KR20240063109A - 선택된 패턴 세트를 평가하는 방법 - Google Patents

Abstract

본 명세서에서는 디자인 레이아웃의 선택된 패턴 세트를 평가하는 시스템 및 방법이 설명된다. 본 명세서의 방법은, (i) 패턴 선택 프로세스의 결과로 생성된 제 1 패턴 세트, (ii) 제 1 패턴 세트와 연관된 제 1 패턴 데이터, (iii) 제 1 패턴 데이터와 연관된 특성 데이터, 및 (iv) 제 2 패턴 세트와 연관된 제 2 패턴 데이터를 획득하는 단계를 포함한다. 머신 러닝 모델이 특성 데이터를 기반으로 트레이닝되며, 머신 러닝 모델은 입력 패턴에 대한 패턴 데이터를 예측하도록 구성된다. 제 2 패턴 세트는 트레이닝된 머신 러닝 모델에 입력되어, 제 2 패턴 세트의 제 2 패턴 데이터가 예측된다. 제 1 패턴 세트는, 제 2 패턴 데이터와 예측된 제 2 패턴 데이터를 비교함으로써 평가된다. 평가 결과 패턴 커버리지가 충분하지 않은 것으로 나타나면, 패턴 커버리지를 개선하기 위해 추가 패턴들이 포함될 수 있다.

Description

선택된 패턴 세트를 평가하는 방법

[관련 출원에 대한 상호 참조]

본 출원은 2021년 9월 2일에 출원된 국제 출원 PCT/CN2021/116215에 대한 우선권을 주장하며, 그 전문은 인용에 의해 본 명세서에 통합된다.

[기술분야]

본 명세서의 설명은 일반적으로 메트롤로지 측정 및 리소그래피 관련 프로세스의 개선에 관한 것이다. 보다 구체적으로는, 패터닝 프로세스에 사용되는 모델 트레이닝 또는 메트롤로지 측정을 위한 패턴 세트를 평가하는 장치, 방법, 및 컴퓨터 프로그램 제품에 관한 것이다.

리소그래피 투영 장치는, 예를 들어 집적 회로(IC)의 제조에 사용될 수 있다. 이러한 경우에, 패터닝 디바이스(예: 마스크)는 IC의 개별 층에 대응하는 패턴("디자인 레이아웃")을 포함하거나 제공할 수 있고, 이 패턴은 방사선 감응재("레지스트") 층으로 코팅된 기판(예: 실리콘 웨이퍼) 상의 타겟부(예를 들어, 하나 이상의 다이를 포함함)로 전사(transfer)될 수 있는데, 이는 패터닝 디바이스 상의 패턴을 통해 타겟부를 조사(irradiate)하는 것과 같은 방법에 의해 이루어질 수 있다. 일반적으로, 단일 기판은 리소그래피 투영 장치에 의해 패턴이 한 번에 한 타겟부씩 연속적으로 전사되는 복수의 인접한 타겟부를 포함한다. 일 유형의 리소그래피 투영 장치에서는 전체 패터닝 디바이스 상의 패턴이 한 타겟부 상으로 한 번에 전사되며, 이러한 장치는 통상적으로 스테퍼(stepper)라 칭해진다. 통상적으로 스텝 앤 스캔(step-and-scan) 장치라 칭해지는 대안적인 일 장치에서는, 투영 빔이 주어진 기준 방향("스캐닝" 방향)으로 패터닝 디바이스에 걸쳐 스캐닝하는 한편, 동시에 이 기준 방향과 평행하게 또는 역평행하게(anti-parallel) 기판이 이동된다. 패터닝 디바이스 상의 패턴의 서로 다른 부분들이 점진적으로 한 타겟부에 전사된다. 일반적으로, 리소그래피 투영 장치가 축소율(M)(예: 4)을 갖기 때문에, 기판이 이동되는 속력(F)은 투영 빔이 패터닝 디바이스를 스캐닝하는 속력의 1/M 배가 될 것이다. 리소그래피 디바이스들에 관련된 더 많은 정보는, 예를 들어 본 명세서에서 인용에 의해 통합되는 US 6,046,792로부터 얻을 수 있다.

패터닝 디바이스로부터 기판으로 패턴을 전사하기에 앞서, 기판은 전처리(priming), 레지스트 코팅, 및 소프트 베이크(soft bake)와 같은 다양한 절차를 거칠 수 있다. 노광 이후, 기판은 노광 후 베이크(post-exposure bake, PEB), 현상, 하드 베이크(hard bake), 및 전사된 패턴의 측정/검사와 같은 다른 절차("노광 후 절차")를 거칠 수 있다. 이러한 일련의 절차들은 디바이스, 예컨대 IC의 개별 층을 제작하기 위한 기초로서 사용된다. 그 후, 기판은 에칭, 이온 주입(도핑), 금속화(metallization), 산화, 화학-기계적 연마 등과 같은 다양한 프로세스들을 거칠 수 있으며, 이는 모두 디바이스의 개별층을 마무리하도록 의도된다. 디바이스에서 여러 층이 요구되는 경우, 각각의 층에 대하여 전체 과정 또는 그 변형(variation)이 반복된다. 최후에는, 디바이스가 기판 상의 각 타겟부에 존재할 것이다. 그 후, 이 디바이스들은 다이싱(dicing) 또는 소잉(sawing)과 같은 기술에 의해 서로 분리되며, 개개의 디바이스들은 예컨대 캐리어에 장착되거나 핀에 연결될 수 있다.

따라서, 반도체 디바이스와 같은 디바이스들을 제조하는 것은 통상적으로 디바이스의 다양한 피처(feature) 및 다수의 층을 형성하기 위해 여러 제작 프로세스를 이용하여 기판(예: 반도체 웨이퍼)을 처리하는 것을 수반한다. 이러한 층 및 피처는 통상적으로, 예를 들어 증착, 리소그래피, 에칭, 화학-기계적 연마, 및 이온 주입을 이용하여 제조되고 처리된다. 다수의 디바이스가 기판의 복수의 다이(die) 상에 제작된 후 개별적인 디바이스로 분리될 수 있다. 이 디바이스 제조 프로세스는 패터닝 프로세스로 간주될 수 있다. 패터닝 프로세스는, 기판에 패터닝 디바이스 상의 패턴을 전사하기 위해, 리소그래피 장치에서 패터닝 디바이스를 이용하는 광학 및/또는 나노임프린트(nanoimprint) 리소그래피와 같은 패터닝 단계를 수반하며, 통상적이지만 선택적으로 현상 장치에 의한 레지스트 현상, 베이크 툴을 이용한 기판의 베이킹, 에칭 장치를 이용한 패턴을 이용한 에칭 등과 같은 하나 이상의 관련 패턴 처리 단계를 수반한다.

일 실시예에서, 예를 들어 메트롤로지 측정을 수행하고/하거나 전산 리소그래피 머신 러닝 모델을 위한 트레이닝 데이터 세트를 생성할 목적으로, 디자인 레이아웃으로부터 선택된 패턴의 세트를 평가하는 방법이 제공된다. 메트롤로지 툴을 사용하여 패터닝된 기판을 측정하는 것은 시간이 많이 소요되는 과정이며, 반도체 제조 프로세스의 스루풋(예: 시간당 제조되는 칩의 개수)에 영향을 미친다. 통상적으로, 디자인 레이아웃 상에는 칩에 프린팅되어야 할 수백만 개의 패턴이 있을 수 있다. 반도체 제조 프로세스의 스루풋 요구사항을 충족하기 위한 원하는 시간 내에 이들 패턴을 모두 측정하는 것은 비현실적이다. 따라서, 일반적으로 패턴의 축소된(reduced) 세트가 측정을 위해 디자인 레이아웃으로부터 선택된다.

이러한 측정은 패터닝 프로세스와 관련된 다양한 목적을 위한 것일 수 있다. 일 실시예에서, 측정은 반도체 제조 프로세스의 패터닝 프로세스를 모니터링하거나 조정하기 위해 사용될 수 있다. 일 실시예에서, 측정은 패터닝 프로세스와 관련된 모델 캘리브레이션(calibration) 또는 모델 트레이닝에 사용될 수 있다. 따라서, 메트롤로지 측정을 위해 선택된 축소된 패턴 세트를 평가하여, 축소된 측정으로도 패터닝 프로세스에 대한 정확한 제어 및 조정이 달성되도록 할 수 있다.

더불어 축소된 측정으로도 정확한 모델 캘리브레이션 또는 모델 트레이닝이 달성될 수 있다. 이는 또한 모델 캘리브레이션 또는 모델 트레이닝 중에 사용되는 계산 시간 및 리소스를 줄이는 데 도움이 된다.

예를 들어, 선택된 패턴 세트가 디자인 레이아웃의 수백만 개의 패턴을 대표하거나, 패턴 세트가 적절한 패턴 커버리지(coverage)를 갖는다면, 이러한 패턴 세트에 대한 메트롤로지 측정치들이 패터닝 프로세스와 관련된 모델을 트레이닝하는 데 사용될 경우 트레이닝된 모델은 패터닝된 기판의 특성들을 정확하게 예측할 수 있다. 본 발명은, 하나 이상의 선택된 패턴 세트를 그에 대한 메트롤로지 데이터에 의존하지 않고 평가하기 위한 메커니즘을 제공한다. 패턴 세트들 각각은 패턴 선택 프로세스의 결과로 생성될 수 있다. 이러한 방식으로, 평가는 시간이 많이 소요되는 메트롤로지 측정 전에 수행될 수 있다는 이점이 있다.

일 실시예에 따르면, 선택된 패턴 세트를 평가하는 방법이 제공된다. 방법은, (i) 패턴 선택 프로세스의 결과로 생성된 제 1 패턴 세트, (ii) 제 1 패턴 세트와 연관된 제 1 패턴 데이터, (iii) 제 1 패턴 데이터와 연관된 특성 데이터, 및 (iv) 제 2 패턴 세트와 연관된 제 2 패턴 데이터를 획득하는 단계를 포함한다. 머신 러닝 모델은 제 1 패턴과 연관된 특성 데이터를 기반으로 트레이닝되며, 머신 러닝 모델은, 머신 러닝 모델에 입력된 패턴에 대한 패턴 데이터를 예측하도록 구성된다. 제 2 패턴 세트는 트레이닝된 머신 러닝 모델에 입력되어, 제 2 패턴 세트의 제 2 패턴 데이터가 예측된다. 제 1 패턴 세트는, 제 2 패턴 데이터와 예측된 제 2 패턴 데이터를 비교함으로써 평가된다. 제 1 패턴 세트는 디자인 레이아웃의 제 1 복수의 패턴을 포함하며, 제 2 패턴 세트는 디자인 레이아웃의 제 2 복수의 패턴을 포함한다. 일 실시예에서, 제 2 패턴 세트는 풀 칩 레이아웃(full chip layout)을 포함한다.

일 실시예에서, 제 1 패턴 데이터를 획득하는 단계는, 제 1 패턴 세트를 입력으로 사용하여 패터닝 프로세스를 시뮬레이션하도록 구성된 기준 모델(reference model)을 실행함으로써 제 1 윤곽(contours) 또는 제 1 이미지를 생성하는 단계를 수반한다. 이와 유사하게, 제 2 패턴 데이터를 획득하는 단계는, 제 2 패턴 세트를 입력으로 사용하여 패터닝 프로세스를 시뮬레이션하도록 구성된 기준 모델을 실행함으로써 제 2 윤곽 또는 제 2 이미지를 생성하는 단계를 수반한다.

일 실시예에서, 제 1 패턴 세트는 제 2 패턴 세트의 서브세트(subset)일 수 있다.

일 실시예에서, 제 1 패턴 세트를 평가하는 단계는, 제 2 패턴 데이터와 예측된 제 2 패턴 데이터 간의 차이를 산출하는 단계를 수반한다. 일 실시예에서, 제 1 패턴 세트를 사용하여 트레이닝된 트레이닝된 머신 러닝 모델과 연관된 절대 오차의 함수로서 절대 패턴 커버리지(absolute patteren coverage)가 판정된다. 일 실시예에서, 상대 오차의 함수로서 상대 패턴 커버리지(relative pattern coverage)가 판정될 수 있으며, 상대 오차는, 제 1 패턴 세트를 사용하여 트레이닝된 트레이닝된 머신 러닝 모델과 연관된 제 1 오차 범위와, 다른 패턴 세트와 연관된 제 2 오차 범위 간의 비교이다.

일 실시예에서, 디자인 레이아웃 내의 위험 패턴(risk patterns)들이 판정될 수 있다. 위험 패턴들은, 원하는 오차 임계값(threshold)을 위반하는 모델 예측 오차들과 연관된다. 이들 위험 패턴은 패턴 커버리지를 개선하기 위해 제 1 패턴 세트로 보충(supplemented)될 수 있다.

선택된 패턴 세트가 충분한 커버리지를 갖는다고 평가되면, 선택된 패턴 세트는 패터닝 프로세스 또는 메트롤로지 프로세스와 관련된 다양한 목적을 위해 사용될 수 있다. 예를 들어, 선택된 패턴 세트는 패터닝된 기판의 측정값들을 메트롤로지 툴을 통해 캡처하는 데 사용될 수 있다. 선택된 패턴은 메트롤로지 스루풋을 향상시키는 이점이 있다. 다른 일 예로서, 선택된 패턴 세트는 패터닝 프로세스와 관련된 ML 모델을 트레이닝하는 데 사용될 수 있다.

일 실시예에 따르면, 명령어들이 기록된 비일시적 컴퓨터 판독 가능 매체를 포함하는 컴퓨터 시스템이 제공된다. 명령어들은, 컴퓨터에 의해 실행될 때, 앞서 설명된 방법의 단계들을 구현할 수 있다.

본 명세서에 통합되며 본 명세서의 일부를 구성하는 첨부 도면은, 본 명세서에 개시된 주제에 대한 특정 양태들을 도시하고, 기술내용과 더불어, 개시된 구현예들과 연관된 일부 원리를 설명하는 것을 돕는다. 도면에서,
도 1은, 일 실시예에 따른, 리소그래피 투영 장치의 다양한 서브 시스템에 대한 블록도를 도시한다.
도 2는, 일 실시예에 따른, 리소그래피 투영 장치에서 리소그래피를 시뮬레이션하는 예시적인 방법에 대한 흐름도를 도시한다.
도 3은, 일 실시예에 따른, 디자인 레이아웃의 주어진 패턴 세트의 평가 프로세스에 대한 블록도이다.
도 4는, 일 실시예에 따른, 디자인 레이아웃의 주어진 패턴 세트(예: 패턴 서브세트)를 평가하는 방법의 예시적인 흐름도이다.
도 5는, 일 실시예에 따른, 다양한 선택된 패턴 세트와 연관된 윤곽 대 윤곽(contour-to-contour) 결함 크기에 대한 박스 플롯(box plot)이다.
도 6은, 일 실시예에 따라, 결함 크기에 기반한 절대 및 상대 패턴 커버리지 검사를 도시하며, 결함 크기는 서로 다른 패턴 선택 프로세스로부터 획득한 서로 다른 패턴 세트들과 연관된다.
도 7은, 일 실시예에 따라, 윤곽 대 윤곽 오차 범위에 기반한 서로 다른 패턴 세트들의 상대적인 비교를 도시하며, 여기서 서로 다른 패턴 세트들은 서로 다른 패턴 선택 프로세스로부터 획득된다.
도 8은, 일 실시예에 따라, 트레이닝된 머신 러닝 모델 오차에 기반하여 위험 패턴을 식별하는 것을 도시한다.
도 9는, 일 실시예에 따른, 예시적인 컴퓨터 시스템의 블록도이다.
도 10은, 일 실시예에 따른, 예시적인 심자외선(EUV) 리소그래피 투영 장치의 개략도이다.
도 11은, 일 실시예에 따른, 다른 리소그래피 투영 장치의 개략도이다.
도 12는, 일 실시예에 따른, 도 11의 예시적인 장치의 보다 상세한 도면이다.
도 13은, 일 실시예에 따른, 도 11 및 도 12의 장치의 소스 컬렉터 모듈의 보다 상세한 도면이다.

본 명세서에서는, IC의 제조에 대하여 구체적인 언급이 이루어지지만, 본 명세서의 기재내용은 많은 다른 가능한 적용예들을 갖는다는 점이 명확히 이해되어야 한다. 예를 들어, 이는 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 액정 디스플레이 패널, 박막 자기 헤드 등의 제조 시에 채택될 수 있다. 당업자라면, 이러한 대안적인 적용예와 관련하여, 본 명세서의 "레티클", "웨이퍼", 또는 "다이"라는 용어의 어떠한 사용도 각각 "마스크", "기판", 및 "타겟부"라는 좀더 일반적인 용어와 상호 교환 가능한 것으로 간주되어야 함을 이해할 것이다.

본 명세서에서, "방사선" 및 "빔"이라는 용어는, 자외선(예를 들어 365, 248, 193, 157, 또는 126 nm의 파장을 가짐) 및 EUV(예를 들어 약 5 내지 100 nm 범위의 파장을 갖는 극자외선)를 포함한 모든 유형의 전자기 방사선을 포괄하는 의미로 사용될 수 있다.

패터닝 디바이스는 하나 이상의 디자인 레이아웃을 포함하거나 형성할 수 있다. 디자인 레이아웃은 CAD(computer-aided design) 프로그램들을 사용하여 생성될 수 있으며, 이 프로세스는 흔히 EDA(electronic design automation)라고 칭해진다. 대부분의 CAD 프로그램은, 기능 디자인 레이아웃/패터닝 디바이스를 생성하기 위해 기 설정된 디자인 규칙들의 세트를 따른다. 이러한 규칙들은 처리 및 디자인 제한사항들에 따라 설정된다. 예를 들어, 디자인 규칙들은 (게이트, 커패시터 등과 같은) 디바이스들 또는 상호연결 라인들 사이의 간격 공차(space tolerance)를 정의하여, 이에 따라 디바이스들 또는 라인들이 바람직하지 않은 방식으로 서로 상호작용하지 않도록 한다. 디자인 규칙 제한사항들 중 하나 이상은 "임계 치수"(CD)라고 칭해질 수 있다. 디바이스의 임계 치수는 라인 또는 홀의 최소 폭, 또는 두 라인들 또는 두 홀들 간의 최소 간격으로서 정의될 수 있다. 따라서, CD는 디자인된 디바이스의 전체 크기 및 밀도를 결정한다. 물론, 디바이스 제작의 목표 중 하나는 원래 디자인 의도를 (패터닝 디바이스를 통해) 기판 상에 충실하게 재현하는 것이다.

본 명세서에서 사용된 "마스크" 또는 "패터닝 디바이스"라는 용어는, 기판의 타겟부에 생성될 패턴에 대응하여 입사하는 방사선 빔에 패터닝된 단면을 부여하는 데 사용될 수 있는 일반적인 패터닝 디바이스를 언급하는 것으로 폭넓게 해석될 수 있다. 또한, "광 밸브(light valve)"라는 용어가 이러한 맥락에서 사용될 수도 있다. 고전적인 마스크[투과형 또는 반사형, 바이너리형, 위상 시프팅(phase-shifting)형, 하이브리드형 등] 외에도, 이러한 패터닝 디바이스의 다른 예로는 프로그래밍 가능한(programmable) 미러 어레이 및 프로그래밍 가능한 LCD 어레이가 있다.

프로그래밍 가능한 미러 어레이의 일 예시는 점탄성 제어층 및 반사 표면을 갖는 매트릭스-어드레서블 표면(matrix-addressable surface)일 수 있다. 이러한 장치의 기본 원리는, (예를 들어) 반사 표면의 어드레싱된 영역은 입사 방사선을 회절 방사선으로서 반사시키는 반면, 어드레싱되지 않은 영역들은 입사 방사선을 비회절 방사선으로서 반사시킨다는 것이다. 적절한 필터를 사용하면, 반사된 빔 중에서 상기 비회절 방사선을 필터링하여, 회절 방사선만이 남게 할 수 있다. 이러한 방식으로 매트릭스 어드레서블 표면의 어드레싱 패턴에 따라 빔이 패터닝된다. 필요한 매트릭스 어드레싱은 적절한 전자 수단을 이용하여 수행될 수 있다.

프로그래밍 가능한 LCD 어레이의 일 예시는 미국 특허 제 5,229,872호에서 주어지며, 이는 본 명세서에 인용에 의해 통합된다.

도 1은, 일 실시예에 따른, 리소그래피 투영 장치(10A)의 다양한 서브 시스템에 대한 블록도를 도시한다. 주요 구성요소는, 심자외선 엑시머 레이저 소스(deep-ultraviolet excimer laser source) 또는 극자외선(EUV) 소스를 포함한 다른 유형의 소스일 수 있는 방사선 소스(12A)(앞서 논의된 바와 같이, 리소그래피 투영 장치 자체가 방사선 소스를 가질 필요는 없음); 예를 들어, (시그마로 표시되는) 부분적 코히어런스(partial coherence)를 정의하고, 소스(12A)로부터의 방사선을 성형하는 광학기(14A, 16Aa, 및 16Ab)를 포함할 수 있는 조명 광학기; 패터닝 디바이스(18A); 및 기판 평면(22A) 상으로 패터닝 디바이스 패턴의 이미지를 투영하는 투과 광학기(16Ac)이다. 투영 광학기의 퓨필 평면에서의 조정가능한 필터 또는 어퍼처(aperture: 20A)가 기판 평면(22A) 상에 충돌하는 빔 각도의 범위를 제한할 수 있으며, 이때 가능한 최대 각도는 투영 광학기의 개구수(numerical aperture) NA = n sin(Θ_max)를 정의하고, 여기서 n은 투영 광학기의 마지막 요소와 기판 사이의 매질의 굴절률이며, Θ_max는 기판 평면(22A) 상에 여전히 충돌할 수 있는 투영 광학기로부터 나오는 빔의 최대 각도이다.

리소그래피 투영 장치에서, 소스는 패터닝 디바이스에 조명(즉, 방사선)을 제공하고, 투영 광학기는 패터닝 디바이스를 통해 기판 상으로 조명을 지향하고 성형한다. 투영 광학기는 구성요소(14A, 16Aa, 16Ab, 및 16Ac) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 강도 분포이다. 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 레지스트 모델이 사용될 수 있으며, 그 예시는 본 명세서에 그 전문이 인용에 의해 통합되는 미국 특허 출원 공개공보 US 2009-0157630호에서 찾아볼 수 있다. 레지스트 모델은, 레지스트 층의 속성들[예: 노광, 노광 후 베이크(PEB), 및 현상 시 일어나는 화학 프로세스들의 효과]에만 관련된다. 리소그래피 투영 장치의 광학적 속성들(예: 조명, 패터닝 디바이스, 및 투영 광학기의 속성)이 에어리얼 이미지를 좌우하며 광학 모델(optical model)에서 정의될 수 있다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스는 바뀔 수 있기 때문에, 패터닝 디바이스의 광학적 속성을, 적어도 소스 및 투영 광학기를 포함한 리소그래피 투영 장치의 나머지의 광학적 속성과 분리하는 것이 바람직하다. 디자인 레이아웃을 다양한 리소그래피 이미지(예: 에어리얼 이미지, 레지스트 이미지 등)로 변환하는 데 사용되는 기술 및 모델, 이러한 기술 및 모델을 사용한 OPC의 적용 및 (예를 들어, 프로세스 윈도우 측면에서의)성능 평가에 대한 세부사항은, 미국 특허 출원 공개 공보 US 2008-0301620, 2007-0050749, 2007-0031745, 2008-0309897, 2010-0162197, 및 2010-0180251에 설명되어 있으며, 각각의 개시 내용은 본 명세서에 그 전문이 인용에 의해 통합된다.

본 발명의 일 실시예에 따르면, 각각의 픽셀의 픽셀 값(예: 강도 값)에 대응하는 다양한 종류의 신호를 이용하여 하나 이상의 이미지가 생성될 수 있다. 당업자가 이해할 수 있는 바와 같이, 신호는, 이미지 내 픽셀의 상대적인 값에 따라, 예를 들어 약한(weak) 신호 또는 강한(strong) 신호로 지칭될 수 있다. "강하다" 및 "약하다"라는 용어는 이미지 내 픽셀들의 강도 값에 기반한 상대적인 용어로서, 강도의 특정한 값은 본 발명의 범위를 제한하지 않는다. 일 실시예에서, 강한 신호와 약한 신호는 선택된 임계값(threshold value)에 기반하여 식별될 수 있다. 일 실시예에서, 임계값은 고정된 값(예를 들어, 이미지 내 픽셀의 최고 강도와 최저 강도의 중간점)일 수 있다. 일 실시예에서, 강한 신호는 이미지 전반에 걸친 평균 신호 값보다 크거나 그와 같은 값을 갖는 신호를 지칭할 수 있고, 약한 신호는 평균 신호 값보다 작은 값을 갖는 신호를 지칭할 수 있다. 일 실시예에서, 상대 강도 값은 백분율에 기반할 수 있다. 예를 들어, 약한 신호는 이미지 내 픽셀의 최고 강도(예를 들어, 타겟 패턴에 대응하는 픽셀들을 최고 강도의 픽셀들로 간주할 수 있음)의 50% 미만의 강도를 갖는 신호일 수 있다. 또한, 이미지 내의 각각의 픽셀은 변수(variable)로 간주될 수 있다. 본 실시예에 따르면, 이미지 내의 각각의 픽셀에 대하여 도함수(derivatives) 또는 편도함수(partial derivative)가 판정될 수 있으며, 각각의 픽셀의 값은 비용 함수(cost function) 기반 평가 및/또는 비용 함수에 대한 기울기 기반 계산에 따라 판정되거나 수정될 수 있다. 예를 들어, CTM 이미지는 픽셀들을 포함할 수 있으며, 각각의 픽셀은 임의의 실수 값을 가질 수 있는 변수이다.

도 2는, 일 실시예에 따른, 리소그래피 투영 장치에서의 리소그래피의 시뮬레이션에 대한 예시적인 흐름도를 도시한다. 소스 모델(31)은, 소스의 광학적 특성들(방사선 강도 분포 및/또는 위상 분포를 포함함)을 나타낸다. 투영 광학기 모델(32)은, 투영 광학기의 광학적 특성들(투영 광학기에 의해 야기된 방사선 강도 분포 및/또는 위상 분포의 변화를 포함함)을 나타낸다. 디자인 레이아웃 모델(35)은, 디자인 레이아웃의 광학적 특성들[디자인 레이아웃(33)에 의해 야기된 방사선 강도 분포 및/또는 위상 분포의 변화를 포함함]을 나타내며, 이는 패터닝 디바이스에 의해 형성된, 또는 패터닝 디바이스 상의 피처들의 배열을 나타낸다. 에어리얼 이미지(36)는, 디자인 레이아웃 모델(35), 투영 광학기 모델(32), 및 디자인 레이아웃 모델(35)로부터 시뮬레이션될 수 있다. 레지스트 이미지(38)는 레지스트 모델(37)을 사용하여 에어리얼 이미지(36)로부터 시뮬레이션될 수 있다. 예를 들어, 리소그래피 시뮬레이션을 통해 레지스트 이미지의 윤곽 및 CD를 예측할 수 있다.

보다 구체적으로, 소스 모델(31)은 소스의 광학적 특성들을 나타낼 수 있으며, 광학적 특성들은 개구수 설정, 조명 시그마(σ) 설정뿐만 아니라 여하한의 특정한 조명 형상[예를 들어, 환형, 사중극, 쌍극 등과 같은 축외(off-axis) 방사선 소스]을 포함하지만 이에 국한되지 않는다. 투영 광학기 모델(32)은 투영 광학기의 광학적 특성들을 나타낼 수 있으며, 광학적 특성들은 수차, 왜곡, 하나 이상의 굴절률, 하나 이상의 물리적 크기, 하나 이상의 물리적 치수 등을 포함한다. 디자인 레이아웃 모델(35)은, 예를 들어, 본 명세서에 그 전문이 인용에 의해 통합되는 미국 특허 7,587,704에 설명된 바와 같이 물리적 패터닝 디바이스의 하나 이상의 물리적 속성들을 나타낼 수 있다. 시뮬레이션의 목적은, 예를 들어 에지 배치, 에어리얼 이미지 강도 기울기, 및/또는 CD 를 정확하게 예측하는 것이며, 이어서 이들은 의도된 디자인과 비교될 수 있다. 의도된 디자인은 일반적으로 OPC-전(pre-OPC) 디자인 레이아웃으로서 정의되며, 이는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 형식 또는 다른 파일 형식으로 제공될 수 있다.

이 디자인 레이아웃으로부터 "클립(clips)"이라고 하는 하나 이상의 부분들이 식별될 수 있다. 일 실시예에서, 디자인 레이아웃의 복잡한 패턴들을 나타내는 클립의 세트(임의의 수의 클립이 사용될 수 있으나 일반적으로 약 50 내지 1000개의 클립)가 추출된다. 이러한 패턴들 또는 클립들은 디자인의 작은 부분들(예: 회로, 셀, 또는 패턴)을 나타내며, 좀더 구체적으로는, 클립들은 일반적으로 특별한 주의 및/또는 검증이 필요한 작은 부분들을 나타낸다. 즉, 클립들은 디자인 레이아웃의 부분들일 수도 있고, 디자인 레이아웃의 유사하거나 유사한 거동을 가진 부분들일 수 있으며, 여기서 하나 이상의 중요 피처들이 경험을 통해(고객이 제공한 클립 포함), 시행착오를 통해, 또는 풀 칩 시뮬레이션을 실행함으로써 식별된다. 클립들은 하나 이상의 테스트 패턴 또는 게이지 패턴(gauge patterns)을 포함할 수 있다.

특정한 이미지 최적화를 필요로 하는 디자인 레이아웃 내 하나 이상의 알려진 중요 피처 영역들을 기반으로 한 클립들의 보다 큰 초기 세트가 고객에 의해 선험적으로(a priori) 제공될 수 있다. 대안적으로, 다른 일 실시예에서, 하나 이상의 중요 피처 영역들을 식별하는 일종의 (머신 비전과 같은)자동화 또는 수동 알고리즘을 사용하여, 전체 디자인 레이아웃으로부터 클립들의 보다 큰 초기 세트가 추출될 수 있다. 이들 클립들, 또는 클립들의 축소된 패턴 세트는 패터닝 프로세스 또는 메트롤로지 측정과 관련된 다양한 목적을 위해 더 사용될 수 있다.

본 명세서에서 사용되는 바와 같이, "패터닝 프로세스"라는 용어는, 일반적으로 리소그래피 프로세스의 일부로서 특정 광 패턴들을 적용함에 따라 에칭된 기판을 생성하는 프로세스를 의미한다. 하지만, "패터닝 프로세스"는 플라즈마 에칭을 포함할 수도 있으며, 이는 본 명세서에서 설명되는 많은 특징들이 플라즈마 처리를 사용하여 프린팅된 패턴들을 형성하는 데 이점을 제공할 수 있기 때문이다.

본 명세서에서 사용되는 바와 같이, "디자인 패턴" 또는 "타겟 패턴"이라는 용어는 기판 상에 에칭되어야 하는 이상적인 패턴을 의미한다. "타겟 레이아웃"이라는 용어는 하나 이상의 타겟 패턴을 포함하는 디자인 레이아웃을 지칭한다.

본 명세서에서 사용되는 바와 같이, "프린팅된 패턴" 또는 "패터닝된 기판"이라는 용어는 타겟 패턴에 기반하여 이미징되고/되거나 에칭된 기판 상의 물리적 패턴을 의미한다. 프린팅된 패턴은, 예를 들어 리소그래피 프로세스의 결과로 생성되는 트로프(trough), 채널, 오목부(depression), 에지, 또는 다른 2차원 및 3차원 피처들을 포함할 수 있다.

본 명세서에서 사용되는 바와 같이, "프로세스 모델"이라는 용어는 패터닝 프로세스를 시뮬레이션하는 하나 이상의 모델을 포함하는 모델을 의미한다. 예를 들어, 프로세스 모델은 (예를 들어, 리소그래피 프로세스에서 광을 전달하는 데 사용되는 렌즈 시스템/투영 시스템을 모델링하고, 포토레지스트에 들어가는 광의 최종 광학 이미지를 모델링하는 것을 포함할 수 있는) 광학 모델, (예를 들어, 광으로 인한 화학적 효과들과 같은 레지스트의 물리적 효과들을 모델링하는) 레지스트 모델, 및 [예를 들어, 분해능 이하 레지스트 피처(sub-resolution resist feature: SRAF) 등을 포함하도록 타겟 패턴들을 수정하는 데 사용될 수 있는] OPC 모델을 포함할 수 있다.

패터닝 프로세스 모델의 트레이닝, 패터닝 프로세스 또는 기타 적용분야의 제어, 또는 기타 반도체 제조 관련 프로세스들에서, 메트롤로지 측정의 스루풋을 향상시키기 위해 종종 디자인 레이아웃의 패턴의 서브세트가 선택되고 사용된다. 일 예로서, 축소된 패턴 세트는 메트롤로지 측정 또는 모델링 시간을 줄이고 스루풋을 향상시킨다. 예를 들어, 패터닝 프로세스와 패터닝 정확도를 향상시키기 위해, 타겟 패턴, 마스크 패턴, 기판 이미지 등을 사용하여 프로세스 모델이 트레이닝된다. OPC 프로세스는 더 나은 마스크 패턴을 생성하기 위해 하나 이상의 트레이닝된 모델(예를 들어, 광학 모델, 마스크 모델, 레지스트 모델, 에칭 모델 등)을 포함할 수 있다. 예를 들어, 머신 러닝의 지원을 받는 OPC는, 마스크 디자인의 일관성 및 런타임(runtime)에 대한 제어를 유지하면서도 풀 칩 어시스트 피처(예: SRAF) 배치의 정확도를 크게 향상시킨다. 딥 컨볼루션 뉴럴 네트워크(Deep Convolutional Neural Network, DCNN)가 타겟 레이아웃 또는 타겟 패턴, 그리고 대응하는 연속적 투과 마스크(continuous transmission mask, CTM) 이미지를 사용하여 트레이닝될 수 있다. 이러한 CTM 이미지들은 인버스(inverse) 마스크 최적화 시뮬레이션 프로세스를 사용하여 최적화된다. 이어서 CNN으로 생성된 SRAF 안내 맵(guidance map)을 사용하여 풀 칩 디자인 레이아웃 상에 SRAF가 배치된다.

트레이닝을 위한 패턴 세트를 선택할 때, 모델에 가장 유용한 정보를 주는 패턴 세트를 선택하는 것이 바람직하다. 패턴 선택에 있어 여러 접근 방식이 현재 사용 가능하다. 예를 들어, 패턴 해싱(hashing) 기술은 빠르지만, 패턴 유사성을 캡처하는 것보다는 완전 매칭(exact matching)에서 가장 효과가 좋다. 다른 일 예에서, 비지도(unsupervised) 이미지 기반 패턴 이미징 기술(예: 오토인코더 기반)이 보다 높은 다차원 잠재공간(latent space)에서 패턴 유사성을 캡처할 수 있다. 모델 시뮬레이션 기반 패턴 분류 및 선택 기술에서는, 모델 시뮬레이션 관점에서의 유사성들을 통합시키는 에어리얼 이미지 또는 레지스트 이미지 파라미터 공간이 사용될 수 있다.

본 발명은, 웨이퍼 메트롤로지 데이터를 수집하기 전에, 디자인 레이아웃의 선택된 패턴 세트 또는 축소된 패턴 세트에 의해 달성된 성능을 평가하는 메커니즘을 제공한다. 평가는, 패턴 커버리지를 검증하거나, 패턴 선택 프로세스를 평가하거나, 서로 다른 선택된 패턴 세트들을 비교하거나, 패턴 커버리지를 개선하는 데 사용될 수 있다. 유리하게는, 선택된 패턴 세트를 평가함에 따라, 선택된 패턴 세트가 디자인 레이아웃에 대한 충분한 패턴 커버리지를 갖는지, 패턴 커버리지를 개선하기 위해 더 많은 패턴이 추가되어야 하는지 여부에 대한 통찰을 제공하거나, 패터닝 프로세스 또는 메트롤로지 프로세스의 다른 측면들을 개선하는 것에 대한 통찰을 제공할 수 있다. 일 예로서, 패턴 커버리지를 개선하는 것은 메트롤로지 측정이 더욱 효과적으로 이루어지도록 한다. 다른 일 예로서, 패턴 커버리지를 개선하는 것은 트레이닝 시간은 물론 트레이닝된 프로세스 모델에 의한 예측의 품질도 향상시킨다. 예를 들어, 트레이닝된 프로세스 모델은, 전체 디자인 레이아웃에 대하여, 패터닝된 기판의 윤곽을 정확하게 예측할 수 있다.

본 실시예에서는 디자인 레이아웃의 선택된 패턴 세트를 평가하는 메커니즘이 제공된다. 예를 들어, 도 3은, 일 실시예에 따른, 머신 러닝 모델을 트레이닝하고 실행함으로써 디자인 레이아웃의 주어진 패턴들을 평가하는 프로세스에 대한 블록도이다.

일 실시예에서, 디자인 레이아웃의 패턴의 서브세트가 여하한의 적절한 수단에 의해 획득될 수 있다. 예를 들어, 디자인 레이아웃의 패턴 서브세트는 사용자에 의해 제공되거나 패턴 선택 프로세스를 사용하여 선택될 수 있다. 디자인 레이아웃의 패턴들의 서브세트는, 디자인 레이아웃의 주어진 패턴 세트(GP1), 제 1 패턴 세트(GP1), 또는 축소된 패턴 세트(GP1)로 지칭될 수 있다. 주어진 패턴 세트(GP1)에 기준 모델을 적용함에 따라 머신 러닝(ML) 모델의 트레이닝에 사용되는 패턴 데이터를 생성하거나 추출할 수 있다. 예를 들어, 패턴 데이터는, 시뮬레이션된 윤곽, 패턴의 특성을 측정하기 위한 게이지들, 패턴의 물리적 특성과 연관된 통계, 패턴들의 개별 위치, 패턴의 다른 패턴들에 대한 상대적 위치, 또는 ML모델의 트레이닝에 사용될 수 있는 기타 패턴 관련 데이터를 포함할 수 있다. 트레이닝된 ML 모델은 패터닝 프로세스와 관련된 다양한 용도로 사용될 수 있다.

일 실시예에서, 기준 모델은 주어진 패턴 세트(GP1)의 시뮬레이션된 윤곽들을 생성할 수 있으며, 이로부터 게이지 데이터가 도출된다. 게이지 데이터는 이어서 ML 모델 트레이닝을 위한 트레이닝 데이터로 사용된다. 트레이닝된 ML 모델은 이어서 제 2 패턴 세트에 적용되어 제 2 패턴 데이터(예: 윤곽 또는 기타 예측 결과)를 생성하거나 추출한다. 제 2 패턴 세트는 주어진 패턴 세트(GP1)와는 다르며, 주어진 패턴(GP1)보다 상당히 큰 패턴 세트일 수 있는데, 예를 들어 풀 칩 데이터 세트일 수 있다. 기준 모델은 제 2 패턴에도 적용되어, 대응하는 제 1 패턴 데이터를 생성한다. 두 모델로부터 생성된 제 1 패턴 데이터가 비교되고, 그 차이를 사용하여 주어진 패턴 세트(GP1)가 ML 모델 트레이닝에 대하여 평가된다. 일부 실시예에서, 두 모델은 모두 제 2 패턴 세트에 대한 윤곽들을 예측하도록 구성된다. 두 모델 간의 제 2 데이터 세트의 윤곽 대 윤곽 비교를 사용하여 패턴 커버리지 평가가 이루어진다.

보다 구체적으로, 도 3에 도시된 바와 같이, 301 동작에서 패터닝 프로세스와 연관된 기준 모델(REFM1)이 주어진 패턴(GP1)에 적용되어, 주어진 패턴(GP1)의 시뮬레이션된 윤곽들을 생성할 수 있다. 본 발명은 모델에 대한 입력 데이터의 여하한의 특정 형태에 국한되지 않는다. REFM1의 구현 및 구성에 따라, 입력 데이터는 타겟 패턴의 폴리곤들이거나, 패턴 세트(GP1)의 렌더링된 이미지들일 수도 있다. 기준 모델(REFM1)은, 광학 모델, 마스크 모델, 레지스트 모델, 에칭 모델 등 중에서 하나 이상을 포함할 수 있지만 이에 국한되지는 않는다. 기준 모델은, 트레이닝된 머신 러닝 모델 또는 캘리브레이션된(calibrated) 비 머신 러닝 모델(예: 물리 기반 모델 또는 경험적 모델)일 수 있다. 일부 다른 실시예에서는, 301 동작에서, 이전에 패터닝된 기판의 측정 중에 캡처되고 데이터베이스에 저장된 메트롤로지 데이터(예: 이미지들)로부터 주어진 패턴(GP1)의 윤곽들을 획득할 수 있다.

303 동작에서, 게이지들은 패턴과 연관된 특성 데이터를 추출하도록 구성된다. 예를 들어, 게이지는, 윤곽의 모양 및/또는 크기 등을 특징짓는, 윤곽에 배치된 점들(points) 또는 에지 배치(EP) 게이지일 수 있다. 다른 일 예로서, 게이지는 임계 치수 게이지(CD 게이지), 패턴의 피치, 간격, 곡률, 또는 기타 물리적 특성을 측정하도록 구성된 게이지일 수 있다.

305 동작에서, 게이지들은 ML모델을 트레이닝하는 데 사용되어, 이에 따라 트레이닝된 ML 모델이 기준 모델(REFM1)의 출력과 같은 기준 데이터와 밀접하게 매칭되도록 할 수 있다. 머신 러닝 모델은 컨볼루션 뉴럴 네트워크 또는 기타 적합한 모델 구성일 수 있다. 본 발명은 특정한 머신 러닝 모델에만 국한되지 않는다. 머신 러닝 모델은 지도 학습이나 비지도 학습과 같은 ML 알고리즘을 사용하여 트레이닝될 수 있다. 일 예로서, ML 모델(예: CNN 또는 DCNN)은 시뮬레이션된 EP 게이지 데이터를 사용하여 트레이닝된다. 즉, 트레이닝된 ML은 기준 모델(REFM1)의 출력들을 모방하도록 구성된다.

308 동작에서, 트레이닝된 ML 모델은 GP1과는 상이한 제 2 패턴 세트의 윤곽들을 예측하기 위해 적용될 수 있다. 제 2 데이터 세트는 본 발명의 범위를 벗어나지 않으면서 여하한의 수의 패턴을 포함한다. 일부 실시예에서, 이는 GP1보다 상당히 클 수 있다. 일부 실시예에서, 제 2 패턴 세트는 풀 칩 레이아웃일 수 있다. 또한, 제 2 패턴 세트에 대한 제 2 윤곽 세트를 생성하기 위해 기준 모델(REFM1)을 적용할 수 있다. ML로 예측된 윤곽들은 기준 모델에서 생성된 윤곽들과 비교되어 머신 러닝 모델의 성능을 평가할 수 있으며, 이는 주어진 패턴 세트(GP1)의 성능 평가로서 사용될 수 있다. 예를 들어, GP1의 패턴 커버리지를 특징짓기 위해, 기준 모델에서 생성된 윤곽들과 트레이닝된 ML 모델에서 생성된 윤곽들 간의 풀 칩 윤곽 대 윤곽(C2C) 비교가 사용된다.

일 예로서, 주어진 패턴 세트(GP1)가 우수한 패턴 커버리지 특성들을 갖는다면, 트레이닝된 ML 모델은 주어진 패턴 세트에 포함되지 않았던 디자인 레이아웃의 새로운 패턴들에 대해 우수한 예측들을 제공할 수 있다. 예를 들어, 디자인 레이아웃이 100만 개 이상의 패턴을 포함하고 주어진 패턴 세트(GP1)가 100만 개 패턴을 대표하는 10,000개의 패턴을 포함하는 경우, 트레이닝된 ML 모델은 100만 개의 패턴에 대한 우수한 예측(예: 기판 상에 패터닝될 수 있는 윤곽들)을 할 수 있다. 즉, 트레이닝된 ML 모델의 예측은 낮은 오차 값과 연관될 것이다. 예를 들어, 오차 값은, ML로 예측된 윤곽들과 [예를 들어 기준 모델(REFM1)에 의해 생성된]기준 윤곽들 간의 C2C 차이에 의해 특징지어질 수 있다. 오차 값은, 제곱평균제곱근(RMS), 표준 편차, 범위(예: 최소값과 최대값 사이), 오차 값의 분포, 또는 모델 예측과 연관된 오차를 특징짓는 기타 방법에 의해 특징지어질 수 있다.

한편, 주어진 패턴 세트(GP1)가 좋지 않은 패턴 커버리지를 갖는다면, 트레이닝된 ML 모델은 제 1 패턴 세트에 포함되지 않은 새로운 패턴들에 대해 부정확한 예측들을 제공할 수도 있다. 즉, 트레이닝된 ML 모델의 예측은 기준 모델 예측을 기준으로 높은 오차 값과 연관될 것이다. 예를 들면, ML로 예측된 윤곽들과 기준 윤곽들 간의 C2C 차이가 클 것이다.

도 5는, 서로 다른 주어진 패턴들을 사용하여 서로 다른 ML 모델들이 트레이닝되었을 경우의 패턴 커버리지를 특징짓는 예시적인 메트릭을 도시한다. 메트릭은 풀 칩셋에 대한 C2C 차이, 오차 값의 RMS, 표준 편차 등일 수 있다. 본 논의에서는 C2C 차이가 예시로서 사용되되 본 발명의 범위를 특정 메트릭으로 제한하지 않는다. ML 모델을 트레이닝하기 위해 제 1 주어진 패턴 세트(501)가 사용될 수 있다. 트레이닝된 ML 모델이 풀 칩 레이아웃에 적용되었을 때, (예를 들어 ML로 예측된 윤곽들과 기준 윤곽들 간의) C2C 차이는 높을 수 있다. 플롯은 이상치(outlier)들을 시각화한다. 일 실시예에서, 평균값에서 크게 벗어난 값은 이상치일 수 있다. 예를 들어, 1보다 크거나 -2.5보다 작은 값들이 있다. 이들 이상치는 제 1 주어진 패턴 세트(501)에 포함되지 않은 패턴들에 대응될 수 있다. 따라서, 주어진 패턴 세트(501)가 충분한 패턴 커버리지를 갖지 않으며, 패턴 커버리지를 개선하기 위해 추가적인 패턴이 포함되어야 함을 나타낸다. 이와 유사하게, 패턴 세트들(503, 505, 507) 각각을 사용하여 서로 다른 ML 모델들을 트레이닝할 수 있고, 각각의 C2C 차이를 평가하여 각각의 패턴 세트의 패턴 커버리지 성능을 판정할 수 있다. 일부 실시예에서, ML 모델들의 평가 결과가 비교되어, 대응하는 최적 패턴 세트가 선택된다.

일 실시예에서, C2C 결과는 또한 높은 모델 오차들과 연관된 이상 패턴(outlier patterns)들을 식별할 수도 있다. 이렇게 식별된 C2C 이상 패턴들은, ML 모델을 다시 트레이닝하거나 새로운 ML 모델을 트레이닝하기 위한 트레이닝 데이터로서 주어진 패턴(GP1)에 추가될 수 있다. 주어진 패턴 세트(GP1) 또는 제 1 패턴 세트의 평가는 도 4 내지 8과 관련하여 더 자세히 논의된다.

도 4는, 일 실시예에 따른, 머신 러닝 모델 트레이닝 측면에서 디자인 레이아웃의 선택된 패턴 세트의 성능을 평가하는 방법(400)의 예시적인 흐름도이다. 일 실시예에서, 평가는, 임의의 입력 패턴들의 특성(예: 윤곽)을 예측하기 위한 ML 모델의 트레이닝을 기반으로 한다. 방법(400)의 예시적인 구현이 프로세스 P401, P403, P405, 및 P407과 관련하여 논의된다.

P401 프로세스는, ML 모델의 트레이닝에 사용될 제 1 패턴 세트(PS1)와 연관된 데이터를 획득하는 단계를 수반한다. 제 1 패턴 세트(PS1)는 평가 대상 패턴이다. 일 실시예에서, P401 프로세스는, 패턴 선택 프로세스의 결과로 생성된 제 1 패턴 세트(PS1), 및 제 1 패턴 세트(PS1)와 연관된 제 1 패턴 데이터[예: 제 1 윤곽(CS1)]를 획득하는 단계를 수반한다. 본 논의에서는, 본 발명의 개념을 설명하기 위한 예시적인 패턴 데이터로서 윤곽을 사용한다. 그러나, 본 발명의 범위는 윤곽에만 국한되지 않으며, 다른 형태의 패턴 데이터(예: 이미지)가 사용될 수도 있다. 패턴의 세트/패턴 세트에 대하여 생성되거나 추출된 패턴 데이터는, ML 모델의 입력 및 출력 구성에 따라 달라질 수 있다. 패턴 데이터(윤곽, 게이지 데이터, 또는 이미지)는, 대응하는 시뮬레이션 또는 모델링의 결과로 생성된 마스크 이미지, 에어리얼 이미지, 에칭 후 이미지, 또는 현상 후 이미지로부터 도출될 수 있다.

일 실시예에서, P401 프로세스는, 제 1 윤곽(CS1)과 연관된 특성 데이터(CHD1)를 획득하는 단계를 더 수반할 수 있다. 일 실시예에서, 특성 데이터(CHD1)는 ML 모델을 트레이닝하기 위해 사용될 수 있다. 일 실시예에서, P401 프로세스는, 제 2 패턴 세트(PS2)(예: 풀 칩 레이아웃)와 연관된 제 2 패턴 데이터[예: 제 2 윤곽(CS2)]를 획득하는 단계를 더 수반할 수 있다. 일 실시예에서, 제 1 패턴 세트(PS1) 및 제 2 패턴 세트(PS2)는 동일한 디자인 레이아웃으로부터 선택된다. 그러나, 일부 다른 실시예에서는 패턴 세트 PS1 및 PS2가 서로 다른 디자인 레이아웃에 포함될 수도 있다.

일 실시예에서, 제 1 패턴 세트(PS1)는 디자인 레이아웃으로부터 선택된 제 2 패턴 세트(PS2)의 서브세트일 수 있다. 일 실시예에서, 제 1 패턴 세트(PS1) 및 제 2 패턴 세트(PS2)는 디자인 레이아웃으로부터 선택된 몇 개의 공통 패턴을 포함할 수 있다. 일 실시예에서, 제 1 패턴 세트(PS1)는 제 2 패턴 세트(PS2)와는 상이하지만 두 세트 모두 디자인 레이아웃으로부터 선택된 것일 수 있다. 일 실시예에서, 제 1 패턴 세트(PS1)는 디자인 레이아웃의 제 1 복수의 패턴을 포함하며, 제 2 패턴 세트(PS2)는 디자인 레이아웃의 제 2 복수의 패턴을 포함한다. 일 실시예에서, 제 2 패턴 세트(PS2)는 제 1 패턴 세트(PS1)보다 더 많은 패턴을 포함한다. 일 실시예에서, 제 2 패턴 세트(PS2)는 풀 칩 레이아웃을 포함한다.

일 실시예에서, 제 1 윤곽(CS1)을 획득하는 단계는, 제 1 패턴 세트(PS1)를 입력으로 사용하여 패터닝 프로세스를 시뮬레이션하도록 구성된 기준 모델(REFM1)을 실행함으로써 제 1 윤곽(CS1)을 생성하는 단계를 수반한다. 일 실시예에서, 제 2 윤곽(CS2)을 획득하는 단계는, 제 2 패턴 세트(PS2)를 입력으로 사용하여 패터닝 프로세스를 시뮬레이션하도록 구성된 기준 모델(REFM1)을 실행함으로써 제 2 윤곽(CS2)을 생성하는 단계를 수반한다.

일 실시예에서, 기준 모델(REFM1)은 패터닝 프로세스를 특징짓는 하나 이상의 구성 모델(constituent models)을 포함한다. 예를 들어, 기준 모델(REFM1)은, 광학 모델, 마스크 모델, 레지스트 모델, 에칭 모델, ML-레지스트 모델, ML-에칭 모델 등을 포함할 수 있으나 이에 국한되지는 않는다. 이에 따라, 제 1 윤곽(CS1) 및 제 2 윤곽(CS2)은, 예를 들어 기판 수준에서의 레지스트 윤곽들 또는 에칭 윤곽들일 수 있다. 일 실시예에서, 제 1 윤곽(CS1) 및 제 2 윤곽(CS2)은 에어리얼 이미지 윤곽, 마스크 이미지 윤곽일 수 있다. 본 명세서에서 언급된 바와 같이, 본 발명의 범위는 윤곽에만 국한되지 않으며, 다른 유형의 패턴 데이터가 패턴 세트에 대하여 생성되거나 패턴 세트로부터 추출될 수도 있다. 일 실시예에서, 기준 모델(REFM1)은 물리 및/또는 경험 기반 모델과 같은 비 머신 러닝 모델일 수 있다.

다른 일 실시예에서, 제 1 윤곽(CS1) 및 제 2 윤곽(CS2)을 획득하는 단계는, 이전에 메트롤로지 툴에 의해 캡처되고 데이터베이스에 저장된 이전에 패터닝된 기판의 이미지들로부터 윤곽을 획득하는 단계를 수반할 수 있다. 일 실시예에서, 이와 같이 이전에 패터닝된 기판은 디자인 레이아웃의 제 1 패턴 세트(PS1) 및 제 2 패턴 세트(PS2)를 포함할 수 있다.

일 실시예에서, 특성 데이터(CHD1)는 제 1 윤곽(CS1)으로부터 생성된 게이지들일 수 있다. 일 실시예에서, 게이지는 패턴의 하나 이상의 물리적 특성을 정량화하도록 구성될 수 있다. 예를 들어, 게이지는, 제 1 윤곽(CS1)의 윤곽을 따라 복수의 위치에 위치한 에지 배치 게이지; 제 1 윤곽(CS1)의 CD 값들을 측정하도록 구성된 임계 치수(CD) 게이지; 라인들을 측정하도록 구성된 게이지; 간격들을 측정하도록 구성된 게이지; 팁 투 팁(tip-to-tip) 구조체들을 측정하도록 구성된 게이지; 및/또는 윤곽 차이를 측정하도록 구성된 게이지일 수 있다.

P403 프로세스는, 제 1 윤곽(CS1)과 연관된 특성 데이터(CHD1)에 기반하여 ML모델을 트레이닝하는 단계를 수반한다. ML 모델은 패턴 입력에 응답하여 윤곽을 예측하도록 구성된다. 일 실시예에서, 기존 머신 러닝 알고리즘(예: 지도 또는 비지도 트레이닝 기술)이 ML 모델을 트레이닝하는 데 사용될 수 있다. ML 모델은 컨볼루션 뉴럴 네트워크(CNN 또는 DCNN)일 수 있지만 이에 국한되지는 않는다. 예를 들어, CNN의 트레이닝은, CNN의 다양한 레이어들의 가중치(weights)를 결정하기 위해 비용 함수를 이용할 수 있다. 일 예로서, 비용 함수는 EP 게이지의 함수일 수 있다. 트레이닝 프로세스 동안, EP 게이지 또는 주어진 패턴 세트가 CNN에 입력될 수 있으며, CNN은 예측 윤곽을 생성한다. 예측된 윤곽을 기반으로, 예측된 윤곽과 기준 윤곽 간의 에지 배치 오차와 같은 비용 함수가 평가될 수 있으며, 비용 함수를 최소화(또는 최대화)하도록 가중치가 조정될 수 있다. ML 모델을 트레이닝한 후에, ML 모델은 트레이닝된 ML 모델(TML1)이라고 칭할 수 있다.

P405 프로세스는, 제 2 패턴 세트(PS2)를 트레이닝된 ML 모델(TML1)에 입력함으로써 제 2 패턴 세트(PS2)의 예측된 제 2 윤곽(PCS2)을 생성하는 단계를 수반한다.

P407 프로세스는, 제 2 윤곽(CS2)과 예측된 제 2 윤곽(PCS2)을 비교함으로써 제 1 패턴 세트(PS1)를 평가하는 단계를 수반한다. 일 실시예에서, 제 1 패턴 세트(PS1)를 평가하는 단계는, 제 2 윤곽(CS2)과 예측된 제 2 윤곽(PCS2) 간의 차이를 산출하는 단계를 수반한다. 일 실시예에서, 제 2 윤곽(CS2)은 풀 칩 레이아웃과 연관될 수 있고, 예측된 제 2 윤곽(PCS2)은 트레이닝된 ML 모델(TML1)에 풀 칩 레이아웃을 입력함으로써 예측될 수 있다. 이들 윤곽에 기반하여, 제 1 패턴 세트(PS1)는, 예를 들어 윤곽 CS2와 PCS2 간의 C2C 차이와 연관된 통계(예: 이상치, 변동, 평균값, 중앙값, 분포 등)에 기반하여 평가될 수 있다.

일 실시예에서, 제 1 패턴 세트(PS1)를 평가하는 단계는, 차이가 (예를 들어 사용자 정의 또는 통계 기반의) 차이 임계값을 위반하는지 여부를 판정하는 단계; 및 상기 차이가 차이 임계값을 위반하지 않는 것에 응답하여, 제 1 패턴 세트(PS1)가 우수한 패턴 커버리지를 갖는 것으로 분류하는 단계를 수반한다. 따라서, 메트롤로지 시간을 절감하면서도 패터닝 프로세스를 개선하기 위한 우수한 메트롤로지 측정을 획득하기 위해 메트롤로지를 수행하는 데 있어 제 1 패턴(PS1)이 수용 가능하다고 간주될 수 있다.

일 실시예에서, 제 1 패턴 세트(PS1)를 평가하는 단계는, 제 2 패턴 세트(PS2)를 사용하여 직접 트레이닝된 트레이닝된 머신 러닝 모델과 연관된 절대 오차의 함수로서 절대 패턴 커버리지를 판정하는 단계를 수반한다. 일 실시예에서, 제 1 패턴 세트(PS1)를 평가하는 단계는, 상대 오차의 함수로서 상대 패턴 커버리지를 판정하는 단계를 수반한다. 예를 들어, 상대 오차는, 제 1 패턴 세트(PS1)를 사용하여 트레이닝된 트레이닝된 머신 러닝 모델과 연관된 제 1 오차 범위와, 다른 패턴 세트를 사용한 다른 트레이닝된 머신 러닝 모델과 연관된 제 2 오차 범위 간의 비교일 수 있다.

도 6은, 일 실시예에 따라, C2C 오차에 기반한 절대 및 상대 패턴 커버리지 검사를 도시하며, C2C 오차는 서로 다른 패턴 선택 프로세스로부터 획득한 서로 다른 패턴 세트들과 연관된다. 도 6에서 막대 TM1은 트레이닝된 머신 러닝 모델(예: TML1)과 연관된 베이스라인(baseline) 모델 오차에 대응한다. 일 실시예에서, 베이스라인 모델 오차는, ML 모델을 트레이닝하는 데 풀 칩 패턴 세트가 사용된 경우의 ML 모델 예측의 오차를 지칭한다. 예를 들어, 시뮬레이션된 윤곽 및 대응하는 게이지를 생성하기 위해 풀 칩 패턴을 기준 모델에 대한 입력으로 사용할 수 있다. 이들 게이지는 ML 모델을 트레이닝하기 위해 사용될 수 있다. 트레이닝된 ML 모델은 풀 칩 패턴에 더 적용되어, 기판 상에 인쇄될 수 있는 윤곽을 예측할 수 있다. 예측된 윤곽과 (기준 모델로부터의)시뮬레이션된 윤곽 간의 C2C 차이가 산출될 때, 상기 차이는 이상적으로는 0이 되어야 한다. 그러나, 0이 아닌 작은 C2C 차이가 존재할 수 있으며 이는 베이스라인 모델 오차로 칭해진다. 본 예에서, 막대 TM1은 이러한 베이스라인 모델 오차에 대응된다.

도 6에 도시된 예에서, 제 1 막대(SP1)는, 제 1 패턴 세트가 ML 모델의 트레이닝에 사용된 경우에 트레이닝된 ML 모델로 예측된 윤곽과 기준 윤곽 간의 C2C 차이에 대응한다. 예를 들어, 제 1 패턴 세트는 DRAM 디자인 레이아웃의 1500개 패턴 중에서 (제 1 패턴 선택 방법을 이용하여)선택된 대략 200개의 패턴을 포함할 수 있다. 이와 유사하게, 제 2 막대(SP2)는, 제 2 패턴 세트가 ML 모델의 트레이닝에 사용된 경우에 트레이닝된 ML 모델로 예측된 윤곽과 기준 윤곽 간의 C2C 차이에 대응한다. 예를 들어, 제 2 패턴 세트는 DRAM 디자인 레이아웃의 1500개 패턴 중에서 (제 2 패턴 선택 방법을 이용하여)선택된 대략 200개의 패턴을 포함할 수 있다. 마찬가지로, 제 3 막대(SP3), 제 4 막대(SP4), 제 5 막대(SP5), 및 제 6 막대(SP6) 각각은 서로 다른 패턴 세트들이 ML 모델의 트레이닝에 사용된 경우에 트레이닝된 ML 모델로 예측된 윤곽과 기준 윤곽 간의 C2C 차이에 대응한다. 각각의 패턴 세트는 상이한 방법을 사용해 선택되며, 포함된 패턴의 수는 서로 동일하거나 서로 다를 수 있다.

일 실시예에서, 패턴 세트 SP1, SP2, SP3, SP4, SP5, SP6에 각각 대응하는 C2C 차이의 절대값 V1, V2, V3, V4, V5, V6은, 각자의 패턴 세트와 연관된 절대 오차를 나타낼 수 있다. 절대 오차는 낮은 것이(예를 들어, 베이스라인 모델 오차에 가까움) 바람직한데, 이는 그 특정 패턴 세트에 의해 우수한 패턴 커버리지가 제공됨을 나타내기 때문이다. 일 실시예에서, 특정 패턴 세트가 우수한 패턴 커버리지를 제공하는지 여부를 평가하기 위해, 개별 모델 오차들과 비교하기 위한 임계 오차 값이 설정될 수 있다.

일 실시예에서, V1 내지 V6 값 각각을 베이스라인 모델 오차(V7)와 비교함에 따라 베이스라인 모델 오차를 기준으로 특정 패턴과 연관된 상대 오차를 평가할 수 있다. 일 실시예에서, 베이스라인 모델 오차에 가까운 오차 값과 연관된 패턴 세트는, 패턴 세트가 우수한 패턴 커버리지를 제공함을 나타낸다. 예를 들어, (막대 SP4에 대응하는) 제 4 패턴 세트는 V7 값에 실질적으로 가까운 오차 값 V4와 연관된다. 따라서, 제 4 패턴 세트는 우수한 패턴 커버리지를 제공하는 것으로 간주될 수 있다. 일 실시예에서, V1 내지 V6 값들 간에 상대 오차가 분석될 수 있다. 서로 다른 패턴 세트들 중에서, 다른 세트에 비해 상대적으로 오차가 작은 패턴 세트가 더 우수한 패턴 커버리지를 갖는 것으로 간주될 수 있다.

도 7은, 선택된 패턴 세트의 절대 및 상대 패턴 커버리지 특성을 오차 범위에 기반하여 평가하기 위한 다른 방법을 도시한다. 도 6에서 논의된 바와 유사하게, 풀 칩 패턴을 사용하여 트레이닝된 트레이닝된 ML 모델과 연관된 기준 오차 범위(예: C2C 차이 범위)가 판정될 수 있다. 예를 들어, 기준 오차 범위는 도 7에서 ER1로 표시될 수 있다. 일 실시예에서, 오차 범위는 양의 최대 오차 값 및 음의 최대 오차 값 사이의 범위이다. 각각의 서로 다른 선택된 패턴 세트와 연관된 오차 범위가 판정될 수 있다. 예를 들어, 트레이닝된 모델로 예측된 윤곽과 기준 윤곽 간의 C2C 차이를 기반으로 오차 범위가 산출될 수 있다. 예를 들어, 패턴 세트 SP11은 오차 범위 ER11과 연관될 수 있고, 다른 패턴 세트 SP12는 오차 범위 ER12와 연관될 수 있으며, 또 다른 패턴 세트 SP13은 오차 범위 ER13과 연관될 수 있다. 도 7은, 오차 범위 ER13이 범위 ER11 및 ER12에 비해 더 작다는 것을 보여주며, 이는 패턴 세트 SP13이 다른 패턴 세트들에 비해 더 나은 패턴 커버리지를 제공한다는 것을 나타낸다. 오차 범위 ER13은 또한 오차 범위 ER1에 실질적으로 가까우며, 이는 패턴 세트 SP13이 풀 칩 패턴에 대하여 충분한 패턴 커버리지를 제공할 가능성이 높음을 나타낸다.

도 4를 다시 참조하면, 일 실시예에 따라, 프로세스 407에서 제 1 패턴 세트 PS1의 평가는 디자인 레이아웃 내의 위험 패턴들을 판정하는 단계를 수반한다. 일 실시예에서, 위험 패턴은, 기준 모델, 베이스라인 ML 모델, 또는 패터닝 프로세스와 관련된 기타 모델에 의해 예측 오차가 발생하기 쉬운 패턴을 지칭한다. 일 실시예에서, 위험 패턴은 (예를 들어 위험 임계값을 위반하는 차이 값들과 연관된) 이상치들로 라벨링(labeled)될 수 있다. 일 실시예에서, 이러한 위험 패턴들은 패턴 커버리지를 개선하기 위해 제 1 패턴 세트에 포함될 수 있다.

도 8은, 일 실시예에 따라, 트레이닝된 머신 러닝 모델로부터 생성된 오차에 기반하여 위험 패턴들을 식별하는 것을 도시한다. 일 실시예에서, 위험 패턴들은, 기준 모델, 베이스라인 ML 모델, 또는 패터닝 프로세스와 관련된 기타 모델에 의해 예측 오차가 발생하기 쉬운 패턴을 지칭한다. 일 실시예에서, 이상치 오차 값들은 기준 윤곽들과 ML로 예측된 윤곽들 간의 C2C 차이에 의해 특징지어질 수 있다. 일 실시예에서, 이상치 오차 값들은, 표준 편차에 기반하여 식별되거나, 값들을 평균 값(예시적인 임계값)과 비교하여 식별되거나, 데이터 세트에서 이상치를 판정하기 위한 기타 통계적 방법들에 의해 식별될 수 있다.

도 8에서, 트레이닝된 ML 모델로 생성된 윤곽과 기준 윤곽 간의 C2C 차이가 시각적 참조를 위해 플로팅(plotted)되어 있다. 본 명세서에 논의된 바와 같이, C2C 차이는, SP21, SP22, SP23, SP24, SP25, 또는 SP26과 같은 선택된 패턴 세트들을 사용하여 트레이닝된 트레이닝된 ML 모델을 사용하여 산출될 수 있다. 선택된 패턴 세트 SP21 내지 SP26 각각에 대하여 상이한 ML 모델이 트레이닝될 수 있다. 이어서 트레이닝된 ML 모델은 디자인 레이아웃의 윤곽들을 예측하고 C2C 차이를 판정하는 데 사용된다.

C2C 차이 플롯은, 식별될 수 있는 이상치들에 대한 시각적 표현을 제공한다. 그러나, 일부 실시예에서는 시각적 표현 없이도 이상치들이 식별될 수 있다는 점이 당업자에게 이해될 것이다. 이러한 이상치들에 대응하는 패턴들은 위험 패턴일 수 있다. ML 모델의 트레이닝에 어떤 선택된 패턴 세트가 사용되었는지에 따라 상이한 위험 패턴들이 식별될 수 있다. 예를 들어, ML 모델 트레이닝에 SP21이 사용되었을 경우 위험 패턴 RP1이 디자인 레이아웃으로부터 식별된다. 마찬가지로, 위험 패턴 RP2 및 RP3이 디자인 레이아웃으로부터 식별될 수 있다.

일 실시예에서, 방법(400)은, 제 1 패턴 세트(PS1)에 기반하여, 메트롤로지 툴에 의해 검사될 패턴들(예: 위험 패턴, 핫스팟 등)의 목록을 식별하는 단계를 수반한다. 일 실시예에서, 패턴들의 목록과 관련된 측정 데이터는 패터닝 프로세스와 관련된 ML 모델을 트레이닝 또는 캘리브레이션하는 데 더 사용될 수 있다.

일 실시예에서, 방법(400)은, 차이 임계값 위반에 대응되는 제 2 패턴 세트(PS2)의 위치들을 식별하는 단계, 식별된 위치들과 연관된 하나 이상의 패턴으로 제 1 패턴 세트(PS1)를 보충하는 단계, 및 보충된 제 1 패턴 세트(PS1)를 사용하여 또 다른 머신 러닝 모델을 트레이닝하는 단계를 수반한다. 일 실시예에서, 보충된 제 1 패턴 세트(PS1)는 제 1 패턴 세트(PS1)에 비하여 더 큰 패턴 커버리지에 대응된다.

일 실시예에서, 메트롤로지 툴은, 기판 상에 패터닝된 디자인 레이아웃의 제 1 패턴 세트(PS1) 또는 보충된 제 1 패턴 세트와 연관된, 임계 치수, 오버레이, 및 에지 배치 오차를 포함하지만 이에 국한되지는 않는 메트롤로지 측정치들을 판정한다. 이러한 측정치들은, 리소그래피 프로세스를 제어하거나, 머신 러닝 모델을 트레이닝하여 마스크 패턴들을 생성하거나(예: 결함 감지 모델, 에칭 모델, 레지스트 모델, OPC, SMO 등), 머신 러닝 모델을 트레이닝하여 디자인 패턴에 대한 측정치들을 예측하거나, 기타 리소그래피 또는 메트롤로지 관련 용도를 위해 더 사용될 수 있다. 본 명세서의 평가 프로세스는 주어진 패턴 세트가 디자인 레이아웃에 대한 충분한 커버리지를 갖도록 보장하므로, 축소된 양의 측정만이 이루어짐에 따라 메트롤로지 시간을 상당히 절감할 수 있다. 따라서, 패터닝 프로세스의 스루풋이 향상될 수 있다.

일 실시예에서, 본 명세서에 논의된 방법들은 명령어가 기록된 하나 이상의 비일시적 컴퓨터 판독 가능 매체 또는 컴퓨터 프로그램 제품으로서 제공될 수 있으며, 상기 명령어는, 컴퓨터에 의해 실행될 때, 앞서 논의된 방법(400)의 동작을 구현한다. 예를 들어, 도 9의 예시적인 컴퓨터 시스템(CS)은 명령어를 포함하는 비일시적 컴퓨터 판독 가능 매체(예: 메모리)를 포함하며, 상기 명령어는 하나 이상의 프로세서(예: 104)에 의해 실행될 때 디자인 레이아웃의 임의의 주어진 패턴 세트를 평가하기 위한 동작들이 이루어지도록 한다. 예를 들어, 사용자가 제공한 패턴 세트 또는 서로 다른 패턴 선택 방법들을 사용하여 선택된 패턴 세트를 평가한다.

본 발명에 따르면, 개시된 요소들의 조합 및 서브 조합들은 개별 실시예들을 구성한다. 예를 들어, 제 1 조합은 선택된 패턴 세트를 사용하여 머신 러닝 모델을 트레이닝함으로써 선택된 패턴 세트를 평가하는 것을 포함한다. 서브 조합은 선택된 패턴의 패턴 커버리지를 평가하는 것을 포함할 수 있다. 다른 일 조합에서는, C2C 차이를 기반으로 위험 패턴들을 판정한다. 서브 조합은 C2C 차이를 판정하기 위해 기준 모델을 사용하는 것을 포함할 수 있다.

도 9는, 일 실시예에 따른, 예시적인 컴퓨터 시스템(CS)의 블록도이다. 컴퓨터 시스템(CS)은 정보를 전달하는 버스(BS) 또는 다른 통신 기구, 및 정보를 처리하는 버스(BS)와 커플링된 프로세서(PRO)(또는 다중 프로세서)를 포함한다. 또한, 컴퓨터 시스템(CS)은 프로세서(PRO)에 의해 실행될 정보 및 명령어들을 저장하는 RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 버스(BS)에 커플링된 주 메모리(MM)를 포함한다. 또한, 주 메모리(MM)는 프로세서(PRO)에 의해 실행될 명령어의 실행 시 임시 변수들 또는 다른 매개 정보(intermediate information)를 저장하는 데 사용될 수 있다. 컴퓨터 시스템(CS)은 프로세서(PRO)에 대한 정적 정보 및 명령어들을 저장하는 버스(BS)에 커플링된 ROM(read only memory: ROM) 또는 다른 정적 저장 디바이스를 더 포함한다. 자기 디스크 또는 광학 디스크와 같은 저장 디바이스(SD)가 제공되고 버스(BS)에 커플링되어 정보 및 명령어들을 저장한다.

컴퓨터 시스템(CS)은 버스(BS)를 통해, 컴퓨터 사용자에게 정보를 보여주는 CRT(cathode ray tube) 또는 평판 또는 터치 패널 디스플레이(touch panel display)와 같은 디스플레이(DS)에 커플링될 수 있다. 영숫자 및 다른 키들을 포함한 입력 디바이스(ID)는 정보 및 명령 선택(command selection)들을 프로세서(PRO)로 전달하기 위해 버스(BS)에 커플링된다. 또 다른 유형의 사용자 입력 디바이스는 방향 정보 및 명령 선택들을 프로세서(PRO)로 전달하고, 디스플레이(DS) 상의 커서 움직임을 제어하기 위한 마우스, 트랙볼(trackball) 또는 커서 방향키들과 같은 커서 제어부(cursor control: CC)이다. 이 입력 디바이스는, 통상적으로 디바이스로 하여금 평면에서의 위치를 특정하게 하는 2 개의 축선인 제 1 축선(예: x) 및 제 2 축선(예: y)에서 2 자유도를 갖는다. 또한, 입력 디바이스로서 터치 패널(스크린) 디스플레이가 사용될 수도 있다.

일 실시예에 따르면, 주 메모리(MM)에 포함된 하나 이상의 명령어의 하나 이상의 시퀀스를 실행하는 프로세서(PRO)에 응답하여 컴퓨터 시스템(CS)에 의해 본 명세서에 설명된 하나 이상의 방법의 부분들이 수행될 수 있다. 이러한 명령어들은 저장 디바이스(SD)와 같은 또 다른 컴퓨터 판독 가능한 매체로부터 주 메모리(MM)로 읽혀질 수 있다. 주 메모리(MM) 내에 포함된 명령어 시퀀스의 실행은, 프로세서(PRO)가 본 명세서에 설명된 프로세스 단계들을 수행하게 한다. 또한, 주 메모리(MM) 내에 포함된 명령어 시퀀스를 실행하기 위해 다중 처리 구성(multi-processing arrangement)의 하나 이상의 프로세서가 채택될 수 있다. 대안적인 일 실시예에서, 하드웨어에 내장된 회로(hard-wired circuitry)가 소프트웨어 명령어와 조합하거나 그를 대신하여 사용될 수 있다. 따라서, 본 명세서의 기재내용은 하드웨어 회로와 소프트웨어의 여하한의 특정 조합에 제한되지 않는다.

본 명세서에서 사용된 "컴퓨터 판독 가능한 매체"라는 용어는 실행을 위해 프로세서(PRO)에 명령어를 제공하는 데 관여하는 여하한의 매체를 칭한다. 이러한 매체는 비휘발성 매체(non-volatile media), 휘발성 매체, 및 전송 매체를 포함하는 다수의 형태를 취할 수 있으며, 이에 제한되지는 않는다. 비휘발성 매체는, 예를 들어 저장 디바이스(SD)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 주 메모리(MM)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(BS)를 포함하는 와이어들을 포함하여, 동축 케이블, 구리선 및 광섬유를 포함한다. 또한, 전송 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 시 발생되는 파장들과 같이 음파(acoustic wave) 또는 광파의 형태를 취할 수도 있다. 컴퓨터 판독 가능한 매체는 비일시적이고, 예를 들어 플로피 디스크, 플렉시블 디스크(flexible disk), 하드 디스크, 자기 테이프, 여하한의 다른 자기 매체, CD-ROM, DVD, 여하한의 다른 광학 매체, 펀치 카드, 종이 테이프, 홀(hole)들의 패턴을 갖는 여하한의 다른 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, 여하한의 다른 메모리 칩 또는 카트리지일 수 있다. 비일시적 컴퓨터 판독 가능한 매체에는 명령어들이 기록되어 있을 수 있다. 명령어들은 컴퓨터에 의해 실행될 때, 본 명세서에 설명된 특징들 중 어느 하나를 구현할 수 있다. 일시적 컴퓨터 판독 가능한 매체는, 예를 들어 반송파 또는 다른 전파 전자기 신호를 포함할 수 있다.

다양한 형태의 컴퓨터 판독 가능한 매체는, 실행을 위해 하나 이상의 명령어의 하나 이상의 시퀀스를 프로세서(PRO)로 전달하는 데 관련될 수 있다. 예를 들어, 명령어는 초기에 원격 컴퓨터의 자기 디스크에 저장되어(borne) 있을 수 있다. 원격 컴퓨터는 그 동적 메모리로 명령어를 로딩하고, 모뎀을 이용하여 전화선을 통해 명령어를 보낼 수 있다. 컴퓨터 시스템(CS)에 로컬인 모뎀이 전화선 상의 데이터를 수신하고, 적외선 송신기를 사용하여 상기 데이터를 적외선 신호로 전환할 수 있다. 버스(BS)에 커플링된 적외선 검출기는 적외선 신호로 전달된 데이터를 수신하고, 상기 데이터를 버스(BS)에 놓을 수 있다. 버스(BS)는, 프로세서(PRO)가 명령어들을 회수하고 실행하는 주 메모리(MM)로 상기 데이터를 전달한다. 주 메모리(MM)에 의해 수신된 명령어들은 프로세서(PRO)에 의한 실행 전이나 후에 저장 디바이스(SD)에 선택적으로 저장될 수 있다.

또한, 컴퓨터 시스템(CS)은 버스(BS)에 커플링된 통신 인터페이스(CI)를 포함할 수 있다. 통신 인터페이스(CI)는 로컬 네트워크(LAN)에 연결되는 네트워크 링크(NDL)에 커플링하여 양방향(two-way) 데이터 통신을 제공한다. 예를 들어, 통신 인터페이스(CI)는 ISDN(integrated services digital network) 카드 또는 대응하는 유형의 전화선에 데이터 통신 연결을 제공하는 모뎀일 수 있다. 또 다른 예시로서, 통신 인터페이스(CI)는 호환성 LAN에 데이터 통신 연결을 제공하는 LAN(local area network) 카드일 수 있다. 또한, 무선 링크가 구현될 수도 있다. 여하한의 이러한 구현에서, 통신 인터페이스(CI)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적, 또는 광학적 신호들을 송신하고 수신한다.

통상적으로, 네트워크 링크(NDL)는 하나 이상의 네트워크를 통해 다른 데이터 디바이스에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(NDL)는 로컬 네트워크(LAN)를 통해 호스트 컴퓨터(host computer: HC)로의 연결을 제공할 수 있다. 이는 이제 보편적으로 "인터넷(INT)"이라고 칭하는 월드와이드 패킷 데이터 통신 네트워크를 통해 제공되는 데이터 통신 서비스를 포함할 수 있다. 로컬 네트워크(LAN)(인터넷)는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 사용할 수 있다. 다양한 네트워크를 통한 신호들, 및 컴퓨터 시스템(CS)으로 또한 그로부터 디지털 데이터를 전달하는 통신 인터페이스(CI)를 통한 네트워크 데이터 링크(NDL) 상의 신호들은 정보를 전달하는 반송파의 예시적인 형태들이다.

컴퓨터 시스템(CS)은 네트워크(들), 네트워크 데이터 링크(NDL) 및 통신 인터페이스(CI)를 통해 메시지들을 송신하고, 프로그램 코드를 포함한 데이터를 수신할 수 있다. 인터넷 예시에서는, 호스트 컴퓨터(HC)가 인터넷(INT), 네트워크 데이터 링크(NDL), 로컬 네트워크(LAN) 및 통신 인터페이스(CI)를 통해 어플리케이션 프로그램에 대한 요청된 코드를 전송할 수 있다. 하나의 이러한 다운로드된 어플리케이션은, 예를 들어 본 명세서에 설명된 방법의 일부 또는 전부를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(PRO)에 의해 실행될 수 있고/있거나 추후 실행을 위해 저장 디바이스(SD) 또는 다른 비휘발성 저장소에 저장될 수 있다. 이 방식으로, 컴퓨터 시스템(CS)은 반송파의 형태로 어플리케이션 코드를 얻을 수 있다.

도 10은, 일 실시예에 따른, 리소그래피 투영 장치의 개략도이다.

리소그래피 투영 장치는 조명 시스템(IL), 제 1 대상물 테이블(MT), 제 2 대상물 테이블(WT), 및 투영 시스템(PS)을 포함할 수 있다.

조명 시스템(IL)은 방사선 빔(B)을 컨디셔닝(condition)할 수 있다. 이 특정한 경우에, 조명 시스템은 또한 방사선 소스(SO)를 포함한다.

제 1 대상물 테이블(예: 패터닝 디바이스 테이블)(MT)은 패터닝 디바이스(MA)(예: 레티클)를 유지하도록 패터닝 디바이스 홀더를 구비할 수 있고, 아이템(PS)에 대해 패터닝 디바이스를 정확히 위치시키도록 제 1 위치설정기에 연결될 수 있다.

제 2 대상물 테이블(기판 테이블)(WT)은 기판(W)(예: 레지스트 코팅된 실리콘 웨이퍼)을 유지하도록 기판 홀더를 구비할 수 있고, 아이템(PS)에 대해 기판을 정확히 위치시키도록 제 2 위치설정기에 연결될 수 있다.

투영 시스템("렌즈")(PS)[예: 굴절, 카톱트릭(catoptric), 또는 카타디옵트릭 광학 시스템]은, 기판(W)의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)의 조사된 부분을 이미징할 수 있다.

본 명세서에 도시된 바와 같이, 상기 장치는 투과형으로 구성될 수 있다(즉, 투과형 패터닝 디바이스를 가짐). 하지만, 일반적으로 이는 예를 들어 (반사형 패터닝 디바이스를 갖는) 반사형으로 구성될 수도 있다. 상기 장치는 전형적인 마스크와는 상이한 종류의 패터닝 디바이스를 채택할 수 있다. 예시로는 프로그래밍 가능한 미러 어레이 또는 LCD 매트릭스를 포함한다.

소스(SO)[예: 수은 램프 또는 엑시머 레이저, LPP(레이저 생성 플라즈마) EUV 소스]는 방사선 빔을 생성한다. 예를 들어, 이 빔은 곧바로, 또는 빔 확장기(beam expander : Ex)와 같은 컨디셔닝 수단을 가로지른 후에 조명 시스템(일루미네이터)(IL)으로 공급된다. 일루미네이터(IL)는 상기 빔 내의 세기 분포의 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)를 설정하는 조정 수단(AD)을 포함할 수 있다. 또한, 이는 일반적으로 인티그레이터(IN) 및 콘덴서(CO)와 같은 다양한 다른 구성요소를 포함할 것이다. 이러한 방식으로, 패터닝 디바이스(MA)에 입사하는 빔(B)은 그 단면에 원하는 균일성(uniformity) 및 세기 분포를 갖는다.

일부 실시예에서, 소스(SO)는 [소스(SO)가 예를 들어 수은 램프인 경우에 흔히 그렇듯이] 리소그래피 투영 장치의 하우징 내에 있을 수 있지만, 소스는 리소그래피 투영 장치로부터 멀리 떨어져 있을 수도 있으며, 소스가 생성하는 방사선 빔은 (예를 들어, 적절한 지향 미러들의 도움으로) 장치 내부로 들어올 수 있다. 이 후자의 시나리오는 소스(SO)가 [예를 들어, KrF, ArF, 또는 F2 레이징(lasing)에 기반한] 엑시머 레이저인 경우일 수 있다.

이후, 상기 빔(PB)은 패터닝 디바이스 테이블(MT) 상에 유지되어 있는 패터닝 디바이스(MA)를 인터셉트(intercept)할 수 있다. 패터닝 디바이스(MA)를 가로질렀으면, 상기 빔(B)은 렌즈(PL)를 통과할 수 있으며, 렌즈는 기판(W)의 타겟부(C) 상에 빔(B)을 포커싱한다. 제 2 위치설정 수단[및 간섭 측정 수단(IF)]의 도움으로, 기판 테이블(WT)은 예를 들어 빔(PB)의 경로 내에 상이한 타겟부(C)들을 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정 수단은, 예를 들어 패터닝 디바이스 라이브러리(patterning device library)로부터의 패터닝 디바이스(MA)의 기계적인 회수 후에 또는 스캔하는 동안, 빔(B)의 경로에 대해 패터닝 디바이스(MA)를 정확히 위치시키는 데 사용될 수 있다. 일반적으로, 대상물 테이블들(MT, WT)의 이동은 장행정 모듈(long-stroke module)(개략 위치설정) 및 단행정 모듈(short-stroke module)(미세 위치설정)의 도움으로 실현될 수 있다. 하지만, (스텝 앤 스캔 툴과는 대조적으로) 스테퍼의 경우, 패터닝 디바이스 테이블(MT)은 단행정 액추에이터에만 연결되거나 고정될 수 있다.

도시된 툴은 두 가지 상이한 모드, 스텝 모드 및 스캔 모드로 사용될 수 있다. 스텝 모드에서, 패터닝 디바이스 테이블(MT)은 기본적으로 정지 상태로 유지되며, 전체 패터닝 디바이스 이미지가 한 번에 [즉, 단일 "플래시(flash)"로] 타겟부(C) 상으로 투영된다. 기판 테이블(WT)은 상이한 타겟부(C)가 빔(PB)에 의해 조사될 수 있도록 x 및/또는 y 방향으로 시프트될 수 있다.

스캔 모드에서는, 주어진 타겟부(C)가 단일 "플래시"로 노광되지 않는 것을 제외하고는 기본적으로 동일한 시나리오가 적용된다. 그 대신에, 패터닝 디바이스 테이블(MT)은 v의 속력으로 주어진 방향(소위 "스캔 방향", 예를 들어 y 방향)으로 이동가능하여, 투영 빔(B)이 패터닝 디바이스 이미지에 걸쳐 스캐닝하도록 유도된다; 동시발생적으로, 기판 테이블(WT)은 속력 V = Mv로 동일한 방향 또는 그 반대 방향으로 동시에 이동되며, 여기서 M은 렌즈(PL)의 배율이다(통상적으로, M = 1/4 또는 1/5). 이러한 방식으로, 분해능을 떨어뜨리지 않고도 비교적 넓은 타겟부(C)가 노광될 수 있다.

도 11은, 일 실시예에 따른, 다른 리소그래피 투영 장치(LPA)의 개략도이다.

LPA는 소스 컬렉터 모듈(SO), 방사선 빔(B)(예: EUV 방사선)을 컨디셔닝하도록 구성되는 조명 시스템(일루미네이터)(IL), 지지 구조체(MT), 기판 테이블(WT), 및 투영 시스템(PS)을 포함할 수 있다.

지지 구조체(예: 패터닝 디바이스 테이블)(MT)는 패터닝 디바이스(예: 마스크 또는 레티클)(MA)를 지지하도록 구성될 수 있고, 패터닝 디바이스를 정확히 위치시키도록 구성된 제 1 위치설정기(PM)에 연결될 수 있다.

기판 테이블(예: 웨이퍼 테이블)(WT)은 기판(예: 레지스트 코팅된 웨이퍼)(W)을 유지하도록 구성될 수 있고, 기판을 정확히 위치시키도록 구성된 제 2 위치설정기(PW)에 연결될 수 있다.

투영 시스템(예: 반사형 투영 시스템)(PS)은 기판(W)의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 투영하도록 구성될 수 있다.

여기에 도시된 바와 같이, LPA는 (예를 들어, 반사형 패터닝 디바이스를 채택하는) 반사형으로 구성될 수 있다. 대부분의 재료들이 EUV 파장 범위 내에서 흡수성이기 때문에, 패터닝 디바이스는 예를 들어 몰리브덴 및 실리콘의 다수의 스택을 포함한 다층 반사기들을 가질 수 있다는 점에 유의하여야 한다. 일 예시에서, 다수 스택 반사기는 40 층의 몰리브덴 및 실리콘 쌍들을 갖고, 이때 각 층의 두께는 1/4 파장(quarter wavelength)이다. 훨씬 더 작은 파장들이 X-선 리소그래피로 생성될 수 있다. 대부분의 재료가 EUV 및 x-선 파장에서 흡수성이기 때문에, 패터닝 디바이스 토포그래피 상의 패터닝된 흡수성 재료의 박편(예: 다층 반사기 상단부 상의 TaN 흡수재)이, 프린팅되거나(포지티브 레지스트) 프린팅되지 않을(네거티브 레지스트) 피처들의 위치를 정의한다.

일루미네이터(IL)는 소스 컬렉터 모듈(SO)로부터 극자외 방사선 빔을 수신할 수 있다. EUV 방사선을 생성하는 방법들은 EUV 범위 내의 하나 이상의 방출선을 갖는 적어도 하나의 원소, 예를 들어 크세논, 리튬, 또는 주석을 갖는 재료를 플라즈마 상태로 변환하는 단계를 포함하며, 반드시 이에 국한되는 것은 아니다. 흔히 레이저 생성 플라즈마("LPP")라고 칭하는 이러한 한 방법에서, 플라즈마는 선 방출 원소를 갖는 재료의 액적(droplet), 스트림, 또는 클러스터와 같은 연료를 레이저 빔으로 조사함으로써 생성될 수 있다. 소스 컬렉터 모듈(SO)은, 연료를 여기시키는 레이저 빔을 제공하는 레이저(도 11에는 도시되지 않음)를 포함한 EUV 방사선 시스템의 일부분일 수 있다. 결과적인 플라즈마는 출력 방사선, 예를 들어 EUV 방사선을 방출하며, 이는 소스 컬렉터 모듈에 배치된 방사선 컬렉터를 이용하여 수집된다. 예를 들어, CO2 레이저가 연료 여기를 위한 레이저 빔을 제공하는 데 사용되는 경우, 레이저 및 소스 컬렉터 모듈은 분리된 개체들일 수 있다.

이러한 경우, 레이저는 리소그래피 장치의 일부분을 형성하는 것으로 간주되지 않을 수 있으며, 방사선 빔은 예를 들어 적절한 지향 미러들 및/또는 빔 확장기를 포함하는 빔 전달 시스템의 도움으로, 레이저로부터 소스 컬렉터 모듈로 통과될 수 있다. 다른 경우, 예를 들어 소스가 흔히 DPP 소스라고 칭하는 방전 생성 플라즈마 EUV 발생기인 경우, 소스는 소스 컬렉터 모듈의 통합부일 수 있다.

일루미네이터(IL)는 방사선 빔의 각도 세기 분포를 조정하는 조정기를 포함할 수 있다. 일반적으로, 일루미네이터의 퓨필 평면 내의 세기 분포의 적어도 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)가 조정될 수 있다. 또한, 일루미네이터(IL)는 패싯 필드 및 퓨필 미러 디바이스(facetted field and pupil mirror devices)와 같이, 다양한 다른 구성요소를 포함할 수도 있다. 일루미네이터는 방사선 빔의 단면에 원하는 균일성 및 세기 분포를 갖기 위해, 방사선 빔을 컨디셔닝하는 데 사용될 수 있다.

방사선 빔(B)은 지지 구조체(예: 패터닝 디바이스 테이블)(MT) 상에 유지되어 있는 패터닝 디바이스(예: 마스크)(MA) 상에 입사될 수 있으며, 패터닝 디바이스에 의해 패터닝된다. 패터닝 디바이스(예: 마스크)(MA)로부터 반사된 후, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 이는 기판(W)의 타겟부(C) 상으로 상기 빔을 포커싱한다. 제 2 위치설정기(PW) 및 위치 센서(PS2)(예: 간섭계 디바이스, 리니어 인코더, 또는 용량성 센서)의 도움으로, 기판 테이블(WT)은 예를 들어 방사선 빔(B)의 경로 내에 상이한 타겟부(C)들을 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정기(PM) 및 또 다른 위치 센서(PS1)는, 방사선 빔(B)의 경로에 대하여 패터닝 디바이스(예: 마스크)(MA)를 정확하게 위치시키는 데 사용될 수 있다. 패터닝 디바이스(예: 마스크)(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크(M1, M2) 및 기판 정렬 마크(P1, P2)를 이용하여 정렬될 수 있다.

도시된 장치(LPA)는 다음 모드들, 스텝 모드, 스캔 모드, 및 고정 모드 중 적어도 하나에서 사용될 수 있다.

스텝 모드에서, 지지 구조체(예: 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 기본적으로 정지 상태로 유지되는 한편, 방사선 빔에 부여된 전체 패턴이 한 번에 타겟부(C) 상으로 투영된다[즉, 단일 정적 노광(single static exposure)]. 그 후, 기판 테이블(WT)은 상이한 타겟부(C)가 노광될 수 있도록 X 및/또는 Y 방향으로 시프트된다.

스캔 모드에서, 지지 구조체(예: 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안에 동기적으로 스캐닝된다[즉, 단일 동적 노광(single dynamic exposure)]. 지지 구조체(예: 패터닝 디바이스 테이블)(MT)에 대한 기판 테이블(WT)의 속도 및 방향은 투영 시스템(PS)의 확대(축소) 및 이미지 반전 특성에 의하여 결정될 수 있다.

고정 모드에서, 지지 구조체(예: 패터닝 디바이스 테이블)(MT)는 프로그래밍 가능한 패터닝 디바이스를 유지하여 기본적으로 정지된 상태로 유지되며, 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안 기판 테이블(WT)이 이동되거나 스캐닝된다. 이 모드에서는, 일반적으로 펄스화된 방사선 소스(pulsed radiation source)가 채택되며, 프로그래밍 가능한 패터닝 디바이스는 기판 테이블(WT)의 매 이동 후, 또는 스캔 중에 계속되는 방사선 펄스들 사이에 필요에 따라 업데이트된다. 이 작동 모드는 앞서 언급된 바와 같은 유형의 프로그래밍 가능한 미러 어레이와 같은 프로그래밍 가능한 패터닝 디바이스를 활용하는 마스크 없는 리소그래피(maskless lithography)에 용이하게 적용될 수 있다.

도 12는, 일 실시예에 따른, 리소그래피 투영 장치의 상세도이다.

도시된 바와 같이, LPA는 소스 컬렉터 모듈(SO), 조명 시스템(IL), 및 투영 시스템(PS)을 포함할 수 있다. 소스 컬렉터 모듈(SO)은, 소스 컬렉터 모듈(SO)의 포위 구조체(enclosing structure: 220) 내에 진공 환경이 유지될 수 있도록 구성되고 배열된다. EUV 방사선 방출 플라즈마(210)가 방전 생성 플라즈마 소스에 의해 형성될 수 있다. EUV 방사선은, 전자기 스펙트럼의 EUV 범위 내의 방사선을 방출하도록 초고온 플라즈마(very hot plasma: 210)가 생성되는 가스 또는 증기, 예를 들어 Xe 가스, Li 증기, 또는 Sn 증기에 의해 생성될 수 있다. 초고온 플라즈마(210)는, 예를 들어 적어도 부분적으로 이온화된 플라즈마를 야기하는 전기적 방전에 의해 생성된다. 방사선의 효율적인 발생을 위해, Xe, Li, Sn 증기 또는 다른 임의의 적절한 가스 또는 증기의, 예를 들어 10 Pa의 분압(partial pressure)이 필요할 수 있다. 일 실시예에서, EUV 방사선을 생성하기 위해 여기된 주석(Sn)의 플라즈마가 제공된다.

초고온 플라즈마(210)에 의해 방출된 방사선은, 소스 챔버(source chamber, 211)의 개구부(opening) 내에 또는 그 뒤에 위치되는 선택적인 가스 방벽 또는 오염물 트랩(contaminant trap, 230)(일부 경우에는, 오염물 방벽 또는 포일 트랩이라고도 함)을 통해, 소스 챔버(211)로부터 컬렉터 챔버(collector chamber, 212) 내로 통과된다. 오염물 트랩(230)은 채널 구조체를 포함할 수 있다. 또한, 오염물 트랩(230)은 가스 방벽, 또는 가스 방벽과 채널 구조체의 조합을 포함할 수 있다. 본 명세서에서 더 나타내는 오염물 트랩 또는 오염물 방벽(230)은 적어도 당업계에 알려진 바와 같은 채널 구조체를 포함한다.

컬렉터 챔버(212)는, 소위 스침 입사 컬렉터(grazing incidence collector)일 수 있는 방사선 컬렉터(CO)를 포함할 수 있다. 방사선 컬렉터(CO)는 방사선 컬렉터 상류측(upstream radiation collector side, 251) 및 방사선 컬렉터 하류측(downstream radiation collector side, 252)을 갖는다. 컬렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(grating spectral filter: 240)로부터 반사되어, 점선 'O'로 나타낸 광축을 따라 가상 소스점(virtual source point: IF)에 포커싱될 수 있다. 가상 소스 포인트(IF)는 통상적으로 중간 포커스라고 칭해지며, 소스 컬렉터 모듈은 중간 포커스(IF)가 포위 구조체(220)에서의 개구부(221)에, 또는 그 부근에 위치되도록 배치된다. 가상 소스점(IF)은 방사선 방출 플라즈마(210)의 이미지이다.

후속하여, 방사선은 조명 시스템(IL)을 가로지르며, 이는 패터닝 디바이스(MA)에서의 방사선 세기의 원하는 균일성뿐 아니라, 패터닝 디바이스(MA)에서의 방사선 빔(21)의 원하는 각도 분포를 제공하도록 배열된 패싯 필드(facetted field) 미러 디바이스(22) 및 패싯 퓨필(facetted pupil) 미러 디바이스(24)를 포함할 수 있다. 지지 구조체(MT)에 의해 유지되어 있는 패터닝 디바이스(MA)에서의 방사선 빔(21)의 반사 시, 패터닝된 빔(26)이 형성되고, 패터닝된 빔(26)은 투영 시스템(PS)에 의하여 반사 요소(28, 30)를 통해 기판 테이블(WT)에 의해 유지되어 있는 기판(W) 상으로 이미징된다.

일반적으로, 도시된 것보다 더 많은 요소가 조명 광학기 유닛(IL) 및 투영 시스템(PS) 내에 존재할 수 있다. 격자 스펙트럼 필터(240)는 리소그래피 장치의 유형에 따라 선택적으로 존재할 수 있다. 또한, 도면에 도시된 것보다 더 많은 미러가 존재할 수 있으며, 예를 들어 도 12에 나타낸 것보다 1 내지 6 개의 추가적인 반사 요소들이 투영 시스템(PS) 내에 존재할 수 있다.

도 12에 도시된 바와 같은 컬렉터 광학기(CO)는 단지 컬렉터(또는 컬렉터 미러)의 일 예시로서, 스침 입사 반사기(253, 254, 및 255)를 갖는 네스티드 컬렉터(nested collector)로서 도시된다. 스침 입사 반사기(253, 254, 및 255)는 광축(O) 주위에 축대칭으로 배치되고, 이 유형의 컬렉터 광학기(CO)는 흔히 DPP 소스라고 하는 방전 생성 플라즈마 소스와 조합하여 사용될 수 있다.

도 13은, 일 실시예에 따른, 리소그래피 투영 장치(LPA)의 소스 컬렉터 모듈(SO)의 상세한 도면이다.

소스 컬렉터 모듈(SO)은 LPA 방사선 시스템의 일부분일 수 있다. 레이저(LA)가 크세논(Xe), 주석(Sn) 또는 리튬(Li)과 같은 연료에 레이저 에너지를 축적(deposit)하도록 배열되어, 수십 eV의 전자 온도를 갖는 고이온화 플라즈마(highly ionized plasma, 210)를 생성할 수 있다. 이 이온들의 탈 여기(de-excitation) 및 재조합 동안 발생되는 높은 에너지의 방사선(energetic radiation)은 플라즈마로부터 방출되어, 근수직 입사 컬렉터 광학기(near normal incidence collector optic: CO)에 의해 수집되고, 포위 구조체(220)의 개구부(221) 상에 포커싱된다.

본 명세서에 개시된 개념들은 서브 파장 피처를 이미징하는 임의의 일반적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있으며, 특히 점점 더 짧은 파장을 생성할 수 있는 신흥 이미징 기술과 함께 유용할 수 있다. 이미 사용중인 신흥 기술은, ArF 레이저를 사용하여 193nm의 파장을 생성하고, 심지어 플루오린 레이저를 사용하여 157nm의 파장도 생성할 수 있는 EUV(극자외), DUV 리소그래피를 포함한다. 또한, EUV 리소그래피는 20 내지 50 nm 범위 내의 파장들을 생성할 수 있으며, 이는, 이 범위 내의 광자들을 생성하기 위해 재료(고체 또는 플라즈마)를 고에너지 전자로 가격(hit)하거나, 싱크로트론(synchrotron)을 이용함으로써 이루어진다.

본 발명의 실시예들은 다음 항들에 의하여 추가로 설명될 수 있다.

1. 명령어가 기록된 비일시적 컴퓨터 판독 가능 매체로서, 상기 명령어는, 컴퓨터에 의해 실행될 때 선택된 패턴 세트를 평가하기 위한 방법을 구현하고, 상기 방법은: (i) 패턴 선택 프로세스의 결과로 생성된 제 1 패턴 세트, (ii) 상기 제 1 패턴 세트와 연관된 제 1 패턴 데이터, (iii) 상기 제 1 패턴 데이터와 연관된 특성 데이터, 및 (iv) 제 2 패턴 세트와 연관된 제 2 패턴 데이터를 획득하는 단계; 상기 제 1 패턴과 연관된 상기 특성 데이터를 기반으로 머신 러닝 모델을 트레이닝하는 단계 - 상기 머신 러닝 모델은, 상기 머신 러닝 모델에 입력된 패턴에 대한 패턴 데이터를 예측하도록 구성됨 - ; 상기 제 2 패턴 세트를 상기 트레이닝된 머신 러닝 모델에 입력함으로써 상기 제 2 패턴 세트의 예측된 제 2 패턴 데이터를 생성하는 단계; 및 상기 제 2 패턴 데이터와 상기 예측된 제 2 패턴 데이터를 비교함으로써 상기 제 1 패턴 세트를 평가하는 단계를 포함하는, 매체.

2. 제 1 항에 있어서, 상기 제 1 패턴 데이터를 획득하는 단계는: 상기 제 1 패턴 세트를 입력으로 사용하여 패터닝 프로세스를 시뮬레이션하도록 구성된 기준 모델(reference model)을 실행함으로써 제 1 윤곽(contours) 또는 제 1 이미지를 생성하는 단계를 포함하는, 매체.

3. 제 1 항에 있어서, 상기 제 1 패턴 데이터 및 상기 제 2 패턴 데이터를 획득하는 단계는: 상기 제 1 패턴 세트 및 상기 제 2 패턴 세트를 포함하는 패터닝된 기판의 메트롤로지 이미지로부터 윤곽 또는 이미지를 획득하는 단계를 포함하는, 매체.

4. 제 1 항에 있어서, 상기 제 1 패턴 세트는 디자인 레이아웃의 제 1 복수의 패턴을 포함하며, 상기 제 2 패턴 세트는 상기 디자인 레이아웃의 제 2 복수의 패턴을 포함하는, 매체.

5. 제 4 항에 있어서, 상기 제 1 패턴 세트는 상기 제 2 패턴 세트의 서브세트(subset)인, 매체.

6. 제 1 항에 있어서, 상기 제 2 패턴 데이터는, 상기 제 2 패턴 세트를 입력으로 사용하여 상기 기준 모델을 실행함으로써 생성된 제 2 윤곽 또는 제 2 이미지를 포함하며, 상기 기준 모델은 패터닝 프로세스를 시뮬레이션하도록 구성되는, 매체.

7. 제 1 항에 있어서, 상기 제 2 패턴 세트는 상기 제 1 패턴보다 더 많은 패턴을 포함하는, 매체.

8. 제 1 항에 있어서, 상기 제 2 패턴 세트는 풀 칩 레이아웃(full chip layout)을 포함하는, 매체.

9. 제 1 항에 있어서, 상기 특성 데이터는 상기 제 1 패턴 데이터로부터 생성된 게이지(gauges)의 데이터를 포함하고, 상기 게이지는 패턴의 하나 이상의 물리적 특성을 정량화하도록 구성되는, 매체.

10. 제 9 항에 있어서, 상기 게이지는: 상기 제 1 패턴 데이터의 윤곽을 따라 복수의 위치에 위치한 에지 배치 게이지; 상기 제 1 패턴 세트의 임계 치수(CD) 값들을 측정하도록 구성된 임계 치수(CD) 게이지; 상기 제 1 패턴 세트의 라인들을 측정하도록 구성된 게이지; 상기 제 1 패턴 세트의 피처(features)들 간의 간격들을 측정하도록 구성된 게이지; 팁 투 팁(tip-to-tip) 구조체들을 측정하도록 구성된 게이지; 및/또는 모델로 예측된 윤곽과 디자인 윤곽 간의 윤곽 차이를 측정하도록 구성된 게이지를 포함하는, 매체.

11. 제 1 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 상기 제 2 패턴 데이터와 상기 예측된 제 2 패턴 데이터 간의 차이를 산출하는 단계를 포함하는, 매체.

12. 제 11 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 상기 차이가 차이 임계값(threshold)을 위반하는지 여부를 판정하는 단계; 및 상기 차이가 상기 차이 임계값을 위반하지 않는 것에 응답하여, 상기 제 1 패턴 세트가 메트롤로지를 수행하는 데 있어 수용가능한 것으로 분류하는 단계를 포함하는, 매체.

13. 제 12 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 상기 제 1 패턴 세트를 사용하여 트레이닝된 상기 트레이닝된 머신 러닝 모델과 연관된 절대 오차의 함수로서 절대 패턴 커버리지(coverage)를 판정하는 단계를 포함하는, 매체.

14. 제 12 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 상대 오차의 함수로서 상대 패턴 커버리지(relative pattern coverage)를 판정하는 단계를 포함하며, 상기 상대 오차는, 상기 제 1 패턴 세트를 사용하여 트레이닝된 상기 트레이닝된 머신 러닝 모델과 연관된 제 1 오차 범위와, 다른 패턴 세트와 연관된 제 2 오차 범위 간의 비교인, 매체.

15. 제 12 항에 있어서, 상기 평가에 기반하여 디자인 레이아웃 내의 위험 패턴(risk patterns)들을 판정하는 단계 - 상기 위험 패턴들은, 원하는 오차 임계값을 위반하는 모델 측정 오차들과 연관됨 - ; 상기 제 1 패턴 세트를 상기 위험 패턴들로 보충(supplement)하는 단계를 더 포함하는, 매체.

16. 제 12 항에 있어서, 상기 제 1 패턴 세트에 기반하여, 메트롤로지 툴에 의해 검사될 패턴들의 목록을 식별하는 단계를 더 포함하는, 매체.

17. 제 16 항에 있어서, 상기 메트롤로지 툴은, 기판 상에 패터닝된 상기 제 1 패턴 세트와 연관된, 임계 치수, 오버레이, 및 에지 배치 오차 중 적어도 하나를 포함하는 메트롤로지 측정치들을 판정하는, 매체.

18. 제 12 항에 있어서, 상기 차이 임계값 위반에 대응되는 상기 제 2 패턴 세트의 위치들을 식별하는 단계; 상기 식별된 위치들과 연관된 하나 이상의 패턴으로 상기 제 1 패턴 세트를 보충하는 단계 - 상기 보충된 제 1 패턴 세트는 상기 제 1 패턴 세트에 비하여 더 큰 패턴 커버리지를 가짐 - ; 및 상기 보충된 제 1 패턴 세트를 사용하여 또 다른 머신 러닝 모델을 트레이닝하는 단계를 더 포함하는, 매체.

19. 제 1 항에 있어서, 상기 머신 러닝 모델은 컨볼루션 뉴럴 네트워크(convolutional neural network)인, 매체.

20. 제 2 항에 있어서, 상기 기준 모델은 상기 패터닝 프로세스를 특징짓는 하나 이상의 모델을 포함하는, 매체.

21. 제 20 항에 있어서, 상기 기준 모델은, 소스 모델, 광학 모델, 레지스트 모델, 에칭 모델, 또는 이들의 조합을 포함하는, 매체.

22. 제 21 항에 있어서, 상기 제 1 패턴 데이터, 상기 제 2 패턴 데이터, 및 상기 예측된 제 2 패턴 데이터는: 에어리얼(aerial) 이미지 또는 상기 에어리얼 이미지로부터 추출된 윤곽; 마스크 이미지 또는 상기 마스크 이미지로부터 추출된 윤곽; 레지스트 이미지 또는 상기 레지스트 이미지로부터 추출된 레지스트 윤곽; 및 에칭 이미지 또는 상기 에칭 이미지로부터 추출된 윤곽 중 적어도 하나를 포함하는, 매체.

23. 제 22 항에 있어서, 상기 기준 모델은 캘리브레이션된(calibrated) 비 머신 러닝(non-machine learning) 모델인, 매체.

24. 제 1 항에 있어서, 상기 트레이닝된 머신 러닝 모델을 통해 상기 패터닝 프로세스에 대한 개선점을 결정하는 단계를 더 포함하는, 매체.

25. 제 24 항에 있어서, 상기 개선점을 결정하는 단계는: 상기 트레이닝된 머신 러닝 모델을 사용한 패터닝 프로세스의 시뮬레이션을 통해, 상기 패터닝 프로세스와 연관된 마스크 패턴에 대한 광학 근접 보정(optical proximity corrections)을 결정하는 단계; 상기 트레이닝된 머신 러닝 모델을 사용한 상기 패터닝 프로세스의 시뮬레이션을 통해, 상기 패터닝 프로세스와 연관된 소스 마스크 최적화(source mask optimization)를 결정하는 단계; 및/또는 상기 트레이닝된 머신 러닝 모델을 사용한 상기 패터닝 프로세스의 시뮬레이션을 통해, 디자인 레이아웃의 패턴들에 대한 기판 상에 프린팅된 패턴들의 패턴 충실도 매칭(pattern fidelity matching)을 개선하는 단계를 포함하는, 매체.

26. 선택된 패턴 세트를 평가하기 위한 방법으로서: (i) 패턴 선택 프로세스의 결과로 생성된 제 1 패턴 세트, (ii) 상기 제 1 패턴 세트와 연관된 제 1 패턴 데이터, (iii) 상기 제 1 패턴 데이터와 연관된 특성 데이터, 및 (iv) 제 2 패턴 세트와 연관된 제 2 패턴 데이터를 획득하는 단계; 상기 제 1 패턴과 연관된 상기 특성 데이터를 기반으로 머신 러닝 모델을 트레이닝하는 단계 - 상기 머신 러닝 모델은, 상기 머신 러닝 모델에 입력된 패턴에 대한 패턴 데이터를 예측하도록 구성됨 - ; 상기 제 2 패턴 세트를 상기 트레이닝된 머신 러닝 모델에 입력함으로써 상기 제 2 패턴 세트의 예측된 제 2 패턴 데이터를 생성하는 단계; 및 상기 제 2 패턴 데이터와 상기 예측된 제 2 패턴 데이터를 비교함으로써 상기 제 1 패턴 세트를 평가하는 단계를 포함하는, 방법.

27. 제 26 항에 있어서, 상기 제 1 패턴 데이터를 획득하는 단계는: 상기 제 1 패턴 세트를 입력으로 사용하여 패터닝 프로세스를 시뮬레이션하도록 구성된 기준 모델을 실행함으로써 제 1 윤곽 또는 제 1 이미지를 생성하는 단계를 포함하는, 방법.

28. 제 26 항에 있어서, 상기 제 1 패턴 데이터 및 상기 제 2 패턴 데이터를 획득하는 단계는: 상기 제 1 패턴 세트 및 상기 제 2 패턴 세트를 포함하는 패터닝된 기판의 메트롤로지 이미지로부터 윤곽 또는 이미지를 획득하는 단계를 포함하는, 방법.

29. 제 26 항에 있어서, 상기 제 1 패턴 세트는 디자인 레이아웃의 제 1 복수의 패턴을 포함하며, 상기 제 2 패턴 세트는 상기 디자인 레이아웃의 제 2 복수의 패턴을 포함하는, 방법.

30. 제 29 항에 있어서, 상기 제 1 패턴 세트는 상기 제 2 패턴 세트의 서브세트인, 방법.

31. 제 26 항에 있어서, 상기 제 2 패턴 데이터를 획득하는 단계는: 상기 제 2 패턴 세트를 입력으로 사용하여 패터닝 프로세스를 시뮬레이션하도록 구성된 기준 모델을 실행함으로써 제 2 윤곽 또는 제 2 이미지를 생성하는 단계를 포함하는, 방법.

32. 제 26 항에 있어서, 상기 제 2 패턴 세트는 상기 제 1 패턴보다 더 많은 패턴을 포함하는, 방법.

33. 제 26 항에 있어서, 상기 제 2 패턴 세트는 풀 칩 레이아웃을 포함하는, 방법.

34. 제 26 항에 있어서, 상기 특성 데이터는 상기 제 1 패턴 데이터로부터 생성된 게이지를 포함하고, 상기 게이지는 패턴의 하나 이상의 물리적 특성을 정량화하도록 구성되는, 방법.

35. 제 34 항에 있어서, 상기 게이지는: 상기 제 1 패턴 데이터의 윤곽을 따라 복수의 위치에 위치한 에지 배치 게이지; 상기 제 1 패턴 세트의 임계 치수(CD) 값들을 측정하도록 구성된 임계 치수(CD) 게이지; 상기 제 1 패턴 세트의 라인들을 측정하도록 구성된 게이지; 상기 제 1 패턴 세트의 피처들 간의 간격들을 측정하도록 구성된 게이지; 팁 투 팁 구조체들을 측정하도록 구성된 게이지; 및/또는 모델로 예측된 윤곽과 디자인 윤곽 간의 윤곽 차이를 측정하도록 구성된 게이지를 포함하는, 방법.

36. 제 26 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 상기 제 2 패턴 데이터와 상기 예측된 제 2 패턴 데이터 간의 차이를 산출하는 단계를 포함하는, 방법.

37. 제 36 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 상기 차이가 차이 임계값을 위반하는지 여부를 판정하는 단계; 및 상기 차이가 상기 차이 임계값을 위반하지 않는 것에 응답하여, 상기 제 1 패턴 세트가 메트롤로지를 수행하는 데 있어 수용가능한 것으로 분류하는 단계를 포함하는, 방법.

38. 제 37 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 상기 제 1 패턴 세트를 사용하여 트레이닝된 상기 트레이닝된 머신 러닝 모델과 연관된 절대 오차의 함수로서 절대 패턴 커버리지를 판정하는 단계를 포함하는, 방법.

39. 제 37 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 상대 오차의 함수로서 상대 패턴 커버리지를 판정하는 단계를 포함하며, 상기 상대 오차는, 상기 제 1 패턴 세트를 사용하여 트레이닝된 상기 트레이닝된 머신 러닝 모델과 연관된 제 1 오차 범위와, 다른 패턴 세트와 연관된 제 2 오차 범위 간의 비교인, 방법.

40. 제 37 항에 있어서, 상기 제 1 패턴 세트를 평가하는 단계는: 디자인 레이아웃 내의 위험 패턴들을 판정하는 단계 - 상기 위험 패턴들은, 원하는 오차 임계값을 위반하는 모델 측정 오차들과 연관됨 - ; 상기 제 1 패턴 세트를 상기 위험 패턴들로 보충하는 단계를 더 포함하는, 방법.

41. 제 37 항에 있어서, 상기 제 1 패턴 세트에 기반하여, 메트롤로지 툴에 의해 검사될 패턴들의 목록을 식별하는 단계를 더 포함하는, 방법.

42. 제 41 항에 있어서, 상기 메트롤로지 툴은, 기판 상에 패터닝된 상기 제 1 패턴 세트와 연관된, 임계 치수, 오버레이, 및 에지 배치 오차 중 적어도 하나를 포함하는 메트롤로지 측정치들을 판정하는, 방법.

43. 제 37 항에 있어서, 상기 차이 임계값 위반에 대응되는 상기 제 2 패턴 세트의 위치들을 식별하는 단계; 상기 식별된 위치들과 연관된 하나 이상의 패턴으로 상기 제 1 패턴 세트를 보충하는 단계 - 상기 보충된 제 1 패턴 세트는 상기 제 1 패턴 세트에 비하여 더 큰 패턴 커버리지를 가짐 - ; 및 상기 보충된 제 1 패턴 세트를 사용하여 또 다른 머신 러닝 모델을 트레이닝하는 단계를 더 포함하는, 방법.

44. 제 26 항에 있어서, 상기 머신 러닝 모델은 컨볼루션 뉴럴 네트워크인, 방법.

45. 제 27 항에 있어서, 상기 기준 모델은 상기 패터닝 프로세스를 특징짓는 하나 이상의 모델을 포함하는, 방법.

46. 제 45 항에 있어서, 상기 기준 모델은, 소스 모델, 광학 모델, 레지스트 모델, 에칭 모델, 또는 이들의 조합을 포함하는, 방법.

47. 제 46 항에 있어서, 상기 제 1 패턴 데이터 및 상기 제 2 패턴 데이터는: 에어리얼 이미지 또는 상기 에어리얼 이미지로부터 추출된 윤곽; 마스크 이미지 또는 상기 마스크 이미지로부터 추출된 윤곽; 레지스트 이미지 또는 상기 레지스트 이미지로부터 추출된 레지스트 윤곽; 및 에칭 이미지 또는 상기 에칭 이미지로부터 추출된 윤곽 중 적어도 하나를 포함하는, 방법.

48. 제 47 항에 있어서, 상기 기준 모델은 비 머신 러닝 모델인, 방법.

49. 제 26 항에 있어서, 상기 트레이닝된 머신 러닝 모델을 통해 상기 패터닝 프로세스에 대한 개선점을 결정하는 단계를 더 포함하는, 방법.

50. 제 49 항에 있어서, 상기 개선점을 결정하는 단계는: 상기 트레이닝된 머신 러닝 모델을 사용한 패터닝 프로세스의 시뮬레이션을 통해, 상기 패터닝 프로세스와 연관된 마스크 패턴에 대한 광학 근접 보정을 결정하는 단계; 상기 트레이닝된 머신 러닝 모델을 사용한 상기 패터닝 프로세스의 시뮬레이션을 통해, 상기 패터닝 프로세스와 연관된 소스 마스크 최적화를 결정하는 단계; 및/또는 상기 트레이닝된 머신 러닝 모델을 사용한 상기 패터닝 프로세스의 시뮬레이션을 통해, 디자인 레이아웃의 패턴들에 대한 기판 상에 프린팅된 패턴들의 패턴 충실도 매칭을 개선하는 단계를 포함하는, 방법.

본 명세서에 개시된 개념들은 실리콘 웨이퍼와 같은 기판 상에 이미징하기 위해 사용될 수 있지만, 개시된 개념들은 임의의 유형의 리소그래피 이미징 시스템, 예를 들어 실리콘 웨이퍼 이외의 기판 상에 이미징하는 데 사용되는 시스템과 함께 사용될 수도 있다는 것을 이해하여야 한다. 본 명세서의 설명은 예시를 위한 것이지 제한하려는 것이 아니다. 따라서, 당업자라면 아래에 설명되는 청구항들의 범위를 벗어나지 않고 서술된 바와 같은 변형예가 행해질 수도 있음을 이해할 것이다.

Claims (16)

1. 명령어가 기록된 비일시적 컴퓨터 판독 가능 매체로서, 상기 명령어는, 컴퓨터에 의해 실행될 때 선택된 패턴 세트를 평가하기 위한 방법을 구현하고, 상기 방법은:
   (i) 패턴 선택 프로세스의 결과로 생성된 제 1 패턴 세트, (ii) 상기 제 1 패턴 세트와 연관된 제 1 패턴 데이터, (iii) 상기 제 1 패턴 데이터와 연관된 특성 데이터, 및 (iv) 제 2 패턴 세트와 연관된 제 2 패턴 데이터를 획득하는 단계;
   상기 제 1 패턴과 연관된 상기 특성 데이터를 기반으로 머신 러닝 모델을 트레이닝하는 단계 - 상기 머신 러닝 모델은, 상기 머신 러닝 모델에 입력된 패턴에 대한 패턴 데이터를 예측하도록 구성됨 - ;
   상기 제 2 패턴 세트를 상기 트레이닝된 머신 러닝 모델에 입력함으로써 상기 제 2 패턴 세트의 예측된 제 2 패턴 데이터를 생성하는 단계; 및
   상기 제 2 패턴 데이터와 상기 예측된 제 2 패턴 데이터를 비교함으로써 상기 제 1 패턴 세트를 평가하는 단계를 포함하는,
   매체.
2. 제 1 항에 있어서,
   상기 제 1 패턴 데이터를 획득하는 단계는:
   상기 제 1 패턴 세트를 입력으로 사용하여 패터닝 프로세스를 시뮬레이션하도록 구성된 기준 모델(reference model)을 실행함으로써 제 1 윤곽(contours) 또는 제 1 이미지를 생성하는 단계를 포함하는,
   매체.
3. 제 1 항에 있어서,
   상기 제 1 패턴 데이터 및 상기 제 2 패턴 데이터를 획득하는 단계는:
   상기 제 1 패턴 세트 및 상기 제 2 패턴 세트를 포함하는 패터닝된 기판의 메트롤로지 이미지로부터 윤곽 또는 이미지를 획득하는 단계를 포함하는,
   매체.
4. 제 1 항에 있어서,
   상기 제 1 패턴 세트는 상기 제 2 패턴 세트의 서브세트(subset)인,
   매체.
5. 제 2 항에 있어서,
   상기 제 2 패턴 데이터는, 상기 제 2 패턴 세트를 입력으로 사용하여 상기 기준 모델을 실행함으로써 생성된 제 2 윤곽 또는 제 2 이미지를 포함하며, 상기 기준 모델은 패터닝 프로세스를 시뮬레이션하도록 구성되는,
   매체.
6. 제 1 항에 있어서,
   상기 특성 데이터는 상기 제 1 패턴 데이터로부터 도출된 게이지(gauges)의 데이터를 포함하고, 상기 게이지는 패턴의 하나 이상의 물리적 특성을 정량화하도록 구성되는,
   매체.
7. 제 6 항에 있어서,
   상기 게이지는:
   상기 제 1 패턴 데이터의 윤곽을 따라 복수의 위치에 위치한 에지 배치 게이지;
   상기 제 1 패턴 세트의 임계 치수(CD) 값들을 측정하도록 구성된 임계 치수(CD) 게이지;
   상기 제 1 패턴 세트의 라인들을 측정하도록 구성된 게이지;
   상기 제 1 패턴 세트의 피처(features)들 간의 간격들을 측정하도록 구성된 게이지;
   팁 투 팁(tip-to-tip) 구조체들을 측정하도록 구성된 게이지; 및/또는
   모델로 예측된 윤곽과 디자인 윤곽 간의 윤곽 차이를 측정하도록 구성된 게이지를 포함하는,
   매체.
8. 제 1 항에 있어서,
   상기 제 1 패턴 세트를 평가하는 단계는:
   상기 제 1 패턴 세트를 사용하여 트레이닝된 상기 트레이닝된 머신 러닝 모델과 연관된 절대 오차의 함수로서 절대 패턴 커버리지(coverage)를 판정하는 단계를 포함하는,
   매체.
9. 제 1 항에 있어서,
   상기 제 1 패턴 세트를 평가하는 단계는:
   상대 오차의 함수로서 상대 패턴 커버리지(relative pattern coverage)를 판정하는 단계를 포함하며, 상기 상대 오차는, 상기 제 1 패턴 세트를 사용하여 트레이닝된 상기 트레이닝된 머신 러닝 모델과 연관된 제 1 오차 범위와, 다른 패턴 세트와 연관된 제 2 오차 범위 간의 비교인,
   매체.
10. 제 1 항에 있어서,
    상기 평가에 기반하여 디자인 레이아웃 내의 위험 패턴(risk patterns)들을 판정하는 단계 - 상기 위험 패턴들은, 오차 임계값(threshold)을 위반하는 모델 측정 오차들과 연관됨 - ;
    상기 제 1 패턴 세트를 상기 위험 패턴들로 보충(supplement)하는 단계를 더 포함하는,
    매체.
11. 제 1 항에 있어서,
    상기 평가에 기반하여, 메트롤로지 툴에 의해 검사될 패턴들의 목록을 식별하는 단계를 더 포함하는,
    매체.
12. 제 1 항에 있어서,
    상기 제 2 패턴 데이터와 상기 예측된 제 2 패턴 데이터 간의 차이에 대한 임계값 위반에 대응되는 상기 제 2 패턴 세트의 위치들을 식별하는 단계;
    상기 식별된 위치들과 연관된 하나 이상의 패턴으로 상기 제 1 패턴 세트를 보충하는 단계 - 상기 보충된 제 1 패턴 세트는 상기 제 1 패턴 세트에 비하여 더 큰 패턴 커버리지를 가짐 - ; 및
    상기 보충된 제 1 패턴 세트를 사용하여 또 다른 머신 러닝 모델을 트레이닝하는 단계를 더 포함하는,
    매체.
13. 제 2 항에 있어서,
    상기 기준 모델은 상기 패터닝 프로세스를 특징짓는 하나 이상의 모델을 포함하고, 상기 기준 모델은 소스 모델, 광학 모델, 레지스트 모델 및 에칭 모델 중 하나 이상을 포함하는,
    매체.
14. 제 1 항에 있어서,
    상기 제 1 패턴 데이터, 상기 제 2 패턴 데이터, 및 상기 예측된 제 2 패턴 데이터는:
    에어리얼(aerial) 이미지 또는 상기 에어리얼 이미지로부터 추출된 윤곽;
    마스크 이미지 또는 상기 마스크 이미지로부터 추출된 윤곽;
    레지스트 이미지 또는 상기 레지스트 이미지로부터 추출된 레지스트 윤곽; 및
    에칭 이미지 또는 상기 에칭 이미지로부터 추출된 윤곽 중 적어도 하나를 포함하는,
    매체.
15. 제 2 항에 있어서,
    상기 기준 모델은 캘리브레이션된(calibrated) 비 머신 러닝(non-machine learning) 모델인,
    매체.
16. 제 1 항에 있어서,
    상기 방법은:
    상기 트레이닝된 머신 러닝 모델을 사용한 패터닝 프로세스의 시뮬레이션을 통해, 상기 패터닝 프로세스와 연관된 마스크 패턴에 대한 광학 근접 보정(optical proximity corrections)을 결정하는 단계;
    상기 트레이닝된 머신 러닝 모델을 사용한 상기 패터닝 프로세스의 시뮬레이션을 통해, 상기 패터닝 프로세스와 연관된 소스 마스크 최적화(source mask optimization)를 결정하는 단계; 및/또는
    상기 트레이닝된 머신 러닝 모델을 사용한 상기 패터닝 프로세스의 시뮬레이션을 통해, 디자인 레이아웃의 패턴들에 대한 기판 상에 프린팅된 패턴들의 패턴 충실도 매칭(pattern fidelity matching)을 개선하는 단계를 포함하는,
    매체.

Images