KR20230136136A - 측정 레시피를 결정하는 방법 및 연계된 메트롤로지방법들 및 장치들 - Google Patents

Abstract

노광 필드(EF)의 1 이상의 다이 영역 내에 위치된 다이-내 타겟들(IDM)의 측정을 위한 측정 레시피를 결정하는 방법이 개시된다. 상기 방법은 복수의 기준 타겟들(RF)의 측정에 관한 제 1 측정 데이터 및 복수의 다이-내 타겟들(IDM)의 측정에 관한 제 2 측정 데이터를 얻는 단계를 포함하며, 상기 타겟들은 각자의 상이한 오버레이 편향들을 갖고, 상기 측정 데이터를 획득하기 위해 복수의 상이한 획득 설정들을 사용하여 측정된다. 복수의 후보 측정 레시피들을 얻기 위해 상기 제 1 측정 데이터를 사용하여 1 이상의 기계 학습 모델이 트레이닝되고, 상기 후보 측정 레시피들은 트레이닝된 기계 학습 모델 및 대응하는 획득 설정의 복수의 조합들을 포함하며; 상기 제 2 측정 데이터를 사용하여 상기 후보 측정 레시피들로부터 선호되는 측정 레시피가 결정된다.

Description

측정 레시피를 결정하는 방법 및 연계된 메트롤로지 방법들 및 장치들

본 출원은 2021년 2월 3일에 출원된 EP 출원 21154914.2의 우선권을 주장하며, 이는 본 명세서에서 그 전문이 인용참조된다.

본 발명은, 예를 들어 리소그래피 기술들에 의한 디바이스들의 제조 시에 메트롤로지를 수행하는 데 이용가능한 메트롤로지 장치 및 방법들에 관한 것이다. 또한, 본 발명은 리소그래피 공정에서 오버레이와 같은 관심 파라미터를 모니터링하는 이러한 방법들에 관한 것이다.

리소그래피 장치는 기판 상에, 통상적으로는 기판의 타겟부 상에 원하는 패턴을 적용시키는 기계이다. 리소그래피 장치는, 예를 들어 집적 회로(IC)의 제조 시에 사용될 수 있다. 그 경우, 대안적으로 마스크 또는 레티클이라 칭하는 패터닝 디바이스가 IC의 개별층 상에 형성될 회로 패턴을 생성하기 위해 사용될 수 있다. 이 패턴은 기판(예컨대, 실리콘 웨이퍼) 상의 (예를 들어, 다이의 부분, 한 개 또는 수 개의 다이를 포함하는) 타겟부 상으로 전사(transfer)될 수 있다. 패턴의 전사는 통상적으로 기판 상에 제공된 방사선-감응재(레지스트)층 상으로의 이미징(imaging)을 통해 수행된다. 일반적으로, 단일 기판은 연속하여 패터닝되는 인접한 타겟부들의 네트워크를 포함할 것이다.

리소그래피 공정들에서는, 예를 들어 공정 제어 및 검증(verification)을 위해, 흔히 생성되는 구조체들의 측정들을 수행하는 것이 바람직하다. 이러한 측정들을 수행하는 다양한 툴들이 알려져 있으며, 임계 치수(CD)를 측정하는 데 흔히 사용되는 스캐닝 전자 현미경 및 오버레이, 즉 디바이스 내의 두 층들의 정렬 정확성을 측정하는 특수 툴들을 포함한다. 최근에는, 리소그래피 분야에서의 사용을 위해 다양한 형태의 스케터로미터들이 개발되었다. 이 디바이스들은 타겟 상으로 방사선 빔을 향하게 하고, 산란된 방사선의 1 이상의 속성 - 예를 들어, 파장의 함수로서 단일 반사 각도에서의 세기; 반사된 각도의 함수로서 1 이상의 파장에서의 세기; 또는 반사된 각도의 함수로서 편광(polarization) - 을 측정하여, 타겟의 관심 속성이 결정될 수 있는 회절 "스펙트럼"을 얻는다.

알려진 스케터로미터들의 예시들은 US2006033921A1 및 US2010201963A1에서 설명된 타입의 각도-분해 스케터로미터(angle-resolved scatterometer)들을 포함한다. 이러한 스케터로미터들에 의해 사용되는 타겟들은 비교적 큰, 예를 들어 40㎛×40㎛ 격자들이며, 측정 빔은 격자보다 작은 스폿을 발생시킨다[즉, 격자가 언더필링(underfill)됨]. 다크 필드 이미징(dark field imaging) 메트롤로지의 예시들은 국제 특허 출원들 US20100328655A1 및 US2011069292A1에서 찾아볼 수 있으며, 이 문서들은 본 명세서에서 그 전문이 인용참조된다. 기술의 추가 개발들이 공개된 특허 공개공보들 US20110027704A, US20110043791A, US2011102753A1, US20120044470A, US20120123581A, US20130258310A, US20130271740A 및 WO2013178422A1에서 설명되었다. 이 타겟들은 조명 스폿보다 작을 수 있고, 웨이퍼 상의 제품 구조체(product structure)들에 의해 둘러싸일 수 있다. 다수 격자들이 복합(composite) 격자 타겟을 이용하여 하나의 이미지에서 측정될 수 있다. 또한, 이 모든 출원들의 내용들은 본 명세서에서 인용참조된다.

제품 구조체와 상이한 피치들 및/또는 치수들을 갖는 타겟들에 대한 메트롤로지가 제품 구조체를 진정으로 대표하지 않을 수 있다는 것이 관찰되었다. 이를 해결하기 위해, 제품과 비슷한 크기의 구조체들을 측정함으로써 1 이상의 관심 파라미터(예를 들어, 오버레이)를 더 잘 모니터링하도록 다이-내(in-die) 메트롤로지가 개발되었다. 이러한 다이-내 메트롤로지 방법들을 개선하는 것이 바람직할 것이다.

제 1 실시형태에서, 본 발명은 노광 필드의 1 이상의 다이 영역 내에 위치되는 다이-내 타겟들의 측정을 위한 측정 레시피를 결정하는 방법을 제공하며, 상기 방법은: 복수의 기준 타겟들의 측정에 관한 제 1 측정 데이터를 얻는 단계 -상기 기준 타겟들은 각자의 상이한 오버레이 편향(bias)들을 포함하고, 트레이닝 기판(training substrate) 상의 각각의 노광 필드에 대해 적어도 하나의 기준 타겟 클러스터에 위치되며, 상기 제 1 측정 데이터는 상기 측정 데이터를 획득하기 위한 복수의 상이한 획득 설정들을 사용한 상기 기준 타겟들의 측정과 더 관련됨- ; 복수의 다이-내 타겟들의 측정에 관한 제 2 측정 데이터를 얻는 단계 -상기 다이-내 타겟들은 각자의 상이한 오버레이 편향들을 포함하고, 각각의 노광 필드에 걸쳐 분포되며, 상기 제 2 측정 데이터는 상기 측정 데이터를 획득하기 위한 복수의 상이한 획득 설정들을 사용한 상기 다이-내 타겟들의 측정과 더 관련됨- ; 복수의 후보 측정 레시피들을 얻기 위해 적어도 상기 제 1 측정 데이터를 사용하여 1 이상의 기계 학습 모델을 트레이닝하는 단계 -상기 후보 측정 레시피들은 트레이닝된 기계 학습 모델 및 대응하는 획득 설정의 복수의 조합들을 포함함- ; 및 상기 제 2 측정 데이터를 사용하여 상기 후보 측정 레시피들로부터 선호되는 측정 레시피를 결정하는 단계를 포함한다.

또한, 본 발명은 프로세서가 제 1 실시형태의 방법을 수행하게 하는 기계-판독가능한 명령어들을 포함하는 컴퓨터 프로그램 제품, 및 연계된 메트롤로지 장치 및 리소그래피 시스템을 제공한다.

첨부된 도면들을 참조하여, 본 발명의 다양한 실시예들의 구조 및 작동뿐만 아니라, 본 발명의 또 다른 특징들 및 장점들이 아래에서 상세하게 설명된다. 본 발명은 본 명세서에서 설명되는 특정한 실시예들에 제한되지 않는다는 것을 유의한다. 본 명세서에서, 이러한 실시예들은 단지 예시적인 목적으로만 제시된다. 당업자라면, 본 명세서에 포함되는 교시에 기초하여 추가적인 실시예들을 명백히 알 것이다.

이제 대응하는 참조 부호들이 대응하는 부분들을 나타내는 첨부된 개략적인 도면들을 참조하여, 단지 예시의 방식으로만 본 발명의 실시예들을 설명할 것이다:
도 1은 리소그래피 장치를 도시하는 도면;
도 2는 본 발명에 따른 검사 장치가 사용될 수 있는 리소그래피 셀 또는 클러스터를 도시하는 도면;
도 3은 각도-분해 스케터로메트리 및 다크-필드 이미징 검사 방법들을 수행하도록 구성되는 검사 장치를 개략적으로 나타내는 도면;
도 4a는 알려진 방법에 따른 다이-내 타겟 레이아웃을 개략적으로 나타내고, 도 4b는 본 발명의 일 실시예에 따른 다이-내 타겟 레이아웃을 개략적으로 나타내는 도면; 및
도 5는 다이-내 타겟을 디자인하기 위한 제품 구조 단순화 방법을 개략적으로 나타내는 도면이다.

본 발명의 실시예들을 상세히 설명하기에 앞서, 본 발명의 실시예들이 구현될 수 있는 예시적인 환경을 제시하는 것이 유익하다.

도 1은 리소그래피 장치(LA)를 개략적으로 도시한다. 상기 장치는 방사선 빔(B)(예를 들어, UV 방사선 또는 DUV 방사선)을 컨디셔닝(condition)하도록 구성되는 조명 시스템(일루미네이터)(IL); 패터닝 디바이스(예를 들어, 마스크)(MA)를 지지하도록 구성되고, 소정 파라미터들에 따라 패터닝 디바이스를 정확히 위치시키도록 구성된 제 1 위치설정기(PM)에 연결되는 패터닝 디바이스 지지체 또는 지지 구조체(예를 들어, 마스크 테이블)(MT); 기판(예를 들어, 레지스트 코팅된 웨이퍼)(W)을 유지하도록 각각 구성되고, 소정 파라미터들에 따라 기판을 정확히 위치시키도록 구성된 제 2 위치설정기(PW)에 각각 연결되는 2 개의 기판 테이블(예를 들어, 웨이퍼 테이블)(WTa 및 WTb); 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. 기준 프레임(RF)이 다양한 구성요소들을 연결하고, 패터닝 디바이스와 기판 및 그 위의 피처(feature)들의 위치들을 설정하고 측정하기 위한 기준 역할을 한다.

조명 시스템은 방사선을 지향, 성형, 또는 제어하기 위하여, 굴절, 반사, 자기, 전자기, 정전기 또는 다른 타입의 광학 구성요소들, 또는 여하한의 그 조합과 같은 다양한 타입들의 광학 구성요소들을 포함할 수 있다.

패터닝 디바이스 지지체는 패터닝 디바이스의 방위(orientation), 리소그래피 장치의 디자인, 및 예를 들어 패터닝 디바이스가 진공 환경에서 유지되는지의 여부와 같은 다른 조건들에 의존하는 방식으로 패터닝 디바이스를 유지한다. 패터닝 디바이스 지지체는 많은 형태들을 취할 수 있으며; 패터닝 디바이스 지지체는, 패터닝 디바이스가 예를 들어 투영 시스템에 대해 원하는 위치에 있을 것을 보장할 수 있다.

"패터닝 디바이스"라는 용어는, 기판의 타겟부에 패턴을 생성하기 위해서 방사선 빔의 단면에 패턴을 부여하는 데 사용될 수 있는 여하한의 디바이스를 언급하는 것으로 폭넓게 해석되어야 한다. 방사선 빔에 부여된 패턴은, 예를 들어 상기 패턴이 위상-시프팅 피처(phase-shifting feature)들 또는 소위 어시스트 피처(assist feature)들을 포함하는 경우, 기판의 타겟부 내의 원하는 패턴에 정확히 대응하지 않을 수도 있다는 것을 유의하여야 한다. 일반적으로, 방사선 빔에 부여된 패턴은 집적 회로와 같이 타겟부에 생성될 디바이스 내의 특정 기능 층에 해당할 것이다.

본 명세서에 도시된 바와 같이, 상기 장치는 (예를 들어, 투과 패터닝 디바이스를 채택하는) 투과형으로 구성된다. 대안적으로, 상기 장치는 (예를 들어, 앞서 언급된 바와 같은 타입의 프로그램가능한 거울 어레이를 채택하거나, 반사 마스크를 채택하는) 반사형으로 구성될 수 있다. 패터닝 디바이스의 예로는 마스크, 프로그램가능한 거울 어레이 및 프로그램가능한 LCD 패널을 포함한다. 본 명세서의 "레티클" 또는 "마스크"라는 용어의 어떠한 사용도 "패터닝 디바이스"라는 좀 더 일반적인 용어와 동의어로 간주될 수 있다. 또한, "패터닝 디바이스"라는 용어는 이러한 프로그램가능한 패터닝 디바이스를 제어하는 데 사용하기 위해 패턴 정보를 디지털 형태로 저장하는 디바이스를 지칭하는 것으로도 해석될 수 있다.

본 명세서에서 사용되는 "투영 시스템"이라는 용어는, 사용되는 노광 방사선에 대하여, 또는 침지 액체의 사용 또는 진공의 사용과 같은 다른 인자들에 대하여 적절하다면, 굴절, 반사, 카타디옵트릭(catadioptric), 자기, 전자기 및 정전기 광학 시스템, 또는 여하한의 그 조합을 포함하는 여하한 타입의 투영 시스템을 포괄하는 것으로서 폭넓게 해석되어야 한다. 본 명세서의 "투영 렌즈"라는 용어의 어떠한 사용도 "투영 시스템"이라는 좀 더 일반적인 용어와 동의어로 간주될 수 있다.

또한, 리소그래피 장치는 투영 시스템과 기판 사이의 공간을 채우기 위해서, 기판의 적어도 일부분이 비교적 높은 굴절률을 갖는 액체, 예컨대 물로 덮일 수 있는 타입으로 이루어질 수 있다. 또한, 침지 액체는 리소그래피 장치 내의 다른 공간들, 예를 들어 마스크와 투영 시스템 사이에도 적용될 수 있다. 침지 기술은 투영 시스템의 개구수를 증가시키는 기술로 당업계에 잘 알려져 있다.

작동 시, 일루미네이터(IL)는 방사선 소스(SO)로부터 방사선 빔을 수용한다. 예를 들어, 소스가 엑시머 레이저(excimer laser)인 경우, 소스 및 리소그래피 장치는 별개의 개체들일 수 있다. 이러한 경우, 소스는 리소그래피 장치의 일부분을 형성하는 것으로 간주되지 않으며, 방사선 빔은 예를 들어 적절한 지향 거울 및/또는 빔 익스팬더(beam expander)를 포함하는 빔 전달 시스템(BD)의 도움으로, 소스(SO)로부터 일루미네이터(IL)로 통과된다. 다른 경우, 예를 들어 소스가 수은 램프인 경우, 소스는 리소그래피 장치의 통합부일 수 있다. 소스(SO) 및 일루미네이터(IL)는, 필요에 따라 빔 전달 시스템(BD)과 함께, 방사선 시스템이라고 칭해질 수 있다.

일루미네이터(IL)는, 예를 들어 방사선 빔의 각도 세기 분포를 조정하는 조정기(AD), 인티그레이터(IN) 및 콘덴서(CO)를 포함할 수 있다. 일루미네이터는 방사선 빔의 단면에 원하는 균일성(uniformity) 및 세기 분포를 갖기 위해, 방사선 빔을 컨디셔닝하는 데 사용될 수 있다.

방사선 빔(B)은 패터닝 디바이스 지지체(MT) 상에 유지되어 있는 패터닝 디바이스(MA) 상에 입사되며, 패터닝 디바이스에 의해 패터닝된다. 패터닝 디바이스(예를 들어, 마스크)(MA)를 가로질렀으면, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 이는 기판(W)의 타겟부(C) 상으로 상기 빔을 포커싱한다. 제 2 위치설정기(PW) 및 위치 센서(IF)(예를 들어, 간섭계 디바이스, 리니어 인코더, 2-D 인코더 또는 용량성 센서)의 도움으로, 기판 테이블(WTa 또는 WTb)은 예를 들어 방사선 빔(B)의 경로 내에 상이한 타겟부(C)들을 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정기(PM) 및 (도 1에 명확히 도시되지 않은) 또 다른 위치 센서는, 예를 들어 마스크 라이브러리(mask library)로부터의 기계적인 회수 후에, 또는 스캔하는 동안, 방사선 빔(B)의 경로에 대해 패터닝 디바이스(예를 들어, 레티클/마스크)(MA)를 정확히 위치시키는 데 사용될 수 있다.

패터닝 디바이스(예를 들어, 레티클/마스크)(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 마크들은 지정된(dedicated) 타겟부들을 차지하고 있지만, 그들은 타겟부들 사이의 공간들 내에 위치될 수도 있다[이들은 스크라이브-레인 정렬 마크(scribe-lane alignment mark)들로 알려져 있음]. 이와 유사하게, 패터닝 디바이스(예를 들어, 마스크)(MA) 상에 1보다 많은 다이가 제공되는 상황들에서, 마스크 정렬 마크들은 다이들 사이에 위치될 수 있다. 또한, 작은 정렬 마크가 다이들 내에서 디바이스 피처들 사이에 포함될 수 있으며, 이 경우 마커들은 가능한 한 작고 인접한 피처들과 상이한 여하한의 이미징 또는 공정 조건들을 필요로 하지 않는 것이 바람직하다. 정렬 마커들을 검출하는 정렬 시스템은 아래에서 더 설명된다.

도시된 장치는 여러 가지 모드들에서 사용될 수 있다. 스캔 모드에서, 패터닝 디바이스 지지체(예를 들어, 마스크 테이블)(MT) 및 기판 테이블(WT)은 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안에 동기적으로 스캐닝된다[즉, 단일 동적 노광(single dynamic exposure)]. 패터닝 디바이스 지지체(예를 들어, 마스크 테이블)(MT)에 대한 기판 테이블(WT)의 속도 및 방향은 투영 시스템(PS)의 확대(축소) 및 이미지 반전 특성에 의하여 결정될 수 있다. 스캔 모드에서, 노광 필드의 최대 크기는 단일 동적 노광 시 타겟부의 (스캐닝되지 않는 방향으로의) 폭을 제한하는 반면, 스캐닝 동작의 길이는 타겟부의 (스캐닝 방향으로의) 높이를 결정한다. 당업계에 잘 알려진 바와 같이, 다른 타입들의 리소그래피 장치 및 작동 모드들이 가능하다. 소위 "마스크없는(maskless)" 리소그래피에서, 프로그램가능한 패터닝 디바이스는 정지된 상태로 유지되지만 패턴이 변경되고, 기판 테이블(WT)은 이동되거나 스캐닝된다.

또한, 상술된 사용 모드들의 조합 및/또는 변형, 또는 완전히 다른 사용 모드들이 채택될 수도 있다.

리소그래피 장치(LA)는 2 개의 기판 테이블들(WTa, WTb), 및 기판 테이블들이 교환될 수 있는 2 개의 스테이션들 - 노광 스테이션(EXP) 및 측정 스테이션(MEA) - 을 갖는 소위 듀얼 스테이지 타입으로 이루어진다. 한 기판 테이블 상의 한 기판이 노광 스테이션에서 노광되고 있는 동안, 또 다른 기판이 측정 스테이션에서 다른 기판 테이블 상에 로딩될 수 있고 다양한 준비작업 단계들이 수행될 수 있다. 이는 장치의 스루풋을 크게 증가시킬 수 있다. 준비작업 단계들은 레벨 센서(LS)를 사용하여 기판의 표면 높이 윤곽들을 매핑하는 단계 및 정렬 센서(AS)를 사용하여 기판 상의 정렬 마커들의 위치를 측정하는 단계를 포함할 수 있다. 위치 센서(IF)가 노광 스테이션뿐만 아니라 측정 스테이션에 있는 동안에도 기판 테이블의 위치를 측정할 수 없는 경우, 제 2 위치 센서가 제공되어 기준 프레임(RF)에 대해 두 스테이션들에서 기판 테이블의 위치들이 추적될 수 있게 할 수 있다. 다른 구성들이 알려져 있으며, 나타낸 듀얼-스테이지 구성 대신에 사용가능하다. 예를 들어, 기판 테이블 및 측정 테이블이 제공되는 다른 리소그래피 장치들이 알려져 있다. 이들은 준비 측정들을 수행할 때 함께 도킹된 후, 기판 테이블이 노광을 거치는 동안 도킹해제된다.

도 2에 나타낸 바와 같이, 리소그래피 장치(LA)는 때때로 리소셀(lithocell) 또는 클러스터라고도 칭하는 리소그래피 셀(LC)의 일부분을 형성하며, 이는 기판 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 베이크 플레이트(bake plate: BK)를 포함한다. 기판 핸들러 또는 로봇(RO)이 입력/출력 포트들(I/O1, I/O2)로부터 기판들을 집어올리고, 이들을 상이한 공정 장치 사이에서 이동시킨 후, 리소그래피 장치의 로딩 베이(loading bay: LB)로 전달한다. 흔히 집합적으로 트랙이라고도 하는 이 디바이스들은, 리소그래피 제어 유닛(LACU)을 통해 리소그래피 장치를 제어하는 감독 제어 시스템(supervisory control system: SCS)에 의해 자체 제어되는 트랙 제어 유닛(TCU)의 제어를 받는다. 따라서, 스루풋과 처리 효율성을 최대화하기 위해 상이한 장치가 작동될 수 있다.

리소그래피 장치에 의해 노광되는 기판들이 올바르고 일관성있게(consistently) 노광되기 위해서는, 후속한 층들 간의 오버레이 오차, 라인 두께, 임계 치수(CD) 등과 같은 속성들을 측정하도록 노광된 기판들을 검사하는 것이 바람직하다. 따라서, 리소셀(LC)이 위치되는 제조 시설은 리소셀에서 처리된 기판(W)들 중 일부 또는 전부를 수용하는 메트롤로지 시스템(MET)을 포함한다. 메트롤로지 결과들은 감독 제어 시스템(SCS)에 간접적으로 또는 직접적으로 제공된다. 오차가 검출되는 경우, 특히 검사가 동일한 뱃치(batch)의 다른 기판들이 여전히 노광되도록 충분히 빠르게 행해질 수 있다면, 후속한 기판들의 노광에 대해 조정이 수행될 수 있다. 또한, 이미 노광된 기판들은 수율을 개선하도록 벗겨져서(strip) 재작업(rework)되거나, 버려져서 결점이 있다고 알려진 기판들에 또 다른 처리를 수행하는 것을 회피할 수 있다. 기판의 몇몇 타겟부들에만 결점이 있는 경우, 양호한 타겟부들 상에만 또 다른 노광들이 수행될 수 있다.

메트롤로지 시스템(MET) 내에서, 검사 장치는 기판의 속성들을 결정하는 데 사용되며, 특히 상이한 기판들 또는 동일한 기판의 상이한 층들의 속성들이 층마다 어떻게 변하는지를 결정하는 데 사용된다. 검사 장치는 리소그래피 장치(LA) 또는 리소셀(LC)에 통합될 수 있으며, 또는 독립형 디바이스(stand-alone device)일 수 있다. 가장 신속한 측정들을 가능하게 하기 위해, 검사 장치는 노광 직후에 노광된 레지스트 층에서 속성들을 측정하는 것이 바람직하다. 하지만, 레지스트 내의 잠상(latent image)은 매우 낮은 콘트라스트(contrast)를 갖고 - 방사선에 노광된 레지스트의 부분들과 노광되지 않은 레지스트의 부분들 사이에 굴절률에 있어서 매우 작은 차이만 존재하고 - 모든 검사 장치가 잠상의 유용한 측정들을 수행하기에 충분한 감도를 갖는 것은 아니다. 그러므로, 측정들은 통상적으로 노광된 기판들 상에서 수행되는 제 1 단계이고 레지스트의 노광된 부분과 노광되지 않은 부분 간의 콘트라스트를 증가시키는 노광-후 베이크 단계(PEB) 이후에 수행될 수 있다. 이 단계에서, 레지스트 내의 이미지는 반-잠상(semi-latent)이라고 칭해질 수 있다. 또한, 현상된 레지스트 이미지 - 이때, 레지스트의 노광된 부분 또는 노광되지 않은 부분 중 하나는 제거되었음 - 의 측정들을 수행하는 것이 가능하고, 또는 에칭과 같은 패턴 전사 단계 이후에 수행하는 것이 가능하다. 후자의 가능성은 결점이 있는 기판들의 재작업에 대한 가능성을 제한하지만, 여전히 유용한 정보를 제공할 수 있다.

본 발명의 실시예들에서 사용하기에 적절한 메트롤로지 장치가 도 3a에 도시되어 있다. 이는 적절한 메트롤로지 장치의 일 예시일 뿐이라는 것을 유의한다. 대안적인 적절한 메트롤로지 장치가, 예를 들어 WO2017/186483A1에 개시된 바와 같이 EUV 방사선을 사용할 수 있다. 도 3b에는 타겟 구조체(T) 및 타겟 구조체를 조명하는 데 사용되는 측정 방사선의 회절된 광선들이 더 상세히 예시된다. 예시된 메트롤로지 장치는 다크 필드 메트롤로지 장치로서 알려진 타입으로 이루어진다. 메트롤로지 장치는 독립형 디바이스이거나, 예를 들어 측정 스테이션에서의 리소그래피 장치(LA) 또는 리소그래피 셀(LC)에 통합될 수 있다. 장치 전체에 걸쳐 수 개의 브랜치들을 갖는 광축이 점선(O)으로 나타내어진다. 이 장치에서, 소스(11)(예를 들어, 제논 램프)에 의해 방출된 광이 렌즈들(12, 14) 및 대물 렌즈(16)를 포함한 광학 시스템에 의하여 빔 스플리터(15)를 통해 기판(W) 상으로 지향된다. 이 렌즈들은 4F 구성의 이중 시퀀스(double sequence)로 배치된다. 상이한 렌즈 구성이 여전히 검출기 상에 기판 이미지를 제공하는 것을 전제로 사용될 수 있으며, 동시에 공간-주파수 필터링을 위해 중간 퓨필-평면의 접근을 허용한다. 그러므로, 방사선이 기판 상에 입사하는 각도 범위는, 본 명세서에서 (켤레) 퓨필 평면이라고 칭하는 기판 평면의 공간 스펙트럼을 나타내는 평면 내의 공간 세기 분포를 정의함으로써 선택될 수 있다. 특히, 이는 대물 렌즈 퓨필 평면의 배면-투영된 이미지(back-projected image)인 평면에서 렌즈들(12 및 14) 사이에 적절한 형태의 어퍼처 플레이트(aperture plate: 13)를 삽입함으로써 행해질 수 있다. 나타낸 예시에서, 어퍼처 플레이트(13)는 13N 및 13S로 표시된 상이한 형태들을 가지며, 상이한 조명 모드들이 선택되게 한다. 나타낸 예시들에서의 조명 시스템은 오프-액시스(off-axis) 조명 모드를 형성한다. 제 1 조명 모드에서는, 어퍼처 플레이트 13N이 단지 설명을 위해 '북'으로 지정된 방향으로부터 오프-액시스를 제공한다. 제 2 조명 모드에서는, 어퍼처 플레이트 13S가 유사하지만 '남'으로 표시된 반대 방향으로부터의 조명을 제공하는 데 사용된다. 상이한 어퍼처들을 이용함으로써 다른 조명 모드들이 가능하다. 퓨필 평면의 나머지는 바람직하게는 어두운데(dark), 이는 바람직한 조명 모드 외의 여하한의 불필요한 광이 바람직한 측정 신호들과 간섭할 것이기 때문이다.

도 3b에 나타낸 바와 같이, 타겟 구조체(T)가 대물 렌즈(16)의 광축(O)에 수직인 기판(W)과 배치된다. 기판(W)은 지지체(도시되지 않음)에 의해 지지될 수 있다. 축(O)을 벗어난 각도로부터 타겟 구조체(T)에 입사하는 측정 방사선의 광선(I)은 0차 광선[실선(0)], 및 이후 상보적인 회절 차수 쌍이라고 하는 2 개의 1차 광선들[1점쇄선(+1) 및 2점쇄선(-1)]을 발생시킨다. 상보적인 회절 차수 쌍은 여하한의 고차 쌍; 예를 들어, +2, -2 쌍 등일 수 있으며, 상보적인 1차 쌍에 제한되지 않는다는 것을 유의하여야 한다. 오버필링(overfill)되는 작은 타겟 구조체(T)를 이용하면, 이 광선들은 메트롤로지 타겟 구조체(T) 및 다른 피처들을 포함한 기판의 영역을 덮는 많은 평행 광선들 중 하나에 불과하다. 플레이트(13) 내의 어퍼처가 (유용한 양의 광을 수용하는 데 필요한) 유한 폭을 갖기 때문에, 입사 광선들(I)은 사실상 다양한 각도들을 차지할 것이고, 회절된 광선들(0 및 +1/-1)은 어느 정도 확산(spread out)될 것이다. 작은 타겟의 점확산 함수(point spread function)에 따르면, 각각의 차수 +1 및 -1은 나타낸 바와 같은 단일의 이상적인 광선이 아니라, 다양한 각도들에 걸쳐 더 확산될 것이다. 타겟 구조체들의 격자 피치들 및 조명 각도들은, 대물 렌즈에 들어가는 1차 광선들이 중심 광축과 밀접하게 정렬되도록 디자인되거나 조정될 수 있다는 것을 유의한다. 도 3a 및 도 3b에 예시된 광선들은 순전히 다이어그램에서 이들이 더 쉽게 구별될 수 있도록 어느 정도 축을 벗어나 도시된다.

적어도 기판(W) 상의 타겟 구조체(T)에 의해 회절된 0차 및 +1차가 대물 렌즈(16)에 의해 수집되고, 빔 스플리터(15)를 통해 다시 지향된다. 도 3a로 되돌아가면, 제 1 및 제 2 조명 모드들은 북(N) 및 남(S)으로 표시된 정반대의 어퍼처들을 지정함으로써 예시된다. 측정 방사선의 입사 광선(I)이 광축의 북쪽으로부터인 경우, 즉 제 1 조명 모드가 어퍼처 플레이트 13N을 이용하여 적용되는 경우, +1(N)으로 표시되는 +1 회절 광선들이 대물 렌즈(16)에 들어간다. 대조적으로, 제 2 조명 모드가 어퍼처 플레이트 13S를 이용하여 적용되는 경우, [-1(S)로 표시된] -1 회절 광선들이 렌즈(16)에 들어가는 광선들이다.

제 2 빔 스플리터(17)가 회절된 빔들을 2 개의 측정 브랜치들로 분할한다. 제 1 측정 브랜치에서는, 광학 시스템(18)이 0차 및 1차 회절 빔들을 이용하여 제 1 센서(19)(예를 들어, CCD 또는 CMOS 센서) 상에 타겟 구조체의 회절 스펙트럼(퓨필 평면 이미지)을 형성한다. 각각의 회절 차수가 센서 상의 상이한 지점을 타격하여, 이미지 처리가 차수들을 비교하고 대조할 수 있도록 한다. 센서(19)에 의해 포착된 퓨필 평면 이미지는 메트롤로지 장치를 포커싱하고, 및/또는 1차 빔의 세기 측정들을 정규화하는 데 사용될 수 있다. 또한, 퓨필 평면 이미지는 재구성과 같은 많은 측정을 위해 사용될 수 있다.

제 2 측정 브랜치에서는, 광학 시스템(20, 22)이 센서(23)(예를 들어, CCD 또는 CMOS 센서) 상에 타겟 구조체(T)의 이미지를 형성한다. 제 2 측정 브랜치에서, 퓨필-평면에 대해 켤레인 평면에 어퍼처 스톱(aperture stop: 21)이 제공된다. 어퍼처 스톱(21)은, 센서(23) 상에 형성된 타겟의 이미지가 -1차 또는 +1차 빔으로부터만 형성되도록 0차 회절 빔을 차단하는 기능을 한다. 센서들(19 및 23)에 의해 포착된 이미지들은 이미지를 처리하는 프로세서(PU)로 출력되며, 이들의 기능은 수행되는 측정들의 특정 타입에 의존할 것이다. 본 명세서에서, '이미지'라는 용어는 넓은 의미로 사용된다는 것을 유의한다. 이러한 것으로서 격자 라인들의 이미지는 -1차 및 +1차 중 하나만이 존재하는 경우에 형성되지 않을 것이다.

(흔히 "오버레이"라고 하는) 오버레이 오차들로 인해 위치 오차들이 발생할 수 있다. 오버레이는 제 1 노광 동안의 제 1 피처를 제 2 노광 동안의 제 2 피처에 대해 배치할 때의 오차이다. 리소그래피 장치는 패터닝에 앞서 각각의 기판을 기준에 정확하게 정렬함으로써 오버레이 오차들을 최소화한다. 이는 정렬 센서를 사용하여 기판 상의 정렬 마크들의 위치들을 측정함으로써 수행된다. 정렬 절차에 대한 더 많은 정보는 미국 특허 출원 공개공보 US 2010-0214550호에서 찾아볼 수 있으며, 이는 본 명세서에서 그 전문이 인용참조된다. 예를 들어, 기판이 리소그래피 장치의 초점면에 대해 올바르게 위치되지 않을 때, 패턴 치수(예를 들어, CD) 오차들이 발생할 수 있다. 이러한 초점 위치 오차들은 기판 표면의 비-평탄과 관련될 수 있다. 리소그래피 장치는 레벨 센서를 사용하여 패터닝하기 전에 기판 표면 토포그래피를 측정함으로써 이러한 초점 위치 오차들을 최소화하는 것을 목표로 한다. 후속 패터닝 동안 기판 높이 보정들이 적용되어, 기판 상으로의 패터닝 디바이스의 올바른 이미징(포커싱)을 보장하도록 돕는다. 레벨 센서 시스템에 대한 더 많은 정보는 미국 특허 출원 공개공보 US 2007-0085991호에서 찾아볼 수 있으며, 이는 본 명세서에서 그 전문이 인용참조된다.

리소그래피 장치(LA) 및 메트롤로지 장치(MT) 외에도, 1 이상의 다른 처리 장치가 디바이스 생산 동안 사용될 수 있다. 에칭 스테이션(도시되지 않음)이 레지스트로의 패턴의 노광 후 기판들을 처리한다. 에칭 스테이션은 레지스트로부터 레지스트 층 아래의 1 이상의 층으로 패턴을 전사한다. 통상적으로, 에칭은 플라즈마 매질의 적용에 기초한다. 1 이상의 국부적 에칭 특성은, 예를 들어 전압 제어 링을 사용하여 플라즈마 매질을 향하게 하거나 기판의 온도 제어를 사용하여 제어될 수 있다. 에칭 제어에 대한 더 많은 정보는 PCT 특허 출원 공개공보 WO 2011-081645호 및 미국 특허 출원 공개공보 US 2006-016561호에서 찾아볼 수 있으며, 이들은 본 명세서에서 그 전문이 인용참조된다.

디바이스들을 제조하는 동안, 리소그래피 장치 또는 에칭 스테이션과 같은 1 이상의 처리 장치를 사용하여 기판들을 처리하는 공정 조건들은 피처들의 속성들이 소정 제어 한계들 내에 유지되도록 안정적으로 유지되는 것이 바람직하다. 공정의 안정성은, 제품 피처라고도 하는 IC와 같은 전기 디바이스의 기능부들의 피처들에 특히 중요하다. 안정적인 처리를 보장하기 위해, 공정 제어 능력이 갖추어져 있어야 한다. 공정 제어는 처리 데이터의 모니터링 및 공정 보정을 위한 수단의 구현, 예를 들어 처리 데이터의 1 이상의 특성에 기초한 처리 장치의 제어를 수반한다. 공정 제어는, 흔히 "고급 공정 제어"(APC라고도 함)라고 하는 메트롤로지 장치(MT)에 의한 주기적 측정에 기초할 수 있다. APC에 대한 더 많은 정보는 미국 특허 출원 공개공보 US 2012-008127호에서 찾아볼 수 있으며, 이는 본 명세서에서 그 전문이 인용참조된다. 통상적인 APC 구현은 1 이상의 처리 장치와 연계된 드리프트를 모니터링하고 보정하기 위한 기판들 상의 메트롤로지 피처들에 대한 주기적 측정들을 수반한다. 메트롤로지 피처들은 제품 피처들의 공정 변동들에 대한 응답을 반영한다. 공정 변동들에 대한 메트롤로지 피처들의 민감도는 제품 피처들에 대한 민감도와 비교하여 상이할 수 있다. 그 경우, 소위 "메트롤로지 대 디바이스" 오프셋(MTD라고도 함)이 결정될 수 있다.

이러한 MTD 오프셋의 한 가지 이유는, 실제 제품 구조체들이 흔히 스케터로메트리 또는 이미징 측정에 필요한 타겟 구조체들의 크기보다 훨씬(수십 배) 작고, 이러한 크기 차이가 상이한 파라미터 거동을 유도할 수 있다는 것이다(예를 들어, 메트롤로지 타겟들에 대한 패턴 배치 및 결과적인 오버레이는 실제 구조체들의 패턴 배치 및 결과적인 오버레이와 상이할 수 있음). 제품 피처들의 거동을 모방하기 위해, 메트롤로지 타겟들 내의 피처들은 더 작게 만들어지고[예를 들어, 제품 구조체들과 비슷한 크기로, 이는 분해능 오버레이(at-resolution overlay: ARO)라고 할 수 있음], 세분화된 피처(segmented feature)들, 어시스트 피처들 또는 특정 지오메트리 및/또는 치수를 갖는 피처들을 통합할 수 있다. 신중하게 디자인된 메트롤로지 타겟은 이상적으로는 제품 피처들과 유사한 방식으로 공정 변동들에 응답하여야 한다. 메트롤로지 타겟 디자인에 대한 더 많은 정보는 PCT 특허 출원 공개공보 WO 2015-101458에서 찾아볼 수 있으며, 이는 본 명세서에서 그 전문이 인용참조된다.

또 다른 접근법에서는, 제품 구조체에서 직접 메트롤로지가 수행될 수 있다. 이는, 예를 들어 스캐닝 전자 현미경(SEM) 또는 e-빔 메트롤로지 장치를 사용하여 수행될 수 있다. 하지만, 이 디바이스들은 통상적으로 상업적[대량 제조(HVM)] 환경에서 공정 제어에 너무 느리다. 디바이스-내 메트롤로지(IDM)라고 하는 또 다른 대안예는 스케터로미터 기반 메트롤로지 장치를 사용하여 제품 구조체를 직접 측정하는 것을 포함할 수 있다. 도 3에 예시된 바와 같은 최신 스케터로메트리 툴들이 이러한 작은 구조체들에 대해 (적어도) 비대칭 기반 메트릭(예를 들어, 오버레이)을 측정할 수 있는 능력을 갖는다. 하지만, 이는 일반적으로 효과적인 회절 격자로서 동작할 수 있도록 충분한 규칙화를 갖는(충분히 주기적인) 제품 구조체들(예를 들어, 메모리 타입들)에 대해서만 가능하다. 스폿 내의 모든 피처들이 퓨필에 추가되므로, 신호를 얻기 위해 전체 스폿에 걸쳐 피처들이 규칙적이어야 한다. (예를 들어) 논리 구조체들과 같이 덜 규칙적인 제품 구조체들은 이러한 방식으로 측정될 수 없다.

비-주기적 구조체들(예를 들어, 논리 구조체들)에 대한 IDM 메트롤로지를 위한 현재 방법은 뉴럴 네트워크와 같은 기계 학습 모델(ML 모델)을 트레이닝하여, 이것이 IDM 타겟 또는 다이-내 타겟으로부터 측정된 퓨필들을 관심 파라미터에 대한 값(즉, 오버레이 값)에 매핑할 수 있도록 하는 것을 포함할 수 있다. 다이-내 타겟들은 비-주기적/논리 구조체를 나타내도록(예를 들어, 노광 거동 또는 더 일반적으로 노광, 에칭, 세정, 에싱 등을 포함한 전체 패터닝 거동을 모방하도록) 디자인되며, 이러한 것으로서 특정 논리 구조체 또는 논리 구조체 타입을 위해 디자인될 수 있다. 이를 위한 예시적인 방법들은 추후 설명될 것이다.

ML 모델을 사용함으로써, 오버레이 값을 얻기 위한 스택의 집약적 재구성은 필요하지 않다. 기계 학습 기술들에 내재된 차원 축소로 인해, 재구성 기술들을 사용하는 것보다 훨씬 저렴하게 효과적인 모델에 도달할 수 있다. 하지만, 트레이닝된 모델은 그 트레이닝 데이터만큼만: 예를 들어, 데이터의 품질 및/또는 데이터가 포착하는 현상 측면에서만 우수하다.

다이-내 타겟들은 도 3의 툴의 제 1 측정 브랜치, 또는 측정 퓨필을 얻기 위한 다른 적절한 각도-분해 메트롤로지 장치를 사용하여 측정될 수 있다. 측정 퓨필은 "이미지" 또는 퓨필 평면의 획득, 즉 다이-내 타겟으로부터의 산란 방사선의 각도 분해 스펙트럼 또는 푸리에 표현을 포함할 수 있다.

ML 모델을 트레이닝하기 위해, 자기-참조 타겟(self-referencing target)들 또는 기준 타겟들이 다이-내 타겟들을 포함하는 레티클에 제공될 수 있다. 그 후, 이러한 다이-내 및 기준 타겟들이 노광되고, 웨이퍼에서 처리(예를 들어, 현상, 에칭 등)되며, 측정될 수 있다. 이 기준 타겟들은, 예를 들어 필드 주변(스크라이브 레인)에 위치될 수 있다.

기준 타겟들은 통상적으로 상이한 편향들을 갖는 다수 타겟들을 포함하는 타겟 어레이를 포함한다. 편향들은, 어레이 전체에 걸쳐 평균된 측정이 제품-상 오버레이를 나타내도록 어레이 전체에 걸쳐 평균(또는 합산)이 0일 수 있다. 각각의 기준 타겟에서 획득된 퓨필들은 트레이닝을 위해 (노광된 층들 전체에 걸친) 오버레이 편향이 라벨링(label)된다. 이러한 트레이닝 라벨 편향들/오버레이 값들은, 레티클 기록 오차가 작기 때문에 우수한 정확성으로 알려진다. 그 후, 모델은 특정 기준 타겟 퓨필 응답을 각자의 기준 타겟 오버레이 편향 값 또는 라벨과 연관시키도록 학습한다.

트레이닝은, 예를 들어 공칭적으로 동일한 타겟들 간의 처리 변동들을 허용하기 위해, 상이한 획득 설정들(예를 들어, 측정 방사선의 파장들/편광들 등) 및/또는 변동되는 다른 설정들에 대해, 및/또는 상이한 트레이닝 웨이퍼들에 대해 반복될 수 있다. 이러한 트레이닝의 출력은 다수의, 예를 들어 수백 개(예를 들어, 100 내지 500 개) 정도의 후보 측정 레시피들을 포함할 수 있으며, 여기서 측정 레시피는 트레이닝된 ML 모델과 획득 설정의 조합일 수 있다. 예를 들어, 트레이닝 동안 획득 설정은 각각의 획득 설정이 대응하는 모델을 갖도록 자유 파라미터일 수 있으며, 측정 레시피가 이들의 조합을 포함하도록 한다. 각각의 레시피에 대해 모델 내에 상이한 가중치 매트릭스가 존재할 것이다.

이러한 다이-내 메트롤로지의 현재 구현에서, 다이-내 타겟들은 의도적인 오버레이 편향 없이 형성되므로, 분명한 라벨이 없다(즉, 이들은 0으로 라벨링됨). 그 후, 매칭 단계가 수행되어 다이-내 타겟 응답이 자기-참조 타겟 응답과 얼마나 잘 매칭되는지 정량화하는 매칭 메트릭 또는 매칭 지표(매칭 KPI)를 결정한다. 이 매칭은 통상적으로 후보 메트롤로지 레시피를 사용하여 기준 타겟들로부터 오버레이 값을 추론하고, 이를 동일한 후보 메트롤로지 레시피를 사용하여 다이-내 타겟으로부터 추론된 오버레이 값과 비교함으로써 수행된다. 추론된 값들이 가까울수록 측정 레시피는 더 잘 매칭된다(예를 들어, 매칭 KPI는 값들 간의 차이에 기초할 수 있음). 더 구체적으로, 본 방법들은 (편향들이 0으로 평균/합산되는) 기준 타겟으로부터 추론된 오버레이 값들의 평균과 단일 다이-내 타겟(예를 들어, 기준 클러스터에 가장 가까운 다이-내 타겟)으로부터 추론된 오버레이 값을 비교할 수 있다.

이 레시피들은 다양한 성능 지표 또는 KPI에 따라 순위가 매겨질 수 있다(예를 들어, 이는 특히 매칭 KPI, 오버레이 예측 정확성 KPI, 재현성, KPI 및 시간 경과에 따른 OPO 변동을 추적할 때 오차를 설명하는 반복성 KPI를 포함할 수 있음). 그 후, 이 레시피들 중 적어도 하나가 1 이상의 KPI에 기초하여 생산/HVM 모니터링을 위해 선택될 수 있다.

일단 트레이닝되면, ML 모델은 생산 모니터링 환경[예를 들어, 대량 생산(HVM) 환경]에서 사용되어 웨이퍼 상에서 노광된 다이-내 타겟들로부터의 측정 퓨필들(각도 분해 측정 스펙트럼들)을 오버레이 값으로 변환할 수 있다.

설명된 바와 같이, ML 트레이닝에서 필요한 단계들 중 하나는 기준 타겟 클러스터에서 만들어진 레시피를 다이-내 타겟들에 매칭하는 것이다. 방금 설명한 현재 방법론을 사용하면, 기준 타겟들과 디바이스(다이-내 타겟들) 간의 오버레이 오프셋 매칭이 가능하지만, 타겟 타입들의 오버레이 의존적 방법 민감도의, 즉 기준 타겟들에서 만들어진 레시피를 다이-내 타겟들에 매칭하기 위한 적절한 매칭은 아니다. 현재 모든 다이-내 타겟들은 0 편향이 적용되어 있으며, 이러한 것으로서 오버레이 값은 제품 상 디바이스 오버레이와 비슷하다. 이는 기준 대 다이-내 매칭이 제한되고, 결과로서 기준 타겟들에서는 오버레이 응답이 좋지만 디바이스-내 타겟들에서는 그렇지 않은 차선책 레시피들이 선택될 수 있다는 것을 의미한다. 이를 보완하기 위해, 현재 다이-내 타겟들은 오버레이 편향되지 않고, 이러한 것으로서 제품 구조체를 나타낸다. 이들은 실제 다이-내 구조체의 OPO에 대한 프록시(proxy)인 필드내 위치에서의 제품-상 오버레이(OPO)를 추론하는 데 사용된다. 트레이닝은 필드당 하나의 오프셋에 대해서만 수행되므로, 필드간 모델만이 학습된다. 이러한 것으로서, 추론된 필드내 핑거프린트는 학습된 필드간 모델에 의해 생성되며, 고주파수 필드내 오버레이 콘텐츠를 포착하지 않을 것이다.

이제, 예를 들어 오버레이 의존적 방법 민감도 측면에서 기준 타겟들과 다이-내 타겟들에서 만들어진 레시피 간의 레시피 매칭을 개선하기 위한 방법이 설명될 것이다.

일 실시예에서, 필드내 핑거프린트에 대해 명시적으로 학습함으로써 ML 모델을 개선하는 방법이 개시된다.

도 4a는 현재 논리 디바이스 적용(즉, 디바이스 구조체에 대한 직접 측정이 가능하지 않은 경우)에 사용되는 노광 필드(EF) 및 필드 스크라이브(SB)를 정의하는 레티클 상의 다이-내 타겟들(IDM) 및 기준 타겟 어레이(RF)의 구성을 나타낸다. 다이-내 타겟들(IDM) 옆의 0들은 부여된 오버레이 편향을 나타내며; 즉, 다이-내 타겟들은 모두 편향되지 않은 상태, 즉 편향이 0이다.

트레이닝은 (예를 들어, 기준 타겟들을 포함한) 특정 트레이닝 레티클을 사용하여 트레이닝 웨이퍼들에서 트레이닝 노광들을 통해 수행될 수 있다. 하지만, 트레이닝 및 HVM 모니터링에 동일한 레티클을 사용하는 것이 바람직할 수 있다. 이는 기준 타겟들이 런타임 레시피 모니터링에 사용되어, (예를 들어, 공정 변동으로 인해) 레시피 성능이 저하되지 않는지 체크할 수 있기 때문이다. 대안적으로, 레시피 모니터링은 편향된 타겟들에 대해 수행될 수 있으며; 이러한 경우, 기준 클러스터가 필요하지 않을 수 있고, HVM 레티클들이 기준 타겟들을 생략할 수 있다.

도 4b는 일 실시예에 따른 레티클 상의 다이-내 타겟들(IDM) 및 기준 타겟 어레이(RF)의 구성을 나타낸다. 다이-내 타겟 구성은 타겟들 중 적어도 일부가 편향, 즉 타겟들 중 적어도 일부의 오버레이 편향이 0이 아니라는 것을 제외하고는 도 4a와 본질적으로 유사할 수 있다. 더 구체적으로, 다이-내 타겟들은 기준 타겟 클러스터 내의 기준 타겟들 중 일부 또는 전부에 대해 대응하는 타겟을 포함할 수 있다. 이 맥락에서, "대응하는 타겟"은 동일하거나 대응하는 부여된 편향을 갖는 타겟을 지칭할 수 있으며, +2 편향된 다이-내 타겟이 +2 편향된 기준 타겟에 대응한다. 기준 타겟 클러스터와 마찬가지로, 다이-내 타겟들의 편향은 0으로 평균 및/또는 합산될 수 있다. 편향 값들은 나노미터 단위로 적용된 편향을 설명할 수 있거나, 편향 크기 및 방향을 나타낼 수 있다(예를 들어, +1은 제 1 포지티브 편향이고, +2는 제 2 포지티브 편향임 등).

다이-내 타겟들은 다이 내에 수용되도록 충분히 작아야 한다. 예를 들어, 노광된 타겟은 기판 평면의 한 방향 또는 양방향에서 8 ㎛보다 작거나, 7 ㎛보다 작거나, 또는 6 ㎛보다 작을 수 있다. 더 구체적으로, 노광된 다이-내 타겟들은 약 5 ㎛ x 5 ㎛일 수 있다.

다이-내 타겟들의 수는, 예를 들어 5 내지 50 개, 10 내지 50 개, 10 내지 40 개, 15 내지 40 개, 15 내지 30 개, 또는 20 개 구역과 같이 희소함과 조밀함 사이에 있을 수 있으며, 이를 포함할 수 있다.

다이-내 타겟들은 다이 내에서 개별적으로, 즉 하나씩 배치되거나, 그룹화되어, 즉 몇몇 다이-내 타겟들의 다수 그룹들로 배치될 수 있다.

일 실시예에서, 편향된 다이-내 타겟들은 기준 타겟 대 다이-내 타겟 매칭 및 레시피 최적화를 개선하기 위해 사용될 수 있다. 이미 설명된 바와 같이, 매칭은 현재 필드당 기준 타겟 클러스터 평균(필드당 하나의 매칭 오프셋)에 매칭되는 단일 다이-내 타겟에 기초하여 수행된다. 이 대신, 제안된 방법은 필드당 대응하는 기준 및 다이-내 타겟들 간의 차이들 또는 비교들로부터 각각의 후보 측정 레시피에 대한 매칭 KPI를 결정하는 단계를 포함하며; 즉, +1 편향된 기준 타겟은 +1 편향된 다이-내 타겟에 매칭되고, +2 편향된 기준 타겟은 +2 편향된 다이-내 타겟에 매칭되며, 이 밖에도 마찬가지일 수 있다. 이 차이들/비교들은 평균되거나 달리 조합되어, 상이한 오버레이 크기들(편향들)에 대한 오버레이 의존적 방법 민감도를 포함한 더 많은 정보에 기초하여 각각의 측정 레시피에 대해 개선된 매칭 KPI를 얻을 수 있다.

이러한 방식으로, 기준 대 다이-내 매칭은 레시피 순위에 영향을 미치는(즉, 이를 개선하는) 기준 타겟 편향 다이-내 매칭 KPI로 분해된다. 이 더 정교한 매칭은 추론된 오버레이의 정확성이 이 오버레이의 크기에 민감하기 때문에(즉, 국부적인 추론된 오버레이의 오차가 편향 값들 자체에 의존함) 모델의 정확성을 개선할 것이다.

순위를 매기는 KPI들은, 예를 들어 특히 재현성 KPI, 정확성 KPI 및 매칭 KPI 중 1 이상에 기초할 수 있다. 예를 들어, 각각의 레시피에는 이러한 KPI들의 가중치 조합(예를 들어, 합산)에 기초한 순위 번호가 할당될 수 있다. 그 후, KPI에 기초하여 최상위 또는 선호 레시피가 선택될 수 있다. 다른 고려사항들(예를 들어, 일부 획득 설정들이 다른 설정보다 선호될 수 있음)이 존재할 수 있으며, 반드시 최상위 레시피가 선택되는 것이 아니라 또 다른 높은 순위의 레시피 또는 우수한 성능의 레시피가 선택될 수 있다는 것을 이해할 수 있다. 그 후, (예를 들어, HVM에서의) 다이-내 타겟들의 여하한의 후속 측정들이 그 특정 획득 설정을 갖는 레시피를 사용할 수 있다.

이러한 실시예에서, 다이-내 타겟들의 편향 및 대응하는 오버레이 가중치가 이 매칭 및 레시피 최적화에만 사용되고, 모델의 트레이닝에서는 사용되지 않을 수 있다(즉, 가중치 매트릭스에 포착되지 않음). 이러한 실시예는 필드간 모델링만을 개선할 것이다.

하지만, 또 다른 실시예에서, 편향된(및 라벨링된) 다이-내 타겟들은 필드내 변동을 포착하고 이를 학습하는 데 사용될 수 있다.

기준 타겟 오버레이-라벨링된 퓨필들과 다이-내 타겟 오버레이-라벨링된 퓨필들의 차이는 길이 스케일이다. 기준 타겟들은 필드에서 서로 가깝게 배치(작은 영역에 밀집)되어 있으므로, 상이한 기준 타겟들에 걸친 여하한의 제품-상 오버레이 변동은 통상적으로 작다. 이로 인해, 획득되는 오버레이 변동은 필드-대-필드 변동(즉, 필드간 콘텐츠)일 것이며, ML 모델은 이 필드간 변동만을 학습할 것이다. 대조적으로, 다이-내 타겟들은 필드 영역의 대부분에 걸쳐 분포된 위치들을 덮는 필드에서의 훨씬 더 넓은 분포를 가지며, 이러한 것으로서 이들의 제품-상 오버레이 변동이 더 크다(즉, 학습할 필드내 콘텐츠). 이 콘텐츠는 기준 타겟 클러스터만으로는 접근가능하지 않고, 편향되지 않은 다이-내 타겟들로도 접근가능하지 않다.

제안된 실시예는 필드내 OV 변동을 학습하기 위해 편향된 다이-내 트레이닝 라벨들을 사용하여 모델을 트레이닝한다. 모델을 트레이닝하기 전에, 기준 타겟들 각각으로부터의 퓨필들이 얻어지고 (이전과 같이) 이들의 대응하는 오버레이 편향들로 라벨링된다. 추가적으로, 다이-내 타겟들 각각으로부터의 퓨필들이 얻어지고 이들의 대응하는 오버레이 편향들로 라벨링된다. 필드간 변동은 이전과 같이 필드당 단일 오버레이 값을 결정하기 위해 기준 타겟들(및 매칭 KPI를 계산하기 위한 하나의 다이-내 퓨필)만을 기초하여 학습될 수 있다. 하지만, 이제 ML 모델은 각각의 기준 타겟과 그 대응하는 다이-내 타겟의 측정들 간의 필드별 차이들에 기초하여 필드내 변동 성분을 학습할 수도 있다(예를 들어, 유사하게 편향/라벨링된 기준 및 다이-내 타겟들의 매칭에 대해 트레이닝됨).

기계 학습에 대한 다양한 멀티스케일 접근법들이 이러한 모델을 구현하는 상이한 방식들을 제공한다. 예를 들어, 트레이닝된 ML 모델은 (예를 들어, 본 방식으로 트레이닝된) 제 1 또는 필드간 모델 구성요소 또는 제 1/필드간 뉴럴 네트워크, 및 필드간 구성요소와 조합하여 작동하도록 트레이닝된 제 2 또는 필드내 모델 구성요소 또는 뉴럴 네트워크를 포함할 수 있다. 이 구성요소들은 필드간 및 필드내 콘텐츠가 적절하게 버킷화(bucket)된다면, 조합된 모델 오차를 최소화하도록 트레이닝될 수 있다.

일 구현예에서, 본 트레이닝 방법은 퓨필 응답 Y = M*vec(c) + 오차가 되도록 N 개의 인자들 [A, B, ...]로 어루어진 모델(M)을 트레이닝할 수 있다. 단순하게는, 전체 모델 M = A + B + C + ... + A*B + A*C + B*C + ... + A*B*C + ....가 사용될 수 있다. 분해[즉, 유효 강도 벡터 vec(c)의 요소들 및 그 p-값들을 찾는 분해]를 위해 [A, B, C 등] 트레이닝 라벨들의 큰 컬렉션이 사용될 수 있다.

이 실시예에서, 필드내 콘텐츠에 대한 추가적인 인자(Z)가 올바른 통계적 네스팅, 예를 들어 A(Z)로 추가될 수 있으며, 이 필드내 인자(Z)에 대한 유효 강도(c) 및 p-값이 계산될 수 있다. ML 기술들의 레버리징은 전체적으로 더 작은(효과적인) 모델들(M)의 유효 강도들(c')을 유도할 것이다. 모든 경우에, 모델 오차가 최소화된다.

이러한 방식으로, 기준 타겟 퓨필들 및 편향된 다이-내 타겟 퓨필들 모두에 오버레이 라벨들이 할당되어, 전자는 낮은 공간 주파수 OV 콘텐츠를 인코딩하고 후자는 더 높은 공간 주파수 OV 콘텐츠를 인코딩하도록 한다. 편향된 다이-내 타겟들은 오버레이 트레이닝 라벨들을 증강할 것이며; 이는 필드내 핑거프린트를 명시적으로 학습하여 필드내 라벨 보정을 가능하게 함으로써 메트롤로지 레시피를 개선한다. 필드내 오버레이 변동들의 보정은 웨이퍼에서 추론된 오버레이의 정확성 및 정밀도를 개선할 것이다.

HVM 환경에서, 다이-내 타겟 편향들은 필요하지 않으며, 다이-내 타겟으로부터 오버레이 값을 얻는 데 사용되는 트레이닝된 ML 모델(및 더 일반적으로 측정 레시피)과 함께 편향되지 않은 다이-내 타겟들이 사용될 수 있다. 하지만, (유사한 성능을 보장하고 비용을 절감하기 위해) 트레이닝 및 생산에 동일한 레티클을 사용하는 것이 바람직할 수 있다. 이는 대응하는 타겟으로부터 추론된 오버레이 값에서 각각의 알려진 오버레이 편향을 고려(예를 들어, 제거 또는 감산)해야 한다는 점 외에는 오버레이 추론에 거의 영향을 미치지 않을 것이다. 이러한 것으로서, 적용된 편향은 선험적으로 알려져 있기 때문에, 보정 루프를 가능하게 하도록 모델들을 적용하기 전에 적용된 레티클 편향을 보정하도록 오프셋들이 적용될 수 있으므로 디바이스 모니터링의 품질에 영향을 미치지 않는다.

다이-내 타겟들은 (비-주기적) 다이-내 디바이스 패턴들(예를 들어, 논리 구조체들)에 대한 프록시로서 동작하여야 한다. 이러한 것으로서, 다이-내 타겟들은 다이 내의 논리 구조체들(즉, 이들이 프록시로서 동작하는 논리 회로들)을 대표하여야 한다. 이러한 논리 회로들의 디자인은, 주기적 타겟을 형성하기 위해 반복될 수 있는 단위 셀로부터 논리 구조체의 요소들이 추출되는 디바이스 구조 단순화 방법에 기초할 수 있다. 도 5는 이러한 방법을 예시한다. 논리 회로(LG)는 비-주기적 구성으로 2 개의 요소들을 포함할 수 있다. 디바이스-내 타겟(IDM)은, 예를 들어 논리 회로 내의 요소들과 유사한 치수들(예를 들어, CD) 및 간격들을 갖는 요소들의 반복을 사용하여 형성되는 다수의 단위 셀들(UC)을 포함함으로써 최종 에칭-후 패턴의 단순화를 포함할 수 있다. 이러한 방식으로, 디바이스-내 메트롤로지 IDM 타겟은 제품/논리 구조체들의 유사한 크기 또는 분해능의 구조체들을 포함하지만, 오버레이의 광학적 측정을 허용하는 주기적 패턴을 갖는다. 이러한 것으로서, 이들은 관련 제품 구조체들과 최대한 유사하지만 주기적인 패턴을 가질 수 있다.

스케터로메트리 방법을 사용하여 다이-내 타겟들을 측정하는 것 외에도, 다이-내 타겟들은 IDM 스케터로메트리 측정들을 위한 기준 데이터를 얻기 위해, 예를 들어 SEM 오버레이 데이터[예컨대, 파괴적 또는 디캡(decap) SEM OV 데이터]와의 매칭을 개선하기 위해 e-빔 툴과 같은 스캐닝 전자 현미경(SEM)을 사용하여 측정될 수 있다. 이러한 SEM 오버레이 데이터는 흔히 HVM 팹에 고정되는 기준 데이터로서 사용된다.

추가 실시예들이 번호가 매겨진 항목들의 후속 리스트에 개시되어 있다:

1. 노광 필드의 1 이상의 다이 영역 내에 위치되는 다이-내 타겟들의 측정을 위한 측정 레시피를 결정하는 방법으로서,

복수의 기준 타겟들의 측정에 관한 제 1 측정 데이터를 얻는 단계 -상기 기준 타겟들은 각자의 상이한 오버레이 편향들을 포함하고, 트레이닝 기판 상의 각각의 노광 필드에 대해 적어도 하나의 기준 타겟 클러스터에 위치되며, 상기 제 1 측정 데이터는 상기 측정 데이터를 획득하기 위한 복수의 상이한 획득 설정들을 사용한 상기 기준 타겟들의 측정과 더 관련됨- ;

복수의 다이-내 타겟들의 측정에 관한 제 2 측정 데이터를 얻는 단계 -상기 다이-내 타겟들은 각자의 상이한 오버레이 편향들을 포함하고, 각각의 노광 필드에 걸쳐 분포되며, 상기 제 2 측정 데이터는 상기 측정 데이터를 획득하기 위한 복수의 상이한 획득 설정들을 사용한 상기 다이-내 타겟들의 측정과 더 관련됨- ;

복수의 후보 측정 레시피들을 얻기 위해 적어도 상기 제 1 측정 데이터를 사용하여 1 이상의 기계 학습 모델을 트레이닝하는 단계 -상기 후보 측정 레시피들은 트레이닝된 기계 학습 모델 및 대응하는 획득 설정의 복수의 조합들을 포함함- ; 및

상기 제 2 측정 데이터를 사용하여 상기 후보 측정 레시피들로부터 선호되는 측정 레시피를 결정하는 단계를 포함하는 방법.

2. 1 항에 있어서, 상기 다이-내 타겟들 및 기준 타겟들은 하나의 다이-내 타겟 및 하나의 기준 타겟의 대응하는 타겟 쌍들을 포함하고, 각각의 쌍은 대응하는 오버레이 편향들을 가지며, 상기 선호되는 측정 레시피를 결정하는 단계는:

상기 다이-내 타겟들 및 기준 타겟들의 쌍들 각각에 대한 레시피 성능의 비교로부터 각각의 후보 측정 레시피에 대한 매칭 메트릭을 결정하는 단계; 및

상기 후보 측정 레시피들로부터 선호되는 측정 레시피를 선택하는 데 매칭 메트릭을 사용하는 단계를 포함하는 방법.

3. 2 항에 있어서, 1 이상의 성능 지표에 따라 상기 후보 측정 레시피들의 순위를 매기는 단계를 포함하고, 상기 1 이상의 성능 지표는 상기 매칭 메트릭을 포함하는 방법.

4. 1 항, 2 항 또는 3 항에 있어서, 상기 제 1 측정 데이터는 상기 1 이상의 기계 학습 모델을 트레이닝하기 위한 제 1 라벨링된 트레이닝 데이터를 포함하며, 상기 제 1 라벨링된 트레이닝 데이터는 각자의 오버레이 편향에 의해 라벨링된 각각의 기준 타겟으로부터의 측정들을 포함하는 방법.

5. 1 항 내지 4 항 중 어느 하나에 있어서, 제 2 메트롤로지 데이터를 사용하여 필드내 변동에 대해 상기 1 이상의 모델을 트레이닝하는 단계를 포함하는 방법.

6. 5 항에 있어서, 상기 제 2 측정 데이터는 상기 1 이상의 기계 학습 모델을 트레이닝하기 위한 제 2 라벨링된 트레이닝 데이터를 포함하며, 상기 제 2 라벨링된 트레이닝 데이터는 각자의 오버레이 편향에 의해 라벨링된 각각의 기준 타겟으로부터의 측정들을 포함하는 방법.

7. 6 항에 있어서, 상기 필드내 변동에 대한 트레이닝은 상기 제 1 측정 데이터와 상기 제 2 측정 데이터 사이의 각 필드에 걸친 차이들에 기초하는 방법.

8. 6 항 또는 7 항에 있어서, 상기 다이-내 타겟들 및 기준 타겟들은 하나의 다이-내 타겟 및 하나의 기준 타겟의 대응하는 타겟 쌍들을 포함하고, 각각의 쌍은 대응하는 오버레이 편향들을 가지며, 상기 차이들은 필드당 각각의 타겟 쌍에 대해 매칭되는 방법.

9. 6 항 내지 8 항 중 어느 하나에 있어서, 트레이닝은 기계 학습 모델이 제 1 측정 데이터로부터 결정된 필드당 단일 제품-상 오버레이 값 및 제 2 측정 데이터로부터 결정된 필드당 다수 제품-상 오버레이 값들에 대해 트레이닝되도록 하는 방법.

10. 6 항 내지 9 항 중 어느 하나에 있어서, 상기 필드내 변동에 대한 트레이닝은 상기 필드내 변동을 최소화하도록 트레이닝된 기계 학습 모델의 필드내 모델 구성요소를 트레이닝하는 것을 포함하는 방법.

11. 10 항에 있어서, 상기 필드내 변동에 대한 트레이닝은 기계 학습 모델의 필드간 모델 구성요소를 트레이닝하는 것을 포함하며, 상기 필드내 모델 구성요소 및 필드간 모델 구성요소는 상기 필드간 변동 및 필드내 변동에 관한 조합된 모델 오차를 최소화하도록 트레이닝되는 방법.

12. 1 항 내지 11 항 중 어느 하나에 있어서, 상기 측정 데이터 내의 각각의 측정은 타겟으로부터의 산란 방사선의 각도 분해 스펙트럼을 포함하는 방법.

13. 1 항 내지 12 항 중 어느 하나에 있어서, 상기 다이-내 타겟들은 이들이 프록시로서 동작하는 노광 필드 내의 비-주기적 구조체들을 대표하는 방법.

14. 13 항에 있어서, 상기 다이-내 타겟들은 상기 비-주기적 구조체들로부터 추출된 단위 셀 요소들의 반복들을 포함하는 상기 비-주기적 구조체들의 주기적 구조 단순화인 방법.

15. 1 항 내지 14 항 중 어느 하나에 있어서, 각각의 다이-내 타겟에 대한 오버레이 값을 추론하기 위해, 상기 선호되는 측정 레시피를 사용하여 생산 기판 상의 다이-내 타겟들을 측정하는 단계를 포함하는 방법.

16. 15 항에 있어서, 트레이닝 기판을 노광하는 데 사용된 것과 동일한 레티클을 사용하여 제품 기판을 노광하는 단계를 포함하고, 상기 오버레이 값의 추론은 다이-내 타겟들의 편향을 설명하는 방법.

17. 1 항 내지 16 항 중 어느 하나의 방법에서 사용하기 위한 0이 아닌 오버레이 편향을 포함하는 노광 필드의 다이 영역 내에 위치되는 타겟.

18. 17 항에 있어서, 기준 타겟 클러스터 내의 기준 타겟들 중 일부 또는 전부에 대해 대응하는 타겟을 포함하는 타겟.

19. 18 항에 있어서, 대응하는 타겟은 대응하는 부여된 편향을 포함하여, 대응하는 타겟의 부여된 편향이 기준 타겟의 편향에 대응하도록 하는 타겟.

20. 컴퓨터 프로그램이 컴퓨터에 의해 실행될 때, 컴퓨터가 1 항 내지 16 항 중 어느 하나의 방법을 수행하게 하는 명령어들을 포함하는 컴퓨터 프로그램.

21. 20 항의 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독가능한 데이터 캐리어.

22. 1 항 내지 16 항 중 어느 하나의 방법을 수행하기 위한 수단을 포함하는 데이터 처리 장치.

23. 1 항 내지 16 항 중 어느 하나의 방법을 수행하도록 구성되는 메트롤로지 장치.

요약하면, 본 명세서에 설명된 방법들은 오버레이 민감도[겟(get) OV - 셋(set) OV 민감도, 즉 오버레이 의존적 방법 민감도 및 필드내 콘텐츠를 학습할 가능성이 부분들인 전체 모델]를 개선하는 기준 및 다이-내 타겟들의 개선된 매칭을 포함한다. 적어도 일부 실시예들은 필드내 핑거프린트에 대해 명시적으로 학습함으로써 레시피를 개선한다. 또한, 이 실시예들은 필드내 라벨 보정을 가능하게 한다.

다이-내 또는 기준 타겟들이 각자의 상이한 오버레이 편향들을 포함한다고 명시되는 경우, 이는 각각의 타겟 세트 중 적어도 하나에 대한 편향이 0일 수 있는 가능성을 포함한다.

본 명세서에서 사용된 "방사선" 및 "빔"이라는 용어는 이온 빔 또는 전자 빔과 같은 입자 빔뿐만 아니라, (예를 들어, 365, 355, 248, 193, 157 또는 126 nm, 또는 그 정도의 파장을 갖는) 자외(UV) 방사선 및 (예를 들어, 5 내지 20 nm 범위 내의 파장을 갖는) 극자외(EUV) 방사선을 포함하는 모든 형태의 전자기 방사선을 포괄한다.

본 명세서가 허용하는 "렌즈"라는 용어는, 굴절, 반사, 자기, 전자기 및 정전기 광학 구성요소들을 포함하는 다양한 형태의 광학 구성요소들 중 어느 하나 또는 그 조합으로 언급될 수 있다.

타겟이라는 용어는 메트롤로지의 특정 목적을 위해 형성되는 전용 타겟들만을 의미하는 것으로 해석되어서는 안 된다. 타겟이라는 용어는 메트롤로지 적용예들에 적절한 속성들을 갖는 제품 구조체들을 포함한 다른 구조체들을 포괄하는 것으로 이해되어야 한다.

특정 실시예들의 앞선 설명은, 당업계의 지식을 적용함으로써, 다양한 적용들에 대해 본 발명의 일반적인 개념을 벗어나지 않고 지나친 실험 없이 이러한 특정 실시예들을 쉽게 변형하고, 및/또는 응용할 수 있도록 본 발명의 일반적인 성질을 전부 드러낼 것이다. 그러므로, 이러한 응용예 및 변형예들은 본 명세서에 나타낸 교시 및 안내에 기초하여, 개시된 실시예들의 균등물의 의미 및 범위 내에 있도록 의도된다. 본 명세서에서, 어구 또는 전문 용어는 예시에 의한 설명을 위한 것이며 제한하려는 것이 아니므로, 본 명세서의 전문 용어 또는 어구가 당업자에 의해 교시 및 안내를 고려하여 해석되어야 한다는 것을 이해하여야 한다.

본 발명의 범위와 폭은 상술된 예시적인 실시예들 중 어느 것에 의해서도 제한되지 않아야 하며, 다음의 청구항 및 그 균등물에 따라서만 정의되어야 한다.

Claims (15)

1. 노광 필드의 1 이상의 다이 영역 내에 위치되는 다이-내 타겟(in-die target)들의 측정을 위한 측정 레시피(measurement recipe)를 결정하는 방법으로서,
   복수의 기준 타겟(reference target)들의 측정에 관한 제 1 측정 데이터를 얻는 단계 -상기 기준 타겟들은 각자의 상이한 오버레이 편향(overlay bias)들을 포함하고, 트레이닝 기판(training substrate) 상의 각각의 노광 필드에 대해 적어도 하나의 기준 타겟 클러스터에 위치되며, 상기 제 1 측정 데이터는 상기 측정 데이터를 획득하기 위해 복수의 상이한 획득 설정들을 사용한 기준 타겟들의 측정과 더 관련됨- ;
   복수의 다이-내 타겟들의 측정에 관한 제 2 측정 데이터를 얻는 단계 -상기 다이-내 타겟들은 각자의 상이한 오버레이 편향들을 포함하고, 각각의 노광 필드에 걸쳐 분포되며, 상기 제 2 측정 데이터는 상기 측정 데이터를 획득하기 위해 상기 복수의 상이한 획득 설정들을 사용한 다이-내 타겟들의 측정과 더 관련됨- ;
   복수의 후보 측정 레시피들을 얻기 위해 적어도 상기 제 1 측정 데이터를 사용하여 1 이상의 기계 학습 모델을 트레이닝하는 단계 -상기 후보 측정 레시피들은 트레이닝된 기계 학습 모델 및 대응하는 획득 설정의 복수의 조합들을 포함함- ; 및
   상기 제 2 측정 데이터를 사용하여 상기 후보 측정 레시피들로부터 선호되는(preferred) 측정 레시피를 결정하는 단계
   를 포함하는, 방법.
2. 제 1 항에 있어서,
   상기 다이-내 타겟들 및 기준 타겟들은 하나의 다이-내 타겟 및 하나의 기준 타겟의 대응하는 타겟 쌍들을 포함하고, 각각의 쌍은 대응하는 오버레이 편향들을 가지며, 상기 선호되는 측정 레시피를 결정하는 단계는:
   상기 다이-내 타겟들 및 기준 타겟들의 쌍들 각각에 대한 레시피 성능의 비교로부터 각각의 후보 측정 레시피에 대한 매칭 메트릭(matching metric)을 결정하는 단계; 및
   상기 후보 측정 레시피들로부터 선호되는 측정 레시피를 선택하는 데 상기 매칭 메트릭을 사용하는 단계를 포함하는, 방법.
3. 제 2 항에 있어서,
   1 이상의 성능 지표에 따라 상기 후보 측정 레시피들의 순위를 매기는 단계를 포함하고, 상기 1 이상의 성능 지표는 상기 매칭 메트릭을 포함하는, 방법.
4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
   상기 제 1 측정 데이터는 상기 1 이상의 기계 학습 모델을 트레이닝하기 위한 제 1 라벨링(label)된 트레이닝 데이터를 포함하며, 상기 제 1 라벨링된 트레이닝 데이터는 각자의 오버레이 편향에 의해 라벨링된 각각의 기준 타겟으로부터의 측정들을 포함하는, 방법.
5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
   상기 제 2 측정 데이터를 사용하여 필드내 변동(intrafield variation)에 대해 상기 1 이상의 모델을 트레이닝하는 단계를 포함하는, 방법.
6. 제 5 항에 있어서,
   상기 제 2 측정 데이터는 상기 1 이상의 기계 학습 모델을 트레이닝하기 위한 제 2 라벨링된 트레이닝 데이터를 포함하며, 상기 제 2 라벨링된 트레이닝 데이터는 각자의 오버레이 편향에 의해 라벨링된 각각의 기준 타겟으로부터의 측정들을 포함하는, 방법.
7. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
   상기 측정 데이터 내의 각각의 측정은 타겟으로부터의 산란 방사선의 각도 분해 스펙트럼(angularly resolved spectrum)을 포함하는, 방법.
8. 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
   상기 다이-내 타겟들은 이들이 프록시(proxy)로서 동작하는 상기 노광 필드 내의 비-주기적 구조체들을 대표하는, 방법.
9. 제 8 항에 있어서,
   상기 다이-내 타겟들은 상기 비-주기적 구조체들로부터 추출된 단위 셀 요소들의 반복들을 포함하는 상기 비-주기적 구조체들의 주기적 구조 단순화(periodic structure simplification)인, 방법.
10. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
    각각의 다이-내 타겟에 대한 오버레이 값을 추론하기 위해, 상기 선호되는 측정 레시피를 사용하여 생산 기판 상의 다이-내 타겟들을 측정하는 단계를 포함하는, 방법.
11. 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법에서 사용하기 위한 0이 아닌 오버레이 편향을 포함하는 노광 필드의 다이 영역 내에 위치되는 타겟.
12. 컴퓨터 프로그램이 컴퓨터에 의해 실행될 때, 상기 컴퓨터가 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법을 수행하게 하는 명령어들을 포함하는 컴퓨터 프로그램.
13. 제 12 항의 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독가능한 데이터 캐리어.
14. 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법을 수행하기 위한 수단을 포함하는 데이터 처리 장치.
15. 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법을 수행하도록 구성되는 메트롤로지 장치.

Images