KR20230098587A - 샘플링 방식 생성 모델의 구성을 위한 방법들 및 컴퓨터 프로그램들 - Google Patents
샘플링 방식 생성 모델의 구성을 위한 방법들 및 컴퓨터 프로그램들 Download PDFInfo
- Publication number
- KR20230098587A KR20230098587A KR1020237015827A KR20237015827A KR20230098587A KR 20230098587 A KR20230098587 A KR 20230098587A KR 1020237015827 A KR1020237015827 A KR 1020237015827A KR 20237015827 A KR20237015827 A KR 20237015827A KR 20230098587 A KR20230098587 A KR 20230098587A
- Authority
- KR
- South Korea
- Prior art keywords
- model
- trained
- sampling scheme
- substrate
- current
- Prior art date
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000004590 computer program Methods 0.000 title claims description 6
- 238000010276 construction Methods 0.000 title 1
- 239000000758 substrate Substances 0.000 claims abstract description 128
- 238000005259 measurement Methods 0.000 claims description 93
- 230000008569 process Effects 0.000 claims description 44
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000004886 process control Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 description 24
- 238000000059 patterning Methods 0.000 description 19
- 238000001459 lithography Methods 0.000 description 17
- 238000007689 inspection Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000007654 immersion Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000671 immersion lithography Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Debugging And Monitoring (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
1 이상의 현재 기판에 대한 현재 샘플링 방식을 추론하는 방법이 제공되며, 상기 방법은: 1 이상의 이전 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 최적 샘플링 방식을 추론하도록 트레이닝되는 제 1 모델을 얻는 단계 -상기 제 1 모델은 추론된 최적 샘플링 방식과 사전설정된 최적 샘플링 방식을 판별하도록 구성되는 제 2 모델의 결과에 의존하여 트레이닝됨- ; 및 얻어진 제 1 모델을 사용하여, 1 이상의 현재 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 현재 샘플링 방식을 추론하는 단계를 포함한다.
Description
본 출원은 2020년 11월 11일에 출원된 EP 출원 20206977.9의 우선권을 주장하며, 이는 본 명세서에서 그 전문이 인용참조된다.
본 발명은 샘플링 방식 생성을 위한 모델을 구성하기 위해 배치되는 방법들 및 컴퓨터 프로그램들에 관한 것이다. 특히, 샘플링 방식은 리소그래피 공정을 거치는 기판 전체에 걸친 샘플링 위치들의 분포 및 측정을 위한 로트(lot) 내의 기판들의 선택에 관한 것이다.
리소그래피 장치는 기판 상에 원하는 패턴을 적용시키도록 구성되는 기계이다. 리소그래피 장치는, 예를 들어 집적 회로(IC)의 제조 시에 사용될 수 있다. 예를 들어, 리소그래피 장치는 기판(예를 들어, 웨이퍼) 상에 제공된 방사선-감응재(레지스트)층 상으로 패터닝 디바이스(예를 들어, 마스크)의 패턴(흔히 "디자인 레이아웃" 또는 "디자인"이라고도 함)을 투영할 수 있다.
기판 상에 패턴을 투영하기 위해, 리소그래피 장치는 전자기 방사선을 사용할 수 있다. 이 방사선의 파장은 기판 상에 형성될 수 있는 피처(feature)들의 최소 크기를 결정한다. 현재 사용중인 전형적인 파장들은 365 nm(i-line), 248 nm, 193 nm 및 13.5 nm이다. 4 내지 20 nm의 범위 내의 파장, 예를 들어 6.7 nm 또는 13.5 nm를 갖는 극자외(EUV) 방사선을 사용하는 리소그래피 장치가 사용되어, 예를 들어 193 nm의 파장을 갖는 방사선을 사용하는 리소그래피 장치보다 기판 상에 더 작은 피처들을 형성할 수 있다.
저(low)-k1 리소그래피가 리소그래피 장치의 전형적인 분해능 한계보다 작은 치수들을 갖는 피처들을 처리하는 데 사용될 수 있다. 이러한 공정에서, 분해능 공식은 CD = k1×λ/NA로서 표현될 수 있으며, 이때 λ는 채택되는 방사선의 파장이고, NA는 리소그래피 장치 내의 투영 광학기의 개구수(numerical aperture)이며, CD는 "임계 치수"[일반적으로, 프린트되는 최소 피처 크기, 이 경우에는 반-피치(half-pitch)]이고, k1은 경험적인 분해능 인자이다. 일반적으로, k1이 작을수록, 특정한 전기적 기능 및 성능을 달성하기 위하여 회로 설계자에 의해 계획된 형상 및 치수들과 비슷한 패턴을 기판 상에 재현하기가 더 어려워진다. 이 어려움을 극복하기 위해, 정교한 미세조정 단계들이 리소그래피 투영 장치 및/또는 디자인 레이아웃에 적용될 수 있다. 이들은, 예를 들어 NA의 최적화, 커스터마이징 조명 방식(customized illumination scheme), 위상 시프팅 패터닝 디바이스들의 사용, 디자인 레이아웃에서의 광 근접 보정(optical proximity correction: OPC, 때로는 "광학 및 공정 보정"이라고도 칭함)과 같은 디자인 레이아웃의 다양한 최적화, 또는 일반적으로 "분해능 향상 기술들"(resolution enhancement techniques: RET)로 정의되는 다른 방법들을 포함하며, 이에 제한되지는 않는다. 대안적으로, 리소그래피 장치의 안정성을 제어하는 엄격한 제어 루프가 저 k1에서 패턴의 재현을 개선하는 데 사용될 수 있다.
리소그래피 공정들은 흔히 리소그래피 툴, 에칭 툴 또는 증착 툴과 같은 리소그래피 공정에서 사용되는 장치의 모니터링 및/또는 제어를 가능하게 하기 위해 충분한 데이터를 필요로 한다. 데이터는 리소그래피 장치에 의해 패터닝되는 기판들에서 수행된 측정들을 포함하는 메트롤로지 데이터일 수 있다. 측정들은 통상적으로 기판(들) 전체에 걸쳐 사전설정된 위치들, 소위 "샘플링 위치들"에서 수행된다. 통상적으로, 샘플링 방식 생성 알고리즘이 사용되어, 예를 들어 측정 데이터를 설명하는 데 사용되는 모델의 정보 및/또는 1 이상의 기판에 걸친 측정 데이터(값들)의 통상적으로 관찰되는 분포에 기초하여 이 (최적) 샘플링 위치들을 결정한다.
각각의 샘플링 위치에서의 측정은, 상기 리소그래피 공정에 의해 제조된 반도체 디바이스들의 생성에 직접 기여하는 기판들의 리소그래피 처리에 사용될 수 있는 귀중한 메트롤로지 시간을 소요한다. 또한, 많은 샘플링 위치들이 측정되어야 하는 경우, 흔히 다수 메트롤로지 툴들이 필요하여 귀중한 바닥 공간을 소요한다. 따라서, 활용되는 샘플링 방식 생성기가 비용 효율적인 것이 중요한 관심사이며, 허용가능한 공정 모니터링/제어 목적에 필요한 것보다 더 많은 샘플링 위치들이 정의될 것을 방지한다. 과거에는 (정적) 샘플링 방식 생성기들의 잠재적 개선이 제안되었다. 예를 들어, 국제 특허 출원 WO2017194289에 설명된 바와 같은 샘플링 방식 생성기는 제 1 샘플링 위치 세트에 걸쳐 패턴을 인식함으로써 샘플링 위치들을 더 동적으로 선택하고, 인식된 패턴에 기초하여 (동적으로) 제 2 샘플링 위치 세트를 선택하도록 구성된다. 하지만, 앞서 설명된 동적 샘플링 방식 생성기는 여전히 1 이상의 기판에 걸쳐 매우 다양한 잠재적으로 상이한 패턴들의 측정 데이터에 대해 (동적) 샘플링 방식(예를 들어, 샘플링 위치 세트)을 엄밀히 커스터마이징하는 데 상대적으로 제한적이며; 제 1 및 제 2 샘플링 위치 세트들은 통상적으로 사전설정된다. 사전설정되지만 동적으로 선택가능한 샘플링 방식들의 개별 세트의 제한은, 만족스러운 공정 모니터링 및/또는 제어의 관점에서 엄격하게 필요하지는 않지만, 여전히 필요한 것보다 더 많은 샘플링 위치들이 측정을 거쳐야 할 수 있기 때문에 기판들의 최적 샘플링을 방해할 수 있다.
본 발명의 목적은 공정 모니터링 및/또는 공정 제어의 품질에 전혀 또는 거의 추가하지 않는 샘플링 위치들의 정의를 피하도록 구성되는 동적 샘플링 방식 생성 방법을 제공하는 것이다.
본 발명의 목적은 샘플링 방식 생성기를 구성하는 방법들 및 장치를 제공하는 것이다.
본 발명의 제 1 실시형태에 따르면, 기판 상의 샘플링 위치들 및 대응하는 측정 값들을 포함하는 측정 데이터에 기초하여 기판에 대한 바람직한 샘플링 방식을 추론하도록 구성되는 트레이닝된 모델(trained model)을 얻는 단계; 및 현재 기판과 연계된 현재 측정 데이터를 트레이닝된 모델에 대한 입력으로서 사용하여, 현재 기판에 대한 추가 측정이 필요한지 여부를 결정하는 단계를 포함하는 방법이 제공된다.
본 발명의 제 2 실시형태에 따르면, 1 이상의 현재 기판에 대한 현재 샘플링 방식을 추론하는 방법이 제공되며, 상기 방법은: 1 이상의 이전 기판과 연계된 컨텍스트(context) 및/또는 노광-전 데이터의 입력에 기초하여 최적 샘플링 방식을 추론하도록 트레이닝되는 제 1 모델을 얻는 단계 -제 1 모델은 추론된 최적 샘플링 방식과 사전설정된 최적 샘플링 방식을 판별하도록 구성되는 제 2 모델의 결과에 의존하여 트레이닝됨- ; 및 얻어진 제 1 모델을 사용하여, 1 이상의 현재 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 현재 샘플링 방식을 추론하는 단계를 포함한다.
본 발명의 제 3 실시형태에 따르면, 1 이상의 기판에 대한 샘플링 위치들에 대한 측정들을 중지하거나 계속 수행하는 것에 관한 결정을 제공하는 방법이 제공되며, 상기 방법은: 초기 샘플링 방식에 대응하는 측정 값들의 초기 세트를 얻는 단계; ⅰ) 측정 값들의 세트로부터, 공정 모니터링 및/또는 공정 제어 전략에 의해 부과된 1 이상의 요건이 충족되는지 여부를 추론하도록 트레이닝되는 제 1 모델, 및 ⅱ) 측정 값들의 세트로부터, 공정 모니터링 및/또는 공정 제어 전략에 의해 부과된 상기 요건을 충족시키기 전에 1 이상의 추가 측정 값이 획득되어야 한다는 것을 추론하도록 트레이닝되는 제 2 모델을 포함하는 모델을 얻는 단계; 결정을 얻기 위해 모델에 측정 값들의 초기 세트를 입력하는 단계를 포함하고, 결정은 제 1 및 제 2 모델의 출력의 균형에 기초한다.
본 발명의 제 4 실시형태에 따르면, 본 발명의 여하한의 앞선 실시형태의 방법을 구현하도록 구성되는 컴퓨터 판독가능한 명령어들을 포함한 컴퓨터 프로그램 제품이 제공된다.
이제 첨부된 개략적인 도면들을 참조하여, 단지 예시의 방식으로만 본 발명의 실시예들을 설명할 것이다:
도 1은 리소그래피 장치의 개략적인 개요도;
도 2는 리소그래피 셀의 개략적인 개요도;
도 3은 반도체 제조를 최적화하기 위한 3 가지 핵심 기술들 간의 협력을 나타내는 전체론적(holistic) 리소그래피의 개략적인 표현을 도시하는 도면;
도 4는 본 발명의 일 실시예에 따른 방법을 나타내는 다이어그램; 및
도 5는 본 발명의 일 실시예에 따른 방법을 나타내는 다이어그램이다.
도 1은 리소그래피 장치의 개략적인 개요도;
도 2는 리소그래피 셀의 개략적인 개요도;
도 3은 반도체 제조를 최적화하기 위한 3 가지 핵심 기술들 간의 협력을 나타내는 전체론적(holistic) 리소그래피의 개략적인 표현을 도시하는 도면;
도 4는 본 발명의 일 실시예에 따른 방법을 나타내는 다이어그램; 및
도 5는 본 발명의 일 실시예에 따른 방법을 나타내는 다이어그램이다.
본 명세서에서, "방사선" 및 "빔"이라는 용어는 (예를 들어, 365, 248, 193, 157 또는 126 nm의 파장을 갖는) 자외 방사선 및 EUV(예를 들어, 약 5 내지 100 nm 범위 내의 파장을 갖는 극자외 방사선)를 포함하는 모든 형태의 전자기 방사선을 포괄하는 데 사용된다.
본 명세서에서 채택된 "레티클", "마스크" 또는 "패터닝 디바이스"라는 용어는 기판의 타겟부에 생성될 패턴에 대응하여 입사하는 방사선 빔에 패터닝된 단면을 부여하는 데 사용될 수 있는 일반적인 패터닝 디바이스를 언급하는 것으로 폭넓게 해석될 수 있다. 또한, "광 밸브(light valve)"라는 용어가 이러한 맥락에서 사용될 수도 있다. 전형적인 마스크[투과형 또는 반사형, 바이너리(binary), 위상-시프팅, 하이브리드(hybrid) 등] 이외에, 다른 이러한 패터닝 디바이스의 예시들로 프로그램가능한 거울 어레이 및 프로그램가능한 LCD 어레이를 포함한다.
도 1은 리소그래피 장치(LA)를 개략적으로 도시한다. 리소그래피 장치(LA)는 방사선 빔(B)(예를 들어, UV 방사선, DUV 방사선 또는 EUV 방사선)을 컨디셔닝(condition)하도록 구성되는 조명 시스템(일루미네이터라고도 함)(IL); 패터닝 디바이스(예를 들어, 마스크)(MA)를 지지하도록 구성되고, 소정 파라미터들에 따라 패터닝 디바이스(MA)를 정확히 위치시키도록 구성된 제 1 위치설정기(PM)에 연결되는 마스크 지지체(예를 들어, 마스크 테이블)(MT); 기판(예를 들어, 레지스트 코팅된 웨이퍼)(W)을 유지하도록 구성되고, 소정 파라미터들에 따라 기판 지지체를 정확히 위치시키도록 구성된 제 2 위치설정기(PW)에 연결되는 기판 지지체(예를 들어, 웨이퍼 테이블)(WT); 및 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 투영하도록 구성되는 투영 시스템(예를 들어, 굴절 투영 렌즈 시스템)(PS)을 포함한다.
작동 시, 조명 시스템(IL)은 예를 들어 빔 전달 시스템(BD)을 통해 방사선 소스(SO)로부터 방사선 빔을 수용한다. 조명 시스템(IL)은 방사선을 지향, 성형, 및/또는 제어하기 위하여, 굴절, 반사, 자기, 전자기, 정전기 및/또는 다른 타입의 광학 구성요소들, 또는 여하한의 그 조합과 같은 다양한 타입들의 광학 구성요소들을 포함할 수 있다. 일루미네이터(IL)는 패터닝 디바이스(MA)의 평면에서 방사선 빔의 단면에 원하는 공간 및 각도 세기 분포를 갖기 위해, 방사선 빔(B)을 컨디셔닝하는 데 사용될 수 있다.
본 명세서에서 사용되는 "투영 시스템"(PS)이라는 용어는, 사용되는 노광 방사선에 대하여, 및/또는 침지 액체의 사용 또는 진공의 사용과 같은 다른 인자들에 대하여 적절하다면, 굴절, 반사, 카타디옵트릭(catadioptric), 아나모픽(anamorphic), 자기, 전자기 및/또는 정전기 광학 시스템, 또는 여하한의 그 조합을 포함하는 다양한 타입의 투영 시스템을 내포하는 것으로서 폭넓게 해석되어야 한다. 본 명세서의 "투영 렌즈"라는 용어의 어떠한 사용도 "투영 시스템"(PS)이라는 좀 더 일반적인 용어와 동의어로 간주될 수 있다.
리소그래피 장치(LA)는 투영 시스템(PS)과 기판(W) 사이의 공간을 채우기 위해서, 기판의 적어도 일부분이 비교적 높은 굴절률을 갖는 액체, 예컨대 물로 덮일 수 있는 타입으로 이루어질 수 있다 - 이는 침지 리소그래피라고도 한다. 침지 기술에 대한 더 많은 정보는 US6952253에서 주어지며, 이는 본 명세서에서 인용참조된다.
또한, 리소그래피 장치(LA)는 2 이상의 기판 지지체들(WT)("듀얼 스테이지"라고도 함)을 갖는 타입으로 이루어질 수 있다. 이러한 "다수 스테이지" 기계에서는 기판 지지체들(WT)이 병행하여 사용될 수 있으며, 및/또는 기판 지지체(WT) 중 하나에 위치된 기판(W)이 기판(W) 상에 패턴을 노광하는 데 사용되고 있는 동안, 다른 기판 지지체(WT) 상의 또 다른 기판(W)에서는 다른 기판(W)의 후속한 노광의 준비작업 단계가 수행될 수 있다.
기판 지지체(WT)에 추가하여, 리소그래피 장치(LA)는 측정 스테이지를 포함할 수 있다. 측정 스테이지는 센서 및/또는 세정 디바이스를 유지하도록 배치된다. 센서는 투영 시스템(PS)의 속성 또는 방사선 빔(B)의 속성을 측정하도록 배치될 수 있다. 측정 스테이지는 다수 센서들을 유지할 수 있다. 세정 디바이스는 리소그래피 장치의 일부, 예를 들어 투영 시스템(PS)의 일부 또는 침지 액체를 제공하는 시스템의 일부를 세정하도록 배치될 수 있다. 측정 스테이지는 기판 지지체(WT)가 투영 시스템(PS)으로부터 멀어질 때 투영 시스템(PS) 아래로 이동할 수 있다.
작동 시, 방사선 빔(B)은 마스크 지지체(MT) 상에 유지되어 있는 패터닝 디바이스, 예를 들어 마스크(MA) 상에 입사되며, 패터닝 디바이스(MA)에 존재하는 패턴(디자인 레이아웃)에 의해 패터닝된다. 마스크(MA)를 가로질렀으면, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 이는 기판(W)의 타겟부(C) 상에 상기 빔을 포커스한다. 제 2 위치설정기(PW) 및 위치 측정 시스템(IF)의 도움으로, 기판 지지체(WT)는 예를 들어 포커스 및 정렬된 위치에서 방사선 빔(B)의 경로 내에 상이한 타겟부(C)들을 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정기(PM) 및 가능하게는 (도 1에 명확히 도시되지 않은) 또 다른 위치 센서는 방사선 빔(B)의 경로에 대해 패터닝 디바이스(MA)를 정확히 위치시키는 데 사용될 수 있다. 패터닝 디바이스(MA) 및 기판(W)은 마스크 정렬 마크들(M1, M2) 및 기판 정렬 마크들(P1, P2)을 이용하여 정렬될 수 있다. 비록, 예시된 기판 정렬 마크들(P1, P2)은 지정된(dedicated) 타겟부들을 차지하고 있지만, 그들은 타겟부들 사이의 공간들 내에 위치될 수도 있다. 기판 정렬 마크들(P1, P2)은 이들이 타겟부들(C) 사이에 위치될 때 스크라이브-레인 정렬 마크(scribe-lane alignment mark)들로 알려져 있다.
도 2에 나타낸 바와 같이, 리소그래피 장치(LA)는 때때로 리소셀(lithocell) 또는 (리소)클러스터라고도 칭하는 리소그래피 셀(LC)의 일부분을 형성할 수 있으며, 이는 흔히 기판(W) 상에 노광-전(pre-exposure) 및 노광-후(post-exposure) 공정들을 수행하는 장치를 포함한다. 통상적으로, 이들은 레지스트 층들을 증착시키는 스핀 코터(spin coater: SC), 노광된 레지스트를 현상하는 디벨로퍼(developer: DE), 칠 플레이트(chill plate: CH) 및, 예를 들어 기판(W)의 온도를 컨디셔닝하는, 예를 들어 레지스트 층들에서 용매를 컨디셔닝하는 베이크 플레이트(bake plate: BK)를 포함한다. 기판 핸들러 또는 로봇(RO)이 입력/출력 포트들(I/O1, I/O2)로부터 기판(W)들을 집어올리고, 이들을 상이한 공정 장치 사이에서 이동시키며, 리소그래피 장치(LA)의 로딩 베이(loading bay: LB)로 기판(W)들을 전달한다. 흔히 집합적으로 트랙이라고도 하는 리소셀 내의 디바이스들은 통상적으로, 예를 들어 리소그래피 제어 유닛(LACU)을 통해 리소그래피 장치(LA)를 제어할 수도 있는 감독 제어 시스템(supervisory control system: SCS)에 의해 자체 제어될 수 있는 트랙 제어 유닛(TCU)의 제어를 받는다.
리소그래피 장치(LA)에 의해 노광되는 기판(W)들이 올바르고 일관성있게(consistently) 노광되기 위해서는, 후속한 층들 간의 오버레이 오차, 라인 두께, 임계 치수(CD) 등과 같은 패터닝된 구조체들의 속성들을 측정하도록 기판들을 검사하는 것이 바람직하다. 이를 위해, 리소셀(LC)에 검사 툴들(도시되지 않음)이 포함될 수 있다. 오차가 검출되는 경우, 특히 검사가 동일한 뱃치(batch) 또는 로트의 다른 기판(W)들이 노광 또는 처리되기 전에 행해진다면, 예를 들어 후속한 기판들의 노광에 대해 또는 기판(W)들에서 수행되어야 하는 다른 처리 단계들에 대해 조정이 수행될 수 있다.
메트롤로지 장치라고도 칭해질 수 있는 검사 장치가 기판(W)의 속성들을 결정하는 데 사용되며, 특히 상이한 기판(W)들의 속성들이 어떻게 변하는지 또는 동일한 기판(W)의 상이한 층들과 연계된 속성들이 층마다 어떻게 변하는지를 결정하는 데 사용된다. 검사 장치는 대안적으로 기판(W) 상의 결함들을 식별하도록 구성될 수 있으며, 예를 들어 리소셀(LC)의 일부일 수 있거나, 리소그래피 장치(LA)에 통합될 수 있거나, 또는 심지어 독립형 디바이스(stand-alone device)일 수 있다. 검사 장치는 잠상(latent image)(노광 후 레지스트 층 내의 이미지), 또는 반(semi)-잠상[노광-후 베이크 단계(PEB) 후 레지스트 층 내의 이미지], 또는 현상된 레지스트 이미지(이때, 레지스트의 노광된 부분 또는 노광되지 않은 부분은 제거되었음), 또는 심지어 (에칭과 같은 패턴 전사 단계 후) 에칭된 이미지에 대한 속성들을 측정할 수 있다.
전형적으로, 리소그래피 장치(LA)에서의 패터닝 공정은 기판(W) 상의 구조체들의 높은 치수 및 배치 정확성을 필요로 하는 처리에서 가장 중요한 단계들 중 하나이다. 이 높은 정확성을 보장하기 위해, 3 개의 시스템들이 도 3에 개략적으로 도시된 바와 같이 소위 "전체론적" 제어 환경에서 조합될 수 있다. 이 시스템들 중 하나는 메트롤로지 툴(MT)(제 2 시스템) 및 컴퓨터 시스템(CL)(제 3 시스템)에 (가상으로) 연결되는 리소그래피 장치(LA)이다. 이러한 "전체론적" 환경의 핵심은 이 3 개의 시스템들 간의 협력을 최적화하여 전체 공정 윈도우를 향상시키고 리소그래피 장치(LA)에 의해 수행된 패터닝이 공정 윈도우 내에 유지될 것을 보장하도록 엄격한 제어 루프를 제공하는 것이다. 공정 윈도우는 특정 제조 공정이 정의된 결과(예를 들어, 기능적 반도체 디바이스)를 산출하는 공정 파라미터들(예를 들어, 도즈, 포커스, 오버레이)의 범위를 정의한다 - 전형적으로, 이 안에서 리소그래피 공정 또는 패터닝 공정의 공정 파라미터들이 변동하게 된다.
컴퓨터 시스템(CL)은 패터닝될 디자인 레이아웃(의 일부)을 사용하여, 어느 분해능 향상 기술이 사용될지를 예측하고, 전산(computational) 리소그래피 시뮬레이션들 및 계산들을 수행하여 어느 마스크 레이아웃 및 리소그래피 장치 설정들이 패터닝 공정의 가장 큰 전체 공정 윈도우를 달성하는지를 결정할 수 있다[도 3에서 제 1 스케일(SC1)의 양방향 화살표로 도시됨]. 전형적으로, 분해능 향상 기술들은 리소그래피 장치(LA)의 패터닝 가능성들과 매칭하도록 배치된다. 또한, 컴퓨터 시스템(CL)은 공정 윈도우 내에서 [예를 들어, 메트롤로지 툴(MT)로부터의 입력을 사용하여] 리소그래피 장치(LA)가 현재 작동하고 있는 곳을 검출하여, 예를 들어 차선의 처리로 인해 결함들이 존재할 수 있는지를 예측하는 데 사용될 수 있다[도 3에서 제 2 스케일(SC2)의 "0"을 가리키는 화살표로 도시됨].
메트롤로지 툴(MT)은 정확한 시뮬레이션 및 예측을 가능하게 하기 위해 컴퓨터 시스템(CL)에 입력을 제공할 수 있고, 예를 들어 리소그래피 장치(LA)의 캘리브레이션 상태에서 가능한 드리프트를 식별하기 위해 리소그래피 장치(LA)에 피드백을 제공할 수 있다[도 3에서 제 3 스케일(SC3)의 다수 화살표들로 도시됨].
메트롤로지 툴(MT)은 리소그래피 패터닝 공정의 상이한 스테이지들 동안 기판을 측정할 수 있다. 기판의 메트롤로지는 상이한 목적들로 사용될 수 있다. 예를 들어, 기판의 측정들은 리소그래피 공정 설정들의 모니터링 및/또는 업데이트, 오차 검출, 시간 경과에 따른 장치의 분석, 품질 제어 등을 위해 사용될 수 있다. 일부 측정들은 다른 것들보다 얻기가 더 쉽다. 예를 들어, 일부 측정들은 기판 상에 존재하는 특정 타겟 구조체들을 필요로 할 수 있다. 일부 측정들은 다른 측정들에 비해 수행하는 데 상대적으로 긴 시간이 걸릴 수 있다. 긴 측정들은 비용이 많이 드는 메트롤로지 툴(MT)들에서 많은 시간을 차지할 수 있다. 이는 장비 사용 및 시간 측면에서 이 측정들에 많은 비용이 들게 할 수 있다. 결과로서, 이러한 측정들은 덜 자주 수행될 수 있다. 이는 일부 파라미터들에 대해 희박한(sparse) 측정 데이터만이 이용가능하고, 및/또는 측정들이 모든 기판에 대해 수행되지 않을 수 있다는 것을 의미할 수 있다.
메트롤로지 시간의 비용은 상당 부분: a) 기판당 수행되는 측정 수, 예를 들어 활용된 샘플링 방식 내에 포함되는 샘플링 위치들의 수; 및 b) 로트 또는 스레드(thread)당 측정되는 기판들의 수에 의해 결정된다. 이들의 정보성을 고려하여 샘플링 위치들을 선택하는 것이 가장 중요하다. 예를 들어, 측정 데이터는 기판 좌표를 측정 파라미터의 모델링된 값에 매핑하는 (다항식) 모델을 사용하여 정확하게 설명될 수 있는 것으로 가정될 수 있다. 모델의 정보(기저 함수, 거동)가 사용되어, 기판 전체 또는 기판 상의 구역(필드 또는 다이 또는 필드들 및/또는 다이들의 세트)에 걸쳐 바람직한 샘플링 위치들을 결정할 수 있다. 대안적으로, 이력(historic) 측정 데이터가 사용되어, 예를 들어: a) 측정 파라미터의 통상적으로 관찰되는 핑거프린트 -예를 들어, 샘플링 위치들의 밀도는 기판(구역)에 걸친 측정 파라미터의 공간 변화율에 따라 스케일링됨- , 및 b) 이전에 결정된 측정 품질 KPI 분포들 중 1 이상에 기초하여 샘플링 방식을 결정하며, 예를 들어 처리 유도된 측정 오차들에 취약한 기판 상의 위치들은 제외할 수 있다.
지금까지, 측정들이 아직 진행 중인 동안에 얻어지는 측정 데이터를 능동적 및 동적으로 분석하고, 측정 데이터의 가용성 및 공정 모니터링 및/또는 공정 제어 목적에 대한 그 충분성을 동적으로 평가하기 위한 메카니즘은 제안되지 않았다. 이러한 메카니즘이 마련되어 있는 경우, 이는 실시간으로 샘플링 위치들을 제공할 수 있으며; 예를 들어, 소정 제어/모니터링 관련 요건이 충족될 때까지 측정을 위한 샘플링 위치들을 지속적으로 제안할 수 있다. 이 제안된 작업 방식에서의 샘플링 위치들은 정적인(사전설정된) 것이 아니라, 예상(추론)되는 최적 샘플링 방식에 응답하여 생성된다.
이러한 접근법은 다양한 입력들에 기초하여 바람직한 샘플링 방식을 예측하도록 구성되는 모델을 사용함으로써 구현될 수 있다. 통상적으로, 이러한 모델은 트레이닝될 필요가 있으며, 예를 들어 뉴럴 네트워크에 기초한다. 동적 샘플링 방식 결정을 위해 모델을 사용하는 동안 다양한 입력들은 적어도 소정 시간 't'까지 기판에 대해 얻어지는 측정 데이터, 및 바람직하게는 상기 기판과 연계된 정렬 및 레벨링 데이터와 같은 컨텍스트 및/또는 노광-전 데이터를 포함한다. 대안적으로 또는 추가적으로, 노광-전 데이터는 1 이상의 이전 기판 또는 이전 로트의 측정 데이터, 예를 들어 기판과 유사한 기판에 걸친 오버레이 핑거프린트를 가질 가능성이 있는 이전 로트의 측정된 오버레이 데이터를 포함할 수 있다. 컨텍스트 데이터는, 예를 들어 기판의 처리 이력(예를 들어, 기판 처리에 사용된 툴들의 식별, 예를 들어 기판 패터닝에 사용된 특정 에칭 챔버, 증착 툴 또는 리소그래피 장치)을 포함할 수 있다. 모델은 통상적으로 1 이상의 이전 샘플링 방식, 예컨대 로트 내의 기판들이 상이한 서브-샘플링 방식들에 따라 측정되는 분산된 샘플링 방식들과 연계된 이력 측정 데이터로 트레이닝되어야 한다. 또 다른 예시에서, 측정 데이터는 희박한 측정 데이터 및/또는 (덜 자주 측정되는) 조밀한(dense) 측정 데이터의 혼합을 포함한다. 측정 데이터에 추가하여, 컨텍스트 데이터, 노광-전 데이터 및 샘플링 방식 데이터가 모델의 트레이닝 단계에 대한 입력으로서 사용될 수 있다. 예를 들어, 트레이닝 데이터는 연계된 컨텍스트 및/또는 노광-전 데이터를 포함하는 이미 처리된 기판들에 대한 이력적으로 결정된 최적 샘플링 방식들일 수 있다. 트레이닝 단계는 이용가능한 측정 데이터 및 (이용가능한 경우) 컨텍스트 및/또는 노광-전 데이터에 기초하여 최적화된 샘플링 방식들을 추론하는 데 사용되는 모델의 제 1 버전을 확립한다. 이용가능한 측정 데이터는 검사를 거치는 소정 기판의 측정 데이터 너머로 확장될 수 있으며, 이는 예를 들어 최근에 측정된 기판들(예를 들어, 검사를 거치는 기판과 동일한 로트에 속하는 기판들)에 대한 측정 데이터도 포함할 수 있다. 일단 트레이닝되면, 모델은 동적 샘플링 방식 정의를 위해 사용될 수 있으며; 이는 기판 검사 동안 데이터가 모델에 지속적으로 공급되고 추론된 바람직한 샘플링 방식이 지금까지 측정(검사)을 거쳤던 샘플링 위치들의 세트에 지속적으로 벤치마킹된다는 것을 의미한다. 이미 이용가능한 샘플링 위치들이 동적으로 추론된 최적 샘플링 방식에 맞춰 있는(충분히 가까운) 경우, 모델은 관심 기판의 추가 샘플링이 중지될 수 있음을 전달할 수 있다. 대안적으로, 검사/측정된 샘플링 위치들이 여전히 너무 적은 경우, 모델은 검사/측정을 위해 포함될 1 이상의 샘플링 위치를 제안할 수 있다. 추가적으로, 모델은 기판들의 1 이상의 로트 중 측정할 기판들을 더 지정하고, 어느 기판들에 대해 어느 샘플링 위치들을 선택할지 더 지정할 수 있다. 이 전략은 도 4에 도시되어 있다. 컨텍스트 및/또는 노광-전 데이터(405) 및 현재 측정 데이터(410)가 최적 샘플링 방식 및 추가 측정 동작(예를 들어, 측정할 기판들의 선택 및 선택된 각 기판에 대해 대응하는 샘플링 위치들의 선택)에 대한 권고 -이는 1 이상의 추가 샘플링 위치를 제안하는 것 및/또는 다음 샘플링 위치를 측정함으로써 계속할 것을 권고하거나 현재 기판(예를 들어, 현재 측정/검사 대상인 기판)에 대한 측정을 중지하는 것을 포함함- 를 추론하도록 구성되는 모델(400)에 입력으로서 사용된다.
또한, 현재 측정 데이터는 모델을 업데이트하기 위해 사용되며; 결정된 최적 샘플링 방식에 대응하는 측정 데이터를 모델에 지속적으로 제공함으로써, 모델은 지속적으로 트레이닝되고, 결과적으로 모델은 점진적으로 더 잘 트레이닝되고 동적으로 트레이닝된다.
본 발명의 일 실시예에서, 기판과 연계된 측정 데이터에 기초하여 기판에 대한 바람직한 샘플링 방식을 추론하도록 구성되는 트레이닝된 모델을 얻는 단계; 및 현재 기판과 연계된 현재 측정 데이터를 트레이닝된 모델에 대한 입력으로서 사용하여, 현재 기판에 대한 추가 측정이 필요한지 여부를 결정하는 단계를 포함하는 방법이 제공된다.
일 실시예에서, 모델은 뉴럴 네트워크에 기초한다.
일 실시예에서, 측정 데이터는 상기 측정 데이터 내에 포함되는 측정 값들과 연계된 샘플링 위치들의 정보를 포함한다.
일 실시예에서, 상기 방법은 현재 기판과 연계된 노광-전 데이터 및/또는 컨텍스트 데이터를 트레이닝된 모델에 입력하는 단계를 더 포함한다.
일 실시예에서, 상기 방법은 현재 측정 데이터에 기초하여 트레이닝된 모델을 구성하는 단계를 더 포함한다.
또한, 앞서 설명된 바와 같은 트레이닝된 모델은 생성적 대립 네트워크(GAN)로서 구성될 수도 있다. 이 경우, 모델은 (적절한 입력 데이터에 기초하여) 샘플링 방식을 생성하도록 트레이닝되는 생성 모델(generative model), 및 (생성 모델을 사용하여) 추론된 (최적) 샘플링 방식과 실제 최적 샘플링 방식을 구별하도록 트레이닝되는 판별 모델(discriminative model)을 포함한다.
도 5는 GAN 기반 샘플링 방식 생성기(510)를 도시한다. 샘플링 생성기(510)는 생성된 최적 샘플링 방식(501)과 실제 최적화된 샘플링 방식(502)을 판별하도록 트레이닝되는 판별 모델(520)을 포함하는 GAN(500)의 일부이다. 생성기(510)는 1 이상의 "최악 조건(worst case)" 샘플링 방식(503)을 입력함으로써 트레이닝 단계 동안 트레이닝되며, 이는 통상적으로 여하한의 조건(예를 들어, 컨텍스트/노광-전 데이터 콘텐츠)에 대한 공정 모니터링 및/또는 제어에 충분한 정보를 제공하도록 구성되는 (매우) 조밀한 샘플링 방식들이다. 관련 컨텍스트 및/또는 노광-전 데이터가, 통상적으로 최악 조건 샘플링 방식(503)보다 더 희박한 최적화된 샘플링 방식(501)의 생성을 위한 입력으로서 생성기(510)에[및 통상적으로는 판별기(520)에도] 제공된다. 생성기(510) 및 판별기(520)는 (서로 의존적으로) 함께 트레이닝되어, 생성기(510)가 주어진 컨텍스트 및/또는 노광-전 데이터 조건에 적절하면서 최악 조건 샘플링 방식(503)보다 더 나은(더 희박한) 샘플링 방식(501)을 제공하도록 트레이닝된다. 여기서 적절하다는 것은 생성된 샘플링 방식(501)이 엄밀히 최적화된 샘플링 방식(502)과 구별되지 않는다는 것(제 1 트레이닝 목표)을 의미한다. 동시에, 판별기는 생성된 최적 샘플링 방식(501)을 엄밀히 최적화된 샘플링 방식(502)인 것으로 인정하지 않는 데 점점 더 능숙해지도록 트레이닝된다(제 2 트레이닝 목표). 생성기 및 판별기는 둘 다 통상적으로 뉴럴 네트워크들이다.
일단 생성기(510)가 상이한 조건들(예를 들어, 대응하는 컨텍스트 및/또는 노광-전 데이터의 상이한 세트들)에 대해 트레이닝되면, 이는 기판 또는 기판들의 로트에 대응하는 컨텍스트 및/또는 노광-전 데이터에 기초하여 기판(또는 기판들의 로트)에 대한 완전한 최적 샘플링 방식을 도출하는 데 사용될 수 있다.
일 실시예에서, 1 이상의 현재 기판에 대한 현재 샘플링 방식을 추론하는 방법이 제공되며, 상기 방법은: 1 이상의 이전 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 최적 샘플링 방식을 추론하도록 트레이닝되는 제 1 모델을 얻는 단계 -제 1 모델은 추론된 최적 샘플링 방식과 사전설정된 최적 샘플링 방식을 판별하도록 구성되는 제 2 모델의 결과에 의존하여 트레이닝됨- ; 및 얻어진 제 1 모델을 사용하여, 1 이상의 현재 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 현재 샘플링 방식을 추론하는 단계를 포함한다.
일 실시예에서, 제 1 모델은 생성 모델이고, 제 2 모델은 판별 모델이며, 제 1 및 제 2 모델은 생성적 대립 네트워크(GAN)를 구성한다.
일 실시예에서, 제 1 모델은 상기 컨텍스트 및/또는 노광-전 데이터를 포함하는 입력 데이터 및 상기 추론된 현재 샘플링 방식보다 더 조밀한 샘플링 방식을 사용하여 트레이닝된다.
일 실시예에서, 조밀한 샘플링 방식은 기판의 여하한의 조건에 대해 충분한 것으로 예상되는 샘플링 방식이도록 구성되며, 조건은 기판과 연계된 컨텍스트 및/또는 노광-전 데이터에 의해 특징지어진다.
앞서 설명된 바와 같은 GAN 기반 샘플링 방식 생성은 완전한 샘플링 방식의 예측 및 어떤 기판을 어떤 샘플링 방식으로 한 번에 측정할 것인지의 안내에 기초한다. 대안적으로, GAN과 같은 샘플링 방식 생성 방법에 기초하여 더 임시적인(ad hoc) 샘플링 결정 방법이 고안될 수도 있다. 이 경우, 획득된 측정 데이터(예를 들어, 초기 샘플링 방식 내에 포함된 위치들의 포인트별 샘플링 동안 얻어진 데이터)는 지금까지 획득된 측정 데이터(및 적용가능한 경우, 이용가능한 컨텍스트 및/또는 노광-전 데이터)를 사용하도록 트레이닝되는 생성 모델에 지속적으로 공급되어, 공정 모니터링/제어에 대한 요건들이 충족되고 추가 측정이 요청되지 않음을 확립한다[예를 들어, 측정 위치(들)를 건너뛰고, 측정을 위한 다음 기판(들)을 건너뜀]. 반대 목표는, 지금까지 획득된 데이터(및 여하한의 잠재적으로 이용가능한 컨텍스트 및/또는 노광-전 데이터)를 사용하여 공정 모니터링/제어의 개선 가능성이 여전히 상당하고 현재 이용가능한 측정 데이터가 충분하지 않음을 추론하도록 트레이닝된 판별 모델에 의해 추구되며, 예를 들어 판별기는 지속적인 측정에 유리한 증거를 찾도록 트레이닝된다. 따라서, 생성 모델 및 판별 모델의 목적들은 반대이며, 조합된 생성 및 판별 모델은 균형 잡힌 샘플링 결정을 제공하도록 구성된다. 조합된 모델은 샘플링 위치들에 대한 측정들을 제어하여, 두 충분한 측정 데이터가 획득되는 한편, 소정 공정 모니터링 및/또는 공정 제어 요건들을 충족하기 위해 엄격하게 필요한 것보다 더 많은 측정 시간이 소모되는 것이 방지되도록 하는 데 사용가능하다.
일 실시예에서, 1 이상의 기판에 대한 샘플링 위치들에 대한 측정들을 중지하거나 계속 수행하는 것에 관한 결정을 제공하는 방법이 제공되며, 상기 방법은: 초기 샘플링 방식에 대응하는 측정 값들의 초기 세트를 얻는 단계; ⅰ) 측정 값들의 세트로부터, 공정 모니터링 및/또는 공정 제어 전략에 의해 부과된 1 이상의 요건이 충족된다는 것을 추론하도록 트레이닝되는 제 1 모델, 및 ⅱ) 측정 값들의 세트로부터, 공정 모니터링 및/또는 공정 제어 전략에 의해 부과된 상기 요건을 충족시키기 전에 1 이상의 추가 측정 값이 획득되어야 한다는 것을 추론하도록 트레이닝되는 제 2 모델을 포함하는 모델을 얻는 단계; 결정을 얻기 위해 모델에 측정 값들의 초기 세트를 입력하는 단계를 포함하고, 결정은 제 1 및 제 2 모델의 출력의 균형에 기초한다.
일 실시예에서, 제 1 모델은 생성 모델이고, 제 2 모델은 판별 모델이며, 모델은 생성적 대립 네트워크(GAN)이다.
본 명세서에 설명된 방법들은, 프로세서들에 의해 액세스가능한 메모리에 저장된 명령어들을 수행하는 1 이상의 프로세서를 사용하여 실행될 수 있다. 프로세서들은 전체론적 리소그래피 시스템의 일부를 형성하는 컴퓨터 시스템(CL)의 일부를 형성할 수 있다. 대안적으로 또는 추가적으로, 상기 방법들은 리소그래피 시스템과 분리된 컴퓨터 시스템에서 수행될 수 있다.
본 명세서에서는, IC 제조에 있어서 리소그래피 장치의 특정 사용예에 대하여 언급되지만, 본 명세서에 서술된 리소그래피 장치는 다른 적용예들을 가질 수도 있음을 이해하여야 한다. 가능한 다른 적용예들은 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 평판 디스플레이(flat-panel display), 액정 디스플레이(LCD), 박막 자기 헤드 등의 제조를 포함한다.
본 명세서에서는, 리소그래피 장치와 관련하여 본 발명의 특정 실시예들에 대하여 언급되지만, 본 발명의 실시예들은 다른 장치에서 사용될 수 있다. 본 발명의 실시예들은 마스크 검사 장치, 메트롤로지 장치, 또는 웨이퍼(또는 다른 기판) 또는 마스크(또는 다른 패터닝 디바이스)와 같은 대상물을 측정 또는 처리하는 여하한의 장치의 일부를 형성할 수 있다. 이들 장치는 일반적으로 리소그래피 툴이라고 칭해질 수 있다. 이러한 리소그래피 툴은 진공 조건 또는 주위(비-진공) 조건을 사용할 수 있다.
이상, 광학 리소그래피와 관련하여 본 발명의 실시예들의 특정 사용예를 언급하였지만, 본 발명은 본 명세서가 허용한다면 광학 리소그래피로 제한되지 않고 다른 적용예들, 예를 들어 임프린트 리소그래피에 사용될 수 있음을 이해할 것이다.
이상 본 발명의 특정 실시예들이 설명되었지만, 본 발명은 설명된 것과 다르게 실시될 수 있음을 이해할 것이다. 상기 서술내용은 예시를 위한 것이지, 제한하려는 것이 아니다. 따라서, 당업자라면 아래에 설명되는 청구항들의 범위를 벗어나지 않고 서술된 본 발명에 대한 변형예가 행해질 수도 있음을 이해할 것이다.
Claims (15)
- 기판 상의 샘플링 위치들 및 대응하는 측정 값들을 포함하는 측정 데이터에 기초하여 기판에 대한 바람직한 샘플링 방식을 추론하도록 구성되는 트레이닝된 모델(trained model)을 얻는 단계; 및
현재 기판과 연계된 현재 측정 데이터를 상기 트레이닝된 모델에 대한 입력으로서 사용하여, 상기 현재 기판에 대한 추가 측정이 필요한지 여부를 결정하는 단계
를 포함하는 방법. - 제 1 항에 있어서,
상기 모델은 뉴럴 네트워크에 기초하는, 방법. - 제 1 항 또는 제 2 항에 있어서,
상기 현재 기판과 연계된 노광-전 데이터(pre-exposure data) 및/또는 컨텍스트 데이터(context data)를 상기 트레이닝된 모델에 입력하는 단계를 더 포함하는, 방법. - 제 3 항에 있어서,
상기 노광-전 데이터는 1 이상의 이전 기판의 샘플링 위치들 및 대응하는 측정 값들과 연계된 이전 측정 데이터를 포함하는, 방법. - 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 현재 측정 데이터에 기초하여 상기 트레이닝된 모델을 구성하는 단계를 더 포함하는, 방법. - 1 이상의 현재 기판에 대한 현재 샘플링 방식을 추론하는 방법으로서,
1 이상의 이전 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 최적 샘플링 방식을 추론하도록 트레이닝되는 제 1 모델을 얻는 단계 -상기 제 1 모델은 추론된 최적 샘플링 방식과 사전설정된 최적 샘플링 방식을 판별하도록 구성되는 제 2 모델의 결과에 의존하여 트레이닝됨- ; 및
얻어진 제 1 모델을 사용하여, 상기 1 이상의 현재 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 상기 현재 샘플링 방식을 추론하는 단계
를 포함하는, 방법. - 제 6 항에 있어서,
상기 제 1 모델은 생성 모델(generative model)이고, 상기 제 2 모델은 판별 모델(discriminative model)이며, 상기 제 1 및 제 2 모델은 생성적 대립 네트워크(GAN)를 구성하는, 방법. - 제 6 항 또는 제 7 항에 있어서,
상기 제 1 모델은 상기 컨텍스트 및/또는 노광-전 데이터를 포함하는 입력 데이터 및 추론된 현재 샘플링 방식보다 더 조밀한, 조밀한 샘플링 방식(dense sampling scheme)과 연계된 측정 데이터를 사용하여 트레이닝되는, 방법. - 제 8 항에 있어서,
상기 조밀한 샘플링 방식은 상기 기판의 여하한의 조건에 대해 충분한 것으로 예상되는 샘플링 방식이도록 구성되며, 상기 조건은 상기 기판과 연계된 컨텍스트 및/또는 노광-전 데이터에 의해 특징지어지는, 방법. - 1 이상의 기판에 대한 샘플링 위치들에 대한 측정들을 중지하거나 계속 수행하는 것에 관한 결정을 제공하는 방법으로서,
초기 샘플링 방식에 대응하는 측정 값들의 초기 세트를 얻는 단계;
ⅰ) 측정 값들의 세트로부터, 공정 모니터링 및/또는 공정 제어 전략에 의해 부과된 1 이상의 요건이 충족되는지 여부를 추론하도록 트레이닝되는 제 1 모델, 및 ⅱ) 측정 값들의 세트로부터, 상기 공정 모니터링 및/또는 공정 제어 전략에 의해 부과된 상기 요건을 충족시키기 전에 1 이상의 추가 측정 값이 획득되어야 한다는 것을 추론하도록 트레이닝되는 제 2 모델을 포함하는 모델을 얻는 단계; 및
상기 결정을 얻기 위해 상기 모델에 상기 측정 값들의 초기 세트를 입력하는 단계
를 포함하고,
상기 결정은 상기 제 1 및 제 2 모델의 출력의 균형(balancing)에 기초하는, 방법. - 제 10 항에 있어서,
상기 제 1 모델은 생성 모델이고, 상기 제 2 모델은 판별 모델이며, 상기 모델은 생성적 대립 네트워크(GAN)인, 방법. - 기판 상의 샘플링 위치들 및 대응하는 측정 값들을 포함하는 측정 데이터에 기초하여 기판에 대한 바람직한 샘플링 방식을 추론하도록 구성되는 트레이닝된 모델을 얻는 단계; 및
현재 기판과 연계된 현재 측정 데이터를 상기 트레이닝된 모델에 대한 입력으로서 사용하여, 상기 현재 기판에 대한 추가 측정이 필요한지 여부를 결정하는 단계
를 수행하도록 구성되는 컴퓨터 판독가능한 명령어들을 포함하는 컴퓨터 프로그램 제품. - 1 이상의 이전 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 최적 샘플링 방식을 추론하도록 트레이닝되는 제 1 모델을 얻는 단계 -상기 제 1 모델은 추론된 최적 샘플링 방식과 사전설정된 최적 샘플링 방식을 판별하도록 구성되는 제 2 모델의 결과에 의존하여 트레이닝됨- ; 및
얻어진 제 1 모델을 사용하여, 1 이상의 현재 기판과 연계된 컨텍스트 및/또는 노광-전 데이터의 입력에 기초하여 현재 샘플링 방식을 추론하는 단계
를 수행하도록 구성되는 컴퓨터 판독가능한 명령어들을 포함하는 컴퓨터 프로그램 제품. - 제 13 항에 있어서,
상기 제 1 모델은 생성 모델이고, 상기 제 2 모델은 판별 모델이며, 상기 제 1 및 제 2 모델은 생성적 대립 네트워크(GAN)를 구성하는, 컴퓨터 프로그램 제품. - 초기 샘플링 방식에 대응하는 측정 값들의 초기 세트를 얻는 단계;
ⅰ) 측정 값들의 세트로부터, 공정 모니터링 및/또는 공정 제어 전략에 의해 부과된 1 이상의 요건이 충족되는지 여부를 추론하도록 트레이닝되는 제 1 모델, 및 ⅱ) 측정 값들의 세트로부터, 상기 공정 모니터링 및/또는 공정 제어 전략에 의해 부과된 상기 요건을 충족시키기 전에 1 이상의 추가 측정 값이 획득되어야 한다는 것을 추론하도록 트레이닝되는 제 2 모델을 포함하는 모델을 얻는 단계; 및
결정을 얻기 위해 상기 모델에 상기 측정 값들의 초기 세트를 입력하는 단계 -상기 결정은 상기 제 1 및 제 2 모델의 출력의 균형에 기초함-
를 수행하도록 구성되는 컴퓨터 판독가능한 명령어들을 포함하는 컴퓨터 프로그램 제품.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20206977.9 | 2020-11-11 | ||
| EP20206977 | 2020-11-11 | ||
| PCT/EP2021/079621 WO2022100998A1 (en) | 2020-11-11 | 2021-10-26 | Methods and computer programs for configuration of a sampling scheme generation model |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230098587A true KR20230098587A (ko) | 2023-07-04 |
Family
ID=73343945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237015827A KR20230098587A (ko) | 2020-11-11 | 2021-10-26 | 샘플링 방식 생성 모델의 구성을 위한 방법들 및 컴퓨터 프로그램들 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20230400778A1 (ko) |
| EP (1) | EP4244675A1 (ko) |
| KR (1) | KR20230098587A (ko) |
| CN (1) | CN116457728A (ko) |
| DE (1) | DE112021005916T5 (ko) |
| TW (1) | TWI791321B (ko) |
| WO (1) | WO2022100998A1 (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI232357B (en) | 2002-11-12 | 2005-05-11 | Asml Netherlands Bv | Lithographic apparatus and device manufacturing method |
| WO2017194289A1 (en) | 2016-05-12 | 2017-11-16 | Asml Netherlands B.V. | Method of obtaining measurements, apparatus for performing a process step and metrology apparatus |
| EP3637186A1 (en) * | 2018-10-09 | 2020-04-15 | ASML Netherlands B.V. | Method of calibrating a plurality of metrology apparatuses, method of determining a parameter of interest, and metrology apparatus |
| WO2020094385A1 (en) * | 2018-11-08 | 2020-05-14 | Asml Netherlands B.V. | Prediction of out of specification based on spatial characteristic of process variability |
-
2021
- 2021-10-26 KR KR1020237015827A patent/KR20230098587A/ko unknown
- 2021-10-26 WO PCT/EP2021/079621 patent/WO2022100998A1/en active Application Filing
- 2021-10-26 DE DE112021005916.5T patent/DE112021005916T5/de active Pending
- 2021-10-26 EP EP21799267.6A patent/EP4244675A1/en active Pending
- 2021-10-26 US US18/032,273 patent/US20230400778A1/en active Pending
- 2021-10-26 CN CN202180075661.9A patent/CN116457728A/zh active Pending
- 2021-11-10 TW TW110141759A patent/TWI791321B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| DE112021005916T5 (de) | 2023-08-24 |
| EP4244675A1 (en) | 2023-09-20 |
| TWI791321B (zh) | 2023-02-01 |
| CN116457728A (zh) | 2023-07-18 |
| TW202236023A (zh) | 2022-09-16 |
| WO2022100998A1 (en) | 2022-05-19 |
| US20230400778A1 (en) | 2023-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110622069B (zh) | 用于预测器件制造工艺的良率的方法 | |
| KR102649158B1 (ko) | 반도체 제조 공정의 수율을 예측하는 방법 | |
| KR102563127B1 (ko) | 반도체 제조 프로세스의 이벤트의 근본 원인을 결정하고 반도체 제조 프로세스를 모니터링하기 위한 방법 | |
| CN114207527A (zh) | 用于控制半导体制造过程的方法 | |
| CN114008535B (zh) | 用于确定特征对性能的贡献的方法和设备 | |
| TWI804839B (zh) | 用於組態插補模型的方法及相關聯電腦程式產品 | |
| EP3913435A1 (en) | Configuration of an imputer model | |
| TWI791321B (zh) | 用於組態採樣架構產生模型之方法及電腦程式 | |
| TWI777678B (zh) | 概念漂移減輕之方法及設備 | |
| TWI803186B (zh) | 預測半導體製程之度量衡偏移之方法及電腦程式 | |
| EP3961518A1 (en) | Method and apparatus for concept drift mitigation | |
| KR20240031313A (ko) | 반도체 제조 공정에서 적어도 하나의 제어 파라미터에 대한 보정을 결정하는 방법 |