KR20190089227A - 예측 계측 이미지를 이용한 계측 레시피 생성 - Google Patents

예측 계측 이미지를 이용한 계측 레시피 생성 Download PDF

Info

Publication number
KR20190089227A
KR20190089227A KR1020197021116A KR20197021116A KR20190089227A KR 20190089227 A KR20190089227 A KR 20190089227A KR 1020197021116 A KR1020197021116 A KR 1020197021116A KR 20197021116 A KR20197021116 A KR 20197021116A KR 20190089227 A KR20190089227 A KR 20190089227A
Authority
KR
South Korea
Prior art keywords
metrology
measurement
image
sample
tool
Prior art date
Application number
KR1020197021116A
Other languages
English (en)
Other versions
KR102313413B1 (ko
Inventor
마크 디 스미스
차오 팡
브라이언 더피
Original Assignee
케이엘에이-텐코 코포레이션
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 케이엘에이-텐코 코포레이션 filed Critical 케이엘에이-텐코 코포레이션
Publication of KR20190089227A publication Critical patent/KR20190089227A/ko
Application granted granted Critical
Publication of KR102313413B1 publication Critical patent/KR102313413B1/ko

Links

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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • 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
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • 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
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

계측 시스템은 계측 툴에 통신 가능하게 결합된 컨트롤러를 포함한다. 컨트롤러는 샘플의 3차원 모델을 생성하고, 3차원 모델에 기초해 계측 툴에 의한 샘플의 예측 분석(predicted analysis)에 대응하는 예측 계측 이미지를 생성하며, 하나 이상의 예측 계측 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피(recipe)를 평가하고, 계측 툴의 구조의 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피로부터, 하나 이상의 선택 메트릭(selection metrics)에 기초하여, 계측 레시피를 선택하고, 가공 구조(fabricated structure)의 계측 측정에 기초해 계측 툴로부터 가공 구조의 출력 계측 이미지를 수신하며, 계측 레시피에 기초해 출력 계측 이미지로부터의 가공 구조와 연관된 계측 측정치를 추출할 수 있다.

Description

예측 계측 이미지를 이용한 계측 레시피 생성
관련 출원에 대한 상호 참조
본 출원은 "시뮬레이션된/생성된 이미지로부터 계측 및 검사 레시피의 설정"이라는 명칭을 가지며 Chao Fang, Mark D. Smith, 및 Brian Duffy를 발명자로 하는, 2016년 12월 19일자로 제출된 미국 가특허 출원 제62/435,977호의 35 U.S.C. §119(e)에 따른 권익을 주장하며, 상기 출원은 전체가 참고로 본 명세서에 통합되어 있다.
기술분야
본 출원은 전체적으로 계측(metrology)에 대한 것으로, 보다 구체적으로는 계측 레시피(metrology recipe)의 생성에 대한 것이다.
계측 시스템은 전형적으로 계측 레시피를 이용하여 샘플의 계측를 수행한다. 예를 들면, 이미지 기반의 계측 시스템의 계측 레시피는 계측 툴을 사용하여 선택된 파라미터를 갖는 샘플의 이미지를 생성하는 것 및 원하는 계측 측정치를 추출하기 위해 결과 이미지에 대해 하나 이상의 이미지 분석 단계를 수행하는 것을 포함할 수 있으나 이에 국한되지 않는다. 측정 정확도, 샘플 및/또는 환경 편차에 대한 민감도 등과 같은 계측 시스템의 핵심 성능 메트릭(metrics)은 측정치를 생성하는데 사용되는 계측 레시피에 크게 의존할 수 있다. 그러나 반도체 제조와 같은 민감도가 높은 용도를 위한 계측 레시피의 선택은 전형적으로 고가의 장비를 이용한 복수의 실험을 요하는 시간 소모성의 고비용 절차이다. 그래서, 위에서 지적한 바와 같은 결함을 해소하기 위한 시스템 및 방법을 제공하는 것이 바람직하다 할 것이다.
본 발명의 하나 이상의 예시적인 실시예에 따라 계측 시스템이 개시된다. 예시적인 일 실시예에서, 시스템은 계측 툴에 통신 가능하게 결합된 컨트롤러를 포함한다. 다른 예시적인 실시예서, 컨트롤러는 계측 툴에 의해 분석되는 구조의 하나 이상의 사례(instance)를 포함하는 샘플의 3차원 모델을 생성한다. 다른 예시적인 실시예에서, 컨트롤러는 3차원 모델에 기초해 계측 툴에 의한 샘플의 예측 분석에 대응하는 예측 계측 이미지(predicted metrology image))를 생성한다. 다른 예시적인 실시예에서, 컨트롤러는 하나 이상의 예측 계측 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피를 평가한다. 다른 예시적인 실시예에서, 컨트롤러는 하나 이상의 선택 메트릭(selection metrics)에 기초하여 계측 툴의 구조의 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피로부터 계측 레시피를 선택한다. 다른 예시적인 실시예에서, 컨트롤러는 가공 구조(fabricated structure)의 계측 측정에 기초해 계측 툴로부터 가공 구조의 출력 계측 이미지를 수신한다. 다른 예시적인 실시예에서, 컨트롤러는 계측 레시피에 기초해 출력 계측 이미지로부터 가공 구조와 관련된 계측 측정치를 추출한다.
본 발명의 하나 이상의 예시적인 실시예에 따라 계측 시스템이 개시된다. 예시적인 일 실시예에서, 시스템은 계측 툴을 포함한다. 다른 예시적인 실시예에서, 시스템은 계측 툴에 통신 가능하게 결합된 컨트롤러를 포함한다. 다른 예시적인 실시예서, 컨트롤러는 계측 툴에 의해 분석되는 구조의 하나 이상의 사례를 포함하는 샘플의 3차원 모델을 생성한다. 다른 예시적인 실시예에서, 컨트롤러는 3차원 모델에 기초해 계측 툴에 의한 샘플의 예측 분석에 대응하는 예측 계측 이미지를 생성한다. 다른 예시적인 실시예에서, 컨트롤러는 하나 이상의 예측 계측 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피를 평가한다. 다른 예시적인 실시예에서, 컨트롤러는 하나 이상의 선택 메트릭에 기초하여 계측 툴의 구조의 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피로부터 계측 레시피를 선택한다. 다른 예시적인 실시예에서, 컨트롤러는 가공 구조의 계측 측정에 기초해 계측 툴로부터 가공 구조의 출력 계측 이미지를 수신한다. 다른 예시적인 실시예에서, 컨트롤러는 계측 레시피에 기초해 출력 계측 이미지로부터 가공 구조와 관련된 계측 측정치를 추출한다.
본 발명의 하나 이상의 예시적인 실시예에 따라 계측 방법이 개시된다. 예시적인 일 실시예에서, 본 방법은 계측 툴에 의해 분석되는 구조의 하나 이상의 사례를 포함하는 샘플의 3차원 모델을 생성하는 단계를 포함한다. 다른 예시적인 실시예에서, 본 방법은 3차원 모델에 기초해 계측 툴에 의한 샘플의 예측 분석에 대응하는 예측 계측 이미지를 생성하는 단계를 포함한다. 다른 예시적인 실시예에서, 본 방법은 하나 이상의 예측 계측 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피를 평가하는 단계를 포함한다. 다른 예시적인 실시예에서, 본 방법은 하나 이상의 선택 메트릭에 기초하여 계측 툴의 구조의 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피로부터 계측 레시피를 선택하는 단계를 포함한다. 다른 예시적인 실시예에서, 본 방법은 출력 계측 이미지를 생성하기 위해 가공 구조의 계측 측정을 수행하는 단계를 포함한다. 다른 예시적인 실시예에서, 본 방법은 계측 레시피에 기초해 출력 계측 이미지로부터 가공 구조와 관련된 계측 측정치를 추출하는 단계를 포함한다.
전술한 개괄적인 설명과 이하의 상세한 설명은 모두 단지 예시 및 설명을 위한 것으로, 청구된 발명을 제한하지는 않는다는 것을 이해해야 한다. 본 명세서에 통합되어 그 일부를 구성하는 첨부 도면은 본 발명의 실시예를 예시하며, 개괄적인 설명과 함께 본 발명의 원리를 설명하는 기능을 한다.
본 발명의 다양한 이점들은 첨부 도면을 참조함으로써 본 기술분야의 통상의 기술자에 의해 보다 잘 이해될 수 있다.
도 1a는 본 발명의 하나 이상의 실시예에 따른, 반도체 디바이스 계측 시스템을 예시하는 개념도.
도 1b는 본 발명의 하나 이상의 실시예에 따른, 광학 계측 툴을 예시하는 개념도.
도 1c는 본 발명의 하나 이상의 실시예에 따른, 입자 빔(particle beam) 계측 툴로 구성된 계측 툴의 개념도.
도 2는 본 발명의 하나 이상의 실시예에 따른, 계측 방법에서 수행되는 단계들을 예시하는 순서도.
도 3a는 본 발명의 하나 이상의 실시예에 따른, 오버레이(overlay) 계측 측정치를 추출하기 위한 계측 레시피가 생성될 수 있는 오버레이 구조의 모델의 사시도.
도 3b는 본 발명의 하나 이상의 실시예에 따른, 도 3a의 횡단면과 연관된 오버레이 구조의 횡단면도.
도 4는 본 발명의 하나 이상의 실시예에 따른, 도 3a 및 도 3b의 오버레이 구조의 복수의 사례를 포함하는 샘플의 예측 계측 이미지.
도 5a는 본 발명의 하나 이상의 실시예에 따른, 오버레이 구조의 단일 사례를 포함하는 예측 계측 이미지의 일부의 이미지.
도 5b는 본 발명의 하나 이상의 실시예에 따른, 직사각형 패턴 요소 및 개방 원형 패턴의 에지(edge)가 식별된, 도 5a의 변형 버전을 포함하는 도면.
도 6a는 본 발명의 하나 이상의 실시예에 따른, 직사각형 패턴 요소의 에지 및 개방 원형 패턴의 에지를 포함하는 예측 계측 이미지의 일부를 예시하는 이미지.
도 6b는 본 발명의 하나 이상의 실시예에 따른, 도 6a의 단일 픽셀 라인에 걸친 픽셀 강도(pixel intensity)의 그래프.
도 7a는 본 발명의 하나 이상의 실시예에 따른, 체계적으로 변화하는 오버레이 값과 연관된 예측 계측 이미지의 관심 영역을 예시하는 일련의 변형 이미지를 포함하는 도면.
도 7b는 본 발명의 하나 이상의 실시예에 따른, 도 7a의 관심 영역 각각과 연관된 오버레이 계측 측정의 그래프.
도 8a는 본 발명의 하나 이상의 실시예에 따른, 관심 영역을 예시하는 구조의 복수의 사례를 갖는 가공 샘플의 분석과 연관된 변형된 출력 계측 이미지.
도 8b는 본 발명의 하나 이상의 실시예에 따른, 도 8a의 관심 영역 각각과 연관된 오버레이 계측 측정의 그래프.
이제 개시된 요지가 구체적으로 참조되며, 이는 첨부 도면에 도시되어 있다. 본 발명은 특히 소정의 실시예 및 그 구체적인 특징과 관련하여 도시 및 기술되었다. 본 명세서에 기재된 실시예는 한정한다기 보다는 예시를 위한 것으로 받아들여야 한다. 본 기술분야의 통상의 기술자에게는 본 발명의 사상과 범위로부터 일탈함이 없이 형태 및 세부 사항에 있어서의 다양한 변경 및 변형이 이루어질 수 있음이 자명하다 할 것이다.
본 발명의 실시예는, 분석 대상 구조를 포함하는 샘플의 3차원 모델을 생성하고, 샘플의 계측 이미지를 예측함으로써 예측 계측 이미지를 생성하고, 예측 계측 이미지에 기초해 계측 레시피를 작성함으로써, 선택된 구조의 계측 측정을 수행하기 위한 계측 레시피를 작성하는 것에 대한 것이다. 이와 관련하여, 테스트 샘플을 가공 및 분석하는 시간 및 비용 없이도 계측 레시피가 생성될 수 있다.
본 발명의 실시예는 이미지 기반의 계측 시스템으로부터 계측 측정치를 추출하기 위한 계측 레시피를 생성하는 것에 대한 것이다. 본 발명에서 간단히 계측 시스템이라고 지칭되는 이미지 기반의 계측 시스템은 전형적으로 샘플의 이미지(예컨대, 계측 이미지)를 제공하고, 이어서 하나 이상의 이미지 분석 단계를 포함하는 계측 레시피를 이용하여 계측 이미지로부터 하나 이상의 계측 측정치를 추출한다. 또한, 이미지 기반의 계측 시스템은 일반적으로 광범위한 계측 측정을 제공할 수 있다. 예를 들면, 계측 측정은 샘플 상의 2개 이상의 층들 사이의 상대적인 정렬(alignment)을 나타내는 오버레이 측정(overlay measurement)을 포함할 수 있다. 다른 예로서, 계측 측정은 샘플 상에 가공된 패턴의 크기, 형상, 측벽 각도, 및/또는 배향의 측정을 포함할 수 있다. 예를 들면, 계측 측정은 임계 치수(critical dimension: CD) 측정, 측벽 각도 측정, 선 거칠기(line roughness) 측정, 또는 선폭(linewidth) 측정을 포할할 수 있으나 이에 국한되지 않는다. 다른 예로서, 계측 측정은 패턴화되거나 패턴화되지 않은 샘플의 결함을 검출(예를 들면, 결함 검사)하는 것을 포함할 수 있다. 본 발명의 목적 상, 계측 시스템과 검사 시스템이라는 용어는 상호 교환 가능하다고 해석되어야 한다.
본 발명의 추가적인 실시예들은 선택된 구조의 하나 이상의 사례(instances)를 포함하는 샘플의 예측 계측 이미지를 생성하는 것에 대한 것이다. 예측 계측 이미지는 선택된 측정 파라미터로 동작하는 선택된 계측 툴을 사용한 샘플의 예측 출력 이미지에 대응할 수 있다. 예측 계측 이미지는 휴리스틱 모델(heuristic model)을 사용하여 샘플의 이미지를 시뮬레이션하는 것, 선택된 계측 툴의 동작을 에뮬레이팅(emulating)하는(예를 들면, 에뮬레이션) 것에 기초한 엄밀한 수치 시뮬레이션, 또는 한 세트의 트레이닝 이미지에 기초하여 출력 이미지를 예측하기 위한 심층 생성 모델링(deep generative modeling: DGM)과 같은, 그러나 이에 국한되지 않는 본 기술분야에 알려진 임의의 방식으로 생성될 수 있다.
본 발명의 추가적인 실시예는 예측 계측 이미지를 생성하기 위한 입력으로서 기능하는 샘플의 3차원 모델을 생성하는 것에 대한 것이다. 본 발명의 전체에 걸쳐서 사용되는, "샘플"이라는 용어는 계측 시스템에서의 측정에 적합한 임의의 객체(object)를 지칭할 수 있다. 예를 들면, 샘플은 반도체 또는 비반도체 재료(예를 들면, 웨이퍼 등)로 형성된 패턴화되지 않은 기판을 포함할 수 있으나, 이에 국한되지 않는다. 반도체 또는 비반도체 재료는 단결정 실리콘, 갈륨 비소(gallium arsenide) 및 인화 인듐(indium phosphide)을 포함할 수 있으나 이에 국한되지 않는다. 다른 예로서, 샘플은 패턴화된 웨이퍼를 포함할 수 있다. 샘플은 그래서 하나 이상의 층을 포함할 수 있다. 예를 들면, 이러한 층은 레지스트(resist), 유전체 물질, 도전성 재료, 또는 반도체 재료를 포함할 수 있으나 이에 국한되지 않는다. 많은 다양한 유형의 이러한 층들이 본 기술분야에 알려져 있으며, 본 명세서에서 사용되는 샘플이라는 용어는 모든 유형의 이러한 층들이 형성될 수 있는 샘플을 포함하도록 의도된다. 다른 예로서, 샘플은 레티클(reticle)을 포함할 수 있다. 또한, 본 발명의 목적 상, 샘플, 웨이퍼, 및 레티클이라는 용어는 상호 교환 가능하다고 해석되어야 한다.
반도체 디바이스는 전형적으로 인쇄 요소(printed elements)의 다중 층으로 형성될 수 있다. 프로세스 층과 연관된 샘플 상의 인쇄된 피처(printed feature)는 하나 이상의 재료 적층 단계, 하나 이상의 리소그래피 단계, 하나 이상의 에칭 단계, 또는 하나 이상의 리프트 오프(lift-off) 단계와 같은, 그러나 이에 국한되지 않는, 일련의 가산(additive) 또는 감산(substractive) 프로세스 단계를 통하여 가공될 수 있다. 샘플의 3차원 모델은 그래서 인쇄 요소의 하나 이상의 층으로 형성된 하나 이상의 패턴의 표현(representation)을 포함할 수 있다. 또한, 3차원 모델은 하나 이상의 패턴화 층의 화학적, 기계적, 전기적, 또는 광학적 특성의 임의의 조합을 포함할 수 있다. 이와 관련하여, 예측 계측 이미지는 샘플의 알려진 특성에 기초할 수 있다. 본 발명의 다른 실시예는 선택된 프로세스 조건들(process conditions)을 이용하여 선택된 프로세스 툴에 의한 샘플의 가공과 연관된 하나 이상의 프로세스 단계들을 (예를 들면, 시뮬레이션, 에뮬레이션, DGM 등을 통하여) 예측함으로써 3차원 모델을 생성하는 것에 대한 것이다. 이와 관련하여, 3차원 모델은 가공 구조 자체의 정확한 표현일 수 있다.
본 발명의 추가적인 실시예는 적어도 하나의 노이즈 소스(souce of noise)를 통합하는 예측 계측 이미지를 생성하는 것에 대한 것이다. 본 명세서에서는 선택된 계측 툴을 이용한 가공 샘플의 계측 측정은 출력 계측 이미지를 열화(劣化)할 수 있는 다양한 노이즈 소스의 영향을 받을 수 있음이 인식된다. 예를 들면, 노이즈 소스는 진동, 이미징 빔의 변동, 입사 전자(incident electron) 또는 이온 빔에 대응한 재료의 대전(charge), 이미징 시스템의 수차(abberation)와 같은, 그러나 이에 국한되지 않는, 제어 가능한 현상과 관련될 수 있다. 다른 예로서, 노이즈 소스는 샘플에 의한 광자(photon)의 흡수와 연관된 광자 샷 노이즈(shot noise), 검출기 샷 노이즈 등과 같은, 그러나 이에 국한되지 않는 확률적(예를 들면, 랜덤) 노이즈를 포함할 수 있다. 본 명세서에서 상이한 계측 레시피는 상이한 유형의 노이즈에 대해 다른 감도를 가질 수 있음이 또한 인식된다. 본 발명의 다른 실시예는 선택된 계측 툴에서 가공 샘플의 분석에 존재할 것으로 예상되는 노이즈 유형에 대해 탄력성을 갖도록 계측 레시피의 하나 이상의 양태를 선택하는 것에 대한 것이다.
이와 관련하여, 예측 계측 이미지에 기초하여 생성된 계측 레시피는 가공 샘플에 적용될 때 (예를 들면, 원하는 성능 사양 내의) 매우 정확한 계측 측정을 제공할 수 있다. 따라서, 예측 계측 이미지에 기초하여 계측 레시피를 생성하는 것은 효율적인 계측 레시피 결정을 제공할 수 있는데, 이는 반도체 생산의 모든 단계(phase)에 대한 유연한 계측 해법이 될 수 있다. 또한, 본 명세서에 기술된 시스템과 방법은 예측 계측 이미지의 유연성 및 확장성(scalability)에 기초하여 복잡하고 그리고/또는 미세 조정된(finely tuned) 계측 레시피의 생성을 용이하게 할 수 있다.
도 1a는 본 발명의 하나 이상의 실시예에 따른, 반도체 디바이스 계측 시스템(100)을 예시하는 개념도이다. 일 실시예에서, 계측 시스템(100)은 계측 툴(102)을 포함한다. 예를 들면, 계측 툴(102)은 샘플의 하나 이상의 부분의 이미지를 생성할 수 있다. 다른 실시예에서는 계측 시스템(100)이 컨트롤러(104)를 포함한다. 다른 실시예에서, 컨트롤러(104)는 메모리 디바이스(108)에 유지되는 프로그램 명령을 실행하도록 구성된 하나 이상의 프로세서(106)를 포함한다. 이와 관련하여, 컨트롤러(104)의 하나 이상의 프로세서(106)는 본 발명의 전체에 걸쳐서 기재된 다양한 프로세스 단계들 중 임의의 단계를 수행할 수 있다. 예를 들면, 컨트롤러(104)는 본 기술분야에 알려진 임의의 방법을 사용하여 계측 이미지(예컨대, 계측 툴(102)로부터의 계측 이미지 또는 예측 계측 이미지)로부터 임의의 계측 측정치(예컨대, 오버레이 측정, 샘플 피처(feature)의 치수, 임계 치수(CD), 측벽 각도, 탐지된 결함 등)를 추출할 수 있다.
컨트롤러(104)의 하나 이상의 프로세서(106)는 본 기술분야에 알려진 임의의 처리 소자(processing element)를 포함할 수 있다. 이런 의미에서, 하나 이상의 프로세서(106)는 알고리즘 및/또는 명령을 실행하도록 구성된 임의의 마이크로프로세서 유형의 디바이스를 포함할 수 있다. 일 실시예에서, 하나 이상의 프로세서(106)는 본 발명 전체에 걸쳐서 기술되는, 계측 시스템(100)을 동작하도록 구성된 프로그램을 실행하도록 구성된 데스크탑 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 이미지 컴퓨터, 병렬 프로세서, 또는 임의의 다른 컴퓨터 시스템(예컨대, 네트워크 컴퓨터)으로 구성될 수 있다. "프로세서"라는 용어는 비일시적 메모리 디바이스(108)로부터 프로그램 명령을 실행하는 하나 이상의 처리 소자를 구비한 임의의 디바이스를 포괄하도록 폭넓게 정의될 수 있음이 또한 인식된다. 또한, 본 발명의 전체에 걸쳐서 기재된 단계들은 단일 컨트롤러(104) 또는 이와 달리, 복수의 컨트롤러에 의해 수행될 수 있다. 또한, 컨트롤러(104)는 공통 하우징 또는 복수의 하우징 내에 수용된 하나 이상의 컨트롤러를 포함할 수 있다. 이와 같이, 임의의 컨트롤러 또는 컨트롤러의 조합체는 계측 시스템(100)에 통합하는데 적합한 모듈로서 개별적으로 패키지화될 수 있다. 또한, 컨트롤러(104)는 검출기(126)로부터 수신된 데이터를 분석하고는 이 데이터를 계측 툴(102) 내의 또는 계측 시스템(100) 외부의 추가 구성요소에 제공할 수 있다.
메모리 디바이스(108)는 연관된 하나 이상의 프로세서(106)에 의해 실행 가능한 프로그램 명령을 저장하는데 적합한 본 기술분야에 알려진 임의의 저장 매체를 포함할 수 있다. 예를 들면, 메모리 디바이스(108)는 비일시적(non-transitory) 메모리 매체를 포함할 수 있다. 다른 예로서, 메모리 디바이스(108)는 읽기 전용 메모리(read-only memory), 랜덤 액세스 메모리, 자기 또는 광 메모리 디바이스(예컨대, 디스크), 자기 테이프, 솔리드 스테이트 드라이브(SSD) 등을 포함할 수 있으나 이에 국한되지 않는다. 또한, 메모리 디바이스(108)는 하나 이상의 프로세서(108)와 함께 공통의 컨트롤러 하우징 내에 수용될 수 있음에 주목할 필요가 있다. 일 실시예에서, 메모리 디바이스(108)는 하나 이상의 프로세서(106)와 컨트롤러(104)의 물리적 위치에 대해 원거리에 배치될 수 있다. 예를 들면, 컨트롤러(104)의 하나 이상의 프로세서(106)는 네트워크(예를 들면, 인터넷, 인트라넷 등)를 통하여 액세스 가능한 원격 메모리(예를 들면, 서버)에 액세스할 수 있다. 그래서, 상기의 설명은 본 발명에 대한 한정으로 해석되어서는 안되며, 단지 예시를 위한 것이다.
이제 도 1b와 도 1c를 참조하면, 계측 시스템(100)의 다양한 구성요소가 보다 상세히 설명된다.
계측 툴(102)은 본 기술분야에 알려진 임의의 유형의 계측 장치를 포함할 수 있다. 예를 들면, 계측 툴(102)은 조명 빔(illumination beam)으로 샘플을 조사(照射)할 수 있으며, 또한 조명 빔에 반응하여 샘플로부터 방출되는 방사선을 집속할 수 있다. 조명 빔은 광 빔(예를 들면, 광자(photon)), 전자 빔, 또는 이온 빔과 같은, 그러나 이에 국한되지 않는, 샘플을 프로빙(probing)하는데 적합한 임의의 유형의 조명 빔을 포함할 수 있다. 또한 샘플로부터 방출되는 방사선은 광자, 전자, 이온, 중성 입자 등을 포함할 수 있다. 따라서, 계측 툴(102)은 광학 계측 툴, 전자 빔(e-beam) 계측 툴, 주사 전자 현미경(scanning electron microscope: SEM), 이온 빔 계측 툴 등을 포함할 수 있다.
계측 툴(102)은 직접 이미징 모드(direct imaing mode) 또는 스캐닝 이미징 모드 중 어느 하나로 또한 동작할 수 있다. 예를 들면, 직접 이미징 모드로 동작하는 계측 툴(102)은 시스템 해상도보다 더 큰 샘플의 일부를 조명해서는 검출기에서 샘플의 조명된 부분의 이미지를 캡쳐할 수 있다. 캡쳐된 이미지는 명시야(brightfield) 이미지, 암시야(darkfield) 이미지, 위상 콘트라스트(phase-constrast) 이미지 등과 같은, 그러나 이에 국한되지 않는 본 기술분야에 알려진 임의의 유형의 이미지일 수 있다. 또한 캡쳐된 이미지는 샘플의 합성 이미지를 형성하기 위해 (예를 들면, 계측 툴(102)에 의해, 컨트롤러(104) 등에 의해) 서로 스티칭(stiching)될 수 있다. 다른 예로서, 스캐닝 모드로 동작하는 계측 툴(102)은 집속 빔(focused beam)을 샘플을 가로질러 스캐닝해서는, 하나 이상의 측정 각도로 하나 이상의 검출기에서 샘플로부터 방출되는 방사선 및/또는 입자를 포착할 수 있다. 집속 빔은 (예를 들면, 갤보 미러(galvo mirror), 압전 미러(piezoelectric mirro) 등을 사용하여) 빔 경로를 변경함으로써 그리고/또는 샘플을 집속 빔의 초점 볼륨(focal volume)을 통과하여 이동시킴으로써 샘플을 가로질러 스캔될 수 있다. 포착된 방사선은 그리고 나서 샘플의 합성 이미지를 형성하기 위해 (예를 들면, 계측 툴(102)에 의해, 컨트롤러(104) 등에 의해) 서로 스티칭될 수 있다.
도 1b는 본 발명의 하나 이상의 실시예에 따른, 광학 계측 툴(102)을 예시하는 개념도이다. 일 실시예에서, 계측 툴(102)은 조명 빔(112)을 발생시키도록 구성된 조명원(illumination source: 110)을 포함한다. 조명 빔(112)은 자외선(UV) 방사선, 가시광선 방사선, 또는 적외선(IR) 방사선을 포함하나 이에 국한되지 않는, 하나 이상의 선택된 파장(seleted wavelengths)의 광을 포함할 수 있다.
조명원(110)은 광 조명 빔(112)을 발생시키는데 적절한 본 기술분야에 알려진 임의의 유형의 조명원일 수 있다. 일 실시예에서, 조명원(110)은 광대역 플라즈마(broadband plasma: BBP) 조명원을 포함한다. 이와 관련하여, 조명 빔(112)은 플라즈마에 의해 방출된 방사선을 포함할 수 있다. 예를 들면, BBP 조명원(110)은 방사선을 방출하는데 적합한 플라즈마를 발생 또는 유지시키기 위해 에너지가 가스에 의해 흡스되도록, 펌프 광(pump light)을 소정 볼륨의 가스에 집광시키도록 구성된 하나 이상의 펌프 소스(예를 들면, 하나 이상의 레이저)를 포함할 수 있으나, 반드시 포함해야 할 필요는 없다. 또한, 플라즈마 방사선의 적어도 일부는 조명 빔(112)으로 활용될 수 있다. 다른 실시예에서, 조명원(110)은 하나 이상의 레이저를 포함할 수 있다. 예를 들면, 조명원(110)은 전자기 스펙트럼의 적외선, 가시광선, 또는 자외선 부분에서 방사선을 방출할 수 있는 본 기술분야에 알려진 임의의 레이저 시스템을 포함할 수 있다.
다른 실시예에서, 조명원(110)은 조명 빔(112)을 조명 경로(118)를 통해서 샘플 스테이지(116) 상에 배치된 샘플(114)로 지향(指向)시킨다. 조명 경로(118)는 조명 빔(112)을 변형 및/또는 조정하는데 적합한 하나 이상의 렌즈(120) 또는 추가적인 광학 구성요소(122)를 포함할 수 있다. 예를 들면, 하나 이상의 광학 구성요소(122)는 하나 이상의 편광자(polarizer), 하나 이상의 필터, 하나 이상의 빔 스플리터, 하나 이상의 확산기(diffuser), 하나 이상의 균질기(homogenizer), 하나 이상의 아포다이저(apodizer), 또는 하나 이상의 빔 성형기(beam shaper)를 포함할 수 있으나 이에 국한되지 않는다. 다른 실시예에서, 계측 툴(102)은 조명 빔(112)을 샘플(114) 상에 집광시키기 위한 대물 렌즈(124)를 포함한다.
다른 실시예에서, 계측 툴(102)은 집속 경로(128)를 통해서 샘플(114)로부터 방출되는 방사선을 포착하도록 구성된 검출기(126)를 포함한다. 예를 들면, 검출기(126)는 집속 경로(128) 내의 요소들(예를 들면, 대물 렌즈(124), 하나 이상의 집광 렌즈(130) 등)에 의해 제공되는 샘플(114)의 이미지를 수신할 수 있다. 집속 경로(128)는 하나 이상의 필터, 하나 이상의 편광자, 또는 하나 이상의 빔 블록(beam block)을 포함하나 이에 국한되지 않는, 대물 렌즈(124)에 의해 집광된 조명을 지향 및/또는 변형시키기 위한 임의의 개수의 집광 요소(132)를 더 포함할 수 있다.
검출기(126)는 샘플(114)로부터 수신된 조명을 측정하는데 적합한 본 기술분야에 알려진 임의의 유형의 광 검출기를 포함할 수 있다. 예를 들면, 검출기(126)는 CCD 검출기, TDI 검출기, 광전자 증배관(photomultiplier tube: PMT), 애벌랜치 포토다이오드(valanche photodiode: APD) 등을 포함할 수 있으나 이에 국한되지 않는다. 다른 실시예에서, 검출기(126)는 샘플(114)로부터 방출되는 방사선의 파장을 식별하는데 적합한 분광 검출기를 포함할 수 있다. 다른 실시예에서, 계측 툴(102)은 (예를 들면, 계측 툴(102)에 의한 복수의 계측 측정을 용이하게 하기 위해 하나 이상의 빔 스플리터에 의해 생성된 복수의 빔 경로와 연관된) 복수의 검출기(126)를 포함할 수 있다.
일 실시예에서, 도 1b에 도시된 바와 같이, 계측 툴(102)은 대물 렌즈(124)가 조명 빔(112)을 샘플(114)로 지향시키면서 동시에 샘플(114)로부터 방출되는 방사선을 집속할 수 있도록 배향된 빔 스플리터(134)를 포함할 수 있다. 이와 관련하여, 계측 툴(102)은 낙사조명(epi-illumination) 모드로 구성될 수 있다. 다른 실시예에서, 샘플(114)에 대한 조명 빔(112)의 입사각은 조절 가능하다. 예를 들면, 빔 스플리터(134)와 대물 렌즈(124)를 통과하는 조명 빔(112)의 경로는 샘플(114)에 대한 조명 빔(112)의 입사각을 제어할 수 있도록 조절될 수 있다.
다른 실시예에서, 계측 툴(102)은 계측 시스템(100)의 컨트롤러(104)에 통신 가능하게 결합된다. 이와 관련하여, 컨트롤러(104)는 계측 이미지를 포함하나 이에 국한되지 않는 데이터를 수신하도록 구성될 수 있다.
도 1c는 본 발명의 하나 이상의 실시예에 따른, 입자 빔(particle beam) 계측 툴로서 구성된 계측 툴(102)의 개념도이다. 일 실시예에서, 조명원(110)은 조명 빔(112)이 입자 빔(예를 들면, 전자 빔, 입자 빔 등)을 포함하도록 입자 소스(pariticle source)(예를 들면, 전자 빔 소스, 이온 빔 소스 등)를 포함한다. 조명원(110)은 조명 빔(112)을 발생시키는데 적합한 본 기술분야에 알려진 임의의 입자 소스를 포함할 수 있다. 예를 들면, 조명원(110)은 전자 총(electron gun) 또는 이온 총을 포함할 수 있으나 이에 국한되지 않는다. 다른 실시예에서, 조명원(110)은 입자 빔에 조정 가능한 에너지를 제공하도록 구성된다. 전자 소스를 포함하는 조명원(110)은 0.1 kV 내지 30 kV 범위의 가속 전압을 공급할 수 있으나 이에 국한되지 않는다. 다른 예로서, 이온 소스를 포함하는 조명원(110)은 1 내지 50 keV 범위의 에너지를 갖는 이온 빔을 공급할 수 있으나 필수적인 것은 아니다.
다른 실시예에서, 조명 경로(118)는 하나 이상의 입자 집속 요소(예를 들면, 렌즈(120) 등)을 포함한다. 예를 들면, 하나 이상의 입자 집속 요소는 단일 입자 집속 요소 또는 복합 시스템을 형성하는 하나 이상의 입자 집속 요소를 포함할 수 있으나 이에 국한되지 않는다. 다른 실시예에서, 하나 이상의 입자 집속 요소는 조명 빔(112)을 샘플(114)로 지향하도록 구성된 대물 렌즈(124)를 포함한다. 또한, 하나 이상의 입자 집속 요소는 정전(electrostatic) 렌즈, 자성(magnetic) 렌즈, 단전위(uni-potential) 렌즈, 또는 이중전위(double-potential) 렌즈를 포함하나 이에 국한되지 않는 본 기술분야에 알려진 임의의 유형의 전자 렌즈(electron lense)를 포함할 수 있다. 본 명세서에서는 도 1c에 도시된 이미징 계측 툴에 대한 설명 및 상기 관련 설명은 전적으로 예시를 목적으로 제공된 것으로 한정하는 것으로 해석해서는 안 된다는 것에 주목할 필요가 있다. 예를 들면, 계측 툴(102)은 샘플(114)에 대한 계측 데이터를 생성하는데 적합한 본 기술분야에 알려진 임의의 여기 소스(excitation source)를 포함할 수 있다. 다른 실시예에서, 계측 툴(102)은 2개 이상의 입자 빔을 발생시키기 위해 2개 이상의 입자 빔 소스(예를 들면, 전자 빔 소스 또는 이온 빔 소스)를 포함한다. 다른 실시예에서, 계측 툴(102)은 한 가지 이상의 전압을 샘플(108)의 한 곳 이상의 위치에 인가하도록 구성된 하나 이상의 구성요소(예를 들면, 하나 이상의 전극)를 포함할 수 있다. 이와 관련하여, 계측 툴(102)은 전압 대비 이미징 데이터를 생성할 수 있다.
다른 실시예에서, 계측 툴(102)은 샘플(114)로부터 방출되는 입자를 이미징하거나 또는 달리 검출하기 위한 하나 이상의 입자 검출기(126)를 포함한다. 일 실시예에서, 검출기(126)는 전자 컬렉터(2차 전자 컬렉터, BSED(backscattered electron detector) 등)를 포함한다. 다른 실시예에서, 검출기(128)는 샘플 표면으로부터 전자 및/또는 광자를 검출하기 위한 광자 검출기(예를 들면, 광 검출기, X선 검출기, PMT(photomultiplier tube) 검출기에 결합된 섬광 소자(scintillating element) 등)를 포함한다.
도 2는 본 발명의 하나 이상의 실시예에 따른, 계측 방법(200)에서 수행되는 단계들을 예시하는 순서도이다. 본 출원인은 계측 시스템(100)의 맥락에서 본 명세서에서 전술한 실시예 및 이를 가능케 하는 기술이 방법(200)에까지 확장되도록 해석되어야 함을 밝혀둔다. 하지만, 본 방법(200)은 계측 시스템(100)의 아키텍처에 한정되지 않음에 또한 주목해야 한다.
일 실시예에서, 방법(200)은 계측 툴에 의한 분석 대상 구조의 하나 이상의 사례를 포함하는 샘플의 3차원 모델을 생성하는 단계 202를 포함한다. 예를 들면, 단계 202는 계측 시스템(100)의 컨트롤러(104)에 의해, 계측 툴(102)에 의한 분석 대상 구조의 하나 이상의 사례를 포함하는 샘플의 3차원 모델을 생성하는 단계를 포함할 수 있다.
분석 대상 구조는 계측 툴에 의한 가공 및 분석에 적합한 임의의 유형의 구조를 포함할 수 있다. 또한, 분석 대상 구조는 임의의 용도을 위한 것일 수도 있다. 예를 들면, 구조는 샘플 상의 2개 이상의 층의 상대적인 정렬에 민감한 오버레이 타겟(overlay target)을 포함할 수 있다. 다른 예로서, 구조는 가공 중에 조사 에너지 선량(dose of illumination energy)에 민감한 선량 모니터링 타겟을 포함할 수 있다. 다른 예로서, 구조는 가공 중에 리소그래피(lithography) 툴에서의 샘플의 위치에 민감한 초점 모니터링 타겟을 포함할 수 있다. 다른 예로서, 구조는 가공 결함에 대한 검사에 적합한 임의의 패턴 요소 또는 일련의 패턴 요소를 포함할 수 있다.
전체적으로 도 3a 내지 도 7b를 참조하면, 오버레이 타겟으로부터 오버레이 계측 측정치를 추출하기 위한 계측 레시피의 생성이 기술된다. 하지만, 도 3a 내지 도 7b는 이하의 그 관련 설명과 함께 전적으로 예시적인 목적으로 제시되었으며 한정하는 것으로 해석되어서는 안됨을 이해해야 한다. 임의의 유형의 관심 샘플에 대한 임의의 유형의 관심 구조에 대해 생성된 계측 레시피도 본 발명의 사상과 범위 내에 있다.
도 3a는 본 발명의 하나 이상의 실시예에 따른, 오버레이 계측 측정치를 추출하기 위한 계측 레시피가 생성될 수 있는 오버레이 구조(302)의 모델의 사시도이다. 도 3b는 본 발명의 하나 이상의 실시예에 따른, 도 3a의 횡단면(304)과 연관된 오버레이 구조(302)의 횡단면도이다.
본 명세서에서 전술한 바와 같이, 관심 구조(연관된 계측 측정이 요구되는 구조)는 샘플 상의 하나 이상의 패턴화 재료 층을 포함할 수 있다. 일 실시예에서, 3차원 모델은 하나 이상의 패턴화 재료 층으로 형성된 하나 이상의 패턴 요소의 표현(representation)을 포함한다. 예를 들면, 3차원 모델은 하나 이상의 층 상의 패턴 요소의 크기, 형상, 및/또는 배향을 포함할 수 있다. 또한, 3차원 모델은 패턴화 재료 층의 조성(composition)을 포함할 수 있다.
도 3a와 도 3b를 참조하면, 오버레이 구조(302)의 3차원 모델은 추가 층들이 적층되는 기판 층(306)(예를 들면, 반도체 웨이퍼 등), 제1 층(310) 상의 제1 세트의 하나 이상의 패턴 요소(308), 및 제2 층(314) 상의 제2 세트의 하나 이상의 패턴 요소(312)를 포함할 수 있다. 예를 들면, 도 3a와 도 3b에 도시된 바와 같이, 제1 세트의 하나 이상의 패턴 요소(308)는 직사각형 패턴 요소를 포함할 수 있으나 이에 국한되지 않으며, 제2 세트의 하나 이상의 패턴 요소(312)는 명목상 직사각형 패턴 요소의 중앙에 위치한 개방 원형 패턴을 포함할 수 있으나 이에 국한되지 않는다. 이와 관련하여, 직사각형 패턴 요소는 계측 툴을 사용하여 생성된 구조의 이미지 내에서 가시적일 수 있으며, 오버레이 계측 메트릭(metric)은 개방 원형 패턴의 중심 위치에 대한 직사각형 패턴 요소의 상대 위치를 포함할 수 있다. 오버레이 구조(302)는 전자 빔 계측 툴(예를 들면, 도 1c에 도시된 계측 툴(102) 등)을 사용한 오버레이 측정에 적합할 수 있으나 필수적이지는 않음에 유의할 필요가 있다.
3차원 모델은 관심 계측 메트릭에 직접 관련되지 않을 수도 있는 샘플 층의 하나 이상의 부분을 더 포함할 수 있다. 예를 들면, 3차원 모델은 구조에 대한 구조적인 지지를 제공할 수 있는 하나 이상의 충전 층(fill layer)를 포함할 수 있다. 예를 들면, 도 3b에 도시된 바와 같이, 3차원 모델은 제1 층(310) 내의 제1의 충전 층(316)과 제2 층(314) 내의 제2의 충전 층(318)을 포함할 수 있다.
3차원 모델은 관심 구조의 치수를 포함할 수 있다. 예를 들면, 제1 세트의 하나 이상의 패턴 요소(308)와 제1의 충전 층(316)은 50nm의 공칭 두께를 가질 수 있고, 제2 세트의 하나 이상의 패턴 요소(312)는 60nm의 공칭 두게를 가질 수 있으며, 제2의 충전 층(318)은 70nm의 두께를 가질 수 있다. 또한, 제1 세트의 하나 이상의 패턴 요소(308)는 18nm의 공칭 폭을 가질 수 있고, 제2 세트의 하나 이상의 패턴 요소(312)는 70nm의 공칭 직경을 가질 수 있다.
다른 실시예에서, 3차원 모델은 관련 재료 층의 조성을 포함한다. 예를 들면, 기판 층(306)과 제1 세트의 하나 이상의 패턴 요소(308)는 실리콘으로 형성될 수 있고, 제1의 충전 층(316)과 제2 세트의 하나 이상의 패턴 요소(312)는 실리콘 디옥사이드로 형성될 수 있으며, 제2의 충전 층(318)은 레지스트 재료로 가공될 수 있다. 다른 실시예에서, 3차원 모델은 하나 이상의 재료 층의 화학적, 기계적, 전기적, 또는 광학적 특성과 같은 그러나 이에 국한되지 않는 특성을 포함한다.
다른 실시예에서, 3차원 모델은 구조의 설계에 기초한다. 예를 들면, 3차원 모델은 관련 재료 층 상의 패턴 요소의 크기, 형상, 측벽 각도, 배향, 조성, 특성 등의 공칭 설계 값을 포함할 수 있다.
다른 실시예에서, 3차원 모델은 예측 값에 기초한다. 예를 들면, 단계 202는 선택된 프로세스 툴에 의한 구조의 가공에 기초하여 구조의 하나 이상의 양태를 예측하는 단계를 포함할 수 있다. 이와 관련하여, 3차원 모델은 설계 값으로부터 가공 구조의 편차를 나타낼 수 있다. 예를 들면, 샘플 상의 노광된 패턴 요소는 리소그래피 툴의 유한한 해상도, 수차, 난류, 회절 효과, 산란(scattering) 효과 등으로 인해 (예를 들면, 패턴 마스크와 연관된) 설계된 패턴 요소로부터 일탈할 수 있다. 다른 예로서, 샘플 층의 일부를 에칭함으로써 생성된 패턴 요소(예를 들면, 노광 부분 또는 미노광 부분)는 샘플의 노광 부분과 미노광 부분들 사이의 유한한 에칭 콘트라스트 비(比), 확산 효과 등으로 인해 노광된 패턴 요소로부터 일탈할 수 있다. 따라서, 단계 202는 가공 프로세스의 특정 고려사항에 기초해 가공된 패턴 요소의 양태를 예측할 수 있다.
단계 202에서의 구조의 하나 이상의 양태의 예측은 시뮬레이션, 에뮬레이션, 또는 머신러닝(machine learning) 기법과 같은, 그러나 이에 국한되지 않는 본 기술분야에 알려진 임의의 방법을 사용하여 수행될 수 있다.
예를 들면, 단계 202는 구조의 가공을 위한 선택된 프로세스 툴(또는 한 세트의 툴)의 하나 이상의 프로세스 단계들의 시뮬레이션을 포함할 수 있다. 일례에서, 프로세스 단계들의 시뮬레이션은 선택된 사양 내의 구조의 3차원 모델을 생성하는데 적합한 개념적 모델, 휴리스틱스(heuristics) 등을 사용한 시뮬레이션을 포함할 수 있다. 다른 예로서, 단계 202는 선택된 프로세스 툴(또는 한 세트의 툴)의 물리적, 화학적, 전기적, 및/또는 광학적 상호작용이 선택된 사양 내의 선택된 프로세스 툴의 동작을 모방(emulate)하도록 복제되는 에뮬레이션을 포함할 수 있다.
예를 들면, (리소그래피 툴과 연관된) 조명 빔과 샘플의 광학적 상호작용은 전자기(EM) 솔버(solver)를 사용하여 모델링될 수 있으나 필수적인 것은 아니다. 또한, EM 솔버는 엄밀 결합파 해석(rigorous coupled-wave analysis: RCWA), 유한 요소법 해석, 모멘트 해석법, 표면 적분 기법, 체적 적분 기법, 또는 유한차분(finite-difference) 시간영역 분석을 포함하나 이에 국한되지 않는 본 기술분야에 알려진 임의의 방법을 활용할 수 있다. 기하학적 엔진은 예를 들면, KLA-Tencor 사(社)가 제공하는 AcuShape 소프트웨어로 구현된다. 또한, 선택된 프로세스 단계들 및 관련 재료 조성에 기초하여 구조를 형성하는 다중 패터닝 적층(patterning stacks)의 3차원 모델은, 예를 들면 KLA-Tencor 사(社)가 제공하는 PROLITH 소프트웨어로 구현될 수 있다.
다른 예로서, 단계 202는 한 세트의 트레이닝 이미지에 기초해 가공 구조의 하나 이상의 양태를 예측하기 위해 머신러닝, 신경망(neural networks) 등을 이용할 수 있다. 예를 들면, 단계 202는 심층 생성 모델링(deep generative modeling: DGM)을 사용하여 3차원 모델을 생성할 수 있다. 또한, 트레이닝 이미지는 체계적으로 변화하는 가공 조건 하에서 체계적으로 변화하는 특성을 갖는 가공 구조의 실제 또는 시뮬레이션된 이미지와 같은, 그러나 이에 국한되지 않는 본 기술분야에 알려진 임의의 방법으로 생성될 수 있다.
본 명세서에서는 몇몇 재료의 정밀한 조성 및/또는 특성이 가공의 성질 및/또는 패턴 요소의 크기에 따라 달라질 수 있음이 인식된다. 예를 들면, 박막의 조성 및/또는 특성은 적층 방법뿐만 아니라 막(film)의 열 이력(예를 들면, 새로 적층되거나, 어닐링(annealing) 되는 등)에 따라 달라질 수 있다. 따라서, 단계 202에서 선택된 프로세스 툴에 의한 구조의 가공에 기초하여 구조의 하나 이상의 양태를 예측하는 것은 가공 구조의 매우 정확한 표현을 포함할 수 있다.
다른 실시예에서, 본 방법(200)은 3차원 모델에 기초해 계측 툴에 의한 샘플의 예측 분석에 대응하는 하나 이상의 예측 계측 이미지를 생성하는 단계 204를 포함한다. 예를 들면, 단계 204는 3차원 모델에 기초해 계측 툴(102)에 의한 샘플(114)의 예측 분석에 대응하는 예측 계측 이미지를, 컨트롤러(104)를 사용하여 생성하는 것을 포함할 수 있다.
일 실시예에서, 단계 204에서 생성된 예측 계측 이미지는 계측 툴에 의한 샘플의 예측 분석에 기초한 3차원 모델의 2차원 투영으로부터의 예측 편차(predicted deviation)를 포함한다. 예를 들면, 예측 계측 이미지는 계측 툴에 의한 샘플의 예측 분석을 나타내기 위한 3차원 모델의 투영(예를 들면, 계측 툴의 다양한 구성요소의 특정 구성에 기초한 3차원 모델의 2차원 투영)을 포함할 수 있다. 3차원 모델의 투영은 그래서, 계측 툴에 의해 생성될 수 있는 출력 이미지의 1차 예측(first-order prediction)을 나타낼 수 있다. 또한, 3차원 모델의 투영은 이상화(理想化)된 예측 이미지(예를 들면, 지상의 진실 이미지 등)를 나타낼 수 있으나 반드시 나타낼 필요는 없다. 하지만, 계측 툴로부터의 실제 출력 이미지는 이러한 실제 출력 이미지가 3차원 모델의 투영으로부터 일탈할 수 있게 하는 각종 노이즈 소스를 포함하는 것이 전형적일 수 있다. 따라서, 단계 204에서 생성된 예측 계측 이미지는 3차원 모델의 투영으로부터의 예측 편차를 포함할 수 있다.
3차원 모델의 투영으로부터의 편차는 노이즈로 특징지어질 수 있다. 이와 관련하여, 단계 204에서 생성된 예측 계측 이미지는 복수의 노이즈 소스를 포함할 수 있다. 예를 들면, 단계 204에서 생성된 예측 계측 이미지는 계측 툴에 의한 계측 측정과 연관된 예측 툴 노이즈를 포함할 수 있다. 예를 들면, 툴 노이즈는 계측 툴의 유한 해상도와 연관된 노이즈(예를 들면, 블러(blur)로 나타남)를 포함할 수 있다. 다른 예에서, 툴 노이즈는 기계적인 진동, 대기의 난류, 조명 빔의 강도의 변동 등과 연관된 노이즈를 포함할 수 있다. 다른 예에서, 툴 노이즈는 계측 툴에 의한 샘플의 특정 토포그래피(topography)의 분석과 연관된 섀도윙 아티팩트(shadowing artifact)를 포함할 수 있다. 섀도윙 아티팩트는 예를 들면, 샘플을 가로질러 스캐닝되는 조명 빔을 스캐닝하는 것에 의해 이미지가 점(point) 단위로 생성되는 계측 툴의 스캐닝시에, 또는 샘플의 넓은 조명에 의해 샘플의 일부가 이미지화되는 계측 툴의 직접 이미징시에 존재할 수 있다. 다른 예에서, 툴 노이즈는 포화 효과(saturation effect), 불충분한 콘트라스트 등과 같은 그러나 이에 국한되지 않는 검출기 노이즈를 포함할 수 있다.
다른 예로서, 단계 204에서 생성된 예측 계측 이미지는, 3차원 모델의 투영으로부터 출력 계측 이미지의 편차를 유발할 수 있는 샘플 전체에 걸친 샘플 특성의 변동(예를 들면, 물리적 특성, 토포그래피, 화학적 특성, 광학적 특성 등)과 관련된 예측 샘플 노이즈를 포함할 수 있다. 예를 들면, 샘플 토포그래피의 변동(예를 들면, 피처의 에지에 근접하는 등)은 이미지 강도(强度)의 변동으로 발현될 수 있는 전자 빔 계측 툴에서의 샘플에 걸쳐 불균등한 대전 효과를 유발할 수 있다. 또한, 이러한 대전 효과는 조명 빔의 스캐닝 속도, 조명 빔의 에너지 또는 강도, 측정시의 시계(field of view)와 같은, 그러나 이에 국한되지 않는 계측 툴 또는 계측 레시피의 특정 특성에 의존할 수 있다. 이러한 이미지 강도의 변동은 계측 툴에 의해 생성된 특정 샘플의 이미지의 정확한 예측을 제공할 수 있도록 단계 204에서 예측될 수 있다.
또한, 샘플 노이즈는 가공 프로세스의 변동(예를 들면, 프로세스 변동)으로 인한 3차원 모델로부터의 가공 샘플의 예측 편차를 포함할 수 있다. 예를 들면, 가공 구조의 샘플의 물리적 특성(예를 들면, 패턴 배치(pattern placement) 오차, 오버레이 값, 층 두께, 측벽 각도 등)은 웨이퍼에 걸쳐서 및/또는 상이한 생산 공정에 걸쳐서 달라질 수 있다. 따라서, 단계 204에서 생성된 예측 계측 이미지는 3차원 모델의 투영으로부터 샘플 자체의 에측 편차를 포함할 수 있다.
다른 예로서, 단계 204에서 생성된 예측 계측 이미지는 가공 또는 계측 프로세스의 임의의 시점과 연관된 예측된 확률적(예를 들면, 랜덤) 노이즈를 포함할 수 있다. 예를 들면, 단계 204에서 생성된 예측 계측 이미지는 계측 툴에서의 검출기의 예측 샷 노이즈(predicted shot noise), 가공 및/또는 계측 중의 샘플에 의한 광자의 흡수와 연관된 광자 샷 노이즈 등을 포함할 수 있다.
또한, 구조의 가공 또는 계측 툴에서의 측정과 관련된 노이즈 소스는 계측 툴의 출력 계측 이미지에서 다양한 방식으로 나타날 수 있다. 따라서, 단계 204에서 생성된 예측 계측 이미지는 노이즈의 다양한 발현(發現)을 포함할 수 있다. 또한, 복수의 노이즈 소스가 예측 계측 이미지에서는 동일한 방식으로 발현될 수도 있다. 예를 들면, 예측 계측 이미지는 스페클(speckle)로 나타나는 화이트 노이즈(white noise)를 포함할 수 있다. 다른 예로서, 예측 계측 이미지는 가우스 노이즈(Gaussian noise), 또는 블러(blur)를 포함할 수 있다. 다른 예로서, 예측 계측 이미지는 선 에지 거칠기(line edge roughness: LER), 선폭 거칠기(linewidth roughness: LWR), 또는 둥근 모서리와 같은, 그러나 이에 국한되지 않는 구조의 왜곡(distortion)을 포함할 수 있다. 다른 예로서, 예측 계측 이미지는 체계적인 강도의 노이즈를 포함할 수 있다. 예를 들면, SEM 이미지에서의 재료의 대전은, 토포그래피 변동의 거짓 발생(flase apperance)을 유발할 수 있는 밝은 픽셀(예를 들면, 그레이스케일 강도의 증가)로 나타날 수 있다.
예측 계측 이미지는 본 기술분야에 알려진 임의의 방법을 통해서 단계 204에서 생성될 수 있다. 일 실시예에서, 단계 204는 하나 이상의 노이즈 분포를 단계 202의 3차원 모델의 투영과 컨벌루션(convolution)하는 것을 포함한다. 다른 실시예에서, 단계 204는 3차원 모델과 예측 노이즈 소스에 기초해 하나 이상의 예측 계측 이미지를 직접 생성한다. 이와 관련하여, 3차원 모델의 이상적인 투영이 별도로 생성될 필요는 없다.
하나 이상의 예측 계측 이미지가 시뮬레이션, 에뮬레이션, 또는 머신러닝 기법과 같은, 그러나 이에 국한되지 않는 다양한 기법을 사용하여 단계 204에서 생성될 수 있다.
예를 들면, 단계 204는 예측 계측 이미지의 생성을 위한 계측 시뮬레이션을 포함할 수 있다. 일례에서, 계측 툴의 시뮬레이션은 선택된 사양 내에서 계측 툴의 출력을 나타내는 이미지를 제공하는데 적합한 개념적 모델, 휴리스틱스 등을 이용한 시뮬레이션을 포함할 수 있다. 다른 예로서, 단계 204는 샘플과 계측 툴의 물리적, 화학적, 전기적, 및/또는 광학적 상호작용이 선택된 사양 내의 계측 툴의 동작을 모방하도록 복제되는 에뮬레이션을 포함할 수 있다.
예를 들면, 샘플과 광 조명 빔의 상호작용은 전자기(EM) 솔버를 사용하여 모델링될 수 있으나 필수적인 것은 아니다. 다른 예에서, 입자 조명 빔의 상호작용은 SEM 시뮬레이터(예를 들면, CO-SEM 시뮬레이터 등)를 사용하여 모델링될 수 있다. SEM 시뮬레이터는 예를 들면, KLA-Tencor 사(社)가 제공하는 PROLITH 소프트웨어로 구현될 수 있다. 다른 예에서, 광 조명 빔 또는 입자 조명 빔과 샘플의 상호작용은 엄밀 결합파 해석(RCWA), 유한 요소법 해석, 모멘트 해석법, 표면 적분 기법, 체적 적분 기법, 또는 유한차분 시간영역 분석을 포함하나 이에 국한되지 않는 본 기술분야에 알려진 임의의 방법으로 구현될 수 있다. 기하학적 엔진은 예를 들면, KLA-Tencor 사(社)가 제공하는 AcuShape 소프트웨어로 구현된다.
다른 예로서, 단계 204는 예측 계측 이미지를 생성하기 위해 머신러닝, 신경망 등을 활용할 수 있다. 예를 들면, 단계 204는 심층 생성 모델링(DGM)을 이용하여 3차원 모델을 생성할 수 있다. 또한, 트레이닝 이미지는 계측 툴을 사용하여 분석된 체계적으로 변화하는 특성을 갖는 가공 구조의 실제 또는 시뮬레이션된 이미지와 같은, 그러나 이에 국한되지 않는 본 기술분야에 알려진 임의의 방법으로 생성될 수 있다.
단계 204는 계측 툴의 예측 출력을 나타내는 임의의 개수의 예측 계측 이미지를 생성하는 것을 포함할 수 있다. 또한 단계 204에서 생성된 예측 계측 이미지는 단계 202에서 모델링된 관심 구조의 임의의 개수의 사례를 포함할 수 있다.
예를 들면, 단계 204는 가공 또는 계측 측정의 하나 이상의 양태가 변화하는 (합성 이미지의 서브이미지(sub-image)로서 또는 개별 이미지로서) 다른 일련의 이미지를 포함할 수 있다. 예를 들면, 단계 204에서 생성된 하나 이상의 계측 이미지는 동일한 가공 구조의 복수의 예측(예를 들면, 시뮬레이션, 에뮬레이션 등)을 포함할 수 있다. 이와 관련하여, 확률적(stochastic) 노이즈 소스와 같은, 그러나 이에 국한되지 않는 소정의 노이즈 소스의 영향이 평가될 수 있다. 다른 예에서, 단계 204에서 생성된 하나 이상의 계측 이미지는, 구조의 하나 이상의 속성(예를 들면, 오버레이 값, 층 두께, 측벽 각도 등)이 가공 프로세스에서의 체계적인 변동을 나타내도록 체계적으로 변화하는, 관심 구조의 복수의 사례를 포함할 수 있다. 이와 관련하여, 가공 프로세스에 있어서의 편차의 영향이 평가될 수 있다.
도 4는 본 발명의 하나 이상의 실시예에 따른, 도 3a 및 도 3b의 오버레이 구조(302)의 복수의 사례들(404)을 포함하는 샘플의 예측 계측 이미지(402)이다. 도 4의 예측 계측 이미지(402)의 각 사례(404)는 상이한 오버레이 값, 또는 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소와 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴 사이의 상이한 상대 위치에 의해 생성된다.
또한, 예측 계측 이미지(402)는 오버레이 구조(302)의 사례들(404) 상에 중첩된 복수의 노이즈 소스를 포함한다. 예를 들면, 스페클로 나타나는 화이트 노이즈가 전체 이미지에 걸쳐서 통합되지만, 구역 406에서 특히 관찰될 수 있다. 다른 예로서, 예측 계측 이미지(402)는 계측 툴(예를 들면, 도 1c에 도시된 계측 툴(102))에 의한 분석 중에 전자 빔에 의한 예측 대전(predicted charging)을 나타내는 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴의 에지(408)에 위치한 대전 노이즈(charging noise)를 포함한다.
다른 실시예에서, 본 방법(200)은 하나 이상의 예측 계측 이미지로부터 계측 측정치를 추출하기 위해 2개 이상의 후보 계측 레시피를 평가하는 단계 206을 포함한다.
계측 레시피는 가공 구조의 원하는 계측 측정치를 추출하기 위해 구조의 이미지를 분석하는 하나 이상의 단계를 포함할 수 있다. 예를 들면, 계측 레시피는 콘트라스트(contrast) 또는 밝기와 같은, 그러나 이에 국한되지 않는 하나 이상의 이미지 파라미터를 조절하는 것을 포함할 수 있다. 다른 예로서, 계측 레시피는 이미지를 준비하기 위한 하나 이상의 이미지 처리 단계를 포함할 수 있다. 예를 들면, 계측 레시피는 하나 이상의 이미지 필터(예를 들면, 스페클 저감 필터, 가우스 블러(blur) 필터, 선명화(sharpening) 필터 등), 형태학적(morphological) 이미지 처리 기법(예를 들면, 이미지 열기, 이미지 닫기 등), 에지 검출(edge-finding) 기법, 객체 인식 기법 등을 적용하는 것을 포함할 수 있으나, 필수적으로 포함해야 하는 것은 아니다. 다른 예로서, 계측 레시피는 분석을 위한 하나 이상의 관심 영역을 선택하는 것을 포함할 수 있다. 다른 예로서, 계측 레시피는 원하는 계측 측정을 나타내는 패턴, 문턱값 등을 결정하기 위한 픽셀 값의 분석을 포함할 수 있다.
도 5a 내지 도 6b를 참조하면, 도 4의 예측 계측 이미지(402)의 일부 상의 오버레이를 측정하기 위한 후보 계측 레시피와 연관된 잠재적인 단계들이 도시된다. 하지만, 도 5a 내지 도 6b는 전적으로 예시적인 목적으로 제공되었으며 한정하는 것으로 해석되어서는 안됨을 이해해야 한다. 예를 들면, 단계 206에서 생성된 후보 계측 레시피는 예측 계측 이미지 전체 또는 계측 이미지의 선택 부분에 기초해 생성될 수 있다. 또한, 단계 206에서 생성된 후보 계측 레시피는 본 명세서에 예시된 단계들과는 다른 또는 이에 부가적으로 원하는 계측 메트릭을 추출하는데 적합한 임의의 개수의 단계를 포함할 수 있다.
도 5a는 본 발명의 하나 이상의 실시예에 따른, 오버레이 구조(302)의 단일 사례를 포함하는 예측 계측 이미지(402)의 일부의 이미지(502)이다. 예를 들면, 도 5a는 직교 방향으로의 오버레이의 측정을 위해 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소와 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴 양자(兩者) 모두의 직교 슬라이스(slice)를 포함하는 2개의 관심 영역(504)을 포함한다. 도 5b는 본 발명의 하나 이상의 실시예에 따라, 에지 검출(edge-finding) 기법을 포함하는 하나 이상의 이미지 분석 단계에 의해 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소 및 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴의 에지가 식별된, 도 5a의 변형 버전을 포함하는 이미지(506)이다. 따라서, 오버레이 계측 측정은 관심 영역(504) 내의 에지들의 상대 위치를 측정함으로써 직교 방향 각각에 있어서 결정될 수 있다.
본 명세서에서는 광범위한 계측 레시피를 사용하여 구조의 소정의 이미지를 특징짓기 위해 소정의 계측 측정(예를 들면, 오버레이)이 수행될 수 있다는 것이 인식된다. 예를 들면, 도 5b를 고려하면, 단일 픽셀 라인을 따라서 수평 방향으로의 오버레이 측정은 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소의 중심 픽셀과 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴의 중심 픽셀을 비교함으로써 결정될 수 있다. 다른 예로서, 수평 방향으로의 오버레이 측정은 2개 이상의 픽셀 라인에 대해 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소의 평균 중심 픽셀과 동일한 2개 이상의 픽셀 라인에 대해 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴의 평균 중심 픽셀을 비교함으로써 결정된다. 다른 예로서, 오버레이 측정은 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소의 중심의 (X,Y) 위치와 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴의 중심의 (X,Y) 위치를 비교함으로써 수행될 수 있다.
또한, 후보 계측 레시피들은 이미지 분석 단계에서 사용되는 파라미티 및/또는 문턱값에 따라 상이할 수 있다. 도 6a는 본 발명의 하나 이상의 실시예에 따른, 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소의 에지 및 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴의 에지를 포함하는 예측 계측 이미지(402)의 일부를 예시하는 이미지(602)이다. 도 6b는 본 발명의 하나 이상의 실시예에 따른, 도 6a의 단일 픽셀 라인에 걸친 픽셀 강도(pixel intensity)의 그래프(604)이다. 도 6b는 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소와 연관된 제1의 점진적 전이(gradual transition)(606)와 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴과 연관된 제2의 점진적 전이(608)를 도시한다.
이와 관련하여, 단계 206에서 생성된 후보 계측 레시피는 계측 메트릭을 추출하기 위해 이미지 분석 단계에서 적용된 선택된 파라미터들을 포함할 수 있다. 예를 계속 들면, 도 5b의 에지는 에지 검출 분석을 위한 문턱값을 선택함으로써 결정될 수 있다. 예를 들면, 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소의 에지는 도 6b와 유사한 횡단면도에서, Y축으로 정의되는 40을 초과하는 픽셀 강도에 기초해 정의될 수 있으나 반드시 그럴 필요는 없다. 유사하게, 제2 세트의 하나 이상의 패턴 요소(312)의 개방 원형 패턴의 에지는 도 6b와 유사한 횡단면도에서 100을 초과하는 픽셀 강도에 기초해 정의될 수 있으나 반드시 그럴 필요는 없다.
단계 206은 원하는 계측 메트릭을 추출하는데 적합한 2개 이상의 후보 계측 레시피를 생성하는 것을 포함할 수 있다. 2개 이상의 후보 계측 레시피는 상이한 이미지 처리 분석 기법(예를 들면, 상기 예에서 이미지(602)를 생성하는데 적합한 상이한 에지 검출 기법, 상이한 이미지 필터 등), 주어진 분석 기법을 조정하는데 사용되는 상이한 파라미터, 또는 분석할 샘플의 상이한 영역들을 포함할 수 있으나 이에 국한되지 않는다. 또한, 단계 206은 2개 이상의 후보 계측 레시피를 평가하는 것을 포함한다. 이와 관련하여, 2개 이상의 후보 계측 레시피는 단계 204에서 생성된 하나 이상의 예측 계측 이미지에 적용될 수 있다.
다른 실시예에서, 본 방법(200)은 계측 툴의 구조의 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피로부터 계측 레시피를 선택하는 단계 208을 포함한다.
일 실시예에서, 단계 208은 하나 이상의 선택 메트릭에 기초해 2개 이상의 후보 계측 레시피로부터 계측 레시피를 선택하는 것을 포함한다. 본 명세서에서는 이미지로부터 소정의 계측 측정치를 추출하기 위해 상이한 계측 레시피가 잠재적으로 활용될 수 있다는 것이 인식된다. 하지만, 모든 계측 레시피가 동일한 수준의 성능 또는 노이즈(예를 들면, 툴 노이즈, 샘플 노이즈, 프로세스 노이즈 등)에 대한 강고성 정도(degree of robustness)을 갖지는 않을 수 있다. 따라서, 임의의 개수의 선택된 선택 메트릭에 기초해 원하는 수준의 성능을 제공하는 계측 레시피를 선택하는 것이 바람직할 수 있다.
예를 들면, 하나 이상의 선택 메트릭은 추출된 계측 측정치(예를 들면, 임계 치수, 오버레이, 측벽 각도 등)의 정확도를 포함할 수 있다. 계측 레시피가 샘플에 대한 계측 메트릭의 실제 값을 정확하게 반영하는 샘플의 이미지로부터 계측 메트릭의 값을 추출하는 것이 전형적으로 바람직하다.
다른 예로서, 하나 이상의 선택 메트릭은 하나 이상의 노이즈 소스에 대한 추출된 계측 측정치의 강고성을 포함할 수 있다. 노이즈에 대한 추출된 계측 측정치의 강고성은 예를 들면, 복수의 노이즈성 예측 계측 이미지(또는 합성 이미지의 서브이미지)를 생성함으로써, 각각의 후보 계측 레시피에 대해 평가될 수 있다. 툴 노이즈에 대한 추출된 계측 측정치의 강고성을 나타내는 선택 메트릭은 그래서 노이즈에 대응한 추출된 계측 측정치의 값의 분산(variance)의 측정치를 포함할 수 있다.
예컨대, 상기 예를 계속 들면, 도 6b의 제1의 점진적 전이(606)는 제2의 점진적 전이(608)보다 상대적으로 완만한 경사도를 갖는다. 따라서, (예를 들면, 상이한 대전 효과(408), 상이한 이미지 콘트라스트 등과 연관된) 구조의 특정 계측 이미지의 미소한 편차는 제2의 점진적 전이(608)에 대해서 보다는 제1의 점진저 전이(606)으로부터 추출된 에지에 더 큰 영향을 미칠 수 있다. 그래서, 계측 레시피는 제2의 점진적 전이 영역(608)에서 에지를 결정하는 것 보다 제1의 점진적 전이 영역(606)에서 에지를 결정하는데 더 강고한 기법을 사용할 수 있다.
또한, 상이한 노이즈 소스에 대해 별도의 선택 메트릭이 생성될 수 있으나 필수적인 것은 아니다. 예를 들면, 선택 메트릭은 계측 툴과 연관된 툴 노이즈(검출기에서의 샷 노이즈, 섀도윙 아티팩트 등)에 대한 강고성을 포함할 수 있다. 다른 예에서, 선택 메트릭은 샘플 특성의 편차와 연관된 샘플 노이즈(예를 들면, 가공 프로세스의 편차와 연관된 프로세스 노이즈 등)에 대한 강고성을 포함할 수 있다.
일 실시예에서, 체계적인 변동을 갖는 복수의 예측 계측 이미지를 (예를 들면, 단계 204에서) 생성하기 위해 실험 계획법(design of experiments: DOE)이 개발될 수 있다. 예를 들면, 예측 계측 이미지는 프로세스 편차에 대한 각각의 후보 계측 레시피의 강고성을 결정하기 위해 프로세스 편차를 나타내는 샘플 치수의 체계적인 변동을 갖는 DOE를 포함할 수 있다. 다른 예로서, 예측 계측 이미지는 결정적(deterministic) 툴 노이즈(예를 들면, 섀도윙 아티팩트, 대전 아티팩트 등)에 대한 각각의 후보 계측 레시피의 강고성을 결정하기 위해 계측 툴에 의한 측정 파라미터(조명 빔의 에너지, 조명 빔의 스캐닝 속도 등)의 체계적인 변동을 갖는 DOE를 포함할 수 있다. 다른 예로서, DOE는 확률적(stochastic) 노이즈(예를 들면, 샷 노이즈 등)에 대한 각각의 후보 계측 레시피의 강고성을 결정하기 위해 동일한 예측 계측 이미지의 복수 회의 실행(multiple run)을 포함할 수 있다.
다른 실시예에서, 단계 208에서 계측 레시피를 선택하는 것은 2개 이상의 선택 메트릭에 기초해 후보 계측 타겟의 다변량(multivariate) 분석을 수행하는 것을 포함한다. 다변량 분석은 회귀 분석(regression analysis)과 같은, 그러나 이에 국한되지 않는 본 기술분야에 알려진 임의의 유형의 다변량 분석을 포함할 수 있다. 이와 관련하여, 단계 208에서 선택된 계측 레시피는 복수의 선택 메트릭을 균형화함으로써 원하는 수준의 성능을 제공할 수 있다.
이제 전체적으로 도 7a와 도 7b를 참조하면, 오버레이 계측 메트릭이 체계적으로 변화하는 실험 계획법이 도시되어 있다. 도 7a는 본 발명의 하나 이상의 실시예에 따른, 체계적으로 변화하는 오버레이 값과 연관된 도 4의 예측 계측 이미지(402)의 관심 영역(ROI-1 내지 ROI-9)을 도시하는 일련의 변형 이미지(702)를 포함한다. 또한, 각 관심 영역은 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소를 식별하는 관심 하부영역(704)을 포함한다. 도 7b는 본 발명의 하나 이상의 실시예에 따른, 도 7a의 관심 영역(ROI-1 내지 ROI-9) 각각과 연관된 오버레이 계측 측정(예를 들면, 오버레이 벡터)의 그래프(706)이다.
따라서, 예측 계측 이미지(예를 들면, 예측 계측 이미지(402))는 다양한 후보 계측 레시피가 평가될 수 있는 DOE(실험 계획법)를 제공할 수 있다. 예를 들면, 후보 계측 레시피는 가공 프로세스의 편차에 대한 민감도를 결정하기 위해 도 7의 각각의 관심 영역(예를 들면, ROI-1 내지 ROI-9)에 (예를 들면, 단계 206에서) 적용될 수 있다. 또한, 계측 레시피는 오버레이 측정의 정확도 및 다양한 노이즈 소스(예를 들면, 툴 노이즈, 샘플 노이즈, 프로세스 노이즈 등)에 대한 강고성과 같은, 그러나 이에 국한되지 않는 선정된 선택 메트릭에 기초해 (예를 들면, 단계 208에서) 선택될 수 있다.
다른 실시예에서, 본 방법(200)은 출력 계측 이미지를 생성하기 위해 가공 구조의 계측 측정을, 계측 툴(예를 들면, 계측 툴(102))에 의해 수행하는 단계 210을 포함한다. 예를 들면, 단계 210은 단계 202에서 모델링된 구조의 하나 이상의 사례들로 샘플을 가공하는 것을 포함할수 있다.
다른 실시예에서, 본 방법(200)은 계측 레시피에 기초해 출력 계측 이미지로부터 가공 구조와 연관된 계측 측정치를 추출하는 단계 212를 포함한다. 예를 들면, 단계 212는 계측 레시피에 기초해 출력 계측 이미지로부터 가공 구조와 연관된 계측 측정치를, 컨트롤러(104)에 의해, 추출하는 것을 포함할 수 있다.
도 8a는 본 발명의 하나 이상의 실시예에 따른, 관심 영역(ROI-1 내지 ROI-15)을 도시하는 구조의 복수의 사례를 갖는 가공 샘플의 분석과 관련된 변형 출력 계측 이미지(802)이다. 또한, 각 관심 영역은 제1 세트의 하나 이상의 패턴 요소(308)의 직사각형 패턴 요소를 식별하는 관심 하부영역(704)을 포함한다. 도 8b는 본 발명의 하나 이상의 실시예에 따른, 도 8a의 관심 영역(ROI-1 내지 ROI-15) 각각과 연관된 오버레이 계측 측정(예를 들면, 오버레이 벡터)의 그래프(804)이다. 이와 관련하여, 단계 202에서 생성된 3차원 모델에 기초해 단계 208에서 선택된 계측 레시피는 가공 샘플에 적용될 수 있다. 또한, 가공 테스트 샘플에 대한 계측 레시피의 사전 테스팅이 요구되지 않는다.
본 명세서에 기술된 주제는 다른 구성요소 내에 수용되거나 다른 구성요소와 접속되는 상이한 구성요소를 예시하기도 한다. 이러한 도시된 아키덱처는 단지 예시를 위한 것으로, 실제로 동일 기능을 달성하는 많은 다른 아키텍처도 구현될 수 있음을 이해해야 한다. 개념적 의미에서, 동일 기능을 달성하기 위한 구성요소의 임의의 배치는 원하는 기능이 달성될 수 있도록 효과적으로 "연관"된다. 본 명세서에서 특정 기능을 달성하기 위해 결합되는 임의의 2개의 구성요소는, 아키텍처 또는 중간 구성요소에 관계없이, 원하는 기능이 달성될 수 있도록 서로 "연관되는" 것으로 간주될 수 있다. 마찬가지로, 이와 같이 연관된 임의의 2개의 구성요소는 원하는 기능을 달성할 수 있도록 서로 "접속되는" 또는 "결합되는" 것으로 간주될 수 있으며, 이와 같이 연관될 수 있는 임의의 2개의 구성요소는 원하는 기능을 달성하기 위해 서로 "결합 가능한" 것으로 또한 간주될 수 있다. 결합 가능한 것의 구체적인 예로는 물리적으로 상호작용 가능한 및/또는 물리적으로 상호작용하는 구성요소, 및/또는 무선으로 상호작용 가능한 및/또는 무선으로 상호작용하는 구성요소, 및/또는 논리적으로 상호작용 가능한 및/또는 논리적으로 상호작용하는 구성요소가 포함되나 이에 국한되지 않는다.
본 발명 및 많은 그 부수적인 이점은 상기 설명에 의해 이해될 수 있다고 여겨지며, 개시된 주제로부터 일탈함이 없이 또는 그 중요한 이점 전체를 희생함이 없이 구성요소의 형태, 구성, 및 배치에 있어서 다양한 변경이 이루어질 수 있음이 자명할 것이다. 기술된 형태는 단지 설명을 위한 것으로, 이러한 변경을 모두 포함하는 것이 첨부된 청구범위의 의도하는 바이다. 또한, 본 발명은 첨부된 청구범위에 의해 정의됨을 이해해야 한다.

Claims (42)

  1. 계측(metrology) 시스템으로서,
    명령(instruction)을 실행하도록 구성된 하나 이상의 프로세서를 포함하는 제어기를 포함하고,
    상기 명령은 상기 하나 이상의 프로세서로 하여금,
    계측 툴(tool)에 의해 분석되는 샘플의 하나 이상의 사례(instance)를 포함하는 샘플의 3차원 모델을 생성하고;
    상기 3차원 모델에 기초해 상기 계측 툴에 의한 상기 샘플의 예측 분석(predicted analysis)에 대응하는 하나 이상의 예측 계측 이미지 - 상기 예측 계측 이미지는 상기 계측 툴에 의한 상기 샘플의 예측 분석에 기초해 상기 3차원 모델의 2차원 투영으로부터의 예측 편차를 포함함 - 를 생성하고;
    상기 하나 이상의 예측 계측 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피(recipe)를 평가하고;
    상기 계측 툴로부터의 구조(structure)의 이미지로부터 계측 측정치를 추출하기 위한 상기 2개 이상의 후보 계측 레시피로부터, 하나 이상의 선택 메트릭(selection metrics)에 기초하여, 계측 레시피를 선택하고;
    가공 구조(fabricated structure)의 계측 측정에 기초해 상기 가공 구조의 출력 계측 이미지를, 계측 툴로부터 수신하며;
    상기 계측 레시피에 기초해 상기 출력 계측 이미지로부터 상기 가공 구조와 연관된 계측 측정치를 추출하게 하도록
    구성된 것인, 계측 시스템.
  2. 제1항에 있어서,
    상기 하나 이상의 선택 메트릭은,
    상기 하나 이상의 예측 계측 이미지로부터 추출된 계측 측정치의 정확도를 포함하는 것인, 계측 시스템.
  3. 제1항에 있어서,
    상기 하나 이상의 선택 메트릭은,
    상기 하나 이상의 예측 계측 이미지 내의 노이즈(noise)에 대한 상기 추출된 계측 측정치의 강고성(robustness)을 포함하는 것인, 계측 시스템.
  4. 제3항에 있어서,
    노이즈에 대한 상기 추출된 계측 측정치의 강고성은,
    상기 하나 이상의 예측 계측 이미지로부터 추출된 계측 측정치의 분산(variance)을 포함하는 것인, 계측 시스템.
  5. 제1항에 있어서,
    상기 하나 이상의 예측 계측 이미지는 가공 프로세스에서의 편차(deviation)를 나타내기 위해 상기 구조의 속성(attributes)이 체계적으로 변화하는 상기 구조의 2개 이상의 사례를 포함하는 것인, 계측 시스템.
  6. 제5항에 있어서,
    상기 하나 이상의 선택 메트릭은,
    상기 가공 프로세스에서의 편차에 대한 상기 추출된 계측 측정치의 강고성을 포함하는 것인, 계측 시스템.
  7. 제5항에 있어서,
    상기 2개 이상의 후보 계측 레시피로부터 계측 레시피를 선택하는 것은,
    상기 하나 이상의 예측 계측 이미지에 대한 상기 추출된 계측 측정치의 정확도 및 상기 가공 프로세스에서의 편차에 대한 상기 추출된 계측 측정치의 강고성의 다변량 분석(multivariate analysis)에 기초해 상기 2개 이상의 후보 계측 레시피로부터 상기 계측 레시피를 선택하는 것을 포함하는 것인, 계측 시스템.
  8. 제7항에 있어서,
    상기 다변량 분석은 회귀 분석(regression analysis)을 포함하는 것인, 계측 시스템.
  9. 제1항에 있어서,
    상기 예측 계측 이미지를 생성하는 것은,
    상기 3차원 모델에 기초해 상기 계측 툴에 의해 상기 샘플의 계측 측정을 시뮬레이션하는 것을 포함하는 것인, 계측 시스템.
  10. 제9항에 있어서,
    상기 3차원 모델에 기초해 상기 계측 툴에 의해 상기 샘플의 계측 측정을 시뮬레이션하는 것은,
    휴리스틱(heuristic) 시뮬레이션 모델을 사용하여 상기 3차원 모델에 기초해 상기 계측 툴에 의해 상기 샘플의 계측 측정을 시뮬레이션하는 것을 포함하는 것인, 계측 시스템.
  11. 제1항에 있어서,
    상기 예측 계측 이미지를 생성하는 것은,
    상기 3차원 모델에 기초해 상기 계측 툴에 의해 상기 샘플의 계측 측정을 에뮬레이션(emulation)하는 것을 포함하는 것인, 계측 시스템.
  12. 제1항에 있어서,
    상기 예측 계측 이미지를 생성하는 것은,
    심층 생성 모델링(deep generative modeling)에 기초해 상기 예측 계측 이미지를 생성하는 것을 포함하는 것인, 계측 시스템.
  13. 제12항에 있어서,
    심층 생성 모델링에 기초해 상기 예측 계측 이미지를 생성하는 것은,
    트레이닝 이미지(training images) 세트로 심층 생성 모델을 트레이닝하는 것; 및
    상기 구조의 3차원 모델을 입력으로 하여 상기 심층 생성 모델에 기초해 상기 예측 계측 이미지를 생성하는 것
    을 포함하는 것인, 계측 시스템.
  14. 제13항에 있어서,
    상기 트레이닝 이미지 세트는,
    물리적 샘플의 계측 측정에 기초해 상기 계측 툴에 의해 생성된 이미지 또는 모델링된 샘플에 기초해 상기 계측 툴의 출력을 시뮬레이션함으로써 생성된 이미지 중 적어도 하나를 포함하는 것인, 계측 시스템.
  15. 제1항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    상기 구조의 가공과 연관된 확률적 노이즈(stochastic noise) 또는 상기 계측 툴에 의한 상기 구조의 계측 측정과 연관된 확률적 노이즈 중 적어도 하나를 포함하는 것인, 계측 시스템.
  16. 제1항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    상기 계측 툴의 검출기의 샷 노이즈(shot noise)를 포함하는 것인, 계측 시스템.
  17. 제1항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    상기 샘플에 의한 상기 계측 툴의 조명 빔의 흡수의 광자(photon) 샷 노이즈를 포함하는 것인, 계측 시스템.
  18. 제1항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    상기 계측 툴에 의한 상기 샘플의 분석과 연관된 섀도윙 아티팩트(shadowing artifact)를 포함하는 것인, 계측 시스템.
  19. 제1항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    이미지 블러(image blur)를 포함하는 것인, 계측 시스템.
  20. 제1항에 있어서,
    상기 계측 툴은 전자 빔 계측 툴을 포함하고,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    상기 전자 빔 계측 툴에 의한 상기 샘플의 분석과 연관된 대전 아티팩트(charging artifact)를 포함하는 것인, 계측 시스템.
  21. 제1항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    가우스 노이즈(Gaussian noise) 또는 화이트 노이즈(white noise) 중 적어도 하나를 포함하는 것인, 계측 시스템.
  22. 제1항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    선 에지 거칠기(line edge roughness) 또는 선폭(linewidth) 거칠기 중 적어도 하나를 포함하는 것인, 계측 시스템.
  23. 제1항에 있어서,
    상기 샘플의 3차원 모델은,
    하나 이상의 패턴화 재료 층(patterned material layers)을 포함하는 것인, 계측 시스템.
  24. 제23항에 있어서,
    상기 샘플의 3차원 모델은,
    상기 하나 이상의 패턴화 재료 층의 화학적, 기계적, 전기적, 또는 광학적 특성 중 적어도 하나를 더 포함하는 것인, 계측 시스템.
  25. 제1항에 있어서,
    상기 구조의 3차원 모델을 생성하는 것은,
    선택된 프로세스 툴로 상기 구조를 가공하는 하나 이상의 프로세스 단계를 시뮬레이션하는 것을 포함하는 것인, 계측 시스템.
  26. 제1항에 있어서,
    상기 구조는 오버레이 타겟(overlay target)을 포함하고,
    상기 적어도 하나의 계측 측정은 오버레이 측정을 포함하는 것인, 계측 시스템.
  27. 제1항에 있어서,
    상기 구조는 레티클(reticle)을 포함하고,
    상기 적어도 하나의 계측 측정은,
    레티클 계측 측정 또는 레티클 검사 측정 중 적어도 하나를 포함하는 것인, 계측 시스템.
  28. 제1항에 있어서,
    상기 구조는 가공 결함에 대한 검사 대상 패턴을 포함하고,
    상기 적어도 하나의 계측 측정은 결함 검사 측정을 포함하는 것인, 계측 시스템.
  29. 계측 시스템으로서,
    계측 툴; 및
    명령을 실행하도록 구성된 하나 이상의 프로세서를 포함하는 제어기
    를 포함하고,
    상기 명령은 상기 하나 이상의 프로세서로 하여금,
    상기 계측 툴에 의해 분석될 샘플의 하나 이상의 사례를 포함하는 샘플의 3차원 모델을 생성하고;
    상기 3차원 모델에 기초해 상기 계측 툴에 의한 상기 샘플의 예측 분석에 대응하는 하나 이상의 예측 계측 이미지 - 상기 예측 계측 이미지는 상기 계측 툴에 의한 상기 샘플의 예측 분석에 기초해 상기 3차원 모델의 2차원 투영으로부터의 예측 편차를 포함함 - 를 생성하며;
    상기 하나 이상의 예측 계측 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피를 평가하고;
    상기 계측 툴로부터의 구조의 이미지로부터 계측 측정치를 추출하기 위한 상기 2개 이상의 후보 계측 레시피로부터, 하나 이상의 선택 메트릭에 기초하여, 계측 레시피를 선택하고;
    상기 가공 구조의 계측 측정에 기초해 상기 가공 구조의 출력 계측 이미지를, 계측 툴로부터 수신하며;
    상기 계측 레시피에 기초해 상기 출력 계측 이미지로부터 가공 구조와 연관된 상기 계측 측정치를 추출하게 하도록
    구성된 것인, 계측 시스템.
  30. 제29항에 있어서,
    상기 하나 이상의 선택 메트릭은,
    상기 하나 이상의 예측 계측 이미지 상의 상기 추출된 계측 측정치의 정확도를 포함하는 것인, 계측 시스템.
  31. 제29항에 있어서,
    상기 하나 이상의 선택 메트릭은,
    상기 하나 이상의 예측 계측 이미지 내의 노이즈에 대한 상기 추출된 계측 측정치의 강고성을 포함하는 것인, 계측 시스템.
  32. 제29항에 있어서,
    상기 샘플의 3차원 모델은, 가공 프로세스에서의 편차를 나타내기 위해 상기 구조의 하나 이상의 속성이 체계적으로 변화하는 상기 구조의 2개 이상의 사례를 포함하는 것인, 계측 시스템.
  33. 제32항에 있어서,
    상기 하나 이상의 선택 메트릭은,
    상기 가공 프로세스에서의 편차에 대한 상기 추출된 계측 측정치의 강고성을 포함하는 것인, 계측 시스템.
  34. 제29항에 있어서,
    상기 예측 계측 이미지를 생성하는 것은,
    상기 3차원 모델에 기초해 상기 계측 툴에 의해 상기 샘플의 계측 측정을 시뮬레이션하는 것을 포함하는 것인, 계측 시스템
  35. 제29항에 있어서,
    상기 예측 계측 이미지를 생성하는 것은,
    상기 3차원 모델에 기초해 상기 계측 툴에 의해 상기 샘플의 계측 측정을 에뮬레이션하는 것을 포함하는 것인, 계측 시스템.
  36. 제29항에 있어서,
    상기 예측 계측 이미지를 생성하는 것은,
    심층 생성 모델링에 기초해 상기 예측 계측 이미지를 생성하는 것을 포함하는 것인, 계측 시스템.
  37. 제29항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    상기 구조의 가공과 연관된 확률적 노이즈 또는 상기 계측 툴에 의한 상기 구조의 계측 측정과 연관된 확률적 노이즈 중 적어도 하나를 포함하는 것인, 계측 시스템.
  38. 제29항에 있어서,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    상기 계측 툴에 의한 상기 샘플의 분석과 연관된 섀도윙 아티팩트를 포함하는 것인, 계측 시스템.
  39. 제29항에 있어서,
    상기 계측 툴은 전자 빔 계측 툴을 포함하고,
    상기 3차원 모델의 2차원 투영으로부터의 예측 편차는,
    상기 전자 빔 계측 툴에 의한 상기 샘플의 분석과 연관된 대전 아티팩트를 포함하는 것인, 계측 시스템.
  40. 제29항에 있어서,
    상기 샘플의 3차원 모델은,
    하나 이상의 패턴화 재료 층의 화학적, 기계적, 전기적, 또는 광학적 특성 중 적어도 하나를 포함하는 것인, 계측 시스템.
  41. 제29항에 있어서,
    상기 구조의 3차원 모델을 생성하는 것은,
    선택된 프로세스 툴로 상기 구조를 가공하는 하나 이상의 프로세스 단계를 시뮬레이션하는 것을 포함하는 것인, 계측 시스템.
  42. 계측 방법으로서,
    계측 툴에 의해 분석될 샘플의 하나 이상의 사례를 포함하는 샘플의 3차원 모델을, 하나 이상의 프로세서에 의해 생성하는 단계;
    상기 3차원 모델에 기초해 상기 계측 툴에 의한 상기 샘플의 예측 분석에 대응하는 하나 이상의 예측 계측 이미지 - 상기 예측 계측 이미지는 상기 계측 툴에 의한 상기 샘플의 예측 분석에 기초해 상기 3차원 모델의 2차원 투영으로부터의 예측 편차를 포함함 - 를, 하나 이상의 프로세서에 의해 생성하는 단계;
    상기 하나 이상의 예측 계측 이미지로부터 계측 측정치를 추출하기 위한 2개 이상의 후보 계측 레시피를, 하나 이상의 프로세서에 의해 평가하는 단계;
    상기 계측 툴로부터의 구조의 이미지로부터 계측 측정치를 추출하기 위한 상기 2개 이상의 후보 계측 레시피로부터, 하나 이상의 선택 메트릭에 기초하여, 하나 이상의 프로세서에 의해 계측 레시피를 선택하는 단계;
    가공 구조의 계측 측정에 기초해 상기 가공 구조의 출력 계측 이미지를, 상기 계측 툴에 의해 수행하는 단계; 및
    상기 계측 레시피에 기초해 상기 출력 계측 이미지로부터 가공 구조와 연관된 계측 측정치를, 하나 이상의 프로세서에 의해 추출하는 단계
    를 포함하는, 계측 방법.
KR1020197021116A 2016-12-19 2017-12-14 예측 계측 이미지를 이용한 계측 레시피 생성 KR102313413B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662435977P 2016-12-19 2016-12-19
US62/435,977 2016-12-19
US15/810,898 2017-11-13
US15/810,898 US10496781B2 (en) 2016-12-19 2017-11-13 Metrology recipe generation using predicted metrology images
PCT/US2017/066517 WO2018118663A2 (en) 2016-12-19 2017-12-14 Metrology recipe generation using predicted metrology images

Publications (2)

Publication Number Publication Date
KR20190089227A true KR20190089227A (ko) 2019-07-30
KR102313413B1 KR102313413B1 (ko) 2021-10-14

Family

ID=62561613

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197021116A KR102313413B1 (ko) 2016-12-19 2017-12-14 예측 계측 이미지를 이용한 계측 레시피 생성

Country Status (6)

Country Link
US (1) US10496781B2 (ko)
EP (1) EP3549158B1 (ko)
KR (1) KR102313413B1 (ko)
CN (1) CN110383441B (ko)
TW (1) TWI743275B (ko)
WO (1) WO2018118663A2 (ko)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10648801B2 (en) 2017-04-13 2020-05-12 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US11521825B2 (en) 2017-04-13 2022-12-06 Fractilia, Llc System and method for predicting stochastic-aware process window and yield and their use for process monitoring and control
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US11508546B2 (en) 2017-04-13 2022-11-22 Fractilia, Llc System and method for low-noise edge detection and its use for process monitoring and control
US10656532B2 (en) 2017-04-13 2020-05-19 Fractilia, Llc Edge detection system and its use for optical proximity correction
US11380516B2 (en) 2017-04-13 2022-07-05 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10488188B2 (en) 2017-04-13 2019-11-26 Fractilia, Llc System and method for removing noise from roughness measurements
US11361937B2 (en) 2017-04-13 2022-06-14 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10664955B2 (en) 2017-04-13 2020-05-26 Fractilia, Llc Edge detection system and its use for machine learning
US11355306B2 (en) 2017-04-13 2022-06-07 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
WO2020043525A1 (en) 2018-08-28 2020-03-05 Asml Netherlands B.V. Systems and methods of optimal metrology guidance
US11468553B2 (en) * 2018-11-02 2022-10-11 Kla Corporation System and method for determining type and size of defects on blank reticles
EP3974906A1 (en) * 2018-11-07 2022-03-30 ASML Netherlands B.V. Determining a correction to a process
TWI738009B (zh) * 2019-06-20 2021-09-01 和碩聯合科技股份有限公司 物件偵測系統及物件偵測方法
US11501420B2 (en) * 2019-09-26 2022-11-15 Perkinelmer Cellular Technologies Germany Gmbh Reconstructing phase images with deep learning
CN112735959B (zh) * 2019-10-28 2022-03-18 长鑫存储技术有限公司 晶圆检测方法及晶圆检测装置
US11557031B2 (en) 2019-11-21 2023-01-17 Kla Corporation Integrated multi-tool reticle inspection
US11512948B2 (en) 2020-05-26 2022-11-29 Kla Corporation Imaging system for buried metrology targets
JP7431694B2 (ja) 2020-07-28 2024-02-15 キヤノン株式会社 情報処理装置、膜形成装置、物品の製造方法、およびプログラム
US20220114438A1 (en) * 2020-10-09 2022-04-14 Kla Corporation Dynamic Control Of Machine Learning Based Measurement Recipe Optimization
CN112946232A (zh) * 2021-02-04 2021-06-11 成都秦川物联网科技股份有限公司 天然气能量计量数据获取方法和系统
CN113392618B (zh) * 2021-04-23 2022-07-05 武汉大学 一种印刷电路板掩膜线宽补偿量预测方法
CN117916669A (zh) * 2021-09-03 2024-04-19 Asml荷兰有限公司 用于图像检查装置的样品边缘检测和样品定位的方法和系统
TW202414489A (zh) * 2022-07-15 2024-04-01 荷蘭商Ａｓｍｌ荷蘭公司 使用帶電粒子檢測設備進行疊對量測的方法及系統

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9151712B1 (en) * 2007-05-30 2015-10-06 Kla-Tencor Corporation Rule checking for metrology and inspection
US20160290796A1 (en) * 2015-04-06 2016-10-06 Kla-Tencor Corporation Feed Forward of Metrology Data in a Metrology System
WO2016162228A1 (en) * 2015-04-10 2016-10-13 Asml Netherlands B.V. Method and apparatus for inspection and metrology

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7363099B2 (en) * 2002-06-07 2008-04-22 Cadence Design Systems, Inc. Integrated circuit metrology
JP4093273B2 (ja) * 2006-03-13 2008-06-04 オムロン株式会社 特徴点検出装置、特徴点検出方法および特徴点検出プログラム
JP5427609B2 (ja) 2006-12-19 2014-02-26 ケーエルエー−テンカー・コーポレーション 検査レシピ作成システムおよびその方法
US7873504B1 (en) * 2007-05-07 2011-01-18 Kla-Tencor Technologies Corp. Computer-implemented methods, carrier media, and systems for creating a metrology target structure design for a reticle layout
US8214771B2 (en) * 2009-01-08 2012-07-03 Kla-Tencor Corporation Scatterometry metrology target design optimization
SG11201405765XA (en) 2012-03-19 2014-10-30 Kla Tencor Corp Method, computer system and apparatus for recipe generation for automated inspection semiconductor devices
US9243886B1 (en) * 2012-06-26 2016-01-26 Kla-Tencor Corporation Optical metrology of periodic targets in presence of multiple diffraction orders
US9563946B2 (en) 2014-07-22 2017-02-07 Taiwan Semiconductor Manufacturing Co., Ltd. Overlay metrology method and overlay control method and system
KR102269514B1 (ko) * 2014-11-25 2021-06-25 케이엘에이 코포레이션 랜드스케이프의 분석 및 활용
CN110553602B (zh) * 2014-11-26 2021-10-26 Asml荷兰有限公司 度量方法、计算机产品和系统
US9470639B1 (en) * 2015-02-03 2016-10-18 Kla-Tencor Corporation Optical metrology with reduced sensitivity to grating anomalies
US9971478B2 (en) * 2015-04-10 2018-05-15 Asml Netherlands B.V. Method and apparatus for inspection and metrology
KR20170124578A (ko) * 2015-04-10 2017-11-10 에이에스엠엘 네델란즈 비.브이. 검사와 계측을 위한 방법 및 장치
US10345721B1 (en) * 2015-06-16 2019-07-09 Kla-Tencor Corporation Measurement library optimization in semiconductor metrology
US10502692B2 (en) * 2015-07-24 2019-12-10 Kla-Tencor Corporation Automated metrology system selection
KR20180072768A (ko) * 2015-10-19 2018-06-29 에이에스엠엘 네델란즈 비.브이. 패터닝 공정 오차를 보정하는 장치 및 방법
WO2017067752A1 (en) * 2015-10-19 2017-04-27 Asml Netherlands B.V. Method and apparatus to correct for patterning process error

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9151712B1 (en) * 2007-05-30 2015-10-06 Kla-Tencor Corporation Rule checking for metrology and inspection
US20160290796A1 (en) * 2015-04-06 2016-10-06 Kla-Tencor Corporation Feed Forward of Metrology Data in a Metrology System
WO2016162228A1 (en) * 2015-04-10 2016-10-13 Asml Netherlands B.V. Method and apparatus for inspection and metrology

Also Published As

Publication number Publication date
KR102313413B1 (ko) 2021-10-14
US20180173839A1 (en) 2018-06-21
TWI743275B (zh) 2021-10-21
US10496781B2 (en) 2019-12-03
CN110383441A (zh) 2019-10-25
EP3549158A2 (en) 2019-10-09
EP3549158A4 (en) 2020-08-12
CN110383441B (zh) 2020-09-01
EP3549158B1 (en) 2023-08-16
TW201830340A (zh) 2018-08-16
WO2018118663A3 (en) 2018-08-02
WO2018118663A2 (en) 2018-06-28

Similar Documents

Publication Publication Date Title
KR102313413B1 (ko) 예측 계측 이미지를 이용한 계측 레시피 생성
CN110312967B (zh) 具有非零偏移预测的叠加控制
KR102295266B1 (ko) 내장 타겟을 사용한 설계에 대한 검사의 정렬
TWI594070B (zh) 用於檢驗極紫外線光光罩之裝置及方法
KR102352696B1 (ko) 효율적인 프로세스 윈도우 발견을 위한 하이브리드 검사 시스템
US11353799B1 (en) System and method for error reduction for metrology measurements
KR20220073766A (ko) 멀티 이미징 모드 이미지 정렬
KR102642280B1 (ko) 통합 다중 툴 레티클 검사
TWI833297B (zh) 光罩缺陷偵測
CN118715485A (zh) 用机器学习从光学量测数据生成sem质量量测数据的系统和方法

Legal Events

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