KR20160025585A - 대표 타겟 부분집합의 선택 및 이용 - Google Patents
대표 타겟 부분집합의 선택 및 이용 Download PDFInfo
- Publication number
- KR20160025585A KR20160025585A KR1020167002256A KR20167002256A KR20160025585A KR 20160025585 A KR20160025585 A KR 20160025585A KR 1020167002256 A KR1020167002256 A KR 1020167002256A KR 20167002256 A KR20167002256 A KR 20167002256A KR 20160025585 A KR20160025585 A KR 20160025585A
- Authority
- KR
- South Korea
- Prior art keywords
- distribution
- sampling
- target
- measurements
- targets
- Prior art date
Links
- 238000005259 measurement Methods 0.000 claims abstract description 100
- 238000009826 distribution Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000005070 sampling Methods 0.000 claims abstract description 53
- 235000012431 wafers Nutrition 0.000 claims description 39
- 238000013488 ordinary least square regression Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
Abstract
다수의 타겟의 파라미터 측정치의 분포를 표시하도록 피측정 타겟의 비교적 작은 부분집합을 선택함으로써 계측 파라미터의 샘플 크기 및 측정 지속기간을 감소시키는 방법 및 각각의 모듈이 제공된다. 상기 부분집합은 선택된 수의 분포 분위 각각으로부터 실질적으로 동수의 측정치를 샘플링함으로써 선택된다. 상기 방법 및 모듈은 전체 타겟 측정치 분포를 정확하게 표시하는 타겟의 식별을 가능하게 한다. 상기 방법 및 모듈은 정확도 점수 및 상기 선택의 강건도의 추정치를 이용하여 분위 및 샘플 크기 선택을 최적화한다. 샘플링 및 선택은 전체 분포를 고려할 때 도출될 수 있는 결과들과 일치하는 특정의 기준에 도달할 때까지 반복적으로 실행될 수 있다.
Description
관련 출원에 대한 교차 참조
본 출원은 2013년 6월 28일자 출원된 미국 가특허 출원 제61/840,966호를 우선권 주장하며, 이 우선권 출원은 인용에 의해 그 전부가 본원에 통합된다.
기술 분야
본 발명은 계측 분야에 관한 것으로, 특히 측정치 분포의 통계적 분석 및 샘플링에 관한 것이다.
계측 타겟(metrology target)은 웨이퍼 생산 단계의 품질을 표시하는 파라미터의 측정을 가능하게 하고 웨이퍼 상의 구조물의 설계와 구현 간의 대응성을 정량화하도록 설계된다. 계측 타겟은 웨이퍼 필드 전체에 걸쳐서 생성되고 타겟으로부터의 측정 결과의 분석은 웨이퍼 전역에 걸친 계측 파라미터의 추정치(estimation)를 생성한다.
본 발명의 일 양태는 복수(N)의 타겟의 파라미터 측정치의 분포를 표시하도록 피측정 타겟의 부분집합(n)을 선택함으로써 계측 파라미터의 샘플 크기 및 측정 지속기간을 감소시키는 단계를 포함한 방법을 제공하고, 여기에서 상기 부분집합(n)(n<<N임)은 분포의 선택된 수의 분위(quantile) 각각으로부터 실질적으로 동수의 측정치를 샘플링함으로써 선택된다.
본 발명의 전술한, 추가적인, 및/또는 다른 양태 및/또는 장점은 이어지는 상세한 설명에서 개시되고, 이러한 양태 및/또는 장점은 아마도 상세한 설명으로부터 추론 가능하며, 및/또는 본 발명의 실시에 의해 알 수 있을 것이다.
본 발명의 실시형태를 더 잘 이해할 수 있도록 및 본 발명의 실시형태가 어떻게 효과를 내는지 보이기 위해, 이제 순전히 예로서 첨부 도면을 참조하기로 하고, 도면 전체에 있어서 동일한 참조 번호는 대응하는 요소 또는 섹션을 나타낸다.
도 1a는 발명의 일부 실시형태에 따른 모듈의 동작의 하이레벨 개략 블록도이다.
도 1b는 발명의 일부 실시형태에 따른 예시적인 구현의 하이레벨 개략 설명도이다.
도 2 및 도 3은 발명의 일부 실시형태에 따른 모듈의 동작의 추가적인 하이레벨 개략 블록도이다.
도 4는 발명의 일부 실시형태에 따른 방법의 하이레벨 개략 흐름도이다.
도 1a는 발명의 일부 실시형태에 따른 모듈의 동작의 하이레벨 개략 블록도이다.
도 1b는 발명의 일부 실시형태에 따른 예시적인 구현의 하이레벨 개략 설명도이다.
도 2 및 도 3은 발명의 일부 실시형태에 따른 모듈의 동작의 추가적인 하이레벨 개략 블록도이다.
도 4는 발명의 일부 실시형태에 따른 방법의 하이레벨 개략 흐름도이다.
상세한 설명을 시작하기 전에, 이하에서 사용하는 소정 용어들의 정의를 설명하는 것이 도움이 될 수 있다.
이 명세서에서 사용하는 용어 "파라미터"는 계측 측정에 의해 도출될 수 있는 임의의 측정 가능한 양, 예를 들면 오버레이(overlay, OVL) 및 임계 치수(critical dimension, CD)와 같은 기하학적 파라미터, 도구 유도형 시프트(tool induced shift, TIS) 및 측정 품질 특성(measurement quality merit)과 같은 산출된 양, 및 스캐너 도즈 및 포커스와 같은 도출된 양을 말한다. 이 파라미터는 임의의 측정 방향을 나타내고, 측정 가능한 양(quantity)들의 임의 조합을 포함하는 것으로 이해된다. 파라미터들은 임의의 측정되는 양 자체, 또는 주어진 계측 모델과 관련한 측정된 양의 파생물, 예를 들면 측정 가능한 양의 체계적 부분(예를 들면, 체계적 소스에 기인되는 컴포넌트) 및/또는 측정 가능한 양의 임의 부분(예를 들면, 체계적 소스에 기인될 수 없는 대응하는 체계적 부분과 관련한 잔여)을 포함할 수 있다.
이제, 도면을 구체적으로 참조함에 있어서, 도시된 특수한 것들은 예를 든 것이고 본 발명의 양호한 실시형태를 단지 예시적으로 설명하기 위한 것이며, 발명의 원리 및 개념적 양태의 가장 유용하고 쉽게 이해되는 묘사라고 믿어지는 것을 제공하는 과정으로 제시된다는 점에 주목한다. 이와 관련하여, 발명의 세부를 발명의 기본적인 이해에 필요한 것보다 더 자세히 나타내지는 않으며, 도면과 함께 하는 설명은 당업자에게 발명의 각종 형태가 실용상 어떻게 구체화될 수 있는지를 명백히 한다.
발명의 적어도 일 실시형태를 자세히 설명하기 전에, 본 발명은 그 응용에 있어서 이하의 설명에서 기술되고 도면에 예시된 컴포넌트의 구성 및 배치의 세부로 제한되지 않는다는 점을 이해하여야 한다. 본 발명은 다른 실시형태에 응용 가능하고 다양한 방법으로 실시 또는 실행될 수 있다. 또한, 여기에서 사용하는 어법 및 용어는 설명을 위한 것이고 제한하는 것으로 간주되지 않는다는 점을 이해하여야 한다.
