KR20230038764A - 노이즈 제거 모델 생성 장치 및 방법 - Google Patents

Abstract

본 명세서에는 노이즈 제거 모델을 트레이닝하는 방법이 기재되어 있다. 본 방법은 설계 패턴들에 기초하여 제1 세트의 시뮬레이션된 이미지를 획득하는 단계를 포함한다. 시뮬레이션된 이미지들은 클린 상태일 수 있으며, 노이즈성의 시뮬레이션된 이미지들을 생성하기 위해 노이즈가 추가될 수 있다. 시뮬레이션된 클린 이미지들과 노이즈성 이미지들은 노이즈 제거 모델을 생성하기 위한 트레이닝 데이터로 사용된다.

Description

노이즈 제거 모델 생성 장치 및 방법

관련 출원에 대한 상호 참조

본 출원은 2020년 7월 14일자로 제출되고 그 전체가 본 명세서에 참조로 편입되어 있는 미국 출원 63/051,500의 우선권을 주장한다.

기술 분야

본 명세서의 기재는 일반적으로 검사 또는 측정 툴에 의해 획득된 이미지들을 처리하는 것에 관한 것으로, 보다 상세하게는 머신 러닝을 사용한 이미지 노이즈 제거에 관한 것이다.

예를 들면, 집적 회로들(integrated circuits: ICs)의 제조에 리소그래피 투영 장치가 사용될 수 있다. 이러한 경우에, 패터닝 디바이스(예를 들면, 마스크)는 IC의 개별 층("설계 레이아웃")에 대응하는 패턴을 포함하거나 제공할 수 있으며, 이 패턴은 패터닝 디바이스 상의 패턴을 통해 타겟부를 조사하는 것과 같은 방법들에 의해 방사선 감수성 물질("레지스트")의 층으로 코팅된 기판(예를 들면, 실리콘 웨이퍼) 상의 (예를 들면, 하나 이상의 다이를 포함하는) 타겟부에 전사될 수 있다. 일반적으로 단일 기판은, 한 번에 하나의 타겟부씩 리소그래피 투영 장치에 의해 패턴이 연속적으로 전사되는 복수의 인접한 타겟부를 포함한다. 일 유형의 리소그래피 투영 장치들에서는, 패터닝 디바이스 전체 상의 패턴이 한 번의 수행으로 하나의 타겟부에 전사되는데; 이러한 장치는 통상적으로 스테퍼(stepper)로 지칭된다. 통상적으로 스텝 앤드 스캔(step-and-scan) 장치로 지칭되는 대체 장치에서는, 기판을 주어진 기준 방향("스캐닝" 방향)에 평행하게 또는 역평행(anti-parallel)하게 동기화하여 이동시키는 동안 투영 빔이 이 기준 방향으로 패터닝 디바이스 위를 스캐닝한다. 패터닝 디바이스 상의 패턴의 상이한 부분들이 점진적으로 하나의 타겟부에 전사된다. 일반적으로, 리소그래피 투영 장치는 축소율 M(예를 들면, 4)을 갖게 되므로, 기판이 이동되는 속도 F는 투영 빔이 패터닝 디바이스를 스캔하는 속도의 1/M 배가 된다. 본 명세서에 기재된 리소그래피 디바이스들에 관한 추가 정보는, 예를 들면 본 명세서에 참조로 편입되어 있는 US 6,046,792로부터 얻어질 수 있다.

패터닝 디바이스로부터 기판으로 패턴을 전사하기 전에, 기판은 프라이밍(priming), 레지스트 코팅, 및 소프트 베이크(soft bake)와 같은 다양한 절차를 거칠 수 있다. 노광 후에, 기판은 노광 후 베이크(post-exposure bake: PEB), 현상(development), 하드 베이크(hard bake), 및 전사된 패턴의 측정/검사와 같은 다른 절차들("노광 후 절차들")을 거칠 수 있다. 이 일련의 절차는 디바이스, 예를 들면 IC의 개별 층을 제작하기 위한 기저로 이용된다. 기판은 그리고 나서 에칭, 이온 주입(도핑), 금속화(metallization), 산화, 화학 기계적 연마 등과 같은 다양한 프로세스를 거칠 수 있는데, 이들 모두는 디바이스의 개별 층을 완성하기 위한 것이다. 디바이스에 여러 층이 필요한 경우, 전체 절차 또는 그 변형이 각 층에 대해 반복된다. 최종적으로, 기판 상의 각 타겟부에 디바이스가 존재하게 된다. 이들 디바이스는 그리고 나서 다이싱(dicing) 또는 소잉(sawing)과 같은 기법에 의해 서로 분리되며, 개별 디바이스들은 캐리어에 장착하거나, 핀에 연결되는 등이 이루어질 수 있다.

그래서, 반도체 디바이스들과 같은 제조 디바이스들은 전형적으로 디바이스들의 다양한 피처들 및 복수의 층을 형성하기 위해 다수의 제작 프로세스를 사용하여 기판(예를 들면, 반도체 웨이퍼)을 처리하는 것을 포함한다. 이러한 층들 및 피처들은 전형적으로는, 예를 들면 퇴적, 리소그래피, 에칭, 화학 기계적 연마, 및 이온 주입을 사용하여 제조 및 처리된다. 복수의 디바이스가 기판 상의 복수의 다이 상에서 제작된 후 개별 디바이스들로 분리될 수 있다. 이 디바이스 제조 프로세스는 패터닝 프로세스로 간주될 수 있다. 패터닝 프로세스는 패터닝 디바이스 상의 패턴을 기판에 전사하기 위해 리소그래피 장치에서 패터닝 디바이스를 사용하는 광학 및/또는 나노임프린트 리소그래피와 같은 패터닝 단계를 포함하고, 전형적이기는 하지만 선택적으로, 현상 장치에 의한 레지스트 현상, 베이크 툴을 사용한 기판의 베이킹, 에칭 장치를 사용한 패턴을 사용한 에칭 등과 같은 하나 이상의 관련 패턴 처리 단계를 포함한다.

실시예에 따르면, 이미지들을 처리하기 위한 이미지 노이즈 제거 모델을 트레이닝하는 방법이 제공된다. 본 방법은 설계 패턴들을 제1 세트의 시뮬레이션된 이미지로 변환하는 단계; 및 제1 세트의 시뮬레이션된 이미지와 이미지 노이즈에 기초하여 노이즈 제거 모델을 트레이닝하는 단계를 포함한다. 트레이닝 후에, 노이즈 제거 모델은 입력 이미지들로부터 노이즈를 제거하도록 작동 가능하며 노이즈 제거 이미지들을 생성한다.

실시예에서는, 패턴화된 기판의 이미지를 캡처하도록 구성된 e 빔 광학계; 및 입력 이미지의 노이즈 제거 이미지를 생성하도록 구성된 하나 이상의 프로세서를 포함하는 시스템이 제공된다. 하나 이상의 프로세서는 기판에 대한 설계 패턴으로부터 시뮬레이션된 이미지를 생성하도록 구성된 트레이닝된 모델을 실행하도록 구성된다. 실시예에서, 하나 이상의 프로세서는 패턴화된 기판의 노이즈 제거 이미지를 생성하기 위해 캡처된 이미지를 입력으로 사용하여 노이즈 제거 모델을 실행하도록 구성된다.

실시예에서는, 노이즈 제거 모델을 저장하기 위한 하나 이상의 비일시적 컴퓨터 가독 매체가 제공된다. 실시예에서, 하나 이상의 비일시적 컴퓨터 가독 매체는 저장된 노이즈 제거 모델을 통해 노이즈 제거 이미지를 생성하도록 구성된다. 특히, 하나 이상의 비일시적 컴퓨터 가독 매체는 하나 이상의 프로세서에 의해 실행되면 노이즈 제거 모델을 제공하는 명령어들을 저장한다. 실시예에서, 노이즈 제거 모델은: (예를 들면, GDS 패턴들을 시뮬레이션된 이미지들로 변환하기 위해 트레이닝된 GAN을 사용함으로써) 설계 패턴들에 기초하여 제1 세트의 시뮬레이션된 이미지를 획득하고; 제2 세트의 시뮬레이션된 이미지 - 제2 세트의 시뮬레이션된 이미지는 설계 패턴들과 연관된 노이즈 제거 이미지들임 - 를 획득하기 위해 제1 세트의 시뮬레이션된 이미지를 기본 노이즈 제거 모델에 대한 입력으로 제공하며; 기본 노이즈 제거 모델의 하나 이상의 구성을 업데이트하기 위해 참조 노이즈 제거 이미지들을 피드백으로 사용하는 것을 위한 명령어를 실행함으로써 생성되며, 하나 이상의 구성은 참조 노이즈 제거 이미지들과 제2 세트의 시뮬레이션된 이미지 사이의 비교에 기초하여 업데이트된다.

몇몇 실시예에서는, GDS 패턴 이미지들을 시뮬레이션된 클린 SEM 이미지들로 변환하도록 GAN이 트레이닝된다. 먼저, 스캔된 SEM 이미지들로부터 노이즈 특징들이 추출되며, 그리고 나서 이들 클린 이미지에 노이즈가 추가되어 시뮬레이션된 노이즈성 이미지를 생성한다. 시뮬레이션된 클린 이미지들과 노이즈성 이미지들은 스캔된 SEM 이미지들과 함께 노이즈 제거 모델을 트레이닝하는 데 사용된다. 노이즈 제거 모델은 캡처된 SEM 이미지들로 추가로 미세 튜닝될 수 있다. 트레이닝되고 나면, 노이즈 제거 모델은 노이즈 제거 이미지들을 생성하기 위해 입력 SEM 이미지들로부터 노이즈를 제거하도록 작동 가능하다.

본 발명의 실시예들에 따르면, 상술한 바와 같이 생성자 모델을 통해 설계 패턴들로부터 변환된 시뮬레이션된 이미지들을 사용하여 노이즈 제거 모델이 트레이닝된다. 이러한 시뮬레이션된 이미지들을 포함하는 트레이닝 데이터는 SEM에 의해 캡처된 이미지들보다 현저하면서 충분히 더 많은 패턴을 일괄적으로 커버할 수 있다. 개선된 패턴 커버리지의 결과로서, 트레이닝은 노이즈 제거 모델의 크게 개선된 유효성 및 정확도를 유리하게 달성할 수 있다. 재트레이닝의 필요성이 대폭 저감되거나 심지어는 없어질 수도 있다.

상기 양태들 및 다른 양태들과 특징들은 첨부 도면들과 연계하여 다음의 구체적인 실시예들의 설명을 검토할 시에 본 기술분야의 통상의 기술자에게 분명해질 것이다.
도 1은 실시예에 따른 리소그래피 시스템의 다양한 서브시스템들의 블록도를 도시한다.
도 2는 노이즈 제거 모델을 트레이닝하는 방법이다. 실시예에서, 노이즈 제거 모델은 설계 패턴들을 변환하도록 트레이닝된다.
도 3은 실시예에 따른 노이즈 제거 모델을 트레이닝하는 방법의 변형예의 플로차트이다.
도 4는 실시예에 따른 모델을 트레이닝하는 예를 도시한다.
도 5는 실시예에 따른 도 4의 트레이닝된 모델을 사용하여 제1 세트의 시뮬레이션된 SEM 이미지를 획득하는 예를 도시한다.
도 6은 실시예에 따른 도 5의 시뮬레이션된 SEM 이미지들에 노이즈를 추가하는 예를 도시한다.
도 7은 실시예에 따른 노이즈 제거 모델을 트레이닝하는 예를 도시한다.
도 8은 실시예에 따른 노이즈가 제거된 입력 SEM 이미지들을 생성하는 데 사용되는 트레이닝된 노이즈 제거 모델의 예를 도시한다.
도 9는 실시예에 따른 주사 전자 현미경(SEM)의 실시예를 개략적으로 묘사한다.
도 10은 실시예에 따른 전자 빔 검사 장치의 실시예를 개략적으로 묘사한다.
도 11은 실시예에 따른 예시적인 컴퓨터 시스템의 블록도이다.
도 12는 실시예에 따른 리소그래피 투영 장치의 개략도이다.
도 13은 실시예에 따른 다른 리소그래피 투영 장치의 개략도이다.
도 14는 실시예에 따른, 도 12의 장치의 보다 상세한 도면이다.
도 15는 실시예에 따른, 도 13과 도 14의 장치의 소스 컬렉터 모듈(SO)의 보다 상세한 도면이다.

실시예들을 상세히 설명하기 전에, 실시예들이 구현될 수 있는 예시적인 환경을 제시하는 것이 유익하다.

본 명세서에서는 IC들의 제조에 대해 구체적인 언급이 이루어질 수 있으나, 본 명세서의 기재는 다수의 다른 가능한 용도를 갖는다는 것을 분명히 이해해야 한다. 예를 들어, 통합 광학 시스템들, 자구(magnetic domain) 메모리들용의 가이던스 및 검출 패턴들, 액정 디스플레이 패널들, 박막 자기 헤드들 등의 제조에 이용될 수 있다. 통상의 기술자는 이러한 대체 용도의 맥락에서, 본 명세서에서의 "레티클", "웨이퍼", 또는 "다이"라는 용어의 모든 사용은 보다 일반적인 용어인 "마스크", "기판", 및 "타겟부"와 각각 상호교환 가능한 것으로 간주되어야 함을 이해할 것이다.

본 문서에서, "방사선" 및 "빔"이라는 용어는 (예를 들면, 365, 248, 193, 157, 또는 126 ㎚의 파장을 갖는) 자외 방사선 및 EUV(extreme ultra-violet(극자외) 방사선, 예를 들면 약 5 내지 100 ㎚ 범위의 파장을 가짐)를 포함한 모든 유형의 전자 방사선을 포괄하도록 사용될 수 있다.

패터닝 디바이스는 하나 이상의 설계 레이아웃을 포함하거나 형성할 수 있다. 설계 레이아웃들은 CAD(computer-aided design) 프로그램을 사용하여 생성될 수 있는데, 이 프로세스는 종종 EDA(electronic design automation: 전자 설계 자동화)로 지칭된다. 대부분의 CAD 프로그램은 기능적인 설계 레이아웃/패터닝 디바이스를 생성하기 위해 사전 결정된 설계 규칙 세트(set of predetermined design rules)를 따른다. 이들 규칙은 처리 및 설계 제약사항들에 의해 설정된다. 예를 들어, 설계 규칙들은 디바이스들 또는 라인들이 바람직하지 않은 방식으로 서로 상호작용하지 않도록, (게이트들, 커패시터들 등과 같은) 디바이스들 또는 인터커넥트 라인들 사이의 공간 공차(space tolerance)를 규정한다. 설계 규칙 제약사항들 중 하나 이상은 전형적으로 "임계 치수들"(critical dimensions: CD)로 지칭될 수 있다. 디바이스의 임계 치수는 라인 또는 구멍의 최소 너비(폭) 또는 2개의 라인 또는 2개의 구멍 사이의 최소 공간으로 정의될 수 있다. 그래서, CD는 설계된 디바이스의 전체 크기와 밀도를 결정한다. 물론, 디바이스 제작에 있어서의 목표들 중 하나는 (패터닝 디바이스를 통해) 기판에 원래의 설계 의도를 충실하게 재현하는 것이다.

패턴 레이아웃 설계는 예로서 OPC(Optical Proximity Correction: 광학 근접 보정)와 같은, 분해능 강화 기법의 적용을 포함할 수 있다. OPC는 기판에 투영된 설계 레이아웃의 이미지의 최종 크기와 배치가 패터닝 디바이스 상의 설계 레이아웃의 크기 및 배치와 동일하지 않거나, 단순히 이에만 의존한다는 사실에 대처한다. "마스크", "레티클", "패터닝 디바이스"라는 용어는 본 명세서에서 상호교환 가능하게 시용된다는 점에 유의하자. 또한, 본 기술분야의 통상의 기술자는 "마스크", "패터닝 디바이스", 및 "설계 레이아웃"이라는 용어가 상호교환 가능하게 사용될 수 있으며, RET의 맥락에서와 같이, 물리적 패터닝 디바이스가 반드시 사용되는 것은 아니며 대신에 설계 레이아웃이 물리적 패터닝 디바이스를 나타내는 데 사용될 수 있다는 것을 인식할 것이다. 일부 설계 레이아웃에 존재하는 작은 피처 크기들 및 높은 피처 밀도들의 경우, 주어진 피처의 특정 에지의 위치는 다른 인접한 피처들의 존재 또는 부재에 따라 어느 정도 영향을 받게 된다. 이들 근접 효과는 하나의 피처로부터 다른 피처에 결합된 미량의 방사선 또는 회절 및 간섭과 같은 비기하학적 광학 효과들로부터 발생한다. 유사하게, 근접 효과들은 일반적으로 리소그래피에 이어지는 노광 후 베이크(post-exposure bake: PEB), 레지스트 현상, 및 에칭 중에 확산 및 다른 화학적 효과들로부터 발생할 수 있다.

설계 레이아웃의 투영된 이미지가 주어진 타겟 회로 설계의 요건을 따를 가능성을 높이기 위해, 근접 효과들은 정교한 수치 모델들, 설계 레이아웃의 보정들 또는 사전 왜곡들을 사용하여 예측 및 보상될 수 있다. 논문 "Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design", C. Spence, Proc. SPIE, Vol. 5751, pp 1-14 (2005)는 현재의 "모델 기반의" 광학 근접 보정 프로세스들에 대한 개관을 제공한다. 전형적인 하이엔드 설계에서, 설계 레이아웃의 거의 모든 피처는 타겟 설계에 대해 투영된 이미지의 고충실도를 달성하기 위해 다소의 변경(some modification)을 갖는다. 이들 변경은 에지 위치 또는 선폭(line widths)의 쉬프팅 또는 바이어싱뿐만 아니라 다른 피처들의 투영을 지원하기 위한 "어시스트" 피처들의 적용을 포함할 수 있다.

어시스트 피처는 패터닝 디바이스 상의 피처들과 설계 레이아웃의 피처들 사이의 차이로 볼 수 있다. "메인 피처"와 "어시스트 피처"라는 용어들은 패터닝 디바이스 상의 특정 피처가 이들 중 어느 하나 또는 다른 하나로 분류되어야 함을 의미하지는 않는다.

본 명세서에서 사용되는 "마스크" 또는 "패터닝 디바이스"라는 용어는 입사 방사선 빔에 기판의 타겟부에 생성하고자 하는 패턴에 대응하는 패턴화된 단면을 부여하는 데 사용될 수 있는 일반적인 패터닝 디바이스를 지칭하는 것으로 폭넓게 해석될 수 있으며; "광 밸브(light valve)"라는 용어도 이 맥락에서 사용될 수 있다. 고전적인 마스크(투과형 또는 반사형, 바이너리, 위상 쉬프팅, 하이브리드 등) 외에, 이러한 패터닝 디바이스들의 다른 예로는 다음이 포함된다: - 프로그래머블 미러 어레이(programmble mirror array). 이러한 디바이스의 예는 점탄성 제어층(viscoelastic control layer) 및 반사 표면을 갖는 매트릭스 어드레스 가능한(matrix-addressable) 표면이다. 이러한 장치의 배후의 기본 원리는 (예를 들면) 반사 표면의 어드레스 지정된 영역들(addressed areas)은 입사 방사선을 회절 방사선으로 반사하는 반면, 어드레스 지정되지 않은 영역들(unaddressed areas)은 입사 방사선을 비회절 방사선으로 반사한다는 것이다. 적절한 필터를 사용하여, 상기 비회절 방사선은 반사 빔으로부터 필터링될 수 있으며, 그래서 회절 방사선만 남겨두게 되는데; 이러한 방식으로 매트릭스 어드레스 가능한 표면의 어드레스 지정 패턴에 따라 빔은 패턴화된다. 필요한 매트릭스 어드레스 지정(matrix addressing)은 적절한 전자 수단을 사용하여 수행할 수 있다.

- 프로그래머블 LCD 어레이. 이러한 구성의 예는 본 명세서에 참조로 편입되어 있는 미국 특허 제5,229,872호에 주어져 있다.

간략한 도입부로서, 도 1은 예시적인 리소그래피 투영 장치(10A)를 도시한다. 주요 컴포넌트들은 심자외선 엑시머 레이저 소스 또는 EUV(극자외선) 소스를 포함하는 다른 유형의 소스일 수 있는 방사선 소스(12A)(위에서 논의된 바와 같이, 리소그래피 투영 장치 자체는 방사선 소스를 가질 필요는 없음), 예를 들면 부분 코히어런스(시그마로 표기됨)를 정의하며 소스(12A)로부터의 방사선을 성형하는 광학계(14A, 16Aa, 및 16Ab)를 포함할 수 있는 조명 광학계; 패터닝 디바이스(18A); 및 패터닝 디바이스 패턴의 이미지를 기판 평면(22A) 상에 투영하는 투과 광학계(16Ac)이다. 투영 광학계의 동공 평면에 있는 조정 가능한 필터 또는 개구(20A)는 기판 평면(22A)에 충돌하는 빔 각도의 범위를 제한할 수 있는데, 여기서 가능한 최대 각도는 투영 광학계의 개구수 NA = n sin(Θmax)를 정의하고, n은 기판과 투영 광학계의 최종 요소 사이의 매체의 굴절률이며, Θmax는 여전히 기판 평면(22A)에 충돌할 수 있는 투영 광학계로부터 나가는 빔의 최대 각도이다.

리소그래피 투영 장치에서, 소스는 패터닝 디바이스에 조명(즉, 방사선)을 제공하고 투영 광학계는 패터닝 디바이스를 통해 기판 상으로 조명을 지향시키고 성형한다. 투영 광학계는 컴포넌트들(14A, 16Aa, 16Ab, 및 16Ac) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 강도 분포이다. 기판 상의 레지스트 층이 노광되고 에어리얼 이미지가 내부의 잠상의 "레지스트 이미지"(RI)로서 레지스트 층에 전사된다. 레지스트 이미지(RI)는 레지스트 층에서의 레지스트의 용해도의 공간적 분포로 정의될 수 있다. 레지스트 모델이 에어리얼 이미지로부터 레지스트 이미지를 계산하는 데 사용될 수 있는데, 그 예가 미국 특허 출원 공개 번호 US 2009-0157360에서 찾을 수 있으며, 그 개시내용은 참조로 그 전체가 본 명세서에 편입되어 있다. 레지스트 모델은 레지스트 층의 특성들(예를 들면, 노광, PEB, 및 현상 중에 발생하는 화학 프로세스들의 영향)에만 관련된다. 리소그래피 투영 장치의 광학적 특성들(예를 들면, 소스, 패터닝 디바이스, 및 투영 광학계의 특성들)은 에어리얼 이미지를 결정한다. 리소그래피 투영 장치에 사용되는 패터닝 디바이스는 변경될 수 있으므로, 적어도 소스 및 투영 광학계를 포함하는 리소그래피 투영 장치의 나머지 부분의 광학적 특성들로부터 패터닝 디바이스의 광학적 특성들을 분리하는 것이 바람직할 수 있다.

본 명세서에서는 IC의 제조에 있어서 리소그래피 장치의 사용에 대해 구체적인 언급이 이루어질 수 있으나, 본 명세서에 기재된 리소그래피 장치는 통합 광학 시스템들, 자구 메모리들용의 가이던스 및 검출 패턴들, 액정 디스플레이들(LCD), 박막 자기 헤드들 등의 제조와 같은 다른 용도들도 가질 수 있음을 이해해야 한다. 통상의 기술자는 이러한 대체 용도들의 맥락에서, 본 명세서에서의 "웨이퍼" 또는 "다이"라는 용어의 모든 사용은 각각 보다 일반적인 용어인 "기판" 또는 "타겟부"와 동의어로 간주될 수 있음을 이해할 것이다. 본 명세서에서 언급되는 기판은 예를 들면, 트랙(전형적으로는 기판에 레지스트 층을 적용하고 노광된 레지스트를 현상하는 툴) 또는 계측 또는 검사 툴에서 노광 전 또는 후에 처리될 수 있다. 적용 가능한 경우, 본 명세서의 개시 내용은 이러한 및 다른 기판 처리 툴들에 적용될 수 있다. 또한, 예를 들어 다층 IC를 생성하기 위해 기판은 2회 이상 처리될 수도 있으며, 그래서 본 명세서에서 사용되는 기판이라는 용어는 복수의 처리된 층을 이미 포함하는 기판도 의미할 수 있다.

본 명세서에서 사용되는 "방사선" 및 "빔"이라는 용어는 (예를 들면, 365, 248, 193, 157, 또는 126 ㎚의 파장을 갖는) 자외(UV) 방사선 및 (예를 들면, 5 내지 20 nm 범위의 파장을 갖는) 극자외(EUV:extreme ultra-violet) 방사선뿐만 아니라, 이온 빔들 또는 전자 빔들과 같은 입자 빔들을 포함하는 모든 유형의 전자 방사선을 포함한다.

노이즈 제거 모델에 대한 기존의 트레이닝 방법들은 트레이닝 데이터로서 패턴화된 기판의 다수의 이미지(예를 들면, SEM 이미지들)를 필요로 한다. 이러한 트레이닝 방법들에서, 설계 레이아웃의 패턴 커버리지는 SEM 이미지들의 패턴들로 제한된다. 실시예에서, 패턴 커버리지는 설계 레이아웃 내의 고유 패턴의 개수를 가리킨다. 전형적으로, 설계 레이아웃은 수억 내지 수십억 개의 패턴과 수백만 개의 고유한 패턴을 가질 수 있다. 트레이닝 목적으로 패턴화된 기판 상의 수백만 개의 패턴을 측정하는 것은 트레이닝에 상당한 양의 계측 시간과 컴퓨팅 리소스를 필요로 하므로 실용적이지 않다. 그래서, 예를 들면, SEM 이미지들을 포함하는 트레이닝 데이터는 보통 머신 러닝 모델을 트레이닝하는 데 적절한 것보다 훨씬 적다. 그래서, 트레이닝된 모델을 실시간으로 새로운 패턴들로 재트레이닝해야 할 수 있다.

본 발명의 방법들은 여러 이점을 갖는다. 예를 들어, 설계 레이아웃의 패턴 커버리지가 오프라인 트레이닝 중에 크게 증가될 수 있다. 한정된 SEM 이미지들(예를 들면, 10 내지 20개의 실제 SEM 이미지)만 예를 들면, 트레이닝 및 검증 목적으로 사용될 수 있다. 트레이닝 후에, 트레이닝된 모델은 런타임에 캡처된 계측 이미지들(예를 들면, SEM 이미지들)의 노이즈를 제거하는 데 사용될 수 있다. 트레이닝 중에 상대적으로 많은 수의 패턴이 커버되므로, 본 모델의 재트레이닝 양은 기존 모델들보다 훨씬 적게 된다. 예를 들어, 10 내지 20개의 실제 SEM 이미지를 획득함으로써 모델의 미세 튜닝이 신속하게 달성될 수 있다. 그래서, 기존 모델들에 비해 상당한 머신 스캐닝 시간과 온라인 모델 트레이닝 시간이 절감될 수 있다. 예를 들어, 본 방법에 의해, 스캐닝 시간은 수천 개의 SEM 이미지와 달리 20개의 SEM 이미지로 제한될 수 있으며, 온라인 모델 트레이닝 시간은 4 내지 8시간에 비해 약 0.5시간으로 제한될 수 있다.

도 2는 본 발명의 실시예에 따른 노이즈 제거 모델을 트레이닝하는 예시적인 방법(200)이다. 실시예에서는, 트레이닝 목적으로, 설계 패턴들(예를 들면, GDS 파일 데이터의 설계 레이아웃)을 시뮬레이션된 클린 SEM 이미지들로 변환하기 위해 다른 모델이 사용된다. 또한, 시뮬레이션된 노이즈성 이미지들을 생성하기 위해 이들 클린 이미지에 노이즈가 추가될 수 있다. 시뮬레이션된 클린 이미지들과 노이즈성 이미지들은, 스캔된 SEM 이미지들과 함께, 노이즈 제거 모델을 트레이닝하는 데 사용된다. 실시예에서, 본 방법은 아래에서 상세히 논의되는 프로세스 P201 및 P203을 포함한다.

프로세스 P201은 설계 패턴들을 제1 세트의 시뮬레이션된 이미지(201), 예를 들면 시뮬레이션된 SEM 이미지들로 변환하는 것을 포함한다. 실시예에서, 설계 패턴들(DP)은 그래픽 데이터 신호(Graphic Data Signal: GDS) 파일 형식이다. 예를 들어, 수백만 개의 설계 패턴을 포함하는 설계 레이아웃이 GDS 데이터 파일로 표현된다.

실시예에서, 제1 세트의 시뮬레이션된 이미지(201)를 획득하는 것은 설계 패턴들(DP)을 시뮬레이션된 이미지들(201)을 생성하기 위한 입력으로 사용하여 트레이닝된 모델(MD1)을 실행하는 것을 포함한다. 실시예에서, 트레이닝된 모델(MD1)은 설계 패턴들(DP) 및 패턴화된 기판의 캡처된 이미지들에 기초하여 트레이닝되며, 각각의 캡처된 이미지는 설계 패턴과 연관된다. 실시예에서, 캡처된 이미지들은 주사 전자 현미경(SEM)(예를 들면, 도 10 내지 도 11)을 통해 획득되는 SEM 이미지들이다.

실시예에서, 트레이닝된 모델(MD1)은 본 명세서에서 논의되는 트레이닝 데이터를 사용하여 기존의 트레이닝 방법들을 사용하여 트레이닝될 수 있는 머신 러닝 모델과 같은 임의의 모델일 수 있다. 예를 들어, 트레이닝된 모델(MD1)은 CNN(Convolutional Neural Network: 컨벌루션 신경망) 또는 DCNN(Deep Convolutional Neural Network: 심층 컨벌루션 신경망)일 수 있다. 본 발명은 특정 트레이닝 방법 또는 특정 신경망에 국한되지 않는다. 예로서, 모델 MD1은 GAN(generative adversarial network: 생성적 대립 신경망)과 같은 트레이닝 방법을 사용하여 트레이닝된 제1 딥 러닝 모델(예를 들면, DCNN)일 수 있으며, 설계 패턴들(DP)과 SEM 이미지들은 트레이닝 데이터로 사용된다. 이 예에서, 트레이닝된 모델(MD1)(예를 들면, DCNN)은 주어진 설계 패턴, 예를 들면 GDS 패턴으로부터 시뮬레이션된 SEM 이미지를 생성하도록 구성된 생성적 모델로 지칭된다.

실시예에서, 생성적 대립 신경망(GAN)은 2개의 딥 러닝 모델을 포함한다 - 특히 서로 상반되게 함께 트레이닝되는 생성자 모델(예를 들면, CNN 또는 DCNN)과 판별자 모델(예를 들면, 다른 CNN 또는 다른 DCNN). 생성자 모델은 설계 패턴들(DP)과 캡처된 이미지들(예를 들면, SEM 이미지들)을 입력으로 취하고 시뮬레이션된 이미지(예를 들면, 시뮬레이션된 SEM 이미지)를 출력할 수 있다. 실시예에서, 출력된 시뮬레이션된 이미지들은 가짜 이미지들(fake images) 또는 진짜 이미지들(real images)로 레이블링될 수 있다. 예에서, 가짜 이미지는 이전에 실제로 존재한 적이 없는 특정 클래스의 이미지(예를 들면, SEM 이미지의 노이즈 제거 이미지)이다. 반면에, 참조(또는 그라운드 트루스(ground truth))로서 사용되는 진짜 이미지는 생성자 모델과 판별자 모델의 트레이닝 중에 사용될 수 있는 기존의 이미지(예를 들면, 인쇄 기판의 SEM)이다. 트레이닝의 목표는 진짜 이미지와 매우 유사한 가짜 이미지들을 생성하도록 생성자 모델을 트레이닝하는 것이다. 예를 들어, 가짜 이미지의 피처들은 진짜 이미지(예를 들면, 노이즈가 제거된 SEM 이미지)의 피처들과 적어도 95% 일치한다. 그 결과, 트레이닝된 생성자 모델은 높은 정확도로 진짜같은 시뮬레이션된 이미지들을 생성할 수 있다.

실시예에서, 생성자 모델(G)은 컨벌루션 신경망일 수 있다. 생성자 모델(G)은 설계 패턴(z)을 입력으로 취하여 이미지를 생성한다. 실시예에서, 이미지는 가짜 이미지 또는 시뮬레이션된 이미지로 지칭될 수 있다. 가짜 이미지는 Xfake = G(z)로 표현될 수 있다. 생성자 모델(G)은 제1 비용 함수와 연관될 수 있다. 제1 비용 함수는 비용 함수가 개선되도록(예를 들면, 최대화되거나 최소화되도록) 생성자 모델의 파라미터들을 튜닝할 수 있다. 실시예에서, 제1 비용 함수는 입력 벡터가 주어질 때 시뮬레이션된 이미지가 가짜 이미지일 확률을 결정하는 제1 로그 우도 항(first log-likelihood term)을 포함한다.

제1 비용 함수의 예는 아래의 수학식 1로 표현될 수 있다:

위의 수학식 1에서, 조건부 확률의 로그 우도가 계산된다. 이 수학식에서, S는 판별자 모델에 의한 가짜로서의 소스 할당을 가리키고, X_fake는 출력, 즉 생성자 모델의 가짜 이미지이다. 그래서, 실시예에서, 트레이닝 방법은 제1 비용 함수(L)를 최소화한다. 그 결과, 생성자 모델은 판별자 모델이 가짜 이미지를 가짜로 인식할 조건부 확률이 낮도록 가짜 이미지들(즉, 시뮬레이션된 이미지들)을 생성한다. 즉, 생성자 모델은 점점 더 진짜같은 이미지들 또는 패턴들을 점진적으로 생성한다.

도 4는 프로세스 P201에서 논의된 모델(예를 들면, MD1)을 트레이닝하는 예시적인 프로세스를 도시한다. 실시예에서, 트레이닝된 생성자 모델(MD1)은 생성적 대립 신경망를 사용하여 트레이닝된다. 생성적 대립 신경망에 기반한 트레이닝은 생성자 모델(GM1)이 점진적으로 더 정확하고 강고한 결과들을 생성하도록 함께 트레이닝되는 2개의 딥 러닝 모델(GM1과 DM1)을 포함한다.

실시예에서, 생성자 모델(GM1)은 예를 들면, 설계 패턴들(DP1 및 DP2), 및 설계 패턴들(DP1 및 DP2)에 대응하는 SEM 이미지들(SEM1 및 SEM2)을 입력으로 취할 수 있다. 생성자 모델(GM1)은 이미지들(DN1 및 DN2)과 같은 시뮬레이션된 이미지들을 출력한다.

GM1의 시뮬레이션된 이미지들은 다른 CNN인 판별자 모델(DM1)에 의해 수신된다. 판별자 모델(DM1)은 픽셀화된 이미지의 형태로 진짜 이미지들(SEM1 및 SEM2)(또는 진짜 패턴 세트)도 수신한다. 진짜 이미지들에 기초하여, 판별자 모델(DM1)은 시뮬레이션된 이미지들이 가짜(예를 들면, 레이블 L1)인지 진짜(예를 들면, 레이블 L2)인지를 결정하고, 그에 따라 레이블을 할당한다. 판별자 모델(DM1)이 시뮬레이션된 이미지들을 가짜로 분류하면, 비용 함수(예를 들면, 위의 제1 비용 함수)에 기초하여 GM1과 DM1의 파라미터들(예를 들면, 바이어스들 및 웨이트들)이 변경된다. 모델들(GM1과 DM1)은 판별자(DM1)가 GM1에 의해 생성되는 시뮬레이션된 이미지들을 진짜로 일관되게 분류할 때까지 반복적으로 변경된다. 즉, 생성자 모델(GM1)은 어떠한 입력 설계 패턴들에 대해서도 진짜같은 SEM 이미지들을 생성하도록 구성된다.

도 5는 실시예에 따른 도 4의 트레이닝된 생성자 모델(MD1)을 사용하여 제1 세트의 시뮬레이션된 SEM 이미지를 획득하는 예를 도시한다. 실시예에서는, 시뮬레이션된 SEM 이미지들(S1, S2, …)을 각각 생성하기 위해 임의의 설계 패턴(DP11, DP12, … DPn)이 트레이닝된 생성자 모델(MD1)에 입력될 수 있다. 본 발명이 이에 한정되는 것은 아니지만, 이들 시뮬레이션된 SEM 이미지(S1, S2, …Sn)는 전형적인 노이즈를 포함하지 않거나 매우 낮은 노이즈를 포함하는 클린 이미지일 수 있다.

몇몇 실시예에서는, 도 2의 제1 세트의 시뮬레이션된 이미지(201)를 생성하기 위해 이미지 노이즈가 추가될 수 있다. 도 6은 입력 이미지의 노이즈를 제거하도록 구성된 다른 머신 러닝 모델인 노이즈 제거 모델을 트레이닝하기 위한 제1 세트의 시뮬레이션된 이미지(S1*, S2*, …Sn*)를 생성하기 위해 시뮬레이션된 SEM 이미지들(S1, S2, …Sn)에 노이즈를 추가하는 예를 도시한다. 노이즈 제거 모델의 트레이닝은 아래에서 프로세스 P203과 관련하여 논의된다.

프로세스 P203은 제1 세트의 시뮬레이션된 이미지(201) 및 이미지 노이즈를 트레이닝 데이터로 사용하여 노이즈 제거 모델을 트레이닝하는 것을 포함한다. 실시예에서는, 추가적으로, 패턴화된 기판의 캡처된 이미지들(205)이 트레이닝 데이터에 포함될 수 있다. 예를 들어, 캡쳐된 이미지들(205)은 패턴화된 기판의 SEM 이미지들일 수 있다.

실시예에서, 노이즈 제거 모델(MD2)은 제2 머신 러닝 모델이다. 예를 들어, 제2 머신 러닝 모델은 제2 CNN 또는 제2 DCNN일 수 있다. 본 발명은 특정한 딥 러닝 트레이닝 방법이나 머신 러닝 트레이닝 방법들에 한정되지 않는다. 실시예에서, 트레이닝은 제2 세트의 시뮬레이션된 이미지가 노이즈를 추가하기 전의 제1 세트의 시뮬레이션된 이미지(201)(예를 들면, 도 5의 시뮬레이션된 SEM 이미지들(S1, S2, … Sn)) 또는 참조 이미지들과 같은 그라운드 트루스의 지정된 역치 내에 있게 될 때까지 수행되는 반복 프로세스이다. 실시예에서, 트레이닝 데이터로서 제1 세트의 시뮬레이션된 이미지, 이미지 노이즈, 및 캡처된 이미지들을 사용하는 노이즈 제거 모델의 트레이닝.

실시예에서, 이미지 노이즈는 패턴화된 기판의 캡처된 이미지들, 예를 들면 캡처된 SEM 이미지들로부터 추출된다. 예를 들어, SEM 툴에 의해 캡처된 SEM 이미지로부터 노이즈를 추출하기 위해 노이즈 필터가 적용될 수 있다. 추출 노이즈는 이미지 노이즈로 나타낼 수 있다. 실시예에서, 이미지 노이즈는 사용자 지정 파라미터들에 의해 특징지어지는 가우시안 노이즈, 화이트 노이즈, 솔트 앤드 페퍼 노이즈(salt and pepper noise)이다. 실시예에서, 이미지 노이즈는 그 강도 값들이 통계적으로 서로 독립적인 픽셀들을 포함한다. 실시예에서, 가우시안 노이즈는 가우시안 분포 함수의 파라미터들을 변경함으로써 생성될 수 있다.

실시예에서, 도 6을 참조하면, S1*, S2*,...,Sn*과 같은 노이즈성 이미지들을 생성하기 위해 가우시안 노이즈와 같은 이미지 노이즈가 예를 들면, 시뮬레이션된 이미지들(S1, S2,...Sn)에 추가될 수 있다. 노이즈성 이미지들은 노이즈 제거 모델을 트레이닝하는 데 사용되는 제1 세트의 시뮬레이션된 이미지(201)이다.

종래에는, 캡처된 SEM 이미지들을 트레이닝 이미지들로 사용하여 노이즈 제거 모델이 트레이닝되었다. SEM 시스템들의 이미징 처리량에 의해 제한되고 그래서 SEM에 의해 캡처된 이미지들의 양에 의해 제한되므로, 트레이닝 이미지들은 일괄적으로 상대적으로 적은 수의 패턴만 커버할 수 있는데, 이는 트레이닝된 노이즈 제거 모델이 넓은 범위의 패턴들을 가질 수 있는 입력 이미지를 노이즈 제거함에 있어 비효율적이 되게 한다. 바람직하지 않게도, 트레이닝된 노이즈 제거 모델은 새로운 패턴들을 갖는 이미지들을 처리할 수 있도록 재트레이닝될 필요가 있다. 본 발명의 실시예들에 따르면, 상술한 바와 같이 생성자 모델을 통해 설계 패턴들로부터 변환된 시뮬레이션된 이미지들을 사용하여 노이즈 제거 모델이 트레이닝된다. 시뮬레이션된 이미지들을 포함하는 트레이닝 데이터는 SEM에 의해 캡처된 이미지들보다 현저하면서 충분히 더 많은 패턴을 일괄적으로 커버할 수 있다. 개선된 패턴 커버리지의 결과로서, 트레이닝은 노이즈 제거 모델의 크게 개선된 유효성 및 정확도를 유리하게 달성할 수 있다. 재트레이닝의 필요성이 대폭 저감되거나 심지어는 없어질 수도 있다.

도 7은 본 발명의 실시예에 따른 노이즈 제거 모델(예를 들면, MD2)을 트레이닝하는 예시적인 프로세스를 도시한다.

노이즈 제거 모델(MD2)을 트레이닝하기 위한 트레이닝 데이터로서의 제1 시뮬레이션된 이미지들(201), 이미지 노이즈, 및/또는 참조 이미지들(REF). 실시예에서는, 추가적으로, 패턴화된 기판의 캡처된 이미지들(710)(예를 들면, SEM 이미지들)이 트레이닝 데이터에 포함될 수 있다. 실시예에서, 캡처된 이미지(710)의 개수는 시뮬레이션된 이미지(201)의 개수보다 상대적으로 적을 수 있다. 실시예에서, 캡처된 이미지들(710)은 트레이닝된 노이즈 제거 모델(MD2)을 업데이트하는 데 사용될 수 있다.

실시예에서, 모델 MD2는 예를 들면, 노이즈성 이미지들(S1*, S2*, …, Sn*)(예를 들면, 모델 MD1을 사용하여 생성됨)과, 도 6 및 도 7과 관련하여 논의된 이미지 노이즈를 입력으로 취할 수 있다. 모델 MD2는 이미지들(DN11, D12,… DNn)과 같은 노이즈 제거 이미지들을 출력한다. 트레이닝 프로세스 중에, 모델 MD2의 하나 이상의 모델 파라미터(예를 들면, DCNN의 상이한 계층들의 웨이트들 및 바이어스들)는 수렴이 달성되거나 노이즈 제거 이미지들이 참조 이미지들(REF)의 지정된 역치 내에 있게 될 때까지 변경될 수 있다. 실시예에서는, 모델 파라미터 값들을 변경해도 이전의 모델 출력과 비교하여 모델 출력이 크게 개선되지 않을 때 수렴이 달성된다.

실시예에서, 본 방법(200)은 계측 툴을 통해 패턴화된 기판의 SEM 이미지를 획득하는 단계; 및 노이즈가 제거된 SEM 이미지를 생성하기 위해 SEM 이미지를 입력 이미지로 사용하여 트레이닝된 노이즈 제거 모델(MD2)을 실행하는 단계를 더 포함한다.

실시예에서는, 제2 머신 러닝 모델(MD2)도 프로세스 P203에서 논의된 입력들을 사용하여, 위에서 논의된 바와 같이 GAN 트레이닝 방법을 사용하여 트레이닝될 수 있다. 예를 들면, 제1 시뮬레이션된 이미지들(201), 이미지 노이즈, 및 참조 이미지들(REF)을 트레이닝 데이터로 사용한다. 실시예에서, 참조 이미지들(REF)은 제1 시뮬레이션된 이미지들(201)일 수 있다.

도 8은 노이즈가 제거된 SEM 이미지들을 생성하기 위해 트레이닝된 노이즈 제거 모델(MD2)을 사용하는 예시적인 프로세스를 도시한다. 패턴화된 기판의 예시적인 SEM 이미지들(801과 802)이 SEM 툴을 통해 캡처된다. SEM 이미지(801과 802)는 트레이닝 데이터의 이미지들에서 사용된 패턴들과는 매우 다르고 복잡한 패턴들을 가짐에 유의하자. 트레이닝된 모델(MD2)은 설계 패턴들과 관련된 시뮬레이션된 이미지들에 기초하여 트레이닝되므로, 다수의 패턴이 유리하게 커버될 수 있다. 그래서, 트레이닝된 모델(MD2)은 SEM 이미지들(801과 802)의 매우 정확한 노이즈 제거 이미지들(811과 812)을 각각 생성할 수 있다. 도 8의 결과는 트레이닝된 모델(MD2)이 추가 트레이닝 없이 새로운 패턴들을 처리할 수 있음을 보여준다. 실시예에서는, 노이즈 제거 이미지들의 품질을 더욱 개선하기 위해 새로 캡처된 SEM 이미지들을 사용하여 노이즈 제거 모델(MD2)의 추가 미세 튜닝이 수행될 수 있다.

도 3은 본 발명의 실시예에 따른 노이즈 제거 모델을 생성하는 다른 예시적인 방법(300)의 플로차트이다. 본 방법(300)은 아래에서 논의되는 프로세스 P301, P303, 및 P305를 포함한다.

프로세스 P301은 설계 패턴들에 기초하여 제1 세트의 시뮬레이션된 이미지(301)를 획득하는 것을 포함한다. 실시예에서, 제1 세트의 시뮬레이션된 이미지(301)의 각 이미지는 시뮬레이션된 SEM 이미지와 이미지 노이즈(예를 들면, 도 6의 S1*, S2*,...Sn* 참조)의 조합이다.

실시예에서, 시뮬레이션된 SEM 이미지들의 획득은 시뮬레이션된 SEM 이미지들을 생성하기 위한 입력으로서 설계 패턴들을 사용하여 트레이닝된 모델을 실행하는 것을 포함한다. 예를 들면, 도 5와 관련하여 논의된 바와 같이 트레이닝된 모델(MD1)을 실행한다. 실시예에서, 트레이닝된 모델(예를 들면, MD1)은 설계 패턴들과 패턴화된 기판의 캡처된 이미지들에 기초하여 트레이닝되며, 각각의 캡처된 이미지는 설계 패턴과 연관된다. 실시예에서, 캡처된 이미지들은 주사 전자 현미경(SEM)을 통해 획득된 SEM 이미지들이다. 실시예에서, 이미지 노이즈는 패턴화된 기판의 캡처된 이미지들로부터 추출된 노이즈이다. 실시예에서, 이미지 노이즈는 사용자 지정 파라미터들에 의해 특징지어지는 가우시안 노이즈, 화이트 노이즈, 솔트 앤드 페퍼 노이즈이다.

실시예에서, 트레이닝된 모델(예를 들면, MD1)은 제1 머신 러닝 모델이다. 실시예에서, 제1 머신 러닝 모델은 생성적 대립 신경망을 사용하여 트레이닝된 CNN 또는 DCNN이다. 실시예에서, 트레이닝된 모델(MD1)은 주어진 설계 패턴에 대해 시뮬레이션된 SEM 이미지를 생성하도록 구성된 생성적 모델이다. 예를 들면, 도 5 및 도 6과 관련하여 논의된 바와 같은 트레이닝된 모델(MD1). 실시예에서, 참조 노이즈 제거 이미지들은 설계 패턴들과 연관된 시뮬레이션된 SEM 이미지들이다. 예를 들어, 참조 이미지들은 도 5의 MD1에 의해 생성된 S1, S2, …Sn일 수 있다.

프로세스 P303은 최초의 제2 세트의 시뮬레이션된 이미지를 획득하기 위해 제1 세트의 시뮬레이션된 이미지(301)를 기본 노이즈 제거 모델(BM1)에 대한 입력으로 제공하는 것을 포함하며, 최초의 제2 세트의 시뮬레이션된 이미지는 설계 패턴들과 연관된 노이즈 제거 이미지들이다. 실시예에서, 기본 모델은 트레이닝되지 않은 모델 또는 미세 튜닝이 필요한 트레이닝된 모델일 수 있다. 실시예에서는, 패턴화된 기판의 캡처된 이미지들도 노이즈 제거 모델을 트레이닝하거나 미세 튜닝하는 데 사용될 수 있다. 프로세스 P305는 기본 노이즈 제거 모델(BM1)의 하나 이상의 구성을 업데이트하기 위해 참조 노이즈 제거 이미지들을 피드백으로 사용하는 것을 포함한다. 하나 이상의 구성은 참조 노이즈 제거 이미지들과 제2 세트의 시뮬레이션된 이미지 사이의 비교에 기초하여 업데이트된다. 예를 들어, 하나 이상의 구성을 업데이트하는 것은 기본 모델의 모델 파라미터들을 변경하는 것을 포함한다. 트레이닝 프로세스의 종료 시에, 구성이 업데이트된 기본 모델이 노이즈 제거 모델이 된다. 이러한 노이즈 제거 모델은 예를 들면, SEM 이미지들을 입력으로 사용하여 제2 세트의 시뮬레이션된 이미지를 생성할 수 있다.

실시예에서, 노이즈 제거 모델은 제2 머신 러닝 모델이다. 실시예에서, 제2 딥 러닝 모델은 딥 러닝 방법 또는 머신 러닝 방법을 사용하여 트레이닝된다. 실시예에서, 노이즈 제거 모델은 생성적 대립 신경망 트레이닝 방법을 사용하여 트레이닝될 수도 있다. 실시예에서, 노이즈 제거 모델은 컨볼루션 신경망 또는 다른 머신 러닝 모델들이다. 실시예에서, 노이즈 제거 모델은 도 7과 관련하여 논의된 바와 같은, MD2이다.

본 명세서에서 논의되는 바와 같이, 노이즈 제거 모델의 예는 머신 러닝 모델이다. 비지도 머신 러닝(unsupervised machine learning) 및 지도 머신 러닝(supervised machine learning) 모델 양자 모두 패턴화된 기판의 SEM과 같은 노이즈성 입력 이미지들로부터 노이즈 제거 이미지들을 생성하는 데 사용될 수 있다. 본 발명의 범위를 한정함이 없이, 지도 머신 러닝 알고리즘들의 적용들이 아래에 설명된다.

지도 학습(supervised learning)은 레이블링된 트레이닝 데이터로부터 함수를 추론하는 머신 러닝 작업이다. 트레이닝 데이터는 트레이닝 예(training example) 세트를 포함한다. 지도 학습에서, 각 예는 입력 객체(전형적으로는 벡터)와 원하는 출력 값(감시 신호라고도 함)을 갖는 쌍이다. 지도 학습 알고리즘은 트레이닝 데이터를 분석하고 새로운 예들(examples)을 매핑하는 데 사용될 수 있는 추론된 함수를 생성한다. 최적의 시나리오는 알고리즘이 처음 보는 인스턴스들에 대해 클래스 레이블들(class labels)을 올바르게 결정할 수 있게 한다. 이는 학습 알고리즘이 "합리적인" 방식으로 트레이닝 데이터로부터 처음 보는 상황들까지 일반화하는 것을 필요로 한다.

x_i가 i번째 예(example)의 특징 벡터이고 y_i가 그 레이블(즉, 클래스)이 되도록

형태의 N개의 트레이닝 예의 세트가 주어지면, 학습 알고리즘은 함수

를 찾는데, 여기서 X는 입력 공간이고 Y는 출력 공간이다. 특징 벡터는 모종의 객체를 나타내는 수치 특징들의 n차원 벡터이다. 머신 러닝의 많은 알고리즘은 객체들의 수치 표현을 필요로 하는데, 이는 이러한 표현들이 처리 및 통계 분석을 용이하게 하기 때문이다. 이미지들을 나타낼 때, 특징 값들은 이미지의 픽셀들에 대응할 수 있으며, 텍스트들을 나타낼 때는 아마도 용어의 발생 빈도일 것이다. 이들 벡터와 연관된 벡터 공간은 종종 특징 공간으로 불린다. 함수 g는 보통 가설 공간(hypothesis space)으로 불리는 가능한 함수들 G의 모종의 공간의 원소이다. g가 가장 높은 스코어:

를 주는 y 값을 반환하는 것으로 정의되도록 스코어링 함수

를 사용하여 g를 나타내는 것이 편리할 때가 있다. F를 스코어링 함수들의 공간이라고 하자.

G와 F는 임의의 함수 공간일 수 있으나, 많은 학습 알고리즘은 g가 조건부 확률 모델

의 형태를 취하거나 f가 동시 확률 모델

의 형태를 취하는 확률 모델들이다. 예를 들어, 나이브 베이즈(naive Bayes)와 선형 판별 분석은 동시 확률 모델인 반면, 로지스틱 회귀(logistic regression)는 조건부 확률 모델이다.

f 또는 g를 선택하는 두 가지 기본 접근법이 있다: 경험적 위험 최소화 및 구조적 위험 최소화. 경험적 위험 최소화는 트레이닝 데이터에 가장 적합한 함수를 찾는다. 구조적 위험 최소화는 바이어스/분산의 트레이드오프(tradeoff)를 제어하는 페널티 함수를 포함한다.

두 경우 모두, 트레이닝 세트는 독립적이면서 동일하게 분포된 쌍들

의 샘플을 갖는다고 가정한다. 함수가 트레이닝 데이터에 얼마나 적합한지를 측정하기 위해, 손실 함수

가 정의된다. 트레이닝 예

의 경우, 값

을 예측하는 손실은

이다.

함수 g의 위험 R(g)는 g의 기대 손실(expected loss)로 정의된다. 이는 트레이닝 데이터로부터

로 추정될 수 있다.

지도 학습의 예시적인 모델들은 결정 트리, 앙상블(배깅(bagging), 부스팅(boosting), 랜덤 포레스트(random forest)), k-NN, 선형 회귀, 나이브 베이즈, 신경망, 로지스틱 회귀, 퍼셉트론, SVM(support vector machine), RVM(relevance vector machine), 및 딥 러닝을 포함한다.

SVM은 데이터를 분석하여 패턴들을 인식하며 분류 및 회귀 분석에 사용될 수 있는 지도 학습 모델의 예이다. 트레이닝 예들 - 각각은 2개의 카테고리 중 하나에 속하는 것으로 표시됨 - 의 세트가 주어지면, SVM 트레이닝 알고리즘은 새로운 예들을 하나의 카테고리 또는 다른 카테고리에 할당하여, 비확률적 이진 선형 분류기(non-probabilistic binary linear classifier)가 되게 하는 모델을 구축한다. SVM 모델은 예들을 공간 중의 점들로 표현한 것으로, 개별 카테고리들의 예들이 가능한 한 넓은 명확한 갭만큼 분할되도록 매핑된다. 다음으로 새로운 예들이 동일한 공간에 매핑되며 예들이 갭의 어느 측에 있는지에 기초하여 카테고리에 속하는 것으로 예측된다.

선형 분류를 수행하는 것 외에도, SVM은 소위 커널 방법들을 사용하여 비선형 분류를 효율적으로 수행하여, 그 입력들을 고차원 특징 공간들에 암묵적으로 매핑할 수 있다.

커널 방법들은 사용자 지정 커널, 즉 원시 표현의 데이터 포인트 쌍들에 대한 유사도 함수를 포함한다. 커널 방법들은 그 이름이 커널 함수들의 사용에 기인하는데, 이는 고차원의 암묵적 특징 공간에서 결코 데이터의 좌표들을 계산하지 않고 단순히 특징 공간 중의 모든 데이터 쌍들의 이미지들 사이의 내적을 계산함으로써 그 공간에서 작용할 수 있게 한다. 이 작용은 종종 좌표들의 명시적인 계산보다 계산 비용이 저렴하다. 이 접근법은 "커널 트릭(kernel trick)"이라 불린다.

SVM의 유효성은 커널, 커널의 파라미터들, 및 소프트 마진 파라미터 C의 선택에 의존한다. 통상적인 선택은 단일 파라미터 γ를 갖는 가우시안 커널이다. C와 γ의 최상의 조합은 종종 C와 γ의 지수함수적으로 증가하는 수열, 예를 들면,

;

에 의한 그리드 검색("파라미터 스윕(parameter sweep)으로도 알려짐)에 의해 선택된다.

그리드 검색은 학습 알고리즘의 하이퍼파라미터 공간의 수동으로 지정된 서브세트(부분집합)를 통한 철저한 검색이다. 그리드 검색 알고리즘은 전형적으로는 트레이닝 세트에 대한 교차 검증 또는 유지되는 검증 세트에 대한 평가에 의해 측정되는 모종의 성능 메트릭에 의해 가이드된다.

파라미터 선택들의 각 조합은 교차 검증을 이용하여 체크될 수 있으며, 최상의 교차 검증 정확도를 갖는 파라미터들이 선택된다.

경우에 따라서는 회전 추정으로도 불리는 교차 검증은 통계 분석 결과들이 독립적인 데이터 세트로 어떻게 일반화되는지를 평가하기 위한 모델 검증 기법이다. 이는 목표가 예측이고, 예측 모델이 실제로 얼마나 정확하게 수행될지를 추정하기를 원하는 설정에서 주로 사용된다. 예측 문제에서, 모델에는 보통 트레이닝이 실행되는 알려진 데이터의 데이터세트(트레이닝 데이터세트)와 모델이 테스트되는 미지의 데이터(또는 처음 본 데이터)의 데이터세트(테스팅 데이터세트)가 주어진다. 교차 검증의 목표는 과적합(overfitting)과 같은 문제들을 제한하기 위해 트레이닝 단계에서 모델을 "테스트"하기 위한 데이터세트(즉, 검증 데이터세트)를 정의하고, 모델이 독립적인 데이터 세트(즉, 예컨대 실제 문제로부터의 미지의 데이터세트)로 어떻게 일반화되는지에 대한 통찰을 제공하는 등을 하는 것이다. 교차 검증의 1 라운드는 데이터 샘플을 상보적인 서브세트들로 분할하고, 하나의 서브세트(트레이닝 세트라고 함)에 분석을 수행하고, 다른 서브세트(검증 세트 또는 테스팅 세트라고 함)에서 분석을 검증하는 것을 포함한다. 변동성을 줄이기 위해, 상이한 파티션들을 사용하여 복수의 라운드의 교차 검증이 수행되며, 검증 결과들을 복수의 라운드에 걸쳐 평균을 낸다.

테스팅 및 새로운 데이터를 분류하는 데 사용될 수 있는 최종 모델은 다음으로 선택된 파라미터들을 사용하여 트레이닝 세트 전체에 대해 트레이닝된다.

지도 학습의 다른 예는 회귀이다. 회귀(regression)는 종속 변수들의 값 세트와 독립 변수들의 대응하는 값들로부터, 종속 변수와 하나 이상의 독립 변수 사이의 관계를 추론한다. 회귀는 독립 변수들이 주어진 경우 종속 변수의 조건부 기대치를 추정할 수 있다. 추론된 관계는 회귀 함수로 불릴 수 있다. 추론된 관계는 확률적일 수 있다.

실시예에서는, 시스템이 패턴화된 기판의 이미지들을 캡처한 후에 노이즈 제거 이미지들을 생성하기 위해 모델 MD2를 사용할 수 있는 시스템이 제공된다. 실시예에서, 시스템은 예를 들면, 본 명세서에서 논의되는 모델 MD1 및/또는 MD2를 포함하도록 구성된 도 9의 SEM 툴 또는 도 10의 검사 툴일 수 있다. 예를 들어, 계측 툴은 패턴화된 기판의 이미지를 캡처하기 위한 e 빔 발생기; 및 MD1과 MD2 모델을 포함하는 하나 이상의 프로세서를 포함한다. 하나 이상의 프로세서는 기판을 패턴화하는 데 사용되는 설계 패턴에 기초하여 시뮬레이션된 이미지를 생성하도록 구성된 트레이닝된 모델을 실행하고; 패턴화된 기판의 노이즈 제거 이미지를 생성하기 위해 캡처된 이미지와 시뮬레이션된 이미지를 입력으로 사용하여 노이즈 제거 모델을 실행하도록 구성된다. 앞서 언급한 바와 같이, 노이즈 제거 모델(예를 들면, MD2)은 컨볼루션 신경망이다.

또한, 실시예에서, 하나 이상의 프로세서는 또한 패턴화된 기판의 캡처된 이미지에 기초하여 노이즈 제거 모델을 업데이트하도록 구성된다. 실시예에서, 노이즈 제거 모델의 업데이트는 노이즈 제거 이미지를 생성하기 위해 캡처된 이미지를 사용하여 노이즈 제거 모델을 실행하고; 노이즈 제거 이미지와 참조 노이즈 제거 이미지의 비교에 기초하여 노이즈 제거 모델의 하나 이상의 파라미터를 업데이트하는 것을 포함한다.

본 발명은 노이즈 제거 이미지들을 사용하는 어떠한 적용들에도 한정되지 않는다. 반도체 업계에서, 노이즈 제거 이미지들은 예를 들면, 검사 및 계측에 사용될 수 있다. 실시예에서, 노이즈 제거 이미지들은 패턴화된 기판의 핫스팟을 결정하는 데 사용될 수 있다. 핫스팟은 노이즈 제거 이미지로부터 측정된 CD 절대값들을 기초로 결정될 수 있다. 혹은, 핫스팟은 라인 엔드 풀백(line-end pullback), 코너 라운딩, 인접 피처들에 대한 근접성, 패턴 네킹 또는 핀칭(pattern necking or pinching), 및 원하는 패턴에 대한 패턴 변형의 다른 메트릭을 포함하되 이에 국한되지 않는, 설계 규칙 체킹 시스템에서 사용되는 것들과 같은 사전 결정된 규칙 세트에 기초하여 결정될 수 있다.

실시예에서, 노이즈 제거 이미지들은 패터닝 프로세스를 개선하는 데 사용될 수 있다. 예를 들어, 노이즈 제거 이미지들은 예를 들면, 레지스트 및/또는 에칭된 이미지에서 윤곽, CD, 에지 배치(예를 들면, 에지 배치 에러) 등을 예측하기 위해 패터닝 프로세스의 시뮬레이션에 사용될 수 있다. 시뮬레이션의 목적은 예를 들면, 인쇄 패턴의 에지 배치, 및/또는 에어리얼 이미지 강도 구배, 및/또는 CD 등을 정확하게 예측하는 것이다. 이들 값은 예를 들면, 패터닝 프로세스를 수정하고, 어디에서 결함이 발생할 것으로 예측되는지를 식별하는 등을 위해 의도된 설계와 비교될 수 있다. 의도된 설계는 일반적으로 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 형식 또는 다른 파일 형식으로 제공될 수 있는 프리 OPC 설계 레이아웃(pre-OPC design layout)으로 정의된다.

몇몇 실시예에서, 검사 장치 또는 계측 장치는 기판 상에 노광되거나 전사된 구조(예를 들면, 디바이스의 일부 또는 모든 구조)의 이미지를 생성하는 주사 전자 현미경(SEM)일 수 있다. 도 9는 SEM 툴의 실시예를 묘사한다. 전자 소스(ESO)로부터 방출된 1차 전자빔(EBP)은 집광 렌즈(CL)에 의해 집속된 후 빔 디플렉터(EBD1), E x B 디플렉터(EBD2), 및 대물 렌즈(OL)를 통과하여 초점에서 기판 테이블(ST) 상의 기판(PSub)을 조사한다.

기판(PSub)이 전자빔(EBP)으로 조사되면, 기판(PSub)으로부터 2차 전자들이 발생된다. 2차 전자들은 E x B 디플렉터(EBD2)에 의해 편향되고 2차 전자 검출기(SED)에 의해 검출된다. 예를 들어, 빔 디플렉터(EBD1)에 의한 전자 빔의 2차원 스캐닝과 동기화하여, 또는 X 또는 Y 방향 중 다른 방향으로의 기판 테이블(ST)에 의한 기판(PSub)의 연속적인 이동과 함께 X 또는 Y 방향으로의 빔 디플렉터(EBD1)에 의한 전자 빔(EBP)의 반복 스캐닝과 동기화하여 샘플로부터 발생되는 전자들을 검출함으로써 2차원 전자 빔 이미지가 획득될 수 있다.

2차 전자 검출기(SED)에 의해 검출된 신호는 아날로그/디지털(A/D) 변환기(ADC)에 의해 디지털 신호로 변환되고, 디지털 신호는 이미지 처리 시스템(IPU)에 송신된다. 실시예에서, 이미지 처리 시스템(IPU)은 처리 유닛(PU)에 의해 처리하기 위한 디지털 이미지들 전부 또는 일부를 저장하기 위한 메모리(MEM)을 가질 수 있다. 처리 유닛(PU)(예를 들면, 특별히 설계된 하드웨어 또는 하드웨어와 소프트웨어의 조합)은 디지털 이미지들을 디지털 이미지들을 나타내는 데이터세트들로 변환하거나 처리하도록 구성된다. 또한, 이미지 처리 시스템(IPU)은 디지털 이미지들 및 대응하는 데이터세트들을 참조 데이터베이스에 저장하도록 구성된 저장 매체(STOR)를 가질 수 있다. 디스플레이 디바이스(DIS)가 이미지 처리 시스템(IPU)과 연결될 수 있으며, 그래서 조작자가 그래픽 사용자 인터페이스의 도움을 받아 장비의 필요한 작동을 수행할 수 있다.

위에서 언급한 바와 같이, SEM 이미지들은 이미지에서 디바이스 구조들을 나타내는 객체들의 에지를 나타내는 윤곽들을 추출하도록 처리될 수 있다. 이들 윤곽은 다음으로 CD와 같은 메트릭을 통해 정량화된다. 그래서, 전형적으로, 디바이스 구조들의 이미지들은 에지에서 에지까지의 거리(CD) 또는 이미지들 사이의 단순한 픽셀 차이와 같은 지극히 단순한 메트릭을 통해 비교 및 정량화된다. CD를 측정하기 위해 이미지에서 객체들의 에지들을 검출하는 전형적인 윤곽 모델들은 이미지 구배들(image gradients)을 사용한다. 사실, 이들 모델은 강한 이미지 구배들에 의존한다. 그러나 실제에서는, 이미지는 전형적으로 노이즈성이며 불연속적인 경계들을 갖는다. 평활화, 적응형 역치화(adaptive thresholding), 에지 검출, 침식, 및 팽창과 같은 기법들이 노이즈성이며 불연속적인 이미지들을 다루기 위해 이미지 구배 윤곽 모델들의 결과들을 처리하는 데 사용될 수 있으나, 궁극적으로는 고해상도 이미지의 저해상도 정량화를 초래하게 된다. 그래서 대부분의 경우, 노이즈를 줄이고 에지 검출을 자동화하기 위한 디바이스 구조들의 이미지들의 수학적 조작은 이미지의 해상도의 손실을 초래하며, 그에 따라 정보의 손실을 초래한다. 따라서, 그 결과는 복잡한 고해상도 구조의 단순한 표현에 상당하는 저해상도 정량화이다.

그래서, 예를 들면 구조들이 레지스트 잠상에 있든, 현상된 레지스트 이미지에 있든, 또는 해상도를 보존하면서도 구조들의 전체적인 형상을 나타낼 수 있는 기판 상의 층에 예를 들면, 에칭에 의해 전사되든, 패터닝 프로세스를 사용하여 생성되거나 생성될 것으로 예상되는 구조들(예를 들면, 회로 피처들, 정렬 마크, 또는 계측 타겟부들(예를 들면, 격자 피처들) 등)의 수학적 표현을 갖는 것이 바람직하다. 리소그래피 또는 다른 패터닝 프로세스들의 맥락에서, 구조는 제조되고 있는 디바이스 또는 그 일부일 수 있으며 이미지들은 구조의 SEM 이미지들일 수 있다. 몇몇 경우에, 구조는 반도체 디바이스, 예를 들면 집적 회로의 피처일 수 있다. 이 경우에, 구조는 반도체 디바이스의 복수의 피처를 포함하는 패턴 또는 원하는 패턴으로 지칭될 수 있다. 몇몇 경우에, 구조는 물체(예를 들면, 기판)와 다른 물체(예를 들면, 패터닝 디바이스)의 정렬을 결정하기 위해 정렬 측정 프로세스에서 사용되는 정렬 마크 또는 그 일부(예를 들면, 정렬 마크의 격자)일 수 있거나, 패터닝 프로세스의 파라미터(예를 들면, 오버레이, 초점, 선량 등)를 측정하는 데 사용되는 계측 타겟 또는 그 일부(예를 들면, 계측 타겟의 격자)일 수 있다. 실시예에서, 계측 타겟은 예를 들면, 오버레이를 측정하는 데 사용되는 회절 격자이다.

도 10은 검사 장치의 추가 실시예를 개략적으로 도시한다. 본 시스템은 샘플 스테이지(88) 상의 (기판과 같은) 샘플(90)을 검사하는 데 사용되며, 하전 입자 빔 발생기(81), 집광 렌즈 모듈(82), 프로브 형성 대물 렌즈 모듈(83), 하전 입자 빔 편향 모듈(84), 2차 하전 입자 검출기 모듈(85), 및 이미지 형성 모듈(86)을 포함한다.

하전 입자 빔 발생기(81)는 1차 하전 입자 빔(91)을 발생시킨다. 집광 렌즈 모듈(82)은 발생된 1차 하전 입자 빔(91)을 집광한다. 프로브 형성 대물 렌즈 모듈(83)은 집광된 1차 하전 입자 빔을 하전 입자 빔 프로브(92)로 집속시킨다. 하전 입자 빔 편향 모듈(84)은 형성된 하전 입자 빔 프로브(92)를 샘플 스테이지(88) 상에 고정된 샘플(90)의 관심 영역의 표면을 가로질러 스캔한다. 실시예에서, 하전 입자 빔 발생기(81), 집광 렌즈 모듈(82), 및 프로브 형성 대물 렌즈 모듈(83), 또는 이들의 동등한 설계들, 대체물들, 또는 이들의 임의의 조합은 함께, 스캐닝 하전 입자 빔 프로브(92)를 발생시키는 하전 입자 빔 프로브 발생기를 형성한다.

2차 하전 입자 검출기 모듈(85)은 2차 하전 입자 검출 신호(94)를 발생시키도록 하전 입자 빔 프로브(92)에 의해 충돌될 시에 샘플 표면으로부터 방출되는 2차 하전 입자들(93)을 (아마 샘플 표면으로부터 반사되거나 산란된 다른 하전 입자들도 함께) 검출한다. 이미지 형성 모듈(86)(예를 들면, 컴퓨팅 디바이스)은 2차 하전 입자 검출기 모듈(85)과 결합되어 2차 하전 입자 검출기 모듈(85)로부터 2차 하전 입자 검출 신호(94)를 수신하며, 그에 따라 적어도 하나의 스캔된 이미지를 형성한다. 실시예에서, 2차 하전 입자 검출기 모듈(85)과 이미지 형성 모듈(86), 또는 이들의 동등한 설계들, 대체물들, 또는 이들의 임의의 조합은 함께, 하전 입자 빔 프로브(92)에 의해 충돌되는 샘플(90)로부터 방출된 검출된 2차 하전 입자들로부터 스캔된 이미지를 형성하는 이미지 형성 장치를 형성한다.

실시예에서는, 모니터링 모듈(87)이 이미지 형성 장치의 이미지 형성 모듈(86)에 결합되어 이미지 형성 모듈(86)로부터 수신된 샘플(90)의 스캔된 이미지를 사용하여 패터닝 프로세스를 모니터링, 제어 등을 하고, 및/또는 패터닝 프로세스 설계, 제어, 모니터링 등을 위한 파라미터를 도출한다. 그래서, 실시예에서, 모니터링 모듈(87)은 본 명세서에 기재된 방법을 실행시키도록 구성되거나 프로그램된다. 실시예에서, 모니터링 모듈(87)은 컴퓨팅 디바이스를 포함한다. 실시예에서, 모니터링 모듈(87)은 본 명세서의 기능을 제공하고 모니터링 모듈(87)을 형성하거나 그 내부에 배치된 컴퓨터 가독 매체에 인코딩되는 컴퓨터 프로그램을 포함한다.

실시예에서는, 기판을 검사하기 위해 프로브를 사용하는 도 9의 전자 빔 검사 툴과 같이, 도 10의 시스템의 전자 전류는 예를 들면, 도 9에 묘사된 것과 같은 CD SEM에 비해 훨씬 더 크며, 그래서 프로브 스폿은 검사 속도가 빠를 수 있도록 충분히 크다. 하지만, 큰 프로브 스폿으로 인해 해상도는 CD SEM에 비해 그만큼 높지 않을 수 있다. 실시예에서, 위에서 논의된 검사 장치는 본 발명의 범위를 한정함이 없이 단일 빔 또는 멀티 빔 장치일 수 있다.

예를 들어, 도 9 및/또는 도 10의 시스템으로부터의 SEM 이미지들은 이미지에서 디바이스 구조들을 나타내는 객체들의 에지를 나타내는 윤곽들을 추출하도록 처리될 수 있다. 이들 윤곽은 다음으로 전형적으로 사용자 정의 절단선들에서 CD와 같은 메트릭을 통해 정량화된다. 그래서, 전형적으로, 디바이스 구조들의 이미지들은 추출된 윤곽들에서 측정되는 에지에서 에지까지의 거리(CD) 또는 이미지들 사이의 단순한 픽셀 차이와 같은 메트릭을 통해 비교 및 정량화된다.

실시예에서, 프로세스 200 및/또는 300의 하나 이상의 절차는 컴퓨터 시스템의 프로세서(예를 들면, 컴퓨터 시스템(100)의 프로세스(104))에서의 명령어들(예를 들면, 프로그램 코드)로서 구현될 수 있다. 실시예에서는, 계산 효율을 향상시키기 위해 절차들이 복수의 프로세서에 걸쳐 분산(예를 들면, 병렬 계산)될 수 있다. 실시예에서, 비일시적 컴퓨터 가독 매체를 포함하는 컴퓨터 프로그램 제품에는 명령어들이 기록되어 있으며, 명령어들은 컴퓨터 하드웨어 시스템에 의해 실행되면 본 명세서에 기재된 방법을 구현한다.

본 발명에 따르면, 개시된 요소들의 조합 및 하위 조합은 별도의 실시예들을 구성한다. 예를 들어, 제1 조합은 설계 패턴들 및 노이즈 이미지와 관련된 시뮬레이션된 이미지들에 기초하여 노이즈 제거 모델을 결정하는 것을 포함한다. 하위 조합은 노이즈 제거 모델을 사용하여 노이즈 제거 이미지를 결정하는 것을 포함할 수 있다. 다른 조합에서, 노이즈 제거 이미지들은 모델 생성 분산 데이터를 기초로 검사 프로세스, OPC 결정, 또는 SMO에 사용될 수 있다. 다른 예에서, 조합은 패터닝 프로세스의 수율을 개선하기 위해 노이즈 제거 이미지들에 기초한 검사 데이터에 기초하여, 리소그래피 프로세스, 레지스트 프로세스, 또는 에칭 프로세스에 대한 프로세스 조정을 결정하는 것을 포함한다.

도 11은 본 명세서에 개시된 방법들, 플로들(flows), 또는 장치들을 구현하는 것을 지원할 수 있는 컴퓨터 시스템(100)을 도시하는 블록도이다. 컴퓨터 시스템(100)은 정보를 전달하기 위한 버스(102) 또는 다른 통신 메커니즘, 및 정보를 처리하기 위해 버스(102)와 결합된 프로세서(104)(또는 복수의 프로세서(104 및 105))를 포함한다. 컴퓨터 시스템(100)은 프로세서(104)에 의해 실행되는 명령어들 및 정보를 저장하기 위해 버스(102)에 결합된, 랜덤 액세스 메모리(RAM) 또는 다른 동적 스토리지 디바이스와 같은 메인 메모리(106)를 또한 포함한다. 메인 메모리(106)는 프로세서(104)에 의해 실행되는 명령어들의 실행 중에 임시 변수들 또는 다른 중간 정보를 저장하는 데에도 사용될 수 있다. 컴퓨터 시스템(100)은 프로세서(104)를 위한 명령어들 및 정적 정보를 저장하기 위해 버스(102)에 결합된 읽기 전용 메모리(ROM)(108) 또는 다른 정적 스토리지 디바이스를 더 포함한다. 정보 및 명령어들을 저장하기 위해 자기 디스크 또는 광 디스크와 같은 스토리지 디바이스(110)가 제공되어 버스(102)에 결합된다.

컴퓨터 사용자에게 정보를 디스플레이하기 위해 컴퓨터 시스템(100)은 버스(102)를 통해 CRT(음극선관) 또는 평면 패널 또는 터치 패널 디스플레이와 같은 디스플레이(112)에 결합될 수 있다. 정보 및 명령 선택을 프로세서(104)에 전달하기 위해 영숫자(alphanumeric) 및 기타 키들을 포함하는 입력 디바이스(114)가 버스(102)에 결합된다. 방향 정보 및 명령 선택을 프로세서(104)에 전달하고 디스플레이(112) 상에서 커서의 움직임을 제어하기 위한 다른 유형의 사용자 입력 디바이스는 마우스, 트랙볼, 또는 커서 방향 키와 같은 커서 제어부(116)이다. 이 입력 디바이스는 전형적으로 2 축, 즉 제1 축(예를 들면, x) 및 제2 축(예를 들면, y)으로 2의 자유도를 갖는데, 이는 디바이스가 평면에서 위치를 지정할 수 있게 한다. 터치 패널(스크린) 디스플레이도 또한 입력 디바이스로 사용될 수 있다.

일 실시예에 따르면, 본 명세서에 기재된 하나 이상의 방법의 부분들은 프로세서(104)가 메인 메모리(106)에 포함된 하나 이상의 명령어의 하나 이상의 시퀀스를 실행하는 것에 응답하여 컴퓨터 시스템(100)에 의해 수행될 수 있다. 이러한 명령어들은 스토리지 디바이스(110)와 같은 다른 컴퓨터 가독 매체로부터 메인 메모리(106)로 독출될 수 있다. 메인 메모리(106)에 포함된 명령어들의 시퀀스들의 실행은 프로세서(104)로 하여금 본 명세서에 기재된 프로세스 단계들을 수행하게 한다. 메인 메모리(106)에 포함된 명령어들의 시퀀스들을 실행하기 위해 멀티 프로세싱 구성의 하나 이상의 프로세서가 사용될 수도 있다. 대체 실시예에서는, 하드 와이어드 회로(hard-wired circuitry)가 소프트웨어 명령어들 대신에 또는 소프트웨어 명령어들과 함께 사용될 수 있다. 그래서, 본 명세서의 설명은 하드웨어 회로 및 소프트웨어의 특정 조합에 국한되지 않는다.

본 명세서에서 사용되는 "컴퓨터 가독 매체"라는 용어는 실행을 위해 프로세서(104)에 명령어들을 제공하는 데 관여하는 임의의 매체를 지칭한다. 이러한 매체는 비휘발성 매체, 휘발성 매체, 및 전송 매체를 포함하지만 이에 국한되지 않는 많은 형태를 취할 수 있다. 비휘발성 매체는 예를 들면, 스토리지 디바이스(110)와 같은 광 디스크 또는 자기 디스크를 포함한다. 휘발성 매체는 메인 메모리(106)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(102)를 포함하는 와이어를 포함하여, 동축 케이블, 구리 와이어, 및 광섬유를 포함한다. 전송 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 중에 발생되는 것과 같은, 음향파 또는 광파의 형태를 취할 수도 있다. 컴퓨터 가독 매체의 통상적인 형태는 예를 들면, 플로피 디스크, 플렉시블 디스크, 하드 디스크, 자기 테이프, 기타 자기 매체, CD-ROM, DVD, 기타 광학 매체, 펀치 카드, 종이 테이프, 구멍 패턴을 갖는 기타 물리적 매체, RAM, PROM 및 EPROM, FLASH-EPROM, 기타 메모리 칩 또는 카트리지, 이하에 설명되는 반송파, 또는 컴퓨터가 독출할 수 있는 기타 매체를 포함한다.

다양한 형태의 컴퓨터 가독 매체가 실행을 위해 하나 이상의 명령어의 하나 이상의 시퀀스를 프로세서(104)로 전달하는 데 관여될 수 있다. 예를 들어, 명령어들은 초기에는 원격 컴퓨터의 자기 디스크에 있을 수 있다. 원격 컴퓨터는 명령어들을 그 동적 메모리에 로드하고는 모뎀을 사용하여 전화 회선을 통해 명령어들을 송신할 수 있다. 컴퓨터 시스템(100)에 로컬에 있는 모뎀은 전화 회선 상에서 데이터를 수신하고는 적외선 송신기를 사용하여 데이터를 적외선 신호로 변환할 수 있다. 버스(102)에 결합된 적외선 검출기는 적외선 신호에 반송되는 데이터를 수신하고는 이 데이터를 버스(102)에 배치할 수 있다. 버스(102)는 데이터를 메인 메모리(106)로 전달하며, 프로세서(104)는 메인 메모리(106)로부터 명령어들을 검색하고는 실행한다. 메인 메모리(106)에 의해 수신되는 명령어들은 프로세서(104)에 의한 실행 전 또는 후에 스토리지 디바이스(110)에 선택적으로 저장될 수 있다.

컴퓨터 시스템(100)은 버스(102)에 결합된 통신 인터페이스(118)도 포함할 수 있다. 통신 인터페이스(118)는 로컬 네트워크(122)에 연결된 네트워크 링크(120)에 양방향 데이터 통신 결합을 제공한다. 예를 들면, 통신 인터페이스(118)는 대응하는 유형의 전화 회선에 데이터 통신 연결을 제공하기 위한 ISDN(Integrated Services Digital Network: 통합 서비스 디지털 네트워크) 카드 또는 모뎀일 수 있다. 다른 예로서, 통신 인터페이스(118)는 호환성 있는 LAN(local area network)에 데이터 통신 연결을 제공하기 위한 LAN 카드일 수 있다. 무선 링크도 또한 구현될 수 있다. 임의의 이러한 구현에서, 통신 인터페이스(118)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림을 반송하는 전기, 전자, 또는 광학 신호들을 송수신한다.

네트워크 링크(120)는 전형적으로 하나 이상의 네트워크를 통해 다른 데이터 디바이스들에 데이터 통신을 제공한다. 예를 들면, 네트워크 링크(120)는 로컬 네트워크(122)를 통해 호스트 컴퓨터(124)에 또는 인터넷 서비스 제공자(ISP)(126)에 의해 운영되는 데이터 장비에 대한 연결을 제공할 수 있다. ISP(126)는 다시 현재는 통상적으로 "인터넷"(128)으로 지칭되는 월드와이드 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(122) 및 인터넷(128) 양자 모두는 디지털 데이터 스트림을 반송하는 전기, 전자, 또는 광학 신호들을 사용한다. 컴퓨터 시스템(100)과의 사이에서 디지털 데이터를 반송하는, 다양한 네트워크를 통한 신호들 및 네트워크 링크(120) 상에서 통신 인터페이스(118)를 통한 신호들은 정보를 운반하는 반송파의 예시적인 형태들이다.

컴퓨터 시스템(100)은 네트워크(들), 네트워크 링크(120), 및 통신 인터페이스(118)를 통해 메시지를 전송하고 프로그램 코드를 포함하는 데이터를 수신할 수 있다. 인터넷의 예에서, 서버(130)는 인터넷(128), ISP(126), 로컬 네트워크(122), 및 통신 인터페이스(118)를 통해 애플리케이션 프로그램에 대해 요청된 코드를 전송할 수 있다. 하나의 이러한 다운로드된 애플리케이션은 예를 들면, 본 명세서에 기재된 방법의 전부 또는 일부를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(104)에 의해 실행될 수도 있고, 및/또는 나중에 실행하기 위해 스토리지 디바이스(110)에 또는 다른 비휘발성 스토리지에 저장될 수도 있다. 이러한 방식으로, 컴퓨터 시스템(100)은 애플리케이션 코드를 반송파의 형태로 획득할 수 있다.

도 12는 이용될 수 있는 본 명세서에 기재된 기법들과 함께 예시적인 리소그래피 투영 장치를 개략적으로 묘사한다. 본 장치는 이하를 포함한다:

- 방사선 빔(B)을 컨디셔닝하기 위한 조명 시스템(IL). 이 특정 경우에, 조명 시스템은 방사선 소스(SO)도 또한 포함함;

- 패터닝 디바이스(MA)(예를 들면, 레티클)를 유지하기 위한 패터닝 디바이스 홀더가 구비되고, 물품(PS)에 대해 패터닝 디바이스를 정확하게 위치시키기 위한 제1 포지셔너에 연결된 제1 대물 테이블(예를 들면, 패터닝 디바이스 테이블)(MT);

- 기판(W)(예를 들면, 레지스트 코팅된 실리콘 웨이퍼)을 유지하기 위한 기판 홀더가 구비되고, 물품(PS)에 대해 기판을 정확하게 위치시키기 위한 제2 포지셔너에 연결된 제2 대물 테이블(기판 테이블)(WT);

- 패터닝 디바이스(MA)의 조사된 부분을 기판(W)의 (예를 들면, 하나 이상의 다이를 포함하는) 타겟부(C) 상에 이미징하기 위한 투영 시스템("렌즈")(PS)(예를 들면, 굴절형, 반사형, 반사굴절형 광학 시스템).

여기에 묘사된 바와 같이, 본 장치는 투과형이다(즉, 투과형 패터닝 디바이스를 갖는다). 하지만, 일반적으로, 예를 들면 (반사형 패터닝 디바이스를 갖는) 반사형일 수도 있다. 본 장치는 고전적인 마스크에 상이한 종류의 패터닝 디바이스를 사용할 수 있으며; 예로는 프로그래머블 미러 어레이 또는 LCD 매트릭스가 포함된다.

소스(SO)(예를 들면, 수은 램프 또는 엑시머 레이저, LPP(laser produced plasma: 레이저 생성 플라즈마) EUV 소스)는 방사선 빔을 생성한다. 이 빔은 직접 또는 예를 들면, 빔 익스팬더(Ex)와 같은 컨디셔닝 수단을 통과한 후에 조명 시스템(일루미네이터)(IL)에 공급된다. 일루미네이터(IL)는 빔의 강도 분포의 외측 및/또는 내측 반경방향 범위(통상적으로는, 각각 σ-외측 및 σ-내측으로 지칭됨)를 설정하기 위한 조정 수단(AD)을 포함할 수 있다. 또한 일루미네이터는 일반적으로 적분기(integrator: IN) 및 집광기(condenser: CO)와 같은 다양한 다른 컴포넌트를 포함하게 된다. 이와 같이, 패터닝 디바이스(MA)에 충돌하는 빔(B)은 그 단면에 원하는 균일성 및 강도 분포를 갖는다.

도 12와 관련하여, (예를 들면, 소스(SO)가 수은 램프인 경우에 흔히 그러하듯이) 소스(SO)는 리소그래피 투영 장치의 하우징 내에 있을 수 있다는 것과, 하지만 또한 리소그래피 투영 장치로부터 멀리 떨어져 있을 수도 있으며, 그 생성하는 방사선 빔은 (예를 들면, 적절한 지향 미러들의 도움을 받아) 장치로 유도된다는 것에 유의해야 하는데; 이 후자의 시나리오는 소스(SO)가 (예를 들면, KrF, ArF 또는 F₂ 레이저를 기반으로 한) 엑시머 레이저일 때 흔히 그러하다.

빔(PB)은 이어서 패터닝 디바이스 테이블(MT) 상에 유지되는 패터닝 디바이스(MA)를 가로지른다. 패터닝 디바이스(MA)를 통과한 후에, 빔(B)은 렌즈(PL)를 통과하는데, 렌즈(PL)는 빔(B)을 기판(W)의 타겟부(C) 상에 집속한다. 제2 포지셔닝 수단(및 간섭 측정 수단(IF))의 도움으로, 예를 들면 빔(PB)의 경로에 상이한 타겟부들(C)을 위치시키기 위해 기판 테이블(WT)이 정확하게 이동될 수 있다. 유사하게, 예를 들면 패터닝 디바이스 라이브러리로부터 패터닝 디바이스(MA)의 기계적인 인출 후에 또는 스캔 중에 제1 포지셔닝 수단은 빔(B)의 경로에 대해 패터닝 디바이스(MA)를 정확하게 위치시키는 데 사용될 수 있다. 일반적으로, 대물 테이블들(MT, WT)의 이동은 도 12에는 명시적으로 묘사되지는 않은 롱 스트로크 모듈(long-stroke module)(대략 위치설정) 및 숏 스트로크 모듈(미세 위치설정)의 도움으로 실현되게 된다. 하지만, (스텝 앤드 스캔 툴과 대조되는) 스테퍼의 경우에, 패터닝 디바이스 테이블(MT)은 단지 숏 스트로크 액추에이터에만 연결되거나 고정될 수 있다.

묘사된 툴은 두 가지 상이한 모드로 사용될 수 있다:

- 스텝 모드에서는, 패터닝 디바이스 테이블(MT)이 본질적으로 정지 상태로 유지되며, 패터닝 디바이스 이미지 전체가 한 번에(즉, 단일 "플래시"로) 타겟부(C) 상에 투영된다. 기판 테이블(WT)은 그 다음에 상이한 타겟부(C)가 빔(PB)에 의해 조사될 수 있도록 x 및/또는 y 방향으로 쉬프트된다;

- 스캔 모드에서는, 주어진 타겟부(C)가 단일 "플래시"로 노광되지 않는다는 것을 제외하고는, 기본적으로 동일한 시나리오가 적용된다. 대신에, 패터닝 디바이스 테이블(MT)은 속도 v로 주어진 방향(소위 "스캔 방향", 예를 들면 y 방향)으로 이동 가능하며, 그래서 투영 빔(B)은 패터닝 디바이스 이미지 위를 스캔하도록 되고; 동시에, 기판 테이블(WT)은 속도 V = Mv로 동일 방향 또는 반대 방향으로 동시에 이동되는데, 여기서 M은 렌즈(PL)의 배율(전형적으로는 M = 1/4 또는 1/5)이다. 이러한 방식으로, 분해능을 저하시키는 일 없이 비교적 큰 타겟부(C)가 노광될 수 있다.

도 13은 이용될 수 있는 본 명세서에 기재된 기법들과 함께 다른 예시적인 리소그래피 투영 장치(LA)를 개략적으로 묘사한다.

리소그래피 투영 장치(LA)는 다음을 포함한다:

- 소스 컬렉터 모듈(SO);

- 방사선 빔(B)(예를 들면, EUV 방사선)를 컨디셔닝하도록 구성된 조명 시스템(일루미네이터)(IL);

- 패터닝 디바이스(예를 들면, 마스크 또는 레티클)(MA)를 지지하도록 구성되고 패터닝 디바이스를 정확하게 위치시키도록 구성된 제1 포지셔너(PM)에 연결된 지지 구조(예를 들면, 패터닝 디바이스 테이블)(MT);

- 기판(예를 들면, 레지스트 코팅된 웨이퍼)(W)을 유지하도록 구성되고 기판을 정확하게 위치시키도록 구성된 제2 포지셔너(PW)에 연결된 기판 테이블(예를 들면, 웨이퍼 테이블)(WT); 및

- 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 기판(W)의 (예를 들면, 하나 이상의 다이를 포함하는) 타겟부(C) 상에 투영하도록 구성된 투영 시스템(예를 들면, 반사형 투영 시스템)(PS).

여기에 묘사된 바와 같이, 본 장치(LA)는 (예를 들면, 반사형 패터닝 디바이스를 사용하는) 반사형이다. 대부분의 물질은 EUV 파장 범위 내에서 흡수성이기 때문에, 패터닝 디바이스는 예를 들면, 몰리브덴과 실리콘의 멀티 스택을 포함하는 다층 반사체를 가질 수 있다는 것에 유의하자. 일례에서, 멀티 스택 반사체는 각 층의 두께가 1/4 파장인 몰리브덴과 실리콘의 40 층 쌍을 갖는다. X-레이 리소그래피로는 훨씬 더 짧은 파장이 생성될 수 있다. 대부분의 물질은 EUV 및 X-레이 파장에서 흡수성이기 때문에, 패터닝 디바이스의 토포그래피 상의 패턴화된 흡수물질 박편(thin piece of patterned absorbing material)(예를 들면, 다층 반사체 상단의 TaN 흡수체)이 피처들이 프린트되는(포지티브 레지스트) 또는 프린트되지 않는(네거티브 레지스트) 위치를 규정한다.

도 13을 참조하면, 일루미네이터(IL)는 소스 컬렉터 모듈(SO)로부터 극자외 방사선 빔을 수신한다. EUV 방사선을 생성하는 방법은 하나 이상의 방출선이 EUV 범위에 있는 상태로, 물질을 적어도 하나의 원소, 예를 들면 크세논, 리튬, 또는 주석을 갖는 플라즈마 상태로 변환하는 것을 포함하나, 반드에 이에 국한되는 것은 아니다. 종종 레이저 생성 플라즈마(laser produced plasam: "LPP")라고 불리는 이러한 방법 중 하나에서, 레이저 빔으로 선 방출(line-emitting) 요소를 갖는 물질의 액적, 스트림, 또는 클러스터와 같은 연료를 조사함으로써 플라즈마가 생성될 수 있다. 소스 컬렉터 모듈(SO)은 연료를 여기시키는(exciting) 레이저 빔을 제공하기 위한, 도 13에는 도시되지 않은, 레이저를 포함하는 EUV 방사선 시스템의 일부일 수 있다. 생성된 플라즈마는 출력 방사선, 예를 들면 EUV 방사선을 방출하는데, 이는 소스 컬렉터 모듈에 배치된 방사선 컬렉터를 사용하여 수집된다. 예를 들어, 연료 여기를 위한 레이저 빔을 제공하기 위해 CO2 레이저가 사용되는 경우, 레이저와 소스 컬렉터 모듈은 별개의 엔티티일 수 있다.

그러한 경우에, 레이저는 리소그래피 장치의 일부를 형성하는 것으로 여겨지지 않으며, 방사선 빔은 예를 들면, 적절한 지향 미러들 및/또는 빔 익스팬더를 포함하는 빔 전달 시스템의 도움으로 레이저로부터 소스 컬렉터 모듈로 전달된다. 다른 경우에, 예를 들면 소스가 종종 DPP 소스라고 하는 방전 생성 플라즈마(discharge produced plasma) EUV 발생기일 때, 소스는 소스 컬렉터 모듈의 일체형 부분일 수 있다.

일루미네이터(IL)는 방사선 빔의 각도 강도 분포(angular intensity distribution)를 조정하기 위한 조정기(adjuster)를 포함할 수 있다. 일반적으로, 일루미네이터의 동공 평면에서 강도 분포의 적어도 외측 및/또는 내측 반경방향 범위(통상적으로는, 각각 σ-외측 및 σ-내측으로 지칭됨)가 조정될 수 있다. 또한, 일루미네이터(IL)는 패싯 필드 및 퓨필 미러(facetted field and pupil mirror) 디바이스들과 같은 다양한 다른 컴포넌트들을 포함할 수 있다. 일루미네이터는 방사선 빔의 그 단면에 원하는 균일성 및 강도 분포를 갖도록 방사선 빔을 컨디셔닝하는 데 사용될 수 있다.

방사선 빔(B)은 지지 구조(예를 들면, 패터닝 디바이스 테이블)(MT) 상에 유지되는 패터닝 디바이스(예를 들면, 마스크)(MA)에 입사되어 패터닝 디바이스에 의해 패턴화된다. 패터닝 디바이스(예를 들면, 마스크)(MA)로부터 반사된 후, 방사선 빔(B)은 투영 시스템(PS)을 통과하는데, 투영 시스템(PS)은 빔을 기판(W)의 타겟부(C) 상에 집속한다. 제2 포지셔너(PW) 및 위치 센서(PS2)(예를 들면, 간섭계 디바이스, 리니어 인코더 또는 용량성 센서)의 도움으로, 예를 들면 방사선 빔(B)의 경로에 상이한 타겟부들(C)을 위치시키기 위해 기판 테이블(WT)이 정확하게 이동될 수 있다. 유사하게, 제1 포지셔너(PM) 및 다른 위치 센서(PS1)는 방사선 빔(B)의 경로에 대해 패터닝 디바이스(예를 들면, 마스크)(MA)를 정확하게 위치시키는 데 사용될 수 있다. 패터닝 디바이스(예를 들면, 마스크)(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크들(M1, M2) 및 기판 정렬 마크들(P1, P2)을 사용하여 정렬될 수 있다.

묘사된 장치(LA)는 다음 모드들 중 적어도 하나에서 사용될 수 있다:

1. 스텝 모드에서, 지지 구조(예를 들면, 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 본질적으로 정지 상태로 유지되는 한편, 방사선 빔에 부여된 패턴 전체는 한 번에 타겟부(C) 상에 투영된다(즉, 단일의 정적 노광). 기판 테이블(WT)은 그 다음에 상이한 타겟부(C)가 노광될 수 있도록 x 및/또는 y 방향으로 쉬프트된다.

2. 스캔 모드에서, 지지 구조(예를 들면, 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 동기화되어 스캐닝되는 한편, 방사선 빔에 부여된 패턴이 타겟부(C) 상에 투영된다(즉, 단일의 동적 노광). 지지 구조(예를 들면, 패터닝 디바이스 테이블)(MT)에 대한 기판 테이블(WT)의 속도 및 방향은 투영 시스템(PS)의 배율(축소율) 및 이미지 반전 특성에 의해 결정될 수 있다.

3. 다른 모드에서, 지지 구조(예를 들면, 패터닝 디바이스 테이블)(MT)는 프로그래머블 패터닝 디바이스를 유지하면서 본질적으로 정지 상태로 유지되고, 기판 테이블(WT)이 이동 또는 스캐닝되는 한편, 방사선 빔에 부여된 패턴이 타겟부(C) 상에 투영된다. 이 모드에서는, 일반적으로 펄스 방사선 소스가 사용되며, 프로그래머블 패터닝 디바이스는 기판 테이블(WT)의 각각의 이동 후에 또는 스캔 중에 연속적인 방사선 펄스들의 사이에 필요에 따라 업데이트된다. 이 작동 모드는 위에서 언급한 유형의 프로그래머블 미러 어레이와 같은, 프로그래머블 패터닝 디바이스를 이용하는 무마스크(maskless) 리소그래피에 용이하게 적용될 수 있다.

도 14는 소스 컬렉터 모듈(SO), 조명 시스템(IL), 및 투영 시스템(PS)을 포함하는 장치(LA)를 보다 상세히 도시한다. 소스 컬렉터 모듈(SO)은 소스 컬렉터 모듈(SO)의 인클로저 구조(220) 내에 진공 환경이 유지될 수 있도록 구성 및 배치된다. 방전 생성 플라즈마 소스에 의해 EUV 방사선 방출 플라즈마(210)가 형성될 수 있다. 전자 스펙트럼의 EUV 범위에서 방사선을 방출하도록 초고온 플라즈마(210)가 생성되는 가스 또는 증기, 예를 들면 Xe 가스, Li 증기, 또는 Sn 증기에 의해 EUV 방사선이 생성될 수 있다. 초고온 플라즈마(210)는 예를 들면, 적어도 부분적으로 이온화된 플라즈마를 유발하는 방전에 의해 생성된다. 효율적인 방사선 생성을 위해서는 예를 들면, 10 Pa의 Xe, Li, Sn 증기 또는 기타 적절한 가스 또는 증기의 분압이 필요할 수 있다. 실시예에서는, EUV 방사선을 발생시키기 위해 여기된 주석(Sn)의 플라즈마가 제공된다.

고온 플라즈마(210)에 의해 방출된 방사선은 소스 챔버(211)의 개구부 내에 또는 뒤에 위치된 선택적인 가스 배리어(gas barrier) 또는 오염물질 트랩(contaminant trap)(230)(경우에 따라서는 오염물질 배리어 또는 포일 트랩이라고도 지칭됨)을 통해 소스 챔버(211)로부터 컬렉터 챔버(212)로 전달된다. 오염물질 트랩(230)은 채널 구조를 포함할 수 있다. 오염 트랩(230)은 또한 가스 배리어 또는 가스 배리어와 채널 구조의 조합을 포함할 수도 있다. 본 명세서에서 추가로 제시된 오염물질 트랩 또는 오염물질 배리어(230)는 적어도 본 기술분야에 알려진 바와 같이 채널 구조를 포함한다.

컬렉터 챔버(211)는 소위 그레이징 입사 컬렉터(grazing incidence collector)일 수 있는 방사선 컬렉터(CO)를 포함할 수 있다. 방사선 컬렉터(CO)는 상류 방사선 컬렉터측(251) 및 하류 방사선 컬렉터측(252)을 갖는다. 컬렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(240)에서 반사되어, 1점쇄선 'O'로 표시된 광축을 따라 가상 소스 포인트(IF)에 집속될 수 있다. 가상 소스 포인트(IF)는 통상적으로 중간 초점으로 지칭되며, 소스 컬렉터 모듈은 중간 초점(IF)이 인클로저 구조(220)의 개구부(221)에 또는 그 근처에 위치되도록 배치된다. 가상 소스 포인트(IF)는 방사선 방출 플라즈마(210)의 이미지이다.

이어서 방사선은 조명 시스템(IL)을 통과하는데, 조명 시스템(IL)은 패터닝 디바이스(MA)에서의 방사선 빔(21)의 원하는 각도 분포(angular distribution)뿐만 아니라 패터닝 디바이스(MA)에서의 방사선 강도의 원하는 균일성을 제공하도록 배치된 패싯 필드 미러(facetted field mirror) 디바이스(22) 및 패싯 퓨필 미러(facetted pupil mirror) 디바이스(24)를 포함할 수 있다. 지지 구조(MT)에 의해 유지되는 패터닝 디바이스(MA)에서의 방사선 빔(21)의 반사 시에, 패턴화된 빔(26)이 형성되며, 패턴화된 빔(26)은 투영 시스템(PS)에 의해 반사 요소들(28, 30)을 통해, 기판 테이블(WT)에 의해 유지되는 기판(W) 상으로 이미징된다.

일반적으로 조명 광학 유닛(IL) 및 투영 시스템(PS)에는 도시된 것보다 더 많은 요소가 존재할 수 있다. 격자 스펙트럼 필터(240)는 리소그래피 장치의 유형에 따라 선택적으로 존재할 수 있다. 또한, 도면에 도시된 것들보다 더 많은 미러가 존재할 수 있는데, 예를 들면 도 14에 도시된 것보다 투영 시스템(PS)에는 1 내지 6 개의 추가 반사 요소가 존재할 수 있다.

컬렉터 광학계(CO)는 도 14에 도시된 바와 같이, 단지 컬렉터(또는 컬렉터 미러)의 예로서, 그레이징 입사 반사체들(253, 254, 및 255)을 갖는 네스트형 컬렉터(nested collector)로 묘사되어 있다. 그레이징 입사 반사체들(253, 254, 및 255)은 광축(O)을 중심으로 축 대칭으로 배치되며, 이 유형의 컬렉터 광학계(CO)는 종종 DPP 소스로 불리는 방전 생성 플라즈마 소스와 조합하여 사용될 수 있다.

혹은, 소스 컬렉터 모듈(SO)은 도 15에 나타낸 바와 같이 LPP 방사선 시스템의 일부일 수도 있다. 레이저(LA)는 크세논(Xe), 주석(Sn), 또는 리튬(Li)과 같은 연료에 레이저 에너지를 축적하도록 배치되어, 수십 eV의 전자 온도를 갖는 고도로 이온화된 플라즈마(210)를 생성한다. 이들 이온의 탈여기(de-excitation) 및 재결합 중에 생성되는 고에너지 방사선이 플라즈마로부터 방출되어, 거의 수직의 입사 콜렉터 광학계(CO)에 의해 수집되고는, 인클로저 구조(220)의 개구부(221)에 집속된다.

본 명세서에 개시된 개념들은 서브 파장 피처들(sub wavelength features)을 이미징하기 위한 임의의 일반적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있으며, 점점 더 짧은 파장을 생성할 수 있는 신흥 이미징 기술에 특히 유용할 수 있다. 이미 사용되고 있는 신흥 기술에는 EUV(극자외선), ArF 레이저를 사용하여 193 ㎚의 파장 및 심지어는 불소(Fluorine) 레이저를 사용하여 157 ㎚의 파장을 생성할 수 있는 DUV 리소그래피가 포함된다. 또한, EUV 리소그래피는 싱크로트론(synchrotron)을 사용하거나 고에너지 전자들로 물질(고체 또는 플라즈마)을 타격하여 20 - 5 ㎚ 범위 내의 광자를 생성함으로써 이 범위(20 - 5 ㎚ 범위) 내의 파장을 생성할 수 있다.

다음의 조항들에 의해 본 발명의 실시예들이 추가로 설명될 수 있다:

1. 노이즈 제거 모델을 저장하고 하나 이상의 프로세서에 의해 실행되면 노이즈 제거 모델을 제공하는 노이즈 제거 모델 명령어들을 통해 노이즈 제거 이미지를 생성하는 하나 이상의 비일시적 컴퓨터 가독 매체로서, 노이즈 제거 모델은:

설계 패턴들을 제1 세트의 시뮬레이션된 이미지로 변환하고;

제2 세트의 시뮬레이션된 이미지 - 제2 세트의 시뮬레이션된 이미지는 설계 패턴들과 연관된 노이즈 제거 이미지들임 - 를 획득하기 위해 제1 세트의 시뮬레이션된 이미지를 기본 노이즈 제거 모델에 대한 입력으로서 제공하며; 및

기본 노이즈 제거 모델의 하나 이상의 구성 - 하나 이상의 구성은 참조 노이즈 제거 이미지들과 제2 세트의 시뮬레이션된 이미지 사이의 비교에 기초하여 업데이트됨 - 을 업데이트하기 위해 참조 노이즈 제거 이미지들을 피드백으로 사용하는 것:

에 의해 생성된다.

2. 조항 1의 매체에서, 제1 세트의 시뮬레이션된 이미지의 각각의 이미지는 시뮬레이션된 SEM 이미지와 이미지 노이즈의 조합이다.

3. 조항 2의 매체에서, 설계 패턴들을 변환하는 것은:

시뮬레이션된 SEM 이미지들을 생성하기 위해 설계 패턴들을 입력으로 사용하여 트레이닝된 모델을 실행하는 것을 포함한다.

4. 조항 3의 매체에서, 트레이닝된 모델은 설계 패턴들 및 패턴화된 기판의 캡처된 이미지들에 기초하여 트레이닝되며, 각각의 캡처된 이미지는 설계 패턴과 연관된다.

5. 조항 4의 매체에서, 캡처된 이미지들은 주사 전자 현미경(scanning electron microscope: SEM)을 통해 획득된 SEM 이미지들이다.

6. 조항 5의 매체에서, 이미지 노이즈는 패턴화된 기판의 캡쳐된 이미지들로부터 추출되는 노이즈이다.

7. 조항 3 내지 조항 6 중 어느 하나의 조항의 매체에서, 트레이닝된 모델은 제1 머신 러닝 모델이다.

8. 조항 7의 매체에서, 트레이닝된 모델은 생성적 대립 신경망을 사용하여 트레이닝된 컨벌루션 신경망 또는 심층 컨벌루션 신경망이다.

9. 조항 8의 매체에서, 트레이닝된 모델은 주어진 설계 패턴에 대해 시뮬레이션된 SEM 이미지를 생성하도록 구성된 생성적 모델이다.

10. 조항 2 내지 조항 9 중 어느 하나의 조항의 매체에서, 이미지 노이즈는 사용자 지정 파라미터들에 의해 특징지어지는 가우시안 노이즈, 화이트 노이즈, 솔트 앤드 페퍼 노이즈(salt and pepper noise)이다.

11. 조항 2 내지 조항 10 중 어느 하나의 조항의 매체에서, 참조 노이즈 제거 이미지들은 설계 패턴들과 연관된 시뮬레이션된 SEM 이미지들이다.

12. 조항 1 내지 조항 11 중 어느 하나의 조항의 매체에서, 노이즈 제거 모델은 제2 머신 러닝 모델이다.

13. 조항 1 내지 조항 12 중 어느 하나의 조항의 매체에서, 노이즈 제거 모델은 컨볼루션 신경망 또는 심층 컨볼루션 신경망이다.

14. 조항 1 내지 조항 13 중 어느 하나의 조항의 매체에서, 설계 패턴들은 GDS(Graphic Data Signal) 파일 형식이다.

15. 패턴화된 기판의 이미지를 캡처하도록 구성된 e 빔 광학계; 및

패턴화된 기판의 노이즈 제거 이미지를 생성하기 위해 캡처된 이미지를 입력으로 사용하여 노이즈 제거 모델을 실행하도록:

구성된 하나 이상의 프로세서:

를 포함하는 시스템.

16. 조항 15의 시스템에서, 노이즈 제거 모델은 컨벌루션 신경망이다.

17. 조항 15 내지 조항 16 중 어느 하나의 조항의 시스템에서, 하나 이상의 프로세서는 또한:

시뮬레이션된 이미지를 생성하기 위해 GDS(Graphic Data Signal) 파일 형식으로 제공되는 설계 패턴을 사용하여 트레이닝된 모델을 실행하도록:

구성된다.

18. 조항 15 내지 조항 17 중 어느 하나의 조항의 시스템에서, 하나 이상의 프로세서는 또한:

패턴화된 기판의 캡처된 이미지에 기초하여 노이즈 제거 모델을 업데이트하도록:

구성된다.

19. 조항 15 내지 조항 18 중 어느 하나의 조항의 시스템에서, 하나 이상의 프로세서는 또한:

노이즈 제거 이미지와 참조 노이즈 제거 이미지의 비교에 기초하여 노이즈 제거 모델의 하나 이상의 파라미터를 업데이트하도록:

구성된다.

20. 조항 15 내지 조항 19 중 어느 하나의 조항의 시스템에서, 노이즈 제거 모델은:

설계 패턴들을 제1 세트의 시뮬레이션된 이미지로 변환하고;

제2 세트의 시뮬레이션된 이미지 - 제2 세트의 시뮬레이션된 이미지는 설계 패턴들과 연관된 노이즈 제거 이미지들임 - 를 획득하기 위해 제1 세트의 시뮬레이션된 이미지를 기본 노이즈 제거 모델에 대한 입력으로서 제공하며; 및

기본 노이즈 제거 모델의 하나 이상의 구성 - 하나 이상의 구성은 참조 노이즈 제거 이미지들과 제2 세트의 시뮬레이션된 이미지 사이의 비교에 기초하여 업데이트됨 - 을 업데이트하기 위해 참조 노이즈 제거 이미지들을 피드백으로 사용하는 것:

에 의해 생성된다.

21. 조항 20의 시스템에서, 제1 세트의 시뮬레이션된 이미지의 각각의 이미지는 시뮬레이션된 SEM 이미지와 이미지 노이즈의 조합이다.

22. 노이즈 제거 모델을 트레이닝하는 방법으로서, 본 방법은:

설계 패턴을 제1 세트의 시뮬레이션된 이미지로 변환하는 단계; 및

제1 세트의 시뮬레이션된 이미지와 이미지 노이즈에 기초하여 노이즈 제거 모델 - 노이즈 제거 모델은 입력 이미지의 노이즈 제거 이미지를 생성하도록 작동 가능함 - 을 트레이닝하는 단계:

를 포함한다.

23. 조항 22의 방법에서, 설계 패턴들을 제1 세트의 시뮬레이션된 이미지로 변환하는 단계는:

시뮬레이션된 이미지들을 생성하기 위해 설계 패턴들을 입력으로 사용하여 트레이닝된 모델을 실행하는 단계:

를 포함한다.

24. 조항 23의 방법에서, 트레이닝된 모델은 설계 패턴들 및 패턴화된 기판의 캡처된 이미지들에 기초하여 트레이닝되며, 각각의 캡처된 이미지는 설계 패턴과 연관된다.

25. 조항 24의 방법에서, 캡처된 이미지들은 주사 전자 현미경(SEM)을 통해 획득된 SEM 이미지들이다.

26. 조항 25의 방법은, 제2 세트의 시뮬레이션된 이미지를 생성하기 위해 제1 세트의 시뮬레이션된 이미지에 이미지 노이즈를 추가하는 단계를 더 포함하고, 이미지 노이즈는 패턴화된 기판의 캡쳐된 이미지들로부터 추출된다.

27. 조항 26의 방법에서, 노이즈 제거 모델을 트레이닝하는 단계는 제1 세트의 시뮬레이션된 이미지, 이미지 노이즈, 및 캡처된 이미지들을 트레이닝 데이터로 사용하는 단계를 포함한다.

28. 조항 23 내지 조항 27 중 어느 하나의 조항의 방법에서, 트레이닝된 모델은 제1 머신 러닝 모델이다.

29. 조항 28의 방법에서, 트레이닝된 모델은 생성적 대립 신경망 트레이닝 방법을 사용하여 트레이닝된 컨벌루션 신경망 또는 심층 컨벌루션 신경망이다.

30. 조항 29의 방법에서, 트레이닝된 모델은 주어진 설계 패턴에 대해 시뮬레이션된 SEM 이미지를 생성하도록 구성된 생성적 모델이다.

31. 조항 22 내지 조항 30 중 어느 하나의 조항의 방법에서, 이미지 노이즈는 사용자 지정 파라미터들에 의해 특징지어지는 가우시안 노이즈, 화이트 노이즈, 솔트 앤드 페퍼 노이즈이다.

32. 조항 23 내지 조항 31 중 어느 하나의 조항의 방법에서, 노이즈 제거 모델은 제2 머신 러닝 모델이다.

33. 조항 22 내지 조항 32 중 어느 하나의 조항의 방법에서, 노이즈 제거 모델은 컨벌루션 신경망이다.

34. 조항 22 내지 조항 33 중 어느 하나의 조항의 방법에서, 설계 패턴들은 GDS(Graphic Data Signal) 파일 형식이다.

35. 조항 22 내지 조항 24 중 어느 하나의 조항의 방법은,

계측 툴을 통해, 패턴화된 기판의 SEM 이미지를 획득하는 단계; 및

노이즈가 제거된 SEM 이미지를 생성하기 위해 SEM 이미지를 입력 이미지로 사용하여 트레이닝된 노이즈 제거 모델을 실행하는 단계:

를 더 포함한다.

36. 노이즈 제거 모델을 저장하고 하나 이상의 프로세서에 의해 실행되면 노이즈 제거 모델을 제공하는 노이즈 제거 모델 명령어들을 통해 노이즈 제거 이미지를 생성하는 하나 이상의 비일시적 컴퓨터 가독 매체로서, 노이즈 제거 모델은:

설계 패턴을 제1 세트의 시뮬레이션된 이미지로 변환하고;

제1 세트의 시뮬레이션된 이미지와 이미지 노이즈에 기초하여 노이즈 제거 모델 - 노이즈 제거 모델은 입력 이미지의 노이즈 제거 이미지를 생성하도록 작동 가능함 - 을 트레이닝하는 것:

에 의해 생성된다.

37. 조항 36의 매체에서, 변환하는 것은:

시뮬레이션된 이미지들을 생성하기 위해 설계 패턴들을 입력으로 사용하여 트레이닝된 모델을 실행하는 것:

을 포함한다.

38. 조항 37의 매체에서, 트레이닝된 모델은 설계 패턴들 및 패턴화된 기판의 캡처된 이미지들에 기초하여 트레이닝되며, 각각의 캡처된 이미지는 설계 패턴과 연관된다.

39. 조항 38의 매체에서, 캡처된 이미지들은 주사 전자 현미경(SEM)을 통해 획득된 SEM 이미지들이다.

40. 조항 38의 매체는, 제2 세트의 시뮬레이션된 이미지를 생성하기 위해 제1 세트의 시뮬레이션된 이미지에 이미지 노이즈를 추가하는 것을 더 포함하고, 이미지 노이즈는 패턴화된 기판의 캡쳐된 이미지들로부터 추출된다.

41. 조항 37 내지 조항 40 중 어느 하나의 조항의 매체에서, 트레이닝된 모델은 제1 머신 러닝 모델이다.

42. 조항 41의 매체에서, 트레이닝된 모델은 생성적 대립 신경망 트레이닝 방법을 사용하여 트레이닝된 컨벌루션 신경망 또는 심층 컨벌루션 신경망이다.

43. 조항 42의 매체에서, 트레이닝된 모델은 주어진 설계 패턴에 대해 시뮬레이션된 SEM 이미지를 생성하도록 구성된 생성적 모델이다.

44. 조항 36 내지 조항 43 중 어느 하나의 조항의 매체에서, 이미지 노이즈는 사용자 지정 파라미터들에 의해 특징지어지는 가우시안 노이즈, 화이트 노이즈, 솔트 앤드 페퍼 노이즈이다.

45. 조항 36 내지 조항 44 중 어느 하나의 조항의 매체에서, 노이즈 제거 모델은 제2 머신 러닝 모델이다.

46. 조항 38 내지 조항 45 중 어느 하나의 조항의 매체에서, 노이즈 제거 모델을 트레이닝하는 것은 제1 세트의 시뮬레이션된 이미지, 이미지 노이즈, 및 캡처된 이미지들을 트레이닝 데이터로 사용하는 것을 포함한다.

47. 조항 36 내지 조항 46 중 어느 하나의 조항의 매체에서, 노이즈 제거 모델은 컨벌루션 신경망이다.

48. 조항 36 내지 조항 47 중 어느 하나의 조항의 매체에서, 설계 패턴들은 GDS(Graphic Data Signal) 파일 형식이다.

49. 조항 36 내지 조항 48 중 어느 하나의 조항의 매체는,

계측 툴을 통해, 패턴화된 기판의 SEM 이미지를 획득하고; 및

노이즈가 제거된 SEM 이미지를 생성하기 위해 SEM 이미지를 입력 이미지로 사용하여 트레이닝된 노이즈 제거 모델을 실행하는 것:

을 더 포함한다.

본 명세서에 개시된 개념들은 실리콘 웨이퍼와 같은 기판 상에 이미징하는 데 사용될 수 있으나, 개시된 개념들은 임의의 유형의 리소그래피 이미징 시스템들, 예를 들면 실리콘 웨이퍼 이외의 기판 상에 이미징하기 위한 리소그래피 이미징 시스템들과도 사용될 수 있음을 이해해야 한다.

위의 설명은 예시를 위한 것으로서, 한정하고자 함이 아니다. 그래서, 아래에 명시된 청구범위의 범위로부터 일탈함이 없이 설명된 바에 대해 변경이 이루어질 수 있다는 것이 본 기술분야의 통상의 기술자에게는 분명할 것이다.

Claims (15)

1. 노이즈 제거 모델을 트레이닝하는 방법으로서,
   설계 패턴을 제1 세트의 시뮬레이션된 이미지로 변환하는 단계; 및
   상기 제1 세트의 시뮬레이션된 이미지와 이미지 노이즈에 기초하여 상기 노이즈 제거 모델 - 상기 노이즈 제거 모델은 입력 이미지의 노이즈 제거 이미지를 생성하도록 작동 가능함 - 을 트레이닝하는 단계:
   를 포함하는, 방법.
2. 제1 항에 있어서,
   상기 설계 패턴들을 상기 제1 세트의 시뮬레이션된 이미지로 변환하는 단계는:
   상기 시뮬레이션된 이미지들을 생성하기 위해 상기 설계 패턴들을 입력으로 사용하도록 구성된 트레이닝된 모델을 실행하는 단계:
   를 포함하는, 방법.
3. 제2 항에 있어서,
   상기 트레이닝된 모델은 상기 설계 패턴들 및 패턴화된 기판의 캡처된 이미지들에 기초하여 트레이닝되며, 각각의 캡처된 이미지는 설계 패턴과 연관되는,
   방법.
4. 제3 항에 있어서,
   상기 캡처된 이미지들은 주사 전자 현미경(scanning electron microscope: SEM)을 통해 획득된 SEM 이미지들인,
   방법.
5. 제4 항에 있어서,
   상기 방법은 제2 세트의 시뮬레이션된 이미지를 생성하기 위해 상기 제1 세트의 시뮬레이션된 이미지에 상기 이미지 노이즈를 추가하는 단계를 더 포함하고, 상기 이미지 노이즈는 상기 패턴화된 기판의 캡쳐된 이미지들로부터 추출되는,
   방법.
6. 제5 항에 있어서,
   상기 노이즈 제거 모델을 트레이닝하는 단계는 상기 제1 세트의 시뮬레이션된 이미지, 상기 이미지 노이즈, 및 캡처된 이미지들을 트레이닝 데이터로 사용하는 단계를 포함하는,
   방법.
7. 제2 항에 있어서,
   상기 트레이닝된 모델은 제1 머신 러닝 모델을 포함하는,
   방법.
8. 제7 항에 있어서,
   상기 트레이닝된 모델은 생성적 대립 신경망(generative adversarial network) 트레이닝 방법을 사용하여 트레이닝된 컨벌루션 신경망 또는 심층 컨벌루션 신경망을 포함하는,
   방법.
9. 제8 항에 있어서,
   상기 트레이닝된 모델은 주어진 설계 패턴에 대해 시뮬레이션된 SEM 이미지를 생성하도록 구성된 생성적 모델인,
   방법.
10. 제1 항에 있어서,
    상기 이미지 노이즈는 사용자 지정 파라미터들에 의해 특징지어지는 가우시안 노이즈, 화이트 노이즈, 솔트 앤드 페퍼 노이즈(salt and pepper noise)인,
    방법.
11. 제1 항에 있어서,
    상기 노이즈 제거 모델은 제2 머신 러닝 모델을 포함하는,
    방법.
12. 제1 항에 있어서,
    상기 설계 패턴들은 GDS(Graphic Data Signal) 파일 형식인,
    방법.
13. 제1 항에 있어서,
    패턴화된 기판의 캡처된 SEM 이미지를 획득하는 단계; 및
    노이즈가 제거된 SEM 이미지를 생성하기 위해 상기 캡처된 SEM 이미지를 입력 이미지로 사용하여 상기 트레이닝된 노이즈 제거 모델을 실행하는 단계:
    를 더 포함하는, 방법.
14. 제1 항에 있어서,
    상기 패턴화된 기판의 캡처된 이미지에 기초하여 상기 노이즈 제거 모델을 업데이트하는 단계를 더 포함하는, 방법.
15. 프로세서에 의해 실행되면 상기 프로세서로 하여금:
    설계 패턴을 제1 세트의 시뮬레이션된 이미지로 변환하는 단계; 및
    상기 제1 세트의 시뮬레이션된 이미지와 이미지 노이즈에 기초하여 상기 노이즈 제거 모델 - 상기 노이즈 제거 모델은 입력 이미지의 노이즈 제거 이미지를 생성하도록 작동 가능함 - 을 트레이닝하는 단계:
    의 방법을 수행하게 하는 명령어들을 저장하는 하나 이상의 비일시적 컴퓨터 가독 매체.

Images