KR20220016966A - 성능에 대한 피처 기여도를 결정하기 위한 방법 및 장치 - Google Patents

성능에 대한 피처 기여도를 결정하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR20220016966A
KR20220016966A KR1020227000161A KR20227000161A KR20220016966A KR 20220016966 A KR20220016966 A KR 20220016966A KR 1020227000161 A KR1020227000161 A KR 1020227000161A KR 20227000161 A KR20227000161 A KR 20227000161A KR 20220016966 A KR20220016966 A KR 20220016966A
Authority
KR
South Korea
Prior art keywords
substrates
model
data
performance data
performance
Prior art date
Application number
KR1020227000161A
Other languages
English (en)
Inventor
바히드 바스타니
데그 손테그
레자 사래이안
디미트라 그코로우
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 EP19186833.0A external-priority patent/EP3767392A1/en
Application filed by 에이에스엠엘 네델란즈 비.브이. filed Critical 에이에스엠엘 네델란즈 비.브이.
Publication of KR20220016966A publication Critical patent/KR20220016966A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G05B2219/32194—Quality prediction
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

기판들을 패터닝하는 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하는 방법. 이 방법은 제1 프로세스 데이터 및 제1 성능 데이터에 대해 훈련된 제1 모델을 획득하는 단계를 포함할 수 있다. 하나 이상의 기판과 연관된 프로세스 데이터에 적용될 때의 상기 제1 모델의 예측 품질에 기초하여 상기 하나 이상의 기판이 식별될 수 있다. 상기 식별된 하나 이상의 기판과 연관된 제2 프로세스 데이터 및 제2 성능 데이터에 대해 제2 모델이 훈련될 수 있다. 상기 제2 모델을 사용하여 상기 하나 이상의 기판과 연관된 상기 제2 성능 데이터에 대한 상기 제2 프로세스 데이터의 프로세스 피처의 기여도를 결정할 수 있다.

Description

성능에 대한 피처 기여도를 결정하기 위한 방법 및 장치
관련 출원에 대한 상호 참조
본 출원은 2019년 7월 4일에 출원된 EP 출원 19184423.2 및 2019년 7월 17일에 출원된 EP 출원 19186833.0의 우선권을 주장하고, 이들은 인용에 의해 그 전체가 본 명세서에 포함된다.
본 발명은 패터닝 프로세스를 분석하기 위한 방법 및 장치에 관한 것이다. 구체적으로, 그것은 프로세스 성능에 대한 프로세스 피처의 기여도를 결정하는 것에 관한 것이다.
리소그래피 장치는 기판 상에 원하는 패턴을 적용하도록 구축된 머신이다. 리소그래피 장치는, 예를 들어, 집적 회로(IC)의 제조에 사용될 수 있다. 리소그래피 장치는, 예를 들어, 패터닝 디바이스(예를 들어, 마스크)에 있는 패턴(종종 "디자인 레이아웃" 또는 "디자인"이라고도 지칭됨)을 기판(예를 들어, 웨이퍼) 상에 제공된 방사선 감응성 재료(레지스트)의 층에 투영할 수 있다.
기판 상에 패턴을 투영하기 위해 리소그래피 장치는 전자기 방사선을 사용할 수 있다. 이 방사선의 파장은 기판 상에 형성될 수 있는 피처들의 최소 크기를 결정한다. 현재 사용 중인 전형적인 파장은 365nm(i-line), 248nm, 193nm 및 13.5nm이다. 4-20nm 범위 내의, 예를 들어, 6.7nm 또는 13.5nm의 파장을 갖는 극자외선(EUV) 방사선을 사용하는 리소그래피 장치는, 예를 들어, 193nm의 파장을 갖는 방사선을 사용하는 리소그래피 장치보다 기판 상에 더 작은 피처들을 형성하기 위해 사용될 수 있다.
로우-k1 리소그래피는 리소그래피 장치의 고전적인 분해능 한계보다 작은 치수를 갖는 피처들을 처리하기 위해 사용될 수 있다. 이러한 프로세서에서, 분해능 공식은
Figure pct00001
로 표현될 수 있고, 여기서
Figure pct00002
는 이용된 방사선의 파장이고, NA는 리소그래피 장치에서의 투영 광학계(projection optics)의 개구수이고, CD는 "임계 치수(critical dimension)"(일반적으로 프린팅된 가장 작은 피처 크기이지만, 이 경우 1/2 피치)이고 k1은 경험적 분해능 계수(empirical resolution factor)이다. 일반적으로, k1이 작을수록 특정 전기적 기능성 및 성능을 달성하기 위해 회로 설계자가 계획한 형상 및 치수와 유사한 기판 상의 패턴을 재현하기가 더 어려워진다. 이들 어려움을 극복하기 위해, 리소그래피 투영 장치 및/또는 디자인 레이아웃에 정교한 미세 조정 단계들이 적용될 수 있다. 이들은, 예를 들어, NA의 최적화, 맞춤형 조명 방식들, 위상 시프팅 패터닝 디바이스들의 사용, 광학 근접 보정(optical proximity correction)(OPC, 때로는 "광학 및 프로세스 보정"이라고도 지칭됨)과 같은 디자인 레이아웃의 다양한 최적화들, 또는 일반적으로 "분해능 향상 기법(resolution enhancement techniques)"(RET)으로 정의되는 다른 방법들을 포함하지만, 이들로 제한되지 않는다. 대안적으로, 로우 k1에서 패턴의 재현을 개선하기 위해 리소그래피 장치의 안정성을 제어하기 위한 타이트한 제어 루프가 사용될 수 있다.
위에 기술된 리소그래피 패터닝의 어려움이 해결되지 않으면, 이는 패터닝 프로세스의 품질의 저하로 이어질 수 있다. 패터닝 프로세스의 품질이 떨어지면, 이는 최종 패터닝된 기판의 품질의 저하를 야기할 수 있다. 따라서, 패터닝된 기판의 품질을 평가함으로써 패터닝 프로세스 품질의 지시를 제공할 수 있다. 패터닝된 기판의 품질을 테스트하기 위해, 패터닝된 기판이 기능하는지 여부가 테스트될 수 있다. 패터닝된 기판은 요소가 통과(pass)하는지, 즉 요소가 작동하는지, 또는 그것이 고장났는지(failed)(작동하지 않는지) 여부를 결정하기 위해 개별적으로 테스트될 수 있는 복수의 요소(예를 들어, 다이)를 포함할 수 있다. 기판 상에서 작동하는 요소들의 비율은 기판의 수율이라고 지칭될 수 있다. 기판 상에 더 많은 작동 요소들을 획득하기 위해서는 리소그래피 장치의 수율 및 대응하는 패터닝 프로세스들을 개선하는 것이 바람직하다.
본 개시내용의 제1 양태에 따르면, 기판들을 패터닝하는 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하는 방법이 제공된다. 이 방법은 제1 프로세스 데이터 및 제1 성능 데이터에 대해 훈련된 제1 모델을 획득하는 단계를 포함한다. 하나 이상의 기판과 연관된 프로세스 데이터에 적용될 때의 상기 제1 모델의 예측 품질에 기초하여 상기 하나 이상의 기판이 식별될 수 있다. 상기 식별된 하나 이상의 기판과 연관된 제2 프로세스 데이터 및 제2 성능 데이터에 대해 제2 모델이 훈련될 수 있고, 상기 제2 모델을 사용하여 상기 하나 이상의 기판과 연관된 상기 제2 성능 데이터에 대한 상기 제2 프로세스 데이터의 프로세스 피처의 기여도를 결정할 수 있다.
옵션으로, 상기 하나 이상의 기판을 식별하는 것은 상기 제1 모델에 대한 입력으로서 복수의 기판과 연관된 프로세스 데이터를 제공하는 단계, 및 상기 제1 모델의 출력으로서 예측된 성능 데이터를 획득하는 단계를 포함할 수 있다.
옵션으로 상기 방법은 상기 복수의 기판에 대한 측정된 성능 데이터를 획득하는 단계를 추가로 포함할 수 있다.
옵션으로, 상기 하나 이상의 기판을 식별하는 것은 상기 예측된 성능 데이터를 상기 측정된 성능 데이터와 비교하여 상기 예측 품질을 결정하는 단계를 추가로 포함할 수 있다.
옵션으로, 상기 예측된 성능 데이터는 예측된 수율 데이터를 포함할 수 있다.
옵션으로, 상기 제1 모델은 신경망을 포함할 수 있다.
옵션으로, 상기 제1 모델의 출력은 상기 예측된 성능 데이터에 대한 상기 복수의 기판과 연관된 상기 프로세스 데이터의 복수의 프로세스 피처의 기여도의 추정치를 추가로 포함할 수 있다.
옵션으로, 상기 제1 모델의 출력은 상기 예측된 성능 데이터에 대한 상기 복수의 프로세스 피처의 추정된 기여도의 순위를 포함할 수 있다.
옵션으로, 상기 복수의 프로세스 피처는 오버레이, 정렬, 레벨링, 임계 치수, 두께, 및 컨텍스트 데이터 중 하나 이상을 포함할 수 있다.
옵션으로, 상기 프로세스 데이터는 기판의 복수의 층과 관련된 데이터를 포함할 수 있다.
옵션으로, 상기 방법은 상기 하나 이상의 식별된 기판에 기초하여 증강된 프로세스 데이터를 생성하는 단계를 추가로 포함할 수 있다.
옵션으로, 상기 제2 프로세스 데이터는 상기 하나 이상의 식별된 기판의 상기 프로세스 데이터 및 상기 증강된 프로세스 데이터를 포함할 수 있다.
옵션으로, 증강된 프로세스 데이터를 생성하는 단계는 프로세스 피처에 대한 파라미터 분포를 모델링하는 단계, 및 상기 모델링된 파라미터 분포에 따라 복수의 샘플을 생성하는 단계를 포함할 수 있고, 상기 증강된 프로세스 데이터는 상기 복수의 샘플을 포함한다.
옵션으로, 증강된 프로세스 데이터를 생성하는 단계는 프로세스 피처에 대한 값들의 범위를 결정하는 단계, 및 상기 프로세스 피처에 대한 값들의 범위 내에 복수의 샘플을 생성하는 단계를 포함할 수 있고, 상기 증강된 프로세스 데이터는 상기 복수의 샘플을 포함한다.
옵션으로, 상기 방법은 상기 제1 모델에 대한 입력으로서 상기 증강된 프로세스 데이터를 제공하는 단계, 및 상기 제1 모델의 출력으로서 증강된 예측된 성능 데이터를 획득하는 단계를 추가로 포함할 수 있다.
옵션으로, 상기 제2 성능 데이터는 상기 하나 이상의 기판에 대한 상기 예측된 성능 데이터 및 상기 증강된 예측된 성능 데이터를 포함할 수 있다.
옵션으로, 상기 제2 모델은 해석 가능한 모델일 수 있다.
옵션으로, 상기 해석 가능한 모델은 선형 모델, 얕은 결정 트리, 랜덤 포레스트, 또는 그래디언트 부스팅 트리 중 하나 이상을 포함할 수 있다.
옵션으로, 상기 제2 모델을 사용하여 상기 식별된 하나 이상의 기판과 연관된 상기 제2 성능 데이터에 대한 상기 제2 프로세스 데이터의 프로세스 피처의 기여도를 결정하는 것은 상기 제2 프로세스 데이터 및 상기 제2 성능 데이터에 대해 상기 제2 모델을 훈련시키는 단계, 상기 제2 모델을 사용하여 프로세스 피처와 제2 성능 데이터 간의 관계를 추정하는 단계, 및 상기 추정된 관계에 기초하여 프로세스 피처의 기여도를 결정하는 단계를 포함할 수 있다.
옵션으로, 상기 예측 품질이 미리 결정된 임계치 이상이면 기판이 식별될 수 있다.
옵션으로, 상기 예측 품질이 미리 결정된 손실 메트릭 이상이면 기판이 식별될 수 있다.
옵션으로, 상기 제1 모델은 기판들의 세트를 나타내는 글로벌 모델일 수 있다. 상기 제2 모델은 상기 기판들의 세트의 선택된 서브세트를 나타내는 로컬 모델일 수 있다.
옵션으로, 상기 방법은 상기 결정된 프로세스 피처의 기여도에 기초하여 상기 기판들을 패터닝하는 프로세스를 수행하기 위한 장치의 성능 문제를 진단하는 단계를 추가로 포함할 수 있다.
옵션으로, 상기 방법은 상기 결정된 프로세스 피처의 기여도에 기초하여 하나 이상의 프로세스 설정을 업데이트하는 단계, 및 상기 업데이트된 하나 이상의 프로세스 설정을 상기 기판들을 패터닝하는 프로세스를 수행하는 장치에 제공하는 단계를 추가로 포함할 수 있다.
본 개시내용의 다른 양태에 따르면, 적어도 하나의 프로세서 상에서 실행될 때, 상기 적어도 하나의 프로세서로 하여금 위에 기술된 바와 같은 방법을 수행하게 하는 명령어들을 포함하는 컴퓨터 프로그램이 제공된다.
본 개시내용의 다른 양태에 따르면, 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 위에 기술된 바와 같은 방법을 수행하게 하는 명령어들을 포함하는 프로세서 판독가능 매체가 제공된다.
본 개시내용의 다른 양태에 따르면, 기판들을 패터닝하는 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하기 위한 장치가 제공된다. 이 장치는 위에 기재된 바와 같은 방법을 착수하기 위해 컴퓨트 프로그램 코드를 실행하도록 구성된 하나 이상의 프로세서를 포함한다.
본 개시내용의 다른 양태에 따르면, 위에 기술된 바와 같은 장치를 포함하는 계측 장치가 제공된다.
본 개시내용의 다른 양태에 따르면, 위에 기술된 바와 같은 장치를 포함하는 검사 장치가 제공된다.
본 개시내용의 다른 양태에 따르면, 위에 기술된 바와 같은 장치를 포함하는 리소그래피 장치가 제공된다.
이제 첨부하는 개략 도면들을 참조하여 단지 예로서 본 발명의 실시예들을 설명한다.
도 1은 리소그래피 장치의 개략적인 개요를 묘사한다.
도 2는 리소그래피 셀의 개략적인 개요를 묘사한다.
도 3은 반도체 제조를 최적화하기 위한 세 가지 핵심 기술 간의 협력을 나타내는, 홀리스틱 리소그래피(holistic lithography)의 개략적인 표현을 묘사한다.
도 4는 패터닝 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하는 방법의 단계들의 흐름도를 묘사한다.
도 5는 패터닝 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하기 위한 방법의 개략적인 표현을 묘사한다.
도 6은 성능 데이터에 대한 피처 기여도를 결정하기 위해 로컬 모델을 훈련시키는 흐름도를 묘사한다.
도 7a 및 도 7b는 성능 데이터에 대한 피처 기여도들을 결정하기 위한 예시적인 그래프들을 묘사한다.
본 문서에서, "방사선" 및 "빔"이라는 용어들은, 자외선 방사선(예를 들어, 365, 248, 193, 157 또는 126nm의 파장을 가짐) 및 EUV(예를 들어, 약 5-100nm 범위의 파장을 가진 극자외선 방사선)를 포함한, 모든 유형의 전자기 방사선을 망라하기 위해 사용된다.
이 본문에서 이용되는 "레티클", "마스크", 또는 "패터닝 디바이스"라는 용어들은 입사 방사선 빔에, 기판의 목표 부분에 생성되어야 하는 패턴에 대응하는, 패터닝된 단면을 부여하기 위해 사용될 수 있는 일반적인 패터닝 디바이스를 지칭하는 것으로서 광범위하게 해석될 수 있다. 이러한 컨텍스트에서 "광 밸브"라는 용어도 사용될 수 있다. 고전적인 마스크(투과 또는 반사, 이진, 위상 시프팅, 하이브리드 등) 외에도, 그러한 다른 패터닝 디바이스들의 예들로는 프로그램 가능한 미러 어레이 및 프로그램 가능한 LCD 어레이가 포함된다.
도 1은 리소그래피 장치(LA)를 개략적으로 묘사한다. 리소그래피 장치(LA)는 방사선 빔(B)(예를 들어, UV 방사선, DUV 방사선 또는 EUV 방사선)를 컨디셔닝하도록 구성된 조명 시스템(조명기라고도 지칭됨)(IL), 패터닝 디바이스(예를 들어, 마스크)(MA)를 지지하도록 구축되고 특정 파라미터들에 따라 패터닝 디바이스(MA)를 정확하게 위치시키도록 구성된 제1 포지셔너(PM)에 연결된 마스크 지지체(예를 들어, 마스크 테이블)(T), 기판(예를 들어, 레지스트 코팅된 웨이퍼)(W)을 유지하도록 구축되고 특정 파라미터들에 따라 기판 지지체를 정확하게 위치시키도록 구성된 제2 포지셔너(PW)에 연결된 기판 지지체(예를 들어, 웨이퍼 테이블)(WT), 및 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 기판(W)의 목표 부분(C)(예를 들어, 하나 이상의 다이를 포함함) 상에 투영하도록 구성된 투영 시스템(예를 들어, 굴절 투영 렌즈 시스템)(PS)을 포함한다.
동작 중에, 조명 시스템(IL)은, 예를 들어, 빔 전달 시스템(BD)을 통해, 방사선 소스(SO)로부터 방사선 빔을 수신한다. 조명 시스템(IL)은, 방사선을 유도, 형상화, 및/또는 제어하기 위한, 굴절, 반사, 자기, 전자기, 정전기, 및/또는 다른 유형의 광학 컴포넌트들, 또는 이들의 임의의 조합과 같은 다양한 유형의 광학 컴포넌트들을 포함할 수 있다. 조명기(IL)는 패터닝 디바이스(MA)의 평면에서 그것의 단면에서 원하는 공간 및 각도 강도 분포를 갖도록 방사선 빔(B)을 컨디셔닝하기 위해 사용될 수 있다.
본 명세서에서 사용된 "투영 시스템"(PS)이라는 용어는, 사용되는 노광 방사선에, 및/또는 액침(immersion liquid)의 사용 또는 진공의 사용과 같은 다른 요인들에 적절하게, 굴절, 반사, 반사 굴절, 아나모픽(anamorphic), 자기, 전자기 및/또는 정전기 광학 시스템들, 또는 이들의 임의의 조합을 포함하는 다양한 유형의 투영 시스템을 포함하는 것으로 광범위하게 해석되어야 한다. 본 명세서에서 "투영 렌즈"라는 용어의 임의의 사용은 보다 일반적인 용어 "투영 시스템"(PS)과 동의어로 간주될 수 있다.
리소그래피 장치(LA)는 투영 시스템(PS)과 기판(W) 사이의 공간을 채우도록, 상대적으로 높은 굴절률을 갖는 액체, 예를 들어, 물에 의해 기판의 적어도 일부가 덮일 수 있는 - 액침 리소그래피(immersion lithography)라고도 지칭됨 - 유형일 수 있다. 액침 기법에 대한 더 많은 정보는, 인용에 의해 본 명세서에 포함되는, US6952253에서 제공된다.
리소그래피 장치(LA)는 또한 2개 이상의 기판 지지체(WT)(또한 "이중 스테이지"라고도 명명됨)를 갖는 유형일 수 있다. 그러한 "다중 스테이지" 머신에서는, 기판 지지체들(WT)이 병렬로 사용될 수 있고/있거나, 다른 기판 지지체(WT) 상의 다른 기판(W)이 다른 기판(W) 상의 패턴을 노광시키기 위해 사용되고 있는 동안 기판 지지체(WT) 중 하나 위에 위치한 기판(W)에 대해 기판(W)의 후속 노광을 준비하는 단계들이 수행될 수 있다.
기판 지지체(WT) 이외에, 리소그래피 장치(LA)는 측정 스테이지를 포함할 수 있다. 측정 스테이지는 센서 및/또는 클리닝 디바이스를 유지하도록 배열된다. 센서는 투영 시스템(PS)의 특성 또는 방사선 빔(B)의 특성을 측정하도록 배열될 수 있다. 측정 스테이지는 다수의 센서들을 유지할 수 있다. 클리닝 디바이스는 리소그래피 장치의 일부, 예를 들어, 투영 시스템(PS)의 일부 또는 액침을 제공하는 시스템의 일부를 클리닝하도록 배열될 수 있다. 측정 스테이지는 기판 지지체(WT)가 투영 시스템(PS)으로부터 멀어질 때 투영 시스템(PS) 아래로 이동할 수 있다.
동작 중에, 방사선 빔(B)이, 마스크 지지체(T) 상에 유지되는, 패터닝 디바이스, 예를 들어, 마스크(MA) 상에 입사되고, 패터닝 디바이스(MA) 상에 존재하는 패턴(디자인 레이아웃)에 의해 패터닝된다. 마스크(MA)를 횡단한 방사선 빔(B)은 투영 시스템(PS)을 통과하고, 투영 시스템(PS)은 기판(W)의 목표 부분(C) 상에 빔을 집속시킨다. 제2 포지셔너(PW) 및 위치 측정 시스템(IF)의 도움으로, 기판 지지체(WT)는, 예를 들어, 방사선 빔(B)의 경로 내의 상이한 목표 부분들(C)을 집속되고 정렬된 위치에 위치시키도록 정확하게 이동될 수 있다. 유사하게, 방사선 빔(B)의 경로에 관하여 패터닝 디바이스(MA)를 정확하게 위치시키기 위해 제1 포지셔너(PM) 및 어쩌면 다른 위치 센서(도 1에 명시적으로 묘사되지 않음)가 사용될 수 있다. 패터닝 디바이스(MA) 및 기판(W)은 마스크 정렬 마크들(M1, M2) 및 기판 정렬 마크들(P1, P2)을 사용하여 정렬될 수 있다. 비록 예시된 기판 정렬 마크들(P1, P2)은 전용 목표 부분들을 차지하지만, 그것들은 목표 부분들 사이의 공간들에 위치할 수도 있다. 기판 정렬 마크들(P1, P2)은 목표 부분들(C) 사이에 위치할 때 스크라이브-레인 정렬 마크들로 알려져 있다.
도 2에 도시된 바와 같이, 리소그래피 장치(LA)는 리소그래피 셀(LC)의 일부를 형성할 수 있고, 리소그래피 셀은 때때로 리소셀 또는 (리소)클러스터라고도 지칭되고, 종종 기판(W)에 대해 노광전 및 노광후 프로세스들을 수행하는 장치를 또한 포함한다. 관례적으로 이들은 레지스트 층들을 퇴적하기 위한 스핀 코터들(SC), 노광된 레지스트를 현상하기 위한 현상기들(DE), 예를 들어, 기판들(W)의 온도를 컨디셔닝하기 위한, 예를 들어, 레지스트 층들 내의 용제들을 컨디셔닝하기 위한, 냉각 플레이트들(CH) 및 베이킹 플레이트들(BK)을 포함한다. 기판 핸들러, 또는 로봇(RO)이 입력/출력 포트들(I/O1, I/O2)로부터 기판들(W)을 픽업하고, 이들을 상이한 프로세스 장치들 사이로 이동시키고 기판들(W)을 리소그래피 장치(LA)의 로딩 베이(LB)로 전달한다. 종종 집합적으로 트랙이라고도 지칭되는 리소셀 내의 디바이스들은 전형적으로 트랙 제어 유닛(TCU)의 제어 하에 있고, 트랙 제어 유닛은 그 자체가 감시 제어 시스템(SCS)에 의해 제어될 수 있고, 감시 제어 시스템은 또한, 예를 들어, 리소그래피 제어 유닛(LACU)을 통해 리소그래피 장치(LA)를 제어할 수 있다.
리소그래피 장치(LA)에 의해 노광된 기판들(W)이 정확하고 일관되게 노광되기 위해서는, 기판들을 검사하여 패터닝된 구조들의 특성들, 예컨대 후속 층들 간의 오버레이 오차들, 라인 두께들, 임계 치수들(CD) 등을 측정하는 것이 바람직하다. 이를 위해, 리소셀(LC)에 검사 툴들(도시되지 않음)이 포함될 수 있다. 오차들이 검출되면, 예를 들어, 후속 기판들의 노광들에 대한 또는 기판들(W)에 대해 수행되어야 하는 다른 처리 단계들에 대한 조정들이 이루어질 수 있다(예를 들어, 동일한 배치(batch) 또는 로트의 다른 기판들(W)이 여전히 노광되거나 처리되어야 하기 전에 검사가 완료된다면).
기판(W)의 특성들, 및, 특히, 상이한 기판들(W)의 특성들이 어떻게 달라지는지 또는 동일한 기판(W)의 상이한 층들과 연관된 특성들이 층마다 되는지를 어떻게 달라지는지를 결정하기 위해 계측 장치라고도 지칭될 수 있는 검사 장치가 사용된다. 검사 장치는 대안적으로 기판(W) 상의 결함들을 식별하도록 구축될 수 있고, 예를 들어, 리소셀(LC)의 일부일 수 있거나, 리소그래피 장치(LA)에 통합될 수 있거나, 심지어 독립형 디바이스일 수도 있다. 검사 장치는 잠상(latent image)(노광 후의 레지스트 층 내의 이미지)에 대한 또는 반잠상(노광후 베이킹 단계 PEB 후의 레지스트 층 내의 이미지)에 대한, 또는 현상된 레지스트 이미지(레지스트의 노광되거나 노광되지 않은 부분이 제거된)에 대한, 또는 심지어 에칭된 이미지(에칭과 같은 패턴 전사 단계 후의)에 대한 특성들을 측정할 수 있다.
전형적으로 리소그래피 장치(LA)에서의 패터닝 프로세스는 기판(W) 상의 구조들의 치수 및 배치의 높은 정확도를 요구하는 프로세스에서 가장 중요한 단계들 중 하나이다. 이러한 높은 정확도를 보장하기 위해, 도 3에 개략적으로 묘사된 바와 같이 소위 "홀리스틱" 제어 환경에서 3개의 시스템이 조합될 수 있다. 이들 시스템 중 하나는 계측 툴(MT)(제2 시스템) 및 컴퓨터 시스템(CL)(제3 시스템)에 (가상적으로) 연결되는 리소그래피 장치(LA)이다. 그러한 "홀리스틱" 환경의 핵심은 이들 3개의 시스템 간의 협력을 최적화하여 전체 프로세스 윈도우를 향상시키고 타이트한 제어 루프들을 제공하여 리소그래피 장치(LA)에 의해 수행되는 패터닝이 프로세스 윈도우 내에 유지되도록 보장하는 것이다. 프로세스 윈도우는 그 안에서 특정 제조 프로세스가 정의된 결과(예를 들어, 기능 반도체 디바이스)를 산출하는 - 전형적으로 그 안에서 리소그래피 프로세스 또는 패터닝 프로세스에서의 프로세스 파라미터들이 달라지도록 허용되는 - 프로세스 파라미터들(예를 들어, 도즈, 포커스, 오버레이)의 범위를 정의한다.
컴퓨터 시스템(CL)은 패터닝될 디자인 레이아웃(의 일부)을 사용하여 어떤 분해능 향상 기법들을 사용할지를 예측하고 계산 리소그래피 시뮬레이션들 및 계산들을 수행하여 어떤 마스크 레이아웃 및 리소그래피 장치 설정이 패터닝 프로세스의 가장 큰 전체 프로세스 윈도우(도 3에서 첫 번째 스케일(SC1)에서 이중 화살표로 묘사됨)를 달성하는지를 결정할 수 있다. 전형적으로, 분해능 향상 기법들은 리소그래피 장치(LA)의 패터닝 가능성들과 일치하도록 배열된다. 컴퓨터 시스템(CL)은 또한 리소그래피 장치(LA)가 현재 프로세스 윈도우 내의 어디에서 동작하고 있는지를 검출하여(예를 들어, 계측 툴(MT)로부터의 입력을 사용하여) 예를 들어 차선의 처리(도 3에서 두 번째 스케일(SC2)에서 "0"을 가리키는 화살표로 묘사됨)로 인해 결함들이 존재할 수 있는지를 예측하기 위해 사용될 수 있다.
계측 툴(MT)은 정확한 시뮬레이션들 및 예측들을 가능하게 하는 입력을 컴퓨터 시스템(CL)에 제공할 수 있고, 예를 들어 리소그래피 장치(LA)의 캘리브레이션 상태에서의 드리프트들(도 3에서 세 번째 스케일(SC3)에서 다수의 화살표들로 묘사됨)을 식별하기 위한 피드백을 리소그래피 장치(LA)에 제공할 수 있다.
계측 툴들(MT)은 리소그래피 기판에 관한 하나 이상의 피처 또는 특성을 측정하기 위해 사용될 수 있다. 관심 있을 수 있는 한 가지 유형의 특성은 패터닝 프로세스의 성능일 수 있다. 패터닝 프로세스의 성능은 직접 측정하기 어려울 수 있다. 대신 성능은 성능과 연관된 특성들을 측정하는 것에 의해 간접적으로 평가될 수 있다. 이는, 예를 들어, 기판에 존재하는 최종 패턴의 품질에 대한 평가를 포함할 수 있다. 최종 패턴의 품질을 평가하는 한 가지 방법은 기판의 수율을 측정하는 것이다. 패터닝 성능을 평가하는 다른 예시적인 방법들은 수리 밀도, 프로브 빈 코드 등을 포함한다. 기판의 수율은 적절하게 기능하는 기판 상의 요소들의 비율을 나타낼 수 있다. 수율을 평가하는 것은 기판 상의 각각의 개별 요소에 대해 그것이 "작동하는지" 또는 "고장났는지"를 결정하는 것을 포함할 수 있다. 작동 요소들은 수율 테스트를 통과하였다고 말할 수 있다. 작동 요소들의 수를 전체 요소들의 수로 나눈 것이 기판의 수율일 수 있다. 요소는 기판 상의 다른 엔티티들과 별도로 기능할 수 있도록 구성된 엔티티일 수 있다. 이 요소는 다이라고 지칭될 수 있다. 요소들의 예들은 메모리 셀, 스위치, 처리 유닛 등일 수 있다.
수율을 측정하는 것에 의해 패터닝된 기판의 품질의 지시를 제공할 수 있다. 각각의 다이가 기능 요소를 포함하는 완벽하게 패터닝된 기판은 100%의 수율을 갖는다. 모든 다이들이 비작동 요소들로 구성되는 기판은 0%의 수율을 갖는다. 100% 또는 가능한 한 100%에 가까운 수율을 획득하는 것이 고품질 리소그래피 패터닝을 위한 목표이다. 임의의 문제들을 진단하고 수율을 증가시키기 위해 어떻게 패터닝을 개선할지를 결정하기 위해서는, 기판 상의 고장난 다이들에 대해, 근본 원인을 결정하거나, 하나 이상의 잠재적인 근본 원인을 결정하는 것이 바람직할 수 있다. 수율 손실에 대한 근본 원인은 줄여서 수율의 근본 원인이라고도 지칭될 수 있다.
수율 손실의 예시적인 원인들로는 기판의 하나 이상의 층의 정렬, 오버레이, 또는 레벨링과 관련된, 또는 기판 상의 에칭 단계와 관련된(예를 들어, 에칭이 너무 많거나 충분하지 않은) 문제들이 포함될 수 있다.
알려진 수율 근본 원인 찾기 방법들은 많은 샘플 기판들로부터의 데이터를 사용하여 상관관계 모델을 확립할 수 있다. 예를 들어, 상관관계 모델은 다변량 기계 학습 모델 또는 단변량 선형/비선형 상관관계 분석을 포함할 수 있다. 기계 학습 상관관계 모델의 경우, 피처 가중치들이 잠재적인 근본 원인으로서 해당 피처의 중요도의 지시자로서 사용될 수 있다. 피처들은 수율 손실과의 그들의 상관관계에 따라 순위가 매겨질 수 있다. 이 순위는 하나 이상의 잠재적인 수율 근본 원인을 선택하기 위해 사용될 수 있다.
알려진 상관관계 모델들을 사용하는 것과 관련된 문제는 기판 수율, 패터닝 프로세스 특성들, 및 측정된 프로세스 피처들 사이의 관계가 복잡하다는 것이다. 본 명세서에서 사용되는, "프로세스 피처"(또는 간단히 "피처")라는 용어는 리소그래피 패터닝 프로세스와 관련된 특성, 파라미터, 또는 피처를 지칭한다. 상관관계 모델은, 상관관계들을 찾으려고 시도하는 것에 의해, 수율 손실을 설명하는 샘플 기판들로부터의 데이터에서 프로세스 피처들을 찾으려고 시도할 수 있다. 그러나, 많은 기판들이 있다면, 피처들과 수율 간에 많은 상이한 상관관계들이 존재한다. 예를 들어, 기판은 하나 이상의 완성된 다이를 갖는 최종 패터닝된 기판을 형성하기 위해 많은 상이한 제조 층들을 포함할 수 있다. 상이한 프로세스 피처들은 상이한 제조 층들 및/또는 상이한 기판들에서의 수율에 영향을 미칠 수 있다. 예를 들어, 하나의 층에서는, 오버레이와 관련된 문제가 기판의 하나의 영역에서의 수율 손실을 야기할 수 있다. 다른 층에서는, 임계 치수 변화와 관련된 문제가 기판의 다른 영역에서의 수율 손실을 야기할 수 있다. 상관관계 모델들은 일반적으로 모든 제공된 수율 손실 데이터의 평균을 취하고, 이 평균을 사용하여 잠재적인 근본 원인을 찾으려고 시도할 수 있다. 그러나, 상관관계 모델은 수율 손실에 대한 2개 이상의 개별 원인을 정확하게 구별하지 못할 수 있다. 이는 근본 원인들에 대한 부정확한 예측들로 이어질 수 있다.
본 개시내용은 하나 이상의 기판 상의 수율 손실에 대한 하나 이상의 잠재적인 근본 원인을 결정하기 위한 방법 및 장치에 관한 것이다. 대안적으로, 패터닝 프로세스 성능의 다른 지시자에서 손실에 대한 근본 원인들이 결정될 수 있다. 이 방법은 프로세스 데이터에 기초하여 수율 손실을 추정하여 잠재적인 근본 원인들을 결정하고, 프로세스 데이터의 어떤 피처들이 수율의 손실에 가장 큰 영향을 미치는지를 추정할 수 있다. 이들 피처는 수율 손실의 잠재적인 근본 원인과 관련될 수 있다. 프로세스 데이터는 하나 이상의 기판에 대해 획득된 계측 데이터를 포함할 수 있다. 프로세스 데이터는 기판들에 대한 리소그래피 패터닝 및/또는 다른 제조 프로세스들과 관련된 제조 프로세스 데이터를 또한 포함할 수 있다. 방법에 제공된 계측 데이터 및/또는 프로세스 데이터는 프로세스 피처들과 관련될 수 있다. 방법은 또한 하나 이상의 기판에 대해 획득된 수율 데이터를 사용할 수 있다. 프로세스 피처들의 예들은 오버레이, 레벨링, 정렬, 임계 치수, 또는 리소그래피 장치 설정, 패터닝 단계들에 대한 레시피 설정, 컨텍스트 데이터 등과 같은 계측 데이터를 포함할 수 있다. 본 명세서에서 기술된 방법은 하나 이상의 기판의 수율에 대한 상이한 프로세스 피처들의 기여도들을 구별하기 위해 2개의 모델을 사용한다. 수율 손실에 대해 상이한 프로세스 피처들에 의해 이루어진 상이한 기여도들에 기초하여, 수율 손실에 대한 잠재적인 근본 원인들이 식별될 수 있다.
도 4는 기판들을 패터닝하는 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하는 방법의 흐름도를 묘사한다. 402에서는, 제1 모델이 획득된다. 예를 들어, 이전에 생성된 모델이 저장소(예를 들어, 데이터 저장 디바이스)로부터 검색되거나, 제1 모델이 새로 생성될 수 있다. 제1 모델은 제1 프로세스 데이터 및 제1 성능 데이터에 대해 훈련될 수 있다. 제1 프로세스 데이터 및 제1 성능 데이터는 이력 데이터를 포함할 수 있다. 이력 데이터는 방법에서 성능이 분석되는 패터닝 프로세스들의 이전 런들과 관련될 수 있다. 프로세스 데이터는 하나 이상의 프로세스 피처에 대한 복수의 데이터 포인트를 포함할 수 있다. 프로세스 피처들은 기판의 특성들, 예를 들어 오버레이, 정렬, 임계 치수, 레벨링 등과 관련될 수 있다. 예를 들어, 프로세스 데이터는 하나 이상의 프로세스 피처에 대한 기판에 걸친 측정치들의 분포를 포함할 수 있다. 성능 데이터는 기판의 성능이 평가되고 있는 기판과 관련된 특성과 관련될 수 있다. 성능 데이터의 예는 기판의 수율 데이터일 수 있다. 본 명세서에서 기술된 바와 같이, 제1 모델이 입력으로서 프로세스 데이터를 수신하고, 출력으로서 성능 데이터의 추정을 제공할 수 있다. 훈련 프로세스의 일부로서, 추정된 성능 데이터는, 모델을 훈련시키기 위해, 제공된(알려진) 제1 성능 데이터에 대해 평가될 수 있다.
404에서는, 하나 이상의 기판이 식별될 수 있다. 식별은 하나 이상의 기판의 프로세스 데이터에 적용될 때의 제1 모델의 예측 품질에 기초할 수 있다. 제1 모델은 예측을 하기 위해 기판들의 세트에 적용되었을 수 있다. 하나 이상의 기판은 기판들의 세트의 서브세트일 수 있다. 406에서는, 제2 프로세스 데이터 및 제2 성능 데이터에 대해 제2 모델이 훈련될 수 있다. 제2 프로세스 데이터 및 제2 성능 데이터는 하나 이상의 기판과 연관될 수 있다. 408에서는, 훈련된 제2 모델을 사용하여 하나 이상의 기판과 연관된 제2 성능 데이터에 대한 제2 프로세스 데이터의 피처의 기여도를 결정할 수 있다.
제1 모델은 기판들의 모집단을 나타내는 글로벌 모델일 수 있다. 설명의 나머지에서는 제1 모델이 글로벌 모델이라고 지칭될 것이다. 제1 프로세스 데이터 및 제1 성능 데이터는 제각기 글로벌 프로세스 데이터 및 글로벌 성능 데이터라고 지칭될 수 있다. 글로벌 프로세스 데이터 및 글로벌 성능 데이터는 많은 수의 기판들에 관한 데이터를 포함할 수 있다. 따라서, 글로벌 모델은 많은 수의 기판들에 대해 훈련될 수 있다. 그 결과, 글로벌 모델은 패터닝 프로세스의 성능에 대해 많은 상이한 영향들을 야기하는 많은 상이한 프로세스 피처들을 나타내는 프로세스 데이터에 대해 훈련되었을 수 있다. 글로벌 모델은 기판들의 세트에 대한 패터닝 프로세스의 성능을 예측하기 위해 사용될 수 있다. 기판들의 세트는 예를 들어 기판들의 로트(lot)일 수 있다. 로트는 동일한 패터닝 프로세스를 거치는 기판들의 그룹일 수 있다. 그 결과, 그것들은 유사하고 비교할 만한 특성들을 가질 수 있으므로, 그것들을 함께 분석하기에 적합하게 된다. 기판들의 로트는, 예를 들어, 25개의 기판을 포함할 수 있다.
글로벌 모델(GM)은 기계 학습 모델일 수 있다. 구체적으로, 글로벌 모델(GM)은 신경망, 예를 들어 심층 신경망일 수 있다. 글로벌 모델은, 인용에 의해 본 명세서에 포함되는, WO2018/202361에서 설명된 모델들의 하나 이상의 특성을 가질 수 있다.
훈련 기판들의 대규모 세트로부터의 프로세스 데이터에 대해 글로벌 모델이 훈련될 때, 다수의 상이한 훈련 기판들 상에 다이 고장/수율 손실에 대한 다수의 원인들이 존재할 수 있다.
훈련 기판들 중 일부에는 일부 원인들이 존재하지 않을 수 있다. 모델이 프로세스 데이터와 수율 예측 간의 대응을 결정할 때, 모든/대부분의 훈련 기판들에 걸쳐 존재하지 않는 원인들의 영향들이 과소평가될 수 있다. 따라서 덜 일반적인 원인들은 훈련 기판들의 대규모 세트에 대한 평균 영향들에 의해 가려질 수 있다. 그 결과, 기판들의 대규모 세트에 대해 훈련된 글로벌 모델은 다이 고장 및 수율 손실의 원인들로서 프로세스 피처들의 기여도를 결정하기에 적합하지 않을 수 있다. 다시 말해서, 글로벌 모델은 어떤 프로세스 피처(들)가 특정 다이, 웨이퍼 또는 로트의 고장에 대한 근본 원인(들)이었는지를 결정하지 못할 수 있다.
수율 손실의 근본 원인(들)이 결정되도록 하기 위해, 본 명세서에 개시된 방법은 제2 모델을 사용한다. 제2 모델은 기판들의 세트의 선택된 서브세트를 나타내는 로컬 모델일 수 있다. 설명의 나머지에서는 제2 모델이 로컬 모델이라고 지칭될 것이다. 제2 프로세스 데이터 및 제2 성능 데이터는 제각기 로컬 프로세스 데이터 및 로컬 성능 데이터라고 지칭될 수도 있다. 로컬 모델의 기능은 기판들의 서브세트의 부근(또는 인근)에서 글로벌 모델의 거동을 해석하는 것일 수 있다. 글로벌 모델과 함께 사용되는 기판들의 세트의 서브세트에 대해 로컬 모델을 훈련시키는 것의 이점은 대응하는 프로세스 데이터의 해석이 더 정확할 수 있다는 것이다. 이는 로컬 모델이 기판들의 더 작은 서브세트와 연관된 데이터에 대해 훈련되기 때문일 수 있다. 그 결과, 예측에 대한 데이터의 기여도의 해석은 기판들의 선택된 서브세트의 부근으로 제한된다. 이는 수율 손실을 야기하는 영향들의 범위가 기판들의 대규모 세트의 경우보다 작을 수 있음을 의미할 수 있다. 따라서 원인들이 평균될 가능성이 낮을 수 있다. 프로세스 데이터의 개선된 해석을 갖는 로컬 모델에 대한 두 번째 이유는 서브세트가 글로벌 모델에 의한 예측 품질에 기초하여 식별되고 선택된 기판들을 포함하기 때문일 수 있다. 높은 예측 품질을 갖는 것은 글로벌 모델이 서브세트 내의 기판들에 대해 유효한 예측을 한다는 것을 지시할 수 있다. 이는 서브세트의 기판들이 글로벌 모델에 의해 식별할 수 있는 수율 손실 특성들을 가지고 있고, 이로 인해 그것들이 로컬 모델에 의한 분석에 취약할 수 있음을 지시할 수 있다. 그 결과, 훈련된 로컬 모델은 서브세트 내의 기판들에 대한 프로세스 피처들의 기여도들을 식별할 수 있다.
로컬 모델은 해석 가능한 모델일 수 있다. 해석 가능한 모델은 모델 입력과 모델 간의 하나 이상의 관계가 직관적으로 설명될 수 있는 모델의 유형일 수 있다. 로컬 모델은 상이한 프로세스 피처들이 기판들에 대한 수율 손실 데이터와 어떻게 상관되는지에 대한 지시를 제공할 수 있다. 훈련된 로컬 모델로부터 획득할 수 있는 이 정보는 이 방법에 의해 패터닝 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하기 위해 사용될 수 있다.
프로세스 데이터는 하나 이상의 프로세스 피처와 관련될 수 있다. 프로세스 데이터는 프로세스 피처의 측정된 데이터를 포함할 수 있다. 예를 들어, 프로세스 피처는 오버레이일 수 있고, 프로세스 데이터는 오버레이 데이터를 포함할 수 있다. 대안적으로 또는 측정된 데이터 이외에, 프로세스 데이터는 추정된 및/또는 추론된 데이터를 포함할 수 있다. 예를 들어, 추정된 오버레이 데이터는 기판에 대해 행해진 다른 측정들로부터 추론될 수 있다. 그러한 추론된/추정된 오버레이 데이터는 또한 기판의 프로세스 데이터로서 제공될 수 있다.
위에 기술된 바와 같이, 이 방법은 글로벌 모델에 대한 입력으로서 제공된 기판들의 세트의 서브세트의 식별을 포함한다. 이 식별 단계는 글로벌 모델에 의한 예측 품질이 미리 결정된 임계치 및/또는 미리 결정된 손실 메트릭 이상인 세트 내의 하나 이상의 기판의 선택을 포함할 수 있다. 임계치는 성능 데이터의 유형에 따라 다를 수 있다. 임계치는 기판 상의 다이들의 패턴의 예측되는 사용 사례에 따라 다를 수 있다. 사용 사례는 피처 기여도들의 분석 데이터 사용과 관련될 수 있고/있거나 다이들 자체의 의도된 사용과 관련될 수 있다. 예시적인 임계치는 예측과 측정된 데이터 간의 75% 이상의 대응일 수 있다. 예시적인 손실 메트릭들은 평균 제곱 오차(MSE) 손실, 로그(log) 손실, 크로스 엔트로피, 분류 정확도 등을 포함한다.
대안적으로, 서브세트의 선택은 기판들의 세트에 대해 획득된 최상의 품질 예측들의 일부로서 행해질 수 있다. 예를 들어, 최상의 예측 결과들을 갖는 세트 내의 기판들의 10%, 20%, 30%, 40%, 또는 50%가 서브세트에 대해 선택될 수 있다. 위에 기술된 바와 같이 기판을 선택하는 것은 충분히 양호한 예측 품질을 획득하지 않는 기판들을 서브세트로부터 제외시킬 수 있다. 불량한 예측 품질은 기판 특성들이 나머지 기판들 및/또는 글로벌 모델이 훈련된 기판들과 상이함을 지시할 수 있으므로, 그러한 기판들을 제외시키는 것이 바람직할 수 있다. 이들 기판은 나머지 기판들과 상이한 수율 손실 특성들을 가질 가능성이 있을 수 있다. 그 결과, 그것들은 근본 원인들의 예측의 유효성에 부정적인 영향을 미치지 않도록 서브세트로부터 제외될 수 있다.
글로벌 모델을 사용한 예측 품질에 기초하여 하나 이상의 기판의 서브세트를 선택하는 것의 이점은 해당 기판들의 프로세스 데이터 및 성능 데이터가 글로벌 프로세스 데이터 및 글로벌 성능 데이터와 얼마나 잘 일치하는지를 지시할 수 있다는 점이다. 선택이 높은 예측 품질을 갖는 것에 기초한다면, 이는 글로벌 모델이 프로세스 데이터를 상당히 정확하게 해석할 수 있었음을 지시할 수 있다. 이는 차례로 기판의 프로세스 데이터가 예측되는 프로세스 데이터 값들 내에 있음을 지시할 수 있다.
예측 품질에 기초한 선택에 추가적으로, 기판들의 세트의 서브세트(170)의 식별은 미리 결정된 범위 내의 수율을 갖는 기판들의 선택을 포함할 수 있다. 수율이 미리 결정된 범위 내에 있는지는 예측된 수율 또는 측정된 수율에 기초하여 평가될 수 있다. 미리 결정된 범위는 매우 높은 수율을 갖는 기판들을 제외시키도록 설정될 수 있다. 고수율 기판들은, 기판 상에 존재하는 소량의 고장난 다이들로 인해, 수율 손실의 근본 원인들을 결정하는 것에 대한 제한된 정보를 제공할 수 있다. 미리 결정된 범위는 또한 매우 낮은 수율을 갖는 기판들을 제외시킬 수 있다. 매우 낮은 수율에 대한 임계치는, 예를 들어, 세트 내의 다른 기판들과 비교하여 설정될 수 있다. 저수율 기판들은 세트 내의 다른 기판들에 비해 수율 손실에 대한 대안적인 및/또는 추가적인 근본 원인들을 가질 수 있고, 서브세트에 대한 근본 원인들의 분석으로부터 제외될 수 있다.
이제 패터닝 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하기 위한 방법에 대해 도 5와 관련하여 더 상세하게 설명한다. 도 5는 본 명세서에서 기술된 방법의 상이한 부분들에 대한 개략적인 표현을 묘사한다. 글로벌 모델(GM)에 입력(110)이 제공된다. 입력(110)은 기판들의 세트의 기판에 관한 프로세스 데이터를 포함할 수 있다. 프로세스 데이터는 기판의 상이한 층들에 대한 프로세스 피처들에 관한 데이터를 포함할 수 있다. 프로세스 피처들은 패터닝 프로세스로부터의 임의의 관심 피처를 포함할 수 있다. 프로세스 피처들은 예를 들어 오버레이(OVL), 레벨링(LVL), 정렬(AL), 임계 치수(CD), 및 컨텍스트 데이터(CXT)를 포함할 수 있다. 프로세스 데이터는 도 5에서 문자 A, ... X로 라벨링된 복수의 층 각각에 대한 하나 이상의 프로세스 피처에 대해 제공될 수 있다.
글로벌 모델(GM)이 입력(110)을 수신하고, 입력에 기초하여 출력을 생성할 수 있다. 출력은 예측된 성능 데이터를 포함할 수 있다. 성능 데이터는 기판에 대한 예측된 수율 데이터(120)를 포함할 수 있다. 글로벌 모델은 또한 예측된 성능 데이터에 대한 복수의 피처의 기여도(140)의 추정치를 제공할 수 있다. 복수의 피처는 글로벌 모델(GM)에 제공된 기판들의 세트와 연관된 프로세스 데이터의 일부일 수 있다. 추정치는 예측된 성능 데이터에 대한 복수의 피처의 추정된 기여도의 순위를 제공하기 위해 사용될 수 있다. 도 5에서의 기여도(140)의 추정치는 단지 예시를 위한 임의의 예이다. 그러나, 위에 기술된 바와 같이, 이 글로벌 모델 피처 기여도(140)는 수율 손실의 근본 원인에 대한 피처의 기여도를 정확하게 예측하기에 적합하지 않을 수 있다.
예측된 수율(120)의 품질을 결정하기 위해, 기판에 대해 실제 수율 데이터(130)가 제공될 수 있다. 실제 수율 데이터(130)는 기판에 대한 측정들, 예를 들어 수율 프로브 테스트에 의한 측정들로부터 획득될 수 있다. 수율 프로브 테스트는 기판 상의 패턴들의 기능성을 테스트하기 위해 최종 기판에 대해 수행되는 테스트일 수 있다. 수율 프로브는 전기적 테스트일 수 있다. 수율 프로브는 기판 상의 각각의 개별 다이를 테스트할 수 있다. 수율 프로브 테스트의 결과는 다이를 "통과한" 또는 "고장난" 것으로 분류할 수 있다. 예측된 수율(120) 및 실제 수율(130)은 예측 품질(150)을 결정하기 위해 비교될 수 있다. 예시를 위해, 예측 품질(150)은 그래프(152)에서 실제 수율(130)에 대해 플롯된다. 실제 수율(135), 예측된 수율(125), 실제 수율과 예측된 수율 간의 차이(155)의 분포의 그래픽 표현들이 세트로부터의 예시적인 기판에 대해 묘사된다. 하이라이트된 영역들은 예시적인 기판 상의 고장난 다이들을 나타낼 수 있다. 수율 데이터의 그래픽 표현들은, 기판 상의, 수율 손실에 기여하는, 고장난 다이의 위치의 분포를 보여줄 수도 있다.
기판들의 세트(160) 내의 각각의 기판에 대해 예측된 수율을 결정하는 방법이 반복될 수 있다. 세트(160) 내의 각각의 기판에 대해 그래프(152)에 결과의 예측 품질들(150)이 예시되어 있다. 세트 내의 기판들에 대한 예측 품질들에 기초하여, 서브세트(170)를 형성하기 위해 하나 이상의 기판의 선택이 식별될 수 있다. 서브세트(170)로의 하나 이상의 기판의 선택은 추가적으로 실제 및 예측된 수율의 분포(155)에 기초할 수 있다. 서브세트(170) 내의 기판들은 로컬 모델(LM)을 훈련시키기 위해 제공될 수 있다. 로컬 모델(LM)이 훈련되면, 그것은 서브세트(170)에 대한 예측된 피처 중요도(180)를 결정하기 위해 사용될 수 있다.
위에 기술된 바와 같이, 글로벌 모델(GM)은 글로벌 모델(GM)에 의해 출력된 예측된 성능 데이터(120)의 품질에 기초하여 기판들의 서브세트를 선택하기 위해 사용될 수 있다. 하나 이상의 기판이 선택되면, 기판들에 대한 수율 손실에 대한 프로세스 피처의 기여도를 결정하기 위해 서브세트에 대한 프로세스 데이터가 분석될 수 있다. 분석은, 도 6에 도시된 바와 같이, 로컬 모델(LM)을 사용할 수 있다. 기판들의 서브세트(170)에 대한 수율 손실에 대한 피처들의 기여도를 결정하기 위해, 해당 서브세트(170)와 관련된 데이터에 대해 로컬 모델(LM)이 훈련될 수 있다.
서브세트(170)에서 이용가능한 프로세스 데이터의 양은 로컬 모델을 훈련시키기에 충분히 크지 않을 수 있다. 소량의 데이터에 대해 로컬 모델이 훈련되면, 이는 과적합(overfitting)을 야기할 수 있다. 과적합을 피하기 위해, 이 방법은 서브세트 프로세스 데이터에 기초하여 데이터를 생성할 수 있다. 생성된 데이터는 로컬 모델(LM)을 훈련시키기 위해 사용될 수 있다. 기판과 관련된 데이터와 연관된 생성된 데이터는 증강된 데이터 또는 시뮬레이션된 데이터라고 지칭될 수 있다. 생성되는 증강된 데이터의 양은 로컬 모델(LM)의 정확도와, 데이터를 생성하고 로컬 모델을 훈련시키기 위해 필요한 처리 시간 사이의 절충을 수반할 수 있다. 훈련에 이용가능한 데이터의 양을 증가시키는 것의 이점은 로컬 모델(LM)의 과적합을 감소시키거나 피할 수 있다는 점일 수 있다.
증강된 프로세스 데이터는 하나 이상의 프로세스 피처의 프로세스 데이터 주위의 범위를 결정하고(604) 해당 범위 내에 데이터 포인트들을 생성하는(606) 것에 의해 획득될 수 있다. 증강된 프로세스 데이터를 생성하는 첫 번째 예시적인 방법은 오버레이, 정렬, 임계 치수 등과 같은 프로세스 피처에 대한 파라미터 분포를 모델링하는 것을 포함할 수 있다. 그 후 모델링된 파라미터 분포에 따라 복수의 샘플을 생성하는 것에 의해 증강된 프로세스 데이터가 획득될 수 있다. 증강된 프로세스 데이터를 생성하는 두 번째 예시적인 방법은 프로세스 피처에 대한 값들의 범위를 결정하는 것을 포함할 수 있다. 증강된 데이터 프로세스는 피처에 대한 값들의 범위 내에 복수의 샘플을 생성하는 것에 의해 획득될 수 있다. 증강된 프로세스 데이터는 서브세트 내의 기판의 프로세스 데이터와 동일한 유형의 콘텐츠를 가질 수 있다. 예를 들어, 증강된 및 기판 프로세스 데이터는 동일한 프로세스 피처들, 동일한 수의 층들, 동일한 양의 데이터 포인트들 등 중 하나 이상을 포함할 수 있다.
훈련을 위해 증강된 프로세스 데이터를 사용하기 위해, 그것은 대응하는 증강된 성능 데이터와 쌍을 이룰 수 있다. 프로세스 및 성능 데이터는 로컬 모델(LM)에 대한 입력-출력 훈련 쌍들을 형성할 수 있다. 프로세스-성능 데이터 쌍들을 형성하기 위해, 증강된 프로세스 데이터를 사용하여 증강된 성능 데이터를 생성할 수 있다. 하나의 예시적인 구현에서는, 증강된 프로세스 데이터가 글로벌 모델(GM)에 대한 입력으로서 제공될 수 있다. 글로벌 모델(GM)에 의해 생성된 출력은 증강된 프로세스 데이터 입력에 대응하는 증강된 성능 데이터(608)일 수 있다.
로컬 모델(LM)을 훈련시키기 위해 사용되는 데이터는 로컬 프로세스 데이터 및 로컬 성능 데이터(610)라고 지칭될 수 있다. 로컬 프로세스 데이터는 증강된 프로세스 데이터를 포함할 수 있다.
옵션으로, 로컬 프로세스 데이터는 서브세트(170)의 프로세스 데이터를 또한 포함할 수 있다. 유사하게, 로컬 성능 데이터는 서브세트(170)의 증강된 성능 데이터, 및 옵션으로 성능 데이터를 포함할 수 있다. 서브세트의 프로세스 데이터와 성능 데이터가 로컬 데이터에 포함되는지 여부에 따라, 로컬 모델(LM)의 훈련은 제각기 증강된 데이터와 서브세트 데이터 둘 다에 기초하거나, 또는 증강된 데이터에만 기초할 수 있다. 로컬 모델(LM)은, 적어도 부분적으로 증강된 데이터에 대해 훈련되기 때문에, 대리 모델이라고 지칭될 수 있다.
로컬 모델(LM)은 로컬 데이터(612)에 대해 훈련될 수 있다. 사용되는 훈련 방법들은 모델의 유형에 대한 표준 훈련 방법들일 수 있다. 로컬 모델(LM)은 해석 가능한 모델일 수 있다. 로컬 모델(LM)은 해석 가능한 기계 학습 모델, 예를 들어 선형 모델 또는 얕은 결정 트리일 수 있다. 로컬 모델(LM)은 모델, 예를 들어 랜덤 포레스트 또는 그래디언트 부스팅 트리의 생성의 일부로서 피처 중요도를 제공할 수 있다. 로컬 모델(LM)은, 일단 훈련되면, 모델에 의해 출력되는 성능 데이터에 대한 상이한 프로세스 피처들의 기여도의 추정치를 제공할 수 있다. 로컬 모델(LM)이 식별된 기판의 서브세트(170)와 연관된 데이터에 대해 훈련됨에 따라, 추정치는 기판들의 서브세트(170)와 관련된 해석을 제공할 수 있다.
일 구현에서, 로컬 모델(LM)은 로컬 성능 데이터에 대한 로컬 프로세스 데이터의 하나 이상의 피처의 기여도를 결정하기 위해 사용될 수 있다. 이를 달성하기 위해, 로컬 모델(LM)은 로컬 프로세스 데이터 및 로컬 성능 데이터에 대해 훈련될 수 있다. 훈련된 로컬 모델(LM)은 해석 가능할 수 있으므로, 훈련된 로컬 모델(LM)은 하나 이상의 피처와 로컬 성능 데이터 간의 관계를 추정하기 위해 사용될 수 있다. 훈련된 모델로부터 획득된 해석된 추정된 관계에 기초하여, 로컬 성능 데이터에 대한 하나 이상의 피처의 기여도. 위에 기술된 바와 같이, 기판들의 서브세트(170)는, 글로벌 모델(GM)을 사용하여, 유사한 성능 데이터를 나타내도록 식별되었을 수 있다. 기판들의 성능 데이터는 기판들에 적용된 패터닝 프로세스의 성능의 지시를 제공할 수 있다. 그 결과, 추정된 기여도는 서브세트(170)의 기판들의 패터닝 프로세스의 성능에 대한 하나 이상의 피처의 기여도를 나타낼 수 있다.
서브세트(170)를 형성하기 위한 하나 이상의 기판의 선택은 기판들의 성능에 대한 피처들의 추정된 기여도의 결과에 영향을 미칠 수 있다. 도 7a 및 도 7b는 기판 선택이 기판의 수율에 대한 피처 기여도의 추정치에 미칠 수 있는 가능한 영향을 예시한다. 도 7a 및 도 7b는 복수의 다이의 그래프들을 묘사한다. 다이들은 모두 동일한 기판 상에 위치할 수 있거나, 대안적으로 다수의 관련된 기판들, 예를 들어 동일한 로트 내의 기판들 상에 위치할 수 있다. 그래프의 축들은 2개의 선택된 프로세스 피처 F1 및 F2의 값들을 지시한다. 다이들은 그래프에서 x표로 지시된 고장난 다이(702), 또는 원으로 지시된 통과한 다이(704) 중 어느 하나로 분류된다. 글로벌 모델(GM)은 기판들의 세트 상의 각각의 다이에 대한 예측된 통과/고장(pass/fail) 수율 분류를 제공한다. 복수의 다이 각각에 대해, F1 및 F2에 대한 피처 값들이 플롯되고, 통과/고장 수율 분류가 지시된다. 결과의 그래프는 다이 분류에 대한 피처 F1 및 F2의 기여도를 결정하기 위해 사용될 수 있다.
도 7a에는 글로벌 모델(GM) 결정 경계(710)가 그래프에 그려져 있는데, 이는 고장난 다이와 통과한 다이 간의 분리를 보여준다. 글로벌 모델(GM) 결정 경계(710)에 기초하여, 경계의 위치에 대한 피처들 F1 및 F2의 기여도가 추정될 수 있다(712). 묘사된 예시적인 그래프에서는, 피처 F1의 값이 피처 F2의 값보다 다이 성능의 결과에 더 많이 기여한다. 복수의 다이 모두에 걸친 평가에 기초하여, 피처 F1이 전체적으로 다이 및 기판의 성능에 대해 더 큰 기여도를 가졌다.
도 7b는 도 7a의 그래프와 함께 기판들의 서브세트(170)와 관련된 다이들의 선택(730)의 추가 예시를 보여준다. 선택(730)의 기판들(170)에 기초하여 로컬 모델이 훈련된다. 훈련된 로컬 모델(LM)은 로컬 모델 결정 경계(720)를 결정할 수 있다.
예시된 로컬 모델 결정 경계(720)에 기초하여, 이제는 피처 F2가 통과/고장 분류에 대해 피처 F1보다 더 많이 기여한다. 로컬 모델 결정 라인(720)은 훈련된 로컬 모델(LM)에 의해 결정될 수 있다. 로컬 모델(LM)에 기초한 추정된 피처 기여도 분석(722)은 글로벌 모델 추정된 피처 기여도들과 상이하다. 그 차이에 대한 이유는 글로벌 모델 결정 경계(710)에서 고려된 많은 다이들의 평균 영향들로 이해될 수 있다. 이들 평균 영향은 서브세트(170)의 선택된 다이들(730)에 대한 보다 표적화된 추정에는 존재하지 않는다.
도 7a 및 도 7b의 그래프들은 단지 예시를 위한 것으로 이해된다. 글로벌 모델(GM)과 로컬 모델(LM)은 2개보다 많은 피처들, 예를 들어 프로세스 데이터에 존재하는 모든 프로세스 피처들 F1 내지 Fn 간의 비교를 할 수 있다. 이 모델들(GM 및 LM)은, 그래픽 표현을 생성하지 않고, 계산들에 기초하여 피처들의 기여도를 결정할 수 있다.
패터닝 프로세스의 성능에 대한 하나 이상의 프로세스 피처의 기여도를 결정하기 위한 방법은 패터닝 프로세스에서 사용되는 장치의 진단 및 제어를 위해 사용될 수 있다. 기판을 패터닝하는 프로세스의 성능에 대한 하나 이상의 피처의 결정된 기여도에 기초하여, 성능 문제가 진단될 수 있다. 하나 이상의 피처의 기여도는 기판에 대한 수율 손실의 잠재적인 근본 원인들을 진단하기 위해 사용될 수 있다. 예를 들어, 기판들의 서브세트에서의 수율 손실이 특정 층의 오버레이(OVL) 또는 임계 치수(CD)에 의해 야기되는 것으로서 로컬 모델(LM)에 원인이 있다고 생각된다면, 이는 대응하는 층의 오버레이 관련 또는 CD 관련 문제를 지시할 수 있다. 하나 이상의 기판에서의 문제들의 진단은 기판 상의 진단된 문제의 위치를 지시할 수 있다. 예를 들어, 기판 상의 요소들/다이들의 제1 그룹에 대한 수율 손실은 제1 문제(예를 들어, 층 A에서의 오버레이)에 의해 야기되는 것으로 진단될 수 있다. 기판 상의 요소들/다이들의 제2 그룹에 대한 수율 손실은 제2 문제(예를 들어, 층 B에서의 임계 치수(CD))에 의해 야기되는 것으로 진단될 수 있다.
성능 문제를 진단하는 것 외에, 방법은 패터닝 프로세스를 제어하기 위해 사용될 수도 있다. 예시적인 구현에서는, 수율 손실에 대한 피처의 기여도를 결정하는 것에 응답하여, 하나 이상의 프로세스 설정이 업데이트되고 패터닝 장치에 제공될 수 있다.
예를 들어, 오버레이가 수율 손실에 큰 기여를 하는 것으로 결정되면, 오버레이 데이터가 추가로 검사할 수 있다. 기판들 상에 형성된 후속 패턴들의 오버레이 특성들을 개선하기 위해 프로세스 설정의 업데이트들이 결정될 수 있고, 이는 차례로 수율 손실에 대한 오버레이의 기여도를 감소시킬 수 있다. 하나의 예시적인 구현에서는, 로컬 모델(LM)이 추정된 수율 손실의 증가를 야기하는 피처 값들을 결정하기 위해 사용될 수 있다.
아래 번호가 매겨진 조항들의 리스트에는 본 발명의 추가 실시예들이 개시되어 있다:
1. 기판들을 패터닝하는 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하는 방법으로서, 이 방법은:
제1 프로세스 데이터 및 제1 성능 데이터에 대해 훈련된 제1 모델을 획득하는 단계;
하나 이상의 기판과 연관된 프로세스 데이터에 적용될 때의 상기 제1 모델의 예측 품질에 기초하여 상기 하나 이상의 기판을 식별하는 단계;
상기 식별된 하나 이상의 기판과 연관된 제2 프로세스 데이터 및 제2 성능 데이터에 대해 제2 모델을 훈련시키는 단계; 및
상기 제2 모델을 사용하여 상기 하나 이상의 기판과 연관된 상기 제2 성능 데이터에 대한 상기 제2 프로세스 데이터의 프로세스 피처의 기여도를 결정하는 단계를 포함하는, 방법.
2. 항목 1에 따른 방법으로서, 하나 이상의 기판을 식별하는 단계는: 상기 제1 모델에 대한 입력으로서 복수의 기판과 연관된 프로세스 데이터를 제공하는 단계; 및 상기 제1 모델의 출력으로서 예측된 성능 데이터를 획득하는 단계를 포함하는, 방법.
3. 항목 2에 따른 방법으로서,
상기 복수의 기판에 대한 측정된 성능 데이터를 획득하는 단계를 추가로 포함하는, 방법.
4. 항목 2 또는 항목 3에 따른 방법으로서, 상기 하나 이상의 기판을 식별하는 단계는 상기 예측된 성능 데이터를 상기 측정된 성능 데이터와 비교하여 상기 예측 품질을 결정하는 단계를 추가로 포함하는, 방법.
5. 항목 2 내지 항목 4 중 어느 하나에 따른 방법으로서, 상기 예측된 성능 데이터는 예측된 수율 데이터를 포함하는, 방법.
6. 이전 항목들 중 어느 하나에 따른 방법으로서, 상기 제1 모델은 신경망을 포함하는, 방법.
7. 항목 2 내지 항목 6 중 어느 하나에 따른 방법으로서, 상기 제1 모델의 출력은 상기 예측된 성능 데이터에 대한 상기 복수의 기판과 연관된 상기 프로세스 데이터의 복수의 프로세스 피처의 기여도의 추정치를 추가로 포함하는, 방법.
8. 항목 7에 따른 방법으로서, 상기 제1 모델의 출력은 상기 예측된 성능 데이터에 대한 상기 복수의 프로세스 피처의 추정된 기여도의 순위를 포함하는, 방법.
9. 항목 7 내지 항목 8 중 어느 하나에 따른 방법으로서, 상기 복수의 프로세스 피처는 오버레이, 정렬, 레벨링, 임계 치수, 두께, 및 컨텍스트 데이터 중 하나 이상을 포함하는, 방법.
10. 이전 항목들 중 어느 하나에 따른 방법으로서, 상기 프로세스 데이터는 기판의 복수의 층과 관련된 데이터를 포함하는, 방법.
11. 이전 항목들 중 어느 하나에 따른 방법으로서,
상기 하나 이상의 식별된 기판에 기초하여 증강된 프로세스 데이터를 생성하는 단계를 추가로 포함하는, 방법.
12. 항목 11에 따른 방법으로서, 상기 제2 프로세스 데이터는 상기 하나 이상의 식별된 기판의 상기 프로세스 데이터 및 상기 증강된 프로세스 데이터를 포함하는, 방법.
13. 항목 11 내지 항목 12 중 어느 하나에 따른 방법으로서, 증강된 프로세스 데이터를 생성하는 단계는:
프로세스 피처에 대한 파라미터 분포를 모델링하는 단계; 및
상기 모델링된 파라미터 분포에 따라 복수의 샘플을 생성하는 단계를 포함하고, 상기 증강된 프로세스 데이터는 상기 복수의 샘플을 포함하는, 방법.
14. 항목 11 내지 항목 13 중 어느 하나에 따른 방법으로서, 증강된 프로세스 데이터를 생성하는 단계는:
프로세스 피처에 대한 값들의 범위를 결정하는 단계; 및
상기 프로세스 피처에 대한 값들의 범위 내에 복수의 샘플을 생성하는 단계를 포함하고, 상기 증강된 프로세스 데이터는 상기 복수의 샘플을 포함하는, 방법.
15. 항목 11 내지 항목 14 중 어느 하나에 따른 방법으로서,
상기 제1 모델에 대한 입력으로서 상기 증강된 프로세스 데이터를 제공하는 단계, 및 상기 제1 모델의 출력으로서 증강된 예측된 성능 데이터를 획득하는 단계를 추가로 포함하는, 방법.
16. 항목 15에 따른 방법으로서, 상기 제2 성능 데이터는 상기 하나 이상의 기판에 대한 상기 예측된 성능 데이터 및 상기 증강된 예측된 성능 데이터를 포함하는, 방법.
17. 이전 항목들 중 어느 하나에 따른 방법으로서, 상기 제2 모델은 해석 가능한 모델인, 방법.
18. 항목 17에 따른 방법으로서, 상기 해석 가능한 모델은 선형 모델, 얕은 결정 트리, 랜덤 포레스트, 또는 그래디언트 부스팅 트리 중 하나 이상을 포함하는, 방법.
19. 이전 항목들 중 어느 하나에 따른 방법으로서, 상기 제2 모델을 사용하여 상기 식별된 하나 이상의 기판과 연관된 상기 제2 성능 데이터에 대한 상기 제2 프로세스 데이터의 프로세스 피처의 기여도를 결정하는 단계는:
상기 제2 프로세스 데이터 및 상기 제2 성능 데이터에 대해 상기 제2 모델을 훈련시키는 단계;
상기 제2 모델을 사용하여 프로세스 피처와 제2 성능 데이터 간의 관계를 추정하는 단계; 및
상기 추정된 관계에 기초하여 프로세스 피처의 기여도를 결정하는 단계를 포함하는, 방법.
20. 이전 항목들 중 어느 하나에 따른 방법으로서, 상기 예측 품질이 미리 결정된 임계치 이상이면 기판이 식별되는, 방법.
21. 이전 항목들 중 어느 하나에 따른 방법으로서, 상기 예측 품질이 미리 결정된 손실 메트릭 이상이면 기판이 식별되는, 방법.
22. 이전 항목들 중 어느 하나에 따른 방법으로서, 상기 제1 모델은 기판들의 세트를 나타내는 글로벌 모델이고;
상기 제2 모델은 상기 기판들의 세트의 선택된 서브세트를 나타내는 로컬 모델인, 방법.
23. 이전 항목들 중 어느 하나에 따른 방법으로서,
상기 결정된 프로세스 피처의 기여도에 기초하여 상기 기판들을 패터닝하는 프로세스를 수행하기 위한 장치의 성능 문제를 진단하는 단계를 추가로 포함하는, 방법.
24. 이전 항목들 중 어느 하나에 따른 방법으로서,
상기 결정된 프로세스 피처의 기여도에 기초하여 하나 이상의 프로세스 설정을 업데이트하는 단계; 및
상기 업데이트된 하나 이상의 프로세스 설정을 상기 기판들을 패터닝하는 프로세스를 수행하는 장치에 제공하는 단계를 추가로 포함하는, 방법.
25. 적어도 하나의 프로세서 상에서 실행될 때, 상기 적어도 하나의 프로세서로 하여금 항목 1 내지 항목 24 중 어느 하나에 따른 방법을 수행하게 하는 명령어들을 포함하는 컴퓨터 프로그램.
26. 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 항목 1 내지 항목 24 중 어느 하나에 따른 방법을 수행하게 하는 명령어들을 포함하는 프로세서 판독가능 매체.
27. 기판들을 패터닝하는 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하기 위한 장치로서, 이 장치는 항목 1 내지 항목 24 중 어느 하나에 기재된 바와 같은 방법을 착수하기 위해 컴퓨트 프로그램 코드를 실행하도록 구성된 하나 이상의 프로세서를 포함하는, 장치.
28. 항목 27에 따른 장치를 포함하는 계측 장치.
29. 항목 27에 따른 장치를 포함하는 검사 장치.
30. 항목 27에 따른 장치를 포함하는 리소그래피 장치.
본 명세서에서 기술된 방법들은 컴퓨터 프로그램 내의 명령어들로서 구현될 수 있다. 컴퓨터 프로그램은 장치, 예를 들어 계측 툴(MT), 검사 장치, 또는 리소그래피 장치(LA) 상에서 실행될 수 있다.
비록 이 본문에서는 IC들의 제조에서의 리소그래피 장치의 사용에 대해 특정 참조가 이루어질 수 있지만, 본 명세서에서 기술된 리소그래피 장치는 다른 응용들을 가질 수 있다는 것을 이해해야 한다. 가능한 다른 응용들로는 통합 광학 시스템들의 제조, 자구 메모리들, 평판 디스플레이들, 액정 디스플레이(LCD)들, 박막 자기 헤드들 등에 대한 유도 및 검출 패턴들이 포함된다.
비록 이 본문에서는 리소그래피 장치의 컨텍스트에서 본 발명의 실시예들에 대한 특정 참조가 이루어질 수 있지만, 본 발명의 실시예들은 다른 장치들에서 사용될 수도 있다. 본 발명의 실시예들은 마스크 검사 장치, 계측 장치, 또는 웨이퍼(또는 다른 기판) 또는 마스크(또는 다른 패터닝 디바이스)와 같은 대상을 측정하거나 처리하는 임의의 장치의 일부를 형성할 수 있다. 이들 장치는 일반적으로 리소그래피 툴들이라고 지칭될 수 있다. 그러한 리소그래피 툴은 진공 조건들 또는 주변(비진공) 조건들을 사용할 수 있다.
비록 위에서는 광학 리소그래피의 컨텍스트에서 본 발명의 실시예들의 사용에 대해 특정 참조가 이루어질 수 있지만, 컨텍스트가 허용하는 경우, 본 발명은 광학 리소그래피에 제한되지 않고 다른 응용들, 예를 들어 임프린트 리소그래피에서 사용될 수도 있다는 것이 이해될 것이다.
본 발명의 특정 실시예들이 위에 기술되었지만, 본 발명은 기술된 바와는 달리 실시될 수도 있다는 것이 이해될 것이다. 위의 설명들은 제한이 아니라 예시적인 것으로 의도된다. 따라서, 아래에 기재된 청구항들의 범위를 벗어나지 않고 기술된 바와 같은 발명에 대해 수정들이 이루어질 수 있다는 것이 본 기술분야의 통상의 기술자에게 명백할 것이다.

Claims (17)

  1. 기판들을 패터닝하는 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하는 방법으로서,
    제1 프로세스 데이터 및 제1 성능 데이터에 대해 훈련된 제1 모델을 획득하는 단계;
    하나 이상의 기판과 연관된 프로세스 데이터에 적용될 때의 상기 제1 모델의 예측 품질에 기초하여 상기 하나 이상의 기판을 식별하는 단계;
    상기 식별된 하나 이상의 기판과 연관된 제2 프로세스 데이터 및 제2 성능 데이터에 대해 제2 모델을 훈련시키는 단계; 및
    상기 제2 모델을 사용하여 상기 하나 이상의 기판과 연관된 상기 제2 성능 데이터에 대한 상기 제2 프로세스 데이터의 프로세스 피처의 기여도를 결정하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 하나 이상의 기판을 식별하는 단계는:
    상기 제1 모델에 대한 입력으로서 복수의 기판과 연관된 프로세스 데이터를 제공하는 단계; 및 상기 제1 모델의 출력으로서 예측된 성능 데이터를 획득하는 단계를 포함하는, 방법.
  3. 제2항에 있어서,
    상기 복수의 기판에 대한 측정된 성능 데이터를 획득하는 단계를 추가로 포함하는, 방법.
  4. 제2항 또는 제3항에 있어서, 상기 하나 이상의 기판을 식별하는 단계는 상기 예측된 성능 데이터를 상기 측정된 성능 데이터와 비교하여 상기 예측 품질을 결정하는 단계를 추가로 포함하는, 방법.
  5. 제2항에 있어서, 상기 예측된 성능 데이터는 예측된 수율 데이터를 포함하는, 방법.
  6. 제1항에 있어서, 상기 제1 모델은 신경망을 포함하는, 방법.
  7. 제2항에 있어서, 상기 제1 모델의 출력은 상기 예측된 성능 데이터에 대한 상기 복수의 기판과 연관된 상기 프로세스 데이터의 복수의 프로세스 피처의 기여도의 추정치를 추가로 포함하는, 방법.
  8. 제7항에 있어서, 상기 제1 모델의 출력은 상기 예측된 성능 데이터에 대한 상기 복수의 프로세스 피처의 추정된 기여도의 순위를 포함하는, 방법.
  9. 제7항 또는 제8항에 있어서, 상기 복수의 프로세스 피처는 오버레이, 정렬, 레벨링, 임계 치수, 두께, 및 컨텍스트 데이터 중 하나 이상을 포함하는, 방법.
  10. 제1항에 있어서,
    상기 하나 이상의 식별된 기판에 기초하여 증강된 프로세스 데이터를 생성하는 단계를 추가로 포함하는, 방법.
  11. 제10항에 있어서, 상기 제2 프로세스 데이터는 상기 하나 이상의 식별된 기판의 상기 프로세스 데이터 및 상기 증강된 프로세스 데이터를 포함하는, 방법.
  12. 제10항 또는 제11항에 있어서, 증강된 프로세스 데이터를 생성하는 단계는: 프로세스 피처에 대한 파라미터 분포를 모델링하는 단계; 및
    상기 모델링된 파라미터 분포에 따라 복수의 샘플을 생성하는 단계를 포함하고, 상기 증강된 프로세스 데이터는 상기 복수의 샘플을 포함하는, 방법.
  13. 제1항에 있어서, 상기 제2 모델은 선형 모델, 얕은 결정 트리, 랜덤 포레스트, 또는 그래디언트 부스팅 트리 중 하나 이상을 포함하는 해석 가능한 모델인, 방법.
  14. 제1항에 있어서, 상기 제2 모델을 사용하여 상기 식별된 하나 이상의 기판과 연관된 상기 제2 성능 데이터에 대한 상기 제2 프로세스 데이터의 프로세스 피처의 기여도를 결정하는 단계는:
    상기 제2 프로세스 데이터 및 상기 제2 성능 데이터에 대해 상기 제2 모델을 훈련시키는 단계;
    상기 제2 모델을 사용하여 프로세스 피처와 제2 성능 데이터 간의 관계를 추정하는 단계; 및
    상기 추정된 관계에 기초하여 프로세스 피처의 기여도를 결정하는 단계를 포함하는, 방법.
  15. 적어도 하나의 프로세서 상에서 실행될 때, 상기 적어도 하나의 프로세서로 하여금 제1항에 따른 방법을 수행하게 하는 명령어들을 포함하는 컴퓨터 프로그램.
  16. 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 제1항에 따른 방법을 수행하게 하는 명령어들을 포함하는 프로세서 판독가능 매체.
  17. 기판들을 패터닝하는 프로세스의 성능에 대한 프로세스 피처의 기여도를 결정하기 위한 장치로서, 이 장치는 제1항에 기재된 바와 같은 방법을 착수하기 위해 컴퓨트 프로그램 코드를 실행하도록 구성된 하나 이상의 프로세서를 포함하는, 장치.
KR1020227000161A 2019-07-04 2020-06-05 성능에 대한 피처 기여도를 결정하기 위한 방법 및 장치 KR20220016966A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19184423 2019-07-04
EP19184423.2 2019-07-04
EP19186833.0 2019-07-17
EP19186833.0A EP3767392A1 (en) 2019-07-17 2019-07-17 Method and apparatus for determining feature contribution to performance
PCT/EP2020/065619 WO2021001114A1 (en) 2019-07-04 2020-06-05 Method and apparatus for determining feature contribution to performance

Publications (1)

Publication Number Publication Date
KR20220016966A true KR20220016966A (ko) 2022-02-10

Family

ID=70975896

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227000161A KR20220016966A (ko) 2019-07-04 2020-06-05 성능에 대한 피처 기여도를 결정하기 위한 방법 및 장치

Country Status (6)

Country Link
US (1) US20220351075A1 (ko)
EP (1) EP3994525B1 (ko)
KR (1) KR20220016966A (ko)
CN (1) CN114008535B (ko)
TW (1) TWI746019B (ko)
WO (1) WO2021001114A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230228692A1 (en) * 2022-01-18 2023-07-20 Kla Corporation Methods And Systems For Targeted Monitoring Of Semiconductor Measurement Quality

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3977324B2 (ja) 2002-11-12 2007-09-19 エーエスエムエル ネザーランズ ビー．ブイ． リソグラフィ装置
JP6738423B2 (ja) * 2015-12-17 2020-08-12 エーエスエムエル ネザーランズ ビー．ブイ． 測定を向上させるための非対称なサブ分解能フィーチャを用いるリソグラフィプロセスの光学計測
EP3279737A1 (en) * 2016-08-05 2018-02-07 ASML Netherlands B.V. Diagnostic system for an industrial process
EP3312672A1 (en) * 2016-10-21 2018-04-25 ASML Netherlands B.V. Methods of determining corrections for a patterning process, device manufacturing method, control system for a lithographic apparatus and lithographic apparatus
EP3352013A1 (en) * 2017-01-23 2018-07-25 ASML Netherlands B.V. Generating predicted data for control or monitoring of a production process
CN115220311A (zh) 2017-05-05 2022-10-21 Asml荷兰有限公司 用于预测器件制造工艺的良率的方法
WO2018233966A1 (en) * 2017-06-22 2018-12-27 Asml Netherlands B.V. METHOD FOR DETERMINING THE CONTRIBUTION TO A DIGITAL IMPRINT
WO2019048506A1 (en) * 2017-09-08 2019-03-14 Asml Netherlands B.V. METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP

Also Published As

Publication number Publication date
WO2021001114A1 (en) 2021-01-07
CN114008535A (zh) 2022-02-01
TW202117456A (zh) 2021-05-01
CN114008535B (zh) 2024-04-12
TWI746019B (zh) 2021-11-11
EP3994525B1 (en) 2023-05-03
EP3994525A1 (en) 2022-05-11
US20220351075A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
CN110622069B (zh) 用于预测器件制造工艺的良率的方法
KR102649158B1 (ko) 반도체 제조 공정의 수율을 예측하는 방법
EP3767392A1 (en) Method and apparatus for determining feature contribution to performance
EP3994525B1 (en) Method for determining feature contribution to performance
US11740560B2 (en) Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
US20230316103A1 (en) Method for classifying semiconductor wafers
EP3913435A1 (en) Configuration of an imputer model
KR20220103159A (ko) 측정 레시피를 결정하기 위한 방법 및 연관된 장치들
US20230341784A1 (en) Method and apparatus for identifying contamination in a semiconductor fab
US20230153582A1 (en) Configuration of an imputer model
US20230252347A1 (en) Method and apparatus for concept drift mitigation
EP3910417A1 (en) Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
EP3961303A1 (en) Method and apparatus for identifying contamination in a semiconductor fab
EP3961518A1 (en) Method and apparatus for concept drift mitigation

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal