KR20070104067A - Examining a structure formed on a semiconductor wafer using machine learning systems - Google Patents

Examining a structure formed on a semiconductor wafer using machine learning systems Download PDF

Info

Publication number
KR20070104067A
KR20070104067A KR1020060036199A KR20060036199A KR20070104067A KR 20070104067 A KR20070104067 A KR 20070104067A KR 1020060036199 A KR1020060036199 A KR 1020060036199A KR 20060036199 A KR20060036199 A KR 20060036199A KR 20070104067 A KR20070104067 A KR 20070104067A
Authority
KR
South Korea
Prior art keywords
machine learning
profile
learning system
diffraction signal
diffraction
Prior art date
Application number
KR1020060036199A
Other languages
Korean (ko)
Other versions
KR101179300B1 (en
Inventor
스팡 리
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
Priority to KR20060036199A priority Critical patent/KR101179300B1/en
Publication of KR20070104067A publication Critical patent/KR20070104067A/en
Application granted granted Critical
Publication of KR101179300B1 publication Critical patent/KR101179300B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • 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
    • 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
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)

Abstract

An examining method of a structure on a semiconductor wafer using a machine learning system is provided to inspect the structure formed on the semiconductor wafer by utilizing the machine learning system. An examining method of a structure on a semiconductor wafer using a machine learning system includes the steps of: obtaining a first diffraction signal detected from the structure by using an optical metrology device; obtaining a first profile from a first machine learning system as an input for the first machine learning system by using the first diffraction signal; and obtaining a second profile from a second machine learning system as an input for the second machine learning system by using the first profile. The first and second profiles include one or more parameter which characterizes one or more feature of the structure.

Description

머신 학습 시스템을 이용하여 반도체 웨이퍼상에 형성된 구조물을 조사하는 방법{EXAMINING A STRUCTURE FORMED ON A SEMICONDUCTOR WAFER USING MACHINE LEARNING SYSTEMS}Method for Investigating a Structure Formed on a Semiconductor Wafer Using a Machine Learning System {EXAMINING A STRUCTURE FORMED ON A SEMICONDUCTOR WAFER USING MACHINE LEARNING SYSTEMS}

도 1 은 예시적인 메트롤러지 시스템의 블록도.1 is a block diagram of an exemplary metrology system.

도 2a 내지 도 2e 는 반도체 웨이퍼 상에 형성된 구조물을 특성화하는 예시적인 프로파일.2A-2E are exemplary profiles characterizing structures formed on semiconductor wafers.

도 3 은 머신 학습 시스템을 이용하여 구조물을 조사하기 위한 예시적인 프로세스의 흐름도.3 is a flow diagram of an example process for examining a structure using a machine learning system.

도 4 는 도 3 에 나타낸 예시적인 프로세스에 사용될 수 있는 예시적인 반복 프로세스의 흐름도.4 is a flow diagram of an example iterative process that may be used in the example process shown in FIG. 3.

도 5 는 머신 학습 시스템을 트레이닝하는 예시적인 프로세스의 흐름도.5 is a flow diagram of an example process for training a machine learning system.

도 6 은 머신 학습 시스템을 이용하여 구조물을 조사하는 예시적인 시스템의 블록도.6 is a block diagram of an example system for examining a structure using a machine learning system.

도 7 은 예시적인 신경 네트워크의 블록도.7 is a block diagram of an exemplary neural network.

※ 도면의 주요 부분에 대한 부호의 설명※ Explanation of codes for main parts of drawing

100 : 메트롤러지 시스템 102 : 주기적인 회절 격자100: metrology system 102: periodic diffraction grating

104 : 웨이퍼 106 : 소스104: wafer 106: source

본 발명은 반도체 웨이퍼 메트롤러지(metrology)에 관한 것으로, 보다 상세하게는 머신 학습 시스템을 이용하여 반도체 웨이퍼상에 형성된 구조물을 조사하는 것에 관한 것이다.TECHNICAL FIELD The present invention relates to semiconductor wafer metrology and, more particularly, to examining a structure formed on a semiconductor wafer using a machine learning system.

반도체 제조시에, 메트롤러지는 통상적으로 품질 보증을 위하여 사용된다. 에를 들어, 반도체 웨이퍼 상에 구조물을 제조한 이후에, 메트롤러지 시스템을 이용하여 그 구조물을 조사함으로써 구조물을 형성하는데 이용되는 제조 프로세스를 평가한다. 그 구조물은 웨이퍼 상에 형성되는 집적 회로, 또는 그 집적회로에 인접하여 형성되는 주기적인 회절 격자(grating)와 같은 테스트 구조물의 특징을 포함할 수 있다.In semiconductor manufacturing, metrology is typically used for quality assurance. For example, after fabricating a structure on a semiconductor wafer, the metrology system is used to examine the structure to evaluate the fabrication process used to form the structure. The structure may include features of a test structure, such as an integrated circuit formed on a wafer, or a periodic diffraction grating formed adjacent to the integrated circuit.

광학 메트롤러지는 그 구조물에서 입사광 신호를 안내하고, 결과적인 회절 신호를 측정하고, 구조물의 특징을 결정하기 위하여 그 회절 신호를 분석하는 임의의 타입의 메트롤러지이다. 머신 학습 시스템은 광학 메트롤러지 장치를 이용하여 획득되는 회절 신호들을 분석하는데 사용되고 있다. 그러나, 입력으로서 수신되는 회절 신호에 기초하여 출력으로서 프로파일을 생성하는 이러한 머신 학습 시스템은, 그 광학 메트롤러지 장치로부터 획득되는 회절 신호에 노이즈가 존재하고, 머신 학습 시스템이 그 구조물의 실제 프로파일을 설명하기에 충분히 정확하지 않은 모델을 이용하여 트레이닝된 경우에, 잘못된 결과를 발생시킬 수 있다.Optical metrology is any type of metrology that guides an incident light signal in the structure, measures the resulting diffraction signal, and analyzes the diffraction signal to characterize the structure. Machine learning systems have been used to analyze diffraction signals obtained using optical metrology devices. However, such a machine learning system that generates a profile as an output based on the diffraction signal received as an input, has noise in the diffraction signal obtained from the optical metrology device, and the machine learning system is responsible for the actual profile of the structure. When trained using a model that is not accurate enough to explain, it can produce false results.

하나의 에시적인 실시형태에서, 반도체 웨이퍼상에 형성된 구조물은 광학 메트롤러지 장치를 이용하여 그 구조물로부터 측정된 제 1 회절 신호를 획득함으로써 조사된다. 제 1 프로파일은 제 1 머신 학습 시스템에 대한 입력으로서 획득되는 제 1 회절 신호를 이용하여 제 1 머신 학습 시스템으로부터 획득된다. 제 1 머신 학습 시스템은 입력으로서 수신된 회절 신호에 대한 출력으로서 프로파일을 생성하도록 구성된다. 제 2 프로파일은, 제 2 머신 학습 시스템에 대한 입력으로서 제 1 머신 학습 시스템으로부터 획득되는 제 1 프로파일을 이용하여 제 2 머신 학습 시스템으로부터 획득된다. 제 2 머신 학습 시스템은 입력으로서 수신되는 프로파일에 대한 출력으로서 회절 신호를 생성하도록 구성된다. 제 1 및 제 2 프로파일은 구조물의 하나 이상의 구조적 특징을 특성화하는 하나 이상의 파라미터를 포함한다.In one exemplary embodiment, the structure formed on the semiconductor wafer is irradiated by obtaining a first diffraction signal measured from the structure using an optical metrology device. The first profile is obtained from the first machine learning system using the first diffraction signal obtained as an input to the first machine learning system. The first machine learning system is configured to generate a profile as an output for the diffraction signal received as an input. The second profile is obtained from the second machine learning system using the first profile obtained from the first machine learning system as input to the second machine learning system. The second machine learning system is configured to generate a diffraction signal as an output for the profile received as an input. The first and second profiles include one or more parameters that characterize one or more structural features of the structure.