다수의 타겟의 파라미터 측정치 분포를 표시하기 위해 피측정 타겟의 비교적 작은 부분집합을 선택함으로써 계측 파라미터의 샘플 크기 및 측정 지속기간을 감소시키는 방법 및 각각의 모듈이 제공된다. 상기 부분집합은 선택된 수의 분포 분위 각각으로부터 실질적으로 동수의 측정치를 샘플링함으로써 선택된다. 상기 방법 및 모듈은 전체 타겟 측정치 분포를 정확하게 표시하는 타겟의 식별을 가능하게 한다. 상기 방법 및 모듈은 선택의 강건도의 추정치 및 정확도 점수를 이용하여 분위 및 샘플 크기 선택을 최적화한다. 샘플링 및 선택은 전체 분포를 생각할 때 도출될 수 있는 결과들과 일치하는 특정 기준에 도달하도록 반복적으로 실행될 수 있다.
도 1a는 발명의 일부 실시형태에 따른 모듈(100)의 동작의 하이레벨 개략 블록도이다. 모듈(100)은 적어도 부분적으로 컴퓨터 하드웨어에 임메딩될 수 있고, 뒤에서 설명하는 방법(200)의 임의의 단계를 실행하도록 구성될 수 있다. 모듈(100)은 전체적으로 또는 부분적으로 계측 도구(도시 생략됨)에 임베딩될 수 있다.
모듈(100)의 동작은 점선 위에 도시되고 모듈(100)의 수행뿐만 아니라 뒤에서 설명하는 특정 파라미터의 선택을 위한 기준 추정치를 도출하기 위해 사용될 수 있는 종래 기술의 절차와 관련하여 도 1a에 예시되어 있다. 종래 기술에 있어서, 계측 기준은 웨이퍼상의 모든 또는 대부분의 타겟(N개의 파라미터 측정치(95)를 도출하기 위해 사용되는 M개의 타겟(90))에 대하여 취해지는 계측 측정치가 웨이퍼의 정확한 생산을 표시하는지 체크하기 위해 규정된다. 더욱이, 계측 측정치는 생산 공정의 보정치를 도출하기 위해 사용된다. 예를 들면, 측정치는 계측 모델을 구성하기 위해 사용되고, 상기 계측 모델로부터 보정 가능 항들이 도출되고 잔여(나머지의 통계적 오차)의 추정치가 계측 기준과 관련하여 체크된다. 예를 들면, 모델로부터 도출된 잔여의 (가우시안) 분포(97)의 3σ에 의해 측정된 잔여의 분포의 변동은 상기 계측 기준과 비교된다. 본 발명에 있어서, 계측 기준은 전술한 근사치가 비교되는 참조 기준(99)으로서 취해질 수 있다. 측정치와 기준은 오버레이 등의 상이한 계측 파라미터, 임계 치수(CD), 포커스 및 도즈 등과 같은 처리 파라미터, 또는 보정 가능 항 및 잔여와 같은 모델 도출형 파라미터에 관련될 수 있다. 종래 기술에 있어서, 다수의 타겟은 가끔 시간 제약 때문에 모든 웨이퍼의 모든 타겟의 측정을 곤란하게 하고, 타겟의 공간 분포와 관련하여 공통적으로 선택된 임의 수의 측정치가 대신 처리된다.
이와 대조적으로, 본 발명의 모듈(100)은 복수(N)의 타겟의 파라미터 측정치의 분포를 표시하도록 피측정 타겟의 부분집합(n)을 선택함으로써 계측 파라미터의 샘플 크기 및 측정 지속기간을 감소시킨다. 상기 부분집합(n)(n<<N임)은 선택된 수의 분포 분위 각각으로부터 실질적으로 동수의 측정치를 샘플링함으로써 선택된다.
예를 들면, 모듈(100)은 예컨대 q개의 분위로부터 n/q개의 샘플을 취함으로써 분포의 분위 기반 샘플링(110)을 실행하고 상기 분포를 정확히 표시하는 n개의 타겟의 부분집합을 식별(120)할 수 있다. 정확한 표시는 참조 기준(99)과 관련하여 테스트될 수 있고(140) 또는 통계 측정치를 이용하여 테스트될 수 있다(뒤에서 설명함). n<<N개의 대표 타겟의 결과적인 부분집합이 추가의 측정치에 사용되어 보정 가능 항 및 잔여와 같은 필요한 계측 파라미터를 제공하고, 한편 N개의 타겟 모두를 측정할 필요성뿐만 아니라 임의 선택을 회피할 수 있다. 본 발명자들은 계측 기준 체크의 정확도를 훼손하지 않고 본 발명의 모듈을 이용하여 측정 시간을 20% 절감할 수 있다는 것을 알았다(예를 들면, 1000-1200의 N으로부터 100-300의 부분집합(n)까지). 모듈(100) 및 관련 방법(200)은 계측 측정 절차, 타겟의 유형, 계측 기준 등에 관한 각종 필요조건과 관련하여 조정될 수 있다.
소정의 실시형태에 있어서, 부분집합 크기(n), 분위의 수(q) 및 각각의 분위로부터의 샘플 크기(n/q) 중의 임의의 하나가 결정될 수 있고, n, q 및 n/q의 다른 것들은 반복적으로 변화할 수 있다(115). 최적의 파라미터 선택이 달성될 때까지 하나 이상의 정확도 점수를 이용하여 각각의 반복된 선택의 결과를 추정할 수 있다. 모듈(100)은 N개의 타겟의 측정치 분포를 이용하여 대표 기준을 규정하고 이와 관련된 정확도 점수를 산출할 수 있다.
추정치는 강건도에 대하여 n회 반복되고 체크된 것 중 최초의 것의 선택에 의해 2층으로 될 수 있고(150) 및/또는 정확도 및 강건도 점수와 관련하여 최적화될 수 있다. n, q 및/또는 n/q 중의 변화된 다른 것은 각각의 정확도 점수와 관련될 수 있고 n, q 및/또는 n/q 중의 결정된 하나는 변화되고 정확도 점수로부터 도출된 각각의 강건도 점수와 관련될 수 있다.
본 발명은 임의의 계측 측정에 의해 도출된 임의 유형의 계측 파라미터, 예를 들면 오버레이(OVL) 및 임계 치수(CD)와 같은 기하학적 파라미터, 도구 유도형 시프트(TIS) 및 측정 품질 특성과 같은 산출된 양, 및 스캐너 도즈 및 포커스와 같은 도출된 양에 적용할 수 있다. 파라미터는 임의의 측정 방향(예를 들면, X 및/또는 Y)을 나타낼 수 있고, 측정 가능 양의 임의 조합을 포함하는 것으로 이해된다. 파라미터는 임의의 측정된 양 자체뿐만 아니라 측정 가능한 양의 체계적 부분(예를 들면, 체계적 소스에 기인되는 컴포넌트) 및/또는 측정 가능한 양의 임의 부분(예를 들면, 체계적 소스에 기인될 수 없는 각각의 체계적 부분과 관련된 잔여)을 포함할 수 있다.
소정의 실시형태에 있어서, 분위 선택 및 샘플 크기는 최대 샘플링 및 측정 효율뿐만 아니라 불규칙 변동에 대한 선택된 타겟의 강건도를 달성하기 위해, 사용 가능한 특정 계측 타스크와 관련하여 최적화될 수 있다(150). 특히 샘플 크기(n)는 타겟 위치의 임의의 공간 표시 없이 또는 타겟의 공간 분포에 대한 추가의 참조와 함께 측정치의 모집단에 기초를 둔 하나 이상의 정확도 점수를 이용하여 최초 측정치 분포(97)의 정확도 레벨을 유지하면서 감소될 수 있다(예를 들면, 필드간 위치, 필드내 위치 또는 반경과 같은 공간 정보는 상이한 파라미터와 관련하여 고려될 수 있다). 소정의 실시형태에 있어서, 새로운 샘플은 모집단의 점수를 모니터링하면서 반복적으로 점별로(point by point) 구성될 수 있다.
정확도 점수는 다른 소스로부터 도출될 수 있다. 예를 들면, 정확도 점수는 모델의 잔여 분포를 이용하여 측정될 수 있다. 다른 예로서, 정확도 점수는 임의의 측정 파라미터로부터 도출된 측정 품질 특성 분포를 이용하여 측정될 수 있다.
소정의 실시형태에 있어서, 분포의 각 지점은 복수의 측정치 또는 파라미터를 포함할 수 있다. 각각의 측정치에 대하여, 정확도 점수는 모집단에 대하여 산출될 수 있고, 샘플들은 모든 파라미터에 관한 모든 정확도 점수를 동시에 만족시키도록 선택될 수 있다.
소정의 실시형태에 있어서, 분위의 선택 및/또는 샘플 크기의 선택은 이러한 선택의 강건도를 최적화하기 위해, 즉 각종 측정 조건 및 측정 결과에 대한 타겟 선택의 낮은 민감도를 보장하기 위해, 및 타겟의 부분집합의 선택이 각종 조건 하에서 전체 분포의 정확한 충분한 표시를 진정으로 제공하는 것을 보장하기 위해 반복될 수 있다. 선택의 강건도는 강건도 점수에 의해 정량화될 수 있고, 이것은 예를 들면 정확도 점수에 기초를 둘 수 있다. 예를 들면, 동일 크기의 상이한 샘플 전체의 정확도 점수의 변동을 포함하고, 및/또는 상이한 웨이퍼 전체의 정확도 점수의 변동을 포함할 수 있다. 부분집합 선택의 품질은 정확도 점수를 이용하여 추정되고, 정확도 점수의 특정 역치는 결과들의 품질의 표시로서 설정될 수 있다.
소정의 실시형태에 있어서, 이상치(outlier)는 알고리즘을 적용하기 전에 측정치의 모집단으로부터 제거될 수 있다. 소정의 실시형태에 있어서, 완전한 분포를 나타내는 샘플링을 구성하기 위해 상기와 같은 제거가 실행되지 않을 수 있다.
도 1b는 본 발명의 일부 실시형태에 따른 예시적인 구현의 하이 레벨 개략 설명도이다. 도시된 예시적인 구현예 및 그 변형예는 본 발명을 실행하는 모듈(100) 및/또는 방법(200)에 의해 사용될 수 있다. 도 1b는 적어도 하나의 웨이퍼(91) 상의 총 N개의 타겟으로부터 n개의 대표적인 타겟의 부분집합을 선택하는 방법의 비제한적인 실시형태를 개략적으로 보인 것이다.
대표 기준은 웨이퍼(91) 상의 N개의 타겟 중 모두 또는 대부분의 파라미터 측정치의 완전한 분포(97)를 이용하여 참조 기준(99)으로서 규정될 수 있다.
부분집합 크기(n) 및/또는 분위의 수(q)(108) 및/또는 각 분위로부터의 샘플 크기(n/q)가 선택될 수 있다. 그들의 상호 의존성을 생각한다. 예를 들면, 샘플 크기(n)가 먼저 선택되어 고정되고, 그 다음에 분위의 수(q)(108)(및 각 분위로부터의 결과적인 샘플 크기(n/q))가 변경 및 최적화될 수 있다. 다른 예로서, 분위의 수(q)(108)가 먼저 선택되어 고정되고, 그 다음에 부분집합 크기(n) 또는 각 분위로부터의 샘플 크기(n/q)(및 그에 따라서, 각각 n/q 및 q)가 변경 및 최적화될 수 있다. 다른 예로서, 각 분위로부터의 샘플 크기(n/q)가 먼저 선택되어 고정되고, 그 다음에 부분집합 크기(n) 또는 분위의 수(q)(108)(및 그에 따라서, 각각 q 및 n)가 변경 및 최적화될 수 있다. 이상치는 임의 단계에서 제거될 수 있고, 각 분위로부터의 샘플의 수(n/q)는 다른 분위에 대하여 엄밀하게 동일할 필요가 없지만 규정된 기준에 따라서 실질적으로 동일하다는 점에 주목한다. 전술한 임의의 예들은 측정 파라미터를 도출하기 위해 사용되는 각각의 타겟 부분집합을 발생하는 분위 기반 샘플링(110) 및/또는 부분집합 선택의 정확도 점수를 규정하기 위해 참조 기준(99)에 대하여 체크되는 모델 기반 도출형 분위를 유도한다.
선택 및 샘플링의 최적화(150)는 각 샘플의 정확도 점수를 산출하기 위해 n, q, n/q 중 임의의 것을 변경하고 특정 타겟을 타겟 부분집합으로 반복적으로 샘플링함으로써 실행될 수 있다. 변경된 부분집합 크기(n), 분위의 수(q)(108) 및/또는 샘플 크기(n/q)와 관련된 정확도 점수(161)의 분포는 참조 기준(99)에 대한 샘플 및 선택된 크기와 모듈 성능의 비교, n, q 및/또는 n/q의 특정 선택을 위한 강건도 점수(151)의 규정, 및 n개의 타겟의 부분집합을 예컨대 정확도 점수 분포의 중앙값으로서 구성하기 위해 타겟의 특정 샘플의 선택과 같은 몇 가지 목적으로 사용될 수 있다.
도 2 및 도 3은 발명의 일부 실시형태에 따른 모듈(100)의 동작의 다른 하이 레벨 개략 블록도이다. 도 1a, 1b, 2 및 3은 본 발명의 소정의 실시형태를 다른 관점에서 보인 것이고, 도 1a, 1b, 2 및 3으로부터의 요소들의 임의 조합 및 변경은 마찬가지로 본 발명의 일부로서 생각된다.
도 2를 참조하면, 하나 이상의 웨이퍼에서 다수(N)의 계측 타겟을 측정(95)함으로써, 성공 기준(99)이 산출되고 N개의 타겟 중 n개의 타겟(n<<N임)의 특정 부분집합 선택(109)의 품질을 측정하기 위한 참조 기준으로서 나중에 사용될 수 있다. 도시된 예에서, 부분집합 크기(n)가 먼저 선택되고(110), 그 다음에 분위의 수(q) 및 샘플 크기(n/q)가 반복적으로 선택되며(110), 산출된 정확도 점수(161)에 의해 정량화된다. 강건도 측정치는 부분집합(n)의 선택의 강건도를 표시하기 위해 반복된 샘플의 범위에 걸쳐서 산출되고(151), 부분집합 크기(n) 선택(109)은 소정의 필요한 강건도 레벨을 달성하기 위해 마찬가지로 반복될 수 있다. 이 반복 공정으로부터, 본질적으로 q개의 분포 분위 각각으로부터의 n/q개의 타겟과 함께 n, q에 대한 최적 값 및 타겟의 최적 샘플링이 얻어진다(120). 복수의 웨이퍼(91)인 경우에, 전술한 최적화 공정은 제1 웨이퍼와 관련하여 실행되고 나머지 웨이퍼에 대하여 반복되거나(121), 또는 복수의 웨이퍼로부터 N개의 타겟의 측정치를 고려함으로써 최적의 샘플이 전술한 바와 같이 선택될 수 있다(122).
도 3을 참조하면, 복수의 웨이퍼(91)로부터 다수의 타겟(90)에 관한 측정치 분포(97)는 선택된 분위의 상호의존성을 고려하여 부분집합 크기 선택(109) 및/또는 분위의 수 선택(108) 및/또는 샘플 크기 선택(110)을 실행하기 위해 사용될 수 있다. 상기 선택 및 샘플링 단계는 타겟의 선택된 부분집합(120)을 생성하기 위해 반복(115)될 수 있고, 이것으로부터 웨이퍼들이 타겟의 부분집합을 선택하기 위해 사용된 후에 측정되는 웨이퍼에 대하여 관련 계측 측정치가 도출될 수 있다(130). 반복(115)은 정확도 점수(161), 강건도 점수(151), 무작위 또는 결정론적 샘플링(반복에 기초한 것)(125), 웨이퍼로부터 다른 웨이퍼로의 샘플링의 적용(121) 및 복수의 웨이퍼의 샘플링(122) 중의 임의의 것을 산출하기 위해, 아마도 네스트 방식(nested manner)으로, 임의의 선택된 크기 및 샘플에 대하여 실행될 수 있다.
도 4는 발명의 일부 실시형태에 따른 방법(200)의 하이 레벨 개략 흐름도이다. 방법(200)은 하기의 임의의 단계들을 포함할 수 있다. 소정 실시형태는 컴퓨터 판독가능 프로그램이 함께 구체화된 컴퓨터 판독가능 기억 매체를 포함한 컴퓨터 프로그램 제품을 포함한다. 컴퓨터 판독가능 프로그램은 적어도 부분적으로 방법(200)의 임의의 단계를 실행하도록 구성될 수 있다.
방법(200)은 피측정 타겟의 부분집합을 선택(단계 215)- 그 측정치는 모든 타겟으로부터의 측정치 분포를 나타냄 -함으로써 웨이퍼 및 도출된 파라미터의 계측 측정치의 샘플 크기 및 측정 지속기간을 감소시키는 단계(단계 210)와, 모델의 상이한 분포 분위로부터 실질적으로 동수의 측정치를 샘플링하는 단계(단계 220)를 포함한다.
소정의 실시형태에 있어서, 방법(200)은 대표 기준을 규정하는 단계(단계 222)와, 특히 오버레이 모델(예를 들면, 최소자승(ordinary least square, OLS) 오버레이 모델)로부터 도출된 보정 가능 항 및 잔여와 같은 리소그래피 공정에 관한 필요한 동작을 표시하는 도출된 계측 측정치와 관련하여 부분집합 내의 타겟의 측정치 분포에 의해 전체 측정치 분포의 표시의 품질을 정량화하기 위해 샘플링된 타겟의 적어도 하나의 정확도 점수를 산출하는 단계를 포함할 수 있다.
방법(200)은 또한 규정된 대표 기준에 도달하기 위해 샘플링(220) 및 선택(215)(역시 도 1a, 1b, 2 및 3을 참조한다)을 반복하는 단계(단계 226)를 포함할 수 있다. 소정의 실시형태에 있어서, 선택(215)은 샘플링(220)으로부터 야기되는 정확도 점수 분포의 중앙값에 따라 실행될 수 있다(단계 228, 도 1b 참조). 샘플링된 n/q개의 타겟은 모든 샘플링된 n/q개의 타겟에 대한 각각의 적어도 하나의 정확도 점수 분포의 중앙값에 따라 선택될 수 있다.
소정의 실시형태에 있어서, 타겟의 부분집합을 선택하는 단계(215)는 또한 타겟 구성 및 공간 분포와 같은 타겟 특성에 관한 고려사항을 통합하는 단계(단계 229)를 포함할 수 있고, 예를 들면 공간 정보는 필드간 위치, 필드내 위치 및 반경 중 적어도 하나를 포함할 수 있다.
방법(200)은 또한 신뢰를 높이기 위해 샘플링(220) 및 선택(215)을 반복하는 단계(단계 230)를 포함할 수 있다. 방법(200)은 전술한 바와 같은 분위 선택을 최적화하는 단계(단계 232)와 샘플 크기를 최적화하는 단계(234) 중의 임의 단계를 포함할 수 있다.
방법(200)은 또한 최초 모델의 정확도 레벨을 유지하면서 측정치에 관련된 점수를 이용해서 및 공간 표시가 없는 또는 공간 표시와 함께하는 모집단에 기초해서 샘플 크기를 감소시키는 단계(단계 235)를 포함할 수 있다. 방법(200)은 또한 주어진 샘플 크기에 대한 강건도를 체크하는 단계(단계 236)와, 분위의 복수의 샘플링 타겟에 대한 정확도 점수를 이용하여 부분집합 크기의 선택을 위한 강건도 점수를 산출하는 단계(단계 237)와, 정확도 점수의 변동으로서 강건도를 추정하는 단계(단계 238) 중의 임의의 단계를 포함할 수 있다. 방법(200)은 n/q개의 타겟의 각각의 복수의 샘플링에 대한 적어도 하나의 정확도 점수의 복수의 값을 이용하여 부분집합 크기(n)의 선택을 위한 강건도 점수를 산출하는 단계를 포함할 수 있다. 예를 들면, 강건도 점수는 적어도 하나의 정확도 점수의 복수의 값의 변동 또는 임의의 다른 통계 측정치와 관련될 수 있다.
방법(200)은 또한 선택된 타겟 부분집합의 측정치로부터 분포 폭 및/또는 보정 가능 항을 산출하는 단계(단계 240)를 포함할 수 있다.
방법(200)은 또한 복수의 웨이퍼와 관련하여 측정치를 처리하는 단계(단계 250)와, 제1 웨이퍼에 대한 부분집합 크기를 선택하고 다른 웨이퍼에 대하여 산출된 강건도 점수에 따라 내부의 분위 및 샘플을 선택하는 단계(단계 252) 및/또는 모든 웨이퍼로부터의 측정과 관련하여 부분집합 크기를 반복적으로 또는 동시에 선택하는 단계(단계 254)를 포함할 수 있다.
방법(200)은 분위 내의 타겟들을 무작위로 및 반복적으로 샘플링하는 단계(단계 260) 및/또는 정확도 점수를 이용하여 적어도 부분적으로 결정론적으로 분위 내의 타겟들을 샘플링하는 단계(단계 262)를 포함할 수 있다.
방법(200)은 계측 파라미터, 계측 파라미터로부터 도출된 계측 측정치, 계측 품질 특성, 계측 모델을 이용하여 파라미터로부터 도출된 보정 가능 항, 계측 모델로부터 도출된 계측 파라미터의 잔여 및 타겟 생성 공정 파라미터 중의 임의의 것의 측정과 관련될 수 있다(단계 270).
소정의 실시형태에 있어서, 측정치는 적어도 하나의 측정 방향을 따라서 오버레이, 도구 유도형 시프트, 측정 품질 특성 중의 적어도 하나와 관련된다. 소정의 실시형태에 있어서, 측정치는 스캐너 도즈와 포커스 중의 적어도 하나와 관련될 수 있다. 소정의 실시형태에 있어서, 측정치는 계측 오버레이 모델로부터 도출된 오버레이와 관련될 수 있다. 예를 들면, 측정은 계측 모델로부터 도출된 계측 파라미터의 잔여와 관련될 수 있고, 잔여의 분포는 가우시안이고 계측 모델은 최소자승(OLS) 오버레이 모델이다. 다른 예로서, 방법(200)은 또한 피측정 타겟을 가진 적어도 하나의 웨이퍼 상의 다른 구역(zone)으로부터 오버레이 서명 측정치를 별도로 포착하는 단계(단계 280)를 포함할 수 있다. 이러한 측정치들의 조합뿐만 아니라 추가적인 측정치들이 고려될 수 있고, 및/또는 선택된 타겟 부분집합과 관련하여 실행될 수 있다. 소정의 실시형태에 있어서, 방법(200)은 임의의 단계에서 상기 샘플링하는 단계 및 선택하는 단계 전에 이상치를 제거하는 단계(단계 282)를 포함할 수 있다. 상기 선택하는 단계, 상기 샘플링하는 단계 및 상기 산출하는 단계 중의 적어도 하나의 단계는 적어도 하나의 컴퓨터 프로세서에 의해 실행될 수 있다(단계 290). 방법(200)은 오버레이 모델로 제한되지 않고 CD 모델, 공정 파라미터 모델 등과 관련될 수 있다는 점에 주목한다.
유리하게도, 본 발명의 샘플링 알고리즘은 웨이퍼 및 필드 오버레이 서명을 제공하고, 기준 체크(예를 들면, 재처리 역치)를 가능하게 하며, 항구적으로 증가하는 수의 필요한 타겟 및 측정치에도 불구하고 신뢰할만한 보정 가능 항을 도출할 수 있다. 피측정 타겟 분포의 특성(예를 들면, 평균(μ), 표준편차(σ), 잔여(3σ))을 산출하기 위해 피측정 타겟의 전체 샘플링을 시행하는 종래 기술과 대조적으로, 본 발명의 샘플링 알고리즘은 특정 샘플링 절차에 의해 대표적인 타겟을 식별하고, 대표적인 타겟의 부분집합의 측정치를 이용하여 대표적인 타겟 분포의 특성 및/또는 계측 기준을 산출한다(예를 들면, 3σ(모든 타겟으로부터의 측정치를 이용하는 것) - 3σ(부분집합 타겟으로부터의 측정치만을 이용하는 것) < Δ=0.5nm(미리 규정된 Δ에 대한 일 예로서)). 따라서, 본 발명의 샘플링 알고리즘은 전체 수의 타겟과 관련하여 크게 감소된 크기를 가진 최적화 샘플에 도달한다.
소정의 비제한적인 실시형태에 있어서, 측정의 가우시안 분포를 가정하면, 본 발명의 샘플링 알고리즘은 최초의 분포 파라미터를 유지하고 타겟 부분집합을 이용할 때 이들을 변경하는 것을 회피한다. 측정치를 샘플링하고 분포의 분위에 대하여 동수로 타겟 부분집합을 선택하는 것은 분포 특성의 보존 및 그에 따라서 분포의 적당한 표시를 보장한다. 분위의 수 및 선택적으로 샘플링 및 선택의 반복을 선택하는 것은 부분집합에 포함된 적은 수의 타겟을 측정하는 동안 분포의 적당한 표시에서 고수준의 신뢰성을 보장한다.
소정의 실시형태에 있어서, 이상치는 알고리즘의 적용 전에 제거될 수 있다. 소정의 실시형태에 있어서, 이상치는 유지될 수 있지만, 샘플링 및 선택의 반복에 의해 그들의 적당한 중요도로 유지될 수 있다. 소정의 실시형태에 있어서, 이상치의 제거는 분포의 제3 사분위수와 제1 사분위수 간의 범위에 기초하는 사분위수간 범위(Inter Quartile Range, IQR)와 같은 방법을 이용할 수 있다. 이 범위는 정의에 의해 분포 평균(distribution mean)에 중심이 맞추어진 데이터 포인트의 절반을 유지한다.
비제한적인 예로서, 본 발명의 샘플링 알고리즘은 8 분위(q=8)를 이용할 수 있다. 8 분위의 각각은 동일한 양의 측정 포인트(12.5%)로 구성된다. 최적의 샘플은 각 분위의 빈도수를 8 분위 전역에 걸쳐 균형되게 유지하면서 잔여 분포의 8 백분위수(n/q, 예를 들면, n=20)로부터 측정 포인트의 수를 임의로 감소시킴으로써 발생된다. 8 분위의 빈도수를 균형되게 유지하면 분포 특성의 복제를 보장한다. 본 발명의 발명자들은 이러한 최적화는 분포의 통계 특성을 고정되게 유지하면서 샘플 크기(N, 예를 들면, 800)를 75% 이상만큼 n(예를 들면, =160)까지 줄일 수 있다는 것을 알았고, 이것은 N개의 타겟 모두의 측정치를 이용할 때와 동일한 서명을 웨이퍼 및 필드 수준에서 포착한다는 것을 의미한다.
따라서, 그 결과는 웨이퍼 상에서 타겟의 성긴 샘플링 최적화 맵을 발생한다. 타겟의 부분집합은 보정 가능 항을 발생하고 그 다음에 보정 가능 항을 전체 맵에 적용하여 전체 분포를 이용할 때의 모델로부터 야기하는 3σ 잔여로부터 수행 기준(Δ)(예를 들면, 0.5nm, 기준(Δ)은 예를 들면 0.1-1nm의 범위일 수 있다) 내에서 3σ 잔여를 유지하기 위해 사용될 수 있다. 강건도를 보장하기 위해, 상이한 샘플 크기에 대하여, 샘플링은 예를 들면 50회 반복되어 50개의 상이한 무작위 샘플을 생성할 수 있다. 명백히, 임의 수의 반복이 선택될 수 있고, 또는 정지 기준에 도달할 때까지 반복을 계속하기 위해 임의의 정지 기준이 선택될 수 있다. 계측 기준은 모든 반복에 대하여 산출될 수 있고, 샘플 크기마다 50개의 매칭 기준의 분포를 구성한 후에, 성공 기준 한계(Δ), 예를 들면 0.5nm 아래에 있는 매칭 기준의 분포를 생성하는 최저 샘플 크기의 중앙값을 발생하는 것으로서 최적의 샘플이 선택될 수 있다. 샘플 크기(n)는 분포 특성이 유지되는 한 각 분위에서 측정 포인트의 짝수 빈도를 유지하면서 더 작게 될 수 있다. 명백히 n과 q는 너무 많이 감소될 수 없다. 선택된 분위(q) 및 샘플 크기(n/q)는 체크된 기준 및 그들의 감도 및/또는 안정성과 관련하여 결과들의 품질에 따라 조정될 수 있다. 본 발명의 발명자들은 소정의 경우에 8 분위를 사용하면 실험 데이터에서 안정되고 신뢰할만한 알고리즘 응용을 제공한다는 것을 발견하였다.
소정의 실시형태에 있어서, 웨이퍼 상의 특정 구역은 분위들의 다른 표시를 갖도록 규정될 수 있다. 타겟들의 부분집합은 전술한 바와 같이 각각의 구역에서 분포의 올바른 표시를 보장하는 방식으로 각 구역에 대하여 별도로 선택될 수 있다. 상기 구역들은 예를 들면 반경(웨이퍼의 중심으로부터의 거리), 섹터(예를 들면 사분면) 또는 임의의 다른 생산 기준(예를 들면, 예기되는 공정 부정확성, 웨이퍼 또는 다이 테두리에 대한 근접성 등) 및 이들의 조합에 의해 결정될 수 있고, 서명 표시의 기준은 그에 따라서 결정될 수 있다.
소정의 실시형태에 있어서, 유사한 원리를 균일한 분포, 바이모달 분포, 비대칭 분포 등에 적용할 수 있다. 이러한 분포들 중 임의의 것에 있어서, 다수의 분위가 최적화되고 대표적인 타겟이 각 분위에서 선택되어 전체 타겟 분포를 표시할 수 있다.
소정의 실시형태에 있어서, 타겟 선택은 타겟 공간 분포의 파라미터 및 타겟 특성과 같은 추가적인 기준을 이용하여 실행될 수 있다. 예를 들면, 필드에서 상이한 위치로부터의 타겟의 유사한 비율이 선택시에 통합될 수 있고, 또는 다른 유형의 타겟의 유사한 비율이 부분집합에 포함될 수 있다.
유리하게도, 본 발명의 통계적 샘플링 알고리즘은 잘 알려진 OLS 모델의 통계 특성을 이용하고 이것에 의해 샘플 크기를 75% 이상만큼 감소시킴으로써 3σ＜Δ=0.5nm와 같은 가혹한 계측 기준 조차와도 부합한다. 이것은 웨이퍼 전역에 걸쳐 성긴 샘플링을 허용하고 통계적 치우침(bias)을 야기하지 않고 매칭 및 샘플 크기 필요조건과 부합하는 유일한 알고리즘이다. 이 알고리즘은 가우시안 외의 다른 분포 및 OLS 외의 다른 오버레이 모델에 적응될 수 있다는 점에 주목한다. 샘플을 선택할 때 실험의 설계를 최적화하는 대신에, 이 알고리즘은 실제로 오버레이 서명을 모사하고 로트(lot) 내에서 및 로트 전역에서 일관성을 나타낸다. 이 알고리즘은 정렬불량을 야기하지 않고 웨이퍼 및 필드 수준 둘 다에 적용할 수 있다.
전술한 설명에서, 실시형태는 본 발명의 예 또는 구현이다. "일 실시형태", "실시형태", "소정 실시형태" 또는 "일부 실시형태"의 각종 출현은 반드시 모두 동일한 실시형태를 인용하는 것이 아니다.
비록 본 발명의 각종 특징들이 단일 실시형태와 관련하여 설명될 수 있지만, 그 특징들은 분리해서 또는 임의의 적당한 조합으로 또한 제공될 수 있다. 반대로, 비록 발명이 여기에서 명확성을 위해 분리된 실시형태와 관련하여 설명될 수 있지만, 본 발명은 단일 실시형태로 또한 구현될 수 있다.
발명의 소정 실시형태는 위에서 설명한 다른 실시형태로부터의 특징들을 포함할 수 있고, 소정 실시형태는 위에서 설명한 다른 실시형태로부터의 요소들을 통합할 수 있다. 특정 실시형태와 관련한 발명의 요소들의 설명은 그 특정 실시형태에서만 사용되는 것으로 제한되지 않는다.
또한, 발명은 각종 방법으로 실행 또는 실시될 수 있다는 점 및 발명이 전술한 실시형태가 아닌 다른 소정의 실시형태로 구현될 수 있다는 점을 이해하여야 한다.
본 발명은 첨부 도면 또는 그 대응하는 설명으로 제한되지 않는다. 예를 들면, 흐름도는 각각의 도시된 블록 또는 상태를 통해서 또는 도시되고 설명한 것과 정확히 동일한 순서로 진행할 필요가 없다.
여기에서 사용된 기술용어 및 과학용어의 의미는 다르게 규정되지 않는 한 본 발명이 속하는 기술 분야의 당업자에게 공통적으로 이해되는 의미를 갖는다.
지금까지 발명을 제한된 수의 실시형태와 관련하여 설명하였지만, 이 설명은 발명의 범위를 제한하는 것으로 해석되어서는 안되고, 양호한 일부 실시형태의 예시로서 해석되어야 한다. 다른 가능한 변형예, 수정예 및 응용이 발명의 범위 내에 또한 있을 수 있다. 따라서, 발명의 범위는 전술한 실시형태의 설명으로 제한되어서는 안되고 첨부된 특허 청구범위 및 그들의 법적 균등물에 의해 제한되어야 한다.
Claims (26)
- 적어도 하나의 웨이퍼에서 총 N개의 타겟으로부터 n개의 대표 타겟의 부분집합을 선택하는 단계를 포함한 방법에 있어서,
대표 기준을 규정하는 단계와,
부분집합 크기(n)를 선택하는 단계와,
상기 N개의 타겟에 관한 측정치의 분포와 관련하여 분위(quantile)의 수(q)를 선택하는 단계와,
상기 분포의 각 분위로부터 n/q개의 타겟을 샘플링하는 단계와,
상기 샘플링된 타겟의 측정치가 N개의 타겟의 측정치의 분포를 표시하는 정도를 정량화하기 위해 상기 샘플링된 타겟의 적어도 하나의 정확도 점수를 산출하는 단계와,
상기 적어도 하나의 정확도 점수가 상기 규정된 대표 기준 아래에 있을 때까지 n과 q의 샘플링 및 선택 중 적어도 하나를 반복하는 단계를 포함하고,
상기 선택하는 단계, 상기 샘플링하는 단계 및 상기 산출하는 단계 중의 적어도 하나는 적어도 하나의 컴퓨터 프로세서에 의해 실행되는 것인 방법. - 제1항에 있어서, 상기 n/q 타겟의 각각의 복수의 샘플링을 위해 상기 적어도 하나의 정확도 점수에 대한 복수의 값을 이용하여 상기 부분집합 크기(n)의 선택을 위한 강건도 점수를 산출하는 단계를 더 포함한 방법.
- 제2항에 있어서, 상기 강건도 점수는 상기 적어도 하나의 정확도 점수에 대한 복수의 값의 변동과 관계된 것인 방법.
- 제2항에 있어서, 상기 측정치는 복수의 웨이퍼에 대하여 처리되는 것인 방법.
- 제4항에 있어서, 상기 부분집합 크기(n)는 제1 웨이퍼에 대하여 선택되고 q의 선택 및 n/q 타겟의 샘플링은 다른 웨이퍼에 대하여 산출된 강건도 점수에 따라 실행되는 것인 방법.
- 제4항에 있어서, 상기 부분집합 크기(n)을 선택하는 단계 및 상기 반복하는 단계는 모든 웨이퍼에 대하여 실행되는 것인 방법.
- 제1항에 있어서, 상기 n/q 타겟을 샘플링하는 단계는 무작위로 실행되고,
상기 방법은, 상기 샘플링을 반복하는 단계를 더 포함한 방법. - 제1항에 있어서, 상기 샘플링하는 단계는 n/q 타겟의 샘플링을 실행하기 위해 상기 적어도 하나의 정확도 점수를 이용하여 적어도 부분적으로 결정론적으로 실행되는 것인 방법.
- 제1항에 있어서, 상기 샘플링된 n/q 타겟은 모든 샘플링된 n/q 타겟에 대한 각각의 적어도 하나의 정확도 점수 분포의 중앙값에 따라 선택된 것인 방법.
- 제1항에 있어서, 상기 측정치는 계측 파라미터, 계측 파라미터로부터 도출된 계측 측정치, 계측 품질 특성, 계측 모델을 이용하여 파라미터로부터 도출된 보정 가능 항, 계측 모델로부터 도출된 계측 파라미터의 잔여 및 타겟 생성 공정 파라미터 중의 적어도 하나와 관계되는 것인 방법.
- 제1항에 있어서, 상기 측정치는 적어도 하나의 측정 방향에 따라서 오버레이, 도구 유도형 시프트, 측정 품질 특성 중의 적어도 하나와 관계되는 것인 방법.
- 제1항에 있어서, 상기 측정치는 스캐너 도즈와 포커스 중의 적어도 하나와 관계되는 것인 방법.
- 제1항에 있어서, 상기 측정치는 계측 오버레이 모델로부터 도출된 오버레이와 관계된 것이고,
상기 방법은, 적어도 하나의 웨이퍼 상의 상이한 구역으로부터 오버레이 서명 측정치를 별도로 포착하는 단계를 더 포함한 방법. - 제1항에 있어서, 상기 선택된 부분집합에 대하여 추가의 측정치를 처리하는 단계를 더 포함한 방법.
- 제1항에 있어서, 상기 측정치는 계측 모델로부터 도출된 계측 파라미터의 잔여에 관계된 것이고, 상기 잔여의 분포는 가우시안이며, 상기 계측 모델은 최소자승(Ordinary Least Square, OLS) 오버레이 모델인 것인 방법.
- 제1항에 있어서, 상기 타겟 부분집합의 선택시에 타겟 특성에 관한 고려사항을 통합하는 단계를 더 포함한 방법.
- 제16항에 있어서, 상기 타겟 특성은 필드간 위치, 필드내 위치, 및 반경 중의 적어도 하나를 포함한 공간 정보를 포함한 것인 방법.
- 제1항에 있어서, 상기 샘플링하는 단계 및 상기 선택하는 단계 전에 이상치를 제거하는 단계를 더 포함한 방법.
- 복수(N)의 타겟의 파라미터 측정의 분포를 표시하도록 피측정 타겟의 부분집합(n)을 선택함으로써 계측 파라미터의 샘플 크기 및 측정 지속기간을 감소시키는 단계를 포함하는 방법에 있어서, 여기에서 상기 부분집합(n)(n<<N임)은 선택된 수의 분포 분위 각각으로부터 실질적으로 동수의 측정치를 샘플링함으로써 선택되며, 상기 샘플링하는 것과 상기 선택하는 것 중의 적어도 하나는 적어도 하나의 컴퓨터 프로세서에 의해 실행되는 것인 방법.
- 제19항에 있어서, 분위의 수(q)를 선택하는 단계와, 각 분위로부터 n/q 타겟을 샘플링하는 단계를 더 포함한 방법.
- 제20항에 있어서, n, q 및 n/q 중의 하나가 결정되고 n, q 및 n/q 중의 다른 것이 반복적으로 변화되며,
상기 방법은, 상기 부분집합(n)에 의한 분포의 표시를 위해 정확도 점수와 강건도 점수 중의 적어도 하나를 추정하는 단계를 더 포함한 방법. - 제21항에 있어서, n, q 및 n/q 중의 상기 변화되는 다른 것은 각각의 정확도 점수와 연관되고 n, q 및 n/q 중의 상기 결정된 하나는 변화되며 상기 정확도 점수로부터 도출된 각각의 강건도 점수와 연관된 것인 방법.
- 제21항 또는 제22항에 있어서, N개의 타겟의 측정치의 분포를 이용하여 대표 기준을 규정하는 단계와, 상기 대표 기준과 관련된 정확도 점수를 산출하는 단계를 더 포함한 방법.
- 컴퓨터 프로그램 제품에 있어서, 청구항 제1항 내지 제23항 중 어느 한 항에 따른 방법의 임의 단계를 실행하도록 구성된 컴퓨터 판독가능 프로그램이 함께 포함된 컴퓨터 판독가능 기억 매체를 포함한 것인 컴퓨터 프로그램 제품.
- 적어도 부분적으로 컴퓨터 하드웨어에 임베딩되고, 청구항 제1항 내지 제23항 중 어느 한 항에 따른 방법의 임의 단계를 실행하도록 구성된 모듈.
- 청구항 제25항의 모듈을 포함한 계측 도구.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201361840966P | 2013-06-28 | 2013-06-28 | |
| US61/840,966 | 2013-06-28 | ||
| PCT/US2014/044443 WO2014210384A1 (en) | 2013-06-28 | 2014-06-26 | Selection and use of representative target subsets |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160025585A true KR20160025585A (ko) | 2016-03-08 |
| KR102120522B1 KR102120522B1 (ko) | 2020-06-09 |
Family
ID=52142696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167002256A KR102120522B1 (ko) | 2013-06-28 | 2014-06-26 | 대표 타겟 부분집합의 선택 및 이용 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US10025756B2 (ko) |
| KR (1) | KR102120522B1 (ko) |
| CN (1) | CN105474377B (ko) |
| TW (1) | TWI634443B (ko) |
| WO (1) | WO2014210384A1 (ko) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6062073B2 (ja) * | 2014-01-10 | 2017-01-18 | 三菱電機株式会社 | 粒子線照射装置 |
| NL2013677A (en) * | 2014-01-24 | 2015-07-29 | Asml Netherlands Bv | Method of determining a measurement subset of metrology points on a substrate, associated apparatus and computer program. |
| FR3023005B1 (fr) * | 2014-06-26 | 2016-07-15 | Commissariat Energie Atomique | Procede de determination de points de fonctionnement caracteristiques d'une batterie a partir de points de fonctionnement initiaux associes a une cellule unitaire etalon du type destine a equiper ladite batterie |
| US10050831B2 (en) * | 2015-02-26 | 2018-08-14 | Verisign, Inc. | Query latency of a DNS service |
| CN109917622B (zh) | 2015-04-10 | 2021-08-06 | Asml荷兰有限公司 | 用于检查和量测的方法和设备 |
| US10754260B2 (en) | 2015-06-18 | 2020-08-25 | Kla-Tencor Corporation | Method and system for process control with flexible sampling |
| DE102015115712B4 (de) * | 2015-09-17 | 2021-03-25 | Analytica Alimentaria GmbH | Verfahren zur Herstellung definierter Positivkontrollproben |
| CN113341659A (zh) * | 2016-10-14 | 2021-09-03 | Asml荷兰有限公司 | 选择与衬底上的测量或特征相关联的部位的集合 |
| CN107368281B (zh) * | 2017-04-21 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
| US11249400B2 (en) * | 2018-12-14 | 2022-02-15 | Kla Corporation | Per-site residuals analysis for accurate metrology measurements |
| CN110426230A (zh) * | 2019-08-08 | 2019-11-08 | 中山市疾病预防控制中心 | 一种食品监测采样点空间分布的评估方法 |
| CN111967254B (zh) * | 2020-10-21 | 2021-04-06 | 深圳追一科技有限公司 | 相似问集合的评分方法、装置、计算机设备和存储介质 |
| EP4174577A1 (en) * | 2021-11-01 | 2023-05-03 | ASML Netherlands B.V. | Method of determining a performance parameter distribution |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010066287A (ko) * | 1999-12-31 | 2001-07-11 | 황인길 | 반도체 제조 공정에서의 오버레이 측정 방법 |
| KR20060035083A (ko) * | 2004-10-21 | 2006-04-26 | 삼성전자주식회사 | 오버레이 측정 방법 |
| KR20080036901A (ko) * | 2006-10-24 | 2008-04-29 | 케이엘에이-텐코 테크놀로지스 코퍼레이션 | 웨이퍼없는 레서피 최적화 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7608468B1 (en) * | 2003-07-02 | 2009-10-27 | Kla-Tencor Technologies, Corp. | Apparatus and methods for determining overlay and uses of same |
| JP4750444B2 (ja) * | 2005-03-24 | 2011-08-17 | 株式会社日立ハイテクノロジーズ | 外観検査方法及びその装置 |
| KR100648203B1 (ko) * | 2005-08-06 | 2006-11-23 | 삼성전자주식회사 | 기판 결함 검사 방법 |
| US7749666B2 (en) * | 2005-08-09 | 2010-07-06 | Asml Netherlands B.V. | System and method for measuring and analyzing lithographic parameters and determining optimal process corrections |
| US7583359B2 (en) * | 2006-05-05 | 2009-09-01 | Asml Netherlands B.V. | Reduction of fit error due to non-uniform sample distribution |
| KR100817092B1 (ko) * | 2007-03-14 | 2008-03-26 | 삼성전자주식회사 | 중첩계측오차를 보정하기 위한 계측시스템 및 이를 이용한계측방법 |
| US8175831B2 (en) * | 2007-04-23 | 2012-05-08 | Kla-Tencor Corp. | Methods and systems for creating or performing a dynamic sampling scheme for a process during which measurements are performed on wafers |
| US7711514B2 (en) * | 2007-08-10 | 2010-05-04 | Kla-Tencor Technologies Corp. | Computer-implemented methods, carrier media, and systems for generating a metrology sampling plan |
| US7756658B2 (en) * | 2008-05-14 | 2010-07-13 | Kla-Tencor Corp. | Systems and methods for detecting defects on a wafer and generating inspection results for the wafer |
| US9052709B2 (en) * | 2010-07-30 | 2015-06-09 | Kla-Tencor Corporation | Method and system for providing process tool correctables |
-
2014
- 2014-06-26 CN CN201480046681.3A patent/CN105474377B/zh active Active
- 2014-06-26 WO PCT/US2014/044443 patent/WO2014210384A1/en active Application Filing
- 2014-06-26 KR KR1020167002256A patent/KR102120522B1/ko active IP Right Grant
- 2014-06-27 TW TW103122387A patent/TWI634443B/zh active
- 2014-10-07 US US14/508,469 patent/US10025756B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010066287A (ko) * | 1999-12-31 | 2001-07-11 | 황인길 | 반도체 제조 공정에서의 오버레이 측정 방법 |
| KR20060035083A (ko) * | 2004-10-21 | 2006-04-26 | 삼성전자주식회사 | 오버레이 측정 방법 |
| KR20080036901A (ko) * | 2006-10-24 | 2008-04-29 | 케이엘에이-텐코 테크놀로지스 코퍼레이션 | 웨이퍼없는 레서피 최적화 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201506659A (zh) | 2015-02-16 |
| TWI634443B (zh) | 2018-09-01 |
| CN105474377B (zh) | 2019-04-26 |
| US20150025846A1 (en) | 2015-01-22 |
| KR102120522B1 (ko) | 2020-06-09 |
| US10025756B2 (en) | 2018-07-17 |
| WO2014210384A1 (en) | 2014-12-31 |
| CN105474377A (zh) | 2016-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102120522B1 (ko) | 대표 타겟 부분집합의 선택 및 이용 | |
| KR102351345B1 (ko) | 오버레이 계측 데이터에 대한 확률적 행위의 영향 결정 | |
| US10496515B2 (en) | Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium | |
| KR101930420B1 (ko) | 샘플링 비율 결정 기법에 의한 계측 샘플링 방법 및 그 컴퓨터 프로그램 제품 | |
| US7908105B2 (en) | Measurement system for correcting overlay measurement error | |
| JP2020511003A5 (ko) | ||
| KR20160096118A (ko) | 요건에 대한 타겟 및 프로세스 감도 분석 | |
| CN112148557B (zh) | 一种性能指标实时预测方法、计算机设备及存储介质 | |
| JP2009500853A (ja) | プロセス環境における動的パラメータのモニタリングに用いる自己訂正型多変量解析 | |
| US10699969B2 (en) | Quick adjustment of metrology measurement parameters according to process variation | |
| US20180137218A1 (en) | Systems and methods for similarity-based information augmentation | |
| US20130203188A1 (en) | Hybrid metrology for semiconductor devices | |
| KR102445989B1 (ko) | 전자 현미경을 사용한 반도체 계측 및 결함 분류 | |
| CN112560974B (zh) | 一种信息融合、车辆信息获取方法及装置 | |
| CN106202929A (zh) | 一种基于Bayes混合模型的命中精度评估方法 | |
| US7844932B2 (en) | Method to identify timing violations outside of manufacturing specification limits | |
| US8682058B2 (en) | Defect analysis method, apparatus, and recording medium using pattern dependence degree | |
| US8682946B1 (en) | Robust peak finder for sampled data | |
| US9323244B2 (en) | Semiconductor fabrication component retuning | |
| TW202136899A (zh) | 基於計量景觀之用於計量優化之系統及方法 | |
| Arndt et al. | Analysis of Efficiency in Response Surface Designs Considering Orthogonality Deviations and Cost Models | |
| JP6558861B2 (ja) | 生存確率推定装置、方法、及びプログラム | |
| KR20110069663A (ko) | 가우시안 전파 잡음 판별 시스템 및 방법 | |
| US20110151815A1 (en) | System and method for identifying gaussian radio noise | |
| WO2019045780A1 (en) | QUICK SETTING OF METROLOGY MEASUREMENT PARAMETERS BASED ON PROCESS VARIATION |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |