KR102142167B1

KR102142167B1 - 계측 타겟 특성화

Info

Publication number: KR102142167B1
Application number: KR1020157015150A
Authority: KR
Inventors: 인나 타르시시-샤피르; 조엘 펠러; 아낫 마셀리; 베르타 디누; 블라디미르 레빈스키; 보리스 에프라티; 누리엘 아미르; 마크 지노프커; 암논 마나쎈; 시가릿 로빈존
Original assignee: 케이엘에이 코포레이션
Priority date: 2012-11-09
Filing date: 2013-11-08
Publication date: 2020-08-07
Also published as: TW201432277A; KR20150082573A; WO2014074893A1; TWI649572B

Abstract

지정된 계측 타겟 이상(metrology target abnormality)들을 선택된 메트릭들을 사용하여 식별하고 식별된 타겟 이상들을 기하학적으로 분류하여 대응하는 오류 원인들에 링크시키는 방법들 및 시스템들이 제공된다. 식별은 웨이퍼 상의 대응하는 타겟들로부터의 지정된 ROI(region of interest)들로부터 커널들과 같은 타겟 신호들을 도출하는 것, 각자의 함수들을 사용하여 타겟 신호들로부터 메트릭들을 계산하는 것 및 타겟들을 특성화하기 위해 메트릭들을 분석하는 것에 의해 수행될 수 있다.

Description

계측 타겟 특성화{METROLOGY TARGET CHARACTERIZATION}

본 발명은 계측 분야에 관한 것으로서, 보다 상세하게는 계측 타겟(metrology target)의 특성화(characterization)에 관한 것이다.

계측 측정(metrology measurement)은 반도체 디바이스에서의 오류들 및 부정확성을 식별하고 정량화하기 위해 사용되는, 웨이퍼 상에 제조되는 계측 타겟들의 아주 정확한 측정이다. 제조된 층들 사이의 오버레이(overlay)(OVL)를 측정하기 위해 다양한 방법들이 사용되고, 제조 공정 및 계측 측정 자체의 오류들 및 부정확성을 추정하기 위해 다양한 알고리즘들이 사용된다. 예로는 최대 OVL 값에 기초한 회귀법(regression method), 가중 OVL 계산의 최적화, 광학법, 잡음 제거법, 및 레시피 최적화(recipe optimization)가 있다.

예시적인 접근법들(참고 문헌으로서 그 전체가 본 명세서에 포함됨)은 사전 결정된 고정된 수의 측정점들로 제약되고 검사 장치를 제어하는 데 사용되는 서브샘플링 계획(sub-sampling plan)들을 가지는 면밀한 샘플링 계획(sampling plan)을 작성하는 것을 개시하고 있는 WIPO 공개 제2013092106호; 엄격한 전자기 모델을 사용하여 계산되는 Mueller 행렬의 비대각 요소들을 사용하는 비대칭 계측(asymmetry metrology)의 사용을 개시하고 있는 미국 특허 제8525993호; 및 회귀 기반 이상점 제거법(regression based outlier removal method)을 개시하고 있는, Raymond, C.J. 2011, "Improved overlay control using robust outlier removal methods", Proc. SPIE 7971, Metrology, Inspection, and Process Control for Microlithography XXV, 79711G에 언급되어 있다.

본 발명의 하나의 태양은 지정된 계측 타겟 이상(metrology target abnormality)들을 선택된 메트릭(metric)들을 사용하여 식별하고 식별된 타겟 이상들을 기하학적으로 분류하여 대응하는 오류 원인들에 링크(link)시키는 방법 및 시스템을 제공한다. 식별은 웨이퍼 상의 대응하는 타겟들로부터 타겟 신호들을 도출하는 것, 각자의 함수들을 사용하여 타겟 신호들로부터 메트릭들을 계산하는 것 및 타겟들을 특성화하기 위해 메트릭들을 분석하는 것에 의해 수행될 수 있다.

본 발명의 이들, 부가의 및/또는 기타 태양들 및/또는 장점들이 이하의 발명을 실시하기 위한 구체적인 내용에 기재되고; 발명을 실시하기 위한 구체적인 내용으로부터 어쩌면 추론가능하며; 그리고/또는 본 발명을 실시하는 것에 의해 습득가능하다.

본 발명의 실시예들의 더 나은 이해를 위해 그리고 본 발명의 실시예들이 어떻게 실시될 수 있는지를 보여주기 위해, 이제부터, 순전히 예로서, 유사한 도면 번호들이 도면 전체에 걸쳐 대응하는 요소들 또는 부분들을 가리키는 첨부 도면들을 참조할 것이다.
도 1a는 본 발명의 일부 실시예들에 따른, 계측 프로세스의 상위 레벨 개략 블록도.
도 1b는 본 발명의 일부 실시예들에 따른, 계측 시스템의 상위 레벨 개략 블록도.
도 2a 내지 도 2c는 본 발명의 일부 실시예들에 따른, 타겟들을 특성화하는 데 사용되는 특징들을 나타내는, 상이한 타겟들로부터 취해진 커널(kernel)들에 대한 예를 나타낸 도면.
도 2d 내지 도 2f는 본 발명의 일부 실시예들에 따른, 상이한 타겟들로부터 취해진 커널들 및 웨이퍼 상에서의 타겟들의 메트릭들의 분포의 시각화(visualization)에 대한 예를 나타낸 도면.
도 2g는 본 발명의 일부 실시예들에 따른, 비제한적인 예에서, 상이한 색상들로 식별되는, 상이한 파장 범위들에서 도출된 다수의 커널들을 나타낸 도면.
도 2h는 본 발명의 일부 실시예들에 따른, 비제한적인 예에서, 바람직한 ROI 선택을 위한 표시를 갖는 2개의 타겟 요소들의 커널들을 나타낸 도면.
도 2i 및 도 2j는 본 발명의 일부 실시예들에 따른, 비제한적인 예에서, SCOL 타겟들로부터의 커널들을 나타낸 도면.
도 2k는, 비제한적인 예에서, 2개의 방향에서, 타겟의 상이한 부분들에 대한 커널 정밀도 메트릭(kernel precision metric)의 시각화를 나타낸 도면.
도 2l은, 비제한적인 예에서, 이상점 검출을 위한 다수의 메트릭들의 통계 분석의 시각화를 나타낸 도면.
도 2m은, 비제한적인 예에서, 시각화 및 통계 분석을 사용하는 측정 설정들의 비교를 나타낸 도면.
도 3a 및 도 3b는 본 발명의 일부 실시예들에 따른, ROI 발산(ROI divergence)을 추정하기 위한 메트릭을 개략적으로 나타낸 도면.
도 4a 및 도 4b는 본 발명의 일부 실시예들에 따른, 타겟 클러스터링(target clustering) 및 클러스터 시각화(cluster visualization)의 상위 레벨 개략적 예시를 나타낸 도면.
도 5(도 5a 내지 도 5d를 포함)는 본 발명의 일부 실시예들에 따른, 방법의 상위 레벨 개략 플로우차트.

발명을 실시하기 위한 구체적인 내용을 기술하기 전에, 이후부터 사용될 특정 용어들의 정의들을 설명하는 것이 도움이 될 수 있다.

"타겟" 또는 "계측 타겟"이라는 용어는, 본 출원에서 사용되는 바와 같이, 계측 정보가 추출되는 영역을 지칭한다. 계측 타겟은 칩 상의 전용 구역(dedicated area)에, 디바이스 가장자리(device edge)에, 또는 디바이스 구역(device area) 내에 배치될 수 있다. "타겟"이라는 용어는 주기적 구조물은 물론, 비주기적 구조물에도 관련되어 있을 수 있다.

"타겟 신호"라는 용어는, 본 출원에서 사용되는 바와 같이, 타겟으로부터 도출되는, 타겟의 측정 데이터, 투사(projection) 또는 이미지를 지칭한다. 타겟 신호는 타겟과 동일한 수의 차원을 가지거나(예컨대, 타겟의 부분 또는 전체 이미지를 포함함) 타겟보다 적은 차원을 가질 수 있다(예컨대, 타겟의 1 차원 섹션을 포함함). "타겟 신호"라는 용어는 임의의 유형의 타겟 관련 원시 데이터(target-related raw data)를 지칭할 수 있고, 타겟의 임의의 부분 및 그의 바로 근방으로부터 취해질 수 있다. 예를 들어, "타겟 신호"라는 용어는 타겟에 관련된 스펙트럼 데이터 및 타겟의 동공 이미지(pupil image)를 포함할 수 있다.

"ROI(region of interest, 관심 영역)"라는 용어는, 본 출원에서 사용되는 바와 같이, 타겟의 측정 데이터 또는 이미지를 도출하기 위해 사용되는 타겟의 선택된 구역(어쩌면 타겟의 바로 근방까지 뻗어 있음)을 지칭한다.

"커널(kernel)"이라는 용어는, 본 출원에서 사용되는 바와 같이, 타겟의 저차원 투사(lower dimension projection)(예를 들어, ROI를 따라 있는 타겟의 단면)를 지칭한다. "커널"이라는 용어는 본 출원에서 타겟 신호에 대한 비제한적인 예로서 사용된다. 제1 방향을 따라서는 가변적이지만 제2 (통상적으로 직교) 방향을 따라서는 가변적이지 않은 타겟 또는 타겟 부분의 경우에, "커널"이라는 용어는 제1 방향을 따른 투사를 지칭하고, "직교 커널(ortho-kernel)"이라는 용어는 제2 방향을 따른 투사를 지칭한다.

"메트릭"이라는 용어는, 본 출원에서 사용되는 바와 같이, 타겟 신호와 관련하여 도출되는 값이나 값들의 집합 또는 지정된 절차(보통 특정의 수학 함수 또는 알고리즘적 절차의 적용)에 따라 그로부터 도출되는 커널을 지칭한다. 이론에 구속됨이 없이, 메트릭은 타겟, 타겟으로부터 도출되는 타겟 신호 또는 커널의 특정한 특징들을 정량화하기 위해 사용된다. 메트릭은 하나의 타겟 또는 몇개의 타겟들에 관련되어 있을 수 있고, 타겟의 하나의 부분 또는 타겟의 몇개의 부분들(예컨대, 동일한 층에 있는 또는 상이한 층에 있는 타겟들의 부분들)에 관련되어 있을 수 있다. 메트릭은 또한 다른 메트릭에 관련되어 있을 수 있다(예컨대, 지정된 그룹의 타겟들에 걸쳐 지정된 그룹의 메트릭들에 적용되는 통계 함수들을 반영함).

"시각화", "제시(presentation)" 또는 "시그너처(signature)"라는 용어는, 본 출원에서 사용되는 바와 같이, 타겟, 타겟으로부터 도출되는 타겟 신호 및/또는 커널에 관련된 데이터의 이미지를 지칭한다. 이러한 데이터는 원시 상태(raw state)에서 시각화될 수 있고, 하나 이상의 메트릭들에 관련되어 있을 수 있으며, 몇개의 메트릭들의 통계 분석을 포함할 수 있고 그리고/또는 타겟들의 클러스터링 및 개개의 타겟들과 이러한 클러스터링 간의 관계에 관련되어 있을 수 있다. 시각화는 웨이퍼 상의 다이들의 공간 배열과 관련하여 및/또는 다이들 내의 타겟들의 공간 배열과 관련하여 수행될 수 있다(그렇지만, 수행되어서는 안된다).

"클러스터링"이라는 용어는, 본 출원에서 사용되는 바와 같이, 지정된 기준들에 따른 타겟들의 그룹화(예컨대, 특정의 n개의 메트릭들에 의해 정의되는 n 차원 공간에서의 타겟들의 클러스터링)를 지칭한다. 클러스터링은 임의의 클러스터링 알고리즘들[결정론적 또는 휴리스틱(heuristic)]에 의해, 비제한적인 예에서, 자율 기계 학습(unsupervised machine learning) 기법들에 의해 수행될 수 있다.

"SCOL(scatterometry overlay, 산란 측정 오버레이)"이라는 용어는, 본 출원에서 사용되는 바와 같이, 격자 또는 격자 셀(grating cell)과 같은 주기적 구조물을 포함하는 타겟들에서 반사하는 회절 차수(diffraction order)(예컨대, +1 및 -1 회절 차수)들의 위상들로부터 계측 정보를 도출하는 계측 방법을 지칭한다.

"다이" 또는 "필드(field)"라는 용어는, 본 출원에서 사용되는 바와 같이, 디바이스(들)로서의 전자 회로는 물론 계측 타겟을 포함하는 웨이퍼 상의 잘 정의된 구역을 지칭한다. 다수의 다이들이 웨이퍼 상에 배열되어 있다.

이제부터 특히 도면들을 상세히 참조하여, 강조할 점은, 도시된 상세가 예로서 본 발명의 바람직한 실시예들의 예시적인 논의를 위한 것에 불과하며, 본 발명의 원리들 및 개념적 측면들의 가장 유용하고 용이하게 이해되는 설명인 것으로 생각되는 것을 제공하기 위해 제시되어 있다는 것이다. 이와 관련하여, 본 발명의 기본적인 이해에 필요한 것보다 더 상세히 본 발명의 구조적 상세를 도시하려고 하지 않았으며, 도면과 관련한 설명은 본 발명의 몇몇 형태들이 실제로 어떻게 구현될 수 있는지를 통상의 기술자에게 명백하게 해줄 것이다.

본 발명의 적어도 하나의 실시예가 상세히 설명되기 전에, 본 발명이 그의 적용에서 이하의 설명에 기재되거나 도면들에 예시되어 있는 구성의 상세 및 구성요소들의 배열로 제한되지 않는다는 것을 잘 알 것이다. 본 발명은 다른 실시예들에 적용가능하거나 다양한 방식들로 실시 또는 수행될 수 있다. 또한, 본 명세서에서 이용되는 어구 및 전문 용어가 설명을 위한 것이고 제한하는 것으로 간주되어서는 안된다는 것을 잘 알 것이다.

도 1a는 본 발명의 일부 실시예들에 따른, 계측 프로세스의 상위 레벨 개략 블록도이다. 계측 프로세스는 웨이퍼(60)에 도포되어 있는 다이들(70) 내의 계측 타겟들(80)을 분석하고, 이에 대해서는 이하에서 설명한다. 도 1b는 본 발명의 일부 실시예들에 따른, 계측 시스템(100)의 상위 레벨 개략 블록도이다. 계측 시스템(100)은 복수의 타겟 신호들(90)[예컨대, 웨이퍼(60) 상의 대응하는 타겟들(80)로부터의 지정된 관심 영역들(85)(ROI들)로부터의 커널들(90)]을 도출하도록 구성된 타겟 특성화 모듈(target characterization module)(140)을 포함한다. 커널들(90)은 타겟(80)에서의 ROI(85)에 관련된 정량적 데이터를 포함한다[예를 들어, 커널(90)은, 도 1a에 개략적으로 예시된, ROI(85)의 단면을 포함할 수 있다].

타겟 특성화 모듈(140)은 측정된 타겟 신호들(90)로부터 각자의 함수들을 사용하여 적어도 하나의 지정된 메트릭(110)을 계산하고 타겟들을 특성화하기 위해 메트릭(들)(110)을 [예컨대, 분석 유닛(120)을 통해] 분석하도록 추가로 구성될 수 있다. 특정의 실시예들에서, 타겟 특성화 모듈(140)은 복수의 지정된 메트릭들(110)의 통계 분석에 의해 타겟들(80)을 특성화하도록 구성되어 있다. 메트릭들(110)은 타겟 규칙성, 타겟 비대칭성 및/또는 타겟에서의 ROI 위치를 정량화하기 위해 선택될 수 있고, 그로써, 이하에 예시된 바와 같이, 예외적인 타겟(80) 및/또는 발산하는 ROI(85)를 식별하는 데 사용될 수 있다. 메트릭들(110)은 이상점들, 즉, 극도로 발산하는 타겟들(예컨대, 타겟 모델로부터의 몇개의 σ들)을 식별하기 위해 선택될 수 있고, 이들 이상점은 이어서 측정 프로세스로부터 제거될 수 있다.

특정의 실시예들에서, 다수의 타겟 신호들[예컨대, 커널들(90)]이 상이한 층들 상의 타겟 요소들, 내측 및 외측 타겟 요소들 등과 같은 각각의 타겟(80)의 상이한 부분들로부터 도출될 수 있다. 이하에서 기술되는 분석은 타겟들(80)의 상이한 부분들로부터의 타겟 신호들(90)을 비교할 수 있고, 타겟들(80) 내의 이상들을 식별하기 위해 적절한 메트릭들(110)이 적용될 수 있다.

예를 들어, 메트릭(110)은 타겟 신호에서의 랜덤성(randomness)의 레벨을 정량화하는 데 사용되는 백색 잡음 메트릭(white noise metric)일 수 있다. 타겟 신호의 복잡성의 레벨을 나타내고 따라서 ROI(85)에서의 타겟(80)의 구조적 규칙성(structural regularity)을 암시하기 위해 이러한 메트릭이 취해질 수 있다.

특정의 실시예들에서, 메트릭(110)은 어떤 범위의 타겟 이상들 중 임의의 것을 식별하기 위해 그리고 타겟 이상들을 기하학적으로 분류하기 위해 선택될 수 있다. 기하학적 분류는 각각의 유형의 타겟 이상을 대응하는 오류 원인과 링크시키고, 궁극적으로 계산에 의해 또는 공정을 정정하는 것에 의해 오류를 보정하는 데 사용될 수 있다. 메트릭(110)은 본질적으로 알고리즘적이거나 공정 오류 및 편이(bias)로 인한 오류 원인을 식별하기 위해 사용될 수 있다. 이와 같이, 시스템(100)은, 예컨대, SCOL 절차 이외에, 공정 오류를 검출하기 위한 부가의 계측 층(metrology layer)을 제공할 수 있다. 더욱이, 시스템(100)은, 이하에서 설명하는 바와 같이, 웨이퍼 개요를 효과적으로 제공할 수 있다. 특정의 실시예들에서, 각자의 타겟 이상이 대응하는 계측 측정에 영향을 미치는 정도에 따라 복수의 메트릭들(110)이 가중화될 수 있다. 예를 들어, SCOL 측정에 대한 각자의 타겟 이상의 영향에 따라 메트릭들이 가중화될 수 있다. 특정의 실시예들에서, 메트릭들(110)은 구체적으로는 사전 정의된 특징들을 식별하거나 포착하도록 구성되거나 결합될 수 있다. 이러한 특징들이 타겟 이상들을 포함할 수 있지만, 측정 프로세스[예컨대, ROI 전위(ROI dislocation)를 포착하도록 설계된, 이하에서 제시되는 Δ₂ 메트릭을 참조]에, 수행된 알고리즘들과 제조 공정 및 계측 프로세스의 다른 부분들에도 관련되어 있을 수 있다.

특정의 실시예들에서, 타겟 특성화 모듈(140)은 [메트릭들(110) 중 임의의 것 또는 일부에 따라] 다른 타겟 신호들로부터 발산하는 타겟 신호들(90)을 식별하고 이들 타겟을 계측 프로세스로부터 제거하거나 하향 가중화(down-weight)하도록 구성되어 있다. 제거되어야만 하는 타겟들 및/또는 이들 타겟에 부여되는 가중치들을 정의하기 위해 통계 분석이 적용될 수 있다.

특정의 실시예들에서, 타겟(80)의 임의의 타겟 신호(90)에 대해 메트릭들(110)이 정의될 수 있다. 예를 들어, 타겟 신호들(90)이 타겟(80)의 2개의 차원(예컨대, x 축 및 y 축)에서 또는 타겟(80)에 걸쳐 임의의 방향에서 정의될 수 있다. 메트릭들(110)이 타겟(80)에 관련된 2개 이상의 타겟 신호들(90)을 참조하도록, 예컨대, 타겟(80)의 x 방향 및 y 방향으로부터의 측정들을 결합하도록 정의될 수 있다.

특정의 실시예들은 지정된 계측 타겟 이상들을 복수의 선택된 메트릭들(110)을 사용하여 식별하고; 식별된 타겟 이상들을 기하학적으로 분류하며; 기하학적으로 분류된 타겟 이상들을 대응하는 오류 원인들에 링크시키고; 오류 원인들을 표시하며; 선택된 메트릭들을 사용하여 계측 타겟들을 가중화하는 것에 의해 SCOL 측정을 향상시키도록 구성된, 컴퓨터 하드웨어에 적어도 부분적으로 내장되어 있는 타겟 특성화 모듈(140)을 포함하는 SCOL(scatterometry overlay) 계측 시스템을 포함한다. 타겟 특성화 모듈(140)은, 복수의 타겟 신호들(90)[예컨대, ROI(regions of interest)들(85)로부터의 커널들(90)]을 웨이퍼(60) 상의 대응하는 타겟들(80)로부터 도출하고 선택된 메트릭들을 각자의 함수들(이하의 예들을 참조)을 사용하여 타겟 신호들(90)로부터 측정하는 것에 의해, 타겟 이상들을 식별하도록 구성될 수 있다. SCOL 시스템은 분류하는 것 및 링크시키는 것을 향상시키기 위해 메트릭들(110)의 통계 분석을 수행하도록 구성된 분석 유닛(120)을 포함할 수 있다. 분석은 타겟 특성화 모듈(140)에 의해 또는 그 안에 내장되어 있는 분석 유닛(120)에 의해 수행될 수 있다. 타겟 특성화 모듈(140)은 타겟들(80)을 선택된 메트릭들(110)에 따라 클러스터링하고, 클러스터링을 분석하여 오류 원인들을 표시하며, 그리고/또는 타겟 유사성을 향상시키기 위해 타겟 클러스터들에 대한 계측 측정을 지시하도록 추가로 구성될 수 있다. SCOL 시스템은 기하학적 분류를 시각적으로 제시하도록(130), 메트릭들의 통계 분석을 시각화하도록(135) 및/또는 클러스터링을 시각화하도록(132) 구성된 시각화 모듈(135)을 포함할 수 있다. 특정의 실시예들에서, 산란 측정 타겟 검사(scatterometry target inspection)를 향상시키기 위해, 촬영 장비가 제안된 방법들에 따라 사용될 수 있다. 다른 대안으로서 또는 그에 부가하여, 원시 신호 데이터를 획득하기 위해 SCOL 장비가 사용될 수 있다.

특정의 실시예들에서, 본 발명은 오버레이(OVL) 측정을 위해 사용되는 원시 측정들(타겟 신호들)(예를 들어, 커널, 스펙트럼 및 동공 이미지)을 특성화하고 분류한다. 방법들 및 시스템들은 이상점(예외적인 타겟)과 OVL 측정 및 OVL 모델링을 개선시키기 위해서는 물론[예를 들어, TMU(Total Measurement Uncertainty), 정정가능한 것(correctable) 및 잔류하는 것(residual)를 개선시키기 위해], 조사 파장, 초점, (웨이퍼의 하위 구역(sub area)에서의) 존 패턴(zone pattern), (특정의 다이에서의) 필드 패턴(field pattern)의 선택 및 SOI 선택을 최적화하기 위해 사용될 수 있는 원시 측정들의 클러스터를 식별할 수 있다. 특정의 실시예들에서, 타겟 ROI 선택은 측정 동안 실시간으로 수행될 수 있다. 방법들 및 시스템들은 레시피 훈련(recipe train), 실행(측정), 도구 교정(tool calibration) 동안 그리고 또한 공정후 분석(post process analysis)에서 적용될 수 있다.

도 2a 내지 도 2c는 본 발명의 일부 실시예들에 따른, 타겟들을 특성화하는 데 사용되는 특징들을 나타내는, 상이한 타겟들(80)로부터 취해진 커널들(90)에 대한 예들을 예시하고 있다. 커널(90A)은 규칙적인 타겟들(80)로부터 도출된 것인 반면, 커널(90B)은 결함있는(이상) 타겟들로부터 도출된 것이다. 화살표들은 커널(90A)과 커널(90B) 간에 상이하고 이들 이상을 나타내는 커널들의 부분들을 나타낸다. 예시된 커널들(90)은 주기적이고[커널들(90)이 비주기적인 원시 타겟 신호들도 포함할 수 있기 때문에, 주기적인 커널들(90)은 비제한적인 예로서 제시되어 있음], 예시적인 예에서 그들에 적용되는 메트릭(110)은 백색 잡음 메트릭 Fisher의 Kappa이다.

도 2a 및 도 2b는 다이(70) 내의 상이한 위치들로부터의 커널들(90A, 90B)을 예시하고 있다. 비제한적인 예에서, 커널(90A)은 다양한 위치들에서의 타겟들로부터의 커널들을 나타내고 있는 반면, 커널(90B)은 다이 내의 하나의 위치로부터의 타겟들을 나타내고 있다. Fisher의 Kappa 메트릭은 상이한 위치들 및 다이들에서의 커널들(90A)에 대해 90부터 120까지의 범위에 있고, 상이한 다이들에서의 커널들(90B)에 대해 25부터 45까지의 범위에 있다. 이와 같이, 이 메트릭은 이들 2가지 유형의 커널들을 구별하는 데 효과적으로 사용될 수 있고, 커널(90B)은 결함있는 타겟을 나타낸다. 어쩌면, 커널들(90B)을 생성하는 타겟들(80)은 하향 가중화되거나 계측 측정으로부터 제거될 수 있거나, 알고리즘적으로 또는 공정 변경을 통해 정정될 수 있다. 계측 측정을 최적화하기 위한 타겟 취급(target handling)을 정량화하기 위해 다양한 척도들이 사용될 수 있다.

타겟들(80)로부터의 커널들(90)이 다이(70) 내의 상이한 타겟 위치와 관련하여(필드 분석) 및/또는 웨이퍼(60) 상의 상이한 다이 위치와 관련하여(존 분석) [메트릭들(110)을 사용하여] 비교될 수 있다. 후자의 분석은 트랙 모듈(track module), 증착, 에칭 공정 등에 관련된 오류들과 같은 제조 공정 오류들을 식별하기 위해 사용될 수 있다. 특정의 오류 원인을 그의 전형적인 타겟 오류 패턴에 따라 식별하기 위해 특정의 메트릭들(110)이 사용될 수 있다.

도 2c는, 비제한적인 예에서, 정확하게 중앙에 위치된 타겟들의 커널(90A) 및 부정확하게 중앙에 위치된 타겟들의 커널(90B)을 예시하고 있다[화살표는 ROI(85)가 실제의 타겟 구조물을 넘어 뻗어 있다는 것을 나타내는 커널(90B)에서의 테일(tail)을 나타냄]. 이러한 커널들(90B)은 타겟 배치에서의 오류 또는 위치가 잘못된(misplaced) ROI(85) 중 어느 하나를 나타낸다. 이들 경우 둘 다에서, 오류가 대응하는 메트릭(110)에 의해 식별되고 정정될 수 있다[또는 타겟(80)이 계산에서 제외될 수 있다].

특정의 실시예들에서, 타겟 특성화 모듈(140)은, 타겟 이미지들로부터 추출되고, 예를 들어, 타겟 대칭성, 타겟 주기성, 타겟 균일성, 잡음 레벨 등에 관한, 이상적인 타겟과 관련한 타겟 모습을 반영하도록 설계된, 메트릭들(110)의 데이터베이스를 포함할 수 있다. 일부 메트릭들(110)은 1 차원 정보(예컨대, 커널, 직교 커널)에 기초하여 계산될 수 있는 반면, 다른 메트릭들(110)은 2차원 정보를 [예컨대, ROI들(85) 또는 타겟 영역 전체를 타겟 신호들(90)로서] 사용할 수 있다.

특정의 실시예들에서, 메트릭들(110)이 타겟 특성 또는 수차(aberration)를 표시하는 데 직접 사용될 수 있다. 특정의 실시예들에서, 동일한 타겟에 관련된 메트릭들 간의 상호 관계가 타겟 특성들을 표시하는 데 사용될 수 있다. 특정의 실시예들에서, 전체 웨이퍼(60)와 관련한 또는 지정된 타겟들(80)의 세트와 관련한 메트릭들(110)의 시각화(130)["메트릭 시그너처(metric signature)"라고 함]가 타겟들을 특성화하는 데 사용될 수 있다.

메트릭들(110)은 (예컨대, 박스내 박스 타겟들에 대한) 타겟 대칭성, 임의의 방향(예컨대, 커널 및 직교 커널에, 각각, 관련된 x 방향 및 y 방향)에서의 타겟 경사(target declination), 타겟(80)에 대한 ROI(85)의 상대 위치(relative location), 타겟 이미지들 또는 부분 이미지들의 평균 및 표준 편차와 같은 통계적 타겟 척도(statistical target measure), 예컨대, 푸리에 고조파(Fourier harmonic)의 모멘트(moment)에 관련된, 푸리에 변환된 타겟 신호(예컨대, 커널 또는 이미지)에 관련된 통계적 척도, 다양한 정밀도 측정, 타겟 잡음을 정량화하는 척도, 동일한 층에 또는 상이한 층들에 있는 타겟들 및 타겟들의 부분들 간의 자기 상관(self-correlation), 타겟 신호들의 성분들(예컨대, 주기적 성분들, 선형 성분들 및 잡음 성분들)에 관련된 메트릭 등과 같은 임의의 원하는 타겟 특징을 정량화하기 위해 선택될 수 있다.

메트릭 시그너처는 다양한 메트릭들의 값들에, 메트릭들의 조합에 관련된 값들에, 하나 이상의 메트릭들의 통계 분석에 관련된 값들에, 또는 상이한 측정 파라미터들이 변경될 때[예컨대, 상이한 조사(illumination)] 계산되는 메트릭들에 관련된 값들에 관련되어 있을 수 있다.

특정의 실시예들에서, 계측 시스템(100)은 웨이퍼(60) 상의 타겟 위치들에 대한 메트릭(들)(110)을 시각적으로 제시(130)하도록 구성된 시각화 모듈(135)(도 1b)을 추가로 포함한다. 예를 들어, 제시(130)는 웨이퍼(60) 상의 다이(70)의 대응하는 위치에서 각각의 다이(70)에서의 타겟들(80)에 대한 메트릭들의 값들(예컨대, 색상 코딩되어 있음)을 포함할 수 있다.

도 2d 내지 도 2f는 본 발명의 일부 실시예들에 따른, 상이한 타겟들(80)로부터 취해진 커널들(90) 및 웨이퍼(60) 상에서의 타겟들의 메트릭들의 분포의 시각화(130)에 대한 예들을 예시하고 있다.

도 2d는, 비제한적인 예에서, 정확하게 에칭된 타겟의 커널(90A)과 비교하여 오버 에칭된 타겟(over-etched target)의 특성을 나타내는 커널(90B)을 예시하고 있다. Fisher의 Kappa와 같은 메트릭(110)은 이 차이[커널(90A)에 대응하는 정확하게 에칭된 타겟들에 대해서는

값들이 90 이하이고, 커널(90B)에 대응하는 부정확하게 에칭된 타겟들에 대해서는

값들이 90 초과임]를 식별한다. 시각화(130)는 타겟들(80)의 일부 또는 전부에 대한 메트릭(110)의 웨이퍼 전체 개요(wafer wide overview)를 제공하도록 구성될 수 있고, 이는 따라서 웨이퍼(60) 상에서의 오버 에칭의 분포를 시각적으로 나타낸다. 시각화(130)는 따라서 에칭 공정을 정정하는 데 및/또는 정확하게 에칭된 타겟과 부정확하게 에칭된 타겟에 상이하게 관련되도록 계측 결과를 정정하는 데 사용될 수 있다.

도 2e는, 비제한적인 예에서, 웨이퍼(60)에서의 상이한 위치들로부터의 커널들(90A, 90B, 90C) 및 대응하는 시각화(130)를 예시하고 있다. 커널들은 상이한 메트릭 값들을 가진다 - 예컨대, 커널(90A)은 높은

값들(32 초과)에 대응하고, 커널(90B)은 중간

값들(약 28)에 대응하며, 커널(90C)은 저품질 타겟들을 나타내는 낮은 값들(24 미만)에 대응한다 -. 특정의 실시예들에서, 더 낮은

값들을 가지는 결함있는 타겟들을 상기 높은 값들을 가지는 정확하게 생성된 타겟들과 구별하기 위해, 웨이퍼 가장자리 효과 - 그 결과, 웨이퍼 가장자리에 결함있는 타겟이 생성됨 - 가 시각화(130)를 사용하여 쉽게 검출될 수 있다.

도 2f는, 비제한적인 예에서, 현재 층에 있는 내측 타겟 요소(inner target element)들 및 이전 층에 있는 외측 타겟 요소(outer target element)들과 관련하여 분리되어 있는, Fisher의 Kappa 메트릭(110)의 시각화(130)를 예시하고 있다. 명확하게도, 상이한 타겟 오류들이 이들 부분 구조물(partial structure)과 연관되어 있고, 이들은 제조에서 또는 알고리즘적으로 정정될 수 있다.

특정의 실시예들에서, 시스템(100)은 계측 측정을 위한 파장 선택을 최적화하는 데 사용될 수 있다. 파장 선택 방법은 타겟 잡음 계산 및 연속성과 통합된 커널 분석에 기초할 수 있다. 특정의 실시예들에서, 타겟 잡음을 감소시키기 위해 적절한 파장들이 선택될 수 있다. 도 2g는, 비제한적인 예에서, 상이한 색상들로 식별되는, 상이한 파장 범위들에서 도출된 다수의 커널들(90)을 예시하고 있다. 개시된 특성화, 분석 및 최적화 고려 사항들이 상이한 파장 범위들을 사용하여 도출된 커널들(90)에 적용될 수 있고, 촬영 조사광(imaging illumination)을 선택하고 최적화하는 데 사용될 수 있다. 예를 들어, 예시된 예에서, 상이한 조사 조건들에서 도출된 커널들은 그들의 불변성, 안정성, 콘트라스트 등과 관련하여 상이한 특징들을 나타낸다. 상이한 조사 조건들 하에서 타겟 신호들(90)을 정량화하기 위해 그리고 커널 안정성 및 높은 정확성과 같은 기준들에 따라 최상의 조사 조건들을 선택하는 것을 가능하게 하기 위해 메트릭들(110)이 사용될 수 있다. 예시된 예에서, "라임" 조사광("lime" illumination)은 그의 높은 안정성 및 정확성의 결합으로 인해 더 우수하다.

특정의 실시예들에서, 시스템(100)은 파장 교정(wavelength calibration)을 실행하는 것, 파장별 교정 커널을 이전의 값들과 비교하는 것, 결과가 지정된 요구사항을 충족시키지 않는 경우 파장들을 (예컨대, 반복하여) 조절하는 것을 포함하는 교정 절차(calibration procedure)를 적용할 수 있다. 특정의 실시예들에서, 시스템(100)은 최적화 파라미터 세트들(예컨대, 파장, 초점, ROI 등)을 선택하는 것, 최적의 설정을 정의하고 변동에 대한 그의 강건성을 검증하기 위해 최적화 파라미터들 및 대응하는 메트릭들을 측정하는 것을 포함하는 최적화 절차를 적용할 수 있다. 특정의 실시예들에서, 측정 동안, 시스템(100)은 타겟들을 그의 비대칭성 또는 임의의 다른 특성과 관련하여 검사할 수 있고, 필요한 경우, 복구 절차(선택적으로 클러스터링을 포함함)를 적용하거나 측정을 무시할 수 있다.

도 2h는, 비제한적인 예에서, 바람직한 ROI 선택을 위한 표시를 갖는 2개의 타겟 요소들(예컨대, 상이한 층들, 즉 상부의 현재 층 및 하부의 이전 층에 속함)의 커널들(90)을 예시하고 있다. 이와 같이, 시스템(100)은, 상이한 타겟 층들에 관해서 ROI(85)를 최적화하는 것을 비롯하여, 정확하게 제조되는 타겟(80)의 부분들을 포함하도록 ROI(85)를 신중하게 선택하는 것에 의해 신호 정확성을 증가시키는 것을 가능하게 한다. 특정의 실시예들에서, 타겟 특성화 모듈(140)은, 예컨대, 메트릭들(110)을 사용하여, 커널들(90)과 관련한 ROI(85)를 최적화하도록 구성될 수 있다. 예시된 경우에, 커널들(90)이, 각각의 층에서의 이상(irregularity)과 관련하여, 개별적으로 분석될 수 있고, 이들 층 둘 다와 관련한 고려 사항들 하에서 최적의 ROI가 선택될 수 있다.

도 2i 및 도 2j는, 비제한적인 예에서, SCOL 타겟들로부터의 커널들(90)을 예시하고 있다. 도 2i는 정확하게 제조된 SCOL 타겟의 커널(90A), 및 부정확하게 제조된 SCOL 타겟의 커널(90B)을 예시하고 있다. 발명자들은 제시된 방법들 및 시스템들이 SCOL 타겟들을, 그들의 전형적인 미세한 세그먼트화에도 불구하고, 특성화할 수 있다는 것을 알았다. 이러한 특성화는 현재 (상부) 층에 대해 특히 효율적이고, 예컨대, 타겟들의 구성요소들(예컨대, 주기적, 선형 또는 잡음 구성요소들)을 검출하고 계산에 의해 또는 공정과 관련하여 그들을 정정하는 데 사용될 수 있다. 도 2j는 나머지 SCOL 타겟에서 균일하지 않고 웨이퍼 상의 파티클(particle)을 표시하는 데 사용될 수 있는, 결함있는 하위 구역(sub-area)(화살표)을 나타내는 커널을 예시하고 있다. 이와 같이, 타겟 특성화는 타겟 내의 또는 타겟들 사이의 영역들의 확인(validation)을 포함할 수 있다.

도 2k는, 비제한적인 예에서, 2개의 방향에서, 타겟의 상이한 부분들에 대한 커널 정밀도 메트릭의 시각화를 예시하고 있다. 커널 정밀도 메트릭(110)은, 비제한적인 예에서, 회전에 의한 또는 회전에 의하지 않은, 타겟 부분의 자기 상관으로서 정의될 수 있다. 도 2k는 2개의 방향(x 및 y로 표시됨)에서 측정된, 타겟(80) 내의 2개의 영역들(즉, 박스내 박스 타겟의 좌측 영역 및 우측 영역)과 관련한 이러한 메트릭(110)의 예시적인 예시이다. 동 도면은 상이한 타겟 특성들이 식별될 수 있고 웨이퍼 상에서의 그들의 위치들과 관련하여 일관성이 있다는 것을 예시하고 있다.

도 2l은, 비제한적인 예에서, 이상점 검출을 위한 다수의 메트릭들의 통계 분석의 시각화(130)를 예시하고 있다. 각각의 타겟 위치에 있는 도트(dot)는 각자의 타겟을 이상점으로서 나타내는 다수의 메트릭들(110)을 나타낸다. 화살표들로 표시되어 있는 타겟들은 많은 수의 메트릭들(110)과 관련하여 예외적인 것들이다. 이상점 타겟들이 계측 측정으로부터 제거될 수 있거나, 타겟들이 그들을 이상점으로서 표시하는 메트릭들의 수에 따라 가중화될 수 있다.

도 2m은, 비제한적인 예에서, 시각화 및 통계 분석을 사용하는 측정 설정들의 비교를 예시하고 있다. 동 도면은 3개의 측정 설정들(1, 2 및 3으로 표시됨)의 비교를 예시하고 있다. 시각화(130)는, 각각의 타겟에 대해, 어느 측정 설정이 최상의 메트릭 값(이 비제한적인 예에서, 앞서 제시된 자기 상관 메트릭을 사용함)을 산출했는지를 예시하고 있다. 상부 시각화(130)는 하나의(x) 방향에서의 측정을 제시하고, 하부 시각화(130)는 다른(y) 방향에서의 측정을 제시한다. 도 2m은 측정 설정들(즉, 각각의 측정 설정에 대해 가장 정확하게 측정되는 타겟들의 수)과 관련하여 타겟들의 기본적인 통계 분석(예컨대, 명확하게도 부가의 메트릭들의 측정, 타겟 가중치, 클러스터링 등을 포함하도록 면밀하게 작성될 수 있는 히스토그램)을 추가로 예시하고 있다. 이러한 분석은 최적의 측정 설정들을 [앞서 제시된 조사 조건들에 대한 정교화(elaboration)로서] 선택하는 것을 가능하게 하고, 게다가 특정의 측정 설정과 관련하여 타겟들(웨이퍼 상의 공간 위치)을 매핑하여, 그들의 가중치 부여(weighting), 클러스터링 등을 가능하게 하는 데 사용될 수 있다.

특정의 실시예들에서, 웨이퍼에 걸친 잡음 메트릭의 시각화(130)는 각각의 타겟 위치에 잡음 메트릭의 값을 나타내는 도트를 포함할 수 있다. 전체적인 잡음 패턴은 다양한 제조 현상들을 나타내는 데 사용될 수 있다. 비제한적인 예로서, 발명자들은 웨이퍼에 걸친 잡음의 방향별 증가 또는 감소, 웨이퍼 상의 중앙 영역과 그의 주변 사이의 차이, 층들 중 하나에서의 향상된 타겟 잡음, 및 국소 잡음 패턴과 같은 잡음 패턴들을 식별하였다.

도 3a 및 도 3b는 본 발명의 일부 실시예들에 따른, ROI 발산(ROI divergence)을 추정하기 위한 메트릭을 개략적으로 예시하고 있다. 메트릭은 오버레이 측정의 정확성에 대한 타겟 비대칭성의 효과를 정량적으로 추정한다.

완벽 대칭 타겟(perfectly symmetric target)은 점 x₀에 대칭 중심을 갖는 함수 f(x)[따라서, f(x-x₀) = f(x₀-x)임]에 의해 기술될 수 있다. 이 경우에, 신호의 푸리에 변환은

를 산출하고, 여기서

는 실수 함수(real function)이다. 이 표현식은 유계 범위(bounded range)에 대해 수행되는 이산 푸리에 변환에 대해 또는 x₀가 범위의 정확한 중심일 때 또는 범위의 양 끝점에서의 f(x)의 도함수가 0이고 f(0) = f(끝점)일 때 정확하다. 박스내 박스 타겟의 경우에, 이것이 사실이고, 마지막 조건에서 문제가 있는 경우, 이는 쉽게 처리될 수 있다. 대칭 신호의 위상 F(ω)가 ROI 중심의 타겟 중심으로부터의 편차에 비례하는 기울기로 ω에 따라 선형적으로 거동하고 이러한 거동으로부터의 임의의 편차가 타겟 비대칭성을 나타낸다는 것은 당연하다. 도 3a는 타겟 함수 f(x)를 타겟(80)의 중심에 중앙이 오는 라인(81)으로서 개략적으로 예시하고 있으며, ROI(85)의 중심이 타겟의 중심으로부터 Δx만큼 오프셋되어 있다. 도 3a는 ω 축에 대해 각도 δ의 평균 기울기를 갖는 푸리에 변환된 F(ω)(82) 및 각도 δ에 대해 범위 Δ 내에 구속되어 있는, 타겟 비대칭성을 나타내는, 편차 함수 Ψ(ω)를 개략적으로 예시하고 있다. 따라서, Δ는 타겟 비대칭성에 대한 척도를 제공한다. 주목할 점은, 각도 δ가, 타겟 중심으로부터 ROI 중심의 편차에 대한 직관적인 메트릭인, Δx의 직접 추정치(단위: nm)를 제공한다는 것이다. δ 및 Δ를 계산하기 위해, 이하의 전개가 제시된다.

f(x)가 실수 함수이기 때문에, 이는 다음과 같이 제시될 수 있다:

여기서 N은 ROI 내의 픽셀들의 수 및 FFT(fast Fourier transform)에 의해 얻어진 고조파들의 대응하는 수이다. 다음과 같이 교차 상관 함수를 정의하자.

대칭 중심 δ의 위치는 교차 상관 함수의 최대값에 대응하고, 교차 상관 함수의 도함수를 0으로 하는 것에 의해 구해질 수 있다. 즉:

선형 거동으로부터의 (모든 점프들을 π로 나누어 떨어지게 고정시킨 후에) 위상의 편차가 작기 때문에

이고

이다.

수학식 2는 주기적인 SCOL 타겟들에 대한 오버레이 측정을 위한 알고리즘으로서 사용될 수 있다. 타겟이 완벽 대칭일 때, 수학식 1에서의 각각의 항은 0이고,

는 k에 따라 선형이다 - 즉,

이다 -. 그에 따라, 타겟 비대칭성에 대한 기준을

로서 정의하는 것은 당연하다.

또는 더 엄격한 통계적 의미에서

로서 정의한다.

도 3b는 측정된 AEI(after-etch-inspection) - ADI (after-develop inspection) 편이(bias)와의 직접 비교에 의해, 타겟 비대칭성에 대한 기준으로서의 Δ의 품질의 예를 나타내는 개략적 예시이다. 도 3b에서, Δ는 앞서 제시된 표현식에 따라 Δ₂로서 취해진다. 이 비교는 측정된 사이트들과 관련하여 수행된다. 4개의 특정 사이트들에 관련된 4개의 경우들에서, AEI-ADI 편이와 Δ 기준 간의 상세한 비교(90A 내지 90D)가 제시되어 있다. 다양한 파장들과 관련하여 타겟 비대칭성을 추정하고 다양한 타겟 장점들을 구성하는 데 타겟 비대칭성 기준이 사용될 수 있다.

특정의 실시예들에서, 방법들 및 시스템들이 동공 또는 스펙트럼 이미지에는 물론, 필드 이미지(field image)에도 적용될 수 있다. 예를 들어, SCOL 타겟 격자의 피치가 알려져 있는 경우, 주기적 구조물을 가지는 이미지를 획득하기 위해 피치보다 단지 약간 더 작은 파장을 사용할 수 있다. 예를 들어, 푸리에 변환에 의해 또는 Fisher의 kappa 검정(Fisher's kappa test) 등에 의해, 획득된 이미지의 주기성을 측정하는 것은 타겟의 품질의 지시자(indicator)를 산출한다. 이러한 측정은 교정 동안 또는 실행 중에(on the fly) 결함있는 타겟들을 제거하거나 교체하기 위해 적용가능하다.

OVL 측정에서 타겟 비대칭성을 특성화하는 제안된 방법들은 타겟 비대칭성에 기초하여 기준을 구성하는 것을 가능하게 하고, 이러한 비대칭성의 효과의 정량적 추정을 제공한다. 타겟 비대칭성은 대칭 신호의 특성을 나타내는 조화수(harmonic number)에 대한 고조파의 위상의 선형 의존성(linear dependency)으로부터의 편차에 의해 표시될 수 있다.

특정의 실시예들에서, 타겟 특성화 모듈(140)은 [예컨대, 분석 유닛(120)을 통해] 타겟들(80)을 메트릭들(110)에 따라 클러스터링하고, 제조 오류들을 표시하기 위해 클러스터링을 분석하며, 그리고/또는 타겟 유사성을 향상시키기 위해 타겟 클러스터들에 대한 계측 측정을 지시하도록 추가로 구성되어 있다. 클러스터링은 또한 타겟들의 클러스터들에서의 계측 측정을 지시하고 따라서 측정들에 대한 타겟 유사성의 레벨을 상승시키는 것에 의해 계측 측정을 향상시키기 위해 사용될 수 있다(클러스터 내의 타겟들은 타겟들의 전체 집단에 대해서보다 서로에 대해서 더 유사하다). 시각화 모듈(135)은 타겟 클러스터들 및 메트릭들(110)의 통계적으로 도출된 특징들을 웨이퍼(60) 상의 타겟 위치들과 관련하여 시각적으로 제시하도록 구성될 수 있다. 특정의 실시예들은 OVL 타겟들의 잡음 시그너처들을 추정하는 방법들을 소개하고 있다. 콤팩트한 형태의 시그너처들이 또한 획득된 클러스터들에 따른 웨이퍼의 상이한 영역들의 자동 클러스터링 및 라벨링을 위해 사용된다.

설계에 의해, 타겟들(80)의 이상적인 모습이 웨이퍼(60)에 걸쳐 있는 모든 사이트들에 대해[즉, 모든 다이들(70) 및 다이 위치들에 대해] 동일하고 180°의 회전에 대해 불변이다. 따라서, 이미지 상에서의 모습의 타겟내 차이(intra-target difference)가 몇가지 원인들에 관련되어 있을 수 있고, 그들 중에서, 가장 큰 영향을 미치는 것은 (1) 공정 변동(타겟의 표면 상의 결함), (2) TIS(Tool Induced Shift); (3) 광학계 관련 잡음(카메라 잡음 또는 크로스토크 등)이다. 단일의 타겟 이미지로부터의 각각의 유형의 잡음의 효과를 분석하고 추정하는 작업은 아주 어려운 일이다. 특성 패턴들을 구별하는 것은 웨이퍼(60) 상의 잡음 거동의 원인들에 대한 통찰을 제공하기 위해 타겟들(80)의 하위 샘플들에서의 타겟 거동을 분석하는 것에 의해 수행될 수 있다.

제안된 접근법은 다음과 같은 단계들을 포함할 수 있다: (1) 획득: 0° 회전 및 180° 회전 둘 다를 사용하여 웨이퍼(60) 상의 타겟들(80)의 2D 이미지들을 샘플링하는 것(획득은 훈련 단계 동안 수행될 수 있고 따라서 추가적인 스테이지 이동을 필요로 하지 않음). (2) 위치 맞춤: 획득된 타겟 이미지들의 (서브픽셀 정확성을 갖는) 정확한 위치 맞춤을 사용하여 초기 참조 타겟(initial reference target)을 작성하고 (설계에 의해) 각각의 타겟의 국소 대칭을 고려하는 것. (3) 잡음 추정: 참조 타겟을 모델로서 사용하여 사이트(및 회전 각도)별 가산 잡음(additive noise)을 추정하는 것. (4) 압축: 각각의 2D 잡음 맵 이미지(2D noise map image)가 차원 감소 기법을 사용하여 콤팩트한 벡터 시그너처로 변환될 수 있다. (5) 클러스터링: 잡음 시그너처들을 그들의 모습에 따라 클러스터링하기 위해 자율 기계 학습 기법이 사용될 수 있다. (6) 분석: 동일한 클러스터로부터의 타겟들에 대해 행해진 측정들에 대한 예상된 유사한 거동과 관련하여 가산 잡음의 효과가 분석될 수 있다. 그에 부가하여, 예를 들어, 잡음 시그너처가 획득 각도에 따라 "회전"하는 경우, 이는 공정에 관련되어 있을 수 있고, 잡음 시그너처가 획득 각도에 따라 "회전"하지 않는 경우, 이는 TIS에 관련되어 있을 수 있다는 것과 같은, 규칙들을 사용하여 잡음의 원인을 이해하고 구분하기 위해 잡음 시그너처의 대칭 특성이 사용될 수 있다. (7) 웨이퍼 상의 클러스터들의 시각화는 배제 존(exclusion zone)들을 결정하기 위한 단서를 제공할 수 있다. 본 개시 내용에서 제안된 부가의 정량적 특성들을 결합함으로써, 잡음 시그너처들이 적절한 메트릭들(110)(예컨대, 대칭성 및 주기성 품질 측정)에 의해 표현되는 특정의 커널 특성들과 관련될 수 있다.

도 4a 및 도 4b는 본 발명의 일부 실시예들에 따른, 타겟 클러스터링 및 클러스터 시각화의 상위 레벨 개략적 예시이다. 도 4a는 클러스터링된 타겟들의 시각화의 제1 부분(132A) - 즉, 잡음 시그너처들의 각각의 클러스터로부터의 대표하는 것들의 시각화 - 을 개략적으로 예시하고 있다. 비제한적인 예는 3개의 잡음 시그너처 클러스터들[83A(대칭 잡음 시그너처); 83B, 83C(상호 비대칭 잡음 시그너처)]을 나타내는 박스내 박스 타겟들을 제시하고 있다. 도 4b는 클러스터링된 타겟들의 시각화의 제2 부분(132B) - 즉, 각각의 타겟[예시(86)]에 대해, 다이들(70) 간에 잡음 시그너처들의 유형들의 분포("2"로 표시된 83A, "1"로 표시된 83B, 및 "3"으로 표시된 83C)를 연관시키는 개략적 예시 - 을 개략적으로 예시하고 있다. 각각의 분포 단위(distribution unit)(84)는 회전 없음(각각의 쌍에서의 좌측 숫자) 및 180° 회전(각각의 쌍에서의 우측 숫자)에 대한 타겟 획득 중인 잡음 시그너처의 유형들을 지정하는 숫자들의 쌍으로 표시되어 있다. 예시된 예에서, 잡음 시그너처 유형들("1"로 표시된 83B 및 "3"으로 표시된 83C)은 대칭이고, TIS 관련 변동성에 대한 증거를 제공한다. 그에 부가하여, 시각화(132B)는 웨이퍼의 중앙에 있는 잡음 시그너처[중앙의 9개 다이들(70)에 대응하는 중앙의 9개 유닛들(84A)]가 주변[주변의 18개 다이들(70)에 대응하는 주변의 18개 유닛들(84B)]에서보다 훨씬 더 안정적이라는 것을 암시한다.

특정의 실시예들에서, 계측 시스템(100)은 타겟들에 대해 SCOL 측정을 수행하도록 구성된 SCOL(scatterometry overlay) 측정 서브시스템(150)(도 1b), 및 사용자가 SCOL 측정에 관련된 타겟 가중치들에 영향을 미칠 수 있게 하도록 구성된 사용자 인터페이스(160)를 추가로 포함한다. 타겟 특성화 모듈(140)은 분석된 메트릭(들)을 사용하여 그리고 SCOL 측정과 관련하여 타겟들(80)(예컨대, 타겟들로부터 수신되는 타겟 이미지들 또는 신호들, 도 2i 및 도 2j를 참조)을 분석하도록 그리고 타겟들(80)의 특성화와 관련하여 타겟들(80)을 가중화하는 것에 의해 SCOL 측정을 향상시키도록 추가로 구성될 수 있다. 타겟 촬영 및 분석은 SCOL 측정을 향상시키고 그들의 정확성을 개선시키기 위해 사용될 수 있고, 실제의 SCOL 측정 이전에(예컨대, 훈련 단계에서) 또는 SCOL 측정 동안 실시간으로 수행될 수 있다. SCOL과 관련하여, 타겟 가중치 및 메트릭은 TMU(total measurement uncertainty)의 원인 및 정정가능한 오류 원인을 식별하기 위해 그리고 잔류 정정가능 오류 원인(residual correctable error source) 및 잔류 오류 원인(residual error source)에 의해 야기되는 오류를 최소화하기 위해 선택될 수 있다. 특정의 실시예들에서, 시스템(100)은 이상점(극도로 발산하는 타겟)을 제거하고 그로써 잔류 오류를 예측가능하게 감소시키고 정량적 기준들을 사용하기 위해 사용될 수 있다.

특정의 실시예들은 계측 시스템(100)에 대한 시각적 사용자 인터페이스(160)를 포함한다. 시각적 사용자 인터페이스(160) - 적어도 부분적으로 컴퓨터 하드웨어로 구현되어 있음 - 는 웨이퍼(60) 상의 타겟 위치들과 관련하여 적어도 하나의 메트릭을 시각적으로 제시하도록 구성될 수 있고, 여기서 적어도 하나의 메트릭은, 각자의 함수들을 사용하여, 웨이퍼(60) 상의 대응하는 타겟들(80)로부터의 복수의 측정된 타겟 신호들[예컨대, 지정된 ROI들(85)로부터의 커널들(90)]로부터 계산된다. 시각적 사용자 인터페이스(160)는 사용자가 계측 시스템에 의한 SCOL 측정에 관련된 타겟 가중치들에 영향을 줄 수 있게 하도록 추가로 구성될 수 있다. 특정의 실시예들에서, 사용자 인터페이스(160)는 시각화 모듈(135), 특성화된 타겟들의 시각화(130) 및 클러스터링된 타겟들의 시각화(132) 중 임의의 것을 포함할 수 있다.

도 5(도 5a 내지 도 5d를 포함)는 본 발명의 일부 실시예들에 따른, 방법(200)의 상위 레벨 개략 플로우차트이다. 방법(200)은 웨이퍼 상의 대응하는 타겟들로부터의 복수의 타겟 신호들을 도출하는 단계[단계(210)][예컨대, 지정된 ROI(region of interest)들로부터 커널들을 도출하는 단계(212)]; 도출된 타겟 신호들로부터 각자의 함수들을 사용하여 적어도 하나의 지정된 메트릭을 계산하는 단계[단계(220)]; 및 타겟들을 특성화하기 위해 적어도 하나의 메트릭을 분석하는 단계[단계(240)]를 포함할 수 있다. 도출하는 단계(210), 계산하는 단계(220) 및/또는 분석하는 단계(240)는 물론, 이후의 단계들 중 임의의 것이 적어도 하나의 컴퓨터 프로세서에 의해 수행될 수 있다.

일반적으로, 방법(200)은 타겟들 및/또는 웨이퍼의 제조에서의 오류들을 식별하기 위해, 메트릭들과 관련하여 식별된 오류들을 특성화하기 위해, 그리고, 가능한 경우, 계측 측정 프로세스 및/또는 제조 공정을 복구하는 것은 물론 그의 복구가능성을 평가하기 위해 수행될 수 있다. 방법(200)은 지정된 타겟 이상들을 식별하기 위해 메트릭들을 선택하는 단계[단계(222)] 및 타겟 이상들을 기하학적으로 분류하여 대응하는 오류 원인들에 링크시키는 단계[단계(223)]를 포함할 수 있다.

특정의 실시예들에서, 다수의 타겟 신호들이 상이한 층들 상의 타겟 요소들, 내측 및 외측 타겟 요소들 등과 같은 하나의 타겟의 상이한 부분들로부터 도출될 수 있다. 분석은 타겟들의 상이한 부분들로부터의 타겟 신호들을 비교할 수 있고, 타겟들 내의 이상들을 식별하기 위해 적절한 메트릭들이 적용될 수 있다.

특정의 실시예들에서, 방법(200)은 복수의 지정된 메트릭들과 관련하여 수행될 수 있고, 분석하는 단계(240)는 메트릭들과 관련하여 통계적으로 수행될 수 있다. 메트릭들은 타겟 규칙성, 타겟 비대칭성 및/또는 타겟에서의 ROI 위치를 정량화하기 위해 선택될 수 있고[단계(225)]; 메트릭들은 이상점들을 식별하기 위해(그리고 궁극적으로 제거하기 위해) 선택될 수 있으며[단계(226)], 메트릭들은, 비제한적인 예로서, 예외적인 타겟들[단계(230)] 또는 발산하는 ROI들[단계(232)]을 식별하기 위해 사용될 수 있다. 방법(200)은 다이에서의 상이한 타겟 위치와 관련하여 및/또는 웨이퍼 상의 상이한 다이 위치와 관련하여 타겟 신호들을 비교하기 위해 메트릭들을 사용하는 단계[단계(234)]를 추가로 포함할 수 있다. 방법(200)은 사전 정의된 특징들을 포착하기 위해 메트릭들을 특정하여 구성하거나 결합시키는 단계[단계(227)]를 추가로 포함할 수 있다.

특정의 실시예들에서, 방법(200)은 적어도 하나의 메트릭을 웨이퍼 상의 타겟 위치들과 관련하여 시각화하는 단계[단계(260)] 및 메트릭들의 통계적으로 도출된 특징들을 웨이퍼 상의 타겟 위치들과 관련하여 시각화하는 단계[단계(262)]를 추가로 포함할 수 있다. 특정의 실시예들에서, 방법(200)은 메트릭들에 따라 타겟들을 클러스터링하는 단계[단계(250)] 및 제조 오류들을 표시하기 위해 클러스터링을 분석하는 단계[단계(252)] 및/또는 타겟 유사성을 향상시키기 위해 타겟 클러스터들에 대한 계측 측정을 지시하는 단계[단계(254)]를 추가로 포함할 수 있다. 각각, 방법(200)은 타겟 클러스터들을 시각화하는 단계[단계(265)]를 추가로 포함할 수 있다. 타겟들을 클러스터링하는 단계[단계(250)] 이전에, 앞서 기술한 바와 같이, 타겟 이미지 획득하고, 참조 타겟을 제공하기 위해 획득된 이미지들을 위치 맞춤하는 단계[단계(247)], 참조 타겟을 모델로서 사용하여 가산 잡음을 추정하는 단계[단계(248)] 및 각각의 잡음 맵을 콤팩트한 벡터 시그너처로 압축하는 단계[단계(249)]가 먼저 행해질 수 있다.

특정의 실시예들에서, 방법(200)은 SCOL(scatterometry overlay) 측정 동안 수행될 수 있고, 적어도 하나의 분석된 메트릭을 사용하여 그리고 SCOL 측정과 관련하여 타겟들을 분석하는 단계[단계(270)]를 추가로 포함할 수 있고, 예컨대, 타겟 분석은 타겟 이미지, 타겟 비대칭성 척도, ROI 파라미터, 타겟 클러스터링 또는 적용된 메트릭들 중 임의의 것으로부터 도출되는 임의의 다른 기준에 관련되어 있을 수 있다. 방법(200)은 타겟 분석과 관련하여 타겟들을 가중화하는 것에 의해 SCOL 측정을 향상시키는 단계[단계(280)] 및 예컨대, 계측 시스템에 의한 SCOL 측정을 최적화하기 위해, 사용자가 타겟 가중치에 영향을 줄 수 있게 하는 사용자 인터페이스를 제공하는 단계를 추가로 포함할 수 있다. 실시예들에서, 타겟들을 분석하고 SCOL 정확성을 최적화하는 타겟들을 나타내기 위해 복수의 메트릭들의 통계 분석이 수행될 수 있다(284). 특정의 실시예들에서, 방법(200)은 (각자의 메트릭이 식별하기 위해 선택되는[단계(222)]) 각자의 타겟 이상들이 대응하는 계측 측정에 영향을 미치는 정도에 따라 복수의 메트릭들을 가중화하는 단계[단계(275)]를 포함할 수 있다.

특정의 실시예들에서, 방법(200)은 계측 측정을 위한 파장 선택을 최적화하기 위해 메트릭들을 사용하는 단계[단계(305)], 파장 교정을 실행하는 단계[단계(310)], 파장별 교정 타겟 신호들을 이전 값들과 그리고 측정 규격들과 비교하는 단계[단계(312)], 및 비교 결과 및 규격에 관한 기준(예컨대, 허용된 편차, 타겟들 간의 또는 파장들 간의 변동에 대한 임계치)이 충족될 때까지 교정 및 비교를 반복하는 단계[단계(314)]를 추가로 포함할 수 있다.

특정의 실시예들에서, 방법(200)은 최적화 파라미터들(예컨대, 파장, 초점, ROI)이 선택되고[단계(322)] 이어서 측정되어 특성화 메트릭과 관련하여 분석되는[단계(324)] 훈련 단계[단계(320)]를 추가로 포함할 수 있다. 예를 들어, 방법(200)은 어쩌면 상이한 타겟 층들을 고려하여, 정확한 타겟 부분들을 포함하도록 ROI들을 신중하게 선택하는 것에 의해 신호 정확성을 증가시키는 단계[단계(325)]를 포함할 수 있다. 따라서, 훈련 단계의 결과, 시스템 조절 및 설정 강건성 확인[단계(326)]이 이루어질 수 있다. 실행 동안, 방법(200)은 또한 타겟들을 그의 비대칭성 또는 임의의 다른 특성과 관련하여 검사하는 단계와, 필요한 경우, 복구 절차(선택적으로 클러스터링을 포함함)를 적용하거나 측정을 무시하는 단계를 포함할 수 있다.

특정의 실시예들은 상이한 최적화, 레시피 작성, 플라이어 검출(flier detection), 및 결함있는 타겟 인식을 위해 커널, 스펙트럼 및/또는 동공 이미지와 같은 타겟 신호들의 수학적 특성화를 제공한다. 특정의 실시예들은 상이한 최적화, 레시피 작성(플라이어 검출을 포함함)을 위해 커널, 스펙트럼 및/또는 동공 이미지와 같은 타겟 신호들의 비대칭성을 측정한다. 특정의 실시예들은 레시피 작성 및 플라이어 검출을 추가로 향상시키기 위해 이들 측면의 동시 사용을 포함한다. 특정의 실시예들은 산란 측정 타겟들에 대한 촬영 도구 검사를 제공한다.

특정의 실시예들은 오버레이 계측 도구에 통합될 소프트웨어 패키지의 형태로 구현될 수 있다. OVL 측정의 특성화 및 분류가 (예컨대, 파장, 초점, ROI 등과 관련하여) 측정 정확성의 개선을 위해 훈련 단계 및 실행 단계 동안 계측 도구의 자동 및 반자동 교정 및 최적화를 위해 사용될 수 있다. 특정의 실시예들은 또한 예상치 못한 성능 열화의 경우에 데이터 분석에 기여할 수 있다.

특정의 실시예들에서, 타겟 선택, 특성화, 플라이어 검출 및/또는 레시피 최적화는 얻어진 오버레이가 아니라 물리적 원시 신호의 OVL 측정 계산 또는 원시 신호의 어떤 적분을 고려하는 것에 기초할 수 있다. 원시 측정 출력은 커널, 스펙트럼 또는 동공 이미지와 같은 타겟 신호일 수 있다. 타겟 선택은 공정에 의해 또는 측정에 의해 야기될 수 있는, 웨이퍼 상에서 관찰되는 물리적 원시 신호 패턴을 참조할 수 있다.

유익하게도, 개시된 방법들 및 시스템들은 (회귀법 및 전자기 분석에 기초한 방법과 같이) 오류 원인들의 정확한 물리적 이해에 의존하지 않고, (타겟 파라미터들에 기초한 방법들의 사용 및 반복성을 제한하는) 기지의 타겟 파라미터들에 의존하지 않으며, (알고리즘적 측면들 또는 별도의 테스트 프로세스에 간접적으로 관련되어 있는 것이 아니라) 오버레이 부정확성에 직접 관련되어 있다.

특정의 실시예들에서, (공정 또는 레지스트 층에 대해서가 아니라) 하부층(under-layer)의 공정 변동에 대한 원시 신호의 낮은 의존성을 가정하면, 공정 및 레지스트 층의 유사한 처리의 결과, 타겟들의 측정된 신호들이 서로 비슷해야만 한다. 따라서, 순수한 OVL 이외의 신호 특성들의 변동이 관찰되는 경우, 이들은 측정되는 층들의 제조 공정 동안 어떤 변화가 일어났다는 것을 나타낼 수 있다.

유익하게도, 앞서 기술한 접근법들의 조합들이 OVL 측정 결과의 정확성을 물론 OVL 모델링을 향상시키고 개선시킬 수 있다. 특정의 실시예들에서, 각각의 층 측정 신호가 타겟 규격들에 따라 다수의 방식들로 분석될 수 있다. 예를 들어, a) 타겟들의 측정 신호를 층별로, 축별로, 측정 회전별로 개별적으로 분석하는 분리 접근법. b) 각각의 층에 대해, 파장, 초점, ROI 등과 같은 분리 특성들에 의해 평균을 구하는 프로세스가 행해지는 비분리 접근법. 정량적 특성들, 예를 들어, 스펙트럼 분석에 의해 도출된 특징들 또는 원시 신호 특성화를 제공하는 Fisher의 Kappa 및 Kolmogorov-Smirnov 통계와 같은 통계 검정, 어떤 임의의 선택된 신호와의 교차 상관 등에 의해 측정 신호들이 서로 비교된다. 특정의 실시예들에서, 선형 거동으로부터 주파수와 함께 위상 거동의 편차가 계산되고, 이 편차를 오류 범위(단위: 나노미터)로 변환한다. 특정의 실시예들에서, 웨이퍼 상에서의 잡음 시그너처의 매핑은 이미지 분석으로부터 잡음을 추정하는 방법들을 수반한다. 이어서, OVL 타겟들의 클러스터링을 위한 자율 기계 학습 기법이 그 타겟들의 대응하는 잡음 시그너처에 따라 적용된다.

그에 부가하여, 사용자가 바람직한 처리를 선택할 수 있도록 하기 위해, 타겟 특성화가 필드(다이) 및 웨이퍼 레벨에서 플라이어 및 클러스터를 검출하는 데 사용될 수 있고, 예를 들어: a) 측정 설정 문제, 타겟 품질 문제 등과 같은 다양한 이유들로 인해 손상된 타겟들에 대해, 사용자는 정확성을 개선시키기 위해 측정 메트릭 계산으로부터 각자의 타겟들을 제거하기로 할 수 있다. b) 서로 상이한 타겟들에 대해, 사용자는 측정의 안정성 및 정확성을 달성하기 위해 유사한 타겟들의 세트를 선택할 수 있다(또는 이러한 해결책이 완전 자동일 수 있음). c) 시스템이 파장, 초점, ROI 등의 면에서 최상의 부합하는 레시피 설정을 그의 품질, 안정성, 일관성에 의해 그리고 그의 백색 잡음에 의해 검출하도록 구성될 수 있다.

유익하게도, 개시된 방법들은 계통적 또는 랜덤한 효과들에 의해 야기되는 구역 및 테스트 (타겟) 레벨의 플라이어 및 클러스터를 검출한다. 방법들 및 시스템들은 종래의 메트릭들의 부정확성 및 불안정성에의 주된 기여들에 대한 이해를 제공하고, 정확성 및 신뢰성을 증가시키기 위해 사용자가 설정을 최적화하는 데 도움을 준다. 상세하게는, 특정의 실시예들은 OVL 공정 제어의 정확성을 엄격한 노드 요구사항에 적합하도록 개선시킨다.

이상의 설명에서, 일 실시예는 본 발명의 일례 또는 구현예이다. "하나의 실시예", "일 실시예", "특정의 실시예들", 또는 "일부 실시예들"의 다양한 표현들 모두가 꼭 동일한 실시예를 지칭하는 것은 아니다.

본 발명의 다양한 특징들이 단일의 실시예와 관련하여 기술될 수 있지만, 특징들이 또한 개별적으로 또는 임의의 적당한 조합으로 제공될 수 있다. 이와 달리, 본 발명이 명확함을 위해 개별적인 실시예들과 관련하여 본 명세서에 기술될 수 있지만, 본 발명이 또한 단일의 실시예에서 구현될 수 있다.

본 발명의 특정의 실시예들이 앞서 개시된 상이한 실시예들로부터의 특징들을 포함할 수 있고, 특정의 실시예들이 앞서 개시된 다른 실시예들로부터의 요소들을 포함할 수 있다. 본 발명의 요소들을 특정 실시예와 관련하여 개시하는 것은 그들이 특정 실시예에서만 사용되는 것으로 제한하는 것으로 보아서는 안된다.

게다가, 본 발명이 다양한 방식들로 수행되거나 실시될 수 있다는 것과 본 발명이 이상의 설명에서 개략적으로 기술된 실시예들 이외의 특정의 실시예들에서 구현될 수 있다는 것을 잘 알 것이다.

본 발명이 첨부 도면들로 또는 대응하는 설명으로 제한되지 않는다. 예를 들어, 흐름이 각각의 예시된 박스 또는 상태를 통해, 또는 예시되고 기술된 것과 완전히 동일한 순서로 진행될 필요는 없다.

본 명세서에서 사용되는 기술적 및 과학적 용어들의 의미는, 달리 정의되지 않는 한, 본 발명이 속하는 기술 분야의 통상의 기술자가 이해하는 것처럼 통상적으로 이해되어야 한다. 본 발명이 제한된 수의 실시예들과 관련하여 기술되어 있지만, 이들이 본 발명의 범주에 대한 제한이 아니라 오히려 바람직한 실시예들 중 일부의 예시로서 해석되어야 한다. 다른 가능한 변형들, 수정들 및 응용들이 또한 본 발명의 범주 내에 속한다. 그에 따라, 본 발명의 범주는 지금까지 기술된 것에 의해서가 아니라 첨부된 청구항들 및 그의 법적 등가물들에 의해 한정되어야만 한다.

Claims

계측 시스템에 의해 수행되는 방법으로서,
복수의 타겟 신호들을 웨이퍼 상의 대응하는 타겟들로부터 도출하는 단계;
상기 도출된 타겟 신호들에 대한 적어도 하나의 지정된 메트릭(metric)을 계산하는 단계;
상기 타겟들을 특성화(characterize)하기 위해 상기 적어도 하나의 메트릭을 분석하는 단계;
상기 메트릭에 따라 타겟들을 클러스터링(clustering)하는 단계; 및
제조 오류(production error)들을 표시하기 위해 상기 클러스터링을 분석하는 단계
를 포함하는, 계측 시스템에 의해 수행되는 방법.
제1항에 있어서, 상기 적어도 하나의 메트릭을 상기 웨이퍼 상의 타겟 위치들과 관련하여 시각화하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
제1항에 있어서, 상기 적어도 하나의 지정된 메트릭은 복수의 지정된 메트릭들을 포함하고, 상기 적어도 하나의 메트릭을 분석하는 단계는 상기 메트릭과 관련하여 통계적으로 수행되는 것인, 계측 시스템에 의해 수행되는 방법.
제1항에 있어서, 예외적인 타겟(exceptional target)들을 식별하기 위해 상기 메트릭 중 적어도 하나를 사용하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
삭제
제1항에 있어서, 타겟 클러스터들을 시각화하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
제1항에 있어서, 상기 메트릭에 따라 타겟들을 클러스터링하는 단계 및 타겟 유사성을 향상시키도록 타겟 클러스터들에 대한 계측 측정을 지시하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
제1항에 있어서, 상기 메트릭의 통계적으로 도출된 특징(feature)들을 상기 웨이퍼 상의 타겟 위치들과 관련하여 시각화하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
제1항에 있어서, 상기 타겟들 또는 상기 타겟들의 부분들과 관련하여, 주기성, 대칭성, 경사(declination), 자기 상관, 통계적으로 도출된 특징들, 및 푸리에 변환된 타겟 신호의 파라미터들, 중 적어도 하나를 정량화하기 위해 상기 메트릭을 선택하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
제1항에 있어서, 상기 타겟 신호들은 상기 대응하는 타겟들의 지정된 ROI(region of interest)들로부터의 커널(kernel)들인 것인, 계측 시스템에 의해 수행되는 방법.
제10항에 있어서, 상기 타겟에서의 ROI 위치를 정량화하기 위해 또는 발산하는 ROI들을 식별하기 위해 상기 메트릭을 선택하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
제1항에 있어서, 상기 방법은 SCOL(scatterometry overlay) 측정 동안 수행되고, 상기 분석된 적어도 하나의 메트릭을 사용하여 그리고 상기 SCOL 측정과 관련하여 타겟 이미지들을 분석하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
제12항에 있어서, 상기 타겟 이미지 분석과 관련하여 상기 타겟들을 가중화하는 것에 의해 상기 SCOL 측정을 향상시키는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
제13항에 있어서, 상기 적어도 하나의 지정된 메트릭은 복수의 지정된 메트릭들을 포함하고, 상기 적어도 하나의 메트릭을 분석하는 단계는 상기 메트릭들과 관련하여 통계적으로 수행되며, 상기 방법은 SCOL 정확성을 최적화하는 타겟들을 표시하도록 설계된 메트릭을 사용하는 단계를 더 포함하는, 계측 시스템에 의해 수행되는 방법.
계측 시스템으로서,
복수의 타겟 신호들을 웨이퍼 상의 대응하는 타겟들로부터 도출하고;
상기 도출된 타겟 신호들로부터 적어도 하나의 지정된 메트릭을 계산하며;
상기 타겟들을 특성화하기 위해 상기 적어도 하나의 메트릭을 분석하고;
상기 메트릭에 따라 타겟들을 클러스터링하고;
제조 오류들을 표시하기 위해 상기 클러스터링을 분석하도록 구성된 타겟 특성화 모듈(target characterization module)
을 포함하는, 계측 시스템.
제15항에 있어서, 상기 적어도 하나의 메트릭을 상기 웨이퍼 상의 타겟 위치들과 관련하여 시각적으로 제시하도록 구성된 시각화 모듈(visualization module)을 더 포함하는, 계측 시스템.
제15항에 있어서, 상기 적어도 하나의 지정된 메트릭은 복수의 지정된 메트릭들을 포함하고, 상기 타겟 특성화 모듈은 상기 메트릭들의 통계 분석에 의해 상기 타겟을 특성화하도록 구성되어 있으며,
상기 메트릭들은, 상기 타겟들 또는 상기 타겟들의 부분들과 관련하여, 주기성, 대칭성, 경사, 자기 상관, 통계적으로 도출된 특징들, 및 푸리에 변환된 타겟 신호의 파라미터들, 중 적어도 하나를 정량화하기 위해 선택되는 것인, 계측 시스템.
제15항에 있어서, 상기 타겟 신호들은 상기 대응하는 타겟들의 지정된 ROI(region of interest)들로부터의 커널들인 것인, 계측 시스템.
제18항에 있어서, 상기 타겟 특성화 모듈은 또한 상기 타겟에서의 ROI 위치를 정량화하거나 발산하는 ROI들을 식별하도록 구성되어 있는 것인, 계측 시스템.
제17항에 있어서, 상기 타겟 특성화 모듈은 또한 상기 메트릭들에 따라 타겟들을 클러스터링하도록 구성되며,
상기 메트릭들의 상기 통계적으로 도출된 특징들과 적어도 하나의 타겟 클러스터를 상기 웨이퍼 상의 타겟 위치들과 관련하여 시각적으로 제시하도록 구성된 시각화 모듈을 더 포함하는, 계측 시스템.
삭제
제15항에 있어서, 상기 타겟 특성화 모듈은 또한 상기 메트릭에 따라 타겟들을 클러스터링하도록 구성되어 있고, 상기 계측 시스템은 또한 타겟 유사성을 향상시키도록 타겟 클러스터들에 대한 계측 측정을 지시하도록 구성되어 있는 것인, 계측 시스템.
제15항에 있어서, 상기 타겟들에 대해 SCOL(scatterometry overlay) 측정을 수행하도록 구성된 SCOL 측정 서브시스템을 더 포함하고, 상기 타겟 특성화 모듈은 또한, 상기 분석된 적어도 하나의 메트릭을 사용하여 그리고 상기 SCOL 측정과 관련하여 상기 타겟들을 분석하고, 상기 타겟들의 특성화와 관련하여 상기 타겟들을 가중화하는 것에 의해 상기 SCOL 측정을 향상시키도록 구성되어 있는 것인, 계측 시스템.
제23항에 있어서, 사용자가 상기 SCOL 측정에 관련된 타겟 가중치들에 영향을 미칠 수 있게 하도록 구성된 사용자 인터페이스를 더 포함하는, 계측 시스템.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제