KR20240005965A - 원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 - Google Patents
원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 Download PDFInfo
- Publication number
- KR20240005965A KR20240005965A KR1020237043379A KR20237043379A KR20240005965A KR 20240005965 A KR20240005965 A KR 20240005965A KR 1020237043379 A KR1020237043379 A KR 1020237043379A KR 20237043379 A KR20237043379 A KR 20237043379A KR 20240005965 A KR20240005965 A KR 20240005965A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- average image
- images
- measured
- raw images
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims description 21
- 241001006782 Amage Species 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 264
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000012935 Averaging Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 238000010894 electron beam technology Methods 0.000 claims description 34
- 238000007689 inspection Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000000059 patterning Methods 0.000 description 121
- 230000008569 process Effects 0.000 description 118
- 230000005855 radiation Effects 0.000 description 79
- 239000000758 substrate Substances 0.000 description 68
- 238000013461 design Methods 0.000 description 51
- 230000003287 optical effect Effects 0.000 description 42
- 230000006870 function Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 27
- 230000015654 memory Effects 0.000 description 25
- 238000005259 measurement Methods 0.000 description 24
- 239000002245 particle Substances 0.000 description 24
- 239000000523 sample Substances 0.000 description 21
- 238000005286 illumination Methods 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 18
- 238000004088 simulation Methods 0.000 description 18
- 238000009826 distribution Methods 0.000 description 17
- 238000001459 lithography Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 235000012431 wafers Nutrition 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 210000001747 pupil Anatomy 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 239000002253 acid Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010511 deprotection reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005672 electromagnetic field Effects 0.000 description 4
- 238000005530 etching Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003703 image analysis method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/418—Imaging electron microscope
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
- G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
- G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Electromagnetism (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
Abstract
프린트된 패턴의 이미지들을 평가하는 방법이 적어도 하나의 프로그램가능한 프로세서에 의해 구현된다. 상기 방법은 프린트된 패턴의 제 1 평균 이미지를 얻는 단계(2310, 2320)를 포함하고, 제 1 평균 이미지는 프린트된 패턴의 원시 이미지들을 평균함으로써 생성된다. 또한, 상기 방법은 제 1 평균 이미지의 1 이상의 피처를 식별하는 단계(2330)를 포함한다. 또한, 상기 방법은 이미지 품질 분류 모델을 실행하는 프로그램가능한 프로세서에 의해, 및 적어도 1 이상의 피처에 기초하여 제 1 평균 이미지를 평가하는 단계(2340)를 더 포함한다. 평가하는 단계는 이미지 품질 분류 모델에 의해, 제 1 평균 이미지가 메트릭을 만족시키는지 여부를 결정하는 단계(2350)를 포함한다.
Description
본 출원은 2018년 8월 15일에 출원된 미국 출원 62/764,664의 우선권을 주장하며, 이는 본 명세서에서 그 전문이 인용참조된다.
본 명세서의 기재내용은 일반적으로 리소그래피 공정들을 위한 공정 모델들과 사용되는 바와 같은 메트롤로지에 관한 것이며, 특히 고-품질 메트롤로지를 수행하기 위해 획득되는 이미지들의 자동 선택을 위한 기계 학습 알고리즘들을 사용하는 장치들, 방법들, 및 컴퓨터 프로그램 제품들에 관한 것이다.
리소그래피 투영 장치는, 예를 들어 집적 회로(IC)의 제조 시에 사용될 수 있다. 이러한 경우, 패터닝 디바이스(예를 들어, 마스크)는 IC의 개별층에 대응하는 패턴("디자인 레이아웃")을 포함하거나 제공할 수 있으며, 패터닝 디바이스 상의 패턴을 통해 타겟부를 조사(irradiate)하는 것과 같은 방법들에 의해, 이 패턴이 방사선-감응재("레지스트")층으로 코팅된 기판(예를 들어, 실리콘 웨이퍼) 상의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부 상으로 전사(transfer)될 수 있다. 일반적으로, 단일 기판은 리소그래피 투영 장치에 의해 패턴이 한 번에 한 타겟부씩 연속적으로 전사되는 복수의 인접한 타겟부들을 포함한다. 일 형태의 리소그래피 투영 장치에서는 전체 패터닝 디바이스 상의 패턴이 한 타겟부 상으로 한 번에 전사되며; 이러한 장치는 통상적으로 스테퍼(stepper)라 칭해진다. 통상적으로 스텝-앤드-스캔(step-and-scan) 장치라 칭해지는 대안적인 장치에서는 투영 빔이 주어진 기준 방향("스캐닝" 방향)으로 패터닝 디바이스에 걸쳐 스캐닝하는 한편, 동시에 이 기준 방향과 평행하게 또는 역-평행하게(anti-parallel) 기판이 이동된다. 패터닝 디바이스 상의 패턴의 상이한 부분들이 점진적으로 한 타겟부에 전사된다. 일반적으로, 리소그래피 투영 장치가 축소율(M)(예를 들어, 4)을 갖기 때문에, 기판이 이동되는 속력(F)은 투영 빔이 패터닝 디바이스를 스캐닝하는 속력의 1/M 배가 될 것이다. 리소그래피 디바이스들에 관련된 더 많은 정보는, 예를 들어 본 명세서에서 인용참조되는 US 6,046,792에서 찾아볼 수 있다.
패터닝 디바이스로부터 기판으로 패턴을 전사하기에 앞서, 기판은 전처리(priming), 레지스트 코팅 및 소프트 베이크(soft bake)와 같은 다양한 절차들을 거칠 수 있다. 노광 이후, 기판은 노광-후 베이크(post-exposure bake: PEB), 현상, 하드 베이크(hard bake) 및 전사된 패턴의 측정/검사와 같은 다른 절차들("노광-후 절차들")을 거칠 수 있다. 이러한 일련의 절차들은 디바이스, 예컨대 IC의 개별층을 구성하는 기초로서 사용된다. 그 후, 기판은 에칭, 이온-주입(도핑), 금속화(metallization), 산화, 화학-기계적 연마 등과 같은 다양한 공정들을 거칠 수 있으며, 이는 모두 디바이스의 개별층을 마무리하도록 의도된다. 디바이스에서 여러 층이 요구되는 경우, 각각의 층에 대해 전체 과정 또는 그 변형이 반복된다. 최후에는, 디바이스가 기판 상의 각 타겟부에 존재할 것이다. 그 후, 이 디바이스들은 다이싱(dicing) 또는 소잉(sawing)과 같은 기술에 의해 서로 분리되며, 개개의 디바이스들은 핀에 연결되는 캐리어 등에 장착될 수 있다.
따라서, 반도체 디바이스들과 같은 디바이스들을 제조하는 것은 통상적으로 디바이스들의 다양한 피처들 및 다수 층들을 형성하기 위해 다수의 제작 공정들을 이용하여 기판(예를 들어, 반도체 웨이퍼)을 처리하는 것을 수반한다. 이러한 층들 및 피처들은 통상적으로, 예를 들어 증착, 리소그래피, 에칭, 화학-기계적 연마, 및 이온 주입을 이용하여 제조되고 처리된다. 다수 디바이스들은 기판의 복수의 다이들 상에 제작된 후, 개별적인 디바이스들로 분리될 수 있다. 이 디바이스 제조 공정은 패터닝 공정으로 간주될 수 있다. 패터닝 공정은 기판에 패터닝 디바이스 상의 패턴을 전사하기 위해 리소그래피 장치에서 패터닝 디바이스를 이용하는 광학 및/또는 나노임프린트(nanoimprint) 리소그래피와 같은 패터닝 단계를 수반하며, 통상적이지만 선택적으로 현상 장치에 의한 레지스트 현상, 베이크 툴을 이용한 기판의 베이킹, 에칭 장치를 이용하는 패턴을 이용한 에칭 등과 같은 1 이상의 관련 패턴 처리 단계를 수반한다.
유의되는 바와 같이, 리소그래피는 IC와 같은 디바이스의 제조에 있어서 중심 단계이며, 이때 기판들 상에 형성된 패턴들은 마이크로프로세서, 메모리 칩 등과 같은 디바이스의 기능 요소들을 정의한다. 또한, 유사한 리소그래피 기술들이 평판 디스플레이(flat panel display), MEMS(micro-electro mechanical systems) 및 다른 디바이스들의 형성에 사용된다.
반도체 제조 공정이 계속해서 진보함에 따라, 통상적으로 "무어의 법칙"이라 칭하는 추세를 따라 기능 요소들의 치수들이 계속 감소되는 한편, 디바이스당 트랜지스터와 같은 기능 요소들의 양은 수십 년에 걸쳐 꾸준히 증가하였다. 현 기술 수준에서, 디바이스들의 층들은 심(deep)-자외선 조명 소스로부터의 조명을 이용하여 기판 상에 디자인 레이아웃을 투영하는 리소그래피 투영 장치들을 이용하여 제조되어, 100 nm보다 훨씬 낮은 치수들, 즉 조명 소스(예를 들어, 193 nm 조명 소스)로부터의 방사선의 파장의 절반보다 작은 치수들을 갖는 개별적인 기능 요소들을 생성한다.
리소그래피 투영 장치의 전형적인 분해능 한계보다 작은 치수들을 갖는 피처들이 프린트되는 이 공정은 통상적으로 분해능 공식 CD = k1×λ/NA에 따른 저(low)-k1 리소그래피로서 알려져 있으며, 이때 λ는 채택되는 방사선의 파장(통상적으로, 대부분의 경우 248 nm 또는 193 nm)이고, NA는 리소그래피 투영 장치 내의 투영 광학기의 개구수(numerical aperture)이며, CD는 "임계 치수" -일반적으로, 프린트되는 최소 피처 크기- 이고, k1은 경험적인 분해능 인자이다. 일반적으로, k1이 작을수록, 특정한 전기적 기능 및 성능을 달성하기 위하여 설계자에 의해 계획된 형상 및 치수들과 비슷한 패턴을 기판 상에 재현하기가 더 어려워진다. 이 어려움을 극복하기 위해, 정교한 미세-조정 단계들이 리소그래피 투영 장치, 디자인 레이아웃, 또는 패터닝 디바이스에 적용된다. 이들은, 예를 들어 NA 및 광 간섭성(optical coherence) 세팅들의 최적화, 맞춤 조명 방식(customized illumination schemes), 위상 시프팅 패터닝 디바이스들의 사용, 디자인 레이아웃에서의 광 근접 보정(optical proximity correction: OPC, 때로는 "광학 및 공정 보정"이라고도 함), 또는 일반적으로 "분해능 향상 기술들"(resolution enhancement techniques: RET)로 정의된 다른 방법들을 포함하며, 이에 제한되지는 않는다.
본 명세서에서 사용되는 바와 같은 "투영 광학기"라는 용어는, 예를 들어 굴절 광학기, 반사 광학기, 어퍼처(aperture) 및 카타디옵트릭(catadioptric) 광학기를 포함하는 다양한 타입의 광학 시스템들을 포괄하는 것으로서 폭넓게 해석되어야 한다. 또한, "투영 광학기"라는 용어는 집합적으로 또는 개별적으로 방사선 투영 빔을 지향, 성형 또는 제어하기 위해 이 디자인 타입들 중 어느 하나에 따라 작동하는 구성요소들을 포함할 수 있다. "투영 광학기"라는 용어는, 광학 구성요소가 리소그래피 투영 장치의 광학 경로 상의 어디에 위치되든지, 리소그래피 투영 장치 내의 여하한의 광학 구성요소를 포함할 수 있다. 투영 광학기는 방사선이 패터닝 디바이스를 지나가기 전에 소스로부터의 방사선을 성형, 조정 및/또는 투영하는 광학 구성요소들, 및/또는 방사선이 패터닝 디바이스를 지나간 후에 방사선을 성형, 조정 및/또는 투영하는 광학 구성요소들을 포함할 수 있다. 투영 광학기는 일반적으로 소스 및 패터닝 디바이스를 배제한다.
패터닝 공정을 위한 공정 모델을 개선하는 방법은 a) 이미지 캡처 디바이스로부터의 측정된 윤곽, 및 b) 공정 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽을 얻는 단계를 포함한다. 또한, 상기 방법은 측정된 윤곽과 시뮬레이션된 윤곽 사이의 오프셋을 결정함으로써 시뮬레이션된 윤곽과 측정된 윤곽을 정렬하는 단계를 포함한다. 공정 모델은 시뮬레이션된 윤곽과 측정된 윤곽 사이의 차이 -결정된 오프셋에 기초하여 연산됨- 를 감소시키도록 캘리브레이션된다.
일부 변형예들에서, 오프셋은 측정된 윤곽의 일부분을 실질적으로 정의하는 측정 좌표에 기초하여 더 결정될 수 있다. 또한, 오프셋은 측정 좌표와 시뮬레이션된 윤곽 사이의 거리에 기초하여 더 결정될 수 있으며, 거리는 측정 좌표에서 측정된 윤곽에 수직인 방향으로 있다. 정렬은 거리에 기초하여 계산되는 비용 함수를 감소시키는 단계를 더 포함할 수 있다.
다른 변형예들에서, 에지 배치(EP) 좌표가 측정된 윤곽에 생성될 수 있으며, 여기서 오프셋은 EP 좌표에 기초하여 더 결정될 수 있다. EP 좌표는 2 이상의 측정 좌표들 사이에서 보간함으로써 생성될 수 있다. EP 좌표는 2 이상의 측정 좌표들로부터 외삽함으로써 생성될 수 있다. 따라서, 캘리브레이션은 차이를 감소시키도록 공정 모델의 특징을 수정하는 단계를 더 포함할 수 있으며, 수정은 시뮬레이션된 윤곽의 형상에 대한 변화를 야기한다.
일부 변형예들에서, 측정된 윤곽은 측정된 이미지에서 픽셀들의 세기 변화에 기초하여 식별될 수 있다. 식별은 그레이스케일 임계치를 초과하는 변화에 기초할 수 있다.
다른 변형예들에서, 모델은 그래픽 데이터베이스 시스템(Graphic Database Systems: GDS) 다각형들로부터 시뮬레이션된 윤곽을 얻는 것, 및 또한 측정된 윤곽을 포함하는 에지 배치 좌표 또는 측정 좌표를 GDS 좌표로 변환하는 것을 포함할 수 있다. GDS 다각형들은 GDS 스트림 포맷(GDSII) 및 OASIS(Open Artwork System Interchange Standard)로부터 선택되는 1 이상의 포맷으로 이루어질 수 있다.
상호관련된 실시형태에서, 패터닝 공정을 위한 광 근접 보정(OPC) 모델을 개선하는 방법은 a) 이미지 캡처 디바이스로부터의 측정된 윤곽, 및 b) OPC 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽을 얻는 단계를 포함한다. 또한, 상기 방법은 측정된 윤곽과 시뮬레이션된 윤곽 사이의 오프셋을 결정함으로써 시뮬레이션된 윤곽과 측정된 윤곽을 정렬하는 단계를 포함한다. 추가적으로, 상기 방법은 시뮬레이션된 윤곽과 측정된 윤곽 사이의 차이 -결정된 오프셋에 기초하여 연산됨- 를 감소시키도록 OPC 모델의 특징들을 수정하는 단계를 포함한다.
일부 변형예들에서, 특징들은 확산 속도, 확산 범위, 탈보호 비율(deprotection ratio), 및 산/염기 농도 중 1 이상을 포함한다. 또한, 상기 방법은 OPC 모델의 시뮬레이션에 기초하여 시뮬레이션된 윤곽을 얻는 단계를 포함할 수 있으며, 여기서 OPC 모델은 광학 모델을 포함하고 레지스트 모델을 포함하지 않는 예비 모델이다.
다른 변형예들에서, 상기 방법은 광학 모델 및 레지스트 모델을 포함하는 예비 모델로 초기 시뮬레이션된 윤곽을 얻는 단계, 및 초기 시뮬레이션된 윤곽과 측정된 윤곽 사이의 차이를 감소시키도록 레지스트 모델의 특징들을 수정하는 단계를 포함할 수 있다.
상호관련된 실시형태에서, 패터닝 공정을 위한 공정 모델을 개선하는 방법은 a) 이미지 캡처 디바이스로부터의 측정된 이미지들, 및 b) 공정 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽을 얻는 단계를 포함한다. 또한, 상기 방법은 측정된 이미지들을 정렬하는 단계, 정렬된 복수의 측정된 이미지들로부터 조합된 측정된 이미지를 생성하는 단계, 이미지 분석 방법에 의해 조합된 측정된 이미지로부터 측정된 윤곽을 추출하는 단계, 측정된 윤곽과 시뮬레이션된 윤곽 사이의 오프셋을 결정함으로써 시뮬레이션된 윤곽과 측정된 윤곽을 정렬하는 단계, 및 시뮬레이션된 윤곽과 측정된 윤곽 사이의 차이 -결정된 오프셋에 기초하여 연산됨- 를 감소시키도록 공정 모델을 캘리브레이션하는 단계를 포함한다.
일부 변형예들에서, 조합된 이미지는 정렬된 측정된 이미지들을 평균함으로써 생성될 수 있다. 측정된 이미지들은 타겟 패턴으로부터 제조되는 적어도 2 개의 상이한 다이들로부터의 프린트된 패턴들로부터 얻어질 수 있다. 조합된 이미지를 생성하는 측정된 이미지들 각각은 상이한 다이를 스캐닝함으로써 획득될 수 있다.
다른 변형예들에서, 이미지 캡처 디바이스는 스캐닝 전자 현미경일 수 있다. 측정된 이미지들을 얻는 단계는 약 +45 도 및 -45 도를 포함하는 다수의 각도들에서 프린트된 패턴에 걸쳐 전자 빔을 스캐닝함으로써 수행될 수 있다. 또한, 측정된 이미지들의 절반은 약 +45 도에서 스캐닝될 수 있고, 측정된 이미지들의 또 다른 절반은 약 -45 도에서 스캐닝될 수 있다.
다른 변형예들에서, 얻는 단계는 임계 치수를 분해하기에 충분한 스캔을 얻기 위해 필요한 용량 미만으로 작동하는 스캐닝 전자 현미경으로 수행될 수 있다. 이미지 캡처 디바이스는 전자 빔 검사 시스템일 수 있다. 전자 빔 검사 시스템은 넓은 시야를 가질 수 있으며, 측정된 이미지는 넓은 시야 내에서 적어도 부분적으로 얻어질 수 있다. 넓은 시야는 측면에서 약 1 내지 50 미크론 또는 측면에서 약 6 내지 12 미크론일 수 있다. 전자 빔 검사 시스템은 프린트된 패턴에서 핫스폿(hotspot)들 또는 약한-지점(weak-point)들을 검출할 수 있다.
다른 변형예들에서, 상기 방법은 이미지 캡처 디바이스로부터 캡처되는 복수의 측정된 이미지들에서 공통 영역을 결정하는 단계, 및 공통 영역에 기초하여 조합된 측정된 이미지를 생성하는 단계를 더 포함할 수 있다.
상호관련된 실시형태에서, 프린트된 패턴의 이미지들을 평가하는 방법은 적어도 하나의 프로그램가능한 프로세서에 의해 구현된다. 상기 방법은 프린트된 패턴의 제 1 평균 이미지를 얻는 단계를 포함하며, 여기서 제 1 평균 이미지는 프린트된 패턴의 원시 이미지(raw image)들을 평균함으로써 생성된다. 또한, 상기 방법은 제 1 평균 이미지의 1 이상의 피처를 식별하는 단계를 포함한다. 상기 방법은 이미지 품질 분류 모델을 실행하는 프로그램가능한 프로세서에 의해, 및 적어도 1 이상의 피처에 기초하여 제 1 평균 이미지를 평가하는 단계를 더 포함한다. 평가하는 단계는 이미지 품질 분류 모델에 의해, 제 1 평균 이미지가 메트릭(metric)을 만족시키는지 여부를 결정하는 것을 포함한다.
일부 변형예들에서, 제 1 평균 이미지는 적어도 원시 이미지들을 정렬하고 정렬된 원시 이미지들로부터 제 1 평균 이미지를 생성함으로써 생성될 수 있다.
다른 변형예들에서, 상기 방법은 또한 제 1 평균 이미지가 메트릭을 만족시키는지 여부를 나타내는 원시 이미지들 중 적어도 하나에 대한 라벨(label)을 생성하는 단계를 포함할 수 있다. 또한, 라벨은 컴퓨터 메모리에서 원시 이미지들과 연계될 수 있다.
또 다른 변형예들에서, 상기 방법은 제 2 평균 이미지를 생성하는 단계를 포함할 수 있으며, 생성하는 단계는 메트릭을 만족시키는 것으로 라벨링된 프린트된 패턴의 원시 이미지들의 제 2 그룹을 포함하고, 여기서 제 2 평균 이미지는 메트릭을 만족시킨다.
일부 변형예들에서, 상기 방법은 메트릭을 만족시키지 않는 제 1 평균 이미지의 적어도 하나의 예시를 식별하는 데이터세트로 이미지 품질 분류 모델을 트레이닝(train)하는 단계를 더 포함할 수 있다. 또한, 상기 방법은 제 1 평균 이미지로부터 제 1 복수의 원시 이미지들 중 하나를 적어도 감산함으로써 원시 이미지들 중 하나에 대응하는 잔차 이미지(residual image)를 생성하는 단계를 포함할 수 있다. 결정하는 단계는 제 1 평균 이미지 및 잔차 이미지에 더 기초할 수 있다.
다른 변형예들에서, 이미지 품질 분류 모델에 의해 평가되는 제 1 평균 이미지의 1 이상의 피처는 에지, 어시스트 피처, 및 분해능-이하 어시스트 피처 중 적어도 하나를 포함할 수 있다. 메트릭은 신호-대-잡음 비, 콘트라스트, 및 정렬 품질 중 적어도 1 이상에 기초할 수 있으며, 메트릭은 평균 이미지를 생성하기 위해 평균된 원시 이미지들에 대응할 수 있다.
또 다른 변형예들에서, 이미지 품질 분류 모델은 기계 학습 알고리즘을 더 포함할 수 있으며, 여기서 결정하는 단계는 기계 학습 알고리즘의 출력에 기초할 수 있다. 라벨은 기계 학습 알고리즘의 출력에 기초할 수 있으며, 제 1 평균 이미지가 메트릭을 만족시키는지 여부를 나타내는 스코어 또는 부울 값(Boolean value) 중 적어도 하나일 수 있다.
일부 변형예들에서, 기계 학습 알고리즘은 뉴럴 네트워크 알고리즘, 최근접 이웃 알고리즘, 나이브 베이즈 알고리즘, 결정 트리 알고리즘, 선형 회귀 알고리즘, 서포트 벡터 머신 알고리즘, k-평균 클러스터링, 및 연관 규칙 알고리즘 중 적어도 하나를 포함할 수 있다.
다른 변형예들에서, 원시 이미지들은 스캐닝 전자 현미경, 원자간력 현미경, 및 전자 빔 검사 시스템 중 적어도 하나일 수 있는 이미지 캡처 디바이스로 획득될 수 있다. 상기 방법은 이미지 캡처 디바이스의 포커스 및 이미지 캡처 디바이스에 의해 획득되는 원시 이미지들의 콘트라스트 중 적어도 하나를 개선하기 위해 이미지 캡처 디바이스의 작동 동안 능동적 피드백(active feedback)을 제공하는 단계를 포함할 수 있다.
일 실시예에 따르면, 명령어들이 기록되어 있는 비-일시적(non-transitory) 컴퓨터 판독가능한 매체를 포함한 컴퓨터 프로그램 제품이 제공된다. 명령어들은 컴퓨터에 의해 실행될 때, 청구항들에 열거되는 방법들을 구현한다.
본 명세서에 통합되고 그 일부를 구성하는 첨부된 도면들은 본 명세서에 개시된 주제의 소정 측면들을 나타내고, 설명과 함께 개시된 실시예들과 관련된 원리들 중 일부를 설명하는 데 도움이 된다. 도면들에서,
도 1은 일 실시예에 따른, 리소그래피 투영 장치의 다양한 서브시스템들의 블록 다이어그램을 나타낸다.
도 2는 일 실시예에 따른, 리소그래피 투영 장치에서 리소그래피를 시뮬레이션하는 예시적인 흐름도를 나타낸다.
도 3은 일 실시예에 따른, 프린트된 패턴의 이미지로부터 얻어진 예시적인 측정된 윤곽을 나타낸다.
도 4는 일 실시예에 따른, 다수 이미지들을 평균함으로써 측정된 윤곽을 생성하는 예시적인 방법을 나타낸다.
도 5는 일 실시예에 따른, 시뮬레이션된 윤곽과 측정된 윤곽을 정렬하는 예시적인 방법을 나타낸다.
도 6은 일 실시예에 따른, 측정된 윤곽과 시뮬레이션된 윤곽 사이의 오프셋을 결정하는 예시적인 방법을 나타낸다.
도 7은 일 실시예에 따른, 시뮬레이션된 윤곽을 측정된 윤곽에 매칭하는 예시적인 개선을 나타낸다.
도 8은 일 실시예에 따른, 예비 모델의 개선에 기초한 정렬의 예시적인 개선을 나타낸다.
도 9는 일 실시예에 따른, 공정 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
도 10은 일 실시예에 따른, OPC 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
도 11은 일 실시예에 따른, 타겟의 다수 이미지들을 획득하고 공정 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
도 12는 일 실시예에 따른 예시적인 컴퓨터 시스템의 블록 다이어그램이다.
도 13은 일 실시예에 따른 예시적인 메트롤로지 시스템의 블록 다이어그램이다.
도 14는 일 실시예에 따른 개선된 메트롤로지 프로세스의 예시적인 구현의 프로세스 흐름도이다.
도 15는 일 실시예에 따른 리소그래피 투영 장치의 개략적인 다이어그램이다.
도 16은 일 실시예에 따른 또 다른 리소그래피 투영 장치의 개략적인 다이어그램이다.
도 17은 일 실시예에 따른 리소그래피 투영 장치의 상세도이다.
도 18은 일 실시예에 따른 리소그래피 투영 장치의 소스 컬렉터 모듈의 상세도이다.
도 19는 일 실시예에 따른 전자 빔 검사 장치의 일 실시예를 개략적으로 도시한다.
도 20은 일 실시예에 따른 검사 장치의 추가 실시예를 개략적으로 나타낸다.
도 21은 일 실시예에 따른 프린트된 패턴의 원시 이미지 및 평균 이미지를 나타내는 다이어그램이다.
도 22는 일 실시예에 따른 프린트된 패턴의 "양호한(good)" 및 "불량한(bad)" 평균 이미지들을 나타내는 다이어그램이다.
도 23은 일 실시예에 따른 이미지 품질 분류 모델의 예시적인 구현을 나타내는 프로세스 흐름도이다.
도 24는 일 실시예에 따른, 평균 이미지들을 반복적으로 개선하는 예시적인 이미지 품질 분류 모델을 나타내는 프로세스 흐름도이다.
도 1은 일 실시예에 따른, 리소그래피 투영 장치의 다양한 서브시스템들의 블록 다이어그램을 나타낸다.
도 2는 일 실시예에 따른, 리소그래피 투영 장치에서 리소그래피를 시뮬레이션하는 예시적인 흐름도를 나타낸다.
도 3은 일 실시예에 따른, 프린트된 패턴의 이미지로부터 얻어진 예시적인 측정된 윤곽을 나타낸다.
도 4는 일 실시예에 따른, 다수 이미지들을 평균함으로써 측정된 윤곽을 생성하는 예시적인 방법을 나타낸다.
도 5는 일 실시예에 따른, 시뮬레이션된 윤곽과 측정된 윤곽을 정렬하는 예시적인 방법을 나타낸다.
도 6은 일 실시예에 따른, 측정된 윤곽과 시뮬레이션된 윤곽 사이의 오프셋을 결정하는 예시적인 방법을 나타낸다.
도 7은 일 실시예에 따른, 시뮬레이션된 윤곽을 측정된 윤곽에 매칭하는 예시적인 개선을 나타낸다.
도 8은 일 실시예에 따른, 예비 모델의 개선에 기초한 정렬의 예시적인 개선을 나타낸다.
도 9는 일 실시예에 따른, 공정 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
도 10은 일 실시예에 따른, OPC 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
도 11은 일 실시예에 따른, 타겟의 다수 이미지들을 획득하고 공정 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
도 12는 일 실시예에 따른 예시적인 컴퓨터 시스템의 블록 다이어그램이다.
도 13은 일 실시예에 따른 예시적인 메트롤로지 시스템의 블록 다이어그램이다.
도 14는 일 실시예에 따른 개선된 메트롤로지 프로세스의 예시적인 구현의 프로세스 흐름도이다.
도 15는 일 실시예에 따른 리소그래피 투영 장치의 개략적인 다이어그램이다.
도 16은 일 실시예에 따른 또 다른 리소그래피 투영 장치의 개략적인 다이어그램이다.
도 17은 일 실시예에 따른 리소그래피 투영 장치의 상세도이다.
도 18은 일 실시예에 따른 리소그래피 투영 장치의 소스 컬렉터 모듈의 상세도이다.
도 19는 일 실시예에 따른 전자 빔 검사 장치의 일 실시예를 개략적으로 도시한다.
도 20은 일 실시예에 따른 검사 장치의 추가 실시예를 개략적으로 나타낸다.
도 21은 일 실시예에 따른 프린트된 패턴의 원시 이미지 및 평균 이미지를 나타내는 다이어그램이다.
도 22는 일 실시예에 따른 프린트된 패턴의 "양호한(good)" 및 "불량한(bad)" 평균 이미지들을 나타내는 다이어그램이다.
도 23은 일 실시예에 따른 이미지 품질 분류 모델의 예시적인 구현을 나타내는 프로세스 흐름도이다.
도 24는 일 실시예에 따른, 평균 이미지들을 반복적으로 개선하는 예시적인 이미지 품질 분류 모델을 나타내는 프로세스 흐름도이다.
본 명세서에서는, IC의 제조에 대하여 특히 언급되지만, 본 명세서의 기재내용은 다수의 다른 가능한 적용예들을 갖는다는 것을 명확히 이해하여야 한다. 예를 들어, 이는 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 액정 디스플레이 패널, 박막 자기 헤드 등의 제조 시에 채택될 수 있다. 당업자라면, 이러한 대안적인 적용예와 관련하여, 본 명세서의 "레티클", "웨이퍼" 또는 "다이"라는 용어의 어떠한 사용도 각각 "마스크", "기판" 및 "타겟부"라는 좀 더 일반적인 용어와 교환가능한 것으로 간주되어야 함을 이해할 것이다.
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 타입들의 전자기 방사선을 포괄하는 데 사용된다.
패터닝 디바이스는 1 이상의 디자인 레이아웃을 포함하거나 형성할 수 있다. 디자인 레이아웃은 CAD(computer-aided design) 프로그램을 사용하여 생성될 수 있으며, 이 프로세스는 흔히 EDA(electronic design automation)라고 칭해진다. 대부분의 CAD 프로그램은 기능적인 디자인 레이아웃/패터닝 디바이스를 생성하기 위해 사전설정된 디자인 규칙들의 세트를 따른다. 이러한 규칙들은 처리 및 디자인 제한들에 의해 설정된다. 예를 들어, 디자인 규칙들은 디바이스들 또는 라인들이 바람직하지 않은 방식으로 서로 상호작용하지 않을 것을 보장하기 위해, (게이트, 커패시터 등과 같은) 디바이스들 또는 상호연결 라인들 사이의 간격 공차(space tolerance)를 정의한다. 디자인 규칙 제한들 중 1 이상은 "임계 치수"(CD)라고 칭해질 수 있다. 디바이스의 임계 치수는 라인 또는 홀의 최소 폭, 또는 두 라인들 또는 두 홀들 간의 최소 간격으로서 정의될 수 있다. 따라서, CD는 디자인된 디바이스의 전체 크기 및 밀도를 결정한다. 물론, 디바이스 제작의 목표들 중 하나는 원래 디자인 의도를 (패터닝 디바이스를 통해) 기판 상에 충실하게 재현하는 것이다.
본 명세서에서 채택된 "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, 여타의 이러한 패터닝 디바이스의 예시들로 프로그램가능한 거울 어레이 및 프로그램가능한 LCD 어레이를 포함한다.
프로그램가능한 거울 어레이의 일 예시는 점탄성 제어층 및 반사 표면을 갖는 매트릭스-어드레서블 표면(matrix-addressable surface)일 수 있다. 이러한 장치의 기본 원리는, (예를 들어) 반사 표면의 어드레싱된 영역들은 입사 방사선을 회절 방사선으로서 반사시키는 반면, 어드레싱되지 않은 영역들은 입사 방사선을 비회절 방사선으로서 반사시킨다는 것이다. 적절한 필터를 사용하면, 반사된 빔 중에서 상기 비회절 방사선을 필터링하여, 회절 방사선만이 남게 할 수 있다; 이러한 방식으로 매트릭스-어드레서블 표면의 어드레싱 패턴에 따라 빔이 패터닝되게 된다. 필요한 매트릭스 어드레싱은 적절한 전자 수단을 이용하여 수행될 수 있다.
프로그램가능한 LCD 어레이의 일 예시는 미국 특허 제 5,229,872호에서 주어지며, 이는 본 명세서에서 인용참조된다.
도 1은 일 실시예에 따른 리소그래피 투영 장치(10A)의 다양한 서브시스템들의 블록 다이어그램을 나타낸다. 주요 구성요소들은 심자외선 엑시머 레이저 소스(deep-ultraviolet excimer laser source) 또는 극자외선(EUV) 소스를 포함한 다른 형태의 소스일 수 있는 방사선 소스(12A)(앞서 언급된 바와 같이, 리소그래피 투영 장치 자체가 방사선 소스를 가질 필요는 없음); 예를 들어, 소스(12A)로부터의 방사선을 성형하는 광학기(14A, 16Aa 및 16Ab)를 포함할 수 있고, (시그마로서 표시된) 부분 간섭성(partial coherence)을 정의하는 조명 광학기; 패터닝 디바이스(18A); 및 기판 평면(22A) 상으로 패터닝 디바이스 패턴의 이미지를 투영하는 투과 광학기(16Ac)이다. 투영 광학기의 퓨필 평면에서의 조정가능한 필터 또는 어퍼처(20A)가 기판 평면(22A) 상에 부딪치는 빔 각도들의 범위를 제한할 수 있으며, 이때 가능한 최대 각도는 투영 광학기의 개구수 NA = n sin(Θmax)를 정의하고, 여기서 n은 투영 광학기의 최종 요소와 기판 사이의 매질의 굴절률이며, Θmax는 기판 평면(22A) 상에 여전히 충돌할 수 있는 투영 광학기로부터 나오는 빔의 최대 각도이다.
리소그래피 투영 장치에서, 소스는 패터닝 디바이스에 조명(즉, 방사선)을 제공하고, 투영 광학기는 패터닝 디바이스를 통해 기판 상으로 조명을 지향하고 성형한다. 투영 광학기는 구성요소들(14A, 16Aa, 16Ab 및 16Ac) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 세기 분포이다. 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 레지스트 모델이 사용될 수 있으며, 이 예시는 본 명세서에서 그 전문이 인용참조되는 미국 특허 출원 공개공보 US 2009-0157630호에서 찾아볼 수 있다. 레지스트 모델은 레지스트 층의 속성들[예를 들어, 노광, 노광-후 베이크(PEB) 및 현상 시 일어나는 화학 공정들의 효과들]에만 관련된다. 리소그래피 투영 장치의 광학적 속성들(예를 들어, 조명, 패터닝 디바이스 및 투영 광학기의 속성들)이 에어리얼 이미지를 좌우하고, 광학 모델에서 정의될 수 있다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스는 바뀔 수 있기 때문에, 패터닝 디바이스의 광학적 속성들을 적어도 소스 및 투영 광학기를 포함한 리소그래피 투영 장치의 나머지의 광학적 속성들과 분리하는 것이 바람직하다. 디자인 레이아웃을 다양한 리소그래피 이미지들(예를 들어, 에어리얼 이미지, 레지스트 이미지 등)로 변환하는 데 사용되는 기술들 및 모델들, 이 기술들 및 모델들을 이용한 OPC의 적용, 및 (예를 들어, 공정 윈도우에 관한) 성능의 평가의 세부사항들은 미국 특허 출원 공개공보 US 2008-0301620호, 2007-0050749호, 2007-0031745호, 2008-0309897호, 2010-0162197호, 및 2010-0180251호에 설명되어 있으며, 이들은 각각 본 명세서에서 그 전문이 인용참조된다.
리소그래피 공정을 이해하는 한 측면은 방사선과 패터닝 디바이스의 상호작용을 이해하는 것이다. 방사선이 패터닝 디바이스를 통과한 후의 방사선의 전자기장은, 방사선이 패터닝 디바이스에 도달하기 전의 방사선의 전자기장 및 상호작용을 특성화하는 함수로부터 결정될 수 있다. 이 함수는 마스크 투과 함수(이는 투과 패터닝 디바이스 및/또는 반사 패터닝 디바이스에 의한 상호작용을 설명하는 데 사용될 수 있음)라고 칭해질 수 있다.
마스크 투과 함수는 여러 가지 상이한 형태들을 가질 수 있다. 일 형태는 바이너리이다. 바이너리 마스크 투과 함수는 패터닝 디바이스 상의 여하한의 주어진 위치에서 두 값들(예를 들어, 0 및 양의 상수) 중 어느 하나를 갖는다. 바이너리 형태의 마스크 투과 함수는 바이너리 마스크라고 칭해질 수 있다. 또 다른 형태는 연속적이다. 즉, 패터닝 디바이스의 투과율(또는 반사율)의 모듈러스(modulus)는 패터닝 디바이스 상의 위치의 연속 함수이다. 또한, 투과율(또는 반사율)의 위상이 패터닝 디바이스 상의 위치의 연속 함수일 수 있다. 연속적인 형태의 마스크 투과 함수는 연속톤 마스크(continuous tone mask) 또는 연속 투과 마스크(CTM)라고 칭해질 수 있다. 예를 들어, CTM은 픽셀화된 이미지(pixelated image)로서 표현될 수 있으며, 여기서 각각의 픽셀에는 0 또는 1 중 어느 하나의 이진 값 대신에 0과 1 사이의 값(예를 들어, 0.1, 0.2, 0.3 등)이 할당될 수 있다. 일 실시예에서, CTM은 각각의 픽셀이 값들(예를 들어, 범위 [-255, 255] 내의 값들, 범위 [0, 1] 또는 [-1, 1] 내의 정규화된 값들, 또는 다른 적절한 범위들 내의 값들)을 갖는 픽셀화된 그레이 스케일 이미지일 수 있다.
키르히호프 경계 조건이라고도 불리는 얇은-마스크 근사(thin-mask approximation)가 방사선과 패터닝 디바이스의 상호작용의 결정을 단순화하기 위해 폭넓게 사용된다. 얇은-마스크 근사는 패터닝 디바이스 상의 구조체들의 두께가 파장에 비해 매우 작고 마스크 상의 구조체들의 폭들이 파장에 비해 매우 크다고 가정한다. 그러므로, 얇은-마스크 근사는 패터닝 디바이스 이후 전자기장이 마스크 투과 함수와 입사 전자기장의 곱이라고 가정한다. 하지만, 리소그래피 공정들이 점점 더 짧은 파장들의 방사선을 사용하고, 패터닝 디바이스 상의 구조체들이 점점 더 작아짐에 따라, 얇은-마스크 근사의 가정은 무너질 수 있다. 예를 들어, 그들의 유한한 두께들로 인한 구조체들(예를 들어, 최상부 표면과 측벽 사이의 에지들)과 방사선의 상호작용("마스크 3D 효과" 또는 "M3D")이 중요해질 수 있다. 이러한 산란을 마스크 투과 함수에 포함하는 것은 마스크 투과 함수가 패터닝 디바이스와 방사선의 상호작용을 더 잘 포착할 수 있게 할 수 있다. 얇은-마스크 근사 하에서의 마스크 투과 함수는 얇은-마스크 투과 함수라고 칭해질 수 있다. M3D를 포함하는 마스크 투과 함수는 M3D 마스크 투과 함수라고 칭해질 수 있다.
본 발명의 일 실시예에 따르면, 1 이상의 이미지가 생성될 수 있다. 이미지들은 픽셀 값들 또는 각 픽셀의 세기 값들에 의해 특징지어질 수 있는 다양한 타입들의 신호를 포함한다. 이미지 내의 픽셀의 상대 값들에 따라, 신호는 예를 들어 당업자에 의해 이해될 수 있는 바와 같이 약한 신호 또는 강한 신호라고 칭해질 수 있다. "강한" 및 "약한"이라는 용어는 이미지 내의 픽셀들의 세기 값들에 기초한 상대적인 용어들이며, 특정 세기 값들이 본 발명의 범위를 제한하지는 않을 수 있다. 일 실시예에서, 강한 및 약한 신호는 선택된 임계값에 기초하여 식별될 수 있다. 일 실시예에서, 임계값은 고정될 수 있다(예를 들어, 이미지 내의 픽셀의 최고 세기 및 최저 세기의 중간점). 일 실시예에서, 강한 신호는 이미지에 걸친 평균 신호 값보다 크거나 같은 값들을 갖는 신호를 지칭할 수 있고, 약한 신호는 평균 신호 값보다 작은 값들을 갖는 신호를 지칭할 수 있다. 일 실시예에서, 상대 세기 값은 백분율에 기초할 수 있다. 예를 들어, 약한 신호는 이미지 내의 픽셀의 최고 세기의 50 % 미만의 세기를 갖는 신호일 수 있다(예를 들어, 타겟 패턴에 대응하는 픽셀들이 최고 세기를 갖는 픽셀들로 간주될 수 있음). 또한, 이미지 내의 각각의 픽셀이 변수로서 고려될 수 있다. 본 실시예에 따르면, 도함수 또는 편도함수가 이미지 내의 각각의 픽셀에 대해 결정될 수 있고, 각각의 픽셀의 값들은 비용 함수 기반 평가 및/또는 비용 함수의 기울기 기반 연산(gradient based computation)에 따라 결정 또는 수정될 수 있다. 예를 들어, CTM 이미지는 픽셀들을 포함할 수 있으며, 여기서 각각의 픽셀은 여하한의 실수 값을 취할 수 있는 변수이다.
도 2는 일 실시예에 따른, 리소그래피 투영 장치에서 리소그래피를 시뮬레이션하는 예시적인 흐름도를 나타낸다. 소스 모델(31)이 소스의 광학적 특성들(방사선 세기 분포 및/또는 위상 분포를 포함함)을 나타낸다. 투영 광학기 모델(32)이 투영 광학기의 광학적 특성들(투영 광학기에 의해 야기된 방사선 세기 분포 및/또는 위상 분포에 대한 변화들을 포함함)을 나타낸다. 디자인 레이아웃 모델(35)이 패터닝 디바이스에 의해 형성되는, 또는 패터닝 디바이스 상의 피처들의 일 구성을 나타내는 디자인 레이아웃의 광학적 특성들[디자인 레이아웃(33)에 의해 야기된 방사선 세기 분포 및/또는 위상 분포에 대한 변화들을 포함함]을 나타낸다. 소스 모델(31), 투영 광학기 모델(32) 및 디자인 레이아웃 모델(35)로부터 에어리얼 이미지(36)가 시뮬레이션될 수 있다. 레지스트 모델(37)을 이용하여 에어리얼 이미지(36)로부터 레지스트 이미지(38)가 시뮬레이션될 수 있다. 리소그래피의 시뮬레이션은, 예를 들어 레지스트 이미지 내의 윤곽들 및 CD들을 예측할 수 있다.
더 명확하게는, 소스 모델(31)은 개구수 세팅들, 조명 시그마(σ) 세팅들 및 여하한의 특정 조명 형상[예를 들어, 환형, 쿼드러폴(quadrupole), 다이폴(dipole) 등과 같은 오프-액시스(off-axis) 방사선 소스들]을 포함하는 소스의 광학적 특성들을 나타낼 수 있으며, 이에 제한되지는 않는다. 투영 광학기 모델(32)은 수차, 왜곡, 1 이상의 굴절률, 1 이상의 물리적 크기, 1 이상의 물리적 치수 등을 포함하는 투영 광학기의 광학적 특성들을 나타낼 수 있다. 디자인 레이아웃 모델(35)은, 예를 들어 그 전문이 인용참조되는 미국 특허 제 7,587,704호에서 설명되는 바와 같은 물리적 패터닝 디바이스의 1 이상의 물리적 속성을 나타낼 수 있다. 시뮬레이션의 목적은, 예를 들어 이후 의도된 디자인과 비교될 수 있는 에지 배치, 에어리얼 이미지 세기 기울기, 및/또는 CD를 정확히 예측하는 것이다. 의도된 디자인은 일반적으로 OPC-전 디자인 레이아웃으로서 정의되며, 이는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷 또는 다른 파일 포맷으로 제공될 수 있다.
이 디자인 레이아웃으로부터, 1 이상의 부분들이 식별될 수 있으며, 이는 "클립(clip)들"이라고 칭해진다. 일 실시예에서, 클립들의 일 세트가 추출되고, 이는 디자인 레이아웃 내의 복잡한 패턴들을 나타낸다(전형적으로, 약 50 내지 1000 개의 클립들이 사용되지만, 여하한 수의 클립들이 사용될 수 있음). 이 패턴들 또는 클립들은 디자인의 작은 부분들(즉, 회로들, 셀들 또는 패턴들)을 나타내며, 특히 클립들은 통상적으로 특정 주의 및/또는 검증이 요구되는 작은 부분들을 나타낸다. 다시 말하면, 클립들은 경험에 의해(고객에 의해 제공된 클립들을 포함함), 시행착오에 의해, 또는 풀-칩 시뮬레이션 실행에 의해 1 이상의 임계 피처가 식별되는 디자인 레이아웃의 부분들일 수 있거나, 또는 디자인 레이아웃의 부분들과 유사할 수 있거나, 또는 디자인 레이아웃의 부분들과 유사한 거동을 가질 수 있다. 클립들은 1 이상의 테스트 패턴 또는 게이지 패턴을 포함할 수 있다.
클립들의 더 큰 초기 세트는 특정 이미지 최적화를 필요로 하는 디자인 레이아웃 내의 1 이상의 알려진 임계 피처 영역에 기초하여 고객에 의해 선험적으로(a priori) 제공될 수 있다. 대안적으로, 또 다른 실시예에서, 클립들의 더 큰 초기 세트는 1 이상의 임계 피처 영역을 식별하는 어떤 종류의 자동화[예를 들어, 머신 비전(machine vision)] 또는 수동 알고리즘을 이용함으로써 전체 디자인 레이아웃으로부터 추출될 수 있다.
리소그래피 투영 장치에서, 일 예시로서 비용 함수는 다음과 같이 표현될 수 있다:
(수학식 1)
이때, (z1,z2,…,zN)는 N 개의 디자인 변수들 또는 그 값들이다. fp(z1,z2,…,zN)은 (z1,z2,…,zN)의 디자인 변수들의 값들의 일 세트에 대한 특성의 실제 값과 의도된 값 간의 차이와 같은 디자인 변수들 (z1,z2,…,zN)의 함수일 수 있다. wp는 fp(z1,z2,…,zN)와 연계된 가중치 상수이다. 예를 들어, 특성은 에지 상의 주어진 지점에서 측정된, 패턴의 에지의 위치일 수 있다. 상이한 fp(z1,z2,…,zN)은 상이한 가중치(wp)를 가질 수 있다. 예를 들어, 특정 에지가 좁은 범위의 허용된 위치들을 갖는 경우, 에지의 실제 위치와 의도된 위치 간의 차이를 나타내는 fp(z1,z2,…,zN)에 대한 가중치(wp)에 더 높은 값이 주어질 수 있다. 또한, fp(z1,z2,…,zN)은 디자인 변수들 (z1,z2,…,zN)의 함수인 중간층 특성의 함수일 수 있다. 물론, CF(z1,z2,…,zN)는 수학식 1의 형태에 제한되지 않는다. CF(z1,z2,…,zN)는 여하한의 다른 적절한 형태일 수 있다.
비용 함수는 리소그래피 투영 장치, 리소그래피 공정 또는 기판의 여하한의 1 이상의 적절한 특성, 예를 들어 포커스, CD, 이미지 시프트, 이미지 왜곡, 이미지 회전, 확률적 변동, 스루풋, 국부적 CD 변동, 공정 윈도우, 중간층 특성, 또는 그 조합을 나타낼 수 있다. 일 실시예에서, 디자인 변수들 (z1,z2,…,zN)은 도즈, 패터닝 디바이스의 전역적 편향, 및/또는 조명의 형상으로부터 선택되는 1 이상을 포함한다. 흔히 기판 상의 패턴을 좌우하는 것이 레지스트 이미지이기 때문에, 비용 함수는 레지스트 이미지의 1 이상의 특성을 나타내는 함수를 포함할 수 있다. 예를 들어, fp(z1,z2,…,zN)는 단순히 레지스트 이미지 내의 지점과 그 지점의 의도된 위치 간의 거리[즉, 에지 배치 오차 EPEp(z1,z2,…,zN)]일 수 있다. 디자인 변수들은 소스, 패터닝 디바이스, 투영 광학기, 도즈, 포커스 등의 조정가능한 파라미터와 같은 여하한의 조정가능한 파라미터를 포함할 수 있다.
리소그래피 장치는 집합적으로 "파면 머니퓰레이터(wavefront manipulator)"라 하는 구성요소들을 포함할 수 있으며, 이는 방사선 빔의 위상 시프트 및/또는 세기 분포 및 파면의 형상들을 조정하는 데 사용될 수 있다. 일 실시예에서, 리소그래피 장치는 패터닝 디바이스 전, 퓨필 평면 부근, 이미지 평면 부근, 및/또는 초점면 부근과 같은 리소그래피 투영 장치의 광학 경로를 따르는 여하한의 위치에서 파면 및 세기 분포를 조정할 수 있다. 파면 머니퓰레이터는, 예를 들어 소스, 패터닝 디바이스, 리소그래피 투영 장치 내의 온도 변동, 리소그래피 투영 장치의 구성요소들의 열팽창 등에 의해 야기되는 위상 시프트 및/또는 파면 및 세기 분포의 소정 왜곡들을 보정 또는 보상하는 데 사용될 수 있다. 파면 및 세기 분포 및/또는 위상 시프트를 조정하는 것이 비용 함수에 의해 표현되는 특성들의 값들을 변화시킬 수 있다. 이러한 변화들은 모델로부터 시뮬레이션되거나, 또는 실제로 측정될 수 있다. 디자인 변수들은 파면 머니퓰레이터의 파라미터들을 포함할 수 있다.
디자인 변수들은 제약들을 가질 수 있으며, 이는 (z1,z2,…,zN) ∈ Z로서 표현될 수 있고, 이때 Z는 디자인 변수들의 가능한 값들의 일 세트이다. 디자인 변수들에 대한 한 가지 가능한 제약은 리소그래피 투영 장치의 요구되는 스루풋에 의해 부과될 수 있다. 요구되는 스루풋에 의해 부과되는 이러한 제약이 없으면, 최적화는 비현실적인 디자인 변수들의 값들의 세트를 산출할 수 있다. 예를 들어, 도즈가 이러한 제약 없이 디자인 변수들인 경우, 최적화는 경제적으로 불가능한 스루풋을 구성하는 도즈 값을 산출할 수 있다. 하지만, 제약들의 유용성은 필요성으로 해석되어서는 안 된다. 예를 들어, 스루풋은 퓨필 충진율(pupil fill ratio)에 의해 영향을 받을 수 있다. 몇몇 조명 디자인들에 대해, 낮은 퓨필 충진율은 방사선을 버려서 더 낮은 스루풋을 초래할 수 있다. 또한, 스루풋은 레지스트 화학적 성질에 의해 영향을 받을 수 있다. 더 느린 레지스트(예를 들어, 적절히 노광되기 위해 더 높은 양의 방사선을 필요로 하는 레지스트)가 더 낮은 스루풋을 초래한다.
본 명세서에서 사용되는 바와 같이, "패터닝 공정"이라는 용어는 일반적으로 리소그래피 공정의 일부로서 특정 패턴들의 광의 적용에 의해 에칭된 기판을 생성하는 공정을 의미한다. 하지만, "패터닝 공정"은 플라즈마 에칭을 포함할 수도 있으며, 이는 본 명세서에서 설명되는 많은 특징들이 플라즈마 처리를 사용하여 프린트된 패턴을 형성하는 데 이점을 제공할 수 있기 때문이다.
본 명세서에서 사용되는 바와 같이, "타겟 패턴"이라는 용어는 기판 상에 에칭될 이상적인 패턴을 의미한다.
본 명세서에서 사용되는 바와 같이, "프린트된 패턴"이라는 용어는 타겟 패턴에 기초하여 에칭된 기판 상의 물리적 패턴을 의미한다. 프린트된 패턴은, 예를 들어 트로프(trough), 채널, 오목부(depression), 에지, 또는 리소그래피 공정으로부터 발생하는 다른 2 차원 및 3 차원 피처들을 포함할 수 있다.
본 명세서에서 사용되는 바와 같이, "공정 모델"은 패터닝 공정을 시뮬레이션하는 1 이상의 모델을 포함하는 모델을 의미한다. 예를 들어, 공정 모델은 광학 모델(예를 들어, 리소그래피 공정에서 광을 전달하는 데 사용되는 렌즈 시스템/투영 시스템을 모델링하며, 포토레지스트에 들어가는 광의 최종 광학 이미지를 모델링하는 것을 포함할 수 있음), 레지스트 모델(예를 들어, 광으로 인한 화학적 효과들과 같은 레지스트의 물리적 효과들을 모델링함), 및 OPC 모델[예를 들어, 타겟 패턴들을 구성하는 데 사용될 수 있으며, 분해능-이하 레지스트 피처(SRAF) 등을 포함할 수 있음]을 포함할 수 있다.
본 명세서에서 사용되는 바와 같이, "캘리브레이션"이라는 용어는 공정 모델과 같은 것을 수정(예를 들어, 개선 또는 조정) 및/또는 검증하는 것을 의미한다.
본 발명은 무엇보다도 패터닝 공정을 위한 공정 모델을 개선하는 방법들을 설명한다. 공정 모델 캘리브레이션 동안 메트롤로지를 개선하는 것은 타겟 패턴에 기초하는 프린트된 패턴(예를 들어, 프린트된 웨이퍼 또는 그 일부)의 정확한 이미지들을 얻는 것을 포함할 수 있다. 이미지들로부터, 프린트된 패턴의 피처들에 대응하는 윤곽들이 추출될 수 있다. 그 후, 윤곽들(측정된 윤곽들이라고도 함)은 공정 모델에 의해 생성되는 시뮬레이션된 윤곽들에 정렬되어, 공정 모델의 캘리브레이션을 허용할 수 있다. 공정 모델은 시뮬레이션된 윤곽들이 측정된 윤곽들과 더 정확하게 매칭하도록 공정 모델의 파라미터들을 조정함으로써 개선될 수 있다.
도 3은 일 실시예에 따른, 프린트된 패턴의 이미지로부터 얻어지는 예시적인 측정된 윤곽(330)을 나타낸다.
리소그래피 공정들은, 예를 들어 타겟 패턴(310)(도 3의 상단 패널에 나타냄)에 기초하여 프린트된 패턴들(예를 들어, 집적 회로 또는 컴퓨터 칩을 위한 회로 패턴들)을 생성할 수 있다. 패터닝 공정의 제한들로 인해, 프린트된 패턴은 일반적으로 단지 타겟 패턴(310)의 근사치일 것이다.
프린트된 패턴은 이미지 캡처 디바이스에 의해 이미징되어 측정된 이미지(320)(도 3의 중간 패널에 나타냄)를 생성할 수 있으며, 이는 타겟 패턴(310)의 이상적인 형상에 대응하는 윤곽들을 포함한다. 일 실시예에서, 방법은 이미지 캡처 디바이스, 예를 들어 스캐닝 전자 현미경(전자 빔 검사 시스템이라고도 함)으로부터 측정된 윤곽(330)을 얻는 것을 포함할 수 있다. 전자 빔 검사 시스템의 예시적인 실시예들은 도 19 및 도 20을 참조하여 더 상세히 설명된다. 전자 빔 검사 시스템은 스캐닝 전자 현미경과 유사하지만, 측정된 이미지(320)를 얻기 위해 넓은 시야(LFOV) 및 높은 스루풋을 가질 수 있다. 전자 빔 검사 시스템의 한 가지 비-제한적인 예시는, 특히 LFOV를 갖도록 구성되는 HMI eP5일 수 있다. 일부 실시예들에서, LFOV는 측면에서, 예를 들어 대략 1 내지 1000 미크론, 100 내지 500 미크론, 1 내지 50 미크론, 6 내지 12 미크론 등을 측정할 수 있다. 이미지 캡처 디바이스는 SRAM(static random access memory)과 같은 메모리 어레이의 게이트 및 활성 영역뿐 아니라, 프린트된 패턴 내의 약한-지점들 및/또는 핫스폿들을 검출하도록 구성될 수 있다. 도 3에 예시된 바와 같이, 측정된 이미지(320)는 프린트된 패턴과 유사하지만, 측정된 이미지(320)에서 직사각형 특징들은 둥글고 약간 왜곡된 라인들을 나타낸다.
일부 실시예들은 측정된 이미지(320)에서의 픽셀들의 세기 변화에 기초하여 측정된 윤곽(330)(도 3의 하단 패널에 나타냄)을 식별하는 것을 포함할 수 있다. 이미지 분석 기술들이 측정된 이미지(320)에서 측정된 윤곽(330)을 식별하는 데 사용될 수 있다. 세기, 기울기 등의 변화들이, 예를 들어 에지 결정과 사용되는 바와 같은 프린트된 패턴 내의 피처들의 높이(또는 깊이)의 변화를 식별할 수 있다. 예를 들어, 측정된 이미지가 그레이스케일 이미지로 표현되는 경우, 변화가 그레이스케일 임계치를 초과할 때(즉, 정의된 값보다 높거나 낮은 세기), 이것이 에지[즉, 측정된 윤곽(330)]를 식별할 수 있다.
도 4는 일 실시예에 따른, 다수 이미지들을 평균함으로써 측정된 윤곽(330)을 생성하는 예시적인 방법을 나타낸다.
앞서 설명된 바와 같이, 측정된 윤곽(330)은 단일 측정된 이미지(320)로부터 추출될 수 있다. 하지만, 다른 실시예들에서, 프린트된 패턴의 다수 이미지들이 조합된 이미지(420)로 조합될 수 있다. 이미지들을 조합하는 것은 여하한의 단일 이미지에서 존재할 수 있는 잡음 또는 다른 형태들의 오차의 영향들을 감소시킨다. 일 실시예에서, 조합된 이미지(420)는 다수의 측정된 이미지들(410)을 평균함으로써 생성될 수 있다. 다른 실시예들에서, 다수의 측정된 이미지들(410)은 조합 또는 평균에 앞서 정렬될 수 있다. 이미지 정렬은, 예를 들어 다수의 측정된 이미지들(410)의 이미지 정합(예를 들어, 정합 마크들을 사용함), 다수의 측정된 이미지들(410) 간의 최상의 매칭을 결정하는 이미지 분석 프로그램, 다수의 측정된 이미지들(410)에 기초한 상관 계수의 계산 등에 기초할 수 있다.
일단 이미지 캡처 디바이스로부터 캡처된 다수의 측정된 이미지들(410)이 정렬되면, 공통 영역이 결정될 수 있다. 본 명세서에서 사용되는 바와 같이, "공통 영역"이라는 용어는 프린트된 패턴의 동일한 물리적 영역을 지칭하는 다수의 측정된 이미지들(410)에서의 픽셀들의 집합을 의미한다. 후속하여, 조합된 측정된 이미지(420)가 공통 영역에 기초하여 생성될 수 있다. 이는 더 크거나 더 작은 시야를 가질 수 있는 일부 이미지들이 에지 픽셀들을 제거하게 하여, 평균화 절차가 균일하도록(즉, 동일한 수의 픽셀들이 각각의 픽셀에서 평균되도록) 할 수 있다.
다수 이미지들을 획득할 때 반복되는 전자 빔 노광으로부터의 레지스트 수축이 발생할 수 있다. 레지스트 수축은, 예를 들어 다수의 측정된 이미지들(410)이 타겟 패턴으로부터 제조되는 적어도 2 개의 상이한 다이들로부터의 프린트된 패턴으로부터 얻어지는 실시예들에 의해 감소될 수 있다. 본 명세서에서 사용되는 바와 같이, "다이" 또는 "다이들"이라는 용어는 주어진 기능 회로가 제조되거나 제조될 반도체 재료의 블록을 의미한다. 이러한 실시예들에서, 다이들은 유사한 프린트된 패턴을 가지며, 따라서 전자 빔에 대한 프린트된 패턴의 물리적 노출을 감소시키면서 실질적으로 균등한 이미지들을 생성하는 데 사용될 수 있다. 다른 실시예들에서, 조합된 이미지(420)를 생성하는 다수의 측정된 이미지들(410) 각각은 상이한 다이를 스캐닝함으로써 획득될 수 있다. 이러한 방식으로, 조합된 이미지(420)를 생성하는 데 사용되는 각각의 이미지는 단일 프린트된 패턴에 기초한다. 이러한 방식으로, 일부 실시예들에서, 레지스트 수축은 임계 치수를 분해하기에 충분한 스캔을 얻기 위해 필요한 용량 미만으로 작동하는 스캐닝 전자 현미경으로 측정된 이미지(320)를 얻음으로써 감소될 수 있다.
일부 실시예들에서, 측정된 이미지들(320)을 얻는 것은 여러 각도들에서 프린트된 패턴에 걸쳐 전자 빔을 스캐닝함으로써 수행될 수 있다. 각도들은 대략 +45 도 및 -45 도를 포함할 수 있다. 본 명세서에서 사용되는 바와 같이, (예를 들어, 스캐닝 각도들과 관련하여) "대략"이라는 용어는 정확한 각도 또는 정확한 각도에 매우 가까운 각도(예를 들어, 몇 도 또는 십분의 일 도 이내)를 의미한다. 또 다른 실시예에서, 측정된 이미지들(320)의 절반은 대략 +45 도에서 스캐닝될 수 있고, 측정된 이미지들(320)의 또 다른 절반은 대략 -45 도에서 스캐닝될 수 있다.
도 5는 일 실시예에 따른, 시뮬레이션된 윤곽(510)과 측정된 윤곽(330)을 정렬하는 예시적인 방법을 나타낸다.
프린트된 패턴을 시뮬레이션하는 공정 모델들은 레지스트 모델들, 광학 모델들, 광 근접 보정 모델들 등의 여하한의 조합을 포함할 수 있다. 따라서, 시뮬레이션된 윤곽(510)이 공정 모델의 시뮬레이션으로부터 생성될 수 있다. 본 명세서에서 사용되는 바와 같이, "시뮬레이션된 윤곽(510)"은 1 이상의 전산 모델에 의해 생성되고 리소그래피 공정의 예측된 결과(최종 스테이지든 중간 스테이지든)를 나타내는 윤곽을 의미한다.
공정 모델을 캘리브레이션하기 위해, 측정된 윤곽들(330)이 시뮬레이션된 윤곽들(510)과 비교될 수 있다. 캘리브레이션 프로세스의 일부로서, 측정된 윤곽(330)은 시뮬레이션된 윤곽(510)과 정렬될 수 있다. 도 5의 예시에서, [이 특정 예시에서 측정된 이미지(320)의 그래픽 표현에 의해 표현된 바와 같은] 측정된 윤곽(330)이 시뮬레이션된 윤곽(510)과 비교될 수 있다. 도 5의 상단 다이어그램에서, 측정된 윤곽(330)은 시뮬레이션된 윤곽(510)과 적절하게 정렬되지 않는다. 측정된 윤곽(330)은 도 5의 하단 다이어그램에 나타낸 바와 같이, 측정된 윤곽(330)이 대략 올바른 위치에 있을 때까지 시뮬레이션된 윤곽(510)에 걸쳐 병진 및/또는 회전될 수 있다. 이는 아래에 설명되는 바와 같이 더 개선될 수 있는 개략 정렬(coarse alignment)을 제공할 수 있다.
도 6은 일 실시예에 따른, 측정된 윤곽(330)과 시뮬레이션된 윤곽(510) 사이의 오프셋(610)을 결정하는 예시적인 방법을 나타낸다.
예를 들어, 도 5를 참조하여 앞서 설명된 개략 정렬 후에 다른 정렬 방법들이 구현될 수 있다. 이러한 구현들은 측정된 윤곽(330)과 시뮬레이션된 윤곽(510) 사이의 오프셋(610)을 결정함으로써 측정된 윤곽(330)을 시뮬레이션된 윤곽(510)과 정렬하는 것을 포함할 수 있다. 본 명세서에서 사용되는 바와 같이, "오프셋(610)"은 측정된 윤곽(330) 상의 지점과 시뮬레이션된 윤곽(510) 상의 또 다른 지점 사이의 거리를 의미한다. 본 발명은 오프셋(610)을 결정하는 다양한 방법들을 제공한다. 예를 들어, 오프셋(610)은 측정된 윤곽(330)의 일부분을 실질적으로 정의하는 측정 좌표(620)에 기초하여 더 결정될 수 있다. 본 명세서에서 사용되는 바와 같이, "측정 좌표"라는 용어는 측정된 윤곽의 일부 또는 전부를 정의하는 좌표를 의미한다. 측정 좌표는 이미징 디바이스에 의해, 이미징 디바이스에 의해 취해진 이미지의 분석 등에 의해 생성될 수 있다. 예를 들어, 측정 좌표는 윤곽의 에지에 대응하도록 결정된 픽셀 위치들일 수 있다. 따라서, 에지 검출 프로그램이 측정된 이미지(320)의 이미지 처리에 기초하여 측정 좌표(620)를 생성할 수 있다. 측정 좌표(620)의 예시들은 도 6에서 측정된 윤곽(330) 상의 원에 의해 예시된다.
일 실시예에서, 오프셋(610)은 측정 좌표(620)와 시뮬레이션된 윤곽(510) 사이의 거리에 기초하여 더 결정될 수 있다. 일부 특정 실시예들에서, 거리는 측정 좌표(620)에서 측정된 윤곽(330)에 수직인 방향으로 있을 수 있다. 다른 실시예들에서, 정렬 정도는 예를 들어 일부 또는 모든 오프셋들의 거리의 제곱들을 합산하거나, 일부 또는 모든 오프셋들을 합산함으로써 결정될 수 있다. 이는, 예를 들어 수직 오프셋 벡터의 x-성분 및/또는 y-성분으로 수행될 수 있다.
일부 실시예들에서, 정렬은 거리에 기초하여 계산되는 비용 함수를 감소시키는 것을 더 포함할 수 있다. 비용 함수들의 예시들은 앞서 설명되어 있다(예를 들어, 수학식 1의 설명). 비용 함수는, 예를 들어 측정된 윤곽(330)의 위치에 대한 미세 조정들에 의해 감소될 수 있다. 비용 함수가 최소(또는 달리 만족스러운 값)일 때, 시뮬레이션된 윤곽(510)에 대한 측정된 윤곽(330)의 정렬은 추가 공정들을 위해, 또는 공정 모델 캘리브레이션의 척도로서 사용될 수 있다.
본 명세서에 설명된 정렬 방법들을 위해 추가적인 지점들을 제공하기 위해, 소정 실시예들은 측정된 윤곽(330) 상에 여하한 수의 추가 지점들[예를 들어, 에지 배치(EP) 좌표]을 생성하는 것을 포함할 수 있다. 본 명세서에서 사용되는 바와 같이, EP 좌표(630)(본 명세서에서, EP 게이지라고도 함)는 측정된 윤곽(330)을 정의하는 추가적인 지점이다. EP 좌표(630)의 일 예시는 도 6에서 측정된 윤곽(330) 상에 위치되는 사각형에 의해 예시된다. 일부 실시예들에서, EP 좌표(630)는 2 이상의 측정 좌표(620) 사이에서 보간함으로써 생성될 수 있다. 다른 실시예들에서, EP 좌표(630)는 2 이상의 측정 좌표(620)로부터 외삽함으로써 생성될 수 있다. 따라서, 오프셋(610)은 측정 좌표(620)에 대안적으로 또는 추가적으로 EP 좌표(630)에 기초하여 더 결정될 수 있다.
일부 실시예들에서, 시뮬레이션된 윤곽(510)은 그래픽 데이터베이스 시스템(GDS) 다각형들, 즉 공정 모델에 의해 생성되고 윤곽 형상에 대응하는 다각형들로부터 얻어질 수 있다. 다른 실시예들에서, GDS 다각형들은 GDS 스트림 포맷(GDSII) 및 OASIS(Open Artwork System Interchange Standard)로부터 선택되는 1 이상의 포맷으로 이루어질 수 있다. 그 후, 캘리브레이션 프로세스의 일부로서, 측정된 시뮬레이션된 윤곽(510)을 포함하는 에지 배치 좌표(630) 및/또는 측정 좌표(620)가 GDS 좌표로 변환될 수 있다. 이러한 변환은 시뮬레이션된 윤곽(510)과 측정된 윤곽(330) 사이의 더 직접적인 비교를 허용할 수 있다.
도 7은 일 실시예에 따른, 시뮬레이션된 윤곽(510)을 측정된 윤곽(330)에 매칭하는 예시적인 개선을 나타낸다.
본 명세서에 설명된 실시예들은 (공정 모델에 의해 생성된) 시뮬레이션된 윤곽(510)과 측정된 윤곽(330) 사이의 더 정확한 매칭을 제공하기 위해 공정 모델의 캘리브레이션을 용이하게 할 수 있다. 일부 실시예들에서, 공정 모델을 캘리브레이션하는 것은 시뮬레이션된 윤곽(510)과 측정된 윤곽(330) 사이의 차이 -결정된 오프셋(610)에 기초하여 연산됨- 를 감소시키는 것을 포함할 수 있다.
본 명세서에서 사용되는 바와 같이, "차이"는 2 이상의 윤곽들 사이의 편차 정도의 정량화된 측정을 의미한다. 차이의 한 가지 비-제한적인 예시는 앞서 언급된 비용 함수이다. 또한, 차이의 또 다른 예시는 비용 함수에서 사용하지 않는 두 윤곽들 상의 지점들 사이의 오프셋 또는 거리일 수 있다.
일부 실시예들에서, 방법들은 차이를 감소시키기 위해 공정 모델의 특징을 수정하는 것을 포함할 수 있다. 일부 실시예들에서, 수정은 시뮬레이션된 윤곽(510)의 형상에 변화를 야기할 수 있다. 수정될 수 있는 레지스트 모델의 특징의 예시들은 확산 속도, 확산 범위, 탈보호 비율, 및 산/염기 농도를 포함할 수 있다. 이러한 방식으로 수행되는 수정은 측정된 윤곽(330)을 예측하는 능력을 개선하기 위한 공정 모델의 "미세-조정"으로 간주될 수 있다. 일부 실시예들에서, 이는 개선된 광학 모델, 레지스트 모델, OPC 모델 등을 유도할 수 있다.
도 8은 일 실시예에 따른, 예비 모델(810)의 개선에 기초한 정렬의 예시적인 개선을 나타낸다.
OPC 모델을 포함한 공정 모델을 개선하는 것은, 예를 들어 전체 공정 모델 대신에 예비 모델(810)로 시작할 수 있다. 예를 들어, 일부 실시예들은 OPC 모델의 시뮬레이션에 기초하여 시뮬레이션된 윤곽(510)을 얻는 것을 포함할 수 있으며, 여기서 OPC 모델은 예비 모델(810)일 수 있다. 예비 모델(810)은, 예를 들어 광학 모델을 포함하고 레지스트 모델을 포함하지 않는 감소된 수의 모델 구성요소들을 포함할 수 있다.
다른 실시예들에서, 방법들은 (예를 들어, 광학 모델 및 레지스트 모델을 포함하는) 개선된 예비 모델(820)로 초기 시뮬레이션된 윤곽(510)을 얻는 것을 포함할 수 있다. 구체적으로, 일부 실시예들은 초기 시뮬레이션된 윤곽(510)과 측정된 윤곽(330) 사이의 차이를 감소시키기 위해 레지스트 모델의 특징들을 수정하는 것을 포함할 수 있다. 수정될 수 있는 특징의 예시들은 레지스트 모델과 관련하여 앞서 설명된 바와 같이, 확산 속도, 확산 범위, 탈보호 비율, 및 산/염기 농도를 포함할 수 있다. 이러한 방식으로, 예비 모델(810)은 본 명세서에 설명된 바와 같이 사용되고 개선될 수 있다. 다른 실시예들에서, 예비 모델(810)에 대한 수정이 개선된 예비 모델(820)을 생성할 수 있고, 차례로 시뮬레이션된 윤곽(510)을 생성할 수 있다. 이러한 반복 방법들은 본 명세서에 설명된 정렬 절차들에 대해 점점 개선되는 시뮬레이션된 윤곽(510)을 제공할 수 있다.
본 발명의 일부 실시예들에서, 감소된 처리 시간 및 계산 오버헤드가 실현되었다. 예를 들어, (도 4를 참조하여 설명된 바와 같은) 이미지-평균화 및 (도 3을 참조하여 설명된 바와 같은) 정확한 이미지 정렬을 포함하는 특징들을 활용함으로써, 이미지 획득을 위한 계산 시간이 며칠에서 몇 시간으로 적어도 10 배 감소되었다. 동시에, 이러한 고품질 EP 게이지들을 구현하는 모델 캘리브레이션 시간은 CD 게이지들을 사용할 때와 거의 동일하다.
도 9는 일 실시예에 따른, 공정 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
일부 실시예들에서, 패터닝 공정을 위한 공정 모델을 개선하는 방법은 910에서, a) 이미지 캡처 디바이스로부터의 측정된 윤곽(330), b) 공정 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽(510)을 얻는 단계를 포함할 수 있다.
920에서, 측정된 윤곽(330)과 시뮬레이션된 윤곽(510) 사이의 오프셋(610)을 결정함으로써 측정된 윤곽(330)을 시뮬레이션된 윤곽(510)과 정렬한다.
930에서, 시뮬레이션된 윤곽(510)과 측정된 윤곽(330) 사이의, 결정된 오프셋(610)에 기초하여 계산된 차이를 감소시키도록 공정 모델을 캘리브레이션한다.
도 10은 일 실시예에 따른, OPC 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
일부 실시예들에서, 패터닝 공정을 위한 광 근접 보정(OPC) 모델을 개선하는 방법은 1010에서, a) 이미지 캡처 디바이스로부터의 측정된 윤곽(330), 및 b) OPC 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽(510)을 얻는 단계를 포함할 수 있다.
1020에서, 측정된 윤곽(330)과 시뮬레이션된 윤곽(510) 사이의 오프셋(610)을 결정함으로써 측정된 윤곽(330)을 시뮬레이션된 윤곽(510)과 정렬한다.
1030에서, 시뮬레이션된 윤곽(510)과 측정된 윤곽(330) 사이의, 결정된 오프셋(610)에 기초하여 계산된 차이를 감소시키도록 OPC 모델의 특징들을 수정한다.
도 11은 일 실시예에 따른, 타겟의 다수 이미지들을 획득하고 공정 모델을 캘리브레이션하는 예시적인 방법을 나타낸다.
일부 실시예들에서, 패터닝 공정을 위한 공정 모델을 개선하는 방법은 1110에서, a) 이미지 캡처 디바이스로부터의 다수의 측정된 이미지들(410), 및 b) 공정 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽(510)을 얻는 단계를 포함할 수 있다.
1120에서, 다수의 측정된 이미지들(410)을 정렬한다.
1130에서, 정렬된 다수의 측정된 이미지들(410)로부터 조합된 측정된 이미지(320)를 생성한다.
1140에서, 이미지 분석 방법에 의해 조합된 측정된 이미지(320)로부터 측정된 윤곽(330)을 추출한다.
1150에서, 측정된 윤곽(330)과 시뮬레이션된 윤곽(510) 사이의 오프셋(610)을 결정함으로써 측정된 윤곽(330)을 시뮬레이션된 윤곽(510)과 정렬한다.
1160에서, 시뮬레이션된 윤곽(510)과 측정된 윤곽(330) 사이의, 결정된 오프셋(610)에 기초하여 계산된 차이를 감소시키도록 공정 모델을 캘리브레이션한다.
도 12는 일 실시예에 따른 예시적인 메트롤로지 시스템의 블록 다이어그램이다. 본 명세서에서 설명된 실시예들은 컴퓨팅 시스템, 이미지 캡처 디바이스, 서버 및 사용자 인터페이스의 여하한 수 및 조합에서 구현될 수 있다. 하나의 예시적인 시스템이 도 12에 도시되어 있으며, 여기서 직렬 및/또는 병렬로 작동하는 여하한 수의 컴퓨터들을 선택적으로 포함할 수 있는 클러스터(1210)가 본 명세서에서 EP 게이지(630)라고도 하는 EP 좌표(630)의 선택 및 전송을 허용하도록 구성될 수 있다. EP 게이지(630)는 1 이상의 관리 서버(1220)로 전송될 수 있으며, 여기서 레시피(1230)가 이미지 캡처 디바이스(1240)로 보내질 수 있다. 레시피(1230)는 패터닝 공정에 대한 정보 및 이미지 캡처 디바이스(1240)의 작동을 위한 명령어들을 포함할 수 있다. 따라서, 설명된 예시적인 시스템들은 OPC 예측 정확성을 개선하고 OPC 개발 사이클 시간을 감소시킨다.
도 13은 일 실시예에 따른 개선된 메트롤로지 프로세스의 예시적인 구현의 프로세스 흐름도이다.
본 명세서에 설명된 시스템들 및 실시예들에 따른 메트롤로지를 개선하는 방법은 클러스터(1210)와 같은 컴퓨팅 클러스터에서 공정 모델을 실행하는 단계를 포함할 수 있다. 공정 모델은 1310에서 레티클 디자인을 수용할 수 있다. 그 후, 공정 모델은 1312에서 타겟 패턴을 특정하는 GDS 레이아웃을 생성할 수 있다. 1314에서, 공정 모델은 예를 들어 도 6을 참조하여 설명된 바와 같이, 1 이상의 EP 게이지를 선택할 수 있다.
이미지 캡처 디바이스, 예를 들어 이미지 캡처 디바이스(1240)가 1320에서 레시피(1230)를 생성할 수 있다. 레시피(1230)는 이미지 캡처 디바이스(1240)에 의해, 1322에서 여하한 수의 고분해능 측정된 이미지들을 생성하는 것을 포함하는 프린트된 패턴에 대한 고품질 메트롤로지를 수행하기 위해 사용될 수 있다. 측정된 이미지들은 이미지 처리를 위해 클러스터(1210)로 전송될 수 있다.
이미지 처리는, 예를 들어 이미지 필터링(1330), 이미지 정렬 및 평균화(1332), 윤곽 추출(1334), 및 EP 게이지 추출(1336)을 실행하는 것을 포함할 수 있다. 이미지 필터링은 예를 들어 허용된 벤치마크 또는 공차에 기초하여, 예를 들어 잘못 프린트된 이미지들 및/또는 저 콘트라스트 이미지들의 자동 제거를 포함할 수 있다. 선택적으로, 레시피(1230) 및 측정된 이미지들(320)은 이미지 필터링 및 평균화 정렬 공정들 전후에 측정된 이미지들(320)을 비교함으로써 메트롤로지 일관성을 증가시키기 위한 윤곽 추출 프로세스의 일부로서 1322로부터 입력될 수 있다.
모델 캘리브레이션 및 검증은 1340에서 수행될 수 있으며, 여기서 1336에서 추출된 EP 게이지가 1 이상의 컴퓨팅 시스템에 의해 수신될 수 있다. 캘리브레이션되고 검증된 모델은 1340에서 최적화되어 많은 수의 EP 게이지, 예를 들어 CD 게이지의 수에 비해 2, 3, 3.6, 5, 10 배 또는 그 이상 증가를 지원할 수 있다. 1342에서 공정 모델이 캘리브레이션될 수 있고, 1344에서 캘리브레이션된 공정 모델이 사용자 검토, 개선, 전송 또는 추가 처리를 위해 그래픽 사용자 인터페이스(GUI)에 제공될 수 있다.
도 14는 일 실시예에 따른 예시적인 컴퓨터 시스템(CS)의 블록 다이어그램이다.
컴퓨터 시스템(CS)은 정보를 전달하는 버스(BS) 또는 다른 통신 기구, 및 정보를 처리하는 버스(BS)와 커플링된 프로세서(PRO)(또는 다중 프로세서)를 포함한다. 또한, 컴퓨터 시스템(CS)은 프로세서(PRO)에 의해 실행될 정보 및 명령어들을 저장하는 RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 버스(BS)에 커플링된 주 메모리(MM)를 포함한다. 또한, 주 메모리(MM)는 프로세서(PRO)에 의해 실행될 명령어들의 실행 시 임시 변수들 또는 다른 매개 정보(intermediate information)를 저장하는 데 사용될 수 있다. 컴퓨터 시스템(CS)은 프로세서(PRO)에 대한 정적 정보 및 명령어들을 저장하는 버스(BS)에 커플링된 ROM(read only memory: ROM) 또는 다른 정적 저장 디바이스를 더 포함한다. 자기 디스크 또는 광학 디스크와 같은 저장 디바이스(SD)가 제공되고 버스(BS)에 커플링되어 정보 및 명령어들을 저장한다.
컴퓨터 시스템(CS)은 버스(BS)를 통해, 컴퓨터 사용자에게 정보를 보여주는 CRT(cathode ray tube) 또는 평판 또는 터치 패널 디스플레이(touch panel display)와 같은 디스플레이(DS)에 커플링될 수 있다. 영숫자 및 다른 키들을 포함한 입력 디바이스(ID)는 정보 및 명령 선택(command selection)들을 프로세서(PRO)로 전달하기 위해 버스(BS)에 커플링된다. 또 다른 타입의 사용자 입력 디바이스는 방향 정보 및 명령 선택들을 프로세서(PRO)로 전달하고, 디스플레이(DS) 상의 커서 움직임을 제어하기 위한 마우스, 트랙볼(trackball) 또는 커서 방향키들과 같은 커서 제어부(cursor control: CC)이다. 이 입력 디바이스는, 통상적으로 디바이스로 하여금 평면에서의 위치들을 특정하게 하는 2 개의 축선인 제 1 축선(예를 들어, x) 및 제 2 축선(예를 들어, y)에서 2 자유도를 갖는다. 또한, 입력 디바이스로서 터치 패널(스크린) 디스플레이가 사용될 수도 있다.
일 실시예에 따르면, 주 메모리(MM)에 포함된 1 이상의 명령어들의 1 이상의 시퀀스를 실행하는 프로세서(PRO)에 응답하여 컴퓨터 시스템(CS)에 의해 본 명세서에 설명된 1 이상의 방법의 부분들이 수행될 수 있다. 이러한 명령어들은 저장 디바이스(SD)와 같은 또 다른 컴퓨터-판독가능한 매체로부터 주 메모리(MM)로 읽혀질 수 있다. 주 메모리(MM) 내에 포함된 명령어들의 시퀀스들의 실행은, 프로세서(PRO)가 본 명세서에 설명된 공정 단계들을 수행하게 한다. 또한, 주 메모리(MM) 내에 포함된 명령어들의 시퀀스들을 실행하기 위해 다중 처리 구성(multi-processing arrangement)의 1 이상의 프로세서가 채택될 수 있다. 대안적인 실시예에서, 하드웨어에 내장된 회로(hard-wired circuitry)가 소프트웨어 명령어들과 조합하거나 그를 대신하여 사용될 수 있다. 따라서, 본 명세서의 기재내용은 하드웨어 회로와 소프트웨어의 여하한의 특정 조합에 제한되지 않는다.
본 명세서에서 사용된 "컴퓨터-판독가능한 매체"라는 용어는 실행을 위해 프로세서(PRO)에 명령어를 제공하는 데 관여하는 여하한의 매체를 칭한다. 이러한 매체는 비휘발성 매체(non-volatile media), 휘발성 매체 및 전송 매체를 포함하는 다수의 형태를 취할 수 있으며, 이에 제한되지는 않는다. 비휘발성 매체는, 예를 들어 저장 디바이스(SD)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 주 메모리(MM)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(BS)를 포함하는 와이어들을 포함하여, 동축 케이블(coaxial cable), 구리선 및 광섬유를 포함한다. 또한, 전송 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 시 발생되는 파장들과 같이 음파(acoustic wave) 또는 광파의 형태를 취할 수도 있다. 컴퓨터-판독가능한 매체는 비-일시적, 예를 들어 플로피 디스크(floppy disk), 플렉시블 디스크(flexible disk), 하드 디스크, 자기 테이프, 여하한의 다른 자기 매체, CD-ROM, DVD, 여하한의 다른 광학 매체, 펀치 카드(punch card), 종이 테이프(paper tape), 홀(hole)들의 패턴을 갖는 여하한의 다른 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, 여하한의 다른 메모리 칩 또는 카트리지(cartridge)일 수 있다. 비-일시적 컴퓨터 판독가능한 매체는 그 안에 명령어들이 기록되어 있을 수 있다. 명령어들은 컴퓨터에 의해 실행될 때, 본 명세서에 설명된 여하한의 특징들을 구현할 수 있다. 일시적 컴퓨터 판독가능한 매체는 반송파 또는 다른 전파 전자기 신호를 포함할 수 있다.
다양한 형태의 컴퓨터 판독가능한 매체는 실행을 위해 1 이상의 명령어들의 1 이상의 시퀀스를 프로세서(PRO)로 전달하는 데 관련될 수 있다. 예를 들어, 명령어들은 초기에 원격 컴퓨터의 자기 디스크 상에 저장되어 있을 수 있다(bear). 원격 컴퓨터는 그 동적 메모리로 명령어들을 로딩하고, 모뎀을 이용하여 전화선을 통해 명령어들을 보낼 수 있다. 컴퓨터 시스템(CS)에 로컬인 모뎀이 전화선 상의 데이터를 수신하고, 상기 데이터를 적외선 신호로 전환하기 위해 적외선 송신기를 사용할 수 있다. 버스(BS)에 커플링된 적외선 검출기는 적외선 신호로 전달된 데이터를 수신하고, 상기 데이터를 버스(BS)에 놓을 수 있다. 버스(BS)는, 프로세서(PRO)가 명령어들을 회수하고 실행하는 주 메모리(MM)로 상기 데이터를 전달한다. 주 메모리(MM)에 의해 수신된 명령어들은 프로세서(PRO)에 의한 실행 전이나 후에 저장 디바이스(SD)에 선택적으로 저장될 수 있다.
또한, 컴퓨터 시스템(CS)은 버스(BS)에 커플링된 통신 인터페이스(CI)를 포함할 수 있다. 통신 인터페이스(CI)는 로컬 네트워크(LAN)에 연결되는 네트워크 링크(NDL)에 커플링하여 양방향(two-way) 데이터 통신을 제공한다. 예를 들어, 통신 인터페이스(CI)는 ISDN(integrated services digital network) 카드 또는 대응하는 타입의 전화선에 데이터 통신 연결을 제공하는 모뎀일 수 있다. 또 다른 예시로서, 통신 인터페이스(CI)는 호환성 LAN에 데이터 통신 연결을 제공하는 LAN(local area network) 카드일 수 있다. 또한, 무선 링크가 구현될 수도 있다. 여하한의 이러한 구현에서, 통신 인터페이스(CI)는 다양한 타입의 정보를 나타내는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 송신하고 수신한다.
통상적으로, 네트워크 링크(NDL)는 1 이상의 네트워크를 통해 다른 데이터 디바이스에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(NDL)는 로컬 네트워크(LAN)를 통해 호스트 컴퓨터(host computer: HC)로의 연결을 제공할 수 있다. 이는 이제 보편적으로 "인터넷"(INT)이라고 칭하는 월드와이드 패킷 데이터 통신 네트워크를 통해 제공되는 데이터 통신 서비스들을 포함할 수 있다. 로컬 네트워크(LAN)(인터넷)는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 사용한다. 다양한 네트워크를 통한 신호들, 및 컴퓨터 시스템(CS)에 또한 그로부터 디지털 데이터를 전달하는 통신 인터페이스(CI)를 통한 네트워크 데이터 링크(NDL) 상의 신호들은 정보를 전달하는 반송파의 예시적인 형태들이다.
컴퓨터 시스템(CS)은 네트워크(들), 네트워크 데이터 링크(NDL) 및 통신 인터페이스(CI)를 통해 메시지들을 송신하고, 프로그램 코드를 포함한 데이터를 수신할 수 있다. 인터넷 예시에서는, 호스트 컴퓨터(HC)가 인터넷(INT), 네트워크 데이터 링크(NDL), 로컬 네트워크(LAN) 및 통신 인터페이스(CI)를 통해 어플리케이션 프로그램에 대한 요청된 코드를 전송할 수 있다. 하나의 이러한 다운로드된 어플리케이션은, 예를 들어 본 명세서에 설명된 방법의 일부 또는 전부를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(PRO)에 의해 실행될 수 있고, 및/또는 추후 실행을 위해 저장 디바이스(SD) 또는 다른 비휘발성 저장소에 저장될 수 있다. 이 방식으로, 컴퓨터 시스템(CS)은 반송파의 형태로 어플리케이션 코드를 얻을 수 있다.
도 15는 일 실시예에 따른 리소그래피 투영 장치의 개략적인 다이어그램이다.
리소그래피 투영 장치는 조명 시스템(IL), 제 1 대상물 테이블(MT), 제 2 대상물 테이블(WT), 및 투영 시스템(PS)을 포함할 수 있다.
조명 시스템(IL)은 방사선 빔(B)을 컨디셔닝(condition)할 수 있다. 이러한 특정한 경우, 조명 시스템은 방사선 소스(SO)도 포함한다.
제 1 대상물 테이블(예를 들어, 패터닝 디바이스 테이블)(MT)은 패터닝 디바이스(MA)(예를 들어, 레티클)를 유지하는 패터닝 디바이스 홀더가 제공되고, 아이템(PS)에 대하여 패터닝 디바이스를 정확히 위치시키는 제 1 위치설정기에 연결될 수 있다.
제 2 대상물 테이블(기판 테이블)(WT)은 기판(W)(예를 들어, 레지스트-코팅된 실리콘 웨이퍼)을 유지하는 기판 홀더가 제공되고, 아이템(PS)에 대하여 기판을 정확히 위치시키는 제 2 위치설정기에 연결될 수 있다.
투영 시스템("렌즈")(PS)[예를 들어, 굴절, 카톱트릭(catoptric) 또는 카타디옵트릭 광학 시스템]은 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)의 조사된 부분을 이미징할 수 있다.
본 명세서에 도시된 바와 같이, 상기 장치는 투과형으로 구성될 수 있다(즉, 투과 패터닝 디바이스를 가짐). 하지만, 일반적으로 이는 예를 들어 (반사 패터닝 디바이스를 갖는) 반사형으로 구성될 수도 있다. 상기 장치는 전형적인 마스크로 상이한 종류의 패터닝 디바이스를 채택할 수 있다; 예시들로는 프로그램가능한 거울 어레이 또는 LCD 매트릭스를 포함한다.
소스(SO)[예를 들어, 수은 램프 또는 엑시머 레이저, LPP(레이저 생성 플라즈마) EUV 소스]는 방사선 빔을 생성한다. 예를 들어, 이 빔은 곧바로 또는 빔 익스팬더(beam expander: Ex)와 같은 컨디셔닝 수단을 가로지른 후 조명 시스템(일루미네이터)(IL)으로 공급된다. 일루미네이터(IL)는 상기 빔 내의 세기 분포의 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)를 설정하는 조정 수단(AD)을 포함할 수 있다. 또한, 이는 일반적으로 인티그레이터(IN) 및 콘덴서(CO)와 같은 다양한 다른 구성요소들을 포함할 것이다. 이러한 방식으로, 패터닝 디바이스(MA)에 입사하는 빔(B)은 그 단면에 원하는 균일성(uniformity) 및 세기 분포를 갖는다.
일부 실시예들에서, 소스(SO)는 [흔히 소스(SO)가, 예를 들어 수은 램프인 경우와 같이] 리소그래피 투영 장치의 하우징 내에 있을 수 있지만, 그것은 리소그래피 투영 장치로부터 멀리 떨어져 있을 수도 있으며, 그것이 생성하는 방사선 빔은 (예를 들어, 적절한 지향 거울들의 도움으로) 장치 내부로 들어올 수 있다; 이 후자의 시나리오는 소스(SO)가 [예를 들어, KrF, ArF 또는 F2 레이징(lasing)에 기초한] 엑시머 레이저인 경우일 수 있다.
이후, 상기 빔(B)은 패터닝 디바이스 테이블(MT) 상에 유지되어 있는 패터닝 디바이스(MA)를 통과할 수 있다(intercept). 패터닝 디바이스(MA)를 가로질렀으면, 상기 빔(B)은 렌즈(PS)를 통과할 수 있으며, 이는 기판(W)의 타겟부(C) 상에 빔(B)을 포커스한다. 제 2 위치설정 수단[및 간섭 측정 수단(IF)]의 도움으로, 기판 테이블(WT)은 예를 들어 상기 빔(B)의 경로 내에 상이한 타겟부(C)를 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정 수단은 예를 들어 패터닝 디바이스 라이브러리(patterning device library)로부터의 패터닝 디바이스(MA)의 기계적인 회수 후에 또는 스캔하는 동안, 상기 빔(B)의 경로에 대해 패터닝 디바이스(MA)를 정확히 위치시키는 데 사용될 수 있다. 일반적으로, 대상물 테이블들(MT, WT)의 이동은 장-행정 모듈(long-stroke module)(개략 위치설정) 및 단-행정 모듈(short-stroke module)(미세 위치설정)의 도움으로 실현될 수 있다. 하지만, (스텝-앤드-스캔 툴과는 대조적으로) 스테퍼의 경우, 패터닝 디바이스 테이블(MT)은 단-행정 액추에이터에만 연결되거나 고정될 수 있다.
도시된 툴은 두 가지 상이한 모드, 스텝 모드 및 스캔 모드로 사용될 수 있다. 스텝 모드에서, 패터닝 디바이스 테이블(MT)은 기본적으로 정지 상태로 유지되며, 전체 패터닝 디바이스 이미지가 한 번에 [즉, 단일 "플래시(flash)"로] 타겟부(C) 상으로 투영된다. 기판 테이블(WT)은 상이한 타겟부(C)가 빔(B)에 의해 조사될 수 있도록 x 및/또는 y 방향들로 시프트될 수 있다.
스캔 모드에서는, 주어진 타겟부(C)가 단일 "플래시"로 노광되지 않는 것을 제외하고는 기본적으로 동일한 시나리오가 적용된다. 그 대신에, 패터닝 디바이스 테이블(MT)은 v의 속도로 주어진 방향(소위 "스캔 방향", 예를 들어 y 방향)으로 이동가능하여, 투영 빔(B)이 패터닝 디바이스 이미지에 걸쳐 스캐닝하도록 유도된다; 동시발생적으로, 기판 테이블(WT)은 속도 V = Mv로 동일한 방향 또는 그 반대 방향으로 동시에 이동되며, 여기서 M은 렌즈(PS)의 배율이다(통상적으로, M = 1/4 또는 1/5). 이러한 방식으로, 분해능을 떨어뜨리지 않고도 비교적 넓은 타겟부(C)가 노광될 수 있다.
도 16은 일 실시예에 따른 또 다른 리소그래피 투영 장치(LPA)의 개략적인 다이어그램이다.
LPA는 소스 컬렉터 모듈(SO), 방사선 빔(B)(예를 들어, EUV 방사선)을 컨디셔닝하도록 구성되는 조명 시스템(일루미네이터)(IL), 지지 구조체(MT), 기판 테이블(WT), 및 투영 시스템(PS)을 포함할 수 있다.
지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT)는 패터닝 디바이스(예를 들어, 마스크 또는 레티클)(MA)를 지지하도록 구성되고, 패터닝 디바이스를 정확히 위치시키도록 구성된 제 1 위치설정기(PM)에 연결될 수 있다.
기판 테이블(예를 들어, 웨이퍼 테이블)(WT)은 기판(예를 들어, 레지스트-코팅된 웨이퍼)(W)을 유지하도록 구성되고, 기판을 정확히 위치시키도록 구성된 제 2 위치설정기(PW)에 연결될 수 있다.
투영 시스템(예를 들어, 반사 투영 시스템)(PS)은 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 투영하도록 구성될 수 있다.
본 명세서에 도시된 바와 같이, LPA는 (예를 들어, 반사 패터닝 디바이스를 채택하는) 반사형으로 구성될 수 있다. 대부분의 재료들이 EUV 파장 범위 내에서 흡수성이기 때문에, 패터닝 디바이스는 예를 들어 몰리브덴 및 실리콘의 다수-스택을 포함한 다층 반사기들을 가질 수 있다는 것을 유의하여야 한다. 일 예시에서, 다수-스택 반사기는 40 층의 몰리브덴 및 실리콘 쌍들을 갖고, 이때 각 층의 두께는 1/4 파장(quarter wavelength)이다. 훨씬 더 작은 파장들이 X-선 리소그래피로 생성될 수 있다. 대부분의 재료가 EUV 및 x-선 파장에서 흡수성이기 때문에, 패터닝 디바이스 토포그래피 상의 패터닝된 흡수성 재료의 박편(예를 들어, 다층 반사기 최상부 상의 TaN 흡수재)이 프린트되거나(포지티브 레지스트) 프린트되지 않을(네거티브 레지스트) 피처들의 위치를 정의한다.
일루미네이터(IL)는 소스 컬렉터 모듈(SO)로부터 극자외 방사선 빔을 수용할 수 있다. EUV 방사선을 생성하는 방법들은 EUV 범위 내의 1 이상의 방출선을 갖는 적어도 하나의 원소, 예를 들어 크세논, 리튬 또는 주석을 갖는 재료를 플라즈마 상태로 전환하는 단계를 포함하며, 반드시 이에 제한되는 것은 아니다. 흔히 레이저 생성 플라즈마("LPP")라고 칭하는 이러한 한 방법에서, 플라즈마는 선-방출 원소를 갖는 재료의 액적(droplet), 스트림 또는 클러스터와 같은 연료를 레이저 빔으로 조사함으로써 생성될 수 있다. 소스 컬렉터 모듈(SO)은 연료를 여기시키는 레이저 빔을 제공하는 레이저(도 16에 도시되지 않음)를 포함한 EUV 방사선 시스템의 일부분일 수 있다. 결과적인 플라즈마는 출력 방사선, 예를 들어 EUV 방사선을 방출하며, 이는 소스 컬렉터 모듈에 배치된 방사선 컬렉터를 이용하여 수집된다. 예를 들어, CO2 레이저가 연료 여기를 위한 레이저 빔을 제공하는 데 사용되는 경우, 레이저 및 소스 컬렉터 모듈은 별도의 개체일 수 있다.
이러한 경우, 레이저는 리소그래피 장치의 일부분을 형성하는 것으로 간주되지 않을 수 있으며, 방사선 빔은 예를 들어 적절한 지향 거울들 및/또는 빔 익스팬더를 포함하는 빔 전달 시스템의 도움으로, 레이저로부터 소스 컬렉터 모듈로 통과될 수 있다. 다른 경우, 예를 들어 소스가 흔히 DPP 소스라고 칭하는 방전 생성 플라즈마 EUV 발생기인 경우, 소스는 소스 컬렉터 모듈의 통합부일 수 있다.
일루미네이터(IL)는 방사선 빔의 각도 세기 분포를 조정하는 조정기를 포함할 수 있다. 일반적으로, 일루미네이터의 퓨필 평면 내의 세기 분포의 적어도 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)가 조정될 수 있다. 또한, 일루미네이터(IL)는 패싯 필드 및 퓨필 거울 디바이스들(facetted field and pupil mirror devices)과 같이, 다양한 다른 구성요소들을 포함할 수도 있다. 일루미네이터는 방사선 빔의 단면에 원하는 균일성 및 세기 분포를 갖기 위해, 방사선 빔을 컨디셔닝하는 데 사용될 수 있다.
방사선 빔(B)은 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 상에 유지되어 있는 패터닝 디바이스(예를 들어, 마스크)(MA) 상에 입사될 수 있으며, 패터닝 디바이스에 의해 패터닝된다. 패터닝 디바이스(예를 들어, 마스크)(MA)로부터 반사된 후, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 이는 기판(W)의 타겟부(C) 상으로 상기 빔을 포커스한다. 제 2 위치설정기(PW) 및 위치 센서(PS2)(예를 들어, 간섭계 디바이스, 리니어 인코더, 또는 용량성 센서)의 도움으로, 기판 테이블(WT)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 또 다른 위치 센서(PS1)는 방사선 빔(B)의 경로에 대해 패터닝 디바이스(예를 들어, 마스크)(MA)를 정확히 위치시키는 데 사용될 수 있다. 패터닝 디바이스(예를 들어, 마스크)(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크들(M1, M2) 및 기판 정렬 마크들(P1, P2)을 이용하여 정렬될 수 있다.
도시된 장치(LPA)는 다음 모드들, 스텝 모드, 스캔 모드, 및 고정 모드 중 적어도 하나에서 사용될 수 있다.
스텝 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 기본적으로 정지 상태로 유지되는 한편, 방사선 빔에 부여되는 전체 패턴은 한 번에 타겟부(C) 상으로 투영된다[즉, 단일 정적 노광(single static exposure)]. 그 후, 기판 테이블(WT)은 상이한 타겟부(C)가 노광될 수 있도록 X 및/또는 Y 방향으로 시프트된다.
스캔 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 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)]. 지지 구조체(예를 들어, 패터닝 디바이스 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.
고정 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT)는 프로그램가능한 패터닝 디바이스를 유지하여 기본적으로 정지된 상태로 유지되며, 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안 기판 테이블(WT)이 이동되거나 스캐닝된다. 이 모드에서는, 일반적으로 펄스화된 방사선 소스(pulsed radiation source)가 채택되며, 프로그램가능한 패터닝 디바이스는 기판 테이블(WT)의 매 이동 후, 또는 스캔 중에 계속되는 방사선 펄스 사이사이에 필요에 따라 업데이트된다. 이 작동 모드는 앞서 언급된 바와 같은 타입의 프로그램가능한 거울 어레이와 같은 프로그램가능한 패터닝 디바이스를 이용하는 마스크없는 리소그래피(maskless lithography)에 용이하게 적용될 수 있다.
도 17은 일 실시예에 따른 리소그래피 투영 장치의 상세도이다.
나타낸 바와 같이, LPA는 소스 컬렉터 모듈(SO), 조명 시스템(IL), 및 투영 시스템(PS)을 포함할 수 있다. 소스 컬렉터 모듈(SO)은 소스 컬렉터 모듈(SO)의 포위 구조체(enclosing structure: 220) 내에 진공 환경이 유지될 수 있도록 구성되고 배치된다. EUV 방사선 방출 플라즈마(210)가 방전 생성 플라즈마 소스에 의해 형성될 수 있다. EUV 방사선은 전자기 스펙트럼의 EUV 범위 내의 방사선을 방출하도록 초고온 플라즈마(very hot plasma: 210)가 생성되는 가스 또는 증기, 예를 들어 Xe 가스, Li 증기 또는 Sn 증기에 의해 생성될 수 있다. 초고온 플라즈마(210)는, 예를 들어 적어도 부분적으로 이온화된 플라즈마를 야기하는 전기적 방전에 의해 생성된다. 방사선의 효율적인 발생을 위해, Xe, Li, Sn 증기 또는 여하한의 다른 적절한 가스 또는 증기의, 예를 들어 10 Pa의 분압(partial pressure)이 필요할 수 있다. 일 실시예에서, EUV 방사선을 생성하기 위해 여기된 주석(Sn)의 플라즈마가 제공된다.
초고온 플라즈마(210)에 의해 방출된 방사선은, 소스 챔버(source chamber: 211)의 개구부 내에 또는 그 뒤에 위치되는 선택적인 가스 방벽 또는 오염물 트랩(contaminant trap: 230)(몇몇 경우에는, 오염물 방벽 또는 포일 트랩이라고도 함)을 통해, 소스 챔버(211)로부터 컬렉터 챔버(collector chamber: 212) 내로 통과된다. 오염물 트랩(230)은 채널 구조체를 포함할 수 있다. 또한, 오염물 트랩(230)은 가스 방벽, 또는 가스 방벽과 채널 구조체의 조합을 포함할 수 있다. 본 명세서에서 더 나타내는 오염물 트랩 또는 오염물 방벽(230)은 적어도 당업계에 알려진 바와 같은 채널 구조체를 포함한다.
컬렉터 챔버(212)는 소위 스침 입사 컬렉터(grazing incidence collector)일 수 있는 방사선 컬렉터(CO)를 포함할 수 있다. 방사선 컬렉터(CO)는 방사선 컬렉터 상류측(upstream radiation collector side: 251) 및 방사선 컬렉터 하류측(downstream radiation collector side: 252)을 갖는다. 컬렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(grating spectral filter: 240)로부터 반사되어, 점선 'O'로 나타낸 광학 축선을 따라 가상 소스점(virtual source point: IF)에 포커스될 수 있다. 가상 소스점(IF)은 통상적으로 중간 포커스라고 칭해지며, 소스 컬렉터 모듈은 중간 포커스(IF)가 포위 구조체(220)에서의 개구부(221)에, 또는 그 부근에 위치되도록 배치된다. 가상 소스점(IF)은 방사선 방출 플라즈마(210)의 이미지이다.
후속하여, 방사선은 조명 시스템(IL)을 가로지르며, 이는 패터닝 디바이스(MA)에서의 방사선 세기의 원하는 균일성뿐 아니라, 패터닝 디바이스(MA)에서의 방사선 빔(21)의 원하는 각도 분포를 제공하도록 배치되는 패싯 필드 거울 디바이스(22) 및 패싯 퓨필 거울 디바이스(24)를 포함할 수 있다. 지지 구조체(MT)에 의해 유지되어 있는 패터닝 디바이스(MA)에서의 방사선 빔(21)의 반사 시, 패터닝된 빔(26)이 형성되고, 패터닝된 빔(26)은 투영 시스템(PS)에 의하여 반사 요소들(28, 30)을 통해 기판 테이블(WT)에 의해 유지되어 있는 기판(W) 상으로 이미징된다.
일반적으로, 나타낸 것보다 더 많은 요소가 조명 광학기 유닛(IL) 및 투영 시스템(PS) 내에 존재할 수 있다. 격자 스펙트럼 필터(240)는 리소그래피 장치의 타입에 따라 선택적으로 존재할 수 있다. 또한, 도면들에 나타낸 것보다 더 많은 거울이 존재할 수 있으며, 예를 들어 도 17에 나타낸 것보다 1 내지 6 개의 추가 반사 요소들이 투영 시스템(PS) 내에 존재할 수 있다.
도 17에 예시된 바와 같은 컬렉터 광학기(CO)가 단지 컬렉터(또는 컬렉터 거울)의 일 예시로서, 스침 입사 반사기들(253, 254 및 255)을 갖는 네스티드 컬렉터(nested collector)로서 도시된다. 스침 입사 반사기들(253, 254 및 255)은 광학 축선(O) 주위에 축대칭으로 배치되고, 이 타입의 컬렉터 광학기(CO)는 흔히 DPP 소스라고 하는 방전 생성 플라즈마 소스와 조합하여 사용될 수 있다.
도 18은 일 실시예에 따른 리소그래피 투영 장치(LPA)의 소스 컬렉터 모듈(SO)의 상세도이다.
소스 컬렉터 모듈(SO)은 LPA 방사선 시스템의 일부분일 수 있다. 레이저(LA)가 크세논(Xe), 주석(Sn) 또는 리튬(Li)과 같은 연료에 레이저 에너지를 축적(deposit)하도록 배치되어, 수십 eV의 전자 온도를 갖는 고이온화 플라즈마(highly ionized plasma: 210)를 생성할 수 있다. 이 이온들의 탈-여기(de-excitation) 및 재조합 동안 발생되는 강렬한 방사선(energetic radiation)은 플라즈마로부터 방출되어, 근수직 입사 컬렉터 광학기(near normal incidence collector optic: CO)에 의해 수집되고, 포위 구조체(220)의 개구부(221) 상에 포커스된다.
본 명세서에 개시된 개념들은 서브 파장 피처들을 이미징하는 여하한의 일반적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있으며, 특히 점점 더 짧은 파장들을 생성할 수 있는 신흥 이미징 기술들로 유용할 수 있다. 이미 사용중인 신흥 기술들로는 ArF 레이저를 사용하여 193 nm의 파장을 생성하고, 심지어 플루오린 레이저를 사용하여 157 nm의 파장도 생성할 수 있는 EUV(극자외), DUV 리소그래피를 포함한다. 또한, EUV 리소그래피가 이 범위 내의 광자들을 생성하기 위해 고에너지 전자로 재료(고체 또는 플라즈마)를 가격(hit)하거나, 싱크로트론(synchrotron)을 이용함으로써 20 내지 50 nm 범위 내의 파장들을 생성할 수 있다.
도 19는 일 실시예에 따른 전자 빔 검사 장치(1920)의 일 실시예를 개략적으로 도시한다. 일 실시예에서, 검사 장치는 기판 상에 노광되거나 전사되는 구조체(예를 들어, 집적 회로와 같은 디바이스의 구조체의 일부 또는 전부)의 이미지를 산출하는 [예를 들어, 스캐닝 전자 현미경(SEM)과 동일하거나 유사한] 전자 빔 검사 장치일 수 있다. 전자 소스(1922)로부터 방출되는 일차 전자 빔(1924)이 집광 렌즈(1926)에 의해 수렴된 후, 빔 디플렉터(1928), E x B 디플렉터(1930), 및 대물 렌즈(1932)를 통과하여 포커스에서 기판 테이블(1912) 상의 기판(1910)을 조사한다.
기판(1910)이 전자 빔(1924)으로 조사될 때, 기판(1910)으로부터 이차 전자들이 생성된다. 이차 전자들은 E x B 디플렉터(1930)에 의해 편향되고 이차 전자 검출기(1934)에 의해 검출된다. 예를 들어, X 또는 Y 방향 중 다른 방향에서의 기판 테이블(1912)에 의한 기판(1910)의 연속적인 이동과 함께, X 또는 Y 방향에서의 빔 디플렉터(1928)에 의한 전자 빔(1924)의 반복적인 스캐닝 또는 빔 디플렉터(1928)에 의한 전자 빔의 2 차원 스캐닝과 동기화하여 샘플로부터 생성되는 전자들을 검출함으로써 2-차원 전자 빔 이미지가 얻어질 수 있다. 따라서, 일 실시예에서, 전자 빔 검사 장치는 전자 빔 검사 장치에 의해 전자 빔이 제공될 수 있는 각도 범위[예를 들어, 디플렉터(1928)가 전자 빔(1924)을 제공할 수 있는 각도 범위]에 의해 정의되는 전자 빔에 대한 시야를 갖는다. 따라서, 시야의 공간 크기는 전자 빔의 각도 범위가 표면에 충돌할 수 있는 공간 크기이다(여기서, 표면은 고정될 수 있거나, 필드에 대해 이동할 수 있음).
이차 전자 검출기(1934)에 의해 검출되는 신호는 아날로그/디지털(A/D) 변환기(1936)에 의해 디지털 신호로 변환되고, 디지털 신호는 이미지 처리 시스템(1950)으로 전송된다. 일 실시예에서, 이미지 처리 시스템(1950)은 처리 유닛(1958)에 의한 처리를 위해 디지털 이미지들의 전부 또는 일부를 저장하는 메모리(1956)를 가질 수 있다. 처리 유닛(1958)(예를 들어, 특별히 디자인된 하드웨어 또는 하드웨어 및 소프트웨어의 조합 또는 소프트웨어를 포함한 컴퓨터 판독가능한 매체)은 디지털 이미지들을 디지털 이미지들을 나타내는 데이터세트들로 변환하거나 처리하도록 구성된다. 일 실시예에서, 처리 유닛(1958)은 본 명세서에 설명된 방법의 실행을 야기하도록 구성되거나 프로그램된다. 또한, 이미지 처리 시스템(1950)은 참조 데이터베이스에 디지털 이미지들 및 대응하는 데이터세트들을 저장하도록 구성되는 저장 매체(1956)를 가질 수 있다. 디스플레이 디바이스(1954)가 이미지 처리 시스템(1950)과 연결되어, 운영자가 그래픽 사용자 인터페이스의 도움으로 장비의 필요한 작동을 수행할 수 있도록 할 수 있다.
도 20은 일 실시예에 따른 검사 장치의 추가 실시예를 개략적으로 나타낸다. 시스템은 샘플 스테이지(89)에서 (기판과 같은) 샘플(90)을 검사하는 데 사용되며, 하전 입자 빔 생성기(81), 집광 렌즈 모듈(82), 프로브 형성 대물 렌즈 모듈(83), 하전 입자 빔 편향 모듈(84), 이차 하전 입자 검출기 모듈(85), 및 이미지 형성 모듈(86)을 포함한다.
하전 입자 빔 생성기(81)는 일차 하전 입자 빔(91)을 생성한다. 집광 렌즈 모듈(82)은 생성된 일차 하전 입자 빔(91)을 집광한다. 프로브 형성 대물 렌즈 모듈(83)은 집광된 일차 하전 입자 빔을 하전 입자 빔 프로브(92)로 포커스한다. 하전 입자 빔 편향 모듈(84)은 형성된 하전 입자 빔 프로브(92)를 샘플 스테이지(89)에 고정된 샘플(90) 상의 관심 영역의 표면에 걸쳐 스캔한다. 일 실시예에서, 하전 입자 빔 생성기(81), 집광 렌즈 모듈(82) 및 프로브 형성 대물 렌즈 모듈(83), 또는 이들의 동등한 디자인들, 대안예들 또는 여하한의 그 조합은 함께 스캐닝 하전 입자 빔 프로브(92)를 생성하는 하전 입자 빔 프로브 생성기를 형성한다.
이차 하전 입자 검출기 모듈(85)은 하전 입자 빔 프로브(92)에 의해 충격을 받을 때 (아마도 샘플 표면으로부터의 다른 반사되거나 산란된 하전 입자들과 함께) 샘플 표면으로부터 방출되는 이차 하전 입자들(93)을 검출하여, 이차 하전 입자 검출 신호(94)를 발생시킨다. 이미지 형성 모듈(86)(예를 들어, 컴퓨팅 디바이스)은 이차 하전 입자 검출기 모듈(85)과 커플링되어, 이차 하전 입자 검출기 모듈(85)로부터 이차 하전 입자 검출 신호(94)를 수신하고, 이에 따라 적어도 하나의 스캔 이미지를 형성한다. 일 실시예에서, 이차 하전 입자 검출기 모듈(85) 및 이미지 형성 모듈(86), 또는 이들의 동등한 디자인들, 대안예들 또는 여하한의 그 조합은 함께 하전 입자 빔 프로브(92)에 의해 충격을 받는 샘플(90)로부터 방출된 검출된 이차 하전 입자들로부터 스캔 이미지를 형성하는 이미지 형성 장치를 형성한다.
일 실시예에서, 모니터링 모듈(87)은 이미지 형성 장치의 이미지 형성 모듈(86)에 커플링되어, 이미지 형성 모듈(86)로부터 수신되는 샘플(90)의 스캔 이미지를 사용하여 패터닝 공정의 모니터링, 제어 등을 수행하고, 및/또는 패터닝 공정 디자인, 제어, 모니터링 등을 위한 파라미터를 도출한다. 따라서, 일 실시예에서, 모니터링 모듈(87)은 본 명세서에 설명된 방법의 실행을 야기하도록 구성되거나 프로그램된다. 일 실시예에서, 모니터링 모듈(87)은 컴퓨팅 디바이스를 포함한다. 일 실시예에서, 모니터링 모듈(87)은 여기에서 기능을 제공하고 모니터링 모듈(87)을 형성하거나 그 안에 배치되는 컴퓨터 판독가능한 매체 상에 인코딩되는 컴퓨터 프로그램을 포함한다.
일 실시예에서, 프로브를 사용하여 기판을 검사하는 도 19의 전자 빔 검사 툴과 같이, 도 20의 시스템의 전자 전류는 예를 들어 도 19에 도시된 바와 같은 CD SEM에 비해 상당히 더 크므로, 프로브 스폿이 충분히 커서 검사 속도가 빠를 수 있다. 하지만, 분해능은 큰 프로브 스폿으로 인해 CD SEM에 비해 높지 않을 수 있다.
예를 들어, 도 19 및/또는 도 20의 시스템으로부터의 SEM 이미지는 이미지에서 디바이스 구조체들을 나타내는 대상물들의 에지들을 설명하는 윤곽들을 추출하도록 처리될 수 있다. 그 후, 이 윤곽들은 통상적으로 사용자-정의 커트-라인에서 CD와 같은 메트릭을 통해 정량화된다. 따라서, 통상적으로 디바이스 구조체들의 이미지들은 추출된 윤곽들에서 측정되는 에지간 거리(CD) 또는 이미지들 간의 간단한 픽셀 차이들과 같은 메트릭을 통해 비교되고 정량화된다. 대안적으로, 메트릭은 본 명세서에 설명된 EP 게이지를 포함할 수 있다.
이제, 패터닝 공정에서 기판을 측정하는 것 외에도, 예를 들어 패터닝 공정의 디자인, 제어, 모니터링 등을 수행하는 데 사용될 수 있는 결과들을 생성하기 위해 1 이상의 툴을 사용하는 것이 흔히 바람직하다. 이를 위해, 패터닝 디바이스를 위한 패턴 디자인(예를 들어, 분해능-이하 어시스트 피처들 또는 광 근접 보정들의 추가를 포함함), 패터닝 디바이스를 위한 조명 등과 같은 패터닝 공정의 1 이상의 측면의 전산 제어, 디자인 등에 사용되는 1 이상의 툴이 제공될 수 있다. 따라서, 패터닝을 수반하는 제조 공정의 전산 제어, 디자인 등을 위한 시스템에서, 주요 제조 시스템 구성요소들 및/또는 프로세스들이 다양한 기능 모듈들에 의해 설명될 수 있다. 특히, 일 실시예에서, 통상적으로 패턴 전사 단계를 포함하는 패터닝 공정의 1 이상의 단계 및/또는 장치를 설명하는 1 이상의 수학적 모델이 제공될 수 있다. 일 실시예에서, 패터닝 공정의 시뮬레이션은 패터닝 디바이스에 의해 제공되는 측정된 또는 디자인 패턴을 사용하여 패터닝 공정이 패터닝된 기판을 어떻게 형성하는지를 시뮬레이션하기 위해 1 이상의 수학적 모델을 사용하여 수행될 수 있다.
본 명세서에 개시된 개념들은 실리콘 웨이퍼와 같은 기판 상에 이미징하기 위해 사용될 수 있지만, 개시된 개념들은 여하한 타입의 리소그래피 이미징 시스템들, 예를 들어 실리콘 웨이퍼들 이외의 기판들 상에 이미징하는 데 사용되는 것들로 사용될 수도 있다는 것을 이해하여야 한다.
상기 서술내용은 예시를 위한 것이지, 제한하려는 것이 아니다. 따라서, 당업자라면 아래에 설명되는 청구항들의 범위를 벗어나지 않고 서술된 바와 같이 변형예가 행해질 수도 있음을 이해할 것이다.
도 21은 일 실시예에 따른 프린트된 패턴의 원시 이미지 및 평균 이미지를 나타내는 다이어그램이다.
본 발명은 무엇보다도 리소그래피 공정의 일부로서 고-품질 메트롤로지를 수행하기 위해 프린트된 패턴의 다수의 이미지들을 획득 및 분석하는 것을 설명한다. 도 21에 나타낸 바와 같이, 평균 이미지(2110)(좌측 상단에 나타냄)는 원시 이미지(2120)(우측 상단에 나타냄)보다 더 명확하게 정의된 구조체를 나타낼 수 있다. 이러한 차이가 정량화될 수 있는 방식의 일 예시가 이미지들 아래에 나타낸 바와 같은 신호-대-잡음 비의 두 플롯들(2130, 2140)에 의해 도시된다. 두 플롯들에서, 신호-대-잡음 비의 피크들은 일반적으로 위의 이미지들(2110, 2120)에 나타나는 피처들의 에지들과 대응하는 것으로 보일 수 있다. 하지만, 두 플롯들을 비교하는 것은 원시 이미지(2120)에 대응하는 플롯(2140)이 증가된 잡음을 포함하는 반면, 평균 이미지(2110)에 대응하는 플롯(2130)이 감소된 잡음 레벨을 갖는다는 것을 나타낸다.
도 22는 일 실시예에 따른 프린트된 패턴의 "양호한" 및 "불량한" 평균 이미지들을 나타내는 다이어그램이다.
리소그래피 공정의 정확성을 특성화하는 것은 평균 이미지들을 분석하는 것을 포함할 수 있다. 예를 들어, 프린트된 패턴에서, 일부 구조적 특징들이 상이한 위치들에서 반복될 수 있다. 구조적 특징들은, 예를 들어 채널, 리지(ridge), 트로프(trough), 어시스트 피처, 분해능-이하 어시스트 피처, 에지 구성, 수직 경사 등을 포함할 수 있다. 앞서 도 21에 예시된 바와 같이, 프린트된 패턴의 원시 이미지들은 평균될 수 있고, 이에 의해 개별 이미지에 비해 일반적으로 개선된 이미지 품질을 가질 수 있다. 하지만, 이는 정확한 메트롤로지를 수행하기 위해 사용가능하거나 요구되는 평균 이미지를 생성하기에 충분하지 않을 수 있다. 예를 들어, 원시 이미지들이 오정렬되는 경우, 결과적인 평균 이미지는 프린트된 패턴의 실제 구조적 구성을 나타내지 않을 수 있다. 반대로, 평균화 이후에도 여전히 평균 이미지들이 사용가능한 평균 이미지로서 불충분한 것으로 평가되는 경우, 이는 프린트된 패턴 내의 결함들, 이미징 프로세스에서의 오차 등을 나타낼 수 있다.
"양호한" 및 "불량한" 평균 이미지들의 예시들이 도 22에 도시되어 있다. 도 22에 나타낸 바와 같이, 스캐닝 전자 현미경, 원자간력 현미경, 및 전자 빔 검사 시스템 중 적어도 하나를 포함할 수 있는 이미지 캡처 디바이스로 여하한 수의 원시 이미지들이 획득될 수 있다. 일단 원시 이미지들이 획득되면, 프린트된 패턴의 원시 이미지들을 평균함으로써 프린트된 패턴의 평균 이미지가 생성될 수 있다. 도 22의 예시에서, 평균 이미지(2220)는 개별적인 원시 이미지들(2210)보다 더 깨끗하고 더 높은 콘트라스트를 나타내며, 이에 따라 메트롤로지를 수행하기 위한 개선된 이미지를 제공할 수 있다. 예를 들어, 평균 이미지(2220)에 나타낸 피처들을 가로지르는 수평 라인은 커트라인(2230)을 나타낼 수 있다. 따라서, 임계 치수의 측정들이 커트라인(2230)을 따라 수행될 수 있다.
대조적으로, "불량한" 평균 이미지(2250)의 일 예시가 도 22의 하단에 도시되어 있다. 여기서, 예시적인 평균 이미지(2250)는 3 개의 원시 이미지들(2240)에 기초하여 생성되었으며, 이들 중 일부는 프린팅 결함들을 포함한다. 따라서, 불량한 평균 이미지(2250)는 프린팅에 결함이 없는 양호한 평균 이미지(2220)에 나타난 명확하고 신뢰할 수 있는 피처들을 포함하지 않는다.
이미지 획득 또는 분석 동안 오정렬과 같은 "불량한" 평균 이미지들을 유도할 수 있는 다른 오차 원인들이 존재할 수 있다. 평균 이미지 생성의 일부로서, 방법은 원시 이미지들을 정렬하고 정렬된 원시 이미지들로부터 평균 이미지를 생성하는 단계를 포함할 수 있다. 정렬 방법들은, 예를 들어 특히 도 4 및 도 5를 참조하여 본 명세서의 다른 곳에서 설명된 것들을 포함할 수 있다.
도 23은 일 실시예에 따른 이미지 품질 분류 모델의 예시적인 구현을 나타내는 프로세스 흐름도이다.
컴퓨터-기반 모델들은 객관적이고 정량적인 방식으로, 평균 이미지가 메트롤로지 또는 리소그래피 공정의 여하한의 다른 부분에 사용되도록 충분한 품질인지를 결정하는 데 사용될 수 있다. 단순화된 설명으로서, 모델은 입력으로서 평균 이미지를 수신할 수 있으며, 예를 들어 평균 이미지가 양호한지 불량한지를 결정하는 경우에 "참(true)" 또는 "거짓(false)"을 출력할 수 있다. 예를 들어, 프린트된 패턴의 이미지들을 평가하는 방법은 적어도 하나의 프로그램가능한 프로세서에 의해 구현될 수 있고 프린트된 패턴의 평균 이미지를 얻는 단계를 포함할 수 있으며, 여기서 평균 이미지는 프린트된 패턴의 원시 이미지들을 평균함으로써 생성될 수 있다. 또한, 상기 방법은 이미지 품질 분류 모델(본 명세서에서, "모델"이라고도 함)을 실행함으로써 평균 이미지의 1 이상의 피처들을 식별하고 평균 이미지를 평가하는 단계를 포함할 수 있다. 모델 평가는 적어도 평균 이미지의 피처들에 기초할 수 있으며, 평균 이미지가 메트릭을 만족시키는지 여부를 결정할 수 있다.
이미지 품질 분류 모델에 의해 평가되는 제 1 평균 이미지의 피처들은 에지, 어시스트 피처, 및 분해능-이하 어시스트 피처 중 적어도 하나를 포함할 수 있다. 또한, 메트릭은 신호-대-잡음 비, 콘트라스트, (예를 들어, 비용 함수에 의해 계산되는 바와 같은) 비용, 및 정렬 품질 중 적어도 1 이상에 기초할 수 있으며, 여기서 메트릭은 평균 이미지를 생성하기 위해 평균된 원시 이미지들에 대응한다. 예를 들어, 에지(피처)와 관련된 신호-대-잡음 비(메트릭)에 기초하여, 모델은 평균 이미지가 양호한지 여부(예를 들어, 참 또는 거짓)를 결정할 수 있다.
도 23에 나타낸 프로세스 흐름도는 평균 이미지들을 평가하거나, 개선된 평균 이미지를 생성하거나, 또는 리소그래피 또는 메트롤로지 시스템(예를 들어, SEM)의 또 다른 구성요소의 작동을 수정할 수 있는 작동 시퀀스의 일 예시를 제공한다.
2310에서, (예를 들어, 2120, 2210, 2240에 의해 예시된 바와 같은) 원시 이미지들이 프린트된 패턴으로부터 획득될 수 있다.
2320에서, 원시 이미지들의 선택이 평균 이미지를 생성하기 위해 사용될 수 있다. 선택은 원시 이미지들 중 일부 또는 전부로부터 이루어질 수 있다.
2330에서, 평균 이미지의 피처들(예를 들어, 어시스트 피처 등의 에지, 크기, 형상 등)이 식별되고 평균 이미지를 평가하는 데 사용하기 위해 모델에 입력될 수 있다.
2340에서, 모델은 평균 이미지가 양호한지 불량한지를 평가하기 위해, 입력으로서 원시 이미지들(및 연계된 피처들)과 적용될 수 있다.
2350에서, 상기 방법은 또한 원시 이미지들 중 적어도 하나에 대한 라벨을 생성하는 단계를 포함할 수 있다. 라벨은 제 1 평균 이미지가 메트릭을 만족시키는지 여부를 나타낼 수 있다. 또한, 상기 방법은 컴퓨터 메모리에서 원시 이미지들 중 적어도 하나와 라벨을 연계시키는 단계를 포함할 수 있다. 본 명세서에서 사용되는 바와 같이, "라벨"은 여하한의 숫자 또는 부울 값, 메타데이터, 데이터베이스 엔트리, 태깅 등을 포함할 수 있으며, 이는 원시 이미지에 직접 적용되어 이를 라벨링할 수 있거나, 또는 (예를 들어, 관계형 데이터베이스, 포인터 등의 사용을 통해) 일반적으로 특정 이미지와 연계될 수 있다. 예를 들어, 평균 이미지가 생성되고 모델에 의해 양호한 것으로 결정되는 경우, 평균 이미지를 생성하는 데 사용된 모든 원시 이미지들이 "양호"라고 라벨링될 수 있다. 도 22의 예시로 돌아가면, 양호한 평균 이미지를 생성한 3 개의 원시 이미지들은 "양호"라고 라벨링될 것이다. 반대로, 불량한 평균 이미지를 생성한 3 개의 원시 이미지들은 "불량"이라고 라벨링될 것이다. 이러한 방식으로, 많은 수의 원시 이미지들이 모델에 의해 분류되고, 신뢰할 수 있는 평균 이미지들을 생성하는 데 사용가능한 것으로 라벨링될 수 있다.
따라서, 일부 실시예들에서, 라벨은 (예를 들어, 아래에서 더 설명되는 바와 같은) 기계 학습 알고리즘의 출력에 기초할 수 있고, 평균 이미지가 메트릭을 만족시키는지 여부를 나타내는 스코어 또는 부울 값 중 적어도 하나일 수 있다. 모델에 의해 생성될 수 있는 스코어의 일 예시는 숫자 값일 수 있으며, 여기서 양의 값은 평균 이미지들이 양호함을 나타내고, 음의 값은 평균 이미지가 불량함을 나타내며, 0은 평균 이미지가 양호한지 불량한지를 모델이 결정할 수 없음을 나타낸다.
2360에서, 앞서 설명된 라벨링은 메트릭을 만족시켜 "양호한" 이미지인 제 2 평균 이미지를 생성하는 것을 포함할 수 있는 또 다른 실시예를 더 가능하게 할 수 있다. 여기서, 생성은 메트릭을 만족시키는 것으로 라벨링된 프린트된 패턴의 원시 이미지들의 제 2 그룹을 평균하는 것을 포함할 수 있다. 원시 이미지들의 제 2 그룹은 앞서 "양호"라고 라벨링되었기 때문에, 이 원시 이미지들의 평균도 양호할 것이다.
일부 실시예들에서, 이미지 품질 분류 모델은 기계 학습 알고리즘을 포함하거나 그 일부일 수 있다. 이러한 방식으로, 평균 이미지가 양호한지 불량한지의 결정은 기계 학습 알고리즘의 출력에 기초할 수 있다. 구현될 수 있는 기계 학습 알고리즘의 예시들은 뉴럴 네트워크 알고리즘, 최근접 이웃 알고리즘, 나이브 베이즈 알고리즘, 결정 트리 알고리즘, 선형 회귀 알고리즘, 및 서포트 벡터 머신 알고리즘과 같은 지도 학습 알고리즘을 포함할 수 있으며, 이에 제한되지는 않는다. 일부 실시예들에서, 모델은 메트릭을 만족시키지 않는 평균 이미지의 적어도 하나의 예시를 식별하는 데이터세트로 트레이닝될 수 있다.
다른 실시예들에서, 단독으로 또는 조합하여, 기계 학습 알고리즘은 k-평균 클러스터링 및 연관 규칙 알고리즘과 같은 비지도 학습 알고리즘을 포함할 수 있다.
일부 실시예들에서, 상기 방법은 예를 들어 2370에서 평균 이미지로부터 제 1 원시 이미지들 중 하나를 적어도 감산함으로써 원시 이미지들 중 하나에 대응하는 잔차 이미지를 생성하는 단계를 포함할 수 있다. 이러한 방식으로, 결정은 평균 이미지 및 잔차 이미지에 더 기초할 수 있다.
다른 실시예들에서, 2380에서, 본 명세서에 개시된 일부 방법들은 이미지 캡처 디바이스의 포커스 및 이미지 캡처 디바이스에 의해 획득된 원시 이미지들의 콘트라스트 중 적어도 하나를 개선하기 위해 이미지 캡처 디바이스의 작동 동안 능동적 피드백을 제공하는 단계를 포함할 수 있다. 예를 들어, 모델이 원시 이미지들을 분석하고 많은 또는 모든 원시 이미지들이 불량한 평균 이미지들을 유도한다고 결정하는 경우, 이 정보는 예를 들어 획득된 원시 이미지들이 어떠한 점에서 개선될 수 있도록 SEM의 작동을 수정하는 데 사용될 수 있다(예를 들어, 이미지 캡처 디바이스의 작동을 자동으로 개선함). 이러한 방식으로, 개시된 주제는 모델에 의한 분석을 위해 원시 이미지들의 최상의 가능한 세트를 제공하기 위해 원시 이미지들의 획득을 반복적으로 개량하는 데 사용될 수 있는 방법들을 제공한다.
도 24는 일 실시예에 따른, 평균 이미지들을 반복적으로 개선하는 예시적인 이미지 품질 분류 모델을 나타내는 프로세스 흐름도이다.
일부 실시예들에서, 평균 이미지들을 평가하고 원시 이미지들을 라벨링하는 대신에 또는 이에 추가하여, 일부 방법들은 이용가능한 원시 이미지들에 기초하여 최상의 가능한 평균 이미지를 제공할 수 있다. 이러한 한 가지 예시적인 구현이 도 24에 도시되어 있으며, 여기서 2410에서 (예를 들어, 본 명세서의 다른 곳에서 설명된 원시 이미지들의 획득과 유사하게) 원시 이미지들이 획득되고 전산 프로세스에 입력될 수 있다.
2420에서, 최대 반복 수에 도달했는지 여부를 결정하기 위해 검사가 수행될 수 있다. 최대 반복 수는 사용자 생성 입력에 기초하여 지정되거나, 컴퓨터 프로그램에 의해 자동으로 결정될 수 있다.
최대 반복 수에 도달하지 않은 경우, 모델(2430)은 (2432에서) 프린트된 패턴으로부터 획득되는 원시 이미지들의 한 가지 가능한 조합을 포함하는 구성을 생성할 수 있다. 예를 들어, 구성은 원시 이미지들이 획득된 프린트된 패턴의 위치들의 목록을 포함할 수 있다. 또 다른 실시예에서, 구성은 후보 평균 이미지를 생성하는 데 사용될 수 있는 이용가능한 원시 이미지들의 서브세트를 (예를 들어, 원시 이미지들의 특정 조합으로서) 포함할 수 있다.
콘트라스트(예를 들어, 후보 평균 이미지에서 콘트라스트를 정량화하는 값 또는 표현)가 계산될 수 있다. 이러한 방식으로, 후보 평균 이미지들이 모델로 서로 비교될 수 있거나, 또는 다른 실시예들에서, 모델은 모델의 출력에 영향을 미치는 입력으로서 콘트라스트를 사용할 수 있다.
유사하게, 다른 실시예들에서, 정렬 품질이 구성에 대해 계산될 수 있다. 이러한 실시예들에서, 정렬 품질은 후보 이미지를 구성하는 원시 이미지들이 (예를 들어, 본 명세서에 설명된 정렬 절차들 중 어느 하나에 의해) 정렬되는 정도를 나타낼 수 있다. 정렬 품질은 원시 이미지들의 대응하는 지점들 또는 측면들(예를 들어, 대응하는 EP 게이지, CD 등) 간의 좌표 차이, 표준 편차 등을 계산하는 것을 포함할 수 있다. 다른 실시예들에서, 정렬 품질은 예를 들어 원시 이미지들의 고도로 상관된 세트가 높은 정렬 품질을 갖는다는 것을 나타내는 원시 이미지들 사이의 상관 계수를 계산하는 것을 포함할 수 있다.
2434에서, 모델(2430)은 예를 들어 콘트라스트 또는 정렬 품질 중 1 이상에 적어도 부분적으로 기초하여 평균 이미지들이 양호한지 불량한지를 결정할 수 있다. 평균 이미지가 불량한 경우, 프로세스는 최대 반복 수에 도달하지 않았다면 또 다른 반복(새로운 구성 및 후보 평균 이미지의 결정)을 계속할 수 있다.
2440에서, 후보 평균 이미지가 모델(2430)에 의해 "양호한" 것으로 평가된 경우, 프로세스는 후보 평균 이미지가 현재 평균 이미지(현재 최상의 가능한 평균 이미지인 것으로 이해됨)보다 나은지 여부를 결정할 수 있다. 일부 실시예들에서, 모델의 출력이 스코어인 경우, 스코어(예를 들어, 앞서 설명된 바와 같은 더 높은 양의 스코어)는 후보 평균 이미지가 더 나은 것으로 결정하는 데 사용될 수 있다. 다른 실시예들에서, 결정은 (전체 후보 이미지로부터, 또는 후보 이미지의 특정 부분들로부터일 수 있는) 후보 이미지의 신호-대-잡음 비를 계산하고 이를 현재 평균 이미지와 비교하는 것에 기초할 수 있다. 후보 평균 이미지가 현재 평균 이미지보다 우수하지 않은 경우, 후보 평균 이미지는 사용되지 않을 것이고 또 다른 반복이 발생할 수 있다.
2450에서, 후보 평균 이미지가 현재 평균 이미지보다 나은 경우, 현재 평균 이미지는 후보 평균 이미지로 대체될 수 있다.
2460에서, 일단 최대 반복 수에 도달하면, 현재 확립된 최상의 평균 이미지가 존재하는지 여부를 결정하기 위해 검사가 수행될 수 있다.
2470에서, 확립된 최상의 평균 이미지가 존재하지 않는 경우, 목록은 현재 구성에서 원시 이미지들을 식별하고 구성을 평균 이미지(저장될 수도 있음)와 연관시키는 컴퓨터 메모리에 저장될 수 있다. 예를 들어, 목록은 어레이, 포인터 세트, 데이터베이스 엔트리, 데이터 파일 등일 수 있다.
2480에서, 이미 확립된 최상의 평균 이미지가 존재하지만 최상의 평균 이미지보다 (예를 들어, 2420 내지 2450에서 결정된 바와 같은) 업데이트된 최상의 평균 이미지가 나은 경우, 업데이트된 최상의 평균 이미지가 컴퓨터 메모리에 저장되고, 대응하는 목록도 저장될 수 있다.
2490에서, 업데이트된 최상의 평균 이미지와 연계된 원시 이미지들은 본 명세서에 설명된 바와 같이 라벨링될 수 있다.
본 실시예들은 다음 항목들을 이용하여 더 설명될 수 있다:
1. 패터닝 공정을 위한 공정 모델을 개선하는 방법으로서,
a) 이미지 캡처 디바이스로부터의 측정된 윤곽, 및 b) 공정 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽을 얻는 단계;
측정된 윤곽과 시뮬레이션된 윤곽 사이의 오프셋을 결정함으로써 시뮬레이션된 윤곽과 측정된 윤곽을 정렬하는 단계; 및
시뮬레이션된 윤곽과 측정된 윤곽 사이의 차이 -결정된 오프셋에 기초하여 연산됨- 를 감소시키도록 공정 모델을 캘리브레이션하는 단계를 포함하는 방법.
2. 1 항에 있어서, 오프셋은 측정된 윤곽의 일부분을 실질적으로 정의하는 측정 좌표에 기초하여 더 결정되는 방법.
3. 2 항에 있어서, 오프셋은 측정 좌표와 시뮬레이션된 윤곽 사이의 거리에 기초하여 더 결정되고, 거리는 측정 좌표에서 측정된 윤곽에 수직인 방향으로 있는 방법.
4. 3 항에 있어서, 정렬은 거리에 기초하여 계산되는 비용 함수를 감소시키는 단계를 더 포함하는 방법.
5. 1 항 내지 4 항 중 어느 하나에 있어서, 측정된 윤곽에 에지 배치(EP) 좌표를 생성하는 단계를 더 포함하고, 오프셋은 EP 좌표에 기초하여 더 결정되는 방법.
6. 5 항에 있어서, EP 좌표는 2 이상의 측정 좌표들 사이에서 보간함으로써 생성되는 방법.
7. 6 항에 있어서, EP 좌표는 2 이상의 측정 좌표들로부터 외삽함으로써 생성되는 방법.
8. 1 항 내지 7 항 중 어느 하나에 있어서, 캘리브레이션은 차이를 감소시키도록 공정 모델의 특징을 수정하는 단계를 더 포함하고, 수정은 시뮬레이션된 윤곽의 형상에 대한 변화를 야기하는 방법.
9. 1 항 내지 8 항 중 어느 하나에 있어서, 측정된 윤곽은 측정된 이미지에서 픽셀들의 세기 변화에 기초하여 식별되는 방법.
10. 9 항에 있어서, 식별은 그레이스케일 임계치를 초과하는 변화에 기초하는 방법.
11. 1 항 내지 10 항 중 어느 하나에 있어서,
그래픽 데이터베이스 시스템(Graphic Database Systems: GDS) 다각형들로부터 시뮬레이션된 윤곽을 얻는 단계; 및
측정된 윤곽을 포함하는 에지 배치 좌표 또는 측정 좌표를 GDS 좌표로 변환하는 단계를 더 포함하는 방법.
12. 11 항에 있어서, GDS 다각형들은 GDS 스트림 포맷(GDSII) 및 OASIS(Open Artwork System Interchange Standard)로부터 선택되는 1 이상의 포맷으로 이루어질 수 있는 방법.
13. 패터닝 공정을 위한 광 근접 보정(OPC) 모델을 개선하는 방법으로서,
a) 이미지 캡처 디바이스로부터의 측정된 윤곽, 및 b) OPC 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽을 얻는 단계;
측정된 윤곽과 시뮬레이션된 윤곽 사이의 오프셋을 결정함으로써 시뮬레이션된 윤곽과 측정된 윤곽을 정렬하는 단계; 및
시뮬레이션된 윤곽과 측정된 윤곽 사이의 차이 -결정된 오프셋에 기초하여 연산됨- 를 감소시키도록 OPC 모델의 특징들을 수정하는 단계를 포함하는 방법.
14. 13 항에 있어서, 특징들은 확산 속도, 확산 범위, 탈보호 비율, 및 산/염기 농도 중 1 이상을 포함하는 방법.
15. 13 항 또는 14 항에 있어서, OPC 모델의 시뮬레이션에 기초하여 시뮬레이션된 윤곽을 얻는 단계를 더 포함하고, OPC 모델은 광학 모델을 포함하고 레지스트 모델을 포함하지 않는 예비 모델인 방법.
16. 13 항 내지 15 항 중 어느 하나에 있어서,
광학 모델 및 레지스트 모델을 포함하는 예비 모델로 초기 시뮬레이션된 윤곽을 얻는 단계; 및
초기 시뮬레이션된 윤곽과 측정된 윤곽 사이의 차이를 감소시키도록 레지스트 모델의 특징들을 수정하는 단계를 더 포함하는 방법.
17. 패터닝 공정을 위한 공정 모델을 개선하는 방법으로서,
a) 이미지 캡처 디바이스로부터의 복수의 측정된 이미지들, 및 b) 공정 모델의 시뮬레이션으로부터 생성되는 시뮬레이션된 윤곽을 얻는 단계;
복수의 측정된 이미지들을 정렬하는 단계;
정렬된 복수의 측정된 이미지들로부터 조합된 측정된 이미지를 생성하는 단계;
이미지 분석 방법에 의해 조합된 측정된 이미지로부터 측정된 윤곽을 추출하는 단계;
측정된 윤곽과 시뮬레이션된 윤곽 사이의 오프셋을 결정함으로써 시뮬레이션된 윤곽과 측정된 윤곽을 정렬하는 단계; 및
시뮬레이션된 윤곽과 측정된 윤곽 사이의 차이 -결정된 오프셋에 기초하여 연산됨- 를 감소시키도록 공정 모델을 캘리브레이션하는 단계를 포함하는 방법.
18. 17 항에 있어서, 조합된 이미지는 정렬된 복수의 측정된 이미지들을 평균함으로써 생성되는 방법.
19. 17 항 또는 18 항에 있어서, 복수의 측정된 이미지들은 타겟 패턴으로부터 제조되는 적어도 2 개의 상이한 다이들로부터의 프린트된 패턴들로부터 얻어지는 방법.
20. 17 항 내지 19 항 중 어느 하나에 있어서, 조합된 이미지를 생성하는 복수의 측정된 이미지들 각각은 상이한 다이를 스캐닝함으로써 획득되는 방법.
21. 17 항 내지 20 항 중 어느 하나에 있어서, 이미지 캡처 디바이스는 스캐닝 전자 현미경인 방법.
22. 21 항에 있어서, 복수의 측정된 이미지들을 얻는 단계는 복수의 각도들에서 프린트된 패턴에 걸쳐 전자 빔을 스캐닝함으로써 수행되는 방법.
23. 22 항에 있어서, 복수의 각도들은 대략 +45 도 및 -45 도를 포함하는 방법.
24. 22 항 또는 23 항에 있어서, 복수의 측정된 이미지들의 절반은 약 +45 도에서 스캐닝되고, 복수의 측정된 이미지들의 또 다른 절반은 약 -45 도에서 스캐닝되는 방법.
25. 21 항 내지 24 항 중 어느 하나에 있어서, 얻는 단계는 임계 치수를 분해하기에 충분한 스캔을 얻기 위해 필요한 용량 미만으로 작동하는 스캐닝 전자 현미경으로 수행되는 방법.
26. 17 항 내지 25 항 중 어느 하나에 있어서, 이미지 캡처 디바이스는 전자 빔 검사 시스템인 방법.
27. 26 항에 있어서, 전자 빔 검사 시스템은 넓은 시야를 갖고, 복수의 측정된 이미지들은 넓은 시야 내에서 적어도 부분적으로 얻어지는 방법.
28. 27 항에 있어서, 넓은 시야는 측면에서 약 1 내지 50 미크론인 방법.
29. 27 항 또는 28 항에 있어서, 넓은 시야는 측면에서 약 6 내지 12 미크론인 방법.
30. 26 항 내지 29 항 중 어느 하나에 있어서, 전자 빔 검사 시스템으로 프린트된 패턴에서 핫스폿들 또는 약한-지점들을 검출하는 단계를 더 포함하는 방법.
31. 17 항 내지 30 항 중 어느 하나에 있어서,
이미지 캡처 디바이스로부터 캡처되는 복수의 측정된 이미지들에서 공통 영역을 결정하는 단계; 및
공통 영역에 기초하여 조합된 측정된 이미지를 생성하는 단계를 더 포함하는 방법.
32. 프린트된 패턴의 이미지들을 평가하는 방법으로서,
상기 방법은 적어도 하나의 프로그램가능한 프로세서에 의해 구현되고:
프린트된 패턴의 제 1 평균 이미지를 얻는 단계 -제 1 평균 이미지는 프린트된 패턴의 제 1 복수의 원시 이미지들을 평균함으로써 생성됨- ;
제 1 평균 이미지의 1 이상의 피처를 식별하는 단계; 및
이미지 품질 분류 모델을 실행하는 적어도 하나의 프로그램가능한 프로세서에 의해, 및 적어도 1 이상의 피처에 기초하여 제 1 평균 이미지를 평가하는 단계를 포함하며, 평가하는 단계는:
*
이미지 품질 분류 모델에 의해, 제 1 평균 이미지가 메트릭을 만족시키는지 여부를 결정하는 단계를 포함하는 방법.
33. 32 항에 있어서, 제 1 평균 이미지는 적어도 복수의 원시 이미지들을 정렬하고 정렬된 복수의 원시 이미지들로부터 제 1 평균 이미지를 생성함으로써 생성되는 방법.
34. 32 항에 있어서,
제 1 평균 이미지가 메트릭을 만족시키는지 여부를 나타내는 복수의 원시 이미지들 중 적어도 하나에 대한 라벨을 생성하는 단계; 및
컴퓨터 메모리에서, 복수의 원시 이미지들 중 적어도 하나와 라벨을 연계시키는 단계를 더 포함하는 방법.
35. 34 항에 있어서,
제 2 평균 이미지를 생성하는 단계를 더 포함하고, 생성하는 단계는:
메트릭을 만족시키는 것으로 라벨링된 프린트된 패턴의 제 2 복수의 원시 이미지들을 평균하는 단계를 포함하며, 제 2 평균 이미지는 메트릭을 만족시키는 방법.
36. 32 항에 있어서, 메트릭을 만족시키지 않는 제 1 평균 이미지의 적어도 하나의 예시를 식별하는 데이터세트로 이미지 품질 분류 모델을 트레이닝하는 단계를 더 포함하는 방법.
37. 32 항에 있어서,
제 1 평균 이미지로부터 제 1 복수의 원시 이미지들 중 하나를 적어도 감산함으로써 제 1 복수의 원시 이미지들 중 하나에 대응하는 잔차 이미지를 생성하는 단계를 더 포함하고,
결정하는 단계는 제 1 평균 이미지 및 잔차 이미지에 더 기초하는 방법.
38. 32 항에 있어서, 이미지 품질 분류 모델에 의해 평가되는 제 1 평균 이미지의 1 이상의 피처는 에지, 어시스트 피처, 및 분해능-이하 어시스트 피처 중 적어도 하나를 포함하는 방법.
39. 32 항에 있어서, 메트릭은 신호-대-잡음 비, 콘트라스트, 및 정렬 품질 중 적어도 1 이상에 기초하고, 메트릭은 평균 이미지를 생성하기 위해 평균된 제 1 복수의 원시 이미지들에 대응하는 방법.
40. 34 항에 있어서, 이미지 품질 분류 모델은 기계 학습 알고리즘을 더 포함하고, 결정하는 단계는 기계 학습 알고리즘의 출력에 기초하는 방법.
41. 34 항에 있어서, 라벨은 기계 학습 알고리즘의 출력에 기초하고, 제 1 평균 이미지가 메트릭을 만족시키는지 여부를 나타내는 스코어 또는 부울 값 중 적어도 하나인 방법.
42. 34 항에 있어서, 기계 학습 알고리즘은 뉴럴 네트워크 알고리즘, 최근접 이웃 알고리즘, 나이브 베이즈 알고리즘, 결정 트리 알고리즘, 선형 회귀 알고리즘, 및 서포트 벡터 머신 알고리즘 중 적어도 하나를 포함하는 방법.
43. 34 항에 있어서, 기계 학습 알고리즘은 k-평균 클러스터링 및 연관 규칙 알고리즘 중 적어도 하나를 포함하는 방법.
44. 32 항에 있어서, 제 1 복수의 원시 이미지들 또는 제 2 복수의 원시 이미지들은 스캐닝 전자 현미경, 원자간력 현미경, 및 전자 빔 검사 시스템 중 적어도 하나를 포함하는 이미지 캡처 디바이스로 획득되는 방법.
45. 44 항에 있어서, 이미지 캡처 디바이스의 포커스 및 이미지 캡처 디바이스에 의해 획득되는 원시 이미지들의 콘트라스트 중 적어도 하나를 개선하기 위해 이미지 캡처 디바이스의 작동 동안 능동적 피드백을 제공하는 단계를 더 포함하는 방법.
46. 명령어들이 기록되어 있는 비-일시적 컴퓨터 판독가능한 매체를 포함한 컴퓨터 프로그램 제품으로서,
명령어들은 컴퓨터에 의해 실행될 때, 앞선 항들 중 어느 하나의 방법을 구현하는 컴퓨터 프로그램 제품.
Claims (14)
- 프린트된 패턴의 이미지들을 평가하는 방법으로서,
상기 방법은 적어도 하나의 프로그램가능한 프로세서에 의해 구현되고:
상기 프린트된 패턴의 제 1 평균 이미지를 얻는 단계 -상기 제 1 평균 이미지는 상기 프린트된 패턴의 제 1 복수의 원시 이미지(raw image)들을 중첩시켜 평균함으로써 생성됨- ;
상기 제 1 평균 이미지의 1 이상의 피처(feature)를 식별하는 단계; 및
이미지 품질 분류 모델을 실행하는 상기 적어도 하나의 프로그램가능한 프로세서에 의해, 및 적어도 상기 1 이상의 피처에 기초하여 상기 제 1 평균 이미지를 평가하는 단계를 포함하며, 상기 이미지 품질 분류 모델은 기계 학습 알고리즘을 포함하고, 상기 평가하는 단계는:
상기 이미지 품질 분류 모델에 의해, 상기 제 1 평균 이미지가 메트릭(metric)을 만족시키는지 여부를 결정하는 단계;
상기 제 1 평균 이미지가 상기 메트릭을 만족시키는지 여부를 나타내는 상기 복수의 원시 이미지들 중 적어도 하나에 대한 라벨(label)을 생성하는 단계; 및
컴퓨터 메모리에서, 상기 복수의 원시 이미지들 중 적어도 하나와 상기 라벨을 연계시키는 단계를 포함하는 방법. - 제 1 항에 있어서,
상기 제 1 평균 이미지는 적어도 상기 복수의 원시 이미지들을 정렬하고 정렬된 복수의 원시 이미지들로부터 상기 제 1 평균 이미지를 생성함으로써 생성되는 방법. - 제 1 항에 있어서,
제 2 평균 이미지를 생성하는 단계를 더 포함하고, 상기 생성하는 단계는:
상기 메트릭을 만족시키는 것으로 라벨링된 상기 프린트된 패턴의 제 2 복수의 원시 이미지들을 평균하는 단계를 포함하며, 상기 제 2 평균 이미지는 상기 메트릭을 만족시키는 방법. - 제 1 항에 있어서,
상기 메트릭을 만족시키지 않는 상기 제 1 평균 이미지의 적어도 하나의 예시를 식별하는 데이터세트로 상기 이미지 품질 분류 모델을 트레이닝(train)하는 단계를 더 포함하는 방법. - 제 1 항에 있어서,
상기 제 1 평균 이미지로부터 상기 제 1 복수의 원시 이미지들 중 하나를 적어도 감산함으로써 상기 제 1 복수의 원시 이미지들 중 하나에 대응하는 잔차 이미지(residual image)를 생성하는 단계를 더 포함하고,
상기 결정하는 단계는 상기 제 1 평균 이미지 및 상기 잔차 이미지에 더 기초하는 방법. - 제 1 항에 있어서,
상기 이미지 품질 분류 모델에 의해 평가되는 상기 제 1 평균 이미지의 1 이상의 피처는 에지, 어시스트 피처, 및 분해능-이하 어시스트 피처(sub-resolution assist feature) 중 적어도 하나를 포함하는 방법. - 제 1 항에 있어서,
상기 메트릭은 신호-대-잡음 비, 콘트라스트, 및 정렬 품질 중 적어도 1 이상에 기초하고, 상기 메트릭은 상기 평균 이미지를 생성하기 위해 평균된 상기 제 1 복수의 원시 이미지들에 대응하는 방법. - 제 1항에 있어서,
상기 결정하는 단계는 상기 기계 학습 알고리즘의 출력에 기초하는 방법. - 제 1 항에 있어서,
상기 라벨은 기계 학습 알고리즘의 출력에 기초하고, 상기 제 1 평균 이미지가 상기 메트릭을 만족시키는지 여부를 나타내는 스코어 또는 부울 값(Boolean value) 중 적어도 하나인 방법. - 제 1 항에 있어서,
기계 학습 알고리즘은 뉴럴 네트워크 알고리즘, 최근접 이웃 알고리즘, 나이브 베이즈 알고리즘, 결정 트리 알고리즘, 선형 회귀 알고리즘, 및 서포트 벡터 머신 알고리즘 중 적어도 하나를 포함하는 방법. - 제 1 항에 있어서,
기계 학습 알고리즘은 k-평균 클러스터링 및 연관 규칙 알고리즘 중 적어도 하나를 포함하는 방법. - 제 1 항에 있어서,
상기 제 1 복수의 원시 이미지들 또는 제 2 복수의 원시 이미지들은 스캐닝 전자 현미경, 원자간력 현미경, 및 전자 빔 검사 시스템 중 적어도 하나를 포함하는 이미지 캡처 디바이스로 획득되는 방법. - 제 12 항에 있어서,
상기 이미지 캡처 디바이스의 포커스 및 상기 이미지 캡처 디바이스에 의해 획득된 원시 이미지들의 콘트라스트 중 적어도 하나를 개선하기 위해 상기 이미지 캡처 디바이스의 작동 동안 능동적 피드백(active feedback)을 제공하는 단계를 더 포함하는 방법. - 비-일시적(non-transitory) 컴퓨터 판독가능한 매체에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때, 제 1 항 내지 제 13 항 중 어느 한 항의 방법을 구현하는 컴퓨터 프로그램.
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862764664P | 2018-08-15 | 2018-08-15 | |
| US62/764,664 | 2018-08-15 | ||
| PCT/EP2019/070142 WO2020035285A1 (en) | 2018-08-15 | 2019-07-26 | Utilize machine learning in selecting high quality averaged sem images from raw images automatically |
| KR1020217004438A KR20210033496A (ko) | 2018-08-15 | 2019-07-26 | 원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217004438A Division KR20210033496A (ko) | 2018-08-15 | 2019-07-26 | 원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240005965A true KR20240005965A (ko) | 2024-01-12 |
Family
ID=67544190
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217004438A KR20210033496A (ko) | 2018-08-15 | 2019-07-26 | 원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 |
| KR1020237043379A KR20240005965A (ko) | 2018-08-15 | 2019-07-26 | 원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217004438A KR20210033496A (ko) | 2018-08-15 | 2019-07-26 | 원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20220351359A1 (ko) |
| KR (2) | KR20210033496A (ko) |
| CN (1) | CN112602020A (ko) |
| TW (2) | TWI782317B (ko) |
| WO (1) | WO2020035285A1 (ko) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7162734B2 (ja) * | 2019-04-18 | 2022-10-28 | 株式会社日立ハイテク | 荷電粒子線装置 |
| JP7482662B2 (ja) * | 2020-03-25 | 2024-05-14 | 東京エレクトロン株式会社 | 異常検出装置及び異常検出方法 |
| KR20230051509A (ko) * | 2020-08-19 | 2023-04-18 | 에이에스엠엘 네델란즈 비.브이. | 원시 이미지들로부터 고품질 이미지들을 자동으로 선택하는 장치 및 방법 |
| US20220130031A1 (en) * | 2020-10-26 | 2022-04-28 | University Of Florida Research Foundation, Incorporated | Knowledge-based object localization in images for hardware assurance |
| KR20220087709A (ko) | 2020-12-18 | 2022-06-27 | 삼성전자주식회사 | 검사 방법 및 시스템, 및 이를 이용한 반도체 소자의 제조 방법 |
| TWI755213B (zh) * | 2020-12-22 | 2022-02-11 | 鴻海精密工業股份有限公司 | 瑕疵檢測方法、裝置、電腦裝置及儲存介質 |
| JP2022159639A (ja) * | 2021-04-05 | 2022-10-18 | キヤノン株式会社 | 画像処理装置および画像処理方法、プログラム |
| TWI833241B (zh) * | 2021-06-18 | 2024-02-21 | 荷蘭商Ａｓｍｌ荷蘭公司 | 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體 |
| US20220414855A1 (en) * | 2021-06-25 | 2022-12-29 | Fei Company | Area selection in charged particle microscope imaging |
| EP4113210A1 (en) * | 2021-07-01 | 2023-01-04 | ASML Netherlands B.V. | A method of monitoring a measurement recipe and associated metrology methods and apparatuses |
| JP2023050857A (ja) * | 2021-09-30 | 2023-04-11 | オムロン株式会社 | 画像検査方法、及び画像検査装置 |
| US20230351553A1 (en) * | 2022-03-31 | 2023-11-02 | Kla Corporation | Shot noise reduction using frame averaging |
| US11921052B2 (en) | 2022-03-31 | 2024-03-05 | Kla Corporation | Inspection with previous step subtraction |
| US11922619B2 (en) | 2022-03-31 | 2024-03-05 | Kla Corporation | Context-based defect inspection |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
| WO1997033205A1 (en) | 1996-03-06 | 1997-09-12 | Philips Electronics N.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
| JP4351522B2 (ja) * | 2003-11-28 | 2009-10-28 | 株式会社日立ハイテクノロジーズ | パターン欠陥検査装置およびパターン欠陥検査方法 |
| US7747978B2 (en) | 2005-08-08 | 2010-06-29 | Asml Netherlands B.V. | System and method for creating a focus-exposure model of a lithography process |
| US7695876B2 (en) | 2005-08-31 | 2010-04-13 | Brion Technologies, Inc. | Method for identifying and using process window signature patterns for lithography process control |
| CN102662309B (zh) | 2005-09-09 | 2014-10-01 | Asml荷兰有限公司 | 采用独立掩模误差模型的掩模验证系统和方法 |
| US7694267B1 (en) | 2006-02-03 | 2010-04-06 | Brion Technologies, Inc. | Method for process window optimized optical proximity correction |
| US7882480B2 (en) | 2007-06-04 | 2011-02-01 | Asml Netherlands B.V. | System and method for model-based sub-resolution assist feature generation |
| US7707538B2 (en) | 2007-06-15 | 2010-04-27 | Brion Technologies, Inc. | Multivariable solver for optical proximity correction |
| US20090157630A1 (en) | 2007-10-26 | 2009-06-18 | Max Yuan | Method of extracting data and recommending and generating visual displays |
| NL2003699A (en) | 2008-12-18 | 2010-06-21 | Brion Tech Inc | Method and system for lithography process-window-maximixing optical proximity correction. |
| JP5865707B2 (ja) * | 2012-01-06 | 2016-02-17 | 株式会社キーエンス | 外観検査装置、外観検査方法及びコンピュータプログラム |
| US10754256B2 (en) * | 2015-10-08 | 2020-08-25 | Asml Netherlands B.V. | Method and apparatus for pattern correction and verification |
| CN118011743A (zh) * | 2018-06-04 | 2024-05-10 | Asml荷兰有限公司 | 利用模型基础对准来改善边缘放置量测准确度 |
| EP3594750A1 (en) * | 2018-07-10 | 2020-01-15 | ASML Netherlands B.V. | Hidden defect detection and epe estimation based on the extracted 3d information from e-beam images |
| KR102692897B1 (ko) * | 2019-02-25 | 2024-08-08 | 에이에스엠엘 네델란즈 비.브이. | 프린트된 패턴들의 확률적 변동을 결정하는 방법 |
| WO2021083608A1 (en) * | 2019-11-01 | 2021-05-06 | Asml Netherlands B.V. | Machine learning based image generation for model base alignments |
-
2019
- 2019-07-26 WO PCT/EP2019/070142 patent/WO2020035285A1/en active Application Filing
- 2019-07-26 CN CN201980053456.5A patent/CN112602020A/zh active Pending
- 2019-07-26 US US17/268,128 patent/US20220351359A1/en active Pending
- 2019-07-26 KR KR1020217004438A patent/KR20210033496A/ko not_active IP Right Cessation
- 2019-07-26 KR KR1020237043379A patent/KR20240005965A/ko active Application Filing
- 2019-08-13 TW TW109129049A patent/TWI782317B/zh active
- 2019-08-13 TW TW108128702A patent/TWI705312B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112602020A (zh) | 2021-04-02 |
| TWI705312B (zh) | 2020-09-21 |
| TWI782317B (zh) | 2022-11-01 |
| US20220351359A1 (en) | 2022-11-03 |
| TW202117459A (zh) | 2021-05-01 |
| WO2020035285A1 (en) | 2020-02-20 |
| TW202018431A (zh) | 2020-05-16 |
| KR20210033496A (ko) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI705312B (zh) | 用於評估一印刷圖案之影像之方法及相關聯電腦程式產品 | |
| KR102585069B1 (ko) | 패터닝 공정을 위한 공정 모델을 개선하는 방법 | |
| US20230013919A1 (en) | Machine learning based inverse optical proximity correction and process model calibration | |
| WO2021037484A1 (en) | Semiconductor device geometry method and system | |
| TWI823028B (zh) | 用於基於機器學習的影像產生以用於模型為基礎對準之電腦可讀媒體 | |
| TWI718771B (zh) | 用於減小與晶圓上之結構相關聯的誤差之可變性的方法、電腦程式產品、及系統 | |
| US20230107556A1 (en) | Machine learning based subresolution assist feature placement | |
| TW202006346A (zh) | 基於自電子束影像擷取的3d資訊的隱藏缺陷偵測和epe估計 | |
| US20230298158A1 (en) | Apparatus and method for selecting high quality images from raw images automatically | |
| US20210263426A1 (en) | Utilize pattern recognition to improve sem contour measurement accuracy and stability automatically | |
| KR102642972B1 (ko) | 모델 캘리브레이션을 위한 게이지 선택의 향상 | |
| WO2022263104A1 (en) | Inspection data filtering systems and methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent |