使用するために使われる訓練データ及び測定データは、複数の異なる計測システムによって１つ以上のターゲットから収集される。一例では、第１のターゲットからの測定データは、分光エリプソメータによって収集され得て、同じターゲット又は異なるターゲットからの測定データは、小角ｘ線スキャトロメトリ（ＳＡＸＳ）システムによって収集され得て、同じターゲット又は異なるターゲットからの測定データは、画像化ベースの計測システムによって収集され得る。
別の更なる態様では、複数の異なる対象のパラメータが測定され、対応する標的測定品質指標は、異なる対象のパラメータごとに評価される。いくつかの実施形態では、複数の異なる対象のパラメータに関連付けられた標的測定品質指標を使用して、特定の測定レシピに関連付けられた測定不確実性の原因をより明確に特定するか、プロセスパラメータの変更が必要なときをより明確に特定するか、又はその両方を行う。
更に別の態様では、測定ターゲットに近接した構造に関連する、対象のパラメータの値、対応する標的測定品質指標値、又はその両方を使用して、プロセスパラメータの変更が必要なときをより明確に特定する。
更に別の態様では、本明細書に記載の測定結果を使用して、プロセスツール（例えば、リソグラフィツール、エッチングツール、堆積ツールなど）に能動フィードバックを提供し得る。例えば、本明細書に記載の測定方法に基づいて決定された測定パラメータの値は、エッチングツールに伝達されて、所望のエッチング深さを達成するためにエッチング時間を調整し得る。同様に、エッチングパラメータ（例えば、エッチング時間、拡散率など）又は堆積パラメータ（例えば、時間、濃度など）は、測定モデルに含まれて、それぞれエッチングツール又は堆積ツールに能動フィードバックを提供し得る。いくつかの例では、測定されたデバイスパラメータ値に基づいて決定されたプロセスパラメータの修正は、プロセスツールに伝達され得る。一実施形態では、計算システム１３０は、１つ以上の対象のパラメータの値を決定する。加えて、計算システム１３０は、制御コマンドを、１つ以上の対象のパラメータの決定された値に基づいてプロセスコントローラに通信する。制御コマンドにより、プロセスコントローラはプロセスの状態を変更する（例えば、エッチングプロセスを停止する、拡散率を変更するなど）。一例では、制御コマンドにより、プロセスコントローラは、リソグラフィシステムの焦点、リソグラフィシステムの線量、又はその両方を調整する。別の例では、制御コマンドにより、プロセスコントローラは、エッチング速度を変更して、測定されたＣＤパラメータのウェハ均一性を改善する。
いくつかの例では、測定モデルは、米国カリフォルニア州ミルピタスのＫＬＡ－Ｔｅｎｃｏｒ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＳｐｅｃｔｒａＳｈａｐｅ（登録商標）光学限界寸法計測システムの要素として実装される。このようにして、モデルが作成され、システムによってスペクトルが収集された直後に使用できるようになる。
いくつかの他の例では、測定モデルは、例えば、米国カリフォルニア州ミルピタスのＫＬＡ－Ｔｅｎｃｏｒ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＡｃｕＳｈａｐｅ（登録商標）ソフトウェアを実装する計算システムによってオフラインで実装される。結果として得られる訓練モデルは、測定を実行する計測システムによってアクセス可能なＡｃｕＳｈａｐｅ（登録商標）ライブラリの要素として組み込むことができる。
図９は、少なくとも１つの新規な態様において、半導体測定の１つ以上の性能特性を示す品質メトリックの値を推定するための方法３００を示す。方法３００は、計測システム、例えば、本発明の図１に示す計測システム１００による実施に適する。一態様では、方法３００のデータ処理ブロックは、計算システム１３０、又は任意の他の汎用計算システムの１つ以上のプロセッサによって実行される、事前にプログラムされたアルゴリズムを介して実行され得ることが認識される。本明細書では、計測システム１００の特定の構造的側面は限定を表すものではなく、例示としてのみ解釈されるべきであることが認識される。
ブロック４０１では、ある量の照明放射線が、半導体測定システムの照明源から半導体ウェハの表面上の測定部位に向けられる。
ブロック４０２では、照明放射線の量に応じて測定部位から収集された放射線の量が検出される。
ブロック４０３では、測定部位からの放射線の検出量を特徴付ける第１の量の測定データが生成される。
ブロック４０４では、１つ以上の標的測定品質指標の値は、訓練された品質モニタモデルを使用して、第１の量の測定データに基づいて推定される。１つ以上の標的測定品質指標はそれぞれ、半導体測定システムの異なる動作要素に関連付けられた測定品質を示す。
更なる実施形態では、システム１００は、本明細書に記載の方法に従って収集された分光測定データに基づいて半導体構造の測定を実行するために使用される、１つ以上の計算システム１３０を含む。１つ以上の計算システム１３０は、１つ以上の分光計、能動光学素子、プロセスコントローラなどに通信可能に結合され得る。一態様では、１つ以上の計算システム１３０は、ウェハ１０４の構造のスペクトル測定に関連する測定データを受信するように構成される。
本開示を通じて説明される１つ以上のステップは、単一の計算システム１３０によって実行されてもよく、あるいは、複数の計算システム１３０によって実行されてもよいことが認識されるべきである。更に、システム１００の異なるサブシステムは、本明細書で説明されるステップの少なくとも一部分を実行するのに適した計算システムを含み得る。したがって、前述の説明は本発明を限定するものとして解釈されるべきではなく、単なる例示として解釈されるべきである。
加えて、計算システム１３０は、当技術分野で周知の任意の方法で分光計に通信可能に結合され得る。例えば、１つ以上の計算システム１３０は、分光計に関連付けられた計算システムに結合され得る。別の例では、分光計は、計算システム１３０に結合された単一の計算システムによって直接制御され得る。
システム１００の計算システム１３０は、有線及び／又は無線部分を含み得る伝送媒体によって、システムのサブシステム（例えば、分光計など）からデータ又は情報を受信及び／又は取得するように構成され得る。このように、伝送媒体は、計算システム１３０とシステム１００の他のサブシステムとの間のデータリンクとして機能し得る。
システム１００の計算システム１３０は、有線及び／又は無線部分を含み得る伝送媒体によって他のシステムからデータ又は情報（例えば、測定結果、モデル化入力、モデル化結果、基準測定結果など）を受信及び／又は取得するように構成され得る。このように、伝送媒体は、計算システム１３０と他のシステム（例えば、メモリオンボードシステム１００、外部メモリ、又は他の外部システム）との間のデータリンクとして機能し得る。例えば、計算システム１３０は、データリンクを介して記憶媒体（すなわち、メモリ１３２又は外部メモリ）から測定データを受信するように構成され得る。例えば、本明細書に記載される分光計を使用して得られたスペクトル結果は、永久又は半永久メモリデバイス（例えば、メモリ１３２又は外部メモリ）に記憶され得る。これに関して、スペクトル結果は、オンボードメモリ又は外部メモリシステムからインポートされ得る。更に、計算システム１３０は、伝送媒体を介して他のシステムにデータを送信し得る。例えば、計算システム１３０によって決定された測定モデル又は推定パラメータ値は、外部メモリに伝達され、記憶され得る。これに関して、測定結果は別のシステムにエクスポートされ得る。
計算システム１３０には、限定するものではないが、パーソナルコンピュータシステム、メインフレームコンピュータシステム、ワークステーション、画像コンピュータ、並列プロセッサ、又は当技術分野で周知の任意の他のデバイスが含まれ得る。一般に、「計算システム」という用語は、メモリ媒体からの命令を実行する１つ以上のプロセッサを有する任意のデバイスを包含するように広く定義され得る。
本明細書に記載されるような方法を実装するプログラム命令１３４は、伝送媒体、例えば、有線、ケーブル、又は無線伝送リンクを介して伝送され得る。例えば、図１に示すように、メモリ１３２に格納されたプログラム命令１３４は、バス１３３を介してプロセッサ１３１に送信される。プログラム命令１３４は、コンピュータ可読媒体（例えば、メモリ１３２）に格納される。例示的なコンピュータ可読媒体には、読み取り専用メモリ、ランダムアクセスメモリ、磁気ディスク若しくは光ディスク、又は磁気テープが含まれる。
本明細書に記載されるように、「限界寸法」という用語は、構造の任意の限界寸法（例えば、底部限界寸法、中間限界寸法、上部限界寸法、側壁角度、格子高さなど）、任意の２つ以上の構造の間の限界寸法（例えば、２つの構造間の距離）、及び２つ以上の構造間の変位（例えば、重なり合う格子構造間のオーバレイ変位など）を含む。構造には、三次元構造、パターン化された構造、オーバレイ構造などが含まれる場合がある。
本明細書で説明するように、「限界寸法用途」又は「限界寸法測定用途」という用語には、任意の限界寸法測定が含まれる。
本明細書に記載されるように、「計測システム」という用語は、任意の態様において試料を特徴付けるために少なくとも部分的に使用される任意のシステムを含み、限界寸法計測、オーバレイ計測、焦点／線量計測、及び組成計測などの測定用途を含んでいる。しかしながら、そのような技術用語は、本明細書で説明する「計測システム」という用語の範囲を限定するものではない。加えて、システム１００は、パターン化されたウェハ及び／又はパターン化されていないウェハを測定するように構成され得る。計測システムは、ＬＥＤ検査ツール、エッジ検査ツール、裏面検査ツール、マクロ検査ツール、又はマルチモード検査ツール（同時に１つ以上のプラットフォームからのデータを含む）、及び限界寸法データに基づいたシステムパラメータのキャリブレーションから利益が得られる任意の他の計測又は検査ツールとして構成され得る。
本明細書では、任意の半導体処理ツール（例えば、検査システム又はリソグラフィシステム）内の試料を測定するために使用され得る半導体測定システムに関する様々な実施形態が説明される。「試料」という用語は、本明細書では、当技術分野で周知の手段によって処理（例えば、印刷又は欠陥の検査）され得るウェハ、レチクル、又は任意の他の標本を指すために使用される。
本明細書で使用する場合、「ウェハ」という用語は、一般に、半導体又は非半導体材料で形成された基板を指す。例には、限定するものではないが、単結晶シリコン、ガリウムヒ素、及びリン化インジウムが含まれる。このような基板は、半導体製造所で一般的に見られ、及び／又は処理される場合がある。場合によっては、ウェハには基板のみが含まれる（つまり、ベアウェハ）場合がある。代替的に、ウェハは、基板上に形成された異なる材料の１つ以上の層を含んでもよい。ウェハ上に形成される１つ以上の層は、「パターン化され」ても、又は「パターン化されず」であってもよい。例えば、ウェハは、反復可能なパターンフィーチャを有する複数のダイを含み得る。
「レチクル」は、レチクル製造プロセスの任意の段階のレチクル、又は半導体製造所で使用するためにリリースされても、リリースされなくてもよい完成したレチクルであり得る。レチクル、又は「マスク」は、一般に、その上に形成され、パターンに構成された実質的に不透明な領域を有する実質的に透明な基板として定義される。基板は、例えば、アモルファスＳｉＯ２などのガラス材料を含み得る。レチクルは、リソグラフィプロセスの露光ステップ中にレジストカバーのウェハの上に配置され得て、その結果、レチクル上のパターンがレジストに転写され得る。
ウェハ上に形成される１つ以上の層は、パターン化されていても、パターン化されていなくてもよい。例えば、ウェハは、それぞれが反復可能なパターンフィーチャを有する複数のダイを含み得る。このような材料の層の形成及び処理により、最終的に完成したデバイスが得られ得る。多くの異なるタイプのデバイスがウェハ上に形成される可能性があり、本明細書で使用される用語ウェハは、当技術分野で周知の任意のタイプのデバイスが上に製造されているウェハを包含することを意図する。
１つ以上の例示的な実施形態では、説明される機能は、ハードウェア、ソフトウェア、ファームウェア、又はそれらの任意の組み合わせで実装され得る。ソフトウェアで実装される場合、機能は、コンピュータ可読媒体上の１つ以上の命令又はコードとして格納又は送信され得る。コンピュータ可読媒体には、コンピュータ記憶媒体と、ある場所から別の場所へのコンピュータプログラムの転送を容易にする任意の媒体を含む通信媒体との両方が含まれる。記憶媒体は、汎用又は専用のコンピュータからアクセスできる任意の利用可能な媒体であり得る。例では、限定ではなく、そのようなコンピュータ可読媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＣＤ－ＲＯＭ又は他の光ディスク記憶装置、磁気ディスク記憶装置又は他の磁気記憶装置、あるいは命令又はデータ構造の形式で所望のプログラムコード手段を搬送又は格納するために使用でき、かつ汎用又は専用のコンピュータ、若しくは汎用又は専用のプロセッサによってアクセスされ得る任意の他の媒体を含み得る。また、あらゆる接続は、適切にはコンピュータ可読媒体と呼ばれる。例えば、ソフトウェアが、ウェブサイト、サーバ、あるいは同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者線（ＤＳＬ）、又は赤外線、無線、マイクロ波などの無線技術を使用するその他のリモートソースから送信される場合、同軸ケーブル、光ファイバケーブル、ツイストペア、ＤＳＬ、又は赤外線、無線、マイクロ波などの無線技術が媒体の定義に含まれる。ここで使用されるディスク(disk)及びディスク(disc)には、コンパクトディスク（ＣＤ）、レーザディスク、光ディスク、デジタル多用途ディスク（ＤＶＤ）、フロッピディスク、及びブルーレイ（登録商標）ディスクが含まれ、ここでディスク(disk)は通常、データを磁気的に再生し、一方、ディスク(disc)はレーザを使用して光学的にデータを再生する。上記の組み合わせもまた、コンピュータ可読媒体の範囲内に含まれる必要がある。
いくつかの特定の実施形態は、説明を目的として上述されているが、この特許文書の教示は一般的に適用可能であり、上述した特定の実施形態に限定されない。したがって、説明した実施形態の様々な修正、適応、及び様々な特徴の組み合わせは、特許請求の範囲に記載の本発明の範囲から逸脱することなく実施され得る。

Claims (19)

  1. 半導体測定の間に、半導体ウェハの表面上の測定部位に向けてある量の照明放射線を供給するように構成された照明源と、
    前記ある量の照明放射線に応答して前記測定部位から収集された放射線の量を検出するように構成された検出器と、
    計算システムであって、
    前記測定部位からの前記検出された放射線の量を特徴付ける第１の量の測定データを生成し、そして、
    訓練された品質モニタモデルを使用して、前記第１の量の測定データに基づいて１つ以上の標的測定品質指標の値を決定し、ここで、前記１つ以上の標的測定品質指標の値は、前記半導体測定の１つ以上の動作要素が仕様内であるかを決定し、前記１つ以上の動作要素は、前記測定部位を特徴付ける対象のパラメータの値を前記第１の量の測定データから推定するために用いられる測定モデル、前記半導体測定を実行するために用いられるシステム、及び前記測定部位において前記半導体ウェハ上に構造を製造するために用いられる基礎となる製造プロセスのいずれかを含む、ように構成された、計算システムと、
    を備える、システム。
  2. 前記計算システムは更に、
    前記測定部位を特徴付ける１つ以上の対象のパラメータの値を、前記検出された放射線の量を特徴付ける前記第１の量の測定データから、訓練された測定モデルに基づいて推定し、
    前記１つ以上の対象のパラメータの推定値に対応する第１の量の模擬測定データを、前記訓練された測定モデルによって生成し、
    前記第１の量の測定データと前記第１の量の模擬測定データとの間の比較の指標を決定し、
    前記第１の量の測定データと前記第１の量の模擬測定データとの間の前記比較の前記指標から１つ以上のフィーチャを抽出し、ここで前記１つ以上の標的測定品質指標の値の前記決定は、前記第１の量の測定データと前記第１の量の模擬測定データとの間の前記比較の前記指標から抽出された前記１つ以上のフィーチャに基づく、ように構成される、
    請求項１に記載のシステム。
  3. 前記計算システムは更に、
    前記測定部位を特徴付ける第１の複数の対象のパラメータのうちの１つ以上の値を、前記検出された放射線の量を特徴付ける前記第１の量の測定データから、訓練された測定モデルに基づいて推定し、
    前記１つ以上の対象のパラメータの推定値に対応する第１の量の模擬測定データを、前記訓練された測定モデルによって生成し、
    前記第１の量の測定データと前記第１の量の模擬測定データとの間の差を決定し、
    前記測定部位を特徴付ける第２の複数の対象のパラメータのうちの１つ以上の値を、前記第１の量の測定データと前記第１の量の模擬測定データとの間の前記差から推定し、
    前記第２の複数の対象のパラメータのうちの１つ以上の前記値と前記第２の複数の対象のパラメータのうちの前記１つ以上のそれぞれの基準値との間の差を決定し、ここで、前記１つ以上の標的測定品質指標の値の前記決定は、前記第２の複数の対象のパラメータのうちの１つ以上の前記値と前記第２の複数の対象のパラメータのうちの前記１つ以上の前記基準値との間の前記差に基づく、ように構成される、
    請求項１に記載のシステム。
  4. 前記計算システムは更に、
    前記測定部位を特徴付ける第１の複数の対象のパラメータのうちの１つ以上の値を、前記検出された放射線の量を特徴付ける前記第１の量の測定データから、訓練された測定モデルに基づいて推定し、
    前記第１の複数の対象のパラメータのうちの１つ以上の値の推定値に対応する第１の量の模擬測定データを、前記訓練された測定モデルによって生成し、
    前記測定部位を特徴付ける前記第１の複数の対象のパラメータのうちの少なくとも１つのパラメータの第１の値を、前記第１の量の測定データから、訓練されたモニタモデルによって推定し、
    前記測定部位を特徴付ける前記少なくとも１つのパラメータの第２の値を、前記第１の量の模擬測定データから前記訓練されたモニタモデルによって推定し、
    前記第１の値と前記第２の値との間の差を決定し、ここで、前記１つ以上の標的測定品質指標の値の前記決定は、前記第１の値と第２の値との間の前記差に基づく、ように構成される、
    請求項１に記載のシステム。
  5. 前記計算システムは更に、
    前記測定部位を特徴付ける１つ以上の対象のパラメータの第１の値を、前記検出された放射線の量を特徴付ける前記第１の量の測定データから、訓練された測定モデルに基づいて推定し、
    前記測定部位を特徴付ける前記１つ以上の対象のパラメータの第２の値を、前記第１の量の測定データから、訓練されたモニタモデルに基づいて推定し、
    前記１つ以上の対象のパラメータの前記第１の値と第２の値との間の差を決定し、ここで、前記１つ以上の標的測定品質指標の値の前記決定は、前記１つ以上の対象のパラメータの前記第１の値と第２の値との間の前記差に基づく、ように構成される、
    請求項１に記載のシステム。
  6. 前記計算システムは更に、
    １つ以上のフィーチャを前記第１の量の測定データから抽出し、ここで、前記１つ以上の標的測定品質指標の値の前記決定は、前記第１の量の測定データから抽出された前記１つ以上のフィーチャに基づく、ように構成される、
    請求項１に記載のシステム。
  7. 前記１つ以上の標的品質指標の前記値の前記決定は、前記第１の量の測定データから抽出された前記１つ以上のフィーチャと、前記第１の量の測定データの前に測定された、ある量の測定データから抽出された前記１つ以上のフィーチャの対応するセットとの間の比較を含む、請求項６に記載のシステム。
  8. 前記第１の量の測定データと前記第１の量の模擬測定データとの間の前記比較の前記指標からの前記１つ以上のフィーチャの前記抽出は、前記比較の前記指標の次元を削減することを含む、請求項２に記載のシステム。
  9. 前記比較の前記指標の前記次元の前記削減は、主成分分析、フーリエ解析、ウェーブレット解析、及び離散コサイン変換解析のいずれかを含む、請求項８に記載のシステム。
  10. 前記照明源及び前記検出器は、分光エリプソメータ、分光反射率計、軟ｘ線反射率計、小角ｘ線スキャトロメータ、画像化システム、及びハイパースペクトル画像化システムのいずれかの一部として構成される、請求項１に記載のシステム。
  11. 動作要素は、システムパラメータ、プロセスパラメータ、及び測定中の構造を特徴付けるパラメータのいずれかである、請求項１に記載のシステム。
  12. 半導体測定の間に、ある量の照明放射線を、半導体ウェハの表面上の測定部位に向けて、半導体測定システムの照明源から供給することと、
    前記ある量の照明放射線に応答して前記測定部位から収集された放射線の量を検出することと、
    前記測定部位からの前記検出された放射線の量を特徴付ける第１の量の測定データを生成することと、
    訓練された品質モニタモデルを使用して、前記第１の量の測定データに基づいて１つ以上の標的測定品質指標の値を推定することであって、ここで、前記１つ以上の標的測定品質指標の値は、前記半導体測定の１つ以上の動作要素が仕様内であるかを決定し、前記１つ以上の動作要素は、前記測定部位を特徴付ける対象のパラメータの値を前記第１の量の測定データから推定するために用いられる測定モデル、前記半導体測定を実行するために用いられるシステム、及び前記測定部位において前記半導体ウェハ上に構造を製造するために用いられる基礎となる製造プロセスのいずれかを含むことと、
    を含む、方法。
  13. 前記測定部位を特徴付ける１つ以上の対象のパラメータの値を、前記検出された放射線の量を特徴付ける前記第１の量の測定データから、訓練された測定モデルに基づいて推定することと、
    第１の量の模擬測定データを、前記訓練された測定モデルによって、前記１つ以上の対象のパラメータの前記推定値から決定することと、
    前記第１の量の測定データと前記第１の量の模擬測定データとの間の比較の指標を決定することと、
    前記第１の量の測定データと前記第１の量の模擬測定データとの間の前記比較の前記指標から１つ以上のフィーチャを抽出することであって、ここで前記１つ以上の標的測定品質指標の値の前記決定は、前記第１の量の測定データと前記第１の量の模擬測定データとの間の前記比較の前記指標から抽出された前記１つ以上のフィーチャに基づくことと、
    を更に含む、請求項１２に記載の方法。
  14. 前記測定部位を特徴付ける第１の複数の対象のパラメータのうちの１つ以上の値を、前記検出された放射線の量を特徴付ける前記第１の量の測定データから、訓練された測定モデルに基づいて推定することと、
    前記第１の複数の対象のパラメータのうちの１つ以上の値の推定値に対応する第１の量の模擬測定データを、前記訓練された測定モデルによって生成することと、
    前記第１の量の測定データと前記第１の量の模擬測定データとの間の差を決定することと、
    前記測定部位を特徴付ける第２の複数の対象のパラメータのうちの１つ以上の値を、前記第１の量の測定データと前記第１の量の模擬測定データとの間の前記差から推定することと、
    前記第２の複数の対象のパラメータのうちの１つ以上の前記値と前記第２の複数の対象のパラメータのうちの前記１つ以上のそれぞれの基準値との間の差を決定することであって、ここで、前記１つ以上の標的測定品質指標の値の前記決定は、前記第２の複数の対象のパラメータのうちの１つ以上の前記値と前記第２の複数の対象のパラメータのうちの前記１つ以上の前記基準値との間の前記差に基づくことと、
    を更に含む、請求項１２に記載の方法。
  15. 前記測定部位を特徴付ける第１の複数の対象のパラメータのうちの１つ以上の値を、前記検出された放射線の量を特徴付ける前記第１の量の測定データから、訓練された測定モデルに基づいて推定することと、
    前記第１の複数の対象のパラメータのうちの１つ以上の値の推定値に対応する第１の量の模擬測定データを、前記訓練された測定モデルによって生成することと、
    前記測定部位を特徴付ける前記第１の複数の対象のパラメータのうちの少なくとも１つのパラメータの第１の値を、前記第１の量の測定データから、訓練されたモニタモデルによって推定することと、
    前記測定部位を特徴付ける前記少なくとも１つのパラメータの第２の値を、前記第１の量の模擬測定データから、前記訓練されたモニタモデルによって推定することと、
    前記第１の値と第２の値との間の差を決定することであって、ここで、前記１つ以上の標的測定品質指標の値の前記決定は、前記第１の値と第２の値との間の前記差に基づくことと、
    を更に含む、請求項１２に記載の方法。
  16. 前記測定部位を特徴付ける１つ以上の対象のパラメータの第１の値を、前記検出された放射線の量を特徴付ける前記第１の量の測定データから、訓練された測定モデルに基づいて推定することと、
    前記測定部位を特徴付ける前記１つ以上の対象のパラメータの第２の値を、前記第１の量の測定データから、訓練されたモニタモデルに基づいて推定することと、
    前記１つ以上の対象のパラメータの前記第１の値と第２の値との間の差を決定することであって、ここで、前記１つ以上の標的測定品質指標の値の前記決定は、前記１つ以上の対象のパラメータの前記第１の値と第２の値との間の前記差に基づくことと、
    を更に含む、請求項１２に記載の方法。
  17. １つ以上のフィーチャを前記第１の量の測定データから抽出し、ここで、前記１つ以上の標的測定品質指標の前記値の前記決定は、前記第１の量の測定データから抽出された前記１つ以上のフィーチャに基づくことを更に含む、請求項１２に記載の方法。
  18. 前記１つ以上の標的品質指標の前記値の前記決定は、前記第１の量の測定データから抽出された前記１つ以上のフィーチャと、前記第１の量の測定データの前に測定された、ある量の測定データから抽出された前記１つ以上のフィーチャの対応するセットとの間の比較を含む、請求項１７に記載の方法。
  19. 半導体測定の間に、ある量の照明放射線を、半導体ウェハの表面上の測定部位に向けて供給するように構成された照明源と、
    前記ある量の照明放射線に応答して前記測定部位から収集された放射線の量を検出するように構成された検出器と、
    命令を格納する非一時的なコンピュータ可読媒体であって、命令が１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに、
    前記測定部位からの前記検出された放射線の量を特徴付ける第１の量の測定データを生成させ、そして、
    訓練された品質モニタモデルを使用して、前記第１の量の測定データに基づいて１つ以上の標的測定品質指標の値を決定させ、ここで、前記１つ以上の標的測定品質指標の値は、前記半導体測定の１つ以上の動作要素が仕様内であるかを決定し、前記１つ以上の動作要素は、前記測定部位を特徴付ける対象のパラメータの値を前記第１の量の測定データから推定するために用いられる測定モデル、前記半導体測定を実行するために用いられるシステム、及び前記測定部位において前記半導体ウェハ上に構造を製造するために用いられる基礎となる製造プロセスのいずれかを含む、非一時的なコンピュータ可読媒体と、
    を備える、システム。
JP2024516844A 2022-01-18 2022-12-22 半導体測定品質の標的モニタリングのための方法及びシステム Active JP7784530B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/578,310 US12019030B2 (en) 2022-01-18 2022-01-18 Methods and systems for targeted monitoring of semiconductor measurement quality
US17/578,310 2022-01-18
PCT/US2022/053898 WO2023140957A1 (en) 2022-01-18 2022-12-22 Methods and systems for targeted monitoring of semiconductor measurement quality

Publications (3)

Publication Number Publication Date
JP2025501839A JP2025501839A (ja) 2025-01-24
JP2025501839A5 JP2025501839A5 (ja) 2025-05-01
JP7784530B2 true JP7784530B2 (ja) 2025-12-11

Family

ID=87161663

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2024516844A Active JP7784530B2 (ja) 2022-01-18 2022-12-22 半導体測定品質の標的モニタリングのための方法及びシステム

Country Status (6)

Country Link
US (1) US12019030B2 (ja)
JP (1) JP7784530B2 (ja)
KR (1) KR102901223B1 (ja)
CN (1) CN118140136A (ja)
IL (1) IL311357A (ja)
WO (1) WO2023140957A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20250124599A1 (en) * 2023-10-11 2025-04-17 Applied Materials Israel Ltd. Automatic calibration of an examination tool

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011077287A (ja) 2009-09-30 2011-04-14 Nec Corp 信頼度判断装置、信頼度判断方法、及び信頼度判断用コンピュータプログラム
US20190005357A1 (en) 2017-06-28 2019-01-03 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
US20200200525A1 (en) 2018-12-19 2020-06-25 Kla Corporation Scatterometry Based Methods And Systems For Measurement Of Strain In Semiconductor Structures

Family Cites Families (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5608526A (en) 1995-01-19 1997-03-04 Tencor Instruments Focused beam spectroscopic ellipsometry method and system
US6023338A (en) 1996-07-12 2000-02-08 Bareket; Noah Overlay alignment measurement of wafers
US5859424A (en) 1997-04-08 1999-01-12 Kla-Tencor Corporation Apodizing filter system useful for reducing spot size in optical measurements and other applications
US6429943B1 (en) 2000-03-29 2002-08-06 Therma-Wave, Inc. Critical dimension analysis with simultaneous multiple angle of incidence measurements
US6787773B1 (en) 2000-06-07 2004-09-07 Kla-Tencor Corporation Film thickness measurement using electron-beam induced x-ray microanalysis
US7068833B1 (en) 2000-08-30 2006-06-27 Kla-Tencor Corporation Overlay marks, methods of overlay mark design and methods of overlay measurements
US7541201B2 (en) 2000-08-30 2009-06-02 Kla-Tencor Technologies Corporation Apparatus and methods for determining overlay of structures having rotational or mirror symmetry
US7317531B2 (en) * 2002-12-05 2008-01-08 Kla-Tencor Technologies Corporation Apparatus and methods for detecting overlay errors using scatterometry
US20030002043A1 (en) 2001-04-10 2003-01-02 Kla-Tencor Corporation Periodic patterns and technique to control misalignment
US6716646B1 (en) 2001-07-16 2004-04-06 Advanced Micro Devices, Inc. Method and apparatus for performing overlay measurements using scatterometry
WO2003054475A2 (en) 2001-12-19 2003-07-03 Kla-Tencor Technologies Corporation Parametric profiling using optical spectroscopic systems
US6778275B2 (en) 2002-02-20 2004-08-17 Micron Technology, Inc. Aberration mark and method for estimating overlay error and optical aberrations
JP4222927B2 (ja) 2002-09-20 2009-02-12 エーエスエムエル ネザーランズ ビー．ブイ． 少なくとも２波長を使用するリソグラフィ装置用アライメント・システム
US6992764B1 (en) 2002-09-30 2006-01-31 Nanometrics Incorporated Measuring an alignment target with a single polarization state
US7842933B2 (en) 2003-10-22 2010-11-30 Applied Materials Israel, Ltd. System and method for measuring overlay errors
US6937337B2 (en) 2003-11-19 2005-08-30 International Business Machines Corporation Overlay target and measurement method using reference and sub-grids
US7321426B1 (en) 2004-06-02 2008-01-22 Kla-Tencor Technologies Corporation Optical metrology on patterned samples
US7478019B2 (en) * 2005-01-26 2009-01-13 Kla-Tencor Corporation Multiple tool and structure analysis
JP4585926B2 (ja) 2005-06-17 2010-11-24 株式会社日立ハイテクノロジーズ パターンレイヤーデータ生成装置、それを用いたパターンレイヤーデータ生成システム、半導体パターン表示装置、パターンレイヤーデータ生成方法、及びコンピュータプログラム
US7567351B2 (en) 2006-02-02 2009-07-28 Kla-Tencor Corporation High resolution monitoring of CD variations
JP4887062B2 (ja) 2006-03-14 2012-02-29 株式会社日立ハイテクノロジーズ 試料寸法測定方法、及び試料寸法測定装置
US7406153B2 (en) 2006-08-15 2008-07-29 Jordan Valley Semiconductors Ltd. Control of X-ray beam spot size
US7873585B2 (en) 2007-08-31 2011-01-18 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
US7929667B1 (en) 2008-10-02 2011-04-19 Kla-Tencor Corporation High brightness X-ray metrology
US8068662B2 (en) 2009-03-30 2011-11-29 Hermes Microvision, Inc. Method and system for determining a defect during charged particle beam inspection of a sample
JP5764380B2 (ja) 2010-04-29 2015-08-19 エフ イー アイ カンパニＦｅｉ Ｃｏｍｐａｎｙ Ｓｅｍ画像化法
US9046475B2 (en) 2011-05-19 2015-06-02 Applied Materials Israel, Ltd. High electron energy based overlay error measurement methods and systems
US9310296B2 (en) 2011-06-20 2016-04-12 Kla-Tencor Corporation Optimizing an optical parametric model for structural analysis using optical critical dimension (OCD) metrology
US10107621B2 (en) 2012-02-15 2018-10-23 Nanometrics Incorporated Image based overlay measurement with finite gratings
US10801975B2 (en) 2012-05-08 2020-10-13 Kla-Tencor Corporation Metrology tool with combined X-ray and optical scatterometers
US10013518B2 (en) 2012-07-10 2018-07-03 Kla-Tencor Corporation Model building and analysis engine for combined X-ray and optical metrology
US9129715B2 (en) 2012-09-05 2015-09-08 SVXR, Inc. High speed x-ray inspection microscope
WO2014062972A1 (en) 2012-10-18 2014-04-24 Kla-Tencor Corporation Symmetric target design in scatterometry overlay metrology
US9581430B2 (en) 2012-10-19 2017-02-28 Kla-Tencor Corporation Phase characterization of targets
US10769320B2 (en) 2012-12-18 2020-09-08 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
US9291554B2 (en) 2013-02-05 2016-03-22 Kla-Tencor Corporation Method of electromagnetic modeling of finite structures and finite illumination for metrology and inspection
US9826614B1 (en) 2013-03-15 2017-11-21 Kla-Tencor Corporation Compac X-ray source for semiconductor metrology
US10101670B2 (en) 2013-03-27 2018-10-16 Kla-Tencor Corporation Statistical model-based metrology
US9915522B1 (en) 2013-06-03 2018-03-13 Kla-Tencor Corporation Optimized spatial modeling for optical CD metrology
US10502694B2 (en) 2013-08-06 2019-12-10 Kla-Tencor Corporation Methods and apparatus for patterned wafer characterization
US9760018B2 (en) 2013-08-13 2017-09-12 Asml Netherlands B.V. Method and inspection apparatus and computer program product for assessing a quality of reconstruction of a value of a parameter of interest of a structure
US9846132B2 (en) 2013-10-21 2017-12-19 Kla-Tencor Corporation Small-angle scattering X-ray metrology systems and methods
US9885962B2 (en) 2013-10-28 2018-02-06 Kla-Tencor Corporation Methods and apparatus for measuring semiconductor device overlay using X-ray metrology
WO2015167753A2 (en) 2014-04-03 2015-11-05 Massachusetts Institute Of Technology Compact x-ray source for cd-saxs
US9494535B2 (en) 2014-04-21 2016-11-15 Kla-Tencor Corporation Scatterometry-based imaging and critical dimension metrology
US10152678B2 (en) 2014-11-19 2018-12-11 Kla-Tencor Corporation System, method and computer program product for combining raw data from multiple metrology tools
US10324050B2 (en) 2015-01-14 2019-06-18 Kla-Tencor Corporation Measurement system optimization for X-ray based metrology
US10545104B2 (en) 2015-04-28 2020-01-28 Kla-Tencor Corporation Computationally efficient X-ray based overlay measurement
US10352695B2 (en) 2015-12-11 2019-07-16 Kla-Tencor Corporation X-ray scatterometry metrology for high aspect ratio structures
US10775323B2 (en) 2016-10-18 2020-09-15 Kla-Tencor Corporation Full beam metrology for X-ray scatterometry systems
US10481111B2 (en) 2016-10-21 2019-11-19 Kla-Tencor Corporation Calibration of a small angle X-ray scatterometry based metrology system
US11073487B2 (en) 2017-05-11 2021-07-27 Kla-Tencor Corporation Methods and systems for characterization of an x-ray beam with high spatial resolution
US11333621B2 (en) 2017-07-11 2022-05-17 Kla-Tencor Corporation Methods and systems for semiconductor metrology based on polychromatic soft X-Ray diffraction
US11519869B2 (en) 2018-03-20 2022-12-06 Kla Tencor Corporation Methods and systems for real time measurement control
CN114008535B (zh) 2019-07-04 2024-04-12 Asml荷兰有限公司 用于确定特征对性能的贡献的方法和设备
US11698251B2 (en) 2020-01-07 2023-07-11 Kla Corporation Methods and systems for overlay measurement based on soft X-ray Scatterometry

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011077287A (ja) 2009-09-30 2011-04-14 Nec Corp 信頼度判断装置、信頼度判断方法、及び信頼度判断用コンピュータプログラム
US20190005357A1 (en) 2017-06-28 2019-01-03 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
US20200200525A1 (en) 2018-12-19 2020-06-25 Kla Corporation Scatterometry Based Methods And Systems For Measurement Of Strain In Semiconductor Structures

Also Published As

Publication number Publication date
TW202344831A (zh) 2023-11-16
KR102901223B1 (ko) 2025-12-16
JP2025501839A (ja) 2025-01-24
CN118140136A (zh) 2024-06-04
US12019030B2 (en) 2024-06-25
WO2023140957A1 (en) 2023-07-27
KR20240135737A (ko) 2024-09-12
US20230228692A1 (en) 2023-07-20
IL311357A (en) 2024-05-01

Similar Documents

Publication Publication Date Title
US11200658B2 (en) Model-based metrology using images
KR102644768B1 (ko) 확률 도메인 지식에 기초하는 측정 레시피 최적화 및 물리적 실현
KR102137848B1 (ko) 스펙트럼 감도 및 프로세스 변동에 기초한 측정 레시피 최적화
CN107408519B (zh) 基于模型的单个参数测量的系统和方法
KR102013483B1 (ko) 파라미터 추적을 위한 계측 시스템 최적화
TWI884290B (zh) 用於判定半導體量測之品質之方法及系統
US10369752B2 (en) Metrology method and apparatus, computer program and lithographic system
JP7784530B2 (ja) 半導体測定品質の標的モニタリングのための方法及びシステム
US12532710B2 (en) Measurements of semiconductor structures based on spectral differences at different process steps
TW202334642A (zh) 基於掃描條件模型之半導體外形測量
TWI917728B (zh) 用於半導體量測品質之目標監測的方法及系統
KR20260002593A (ko) 다중 패스 통계 최적화를 통한 반도체 구조체 측정을 위한 방법 및 시스템

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20250422

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20250422

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20250422

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20250708

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20251001

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20251125

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20251201

R150 Certificate of patent or registration of utility model

Ref document number: 7784530

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150