이하의 설명부는 복수의 특정 구성, 파라미터 등을 설명한다. 그러나, 이러한 설명은 본 발명의 범위에 대한 제한물 또는 본 발명의 애플리케이션으로 의도되기 보다는 일례 및 예시를 제공한다.The following description describes a plurality of specific configurations, parameters, and the like. However, this description provides examples and examples rather than limitations on the scope of the invention or the application of the invention.

도 1 을 참조하면, 메트롤러지 시스템(100)은 반도체 웨이퍼(104)상에 형성된 구조물을 조사하는데 사용될 수 있다. 예를 들어, 메트롤러지 시스템(100)은 웨이퍼(104)상에 형성되는 주기적인 회절 격자(grating)(102)의 특징을 결정하는데 사용될 수 있다. 주기적인 회절 격자(102)는, 웨이퍼(104)상에 형성된 장치에 인 접하는, 웨이퍼(104)상의 테스트 영역에 형성될 수 있다. 예를 들어, 주기적인 회절 격자(102)는 장치의 동작과 간섭되지 않는 장치의 영역에 또는 웨이퍼(104)상의 스크라이브 라인에 따라 형성될 수 있다. 조사되는 구조물은, 집적 회로 장치의 특징을 포함하여, 웨이퍼(104)상에 형성되는 임의의 타입의 구조물일 수 있다.Referring to FIG. 1, metrology system 100 may be used to examine a structure formed on a semiconductor wafer 104. For example, metrology system 100 may be used to determine the characteristics of a periodic diffraction grating 102 formed on wafer 104. The periodic diffraction grating 102 may be formed in a test area on the wafer 104 adjacent to the device formed on the wafer 104. For example, the periodic diffraction grating 102 may be formed in an area of the device that does not interfere with the operation of the device or along a scribe line on the wafer 104. The structure to be irradiated may be any type of structure formed on the wafer 104, including features of the integrated circuit device.

도 1 에 나타낸 바와 같이, 메트롤러지 시스템(100)은 메트롤러지 장치 특히, 소스(106) 및 검출기(112)를 가지는 광학 메트롤러지 장치를 포함할 수 있다. 주기적인 회절 격자(102)는 소스(106)로부터의 입사빔(108)에 의해 조명된다. 이 예에서, 입사빔(108)은 주기적인 회절 격자(102)의 법선

Figure 112006027961870-PAT00001
에 대하여 입사 각도 θi와 방위각 Φ(즉, 임사빔(108)의 면과 주기적 회절 격자(102)의 주기적 방향 사이의 각도) 으로 회절 격자(102)상에 조명된다. 회절된 빔(110)은 법선
Figure 112006027961870-PAT00002
에 대하여 θd 의 각도로 놓여져 있으며, 검출기(112)에 의해 수신된다. 각도 θi 및 θd 는 법선
Figure 112006027961870-PAT00003
에 대하여 0 이 될 수 있음을 인식하여야 한다. 검출기(112)는 회절된 빔(110) 을 측정된 회절 신호로 변환하며, 이 신호는 반사율, tan
Figure 112006027961870-PAT00004
, cos
Figure 112006027961870-PAT00005
, 푸리에 계수 등을 포함할 수 있다. 측정된 회절 신호는 프로세싱 모듈(114)에서 분석될 수 있다.As shown in FIG. 1, metrology system 100 may include a metrology device, in particular an optical metrology device having a source 106 and a detector 112. The periodic diffraction grating 102 is illuminated by the incident beam 108 from the source 106. In this example, the incident beam 108 is normal to the periodic diffraction grating 102.
Figure 112006027961870-PAT00001
Relative to the diffraction grating 102 at an angle of incidence θ i and an azimuth angle Φ (ie, the angle between the plane of the incident beam 108 and the periodic direction of the periodic diffraction grating 102). The diffracted beam 110 is normal
Figure 112006027961870-PAT00002
It is set at an angle of θ d with respect to, and is received by the detector 112. Angles θ i and θ d are normal
Figure 112006027961870-PAT00003
It should be recognized that can be 0 for. The detector 112 converts the diffracted beam 110 into a measured diffraction signal, which has a reflectance, tan
Figure 112006027961870-PAT00004
, cos
Figure 112006027961870-PAT00005
, Fourier coefficients, and the like. The measured diffraction signal can be analyzed at the processing module 114.

도 2a 내지 도 2e 를 참조하면, 하나의 예시적인 실시형태에서, 조사되는 구조물의 하나 이상의 특징적 구조는 하나 이상의 파라미터에 의해 규정된 프로파일을 이용하여 특성화된다. 예를 들어, 도 2a 에서, 구조물의 단면의 높이 및 폭은, 각각 그 구조물의 단면의 높이 및 폭에 대응하는 파라미터 h1 및 w1 에 의해 규정된 프로파일(200)을 이용하여 특성화될 수 있다.Referring to FIGS. 2A-2E, in one exemplary embodiment, one or more characteristic structures of the structure being investigated are characterized using a profile defined by one or more parameters. For example, in FIG. 2A, the height and width of the cross section of the structure can be characterized using the profile 200 defined by parameters h1 and w1 corresponding to the height and width of the cross section of the structure, respectively.

도 2b 내지 도 2 에 나타낸 바와 같이, 구조물의 부가적인 특징은 프로파일(200)을 규정하는데 사용되는 파라미터의 개수를 증가시킴으로써 특성화(파라미터화)될 수 있다. 예를 들어, 도 2b 에 나타낸 바와 같이, 그 구조물의 높이, 하부 폭, 및 상부 폭은 각각 파라미터 h1, w1, 및 w2 에 의해 특성화될 수 있다. 폭은 임계 치수(CD; critical dimension)로 지칭될 수 있다. 예를 들어, 도 2b 에서, 파라미터 w1 및 w 는 각각 하부 CD 및 상부 CD 를 규정할 때 기술될 수 있다. 여러가지 타입의 파라미터들이, AOI(angle of incident), 피치, n & k, 하드웨어 파라미터(예를 들어, 편광자 각도) 등을 포함하여, 프로파일을 규정하는데 사용될 수 있음을 이해하여야 한다.As shown in FIGS. 2B-2, additional features of the structure may be characterized (parameterized) by increasing the number of parameters used to define the profile 200. For example, as shown in FIG. 2B, the height, bottom width, and top width of the structure can be characterized by parameters h1, w1, and w2, respectively. The width may be referred to as a critical dimension (CD). For example, in FIG. 2B, the parameters w1 and w can be described when defining the lower CD and the upper CD, respectively. It should be understood that various types of parameters may be used to define the profile, including angle of incident (AOI), pitch, n & k, hardware parameters (eg polarizer angle), and the like.

도 3 을 참조하여, 웨이퍼 상에 형성된 구조물을 조사하기 위한 예시적인 프로세스(300)를 나타낸다. 단계 302 에서, 광학 메트롤러지 장치를 이용하여 그 구조물로부터 측정된 제 1 회절 신호를 획득한다. 예를 들어, 도 1 을 참조하면, 측정된 회절 신호를 메트롤러지 시스템(100)의 소스(106)와 검출기(112)를 이용하여 획득할 수 있다. 그러나, 타원계(ellipsometer), 반사율측정기(reflectometer) 등과 같은 임의의 광학 메트롤러지 장치를 사용할 수도 있음을 이해하여야 한다. 도 3 을 재참조하면, 단계 302 에서, 광학 메트롤러지 장치를 이용하여 회절 신호를 측정한 이후에 그 회절 신호를 그 광학 메트롤러지 장치로부터 직접 획득할 수 있음을 이해하여야 한다. 다른 방법으로, 회절 신호는 단계 302 에서 광학 메트롤러 지 장치를 이용하여 측정되고, 저장되고, 획득된다.Referring to FIG. 3, an exemplary process 300 for examining a structure formed on a wafer is shown. In step 302, an optical metrology device is used to obtain a measured first diffraction signal from the structure. For example, referring to FIG. 1, measured diffraction signals may be obtained using source 106 and detector 112 of metrology system 100. However, it should be understood that any optical metrology device may be used, such as an ellipsometer, reflectometer, or the like. Referring again to FIG. 3, it should be understood that at step 302, the diffraction signal can be obtained directly from the optical metrology device after measuring the diffraction signal using the optical metrology device. Alternatively, the diffraction signal is measured, stored and obtained using an optical metrology device in step 302.

