KR20240016245A - 적응형 모델링 편심 측정 시스템 및 방법 - Google Patents
적응형 모델링 편심 측정 시스템 및 방법 Download PDFInfo
- Publication number
- KR20240016245A KR20240016245A KR1020237029554A KR20237029554A KR20240016245A KR 20240016245 A KR20240016245 A KR 20240016245A KR 1020237029554 A KR1020237029554 A KR 1020237029554A KR 20237029554 A KR20237029554 A KR 20237029554A KR 20240016245 A KR20240016245 A KR 20240016245A
- Authority
- KR
- South Korea
- Prior art keywords
- data sets
- eccentricity
- generating
- sdw
- gsdw
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 238000005259 measurement Methods 0.000 title claims description 46
- 238000012360 testing method Methods 0.000 claims abstract description 93
- 239000004065 semiconductor Substances 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 46
- 230000008021 deposition Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 7
- 238000001459 lithography Methods 0.000 claims description 5
- 238000010894 electron beam technology Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000004062 sedimentation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 53
- 230000000875 corresponding effect Effects 0.000 description 19
- 235000012431 wafers Nutrition 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 13
- 230000002596 correlated effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000001393 microlithography Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
반도체 디바이스 웨이퍼(SDW)에 대한 편심 데이터를 생성하기 위한 적응형 모델링 방법은, 유닛들을 갖는 SDW의 그룹에 대한 피팅 함수를 계산하는 단계로서, GSDW에서의 SDW를 측정하고, 이에 의해 유닛들에 대응하는 테스트 데이터 세트들을 생성하는 단계, 테스트 데이터 세트들로부터 비 유닛 특유의 값(NUSV)들을 제거하고, 이에 의해 클리닝된 테스트 데이터 세트들을 생성하는 단계, 및 클리닝된 테스트 데이터 세트들을 분석하고, 이에 의해 피팅 함수를 생성하는 단계를 포함하는, 피팅 함수를 계산하는 단계, 및 GSDW에서의 적어도 하나의 추가 SDW(ASDW)에 대한 편심 데이터를 생성하는 단계로서, ASDW를 측정하고, 이에 의해 런 데이터 세트들을 생성하는 단계, 런 데이터 세트들로부터 NUSV들을 제거하고, 이에 의해 클리닝된 런 데이터 세트들을 생성하는 단계, 클리닝된 런 데이터 세트들 각각을 피팅 함수에 피팅하고, 이에 의해 계수 세트들을 생성하는 단계, 및 피팅 함수 및 복수의 계수 세트들에 적어도 부분적으로 기초하여, ASDW에 대한 편심 데이터를 계산하는 단계를 포함하는, 편심 데이터를 생성하는 단계를 포함한다.
Description
관련 출원들에 대한 참조
2021년 6월 3일에 출원되고 ADAPTIVE MODELING으로 명칭된 미국 특허 가출원 일련 번호 63/196,243에 대한 참조가 이로써 이루어지며, 이 가출원의 개시가 이로써 참조에 의해 포함되고 이 가출원의 우선권이 이로써 주장된다.
본 출원의 주제(subject matter)에 관련된 출원인의 다음 특허 출원에 대한 참조가 또한 이루어지며, 이 특허 출원의 개시가 이로써 참조에 의해 포함된다.
2021년 9월 8일에 출원되고, SYSTEMS AND METHODS FOR IMPROVED METROLOGY FOR SEMICONDUCTOR DEVICE WAFERS로 명칭된 미국 특허 출원 번호 17/469,280.
기술분야
본 발명은 일반적으로 반도체 디바이스들의 제조에서의 편심의 측정에 관한 것이다.
반도체 디바이스들의 제조에서의 편심의 측정에 대한 다양한 방법들 및 시스템들이 알려져 있다.
본 발명은 반도체 디바이스들의 제조에서의 편심의 측정에 대한 향상된 방법들 및 시스템들을 제공하는 것을 추구한다.
따라서, 반도체 디바이스 웨이퍼(semiconductor device wafer; SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터(misregistration data)를 생성하기 위한 적응형 모델링 방법(adaptive modeling method)이 본 발명의 실시예에 따라 제공되고, 방법은, SDW의 그룹(group of SDW; GSDW)에 대한 피팅 함수(fitting function)를 계산하는 단계로서, GSDW는 복수의 유닛들을 포함하고, 피팅 함수를 계산하는 단계는, GSDW에서의 적어도 하나의 SDW 상의 복수의 측정 사이트(measurement site)들을 측정하고, 이에 의해 복수의 테스트 데이터 세트들을 생성하는 단계 - 테스트 데이터 세트들 각각은 유닛들 중 적어도 하나에 대응함 - , 복수의 테스트 데이터 세트들 각각으로부터 비 유닛 특유의 값(non-unit-specific value; NUSV)들을 제거하고, 이에 의해 대응하는 복수의 클리닝된 테스트 데이터 세트들을 생성하는 단계, 및 클리닝된 테스트 데이터 세트들을 분석하고, 이에 의해 GSDW에 대한 피팅 함수를 생성하는 단계를 포함하는 것인, 피팅 함수를 계산하는 단계, 및 GSDW에서의 적어도 하나의 추가 SDW(additional SDW; ASDW)에 대한 편심 데이터를 생성하는 단계로서, 편심 데이터를 생성하는 단계는, ASDW 상의 복수의 측정 사이트들을 측정하고, 이에 의해 복수의 런 데이터 세트(run data set)들을 생성하는 단계 - 런 데이터 세트들은 테스트 데이터 세트들에 대응함 - , 복수의 런 데이터 세트들 각각으로부터 NUSV들을 제거하고, 이에 의해 대응하는 복수의 클리닝된 런 데이터 세트들을 생성하는 단계, 클리닝된 런 데이터 세트들 각각을 피팅 함수에 피팅하고, 이에 의해 복수의 클리닝된 런 데이터 세트들에 대응하는 복수의 계수 세트들을 생성하는 단계, 및 피팅 함수 및 복수의 계수 세트들에 적어도 부분적으로 기초하여, ASDW에 대한 편심 데이터를 계산하는 단계를 포함한다.
본 발명의 실시예에 따르면, 클리닝된 테스트 데이터 세트들을 분석하는 단계는, 복수의 클리닝된 테스트 데이터 세트들에 대해 주성분 분석(principal component analysis; PCA)을 수행하는 단계를 포함한다.
본 발명의 실시예에 따르면, 유닛들 각각은 SDW 상의 단일 필드를 포함한다. NUSV들은 웨이퍼 항(wafer term)들일 수 있다.
대안적으로, 본 발명의 실시예들에 따르면, 유닛들 각각은 SDW 상의 다수의 필드들을 포함한다. NUSV들은 필드 항들일 수 있다.
본 발명의 실시예에 따르면, 편심 데이터는 툴 유도 시프트(tool-induced-shift; TIS) 값들을 포함한다. 대안적으로, 본 발명의 실시예들에 따르면, 편심 데이터는 편심 값들을 포함한다.
본 발명의 실시예에 따르면, NUSV들은 모델링된 NUSV들이다.
본 발명의 실시예에 따르면, 방법은, GSDW의 제조에 사용되는 적어도 하나의 툴과 편심 데이터를 상관시키는(correlate) 단계를 또한 포함한다. 방법은, GSDW의 제조에 사용되는 적어도 하나의 추가 툴과 편심 데이터를 상관시키는 단계를 또한 포함할 수 있다.
일례에서, ASDW에 대한 편심 데이터를 계산하는 단계는 복수의 계수 세트들을 변환하고, 이에 의해 복수의 변환된 계수 세트들을 생성하는 단계를 포함한다. 본 발명의 실시예에 따르면, 복수의 변환된 계수 세트들은 피팅 함수 이외의 모델에 대응한다. 일례에서, 모델은, 리소그래피 스캐너 모델, 퇴적 모델, 에처 모델(etcher model), 폴리셔 모델(polisher model) 및 편심 계측 툴 모델 중 하나를 포함한다.
반도체 디바이스 웨이퍼(SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터를 생성하기 위한 적응형 모델링 시스템이 본 발명의 다른 실시예에 따라 또한 제공되고, 시스템은, SDW 상에 형성되는 적어도 2개의 층들의 제조에 사용되는 하나 이상의 제작 툴 - 각각의 SDW는 SDW의 그룹(GSDW)의 일부이고, GSDW는 복수의 유닛들을 포함함 - , GSDW에서의 적어도 하나의 SDW 상의 복수의 측정 사이트들을 측정하고, 이에 의해 복수의 테스트 데이터 세트들을 생성하기 위해 사용되는 계측 툴 - 테스트 데이터 세트들 각각은 유닛들 중 적어도 하나에 대응함 - , 및 GSDW에 대한 피팅 함수를 계산하도록 동작하는 분석 엔진을 포함하고, 피팅 함수를 계산하는 것은, 복수의 테스트 데이터 세트들 각각으로부터 비 유닛 특유의 값(NUSV)들을 제거하고, 이에 의해 대응하는 복수의 클리닝된 테스트 데이터 세트들을 생성하는 것, 및 클리닝된 테스트 데이터 세트들을 분석하고, 이에 의해 GSDW에 대한 피팅 함수를 생성하는 것을 포함한다.
일례에서, 계측 툴은 또한 ASDW 상의 복수의 측정 사이트들을 측정하고, 이에 의해 복수의 런 데이터 세트들을 생성하고, 런 데이터 세트들은 테스트 데이터 세트들에 대응하고, 분석 엔진은 또한 GSDW에서의 적어도 하나의 추가 SDW(ASDW)에 대한 편심 데이터를 생성하도록 동작하고, 편심 데이터를 생성하는 것은, 복수의 런 데이터 세트들 각각으로부터 NUSV들을 제거하고, 이에 의해 대응하는 복수의 클리닝된 런 데이터 세트들을 생성하는 것, 클리닝된 런 데이터 세트들 각각을 피팅 함수에 피팅하고, 이에 의해 복수의 클리닝된 런 데이터 세트들에 대응하는 복수의 계수 세트들을 생성하는 것, 및 피팅 함수 및 복수의 계수 세트들에 적어도 부분적으로 기초하여, ASDW에 대한 편심 데이터를 계산하는 것을 포함한다.
본 발명의 다른 실시예에 따르면, 다수의 제작 툴들이 리소그래피 스캐너 툴, 퇴적 툴, 에처 툴 및 폴리셔 툴 중 적어도 하나를 포함한다.
일례에서, 계측 툴은 편심 계측 툴을 포함한다. 본 발명의 다른 실시예에 따르면, 편심 계측 툴은 전자 빔 편심 계측 툴을 포함한다. 대안적으로, 본 발명의 다른 실시예에 따르면, 편심 계측 툴은 이미징 편심 계측 툴을 포함한다. 대안적으로, 본 발명의 다른 실시예에 따르면, 편심 계측 툴은 산란계측 편심 계측 툴(scatterometry misregistration metrology tool)을 포함한다.
본 발명의 실시예에 따르면, 분석 엔진은 또한 하나 이상의 제작 툴 및 계측 툴 중 적어도 하나와 편심 데이터를 상관시킨다. 일례에서, 분석 엔진은 또한 하나 이상의 제작 툴 및 계측 툴 중 적어도 하나의 추가 툴과 편심 데이터를 상관시킨다.
본 발명은 도면들과 함께 취해진, 다음의 상세한 설명으로부터 더 완전히 이해되고 인식될 것이다.
도 1a 및 도 1b는 반도체 디바이스 웨이퍼(SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터를 생성하기 위한 적응형 모델링 방법을 예시하는 함께가 단순화된 흐름도이다.
도 2a 및 도 2b는 도 1a 및 도 1b의 방법의 일부의 단순화된 표현이다.
도 3은 도 1a 내지 도 2b의 방법을 수행하는데 유용한 적응형 모델링 편심 측정 시스템의 단순화된 계략적인 예시이다.
도 1a 및 도 1b는 반도체 디바이스 웨이퍼(SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터를 생성하기 위한 적응형 모델링 방법을 예시하는 함께가 단순화된 흐름도이다.
도 2a 및 도 2b는 도 1a 및 도 1b의 방법의 일부의 단순화된 표현이다.
도 3은 도 1a 내지 도 2b의 방법을 수행하는데 유용한 적응형 모델링 편심 측정 시스템의 단순화된 계략적인 예시이다.
도 1a 내지 도 3을 참조하여 본원에서 아래에서 설명되는 시스템 및 방법이 반도체 디바이스들이 그 위에 형성되는 웨이퍼 상에 형성된 층들 사이의 편심을 측정하기 위해 사용될 수 있고 반도체 디바이스들에 대한 제조 프로세스의 일부라는 점이 인식된다. 도 1a 내지 도 3을 참조하여 본원에서 아래에서 설명되는 시스템 및 방법에 의해 측정된 편심이 제작되고 있는 반도체 디바이스들 상에 형성된 다양한 층들 사이의 편심을 개선하기 위해 반도체 디바이스들의 제조 동안 그 중에서도 리소그래피, 퇴적, 에칭 및/또는 폴리싱과 같은 제작 프로세스들을 조정하는데 사용될 수 있다.
본 발명의 실시예에서, 도 1a 내지 도 3을 참조하여 본원에서 아래에서 개시되는 방법 및 시스템은 반도체 디바이스 웨이퍼의 그룹(GSDW)에서의 다수의 반도체 디바이스 웨이퍼(SDW)들에 대한 편심 데이터를 제공한다. GSDW는 그 중에서도 한 집단(batch)의 SDW들, 다수의 SDW들 또는 일련의 SDW들과 같은 SDW들의 임의의 적절한 그룹일 수 있다. GSDW에서의 SDW들 중 다양한 SDW들이 서로 직렬로 또는 서로 병렬로 제작될 수 있다. 일례에서, GSDW에서의 각각의 SDW가 GSDW에서의 다른 SDW들 각각을 제작하기 위해 사용되는 제작 툴들과 동일한 제작 툴들을 사용하여 제작되고; 그러나, GSDW에서의 일부 또는 모든 SDW들이 GSDW에서의 다른 SDW들 중 일부 또는 모두를 제작하기 위해 사용되는 제작 툴들과는 상이한 제작 툴들을 사용하여 제작될 수 있다.
본 발명의 일 실시예에서, GSDW에서의 SDW들 각각은 동일한 제작 단계들을 거치고 GSDW에서의 SDW들 중 모든 다른 SDW들 상의 대응하는 반도체 디바이스들과 동일하도록 의도된 반도체 디바이스들을 포함한다. 본 발명의 다른 실시예에서, GSDW에서의 SDW들 중 적어도 하나는, 일반적으로 GSDW에서의 SDW들 중 다른 SDW들과는 의도적으로 다른 파라미터들을 사용하여 제작되는 실험 설계(design of experiment; DOE) 웨이퍼로서, GSDW에서의 SDW들 중 다른 SDW들과는 상이하게 의도적으로 제작된다.
일반적으로, 반도체 디바이스들의 생산 실행(production run)들은 서로 동일하도록 의도된 다수의 유닛들을 포함하고, 각각의 유닛을 일반적으로 서로 동일하도록 의도된 서브유닛들을 더 포함하며, 각각의 서브유닛은 서로 동일하도록 의도된 서브서브유닛들을 더 포함하는 등이다. 예를 들어, GSDW는 일반적으로 각각이 서로 동일하도록 의도된 많은 SDW들을 포함하고; 각각의 SDW는 일반적으로 각각이 서로 동일하도록 의도된 다이들의 많은 열들을 포함하고; 각각의 다이들의 열은 각각이 서로 동일하도록 의도된 많은 다이들을 포함하고; 각각의 다이는 많은 필드들 - 필드들 중 많은 필드들 또는 모든 필드들이 서로 동일하도록 의도됨 - 을 포함하며; 각각의 필드는 많은 피처들 - 피처들 중 많은 피처들 또는 모든 피처들이 서로 동일하도록 의도됨 - 을 포함한다.
SDW들이 서로 동일하도록 의도된 다수의 유닛들을 포함하기 때문에, 특정 유닛에서의 층들 사이의 편심이 특정 유닛과 동일하도록 의도된 다른 유닛들에서의 층들 사이의 편심에 대해 유리하게 분석될 수 있다. 예를 들어, SDW에서의 많은 필드들이 서로 동일하도록 의도되면, 다양한 필드들 각각 내에서의 편심이 일반적으로 다른 필드들 각각 내에서의 편심의 특성들과 유사한 특성들을 보인다. 유사하게, 많은 SDW들이 서로 동일하도록 의도되면, 다양한 SDW들 각각에서의 편심이 일반적으로 다른 SDW들 각각 내에서의 편심의 특성들과 유사한 특성들을 보인다.
그러나, 상이한 유닛들 또는 서브유닛들의 2개 이상의 대응하는 층들 사이의 편심을 비교하는 것은 복잡하다. 이 복잡성은 부분적으로, 편심 측정 신호들이 일반적으로 다수의 소스들로부터의 기여분(contribution)들을 포함한다는 사실로 인한 것이다. 예를 들어, 단일 편심 측정 신호가 SDW 및 필드 둘 다로부터의 기여분들을 포함할 수 있다. 단일 편심 측정 신호에의 이 다수의 기여분들은 GSDW의 대응하는 유닛들 사이의 편심 데이터의 상관을 비단순하게 한다.
본 발명의 방법들 및 시스템들에서, 유닛 또는 서브유닛으로부터의 편심 데이터가 일반적인 신호로부터 식별되고, 이 유닛 또는 서브유닛으로 인한 것이 아닌 항들이 무시된다. 유닛 특유의 부분들 및 비 유닛 특유의 부분들로의 편심 데이터의 이 분리가 종래 기술의 시스템들 및 방법들과 비교하여 상대적으로 높은 정확도 및 상대적으로 높은 의미를 갖는 편심 데이터를 유리하게 생성한다. 추가적으로, 본 발명의 방법들 및 시스템들은 종래 기술의 시스템들 및 방법들과 비교하여, 요구되는 시간 및 컴퓨팅 전력 둘 다에서 상대적으로 낮은 컴퓨팅 비용을 갖는다.
본 발명의 일 실시예에서, 본 발명의 방법 및 시스템에 의해 생성된 상대적으로 높은 의미를 갖는 데이터가 SDW의 제작에 사용되는 하나 이상의 특정 툴의 효과들을 설명하는 편심 데이터를 포함한다. 본 발명의 다른 실시예에서, 본 발명의 방법 및 시스템에 의해 생성된 상대적으로 높은 의미를 갖는 데이터가 스캐너 제작 툴의 취득 에러(acquisition error)들 및 스캐너 제작 툴의 수차 에러(aberration error)들로 인한 편심을 별도로 설명하는 편심 데이터를 포함한다. 추가적으로, 본 발명의 방법 및 시스템에 의해 생성된 상대적으로 높은 의미를 갖는 데이터는 수차들로 그리고 초점 에러로 인한 편심을 별도로 설명하는 편심 데이터를 포함할 수 있다.
따라서, 본 발명의 시스템들 및 방법들은 잠재적으로, 측정 및 분석을 위해 요구되는 시간 및 컴퓨팅 전력의 면, 및 전용 편심 측정 타겟들과 같은 전용 측정 디바이스들에 대해 확보되는 SDW들의 공간의 면 둘 다에서, 상대적으로 낮은 스루풋 비용을 제공한다.
반도체 디바이스 웨이퍼(SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터를 생성하기 위한 적응형 모델링 방법을 예시하는 함께가 단순화된 흐름도인 도 1a 및 도 1b, 및 도 1a 및 도 1b의 방법의 일부의 각각이 단순화된 표현인 도 2a 및 도 2b에 대한 참조가 이제 이루어진다. 도 1a 내지 도 2b의 방법이 도 1a, 도 2a 및 도 2b에서 일반적으로 보여지는 바와 같은, SDW의 그룹(GSDW)에 대한 피팅 함수를 계산하는 단계, 및 도 1b에서 일반적으로 보여지는 바와 같은, GSDW에서의 적어도 하나의 추가 SDW(ASDW)에 대한 편심 데이터를 생성하는 단계를 포함한다는 점에 주목된다.
도 1a에서의 제1 단계(100)에서 보여지는 바와 같이, 방법은 GSDW(104)로부터의 SDW(102) 선택으로 시작한다. 본원의 위에서 설명된 바와 같이, 그리고 도 2a 및 도 2b에서 보여지는 바와 같이, GSDW(104)는, 그 중에서도 복수의 SDW들(108), 복수의 필드들(110), 복수의 다이들, 복수의 행들, 복수의 열들 또는 복수의 칩들과 같은, SDW(102) 또는 GSDW(104)의 임의의 적절한 성분으로서 구현될 수 있는 다수의 유닛들(106)을 포함한다. GSDW(104)는 적어도 50개의 유닛들(106)을 포함할 수 있고, 일반적으로 예를 들어 수백개의 유닛들(106) 또는 수천개의 유닛들(106)과 같이 50개보다 많은 유닛들(106)을 포함한다.
다음 단계(120)에서, SDW(102) 상의 복수의 측정 사이트들이 측정되고, 이에 의해 복수의 테스트 데이터 세트들(122)을 생성한다. 일례에서, 각각의 테스트 데이터 세트(122)가 하나의 유닛(106)에 대응한다. 따라서, 단계(120)에서 생성된 테스크 데이터 세트들(122)의 수가 일반적으로 유닛들(106)의 수와 동일하다. 단순화 및 이해의 용이성을 위해, 비교적 적은 테스트 데이터 세트들(122)만이 도 2a에 도시된다. 추가적으로, 테스트 데이터 세트들(122)이 일반적으로 2차원의 데이터를 포함하고; 그러나, 단순화 및 이해의 용이성을 위해, 테스트 데이터 세트들(122)이 1차원에 대해서만 도시된다.
다음 단계(130)에서, 비 유닛 특유의 값(NUSV)들이 단계(120)에서 생성된 각각의 테스트 데이터 세트(122)로부터 식별되고 제거되며, 이에 의해 복수의 테스트 데이터들(122)에 대응하는 복수의 클리닝된 테스트 데이터 세트들(134)을 생성한다. 일례에서, 클리닝된 테스트 데이터 세트들(134)에 포함된 모든 또는 거의 모든 데이터가 유닛(106)의 특성만이다.
따라서, 각각의 유닛(106)이 필드(110)인 실시예에서, 각각의 클리닝된 테스트 데이터 세트(134)에서의 모든 또는 거의 모든 데이터가 클리닝된 테스트 데이터 세트(134)에 대응하는 필드(110)로 인한 것이고, SDW(102)로 인한 것이 아니다. 그러한 실시예에서, 단계(130)의 NUSV들은 일반적으로, SDW(102)로 인한 것인 웨이퍼 항들이다. 유사하게, 각각의 유닛(106)이 SDW(108)인 실시예에서, 각각의 클리닝된 테스트 데이터 세트(134)에서의 모든 또는 거의 모든 데이터가 클리닝된 테스트 데이터 세트(134)에 대응하는 SDW(102)로 인한 것이고, 특정 필드(110)로 인한 것이 아니다. 그러한 실시예에서, 단계(130)의 NUSV들은 일반적으로, 필드들(110)로 인한 것인 필드 항들이다. 환언하면, 테스트 데이터 세트(122)는 유닛(106)에 특유한 정보를 포함하는 유닛 특유의 항들, 및 유닛(106)에 특유한 정보를 포함하지 않을 수 있는 비 유닛 특유의 항들 둘 다로부터의 기여분들을 포함한다.
예를 들어, 특히 도 2a 및 도 2b에서 보여지는 바와 같이, 각각의 테스트 데이터 세트(122)가 SDW(102) 및 필드(110) 둘 다로부터의 기여분들을 포함하기 때문에 각각의 테스트 데이터 세트(122)는 비교적 복잡하다. 단계(130)에서 각각의 테스트 데이터 세트(122)로부터 NUSV들이 제거된후, 클리닝된 테스트 데이터 세트들(134)이 생성된다. 도 2b에 예시된 예시에서 보여지는 바와 같이, 클리닝된 테스트 데이터 세트(134) 모두 또는 거의 모두가 필드(110)로부터의 기여분들을 표현한다. 클리닝된 테스트 데이터 세트들(134)의 수가 테스트 데이터 세트들(122)의 수와 동일할 수 있다는 점이 인식된다. 단순화 및 이해의 용이성을 위해, 비교적 적은 클리닝된 테스트 데이터 세트들(134)만이 도 2b에 도시된다. 추가적으로, 클리닝된 테스트 데이터 세트들(134)이 일반적으로 2차원의 데이터를 포함하고; 그러나, 단순화 및 이해의 용이성을 위해, 클리닝된 테스트 데이터 세트들(134)이 1차원에 대해서만 도시된다.
본 발명의 실시예에서, 단계(130)의 NUSV들은 모델링된 NUSV들이고, 적절한 모델을 사용하여 식별된다. 그러한 적절한 모델은, 그 중에서도 테스트 데이터 세트들의 평균, 본 발명의 적응형 모델과 같은 테스트 데이트 세트들의 적응형 모델, Dana Klein, Daria Negri, "Error modeling and accuracy breakdown in optical overlay metrology for advanced nodes," Proc. SPIE 11613, Optical Microlithography XXXIV, 116130X (22 February 2021)에서 설명된 모델과 유사한 모델을 포함할 수 있다.
특히 도 1a에서 보여지는 바와 같이, 다음 단계(140)에서, 클리닝된 테스트 데이터 세트들(134)이 분석되고, 이에 의해 GSDW(104)에 대한 피팅 함수를 생성한다. 피팅 함수가 다수의 함수들의 조합으로서 나타내어질 수 있다는 점이 인식된다. 일례에서, 단계(140)의 분석은 클리닝된 테스트 데이터 세트들(134)을 벡터화하는 것 및 이어서 피팅 함수를 생성하는 것을 포함한다. 클리닝된 테스트 데이터 세트들(134)이 벡터화될 때, 클리닝된 테스트 데이터 세트들(134)에서의 데이터가 직교 성분들로 분할된다. 본 분야에 알려진 바와 같이, 직교 성분들은 그 중에서도 x 성분 및 y 성분 또는 r 성분, 세타 성분 및 파이 성분과 같은, 임의의 적절한 수의 차원을 갖는 임의의 적절한 기저(basis)를 사용하여 나타내어질 수 있다.
일례에서, 피팅 함수를 생성하기 위해 주성분 분석(PCA)이 사용된다. 본 발명의 실시예에서, 단계(140)의 분석은 클리닝된 테스트 데이터 세트들(134)을 벡터화하는 것 및 클리닝된 테스트 데이터 세트들(134)에 대해 PCA를 수행하는 것 둘 다를 포함한다.
본 발명의 일 실시예에서, 단계(140) 후, 방법은 SDW(102)에 대한 편심 데이터가 계산되는 다음 단계(150)로 진행한다. 일례에서, 단계(150)에서 편심 데이터를 계산하는 것은, 단계(140)에서 피팅 함수와 함께 생성된 복수의 계수 세트들을 변환하는 것을 포함한다. 단계(150)에서의 계수 세트들의 변환은 복수의 변환된 계수 세트들을 생성한다. 변환된 계수 세트들은, GSDW(104)의 제조에 사용되는 제작 또는 계측 툴의 효과들을 설명하도록 설계된 모델과 같은, 피팅 함수의 모델 이외의 모델에 직접적으로 관련될 수 있다. 그러한 모델은 그 중에서도 리소그래피 스캐너 모델, 퇴적 모델, 에처 모델, 폴리셔 모델 및 편심 계측 툴 모델을 포함할 수 있다.
단계(140)에서 생성된 계수 세트들이 예를 들어 다수의 복수의 변환된 계수 세트들을 생성하기 위해, 단계(150)에서 다수 회 변환될 수 있다는 점이 인식된다. 따라서, 단계(150)에서 계산된 편심 데이터가 유리하게 다수의 모델들에 직접적으로 관련될 수 있다. 임의의 적절한 수 및 유형의 복수의 변환된 계수 세트들이 단계(150)에서 생성될 수 있고, 따라서 임의의 적절한 수 및 유형의 모델들이 쉽게 분석되는 것을 가능하게 한다는 점이 인식된다.
편심 데이터가 SDW(102)에 대해 계산되는 실시예에서, 단계(150)에서 계산된 편심 데이터가 GSDW(104)의 제조에 사용되는 하나 이상의 제작 또는 계측 툴과 상관될 수 있다. 일반적으로, 편심 데이터는 단계(140)에서 생성된 계수 세트에 의해 가중된 피팅 함수를 툴의 모델 상으로 투사(project)함으로써 툴과 상관된다. 따라서, 편심 데이터가 상관되는 제작 또는 계측 툴들 중 적어도 일부가 단계(150)에서 생성된 변환된 계수들에 직접적으로 관련된 모델들을 갖는 툴들이라는 점이 인식된다.
단계(150)에서 계산된 편심 데이터는 그 중에서도 SDW(102) 상에 형성된 2개 이상의 층들 사이의 편심 값들, 및/또는 툴 유도 시프트(TIS) 값들을 포함한 임의의 적절한 편심 데이터일 수 있다.
단계(150)에서 계산된 편심 데이터가 TIS 값들을 포함하는 실시예에서, 단계(120)는, 예를 들어 미국 특허 출원 번호 17/469,280 및 Boaz Ophir, Udi Shusterman, Anna Golotsvan, Cindy Kato, Masanobu Hayashi, Richika Kato, Tomohiro Goto, Taketo Kuriyama, Manabu Miyake, Yasuki Takeuchi, Hiroyuki Mizuochi, "Machine learning for Tool Induced Shift (TIS) reduction: an HVM case study," Proc. SPIE 11611, Metrology, Inspection, and Process Control for Semiconductor Manufacturing XXXV, 116110E (22 February 2021) 중 하나 또는 둘 다에서 설명된 바와 같은, 2개의 상이한 회전 방향들에서 SDW(102) 상의 사이트들 중 적어도 일부를 측정하는 단계를 포함할 수 있다.
이어서 단계(130)에서, 예를 들어 미국 특허 출원 번호 17/469,280 및 Boaz Ophir, Udi Shusterman, Anna Golotsvan, Cindy Kato, Masanobu Hayashi, Richika Kato, Tomohiro Goto, Taketo Kuriyama, Manabu Miyake, Yasuki Takeuchi, Hiroyuki Mizuochi, "Machine learning for Tool Induced Shift (TIS) reduction: an HVM case study," Proc. SPIE 11611, Metrology, Inspection, and Process Control for Semiconductor Manufacturing XXXV, 116110E (22 February 2021) 중 하나 또는 둘 다에서 설명된 바와 같은 방법을 사용하여 TIS 값들이 계산된다. 단계(130)에서 계산된 TIS 값들은 NUSV들로서 식별될 수 있고 단계(130)에서 테스트 데이터 세트들(122)로부터 제거되며, 이에 의해 클리닝된 테스트 데이터 세트들(134)을 생성한다.
그러한 실시예에서, 단계(140)에서 생성된 피팅 함수가 단계(150)에서 TIS 값들을 계산하는데 유용하다. 본 발명의 실시예에서, 단계(150)에서 계산된 TIS 값들이 측정 데이터로부터 제거되고, SDW(102) 상에 형성된 2개 이상의 층들 사이의 편심 값들을 계산하기 위해 추가 계산들이 수행된다.
대안적으로, 단계(150)에서 계산된 편심 데이터가 TIS 값들을 포함하는 실시예에서, 단계(120)에서, SDW(102) 상의 사이트들 중 적어도 일부가 2개의 상이한 회전 방향들에서 각각 한 번씩 두 번 측정된다. 그 후 단계들(130, 140 및 150) 각각이 각각의 측정 사이트에 대한 회전 방향 측정들 각각에 대해 개별적으로 수행되고, 이에 의해 각각의 사이트에 대한 회전 방향 측정들 각각에 대해 개별 편심 값을 생성한다. 개별 편심 값들은 측정 사이트들에 대한 평균 편심 값을 생성하기 위해 함께 평균화된다. 이어서, 각각의 특정 사이트에 대해, 각각의 측정 사이트 회전 방향에 대한 편심 값과 이 측정 사이트에 대한 평균 편심 값 사이의 차이가 이 측정 사이트에 대한 TIS 값들에서 식별된다. 일례에서, 각각의 편심 사이트에 대한 TIS 값들이 각각의 측정 사이트에 대해 계산된 편심 값으로부터 제거된다.
본 발명의 실시예에서, 본 발명의 방법을 사용하여 계산된 TIS 값들 중 일부는 그 중에서도 미국 특허 출원 번호 17/469,280 및 Boaz Ophir, Udi Shusterman, Anna Golotsvan, Cindy Kato, Masanobu Hayashi, Richika Kato, Tomohiro Goto, Taketo Kuriyama, Manabu Miyake, Yasuki Takeuchi, Hiroyuki Mizuochi, "Machine learning for Tool Induced Shift (TIS) reduction: an HVM case study," Proc. SPIE 11611, Metrology, Inspection, and Process Control for Semiconductor Manufacturing XXXV, 116110E (22 February 2021) 중 하나 또는 둘 다에서 설명된 방법과 같은 추가 TIS 계산 방법을 사용하여 계산된다.
본 발명의 실시예에서, 방법이 단계(100)로 돌아가고 측정할 다른 SDW(102)를 선택하며, 이에 기초하여 단계(140)에서 생성된 피팅 함수를 개량(refine)하거나, 새로운 피팅 함수를 생성한다. 예를 들어, GSDW(104)가 서로 상이한 달에 제작된 SDW들(108)을 포함하면, 제1 달에서 제1 SDW가 선택될 수 있고, 그로부터 피팅 함수가 생성된다. 제2 달에서, 제2 SDW가 선택될 수 있고, 제2 SDW 단독 또는 제2 SDW와, 제1 SDW에 기초하여 생성된 피팅 함수와 같은 이전 피팅 함수들의 조합에 기초하여 피팅 함수가 생성된다.
본 발명의 대안적인 실시예에서, 방법이 단계(140)로부터 다음 단계(160)로 바로 진행한다.
이제 특히 도 1b 및 도 2a로 돌아가면, 단계(160)에서 추가 SDW(ASDW)(162)가 GSDW(104)로부터 선택되고, ASDW(162) 상의 복수의 측정 사이트들이 측정되며, 이에 의해 복수의 런 데이터 세트들을 생성한다. 일례에서, 런 데이터 세트들 각각은 적어도 하나의 유닛(106)에 대응한다. 런 데이터 세트들 및 테스트 데이터 세트들(122)이 상이한 SDW들(108)로부터 생성되는 한편, SDW(102) 및 ASDW(162) 둘 다가 단일 GSDW(104)로부터 선택되고, 유사한 측정 기술들 및 측정 설정들을 사용하여(예를 들어, 동일한 측정 기술들 및 측정 설정들을 사용하여) 측정될 수 있다는 점이 본 발명의 특정 특징이다. 따라서, 런 데이터 세트들이 테스트 데이터 세트들(122)에 대응한다.
SDW(102)가 GSDW(104)에서의 SDW(108)인 것처럼, ASDW(162)가 GSDW(104)에서의 SDW(108)인 점이 인식된다. 따라서, ASDW(162)가 그 중에서도 필드들(110)을 포함하는 SDW(102) 상의 피처들에 대응하는 피처들을 포함한다. SDW(102)가 일반적으로 ASDW(162)와 같은, GSDW(104)의 다른 SDW들(108)에 대해 수행되는 더 많은 심층 계측 측정(in-depth metrology measurement)들을 위해 설계된 테스트 웨이퍼인 점이 또한 인식된다.
본 발명의 일 실시예에서, 테스트 데이터 세트들(122)이 런 데이터 세트들보다 많은 정보를 포함한다. 본 발명의 다른 실시예에서, 테스트 데이터 세트들(122) 및 런 데이터 세트들에 포함된 정보의 양이 실질적으로 동일하다. 본 발명의 둘 다의 경우들에서, 그러나, 런 데이터 세트들에 대해 수행되는 것보다 많은 계산들이 테스트 데이터 세트들(122)에 대해 수행된다. 추가적으로, 본원의 아래에서 설명되는 바와 같이, 테스트 데이터 세트들(122)에 대해 수행된 계산들로부터의 결과들이 런 데이터 세트들의 분석에 사용될 수 있다.
다음 단계(170)에서, 비 유닛 특유의 값(NUSV)들이 단계(160)에서 생성된 런 데이터 세트들 각각으로부터 식별되고 제거되며, 이에 의해 런 데이터 세트들에, 따라서 테스트 데이터 세트들(122)에 대응하는 복수의 클리닝된 런 데이터 세트들을 생성한다. 일례에서, 클리닝된 런 데이터 세트들에 포함된 모든 또는 거의 모든 데이터가 유닛들(106)의 특성만이다.
단계(170)에서 생성된 클리닝된 런 데이터 세트에 의해 특성화된 유닛(106)의 유형이 클리닝된 테스트 데이터 세트(134)에 의해 특성화된 유닛과 동일한 유형이라는 점이 인식된다. 따라서, 각각의 클리닝된 테스트 데이터 세트(134)에서의 모든 또는 거의 모든 데이터가 필드(110)로 인한 것인 실시예에서, 단계(170)에서 생성된 클리닝된 런 데이터 세트들 각각에서의 모든 또는 거의 모든 데이터가 필드(110)로 인한 것이다. 유사하게, 각각의 클리닝된 테스트 데이터 세트(134)에서의 모든 또는 거의 모든 데이터가 SDW(102)로 인한 것인 실시예에서, 단계(170)에서 생성된 클리닝된 런 데이터 세트들 각각에서의 모든 또는 거의 모든 데이터가 ASDW(162)로 인한 것이다.
본 발명의 일 실시예에서, 단계(170)의 NUSV들이 단계(130)의 NUSV들의 값들과 동일한 값들을 갖는다. 본 발명의 다른 실시예에서, 단계(170)의 NUSV들이 단계(130)의 NUSV들의 값들과는 상이한 값들을 갖는다. 그러나, 단계(130)의 NUSV들 및 단계(170)의 NUSV들 둘 다를 식별하기 위해 단일 방법이 사용될 수 있다. 따라서, 단계(130)의 NUSV들이 테스트 데이터 세트들의 평균을 사용하여 식별되는 실시예에서, 단계(170)의 NUSV들이 런 데이터 세트들의 평균을 사용하여 식별될 수 있다. 유사하게, 단계(130)의 NUSV들이 테스트 데이터 세트들의 진보된 모델을 사용하여 식별되는 실시예에서, 단계(170)의 NUSV들이 런 데이터 세트들의 동일한 진보된 모델을 사용하여 식별될 수 있다.
다음 단계(180)에서, 단계(170)에서 생성된 클리닝된 런 데이터 세트들 각각이 단계(140)에서 생성된 피팅 함수에 피팅되고, 이에 의해 복수의 계수 세트들을 생성한다. 일례에서, 클리닝된 런 데이터 세트들 각각에 대해 하나의 계수 세트가 생성된다. 단계(180)에서 생성된 계수 세트들이 본 발명의 방법의 피팅 함수에 직접적으로 관련된다는 점이 인식된다.
일례에서, 단계(180)에서 수행된 계산들은 단계(170)에서 생성된 클리닝된 런 데이터 세트들을 벡터화하는 것 및 이어서 복수의 계수 세트들을 생성하는 것을 포함한다. 클리닝된 런 데이터 세트들이 벡터화될 때, 클리닝된 런 데이터 세트들에서의 데이터가 직교 성분들로 분할된다. 본 분야에 알려진 바와 같이, 직교 성분들은 그 중에서도 x 성분 및 y 성분 또는 r 성분, 세타 성분 및 파이 성분과 같은, 임의의 적절한 수의 차원을 갖는 임의의 적절한 기저를 사용하여 나타내어질 수 있다.
이어서, 다음 단계(190)에서, 피팅 함수 및 단계(180)에서 생성된 계수 세트들이 ASDW(161)에 대한 편심 데이터를 계산하기 위해 사용된다. 본 발명의 일 실시예에서, 단계(190)에서 편심 데이터를 계산하는 것은 단계(180)에서 생성된 복수의 계수 세트들을 변환하고, 이에 의해 복수의 변환된 계수 세트들을 생성하는 것을 포함한다. 변환된 계수 세트들은, GSDW(104)의 제조에 사용되는 제작 또는 계측 툴의 효과들을 설명하도록 설계된 모델과 같은, 피팅 함수의 모델 이외의 모델에 직접적으로 관련될 수 있다. 그러한 모델은 그 중에서도 리소그래피 스캐너 모델, 퇴적 모델, 에처 모델, 폴리셔 모델 및 편심 계측 툴 모델을 포함할 수 있다.
단계(180)에서 생성된 계수 세트들이 예를 들어 다수의 복수의 변환된 계수 세트들을 생성하기 위해, 단계(190)에서 다수 회 변환될 수 있다는 점이 인식된다. 따라서, 단계(190)에서 계산된 편심 데이터가 유리하게 다수의 모델들에 직접적으로 관련될 수 있다. 임의의 적절한 수 및 유형의 복수의 변환된 계수 세트들이 단계(190)에서 생성될 수 있고, 따라서 임의의 적절한 수 및 유형의 모델들이 쉽게 분석되는 것을 가능하게 한다는 점이 인식된다.
단계(190)에서 계산된 편심 데이터는 그 중에서도 ASDW(162) 상에 형성된 2개 이상의 층들 사이의 편심과 같은 편심 값들, 및/또는 TIS 값들을 포함한 임의의 적절한 편심 데이터일 수 있다.
단계(190)에서 계산된 편심 데이터가 TIS 값들을 포함하는 실시예에서, 다수의 회전 방향들에서 ASDW(162) 상의 임의의 측정 사이트들을 측정하지 않고, ASDW(162)의 TIS 값들을 계산하기 위해, 단계(180)에서 계산된 계수 세트들과 함께 피팅 함수가 사용될 수 있다는 점이 인식된다.
일례에서, 다음 단계(200)에서, 단계(190)에서 계산된 편심 데이터가 GSDW(104)의 제조에 사용되는 하나 이상의 제작 또는 계측 툴과 상관된다. 일반적으로, 편심 데이터는 단계(180)에서 생성된 계수 세트에 의해 가중된 피팅 함수를 툴의 모델 상으로 투사함으로써 툴과 상관된다. 따라서, 단계(200)에서 편심 데이터가 상관되는 제작 툴들 또는 계측 툴들 중 적어도 일부가 단계(190)에서 생성된 변환된 계수들에 직접적으로 관련된 모델들을 갖는 툴들이다.
GSDW(104)의 제조에서 사용되는 하나 이상의 제작 또는 계측 툴과 편심 데이터를 상관시키는 것이 원치않는 편심의 소스에 관한 정보를 제공한다. 이는, 편심이 가령 제작 파라미터들을 조정함으로써 수정되거나, 아티팩트(artifact)로서 식별된 후 무시되는 것을 가능하게 할 수 있다.
단계(190)에서 계산된 편심 데이터가 TIS 값들을 포함하는 실시예에서, 단계들(120, 130, 140 및 150)을 참조하여 본원에서 위에서 설명된 바와 같이, 단계(150)에서 계산된 TIS 값들이 단계(190)에서 생성된 편심 데이터로부터 제거된다.
다음 단계(210)에서, GSDW(104)에서의 추가 ASDW(108) 상에 형성된 적어도 2개의 층들 사이의 편심을 측정할지 여부에 대한 결정이 이루어진다. 다른 ASDW(107)의 편심이 측정될 것이면, 방법은 다른 ASDW(108)를 선택하고 다른 ASDW(108)가 측정되는 단계(160)로 진행하며 방법은 단계들(160, 170, 180, 190, 200 및 210)을 거쳐 진행한다. 그렇지 않으면, 방법이 종료된다.
이제 도 1a 내지 도 2b의 방법을 수행하는데 유용한 적응형 모델링 편심 측정 시스템(300)의 단순화된 계략적인 예시인 도 3에 대한 참조가 이루어진다.
시스템(300)은 본원에서 위에서 설명된 SDW(102)와 같은 적어도 하나의 SDW(302), 및 본원에서 위에서 설명된 GSDW(104)와 같은 SDW(302)가 일부인 GSDW(304)를 제작하기 위해 사용될 수 있다. 본원의 위에서 설명된 바와 같이, GSDW(304)는, 그 중에서도 복수의 SDW들(308), 복수의 필드들(310), 복수의 다이들, 복수의 행들, 복수의 열들 또는 복수의 칩들과 같은 SDW(302) 또는 GSDW(304)의 임의의 적절한 성분으로서 구현될 수 있는 다수의 유닛들(306)을 포함한다. GSDW(304)는 적어도 50개의 유닛들(306)을 포함할 수 있고, 일반적으로 예를 들어 수백개의 유닛들(306) 또는 수천개의 유닛들(306)과 같이 50개보다 많은 유닛들(306)을 포함한다. SDW(302) 또는 SDW들(302)은 각각 GSDW(304)의 다른 SDW들(308)에 대해 수행되는 것보다 많은 심층 계측 측정들을 위해 설계된 테스트 웨이퍼일 수 있다. SDW(308)가 SDW(302)를 포함하지만 제한되는 것은 아닌, GSDW(304)에서의 임의의 반도체 디바이스 웨이퍼를 지칭할 수 있다는 점이 인식된다.
도 3에서 보여지는 바와 같이, 시스템(300)은 그 중에서도 리소그래피 스캐너 툴, 퇴적 툴, 에처 툴 및 폴리셔 툴 중 임의의 것 또는 모두와 같은 다수의 제작 툴들(322)을 포함할 수 있다. 추가적으로, 시스템(300)은 계측 툴(324), 가령 전자 빔 편심 계측 툴, 이미징 편심 계측 툴 또는 산란계측 편심 계측 툴과 같은 편심 계측 툴을 포함할 수 있다.
제작 툴들(322)은 GSDW(304)에서의 SDW들(308)의 제작에, 예를 들어 SDW들(308) 상의 층들의 형성, SDW들(308) 상의 층들의 패터닝 및 SDW들(308)의 폴리싱에 사용될 수 있다. 계측 툴(324)은 SDW(308) 상에 형성된 2개 이상의 층들 사이의 편심을 측정하기 위해 GSDW(304)의 제작의 다양한 스테이지들에서 사용될 수 있다.
본원에서 위에서 설명된 바와 같이, SDW(308) 상의 복수의 측정 사이트들을 측정하자마자, 계측 툴(324)은 각각이 하나의 유닛(306)에 대응할 수 있는 복수의 데이터 세트들을 생성한다. 계측 툴(324)이 SDW(302)를 측정하는 경우, 계측 툴(324)이 테스트 데이터 세트들을 생성한다. 계측 툴(324)이 SDW(302) 이외의 GSDW(304)로부터의 웨이퍼를 측정하는 경우, 계측 툴(324)이 런 데이터 세트들을 생성한다.
본 발명의 일 실시예에서, 테스트 데이터 세트들이 런 데이터 세트들보다 많은 정보를 포함한다. 본 발명의 다른 실시예에서, 테스트 데이터 세트들 및 런 데이터 세트들에 포함된 정보의 양이 실질적으로 동일하다. 본 발명의 둘 다의 경우들에서, 그러나, 런 데이터 세트들에 대해 수행되는 것보다 많은 계산들이 테스트 데이터 세트들에 대해 수행된다. 추가적으로, 도 1a 내지 도 2b를 참조하여 본원에서 위에서 설명된 바와 같이, 테스트 데이터 세트들에 대해 수행된 계산들로부터의 결과들이 런 데이터 세트들의 분석에 사용될 수 있다.
시스템(300)은 분석 엔진(330)을 더 포함할 수 있다. 분석 엔진(330)이 계측 툴(324)과 분리된 것으로 도 3에 도시되는 한편, 본 발명의 실시예에서, 분석 엔진(330)이 계측 툴(324)에 통합된다는 점이 인식된다. 유사하게, 분석 엔진(330)은 계측 툴(324)의 일부 이외의 컴퓨팅 시스템의 일부를 형성할 수 있다. 추가적으로, 분석 엔진(330)은, 일부가 서로 분리될 수 있는 다수의 부분들을 포함할 수 있다. 예를 들어, 분석 엔진의 일 부분이 계측 툴(324)에 하우징될 수 있는 한편 분석 엔진(330)의 다른 부분이 독립형 디바이스이다.
분석 엔진(330)은 일반적으로, 시스템(300)의 다른 요소들에의 연결을 위한 적절한 디지털 및/또는 아날로그 인터페이스들과 함께, 본원에서 설명된 기능들을 실행하도록 소프트웨어 및/또는 펌웨어에 프로그래밍된 프로그래밍가능 프로세서를 포함하거나 사용한다. 대안적으로 또는 추가적으로, 분석 엔진(330)은, 분석 엔진(330)의 기능들 중 적어도 일부를 실행하는, 하드웨어에 내장된(hard-wired) 그리고/또는 프로그래밍가능한 하드웨어 로직 회로들을 포함하거나 사용한다. 분석 엔진(330)이 단순화의 목적을 위해 단일 시스템으로서 도시되지만, 실제로 분석 엔진(330)은 도면들에 예시되고 글로 설명된 신호들을 수신하고 출력하기 위한 적절한 인터페이스들을 갖는, 다수의 상호연결된 제어 유닛들을 포함할 수 있다. 본원에 개시된 다양한 방법들 및 기능들을 구현하기 위한 분석 엔진(330)에 대한 프로그램 코드 또는 명령어들이 시스템 내의 메모리 또는 다른 메모리와 같은 판독가능 저장 매체에 저장될 수 있다.
일례에서, 분석 엔진(330)은 계측 툴(324)에 의해 생성된 데이터 세트들로부터 NUSV들을 식별하고 제거하도록 동작하고, 이에 의해 복수의 데이터 세트들에 대응하는 복수의 클리닝된 데이터 세트들을 생성한다. 일례에서, 클리닝된 테스트 데이터 세트들 각각에 포함된 모든 또는 거의 모든 데이터가 유닛(306)의 특성만이다.
따라서, 각각의 유닛(306)이 필드(310)인 실시예에서, 각각의 클리닝된 데이터 세트에서의 모든 또는 거의 모든 데이터가 클리닝된 데이터 세트에 대응하는 필드(310)로 인한 것이고, SDW(308)로 인한 것이 아니다. 그러한 실시예에서, 분석 엔진(330)에 의해 식별된 NUSV들은 일반적으로, SDW(308)로 인한 것인 웨이퍼 항들이다.
유사하게, 각각의 유닛(306)이 SDW(308)인 실시예에서, 각각의 클리닝된 데이터 세트에서의 모든 또는 거의 모든 데이터가 클리닝된 데이터 세트에 대응하는 SDW(308)로 인한 것이고, 특정 필드(310)로 인한 것이 아니다. 그러한 실시예에서, 분석 엔진(330)에 의해 식별된 NUSV들은 일반적으로, 필드들(310)로 인한 것인 필드 항들이다.
환언하면, 데이터 세트는 유닛(306)에 특유한 정보를 포함하는 유닛 특유의 항들, 및 유닛(306)에 특유한 정보를 포함하지 않을 수 있는 비 유닛 특유의 항들 둘 다로부터의 기여분들을 포함한다.
본 발명의 실시예에서, 분석 엔진(330)에 의해 식별된 NUSV들은 모델링된 NUSV들이고, 적절한 모델을 사용하여 식별된다. 그러한 적절한 모델은, 그 중에서도 테스트 데이터 세트들의 평균, 본 발명의 적응형 모델과 같은 테스트 데이트 세트들의 적응형 모델, Dana Klein, Daria Negri, "Error model4ing and accuracy breakdown in optical overlay metrology for advanced nodes," Proc. SPIE 11613, Optical Microlithography XXXIV, 116130X (22 February 2021)에서 설명된 모델과 유사한 모델을 포함할 수 있다.
특히 도 1a를 참조하여 본원에서 위에서 설명된 바와 같이, 분석 엔진(330)은 클리닝된 테스트 데이터 세트들을 추가적으로 분석할 수 있고, 이에 의해 GSDW(304)에 대한 피팅 함수 및 복수의 계수 세트들 둘 다를 생성한다.
본 발명의 일 실시예에서, 분석 엔진(330)은 SDW(308) 상에 형성된 2개 이상의 층들 사이의 편심, 및/또는 TIS 값들과 같은 편심 데이터의 계산에서 피팅 함수 및 계수 세트들을 사용한다.
본 발명의 다른 실시예에서, 분석 엔진(330)은, SDW(308) 상에 형성된 2개 이상의 층들 사이의 편심, 및/또는 TIS 값들과 같은 편심 데이터를 계산하도록 동작하는 기계에 또는 사람 사용자에게 피팅 함수 및 계수 세트들을 전달하고, 이어서 피팅 함수 및 계수 세트들이 편심 데이터의 계산에 사용된다.
본원에서 위에서 설명된 바와 같이, 편심 데이터를 계산하는 것은 계수 세트들을 변환하는 것을 포함하고, 이에 의해 복수의 변환된 계수 세트들을 생성한다. 변환된 계수 세트들은, GSDW(304)의 제조에 사용되는 제작 툴들(322) 또는 계측 툴(324) 중 하나의 효과들을 설명하도록 설계된 모델과 같은, 피팅 함수의 모델 이외의 모델에 직접적으로 관련될 수 있다. 그러한 모델은 그 중에서도 리소그래피 스캐너 모델, 퇴적 모델, 에처 모델, 폴리셔 모델 및 편심 계측 툴 모델을 포함할 수 있다.
예를 들어 다수의 복수의 변환된 계수 세트들을 생성하기 위해, 계수 세트들이 가령 분석 엔진(330)에 의해, 그러나 대안적으로 임의의 적절한 기계 또는 사람 계산자에 의해 다수 회 변환될 수 있다는 점이 인식된다. 따라서, 계산된 편심 데이터가 유리하게 다수의 모델들에 직접적으로 관련될 수 있다. 다수의 모델들 각각은 GSDW(304)의 제조에 사용되는 제작 툴들(322) 및 계측 툴(324) 중 하나의 툴 또는 일부 실시예들에서 다수의 툴들에 관련될 수 있다. 임의의 적절한 수 및 유형의 복수의 변환된 계수 세트들이 생성될 수 있고, 따라서 임의의 적절한 수 및 유형의 모델들이 쉽게 분석되는 것을 가능하게 한다는 점이 인식된다.
본원에서 위에서 설명된 바와 같이, 편심 데이터는 일반적으로, 분석 엔진(330)에 의해 생성된 계수 세트에 의해 가중된 피팅 함수를 제작 툴(322) 또는 계측 툴(324)의 모델 상으로 투사함으로써 특정 제작 툴(322) 또는 계측 툴(324)과 상관된다.
편심 데이터가 TIS 값들을 포함하는 실시예에서, TIS 값들이 NUSV들로서 식별될 수 있고 데이터 세트들로부터 제거되며, 이에 의해 클리닝된 데이터 세트들을 생성한다. 그러한 실시예에서, 분석 엔진(330)에 의해 생성된 피팅 함수가 TIS 값들을 계산하는데 유용하다. 본 발명의 실시예에서, TIS 값들이 측정 데이터로부터 제거되고, SDW(308) 상에 형성된 2개 이상의 층들 사이의 편심 값들을 계산하기 위해 추가 계산들이 수행된다.
본원에서 위에서 설명된 바와 같이, 일반적으로 GSDW(304)에서의 모든 SDW들(308)이 SDW(302)와 같은 테스트 웨이퍼들은 아니다. SDW(302)와 같은 테스트 웨이퍼들이 아닌 GSDW(304)에서의 SDW들(308)은 본원에서 ASDW들로 지칭된다. 계측 툴(324)은 ASDW(362) 상의 복수의 측정 사이트들을 측정할 수 있고, 이에 의해 복수의 런 데이터 세트들을 생성한다. 일례에서, 런 데이터 세트들 각각은 적어도 하나의 유닛(306)에 대응한다. 본원에서 위에서 설명된 바와 같이, 런 데이터 세트들 및 테스트 데이터 세트들이 상이한 SDW들(308)로부터 생성되는 한편, SDW(302) 및 ASDW(362) 둘 다가 단일 GSDW(304)로부터 선택되고, 유사한 측정 기술들 및 측정 설정들을 사용하여(예를 들어, 동일한 측정 기술들 및 측정 설정들을 사용하여) 측정될 수 있다는 점이 본 발명의 특정 특징이다. 따라서, 런 데이터 세트들이 테스트 데이터 세트들에 대응한다.
일례에서, 분석 엔진(330)은 런 데이터 세트들 각각으로부터 NUSV들을 식별하고 제거하며, 이에 의해 런 데이터 세트들, 따라서 테스트 데이터 세트들에 대응하는 복수의 클리닝된 런 데이터 세트들을 생성한다. 일례에서, 클리닝된 런 데이터 세트들에 포함된 모든 또는 거의 모든 데이터가 유닛(306)의 특성만이다.
본 발명의 실시예에서, 분석 엔진(330)은 테스트 런 데이터로부터 분석 엔진(330)에 의해 생성된 피팅 함수에 클리닝된 런 데이터 각각을 피팅하고, 이에 의해 복수의 계수 세트들을 생성한다. 일례에서, 클리닝된 런 데이터 세트들 각각에 대해 하나의 계수 세트가 생성된다. 분석 엔진(330)에 의해 생성된 계수 세트들이 분석 엔진(330)에 의해 생성된 피팅 함수에 직접적으로 관련된다는 점이 인식된다.
본 발명의 일 실시예에서, 분석 엔진(330)은 ASDW(362) 상에 형성된 2개 이상의 층들 사이의 편심, 및/또는 TIS 값들과 같은 편심 데이터의 계산에서 피팅 함수 및 계수 세트들을 사용한다.
본 발명의 다른 실시예에서, 분석 엔진(330)은, ASDW(362) 상에 형성된 2개 이상의 층들 사이의 편심, 및/또는 TIS 값들과 같은 편심 데이터를 계산하도록 동작하는 기계에 또는 사람 사용자에게 피팅 함수 및 계수 세트들을 전달하고, 이어서 피팅 함수 및 계수 세트들이 편심 데이터의 계산에 사용된다.
본원에서 위에서 설명된 바와 같이, 편심 데이터를 계산하는 것은 계수 세트들을 변환하는 것을 포함하고, 이에 의해 복수의 변환된 계수 세트들을 생성한다. 변환된 계수 세트들은, GSDW(304)의 제조에 사용되는 제작 툴들(322) 또는 계측 툴(324) 중 하나의 효과들을 설명하도록 설계된 모델과 같은, 피팅 함수의 모델 이외의 모델에 직접적으로 관련될 수 있다. 그러한 모델은 그 중에서도 리소그래피 스캐너 모델, 퇴적 모델, 에처 모델, 폴리셔 모델 및 편심 계측 툴 모델을 포함할 수 있다.
예를 들어 다수의 복수의 변환된 계수 세트들을 생성하기 위해, 계수 세트들이 가령 분석 엔진(330)에 의해, 그러나 대안적으로 임의의 적절한 기계 계산자에 의해 다수 회 변환될 수 있다는 점이 인식된다. 따라서, 계산된 편심 데이터가 유리하게 다수의 모델들에 직접적으로 관련될 수 있다. 다수의 모델들 각각은 GSDW(304)의 제조에 사용되는 제작 툴들(322) 및 계측 툴(324) 중 하나의 툴 또는 일부 실시예들에서 다수의 툴들에 관련될 수 있다. 임의의 적절한 수 및 유형의 복수의 변환된 계수 세트들이 생성될 수 있고, 따라서 임의의 적절한 수 및 유형의 모델들이 쉽게 분석되는 것을 가능하게 한다는 점이 인식된다.
본원에서 위에서 설명된 바와 같이, 편심 데이터는 일반적으로, 분석 엔진(330)에 의해 생성된 계수 세트에 의해 가중된 피팅 함수를 제작 툴(322) 또는 계측 툴(324)의 모델 상에 투사함으로써 특정 제작 툴(322) 또는 계측 툴(324)과 상관된다.
편심 데이터가 TIS 값들을 포함하는 실시예에서, TIS 값들이 NUSV들로서 식별될 수 있고 데이터 세트들로부터 제거되며, 이에 의해 클리닝된 데이터 세트들을 생성한다. 그러한 실시예에서, 분석 엔진(330)에 의해 생성된 피팅 함수가 TIS 값들을 계산하는데 유용하다. 본 발명의 실시예에서, TIS 값들이 측정 데이터로부터 제거되고, ASDW(362) 상에 형성된 2개 이상의 층들 사이의 편심 값들을 계산하기 위해 추가 계산들이 수행된다.
일례에서, ASDW(362)에 대해 계산된 편심 데이터가 GSDW(304)의 제조에 사용되는 제작 툴들(322) 및 계측 툴(324) 중 하나 이상과 상관된다. 일반적으로, 편심 데이터는, 분석 엔진(330)에 의해 생성된 계수 세트에 의해 가중된 피팅 함수를 제작 툴(322) 또는 계측 툴(324)의 모델 상에 투사함으로써 제작 툴(322) 또는 계측 툴(324)과 상관된다. 따라서, 편심 데이터가 상관되는 제작 툴들(322) 및 계측 툴(324) 중 적어도 일부가 분석 엔진(330)에 의해 생성된 변환된 계수들에 직접적으로 관련된 모델들을 갖는 툴들이다.
GSDW(304)의 제조에서 사용되는 제작 툴들(322) 및 계측 툴(324) 중 하나 이상과 편심 데이터를 상관시키는 것이 원치않는 편심의 소스에 관한 정보를 제공한다. 이는, 편심이 가령 제작 파라미터들을 조정함으로써 수정되거나, 아티팩트로서 식별된 후 무시되는 것을 가능하게 할 수 있다.
본 발명이 본원에서 위에서 구체적으로 도시되고 설명된 것에 제한되는 것은 아니라는 점이 본 분야에 숙련된 자들에 의해 이해될 것이다. 본 발명의 범위는 본원에서 위에서 설명된 다양한 피처들의 조합들 및 서브조합들 둘 다뿐만 아니라 이들의 변형들을 포함하며, 이들 모두 선행 기술에 없다.
Claims (23)
- 반도체 디바이스 웨이퍼(semiconductor device wafer; SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터(misregistration data)를 생성하기 위한 적응형 모델링 방법(adaptive modeling method)에 있어서,
상기 SDW의 그룹(group of SDW; GSDW)에 대한 피팅 함수(fitting function)를 계산하는 단계로서, 상기 GSDW는 복수의 유닛들을 포함하고, 상기 피팅 함수를 계산하는 단계는,
상기 GSDW에서의 적어도 하나의 SDW 상의 복수의 측정 사이트(measurement site)들을 측정하고, 이에 의해 복수의 테스트 데이터 세트들을 생성하는 단계 - 상기 테스트 데이터 세트들 각각은 상기 유닛들 중 적어도 하나에 대응함 - ;
상기 복수의 테스트 데이터 세트들 각각으로부터 비 유닛 특유의 값(non-unit-specific value; NUSV)들을 제거하고, 이에 의해 대응하는 복수의 클리닝된 테스트 데이터 세트들을 생성하는 단계; 및
상기 클리닝된 테스트 데이터 세트들을 분석하고, 이에 의해 상기 GSDW에 대한 상기 피팅 함수를 생성하는 단계를 포함하는 것인, 상기 피팅 함수를 계산하는 단계; 및
상기 GSDW에서의 적어도 하나의 추가 SDW(additional SDW; ASDW)에 대한 편심 데이터를 생성하는 단계로서, 상기 편심 데이터를 생성하는 단계는,
상기 ASDW 상의 복수의 측정 사이트들을 측정하고, 이에 의해 복수의 런 데이터 세트(run data set)들을 생성하는 단계 - 상기 런 데이터 세트들은 상기 테스트 데이터 세트들에 대응함 - ;
상기 복수의 런 데이터 세트들 각각으로부터 NUSV들을 제거하고, 이에 의해 대응하는 복수의 클리닝된 런 데이터 세트들을 생성하는 단계;
상기 클리닝된 런 데이터 세트들 각각을 상기 피팅 함수에 피팅하고, 이에 의해 상기 복수의 클리닝된 런 데이터 세트들에 대응하는 복수의 계수 세트들을 생성하는 단계; 및
상기 피팅 함수 및 상기 복수의 계수 세트들에 적어도 부분적으로 기초하여, 상기 ASDW에 대한 편심 데이터를 계산하는 단계를 포함하는 것인, 상기 편심 데이터를 생성하는 단계
를 포함하는, 반도체 디바이스 웨이퍼(SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터를 생성하기 위한 적응형 모델링 방법. - 제1항에 있어서, 상기 클리닝된 테스트 데이터 세트들을 분석하는 단계는, 상기 복수의 클리닝된 테스트 데이터 세트들에 대해 주성분 분석(principal component analysis; PCA)을 수행하는 단계를 포함하는 것인, 방법.
- 제1항에 있어서, 상기 유닛들 각각은 상기 SDW 상의 단일 필드를 포함하는 것인, 방법.
- 제3항에 있어서, 상기 NUSV들은 웨이퍼 항(wafer term)들인 것인, 방법.
- 제1항에 있어서, 상기 유닛들 각각은 상기 SDW 상의 다수의 필드들을 포함하는 것인, 방법.
- 제5항에 있어서, 상기 NUSV들은 필드 항들인 것인, 방법.
- 제1항에 있어서, 상기 편심 데이터는 툴 유도 시프트(tool-induced-shift; TIS) 값들 또는 편심 값들을 포함하는 것인, 방법.
- 제1항에 있어서, 상기 NUSV들은 모델링된 NUSV들인 것인, 방법.
- 제1항에 있어서, 상기 GSDW의 제조에 사용되는 적어도 하나의 툴과 상기 편심 데이터를 상관시키는(correlate) 단계를 더 포함하는, 방법.
- 제9항에 있어서, 상기 GSDW의 제조에 사용되는 적어도 하나의 추가 툴과 상기 편심 데이터를 상관시키는 단계를 더 포함하는, 방법.
- 제1항에 있어서, 상기 ASDW에 대한 편심 데이터를 계산하는 단계는 상기 복수의 계수 세트들을 변환하고, 이에 의해 복수의 변환된 계수 세트들을 생성하는 단계를 포함하는 것인, 방법.
- 제11항에 있어서, 상기 복수의 변환된 계수 세트들은 상기 피팅 함수 이외의 모델에 대응하는 것인, 방법.
- 제12항에 있어서, 상기 모델은,
리소그래피 스캐너 모델;
퇴적 모델;
에처 모델(etcher model);
폴리셔 모델(polisher model); 또는
편심 계측 툴 모델
중 하나를 포함하는 것인, 방법. - 반도체 디바이스 웨이퍼(SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터를 생성하기 위한 적응형 모델링 시스템에 있어서,
SDW 상에 형성되는 적어도 2개의 층들의 제조에 사용되는 하나 이상의 제작 툴 - 각각의 SDW는 SDW의 그룹(GSDW)의 일부이고, 상기 GSDW는 복수의 유닛들을 포함함 - ;
상기 GSDW에서의 적어도 하나의 SDW 상의 복수의 측정 사이트들을 측정하고, 이에 의해 복수의 테스트 데이터 세트들을 생성하기 위해 사용되는 계측 툴 - 상기 테스트 데이터 세트들 각각은 상기 유닛들 중 적어도 하나에 대응함 - ; 및
상기 GSDW에 대한 피팅 함수를 계산하도록 동작하는 분석 엔진
을 포함하고, 상기 피팅 함수를 계산하는 것은,
상기 복수의 테스트 데이터 세트들 각각으로부터 비 유닛 특유의 값(NUSV)들을 제거하고, 이에 의해 대응하는 복수의 클리닝된 테스트 데이터 세트들을 생성하는 것; 및
상기 클리닝된 테스트 데이터 세트들을 분석하고, 이에 의해 상기 GSDW에 대한 상기 피팅 함수를 생성하는 것
을 포함하는 것인, 반도체 디바이스 웨이퍼(SDW) 상에 형성된 적어도 2개의 층들 사이의 편심 데이터를 생성하기 위한 적응형 모델링 시스템. - 제14항에 있어서,
상기 계측 툴은 또한 상기 ASDW 상의 복수의 측정 사이트들을 측정하고, 이에 의해 복수의 런 데이터 세트들을 생성하고, 상기 런 데이터 세트들은 상기 테스트 데이터 세트들에 대응하고;
상기 분석 엔진은 또한 상기 GSDW에서의 적어도 하나의 추가 SDW(ASDW)에 대한 편심 데이터를 생성하도록 동작하고, 상기 편심 데이터를 생성하는 것은,
상기 복수의 런 데이터 세트들 각각으로부터 NUSV들을 제거하고, 이에 의해 대응하는 복수의 클리닝된 런 데이터 세트들을 생성하는 것;
상기 클리닝된 런 데이터 세트들 각각을 상기 피팅 함수에 피팅하고, 이에 의해 상기 복수의 클리닝된 런 데이터 세트들에 대응하는 복수의 계수 세트들을 생성하는 것; 및
상기 피팅 함수 및 상기 복수의 계수 세트들에 적어도 부분적으로 기초하여, 상기 ASDW에 대한 편심 데이터를 계산하는 것
을 포함하는 것인, 시스템. - 제14항에 있어서, 다수의 제작 툴들이,
리소그래피 스캐너 툴;
퇴적 툴;
에처 툴; 또는
폴리셔 툴
중 적어도 하나를 포함하는 것인, 시스템. - 제14항에 있어서, 상기 계측 툴은 전자 빔 편심 계측 툴, 이미징 편심 계측 툴, 또는 산란계측 편심 계측 툴(scatterometry misregistration metrology tool)을 포함하는 것인, 시스템.
- 제14항에 있어서, 상기 유닛들 각각은 상기 SDW 상의 단일 필드를 포함하는 것인, 시스템.
- 제14항에 있어서, 상기 유닛들 각각은 상기 SDW 상의 다수의 필드들을 포함하는 것인, 시스템.
- 제14항에 있어서, 상기 편심 데이터는 툴 유도 시프트(TIS) 값들을 포함하는 것인, 시스템.
- 제14항에 있어서, 상기 편심 데이터는 편심 값들을 포함하는 것인, 시스템.
- 제14항에 있어서, 상기 분석 엔진은 또한 상기 하나 이상의 제작 툴 및 상기 계측 툴 중 적어도 하나와 상기 편심 데이터를 상관시키는 것인, 시스템.
- 제22항에 있어서, 상기 분석 엔진은 또한 상기 하나 이상의 제작 툴 및 상기 계측 툴 중 적어도 하나의 추가 툴과 상기 편심 데이터를 상관시키는 것인, 시스템.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163196243P | 2021-06-03 | 2021-06-03 | |
| US63/196,243 | 2021-06-03 | ||
| US17/705,077 | 2022-03-25 | ||
| US17/705,077 US20220392809A1 (en) | 2021-06-03 | 2022-03-25 | Adaptive modeling misregistration measurement system and method |
| PCT/US2022/025255 WO2022256088A1 (en) | 2021-06-03 | 2022-04-19 | Adaptive modeling misregistration measurement system and method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240016245A true KR20240016245A (ko) | 2024-02-06 |
Family
ID=84284364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237029554A KR20240016245A (ko) | 2021-06-03 | 2022-04-19 | 적응형 모델링 편심 측정 시스템 및 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20220392809A1 (ko) |
| KR (1) | KR20240016245A (ko) |
| TW (1) | TW202312304A (ko) |
| WO (1) | WO2022256088A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017184301A1 (en) * | 2016-04-22 | 2017-10-26 | Applied Materials, Inc. | Method for pecvd overlay improvement |
| US10705514B2 (en) * | 2018-10-09 | 2020-07-07 | Applied Materials, Inc. | Adaptive chamber matching in advanced semiconductor process control |
| KR102509764B1 (ko) * | 2019-03-21 | 2023-03-14 | 케이엘에이 코포레이션 | 반도체 디바이스에서의 파라미터-안정적 오정렬 측정 개선 |
| WO2020197571A1 (en) * | 2019-03-28 | 2020-10-01 | Kla-Tencor Corporation | Method for measuring and correcting misregistration between layers in a semiconductor device, and misregistration targets useful therein |
| WO2020263391A1 (en) * | 2019-06-26 | 2020-12-30 | Kla Corporation | Systems and methods for feedforward process control in the manufacture of semiconductor devices |
-
2022
- 2022-03-25 US US17/705,077 patent/US20220392809A1/en active Pending
- 2022-04-19 WO PCT/US2022/025255 patent/WO2022256088A1/en active Application Filing
- 2022-04-19 KR KR1020237029554A patent/KR20240016245A/ko unknown
- 2022-04-25 TW TW111115581A patent/TW202312304A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022256088A1 (en) | 2022-12-08 |
| US20220392809A1 (en) | 2022-12-08 |
| TW202312304A (zh) | 2023-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102370339B1 (ko) | 전산 계측 | |
| US11520238B2 (en) | Optimizing an apparatus for multi-stage processing of product units | |
| KR102242414B1 (ko) | 산업 공정과 관련된 진단 정보를 얻는 방법 및 장치 | |
| EP3654103A1 (en) | Method for obtaining training data for training a model of a semicondcutor manufacturing process | |
| KR20200077590A (ko) | 패터닝 프로세스에 관한 정보를 결정하는 방법, 측정 데이터의 오차를 감소시키는 방법, 계측 프로세스를 교정하는 방법, 및 계측 타겟을 선택하는 방법 | |
| EP3785077B1 (en) | Method to label substrates based on process parameters | |
| KR20240016245A (ko) | 적응형 모델링 편심 측정 시스템 및 방법 | |
| US11573496B2 (en) | Method of reducing effects of lens heating and/or cooling in a lithographic process | |
| JP5346696B2 (ja) | 繰り返しパターンを有する物体を評価するための方法及びシステム | |
| CN114762094A (zh) | 用于基于计量景观优化计量的系统及方法 | |
| CN117518747B (zh) | 一种光刻量测强度的生成方法、装置、设备及存储介质 | |
| WO2023186440A1 (en) | Method for determining a spatial distribution of a parameter of interest over at least one substrate or portion thereof | |
| WO2019206498A1 (en) | Method to label substrates based on process parameters |