TW201243738A - Accurate and fast neural network training for library-based critical dimension (CD) metrology - Google Patents

Description

201243738 六、發明說明： 【發明所屬之技術領域】 本發明之實施例屬於光學計測之領域，且更特定言之係 關於用於基於光譜庫之臨界尺寸（CD)計測之準確且快速神 . 經網路訓練之方法。 【先前技術】 光學计測技術一般在製程期間稱為散射術（提供用以特 性化一工件之參數可能性）。實際上，將光引導於形成於 一工件中的一週期光柵上及量測且分析所反射之光之光譜 以特性化光柵參數。特性參數可包含臨界尺寸（CD)、側壁 角（SWA)、特徵高度（HT)等，其影響材料之反射率及折射 率°光柵之特性化藉此可特性化工件以及用於形成該光拇 及該工件之一製程》 幾年來’嚴格耦合波方法（RCWA)及類似演算法已廣泛 用於研究及設計繞射結構。在RCWA方法中，週期結構之 輪廓近似給定數量之足夠薄平坦光柵平板。具體言之， RCWA涉及三個主要操作：即，傅立葉（Fourier)展開光柵 内之場；計算特性化繞射信號之一恆定係數矩陣之特徵值 及特徵向量；及求解自邊界相配條件推斷之一線性系統。 戮 RCWA將該問題分成三個相異空間區域：1)支樓入射平面 波場及遍及所有經反射之繞射階數之一總和之周圍區域； 2)於其中波場被視為與各繞射階數相.關聯之模態之一疊加 之光柵結構及下伏非圖案化層；及3)包含經透射之波場之 基板。 162747.doc 201243738 RCWA解決方案之準確性部分取決於保留在波場之空間 諧波展開中的項目數，通常能量守恆令人感到滿意。所保 持之項目數為在計算期間考慮之繞射階數之數目之一函 數。有效產生用於一給定假想輪廓之一模擬繞射信號涉及 選擇繞射信號之橫向磁（TM)分量及/或橫向電（TE)分量兩 者之各波長處的最佳繞射階數集。以數學方式選擇之繞射 階數越多，模擬越準確。然而，繞射階數之數目越高，計 算模擬繞射信號所需之運算越多。此外，運算時間為所使 用之階數數目之一非線性函數。 【發明内容】 本發明之實施例包含用於基於光譜庫之CD計測之準確 且快速神經網路訓練之方法。 在一實施例中’一種用於基於光譜庫之CD計測之準確 神經網路訓練之方法包含：最佳化一光譜資料集之一主分 量分析（PCA)之一臨限值以提供一主分量（pc)值；估計一 或多個神經網路之一訓練目標；基於該訓練目標及自最佳 化該PCA之臨限值提供之該PC值兩者訓練該一或多個神經 網路，基於該一或多個經訓練之神經網路提供一光譜庫。 在另一實施例中’一種機器可存取儲存媒體具有儲存於 其上使一資料處理系統實行用於基於光譜庫之CD計測之 準確神經網路訓練之一方法之指令。該方法包含：最佳化 一光谱資料集之一主分量分析（pCA)之一臨限值以提供一 主刀量（PC)值’估計一或多個神經網路之一訓練目標；基 於該訓練目標及自最佳化該PCA之臨限值提供之該PC值兩 162747.doc 201243738 者訓練該-或多個神經網路；基於該一或多個經訓練之神 經網路提供一光譜庫。 一實施例中，一種用於基於光譜庫之CD計測之快速 神經網路訓練之方法包含：提供用於—第—神經網路之一 訓練目標’訓練該第一神經網路；該訓練包含以預定數目 之神絰7G開始且反覆增加神經元數目直至達到最佳化神經 元總數；基於該訓練及該最佳化神經元總數產生—第二神 經網路，基於該第二神經網路提供一光譜庫。 在另一實施例中，一機器可存取儲存媒體具有儲存於其 上時-資料處理系統實行用於基於光譜庫之CD計測之快 速神經網路訓練之-方法之指令。該方法：提供用於一第 -神經網路之-訓練目#;訓練該第—神經網路；該訓練 包含以預；t數目之神經元開始且反覆增加神經元數目直至 達到最佳化神經元總數；基於該訓練及該最佳化神經元總 數產生一第二神經網路；基於該第二神經網路提供一光譜 庫。 曰 【實施方式】 本文揭示用於基於光譜庫之CD計測之準確且快速神經 網路訓練之方法。在下列描述中，閣釋多個特定細節(諸 如，神經網路之實例）以提供本發明之實施例之一透徹理 解。熟習此項技術者將瞭解’本發明之實施例亦可在沒有 此等特定細節之情況下實踐。在其他例子中，未詳細描述 已知處理操作（諸如，涉及製造光柵結構之操作）以不必要 地使本發明之實施例模糊。此外，應理解，展示於圖中的 162747.doc 201243738 各種實施例為繪示性表示且不-定按比例繪製。 隨著半導體及；f目關結構之複雜性之增加，針對許多最新 近應用’用於光學臨界尺寸模擬之光譜庫形成面臨獲得良 好準確性之挑戰。例如，—使用者可能花費若干個星期來 建置不同光譜庫，㈣對參考計測難於達成良好光譜庫迴 相配及良好1十測不確定性（TMU)。本發明之態樣可對 一使用者提供高準確性光譜庫，小型光譜庫大小及快速解 ' 使用者可忐不需要花費若干個星期來建置過多 不同光譜庫，但仍可獲得良好準確性。 中多具有反覆本質之訓練方法已實施用於光譜庫開發 及比較。1^等訓練方法包含雷文柏格-馬括特(Levenberg. ―邮演算法、逆傳播演算法及N2X演算法之變更。 此等方法之問題可能在於：其非常耗時間。若正確猜測神 經70數目’則該等演算法將隨著大量反覆而收敛。若㈣ -數目太少’則該等演算法不收敛且停止直 經元最大數目。 崎^甲 在本發明之一離描中 、 t、樣中如供—種準確神經網路訓練方 法。圖1描繪根據本發明之一膏 貫施例表示用於基於光譜庫 之心十測之準確神經網路訓練之-系列例示性操作之一 流程圖100。 怖1卞之 參考机程圖1〇〇之操作1〇2，一 Μ隹夕一+ 万去包3最佳化一光譜賓

枓集之一主分量分析（PC 吁黑杜) t限值。在一實施例中， «亥最佳化^供—主分量（Pf …在—實施例中，該最佳化 曰在最小化藉由PC A引 决差。該光譜資料集可基於 162747.doc 201243738 源於一光柵結構之一繞射量測之一經量測或模擬光譜，如 下文更詳細描述。 在本發明之一實施例中，自動最佳化PC A臨限值。該最 佳化可最小化藉由PCA引入至後續神經網路訓練中的誤 差。例如’習知方法通常利用PCA臨限值之一恆定值，例 • 如，一PCA引入之誤差具有約10.5之一量值。在一實施例 中，最佳化PCA之臨限值包含判定一最低位準光譜域。在 一特定此實施例中’ PCA引入之誤差具有小於1〇·5之一量 值，例如，約1〇-8至1〇·9之一量值。 在一實施例中，最佳化PCA之臨限值包含判定一第一 PCA臨限值。例如’—給定PCa臨限值或分數（fracti〇n number)可設定為t=l〇.5之一臨限值。將PCA應用至一光譜 資料集。例如，將PCA應用至一光譜資料集s以獲得PC值 p=t*s ’其中丁為矩陣。計算藉由應用PCA引入之一光譜誤 差。例如，其中T，為T之轉置。接著，比較該 光譜誤差與-光譜雜訊位準。在一實施例中，光譜雜訊位 準係基於一光學臨界尺寸（〇CD)硬體規格資訊。硬體規格 . 資訊可與硬體（諸如，下文結合圖9描述之系統）相關聯。 . 當比較光譜誤差與一光譜雜訊位準時，可應用下列準 則：ε為一給定準則或光譜雜訊位準當作預設，若， 則輸出t，否則t=t/1〇，且重複最佳化。因此，在一實施例 中，若光譜誤差小於光譜雜訊位準，則將第一pCA臨限值 設定為PC值。在另—實施例中，若光譜誤差大於或等於光 譜雜訊位準，則判定一第二PCA臨限值，且重複應用、計 162747.doc 201243738 算及比較。 在一實施例中，最佳化PCA之訓練目標包含使用一繆勒 域誤差寬容度（Mueller domain error tolerance)。例如’對 於光譜庫訓練之當前技術’可將各PCA之一誤差目標設定 為10_5。將誤差目標設定為此一值沒有明確的理由且PC A 10_5誤差目標與一相關聯光譜誤差之間沒有關係》並且， 將每個PCA設定成相同誤差目標不一定係有利的，此係因 為PCA對光譜之貢獻可能不同。在下列例示性方法中，將 谬勒域^^差寬谷度轉換成各PCA域誤差寬容度且設定為 PCA訓練目標。 在訓練之前，將神經網路訓練輪廓轉換成缪勒。自谬勒 元素（ME)，基於訓練樣本資料對各波長實行正規化。接 著，對正規化之繆勒元素（NME)實行PCA以獲得用於訓練 之PC信號。因此，第j個波長繆勒元素處的第丨個樣本 可寫成為如下：

PCU = Σ ^ip * (pJ * Stdj -h Mearij PC#:總PC數 :第〗個波長標準偏差及平均值 對於每個樣本卜％始終乘以相同因數以獲㈣勒元 二：=ij誤差寬容度設定為°·。。1，則第P個PC將具有 如下之誤差預算： ΕΤρ 0.001/PC# 訓練期間 其中ΕΤρ為第p個主分量值之誤差寬容度。在 I62747.doc 201243738 % 各pc將具有其自身訓練目標，及增加網路之神經元數目以 滿足訓練誤差目標》 參考流程圖100之操作1〇4,該方法進一步包含估計一或 多個神經網路之一訓練目標。 • 根據本發明之-實施例，-更準確訓練目標係用於各神 • 經網路。在一此實施例中，考量PCA及正規化以估計各神 反網路之訓練目標。在一實施例中，基於pc A變換及硬體 k號雜訊位準來估計訓練目標。 參考流程圖100之操作106，該方法進一步包含基於訓練 目k及PC值訓練一或多個神經網路。 根據本發明之一實施W，實行過度訓練谓測及控制。該 方法可用於偵測且控制過度訓練，同時在雷文柏格-馬括 特（LM)反覆期間增加神經元數目及過度訓練。在一實施例 中’該訓練亦基於上文操作1〇4之訓練目標。應理解，該 訓練可基於多於一個之最佳化pc值，及(如)基於許多個最 佳化PC值。亦可使用未最佳化及最佳化^值之一組合。 參考流程圖100之操作1〇8，該方法進一步包含基於一或 .乡個經訓練之神經網路提供一光譜庫。在一實施例中，該 光5醤庫為一尚準確性光譜庫。 在本發明之—實施例中，提供具有良好-般化之-高準 確性光错庫。在一此實施例中，基於用於各訓練輸出域之 個別誤差目標，藉由檢查訓練集誤差方法及驗證集誤差方 法兩者開發-動態增加神經元數目方法以具有高準確性及 良好一般化基於神經元網之光错庫。先前神經元數目反覆 162747.doc 201243738 權數可㈣為當前神經元網路結構之初始隸以加速訓 練。 在一例示性實施例中，已開發一種方法以在用於〇〇計 測之整個光譜庫訓練方法中改良若干不同區域令的神經元 網訓練。自測試，已達成關於光譜庫迴歸相配之實質改 良。例如，光譜庫誤差範圍（諸如，3標準差誤差範圍）可比 由先前訓練方法產生之光譜庫小10倍以上。該誤差範圍可 接近精確位準，同時實施一更小訓練集。相對於習知方 法，使用一動態增加樣本光譜庫方法可提供經改良之收斂 行為，且可僅需要用於建置一經改良之光譜庫之一更小樣 本集。動態增加樣本光譜庫方法之一優點在於：對使用者 提供高準確性及精確性位準、較小之光譜庫大小及快速解 決方案以獲得一非常好之光譜庫作為最後解決方案。 圖2A係論證與處於關閉狀態之一動態增加樣本光譜庫方 法相配之光譜庫迴歸之一標繪圖200。圖⑶係根據本發明 之一實施例論證與處於開啟狀態之一動態增加樣本光譜庫 方法相配之光譜庫迴歸之一標繪圖21〇。參考圖2a及圖 2B，運用處於開啟狀態之一動態增加樣本光譜庫方法，需 要極少之樣本（例如，8〇〇〇對3〇〇〇〇)以達成良好相配。 圖2C包含根據本發明之一實施例比較一 3標準差誤差範 圍與增加光譜庫樣本大小之一對標繪圖22〇及23〇。參考圖 2C ’ 3標準差誤差範圍回應於樣本大小而改變（例如，習 知方法之處於關閉狀態動態增加樣本光譜庫方法，回應為 5小時，相對於在本發明之一實施例中處於開啟狀態動態 162747.doc 201243738 增加樣本光譜庫方法 增加樣本光譜庫方法 間。 回應為3小時）。因此，使用一動態 可明顯減少達成一所要結果之時 貫施例中’再次參考流程圖100，高準確性光譜庫 ^ S模擬光譜，及結合流程圖1 〇〇描述之方法進一步包 =交模擬光譜與一樣本光譜之一操作。在一實施例中， 該模擬光譜自一空間諧波階數集獲得。在一實施例中，自 結構收集樣本光譜，諸如（但不限於）一實體參考樣本或 貫體產no樣本。在一實施例中，藉由使用一迴歸計算來 實订比較。在-實施例中，在該計算中同時使用-或多個 非差分信號。該一或多個非差分信號可為（諸如，但不限 於）方位角、入射角、偏光角/分析角或額外量測目標。 在本發明之另一態樣中，提供一種快速神經網路訓練方 法。圖3描繪根據本發明之一實施例表示用於基於光譜庫 之CD計測之快速神經網路訓練之一系列例示性操作之一 流程圖300。圖4A至圖4F進一步繪示圖3中描繪之方法之態 樣。 參考流程圖300之操作302, 一種方法包含提供用於一第 一神經網路之一訓練目標。參考流程圖3〇〇之操作3〇4，訓 練該第一神經網路，該訓練包含以預定數目之神經元開始 且反覆增加神經元數目直至達到最佳化神經元總數。參考 流程圖300之操作306，基於該訓練及該最佳化神經元總數 產生一第二神經網路。應理解，可實行許多此等反覆以達 到最佳化神經元總數。參考流程圖3〇〇之操作3〇8，基於該 162747.doc -11 - 201243738 第二神經網路提供一光譜庫。 在一實施例中，關於「快速」訓練’一前饋神經網路係 用於實施一非線性映射函數使得产F(p)e該非線性映射函 數F在判定一光譜或若干光譜時係用作為一後設模型以與 一給定輪廓相關聯。可相對較快地實行關於運算時間及成 本之判定。在一實施例中，在一訓練程序中以一訓練資料 集（Pi，yi)判定該函數。一神經網路可用於近似此一任意非 線性函數。例如，圖4A繪示根據本發明之一實施例之二隱 蔽層神經網路。 參考圖4A，根據等式丨，自輸入p至輸出y之真實映射函 數Ftrue(P)可以一數學方式近似二隱蔽層神經網路4〇〇。 Y=Ftrue(p)~F(p)=vT*G1[h*G2(W*p+d)+e] + q ⑴ 其中G1及G2為非線性函數。鑒於一訓練資料 找出使F(P)最好表示Ftrue(p)之W、h、d、e、ντ及q之一集 稱為訓練。根據等式2,該訓練可視為求解用於最小化均 方誤差之一最佳化問題：

Ce>st=~ ρ(ρ^)2=^ e?e ί=1 (2) 後續問題或散包含：⑴於隱蔽層中應使用多少神經 元數目？；及（2)如何訓練神經網路以具有一規定準確性？ 關於神經το數目之判定，有兩種方法來回答上文之第一 個問題。第-種方法為啓發式方法。該啓發式方法涉及將 所使用之神經元之最小數目及最大數目設定為兩個數叫8 及30。當用於訓練資料之主分量數目小於或等於⑸夺，使 162747.doc -12- 201243738 用18個神經元。當主分詈數日士 田刀重數目大於或等於80時，使用30個 神經元。當主分量數目落於兩者之間時，使用線性内插法 以決定合適的神經元數目。該啓發式方法之一潛在問題可 能在於：主分量數目與應使用之神經元數目不相關。 用於決定上述第-個問題之—答案之第：種方法係一種 與各種訓練方法結合之方法。首先’估計可使用之最大神 經元數目，例如’將該數目標記為Mmax。接著使用下 列反覆程序以決定㈣元數目且㈣對應網路：設定 m=l〇’接著⑴訓練具“個神經元之—網路；若該方法收 斂則停止，否則（2)备（m+5)大於Mmax，則停止，否則 ⑺使爪增加5’轉至操作卜然而，上述方法可能非常耗時 間。 猜測一前饋神經網路中的最佳神經元數目以擬合一非線 性函數為一NP-完全問題（亦即，具有多項式時間複雜性且 無已知解決方案之一類問題）。因此，根據本發明之一實 施例且如下文更詳細描述，一快速最佳化方法包含在訓 練期間逐漸增加網路中的神經元數目直至決定能提供一指 定準確性之一最佳神經元數目。 關於一演算法描述，在一實施例中，一增量訓練演算法 為利用一演算法來訓練一神經網路之一複合方法。在一實 施例中，使用一經修改之雷文柏格_馬括特演算法。針對 該問題，最初雷文柏格-馬括特演算法被簡要地描述為如 下心°己亞可比式（Jac〇bian)J=$，其中w為一神經網路之 W、h、d、e、ντ及q中的元素。以反覆丨評估】且找到^使 162747.doc -13- 201243738 得： (JT/+ μΐ) Sw = JTE9 其中I為一單位矩陣（identity matrix)及μ為於每次反覆中 調整之按比例調整常數。藉由更新w。評估使 用新w之成本；若成本小於規定值（例如，1 〇·5)，則停止。 否則，繼續下一反覆直至反覆數大於規定數（例如，2〇〇)。 換言之，有使得演算法停止反覆之兩種可能情況。第一種 情況在於：成本函數小於規定值。第二種情況在於：反覆 數大於最大反覆數。一觀察在於：雷文柏格-馬括特演算 法非常有效地減少最前面1〇次反覆之成本（均方值）。此 後’減少速率明顯減慢。 替代地，在-實施例中’根據停止準則對本文所應用之 上述雷文柏格馬括特演算法作修改。即，添加一準則： 若相較於「『」個連續反覆之先前反覆之成本，該成本未

減少X°/〇，則停止。眘；^ L 貫仃額外準則以偵測不足擬合。接 著’呈現增量訓練演算法：提供—給定訓練集（^)作為 輸入’及提供η個神經元數目⑽蔽層網路之權數）作為輸 出。此後’執行下列操作：⑴估計最大神經元數目例 如’標記為Nmax ;⑵蔣说彡--私 將神經兀數目n設定為4 ; (3)Nguyen-Widrow 演算法後 从， 貞异去係用於初始化權數W ; (4)當 (n<Nmax)時，（a)使用經修改 _ _ A 之雷文柏格-馬括特方法訓練 戎網路，（b)若成本小於一楣〜 从“ 「規疋值，則停止該判定，若⑷ 右相較於「r」個連續試驗 0/ 巧驗之先刖成本，該成本未減小 Χ/ο，則停止該判定，（心 )視情况，使用一驗證資料集：若 162747.doc 201243738 對於t個連續試驗增加驗證資料之誤差，則停止該判定， ⑷將η設定為n+2，及藉由使用舊神經網路中的經訓練之權 數建構新神經網路。接著，隨機數字被指派至新權數，及 重複操作4a至4e。 應理解’雷文柏格-馬括特之修改對於快速訓練方法係 重要的。該修改可在減少速率為小且替代增加神經元數目 時允許停止演算法。即’修改相當於偵測不足擬合。實際 上，在一實施例中，發現x=l〇及r=4為一良好選擇q使 用除了雷文柏格馬括特之外的演算&，前提為已進行適 當修改。關於操作4e，該操作允許搜尋跳出一局部最小 值其通常藉由基於梯度之最佳化演算法（諸如，雷文柏 格-馬括特）而導致。該雷文柏格-馬括特方法提供權數起始 值之-良好集。上述操作4c及4d為防止大量神經元數過度 訓練之方法》 Λ 在一實施例中，增量演算法之-進—步擴展可實施為如 下：為簡潔之故假定訓練原始資料，其包含不同輪廓之繆 勒元素，而#主分量。㈣-步擴展可描述於下列操作^ 中：⑴蓉於一輪靡集（即，Νρ)，使用上述新演算法訓練一 神經網路以表示自-輪廟至元素之非線性映射；（2) 一ΝΡ+=δΝρ方法係用於訓練用Νρ輪廓定義之網路，若 該Νρ+=δΝρ方法停滯，則增加神經元數目以更準確表矛 線性映射，（b)若該Νρ+=δΝρ方法收斂’則使用當前網路7 (3)針對非線性映射評估當前神經網路模型之準確性， 若滿足所要準確性，則此處停止該方法，（b)否則藉= 162747.doc 201243738 叫增加輪廟數，及該方法包含再次返回至操作2。 圖4Β繪示根據本發明之—實施例之用於基於光譜庫之 CD計測之—快速神經網路訓練之—實際回應表面之一 MaUab標繪圆41〇β參考圖4b，使用具有兩個未知數之一 函數以使用赫爾頓（HaltQn)準隨機數字產生器來產生1〇〇〇 個訓練樣本及1 00個驗證樣本。 圖4C係根據本發明之—實施例比較增量演算法之收敛歷 程與單發雷文柏格·馬括特演算法之一標繪圖侧。參考圖 4 c比較增量訓練演算法之收敛歷程與最初雷文柏格-馬 括特演算法（標為單發方法，此係因為該方法提供經估計 之神’!兀數目(例如’各隱蔽層中具有⑵固神經元)之單發 訓練^標繪圖42Q之増量㈣部分由於W的操作而展現 為長釘狀’但該演算法能有效減少成本返回至先前位準。 。單發方法停滯且未於2〇〇次反覆内收斂。該雷文柏格-馬 括特之-反覆之計算複雜性為〇(n6)，其中η為二隱蔽層網 路中的神么7L數目。對於增量演算法’藉由訓練神經元數 目之最後值支配執行時間。因此，藉由相較於該增量訓練 之最後階射岐難及用於單發方法巾的反覆數，所計 劃之增$演算法之效能為優於單發方法一數量級。 圖4D係繪示根據本發明之-實施例用於基於光譜庫之 CD計測之—快速神經網路訓練之H以之1㈣ 430。參考圖4D，在二維測試實例中，有四個自由度，一 自由度用於頂部尺寸’―自由度用於底部尺寸及兩個自由 度用於向度。亦展示參數範圍。自動截取階數（u_ion 162747.doc 201243738 order)係用於RCWA模擬。有251個波長。啟用一動態增加 樣本光譜庫方法且有多於14,000個所產生之輪廟以建立— 光譜庫。 圖4Ε包含根據本發明之一實施例比較用於基於光譜庫之 CD計測之一快速神經網路訓練之一光譜之結果之一對標 繪圖440及450。參考圖4E，出於簡潔之目的，僅標繪各^ 段之結尾處之成本值》運用增量訓練，該應用隨著Η?次 總反覆而收斂及最後神經元數目為22 ^注意，在為主要部 分之最後階段僅有7次反覆。運用使用一動態增加樣本: 譜庫之訓練演算法，該方法隨著712次反覆而收敛及最後 神經元數目為25。注意’該方法在最後階段利用iu次反 覆。 圖4F包含根據本發明之一實施例比較用於基於光譜庫之 CD計測之_快速神經網路訓練之__第二光譜之結果之一 對標繪圖460及470。參考圖4F，i現與圖4E相同之測試實 例中的另-光譜之結果。運用增量訓練，該方法針對最後 神經元數目為40而言需要請次總反覆，&中最後階段僅 使用9次反覆。運用習知訓練方法，該方法在12〇〇次反覆 之後不收斂。 更-般而吕’至少關於本發明之一些實施例，已發現用 於神經網路之-新訓練方法。在執行演算法期間，判定障 蔽層之—最佳化神經元數目。尤其若可估計正確的神㈣ 數目’則該演算法可比單發雷文柏格-馬括特快一數量 級。該演算法可比習知方法快若干數量級。 162747.doc -17- 201243738 中’判定隱蔽層中的最佳化神經元數目。在一實施例中， 上述方法以非常快方式訓練網路。 在一實施例中，再次參考流程圖300，所產生之光譜庫 包含一模擬光譜，及結合流程圖300描述之方法進一步包 含比較模擬光譜與一樣本光譜之一操作。在一實施例中， 自一空間諧波階數集獲得模擬光譜。在一實施例中，自一 結構收集樣本光譜’諸如（但不限於）一實體參考樣本或一 貫體生產樣本。在一實施例中’藉由使用一迴歸計算來實 行比較。在一實施例中，在該計算中同時一或多個非差分 信號。該一或多個非差分信號可為（諸如，但不限於）方位 角 '入射角、偏光角/分析角或額外量測目標。 任意合適神經網路可用於實行結合流程圖1〇〇及3〇〇描述 之一或多種方法。作為一實例，圖5描繪根據本發明之一 實施例之用於產生一光譜資訊庫之一例示性神經網路之選 擇元素。 參考圖5，一神經網路500使用一逆傳播演算法。神經網 路500包含一輸入層502、一輸出層504以及介於輸入層502 與輸出層504之間的一隱蔽層506。使用連結508連接輸入 層502及隱蔽層506。使用連結5 1〇連接隱蔽層506及輸出層 5〇4。然而，應認知，該神經網路s〇()可包含以一般習知於 神經網路技術中之各種組態連接之任意數量之層。 如圖5所描繪’輸入層502包含一或多個輸入節點5〖2。 在本例示性實施方案中，輸入層5〇2中的一輸入節點5 12對 應於輸入至神經網路500中的輪廓模型之一輪廓參數。因 162747.doc •18· 201243738 此’輸入節點512之數量對應於用於特性化輪廓模型之輪 廓參數之數量例如，若使用兩個輪廓參數（例如，頂部 臨界尺寸及底部臨界尺寸）特性化一輪廓模型，則輸入層 5〇2包含兩個輸入節點512，其中一第一輸入節點512對應 於第一輪廓參數（例如，一頂部臨界尺寸）及一第二輸入 P 12對應於一第二輪廊參數（例如，一底部臨界尺寸）。 在神經網路500中，輸出層5〇4包含一或多個輸出節點 514。在本例示性實施方案中，各輸出節點514為一線性函 數。然而，應認知，各輸出節點5 14可為各種類型之函 數。此外，在本例示性實施方案中，輸出層5〇4中的一輸 出節點514對應於自神經網路5〇〇輸出之模擬繞射信號之一 維。因此，輸出節點514之數量對應於用於特性化該模擬 繞射信號之維數。例如，若使用對應於（例如）五個不同波 長之五維特性化一模擬繞射信號，則輸出層5包含五個 輸出卽點514，其中一第一輸出節點514對應於一第一維 (例如 第一波長），一第二輸出節點5 14對應於一第二維 (例如’一第二波長）等。此外，對於增加之效能，可基於 模擬繞射信號之分離分量及/或該模擬繞射信號之分量之 維數將神經網路500分成複數個子網路。 在神&網路500中’隱蔽層5〇6包含一或多個隱蔽節點 516。在本例示性實施方案中，各隱蔽節點516為—§形轉 移函數或-徑向基函數。然j ’應認知，各隱蔽節點516 可為各種類狀函數H在本例純㈣财，基於 輸出節點514之數量判定隱蔽節點516之數量。更特定言 162747.doc -19- 201243738 之，隱蔽節點5 16之數量（m)與輸出節點5丨4之數量（n)呈一 預定比率（r=m/n)關係。例如，當r=1〇時，對於各輸出節點 5 14有10個隱蔽節點516。然而，應認知，該預定比率可為 輸出節點514之數量對隱蔽節點516之數量之一比率（亦 即，i-n/m)。此外，應認知，可在基於該預定比率判定隱 蔽節點516之初始數量之後調整神經網路5〇〇中的隱蔽節點 516之數量。此外，基於經驗及/或實驗（而非基於該預定比 率）判定神經網路500中的隱蔽節點516之數量。 在一實施例中，上文所描述之光譜庫可包含二維或三維 光柵結構之個別特徵之一或多個參數。在本文術語「三維 光栅結構」係用於指具有一 χ-y輪廓之一結構，該結構除 了改變Z方向上的深度外亦可在兩個維中改變。例如，圖 6A描繪根據本發明之一實施例具有在x_y平面中改變之一 輪廓之一週期光柵600。該週期光柵之輪廓依據x_y輪廓而 在z方向上改變。 在本文術語「二維光柵結構」係用於指具有一 輪廓 之一結構，該結構除了改變z方向上的深度之外僅在一維 t改變。例如，圖6B描繪根據本發明之一實施例具有在χ 方向上改變但不在y方向上改變之一輪廊之一週期光柵 602。該週期光柵之輪廓依據\輪廓而在2方向上改變。應 理解，缺乏在二維結構之y方向上之改變不需要無限大， 但圖案中的任意中斷被為視為長範圍，例如，丫方向上之 圖案中的任意中斷在實質上與\方向上之圖案中的中斷進 一步隔開。 162747.doc •20- 201243738 實施例中’在個別特徵為二維或三維光栅結構之情 一第參數為該個別特徵之一（諸如，但不限於）寬 又Π»度長度、頂部圓角、底部基腳或側壁角。晶圓結 # _ # #之光學性質（諸如’折射率及消光係數…及⑼亦 可經模型化用於光學計測。 及_之方法提供之光譜庫，在一 實施例中Λ方法包含基於與該光譜庫中的模擬參數一 致或不致改變一製程工具之參數。可藉由使用一技術 (諸如(仁不限於)-回饋技術、—前饋技術及一原地控制技 術）實订改變製程工具之參數。在一實施例中，該光譜庫 可用於在-CD計測工具處方中更準確地設立一器件結構 輪廓及幾何形狀。在-實施例中，該光譜庫係用作為cd 汁測工具驗證、診斷及特性化之一部分。 如上文所描述，使用一光譜庫可包含比較一模擬光譜與 一樣本光譜。在一實施例中，模擬—繞射階數集以表示藉 由來自二維或三維光柵結構之一橢圓量測光學計測系統產 生之繞射信號。結合圖9於下文描述此一光學計測系統。 然而，應理解，相同概念及原理同樣應用於其他光學計測 系統’諸如，反射量測系統。所表示之繞射信號可考量二 維或三維光栅結構之特徵，諸如（但不限於）輪廓、尺寸或 材料組合物。 基於計算之模擬繞射階數可指示一圖案化膜（諸如，— 圖案化半導體膜或光阻層）之輪廓參數，且可用於校準自 動化製程或設備控制。圖7描繪根據本發明之—實施例表 162747.doc -21 · 201243738 示用於判定且利用自動化製程及控制設備之結構參數（諸 如，輪廓參數）之一系列例示性操作之一流程圖700。 參考流程圖7〇〇之操作702，開發一光譜庫或經訓練之機 器學習系統（MLS)以自一經量測之繞射信號集提取輪廓參 數。在操作704中，使用光譜庫或經訓練之MLS判定一結 構之至少一輪廓參數。在操作706中，將該至少一輪廓參 數傳輸至經組態以實行一處理操作之一製造叢集，其中該 處理操作可在進行量測操作704之前或之後於半導體製造 製程流程中執行。在操作7 〇 8中，該至少一經傳輸之輪廓 參數係用於修改藉由製造叢集實行之處理操作之一製程變 數或設備設定。 對於機器學習系統及演算法之一更詳細描述，參見於 2003年6月27日申請之標題為「OPTICAL METROLOGY OF STRUCTURES FORMED ON SEMICONDUCTOR WAFERS USING MACHINE LEARNING SYSTEMS」之美國專利第 7,831，528號，其之全文以引用的方式併入本文中。對於二 維重複結構之繞射階數最佳化之一描述，參見於2006年3 月 24 日申請之標題為「OPTIMIZATION OF DIFFRACTION ORDER SELECTION FOR TWO-DIMENSIONAL STRUCTURES」 之美國專利第7,428,060號，其之全文以引用的方式併入本 文中。 圖8係根據本發明之一實施例用於判定且利用自動化製 程及設備控制之結構參數（諸如，輪廓參數）之一系統800之 一例示性方塊圖。系統800包含一第一製造叢集802及光學 162747.doc -22· 201243738 計測系統804。系統800亦包含一第二製造叢集806。儘管 於圖8中繼第一製造叢集802之後描繪該第二製造叢集 8〇6，然而應認知，於系統800中第二製造叢集806可位（及 於（例如）製造流程中）的第一製造叢集802之前》 可使用第一製造叢集802實行光學微影製程（諸如，曝光 及顯影應用至一晶圓之一光阻層）。在一例示性實施例 中’光學計測系統804包含一光學計測工具808及處理器 810。光學計測工具808經組態以量測自該結構獲得之一繞 射信號。若該經量測之繞射信號與模擬繞射信號相配，則 將輪廓參數之一或多個值判定為與該模擬繞射信號相關聯 之輪廓參數之一或多個值。 在一例示性實施例中’光學計測系統804亦可包含具有 複數個模擬繞射信號及與該複數個模擬繞射信號相關聯之 一或多個輪廓參數之複數個值之一光譜庫812。如上文所 描述，可預先產生該光譜庫。計測處理器81 〇可比較自一 結構獲得之一經量測之繞射信號與該光譜庫中的複數個模 擬信號。當找到一相配模擬繞射信號時，採用與該光譜庫 中的相配模擬繞射信號相關聯之輪廓參數之一或多個值成 為用於晶圓應用之輪廓參數之一或多個值以製造該結構。 系統800亦包含一計測處理器810。在一例示性實施例 中’處理器81G可將—或多個輪fp參數之-或多個值傳輸 至。十測處S H 816。接著’計測處理器816可基於使用光學 汁測系統804判定之一或多個輪廓參數之一或多個值來調 整第製&叢集8G2之-或多個製程參數或設備設定。計 162747.doc •23· 201243738 測處理器816亦可基於使用光學計測系統8〇4判定之一或多 個輪廓參數之一或多個值來調整第二製造叢集8〇6之—^ 多個製程參數或設備設定。如上文所提及，製造叢集^6 可在製造叢集802之前或之後處理晶圓。在另一例示性實 施例中’處理器81〇經組態以使用經量測之繞射信號集作 為至機器學習系統8 14之輸入及使用輪廟參數作為機器學 習系統814之期望輸出來訓練機器學習系統814 ^ 圖9係繪示根據本發明之實施例使用光學計測來判定— 半導體晶圓上之結構之輪廓之一架構圖。光學計測系統 900包含將一計測光束9〇4投影於一晶圓9〇8之目標結構 處的一計測光束源902。該計測光束904以一入射角㊀朝向 該目標結構906投影。藉由一計測光束接收器912量測繞射 光束910。將繞射光束資料914傳輸至一輪廓應用伺服器 9 16。該輪廓應用伺服器9丨6比較該經量測之繞射光束資料 914與表示目標結構及解析度之臨界尺寸之變化組合之模 擬繞射光束資料之一光譜庫918。 根據本發明之一實施例，模擬繞射光束資料之至少一部 分係基於經判定兩個或兩個以上方位角間之一差異。根據 本發明之另一實施例，該模擬繞射光束資料之至少一部分 係基於針對兩個或兩個以上入射角所判定之一差異。在一 例不性實施例中’選擇與經量測之繞射光束資料914最優 相配之光譜庫91 8的例項。應理解，儘管繞射光譜或信號 之一光譜庫及相關假想輪廓常用於闡釋概念及原理，然而 本發明同樣適用於包含（諸如，迴歸神經網路中的）模擬繞 162747.doc -24 - 201243738 射信號及相關輪廓參數集之一光譜資料空間及用於輪廓提 取之類似方法。假定經選擇之光譜庫91 8例項之假想輪廓 及相關臨界尺寸對應於目標結構9〇6之特徵之實際截面輪 廊及臨界尺寸。該光學計測系統9〇〇可利用反射儀、橢偏 儀或其他光學計測器件來量測繞射光束或信號。 可藉由使用一輪廓參數集特性化一輪廓模型，且接著改 變該輪廓參數集以產生儲存於光譜庫918中的輪廓模型集 以產生不同形狀及尺寸之輪廓模型。使用一輪廓參數集特 性化一輪廓模型之處理程序稱為參數化。例如，假定一輪 廓模型可藉由分別定義其高度及寬度之輪廓參數^及…予 以特性化。該輪廓模型之進一步形狀及特徵可藉由增加輪 廓參數之數量而特性化。例如，該輪廓模型可藉由分別定 義其高度、底部寬度及頂部寬度之輪廓參數hl、wl&w2 而特性化。注意，輪廓模型之寬度可稱為臨界尺寸（CD)。 例如’可如分別定義輪廓模型之底部CD及頂部cd描述輪 廓參數w 1及w2。應認知，各種類型之輪廟參數可用於特 性化輪廓模型，其包含（但不限於）入射角（A〇I)、節距、η 及k、硬體參數（例如，偏光角）。 如上文所描述，可藉由改變特性化輪廓模型之輪廓參數 產生儲存於光譜庫918中的輪廓模型集。例如，藉由改變 輪廓參數hi、wl及W2,可產生具有變化形狀及尺寸之輪 廓模型。注意，一個、兩個或所有三個輪廓參數可相對於 彼此而改變。就此而言，與—相配模擬繞射信號相關聯之 輪廓模型之輪廓參數可用於判定被檢查之結構之一特徵。 I62747.doc •25· 201243738 例如’對應於一底部CD之輪廓模型之一輪廓參數可用於 判定被檢查之結構之底部CD。 本發明之實施例可適用於各種膜堆疊。例如，在一實施 例中’一膜堆叠包含一單一層或多層。此外，在一實施例 中’一經分析或經量測之光柵結構包含三維分量及二維分 量兩者。例如’可藉由利用該二維分量對整個結構及其之 繞射資料之較簡單貢獻來最佳化基於模擬繞射資料之運算 效率。 為促進描述本發明之實施例，一橢圓量測光學計測系統 係用於闡釋上述概念及原理。應理解，相同概念及原理同 樣適用於其他光學計測系統，諸如，反射量測系統。以一 類似方式，一半導體晶圓可用於闡釋概念之一應用。此 外，該等方法及程序同樣適用於具有重複結構之其他工 牛在貫施例中，光學散射術為一種技術，諸如（但不 F於）光學刀光鏡橢偏術（SE)、光束輪廓反射術（BpR)及增 強紫外線反射術（eU VR)。 本發明可經提供作為可包含具有儲存於其上之指令之 機器可讀媒體之-電腦程式產品或軟體，其可用於程式 一電腦系統（或其他電子器件）以根據本發明實行-處理 序。-機器可讀媒體包含藉由一機器(例如，一電腦)以 二讀形式儲存及傳輸資訊之任意機構。例如，-機器可 /如’電腦可讀）媒體包含一機器（例如，-電腦）可讀 存「=體（例如，唯讀記憶體（「職」）、隨機存取記憶 AM」）' 磁碟儲存媒體、光學儲存媒體、快閃記憶 162747‘doc •26- 201243738 = :)、-機器(例如’—電腦)可讀傳輸媒體(電信號、 光^、聲信號或其他形式之傳播信號（例如，載體波、 紅外線信號、數位信號等））等。 -圖ίο繪示一電腦系統麵之例示性形式中的—機器之一 7意圖’於該機ϋ中可執行使該機器實行本文所討論之方 =之任意一者或多者之-指令集。在替代實施例中，該 機器可連接(例如，網路連線)至一區域網路(lan)、一内 部:路、-外部網路或網際網路中的其他機器。該機器可 有能力地操作一主從式網路環境中的—饲服器或一用戶端 機器’或操作為一同級間（或分散式）網路環境中的同級機 器。該機器可為一個人電腦(PC)、一平板pc、一機上盒 (STB)、一個人數位助理（PDA)、一蜂巢式電話一網路連 線設施（web appiiance)、一伺服器、一網路路由器、交換 器或橋接器，或可執行該機器所採用之指定行為之一指令 集（依序或以其它方式）之任意機器。此外，儘管僅繪示一 單一機器，然而術語「機器」亦應視為包含個別或聯合執 行一指令集（或多個指令集）之機器（例如，電腦）之任意集 合以實行本文所討論之方法論之任一者或多者。 例示性電腦系統1000包含經由一匯流排丨030彼此通信之 一處理器1002、一主記憶體1〇〇4(例如，唯讀記憶體 (ROM))、快閃記憶體、動態隨機存取記憶體（DRAM)(諸 如，同步DRAM(SDRAM)或 Rambus dram(RDRAM))、一 靜態記憶體1 〇〇6(例如，快閃記憶體、靜態隨機存取記憶 體（SRAM)等）及一次要記憶體1018(例如，一資料儲存器 I62747.doc •27- 201243738 件）。 .處理器1002表示一或多個一般用途處理器件，諸如，微 處理器、中央處理單元或類似物。更特定言之，該處理器 1002可為一複雜指令集運算（CISC)微處理器、精簡指令集 運算（RISC)微處理器、超長指令字（VLIW)微處理器、實施 其他指令集之處理器或實施指令集之一組合之處理器。處 理器1002亦可為一或多個特殊用途處理器件，諸如，一特 殊應用積體電路（ASIC)、一場可程式化閘陣列（Ι7ρ<3Α)、_ 數位信號處理器（DSP)、網路處理器或類似物。處理器 1002經組態以執行用於實行本文所討論之操作之處理邏輯 1026 〇 s亥電腦系統1000可進一步包含一網路介面器件丨〇〇8。該 電腦系統1000亦可包含一視訊顯示單元1010(例如，一液 晶顯示器（LCD)或一陰極射線管（CRT))、一文數字輸入器 件1012(例如，一鍵盤）、一游標控制器件ι〇14(例如，一滑 鼠）及一信號產生器件1016(例如，一揚聲器）。 該次要記憶體1018可包含一機器可存取儲存媒體（或更 具體言之，一電腦可讀儲存媒體）1031，於該機器可存取 储存媒體1031上儲存體現本文所描述之方法論或函數之任 一者或多者之一或多個指令集（例如’軟體1〇22)。該軟體 1022亦可在藉由該電腦系統1〇〇〇執行期間完全或至少部分 駐存於該主記憶體1004内及/或該處理器1〇〇2内，該主記 憶體1004及該處理器1002亦組成機器可讀儲存媒體。可經 由網路介面器件1008於一網路1 〇2〇上進一步傳輪或接收該 162747.doc -28- 201243738 軟體1022。 儘管於-例示性實施例中該機器可存取儲存媒體卿展 示為-單-媒體而術語「機器可讀儲存媒體」應視為 包含儲存一或多個指令集之一單一媒豸或多㈤媒體（例 如，集中式或分散式資料庫及/或相關快取記憶體及伺服 器）°術語「機器可讀储存媒體」亦應視為包含可儲存或 編碼藉由該機器執行且使該機器實行本發明之方法論之任 一者或多者之一指令集之任意媒體。此外，術語「機器可 讀儲存媒體」應視為包含（但不限於）固態記憶體及光學及 磁媒體。 根據本發明之一實施例，一機器可存取儲存媒體具有儲 存於其上使一資料處理系統實行用於基於光譜庫之cd計 測之準確神經網路訓練之一方法之指令。該方法包含：最 佳化-光譜資料集之一主分量分析(pCA)之一臨限值以提 刀量（PC)值，基於該pc值估計一或多個神經網路之 訓練目標；基於該訓練目標及該PC值訓練一或多個神經 網路；1於·*·*· 々琢一或多個經訓練之神經網路提供一光譜庫。 在實施例中，最佳化PCA之臨限值包含判定一最低位 準光譜域。 JU . 施例中’最佳化PC A之臨限值包含：判定一第一 PCA臨限佶· ^ 將該pCA應用至一光譜資料集；計算藉由應 用該PCA引人+ , 八之一光譜誤差；及比較該光譜誤差與一光譜 雜§fl位準。为_ ^ 任—此實施例中，若該光譜誤差小於該光譜雜 準則將該第一 PCA臨限值設定為PC值。在另一此實 162747.doc •29· 201243738 施例中，若該光譜誤差大於或等於該光譜雜訊位準，則判 定一第二PCA臨限值，且重複該應用、該計算及該比較。 在一實施例中，最佳化PCA之臨限值包含使用—繆勒域 誤差寬容度。 在一實施例中，高準確性光譜庫包含一模擬光譜，及該 方法進一步包含比較該模擬光譜與一樣本光譜。 根據本發明之另一實施例，一機器可存取儲存媒體具有 儲存於其上使一資料處理系統實行用於基於光譜庫之cD 計測之快速神經網路訓練之一方法之指令。該方法包含： 提供用於一第一神經網路之一訓練目標；訓練該第一神經 網路，該訓練包含以預定數目之神經元開始且反覆增加神 經元數目直至達到最佳化神經元總數；基於該訓練及該最 佳化神經元總數產生一第二神經網路；基於該第二神經網 路提供一光譜庫。 在一貫施例中，反覆增加神經元數目直至達到最佳化神 經7L總數包含使用一經修改之雷文柏格_馬括特方法β 在實施例令，反覆增加神經元數目包含增加第一神經 網路之一隱蔽層中的神經元數目。 在一實施例中’光譜庫包含一模擬光譜，及該方法進一 步包含比較該模擬光譜與一樣本光譜。 分析經量測之光譜一般涉及比較經量測之樣本光譜與模 擬光譜以推斷最好描述經量測之樣本之一模型參數值。圖 11係根據本發明之一實施例表示用於一建置參數化模型及 以樣本光譜（例如，源於一或多個工件）之一光譜庫之一方 162747.doc 201243738 法中的操作之一流程圖丨！00。 在操作1101’由一使用者定義一 夺心我何村檔案集來指定形成 .·'、彳之樣本特徵之材料的特性（例如，n、k之值卜 在操作1102,-散射儀❹者藉由選__案之一或 多者來組譯對應於呈現於待量測之週期光柵特徵中的該等 ㈣之—材料堆叠而定義期望樣本結構之-標稱模型。此 :使用者^義之模型可進—步透過定義模型參數（諸如， 厚度、臨界尺寸（CD)、側壁角（SWA)、高度（ht)、邊緣粗 縫度、圓角半徑等）之標稱值而進一步參數化，其特性待 量測之特徵形狀。取決於是否定義一2D模型（亦即，一輪 廓)或3D模型，具有3〇至5〇或更多此等模型參數為常見 的〇 自一參數化模型，可使用嚴格繞射模型化演算法（諸 如，一嚴格耦合波分析（RCWA))運算光柵參數值之一给定 集之模擬光譜。接著在操作1103實行迴歸分析直至參數化 模里收斂於一參數值集上，其特定化對應於使經量測之繞 射光譜與一預定相配準則相配之一模擬光譜之一最後輪廓 模型（對於2D)。假定與相配模擬繞射信號相關聯之最後輪 廊模型來表示產生模型之結構之實際輪廓。 接著，可在操作11 〇4利用相配模擬光譜及/或相關最佳 化輪廓模型以藉由擾亂參數化最後輪廓模型之值而產生_ 模擬繞射光譜庫。接著可藉由於一生產環境中操作之一散 射術量測系統利用該所得模擬繞射光譜庫以判定是否已根 據規格製造後續置測之光柵結構。光譜庫產生11 04可包含 162747.doc -31 - 201243738 -機器學習系統(諸如，一神經網路)，產生用於許多輪廓 之各者之模擬光譜資訊，各輪廓包含一或多個模型化輪廟 參數之-集。為產生該光譜庫，該機器學習系統自身可必 須經受基於光譜資訊之一訓練資料集之相同訓練。此訓練 可為需要大量運算及/或可能對於不同模型及/或輪廊參數 域必須重複。可藉由關於一訓練資料集之大小之_使用者 決策引入產生-光譜庫之相當低效率之運算負載。例如， 選擇過大訓練資料集可導致訓練之非所需運算，而用不足 大小之-訓練資料集之訓練可能必須再訓練以產生一光譜 庫0 本文所描述之一些實施例包含自動判定於訓練一機器學 習系統中使用之一訓練資料集大小。一般而言，訓練資料 集係基於收敛-資料集特性度量而調整大小且可進一步基 於最後解决方案块差之估計。該訓練資料集逐漸展開且經 測試以識別收敛，及在某些實施例中，估計提供此一樣本 大J之最後解決方案誤差。實行增量展開及測試直至滿足 收敛準則及/或估計最後解決方案誤差滿足—臨限值。 因為本文所描述之訓練矩陣大小方法可能不需要一分離 训練’故藉由良好控制最後解決方案誤差可快速有效地識 別用於神經網路訓練之—良好訓練資料樣本集。運用該經 識別之訓練資料槐太I ^ 集，接者可訓練一機器學習系統以產 生所要目“函數資訊。在一特定實施例中，訓練該機器學 習系統以產生—模擬光譜資訊（例如，繞射信號）光譜庫， 其可用於推斷用—散射㈣統量測之—未知樣本（例如， 162747.doc -32· 201243738 繞射光柵或一晶圓週期結構）之參數。 應理解’在本發明之實施例 貝也例之精神及範疇内’可於各種 情況下應用上述方法論。例如，在-實施例中，於一半導 體、太陽能、發光二極體(LED)或一相關製造製程中實行 上文所描权m實施财，上文所描述之一方 法係用於-獨立計測卫具或—整合式計測卫具。在一實施 例中，上文所描述之—方法係用於單__或多個量測目標迴 歸0 因此’已揭示用於基於光譜庫之CD計測之準確且快速 神經網路訓練之方法。根據本發明之一實施例，用於基於 光讀庫之CD計測之準確神經網路訓練之一方法包含最佳 化-光譜資料集之一主分量分析(PCA)之一臨限值以提供 刀量（PC)值5亥方法亦包含估計一或多個神經網路之 -訓練目標。該方法亦包含基於該PC值及該訓練目標訓練 該一或多個神經網路。該方法亦包含基於該一或多個經訓 練之神經網路提供一光譜庫。在一實施例中，最佳化PCA 之臨限值包含判定一最低位準光譜域。根據本發明之一實 施例，用於基於光譜庫之CD計測之快速神經網路訓練之 方法包含提供用於一第一神經網路之一訓練目標。該方 法亦包含訓練該第一神經網路，該訓練包含以預定數目之 神經元開始且反覆增加神經元數目直至達到最佳化神經元 總數。該方法亦包含基於該訓練及該最佳化神經元總數產 生一第二神經網路β該方法亦包含基於該第二神經網路提 供一光譜庫。在一實施例中，反覆增加神經元數目直至達 152747.doc •33· 201243738 到最佳化神經7L總數包含使用一經修改之雷文柏格_馬括 特方法。 【圖式簡單說明】 圖1描繪根據本發明之一實施例表示用於基於光譜庫之 CD計測之準確神經網路訓練之一系列例示性操作之一流 程圖。 圖2A係論證與處衿關閉狀態之一動態增加樣本光譜庫方 法相配之光譜庫迴歸之一標繪圖。 圖2B係根據本發明之一實施例論證與處於開啟狀態之— 動態增加樣本光譜庫方法相配之光譜庫迴歸之一標繪圖。 圖2C包含根據本發明之一實施例之相較於習知範圍之一 3 標準差誤差範圍對一增加光譜庫樣本大小之一對標繪圖。 圖3描繪根據本發明之一實施例表示用於基於光譜庫之 CD計測之快速網路訓練之一系列例示性操作之一流程 圖。 圖4A繪示根據本發明之一實施例之二隱蔽層神經網路。 圖4B繪示根據本發明之一實施例之用於基於光譜庫之 CD計測之一快速神經網路訓練之一實際回應表面之一 Matlab標繪圖。 圖4C係根據本發明之一實施例比較增量演算法之收斂歷 程與單發雷文柏格·馬括特（Levenberg-Marquardt)演算法之 一標繪圖。 圖4D係繪示根據本發明之一實施例用於基於光譜庫之 CD計測之一快速神經網路訓練之一效能比較之一標繪 162747.doc • 34· 201243738 圖。 圖4 E包含根據本發明之-實施例之比較用於基於光譜岸 之CD相j之—快料經網路訓練之—光譜之結果之，對 標繪圖。 圖4F包含根據本發明之-實施例之比較用於基於光譜摩 之CD計測之_快速神經網路訓練之—第二光譜之結果之 一對標繪圖。 圖5描繪根據本發明之—實施例之用於產生一光譜資訊 庫之一例示性神經網路之選擇元素。 圖6八描繪根據本發明之—實施例之具有在x-y平面中改 變之一輪廓之一週期光柵。 圖6 B描繪根據本發明之—實施例之具有在χ方向但不在丫 方向上改變之一輪廓之一週期光柵。 圖7描繪根據本發明之一實施例表示用於判定且利用自 動化製程及設備控制之結構參數之一系列例示性操作之一 流程圖。 圖8係根據本發明之一實施例之用於判定且利用自動化 製程及没備控制之結構參數之一系統之—例示性方塊圖。 圖9係繪示根據本發明之一實施例利用朵與 ^疋予st測來判定 一半導體晶圓上之結構輪廓之一架構圖。 圖10繪示根據本發明之一實施例之—彻 1歹J不性電腦系統之 一方塊圖。 圖11係很诹令赞明之一實施例表示用於_ 型及以 〃、—建置參數… 樣本光譜開始之一光譜庫之一方法 呔中的操作之 162747.doc -35- 201243738 程圖。 【主要元件符號說明】 400 二隱蔽層神經網路 500 神經網路 502 輸入層 504 輸出層 506 隱蔽層 508 連結 510 連結 512 輸入節點 514 輸出節點 516 隱蔽節點 600 週期光柵 602 週期光柵 800 系統 802 第一製造叢集 804 光學計測系統 806 第二製造叢集 808 光學計測工具 810 處理器/計測處理器 812 光譜庫 814 機器學習系統/游標控制器件 816 計測處理器 900 光學計測系統 162747.doc -36- 201243738 902 904 906 908 910 912 914 916 918 1000 1002 1004 1006 1008 1010 1012 1014 1016 1018 1020 1022 1026 1030 1031 計測光束源 計測光束 目標結構 晶圓 繞射光束 計測光束接收器 繞射光束資料 輪廓應用伺服器 光譜庫 電腦系統 處理器 主記憶體 靜態記憶體 網路介面器件 視訊顯示單元 文數字輸入器件 游標控制器件 信號產生器件 次要記憶體 網路 軟體 處理器邏輯 匯流排 機器可存取儲存媒體 162747.doc -37-

Claims (1)

1. 201243738 七、申請專利範圍： 1· 一種用於基於光譜庫之臨界尺寸（CD)計測之準確神經網 路訓練之方法’該方法包括： 最佳化一光譜資料集之一主分量分析之一臨限 值以提供一主分量（PC)值； 估計一或多個神經網路之一訓練目標； 基於该訓練目標及自最佳化該PCA之該臨限值提供之 。亥P C值兩者訓練該一或多個神經網路；及 基於該一或多個經訓練之神經網路提供一光譜庫。 2·如凊求項1之方法，其中最佳化該a之該臨限值包括： 判定一最低位準光譜域。 3.如吻求項i之方法，#中最佳化該光譜資料集之該pa之 該臨限值包括： 判定一第一 PC a臨限值； 使用該第一 PCA臨限值將該pcA應用至該光譜資料 集； 計算藉由使用該第一 PCA臨限值應用該PCA而引入之 一光譜誤差；及 比較該光譜誤差與一光譜雜訊位準。 4. 如請求項3之方法，其進一步包括： * ^光4誤差小於該光譜雜訊位準，則將該第一 pCA 臨限值設定為該pc值。 5. 如請求項3之方法，其進一步包括： 若該光譜誤差大於或等於該光譜雜訊位準，則利定一 I62747.doc 201243738 第二PCA臨限值，且重複該應用、該計算及該比較。 6.如請求項！之方法，其中最佳化該pCA之該臨限值包括： 使用一繆勒（Mueller)域誤差寬容度。 7·如凊求項1之方法，其中該高準確光譜庫包括一模擬光 譜’該方法進一步包括·· 比較該模擬光譜與—樣本光譜。 8. 種具有儲存於其上使一資料處理系統實行用於基於光 4庫之臨界尺寸（CD)計測之準確神經網路訓練之一方法 之諸指令之機器可存取儲存媒體，該方法包括： 最佳化一光譜資料集之一主分量分析（PCA)之一臨限 值以提供一主分量（PC)值； 估計一或多個神經網路之一訓練目標； 基於該訓練目標及自最佳化該PC a之該臨限值提供之 該PC值兩者訓練該一或多個神經網路；及 基於該一或多個經訓練之神經網路提供一光譜庫。 9. 如請求項8之儲存媒體’其中最佳化該Pca之該臨限值包 括：判定一最低位準光譜域。 10. 如請求項8之儲存媒體，其中最佳化該光譜資料集之該 PCA之該臨限值包括： 判定一第一 PCA臨限值； 使用該第一 PC A臨限值將該pc A應用至該光譜資料 集； 計算藉由使用該第一 PCA臨限值應用該PCA而引入之 一光譜誤差；及 162747.doc -2 - 201243738 比較該光譜誤差與一光譜雜訊位準。 11. 如請求項10之儲存媒體，該方法進一步包括： 若該光譜誤差小於該光譜雜訊位準，則將該第一 pCA 臨限值設定為該PC值。 12. 如請求項1 0之儲存媒體’該方法進一步包括： 若該光譜誤差大於或等於該光譜雜訊位準，則判定一 第二PCA臨限值，且重複該應用、該計算及該比較。 13_如凊求項8之儲存媒體’其中最佳化該a之該臨限值包 括：使用一谬勒（Mueller)域誤差寬容度。 14. 如請求項8之儲存媒體，其中該高準確光譜庫包括一模 擬光譜，該方法進一步包括： 比較該模擬光譜與一樣本光譜。 15. —種用於基於光譜庫之臨界尺寸（CD)計測之快速網路訓 練之方法’該方法包括： 提供用於一第一神經網路之一訓練目標； 訓練該第一神經網路，該訓練包括以預定數目之神經 兀開始且反覆增加神經元數目直至達到最佳化神經元總 數； 基於該訓練及該最佳化神經元總數產生一第二神經網 路；及 基於該第二神經網路提供一光譜庫。 16如請求項15之方法，其中反覆增加神經元數目直至達到 該最佳化神經元總數包括：使用一經修改之雷文柏格-馬 括特（Levenberg_Marquardt)方法。 I62747.doc 201243738 17. 如清求項15之方本甘士 =西 丨中反覆增加神經元數目包括：增 加该第一神經網路之一隱蔽層中的神經元數目。 18. 如請求項15之方法，其中哕氺 +、 、宁省先&庫包括一模擬光譜，該 方法進一步包括： 比較該模擬光譜與一樣本光譜。 種具㈣存於其上使—f料處理系統實行用於基於光 譜庫之臨界尺寸（CD)計測之快速神經網路㈣之一方法 之指令之機器可存取儲存媒體，該方法包括： 提供用於一第一神經網路之一訓練目標； 訓練該第一神經網路，該訓練包括以預定數目之神經 兀開始且反覆增加神經元數目直至達到最佳化神經元總 數； 基於該訓練及該最佳化神經元總數產生一第二神經網 路；及 基於該第二神經網路提供一光譜庫。 20.如請求項19之儲存媒體，其中反覆增加神經元數目直至 達到該最佳化神經元總數包括：使用一經修改之雷文柏 格·馬括特（Levenberg-Marquardt)方法。 21 ·如請求項1 9之儲存媒體，其中反覆增加神經元數目包 括：增加該第一神經網路之一隱蔽層中的神經元數目。 22.如請求項19之儲存媒體，其中該光譜庫包括一模擬光 譜，該方法進一步包括： 比較該模擬光譜與一樣本光譜。 162747.doc • 4 -