KR20210075156A - 반도체 제조 프로세스의 모델을 트레이닝하기 위한 트레이닝 데이터 획득 방법 - Google Patents
반도체 제조 프로세스의 모델을 트레이닝하기 위한 트레이닝 데이터 획득 방법 Download PDFInfo
- Publication number
- KR20210075156A KR20210075156A KR1020217014418A KR20217014418A KR20210075156A KR 20210075156 A KR20210075156 A KR 20210075156A KR 1020217014418 A KR1020217014418 A KR 1020217014418A KR 20217014418 A KR20217014418 A KR 20217014418A KR 20210075156 A KR20210075156 A KR 20210075156A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- model
- manufacturing process
- metrology
- substrate
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 title claims abstract description 49
- 239000004065 semiconductor Substances 0.000 title description 14
- 230000008569 process Effects 0.000 claims abstract description 62
- 230000003542 behavioural effect Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000011217 control strategy Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 24
- 238000013442 quality metrics Methods 0.000 claims description 19
- 239000002131 composite material Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 description 87
- 238000005259 measurement Methods 0.000 description 31
- 238000012937 correction Methods 0.000 description 26
- 238000000059 patterning Methods 0.000 description 19
- 230000005855 radiation Effects 0.000 description 17
- 239000000047 product Substances 0.000 description 15
- 238000001459 lithography Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000005530 etching Methods 0.000 description 9
- 238000004886 process control Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008021 deposition Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000012876 topography Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000005670 electromagnetic radiation Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003486 chemical etching Methods 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000000671 immersion lithography Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—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
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- 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
- G03F7/706835—Metrology information management or control
- G03F7/706837—Data analysis, e.g. filtering, weighting, flyer removal, fingerprints or root cause analysis
-
- 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
- G03F7/706835—Metrology information management or control
- G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
- G03F7/706841—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
- General Factory Administration (AREA)
Abstract
합성 계측 데이터를 포함하는 트레이닝 데이터 세트를 획득하기 위한 방법이 제공되며, 트레이닝 데이터 세트는 집적 회로를 제조하기 위한 제조 프로세스와 관련된 모델의 트레이닝을 위해 구성된 것이다. 이러한 방법은 제조 프로세스 및/또는 관련 툴 또는 영향으로부터 기인하는 프로세스 파라미터의 거동을 기술하는 거동 특성 데이터를 획득하는 단계를 포함한다. 추가적으로 또는 대안적으로 이러한 제조 프로세스 및/또는 유사한 제조 프로세스에 의해 형성된 구조체 상에서 수행되는 계측 데이터가 획득될 수도 있다. 거동 특성 데이터 및/또는 계측 데이터를 이용하여, 제조 프로세스 및/또는 관련 툴 또는 영향에 있어서의 변동이 프로세스 파라미터에 대해 미치는 영향을 기술하는 합성 계측 데이터가 결정된다. 모델은 합성 계측 데이터를 포함하는 트레이닝 데이터 세트를 사용하여 트레이닝된다.
Description
관련 출원에 대한 상호 참조
본 출원은 2018년 11월 14일자로 출원된 EP 출원 제18206285.1호에 대해 우선권을 주장하며, 이러한 문헌의 내용은 원용에 의해 전체적으로 본 명세서에 포함된다.
본 발명은 리소그래피 프로세스에서 기판에 패턴을 적용하고 및/또는 이러한 패턴을 측정하기 위한 방법 및 장치에 관한 것이다.
리소그래피 장치는 기판 상에, 일반적으로 기판의 타겟부 상에 원하는 패턴을 적용하는 기기이다. 리소그래피 장치는, 예를 들어 집적 회로(IC)의 제조에 사용될 수 있다. 그러한 경우, 마스크 또는 레티클이라고도 칭하는 패터닝 디바이스가 IC의 개별 층상에 형성될 회로 패턴을 생성하는 데 사용될 수 있다. 이러한 패턴은 기판(예컨대, 실리콘 웨이퍼) 상의 타겟부(예를 들어, 다이의 일부, 하나의 다이 또는 수 개의 다이를 포함) 상으로 전사될 수 있다. 패턴의 전사는 전형적으로 기판 상에 제공된 방사선-감응 재료(레지스트)의 층 상으로의 이미징을 통해 이루어진다. 일반적으로, 단일 기판은 연속적으로 패터닝되는 인접한 타겟부들의 네트워크를 포함할 것이다. 종래의 리소그래피 장치는, 전체 패턴을 한번에 타겟부 상에 노광함으로써 각각의 타겟부가 조사되는 소위 스테퍼와, 주어진 방향("스캐닝"-방향)으로 방사선 빔을 통해 패턴을 스캐닝함과 동시에 이러한 방향에 평행 또는 반평행으로 기판을 스캐닝함으로써 각각의 타겟부가 조사되는 소위 스캐너를 포함한다. 패턴을 기판 상에 임프린트함으로써 패터닝 디바이스로부터 기판으로 패턴을 전사하는 것도 가능하다.
리소그래피 프로세스를 모니터링하기 위해 패터닝된 기판의 파라미터가 측정된다. 파라미터에는 예를 들어, 패터닝된 기판 내에 또는 그 위에 형성된 연속되는 층들 간의 오버레이 오차와 현상된 감광성 레지스트의 임계 선폭(CD)이 포함될 수 있다. 이러한 측정은 제품 기판 및/또는 전용화된 계측 타겟 상에서 수행된다. 주사 전자 현미경(SEM) 및 다양한 전문화된 툴의 이용을 포함하여, 리소그래피 프로세스에서 형성된 미세 구조체를 측정하기 위한 다양한 기술들이 있다. 전문화된 검사 툴의 신속하고 비침투적인 형태로는 방사선 빔이 기판의 표면에 있는 타겟으로 지향되고 산란된 또는 반사된 빔의 특성이 측정되는 스캐터로미터가 있다. 두 가지 주요 유형의 스캐터로미터가 알려져 있다. 분광 스캐터로미터는 광대역 방사선 빔을 기판 상으로 지향시키고 특정한 좁은 각도 범위로 산란된 방사선의 스펙트럼(파장 함수로서의 세기)을 측정한다. 각도 분해 스캐터로미터는 단색 방사선 빔을 사용하여 산란된 방사선의 세기를 각도의 함수로 측정한다.
알려진 스캐터로미터의 예로는 US2006033921A1 및 US2010201963A1에 기술된 유형의 각도 분해 스캐터로미터가 포함된다. 이러한 스캐터로미터에 의해 사용되는 타겟은, 예컨대 40μm × 40μm 격자와 같은 비교적 큰 격자이며, 측정 빔은 격자보다 작은 스폿을 생성한다(즉, 격자가 언더필됨). 재구성에 의한 피처 형상의 측정에 추가하여, 공개된 특허 출원 US2006066855A1에 기술된 바와 같이, 이러한 장치를 사용하여 회절 기반 오버레이가 측정될 수 있다. 회절 차수의 암시야 이미징을 이용하는 회절 기반 오버레이 계측법은 보다 작은 타겟에 대한 오버레이 측정을 가능하게 한다. 암시야 이미징 계측법의 예는 국제 특허 출원 WO 2009/078708 및 WO 2009/106279 에서 찾을 수 있으며, 이들 문헌은 원용에 의해 그 전체가 본원에 포함된다. 이러한 기법의 추가 개발사항은 공개된 특허 공보 US20110027704A, US20110043791A, US2011102753A1, US20120044470A, US20120123581A, US20130258310A, US20130271740A 및 WO2013178422A1에 기재되어 있다. 이러한 타겟은 조명 스폿보다 작을 수 있고 웨이퍼 상의 제품 구조체에 의해 둘러싸일 수 있다. 복합 격자 타겟을 사용하여 하나의 이미지에서 여러 격자를 측정할 수 있다. 이러한 문헌 모두의 내용 또한 원용에 의해 본원에 포함된다.
기판 상에 패턴을 적용하거나 이러한 패턴을 측정하는 등의 반도체 제조 프로세스를 수행함에 있어서, 프로세스 제어 방법을 사용하여 프로세스를 모니터링하고 제어하게 된다. 이러한 프로세스 제어 기술은 일반적으로, 계측 작업노력을 기반으로 하여 반도체 제조 프로세스에 대한 정정을 얻기 위해 제어 전략을 기반으로 수행된다. 계측 작업노력을 늘리면 원칙적으로 더 나은 정정 및 제어를 (한계 내에서) 달성할 수 있다. 그러나 계측에는 시간이 소요되므로 처리량, 생산성 및 제조 프로세스의 수익성에 영향을 미칠 것이다.
제조 프로세스에 대해 어드바이스하기 위해 사용되는 모델을 트레이닝하기 위해 더 많은 트레이닝 데이터를 제공하는 것이 바람직할 것이다.
본 발명의 제1 양태에 따르면, 합성 계측 데이터를 포함하는 트레이닝 데이터 세트를 획득하기 위한 방법이 제공되는데, 상기 트레이닝 데이터 세트는 집적 회로를 제조하기 위한 제조 프로세스와 관련된 모델의 트레이닝을 위해 구성된 것이며, 방법은: 제조 프로세스 및/또는 관련 툴 또는 영향으로부터 기인하는 프로세스 파라미터의 거동을 기술하는 거동 특성 데이터를 획득하는 단계; 상기 거동 특성 데이터로부터, 상기 제조 프로세스 및/또는 관련 툴 또는 영향에 있어서의 변동이 상기 프로세스 파라미터에 대해 미치는 영향을 기술하는 상기 합성 계측 데이터를 결정하는 단계; 및 상기 합성 계측 데이터를 포함하는 상기 트레이닝 데이터 세트를 사용하여 상기 모델을 트레이닝하는 단계를 포함한다.
본 발명의 제2 양태에 따르면, 적절한 장치에서 실행될 때 제1 양태의 방법을 수행하도록 동작 가능한 프로그램 명령을 포함하는 컴퓨터 프로그램이 제공된다.
본 발명의 다양한 실시예들의 구조 및 동작뿐만 아니라 본 발명의 추가적인 양태, 특징들 및 장점들에 대하여 첨부된 도면들을 참조하여 이하에서 상세히 설명할 것이다. 본 발명은 본 명세서에서 설명되는 특정 실시예에 제한되지 않는다는 점에 유의해야 한다. 이러한 실시예는 단지 예시의 목적으로 여기에 제시된다. 추가적인 실시예는 본 명세서에 포함된 교시에 기초하여 통상의 기술자에게 명백할 것이다.
이제 본 발명의 실시예에 관해, 첨부된 도면을 참조로 하여 단지 예시의 목적으로 설명할 것이다.
도 1는 반도체 디바이스를 위한 생산 설비를 형성하게 되는 다른 장치와 함께 도 1의 리소그래피 장치를 나타낸 것이다.
도 2는 최적의 제어 전략을 선택하기 위한 자동화된 방법을 설명하는 흐름도이다.
도 3은 도 2에서 사용되는 모델을 트레이닝하기 위한 합성 트레이닝 데이터를 생성하는 방법을 설명하는 흐름도이다.
도 1는 반도체 디바이스를 위한 생산 설비를 형성하게 되는 다른 장치와 함께 도 1의 리소그래피 장치를 나타낸 것이다.
도 2는 최적의 제어 전략을 선택하기 위한 자동화된 방법을 설명하는 흐름도이다.
도 3은 도 2에서 사용되는 모델을 트레이닝하기 위한 합성 트레이닝 데이터를 생성하는 방법을 설명하는 흐름도이다.
본 발명의 실시예를 상세하게 설명하기 전에, 본 발명의 실시예가 구현될 수 있는 예시적인 환경을 제시하는 것이 유익하다.
도 1은 대량의 리소그래피 제조 프로세스를 구현하는 산업적인 생산 설비의 일부로서 리소그래피 장치(LA)를 100에 도시한다. 본 예에서, 제조 프로세스는 반도체 웨이퍼와 같은 기판 상에 반도체 제품(집적 회로)을 제조하기 위해 적응된다. 이러한 프로세스를 변화시켜 상이한 타입의 기판을 처리함으로써 매우 다양한 제품이 제조될 수 있다는 것을 당업자는 이해할 것이다. 반도체 제품의 생산은 오늘날 상업적으로 매우 중요한 일례로서 사용되는 것에 불과하다.
리소그래피 장치(또는 간략히 "리소 툴(100)") 내에는 102 에 측정 스테이션(MEA)이 도시되고, 104 에 노광 스테이션(EXP)이 도시된다. 제어 유닛(LACU)은 106 에 도시된다. 이러한 예에서, 각각의 기판은 패턴이 적용되게 하기 위해 측정 스테이션 및 노광 스테이션에 진입한다. 광학적 리소그래피 장치에서, 컨디셔닝된 방사선 및 투영 시스템을 사용하여 패터닝 디바이스(MA)로부터 기판 상에 제품 패턴을 전사하기 위해서 예를 들어 투영 시스템이 사용된다. 이것은 패턴의 이미지를 방사선-감응 레지스트 재료의 층에 형성함으로써 이루어진다.
본 명세서에서 사용된 "투영 시스템"이라는 용어는, 사용되는 노광 방사선에 적합하거나 액침액의 사용 또는 진공의 사용과 같은 다른 요인들에 대해 적합한 것으로서, 굴절형, 반사형, 반사굴절형, 자기형, 전자기형 및 정전형 광학 시스템 또는 이들의 임의의 조합을 포함하는 임의의 유형의 투영 시스템을 포괄하는 것으로 폭넓게 해석되어야 한다. 패터닝(MA) 디바이스는 마스크 또는 레티클일 수 있고, 이것은 패터닝 디바이스에 의해 투과되거나 반사된 방사선 빔에 패턴을 부여한다. 알려진 동작 모드는 스테핑 모드 및 스캐닝 모드를 포함한다. 잘 알려진 바와 같이, 투영 시스템은 기판에 대한 지지 및 위치 설정 시스템 및 패터닝 디바이스와 다양한 방식으로 협동하여 원하는 패턴을 기판에 걸친 많은 타겟 부분에 적용시킬 수 있다. 프로그래밍가능한 패터닝 디바이스는 고정된 패턴을 가지는 레티클 대신에 사용될 수 있다. 예를 들어, 방사선은 심자외(DUV) 또는 극자외(EUV) 파장대역에 있는 전자기 방사선을 포함할 수 있다. 본 발명은 다른 타입의 리소그래피 프로세스, 예를 들어 전자 빔에 의한, 예를 들어 임프린트 리소그래피 및 다이렉트 라이팅(direct writing) 리소그래피에도 역시 적용가능하다.
리소그래피 장치 제어 유닛(LACU)은 기판(W) 및 레티클(MA)을 수용하고 패터닝 동작을 구현하도록 다양한 액츄에이터 및 센서의 모든 이동 및 측정을 제어한다. LACU는 장치의 동작과 관련된 원하는 계산을 구현하는 신호 처리와 데이터 처리 능력을 더 포함한다. 실제로 제어 유닛(LACU)은, 이러한 장치 내의 서브시스템 또는 컴포넌트의 실시간 데이터 획득, 처리 및 제어를 각각 담당하는 많은 서브유닛들의 시스템으로서 구현될 것이다.
패턴이 노광 스테이션(EXP)에서 기판에 적용되기 전에, 기판은 측정 스테이션(MEA)에서 처리되어 다양한 준비 단계들이 수행될 수 있게 한다. 준비 단계는 레벨 센서를 사용하여 기판의 표면 높이를 매핑하는 것과 정렬 센서를 사용하여 기판 상의 정렬 마크의 위치를 측정하는 것을 포함할 수도 있다. 정렬 마크는 공칭적으로, 규칙적인 그리드 패턴으로 배치된다. 그러나, 마크를 생성할 때 생기는 부정확성과 처리되는 동안 발생하는 기판의 변형 때문에, 마크들은 이상적인 그리드로부터 벗어나게 된다. 결과적으로, 이러한 장치가 제품 피처를 매우 높은 정확도로 올바른 위치에 인쇄하려면, 기판의 위치 및 배향을 측정하는 것에 추가하여, 정렬 센서가 실질적으로 기판 면적에 걸쳐 많은 마크의 위치를 자세하게 측정해야 한다. 이러한 장치는, 두 개의 기판 테이블을 가지고 각 테이블에는 제어 유닛(LACU)에 의해 제어되는 위치 설정 시스템이 있는 소위 듀얼 스테이지 타입일 수 있다. 하나의 기판 테이블에 있는 하나의 기판이 노광 스테이션(EXP)에서 노광되는 동안, 다른 기판은 측정 스테이션(MEA)에 있는 다른 기판 테이블에 로딩될 수 있어서, 다양한 준비 단계들이 수행될 수 있다. 그러므로, 정렬 마크를 측정하는 것은 시간이 많이 걸리는 작업이므로, 두 개의 기판 테이블을 제공하면 장치의 처리량이 크게 증가하게 될 수 있다. 기판 테이블이 측정 스테이션 및 노광 스테이션에 있는 동안 위치 센서(IF)가 기판 테이블의 위치를 측정할 수 없다면, 기판 테이블의 위치가 양 스테이션에서 추적될 수 있도록 제2 위치 센서가 제공될 수 있다. 예를 들어, 리소그래피 장치(LA)는 두 개의 기판 테이블과 그들 사이에서 기판 테이블이 교환될 수 있는 두 개의 스테이션 - 노광 스테이션 및 측정 스테이션 - 을 가지는, 소위 듀얼 스테이지 타입일 수 있다.
생산 설비 내에서, 장치(100)는 이러한 장치(100)에 의한 패터닝을 위해서 감광성 레지스트 및 다른 코팅을 기판(W)에 도포하기 위한 코팅 장치(108)를 또한 포함하는 "리소 셀" 또는 "리소 클러스터"의 일부를 형성한다. 장치(100)의 출력측에는, 노광된 패턴을 물리적 레지스트 패턴으로 현상하기 위해서 베이킹 장치(110) 및/또는 현상 장치(112)가 제공된다. 이러한 모든 장치들 사이에서, 기판 핸들링 시스템은 기판을 지지하고 이들을 장치의 일부에서 다른 부분으로 전달하는 것을 담당한다. 통칭하여 트랙으로서도 지칭되는 이들 장치는 트랙 제어 유닛의 제어 하에 있으며, 이 트랙 제어 유닛은 그 자체가 감독 제어 시스템(SCS)에 의해 제어되고, 이 감독 제어 시스템은 또한 리소그래피 장치 제어 유닛(LACU)을 통해 리소그래피 장치를 제어한다. 그러므로, 처리량 및 처리 효율을 최대화하기 위해 상이한 장치가 작동될 수 있다. 감독 제어 시스템(SCS)은 각각의 패터닝된 기판을 생성하기 위해 수행될 단계들의 규정을 매우 상세히 제공하는 레시피 정보(R)를 수신한다.
패턴이 리소셀에서 적용되고 현상되면, 패터닝된 기판(120)은 122, 124, 126에 예시되는 것과 같은 하나 이상의 다른 처리 장치로 전달된다. 통상적인 제조 설비 내에는 다양한 장치에 의해 광범위한 처리 단계들이 구현된다. 예를 들어, 이러한 실시예에서 장치(122)는 에칭 스테이션이고, 및 장치(124)는 에칭후 어닐링 단계를 수행한다. 추가적인 물리적 및/또는 화학적 처리 단계들이 다른 장치(126 등)에 적용된다. 재료의 증착, 표면 재료 특성의 변경(산화, 도핑, 이온 주입 등), 화학적-기계적 연마(CMP) 등과 같은 여러 타입의 동작들이 실제 디바이스를 제작하기 위해 필요할 수 있다. 실제로 장치(126)는 하나 이상의 장치에서 수행되는 일련의 상이한 처리 단계를 나타낸다. 다른 예로서, 리소그래피 장치에 의해 가해진 전구(precursor) 패턴에 기초하여 다수의 더 작은 피처를 생성하기 위한, 자기-정렬 다중 패터닝을 구현하기 위해 장치 및 처리 단계가 제공될 수 있다.
알려진 바와 같이, 반도체 디바이스를 제작하려면, 적합한 재료 및 패턴을 가지는 디바이스 구조체를 기판 위에 층별로 쌓아올리기 위해 이러한 처리들의 반복이 수반된다. 이에 따라, 리소 클러스터에 도달하는 기판(130)은 새롭게 준비된 기판일 수도 있고, 또는 기판은 이러한 클러스터 또는 완전히 다른 장치에서 이전에 처리된 기판일 수도 있다. 이와 유사하게, 요구되는 처리에 따라서, 장치(126)를 떠나는 기판(132)은 동일한 리소 클러스터 내에서의 후속 패터닝 동작을 위해 반환될 수 있거나, 상이한 클러스터 내에서의 패터닝 동작을 위해 보내질 수 있거나, 다이싱 및 패키징을 위해 보내져야 할 마감된 제품일 수도 있다.
제품 구조체의 각각의 층은 상이한 세트의 프로세스 단계를 요구하고, 각각의 층에서 사용되는 장치(126)는 타입이 완전히 다를 수도 있다. 더 나아가, 장치(126)에 의해 적용될 처리 단계들이 공칭적으로 동일한 경우에도, 큰 설비 내에, 상이한 기판들에 단계(126)를 수행하도록 병렬적으로 동작하는, 동일해 보이는 여러 머신들이 존재할 수도 있다. 이러한 머신들 사이에서 셋-업 또는 고장에 있어서 작은 차이가 발생한다는 것은, 다른 기판들이 다른 방식으로 영향받게 된다는 것을 의미할 수 있다. 심지어, 에칭(장치(122))과 같이 각각의 층에 대해 상대적으로 공통인 단계들도, 공칭적으로 동일하지만 처리량을 최대화하기 위해 병렬적으로 작동하는 여러 에칭 장치들에 의해 구현될 수 있다. 더욱이, 실제로 상이한 층들은 에칭될 재료의 세부사항과 예를 들어 이방성 에칭과 같은 특별한 요구 사항에 따라서 상이한 에칭 프로세스, 예를 들어 화학적 에칭, 플라즈마 에칭을 요구한다.
이전 및/또는 후속 단계는 앞서 언급한 바와 같이 다른 리소그래피 장치에서도 수행될 수 있으며, 상이한 유형의 리소그래피 장치에서 수행될 수도 있다. 예를 들어, 분해능 및 오버레이 등의 파라미터에 있어서 매우 까다로운 디바이스 제조 프로세스의 일부 층은, 덜 까다로운 다른 층보다 더 진보된 리소그래피 툴에서 수행될 수 있다. 따라서 일부 층은 액침형 리소그래피 툴에서 노광될 수 있고, 다른 층은 '건식' 툴에서 노광될 수 있다. 일부 층은 DUV 파장에서 동작하는 툴에서 노광될 수 있지만 다른 층은 EUV 파장 방사선을 사용하여 노광된다.
리소그래피 장치에 의해 노광되는 기판이 정확하고 일정하게 노광되도록 하기 위해서는, 후속 층들 간의 오버레이 오차, 라인 두께, 임계 치수(CD) 등과 같은 특성을 측정하기 위해 노광된 기판을 검사하는 것이 바람직하다. 따라서, 리소셀(LC)이 그 안에 위치되는 제조 설비는, 리소셀 내에서 처리된 기판(W)의 일부 또는 전부를 받아들이는 계측 시스템을 더 포함한다. 계측 결과는 감독 제어 시스템(SCS)에 직접적으로 또는 간접적으로 제공된다. 오차가 검출되는 경우, 특히 동일한 배치(batch)의 다른 기판들이 여전히 노광될 수 있을 정도로 계측이 충분히 신속하고 빠르게 수행될 수 있다면, 후속 기판의 노광에 대한 조정이 이루어질 수 있다. 또한, 이미 노광된 기판이 수율 개선을 위해 스트리핑 및 재작업될 수 있고, 또는 폐기될 수 있으며, 이로써 결함 있는 것으로 알려진 기판 상에서 추가 처리를 수행하는 것을 피하게 된다. 기판의 단지 특정 타겟 부분만이 결함 있는 경우, 양호한 타겟 부분에 대해서만 추가적인 노광이 행해질 수도 있다.
도 1 에는 또한 제조 프로세스의 원하는 스테이지에서 제품의 파라미터를 측정하기 위해 제공되는 계측 장치(140)가 도시되어 있다. 현대의 리소그래피 생산 설비 내에 있는 계측 스테이션의 공통적인 예는 스캐터로미터이며, 예를 들어 암시야 스캐터로미터, 각도-분해 스캐터로미터, 또는 분광식 스캐터로미터인데, 이는 장치(122)에서의 에칭 이전에 120에서 현상된 기판의 특성을 측정하기 위해 적용될 수 있다. 계측 장치(140)를 사용하면, 예를 들어, 오버레이 또는 임계 치수(CD)와 같은 중요한 성능 파라미터가 현상된 레지스트 내의 규정된 정확도 요구 사항을 만족시키지 않는다고 결정될도 수 있다. 에칭 단계 이전에, 현상된 레지스트를 벗겨내고 리소 클러스터를 통해 기판(120)을 재처리할 기회가 있다. 장치(140)로부터의 계측 결과(142)는, 시간에 따라 미세하게 조절하는 감독 제어 시스템(SCS) 및/또는 제어 유닛(LACU)(106)에 의해서, 리소 클러스터에서 패터닝 동작의 정확한 성능을 유지하여 제품이 사양에 벗어나게 제작되거나 재작업해야 하는 위험을 최소화시키기 위해 사용될 수 있다.
또한, 계측 장치(140) 및/또는 다른 계측 장치(도시되지 않음)가 처리된 기판(132, 134), 및 인입하는 기판(130)의 특성을 측정하기 위해 적용될 수 있다. 계측 장치는 오버레이 또는 CD와 같은 중요한 파라미터를 결정하기 위하여, 처리된 기판 상에서 사용될 수 있다.
임의의 실제 이미징 도중에 또는 그 이전에, 처리 파라미터는 사양을 벗어나게 하는 섭동을 가질 수도 있으며(예컨대, 프로세스 윈도우 밖으로, 즉 사양 내에서 패턴이 생성될 처리 파라미터의 공간 밖으로), 따라서 결함으로 이어질 수 있다. 예를 들어, 노광될 기판의 토포그래피, 기판 스테이지에 있어서의 드리프트, 투영 광학계의 변형 등으로 인해 초점이 변화될 수도 있다; 소스 세기에 있어서의 드리프트, 체류(dwell) 시간 등으로 인해 선량이 변화될 수도 있다. 섭동되는 처리 파라미터를 식별하고 그 처리 파라미터를 정정하기 위해 다양한 기술이 사용될 수 있다. 예를 들어 초점이 섭동되면(예컨대, 기판의 나머지 부분으로부터 약간 상승되어 있는 기판의 영역이 노광되고 있음으로 인하여), 이러한 섭동을 보상하기 위해 기판 스테이지가 이동되거나 기울어질 수 있다.
제조(예컨대, 리소그래피) 프로세스의 제어는 일반적으로 피드백 또는 피드포워드되는 측정을 기반으로 하고, 그 다음에 예를 들어 필드간(기판에 걸친 지문) 및/또는 필드내(필드에 걸친 지문) 모델을 사용하여 모델링된다. 이러한 모델링은 적절한 경우 다이내(intra-die) 모델(다이에 걸친 모델)을 포함하도록 확장될 수도 있다. 하나의 다이 내에는 메모리 영역, 논리 영역, 콘택 영역 등과 같은 별도의 기능 영역이 있을 수 있다. 각각의 다른 기능 영역 또는 다른 기능 영역 유형은 상이한 프로세스 윈도우를 가질 수 있는데, 각각의 프로세스 윈도우는 상이한 프로세스 윈도우 중심을 가진다. 예를 들어, 서로 다른 기능 영역 유형은 서로 다른 높이를 가질 수 있으므로, 최적의 초점 설정이 다를 수 있다. 또한 서로 다른 기능 영역 유형은 서로 다른 구조 복잡성을 가질 수 있으므로, 각각의 최상의 초점 주위에 서로 다른 초점 허용오차(초점 프로세스 윈도우)를 가질 수 있다.
다른 제조 프로세스 또한 정정을 구현하기 위해 적절한 모델을 사용하는 방식으로 제어될 수 있다. 예를 들어, 이들은 에칭 프로세스의 정정, 레티클 정정, 트랙 시스템에 대한 정정, 반도체 제조 프로세스를 수행하는 데에 사용되는 하나 이상의 장치와 연관된 과도적인 모델에 대한 정정을 포함할 수 있다.
리소그래피 장치의 제어는 관련 파라미터에 대한 정정 프로파일(예를 들어, 제어 프로파일)을 모델링함으로써 달성될 수 있다(또는 둘 이상의 파라미터에 대해 공동 최적화됨). 각각의 파라미터에 대한 모델링된 정정 프로파일이 리소그래피 장치에 공급되고, 이는 리소그래피 프로세스(노광)을 제어하기 위해 원하는 정정 프로파일을 작동시키게 된다. 이러한 제어는 (예를 들어, 노광 이전에 리소그래피 장치 내에서 측정된 데이터로부터) 피드포워드 모델에 기초할 수 있다. 스캐너 자체로, 스캐너에 의한 노광 중에 작동되어야 하는 자체 정정을 가진다. 이러한 자체 정정은 예를 들어 레티클 가열 및 웨이퍼 가열과 같은 피드포워드 모델, 웨이퍼 테이블 형상과 같은 기계 교정 및 레이아웃 종속 정정을 포함한다.
초점 제어는 주요 피드포워드 제어 루프의 일례이며, 이는 표면 토포그래피를 정정하는 해당 기판에 대한 노광용 정정을 결정하는 데 사용되는, 각 기판에 대해 수집된 다량의 레벨링 데이터를 기반으로 한다. 기타 정정은 피드백 제어 루프를 기반으로 한다. 초점 제어는, 방금 언급한 주요 피드포워드 제어에 더하여, 노광된 구조체로부터의 초점 측정을 기반으로 하는 피드백 요소를 가질 수 있다. 오버레이 제어는 일반적으로 피드백 루프를 기반으로 한다; 처리된 기판으로부터의 오버레이 측정을 기반으로 한다. 선량 제어는 평균 선량을 위한 것 이외에 어떠한 피드포워드 제어도 가지지 않으며, (예컨대, 스캔 및 슬릿 방향으로 개별적으로) 필드별로 결정된 정정 프로파일을 통해 노광후(예컨대, 에칭후) 측정으로부터 피드백 루프로 통상적으로 제어된다
이러한 모든 정정 소스는 리소그래피 장치로 입력되고, 리소그래피 장치는 오버레이, 초점, 선량 및 이미징 성능을 최적화하기 위해 노광마다 모든 정정을 결합하고 작동시킨다. 예를 들어 초점/선량 및/또는 오버레이의 제어를 위해 리소그래피 프로세스가 정정 프로파일을 작동시키기 위한 수많은 방법이 있다. 본질적으로 필터로 동작하는 알고리즘이 이러한 정정을 스테이지 및 렌즈/미러에 대한 설정 포인트로 변환한다. 이러한 설정 포인트는, 예를 들어 노광 중에 레티클 스테이지 및/또는 웨이퍼 스테이지가 서로에 대해 기울어진 것을 규정하는 시간 의존적 궤적으로 규정된다. 이에 따라 이동함으로써 액추에이터는 지문을 기판 상에 이미징한다. 이러한 방법 및 기타 방법은 통상의 기술자에게 자명할 것이며 더 이상 논의하지 않을 것이다.
위에서 설명한 모든 제어/정정 방법은 특히 계측 작업노력의 측면에서 연관된 비용이 든다. 통상적인 프로세스에 대한 제어 또는 정정의 정도는 요구되는 품질과 계측 작업노력 사이에 균형이 이루어진 것이다. 일반적으로 품질 향상에는 더 나은 정정이 필요하며, 이에 따라 계측 작업노력이 증가할 필요가 있다. 그러나 제조 프로세스가 상업적으로 허용되려면, 특정 생산성 수준 또는 처리량 목표를 충족해야 하며 증가된 계측 작업노력은 생산성/처리량을 감소시키는 경향이 있을 것이다. 현재 사용자에게 (예컨대, 수율, 오버레이 또는 다른 파라미터의 측면에서) 프로세스 제어에 이용가능한 옵션에 대해 상세한 통찰력을 제공하는 툴은 전혀 없다. 특히 현재로서는, 계측 비용, 구매 비용 등과 같은 양상을 고려할 수 있으면서 제어 옵션과 연관된 예상 개선사항을 기반으로 수많은 가능한 제어 옵션 중에서 어느 제어 옵션이 가장 적합한지를 식별하기 위한 툴이 전혀 없다. 특정 프로세스를 위한 요구사항에 가장 적합한 제어 전략을 결정하기 위한 지침은, 반도체 제조 프로세스의 셋업 중에 중요한 단계이다.
따라서 다음을 기반으로 하여 다양한 프로세스 제어 전략을 평가하고 및/또는 선호되는 프로세스 제어 전략을 식별하는 것이 제안된다:
● 프로세스 데이터: 이는 (일반적으로 웨이퍼 등의 기판에 일련의 층을 적용하기 위한) 반도체 제조 프로세스를 특징짓는 이력 데이터 및/또는 설계 데이터를 포함할 수 있다. 프로세스 데이터의 예는 다음 중 하나 이상을 포함할 수 있다:
- 특정 층의 레이아웃을 기술하는 레이아웃 데이터(예컨대, 설계 데이터 또는 레티클 데이터). 이는 다이 내의 레이아웃(예를 들어, 다이 내의 상이한 기능 영역들의 위치 및 치수)을 포함할 수 있다.
- 프로세스와 관련된 임의의 파라미터(예컨대, 초점/선량/오버레이/엣지 배치/수율)에 대한 최대/최소 허용 값(사양 한계)과 같은 최소 품질 표준을 규정하는 프로세스 윈도우 등의 프로세스 사양 메트릭; 프로세스 윈도우는 필드별, 다이별, 기판 영역별 및/또는 기능 영역별로 적절하게 규정될 수 있다. 따라서 다이 내의 크리티컬 구조 또는 기능 영역은 다른 구조보다 그들과 연관된 더 엄격한 프로세스 윈도우를 가질 수 있다. 프로세스 사양 메트릭은 또한 임의의 파라미터에 대한 목표 설정(예컨대, 최상의 초점 설정)을 포함할 수 있다. 다시, 이들은 기술된 바와 같이 임의의 영역/기능 영역에 대해 설정될 수 있다.
- 다음과 같은 프로세스 컨텍스트: 이용가능한 리소그래피 장치, 에칭 장치, 증착 장치 및 언급된 장치의 챔버 중 어느 것이 사용되었는지 및/또는 이러한 장치의 임의의 설정, 제어 옵션 설정, 센서 판독치, 제품 규정, 컨텍스트 입도.
● 평가되어야 할 후보 프로세스 제어 전략 및 그 구현에 필요한 임의의 관련 파라미터 설정: 이들은 프로세스 데이터로부터 입력 또는 결정될 수 있다.
● 품질 메트릭 예측 데이터. 이는 예를 들어, 후보 제어 전략 및/또는 품질 메트릭 데이터를 예측하는 데 적합한 임의의 다른 제어 전략(예컨대, 참조 전략)의 특성에 대한 지식을 포함할 수 있고, 예를 들면, 프로세스 데이터가 특징짓는 프로세스에 제어 전략이 적용될 때 성능에 어떠한 영향을 미치게 되는지 등이다. 이는 다음을 기반으로 할 수 있다:
○ 프로세스와 관련된 이력 품질 메트릭 데이터(예컨대, 계측 또는 이전의 수율 결정에 기반함) 및/또는
○ 프로세스와 관련된 모델링된/시뮬레이션된 품질 메트릭 데이터.
● 각각의 후보 제어 전략 및/또는 기타 제어 전략(예컨대, 참조 전략)에 대한 연관된 비용 메트릭 데이터: 비용 메트릭의 예는 다음을 포함한다:
- 요구되는 계측 작업노력. 이는, 특정 제어 전략을 가능하게 하기 위해 측정이 얼마나 조밀하게 및/또는 얼마나 자주 수행되어야 하는지(예컨대, 사용되는 샘플링 스킴)에 대한 척도를 포함할 수 있다. 요구되는 계측 유형 또한 규정될 수 있다. 요구되는 계측 유형은 측정 기법 또는 측정된 파라미터를 참조할 수도 있다. 이러한 파라미터는: 오버레이 계측, 초점 계측, CD(임계 치수)/SWA(측벽 각도) 계측 중 하나 이상을 포함할 수 있다. 계측 유형에는 다음이 포함될 수 있다:
○ 스캐터로메트리 기반 계측, 예컨대:
· 암시야 회절 기반 오버레이/초점 기법(비대칭 기법),
· 재구성 기반 기법(예컨대, 퓨필 이미지로부터),
○ 주사 전자 현미경,
○ 인라인 계측 대 오프라인 계측(예컨대, 인라인 계측에 대한 요구사항은 더 높은 비용 때문일 수 있음)
○ 리소그래피 장치(스캐너) 계측:
· 정렬 계측 및/또는
· 레벨링 계측
- 각각의 후보 제어 전략을 구현하기 위해 요구되는 기타 오버헤드; 예컨대, 요구되는 하드웨어 및 소프트웨어 그리고 이와 관련된 임의의 관련 비용(예컨대, 소프트웨어 라이센스 비용, 하드웨어 비용).
후보 프로세스 제어 전략은 제조 프로세스와 관련된 파라미터의 설정 및/또는 정정과 관련될 수 있다. 이들은 제조 프로세스에 (직접적으로 또는 간접적으로) 수반되는 임의의 장치의 (다양한) 파라미터, 예를 들면 리소그래피 장치 설정(예컨대, 초점 설정, 선량 설정, 스테이지 위치설정 포인트); 에칭 장치 설정, 증착 장치 설정, 트랙 장치 설정, 레티클 제조 및/또는 레티클 리소그래피 설정 등을 포함할 수 있다. 후보 프로세스 제어 전략은 또한 제어 인터페이스의 특성과 관련될 수 있다.
후보 프로세스 제어 전략은 사용되는 모델과 관련될 수 있다; 예를 들어, 모델링 전략의 유형, 예컨대 임의의 모델링 전략의 순서(모델 등급(model degree)), 모델링이 로트당, 로트내, 필드간, 필드내, 다이간(inter-die), 또는 다이내(intra-die)인지 여부, (예컨대, 정정을 결정하기 위해) 임의의 제조 프로세스를 시뮬레이션하기 위한 임의의 여타 관련 모델 세부사항 등이다.
도 2는 최적의 제어 전략을 선택하기 위한 전적으로 예시적인 자동화된 방법을 설명하는 흐름도이다. 이 방법은 유럽 특허 출원 EP18197856.0에 더 자세히 설명되어 있으며, 이러한 문헌의 내용은 원용에 의해 본원에 통합된다. 이 방법은 이용가능한 제어 전략을 선택 및 커스터마이즈하고, 시뮬레이션된 제품내(on-product) 성능(특정 입력 데이터 세트와 관련) 및 요구되는 계측 작업노력(예컨대, 처리량 영향)의 평가를 기반으로 각각의 제어 전략의 품질을 평가한다. 이는 딥러닝 기법(예컨대, 뉴럴 네트워크 사용) 또는 베이지안 네트워크 기법과 같은 인공 지능(AI) 기술을 사용하여 수행된다. 그 결과 위에서 설명한 제어 전략 선택 방법은 특히 매우 많은 수의 제어 전략을 평가하는 데에 더 실용적이 될 수 있고, 사용자 독립적(예컨대, 어드바이스의 사용자-고유 결과물)이 될 수 있다.
EP18197856.0에서는, 앞서 언급한 프로세스 데이터, 비용 메트릭 데이터 및 품질 메트릭 데이터가, 비용 메트릭 데이터를 고려하여 프로세스 데이터를 품질 메트릭 데이터와 관련시키도록 AI 네트워크(예컨대, 뉴럴 네트워크 또는 베이지안 네트워크)를 트레이닝하기 위해 사용된다. 품질 메트릭 데이터는 시뮬레이션 또는 측정될 수 있으며, 임의의 하나 이상의 적절한 품질 메트릭(예컨대, 오버레이, 엣지 배치 오차(EPE), 임계 치수(CD), CD 균일성(CDU) 또는 수율)과 관련될 수 있다(예컨대, 적절한 품질 메트릭의 값을 포함).
도 2를 참조하면, 트레이닝 데이터(200)(검증 데이터(240)의 서브세트일 수 있음)가 뉴럴 네트워크(205)(또는 다른 적절한 AI 네트워크)에 공급된다. 트레이닝 데이터는 프로세스 데이터(이미 제공된 예들 중 임의의 것을 포함할 수 있음) 및 연관된 품질 메트릭 데이터를 포함한다. 예를 들어, 트레이닝 데이터는 제어 전략 및 각 제어 전략과 연관된 결과적인 품질 메트릭 값을 포함할 수 있다. 트레이닝 데이터는 또한 비용 메트릭 데이터, 예를 들어 각 제어 전략에 대한 연관된 비용을 포함할 수 있다. 그러나, 이는 필수적인 것이 아니며, 비용 메트릭이 시뮬레이션(예컨대, 오차 함수(215))에 의해 고려될 수 있다; 예를 들면, 경계 조건 또는 제약으로서 고려될 수 있다. 뉴럴 네트워크(205)는 "비어있는(blank)" 비트레이닝된 네트워크로 시작할 수도 있고, 그렇지 않으면 다른 트레이닝 데이터(예를 들어, 시뮬레이션된 데이터)에 대한 교정 단계에서 트레이닝된 것일 수도 있다. 시간이 지남에 따라, 뉴럴 네트워크(205)는 어떤 제어 전략이 평가를 위해 더 나은 후보인지, (품질 메트릭에 따른) 수용가능한 성능 및 (비용 메트릭에 따른) 수용가능한 비용을 야기할 가능성이 더 높은지를 학습하게 될 것이다.
시뮬레이션 단계는 프로세스 데이터를 품질 메트릭 데이터와 상관시킴으로써 시작된다. 이러한 방법은 베이지안 네트워크의 모델링 또는 프로세스 데이터를 품질 메트릭 데이터와 관련시키는 머신 러닝 기법(예컨대, 딥러닝)에 기반할 수 있다. 시뮬레이션 단계는 후보 제어 전략(210)을 출력하는 뉴럴 네트워크(205)로 시작할 수 있다. 시뮬레이션 단계(220)는 후보 제어 전략(210)에 기초하여 오차 함수(215)를 평가하는 것을 포함한다. 오차 함수(215)는 후보 제어 전략(210)에 기초하여 품질 메트릭 데이터에 대한 오차(잔차)를 모델링할 수 있다. 이러한 오차는 예를 들어, 트레이닝 데이터에 대한 평균 (시뮬레이션된) 품질 메트릭 값일 수 있다. 이미 언급한 바와 같이, 오차 함수(215)는 비용 메트릭 데이터를 사용하여 경계 조건화될 수 있다. 단계 225에서는, 후보 제어 전략(210)이 수용가능한지 여부를 결정하기 위해 오차가 평가된다(예를 들어, 임계 값과 비교됨; 예컨대 수율이 낮은(non-yielding) 다이의 오차 또는 수 <= 0). 그렇지 않다면, 이는 뉴럴 네트워크(205)로 피드백되고, 추가 후보 제어 전략(210)이 평가된다. 오차가 수용가능한 것으로 평가되면 최적화된 제어 전략(235)이 출력될 것이다.
제어 전략 최적화 방법은 더 큰 데이터 세트, 즉 검증 데이터에 대해 최적화된 제어 전략(235)을 검증하도록 검증 데이터(240)를 사용하는 검증 단계(245)를 포함할 수 있다. 검증 단계(245)는 더 큰 볼륨의 검증 데이터(240)를 사용하여 최적화된 제어 전략(235)에 대해 시뮬레이션 단계(220)를 단순히 반복할 수 있다(즉, 오차 함수(215)를 평가). 선택적으로, 검증 단계는 최적화된 제어 전략(235)에 기초하여 예측된 품질 메트릭 값(250)(예를 들어, 예측된 오버레이 또는 EPE)을 출력할 수도 있다.
도 2에서 설명한 방법의 문제점은 AI 네트워크를 적절하게 트레이닝하려면 광범위한 트레이닝 데이터 세트가 요구된다는 것이다. 다양한 이유로(예컨대, 요구되는 계측 작업노력 및/또는 기밀성 문제로), 충분한 트레이닝 데이터를 얻는 것이 어렵다. 특히, 모델을 트레이닝하기 위해 이용가능한 트레이닝 데이터 세트는 종종, 하나 이상의 처리 파라미터의 이탈(excursion), 드리프트, 지문 및 또는 노이즈와 같은 실제 처리 요인을 충분히 대표하지 못한다.
따라서, 이제 모델의 트레이닝을 위해 구성된 트레이닝 데이터 세트를 수정하기 위한 방법을 설명할 것이다. 이러한 방법은, 상기 트레이닝 데이터 세트를 획득하기 위해, 반도체 제조 프로세스와 관련된 컨텍스트 및/또는 계측 데이터를 포함하는 제1 데이터 세트를 획득하고, 반도체 제조 프로세스의 특성에 기초한 가변성을 도입함으로써 제1 데이터 세트를 수정하는 단계를 포함할 수 있다. 대안으로서, 제1 데이터 세트가 사용되지 않고, 트레이닝 데이터는 반도체 제조 프로세스의 특성에 기반한 전적으로 합성된 데이터를 포함한다. 이러한 방식으로 합성 또는 하이브리드(반합성) 데이터 세트인 트레이닝 데이터 세트가 획득된다.
이러한 방법은 더 작은 데이터 세트로부터 시스템을 적절하게 트레이닝하는 데 필요한 충분한 데이터를 생성하기 위해 사용될 수 있다. 합성 데이터는 알려진 및/또는 발생할 것으로 예상되는 특정 거동 특성을 기반으로 초기 측정 데이터로부터 생성될 수 있다. 그러면 트레이닝 데이터 세트는 합성 데이터와 이것이 생성된 초기 측정 데이터를 모두 포함하는 하이브리드 데이터 세트가 될 수 있다. 이용가능한 실제 계측 데이터를 갖지 않고, 즉 알려진 거동 특성으로부터만 생성되는 완전히 합성된 데이터를 생성하는 것도 본 명세서의 범위 내에 있다.
거동 특성은 엔지니어링 지식(가능한 것으로 알려져 있고 적절한 응답이 알려져 있는 알려진 상황)과 기존 고객 데이터 세트를 기반으로 할 수 있다. 이러한 방식으로 시스템은 이용가능한 제한된 데이터 세트를 기반으로 예비 제어 어드바이스를 제공할 수 있다. 거동 특성은 예를 들어 다음 중 하나 이상을 포함할 수 있다:
● (예컨대, 처리, 클램핑, 렌즈 수차, 에칭, 증착, 초점/선량, 레티클 가열 또는 기타 가열 영향 등에 기인한 지문과 같이) 임의의 툴 또는 영향에 의해 부과될 수 있는 공간적 지문(필드간 지문, 필드내 지문 및/또는 기타 지문을 포함하는 공간적 파라미터 분포);
● 임의의 파라미터의 시간적 노이즈/드리프트;
● 컨텍스트 또는 컨텍스트 입도, 예를 들면 기판이 어느 에칭 챔버, 리소그래피 스테이지 및/또는 증착 스테이션을 거쳤는지 또는 기타 다른 처리 이력, 및 이들의 가능한 조합;
● 서로 상이한 데이터 유형들 간의 관계 및/또는 유사한 프로세스들 간의 관계;
● 시스템이 반응해야 하는 (예컨대, 방해 이벤트 및/또는 계측 데이터의 이탈 등의) 예측된 이벤트(예를 들어, 반응성 변화를 적극적으로 구현하거나 요구되는 트레이닝 결과물에 따라 이벤트를 무시하기로 결정함으로써);
● 성능 사양, 측정 예산상 이용가능한 제어 옵션 및 임의의 제어 설정과 같은 경계 조건 - 그러나 그 대신 임의의 경계 조건이 시뮬레이션(예컨대, 오차 함수(215))에 의해 부과될 수도 있다.
알려진 거동 특성과 실제 계측 결과 중 하나 또는 양자 모두를 사용하여 합성 데이터를 생성할 수 있다. 예를 들어, 합성 데이터는 시간에 걸친(예를 들어, 추가적인 기판 또는 로트에 걸친) 거동 특성의 외삽 및/또는 보간에 기초할 수 있다. 예를 들어, 합성 데이터는 예컨대 모델링된 기판 또는 로트에 대해, 측정되지 않은 기간 동안 시간에 걸쳐 파라미터가 어떻게 변동되는지 기술할 수 있다. 특정한 예로서, 파라미터에 대한 계측 데이터가 단지 몇 개의 로트에만 이용가능하지만(또는 전혀 이용가능하지 않음) 이러한 파라미터의 거동이 예를 들어 시간, 기판 번호 또는 로트 번호의 함수로서 알려져 있는 경우, 파라미터 값들은 이러한 몇 개의 로트들 사이에 있는 로트들에 대해 보간될 수 있고 및/또는 더 많은 로트들에 대해(예를 들면, 훨씬 더 장래에 및/또는 측정된 로트들 사이의 추가의 로트들로) 외삽될 수 있다(예를 들어, 회귀 또는 유사한 모델링 기법에 의해). 회귀는 또한 이용가능한 계측 데이터에만 기반하여 수행될 수 있으며 그로부터 거동 특성이 추론된다. 이러한 방식으로, 예를 들어 많은 수의 로트에 걸쳐 하나 이상의 파라미터를 기술하는 합성 계측 데이터가 적은 수의 로트(또는 전혀 없음)로부터의 실제 계측 데이터로부터 생성될 수 있다.
합성 데이터를 생성하는 다른 방법도 가능하다(예를 들면 다른 데이터 유형으로부터 한 데이터 유형을 생성함으로써). 예를 들어 현상후(에칭전) 측정된 파라미터와 에칭후 측정된 파라미터 사이의 관계가 알려져 있다면, 현상후 파라미터 값으로부터 에칭후 파라미터 값을 생성할 수 있으며, 그 반대도 가능하다. 또한 노이즈의 영향, 임의의 다른 영향(예컨대, 가열 또는 렌즈 수차) 또는 임의의 방해 이벤트가 알려져 있는 경우, 이러한 임의의 영향/이벤트의 변동이 파라미터에 미치는 영향을 추론/평가하여 합성 데이터를 생성할 수 있다. 따라서, 수행된 실제 측정과 관련하여 상이한 레벨의 레티클 가열 또는 상이한 렌즈 수차 영향을 받는 파라미터를 기술하는 합성 계측 데이터가 생성될 수 있는 것처럼, 상이한 노이즈 레벨들에 대한 합성 계측 데이터가 생성될 수 있다.
공간적으로 더 희박한 측정을 기반으로 추가 데이터를 생성할 수도 있다. 예를 들어, 기판 상의 단지 몇 개의 지점에 대한 계측 데이터만 이용가능한 경우, 기판의 다른 위치에 대해 추가적인 계측 데이터를 계산할 수 있다.
다른 컨텍트스도 고려될 수 있다. 예를 들어, 프로세스 지문이 각각의 리소그래피 스테이지, 에칭 챔버 및/또는 임의의 다른 처리 스테이션에 대해 알려져 있는 경우, 이들의 임의의 조합의 조합된 지문(및 그 영향)이, 가능한 조합의 훨씬 더 작은 서브세트와 관련된 하나 또는 몇 개의 로트의 측정에 기반하여 또는 실제 측정에 전혀 기반하지 않고 생성될 수 있다.
합성 계측 데이터를 생성하는 또 다른 방법은 관심 애플리케이션 이외의 애플리케이션과 연관된 특성(지문/드리프트)을 기반으로 할 수 있지만, 관심 애플리케이션과 다른 애플리케이션 간의 공통성으로 인해 특성 거동에 공통성이 있는 것으로 가정될 수 있다. 예를 들어, 특정 프로세스 또는 층에 대한 합성 데이터는 프로세스들 또는 층들 간의 알려진 공통성(예를 들어, 공유되는 처리 스테이션/컨텍스트)으로 인해 다른 프로세스 또는 층의 계측 데이터로부터 도출될 수 있다.
합성 계측 데이터는 모델(예컨대, 뉴럴 네트워크)을 더 신속하게 트레이닝하기 위해 사용될 수 있는 가변성/거동을 도입하여, 관심 있는 프로세스를 대표하는 현실적으로 발생하는 프로세스 변동에 대해 모델이 미리 트레이닝되도록 한다.
AI 시스템이 트레이닝되고 사용 중이면, 실제 계측 데이터(예컨대, 생산 중에 생성됨)를 수신하면서 학습을 계속할 수 있다. 그 다음으로, 트레이닝 데이터에서 예상되지 않았을 수도 있는 다른 특정한 거동으로부터 학습할 것이다. 이러한 추가 계측 데이터를 통해 시스템은 필요한 경우 그 출력을 더 미세하게 튜닝할 수 있을 것이다. 이는 합성 데이터가 실제 생산 조건에서 발생하는 모든 거동을 커버하지 않을 수 있기 때문에 유리할 수 있다.
도 3는 이러한 방법을 기술하는 흐름도이다. 프로세스(300)의 알려진 거동 특성 및 (선택적으로) 계측 데이터(305)는 트레이닝 데이터(315)를 얻기 위해 합성 데이터(310)를 생성하는 데 사용된다(트레이닝 데이터(315)는 또한 실제 계측 데이터(300)를 포함할 수 있다). 생성 단계(310)는 본 명세서에 개시된 합성 트레이닝 데이터를 생성하기 위한 임의의 방법을 사용할 수도 있다. 모델 트레이닝 단계(320)는 트레이닝 데이터(315)를 이용해 뉴럴 네트워크 등의 모델을 트레이닝하여 트레이닝된 모델(325)을 획득할 수 있다.
단계 330에서, 트레이닝된 모델은 이미 기술된 바와 같이 제어 어드바이스(335)를 제공하기 위해 사용된다. 이것은 특정한 사용 사례(예를 들어, 특정한 제품 및 층 조합)에 대한 어드바이스된 제어 전략(또는 다수의 순위설정된 전략)을 포함할 수 있다. 이것은 어떤 제어 컴포넌트가 선호될 수 있는지(예를 들어, 특정 소프트웨어 및/또는 하드웨어 툴) 및/또는 제어 컴포넌트별 설정에 대한 어드바이스를 포함할 수 있다. 이 단계는 또한 리소그래피 프로세스의 결과물을 예측하는 것을 포함할 수 있고 그에 대해 어드바이스할 수 있다. 단계 340에서, 피드백 데이터(345)가 수집될 수 있다. 피드백 데이터는 제어 사용 사례, 예를 들어 특정 제품 및 층 조합마다 특정적일 수 있으며, 선택되는 해당 제어 전략과 함께, 트레이닝된 모델에 의해 결정된 제어 전략을 거치는 기판으로부터의 계측 정보를 포함한다. 피드백 데이터(345)는 임의의 다른 관련 정보(예를 들어, 제어/어드바이스 되고 있는 프로세스의 구조 및/또는 스택과 관련되고 및/또는 이러한 구조 및/또는 스택을 기술하는 정보)를 포함할 수 있다. 이러한 피드백 데이터(345)는 모델(325)로 피드백될 수 있으며, 모델(325)은 자체 개선되도록 평가하고 학습할 수 있다(예를 들어, 대응하는 계측에 기초하여 특정한 제어 전략의 효율을 결정함). 본 발명의 추가 실시예는 아래의 번호가 매겨진 조항의 목록으로 제시된다:
1. 합성 계측 데이터를 포함하는 트레이닝 데이터 세트를 획득하기 위한 방법으로서, 상기 트레이닝 데이터 세트는 집적 회로를 제조하기 위한 제조 프로세스와 관련된 모델의 트레이닝을 위해 구성된 것이며, 방법은:
제조 프로세스 및/또는 관련 툴 또는 영향으로부터 기인하는 프로세스 파라미터의 거동을 기술하는 거동 특성 데이터를 획득하는 단계, 및/또는 상기 제조 프로세스 및/또는 유사한 제조 프로세스에 의해 형성된 구조체 상에서 수행되는 계측 데이터를 획득하는 단계;
상기 거동 특성 데이터 및/또는 계측 데이터로부터, 상기 제조 프로세스 및/또는 관련 툴 또는 영향에 있어서의 변동이 상기 프로세스 파라미터에 대해 미치는 영향을 기술하는 상기 합성 계측 데이터를 결정하는 단계; 및
상기 합성 계측 데이터를 포함하는 상기 트레이닝 데이터 세트를 사용하여 상기 모델을 트레이닝하는 단계를 포함하는 방법.
2. 제1조항에 있어서, 상기 모델은 뉴럴 네트워크에 기초하는 방법.
3. 제1조항 또는 제2조항에 있어서, 거동 특성 데이터는: 임의의 툴 또는 영향에 의해 부과되는 공간적 파라미터 분포, 임의의 파라미터, 컨텍스트 또는 컨텍스트 입도(granularity)의 시간적 노이즈/드리프트, 서로 다른 데이터 유형들 간의 관계 및/또는 유사한 프로세스들 간의 관계, 및 시스템이 응답해야 하는 예측된 이벤트 중 하나 이상과 관련된 데이터를 포함하는 방법.
4. 제1조항 내지 제3조항 중 어느 한 조항에 있어서, 상기 합성 계측 데이터는 상기 거동 특성 데이터 및 상기 계측 데이터 모두로부터 결정되는 방법.
5. 제4조항에 있어서, 상기 트레이닝 데이터 세트는 상기 합성 계측 데이터 및 상기 계측 데이터 모두를 포함하는 방법.
6. 제1조항 내지 제5조항 중 어느 한 조항에 있어서, 상기 합성 계측 데이터를 결정하는 단계는 외삽된 프로세스 파라미터 값을 얻기 위해 시간에 걸쳐 거동 특성을 보간 및/또는 외삽하는 단계를 포함하는 방법.
7. 제1조항 내지 제6조항 중 어느 한 조항에 있어서, 상기 합성 계측 데이터를 결정하는 단계는 한 유형의 계측 데이터를 다른 유형의 계측 데이터로 변환하는 단계를 포함하는 방법.
8. 제1조항 내지 제7조항 중 어느 한 조항에 있어서, 상기 합성 계측 데이터를 결정하는 단계는 관심 애플리케이션 이외의 하나 이상의 애플리케이션과 연관된 거동 특성 데이터 및/또는 계측 데이터에 기초하되, 이는 상기 하나 이상의 애플리케이션과 상기 관심 애플리케이션 사이의 특징적인 거동의 공통성으로 인한 것이라 가정되는 방법.
9. 제1조항에 내지 제8조항 중 어느 한 조항에 있어서, 상기 합성 계측 데이터는 제조 프로세스의 처리 스테이션의 서로 상이한 조합에 대해 생성되는 방법.
10. 제1조항 내지 제9조항 중 어느 한 조항에 있어서, 제조 프로세스와 관련된 계측 디바이스에 제조 프로세스의 양상에 대해 어드바이스하기 위해 상기 모델을 사용하는 동안, 모델로부터의 대응하는 어드바이스가 피드백 데이터로서 피드백되어 모델을 추가로 트레이닝하는 방법.
11. 제10조항에 있어서, 피드백 데이터는 제조 프로세스에서 형성된 실제 구조체 또는 스택에 관련된 데이터를 더 포함하는 방법.
12. 제1조항 내지 제11조항 중 어느 한 조항에 있어서, 상기 모델은 제조 프로세스의 제어를 위한 선호되는 제어 전략을 결정하도록 구성되는 방법.
13. 제1조항 내지 제12조항 중 어느 한 조항에 있어서, 상기 선호되는 제어 전략과 연관된 제어 레시피를 더 제공하는 방법.
14. 제1조항 내지 제13조항 중 어느 한 조항에 있어서, 상기 모델은 제조 프로세스와 관련된 프로세스 데이터에 기초하여 복수의 후보 제어 전략을 평가하도록 구성되는 방법.
15. 제14조항에 있어서, 평가 단계는 품질 메트릭에 대한 오차 함수를 최소화함으로써 구현되는 방법.
16. 제14조항 또는 제15조항에 있어서, 상기 모델은 비용 메트릭 데이터에 기초하여 복수의 후보 제어 전략을 평가하도록 구성되고, 상기 비용 메트릭 데이터는 상기 후보 제어 전략에 대한 연관된 비용 메트릭을 포함하는 방법.
17. 제1조항 내지 제16조항 중 어느 한 조항에 있어서, 상기 선호되는 제어 전략과 연관된 제어 레시피를 더 제공하는 방법.
18. 적합한 장치에서 실행될 때, 제1조항 내지 제17조항 중 어느 한 조항에 따른 방법을 수행하도록 동작 가능한 프로그램 명령을 포함하는 컴퓨터 프로그램.
19. 제18조항의 컴퓨터 프로그램을 포함하는 비일시적 컴퓨터 프로그램 캐리어.
물리적 레티클 형태의 패터닝 디바이스에 관해 설명하였지만, 본 출원에서 "패터닝 디바이스"라는 용어는 예를 들어 프로그램 가능한 패터닝 디바이스와 함께 사용되는 디지털 형태의 패턴을 전달하는 데이터 제품도 포함한다.
광학 리소그래피의 맥락에서 본 발명의 실시예를 이용하는 것에 대해 특별히 언급하였지만, 본 발명은 다른 응용예, 예를 들어 임프린트 리소그래피에서도 이용될 수 있고, 문맥이 허용하는 한 광학 리소그래피로 제한되지 않음이 인식될 것이다. 임프린트 리소그래피에서 패터닝 디바이스의 토포그래피는 기판 상에 생성되는 패턴을 규정한다. 패터닝 디바이스의 토포그래피는 기판에 공급된 레지스트 층으로 가압될 수 있고, 레지스트는 전자기 방사선, 열, 압력 또는 이들의 조합을 가함으로써 경화된다. 패터닝 디바이스는 레지스트가 경화된 후 레지스트로부터 분리되어 레지스트에 패턴을 남겨둔다.
리소그래피 장치와 관련하여 사용된 "방사선" 및 "빔"이라는 용어는, 자외(UV)선(예컨대, 약 365, 355, 248, 193, 157, 또는 126 nm의 파장을 가짐) 및 극자외(EUV)선(예컨대, 5-20 nm 범위의 파장을 가짐)을 포함하는 모든 타입의 전자기 방사선 뿐만 아니라 이온 빔 또는 전자 빔 등의 입자 빔을 포괄한다.
문맥이 허용하는 경우, "렌즈"라는 용어는 굴절형, 반사형, 자기형, 전자기형 및 정전형 광학 컴포넌트를 포함하는 다양한 타입의 광학 컴포넌트 중 어느 하나 또는 그 조합을 지칭할 수도 있다.
특정 실시예에 대한 전술한 설명은 본 발명의 일반적인 본질을 충분히 드러낼 것이므로, 당업계 내의 지식을 적용함으로써, 과도한 실험없이, 본 발명의 일반적인 개념을 벗어나지 않고도, 이러한 특정 실시예를 용이하게 수정하고 및/또는 다양한 응용을 위해 적응시킬 수 있을 것이다. 그러므로, 그러한 적응예 및 수정예는 여기에 제시된 교시 및 지침에 기초하여 개시된 실시예의 등가물의 의미 및 범위 내에 있는 것으로 의도된다. 본 명세서의 어구 또는 용어는 이러한 교시 및 지침에 비추어 당업자에 의해 해석될 수 있도록 예시적인 설명을 하기 위한 것이지 한정하기 위한 것이 아님을 이해해야 한다.
본 발명의 범위 및 폭은 전술한 예시적인 실시예들 중 어느 것에 의해서도 제한되어서는 안 되며, 다음의 청구범위 및 그 균등범위에 따라서만 규정되어야 한다.
Claims (14)
- 합성 계측 데이터를 포함하는 트레이닝 데이터 세트를 획득하기 위한 방법으로서, 상기 트레이닝 데이터 세트는 집적 회로를 제조하기 위한 제조 프로세스와 관련된 모델의 트레이닝을 위해 구성된 것이며, 방법은:
제조 프로세스 및/또는 관련 툴 또는 영향으로부터 기인하는 프로세스 파라미터의 거동을 기술하는 거동 특성 데이터를 획득하는 단계;
상기 거동 특성 데이터로부터, 상기 제조 프로세스 및/또는 관련 툴 또는 영향에 있어서의 변동이 상기 프로세스 파라미터에 대해 미치는 영향을 기술하는 상기 합성 계측 데이터를 결정하는 단계; 및
상기 합성 계측 데이터를 포함하는 상기 트레이닝 데이터 세트를 사용하여 상기 모델을 트레이닝하는 단계를 포함하는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항에 있어서,
상기 모델은 뉴럴 네트워크에 기초하는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항 또는 제2항에 있어서,
거동 특성 데이터는: 임의의 툴 또는 영향에 의해 부과되는 공간적 파라미터 분포, 임의의 파라미터, 컨텍스트 또는 컨텍스트 입도(granularity)의 시간적 노이즈/드리프트, 서로 다른 데이터 유형들 간의 관계 및/또는 유사한 프로세스들 간의 관계, 및 시스템이 응답해야 하는 예측된 이벤트 중 하나 이상과 관련된 데이터를 포함하는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항에 있어서,
상기 합성 계측 데이터를 결정하는 단계는 외삽된 프로세스 파라미터 값을 얻기 위해 시간에 걸쳐 거동 특성을 보간 및/또는 외삽하는 단계를 포함하는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항에 있어서,
상기 합성 계측 데이터를 결정하는 단계는 관심 애플리케이션 이외의 하나 이상의 애플리케이션과 연관된 거동 특성 데이터에 기초하되, 이는 상기 하나 이상의 애플리케이션과 상기 관심 애플리케이션 사이의 특징적인 거동의 공통성으로 인한 것이라 가정되는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항에 있어서,
상기 합성 계측 데이터는 제조 프로세스의 처리 스테이션의 서로 상이한 조합에 대해 생성되는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항에 있어서,
제조 프로세스와 관련된 계측 디바이스에 제조 프로세스의 양상에 대해 어드바이스하기 위해 상기 모델을 사용하는 동안, 모델로부터의 대응하는 어드바이스가 피드백 데이터로서 피드백되어 모델을 추가로 트레이닝하는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항에 있어서,
상기 모델은 제조 프로세스의 제어를 위한 선호되는 제어 전략을 결정하도록 구성되는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항에 있어서,
상기 선호되는 제어 전략과 연관된 제어 레시피를 더 제공하는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제1항에 있어서,
상기 모델은 제조 프로세스와 관련된 프로세스 데이터에 기초하여 복수의 후보 제어 전략을 평가하도록 구성되는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제10항에 있어서,
평가 단계는 품질 메트릭에 대한 오차 함수를 최소화함으로써 구현되는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 제10항 또는 제11항에 있어서,
상기 모델은 비용 메트릭 데이터에 기초하여 복수의 후보 제어 전략을 평가하도록 구성되고, 상기 비용 메트릭 데이터는 상기 후보 제어 전략에 대한 연관된 비용 메트릭을 포함하는, 트레이닝 데이터 세트를 획득하기 위한 방법. - 적합한 장치에서 실행될 때, 제1항에 따른 방법을 수행하도록 동작 가능한 프로그램 명령을 포함하는 컴퓨터 프로그램.
- 제13항에 따른 컴퓨터 프로그램을 포함하는 비일시적인 컴퓨터 프로그램 캐리어.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18206285.1 | 2018-11-14 | ||
| EP18206285.1A EP3654103A1 (en) | 2018-11-14 | 2018-11-14 | Method for obtaining training data for training a model of a semicondcutor manufacturing process |
| PCT/EP2019/076072 WO2020099011A1 (en) | 2018-11-14 | 2019-09-26 | Method for obtaining training data for training a model of a semiconductor manufacturing process |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210075156A true KR20210075156A (ko) | 2021-06-22 |
| KR102555174B1 KR102555174B1 (ko) | 2023-07-12 |
Family
ID=64316423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217014418A KR102555174B1 (ko) | 2018-11-14 | 2019-09-26 | 반도체 제조 프로세스의 모델을 트레이닝하기 위한 트레이닝 데이터 획득 방법 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20210405544A1 (ko) |
| EP (1) | EP3654103A1 (ko) |
| KR (1) | KR102555174B1 (ko) |
| CN (1) | CN113168108A (ko) |
| TW (2) | TWI720654B (ko) |
| WO (1) | WO2020099011A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023076080A1 (en) * | 2021-10-25 | 2023-05-04 | Kla Corporation | Continuous machine learning model training for semiconductor manufacturing |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210278827A1 (en) * | 2020-03-09 | 2021-09-09 | Board Of Trustees Of Michigan State University | Systems And Method For Dimensionally Aware Rule Extraction |
| US12020961B2 (en) * | 2020-06-22 | 2024-06-25 | Lavorro, Inc. | Automated assistance in a semiconductor manufacturing environment |
| EP3944020A1 (en) * | 2020-07-20 | 2022-01-26 | ASML Netherlands B.V. | Method for adjusting a patterning process |
| US20230273529A1 (en) * | 2020-07-09 | 2023-08-31 | Asml Netherlands B.V. | Method for adjusting a patterning process |
| US11532525B2 (en) * | 2021-03-03 | 2022-12-20 | Applied Materials, Inc. | Controlling concentration profiles for deposited films using machine learning |
| EP4113210A1 (en) * | 2021-07-01 | 2023-01-04 | ASML Netherlands B.V. | A method of monitoring a measurement recipe and associated metrology methods and apparatuses |
| US20230096706A1 (en) * | 2021-09-27 | 2023-03-30 | Applied Materials, Inc. | Model-based characterization of plasmas in semiconductor processing systems |
| WO2023117238A1 (en) * | 2021-12-20 | 2023-06-29 | Carl Zeiss Smt Gmbh | Measurement method and apparatus for semiconductor features with increased throughput |
| US20230255527A1 (en) * | 2022-01-18 | 2023-08-17 | Informed Data Systems Inc. D/B/A One Drop | Wearable electronic biosensors and manufacturing methods |
| EP4231096A1 (en) * | 2022-02-21 | 2023-08-23 | ASML Netherlands B.V. | Methods of metrology |
| WO2023156143A1 (en) * | 2022-02-21 | 2023-08-24 | Asml Netherlands B.V. | Methods of metrology |
| US20230281439A1 (en) * | 2022-03-07 | 2023-09-07 | Applied Materials, Inc. | Synthetic time series data associated with processing equipment |
| US20230359172A1 (en) * | 2022-05-03 | 2023-11-09 | Nanya Technology Corporation | Method for controlling etching tool |
| EP4357854A1 (en) | 2022-10-20 | 2024-04-24 | ASML Netherlands B.V. | Method of predicting a parameter of interest in a semiconductor manufacturing process |
| DE102022132705A1 (de) | 2022-12-08 | 2024-06-13 | Carl Zeiss Microscopy Gmbh | Verfahren zum Erzeugen eines Grabens in einer Probe und Computerprogrammprodukt |
| CN117726295B (zh) * | 2023-12-21 | 2024-09-13 | 弘大芯源(深圳)半导体有限公司 | 一种光磁电半导体器件一体化智能制造系统与方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004031875A1 (en) * | 2002-09-30 | 2004-04-15 | Tokyo Electron Limited | Method and apparatus for the monitoring and control of a semiconductor manufacturing process |
| WO2005106656A2 (en) * | 2004-04-16 | 2005-11-10 | Fortelligent, Inc. | Predictive modeling |
| US20090157577A1 (en) * | 2007-12-18 | 2009-06-18 | Siddharth Chauhan | Method and apparatus for optimizing models for extracting dose and focus from critical dimension |
| US20160117812A1 (en) * | 2014-10-28 | 2016-04-28 | Kla-Tencor Corporation | Image Based Signal Response Metrology |
| KR20180005200A (ko) * | 2015-05-08 | 2018-01-15 | 케이엘에이-텐코 코포레이션 | 모델 기반의 핫 스팟 모니터링 |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7791727B2 (en) | 2004-08-16 | 2010-09-07 | Asml Netherlands B.V. | Method and apparatus for angular-resolved spectroscopic lithography characterization |
| US7373215B2 (en) * | 2006-08-31 | 2008-05-13 | Advanced Micro Devices, Inc. | Transistor gate shape metrology using multiple data sources |
| US7949490B2 (en) * | 2007-08-30 | 2011-05-24 | Tokyo Electron Limited | Determining profile parameters of a structure using approximation and fine diffraction models in optical metrology |
| US8149384B2 (en) * | 2007-12-17 | 2012-04-03 | Advanced Micro Devices, Inc. | Method and apparatus for extracting dose and focus from critical dimension data |
| NL1036245A1 (nl) | 2007-12-17 | 2009-06-18 | Asml Netherlands Bv | Diffraction based overlay metrology tool and method of diffraction based overlay metrology. |
| NL1036597A1 (nl) | 2008-02-29 | 2009-09-01 | Asml Netherlands Bv | Metrology method and apparatus, lithographic apparatus, and device manufacturing method. |
| NL1036857A1 (nl) | 2008-04-21 | 2009-10-22 | Asml Netherlands Bv | Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method. |
| NL2004094A (en) | 2009-02-11 | 2010-08-12 | Asml Netherlands Bv | Inspection apparatus, lithographic apparatus, lithographic processing cell and inspection method. |
| CN102498441B (zh) | 2009-07-31 | 2015-09-16 | Asml荷兰有限公司 | 量测方法和设备、光刻系统以及光刻处理单元 |
| NL2005192A (en) | 2009-08-24 | 2011-02-28 | Asml Netherlands Bv | Metrology method and apparatus, lithographic apparatus, device manufacturing method and substrate. |
| WO2012022584A1 (en) | 2010-08-18 | 2012-02-23 | Asml Netherlands B.V. | Substrate for use in metrology, metrology method and device manufacturing method |
| JP5661194B2 (ja) | 2010-11-12 | 2015-01-28 | エーエスエムエル ネザーランズ ビー．ブイ． | メトロロジ方法及び装置、リソグラフィシステム並びにデバイス製造方法 |
| US8577820B2 (en) * | 2011-03-04 | 2013-11-05 | Tokyo Electron Limited | Accurate and fast neural network training for library-based critical dimension (CD) metrology |
| US20130110477A1 (en) * | 2011-10-31 | 2013-05-02 | Stilian Pandev | Process variation-based model optimization for metrology |
| KR101761735B1 (ko) | 2012-03-27 | 2017-07-26 | 에이에스엠엘 네델란즈 비.브이. | 메트롤로지 방법 및 장치, 리소그래피 시스템 및 디바이스 제조 방법 |
| NL2010458A (en) | 2012-04-16 | 2013-10-17 | Asml Netherlands Bv | Lithographic apparatus, substrate and device manufacturing method background. |
| JP6077647B2 (ja) | 2012-05-29 | 2017-02-08 | エーエスエムエル ネザーランズ ビー．ブイ． | メトロロジー方法及び装置、基板、リソグラフィシステム並びにデバイス製造方法 |
| US10152654B2 (en) * | 2014-02-20 | 2018-12-11 | Kla-Tencor Corporation | Signal response metrology for image based overlay measurements |
| US10430719B2 (en) * | 2014-11-25 | 2019-10-01 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
| KR102521159B1 (ko) * | 2014-11-25 | 2023-04-13 | 피디에프 솔루션즈, 인코포레이티드 | 반도체 제조 공정을 위한 개선된 공정 제어 기술 |
| CN108431695B (zh) * | 2015-12-24 | 2020-07-21 | Asml荷兰有限公司 | 控制图案形成过程的方法、器件制造方法、用于光刻设备的控制系统以及光刻设备 |
| US20170256465A1 (en) * | 2016-03-01 | 2017-09-07 | Asml Netherlands B.V. | Method and apparatus to determine a patterning process parameter |
| KR20190015553A (ko) * | 2016-06-09 | 2019-02-13 | 에이에스엠엘 네델란즈 비.브이. | 계측 장치 |
| US20180196349A1 (en) * | 2017-01-08 | 2018-07-12 | Mentor Graphics Corporation | Lithography Model Calibration Via Genetic Algorithms with Adaptive Deterministic Crowding and Dynamic Niching |
| EP3382606A1 (en) * | 2017-03-27 | 2018-10-03 | ASML Netherlands B.V. | Optimizing an apparatus for multi-stage processing of product units |
| JP6525044B1 (ja) * | 2017-12-13 | 2019-06-05 | オムロン株式会社 | 監視システム、学習装置、学習方法、監視装置及び監視方法 |
-
2018
- 2018-11-14 EP EP18206285.1A patent/EP3654103A1/en not_active Withdrawn
-
2019
- 2019-09-26 WO PCT/EP2019/076072 patent/WO2020099011A1/en active Application Filing
- 2019-09-26 KR KR1020217014418A patent/KR102555174B1/ko active IP Right Grant
- 2019-09-26 CN CN201980074980.0A patent/CN113168108A/zh active Pending
- 2019-09-26 US US17/289,290 patent/US20210405544A1/en active Pending
- 2019-10-16 TW TW108137300A patent/TWI720654B/zh active
- 2019-10-16 TW TW110102411A patent/TWI767529B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004031875A1 (en) * | 2002-09-30 | 2004-04-15 | Tokyo Electron Limited | Method and apparatus for the monitoring and control of a semiconductor manufacturing process |
| WO2005106656A2 (en) * | 2004-04-16 | 2005-11-10 | Fortelligent, Inc. | Predictive modeling |
| US20090157577A1 (en) * | 2007-12-18 | 2009-06-18 | Siddharth Chauhan | Method and apparatus for optimizing models for extracting dose and focus from critical dimension |
| US20160117812A1 (en) * | 2014-10-28 | 2016-04-28 | Kla-Tencor Corporation | Image Based Signal Response Metrology |
| KR20180005200A (ko) * | 2015-05-08 | 2018-01-15 | 케이엘에이-텐코 코포레이션 | 모델 기반의 핫 스팟 모니터링 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023076080A1 (en) * | 2021-10-25 | 2023-05-04 | Kla Corporation | Continuous machine learning model training for semiconductor manufacturing |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI767529B (zh) | 2022-06-11 |
| CN113168108A (zh) | 2021-07-23 |
| EP3654103A1 (en) | 2020-05-20 |
| TWI720654B (zh) | 2021-03-01 |
| TW202036168A (zh) | 2020-10-01 |
| WO2020099011A1 (en) | 2020-05-22 |
| US20210405544A1 (en) | 2021-12-30 |
| TW202119138A (zh) | 2021-05-16 |
| KR102555174B1 (ko) | 2023-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102555174B1 (ko) | 반도체 제조 프로세스의 모델을 트레이닝하기 위한 트레이닝 데이터 획득 방법 | |
| KR102469136B1 (ko) | 리소그래피 프로세스 및 장치, 그리고 검사 프로세스 및 장치 | |
| KR102336390B1 (ko) | 제품 유닛의 다중-스테이지 처리를 위한 장치 최적화 | |
| TW201830155A (zh) | 用於控制工業製程的方法與設備 | |
| US11372338B2 (en) | Method for evaluating control strategies in a semiconductor manufacturing process | |
| TW201928527A (zh) | 用於控制微影設備之方法及與相關裝置 | |
| KR20200077592A (ko) | 제조 장치 및 연관된 장치를 제어하는 방법 | |
| CN113678063A (zh) | 光刻工艺的子场控制和相关设备 | |
| EP3547029A1 (en) | Control method for a scanning exposure apparatus | |
| CN112585538B (zh) | 用于控制制造过程的方法及相关联的设备 | |
| TWI749607B (zh) | 微影製程之子場控制及相關聯裝置 | |
| EP3767391A1 (en) | Sub-field control of a lithographic process and associated apparatus | |
| TWI856277B (zh) | 用於判定用於在基板之曝光場上曝光圖案之微影製程的子場控制之場內校正之方法及相關聯電腦程式及非暫態電腦程式載體 | |
| EP3547030A1 (en) | Method for evaluating control strategies in a semicondcutor manufacturing process | |
| US20240061353A1 (en) | Method for determining a focus actuation profile for one or more actuators of a lithographic exposure apparatus | |
| TW202403460A (zh) | 用於判定在至少一基板或其部分上之一所關注參數之一空間分佈之方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |