KR20240011634A

KR20240011634A - 딥 러닝을 이용한 x선 산란계측 데이터의 분석

Info

Publication number: KR20240011634A
Application number: KR1020230091789A
Authority: KR
Inventors: 안드레이 바라노프스키; 인바르 그린베르크; 마이클 지. 그리니; 매튜 워밍턴
Original assignee: 브루커 테크놀로지스 리미티드
Priority date: 2022-07-19
Filing date: 2023-07-14
Publication date: 2024-01-26
Also published as: US20240027374A1; JP2024013219A; IL303689A

Abstract

신경망(NN) 훈련 방법으로서, 상기 방법은: 훈련 데이터 세트를 수신하는 단계로서, (a) (i) 샘플에 대해 일정한 각도로 입사 X선 빔을 지향시키는 것에 응답하여 상기 샘플에 형성된 구조로부터 회절된 X선 광자를 나타내는 회절 이미지, 및 (ii) 라벨로서, 상기 구조의 적어도 제1 속성을 나타내는 제1 파라미터, 및 상기 X선 빔의 적어도 제2 속성을 나타내는 제2 파라미터를 포함하는 상기 라벨,의 다중 쌍, 및 (b) 상기 다중 쌍에 대해 각각 다수의 미리 정의된 출력,을 포함하는 훈련 데이터 세트를 수신하는 단계를 포함한다. 상기 NN은: (i) 상기 NN을 상기 쌍 중 적어도 주어진 쌍에 적용하고, 및 (ii) 상기 NN으로부터 상기 주어진 쌍의 추정 출력을 수신하는 것에 응답하여, 상기 NN에 상기 주어진 쌍에 대응하는 상기 미리 정의된 출력 중 미리 정의된 출력을 제공하는 것, 에 의해 상기 미리 정의된 출력을 얻도록 훈련된다.

Description

딥 러닝을 이용한 X선 산란계측 데이터의 분석{ANALYSIS OF XRAY SCATTEROMETRY DATA USING DEEP LEARNING}

(관련 출원에 대한 상호 참조)

본 출원은 2022년 7월 19일에 출원된 미국 가특허 출원 63/390,328 및 2023년 2월 1일에 출원된 미국 가특허 출원 63/482,599의 효익을 주장한다. 두 관련 출원의 개시 내용은 여기에 참조로 포함된다.

(발명의 분야)

본 발명은 일반적으로 X선 분석에 관한 것으로, 특히 딥 러닝 기술을 사용하여 X선 산란계측 데이터를 분석하는 방법 및 시스템에 관한 것이다.

반도체 및 기타 기판 상에 형성된 구조의 임계 치수(CD)를 측정하기 위한 다양한 기술이 당업계에 공지되어 있다. 그러한 기술은 신경망을 이용하는 산란계측 및 데이터 분석을 포함할 수 있다.

예를 들어, 미국 특허 출원 공개번호 2019/0049602는 온 디바이스 구조의 X선 산란계측 측정을 위한 방법 및 시스템을 기술한다. 측정 영역 위의 측정 구조는 하나 이상의 구조를 복수의 하위 구조로 분해하는 것, 및 측정 영역을 복수의 하위 영역으로 분해하는 것, 또는 둘 다를 포함한다. 분해된 구조, 측정 영역 또는 둘 다 독립적으로 시뮬레이션된다. 독립적으로 시뮬레이션된 각각의 분해된 구조의 산란 기여도는 측정 영역 내에서 측정된 구조의 실제 산란을 시뮬레이션하기 위해 조합된다. 추가 양태에서, 하나 이상의 부수적 구조를 포함하는 측정된 강도 및 모델링된 강도가 관심 구조의 측정을 수행하기 위해 사용된다. 다른 추가적인 양태에서, 측정 모델을 훈련시키고 특정 측정 애플리케이션을 위한 측정 레시피를 최적화하기 위해 측정 분해(measurement decomposition)가 사용된다.

미국 특허출원 공개 제2020/0333267호에는 두께 방향으로 긴 주상(columnar) 산란체의 경사각을 용이하게 판정할 수 있는 미세 구조 판정 방법이 기재되어 있으며, 이를 위한 분석 장치 및 분석 프로그램이 제공된다. 두께 방향으로 길고 주기적으로 배열된 주상 산란체가 형성된 판상 샘플의 미세 구조를 위한 분석 방법으로서, X선의 투과에 의해 생성된 상기 판상 샘플로부터 산란 강도 데이터를 준비하는 단계, 및 준비된 산란 강도 데이터에 기초하여 판상 샘플의 표면이 X선 입사 방향과 수직인 기준 회전 위치에 대해 판상 샘플의 산란체의 경사각을 판정하는 단계를 포함하는 분석 방법이 제공된다.

미국 특허 출원 공개 2022/0252395는 X선 산란계측 측정에 기초하여 높은 종횡비 반도체 구조의 면내 왜곡된 형상을 특징짓는 기하학적 파라미터의 값을 추정하기 위한 방법 및 시스템을 기술한다. 파라미터화된 기하학적 모델은 구멍 모양에서 면내, 비타원형 왜곡의 산란 특징을 캡처한다. 구멍 구조의 면내 형상을 설명하는 데 사용되는 독립 파라미터의 수를 늘림으로써, 높은 종횡비 구조의 실제 형상에 맞는 모델이 개선된다. 일 양태에서, 기하학적으로 파라미터화된 측정 모델은 측정된 구조의 면내 형상을 특성화하기 위해 2개 이상의 자유도를 포함한다. 일부 실시예에서, 기하학적 모델은 3자유도 이상의 폐곡선을 포함한다. 일부 실시예에서, 기하학적 모델은 2개 이상의 원뿔 섹션의 조각별(piecewise) 어셈블리를 포함한다. 독립적인 기하학적 모델 파라미터는 구조를 통해 모양 변화를 포착하기 위해 깊이의 함수로 표현된다.

미국 특허 출원 공개 2014/0316730은 장치 구조에 대해 직접 반도체 계측을 수행하기 위한 방법 및 시스템을 설명한다. 적어도 하나의 장치 구조에서 수집된 측정된 훈련 데이터를 기반으로 측정 모델이 생성된다. 훈련된 측정 모델은 다른 웨이퍼의 장치 구조로부터 수집된 측정 데이터에서 직접 프로세스 파라미터 값, 구조 파라미터 값 또는 둘 모두를 계산하는 데 사용된다. 일부 예에서 모델 구축, 훈련 및 측정을 위해 다수 대상으로부터의 측정 데이터가 수집된다. 일부 예에서, 다수 대상과 관련된 측정 데이터를 사용하면 측정 결과에서 하층(under layers)의 영향을 제거하거나 현저하게 줄이고, 보다 정확한 측정을 가능하게 한다. 모델 구축, 훈련 및 측정을 위해 수집된 측정 데이터는 다수의 상이한 측정 기술의 조합으로 수행된 측정에서 유도될 수 있다.

본 발명에 따르면, X선 분석, 특히 딥 러닝 기술을 사용하여 X선 산란계측 데이터를 분석하는 방법 및 시스템을 제공할 수 있다.

본 명세서에 기술된 본 발명의 실시예는 신경망(NN)을 훈련시키는 방법을 제공하고, 상기 방법은:

훈련 데이터 세트를 수신하는 단계로서:

(a) (i) 입사 X선 빔을 샘플에 대해 일정한 각도로 지향시키는 것에 응답하여 상기 샘플에 형성된 하나 이상의 구조로부터 회절된 X선 광자를 나타내는 회절 이미지, 및 (ii) 상기 하나 이상의 구조의 적어도 제1 속성을 나타내는 제1 파라미터 및 상기 입사 X선 빔의 적어도 제2 속성을 나타내는 제2 파라미터를 포함하는 라벨,의 하나 이상의 쌍; 및

(b) 각각 상기 하나 이상의 쌍에 대한 하나 이상의 미리 정의된 출력;

을 포함하는 상기 훈련 데이터 세트를 수신하는 단계;

를 포함한다.

상기 NN은: (i) 상기 NN을 상기 쌍들 중 적어도 주어진 쌍에 적용하는 단계, (ii) 상기 NN으로부터 상기 주어진 쌍의 추정 출력을 수신하는 것에 응답하여, 상기 주어진 쌍에 대응하는 상기 미리 정의된 출력 중 주어진 미리 정의된 출력을 상기 NN에 제공하는 단계,에 의해 상기 미리 정의된 출력을 얻도록 훈련된다.

일부 실시예에서, 상기 하나 이상의 쌍 중 적어도 하나의 쌍의 상기 회절 이미지는 합성 회절 이미지를 포함하며, 이는 상기 라벨 및 경험적 데이터에 기초하여 생성된다. 다른 실시예에서, 상기 하나 이상의 구조는 공칭 구조를 갖고, 상기 제1 파라미터는 상기 공칭 구조로부터의 구조 변형을 포함한다. 또 다른 실시예에서, 상기 하나 이상의 구조는: (a) 라인 및 트렌치의 제1 어레이, 및 (b) 구멍의 제2 어레이 중 하나 또는 모두를 포함하고, 상기 구조 변형은: (i) 폭, (ii) 깊이, (iii) 기울기, (iv) 거칠기, (v) 중심선 이동(CLS), (vi) 측벽의 형상, 및 (vii) 각각 제1 및 제2 층의 스택에서 서로 위에 형성된 적어도 제1 및 제2 구조 사이의 관절(joint) 시프트(JS)로 구성된 변형의 목록 중 선택된 하나 이상의 변형을 포함한다.

일부 실시예에서, 상기 구조 변형은: (i) 상기 제1 어레이의 라인 중 적어도 2개 사이, (ii) 상기 제1 어레이의 트렌치 중 2개 사이, 및 (iii) 상기 제2 어레이의 상기 구멍 중 적어도 2개 사이, 중 적어도 하나에서의 하나 이상의 변형을 포함한다. 다른 실시예에서, 상기 미리 정의된 출력은: (i) 상기 입사 X선 빔을 지향할 때 측정에서 상기 구조 중 적어도 하나의 크기, 및 (ii) 후속 측정에서 상기 입사 X선 빔을 상기 샘플에 대해 지향시키기 위한 권장 각도, 중 하나 또는 모두를 포함한다. 또 다른 실시예에서, 상기 회절 이미지는 상기 입사 X선 빔을 상기 각도로 지향시킬 때 제1 강도를 갖는 제1 회절 이미지, 및 상기 입사 X선 빔을 상기 권장 각도로 지향시킬 때 상기 제1 강도와 상이한 제2 강도를 갖는 제2 회절 이미지를 포함한다.

일부 실시예에서, 상기 제1 회절 이미지는 제1 대칭을 갖고, 상기 제2 회절 이미지는 상기 제1 대칭과 상이한 제2 대칭을 갖는다. 다른 실시예에서, 상기 방법은 상기 후속 측정에서 상기 입사 X선 빔을 상기 샘플로 지향시키기 위한 상기 권장 각도를 판정하기 위해 다중 서브샷 기술을 적용하는 단계를 포함한다.

일부 실시예에서, 상기 NN은 컨벌루션 신경망(CNN)을 포함한다. 다른 실시예에서, 상기 CNN은 (a) 하나 이상의 (i) 컨볼루션 층, (ii) 제1, 제2 및 제3 드롭아웃 층, 및 (iii) 완전 연결 층을 갖는 제1 CNN, 또는 (b) (i) 하나 이상의 컨볼루션 층, 및 (ii) 하나 이상의 완전 연결 층을 갖는 제2 CNN;을 포함한다. 또 다른 실시예에서, 상기 제1 CNN은 (i) 상기 제1 드롭아웃 층, (ii) 적어도 제1 및 제2 컨볼루션 층, 및 적어도 활성화 함수를 갖는 제1 블록을 포함한다.

일부 실시예에서, (a) 상기 회절 이미지는 주어진 크기를 갖고, (b) 상기 제1 컨볼루션 층은 상기 주어진 크기보다 작은 제1 크기, 및 제1 개수의 컨볼루션 필터(CF)를 갖고, 상기 제2 컨볼루션 층은 상기 제1 크기보다 작은 제2 크기 및 상기 제1 개수의 CF보다 더 큰 제2 개수의 CF를 갖는다. 다른 실시예에서, 상기 제1 CNN을 적용하는 단계는: (i) 제1 출력을 얻기 위해 상기 회절 이미지에 상기 제1 드롭아웃 층을 적용하는 단계, (ii) 제2 출력을 얻기 위해 상기 제1 출력에 상기 제1 컨볼루션 이미지를 적용하는 단계, (iii) 제3 출력을 얻기 위해 상기 제2 출력에 상기 활성화 함수를 적용하는 단계, (iv) 제4 출력을 얻기 위해 상기 제3 출력에 상기 제2 컨볼루션 이미지를 적용하는 단계, (v) 제5 출력을 얻기 위해 상기 제4 출력에 상기 활성화 함수를 적용하는 단계,를 포함한다. 또 다른 실시예에서, 상기 제1 CNN은: (i) 제2 드롭아웃 층, (ii) 적어도 제3 및 제4 컨볼루션 층, 및 ReLU(Rectified Linear Unit)를 갖는 제2 블록을 포함한다.

일부 실시예에서, 상기 방법은: (i) 제6 출력을 얻기 위해 상기 제5 출력에 상기 제2 드롭아웃 층을 적용하는 단계, (ii) 제7 출력을 얻기 위해 상기 제6 출력에 상기 제3 컨볼루션 이미지를 적용하는 단계, (iii) 제8 출력을 얻기 위해 상기 제7 출력에 상기 ReLU를 적용하는 단계, (iv) 제9 출력을 얻기 위해 상기 제3 출력에 상기 제4 컨볼루션 이미지를 적용하는 단계, 및 (v) 제10 출력을 얻기 위해 상기 제9 출력에 상기 ReLU를 적용하는 단계,를 포함한다. 다른 실시예에서, 상기 제1 CNN은 (i) 제3 드롭아웃 층, (ii) 복수의 채널 및 상기 ReLU를 포함하는 적어도 1차원 멀티층(DML),을 갖는 제3 블록을 포함한다.

일부 실시예에서, 상기 방법은: (i) 제11 출력을 얻기 위해 상기 제10 출력에 상기 제3 드롭아웃 층을 적용하는 단계, (ii) 제12 출력을 얻기 위해 상기 제11 출력에 상기 1DML을 적용하는 단계, 및 (iii) 제13 출력을 얻기 위해 상기 제12 출력에 상기 ReLU를 적용하는 단계,를 포함한다. 다른 실시예에서, 상기 회절 이미지는 직교 좌표를 갖고, 상기 제2 CNN을 훈련시키는 단계는 상기 직교 좌표를 극좌표로 변환하여 방사상 이미지를 획득하고, 후속하여 방사상 출력을 획득하기 위해 방사상 이미지에 적어도 하나의 컨볼루션 층을 적용하는 것을 포함한다. 또 다른 실시예에서, 방법은 ReLU(Rectified Linear Unit)를 제1 방사상 출력에 적용하는 단계를 포함한다.

일부 실시예에서, 상기 회절 이미지는 극좌표를 갖고, 상기 제2 CNN을 훈련시키는 단계는 방사상 출력을 얻기 위해 상기 방사상 이미지에 상기 컨볼루션 층 중 적어도 하나를 적용하는 단계를 포함한다. 다른 실시예에서, 상기 방법은 ReLU(Rectified Linear Unit)를 상기 방사형 출력에 적용하는 단계를 포함한다. 또 다른 실시예에서, 상기 방법은 상기 NN의 상기 훈련을 결론 짓기 위한 최소한의 기준을 나타내는 하나 이상의 임계값을 저장하는 단계를 포함한다.

일부 실시예에서, 상기 NN을 훈련시키는 단계는 지도 훈련을 적용하는 단계를 포함하고, 상기 훈련 후, 상기 NN은 훈련된 딥 러닝 모델을 포함한다. 다른 실시예에서, 상기 하나 이상의 쌍 중 적어도 하나의 쌍의 상기 회절 이미지는 합성 회절 이미지를 포함하고, 상기 라벨에 기초하여 상기 합성 회절 이미지를 생성하는 단계 및 운동학적 산란 이론의 보른 근사치를 적용하는 단계를 포함한다.

일부 실시예에서, 상기 방법은 각 쌍의 상기 회절 이미지에 상기 NN 훈련의 품질을 개선하기 위한 하나 이상의 전처리 단계를 적용하는 단계를 포함한다. 다른 실시예에서, 상기 전처리 단계 중 적어도 하나는 상기 회절 이미지의 강도 레벨에 대수 또는 제곱근 변환을 적용하는 단계를 포함한다. 또 다른 실시예에서, 상기 전처리 단계 중 적어도 하나는 미리 정의된 강도 임계값을 적용함으로써 상기 쌍 중 하나 이상의 상기 회절 이미지를 제거하는 단계를 포함한다.

일부 실시예에서, 상기 샘플은 서로 대향하는 제1 및 제2 표면을 갖고, 상기 구조 중 적어도 주어진 구조는 상기 제1 및 제2 표면 사이에 형성되고 공동을 정의하는 하나 이상의 벽을 갖고, 상기 미리 정의된 출력 중 적어도 하나의 상기 제1 속성은 하나 이상의 벽의 모양을 나타낸다.

일부 실시예에서, 상기 주어진 구조의 공동은 상기 제1 표면과 상기 제2 표면 사이에서 연장되고, 상기 공동은 상기 벽에 평행하게 이어지고 상기 벽으로부터 등거리에 위치하는 중심선(CL)을 가지며, 상기 훈련 데이터 세트는: (i) 상기 입사 X선 빔을 제1 각도로 지향시키는 것에 응답하여 형성되고 주어진 평면에서 미리 정의된 크기를 갖는 제1 회절 이미지, 및 (ii) 상기 입사 X선 빔을 상기 제1 각도와 상이한 제2 각도로 지향시키는 것에 응답하여 형성되는 제2 회절 이미지로서, 또한 상기 주어진 평면에서 상기 미리 정의된 크기를 가지는 상기 제2 회절 이미지를 포함하고, 상기 NN을 훈련시키는 단계는: (i) 제1 및 제2 층에서 상기 제1 및 상기 제2 회절 이미지를 포함하고, 상기 주어진 평면에서 상기 주어진 크기를 갖는 다층 회절 이미지를 생성하는 단계, 및 (ii) 상기 다층 회절 이미지에 상기 NN을 적용하는 단계,를 포함한다.

다른 실시예에서, 상기 주어진 구조의 벽은 상기 샘플의 축을 따라 비대칭이고, 상기 NN에 상기 주어진 미리 정의된 출력을 제공하는 단계는 CL 시프트(CLS)의 표시를 상기 NN에 제공하는 단계를 포함한다.

또 다른 실시예에서, 상기 주어진 구조는 제1 CL을 갖는 제1 공동을 포함하는 제1 층, 및 상기 제1 층 위에 형성되고 제2 CL을 갖는 제2 공동을 포함하는 제2 층을 포함하는 다층 구조를 포함하고, 상기 제1 및 제2 CL은 상기 샘플의 축을 따라 정렬되도록 의도되며, 상기 NN을 훈련시키는 단계는: (i) 상기 주어진 평면에서 상기 미리 정의된 크기를 갖는 추가적인 다층 회절 이미지를 산출하기 위해 각각 다중 각도로 상기 입사 X선 빔을 지향시키는 것에 응답하여 형성된 복수의 추가적인 회절 이미지를 이용하는 단계, 및 (ii) 추정된 출력이: (a) 상기 제1 및 제2 CL 증 적어도 하나의 CL에 있는 상기 CLS 및 (b) 상기 제1 및 제2 층 사이의 경계면을 따라 측정된 상기 제1 및 제2 CL 사이의 거리인 JS(관절 시프트), 중 적어도 하나를 포함하는지를 확인하기 위해 상기 추가적인 다층 회절 이미지에 상기 NN을 적용하는 단계,를 포함한다.

본 발명의 일 실시예에 따라 신경망(NN) 훈련용 시스템이 추가로 제공되며, 상기 시스템은:

훈련 데이터 세트를 수신하도록 구성된 인터페이스로서, 상기 훈련 데이터 세트는:

을 포함하는 상기 인터페이스; 및

프로세서로서: (i) 상기 NN을 상기 쌍 중 적어도 주어진 쌍에 적용하고, (ii) 상기 NN으로부터 상기 주어진 쌍의 추정된 출력을 수신하는 것에 응답하여, 상기 프로세서는 상기 주어진 쌍에 대응하는 상기 미리 정의된 출력 중 주어진 미리 정의된 출력을 상기 NN에 제공하도록 구성되는 것,에 의해 상기 미리 정의된 출력을 얻도록 상기 NN을 훈련시키도록 구성된 상기 프로세서;

를 포함한다.

본 발명의 실시예에 따라 X선 분석을 수행하는 방법이 더 제공되며, 상기 방법은:

제1 강도를 갖는 제1 회절 이미지를 수신하는 단계로서, 샘플의 표면에 대해 제1 각도로 입사 X선 빔을 지향시키는 것에 응답하여 상기 제1 회절 이미지는 상기 샘플의 사이트에 형성된 하나 이상의 구조로부터 회절된 제1 X선 광자를 나타내는 상기 수신하는 단계;

를 포함한다.

상기 제1 회절 이미지에 하나 이상의 제2 회절 이미지를 기반으로 사전 훈련된 훈련 모델을 포함하는 신경망(NN)을 적용하고,

하나 이상의 추론 파라미터는 상기 NN으로부터 수신되고, 상기 하나 이상의 추론 파라미터는 상기 제1 회절 이미지와 상기 훈련 모델을 기반으로 하며 후속 측정에서 상기 입사 X선 빔을 상기 사이트로 지향시키기 위한 적어도 권장 각도를 나타낸다.

일부 실시예에서, 상기 추론 파라미터를 수신하는 단계는 상기 제1 회절 이미지에 기초하여 상기 구조 중 적어도 하나의 측정 파라미터를 수신하는 단계를 포함한다. 다른 실시예에서, 상기 입사 X선 빔을 추천 각도로 지향시킬 때의 측정 품질은 상기 입사 X선 빔을 상기 제1 각도로 지향시킬 때의 측정 품질보다 더 높다. 또 다른 실시예에서, 상기 측정 품질은: (i) 반복성, (ii) 재현성, (iii) 정확도 및 (iv) 감도 중 적어도 하나를 포함한다.

일부 실시예에서, 상기 하나 이상의 추론 파라미터를 수신하는 단계는 상기 NN을 적용하는 단계에 응답하여: (i) 제1 시간 간격 내에서, 상기 입사 X선 빔을 상기 권장 각도로 지향시킬 때 제1 추론 파라미터를 수신하는 단계, 및 (ii) 제2 시간 간격 내에서, 상기 입사 X선 빔을 상기 제1 각도로 지향시킬 때 제2 추론 파라미터를 수신하는 단계를 포함하고, 상기 제1 시간 간격은 상기 제2 시간 간격보다 짧다.

다른 실시예에서, 상기 제1 및 제2 회절 이미지는 방사상 대칭이고, 상기 제1 및 제2 회절 이미지의 제1 세트는 직교 좌표로 생성되고, 상기 제1 및 제2 회절 이미지의 제2 세트는 극좌표로 생성되며, 상기 NN을 적용하는 단계는: (i) 제1 갯수의 컨볼루션 층을 갖는 제1 컨볼루션 NN(CNN)을 상기 제1 세트에 적용하는 단계, 및 (ii) 상기 제1 갯수와 상이한 제2 갯수의 컨볼루션 층을 갖는 제2 CNN을 상기 제2 세트에 적용하는 단계;를 포함한다.

또 다른 실시예에서, 상기 추론 파라미터 중 적어도 하나는 측정 파라미터를 포함하고, 상기 샘플은 서로 마주하는 제1 및 제2 표면을 갖고, 상기 구조 중 적어도 주어진 구조는 상기 제1 및 제2 표면 사이에 형성되고 공동을 정의하는 하나 이상의 벽을 갖고, 상기 측정 파라미터 중 적어도 하나의 제1 속성은 상기 하나 이상의 벽의 형상을 나타낸다.

일부 실시예에서, 상기 주어진 구조의 상기 공동은 상기 제1 표면과 상기 제2 표면 사이에서 연장되고, 상기 공동은 상기 벽과 평행하게 이어지고 상기 벽으로부터 등거리에 위치하는 중심선(CL)을 가지며, 상기 제2 회절 이미지는: (i) 상기 입사 X선 빔을 제1 각도로 지향시키는 것에 응답하여 형성되고 주어진 평면에서 미리 정의된 크기를 갖는 제1 이미지, 및 (ii) 상기 입사 X선 빔을 상기 제1 각도와 상이한 제2 각도로 지향시키는 것에 응답하여 형성되고, 상기 주어진 평면에 미리 정의된 크기를 가지는 제2 이미지로서: (i) 제1 및 제2 층에서 각각 상기 제1 이미지와 상기 제2 이미지를 포함하고 상기 주어진 평면에서 상기 미리 정의된 크기를 가지는 다층 회절 이미지를 생성하는 단계, 및 (ii) 상기 다층 회절 이미지에 상기 NN을 적용하는 단계,에 의해 상기 NN을 훈련시키는 단계를 포함하는 상기 제2 이미지를 포함한다.

다른 실시예에서, 상기 제1 회절 이미지는 제1 다층 회절 이미지를 포함한다.

일부 실시예에서, 상기 주어진 구조의 상기 벽은 상기 샘플의 축을 따라 비대칭이고, 상기 NN으로부터 하나 이상의 추론 파라미터를 수신하는 단계는 CL 시프트(CLS)의 표시를 수신하는 단계를 포함한다.

다른 실시예에서, 상기 주어진 구조는 제1 CL을 갖는 제1 공동을 포함하는 제1 층, 및 상기 제1 층 위에 형성되고 제2 CL을 갖는 제2 공동을 포함하는 제2 층을 포함하는 다층 구조를 포함하고, 상기 제1 및 제2 CL은 상기 샘플의 축을 따라 정렬되도록 의도되며, (i) 상기 주어진 평면에서 상기 미리 정의된 크기를 갖는 추가적인 다층 회절 이미지를 산출하기 위해 각각 다수의 각도로 상기 입사 X선 빔을 지향시키는 것에 응답하여 형성된 복수의 추가적인 회절 이미지를 이용하는 단계, 및 (ii) 상기 추론 파라미터 중 적어도 하나가: (a) 상기 제1 및 제2 CL 중 적어도 하나의 상기 CLS, 및 (b) 상기 제1 및 제2 층 사이의 경계면을 따라 측정된 상기 제1 및 제2 CL 사이의 거리인 JS(관절 시프트), 중 적어도 하나를 포함하는지 여부를 확인하기 위해 상기 NN을 상기 추가적인 다층 회절 이미지에 적용하는 단계,를 포함한다.

본 발명의 일 실시예에 따라 X선 분석을 수행하기 위한 시스템이 추가적으로 제공되며, 상기 시스템은:

제1 강도를 갖는 제1 회절 이미지를 수신하도록 구성되는 인터페이스로서, 상기 제1 회절 이미지는 샘플의 표면에 대해 제1 각도로 입사 X선 빔을 지향시키는 것에 응답하여 상기 샘플의 사이트에 형성된 하나 이상의 구조로부터 회절된 제1 X선 광자를 나타내는 상기 인터페이스; 및

프로세서로서, (i) 하나 이상의 제2 회절 이미지를 기반으로 사전 훈련된 훈련 모델을 포함하는 신경망(NN)을 상기 제1 회절 이미지에 적용하고, (ii) 상기상기 제1 회절 이미지와 상기 훈련 모델에 기초하고, 후속 측정에서 상기 입사 X선 빔을 상기 사이트로 지향시키기 위해 적어도 권장 각도를 나타내는 하나 이상의 추론 파라미터를 상기 NN으로부터 수신,하도록 구성된 상기 프로세서;

를 포함한다.

본 발명의 실시예에 따라, X선 분석을 수행하는 방법이 더 제공되며, 상기 방법은 제1 강도를 갖는 제1 회절 이미지를 수신하는 단계를 포함하고, 상기 제1 회절 이미지는 샘플의 표면에 대해 제1 각도로 입사 X선 빔을 지향시키는 것에 응답하여 상기 샘플의 사이트에 형성된 하나 이상의 구조로부터 회절된 제1 X선 광자를 나타낸다. 신경망(NN)이 상기 제1 회절 이미지에 적용되며, 상기 NN에는 훈련 모델이 포함되며, 이 모델은 각각 상기 입사 X선 빔을 상기 샘플의 표면에 대해 하나 이상의 각도로 지향시키는 것에 응답하여 획득된 하나 이상의 제2 회절 이미지에 기초하여 사전 훈련된다. 하나 이상의 추론 파라미터는 상기 NN으로부터 수신되고, 상기 하나 이상의 추론 파라미터는 상기 제1 회절 이미지 및 상기 훈련 모델을 기반으로 하며, 상기 제1 회절 이미지를 기초로 하는 상기 구조 중 적어도 하나의 하나 이상의 측정 파라미터를 나타낸다.

일부 실시예에서, 하나 이상의 추론 파라미터의 측정 품질은 하나 이상의 측정 파라미터의 (i) 반복성, (ii) 재현성, (iii) 정확도, 및 (iv) 감도 중 적어도 하나를 포함한다. 다른 실시예에서, 상기 샘플은 서로 대향하는 제1 표면 및 제2 표면을 갖고, 상기 구조의 적어도 주어진 구조는 상기 제1 표면과 제2 표면 사이에 형성되고 공동을 정의하는 하나 이상의 벽을 가지며, 상기 측정 파라미터 중 적어도 하나의 제1 속성은 상기 하나 이상의 벽의 형상을 나타낸다.

일부 실시예에서, 상기 주어진 구조의 상기 공동은 상기 제1 표면과 상기 제2 표면 사이에서 연장되고, 상기 공동은 상기 벽과 평행하게 이어지고 상기 벽으로부터 등거리에 위치하는 중심선(CL)을 가지며, 상기 제2 회절 이미지는: (i) 상기 입사 X선 빔을 제1 각도로 지향시키는 것에 응답하여 형성되고 주어진 평면에서 미리 정의된 크기를 갖는 제1 이미지, 및 (ii) 상기 입사 X선 빔을 상기 제1 각도와 상이한 제2 각도로 지향시키는 것에 응답하여 형성되고 또한 상기 주어진 평면에 상기 미리 정해진 크기를 갖는 제2 이미지로서: (i) 상기 제1 및 상기 제2 층에서 각각 상기 제1 및 제2 이미지를 포함하고 상기 주어진 평면에서 상기 미리 정의된 크기를 갖는 다층 회절 이미지를 생성하고; 및 (ii) 상기 다층 회절 이미지에 상기 NN을 적용, 하는 것에 의해 상기 NN을 훈련시키는 단계를 포함하는 상기 제2 이미지;를 포함한다.

다른 실시예에서, 상기 제1 회절 이미지는 제1 다층 회절 이미지를 포함한다. 또 다른 실시예에서, 상기 주어진 구조의 상기 벽은 상기 샘플의 축을 따라 비대칭이고, 상기 NN으로부터 하나 이상의 추론 파라미터를 수신하는 단계는 CL 시프트(CLS)의 표시를 수신하는 단계를 포함한다.

일부 실시예에서, 상기 주어진 구조는 제1 CL을 갖는 제1 공동을 포함하는 제1 층, 및 상기 제1 층 위에 형성되고 제2 CL을 갖는 제2 공동을 포함하는 제2 층을 포함하는 다층 구조를 포함하고, 상기 제1 및 제2 CL은 상기 샘플의 축을 따라 정렬되도록 의도되며, (i) 상기 주어진 평면에서 상기 미리 정의된 크기를 갖는 추가적인 다층 회절 이미지를 산출하기 위해 각각 상기 X선 빔을 다수의 각도로 지향시키는 것에 응답하여 형성된 복수의 추가적인 회절 이미지를 이용하는 단계; 및 (ii) 상기 추론 파라미터 중 적어도 하나가: (a) 상기 제1 및 제2 CL 중 적어도 하나에서의 상기 CLS 및 (b) 상기 제1 및 제2 층 사이의 경계면을 따라 측정된 상기 제1 및 제2 CL 사이의 거리인 JS(관절 시프트), 중 적어도 하나를 포함하는지 확인하기 위해 상기 추가적인 다층 회절 이미지에 상기 NN을 적용하는 단계;를 포함한다.

본 발명의 실시예에 따라 X선 분석을 수행하기 위한 시스템이 더 제공되며, 상기 시스템은:

제1 강도를 갖는 제1 회절 이미지를 수신하도록 구성된 인터페이스로서, 상기 제1 회절 이미지는 샘플의 표면에 대해 제1 각도로 입사 X선 빔을 지향시키는 것에 응답하여 상기 샘플의 사이트에 형성된 하나 이상의 구조로부터 회절된 제1 X선 광자를 나타내는 상기 인터페이스; 및

프로세서로서, (i) 하나 이상의 제2 회절 이미지를 기반으로 사전 훈련된 훈련 모델을 포함하는 신경망(NN)을 상기 제1 회절 이미지에 적용하고, (ii) 상기 제1 회절 이미지 및 훈련 모델에 기초하고, 상기 제1 회절 이미지에 기초한 상기 구조중 적어도 하나의 측정 파라미터를 나타내는 하나 이상의 추론 파라미터를 상기 NN으로부터 수신,하도록 구성된 상기 프로세서;

를 포함한다.

본 발명은 도면과 함께 실시예에 대한 다음의 상세한 설명으로부터 보다 완전하게 이해될 것이다:

도 1은 본 발명의 실시예에 따른 소각(small angle) X선 산란(SAXS) 시스템의 핵심 엘리먼트의 개략도이다.
도 2는 본 발명의 실시예에 따라, 입사 X선 빔을 샘플에 지향시키는 것에 응답하여 생성된 회절 이미지의 개략도이다.
도 3은 본 발명의 일 실시예에 따라 도 2의 샘플의 X선 분석을 개선하기 위해 신경망(NN)을 훈련하고, 이후에 NN을 사용하는 프로세스 시퀀스를 개략적으로 도시한 블록도이다.
도 4는 본 발명의 실시예에 따른, 도 3의 NN의 구조의 개략도이다.
도 5는 본 발명의 다른 실시예에 따른, 도 3에 사용된 대안적인 NN의 구조의 개략도이다.
도 6은 본 발명의 일실시예에 따라 도 3의 NN을 훈련시킨 후, 도 2의 샘플의 X선 분석을 개선하기 위해 NN을 사용하는 방법을 개략적으로 도시한 순서도이다.
도 7은 본 발명의 일 실시예에 따라 도 4 또는 도 5의 NN을 각각의 구조의 다층 회절 이미지에 적용하여 구멍 및 기타 다층 구조의 수직 치수에 따른 변화를 분석하는 방법의 개략도이다.

개요

다양한 유형의 반도체 장치 및 테스트 구조 내에 또는 그 위에 형성된 하나 이상의 주기적인 어레이에서 피처의 기하학적 치수를 측정하기 위해 산란계측 기술이 사용될 수 있다. 소각(small-angle) X선 산란(SAXS)과 같은 X선 기술은 일반적으로 파장이 옹스트롬 정도인 X선을 적용하며 HAR(High Aspect Ratio) 구멍과 같은 HAR 피처, 라인 사이의 트렌치, 또는 모두 반도체 웨이퍼에서 제조되는 임의의 적합한 크기 및 형상을 갖는 임의의 다른 유형의 HAR 구조를 측정하는 데에 적합하다. 피처의 기하학적 속성을 측정하는 것은 본 명세서에서 회절 이미지라고도 하는 샘플로부터 산란된 X선의 강도를 분석하는 것을 기반으로 하는 추정 기술을 사용하여 수행된다.

이론적으로 정렬 절차가 요구된다. 정렬 프로세스는 입사 빔에 대해 여러 각도로 웨이퍼를 기울이는 단계, 및 입사 X선 빔과 웨이퍼 표면 사이의 바람직한 각도를 판정하는 단계를 포함하여 최상의 측정 및/또는 웨이퍼에 형성된 관심있는 HAR 구조의 X선 분석을 제공할 수 있는 최적화된 회절 이미지를 얻도록 할 수 있다.

다음 설명에서 명확성을 위해, "측정", "판정" 및 "추정"이라는 용어는 상호 교환적으로 사용된다. 또한, "트렌치" 및 "라인"이라는 용어는 상호교환적으로 사용되며, 하나 이상의 주기적 어레이에 배열된 HAR 라인 및 트렌치를 지칭한다.

즉, (i) HAR 라인과 트렌치는 주기적 어레이 중 적어도 제1 어레이에 교대로 배열되고, (ii) HAR 구멍은 주기적 어레이 중 적어도 제2 어레이에서 주기적 구조로 배열된다. 일반적인 장치에서, 제1 어레이는 장치의 제1 층에 형성되고, 제2 어레이는 장치의 제1 층과 다른 제2 층에 형성된다는 점에 유의하라. 그러나 3차원(3D) NAND 플래시 메모리 장치와 같은(그러나 이에 제한되지 않음) 일부 장치는 (i) 라인 및 트렌치, 및 (ii) HAR 구조를 갖는 구멍의 조합을 포함할 수 있다.

정렬 프로세스 외에도, HAR 구조의 공칭 피처(예를 들어, 차원 계층 구조 및 기타 피처)와 다양한 입력 파라미터의 범위를 정의하는 미리 정의된 프로세스 창을 기반으로 회귀 모델이 생성된다(일반적으로 전문 엔지니어가 수행). 또한, X선 분석을 수행하는 데 사용되는 X선 시스템의 생산 레시피에 상기 내용을 통합하기 위해서는 전문 엔지니어가 필요하다.

전형적으로, X선 분석 시스템은: (i) 하나 이상의 X선 검출기로부터, 입사 X선 빔과 웨이퍼(의 HAR 구조) 사이의 물리적 상호 작용에 응답하여 웨이퍼로부터 방출된(일반적으로 회절된, 즉 주기적 어레이로부터 산란된) 광자를 나타내는 신호를 수신하고, (ii) 산란 강도 값의 2D 어레이로 구성된 회절 이미지를 생성하고, (iii) X선 분석의 출력(예를 들어, 하나 이상의 HAR 구조의 하나 이상의 측정값)을 수신하기 위해 회귀 모델을 회절 이미지에 적용,하는 프로세서를 포함한다.

위에서 설명한 프로세스(예를 들어, 정렬, 회귀 모델 생성, 및 출력 분석)에는 적어도 전문 엔지니어 및/또는 작업자, X선 시스템의 시간과 같은 값비싼 운영 리소스(그러나 이에 한정되지 않음), 및 관심 공정 창을 나타내는 HAR 구조를 갖는 웨이퍼가 필요하다는 것에 유의하라.

더욱이, 출력은 예상치 못한 프로세스 변동으로 인해 왜곡된 데이터, X선 시스템 및 입사 빔과 샘플 사이의 상호 작용과 관련된 원치 않는 노이즈를 포함할 수 있다. 예를 들어 시스템의 슬릿 또는 샘플의 기본 구조에서 발생하는 배경 산란이다. 이러한 경우, 출력이 HAR 구조의 물리적 왜곡을 반영하는지 또는 시스템 및/또는 시스템과 웨이퍼 사이의 원치 않는 아티팩트에 의해 발생하는지 여부를 판정하기 위해 추가 리소스가 필요하다.

아래에서 설명되는 본 발명의 실시예는 컨볼루션 NN(CNN)과 같은 신경망(NN)에서 구현되는 SAXS 시스템 및 훈련 모델(예를 들어, 딥 러닝 알고리즘)을 사용하여 X선 분석의 자동화, 처리량 및 품질을 개선하기 위한 기술을 제공한다. 더욱이, 개시된 기술은 X선 분석 시스템에서 그러한 레시피를 개발 및 작동하는 것과 관련된 상술한 리소스를 감소시킨다.

일부 실시예에서, X선 분석 시스템은: (i) 문제의 HAR 구조를 갖는 웨이퍼에 입사 (X선) 빔을 지향시키도록 구성된 X선 소스 및 광학 장치, (ii) 입사 빔에 대해 웨이퍼를 이동 및 회전시키도록 구성된 적합한 마운트(예를 들어, 스테이지 및 척), (iii) 입사 빔과 관심있는 HAR 구조 사이의 물리적 상호 작용에 응답하여 웨이퍼로부터 회절된 광자의 강도 분포를 나타내는 신호를 생성하도록 구성된 검출기 어셈블리, 및 (iv) 프로세서, 인터페이스, 메모리 및 기타 계산 기능을 포함하는 처리 장치를 포함한다. 본 발명의 내용 및 청구범위에서, 프로세서라는 용어는 처리 유닛의 동작을 수행하는 엔티티를 설명하기 위해 (간결하게) 사용된다. 위의 구성요소와 X선 분석 시스템의 동작은 아래 도 1에 자세히 설명되어 있다.

일부 실시예에서, 시스템은 간결함을 위해 본 명세서에서 NN으로도 지칭되는 컨볼루션 신경망(CNN)을 포함한다. 2개의 적합한 CNN의 구조와 작동은 하기에서 도 4과 5에 자세히 설명되어 있다.

일부 실시예에서, 프로세서는 시스템에 의해 분석되도록 의도된 HAR 구조의 모델을 생성하도록 구성된다. 또한, 프로세서는 NN 훈련을 위한 하나 이상의 데이터 세트로 구성되며, 데이터 세트는 합성 데이터, 실제(예를 들어, 측정 기반) 데이터 및 이들의 조합을 포함할 수 있다. 본질적으로, 데이터 세트는: (i) HAR 구조의 공칭 피처의 모델링 및 시뮬레이션, (ii) X선 시스템 및 기타 적절한 유형의 측정 및 분석 시스템(예를 들어, 집속 이온 빔, 투과 전자 현미경 및 주사 전자 현미경)을 이용한 HAR 구조의 샘플의 측정, 및 (iii) (a) HAR 구조의 구조 변형, (b) 시스템 및 시스템과 웨이퍼 사이 및 기타 노이즈 소스의 상호 작용과 관련된 노이즈,와 같은(그러나 이에 한정되는 것은 아닌) 노이즈의 체계적이고 무작위적인 소스의 모델링 및 시뮬레이션;에 기초하여 산출된다. 훈련 데이터 세트를 생성하는 기술은 예를 들어 하기에서 도 2 및 3에 자세히 설명되어 있다.

일부 실시예에서, 프로세서는 훈련 단계 동안 CNN으로부터 요구되는 정확도 레벨을 나타내는 하나 이상의 임계값을 저장하도록 구성된다. 임계값은 하기의 도 3 및 6에 상세히 기술된다. CNN이 하나 이상의 변환 기준(예를 들어, 상술한 임계값을 사용하여)을 충족하면 훈련이 종료되고 프로세서는 CNN이 프로세스 엔지니어링 및 생산 환경 모두에서의 추론 단계에 대해 충분히 훈련되고 준비되었는지 확인하기 위해 검증 단계를 수행할 수 있다.

일부 실시예에서, 검출기 조립체로부터 수신된 신호에 기초하고 상술한 기술을 사용하여, 프로세서는 제1 강도 분포를 갖는 제1 회절 이미지를 생성하도록 구성된다. 제1 회절 이미지는 웨이퍼의 미리 정의된 사이트에서 하나 이상의 HAR 구조로부터 회절된 제1 X선 광자를 나타내며, 제1 X선 광자는 웨이퍼의 표면에 대해 미리 정의된 (여기서는 제1이라고 함) 각도로 입사 X선 빔을 지향시키는 것에 응답하여 회절된다는 것에 유의하라.

일부 실시예에서, 프로세서는 훈련된 NN을 제1 회절 이미지에 적용하고, 이에 응답하여, 제1 회절 이미지 및 NN의 훈련된(예를 들어, 딥 러닝) 모델에 기초하는 하나 이상의 추론 파라미터를 NN으로부터 수신하도록 구성된다.

일부 실시예에서, 추론 파라미터는: (i) 제1 각도와 상이한 권장된 제2 각도, 및 (ii) HAR 구조의 피처의 하나 이상의 측정치 중 적어도 하나를 나타낸다. 제2 각도는 후속 측정에서 웨이퍼의 동일한 위치로 입사 X선 빔을 지향시켜 후속 제2 회절 이미지의 품질을 개선하여 관심있는 HAR 구조 상에서 수행되는 X선 분석(예를 들어, 측정)의 품질을 향상시키는 데 권장된다.

(i) X선 분석의 품질(예를 들어, 측정의 정확도 또는 정밀도), (ii) 훈련 또는 추론 단계의 처리량, (iii) HAR 구조의 수직 축을 따른 변형 분석, (iv) 적층된 HAR 구조 사이의 오버레이 분석,을 개선하는 것과 관련된 추가 실시예, 및 기타 실시예는 하기의 상세한 설명의 도 2 내지 도 7에 상세히 설명되어 있다.

개시된 기술은 X선 분석 시스템에 의해 수행되는 X선 분석 프로세스의 품질 및 생산성을 향상시킨다. 더욱이, 개시된 기술은 필요한 부분만 약간 수정하여 반도체 디바이스 및 다른 적절한 종류의 디바이스의 구조를 분석하기 위해 사용되는 다른 적절한 종류의 측정 및 분석 시스템에 적용될 수 있다.

시스템 설명

도 1은 본 발명의 실시예에 따른 소각 X선 산란(SAXS) 시스템(20)의 개략도이다. 일부 실시예에서, 시스템(20)은 아래에 설명되는 바와 같이 산란계측 기술을 사용하여 샘플 상의 구조의 치수를 측정하도록 구성된다.

일부 실시예에서, 샘플은 특히 고 종횡비(HAR)의 어레이 또는 웨이퍼(22)에 에칭되거나 그 위에 형성된 다른 피쳐를 갖는 반도체 웨이퍼(22)를 포함할 수 있다. 대안적인 실시예에서, 시스템(20)은 웨이퍼(22) 상에 형성된 다른 적절한 구조의 치수를 측정하기 위해 추가로 구성된다. 본 개시내용 및 청구범위의 맥락에서, "높은 종횡비(HAR)"라는 용어는 일반적으로 예를 들어 동적 랜덤 액세스 메모리(DRAM) 장치 및 3차원(3D) NAND 플래시 메모리 장치에서 약 10보다 더 높은 종횡비를 가리키고, 종횡비들은 각각 약 50:1보다 크고 약 100:1보다 클 수 있다.

일부 실시예에서, 시스템(20)은 일반적으로 고전압 전원 공급 장치(PSU)(26)에 의해 구동되는 X선 소스(24)와 같은 여기 소스를 포함한다. 일부 실시예에서, 소스(24)는 웨이퍼(22)를 관통하기에 적합한 에너지를 갖는 X선 빔(31)을 방출한다. 본 예시에서, X선 빔(31)은 결정 또는 다층 미러 또는 X선을 웨이퍼(22)의 표면의 작은 영역(29) 상에 충돌하기 위해 지향시키도록 구성된 어퍼처(슬릿)와 같은 적합한 회절 엘리먼트를 포함할 수 있는 X선 광학 장치(28)를 통과한다. 시스템(20)과 같은 SAXS 시스템의 추가 구성요소 및 특성은 예를 들어 상술한 미국 특허 번호 10,684,238에 자세히 설명되어 있으며, 그 개시 내용은 본 명세서에 참조로 통합되어 있다.

일 실시예에서, 웨이퍼(22)는 웨이퍼(22)의 표면에 수직인 축(예를 들어, Z축)에 대한 회전 φ( 도시되지 않음), 웨이퍼의 Y축에 대한 회전 χ 및 웨이퍼의 X축에 대한 회전 ω 뿐만 아니라 X 및 Y 방향에서의 X선 빔(21)에 대해 웨이퍼(22)를 이동시키도록 구성된 X-Y-χ-ω 스테이지(40)와 같은 이동가능한 플랫폼 상에 장착된다. χ 및 ω는 둘 다 웨이퍼(22)의 표면에 평행하지만 서로 직교하는 반면, φ는 상술한 바와 같이 웨이퍼(22)의 표면에 대해 수직으로 회전한다는 점에 유의하라.

일 실시예에서, 스테이지(40)는 상술한 바와 같이 입사 빔(31)이 영역(29)에서 웨이퍼(22)의 표면에 직접 충돌할 수 있도록 개방 프레임으로 설계된다. 보다 구체적으로, 지지되는 대부분의 웨이퍼(22) 및 웨이퍼(22)의 가장자리 주변의 몇몇 국부적인 부위에는 재료가 없으므로, 웨이퍼(22)의 가장자리에 가능한 한 가깝게 측정할 수 있도록 하여 가장자리를 제외한 영역의 크기를 최소화한다. 빔은 웨이퍼(22)의 하부 표면(소스(24)를 향함)을 통과하고 웨이퍼(22)의 상부 표면(하부 표면 반대쪽)에 형성된 HAR(High Aspect Ratio) 구조 어레이로부터 산란된다.

일부 실시예에서, 입사 빔(31)은 웨이퍼(22)의 하부 표면에 수직인 영역(29)에 또는 임의의 다른 적절한 각도로 충돌할 수 있다. 입사 빔(31)의 일부는 일반적으로 샘플을 통과할 때 흡수되고 전송된 빔(35)은 입사 빔과 동일한 방향으로 웨이퍼(22)의 상부 표면을 나간다. 추가 빔(33)은 상술한 구조의 어레이로부터 산란되고, 도 1에 도시된 바와 같이 웨이퍼(22)의 상부 표면으로부터 방출(예를 들어, 회절)된다.

일부 실시예에서, 시스템(20)은 검출기 조립체(32)의 표면 상의 하나 이상의 영역(30)에 충돌하는 빔(33)의 X선 강도 분포를 검출하도록 구성된 검출기 조립체(32)를 포함한다. 일 실시예에서, 시스템(20)은 웨이퍼(22)와 조립체(32) 사이에 위치하고 조사 검출기 조립체(32)로부터의 빔(35)의 적어도 일부를 차단하도록 구성되는 X선 불투명 또는 부분적으로 불투명한 재료로 제조된 빔 스토퍼(42)를 포함한다. 빔 스토퍼(42)의 예시적인 구현은 예를 들어 Krokhmal 등의 미국 특허 번호 10,684,238에 상세히 설명되어 있으며, 그의 개시내용은 본원에 참조로 통합된다.

일부 실시예에서, 검출기 조립체(32)는 편평한 형상을 가질 수 있거나, 빔(33, 35)을 향해 각진 호와 같은 임의의 다른 적절한 형상을 가질 수 있다. 검출기 조립체(32)는 단일 검출기, 또는 임의의 적절한 구성으로 배열된 검출기 어레이를 포함할 수 있다. 빔 검출기는 2차원(2D) 구성 또는 1차원(1D) 구성을 가질 수 있으며 X선 광자를 계수할 수 있다. 검출기 조립체(32)는 검출기 조립체(32)의 표면 상의 각각의 검출된 검출기 조립체(32) 광자의 위치 및 검출된 X선 광자의 수를 나타내는 신호(예를 들어, 전기 신호)를 생성하도록 추가로 구성되고, 시스템(20)은 신호를 신호 처리 유닛(38)으로 보낸다. 검출기는 예를 들어 X선 형광 및 우주 광선으로부터의 배경 잡음을 줄이기 위해 특정 에너지 범위 내의 X선 광자만을 측정하는 기능을 가질 수 있다.

일부 실시예에서, 신호 처리 유닛(38)은 어셈블리(32)로부터 수신된 신호를 처리하도록 구성된 프로세서(34) 및 어셈블리(32)와 프로세서(34) 사이에서 전기 신호를 교환하기 위한 인터페이스(36)를 포함한다.

일부 실시예에서, 프로세서(34)는 조립체(32)의 검출기(들)에 의해 포착된 X선 광자의 산란 강도 분포를 판정하기 위해 조립체(32)로부터 데이터를 획득하도록 구성된다. 실시예에서, 프로세서(34)는 웨이퍼(22) 상의 하나 이상의 기하학적 구조의 치수 또는 배향을 추정하기 위해 하나 이상의 입사 빔 각도에서 측정된 강도 분포를 이용하도록 구성된다. 이 실시예에서, 프로세서(34)는 높이와 너비(여기서는 임계 치수 - CD라고도 함)와 같은 기하학적 파라미터가 자동으로 조정되어 측정된 강도 분포와 계산된 강도 분포 사이의 수치적 차이를 최소화하는 피처들의 구조적 모델로부터 강도 분포를 연산하도록 구성된다. 인접한 피처 사이의 거리(피치)와 같이 어레이 내의 피처 배열을 기술하는 추가 파라미터도 적합한 구조 모델을 사용하여 추정할 수 있다.

프로세서(34)는 일반적으로 여기에 설명된 기능을 수행하도록 소프트웨어로 프로그래밍된 범용 컴퓨터 또는 컴퓨터 네트워크를 포함한다. 소프트웨어는 예를 들어 네트워크를 통해 전자 형태로 컴퓨터에 다운로드될 수 있거나, 대안적으로 또는 추가로 자기, 광학 또는 전자 메모리와 같은 비일시적 유형 매체에 제공 및/또는 저장될 수 있다.

일부 실시예에서, 프로세서(34)는 임의의 적절한 유형의 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 또는 텐서 처리 장치(TPU) 또는 임의의 다른 적절한 유형의 주문형 집적 회로(ASIC)를 포함할 수 있다. 위의 모든 처리 장치는 특히 아래에 설명된 신경망에서 딥 러닝 워크로드를 가속화하도록 구성된다. 부가적으로 또는 대안적으로, 시스템(20)은 임의의 적절한 유형의 ASIC 및/또는 디지털 신호 프로세서(DSP) 및/또는 시스템(20)에서 데이터 처리의 적어도 일부를 수행하도록 구성된 임의의 다른 적절한 종류의 처리 유닛을 포함할 수 있다.

실시예에서, 소프트웨어는 검출기 조립체(32) 제어뿐만 아니라 데이터 획득 및 데이터 분석과 같은 다수의 작업을 수행하도록 구성된다.

도 1의 예에서, 스테이지(40)는 (i) XYZ 좌표계의 X, Y(및 선택적으로 Z) 방향 중 적어도 하나로 이동될 수 있고, (ii) 또한, 웨이퍼(22)의 영역(29)을 스캔하고 분석하기 위해, χ 및 ω 방향으로 회전될 수 있다. 대안적인 실시예에서, 웨이퍼(22)는 (스테이지(40) 대신에) 적절한 고정 고정물 상에 장착되고 소스(24), 광학 장치(28) 및 조립체(32)가 X선 빔(31)에 의해 영역(29)을 스캔하도록 이동된다.

추가로 또는 대안적으로, 시스템(20)은 반사 및/또는 회절과 같은 다른 빔-웨이퍼 상호 작용을 사용하여 웨이퍼(22)로부터 산란된 X선을 캡처하고 처리하도록 추가로 구성된다. 이러한 다기능 시스템은 예를 들어 미국 특허 번호 6,381,303 및 6,895,075에 설명되어 있으며, 이들은 참조로 여기에 통합된다.

도 1의 예는 X선 시스템의 특정 구성을 나타낸다. 그러나 이 구성은 순전히 개념적 명확성을 위해 선택되었다. 예를 들어, 시스템(20)은 영역(29)으로의 스테이지(40)의 탐색을 돕고 웨이퍼(22) 상의 구조를 검토하는 것을 돕기 위한 광학 현미경(미도시)과 같은 추가 모듈을 더 포함할 수 있다. 대안적인 실시예에서, 개시된 기술이 필요한 부분을 약간 수정하여 임의의 적절한 여기 소스, 전원, 포커싱 광학 장치 및 검출 시스템을 포함하는 당업계에 알려진 다양한 다른 유형의 X선 시스템 또는 분석 모듈에서 사용될 수 있고, 본 명세서에 설명된 방법을 구현하는 데 사용할 수 있다.

높은 종횡비(HAR) 피처에서 산란된 광자를 기반으로 회절 이미지 생성

도 2는 본 발명의 실시예에 따라, 입사 X선 빔(31)을 웨이퍼(22)로 지향시키는 것에 응답하여 생성된 회절 이미지(50, 51)의 개략도이다. 본 예에서, X선 빔(31)은 웨이퍼(22)의 상부 표면(41) 및 하부 표면(39)에 수직인 축(7)에 대해 일정한 각도(47)로 축(37)을 따라 지향된다. 표면(39 및 41)은 일반적으로 서로 대략 평행하고, 입사 X선 빔(31)은 표면(39, 41)에 수직인 축(7)에 대략 평행(또는 일부 의도된 변화를 가짐)하다는 것에 유의하라. 따라서 각도(47)는 일반적으로 예각이다.

본 명세서 및 청구범위의 맥락에서, 임의의 상대적 또는 절대적 수치 또는 범위에 대한 "약" 또는 "대략"이라는 용어는 본원에 기술된 바와 같이 구성요소의 일부 또는 집합이 자신의 의도된 목적을 위해 기능하도록 허용하는 적합한 치수 공차를 나타낸다.

일부 실시예에서, 웨이퍼(22)는 라인 또는 트렌치(미도시)와 같은 반복적인 2차원(2D) HAR 구조, 또는 명목상 대략적인 원통형을 가지는 구멍(44) 또는 기둥과 같은 3차원 HAR 구조의 어레이를 포함한다. 본 개시내용 및 청구범위의 맥락에서, "종횡비"라는 용어는 해당 피쳐, 예를 들어 구멍(44)의 깊이와 폭(예를 들어, 원형 구멍의 경우 직경) 사이의 비율을 지칭한다.

예를 들어, (i) HAR 구조를 갖는 상술한 라인 및 트렌치는 주기적인 어레이 중 적어도 제1 어레이에 교대로 배열되고, (ii) 구멍(44)(또한 상술한 바와 같이 HAR 구조를 가짐)은 주기적 어레이 중에서 적어도 제2 어레이의 주기적 구조로 배열된다. 도 2의 예에서, 제2 층만이 제시되지만, 다른 예에서, 다른 층은 주기적인 어레이로 배열된 HAR (i) 라인 및 트렌치, 및 (ii) 구멍의 임의의 적절한 조합을 포함할 수 있다.

일부 실시예에서, 구멍(44)의 각 어레이는 일반적으로 수천 또는 수백만 개의 구멍(44)을 포함하고, 적어도 일부 구멍은 아래에 설명된 구조 변형을 가질 수 있다. 일반적으로 구멍(44) 사이의 구조 변형은 어레이 내의 것과 비교하여 어레이 사이에서 다른 특성을 가질 수 있음을 유의하라. 보다 구체적으로, 구조 변형은 일반적으로 평균값 부근에서 어레이(예를 들어, 동일한 주기적 어레이 내의 적어도 2개의 구멍(44) 사이) 내의(즉, 내부) 무작위 변형을 포함하는 반면, 동일한 유형의 구조의 상이한 어레이 사이의 구조 변형은 보다 체계적일 수 있다. 어레이 내의 구조 변형은 또한 예를 들어 해당 구조의 리소그래피 마스크(예를 들어, 구멍(44))의 구조의 직접 기록 프로세스의 변화로 인해 체계적 구성요소를 가질 수도 있지만, 체계적 구성요소는 일반적으로 예를 들어 리소그래피 및 마스크 제조를 포함한 거의 모든 프로세스 단계의 프로세스 변동으로 인해 어레이 사이에서 상당히 더 크다. 상기에 기초하여, 인접 구멍(44) 사이의 불균일성은 일반적으로 상이한 어레이의 구멍(44) 사이의 더 큰 불균일성과 비교하여 주어진 어레이 내의 폐쇄된 이웃 사이에서 더 작다.

도 2의 예에서, 어레이의 일부는 불연속 기호(21)에 의해 분리된다. 아래에 설명된 구조적 변형은 예로서 제시되며, 일반적으로 단일 웨이퍼에서 다음 변형 중 하나 또는 두 개만 발생할 수 있음에 유의하라. 도 2는 웨이퍼(22)의 구멍(44)의 공칭 구조를 나타내는 구멍(44b)을 나타낸다. 구멍(44b)은 공칭 직경(45b)(예를 들어, 표면(41)의 XY 평면에서, Y축은 제시된 XZ 평면의 밖으로 나가기 위해 점선으로 표시됨을 유의하라) 및 구멍(44b)의 축(43a)과 표면(41) 사이에 직각(48)(즉, 축(43a)은 표면(41)에 대략 수직이고 상술한 축(7)에 평행하다)을 갖는다.

일부 실시예에서, 구멍(44a, 44c, 44d, 44e 및 44f)은 구멍(44)을 생성하는 동안 바람직하지 않게 발생할 수 있는 상술한 구조 변형의 일부 예를 나타내기 위해 도시된다. 이는 단지 예시이며, 다른 유형의 체계적이고 통계적인 구조 변형이 발생할 수 있음에 유의하라. 더욱이, 상술한 바와 같이, 일반적으로 이러한 구조 변형 중 단지 하나 또는 둘만이 동일한 웨이퍼(22)에서 발생할 수 있다.

보다 구체적으로, (i) 구멍(44a)은 공칭 직경(예를 들어, 직경(45b))과 다른(예를 들어, 더 큰) 직경(45a)을 갖고, (ii) 구멍(44c)은 배럴 형상 또는 구멍(44b)과 다른 임의의 다른 형상을 갖는다. 구조 변형의 추가적인 특정 예는 다음을 포함하는데: (iii) 구멍(44d)은 사다리꼴 형상을 가지며 상부 직경(45c)과 하부 직경(46) 사이에 실질적으로 차이가 있을 수 있으며, 여기서 직경(45c 및 46) 중 적어도 하나는 상술한 공칭 직경과 다를 수 있고, 및 (iv) 구멍(44f)은 직경(45d)을 갖는다. 공칭 구멍(예를 들어, 구멍(44b))은 또한 사다리꼴 형상을 가질 수 있고, 예를 들어 구멍(44d)의 측벽(25)의 비대칭으로 인해 변형이 발생할 수 있으며, 이는 하기에서 더 자세히 설명된 중심선 이동(CLS)을 유발할 수 있음을 유의하라. 또한, 구조 변형의 다른 특정 예는 다음을 포함하는데: (iv) 구멍의 높이 또는 깊이의 차이, 예를 들어 구멍(44e)의 높이(52)가 구멍(44b)의 높이와 상이하고(예를 들어, 보다 작고), (v) 그의 길이방향 축(43b)이 축(43b)과 축(7) 사이에 정의된 각도(49)로 기울어진 구멍(44f)은 표면(41)에 수직하지 않다. 본 발명의 내용과 청구범위에서, 높이와 깊이라는 용어는 상호교환적으로 사용된다. 부가적으로 또는 대안적으로, 웨이퍼(22)는 측벽을 따른(예를 들어, Z-축을 따른) 및/또는 원주(예를 들어, XY 평면 내)에서의 거칠기, 타원율, 및 구멍(44)의 각도 배향과 같은 다른 구조 변형을 가질 수 있고, 그것들은 피처에 따라서 있는 깊이에 따라 다를 수 있다.

본 발명의 내용 및 청구범위에서, 구멍(44) 또는 트렌치의 "높이" 및 "깊이"라는 용어는 상호 교환적으로 사용되며 샘플, 예를 들어 웨이퍼(22)의 Z-축을 따른 각각의 트렌치 또는 구멍의 크기를 지칭한다. 더욱이, "구멍"이라는 용어는 둥근 원 및/또는 타원과 같은(그러나 이에 제한되지 않는) 닫힌 윤곽의 임의의 적합한 형상을 지칭한다. 따라서 "직경"과 "폭"이라는 용어는 상호교확적으로 사용되며 샘플의 선택된 XY 평면에 있는 구멍의 치수를 나타낸다. 또한, "트렌치" 및 "구멍"이라는 용어는 본원에서 "공동" 또는 그의 문법적 변형으로도 지칭되며, 여기서 구멍은 2차원(2D) 공동을 포함하고 트렌치는 전형적으로 1차원(1D) 공동을 포함한다.

일부 실시예에서, 회절 이미지(50 및 51)는 구멍(44b) 및 구멍(44f)을 갖는 영역으로 각각 입사 X선 빔(31)을 지향시키는 것에 응답하여 시스템(20)에 의해 생성된다. 본 예에서, 회절 이미지(50)는 회절 이미지(51)와 비교하여 상이하고 일반적으로 더 높은 강도 및 대칭성을 가지며, 이는: (i) 상술한 구조 변형 및 (ii) 각도(47)와 각도(48 및 49) 사이의 차이를 나타낸다. 보다 구체적으로, 본 발명자들은 각각의 회절 이미지의 강도가 상이할 때(일반적으로 더 높을 때) 개선된 측정 성능(예를 들어, 최고의 정밀도 및/또는 감도)이 얻어지는 것을 발견하였고, 이는 측정된 구멍의 축(예를 들어, 축(43a 및 43b))이 입사 빔(31)의 축(37)에 평행할 때 획득된다.

신경망을 사용한 이미지 획득 및 측정 성능 개선

도 3은 본 발명의 일 실시예에 따라 신경망(NN)(55)를 훈련시키고 이어서 웨이퍼(44)의 구멍(44)의 X선 분석을 개선하기 위해 NN(55)을 사용하기 위한 프로세스 시퀀스(54)를 개략적으로 도시하는 블록도이다.

일부 실시예에서, NN(55)은 그 구조 및 기능이 각각 도 4 및 도 5에서 하기에 상세히 설명되는 컨볼루션 NN(CNN)(55 및 77)과 같은(그러나, 이에 제한되지는 않음) 임의의 적합한 유형의 NN을 포함한다. CNN(55 및 77)은 프로세서(34) 및/또는 처리 유닛(38)에 구현된 다른 처리 장치(도시되지 않음) 또는 시스템(20)에 연결되거나 포함된 임의의 다른 적절한 컴퓨터(도시되지 않음)에서 구현될 수 있다. 본 개시물의 맥락에서, 신경망이라는 용어는 하드웨어, 소프트웨어, 또는 이들의 적절한 조합으로 구현되는 딥 러닝(DL) 알고리즘(들), 및/또는 기계 학습(ML) 알고리즘(들)과 같은(그러나, 이에 한정되지 않는) 임의의 적절한 인공지능 기술을 가리킨다.

일부 실시예에서, 프로세스 시퀀스(54)는 주요 단계 1, 2 및 3을 포함하며, 이들 각각은 본 명세서에 설명된 하나 이상의 작업을 포함한다. 다음 설명에서, 동작은 프로세서(34)에 의해 수행되지만, 다른 실시예에서, 프로세스 시퀀스(54)의 동작 중 하나 이상은 상술한 바와 같이 임의의 다른 적절한 유형의 처리 장치(들) 및 소프트웨어를 사용하여 수행될 수 있다.

데이터 생성 단계 1에서, 프로세서(34)는 기준 데이터(56), 예를 들어 (i) 하나 이상의 웨이퍼(22) 또는 적절한 기준 웨이퍼의 구멍(44)으로부터 얻은 X선 패턴, (ii) 구멍(44)의 단면에 기초한 데이터, 및 (iii) 임의의 다른 적절한 소스로부터 수신된 다른 종류의 기준 데이터를 수신하도록 구성된다. 프로세서(34)는 예를 들어 검출기 조립체(32)로부터 수신된 신호에 기초하여 기준 데이터(56)의 적어도 일부를 수신 및/또는 생성하도록 구성된다는 점에 유의하라.

일부 실시예에서, 프로세서(34)는 (i) 시스템(20)(및 이의 신호 획득 파라미터), (ii) 구멍(44)을 가지는 하나 이상의 웨이퍼(22)(또는 다른 적합한 웨이퍼)에 대해 시스템(20)에 의해 수행된 측정, 및 (iii) 구멍(44)의 구조적 파라미터(예를 들어, 직경(들), 높이 및 거칠기)의 파라미터(57)를 나타내고 연관되는 라벨(60)을 생성하도록 구성된다.

일부 실시예에서, 상술한 바와 같은 데이터 생성 단계는 예를 들어 모든 훈련 데이터(예를 들어, 참조 데이터(56) 및 라벨(60))가 완전히 합성되고 적절한 시뮬레이션을 사용하여 생성되는 경우 선택적일 수 있다.

일부 실시예에서, 프로세서(34)는 파라미터(57)의 적어도 일부를 예를 들어 XCD용 NanoDiffract(NDX) 제품과 같은(그러나 이에 한정되지 않음) 본 명세서에서 X선 솔버(solver)(58)로 지칭되는 적절한 유형의 합성 데이터 생성기(SDG)에 적용하도록 구성되며, 이는 일반적으로 Onto Innovation(1550 Buckeye Drive Milpitas, CA 95035)에서 공급하는 소프트웨어 제품이다. X선 솔버(58)는 물리적 모델로부터 회귀를 적용했다. 일부 실시예에서, 파라미터(57)에 기초하여, X선 솔버(58)는 훈련 및/또는 검증 데이터(62)로서 NN(55)에 삽입되는 선택적으로 현실적이고 통상적으로 합성 X선 산란 데이터(59)를 생성하도록 구성된다. 일부 실시예에서, 라벨(60)은 NN(55) 훈련에도 사용할 수 있다.

일부 실시예에서, 현실적인 합성 데이터 생성 프로세스는 다음 동작을 포함할 수 있다:

(a) 웨이퍼(22)에 형성된 구멍(44)(예를 들어, 구멍(44b))의 공칭 레이아웃 및 구조를 나타내는 다중 구멍(44)의 합성 어레이(63)를 생성한다. 본 예에서, 어레이(63)의 구조는 3D NAND 장치의 구멍의 공칭 어레이에 기초하지만, 다른 실시예에서, 다중 구멍(44)의 어레이(63)는 적절한 유형의 DRAM 장치와 같은 임의의 다른 장치의 구조(공칭 또는 임의의 다른)에 기초할 수 있다. 본 예에서, 어레이(63)의 대략 12개의 구멍(44)은 하나 이상의 웨이퍼(22) 상에 생성된 실제 구조(상술한 체계적이고 무작위적인 구조 변형을 포함함)를 모델링하기 위해 프로세서(34)에 의해 사용될 것이다.

(b) 기준 데이터(56)에 기초하여, 프로세서(34)는 2개 이상의 구멍의 직경 변화 및 상술한 거칠기와 같은(그러나 이에 제한되지는 않음) 구조 변형(예를 들어, 결함)의 경계 및 하기에 더 상술되는 중심선 시프트를 판정하도록 구성된다.

(c) 이어서, 프로세서(34)는 NN(55)에 대한 훈련 데이터 세트를 생성하도록 구성된다. 훈련 데이터 세트는 각각의(예를 들어, 3D NAND) 장치의 구멍(44)을 생성하기 위한 미리 정의된 프로세스 창 내에 있는 공칭 프로파일을 포함한다. 동시에, 프로세서(34)는 생성된 패턴을 라벨링하기 위해 공칭 프로파일(위의 도 2의 경사각(49)과 같으나 이에 제한되지 않음)의 변동 파라미터를 사용하도록 구성될 수 있다. 일부 실시예에서, 프로세서(34)는 현실적인 회절 패턴을 얻기 위해 어레이(63)의 모든 구멍(44)의 공칭 프로파일의 각 파라미터를 무작위로 왜곡하기 위해 구조 변형(여기서는 구조적 노이즈라고도 함)의 경계를 사용하도록 구성된다. 또한, 프로세서(34)는 X선 광자를 계수하는 이산 특성에서 발생하는 물리적 잡음인 시스템 관련 노이즈를 추정하도록 구성된다. 이 노이즈는 본 명세서에서 푸아송 노이즈 또는 샷 노이즈, 및 시스템(20)의 도구적 아티팩트(예를 들어, 시스템(20)의 슬릿으로부터의 배경 산란 및 시스템(20) 내의 다른 종류의 전기적 및/또는 전기 기계적 상호 작용에 의해 야기되는 노이즈)으로도 지칭되며, 이 시스템 관련 노이즈를 추가하여 현실적인 데이터 생성 프로세스를 완료한다. 예를 들어, 샷 노이즈는 입사 빔(31)의 강도의 통계적 변동으로 인해 발생할 수 있으며, 이는 프로세서(34)에 의해 가산되어 예를 들어 입사 빔(31)의 강도 변화의 푸아송 분포에 따라 회절 이미지(61b)에 도시된 회절 패턴을 얻는다.

도 3의 예에서, 데이터(59)는 회절 이미지(61b)를 포함하는 데이터(59b)와 같은 합성 데이터를 포함한다. 추가적으로, 데이터(59)는 회절 이미지(61a)를 포함하는 데이터(59a)와 같은 실제 데이터를 포함할 수 있다. 검증 프로세스에서, 발명자들은 유사한 구조 변형 및 노이즈를 사용하여 생성된 구멍(44)의 실제 회절 이미지와 시뮬레이션된(합성) 회절 이미지를 비교하고, 회절 이미지(61a와 61b) 사이에서와 같이 실제 회절 이미지와 시뮬레이션된 회절 이미지 사이에서 높은 충실도를 얻는다. 평균 폭, 깊이에 따라 변경된 기울기 각도(아래 도 7에서 자세히 설명), 동일한 어레이 내에서 구멍 간 변형과 같은 일부 파라미터는 어레이 내, 어레이 사이, 및 웨이퍼(22) 상의 상이한 위치에서 다른 정도의 변형을 가질 수 있다는 것에 유의하라. 일부 실시예에서, X선 솔버(58)는 해당 구멍(44) 및 다른 종류의 HAR 구조의 합성 회절 이미지를 생성하면서 이러한 파라미터를 모델링에 통합하도록 구성된다.

일부 실시예에서, 시뮬레이션된 합성 회절 이미지는 구멍(44)의 폭, 깊이, 및 기울기의 각도의 x 및 y 성분과 같은(그러나 이에 한정되지 않음) 다수의 파라미터의 변화를 포함할 수 있는 큰 프로세스 창에 걸쳐 NN(55)을 훈련시키는 데 사용될 수 있다. 파라미터의 적어도 일부는 필요한 부분만 약간 수정하여 웨이퍼(22) 또는 3D NAND 장치 또는 DRAM 장치의 구조를 갖는 다른 웨이퍼 또는 관심 있는 HAR 구조를 갖는 임의의 다른 적절한 유형의 장치에서 생산될 수 있는 다른 적절한 HAR 구조에 적용 가능하다는 점에 유의하라.

일부 실시예에서, 프로세서(34)는 동일하지 않은 구멍(44)의 합성 어레이를 생성하도록 구성되며, 각 구멍(44)의 기하학적 구조는 독립적으로 변경될 수 있다. 본 예에서, 시뮬레이션된 어레이의 구멍(44)의 수는 X선 빔(31)에 의해 조사되고 알려진 단면적을 갖는 실제 웨이퍼(22)의 코히어런스 체적에 포함된 구멍(44)의 수와 거의 동일하다.

일부 실시예에서, 회절 이미지 중 적어도 하나 및 일반적으로 모든 회절 이미지는 합성 회절 이미지를 포함하며, 이는 각각의 라벨(60)에 기초하여 생성되고 운동학적 산란 이론에 기초한 보른 근사법을 사용하여 계산된다. 운동학적 산란 이론을 CD 프로파일링(XCD)에 적용한 한 가지 예는 뉴욕 주립대, 알바니 대학의 Charles M. Settens의 박사 학위 논문인 "An Assessment of Critical Dimension Small Angle X-ray Scattering Metrology for Advanced Semiconductor Manufacturing"(2015)에 설명되어 있으며, 그의 개시 내용은 여기에 참조로 포함된다.

NN 훈련 및 검증 단계 2에서, 프로세서(34)는 회절 이미지(61a 및 61b)와 같은 훈련 데이터(62)와 NN(55) 훈련을 위한 라벨(60)을 사용하도록 구성된다. 예를 들어, 프로세서(34)는: (i) 입력 파라미터로서 회절 이미지(61a 및 61b)를 삽입하고, (ii) NN(55)에 의해 추정된 구멍(44)의 폭 측정과 같은 출력 파라미터를 NN(55)으로부터 수신하고, (iii) 해당 구멍(44)의 라벨에 기초하여, NN(55)에 해당 레이블(60)에 제공된 구멍(44)의 폭 측정을 피드백하여 감독 학습을 수행,함으로써 NN(55)의 DN 알고리즘을 훈련하고 검증하도록 구성된다. 훈련 프로세스의 이 예는 각 훈련 데이터 세트(62) 및 해당 레이블(60)에 대해 순차적으로 수행되어 NN(55)이 훈련되고 있고, 이에 따라 NN(55)으로부터의 추정 출력이 해당 라벨(60)의 출력에 가까워지도록 한다. 즉, 훈련 과정을 따라 NN(55)의 정확도가 향상된다. 훈련 프로세스의 안정성은 일반적으로 10/90으로 훈련 데이터와 관련된 검증 데이터(62) 및 레이블(60)로 제어된다.

레이블(60) 및 훈련 데이터(62)의 세트의 수는 CIFAR-10 및 MNIST와 같은 당업계에 알려진 적절한 데이터 세트와 유사하게 약 30,000 내지 70,000일 수 있음에 유의하라. 훈련 세트의 최소 수는 애플리케이션의 복잡성, NN(55) 구조의 깊이(아래 도 4 및 5에서 설명된 바와 같이), 입력 및/또는 출력 파라미터의 수, 훈련 세트의 품질, 및 기타 고려 사항에 따른다는 것에 유의하라.

예시적인 실시예에서, 출력 파라미터는 표면(41)에 수직인 축(37)과 축(7) 사이의 각도(47)를 포함할 수 있고, 입력 파라미터는 회절 이미지를 포함할 수 있다. 이 예에서, 훈련 단계 동안, 프로세서(34)는 NN(55)이: (i) 회절 이미지의 각 입력에 대한 각도(47)의 실제 값을 추정하고, (ii) 시스템(20)의 사용자에게 각각의 회절 이미지에서 최대 강도를 얻기 위해 필요한 최적의 각도(47)를 포함하는 출력을 제공하기 위해, 훈련하도록 구성된다. 즉, NN(55)은 각각의 회절 이미지의 강도를 증가시키기 위해 입사 빔(31)의 축(37)의 방향을 조정하고, 이에 따라 X선 분석(예를 들어, 각각의 구멍(44)의 직경 및/또는 높이 측정)의 품질을 개선시키도록 사용자에게 추천하도록 구성된다.

일부 실시예에서, 프로세서(34)는 훈련 단계, 예를 들어 상술한 NN 훈련 및 검증 단계 2를 완료하기 위해 NN(55)으로부터 요구되는 정확도 레벨을 나타내는 하나 이상의 임계값을 저장하도록 구성된다.

NN 훈련 및 검증 단계 2를 마친 후에 수행되는 추론 단계 3에서, 프로세서(34)는 검출기 조립체(32)로부터 수신된 측정 데이터(65)(예를 들어, 하나 이상의 회절 이미지)를 NN(55)의 훈련 및 검증을 마친 후 획득되는 훈련된 딥러닝 모델(66)에 입력하도록 구성된다. 이어서, 측정된 데이터(65) 수신에 응답하여, 훈련된 딥 러닝 모델(66)은 하나 이상의 추론 파라미터(67)를 출력하도록 구성된다. 예를 들어, 추론 파라미터(67)는: (i) 각각의 구멍(44)의 직경 및/또는 높이의 측정, 및/또는 (ii) 각각의 구멍(44)의 각각의 회절 이미지에서 최대 강도를 얻기 위해 필요한 최적의 각도(47)를 포함한다. 프로세서(34)는 최적화된 각도를 얻기 위해 스테이지(40)를 제어하여 웨이퍼를 χ 및 ω 방향 중 적어도 하나(즉, χ 및 ω 축 중 적어도 하나에 대해)로 회전시키도록 구성된다는 것에 유의하라. 이러한 파라미터는 프로세스를 모니터링하는 데 사용되거나 물리적 모델링 소프트웨어에 대한 하나 이상의 시작 파라미터 값으로 사용되거나 후속 측정, 즉 정렬 전에 도 2의 SAXS 시스템을 제어하는 데 사용될 수 있다.

프로세스 시퀀스(54)를 도시하는 블록도는 예로서 그리고 개념적 명료성을 위해 제공되며, 필요한 부분만 변경하여 다른 애플리케이션에 적용될 수 있다. 또한, 프로세스 시퀀스(54)는 다양한 환경에서 프로세스를 구현하기 위해 조정될 수 있거나 추가 및/또는 대체 단계 및 동작을 포함할 수 있다. 프로세스 시퀀스(54)의 추가적인 세부 사항은 예를 들어 Baranovskiy 등의 미국 가특허 출원 63/390,328에 설명되어 있고(출원일: 2022년 7월 19일), 그의 개시 내용은 여기에 참조로 포함된다.

도 4는 본 발명의 실시예에 따른 NN(55)의 구조의 개략도이다.

일부 실시예에서, NN(55)은 검출기 조립체(32)로부터 수신되고 임의의 적합한 크기, 본 예에서는 약 150×150 픽셀의 크기를 갖는 입력 회절 이미지(53)를 수신하도록 구성되는 컨볼루션 신경망(CNN)을 포함한다.

일부 실시예에서, NN(55)은 NN(55)의 일부 뉴런을 끄도록 구성되는 드롭아웃 층(70)을 포함하는 층의 블록(68)을 포함한다. 예를 들어, 드롭 아웃 층(70)은 NN(55)의 뉴런의 무작위로 선택된 약 20%의 출력을 0으로 설정하여, 제로 값(예를 들어, 그레이 레벨의)을 회절 이미지(53)의 픽셀의 약 20%로 설정하도록 구성된다. 동시에, 드롭아웃 레벨은 이미지의 크기를 변경하지 않으며 출력은 입력과 같은 크기이다. 본 예에서, 회절 이미지(53)에 드롭아웃 층(70)을 적용한 후, 픽셀의 수는 입력 이미지의 크기인 150픽셀을 유지한다. 이러한 실시예에서, 본 발명의 NN의 드롭아웃 층은 입력 데이터의 노이즈 특성을 보상하기 위해 적용된다.

일부 실시예에서, 블록(68)은 이미지의 150픽셀 x 150픽셀에 적용된 약 32가지 종류의 컨볼루션 필터(CF)를 갖는 컨볼루션 층(71)을 포함하고, 따라서 컨볼루션 층(71)의 출력은 136X136X32의 크기를 갖는다. 본 예에서, 컨볼루션 층(71)의 각 CF는 약 15픽셀×15픽셀의 어레이를 가지며, 이는 (i) 상술한 150픽셀×150픽셀을 따라 가로질러 1픽셀의 스텝 크기로 이동하고, (ii) 이미지의 150픽셀 x 150픽셀에 적용된다. 즉, 입력 이미지(예를 들어, 150 x 150 픽셀)는 각각의 CF의 크기를 갖는 패치(예를 들어, 15 픽셀 x 15 픽셀, 본 명세서에서 제1 매트릭스라고도 함)로 분할되고, 이는 미리 정의된 컨볼루션 커널(여기서는 제1 매트릭스라고도 함)이다. 이어서, 제1 및 제2 매트릭스의 요소별(elementwise) 곱셈 및 합산이 각각의 컨볼루션 층의 출력에 적용된다.

일부 실시예에서, 층(71)은 층(71)의 각각의 CF 후에 출력에 적용되는 하이퍼볼릭 탄젠트 활성화 함수(tanh)와 같은(그러나 이에 제한되지 않음) 적절한 활성화 함수를 포함한다. tanh는 시그모이드 활성화 함수와 유사하고 동일한 S자 모양을 가지므로 tanh는 -1과 1 사이의 범위에 있는 값을 입력 및 출력 값으로서 임의의 실수 값을 취한다. 또한 하이퍼볼릭 탄젠트 시그모이드 및 양의 선형 전달 함수는 시그모이드 뉴런의 숨겨진 층을 나타내는 데 사용되고, 양의 선형 뉴런의 출력 층이 이어진다. tanh 활성화 함수의 출력은 0 중심이므로 NN(55)은 컨볼루션된 회절 이미지의 가장 중요한 피처를 식별하는 데 어떤 CF가 더 중요한지 식별하기 위해 출력 값을 강한 음수, 중립 또는 강한 양수로 쉽게 매핑하도록 구성된다. 층(71)의 모든 CF 및 tanh 함수를 적용한 후, 이미지의 크기는 약 150픽셀 x 150픽셀에서 약 136픽셀 x 136픽셀로 축소된다.

일부 실시예에서, 블록(68)은 축소된 크기의 이미지의 약 136픽셀 x 136픽셀에 적용된 약 64개의 서로 다른 종류의 CF를 갖는 추가적인 컨볼루션 층(72)을 포함하고, 따라서 컨볼루션 층(72)의 출력은 126X126X64의 크기를 갖는다. 본 예에서, 컨볼루션 층(72)의 각각의 CF는 약 11픽셀×11픽셀의 어레이를 가지며, 이는 (i) 상술한 136픽셀×136픽셀을 따라 가로질러 1픽셀의 스텝 크기로 이동되고, (ii) 이미지의 136픽셀 x 136픽셀에 적용된다. 층(72)은 또한 상술한 tanh 함수를 포함하여, 각각의 CF를 적용한 후 tanh 함수는 상술한 층(71)에서 기술된 동일한 기술을 사용하여 126 픽셀 x 126 픽셀에 적용되도록 한다. 층(71)의 모든 CF 및 tanh 함수의 적용 후, 이미지의 크기는 약 136픽셀×136픽셀에서 약 126픽셀×126픽셀로 감소된다.

일부 실시예에서, 블록(68)은 축소된 크기의 이미지의 126픽셀 x 126픽셀에 적용된 약 128개의 서로 다른 종류의 CF를 갖는 추가적인 컨볼루션 층(73)을 포함하고, 따라서 컨볼루션 층(72)의 출력은 120X120X128의 크기를 갖는다. 본 예에서, 컨볼루션 층(72)의 각각의 CF는 약 7픽셀×7픽셀의 어레이를 가지며, 이는 (i) 상술한 126픽셀×126픽셀을 따라 가로질러 1픽셀의 스텝 크기로 이동되고, (ii) 이미지의 120픽셀 x 120픽셀에 적용된다. 층(73)은 또한 상술한 tanh 함수를 포함하여, 각각의 CF를 적용한 후 tanh 함수는 상술한 층(71)에서 설명한 동일한 기술을 사용하여 120 픽셀 x 120 픽셀에 적용된다.

일부 실시예에서, NN(55)은 드롭아웃 층(74)을 갖는 층의 블록(69)을 포함하며, 이는 예를 들어 드롭아웃 층(70)에서 상술한 기술을 사용하여 NN(55)의 뉴런 중 일부를 끄도록 구성된다. 따라서, 드롭아웃 층(74)은 드롭아웃 층(74)의 출력이 약 120픽셀 x 120픽셀이 되도록 층(73)의 뉴런의 대략 20%를 무작위로 선택한 출력을 설정하도록 구성된다.

일부 실시예에서, 블록(69)은 컨볼루션 층(75 및 76)을 포함한다. 컨볼루션 층(75)은 드롭아웃 층(74)의 이미지의 120픽셀 x 120픽셀에 적용되는 약 128개의 상이한 종류의 CF를 포함하며, 따라서 컨볼루션 층(75)의 출력은 118X118X128의 크기를 갖는다. 본 예에서, 컨볼루션 층(75)의 각 CF는 약 3픽셀×3픽셀의 어레이를 가지며, 이는 (i) 상술한 120픽셀×120픽셀을 따라 가로질러 1픽셀의 스텝 크기로 이동하고, (ii) 드롭아웃 층(74)의 이미지의 120픽셀 x 120픽셀에 적용된다. 위의 층(71)에서 설명한 동일한 기술을 사용하여, 입력 이미지(예를 들어, 120 x 120픽셀의)를 미리 정의된 컨볼루션 커널인 각각의 CF의 크기를 가진 패치(예를 들어, 3픽셀 x 3픽셀의)로 분할한다. 이어서, 패치와 각 CF의 요소별 매트릭스 곱셈 및 합산이 각 컨볼루션 층의 출력에 적용된다.

일부 실시예에서, tanh 함수 대신에, NN(55)의 각각의 컨볼루션 층(75 및 76)은 층(75 및 76)의 각각의 CF 후에 출력에 적용되는 ReLU(Rectified Linear Unit)를 포함한다. ReLU는 입력이 음수이면 0 값을 반환하지만 양수 값 x에 대해 ReLU는 해당 값을 다시 반환하는 활성화 함수이다. 따라서 ReLU는 f(x)=max(0,x)로 쓸 수 있다.

일부 실시예에서, 120X120X128 층에 컨볼루션 층(75) 및 ReLU를 적용한 후, 출력 픽셀 수는 118픽셀×118픽셀로 감소되고, 약 128 CF를 갖는 컨볼루션 층(76)은 상기의 층(71)에 설명된 기술을 사용하는 118픽셀×118픽셀에 적용된다. 게다가, ReLU는 상술한 바와 같이 층(76)의 각 CF 이후의 출력에도 적용된다.

일부 실시예에서, NN(55)은 드롭아웃 층(78)을 포함하는 층의 블록(81)을 포함하며, 이는 예를 들어 드롭아웃 층(70)에서 상술한 기술을 사용하여 층(76)의 뉴런 중 일부를 끄도록 구성된다. 따라서, 드롭아웃 층(78)은 드롭아웃 층(78)의 출력이 116x116x128이 되도록 층(76)의 뉴런의 대략 20%를 랜덤하게 선택된 출력을 설정하도록 구성된다.

일부 실시예에서, 블록(81)은 약 256개의 컨볼루션 층을 포함하며, 본 명세서에서는 약 116 픽셀 x 1 픽셀의 컨볼루션 커널 크기를 갖는 약 256개의 상이한 종류의 CF를 갖는 다중층(79)으로 지칭된다. 따라서, 256개의 채널을 갖는 2차원(2D) 층 대신에 다중층(79)은 출력이 1X116X256의 크기를 갖는 1차원(1D) 층을 포함한다.

일부 실시예에서, 블록(81)은 256개 채널로부터의 데이터를 단일 채널로 변환하도록 구성된 1X1의 컨볼루션 크기를 갖는 층(80)을 포함한다. 따라서 층(80)은 단일 라인을 따라 약 116개의 뉴런을 포함하며 출력 크기는 1X116X1이다. ReLU는 상술한 것처럼 층(80)의 각 116개 뉴런 이후의 출력에도 적용된다.

일부 실시예에서, 층(79)은 NN(55)이 구멍(44)의 기울기를 평가하는 데 더 초점을 맞추도록 하기 위한 통합 층으로서 기능 한다. 따라서, 층(79)은 x기울기에 대해 y방향으로의 길이 및 y울기에 대한 x 방향의 길이와 같은 커널 크기를 가진 컨볼루션 층을 포함한다. 이런 식으로 CNN은 완벽하게 정렬된 50개 구멍과 특정한 방향으로 기울어진 51개 구멍으로부터의 회절 패턴 사이의 대칭 변화를 개시하는 피처에 집중해야 한다. 또한 이것은 제1 완전 연결 계층(FC)(83)에서 뉴런당 가중치 수를 줄이고 계산 시간을 줄이며 과적합(overfitting)으로부터 NN을 제공한다.

딥 러닝에는 해당 이미지(또는 다른 객체)의 가장 중요한 특징을 식별하고 학습하는 데 각 CNN을 지원하는 컨볼루션 유형을 식별하기 위해 많은 수의 컨볼루션 층이 필요하다.

일부 실시예에서, NN(55)은 완전히 연결된(FC) 층 세트를 포함하는 블록(82)을 포함한다. 완전 연결 층(여기서는 밀집 층(dense layer)이라고도 함)에서 모든 뉴런은 이전 층의 대응하는 단일 뉴런으로부터 입력을 받는다는 것에 유의하라. 이 아키텍처는 각 뉴런이 상술한 컨볼루션 커널 내부의 뉴런에서만 정보를 얻는 앞서 언급한 컨볼루션 층과는 상이하다.

본 예에서, 블록(82)은 약 750개의 뉴런을 갖는 FC 층(83), 각각 약 300개의 뉴런을 갖는 FC 층(84, 85 및 86), 약 150개의 뉴런을 갖는 FC 층(87) 및 약 150개의 뉴런을 갖는 FC 층(89)을 포함한다. 일부 실시예에서, ReLU는 각각의 FC 층(84-87) 및 FC 층(89)의 출력에 적용된다.

일부 실시예에서, 블록(82)은 약 150개의 뉴런을 갖는 FC 층(90), 블록(82) 및 NN(55)의 마지막 층이고 NN(55)의 출력을 제공하는 단일 뉴런을 갖는 FC 층(91)을 추가로 포함한다. NN(55)의 출력은 위의 도 3에 기술된 바와 같이 하나 이상의 추론 파라미터(67)를 포함한다. 예를 들어, 추론 파라미터(67)는 위의 도 2에 도시된 다음 파라미터 중 적어도 하나를 포함할 수 있다: (i) 표면(41)에 수직인 축(37)과 축(7) 사이의 각도(47), (ii) 직경(45b, 45c, 46 및 45d)과 같은 하나 이상의 직경의 측정, (iii) 높이(52)와 같은 높이의 측정, 및 (iv) 구멍(44) 및/또는 웨이퍼(22)의 다른 구조 및 층(미도시)과 관련된 다른 파라미터.

일부 실시예에서, 상기 tanh 함수에 대해 기술된 바와 같이, 약 -1과 1 사이의 값을 갖는 NN(55)의 출력을 수신하기 위해, tanh 함수는 각각의 FC 층(90 및 91)의 출력에 적용된다.

CF 층에서 더 많은 수의 뉴런이 NN(55)의 학습 정확도를 향상시킬 수 있지만 학습 기간이 길어지고 데이터의 과적합을 가져올 수 있다(예를 들어, 익숙하지 않은 데이터에 대한 NN의 불안정하거나 잘못된 작업)는 것에 유의하라.

대안적인 실시예에서, NN(55)은 임의의 다른 적절한 유형의 활성화 함수를 포함할 수 있으며, 이는 tanh 대신에 또는 tanh에 추가하여 필요한 부분만 약간 수정하여 NN(55)에서 구현된다.

본 예에서, 개요 및 상기 도 1에 상술된 바와 같이, NN(55)은 HAR 구멍(44)의 주기적 어레이의 합성 회절 이미지에 적용되었다. 다른 실시예에서, NN(55)은 필요한 부분만 약간 수정하여: (i) HAR 구조를 갖는 라인 및 트렌치의 주기적 어레이, 및 (ii) (a) 구멍(44), 및 (b) 모두 단일 층으로 배열된 HAR 라인 및 트렌치의 적절한 조합을 포함하는 주기적 어레이, 중 적어도 하나에 적용될 수 있다.

이러한 실시예에서, NN(55)은: (i) 제1 어레이에서 적어도 2개의 HAR 라인 사이, (ii) 제1 어레이에서 적어도 2개의 HAR 트렌치 사이, 및 (iii) 제2 어레이에서 적어도 2개의 HAR 구멍(44) 사이(도 2의 예에서 도시된), 중 적어도 하나에서의 하나 이상의 변형을 나타내는 하나 이상의 X선 분석을 출력하도록 구성된다.

NN(55)의 이러한 특정 구성은 본 발명의 실시예에 의해 다루어지는 특정 문제를 예시하고 그러한 CNN의 성능을 향상시키는 이러한 실시예의 적용을 보여주기 위해 예로서 도시된다. 그러나 본 발명의 실시예는 이러한 특정 유형의 예시 NN에 결코 제한되지 않으며, 여기에 설명된 원리는 다른 유형의 신경망에도 유사하게 적용될 수 있다.

도 5는 본 발명의 다른 실시예에 따른 신경망(NN)(77)의 구조의 개략도이다. NN(77)은 예를 들어 위의 도 3의 NN(55)을 대체할 수 있다.

육각형 격자로 배열된 메모리 장치의 HAR 구멍로부터의 회절 이미지는 일반적으로 방사형 대칭을 갖지만 약간의 변형이 있을 수 있음에 유의하라. 변형은 구멍(44)의 구조 변형(위의 도 2에 상세히 도시되고 설명된 바와 같음) 및 시스템(20)에서 발생하는 포아송 또는 기타 노이즈(위의 도 3에 상세히 설명된 바와 같이)와 같은 여러 소스에 의해 발생할 수 있다.

이제 회절 이미지(53)에 적용되고 그 위에 제시된 컨볼루션 필터(CF)(11 및 12)를 보여주는 인셋(10)을 참조한다. 일부 실시예에서, 프로세서(34)는 회절 이미지(53) 위에 CF(11 및 12)를 표시하거나 표시하지 않을 수 있으므로, CF(11 및12)의 프리젠테이션이 개념의 명확성을 위해 표시된다.

본 예에서, CF(11 및 12)는 약 150픽셀 × 150픽셀의 치수를 갖는 회절 이미지(53)에 임의의 적합한 컨볼루션 커널(예를 들어, 평균화 또는 에지 필터링)을 적용하도록 구성된다. 인셋(10)의 예에서, (i) CF(11)는 위의 도 4에 상세히 설명된 CF와 같은 직교 좌표 기반 CF를 포함하고, (ii) CF(12)는 원형 CF(CCF)를 포함하므로, 본 명세서에서는 CCF(12)라고도 한다. 이론적으로, CCF(12)를 회절 이미지(53)에 적용하는 것이 가능하지만, 그러한 적용은 회절 이미지(53)와 같은 직교 좌표 이미지에 적용하기에는 복잡할 수 있다. 일부 실시예에서, 회절 이미지(53)를 극좌표로 변환하기 위해 CF(11)과 같은 적절한 직교 좌표 기반 CF를 적용할 수 있다.

이제 도 5의 일반도를 다시 참조한다. 일부 실시예에서, 프로세서(34)는 회절 이미지(53)를 극좌표(PC)로 변환하도록 구성되고, 그에 따라 본 예에서 약 360도 및 약 0과 75 검출기 픽셀 사이의 반경 R을 갖는 PC 기반 회절 이미지(PCDI)(88)를 생성한다.

이제 수평 축에서 각도 θ 및 수직 축에서 반경 R을 갖는 그래프 위에 제시된 PCDI(88)를 보여주는 인셋(14)에 대한 참조가 이루어진다. 일부 실시예에서, 인셋(10)의 CF(12)에 대응하는 CF(13)는 PCDI(88)에 적용되고, 선택적으로 PCDI(88) 위에 제시된다. 직교좌표에서 극좌표로의 변환으로 인해 CF(12 및 13)는 각각 (i) 회절 이미지(53)(인셋(10)의) 및 (ii) PCDI(88)(인셋(14)의)에서 상이하게 나타난다는 것에 유의하라.

일부 실시예에서, NN(77)은 R 축을 따라 CF(13)를 이동시킴으로써 CF(13)를 PCDI(88)에 적용하도록 구성되는 반면, 인셋(10)의 회절 이미지(53)에서 NN(77)은 회절 이미지(53)의 전체 영역을 커버하기 위해 회절 이미지(53)의 두 축을 따라 CF(11)를 적용하도록 구성된다.

이러한 실시예에서, CF(13) 및 그 스캐닝은 인셋(10)에 도시된 회절 이미지(53)에 CF(12)에 의해 적용된 동일한 컨볼루션 커널을 PCDI(88)에 적용하기 위해 극좌표에 적응된다.

이제 도 5의 일반도를 다시 참조한다. 일부 실시예에서, NN(77)은 약 16개의 컨볼루션 층을 갖는 다층 CF(92)를 포함하고, 각 층은 약 3픽셀 x 3픽셀의 컨볼루션 커널 크기를 가지며, 따라서 다층 CF(92)의 크기는 16X3X3이다. PCDI(88)에 CF(13)를 적용하고(위에서 설명된 바와 같이) 주어진 출력(본원에서 방사형 출력이라고도 함)을 수신한 후, NN(77)은 다층 CF(92)를 해당 주어진 출력에 적용하도록 구성된다. 또한, 다층 CF(92)의 각 층을 적용한 후, ReLu가 각각의 출력에 적용된다(예를 들어, 다층 CF(92)의 16개 층 각각을 적용한 후).

일부 실시예에서, NN(77)은 다층 CF(92) 및 ReLU(위에서 설명됨)의 출력에: (i) 3픽셀 폭과 CF(92) 컨볼루션의 출력 전체 길이(3x358)의 하나(인셋(77)에 도시된 바와 같이) 또는 다수의 CF 및 (ii) 각 전체 길이의 컨볼루션 후 ReLU,를 적용하도록 구성된 다층 CF(93)를 포함한다. 이러한 컨볼루션은 위의 인셋(14)에 표시되고 설명된 바와 같이 직교 좌표에 원형 컨볼루션을 적용하는 것에 해당한다는 것에 유의하라.

일부 실시예에서, NN(77)은 각각 128, 128, 64 및 1개의 뉴런을 갖는 완전 연결(FC) 층(94, 95, 96 및 97)을 포함하는 블록(99)을 포함한다.

이미지(53) 및 PCDI(88)의 회절 패턴의 방사형 대칭을 이용하기 위해, 다층 CF(93)는 블록(99)의 FC 층을 다층 CF(92 및 93) 및 각각의 ReLU의 출력에 적용하기 전에 집적 층으로서 기능을 할 수 있다는 점에 유의하라.

일부 실시예에서, FC 층(94, 95, 96, 97) 각각을 적용한 후에 얻어진 출력에 ReLU가 적용되어, FC 층(97)의 출력이 양수를 포함하도록 한다. 예를 들어, FC 층(97)이 구멍(44)의 직경을 나타내야 하는 NN(77)의 출력의 경우, NN(77)의 출력이 0보다 크도록 보장하기 위해 FC 층(97)을 적용한 후 출력에 ReLU를 적용해야 한다.

부가적으로 또는 대안적으로, NN(77)의 출력은 후속 측정에서 입사 X선 빔(31)을 웨이퍼(22)의 미리 정의된 사이트로 지향시키기 위한 권장 각도(47)를 나타낼 수 있다. 그러한 실시예에서, NN(77)의 출력이 위의 도 2에 도시된 축(37)과 표면(41) 사이의 정렬 각도의 모든 가능한 값을 커버하도록 보장하기 위해 FC 층(97)을 적용한 후에 tanh 또는 선형 단위가 출력에 적용될 수 있다.

일부 실시예에서, 회절 이미지(53)와 같은 방사상 대칭을 갖는 임의의 적절한 이미지를 극좌표로 변환함으로써, 각각의 CNN이 단순화될 수 있다. 본 예에서, NN(55 및 77) 둘 모두는 훈련받도록 구성되고, 이어서, 구멍(44)을 분석(예를 들어, 구멍의 직경 측정)하는 데 사용된다. 이와 같이, NN(77)은 NN(55)보다 훨씬 단순해 보이고, 따라서, NN(77)의 훈련은 더 짧을 것으로 예상된다. 예를 들어, NN(77)은 수렴하기 위해 훨씬 적은 수의 훈련 세트(NN(55)에 비해)가 필요하다. 본 발명의 맥락에서, 수렴이라는 용어는 위의 도 3에 기술된 훈련 모델을 얻는 것을 말한다. 예를 들어, 위의 도 3에서 설명한 바와 같이, NN(77)의 출력과 해당 훈련 세트의 출력 사이의 계산된 차이는 주어진 임계값보다 작거나, 이 차이가 포화 상태에 도달한 때, 즉 훈련이 증가해도 변하지 않는다.

추가로 또는 대안적으로, 위의 도 4에 설명된 NN(55)과 비교할 때, NN(77) 및 도 5에 설명된 기술을 적용할 때, 각 훈련 세트에 대한 훈련 시간 기간은 도 4에 비해 약 2배 더 짧다. 또한, 방사상 대칭 이미지의 추론 단계에서, NN(77)을 사용하는 경우 추론 단계의 지속 시간이 NN(55) 또는 직교 좌표계에 제시된 회절 이미지에 적용되도록 구성된 다른 적절한 NN을 사용하는 경우에 비해 상당히 짧다.

일부 실시예에서, 이미지(53) 및 PCDI(88)의 회절 패턴의 방사상 대칭을 이용함으로써, NN(77)은 약 50,000개 이상의 훈련 가능한 파라미터를 필요로 하지 않을 수 있다. 비교하자면 AlexNet(Alex Krizhevsky가 Ilya Sutskever 및 Geoffrey Hinton과 협력하여 제공)과 같이 널리 사용되는 CNN 아키텍처를 선택하는 동일한 애플리케이션의 경우 훨씬 더 많은 훈련 가능한 파라미터가 필요하다. 예를 들어, 앞서 언급한 50,000개의 훈련 가능한 파라미터보다 약 3배 더 많다. 이렇게 적은 양의 필요한 훈련 가능한 파라미터는 각각의 NN(예를 들어, NN(77))의 구조를 단순화하고 훈련 데이터의 양을 줄임으로써 상술된 훈련 및 추론 단계 모두의 시간을 줄인다는 점에 유의하라.

즉, 훈련 및 추론 단계의 처리량은 평균 CD 평가를 위해 몇 배나 향상될 수 있다. 이 아키텍처와 기술은 또한 물리적 모델을 기반으로 하는 X선 회절 패턴의 전체 프로파일링에 대한 일반적인 정확도와 정밀도를 보존할 수 있다. 또한 이러한 분석은 예를 들어 모델 개발 및 활용 중에 자격을 갖춘 운영자의 감독이 필요한 물리적 모델에 기반한 회귀와 달리 감독 없이 자동으로 수행될 수 있다. NN 기반 분석의 경우 감독자로부터 검증 및/또는 조정이 필요한 모든 파라미터는 X선 솔버(58)로 참조 데이터 분석(56) 동안 검증 및 조정되어 합성 데이터(59) 및 훈련 NN(인셋(54))을 생성한다.

본 명세서 및 청구범위의 맥락에서, NN(77)은 회절 이미지(53)를 극좌표로 변환하는 PCDI(88)에 적용되도록 의도된 방사형 네트라고도 한다.

일부 실시예에서, 개시된 기술은 방사상 대칭을 가질 것으로 예상되는 임의의 이미지로 일반화될 수 있다. 이러한 실시예에서, 개시된 기술은 특히 이미지를 극좌표(본 명세서에서 방사상 이미지라고도 함)로 변환하는 단계, 및 후속적으로 방사상 이미지의 하나 이상의 세트에 방사상 네트를 훈련 및 적용하는 단계를 포함한다. 이러한 기술은 훈련 단계에서 훈련 프로세스를 단순화하고 및/또는 추론 단계에서 정확도를 향상시킬 수 있다.

이제 여기서 검출기 조립체(32a, 32b)로 지칭되는 X선 검출기 조립체(32)의 외부 표면의 2개의 선택적인 구성을 보여주는 인셋(17)을 참조한다.

일부 실시예에서, 검출기 조립체(32a)에서, 구멍(44)으로부터 회절된 X선 광자를 검출하도록 구성된 외부 표면은 직사각형(예를 들어, 정사각형) 셀(18)의 어레이를 포함한다. 예를 들어, 셀(18)의 어레이는 약 150 셀 x 150 셀을 포함하여, 주어진 셀(18)에 의해 검출된 X선 광자의 수가 회절 이미지(53)에서 대응하는 픽셀의 그레이 레벨을 나타내도록 한다. 이 구성에서, 프로세서(34)는 입사 X선 빔(31)을 웨이퍼(22)에 적용하는 것에 응답하여 셀(18)에 의해 검출된 X선 광자에 기초한 회절 이미지(53)를 생성하도록 구성된다.

다른 실시예에서, 검출기 조립체(32b)에서, 구멍(44)으로부터 회절된 X선 광자를 검출하도록 구성된 외부 표면은 방사상 대칭 및/또는 결과적인 픽셀의 육각형 배열로 배열된 육각형 셀(98)을 포함한다. 예를 들어, 가상 원(16)의 모든 포인트는 각각의 육각형 셀(98)에 해당한다. 이 구성에서, 프로세서(34)는 입사 X선 빔을 웨이퍼(22)에 적용하는 것에 응답하여 셀(98)에 의해 검출된 X선 광자에 기초하여 PCDI(88)를 생성하도록 구성된다. 즉, 검출기 조립체(32)는 셀(예를 들어, 셀(98))의 어레이를 포함할 수 있고, 각 셀은 적절한 형상(예를 들어, 육각형 형상)을 갖는다. 이 구성에서, 셀은 원(예를 들어, 가상 원(16)) 또는 방사상 대칭을 갖는 임의의 구조의 둘레를 따라 배열될 수 있다. 따라서, 검출기 조립체(32)로부터 수신된 신호에 기초하여, 프로세서(34)는 회절 이미지(예를 들어, PCDI(88))를 극좌표로 직접 생성하도록 구성된다. 더욱이, 일반적으로 더 작고 훈련하기에 더 빠른 방사형 NN(예를 들어, NN(77))이 방사형 대칭을 갖는 이미지(예를 들어, PCDI(88))를 분석하는 데 사용될 수 있다.

NN(77)의 이러한 특정 구성은 본 발명의 실시예에 의해 다루어지는 특정 문제를 예시하고 그러한 CNN의 성능을 향상시키는 이러한 실시예의 적용을 보여주기 위해 예로서 도시된다. 그러나 본 발명의 실시예는 이러한 특정 유형의 예시적 NN에 결코 제한되지 않으며, 여기에 기술된 원리는 다른 유형의 신경망에도 유사하게 적용될 수 있다.

더욱이, 검출기 조립체(32a)의 형상 및 셀(98)의 형상 및 배열은 원형 기하학적 구조(예를 들어, 원(16)의)를 달성하고 이에 따라 극좌표를 갖는 회절 이미지를 얻기 위해 예시로서 제공된다. 그러나, 본 발명의 실시예는 이러한 특정한 종류의 예시적인 셀의 형상 및 배열에 결코 제한되지 않으며, 본 명세서에 설명된 원리는 검출기 조립체의 다른 적절한 구성에 유사하게 적용될 수 있다.

도 6은 본 발명의 일 실시예에 따라, NN(55)을 훈련시키고 이어서 구멍(44)의 X선 분석을 개선하기 위해 NN(55)을 사용하는 방법을 개략적으로 도시하는 흐름도이다.

일부 실시예에서, 방법은 훈련 단계, 추론 단계, 및 훈련 단계와 추론 단계 사이에서 수행되는 결정 단계를 포함한다. 본 예에서, 컴퓨팅 및 데이터 정렬 작업은 마치 그들 모두가 프로세서(34)를 사용하여 수행되는 것처럼 설명된다. 다른 실시예에서, 방법에 설명된 작업 중 적어도 하나는 시스템(20)의 일부이거나 외부에 있을 수 있는 임의의 다른 처리 유닛을 사용하여 수행될 수 있다.

방법을 시작하는 훈련 단계에서 다음 단계들이 수행된다. 데이터 세트 생성 단계(100)에서 프로세서(34)는 각도(47)와 같은 입사각을 포함하는 데이터 세트를 생성하도록 구성된다. 추가적으로, 또는 대안적으로, 데이터 세트는 각각 구멍(44a, 44b, 44d)의 어레이의 제1 세트의 직경(45a, 45b 및 45c)과 같은(그러나 이에 한정되지는 않음) 측정 결과의 출력을 포함할 수 있다. 도 3에 상세히 기술된 바와 같이, 데이터 세트는 회절 패턴의 합성 이미지 및 선택적으로 실제 이미지(예를 들어, 각각 회절 이미지(61b 및 61a))를 추가로 포함하며, 이는 대응하는 입사각(예를 들어, 각도(47))으로 X선 빔(31)을 지향시키는 것에 응답하여 생성된다. 추가적으로 또는 대안적으로, 상술한 회절 이미지는 구멍(44a, 44b, 44d)의 어레이에 대응할 수 있다. 합성 이미지는 빔(31)과 웨이퍼(22)의 구멍(44) 사이의 상호 작용의 시뮬레이션을 기반으로 생성된다는 점에 유의하라.

더욱이, 프로세서(34)는 훈련 단계의 지속 시간을 줄이기 위해 데이터 세트에 대해 사전 처리 작업을 수행하도록 구성되며, 이후에 아래에서 자세히 설명될 추론 단계에서 NN(55)의 정확도를 줄인다. 예를 들어, 전처리는 로그 또는 제곱근과 같은 임의의 적절한 변환을 사용하여 회절 이미지의 강도 값을 변환하는 단계 및/또는 강도 필터보다 강도가 작은 회절 이미지를 제거하기 위해 강도 필터를 적용하는 단계를 포함할 수 있고 및/또는 회절 이미지의 노이즈 레벨이 미리 정의된 노이즈 임계값보다 크다. 추가로 또는 대안적으로, 전처리는 입사 빔(31)의 강도에 대한 또는 최대 강도 값에 대한 회절 이미지의 강도 값의 정규화를 포함할 수 있다. 이러한 사전 처리 기술은 신경망에 대한 입력으로서 데이터를 공급하기 전에 데이터를 처리하기 위한 선택적 기술이다. 전처리를 수행하는 것은 일부 파라미터 추론의 민감도를 개선하기 위해 데이터를 변환하는 것을 포함한다는 점에 유의하라. 분석 중인 구조에 대한 유용한 정보를 제공하지 않는 무작위 변형을 제거하기 위해 사전 처리가 필요할 수 있고, 무작위 변형은 예를 들어 데이터의 강도 및 노이즈의 일부 비선형성으로 인해 발생할 수 있다.

제1 훈련 단계(102)에서, 프로세서(34)는 구멍(44)의 제1 회절 패턴의 제1 합성 이미지(예를 들어, 회절 이미지(61b))를 NN(55)에 제공하도록 구성된다. 도 2 및 3과, 위의 단계 100에서 기술된 바와 같이, 회절 이미지(61b)는 X선 빔(31)의 제1 입사각(예를 들어, 각도(47))과 웨이퍼(22)의 구멍(44)의 하나 이상의 특정 어레이 사이의 상호작용(예를 들어, 회절의)의 시뮬레이션에 대응한다.

제2 훈련 단계(104)에서, NN(55)을 회절 이미지(61b)에 적용하는 것에 응답하여, 프로세서(34)는 제1 입사각과 상이한 제2 입사각을 포함하는 단계(102)의 출력을 NN(55)으로부터 수신하도록 구성된다. 제1 및 제2 입사각 사이의 차이는 훈련 단계동안 NN(55)의 정확도가 부족하기 때문임을 알 수 있다. 일부 실시예에서, 프로세서(55)는 제1 입사각을 NN(55)에 공급함으로써 감독 훈련을 수행하도록 구성된다.

추가적으로 또는 대안적으로, NN(55)을 회절 이미지(61b)에 적용하는 것에 응답하여, 프로세서(34)는 NN(55)으로부터 제1 세트의 직경(45a, 45b 및 45c)과 상이한 제2 세트의 직경(45a, 45b 및 45c)을 포함하는 단계(102)의 출력을 수신하도록 구성된다. 제1 및 제2 세트의 직경의 차이는 훈련 단계 동안 NN(55)의 정확도가 불충분하기 때문임에 유의하라. 일부 실시예에서, 프로세서(55)는 제1 세트의 직경(45a, 45b, 45c)을 NN(55)에 공급함으로써 감독 훈련을 수행하도록 구성된다.

제3 훈련 단계(106)에서, 프로세서(34)는 상기의 도 4의 단계(102 및 104)에 기술된 바와 같은 반복 프로세스에서 NN(55)을 훈련하기 위해: (i) 추가적인 합성(예를 들어, 회절) 이미지, 및 (ii) 데이터 세트의 대응하는 입사각 및/또는 직경을 사용하도록 구성된다.

일부 실시예에서, 프로세서(34)는 훈련 단계 동안 NN(55)의 요구되는 정확도를 나타내는 하나 이상의 임계값을 저장하도록 구성된다. 예를 들어, (i) (a) 데이터 세트에 저장된 주어진 구멍(44) 어레이의 직경, 및 (b) 훈련 단계 동안 NN(55)으로부터 수신된 주어진 구멍(44) 어레이의 출력 직경, 사이의 차이를 나타내는 제1 임계값, 및 (ii) (a) 데이터 세트에 저장된 입사 빔(31)의 각도, 및 (b) 훈련 단계 동안 데이터 세트의 대응 회절 이미지에 NN(55)을 적용한 것에 대한 응답으로 수신된 각도, 사이의 차이를 나타내는 제2 임계값.

이론적으로, 실제 회절 영상을 생성할 때, 신호 획득 시간을 늘림으로써, 예를 들어 약 10초 동안 빔(31)을 측정 사이트에 적용하고 그에 응답하여 산란된 X선 광자를 검출함으로써 신호 대 잡음비(SNR: signal-to-noise ratio)를 개선한다. 그러나, 단일 입사각에서 빔(31)을 적용할 때, 변화에 대한 측정의 민감도가 높아서 각각의 측정의 정밀도(예를 들어, 반복성 및 재현성)가 감소될 수 있다.

일부 실시예에서, 회절 이미지(예를 들어, 하나 이상의 회절 이미지(61))는 실제 및/또는 시뮬레이션된 다수의 서브샷을 사용하여 생성될 수 있다. 예를 들어, 단일 회절 이미지를 생성하기 위해 약 10초의 단일 획득 시간(본원에서는 샷이라고도 함)을 사용하는 대신에, 프로세서(34)는 약 5개의 회절 이미지를 생성하도록 구성되며, 각 회절 이미지는 약 2초의 획득 시간(즉, 샷 기간)을 가진다. (실제 및/또는 시뮬레이션된) 5개의 2초 샷에 기초하여, 프로세서(34)는 각각 5개의 회절 이미지(61)를 생성하도록 구성된다. 이어서, 프로세서(34)는 NN(55)을 5개의 회절 이미지(61)에 적용하고, 응답하여 NN(55)으로부터 웨이퍼(22)의 표면(39 및 41)에 대해 입사 X선 빔(31)을 지향시키기 위한 5개의 권장 각도를 수신하도록 구성된다. 이 기술은 또한 본원에서 다중 서브샷 기술로서 참조된다.

일부 실시예에서, 5개의 권장 각도에 기초하여, 프로세서(34)는 웨이퍼(22)의 표면(39 및 41)에 대해 입사 X선 빔(31)을 지향시키기 위한 최종 권장 각도를 판정하도록 구성된다. 예를 들어, 5개의 권장 각도에 기초하여, 프로세서(34)는 평균 입사각을 계산하거나 임의의 다른 적절한 계산 및/또는 기준을 사용하여 최종 권장 각도를 판정하도록 구성된다.

일부 실시예에서, 웨이퍼(22)의 표면(39 및 41)에 대한 구멍(44)의 평균 각도를 판정하기 위해, 이는 X선 빔(31)에 대한 구멍(44)의 각도를 판정하고, 그런 다음 표면(39 및 41)에 대한 법선과 입사 X선 빔(31) 사이의 각도 관계를 알아냄으로써 수행된다.

일부 실시예에서, 총 획득 시간은 일정하게 유지되기 때문에(예를 들어, 약 10초), 다중 서브샷 기술을 적용함으로써, 프로세서(34)는 빔(31)의 권장 입사각의 판정을 최적화하고, 그에 따라 처리량을 손상시키지 않고 측정의 정밀도를 향상시키도록 구성된다.

일부 실시예에서, 위의 단계(100-106)는 상술한 반복 프로세스를 사용하여 훈련 단계 동안 수행된다. 결정 단계(108)에서, 프로세서(34)는 예를 들어 각각의 반복 후에 훈련이 완료되었는지 여부를 확인하도록 구성된다. 예를 들어, 프로세서(34)는 각각의 반복 후에 직경 및/또는 입사각의 차이가 각각 제1 및/또는 제2 임계값보다 작은지 여부를 비교하도록 구성된다. 차이 중 적어도 하나가 대응하는 임계값보다 큰 경우, 훈련이 완료되지 않았고 방법은 훈련 단계를 계속하기 위해 단계(106)로 루프백한다. 또는 모든 출력 파라미터(예를 들어, 직경 및 입사각 모두)의 차이가 대응하는 임계값보다 작은 경우, 훈련이 완료되고 방법이 추론 단계로 진행된다.

즉, 프로세서(34)는 NN(55)이 충분히 훈련되고 추론 단계를 위해 준비되었음을 보장하기 위해 검증 단계를 수행하도록 구성된다.

추론 단계 동안 다음 단계가 수행된다. 입력 단계(110)에서, 프로세서(34)는 (회절 패턴의) 실제 회절 이미지인 후속 회절 이미지를 NN(55)에 제공하도록 구성되며, 이는 훈련 단계 동안 NN(55)에 제공되지 않은 새로운 회절 이미지라고도 한다. 새로운 회절 패턴은, X선 빔(31)을 웨이퍼(22)의 구멍 어레이(44)로 지향시키고 구멍(44)의 각각의 어레이로부터 회절된 X선 광자를 나타내는 신호를 검출기 조립체(32)로부터 수신하는 것에 응답하여, 프로세서(34)에 의해 생성된다. 일부 실시예에서, 빔(31)은 축(37)과 표면(41)(둘 다 위의 도 2에 도시됨) 사이의 제3 입사각으로 지향된다. 더욱이, 본 예에서 빔(31)은 제1 평균 직경을 갖는 구멍(44)의 어레이로 지향된다.

추론 단계 및 방법을 완료하는 출력 단계(112)에서, 프로세서(34)는 NN(55)의 훈련 모델(예를 들어, 딥 훈련 모델)로부터 구멍(44)의 어레이의 측정을 나타내는 출력을 수신하고, 측정은 제1 평균 직경과의 차이가 위의 훈련 단계에서 설명한 제1 임계값보다 작은 제2 평균 직경을 갖는다. 추가로 또는 대안적으로, 프로세서(34)는 NN(55)의 훈련 모델로부터 직경 측정의 개선된 정밀도를 얻기 위해 권장되는 권장 각도라고도 하는 제4 입사각을 나타내는 출력을 수신한다. 예를 들어, 위의 도 2를 참조하면, 구멍(44f)의 어레이를 측정할 때, 빔(31)의 축(37)이 구멍(44f)의 축(43b)과 거의 평행할 때 회절 이미지(51)의 최대 강도가 얻어진다. 이 예에서, 구멍(44f)의 측정 품질, 예를 들어 (i) 반복성, (ii) 재현성, (iii) 정확도 및 (iv) 측정 감도 중 적어도 하나는 NN(55)에서 권장하는 입사각으로 빔(31)을 웨이퍼(22)로 지향시킬 때 개선된다.

본 예에서, NN(77)은: (i) 훈련 단계 동안 HAR 구멍(44)의 주기적 어레이의 합성 회절 이미지, 및 (ii) 위의 도 2에 도시된 어레이 중 적어도 하나와 같은, 실제 HAR 구멍(44)의 주기적 어레이로부터 시스템(20)에서 획득된 회절 이미지,에 적용되었다.

일부 경우에 필요한 부분만 약간 수정하여 NN(77)이 다른 종류의 어레이에 적용될 수 있다는 것에 유의하라. 그러나 이러한 어레이의 회절 이미지(예를 들어, PCDI(88))는 일반적으로 NN(77)을 성공적으로 적용하고 필요한 X선 분석(예를 들어, 구조 변형 측정) 품질을 얻기 위해 방사상 대칭을 가져야 한다. 즉, NN(77)의 훈련 및 추론 단계는 방사상 대칭을 갖는 회절 이미지에 적용할 때 NN(55)에 비해 실질적으로 더 짧고 더 효과적일 수 있지만, 적어도 하나의 회절 이미지가 방사상 대칭을 갖지 않는 경우, 사용자는 필요한 X선 분석(예를 들어, 구조 변형 측정) 품질을 얻기 위해 회절 이미지에 NN(55)을 적용하는 것을 고려할 수 있다.

도 6의 이 특정 방법은 본 발명의 실시예에 의해 처리되는 특정 문제를 설명하고 시스템(20)의 성능을 향상시키는 데 있어서 이러한 실시예의 적용을 나타내기 위해 예로서 도시되어 있다. 그러나, 본 발명의 실시예들은 이러한 특정한 종류의 예시적인 방법 및 NN에 결코 제한되지 않으며, 여기에 설명된 원리는 다른 종류의 시스템 및 신경망에 유사하게 적용될 수 있다. 또한, 도 6의 방법은 위의 도 5에 상세히 설명된 바와 같이, 예를 들어, PCDI(88)를 얻은 후 도 5의 NN(77)에도 필요한 부분만 약간 수정하여 적용될 수 있음에 유의해야 한다.

다층 이미지에 신경망을 적용하여 구멍의 수직 차원에 따른 변형 분석

도 7은 본 발명의 실시예에 따라 구멍(44)의 다층 회절 이미지(111)에 NN(55) 또는 NN(77)을 적용하여 구멍(44) 및 다층 구조의 수직 치수에 따른 변형을 분석하는 방법의 개략도이다.

본 개시내용 및 청구범위의 맥락에서, 다층 구조라는 용어는 다층 구조를 갖는 2개 이상의 층의 스택으로 생성된 구조를 지칭한다.

이제 웨이퍼(22)의 수직축(예를 들어, Z축)을 따라 각각 구멍(44b, 44d 및 44f)의 프로파일(151, 152 및 153)을 참조한다. 프로파일(151-153)은 웨이퍼(22)의 X축 및 Z축을 따른 구멍(44b, 44d 및 44f)의 치수(예를 들어, 나노미터 단위)를 갖는 각각의 그래프 상에 표시된다.

본 예에서, 프로파일(151, 152, 153)은 본 명세서에서 각각 CL(121, 123, 125)로 지칭되는 가상 중심선(CL)을 가지며, 그 배향은 구멍(44b, 44d, 44f)의 측벽의 형상에 의해 각각 판정된다. 보다 구체적으로, (i) 프로파일(151)은 측벽(23a, 23b) 사이에 형성되는 상부 직경(45b) 및 하부 직경(113)을 갖고, (ii) 프로파일(152)은 측벽(25a, 25b) 사이에 형성되는 상부 직경(45c) 및 하부 직경(46)을 갖고, (iii) 프로파일(153)은 측벽(27a, 27b) 사이에 형성되는 상부 직경(45c) 및 하부 직경(115)을 갖는다.

프로파일(151)의 예에서, 측벽(23a, 23b)은 Z축에 대해 대칭이고, 따라서 직경(45b, 113)은 동심이고 CL(121)은 Z축에 평행하다.

프로파일(152)의 예에서, 측벽(25a 및 25b)은 Z축에 대해 대칭이 아니므로, 직경(45c 및 46)은 동심이 아니며 CL(123)은 Z축에 대해 평행하지 않다. 측벽(23a, 23b)의 비대칭성으로 인해, CL(123)은 위치(114)에서 약간의 선형 이동을 갖는다. 구멍(44d)에서의 이러한 유형의 수직 변형은 본 명세서에서 선형 중심선 이동(CLS)이라고도 한다.

프로파일(153)의 예에서, 측벽(25a, 25b)도 또한 Z축에 대해 비대칭이고, 따라서 직경(45d, 115)은 동심이 아니며 CL(125)은 Z축을 따라 비선형 CLS를 갖는다. 비선형 CLS는 위치(116)에 도시된다.

일부 실시예에서, 프로세서(34)는 웨이퍼(22)의 표면에 수직인 축(예를 들어, 웨이퍼(22)의 Z축)에 대한 회전 φ, 웨이퍼의 Y축에 대한 회전 χ, 및 웨이퍼의 X축에 대한 회전 ω을 적용하는 것과 같이 임의의 적절한 방향으로 웨이퍼(22)를 기울이도록 스테이지(40)를 제어하도록 구성된다. χ 및 ω는 둘 다 웨이퍼(22)의 표면에 평행하지만 서로 직교하는 반면, φ는 상술한 바와 같이 웨이퍼(22)의 표면에 대한 법선에 관해 회전한다는 점에 유의하라. 본 예에서, 위치(131, 132 및 133)에서 웨이퍼(22)는 각각 약 0⁰, -0.4⁰ 및 +0.4⁰의 ω에서 회전하지만, 다른 실시예에서 웨이퍼(22)는, 추가적으로 또는 대안적으로 HAR 구조(위의 도 1에서 정의됨)에 대해 약 -2.0⁰과 +2.0⁰ 사이(또는 임의의 다른 적합한 ω 각도 및/또는 임의의 적합한 χ 각도), 및 낮은 종횡비 구조(약 10:1보다 작은 종횡비를 가짐)에서 사용되는 ω 및 χ 각도 중 하나 또는 모두에 대해 약 -20.0⁰과 +20.0⁰ 사이의 ω와 같은 임의의 다른 적절한 각도로 회전된다.

일부 실시예에서, 위치(131, 132, 133)의 구멍(44f)에 대해 빔(31)을 지향시키고 검출기 조립체(32)로부터 수신된 대응 신호를 수신하는 것에 응답하여, 프로세서(34)는 각각 회절 이미지(141, 142, 143)를 생성하도록 구성된다. 추가적으로 또는 대안적으로, 프로세서(34)는 예를 들어 도 3에 상술된 바와 같이, 합성 회절 이미지(예를 들어, 이미지(141, 142, 143)와 유사)의 세트 및 합성 회절 이미지에 대응하는 적절한 라벨을 생성하도록 구성된다.

일부 실시예에서, 프로세서(34)는: (i) 회절 이미지(141, 142, 143)에 기초하여 다층 회절 이미지(111)를 생성하고, 이어서, (ii) 도 4 내지 6에 상세히 기술된 기술을 이용하여 훈련 추론 단계들 중 적어도 하나 동안 NN(55) 및 NN(77)을 다층 회절 이미지(111)에 적용하도록 구성된다.

회절 이미지(141, 142, 143) 각각의 크기는 150X150X1(즉, 150픽셀 x 150픽셀의 하나의 이미지)인 반면, 본 예에서는 다층 회절 이미지(111)의 크기는 150X150X3(즉, 3개의 각각 150픽셀 x 150픽셀의 이미지)이다. 더욱이, 일반적으로 프로세서(34)는 NN(55 및 77)의 구조를 변경하지 않고 NN(55) 및/또는 NN(77)을 다층 회절 이미지(111)에 적용할 수 있는데, 상기 도 4 및 5에 기술된 바와 같이, 이는 XY 방향에서 다층 회절 이미지(111)의 크기가 회절 이미지(53)와 유사하게 유지되기 때문이다.

즉, 하나의 옵션은 약 150픽셀 x 150픽셀보다 큰 크기를 갖는 회절 이미지를 포함하는 NN에 대한 입력을 생성하는 것이다. 그러나 이 옵션을 사용하려면 다른 크기의 입력에 적용되도록 구성된 NN의 새로운 아키텍처가 필요하다. 개시된 기술을 사용하여, 프로세서(34)는: (i) 회절 이미지의 각각의 개별 층(예를 들어, 이미지(141, 142 및 143)과 동일한 크기를 가진 하나의 다층 회절 이미지(예를 들어, 다층 회절 이미지(111))를 산출하고, 이어서 NN(55 및/또는 77)을 다층 회절 이미지의 모든 층(예를 들어, 회절 이미지(141, 142 및 143))에 동시에(또는 임의의 다른 적합한 시퀀스를 사용하여) 적용하도록 구성된다.

다른 실시예에서, 프로세서(34)는 대응하는 수의 웨이퍼(22)의 경사 위치를 사용하여 생성되는 임의의 적절한 수의 회절 이미지(3개 이외)에 기초하여 또 다른 다층 회절 이미지를 생성하도록 구성된다. 시스템(20)(또는 임의의 다른 적절한 X선 분석 시스템)을 사용하여 및/또는 회절 이미지의 적절한 시뮬레이션을 사용하여 회절 이미지가 생성될 수 있다는 것에 유의하라.

이제 웨이퍼(22) 또는 임의의 다른 적절한 유형의 웨이퍼 상에 산출되는 장치(161)의 적층된 구멍(144 및 145) 사이의 관절(joint) 시프트(JS)라고도 하는 오버레이 오류를 나타내는 인셋(160)을 참조한다.

각각의 구멍(144, 145)은 예로서 제시되고, 예를 들어 위의 도 2의 임의의 구멍(44) 또는 웨이퍼(22) 또는 시스템(20)에 의해 분석되도록 의도된 임의의 다른 웨이퍼에서 산출될 수 있는 임의의 다른 적절한 유형의 HAR 구조(예를 들어, 트렌치)를 대체할 수 있음에 유의하라. 더욱이, 도 2의 예에서, 구멍(44)은 예를 들어 당업계에 공지된 포토리소그래피 및 에칭 공정을 사용하여 동일한 층에 형성되는 반면, 구멍(144 및 145)은 장치(161)의 2개의 적층된 층에 형성되며, 이는 예를 들어 당업계에 공지된 증착 및/또는 폴리싱 프로세스를 사용하여 각각의 웨이퍼에서 생성된다. 예를 들어, 구멍(145)은 웨이퍼(22)의 기판 또는 웨이퍼(22)의 기판 위에 형성된 층 스택에 대해 에칭에 의해 형성된다. 이어서, 구멍(145)은 쉽게 제거 가능한 일부 재료로 채워질 수 있고, 이어서 하나 이상의 추가 층이 구멍(145)이 형성된 층 위에 형성된다. 이어서, 하나 이상의 추가 층이 패터닝되고 구멍(144)으로부터 에칭되고, 에칭 프로세스 동안 또는 후속 프로세스에서 필러 재료(145)가 제거된다. 대안적인 예에서, 장치(161)의 구조는 구멍(144, 145) 사이를 연결하는 라인 또는 패드를 포함할 수 있다.

본 예에서, 구멍(144)의 중심선(164)은 구멍(144)의 깊이(154)를 따라 웨이퍼의 Z축에 대해 각도(174)로 기울어진다. 또한, 구멍(145)의 중심선(165)은 구멍(145)의 깊이(155)를 따라 웨이퍼의 Z축에 대해 각도(175)로 기울어진다.

기울어짐의 결과, 관절 시프트(JS)(177)가 구멍(144, 145) 사이의 인터페이스 영역(178)에 바람직하지 않게 형성된다. 보다 구체적으로, JS(177)는 인터페이스 영역(178)에서 CL(164, 165) 사이의 거리에 의해 판정된다. 즉, 관절 시프트(177)의 크기는 CL(164 및 165)의 바람직하지 않은 기울기에 의해(및/또는 구멍(144 및 145)의 위치 사이의 상대적인 이동에 의해) 야기되는 오버레이 오류의 레벨을 나타낸다. 오버레이 오류 수준의 사양은 각 장치의 설계 규칙에서 결정되며 구멍(144, 145)을 포함하는 장치의 제조 공정의 공정 제어 한계에 적용된다.

구멍(144 및 145)의 높은 종횡비로 인해 JS(177)의 크기를 측정하는 것은 각 장치의 제조 중에 측정을 수행하는 데 적용된 기술에 관계없이 일반적으로 어렵다.

이론적으로, 인셋(160)의 다층 구조(또는 임의의 다른 적절한 유형의 다층 구조)의 임계 치수(본 명세서에서 CD 프로파일링 또는 XCD라고도 함)의 프로파일링을 수행하는 것은, 장치(161)를 포함하는 웨이퍼 상의 모든 지점에 대해 X 및 Y 방향으로 상이한 회전 각도에서의 다수의 X선 회절 패턴을 수집함으로써 가능하다. 그런 다음 이러한 세트는 Onto Innovation(6 Jonspin Rd, Wilmington, Massachusetts, 01887, United States)과 함께 본 발명의 출원인이 공동으로 개발한 XCD용 NanoDiffract와 같은(그러나 이에 한정되지 않음) 비선형 회귀 엔진을 사용하여 파라미터가 자동으로 조정되는 구조 모델을 사용하는 소프트웨어에 의해 분석된다. 이러한 분석은 시스템(20) 및 회귀를 수행하는 시간 모두에 대해 시간 소모적일 수 있다. 더욱이, 그러한 구조적 모델의 구성은 시스템(20)의 자격 있는 사용자의 감독을 필요로 한다.

일부 실시예에서, 프로세서(34)는 필요한 부분만 약간 수정하여 프로파일(153)의 CL(125)의 비선형 CLS를 분석하기 위해 사용된 기술을 장치(161)에 적용함으로써 JS(177)의 측정을 수행하도록 구성된다. 보다 구체적으로, 프로세서(34)는: (i) 장치(161)의 웨이퍼를 입사 빔(31)에 대해 여러(예를 들어, 5) 회전 각도(예를 들어, 약 0⁰, -0.3⁰, +0.3⁰, -0.6⁰ 및 +0.6⁰ 또는 약 -20.0⁰ 내지 +20.0⁰ 범위의 임의의 다른 각도의 ω)로 경사지게 함으로써 회절 이미지의 세트(예를 들어, 5)를 산출하고, (ii) 상술한 기술(예를 들어, 도 2, 3 및 7에서의)을 사용하여 훈련 데이터 세트를 생성하고, (iii) 상기 도 2 내지 5에서 상술된 바와 같이 NN(55) 및/또는 NN(77)을 훈련시키기 위한 훈련 데이터 세트를 이용하고, (iv) 상기 단계 (i)의 5개의 회절 이미지를 사용하여 (도 7의 이미지(111)와 같은) 다층 회절 이미지를 생성하고, 및 (v) 장치(161)의 구멍 어레이 내에 위치된 복수의 적층된 구멍 쌍(144 및 145)에 대해 JS(177)의 평균 측정을 수행하기 위해 NN(55) 및/또는 NN(77)을 다층 회절 이미지에 적용,하도록 구성된다.

다른 실시예에서, 적절한 CNN(예를 들어, NN(55) 및/또는 NN(77))을 장치(161)의 구멍(144 및 145)을 포함하는 구조와 같은 다층 구조에 적용할 때, 프로세서(34)는 추가적인 종속 파라미터를 얻기 위해 빔(31)의 임의의 적절한 수(예를 들어, 약 2 내지 11)의 입사각을 이용할 수 있다. 예를 들어 평균 기울기(예를 들어, CLS) 및 다층 구조의 두 개 이상의 구성 요소 간의 상대 기울기 및/또는 이동의 비선형 편차이다. 구멍의 높이, 최대 CD(예를 들어, 폭), 최대 CD의 깊이(예를 들어, 폭)는 단일 계층 구조의 경우에도 여러(약 2 내지 11 사이) 입사각을 사용해야 할 수도 있다.

본 발명의 실시예에 의해 처리되는 특정 문제를 설명하고 시스템(20)의 성능을 향상시키는 데 있어서 이러한 실시예의 적용을 보여주기 위해, (i) 프로파일(153)의 CL(125)의 비선형 CLS 및 (ii) 장치(161)의 JS(177)를 측정하기 위한 구조 및 기술이 예시로서 도시되어 있다. 그러나, 본 발명의 실시예는 이러한 특정한 종류의 예시적인 다층 구조, 방법 및 특정 NN에 결코 한정되지 않으며, 여기에 기술된 원리는 임의의 적합한 유형의 X선 분석 시스템, 신경망, 훈련 및 추론 기술을 사용하여 다른 종류의 HAR 구조에 유사하게 적용될 수 있다.

따라서, 위에서 설명된 실시예는 예로서 인용되었으며, 본 발명은 위에서 특별히 도시되고 설명된 것에 제한되지 않는다는 것이 이해될 것이다. 오히려, 본 발명의 범위는 상술한 다양한 특징의 조합 및 하위 조합뿐만 아니라, 상술한 설명을 읽을 때 당업자가 생각할 수 있고 종래 기술에 개시되지 않은 변형 및 수정을 모두 포함한다. 본 특허 출원에서 참조로 포함된 문서는 본 명세서에서 명시적으로 또는 암시적으로 만들어진 정의와 충돌하는 방식으로 이러한 포함된 문서에서 임의의 용어가 정의된 경우를 제외하고는 출원의 통합 부분으로 간주되어야 하고, 본 명세서의 정의만 고려되어야 한다.

Claims

신경망(NN) 훈련 방법에 있어서,
훈련 데이터 세트를 수신하는 단계로서:
(a) (i) 입사 X선 빔을 샘플에 대해 일정한 각도로 지향시키는 것에 응답하여 상기 샘플에 형성된 하나 이상의 구조로부터 회절된 X선 광자를 나타내는 회절 이미지, 및 (ii) 상기 하나 이상의 구조의 적어도 제1 속성을 나타내는 제1 파라미터 및 상기 입사 X선 빔의 적어도 제2 속성을 나타내는 제2 파라미터를 포함하는 라벨,의 하나 이상의 쌍; 및
(b) 각각의 상기 하나 이상의 쌍에 대한 하나 이상의 미리 정의된 출력;
을 포함하는 상기 수신하는 단계; 및
상기 NN을 훈련시키는 단계로서: (i) 상기 NN을 상기 쌍 중 적어도 주어진 쌍에 적용하고, (ii) 상기 NN으로부터 상기 주어진 쌍의 추정 출력을 수신하는 것에 응답하여, 상기 주어진 쌍에 대응하는 상기 미리 정의된 출력 중 주어진 미리 정의된 출력을 상기 NN에 제공하는 것,에 의해 상기 미리 정의된 출력을 획득하기 위해 상기 NN을 훈련시키는 단계;
를 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제1항에 있어서, 상기 하나 이상의 쌍 중 적어도 하나의 쌍의 상기 회절 이미지는 상기 라벨 및 경험적 데이터에 기초하여 생성된 합성 회절 이미지를 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제1항에 있어서, 상기 하나 이상의 구조는 공칭 구조를 갖고, 상기 제1 파라미터는 상기 공칭 구조로부터의 구조 변형을 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제3항에 있어서, 상기 하나 이상의 구조는: (a) 라인 및 트렌치의 제1 어레이, 및 (b) 구멍의 제2 어레이, 중 하나 또는 둘 모두를 포함하고, 상기 구조 변형은: (i) 폭, (ii) 깊이, (iii) 기울기, (iv) 거칠기, (v) 중심선 이동(CLS), (vi) 측벽의 형상, 및 (vii) 각각 제1 및 제2 층의 스택에서 서로 위에 형성된 적어도 제1 및 제2 구조 사이의 관절 시프트(JS: joint shift),로 구성된 변형의 리스트로부터 선택된 하나 이상의 변형을 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제4항에 있어서, 상기 구조 변형은: (i) 상기 제1 어레이의 적어도 2개의 라인 사이, (ii) 상기 제1 어레이 내의 적어도 2개의 트렌치 사이, 및 (iii) 상기 제2 어레이의 적어도 2개의 구멍 사이, 중 적어도 하나에서의 하나 이상의 변형을 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제1항 내지 제5항 중 어느 한 항에 있어서, 상기 미리 정의된 출력은: (i) 상기 입사 X선 빔을 지향시킬 때 측정에서 상기 구조 중 적어도 하나의 크기, 및 (ii) 후속 측정에서 상기 입사 X선 빔을 상기 샘플로 지향시키기 위한 권장 각도, 중 하나 또는 둘 모두를 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제6항에 있어서, 상기 회절 이미지는 상기 입사 X선 빔을 상기 각도로 입사시켰을 때 제1 강도를 갖는 제1 회절 이미지, 및 상기 입사 X선 빔을 상기 권장 각도로 지향시킬 때 상기 제1 강도와 상이한 제2 강도를 갖는 제2 회절 이미지를 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제7항에 있어서, 상기 제1 회절 이미지는 제1 대칭성을 갖고, 상기 제2 회절 이미지는 상기 제1 대칭성과 상이한 제2 대칭성을 갖는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제6항에 있어서, 상기 후속 측정에서 상기 입사 X선 빔을 상기 샘플로 지향시키기 위한 상기 권장 각도를 판정하기 위해 다중 서브샷 기술을 적용하는 단계를 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
제1항 내지 제5항 중 어느 한 항에 있어서, 상기 하나 이상의 쌍 중 적어도 하나의 쌍의 상기 회절 이미지는 합성 회절 이미지를 포함하고, 상기 라벨에 기초하여 상기 합성 회절 이미지를 생성하는 단계 및 운동학적 산란 이론의 보른 근사치(born approximation)를 적용하는 단계를 포함하는 것을 특징으로 하는 신경망(NN) 훈련 방법.
신경망(NN) 훈련 시스템으로서,
인터페이스로서:
(a) (i) 입사 X선 빔을 샘플에 대해 일정한 각도로 지향시키는 것에 응답하여 상기 샘플에 형성된 하나 이상의 구조로부터 회절된 X선 광자를 나타내는 회절 이미지, 및 (ii) 상기 하나 이상의 구조의 적어도 제1 속성을 나타내는 제1 파라미터 및 상기 입사 X선 빔의 적어도 제2 속성을 나타내는 제2 파라미터를 포함하는 라벨,의 하나 이상의 쌍; 및
(b) 각각 상기 하나 이상의 쌍에 대한 하나 이상의 미리 정의된 출력;
을 포함하는 훈련 데이터 세트를 수신하도록 구성된 상기 인터페이스; 및
프로세서로서: (i) 상기 NN을 상기 쌍 중 적어도 주어진 쌍에 적용하고, (ii) 상기 NN으로부터 상기 주어진 쌍의 추정된 출력을 수신하는 것에 응답하여, 상기 주어진 쌍에 대응하는 상기 미리 정의된 출력 중 주어진 미리 정의된 출력을 상기 NN에 제공하도록 구성되는 것,에 의해 상기 미리 정의된 출력을 얻도록 상기 NN을 훈련시키도록 구성된 상기 프로세서;
를 포함하는 것을 특징으로 하는 신경망(NN) 훈련 시스템.
제1 강도를 갖는 제1 회절 이미지를 수신하는 단계로서, 상기 제1 회절 이미지는 입사 X선 빔을 샘플의 표면에 대해 제1 각도로 지향시키는 것에 응답하여 상기 샘플의 사이트에 형성된 하나 이상의 구조로부터 회절된 제1 X선 광자를 나타내는 상기 수신하는 단계;
하나 이상의 제2 회절 이미지에 기초하여 사전 훈련된 훈련 모델을 포함하는 신경망(NN)을 상기 제1 회절 이미지에 적용하는 단계; 및
상기 NN으로부터 상기 제1 회절 이미지 및 상기 훈련 모델을 기반으로 하고 후속 측정에서 상기 입사 X선 빔을 상기 사이트로 지향시키기 위한 적어도 권장 각도를 나타내는 하나 이상의 추론 파라미터를 수신하는 단계;
를 포함하는 것을 특징으로 하는 X선 분석 수행 방법.
제12항에 있어서, 상기 추론 파라미터를 수신하는 단계는 상기 제1 회절 이미지에 기초하여 상기 구조 중 적어도 하나의 구조의 측정 파라미터를 수신하는 단계를 포함하는 것을 특징으로 하는 X선 분석 수행 방법.
제12항에 있어서, 상기 권장 각도로 상기 입사 X선 빔을 지향시킬 때의 제1 측정 품질이 상기 제1 각도로 상기 입사 X선 빔을 지향시시키는 제2 측정 품질보다 높은 것을 특징으로 하는 X선 분석 수행 방법.
제14항에 있어서, 상기 제1 측정 품질 및 상기 제2 측정 품질 모두는: (i) 반복성, (ii) 재현성, (iii) 정확도 및 (iv) 감도 중 적어도 하나를 포함하는 것을 특징으로 하는 X선 분석 수행 방법.
제12항 내지 제15항 중 어느 한 항에 있어서, 상기 하나 이상의 추론 파라미터를 수신하는 단계는 상기 NN을 적용하는 것에 응답하여: (i) 상기 입사 X선 빔을 상기 권장 각도로 지향시킬 때 제1 시간 간격 내에서 제1 추론 파라미터를 수신하는 단계, 및 (ii) 상기 입사 X선 빔을 상기 제1 각도로 지향시킬 때 제2 시간 간격 내에서 제2 추론 파라미터를 수신하는 단계로서, 상기 제1 시간 간격은 상기 제2 시간 간격보다 짧은 상기 수신하는 단계;
를 포함하는 것을 특징으로 하는 X선 분석 수행 방법.
제12항 내지 제15항 중 어느 한 항에 있어서, 상기 제1 및 제2 회절 이미지는 방사상 대칭이고, 제1 세트의 상기 제1 및 제2 회절 이미지는 직교 좌표로 산출되고, 제2 세트의 상기 제1 및 제2 회절 이미지는 극좌표로 산출되며, 상기 NN을 적용하는 단계는: (i) 상기 제1 세트에 제1 갯수의 컨볼루션 층을 갖는 제1 컨볼루션 NN(CNN)을 적용하는 단계, 및 (ii) 상기 제2 세트에 상기 제1 갯수와 상이한 제2 갯수의 컨볼루션 층을 갖는 제2 CNN을 적용하는 단계,를 포함하는 것을 특징으로 하는 X선 분석 수행 방법.
제12항 내지 제15항 중 어느 한 항에 있어서, 상기 추론 파라미터 중 적어도 하나는 측정 파라미터를 포함하고, 상기 샘플은 서로 대면하는 제1 표면 및 제2 표면을 갖고, 상기 구조 중 적어도 주어진 구조는 상기 제1 표면과 제2 표면 사이에 형성되고 공동을 정의하는 하나 이상의 벽을 갖고, 상기 측정 파라미터 중 적어도 하나의 제1 속성은 상기 하나 이상의 벽의 형상을 나타내는 것을 특징으로 하는 X선 분석 수행 방법.
제18항에 있어서, 상기 주어진 구조의 공동은 상기 제1 표면과 제2 표면 사이에서 연장되고, 상기 공동은 벽과 평행하게 이어지고 상기 벽으로부터 등거리에 위치하는 중심선(CL)을 갖고, 상기 제2 회절 이미지는: (i) 상기 입사 X선 빔을 제1 각도로 지향시키는 것에 응답하여 형성되고 주어진 평면에서 미리 정의된 크기를 갖는 제1 이미지, 및 (ii) 상기 입사 X선 빔을 상기 제1 각도와 상이한 제2 각도로 지향시키는 것에 응답하여 형성되고, 또한 상기 주어진 평면에서 상기 미리 정의된 크기를 가지는 제2 이미지,를 포함하고,
(i) 각각 제1 및 제2 층에서 상기 제1 및 제2 이미지를 포함하고 상기 주어진 평면에서 상기 미리 정의된 크기를 갖는 다층 회절 이미지를 산출하고, 및 (ii) 상기 다층 회절 이미지에 상기 NN 적용함,으로써 상기 NN을 훈련시키는 단계를 포함하는 것을 특징으로 하는 X선 분석 수행 방법.
제19항에 있어서, 상기 주어진 구조의 상기 벽은 상기 샘플의 축을 따라 비대칭이고, 상기 NN으로부터 하나 이상의 추론 파라미터를 수신하는 단계는 CL 시프트(CLS)의 표시를 수신하는 단계를 포함하는 것을 특징으로 하는 X선 분석 수행 방법.