KR20210048547A - 트레이닝된 뉴럴 네트워크 제공 및 물리적 시스템의 특성 결정 - Google Patents

Abstract

박막 다층 스택 또는 다른 광학 시스템과 같은 물질 구조체를 갖는 물리적 시스템의 광학 응답과 같은 특성을 결정하는 방법은 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란의 모델(1420)을 기반으로 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크(1440)를 제공하는 단계(1430); 및 물리적 시스템의 특성을 결정하기 위해 뉴럴 네트워크를 트레이닝시키고(1450) 이용하는(1460) 단계를 포함한다. 네트워크 아키텍처는 숨겨진 계층 당 유닛 수, 숨겨진 계층의 수, 계층 상호 연결 및 드롭아웃을 포함하는 매개변수를 구성함으로써 모델을 기반으로 구성될 수 있다.

Description

트레이닝된 뉴럴 네트워크 제공 및 물리적 시스템의 특성 결정

관련 출원에 대한 상호 참조

본 출원은 2018년 9월 28일에 출원된 EP 출원 18197556.6의 우선권을 주장하며, 이는 본 명세서에서 그 전문이 인용 참조된다.

본 발명은 트레이닝된 뉴럴 네트워크를 제공하는 방법, 물리적 시스템의 특성을 결정하는 방법, 데이터 처리 장치, 검사 장치, 계측 장치, 리소그래피 셀 및 컴퓨터 프로그램 제품에 관한 것이다.

리소그래피 장치는 기판 상으로 원하는 패턴을 적용하도록 구성된 기계이다. 리소그래피 장치는, 예를 들어 집적 회로(IC)의 제조에 사용될 수 있다. 리소그래피 장치는, 예를 들어 패터닝 디바이스 (예를 들어, 마스크)에 있는 패턴 (또한 "설계 레이아웃" 또는 "설계"로 지칭됨)을 기판 (예를 들어, 웨이퍼) 상에 제공된 방사선-감응 물질(레지스트)의 층 상으로 투영할 수 있다.

기판 상에 패턴을 투영하기 위해 리소그래피 장치는 전자기 방사선을 사용할 수 있다. 이 방사선의 파장은 기판 상에 형성될 수 있는 피처의 최소 크기를 결정한다. 현재 사용되고 있는 전형적인 파장은 365㎚ (i-line), 248㎚, 193㎚ 및 13.5㎚이다. 4 내지 20㎚ 범위 내의, 예를 들어 6.7㎚ 또는 13.5㎚의 파장을 갖는 극자외(EUV) 방사선을 사용하는 리소그래피 장치는, 예를 들어 193㎚의 파장을 갖는 방사선을 사용하는 리소그래피 장치보다 기판 상에 더 작은 피처를 형성하기 위해 사용될 수 있다.

저(low)-k₁ 리소그래피는 리소그래피 장치의 전형적인 분해능 한계보다 작은 치수를 갖는 피처를 처리하기 위해 사용될 수 있다. 이러한 공정에서, 분해능 공식은

로 표현될 수 있으며, 여기서 λ는 사용되는 방사선의 파장, NA는 리소그래피 장치 내의 투영 광학계의 개구수, CD는 "임계 치수" (일반적으로, 프린트되는 가장 작은 피처 크기이나, 이 경우에서는 반분-피치), 그리고 k₁은 경험적인 분해능 인자이다. 일반적으로, k₁이 작을수록, 특정한 전기적 기능 및 성능을 달성하기 위하여 회로 설계자에 의하여 계획된 형상 및 치수와 유사한 패턴을 기판 상에 재현하는 것이 더 어려워진다. 이 어려움을 극복하기 위하여 정교한 미세 조정(fine-tuning) 단계가 리소그래피 투영 장치 및/또는 설계 레이아웃에 적용될 수 있다. 이는, 예를 들어 NA의 최적화, 맞춤 조명 스킴(customized illumination schemes), 위상 시프팅 패터닝 디바이스의 사용, 설계 레이아웃에서의 광학 근접 보정(OPC, 때로는 "광학 및 공정 보정"으로도 지칭됨)과 같은 설계 레이아웃의 다양한 최적화, 또는 일반적으로 "분해능 향상 기술"(RET)로서 규정된 다른 방법을 포함하지만, 이에 제한되지는 않는다. 대안적으로, 리소그래피 장치의 안정성을 제어하기 위한 엄격한 제어 루프는 저 k₁에서 패턴의 재현을 개선하기 위해 사용될 수 있다.

인공 뉴럴 네트워크와 딥 러닝 모델은 최근 객체 인식, 기계 번역, 음성 인식, 오디오 신호 처리 등 다양한 분야에서 특정 모델을 능가하는 능력으로 인하여 많은 주목을 받고 있다. 매우 다양한 문제에 대한 유용한 정보를 학습할 수 있는 그들의 능력은 반도체 산업에서의 그들의 사용에 대한 관심을 불러 일으켰다. 인공 뉴럴 네트워크와 딥 러닝의 (최근의) 재유행을 고려할 때, 상이한 반도체 제조 적용에 대하여 입력에서 출력으로의, 예를 들어 (입력으로서) 반도체 제조 공정에서 제조된 임계 치수(CD) 프로파일의 박막 다층 스택 매개변수에 대하여 (출력으로서) 스캐터로미터의 대물렌즈의 퓨필로의 매핑을 수행하기 위하여 데이터 기반 접근 방식을 적용하는데 관심이 있었다.

일반적으로 이러한 매핑이 수행될 때마다 뉴럴 네트워크 아키텍처 (예를 들어, 네트워크 내의 계층의 수, 각 계층 내의 숨겨진 유닛의 수)는 시간 소모적인 공정을 통해 조정되어야 한다. 하이퍼 매개변수의 상이한 조합 (예를 들어, 계층의 수, 계층 당 숨겨진 유닛 수 등), 예를 들어 5개의 계층 및 계층 당 4개의 숨겨진 유닛은 확인되어 어느 것이 가장 우수한 전체 성능 (예를 들어, 가장 낮은 트레이닝 데이터 오차, 테스트 데이터에 대한 가장 낮은 평균 제곱 오차)을 제공하는지 평가된다. 특정 적용에 대한 최적의 아키텍처를 찾는 이 공정은 컴퓨테이션 시간은 물론 전문가 시간 모두의 손실과 함께 많은 시행착오를 수반한다.

기계 학습 모델에 대한 우려는 일반화, 즉 트레이닝 중에 모델이 보지 않았던 데이터에 대한 정확한 예측이다. 네트워크가 새로운 데이터에 잘 일반화되도록 최적의 아키텍처를 제시하는 것도 기계 학습 관련 연구에서 기본적인 개방형 과제이다.

뉴럴 네트워크를 트레이닝시키기 위한 효과적이고 효율적인 해결책을 제공하고 이를 사용하여 위에서 논의된 문제 또는 한계 중 하나 이상을 해결하는 박막 다층 스택과 같은 물리적 시스템의 특성을 결정하는 것이 바람직하다.

본 발명의 실시예는 청구범위에 그리고 상세한 설명에 개시되어 있다.

본 발명의 제1 양태에서, 트레이닝된 뉴럴 네트워크를 제공하는 방법이 제공되며, 본 방법은,

- 방사선의 경로를 따른 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 그의 네트워크 아키텍처를 갖는 뉴럴 네트워크를 제공하는 단계; 및

- 뉴럴 네트워크를 트레이닝시키는 단계를 포함한다.

본 발명의 제2 양태에서, 물질 구조체를 갖는 물리적 시스템의 특성을 결정하는 방법이 제공되며, 본 방법은

- 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는, 트레이닝된 뉴럴 네트워크를 받아들이는 단계; 및

트레이닝된 뉴럴 네트워크를 이용하여 물리적 시스템의 특성을 결정하는 단계를 포함한다.

본 발명의 제3 양태에서, 방사선의 경로를 따른 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크를 포함하는 데이터 처리 장치가 제공된다.

본 발명의 제4 양태에서, 물질 구조체를 갖는 물리적 시스템의 근사 구조체를 재구성하기 위한 검사 장치가 제공되며, 본 검사 장치는

- 방사선으로 물리적 시스템을 조명하도록 구성된 조명 시스템;

- 조명으로부터 발생하는 물리적 시스템의 검출된 특성을 검출하도록 구성된 검출 시스템; 및

- 프로세서를 포함하되, 프로세서는:

- 제2 양태에 따른 방법을 이용하여 물리적 시스템의 적어도 하나의 모델 특성을 결정하도록; 그리고

- 물리적 시스템의 검출된 특성과 적어도 하나의 모델 특성 간의 차이로부터 물리적 시스템의 근사 구조체를 결정하도록 구성된다.

본 발명의 제5 양태에서, 제4 양태의 검사 장치를 포함하는 계측 장치가 제공된다.

본 발명의 제6 양태에서, 제4 양태의 검사 장치를 포함하는 리소그래피 셀이 제공된다.

본 발명의 제7 양태에서, 범용 데이터 처리 장치가 제1 또는 제2 양태의 방법의 단계를 수행하게 하기 위한 기계 판독 가능한 명령어를 포함하는 컴퓨터 프로그램 제품이 제공된다.

첨부된 개략적인 도면을 참조하여 본 발명의 실시예가 단지 예로서 설명될 것이며, 도면에서
도 1은 리소그래피 장치의 개략적인 개요를 도시하고 있다.
도 2는 리소그래피 셀의 개략적인 개요를 도시하고 있다.
도 3은 반도체 제조를 최적화하기 위한 세 가지 핵심 기술 간의 협력을 나타내는, 홀리스틱 리소그래피의 개략적인 표현을 보여주고 있다.
도 4a는 본 발명의 실시예에 따른 스캐터로미터 검사 장치를 도시하고 있다.
도 4b는 본 발명의 실시예에 따른 또 다른 스캐터로미터 검사 장치를 도시하고 있다.
도 5는 스캐터로미터 측정으로부터 근사 구조체를 재구성하기 위하여 본 발명의 실시예를 사용하는 제1 예시적인 공정을 도시하고 있다.
도 6은 스캐터로미터 측정으로부터 근사 구조체를 재구성하기 위하여 본 발명의 실시예를 사용하는 제2 예시적인 공정을 도시하고 있다.
도 7은 x에서 y로의 매핑을 생성하기 위해 사용되고 있는 뉴럴 네트워크의 개략적 표현을 도시하고 있다.
도 8은 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란을 갖는 박막 다층 스택의 개략적인 표현을 도시하고 있다.
도 9는 본 발명의 실시예에 따라 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크의 개략적인 표현을 도시하고 있다.
도 10은 상이한 패턴 영역을 통한 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란을 갖는 패턴닝된 박막 다층 스택의 개략적인 표현을 도시하고 있다.
도 11은 도 10에 도시된 물리적 시스템의 물질 구조체에 의한 방사선의 산란 모델을 기반으로 본 발명의 실시예에 따라 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크의 개략적 표현을 도시하고 있다.
도 12는 병렬로 제2 뉴럴 네트워크를 갖는, 본 발명의 실시예에 따라 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크의 개략적 표현을 도시하고 있다.
도 13은 드롭아웃을 구성함으로써 본 발명의 실시예에 따라 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크의 개략적인 표현을 도시하고 있다.
도 14는 본 발명의 실시예에 따른 방법의 흐름도를 도시하고 있다.

본 문헌에서, 용어 "방사선" 및 "빔"은 (예를 들어, 365, 248, 193, 157 또는 126㎚의 파장을 갖는) 자외 방사선 및 EUV (예를 들어, 약 5 내지 100㎚의 범위 내의 파장을 갖는, 극자외 방사선)를 포함하는 모든 유형의 전자기 방사선을 포함하도록 사용된다

본 명세서에서 사용된 바와 같은 용어 "레티클", "마스크" 또는 "패터닝 디바이스"는 입사 방사선 빔에 기판의 타겟 부분에 생성될 패턴에 대응하는 패터닝된 횡단면을 부여하기 위하여 사용될 수 있는 포괄적인 패터닝 디바이스를 지칭하는 것으로 넓게 해석될 수 있다. 용어 "광 밸브(light valve)"가 또한 이와 관련하여 사용될 수 있다. 전형적인 마스크 (투과형 또는 반사형, 바이너리(binary), 위상-시프팅, 하이브리드(hybrid) 등) 외에, 다른 이러한 패터닝 디바이스의 예는 프로그램 가능한 미러 어레이 및 프로그램 가능한 LCD 어레이를 포함하고 있다.

도 1은 리소그래피 장치(LA)를 개략적으로 도시하고 있다. 리소그래피 장치(LA)는 방사선 빔(B) (예를 들어, UV 방사선, DUV 방사선 또는 EUV 방사선)을 조정하도록 구성된 조명 시스템 (조명기로도 지칭됨)(IL), 패터닝 디바이스 (예를 들어, 마스크)(MA)를 지지하도록 구성되며 소정 매개변수에 따라 패터닝 디바이스(MA)를 정확하게 위치시키도록 구성된 제1 포지셔너(PM)에 연결되어 있는 마스크 지지체 (예를 들어, 마스크 테이블)(MT), 기판 (예를 들어, 레지스트 코팅된 웨이퍼)(W)을 유지하도록 구성되며 소정 매개변수에 따라 기판 지지체를 정확하게 위치시키도록 구성된 제2 포지셔너(PW)에 연결되어 있는 기판 지지체 (예를 들어, 웨이퍼 테이블)(WT); 및 패터닝 디바이스(MA)에 의하여 방사선 빔(B)에 부여된 패턴을 기판(W)의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟 부분(C) 상으로 투영하도록 구성된 투영 시스템 (예를 들어, 굴절형 투영 렌즈 시스템)(PS)을 포함하고 있다.

작동 시에, 조명 시스템(IL)은, 예를 들어 빔 전달 시스템(BD)을 통해 방사선 소스(SO)로부터 방사선 빔을 받아들인다. 조명 시스템(IL)은 방사선을 지향시키고, 성형(shaping) 및/또는 제어하기 위하여, 굴절식, 반사식, 자기, 전자기, 정전기 및/또는 다른 유형의 광학 구성 요소 또는 이들의 임의의 조합과 같은 다양한 유형의 광학 구성 요소를 포함할 수 있다. 조명기(IL)는 패터닝 디바이스(MA)의 평면에서 방사선 빔(B)의 횡단면에 원하는 공간 및 각도 세기 분포를 갖도록 방사선 빔(B)을 조정하기 위해 사용될 수 있다.

본 명세서에서 사용된 용어 "투영 시스템"(PS)은 사용되는 노광 방사선에 적합하고 및/또는 침지 액체의 사용 또는 진공의 사용과 같은 다른 요인에 대해 적합한 것으로서, 굴절형, 반사형, 반사굴절형, 애너모픽, 자기, 전자기 및/또는 정전기 광학 시스템 또는 이들의 임의의 조합을 포함하는 다양한 유형의 투영 시스템을 포함하는 것으로 폭넓게 해석되어야 한다. 본 명세서 내에서의 용어 "투영 렌즈"의 임의의 사용은 더욱 일반적인 용어 "투영 시스템"(PS)과 동의어로 간주될 수 있다.

리소그래피 장치(LA)는 투영 시스템(PS)과 기판(W) 사이의 공간을 채우기 위하여 비교적 높은 굴절률을 갖는 액체, 예를 들어 물로 기판의 적어도 일부가 덮일 수 있는 유형일 수도 있으며, 이는 또한 침지 리소그래피로 지칭된다. 침지 기술에 대한 더 많은 정보가 미국특허 제6,952,253호에 제공되어 있으며, 이는 본 명세서에서 인용 참조된다.

리소그래피 장치(LA)는 또한 2개 이상의 기판 지지체(WT) (또한 "이중 스테이지"로 명명됨)를 갖는 유형일 수 있다. 이러한 "다중 스테이지" 기계에서는, 기판 지지체(WT)들이 동시에 사용될 수 있으며, 및/또는 기판(W)의 후속 노광의 준비 단계가 기판 지지체(WT) 중 하나에 위치된 기판(W) 상에서 수행될 수 있는 동안에, 다른 기판 지지체(WT) 상의 또 다른 기판(W)은 다른 기판(W) 상의 패턴을 노광하기 위하여 이용되고 있다.

기판 지지체(WT)에 더하여, 리소그래피 장치(LA)는 측정 스테이지를 포함할 수 있다. 측정 스테이지는 센서 및/또는 세정 디바이스를 유지하도록 배열되어 있다. 센서는 투영 시스템(PS)의 특성 또는 방사선 빔(B)의 특성을 측정하도록 배열될 수 있다. 측정 스테이지는 다수의 센서를 유지시킬 수 있다. 세정 디바이스는 리소그래피 장치의 일부, 예를 들어 투영 시스템(PS)의 일부 또는 침지 액체를 제공하는 시스템의 일부를 세정하도록 배열될 수 있다. 기판 지지체(WT)가 투영 시스템(PS)으로부터 떨어져 있을 때 측정 스테이지는 투영 시스템(PS) 아래로 이동할 수 있다.

작동 시에, 방사선 빔(B)은 마스크 지지체(MT) 상에 유지되는 패터닝 디바이스, 예를 들어 마스크(MA) 상에 입사되며, 패터닝 디바이스(MA) 상에 존재하는 패턴 (설계 레이아웃)에 의해 패터닝된다. 마스크(MA)를 가로지른 후에, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 투영 시스템은 빔을 기판(W)의 타겟 부분(C) 상으로 집속한다. 제2 포지셔너(PW) 및 위치 측정 시스템(IF)의 도움으로, 예를 들어 집속되고 정렬된 위치에 방사선 빔(B)의 경로 내의 상이한 타겟 부분(C)들을 위치시키기 위하여 기판 지지체(WT)는 정확하게 이동될 수 있다. 마찬가지로, 제1 위치 포지셔너(PM) 및 가능하게는 (이는 도 1에 명확히 도시되지 않는) 또 다른 위치 센서가 사용되어 패터닝 디바이스(MA)를 방사선 빔(B)의 경로에 대해 정확하게 위치시킬 수 있다. 패터닝 디바이스(MA) 및 기판(W)은 마스크 정렬 마크(M1, M2) 및 기판 정렬 마크(P1, P2)를 사용하여 정렬될 수 있다. 도시된 바와 같이 기판 정렬 마크(P1, P2)는 전용 타겟 부분을 점유하지만, 이들은 타겟 부분들 사이의 공간에 위치될 수 있다. 기판 정렬 마크(P1, P2)는 이들이 타겟 부분(C)들 사이에 위치될 때 스크라이브-레인 정렬 마크로 알려져 있다.

도 2에서 보여지는 바와 같이, 리소그래피 장치(LA)는 리소그래피 셀(LC)의 일부를 형성할 수 있으며, 이는 때로는 리소셀 또는 (리소) 클러스터로도 지칭되고, 흔히 기판(W) 상에서 노광 전 및 노광 후 공정을 수행하는 장치를 포함하고 있다. 일반적으로, 이들은 레지스트 층을 증착하기 위한 스핀 코터(SC), 노광된 레지스트를 현상하기 위한 현상기(DE), 예를 들어 레지스트 층 내의 용매를 조절하기 위하여, 예를 들어 기판(W)의 온도를 조절하기 위한 냉각 플레이트(CH) 및 베이크 플레이트(BK)를 포함한다. 기판 핸들러 또는 로봇(RO)은 입력/출력 포트(I/O1, I/O2)로부터 기판(W)을 픽업하여, 이를 상이한 공정 장치들 사이에서 이동시키며, 기판(W)을 리소그래피 장치(LA)의 로딩 베이(loading bay; LB)에 전달한다. 흔히 통칭적으로 트랙으로도 지칭되는, 리소셀 내의 디바이스는 전형적으로 감독 제어 시스템(SCS)에 의해 자체 제어될 수 있는 트랙 제어 유닛(TCU)의 제어 하에 있으며, 감독 제어 시스템은 또한 예를 들어 리소그래피 제어 유닛(LACU)을 통해 리소그래피 장치를 제어할 수 있다.

리소그래피 장치(LA)에 의해 노광되는 기판(W)이 정확하고 일관되게 노광되도록 하기 위하여, 기판을 검사하여 후속하는 층들 간의 오버레이 오차, 라인 두께, 임계 치수(CD) 등과 같은, 패터닝된 구조체의 특성을 측정하는 것이 바람직하다. 이 목적을 위하여, 검사 툴(보이지 않음)이 리소셀(LC)에 포함될 수 있다. 오차가 검출되면, 특히 동일 배치(batch) 또는 로트의 다른 기판(W)들이 노광되거나 처리되기 전에 검사가 수행된다면, 예를 들어 후속 기판의 노광에 대해 또는 기판(W) 상에서 수행될 다른 처리 단계에 대해 조정이 이루어질 수 있다.

계측 장치로도 지칭될 수 있는 검사 장치는 기판(W)의 특성을 결정하기 위해, 그리고 특히 상이한 기판(W)들의 특성이 어떻게 달라지는지 또는 동일한 기판(W)의 상이한 층들과 연관된 특성이 층마다 어떻게 달라지는지를 결정하기 위해 사용된다. 검사 장치는 대안적으로 기판(W) 상의 결함을 식별하도록 구성될 수 있으며, 예를 들어 리소셀(LC)의 일부일 수 있거나, 리소그래피 장치(LA)에 통합될 수 있거나, 심지어 독립형 디바이스일 수도 있다. 검사 장치는 잠상 (노광 후의 레지스트 층 내의 이미지)에 관한, 또는 반-잠상 (노광 후 베이크 단계(PEB) 후의 레지스트 층 내의 이미지)에 관한, 또는 (레지스트의 노광된 또는 노광되지 않은 부분이 제거된) 현상된 레지스트 이미지에 관한, 또는 심지어 (에칭과 같은 패턴 전사 단계 이후의) 에칭된 이미지에 관한 특성을 측정할 수 있다.

전형적으로 리소그래피 장치(LA)에서의 패터닝 공정은 기판(W) 상의 구조체의 치수 및 배치의 높은 정확도를 요구하는 처리에서의 가장 중요한 단계 중 하나이다. 이 높은 정확도를 보장하기 위하여, 도 3에 개략적으로 도시된 바와 같이 3개의 시스템이 소위 "홀리스틱(holistic)" 제어 환경에서 조합될 수 있다. 이 시스템들 중 하나는 계측 툴(MT) (제2 시스템)에 그리고 컴퓨터 시스템(CL) (제3 시스템)에 (가상적으로) 연결되어 있는 리소그래피 장치(LA)이다. 이러한 "홀리스틱" 환경의 핵심은 이 3개의 시스템 사이의 협력을 최적화하여 전체 공정 윈도우를 향상시키고 엄격한 제어 루프를 제공하여 리소그래피 장치(LA)에 의해 수행된 패터닝이 공정 윈도우 내에 유지되는 것을 보장하는 것이다. 공정 윈도우는 공정 매개 변수 (예를 들어, 선량, 초점, 오버레이)의 범위를 규정하며, 특정 제조 공정은 이 공정 매개 변수 내에서 규정된 결과 (예를 들어, 기능 반도체 디바이스)를 생성한다-전형적으로 이 범위 내에서 리소그래피 공정 또는 패터닝 공정에서의 공정 매개변수는 달라지는 것이 허용된다.

컴퓨터 시스템(CL)은 패터닝될 설계 레이아웃(의 일부)을 사용하여 어떤 분해능 향상 기술을 사용할지 예측할 수 있으며 어떤 마스크 레이아웃 및 리소그래피 장치 설정이 (도 3에서 제1 스케일(SC1)의 이중 화살표에 의하여 도시된) 패터닝 공정의 가장 큰 전체 공정 윈도우를 달성할지 결정하도록 컴퓨테이션 리소그래피 시뮬레이션 및 계산을 수행할 수 있다. 전형적으로, 분해능 향상 기법은 리소그래피 장치(LA)의 패터닝 가능성과 매칭되도록 구성된다. 컴퓨터 시스템(CL)은 또한 공정 윈도우 내에서 (예를 들어, 계측 툴(MT)로부터의 입력을 사용하여) 리소그래피 장치(LA)가 현재 작동하고 있는 곳을 검출하도록 사용되어 예를 들어 (도 3에서 제2 스케일(SC2) 내의 "0"을 을 가리키는 화살표에 의하여 도시된) 차선의 처리로 인하여 결함이 존재할 수 있는지 여부를 예측할 수 있다.

계측 툴(MT)은 정확한 시뮬레이션 및 예측을 가능하게 하기 위해 컴퓨터 시스템(CL)에 입력을 제공할 수 있으며, 또한 예를 들어 (도 3에서 제3 스케일(SC3) 내의 다중 화살표에 의하여 도시된) 리소그래피 장치(LA)의 교정 상태에서, 가능한 드리프트를 식별하기 위해 리소그래피 장치(LA)에 피드백을 제공할 수 있다.

리소그래피 공정에서, 예를 들어 공정 제어 및 검증을 위하여, 생성된 구조체를 자주 측정하는 것이 바람직하다. 주사 전자 현미경 또는 다양한 형태의 계측 장치, 예를 들어 스캐터로미터를 포함하는, 이러한 측정을 수행하기 위한 다양한 툴이 알려져있다. 공지된 스캐터로미터의 예는 종종 언더필된 타겟 (측정 빔이 격자보다 작은 스폿을 생성할 만큼 충분히 큰, 단순한 격자 또는 상이한 층들 내의 중첩 격자들의 형태의 타겟) 또는 오버필된 타겟 (그에 의하여 조명 스폿은 타겟을 부분적으로 또는 완전하게 포함한다)과 같은 전용 계측 타겟의 제공에 의존한다. 또한, 계측 툴, 예를 들어 격자와 같은 언더필된 타겟을 조명하는 각도 분해 스캐터로미터의 사용은 타겟 구조체의 수학적 모델과의 산란 방사선의 상호 작용을 시뮬레이션하고 시뮬레이션 결과를 측정의 결과와 비교함으로써 격자의 특성이 계산될 수 있는 소위 재구성 방법의 사용을 허용한다. 모델의 매개변수는 시뮬레이션된 상호 작용이 실제 타겟으로부터 관측된 것과 유사한 회절 패턴을 생성할 때까지 조정된다.

스캐터로미터는 스캐터로미터의 대물렌즈의 퓨필 또는 퓨필과 공액 관계인 평면에 센서를 가짐으로써 (측정은 일반적으로 퓨필 기반 측정으로 지칭된다), 또는 이미지 평면 또는 이미지 평면과 공액 관계인 평면에 센서를 가짐으로써 (이 경우 측정은 일반적으로 이미지 또는 필드 기반 측정으로 지칭된다) 리소그래피 공정의 매개 변수의 측정을 허용하는 다용도 기구이다. 이러한 스캐터로미터 및 연관된 측정 기술은 미국특허 출원공개 US2010/0328655, US2011/102753A1, US2012/0044470A, US2011/0249244, US2011/0026032 및 EP1,628,164A에 더 설명되어 있으며, 이 문헌들은 본 명세서에서 그 전문이 인용 참조된다. 앞서 언급된 스캐터로미터는 연질 X-선 및 가시광선에서 근적외선 파장 범위의 광을 사용하여 다수의 격자로부터 다수의 타겟을 하나의 이미지에서 측정할 수 있다.

도 4a는 본 발명의 실시예에서 사용될 수 있는 계측 장치의 예로서 스캐터로미터를 도시하고 있다. 이는 방사선(5)을 물리적 시스템, 이 예에서 기판(W) 상으로 투영하는 광대역 (백색광) 방사선 프로젝터(2)를 포함하고 있다. 반사된 또는 산란된 방사선(10)은 스캐터로미터 검출기(4)로 나아가며, 이는 정반사된 방사선(10)의 스펙트럼(6)을 측정한다 (즉, 파장(λ)의 함수로서 세기(I)의 측정). 이 데이터로부터, 검출된 스펙트럼을 발생시키는 구조체 또는 프로파일(8)은, 도 14를 참조하여 설명된 것과 같은, 트레이닝된 뉴럴 네트워크를 제공하는 그리고 물리적 시스템의 특성을 결정하는 방법과 비선형 회귀를 이용하는 처리 유닛(PU)에 의하여 또는 시뮬레이션된 스펙트럼의 라이브러리와의 비교에 의하여 재구성될 수 있다. 일반적으로, 재구성을 위하여, 일반적인 형태의 구조체가 알려져 있으며 일부 매개변수는 구조체가 만들어진 공정의 지식으로부터 가정되어 스캐터로메트리(scatterometry) 데이터로부터 결정될 구조체의 몇 가지 매개변수만을 남겨둔다. 이러한 스캐터로미터는 수직 입사 스캐터로미터 또는 경사 입사 스캐터로미터로서 구성될 수 있다.

본 발명의 실시예에서 사용될 수 있는 또 다른 스캐터로미터가 도 4b에서 보여지고 있다. 이 디바이스에서, 방사선 소스(2)에 의해 방출된 방사선은 간섭 필터(13) 및 편광판(17)을 통하여 렌즈 시스템(12)을 사용하여 집속되며, 부분 반사 표면(16)에 의하여 반사되고, 그리고 현미경 대물렌즈(15)를 통해 기판(W) 상으로 집속되며, 여기서 현미경 대물렌즈는 높은 개구수(NA), 바람직하게는 적어도 0.9, 보다 바람직하게는 적어도 0.95의 개구수를 갖는다. 침지 스캐터로미터는 1을 넘는 개구수를 갖는 렌즈를 가질 수도 있다. 산란 스펙트럼을 검출하기 위하여, 반사된 방사선은 그후 부분적으로 반사성인 표면(16)을 통해 검출기(18)로 전송된다. 검출기는 렌즈 시스템(15)의 초점 거리에 있는 후방 투영 퓨필 평면(11)에 위치될 수 있지만, 퓨필 평면은 대신에 보조 광학계(도시되지 않음)로 검출기 상으로 재 이미지화될 수 있다. 퓨필 평면은, 방사선의 반경 방향 위치가 입사각을 규정하고 각도 위치가 방사선의 방위각을 규정하는 평면이다. 물리적 시스템, 본 실시예에서 기판 타겟(30)의 2차원 각도 산란 스펙트럼이 측정될 수 있도록 검출기는 바람직하게는 2차원 검출기이다. 검출기(18)는, 예를 들어 CCD 또는 CMOS 센서의 어레이일 수 있으며, 예를 들어 프레임 당 40 밀리초의 적분 시간(integration time)을 사용할 수 있다.

기준 빔은 흔히, 예를 들어 입사 방사선의 세기를 측정하기 위해 사용된다. 이를 수행하기 위하여, 방사선 빔이 빔 스플리터(16)에 입사될 때 그의 일부는 기준 빔으로서 빔 스플리터를 통해 기준 미러(14)를 향하여 전송된다. 기준 빔은 그후 동일한 검출기(18)의 상이한 부분 상으로 투영된다.

간섭 필터(13) 세트는 예를 들어 405 내지 790㎚, 또는 200 내지 300㎚와 같은, 심지어 더 낮은 범위 내의 관심 대상 파장을 선택하기 위해 이용 가능하다. 간섭 필터는 다른 필터 세트를 포함하는 것보다는 조정 가능할 수 있다. 간섭 필터 대신에 격자가 이용될 수 있다.

검출기(18)는 단일 파장 (또는 좁은 파장 범위)에서의 산란광의 세기, 다중 파장에서 개별적으로 또는 파장 범위에 걸쳐 통합된 세기를 측정할 수 있다. 더욱이, 검출기는 횡자기-편광과 횡전기-편광의 세기 및/또는 횡자기-편광과 횡전기-편광 사이의 위상차를 개별적으로 측정할 수 있다.

광대역 광원 (즉, 넓은 범위의 광 주파수 또는 파장을 가지며 따라서 색상이 있는 광원)을 사용하는 것이 가능하여 이는 큰 에텐듀(etendue)를 제공하여 다수의 파장의 혼합을 허용한다. 광대역에서의 복수의 파장은 바람직하게는 각각 D1의 대역폭과 적어도 2

λ의 간격 (즉, 대역폭의 2배)을 갖는다. 여러 개의 방사선의 "소스"는 섬유 다발을 사용하여 분할된 확장된 방사선 소스의 상이한 부분들일 수 있다. 이렇게 하여, 각도 분해 산란 스펙트럼들이 다수의 파장에서 동시에 측정될 수 있다. 3-D 스펙트럼(파장 및 2개의 상이한 각도)이 측정될 수 있으며, 이는 2-D 스펙트럼보다 더 많은 정보를 포함하고 있다. 이는 더 많은 정보가 측정되는 것을 허용하여 계측 공정 견실성이 증가한다. 이는 EP 1,628,164A에 더 자세히 설명되어 있다.

기판(W) 상의 타겟(30)은 격자일 수 있으며, 이는 현상 후 바(bar)가 고체 레지스트 라인으로 형성되도록 인쇄된다. 바는 대안적으로 기판 내로 에칭될 수 있다. 이 패턴은 리소그래피 투영 장치, 특히 투영 시스템(PL) 내의 색수차에 민감하며, 조명 대칭성 및 이러한 수차의 존재는 자체가 인쇄된 격자의 변화로 나타난다. 따라서, 인쇄된 격자의 스캐터로메트리 데이터는 격자를 재구성하기 위해 사용된다. 도 8 및 도 10을 참조하여 설명된 것과 같은 박막 다층 스택의 선폭 및 형상 그리고 물질 구조체와 같은 격자의 매개변수는 트레이닝된 뉴럴 네트워크를 제공하는 그리고 인쇄 단계 및/또는 기타 스캐터로메트리 공정의 지식으로부터의, 도 14를 참조하여 설명된 것과 같은 물리적 시스템의 특성을 결정하는 방법을 사용하여 처리 유닛(PU)에 의해 수행되는 재구성 공정에 입력될 수 있다.

위에서 설명된 바와 같이, 타겟은 기판의 표면 상에 있다. 이 타겟은 흔히 격자 내의 일련의 라인 또는 2D 어레이 내의 실질적인 직사각형 구조체의 형상을 취할 것이다. 계측에서의 엄격한 광학 회절 이론의 목적은 타겟에서 반사되는 회절 스펙트럼의 효과적인 계산이다. 즉, CD (임계 치수) 균일성 및 오버레이 계측을 위해 타겟 형상 정보가 획득된다. 오버레이 계측은 기판 상에 2개의 층이 있는지 또는 정렬되었는지 여부를 결정하기 위하여 2개의 타겟의 오버레이가 측정되는 측정 시스템이다. CD 균일성은 단순히 리소그래피 장치의 노광 시스템이 어떻게 작동하는지를 결정하기 위해 스펙트럼 상에서의 격자의 균일성의 측정이다. 구체적으로, CD 또는 임계 치수는 기판 상에 "기입된(written)" 대상물의 폭이며 리소그래피 장치가 기판에 물리적으로 기입할 수 있는 한계이다.

타겟(30)과 같은 타겟 구조체의 모델링 및 그의 회절 특성과 모델링과 결합한 위에서 설명된 스캐터로미터들 중 하나의 사용하여 구조체의 형상 및 기타 매개변수의 측정이 다양한 방식으로 수행될 수 있다. 도 5로 표현된 제1 유형의 공정에서, 타겟 형상의 제1 추정 (제1 후보 구조체)을 기반으로 하는 회절 패턴이 계산되고 관찰된 회절 패턴과 비교된다. 모델의 매개 변수가 그후 체계적으로 달라지고, 회절은 일련의 반복에서 재계산되어 새로운 후보 구조체를 생성하고 따라서 최상의 맞춤에 도달한다. 도 6으로 표현된 제2 유형의 공정에서, 많은 상이한 후보 구조체에 대한 회절 스펙트럼이 미리 계산되어 회절 스펙트럼들의 "라이브러리"를 생성한다. 그후 측정 타겟에서 관찰된 회절 패턴은 계산된 스펙트럼의 라이브러리와 비교되어 가장 적합한 것을 찾는다. 양 방법이 함께 사용될 수 있다; 개략적인 맞춤이 라이브러리로부터 획득될 수 있으며 가장 적합한 것을 찾기 위해 반복적인 공정이 뒤이을 수 있다.

도 5를 더 자세히 참조하면, 타겟 형상 및/또는 물질 특성의 측정이 수행되는 방식이 요약해서 설명될 것이다. 이 설명을 위하여 타겟은 1차원(l-D) 구조체가 될 것으로 추정될 것이다. 실제로, 이는 2차원일 수 있으며, 그에 따라 처리가 맞춰질 것이다.

502: 위에서 설명된 것과 같은 스캐터로미터를 사용하여 기판 상의 실제 타겟의 회절 패턴이 측정된다. 이 측정된 회절 패턴(MDP)은 컴퓨터와 같은 계산 시스템으로 전달된다. 계산 시스템은 위에서 지칭된 처리 유닛(PU)일 수 있거나, 이는 별도의 장치일 수 있다.

503: 다수의 매개변수(p_i (p₁, p₂, p₃ 등))에 관하여 타겟 구조체의 매개변수화된 모델을 규정하는 "모델 레시피"(MR)가 설정된다. 이 매개변수는 예를 들어 1D 주기적 구조체, 측벽의 각도, 피처의 높이 또는 깊이, 피처의 폭을 나타낼 수 있다. 타겟 물질과 기본 층의 특성은 또한 (스캐터로메트리 방사선 빔에 존재하는 특정 파장에서의) 굴절률과 같은 매개변수로도 표현된다. 특정 예가 아래에 주어질 것이다. 중요하게는, 타겟 구조체가 그의 형상과 물질 특성을 설명하는 수십 개의 매개 변수에 의하여 규정될 수 있는 동안에, 모델 레시피는 이들 중 많은 것을 고정된 값을 갖도록 규정할 반면에 다른 것은 다음 공정 단계의 목적을 위하여 가변적인 또는 "유동" 매개변수이어야 한다. 더 아래에서는 고정 매개변수와 유동 매개변수 사이에서의 선택이 이루어지는 공정이 설명된다. 또한, 완전히 독립적인 유동 매개변수 없이 매개변수가 달라지는 것이 허용될 수 있는 방법이 소개된다. 도 5를 설명하는 목적을 위해, 가변 매개변수만이 매개변수(p_i)로 간주된다.

504: 유동 매개변수 (즉, p₁ ⁽⁰⁾, p₂ ⁽⁰⁾, p₃ ⁽⁰⁾　 등)에 대해 초기 매개변수 값 (IPV) p_i ⁽⁰⁾)을 설정함으로써 모델 타겟 형상이 추정된다. 레시피에 규정된 것과 같이, 각 유동 매개변수는 사전 결정된 특정 범위 내에서 생성될 것이다.

506: 모델의 상이한 요소의 광학적 특성과 함께, 추정된 형상을 나타내는 형상 매개변수가 사용되어 예를 들어 도 14를 참조하여 설명된 것과 같은, 트레이닝된 뉴럴 네트워크를 제공하는 그리고 물리적 시스템의 특성을 결정하는 방법을 이용하여 산란 특성을 결정한다. 이는 추정된 타겟 형상의 추정된 또는 모델 회절 패턴(EDP)을 제공한다. 일반적으로, 이는 RCWA 또는 맥스웰(Maxwell) 방정식의 또 다른 솔버(solver)와 같은 엄격한 광학 회절 방법을 사용하여 계산되었을 수 있다.

508, 510: 측정된 회절 패턴(MDP)과 모델 또는 추정된 회절 패턴(EDP)이 그후 비교되며, 그들의 유사성 및 차이가 사용되어 모델 타겟 형상에 대한 "메리트 함수"를 계산한다.

512: 모델이 실제 타겟 형상을 정확하게 나타내기 전에 개선될 필요가 있다는 것을 메리트 함수가 나타낸다고 가정하면, 새로운 변경된 매개변수 값(RPV)(p₁ ⁽¹⁾, p₂ ⁽¹⁾, p₃ ⁽¹⁾ 등)이 추정되고 단계 506으로 반복적으로 피드백된다.

이러한 검색(search)을 보조하기 위하여, 단계 506에서의 계산은 매개변수 공간 내의 이 특정 영역에서, 매개변수를 증가 또는 감소시키는 것이 메리트 함수를 증가 또는 감소시킬 감도(sensitivity)를 나타내는 메리트 함수의 편도함수를 더 생성할 수 있다. 메리트 함수의 계산과 도함수의 이용은 본 기술 분야에서 일반적으로 공지되어 있으며, 본 명세서에서는 상세히 설명되지 않을 것이다.

514: 이 반복 공정이 요구되는 정확도로 해결책에 수렴한 것으로 메리트 함수가 나타내는 경우, 현재 추정된 매개변수는 실제 타겟 구조체 또는 측정된 형상 매개변수(MSP)의 측정으로서 보고된다.

506에서 계산된 추정 또는 모델 회절 패턴은 다양한 형태로 표현될 수 있다. 계산된 패턴이 단계 510에서 생성된 측정 패턴과 동일한 형태로 표현된다면 비교는 간단해진다. 예를 들어, 모델링된 스펙트럼은 도 4a의 장치에 의해 측정된 스펙트럼과 쉽게 비교될 수 있으며; 모델링된 퓨필 패턴은 도 4b의 장치에 의해 측정된 퓨필 패턴과 쉽게 비교될 수 있다.

앞으로 도 5로부터 이 설명 전체에 걸쳐 용어 "회절 패턴"은 도 4a의 스캐터로미터가 사용된다는 가정 아래 사용될 것이다. 숙련된 자는 상이한 유형의 스캐터로미터 또는 심지어 다른 유형의 측정 기기에 교시를 쉽게 적응시킬 수 있다.

도 6은 상이한 추정 타겟 형상 (후보 구조체)에 대한 복수의 모델 회절 패턴이 사전에 계산되고 또한 실제 측정과의 비교를 위해 라이브러리에 저장되는 대안적인 예시적인 공정을 도시하고 있다. 기본적인 원칙과 용어는 도 5의 공정에 대한 것과 동일하다. 도 6의 공정의 단계는 아래와 같다:

602: 라이브러리를 생성(GEN)하는 공정이 시작된다. 각 유형의 타겟 구조체에 대해 별도의 라이브러리가 생성될 수 있다. 라이브러리는 필요에 따라 측정 장치의 사용자에 의해 생성될 수 있거나, 장치의 공급자에 의해 미리 생성될 수 있다.

603: 다수의 매개변수(p_i(p₁, p₂, p₃ 등))에 관하여 타겟 구조체의 매개변수화된 모델을 규정하는 "모델 레시피"(MR)가 설정된다. 고려 사항은 반복 공정의 단계 503에서의 그것과 유사하다.

604: 예를 들어 예상되는 값 범위 내에 각각 있는 모든 매개변수의 무작위 값을 생성함으로써 제1 세트의 초기 매개변수 값((IPV) p₁ ⁽⁰⁾ _, p₂ ⁽⁰⁾, p₃ ⁽⁰⁾ 등)의 생성된다.

606: 추정 또는 모델 회절 패턴(EDP)이 계산되고 라이브러리에 저장되며, 이는 매개변수로 표현되는 타겟 구조로부터 예상되는 회절 패턴을 나타낸다.

608: 새로운 세트의 변경된 형상 매개변수 값((RPV) p₁ ⁽¹⁾ _, p₂ ⁽¹⁾, p₃ ⁽¹⁾ 등)이 생성된다. 모든 저장된 모델링된 회절 패턴을 모두 포함하는 라이브러리가 충분히 완전한 것으로 판단될 때까지 단계 606 내지 608이 수십, 수백 또는 심지어 수천 번 반복된다. 각 저장된 패턴은 다차원 매개변수 공간 내의 샘플 포인트를 나타낸다. 라이브러리 내의 샘플은 임의의 실제 회절 패턴이 충분히 가깝게 표현될 수 있는 충분한 밀도로 샘플 공간을 차지(populate)해야 한다.

610: (이전일 수 있지만) 라이브러리가 생성된 후, 실제 타겟(30)이 스캐터로미터 내에 배치되며 그의 측정된 회절 패턴(MDP)이 측정된다.

612: 측정된 패턴(MDP)이 라이브러리에 저장된 추정된 또는 모델링된 회절 패턴(EDP)과 비교되어 최상의 매칭 패턴을 찾는다. 라이브러리 내의 모든 샘플과의 비교가 이루어지거나 더 체계적인 검색 전략이 사용되어 연산 부담을 줄일 수 있다.

614: 일치가 발견되면, 그후 매칭 라이브러리 패턴을 생성하기 위해 사용되는 추정 타겟 형상이 근사 대상물 구조체가 되도록 결정될 수 있다. 매칭 샘플에 대응하는 형상 매개변수는 측정된 형상 매개변수(MSP)로서 출력된다. 매칭 공정은 모델 회절 신호에서 직접 수행될 수 있거나, 빠른 평가를 위해 최적화된 대체 모델에서 수행될 수 있다.

616: 선택적으로, 가장 가까운 매칭 샘플이 시작 지점으로 사용되며, 보고를 위한 최종 매개변수를 얻기 위해 개선 공정(개선 형상 매개변수, RSP)가 사용된다. 이 개선 공정은, 예를 들어 도 5에 보여진 것과 매우 유사한 반복 공정을 포함할 수 있다.

개선 단계(616)가 필요한지 여부는 구현 담당자를 위한 선택의 문제이다. 라이브러리가 매우 조밀하게 샘플링된 경우, 그러면 양호한 일치가 항상 발견될 것이기 때문에 반복적인 개선이 필요하지 않을 수 있다. 한편, 이러한 라이브러리는 실제 사용을 위하여 너무 클 수 있다. 따라서 실제 해결책은 개략적인 매개변수 세트에 대한 라이브러리 검색을 사용하고, 뒤이어 원하는 정확도로 타겟 기판의 매개변수를 보고하기 위해 더 정확한 매개 변수 세트를 결정하도록 메리트 함수를 사용하여 하나 이상의 반복을 사용하는 것이다. 부가적인 반복이 수행되는 경우, 이는 계산된 회절 패턴 및 연관된 개선된 매개변수 세트를 라이브러리 내의 새로운 엔트리로서 추가하는 옵션일 것이다. 이러한 방식으로, 비교적 적은 양의 컴퓨테이션 활동(computational effort)을 기반으로 하는 라이브러리가 초기에 사용될 수 있지만, 이는 개선 단계(616)의 컴퓨테이션 활동을 사용하여 더 큰 라이브러리로 구축된다. 어떠한 스킴(scheme)이 사용되든, 하나 이상의 보고된 가변 매개변수의 값의 추가 개선은 또한 다수의 후보 구조체의 일치의 우수함(goodness)을 기반으로 획득될 수 있다. 예를 들어, 2개 이상의 후보 구조체의 2개 또는 모두가 높은 매칭 점수를 갖고 있다는 가정 하에서, 최종적으로 보고된 매개변수 값은 이들 후보 구조체의 매개변수 값들 사이를 보간함으로써 생성될 수 있다.

이 반복 공정의 연산 시간은 단계 506 및 606에서의 전방 회절 모델에 의해 주로 결정된다. 일반적으로, 추정된 모델 회절 패턴의 결정은 추정된 타겟 형상으로부터의 엄격한 광학 회절 이론을 사용하여 수행되었다. 실시예에서, 이는 도 14를 참조하여 설명된 것과 같은, 트레이닝된 뉴럴 네트워크를 제공하는 그리고 물리적 시스템의 특성을 결정하는 방법을 사용하여 수행된다.

도 7은 x에서 y로 매핑을 생성하기 위해 사용되는 뉴럴 네트워크의 개략적 표현을 도시하고 있다. 여기서, 뉴럴 네트워크(700)는 순수하게 트레이닝 데이터를 기반으로 학습된 블랙-박스 모델이다. 뉴럴 네트워크 아키텍처는 기존의 접근 방식을 사용하여 결정된다.

도 8은 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란을 갖는 박막 다층 스택의 개략적인 표현을 도시하고 있다. 이 예에서, 물리적 시스템은 공기(802), 유효 매체(804) 및 실리콘(806)을 포함하는 박막 다층 스택이다. 박막 다층 스택은 반도체 제조 공정에서 제조될 수 있다. 공기 또는 진공이 박막 다층 스택의 일부로서 간주될 수 있다. 층은 고체, 액체 또는 기체일 수 있다. 박막 다층 스택은 또한 박층 제조 공정이 아닌 다른 공정으로 제조될 수 있다. 박막 다층 스택이 반드시 반도체 웨이퍼 상에 존재하는 것은 아니다. 예를 들어, 이는 미러 상에 존재하는 박막 다층 스택일 수 있다. 방사선(x)은 공기(802)를 통과하고 또한 물질 구조체의 불연속면인 계면(D_{air ↔ eff})에 입사하며, 이 계면은 공기(802)와 유효 매체(804) 사이의 계면이다. 일부 방사선(r₁)은 공기(802)로 다시 반사되고 일부 방사선(t₁)은 유효 매체(804)로 전송된다. 반사된 방사선(r₁)은 전체 광학 응답(y)에 직접적으로 기여한다. 전송된 방사선(t₁)은 유효 매체(804)를 통하여 유효 매체(804)와 실리콘(806) 사이의 또 다른 불연속면(D_{eff ↔ Si})으로의 경로를 따른다. 이 불연속면에서, 일부 방사선(t₂)은 실리콘(806)을 통하여 전송되며 이는 전체 광학 응답(y)에 기여하지 않는다. 그러나 방사선(r₂)은 다시 불연속면으로부터 유효 매체(804)를 통해 유효 매체(804)와 공기(802) 사이의 계면(D_{air ↔ eff})으로 반사된다. 그 불연속면(D_{air ↔ eff})에서, 일부 방사선(t₃)은 유효 매체(804)로 다시 반사되며, 이는 추가 반사를 통하여 전체 광학 응답(y)에 대해 크게 기여하지 않는다. 또한, 그 불연속면(D_air↔eff)에서, 방사선(t₃)은 공기(802)로 전송되며 초기에 반사된 방사선(r₁)에 추가되어 광학 응답(y)을 형성한다. 이 예에서, 물리적 시스템은 광학 시스템을 포함하며 물리적 시스템의 특성은 광학 시스템의 광학 응답이다.

광(x)이 스택에 입사된다는 것을 고려하면 스택의 광학 응답(y)을 찾는 것에 관심이 있다는 것을 추정한다. 또한 입력(입사광(x)) 대 출력(광학 응답(y)) 매핑을 수행하도록 뉴럴 네트워크 모델을 트레이닝하는 하는 것을 추정한다. x와 y에 대하여 공지된 값인 트레이닝 데이터가 주어지면, 일반적인 뉴럴 네트워크는 7에 도시된 같은 블랙 박스 모델로서 트레이닝될 수 있다. 이 경우에, 뉴럴 네트워크의 네트워크 아키텍처 (예를 들어, 계층의 수, 계층 당 숨겨진 유닛의 수, 드롭아웃(dropout) 정규화 등)는 사용 가능한 데이터를 기반으로 하는 시행착오를 통해 결정되며, 이는 위에서 논의된 바와 같이 비효율성의 문제를 갖고 있다.

도 9는 본 발명의 실시예에 따라 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크의 개략적 표현을 도시하고 있다. 뉴럴 네트워크 아키텍처는 모델링되고 있는 물리적 구조체 내에서의 방사선의 산란의 물리학에 의해 동기가 부여된다 (도 8). 도 9 및 도 11에서, t는 전송 유닛(unit)을 나타내며 r은 반사 유닛을 나타내고 있다. 실선 원으로서 그려진 유닛은 최종 출력에 기여하는 유닛을 나타내고 있다. 점선 원으로서 그려진 유닛은 출력에 기여하지 않는 유닛을 나타낸다 (이는 뉴럴 네트워크에서 제외될 수 있다). 뉴럴 네트워크는 이 아키텍처를 고려해볼 때 트레이닝된 그의 가중치와 바이어스를 갖고 있다. 네트워크 내의 계층(Layer) 1, 계층 2 및 계층 3(L₁, L₂ 및 L₃)은 스택 계면에서의 전송 및 반사를 모델링한다. 계층 4(L₄)는 계층 1과 계층 3으로부터의 응답을 결합하여 최종 출력(y)를 제시한다.

계층 1은 공기(802)에서 유효 매체(804)로의 방향으로의(D_{air → eff}) (아래 첨자에서의 단일 방향 화살표에 주목) 불연속면(D_{air ↔ eff}) (아래 첨자에서의 양방향 화살표에 주목)에 의한 방사선(x)의 산란에 대응한다. 도 9의 유닛 r₁ 및 t₁은 도 8에 도시된 산란의 모델의 산란 방사선(r₁ 및 t₁)에 대응한다. 유사하게, 계층 2는 유효 매체(804)에서 실리콘(806)으로의 방향으로의(D_{eff → Si}) 불연속면(D_{eff ↔ Si})에 의한 방사선(t₁)의 산란에 대응한다. 도 9의 유닛 r₂ 및 t₂는 도 8에 도시된 산란의 모델 내의 산란 방사선(r₂ 및 t₂)에 대응한다. 또한, 계층 3은 유효 매체(804)에서 공기(802)로의 방향으로의(D_{eff →air}) 방향으로의 불연속면(D_{air ↔ eff})에 의한 방사선(r₂)의 산란에 대응한다 (D_{eff →air}의 접미어는 계층 1의 불연속면(D_{air ↔ eff})과 비교하여 방향의 전환을 나타낸다는 것에 주목). 도 9의 유닛 r₃ 및 t₃은 도 8에 도시된 산란의 모델 내의 산란 방사선(r₃ 및 t₃)에 대응한다. 따라서, 뉴럴 네트워크는 방사선의 경로(x, t₁, r₂, t₃)를 따른 물리적 시스템의 물질 구조체(802, 804, 806)에 의한 방사선의 산란의 모델(도 8)을 기반으로 구성된 그의 네트워크 아키텍처(902)를 구비하였다.

도 9에서, 유닛 r₁에서 합산 유닛 "+"로의 연결을 나타내는 최상부 화살표로 보여지는 계층 1에서 계층 4로의 정보의 전송은 또한 잔여 뉴럴 네트워크를 모델링하는 것으로 보여질 수 있으며, 이는 기본적인 수준에서 뉴럴 네트워크에서 유닛들을 연결할 때 중간에 하나 이상의 계층을 건너뛰는 것을 포함한다. 따라서, 뉴럴 네트워크를 제공하는 단계는 방사선의 산란의 모델에서의 방사선의 반사를 기반으로 하는 인접하지 않은 뉴럴 네트워크 계층들 사이에 하나의 (또는 물질 구조체에 따라 그 이상) 스킵 연결부(skip connection)를 제공하는 것을 포함한다.

도 8 내지 도 13에 도시된 예에서, 뉴럴 네트워크를 제공하는 단계는 물질 구조체와의 방사선의 상이한 각 유형의 산란에 대응하는 숨겨진 계층 내의 상이한 유닛들(t 및 r)을 제공하는 것을 포함한다. 상이한 유닛들이 대응하는 방사선의 상이한 각각의 유형의 산란은 반사, 투과, 흡수, 굴절, 회절, 간섭, 편광, 분산, 탄성 산란 및 비탄성 산란을 포함할 수 있다. 더욱이, 뉴럴 네트워크의 상이한 숨겨진 계층들은 물리적 시스템의 상이한 각각의 부분을 가진 방사선의 경로를 따른 방사선의 상이한 산란에 대응한다. 이 부분들은 상이한 물질 층들 간의 계면과 같은 물질 불연속면(discontinuities)을 포함할 수 있다. 물질 불연속면은 또한 방사선의 산란에 영향을 미치는 물질 특성의 등급이 나누어진 프로파일들이거나 상이한 비탄성 산란 횡단면을 갖는 물질의 체적일 수 있다.

도 10은 상이한 패턴 영역(1008 및 1010)을 통한 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란을 갖는 패터닝된 박막 다층 스택의 개략적인 표현을 도시하고 있다.

이 예에서, 물리적 시스템은 패턴 영역(1010) 내에, 공기(802), 유효 매체(804) 및 실리콘(806)을 포함하는 스택을 포함하고 있다. 방사선(x)은 도 8을 참조하여 설명된 것과 동일한 방식으로 패턴 영역(1010)의 스택을 통과하며, 도 8에서 동일한 참조 부호는 도 10과 동일한 특징에 대응한다.

패턴 영역(1008)에서, 방사선(x)은 레지스트(1002)를 통과하며 레지스트(1002)와 유효 매체(1004) 사이의, 물질 구조체의 불연속면인 계면(D_{res ↔ eff})에 입사한다. 일부 방사선(r₁')은 레지스트(1002)로 다시 반사되고 일부 방사선(t₁')은 유효 매체(1004)로 전송된다. 반사된 방사선(r₁')은 전체 광학 응답(y)에 직접적으로 기여한다. 전송된 방사선(t₁')은 유효 매체(1004)를 통하여, 유효 매체(1004)와 실리콘(1006) 사이의 또 다른 불연속면(D_{eff ↔ Si})으로의 경로를 따른다. 통해 전송되며 전체 광학 응답(y)에 기여하지 않는다. 그러나 방사선(r₂')은 불연속면으로부터 유효 매체(1004)를 통해 유효 매체(1004)와 레지스트(1002) 사이의 계면(D_res↔eff)으로 다시 반사된다. 그 불연속면(D_{res ↔ eff})에서 일부 방사선(r₃')은 유효 매체(1004)로 다시 반사되며 추가 반사를 통해 전체 광학 응답(y)에 대해 크게 기여하지 않는다. 더욱이, 그 불연속면(D_{res ↔ eff})에서, 방사선(t₃')은 패턴 영역(1010)으로부터의 방사선(t₃)과 함께 초기에 반사된 방사선(r₁' 및 r₁)으로 전송되고 추가되어 광학 응답(y)을 형성한다. 이 예에서, 물리적 시스템은 광학 시스템을 포함하며 물리적 시스템의 특성은 광학 시스템의 광학 응답이다. 여기서 물리적 시스템은 광학 시스템으로서 리소그래피적으로 (패턴 영역(1008 및 1010)으로) 패터닝된 (공기(802), 레지스트(1002), 유효 매체(804,1004) 및 실리콘(806, 1006)의 층을 갖는) 다중 층을 포함한다.

도 11은 도 10에 도시된 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 본 발명의 실시예에 따라 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크의 개략적인 표현을 도시하고 있다. 뉴럴 네트워크 아키텍처는 모델링되고 있는 물리적 구조체(도 10) 내의 방사선의 산란의 물리학에 의해 동기가 부여된다.

계층 1(L1)은 공기(802)에서 유효 매체(804)로의 방향(D_{air → eff})의 불연속면 (D_air↔eff)에 의한 방사선(x)의 산란에 대응하며 또한 레지스트(1002)에서 유효 매체(1004)로의 방향으로의 불연속면(D_{res ↔ eff})에 의한 방사선(x)의 산란에 대응한다. 도 11의 유닛 r_n 및 t_n은 도 10에 도시된 산란의 모델 내의 산란 방사선(r_n 및 t_n)에 대응하며, 여기서 n = l, 2, 3이다. 도 11의 유닛 r_n' 및 t_n'은 도 10에 도시된 산란의 모델 내의 산란 방사선(r_n' 및 t_n')에 대응한다. 계층 4(L4)에서, 서브-네트워크((패턴 영역(1010)에 대응하는) 902 및 (패턴 영역(1008)에 대응하는) 1102)들의 출력이 합산된다.

따라서, 뉴럴 네트워크는 패턴 영역(1010)의 방사선의 경로(x, t₁, r₂, t₃) 및 패턴 영역(1008)의 방사선의 경로(x, t₁', r₂', t₃')를 따른 물리적 시스템의 물질 구조체(802, 804, 806, 1002, 1004, 1006)에 의한 방사선의 산란의 모델(도 10)을 기반으로 구성된 그의 네트워크 아키텍처(902, 1102)를 구비하였다.

도 11에서, 유닛 r₁'에서 합산 유닛 "+"으로의 연결을 나타내는 최상부 화살표에 의하여 보여지는 계층 1(L1)에서 계층 4(L4)로의 정보의 전송은 잔여 뉴럴 네트워크를 모델링하는 것으로 보여질 수 있으며, 이는 기본적인 레벨에서 뉴럴 네트워크에서 유닛들을 연결할 때 중간에 하나 이상의 계층을 건너뛰는 것을 포함한다. 따라서 이 예에서, 뉴럴 네트워크를 제공하는 단계는 방사선의 산란의 모델에서 방사선의 반사를 기반으로 하는 인접하지 않은 뉴럴 네트워크 계층들 사이에 (r₁ 및 r₁'으로부터의) 2개의 스킵 연결부를 제공하는 것을 포함한다. 이 스킵 연결부는 상이한 패턴 영역들에서 발생하지만, 스킵 연결부가 동일한 패턴 영역을 통한 방사선의 경로에 대응하여 발생할 수도 있다.

방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크는 예를 들어 교정 오차로 인하여 실제 측정된 데이터의 복잡성을 모델링하기에 충분하지 않을 수 있다는 것이 사실일 수 있다. 이 경우, 방사선 산란 모델 기반 네트워크 아키텍처는 방사선 산란 모델 기반 네트워크 아키텍처로 표현되지 않는 이러한 추가 기능을 학습하기 위해 추가된 다른 유닛에 의하여 보강될 수 있다. 이러한 네트워크의 예가 도 12에 제공되며, 이 도면은 병렬로 제2 뉴럴 네트워크를 갖는 본 발명의 실시예에 따라 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크의 개략적인 표현을 도시하고 있다.

도 12는 (도 8에 도시된) 방사선의 산란의 모델을 기반으로 하는 네트워크를 갖는 네트워크(902)를 보강하는 뉴럴 네트워크 아키텍처를 도시하고 있으며, 방사선 산란 모델 기반 네트워크 아키텍처만에 의하여 모델링될 수 없는 입력-출력 관계의 일부를 학습하려고 시도하는 새로운 유닛(1210)이 추가된다. 새로운 유닛은 기존의 데이터 기반 방법(data-driven method)을 사용하여 구성된 숨겨진 계층의 수 및 숨겨진 계층 당 유닛의 수를 가질 수 있다. 따라서 방사선의 산란의 모델을 기반으로 구성된 아키텍처를 갖는 뉴럴 네트워크(902)는 병렬로 제2 뉴럴 네트워크(1210)를 더 구비하고 있으며 뉴럴 네트워크들은 동일한 입력 및 출력(x 및 y)을 공유한다.

데이터 기반 네트워크 아키텍처(1210)와 병렬의 방사선 산란 모델 기반 네트워크 아키텍처(902)의 상대적 기여도는 드롭아웃 정규화(dropout regularization)의 개념을 사용함으로써 확대 또는 축소될 수 있다. 드롭아웃 정규화의 예가 도 13에 보여지고 있으며, 이 도면은 드롭아웃을 구성함으로써 본 발명의 실시예에 따라 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크의 개략적 표현을 도시하고 있다. 따라서 도 13은 드롭아웃 정규화의 예를 도시하고 있다. 유닛(1310)이 네트워크에서 탈퇴되었으며, 즉 더 이상 뉴럴 네트워크 출력에 기여하지 않는다. 필요한 경우, 완전한 방사선-산란-모델 기반 네트워크 아키텍처 부분(1302) 또는 완전한 데이터 기반 네트워크 아키텍처 부분(1210)을 탈퇴시킬 수 있다. 드롭아웃 정규화는 또한 위에서 언급된 일반화 문제를 도와준다 (트레이닝 동안 모델이 보지 못한 데이터에 대한 정확한 예측).

네트워크 아키텍처는 숨겨진 계층 당 유닛 수, 숨겨진 계층의 수, 계층 상호 연결 및 드롭아웃을 포함하는 매개변수를 구성함으로써 방사선의 산란의 모델을 기반으로 구성될 수 있다는 것을 보여주었다.

도 14는 본 발명의 실시예에 따른 방법의 흐름도를 도시하고 있다.

단계 1410에서, 방사선의 경로를 따른 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델(1420)이 구성된다. 이러한 모델이 도 8 및 도 10을 참조하여 설명된다.

단계 1430에서, 뉴럴 네트워크(1440)는 모델(1420)을 기반으로 구성된 그의 네트워크 아키텍처를 구비하고 있다. 이러한 뉴럴 네트워크가 도 9 및 도 11 내지 도 13을 참조하여 설명된다.

단계 1450에서, 뉴럴 네트워크(1440)가 트레이닝된다. 따라서 단계 1410 내지 1450은 트레이닝된 뉴럴 네트워크를 제공하는 방법을 설명하고 있다.

물질 구조체를 갖는 물리적 시스템의 특성을 결정하는 방법은 하기 단계를 갖고 있다:

단계 1460에서, 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란의 모델(1420)을 기반으로 구성된 네트워크 아키텍처를 갖는 트레이닝된 뉴럴 네트워크(1440)가 받아들여진다. 트레이닝된 뉴럴 네트워크는 그후 물리적 시스템의 특성을 결정하기 위해 사용된다. 도 8 내지 도 11을 참조하여 설명된 예에서, 물리적 시스템은 광학 시스템을 포함하며 특성은 광학 시스템의 광학 응답을 포함한다. 다른 적합한 광학 시스템은 EUV 적용을 위한 다층 미러 및 리소그래피 스캐너에서 발견되는 것과 같은 다중 렌즈 굴절 또는 반사 굴절 광학 시스템이다. 물리적 시스템은 박막 다층 스택 또는 얇지 않은 층들을 포함할 수 있다. 층보다는, 물리적 시스템은 방사선의 경로를 지원하는 물리적 요소, 예를 들어 공기와 같은 매체 내의 광학 요소를 가질 수 있다. 그러나 다른 실시예에서, 물리적 시스템은 음향 시스템을 포함할 수 있으며 특성은 그러면 음향 시스템의 음향 응답을 포함한다. 산란 모델 내의 방사선의 예는 초음파 또는 지진에 의한 방사선과 같은 전파 전자기 및 기계적 파동 그리고 이온화 방사선과 같은 (대량 전송을 포함할 수 있는) 투과성 방사선을 포함할 수 있다. 따라서, 실시예는 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델이 구성될 수 있는 다양한 물리적 시스템에 대한 시뮬레이션 및 단층 촬영을 위하여 사용될 수 있다.

도 4a 및 도 4b의 처리 유닛(PU)과 같은 데이터 처리 장치는 도 8 내지 도 13을 참조하여 설명된 바와 같은 방사선의 경로를 따른 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성될 수 있는 네트워크 아키텍처를 갖는, 소프트웨어 및/또는 하드웨어로 구현된 뉴럴 네트워크를 포함할 수 있다.

도 4a를 참조하면, 물질 구조체를 갖는 물리적 시스템(W)의 근사 구조체를 재구성하기 위한 검사 장치(SM1)는;

- 방사선으로 물리적 시스템을 조명하도록 구성된 조명 시스템(2);

- 조명으로부터 발생하는 물리적 시스템의 검출된 특성을 검출하도록 구성된 검출 시스템; 및

- 프로세서를 포함하되, 프로세서는:

- 도 14를 참조하여 설명된 방법을 이용하여 물리적 시스템의 적어도 하나의 모델 특성을 결정하도록; 그리고

- 물리적 시스템의 검출된 특성과 적어도 하나의 모델 특성 간의 차이로부터 물리적 시스템의 근사 구조체를 결정하도록 구성될 수 있다.

따라서, 도 4a 또는 도 4b에 도시된 것과 같은 계측 장치는 이 검사 장치를 포함할 수 있다. 또한, 도 2에 도시된 것과 같은 리소그래피 셀(LC)은 이 검사 장치를 포함할 수 있다.

범용 데이터 처리 장치가 도 14를 참조하여 설명된 방법의 단계를 수행하게 하기 위한 기계 판독 가능한 명령어를 포함하는 컴퓨터 프로그램 제품이 사용될 수 있다.

실시예는 시행착오를 피하면서 물리적 시스템의 특성을 결정하기 위한 최적의 아키텍처를 제공한다. 이는 컴퓨테이션 시간 및 전문가 시간 모두를 절감한다. 실시예는 또한 일반화를 개선하며, 즉 따라서, 제공된 뉴럴 네트워크는 트레이닝 중에 뉴럴 네트워크 모델이 보지 않았던 새로운 데이터로 잘 일반화된다.

추가 실시예가 다음의 번호가 부여된 항목에 개시되어 있다:

1. 트레이닝된 뉴럴 네트워크를 제공하는 방법은;

- 방사선의 경로를 따른 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크를 제공하는 단계; 및

- 뉴럴 네트워크를 트레이닝시키는 단계를 포함한다.

2. 물질 구조체를 갖는 물리적 시스템의 특성을 결정하는 방법은;

- 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는, 트레이닝된 뉴럴 네트워크를 받아들이는 단계; 및

- 트레이닝된 뉴럴 네트워크를 이용하여 물리적 시스템의 특성을 결정하는 단계를 포함한다.

3. 항목 1 또는 2의 방법에서, 네트워크 아키텍처는 숨겨진 계층 당 유닛의 수, 숨겨진 계층의 수, 계층 상호 연결부 및 드롭아웃(dropout)으로 이루어진 그룹에서 선택된 매개변수를 구성함으로써 모델을 기반으로 구성된다.

4. 항목 1 내지 4 중 어느 한 항목의 방법에서, 뉴럴 네트워크를 제공하는 단계는 방사선의 산란의 모델에서 방사선의 반사를 기반으로 인접하지 않은 뉴럴 네트워크 계층들 사이에 하나 이상의 스킵 연결부를 제공하는 것을 포함한다.

5. 항목 1 내지 4 중 어느 한 항목의 방법에서, 뉴럴 네트워크의 상이한 숨겨진 계층들은 물리적 시스템의 상이한 각각의 부분들을 갖는 방사선의 경로를 따른 방사선의 상이한 산란에 대응한다.

6. 항목 5의 방법에서, 부분은 물질 불연속면을 포함한다.

7. 항목 5 또는 6의 방법에서, 부분은 상이한 물질 층들 간의 계면을 포함한다.

8. 항목 1 내지 7 중 어느 한 항목의 방법에서, 뉴럴 네트워크를 제공하는 단계는 물질 구조체와의 방사선의 상이한 각각의 유형의 산란에 대응하는 숨겨진 계층 내의 상이한 유닛들을 제공하는 것을 포함한다.

9. 항목 8의 방법에서, 상이한 유닛들이 대응하는 방사선의 상이한 각각의 유형의 산란은 반사, 투과, 흡수, 굴절, 회절, 간섭, 편광, 분산, 탄성 산란, 및 비탄성 산란으로 이루어진 산란 유형의 그룹으로부터 선택된다.

10. 항목 1 내지 9 중 어느 한 항목의 방법에서, 물리적 시스템은 광학 시스템을 포함하며, 특성은 광학 시스템의 광학 응답을 포함한다.

11. 항목 1 내지 10 중 어느 한 항목의 방법에서, 물리적 시스템은 음향 시스템을 포함하며, 특성은 음향 시스템의 음향 응답을 포함한다.

12. 항목 1 내지 11 중 어느 한 항목의 방법에서, 물리적 시스템은 기판 상의 다중층을 포함한다.

13. 항목 1 내지 12 중 어느 한 항목의 방법에서, 물리적 시스템을 리소그래픽적으로 패터닝된 다중 층을 포함한다.

14. 항목 1 내지 13 중 어느 한 항목의 방법에서, 모델을 기반으로 구성된 아키텍처를 갖는 뉴럴 네트워크는 병렬로 제2 뉴럴 네트워크를 더 구비하며, 뉴럴 네트워크들은 동일한 입력 및 출력을 공유한다.

15. 데이터 처리 장치는 방사선의 경로를 따른 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크를 포함한다.

16. 물질 구조체를 갖는 물리적 시스템의 근사 구조체를 재구성하기 위한 검사 장치에 있어서, 본 검사 시스템은:

- 방사선으로 상기 물리적 시스템을 조명하도록 구성된 조명 시스템;

- 조명으로부터 발생하는 물리적 시스템의 검출된 특성을 검출하도록 구성된 검출 시스템; 및

- 항목 1 내지 14 중 어느 한 항목에 따른 방법을 이용하여 물리적 시스템의 적어도 하나의 모델 특성을 결정하도록; 그리고

- 물리적 시스템의 검출된 특성과 상기 적어도 하나의 모델 특성 간의 차이로부터 물리적 시스템의 근사 구조체를 결정하도록 구성된 프로세서를 포함한다.

17. 계측 장치는 항목 16의 검사 장치를 포함한다.

18. 리소그래피 셀은 항목 16의 검사 장치를 포함한다.

19. 컴퓨터 프로그램 제품은 범용 데이터 처리 장치가 항목 1 내지 14 중 어느 한 항목에서 규정된 바와 같은 방법의 단계를 수행하게 하기 위한 기계 판독 가능한 명령어를 포함한다.

이 문맥에서 IC의 제조에서의 리소그래피 장치의 사용에 대한 특정 참조가 이루어질 수 있지만, 본 명세서에서 설명된 리소그래피 장치는 다른 적용을 가질 수 있다는 점이 이해되어야 한다. 가능한 다른 적용은 통합 광학 시스템, 자기 도메인 메모리용 유도 및 검출 패턴, 플랫-패널 디스플레이, 액정 디스플레이(LCD), 박막 자기 헤드 등의 제조를 포함한다.

이 문맥에서는 검사 또는 계측 장치와 관련하여 본 발명의 실시예에 대한 특정 참조가 이루어질 수 있지만, 본 발명의 실시예는 다른 장치에서 사용될 수 있다. 본 발명의 실시예는 마스크 검사 장치, 리소그래피 장치, 또는 웨이퍼 (또는 다른 기판) 또는 마스크 (또는 다른 패터닝 디바이스)와 같은 대상물을 측정 또는 처리하는 임의의 장치의 일부를 형성할 수 있다. 용어 계측 장치 또는 계측 시스템은 용어 검사 장치 또는 검사 시스템을 포함하거나 검사 장치 또는 검사 시스템으로 대체될 수 있다는 점이 또한 유의되어야 한다. 본 명세서에 개시된 바와 같은 계측 또는 검사 장치는 기판 상의 또는 내의 결함 및/또는 기판 상의 구조체의 결함을 검출하기 위해 사용될 수 있다. 이러한 실시예에서, 기판 상의 구조체의 특성은, 예를 들어 구조체 내의 결함, 구조체의 특정 부분의 부재, 또는 기판 상의 원치 않는 구조체의 존재와 관련될 수 있다.

"계측 장치/툴/시스템" 또는 "검사 장치/툴/시스템"에 대한 특정 참조가 이루어지지만, 이 용어들은 동일한 또는 유사한 유형의 툴, 장치 또는 시스템을 지칭할 수 있다. 예를 들어, 본 발명의 실시예를 포함하는 검사 또는 계측 장치는 기판 상의 또는 웨이퍼 상의 구조체와 같은 물리적 시스템의 특성을 결정하기 위해 사용될 수 있다. 예를 들어, 본 발명의 실시예를 포함하는 검사 또는 계측 장치는 기판의 결함 또는 기판 상의 또는 웨이퍼 상의 구조체의 결함을 검출하기 위해 사용될 수 있다. 이러한 실시예에서, 물리적 구조체의 특성은 구조체 내의 결함, 구조체의 특정 부분의 부재, 또는 기판 상의 또는 웨이퍼 상의 원치않는 구조체의 존재와 관련될 수 있다.

광학 리소그래피와 관련하여 본 발명의 실시예의 사용에 대해 위에서 특정 참조가 이루어질 수 있을지라도, 문맥이 허용하는 경우, 본 발명은 광학 리소그래피에 제한되지 않으며 다른 적용, 예를 들어 임프린트 리소그래피에서 사용될 수 있다는 점이 인식될 것이다.

위에서 설명된 타겟 또는 타겟 구조체 (보다 일반적으로 기판 상의 구조체)는 측정의 목적을 위해 특별히 설계되고 형성된 계측 타겟 구조체인 반면에, 다른 실시예에서, 관심 대상 특성은 기판 상에 형성된 디바이스의 기능적 부분인 하나 이상의 구조체 상에서 측정될 수 있다. 많은 디바이스는 규칙적인 격자 형상의 구조체를 갖고 있다. 본 명세서에서 사용된 바와 같이 용어 구조체, 타겟 격자 및 타겟 구조체는 수행되고 있는 측정을 위하여 구조체가 특별히 제공된다는 점을 필요로 하지 않는다. 다중 감도 타겟 실시예와 관련하여, 상이한 제품 피처는 다양한 감도(변화하는 피치 등)를 갖는 많은 영역을 포함할 수 있다. 또한, 계측 타겟의 피치(p)는 스캐터로미터의 광학 시스템의 분해능 한계에 가깝지만, 타겟 부분(C)에서의 리소그래피 공정에 의해 만들어진 전형적인 제품 피처의 치수보다 훨씬 클 수 있다. 실제로, 타겟 구조체 내의 오버레이 격자의 선 및/또는 공간은 제품 피처와 치수 면에서 유사한 더 작은 구조체를 포함하도록 만들어질 수 있다.

본 발명의 특정 실시예가 위에서 설명되었지만, 본 발명이 설명된 것과는 달리 실시될 수 있다는 점이 인식될 것이다. 위의 설명은 제한이 아닌, 설명을 위한 것이다. 따라서, 아래에 제시된 청구범위의 범위를 벗어남이 없이 설명된 바와 같이 본 발명에 대하여 수정이 이루어질 수 있다는 것이 당업자에게 명백할 것이다.

Claims (15)

1. 트레이닝된 뉴럴 네트워크를 제공하는 방법에 있어서,
   - 방사선의 경로를 따른 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크를 제공하는 단계; 및
   - 상기 뉴럴 네트워크를 트레이닝시키는 단계를 포함하는 방법.
2. 물질 구조체를 갖는 물리적 시스템의 특성을 결정하는 방법에 있어서,
   - 방사선의 경로를 따른 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는, 트레이닝된 뉴럴 네트워크를 받아들이는 단계; 및
   - 상기 트레이닝된 뉴럴 네트워크를 이용하여 상기 물리적 시스템의 특성을 결정하는 단계를 포함하는 방법.
3. 제1항 또는 제2항에 있어서, 상기 네트워크 아키텍처는 숨겨진 계층 당 유닛의 수, 숨겨진 계층의 수, 계층 상호 연결부 및 드롭아웃(dropout)으로 이루어진 그룹에서 선택된 매개변수를 구성함으로써 상기 모델을 기반으로 구성되는 방법.
4. 제1항 내지 제3항 중 어느 한 항에 있어서, 뉴럴 네트워크를 제공하는 단계는 상기 방사선의 산란의 모델에서 방사선의 반사를 기반으로 인접하지 않은 뉴럴 네트워크 계층들 사이에 하나 이상의 스킵 연결부를 제공하는 것을 포함하는 방법.
5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 뉴럴 네트워크의 상이한 숨겨진 계층들은 상기 물리적 시스템의 상이한 각각의 부분들을 갖는 방사선의 경로를 따른 방사선의 상이한 산란에 대응하며, 선택적으로, 상기 부분들은 물질 불연속면을 포함하는 방법.
6. 제5항에 있어서, 상기 부분은 상이한 물질 층들 간의 계면을 포함하는 방법.
7. 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 뉴럴 네트워크를 제공하는 단계는, 물질 구조체와의 방사선의 상이한 각각의 유형의 산란에 대응하는 숨겨진 계층 내의 상이한 유닛들을 제공하는 것을 포함하며, 선택적으로, 상이한 유닛들이 대응하는 방사선의 상이한 각각의 유형의 산란은 반사, 투과, 흡수, 굴절, 회절, 간섭, 편광, 분산, 탄성 산란, 및 비탄성 산란으로 이루어진 산란 유형의 그룹으로부터 선택된 방법.
8. 제1항 내지 제7항 중 어느 한 항에 있어서, 상기 물리적 시스템은 광학 시스템을 포함하며, 상기 특성은 상기 광학 시스템의 광학 응답을 포함하는 방법.
9. 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 물리적 시스템은 음향 시스템을 포함하며, 상기 특성은 상기 음향 시스템의 음향 응답을 포함하는 방법.
10. 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 물리적 시스템은 기판 상의 다중층을 포함하는 방법.
11. 제1항 내지 제10항 중 어느 한 항에 있어서, 상기 모델을 기반으로 구성된 아키텍처를 갖는 상기 뉴럴 네트워크는 병렬로 제2 뉴럴 네트워크를 더 구비하며, 뉴럴 네트워크들은 동일한 입력 및 출력을 공유하는 방법.
12. 방사선의 경로를 따른 물리적 시스템의 물질 구조체에 의한 방사선의 산란의 모델을 기반으로 구성된 네트워크 아키텍처를 갖는 뉴럴 네트워크를 포함하는 데이터 처리 장치.
13. 물질 구조체를 갖는 물리적 시스템의 근사 구조체를 재구성하기 위한 검사 장치 또는 계측 장치에 있어서, 상기 검사 시스템은:
    - 방사선으로 상기 물리적 시스템을 조명하도록 구성된 조명 시스템;
    - 조명으로부터 발생하는 물리적 시스템의 검출된 특성을 검출하도록 구성된 검출 시스템; 및
    - 프로세서를 포함하되, 상기 프로세서는:
    - 제1항 내지 제11항 중 어느 한 항에 따른 방법을 이용하여 상기 물리적 시스템의 적어도 하나의 모델 특성을 결정하도록; 그리고
    - 상기 물리적 시스템의 상기 검출된 특성과 상기 적어도 하나의 모델 특성 간의 차이로부터 상기 물리적 시스템의 근사 구조체를 결정하도록 구성되는 검사 장치 또는 계측 장치.
14. 제13항의 검사 장치 또는 계측 장치를 포함하는 리소그래피 셀.
15. 범용 데이터 처리 장치가 제1항 내지 제11항 중 어느 한 항의 방법의 단계를 수행하게 하기 위한 기계 판독 가능한 명령어를 포함하는 컴퓨터 프로그램 제품.

Images