단계 304 에서, 제 1 프로파일은 제 1 회절 신호를 이용한 제 1 머신 학습 시스템으로부터 그 머신 학습 시스템에 대한 입력으로서 획득된다. 이러한 예시적인 실시형태에서, 제 1 머신 학습 시스템은, 회절 신호를 입력으로서 수신하는 경우에, 출력으로서 프로파일을 생성하도록 구성된다. 제 1 머신 학습 시스템으로부터 획득된 제 1 프로파일은 조사되는 구조물의 하나 이상의 구조적 특징을 특성화하는 하나 이상의 파라미터를 포함한다. 제 1 머신 학습 시스템을 이용하여 획득된 제 1 프로파일은 그 구조물의 실제 프로파일의 근사값이다. 그러나, 광학 메트롤러지 장치로부터 획득되는 제 1 회절 신호에 통상적으로 존재하는 노이즈는, 제 1 머신 학습 시스템을 이용하여 획득되는 제 1 프로파일(즉, 제 1 프로파일은 최소 전체 범위로 아직 최적화되지 않음) 보다 더 가까운 정합 프로파일이 있음을 의미할 수도 있다. In step 304, the first profile is obtained as input to the machine learning system from the first machine learning system using the first diffraction signal. In this exemplary embodiment, the first machine learning system is configured to generate a profile as an output when receiving the diffraction signal as an input. The first profile obtained from the first machine learning system includes one or more parameters that characterize one or more structural features of the structure under investigation. The first profile obtained using the first machine learning system is an approximation of the actual profile of the structure. However, the noise typically present in the first diffraction signal obtained from the optical metrology device is such that the first profile obtained using the first machine learning system (ie, the first profile is not yet optimized to the minimum full range). It may mean that there is a matching profile closer than).

따라서, 단계 306 에서, 제 2 프로파일은 제 1 머신 학습 시스템으로부터 획득되는 제 1 프로파일을 이용하여 제 2 머신 학습 시스템으로부터 그 제 2 머신 학습 시스템에 대한 입력으로서 획득된다. 이러한 예시적인 실시형태에서, 제 2 머신 학습 시스템은, 프로파일이 입력으로서 수신되는 경우에, 출력으로서 회절 신호를 생성하도록 구성된다. 제 2 머신 학습 시스템을 이용하여 획득되는 제 2 프로파일은 전체 최소 범위 및 그 구조물의 실제 프로파일의 가장 가까운 근사값이다. 전체 최소 범위가 제 1 머신 학습 시스템을 이용하여 결정되고 제 2 프로파일이 전체 최소 범위내의 최소값을 가지므로, 제 2 프로파일은 존재하는 노이즈에 대하여 도 그 구조물의 실제 프로파일에 대하여 최적으로 정합된다.Thus, in step 306, the second profile is obtained as input to the second machine learning system from the second machine learning system using the first profile obtained from the first machine learning system. In this exemplary embodiment, the second machine learning system is configured to generate a diffraction signal as an output when the profile is received as an input. The second profile obtained using the second machine learning system is the closest approximation of the overall minimum range and the actual profile of the structure. Since the overall minimum range is determined using the first machine learning system and the second profile has a minimum value within the overall minimum range, the second profile is optimally matched to the actual profile of the structure also with respect to the noise present.

이러한 예시적인 실시형태에서, 단계 306 에서 반복적인 프로세스를 이용하여 제 2 프로파일을 획득한다. 특히, 도 4 를 참조하여, 단계 402 에서, 제 1 머신 학습 시스템의 출력으로서 생성되는 제 1 프로파일은 제 2 머신 학습 시스템에 대한 입력으로서 사용된다. 제 2 머신 학습 시스템은 제 2 회절 신호를 출력한다. 단계 404 에서, 이 광학 메트롤러지 장치로부터 획득된 제 1 회절 신호를 제 2 회절 신호와 비교한다. 단계 406 에서, 제 1 및 제 2 회절 신호가 하나 이상의 정합 기준 내에서 정합되지 않는 경우에, 제 1 프로파일의 하나 이상의 파라미터를 변경한다. 정합 기준의 일례는 적합성, 비용 등의 우수성을 포함한다. 그 후, 제 1 및 제 2 회절 신호가 하나 이상의 정합 기준 내에서 정합할 때 까지 단계 402, 404, 및 406 을 반복한다.In this exemplary embodiment, the iterative process is used in step 306 to obtain a second profile. In particular, with reference to FIG. 4, at step 402, a first profile generated as an output of a first machine learning system is used as input to a second machine learning system. The second machine learning system outputs a second diffraction signal. In step 404, the first diffraction signal obtained from this optical metrology device is compared with the second diffraction signal. In step 406, if the first and second diffraction signals do not match within one or more matching criteria, change one or more parameters of the first profile. Examples of matching criteria include excellence in suitability, cost, and the like. Thereafter, steps 402, 404, and 406 are repeated until the first and second diffraction signals match within one or more matching criteria.

반복 단계 402, 404, 및 406 에서, 최적화 알고리즘을 이용하여 하나 이상의 정합 기준 내에서 제 1 회절 신호와 정합하는 제 2 회절 신호를 더욱 신속하게 획득한다. 최적화 알고리즘은 가우스-뉴톤, 그레이디언트 경사(gradient descent), 시뮬레이팅된 어닐링, 레벤버그-마쿼트(levenberg-marquardt) 등을 포함할 수 있다. 이러한 예시적인 실시형태에서, 전체 최소 범위는 제 1 머신 학습 시스템에 의해 결정되기 때문에, 레벨버그-마쿼트와 같은 국부 최적화 알고리즘은 전체 최적화 알고리즘에 비하여 자주 사용될 수 있으며, 이 전체 최적화 알고리즘은 통상적으로 국부 최적화 알고리즘보다 더 느리다. 이러한 알고리즘 및 최적화에 대한 더 많은 정보에 대해서는, 명칭이 "METHOD AND SYSTEM OF DYNAMIC LEARNING THROUGH A REGRESSION-BASED LIBRARY GENERATION PROCESS"으로 2006 년 8 월 6 일자로 출원되고, 그 전체가 여기서 참조로 통합되는 미국 특허출원 제 09/923,578호를 참조한다.In iteration steps 402, 404, and 406, an optimization algorithm is used to more quickly obtain a second diffraction signal that matches the first diffraction signal within one or more matching criteria. Optimization algorithms may include Gauss-Newton, gradient descent, simulated annealing, levenberg-marquardt, and the like. In this exemplary embodiment, since the overall minimum range is determined by the first machine learning system, local optimization algorithms such as Revelberg-Marquart may be used more often than overall optimization algorithms, and this overall optimization algorithm is typically Slower than local optimization algorithm. For more information on these algorithms and optimizations, see US filed on August 6, 2006, entitled "METHOD AND SYSTEM OF DYNAMIC LEARNING THROUGH A REGRESSION-BASED LIBRARY GENERATION PROCESS," which is incorporated herein by reference in its entirety. See patent application 09 / 923,578.

이러한 예시적인 실시형태에서, 구조물을 조사하는데 제 1 및 제 2 머신 학습 시스템을 사용하기 이전에, 제 1 및 제 2 머신 학습 시스템을 트레이닝 프로세스를 이용하여 트레이닝한다. 도 5 를 참조하여, 예시적인 트레이닝 프로세스(500)를 나타낸다. 그러나, 제 1 및 제 2 머신 학습 시스템을 여러가지 트레이닝 프로세스를 이용하여 트레이닝할 수 있음을 이해하여야 한다. 머신 학습 시스템 및 그 머신 학습 시스템에 대한 트레이닝 프로세서에 대한 더 많은 정보에 대해서는, 명칭이 "OPTICAL METROLOGY OF STRUCTURES FORMED ON SEMICONDUCTOR WAFERS USING MACHINE SYSTEMS"으로 2003 년 6 월 27 일자로 출원되고 그 전체가 여기서 참조로 통합되는 미국 특허출원 제 10/608,300호를 참조한다.In this exemplary embodiment, the first and second machine learning systems are trained using a training process prior to using the first and second machine learning systems to examine the structure. Referring to FIG. 5, an example training process 500 is shown. However, it should be understood that the first and second machine learning systems can be trained using various training processes. For more information about machine learning systems and training processors for such machine learning systems, filed June 27, 2003, entitled “OPTICAL METROLOGY OF STRUCTURES FORMED ON SEMICONDUCTOR WAFERS USING MACHINE SYSTEMS,” which is hereby incorporated by reference in its entirety. See US patent application Ser. No. 10 / 608,300, incorporated by reference.

단계 502 에서, 트레이닝 데이터의 제 1 세트를 획득한다. 트레이닝 데이터의 제 1 세트는 프로파일 및 회절 신호 쌍을 포함한다. 프로파일 및 회절 신호 쌍 각각은 프로파일 및 대응하는 회절 신호를 포함한다. 각 프로파일 및 회절 신호 쌍의 프로파일과 회절 신호 사이에서 일 대 일 대응관계가 있더라도, 그 프로파일과 회전 신호 사이에서, 공지되어 있는 분석적이거나 또는 수치적인 관계를 알 필요는 없다.In step 502, a first set of training data is obtained. The first set of training data includes profile and diffraction signal pairs. Each profile and diffraction signal pair includes a profile and a corresponding diffraction signal. Although there is a one-to-one correspondence between the profile of each profile and diffraction signal pair and the diffraction signal, there is no need to know a known analytical or numerical relationship between that profile and the rotation signal.

하나의 예시적인 실시형태에서, 트레이닝 데이터의 제 1 세트는, 프로파일을 규정하는 하나 이상의 파라미터를 단독으로 또는 결합물로 변경시켜 프로파일들의 세트를 생성시킴으로써 형성된다. 생성되는 프로파일들의 전체 범위는 조사되는 구조물의 실제 프로파일에서의 가변성의 예상된 범위에 기초하여 결정될 수 있다. 예를 들어, 조사되는 구조물의 실제 프로파일이, x1 과 x2 사이에서 변할 수 있는 하부 폭을 가지는 것으로 예상되는 경우에, 프로파일들의 전체 범위는 x1 과 x2 사이에서 하부 폭에 대응하는 파라미터를 변경시킴으로써 생성될 수 있다. 다른 방법으로, 프로파일들의 전체 범위는 그 구조물의 실제 프로파일의 가변성의 예상된 범위의 랜덤한 또는 체계적인 샘플링에 기초하여 생성될 수 있다. In one exemplary embodiment, the first set of training data is formed by changing one or more parameters defining a profile, alone or in combination, to produce a set of profiles. The overall range of profiles generated can be determined based on the expected range of variability in the actual profile of the structure under investigation. For example, if the actual profile of the structure under investigation is expected to have a lower width that can vary between x 1 and x 2 , then the overall range of profiles is a parameter corresponding to the lower width between x 1 and x 2. Can be generated by changing. Alternatively, the full range of profiles can be generated based on random or systematic sampling of the expected range of variability of the actual profile of the structure.

프로파일들의 세트를 생성한 이후에, 회절 신호들은 정확하게 결합된 파 분석(RCWA; rigorous coupled wave analysis), 적분 방법, 프레넬 방법, 유한 분석, 모드(modal) 분석 등과 같은 모델링 기술을 이용하여 프로파일들의 세트 내의 각각의 프로파일에 대하여 생성된다. 다른 방법으로, 회절 신호들은 타원계, 반사율측정기 등과 같은 광학 메트롤러지 장치를 이용하여 회절 신호를 측정하거나 또는 AFM(atomic force microscope), SEM(scanning electron microscope) 등을 이용하여 프로파일을 측정하는 등의 실험적(empirical) 기술을 이용하여 생성될 수 있다.After generating a set of profiles, the diffraction signals are then analyzed using modeling techniques such as rigorous coupled wave analysis (RCWA), integration method, Fresnel method, finite analysis, modal analysis, etc. For each profile in the set. Alternatively, the diffraction signals may be measured using an optical metrology device such as an ellipsometer, reflectometer or the like, or the profile may be measured using an atomic force microscope (AFM), scanning electron microscope (SEM), or the like. Can be generated using an empirical technique.

단계 504 에서, 제 1 머신 학습 시스템은 트레이닝 데이터의 제 1 세트를 이용하여 트레이닝된다. 특히, 트레이닝 데이터의 제 1 세트로부터 프로파일 및 회절 신호 쌍을 이용하여, 제 2 머신 학습 시스템은 입력으로서 수신된 프로파일에 대한 출력으로서 회절 신호를 생성하도록 트레이닝된다.At step 504, the first machine learning system is trained using a first set of training data. In particular, using the profile and diffraction signal pairs from the first set of training data, the second machine learning system is trained to generate a diffraction signal as an output for the profile received as input.

이러한 예시적인 실시형태에서, 단계 506 에서, 제 2 머신 학습 시스템이 트 레이닝된 이후에, 제 1 머신 학습 시스템은 제 2 머신 학습 시스템을 이용하여 트레이닝된다. 특히, 트레이닝 데이터의 제 2 세트는, 제 2 머신 학습 시스템이 트레이닝 데이터의 제 1 세트를 이용하여 트레이닝된 이후에 제 2 머신 학습 시스템을 이용하여 생성된다. 트레이닝 데이터의 제 2 세트는 회절 신호와 프로파일 쌍을 포함한다. 프로파일들의 세트는 그 프로파일을 규정하는 하나 이상의 파라미터를 단독으로 또는 결합물로 변경시킴으로써 생성된다. 회절 신호는 제 2 머신 학습 시스템을 이용하여 프로파일의 세트에 대하여 생성된다. 트레이닝 데이터의 제 2 세트는 트레이닝 데이터의 제 1 세트의 전체 또는 일부를 포함할 수 있다.In this example embodiment, in step 506, after the second machine learning system is trained, the first machine learning system is trained using the second machine learning system. In particular, the second set of training data is generated using the second machine learning system after the second machine learning system has been trained using the first set of training data. The second set of training data includes a diffraction signal and a profile pair. A set of profiles is created by changing one or more parameters that define the profile, alone or in combination. Diffraction signals are generated for a set of profiles using a second machine learning system. The second set of training data may comprise all or part of the first set of training data.

제 2 머신 학습 시스템을 이용하여 생성된 트레이닝 데이터의 제 2 세트를 제 1 머신 학습 시스템을 트레이닝하는데 사용한다. 특히, 트레이닝 데이터의 제 2 세트의 회절 신호 및 프로파일 쌍을 이용하여, 제 1 머신 학습 시스템은 입력으로서 수신된 회절 신호에 대한 출력으로서 프로파일을 생성하도록 트레이닝된다.A second set of training data generated using the second machine learning system is used to train the first machine learning system. In particular, using the diffraction signal and profile pair of the second set of training data, the first machine learning system is trained to generate a profile as an output for the diffraction signal received as input.

도 6 을 참조하여, 반도체 웨이퍼 상에 형성되는 구조물을 조사하는 예시적인 시스템(600)을 나타낸다. 시스템(600)은 제 1 머신 학습 시스템(602)과 제 2 머신 학습 시스템(604)을 포함한다. 상술한 바와 같이, 제 1 머신 학습 시스템(602)은 메트롤러지 장치(606)를 이용하여 측정되는 제 1 회절 신호를 수신한다. 제 1 회절 신호는 제 1 프로파일을 출력하는 제 1 머신 학습 시스템(602)에 대한 입력으로 사용된다. 제 2 프로파일은 제 1 프로파일을 이용하여 제 2 머신 학습 시스템(604)으로부터 그 제 2 머신 학습 시스템(604)에 대한 입력으로서 획득된다.Referring to FIG. 6, an exemplary system 600 for examining a structure formed on a semiconductor wafer is shown. System 600 includes a first machine learning system 602 and a second machine learning system 604. As described above, the first machine learning system 602 receives the first diffraction signal measured using the metrology device 606. The first diffraction signal is used as an input to a first machine learning system 602 that outputs a first profile. The second profile is obtained as input to the second machine learning system 604 from the second machine learning system 604 using the first profile.

이러한 예시적인 시스템에서, 시스템(600)은 비교기(608) 및 최적화기(610) 를 포함한다. 비교기(608) 및 최적화기(610)는 제 2 머신 학습 시스템(604)로부터 제 2 프로파일을 반복적으로 획득한다. 특히, 비교기(608)는, 제 1 머신 학습 시스템(604)로부터 출력으로서 생성된 제 2 회절 신호를 광학 메트롤러지 장치(606)로 부터 획득되는 제 1 회절 신호와 비교한다. 이 회절 신호들이 하나 이상의 정합 기준 내에서 정합하지 않는 경우에, 제 2 머신 학습 시스템(604)에 대한 입력으로서 사용되는 제 1 프로파일의 하나 이상의 파라미터를 변경하여 또 다른 제 2 회절 신호를 생성한다. 최적화기(610)는 하나 이상의 정합 기준 내에서 제 1 회절 신호와 정합하는 제 2 회절 신호를 더 신속하게 획득하기 위한 최적화 알고리즘을 이용한다. 제 2 프로파일은 하나 이상의 정합 기준 내에서 제 1 회절 신호와 정합하는 제 2 회절 신호를 생성하도록 제 2 머신 학습 시스템(604)에 대한 입력으로서 사용되는 제 1 프로파일과 동일하게 된다.In this example system, the system 600 includes a comparator 608 and an optimizer 610. Comparator 608 and optimizer 610 repeatedly obtain a second profile from second machine learning system 604. In particular, comparator 608 compares the second diffraction signal generated as output from first machine learning system 604 with the first diffraction signal obtained from optical metrology device 606. If these diffraction signals do not match within one or more matching criteria, one or more parameters of the first profile used as input to the second machine learning system 604 are changed to generate another second diffraction signal. The optimizer 610 utilizes an optimization algorithm to more quickly obtain a second diffraction signal that matches the first diffraction signal within one or more matching criteria. The second profile is made the same as the first profile used as an input to the second machine learning system 604 to produce a second diffraction signal that matches the first diffraction signal within one or more matching criteria.

하나의 예시적인 실시형태에서, 제 1 머신 학습 시스템(602) 및 제 2 머신 학습 시스템(604)는 메트롤러지 시스템(100)(도 1)의 프로세서(114)(도 1)의 구성요소들로서 구현될 수 있다. 광학 메트롤러지 장치(606)는 소스(106)(도 1)와 검출기(116)(도 1)를 포함할 수 있다. 그러나, 제 1 머신 학습 시스템(602) 및 제 2 머신 학습 시스템(604)는 프로세서(114)(도 1) 및 메트롤러지 시스템(100)(도 1)로부터 분리된 하나 이상의 모듈로서 구현될 수 있다.In one exemplary embodiment, the first machine learning system 602 and the second machine learning system 604 are components of the processor 114 (FIG. 1) of the metrology system 100 (FIG. 1). Can be implemented. Optical metrology device 606 may include a source 106 (FIG. 1) and a detector 116 (FIG. 1). However, the first machine learning system 602 and the second machine learning system 604 may be implemented as one or more modules separate from the processor 114 (FIG. 1) and the metrology system 100 (FIG. 1). have.

또한, 제 1 머신 학습 시스템(602), 제 2 머신 학습 시스템(604), 및 광하 메트롤러지 장치(606)는 하나의 물리적 위치 또는 별도의 물리적 위치에서 배치될 수 있다. 예를 들어, 광학 메트롤러지 장치(606)는 제 1 회절 신호를 측정하기 위 하여 하나의 물리적 위치에 배치될 수 있다. 그 후, 제 1 회절 신호를 광학 메트롤러지 장치(606)의 물리적 위치로부터 분리된 또 다른 물리적 위치에 배치된 제 1 머신 학습 시스템(602) 및 제 2 머신 학습 시스템(604)으로 송신할 수 있다.In addition, the first machine learning system 602, the second machine learning system 604, and the light beam metrology device 606 may be disposed in one physical location or in separate physical locations. For example, the optical metrology device 606 may be placed in one physical location to measure the first diffraction signal. The first diffraction signal can then be transmitted to the first machine learning system 602 and the second machine learning system 604 disposed at another physical location separate from the physical location of the optical metrology device 606. have.

제 1 머신 학습 시스템(602)와 제 2 머신 학습 시스템(604)은 소프트웨어, 하드웨어, 또는 소프트웨어와 하드웨어의 결합물을 이용하여 구현될 수 있음을 이해하여야 한다. 하드웨어는 범용 프로세서, ASIC(application specific integrated circuit), FPGA(field programmable gate array) 등을 포함할 수 있다.It should be understood that the first machine learning system 602 and the second machine learning system 604 can be implemented using software, hardware, or a combination of software and hardware. The hardware may include a general purpose processor, an application specific integrated circuit (ASIC), a field programmable gate array (FPGA), or the like.

하나의 예시적인 실시형태에서, 제 1 머신 학습 시스템(602)과 제 2 머신 학습 시스템(604)은 신경 네트워크이다. 도 7 을 참조하여, 예시적인 신경 네트워크(700)를 나타낸다. 신경 네트워크(700)는 후방 전달(back-propagation) 알고리즘을 이용한다. 신경 네트워크(700)는 입력 계층(702), 출력 계층(704), 및 그 입력 계층(702)과 출력 계층(704) 사이의 히든(hidden) 계층 또는 계층들(706)을 포함한다. 입력 계층(702) 및 히든 계층(706)은 링크(708)를 이용하여 접속된다. 히든 계층(706)과 출력 계층(704)은 링크(710)를 이용하여 접속된다. 그러나, 신경 네트워크(700)는 다양한 구성으로 접속된 임의의 개수의 계층들을 포함할 수 있다. 머신 학습 시스템과 알고리즘에 대한 더 상세한 설명에 대해서는, 1999년 판의 프렌티스 홀 출판사에서 발행한 Simom Hayin 가 지은 "신경 네트워크"를 참조하며, 이 문헌은 그 전체가 여기서 참조로 통합된다.In one exemplary embodiment, the first machine learning system 602 and the second machine learning system 604 are neural networks. Referring to FIG. 7, an exemplary neural network 700 is shown. The neural network 700 uses a back-propagation algorithm. The neural network 700 includes an input layer 702, an output layer 704, and a hidden layer or layers 706 between the input layer 702 and the output layer 704. Input layer 702 and hidden layer 706 are connected using link 708. Hidden layer 706 and output layer 704 are connected using link 710. However, neural network 700 may include any number of layers connected in various configurations. For a more detailed description of machine learning systems and algorithms, refer to the "neural network" by Simom Hayin, published by the 1999 edition of Prentice Hall, which is hereby incorporated by reference in its entirety.

도 7 에 나타낸 바와 같이, 입력 계층(702)은 하나 이상의 입력 노드(712)를 포함한다. 예시적인 구현에서, 입력 계층(702)의 입력 노드(712)는 신경 네트워크 (700)로 입력되는 프로파일의 파라미터에 대응한다. 따라서, 입력 노드(712)의 개수는 프로파일을 특성화하는데 사용되는 파라미터의 개수에 대응한다. 예를 들어, 프로파일이 2 개의 파라미터(예를 들어, 상부 및 하부 폭)를 이용하여 특성화되는 경우에, 입력 계층(702)은 2 개의 입력 노드(712)를 포함하며, 여기서 제 1 입력 노드(712)는 제 1 파라미터(예를 들어, 상부 폭)에 대응하고, 제 2 입력 노드(712)는 제 2 파라미터(예를 들어, 하부 폭)에 대응한다.As shown in FIG. 7, input layer 702 includes one or more input nodes 712. In an example implementation, input node 712 of input layer 702 corresponds to a parameter of a profile that is input to neural network 700. Thus, the number of input nodes 712 corresponds to the number of parameters used to characterize the profile. For example, if the profile is characterized using two parameters (eg, upper and lower widths), the input layer 702 includes two input nodes 712, where the first input node ( 712 corresponds to the first parameter (eg, the upper width) and the second input node 712 corresponds to the second parameter (eg, the lower width).

예시적인 실시형태의 전술한 설명을 예시 및 설명을 위하여 제공하였다. 이들은 포괄적이거나 본 발명을 개시된 정확한 형태로 제한하는 것으로 의도되지 않으며, 상기 교시를 고려하여 많은 변경 및 변형을 행할 수 있음을 이해하여야 한다.The foregoing description of the exemplary embodiments has been provided for the purposes of illustration and description. It is to be understood that they are not intended to be exhaustive or to limit the invention to the precise forms disclosed, and that many modifications and variations can be made in light of the above teachings.

이상 설명한 바와 같이, 본 발명에 의하면 머신 학습 시스템을 이용하여 반도체 웨이퍼상에 형성된 구조물을 조사할 수 있다.As described above, according to the present invention, a structure formed on a semiconductor wafer can be examined using a machine learning system.

Claims (24)

반도체 웨이퍼상에 형성되는 구조물을 조사하는 방법으로서,As a method of examining a structure formed on a semiconductor wafer, a) 광학 메트롤러지(metrology) 장치를 이용하여 상기 구조물로부터 측정된 제 1 회절 신호를 획득하는 단계;a) obtaining a first diffraction signal measured from the structure using an optical metrology device; b) 상기 a) 단계에서 획득된 상기 제 1 회절 신호를 이용하여 제 1 머신 학습 시스템으로부터 상기 제 1 머신 학습 시스템에 대한 입력으로서 제 1 프로파일을 획득하는 단계로서, 상기 제 1 머신 학습 시스템은 입력으로서 수신된 회절 신호에 대한 출력으로서 프로파일을 생성하도록 구성되는 것인, 제 1 프로파일 획득 단계;b) obtaining a first profile from the first machine learning system as an input to the first machine learning system using the first diffraction signal obtained in step a), wherein the first machine learning system is input A first profile acquisition step, configured to generate a profile as an output for the received diffraction signal; c) 상기 제 1 머신 학습 시스템으로부터 획득된 제 1 프로파일을 이용하여 제 2 머신 학습 시스템으로부터 상기 제 2 머신 학습 시스템에 대한 입력으로서 제 2 프로파일을 획득하는 단계로서, 상기 제 2 머신 학습 시스템은 입력으로서 수신된 프로파일에 대한 출력으로서 회절 신호를 생성하도록 구성되며, 상기 제 1 및 제 2 프로파일은 상기 구조물의 하나 이상의 특징적 구조를 특성화하는 하나 이상의 파라미터를 포함하는 것인 제 2 프로파일 획득 단계를 포함하는 구조물 조사 방법.c) obtaining a second profile from the second machine learning system as an input to the second machine learning system using the first profile obtained from the first machine learning system, wherein the second machine learning system is input. And generating a diffraction signal as an output for the received profile, wherein the first and second profiles include one or more parameters that characterize one or more characteristic structures of the structure. Method of investigating the structure. 제 1 항에 있어서, 상기 c) 단계는,The method of claim 1, wherein step c) d) 제 2 회절 신호를 출력하는 상기 제 2 머신 학습 시스템에 대한 입력으로 서 상기 제 1 프로파일을 입력하는 단계;d) inputting the first profile as input to the second machine learning system that outputs a second diffraction signal; e) 상기 제 1 회절 신호와 상기 제 2 회절 신호를 비교하는 단계;e) comparing the first diffraction signal with the second diffraction signal; f) 상기 제 1 및 제 2 회절 신호가, 하나 이상의 정합 기준 내에서 정합하지 않는 경우에, 상기 제 1 프로파일의 하나 이상의 파라미터를 변경하는 단계;f) modifying one or more parameters of the first profile if the first and second diffraction signals do not match within one or more matching criteria; g) 상기 제 1 및 제 2 회절 신호가 하나 이상의 정합 기준 내에서 정합할 때 까지 d), e), 및 f) 단계를 반복하는 단계로서, 상기 f) 단계에서 변경된 상기 제 1 프로파일의 하나 이상의 파라미터를 상기 d) 단계의 반복시에 사용하는, d), e), f) 단계의 반복 단계를 포함하는 것인 구조물 조사 방법.g) repeating steps d), e), and f) until said first and second diffraction signals match within at least one matching criterion, wherein at least one of said first profile modified in step f) is modified; And repeating steps d), e) and f), using the parameter in the repetition of step d). 제 2 항에 있어서, 상기 제 1 및 제 2 회절 신호가 상기 하나 이상의 정합 기준 내에서 정합하는 경우에, 상기 제 2 프로파일은 상기 하나 이상의 정합 기준 내에서 상기 제 1 회절 신호와 정합하는 제 2 회절 신호를 출력하기 위하여 상기 제 2 머신 학습 시스템에 대한 입력으로서 사용되는 제 1 프로파일과 동일하게 되는 것인 구조물 조사 방법.3. The second diffraction of claim 2, wherein, when the first and second diffraction signals match within the one or more matching criteria, the second profile matches the first diffraction signal within the one or more matching criteria. And a first profile that is used as an input to the second machine learning system to output a signal. 제 2 항에 있어서, 상기 d), e), 및 f) 단계를 반복하는 경우에 최적화 알고리즘을 적용하는 것인 구조물 조사 방법.The method of claim 2, wherein an optimization algorithm is applied when the steps d), e), and f) are repeated. 제 4 항에 있어서, 상기 최적화 알고리즘은 가우스-뉴톤, 그레이디언트 경사(gradient descent), 시뮬레이팅된 어닐링, 또는 레벤버그-마쿼트(levenberg- marquardt) 알고리즘인 것인 구조물 조사 방법.5. The method of claim 4, wherein the optimization algorithm is a Gaussian-Newton, gradient descent, simulated annealing, or levenberg-marquardt algorithm. 제 1 항에 있어서, 상기 제 2 머신 학습 시스템은 트레이닝 프로세스를 이용하여 트레이닝되고, 상기 트레이닝 프로세스는,The system of claim 1, wherein the second machine learning system is trained using a training process, the training process comprising: 프로파일 및 회절 신호 쌍을 가지는 트레이닝 데이터의 제 1 세트를 획득하는 단계; 및Obtaining a first set of training data having a profile and a diffraction signal pair; And 상기 트레이닝 데이터의 제 1 세트로부터의 상기 프로파일 및 회절 신호 쌍을 이용하여 상기 제 2 머신 학습 시스템을 트레이닝함으로써 입력으로서 수신된 프로파일에 대한 출력으로서 회절 신호를 생성하는 단계를 포함하는 것인 구조물 조사 방법.Generating a diffraction signal as an output for the profile received as input by training the second machine learning system using the profile and diffraction signal pair from the first set of training data. . 제 6 항에 있어서, 상기 제 1 머신 학습 시스템은 상기 트레이닝 프로세스를 이용하여 트레이닝되어 있고, 상기 트레이닝 프로세스는,The system of claim 6, wherein the first machine learning system is trained using the training process, wherein the training process comprises: 상기 제 2 머신 학습 시스템을 상기 트레이닝 데이터의 제 1 세트를 이용하여 트레이닝한 이후에 상기 제 2 머신 학습 시스템을 이용하여 회절 신호 및 프로파일 쌍을 가지는 트레이닝 데이터의 제 2 세트를 생성하는 단계; 및Generating a second set of training data having a diffraction signal and a profile pair using the second machine learning system after training the second machine learning system using the first set of training data; And 상기 트레이닝 데이터의 제 2 세트로부터의 상기 회절 신호 및 프로파일 쌍을 이용하여 상기 제 1 머신 학습 시스템을 트레이닝함으로써 입력으로서 수신된 회절 신호에 대한 출력으로서 프로파일을 생성하는 단계를 포함하는 것인 구조물 조사 방법.Generating a profile as an output for the diffraction signal received as input by training the first machine learning system using the diffraction signal and profile pair from the second set of training data. . 제 6 항에 있어서, 상기 트레이닝 데이터의 제 1 세트의 회절 신호는 상기 제 1 및 제 2 머신 학습 시스템을 트레이닝하기 이전에 모델링 기술을 이용하여 생성된 것인 구조물 조사 방법.7. The method of claim 6, wherein the diffraction signal of the first set of training data is generated using modeling techniques prior to training the first and second machine learning systems. 제 8 항에 있어서, 상기 모델링 기술은 정확하게 결합된 파(wave) 분석, 적분 방법, 프레넬 방법, 유한 분석, 또는 모드(modal) 분석을 포함하는 것인 구조물 조사 방법.9. The method of claim 8, wherein the modeling technique comprises accurately coupled wave analysis, integration method, Fresnel method, finite analysis, or modal analysis. 제 1 항에 있어서, 상기 제 1 및 제 2 머신 학습 시스템은 신경(neural) 네트워크인 것인 구조물 조사 방법.The method of claim 1, wherein the first and second machine learning systems are neural networks. 반도체 웨이퍼 상에 형성된 구조물을 조사하는데 사용되는 머신 학습 시스템을 트레이닝하는 방법으로서,A method of training a machine learning system used to examine a structure formed on a semiconductor wafer, 제 1 머신 학습 시스템은 입력으로서 수신된 회절 신호에 대한 프로파일을 출력하도록 트레이닝되며, 제 2 머신 학습 시스템은 입력으로서 수신된 프로파일에 대한 회절 신호를 출력하도록 트레이닝되며, 상기 프로파일들은 조사되는 상기 구조물의 하나 이상의 특징적 구조를 특성화하는 하나 이상의 파라미터를 포함하며,The first machine learning system is trained to output a profile for the diffraction signal received as input, and the second machine learning system is trained to output a diffraction signal for the profile received as input, the profiles of the structure being investigated. One or more parameters that characterize one or more characteristic structures, 상기 방법은,The method, a) 프로파일 및 회절 신호 쌍을 가지는 트레이닝 데이터의 제 1 세트를 획득 하는 단계;a) obtaining a first set of training data having a profile and a diffraction signal pair; b) 상기 트레이닝 데이터의 제 1 세트를 이용하여 상기 제 2 머신 학습 시스템을 트레이닝하는 단계;b) training the second machine learning system using the first set of training data; c) 상기 제 2 학습 시스템을 트레이닝한 이후에, 회절 신호 및 프로파일 쌍을 가지는 상기 제 2 머신 학습 시스템을 이용하여 트레이닝 데이터의 제 2 세트를 생성하는 단계; 및c) after training the second learning system, generating a second set of training data using the second machine learning system having a diffraction signal and a profile pair; And d) 상기 트레이닝 데이터의 제 2 세트를 이용하여 상기 제 1 머신 학습 시스템을 트레이닝하는 단계를 포함하는 머신 학습 시스템의 트레이닝 방법.d) training the first machine learning system using the second set of training data. 제 11 항에 있어서, 상기 트레이닝 데이터의 제 1 세트 내의 회절 신호는 상기 제 1 및 제 2 머신 학습 시스템을 트레이닝하기 이전에 모델링 기술을 이용하여 생성되어 있는 것인 머신 학습 시스템의 트레이닝 방법.12. The method of claim 11, wherein diffraction signals in the first set of training data are generated using modeling techniques prior to training the first and second machine learning systems. 제 12 항에 있어서, 상기 모델링 기술은 정확하게 결합된 파 분석, 적분 방법, 프레넬 방법, 유한 분석, 또는 모드 분석인 것인 머신 학습 시스템의 트레이닝 방법.13. The method of claim 12, wherein the modeling technique is a correctly coupled wave analysis, integration method, Fresnel method, finite analysis, or mode analysis. 컴퓨터로 하여금 반도체 웨이퍼상에 형성된 구조물을 조사하게 하는 컴퓨터 실행가능한 명령을 포함하는 컴퓨터 판독가능한 기억 매체로서,A computer readable storage medium containing computer executable instructions for causing a computer to examine a structure formed on a semiconductor wafer, comprising: a) 광학 메트롤러지 장치를 이용하여 상기 구조물로부터 측정된 제 1 회절 신호를 획득하는 단계;a) acquiring a first diffraction signal measured from the structure using an optical metrology device; b) 상기 a) 단계에서 획득된 상기 제 1 회절 신호를 이용하여 제 1 머신 학습 시스템으로부터 상기 제 1 머신 학습 시스템에 대한 입력으로서 제 1 프로파일을 획득하는 단계로서, 상기 제 1 머신 학습 시스템은 입력으로서 수신된 회절 신호에 대한 출력으로서 프로파일을 생성하도록 구성되는 것인, 제 1 프로파일 획득 단계; 및b) obtaining a first profile from the first machine learning system as an input to the first machine learning system using the first diffraction signal obtained in step a), wherein the first machine learning system is input A first profile acquisition step, configured to generate a profile as an output for the received diffraction signal; And c) 상기 제 1 학습 시스템으로부터 획득되는 제 1 프로파일을 이용하여 제 2 머신 학습 시스템으로부터 상기 제 2 머신 학습 시스템에 대한 입력으로서 제 2 프로파일을 획득하는 단계로서, 상기 제 2 머신 학습 시스템은 입력으로서 수신된 프로파일에 대한 출력으로서 회절 신호를 생성하도록 구성되며, 상기 제 1 및 제 2 프로파일은 상기 구조물의 하나 이상의 특징적 구조를 특성화하는 하나 이상의 파라미터를 포함하는 것인 제 2 프로파일 획득 단계에 대한 명령들을 포함하는 것인 컴퓨터 판독가능한 기억 매체.c) obtaining a second profile as input to the second machine learning system from a second machine learning system using the first profile obtained from the first learning system, the second machine learning system serving as input. Generate a diffraction signal as output for the received profile, wherein the first and second profiles comprise one or more parameters that characterize one or more characteristic structures of the structure. And a computer readable storage medium. 제 14 항에 있어서, 상기 c) 단계는,The method of claim 14, wherein step c) d) 제 2 회절 신호를 출력하는 상기 제 2 머신 학습 시스템에 대한 입력으로서 상기 제 1 프로파일을 입력하는 단계;d) inputting the first profile as input to the second machine learning system that outputs a second diffraction signal; e) 상기 제 1 회절 신호와 상기 제 2 회절 신호를 비교하는 단계;e) comparing the first diffraction signal with the second diffraction signal; f) 상기 제 1 및 제 2 회절 신호가, 하나 이상의 정합 기준 내에서 정합하지 않는 경우에, 상기 제 1 프로파일의 하나 이상의 파라미터를 변경하는 단계;f) modifying one or more parameters of the first profile if the first and second diffraction signals do not match within one or more matching criteria; g) 상기 제 1 및 제 2 회절 신호가 하나 이상의 정합 기준 내에서 정합할 때 까지 d), e), 및 f) 단계를 반복하는 단계로서, 상기 f) 단계에서 변경된 상기 제 1 프로파일의 하나 이상의 파라미터를 상기 d) 단계의 반복시에 사용하는, d), e), f) 단계의 반복 단계를 포함하는 것인 컴퓨터 판독가능한 기억 매체.g) repeating steps d), e), and f) until said first and second diffraction signals match within at least one matching criterion, wherein at least one of said first profile modified in step f) is modified; And repeating steps d), e) and f), using the parameter in the repetition of step d). 제 15 항에 있어서, 상기 제 1 및 제 2 회절 신호가 상기 하나 이상의 정합 기준 내에서 정합하는 경우에, 상기 제 2 프로파일은 상기 하나 이상의 정합 기준 내에서 상기 제 1 회절 신호와 정합하는 제 2 회절 신호를 출력하기 위하여 상기 제 2 머신 학습 시스템에 대한 입력으로서 사용되는 제 1 프로파일과 동일하게 되는 것인 컴퓨터 판독가능한 기억 매체.16. The second diffraction of claim 15, wherein, when the first and second diffraction signals match within the one or more matching criteria, the second profile matches the first diffraction signal within the one or more matching criteria. And a first profile that is used as an input to the second machine learning system to output a signal. 제 15 항에 있어서, 상기 d), e), 및 f) 단계를 반복하는 경우에 최적화 알고리즘을 적용하는 것인 컴퓨터 판독가능한 기억 매체.16. The computer readable storage medium of claim 15, wherein applying an optimization algorithm when repeating steps d), e), and f). 반도체 웨이퍼 상에 형성되는 구조물을 조사하는 시스템으로서,A system for inspecting a structure formed on a semiconductor wafer, 제 1 회절 신호를 수신하고 출력으로서 프로파일을 생성하도록 구성되는 제 1 머신 학습 시스템으로서, 상기 프로파일은 상기 구조물의 하나 이상의 특징적 구조를 특성화하는 하나 이상의 파라미터를 포함하는 것인 제 1 머신 학습 시스템; 및A first machine learning system configured to receive a first diffraction signal and generate a profile as an output, the profile comprising one or more parameters that characterize one or more characteristic structures of the structure; And 상기 제 1 머신 학습 시스템으로부터 출력으로서 생성되는 상기 프로파일을 수신하고 제 2 회절 신호를 생성하도록 구성되는 제 2 머신 학습 시스템을 구비하는 구조물 조사 시스템.And a second machine learning system configured to receive the profile generated as output from the first machine learning system and generate a second diffraction signal. 제 18 항에 있어서, 상기 제 1 및 제 2 회절 신호를 비교하도록 구성되는 비교기를 더 구비하는 구조물 조사 시스템.19. The system of claim 18, further comprising a comparator configured to compare the first and second diffraction signals. 제 19 항에 있어서, 상기 제 1 및 제 2 회절 신호가 하나 이상의 정합 기준 내에서 정합하지 않는 경우에는, 상기 제 1 및 제 2 회절 신호가 상기 하나 이상의 정합 기준 내에서 정합할 때 까지 상기 프로파일의 하나 이상의 파라미터를 변경함으로써 상기 제 2 머신 학습 시스템을 이용하여 부가적인 제 2 회절 신호들을 생성하는 것인 구조물 조사 시스템.20. The method of claim 19, wherein if the first and second diffraction signals do not match within one or more matching criteria, the profile of the profile until the first and second diffraction signals match within the one or more matching criteria. Constructing additional second diffraction signals using the second machine learning system by changing one or more parameters. 제 20 항에 있어서, 상기 하나 이상의 정합 기준 내에서 상기 제 1 회절 신호와 정합하는 제 2 회절 신호를 획득하기 위한 최적화 알고리즘을 적용하도록 구성되는 최적화기를 더 구비하는 것인 구조물 조사 시스템.21. The system of claim 20, further comprising an optimizer configured to apply an optimization algorithm to obtain a second diffraction signal that matches the first diffraction signal within the one or more matching criteria. 제 18 항에 있어서, 상기 구조물로부터 회절 신호를 측정하도록 구성되는 광학 메트롤러지 장치를 더 구비하며, 상기 제 1 머신 학습 시스템에 의해 수신된 제 1 회절 신호를 상기 광학 메트롤러지 장치를 이용하여 측정하는 것인 구조물 조사 시스템.19. The optical metrology device of claim 18, further comprising an optical metrology device configured to measure a diffraction signal from the structure, the first diffraction signal received by the first machine learning system using the optical metrology device. Structure investigation system which is to measure. 제 22 항에 있어서, 상기 광학 메트롤러지 장치는 타원계 또는 반사율측정기(reflectometer)인 것인 구조물 조사 시스템.23. The system of claim 22, wherein the optical metrology device is an ellipsometer or reflectometer. 제 18 항에 있어서, 상기 제 1 및 제 2 머신 학습 시스템은 신경 네트워크인 것인 구조물 조사 시스템.19. The system of claim 18, wherein the first and second machine learning systems are neural networks.
KR20060036199A 2006-04-21 2006-04-21 Examining a structure formed on a semiconductor wafer using machine learning systems KR101179300B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20060036199A KR101179300B1 (en) 2006-04-21 2006-04-21 Examining a structure formed on a semiconductor wafer using machine learning systems

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20060036199A KR101179300B1 (en) 2006-04-21 2006-04-21 Examining a structure formed on a semiconductor wafer using machine learning systems

Publications (2)

Publication Number Publication Date
KR20070104067A true KR20070104067A (en) 2007-10-25
KR101179300B1 KR101179300B1 (en) 2012-09-03

Family

ID=38818254

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20060036199A KR101179300B1 (en) 2006-04-21 2006-04-21 Examining a structure formed on a semiconductor wafer using machine learning systems

Country Status (1)

Country Link
KR (1) KR101179300B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220106255A (en) * 2021-01-21 2022-07-29 주식회사 라온솔루션 Automatic optical measuring device for semiconductor failure analysis applying deep learning algorithm

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220106255A (en) * 2021-01-21 2022-07-29 주식회사 라온솔루션 Automatic optical measuring device for semiconductor failure analysis applying deep learning algorithm

Also Published As

Publication number Publication date
KR101179300B1 (en) 2012-09-03

Similar Documents

Publication Publication Date Title
US7453584B2 (en) Examining a structure formed on a semiconductor wafer using machine learning systems
KR101059427B1 (en) Optical Measurement of Structures Formed on Semiconductor Wafers Using Machine Learning Systems
KR101144402B1 (en) Method and system of selecting a hypothetical profile to use in optical metrology, and computer readable storage medium therefor
KR101387868B1 (en) Method of obtaining and using a weighting function of enhance measured diffraction signals in optical metrology, and system to use the weighting function
US7523076B2 (en) Selecting a profile model for use in optical metrology using a machine learning system
KR102137848B1 (en) Measurement recipe optimization based on spectral sensitivity and process variation
JP4842931B2 (en) Shape roughness measurement in optical measurement
US7372583B1 (en) Controlling a fabrication tool using support vector machine
JP2018534758A (en) Model-based metrics using images
US7483809B2 (en) Optical metrology using support vector machine with profile parameter inputs
US7474420B2 (en) In-die optical metrology
US7518740B2 (en) Evaluating a profile model to characterize a structure to be examined using optical metrology
US7302367B2 (en) Library accuracy enhancement and evaluation
US20080049214A1 (en) Measuring Diffractive Structures By Parameterizing Spectral Features
KR101368930B1 (en) Optical metrology using a support vector machine with simulated diffraction signal inputs
US7522293B2 (en) Optical metrology of multiple patterned layers
US7446887B2 (en) Matching optical metrology tools using hypothetical profiles
US7446888B2 (en) Matching optical metrology tools using diffraction signals
KR101179300B1 (en) Examining a structure formed on a semiconductor wafer using machine learning systems

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: 20150730

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee