KR101059427B1 - 기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측 - Google Patents

기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측 Download PDF

Info

Publication number
KR101059427B1
KR101059427B1 KR1020057024949A KR20057024949A KR101059427B1 KR 101059427 B1 KR101059427 B1 KR 101059427B1 KR 1020057024949 A KR1020057024949 A KR 1020057024949A KR 20057024949 A KR20057024949 A KR 20057024949A KR 101059427 B1 KR101059427 B1 KR 101059427B1
Authority
KR
South Korea
Prior art keywords
diffraction signal
machine learning
learning system
diffraction
training
Prior art date
Application number
KR1020057024949A
Other languages
English (en)
Other versions
KR20060033740A (ko
Inventor
스리니바스 도디
엠마뉴엘 드레지
닉힐 자카트다
준웨이 바오
Original Assignee
팀버 테크놀로지스, 인코포레이티드
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 팀버 테크놀로지스, 인코포레이티드 filed Critical 팀버 테크놀로지스, 인코포레이티드
Publication of KR20060033740A publication Critical patent/KR20060033740A/ko
Application granted granted Critical
Publication of KR101059427B1 publication Critical patent/KR101059427B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

반도체 웨이퍼 상에 형성된 구조물은 계측장치를 이용하여 측정된 제 1 회절신호를 얻음으로써 검사된다. 제 2 회절신호는 기계학습시스템을 이용하여 생성되며, 상기 기계학습시스템은 상기 제 2 회절신호를 생성하기 위해 상기 구조물의 프로파일을 특정화하는 하나 이상의 파라미터들을 입력으로서 수신한다. 제 1 및 제 2 회절신호가 비교된다. 제 1 및 제 2 회절신호가 매칭기준 내에서 매칭할 때, 상기 구조물의 피쳐는 상기 제 2 회절신호를 생성하기 위해 상기 기계학습시스템에 의해 사용된 하나 이상의 파라미터 또는 프로파일에 기초하여 결정된다.

Description

기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된 구조물의 광학적 계측{OPTICAL METROLOGY OF STRUCTURES FORMED ON SEMICONDUCTOR WAFERS USING MACHINE LEARNING SYSTEMS}
본 발명은 반도체 웨이퍼 상에 형성된 구조물의 계측에 관한 것이며, 특히 기계학습시스템을 이용하여 반도체 웨이퍼 상에 형성된 구조물의 계측에 관한 것이다.
광학 계측은 구조물에 입사빔을 지향시키는 단계, 이로 인해 회절된 빔을 측정하는 단계, 및 구조물의 피쳐(feature)를 결정하기 위해 회절된 빔을 분석하는 단계를 포함한다. 반도체 제조에 있어서, 광학 계측은 통상적으로 품질 확인을 위해 사용된다. 예컨대, 반도체 웨이퍼 상의 반도체 칩에 인접한 주기적인 격자를 제조한 후에, 광학 계측 시스템이 주기적인 격자의 프로파일을 결정하기 위해 사용된다. 주기적인 격자의 프로파일을 결정함으로써, 주기적인 격자를 형성하는데 사용된 제조 프로세스의 품질을 평가하고 더 나아가 주기적인 격자에 근사한 반도체 칩을 평가한다.
종래 광학 계측 시스템은 회절된 빔을 분석하기 위해 엄밀한 결합파 분석(RCWA:rigorous coupled wave analysis)와 같은 회절 모델링 기술을 이용한다. 특 히, 회절 모델링 기술에 있어서, 모델 회절신호는 부분적으로 맥스웰 방정식의 해석에 기초하여 계산된다. 모델 회절신호를 계산하는 것은 대단히 많은 복잡한 계산의 수행을 포함하는데, 이는 시간이 소모되고 비용이 많이 든다.
일 실시예에 있어서, 반도체 웨이퍼 상에 형성된 구조물은 계측장치를 이용하여 측정된 제 1 회절신호를 얻음으로써 시험된다. 제 2 회절신호는 기계학습시스템을 이용하여 생성되며, 기계학습시스템은 제 2 회절신호를 발생시키기 위한 구조물의 프로파일을 특정화(characterize)하는 하나 이상의 파라미터를 입력으로서 수신한다. 제 1 및 제 2 회절신호는 비교된다. 제 1 및 제 2 회절신호가 매칭기준 내에서 매칭할 때, 구조물의 피쳐(feature)는 하나 이상의 파라미터 또는 제 2 회절신호를 발생시키기 위해 기계학습시스템에 의해 사용된 프로파일에 기초하여 결정된다.
본 발명은 첨부된 도면과 함께 하기 설명을 참조로 이해될 수 있다. 유사한 부분은 유사한 번호를 사용하였다.
도 1은 예시적인 광학 계측 시스템을 도시한다;
도 2a-e는 예시적인 프로파일을 도시한다;
도 3은 예시적인 신경망을 도시한다;
도 4는 기계학습시스템을 훈련시키는 예시적인 프로세스를 도시한다;
도 5는 기계학습시스템을 시험하는 예시적인 프로세스를 도시한다;
도 6은 기계학습시스템을 이용하여 구조물의 피쳐(feature)를 결정하기 위한 예시적인 프로세스를 도시한다;
도 7은 라이브러리-기반 프로세스에서 기계학습시스템을 이용하여 구조물의 피쳐를 결정하기 위한 예시적인 시스템을 도시한다;
도 8은 라이브러리-기반 시스템에서 기계학습시스템을 이용하여 구조물의 피쳐를 결정하기 위한 예시적인 시스템을 도시한다;
도 9는 회귀-기반 프로세스(regression-based process)에서 기계학습시스템을 이용하여 구조물의 피쳐를 결정하는 예시적인 프로세스를 도시한다;
도 10은 회귀-기반 시스템에서 기계학습시스템을 이용하여 구조물의 피쳐를 결정하기 위한 예시적인 시스템을 도시한다.
하기에서는 다양한 구성 및 파라미터 등을 설명할 것이다. 그러나, 이러한 설명은 본 발명의 범위를 제한하는 것이 아니며 예시적인 실시예에 대한 설명으로서 제공되는 것이다.
1. 계측
도 1을 참조하면, 계측 시스템(100)이 구조물의 검사 및 분석을 위해 사용된다. 예컨대, 계측 시스템(100)은 웨이퍼(104) 상에 형성된 주기적인 격자(102)의 피쳐를 결정하는데 사용될 수 있다. 이미 설명한 바와 같이, 주기적인 격자(102)는 웨이퍼(104) 상에 형성된 소자에 인접한 것처럼 웨이퍼(104) 상의 시험 영역 내에 형성될 수 있다. 선택적으로, 주기적인 격자(102)는 소자의 작동에 방해되지 않게 소자의 영역 내에 형성되거나 웨이퍼(104) 상의 스크라이브 라인(scribe line)을 따라 형성될 수 있다.
도 1에 도시된 것처럼, 계측 시스템(100)은 소스(106) 및 검출기(112)가 구비된 계측장치를 포함할 수 있다. 주기적인 격자(102)는 소스(106)로부터 입사빔(108)에 의해 조명된다. 본 실시예에서, 입사빔(108)은 주기적인 격자(102)의 법선(
Figure 112009038688916-pct00001
)에 대한 입사각(θi) 및 방위각(Φ)(즉, 입사 빔(108)의 평면과 주기적인 격자(102)의 주기성(periodicity)의 방향 사이의 각도)으로 주기적인 격자(102) 위로 지향된다. 회절된 빔(110)은 법선(
Figure 112009038688916-pct00002
)에 대해 θd의 각도로 진행하며 검출기(112)에 의해 수신된다. 검출기(112)는 회절된 빔(110)을 측정된 회절신호로 변환하고, 측정된 회절신호는 반사율, 탄젠트(Ψ), 코사인(Δ), 푸리에 계수 등을 포함할 수 있다.
또한 계측 시스템(100)은 측정된 회절신호를 수신하고 측정된 회절신호를 분석하도록 구성된 프로세싱 모듈(114)을 포함한다. 하기에서 설명하는 바와 같이, 주기적인 격자(102)의 피쳐는 라이브러리-기반 프로세스 또는 회귀-기반 프로세스를 사용하여 결정될 수 있다. 또한, 다른 선형 또는 비선형 프로파일 추출 기술이 고려된다.
2. 라이브러리-기반 프로세스
라이브러리-기반 프로세스에서, 측정된 회절신호는 회절신호의 라이브러리와 비교된다. 특히, 라이브러리의 각각의 회절신호는 구조물의 프로파일과 연관된다. 측정된 회절신호와 라이브러리의 회절신호 중 하나가 매칭할 때 또는 측정된 회절 신호와 라이브러리의 회절신호 중 하나의 차이가 미리설정된 또는 매칭기준 내에 있을 때, 라이브러리의 매칭 회절신호와 연관된 프로파일은 구조물의 실제 프로파일을 나타내는 것으로 추정한다. 이 때 구조물의 피쳐는 매칭 회절신호와 연관된 프로파일에 기초하여 결정될 수 있다.
따라서, 다시 도 1을 참조하면, 일 실시예에서, 측정된 회절신호를 얻은 후, 프로세싱 모듈(114)은 측정된 회절신호를 라이브러리(116)에 저장된 회절신호와 비교한다. 라이브러리(116)의 각각의 회절신호는 프로파일과 연관된다. 측정되 회절신호와 라이브러리(116)의 회절신호 중 하나 사이에 매칭이 이루어질 때, 라이브러리(116)의 매칭 회절신호와 연관된 프로파일은 주기적인 격자(102)의 실제 프로파일을 나타내는 것으로 추정될 수 있다.
라이브러리(116)에 저장된 프로파일 세트는 파라미터 세트를 이용하여 프로파일을 특정화함으로써 생성될 수 있으며, 다음에 모양과 치수가 바뀐 프로파일을 생성하도록 파라미터 세트를 바꾼다. 파라미터 세트를 이용하여 프로파일을 특정화하는 프로세스는 파라미터화라 불릴 수 있다.
예컨대, 도 2a에 도시된 것처럼, 프로파일(200)이 높이와 폭을 각각 한정하는 파라미터(h1 및 w1)에 의해 특정화될 수 있는 것으로 가정한다. 도 2b 내지 2e에 도시된 것처럼, 프로파일(200)의 추가 모양 및 피쳐가 파라미터의 수를 증가시킴으로써 특정화될 수 있다. 예컨대, 도 2b에 도시된 것처럼, 프로파일(200)은 높이, 하부 폭 및 상부 폭을 각각 한정하는 파라미터(h1, w1 및 w2)에 의해 특정화될 수 있다. 프로파일(200)의 폭은 기준 치수(CD)로 불릴 수 있다. 예컨대, 도 2b에서 파라미터(w1 및 w2)는 프로파일(200)의 하부 기준 치수(CD)와 상부 기준 치수(CD)를 각각 한정하는 것으로 설명될 수 있다. 입사각(AOI), 피치, n&k, 하드웨어 파라미터(예컨대 분극 각도) 등을 포함하는 다양한 타입의 파라미터가 프로파일(200)을 특정화하는데 사용될 수 있다.
상기 설명한 바와 같이, 라이브러리(116) 내에 저장된 프로파일 세트(도 1)는 프로파일을 특정화하는 파라미터를 바꿈으로써 생성될 수 있다. 예컨대, 도 2b를 참조하면, 파라미터(h1,w1 및 w2)를 바꿈으로써, 바뀐 모양과 치수에 대한 프로파일이 생성될 수 있다. 하나, 두 개, 또는 세 개의 파라미터 모두에 대해 서로 바뀔 수 있다.
따라서, 매칭 회절신호와 연관된 프로파일의 파라미터는 검사되는 구조물의 피쳐를 결정하는데 사용될 수 있다. 예컨대, 하부 CD에 대응하는 프로파일의 파라미터는 검사되는 구조물의 하부 CD를 결정하는데 사용될 수 있다.
다시 도 1을 참조하면, 프로파일 세트의 프로파일 및 대응하는 회절신호 및 라이브러리(116)에 저장된 회절신호(즉, 라이브러리(116)의 해상도 및/또는 범위)는 파라미터 세트가 변하는 범위와 증분에 부분적으로 의존한다. 일 실시예에서, 라이브러리(116)에 저장된 프로파일과 회절신호는 실제 구조물로부터 측정된 회절신호를 얻기 전에 생성된다. 따라서, 라이브러리(116)를 생성하는데 사용된 범위와 증분(즉, 범위와 해상도)은 구조물에 대한 제조 프로세스와의 친숙성 및 분산(variance) 범위가 얼마나 존재할 수 있는가에 기초하여 선택될 수 있다. 또한, 라이브러리(116)의 범위 및/또는 해상도는 원자력 현미경(AFM), 주사 전자 현미경(SEM) 등을 이용한 측정과 같이 실험적 측정에 기초하여 선택될 수 있다.
라이브러리-기반 프로세스에 대한 보다 상세한 설명은 2001년 7월 16일에 출원된 주기적인 격자 회절신호의 라이브러리 생성이란 제목의 미국특허출원 09/907,488호를 참조하면 되며, 상기 특허출원은 그 전체가 본 명세서에 참조로 포함된다.
3. 회귀-기반 프로세스
회귀-기반 프로세스에서, 측정된 회절신호는 프로파일에 대한 파라미터 세트(즉, 시험 파라미터)를 이용한 비교 이전에 생성된 회절신호(즉, 시험 회절신호)와 비교된다. 만약 측정된 회절신호와 시험 회절신호가 매칭하지 않거나 측정된 회절신호와 시험 회절신호의 차이가 미리설정되거나 매칭기준 내에 있지 않을 때, 또 다른 시험 회절신호가 또 다른 프로파일에 대한 또 다른 파라미터 세트를 이용하여 생성되며, 그 후에 측정된 회절신호와 새롭게 생성된 시험 회절신호가 비교된다. 측정된 회절신호와 시험 회절신호가 일치하거나 측정된 회절신호와 시험 회절신호가 미리설정되거나 매칭기준 내에 있을 때, 매칭 시험 회절신호와 연관된 프로파일은 구조물의 실제 프로파일을 나타내는 것으로 추정된다. 이 때 매칭 시험 회절신호와 연관된 프로파일은 검사되는 구조물의 피쳐를 결정하는데 사용될 수 있다.
따라서, 도 1을 다시 참조하면, 일 실시예에서, 프로세싱 모듈(114)은 프로파일에 대한 시험 회절신호를 생성할 수 있고, 측정된 회절신호를 시험 회절신호와 비교한다. 상기 설명한 바와 같이, 만약 측정된 회절신호와 시험 회절신호가 매칭하지 않거나 측정된 회절신호와 시험 회절신호와의 차이가 미리설정되거나 매칭기준 내에 있지 않으며, 프로세싱 모듈(114)은 또 다른 프로파일에 대한 또 다른 시험 회절신호를 반복하여 생성할 수 있다. 일 실시예에서, 연속적으로 생성된 시험 회절신호는 시뮬레이팅된 어닐링을 포함하는 전체 최적화 기술 및 최대 경사 알고리즘(steepest descent algorithm)을 포함한 국부적인 최적화 기술과 같은 최적화 알고리즘을 이용하여 생성될 수 있다.
일 실시예에서, 시험 회절신호와 프로파일은 라이브러리(116)(즉, 다이내믹 라이브러리) 내에 저장될 수 있다. 라이브러리(116) 내에 저장된 시험 회절신호와 프로파일은 측정된 회절신호를 매칭시키는데 연속적으로 사용될 수 있다. 선택적으로, 라이브러리(116)는 계측 시스템(100)에서 생략될 수 있다.
회귀-기반 프로세스에 대한 보다 상세한 설명은 2001년 8월 6일에 출원된 회귀-기반 라이브러리 생성 프로세스에 의한 다이내믹 학습 방법 및 시스템이란 제목의 미국특허출원 제09/923,578호를 참조하면 되며, 상기 특허출원 명세서 전체는 본 명세서에 참조로 포함된다.
4. 기계학습시스템
도 1을 참조하면, 일 실시예에서, 라이브러리-기반 프로세스 및/또는 회귀-기반 프로세스에 사용된 회절신호는 역-전파(back-propagation), 방사기반 함수(radial basis function), 지지 벡터, 커널 회귀(kernel regression) 등을 이용한 기계학습시스템(118)을 사용하여 생성된다. 기계학습시스템과 알고리즘에 대한 보다 상세한 설명은 1999년에 발간된 Prentice Hall의 Simon Hykin 저 "신경망"을 참조하면 되며, 상기 내용은 그 전체가 본 명세서에서 참조로 포함된다.
본 실시예에서, 기계학습시스템(118)은 입력으로서 프로파일을 수신하고 출력으로서 회절신호를 생성한다. 비록 도 1에서 기계학습시스템(118)이 프로세싱 모듈(114)의 부품으로서 도시되었지만, 기계학습시스템(118)은 독립된 모듈일 수 있다. 더구나, 기계학습시스템(118)이 라이브러리-기반 프로세스의 일부로서 사용될 때, 라이브러리(116)의 회절신호는 기계학습시스템(118)에 의해 미리 생성될 수 있다. 이와 같이, 기계학습시스템(118)은 프로세싱 모듈(114)에 연결되지 않는 독립된 모듈일 수 있다. 반대, 기계학습시스템(118)이 프로세싱 모듈(114)의 부품이라기 보다 독립된 모듈인 때에도 기계학습시스템(118)은 프로세싱 모듈(114)에 연결된다.
도 3을 참조하면, 일 실시예에서, 기계학습시스템은 역-전파 알고리즘을 이용하는 신경망(300)이다. 신경망(300)은 입력층(302), 출력층(304) 및 입력층(302)과 출력층(304) 사이의 은닉층(hidden layer)(306)을 포함한다. 입력층(302)과 은닉층(306)은 링크(308)를 이용하여 연결된다. 은닉층(306)과 출력층(304)은 링크(310)를 이용하여 연결된다. 그러나, 신경망(300)은 다양한 구성으로 연결된 임의 수의 층들을 포함할 수 있다.
도 3에 도시된 바와 같이, 입력층(302)은 하나 이상의 입력 노드(312)를 포함한다. 본 실시예에서, 입력층(302)의 입력 노드(312)는 신경망(300)으로 입력될 프로파일의 파라미터에 대응한다. 따라서, 입력 노드(312)의 수는 프로파일을 특정화하는데 사용된 파라미터의 수에 대응한다. 예컨대, 만약 프로파일이 2 개의 파라미터(예컨대, 상부 및 하부 폭)을 이용하여 특정화된다면, 입력층(302)은 2 개 의 입력 노드(312)를 포함하며, 2 개의 입력 노드 중 제 1 입력노드(312)는 제 1 파라미터(예컨대, 상부 폭)에 대응하고 제 2 입력 노드(312)는 제 2 파라미터(예컨대, 하부 폭)에 대응한다.
신경망(300)에서, 출력층(304)은 하나 이상의 출력 노드(314)를 포함한다. 본 실시예에서, 각각의 출력 노드(314)는 선형 함수이다. 그러나, 각각의 출력 노드(314)는 다양한 타입의 함수일 수 있다. 또한, 본 실시예에서, 출력층(304)의 출력 노드(314)는 신경망(300)으로부터 출력된 회절신호의 치수에 대응한다. 따라서, 출력 노드(314)의 수는 회절신호를 특정화하는데 사용된 치수의 수에 대응한다. 예컨대, 회절신호가 예컨대 5개의 상이한 파장에 대응하는 5개의 치수를 이용하여 특정화된다면, 출력층(304)은 5개의 출력 노드(314)를 포함하며, 5개의 출력 노드들 중 제 1 출력 노드(314)는 제 1 치수(예컨대 제 1 파장)에 대응하고, 제 2 출력 노드(314)는 제 2 치수(예컨대, 제 2 파장)에 대응한다.
신경망(300)에서, 은닉층(306)은 하나 이상의 은닉 노드(316)를 포함한다. 본 실시예에서, 각각의 은닉 노드(316)는 S자 전달 함수 또는 방사기반 함수이다. 그러나, 각각의 은닉 노드(316)는 다양한 타입의 함수일 수 있다. 또한, 본 실시예에서, 은닉 노드(316)의 수는 출력 노드(314)의 수에 기초하여 결정된다. 특히, 은닉 노드(316)(m)의 수는 미리결정된 비율(r=m/n)만큼 출력 노드(314)(n)의 수와 관련한다. 예컨대, r=10인 경우, 각각의 출력 노드(314)에 대해 10개의 은닉 노드(316)가 존재한다. 그러나, 미리결정된 비율은 출력 노드(314)의 수 대 은닉 노드(316)의 수의 비율(즉, r=n/m)일 수 있다. 또한, 신경망(300)의 은닉 노드(316)의 수는 은닉 노드(316)의 최초 수가 미리결정된 비율에 기초하여 결정된 후에 조절될 수 있다. 게다가, 신경망(300)의 은닉 노드(316)의 수는 미리결정된 비율에 기초하기 보다는 실험 및/또는 경험에 기초하여 결정될 수 있다.
회절신호를 생성하기 위해 기계학습시스템을 사용하기 이전에, 기계학습시스템이 훈련된다. 도 4를 참조하면, 기계학습시스템을 훈련시키기 위한 예시적인 프로세스(400)가 도시되어 있다. 예시적인 프로세스(400)에서, 기계학습시스템은 훈련 입력 데이터 세트 및 훈련 출력 데이터 세트를 이용하여 훈련되는데, 훈련 입력 데이터 세트의 입력 데이터는 입력 및 출력 데이터 쌍을 형성하기 위해 훈련 출력 데이터 세트의 대응 출력 데이터를 갖는다.
단계 402에서, 훈련 입력 데이터 세트가 얻어진다. 본 실시예에서, 훈련 입력 데이터는 프로파일 세트를 포함한다. 상기 설명한 바와 같이, 프로파일은 파라미터 세트를 이용하여 특정화된다. 프로파일의 범위는 단독으로 또는 조합되어 프로파일을 특정화시키는 하나 이상의 파라미터를 바꿈으로써 생성될 수 있다. 생성될 전체 프로파일 범위는 검사될 구조물의 실제 프로파일의 예측된 변화 범위에 기초하여 결정되며, 이는 실험적으로 또는 경험을 통해 결정된다. 예컨대, 검사될 구조물의 실제 프로파일은 x1과 x2 사이에서 변할 수 있는 하부 폭을 갖는 것으로 예측되면, 프로파일의 전체 범위는 x1과 x2 사이의 하부 폭에 대응하는 파라미터를 바꿈으로써 생성될 수 있다.
일 실시예에서, 기계학습시스템을 훈련시키는데 사용된 프로파일 세트는 생성될 전체 프로파일 범위에서 선택된다. 특히, 훈련 데이터 세트는 전체 프로파일 범위의 임의적인 샘플링을 이용하여 선택된다. 시스템 샘플링, 랜덤 샘플링과 시스템 샘플링의 조합 등과 같은 다양한 샘플링 기술이 훈련 데이터 세트를 선택하는데 사용될 수 있다.
본 실시예에서, 생성될 전체 프로파일 범위는 두 개 이상의 부분으로 분할 된다. 기계학습시스템은 각각의 부분에 대해 구성되고 훈련된다. 예컨대, 전체 범위는 제 1 부분 및 제 2 부분으로 분할되는 것으로 가정한다. 따라서, 본 예에서, 제 1 기계학습시스템은 제 1 부분에 대해 구성되고 훈련되며, 제 2 기계학습시스템은 제 2 부분에 대해 구성되고 훈련된다. 전체 범위를 부분화시키고 다수의 기계학습시스템을 이용하는 것은 병렬 프로세싱이 사용될 수 있다는(예를 들어, 두 개의 기계학습시스템이 병렬로 훈련되고 사용될 수 있다는) 장점을 갖는다. 또 다른 장점은 각각의 기계학습시스템이 전체 범위에 대해 하나의 기계학습시스템을 이용하는 것보다는 각각의 부분에 대하여 보다 정확할 수 있다는 것이다. 특히, 전체 범위에 대해 훈련된 하나의 기계학습시스템은 기계학습시스템의 정확성을 감소시킬 수 있는 국부적인 최소값에 민감할 수 있다.
전체 범위가 부분화되는 경우, 부분은 동일한 사이즈이거나 변하는 사이즈일 수 있다. 부분이 변하는 사이즈인 경우, 부분의 사이즈는 부분 내의 데이터의 밀도에 기초하여 결정될 수 있다. 예컨대, 적은 밀도의 부분은 높은 밀도의 부분 보다 클 수 있다. 부분의 수와 사이즈는 적용에 따라 바뀔 수 있다.
단계 404에서, 훈련 출력 데이터 세트가 얻어진다. 본 실시예에서, 훈련 출력 데이터는 회절신호 세트를 포함한다. 훈련 출력 데이터로서 사용된 회절신호 세트의 회절신호는 훈련 입력 데이터로서 사용된 프로파일 세트의 프로파일에 해당한다. 회절신호 세트의 각각의 회절신호는 엄밀한 결합파 분석(RCWA), 적분법, 프레넬 방법(Fresnel method), 유한 분석법, 구조 분석법(modal analysis) 등과 같은 모델링 기술을 이용한 프로파일 세트의 각각의 프로파일에 기초하여 생성될 수 있다. 선택적으로, 회절신호 세트의 각각의 회절신호는 타원계, 반사계, 원자력 현미경(AFM), 주사 전자 현미경(SEM) 등과 같은 계측장치를 이용하여 회절신호를 측정하는 것처럼 실험 기술을 이용하여 프로파일 세트의 각각의 프로파일에 기초하여 생성될 수 있다. 따라서, 프로파일 세트로부터의 프로파일과 회절신호 세트로부터의 대응하는 회절신호는 프로파일/회절신호 쌍을 형성한다. 비록 프로파일/회절신호 쌍의 프로파일 및 회절신호 간의 일대일 대응이 존재하지만, 프로파일/회절신호 쌍의 프로파일과 회절신호 사이에 분석적 또는 수치적 공지 관계일 필요는 없다.
일 실시예에서, 기계학습시스템을 훈련시키기 위해 회절신호 세트를 사용하기 전에, 회절신호 세트는 주성분 분석법(PCA:principle component analysis)을 이용하여 변환된다. 특히, 회절신호는 다수의 상이한 파장과 같은 다수의 치수를 이용하여 특정화될 수 있다. 회절신호 세트를 변화시키기 위해 PCA를 이용함으로써, 회절신호는 비상관된 치수로 변환되고, 비상관된 치수의 공간은 원래 치수의 공간보다 작다. 기계학습시스템이 훈련된 후에, 회절신호는 다시 변환된다.
본 실시예에서, 회절신호의 치수는 두 개 이상의 부분으로 분할될 수 있다. 기계학습시스템은 각각의 부분에 대해 구성되고 훈련된다. 예컨대, 치수는 제 1 부분 및 제 2 부분으로 분할된다고 가정한다. 따라서, 이러한 예에서, 제 1 기계학습시스템은 제 1 부분에 대해 구성되고 훈련되며, 제 2 기계학습시스템은 제 2 부분에 대해 구성되고 훈련된다. 즉, 치수를 부분화시키고 다수의 기계학습시스템을 이용하는 것은 병렬 프로세싱이 이용될 수 있다는(예컨대, 두 개의 기계학습시스템이 병렬로 훈련되고 사용될 수 있다는) 장점을 갖는다. 또 다른 장점은 각각의 기계학습시스템은 하나의 기계학습시스템을 이용하는 것보다 각각의 부분에 대해 보다 정확할 수 있다는 것이다.
단계 406에서, 훈련 입력 데이터로서 사용된 프로파일 세트로부터의 프로파일에 있어서, 회절신호는 기계학습시스템을 이용하여 생성된다. 단계 408에서, 생성된 회절신호는 프로파일에 해당하는 회절신호 세트의 회절신호와 비교된다. 회절신호들 간의 차이가 원하는 또는 미리결정된 에러 마진 내에 있지 않는 경우, 단계 406 과 단계 408이 훈련 입력 데이터로서 사용된 프로파일 세트의 또 다른 프로파일을 이용하여 반복된다. 단계 410에서, 회절신호들 간의 차이가 원하는 또는 미리결정된 에러 마진 내에 있을 때, 훈련 프로세스가 종료된다.
훈련 프로세스(400)는 기울기 하강, 선형 프로그래밍, 2차 프로그래밍, 시뮬레이팅 어닐링, 마콰트-레벤베레그 알고리즘(Marquardt-Levenberg algorithm) 등과 같은 최적화 기술의 사용을 포함할 수 있다. 또한, 훈련 프로세스 400은 배치(batch) 프로세스로서 수행될 수 있다. 배치 프로세스의 보다 상세한 설명은 상기에서 인용된 사이먼 호이킨의 "신경망"을 참조하면 된다.
또한, 도 4에 도시된 훈련 프로세스는 역-전파 알고리즘을 예시한다. 그러나, 방사기반 네트워크, 지지 벡터, 커널 회귀 등과 같은 다양한 훈련 알고리즘이 사용될 수 있다.
도 5를 참조하면, 기계학습시스템을 시험하기 위한 예시적인 프로세스(500)가 도시되어 있다. 일 실시예에서, 기계학습시스템이 훈련된 뒤에, 기계학습시스템은 적절히 훈련되었는지를 확인하기 위해 시험될 수 있다. 그러나, 이러한 시험 프로세스는 일부 어플리케이션에서는 생략될 수 있다.
단계 502에서, 시험 입력 데이터 세트가 얻어진다. 단계 504에서, 시험 출력 데이터 세트가 얻어진다. 본 실시예에서, 시험 입력 데이터는 프로파일 세트를 포함하고, 시험 출력 데이터는 회절신호 세트를 포함한다. 시험 입력 데이터 세트와 시험 출력 데이터 세트는 상기 훈련 프로세스에서 설명한 것과 동일한 프로세스와 기술을 이용하여 얻어질 수 있다. 시험 입력 데이터 세트와 시험 출력 데이터 세트는 동일하거나 시험 입력 데이터와 시험 출력 데이터의 하위세트일 수 있다. 선택적으로, 시험 입력 데이터 세트와 시험 출력 데이터 세트는 시험 입력 데이터 및 시험 출력 데이터보다 상이할 수 있다.
단계 506에서, 시험 입력 데이터로서 사용된 프로파일 세트의 프로파일에 대해, 회절신호는 기계학습시스템을 이용하여 생성된다. 단계 508에서, 생성된 회절신호는 프로파일에 대응하는 시험 출력 데이터에서 회절신호 세트의 회절신호와 비교된다. 단계 510에서, 회절신호들 간의 차이가 원하는 또는 미리결정된 에러 마진 내에 있지 않은 경우, 기계학습시스템은 다시 훈련된다. 기계학습시스템이 다시 훈련되는 경우, 훈련 프로세스는 조정될 수 있다. 예컨대, 훈련 입력 및 출력 변수의 선택과 수가 조정될 수 있다. 또한, 기계학습시스템이 조정될 수 있다. 예컨대, 기계학습시스템이 상기 설명한 것처럼 신경망인 경우, 은닉 노드의 수는 조정될 수 있다. 단계 512에서, 회절신호들 간의 차이가 원하는 또는 미리결정된 에러 마진 내에 있는 경우, 시험 프로세스는 종료된다.
경험적 위험 최소화(ERM:Empirical Risk Minimization) 기술은 훈련된 기계학습시스템이 얼마나 우수하게 새로운 입력을 생성할 수 있는가를 한정하는데 사용될 수 있다. ERM에 대한 보다 상세한 설명은 1998년 9월에 Wiley-Interscience에서 출간한 블라디미르 엔. 배프니크(Vladimir N, Vapnik)의 "통계적 학습 이론"을 참조하면 되며, 상기 문헌은 그 전체가 본 명세서에 참조로 포함된다.
기계학습시스템이 훈련되고 시험된 후에, 기계학습시스템은 반도체 위이퍼 상에 형성된 구조물의 분석에 사용하기 위한 회절신호를 생성하는데 사용될 수 있다. 즉, 시험 프로세스는 일부 어플리케이션에서 생략될 수 있다.
도 6을 참조하면, 반도체 웨이퍼 상에 형성된 구조물을 검사하기 위해 기계학습시스템을 이용하기 위한 예시적인 프로세스(600)가 도시되어 있다. 단계 602에서, 측정된 회절신호는 기계학습시스템을 이용하여 얻어진다. 단계 604에서, 생성된 회절신호는 기계학습시스템을 이용하여 얻어진다. 단계 606에서, 회절신호들은 비교된다. 단계 608에서, 구조물의 피쳐는 측정된 회절신호와 생성된 회절신호의 비교에 기초하여 결정된다.
특히, 상기 설명한 것처럼, 생성된 회절신호에 대응하는 프로파일은 생성된 회절신호를 생성하기 위한 기계학습시스템에 대한 입력으로서 사용된다. 프로파일은 하나 이상의 파라미터에 의해 특정화된다. 따라서, 생성된 회절신호가 매칭기준 내에서 측정된 회절신호와 매칭될 때, 프로파일 및 프로파일을 특정화하는 하나 이상의 파라미터는 구조물의 피쳐를 결정하는데 사용될 수 있다.
도 7을 참조하면, 라이브러리-기반 프로세스에서 기계학습시스템을 이용하기 위한 예시적인 프로세스(700)가 도시되어 있다. 단계 702에서, 회절신호의 라이브러리는 기계학습시스템을 이용하여 생성된다. 특히, 회절신호의 라이브러리는 프로파일의 범위를 기계학습시스템에 입력시킴으로써 생성된다. 단계 704에서, 측정된 회절신호는 타원계, 반사계 등과 같은 계측장치를 이용하여 얻어진다. 단계 706에서, 측정된 회절신호는 기계학습시스템을 이용하여 생성된 회절신호의 라이브러리의 회절신호와 비교된다. 단계 708에서, 구조물의 피쳐는 회절신호의 라이브러리의 매칭 회절신호에 대응하는 프로파일을 이용하여 결정된다.
도 8을 참조하면, 라이브러리-기반 시스템의 기계학습시스템을 이용하기 위한 예시적인 시스템(800)이 도시되어 있다. 도 8에 도시된 것처럼, 라이브러리(116)는 기계학습시스템(118)을 이용하여 생성된다. 라이브러리(116)는 타원계, 반사계 등과 같은 계측장치(802)로부터 얻어진 측정된 회절신호와 라이브러리(116)의 회절신호를 비교하기 위한 프로세싱 모듈(114)에 사용된다. 비록 기계학습시스템(118)도 8의 독립 유닛으로 도시되었지만, 기계학습시스템(118)은 프로세싱 모듈(114)의 부품으로서 통합될 수 있다. 또한, 기계학습시스템(118)은 예컨대 네트워크 연결을 통해 라이브러리(116)를 프로세싱 모듈(114)로 전송하기 위해 프로세싱 모듈(114)에 연결될 수 있다. 또한, 라이브러리(116)는 휴대용 저장 매체에 저장되고 물리적으로 프로세싱 모듈(114)에 전송될 수 있다.
게다가, 도 8에 도시된 것처럼, 프로세싱 모듈(114)은 하나 이상의 제작 단계들을 수행하도록 구성된 반도체 제조 유닛(804)에 결합될 수 있다. 그러나, 계측 시스템은 반도체 제작 유닛(804)에 통합되는 것에 부가하여 독립된 시스템으로서 작동할 수 있다.
도 9를 참조하면, 회귀-기반 프로세스에서 기계학습시스템을 사용하기 위한 예시적인 프로세스(900)가 도시되어 있다. 단계 902에서, 측정된 회절신호는 타원계, 반사계, 원자력 현미경(AFM), 주사 전자 현미경(SEM) 등과 같은 계측장치를 이용하여 얻어진다. 단계 904에서, 생성된 회절신호는 기계학습시스템을 이용하여 얻어진다. 단계 906에서, 두 개의 회절신호가 비교된다. 두 개의 회절신호가 미리결정된 매칭기준 내에서 매칭하지 않는 경우, 단계 904와 단계 906은 단계 904에서 생성된 또 다른 회절신호를 이용하여 반복된다. 이러한 프로세스는 생성된 회절신호와 측정된 회절신호가 미리결정된 매칭기준 내에서 매칭하는 것을 나타내는 매칭이 발견될 때까지 반복된다. 단계 908에서, 만약 두 개의 회절신호가 미리결정된 매칭기준 내에서 매칭한다면, 매칭 회절신호에 대응하는 프로파일은 검사되는 구조물의 실제 프로파일에 대응하는 것으로 가정한다. 따라서, 프로파일과 프로파일을 특정화하는 파라미터는 구조물의 피쳐를 결정하는데 사용될 수 있다.
도 10을 참조하면, 회귀-기반 시스템에서 기계학습시스템을 이용하기 위한 예시적인 시스템(1000)이 도시되어 있다. 도 10에 도시된 것처럼, 최적화기(1002) 는 계측장치(802)로부터 입력으로서 측정된 회절신호를 수신한다. 최적화기(1002)는 기계학습시스템(118)으로부터 입력으로서 생성된 회절신호를 수신한다. 최적화기(1002)는 생성된 회절신호와 측정된 회절신호를 비교한다. 생성된 회절신호와 측정된 회절신호가 매칭할 때, 최적화기(1002)는 매칭하는 생성된 회절신호에 대응하는 프로파일을 출력한다. 생성된 회절신호와 측정된 회절신호가 미리결정된 매칭기준 내에서 매칭하지 않을 때, 최적화기(1002)는 또 다른 회절신호를 생성하기 위하여 신호를 기계학습시스템(118)으로 출력한다. 이러한 프로세스는 생성된 회절신호와 측정된 회절신호가 미리결정된 매칭기준 내에서 매칭하는 것을 의미하는 매칭이 발견될 때까지 반복된다.
일 실시예에서, 최적화 기술은 매칭에 도달하는데 필요한 반복 횟수를 감소시키는데 사용된다. 특히, 최적화 문제의 목적은 최적의 솔루션이 비용 함수와 관련시켜 한정되는 여러 가능한 솔루션 중에서 최적의 솔루션을 찾아내는 것이다. 즉, 주어진 측정 규준(metric)에서 주어진 문제에 대해, 최소의 비용을 갖는 솔루션을 찾아내는 작업이다. 따라서, 본 실시예에서, 주어진 측정 회절신호와 관련하여 (주어진 비용 측정 규준 하에서) 최소의 비용을 산출하는 대응하는 회절신호를 갖는 프로파일을 찾아내는 작업이다. 기울기 하강, 선형 프로그래밍, 2차 프로그래밍, 시뮬레이팅 프로그래밍, 마콰트-레벤베레그 알고리즘 등과 같이, 크게 두 개의 카테고리(즉, 전체적 및 국부적)로 분류되는 다양한 최적화 기술이 알려져 있고 사용된다. 전체적 및 국부적 최적화 기술에 대한 보다 상세한 설명은 캠브리지에서 제2판으로 출간한, 윌리엄 에이취. 프레스(William H. Press), 소울 에이. 토이 콜스키(Saul A. Teukolsky), 윌리암 티. 베터링(William T. Vetterling) 및 브라이언 피. 플래너리(Brian P. Flannery)의 "Numerical Recipes in C"를 참조하면 되며, 상기 문헌은 본 명세서에 참조로 포함된다.
상기 설명한 바와 같이, 회절신호의 라이브러리는 회귀-기반 프로세스의 일부로서 생성될 수 있다. 특히, 생성된 회절신호와 측정된 회절신호가 매칭기준 내에서 매칭하는 것을 의미하는 매칭이 이루어졌을 때, 회절신호의 라이브러리는 매칭 프로파일 주위에서 생성될 수 있다. 일반적으로, 회귀-기반 프로세스의 일부로서 생성된 회절신호의 라이브러리는 상기 설명한 라이브러리-기반 프로세스의 일부로서 생성된 라이브러리보다 작다.
또한, 회귀-기반 프로세스의 일부로서 생성된 회절신호의 라이브러리와 상기 설명한 라이브러리-기반 프로세스의 일부로서 생성된 라이브러리는 솔루션이 라이브러리의 두 개의 엔트리 사이에서 유도되는 보간(interpolation) 프로세스에 사용될 수 있다. 보간 프로세스에 대한 보다 상세한 설명은 2002년 2월 12일자로 출원된 "PROFILE REFINEMENT FOR INTEGRATED CIRTCUIT METROLOGY"란 제목의 미국특허출원 10/075,904호에 개시되어 있으며, 상기 미국특허출원은 그 전체가 본 명세서에 참조로 포함된다.
본 발명의 특정 실시예에 대한 상기 설명은 예시와 설명을 위한 것으로 제시되었다. 이러한 실시예는 본 발명을 한정하고자 하는 것이 아니며 본 발명의 다양한 수정과 변화가 상기 설명을 참조하여 이루어질 수 있다.
예컨대, 도 1을 참조하면, 상기 설명한 것처럼, 기계학습시스템(118)은 원자력 현미경(AFM), 주사 전자 현미경(SEM) 등과 같은 비광학적 계측장치, 또는 광학적 및 비광학적 계측장치의 조합을 이용하여 작동하도록 구성될 수 있다. 따라서, 기계학습시스템(118)은 사용된 계측장치의 타입에 대응하는 다양한 타입의 회절신호를 생성할 수 있다. 예컨대, 계측장치가 SEM일 때, 기계학습시스템(118)에 의해 생성된 회절신호는 2차원 이미지 또는 SEM 궤적(trace)와 같은 SEM 신호이다.
또한, 생성된 회절신호는 계측장치에 의해 사용된 신호의 특정 기능을 포함할 수 있다. 예컨대, 훈련 프로세스 동안, 회절신호의 다양한 차수의 도함수(예컨대, 1차, 2차, ...nth 도함수)가 훈련 프로세스를 최적화하기 위한 마콰트-레벤베레그 알고리즘의 일부로서 사용될 수 있다.

Claims (29)

  1. 반도체 웨이퍼 상의 구조물 검사 방법으로서,
    계측장치를 이용하여 측정된 제 1 회절신호를 얻는 단계;
    기계학습시스템을 이용하여 생성된 제 2 회절신호를 얻는 단계 - 상기 기계학습시스템은 상기 제 2 회절신호를 생성하기 위해 상기 구조물의 프로파일을 특정화(Characterize)하는 하나 이상의 파라미터를 입력으로서 수신함 - ;
    상기 제 1 회절신호와 제 2 회절신호를 비교하는 단계; 및
    상기 제 1 회절신호와 상기 제 2 회절신호가 매칭기준 내에서 매칭할 때, 상기 제 2 회절신호를 생성하기 위해 상기 기계학습시스템에 의해 사용된 하나 이상의 파라미터 또는 프로파일에 기초하여 상기 구조물의 피쳐를 결정하는 단계
    를 포함하는 반도체 웨이퍼 상의 구조물 검사 방법.
  2. 제 1 항에 있어서,
    상기 제 2 회절신호를 생성하기 이전에, 훈련(training) 입력 데이터의 세트 및 훈련 출력 데이터의 세트를 이용하여 상기 기계학습시스템을 훈련시키는 단계를 더 포함하며,
    상기 훈련 입력 데이터의 각각은 하나 이상의 파라미터에 의해 특정화된 구조물의 프로파일이고, 상기 훈련 출력 데이터의 각각은 상기 구조물의 프로파일에 대응하는 회절신호인 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  3. 제 2 항에 있어서, 상기 구조물의 프로파일들의 범위로부터 상기 훈련 입력 데이터의 세트를 선택하는 단계를 더 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  4. 제 3 항에 있어서, 상기 프로파일들의 범위를 제 1 부분 및 적어도 제 2 부분으로 분할하는 단계를 더 포함하며,
    제 1 기계학습시스템은 상기 제 1 부분을 위해 구성되고 훈련되며, 제 2 기계학습시스템은 상기 제 2 부분을 위해 구성되고 훈련되는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  5. 제 2 항에 있어서, 상기 훈련 출력 데이터의 세트는 상기 기계학습시스템을 훈련시키기 이전에 모델링 기술을 이용하여 상기 훈련 입력 데이터의 세트에 기초하여 생성되는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  6. 제 5 항에 있어서, 상기 모델링 기술은 엄밀한 결합파 분석법(rigorous coupled wave analysis), 적분법(integral method), 프레넬 방법(Fresnel method), 유한 분석법, 또는 구조(modal) 분석법을 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  7. 제 2 항에 있어서, 상기 훈련 출력 데이터는 다수의 치수들을 포함하며,
    주성분 분석법을 이용하여 상기 훈련 출력 데이터를 변화시키는 단계를 더 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  8. 제 7 항에 있어서,
    상기 훈련 출력 데이터의 치수들을 제 1 부분 및 적어도 제 2 부분으로 분할하는 단계를 더 포함하며,
    제 1 기계학습시스템은 상기 제 1 부분을 위해 구성되고 훈련되며, 제 2 기계학습시스템은 상기 제 2 부분을 위해 구성되고 훈련되는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  9. 제 2 항에 있어서, 상기 훈련 단계는,
    (a) 훈련 입력 데이터를 얻는 단계;
    (b) 상기 훈련 입력 데이터를 이용하여 상기 기계학습시스템에 의해 회절신호를 생성하는 단계;
    (c) 상기 회절신호를, 상기 회절신호를 생성하는데 사용된 상기 훈련 입력 데이터에 대응하는 상기 훈련 출력 데이터와 비교하는 단계; 및
    (d) 상기 회절신호와 상기 훈련 출력 데이터가 매칭기준 내에서 매칭하지 않을 때, 또 다른 훈련 입력 데이터를 이용하여 상기 (b) 단계 및 상기 (c) 단계를 반복하는 단계
    를 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  10. 제 2 항에 있어서, 상기 훈련 단계는 역-전파, 방사기반 네트워크, 지지 벡터, 또는 커널 회귀 알고리즘을 이용하는 단계를 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  11. 제 1 항에 있어서, 상기 제 1 회절신호와 상기 제 2 회절신호가 상기 매칭기준 내에서 매칭하지 않을 때, 상기 제 1 회절신호를 회절신호들의 라이브러리로부터의 또 다른 회절신호 - 상기 회절신호들의 라이브러리 내의 회절신호들은 상기 기계학습시스템을 이용하여 생성됨 - 와 비교하는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  12. 제 1 항에 있어서, 상기 제 1 회절신호 및 상기 제 2 회절신호가 상기 매칭기준 내에서 매칭하지 않을 때, 상기 제 1 회절신호와 비교하기 위해 상기 기계학습시스템을 이용하여 또 다른 회절신호를 생성하는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  13. 제 1 항에 있어서, 상기 계측장치는 타원계, 반사계, 원자력 현미경, 또는 주사 전자 현미경인 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  14. 제 1 항에 있어서, 상기 하나 이상의 파라미터는 하나 이상의 기준 치수 측정값, 입사각, n 및 k 값들 또는 피치를 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  15. 제 1 항에 있어서, 상기 기계학습시스템은 신경망인 것인 반도체 웨이퍼 상의 구조물 검사 방법.
  16. 컴퓨터로 하여금 반도체 웨이퍼 상에 형성된 구조물을 검사하게 하는 컴퓨터 실행가능한 명령들을 포함하는 컴퓨터-판독가능한 저장 매체로서,
    계측장치를 이용하여 측정된 제 1 회절신호를 얻기 위한 명령;
    기계학습시스템을 이용하여 생성된 제 2 회절신호를 얻기 위한 명령 - 상기 기계학습시스템은 상기 제 2 회절신호를 생성하기 위해 상기 구조물의 프로파일을 특정화하는 하나 이상의 파라미터를 입력으로서 수신함 - ;
    상기 제 1 회절신호와 상기 제 2 회절신호를 비교하기 위한 명령; 및
    상기 제 1 회절신호와 상기 제 2 회절신호가 매칭기준 내에서 매칭할 때, 상기 제 2 회절신호를 생성하기 위해 상기 기계학습시스템에 의해 사용된 상기 프로파일의 하나 이상의 파라미터에 기초하여 상기 구조물의 피쳐를 결정하기 위한 명령
    을 포함하는 컴퓨터-판독가능한 저장 매체.
  17. 제 16 항에 있어서,
    상기 제 2 회절신호를 생성하기 이전에, 훈련 입력 데이터의 세트 및 훈련 출력 데이터의 세트를 이용하여 상기 기계학습시스템을 훈련시키기 위한 명령을 더 포함하며,
    상기 훈련 입력 데이터의 각각은 하나 이상의 파라미터에 의해 특정화된 상기 구조물의 프로파일이고,
    상기 훈련 출력 데이터의 각각은 상기 구조물의 프로파일에 대응하는 회절신호인 것인 컴퓨터-판독가능한 저장 매체.
  18. 제 17 항에 있어서, 상기 훈련 출력 데이터의 세트는 상기 기계학습시스템을 훈련시키기 이전에 모델링 기술을 이용하여 상기 훈련 입력 데이터의 세트에 기초하여 생성되는 것인 컴퓨터-판독가능한 저장 매체.
  19. 제 17 항에 있어서, 상기 훈련 명령은,
    (a) 훈련 입력 데이터를 얻는 단계;
    (b) 상기 훈련 입력 데이터을 이용하여 상기 기계학습시스템에 의해 회절신호를 생성하는 단계;
    (c) 상기 회절신호를, 상기 회절신호를 생성하는데 사용된 상기 훈련 입력 데이터에 대응하는 상기 훈련 출력 데이터와 비교하는 단계; 및
    (d) 상기 회절신호와 상기 훈련 출력 데이터가 매칭기준 내에서 매칭하지 않을 때, 또 다른 훈련 입력 데이터를 이용하여 상기 (b) 단계 및 상기 (c) 단계를 반복하는 단계
    를 포함하는 것인 컴퓨터-판독가능한 저장 매체.
  20. 제 16 항에 있어서, 상기 제 1 회절신호와 상기 제 2 회절신호가 상기 매칭기준 내에서 매칭하지 않을 때, 상기 제 1 회절신호를 회절신호들의 라이브러리로부터의 또 다른 회절신호 - 상기 회절신호들의 라이브러리의 회절신호들은 상기 기계학습시스템을 이용하여 생성됨 - 와 비교하는 것인 컴퓨터-판독가능한 저장 매체.
  21. 제 16 항에 있어서, 상기 제 1 회절신호와 상기 제 2 회절신호가 상기 매칭기준 내에서 매칭하지 않을 때, 상기 제 1 회절신호와 비교하기 위해 상기 기계학습시스템을 이용하여 또 다른 회절신호를 생성하는 것인 컴퓨터-판독가능한 저장 매체.
  22. 반도체 웨이퍼 상의 구조물 검사 시스템으로서,
    상기 구조물로부터 제 1 회절신호를 측정하도록 구성된 계측장치;
    제 2 회절신호를 생성하도록 구성된 기계학습시스템 - 상기 기계학습시스템은 상기 제 2 회절신호를 생성하기 위해 상기 구조물의 프로파일을 특정화하는 하나 이상의 파라미터를 입력으로서 수신함 - ; 및
    상기 제 1 회절신호와 상기 제 2 회절신호를 비교하도록 구성된 프로세서를 포함하며,
    상기 제 1 회절신호와 상기 제 2 회절신호가 매칭기준 내에서 매칭하지 않을 때, 상기 구조물의 피쳐는 상기 제 2 회절신호를 생성하기 위해 상기 기계학습시스템에 의해 사용된 상기 하나 이상의 파라미터 또는 상기 프로파일에 기초하여 결정되는 것인 반도체 웨이퍼 상의 구조물 검사 시스템.
  23. 제 22 항에 있어서, 상기 제 2 회절신호를 생성하기 이전에, 상기 기계학습시스템은 훈련 입력 데이터의 세트 및 훈련 출력 데이터의 세트를 이용하여 훈련되며,
    상기 훈련 입력 데이터의 각각은 하나 이상의 파라미터에 의해 특정화된 상기 구조물의 프로파일이고, 상기 훈련 출력 데이터의 각각은 상기 구조물의 프로파일에 대응하는 회절신호인 것인 반도체 웨이퍼 상의 구조물 검사 시스템.
  24. 제 23 항에 있어서, 상기 훈련 입력 데이터의 세트는 상기 구조물의 프로파일들의 범위로부터 선택되는 것인 반도체 웨이퍼 상의 구조물 검사 시스템.
  25. 제 24 항에 있어서, 상기 프로파일들의 범위는 제 1 부분 및 적어도 제 2 부분으로 분할되며, 상기 기계학습시스템은,
    상기 제 1 부분을 위해 구성되고 훈련된 제 1 기계학습시스템; 및
    상기 제 2 부분을 위해 구성되고 훈련된 제 2 기계학습시스템
    을 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 시스템.
  26. 제 23 항에 있어서, 상기 훈련 출력 데이터는 다수의 치수들을 포함하며, 상기 훈련 출력 데이터의 치수들은 제 1 부분 및 적어도 제 2 부분으로 분할되며,
    상기 기계학습시스템은,
    상기 제 1 부분을 위해 구성되고 훈련된 제 1 기계학습시스템; 및
    상기 제 2 부분을 위해 구성되고 훈련된 제 2 기계학습시스템
    을 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 시스템.
  27. 제 22 항에 있어서,
    회절신호들의 라이브러리를 더 포함하며,
    상기 라이브러리의 회절신호들은 상기 기계학습시스템을 이용하여 생성되고, 상기 제 1 회절신호와 상기 제 2 회절신호가 상기 매칭기준 내에서 매칭하지 않을 때, 상기 제 1 회절신호는 상기 회절신호들의 라이브러리로부터의 또 다른 회절신호와 비교되는 것인 반도체 웨이퍼 상의 구조물 검사 시스템.
  28. 제 22 항에 있어서, 상기 제 1 회절신호와 상기 제 2 회절신호가 상기 매칭기준 내에서 매칭하지 않을 때, 상기 기계학습시스템은 상기 제 1 회절신호와 비교하기 위해 또 다른 회절신호를 생성하는 것인 반도체 웨이퍼 상의 구조물 검사 시스템.
  29. 제 22 항에 있어서,
    상기 프로세서에 결합되고, 하나 이상의 제작 단계들을 수행하도록 구성된 반도체 제작 유닛을 더 포함하는 것인 반도체 웨이퍼 상의 구조물 검사 시스템.
KR1020057024949A 2003-06-27 2004-06-25 기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측 KR101059427B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US10/608,300 2003-06-27
US10/608,300 US20040267397A1 (en) 2003-06-27 2003-06-27 Optical metrology of structures formed on semiconductor wafer using machine learning systems
PCT/US2004/020682 WO2005003911A2 (en) 2003-06-27 2004-06-25 Optical metrology of structures formed on semiconductor wafers using machine learning systems

Publications (2)

Publication Number Publication Date
KR20060033740A KR20060033740A (ko) 2006-04-19
KR101059427B1 true KR101059427B1 (ko) 2011-08-25

Family

ID=33540544

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020057024949A KR101059427B1 (ko) 2003-06-27 2004-06-25 기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측

Country Status (6)

Country Link
US (2) US20040267397A1 (ko)
JP (1) JP4589315B2 (ko)
KR (1) KR101059427B1 (ko)
CN (1) CN100418083C (ko)
DE (1) DE112004001001T5 (ko)
WO (1) WO2005003911A2 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021101069A1 (ko) * 2019-11-18 2021-05-27 고려대학교 산학협력단 기계 학습 모델을 이용한 반도체 소자 테스트 장치 및 방법
KR20220122111A (ko) * 2021-02-26 2022-09-02 김이경 파동분포를 제어하기 위한 구조를 설계하는 방법 및 그 장치
KR20240099634A (ko) 2022-12-22 2024-07-01 한국화학연구원 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템

Families Citing this family (156)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7330279B2 (en) * 2002-07-25 2008-02-12 Timbre Technologies, Inc. Model and parameter selection for optical metrology
US7394554B2 (en) * 2003-09-15 2008-07-01 Timbre Technologies, Inc. Selecting a hypothetical profile to use in optical metrology
US7224471B2 (en) * 2003-10-28 2007-05-29 Timbre Technologies, Inc. Azimuthal scanning of a structure formed on a semiconductor wafer
US7523076B2 (en) * 2004-03-01 2009-04-21 Tokyo Electron Limited Selecting a profile model for use in optical metrology using a machine learning system
US7388677B2 (en) * 2004-03-22 2008-06-17 Timbre Technologies, Inc. Optical metrology optimization for repetitive structures
US20050275850A1 (en) * 2004-05-28 2005-12-15 Timbre Technologies, Inc. Shape roughness measurement in optical metrology
US7065423B2 (en) * 2004-07-08 2006-06-20 Timbre Technologies, Inc. Optical metrology model optimization for process control
US7566181B2 (en) * 2004-09-01 2009-07-28 Tokyo Electron Limited Controlling critical dimensions of structures formed on a wafer in semiconductor processing
US7171284B2 (en) 2004-09-21 2007-01-30 Timbre Technologies, Inc. Optical metrology model optimization based on goals
US7280229B2 (en) * 2004-12-03 2007-10-09 Timbre Technologies, Inc. Examining a structure formed on a semiconductor wafer using machine learning systems
US7274465B2 (en) * 2005-02-17 2007-09-25 Timbre Technologies, Inc. Optical metrology of a structure formed on a semiconductor wafer using optical pulses
US20060187466A1 (en) * 2005-02-18 2006-08-24 Timbre Technologies, Inc. Selecting unit cell configuration for repeating structures in optical metrology
US7421414B2 (en) * 2005-03-31 2008-09-02 Timbre Technologies, Inc. Split machine learning systems
US7355728B2 (en) * 2005-06-16 2008-04-08 Timbre Technologies, Inc. Optical metrology model optimization for repetitive structures
US7515282B2 (en) * 2005-07-01 2009-04-07 Timbre Technologies, Inc. Modeling and measuring structures with spatially varying properties in optical metrology
US7523021B2 (en) * 2006-03-08 2009-04-21 Tokyo Electron Limited Weighting function to enhance measured diffraction signals in optical metrology
US7302367B2 (en) * 2006-03-27 2007-11-27 Timbre Technologies, Inc. Library accuracy enhancement and evaluation
US7522293B2 (en) * 2006-03-30 2009-04-21 Tokyo Electron Limited Optical metrology of multiple patterned layers
US7576851B2 (en) * 2006-03-30 2009-08-18 Tokyo Electron Limited Creating a library for measuring a damaged structure formed on a wafer using optical metrology
US7619731B2 (en) * 2006-03-30 2009-11-17 Tokyo Electron Limited Measuring a damaged structure formed on a wafer using optical metrology
US7474420B2 (en) * 2006-03-30 2009-01-06 Timbre Technologies, Inc. In-die optical metrology
US7324193B2 (en) * 2006-03-30 2008-01-29 Tokyo Electron Limited Measuring a damaged structure formed on a wafer using optical metrology
US7623978B2 (en) * 2006-03-30 2009-11-24 Tokyo Electron Limited Damage assessment of a wafer using optical metrology
US7444196B2 (en) * 2006-04-21 2008-10-28 Timbre Technologies, Inc. Optimized characterization of wafers structures for optical metrology
WO2007133755A2 (en) * 2006-05-15 2007-11-22 Rudolph Technologies, Inc. Structure model description and use for scatterometry-based semiconductor manufacturing process metrology
US7446887B2 (en) * 2006-05-22 2008-11-04 Tokyo Electron Limited Matching optical metrology tools using hypothetical profiles
US7446888B2 (en) * 2006-05-22 2008-11-04 Tokyo Electron Limited Matching optical metrology tools using diffraction signals
US7526354B2 (en) * 2006-07-10 2009-04-28 Tokyo Electron Limited Managing and using metrology data for process and equipment control
US7495781B2 (en) * 2006-07-10 2009-02-24 Tokyo Electron Limited Optimizing selected variables of an optical metrology model
US7518740B2 (en) * 2006-07-10 2009-04-14 Tokyo Electron Limited Evaluating a profile model to characterize a structure to be examined using optical metrology
US7525673B2 (en) * 2006-07-10 2009-04-28 Tokyo Electron Limited Optimizing selected variables of an optical metrology system
US7515283B2 (en) * 2006-07-11 2009-04-07 Tokyo Electron, Ltd. Parallel profile determination in optical metrology
US7469192B2 (en) * 2006-07-11 2008-12-23 Tokyo Electron Ltd. Parallel profile determination for an optical metrology system
US20080013107A1 (en) * 2006-07-11 2008-01-17 Tokyo Electron Limited Generating a profile model to characterize a structure to be examined using optical metrology
US7523439B2 (en) * 2006-07-11 2009-04-21 Tokyo Electron Limited Determining position accuracy of double exposure lithography using optical metrology
US7742888B2 (en) * 2006-07-25 2010-06-22 Tokyo Electron Limited Allocating processing units to generate simulated diffraction signals used in optical metrology
US7765076B2 (en) * 2006-09-22 2010-07-27 Tokyo Electron Limited Allocating processing units to processing clusters to generate simulated diffraction signals
US20080074678A1 (en) * 2006-09-26 2008-03-27 Tokyo Electron Limited Accuracy of optical metrology measurements
US7763404B2 (en) * 2006-09-26 2010-07-27 Tokyo Electron Limited Methods and apparatus for changing the optical properties of resists
US20080074677A1 (en) * 2006-09-26 2008-03-27 Tokyo Electron Limited accuracy of optical metrology measurements
US7300730B1 (en) 2006-09-26 2007-11-27 Tokyo Electron Limited Creating an optically tunable anti-reflective coating
US7555395B2 (en) * 2006-09-26 2009-06-30 Tokyo Electron Limited Methods and apparatus for using an optically tunable soft mask to create a profile library
US20080076046A1 (en) * 2006-09-26 2008-03-27 Tokyo Electron Limited accuracy of optical metrology measurements
US7765234B2 (en) * 2006-10-12 2010-07-27 Tokyo Electron Limited Data flow management in generating different signal formats used in optical metrology
US7783669B2 (en) * 2006-10-12 2010-08-24 Tokyo Electron Limited Data flow management in generating profile models used in optical metrology
US7417750B2 (en) * 2006-11-07 2008-08-26 Tokyo Electron Limited Consecutive measurement of structures formed on a semiconductor wafer using an angle-resolved spectroscopic scatterometer
US7522295B2 (en) * 2006-11-07 2009-04-21 Tokyo Electron Limited Consecutive measurement of structures formed on a semiconductor wafer using a polarized reflectometer
US7505148B2 (en) 2006-11-16 2009-03-17 Tokyo Electron Limited Matching optical metrology tools using spectra enhancement
US7428044B2 (en) * 2006-11-16 2008-09-23 Tokyo Electron Limited Drift compensation for an optical metrology tool
US7639375B2 (en) * 2006-12-14 2009-12-29 Tokyo Electron Limited Determining transmittance of a photomask using optical metrology
US7327475B1 (en) * 2006-12-15 2008-02-05 Tokyo Electron Limited Measuring a process parameter of a semiconductor fabrication process using optical metrology
US8798966B1 (en) * 2007-01-03 2014-08-05 Kla-Tencor Corporation Measuring critical dimensions of a semiconductor structure
US7667858B2 (en) * 2007-01-12 2010-02-23 Tokyo Electron Limited Automated process control using optical metrology and a correlation between profile models and key profile shape variables
US7596422B2 (en) * 2007-01-12 2009-09-29 Tokyo Electron Limited Determining one or more profile parameters of a structure using optical metrology and a correlation between profile models and key profile shape variables
US7639351B2 (en) * 2007-03-20 2009-12-29 Tokyo Electron Limited Automated process control using optical metrology with a photonic nanojet
US7567353B2 (en) * 2007-03-28 2009-07-28 Tokyo Electron Limited Automated process control using optical metrology and photoresist parameters
US7949618B2 (en) * 2007-03-28 2011-05-24 Tokyo Electron Limited Training a machine learning system to determine photoresist parameters
US7728976B2 (en) 2007-03-28 2010-06-01 Tokyo Electron Limited Determining photoresist parameters using optical metrology
US7372583B1 (en) 2007-04-12 2008-05-13 Tokyo Electron Limited Controlling a fabrication tool using support vector machine
US7511835B2 (en) * 2007-04-12 2009-03-31 Tokyo Electron Limited Optical metrology using a support vector machine with simulated diffraction signal inputs
US7483809B2 (en) * 2007-04-12 2009-01-27 Tokyo Electron Limited Optical metrology using support vector machine with profile parameter inputs
US7634325B2 (en) * 2007-05-03 2009-12-15 Taiwan Semiconductor Manufacturing Company, Ltd. Prediction of uniformity of a wafer
CN101359611B (zh) * 2007-07-30 2011-11-09 东京毅力科创株式会社 对光学计量系统的选定变量进行优化
CN101359612B (zh) * 2007-07-30 2012-07-04 东京毅力科创株式会社 晶片图案结构的检查装置及其计量数据管理方法
US7627392B2 (en) * 2007-08-30 2009-12-01 Tokyo Electron Limited Automated process control using parameters determined with approximation and fine diffraction models
US7949490B2 (en) * 2007-08-30 2011-05-24 Tokyo Electron Limited Determining profile parameters of a structure using approximation and fine diffraction models in optical metrology
US7912679B2 (en) * 2007-09-20 2011-03-22 Tokyo Electron Limited Determining profile parameters of a structure formed on a semiconductor wafer using a dispersion function relating process parameter to dispersion
US7636649B2 (en) * 2007-09-21 2009-12-22 Tokyo Electron Limited Automated process control of a fabrication tool using a dispersion function relating process parameter to dispersion
US7639370B2 (en) * 2007-11-07 2009-12-29 Tokyo Electron Limited Apparatus for deriving an iso-dense bias
US20090116040A1 (en) * 2007-11-07 2009-05-07 Tokyo Electron Limited Method of Deriving an Iso-Dense Bias Using a Hybrid Grating Layer
US7598099B2 (en) * 2007-11-07 2009-10-06 Tokyo Electron Limited Method of controlling a fabrication process using an iso-dense bias
US8412700B2 (en) 2008-01-11 2013-04-02 International Business Machines Corporation Database query optimization using index carryover to subset an index
US8015191B2 (en) * 2008-03-27 2011-09-06 International Business Machines Corporation Implementing dynamic processor allocation based upon data density
US8275761B2 (en) 2008-05-15 2012-09-25 International Business Machines Corporation Determining a density of a key value referenced in a database query over a range of rows
US8140520B2 (en) * 2008-05-15 2012-03-20 International Business Machines Corporation Embedding densities in a data structure
US7742163B2 (en) * 2008-07-08 2010-06-22 Tokyo Electron Limited Field replaceable units (FRUs) optimized for integrated metrology (IM)
US7990534B2 (en) * 2008-07-08 2011-08-02 Tokyo Electron Limited System and method for azimuth angle calibration
US7940391B2 (en) * 2008-07-08 2011-05-10 Tokyo Electron Limited Pre-aligned metrology system and modules
JP2010044101A (ja) * 2008-08-08 2010-02-25 Toshiba Corp パターン予測方法、プログラム及び装置
US9625937B2 (en) * 2008-08-18 2017-04-18 Kla-Tencor Corporation Computation efficiency by diffraction order truncation
US7948630B2 (en) * 2008-10-08 2011-05-24 Tokyo Electron Limited Auto focus of a workpiece using two or more focus parameters
US8560270B2 (en) * 2008-12-09 2013-10-15 Tokyo Electron Limited Rational approximation and continued-fraction approximation approaches for computation efficiency of diffraction signals
US8107073B2 (en) * 2009-02-12 2012-01-31 Tokyo Electron Limited Diffraction order sorting filter for optical metrology
US7924422B2 (en) * 2009-02-12 2011-04-12 Tokyo Electron Limited Calibration method for optical metrology
US8024676B2 (en) * 2009-02-13 2011-09-20 Tokyo Electron Limited Multi-pitch scatterometry targets
US8183062B2 (en) * 2009-02-24 2012-05-22 Tokyo Electron Limited Creating metal gate structures using Lithography-Etch-Lithography-Etch (LELE) processing sequences
KR101467987B1 (ko) * 2009-03-02 2014-12-02 어플라이드 머티리얼즈 이스라엘 리미티드 유사한 구조 엘리먼트들을 분류하는 ｃｄ 계측 시스템 및 방법
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
NL2006700A (en) 2010-06-04 2011-12-06 Asml Netherlands Bv Method and apparatus for measuring a structure on a substrate, computer program products for implementing such methods & apparatus.
WO2012012795A1 (en) 2010-07-23 2012-01-26 First Solar, Inc In-line metrology system and method
US9239522B2 (en) * 2010-10-08 2016-01-19 Kla-Tencor Corporation Method of determining an asymmetric property of a structure
EP3556277B1 (en) 2010-11-30 2021-11-10 Medivators Inc. Disposable suction valve for an endoscope
CN102207424B (zh) * 2010-12-29 2013-01-23 深圳超多维光电子有限公司 立体显示装置的参数测量系统和方法
US8173450B1 (en) 2011-02-14 2012-05-08 Tokyo Electron Limited Method of designing an etch stage measurement system
US8173451B1 (en) 2011-02-16 2012-05-08 Tokyo Electron Limited Etch stage measurement system
US8193007B1 (en) 2011-02-17 2012-06-05 Tokyo Electron Limited Etch process control using optical metrology and sensor devices
US8577820B2 (en) * 2011-03-04 2013-11-05 Tokyo Electron Limited Accurate and fast neural network training for library-based critical dimension (CD) metrology
US8468471B2 (en) 2011-09-23 2013-06-18 Kla-Tencor Corp. Process aware metrology
US10088413B2 (en) * 2011-11-21 2018-10-02 Kla-Tencor Corporation Spectral matching based calibration
US8812277B2 (en) 2011-12-09 2014-08-19 Tokyo Electron Limited Method of enhancing an optical metrology system using ray tracing and flexible ray libraries
US8838422B2 (en) 2011-12-11 2014-09-16 Tokyo Electron Limited Process control using ray tracing-based libraries and machine learning systems
US8570531B2 (en) 2011-12-11 2013-10-29 Tokyo Electron Limited Method of regenerating diffraction signals for optical metrology systems
US8464194B1 (en) * 2011-12-16 2013-06-11 International Business Machines Corporation Machine learning approach to correct lithographic hot-spots
US20130158957A1 (en) * 2011-12-16 2013-06-20 Lie-Quan Lee Library generation with derivatives in optical metrology
US10255385B2 (en) 2012-03-28 2019-04-09 Kla-Tencor Corporation Model optimization approach based on spectral sensitivity
US20130325395A1 (en) * 2012-06-01 2013-12-05 Globalfoundries Singapore Pte. Ltd. Co-optimization of scatterometry mark design and process monitor mark design
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
US10101670B2 (en) 2013-03-27 2018-10-16 Kla-Tencor Corporation Statistical model-based metrology
US10386729B2 (en) 2013-06-03 2019-08-20 Kla-Tencor Corporation Dynamic removal of correlation of highly correlated parameters for optical metrology
US11175589B2 (en) 2013-06-03 2021-11-16 Kla Corporation Automatic wavelength or angle pruning for optical metrology
US10481088B2 (en) 2013-06-04 2019-11-19 Kla-Tencor Corporation Automatic determination of fourier harmonic order for computation of spectral information for diffraction structures
US10895810B2 (en) 2013-11-15 2021-01-19 Kla Corporation Automatic selection of sample values for optical metrology
US10152654B2 (en) * 2014-02-20 2018-12-11 Kla-Tencor Corporation Signal response metrology for image based overlay measurements
US10352876B2 (en) * 2014-05-09 2019-07-16 KLA—Tencor Corporation Signal response metrology for scatterometry based overlay measurements
CN104021770B (zh) * 2014-06-12 2016-05-11 重庆卓美华视光电有限公司 裸眼3d液晶显示屏模组参数的处理方法
US10151986B2 (en) * 2014-07-07 2018-12-11 Kla-Tencor Corporation Signal response metrology based on measurements of proxy structures
US9262819B1 (en) 2014-09-26 2016-02-16 GlobalFoundries, Inc. System and method for estimating spatial characteristics of integrated circuits
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
US10502549B2 (en) * 2015-03-24 2019-12-10 Kla-Tencor Corporation Model-based single parameter measurement
US9995689B2 (en) * 2015-05-22 2018-06-12 Nanometrics Incorporated Optical metrology using differential fitting
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
EP3398123A4 (en) * 2015-12-31 2019-08-28 KLA - Tencor Corporation ACCELERATED TRAINING OF A MODEL BASED ON AUTOMATIC LEARNING FOR SEMICONDUCTOR APPLICATIONS
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
JP6542738B2 (ja) 2016-10-12 2019-07-10 ファナック株式会社 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法
US10921369B2 (en) 2017-01-05 2021-02-16 Xcalipr Corporation High precision optical characterization of carrier transport properties in semiconductors
US10733744B2 (en) * 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
US11248905B2 (en) * 2017-08-16 2022-02-15 Kla-Tencor Corporation Machine learning in metrology measurements
US10969773B2 (en) * 2018-03-13 2021-04-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
USD947376S1 (en) 2018-03-21 2022-03-29 Medivators Inc. Endoscope suction valve
CN111971551A (zh) * 2018-04-10 2020-11-20 朗姆研究公司 机器学习中的光学计量以表征特征
US20230045798A1 (en) * 2018-04-30 2023-02-16 Seoul National University R&Db Foundation Method for predicting structure of indoor space using radio propagation channel analysis through deep learning
USD952142S1 (en) 2018-05-21 2022-05-17 Medivators Inc. Cleaning adapter
CN112236070A (zh) 2018-05-21 2021-01-15 美涤威公司 带有和不带有安全标签的清洁适配器
KR20230144122A (ko) * 2018-06-14 2023-10-13 노바 엘티디. 반도체 제조용 측정 및 공정 제어
DE102018209562B3 (de) 2018-06-14 2019-12-12 Carl Zeiss Smt Gmbh Vorrichtungen und Verfahren zur Untersuchung und/oder Bearbeitung eines Elements für die Photolithographie
EP3629088A1 (en) * 2018-09-28 2020-04-01 ASML Netherlands B.V. Providing a trained neural network and determining a characteristic of a physical system
US10657214B2 (en) 2018-10-09 2020-05-19 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
US10705514B2 (en) * 2018-10-09 2020-07-07 Applied Materials, Inc. Adaptive chamber matching in advanced semiconductor process control
US10930531B2 (en) 2018-10-09 2021-02-23 Applied Materials, Inc. Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes
KR102224466B1 (ko) 2018-11-07 2021-03-05 포항공과대학교 산학협력단 기계학습을 이용한 페로브스카이트의 구조 분석 방법
TWI829807B (zh) * 2018-11-30 2024-01-21 日商東京威力科創股份有限公司 製造製程之假想測定裝置、假想測定方法及假想測定程式
WO2020142301A1 (en) * 2019-01-02 2020-07-09 Kla Corporation Machine learning for metrology measurements
DE102019103503A1 (de) * 2019-02-12 2020-08-13 Carl Zeiss Smt Gmbh Fehlerreduktion bei Bildern, die mit geladenen Teilchen erzeugt wurden, mithilfe von Machine-Learning-basierten Verfahren
JP7129356B2 (ja) 2019-02-13 2022-09-01 キオクシア株式会社 測定方法
JP7316867B2 (ja) 2019-07-25 2023-07-28 キオクシア株式会社 半導体画像処理装置
US11415898B2 (en) 2019-10-14 2022-08-16 Kla Corporation Signal-domain adaptation for metrology
CN111043988B (zh) * 2019-12-10 2021-04-23 东南大学 一种基于图形学和深度学习的单张条纹投影测量方法
US11092901B2 (en) 2019-12-21 2021-08-17 Qoniac Gmbh Wafer exposure method using wafer models and wafer fabrication assembly
JP6832463B1 (ja) * 2020-04-06 2021-02-24 東京応化工業株式会社 情報処理システム、情報処理装置、情報処理方法及びプログラム
CN111595812B (zh) * 2020-05-29 2021-06-22 复旦大学 基于动量空间色散关系的关键参数的量测方法和系统
US11289387B2 (en) 2020-07-31 2022-03-29 Applied Materials, Inc. Methods and apparatus for backside via reveal processing
US11983865B2 (en) * 2021-05-05 2024-05-14 KLA Corp. Deep generative model-based alignment for semiconductor applications
US20220388112A1 (en) * 2021-06-03 2022-12-08 Applied Materials, Inc. Using light coupling properties for machine-learning-based film detection
US20230342016A1 (en) * 2022-04-25 2023-10-26 Applied Materials, Inc. Methods and mechanisms for generating virtual knobs for model performance tuning
US20240062097A1 (en) * 2022-08-22 2024-02-22 Applied Materials, Inc. Equipment parameter management at a manufacturing system using machine learning

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6650422B2 (en) * 2001-03-26 2003-11-18 Advanced Micro Devices, Inc. Scatterometry techniques to ascertain asymmetry profile of features and generate a feedback or feedforward process control data associated therewith

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5479573A (en) * 1992-11-24 1995-12-26 Pavilion Technologies, Inc. Predictive network with learned preprocessing parameters
US5638178A (en) * 1995-09-01 1997-06-10 Phase Metrics Imaging polarimeter detector for measurement of small spacings
JP2000197050A (ja) * 1998-12-25 2000-07-14 Canon Inc 画像処理装置及び方法
US6192103B1 (en) * 1999-06-03 2001-02-20 Bede Scientific, Inc. Fitting of X-ray scattering data using evolutionary algorithms
IL130874A (en) * 1999-07-09 2002-12-01 Nova Measuring Instr Ltd System and method for measuring pattern structures
JP2001185595A (ja) * 1999-12-27 2001-07-06 Fujitsu Ltd 特性値の制御方法
US6943900B2 (en) * 2000-09-15 2005-09-13 Timbre Technologies, Inc. Generation of a library of periodic grating diffraction signals
US6558965B1 (en) * 2001-07-11 2003-05-06 Advanced Micro Devices, Inc. Measuring BARC thickness using scatterometry
US6785638B2 (en) * 2001-08-06 2004-08-31 Timbre Technologies, Inc. Method and system of dynamic learning through a regression-based library generation process
US7031894B2 (en) * 2002-01-16 2006-04-18 Timbre Technologies, Inc. Generating a library of simulated-diffraction signals and hypothetical profiles of periodic gratings

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6650422B2 (en) * 2001-03-26 2003-11-18 Advanced Micro Devices, Inc. Scatterometry techniques to ascertain asymmetry profile of features and generate a feedback or feedforward process control data associated therewith

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021101069A1 (ko) * 2019-11-18 2021-05-27 고려대학교 산학협력단 기계 학습 모델을 이용한 반도체 소자 테스트 장치 및 방법
KR20220122111A (ko) * 2021-02-26 2022-09-02 김이경 파동분포를 제어하기 위한 구조를 설계하는 방법 및 그 장치
KR102468352B1 (ko) * 2021-02-26 2022-11-18 김이경 파동분포를 제어하기 위한 구조를 설계하는 방법 및 그 장치
KR20240099634A (ko) 2022-12-22 2024-07-01 한국화학연구원 인공지능 기반 무기 소재의 원자구조 최적화 방법, 장치 및 시스템

Also Published As

Publication number Publication date
US20040267397A1 (en) 2004-12-30
KR20060033740A (ko) 2006-04-19
US20090198635A1 (en) 2009-08-06
WO2005003911A2 (en) 2005-01-13
JP2007528985A (ja) 2007-10-18
WO2005003911A3 (en) 2005-06-30
CN1799045A (zh) 2006-07-05
US7831528B2 (en) 2010-11-09
DE112004001001T5 (de) 2006-09-14
CN100418083C (zh) 2008-09-10
JP4589315B2 (ja) 2010-12-01

Similar Documents

Publication Publication Date Title
KR101059427B1 (ko) 기계학습시스템을 이용한 반도체 웨이퍼 상에 형성된구조물의 광학적 계측
KR101144402B1 (ko) 광학적 계측에 이용되는 가상 프로파일 선택 방법 및 선택 시스템과, 컴퓨터 판독 가능 기억 매체
US7453584B2 (en) Examining a structure formed on a semiconductor wafer using machine learning systems
US7523076B2 (en) Selecting a profile model for use in optical metrology using a machine learning system
JP5137587B2 (ja) 繰り返し構造のための光計測の最適化
US7372583B1 (en) Controlling a fabrication tool using support vector machine
KR101387868B1 (ko) 광학 계측에서 측정 회절 신호들을 강화시키는 가중 함수의 획득 방법, 이용 방법, 및 그 가중 함수 이용 시스템
JP5162778B2 (ja) プロセスパラメータを分散に関連づける分散関数を用いた構造のプロファイルパラメータの決定
US7518740B2 (en) Evaluating a profile model to characterize a structure to be examined using optical metrology
US7483809B2 (en) Optical metrology using support vector machine with profile parameter inputs
US20070225940A1 (en) Library accuracy enhancement and evaluation
US7522295B2 (en) Consecutive measurement of structures formed on a semiconductor wafer using a polarized reflectometer
US7511835B2 (en) Optical metrology using a support vector machine with simulated diffraction signal inputs
US7446887B2 (en) Matching optical metrology tools using hypothetical profiles
US20070268498A1 (en) Matching optical metrology tools using diffraction signals
KR101179300B1 (ko) 머신 학습 시스템을 이용하여 반도체 웨이퍼상에 형성된 구조물을 조사하는 방법 및 시스템, 머신 학습 시스템의 트레이닝 방법 및 컴퓨터 판독가능한 기억 매체
TW202244460A (zh) 基於經訓練之經參數調節之測量模型之高解析度輪廓測量
TW202334642A (zh) 基於掃描條件模型之半導體外形測量

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140808

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150716

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160721

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20170720

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20180801

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20190730

Year of fee payment: 9