KR101930913B1 - 패턴 구조들의 광학적 정밀 검사를 최적화하는 방법 및 시스템 - Google Patents

패턴 구조들의 광학적 정밀 검사를 최적화하는 방법 및 시스템 Download PDF

Info

Publication number
KR101930913B1
KR101930913B1 KR1020137001291A KR20137001291A KR101930913B1 KR 101930913 B1 KR101930913 B1 KR 101930913B1 KR 1020137001291 A KR1020137001291 A KR 1020137001291A KR 20137001291 A KR20137001291 A KR 20137001291A KR 101930913 B1 KR101930913 B1 KR 101930913B1
Authority
KR
South Korea
Prior art keywords
type
data
measured data
measured
pattern
Prior art date
Application number
KR1020137001291A
Other languages
English (en)
Other versions
KR20130047731A (ko
Inventor
보아즈 브릴
Original Assignee
노바 메주어링 인스트루먼츠 엘티디.
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 노바 메주어링 인스트루먼츠 엘티디. filed Critical 노바 메주어링 인스트루먼츠 엘티디.
Publication of KR20130047731A publication Critical patent/KR20130047731A/ko
Application granted granted Critical
Publication of KR101930913B1 publication Critical patent/KR101930913B1/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
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
    • G01Q80/00—Applications, other than SPM, of scanning-probe techniques
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Nanotechnology (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

패턴 구조들 (patterned structures)의 정밀 검사에 사용하는 시스템 및 방법이 제공된다. 상기 시스템은: 상기 패턴 구조의 적어도 일부 위의 이미지 데이터를 표시하는 제1 유형 데이터를 수신하기 위한 데이터 입력 유틸리티, 그리고 상기 이미지 데이터를 분석하고, 상기 구조 내 패턴의 적어도 하나의 특징 (feature)에 대한 기하학적 모델을 결정하도록 구성되고 사용할 수 있으며, 그리고 패턴 구조상의 광학적 측정치들을 표시하는 제2 유형 데이터에 대한 광학 모델을 결정하기 위해서 상기 기하학적 모델을 이용하는, 데이터 프로세싱 및 분석 유틸리티를 포함한다.

Description

패턴 구조들의 광학적 정밀 검사를 최적화하는 방법 및 시스템{Method and system for optimizing optical inspection of patterned structures}
본 발명은 일반적으로 광학적인 정밀 검사의 분야이며, 그리고 패턴 구조들 (patterned structure)의 광학적 정밀 검사를 최적화하는 방법 및 시스템에 관련된다.
집적 회로들과 같은 반도체 구조들은 치수들 그리고 패턴 특징들 (pattern features)의 모습들에 있어서 더욱 복잡하게 된다. 따라서, 완전한 3차원 구조들의 정밀한 측정치들을 제공하고 그리고 이 측정치들이 생산라인 상에서 진행하는 구조들에 적용되는 것, 즉, 패턴 구조들의 자동적인 정밀 검사 (계측, 결함 탐지, 프로세스 제어 등)를 가능하게 하는 것의 필요성이 증가한다.
현재의 계측 기술들은 테스트 구조들 (이는 웨이퍼의 각인 라인들에서 보통 발생된다) 그리고 그 구조 내부의 프로세스 행동을 표현하려는 시도 (이는 항상 성공적이지는 않다)에 심하게 의존한다. 그러나, 상기 구조 내부의 특징들을 직접적으로 측정하는 것은 아주 이익이 되며, 이는 그것이 테스트 구조들이 때로는 가지고 있지 못한 관련성 (relevance) 그리고 그 변화들을 상기 구조를 가로질러 매핑하는 능력 둘 모두를 허용하기 때문이다.
2차원 구조 (라인들) 및 3차원 구조의 측정을 위한 몇몇의 계측 방법들이 현재 존재한다. 이 방법들은 광학 이미징 기술들, 빔 스캐닝 기술들, 프로브-기반 마이크로스코피, 그리고 보통은 스캐터로미트리 (scatterometry) 또는 광학적 임계 치수 (optical critical dimension (OCD)) 측정으로 불리는 "비-이미징 (non-imaing)" 광학 기술들을 포함하는 4가지 주요 그룹들로 대략 나누어질 수 있다.
광학 이미징 기술들은 샘플의 영역 (구역)의 직접 이미지를 생성하는 것을 기반으로 한다. 이 기술들은 대개의 경우들에서 반도체 웨이퍼들과 같이 그런 패턴 구조들의 정밀한 기하학적 측정들에는 더 이상 적절하지 않으며, 이는 패턴의 특징 크기 (features size)가 이미징을 위해서 사용되는 파장보다 아주 더 작기 때문이다. 이 한계는 몇몇의 정밀 검사 툴들 (스테퍼들)에서 행해지는 것과 같이 웨이퍼로의 아래로의 확대 이전에 취해진 마스크의 가공의 (aerial) 이미지를 활용함으로써 때로는 극복될 수 있을 것이다.
빔 스캐닝 기술들은 입자들의 초점이 맞추어진 빔을 이용하여 샘플의 주어진 영역을 스캔하고, 빔과 샘플 사이의 상호작용에 의해서 생성된 임의 종류의 방사물을 수집하고 (보통 2차 입자 방사), 그리고 그 샘플의 2차원 이미지를 생성하기 위해서 상기 수집된 방사물의 강도 (또는 다른 파라미터들)를 이용하는 것을 기반으로 한다. 그런 기술들은, 예를 들면, SEM (Scanning Electron Microscopy) 그리고 헬륨 이온 빔 마이크로스코피 (Hellium Ion Beam Microscopy)를 포함한다.
프로브 (probe)-기반의 마이크로스코피는 (예를 들면 AFM (Atomic Force Microscopy))에서와 같이) 샘플 근방에 가깝게 가져온 프로브 (팁, tip)를 활용하고 그리고 상기 샘플의 라인 또는 영역을 스캔한다. 상기 프로브로부터의 신호 또는, 더 빈번하게는, 피드백 제어 신호들 (이는 상기 프로브를 상기 샘플로부터 일정한 거리에 유지시키기 위해서 사용된다)이 사용되어 상기 샘플의 2차원 이미지를 생성한다.
스캐터로미트리 (scatterometry) 또는 ODC 기술들은 샘플 상의 반복적인 구조 (격자)로부터의, 하나 또는 두 개의 방향들에서 주기성을 가지는, 회절의 측정, 그리고 역 (inverse) 문제를 해결하는 것을 통한 패턴의 유닛 셀의 기하학적인 파라미터들의 재구축, 그리고 그 측정 결과들로 모델을 피팅 (fitting)하는 것을 기반으로 한다. 여기에서, 측정 스폿 (spot)은 상기 반복적인 구조의 많은 주기들을 포함하며, 그래서 측정은 상기 측정 스폿을 가로지르는 평균 파라미터들을 나타낸다.
광학 이미징 기술, 빔 스캐닝 기술 그리고 프로브-기반 마이크로스코피는 모두 스캐닝 기술로서 구현될 수 있으며 그리고 상기 샘플에 걸쳐서 고해상도로 (즉, 한번에 상기 샘플의 작은 부분에 민감하게) 프로브로 스캐닝하여 이미지를 생성할 수 있다는 것에 유의해야만 한다. 상기 스캐터로미트리 또는 OCD 기술들에 관해서는, 그 기술들은 고속 및 반복 가능성과 같은 여러 이점들을 가지지만, 그 기술들은 측정이 수행될 수 있기 이전에 필요한 긴 셋업 시간이라고 하는 커다란 불리함을 겪는 것이 보통이다. 이 문제는 3차원 구조들의 경우에 더욱 심각하며, 이는 그 구조들이 더욱 복잡해지며, 파라미터들의 개수는 더 많아지며 그리고 회절 계산은 더 길어지기 때문이다.
상기의 문제들을 우회하기 위한 알려진 접근 방법들 중의 하나는, 예를 들면, 본 출원의 출원인에게 양수된 US 6,650,424에서 설명된 것처럼 CD-SEM 또는 AFM와 같은 추가적인 소스들로부터의 정보를 결합하는 것에 의한 것이다. 이 기술에 따르면 스캐터로미트리 그리고 SEM 측정치들이 구조에 적용되고, 그리고 구조 파라미터들 및 상기 구조의 측면 패턴 치수들을 각각 표시하는 측정된 데이터가 생성된다. 그 측정된 데이터 전체가 분석되어, SEM의 측정 결과들을 최적화하기 위해서 상기 스캐터로미트리 측정 결과들을 이용하는 것을 가능하게 하며, 그 반대로도 이용된다.
US 6,650,424
본 발명의 목적은 복잡한 3차원 패턴을 가진 복잡한 구조들을 포함하는 패턴 구조들의 정밀 검사를 용이하게 하기 위한 시스템들 및 방법들을 제공하려고 하는 것이다.
복잡한 3차원 패턴을 가진 복잡한 구조들을 포함하는 패턴 구조들의 정밀 검사를 용이하게 하려는 필요성이 당 업계에 존재한다.
본 특허 출원의 목적들을 위해서 "정밀 검사 (inspecton)"의 용어는 측정 (measurements), 계측 (metrology) 그리고/또는 결함 탐지 (defect detection) 그리고/또는 프로세스 제어/모니터링 (process control/monitoring) 등을 포함하여 넓게 해석되어야만 한다는 것이 이해되어야만 한다. 또한, 아래에서의 설명에서, SEM, 헬륨 이온 빔 마이크로스코피, 그리고 AFM과 같은 "이미징" 스캐닝 기술들은 스캐닝 기술 또는 시스템 또는 툴, 또는 계측 기술 또는 시스템 또는 툴로서 언급되며, 그리고 스캐터로미트리 또는 OCD와 같은 "비-이미징 (non-imaging)" 기술과는 구분되어야만 한다.
본 발명은 OCD 측정된 데이터를 기술하고/해석하기 위한 광학 모델 생성 최적화를 제공한다. 이 관계에서, 광학 측정치들을 해석하기 위해서 광학 모델들이 보통 사용된다는 것을 이해해야만 한다. 그런 광학 모델은 하나 또는 그 이상의 구조-관련된 파라미터들/조건들 그리고 측정 시스템의 파라미터들/조건들 상 구조로부터의 광학적인 응답의 종속 상태의 기능적인 표현들을 하나 또는 그 이상 포함한다.
본 발명은 광학 모델이 기반으로 하는 측정치들 (구조 관련된 데이터의 일부임) 하에 상기 구조의 기하학적인 모델 생성을 최적화함으로써 상기 광학 모델 생성을 최적화한다. 본 발명은 OCD 측정치들의 모델링을 최적화하기 위해서 샘플의 이미지 데이터 또는 비트맵을 (직접적으로 또는 간접적으로) 제공하는 임의 계측 툴 (tool)로부터의 정보를 활용하며, 이는 3차원 패턴의 구조에 대한 셋업 시간을 줄여주고 그리고 더욱 정밀한 측정치들을 제공한다. 상기 이미지 데이터는 스캐닝 툴 (예를 들면, AFM, SEM 등)로부터의 측정치들을 이용하여 제공될 수 있을 것이다. 이 최적화 기술은 오프라인으로 또는 온라인 (실시간)으로 수행될 수 있을 것이며, 또는 결합된 접근 방식이 사용될 수 있을 것이라는 것에 유의해야만 한다.
OCD 기술들에서, 중요한 단계들 중의 하나는 패턴의 유닛 셀의 기하학적인 모습의 수학적/이론적 표현을, 실제로 측정된 데이터의 추가적인 해석을 위해서 (예를 들면, RCWA의 원칙들을 기반으로 하는) 물리적인 모델의 생성을 허용하는 방식으로 하는 것이다. 대부분의 경우들에서, 상기 유닛 셀의 기하학적인 모습을 결정하는 프로세스는 상기 구조 내 각 패턴 레이어를 위한 s 레서피 (recipe) 셋업 동안에 수행된다. 이는 보통은 다음처럼 수행된다: 사용자는 간단한 모습들의 주어진 집합 ("프리미티브들 (primitives)"로 불린다)으로부터 하나 또는 그 이상의 유닛 셋 기하학적인 모습들 (기하학적 모델들)을 선택하고, 선택된 프리미티브의 파라미터들을 조절하고, 그리고 이 파라미터들, 예를 들면, 중심 위치 그리고/또는 그 중심 위치의 치수들의 적어도 일부를 변경한다. 이 단계들은 필요하다면 상기 유닛 셀이 물리적 모델 생성을 위해서 충분하게 기술될 수 있을 때까지 반복될 수 있을 것이다. 그러면, 상기 정의된 유닛 셀을 기반으로 하는 물리적 모델 생성/계산 동안에, 다음의 것들을 수행하기 위해서 적합한 알고리즘들이 사용된다: 모습을 정의하기 위해서 상기 현재의 기하학적인 파라미터들이 사용된다; 특징 (feature)들을 몇몇의 인공적인 레이어들로 얇게 잘라서 수직 (z) 방향으로 이산화 (discretization) (슬라이싱 (slicing))가 적용되며, 상기 인공적인 레이어들 각각은 약간 다른 모습을 포함한다; 그리고, 예를 들면, 스펙트럼 응답, 회절 패턴 등의 패턴 구조의 전자기적인 응답과 같은 원하는 기능 (예를 들면, RCWA)을 계산하기 위해서 상기 결과인 이산된 구조가 사용된다.
그러나, 상기의 프로세스 또는 현재 사용된 유사한 프로세스들은, 단순한 기하학적인 프리미티브들을 사용하는 것이 실제의 구조 (예를 들면, 웨이퍼) 상 유닛 셀의 실제 기하학적인 모습을 정밀하게 기술하는 것을 허용하지 않는다는 사실을 겪는다. 추가로, 상기 프로세스는, 시간을 소비하는 몇몇의 경우들 외에도, 아마도 독립적인 파라미터들의 큰 집합을 생성하는 경향이 있으며, 그리고 상기 프로세스 행동 [예를 들면 x 차원에서의 사이즈 그리고 y 차원에서의 사이즈]을 통해서, 실제로는 강하게 상관된다.
본 발명의 한 가지 모습에 따라서 본 발명은, 이미징 기술에 의해서 제공된 데이터를 기반으로 하는 OCD 모델링 최적화를 위한 새로운 접근 방법인 소위 "하이브리드 접근 방식 (hybrid approach)"을 제공한다. 상기에서 표시된 것처럼, 이미징 툴은 여기에서는 때로는 스캐닝 툴 또는 계측 툴로 언급된다. 본 발명의 기술의 예는 모델링 최적화를 위한 CD-SEM (측정 툴)로부터의 데이터 또는, OCD, 스캐터로미트리 툴에 의한 측정치를 이용하는 것이며, 이는 개별적으로는 획득될 수 없는 계측 및 CD 측정들 중의 어느 하나 또는 둘 모두의 향상된 성능의 결과가 된다.
그래서, 본 발명의 넓은 모습에 따라, 패턴 구조들 (patterned structures)의 정밀 검사에 사용하는 시스템이 제공되며, 상기 시스템은: 상기 패턴 구조의 적어도 일부 위의 이미지 데이터를 표시하는 제1 유형 데이터를 수신하기 위한 데이터 입력 유틸리티, 그리고 상기 이미지 데이터를 분석하고, 상기 구조 내 패턴의 적어도 하나의 특징 (feature)에 대한 기하학적 모델을 결정하도록 구성되고 사용할 수 있으며, 그리고 패턴 구조상의 광학적 측정치들을 표시하는 제2 유형 데이터에 대한 광학 모델을 결정하기 위해서 상기 기하학적 모델을 이용하는, 데이터 프로세싱 및 분석 유틸리티를 포함한다.
본 발명의 몇몇의 실시예들에서, 상기 데이터 프로세싱 및 분석 유틸리티는, 상기 이미지 데이터를 표시하는 데이터를 프로세싱하고 그리고 상기 패턴의 적어도 하나의 특징에 대한 윤곽을 결정하도록 구성되고 사용할 수 있는 식별자 유틸리티, 그리고 상기 식별자 유틸리티에 연결되며 그리고 상기 기하학적 모델을 결정하기 위해 사용할 수 있는 기하학적 모델 생성기 유틸리티를 포함한다.
상기 데이터 프로세싱 및 분석 유틸리티는, 상기 이미지 데이터를 프로세싱하고 그리고 상기 패턴의 상기 적어도 하나의 특징을 포함하는 적어도 하나의 유닛 셀을 식별하고, 그리고 상기 데이터를 상기 외곽 식별자 유틸리티에게로 생성하도록 구성되고 사용할 수 있는, 식별자 유틸리티를 포함할 수 있을 것이다.
상기 시스템은 또한 메모리 유틸리티를 포함할 수 있을 것이다. 상기 메모리 유틸리티는 상기 구조 내 패턴의 적어도 하나의 특징을 표시하는 일정한 설계 규칙 데이터를 저장하기 위해 서빙할 수 있을 것이다.
몇몇의 실시예들에서, 상기 데이터 프로세싱 및 분석 유틸리티는, 상기 제2 유형의 측정된 데이터를 수신하고 그리고 상기 제1 이미지 데이터를 최적화하기 위해서 그 데이터를 프로세싱하도록 구성되고 사용할 수 있다.
상기 이미지 데이터는 스캐닝 툴에 의해 획득된 측정된 데이터를 포함할 수 있을 것이다. 상기 스캐닝 툴은 SEM (Scanning Electron Microscopy) 및/또는 AFM (Atomic Force Microscopy)을 포함할 수 있을 것이다.
몇몇의 실시예들에서, 상기 제2 유형 데이터는 스캐터로미트리 (scatterometry) 기반의 툴에 의해서 획득 가능한 측정된 데이터에 대응한다.
본 발명의 다른 넓은 모습에 따라, 상기 제1 유형 및 제2 유형 중 적어도 하나의 측정된 데이터를 획득하기 위한 적어도 하나의 측정 툴, 그리고 상기 적어도 하나의 측정 툴과 통신하도록 구성된, 상기에서 설명된 시스템을 포함하는 측정 시스템을 포함하는 측정 시스템이 제공된다.
본 발명의 또 다른 모습에 따라, 패턴 구조들 상에서 측정하고 그리고 제2 유형의 광학 데이터를 생성하도록 구성되고 사용할 수 있는 측정 툴, 및 광학 모델을 생성하기 위한 상기에서-설명된 시스템을 포함하는 스캐터로미트리 시스템이 제공된다.
본 발명의 또 다른 모습에 따라, 패턴 구조들의 정밀 검사에서 사용하는 방법이 제공되며, 상기 방법은: 상기 패턴 구조의 적어도 일부 위의 이미지 데이터를 표시하는 제1 유형 데이터를 수신하고, 상기 이미지 데이터를 표시하는 데이터를 프로세싱하고 분석하며 그리고 상기 구조 내 패턴의 적어도 하나의 특징에 대한 기하학적 모델을 결정하며, 패턴 구조 상 광학적 측정치들을 나타내는 제2 유형의 데이터에 대한 광학 모델을 결정하기 위해서 상기 기하학적 모델을 이용하는 것을 포함한다.
상기 기하학적 모델을 결정하는 것은, 상기 수신한 이미지 데이터를 표시하는 데이터를 프로세싱하고 분석하며 그리고 상기 패턴의 적어도 하나의 특징에 대한 윤곽을 결정하며, 그리고 상기 기하학적 모델을 결정하기 위해 상기 적어도 하나의 윤곽을 프로세싱하는 것을 포함할 수 있을 것이다. 상기 수신된 이미지 데이터는 상기 패턴의 적어도 하나의 특징을 포함하는 적어도 하나의 유닛 셀을 식별하기 위해서 첫 번째로 프로세싱되고 그리고 분석될 수 있을 것이다. 이 목적을 위해서, 특정 설계 규칙이 활용될 수 있을 것이며, 상기 구조 내 패턴의 적어도 하나의 특징을 표시하는 데이터를 제공한다.
상기 방법은 상기 제2 유형의 측정된 데이터를 수신하고 그리고 상기 제1 이미지 데이터를 최적화하기 위해서 그 수신한 데이터를 프로세싱하도록 동작할 수 있을 것이다.
상기 이미지 데이터는 스캐닝 툴에 의해서 획득된 측정된 데이터를 포함할 수 있을 것이다. 후자는 SEM 및/또는 AFM을 포함할 수 있을 것이다.
상기 제2 유형의 데이터는 스캐터로미트리 기반의 툴에 의해 획득 가능한 측정된 데이터에 대응할 수 있을 것이다.
상기 방법은 반도체 웨이퍼들을 정밀 검사하기 위해서 사용될 수 있을 것이다.
본 발명의 또 다른 모습에 따라, 패턴 구조들의 정밀 검사에서 사용하는 방법이 제공되며, 상기 방법은: 스캐닝 툴에 의해서 획득된 패턴 구조의 적어도 일부의 하나 이상의 이미지들을 표시하는 이미지 데이터를 수신하고, 상기 이미지 데이터를 표시하는 데이터를 프로세싱하고 분석하며 그리고 상기 구조 내 패턴의 적어도 하나의 특징에 대한 기하학적 모델을 결정하며, 패턴 구조 상 스캐터로미트리 기반의 광학 측정치들에 대한 광학 모델을 결정하기 위해서 상기 기하학적 모델을 이용하며, 그럼으로써 생산라인 상 진행하는 상기 패턴 구조에 적용된 스캐터로미트리 기반의 측정치들을 해석 (interpret)하기 위해서 상기 기하학적인 모델을 사용하는 것을 가능하게 하는 것을 포함한다.
본 발명의 효과는 본 명세서의 해당되는 부분들에 개별적으로 명시되어 있다.
본 발명을 이해하기 위해서 그리고 그것이 실제로는 어떻게 수행되는가를 알기 위해서, 첨부된 도면들을 참조하여 실시예들이 비-제한적인 예시로서 이제 설명될 것이다.
도 1은 패턴 구조들에 적용된 OCD 기술에 적합한 유닛 셀의 간략화된 개략적으로 도시한 것이다.
도 2a는 이미징 툴 (계측 툴), 예를 들면 SEM에 의해 제공된 이미지 데이터를 기반으로 패턴 구조들 상 광학 측정치, 예를 들면, OCD의 해석에 대한 광학 모델 생성을 위한 본 발명의 시스템을 간략화한 것이다.
도 2b는 SEM와 같은 스캐닝 툴에 의해 획득된 이미지 데이터로부터의 유닛 셀 식별을 기반으로 하는 광학 모델 생성을 위한 본 발명의 방법을 간략화한 것이다.
도 3은 도 2b의 방법에서 사용된 기하학적인 모델 생성을 위해서 상기 유닛 셀 내 특징의 윤곽을 늘리고/줄이는 프로세스의 원칙들을 간략화한 것이다.
도 4는 초기 오프라인 스테이지 동안에 이전에 생성된 광학 모델을 더 최적화하기 위해 실시간 OCD 측정치들을 활용하기 위해서 어떻게 본 발명이 사용되는가를 간략화한 것이다.
도 5 및 도 6은 상이한 유형의 두 측정 툴들 중 적어도 하나로부터의 측정된 데이터를 해석하는데 있어서 사용할 용도로 광학 모델을 최적화하기 위해서 상기 상이한 유형들의 두 개의 측정 툴들로부터의 데이터를 결합할 용도로 본 발명의 원칙들이 어떻게 사용될 수 있는가를 개략적으로 도시한다: 도 5는 상관 파라미터들이 SEM 툴 데이터 및 OCD 툴 데이터로부터 오프라인으로 발견된 경우의 예를 도시하며, 그리고 도 6은 셋업 스테이지 동안에 (예를 들면, SEM 데이터로부터) 상관 파라미터들이 획득되며 그리고 실-시간 측정치들 (예를 들면, OCD 측정 데이터)을 최적화하기 위해서 사용되는 경우를 보여준다.
도 7은 상이한 유형들의 측정 툴들의 데이터 해석 모델들을 이 툴들 둘 모두로부터의 측정된 데이터를 이용하여, SEM 및 OCD 측정치들 둘 모두를 위한 결합된 모델을 생성함으로써, 공동으로 최적화하기 위한 본 발명의 방법을 예시한다.
패턴 구조들 (patterned structures)에 적용된 OCD 기술에 적합하며 참조번호 10으로 지정된 유닛 셀의 간략화된 예를 도시한 도 1을 참조한다. 도시된 것처럼, 상기 유닛 셀 (10)은 상이한 기하학적인 모습들 (모습들 및 치수들)의 떨어져서-위치하여 형성된 패턴을 포함한다. 한정하지 않는 이 특수한 예에서, 상기 특징들 (features)은 라인 폭 (임계 치수 (critical dimension) CD1)의 특징이 있는 세 개의 바들 (라인들) L1, L2 및 L3 그리고 상기 라인들 사이의 공간 (임계 치수 CD2), 일정 직경 (임계 치수 CD3)의 두 개의 원통 요소들 (핀들) P1 및 P2, 그리고 임계 치수 CD4 및 CD5의 특징을 가진 L-형상의 특징 S를 구비한다. 상기 유닛 셀은 어떤 다른 구성을 가질 수 있으며, 그리고 이 도면에 도시된 상기 유닛 셀은 실제로는 측면 벽 각도 (side wall angle (SWA)), 라인 폭 프로파일, 높이 등과 같은 추가적인 파라미터들이라는 특징을 가질 수 있을 것이라는 것이 이해되어야만 한다.
도 2a 및 도 2b는 이미징 툴 (계측 툴), 예를 들면, SEM에 의해서 제공된 이미지 데이터를 기반으로 하는 패턴 구조들에 관한 광학적 측정치들의 해석에 대한 광학 모델의 생성을 위한 본 발명의 시스템 및 방법을 각각 예시화한 것이다. 이 모델링 프로세스는 OCD 툴의 운영을 최적화하기 위해서 상기 이미징 툴에 의해 획득된 2차원 이미지에 대응하는 이미지 데이터를 활용하는 것을 제공한다. 상기 모델링은 상기 이미징 툴로부터의 이미지 데이터를 직접적으로 프로세싱하여 온라인으로 (실시간으로) 수행될 수 있을 것이며, 또는 저장 기기로부터의 이미지 데이터를 오프라인으로 활용하여 수행될 수 있을 것이라는 것에 유의해야만 한다. OCD 최적화 절차에 관하여, 또한 그것은 생산라인 상 진행하는 구조들의 연속적인 측정 (자동적인 정밀 검사)의 일부로서의 실-시간 프로세스 또는 (예를 들면, 레서피 셋업의 일부로서의) 오프라인 절차의 어느 하나이거나 또는 그 둘 모두의 결합일 수 있을 것이다. 상기 오프 라인 모드의 가장 간단한 예는 OCD 툴의 레서피 셋업을 위해서 단일의 스캐닝 툴 이미지를 사용하는 것이다. 그런 간단한 예의 레서피 셋업 프로세스는 도 2b에 개략적으로 도시되어 있다.
상기 프로세스는 본 발명의, 참조번호 100으로 지정된 모델링 시스템에 의해서 수행된다. 상기 시스템 (100)은 입력 및 출력 유틸리티들 (100A), 메모리 유틸리티 (100B), 그리고 데이터 프로세싱 및 분석 유틸리티 (100C)를 구비한 컴퓨터 시스템인 것이 보통이다. 상기 시스템은 디스플레이와 같은 데이터 표시 유틸리티를 포함할 수 있을 것이다. 상기 데이터 입력/출력은 다른 기기들과의 무선 통신을 위해서 적절하게 포맷된 데이터를 수신하고/전송할 용도로 구성될 수 있을 것이다. 한정하지 않는 이 특수한 예에서, 상기 데이터 프로세싱 및 분석 유틸리티 (100C)는 식별자 모듈들 (ID1 및 ID2) , 기하학적 모델 생성기 (MC) (소프트웨어 및/또는 하드웨어 유틸리티), 그리고 광학 데이터 생성기 (OMG)를 포함한다.
상기 식별자 모듈 ID1 은 입력 이미지 데이터를 수신하고 프로세싱하며 그리고 유닛 셀(들)을 식별하기 위해서 미리 프로그램된다; 식별자 모듈 ID2 는 유닛 셀 관련된 데이터 (모듈 ID1로부터 수신된다)를 프로세싱하고 그리고 상기 유닛 셀(들) 내 특징들의 적어도 일부에 대한 윤곽들을 식별하기 위해 사용할 수 있다. 최종 모델 생성기는 윤곽-데이터를 수신하고 그리고 적합한 형태학적인 함수 (morphological function)를 결정하고 적용하기 위해서 그 윤곽-데이터를 분석하며 그리고 그럼으로써 적당한 물리적인 모델을 생성한다.
그래서, 상기 시스템은 입력 이미지 데이터를 수신한다. 후자는 스캐닝 툴 (예를 들면, SEM)에 의해 획득되며 그리고 패턴 구조의 2차원 이미지 (위에서 본 모습) 또는 그것의 일부를 표시한다. 상기 이미지 데이터는 사용자에 의해서 입력되거나 또는 직접적으로 또는 무선 통신을 통해서 다른 기기 (예를 들면, 이미징 툴 또는 저장 장치)로부터 수신될 수 있을 것이다. 상기 시스템은 그 중에서도 상기 유닛 셀에 관한 정보를 포함하는 일정 설계 규칙 데이터 (DR)를 옵션으로 공급받을 수 있을 것이다. 상기 시스템 (그 시스템의 데이터 프로세싱 및 분석 유틸리티)은 패턴 특징들 (patterned features)의 식별된 반복들을 기반으로 하여 가능한 유닛 셀들을 자동적으로 식별하기 위한 이미지 데이터를 (상기 설계 규칙을 활용하거나 또는 활용하지 않으면서) 프로세싱하기 위해서 미리 프로그램 된다 (단계 20). 상기 경우는 상기 시스템이 상기 유닛 셀에 대해서 몇 가지 옵션들을 "제안하고", 그리고 사용자는 올바른 옵션 (즉, 유닛 셀 식별을 위해서 자동 모드 및 수동 모두의 결합)을 선택한 것이라고 할 수 있을 것이다. 그러면, 상기 시스템은 상기 유닛 셀 내의 특징들 중 적어도 하나 또는 모두의 윤곽들을 자동적으로 식별할 용도로 그 유닛 셀의 이미지 데이터를 프로세싱하기 위한 동작을 하며, 상기 도면에 단일의 그런 윤곽 C가 도시되며 (단계 22), 그리고 윤곽 관련된 데이터/이미지를 추출하기 위해 동작한다 (단계 24). 상기 시스템은 각 특징의 3차원 모습 (26)을 결정하기 위해서 상기 윤곽 관련된 데이터 C를 활용한다.
옵션으로, 상기 사용자는 특징들의 부분집합을 선택하기 위해서, 예를 들면, 상기 이미지 내에서 볼 수 있는 다른 특징들과는 반대인, 패턴 구조의 특정 (예를 들면, 가장 위) 레이어 내에 있는 특징들에 관련된 윤곽들만을 사용하기 위해서, 윤곽 알고리즘의 파라미터들을 미세하게 조절할 수 있다.
그렇게 결정된 3차원 모습 (26)은 그러면 OCD 측정치를 해석하는데 있어서 사용하기 위해서 광학 모델을 추가로 생성할 용도로 기하학적 모델을 생성하기 위해서 추가로 프로세싱된다. 이 프로세스는 형태학적인 함수를 결정하는 것을 포함할 수 있을 것이며, 이 함수는 (예를 들면, 프로세스 조건들을 변경하는 것 하에서) 상기 특징을 변경하는 효과를 그리고/또는 상기 추출된 윤곽과 상기 특징의 실제 가장자리 사이의 차이를 모방하기 위해서 동작한다. 상기 사용자는 상기 계산 동안에 상기 윤곽을 변경하기 (늘리고/축소하기) 위해서 사용될 상기 형태학적 함수를 위한 파라미터 범위(들)를 정의할 수 있을 것이다. 상기 사용자는 추가적인 기하학적 파라미터들을, 예를 들면, 측면 벽 각도, 기초가 되는 레이어들 등과 같은 구조 관련된 파라미터들을 정의할 수 있을 것이다.
기하학적 모델을 생성할 목적으로 상기 윤곽을 늘리고/축소하는 프로세스 (상기 형태학적 함수 적용)의 비-한정적 예가 도 3에 도시된다. 이 예에서, 상기 형태학적 함수는 상기 윤곽의 상이한 세그먼트들에 법선의 보통은 D에서 국지적인 방향들에 직교하여 상기 윤곽 C를 늘리도록 행동한다. 상기 윤곽을 국지적으로 이동 (shift)시키는 것은 전면적인 평균적 이동 (전체적인 "스케일링 (scaling)" 요소 또는 델타(delta)-CD), 상기 윤곽의 국지적인 방향 (파라미터 변경의 이방향성 (anisotropy), 예를 들면, 상이한 델타-CDx 및 델타-CDy), 상기 윤곽의 국지적인 곡률 (내부 코너들 및 외부 코너들을 다르게 취급함) 등과 같은 여러 가지 파라미터들에 의해 영향을 받을 수 있다. 대개의 경우들에서, 상기 사용자는 일반적인 델타-CD의 범위만을 정의할 수 있을 것이며, 반면 다른 파라미터들은 디폴트이거나 또는 이전에 세팅된 레서피들을 통해서 이미 알려져 있다.
상기 형태학적 함수를 정의하는 다른 예는 다음과 같을 수 있다: 윤곽 식별의 하나 또는 그 이상의 탐지 알고리즘들은 동일한 이미지 데이터 상에 여러 차례 적용될 수 있을 것이며, 매번 상기 알고리즘의 상이한 파라미터들, 예를 들면, 상이한 문턱 레벨 값들을 가지고 적용될 수 있을 것이며, 그래서 윤곽들의 집합을 획득한다. 그러면, 전문가 시스템 (자체-학습 시스템)인 상기 시스템은 윤곽들의 이 집합을 사용하여 상기 형태학적 함수를 찾기 위해서 훈련된다.
적합한 형태학적 함수를 찾기 위한 또 다른 예는, 예를 들면, 상이한 초점과 노출 조건들을 가지고 수행된 리소그래픽 (lithographical) 프로세스인 상이한 프로세스 파라미터들/조건들에 대응하는 상이한 패턴 파라미터들을 가지는 패턴 구조들 또는 그 패턴 구조들의 부분들을 위한 시뮬레이션 된 이미지 데이터 조각들 또는 다중의 이미지들을 활용할 수 있을 것이다. 결과적으로, 윤곽들의 집합은 이런 다중의 이미지 데이터 조각으로 획득되며, 그리고 상기 시스템은 상기 형태학적인 함수를 찾기 위해서 훈련된다. 이 경우에 있어서 상기 이미지들이 다중의 프로세스 조건들의 함수로서, 예를 들면 초점 및 노출 둘 모두의 함수로서 획득되면, 그러면 그 결과인 형태학적 함수는 차례로 그 파라미터들/조건들의 함수일 수 있다는 것에 유의해야만 한다. 이 특성은 상기 측정된 데이터로부터의 상기 프로세스 파라미터들/조건들을 직접적으로 결정하기 위해서 실제의 OCD 측정치들의 해석 동안에 나중에 (피팅 (fitting) 프로세스의 일부로서) 사용될 수 있다.
도 2a 및 도 2b로 되돌아가면, 상기 모듈 (OMG)은 OCD 측정치의 해석에 있어서 사용하기 위해 적절한 광학 모델을 생성하기 위해서 다음과 같이 동작할 수 있다. 상기 모듈 (OMG)은 상기 윤곽에 의해서 정의된 상기 특징들의 모습을 기반으로 하여 상기 기하학적 모델, 그리고 상기에서 설명된 것과 같은 상기 형태학적인 함수 파라미터들 그리고 추가적인 파라미터들의 현재 값(들)을 활용한다. 상기 모듈 OMG는, 파장들, 조명/집광의 숫자적인 구경 (numerical aperture), 조명/집광의 방위각 및 고도, 편광 (polarization of light)을 포함하는, 조명 및 탐지 채널들의 파라미터들/조건들을 그 중에서 포함하는, 주어진 조건들 (측정 시스템 관련된 파라미터들/조건들 및 구조 관련된 파라미터들/조건들)을 위해 상기 결정된 기하학적 모델의 회절 시그네쳐 (diffraction signature)를 시뮬레이션하기 위해서 미리 프로그램 된다. 이 목적을 위해서, 기하학적인 모델 생성기 (MC)는 특징(들)의 모습을, 다중의 레이어들 및 x 및 y를 위한 이산 값들을 포함하는 이산 (discrete) 모습으로 변환시키기 위해서 동작한다; 상기 변환은 측면 (x, y) 방향들에서의 이산화를 이용하여 실행된다. 상기 OMG 모델은 회절 계산을 위한 어떤 적합한 알려진 방법 (예를 들면, RCWA)을 활용할 수 있을 것이다.
상기 그렇게-획득된 광학 모델은 그러면 실제의 측정된 데이터를 해석하기 위해서 사용될 수 있다. 이 프로세스는, 실-시간-회귀 (real-time-regression) 방법을 이용하거나 또는 라이브러리 방법을 이용하는 피팅 (역 문제 (inverse problem)) 절차를 포함한다. (피팅된 파라미터들을 기반으로 하는) 최선의 매칭 조건을 기반으로 하여 상기 구조 파라미터(들)의 결정을 가능하게 하기 위해서, 상기 문제 파라미터들은 상기 형태학적인 함수의 그리고 상기 추가적인 파라미터들의 값들을 포함한다. 상기 전체적인 스케일링 요소 (scaling factor), 예를 들면, 델타-CD는 그러면 다른 기술들에 의해서 행해진 측정치들에 그리고/또는 프로세스 조건들 (예를 들면, 노출)에 상관될 수 있으며, 그리고 프로세스 제어를 허용하기 위해서 통계적 프로세스 제어 (Statistical Process Control (SPC)) 차트들이 사용될 수 있다.
몇몇의 경우들에 하나 이상의 상이한 효과는 하나의 형태학적 함수에 의해서 최적으로 설명될 수 없다는 것에 유의해야만 한다. 그런 경우에 성공적으로 동작하는 여러 형태학적 함수들을, 예를 들면, 상기 윤곽과 상기 실제의 특징 경계들 사이의 차이를 기술하는 함수 (상기 스캐닝 툴과 상기 윤곽 탐지 알고리즘에서의 오류들을 교정한다) 그리고 프로세스 파라미터들에서의 변경을 가진 상기 특징의 예상된 변경들을 기술하는 다른 함수를 상기 윤곽 상에 조립하는 것이 이익일 수 있을 것이다. 형태학적 변환들이 여기에서는 "스케일링 (scaling)"으로서 언급되지만, 그런 형태적인 변환이 수학적으로 순수한 크기 조절 (즉, (x,y) -> (ax, ay))일 수도 있고 또는 아닐 수도 있을 것이라는 것에 또한 유의해야만 한다; 그러므로, 본 출원의 목적들을 위해서, "스케일링"의 용어는 더 넓게 해석되어야만 하며, 임의의 변환 함수를 의미한다.
상기에서 지적된 것처럼, 본 발명은, 구조 제조를 위해서 사용된, 예를 들면, 초점-노출 매트릭스 (focus-exposure matrix (FEM))인 프로세스 조건들의 다중의 집합들에 대응하는 상기 구조의 다중의 이미지들이 집합을 포함하는 입력 이미지 데이터를 활용할 수 있을 것이다. 이 경우에, 상기 윤곽 식별은 이미지들의 전체 집합에 대해서 수행된다. 이 경우에, 적합한 형태학적인 함수는 어떤 레퍼런스 윤곽의 다른 윤곽들 중의 임의의 것으로의 연속적인 변환에 대응하는 것이다. 상기 레퍼런스 윤곽은 파라미터 또는 파라미터들의 집합에 대한 미리 정의된 범위의 중간에서 상기 프로세스 파라미터 또는 파라미터들의 집합, 예를 들면, 초점 및 노출에 대응하는 것일 수 있다. 추가로, 상기에서 설명된 것과 같이 추가의 형태학적 함수를 통해서 스케일링이 적용될 수 있다. 이 절차는 역 회절 문제의 파라미터들이 상기 프로세스 파라미터들을 명시적으로 포함하는 것을 유리하게 제공한다. 그러므로, 측정된 신호들을 (회귀 또는 라이브러리 방법을 이용하는 것 중 어느 하나에 의해서) 상기 광학 모델로 피팅하는 것을 실행함으로써, 상기 측정된 데이터로 가장 잘 피팅되는 상기 측정된 모습만이 아니라 상기 측정된 데이터에 가장 잘 대응할 것 같은 상기 프로세스 파라미터들 역시 직접적으로 가질 수 있다. 일단 교정이 적용될 필요가 있으면 어떤 추가적인 변환을 할 필요가 없기 때문에, 즉, 표준의 프로세스 파라미터들과 그 결과인 프로세스 파라미터들 사이의 편차가 어떻게 상기 프로세스가 상기 원하는 특징 모습과 프로파일로 돌아가야만 하는가를 직접적으로 표시하기 때문에, 이런 종류의 정보는 프로세스 제어를 위해서 특히 유용하다.
초점 및 노출 조건들로의 측정치들의 민감도는 특별하게 설계된 타겟들을 사용하여 향상될 수 있을 것이라는 것에 유의해야만 한다. 이는 예를 들면 많은 뾰족한 (sharp) 가장자리들, 예를 들면, 다이아몬드 형상들의 2차원 어레이를 구비한 타겟들이 존재할 수 있을 것이며, 그 모습은 초점 조건들에 극히 민감하고, 이는 뾰족한 특징들이 최적의 초점 조건들에 매우 가깝게만 올바르게 인쇄되기 때문이다. 주어진 제조 프로세스에서 가능한 최소의 공간에 가까이에 있는 여러 공간들로 구성된 구조는 노출 조건들에 대해 아주 민감할 수 있을 것이다. 그래서, 상이한 타겟들을 포함하는 여러 상이한 사이트 (site)들, 예를 들면, 하나는 초점에 높은 민감도를 가지며 그리고 다른 것은 노출에 높은 민감도를 가지는, 여러 상이한 사이트들로부터의 정보를 결합하면, 정확한 완전한 노출 조건들에 관한 더욱 정밀한 정보가 제공될 수 있다.
상기에서 지적된 것처럼, 본 발명은 스캐닝 툴로부터의 이미지(들)를, 셋업 동안 (오프라인 모델링)에는 물론이며, 상기 측정 프로세스 그 자체의 부분으로서 (온라인 모델링) 사용하는 것을 제공한다. 상기 온라인 모델링은 상기 스케일링 함수에 의해 조절되지 않는 윤곽에서의 형태학적 변경들에 관련한 염려를 삭제하고 그리고 넓은 범위에 걸쳐 스케일링 함수를 피트 (fit)할 필요를 제거하는 것을 유리하게도 허용한다. 상기 스케일링 요소가 상기 셋업 절차 동안에 정밀하고 신뢰성있게 특징이 정해지면, 그러면 데이터를 다양한 프로세스 조건들로 피팅함으로써, 상기 스케일링 요소는 고정되거나 또는 불안정의 매우 작은 윈도우 내에서 변경되도록 허용될 수 있을 것이며, 그럼으로써 부동 (floating) 파라미터들의 개수를 축소시키며 그리고 실제의 측정들 동안에 상기 피팅 프로세스를 단순화한다.
상기-설명된 예들에서, 스캐닝 툴 (예를 들면, SEM)로부터의 이미지 데이터는 OCD 측정치들을 최적화하기 위해서 사용되었다. 또한 상기에서 설명된 것처럼, 이 절차는 오프라인 모델링 및 온라인 (실시간) 모델링 둘 모두를 활용할 수 있을 것이며, 즉, OCD 측정치들 (실시간 측정치들)이 초기 오프라인 스테이지 동안에 생성된 모델을 더 최적화하기 위해서 사용된다. 이는 자체적으로-설명하는 방식으로 도 4에 개략적으로 도시된다. 도시된 것처럼, 측정된 SEM 이미지는 상기 유닛 셀 내 각 특징에 대한 윤곽을 결정하고 그리고 기하학적 모델 (상기 유닛 셀의 적어도 몇몇의 특징들의 3-모습)을 생성하기 위해서 프로세싱된다. 이 데이터는 OCD 측정치들에 대한 광학 모델을 생성하기 위해서 사용된다. 독립적으로, OCD 측정된 데이터는 실시간으로 제공되며, 그리고 상기 광학 모델 데이터와 비교 (피팅 절차)함으로써 해석되며, 최적 구조 파라미터들 (예를 들면, 높이, SWA 등)을 결정하는 결과가 된다. 이 파라미터들은 프로세스 제어의 목적을 위한, 예를 들면, 사용자에게로의 출력이다. 동시에, 이 파라미터들은 상기 기하학적 모델을 최적화하기 위해서 사용되며 그리고 따라서 상기 광학 모델을 최적화시킨다.
본 발명은 그 자신의 다른 모습에서 (상이한 물리적인 원칙들로 동작하는) 상이한 유형들의 두 측정 툴들, 즉, "이미징" 및 "비-이미징" 유형들로, 각각, CD-SEM 및 OCD인, 두 측정 툴들로부터의 데이터를 결합하는 것을 제공한다. 이는 도 5 및 도 6에서 간략하게 예시된다. 이 도면들에서 볼 수 있듯이, SEM 및 ODC 툴들은 독립적으로 동작하여, 각각 임계 치수들 (CDSEM) 및 광-대역폭 (wide-band width (WB)), 그리고 CDOCD 및 측면 벽 각도 (SWA)를 나타내는 측정된 데이터 조각들을 제공한다. 이 파라미터들은 모델링 (컴퓨팅) 시스템 (200)으로 입력된다. 상기 시스템 (200)은, 데이터 표현 유틸리티 (예를 들면, 디스플레이)는 물론이며 데이터 입력 및 출력 유틸리티들, 메모리 유틸리티, 그리고 데이터 프로세싱 및 분석 유틸리티를 포함하는 컴퓨터 시스템일 수 있다. 상기 데이터 프로세싱 및 분석 유틸리티는 이 경우에 상기 입력 데이터를 프로세싱하고 그리고 SEM 및 ODC 툴들에 의해 측정된 상기 임계 치수들, 즉, 광학-CD 및 SEM-CD, 그리고 SB 및 SWA 파라미터들, 즉, OCD-각도 및 SEM-WB에 대한 상관 (correlation) 커브들을 결정하기 위해 구성되고 사용될 수 있다. 이에 의해서, 상관 커브들 또는 상관 함수들이 결정되며, 그리고 상관 파라미터들, 주로 경사와 오프셋이 획득된다. 예를 들면, ODC에 의해서 발견된 CD 값들은 CD-SEM에 의해서 발견된 CD 값들에 상관될 수 있으며 그리고 OCD에 의해서 발견된 측면 벽 각도 (Side Wall Angle) 값들은 CD-SEM에 의해서 발견된 화이트-대역 (White-Band) 폭 값들에 상관될 수 있다. 올바른 상관 계수들을 검증하기 위해서, 예를 들면, 리소그래피 프로세스에 대한 초점/노출 (Focus/Exposure) 매트릭스와 같이, 프로세스 조건들의 넓은 범위를 나타내는 측정치들의 집합을 이용하여 셋업을 수행하는 것이 최선의 실행이다. 도 5의 예에서, 상기 상관 파라미터들은 오프라인에서 발견되며, 그리고 OCD 측정치들의 해석을 최적화하기 위해서 사용될 수 있으며, 예를 들면, 흥미 대상인 파라미터의 경우에, 포토레지스트의 SWA와 같은 것은 약한 파라미터 (즉, 다른 "강한" 파라미터들보다 상기 측정된 데이터, 즉, OCD 스펙트라에 덜 영향을 미치는 파라미터)이다.
도 6은 상기 OCD 측정치들을 최적화하기 위해서 [즉, OCD 측정된 데이터 분석], 상기 셋업 스테이지 (도 5) 동안에 상기 상관 파라미터들이 어떻게 사용되는가를 보여준다. 보이는 것처럼, 상관 데이터는 CDSEM 그리고 WB의 상관된 또는 조절된 값을 결정하기 위해서 사용된다. 이 조절된 파라미터들은 상기 OCD 스테이션의 제어 유닛으로 입력되고 그리고 CD 및 SWA 파라미터들을 계산하는 것을 최적화하기 위해서 사용된다.
그래서, 반도체 웨이퍼들과 같이 패턴 구조들의 대량 생산 동안에, OCD 그리고 SEM 툴들 둘 모두에 의해서 상기 구조 내 사이트들 중의 몇몇 또는 모두로부터 측정치들이 취해질 수 있으며, 그리고 하나의 툴 (예를 들면, 상기 CD-SEM)의 측정된 데이터는 상관 커브들을 사용하여 조절될 수 있으며, 그리고 그 조절된 값들은 다른 툴 (예를 들면, 상기 OCD)의 데이터 해석 프로세스를 위해서 사용될 수 있다. 상기의 상관 및 조절을 수행함으로써, 두 번째 측정에서의 부동 (floating) 파라미터들의 개수는 축소될 수 있으며, 그래서 남아있는 파라미터들, 예를 들면, "약한" 파라미터들의 더욱 안정적인 측정을 가능하게 한다.
상기 제1 측정된 데이터 내의 노이즈를 줄이기 위해서, 그래서 상기 제2 측정된 데이터의 해석에 대한 그것의 영향을 줄이기 위해서, 소위 "소프트 인젝션 (soft injection)" 방법이 사용될 수 있다. 이는 다음과 같이 수행될 수 있다:
상기 제2 측정 (예를 들면, OCD 툴에 의한 측정)은 상기 제1 측정, 예를 들면, CD-SEM을 기반으로 하는 어떤 사전 지식도 없이 첫 번째로 수행된다. 그러면, 상기 제2 측정에서 존재할 수도 있을 오류 함수는 패널티 함수 개념을 이용하여 줄어든다. 이 기술은 본원의 출원인에게 양수된 국제 특허 출원 No. PCT/IL2011/000188에서 설명된 기술과 유사할 수 있을 것이며, 상기 출원은 여기에 참조로서 통합된다. 더욱 상세하게는, 패널티 함수가 결정되어 최적화 프로세스의 오류 함수에 추가되며, 상기 측정 결과들이 상기 첫 번째 (CD-SEM) 측정으로부터 획득된 상기 (조절된) 값들에 유사하도록 한다. 그런 패널티 함수는 예를 들면 상기 두 측정치들 사이의 차이의 제곱에 비례할 수 있을 것이다. 상기 최적화 프로세스는 어떤 수렴 조건들이 획득될 때까지 계속되며, 상기 원래의 오류 함수 및 상기 패널티 함수 둘 모두를 포함하는 타겟 함수를 사용한다. 이 프로세스는 상기 패널티 함수의 "강도 (strength)"를 조정하는 것을 유리하게도 제공하며, 그래서 상기 최종 결과에 대한 제1 측정에서의 노이즈 증폭을 축소시킨다.
본 발명은, 또 다른 모습에서, 이런 상이한 유형의 측정 툴들 둘 모두로부터의 측정된 데이터를 이용하여 그 상이한 유형의 측정 툴들의 데이터 해석 모델들을 공동으로 최적화하는 것을 제공한다. 이는 도 7에 개략적으로 도시된다. 이 경우에, 상기 SEM 및 OCD 측정치들 둘 모두를 포함하는 결합된 모델이 생성된다. 상기 프로세스는 공통의 "후보 프로파일"로부터 시작하며, 이는 패턴 구조의 프로파일, 예를 들면, 유닛 셀의 적어도 하나의 특징에 관한 특정의 이론적인 데이터 (지식, 예측)이다. 상기 후보 프로파일은 데이터 분석을 위한 대응하는 미리 정의된 모델들을 기반으로 상기 OCD 데이터 (광학적 응답) 및 상기 SEM 데이터 (이미지)를 시뮬레이션하기 위해서 사용된다. 상기 그렇게-획득된 시뮬레이션 된 OCD 및 SEM 데이터는 대응하는 측정된 데이터와 (피팅에 의해서) 비교되며 그리고 각 측정에 대해 오류 (잔여 오류 (residual error), 메리트 함수 (Merit Function))가 결정된다. 이 두 잔여 오류들은 전체 오류로 결합되며, 이는 상기 후보 프로파일을 반복적으로 조절함으로써 프로파일 최적화 프로세스에서 최소화된다. 최소의 전체 오류에 대응하는 프로파일이 선택되어 상기 프로파일의 측정치로서 프로세스 툴 또는 팹 (fab) 호스트로 출력되며 그리고 프로세스 제어를 위해서 사용된다.
그래서, 이 경우에, 측정 기술들 (예를 들면, OCD 및 SEM) 둘 모두는 모델 기반의 해석을 활용하는 것으로 가정된다. 반복적인 최적화 프로세스의 각 단계에서 단일의 기하학적 프로파일 (3-D 구조) 그리고 측정 툴들 각각에 대해 그 자신의 물리적인 모델을 이용한 예상된 응답을 시뮬레이션 하는 것을 가정하여, 상기 최적화는 상기 측정 툴들 둘 모두에 대해서 동시에 행해진다. 상기 시뮬레이션 된 데이터는 그러면 상기 측정된 데이터에 비교되어 상기 툴들 각각에 대한 오류 함수들을 산출한다. 상기 개별 오류 함수들은 단일의 전체 오류 (Total Error) 형상으로 결합된다. 그러면 상기 최적화 프로세스는 수렴할 때까지 상기 공통의 기하학적 프로파일의 파라미터를 수정하는 것을 통해서 상기 전체 오류를 최소화하기 위해 동작하고 있다. 상기 두 개 (또는 어떤 개수도 가능하다) 채널들을 이런 방식으로 결합함으로써, 하나의 측정 툴에서 동작하는 단일의 물리적 상호작용의 영역으로부터 다른 툴 내에서 동작하는 다른 물리적인 상호작용의 영역으로 결과들을 추출할 필요도 없이, 상기 측정치들 각각에 존재하는 정보는 완전히 활용될 수 있으며, 그래서 잠재적인 "번역 (translation)" 문제들을 피하게 된다.
예들의 커다란 또는 충분하게 다각화된 집합을 사용하여 상기 결합된 해석을 동작시키는 것은 특정 모델들을 최적화하는 것을 가능하게 한다는 것이 이해되어야만 한다. OCD의 경우에, 상기 모델은, 상기 구조에 결부된 재료들의 광학적 특성들에 관련된 파라미터들의 기하학적인 것의 어느 하나인, 고정된 파라미터들의 올바른 세팅을 향해서 최적화될 수 있다. SEM 모델의 경우에, 상기 프로세스를 통해서 획득된 추가의 정보를 이용하여, 예를 들면, 상이한 깊이들, 상이한 재료들, 기하학적인 모습들 등으로부터 2차 전자들을 추출하는 효율성에 관련하여 상기 모델은 조절될 수 있다.
본 발명은 상이한 툴들의 측정치들 (상이한 유형의 측정치들)을 결합하는 것을 제공하며, 그러면서 상기 구조의 상이한 사이트들 상에 그 측정들을 수행한다. 그런 결합은 다양한 이유들로 인해서 유익할 수 있다. 예를 들면, 그것은 한 로트 (lot) 내에서 상이한 웨이퍼들을 샘플링하는 것을 허용하는 것을 물론이며, 전반적인 샘플링이 주어진 웨이퍼를 가로질러 증가하도록 하며, 그리고 그 둘을 링크하면서도 디바이스 상의 다이 (die) 내부에서, 그리고 테스트 패턴 상의 각인 (scribe) 라인에서 그 두 가지 모두를 측정하는 것을 가능하게 한다.
상이한 위치들로부터 오는 측정치들을 활용하는 것을 가능하게 하기 위해서, 추가적인 요소, 즉, 웨이퍼/다이/로트를 가로지른 파라미터들의 행동에 대한 모델이 사용될 수 있을 것이다. 일단 모델이 정의되면, 상기 모델과는 멀리 떨어져 있는 결과들에 패널티를 부여함으로써, 상이한 측정치들 사이에 링크가 생성될 수 있으며 (상기에서 설명된 "소프트 인젝션"과 유사함), 그리고 상이한 위치들 상에 행해진 측정치들을 포함하는 풀 데이터 집합이 다시-분석될 수 있다. 그 전체 프로세스는 상기 풀 데이터 집합이 최소 (안정적인 결과들)로 수렴할 때까지 반복될 수 있을 것이다. 이 프로세스를 통해서 상이한 위치들 상에 행해진 측정치들 사이에서 정보가 흐를 수 있으며, 상기에서 설명된 이점들이 가능하게 한다.

Claims (30)

  1. 패턴 구조들 (patterned structures)의 정밀 검사에 사용하는 시스템으로서,
    상기 패턴 구조에 관한 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터를 수신하기 위한 데이터 입력 유틸리티로, 상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터는 상이한 물리적인 원칙들을 기반으로 하여 제1 측정 툴 및 제2 측정 툴에 의해 각각 수행된 제1 측정 및 제2 측정 내 구조의 제1 응답 및 제2 응답에 각각 대응하며, 그래서 서로 상이한, 데이터 입력 유틸리티; 그리고
    상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터를 프로세싱하도록 구성되고 사용할 수 있는 데이터 프로세싱 및 분석 유틸리티를 포함하며,
    상기 프로세싱하는 것은:
    상기 패턴 구조의 이론적인 프로파일에 관한 이론적인 데이터를 활용하여, 상기 이론적인 프로파일로부터 제1 유형 데이터 및 제2 유형 데이터를 시뮬레이션하고, 그리고 제1 유형 및 제2 유형의 두 모든 유형의 측정된 데이터를 위한 결합된 모델을 정의하며, 상기 결합된 모델은 상기 구조의 이론적인 프로파일을 위한 제1 유형 및 제2 유형의 측정된 데이터의 측정치들에 대한 상기 구조의 시뮬레이션된 제1 및 제2의 예상된 응답들을 계산하도록 구성된, 활용 단계;
    상기 제1 측정 툴 및 제2 측정 툴에 의해 획득가능한 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터의 해석을 위한 제1 및 제2 데이터 해석 모델들을 공동으로 최적화하기 위해, 수신된 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터 각각에 상기 결합된 모델을 적용하는 단계로, 상기 적용하는 것은 상기 제1 시뮬레이션된 데이터를 제1 유형의 측정된 데이터와 비교하여 상기 제1 시뮬레이션 데이터와 제1 유형의 측정된 데이터 사이의 제1 오류를 결정하고, 제2 시뮬레이션된 데이터를 제2 유형의 측정된 데이터와 비교하여 상기 제2 시뮬레이션 데이터와 제2 유형의 측정된 데이터 사이의 제2 오류를 결정하고, 그리고 상기 제1 오류 및 제2 오류를, 잔여 (residual) 오류 또는 메리트 함수 (Merit Function)이며 그리고 상기 제1 및 제2 데이터 해석 모델들 중 적어도 하나를 상기 공동으로 최적화하는데 있어서 최소화되는 전체 오류로 결합하는, 적용 단계; 그리고
    상기 측정된 데이터를 분석하기 위해 상기 전체 오류를 활용하는 단계를 포함하는, 시스템.
  2. 제1항에 있어서,
    상기 측정된 데이터를 분석하기 위해 전체 오류를 상기 활용하는 것은,
    상기 전체 오류를 활용하며 상기 오류의 최소값에 대응하는 최적화된 패턴 프로파일을 결정하고, 그리고 상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터의 해석을 위한 해석 모델들을 최적화하는 것을 포함하는, 시스템.
  3. 제2항에 있어서,
    상기 패턴 구조들의 제조에서의 프로세스 제어를 위해 사용될, 상기 전체 오류의 최소값에 대응하는 상기 최적화된 패턴 프로파일을 표시하는 출력 데이터를 생성하도록 구성된 시스템.
  4. 제1항에 있어서,
    상기 제2 유형의 측정된 데이터는 스캐터로미트릭 (scatterometric) 데이터를 포함하는, 시스템.
  5. 제1항에 있어서,
    상기 제1 유형의 측정된 데이터는 이미지 데이터를 포함하는, 시스템.
  6. 제4항에 있어서,
    상기 제1 유형의 측정된 데이터는 이미지 데이터를 포함하는, 시스템.
  7. 제4항에 있어서,
    상기 스캐터로미트릭 데이터는 상기 패턴의 프로파일을 표시하는 광학적 응답 데이터를 포함하는, 시스템.
  8. 제7항에 있어서,
    상기 스캐터로미트릭 데이터는 광학적 임계 치수 (Optical Critical Dimension (OCD)) 데이터를 포함하는, 시스템.
  9. 제1항에 있어서,
    상기 데이터 프로세싱 및 분석 유틸리티는,
    상기 이론적인 프로파일을 반복적으로 조절함으로써 프로파일 최적화 프로세스에서 최소화된 측정 결과를 얻기 위해 상기 전체 오류를 이용하여 상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터를 프로세싱하도록 구성되며 사용할 수 있는, 시스템.
  10. 제1항에 있어서,
    상기 비교하는 것은 각 데이터 해석 모델에 의해 제공된 상기 측정된 데이터 및 상기 시뮬레이션된 데이터 사이에서 피팅 (fitting) 프로세스를 수행하는 것을 포함하는, 시스템.
  11. 제1항에 있어서,
    상기 제1 유형의 측정된 데이터의 해석 모델은 상기 패턴의 적어도 일부의 기하학적 모델이며, 그리고 상기 제2 유형의 측정된 데이터의 해석 모델은 광학 모델인, 시스템.
  12. 제1항에 있어서,
    상기 제1의 측정된 데이터는 SEM (Scanning Electron Microscopy) 및 AFM (Atomic Force Microscopy) 측정 툴 중 적어도 하나로부터 얻어지는, 시스템.
  13. 삭제
  14. 제1항에 있어서,
    상기 제1 측정된 데이터는 다음의 패턴 파라미터들인 측면 벽 각도 (side wall angle (SWA)), 라인 폭 프로파일, 높이 중 하나 이상을 포함하는, 시스템.
  15. 제1항에 있어서,
    상기 제2 유형의 측정된 데이터의 해석 모델을 상기 최적화하는 것은 모델 파라미터들을 세팅하는 것을 포함하는, 시스템.
  16. 제15항에 있어서,
    상기 최적화하는 것은 상기 모델 파라미터들을 고정하는 것을 포함하는, 시스템.
  17. 제15항에 있어서,
    상기 파라미터들은 기하학적인 파라미터들을 포함하는, 시스템.
  18. 제15항에 있어서,
    상기 파라미터들은 상기 구조 내 물질들의 광학적 특성들에 관련된 파라미터들을 포함하는, 시스템.
  19. 제2항에 있어서,
    상기 최적화된 제1 유형의 측정된 데이터의 해석 모델은 상이한 깊이들, 상이한 물질들 및 상이한 기하학적 모습들 중 적어도 하나를 포함하는 상기 구조의 상이한 지역들로부터의 2차 전하 캐리어들의 추출을 특징으로 하는 파라미터들을 포함하는, 시스템.
  20. 제1 유형 및 제2 유형 중 적어도 하나의 측정된 데이터를 획득하기 위한 적어도 하나의 측정 툴, 그리고
    상기 적어도 하나의 측정 툴과 통신하도록 구성된, 제1항 내지 제12항 및 제14항 내지 제19항 중 어느 한 항의 시스템을 포함하는 측정 시스템.
  21. 패턴 구조들 상에서 측정하고 그리고 제2 유형의 광학 데이터를 생성하도록 구성되고 사용할 수 있는 측정 툴, 및
    제1항 내지 제12항 및 제14항 내지 제19항 중 어느 한 항에 따른 시스템을 포함하는 스캐터로미트리 (scatterometry) 시스템.
  22. 패턴 구조들의 정밀 검사에서 사용하는 방법으로서, 상기 방법은:
    상기 패턴 구조에 관한 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터를 수신하는 단계로, 상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터는 상이한 물리적인 원칙들을 기반으로 하여 제1 측정 툴 및 제2 측정 툴에 의해 측정된 구조의 제1 응답 및 제2 응답 각각에 대응하며, 그래서 서로 상이한, 수신 단계; 그리고
    상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터를 프로세싱하고 분석하며 그리고 상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터 중 적어도 하나의 해석을 위해 제1 데이터 해석 모델 및 제2 데이터 해석 모델 중 적어도 하나를 최적화하는 단계를 포함하며,
    상기 프로세싱하는 것은:
    상기 패턴 구조의 이론적인 프로파일에 관한 이론적인 데이터를 활용하여, 상기 이론적인 프로파일로부터 제1 유형 데이터 및 제2 유형 데이터를 시뮬레이션하고, 그리고 제1 유형 및 제2 유형의 두 모든 유형의 측정된 데이터를 위한 결합된 모델을 정의하며, 상기 결합된 모델은 상기 구조의 이론적인 프로파일을 위한 제1 유형 및 제2 유형의 측정된 데이터의 측정치들에 대한 상기 구조의 시뮬레이션된 제1 및 제2의 예상된 응답들을 계산하도록 구성된, 활용 단계;
    상기 제1 측정 툴 및 제2 측정 툴에 의해 획득가능한 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터의 해석을 위한 제1 및 제2 데이터 해석 모델들을 공동으로 최적화하기 위해, 수신된 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터 각각에 상기 결합된 모델을 적용하는 단계로, 상기 적용하는 것은 상기 제1 시뮬레이션된 데이터를 제1 유형의 측정된 데이터와 비교하여 상기 제1 시뮬레이션 데이터와 제1 유형의 측정된 데이터 사이의 제1 오류를 결정하고, 제2 시뮬레이션된 데이터를 제2 유형의 측정된 데이터와 비교하여 상기 제2 시뮬레이션 데이터와 제2 유형의 측정된 데이터 사이의 제2 오류를 결정하고, 그리고 상기 제1 오류 및 제2 오류를, 잔여 (residual) 오류 또는 메리트 함수 (Merit Function)이며 그리고 상기 제1 및 제2 데이터 해석 모델들 중 적어도 하나를 상기 공동으로 최적화하는데 있어서 최소화되는 전체 오류로 결합하는, 적용 단계; 그리고
    상기 전체 오류를 활용하여, 상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터를 해석하기 위한 해석 모델들을 최적화하기 위해서, 최적화된 패턴 프로파일을 결정하는 단계를 포함하는, 방법.
  23. 제22항에 있어서,
    상기 제2 유형의 측정된 데이터는 스캐터로미트릭 데이터를 포함하는, 방법.
  24. 제22항에 있어서,
    상기 제1 유형의 측정된 데이터는 이미지 데이터를 포함하는, 방법.
  25. 제23항에 있어서,
    상기 제1 유형의 측정된 데이터는 이미지 데이터를 포함하는, 방법.
  26. 제23항에 있어서,
    상기 스캐터로미트릭 데이터는 상기 패턴의 프로파일을 표시하는 광학적 응답 데이터를 포함하는, 방법.
  27. 제26항에 있어서,
    상기 스캐터로미트릭 데이터는 광학적 임계 치수 OCD) 데이터를 포함하는, 방법.
  28. 제22항에 있어서,
    상기 프로세싱하고 분석하는 것은 상기 제1 유형의 측정된 데이터 및 상기 제2 유형의 측정된 데이터 둘 모두를 해석하기 위한 결합된 데이터 해석 모델을 생성하는 것을 포함하는, 방법.
  29. 제22항에 있어서,
    상기 패턴 구조들은 반도체 웨이퍼들인, 방법.
  30. 제22항의 방법을 수행하기 위한 컴퓨터 시스템으로서, 상기 컴퓨터 시스템은:
    상이한 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터를 수신하기 위한 데이터 입력 유틸리티; 그리고
    상기 제1 유형의 측정된 데이터 및 제2 유형의 측정된 데이터에 대해 프로세싱하고 분석하는 것을 수행하기 위해 구성되며 사용할 수 있는 데이터 프로세싱 및 분석 유틸리티를 포함하는, 컴퓨터 시스템.
KR1020137001291A 2010-06-17 2011-06-16 패턴 구조들의 광학적 정밀 검사를 최적화하는 방법 및 시스템 KR101930913B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US35557110P 2010-06-17 2010-06-17
US61/355,571 2010-06-17
PCT/IL2011/000479 WO2011158239A1 (en) 2010-06-17 2011-06-16 Method and system for optimizing optical inspection of patterned structures

Publications (2)

Publication Number Publication Date
KR20130047731A KR20130047731A (ko) 2013-05-08
KR101930913B1 true KR101930913B1 (ko) 2018-12-19

Family

ID=44511135

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020137001291A KR101930913B1 (ko) 2010-06-17 2011-06-16 패턴 구조들의 광학적 정밀 검사를 최적화하는 방법 및 시스템

Country Status (7)

Country Link
US (6) US20140079312A9 (ko)
EP (1) EP2583056B1 (ko)
JP (2) JP5876040B2 (ko)
KR (1) KR101930913B1 (ko)
IL (1) IL223629A (ko)
TW (1) TWI569005B (ko)
WO (1) WO2011158239A1 (ko)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5876040B2 (ja) 2010-06-17 2016-03-02 ノヴァ・メジャーリング・インストゥルメンツ・リミテッド パターン化構造の光学検査を最適化するための方法およびシステム
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US10209206B2 (en) 2013-07-08 2019-02-19 Nova Measuring Instruments Ltd. Method and system for determining strain distribution in a sample
FR3012894B1 (fr) * 2013-11-07 2017-02-17 Commissariat Energie Atomique Systeme informatique pour l'exploitation de mesures heterogenes issues de differents appareils de metrologie en vue de l'estimation de valeurs de caracteristiques de dispositifs microelectroniques, procede et programme d'ordinateur correspondants
US20170018069A1 (en) * 2014-02-23 2017-01-19 Globalfoundries Inc. Hybrid metrology technique
US9816939B2 (en) 2014-07-22 2017-11-14 Kla-Tencor Corp. Virtual inspection systems with multiple modes
CN105571484B (zh) * 2014-10-14 2018-07-06 睿励科学仪器（上海）有限公司 确定测量模式和光学系统参数容差的方法和装置
US9612108B2 (en) 2014-11-14 2017-04-04 Kabushiki Kaisha Toshiba Measurement apparatus and measurement method
US10475633B2 (en) * 2014-11-28 2019-11-12 Dh Technologies Development Pte. Ltd. RF ion guide
JP6418606B2 (ja) * 2015-08-07 2018-11-07 東芝メモリ株式会社 パターン輪郭抽出装置、パターン輪郭抽出方法およびパターン輪郭抽出プログラム
US10380728B2 (en) * 2015-08-31 2019-08-13 Kla-Tencor Corporation Model-based metrology using images
TWI729049B (zh) 2015-12-15 2021-06-01 以色列商諾發測量儀器股份有限公司 圖案化結構中基於拉曼光譜之測量
US10197908B2 (en) 2016-06-21 2019-02-05 Lam Research Corporation Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework
FR3060751B1 (fr) * 2016-12-15 2019-05-24 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede de caracterisation par microscopie electronique a balayage cdsem
CN117219530A (zh) * 2017-02-27 2023-12-12 诺威有限公司 用于预测e-测试结构性能的方法
JP6871833B2 (ja) 2017-09-19 2021-05-12 キオクシア株式会社 形状計測装置および形状計測方法
US10572697B2 (en) 2018-04-06 2020-02-25 Lam Research Corporation Method of etch model calibration using optical scatterometry
WO2019195481A1 (en) * 2018-04-06 2019-10-10 Lam Research Corporation Process simulation model calibration using cd-sem
WO2019200015A1 (en) 2018-04-10 2019-10-17 Lam Research Corporation Optical metrology in machine learning to characterize features
CN112005347A (zh) 2018-04-10 2020-11-27 朗姆研究公司 抗蚀剂和蚀刻建模
TWI791196B (zh) * 2018-05-24 2023-02-01 荷蘭商Ａｓｍｌ荷蘭公司 判定基板之堆疊組態之方法及其相關非暫時性電腦可讀媒體
US10977405B2 (en) 2019-01-29 2021-04-13 Lam Research Corporation Fill process optimization using feature scale modeling
CN112449673B (zh) * 2019-07-04 2022-12-30 株式会社日立高新技术 三维形状检测装置、方法及等离子处理装置
CN114930153B (zh) * 2020-01-06 2023-01-06 诺威有限公司 用于ocd数据解释的自我监督表征学习
WO2021140515A1 (en) * 2020-01-07 2021-07-15 Nova Measuring Instruments Ltd. Detecting outliers and anomalies for ocd metrology machine learning
KR102409758B1 (ko) * 2020-06-01 2022-06-17 파크시스템스 주식회사 광학 측정 장치가 장착된 원자 현미경 및 이를 이용하여 측정 대상의 표면의 정보를 얻는 방법
US11619649B1 (en) 2021-11-26 2023-04-04 Park Systems Corp. Atomic force microscope equipped with optical measurement device and method of acquiring information on surface of measurement target using the same
US20230245334A1 (en) * 2022-02-02 2023-08-03 Fei Company Critical dimension measurement in 3d with geometric models
TWI818757B (zh) * 2022-10-04 2023-10-11 科毅科技股份有限公司 曝光機之晶圓邊緣與光罩間之楔形誤差補償的水平與俯仰角自動整平機構

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020090744A1 (en) * 2000-12-07 2002-07-11 Nova Measuring Instruments Ltd. Method and system for measuring in patterned structures
US20040017574A1 (en) * 2002-07-25 2004-01-29 Vi Vuong Model and parameter selection for optical metrology

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6248485B1 (en) * 1999-07-19 2001-06-19 Lucent Technologies Inc. Method for controlling a process for patterning a feature in a photoresist
CN1344450A (zh) * 1999-12-20 2002-04-10 株式会社东芝 传输装置和支路接口基板
US6891627B1 (en) * 2000-09-20 2005-05-10 Kla-Tencor Technologies Corp. Methods and systems for determining a critical dimension and overlay of a specimen
US6786699B2 (en) * 2002-06-26 2004-09-07 General Electric Company Methods of assembling airfoils to turbine components and assemblies thereof
JP3959355B2 (ja) * 2003-01-17 2007-08-15 株式会社日立ハイテクノロジーズ 微細パターンの３次元形状測定方法
US7230703B2 (en) * 2003-07-17 2007-06-12 Tokyo Electron Limited Apparatus and method for measuring overlay by diffraction gratings
US7003758B2 (en) * 2003-10-07 2006-02-21 Brion Technologies, Inc. System and method for lithography simulation
US7388677B2 (en) 2004-03-22 2008-06-17 Timbre Technologies, Inc. Optical metrology optimization for repetitive structures
US20060187466A1 (en) 2005-02-18 2006-08-24 Timbre Technologies, Inc. Selecting unit cell configuration for repeating structures in optical metrology
US7536670B2 (en) * 2005-05-31 2009-05-19 Cadence Design Systems, Inc. Method for verifying and choosing lithography model
US7787685B2 (en) * 2006-04-17 2010-08-31 Taiwan Semiconductor Manufacturing Company, Ltd. Extracting ordinary and extraordinary optical characteristics for critical dimension measurement of anisotropic materials
TWI416096B (zh) 2007-07-11 2013-11-21 Nova Measuring Instr Ltd 用於監控圖案化結構的性質之方法及系統
JP2009162494A (ja) * 2007-12-28 2009-07-23 Nec Electronics Corp 計測方法
JP4956510B2 (ja) * 2008-08-25 2012-06-20 株式会社東芝 パターン計測装置、パターン計測方法およびプログラム
WO2010069757A1 (en) * 2008-12-16 2010-06-24 Asml Netherlands B.V. Calibration method, inspection method and apparatus, lithographic apparatus, and lithographic processing cell
JP2010156866A (ja) * 2008-12-27 2010-07-15 Toshiba Corp 特徴量抽出方法、テストパターン選択方法、レジストモデル作成方法および設計回路パターン検証方法
US8196068B2 (en) * 2009-04-30 2012-06-05 Synopsys, Inc. Modeling critical-dimension (CD) scanning-electron-microscopy (CD-SEM) CD extraction
CN102884396B (zh) 2010-02-25 2015-12-16 诺威量测设备股份有限公司 在图案化结构中进行测量的方法和系统
JP5876040B2 (ja) 2010-06-17 2016-03-02 ノヴァ・メジャーリング・インストゥルメンツ・リミテッド パターン化構造の光学検査を最適化するための方法およびシステム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020090744A1 (en) * 2000-12-07 2002-07-11 Nova Measuring Instruments Ltd. Method and system for measuring in patterned structures
US20040017574A1 (en) * 2002-07-25 2004-01-29 Vi Vuong Model and parameter selection for optical metrology

Also Published As

Publication number Publication date
EP2583056B1 (en) 2018-12-12
JP5876040B2 (ja) 2016-03-02
US20200058118A1 (en) 2020-02-20
IL223629A (en) 2017-05-29
US20180182089A1 (en) 2018-06-28
US9904993B2 (en) 2018-02-27
EP2583056A1 (en) 2013-04-24
JP2016118563A (ja) 2016-06-30
TWI569005B (zh) 2017-02-01
US20160284077A1 (en) 2016-09-29
US20140079312A9 (en) 2014-03-20
US20210090244A1 (en) 2021-03-25
KR20130047731A (ko) 2013-05-08
JP2013531794A (ja) 2013-08-08
WO2011158239A1 (en) 2011-12-22
US20230401690A1 (en) 2023-12-14
US20130208973A1 (en) 2013-08-15
JP6463701B2 (ja) 2019-02-06
TW201215879A (en) 2012-04-16

Similar Documents

Publication Publication Date Title
KR101930913B1 (ko) 패턴 구조들의 광학적 정밀 검사를 최적화하는 방법 및 시스템
JP7093828B2 (ja) 自動式パターン忠実度測定計画生成
EP3549158B1 (en) Metrology recipe generation using predicted metrology images
KR102330735B1 (ko) 패터닝된 웨이퍼들 상의 결함들의 서브-픽셀 및 서브-해상도 로컬리제이션
US10030965B2 (en) Model-based hot spot monitoring
US10215559B2 (en) Metrology of multiple patterning processes
US8671366B2 (en) Estimating shape based on comparison between actual waveform and library in lithography process
JP5137587B2 (ja) 繰り返し構造のための光計測の最適化
JP4666918B2 (ja) 設計主導型検査または測定
WO2017035142A1 (en) Determining one or more characteristics of a pattern of interest on a specimen
KR20210118953A (ko) 테스트 이미지 대 설계물의 정렬을 위한 설계물 파일 선택
IL257205A (en) Self-directed metrology and example classification
TW201841191A (zh) 量測方法及系統

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant