KR20220051216A - 머신 러닝을 사용한 웨이퍼 검사용 예측 이미지 생성 시스템 및 방법 - Google Patents

머신 러닝을 사용한 웨이퍼 검사용 예측 이미지 생성 시스템 및 방법 Download PDF

Info

Publication number
KR20220051216A
KR20220051216A KR1020227009159A KR20227009159A KR20220051216A KR 20220051216 A KR20220051216 A KR 20220051216A KR 1020227009159 A KR1020227009159 A KR 1020227009159A KR 20227009159 A KR20227009159 A KR 20227009159A KR 20220051216 A KR20220051216 A KR 20220051216A
Authority
KR
South Korea
Prior art keywords
wafer
image
machine learning
cnn
etched
Prior art date
Application number
KR1020227009159A
Other languages
English (en)
Inventor
맥심 피사렌코
스콧 앤더슨 미들브룩스
마크 존 매슬로
마리-끌레르 반 라레
크리소스토모스 바티스타키스
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
Application filed by 에이에스엠엘 네델란즈 비.브이. filed Critical 에이에스엠엘 네델란즈 비.브이.
Publication of KR20220051216A publication Critical patent/KR20220051216A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • 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
    • G06N3/0454—
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

머신 러닝을 사용하여 웨이퍼 검사용 예측 이미지를 생성하는 시스템 및 방법이 제공된다. 시스템 및 방법의 일부 실시예는 웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼를 획득하는 단계; 현상된 웨이퍼의 세그먼트의 부분을 이미징하는 단계; 웨이퍼가 에칭된 후 웨이퍼를 획득하는 단계; 에칭된 웨이퍼의 세그먼트를 이미징하는 단계; 현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 머신 러닝 모델을 트레이닝하는 단계; 및 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하여 현상된 웨이퍼의 예측 이미지를 생성하는 단계를 포함한다. 일부 실시예는 현상된 웨이퍼의 세그먼트를 이미징하는 단계; 에칭된 웨이퍼의 세그먼트의 부분을 이미징하는 단계; 머신 러닝 모델을 트레이닝하고 트레이닝된 머신 러닝 모델을 적용하여, 에칭된 웨이퍼의 에칭 후 예측 이미지를 생성하는 단계를 포함한다.

Description

머신 러닝을 사용한 웨이퍼 검사용 예측 이미지 생성 시스템 및 방법
본 출원은 2019년 9월 20일에 출원된 미국 출원 62/903,568 및 2020년 3월 27일에 출원된 미국 출원 63/001,055의 우선권을 주장하며, 그 전문은 본원에 참조로서 포함된다.
본 발명은 일반적으로 머신 러닝을 사용하여 웨이퍼의 예측 이미지를 생성하기 위해 하전 입자 빔 시스템을 이용해 웨이퍼를 검사하는 분야에 관한 것이다.
집적 회로(IC)의 제조 공정에서, 미완성 또는 완성된 회로 부품은 설계에 따라 제조되고 결함이 없는지 확인하기 위해 검사된다. 광학 현미경을 사용하는 검사 시스템은 일반적으로 수백 나노미터의 분해능을 가지고 있고, 분해능은 빛의 파장에 의해 제한된다. IC 부품의 물리적 크기가 100나노미터 이하 또는 10나노미터 이하로 지속적으로 감소함에 따라, 광학 현미경의 사용보다 분해능이 더 높을 수 있는 검사 시스템이 필요하다.
주사 전자 현미경(scanning electron microscope, SEM) 또는 투과 전자 현미경(transmission electron microscope, TEM)과 같은 하전 입자(예: 전자) 빔 현미경은 나노미터 미만의 분해능을 가질 수 있으며, 100나노미터 이하의 피처 크기를 갖는 IC 부품을 검사하기 위한 실용적인 도구로 사용된다. SEM을 사용하여, 단일 1차 전자 빔의 전자 또는 복수의 1차 전자 빔의 전자를 검사 중인 웨이퍼의 관심 위치에 포커싱할 수 있다. 1차 전자는 웨이퍼와 상호 작용하고 후방 산란될 수 있거나 웨이퍼가 2차 전자를 방출하도록 할 수 있다. 후방 산란된 전자와 2차 전자를 포함하는 전자 빔의 세기는 웨이퍼의 내부 및 외부 구조의 특성에 따라 달라질 수 있으며, 이로써 웨이퍼의 결함 여부를 나타낼 수 있다.
본 발명에 따른 실시예는 머신 러닝을 사용하여 하전 입자 시스템에서 웨이퍼를 검사하기 위한 시스템 및 방법을 포함한다. 시스템은 웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼 세그먼트의 부분을 이미징하고; 웨이퍼가 에칭된 후 웨이퍼의 세그먼트를 이미징하고; 현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 머신 러닝 모델을 트레이닝하도록 구성된 회로를 포함하는 컨트롤러를 포함한다.
검사를 위한 방법은 웨이퍼에 도포된 포토레지스트가 현상된 후의 웨이퍼를 획득하는 단계; 현상된 웨이퍼의 세그먼트의 부분을 이미징하는 단계; 웨이퍼가 에칭된 후 웨이퍼를 획득하는 단계; 에칭된 웨이퍼의 세그먼트를 이미징하는 단계; 및 현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 머신 러닝 모델을 트레이닝하는 단계를 포함한다.
머신 러닝 모델을 트레이닝하기 위한 방법은 머신 러닝 모델로 현상된 웨이퍼에 도포된 포토레지스트의 세그먼트 부분의 제1 이미지 세트를 입력하는 단계; 웨이퍼가 머신 러닝 모델에 에칭된 후 웨이퍼 세그먼트의 제2 세트의 이미지를 입력하는 단계; 및 제1 및 제2 이미지 세트에 기초하여 머신 러닝 모델의 가중치를 조정하는 단계를 포함하고, 트레이닝된 머신 러닝 모델은 현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하도록 구성된다.
비일시적 컴퓨터 판독가능 매체는 컴퓨팅 디바이스가 웨이퍼를 검사하기 위한 방법을 수행하도록 하기 위해 컴퓨팅 디바이스의 적어도 하나의 프로세서에 의해 실행 가능한 명령어 세트를 저장하고, 방법은 웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼의 세그먼트의 부분을 이미징하는 단계; 웨이퍼가 에칭된 후 웨이퍼의 세그먼트를 이미징하는 단계; 및 현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 머신 러닝 모델을 트레이닝하는 단계를 포함한다.
본 발명에 따른 실시예는 머신 러닝을 사용하여 하전 입자 시스템에서 웨이퍼를 검사하기 위한 시스템 및 방법을 포함한다. 시스템은 웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼 세그먼트를 이미징하고; 웨이퍼가 에칭된 후 웨이퍼의 세그먼트의 부분을 이미징하고; 현상된 웨이퍼의 이미징된 세그먼트와 에칭된 웨이퍼의 이미징된 부분을 사용하여 머신 러닝 모델을 트레이닝하도록 구성된 회로를 포함하는 컨트롤러를 포함한다.
검사를 위한 방법은 웨이퍼에 도포된 포토레지스트가 현상된 후에 웨이퍼를 획득하는 단계; 현상된 웨이퍼의 세그먼트를 이미징하는 단계; 웨이퍼가 에칭된 후 웨이퍼를 획득하는 단계; 에칭된 웨이퍼의 세그먼트의 부분을 이미징하는 단계; 및현상된 웨이퍼의 이미징된 세그먼트와 에칭된 웨이퍼의 이미징된 부분을 사용하여 머신 러닝 모델을 트레이닝하는 단계를 포함한다.
머신 러닝 모델을 트레이닝하기 위한 방법은 머신 러닝 모델에 에칭된 웨이퍼에 도포된 포토레지스트의 세그먼트 부분의 제1 이미지 세트를 입력하는 단계; 웨이퍼가 머신 러닝 모델로 현상된 후 웨이퍼 세그먼트의 제2 세트의 이미지를 입력하는 단계; 및 제1 및 제2 이미지 세트에 기초하여 머신 러닝 모델의 가중치를 조정하는 단계를 포함하고, 트레이닝된 머신 러닝 모델은 현상된 웨이퍼의 세그먼트의 다른 부분의 에칭 후 예측 이미지를 생성하도록 구성된다.
비일시적 컴퓨터 판독가능 매체는 컴퓨팅 디바이스가 웨이퍼를 검사하기 위한 방법을 수행하도록 하기 위해 컴퓨팅 디바이스의 적어도 하나의 프로세서에 의해 실행 가능한 명령어 세트를 저장하고, 방법은 웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼의 세그먼트를 이미징하는 단계; 웨이퍼가 에칭된 후 웨이퍼의 세그먼트의 부분을 이미징하는 단계; 및 현상된 웨이퍼의 이미징된 세그먼트와 에칭된 웨이퍼의 이미징된 부분을 사용하여 머신 러닝 모델을 트레이닝하는 단계를 포함한다.
개시된 실시예의 추가적인 목적 및 이점은 다음의 설명에서 부분적으로 설명될 것이고, 부분적으로는 설명으로부터 명백해질 것이며, 또는 실시예의 실시에 의해 학습될 수 있다. 개시된 실시예의 목적 및 이점은 청구범위에 기재된 요소 및 조합에 의해 실현되고 달성될 수 있다.
전술한 일반적인 설명 및 다음의 상세한 설명 모두는 단지 예시적이고 설명적인 것이며 청구된 바와 같이 개시된 실시예를 제한하지 않는다는 것을 이해해야 한다.
도 1은 본 발명의 실시예에 따른 예시적인 전자 빔 툴을 도시하는 개략도이다.
도 2a는 본 발명의 실시예에 따른 예시적인 웨이퍼 검사 방법을 나타내는 흐름도이다.
도 2b는 본 발명의 실시예에 따른 예시적인 웨이퍼 검사 방법을 나타내는 흐름도이다.
도 3은 본 발명의 실시예에 따른, SEM 이미지로부터 획득된 임계 치수의 예시적인 분포도이다.
도 4는 본 발명의 실시예에 따른, 머신 러닝에 사용되는 영역을 갖는 웨이퍼의 평면도의 예시적인 묘사이다.
도 5a는 본 발명의 실시예에 따른, 웨이퍼의 예시적인 SEM 이미지를 도시한다.
도 5b는 본 발명의 실시예에 따른, 웨이퍼의 예시적인 SEM 이미지를 도시한다.
도 6은 본 발명의 실시예에 따른, 예측 SEM 이미지를 생성하기 위한 예시적인 시스템이다.
도 7a는 본 발명의 실시예에 따른 예시적인 머신 러닝 모델 트레이닝 아키텍처를 예시하는 개략도이다.
도 7b는 본 발명의 실시예에 따른 예시적인 머신 러닝 모델 트레이닝 아키텍처를 예시하는 개략도이다.
도 8a는 본 발명의 실시예에 따른 예시적인 머신 러닝 모델 애플리케이션 아키텍처를 예시하는 개략도이다.
도 8b는 본 발명의 실시예에 따른 예시적인 머신 러닝 모델 애플리케이션 아키텍처를 예시하는 개략도이다.
도 9a는 본 발명의 실시예에 따른 예시적인 웨이퍼 검사 방법을 나타내는 흐름도이다.
도 9b는 본 발명의 실시예에 따른 예시적인 웨이퍼 검사 방법을 나타내는 흐름도이다.
도 10은 본 발명의 실시예에 따른 예시적인 웨이퍼 검사 방법을 나타내는 흐름도이다.
이제 예시적인 실시예를 상세히 참조할 것이며, 그 예는 첨부 도면에 도시되어 있다. 다음의 설명은 다른 도면에서 동일한 번호가 달리 표시되지 않는 한 동일하거나 유사한 요소를 나타내는 첨부 도면을 참조한다. 다음 설명에서 설명된 예시적인 실시예의 구현은 본 발명과 일치하는 모든 구현을 나타내는 것은 아니다. 대신, 이들은 첨부된 청구범위에 인용된 본 발명과 관련된 양태와 일치하는 장치 및 방법의 예일 뿐이다.
전자 장치는 기판이라고 하는 실리콘 조각에 형성된 회로로 구성된다. 많은 회로가 동일한 실리콘 조각에 함께 형성될 수 있으며 이는 집적 회로 또는 IC라고 한다. 이러한 회로의 크기는 상당히 줄어들어, 더 많은 회로가 기판에 들어갈 수 있다. 예를 들어, 스마트폰의 IC 칩은 엄지손톱 크기만큼 작을 수 있지만 20억 개 이상의 트랜지스터를 포함할 수 있으며, 각 트랜지스터의 크기는 사람 머리카락 크기의 1/1000 미만이다.
이처럼 초소형인 IC를 제조하는 것은 종종 수백 개의 개별 단계를 포함하는 복잡하고 시간 소모적이며 높은 비용이 드는 프로세스이다. 한 단계라도 오류가 발생하면, 완성된 IC에 결함이 생겨 사용이 불가하게 될 가능성이 있다. 따라서, 제조 프로세스의 한 가지 목표는 이러한 결함을 방지하여 프로세스에서 만들어지는 기능 IC의 수를 최대화하는 것, 즉 프로세스의 전체 수율을 향상시키는 것이다.
수율 개선의 한 요소는 칩 제조 공정을 모니터링하여 충분한 수의 기능적 집적 회로를 생산하고 있는지 확인하는 것이다. 공정을 모니터링하는 한 가지 방법은 다양한 형성 단계에서 칩 회로 구조를 검사하는 것이다. 주사 전자 현미경(SEM)을 사용하여 검사를 수행할 수 있다. SEM을 사용하여 이러한 극도로 작은 구조를 이미징하여 사실상 구조의 "사진"을 찍을 수 있다. 이미지는 구조가 제대로 형성되었는지, 적절한 위치에 형성되었는지 확인하는 데 사용할 수 있다. 구조에 결함이 있는 경우 공정을 조정할 수 있으므로 결함이 재발할 가능성이 줄어든다.
위에서 언급한 바와 같이, 검사는 다양한 단계에서 일어날 수 있다. 예를 들어, 웨이퍼의 이미지는 웨이퍼에 도포된 포토레지스트가 현상된 후(예를 들어, 리소그래피 후), 에칭 후, 특히 다른 단계에서 촬영될 수 있다. 현상 후 웨이퍼의 검사는 검사 중에 얻은 SEM 이미지와 패터닝 성능을 정의하는 다양한 노광 공정 조건(예: 초점, 도즈(dose) 등) 사이에 직접적인 연결을 제공하기 때문에 바람직할 수 있다. 현상 후 웨이퍼를 검사하면 노광 공정 조건을 최적화할 수 있다. 현상 후 얻은 SEM 이미지는 결함(예: 네킹, 브리징 등) 감지, 거칠기/무작위 특성화(예: 라인 에지/너비 거칠기, 로컬 임계 치수 균일성, 에지 배치 오류), 공정 윈도우 최적화, 전산 리소그래피 모델의 보정, 프로세스 성능 모니터링 및 제어를 위해 사용할 수 있다. 현상 후 얻은 SEM 이미지는 에칭 후 웨이퍼의 예측 이미지를 생성하는 데에도 사용할 수 있다. 현상 후 웨이퍼를 검사하면 검사 계측 결과에 따라 웨이퍼를 재작업할 수 있다. 즉, 에칭 후 웨이퍼를 더 이상 이전 공정 상태로 되돌릴 수 없으므로 웨이퍼를 재처리하여 검사 결과를 개선할 수 있다. 따라서 현상 후 및 에칭 전 웨이퍼의 인쇄된 패턴의 SEM 이미지를 얻는 것이 중요하다.
그러나, 현상 후의 SEM 검사는 SEM 검사 자체의 영향으로 인해 제약을 받는다. SEM 검사는 샘플에 전자를 충돌시키는 것을 포함한다. 포토레지스트는 전자에 민감할 수 있기 때문에 SEM 검사 결과 포토레지스트는 무시할 수 없는 양으로 줄어들거나 압축될 수 있다. 즉, SEM 검사는 웨이퍼의 포토레지스트를 손상시켜 웨이퍼의 패턴을 변경할 수 있다. 이러한 변경으로 인해 수정된 핵심 성능 지표(예: 결함, 라인 에지 거칠기, 라인 너비 거칠기, 로컬 임계 치수 균일성 등)가 발생할 수 있으며, 이는 현상 후 SEM에 의해 검사되지 않은 웨이퍼의 진정한 핵심 성능 지표를 반영하지 않는다.
일부 모델은 에칭 후 웨이퍼의 예측 이미지를 생성하기 위해 에칭 물리학 및 재료로부터 알려진 파라미터를 사용한다. 그러나 이러한 모델은 에칭의 실제 물리적 파라미터를 실제로 알 수 없기 때문에 정확한 예측 이미지를 생성하지 못할 수 있다. 일부 모델은 물리 기반 모델과 예측 이미지 간의 차이를 최소화하기 위해 파라미터를 조정하거나 보정한다. 그러나 이러한 모델은 데이터에 존재하는 복잡한 관계를 표현할 수 있는 충분한 용량이 없기 때문에 정확한 예측 이미지를 생성하지 못할 수 있다.
개시된 실시예는 이러한 단점의 일부 또는 전부를 다루는 머신 러닝 모델을 포함하는 시스템 및 방법을 제공한다. 개시된 실시예는 머신 러닝 모델 및 에칭 후 웨이퍼의 SEM 이미지를 사용하여 현상 후 웨이퍼의 예측 SEM 이미지를 생성할 수 있는 시스템 및 방법을 제공하여 웨이퍼 손상이 적거나 전혀 없도록 하고, 웨이퍼의 보다 정확한 계측 및 더 높은 처리량을 가능하게 한다.
도 1은 전자 빔 시스템이 2차 빔을 생성하도록 구성될 수 있는 단일 1차 빔을 포함할 수 있는 하전 입자 빔 장치를 도시한다. 검출기는 도 1에 도시된 바와 같이 광축(105)을 따라 배치될 수 있다. 일부 실시예에서, 검출기는 축외(off-axis)에 배열될 수 있다.
도 1에 도시된 바와 같이, 전자 빔 툴(104)은 검사될 웨이퍼(150)를 유지하기 위해 전동 스테이지(134)에 의해 지지되는 웨이퍼 홀더(136)를 포함할 수 있다. 전자 빔 툴(104)은 단일 빔 시스템 또는 멀티 빔 시스템일 수 있다. 전자 빔 툴(104)은 캐소드(103), 애노드(120), 및 건 어퍼처(gun aperture)(122)을 포함할 수 있는 전자 빔 소스를 포함한다. 전자 빔 툴(104)은 빔 제한 어퍼처(125), 집광 렌즈(126), 컬럼 어퍼처(135), 대물 렌즈 어셈블리(132), 및 전자 검출기(144)를 포함한다. 일부 실시예에서 대물 렌즈 어셈블리(132)는 폴 피스(pole piece)(132a), 제어 전극(132b), 편향기(132c), 및 여자 코일(exciting coil)(132d)를 포함하는 수정된 SORIL(swing objective retarding immersion lens)일 수 있다. 이미징 프로세스에서 캐소드(103)의 끝에서 나오는 전자 빔(161)은 애노드(120) 전압에 의해 가속되어 건 어퍼처(122), 빔 제한 어퍼처(125), 집광 렌즈(126)를 통과하고 수정된 SORIL 렌즈에 의해 프로브 지점으로 포커싱된 후 마스크(170)의 표면에 충돌할 수 있다. 프로브 스폿은 SORIL 렌즈의 편향기(132c) 또는 다른 편향기와 같은 편향기에 의해 웨이퍼(150)의 표면을 가로질러 스캔될 수 있다. 웨이퍼로부터 방출된 2차 전자는 웨이퍼(150) 상의 관심 영역의 이미지를 형성하기 위해 검출기(144)에 의해 수집될 수 있다.
이미지 획득기(200), 저장소(130), 및 컨트롤러(109)를 포함하는 이미지 처리 시스템(199)이 또한 제공될 수 있다. 이미지 획득기(200)는 하나 이상의 프로세서를 포함할 수 있다. 예를 들어, 이미지 획득기(200)는 컴퓨터, 서버, 메인프레임 호스트, 단말기, 개인용 컴퓨터, 임의의 종류의 모바일 컴퓨팅 장치 등, 또는 이들의 조합을 포함할 수 있다. 이미지 획득기(200)는 전기 전도체, 광섬유 케이블, 휴대용 저장 매체, IR, 블루투스, 인터넷, 무선 네트워크, 무선 라디오, 또는 이들의 조합과 같은 매체를 통해 전자 빔 툴(104)의 검출기(144)와 연결될 수 있다. 이미지 획득기(200)는 검출기(144)로부터 신호를 수신할 수 있고 이미지를 구성할 수 있다. 따라서 이미지 획득기(200)는 웨이퍼(150)의 이미지를 획득할 수 있다. 이미지 획득기(200)는 또한 윤곽 생성, 획득된 이미지에 표시기(indicator) 중첩 등과 같은 다양한 후처리 기능을 수행할 수 있다. 이미지 획득기(200)는 획득된 이미지의 밝기 및 대비 등의 조정을 수행하도록 구성될 수 있다. 저장소(130)는 하드 디스크, RAM(Random Access Memory), 클라우드 저장소, 기타 유형의 컴퓨터 판독 가능 메모리 등과 같은 저장 매체일 수 있다. 저장소(130)는 이미지 획득기(200)와 결합될 수 있고 스캔된 미가공 이미지 데이터를 원본 이미지 및 후처리된 이미지로 저장하는 데 사용될 수 있다. 이미지 획득기(200) 및 저장소(130)는 컨트롤러(109)에 연결될 수 있다. 컨트롤러(109)는 전자 빔 툴(104)에 전자적으로 연결될 수 있다. 컨트롤러(109)는 전자 빔 툴(104)의 다양한 제어를 실행하도록 구성된 컴퓨터일 수 있다. 일부 실시예에서, 이미지 획득기(200), 저장소(130), 및 컨트롤러(109)는 하나의 제어 유닛으로서 함께 통합될 수 있다.
일부 실시예에서, 이미지 획득기(200)는 검출기(144)로부터 수신된 이미징 신호에 기반하여 웨이퍼의 하나 이상의 이미지를 획득할 수 있다. 이미징 신호는 하전 입자 이미징을 수행하기 위한 스캐닝 작업에 대응할 수 있다. 획득된 이미지는 웨이퍼(150)의 다양한 피처를 포함할 수 있는 복수의 이미징 영역을 포함하는 단일 이미지일 수 있다. 단일 이미지는 저장소(130)에 저장될 수 있다. 이미징은 이미징 프레임에 기반하여 수행될 수 있다.
전자 빔 툴의 집광기 및 조명 광학계는 전자기 사중극자 전자 렌즈를 포함하거나 이에 의해 보완될 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 전자 빔 툴(104)은 제1 사중극자 렌즈(148) 및 제2 사중극자 렌즈(158)를 포함할 수 있다. 일부 실시예에서, 사중극자 렌즈는 전자 빔을 제어하기 위해 사용된다. 예를 들어, 제1 사중극자 렌즈(148)는 빔 전류를 조정하도록 제어될 수 있고 제2 사중극자 렌즈(158)는 빔 스폿 크기 및 빔 형상을 조정하도록 제어될 수 있다. 임의의 수의 폴 및 임의의 수의 렌즈가 적절하게 사용될 수 있음을 이해해야 한다.
도 1이 웨이퍼(150)의 일 위치를 한 번에 스캔하기 위해 오직 하나의 1차 전자 빔만을 사용할 수 있는 단일-빔 검사 도구로서 전자 빔 툴(104)을 도시하지만, 본 발명의 실시예는 이에 제한되지 않는다. 예를 들어, 전자 빔 툴(104)은 또한 웨이퍼(150) 상의 다수의 위치를 동시에 스캔하기 위해 다수의 1차 전자 빔릿을 사용하는 다중 빔 검사 도구일 수 있다.
도 2a는 웨이퍼 검사의 예시적인 방법을 나타내는 흐름도를 도시한다. 도 2a에 도시된 바와 같은 웨이퍼 검사 프로세스(200A)는 웨이퍼(예를 들어, 도 1의 웨이퍼(150))를 검사하는데 종종 사용된다. 웨이퍼 제조 공정은 현상(즉, 리소그래피) 공정, 에칭 공정, 화학적 기계적 연마 공정, 또는 배선 형성 공정을 포함할 수 있지만 이에 제한되지는 않는다. 단계 202A에서, 검사 시스템(예를 들어, 도 1의 전자빔 툴(104)을 사용)은 현상된 웨이퍼를 획득할 수 있다. 단계 204A에서, 시스템은 현상된 웨이퍼의 부분의 SEM 이미지를 획득할 수 있다. 부분은 전체 현상된 웨이퍼일 수 있다. 지점(205A)의 단계(204A) 후에, 웨이퍼 부분의 포토레지스트가 SEM 이미지 캡처로부터 손상될 수 있다. SEM 검사는 웨이퍼의 포토레지스트를 손상시켜 현상된 웨이퍼의 패턴을 변경할 수 있다. 현상 후 SEM에 의해 검사되지 않은 경우(예: 도 3 참조), 웨이퍼의 패턴을 변경하면 웨이퍼의 진정한 핵심 성과 지표를 반영하지 않는 수정된 핵심 성과 지표(예: 결함, 라인 에지 거칠기, 라인 폭 거칠기, 로컬 임계 치수 균일성 등)가 발생할 수 있다.
현상 후 이미징이 검사되는 웨이퍼의 부분을 손상시킬 수 있지만, 현상 후 웨이퍼에 대한 다양한 노광 공정 조건(예: 초첨, 도즈 등)의 직접적인 영향을 관찰하기 위해 단계 204A에서 획득된 SEM 이미지를 사용하여 웨이퍼를 검사하는 것이 바람직할 수 있다. 예를 들어, 단계 204A에서 획득된 SEM 이미지는 결함 검출(예를 들어, 네킹, 브리징 등), 거칠기/무작위 특성화(예를 들어, 라인 에지/너비 거칠기, 로컬 임계 치수 균일성, 에지 배치 오류), 공정 윈도우 최적화, 전산 리소그래피 모델 보정, 프로세스 성능 모니터링 및 제어를 위해 사용될 수 있다. 추가적으로, 단계(204A)에서 획득된 SEM 이미지는 웨이퍼가 검사 계측 결과에 기초하여 재가공될 수 있도록 에칭 후에 웨이퍼의 예측 이미지를 생성하기에 바람직할 수 있다. 웨이퍼는 에칭 후 더 이상 이전 공정 상태로 되돌릴 수 없기 때문에 웨이퍼를 재처리하여 현상 후 검사 결과를 개선할 수 있다. 따라서 현상 후 및 에칭 전 웨이퍼의 인쇄된 패턴의 SEM 이미지를 얻는 것이 중요하다.
단계(206A)에서, 시스템은 웨이퍼가 에칭된 후에 웨이퍼를 획득할 수 있다. 단계(208A)에서, 시스템은 에칭된 웨이퍼의 SEM 이미지를 획득할 수 있다. 웨이퍼에 대한 에칭 효과를 관찰하기 위해 단계 208A에서 획득된 SEM 이미지를 사용하여 웨이퍼를 검사하는 것이 바람직할 수 있다.
도 2b는 웨이퍼 검사의 예시적인 방법을 나타내는 흐름도를 도시한다. 도 2b에 도시된 바와 같은 웨이퍼 검사 프로세스(200B)가 바람직할 수 있다. 프로세스(200A)와 유사하게, 단계(202B)에서, 검사 시스템은 현상된 웨이퍼를 획득할 수 있다. 그 다음, 프로세스(200B)는 시스템이 에칭된 웨이퍼를 획득할 수 있는 단계(206B)로 진행할 수 있다. 단계(208B)에서, 시스템은 에칭된 웨이퍼의 SEM 이미지를 획득할 수 있다. 프로세스가 현상 후에 웨이퍼의 SEM 이미지를 획득하는 것을 배제하기 때문에 웨이퍼에 대한 잠재적인 손상은 웨이퍼 검사 프로세스(200B)에서 회피된다.
프로세스(200B)에서 현상된 웨이퍼의 SEM 이미지를 획득하기 위해, 머신 러닝 모델이 사용될 수 있다. SEM 검사는 에칭 후 웨이퍼를 손상시키거나 영향을 미치지 않을 수 있기 때문에, 단계 208B에서 획득된 SEM 이미지는 현상 후 웨이퍼의 예측 SEM 이미지를 생성하는 데 사용될 수 있다.
도 3은 웨이퍼의 SEM 이미지로부터 획득된 임계 치수의 분포도를 예시한다. 분포(302)는 에칭 후에 획득된 SEM 이미지로부터 웨이퍼의 임계 치수의 측정을 나타내지만 현상 후에 어떠한 SEM 검사도 하지 않는다. 에칭 후 웨이퍼의 SEM 검사는 웨이퍼에 영향을 미치지 않을 수 있기 때문에 분포(302)의 측정값은 현상 후 손상되지 않은 웨이퍼의 측정값을 나타낸다. 분포(304)는 에칭 후 및 현상 후 SEM 검사 후에 획득된 SEM 이미지로부터 웨이퍼의 임계 치수의 측정치를 나타낸다. 현상 후 웨이퍼의 SEM 검사는 웨이퍼에 영향을 미치고 손상시킬 수 있기 때문에 분포(304)의 측정값은 현상 후 웨이퍼의 SEM 검사에 의해서도 영향을 받는다. 도 3에 도시된 바와 같이, 분포(304)는 분포(302)로부터 이동된다. 분포(306)는 분포(302)를 복제하는 방식으로 분포(304)로부터 샘플링된 SEM 이미지로부터 웨이퍼의 임계 치수의 측정치를 나타낸다. 도 3에 도시된 바와 같이, 분포 306은 분포 302보다 적은 수의 포인트를 갖지만 분포 302 및 306의 임계 치수는 동일하다. 에칭 후, 분포(306)로부터의 SEM 이미지 및 대응하는 현상 후 쌍(after-development pairs)은 머신 러닝 모델을 트레이닝하는 데 사용될 수 있다. 따라서, 분포(306)로부터 에칭 후에 획득된 SEM 이미지를 사용하는 머신 러닝 모델은 SEM 유발 손상 없이 현상 후 웨이퍼의 SEM 이미지를 정확하게 생성할 수 있다.
도 4는 웨이퍼 검사를 위한 지점을 나타내도록 분할된 웨이퍼(400)의 평면도를 도시한다. 웨이퍼(400)의 선과 점은 예시를 위해 사용되었으며 물리적으로 웨이퍼의 일부가 아니라는 점에 유의해야 한다. 웨이퍼(400)는 웨이퍼 검사에 사용되는 클러스터(402)(즉, 웨이퍼의 세그먼트)를 가질 수 있다. 예를 들어, 부분(404)의 SEM 이미지는 웨이퍼에 도포된 포토레지스트의 현상 후 및 웨이퍼의 에칭 후에 클러스터에 대해 획득될 수 있다. 웨이퍼의 에칭 후에 클러스터에 대해 상이한 부분(406)의 SEM 이미지가 획득될 수 있다. 현상 후 SEM 검사는 웨이퍼의 포토레지스트를 손상시켜 현상 후 웨이퍼의 진정한 핵심 성능 지표를 반영하지 않는 변경된 핵심 성능 지표를 초래할 수 있으므로 부분(404)에서 단일 현상 후 이미지를 얻을 수 있다. 에칭 후 이미지는 부분(406)에서만 획득될 수 있지만, 에칭 후 이미지는 부분(404)에서 획득될 수도 있다. 유리하게는, 하나의 클러스터(402)로부터 하나의 현상 후 이미지만이 획득될 수 있다.
위에서 설명된 바와 같이, 부분(406)의 SEM 이미지는 손상되지 않고 머신 러닝 모델에서 사용되어 현상 후 웨이퍼의 예측 SEM 이미지를 생성할 수 있다. 부분(404)의 SEM 이미지(현상 후 획득된 제1 이미지 및 에칭 후 획득된 제2 이미지)는 여전히 머신 러닝 모델을 트레이닝하기 위해 획득될 수 있다. 즉, 프로세스(200A)(도 2A 참조)는 머신 러닝 모델을 트레이닝하기 위한 SEM 이미지를 획득하는 프로세스를 설명할 수 있는 반면, 프로세스(200B)(도 2B 참조)는 머신 러닝 모델을 적용하기 위한 SEM 이미지를 획득하는 프로세스를 설명할 수 있다. 각각의 클러스터(402)가 웨이퍼 에칭에 의해 상이하게 영향을 받을 수 있기 때문에 이러한 프로세스는 웨이퍼(400)의 클러스터(402) 중 적어도 일부에 대해 구현될 수 있다. 프로세스(200A, 200B)는 웨이퍼(400)에 대한 웨이퍼 에칭의 효과가 반경 방향에서만 상이할 수 있기 때문에 반경 방향으로 클러스터(402)에만 적용될 수 있다. 유리하게는, 단지 한 쌍의 트레이닝 이미지, 하나의 현상 후 이미지 및 하나의 에칭 후 이미지가 클러스터마다 획득되기 때문에, 현상 후 SEM 검사에 의해 웨이퍼의 작은 부분만이 손상될 수 있다.
다른 실시예에서, 머신 러닝 모델은 웨이퍼 에칭 프로세스를 특징짓는 파라미터(예를 들어, 온도, 압력, 바이어스 전압 등)를 포함하도록 조절될 수 있다. 이 경우 에칭 파라미터를 모델에 입력하면 에칭 가변성이 고려되므로 클러스터링이 사용되지 않을 수 있다. 즉, 하나의 현상 후 이미지와 해당하는 에칭 후 이미지만이 모델 학습을 위해 획득될 수 있다. 유리하게는, 전체 웨이퍼에 대해 한 쌍의 트레이닝 이미지만이 획득되기 때문에 현상 후 SEM 검사에 의해 웨이퍼의 더 작은 부분이 손상될 수 있다.
다른 실시예에서, 위에서 논의된 바와 같이 제1 웨이퍼에 대해 (웨이퍼의 각 클러스터에 대해 또는 웨이퍼 에칭 프로세스를 특징짓는 파라미터를 포함하도록 하는 컨디셔닝에 의해) 트레이닝되는 머신 러닝 모델이 제2 웨이퍼에 적용될 수 있다. 제2 웨이퍼는 에칭 후에 이미징될 수 있고 에칭 후 SEM 이미지는 제1 웨이퍼에 대해 트레이닝된 머신 러닝 모델을 적용함으로써 현상 후 제2 웨이퍼의 예측 이미지를 생성하는 데 사용될 수 있다. 유리하게는, 이 실시예에서 현상 후 SEM 검사가 필요하지 않기 때문에 검사 동안 제2 웨이퍼가 손상되지 않을 수 있다.
일부 실시예에서, 웨이퍼에 도포된 포토레지스트의 현상 후 및 부분(404)의 에칭 후에 부분(404)의 SEM 이미지가 클러스터에 대해 획득될 수 있다. 웨이퍼의 일부는 에칭 후에 더 이상 이전 공정 상태로 되돌릴 수 없기 때문에, 부분(404)만 에칭될 수 있고 웨이퍼가 검사 결과를 개선하기 위해 재처리될 수 있도록 부분(404)에서 단일 에칭 후 이미지가 획득될 수 있다. 현상 후 이미지는 부분(404)에서 획득될 수도 있는 반면 현상 후 이미지는 부분(406)에서만 획득될 수도 있다. 유리하게는, 클러스터(402)의 한 부분만이 에칭될 수 있고 하나의 클러스터(402)로부터 하나의 에칭 후 이미지만이 획득될 수 있다.
위에서 설명된 바와 같이, 부분(406)의 SEM 이미지는 에칭되지 않고 머신 러닝 모델에서 사용되어 에칭 후 웨이퍼의 예측 SEM 이미지를 생성할 수 있다. 부분(404)의 SEM 이미지(현상 후 획득된 제1 이미지 및 에칭 후 획득된 제2 이미지)는 여전히 머신 러닝 모델을 트레이닝하기 위해 획득될 수 있다. 즉, 프로세스(200A)(도 2a 참조)는 머신 러닝 모델을 트레이닝하기 위한 SEM 이미지를 획득하기 위한 프로세스를 예시할 수 있다. 각각의 클러스터(402)가 웨이퍼 에칭에 의해 상이하게 영향을 받을 수 있기 때문에 이 프로세스는 웨이퍼(400)의 클러스터(402) 중 적어도 일부에 대해 구현될 수 있다. 프로세스(200A)는 웨이퍼(400)에 대한 웨이퍼 에칭의 효과가 반경 방향에서만 상이할 수 있기 때문에 반경 방향으로 클러스터(402)에만 적용될 수 있다. 유리하게는, 단지 한 쌍의 트레이닝 이미지, 하나의 현상 후 이미지 및 하나의 에칭 후 이미지가 각 클러스터에 대해 획득되기 때문에 웨이퍼의 작은 부분만이 에칭될 수 있다(예를 들어, 재가공되지 않을 수 있음).
일부 실시예에서, 머신 러닝 모델은 웨이퍼 에칭 프로세스를 특징짓는 파라미터(예를 들어, 온도, 압력, 바이어스 전압 등)를 포함하도록 조절될 수 있다. 이 경우 에칭 파라미터를 모델에 입력하면 에칭 가변성이 고려되므로 클러스터링이 사용되지 않을 수 있다. 즉, 하나의 현상 후 이미지와 해당하는 에칭 후 이미지만이 모델 트레이닝을 위해 획득될 수 있다. 유리하게는, 전체 웨이퍼에 대해 한 쌍의 트레이닝 이미지만이 획득되기 때문에 현상 후에 웨이퍼의 훨씬 더 작은 부분이 에칭될 수 있다.
일부 실시예에서, 위에서 논의된 바와 같이, 제1 웨이퍼에 대해 (웨이퍼의 각 클러스터에 대해 또는 웨이퍼 에칭 프로세스를 특징짓는 파라미터를 포함하도록 하는 컨디셔닝에 의해) 트레이닝된 머신 러닝 모델이 제2 웨이퍼에 적용될 수 있다. 일부 실시예에서, 머신 러닝 모델은 전체 웨이퍼가 에칭된 후에 제1 웨이퍼에 대해 트레이닝될 수 있다. 제2 웨이퍼는 웨이퍼에 도포된 포토레지스트의 현상 후에 이미징될 수 있고, 현상 후 SEM 이미지는 제1 웨이퍼에 대해 트레이닝된 머신 러닝 모델을 적용하여 에칭 후 제2 웨이퍼의 예측 이미지를 생성하는 데 사용될 수 있다. 유리하게는, 제2 웨이퍼는 이 실시예에서 에칭 후 SEM 검사가 필요하지 않기 때문에 검사 동안 에칭 전에 재가공될 수 있다.
도 5a는 웨이퍼의 SEM 이미지를 도시한다. SEM 이미지(502)(즉, 현상 후 이미지)는 현상 후 에칭 전의 웨이퍼 상의 스루홀(through-holes)을 묘사한다. SEM 이미지(504)는 에칭 후 웨이퍼의 스루홀을 묘사한다. SEM 이미지(504)는 트레이닝된 머신 러닝 모델에서 SEM 이미지(506)를 생성하는 데 사용되며, 이는 현상 후 웨이퍼의 스루홀을 예측하는 SEM 이미지이다. 도 5a에서 명백하지는 않지만, 예측 SEM 이미지(506)의 피처의 치수는 SEM 이미지(502)의 피처의 치수와 실질적으로 유사하나 현상 후 SEM 검사로 인한 손상은 없다.
도 5b는 웨이퍼의 SEM 이미지를 도시한다. SEM 이미지(512)(즉, 현상 후 이미지)는 현상 후 에칭 전의 웨이퍼 상의 포토레지스트 층 상의 스루홀을 묘사한다. SEM 이미지(514)는 에칭 후 포토레지스트 층 아래의 웨이퍼 상의 층의 스루홀을 묘사한다. SEM 이미지(512)는 이진화된 SEM 이미지(516)를 생성하기 위해 트레이닝된 머신 러닝 모델에서 사용되며, 이는 에칭 후 웨이퍼의 스루홀을 예측하는 SEM 이미지이다. 예측 SEM 이미지(516)에 있는 피처의 치수는 이진화된 SEM 이미지(514)에 있는 피처의 치수와 실질적으로 유사하여, 트레이닝된 머신 러닝 모델이 현상 후 에칭 전에 웨이퍼를 재작업하는 데 사용될 수 있음을 입증한다.
도 6은 웨이퍼의 예측 SEM 이미지(예를 들어, 도 5a의 SEM 이미지(506), 도 5b의 이진화된 SEM 이미지(516))를 생성하기 위한 시스템(600)을 도시한다. 시스템(600)은 웨이퍼 검사 시스템(610), 모델 트레이닝 서버(620), 및 이미지 예측 서버(630)를 포함할 수 있다. 시스템(610), 모델 트레이닝 서버(620), 및 이미지 예측 서버(630)는 물리적으로(예를 들어, 케이블) 또는 원격으로, 서로 전기적으로 연결될 수 있다. 웨이퍼 검사 시스템(610)은 웨이퍼(예를 들어, 도 1의 웨이퍼(150) 참조)의 이미지를 획득하는 데 사용되는 도 1과 관련하여 설명된 시스템일 수 있다.
모델 트레이닝 서버(620)는 프로세서(622) 및 저장소(624)를 포함할 수 있다. 모델 트레이닝 서버(620)는 또한 웨이퍼 검사 시스템(610)으로부터 웨이퍼 이미지를 수신하기 위한 통신 인터페이스(626)를 포함할 수 있다. 프로세서(622)는 수신된 웨이퍼 이미지를 분석하고 CNN(Convolutional Neural Network)을 적용하여 웨이퍼의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 이미지를 변환한다. 프로세서(622)는 또한 제1 웨이퍼 이미지와 연관된 시각적 특징을 제2 웨이퍼 이미지와 연관된 시각적 특징에 매핑하도록 구성될 수 있다. 프로세서(622)는 매핑을 사용하여 제1 웨이퍼 이미지로부터 제2 웨이퍼 이미지를 구성함으로써 CNN 인코더를 트레이닝시키도록 구성될 수 있다. 웨이퍼 이미지의 트레이닝된 피처는 구성에서 추출되어 CNN 디코더에 입력될 수 있다. 프로세서(622)는 웨이퍼 이미지의 트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정할 수 있다. 트레이닝 데이터는 저장소(624)에 저장될 수 있다.
이미지 예측 서버(630)는 프로세서(632) 및 저장소(634)를 포함할 수 있다. 이미지 예측 서버(630)는 또한 웨이퍼 검사 시스템(610)으로부터 웨이퍼 이미지를 수신하기 위한 통신 인터페이스(636)를 포함할 수 있다. 프로세서(632)는 수신된 웨이퍼 이미지를 분석하고 CNN을 적용하여 웨이퍼의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 이미지를 변환한다. 프로세서(632)는 또한 CNN 인코더를 사용하여 웨이퍼 이미지와 연관된 시각적 특징을 추출하도록 구성될 수 있으며, 여기서 추출은 웨이퍼 이미지로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링(convolutional pooling) 층을 사용하는 것을 포함한다. 프로세서(632)는 추출된 시각적 특징으로부터 사용된 트레이닝된 피처를 식별하고 트레이닝된 피처를 CNN 디코더에 입력할 수 있다. 그 다음, 프로세서(632)는 웨이퍼 검사 시스템(610)으로부터 수신된 웨이퍼 이미지에 대응하는 예측 이미지를 생성할 수 있다. 예측 데이터는 저장소(634)에 저장될 수 있다. 위에서 논의된 바와 같이, 예측 이미지는 제1 웨이퍼에 대해 트레이닝된 CNN을 적용함으로써 제2 웨이퍼에 대해 생성될 수 있다.
도 7a는 예시적인 머신 러닝 모델 트레이닝 아키텍처의 개략도를 도시한다. 아키텍처는 CNN(700A)를 포함할 수 있다. CNN(700A)은 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 일부의 현상 후 이미지(702A) 및 웨이퍼의 세그먼트의 하나 이상의 에칭 후 이미지(704A)를 포함할 수 있다. 부분은 웨이퍼의 전체일 수 있고 세그먼트는 웨이퍼의 전체일 수 있다. 현상 후 이미지(702A)는 복수의 이미지(706A)를 포함할 수 있고 에칭 후 이미지(704A)는 복수의 이미지(708A)를 포함할 수 있지만, 하나 이상의 에칭 후 이미지는 단지 세그먼트의 부분만을 커버하는 현상 후 이미지보다 웨이퍼 세그먼트의 더 많은 부분을 커버한다. 전술한 바와 같이, 이미징될 현상 후 웨이퍼의 부분은 잠재적으로 웨이퍼를 손상시키는 것을 피하기 위한 시도로 최소화될 수 있다.
CNN(700A)은 현상 후 이미지(706A) 및 에칭 후 이미지(708A)를 사용하여 트레이닝될 수 있다. 에칭 후 이미지(708A)는 에칭 후 웨이퍼의 이미징된 세그먼트의 제1 부분일 수 있고, 여기서 제1 부분은 현상 후 이미지(706A)의 웨이퍼의 이미징된 부분에 대응한다. 트레이닝은 현상 후 이미지(706A)를 현상 후 이미지(706A)의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 변환하는 단계를 포함할 수 있다. 트레이닝은 또한 에칭 후 이미지(708A)를 에칭된 웨이퍼의 이미징된 부분의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 변환하는 단계를 포함할 수 있다. 에칭 후 이미지(708A)와 관련된 시각적 특징은 현상 후 이미지(706A)와 관련된 시각적 특징에 매핑될 수 있다.
딥 러닝 아키텍처의 CNN(700A)의 각 계층에서 모델 파라미터의 값은 매핑으로부터 학습될 수 있다. 각 레이어의 각 레이블은 SEM 입력 이미지의 속성을 나타낼 수 있다. CNN 인코더는 현상 후 이미지(706A)를 구성하기 위해 매핑을 사용하여 트레이닝될 수 있다. 구성은 재구성된 현상 후 이미지(710A)를 출력할 수 있다. 트레이닝된 피처는 구성에서 추출되어 CNN 디코더에 입력될 수 있으며, 여기서 CNN 디코더의 가중치는 트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 조정된다. 즉, 현상 후 이미지(706A)과 복원된 현상 후 이미지(710A)의 차이가 최소화되도록 CNN 디코더의 가중치를 조절한다. 일부 실시예에서, CNN(700A)은 트레이닝 동안(예를 들어, 생성적 적대(generative adversarial) 네트워크를 사용하여) 학습된 손실 함수를 사용할 수 있다. 일부 실시예에서, 다른 손실 함수가 사용될 수 있다(예를 들어, 평균 제곱 오차, 2차 손실, L2 손실, 평균 절대 오차, L1 손실, 평균 바이어스 오차 등). 일부 실시예에서, 트레이닝된 피처는 웨이퍼의 현상 프로세스와 에칭 프로세스 사이의 에칭 효과를 포함할 수 있다. 노이즈가 확률적이기 때문에 SEM 노이즈는 트레이닝 중에 평균화될 수 있으며, 결과적으로 머신 러닝 모델을 적용하는 동안 실질적으로 또는 실질적으로 노이즈가 없는 예측이 된다.
도 7b는 예시적인 머신 러닝 모델 트레이닝 아키텍처의 개략도를 도시한다. 아키텍처는 CNN(700B)을 포함할 수 있다. CNN(700B)은 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 일부의 에칭 후 이미지(702B) 및 웨이퍼의 세그먼트의 하나 이상의 현상 후 이미지(704B)를 포함할 수 있다. 부분은 웨이퍼의 전체일 수 있고, 세그먼트는 웨이퍼의 전체일 수 있다. 에칭 후 이미지(702B)는 복수의 이미지(706B)를 포함할 수 있고 현상 후 이미지(704B)는 복수의 이미지(708B)를 포함할 수 있지만, 하나 이상의 현상 후 이미지는 단지 세그먼트의 부분을 덮는 에칭 후 이미지보다 웨이퍼 세그먼트를 더 많이 덮을 수 있다. 위에서 언급한 바와 같이, 웨이퍼를 완전히 에칭하기 전에 웨이퍼를 재가공하려는 시도에서 에칭되고 에칭 후에 이미징될 웨이퍼의 부분이 최소화될 수 있다.
CNN(700B)은 에칭 후 이미지(706B) 및 현상 후 이미지(708B)를 사용하여 트레이닝될 수 있다. 현상 후 이미지(708B)는 현상 후 웨이퍼의 이미징된 세그먼트의 제1 부분일 수 있고, 여기서 제1 부분은 에칭 후 이미지(706B)의 웨이퍼의 이미징된 부분에 대응한다. 트레이닝은 에칭 후 이미지(706B)를 에칭 후 이미지(706B)의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 변환하는 것을 포함할 수 있다. 트레이닝은 또한 현상 후 이미지(708B)를 현상된 웨이퍼의 이미징된 부분의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 변환하는 것을 포함할 수 있다. 현상 후 이미지(708B)와 관련된 시각적 특징은 에칭 후 이미지(706B)와 관련된 시각적 특징에 매핑될 수 있다.
CNN(700B)의 각 계층에서 모델 파라미터의 값은 매핑으로부터 학습될 수 있다. 각 레이어의 각 레이블은 SEM 입력 이미지의 속성을 나타낼 수 있다. CNN 인코더는 에칭 후 이미지(706B)를 구성하기 위해 매핑을 사용하여 트레이닝될 수 있다. 구성은 재구성된 에칭 후 이미지(710B)를 출력할 수 있다. 트레이닝된 피처는 구성에서 추출되어 CNN 디코더에 입력될 수 있으며, 여기서 CNN 디코더의 가중치는 트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 조정된다. 즉, CNN 디코더의 가중치는 에칭 후 이미지(706B)와 재구성된 에칭 후 이미지(710B) 사이의 차이가 최소화되도록 조정된다. 일부 실시예에서, CNN(700B)은 트레이닝 동안(예를 들어, 생성적 적대 네트워크를 사용하여) 학습된 손실 함수를 사용할 수 있다. 일부 실시예에서, 다른 손실 함수가 사용될 수 있다(예를 들어, 평균 제곱 오차, 2차 손실, L2 손실, 평균 절대 오차, L1 손실, 평균 바이어스 오차 등). 일부 실시예에서, 트레이닝된 피처는 웨이퍼의 현상 프로세스와 에칭 프로세스 사이의 에칭 효과를 포함할 수 있다. 노이즈가 확률적이기 때문에 SEM 노이즈는 트레이닝 중에 평균화되어 머신 러닝 모델을 적용하는 동안 거의 노이즈가 없는 예측이 된다.
일부 실시예에서, CNN(700B)은 그레이스케일 값(예를 들어, 도 5a의 이미지(506))을 제공하는 SEM 이미지를 출력하기 위해 출력층에서 선형 활성화 함수를 사용하여 트레이닝될 수 있다. 실제 SEM 이미지를 에뮬레이트(emulate)하는 예측 이미지를 생성하려면 그레이스케일 SEM 이미지가 필요할 수 있다. 일부 실시예에서, CNN(700B)은 이진화된 SEM 이미지(예를 들어, 도 5b의 이미지(516))를 출력하기 위해 출력 계층에서 시그모이드(sigmoid) 활성화 함수를 사용하여 트레이닝될 수 있다. 생성된 예측 이미지에서 핵심 성과 지표(예: 임계 치수)를 쉽게 추출할 수 있도록 하는 예측 이미지를 생성하기 위해 이진화된 SEM 이미지가 필요할 수 있다. 예를 들어, 생성된 예측 이미지의 검은 부분은 모델이 웨이퍼의 해당 부분에 컨택 홀(contact hole)이 존재할 가능성을 100% 예측한다는 것을 나타낼 수 있다. 생성된 예측 이미지의 흰색 부분은 모델이 웨이퍼의 해당 부분에 컨택 홀이 존재하지 않을 가능성을 100% 예측한다는 것을 나타낼 수 있다. 생성된 예측 이미지의 회색 부분(예: 컨택 홀의 가장자리)은 해당 모델에서 컨택 홀이 웨이퍼의 해당 부분에 존재할 가능성이 0-100%(예: 모델이 어느 정도 불확실함)를 예측한다는 것을 나타낼 수 있다.
도 8a는 예시적인 머신 러닝 모델 애플리케이션 아키텍처의 개략도를 도시한다. 아키텍처는 CNN(800A)을 포함할 수 있다. CNN(800A)은 트레이닝된 모델(예를 들어, 도 7a의 CNN(700A) 참조)을 포함할 수 있고 웨이퍼의 세그먼트의 하나 이상의 에칭 후 이미지(804A)를 포함할 수 있다. 에칭 후 이미지(808A)는 웨이퍼의 이미징된 세그먼트의 제2 부분일 수 있으며, 여기서 제2 부분은 제1 부분과 상이하다(예를 들어, 도 7a의 에칭 후 이미지(708A)의 제1 부분 참조).
트레이닝된 모델은 다중 계층을 갖는 심층 신경망 토폴로지(deep neural network topology)를 포함할 수 있다. 예를 들어, 그러한 네트워크의 아키텍처는 입력, 제1 컨볼루션, 제1 풀링, 제2 컨볼루션, 제2 풀링, 하나 이상의 히든 레이어, 활성화 및 출력으로서, 에칭 후 이미지(808A)를 포함할 수 있다. 결함 패턴의 특성에 따라 아키텍처의 각 층은 생성된 서브 샘플의 수가 다를 수 있다. 예를 들어, 제1 컨볼루션 연산 후에 제1 풀에서 생성된 서브 샘플이 10개 미만일 수 있다. 제2 컨볼루션 연산 후에, 제2 계층은 제2 풀에서 생성된 10개 이상의 서브 샘플을 가질 수 있다.
현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 대응하는 이미징된 부분을 사용하여 트레이닝으로부터 모델 파라미터가 결정된 후, 딥 러닝 아키텍처의 트레이닝된 네트워크는 에칭된 웨이퍼의 다른 부분의 새로운 이미지를 처리할 수 있다. 에칭 후 이미지(808A)는 결정된 모델 파라미터로 트레이닝된 네트워크의 다중 레이어를 통과하여 아키텍처의 끝에서 특징 벡터를 생성할 수 있다. 컨볼루션 컴퓨팅의 각 층에서, 트레이닝된 피처가 존재하는지, 존재한다면 그 기하학적 위치를 결정하기 위해 아키텍처에 대해 에칭 후 이미지(808A)가 분석될 수 있다. 트레이닝된 피처를 갖는 각각의 수신된 이미지는 복수의 계층에서 계층별로 계산에 의해 처리될 수 있다. 따라서, 입력 이미지의 벡터 표현은 트레이닝된 네트워크에 의해 생성될 수 있다.
트레이닝된 CNN(800A)을 적용하는 단계는 CNN(800A)을 적용함으로써 에칭 후 이미지(808A)의 제2 부분을 하나 이상의 피처 맵으로 변환하는 단계를 포함할 수 있고, 여기서 하나 이상의 피처 맵은 제2 부분의 에칭 후 이미지(808A)의 시각적 특징을 포함한다. 네트워크(800A)에 대한 입력으로서 에칭 후 이미지(808A)는 에칭된 웨이퍼의 식별된 피처를 포함하는 패턴 이미지를 포함할 수 있다. 애플리케이션은 또한 CNN 인코더를 사용하여 제2 부분의 에칭 후 이미지(808A)와 연관된 시각적 특징을 추출하는 것을 포함할 수 있으며, 여기서 추출은 에칭 후 이미지(808A)로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 층을 사용하는 단계를 포함한다. 애플리케이션에는 추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 것도 포함될 수 있다. 에칭 후 이미지(808A)의 트레이닝된 피처는 자동으로 라벨링될 수 있다.
트레이닝된 모델의 적용은 또한 트레이닝된 피처를 CNN 디코더에 입력하고 예측 웨이퍼 이미지(810A)를 생성하는 단계를 포함할 수 있으며, 여기서 예측 이미지(810A)는 에칭 이전에 현상된 웨이퍼의 세그먼트의 다른 부분을 포함한다. 위에서 논의된 바와 같이, 예측 이미지는 제1 웨이퍼(예를 들어, 도 7a 참조)에서 트레이닝된 CNN(예를 들어, 도 8a)을 적용함으로써 제2 웨이퍼에 대해 생성될 수 있다.
일부 실시예에서, 웨이퍼에 대한 SEM 손상의 통계적 특성화를 생성하기 위해 에칭 후 이미지, 현상 후 이미지 및 예측 이미지에 기초하여 통계적 분석(예를 들어, 도 3 참조)이 수행될 수 있다.
일부 실시예에서, CNN(800A)은 그레이스케일 값(예를 들어, 도 5a의 이미지(506))을 제공하는 SEM 이미지를 출력하기 위해 출력층에서 선형 활성화 함수를 사용할 수 있다. 실제 SEM 이미지를 에뮬레이트하는 예측 이미지를 생성하려면 그레이스케일 SEM 이미지가 필요할 수 있다.
도 8b는 예시적인 머신 러닝 모델 애플리케이션 아키텍처의 개략도를 도시한다. 아키텍처는 CNN(800B)을 포함할 수 있다. CNN(800B)은 트레이닝된 모델(예를 들어, 도 7B의 CNN(700B) 참조)을 포함할 수 있고 웨이퍼의 세그먼트의 하나 이상의 현상 후 이미지(804B)를 포함할 수 있다. 현상 후 이미지(808B)는 웨이퍼의 이미징된 세그먼트의 제2 부분일 수 있으며, 여기서 제2 부분은 제1 부분과 상이하다(예를 들어, 도 7b의 현상 후 이미지(708B)의 제1 부분 참조).
트레이닝된 모델은 다중 계층을 갖는 심층 신경망 토폴로지를 포함할 수 있다. 예를 들어, 그러한 네트워크의 아키텍처는 (입력으로서) 현상 후 이미지(808B), 제1 컨볼루션, 제1 풀링, 제2 컨볼루션, 제2 풀링, 하나 이상의 히든 레이어, 활성화 및 출력을 포함할 수 있다. 결함 패턴의 특성에 따라 아키텍처의 각 레이어는 생성된 서브 샘플의 수가 다를 수 있다. 예를 들어, 제1 컨볼루션 연산 후에 제1 풀에서 생성된 서브 샘플이 10개 미만일 수 있다. 제2 컨볼루션 연산 후에, 제2 계층은 제2 풀에서 생성된 10개보다 많은 서브 샘플을 가질 수 있다.
현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 대응하는 이미징된 부분을 사용하는 트레이닝으로부터 모델 파라미터가 결정된 후, 딥 러닝 아키텍처의 트레이닝된 네트워크는 현상된 웨이퍼 또는 다른 웨이퍼의 다른 부분의 새로운 이미지를 처리할 수 있다. 현상 후 이미지(808B)는 결정된 모델 파라미터를 사용하여 트레이닝된 네트워크의 다중 계층을 통과하여 아키텍처의 끝에서 특징 벡터를 생성할 수 있다. 컨볼루션 컴퓨팅의 각 계층에서, 현상 후 이미지(808B)는 트레이닝된 피처가 존재하는지, 존재한다면 그 기하학적 위치를 결정하기 위해 아키텍처에 의해 분석될 수 있다. 트레이닝된 피처를 갖는 각각의 수신된 이미지는 복수의 계층에서 계층별로 계산에 의해 처리될 수 있다. 따라서, 입력 이미지의 벡터 표현은 트레이닝된 네트워크에 의해 생성될 수 있다.
트레이닝된 CNN(800B)을 적용하는 단계는 CNN(800B)을 적용함으로써 현상 후 이미지(808B)의 제2 부분을 하나 이상의 피처 맵으로 변환하는 단계를 포함할 수 있고, 여기서 하나 이상의 피처 맵은 제2 부분(808B)의 현상 후 이미지의 시각적 특징을 포함한다. 네트워크(800B)에 대한 입력으로서 현상 후 이미지(808B)는 현상된 웨이퍼의 식별된 특징을 포함하는 패턴 이미지를 포함할 수 있다. 애플리케이션은 또한 CNN 인코더를 사용하여 제2 부분(808B)의 현상 후 이미지와 연관된 시각적 특징을 추출하는 단계를 포함할 수 있으며, 여기서 추출은 현상 후 이미지(808B)로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계를 포함한다. 애플리케이션에는 추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계도 포함될 수 있다. 현상 후 이미지(808B)의 트레이닝된 피처는 자동으로 라벨링될 수 있다.
트레이닝된 모델의 적용은 트레이닝된 피처를 CNN 디코더에 입력하고 예측 웨이퍼 이미지(810B)를 생성하는 단계를 포함할 수 있으며, 여기서 예측 이미지(810B)는 에칭 후 웨이퍼의 세그먼트의 다른 부분을 포함한다. 위에서 논의된 바와 같이, 예측 이미지는 제1 웨이퍼(예를 들어, 도 7B 참조)에서 트레이닝된 CNN(예를 들어, 도 8B)을 적용함으로써 제2 웨이퍼에 대해 생성될 수 있다.
일부 실시예에서, 웨이퍼에 대한 SEM 손상의 통계적 특성화를 생성하기 위해 에칭 후 이미지, 현상 후 이미지 및 예측 이미지에 기초하여 통계적 분석(예를 들어, 도 3 참조)이 수행될 수 있다.
일부 실시예에서, CNN(800B)은 이진화된 SEM 이미지(예를 들어, 도 5b의 이미지(516))를 출력하기 위해 출력 계층에서 시그모이드 활성화 함수를 사용할 수 있다. 생성된 예측 이미지에서 핵심 성과 지표(예: 임계 치수)를 쉽게 추출할 수 있도록 하는 예측 이미지를 생성하기 위해 이진화된 SEM 이미지가 필요할 수 있다. 예를 들어, 생성된 예측 이미지의 검은 부분은 모델이 웨이퍼의 해당 부분에 컨택 홀이 존재할 가능성을 100% 예측한다는 것을 나타낼 수 있다. 생성된 예측 이미지의 흰색 부분은 모델이 웨이퍼의 해당 부분에 컨택 홀이 존재하지 않을 가능성을 100% 예측한다는 것을 나타낼 수 있다. 생성된 예측 이미지의 회색 부분(예: 컨택 홀의 가장자리)은 해당 모델에서 컨택 홀이 웨이퍼의 해당 부분에 존재할 가능성이 0-100%(예: 모델이 어느 정도 불확실함)를 예측한다는 것을 나타낼 수 있다.
도 9a는 본 발명의 실시예에 따른, 웨이퍼 검사(900A)의 예시적인 방법을 나타내는 흐름도를 도시한다. 방법(900A)은 시스템(예를 들어, 도 6의 시스템(600))에 의해 수행될 수 있다. 시스템은 방법(900A)의 하나 이상의 단계를 수행하는 검사 시스템(예를 들어, 도 6의 검사 시스템(610))을 포함할 수 있다. 예를 들어, 검사 시스템은 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 상이한 영역을 이미징하기 위해 전자 빔 툴(예를 들어, 도 1의 전자 빔 툴(104))을 사용할 수 있다.
단계(901A)에서, 시스템(예를 들어, 도 6의 시스템(600))은 웨이퍼에 도포된 포토레지스트가 현상된 후에 웨이퍼를 획득할 수 있다.
단계(903A)에서, 시스템은 이미지 획득기(예를 들어, 도 1의 이미지 획득기(200))를 사용하여 현상된 웨이퍼의 세그먼트의 부분(예를 들어, 도 4의 부분(404) 참조)을 이미징할 수 있다. 부분은 세그먼트의 전체일 수 있다. 이미지 획득기는 전자 빔 툴의 검출기(예를 들어, 도 1의 검출기(144))로부터 신호를 수신하고 이미지를 구성함으로써, 현상된 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 부분의 이미지를 획득할 수 있다. 이미징될 현상 후 웨이퍼의 부분은 잠재적으로 웨이퍼를 손상시키는 것을 피하기 위한 시도로 최소화될 수 있다. 현상 후 이미지의 예는 도 5a의 이미지(502)에 제공된다.
단계(905A)에서, 시스템(예를 들어, 도 6의 시스템(600))은 웨이퍼가 에칭된 후에 웨이퍼를 획득할 수 있다.
단계 907A에서, 시스템은 이미지 획득기(예를 들어, 도 1의 이미지 획득기(200))를 사용하여 현상된 웨이퍼(예를 들어, 도 4의 402 참조)의 이미징된 부분에 대응하는 에칭된 웨이퍼의 세그먼트를 이미징할 수 있다. 이미지 획득기는 전자 빔 툴의 검출기(예를 들어, 도 1의 검출기(144))로부터 신호를 수신하고 이미지를 구성하여, 에칭된 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 세그먼트의 이미지를 획득할 수 있다. 에칭 후 이미지의 예는 도 5a의 이미지(504)에 제공된다. 에칭 후 이미지는 웨이퍼에 대한 잠재적 손상을 최소화하기 위해 세그먼트의 일부만 덮는 현상 후 이미지보다 웨이퍼 세그먼트를 더 많이 덮는다. 위에서 언급한 바와 같이 에칭 후 이미지는 머신 러닝 모델을 트레이닝하고 애프터-현상 웨이퍼의 예측 이미지를 생성하는 데 모두 사용되는 반면 현상 후 이미지는 머신 러닝 모델을 트레이닝하는 데만 사용된다.
단계 909A에서, 시스템은 현상된 웨이퍼의 이미징된 부분 및 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 머신 러닝 모델을 트레이닝할 수 있다. 검사 시스템을 포함하는 시스템은 또한 모델 트레이닝 서버(예를 들어, 도 6의 모델 트레이닝 서버(620))를 포함할 수 있다. 모델 트레이닝 서버는 웨이퍼를 수신하기 위한 프로세서(예: 도 6의 프로세서(622)), 저장소(예: 도 6의 저장소(624)), 검사 시스템(예를 들어, 도 6의 검사 시스템(610))으로부터 웨이퍼 이미지를 수신하기 위한 통신 인터페이스(예: 도 6의 통신 인터페이스(626))를 포함할 수 있다. 프로세서는 수신된 웨이퍼 이미지를 분석하고 CNN(예를 들어, 도 7a의 CNN(700A))을 적용함으로써 웨이퍼의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 이미지를 변환하도록 구성될 수 있다. 프로세서는 또한 에칭 후 이미지와 관련된 시각적 특징을 현상 후 이미지와 관련된 시각적 특징에 매핑하도록 구성될 수 있다. 프로세서는 에칭 후 이미지로부터 현상 후 이미지를 구성하기 위해 매핑을 사용함으로써 CNN 인코더를 트레이닝시키도록 구성될 수 있다. 웨이퍼 이미지의 트레이닝된 피처는 구성에서 추출되어 CNN 디코더에 입력될 수 있다. 프로세서는 웨이퍼 이미지의 트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정할 수 있다. 즉, CNN 디코더의 가중치는 현상 후 이미지와 구성된 현상 후 이미지의 차이가 최소화되도록 조정된다. 트레이닝 데이터는 저장소에 저장될 수 있다.
단계(911A)에서, 시스템은 현상된 웨이퍼의 세그먼트의 다른 부분(예를 들어, 도 4의 부분(406) 참조)의 예측 이미지를 생성하기 위해 에칭된 웨이퍼의 이미징된 세그먼트 또는 다른 웨이퍼의 이미지를 사용하여 트레이닝된 머신 러닝 모델을 적용할 수 있다. 검사 시스템 및 모델 트레이닝 서버를 포함하는 시스템은 또한 이미지 예측 서버(예를 들어, 도 6의 이미지 예측 서버(630))를 포함할 수 있다. 검사 시스템, 모델 트레이닝 서버 및 이미지 예측 서버는 물리적으로(예: 케이블에 의해) 또는 원격으로 서로 전기적으로 연결될 수 있다. 이미지 예측 서버는 웨이퍼를 수신하기 위한 프로세서(예: 도 6의 프로세서 632), 저장소(예: 도 6의 저장소 634), 검사 시스템(예를 들어, 도 6의 검사 시스템(610))으로부터의 웨이퍼 이미지를 수신하기 위한 통신 인터페이스(예: 도 6의 통신 인터페이스 636)를 포함할 수 있다. 프로세서는 수신된 웨이퍼 이미지를 분석하고 CNN(예를 들어, 도 8a의 CNN 800A)을 적용함으로써 웨이퍼의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 이미지를 변환하도록 구성될 수 있다. 프로세서는 또한 트레이닝을 위해 사용되는 에칭 후 이미지와 상이한 에칭 후 이미지와 연관된 시각적 특징을 추출하기 위해 CNN 인코더를 사용하도록 구성될 수 있다. 추출에는 에칭 후 이미지에서 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 것이 포함된다. 프로세서는 추출된 시각적 특징에서 사용된 트레이닝된 피처를 식별하고 트레이닝된 피처를 CNN 디코더에 입력할 수 있다. 그 다음, 프로세서는 검사 시스템으로부터 수신된 에칭 후 이미지에 대응하는 현상 후 웨이퍼의 예측 이미지를 생성할 수 있다. 예측 데이터는 저장소에 저장될 수 있다. 예측 이미지의 예는 도 5a의 이미지(506)에 제공된다.
도 9b는 본 발명의 실시예에 따른, 웨이퍼 검사(900B)의 예시적인 방법을 나타내는 흐름도를 도시한다. 방법(900B)은 시스템(예를 들어, 도 6의 시스템(600))에 의해 수행될 수 있다. 시스템은 방법(900B)의 하나 이상의 단계를 수행하는 검사 시스템(예를 들어, 도 6의 검사 시스템(610))을 포함할 수 있다. 예를 들어, 검사 시스템은 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 상이한 영역을 이미징하기 위해 전자 빔 툴(예를 들어, 도 1의 전자 빔 툴(104))을 사용할 수 있다.
단계(901B)에서, 시스템(예를 들어, 도 6의 시스템(600))은 웨이퍼에 도포된 포토레지스트가 현상된 후에 웨이퍼를 획득할 수 있다.
단계(903B)에서, 시스템은 이미지 획득기(예를 들어, 도 1의 이미지 획득기(200))를 사용하여 현상된 웨이퍼의 세그먼트(예를 들어, 도 4의 402 참조)를 이미징할 수 있다. 세그먼트는 현상된 웨이퍼의 부분 또는 전체일 수 있다. 이미지 획득기는 전자 빔 툴(예를 들어, 도 1의 검출기(144))의 검출기로부터 신호를 수신하고 이미지를 구성함으로써, 현상된 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 세그먼트 또는 전체의 이미지를 획득할 수 있다. 현상 후 이미지의 예는 도 5b의 이미지(512)에 제공된다.
단계(905B)에서, 시스템(예를 들어, 도 6의 시스템(600))은 웨이퍼가 에칭된 후에 웨이퍼를 획득할 수 있다.
단계(907B)에서, 시스템은 이미지 획득기(예를 들어, 도 1의 이미지 획득기(200))를 사용하여 현상된 웨이퍼의 이미징된 세그먼트(예를 들어, 도 4의 부분(404) 참조)에 대응하는 에칭된 웨이퍼의 세그먼트의 부분을 이미징할 수 있다. 세그먼트의 부분은 전체 세그먼트일 수 있다. 이미지 획득기는 전자 빔 툴의 검출기(예를 들어, 도 1의 검출기(144))로부터 신호를 수신하고 이미지를 구성하여, 에칭된 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 부분의 이미지를 획득할 수 있다. 에칭 후 이미지의 예는 도 5b의 이미지(514)에 제공된다. 에칭된 웨이퍼의 부분 및 이미징될 에칭 후 웨이퍼의 부분은 에칭 전에 웨이퍼의 재작업을 허용하기 위한 시도에서 최소화될 수 있다. 위에서 언급한 바와 같이 에칭 후 이미지는 머신 러닝 모델을 트레이닝하고 애프터 에칭 웨이퍼의 예측 이미지를 생성하는 데 모두 사용되는 반면 애프터 에칭 이미지는 머신 러닝 모델을 트레이닝하는 데만 사용된다.
단계(909B)에서, 시스템은 에칭된 웨이퍼의 이미징된 부분 및 현상된 웨이퍼의 이미징된 세그먼트를 사용하여 머신 러닝 모델을 트레이닝할 수 있다. 검사 시스템을 포함하는 시스템은 또한 모델 트레이닝 서버(예를 들어, 도 6의 모델 트레이닝 서버(620))를 포함할 수 있다. 모델 트레이닝 서버는 웨이퍼를 수신하기 위한 프로세서(예: 도 6의 프로세서(622)), 저장소(예: 도 6의 저장소(624)), 검사 시스템(예를 들어, 도 6의 검사 시스템(610))으로부터의 웨이퍼 이미지를 수신하기 위한 통신 인터페이스(예: 도 6의 통신 인터페이스(626))를 포함할 수 있다. 프로세서는 수신된 웨이퍼 이미지를 분석하고 CNN(예를 들어, 도 7b의 CNN(700B))을 적용함으로써 웨이퍼의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 이미지를 변환하도록 구성될 수 있다. 프로세서는 또한 에칭 후 이미지와 연관된 시각적 특징에 현상 후 이미지와 연관된 시각적 특징을 매핑하도록 구성될 수 있다. 프로세서는 현상 후 이미지로부터 에칭 후 이미지를 구성하기 위해 매핑을 사용함으로써 CNN 인코더를 트레이닝시키도록 구성될 수 있다. 웨이퍼 이미지의 트레이닝된 피처는 구성에서 추출되어 CNN 디코더에 입력될 수 있다. 프로세서는 웨이퍼 이미지의 트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정할 수 있다. 즉, CNN 디코더의 가중치는 에칭 후 이미지와 구성된 에칭 후 이미지의 차이가 최소화되도록 조정된다. 트레이닝 데이터는 저장소에 저장될 수 있다.
단계(911B)에서, 시스템은 현상된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하여 현상된 웨이퍼 또는 다른 웨이퍼의 이미지의 세그먼트의 다른 부분(예를 들어, 도 4의 부분(406) 참조)의 에칭 후 예측 이미지를 생성할 수 있다. 검사 시스템 및 모델 트레이닝 서버를 포함하는 시스템은 또한 이미지 예측 서버(예를 들어, 도 6의 이미지 예측 서버(630))를 포함할 수 있다. 검사 시스템, 모델 트레이닝 서버 및 이미지 예측 서버는 물리적으로(예를 들어, 케이블에 의해) 또는 무선으로 서로 전기적으로 연결될 수 있다. 이미지 예측 서버는 웨이퍼를 수신하기 위한 프로세서(예: 도 6의 프로세서(632)), 저장소(예: 도 6의 저장소(634)), 검사 시스템(예를 들어, 도 6의 검사 시스템(610))으로부터의 웨이퍼 이미지를 수신하기 위한 통신 인터페이스(예: 도 6의 통신 인터페이스(636))를 포함할 수 있다. 프로세서는 수신된 웨이퍼 이미지를 분석하고 CNN(예를 들어, 도 8b의 CNN(800B))을 적용함으로써 웨이퍼의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 이미지를 변환하도록 구성될 수 있다. 프로세서는 또한 트레이닝에 사용되는 현상 후 이미지와 다른 현상 후 이미지와 관련된 시각적 특징을 추출하기 위해 CNN 인코더를 사용하도록 구성될 수 있다. 추출에는 현상 후 이미지에서 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계가 포함된다. 프로세서는 추출된 시각적 특징에서 사용된 트레이닝된 피처를 식별하고 트레이닝된 피처를 CNN 디코더에 입력할 수 있다. 그 다음, 프로세서는 검사 시스템으로부터 수신된 현상 후 이미지에 대응하는 웨이퍼의 예측 후 에칭 이미지를 생성할 수 있다. 예측 데이터는 저장소에 저장될 수 있다. 예측 이미지의 예는 도 5b의 이미지(516)에 제공된다.
도 10은 본 발명의 실시예에 따른, 웨이퍼 검사(1000)의 예시적인 방법을 나타내는 흐름도를 도시한다. 방법(1000)은 시스템(예를 들어, 도 6의 시스템(600))에 의해 수행될 수 있다. 시스템은 방법(1000)의 하나 이상의 단계를 수행하는 검사 시스템(예를 들어, 도 6의 검사 시스템(610))을 포함할 수 있다. 예를 들어, 검사 시스템은 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 상이한 영역을 이미징하기 위해 전자 빔 툴(예를 들어, 도 1의 전자 빔 툴(104))을 사용할 수 있다.
단계(1001)에서, 시스템(예를 들어, 도 6의 시스템(600))은 포토레지스트 층이 현상된 후에 웨이퍼의 피처의 이미지의 제1 세트를 얻을 수 있다. 시스템은 이미지 획득기(예를 들어, 도 1의 이미지 획득기(200))를 사용하여 현상된 웨이퍼의 세그먼트의 부분(예를 들어, 도 4의 부분(404) 참조)을 이미징할 수 있다. 이미지 획득기는 전자 빔 툴의 검출기(예를 들어, 도 1의 검출기(144))로부터 신호를 수신하고 이미지를 구성함으로써, 현상된 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 부분의 이미지를 획득할 수 있다. 이미징될 현상 후 웨이퍼의 부분은 잠재적으로 웨이퍼를 손상시키는 것을 피하기 위한 시도로 최소화된다. 현상 후 이미지의 예는 도 5의 이미지(502)에 제공된다.
단계(1003)에서, 시스템(예를 들어, 도 6의 시스템(600))은 웨이퍼가 에칭된 후에 웨이퍼의 피처의 제2 세트의 이미지를 얻을 수 있다. 시스템은 이미지 획득기(예를 들어, 도 1의 이미지 획득기(200))를 사용하여 현상된 웨이퍼(예를 들어, 도 4의 402 참조)의 이미징된 부분에 대응하는 에칭된 웨이퍼의 세그먼트를 이미징할 수 있다. 이미지 획득기는 전자 빔 툴의 검출기(예를 들어, 도 1의 검출기(144))로부터 신호를 수신하고 이미지를 구성하여, 에칭된 웨이퍼(예를 들어, 도 1의 웨이퍼(150))의 세그먼트의 이미지를 획득할 수 있다. 에칭 후 이미지의 예는 도 5의 이미지(504)에 제공된다. 에칭 후 이미지는 웨이퍼에 대한 잠재적인 손상을 최소화하기 위해 세그먼트의 일부만을 덮는 현상 후 이미지보다 웨이퍼 세그먼트를 더 많이 덮는다. 위에서 언급한 바와 같이 에칭 후 이미지는 머신 러닝 모델을 트레이닝하고 에칭 후 웨이퍼의 예측 이미지를 생성하는 데 모두 사용되는 반면 현상 후 이미지는 머신 러닝 모델을 트레이닝하는 데만 사용된다.
단계(1005)에서, 시스템은 제1 및 제2 이미지 세트를 사용하여 머신 러닝 모델을 트레이닝할 수 있다. 검사 시스템을 포함하는 시스템은 또한 모델 트레이닝 서버(예를 들어, 도 6의 모델 트레이닝 서버(620))를 포함할 수 있다. 모델 트레이닝 서버는 웨이퍼를 수신하기 위한 프로세서(예: 도 6의 프로세서(622)), 저장소(예: 도 6의 저장소(624)), 검사 시스템(예를 들어, 도 6의 검사 시스템(610))으로부터의 웨이퍼 이미지를 수신하기 위한 통신 인터페이스(예: 도 6의 통신 인터페이스(626))를 포함할 수 있다. 프로세서는 수신된 웨이퍼 이미지를 분석하고 CNN(예를 들어, 도 7a의 CNN(700A))을 적용함으로써 웨이퍼의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 이미지를 변환하도록 구성될 수 있다. 프로세서는 또한 에칭 후 이미지와 관련된 시각적 특징을 현상 후 이미지와 관련된 시각적 특징에 매핑하도록 구성될 수 있다. 프로세서는 에칭 후 이미지로부터 현상 후 이미지를 구성하기 위해 매핑을 사용함으로써 CNN 인코더를 트레이닝시키도록 구성될 수 있다. 웨이퍼 이미지의 트레이닝된 피처는 구성에서 추출되어 CNN 디코더에 입력될 수 있다. 프로세서는 웨이퍼 이미지의 트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정할 수 있다. 즉, CNN 디코더의 가중치는 현상 후 이미지와 구성된 현상 후 이미지의 차이가 최소화되도록 조정된다. 트레이닝 데이터는 저장소에 저장될 수 있다.
단계(1007)에서, 시스템은 웨이퍼에 대한 포토레지스트 층 도포에 기초한 대략적인 피처의 제3 세트의 이미지를 생성할 수 있으며, 여기서 대략적인 피처는 포토레지스트 층의 현상 후 SEM 이미징에 의해 유도된 손상을 배제한다. 시스템은 현상된 웨이퍼의 세그먼트의 다른 부분(예를 들어, 도 4의 부분(406) 참조)의 예측 이미지를 생성하기 위해 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용할 수 있다. 검사 시스템 및 모델 트레이닝 서버를 포함하는 시스템은 또한 이미지 예측 서버(예를 들어, 도 6의 이미지 예측 서버(630))를 포함할 수 있다. 검사 시스템, 모델 트레이닝 서버 및 이미지 예측 서버는 물리적으로(예: 케이블에 의해) 또는 원격으로 서로 전기적으로 연결될 수 있다. 이미지 예측 서버는 웨이퍼를 수신하기 위한 프로세서(예: 도 6의 프로세서(632)), 저장소(예: 도 6의 저장소(634)), 검사 시스템(예를 들어, 도 6의 검사 시스템(610))으로부터의 웨이퍼 이미지를 수신하기 위한 통신 인터페이스(예: 도 6의 통신 인터페이스(636))를 포함할 수 있다. 프로세서는 수신된 웨이퍼 이미지를 분석하고 CNN(예를 들어, 도 8a의 CNN 800A)을 적용함으로써 웨이퍼의 시각적 특징을 포함하는 하나 이상의 피처 맵으로 이미지를 변환하도록 구성될 수 있다. 프로세서는 또한 트레이닝을 위해 사용되는 에칭 후 이미지와 상이한 에칭 후 이미지와 연관된 시각적 특징을 추출하기 위해 CNN 인코더를 사용하도록 구성될 수 있다. 추출에는 에칭 후 이미지에서 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 것이 포함된다. 프로세서는 추출된 시각적 특징에서 사용된 트레이닝된 피처를 식별하고 트레이닝된 피처를 CNN 디코더에 입력할 수 있다. 그 다음, 프로세서는 검사 시스템으로부터 수신된 에칭 후 이미지에 대응하는 현상 후 웨이퍼의 예측 이미지를 생성할 수 있다. 예측 데이터는 저장소에 저장될 수 있다. 예측 이미지의 예는 도 5의 이미지(506)에 제공된다.
단계(1009)에서, 시스템은 웨이퍼에 대한 SEM 손상의 통계적 특성화를 생성하기 위해 제1, 제2 및 제3 이미지 세트에 기초하여 통계 분석을 수행할 수 있다. 시스템(예를 들어, 도 6의 시스템(600))은 제1, 제2 및 제3 세트의 이미지로부터 웨이퍼의 특징을 측정함으로써 통계적 분석을 수행할 수 있다. 통계적 분석의 예는 도 3의 분포도에 의해 제공된다. 예를 들어, 통계적 분석은 웨이퍼의 SEM 이미지로부터 획득된 임계 치수의 분포도를 포함할 수 있다. 제1 분포(예를 들어, 도 3의 분포(302))는 에칭 후에 획득된 SEM 이미지로부터 웨이퍼의 임계 치수의 측정을 나타낼 수 있지만 현상 후 어떠한 SEM 검사도 하지 않는다. 에칭 후 웨이퍼의 SEM 검사는 웨이퍼에 영향을 미치지 않을 수 있으므로 제1 분포의 측정값은 현상 후 손상되지 않은 웨이퍼의 측정값을 나타낸다. 제2 분포(예를 들어, 도 3의 분포(304))는 에칭 후 및 현상 후 SEM 검사 후에 획득된 SEM 이미지로부터 웨이퍼의 임계 치수의 측정치를 나타낼 수 있다. 현상 후 웨이퍼의 SEM 검사는 웨이퍼에 영향을 미치고 손상을 줄 수 있으므로 2차 분포 측정도 현상 후 웨이퍼의 SEM 검사에 영향을 받ㄴ는다. 제2 분포는 제1 분포에서 이동될 수 있다. 제3 분포(예를 들어, 도 3의 분포(306))는 제1 분포를 복제하는 방식으로 제2 분포로부터 샘플링된 SEM 이미지로부터 웨이퍼의 임계 치수의 측정치를 나타낼 수 있다. 제3 분포는 제1 분포보다 더 적은 수의 포인트를 가질 수 있지만 제1 및 제3 분포의 임계 치수는 동일할 수 있다. 제3 분포의 에칭 후 SEM 이미지와 해당하는 현상 후 쌍(after-development pairs)을 사용하여 머신 러닝 모델을 트레이닝할 수 있다. 따라서, 제3 분포로부터 에칭 후 획득된 SEM 이미지를 이용한 머신 러닝 모델은 SEM에 의한 손상 없이 현상 후 웨이퍼의 SEM 이미지를 정확하게 생성할 수 있다.
실시예는 다음 항을 사용하여 추가로 설명될 수 있다:
1. 웨이퍼를 검사하는 방법으로서,
웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼를 획득하는 단계;
현상된 웨이퍼의 세그먼트의 부분을 이미징하는 단계;
웨이퍼가 에칭된 후 웨이퍼를 획득하는 단계;
에칭된 웨이퍼의 세그먼트를 이미징하는 단계; 및
현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 머신 모델을 트레이닝하는 단계를 포함하는, 방법.
2. 제 1 항에 있어서, 에칭된 웨이퍼의 이미징된 세그먼트는 복수의 이미지를 포함하는, 방법.
3. 제 1 항 또는 제 2 항에 있어서, 현상된 웨이퍼의 이미징된 부분은 복수의 이미지를 포함하는 방법.
4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서, 머신 러닝 모델을 트레이닝하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 에칭된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
CNN을 적용하여 현상된 웨이퍼의 이미징된 부분을 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 웨이퍼의 이미징된 부분의 시각적 특징을 포함함 - 으로 변환하는 단계;
에칭된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 현상된 웨이퍼의 이미징된 부분과 연관된 시각적 특징에 매핑하는 단계;
에칭된 웨이퍼의 이미징된 세그먼트로부터 현상된 웨이퍼의 이미징된 부분을 구성하기 위해 매핑을 사용하여 CNN 인코더를 트레이닝하는 단계;
구성에서 트레이닝된 피처를 추출하는 단계,
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 방법.
5. 제 4 항에 있어서, 시각적 특징을 매핑하는 단계는, 현상된 웨이퍼의 이미징된 부분과 연관된 시각적 특징을 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분과 관련된 시각적 특징으로 매핑하는 단계를 포함하는, 방법.
6. 제 5 항에 있어서, 현상된 웨이퍼의 이미징된 부분은 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분에 대응하는, 방법.
7. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 에칭된 웨이퍼의 이미징된 세그먼트의 제2 부분을 사용하는 단계를 포함하는, 방법.
8. 제 7 항에 있어서, 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분은 에칭된 웨이퍼의 이미징된 세그먼트의 제2 부분과 상이한, 방법.
9. 제 1 항 내지 제 8 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 에칭된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
CNN 인코더를 사용하여 에칭된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출 - 추출은 에칭된 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 것을 포함함 - 하는 단계 ;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하는 단계를 포함하는, 방법.
10. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 방법.
11. 제 10 항에 있어서, 각각의 머신 러닝 모델은 웨이퍼의 상이한 세그먼트에 대응하는, 방법.
12. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 하나의 머신 러닝 모델 및 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 포함하는, 방법.
13. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는, 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하는 단계를 포함하는, 방법.
14. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서, 웨이퍼는 제1 웨이퍼인, 방법.
15. 제 14 항에 있어서,
제2 웨이퍼가 에칭된 후 제2 웨이퍼를 획득하는 단계;
에칭된 제2 웨이퍼의 세그먼트를 이미징하는 단계; 및
제2 웨이퍼에 도포된 포토레지스트가 현상된 후 제2 웨이퍼의 세그먼트의 예측 이미지를 생성하기 위해 제2 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하는 단계를 포함하는, 방법.
16. 제 14 항 또는 제 15 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 에칭된 제2 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 제2 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 에칭된 제2 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출 - 추출은 에칭된 제2 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 층을 사용하는 것을 포함함 - 하는 단계;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 제2 웨이퍼의 세그먼트에 대한 예측 이미지를 생성하는 단계를 포함하는, 방법.
17. 머신 러닝 모델을 트레이닝하는 방법으로서,
웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼 세그먼트의 부분에 대한 제1 이미지 세트를 머신 러닝 모델에 입력하는 단계;
웨이퍼가 에칭된 후 웨이퍼 세그먼트의 제2 이미지 세트를 머신 러닝 모델에 입력하는 단계; 및
제1 및 제2 이미지 세트에 기초하여 머신 러닝 모델 - 트레이닝된 머신 러닝 모델은 현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하도록 구성됨 - 의 가중치를 조정하는 단계를 포함하는, 방법
18. 제 17 항에 있어서,
컨볼루션 신경망(CNN)을 적용함으로써 에칭된 웨이퍼의 세그먼트의 제2 세트의 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 세그먼트의 제2 이미지 세트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN을 적용하여 현상된 웨이퍼 부분의 이미지의 제1 세트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 웨이퍼 부분의 이미지의 제1 세트의 시각적 특징을 포함함 - 으로 변환하는 단계;
에칭된 웨이퍼의 세그먼트의 이미지의 제2 세트와 연관된 시각적 특징을 현상된 웨이퍼의 부분의 이미지의 제1 세트와 연관된 시각적 특징에 매핑하는 단계;
매핑을 사용하여 CNN 인코더를 트레이닝시켜 에칭된 웨이퍼의 세그먼트의 이미지의 제2 세트로부터 현상된 웨이퍼 부분의 이미지의 제1 세트를 구성하는 단계;
구성에서 트레이닝된 피처를 추출하는 단계,
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 방법.
19. 제 18 항에 있어서, 시각적 특징들을 매핑하는 단계는, 현상된 웨이퍼의 부분의 이미지들의 세트와 연관된 시각적 특징들을 에칭된 웨이퍼의 세그먼트의 제1 부분의 이미지들의 세트와 연관된 시각적 특징들로 맵핑하는 단계를 포함하는, 방법.
20. 제 19 항에 있어서, 현상된 웨이퍼의 부분의 이미지들의 제1 세트는 에칭된 웨이퍼의 세그먼트의 제1 부분의 이미지들의 제2 세트에 대응하는, 방법.
21. 웨이퍼를 검사하기 위한 하전 입자 멀티 빔 시스템으로서,
컨트롤러를 포함하고, 컨트롤러는:
웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼의 세그먼트의 부분을 이미징하고;
웨이퍼가 에칭된 후 웨이퍼의 세그먼트를 이미징하고;
현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 이미징된 부분을 사용하여 머신 러닝 모델을 트레이닝하도록 하는 회로를 포함하는, 시스템.
22. 제 21 항에 있어서, 에칭된 웨이퍼의 이미징된 세그먼트는 복수의 이미지를 포함하는, 시스템.
23. 제 21 항 또는 제 22 항에 있어서, 현상된 웨이퍼의 이미징된 부분은 복수의 이미지를 포함하는, 시스템.
24. 제 21 항 내지 제 23 항 중 어느 한 항에 있어서, 머신 러닝 모델을 트레이닝하는 방법은:
컨볼루션 신경망(CNN)을 적용하여, 에칭된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN을 적용하여, 현상된 웨이퍼의 이미징된 부분을 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 웨이퍼의 이미징된 부분의 시각적 특징을 포함함 - 으로 변환하는 단계;
에칭된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 현상된 웨이퍼의 이미징된 부분과 연관된 시각적 특징에 매핑하는 단계;
매핑을 사용하여, 에칭된 웨이퍼의 이미징된 세그먼트로부터 현상된 웨이퍼의 이미징된 부분을 구성하도록 CNN 인코더를 트레이닝하는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 시스템.
25. 제 24 항에 있어서, 시각적 특징을 맵핑하는 단계는, 현상된 웨이퍼의 이미징된 부분과 연관된 시각적 특징을 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분과 연관된 시각적 특징에 맵핑하는 단계를 포함하는, 시스템.
26. 제 25 항에 있어서, 현상된 웨이퍼의 이미징된 부분은 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분에 대응하는, 시스템.
27. 제 21 항 내지 제 25 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 에칭된 웨이퍼의 이미징된 세그먼트의 제2 부분을 사용하는 단계를 포함하는, 시스템.
28. 제 27 항에 있어서, 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분은 에칭된 웨이퍼의 이미징된 세그먼트의 제2 부분과 상이한, 시스템.
29. 제 21 항 내지 제 28 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 에칭된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
CNN 인코더를 사용하여 에칭된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출 - 추출은 에칭된 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 것을 포함함 - 하는 단계 ;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하는 단계를 포함하는, 시스템.
30. 제 21 항 내지 제 29 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 시스템.
31. 제 30 항에 있어서, 각각의 머신 러닝 모델은 웨이퍼의 상이한 세그먼트에 대응하는, 시스템.
32. 제 21 항 내지 제 29 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 하나의 머신 러닝 모델 및 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 포함하는, 시스템.
33. 제 21 항 내지 제 29 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하는 단계를 포함하는, 시스템.
34. 제 21 항 내지 제 26 항 중 어느 한 항에 있어서, 웨이퍼는 제1 웨이퍼인 시스템.
35. 제 34 항에 있어서,
제2 웨이퍼가 에칭된 후 제2 웨이퍼를 획득하는 단계;
에칭된 제2 웨이퍼의 세그먼트를 이미징하는 단계; 및
제2 웨이퍼에 도포된 포토레지스트가 현상된 후 제2 웨이퍼의 세그먼트의 예측 이미지를 생성하기 위해 제2 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하는 단계를 포함하는, 시스템.
36. 제 34 항 또는 제 35 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 에칭된 제2 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 제2 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 에칭된 제2 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출 - 추출은 에칭된 제2 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 층을 사용하는 것을 포함함 - 하는 단계;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 제2 웨이퍼의 세그먼트에 대한 예측 이미지를 생성하는 단계를 포함하는, 시스템.
37. 컴퓨팅 장치로 하여금 웨이퍼를 검사하기 위한 방법을 수행하게 하기 위해 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 실행 가능한 명령어 세트를 저장하는 비일시적 컴퓨터 판독가능 매체로서, 방법은:
웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼 세그먼트의 부분을 이미징하는 단계;
웨이퍼가 에칭된 후 웨이퍼의 세그먼트를 이미징하는 단계;
현상된 웨이퍼의 이미징된 부분과 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 머신 러닝 모델을 트레이닝하는 단계; 및
현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하기 위해 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
38. 제 37 항에 있어서, 에칭된 웨이퍼의 이미징된 세그먼트는 복수의 이미지를 포함하는, 비일시적 컴퓨터 판독가능 매체.
39. 제 37 항 및 제 38 항 중 어느 한 항에 있어서, 현상된 웨이퍼의 이미징된 부분은 복수의 이미지를 포함하는, 비일시적 컴퓨터 판독가능 매체.
40. 제 37 항 내지 제 39 항 중 어느 한 항에 있어서,
머신 러닝 모델을 트레이닝하는 방법은:
컨볼루션 신경망(CNN)을 적용하여, 에칭된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN을 적용하여, 현상된 웨이퍼의 이미징된 부분을 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 웨이퍼의 이미징된 부분의 시각적 특징을 포함함 - 으로 변환하는 단계;
에칭된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 현상된 웨이퍼의 이미징된 부분과 연관된 시각적 특징에 매핑하는 단계;
매핑을 사용하여, 에칭된 웨이퍼의 이미징된 세그먼트로부터 현상된 웨이퍼의 이미징된 부분을 구성하도록 CNN 인코더를 트레이닝하는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 방법.
41. 제 40 항에 있어서, 시각적 특징을 맵핑하는 단계는 현상된 웨이퍼의 이미징된 부분과 연관된 시각적 특징을 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분과 연관된 시각적 특징에 맵핑하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
42. 제 41 항에 있어서, 현상된 웨이퍼의 이미징된 부분은 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분에 대응하는, 비일시적 컴퓨터 판독 가능 매체.
43. 제 37 항 내지 제 42 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 에칭된 웨이퍼의 이미징된 세그먼트의 제2 부분을 사용하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
44. 제 43 항에 있어서, 에칭된 웨이퍼의 이미징된 세그먼트의 제1 부분은 에칭된 웨이퍼의 이미징된 세그먼트의 제2 부분과 상이한, 비일시적 컴퓨터 판독가능 매체.
45. 제 37 항 내지 제 44 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 에칭된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
CNN 인코더를 사용하여 에칭된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출 - 추출은 에칭된 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 것을 포함함 - 하는 단계 ;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
46. 제 37 항 내지 제 45 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 비일시적 컴퓨터 판독가능 매체.
47. 제 46 항에 있어서, 각각의 머신 러닝 모델은 웨이퍼의 상이한 세그먼트에 대응하는, 비일시적 컴퓨터 판독가능 매체.
48. 제 37 항 내지 제 45 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 하나의 머신 러닝 모델 및 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
49. 제 37 항 내지 제 45 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 현상된 웨이퍼의 세그먼트의 다른 부분의 예측 이미지를 생성하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
50. 제 37 항 내지 제 42 항 중 어느 한 항에 있어서, 웨이퍼는 제1 웨이퍼인, 비일시적 컴퓨터 판독가능 매체.
51. 제 50 항에 있어서,
제2 웨이퍼가 에칭된 후 제2 웨이퍼를 획득하는 단계;
에칭된 제2 웨이퍼의 세그먼트를 이미징하는 단계; 및
제2 웨이퍼에 도포된 포토레지스트가 현상된 후 제2 웨이퍼의 세그먼트의 예측 이미지를 생성하기 위해 제2 에칭된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
52. 제 50 항 또는 제 51 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 에칭된 제2 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 제2 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 에칭된 제2 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출 - 추출은 에칭된 제2 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 층을 사용하는 것을 포함함 - 하는 단계;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 제2 웨이퍼의 세그먼트에 대한 예측 이미지를 생성하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
53. SEM 이미지를 생성하는 방법으로서,
웨이퍼가 에칭된 후 웨이퍼의 피처의 제1 이미지를 획득하는 단계;
트레이닝된 머신 러닝 모델로 제1 이미지를 분석하는 단계; 및
머신 러닝 모델을 사용하여, 제1 이미지의 피처에 대응하는 웨이퍼에 대한 포토레지스트 도포에 기반한 피처의 이미지를 생성하는 단계를 포함하는, 방법.
54. 제 53 항에 있어서, 머신 러닝 모델은 웨이퍼의 피처에 대한 복수의 이미지에 기반하여 트레이닝되고;
복수의 이미지는 포토레지스트가 웨이퍼에 도포된 후의 피처의 이미지 및 웨이퍼가 에칭된 후의 대응하는 피처의 이미지를 포함하는, 방법.
55. 제 54 항에 있어서, 컨볼루션 신경망(CNN)을 적용하여, 에칭된 웨이퍼의 피처의 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN을 적용하여, 포토레지스트가 웨이퍼에 도포된 후 대응하는 피처의 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 포토레지스트가 웨이퍼에 도포된 후의 피처의 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
에칭된 웨이퍼의 이미지와 연관된 시각적 특징을 포토레지스트가 웨이퍼에 도포된 후의 피처의 이미지와 연관된 시각적 특징에 매핑하는 단계;
매핑을 사용하여, 에칭된 웨이퍼의 이미지로부터 포토레지스트가 웨이퍼에 도포된 후의 피처의 이미지를 구성하도록 CNN 인코더를 트레이닝하는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계에 의해 머신 러닝 모델을 트레이닝하는 방법을 더 포함하는, 방법.
56. 제 54 항 또는 제 55 항에 있어서, 제1 이미지는 머신 러닝 모델을 트레이닝하는 데 사용되는 웨이퍼의 부분과 상이한 웨이퍼의 부분을 포함하는, 방법.
57. 제 53 항 내지 제 56 항 중 어느 한 항에 있어서, 머신 러닝 모델은,
컨볼루션 신경망(CNN)을 적용하여 제1 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 제1 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여, 제1 이미지와 연관된 시각적 특징을 추출하는 단계 - 추출은 제1 이미지로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어(convolutional pooling layer)를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계; 및
트레이닝된 피처를 CNN 디코더에 입력하는 단계를 포함하는, 방법.
58. 제 53 항 내지 제 57 항 중 어느 한 항에 있어서, 제1 이미지는 복수의 이미지를 포함하는, 방법.
59. 제 53 항 내지 제 58 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 방법.
60. 제 59 항에 있어서, 각각의 머신 러닝 모델은 웨이퍼의 상이한 부분에 대응하는, 방법.
61. 제 53 항 내지 제 58 항 중 어느 한 항에 있어서, 머신 러닝 모델은 하나의 머신 러닝 모델에 의해 수행되고, 방법은 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 더 포함하는, 방법.
62. 제 53 항 내지 제 55 항 중 어느 한 항에 있어서, 웨이퍼는 제1 웨이퍼인, 방법.
63. 제 62 항에 있어서,
제2 웨이퍼가 에칭된 후에 제2 웨이퍼의 피처의 제2 이미지를 획득하는 단계;
트레이닝된 머신 러닝 모델로 제2 이미지를 분석하는 단계; 및
머신 러닝 모델을 사용하여, 제2 이미지의 피처에 대응하는, 제2 웨이퍼에 대한 포토레지스트 도포에 기반한 피처의 이미지를 생성하는 단계를 더 포함하는, 방법.
64. 제 63 항에 있어서,
제2 이미지의 머신 러닝 모델은, 컨볼루션 신경망(CNN)을 적용하여 제2 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 제2 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여, 제2 이미지와 연관된 시각적 특징을 추출하는 단계 - 추출은 제2 이미지로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어(convolutional pooling layer)를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계; 및
트레이닝된 피처를 CNN 디코더에 입력하는 단계를 포함하는, 방법.
65. 포토레지스트 층의 현상 후 SEM 이미징에 의해 유도된 웨이퍼의 포토레지스트 층 손상에 의해 야기된 웨이퍼 손상을 특징짓는 방법으로서,
포토레지스트 층이 현상된 후 웨이퍼의 피처에 대한 제1 세트의 이미지를 얻는 단계;
웨이퍼가 에칭된 후 웨이퍼의 피처에 대한 제2 세트의 이미지를 획득하는 단계;
제1 및 제2 이미지 세트를 사용하여 머신 러닝 모델을 트레이닝하는 단계;
웨이퍼에 대한 포토레지스트 층 적용을 기반으로 하는 대략적인 피처 - 대략적인 피처는 포토레지스트 층의 현상 후 SEM 이미징에 의해 유도된 손상을 제외함 - 의 제3 세트의 이미지를 생성하는 단계; 및
웨이퍼에 대한 SEM 손상의 통계적 특성화를 생성하기 위해 제1, 제2 및 제3 이미지 세트에 기초하여 통계 분석을 수행하는 단계를 포함하는, 방법.
66. 제 65 항에 있어서, 제1 이미지 세트는 웨이퍼의 부분을 포함하고, 제2 이미지 세트의 서브세트는 웨이퍼의 동일한 부분을 포함하는, 방법.
67. 제 66 항에 있어서, 머신 러닝 모델을 트레이닝하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 제2 이미지 세트의 서브세트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 제2 이미지 세트의 서브세트의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
CNN을 적용하여 이미지의 제1 세트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 이미지의 제1 세트의 시각적 특징을 포함함 - 으로 변환하는 단계;
제2 이미지 세트의 서브세트와 연관된 시각적 특징을 제1 이미지 세트와 연관된 시각적 특징에 매핑하는 단계;
매핑을 사용해 CNN 인코더를 트레이닝하여 제2 이미지 세트의 서브세트로부터 제1 이미지 세트를 구성하는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 방법.
68. 제 66 항 또는 제 67 항에 있어서, 제3 세트의 이미지는 제1 및 제2 세트의 이미지의 서브세트 내의 웨이퍼의 부분과 상이한 웨이퍼의 부분을 포함하는, 방법.
69. 제 66 항 내지 제 68 항 중 어느 한 항에 있어서, 제3 이미지 세트를 생성하는 단계는,
CNN(Convolutional Neural Network)을 적용하여 머신 러닝 모델을 트레이닝하는 데 사용되는 제2 이미지 세트의 서브세트와 상이한 제2 이미지 세트의 서브세트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 제2 이미지 세트의 서브세트에 대한 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 이미지의 제2 세트의 서브세트와 연관된 시각적 특징을 추출하는 단계 - 추출은 이미지의 제2 세트의 서브세트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계; 및
트레이닝된 피처를 CNN 디코더에 입력하는 단계를 포함하고, 제3 세트의 이미지를 생성하는 단계는 제2 세트의 이미지의 서브세트에 기초하는, 방법.
70. 제 65 항 내지 제 69 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 방법.
71. 제 70 항에 있어서, 각각의 머신 러닝 모델은 웨이퍼의 상이한 부분에 대응하는, 방법.
72. 제 65 항 내지 제 69 항 중 어느 한 항에 있어서, 제3 세트의 이미지를 생성하는 단계는 하나의 머신 러닝 모델 및 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 포함하는, 방법.
73. 제 9 항 내지 제 13 항, 제 15 항 내지 제 20 항 또는 제 35 항 내지 제 36 항 중 어느 한 항에 있어서, 머신 러닝 모델은 예측 이미지를 생성하기 위해 출력 계층에서 선형 활성화 함수를 사용하는, 방법.
74. 제 73 항에 있어서, 생성된 예측 이미지는 그레이스케일 값을 제공하는, 방법.
75. 제 29 항 내지 제 33 항 중 어느 한 항에 있어서, 머신 러닝 모델은 예측 이미지를 생성하기 위해 출력 계층에서 선형 활성화 함수를 사용하는, 시스템.
76. 제 75 항에 있어서, 생성된 예측 이미지는 그레이스케일 값을 제공하는, 시스템.
77. 제 37 항 내지 제 52 항 중 어느 한 항에 있어서, 머신 러닝 모델은 예측 이미지를 생성하기 위해 출력 계층에서 선형 활성화 함수를 사용하는, 비일시적 컴퓨터 판독 가능 매체.
78. 제 77 항에 있어서, 생성된 예측 이미지는 그레이스케일 값을 제공하는, 비일시적 컴퓨터 판독 가능 매체.
79. 제 53 항 내지 제 64 항 중 어느 한 항에 있어서, 머신 러닝 모델은 예측 이미지를 생성하기 위해 출력 계층에서 선형 활성화 함수를 사용하는, 방법.
80. 제 79 항에 있어서, 생성된 SEM 이미지는 그레이스케일 값을 제공하는, 방법.
81. 제 65 항 내지 제 72 항 중 어느 한 항에 있어서, 머신 러닝 모델은 제3 세트의 이미지를 생성하기 위해 출력 계층에서 선형 활성화 함수를 사용하는, 방법.
82. 제 81 항에 있어서, 생성된 제3 이미지 세트는 그레이스케일 값을 제공하는, 방법.
83. 웨이퍼를 검사하는 방법으로서,
웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼를 획득하는 단계;
현상된 웨이퍼의 세그먼트를 이미징하는 단계;
웨이퍼가 에칭된 후 웨이퍼를 획득하는 단계;
에칭된 웨이퍼의 세그먼트의 부분을 이미징하는 단계; 및
현상된 웨이퍼의 이미징된 세그먼트와 에칭된 웨이퍼의 이미징된 부분을 사용하여 머신 러닝 모델을 트레이닝하는 단계를 포함하는, 방법.
84. 제 83 항에 있어서, 현상된 웨이퍼의 이미징된 세그먼트는 복수의 이미지를 포함하는, 방법.
85. 제 83 항에 있어서, 에칭된 웨이퍼의 이미징된 부분은 복수의 이미지를 포함하는, 방법.
86. 제 83 항 내지 제 85 항 중 어느 한 항에 있어서, 머신 러닝 모델을 트레이닝하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 현상된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
CNN을 적용하여 에칭된 웨이퍼의 이미징된 부분을 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미징된 부분의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
현상된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 에칭된 웨이퍼의 이미징된 부분과 관련된 시각적 특징에 매핑하는 단계;
현상된 웨이퍼의 이미징된 세그먼트로부터 에칭된 웨이퍼의 이미징된 부분을 구성하기 위해 매핑을 사용하여 CNN 인코더를 트레이닝시키는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 방법.
87. 제 86 항에 있어서, 시각적 특징을 맵핑하는 단계는 에칭된 웨이퍼의 이미징된 부분과 연관된 시각적 특징을 현상된 웨이퍼의 이미징된 세그먼트의 제1 부분과 연관된 시각적 특징에 맵핑하는 단계를 포함하는, 방법.
88. 제 87 항에 있어서, 에칭된 웨이퍼의 이미징된 부분은 현상된 웨이퍼의 이미징된 세그먼트의 제1 부분에 대응하는, 방법.
89. 제 83 항 내지 제 88 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 현상된 웨이퍼의 이미징된 세그먼트의 제2 부분을 사용하는 단계를 포함하는, 방법.
90. 제 89 항에 있어서, 현상된 웨이퍼의 이미징된 세그먼트의 제1 부분은 현상된 웨이퍼의 이미징된 세그먼트의 제2 부분과 상이한, 방법.
91. 제 83 항 내지 제 90 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 현상된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 현상된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출하는 단계 - 추출은 현상된 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 웨이퍼의 세그먼트의 다른 부분의 예측적인 에칭 후 이미지를 생성하는 단계를 포함하는, 방법.
92. 제 83 항 내지 제 91 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 방법.
93. 제 92 항에 있어서, 각각의 머신 러닝 모델은 웨이퍼의 상이한 세그먼트에 대응하는, 방법.
94. 제 83 항 내지 제 91 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 하나의 머신 러닝 모델 및 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 포함하는, 방법.
95. 제 83 항 내지 제 91 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 현상된 웨이퍼의 세그먼트의 다른 부분의 에칭 후 예측 이미지를 생성하기 위해 현상된 웨이퍼의 이미징된 세그먼트를 사용하는 단계를 포함하는, 방법.
96. 제 83 항 내지 제 88 항 중 어느 한 항에 있어서, 웨이퍼는 제1 웨이퍼인, 방법.
97. 제 95 항에 있어서,
제2 웨이퍼에 도포된 포토레지스트가 현상된 후의 제2 웨이퍼를 획득하는 단계;
현상된 제2 웨이퍼의 세그먼트를 이미징하는 단계; 및
제2 웨이퍼에 도포된 포토레지스트가 현상된 후 제2 웨이퍼의 세그먼트에 대한 에칭 후 예측 이미지를 생성하기 위해 제2 현상된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하는 단계를 포함하는, 방법.
98. 제 95 항 또는 제 96 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 현상된 제2 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 제2 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 현상된 제2 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출하는 단계 - 추출은 현상된 제2 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 제2 웨이퍼의 세그먼트에 대한 에칭 후 예측 이미지를 생성하는 단계를 포함하는, 방법.
99. 제 91 항 내지 제 95 항 또는 제 97 항 내지 제 98 항 중 어느 한 항에 있어서, 머신 러닝 모델은 에칭 후 예측 이미지를 생성하기 위해 출력 층에서 시그모이드 활성화 함수를 사용하는, 방법.
100. 제 99 항에 있어서, 에칭 후 예측 이미지는 이진화되는, 방법.
101. 머신 러닝 모델을 트레이닝하는 방법으로서,
제1 웨이퍼에 도포된 포토레지스트가 현상된 후 제1 웨이퍼 세그먼트의 제1 이미지 세트를 머신 러닝 모델에 입력하는 단계;
제1 웨이퍼가 에칭된 후 제1 웨이퍼의 세그먼트의 부분에 대한 제2 세트의 이미지를 머신 러닝 모델에 입력하는 단계; 및
제1 및 제2 이미지 세트에 기초하여 머신 러닝 모델의 가중치를 조정하는 단계를 포함하고, 트레이닝된 머신 러닝 모델은 제2 웨이퍼의 에칭 후 예측 이미지를 생성하도록 구성되는, 방법.
102. 제 101 항에 있어서,
컨볼루션 신경망(CNN)을 적용하여 현상된 제1 웨이퍼의 세그먼트의 제1 이미지 세트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 제1 웨이퍼의 세그먼트의 제1 이미지 세트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN을 적용함으로써 에칭된 제1 웨이퍼의 부분의 이미지의 제2 세트를 하나 이상의 피처 맵으로 변환하는 단계 - 하나 이상의 피처 맵은 에칭된 제1 웨이퍼의 부분의 이미지의 제2 세트의 시각적 특징을 포함함 -;
현상된 제1 웨이퍼의 세그먼트의 제1 세트의 이미지와 연관된 시각적 특징을 에칭된 제1 웨이퍼의 부분의 제2 세트의 이미지와 연관된 시각적 특징으로 매핑하는 단계;
매핑을 사용하여 CNN 인코더를 트레이닝하여 현상된 제1 웨이퍼의 세그먼트의 제1 세트의 이미지로부터 에칭된 제1 웨이퍼의 부분의 제2 세트의 이미지를 구성하는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 방법.
103. 제 102 항에 있어서, 시각적 특징을 매핑하는 단계는 에칭된 제1 웨이퍼의 부분의 이미지 세트와 연관된 시각적 특징을 현상된 제1 웨이퍼의 세그먼트의 제1 부분의 이미지 세트와 연관된 시각적 특징에 매핑하는 단계를 포함하는, 방법.
104. 제 103 항에 있어서, 에칭된 웨이퍼의 부분의 이미지의 제2 세트는 제1 현상된 웨이퍼의 세그먼트의 제1 부분의 이미지의 제1 세트에 대응하는, 방법.
105. 제 101 항 내지 제 104 항 중 어느 한 항에 있어서, 머신 러닝 모델은 에칭 후 예측 이미지를 생성하기 위해 출력 층에서 시그모이드 활성화 함수를 사용하는, 방법.
106. 제 105 항에 있어서, 에칭 후 예측 이미지는 이진화되는, 방법.
107. 검사를 위한 하전 입자 멀티 빔 시스템으로서,
컨트롤러를 포함하고, 컨트롤러는:
웨이퍼에 도포된 포토레지스트가 현상된 후 웨이퍼의 세그먼트를 이미징하고;
웨이퍼가 에칭된 후 웨이퍼의 세그먼트의 부분을 이미징하고;
현상된 웨이퍼의 이미징된 세그먼트와 에칭된 웨이퍼의 세그먼트의 이미징된 부분을 사용하여 머신 러닝 모델을 트레이닝하도록 하는 회로를 포함하는, 시스템.
108. 제 107 항에 있어서, 현상된 웨이퍼의 이미징된 세그먼트는 복수의 이미지를 포함하는, 시스템.
109. 제 107 항 내지 제 108 항 중 어느 한 항에 있어서, 에칭된 웨이퍼의 이미징된 부분은 복수의 이미지를 포함하는, 시스템.
110. 제 107 항 내지 제 109 항 중 어느 한 항에 있어서, 머신 러닝 모델을 트레이닝하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 현상된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
CNN을 적용하여 에칭된 웨이퍼의 이미징된 부분을 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미징된 부분의 시각적 특징을 포함함 - 으로 변환하는 단계 ;
현상된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 에칭된 웨이퍼의 이미징된 부분과 관련된 시각적 특징에 매핑하는 단계;
현상된 웨이퍼의 이미징된 세그먼트로부터 에칭된 웨이퍼의 이미징된 부분을 구성하기 위해 매핑을 사용하여 CNN 인코더를 트레이닝시키는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 방법.
111. 제 110 항에 있어서, 시각적 특징을 맵핑하는 단계는 에칭된 웨이퍼의 이미징된 부분과 연관된 시각적 특징을 현상된 웨이퍼의 이미징된 세그먼트의 제1 부분과 연관된 시각적 특징에 맵핑하는 단계를 포함하는, 시스템.
112. 제 111 항에 있어서, 에칭된 웨이퍼의 이미징된 부분은 현상된 웨이퍼의 이미징된 세그먼트의 제1 부분에 대응하는, 시스템.
113. 제 107 항 내지 제 112 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 현상된 웨이퍼의 이미징된 세그먼트의 제2 부분을 사용하는 단계를 포함하는, 시스템.
114. 제 113 항에 있어서, 현상된 웨이퍼의 이미징된 세그먼트의 제1 부분은 현상된 웨이퍼의 이미징된 세그먼트의 제2 부분과 상이한, 시스템.
115. 제 107 항 내지 제 114 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 현상된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 현상된 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출하는 단계 - 추출은 현상된 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 웨이퍼의 세그먼트의 다른 부분의 예측적인 에칭 후 이미지를 생성하는 단계를 포함하는, 시스템.
116. 제 107 항 내지 제 115 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 시스템.
117. 제 116 항에 있어서, 각각의 머신 러닝 모델은 웨이퍼의 상이한 세그먼트에 대응하는, 시스템.
118. 제 107 항 내지 제 115 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 하나의 머신 러닝 모델 및 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 포함하는, 시스템.
119. 제 107 항 내지 제 115 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 현상된 웨이퍼의 세그먼트의 다른 부분의 에칭 후 예측 이미지를 생성하기 위해 현상된 웨이퍼의 이미징된 세그먼트를 사용하는 단계를 포함하는, 시스템.
120. 제 107 항 내지 제 112 항 중 어느 한 항에 있어서, 웨이퍼는 제1 웨이퍼인, 시스템.
121. 제 120 항에 있어서,
제2 웨이퍼에 도포된 포토레지스트가 현상된 후의 제2 웨이퍼를 획득하는 단계;
현상된 제2 웨이퍼의 세그먼트를 이미징하는 단계; 및
제2 웨이퍼에 도포된 포토레지스트가 현상된 후 제2 웨이퍼의 세그먼트에 대한 에칭 후 예측 이미지를 생성하기 위해 제2 현상된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하는 단계를 포함하는, 시스템.
122. 제 120 항 또는 제 121 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 현상된 제2 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 제2 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 현상된 제2 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출하는 단계 - 추출은 현상된 제2 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 제2 웨이퍼의 세그먼트에 대한 에칭 후 예측 이미지를 생성하는 단계를 포함하는, 시스템.
123. 제 115 항 내지 제 119 항 또는 제 121 항 내지 제 122 항 중 어느 한 항에 있어서, 머신 러닝 모델은 에칭 후 예측 이미지를 생성하기 위해 출력 층에서 시그모이드 활성화 함수를 사용하는, 시스템.
124. 제 123 항에 있어서, 에칭 후 예측 이미지는 이진화되는, 시스템.
125. 컴퓨팅 장치로 하여금 웨이퍼를 검사하기 위한 방법을 수행하게 하도록 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 실행 가능한 명령어 세트를 저장하는 비일시적 컴퓨터 판독가능 매체로서, 방법은:
제1 웨이퍼에 도포된 포토레지스트가 현상된 후 제1 웨이퍼의 세그먼트를 이미징하는 단계;
제1 웨이퍼가 에칭된 후 제1 웨이퍼의 세그먼트의 부분을 이미징하는 단계;
현상된 제1 웨이퍼의 이미징된 세그먼트와 에칭된 제1 웨이퍼의 이미징된 부분을 사용하여 머신 러닝 모델을 트레이닝하는 단계; 및
현상된 제2 웨이퍼의 이미징된 세그먼트를 사용해 트레이닝된 머신 러닝 모델을 적용하여 현상된 제2 웨이퍼의 에칭 후 예측 이미지를 생성하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
126. 제 125 항에 있어서, 현상된 제1 웨이퍼의 이미징된 세그먼트는 복수의 이미지를 포함하는, 비일시적 컴퓨터 판독가능 매체.
127. 제 125 항 또는 제 126 항에 있어서, 에칭된 제1 웨이퍼의 이미징된 부분은 복수의 이미지를 포함하는, 비일시적 컴퓨터 판독가능 매체.
128. 제 125 항 내지 제 127 항 중 어느 한 항에 있어서, 머신 러닝 모델을 트레이닝하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 제1 현상된 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 제1 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN을 적용함으로써 에칭된 제1 웨이퍼의 이미징된 부분을 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 제1 웨이퍼의 이미징된 부분의 시각적 특징을 포함함 - 으로 변환하는 단계;
현상된 제1 웨이퍼의 이미징된 세그먼트와 관련된 시각적 특징을 에칭된 제1 웨이퍼의 이미징된 부분과 관련된 시각적 특징에 매핑하는 단계;
현상된 제1 웨이퍼의 이미징된 세그먼트로부터 에칭된 제1 웨이퍼의 이미징된 부분을 구성하기 위해 매핑을 사용하여 CNN 인코더를 트레이닝하는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
129. 제 128 항에 있어서, 시각적 특징을 매핑하는 단계는 에칭된 제1 웨이퍼의 이미징된 부분과 연관된 시각적 특징을 현상된 제1 웨이퍼의 이미징된 세그먼트의 제1 부분과 연관된 시각적 특징들로 매핑하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
130. 제 129 항에 있어서, 에칭된 제1 웨이퍼의 이미징된 부분은 현상된 제1 웨이퍼의 이미징된 세그먼트의 제1 부분에 대응하는, 비일시적 컴퓨터 판독가능 매체.
131. 제 125 항 내지 제 130 항 중 어느 한 항에 있어서, 제2 웨이퍼는 제1 웨이퍼이고, 트레이닝된 머신 러닝 모델을 적용하는 단계는 현상된 제1 웨이퍼의 이미징된 세그먼트의 제2 부분을 사용하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
132. 제 131 항에 있어서, 현상된 제1 웨이퍼의 이미징된 세그먼트의 제1 부분은 현상된 제1 웨이퍼의 이미징된 세그먼트의 제2 부분과 상이한, 비일시적 컴퓨터 판독가능 매체.
133. 제 125 항 내지 제 132 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 현상된 제1 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 제1 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 현상된 제1 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출하는 단계 - 추출은 현상된 제1 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 제1 웨이퍼의 세그먼트의 다른 부분의 에칭 후 예측 이미지를 생성하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
134. 제 125 항 내지 제 133 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 비일시적 컴퓨터 판독 가능 매체.
135. 제 134 항에 있어서, 각각의 머신 러닝 모델은 제1 웨이퍼의 상이한 세그먼트에 대응하는, 비일시적 컴퓨터 판독가능 매체.
136. 제 125 항 내지 제 133 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 하나의 머신 러닝 모델 및 제1 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
137. 제 125 항 내지 제 133 항 중 어느 한 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는 현상된 제1 웨이퍼의 이미징된 세그먼트를 사용하여 제1 웨이퍼의 세그먼트의 다른 부분의 에칭 후 예측 이미지를 생성하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
138. 제 125 항 내지 제 130 항 중 어느 한 항에 있어서, 제2 웨이퍼는 제1 웨이퍼와 상이한, 비일시적 컴퓨터 판독가능 매체.
139. 제 138 항에 있어서,
제2 웨이퍼에 도포된 포토레지스트가 현상된 후 제2 웨이퍼를 획득하는 단계;
현상된 제2 웨이퍼의 세그먼트를 이미징하는 단계; 및
제2 웨이퍼에 도포된 포토레지스트가 현상된 후 제2 웨이퍼의 세그먼트에 대한 에칭 후 예측 이미지를 생성하기 위해 제2 현상된 웨이퍼의 이미징된 세그먼트를 사용하여 트레이닝된 머신 러닝 모델을 적용하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
140. 제 138 항 또는 제 139 항에 있어서, 트레이닝된 머신 러닝 모델을 적용하는 단계는,
컨볼루션 신경망(CNN)을 적용하여 현상된 제2 웨이퍼의 이미징된 세그먼트를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 현상된 제2 웨이퍼의 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여 현상된 제2 웨이퍼의 이미징된 세그먼트와 연관된 시각적 특징을 추출하는 단계 - 추출은 현상된 제2 웨이퍼의 이미징된 세그먼트로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
현상된 제2 웨이퍼의 세그먼트에 대한 에칭 후 예측 이미지를 생성하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
141. 제 125 항 내지 제 140 항 중 어느 한 항에 있어서, 머신 러닝 모델은 에칭 후 예측 이미지를 생성하기 위해 출력 계층에서 시그모이드 활성화 함수를 사용하는, 비일시적 컴퓨터 판독 가능 매체.
142. 제 141 항에 있어서, 에칭 후 예측 이미지는 이진화되는, 비일시적 컴퓨터 판독 가능 매체.
143. SEM 이미지를 생성하는 방법으로서,
포토레지스트가 웨이퍼에 도포된 후 웨이퍼의 피처의 제1 이미지를 획득하는 단계;
트레이닝된 머신 러닝 모델로 제1 이미지를 분석하는 단계; 및
머신 러닝 모델을 사용하여, 제1 이미지의 피처에 대응하는 웨이퍼에 대한 에칭 적용에 기반해 피처의 예측 이미지를 생성하는 단계를 포함하는, 방법.
144. 제 143 항에 있어서,
머신 러닝 모델은 웨이퍼의 피처에 대한 복수의 이미지에 기반하여 트레이닝되고;
복수의 이미지는 포토레지스트가 웨이퍼에 도포된 후의 피처의 이미지 및 웨이퍼가 에칭된 후의 대응하는 피처의 이미지를 포함하는, 방법.
145. 제 144 항에 있어서,
컨볼루션 신경망(CNN)을 적용하여, 에칭된 웨이퍼의 피처의 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 에칭된 웨이퍼의 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN을 적용하여, 포토레지스트가 웨이퍼에 도포된 후 대응하는 피처의 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 포토레지스트가 웨이퍼에 도포된 후의 피처의 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
포토레지스트가 웨이퍼에 도포된 후 피처의 이미지와 연관된 시각적 특징을 에칭된 웨이퍼의 이미지와 연관된 시각적 특징에 매핑하는 단계;
포토레지스트가 웨이퍼에 도포된 후 피처의 이미지로부터 웨이퍼가 에칭된 후 피처의 이미지를 구성하기 위해 매핑을 사용하여 CNN 인코더를 트레이닝하는 단계;
구성으로부터 트레이닝된 피처를 추출하는 단계;
트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
트레이닝된 피처에 대해 CNN 디코더를 트레이닝함으로써 CNN 디코더의 가중치를 조정하는 단계에 의해 머신 러닝 모델을 트레이닝하는 방법을 더 포함하는, 방법.
146. 제 144 항 또는 제 145 항에 있어서, 제1 이미지는 머신 러닝 모델을 트레이닝하는 데 사용된 웨이퍼의 부분과 상이한 웨이퍼의 부분을 포함하는, 방법.
147. 제 143 항 내지 제 146 항 중 어느 한 항에 있어서,
머신 러닝 모델은,
컨볼루션 신경망(CNN)을 적용하여 제1 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 제1 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여, 제1 이미지와 연관된 시각적 특징을 추출하는 단계 - 추출은 제1 이미지로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어(convolutional pooling layer)를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계; 및
트레이닝된 피처를 CNN 디코더에 입력하는 단계를 포함하는, 방법.
148. 제 143 항 내지 제 147 항 중 어느 한 항에 있어서, 제1 이미지는 복수의 이미지를 포함하는, 방법.
149. 제 143 항 내지 제 148 항 중 어느 한 항에 있어서, 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 방법.
150. 제 149 항에 있어서, 각각의 머신 러닝 모델은 웨이퍼의 상이한 부분에 대응하는, 방법.
151. 제 143 항 내지 제 148 항 중 어느 한 항에 있어서, 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 더 포함하는, 방법.
152. 제 143 항 내지 제 145 항 중 어느 한 항에 있어서, 웨이퍼는 제1 웨이퍼인, 방법.
153. 제 152 항에 있어서,
웨이퍼에 도포된 포토레지스트가 현상된 후 제2 웨이퍼의 피처의 제2 이미지를 획득하는 단계;
트레이닝된 머신 러닝 모델로 제2 이미지를 분석하는 단계; 및
머신 러닝 분석을 사용하여, 제2 이미지의 피처에 대응하는 제2 웨이퍼에 대한 에칭 적용에 기반해 피처의 예측 이미지를 생성하는 단계를 포함하는, 방법.
154. 제 153 항에 있어서,
제2 이미지의 머신 러닝 모델은,
컨볼루션 신경망(CNN)을 적용하여 제2 이미지를 하나 이상의 피처 맵 - 하나 이상의 피처 맵은 제2 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
CNN 인코더를 사용하여, 제2 이미지와 연관된 시각적 특징을 추출하는 단계 - 추출은 제2 이미지로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어(convolutional pooling layer)를 사용하는 단계를 포함함 -;
추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계; 및
트레이닝된 피처를 CNN 디코더에 입력하는 단계를 포함하는, 방법.
155. 제 143 항 내지 제 154 항 중 어느 한 항에 있어서, 머신 러닝 모델은 출력 계층에서 시그모이드 활성화 함수를 사용하여 생성된 예측 이미지를 계산하는, 방법.
156. 제 155 항에 있어서, 생성된 예측 이미지는 이진화되는, 방법.
157. 제 101 항 내지 제 106 항 중 어느 한 항에 있어서, 세그먼트의 부분은 전체가 세그먼트인, 방법.
본 발명의 실시예들에 따라, 웨이퍼 검사를 제어하기 위한 컨트롤러(예를 들어, 도 1의 컨트롤러(109))의 프로세서에 대한 명령어를 저장하는 비일시적 컴퓨터 판독가능 매체가 제공될 수 있다. 예를 들어, 웨이퍼 검사 프로세스의 단계(예: 현상 후, 에칭 후)에 기초하여, 컨트롤러는 머신 러닝 모델의 트레이닝을 수행하고 트레이닝된 머신 러닝 모델을 실행하여 웨이퍼를 이미징할 수 있다. 비일시적 매체의 일반적인 형태에는 예를 들어 플로피 디스크, 플렉서블 디스크, 하드 디스크, 솔리드 스테이트 드라이브, 자기 테이프 또는 기타 자기 데이터 저장 매체, CD-ROM(Compact Disc Read Only Memory), 기타 광학 데이터 저장 매체, 홀(hole) 패턴이 있는 물리적 매체, RAM(Random Access Memory), PROM(Programmable Read Only Memory) 및 EPROM(Erasable Programmable Read Only Memory), FLASH-EPROM 또는 기타 플래시 메모리, NVRAM(Non-Volatile Random Access Memory), 캐시, 레지스터, 기타 메모리 칩 또는 카트리지, 및 이의 네트워크로 연결된 버전을 포함할 수 있다.
본 명세서에 사용된 바와 같이, 달리 구체적으로 언급되지 않는 한, 용어 "또는"은 실행 불가능한 경우를 제외하고 모든 가능한 조합을 포함한다. 예를 들어, 구성요소가 A 또는 B를 포함할 수 있다고 명시되어 있는 경우, 달리 구체적으로 언급되지 않거나 실행 불가능한 경우를 제외하고 구성요소는 A, 또는 B, 또는 A 및 B를 포함할 수 있다. 두 번째 예로, 구성 요소는 A, B 또는 C를 포함할 수 있으며, 달리 구체적으로 언급되거나 실행 불가능한 경우를 제외하고, 구성 요소는 A, 또는 B, 또는 C, 또는 A와 B, 또는 A와 C, 또는 B와 C, 또는 A, B 및 C를 포함할 수 있다.
본 발명의 실시예는 위에서 설명되고 첨부 도면에 예시된 명확한 구성으로 제한되지 않으며, 본 개시의 범위를 벗어나지 않고 다양한 수정 및 변경이 이루어질 수 있음을 이해할 것이다. 본 발명은 다양한 실시예와 관련하여 설명되었지만, 본 발명의 다른 실시예는 본 명세서에 개시된 본 발명의 설명 및 실시를 고려함으로써 당업자에게 명백할 것이다. 명세서 및 실시예는 단지 예시적인 것으로 간주되어야 하며, 본 발명의 진정한 범위 및 사상은 이하의 청구범위에 기재되어 있다.

Claims (15)

  1. SEM 이미지를 생성하는 방법으로서,
    웨이퍼가 에칭된 후 상기 웨이퍼의 피처의 제1 이미지를 획득하는 단계;
    트레이닝된 머신 러닝 모델로 상기 제1 이미지를 분석하는 단계; 및
    상기 머신 러닝 모델을 사용하여, 상기 제1 이미지의 피처에 대응하는 상기 웨이퍼에 대한 포토레지스트 도포에 기반한 상기 피처의 이미지를 생성하는 단계를 포함하는, 방법.
  2. 제 1 항에 있어서,
    상기 머신 러닝 모델은 상기 웨이퍼의 피처에 대한 복수의 이미지에 기반하여 트레이닝되고;
    상기 복수의 이미지는 포토레지스트가 상기 웨이퍼에 도포된 후의 피처의 이미지 및 상기 웨이퍼가 에칭된 후의 대응하는 피처의 이미지를 포함하는, 방법.
  3. 제 2 항에 있어서,
    컨볼루션 신경망(CNN)을 적용하여, 상기 에칭된 웨이퍼의 상기 피처의 이미지를 하나 이상의 피처 맵 - 상기 하나 이상의 피처 맵은 상기 에칭된 웨이퍼의 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
    상기 CNN을 적용하여, 상기 포토레지스트가 상기 웨이퍼에 도포된 후 상기 대응하는 피처의 이미지를 하나 이상의 피처 맵 - 상기 하나 이상의 피처 맵은 상기 포토레지스트가 상기 웨이퍼에 도포된 후의 상기 피처의 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
    상기 에칭된 웨이퍼의 상기 이미지와 연관된 상기 시각적 특징을 상기 포토레지스트가 상기 웨이퍼에 도포된 후의 상기 피처의 이미지와 연관된 상기 시각적 특징에 매핑하는 단계;
    상기 매핑을 사용하여, 상기 에칭된 웨이퍼의 상기 이미지로부터 상기 포토레지스트가 상기 웨이퍼에 도포된 후의 상기 피처의 이미지를 구성하도록 CNN 인코더를 트레이닝하는 단계;
    상기 구성으로부터 트레이닝된 피처를 추출하는 단계;
    상기 트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
    상기 트레이닝된 피처에 대해 상기 CNN 디코더를 트레이닝함으로써 상기 CNN 디코더의 가중치를 조정하는 단계에 의해 상기 머신 러닝 모델을 트레이닝하는 방법을 더 포함하는, 방법.
  4. 제 2 항에 있어서,
    상기 제1 이미지는 상기 머신 러닝 모델을 트레이닝하는 데 사용되는 상기 웨이퍼의 부분과 상이한 상기 웨이퍼의 부분을 포함하는, 방법.
  5. 제 1 항에 있어서,
    상기 머신 러닝 모델은,
    컨볼루션 신경망(CNN)을 적용하여 상기 제1 이미지를 하나 이상의 피처 맵 - 상기 하나 이상의 피처 맵은 상기 제1 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
    CNN 인코더를 사용하여, 상기 제1 이미지와 연관된 상기 시각적 특징을 추출하는 단계 - 상기 추출은 상기 제1 이미지로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어(convolutional pooling layer)를 사용하는 단계를 포함함 -;
    상기 추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계; 및
    상기 트레이닝된 피처를 CNN 디코더에 입력하는 단계를 포함하는, 방법.
  6. 제 1 항에 있어서,
    상기 제1 이미지는 복수의 이미지를 포함하는, 방법.
  7. 제 1 항에 있어서,
    상기 머신 러닝 모델은 복수의 머신 러닝 모델을 포함하는, 방법.
  8. 제 7 항에 있어서,
    각각의 머신 러닝 모델은 상기 웨이퍼의 상이한 부분에 대응하는, 방법.
  9. 제 1 항에 있어서,
    상기 머신 러닝 모델은 하나의 머신 러닝 모델에 의해 수행되고, 상기 방법은 상기 웨이퍼의 에칭을 특징짓는 에칭 파라미터를 입력하는 단계를 더 포함하는, 방법.
  10. 제 1 항에 있어서,
    상기 웨이퍼는 제1 웨이퍼인, 방법.
  11. 제 10 항에 있어서,
    제2 웨이퍼가 에칭된 후에 상기 제2 웨이퍼의 피처의 제2 이미지를 획득하는 단계;
    상기 트레이닝된 머신 러닝 모델로 상기 제2 이미지를 분석하는 단계; 및
    상기 머신 러닝 모델을 사용하여, 상기 제2 이미지의 상기 피처에 대응하는, 상기 제2 웨이퍼에 대한 포토레지스트 도포에 기반한 피처의 이미지를 생성하는 단계를 더 포함하는, 방법.
  12. 제 11 항에 있어서,
    상기 제2 이미지의 상기 머신 러닝 모델은,
    컨볼루션 신경망(CNN)을 적용하여 상기 제2 이미지를 하나 이상의 피처 맵 - 상기 하나 이상의 피처 맵은 상기 제2 이미지의 시각적 특징을 포함함 - 으로 변환하는 단계;
    CNN 인코더를 사용하여, 상기 제2 이미지와 연관된 상기 시각적 특징을 추출하는 단계 - 상기 추출은 상기 제2 이미지로부터 계층적 특징을 학습하기 위해 하나 이상의 컨볼루션 풀링 레이어(convolutional pooling layer)를 사용하는 단계를 포함함 -;
    상기 추출된 시각적 특징을 사용하여 트레이닝된 피처를 식별하는 단계; 및
    상기 트레이닝된 피처를 CNN 디코더에 입력하는 단계를 포함하는, 방법.
  13. 웨이퍼를 검사하기 위한 하전 입자 멀티 빔 시스템으로서,
    컨트롤러를 포함하고, 상기 컨트롤러는:
    웨이퍼에 도포된 포토레지스트가 현상된 후 상기 웨이퍼의 세그먼트의 부분을 이미징하고;
    상기 웨이퍼가 에칭된 후 상기 웨이퍼의 상기 세그먼트를 이미징하고;
    상기 현상된 웨이퍼의 상기 이미징된 부분과 상기 에칭된 웨이퍼의 상기 이미징된 세그먼트를 사용하여 머신 러닝 모델을 트레이닝하도록 하는 회로를 포함하는,
    시스템.
  14. 제 13 항에 있어서,
    상기 머신 러닝 모델을 트레이닝하는 방법은:
    컨볼루션 신경망(CNN)을 적용하여, 상기 에칭된 웨이퍼의 상기 이미징된 세그먼트를 하나 이상의 피처 맵 - 상기 하나 이상의 피처 맵은 상기 에칭된 웨이퍼의 상기 이미징된 세그먼트의 시각적 특징을 포함함 - 으로 변환하는 단계;
    CNN을 적용하여, 상기 현상된 웨이퍼의 상기 이미징된 부분을 하나 이상의 피처 맵 - 상기 하나 이상의 피처 맵은 상기 현상된 웨이퍼의 상기 이미징된 부분의 시각적 특징을 포함함 - 으로 변환하는 단계;
    상기 에칭된 웨이퍼의 상기 이미징된 세그먼트와 연관된 상기 시각적 특징을 상기 현상된 웨이퍼의 상기 이미징된 부분과 연관된 상기 시각적 특징에 매핑하는 단계;
    상기 매핑을 사용하여, 상기 에칭된 웨이퍼의 상기 이미징된 세그먼트로부터 상기 현상된 웨이퍼의 상기 이미징된 부분을 구성하도록 CNN 인코더를 트레이닝하는 단계;
    상기 구성으로부터 트레이닝된 피처를 추출하는 단계;
    상기 트레이닝된 피처를 CNN 디코더에 입력하는 단계; 및
    상기 트레이닝된 피처에 대해 상기 CNN 디코더를 트레이닝함으로써 상기 CNN 디코더의 가중치를 조정하는 단계를 포함하는, 방법.
  15. 제 13 항에 있어서,
    상기 에칭된 웨이퍼의 상기 이미징된 세그먼트는 복수의 이미지를 포함하고, 상기 현상된 웨이퍼의 상기 이미징된 부분은 복수의 이미지를 포함하는,
    시스템.
KR1020227009159A 2019-09-20 2020-09-14 머신 러닝을 사용한 웨이퍼 검사용 예측 이미지 생성 시스템 및 방법 KR20220051216A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962903568P 2019-09-20 2019-09-20
US62/903,568 2019-09-20
US202063001055P 2020-03-27 2020-03-27
US63/001,055 2020-03-27
PCT/EP2020/075675 WO2021052918A1 (en) 2019-09-20 2020-09-14 System and method for generating predictive images for wafer inspection using machine learning

Publications (1)

Publication Number Publication Date
KR20220051216A true KR20220051216A (ko) 2022-04-26

Family

ID=72560563

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227009159A KR20220051216A (ko) 2019-09-20 2020-09-14 머신 러닝을 사용한 웨이퍼 검사용 예측 이미지 생성 시스템 및 방법

Country Status (5)

Country Link
US (1) US20220375063A1 (ko)
KR (1) KR20220051216A (ko)
CN (1) CN114521234A (ko)
TW (1) TW202117590A (ko)
WO (1) WO2021052918A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220045499A (ko) * 2020-10-05 2022-04-12 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
US20220178845A1 (en) * 2020-12-07 2022-06-09 Nanya Technology Corporation Electronic system and method of specimen qualification
US20220414855A1 (en) * 2021-06-25 2022-12-29 Fei Company Area selection in charged particle microscope imaging
WO2023198381A1 (en) 2022-04-14 2023-10-19 Asml Netherlands B.V. Methods of metrology and associated devices
WO2024022843A1 (en) * 2022-07-25 2024-02-01 Asml Netherlands B.V. Training a model to generate predictive data
TWI830389B (zh) * 2022-09-20 2024-01-21 爾尼卡科技股份有限公司 可撓式顯示型指紋智慧卡
US20240144464A1 (en) * 2022-10-28 2024-05-02 Applied Materials, Inc. Classification of defect patterns of substrates

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3706364B2 (ja) * 2001-10-09 2005-10-12 アスムル マスクツールズ ビー．ブイ． ２次元フィーチャ・モデルの較正および最適化方法
US8279409B1 (en) * 2009-08-05 2012-10-02 Cadence Design Systems, Inc. System and method for calibrating a lithography model
US9915625B2 (en) * 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
WO2017171891A1 (en) * 2016-04-02 2017-10-05 Intel Corporation Systems, methods, and apparatuses for modeling reticle compensation for post lithography processing using machine learning algorithms
WO2018125219A1 (en) * 2016-12-30 2018-07-05 Intel Corporation Systems, methods, and apparatuses for implementing geometric kernel based machine learning for reducing opc model error

Also Published As

Publication number Publication date
WO2021052918A1 (en) 2021-03-25
US20220375063A1 (en) 2022-11-24
CN114521234A (zh) 2022-05-20
TW202117590A (zh) 2021-05-01

Similar Documents

Publication Publication Date Title
KR20220051216A (ko) 머신 러닝을 사용한 웨이퍼 검사용 예측 이미지 생성 시스템 및 방법
CN110383441B (zh) 使用经预测的计量图像的计量配方产生
KR102557180B1 (ko) 극자외선 포토마스크 상에서 검출되는 결함의 처리
KR102513717B1 (ko) 픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용
TWI603409B (zh) 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
TWI683103B (zh) 於樣品上判定所關注圖案之一或多個特性
US10921262B2 (en) Correlating SEM and optical images for wafer noise nuisance identification
US9767548B2 (en) Outlier detection on pattern of interest image populations
TW201734439A (zh) 混合檢查器
TW201625915A (zh) 用於程序窗特徵化之虛擬檢測系統
JP2011221499A (ja) 欠陥推定装置および欠陥推定方法並びに検査装置および検査方法
KR20180137574A (ko) 대량의 패턴 서칭을 위한 검사와 디자인 간의 드리프트의 자동 보정 시스템 및 방법
KR102576687B1 (ko) 반도체 제조 수율을 향상시키는 방법
US20240183806A1 (en) System and method for determining local focus points during inspection in a charged particle system
TWI841933B (zh) 用於在帶電粒子系統中之檢查期間判定局部焦點之系統及方法
US11727556B2 (en) Defect detection for multi-die masks
US20230046682A1 (en) Mask defect detection
CN117296121A (zh) 用于在带电粒子系统中的检查期间确定局部聚焦点的系统和方法
KR20230075369A (ko) 반도체 시편 제조를 위한 마스크 검사
CN116648722A (zh) 基于半导体处理的晶片级分析和根本原因分析的数据驱动失败模式预测和标识
WO2022135948A1 (en) Data-driven prediction and identification of failure modes based on wafer-level analysis and root cause analysis for semiconductor processing