KR20210134975A - 설비 위치들 사이에서 예측 모델을 조절하기 위한 시스템 및 방법 - Google Patents

설비 위치들 사이에서 예측 모델을 조절하기 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20210134975A
KR20210134975A KR1020217032644A KR20217032644A KR20210134975A KR 20210134975 A KR20210134975 A KR 20210134975A KR 1020217032644 A KR1020217032644 A KR 1020217032644A KR 20217032644 A KR20217032644 A KR 20217032644A KR 20210134975 A KR20210134975 A KR 20210134975A
Authority
KR
South Korea
Prior art keywords
model
predictive model
updated
data
training
Prior art date
Application number
KR1020217032644A
Other languages
English (en)
Other versions
KR102648599B1 (ko
Inventor
아르노 위보
요하네스 온브리
Original Assignee
에이에스엠엘 네델란즈 비.브이.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from EP19175717.8A external-priority patent/EP3742229A1/en
Application filed by 에이에스엠엘 네델란즈 비.브이. filed Critical 에이에스엠엘 네델란즈 비.브이.
Publication of KR20210134975A publication Critical patent/KR20210134975A/ko
Application granted granted Critical
Publication of KR102648599B1 publication Critical patent/KR102648599B1/ko

Links

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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G03F7/70058—Mask illumination systems
    • G03F7/7015—Details of optical elements
    • G03F7/70175—Lamphouse reflector arrangements or collector mirrors, i.e. collecting light from solid angle upstream of the light source
    • 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
    • G03F7/70216—Mask projection systems
    • G03F7/70283—Mask effects on the imaging process
    • 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
    • G03F7/708—Construction of apparatus, e.g. environment aspects, hygiene aspects or materials
    • G03F7/70908—Hygiene, e.g. preventing apparatus pollution, mitigating effect of pollution or removing pollutants from apparatus
    • G03F7/70916—Pollution mitigation, i.e. mitigating effect of contamination or debris, e.g. foil traps
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32335—Use of ann, neural network
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

반도체 제조 프로세스를 구성하기 위한 방법으로서, 복수 개의 모델 파라미터를 포함하는 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 단계; 적어도 하나의 모델 파라미터가 업데이트되도록, 상기 초기 예측 모델을 상기 하나 이상의 원격 위치에서의 로컬 데이터로 훈련시키는 단계; 상기 하나 이상의 원격 위치로부터 적어도 하나의 업데이트된 모델 파라미터를 수신하는 단계; 상기 하나 이상의 원격 위치로부터 수신된 적어도 하나의 업데이트된 모델 파라미터에 기반하여 집합화된(aggregated) 모델 파라미터를 결정하는 단계; 및 상기 초기 예측 모델을 상기 집합화된 모델 파라미터에 기반하여 조절하는 단계 - 조절된 예측 모델은 상기 반도체 제조 프로세스를 구성하도록 동작가능함 -를 포함하는, 반도체 제조 프로세스 구성 방법이 기술된다.

Description

설비 위치들 사이에서 예측 모델을 조절하기 위한 시스템 및 방법
관련 출원에 대한 상호 참조
본 출원은 2018 년 4 월 9 일에 출원된 EP 출원 번호 제 19168014.9 및 2019 년 5 월 21 일에 출원된 EP 출원 번호 제 19175717.8의 우선권을 주장하고 이들은 그 전체 내용이 원용되어 본원에 통합된다.
본 명세서의 설명은 일반적으로 패터닝 프로세스에 관한 것이다. 특히, 본 발명은 설비 위치들 사이에서 예측 모델을 조절하기 위한 시스템 및 방법에 관한 것이다.
리소그래피 투영 장치는, 예컨대 집적회로(IC)의 제조 시에 사용될 수 있다. 이러한 경우에서, 패터닝 디바이스(예를 들어, 마스크)는 IC의 개별 층에 대응하는 패턴("설계 레이아웃")을 보유 또는 제공할 수 있고, 이러한 패턴은, 타겟부를 패터닝 디바이스 상의 패턴을 통해서 조사하는 것과 같은 방법에 의하여, 방사선-감응 재료("레지스트")의 층으로 코팅된 기판(예를 들어, 실리콘 웨이퍼) 상의 타겟부(예를 들어 하나 이상의 다이를 포함함)로 전사될 수 있다. 일반적으로, 단일 기판은 리소그래피 투영 장치에 의하여 패턴이 한번에 하나의 타겟부씩 연속적으로 전달될 복수 개의 인접한 타겟부를 포함한다. 리소그래피 투영 장치의 하나의 타입에서, 전체 패터닝 디바이스 상의 패턴은 한 번에 하나의 타겟부 상에 전사된다. 이러한 장치는 일반적으로 스테퍼라고 불린다. 일반적으로 스텝-앤-스캔 장치라고 불리는 다른 장치에서는, 기판을 기준 방향에 대해 병렬 또는 역병렬로 이동시키는 것과 동시에 투영 빔은 주어진 기준 방향("스캐닝" 방향)에서 패터닝 디바이스 위를 스캐닝한다. 패터닝 디바이스 상의 패턴의 다른 부분들이 점진적으로 하나의 타겟부로 전사된다. 따라서, 일반적으로, 리소그래피 투영 장치는 확대 인자 M(일반적으로 4 미만임)을 가질 것이고, 기판이 이동되는 속도 F는 투영 빔이 패터닝 디바이스를 스캔하는 속도에 인자 1/M을 곱한 것일 것이다. 본 명세서에서 설명된 바와 같은 리소그래피 디바이스에 대한 더 많은 정보는 예를 들어 US 6,046,792 호에서 찾을 수 있는데 이것은 본 명세서에서 원용에 의해 통합된다.
패터닝 디바이스로부터 기판으로 패턴을 전사하기 이전에, 기판은 레지스트 코팅 및 소프트 베이크(soft bake)와 같은 다양한 프로시저를 거칠 수 있다. 노광 이후에, 기판은 노광-후 베이크(post-exposure bake; PEB), 현상, 하드 베이크 및 전사된 패턴의 측정/검사와 같은 다른 프로시저("노광후 프로시저")를 거칠 수 있다. 프로시저들의 이러한 어레이는 디바이스, 예를 들어 IC의 각 층을 제작하는 기초로서 사용된다. 그러면, 기판은 모두 디바이스의 각 층을 마감하기 위한 것인, 에칭, 이온-주입(도핑), 금속화(금속), 산화, 화학-기계적 연마 등과 같은 다양한 프로세스를 거칠 수도 있다. 디바이스 내에 여러 층들이 필요하다면, 전체 프로시저, 또는 그의 변형이 각 층에 대해 반복된다. 결국, 디바이스는 기판 상의 각각의 타겟부에 존재하게 될 것이다. 그러면 이러한 디바이스들은 다이싱 또는 소잉과 같은 기법에 의하여 서로 분리되고, 디바이스들 각각에 캐리어 상 탑재, 핀에 연결 등의 공정이 수행될 수 있다.
따라서, 반도체 디바이스와 같은 디바이스를 제조하는 것은, 통상적으로 여러 제조 프로세스를 사용하여 기판(예를 들어, 반도체 웨이퍼)을 처리하여 디바이스의 다양한 피쳐 및 다수의 층을 형성하는 것을 수반한다. 이러한 층들과 피쳐는 통상적으로, 예를 들어 증착, 리소그래피, 에칭, 화학-기계적 연마, 및 이온 주입을 사용하여 제작되고 처리된다. 다수의 디바이스는 기판 상의 복수 개의 다이 위에 제작된 후 개개의 디바이스로 분할될 수 있다. 이러한 디바이스 제조 프로세스는 패터닝 프로세스라고 여겨질 수 있다. 패터닝 프로세스는 기판 상에 패터닝 디바이스의 패턴을 전사하기 위한, 리소그래피 장치 내의 패터닝 디바이스를 사용한 광학 및/또는 나노주입 리소그래피와 같은 패터닝 단계와, 통상적이지만 선택적으로, 현상 장치에 의한 레지스트 현상, 베이크 툴을 사용한 기판의 베이킹, 에칭 장치를 사용하여 수행되는 패턴을 사용한 에칭 등과 같은 하나 이상의 관련된 패턴 처리 단계를 수반한다. 통상적으로 하나 이상의 계측 프로세스가 패터닝 프로세스에 수반된다.
언급된 바와 같이, 리소그래피는 IC와 같은 디바이스의 제조의 중심 단계이고, 여기에서 기판 상에 형성된 패턴이 디바이스의 기능성 요소, 예컨대 마이크로프로세서, 메모리 칩 등을 형성한다. 유사한 리소그래피 기법은 평판 디스플레이, 마이크로-전기 기계 시스템(MEMS) 및 다른 디바이스를 형성하는 데에도 사용된다.
반도체 제조 프로세스가 계속하여 발전함에 따라, 디바이스 당 트랜지스터와 같은 기능성 소자들의 양은 일반적으로 "무어(Moore)의 법칙"이라고 불리는 경향을 따라서 수 십 년에 걸쳐 지속적으로 증가하는 반면에, 기능성 소자들의 치수는 계속하여 감소되어 왔다. 현재의 기술 수준에서, 디바이스의 층들은, 설계 레이아웃을 심-자외선 조명 소스로부터의 조명을 사용하여 기판 상에 투영하는 리소그래피 투영 장치를 사용하여 제조되어, 100 nm보다 훨씬 적은, 즉 조명 소스(예를 들어, 193 nm 조명 소스)로부터의 방사선의 반파장보다 적은 치수를 가지는 각각의 기능성 소자를 생성한다.
리소그래피 투영 장치의 종래의 분해능 한계보다 작은 차원의 피쳐들이 인쇄되는 이러한 프로세스는 일반적으로 분해능 공식 CD = k1×λ/NA에 따른 저-k1 리소그래피라고 알려져 있고, 여기에서 λ 는 채용된 방사선의 파장이고(현재 대부분의 경우에 248nm 또는 193nm임), NA는 리소그래피 투영 장치 내의 투영 광학기의 개구수이며, CD는 "임계 치수"-일반적으로는 인쇄된 최소 피쳐 크기-이고, k1은 실험에 따른 분해능 인자이다. 일반적으로, k1이 더 작을수록 특정한 전기적 기능성과 성능을 얻기 위해서 디자이너에 의하여 계획된 형상과 치수를 닮은 패턴을 기판 상에 재현하는 것은 더 어려워진다. 이러한 문제점을 해결하기 위하여, 복잡한 미세-튜닝 단계들이 리소그래피 투영 장치, 설계 레이아웃, 또는 패터닝 디바이스에 적용된다. 예를 들어, 이것은 NA, 광학적 코히어런스 설정, 맞춤화된 조명 방식, 위상 천이 패터닝 디바이스의 사용, 설계 레이아웃에서의 광학 근접 정정(optical proximity correction; OPC, 가끔 "광학 및 프로세스 정정"이라고도 불림)의 최적화, 또는 일반적으로 "분해능 향상 기법(resolution enhancement techniques; RET)"이라고 규정되는 다른 방법을 포함하지만, 이들로 한정되는 것은 아니다. "투영 광학기"라는 용어는 본 명세서에서 사용될 때, 예를 들어 굴절형 광학기, 반사형 광학기, 애퍼쳐 및 반사굴절형 광학기를 포함하는 다양한 타입의 광학 시스템을 망라하는 것으로 넓게 해석되어야 한다. "투영 광학기"라는 용어는 방사선의 투영 빔을 총괄하여 또는 개별적으로 지향, 성형, 또는 제어하기 위한 이러한 설계 타입들 중 임의의 것에 따라서 동작하는 컴포넌트들을 더 포함할 수 있다. "투영 광학기"라는 용어는 광학 컴포넌트가 리소그래피 투영 장치의 광로 상의 어디에 위치되는지와 무관하게 리소그래피 투영 장치 내의 임의의 광학 컴포넌트를 포함할 수 있다. 투영 광학기는 방사선이 패터닝 디바이스를 통과하기 이전에 소스로부터의 방사선을 성형, 조절 및/또는 투영하기 위한 광학 컴포넌트, 및/또는 방사선이 패터닝 디바이스를 통과한 이후에 방사선을 성형, 조절 및/또는 투영하기 위한 광학 컴포넌트를 포함할 수 있다. 투영 광학기라고 하면 소스 및 패터닝 디바이스를 일반적으로 제외된다.
일 실시형태에 따르면, 반도체 제조 프로세스를 구성하기 위한 방법으로서, 복수 개의 모델 파라미터를 포함하는 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 단계; 적어도 하나의 모델 파라미터가 업데이트되도록, 상기 초기 예측 모델을 상기 하나 이상의 원격 위치에서의 로컬 데이터로 훈련시키는 단계; 상기 하나 이상의 원격 위치로부터 적어도 하나의 업데이트된 모델 파라미터를 수신하는 단계; 상기 하나 이상의 원격 위치로부터 수신된 적어도 하나의 업데이트된 모델 파라미터에 기반하여 집합화된(aggregated) 모델 파라미터를 결정하는 단계; 및
상기 초기 예측 모델을 상기 집합화된 모델 파라미터에 기반하여 조절하는 단계 - 조절된 예측 모델은 상기 반도체 제조 프로세스를 구성하도록 동작가능함 -를 포함하는, 반도체 제조 프로세스 구성 방법이 제공된다.
일 실시형태에 따르면, 리소그래피 프로세스를 조절하기 위한 방법이 제공된다. 일부 실시형태들에서, 리소그래피 프로세스를 향상하기 위하여 사용되는 예측 모델을 조절하는 단계를 포함한다. 이러한 방법은 상기 복수 개의 모델 파라미터를 포함하는 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 단계를 포함한다. 이러한 방법은, 상기 적어도 하나의 모델 파라미터가 업데이트되도록, 상기 하나 이상의 원격 위치에서의 로컬 데이터로 상기 초기 예측 모델을 훈련시키는 단계를 포함한다. 이러한 방법은 초기 예측 모델이 훈련되었던 상기 하나 이상의 원격 위치 각각으로부터 적어도 하나의 업데이트된 모델 파라미터를 수신하는 단계를 포함한다. 이러한 방법은 상기 하나 이상의 원격 위치로부터 수신된 적어도 하나의 업데이트된 모델 파라미터에 기반하여 집합화된 업데이트된 모델 파라미터를 결정하는 단계를 포함한다. 이러한 방법은, 상기 초기 예측 모델을 상기 집합화된 업데이트된 모델 파라미터에 기반하여 조절하는 단계를 포함한다. 조절된 예측 모델은 상기 리소그래피 프로세스를 향상시키도록 동작가능하다.
일 실시형태에서, 적어도 하나의 모델 파라미터는 가중치를 포함한다.
일 실시형태에서, 이러한 방법은 상기 초기 예측 모델을 하나 이상의 원격 위치에 제공하기 이전에, 상기 초기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계를 더 포함한다. 글로벌 데이터는 상이한 데이터 세트, 및/또는 로컬 데이터와 관련되지만 동일하지는 않은 데이터 세트를 포함한다(예를 들어, 따라서 훈련시킨 후에 모델이 로컬 모델을 (제한된) 로컬 데이터로써 미세-튜닝하기에 충분히 가까워지도록 한다(예를 들어, 모든 변수들이 업데이트되어야 할 필요가 있는 것은 아니다). 상기 글로벌 데이터는 원격 위치 중 두 개 이상의 원격 위치와 연관되어, 상기 초기 예측 모델을 상기 하나 이상의 원격 위치에서의 로컬 데이터로 훈련시키는 단계가, 로컬 데이터의 세부 사항을 더 양호하게 반영하도록 상기 적어도 하나의 모델 파라미터를 업데이트하게끔 상기 초기 예측 모델을 재훈련시키는 것을 포함하게 된다.
상기 초기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계는, 상기 초기 예측 모델을, 레티클 또는 콜렉터와 연관된 이미지 데이터, 및 오염 또는 이미지 성능과 연관된 결함 정보로 훈련시키는 것을 포함한다.
일 실시형태에서, 예측 모델은 신경망이다. 일 실시형태에서, 상기 적어도 하나의 모델 파라미터는 가중치 및 상기 신경망의 바이어스를 포함한다.
일 실시형태에서, 상기 조절된 예측 모델이 상기 리소그래피 프로세스를 향상시키도록 동작가능한 것은, 상기 조절된 예측 모델이 상기 리소그래피 프로세스 내의 레티클 오염을 인식하도록 사용되는 것을 포함한다. 일 실시형태에서, 상기 조절된 예측 모델이 상기 리소그래피 프로세스를 향상시키도록 동작가능한 것은, 상기 조절된 예측 모델이, 콜렉터 오염이 상기 리소그래피 프로세스에서의 노광을 위한 수락가능한 레벨에 있는지 여부를 결정하기 위하여 사용되는 것을 포함한다.
일 실시형태에서, 상기 하나 이상의 원격 위치는, 상기 초기 예측 모델이 생성되고 훈련되며, 상기 업데이트된 모델 파라미터가 수신되고, 상기 집합화된 업데이트된 모델 파라미터가 결정되며, 상기 조절된 예측 모델이 결정되는 설비 위치로부터 떨어져 있는 하나 이상의 설비 위치를 포함한다.
일 실시형태에서, 상기 초기 예측 모델을 생성하고 훈련시키는 것은 서비스 제공자에 의하여 수행되고, 상기 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 것은 서비스 제공자에 의하여 수행되며, 상기 원격 위치 및 상기 로컬 데이터는 서비스 제공자의 고객과 연관되고, 상기 업데이트된 모델 파라미터는 하나 이상의 원격 위치 각각으로부터 상기 서비스 제공자에 의하여 수신되며, 상기 하나 이상의 원격 위치 각각으로부터 수신된 상기 집합화된 업데이트된 모델 파라미터는 상기 서비스 제공자에 의하여 결정되고, 상기 조절된 예측 모델은 상기 집합화된 업데이트된 모델 파라미터에 기반하여 상기 서비스 제공자에 의하여 결정된다.
일 실시형태에서, 상기 방법은, 중단 조건이 만족될 때까지 반복적으로, 상기 조절된 예측 모델을 하나 이상의 원격 위치에 제공하고, 상기 업데이트된 모델 파라미터를 수신하며, 상기 집합화된 업데이트된 모델 파라미터를 결정하고, 상기 조절된 예측 모델을 재조절하는 단계를 더 포함한다. 일 실시형태에서, 상기 중단 조건은 재조절된 예측 모델의 수렴을 포함한다. 일 실시형태에서, 상기 재조절 예측 모델의 수렴은, 상기 집합화된 업데이트된 모델 파라미터에서의 변화량이 임계 변화량 안에 있는 것을 포함한다.
일 실시형태에서, 상기 로컬 데이터는, 상기 하나 이상의 원격 위치 각각에 대하여 국소적으로 유지되고, (1) 상기 초기 예측 모델을 제공하고, 상기 업데이트된 모델 파라미터가 수신되며, 상기 집합화된 업데이트된 모델 파라미터가 결정되고, 상기 조절된 예측 모델이 결정되는 위치, 또는(2) 상기 원격 위치 중 나머지 원격 위치와 공유되지 않는다.
일 실시형태에서, 상기 집합화된 업데이트된 모델 파라미터를 결정하는 것은, 상기 하나 이상의 원격 위치 각각으로부터 수신된 대응하는 모델 파라미터를 평균화하는 것을 포함한다.
일 실시형태에서, 상기 방법은, 상기 초기 예측 모델의 가중치가 상기 제 1 원격 위치에서의 로컬 데이터에 기반하여 업데이트되도록, 상기 초기 예측 모델을 상기 초기 예측 모델이 상기 로컬 데이터로 훈련되는 제 1 원격 위치에 제공하는 단계; 상기 제 1 원격 위치로부터 업데이트된 가중치를 수신하는 단계; 상기 초기 예측 모델을 상기 제 1 원격 위치로부터 수신된 업데이트된 가중치에 기반하여 조절하는 단계; 상기 가중치가 상기 제 2 원격 위치에서의 로컬 데이터에 기반하여 재업데이트되도록, 상기 조절된 예측 모델을 상기 조절된 예측 모델이 로컬 데이터로써 재훈련되는 제 2 원격 위치에 제공하는 단계; 상기 제 2 원격 위치로부터 재업데이트된 가중치를 수신하는 단계; 및 상기 제 2 원격 위치로부터 수신된 재업데이트된 가중치에 기반하여 상기 조절된 예측 모델을 재조절하는 단계를 더 포함한다.
일 실시형태에서, 상기 방법은, 반복적으로, 상기 재조절 예측 모델을 추가적 원격 위치에 제공하고, 재업데이트된 가중치를 수신하며, 상기 재조절된 예측 모델 재업데이트된 가중치에 기반하여 추가적으로 조절하는 단계를 더 포함한다.
일 실시형태에서, 상기 방법은, 제공된 초기 예측 모델 또는 적어도 하나의 모델 파라미터 중 하나 또는 양자 모두에 대한 온전성 점검(sanity check)을 수행하는 단계를 더 포함한다.
일 실시형태에서, 상기 방법은, 상기 하나 이상의 원격 위치 각각으로부터 수신된 상기 업데이트된 적어도 하나의 모델 파라미터에 대한 온전성 점검을 수행하는 단계를 더 포함한다.
일 실시형태에서, 상기 방법은, 제공된 초기 예측 모델 또는 상기 복수 개의 모델 파라미터 중 하나 또는 양자 모두를 암호화하는 단계를 더 포함한다. 일 실시형태에서, 암호화는, 상기 로컬 데이터를 사용한 훈련이 제공된 초기 예측 모델의 복호화가 없이 일어나도록 구성된다. 일 실시형태에서, 상기 방법은, 상기 하나 이상의 원격 위치 각각으로부터 수신된 상기 업데이트된 적어도 하나의 모델 파라미터를 복호화하는 단계를 더 포함한다.
일 실시형태에서, 초기 예측 모델은 상기 하나 이상의 원격 위치 각각에 있는 하나 이상의 모델 서버에 제공된다. 주어진 모델 서버는 주어진 원격 위치에 있는 로컬 데이터 서버와 별개이다.
일 실시형태에서, 초기 예측 모델은 부분 훈련된 예측 모델을 포함한다. 상기 부분 훈련된 예측 모델은 복수 개의 모델 파라미터를 포함함으로써, 주어진 원격 위치로 제공된 이후에, 상기 로컬 데이터로 훈련시키는 단계가 상기 초기 예측 모델을 완전히 훈련시키는 것을 포함하게 된다.
다른 실시형태에 따르면, 복수 개의 모델 파라미터를 포함하는 예측 모델을 조절하기 위한 방법이 제공된다. 이러한 방법은, 제 1 업데이트된 모델 파라미터 값을 결정하도록, 반도체 제조 프로세스와 연관되는 로컬 훈련 데이터를 상기 예측 모델에 제공하는 단계를 포함한다. 이러한 방법은, 상기 예측 모델에 적어도 부분적으로 외부 훈련 데이터를 제공함으로써 획득되는 제 2 업데이트된 모델 파라미터 값을 수신하는 단계를 포함한다. 이러한 방법은, 상기 예측 모델을 예측 모델 정확도의 기대된 개선에 기반하여 조절하는 단계를 포함한다. 상기 조절하는 단계는, 상기 모델 파라미터를 상기 제 1 업데이트된 모델 파라미터 값 및/또는 상기 제 2 업데이트된 모델 파라미터 값으로 업데이트하는 것을 포함한다.
상기 복수 개의 모델 파라미터는 가중치를 포함하고, 상기 제 1 업데이트된 모델 파라미터 값은 제 1 업데이트된 가중치 값을 포함하며,
상기 제 2 업데이트된 모델 파라미터 값은 제 2 업데이트된 가중치 값을 포함한다.
일 실시형태에서, 이러한 방법은 상기 로컬 훈련 데이터를 예측 모델에 제공하는 단계 이전에, 상기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계를 더 포함한다. 글로벌 데이터 상이한 데이터 세트, 및/또는 로컬 훈련 데이터와 유사하지만 동일하지는 않는 데이터 세트를 포함한다. 일부 실시형태들에서, 글로벌 데이터는 상기 원격 위치 중 두 개 이상의 원격 위치와 연관되어, 로컬 훈련 데이터를 제공하는 것이 예측 모델(의 일부)을 재훈련시켜 제 1 업데이트된 모델 파라미터 값을 결정하는 것을 포함하게 한다. 예를 들어, 서비스 제공자는 하나의 특정한 리소그래피 머신 설정으로 충분한 데이터를 수집할 수도 있지만, 고객은 리소그래피 시스템을 상이한 머신 설정으로 사용하는 것을 포함한다. 이러한 예에서, 서비스 제공자 데이터에 대해서 훈련된 모델 파라미터의 일부는 충분히 유효할 수 있지만, 다른 부분은 이러한 모델이 고객에 의해 생성되는 것과 같은 데이터에 더 양호하게 근사화되게 하기 위해서 고객 데이터에 대해서 훈련하는 것을 요구할 수 있다.
일 실시형태에서, 예측 모델은 신경망이다. 일 실시형태에서, 복수 개의 모델 파라미터는 가중치 및 신경망의 바이어스를 포함한다.
일 실시형태에서, 이러한 방법은 상기 예측 모델을 원격 위치에 제공하는 단계를 더 포함한다. 원격 위치는 예측 모델이 생성되는 설비 위치로부터 떨어져 있는 설비 위치를 포함한다. 원격 위치는, 반도체 제조 프로세스와 연관된 로컬 훈련 데이터가 예측 모델에 제공되어 제 1 업데이트된 모델 파라미터 값을 결정하고; 제 2 업데이트된 모델 파라미터 값이 수신되며; 예측 모델이 조절되는 설비 위치를 포함한다.
일 실시형태에서, 상기 예측 모델은 서비스 제공자에 의하여 제공되고, 상기 원격 위치 및 상기 로컬 훈련 데이터는 상기 서비스 제공자의 고객과 연관된다. 일 실시형태에서, 상기 로컬 훈련 데이터는 상기 고객에 대하여 국소적으로 유지되고, 상기 서비스 제공자와 공유되지 않는다.
일 실시형태에서, 이러한 방법은 예측 모델에 대하여 온전성 점검을 수행하는 단계를 더 포함할 수 있다.
일 실시형태에서, 예측 모델은 암호화된다.
다른 실시형태에 따르면, 리소그래피 프로세스를 향상시키기 위하여 사용되는 신경망을 조절하기 위한 단계가 제공된다. 이러한 방법은 초기 신경망을 훈련 데이터에 기반하여 훈련시키는 단계를 포함한다. 상기 훈련 데이터는 상기 리소그래피 프로세스에 대한 프로세스 데이터 및 대응하는 성능 데이터를 포함한다. 상기 초기 신경망은 복수 개의 가중치를 포함한다. 이러한 방법은, 상기 초기 신경망을, 상기 초기 신경망이 로컬 데이터로써 재훈련되는 하나 이상의 원격 위치로 송신하는 단계를 포함한다. 상기 로컬 데이터는 상기 가중치가 상기 하나 이상의 원격 위치 각각에서의 로컬 데이터에 기반하여 업데이트되도록, 상기 원격 위치와 연관된 리소그래피 프로세스에 대한 프로세스 데이터 및 대응하는 성능 데이터를 포함한다. 이러한 방법은 상기 하나 이상의 원격 위치 각각으로부터 업데이트된 가중치를 수신하는 단계; 상기 하나 이상의 원격 위치 각각으로부터 수신되는 집합화된 업데이트된 가중치를 결정하는 단계; 및 상기 초기 신경망을 상기 집합화된 업데이트된 가중치에 기반하여 조절하는 단계를 포함한다. 상기 조절된 신경망은 상기 리소그래피 프로세스를 향상시키도록 동작가능하다.
일 실시형태에서, 상기 리소그래피 프로세스를 향상시키도록 동작가능한 조절된 신경망은, 상기 포토리소그래피 프로세스에서의 레티클 오염을 인식하도록 사용되는 조절된 신경망을 포함한다. 일 실시형태에서, 상기 리소그래피 프로세스를 향상시키도록 동작가능한 조절된 신경망은, 콜렉터 오염이 상기 포토리소그래피 프로세스에서의 노광을 위한 수락가능한 레벨에 있는지 여부를 결정하기 위하여 사용되는 조절된 신경망을 포함한다.
일 실시형태에서, 상기 하나 이상의 원격 위치는, 상기 초기 신경망이 생성되고 훈련되고, 상기 업데이트된 가중치가 수신되며, 상기 집합화된 업데이트된 가중치가 결정되고, 상기 조절된 신경망이 결정되는 설비 위치로부터 떨어져 있는 하나 이상의 설비 위치를 포함한다.
일 실시형태에서, 상기 초기 신경망의 생성 및 훈련은 서비스 제공자에 의하여 수행되고, 상기 초기 신경망을 하나 이상의 원격 위치에 제공하는 것을 상기 서비스 제공자에 의하여 수행되며, 상기 원격 위치 및 로컬 데이터는 상기 서비스 제공자의 고객과 연관되고, 상기 업데이트된 가중치는 상기 하나 이상의 원격 위치 각각으로부터 상기 서비스 제공자에 의하여 수신되며, 상기 집합화된 업데이트된 가중치는 상기 서비스 제공자에 의하여 결정되고, 상기 조절된 신경망은 상기 집합화된 업데이트된 가중치에 기반하여 상기 서비스 제공자에 의하여 결정된다.
다른 실시형태에 따르면, 명령이 기록된 비일시적 컴퓨터 판독가능 매체를 포함하는 컴퓨터 프로그램 제품으로서, 상기 명령은 컴퓨터에 의하여 실행될 때 전술된 방법을 구현하는, 컴퓨터 프로그램 제품이 제공된다.
본 명세서에 통합되며 그 일부를 구성하는 첨부 도면은 하나 이상의 실시예를 예시하고, 상세한 설명과 함께 여기에 이러한 실시예를 설명한다. 본 발명의 실시예가 오직 예시를 통하여, 대응하는 참조 심벌들이 대응하는 부분을 표시하는 첨부된 개략도를 참조하여 이제 설명될 것이다.
도 1은 일 실시형태에 따른 리소그래피 시스템의 다양한 서브시스템들의 블록도를 도시한다.
도 2는 일 실시형태에 따른 리소그래피 투영 장치 내에서의 리소그래피를 시뮬레이션하기 위한 예시적인 흐름도를 예시한다.
도 3은 일 실시형태에 따르는, 리소그래피 프로세스를 향상시키기 위하여 사용되는 예측 모델을 조절하기 위한 본 발명의 방법의 동작의 요약을 예시한다.
도 4a는 일 실시형태에 따르면 예측 모델을 서비스 제공자로부터 고객으로 제공 및/또는 그렇지 않으면 배포하는 것을 예시한다.
도 4b는 일 실시형태에 따르면 개별 고객이 그들 자신의 로컬 데이터를 어떻게 가지는지를 예시한다.
도 4c는 일 실시형태에 따라서 예측 모델의 최근 가중치들의 세트를, 예컨대 신경망으로부터 고객에게 배포하는 것을 예시한다.
도 4d는 일 실시형태에 따라서 하나 이상의 원격 고객 위치에서의 예측 모델을 로컬 데이터로 훈련(및/또는 재훈련)시키는 것을 예시한다.
도 4e는 일 실시형태에 따르면 개별 원격 고객 위치에서 업데이트된 가중치 및/또는 다른 모델 파라미터를 결정하는 것을 예시한다.
도 5는 일 실시형태에 따라서 모델 및 모델 파라미터가 저장될 수 있고, 온전성 점검이 수행될 수 있으며, 암호화 / 복호화가 수행될 수 있는 서비스 제공자를 예시한다.
도 6a는 일 실시형태에 따라서 모델 및 모델 파라미터가 저장될 수 있고, 하나 이상의 모델 서버가 제공될 수 있으며, 온전성 점검이 수행될 수 있고, 및 복호화 / 암호화가 수행될 수 있는 원격 고객 위치를 예시한다.
도 6b는 주어진 원격 고객 위치에 있는 로컬 데이터 서버와 별개인 일 실시형태에 따르는 모델 서버를 예시한다.
도 7은 일 실시형태에 따라서, 파라미터(예를 들어, 가중치, 바이어스, 등)가 서비스 제공자로부터 원격 위치에서 수신되면, 어떻게 최근 파라미터가 로컬 동작 데이터가 있는 모델의 로컬 복제본 내에 로딩되고, 파라미터가 업데이트되며, 업데이트된 파라미터가 다시 서비스 제공자에게 전송되는지를 예시한다.
도 8은 일 실시형태에 따르는 예측 모델의 로컬 복제본을 예시한다.
도 9는 일 실시형태에 따르는, 리소그래피 프로세스를 향상시키기 위해서 사용되는 예측 모델을 조절하기 위한 본 발명의 다른 방법의 동작의 요약을 예시한다.
도 10은 일 실시형태에 따르는 예시적인 컴퓨터 시스템의 블록도이다.
도 11은 일 실시형태에 따르는 리소그래피 투영 장치의 개략도이다.
도 12는 일 실시형태에 따르는 다른 리소그래피 투영 장치의 개략도이다.
도 13은 일 실시형태에 따르는, 도 12의 장치의 더 상세한 도면이다.
도 14는 일 실시형태에 따르는 도 12 및 도 13의 장치의 소스 콜렉터 모듈(SO)의 더 상세한 도면이다.
데이터에 의해 유도되는 복잡한 기술이 서비스 제공자 및 그들의 고객에게 있어서 비즈니스에서 점점 큰 역할을 하고 있다. 이러한 기술에 의해서 그리고 이러한 기술을 위해 생성되는 데이터는 금융화될 수 있는 정보를 포함할 수 있다. 이러한 이유와 다른 이유 때문에, 고객은 자신의 데이터를 서비스 제공자와 공유하는 것을 망설일 수 있으며, 그 이유는 데이터가 공유되기 전에는 그 가치를 평가하는 것이 어려울 수 있기 때문이다. 서비스 제공자 및 고객의 예는 한정되어서는 안 된다. 다른 애플리케이션들도 구상된다. 예를 들어, 본 명세서에서 설명되는 시스템 및 방법은 임의의 타입의 제공자와 제공자가 제공하는 모든 타입의 서비스의 연관된 사용자에 대해서 사용될 수 있다.
데이터 기반 예측 모델이 다양한 문제들에 대한 많은 솔루션에서 사용된다. 신경망은 예측 모델의 일 예이다. 신경망을 훈련시키기 위한 한 가지 방법은 라벨링된 훈련 데이터를 사용하여 훈련시키는 것이다. 라벨링된 훈련 데이터는 프로세스 데이터(예를 들어, 리소그래피 프로세스를 위한 데이터) 및 대응하는 성능 데이터를 포함한다. 성능 데이터는, 예를 들어 사람의 검사 및/또는 다른 방법에 의해서 결정된다. 일부 서비스 제공자의 경우, 신경망(또는 임의의 다른 예측 모델)은 고객 위치에 속하고 및/또는 고객 위치에서만 이용될 수 있는 데이터로 훈련시키는 것을 요구할 수 있다.
현재의 시스템 및 방법은 고객이 해당 데이터를 공유할 필요가 없이 고객 데이터에 대해서 훈련시키는 것을 지원하는 아키텍처를 훈련시키는 데이터 제어 및 예측 모델(예를 들어, 신경망)을 포함한다. 바람직하게는, 이러한 아키텍처는 고객 데이터(및/또는 고객에게 속하는 다른 지적 재산)가 의도하지 않게 고객 위치로부터 퍼져나가는 위험성을 줄이거나 완전히 없앨 수 있으면서도 여전히 최적화된 예측 모델을 제공하는 것이 가능하다. 현재의 시스템 및 방법은 해당 데이터에 실제로 액세스할 필요가 없이(예를 들어, 서비스 제공자의 관점으로부터), 다수의 고객으로부터의 데이터를 사용하여 복잡한 모델을 훈련시키는 것을 가능하게 하도록 구성된다. 그러면, 고객 위치로부터 데이터가 의도하지 않게 퍼지는 위험을 도입하지 않고(또는 적어도 이러한 위험을 줄이면서), 서비스 제공자가 참여하는 고객들에게 최적의 모델을 전달할 수 있도록 고객 데이터를 사용해서 예측 모델을 훈련시키는 것이 가능해진다.
예를 들어, 머신 러닝은 리소그래피 시스템에 의해서 생성되고 사용가능한 데이터에만 적용될 수 있다. 일부 경우에, 데이터는 상대적으로 성기게 존재하고, 데이터를 상이한 (예를 들어, 고객) 사이트들(예를 들어, 하나의 고객과 연관된 다수의 사이트, 또는 상이한 고객들과 연관된 상이한 사이트)에 걸쳐서 공유하는 것이 실현가능할 수 있어서, 리소그래피 시스템과 연관된 모델을 이용가능한 데이터에 대해서 훈련시키는 것이 쉬워질 수도 있다. 그러나, 고객들은 흔히 데이터를 공유하는 것(공급자와, 서로 등과 공유하는 것)을 망설이게 되는데, 그 이유는 고객이 그들의 지적 재산(예를 들어, 데이터)을 보호하고 싶어하거나 및/또는 다른 이유 때문이다. 현재의 시스템 및 방법은 초기 모델을 다수의 시스템(예를 들어, 다수의 사이트, 잠재적으로는 다수의 고객에게 있음)에 공유하는 것을 쉽게 만들고, 고객이 학습 단계를 실행하게 하며, 고객이 국지적으로 업데이트된 모델 파라미터만을 서비스 제공자와 공유하게 한다. 현재의 시스템 및 방법은 고객에게 그들의 로컬 데이터를 공유하도록 요구하지 않는다. 본 발명의 시스템 및 방법을 사용하면, 예를 들어 서비스 제공자가 모델이 수렴할 때까지, 기술된 프로세스(들)를 반복할 수 있다(예를 들어, '연합 학습(federated learning)' 접근법). 일부 실시형태들에서, 본 발명의 시스템 및 방법은 모델을 고객(들)에게 국지적인 데이터-세트(들)에 관련되는(하지만 동일하지는 않은) 하나의 데이터-세트에 대해서 모델을 사전 훈련시키는 것을 가능하게 하고, 사전 훈련된 모델을 고객(들)에게 배포하며, 고객들은 이러한 모델(의 일부)을 고객(들)의 로컬 데이터에 대해서 훈련하는 것을 계속함으로써 '미세-튜닝'할 것이다. 최종 모델은 공급자에게 반환되지 않고, 또는 임의의 다른 방법으로 배포된다(예를 들어, 고객 데이터가 전체 모델을 훈련시키기에 불충분할 경우 적용될 수 있는 '전달 학습(transfer learning)' 접근법임).
비록 본 명세서에서는 IC를 제조하는 것을 특별히 참조하였지만, 본 명세서의 기재 내용은 그 외의 많은 가능한 애플리케이션들을 가진다는 것이 명확하게 이해돼야 한다. 예를 들어, 이것은 집적된 광학 시스템, 자기 도메인 메모리를 위한 유도 및 검출 패턴, 액정 디스플레이 패널, 박막 자기 헤드, 등의 제조에 채용될 수 있다. 이러한 대안적인 애플리케이션들에서, 당업자는 이러한 다른 응용예의 문맥에서, 본 명세서에서 사용된 "레티클", "웨이퍼" 또는 "다이"와 같은 어떠한 용어의 사용도 각각 "마스크", "기판" 및 "타겟부"와 같은 좀 더 일반적인 용어와 상호 교체가능할 수 있음을 이해할 것이다. 추가하여, 본 명세서에서 설명되는 방법이 언어 처리 시스템, 자율주행 차, 의료용 이미징 및 진단, 의미 세그멘트화, 노이즈제거(denoising), 칩 디자인, 전자 디자인 자동화 등과 같은 그 외의 가능한 많은 애플리케이션을 가질 수도 있다는 것에 주의해야 한다. 본 발명의 방법은 머신 러닝 모델 예측에서의 불확실성을 정량화하는 것이 유리한 임의의 분야에 적용될 수 있다.
본 명세서에서, "방사선" 및 "빔"이라는 용어는 자외 방사선(예를 들어 365, 248, 193, 157 또는 126 nm의 파장을 가지는 방사선) 및 EUV(예를 들어 약 5-100 nm 범위의 파장을 가지는 극자외 방사선)를 포함하는 모든 타입의 전자기 방사선을 망라하도록 사용된다.
패터닝 디바이스는 하나 이상의 설계 레이아웃을 포함하거나 형성할 수 있다. 디자인 레이아웃은 CAD(computer-aided design) 프로그램을 활용하여 생성될 수 있다. 이러한 프로세스는 흔히 EDA(electronic design automation)라고 불린다. 기능성 설계 레이아웃/패터닝 디바이스를 생성하기 위하여 거의 모든 CAD 프로그램은 선결정된 설계 규칙의 세트를 따른다. 이러한 규칙들은 처리 및 설계 제한사항에 기반하여 설정된다. 예를 들어, 디자인 규칙은, 디바이스 또는 라인이 바람직하지 않은 방식으로 서로 상호작용하지 않도록 디바이스들(예컨대, 게이트, 커패시터 등) 또는 상호연결 라인들 사이의 공간 공차를 규정한다. 디자인 규칙 제한사항 중 하나 이상은 "임계 치수(CD)"라고 불릴 수 있다. 어떤 디바이스의 임계 치수는 선 또는 홀의 최소 폭 또는 두 개의 선들 또는 두 개의 홀들 사이의 최소 공간이라고 정의될 수 있다. 따라서, CD는 설계된 디바이스의 전체 크기 및 밀도를 조절한다. 디바이스 제조의 목적들 중 하나는 원래의 설계 의도를 기판 상에(패터닝 디바이스를 통해) 충실하게 재현하는 것이다.
"마스크" 또는 "패터닝 디바이스"라는 용어는 본 명세서에서 채용될 때, 인입하는 방사선 빔에 기판의 타겟부 내에 생성될 패턴에 대응하여 패터닝된 단면을 부여하기 위하여 사용될 수 있는 일반적 패터닝 디바이스를 지칭하는 것으로 넓게 해석될 수 있다. "광 밸브"라는 용어도 이러한 콘텍스트에서 사용될 수 있다. 종래의 마스크(투과형 또는 반사형; 이진, 위상-천이, 하이브리드 등) 이외에, 다른 이러한 패터닝 디바이스들의 예는 프로그램가능한 미러 어레이를 포함한다. 이러한 디바이스의 일 예는 점탄성 제어층과 반사면을 가지는 매트릭스-어드레스가능한(matrix-addressable) 면이다. 이러한 장치 이면의 기본적인 원리는, (예를 들어) 반사면의 어드레스된 구역이 입사 방사선을 회절된 방사선으로서 반사하는 반면에, 어드레스되지 않은 구역은 입사 방사선을 비회절 방사선으로서 반사한다는 것이다. 적합한 필터를 사용하면, 상기 비회절 방사선은 반사된 빔으로부터 필터링되어, 회절된 방사선만을 남길 수 있다; 이러한 방식으로, 빔은 행렬-어드레싱가능한 면의 어드레싱 패턴에 따라 패터닝되어 간다. 필요한 매트릭스 지정은 적절한 전하 수단들을 사용하여 수행될 수 있다. 그 외의 이러한 패터닝 디바이스의 예는 프로그래밍가능한 LCD 어레이를 더 포함한다. 이러한 구조의 일 예가 본 명세서에서 원용에 의해 통합되는 미국 특허 번호 제 5,229,872에 주어진다.
간략한 소개로서, 도 1은 예시적인 리소그래피 투영 장치(10A)를 도시한다. 주된 컴포넌트는, 심-자외선(DUV) 엑시머 레이저 소스 또는 극자외(EUV) 소스를 포함하는 다른 타입의 소스일 수 있는 방사선 소스(12A)(위에서 논의된 바와 같이, 리소그래피 투영 장치 자체는 방사선 소스를 가질 필요가 없음), 예를 들어 부분적인 코히어런스(시그마라고 명명됨)를 규정하고 소스(12A)로부터의 방사선을 성형하는 광학기(14A, 16Aa 및 16Ab)를 포함할 수 있는 조명 광학기; 패터닝 디바이스(18A); 및 패터닝 디바이스 패턴의 이미지를 기판 평면(22A) 상에 투영하는 송신 광학기(16Ac)이다. 투영 광학기의 퓨필 평면에 있는 조절가능한 필터 또는 애퍼쳐(20A)는 기판 평면(22A) 상에 충돌하는 빔 각도의 범위를 제한할 수 있고, 여기에서 가능한 최대 각도는 투영 광학기의 개구수를 규정하고(NA=nsin(Θmax), 여기에서 n은 기판과 투영 광학기의 마지막 요소와 사이의 매질의 굴절률이고, Θmax는 기판면(22A) 상에 여전히 충돌할 수 있는, 투영 광학기로부터 나오는 빔의 가장 큰 각도이다.
리소그래피 투영 장치에서, 소스는 조명(즉 방사선)을 패터닝 디바이스로 제공하고, 투영 광학기는 이러한 조명을 패터닝 디바이스를 통해서 지향시키고 기판 상에 성형한다. 투영 광학기는 컴포넌트(14A, 16Aa, 16Ab 및 16Ac) 중 적어도 일부를 포함할 수 있다. 공간상(AI)은 기판 레벨에서의 방사선 세기 분포이다. 레지스트 모델은 공간상으로부터 레지스트 이미지를 계산하기 위하여 사용될 수 있으며, 이것의 일 예가 미국 특허 출원 공개 번호 제 US 2009-0157630 호에서 발견될 수 있고, 그 내용은 그 전체가 본 명세서에 원용에 의해 포함된다. 레지스트 모델은 오직 레지스트 층의 성질(예를 들어, 노광, 노광후 베이크(PEB)및 현상 도중에 발생하는 화학적 프로세스들의 영향)에만 관련된다. 리소그래피 투영 장치의 광학적 성질(예를 들어, 조명, 패터닝 디바이스 및 투영 광학기의 성질)이 공간상을 결정하고, 광학 모델에서 규정될 수 있다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스가 변경될 수 있기 때문에, 패터닝 디바이스의 광학적 성질을, 적어도 소스 및 투영 광학기를 포함하는 리소그래피 투영 장치의 나머지의 광학적 성질로부터 분리시키는 것이 바람직하다. 디자인 레이아웃을 다양한 리소그래피 이미지(예를 들어, 공간상, 레지스트상 등)로 변환하고, 그러한 기법 및 모델을 적용하며, 성능을 평가(예를 들어, 프로세스 윈도우에 관하여 평가함)하기 위해서 사용되는 기법 및 모델의 세부 사항이 미국 특허 출원 공개 번호 제 US 2008-0301620, 제 2007-0050749, 제 2007-0031745, 제 2008-0309897, 제 2010-0162197, 및 제 2010-0180251에서 설명되는데, 이들 각각의 내용은 본 명세서에서 그 전체가 원용에 의해 포함된다.
패터닝 프로세스가 어떻게 소망되는 패턴을 기판 상에 생성할지를 산술적으로 결정할 수 있는 것이 흔히 바람직하다. 따라서, 프로세스의 하나 이상의 부분을 시뮬레이션하기 위해서 시뮬레이션이 제공될 수 있다. 예를 들어, 디바이스 패턴을 기판의 레지스트 층 상에 전사 및 패터닝하고 얻어진 패턴을 레지스트가 현상된 이후에 해당 레지스트 층 내에 전사 및 패터닝하는 리소그래피 프로세스를 시뮬레이션할 수 있는 것이 바람직하다.
리소그래피 투영 장치 내에서의 리소그래피를 시뮬레이션하기 위한 예시적인 흐름도가 도 2에 도시된다. 조명 모델(31)은 조명의 광학적 특성(방사선 세기 분포 및/또는 위상 분포를 포함함)을 나타낸다. 투영 광학기 모델(32)은 투영 광학기의 광학적 특성(투영 광학기에 의하여 발생한 방사선 세기 분포 및/또는 위상 분포에 대한 변경을 포함함)을 나타낸다. 설계 레이아웃 모델(35)은 설계 레이아웃의 광학적 특성(주어진 설계 레이아웃에 의하여 생기는 방사선 세기 분포 및/또는 위상 분포에 대한 변경을 포함함)을 나타내는데, 이것은 패터닝 디바이스 상에 있거나 패터닝 디바이스에 의해 형성되는 피쳐의 배치에 대한 표현이다. 공간상(36)은 조명 모델(31), 투영 광학기 모델(32) 및 설계 레이아웃 모델(35)을 사용하여 시뮬레이션될 수 있다. 레지스트 이미지(38)는 레지스트 모델(37)을 사용하여 공간상(36)으로부터 시뮬레이션될 수 있다. 리소그래피의 시뮬레이션은, 예를 들어 레지스트 이미지 내의 컨투어 및 CD를 예측할 수 있다.
좀 더 구체적으로는, 조명 모델(31)은 비한정적으로 NA 설정, 시그마(σ) 설정 및 임의의 특정 조명 형상(예를 들어 예컨대, 환형, 사극자, 쌍극자 등과 같은 오프-축 조명)을 포함하는, 조명의 광학적 특성을 나타낼 수 있다. 투영 광학 모델(32)은, 예를 들어 수차, 왜곡, 굴절률, 물리적 크기 또는 치수 등을 포함하는, 투영 광학기의 광학적 특성을 나타낼 수 있다. 설계 레이아웃 모델(35)은, 예를 들어 미국 특허 번호 제 7,587,704 호에 기술되는 바와 같은 물리적 패터닝 디바이스의 하나 이상의 물리적 성질도 표현할 수 있는데, 이것은 그 전체가 원용에 의해 포함된다. 리소그래피 투영 장치와 연관된 광학적 성질(예를 들어, 조명, 패터닝 디바이스 및 투영 광학기의 성질)이 공간상을 결정한다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스가 변경될 수 있기 때문에, 패터닝 디바이스의 광학적 성질을, 적어도 조명 및 투영 광학기(그러므로 설계 레이아웃 모델(35))를 포함하는 리소그래피 투영 장치의 나머지의 광학적 성질로부터 분리시키는 것이 바람직하다.
레지스트 모델(37)은 공간상으로부터 레지스트 이미지를 계산하기 위하여 사용될 수 있으며, 이것의 일 예가 미국 특허 번호 제 8,200,468에서 발견될 수 있고, 그 내용은 그 전체가 본 명세서에 원용에 의해 포함된다. 레지스트 모델은 통상적으로 레지스트 층의 성질(예를 들어, 노광, 노광후 베이크 및/또는 현상 도중에 발생하는 화학적 프로세스들의 영향)에 관련된다.
시뮬레이션의 목적은, 예를 들어 에지 배치, 공간상 세기 기울기 및/또는 CD를 정확하게 예측하는 것이고, 이것은 이제 의도된 디자인과 비교될 수 있다. 의도된 디자인은 일반적으로, GDSII, OASIS, 또는 다른 파일 포맷과 같은 표준화된 디지털 파일 포맷으로 제공될 수 있는 사전 OPC 설계 레이아웃으로서 규정된다.
이러한 설계 레이아웃으로부터, 하나 이상의 부분이 식별될 수 있는데, 이것은 "클립"이라고 불린다. 일 실시예에서, 클립들의 세트가 추출되는데, 이것은 설계 레이아웃 내의 복잡한 패턴(통상적으로 50 개 내지 1000 개의 클립이지만 임의의 개수의 클립들이 사용될 수도 있음)을 나타낸다. 당업자가 이해할 수 있는 것과 같이, 이러한 패턴 또는 클립은 설계의 작은 부분(예를 들어, 회로, 셀 등)을 나타내고, 특히 클립들은 특별히 주의하거나 및/또는 검증할 필요가 있는 작은 부분들을 나타낸다. 다르게 말하면, 클립들(고객에 의하여 제공되는 클립들 포함)은 임계 피쳐들이 경험에 의하여, 시행 착오에 의하여, 또는 칩-전체 시뮬레이션을 수행함으로써 식별되는 설계 레이아웃의 부분들일 수 있거나, 설계 레이아웃의 부분들과 유사할 수 있거나, 유사한 거동을 가질 수 있다. 클립은 흔히 하나 이상의 테스트 패턴 또는 게이지 패턴을 포함한다. 최초의 더 큰 세트의 클립들은 특정 이미지 최적화를 요구하는 설계 레이아웃 내의 알려진 임계 피쳐 영역에 기초하여 고객에 의하여 선험적으로 제공될 수 있다. 또는, 다른 실시예에서, 최초의 더 큰 세트의 클립들은 임계 피쳐 영역을 식별하는 몇 가지 종류의 자동(머신 비전과 같은) 또는 수동 알고리즘을 사용하여 전체 설계 레이아웃으로부터 추출될 수 있다.
일부 예들에서, 시뮬레이션 및 모델링하는 것은 패터닝 디바이스 패턴의 하나 이상의 피쳐(예를 들어, 광학 근접 정정을 수행함), 조명의 하나 이상의 피쳐(예를 들어, 형상을 바꾸는 것과 같이 조명의 공간적 / 각도 세기 분포의 하나 이상의 특성을 바꿈), 및/또는 투영 광학기의 하나 이상의 피쳐(예를 들어, 개구수 등)를 구성하기 위해서 사용될 수 있다. 이러한 구성은 일반적으로, 마스크 최적화, 소스 최적화, 및 투영 최적화라고 각각 불릴 수 있다. 이러한 최적화는 그들만으로, 상이한 조합으로 결합되어 수행될 수 있다. 이러한 하나의 예는 소스-마스크 최적화(SMO)인데, 이것은 패터닝 디바이스 패턴의 하나 이상의 피쳐를 조명의 하나 이상의 피쳐와 함께 구성하는 것을 수반한다. 최적화 기법은 하나 이상의 클립에 중점을 둘 수 있다. 최적화는 다양한 파라미터(이미지 등을 포함함)의 값을 예측하기 위해서, 본 명세서에서 설명되는 머신 러닝 모델을 사용할 수 있다.
일 실시형태에서, 시스템의 최적화 프로세스는 비용 함수로서 표현될 수 있다. 최적화 프로세스는 비용 함수를 최소화시키는 시스템의 파라미터(설계 변수)의 세트를 찾는 것을 포함할 수 있다. 비용 함수는 최적화의 목표에 따라 임의의 적합한 형태를 가질 수 있다. 예를 들어, 비용 함수는 시스템의 특정한 특성(평가 포인트)의 이러한 특성의 의도된 값(예를 들어, 이상적인 값)에 대한 편차의 가중치가 부여된 평균제곱근(RMS)일 수 있다. 비용 함수는 또한 이러한 편차들 중 최대값(예를 들어 최악의 편차)일 수도 있다. "평가 포인트"라는 용어는 시스템의 임의의 특성을 포함하도록 넓게 해석되어야 한다. 시스템의 설계 변수는 유한 범위로 한정되거나 및/또는 시스템의 구현형태들의 실용성 때문에 상호의존적일 수 있다. 리소그래피 투영 장치의 경우, 제약은 하드웨어의 물리적 속성 및 특성, 예컨대 튜닝가능한 범위, 및/또는 패터닝 디바이스 제조가능성 디자인 규칙과 흔히 연관된다. 평가 포인트는 기판 상의 레지스트상 위의 물리적 포인트, 및 선량 및 초점과 같은 비-물리적 특성을 포함할 수 있다.
일 실시형태에서, 집적 회로 제조 프로세스와 연관된 및/또는 포함된 조명 모델(31), 투영 광학 모델(32), 디자인 레이아웃 모델(35), 레지스트 모델(37), SMO 모델, 및/또는 다른 모델은 본 명세서에서 설명되는 방법의 동작을 수행하는 실험 모델일 수 있다. 실험 모델은 출력을 다양한 입력들 사이의 상관에 기반하여 예측할 수 있다(예를 들어, 마스크 또는 웨이퍼 이미지의 하나 이상의 특성, 디자인 레이아웃의 하나 이상의 특성, 패터닝 디바이스의 하나 이상의 특성, 리소그래피 프로세스에서 사용되는 조명의 하나 이상의 특성, 예컨대 파장 등). 레티클 오염 케이스에 주의한다: 이것은 시스템에 의해 측정되는 레티클 상단-사이트 또는 펠리클에 있는 입자 오염의 고속 추정이고, '실측 데이터(ground truth)'는 보통은 훨씬 더 느리지만 정확한 입자의 오프라인 측정이다.
일 예로서, 실험 모델은 예측 모델, 머신 러닝 모델, 및/또는 임의의 다른 파라미터화된 모델일 수 있다. 일 실시형태에서, 예측 및/또는 머신 러닝 모델은 (예를 들어) 수학식, 알고리즘, 플롯, 차트, 네트워크(예를 들어, 신경망), 및/또는 다른 툴 및 머신 러닝 모델 컴포넌트이거나 및/또는 이들을 포함할 수 있다. 예를 들어, 예측 및/또는 머신 러닝 모델은 입력 계층, 출력 계층, 및 하나 이상의 중간 또는 숨은 계층을 가지는 하나 이상의 신경망이거나 및/또는 이것을 포함할 수 있다. 일 실시형태에서, 하나 이상의 신경망은 심층 신경망(예를 들어, 입력 및 출력 계층 사이에 하나 이상의 중간 또는 숨은 계층을 포함하는 신경망)일 수도 있고 및/또는 이를 포함할 수도 있다.
일 예로서, 하나 이상의 신경망은 신경 유닛(또는 인공 뉴런)의 큰 콜렉션에 기반할 수 있다. 하나 이상의 신경망은 생물학적 뇌가 동작하는 방식을 어느 정도 흉내낼 수 있다(예를 들어, 축색 돌기에 의해 연결된 생물학적 뉴런의 큰 클러스터를 통하여). 신경망의 각각의 신경 유닛은 신경망의 다른 많은 신경 유닛과 연결될 수 있다. 이러한 연결은 연결된 신경 유닛의 활성화 상태에 대한 그들의 영향에 있어서 활성화시킬 수도 있고 활성화를 방지할 수도 있다. 일 실시형태에서, 각각의 개별적인 신경 유닛은 자신의 모든 입력의 값을 함께 조합하는 합산 기능을 가질 수 있다. 일 실시형태에서, 각각의 연결(또는 신경 유닛 자체)은 어떠한 신호가 다른 신경 유닛으로 전파되도록 허용되기 전에 임계를 초과해야 한다는 임계 기능을 가질 수 있다. 이러한 신경망 시스템은 자기-학습형이고, 명시적으로 프로그래밍되는 것이 아니라 훈련될 수 있으며, 전통적인 컴퓨터 프로그램과 비교할 때 특정 영역의 문제 해결 영역에서는 훨씬 양호하게 동작할 수 있다. 일 실시형태에서, 하나 이상의 신경망은 여러 계층(예를 들어, 신호 경로가 앞의 계층으로부터 뒤의 계층으로 트래버스됨)을 포함할 수 있다. 일 실시형태에서, 신경망에 의해서 후방 전파 기법이 활용될 수 있는데, 이러한 경우 순방향 자극이 "전방(front)" 신경 유닛에 대한 가중치를 리셋하기 위해서 사용된다. 일 실시형태에서, 하나 이상의 신경망에 대한 자극 및 금지(inhibition)는 더 자유롭게 흐를 수 있고, 연결들은 더 혼란스럽고 복잡한 방식으로 상호작용한다. 일 실시형태에서, 하나 이상의 신경망의 중간 계층은 하나 이상의 콘볼루션 계층, 하나 이상의 반복(recurrent) 계층, 및/또는 다른 계층을 포함한다.
하나 이상의 신경망은 훈련 데이터의 세트를 사용하여 훈련될 수 있다(즉, 그들의 파라미터가 결정됨). 훈련 데이터는 훈련 샘플들의 세트를 포함할 수 있다. 각각의 샘플은 입력 대상(통상적으로 벡터이고, 피쳐 벡터라고 불릴 수 있음) 및 요구되는 출력 값(지도 신호(supervisory signal))을 포함하는 쌍일 수 있다. 훈련 알고리즘은 훈련 데이터를 분석하고 신경망의 파라미터(예를 들어, 하나 이상의 계층의 가중치)를 훈련 데이터에 기반하여 조절함으로써 신경망의 거동을 조절한다. 예를 들어,
Figure pct00001
의 형태인 N 개의 훈련 샘플의 세트가 주어지면,
Figure pct00002
가 i 번째 예의 피쳐 벡터이고
Figure pct00003
가 그 지도 신호(supervisory signal)가 되는데, 그러면 훈련 알고리즘은 신경망
Figure pct00004
를 찾게 되고, 여기에서
Figure pct00005
는 입력 공간이고
Figure pct00006
는 출력 공간이다. 피쳐 벡터는 일부 대상물(예를 들어, 앞선 예에서와 같은 웨이퍼 디자인, 또는 인라인 레티클 오염 측정 디바이스에 의해 수집된 이미지이고 y는 느리지만 정확한 오프라인 레티클 오염 측정 시스템에 의해 결정되는 실제 크기임)을 나타내는 수치 피쳐의 n-차원의 벡터이다. 이러한 벡터와 연관되는 벡터 공간은 흔히 피쳐 공간이라고 불린다. 훈련된 이후에, 신경망은 새로운 샘플을 사용하여 예측하기 위해서 사용될 수 있다.
신경망은 주어진 비용 함수를 최소화함으로 훈련될 수 있고 및/또는 다른 방법으로 훈련될 수도 있다. 예를 들어, 그레디언트 감소법(Gradient Descent)이 모든 이용가능한 데이터에 대해서 반복이 일어나는 주지된 반복 방법이다. 신경망에 의존하여, 훈련은 최적 모델 파라미터가 결정되기 전에 수 천 개(또는 그 이상)의 반복 루프를 요구할 수 있다. 그레디언트 감소법은 확률적 그레디언트 감소법(Stochastic Gradient Descent)이거나 이를 포함할 수 있는데, 여기에서 계산은 각각의 개별적인 훈련 샘플(예를 들어, 각각의 프로세스/성능 데이터 쌍)에 대해서 시리즈로(예를 들어, 하나씩), 그리고 작은 단계별로(하지만 잡음이 있음) 수행한다. 이것은 상대적으로 정확한 훈련된 모델을 초래할 수 있는데, 하지만, 훈련 데이터-세트가 커지면, 훈련하는데 오랜 시간이 걸릴 수 있다. 그레디언트 감소법은 배치 그레디언트 감소법(Batch Gradient Descent)이거나 이를 포함할 수 있는데, 여기에서는 샘플 쌍을 훈련시키기 위한 계산이 동시에 수행된다. 그러면, 모델이 더 잘 수렴될 수 있고(예를 들어, 평균화에 기인함), 병렬성(parallelism)이 적용될 수 있다. 그러나, 배치 그레디언트 감소법은 모든 데이터가 존재하고, 수행하려면 전자 메모리에 들어갈 것을 요구한다(이것은 큰 데이터-세트에 대해서는 문제가 될 수 있음). 그레디언트 감소법은 미니-배치 그레디언트 감소법이거나 이를 포함할 수 있는데, 여기에서는 계산이 훈련 프로세스/성능 데이터 쌍의 하나의 서브세트(미니-배치)에 대해서 한번에 수행된다. 미니-배치 그레디언트 감소법을 사용하면, 훈련 데이터세트가 미니-배치들로 분할된다. 모든 미니-배치에 대해서 반복이 이루어지고, 이것이 최적 파라미터가 결정될 때까지 반복된다.
서비스 제공자 및/또는 다른 집중형 시스템에 의해 생성되고 및/또는 훈련되는 종래의 예측 모델에서는, 훈련 데이터가 원격 시스템(예를 들어 서비스 제공자의 고객과 연관됨)에 의해서 중앙 시스템(예를 들어 서비스 제공자와 연관됨)에 수집된다. 원격 시스템으로부터 정보가 의도하지 않게 새어나가는 것이 흔히 문제였다. 본 발명의 시스템 및 방법은 이러한 단점과 다른 단점을 해결하기 위해서 개발되었다.
본 발명의 시스템 및 방법은 모델 파라미터를 가지는 예측 모델을 결정하고 상이한 (예를 들어, 고객) 시스템으로 배포하도록 구성된다. 개별적인 (예를 들어, 고객) 시스템은 분산형 모델을 로컬 훈련 데이터의 하나의 미니-배치로 훈련(또는 재훈련)시킬 수 있다. 결과적으로 얻어지는 국지적으로 업데이트된 모델 파라미터(예를 들어, 가중치, 바이어스, 및/또는 다른 모델 파라미터)가 중앙 (예를 들어 서비스 제공자) 시스템으로 반환되고, 그곳에서는 일부 형태의 집합화(aggregation)(예를 들어, 평균화 및/또는 다른 집합화)가 일어난다. 집합화된 모델 파라미터는 상이한 고객 시스템으로 재배포되고, 이러한 프로세스가 최적 모델 파라미터가 결정될 때까지 반복된다.
일 예로서, 본 발명의 시스템 및 방법은 모델 및 모델 파라미터(예를 들어, 가중치, 바이어스 등)가 서비스 제공자로부터 고객에게 배포되는 것이 가능해지게 할 수 있다. 각각의 고객은 자기 자신의 데이터를 가지고 있다(이것은 미니-배치라고 여겨질 수 있음). 고객은 자기 자신의 훈련 데이터만을 가지고 그레디언트 감소법의 한 단계를 수행한다. 결과적으로 얻어지는 업데이트된 모델 파라미터(예를 들어, 가중치, 바이어스 등)가 서비스 제공자에게 반환된다. 고객 데이터가 모델 파라미터의 개수보다 훨씬 크기 때문에, 고객 데이터의 세부 사항은 업데이트된 모델 파라미터에서는 숨김 / 차단된다. 훈련이 완료되면, 본 발명의 시스템 및 방법은 서비스 제공자가 이용가능한 데이터에 대해서 훈련된 최적 모델을 고객 데이터에 직접적으로 액세스할 필요가 없이(서비스 제공자의 관점으로 볼 때) 전달할 수 있도록 구성되고, 이러한 모델은 고객들 사이에서 공유될 수 있다.
도 3은 리소그래피 프로세스를 향상시키기 위하여 사용되는 예측 모델을 조절하기 위한 본 발명의 방법(300)의 동작의 요약을 예시한다. 이러한 방법(300)은 상기 복수 개의 모델 파라미터를 포함하는 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 단계(304)를 포함한다. 일부 실시형태에서, 상기 하나 이상의 원격 위치는, 상기 초기 예측 모델이 생성되고 훈련되며, 상기 업데이트된 모델 파라미터가 수신되고, 상기 집합화된 업데이트된 모델 파라미터가 결정되며, 상기 조절된 예측 모델이 결정되는(예를 들어, 후술되는 바와 같음) 설비 위치로부터 떨어져 있는 하나 이상의 설비 위치를 포함한다.
일부 실시형태들에서, 예측 모델은 신경망 및/또는 다른 예측 모델이다. 일부 실시형태에서, 복수 개의 모델 파라미터는 가중치, 바이어스, 및/또는 신경망의 다른 파라미터를 포함한다. 초기 예측 모델을 제공하는 것은 초기 예측 모델을 하나 이상의 원격 위치로 송신 및/또는 그 외에 배포하는 것을 포함한다. 초기 예측 모델을 송신 및/또는 그렇지 않으면 배포하는 것은, 이러한 모델을 이메일(emailing), 문자 메시지(texting), 및/또는 다른 전자적 메시징하는 것을 포함할 수 있고, 모델을 웹사이트를 통하여 제공하고, 클라우드 저장소 미디어를 통해서 모델로의 액세스를 저장 및/또는 제공하며, 모델을 비-일시적 저장소 미디어에 저장하고, 비-일시적 저장소 미디어를 물리적으로 전송하며, 및/또는 다른 송신 또는 배포 방식을 포함할 수 있다.
하나 이상의 원격 위치에서는, 초기 예측 모델이 로컬 데이터로 훈련 및/또는 재훈련된다. 로컬 데이터는 프로세스 데이터 및 원격 위치와 연관된 대응하는 성능 데이터를 포함한다. 프로세스 데이터 및 대응하는 성능 데이터는, 예를 들어 원격 위치와 연관된 리소그래피 모델 및/또는 제조 프로세스에 대한 데이터, 및/또는 다른 데이터를 포함할 수 있다. 일부 실시형태들에서, 제 1 로컬 데이터는 제 1 원격 위치와 연관될 수 있고, 제 2 로컬 데이터는 제 2 원격 위치와 연관될 수 있는 식이다. 일부 실시형태들에서(예를 들어, 본 명세서에서 설명된 바와 같이), 원격 위치는 서비스 제공자의 고객과 연관되고, 서비스 제공자는 초기 예측 모델의 복제본을 개별 고객에게 제공한다. 초기 예측 모델을 로컬 데이터로써 재훈련시키는 것은, 로컬 데이터를 개별적인, 참여하는 원격 위치(예를 들어, 고객)에서의 예측 모델 및/또는 다른 훈련에 대한 입력으로 제공하는 것을 포함할 수 있다. 예를 들어, 초기 예측 모델은 여러 상이한 원격 위치 각각에서 다르게 재훈련될 수 있다. 이러한 재훈련은 병렬적으로, 예를 들어 상이한 원격 위치에서 일어날 수 있는데, 그 이유는 각각의 원격 위치가 재훈련을 위하여 그들 자신의 로컬 데이터를 사용하기 때문이다.
일 실시형태에서, 초기 예측 모델을 하나 이상의 원격 위치에 제공하기 이전에, 초기 예측 모델은 글로벌 데이터를 사용하여 생성 및/또는 훈련된다(302). 글로벌 데이터는 로컬 데이터보다 큰 데이터 세트, 로컬 데이터와 다른 데이터 세트(반드시 더 큰 것은 아님), 및/또는 다른 데이터를 포함한다. 글로벌 데이터(프로세스 및 대응하는 성능 데이터)는 서비스 제공자와 연관될 수 있고, 원격 위치 중 하나 이상으로부터의 데이터와 관련될 수 있으며(하지만 동일하지는 않음), 원격 위치 중 두 개 이상의 원격 위치로부터의 데이터와 관련 및/또는 연관될 수 있으며, 및/또는 다른 데이터를 포함할 수 있다. 글로벌 데이터는, 예를 들어 여러 원격 위치와 연관된, 관련되는, 및/또는 대표하는 프로세스 데이터 및 대응 성능 데이터를 포함할 수 있다. 프로세스 데이터 및 대응하는 성능 데이터는, 예를 들어 여러 원격 위치에 연관되고, 관련되며, 및/또는 나타내는 리소그래피 모델링 및/또는 제조 프로세스에 대한 데이터, 및/또는 다른 데이터를 포함할 수 있다. 일부 실시형태들에서, 글로벌 데이터는 기대된 프로세스 거동에 기반하여 결정되는 합성 데이터이거나 이것에 기반한다. 일부 실시형태들에서, 글로벌 데이터는 시드 데이터 및/또는 모델 파라미터(예를 들어, 일반적으로, 무작위로 선택된 가중치)일 수 있다. 이러한 실시형태에서, 실제 학습은 고객에서만 일어날 수 있다(이용가능한 경우, 서비스 제공자에서 이용가능한 관련된 훈련 데이터와 결합될 수 있음). 레티클 오염 케이스의 예의 경우, 서비스 제공자는 내부 레티클 이미징 시스템으로부터 입자 데이터를 수집하고, 물리적 입자로부터의 세부사항을 현미경을 사용하여 수집할 수 있다. 또한, 고객은 이것을 국지적으로, 병렬적으로, 자기 자신의 프로세스에서 수행할 수도 있다. 이러한 예에서, 서비스 제공자는 자기 자신의 로컬 데이터에 대해서 훈련하는 것으로 시작하고, 결합된 고객 데이터에 대해서 데이터를 정제할 수 있다. 이러한 데이터가 서비스 제공자에서 국지적으로 이용가능하지 않으면, 고객에게 배포된 제 1 모델은 예를 들어 '랜덤 가중치'를 가질 수 있다(예를 들어, 시작점을 구축하기 위하여).
초기 예측 모델을 하나 이상의 원격 위치에서의 로컬 데이터로 훈련시키는 것은 초기 예측 모델을 재훈련시켜서 적어도 하나의 모델 파라미터를 업데이트하는 것을 포함한다. 예를 들어, 초기 예측 모델은 하나 이상의 원격 위치에서의 로컬 데이터로 훈련(또는 재훈련)되어, 가중치(또는 wieght), 바이어스(또는 bias), 및/또는 다른 파라미터가 하나 이상의 원격 위치 각각에서의 로컬 데이터에 기반하여 업데이트되게 할 수 있다. 초기 예측 모델을 훈련 및/또는 재훈련시키는 것은, 로컬 데이터를 초기 예측 모델에 대한 입력으로서 초기 예측 모델에 제공하는 것을 포함할 수 있다(예를 들어, 전술된 바와 같이). 초기 예측 모델은 예측 모델에 제공된 대응하는 프로세스 데이터에 기반하여 성능 데이터를 더 양호하게 예측하는 것을 학습하도록 동작할 수 있다(예를 들어, 신경망과 관련하여 전술된 바와 같이). 성능을 더 양호하게 예측하도록 학습하는 것은, 모델 파라미터 중 하나 이상을 반복적으로 업데이트하는 것, 및 업데이트 결과 공지된 성능 데이터의 예측이, 예를 들어 양호해지는지 또는 열악해지는지 여부를 결정하는 것을 포함할 수 있다.
이러한 방법(300)은 초기 예측 모델이 훈련(또는 재훈련)되었던 상기 하나 이상의 원격 위치 각각으로부터 적어도 하나의 업데이트된 모델 파라미터를 수신하는 단계(306)를 포함한다. 이것은 업데이트된 가중치, 바이어스, 및/또는 다른 파라미터를 하나 이상의 원격 위치 각각으로부터 수신하는 것을 포함할 수 있다. 전술된 예로 계속 진행하면, 업데이트된 가중치, 바이어스, 및/또는 다른 파라미터가 제 1 원격 위치(고객), 제 2 원격 위치(고객) 등으로부터 수신될 수 있다.
이러한 방법(300)은 상기 하나 이상의 원격 위치로부터 수신된 적어도 하나의 업데이트된 모델 파라미터에 기반하여 집합화된 업데이트된 모델 파라미터를 결정하는 단계(308)를 포함한다. 이것은 하나 이상의 원격 위치 각각으로부터 수신된, 예를 들어 집합화된(aggregated) 업데이트된 가중치, 바이어스, 및/또는 다른 파라미터를 결정하는 것을 포함할 수 있다. 일 실시형태에서, 집합화된 업데이트된 모델 파라미터를 결정하는 것은 대응하는 모델 파라미터의 평균화 및/또는 다른 집합화를 포함한다. 예를 들어, 가중치는 하나 이상의 원격 위치 각각으로부터 수신된 다른 대응하는 가중치와 함께 평균화되고, 바이어스가 다른 대응하는 바이어스들과 평균되는 등이다. 좀 더 구체적인 예로서, 업데이트된 제 1 및 제 2 가중치는 여러 원격 위치(예를 들어, 고객) 각각에서 결정되어, 제 1 가중치의 여러 값과 제 2 가중치의 여러 값이 수신되게 할 수 있다. 수신하는 것에 응답하여, 제 1 가중치의 여러 값이 함께 평균화될 수 있고(및/또는 그렇지 않으면 집합화됨), 이와 별개로, 제 2 가중치의 여러 값이 함께 평균화될 수 있다(및/또는 그렇지 않으면 집합화됨). 이러한 프로세스는 임의의 개수의 가중치, 바이어스, 및/또는 다른 모델 파라미터에 대해서 반복될 수 있다.
일부 실시형태들에서, 이러한 방법(300)은, 초기 예측 모델을 집합화된 업데이트된 모델 파라미터에 기반하여 조절하는 단계(310)를 포함한다. 이것은, 예를 들어 집합화된 업데이트된 가중치, 바이어스, 및/또는 다른 파라미터에 기반하여, 예를 들어 초기 신경망을 조절하는 것을 포함할 수 있다. 일부 실시형태들에서, 초기 예측 모델을 조절(310) 하는 단계는 집합화된 업데이트된 모델 파라미터로 예측 모델의 종래의 모델 파라미터를 치환하는 것을 포함한다. 일부 실시형태들에서, 집합화된 업데이트된 모델 파라미터 중 하나, 일부, 또는 전부가 치환된다. 일부 실시형태들에서, 방법(300)은 집합화된 업데이트된 모델 파라미터 중 하나, 일부, 또는 전부를 자동적으로 치환하는 것을 포함한다. 일부 실시형태들에서, 방법(300)은 집합화된 업데이트된 모델 파라미터 중 어느 것을 치환할지에 대한 사용자 선택 및/또는 다른 표시(예를 들어, 본 명세서에서 설명된 바와 같은 사용자 인터페이스를 통하여)를 구현하는 것을 포함한다
일부 실시형태들에서, 초기 예측 모델을 조절(310)하는 것은, 예를 들어 서비스 제공자에 의하여 수행될 수 있다. 이러한 실시형태에서, 서비스 제공자는 초기 예측 모델을 조절하고, 조절된 예측 모델을 원격 위치(예를 들어, 고객)에게 제공할 수 있다.
일부 실시형태들에서, 방법(300)은 중단 조건이 만족될 때까지 반복적으로, 조절된 예측 모델(및/또는 집합화된 업데이트된 모델 파라미터)을 하나 이상의 원격 위치(예를 들어, 고객)로 반복적으로 제공(312)하고, 업데이트된 모델 파라미터를 수신하며(예를 들어, 고객으로부터), 집합화된 업데이트된 모델 파라미터를 결정하고, 조절된 예측 모델을 재조절하는 것을 포함한다. 일부 실시형태들에서, 상기 중단 조건은 재조절된 예측 모델의 수렴을 포함한다. 일부 실시형태들에서, 재조절 예측 모델의 수렴은, 집합화된 업데이트된 모델 파라미터의 변화량이 임계 변화량 안에 있는 것 및/또는 임의의 다른 모델 수렴 기준들을 포함한다.
간략히 요약하자면, 일부 실시형태들에서는 초기 예측 모델의 생성 및 훈련이 서비스 제공자에 의해서 수행된다. 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 것이 서비스 제공자에 의해 수행된다. 원격 위치 및 로컬 데이터는 서비스 제공자의 고객과 연관된다. 업데이트된 모델 파라미터는 하나 이상의 원격 위치 각각으로부터 서비스 제공자에 의해 수신된다. 하나 이상의 원격 위치 각각으로부터 수신된 집합화된 업데이트된 모델 파라미터는 서비스 제공자에 의해 결정된다. 조절된 예측 모델은 집합화된 업데이트된 모델 파라미터에 기반하여 서비스 제공자(및/또는 개별 고객)에 의해 결정된다. 로컬 데이터는, 상기 하나 이상의 원격 위치(예를 들어, 고객) 각각에 대하여 국소적으로 유지되고, (1) 상기 초기 예측 모델을 제공하고, 상기 업데이트된 모델 파라미터가 수신되며, 상기 집합화된 업데이트된 모델 파라미터가 결정되고, 상기 조절된 예측 모델이 결정되는 위치(예를 들어, 서비스 제공자), 또는(2) 상기 원격 위치 중 나머지 원격 위치(예를 들어, 고객)와 공유되지 않는다.
일부 실시형태들에서, 조절된 예측 모델(예를 들어, 신경망)은 리소그래피 프로세스를 향상시키도록 동작가능하고(예를 들어, 전술된 바와 같이), 및/또는 다른 애플리케이션을 가진다. 예를 들어, 조절된 예측 모델은 프로세스 데이터의 세트가 제공되면 포토리소그래피 프로세스에 대한 성능 데이터를 더 잘 예측할 수 있을 수 있다. 예측 모델은 반복적으로 조절되어 포토리소그래피 프로세스 예측의 정확도를 향상시킬 수 있다. 이러한 예측은 프로세스 파라미터를 결정하고, 피쳐 설계를 결정 및/또는 조절하며, 제조 동작의 순서를 결정하고, 제조 프로세스를 위하여 어떤 제조 장비를 사용할지를 결정하며, 및/또는 다른 향상을 가능하게 하기 위하여 사용될 수 있다.
비한정적인 예를 이용하여, 도 4a 내지 도 4e는 초기 예측 모델을 원격 위치에 제공하는 것, 업데이트된 모델 파라미터를 원격 위치로부터 수신하는 것, 집합화된 업데이트된 모델 파라미터를 결정하는 것, 및 초기 예측 모델을 조절하는 것을 예시한다. 도 4a는 예측 모델(401 (M))을 서비스 제공자(402)로부터 하나 이상의 고객(404)(예를 들어, 원격 위치)에게 제공 및/또는 그렇지 않으면 배포(400)하는 것을 예시한다. 도 4a에 도시된 바와 같이, 예측 모델(401 (M))은 제 1 고객 "Customer(1)", 제 2 고객 "Customer(2)", … 및 K번째 고객 "Customer(K)"에게 배포된다. 동일한 모델(401 (M))이 각각의 고객(404)에게 제공될 수 있다. 전술된 바와 같이, 예측 모델(401 (M))을 제공하는 것은 예측 모델(401 (M))을 하나 이상의 고객(404)에게 송신 및/또는 그렇지 않으면 배포하는 것을 포함한다. 초기 예측 모델을 송신 및/또는 그렇지 않으면 배포하는 것은, 이러한 모델을 이메일(emailing), 문자 메시지(texting), 및/또는 다른 전자적 메시징하는 것을 포함할 수 있고, 모델을 웹사이트를 통하여 제공하고, 클라우드 저장소 미디어를 통해서 모델로의 액세스를 저장 및/또는 제공하며, 모델을 비-일시적 저장소 미디어에 저장하고, 비-일시적 저장소 미디어를 물리적으로 전송하며, 및/또는 다른 송신 또는 배포 방식을 포함할 수 있다.
도 4b는 개별 고객(404)(예를 들어, Customer 1, Customer 2, …, Customer K)이 자기 자신의 로컬 데이터(406)를 어떻게 가지는지를 예시한다. 로컬 데이터는 (예를 들어) 고객(404)과 연관되는 리소그래피 프로세스에 대한 프로세스 데이터 및 대응하는 성능 데이터 및/또는 다른 데이터를 포함할 수 있다. 예를 들어, 로컬 데이터(406 (B1))는 고객(404 (1))과 연관되고, 로컬 데이터(406 (B2))는 고객(404 (2))과 연관되며, 이런 식으로 로컬 데이터(406 (Bk))는 고객(404 (K))과 연관된다. 도 4b는 서비스 제공자(402)가 가장 최근의(예를 들어, 가장 최신이거나 및/또는 최근에 결정 및/또는 집합화된) 모델 파라미터를 가지는 모델(401 (M))의 버전을 어떻게 배포(400) 하는지를 역시 예시한다. 도 4b에 도시되는 예에서, 예측 모델은 신경망이고 모델 파라미터는 가중치(W)를 포함할 수 있다. 도 4b는 서비스 제공자(402)가 어떻게 최근 가중치 WL를 가지는지(예를 들어, W = WL)를 예시한다.
도 4c는 모델(401 (M))(예를 들어, 신경망과 같은 예측 모델)에 대한 최근 가중치(W)를 고객(404 (1), 404 (2), …, 및 404 (K))에게 배포(410)하는 것을 예시한다. 동일한 가중치(W)가 각각의 개별 원격 고객 위치로 배포된다(410). 개별 고객(404)은 최근 가중치(W)를 가지는 모델(401 (M))을 로딩할 수 있다. 예를 들어, 동작(412, 414, 및 416)은 개별 고객(404(1, 2, …K))이 가중치(W)를 가지는 모델(401 (M))을 로딩하는 것을 예시한다. 가중치(W)는 각각의 개별 원격 고객 위치에서 모델(401 (M))(예를 들어, 모델(401 (M))의 로컬 복제본)에 개별적으로 로딩될 수 있다. 일부 실시형태들에서, 최근 가중치(W)는 모델(401 (M))을 포함하는 동일한 통신에서(예를 들어, 모델(401 (M)의 초기 배포와 함께), 및/또는 별개의 통신 및/또는 송신에서(예를 들어, 가중치 및/또는 본 명세서에서 설명된 바와 같은 다른 모델 파라미터를 수신, 집합화, 및 업데이트하는 것을 반복한 이후에) 고객(404)에게 전송될 수 있다.
도 4d는 하나 이상의 원격 고객(예를 들어,(404 (1), 404 (2), … 404 (K)) 위치에서 모델(401 (M))을 로컬 데이터(406)(예를 들어, B1, B2, …, Bk)로 훈련(및/또는 재훈련)(420) 하는 것을 예시한다. 모델(401 (M))을 하나 이상의 원격 고객 위치(404)에서 로컬 데이터(406)로 훈련(또는 재훈련)하는 것은, 로컬 데이터(406)를 개별 고객 위치(404)에 있는 모델(401 (M))에 제공하는 것 및 모델(401 (M))이 적어도 하나의 모델 파라미터를 업데이트하게 하는 것을 포함한다. 예를 들어, 모델(401 (M))은 하나 이상의 원격 고객 위치(404)에서 로컬 데이터(406)로 훈련(또는 재훈련)되어(404), 가중치(또는 wieght), 바이어스(또는 bias), 및/또는 다른 파라미터가 하나 이상의 원격 고객 위치 각각에서의 로컬 데이터(406)에 기반하여 업데이트되게 할 수 있다. 일부 실시형태들에서, 훈련(및/또는 재훈련)은 그레디언트 감소(예를 들어, 전술된 바와 같이)의 하나의 단계를 원격 고객 위치(404)에 제공된 로컬 데이터(406)만을 사용하여 국지적으로 실행하는 것을 포함한다. 그레디언트 감소법의 단계를 실행하는 것과 연관된 수학식의 하나의 비한정적인 예는 다음과 같을 수 있다:
Figure pct00007
Figure pct00008
도 4d는 이러한 수학식들이 프로세스에서 일어날 수 있는 플레이스홀더(placeholder; 422)를 예시한다. 하나의 원격 고객 위치(404)로부터의 로컬 데이터(406)가 임의의 다른 원격 고객 위치(404), 및/또는 서비스 제공자(402)와 공유되지 않는다는 것에 주의해야 한다. 다수의 별개의 그레디언트 감소법 계산이 개별 원격 고객 위치(404)에서 병렬적으로 수행된다.
도 4e는 업데이트된 가중치(W) 및/또는 다른 모델 파라미터를 개별 원격 고객 위치(404)(예를 들어, 404 (1), 404 (2), …, 404 (K))에서 결정(450, 452, 454)하는 것을 예시한다. 업데이트된 가중치(이러한 예에서)는 서비스 제공자(402)로 반환된다(460). 서비스 제공자(402)는 업데이트된 가중치들을 집합화(460) 한다. 도 4e에 도시되는 예에서, 집합화는 평균화를 포함한다. 일부 실시형태들에서, 업데이트된 가중치를 집합화하는 것은 하나 이상의 원격 고객 위치(404) 각각으로부터, 예를 들어 집합화된 업데이트된 가중치, 바이어스, 및/또는 다른 파라미터를 결정하는 것을 포함할 수 있다. 집합화된 업데이트된 모델 파라미터를 결정하는 것은 평균화 및/또는 하나 이상의 원격 위치 각각으로부터 수신된 대응하는 모델 파라미터의 집합화(예를 들어, 가중치는 가중치들과 평균화되고, 바이어스는 바이어스들과 평균화되는 등)를 포함한다.
도 4e는 또한, 집합화된 업데이트된 가중치(이러한 예에서)가 어떻게 최근 가중치 WL이 되는지(최근 가중치로 취급됨)를 예시하고, 도 4a 내지 도 4e에 도시되는 동작은 이러한 최근 가중치로 반복된다. 도 4a 내지 도 4e에 도시되는 동작은, 예를 들어 개별적인 반복 이후에 모델이 수렴하지 않는 것에 응답하여 반복식으로 반복될 수 있다(예를 들어 새로운 최근 가중치를 가지고 반복됨). 일부 실시형태들에서, 이러한 방법은 집합화된 업데이트된 모델 파라미터(예를 들어, 이러한 예에서는 가중치)에 기반하여 예측 모델(401 (M))을 조절하는 것을 더 포함한다. 이것은, 예를 들어 집합화된 업데이트된 가중치, 바이어스, 및/또는 다른 파라미터에 기반하여, 예를 들어 초기 신경망을 조절하는 것을 포함할 수 있다.
도 3으로 돌아가면, 일부 실시형태들에서, 초기 예측 모델(예를 들어, 신경망)을 글로벌 데이터를 사용하여 훈련시키는 단계(예를 들어, 동작 302)는, 초기 예측 모델을, 레티클 또는 콜렉터와 연관된 이미지 데이터, 및 오염 또는 이미지 성능과 연관된 결함 정보로 훈련시키는 것을 포함한다. 일부 실시형태들에서, 일 실시형태에서, 상기 조절된 예측 모델이 상기 리소그래피 프로세스를 향상시키도록 동작가능한 것은, 상기 조절된 예측 모델이 상기 리소그래피 프로세스 내의 레티클 오염을 인식하도록 사용되는 것을 포함한다. 일부 실시형태에서, 상기 조절된 예측 모델이 상기 리소그래피 프로세스를 향상시키도록 동작가능한 것은, 상기 조절된 예측 모델이, 콜렉터 오염이 상기 리소그래피 프로세스에서의 노광을 위한 수락가능한 레벨에 있는지 여부를 결정하기 위하여 사용되는 것을 포함한다. 집적 회로 제작 프로세스, 및/또는 다른 프로세스와 관련되는 여러 상이한 양태들이 구상된다. 예를 들어, 일 실시형태에서, 이러한 방법은 예측 모델을 반도체 제조 프로세스의 일부로서 웨이퍼의 기하학적 구조를 예측하기 위해서 사용하는 것을 포함할 수 있다. 일 실시형태에서, 이러한 방법은 예측 모델을 반도체 제조 프로세스의 일부로서 예측된 오버레이를 생성하기 위해서 사용하는 것을 포함할 수 있다. 이들은 오직 예시적인 것이고, 한정하려는 의도가 아니다.
도 5는 모델 및 모델 파라미터가 저장될 수 있고(502), 하나 이상의 모델 서버(504)(예를 들어, 모델 및/또는 모델 파라미터를 원격 위치로 공급하는 것과 업데이트된 모델 파라미터를 집합화하는 것, 예측 모델을 조절하는 것 등을 구현하도록 구성됨)가 제공될 수 있으며, 온전성 점검(sanity check; 506)이 수행될 수 있고, 암호화(508) / 복호화(510)가 수행될 수 있는 서비스 제공자(402)를 예시한다.
일부 실시형태들에서, 방법(300)(도 3)은 제공된 초기 예측 모델 및/또는 예측 모델의 다른 버전, 하나 이상의 모델 파라미터, 및/또는 다른 정보를 암호화(508)(도 5)하는 것을 포함한다(예를 들어, 동작 304에서). 일부 실시형태에서, 암호화(508), 로컬 데이터를 사용한 훈련이 제공된 초기 예측 모델의 복호화가 없이 일어나도록 구성된다. 일부 실시형태들에서, 방법(300)은 하나 이상의 원격 위치 각각으로부터 수신된 업데이트된 적어도 하나의 모델 파라미터를 복호화(510)(도 5) 하는 것을 포함한다(예를 들어, 동작 306에서). 일부 실시형태들에서, 하나 이상의 원격 위치(예를 들어, 고객)에게 제공되고 그로부터 수신되는 정보를 암호화(508) 및/또는 복호화(510)하면, 원격 위치에 있는 사용자에게 신용 및/또는 신뢰도가 증가하게 되어, 로컬 데이터가 서비스 제공자 및/또는 상기 원격 위치 중 나머지 원격 위치와 우연하게 공유되지 않을 것이다. 일부 실시형태들에서, 하나 이상의 원격 위치에 제공되고 그로부터 수신되는 정보를 암호화(508) 및/또는 복호화(510)하면 서비스 제공자의 신용 및/또는 신뢰도가 증가되어 주어진 예측 모델이 독점되는 상태가 유지될 수 있고, 예를 들어 고객들 사이에서 공유되거나 리버스 엔지니어링되지 않을 것이다.
일부 실시형태들에서, 방법(300)(도 3)은 제공된 초기 예측 모델 및/또는 예측 모델의 다른 버전, 하나 이상의 모델 파라미터, 및/또는 다른 정보에 온전성 점검(506)(도 5)을 수행하는 것을 포함한다. 예를 들어, 일부 실시형태들에서, 이러한 방법은 하나 이상의 원격 위치 각각으로부터 수신된 하나 이상의 업데이트된 모델 파라미터에 온전성 점검을 수행하는 것을 포함한다. 일부 실시형태들에서, 온전성 점검을 수행하는 것은 일반적으로 수신된 값이 값의 기대된 범위 안에 포함되는지 여부를 결정하는 것을 포함할 수 있다. 예를 들어, 온전성 점검을 수행하는 것은 업데이트된 파라미터 값(예를 들어, 가중치))이 신경망에 대한 가중치의 기대 범위 안에 있는지 여부를 결정하는 것을 포함할 수 있다. 값의 기대된 범위는 상이한 파라미터에 대해서 기대되는 상이한 범위(예를 들어, 상이한 가중치, 상이한 바이어스 등에 대한 상이한 범위)가 존재하도록 개별적인 파라미터에 대응할 수 있다 기대된 범위는 모델 파라미터에 대한 이전의 값에 기반하여 결정되고, 제조 시에 결정되며, 사용자, 및/또는 다른 방법에 의하여 결정 및/또는 조절 될 수 있다(예를 들어, 본 명세서에서 설명되는 사용자 인터페이스를 통하여). 온전성 점검의 다른 가능한 비한정적인 예로서, 고객은 모델의 새로운 버전이 실제로 개선되는지 여부를 알도록 점검할 수 있고, 또는 서비스 제공자는 수렴 경향 등을 점검할 수 있다. 다른 예들이 구상된다.
일부 실시형태들에서, 암호화/복호화 및/또는 온전성 점검은 전술된 바와 같이 서비스 제공자에 의해서 수행되거나, 및/또는 원격 위치에 있는 고객에 의하여 수행될 수 있다. 예를 들어, 도 6a는 모델 및 모델 파라미터가 저장될 수 있고(602), 하나 이상의 모델 서버가 제공될 수 있으며(604)(예를 들어, 원격 고객 위치(404)에서의 모델 및/또는 모델 파라미터의 수신, 모델 파라미터를 업데이트 하는 것 등이 이루어지도록 구성됨), 온전성 점검(606)이 수행될 수 있고(예를 들어, 들어오는 데이터 및/또는 나가는 데이터에), 및 복호화(608) / 암호화(610)가 수행될 수 있는 원격 고객 위치(404)를 예시한다. 도 6a에 도시된 바와 같이, 일부 실시형태들에서, 예측 모델이 하나 이상의 원격 위치(404) 각각에 있는 하나 이상의 모델 서버(604)로 제공된다. 일부 실시형태들에서, 원격 위치(404)(예를 들어, 고객)와의 통신은 모델 레이아웃, 모델 가중치, 및/또는 다른 정보에만 관련된 것이다.
일부 실시형태들에서, 도 6b에 도시된 바와 같이, 주어진 모델 서버(604)는 주어진 원격 고객 위치(404)에 있는 로컬 데이터 서버(700)와 별개이다. 도 6b는 모델 서버(604)와 별개인 로컬 데이터 저장소(702)를 더 예시한다. 로컬 데이터 저장소(702)로부터의 데이터는 원격 고객 위치(404)에 국지적으로 남게 되고, 서비스 제공자(402) 및/또는 다른 고객에 대한 다른 원격 고객 위치(404)와 공유되지 않는다. 로컬 데이터 저장소(702)는 고객이 (예를 들어) 개인적인 것으로 유지되고 및/또는 원격 위치(404)에 저장되기를 원하는 데이터 및/또는 다른 데이터를 저장할 수 있다. 이러한 데이터는 동작 및/또는 프로세스 데이터, 및/또는 고객이 서비스 제공자(402) 및/또는 다른 원격 위치(404)와 공유하기를 원치 않는 다른 데이터를 포함할 수 있다.
도 7은 최근 파라미터(예를 들어, 가중치, 바이어스 등)가 서비스 제공자(402)로부터 원격 위치(404)에 수신될 때(예를 들어, 통신(601)을 통하여), 어떻게 최근 파라미터가 모델(및/또는 최근 파라미터와 함께 및/또는 최근 파라미터 이전에 서비스 제공자(402)로부터 전송된 모델)의 로컬 복제본 내로 로딩되고(704), 파라미터가 업데이트되며, 업데이트된 파라미터가 다시 서비스 제공자(402)에게 제공되는지(예를 들어, 통신(601)을 통하여) 예시한다. 최근 파라미터는, 예를 들어 모델 서버(604) 및/또는 다른 컴포넌트에 의해서 모델의 로컬 복제본으로 로딩될 수 있다(704). 최근 파라미터는 로컬 데이터 서버(700)로부터의 로컬 동작 데이터(706), 및/또는 다른 정보와 함께 모델의 로컬 복제본에 로드딩될 수 있다(704).
전술된 바와 같이, 파라미터를 업데이트하는 것은, 예측 모델을 하나 이상의 원격 위치(404)에서의 로컬 데이터(706)로 훈련(또는 재훈련)시키는 것을 포함할 수 있다. 이러한 훈련(또는 재훈련)이 원격 위치(404)에 있는 서버(710) 및/또는 다른 컴포넌트를 훈련시킴으로써 수행될 수 있는 것은 초기 예측 모델을 훈련시켜서 적어도 하나의 모델 파라미터를 업데이트하는 것을 포함한다. 예를 들어, 예측 모델은 원격 위치(404)에서 로컬 그레디언트 감소법(420)을 실행함으로써 로컬 데이터(706)로 훈련(또는 재훈련)됨으로써, 가중치(또는 wieght), 바이어스(또는 bias), 및/또는 다른 파라미터가 로컬 데이터(706)에 기반하여 업데이트되게 할 수 있다. 이것은 하나 이상의 원격 위치(404) 각각에서 일어날 수 있다. 예측 모델을 훈련 및/또는 재훈련하는 것은, 로컬 데이터를 초기 예측 모델에 대한 입력으로서 초기 예측 모델에 제공하는 것을 포함할 수 있다(예를 들어, 전술된 바와 같음). 예측 모델은 예측 모델에 제공된 대응하는 프로세스 데이터에 기반하여 성능 데이터를 더 양호하게 예측하는 것을 학습하도록 동작할 수 있다(예를 들어, 신경망과 관련하여 전술된 바와 같이). 성능을 더 양호하게 예측하도록 학습하는 것은, 모델 파라미터 중 하나 이상을 반복적으로 업데이트하는 것, 및 업데이트 결과 공지된 성능 데이터의 예측이, 예를 들어 양호해지는지 또는 열악해지는지 여부를 결정하는 것을 포함할 수 있다.
일부 실시형태들에서, 도 3, 도 4a 내지 도 4e, 도 5, 도 6a 내지 도 6b, 도 7, 및 도 8 도시되고 설명된 방법 및/또는 동작은 초기 예측 모델을 초기 예측 모델이 로컬 데이터로 훈련되는 제 1 원격 위치에 제공함으로써, 초기 예측 모델의 가중치, 바이어스, 및/또는 다른 파라미터가 제 1 원격 위치에서의 로컬 데이터에 기반하여 업데이트되게 하는 것을 포함한다. 업데이트된 가중치, 바이어스, 및/또는 다른 파라미터는 제 1 원격 위치로부터 수신될 수 있다. 이러한 방법 및/또는 동작은 초기 예측 모델을 집합화된 업데이트된 가중치, 바이어스, 및/또는 제 1 원격 위치로부터 수신된 다른 파라미터에 기반하여 조절하는 것을 포함할 수 있다. 이러한 방법 및/또는 동작은 조절된 예측 모델을 조절된 예측 모델이 로컬 데이터로써 재훈련되는 제 2 원격 위치에 제공함으로써, 가중치가 제 2 원격 위치에서의 로컬 데이터에 기반하여 재업데이트되게 하는 것을 포함할 수 있다. 이러한 방법 및/또는 동작은 재업데이트된 가중치를 제 2 원격 위치로부터 수신하는 것; 및 조절된 예측 모델을 제 2 원격 위치로부터 수신된 재업데이트된 가중치에 기반하여 재조절하는 것을 포함할 수 있다. 일부 실시형태들에서, 이러한 방법 및/또는 동작은 반복적으로 재조절 예측 모델을 추가적 원격 위치에 제공하는 것(예를 들어, 전술된 동작이 하나씩 수행됨), 재업데이트된 가중치를 수신하는 것, 및 재조절 예측 모델을 재업데이트된 가중치에 기반하여 추가적으로 조절하는 것을 포함할 수 있다.
일부 실시형태들에서, 초기 예측 모델(및/또는 서비스 제공자에 의해 제공된 임의의 예측 모델)은 부분 훈련된 예측 모델을 포함한다. 부분 훈련된 예측 모델은 복수 개의 모델 파라미터를 포함함으로써, 주어진 원격 위치(예를 들어, 고객)로 제공된 이후에, 로컬 데이터로 훈련시키는 단계가 예측 모델을 완전히 훈련시키는 것을 포함하게 한다. 일부 실시형태들에서, 주어진 원격 위치에 있는 사용자(예를 들어, 고객)는, 완전 훈련된 예측 모델에 기반하여, 업데이트된 적어도 하나의 모델 파라미터를 주어진 원격 위치로부터 통신할지 여부를 결정할 수 있다. 예를 들어, 사용자가 완전 훈련된 예측 모델의 정확도에 만족하는 것에 응답하여 사용자는 모델의 추가적인 반복이 주어진 원격 위치에 대해서 불필요하다고 결정하고, 업데이트된 모델 파라미터를 서비스 제공자에게 다시 통신하도록 결정할 수 있다.
도 8은 예측 모델의 로컬 복제본(800)을 예시한다. 일부 실시형태들에서, 도 8에 도시된 바와 같이, 예측 모델의 로컬 복제본(800)이 주어진 원격 위치(404)에 있는 특정 고객에 대해서 충분한 예측 성능 레벨을 달성한다면, 고객은 모델에 대한 업데이트를 서비스 제공자(402)로부터 수신하는 것을 포기하고 및/또는 업데이트된 모델 파라미터를 서비스 제공자(402)에 다시 제공하도록 선택할 수 있다. 고객은 그들의 동작 데이터를 사용하여 충분한 성능을 발휘하는 모델을 사용하여 그들의 동작을 실행할 수 있다. 일부 실시형태들에서, 고객은 모델의 자기 자신의 로컬 복제본(800)을 계속하여 사용하면서도, 업데이트된 모델 파라미터를 서비스 제공자(402)에게 다시 제공하는 것을 계속할 수 있다.
도 9는 리소그래피 프로세스를 향상시키기 위해서 사용되는 예측 모델을 조절하기 위한 본 발명의 다른 방법의 동작(900)의 요약을 예시한다. 방법(900)은 반도체 제조 프로세스와 연관되는 로컬 훈련 데이터를 예측 모델에 제공(904)하는 것을 포함한다. 예측 모델은 대응하는 값이 있는 다양한 파라미터(예를 들어, 가중치, 바이어스 등)를 가질 수 있다. 로컬 훈련 데이터가 예측 모델로 제공되어(904) 제 1 업데이트된 모델 파라미터 값(예를 들어, 가중치, 바이어스, 및/또는 다른 파라미터)을 결정할 수 있다. 이것은 로컬 그레디언트 감소법을 실행하여, 가중치(또는 weight), 바이어스(또는 bias), 및/또는 다른 파라미터가 로컬 데이터에 기반하여 업데이트되게 하는 것을 포함할 수 있다.
이러한 방법(900)은, 예측 모델에 적어도 부분적으로 외부 훈련 데이터를 제공함으로써 획득되는 제 2 업데이트된 모델 파라미터 값을 수신하는 단계를 포함하는 동작(906)을 포함한다. 일부 실시형태들에서, 복수 개의 모델 파라미터는 가중치 및/또는 바이어스(및/또는 전술된 바와 같은 다른 파라미터)를 포함한다. 예를 들어 제 1 업데이트된 모델 파라미터 값은 제 1 업데이트된 가중치 값 및/또는 바이어스 값을 포함할 수 있고, 예를 들어 제 2 업데이트된 모델 파라미터 값은 제 2 업데이트된 가중치 및/또는 바이어스 값을 포함할 수 있다. 일부 실시형태들에서, 제 2 업데이트된 모델 파라미터는 예를 들어, 제 1 업데이트된 모델 파라미터가 결정되는 고객 위치로부터 떨어져 있는 서비스 제공자에 의해서 제공될 수 있다. 일부 실시형태들에서, 서비스 제공자 및/또는 고객은 예측 모델에 외부 훈련 데이터를 제공한다. 일부 실시형태들에서, 서비스는 외부 훈련 데이터를 생성하고, 외부 훈련 데이터를 고객에게 제공하지 않을 수도 있다.
이러한 방법(900)은, 상기 예측 모델을 예측 모델 정확도의 기대된 개선에 기반하여 조절하는 단계(908)를 포함한다. 조절하는 단계(908)는, 상기 모델 파라미터를 상기 제 1 업데이트된 모델 파라미터 값 및/또는 상기 제 2 업데이트된 모델 파라미터 값으로 업데이트하는 것을 포함한다. 예를 들어, 예측 모델을 사용하고 있는 고객이 제 1 업데이트된 모델 파라미터 값이 예측 모델이 더 정확한(제 2 업데이트된 모델 파라미터 값에 비하여) 예측을 하게 한다고 결정한다면, 고객은 예측 모델을 제 1 업데이트된 모델 파라미터 값으로 실행시킬 수 있다. 이들은 오직 예시적인 것이고 한정하려는 의도가 아니다. 일부 실시형태들에서, 제 1 업데이트된 모델 파라미터 값 중 하나 및 제 2 업데이트된 모델 파라미터 값 중 하나가 사용될 있고, 제 2 업데이트된 모델 파라미터만이 사용될 수도 있으며, 및/또는 고객에 의하여 다른 조합이 사용될 수도 있다.
일 실시형태에서, 이러한 방법은 로컬 훈련 데이터를 예측 모델에 제공하기 이전에, 예측 모델을 글로벌 데이터를 사용하여 생성 및/또는 훈련(902)하는 것을 더 포함한다. 일 실시형태에서, 동작(902)은 예측 모델을 원격 위치에 제공하는 것을 포함한다. 전술된 바와 같이, 원격 위치는 예측 모델이 생성되는 설비 위치로부터 떨어져 있는 설비 위치를 포함한다. 원격 위치는, 반도체 제조 프로세스와 연관된 로컬 훈련 데이터가 예측 모델에 제공되어 제 1 업데이트된 모델 파라미터 값을 결정하고; 제 2 업데이트된 모델 파라미터 값이 수신되며; 예측 모델이 조절되는 설비 위치를 포함한다.
본 발명의 다른 실시예들은 아래의 번호가 매겨진 절들의 목록에서 개시된다:
1. 리소그래피 프로세스를 조절하기 위한 방법으로서,
복수 개의 모델 파라미터를 포함하는 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 단계;
적어도 하나의 모델 파라미터가 업데이트되도록, 상기 초기 예측 모델을 상기 하나 이상의 원격 위치에서의 로컬 데이터로 훈련시키는 단계;
상기 초기 예측 모델이 훈련되었던 하나 이상의 원격 위치 각각으로부터 적어도 하나의 업데이트된 모델 파라미터를 수신하는 단계;
상기 하나 이상의 원격 위치로부터 수신된 적어도 하나의 업데이트된 모델 파라미터에 기반하여 집합화된 업데이트된 모델 파라미터를 결정하는 단계; 및
상기 초기 예측 모델을 상기 집합화된 업데이트된 모델 파라미터에 기반하여 조절하는 단계 - 조절된 예측 모델은 상기 리소그래피 프로세스를 향상시키도록 동작가능함 -를 포함하는, 리소그래피 프로세스 조절 방법.
2. 제 1 절에 있어서,
상기 적어도 하나의 모델 파라미터는 가중치를 포함하는, 리소그래피 프로세스 조절 방법.
3. 제 1 절 또는 제 2 절에 있어서,
상기 방법은,
상기 초기 예측 모델을 하나 이상의 원격 위치에 제공하기 이전에, 상기 초기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계를 더 포함하고,
상기 글로벌 데이터는 상기 로컬 데이터보다 큰 데이터 세트를 포함하며,
상기 글로벌 데이터는 원격 위치 중 두 개 이상의 원격 위치와 연관되어,
상기 초기 예측 모델을 상기 하나 이상의 원격 위치에서의 로컬 데이터로 훈련시키는 단계가, 상기 적어도 하나의 모델 파라미터를 업데이트하도록 상기 초기 예측 모델을 재훈련시키는 것을 포함하게 되는, 리소그래피 프로세스 조절 방법.
4. 제 3 절에 있어서,
상기 초기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계는,
상기 초기 예측 모델을, 레티클 또는 콜렉터와 연관된 이미지 데이터, 및 오염 또는 이미지 성능과 연관된 결함 정보로 훈련시키는 것을 포함하는, 리소그래피 프로세스 조절 방법.
5. 제 1 절 내지 제 4 절 중 어느 한 절에 있어서,
상기 예측 모델은 신경망인, 리소그래피 프로세스 조절 방법.
6. 제 5 절에 있어서,
상기 적어도 하나의 모델 파라미터는 가중치 및 상기 신경망의 바이어스를 포함하는, 리소그래피 프로세스 조절 방법.
7. 제 1 절 내지 제 6 절 중 어느 한 절에 있어서,
상기 조절된 예측 모델이 상기 리소그래피 프로세스를 향상시키도록 동작가능한 것은,
상기 조절된 예측 모델이 상기 리소그래피 프로세스 내의 레티클 오염을 인식하도록 사용되는 것을 포함하는, 리소그래피 프로세스 조절 방법.
8. 제 1 절 내지 제 6 절 중 어느 한 절에 있어서,
상기 조절된 예측 모델이 상기 리소그래피 프로세스를 향상시키도록 동작가능한 것은,
상기 조절된 예측 모델이, 콜렉터 오염이 상기 리소그래피 프로세스에서의 노광을 위한 수락가능한 레벨에 있는지 여부를 결정하기 위하여 사용되는 것을 포함하는, 리소그래피 프로세스 조절 방법.
9. 제 1 절 내지 제 8 절 중 어느 한 절에 있어서,
상기 하나 이상의 원격 위치는,
상기 초기 예측 모델이 생성되고 훈련되며, 상기 업데이트된 모델 파라미터가 수신되고, 상기 집합화된 업데이트된 모델 파라미터가 결정되며, 상기 조절된 예측 모델이 결정되는 설비 위치로부터 떨어져 있는 하나 이상의 설비 위치를 포함하는, 리소그래피 프로세스 조절 방법.
10. 제 9 절에 있어서,
상기 초기 예측 모델을 생성하고 훈련시키는 것은 서비스 제공자에 의하여 수행되고,
상기 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 것은 서비스 제공자에 의하여 수행되며,
상기 원격 위치 및 상기 로컬 데이터는 서비스 제공자의 고객과 연관되고,
상기 업데이트된 모델 파라미터는 하나 이상의 원격 위치 각각으로부터 상기 서비스 제공자에 의하여 수신되며,
상기 하나 이상의 원격 위치 각각으로부터 수신된 상기 집합화된 업데이트된 모델 파라미터는 상기 서비스 제공자에 의하여 결정되고,
상기 조절된 예측 모델은 상기 집합화된 업데이트된 모델 파라미터에 기반하여 상기 서비스 제공자에 의하여 결정되는, 리소그래피 프로세스 조절 방법.
11. 제 1 절 내지 제 10 절 중 어느 한 절에 있어서,
상기 방법은,
중단 조건이 만족될 때까지 반복적으로,
상기 조절된 예측 모델을 하나 이상의 원격 위치에 제공하고, 상기 업데이트된 모델 파라미터를 수신하며, 상기 집합화된 업데이트된 모델 파라미터를 결정하고, 상기 조절된 예측 모델을 재조절하는 단계를 더 포함하는, 리소그래피 프로세스 조절 방법.
12. 제 11 절에 있어서,
상기 중단 조건은 재조절된 예측 모델의 수렴을 포함하는, 리소그래피 프로세스 조절 방법.
13. 제 12 절에 있어서,
상기 재조절 예측 모델의 수렴은,
상기 집합화된 업데이트된 모델 파라미터에서의 변화량이 임계 변화량 안에 있는 것을 포함하는, 리소그래피 프로세스 조절 방법.
14. 제 1 절 내지 제 13 절 중 어느 한 절에 있어서,
상기 로컬 데이터는,
상기 하나 이상의 원격 위치 각각에 대하여 국소적으로 유지되고,
(1) 상기 초기 예측 모델을 제공하고, 상기 업데이트된 모델 파라미터가 수신되며, 상기 집합화된 업데이트된 모델 파라미터가 결정되고, 상기 조절된 예측 모델이 결정되는 위치, 또는
(2) 상기 원격 위치 중 나머지 원격 위치와 공유되지 않는, 리소그래피 프로세스 조절 방법.
15. 제 1 절 내지 제 14 절 중 어느 한 절에 있어서,
상기 집합화된 업데이트된 모델 파라미터를 결정하는 것은,
상기 하나 이상의 원격 위치 각각으로부터 수신된 대응하는 모델 파라미터를 평균화하는 것을 포함하는, 리소그래피 프로세스 조절 방법.
16. 제 1 절 내지 제 15 절 중 어느 한 절에 있어서,
상기 방법은,
상기 초기 예측 모델의 가중치가 상기 제 1 원격 위치에서의 로컬 데이터에 기반하여 업데이트되도록, 상기 초기 예측 모델을 상기 초기 예측 모델이 상기 로컬 데이터로 훈련되는 제 1 원격 위치에 제공하는 단계;
상기 제 1 원격 위치로부터 업데이트된 가중치를 수신하는 단계;
상기 초기 예측 모델을 상기 제 1 원격 위치로부터 수신된 업데이트된 가중치에 기반하여 조절하는 단계;
상기 가중치가 상기 제 2 원격 위치에서의 로컬 데이터에 기반하여 재업데이트되도록, 상기 조절된 예측 모델을 상기 조절된 예측 모델이 로컬 데이터로써 재훈련되는 제 2 원격 위치에 제공하는 단계;
상기 제 2 원격 위치로부터 재업데이트된 가중치를 수신하는 단계; 및
상기 제 2 원격 위치로부터 수신된 재업데이트된 가중치에 기반하여 상기 조절된 예측 모델을 재조절하는 단계를 더 포함하는, 리소그래피 프로세스 조절 방법.
17. 제 16 절에 있어서,
상기 방법은,
반복적으로, 상기 재조절 예측 모델을 추가적 원격 위치에 제공하고, 재업데이트된 가중치를 수신하며, 상기 재조절된 예측 모델 재업데이트된 가중치에 기반하여 추가적으로 조절하는 단계를 더 포함하는, 리소그래피 프로세스 조절 방법.
18. 제 1 절 내지 제 17 절 중 어느 한 절에 있어서,
상기 방법은,
제공된 초기 예측 모델 또는 적어도 하나의 모델 파라미터 중 하나 또는 양자 모두에 대한 온전성 점검(sanity check)을 수행하는 단계를 더 포함하는, 리소그래피 프로세스 조절 방법.
19. 제 1 절 내지 제 18 절 중 어느 한 절에 있어서,
상기 방법은,
상기 하나 이상의 원격 위치 각각으로부터 수신된 상기 업데이트된 적어도 하나의 모델 파라미터에 대한 온전성 점검을 수행하는 단계를 더 포함하는, 리소그래피 프로세스 조절 방법.
20. 제 1 절 내지 제 19 절 중 어느 한 절에 있어서,
상기 방법은,
제공된 초기 예측 모델 또는 상기 복수 개의 모델 파라미터 중 하나 또는 양자 모두를 암호화하는 단계를 더 포함하는, 리소그래피 프로세스 조절 방법.
21. 제 20 절에 있어서,
암호화는, 상기 로컬 데이터를 사용한 훈련이 제공된 초기 예측 모델의 복호화가 없이 일어나도록 구성되는, 리소그래피 프로세스 조절 방법.
22. 제 1 절 내지 제 21 절 중 어느 한 절에 있어서,
상기 방법은,
상기 하나 이상의 원격 위치 각각으로부터 수신된 상기 업데이트된 적어도 하나의 모델 파라미터를 복호화하는 단계를 더 포함하는, 리소그래피 프로세스 조절 방법.
23. 제 1 절 내지 제 22 절 중 어느 한 절에 있어서,
상기 초기 예측 모델이 상기 하나 이상의 원격 위치 각각에 있는 하나 이상의 모델 서버로 제공되고,
주어진 모델 서버는 주어진 원격 위치에 있는 로컬 데이터 서버와 별개인, 리소그래피 프로세스 조절 방법.
24. 제 1 절 내지 제 23 절 중 어느 한 절에 있어서,
상기 초기 예측 모델은 부분 훈련된 예측 모델을 포함하고,
상기 부분 훈련된 예측 모델은 복수 개의 모델 파라미터를 포함함으로써,
주어진 원격 위치로 제공된 이후에, 상기 로컬 데이터로 훈련시키는 단계가 상기 초기 예측 모델을 완전히 훈련시키는 것을 포함하게 되는, 리소그래피 프로세스 조절 방법.
25. 제 24 절에 있어서,
상기 주어진 원격 위치에 있는 사용자는, 완전히 훈련된 초기 예측 모델에 기반하여, 상기 주어진 원격 위치로부터 업데이트된 적어도 하나의 모델 파라미터를 통신할지 여부를 결정하는, 리소그래피 프로세스 조절 방법.
26. 복수 개의 모델 파라미터를 포함하는 예측 모델을 조절하기 위한 방법으로서,
제 1 업데이트된 모델 파라미터 값을 결정하도록, 반도체 제조 프로세스와 연관되는 로컬 훈련 데이터를 상기 예측 모델에 제공하는 단계;
상기 예측 모델에 적어도 부분적으로 외부 훈련 데이터를 제공함으로써 획득되는 제 2 업데이트된 모델 파라미터 값을 수신하는 단계; 및
상기 예측 모델을 예측 모델 정확도의 기대된 개선에 기반하여 조절하는 단계를 포함하고,
상기 조절하는 단계는,
상기 모델 파라미터를 상기 제 1 업데이트된 모델 파라미터 값 및/또는 상기 제 2 업데이트된 모델 파라미터 값으로 업데이트하는 것을 포함하는, 예측 모델 조절 방법.
27. 제 26 절에 있어서,
상기 복수 개의 모델 파라미터는 가중치를 포함하고,
상기 제 1 업데이트된 모델 파라미터 값은 제 1 업데이트된 가중치 값을 포함하며,
상기 제 2 업데이트된 모델 파라미터 값은 제 2 업데이트된 가중치 값을 포함하는, 예측 모델 조절 방법.
28. 제 26 절 또는 제 27 절에 있어서,
상기 방법은,
상기 로컬 훈련 데이터를 예측 모델에 제공하는 단계 이전에, 상기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계를 더 포함하고,
상기 글로벌 데이터는 상기 로컬 훈련 데이터보다 큰 데이터 세트를 포함하며,
상기 글로벌 데이터는 원격 위치 중 두 개 이상의 원격 위치와 연관되어,
상기 로컬 훈련 데이터를 제공하는 단계가 상기 제 1 업데이트된 모델 파라미터 값을 결정하도록 상기 예측 모델을 재훈련시키는 것을 포함하게 되는, 예측 모델 조절 방법.
29. 제 26 절 내지 제 28 절 중 어느 한 절에 있어서,
상기 예측 모델은 신경망인, 예측 모델 조절 방법.
30. 제 29 절에 있어서,
상기 복수 개의 모델 파라미터는 가중치 및 상기 신경망의 바이어스를 포함하는, 예측 모델 조절 방법.
31. 제 26 절 내지 제 30 절 중 어느 한 절에 있어서,
상기 방법은,
상기 예측 모델을 원격 위치에 제공하는 단계를 더 포함하고,
상기 원격 위치는 상기 예측 모델이 생성되는 설비 위치로부터 떨어져 있는 설비 위치를 포함하며,
상기 원격 위치는,
상기 제 1 업데이트된 모델 파라미터 값을 결정하도록, 상기 반도체 제조 프로세스와 연관되는 로컬 훈련 데이터가 상기 예측 모델에 제공되고,
상기 제 2 업데이트된 모델 파라미터 값이 수신되며,
상기 예측 모델이 조절되는,
설비 위치를 포함하는, 예측 모델 조절 방법.
32. 제 31 절에 있어서,
상기 예측 모델은 서비스 제공자에 의하여 제공되고,
상기 원격 위치 및 상기 로컬 훈련 데이터는 상기 서비스 제공자의 고객과 연관되는, 예측 모델 조절 방법.
33. 제 32 절에 있어서,
상기 로컬 훈련 데이터는,
상기 고객에 대하여 국소적으로 유지되고,
상기 서비스 제공자와 공유되지 않는, 예측 모델 조절 방법.
34. 제 26 절 내지 제 33 절 중 어느 한 절에 있어서,
상기 방법은,
상기 예측 모델에 온전성 점검을 수행하는 단계를 더 포함하는, 예측 모델 조절 방법.
35. 제 26 절 내지 제 34 절 중 어느 한 절에 있어서,
상기 예측 모델은 암호화되는, 예측 모델 조절 방법.
36. 리소그래피 프로세스를 향상시키기 위하여 사용되는 신경망을 조절하기 위한 방법으로서,
초기 신경망을 훈련 데이터에 기반하여 훈련시키는 단계 - 상기 훈련 데이터는 상기 리소그래피 프로세스에 대한 프로세스 데이터 및 대응하는 성능 데이터를 포함하고, 상기 초기 신경망은 복수 개의 가중치를 포함함 -;
상기 초기 신경망을, 상기 초기 신경망이 로컬 데이터로써 재훈련되는 하나 이상의 원격 위치로 송신하는 단계 - 상기 로컬 데이터는 상기 가중치가 상기 하나 이상의 원격 위치 각각에서의 로컬 데이터에 기반하여 업데이트되도록, 상기 원격 위치와 연관된 리소그래피 프로세스에 대한 프로세스 데이터 및 대응하는 성능 데이터를 포함함 -;
상기 하나 이상의 원격 위치 각각으로부터 업데이트된 가중치를 수신하는 단계;
상기 하나 이상의 원격 위치 각각으로부터 수신되는 집합화된 업데이트된 가중치를 결정하는 단계; 및
상기 초기 신경망을 상기 집합화된 업데이트된 가중치에 기반하여 조절하는 단계 - 상기 조절된 신경망은 상기 리소그래피 프로세스를 향상시키도록 동작가능함 -를 포함하는, 신경망 조절 방법.
37. 제 36 절에 있어서,
상기 리소그래피 프로세스를 향상시키도록 동작가능한 조절된 신경망은, 상기 포토리소그래피 프로세스에서의 레티클 오염을 인식하도록 사용되는 조절된 신경망을 포함하는, 신경망 조절 방법.
38. 제 36 절에 있어서,
상기 리소그래피 프로세스를 향상시키도록 동작가능한 조절된 신경망은,
콜렉터 오염이 상기 포토리소그래피 프로세스에서의 노광을 위한 수락가능한 레벨에 있는지 여부를 결정하기 위하여 사용되는 조절된 신경망을 포함하는, 신경망 조절 방법.
39. 제 36 절 내지 제 38 절 중 어느 한 절에 있어서,
상기 하나 이상의 원격 위치는,
상기 초기 신경망이 생성되고 훈련되고, 상기 업데이트된 가중치가 수신되며, 상기 집합화된 업데이트된 가중치가 결정되고, 상기 조절된 신경망이 결정되는 설비 위치로부터 떨어져 있는 하나 이상의 설비 위치를 포함하는, 신경망 조절 방법.
40. 제 36 절 내지 제 39 절 중 어느 한 절에 있어서,
상기 초기 신경망의 생성 및 훈련은 서비스 제공자에 의하여 수행되고,
상기 초기 신경망을 하나 이상의 원격 위치에 제공하는 것을 상기 서비스 제공자에 의하여 수행되며,
상기 원격 위치 및 로컬 데이터는 상기 서비스 제공자의 고객과 연관되고,
상기 업데이트된 가중치는 상기 하나 이상의 원격 위치 각각으로부터 상기 서비스 제공자에 의하여 수신되며,
상기 집합화된 업데이트된 가중치는 상기 서비스 제공자에 의하여 결정되고,
상기 조절된 신경망은 상기 집합화된 업데이트된 가중치에 기반하여 상기 서비스 제공자에 의하여 결정되는, 신경망 조절 방법.
41. 명령이 기록된 비일시적 컴퓨터 판독가능 매체를 포함하는 컴퓨터 프로그램 제품으로서,
상기 명령은 컴퓨터에 의하여 실행될 때 제 1 절 내지 제 40 절 중 어느 한 절의 방법을 구현하는, 컴퓨터 프로그램 제품.
도 10은 본 명세서에서 개시되는 방법, 흐름, 또는 시스템을 구현하는 것을 보조할 수 있는 컴퓨터 시스템(100)을 예시하는 블록도이다. 컴퓨터 시스템(100)은 정보를 통신하기 위한 버스(102) 또는 다른 통신 메커니즘, 및 정보를 처리하기 위하여 버스(102)와 커플링되는 프로세서(104)(또는 여러 프로세서(104 및 105))를 포함한다. 컴퓨터 시스템(100)은 프로세서(104)에 의하여 실행될 정보 및 명령을 저장하기 위하여 버스(102)에 커플링되는, 랜덤 액세스 메모리(RAM) 또는 다른 동적 저장소 디바이스와 같은 메인 메모리(106)를 더 포함한다. 메인 메모리(106)는 프로세서(104)에 의하여 실행될 명령이 실행되는 도중에 일시적 변수 또는 다른 중간 정보를 저장하기 위해서도 사용될 수 있다. 컴퓨터 시스템(100)은 프로세서(104)에 대한 정적 정보 및 명령을 저장하기 위하여 버스(102)에 커플링된 판독 전용 메모리(ROM)(108) 또는 다른 정적 저장소 디바이스를 더 포함한다. 자기적 디스크 또는 광학적 디스크와 같은 저장소 디바이스(110)가 제공되고 정보 및 명령을 저장하기 위하여 버스(102)에 커플링된다.
컴퓨터 시스템(100)은 정보를 컴퓨터 사용자에게 디스플레이하기 위하여, 버스(102)를 통해서 음극선관(CRT) 또는 평판 또는 터치 패널 디스플레이와 같은 디스플레이(112)에 커플링될 수 있다. 영숫자 키와 다른 키들을 포함하는 입력 디바이스(114)는 정보 및 커맨드 셀렉션을 프로세서(104)로 통신하기 위하여 버스(102)에 커플링된다. 다른 타입의 사용자 입력 디바이스는, 지시 정보와 커맨드 셀렉션을 프로세서(104)로 통신하고 디스플레이(112) 상에서의 커서 움직임을 제어하기 위한, 마우스, 트랙볼, 또는 커서 방향 키와 같은 커서 콘트롤(116)이다. 이러한 입력 디바이스는 통상적으로 두 개의 축인 제 1 축(예를 들어, x)과 제 2 축(예를 들어, y)에서 2-자유도를 가져서, 디바이스가 평면에서의 위치를 특정하게 한다. 터치 패널(스크린) 디스플레이가 입력 디바이스로서 사용될 수도 있다.
일 실시형태에 따르면, 본 명세서에서 설명되는 하나 이상의 방법의 일부는, 프로세서(104)가 메인 메모리(106) 내에 포함된 하나 이상의 명령의 하나 이상의 시퀀스를 실행하는 것에 응답하여 컴퓨터 시스템(100)에 의해 수행될 수 있다. 이러한 명령들은 저장소 디바이스(110)와 같은 다른 컴퓨터-판독가능 매체로부터 메인 메모리(106)로 독출될 수 있다. 메인 메모리(106)에 포함된 명령의 시퀀스를 실행하면, 프로세서(104)는 본 명세서에서 설명되는 프로세스 단계를 수행하게 된다. 메인 메모리(106)에 포함된 명령의 시퀀스를 실행하기 위하여, 다중 처리 장치 내의 하나 이상의 프로세서가 채용될 수도 있다. 다른 실시예에서, 소프트웨어 명령 대신에 또는 이와 조합되어 유선 회로부가 사용될 수도 있다. 따라서, 본 명세서의 설명은 하드웨어 회로와 소프트웨어의 임의의 특정한 조합으로 한정되지 않는다.
"컴퓨터-판독가능 매체"라는 용어는 본 명세서에서 사용될 때 실행되도록 프로세서(104)로 명령을 제공하는 데에 참여하는 임의의 유형의(tangible) 매체를 가리킨다. 이러한 매체는 비-휘발성 매체, 휘발성 매체, 및 송신 매체를 포함하지만 이들로 한정되지는 않는 많은 형태를 취할 수도 있다. 비-휘발성 매체는 예를 들어, 저장소 디바이스(110)와 같은 광학적이거나 자기적 디스크를 포함한다. 휘발성 매체는 메인 메모리(106)와 같은 동적 메모리를 포함한다. 송신 매체는 동축 케이블, 구리 배선, 및 버스(102)를 포함하는 와이어를 포함하는 섬유 광학계(fiber optics)를 포함한다. 송신 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 중에 생성되는 것과 같은 음파 또는 광파의 형태를 띨 수도 있다. 컴퓨터-판독가능 매체의 공통 형태는, 예를 들어 플로피 디스크, 가요성 디스크, 하드 디스크, 자기 테이프, 및 임의의 다른 자기적 매체, 자기-광학적 매체, CD-ROM, DVD, 임의의 다른 광학적 매체, 펀치 카드, 종이 테이프, 홀들의 패턴을 가진 임의의 다른 물리적 매체, RAM, PROM, 및 EPROM, FLASH EPROM, 임의의 다른 메모리 칩 또는 카트리지, 후술될 반송파, 또는 컴퓨터가 판독할 수 있는 임의의 다른 매체를 포함한다.
다양한 형태의 컴퓨터 판독가능 매체들이 하나 이상의 명령의 하나 이상의 시퀀스를 실행되도록 프로세서(104)로 운반하는 것에 수반될 수 있다. 예를 들어, 명령들은 처음에 원격 컴퓨터의 자기적 디스크 상에 보유될 수도 있다. 원격 컴퓨터는 명령들을 자신의 동적 메모리 내로 로딩하고 명령들을 모뎀을 사용하여 전화선을 통해 전송할 수 있다. 컴퓨터 시스템(100)에 국지적으로 보유되는 모뎀은 전화선에서 데이터를 수신하고, 적외선 송신기를 사용하여 이러한 데이터를 적외선 신호로 변환한다. 버스(102)에 커플링된 적외선 검출기는 적외선 신호에서 운반되는 데이터를 수신하고, 이러한 데이터를 버스(102)에 로딩할 수 있다. 버스(102)는 데이터를 메인 메모리(106)로 운반하며, 프로세서(104)는 이로부터 명령들을 취출하고 실행한다. 메인 메모리(106)로부터 수신된 명령들은 프로세서(104)에 의한 실행 이전에 또는 그 이후에 선택적으로 저장소 디바이스(110)에 저장될 수 있다.
컴퓨터 시스템(100)은 버스(102)에 커플링된 통신 인터페이스(118)를 더 포함할 수 있다. 통신 인터페이스(118)는 로컬 네트워크(122)에 연결된 네트워크 링크(120)로 양-방향 데이터 통신 커플링을 제공한다. 예를 들어, 통신 인터페이스(118)는 대응하는 타입의 전화선에 데이터 통신 연결을 제공하기 위한 종합 정보 통신망(integrated services digital network; ISDN) 카드 또는 모뎀일 수 있다. 다른 예로서, 통신 인터페이스(118)는 호환가능한 LAN에 데이터 통신 연결을 제공하기 위한 근거리 네트워크(LAN) 카드일 수 있다. 무선 링크가 구현될 수도 있다. 임의의 이러한 구현형태에서, 통신 인터페이스(118)는 다양한 타입의 정보를 나타내는 디지털 데이터 스트림을 운반하는 전기적, 전자기적이거나 광학적인 신호를 전송하고 수신한다.
네트워크 링크(120)는 통상적으로 하나 이상의 네트워크를 통해 다른 데이터 디바이스로 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(120)는 로컬 네트워크(122)를 통해 호스트 컴퓨터(124) 또는 인터넷 서비스 제공자(ISP)(126)에 의하여 작동되는 데이터 장비로 연결을 제공할 수 있다. 이제 ISP(126)는, 현재 일반적으로 "인터넷(128)"이라고 불리는 월드와이드 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(122)와 인터넷(128) 양자 모두는 디지털 데이터 스트림을 운반하는 전기적, 전자기적이거나 광학적 신호를 사용한다. 컴퓨터 시스템(100)으로의 또는 그로부터의 디지털 데이터를 운반하는, 다양한 네트워크들을 통과하는 신호와 네트워크 링크(120)를 통과하고 통신 인터페이스(118)를 통과하는 신호는 정보를 수송하는 반송파의 예시적인 형태들이다.
컴퓨터 시스템(100)은 네트워크(들), 네트워크 링크(120), 및 통신 인터페이스(118)를 통해서, 메시지를 전송하고 프로그램 코드를 포함하는 데이터를 수신할 수 있다. 인터넷의 예에서, 서버(130)는 애플리케이션 프로그램에 대한 요청된 코드를 인터넷(128), ISP(126), 로컬 네트워크(122) 및 통신 인터페이스(118)를 통해 송신할 수 있다. 이렇게 다운로드된 하나의 애플리케이션은, 예를 들어 본 명세서에서 설명된 바와 같은 방법의 전부 또는 일부를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(104)에 의하여 실행되고, 및/또는 추후에 실행되도록 저장소 디바이스(110), 또는 다른 비-휘발성 저장소에 저장될 수 있다. 이러한 방식으로, 컴퓨터 시스템(100)은 애플리케이션 코드를 반송파의 형태로 획득할 수 있다.
도 11은 본 명세서에서 설명되는 기술과 공동으로 활용될 수 있는 예시적인 리소그래피 투영 장치를 개략적으로 도시한다. 이러한 장치는:
- 방사선의 빔(B)을 조절하기 위한 조명 시스템(IL)을 포함한다. 특정한 경우에, 조명 시스템은,
- 방사선 소스(SO):
- 방사선 빔(B)을 조절하도록 구성되는 조명 시스템(IL) - 이러한 특정한 경우에서는 조명 시스템이 방사선 소스(SO)도 포함함 -;
- 패터닝 디바이스(MA)(예를 들어, 레티클)를 홀딩하기 위한 패터닝 디바이스 홀더가 제공되고, 패터닝 디바이스를 아이템(PS)에 대해서 정확하게 위치설정하기 위한 제 1 위치설정기에 연결되는 제 1 대상물 테이블(예를 들어, 패터닝 디바이스 테이블)(MT);
- 기판(W)(예를 들어, 레지스트-코팅된 실리콘 웨이퍼)을 홀딩하기 위한 기판 홀더가 제공되고, 기판을 아이템(PS)에 대해서 정확하게 위치설정하기 위한 제 2 위치설정기에 연결되는 제 2 대상물 테이블(기판 테이블)(WT); 및
- 패터닝 디바이스(MA)의 조사된 부분을 기판(W)의 타겟부(C)(예를 들어, 하나 이상의 다이를 포함함) 상에 이미징하기 위한 투영 시스템(예를 들어, 굴절형, 반사형 또는 반사굴절형 광학 시스템)을 더 포함한다.
본 명세서에 도시된 것처럼, 이러한 장치는 투과형이다(즉, 투과형 패터닝 디바이스를 가짐). 그러나, 일반적으로, 이것은 예를 들어 반사형 타입일 수 있다(반사형 마스크를 가짐). 장치는 전통적인 마스크에 대하여 다른 종류의 패터닝 디바이스를 채용할 수도 있다; 그 예에는 프로그래밍가능한 미러 어레이 또는 LCD 매트릭스가 있다.
소스(SO)(예를 들어, 수은 램프 또는 엑시머 레이저, 레이저 생성 플라스마(LPP) EUV 소스)는 방사선의 빔을 생성한다. 이러한 빔이, 예를 들어 직접적으로 또는 빔 확장기(Ex)와 같은 조절 수단을 거친 후에 조명 시스템(조명기)(IL)으로 공급된다. 조명기(IL)는 빔 내의 세기 분포의 외부 및/또는 내부 방사상 범위(일반적으로 외측-σ 및 내측-σ라고 각각 불림)를 설정하기 위한 조절 수단(AD)을 포함할 수 있다. 또한, 조명기(IL)는 일반적으로 집속기(integrator)(IN) 및 집광기(condenser)(CO)와 같은 다양한 다른 컴포넌트들을 포함할 것이다. 이러한 방식으로, 패터닝 디바이스(MA)에 충돌하는 빔(B)은 소망되는 균일도 및 세기 분포를 자신의 단면에 가진다.
도 10에 관하여, 소스(SO)가 리소그래피 투영 장치의 하우징 내에 있을 수 있지만(소스(SO)가, 예를 들어 수은 램프인 경우에서와 같음), 리소그래피 투영 장치로부터 떨어져 있을 수도 있고, 이것이 생성하는 방사선 빔이 장치로 유도된다(예를 들어, 적절한 지향 미러의 도움을 받아)는 것에 주의해야 한다; 이러한 후자의 시나리오는 소스(SO)가 엑시머 레이저(예를 들어, KrF, ArF 또는 F2 레이징에 기반함)인 경우에 자주 일어난다.
후속하여, 빔(PB)은 패터닝 디바이스 테이블(MT) 상에 홀딩되는 패터닝 디바이스(MA)와 만난다. 패터닝 디바이스(MA)를 가로지르면, 빔(B)은 기판(W)의 타겟부(C) 상에 빔(B)을 포커싱하는 렌즈(PL)를 통과한다. 제 2 위치설정 수단(및 간섭측정식 측정 수단(IF)의 도움을 받아), 예를 들어 빔(PB)의 경로에 있는 상이한 타겟부들(C)을 위치설정하기 위하여, 기판 테이블(WT)이 정확하게 이동될 수 있다. 이와 유사하게, 예를 들어 패터닝 디바이스 라이브러리로부터 패터닝 디바이스(MA)를 기계적으로 취출한 이후에, 또는 스캔 도중에, 빔(B)의 경로에 대해서 패터닝 디바이스(MA)를 정확하게 위치시키기 위해서 제 1 위치설정 수단이 사용될 수 있다. 일반적으로, 대상물 테이블(MT, WT)의 이동은, 도 11에 명확하게 도시되어 있지 않은 롱-스트로크 모듈(개략적 위치설정) 및 숏-스트로크 모듈(미세 위치설정)의 도움을 받아 실현될 것이다. 그러나, 스테퍼의 경우(스텝-및-스캔 툴에 반대됨), 패터닝 디바이스 테이블(MT)은 숏-스트로크 액추에이터에만 연결될 수도 있고, 또는 고정될 수도 있다.
도시된 툴은 수 개의 상이한 모드들에서 사용될 수 있다:
- 스텝 모드에서, 패터닝 디바이스 테이블(MT)은 본질적으로 정지된 상태로 유지되고, 전체 패터닝 디바이스 이미지가 한 번에(즉, 단일 "플래시") 타겟부(C) 상으로 투영된다. 그러면, 상이한 타겟부(C)가 빔(PB)에 의해 조사될 수 있도록, 기판 테이블(WT)이 x 및/또는 y 방향으로 천이된다;
- 스캔 모드에서도, 주어진 타겟부(C)가 단일 "플래시(flash)"에서 노광되지 않는다는 것을 제외하고는 본질적으로 동일한 시나리오가 적용된다. 그 대신에, 패터닝 디바이스 테이블(MT)은 주어진 방향(소위 "스캔 방향", 예를 들어 y 방향)으로 속도 v로 이동될 수 있어서, 투영 빔(B)이 패터닝 디바이스 이미지에 걸쳐 스캔하게 한다; 동시에, 기판 테이블(WT)은 속도 V = Mv로 동일한 방향 또는 반대 방향으로 동시에 이동되는데, M은 렌즈(PL)의 확대율이다(통상적으로, M = 1/4 또는 1/5 임). 이러한 방식으로, 분해능을 떨어뜨릴 필요가 없이 상대적으로 큰 타겟부(C)가 노광될 수 있다.
도 12는 본 명세서에서 설명되는 기술과 공동으로 활용될 수 있는 예시적인 다른 리소그래피 투영 장치(1000)를 개략적으로 도시한다.
리소그래피 투영 장치(1000)는:
- 소스 콜렉터 모듈(SO),
- 방사선 빔(B)(예를 들어 EUV 방사선)을 조절하도록 구성되는 조명 시스템(조명기)(IL).
- 패터닝 디바이스(예를 들어, 마스크 또는 레티클)(MA)를 지지하도록 구성되고 패터닝 디바이스를 정확하게 위치설정하도록 구성되는 제 1 위치설정기(PM)에 연결되는 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT);
- 기판(예를 들어, 레지스트-코팅된 웨이퍼)(W)을 홀딩하도록 구성되고 기판을 정확하게 위치설정하도록 구성되는 제 2 위치설정기(PW)에 연결되는 기판 테이블(예를 들어, 웨이퍼 테이블)(WT); 및
- 패터닝 디바이스(MA)에 의하여 방사선 빔(B)에 부여된 패턴을 기판(W)의 타겟부(C)(예를 들어, 하나 이상의 다이) 상에 투영하도록 구성되는 투영 시스템(예를 들어, 반사형 투영 시스템)(PS)을 포함한다.
도 12에 도시된 것처럼, 장치(1000)는 반사형이다(예를 들어, 반사식 패터닝 디바이스를 채용함). 거의 모든 재료들이 EUV 파장 범위 내에서 흡수형이기 때문에, 패터닝 디바이스가 예를 들어 몰리브덴 및 실리콘의 다중-스택을 포함하는 다중층 반사기를 가질 수 있다는 것에 주목하여야 한다. 일 예에서, 다중-스택 반사기는 몰리브덴 및 실리콘의(40) 개의 층 쌍을 가지며, 각 층의 두께는 사분파장이다. X-선 리소그래피를 사용하여 더 작은 파장도 생성될 수 있다. 거의 모든 재료가 EUV 및 x-선 파장에서 흡수성이기 때문에, 패터닝 디바이스 토포그래피 상의 얇은 층의 패터닝된 흡수 재료(예를 들어, 다중층 반사기의 맨 위에 있는 TaN 흡수기)는 어디에 피쳐들이 인쇄되어야 하거나(양의 레지스트) 또는 인쇄되지 않아야 하는지(음의 레지스트)를 규정한다.
조명기(IL)는 소스 콜렉터 모듈(SO)로부터 극자외 방사선 빔을 수광한다. EUV 방사선을 생성하기 위한 방법은, EUV 범위 내에 하나 이상의 방출 라인이 있으면서 재료를 적어도 하나의 원소, 예를 들어 제논, 리튬 또는 주석을 가지는 플라즈마 상태로 변환하는 단계를 포함하지만 반드시 이것으로 제한되는 것은 아니다. 하나의 이러한 방법에서, 흔히 레이저 생성 플라즈마("laser produced plasma; LPP")라고 명명되는 플라즈마는, 연료, 예컨대 사전-방출 요소를 가지는 액적, 스트림, 클러스터를 레이저 빔으로 조사함으로써 생성될 수 있다. 소스 콜렉터 모듈(SO)은, 연료를 여기시키는 레이저 빔을 제공하기 위한, 도 12에는 도시되지 않는 레이저를 포함하는 EUV 방사선 시스템의 일부일 수도 있다. 결과적으로 얻어지는 플라즈마는, 소스 콜렉터 모듈 내에 배치되는 방사선 수집기에 의하여 수집되는 출력 방사선, 예를 들어 EUV 방사선을 방출한다. 레이저 및 소스 콜렉터 모듈은, 예를 들어 CO2 레이저가 연료 여기를 위한 레이저 빔을 제공하기 위하여 사용되는 경우에 별개의 엔티티들일 수도 있다.
이러한 경우에, 레이저는 리소그래피 장치의 일부를 형성하는 것으로 간주되지 않고, 방사선 빔은, 예를 들어 적합한 지향 미러 및/또는 빔 확장기를 포함하는 빔 전달 시스템의 도움으로, 레이저로부터 소스 콜렉터 모듈로 전달된다. 다른 경우에, 소스는, 예를 들어 소스가 흔히 DPP 소스라고 명명되는 방전 생산 플라즈마(discharge produced plasma) EUV 발생기인 경우에 소스 콜렉터 모듈의 내장 부품일 수도 있다. 일 실시형태에서, DUV 레이저 소스가 사용될 수 있다.
조명기(IL)는 방사선 빔의 각 세기 분포(angular intensity distribution)를 조절하기 위한 조절기를 포함할 수도 있다. 일반적으로, 조명기(IL)의 퓨필 평면(pupil plane)에서의 세기 분포의 적어도 외측 및/또는 내측 반경 범위(통상적으로, 각각 외측-σ 및 내측-σ라 함)는 조절될 수 있다. 추가적으로, 조명기(IL)는 다면 필드 및 퓨필 미러(facetted field and pupil mirror) 디바이스와 같은 다양한 다른 컴포넌트들을 포함할 수도 있다. 조명기는 방사선 빔이 자신의 단면에서 원하는 균일도 및 세기 분포를 가지도록 조절하기 위하여 사용될 수 있다.
방사선 빔(B)은 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 상에 홀딩되는 패터닝 디바이스(예를 들어, 마스크)(MA) 상에 입사하고, 그리고 패터닝 디바이스에 의하여 패터닝된다. 패터닝 디바이스(예를 들어 마스크(MA)로부터 반사된 이후에, 방사선 빔(B)은 기판(W)의 타겟부(C) 상에 빔을 포커싱하는 투영 시스템(PS)을 통과한다. 제 2 위치설정기(PW) 및 위치 센서(PS2)(예를 들어, 간섭측정 측정 디바이스, 선형 인코더, 또는 용량성 센서)의 도움을 받아, 예를 들어 방사선 빔(B)의 경로에 상이한 타겟부들(C)을 위치설정하기 위하여, 기판 테이블(WT)이 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정기(PM) 및 다른 위치 센서(PS1)가, 패터닝 디바이스(예를 들어, 마스크)(MA)를 방사선 빔(B)의 경로에 대하여 정확하게 위치시키기 위하여 사용될 수 있다. 패터닝 디바이스(예를 들어 마스크(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크(M1, M2) 및 기판 정렬 마크(P1, P2)를 이용하여 정렬될 수 있다.
도시된 장치(1000)는 다음 모드들 중 하나 이상의 모드로 사용될 수 있다:
스텝 모드에서는, 방사선 빔에 부여된 전체 패턴이 한 번에 타겟부(C) 상에 투영되는 동안에, 지지 구조체(예를 들어 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)이 본질적으로 정지 상태로 유지된다(즉, 단일 정적 노광). 그러면, 상이한 타겟부(C)가 노광될 수 있도록 기판 테이블(WT)이 X 및/또는 Y 방향으로 천이된다.
스캔 모드에서는, 방사선 빔에 부여된 패턴이 타겟부(C) 상에 투영되는 동안에, 지지 구조체(예를 들어 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)이 동기되어 스캐닝된다(즉, 단일 동적 노광). 지지 구조체(예를 들어, 패터닝 디바이스 테이블(MT)에 상대적인 기판 테이블(WT)의 속도 및 방향은 투영 시스템(PS)의 확대율(축소율) 및 이미지 반전 특성에 의하여 결정될 수도 있다.
다른 모드에서는, 지지 구조체(예를 들어 패터닝 디바이스 테이블)(MT)는 프로그램가능 패터닝 디바이스를 홀딩하면서 실질적으로 정지 상태로 유지되고, 방사선 빔(B)에 부여된 패턴이 타겟부(C) 상에 투영되는 동안에 기판 테이블(WT)은 이동되거나 스캐닝된다. 이러한 모드에서, 일반적으로 펄스화된(pulsed) 방사선 소스가 채용되며, 프로그램가능한 패터닝 디바이스는 요구될 때, 기판 테이블(WT)의 각 이동 이후에 또는 스캔 도중의 연속적인 방사선 펄스들 사이에서 업데이트된다. 동작의 이러한 모드는 위에서 언급된 바와 같은 타입의 프로그램가능한 미러 어레이와 같은 프로그램가능한 패터닝 디바이스를 이용하는 마스크 없는 리소그래피에 용이하게 적용될 수 있다.
도 13은 소스 콜렉터 모듈(SO), 조명 시스템(IL), 및 투영 시스템(PS)을 포함하는 리소그래피 장치(1000)를 좀 더 상세하게 도시한다. 소스 콜렉터 모듈(SO)은, 진공 환경이 소스 콜렉터 모듈(SO)의 밀폐 구조(220) 내에서 유지될 수 있도록 구성되고 배치된다. EUV 방사선 방출 플라즈마(210)는 방전 생성 플라즈마 소스에 의하여 형성될 수 있다. 매우 고온의 플라즈마(210)가 전자기 스펙트럼의 EUV 범위에서 방사선을 방출하도록 생성되는, 가스 또는 증기, 예를 들어 Xe 가스, Li 증기 또는 Sn 증기에 의하여 EUV 방사선이 생성될 수 있다. 매우 고온의 플라즈마(210)는, 예를 들어 적어도 부분적으로 이온화된 플라즈마를 초래하는 전기적 방전에 의하여 생성된다. 예를 들어, Xe, Li, Sn 증기 또는 임의의 다른 적합한 가스 또는 증기의(10) Pa의 분압이 방사선을 효율적으로 생성하기 위하여 필요할 수 있다. 일 구현형태에서, EUV 방사선을 생성하기 위하여, 여기된 주석(Sn)의 플라즈마가 제공된다.
고온 플라즈마(210)에 의하여 방출되는 방사선은 소스 챔버(211)에 있는 개구 내에 또는 그 뒤에 위치하는 선택적인 가스 베리어 또는 오염물 트랩(230)(몇 가지 경우에 오염물 베리어 또는 호일 트랩이라고도 불림)을 통해 소스 챔버(211)로부터 콜렉터 챔버(212) 내로 전달된다. 오염물 트랩(230)은 채널 구조를 포함할 수 있다. 오염물 트랩(230)은 가스 베리어 또는 가스 베리어 및 채널 구조체의 조합을 더 포함할 수 있다. 본 명세서에 표시되는 오염물 트랩 또는 오염물 베리어(230)는 당업계에서 알려진 바와 같은 채널 구조를 적어도 포함한다.
콜렉터 챔버(211)는 소위 그레이징 입사 콜렉터일 수 있는 방사선 콜렉터(CO)를 포함할 수 있다. 방사선 콜렉터(CO)는 업스트림 방사선 콜렉터측(251) 및 다운스트림 방사선 콜렉터측(252)을 가진다. 콜렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(240)에 의해서 반사되어 일점 쇄선 'O'에 의해 표시되는 광축을 따라서 가상 소스 포인트(IF)에 포커싱될 수 있다. 가상 소스 포인트는 일반적으로 중간 초점(IF)이라고 지칭되고, 소스 콜렉터 모듈은, 중간 초점(IF)이 밀폐 구조(220) 내의 개구(221)에 또는 이에 인접하게 위치되도록 정렬된다. 가상 소스 포인트(IF)는 방사선 방출 플라즈마(210)의 이미지이다.
후속하여, 방사선은 조명 시스템(IL)을 가로지르는데, 이것은 패터닝 디바이스(MA)에서 방사선 빔(21)의 원하는 각도 분포와 패터닝 디바이스(MA)에서의 방사선 강도의 원하는 균일도를 제공하도록 정렬되는 다면 필드 미러 디바이스(facetted field mirror device; 22) 및 다면 퓨필 미러 디바이스(24)를 포함할 수도 있다. 지지체 구조체(MT)에 의해 홀딩되는 패터닝 디바이스(MA)에서 방사선 빔(21)이 반사되면 패터닝된 빔(26)이 형성되고, 패터닝된 빔(26)은 반사 요소(28, 30)를 통하여 투영 시스템(PS)에 의해, 기판 테이블(WT)에 의하여 홀딩되는 기판(W) 상에 이미징된다.
도시된 것보다 더 많은 요소들이 일반적으로 조명 광학기(IL) 및 투영 시스템(PS) 내에 존재할 수도 있다. 리소그래피 장치의 타입에 따라서 선택적으로 격자 스펙트럼 필터(240)가 존재할 수도 있다. 더 나아가, 도면에서 도시된 것보다 많은 미러가 존재할 수 있고, 예를 들어 투영 시스템(PS) 내에는 도 13에 도시되는 것보다 1 개 내지 6 개의 추가적인 반사 요소가 존재할 수도 있다.
도 14에 도시된 바와 같이, 콜렉터 광학기(CO)는 단지 콜렉터(또는 콜렉터 미러)의 일 예로서, 그레이징 입사 반사기(253, 254 및 255)가 있는 네스팅된 콜렉터로서 도시된다. 그레이징 입사 반사기(253, 254 및 255)는 광축(O)에 축대칭으로 배치되고, 이러한 타입의 콜렉터 광학기(CO)는 흔히 DPP(discharge produced plasma) 소스라고 불리는 방전 생성 플라즈마 소스와 함께 사용될 수 있다.
또는, 소스 콜렉터 모듈(SO)은 도 14에 도시된 바와 같은 LPP 방사선 시스템을 일부일 수도 있다. 레이저(LA)는 제논(Xe), 주석(Sn) 또는 리튬(Li)과 같은 연료로 레이저 에너지를 적립하여, 수 십 eV의 전자 온도를 가지는 고도로 이온화된 플라즈마(210)를 생성하도록 구현된다. 여기해제(de-excitation)와 이러한 이온들의 재조합 도중에 발생되는 에너지 방사선(energetic radiation)은 플라즈마로부터 방출되고, 준수직 입사 콜렉터 광학기(CO)에 의하여 수집되며, 밀폐 구조(220) 내의 개구(221) 상에 집속된다.
본 명세서에서 개시된 개념들은 서브 파장 피쳐를 이미징하기 위한 임의의 일반적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있고, 점점 더 작은 크기의 파장을 생성할 수 있는 대두되는 이미징 기술과 함께 사용될 때 특히 유용할 수 있다. 이미 사용 중인 대두되는 기술에는 ArF 레이저를 사용하여 193nm 파장을, 그리고 불소 레이저를 사용하여 심지어 157nm 파장을 생성할 수 있는 EUV(극자외선), DUV 리소그래피가 포함된다. 더욱이, EUV 리소그래피는 싱크로트론을 사용하거나 이러한 범위 내에서 광자를 생성하기 위하여 재료(고체 또는 플라즈마)를 고에너지 전자로 타격함으로써 20-5nm의 범위 내에서 파장을 생성할 수 있다.
본 명세서에 개시된 개념들이 실리콘 웨이퍼와 같은 기판 상의 이미징을 위하여 사용될 수 있지만, 개시된 개념은 임의의 타입의 리소그래피 이미징 시스템, 예를 들어 실리콘 웨이퍼가 아닌 기판 상의 이미징을 위해서 사용되는 것들과 함께 사용될 수도 있다는 것이 이해될 것이다.
위의 설명은 한정적인 것이 아니라 예시적인 의도로 제공된다. 따라서, 다음 진술되는 청구항의 범위로부터 벗어나지 않으면서, 설명된 바와 같은 변경이 이루어질 수 있다는 것이 당업자에게는 명백할 것이다.

Claims (17)

  1. 반도체 제조 프로세스를 구성하기 위한 방법으로서,
    복수 개의 모델 파라미터를 포함하는 초기 예측 모델을 하나 이상의 원격 위치에 제공하는 단계;
    적어도 하나의 모델 파라미터가 업데이트되도록, 상기 초기 예측 모델을 상기 하나 이상의 원격 위치에서의 로컬 데이터로 훈련시키는 단계;
    상기 하나 이상의 원격 위치로부터 적어도 하나의 업데이트된 모델 파라미터를 수신하는 단계;
    상기 하나 이상의 원격 위치로부터 수신된 적어도 하나의 업데이트된 모델 파라미터에 기반하여 집합화된(aggregated) 모델 파라미터를 결정하는 단계; 및
    상기 초기 예측 모델을 상기 집합화된 모델 파라미터에 기반하여 조절하는 단계 - 조절된 예측 모델은 상기 반도체 제조 프로세스를 구성하도록 동작가능함 -를 포함하는, 반도체 제조 프로세스 구성 방법.
  2. 제 1 항에 있어서,
    상기 적어도 하나의 모델 파라미터는 가중치를 포함하는, 반도체 제조 프로세스 구성 방법.
  3. 제 1 항에 있어서,
    상기 방법은,
    상기 초기 예측 모델을 하나 이상의 원격 위치에 제공하기 이전에, 상기 초기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계를 더 포함하고,
    상기 글로벌 데이터는 상기 로컬 데이터보다 큰 데이터 세트를 포함하며,
    상기 글로벌 데이터는 원격 위치 중 두 개 이상의 원격 위치와 연관되어,
    상기 초기 예측 모델을 상기 하나 이상의 원격 위치에서의 로컬 데이터로 훈련시키는 단계가 상기 초기 예측 모델을 재훈련시키는 것을 포함하게 되는, 반도체 제조 프로세스 구성 방법.
  4. 제 3 항에 있어서,
    상기 초기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계는,
    상기 초기 예측 모델을,
    i) 상기 반도체 제조 프로세스에서 사용되는 리소그래피 장치 내에 포함되는 레티클 또는 콜렉터와 연관되는 이미지 데이터, 및
    ii) 상기 리소그래피 장치의 이미징 성능 또는 오염과 연관되는 결함 정보로 훈련시키는 것을 포함하는, 반도체 제조 프로세스 구성 방법.
  5. 제 4 항에 있어서,
    상기 조절된 예측 모델은,
    상기 콜렉터의 품질이 허용가능한 레벨에 있는지 여부를 결정하도록 동작가능한, 반도체 제조 프로세스 구성 방법.
  6. 제 1 항에 있어서,
    상기 예측 모델은 신경망이고,
    상기 적어도 하나의 모델 파라미터는 상기 신경망의 가중치 및/또는 바이어스를 포함하는, 반도체 제조 프로세스 구성 방법.
  7. 제 1 항에 있어서,
    상기 하나 이상의 원격 위치는,
    상기 초기 예측 모델이 생성되고 훈련되며, 상기 업데이트된 모델 파라미터가 수신되고, 상기 집합화된 업데이트된 모델 파라미터가 결정되며, 상기 조절된 예측 모델이 결정되는 설비 위치로부터 떨어져 있는 하나 이상의 설비 위치를 포함하는, 반도체 제조 프로세스 구성 방법.
  8. 제 1 항에 있어서,
    상기 방법은,
    중단 조건이 만족될 때까지 반복적으로,
    상기 조절된 예측 모델을 하나 이상의 원격 위치에 제공하고, 상기 업데이트된 모델 파라미터를 수신하며, 상기 집합화된 업데이트된 모델 파라미터를 결정하고, 상기 조절된 예측 모델을 재조절하는 단계를 더 포함하는, 반도체 제조 프로세스 구성 방법.
  9. 제 8 항에 있어서,
    상기 중단 조건은 재조절된 예측 모델의 수렴을 포함하는, 반도체 제조 프로세스 구성 방법.
  10. 제 1 항에 있어서,
    상기 초기 예측 모델은 부분 훈련된 예측 모델을 포함하고,
    상기 부분 훈련된 예측 모델은 복수 개의 모델 파라미터를 포함함으로써,
    주어진 원격 위치로 제공된 이후에, 상기 로컬 데이터로 훈련시키는 단계가 상기 초기 예측 모델을 완전히 훈련시키는 것을 포함하게 되는, 반도체 제조 프로세스 구성 방법.
  11. 제 10 항에 있어서,
    상기 주어진 원격 위치에 있는 사용자는, 완전히 훈련된 초기 예측 모델에 기반하여, 상기 주어진 원격 위치로부터 업데이트된 적어도 하나의 모델 파라미터를 통신할지 여부를 결정하는, 반도체 제조 프로세스 구성 방법.
  12. 복수 개의 모델 파라미터를 포함하는 예측 모델을 조절하기 위한 방법으로서,
    제 1 업데이트된 모델 파라미터 값을 결정하도록, 반도체 제조 프로세스와 연관되는 로컬 훈련 데이터를 상기 예측 모델에 제공하는 단계;
    상기 예측 모델에 적어도 부분적으로 외부 훈련 데이터를 제공함으로써 획득되는 제 2 업데이트된 모델 파라미터 값을 수신하는 단계; 및
    상기 예측 모델을 예측 모델 정확도의 기대된 개선에 기반하여 조절하는 단계를 포함하고,
    상기 조절하는 단계는,
    상기 모델 파라미터를 상기 제 1 업데이트된 모델 파라미터 값 및/또는 상기 제 2 업데이트된 모델 파라미터 값으로 업데이트하는 것을 포함하는, 예측 모델 조절 방법.
  13. 제 12 항에 있어서,
    상기 복수 개의 모델 파라미터는 가중치를 포함하고,
    상기 제 1 업데이트된 모델 파라미터 값은 제 1 업데이트된 가중치 값을 포함하며,
    상기 제 2 업데이트된 모델 파라미터 값은 제 2 업데이트된 가중치 값을 포함하는, 예측 모델 조절 방법.
  14. 제 12 항 또는 제 13 항에 있어서,
    상기 방법은,
    상기 로컬 훈련 데이터를 예측 모델에 제공하는 단계 이전에, 상기 예측 모델을 글로벌 데이터를 사용하여 훈련시키는 단계를 더 포함하고,
    상기 글로벌 데이터는 상기 로컬 훈련 데이터보다 큰 데이터 세트를 포함하며,
    상기 글로벌 데이터는 원격 위치 중 두 개 이상의 원격 위치와 연관되어,
    상기 로컬 훈련 데이터를 제공하는 단계가 상기 제 1 업데이트된 모델 파라미터 값을 결정하도록 상기 예측 모델을 재훈련시키는 것을 포함하게 되는, 예측 모델 조절 방법.
  15. 제 12 항에 있어서,
    상기 방법은,
    상기 예측 모델을 원격 위치에 제공하는 단계를 더 포함하고,
    상기 원격 위치는 상기 예측 모델이 생성되는 설비 위치로부터 떨어져 있는 설비 위치를 포함하며,
    상기 원격 위치는,
    상기 제 1 업데이트된 모델 파라미터 값을 결정하도록, 상기 반도체 제조 프로세스와 연관되는 로컬 훈련 데이터가 상기 예측 모델에 제공되고,
    상기 제 2 업데이트된 모델 파라미터 값이 수신되며,
    상기 예측 모델이 조절되는,
    설비 위치를 포함하는, 예측 모델 조절 방법.
  16. 명령이 기록된 비일시적 컴퓨터 판독가능 매체를 포함하는 컴퓨터 프로그램 제품으로서,
    상기 명령은 컴퓨터에 의하여 실행될 때 제 1 항의 방법을 구현하는, 컴퓨터 프로그램 제품.
  17. 명령이 기록된 비일시적 컴퓨터 판독가능 매체를 포함하는 컴퓨터 프로그램 제품으로서,
    상기 명령은 컴퓨터에 의하여 실행될 때 제 12 항의 방법을 구현하는, 컴퓨터 프로그램 제품.
KR1020217032644A 2019-04-09 2020-03-12 설비 위치들 사이에서 예측 모델을 조절하기 위한 시스템 및 방법 KR102648599B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19168014.9 2019-04-09
EP19168014 2019-04-09
EP19175717.8A EP3742229A1 (en) 2019-05-21 2019-05-21 Systems and methods for adjusting prediction models between facility locations
EP19175717.8 2019-05-21
PCT/EP2020/056653 WO2020207696A1 (en) 2019-04-09 2020-03-12 Systems and methods for adjusting prediction models between facility locations

Publications (2)

Publication Number Publication Date
KR20210134975A true KR20210134975A (ko) 2021-11-11
KR102648599B1 KR102648599B1 (ko) 2024-03-15

Family

ID=69770922

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217032644A KR102648599B1 (ko) 2019-04-09 2020-03-12 설비 위치들 사이에서 예측 모델을 조절하기 위한 시스템 및 방법

Country Status (5)

Country Link
US (1) US11994848B2 (ko)
EP (1) EP3953765B1 (ko)
KR (1) KR102648599B1 (ko)
CN (1) CN113678064B (ko)
WO (1) WO2020207696A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022157646A1 (en) * 2021-01-19 2022-07-28 Imagia Cybernetics Inc. Method of and system for providing an aggregated machine learning model in a federated learning environment and determining relative contribution of local datasets thereto
CN114386687B (zh) * 2021-12-31 2024-04-05 全芯智造技术有限公司 多层掩膜版之间套刻结果的预测方法及装置、终端
CN115877808B (zh) 2023-01-30 2023-05-16 成都秦川物联网科技股份有限公司 用于薄片工件加工的工业物联网及控制方法
CN116643537B (zh) * 2023-07-27 2023-10-03 中科航迈数控软件(深圳)有限公司 基于隐私保护的数控参数优化方法、装置、设备及介质
CN116720479B (zh) * 2023-08-10 2024-01-09 腾讯科技（深圳）有限公司 掩膜生成模型训练方法、掩膜生成方法及装置和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130290223A1 (en) * 2012-04-27 2013-10-31 Yahoo! Inc. Method and system for distributed machine learning
WO2018033890A1 (en) * 2016-08-19 2018-02-22 Linear Algebra Technologies Limited Systems and methods for distributed training of deep learning models
WO2018196631A1 (en) * 2017-04-26 2018-11-01 Midea Group Co., Ltd. Training machine learning models on a large-scale distributed system using a job server
KR20190003909A (ko) * 2017-06-30 2019-01-10 삼성전자주식회사 Opc 모델의 최적화 방법 및 이를 이용한 반도체 소자의 제조 방법

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
EP0824722B1 (en) 1996-03-06 2001-07-25 Asm Lithography B.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
WO2007019269A2 (en) 2005-08-08 2007-02-15 Brion Technologies, Inc. System and method for creating a focus-exposure model of a lithography process
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
KR100982135B1 (ko) 2005-09-09 2010-09-14 에이에스엠엘 네델란즈 비.브이. 개별 마스크 오차 모델을 사용하는 마스크 검증 방법 및시스템
US7694267B1 (en) 2006-02-03 2010-04-06 Brion Technologies, Inc. Method for process window optimized optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US7707538B2 (en) 2007-06-15 2010-04-27 Brion Technologies, Inc. Multivariable solver for optical proximity correction
US7873585B2 (en) * 2007-08-31 2011-01-18 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
US20150012255A1 (en) * 2013-07-03 2015-01-08 International Business Machines Corporation Clustering based continuous performance prediction and monitoring for semiconductor manufacturing processes using nonparametric bayesian models
US20150242760A1 (en) * 2014-02-21 2015-08-27 Microsoft Corporation Personalized Machine Learning System
KR102521159B1 (ko) * 2014-11-25 2023-04-13 피디에프 솔루션즈, 인코포레이티드 반도체 제조 공정을 위한 개선된 공정 제어 기술
US10430719B2 (en) * 2014-11-25 2019-10-01 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
US10380503B2 (en) * 2016-04-08 2019-08-13 Here Global B.V. Distributed online learning for privacy-preserving personal predictive models
EP3352013A1 (en) * 2017-01-23 2018-07-25 ASML Netherlands B.V. Generating predicted data for control or monitoring of a production process

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130290223A1 (en) * 2012-04-27 2013-10-31 Yahoo! Inc. Method and system for distributed machine learning
WO2018033890A1 (en) * 2016-08-19 2018-02-22 Linear Algebra Technologies Limited Systems and methods for distributed training of deep learning models
WO2018196631A1 (en) * 2017-04-26 2018-11-01 Midea Group Co., Ltd. Training machine learning models on a large-scale distributed system using a job server
KR20190003909A (ko) * 2017-06-30 2019-01-10 삼성전자주식회사 Opc 모델의 최적화 방법 및 이를 이용한 반도체 소자의 제조 방법

Also Published As

Publication number Publication date
CN113678064A (zh) 2021-11-19
WO2020207696A1 (en) 2020-10-15
EP3953765B1 (en) 2023-01-11
EP3953765A1 (en) 2022-02-16
US11994848B2 (en) 2024-05-28
CN113678064B (zh) 2023-12-08
KR102648599B1 (ko) 2024-03-15
US20220197264A1 (en) 2022-06-23

Similar Documents

Publication Publication Date Title
TWI757663B (zh) 降低於機器學習模型預測中之不確定性之方法
KR102449586B1 (ko) 기계 학습에 의해 공정 모델들을 결정하는 방법들
KR102648599B1 (ko) 설비 위치들 사이에서 예측 모델을 조절하기 위한 시스템 및 방법
CN114096917B (zh) 用于减小模型预测不确定性的模型校准的预测数据选择
KR20220038501A (ko) 매개변수화된 모델 예측에서의 확실성을 증가시키는 방법
KR20220130784A (ko) 프로세스 메트릭 인식 프로세스 제어를 위한 시스템 및 방법
EP3742229A1 (en) Systems and methods for adjusting prediction models between facility locations
KR20230035384A (ko) 기계 학습 모델을 트레이닝시키기 위한 정보성 패턴을 선택하는 장치 및 방법.
KR102323989B1 (ko) 패터닝 디바이스 상의 유한한 두께들의 구조체들에 의한 방사선의 산란을 결정하는 방법들
KR102283977B1 (ko) 패터닝 디바이스 상의 유한한 두께들의 구조체들에 의한 방사선의 산란을 결정하는 방법들
KR102314622B1 (ko) 공정 모델들을 조정하는 방법들
EP3660744A1 (en) Method for decreasing uncertainty in machine learning model predictions
TWI844942B (zh) 用於圖案選擇之非暫時性電腦可讀媒體
KR20240064651A (ko) 패턴 선택 시스템들 및 방법들
WO2023088641A1 (en) Simulation model stability determination method
KR20230010686A (ko) 수차 영향 시스템, 모델, 및 제조 프로세스
WO2023084063A1 (en) Generating augmented data to train machine learning models to preserve physical trends
KR20240105424A (ko) 시뮬레이션 모델 안정성 결정 방법
CN118265950A (en) Simulation model stability determining method

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