KR20200096990A - 스캐닝 전자 현미경 빔 왜곡에 따른 계측 오차에 대한 디자인을 이용한 보상 - Google Patents
스캐닝 전자 현미경 빔 왜곡에 따른 계측 오차에 대한 디자인을 이용한 보상 Download PDFInfo
- Publication number
- KR20200096990A KR20200096990A KR1020207022217A KR20207022217A KR20200096990A KR 20200096990 A KR20200096990 A KR 20200096990A KR 1020207022217 A KR1020207022217 A KR 1020207022217A KR 20207022217 A KR20207022217 A KR 20207022217A KR 20200096990 A KR20200096990 A KR 20200096990A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- design clip
- composite
- measurement
- wafer
- Prior art date
Links
- 238000013461 design Methods 0.000 title claims abstract description 86
- 238000005259 measurement Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 114
- 230000008569 process Effects 0.000 claims abstract description 63
- 239000002131 composite material Substances 0.000 claims abstract description 55
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000001000 micrograph Methods 0.000 claims abstract description 11
- 235000012431 wafers Nutrition 0.000 claims description 55
- 238000013500 data storage Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims 2
- 238000010894 electron beam technology Methods 0.000 abstract description 17
- 238000001878 scanning electron micrograph Methods 0.000 description 18
- 239000004065 semiconductor Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012552 review Methods 0.000 description 5
- 238000010884 ion-beam technique Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001433 helium-ion microscopy Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 238000003917 TEM image Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical, image processing or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- 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
- G06T7/97—Determining parameters from multiple pictures
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2813—Scanning microscopes characterised by the application
- H01J2237/2814—Measurement of surface topography
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2813—Scanning microscopes characterised by the application
- H01J2237/2817—Pattern inspection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/282—Determination of microscope properties
- H01J2237/2826—Calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Electromagnetism (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
Abstract
계측 동작에 사용되는 이미지에서의 불균일성을 정량화 및 보정하기 위한 방법 및 시스템이 개시된다. 웨이퍼의 계측 영역 이미지와 디자인 클립이 사용될 수 있다. 계측 영역 이미지는 스캐닝 전자 현미경 이미지일 수 있다. 디자인 클립은 웨이퍼의 디자인 클립이거나 합성 디자인 클립일 수 있다. 전자빔 왜곡을 포함하는 툴 왜곡을 정량화하고 보정할 수 있다. 디자인 클립은 계측 영역 이미지에 적용되어 하나 이상의 공정 변화 변이가 억제되고 하나 이상의 툴 왜곡이 개선되도록 합성 이미지를 획득할 수 있다.
Description
관련 특허 출원 상호 참조
본 출원은 2018년 1월 5일자로 출원된 인도 특허 출원 제201841000566호, 및 2018년 2월 26일자로 가출원된 미국 특허 출원 제62/635,316호를 우선권으로 주장하고, 해당 개시 내용이 본 명세서에 참조로 포함된다.
본 발명은 반도체 웨이퍼 계측에 관한 것이다.
반도체 제조 산업의 발전으로 수율 관리와 함께, 특히, 계측 및 검사 시스템에 대한 요구가 더욱 증대되고 있다. 웨이퍼 크기는 증가하고 있는 반면, 임계 치수(critical dimension)는 줄어들고 있다. 자본 환경은 산업계가 고수율, 고부가가치 생산의 달성 시간을 단축하도록 만들고 있다. 수율 문제의 탐지에서 이를 해결하기까지의 총 시간을 최소화하는 것이 반도체 제조업체의 투자 수익률을 결정한다.
로직 및 메모리 디바이스와 같은 반도체 디바이스를 제조하는 것은 일반적으로 반도체 디바이스의 다양한 피처 및 다중 레벨을 형성하기 위해 다수의 제조 공정을 사용하여 반도체 웨이퍼를 처리하는 것을 포함한다. 예를 들어, 리소그래피(lithography)는 레티클(reticle)로부터 반도체 웨이퍼 상에 배열된 포토레지스트로 패턴을 전사하는 것을 포함하는 반도체 제조 공정이다. 반도체 제조 공정의 추가적인 예시는 화학 기계적 연마(CMP: Chemical-Mechanical Polishing), 에칭, 증착 및 이온 주입을 포함하지만, 이들로 제한되는 것은 아니다. 다수의 반도체 디바이스는 단일 반도체 웨이퍼 상에 배열체로 제조된 후 개별 반도체 디바이스로 분리될 수 있다.
계측 공정은 반도체 제조 과정의 다양한 단계에서 공정을 모니터링하고 제어하는 데 사용된다. 계측 공정은 웨이퍼에서 결함이 검출되는 검사 공정과 달리, 기존의 검사 툴(inspection tool)을 사용하여 결정될 수 없는 웨이퍼의 하나 이상의 특성을 측정하는 데 계측 공정을 사용한다는 점에서 검사 공정과 다르다. 계측 공정은 하나 이상의 특성으로부터 공정의 성능이 결정될 수 있도록 웨이퍼의 하나 이상의 특성을 측정하는 데 사용될 수 있다. 예를 들어, 계측 공정은 공정 동안 웨이퍼 상에 형성된 피처의 치수(예컨대, 선 폭, 두께 등)를 측정할 수 있다. 또한, 웨이퍼의 하나 이상의 특성이 수용 가능하지 않은 경우(예컨대, 특성(들)에 대해 사전 결정된 범위를 벗어난 경우), 웨이퍼의 하나 이상의 특성의 측정값이 공정에 의해 제조된 추가 웨이퍼가 허용 가능한 특성(들)을 갖도록 공정의 하나 이상의 파라미터를 변경시키는 데 사용될 수 있다.
고급 기술 노드에서 패턴 밀도와 복잡성이 증가함에 따라, 스캐닝 전자 현미경(SEM: Scanning Electron Microscope)을 사용하는 자동화된 인라인 계측 동작은 고급 공정 제어에서 점유율을 증가시킬 것을 요청하고 있다. 그러나, SEM을 사용하여 획득된 이미지는 FOV(Field of View)에서 특정한 불균일성이 발생되기 쉽다. 이러한 불균일성의 대부분은 결함 검토, 분류 또는 유사한 동작에 허용되거나 무시될 수 있다. 그러나, FOV 내에서 또는 FOV 전체에 걸친 이러한 불균일성은 계측 동작에서 시스템적인 측정 오차나 랜덤 측정 오차를 초래할 수 있다.
일부 불균일성에는 빔 위치 오차, 빔 스팟 크기 오차, 스티그메이션 오차(stigmation error) 또는 기타 원인으로 인한 SEM 빔 유도 왜곡이 포함될 수 있다. 이미지화된 레이어의 일부는 FOV의 가장자리에서 1차 빔 편향으로 인해 이 거동을 나타낼 수 있다. 이러한 오차는 종종 단일 FOV 내에서나 웨이퍼의 서로 다른 부분에서의 다중 FOV에 걸쳐 이미지 왜곡을 유발할 수 있다.
도 5 내지 도 8은 비교에 의한 불균일성이나 공정 체계를 나타내는 예시적인 SEM 이미지이다. 도 5는 FOV 전반야에 걸쳐 가시적인 왜곡이 없는 깨끗한 이미지이다. 도 6은 FOV 전반야에 걸쳐 왜곡이 있는 왜곡 이미지이다. 도 6의 콘택트 홀 어레이 영역에 있어서, FOV의 가장자리에서의 접점은 이미징에 사용되는 교정되지 않은 빔으로 인해 왜곡된다. 왜곡된 콘택트 홀의 직경 측정은 왜곡 효과로 인해 영향을 받을 것이다.
도 7은 공정 체계가 없는 깨끗한 이미지이다. FOV에서 접점의 평균 직경은 유사하다. 도 8은 공정 체계를 사용하는 이미지이다. FOV에서 접점의 평균 직경은 상이하다. 도 8의 이미지는 빔 왜곡의 관점에서 볼 때 왜곡되지 않은 깨끗한 이미지로서 분류될 수 있다.
이 문제의 복잡성에 더하여, 다수의 프레임에 걸쳐 많은 SEM 이미지가 평균화된다. 이들 왜곡은 개별 프레임에 일정하게 기여하지 않을 할 수 있다. SEM 이미지는 충전 아티팩트를 나타내거나 이미지화된 구조의 부정확한 표현을 나타낼 수 있다.
이들 왜곡은 검토나 분류에 중요하지 않을 수 있지만, 계측 동작의 성능을 정량화(quantifying) 및 수정함으로써 개선할 수 있다. 따라서, 반도체 웨이퍼 계측을 위한 개선된 방법과 시스템이 필요하다.
제 1 실시예에서, 스캐닝 전자 현미경 빔의 왜곡에 따른 계측 오차의 보상 방법이 제공된다. 저장 매체로부터의 디자인 클립(design clip)과 웨이퍼의 계측 영역 이미지가 프로세서에서 수신된다. 디자인 클립은 프로세서를 사용하여 계측 영역 이미지에 적용함으로써 합성 이미지를 획득한다. 하나 이상의 공정 변화 변이(process change variation)가 억제되고 하나 이상의 툴 왜곡(tool distortion)이 개선된다. 합성 이미지에 대해서는 계측 동작을 수행할 수 있다.
디자인 클립은 웨이퍼에 대한 디자인이거나 합성 디자인 클립일 수 있다. 합성 디자인 클립은 기계 알고리즘으로 공정 변화 변이를 사용하고 합성 디자인 클립을 저장 매체에 전달하여 생성될 수 있다. 합성 디자인 클립을 생성하는 것은 기계 학습 모듈에서 하나 이상의 공정 변조 웨이퍼로부터 이미지 및 데이터를 수신하는 것과, 기계 알고리즘을 사용하여 기계 학습 모듈에서 공정 변화 변이를 학습하는 것을 더 포함할 수 있다. 기계 알고리즘은 딥 러닝 알고리즘(deep learning algorithm)일 수 있다.
계측 영역 이미지는 스캐닝 전자 현미경 이미지나 복수의 스캐닝 전자 현미경 이미지의 평균일 수 있다.
저장 매체는 영구적, 비일시적 저장 매체일 수 있다.
웨이퍼의 계측 영역 이미지는 스캐닝 전자 현미경을 사용하여 획득될 수 있다.
웨이퍼 계측 툴의 시스템 구성 요소는 계측 동작에 기초하여 왜곡을 감소시키도록 세부 조정될 수 있다.
제 2 실시예에서, 왜곡에 따른 계측 오차를 보상하기 위한 시스템이 제공된다. 시스템은 계측 영역 이미지를 생성하도록 구성된 웨이퍼 계측 툴과 이 웨이퍼 계측 툴과 전자 통신하는 프로세서를 포함한다. 프로세서는 하나 이상의 공정 변화 변이가 억제되고 하나 이상의 툴 왜곡이 개선되어 합성 이미지를 획득하도록 계측 영역 이미지에 디자인 클립을 수신 및 적용하도록 구성된다. 웨이퍼 계측 툴은 스캐닝 전자 현미경일 수 있다.
시스템은 디자인 클립을 포함하는 전자 데이터 저장 매체를 포함할 수 있다. 전자 데이터 저장 매체는 프로세서와 전자 통신할 수 있다.
프로세서는 합성 이미지에 대해 계측 동작을 수행하도록 구성될 수 있다.
디자인 클립은 합성 디자인 클립일 수 있다. 이 경우에, 시스템은 기계 학습 모듈을 포함하는 데, 이는 하나 이상의 공정 변조 웨이퍼로부터 이미지와 데이터를 수신하고; 이미지와 데이터를 사용하여 공정 변화 변이를 학습하며; 공정 변화 변이를 사용하여 합성 디자인 클립을 생성하도록 구성된다.
제 3 실시예에서는, 하나 이상의 컴퓨팅 디바이스에서 단계를 실행하기 위한 하나 이상의 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 저장 매체가 제공된다. 이 단계는 디자인 클립을 계측 영역 이미지에 적용하여 하나 이상의 공정 변화 변이가 억제되고 하나 이상의 툴 왜곡이 개선되도록 합성 이미지를 획득하는 단계와, 합성 이미지에 대한 계측 동작을 수행하기 위한 명령어를 전송하는 단계를 포함할 수 있다.
디자인 클립은 합성 디자인 클립일 수 있다. 이 경우에, 단계에는 기계 알고리즘을 사용하는 공정 변화 변이를 이용하여 합성 디자인 클립을 생성하는 단계를 포함한다. 기계 알고리즘은 딥러닝 알고리즘일 수 있다.
계측 영역 이미지는 스캐닝 전자 현미경 이미지나 복수의 스캐닝 전자 현미경 이미지의 평균일 수 있다.
본 발명의 본질 및 목적을 더욱 완전히 이해하기 위해, 첨부된 도면과 함께 취해지는 다음의 상세한 설명에 대한 참조가 이루어져야 한다.
도 1은 예시적인 디자인 클립, 예시적인 SEM 이미지, SEM 평균화 이미지상의 디자인 클립의 예시적인 오버레이, 및 예시적인 합성 디자인 클립을 도시한다.
도 2는 본 발명에 따른 계측 공정을 개선하기 위해 저장된 합성 디자인 클립을 사용하는 방법의 실시예를 도시한다.
도 3은 본 발명에 따른 합성 디자인 클립을 생성 및 저장하는 방법의 실시예를 도시한다.
도 4는 본 발명에 따른 시스템의 실시예의 블록도이다.
도 5 및 도 6은 비교에 의해 불균일성을 나타내는 예시적인 SEM 이미지이다.
도 7 및 도 8은 비교에 의한 툴 왜곡(tool distortion)과 공정 변화 변이(process change variation)를 나타내는 예시적인 SEM 이미지이다.
도 1은 예시적인 디자인 클립, 예시적인 SEM 이미지, SEM 평균화 이미지상의 디자인 클립의 예시적인 오버레이, 및 예시적인 합성 디자인 클립을 도시한다.
도 2는 본 발명에 따른 계측 공정을 개선하기 위해 저장된 합성 디자인 클립을 사용하는 방법의 실시예를 도시한다.
도 3은 본 발명에 따른 합성 디자인 클립을 생성 및 저장하는 방법의 실시예를 도시한다.
도 4는 본 발명에 따른 시스템의 실시예의 블록도이다.
도 5 및 도 6은 비교에 의해 불균일성을 나타내는 예시적인 SEM 이미지이다.
도 7 및 도 8은 비교에 의한 툴 왜곡(tool distortion)과 공정 변화 변이(process change variation)를 나타내는 예시적인 SEM 이미지이다.
비록 청구되는 발명의 대상(subject matter)이 특정 실시예의 관점에서 설명되었지만, 본 발명에서 제시된 이득 및 특징부 모두를 제공하지 않는 실시예를 포함하는 다른 실시예도 또한 본 발명의 범주 내에 포함된다. 본 발명의 범주를 벗어나지 않으면서 다양한 구조적, 논리적 공정 단계와 전자적 변경이 이루어질 수 있다. 따라서, 본 발명의 범주는 첨부된 청구 범위의 참조에 의해서만 정의된다.
본 발명의 실시예는 계측 동작에 사용되는 이미지에서 불균일성을 정량화하고 보정하기 위한 방법 및 시스템을 제공한다. 툴 왜곡을 정량화할 수 있다. 왜곡의 프레임 레벨 거동(frame-level behavior)이 설명될 수 있으며, 적절한 경우, 왜곡이 수정될 수 있다. 예를 들어, SEM 이미지와 디자인 클립은 FOV 왜곡을 정량화하고 수정하는 데 사용된다.
본 명세서에 개시된 실시예는 전자빔 왜곡을 포함할 수 있는 툴 왜곡을 보정하기 위해 인라인 알고리즘(inline algorithm)을 사용함으로써 계측 동작을 개선할 수 있다. 계측 동작의 개선은 정량화된 왜곡에 기초할 수 있다.
그러나, 모든 왜곡이 툴 왜곡은 아니다. 특히, 랜덤 공정 가변성은 패턴 충실도(pattern fidelity)의 변화를 유도할 수 있으며, 이는 공정 변화 변이를 생성한다. 따라서, 본 명세서에 개시된 실시예는 또한 툴 왜곡을 공정 변화 변이로부터 분리할 수 있다.
도 1을 참조하면, 디자인 클립(101)은 설계 다각형(105)을 포함한다. 디자인 클립(101)은 계측 측정이 수행된 웨이퍼의 디자인일 수 있다. 도 1은 또한 복수의 개별 프레임들, SEM 이미지(102)에 걸친 설계 다각형들의 오버레이(103), 및 합성 이미지(104)를 평균화함으로써 컴파일된 SEM 이미지(102)를 도시한다. 이들은 단지 예일 뿐이다. 다른 디바이스의 디자인, 이미지, 오버레이 또는 합성 이미지도 가능하다.
도 2는 계측 공정을 개선하기 위해 디자인 클립을 사용하는 방법(200)의 실시예를 도시한다. 방법(200)은 SEM 빔 왜곡에 따른 계측 오차를 보상할 수 있다.
단계 201에서, 도 1의 SEM 이미지(102)와 같은 웨이퍼의 계측 영역 이미지가 수신된다. 계측 영역 이미지는 SEM 이미지나 복수의 SEM 이미지의 평균일 수 있다. 단계 203에서, 디자인 클립은 전자 데이터 저장 매체(202)로부터 수신되며, 이는 영구적인 비일시적 저장 매체일 수 있다. 디자인 클립은 웨이퍼에 대한 디자인일 수 있다. 디자인 클립은, 도 3과 관련하여 설명된 바와 같이, 합성 디자인 클립일 수도 있다.
SEM 이미지가 개시되어 있지만, 투과 전자 현미경(TEM: Transmission Electron Microscopy) 이미지가 사용될 수도 있다.
단계 204에서, 디자인 클립은 계측 영역 이미지에 적용되어 공정 변화 변이가 억제되고 툴 왜곡이 개선된다. 예를 들어, 도 7 및 도 8은 툴 왜곡의 개선 및 공정 변화 변이의 억제를 나타내는 예시적인 SEM 이미지이다. 본 명세서에 개시된 실시예는, 예를 들어, 도 8에 도시된 변화를 유지하면서 도 6에 도시된 왜곡을 억제할 수 있다. 이러한 변화의 식별이나 캡처가 필요할 수 있다.
디자인 클립은 이미지 비교와 렌더링 공정을 사용하여 계측 영역 이미지에 적용될 수 있다. 이것은 디자인 클립이 최대한 가깝게 SEM 이미지와 일치하도록 할 수 있다. 기계 학습은 이미지 비교와 렌더링을 지원할 수 있다.
도 2로 되돌아가면, 합성 이미지는 단계 204를 사용하여 획득된다. 단계 205에서, 합성 이미지에 대해 계측 동작을 수행할 수 있다. 예를 들어, 계측은 왜곡의 영향을 정량화하고 감축하기 위해 사용될 수 있다. SEM 이미지를 사용하여 추가 측정이 수행될 수 있다.
계측 영역 이미지에서 왜곡을 정량화하기 위한 참조로서 디자인 클립이 사용될 수 있다. 계측 영역 이미지와 디자인 클립의 모든 차이가, 예를 들어, SEM 빔, SEM 시스템 하드웨어, 또는 SEM 시스템 소프트웨어에 의해 발생되는 경우, 왜곡은 분리 및/또는 정량화될 수 있다. 왜곡이 분리 및/또는 정량화된 후, 계측 동작 동안 왜곡을 보정하기 위해 알고리즘이 사용될 수 있다. 따라서, 세부 조정(tuning)이 수행될 수 있다.
도 2의 실시예는 검사 툴에 의해 생성된 계측 결과의 정확성 및 정밀도를 향상시킬 수 있으며, 이는 더 엄격한 공정 제어 데이터에 기여할 수 있다.
계측 영역 이미지는 SEM을 사용하여 획득될 수 있으며, 이는 계측 동작을 수행할 수도 있다. 다른 예에서, 상이한 계측 시스템은 계측 영역 이미지를 획득하고, 추가 계측 동작을 수행할 수 있다.
계측 영역 이미지와 디자인 클립의 차이는 SEM 빔, SEM 시스템 하드웨어 또는 SEM 시스템 소프트웨어에서만 발생하는 것은 아닐 수 있다. 랜덤 공정 변동성은 패턴 충실도의 변화를 유도할 수 있다. 그러한 경우, 툴 왜곡과 공정 변화로 인한 계측 영역 이미지와 디자인 클립 간의 차이는 분리되어야 할 수 있다. 공정 변조 웨이퍼의 이미지와 데이터는 이 문제를 해결하기 위해 합성 디자인 클립을 생성하는 데 사용될 수 있다.
도 3은 합성 디자인 클립을 생성 및 저장하는 방법(300)의 실시예를 도시한다. 하나 이상의 공정 변조 웨이퍼(301)로부터의 이미지 또는 이미지와 데이터는 기계 학습 모듈에서 수신된다. 데이터는, 예를 들어, 정렬 공정 및/또는 렌더링과 관련된 메타데이터를 포함할 수 있다. 단계 302에서, 이미지 또는 이미지와 데이터는 기계 학습 모듈에서 기계 알고리즘이나 딥 러닝 알고리즘에 입력되어 공정 변화 변이를 학습할 수 있다. 이들 공정 변화 변이는, 단계 303에서, 합성 디자인 클립을 생성하기 위해 사용되며, 단계 304에서, 전자 데이터 저장 매체(305)와 통신하고/통신하거나 전자 데이터 저장 매체(305)에 저장된다. 오버레이 및 렌더링 공정을 통해 디자인 클립이 생성될 수 있다. 다음에 전자 데이터 저장 매체(305) 내의 합성 디자인 클립은 하나 이상의 계측이나 검사 단계에서 사용될 수 있다. 합성 디자인 클립은 복수의 훈련 주기에서 FOV 전체에 걸친 공정 변이를 억제하고 빔 툴로 인한 왜곡을 개선할 수 있다. 기계 학습은, 추가 이미지나 데이터를 사용하여 학습할 수 있기 때문에, 훈련 주기의 횟수가 증가함에 따라 더욱 향상되고 더욱 견고해질 수 있다.
기계 알고리즘은 딥러닝 알고리즘일 수 있다. 딥 러닝 알고리즘은 그것을 훈련하기 위해 공급된 데이터에 따라 월드(world)를 모델링하는 일련의 가중치를 갖는 딥 러닝 신경망(deep learning neural network)일 수 있다. 신경망은 일반적으로 생물학적 뇌가 축색 돌기(axon)에 의해 연결된 생물학적 뉴런의 비교적 큰 클러스터로 문제를 해결하는 방법을 느슨하게 모델링하는 비교적 큰 신경 유닛의 집합에 기초하는 계산적 접근법으로 정의될 수 있다. 각각의 신경 유닛은 다른 많은 유닛과 연결되며, 링크는 연결된 신경 유닛의 활성화 상태에 미치는 영향을 강화하거나 억제할 수 있다. 이들 시스템은 명시적으로 프로그래밍되기 보다는 자체 학습하고 훈련된 것으로, 기존의 컴퓨터 프로그램에서 솔루션이나 피처 검출을 표현하기 어려운 영역에서 탁월할 수 있다. 딥 러닝은 통상 딥 아키텍처(deep architecture)라고 알려진 복수의 뉴런 레이어를 사용하는 확률론적 그래프 모델이다. 딥 러닝 기술은 이미지, 텍스트, 음성 또는 기타 입력과 같은 정보를 계층적 방식(hierarchical manner)으로 처리한다. 본 발명에서 딥 러닝을 사용함에 있어서, 피처 추출은 데이터로부터의 학습을 사용하여 자동적으로 달성될 수 있다. 이는 일련의 이미지에 대한 전문가의 이해를 바탕으로 피처를 추출하는 이전의 접근 방식보다 유리하다.
신경망은 일반적으로 복수의 레이어로 구성되며, 신호 경로는 앞쪽에서 뒤쪽으로 이동한다. 신경망의 목표는 인간의 뇌와 같은 방식으로 문제를 해결하는 것이다. 신경망 프로젝트는 보통 수천에서 수백만 개의 신경 유닛과 수백만 개의 연결로 작동한다. 신경망은 당업계에 알려진 임의의 적절한 아키텍처 및/또는 구성을 구비할 수 있다.
확률 사양과 네트워크 아키텍처에 따라 딥 아키텍처를 사용하는 신경망에는 DBN(Deep Belief Network), RBM(Restricted Boltzmann Machine), 자동 인코더(Auto-Encoder) 또는 CNN(Convolutional Neural Network)을 포함하지만, 이것으로 국한되지 않는 여러 변종이 있다. 실제 구현예는 이용 가능한 정보, 제공된 정보의 크기 및 문제의 본질에 따라 달라질 수 있다.
물론, 다른 유형의 기계 학습 알고리즘이 사용될 수 있다. 이것들은 단지 예로 제시된 것이다.
예를 들어, 기계 알고리즘은 다각형 형상을 학습하고, SEM 이미지와 디자인 클립 사이에서 픽셀 대 픽셀을 매핑할 수 있다.
도 1의 SEM 이미지(102)에의 합성 이미지(104)의 오버레이는 차이가 주로 툴 기반이며 디자인에 기초하지 않는다는 것을 의미할 수 있다.
기계 알고리즘이나 딥 러닝 알고리즘(302)은 연속적인 공정으로 반복하여 알고리즘을 지속적으로 정교화해서 랜덤 변이나 공정 변화 변이를 더 잘 무시하고, 그에 따라 툴에 의한 왜곡을 더 잘 분리하고 보정할 수 있다. 반복적인 학습 주기를 거칠수록 모델은 더 많은 공정을 인식할 수 있다.
기계 알고리즘이나 딥 러닝 알고리즘은 온 툴(on-tool) SEM 계측 동작을 위한 디자인 기반 툴에 따른 왜곡 감소와 통합될 수 있다. 이는 SEM 시스템에 의해 생성된 계측 결과의 정확성과 정밀도를 향상시킬 수 있고, 결과적으로, 공정 제어 데이터를 강화하는 데 기여할 수 있다.
본 발명의 다른 실시예에서, 도 2 및 도 3을 참조하면, 전자 데이터 저장 매체(202)와 전자 데이터 저장 매체(305)는 동일한 전자 데이터 저장 매체이거나 상이한 전자 데이터 저장 매체인 것을 지칭한다.
일 실시예에서, 도 2 또는 도 2 및 3에 도시된 방법의 결과는 툴 세부 조정(tool tuning)을 위한 피드백 루프로 사용될 수 있다. 예를 들어, 왜곡을 일으키는 SEM 시스템의 시스템 구성 요소가 식별될 수 있다. 이러한 시스템 구성 요소는 결과에 따라 세부 조정되거나 다른 방식으로 조정될 수 있다. 교정 동안, 왜곡을 감소시키거나 제거할 수 있다.
도 4는 SEM 빔 왜곡에 따른 계측 오차를 보상하기 위한 시스템(400)의 실시예의 블록도이다. 시스템(400)은 계측 영역 이미지를 생성하도록 구성된 웨이퍼 계측 툴을 포함한다. 웨이퍼 계측 툴은 SEM이나 다른 유형의 계측 툴일 수 있다.
웨이퍼 계측 툴은 적어도 에너지 원과 검출기를 포함하는 출력 획득 서브시스템을 포함한다. 출력 획득 서브시스템은 전자빔 기반 출력 획득 서브시스템일 수 있다. 예를 들어, 일 실시예에서, 웨이퍼(404)로 향하는 에너지는 전자를 포함하고, 웨이퍼(404)로부터 검출된 에너지는 전자를 포함한다. 이러한 방식에서, 에너지 소스는 전자빔 소스일 수 있다. 도 4에 도시된 이와 같은 일 실시예에서, 출력 획득 서브시스템은 컴퓨터 서브시스템(402)에 커플링된 전자 컬럼(electron column)(401)을 포함한다.
또한, 도 4에 도시된 바와 같이, 전자 컬럼(401)은 하나 이상의 요소(405)에 의해 웨이퍼(404)에 포커싱되는 전자를 생성하도록 구성된 전자빔 소스(403)를 포함한다. 전자빔 소스(403)는, 예를 들어, 음극 소스나 이미터 팁(emitter tip)을 포함할 수 있다. 하나 이상의 요소(405)는, 예를 들어, 건 렌즈(gun lens), 양극, 빔 제한 구멍, 게이트 밸브, 빔 흐름 선택 구멍, 대물 렌즈 및 스캐닝 서브시스템을 포함할 수 있으며, 이들 모두는 당업계에 공지된 임의의 적합한 요소를 포함할 수 있다.
웨이퍼(404)로부터 복귀된 전자(예컨대, 2차 전자)는 하나 이상의 요소(406)에 의해 검출기(407)에 포커싱될 수 있다. 하나 이상의 요소(406)는, 예를 들어, 스캐닝 서브시스템을 포함할 수 있고, 이는 요소(들)(405)에 포함된 스캐닝 서브시스템과 동일할 수 있다.
또한, 전자 컬럼은 당업계에 공지된 임의의 다른 적합한 요소를 포함할 수 있다.
전자 컬럼(401)은 전자가 비스듬한 입사각으로 웨이퍼(404)에 지향되고 또 다른 비스듬한 각도로 웨이퍼(404)로부터 산란되도록 구성되는 것으로 도 4에 도시되어 있지만, 전자빔은 임의의 적절한 각도로 웨이퍼(404)에 지향되고 웨이퍼(404)로부터 산란될 수 있음을 이해해야 한다. 또한, 전자빔 기반 출력 획득 서브시스템은 (예컨대, 상이한 조명 각도, 콜렉션 각도(collection angle) 등을 갖는) 웨이퍼(404)의 이미지를 생성하기 위해 다중 모드를 사용하도록 구성될 수 있다. 전자빔 기반 출력 획득 서브시스템의 다중 모드는 해당 출력 획득 서브시스템의 임의의 이미지 생성 파라미터에 따라 상이할 수 있다.
컴퓨터 서브시스템(402)은, 전술한 바와 같이, 검출기(407)에 커플링될 수 있다. 검출기(407)는 웨이퍼(404)의 표면으로부터 복귀된 전자를 검출하여 웨이퍼(404)의 전자빔 이미지를 형성할 수 있다. 전자빔 이미지는 임의의 적절한 전자빔 이미지를 포함할 수 있다. 컴퓨터 서브시스템(402)은 검출기(407)의 출력 및/또는 전자빔 이미지를 사용하여 본 명세서에 설명된 기능 중 임의의 것을 수행하도록 구성될 수 있다. 컴퓨터 서브시스템(402)은 본 명세서에 설명된 임의의 추가 단계(들)를 수행하도록 구성될 수 있다. 도 4에 도시된 출력 획득 서브시스템을 포함하는 시스템(400)은 본 명세서에 설명된 바와 같이 추가 구성될 수 있다.
도 4는 본 명세서에 설명된 실시예들에서 사용될 수 있는 전자빔 기반 출력 획득 서브시스템의 구성을 일반적으로 설명하기 위해 여기에 제공된다는 점에 유의한다. 본 명세서에 설명된 전자빔 기반 출력 획득 서브시스템 구성은, 상용 출력 획득 시스템을 디자인할 때, 일반적으로 수행되는 대로 출력 획득 서브시스템의 성능을 최적화하기 위해 변경될 수 있다. 또한, 본 명세서에 설명된 시스템은 (예컨대, 본 명세서에 설명된 기능을 기존 시스템에 추가함으로써) 기존 시스템을 사용하여 구현될 수도 있다. 일부 이와 같은 시스템의 경우, 본 명세서에 설명된 방법은 (예컨대, 시스템의 다른 기능에 추가하여) 시스템의 선택적 기능으로 제공될 수도 있다. 대안적으로, 본 명세서에 설명된 시스템은 완전히 새로운 시스템으로 디자인될 수도 있다.
위에서는 출력 획득 서브시스템이 전자빔 기반 출력 획득 서브시스템인 것으로 설명되었지만, 출력 획득 서브시스템은 이온 빔 기반 출력 획득 서브시스템일 수도 있다. 이러한 출력 획득 서브시스템은 전자빔 소스가 당업계에 공지된 임의의 적합한 이온 빔 소스로 대체될 수 있다는 것을 제외하고는 도 4에 도시된 바와 같이 구성될 수 있다. 또한, 출력 획득 서브시스템은 상업적으로 이용 가능한 포커싱된 이온 빔(FIB: Focused Ion Beam) 시스템, 헬륨 이온 현미경(HIM: Helium Ion Microscopy) 시스템 및 2차 이온 질량 분석(SIMS: Secondary Ion Mass Spectroscopy) 시스템에 포함된 것과 같은 임의의 다른 적합한 이온 빔 기반 출력 획득 서브시스템일 수 있다.
컴퓨터 서브시스템(402)은 프로세서(408), 전자 데이터 저장 매체(409) 및 기계 학습 모듈(410)을 포함한다. 프로세서(408)는 마이크로프로세서, 마이크로컨트롤러 또는 다른 디바이스를 포함할 수 있다. 기계 학습 모듈(410)은 프로세서(408)와 별개로 도시되어 있지만, 프로세서(408)에서 실행될 수 있거나 그렇지 않으면 프로세서(408)의 일부일 수 있다. 프로세서(408) 및/또는 전자 데이터 저장 유닛(409)은 추가 정보를 수신하기 위해 웨이퍼 검사 툴이나 웨이퍼 검토 툴(도시하지 않음)과 선택적으로 전자 통신할 수 있다.
컴퓨터 서브시스템(402)은 프로세서(408)가 출력을 수신할 수 있도록, (예컨대, 유선 및/또는 무선 전송 매체를 포함할 수 있는 하나 이상의 전송 매체를 통해) 임의의 적절한 방식으로 시스템(400)의 구성 요소에 커플링될 수 있다. 프로세서(408)는 출력을 사용하여 많은 기능을 수행하도록 구성될 수 있다.
본 명세서에 설명된 컴퓨터 서브시스템(402), 다른 시스템(들) 또는 다른 서브시스템(들)은 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크 스테이션, 네트워크 기기, 인터넷 기기 또는 다른 디바이스를 포함하는 다양한 시스템의 일부일 수 있다. 또한, 서브시스템(들) 또는 시스템(들)은 병렬 프로세서와 같은 당업계에 공지된 임의의 적합한 프로세서를 포함할 수 있다. 아울러, 서브시스템(들) 또는 시스템(들)은 독립형 또는 네트워크 툴로서 고속 프로세싱과 소프트웨어를 사용하는 플랫폼을 포함할 수 있다.
프로세서(408)와 전자 데이터 저장 유닛(409)은 시스템(400)이나 다른 디바이스에 배치되거나 그렇지 않으면 그들의 일부일 수 있다. 일 예로, 프로세서(408)와 전자 데이터 저장 유닛(409)은 독립형 제어 유닛의 일부이거나 중앙 집중식 품질 제어 유닛에 속할 수 있다. 복수의 프로세서(408)나 전자 데이터 저장 유닛(409)이 사용될 수 있다.
프로세서(408)는 실제로 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 구현될 수 있다. 또한, 본 명세서에 설명된 바와 같이, 이것의 기능은 하나의 유닛에 의해 수행되거나, 상이한 구성 요소로 나누어질 수 있으며, 이들 각각은 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 차례로 구현될 수 있다. 다양한 방법과 기능을 구현하기 위한 프로세서(408)에 대한 프로그램 코드나 명령어는 전자 데이터 저장 유닛(409)의 메모리나 다른 메모리와 같은 판독 가능한 저장 매체에 저장될 수 있다.
시스템(400)이 둘 이상의 컴퓨터 서브시스템(402)을 포함하는 경우, 이미지, 데이터, 정보, 명령어 등을 서브시스템 간에 송신할 수 있도록 상이한 서브시스템이 서로 커플링될 수 있다. 예를 들어, 하나의 서브시스템은 임의의 적합한 전송 매체에 의해 추가의 서브시스템(들)에 커플링될 수 있으며, 이는 당해 기술 분야에 공지된 임의의 적합한 유선 및/또는 무선 전송 매체를 포함할 수 있다. 이러한 서브시스템 중 둘 이상은 공유 컴퓨터 판독 가능 저장 매체(도시되지 않음)에 효과적으로 커플링될 수도 있다.
프로세서(408)는 시스템(400)의 출력이나 다른 출력을 사용하여 많은 기능을 수행하도록 구성될 수 있다. 예를 들어, 프로세서(408)는 웨이퍼(404)에서 계측을 수행하기 위한 명령어를 송신하도록 구성될 수 있다. 다른 예에서, 프로세서(408)는 출력을 전자 데이터 저장 유닛(409)이나 다른 저장 매체로 송신하도록 구성될 수 있다. 프로세서(408)는 본 명세서에 설명된 바와 같이 추가 구성될 수 있다.
프로세서(408)나 컴퓨터 서브시스템(402)은 결함 검토 시스템, 검사 시스템, 계측 시스템 또는 일부 다른 유형의 시스템의 일부일 수 있다. 따라서, 본 명세서에 개시된 실시예에서는 상이한 애플리케이션에 다소 적합하거나 덜 적합한 서로 다른 기능을 구비한 시스템에 대해 여러 가지 방식으로 맞춤화될 수 있는 일부 구성을 설명한다.
프로세서(408)는 본 명세서에서 설명된 실시예들 중 임의의 것에 따라 구성될 수 있다. 프로세서(408)는 시스템(400)의 출력을 사용하거나 다른 소스로부터의 이미지나 데이터를 사용하여 다른 기능이나 추가 단계를 수행하도록 구성될 수도 있다.
다른 실시예에서, 프로세서(408)는 당업계에 공지된 임의의 방식으로 시스템(400)의 다양한 구성 요소나 서브시스템 중 임의의 것과 통신 가능하게 커플링될 수 있다. 또한, 프로세서(408)는 유선 및/또는 무선 부분을 포함할 수 있는 전송 매체에 의해 다른 시스템들로부터 데이터나 정보(예컨대, 검토 툴, 설계 데이터를 포함하는 원격 데이터베이스 등과 같은 검사 시스템으로부터의 검사 결과)를 수신 및/또는 획득하도록 구성될 수 있다. 이러한 방식에서, 전송 매체는 프로세서(408)와 시스템(400)의 다른 서브시스템 또는 시스템(400) 외부의 시스템 사이의 데이터 링크로서 기능할 수 있다.
일부 실시예에서, 시스템(400) 및 본 명세서에 개시된 방법의 다양한 단계, 기능 및/또는 동작은 전자 회로, 로직 게이트, 멀티플렉서, 프로그래밍 가능한 로직 디바이스, ASIC, 아날로그나 디지털 제어/스위치, 마이크로컨트롤러 또는 컴퓨팅 시스템 중 하나 이상에 의해 수행된다. 본 명세서에 설명된 것과 같은 방법을 구현하는 프로그램 명령어는 캐리어 매체를 통해 전송되거나 저장될 수 있다. 캐리어 매체는 ROM(Read-Only Memory), RAM(Random Access Memory), 자기 디스크나 광 디스크, 비휘발성 메모리, 솔리드 스테이트 메모리, 자기 테이프 등과 같은 저장 매체를 포함할 수 있다. 캐리어 매체는 유선, 케이블 또는 무선 전송 링크와 같은 전송 매체를 포함할 수 있다. 예를 들어, 본 발명을 통해 설명된 다양한 단계들은 단일 프로세서(408)(또는 컴퓨터 서브시스템(402))나, 대안적으로, 다중 프로세서(408)(또는 다중 컴퓨터 서브시스템(402))에 의해 수행될 수 있다. 또한, 시스템(400)의 상이한 서브시스템은 하나 이상의 컴퓨팅 또는 로직 시스템을 포함할 수 있다. 따라서, 상술한 내용은 본 발명을 제한하는 것으로 해석되어서는 안되고 단지 예시일 뿐이다.
일 실시예에서, 프로세서(408)는 하나 이상의 공정 변화 변이가 억제되고 하나 이상의 툴 왜곡이 개선되어 합성 이미지를 획득하도록 계측 영역 이미지에 디자인 클립을 수신 및 적용하도록 구성된다. 프로세서(408)는 합성 이미지에 대해 계측 동작을 수행하기 위한 명령어를 수행하거나 전송하도록 구성될 수 있다.
전자 데이터 저장 매체(409)는 합성 디자인 클립을 포함할 수 있다.
디자인 클립은 기계 학습 모듈(410)에 의해 생성된 합성 디자인 클립일 수 있다. 기계 학습 모듈(410)은 하나 이상의 공정 변조 웨이퍼로부터 이미지와 데이터를 수신하고; 그 이미지와 데이터를 사용하여 공정 변화 변이를 학습하며; 그 공정 변화 변이를 사용하여 합성 디자인 클립을 생성하도록 구성될 수 있다.
추가 실시예는 프로세서에서 실행 가능한 프로그램 명령어를 저장하는 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 특히, 프로세서(408)와 같은 프로세서는 실행 가능한 프로그램 명령어를 포함하는 비일시적 컴퓨터 판독 가능 매체를 사용하여, 전자 데이터 저장 매체(409)와 같은 전자 데이터 저장 매체의 메모리에 커플링될 수 있다. 컴퓨터 구현 방법은 본 명세서에 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다. 예를 들어, 프로세서(408)는 도 2 또는 도 3의 단계 중 일부 또는 전부를 수행하도록 프로그래밍될 수 있다. 전자 데이터 저장 매체(409)의 메모리는 자기 디스크나 광 디스크, 자기 테이프 또는 당업계에 공지된 임의의 다른 적절한 비일시적 컴퓨터 판독 가능 매체와 같은 저장 매체일 수 있다.
프로그램 명령어는, 특히, 절차 기반 기술(procedure-based technique), 구성 요소 기반 기술(component-based technique) 및/또는 객체 지향 기술(object-oriented technique)을 포함하는 임의의 다양한 방식으로 구현될 수 있다. 예를 들어, 프로그램 명령어는, 원하는 대로, ActiveX 컨트롤, C++ 객체, JavaBeans, MFC(Microsoft Foundation Classes), SSE(Streaming SIMD Extension) 또는 기타 기술이나 방법론을 사용하여 구현될 수 있다.
일 실시예에서, 하나 이상의 프로그램은 비일시적 컴퓨터 판독 가능 저장 매체에 포함된다. 하나 이상의 프로그램은 하나 이상의 컴퓨팅 디바이스에서 단계를 실행하기 위한 것이다. 단계들은 디자인 클립을 계측 영역 이미지에 적용하여 합성 이미지를 획득하는 단계와, 합성 이미지에 대해 계측 동작을 수행하기 위한 명령어들을 전달하는 단계를 포함할 수 있다. 합성 이미지가 획득될 때, 하나 이상의 공정 변화 변이가 억제되고 하나 이상의 툴 왜곡이 개선된다. 계측 영역 이미지는 스캐닝 전자 현미경 이미지나 복수의 스캐닝 전자 현미경 이미지의 평균일 수 있다.
디자인 클립은 합성 디자인 클립일 수 있다. 이 경우에, 단계에는 기계 알고리즘을 사용하는 공정 변화 변이를 이용하여 합성 디자인 클립을 생성하는 단계가 포함된다. 기계 알고리즘은 딥러닝 알고리즘일 수 있다.
방법의 각 단계는 본 명세서에 설명된 바와 같이 수행될 수 있다. 방법은 본 명세서에 설명된 프로세서 및/또는 컴퓨터 서브시스템(들)이나 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수도 있다. 단계는 하나 이상의 컴퓨터 시스템에 의해 수행될 수 있으며, 이는 본 명세서에 설명된 실시예 중 임의의 것에 따라 구성될 수도 있다. 또한, 전술한 방법은 본 명세서에 설명된 임의의 시스템 실시예에 의해 수행될 수 있다.
본 발명은 하나 이상의 특정 실시예와 관련하여 설명되었지만, 본 발명의 범주를 벗어나지 않고 본 발명의 다른 실시예가 만들어질 수 있음을 이해할 것이다. 따라서, 본 발명은 첨부된 청구 범위와 그의 합리적인 해석에 의해서만 제한되는 것으로 간주된다.
Claims (20)
- 스캐닝 전자 현미경 빔 왜곡에 따른(distortion-induced) 계측 오차의 보상 방법에 있어서,
프로세서에서, 웨이퍼의 계측 영역 이미지를 수신하는 단계;
상기 프로세서에서, 저장 매체로부터 디자인 클립을 수신하는 단계;
상기 프로세서를 사용하여 상기 디자인 클립을 상기 계측 영역 이미지에 적용함으로써 합성 이미지를 획득하는 단계 - 하나 이상의 공정 변화 변이(process change variation)는 억제되고 하나 이상의 툴 왜곡(tool distortion)은 개선됨 - ; 및
상기 합성 이미지에 대해 계측 동작을 수행하는 단계
를 포함하는, 계측 오차의 보상 방법. - 제 1 항에 있어서,
상기 디자인 클립은 상기 웨이퍼에 대한 디자인인 것인, 계측 오차의 보상 방법. - 제 1 항에 있어서,
상기 디자인 클립은 합성 디자인 클립이고, 상기 합성 디자인 클립은,
기계 알고리즘(machine algorithm)으로 상기 공정 변화 변이를 이용하여 상기 합성 디자인 클립을 생성하는 단계와,
상기 합성 디자인 클립을 상기 저장 매체에 전달하는 단계
를 포함하는 방법에 의해 생성되는 것인, 계측 오차의 보상 방법. - 제 3 항에 있어서,
상기 합성 디자인 클립은,
기계 학습 모듈에서, 하나 이상의 공정 변조 웨이퍼(process modulated wafer)로부터 이미지와 데이터를 수신하는 단계와,
상기 기계 학습 모듈에서, 상기 기계 알고리즘을 사용하여 상기 공정 변화 변이를 학습하는 단계
를 더 포함하는 방법에 의해 생성되는 것인, 계측 오차의 보상 방법. - 제 3 항에 있어서,
상기 기계 알고리즘은 딥 러닝 알고리즘(deep learning algorithm)인 것인, 계측 오차의 보상 방법. - 제 1 항에 있어서,
상기 계측 영역 이미지는 스캐닝 전자 현미경 이미지인 것인, 계측 오차의 보상 방법. - 제 1 항에 있어서,
상기 계측 영역 이미지는 복수의 스캐닝 전자 현미경 이미지의 평균인 것인, 계측 오차의 보상 방법. - 제 1 항에 있어서,
상기 저장 매체는 영구적 비일시적 저장 매체인 것인, 계측 오차의 보상 방법. - 제 1 항에 있어서,
스캐닝 전자 현미경을 사용하여 상기 웨이퍼의 상기 계측 영역 이미지를 획득하는 단계
를 더 포함하는, 계측 오차의 보상 방법. - 제 1 항에 있어서,
상기 계측 동작에 기초하여 왜곡을 감소시키기 위해 웨이퍼 계측 툴의 시스템 구성 요소를 세부 조정하는(tuning) 단계
를 더 포함하는, 계측 오차의 보상 방법. - 왜곡에 따른 계측 오차의 보상 시스템에 있어서,
계측 영역 이미지를 생성하도록 구성된 웨이퍼 계측 툴; 및
상기 웨이퍼 계측 툴과 전자 통신하는 프로세서 - 상기 프로세서는, 하나 이상의 공정 변화 변이가 억제되고 하나 이상의 툴 왜곡이 개선되어 합성 이미지를 획득하도록 상기 계측 영역 이미지에 디자인 클립을 수신 및 적용하도록 구성됨 -
를 포함하는, 계측 오차의 보상 시스템. - 제 11 항에 있어서,
상기 웨이퍼 계측 툴은 스캐닝 전자 현미경인 것인, 계측 오차의 보상 시스템. - 제 11 항에 있어서,
상기 디자인 클립을 포함하는 전자 데이터 저장 매체를 더 포함하고, 상기 전자 데이터 저장 매체는 상기 프로세서와 전자 통신하는 것인, 계측 오차의 보상 시스템. - 제 11 항에 있어서,
상기 프로세서는 또한 상기 합성 이미지에 대해 계측 동작을 수행하도록 구성되는 것인, 계측 오차의 보상 시스템. - 제 11 항에 있어서,
상기 디자인 클립은 합성 디자인 클립이고, 상기 시스템은,
하나 이상의 공정 변조 웨이퍼로부터 이미지와 데이터를 수신하고,
상기 이미지와 데이터를 사용하여 상기 공정 변화 변이를 학습하며,
상기 공정 변화 변이를 사용하여 상기 합성 디자인 클립을 생성하도록
구성된 기계 학습 모듈을 포함하는 것인, 계측 오차의 보상 시스템. - 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,
하나 이상의 컴퓨팅 디바이스에서, 다음 단계들:
디자인 클립을 계측 영역 이미지에 적용하여 합성 이미지를 획득하는 단계 - 하나 이상의 공정 변화 변이가 억제되고 하나 이상의 툴 왜곡이 개선됨 - 와,
상기 합성 이미지에 대해 계측 동작을 수행하게 하기 위한 명령어를 송신하는 단계
를 실행하기 위한 하나 이상의 프로그램을 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체. - 제 16 항에 있어서,
상기 디자인 클립은 합성 디자인 클립이고, 상기 단계들은, 상기 공정 변화 변이를 이용하여 기계 알고리즘으로 상기 합성 디자인 클립을 생성하는 단계를 포함하는 것인, 비일시적 컴퓨터 판독 가능 저장 매체. - 제 17 항에 있어서,
상기 기계 알고리즘은 딥 러닝 알고리즘인 것인, 비일시적 컴퓨터 판독 가능 저장 매체. - 제 16 항에 있어서,
상기 계측 영역 이미지는 스캐닝 전자 현미경 이미지인 것인, 비일시적 컴퓨터 판독 가능 저장 매체. - 제 16 항에 있어서,
상기 계측 영역 이미지는 복수의 스캐닝 전자 현미경 이미지의 평균인 것인, 비일시적 컴퓨터 판독 가능 저장 매체.
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201841000566 | 2018-01-05 | ||
IN201841000566 | 2018-01-05 | ||
US201862635316P | 2018-02-26 | 2018-02-26 | |
US62/635,316 | 2018-02-26 | ||
US15/965,061 | 2018-04-27 | ||
US15/965,061 US10529534B2 (en) | 2018-01-05 | 2018-04-27 | Compensating for scanning electron microscope beam distortion-induced metrology error using design |
PCT/US2019/012225 WO2019136182A1 (en) | 2018-01-05 | 2019-01-03 | Compensating for scanning electron microscope beam distortion-induced metrology error using design |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200096990A true KR20200096990A (ko) | 2020-08-14 |
KR102463962B1 KR102463962B1 (ko) | 2022-11-04 |
Family
ID=67140945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020207022217A KR102463962B1 (ko) | 2018-01-05 | 2019-01-03 | 스캐닝 전자 현미경 빔 왜곡에 따른 계측 오차에 대한 디자인을 이용한 보상 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10529534B2 (ko) |
KR (1) | KR102463962B1 (ko) |
CN (1) | CN111542916B (ko) |
TW (1) | TWI781272B (ko) |
WO (1) | WO2019136182A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11740073B2 (en) | 2021-03-18 | 2023-08-29 | Samsung Electronics Co., Ltd. | Method for measuring CD using scanning electron microscope |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263737B2 (en) * | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
CN115104122A (zh) * | 2020-02-13 | 2022-09-23 | Asml荷兰有限公司 | 在多带电粒子束检查中根据检查图像的轮廓提取方法 |
EP3893057A1 (en) * | 2020-04-10 | 2021-10-13 | ASML Netherlands B.V. | Aligning a distorted image |
JP7492389B2 (ja) | 2020-07-03 | 2024-05-29 | 株式会社ホロン | 画像検査装置および画像検査方法 |
US11250199B1 (en) * | 2020-09-16 | 2022-02-15 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for generating shape data for electronic designs |
JP2023544258A (ja) * | 2020-10-13 | 2023-10-23 | エーエスエムエル ネザーランズ ビー.ブイ. | ボケ除去モデルを生成して像のボケを除去する装置及び方法 |
KR20220095472A (ko) | 2020-12-30 | 2022-07-07 | 삼성전자주식회사 | 패턴 분석 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법 |
US20230316593A1 (en) * | 2022-03-31 | 2023-10-05 | Applied Materials, Inc. | Generating synthetic microspy images of manufactured devices |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183323A1 (en) * | 2007-01-25 | 2008-07-31 | Ovadya Menadeva | System, method and computer program product for evaluating an actual structural element of an eletrical circuit |
JP2010266900A (ja) * | 2003-10-07 | 2010-11-25 | Asml Netherlands Bv | リソグラフィシミュレーションのための装置および方法 |
US20160035076A1 (en) * | 2014-07-29 | 2016-02-04 | Applied Materials Israel Ltd. | Registration of cad data with sem images |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09167731A (ja) * | 1995-12-14 | 1997-06-24 | Mitsubishi Electric Corp | 投影露光装置、収差評価用マスクパタン、収差量評価方法、収差除去フィルター及び半導体装置の製造方法 |
EP2365512A3 (en) * | 2000-06-27 | 2012-01-04 | Ebara Corporation | Inspection system by charged particle beam |
US7241538B2 (en) * | 2003-11-05 | 2007-07-10 | Promos Technologies | Method for providing representative features for use in inspection of photolithography mask and for use in inspection photo-lithographically developed and/or patterned wafer layers, and products of same |
US8525137B2 (en) * | 2006-10-20 | 2013-09-03 | Fei Company | Method for creating S/TEM sample and sample structure |
CN101261451B (zh) * | 2008-04-17 | 2011-06-29 | 上海微电子装备有限公司 | 光刻机成像质量及工件台定位精度的现场测量方法 |
JP5313069B2 (ja) | 2009-07-17 | 2013-10-09 | 株式会社日立ハイテクノロジーズ | 走査荷電粒子顕微鏡装置及びそれを用いたパターン寸法の計測方法 |
US8995746B2 (en) * | 2013-03-15 | 2015-03-31 | KLA—Tencor Corporation | Image synchronization of scanning wafer inspection system |
CN105093815B (zh) * | 2014-05-21 | 2019-10-15 | 北大方正集团有限公司 | 器件设计尺寸的提取方法 |
CN105336635B (zh) * | 2014-07-17 | 2019-04-09 | 中芯国际集成电路制造(上海)有限公司 | Cd-sem装置的校正方法、应用cd-sem装置的方法及cd-sem装置 |
US11010886B2 (en) | 2016-05-17 | 2021-05-18 | Kla-Tencor Corporation | Systems and methods for automatic correction of drift between inspection and design for massive pattern searching |
-
2018
- 2018-04-27 US US15/965,061 patent/US10529534B2/en active Active
-
2019
- 2019-01-03 WO PCT/US2019/012225 patent/WO2019136182A1/en active Application Filing
- 2019-01-03 CN CN201980007200.0A patent/CN111542916B/zh active Active
- 2019-01-03 TW TW108100138A patent/TWI781272B/zh active
- 2019-01-03 KR KR1020207022217A patent/KR102463962B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010266900A (ja) * | 2003-10-07 | 2010-11-25 | Asml Netherlands Bv | リソグラフィシミュレーションのための装置および方法 |
US20080183323A1 (en) * | 2007-01-25 | 2008-07-31 | Ovadya Menadeva | System, method and computer program product for evaluating an actual structural element of an eletrical circuit |
US20160035076A1 (en) * | 2014-07-29 | 2016-02-04 | Applied Materials Israel Ltd. | Registration of cad data with sem images |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11740073B2 (en) | 2021-03-18 | 2023-08-29 | Samsung Electronics Co., Ltd. | Method for measuring CD using scanning electron microscope |
Also Published As
Publication number | Publication date |
---|---|
US10529534B2 (en) | 2020-01-07 |
US20190214223A1 (en) | 2019-07-11 |
CN111542916B (zh) | 2021-06-18 |
TWI781272B (zh) | 2022-10-21 |
TW201939564A (zh) | 2019-10-01 |
CN111542916A (zh) | 2020-08-14 |
WO2019136182A1 (en) | 2019-07-11 |
KR102463962B1 (ko) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102463962B1 (ko) | 스캐닝 전자 현미경 빔 왜곡에 따른 계측 오차에 대한 디자인을 이용한 보상 | |
TWI805868B (zh) | 使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化 | |
US9965901B2 (en) | Generating simulated images from design information | |
US10818001B2 (en) | Using stochastic failure metrics in semiconductor manufacturing | |
US11894214B2 (en) | Detection and correction of system responses in real-time | |
CN114667596B (zh) | 基于噪声特性而对次关注区域进行聚类 | |
US20220012404A1 (en) | Image matching method and arithmetic system for performing image matching process | |
JP7030856B2 (ja) | 走査電子顕微鏡対物レンズ較正 | |
US11462380B2 (en) | Multi-beam inspection methods and systems | |
WO2023076080A1 (en) | Continuous machine learning model training for semiconductor manufacturing | |
US20220059316A1 (en) | Scanning Electron Microscope Image Anchoring to Design for Array | |
US20240212131A1 (en) | Improved charged particle image inspection | |
US20230420278A1 (en) | Image Modeling-Assisted Contour Extraction | |
TW202135116A (zh) | 用於掃描電子顯微鏡影像之寬頻電漿輔助缺陷偵測流程 | |
TW202335020A (zh) | 對準失真影像 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
A302 | Request for accelerated examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |