TW201530333A - 良率評估及控制 - Google Patents
良率評估及控制 Download PDFInfo
- Publication number
- TW201530333A TW201530333A TW103142645A TW103142645A TW201530333A TW 201530333 A TW201530333 A TW 201530333A TW 103142645 A TW103142645 A TW 103142645A TW 103142645 A TW103142645 A TW 103142645A TW 201530333 A TW201530333 A TW 201530333A
- Authority
- TW
- Taiwan
- Prior art keywords
- substrate
- defect
- program
- classification model
- model
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
一種用於涉及藉由一微影裝置處理之生產基板之一器件製造程序的電腦實施缺陷預測方法,該方法包括:使用一訓練集來訓練一分類模型,該訓練集包括與藉由該器件製造程序處理之該等生產基板相關聯的一程序參數之測定或經判定值,及關於與在該程序參數之該等值下在該器件製造程序中處理之該等生產基板相關聯的缺陷之存在之一指示;及自該分類模型產生指示關於一基板之一缺陷之一預測的一輸出。
Description
本文之描述係關於微影裝置及程序,且更特定言之,係關於用以預測及校正缺陷以便增加良率之工具。
微影裝置可用於(例如)積體電路(IC)或其他器件之製造中。在此狀況下,圖案化器件(例如,光罩)可含有或提供對應於器件之個別層之電路圖案(「設計佈局」),且可藉由諸如經由圖案化器件上之電路圖案而輻照已經塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如,矽晶圓)上之目標部分(例如,包含一或多個晶粒)的方法將此電路圖案轉印至該目標部分上。一般而言,單一基板含有複數個鄰近目標部分,電路圖案係由微影裝置順次地轉印至該複數個鄰近目標部分,一次一個目標部分。在一種類型之微影裝置中,將整個圖案化器件上之電路圖案一次性轉印至一個目標部分上;此裝置通常被稱作晶圓步進器(wafer stepper)。在通常被稱作步進掃描裝置(step-and-scan apparatus)之替代裝置中,投影光束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描,同時平行或反平行於此參考方向而同步地移動基板。圖案化器件上之電路圖案之不同部分漸進地轉印至一個目標部分。
在將電路圖案自圖案化器件轉印至器件製造程序之基板之器件製作工序之前,基板可經歷器件製造程序之各種器件製作工序,諸
如,上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後,基板可經受器件製造程序之其他器件製作工序,諸如,曝光後烘烤(PEB)、顯影,及硬烘烤。此器件製作工序陣列係用作製造器件(例如,IC)之個別層之基礎。基板可接著經歷器件製造程序之各種器件製作工序,諸如,蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等等,該等工序皆意欲完成器件之個別層。若在器件中需要若干層,則針對每一層來重複整個程序或其變體。最終,在基板上之每一目標部分中將存在一器件。若存在複數個器件,則接著藉由諸如切塊或鋸切之技術將此等器件彼此分離,據此,可將個別器件安裝於載體上、連接至銷釘,等等。
本文揭示一種用於涉及藉由一微影裝置處理之生產基板之一器件製造程序的電腦實施缺陷預測方法,該方法包含:使用一訓練集來訓練一分類模型,該訓練集包含與藉由該器件製造程序處理之該等生產基板相關聯的一程序參數之測定或經判定值,及關於與在該程序參數之該等值下在該器件製造程序中處理之該等生產基板相關聯的缺陷之存在之一指示;及自該分類模型產生指示關於一基板之一缺陷之一預測的一輸出。
本文揭示一種訓練一分類模型之方法,該方法包含:使用該分類模型來預測一基板中或上之一缺陷,該分類模型具有用於經微影曝光基板之一器件製造程序之一程序參數及/或使用一微影裝置而待提供於一基板上之一圖案之一佈局參數作為一獨立變數;接收關於針對該程序參數及/或該佈局參數之一測定或經判定值之一缺陷之存在的資訊;及
基於該經預測缺陷及關於針對該程序參數及/或該佈局參數之該測定或經判定值之該缺陷之存在的該資訊來訓練該分類模型。
本文揭示一種產生一分類模型以促進在涉及藉由一微影裝置處理之生產基板之一器件製造程序中之缺陷預測的電腦實施方法,該方法包含使用一訓練集來訓練該分類模型,該訓練集包含藉由該器件製造程序處理之複數個基板之一程序參數之測定或經判定值,及關於與該程序參數之該等值相關聯的缺陷之存在之一指示。
本文揭示一種電腦程式產品,其包含經記錄有指令之一電腦可讀媒體,該等指令在由一電腦執行時實施如本文所描述之一方法。
10A‧‧‧微影投影裝置
12A‧‧‧輻射源
14A‧‧‧光學件/組件
16Aa‧‧‧光學件/組件
16Ab‧‧‧光學件/組件
16Ac‧‧‧光學件/組件
18A‧‧‧圖案化器件
20A‧‧‧可調整濾光器或孔隙
21‧‧‧輻射光束
22‧‧‧琢面化場鏡面器件
22A‧‧‧基板平面
24‧‧‧琢面化光瞳鏡面器件
26‧‧‧經圖案化光束
28‧‧‧反射元件
30‧‧‧反射元件
31‧‧‧源模型
32‧‧‧投影光學件模型
35‧‧‧設計佈局模型
36‧‧‧空中影像
37‧‧‧抗蝕劑及/或蝕刻模型
38‧‧‧抗蝕劑及/或蝕刻影像
100‧‧‧電腦系統
102‧‧‧匯流排
104‧‧‧處理器
105‧‧‧處理器
106‧‧‧主記憶體
108‧‧‧唯讀記憶體(ROM)
110‧‧‧儲存器件
112‧‧‧顯示器
114‧‧‧輸入器件
116‧‧‧游標控制件
118‧‧‧通信介面
120‧‧‧網路鏈路
122‧‧‧區域網路
124‧‧‧主機電腦
126‧‧‧網際網路服務業者(ISP)
128‧‧‧全球封包資料通信網路/網際網路
130‧‧‧伺服器
210‧‧‧極紫外線(EUV)輻射發射電漿/極熱電漿
211‧‧‧程序參數(圖2)/源腔室(圖12)
212‧‧‧佈局參數(圖2)/收集器腔室(圖12)
213‧‧‧計算或經驗模型
214‧‧‧缺陷
220‧‧‧圍封結構
221‧‧‧開口
230‧‧‧選用氣體障壁或污染物截留器/污染截留器/污染物障壁
240‧‧‧光柵光譜濾光器
251‧‧‧上游輻射收集器側
252‧‧‧下游輻射收集器側
253‧‧‧掠入射反射器
254‧‧‧掠入射反射器
255‧‧‧掠入射反射器
411‧‧‧佈局
412‧‧‧佈局
413‧‧‧佈局
421‧‧‧子程序窗
422‧‧‧子程序窗
423‧‧‧子程序窗
430‧‧‧程序窗
511‧‧‧程序參數
512‧‧‧佈局參數
513‧‧‧分類模型
514‧‧‧缺陷
515‧‧‧校正步驟
516‧‧‧資料
611‧‧‧步驟
612‧‧‧步驟
613‧‧‧步驟
800‧‧‧輸入
810‧‧‧器件製造程序
820‧‧‧輸出/輸入
830‧‧‧狀態評估器
840‧‧‧調節器
850‧‧‧目標
1000‧‧‧微影投影裝置
AD‧‧‧調整器
B‧‧‧輻射光束
BD‧‧‧引導鏡面
BK‧‧‧烘烤板
C‧‧‧目標部分
CH‧‧‧冷卻板
CO‧‧‧聚光器/輻射收集器/收集器光學件
DE‧‧‧顯影器
IF‧‧‧干涉計/虛擬源點/中間焦點
IL‧‧‧照明系統/照明器/照明光學件單元
IN‧‧‧積光器
I/O1‧‧‧輸入/輸出埠
I/O2‧‧‧輸入/輸出埠
LA‧‧‧微影裝置
LACU‧‧‧微影控制單元
LB‧‧‧裝載匣
LC‧‧‧微影製造單元
M1‧‧‧光罩對準標記/圖案化器件對準標記
M2‧‧‧光罩對準標記/圖案化器件對準標記
MA‧‧‧圖案化器件
MT‧‧‧第一物件台/圖案化器件台/支撐結構
O‧‧‧光軸
P1‧‧‧基板對準標記
P2‧‧‧基板對準標記
PM‧‧‧第一定位器
PS‧‧‧項目/投影系統
PS1‧‧‧位置感測器
PS2‧‧‧位置感測器
PW‧‧‧第二定位器
RO‧‧‧基板處置器或機器人
SC‧‧‧旋塗器
SCS‧‧‧監督控制系統
SO‧‧‧輻射源/源收集器模組
TCU‧‧‧塗佈顯影系統控制單元
W‧‧‧基板
WT‧‧‧第二物件台/基板台
圖1為微影系統之各種子系統的方塊圖。
圖2示意性地描繪預測器件製造程序中之缺陷的方法。
圖3為模擬模型之方塊圖。
圖4示意性地展示佈局之程序窗之預測。
圖5示意性地描繪根據一實施例的預測器件製造程序中之缺陷的方法。
圖6示意性地描繪再訓練分類模型之方法。
圖7展示由訓練集訓練的例示性分類模型。
圖8為實例電腦系統之方塊圖。
圖9為模型預測性控制系統之方塊圖。
圖10為微影投影裝置之示意圖。
圖11為另一微影投影裝置之示意圖。
圖12為圖11中之裝置的更詳細視圖。
圖13示意性地描繪微影製造單元或叢集之一實施例。
儘管在本文中可特定地參考IC製造,但應明確理解,本文之描
述具有許多其他可能應用。舉例而言,本文之描述可用於整合式光學系統之製造中、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭,等等。熟習此項技術者應瞭解,在此等替代應用之內容背景中,本文中對術語「比例光罩」、「晶圓」或「晶粒」之任何使用應被認為分別與更一般術語「光罩」、「基板」及「目標部分」可互換。
在本文件中,術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射,包括紫外線輻射(例如,具有365奈米、248奈米、193奈米、157奈米或126奈米之波長),及極紫外線輻射(EUV,例如,具有在5奈米至20奈米範圍內之波長)。
如本文所使用之術語「最佳化」意謂調整裝置(例如,微影投影裝置)使得(例如,微影之)器件製作結果及/或程序具有一或多個理想特性,諸如,設計佈局在基板上之投影之較高準確度、較大程序窗,等等。
作為簡要介紹,圖1說明例示性微影投影裝置10A。主要組件包括:照明光學件,其定義部分相干性(被表示為均方偏差),且可包括:塑形來自輻射源12A之輻射的光學件14A、16Aa及16Ab,該輻射源12A可為深紫外線準分子雷射源或包括極紫外線(EUV)源的其他類型之源(如本文所論述,微影投影裝置自身無需具有輻射源);及光學件16Ac,其將圖案化器件18A之圖案化器件圖案之影像投影至基板平面22A上。投影光學件之光瞳平面處之可調整濾光器或孔隙20A可限定照射於基板平面22A上之光束角度之範圍,其中最大可能角度定義投影光學件之數值孔徑NA=sin(Θmax)。
在微影投影裝置中,投影光學件經由圖案化器件而引導來自源之照明且將該照明引導至基板上且塑形該照明。此處,術語「投影光學件」被廣泛地定義為包括可變更輻射光束之波前的任何光學組件。舉例而言,投影光學件可包括組件14A、16Aa、16Ab及16Ac中至少
一些。空中影像(AI)為基板位階處之輻射強度分佈。曝光基板上之抗蝕劑層,且將空中影像轉印至該抗蝕劑層以在其中作為潛伏「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之空間溶解度分佈。可使用抗蝕劑模型以自空中影像演算抗蝕劑影像,可在全部揭示內容據此以引用方式併入本文中之美國專利申請公開案第US 2009-0157630號找到此情形之實例。抗蝕劑模型僅與抗蝕劑層之屬性(例如,在曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應)有關。微影投影裝置之光學屬性(例如,源、圖案化器件及投影光學件之屬性)規定空中影像且可經定義於光學模型中。因為可改變用於微影投影裝置中之圖案化器件,所以需要使圖案化器件之光學屬性與至少包括源及投影光學件的微影投影裝置之其餘部分之光學屬性分離。
如圖13所展示,微影裝置LA可形成微影製造單元LC(有時亦被稱作叢集)之部件,微影製造單元LC亦包括用以對基板執行一或多個曝光前程序及曝光後程序之裝置。通常,此等裝置包括用以沈積抗蝕劑層之一或多個旋塗器SC、用以顯影經曝光抗蝕劑之一或多個顯影器DE、一或多個冷卻板CH及一或多個烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板、在不同程序器件之間移動基板,且將基板遞送至微影裝置之裝載匣LB。常常被集體地稱作塗佈顯影系統(track)之此等器件係在塗佈顯影系統控制單元TCU之控制下,塗佈顯影系統控制單元TCU自身受到監督控制系統SCS控制,監督控制系統SCS亦經由微影控制單元LACU而控制微影裝置。因此,不同裝置可經操作以最大化產出率及處理效率。微影製造單元LC可進一步包含用以蝕刻基板之一或多個蝕刻器,及經組態以量測基板之參數之一或多個量測器件。量測器件可包含經組態以量測基板之實體參數之光學量測器件,諸如,散射計、掃描電子顯微鏡等等。量測器
件可併入於微影裝置LA中。本發明之一實施例可在監督控制系統SCS及/或微影控制單元LACU中或運用監督控制系統SCS及/或微影控制單元LACU予以實施。舉例而言,來自監督控制系統SCS及/或微影控制單元LACU之資料可由本發明之一實施例使用,且可將來自本發明之一實施例之一或多個信號提供至監督控制系統SCS及/或微影控制單元LACU。
圖2示意性地描繪預測器件製造程序中之缺陷的方法。缺陷可為系統性缺陷,諸如,頸縮、線拉回、線細化、CD、重疊及橋接;缺陷亦可為隨機缺陷,諸如藉由諸如灰塵粒子之粒子之沈積造成的隨機缺陷。可預測及控制系統性缺陷。缺陷可在抗蝕劑影像、光學影像或蝕刻影像中(亦即,藉由將基板之層上之抗蝕劑用作光罩進行蝕刻而將圖案轉印至該基板之該層)。計算或經驗模型213可用以預測缺陷214(例如,預測缺陷214之存在、部位、類型、形狀,等等)。模型213可考量器件製造程序之參數211(亦被稱作程序參數)及/或佈局參數212。程序參數211為與器件製造程序相關聯但不與佈局相關聯之參數。舉例而言,程序參數211可包括源之特性(例如,強度、光瞳剖面,等等)、投影光學件之特性、劑量、聚焦、抗蝕劑之特性、抗蝕劑之顯影之特性、抗蝕劑之曝光後烘烤之特性,及/或蝕刻之特性。佈局參數212可包括佈局上之各種特徵之形狀、大小、相對部位及絕對部位,且亦包括不同佈局上之特徵之重疊。模型213可為固定模型,亦即,模型自身並不隨著其輸入(諸如,程序參數211佈局參數212)而改變。即,固定模型之結果在相同輸入下始終相同。在經驗模型中,不模擬影像(例如,抗蝕劑影像、光學影像、蝕刻影像);取而代之,經驗模型基於輸入與缺陷之間的相關性而預測缺陷。在計算模型中,演算影像之一部分或一特性,且基於該部分或該特性來識別缺陷。舉例而言,可藉由尋找太遠離線之所要部位之線末端來識別線拉
回缺陷;可藉由尋找兩個線不理想地接合之部位來識別橋接缺陷。
圖3說明例示性計算模型。源模型31表示源之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學件模型32表示投影光學件之光學特性(包括由投影光學件造成的對輻射強度分佈及/或相位分佈之改變)。設計佈局模型35表示設計佈局之光學特性(包括由給定設計佈局造成的對輻射強度分佈及/或相位分佈之改變),該設計佈局為在圖案化器件上或由圖案化器件形成之特徵之配置的表示。可自源模型31、投影光學件模型32及設計佈局模型35模擬空中影像36。可自空中影像36使用抗蝕劑及/或蝕刻模型37來模擬抗蝕劑及/或蝕刻影像38。微影之模擬可(例如)預測影像中之輪廓及/或CD。
更特定言之,應注意,源模型31可表示源之光學特性,該等光學特性包括但不限於均方偏差(σ)設定,以及任何特定照明源形狀(例如,離軸輻射源,諸如,環形、四極及偶極等等)。投影光學件模型32可表示投影光學件之光學特性,該等光學特性包括像差、失真、折射率、實體大小、實體尺寸等等。設計佈局模型35可表示實體圖案化器件之實體屬性,如(例如)全文以引用方式併入本文中之美國專利第7,587,704號所描述。模擬之目標係準確地預測(例如)邊緣置放、空中影像強度斜率及CD,該等邊緣置放、空中影像強度斜率及CD接著可與預期設計進行比較。預期設計通常被定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供之預OPC設計佈局。
圖4示意性地展示佈局之程序窗(亦即,佈局實質上無系統性缺陷之程序參數之空間)之預測。可關於佈局411至413之不同類型之缺陷(例如,線拉回、CD、頸縮等等)針對佈局中之特徵使用模型(經驗或計算)來預測子程序窗421至423(被描繪為未加影線區域)。舉例而言,子程序窗421中之程序在此等特徵當中不產生線拉回缺陷。所有
特徵且用於所有類型之缺陷之子程序窗可合併以形成佈局之程序窗430。
圖5示意性地描繪根據一實施例的預測器件製造程序中之缺陷的方法。可使用分類模型(亦被稱為分類器)513以預測缺陷514(例如,缺陷514之存在、部位、類型、形狀等等)。模型513可考量程序參數511及/或佈局參數512。程序參數511為與器件製造程序相關聯但不與佈局相關聯之參數。舉例而言,程序參數511可包括源之特性(例如,強度、光瞳剖面,等等)、投影光學件之特性、劑量、聚焦、抗蝕劑之特性、抗蝕劑之顯影之特性、抗蝕劑之曝光後烘烤之特性,及/或蝕刻之特性。佈局參數512可包括佈局上之各種特徵之形狀、大小、相對部位及絕對部位,且亦包括不同佈局上之特徵之重疊。
術語「分類器」或「分類模型」有時係指藉由分類演算法實施之將輸入資料映射至一類別之數學函數。在機器學習及統計學中,分類為基於含有類別成員資格為吾人所知之觀測(或個例)之資料之訓練集而識別新觀測屬於類別集合(子群體)之哪一類別的問題。個別觀測經分析成可定量屬性集合,其被稱為各種解釋性變數、特徵,等等。此等屬性可不同地分類(例如,「良好」-不產生缺陷之程序,或「不良」-產生缺陷之程序)。分類被認為是監督學習之個例,亦即,經正確識別觀測之訓練集可用的學習。
橫越領域之術語完全地變化。在可運用邏輯回歸或相似工序進行分類之統計學中,觀測之屬性被稱為解釋性變數(或獨立變數、回歸自變量等等),且待預測之類別被稱為結果,其被認為相依變數之可能值。在機器學習中,觀測常常被稱為個例,解釋性變數被稱為特徵(經分組成特徵向量),且待預測之可能類別為種類。
可依據線性函數來相控分類模型,該線性函數藉由使用點積將個例之特徵向量與權重之向量組合而將一記分指派給每一可能類別
k。經預測類別為具有最高記分之類別。此類型之記分函數被稱為線性預測值函數且具有以下通式:score(X i ,k)=β k .X i ,其中Xi為用於個例i之特徵向量,βk為對應於類別k之權重之向量,且score(Xi,k)為與將個例i指派給類別k相關聯的記分。具有此基本設置之模型被稱為線性分類器。此等演算法之實例為邏輯回歸、多項式分對數、機率單位回歸、感知器演算法、支援向量機器、匯入向量機器及/或線性判別分析。
在一實施例中,分類模型513涉及邏輯回歸。在此實施例之內容背景中,相依變數係二進位-亦即,可用類別之數目為二--例如,「良好」或「不良」。然而,可用類別之數目當然不限於二。
邏輯回歸藉由將機率用作一類別相依變數之經預測值而量測該相依變數與一或多個獨立變數之間的關係,該一或多個獨立變數通常為(但未必)連續的。可使用含有一或多個程序參數及/或佈局參數之資料之訓練集且在不論程序參數及/或佈局參數是產生缺陷(亦即,「不良」)抑或不產生缺陷(亦即,「良好」)的情況下來訓練分類模型513。可自在參數值之一範圍下之佈局之一或多個測試執行來獲得初始訓練集。
在一實施例中,分類模型513涉及核心邏輯回歸,尤其在記分函數不能夠以score(X i ,k)=β k .X i 之線性形式表達時,其中Xi為用於個例i之特徵向量,βk為對應於類別k之權重之向量,且score(Xi,k)為與將個例i指派給類別k相關聯的記分。核心可首先用以將獨立變數(例如,程序參數)投影至另一參數空間中:Φ:X→Y,使得score(X i ,k)=β k .Y i ,其中Y i =Φ(X i )。
圖5所說明之方法可進一步包括校正步驟515,其中一或多個程序參數511、一或多個佈局參數512或此兩者可經調整以縮減或消除缺陷。
在一實施例中,模型513不為固定模型。取而代之,可運用來自度量衡之資料516、良率資料(例如,藉由諸如電子顯微鏡之量測工具、藉由電測試等等對缺陷之識別)或來自微影裝置之使用者或來自另一模型(例如,另一經驗模型或計算模型)之其他資料來改進模型513。可在一或多個晶粒及/或一或多個基板之曝光之後使用另外資料來改進模型512。
資料516可包括與藉由器件製造程序處理之複數個生產基板相關聯的程序參數之測定或經判定值。生產基板為在一或多個生產階段具有一或多個器件之基板。舉例而言,生產基板可為具有用於一或多個器件之抗蝕劑影像之基板。用於此等基板之程序參數之值可包括來自微影裝置之資料(例如,裝置設定及/或微影裝置感測器資料)及/或度量衡資料(例如,由用以量測抗蝕劑影像之實體參數之專用光學量測器件提供)。作為另一實例,生產基板可為具有經蝕刻特徵及/或具運行器件之特徵之基板。用於此等基板之程序參數之值可包括來自蝕刻工具之資料(例如,蝕刻工具設定及/或蝕刻工具感測器資料)、度量衡資料(例如,由掃描電子顯微鏡提供)及/或良率資料(例如,來自將所生產器件與預期器件比較之量測工具之缺陷分析、器件之電測試,等等)。另外,器件製造程序可涉及自基板至器件或其一部分之整個程序。舉例而言,器件製造程序可僅為微影圖案化程序或為結合另一器件製造工序之微影圖案化程序。在一實施例中,器件製造程序可僅為蝕刻程序或為結合另一器件製造工序之蝕刻程序。在蝕刻情況下,器件製造程序涉及微影裝置,此係因為由蝕刻裝置處理之基板係由涉及微影裝置之微影圖案化工序而圖案化。
在一實施例中,提供關於與在程序參數之值下在器件製造程序中處理之生產基板相關聯的缺陷之存在之指示。因此,在一實施例中,程序參數之測定或經判定值中每一者係與關於缺陷之存在之一指
示相關聯。舉例而言,關於缺陷之存在之指示可為用以表示缺陷之存在或不存在的任何標籤。舉例而言,標籤可為「良好」及/或「不良」。可由使用者應用該標籤,或可使用適用工具自動判定該標籤。舉例而言,基板之電子測試可識別器件中之缺陷且對該器件加標籤「良好」或「不良」。彼受測試基板係與程序參數之值相關聯。在一實例中,若良率低於某一臨限值,則程序參數511及/或佈局參數512之相關聯值可被加標籤/分類為「不良」。程序參數(例如,劑量及聚焦)之值與標籤之組合係用以訓練模型513。
可自光學量測工具(例如,用以量測來自度量衡目標及/或來自經曝光區域之繞射輻射之工具)、電子顯微鏡或其他合適檢測工具獲得來自度量衡之資料,且來自度量衡之資料可為藉由微影裝置中之感測器(諸如,位階感測器)量測之資料或為對準資料。
在一實施例中,模型513之改進可包括運用訓練集進行訓練,該訓練集包括用於一或多個晶粒及/或一或多個基板之曝光中的一或多個程序參數或程序參數及佈局參數兩者之新觀測,及來自度量衡之資料、良率資料或來自微影裝置之使用者或來自另一模型之其他資料。用於改進模型513之訓練集可未必包括先前用以訓練模型513之所有資料。舉例而言,若最初運用包括100個觀測之資料集來訓練模型513,則此訓練集可包括該100個觀測中的99個觀測及新觀測。此途徑可限制訓練集之大小以便限制訓練之計算成本。可使用一或多個演算法以管理或連續管理資料集之大小。舉例而言,可使用匯入向量機器或支援向量機器以管理資料集之大小。
圖6示意性地描繪訓練諸如模型513之分類模型之方法。在步驟611中,使用分類模型來預測(例如)器件之抗蝕劑或光學影像中的器件之缺陷,該分類模型具有用以形成器件之一或多個程序參數及/或佈局參數而作為該分類模型之獨立變數。在步驟612中,使用另一模
型(例如,經驗或計算)來模擬器件(例如,抗蝕劑或光學影像),或使用合適檢測工具來量測該器件(例如,抗蝕劑影像或經蝕刻圖案),且判定缺陷之存在、形狀、類型及/或部位。在步驟613中,基於如自模擬或量測而判定的缺陷之預測及存在來訓練模型。
圖7展示分類模型之例示性輸出,該分類模型係藉由包括含有作為程序參數的聚焦(垂直軸線)及劑量(水平軸線)對之187個觀測之訓練集且在不論該等聚焦及劑量對是否產生缺陷(「O」意謂無缺陷,例如,「良好」;「X」意謂缺陷,例如,「不良」)的情況下訓練。缺陷之機率係藉由模型在訓練之後予以判定,且在圖7之輸出中被展示為等值線圖,其中機率係與輪廓線相關聯。如應瞭解,模型之輸出可呈其他形式,諸如,色彩或灰階或結果表。模型之輸出與訓練集合理良好地匹配。
因此,在一實施例中,提供涉及微影裝置之器件製造程序之線上學習。亦即,產生分類模型,該分類模型係運用與生產基板相關聯之一或多個程序參數(例如,劑量及/或聚焦)之新測定或經判定值及與此等一或多個程序參數相關聯之缺陷之指示來不斷地或規則地予以訓練。因此,在一實施例中,產生特定用於微影裝置及/或器件製造程序之模型,該模型在使用微影裝置及/或使用器件製造程序來處理基板的情況下隨著時間推移而演進。因此,在一實施例中,使用經驗資料以產生表示器件製造程序(例如,使用特定圖案化器件佈局之特定器件製造程序)之模型且隨後將該模型塑形。
歸因於經驗資料,可幾乎不需要資料解譯。舉例而言,此程序可直接使用度量衡工具之光瞳強度映射以訓練分類模型,而非解譯此強度映射以提取結構及邊緣斜率且接著使用資料來改良模型。舉例而言,學習技術可與基於已經學習之模型之來自光瞳強度映射之缺陷之存在的可能性相關,且因此,來自光瞳強度映射之資料可幫助證實缺
陷之存在(或不存在)。因此,在一實施例中,此資料本身無需具有相關聯標籤,但仍可用以增加模型預測是否將發生缺陷之能力。舉例而言,光瞳強度映射可指示具有出自線之參數值與參數之鄰近值之特徵。雖然未必確認缺陷,但此資訊可用以訓練模型以幫助證實或拒絕模型關於彼特徵及缺陷機率之現有相關性。在一實施例中,使用(例如)光學量測工具之量測光瞳進行器件佈局之量測。因此,特定結構(例如,度量衡目標)可能未必需的;任何結構可適合,諸如,器件佈局結構(例如,邏輯/MPU器件中之SRAM製造單元-區塊)。
在一實施例中,可使用操作員知識/經驗作為至分類器模型之形成之輸入。操作員回饋可操控模型之可預測性。舉例而言,使用者可將更多預測性特徵添加至分類演算法中。
在一實施例中,分類器模型可產生給定特定測定或經判定特徵之缺陷之機率。且,預測之準確度隨著時間且隨著更多量測而增加,此係因為分類器模型變得更「有經驗」。線上學習區別於所謂資料採擷,該資料採擷通常用以檢視為何會出錯。在一實施例中,線上資料係用以產生可預測在程序正執行時發生缺陷之機率之模型,且隨後更新該模型。因此,為了一切順利--且因此改良總良率,模型之輸出可提供檢查什麼部件且將量測哪些基板晶粒之指示符。
在一實施例中,可使用分類器模型來控制器件製造程序。線上學習允許追蹤程序(例如,漂移)且允許調諧(控制)程序。舉例而言,可不論是自動地抑或在使用者估計之後基於分類器模型之輸出來控制微影裝置之一或多個參數。舉例而言,可基於輸出來控制微影投影裝置之聚焦及/或劑量。
在一實施例中,分類器模型併有橫越基板之量測(例如,不僅僅場內資料)。因此,量測可為經由聚焦之資料,此係因為局域基板差可相對大。因此,經由依賴於來自複數個不同基板之量測,有可能在
特定劑量下、完全經由聚焦進行量測,而無需產生分離曝光。
在一實施例中,雖然論述已聚焦於諸如聚焦及劑量之微影參數,但學習範式可易於延伸至諸如蝕刻之其他程序。舉例而言,可學習蝕刻特徵與良率之間的關係,亦可運用線上度量衡資料觀測到該關係。
因此,在一實施例中,提供可預測缺陷且評估缺陷之機率之學習分類器模型。此外,在一實施例中,學習分類器並非靜態的,且在器件製造程序期間藉由測定或經判定資料連續地更新及改良學習分類器。此外,可藉由向分類器模型饋入與微影不相關之資料(諸如,層厚度變化、蝕刻後資料、操作員缺陷決策等等)而將分類器模型在其涵蓋範圍方面延伸,此情形進一步增強模型之「經驗」。
在一實施例中,分類器模型實現對未經測定資料點之缺陷之機率之評估的改良。舉例而言,吾人可關注基板或圖案佈局上之位點A及B處之缺陷之預測。分類器模型使能夠預測位點A及B處缺陷之發生。接著,添加與位點A相關聯之資訊(例如,度量衡資料(不具有或具有標籤資料)、良率資料等等)之量測可用以進一步訓練分類器模型。現在,可在不必須在位點B處進行量測的情況下判定位點A及B處之缺陷之機率之評估。
在一實施例中,分類器模型向量可包括各種類型之資訊。因此,舉例而言,分類器模型可包括關於針對一特定劑量及聚焦組合之缺陷之機率的資料,而且包括關於哪一或多個裝置與彼資料點相關聯、哪一圖案佈局與彼資料點相關聯、使用哪一蝕刻類型等等之資料。因此,在一實施例中,可根據有限及特定資料(例如,僅僅劑量及聚焦資訊以及相關聯標籤)來訓練分類器模型,或根據綜合性資料或其之間的一些變體來訓練分類器模型。因此,自較綜合性模型,可自聚焦於特定裝置(例如,微影裝置)上、聚焦於特定佈局上等等之模
型定義「子模型」。因此,使用者可視需要使用聚焦於使用者之需要或需求之特定模型或「子模型」,而不論(例如)是用於分析抑或用於程序控制。
在一實施例中,分類器模型之訓練決定新訓練資料(例如,測定資料點)是否添加足夠資訊而待包括於模型中。添加此新資訊係與增加模型之大小平衡,使得模型不將無限制地生長。
在一實施例中,可根據產品上可印刷性預測而提供分類器模型。舉例而言,分類器模型可量化缺陷之機率。分類器模型可提供全基板預測。分類器模型可預測數個缺陷。分類器模型可預測良好晶粒之良率。分類器模型可提供缺陷之部位。
在一實施例中,可對用於藉由器件製造程序產生之一批次之每一基板的用於分類器模型之訓練資料進行取樣。可對用於(例如)基板之一批次之基板上之每一器件的訓練器件資料進行取樣。可對用於基板上之每一層之訓練資料進行取樣。在一實施例中,訓練資料包含量測資料,且量測部位可為晶粒內、自晶粒之外部(例如,切割道度量衡目標)及/或橫越基板。可基於熱點之模擬結果、特定器件結構之部位(例如,SRAM及其他部位)而對晶粒內量測進行取樣,及/或晶粒內量測可為器件(例如,IC)相依的。
在一實施例中,不斷地供應新訓練資料(例如,在器件製造期間、在基板之複數個批次之程序期間,等等)。且因此,不斷地更新預測品質。
在一實施例中,可將分類器模型之輸出提供至工廠之良率管理系統以改良器件良率。
因此,在一實施例中,一或多個程序參數及/或佈局參數之值係藉由機器學習而以統計方式與全基板、產品上良率敏感度相關。因此,舉例而言,可針對晶粒之特定部分及/或基板之特定部分預測缺
陷。另外,可針對基於實際生產資料之實際生產預測缺陷。因此,機器學習模型可特定用於實際程序條件(包括(例如)其漂移)且實現相比於僅僅基於理論模型之使用圖案佈局資料之預測之增強的預測。
因此,在一實施例中,提供綜合性缺陷檢測及良率預測系統,其中來自(例如)量測生產基板之度量衡工具之線上及產品上參數值係用以推斷可印刷性缺陷。該系統利用人工智慧技術以預測系統性佈局特定缺陷之可印刷性。其將熱點預測自單晶粒延伸至全基板,包括基板邊緣區。在一實施例中,系統可使用度量衡工具來量測一批次中之每一基板。系統可增強或替換當前缺陷檢測方法(例如,掃描電子顯微鏡)。系統之輸出可包括用以預測及/或改良最終器件良率之工廠之良率管理系統內之效能指示符。系統可產生定製微影裝置或其他裝置配方及檔案以(自動)改良(例如)同一器件及/或層之後續批次(或基板)中之良率。系統可使能夠不斷地評估及追蹤缺陷且不斷地改良模型預測準確度。可經由調節(例如,封閉迴路控制)而縮減或最小化缺陷之發生。
本文所描述實施例之優點可包括較快速良率勻變、較有效率SEM檢視、歷史分析及/或控制。
圖8為根據一實施例之模型預測性控制系統的方塊圖。如所展示,一或多個輸入800經提供至器件製造程序810,器件製造程序810涉及使用微影裝置來圖案化生產基板。輸入800可包括如上文所描述之一或多個佈局參數及/或一個或多個程序參數。器件製造程序810涉及至少一個器件生產步驟,諸如,微影圖案化、顯影、蝕刻等等,或選自該等步驟之任何組合。
在程序810之後或在程序810期間,可產生一或多個輸出820。輸出820可包括用於使用器件製造程序而生產之生產基板的一或多個程序參數及/或佈局參數之值。舉例而言,該等值可為由度量衡工具量
測之生產基板之資料,可為在生產基板之處理之後來自微影裝置或蝕刻工具之資料,等等。在一實施例中,可將資料中之至少一些加標籤,如本文所描述。此等輸出820經提供至狀態評估器830以訓練如本文所描述之模型。在一實施例中,模型係用以預測缺陷,但模型可受訓練以預測其他態樣。如所展示,狀態評估器830可接收至程序810之一或多個輸入820。舉例而言,一或多個輸入820可為佈局資料或自佈局資料產生之資料。舉例而言,自佈局資料產生之資料可為用以識別熱點(例如,不正確地傾於圖案之圖案佈局之區域)之圖案佈局之模擬。可在此項技術中使用諸如ASML之Tachyon LMC產品之模擬軟體來產生此等經模擬資料。
狀態評估器830之模型可接著用以將輸出提供至調節器840。調節器840可將一或多個輸入800提供至程序810及/或修改一或多個輸入800而待供應給程序810。舉例而言,調節器840可產生用於微影裝置、蝕刻工具等等之一或多個設定,以在基板之未來生產中幫助減輕缺陷。在一實施例中,調節器840可接收一或多個目標850,該一或多個目標850識別調節器840應按照何種標準將一或多個輸入800引入至程序810或修改至程序810之一或多個輸入800。
圖9為說明可輔助實施本文所揭示之最佳化方法及流程之電腦系統100的方塊圖。電腦系統100包括用以傳達資訊之一匯流排102或其他通信機構,及與匯流排102耦接以處理資訊之一處理器104(或多個處理器104及105)。電腦系統100亦包括耦接至匯流排102以儲存及/或供應待由處理器104執行之資訊及指令的主記憶體106,諸如,隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106可用於在待由處理器104執行之指令之執行期間儲存及/或供應暫時性變數或其他中間資訊。電腦系統100可進一步包括耦接至匯流排102以儲存及/或供應用於處理器104之靜態資訊及指令的唯讀記憶體(ROM)108或其他靜
態儲存器件。可提供諸如磁碟或光碟之儲存器件110,且可將諸如磁碟或光碟之儲存器件110耦接至匯流排102以儲存及/或供應資訊及指令。
電腦系統100可經由匯流排102而耦接至用以向電腦使用者顯示資訊之顯示器112,諸如,陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字及其他按鍵之輸入器件114可耦接至匯流排102以將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件可為用以將方向資訊及命令選擇傳達至處理器104且控制顯示器112上之游標移動的游標控制件116,諸如,滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線(第一軸線(例如,x)及第二軸線(例如,y))上之兩個自由度,其允許該器件指定在一平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
根據一實施例,可由電腦系統100回應於處理器104執行主記憶體106中所含有之一或多個指令之一或多個序列而執行最佳化程序之部分。可將此等指令自另一電腦可讀媒體(諸如,儲存器件110)讀取至主記憶體106中。主記憶體106中所含有之指令序列之執行使處理器104執行本文所描述之程序步驟。呈多處理配置之一或多個處理器可用以執行主記憶體106中所含有之指令序列。在一替代實施例中,可代替或結合軟體指令而使用硬連線電路系統。因此,本文之描述不限於硬體電路及軟體之任何特定組合。
本文所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104以供執行之任何媒體。此媒體可採取許多形式,包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括(例如)光碟或磁碟,諸如,儲存器件110。揮發性媒體包括動態記憶體,諸如,主記憶體106。傳輸媒體包括同軸纜線、銅線及光纖,其包括包含匯流排102之電線。傳輸媒體亦可採取聲波或光波之形式,諸如,
在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體之常見形式包括(例如)軟碟、可撓性碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣、如下文所描述之載波,或可供電腦讀取之任何其他媒體。
可在將一或多個指令之一或多個序列攜載至處理器104以供執行時涉及各種形式之電腦可讀媒體。舉例而言,最初可將該等指令承載於遠端電腦之磁碟或記憶體上。遠端電腦可將該等指令載入至其動態記憶體中,且在通信路徑上方發送該等指令。電腦系統100可自路徑接收資料且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106,處理器104自該主記憶體106擷取並執行指令。由主記憶體106接收之指令可視情況在供處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100可包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦接,網路鏈路120連接至區域網路122。舉例而言,通信介面118可提供有線或無線資料通信連接。在任何此類實施中,通信介面118發送及接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光學信號。
網路鏈路120通常經由一或多個網路而向其他資料器件提供資料通信。舉例而言,網路鏈路120可經由網路122而向主機電腦124或向由網際網路服務業者(ISP)126操作之資料設備提供連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」)128而提供資料通信服務。網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號(該等信號將數位資料攜載至電腦
系統100及自電腦系統100攜載數位資料)為輸送資訊的例示性形式之載波。
電腦系統100可經由該(該等)網路、網路鏈路120及通信介面118而發送訊息且接收資料(包括程式碼)。在網際網路實例中,伺服器130可能經由網際網路128、ISP 126、網路122及通信介面118而傳輸用於應用程式之所請求程式碼。舉例而言,一個此類經下載應用程式可提供用以實施本文之方法之程式碼。所接收程式碼可在其被接收時由處理器104執行,及/或儲存於儲存器件110或其他非揮發性儲存器中以供稍後執行。以此方式,電腦系統100可獲得呈載波之形式的應用程式碼。
圖10示意性地描繪例示性微影投影裝置。該裝置包含:- 照明系統IL,其用以調節輻射光束B。在此特定狀況下,照明系統亦包含輻射源SO;- 第一物件台(例如,光罩台)MT,其具備用以固持圖案化器件MA(例如,光罩)之圖案化器件固持器,且連接至用以相對於項目PS來準確地定位該圖案化器件之第一定位器PM;- 第二物件台(基板台)WT,其具備用以固持基板W(例如,抗蝕劑塗佈矽晶圓)之基板固持器,且連接至用以相對於項目PS來準確地定位該基板之第二定位器PW;- 投影系統PS(例如,折射、反射或反射折射光學系統),其用以將圖案化器件MA之經輻照部分成像至基板W之目標部分C(例如,包含一或多個晶粒)上。
如本文所描繪,裝置屬於透射類型(亦即,具有透射光罩)。然而,一般而言,其亦可屬於(例如)反射類型(具有反射光罩)。替代地,裝置可使用另一種類之圖案化器件作為對經典光罩之使用的替代例;實例包括可程式化鏡面陣列或LCD矩陣。
源SO(例如,水銀燈或準分子雷射)產生輻射光束。此光束直接地或在已橫穿諸如光束擴展器之調節器之後經饋入至照明系統(照明器)IL中。照明器IL可包含經組態以設定光束中之強度分佈之外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)之調整器AD。另外,照明器IL通常將包含各種其他組件,諸如,積光器IN及聚光器CO。以此方式,照射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖10應注意,源SO可在微影投影裝置之外殼內(此常常為當源SO為(例如)水銀燈時之狀況),但其亦可在微影投影裝置之遠端,其所產生之輻射光束被導向至該裝置中(例如,憑藉合適引導鏡面BD);此後一情境常常為當源SO為準分子雷射(例如,基於KrF、ArF或F2雷射作用)時之狀況。
光束B隨後截取被固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA的情況下,光束B傳遞通過投影系統PS,投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW(及干涉計IF),可準確地移動基板台WT,例如,以便使不同目標部分C定位於光束B之路徑中。相似地,第一定位器PM可用以(例如)在自圖案化器件庫對圖案化器件MA之機械擷取之後或在掃描期間相對於光束B之路徑來準確地定位圖案化器件MA。一般而言,將憑藉未在圖10中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。
可使用光罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如,光罩)MA及基板W。儘管所說明之基板對準標記佔據專用目標部分,但該等標記可位於目標部分之間的空間中(此等標記被稱為切割道對準標記)。相似地,在一個以上晶粒提供於圖案化器件(例如,光罩)MA上之情形中,圖案化器件對準標記可位於該等晶
粒之間。小對準標記亦可包括於器件特徵當中之晶粒內,在此狀況下,需要使標記儘可能地小且無需與鄰近特徵不同的任何成像或程序條件。
圖11示意性地描繪另一例示性微影投影裝置1000。該微影投影裝置1000包括:- 源收集器模組SO;- 照明系統(照明器)IL,其經組態以調節輻射光束B(例如,EUV輻射);- 支撐結構(例如,光罩台)MT,其經建構以支撐圖案化器件(例如,光罩或比例光罩)MA,且連接至經組態以準確地定位該圖案化器件之第一定位器PM;- 基板台(例如,晶圓台)WT,其經建構以固持基板(例如,抗蝕劑塗佈晶圓)W,且連接至經組態以準確地定位該基板之第二定位器PW;及- 投影系統(例如,反射投影系統)PS,其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C(例如,包含一或多個晶粒)上。
如此處所描繪,裝置1000屬於反射類型(例如,使用反射光罩)。應注意,因為大多數材料在EUV波長範圍內具吸收性,所以圖案化器件可具有包含(例如)鉬與矽之多堆疊的多層反射器。在一項實例中,多堆疊反射器具有鉬及矽之40層對。可運用X射線微影來產生更小波長。因為大多數材料在EUV及x射線波長下具吸收性,所以圖案化器件構形(topography)上之經圖案化吸收材料薄片段(例如,多層反射器之頂部上之TaN吸收器)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。
參看圖11,照明器IL自源收集器模組SO接收極紫外線(EUV)輻射
光束。用以產生EUV輻射之方法包括但未必限於運用在EUV範圍內之一或多種發射譜線將具有至少一元素(例如,氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿「LPP」)中,可藉由運用雷射光束來輻照燃料(諸如,具有譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖11中未繪示)之EUV輻射系統之部件,該雷射用以提供用以激發燃料之雷射光束。所得電漿發射輸出輻射,例如,EUV輻射,該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言,當使用CO2雷射以提供用於燃料激發之雷射光束時,雷射與源收集器模組可為分離實體。
在此等狀況下,不認為雷射形成微影裝置之部件,且輻射光束係憑藉包含(例如)合適引導鏡面及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他狀況下,舉例而言,當源為放電產生電漿EUV產生器(常常被稱作DPP源)時,源可為源收集器模組之整體部件。
照明器IL可包含經組態以調整輻射光束之角強度分佈之調整器。通常,可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外,照明器IL可包含各種其他組件,諸如,琢面化場鏡器件及琢面化光瞳鏡器件。照明器可用以調節輻射光束,以在其橫截面中具有所要均一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如,光罩台)MT上之圖案化器件(例如,光罩)MA上,且係藉由該圖案化器件而圖案化。在自圖案化器件(例如,光罩)MA反射之後,輻射光束B傳遞通過投影系統PS,投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2(例如,干涉量測器件、線性編碼器或
電容性感測器),可準確地移動基板台WT,例如,以便使不同目標部分C定位於輻射光束B之路徑中。相似地,第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化器件(例如,光罩)MA。可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如,光罩)MA及基板W。
所描繪裝置可用於以下模式中至少一者中:
1.在步進模式中,在將被賦予至輻射光束之整個圖案一次性投影至目標部分C上時,使支撐結構(例如,光罩台)MT及基板台WT保持基本上靜止(亦即,單次靜態曝光)。接著,使基板台WT在X及/或Y方向上移位,使得可曝光不同目標部分C。
2.在掃描模式中,在將被賦予至輻射光束之圖案投影至目標部分C上時,在給定方向(所謂「掃描方向」)上同步地掃描支撐結構(例如,光罩台)MT及基板台WT(亦即,單次靜態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於支撐結構(例如,光罩台)MT之速度及方向。
3.在另一模式中,在將被賦予至輻射光束之圖案投影至目標部分C上時,使支撐結構(例如,光罩台)MT保持基本上靜止,從而固持可程式化圖案化器件,且移動或掃描基板台WT。在此模式中,通常使用脈衝式輻射源,且在基板台WT之每一移動之後或在一掃描期間之順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如,上文所提及之類型之可程式化鏡陣列)之無光罩微影。
另外,微影裝置可屬於具有兩個或兩個以上台(例如,兩個或兩個以上基板台、兩個或兩個以上圖案化器件台,及/或一基板台及不具有基板之一台)之類型。在此等「多載物台」器件中,可並行地使用額外台,或可在一或多個台上進行預備步驟,同時將一或多個其他
台用於曝光。舉例而言,全文以引用方式併入本文中之美國專利第5,969,441號描述雙載物台微影裝置。
圖12更詳細地展示裝置1000,其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置成使得可將真空環境維持於源收集器模組SO之圍封結構220中。可藉由放電產生電漿源而形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如,Xe氣體、Li蒸汽或Sn蒸汽)來產生EUV輻射,其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言,藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之有效率產生,可需要為(例如)10帕斯卡之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一實施例中,提供受激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用氣體障壁或污染物截留器230(在一些狀況下,亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染截留器230亦可包括氣體障壁,或氣體障壁與通道結構之組合。如在此項技術中為吾人所知,本文進一步所指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室211可包括可為所謂掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240被反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點,且源收集器模組經配置成使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後,輻射橫穿照明系統IL,照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24,琢面化場鏡面器件22及琢面化光瞳鏡
面器件24經配置以提供在圖案化器件MA處輻射光束21之所要角分佈,以及在圖案化器件MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化器件MA處的輻射光束21之反射後,隨即形成經圖案化光束26,且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。
比所展示元件多之元件通常可存在於照明光學件單元IL及投影系統PS中。取決於微影裝置之類型,可視情況存在光柵光譜濾光器240。此外,可存在比諸圖所展示之鏡面多的鏡面,例如,在投影系統PS中可存在比圖12所展示之反射元件多1至6個的額外反射元件。
如圖12所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器,僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱,且此類型之收集器光學件CO理想地結合放電產生電漿源(常常被稱為DPP源)予以使用。替代地,源收集器模組SO可為LPP輻射系統之部件。
本文所使用之術語「投影系統」應被廣泛地解譯為涵蓋適於所使用之曝光輻射或適於諸如浸潤液體之使用或真空之使用之其他因素的任何類型之投影系統,包括折射、反射、反射折射、磁性、電磁及靜電光學系統,或其任何組合。
微影裝置亦可屬於如下類型:其中基板之至少一部分可由具有相對高折射率之液體(例如,水)覆蓋,以便填充投影系統與基板之間的空間。亦可將浸潤液體施加至微影裝置中之其他空間,例如,光罩與投影系統之間的空間。浸潤技術在此項技術中被熟知用於增加投影系統之數值孔徑。本文所使用之術語「浸潤」不意謂諸如基板之結構必須浸沒於液體中,而是僅意謂液體在曝光期間位於投影系統與基板之間。
本文所揭示之概念可用以模擬或數學地模型化涉及微影裝置之任何器件製造程序,且可在使用能夠產生愈來愈小大小之波長之新興成像技術的情況下尤其有用。已經在使用中之新興技術包括深紫外線(DUV)微影,其能夠藉由使用ArF雷射來產生193奈米之波長且甚至能夠藉由使用氟雷射來產生157奈米之波長。此外,EUV微影能夠產生在5奈米至20奈米之範圍內之波長。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上之器件製造,但應理解,所揭示概念可供任何類型之微影成像系統食用,例如,用於在除了矽晶圓以外的基板上之成像之微影成像系統。
上文所提及之圖案化器件包含或可形成設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局。此程序常常被稱作電子設計自動化(EDA)。大多數CAD程式遵循預定設計規則集合,以便產生功能設計佈局/圖案化器件。藉由處理及設計限制來設定此等規則。舉例而言,設計規則定義電路器件(諸如,閘、電容器等等)或互連線之間的空間容許度,以便確保該等電路器件或線彼此不會以不理想方式相互作用。設計規則限制通常被稱作「臨界尺寸」(CD)。可將電路之臨界尺寸定義為線或孔之最小寬度,或兩個線或兩個孔之間的最小空間。因此,CD判定經設計電路之總大小及密度。當然,積體電路製作中之目標中之一者係在基板上如實地再生原始電路設計(經由圖案化器件)。
如本文所使用之術語「光罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件,經圖案化橫截面對應於待在基板之目標部分中產生之圖案;術語「光閥」亦可用於此內容背景中。除了經典光罩(透射或反射;二元、相移、混合式等等)以外,其他此等圖案化器件之實例亦包括:
-可程式化鏡面陣列。此器件之一實例為具有黏彈性控制層及反
射表面之矩陣可定址表面。此裝置所隱含之基本原理為(例如):反射表面之經定址區域使入射輻射反射作為繞射輻射,而未經定址區域使入射輻射反射作為非繞射輻射。在使用適當濾光器的情況下,可自反射光束濾出該非繞射輻射,從而僅留下繞射輻射;以此方式,該光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適電子構件來執行所需矩陣定址。可(例如)自以引用方式併入本文中之美國專利第5,296,891號及第5,523,193號搜集到關於此等鏡面陣列之更多資訊。
-可程式化LCD陣列。以引用方式併入本文中之美國專利第5,229,872號給出此構造之一實例。
如所提及,微影蝕刻術(microlithography)為在諸如IC之器件製造中的顯著步驟,其中形成於基板上之圖案界定IC之功能元件,諸如,微處理器、記憶體晶片等等。相似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。
供印刷尺寸小於微影投影裝置之經典解析度極限之特徵的程序根據解析度公式CD=k1×λ/NA通常被稱作低k1微影,其中λ為所使用輻射之波長(當前在大多數狀況下為248奈米或193奈米),NA為微影投影裝置中之投影光學件之數值孔徑,CD為「臨界尺寸」(通常為所印刷之最小特徵大小),且k1為經驗解析度因數。一般而言,k1愈小,則在基板上再生類似於由電路設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難,將複雜微調步驟應用於微影投影裝置及/或設計佈局。此等步驟包括(例如,但不限於)NA及光學相干設定之最佳化、定製照明方案、相移圖案化器件之使用、設計佈局中之光學近接校正(OPC,有時亦被稱作「光學及程序校正」),或通常被定義為「解析度增強技術」(RET)之其他方法。
作為一實例,OPC處理如下事實:投影於基板上之設計佈局之影
像的最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化器件上之大小及置放。熟習此項技術者應認識到,尤其在微影模擬/最佳化之內容背景中,術語「光罩」/「圖案化器件」及「設計佈局」可被互換地使用,此係因為:在微影模擬/最佳化中,未必使用實體圖案化器件,而可使用設計佈局以表示實體圖案化器件。對於存在於某一設計佈局上之小特徵大小及高特徵密度,給定特徵之特定邊緣之位置將在某種程度上受到其他鄰近特徵之存在或不存在的影響。此等近接效應起因於自一個特徵耦合至另一特徵的微小量之輻射及/或諸如繞射及干涉之非幾何光學效應。相似地,近接效應可起因於在通常跟隨微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了幫助確保設計佈局之經投影影像係根據給定目標電路設計之要求,可使用設計佈局之複雜數值模型、校正或預失真來預測及補償近接效應。論文「Full-Chip Lithography Simulation and Design Analysis-How OPC Is Changing IC Design」(C.Spence,Proc.SPIE,第5751卷,第1至14頁(2005年))提供當前「以模型為基礎」之光學近接校正程序的綜述。在典型高端設計中,設計佈局之幾乎每一特徵皆具有某種修改,以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置,以及意欲輔助其他特徵之投影之「輔助」特徵的應用。
應用OPC通常不為「嚴正科學(exact science)」,而為並不總是補償所有可能近接效應之經驗反覆程序。因此,應藉由設計檢測(亦即,使用經校準數值程序模型之密集型全晶片模擬)來驗證OPC之效應(例如,在應用OPC及任何其他RET之後的設計佈局),以便最小化將設計瑕疵建置至圖案化器件圖案中的可能性。
OPC及全晶片RET驗證兩者可基於如(例如)美國專利申請公開案
第US 2005-0076322號及Y.Cao等人之名為「Optimized Hardware and Software For Fast,Full Chip Simulation」(Proc.SPIE,第5754卷,405(2005年))之論文中描述的數值模型化系統及方法。
一個RET係關於設計佈局之全域偏置之調整。全域偏置為設計佈局中之圖案與意欲印刷於基板上之圖案之間的差。舉例而言,具有25奈米直徑之圓形圖案係可藉由設計佈局中之50奈米直徑圖案或藉由設計佈局中之20奈米直徑圖案但以高劑量而印刷於基板上。
除了對設計佈局或圖案化器件之最佳化(例如,OPC)以外,亦可與圖案化器件最佳化聯合地抑或分離地最佳化照明源,以致力於改良總微影保真度。術語「照明源」及「源」在此文件中可被互換地使用。如為吾人所知,諸如環形、四極及偶極之離軸照明為用以解析圖案化器件中所含有之精細結構(亦即,目標特徵)之證實方式。然而,相比於傳統照明源,離軸照明源通常提供針對空中影像(aerial image,AI)之較小輻射強度。因此,變得需要嘗試最佳化照明源以在較精細解析度與縮減輻射強度之間達成最佳平衡。
可(例如)在Rosenbluth等人之名為「Optimum Mask and Source Patterns to Print A Given Shape」(Journal of Microlithography,Microfabrication,Microsystems 1(1),第13至20頁(2002年))之論文中找到眾多照明源最佳化途徑。將源分割成若干區,該等區中每一者對應於光瞳光譜之某一區。接著,將源分佈假定為在每一源區中均一,且針對程序窗來最佳化每一區之亮度。在Granik之名為「Source Optimization for Image Fidelity and Throughput」(Journal of Microlithography,Microfabrication,Microsystems 3(4),第509至522頁(2004年))之論文所闡述的另一實例中,綜述若干現有源最佳化途徑,且提議將源最佳化問題轉換成一系列非負最小平方最佳化的基於照明器像素之方法。
對於低k1光微影,源及圖案化器件兩者之最佳化有用於確保用於臨界電路圖案之投影的可行程序窗。一些演算法在空間頻域中將照明離散化成獨立源點且將圖案化器件圖案離散化成繞射階,且基於可藉由光學成像模型自源點強度及圖案化器件繞射階而預測之程序窗度量(諸如,曝光寬容度)來分離地公式化成本函數(其被定義為選定設計變數之函數)。如本文所使用之術語「設計變數」包含裝置或器件製造程序之參數集合,例如,微影裝置之使用者可調整之參數,或使用者可藉由調整彼等參數而調整之影像特性。應瞭解,器件製造程序之任何特性(包括源、圖案化器件、投影光學件之特性及/或抗蝕劑特性)可在最佳化中之設計變數當中。成本函數常常為設計變數之非線性函數。接著使用標準最佳化技術以最小化成本函數。
全文據此以引用方式併入本文中之共同讓與之PCT專利申請公開案第WO2010/059954號描述允許在不具有約束的情況下且在可實行時間量內使用成本函數來同步最佳化源及圖案化器件(設計佈局)之源及圖案化器件最佳化方法及系統。
全文據此以引用方式併入本文中之美國專利申請公開案第2010/0315614號描述涉及藉由調整源之像素而最佳化源的另一源及光罩最佳化方法及系統。
如本文所使用之術語「投影光學件」應被廣泛地解譯為涵蓋各種類型之光學系統,包括(例如)折射光學件、反射光學件、孔隙及反射折射光學件。術語「投影光學件」亦可包括根據此等設計類型中任一者而操作之用於集體地或單個地引導、塑形或控制投影輻射光束之組件。術語「投影光學件」可包括微影投影裝置中之任何光學組件,而不論光學組件位於微影投影裝置之光學路徑上之何處。投影光學件可包括用於在來自源之輻射通過圖案化器件之前塑形、調整及/或投影該輻射的光學組件,及/或用於在輻射通過圖案化器件之後塑形、
調整及/或投影該輻射的光學組件。投影光學件通常排除源及圖案化器件。
儘管上文可特定地參考在光學微影之內容背景中對本發明之實施例之使用,但應瞭解,本發明之實施例可用於其他應用(例如,壓印微影)中,且在內容背景允許時不限於光學微影。在壓印微影中,圖案化器件中之構形界定產生於基板上之圖案。可將圖案化器件之構形壓入被供應至基板之抗蝕劑層中,在基板上,抗蝕劑係藉由施加電磁輻射、熱、壓力或其組合而固化。在抗蝕劑固化之後,將圖案化器件移出抗蝕劑,從而在其中留下圖案。因此,使用壓印技術之微影裝置通常包括用以固持壓印模板之一模板固持器、用以固持基板之一基板台,及用以造成基板與壓印模板之間的相對移動使得可將壓印模板之圖案壓印至基板之層上的一或多個致動器。
可使用以下條項來進一步描述本發明:
1.一種用於涉及藉由一微影裝置處理之生產基板之一器件製造程序的電腦實施缺陷預測方法,該方法包含:使用一訓練集來訓練一分類模型,該訓練集包含與藉由該器件製造程序處理之該等生產基板相關聯的一程序參數之測定或經判定值,及關於與在該程序參數之該等值下在該器件製造程序中處理之該等生產基板相關聯的缺陷之存在之一指示;及自該分類模型產生指示關於一基板之一缺陷之一預測的一輸出。
2.如條項1之方法,其包含使用一另外訓練集來訓練該分類模型,該另外訓練集包含與藉由該器件製造程序處理之生產基板相關聯的一程序參數之另外測定或經判定值,及關於與在該程序參數之該等另外值下在該器件製造程序中處理之該等生產基板相關聯的缺陷之存在之一指示。
3.如條項2之方法,其中在使用該等測定或經判定值訓練該分類模型之後產生該等另外值中之至少一些。
4.如條項2或3之方法,其中該另外訓練集除了包含該等另外值以外亦包含該等測定或經判定值之至少一部分。
5.如條項1至4中任一項之方法,其進一步包含基於與藉由該器件製造程序處理之另外生產基板相關聯的該程序參數之另外測定或經判定值而重複執行該訓練。
6.如條項1至5中任一項之方法,其進一步包含使用該分類模型來演算關於該基板之該缺陷之一機率。
7.如條項6之方法,其進一步包含使用該機率來調整該器件製造程序之一參數、待圖案化至一基板上之一佈局之一參數,或此兩者。
8.如條項1至7中任一項之方法,其中關於該缺陷之存在之該指示包含藉由一光學量測工具或操作員輸入或自良率資料或電子測試資料判定之一判定。
9.如條項1至8中任一項之方法,其中關於該缺陷之存在之該指示包含藉由一經驗或計算模型之一判定。
10.如條項1至9中任一項之方法,其中關於該缺陷之存在之該指示包含藉由該微影裝置之一使用者之判定。
11.如條項1至10中任一項之方法,其中關於該缺陷之存在之該指示包含在將一佈局圖案化於一基板之每一晶粒或每一基板上之後的一判定。
12.如條項1至11中任一項之方法,其中該分類模型涉及邏輯回歸、核心邏輯回歸、支援向量機器或匯入向量機器。
13.如條項1至12中任一項之方法,其中該分類模型之類別之一數目為二。
14.如條項13之方法,其中該等類別包含缺陷之存在及缺陷之非存在。
15.如條項1至14中任一項之方法,其中該等缺陷為選自由如下各者組成的一群組之一或多者:頸縮、線拉回、線細化、CD、重疊及橋接。
16.如條項1至15中任一項之方法,其中該器件製造程序之該參數為選自由如下各者組成的一群組之一或多者:該微影裝置之一輻射源之一特性、該微影裝置之投影光學件之一特性、劑量、聚焦、一抗蝕劑之一特性、該抗蝕劑之顯影之一特性、該抗蝕劑之曝光後烘烤之一特性,及一基板之蝕刻之一特性。
17.如條項1至16中任一項之方法,其進一步包含使用一使用待圖案化於一基板上之一佈局之一參數而模擬的程序參數之值及關於與該程序參數之該等經模擬值相關聯的缺陷之存在之一指示來訓練該分類模型。
18.如條項1至17中任一項之方法,其進一步包含使用藉由一度量衡工具量測之該程序參數之值來訓練該分類模型。
19.如條項1至18中任一項之方法,其進一步包含判定關於與該程序參數之該等值相關聯的該等缺陷之存在之該指示。
20.如條項1至19中任一項之方法,其進一步包含量測或判定該程序參數之該等值,該等值為選自如下各者中之一或多者:來自一度量衡工具之測定值、良率資料,或來自一微影裝置之值。
21.如條項1至20中任一項之方法,其中該器件製造程序為一蝕刻程序。
22.如條項1至20中任一項之方法,其中該器件製造程序包含一微影圖案化程序。
23.一種訓練一分類模型之方法,該方法包含:
使用該分類模型來預測一基板中或上之一缺陷,該分類模型具有用於經微影曝光基板之一器件製造程序之一程序參數及/或使用一微影裝置而待提供於一基板上之一圖案之一佈局參數作為一獨立變數;接收關於針對該程序參數及/或該佈局參數之一測定或經判定值之一缺陷之存在的資訊;及基於該經預測缺陷及關於針對該程序參數及/或該佈局參數之該測定或經判定值之該缺陷之存在的該資訊來訓練該分類模型。
24.如條項23之方法,其中關於該缺陷之存在之該資訊包含藉由一光學量測工具量測之該器件製造程序之該程序參數之複數個值。
25.如條項23或24之方法,其進一步包含基於在該器件製造程序期間自藉由該器件製造程序處理之複數個基板量測之資料而重複該預測、該接收及該訓練。
26.如條項23至25中任一項之方法,其進一步包含使用該分類模型之一輸出來調整該器件製造程序之一參數、待圖案化至一基板上之一佈局之一參數,或此兩者。
27.如條項23至26中任一項之方法,其中該分類模型涉及邏輯回歸、核心邏輯回歸、支援向量機器或匯入向量機器。
28.一種產生一分類模型以促進在涉及藉由一微影裝置處理之生產基板之一器件製造程序中之缺陷預測的電腦實施方法,該方法包含使用一訓練集來訓練該分類模型,該訓練集包含藉由該器件製造程序處理之複數個基板之一程序參數之測定或經判定值,及關於與該程序參數之該等值相關聯的缺陷之存在之一指示。
29.如條項28之方法,其進一步包含使用該分類模型來預測一基板中之一缺陷。
30.如條項29之方法,其進一步包含提供該缺陷之機率之一評
估。
31.一種電腦程式產品,其包含經記錄有指令之一電腦可讀媒體,該等指令在由一電腦執行時實施如上述條項中任一項之方法。
以上描述意欲為說明性而非限制性的。因此,對於熟習此項技術者將顯而易見,可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。
Claims (15)
- 一種用於涉及藉由一微影裝置處理之生產基板之一器件製造程序的電腦實施缺陷預測方法,該方法包含:使用一訓練集來訓練一分類模型,該訓練集包含與藉由該器件製造程序處理之該等生產基板相關聯的一程序參數之測定或經判定值,及關於與在該程序參數之該等值下在該器件製造程序中處理之該等生產基板相關聯的缺陷之存在之一指示;及自該分類模型產生指示關於一基板之一缺陷之一預測的一輸出。
- 如請求項1之方法,其包含使用一另外訓練集來訓練該分類模型,該另外訓練集包含與藉由該器件製造程序處理之生產基板相關聯的一程序參數之另外測定或經判定值,及關於與在該程序參數之該等另外值下在該器件製造程序中處理之該等生產基板相關聯的缺陷之存在之一指示。
- 如請求項2之方法,其中在使用該等測定或經判定值訓練該分類模型之後產生該等另外值中之至少一些。
- 如請求項2或3之方法,其中該另外訓練集除了包含該等另外值以外亦包含該等測定或經判定值之至少一部分。
- 如請求項1之方法,其進一步包含基於與藉由該器件製造程序處理之另外生產基板相關聯的該程序參數之另外測定或經判定值而重複執行該訓練。
- 如請求項1之方法,其進一步包含使用該分類模型來演算關於該基板之該缺陷之一機率。
- 如請求項6之方法,其進一步包含使用該機率來調整該器件製造程序之一參數、待圖案化至一基板上之一佈局之一參數,或此 兩者。
- 如請求項1之方法,其中關於該缺陷之存在之該指示包含藉由一光學量測工具或操作員輸入或自良率資料或電子測試資料判定之一判定。
- 如請求項1之方法,其中關於該缺陷之存在之該指示包含藉由一經驗或計算模型之一判定,或藉由該微影裝置之一使用者之判定,或在將一佈局圖案化於一基板之每一晶粒或每一基板上之後的一判定。
- 如請求項1之方法,其中該分類模型涉及邏輯回歸、核心邏輯回歸、支援向量機器或匯入向量機器。
- 如請求項1之方法,其中該分類模型之類別之一數目為二。
- 如請求項11之方法,其中該等類別包含缺陷之存在及缺陷之非存在。
- 如請求項1之方法,其中該等缺陷為選自由如下各者組成的一群組之一或多者:頸縮、線拉回、線細化、CD、重疊及橋接。
- 一種訓練一分類模型之方法,該方法包含:使用該分類模型來預測一基板中或上之一缺陷,該分類模型具有用於經微影曝光基板之一器件製造程序之一程序參數及/或使用一微影裝置而待提供於一基板上之一圖案之一佈局參數作為一獨立變數;接收關於針對該程序參數及/或該佈局參數之一測定或經判定值之一缺陷之存在的資訊;及基於該經預測缺陷及關於針對該程序參數及/或該佈局參數之該測定或經判定值之該缺陷之存在的該資訊來訓練該分類模型。
- 一種產生一分類模型以促進在涉及藉由一微影裝置處理之生產 基板之一器件製造程序中之缺陷預測的電腦實施方法,該方法包含使用一訓練集來訓練該分類模型,該訓練集包含藉由該器件製造程序處理之複數個基板之一程序參數之測定或經判定值,及關於與該程序參數之該等值相關聯的缺陷之存在之一指示。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361917305P | 2013-12-17 | 2013-12-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201530333A true TW201530333A (zh) | 2015-08-01 |
TWI575395B TWI575395B (zh) | 2017-03-21 |
Family
ID=51905062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103142645A TWI575395B (zh) | 2013-12-17 | 2014-12-08 | 良率評估及控制 |
Country Status (5)
Country | Link |
---|---|
US (3) | US10627723B2 (zh) |
KR (1) | KR101924487B1 (zh) |
CN (1) | CN105849643B (zh) |
TW (1) | TWI575395B (zh) |
WO (1) | WO2015090774A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI649641B (zh) * | 2016-10-21 | 2019-02-01 | 荷蘭商Asml荷蘭公司 | 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置 |
TWI659274B (zh) * | 2017-01-23 | 2019-05-11 | 荷蘭商Asml荷蘭公司 | 產生用於控制或監控一生產程序的經預測資料 |
TWI663569B (zh) * | 2017-11-20 | 2019-06-21 | 財團法人資訊工業策進會 | 多工作站系統的品質預測方法及其系統 |
TWI667532B (zh) * | 2017-04-28 | 2019-08-01 | 荷蘭商Asml荷蘭公司 | 最佳化用於製造產品單元之製程序列 |
US11175591B2 (en) | 2016-05-12 | 2021-11-16 | Asml Netherlands B.V. | Method of obtaining measurements, apparatus for performing a process step, and metrology apparatus |
TWI761938B (zh) * | 2019-09-20 | 2022-04-21 | 芬蘭商麥拉佛益楚森公司 | 製造光纖纜線的機器學習為主的品質預測 |
TWI791610B (zh) * | 2017-09-25 | 2023-02-11 | 南韓商三星電子股份有限公司 | 對人工神經網路及浮點神經網路進行量化的方法及裝置 |
TWI800704B (zh) * | 2017-05-05 | 2023-05-01 | 荷蘭商Asml荷蘭公司 | 用以預測器件製造製程之良率的方法 |
TWI820407B (zh) * | 2019-01-29 | 2023-11-01 | 荷蘭商Asml荷蘭公司 | 用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式 |
Families Citing this family (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015090774A1 (en) * | 2013-12-17 | 2015-06-25 | Asml Netherlands B.V. | Yield estimation and control |
KR102211093B1 (ko) * | 2014-02-12 | 2021-02-03 | 에이에스엠엘 네델란즈 비.브이. | 프로세스 윈도우를 최적화하는 방법 |
WO2015189026A2 (en) * | 2014-06-10 | 2015-12-17 | Asml Netherlands B.V. | Computational wafer inspection |
CN107077077B (zh) | 2014-09-22 | 2019-03-12 | Asml荷兰有限公司 | 过程窗口识别符 |
US10152678B2 (en) * | 2014-11-19 | 2018-12-11 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
US10409165B2 (en) * | 2014-12-15 | 2019-09-10 | Asml Netherlands B.V. | Optimization based on machine learning |
US10514614B2 (en) * | 2015-02-13 | 2019-12-24 | Asml Netherlands B.V. | Process variability aware adaptive inspection and metrology |
JP6584512B2 (ja) * | 2015-09-02 | 2019-10-02 | 三菱電機株式会社 | シミュレーション装置及びシミュレーションプログラム |
US10386828B2 (en) | 2015-12-17 | 2019-08-20 | Lam Research Corporation | Methods and apparatuses for etch profile matching by surface kinetic model optimization |
KR102146434B1 (ko) * | 2015-12-17 | 2020-08-21 | 에이에스엠엘 네델란즈 비.브이. | 측정을 향상시키기 위한 비대칭 서브 해상도 피처를 사용하는 리소그래피 공정의 광학적 메트롤로지 |
WO2017114662A1 (en) * | 2015-12-31 | 2017-07-06 | Asml Netherlands B.V. | Selection of measurement locations for patterning processes |
US11580375B2 (en) * | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
US9846929B2 (en) * | 2016-03-24 | 2017-12-19 | Hong Kong Applied Science and Technology Research Institute Company Limited | Fast density estimation method for defect inspection application |
KR102188014B1 (ko) * | 2016-05-12 | 2020-12-08 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의한 결함 또는 핫스폿의 식별 |
US10197908B2 (en) | 2016-06-21 | 2019-02-05 | Lam Research Corporation | Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework |
US9929045B2 (en) * | 2016-07-14 | 2018-03-27 | Taiwan Semiconductor Manufacturing Company Ltd. | Defect inspection and repairing method and associated system and non-transitory computer readable medium |
KR20190042616A (ko) * | 2016-08-15 | 2019-04-24 | 에이에스엠엘 네델란즈 비.브이. | 반도체 제조 수율을 향상시키는 방법 |
EP3312672A1 (en) * | 2016-10-21 | 2018-04-25 | ASML Netherlands B.V. | Methods of determining corrections for a patterning process, device manufacturing method, control system for a lithographic apparatus and lithographic apparatus |
EP3336608A1 (en) * | 2016-12-16 | 2018-06-20 | ASML Netherlands B.V. | Method and apparatus for image analysis |
US10140400B2 (en) * | 2017-01-30 | 2018-11-27 | Dongfang Jingyuan Electron Limited | Method and system for defect prediction of integrated circuits |
KR102304331B1 (ko) * | 2017-02-24 | 2021-09-24 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의해 공정 모델들을 결정하는 방법들 |
US10534257B2 (en) | 2017-05-01 | 2020-01-14 | Lam Research Corporation | Layout pattern proximity correction through edge placement error prediction |
KR102380916B1 (ko) | 2017-05-12 | 2022-04-01 | 에이에스엠엘 네델란즈 비.브이. | 레지스트 현상을 평가하는 방법들 |
US10599046B2 (en) | 2017-06-02 | 2020-03-24 | Samsung Electronics Co., Ltd. | Method, a non-transitory computer-readable medium, and/or an apparatus for determining whether to order a mask structure |
US11275361B2 (en) * | 2017-06-30 | 2022-03-15 | Kla-Tencor Corporation | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process |
WO2019007590A1 (en) * | 2017-07-05 | 2019-01-10 | Asml Netherlands B.V. | DISPOSAL METHOD, UNVEILING DEVICE, LITHOGRAPHIC APPARATUS, AND METHOD FOR MANUFACTURING THE APPARATUS |
US20190049937A1 (en) * | 2017-08-09 | 2019-02-14 | Lam Research Corporation | Methods and apparatuses for etch profile optimization by reflectance spectra matching and surface kinetic model optimization |
KR102395474B1 (ko) * | 2017-08-24 | 2022-05-09 | 삼성전자주식회사 | 반도체 소자의 특성 예측 방법 및 반도체 소자의 특성 예측 장치 |
KR102405686B1 (ko) * | 2017-09-08 | 2022-06-07 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들 |
CN111316412A (zh) * | 2017-11-03 | 2020-06-19 | 东京毅力科创株式会社 | 功能性微电子装置的产出的提高 |
US10929258B1 (en) * | 2017-12-21 | 2021-02-23 | Innovative Defense Technologies, LLC | Method and system for model-based event-driven anomalous behavior detection |
US11079687B2 (en) | 2017-12-22 | 2021-08-03 | Asml Netherlands B.V. | Process window based on defect probability |
US10572697B2 (en) | 2018-04-06 | 2020-02-25 | Lam Research Corporation | Method of etch model calibration using optical scatterometry |
WO2019199697A1 (en) | 2018-04-10 | 2019-10-17 | Lam Research Corporation | Resist and etch modeling |
WO2019200015A1 (en) | 2018-04-10 | 2019-10-17 | Lam Research Corporation | Optical metrology in machine learning to characterize features |
DE102018207880A1 (de) * | 2018-05-18 | 2019-11-21 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses |
DE102018211099B4 (de) * | 2018-07-05 | 2020-06-18 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses |
CN112424826A (zh) | 2018-07-13 | 2021-02-26 | Asml荷兰有限公司 | 基于机器学习的图案分组方法 |
JP7126412B2 (ja) * | 2018-09-12 | 2022-08-26 | 東京エレクトロン株式会社 | 学習装置、推論装置及び学習済みモデル |
EP3629087A1 (en) * | 2018-09-26 | 2020-04-01 | ASML Netherlands B.V. | Method of manufacturing devices |
US11087065B2 (en) * | 2018-09-26 | 2021-08-10 | Asml Netherlands B.V. | Method of manufacturing devices |
KR102585137B1 (ko) * | 2018-10-17 | 2023-10-06 | 에이에스엠엘 네델란즈 비.브이. | 특성 패턴을 생성하고 기계 학습 모델을 트레이닝하는 방법들 |
US10832399B2 (en) * | 2018-10-23 | 2020-11-10 | International Business Machines Corporation | Detection for abnormal connectivity on a product |
KR102617197B1 (ko) * | 2018-12-28 | 2023-12-27 | 에이에스엠엘 네델란즈 비.브이. | 프린트된 기판으로부터의 측정 피드백에 기초한 패턴 랭킹 결정 |
US10977405B2 (en) | 2019-01-29 | 2021-04-13 | Lam Research Corporation | Fill process optimization using feature scale modeling |
CN113508338A (zh) * | 2019-02-20 | 2021-10-15 | Asml荷兰有限公司 | 用于表征半导体器件的制造工艺的方法 |
US11061318B2 (en) * | 2019-02-28 | 2021-07-13 | Taiwan Semiconductor Manufacturing Co., Ltd. | Lithography model calibration |
WO2020212107A1 (en) | 2019-04-15 | 2020-10-22 | Asml Netherlands B.V. | Method for determining corrections to features of a mask |
US11521309B2 (en) | 2019-05-30 | 2022-12-06 | Bruker Nano, Inc. | Method and apparatus for rapid inspection of subcomponents of manufactured component |
JP7392304B2 (ja) * | 2019-07-05 | 2023-12-06 | 富士通株式会社 | 予測プログラム、予測方法および予測装置 |
CN110718533B (zh) * | 2019-10-08 | 2021-01-29 | 上海集成电路研发中心有限公司 | 一种便于在线监控的凹陷结构及其制备方法 |
TW202129530A (zh) * | 2019-10-16 | 2021-08-01 | 美商Pdf對策公司 | 不利用裸晶級輸入資料的裸晶級產品建模 |
CN113743688B (zh) * | 2020-05-27 | 2023-10-20 | 富联精密电子(天津)有限公司 | 质量管控方法、装置、计算机装置及存储介质 |
CN114065687A (zh) * | 2020-08-07 | 2022-02-18 | 奥特斯奥地利科技与系统技术有限公司 | 基于人工智能确定用于制造部件承载件的行动规划 |
US20220075916A1 (en) * | 2020-09-07 | 2022-03-10 | Kla Corporation | System and method for accelerating physical simulation models during microelectronic device fabrication |
KR20230119653A (ko) * | 2020-12-18 | 2023-08-16 | 에이에스엠엘 네델란즈 비.브이. | 결함 위치 식별을 위한 부분 데이터세트를 기반으로 하는 기계 학습 모델 트레이닝 |
CN112698185B (zh) * | 2020-12-31 | 2023-07-21 | 海光信息技术股份有限公司 | 器件窗口检验方法、装置、设备和存储介质 |
CN114154896B (zh) * | 2021-12-09 | 2022-08-26 | 苏州捷布森智能科技有限公司 | 基于mes的智能工厂产品质量监控方法及系统 |
US20230222394A1 (en) * | 2022-01-07 | 2023-07-13 | Applied Materials, Inc. | Predictive modeling for chamber condition monitoring |
Family Cites Families (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5523193A (en) | 1988-05-31 | 1996-06-04 | Texas Instruments Incorporated | Method and apparatus for patterning and imaging member |
ATE123885T1 (de) | 1990-05-02 | 1995-06-15 | Fraunhofer Ges Forschung | Belichtungsvorrichtung. |
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
US5757507A (en) | 1995-11-20 | 1998-05-26 | International Business Machines Corporation | Method of measuring bias and edge overlay error for sub-0.5 micron ground rules |
US5805290A (en) | 1996-05-02 | 1998-09-08 | International Business Machines Corporation | Method of optical metrology of unresolved pattern arrays |
TW344877B (en) | 1996-05-03 | 1998-11-11 | Mos Electronics Taiwan Inc | Method for simultaneously measuring the accuracy and critical dimension of overlay of wafer metrology pattern |
US5701013A (en) | 1996-06-07 | 1997-12-23 | Mosel Viltelic, Inc. | Wafer metrology pattern integrating both overlay and critical dimension features for SEM or AFM measurements |
DE69735016T2 (de) | 1996-12-24 | 2006-08-17 | Asml Netherlands B.V. | Lithographisches Gerät mit zwei Objekthaltern |
KR100261164B1 (ko) | 1998-02-25 | 2000-11-01 | 김영환 | 오버레이 측정 타겟 및 이의 제조방법 |
JP4722244B2 (ja) * | 1998-07-14 | 2011-07-13 | ノバ・メジャリング・インストルメンツ・リミテッド | 所定のフォトリソグラフィ工程に従って基板を加工する装置 |
US6324298B1 (en) * | 1998-07-15 | 2001-11-27 | August Technology Corp. | Automated wafer defect inspection system and a process of performing such inspection |
US6137578A (en) | 1998-07-28 | 2000-10-24 | International Business Machines Corporation | Segmented bar-in-bar target |
US6128089A (en) | 1998-07-28 | 2000-10-03 | International Business Machines Corporation | Combined segmented and nonsegmented bar-in-bar targets |
KR20000045355A (ko) | 1998-12-30 | 2000-07-15 | 김영환 | 반도체 소자의 중첩마크 |
US6392229B1 (en) | 1999-01-12 | 2002-05-21 | Applied Materials, Inc. | AFM-based lithography metrology tool |
US6407396B1 (en) | 1999-06-24 | 2002-06-18 | International Business Machines Corporation | Wafer metrology structure |
JP2001230289A (ja) | 2000-02-15 | 2001-08-24 | Hitachi Ltd | 欠陥解析方法および欠陥解析システム |
EP1139390A1 (en) | 2000-03-28 | 2001-10-04 | Infineon Technologies AG | Semiconductor wafer pod |
US6689519B2 (en) | 2000-05-04 | 2004-02-10 | Kla-Tencor Technologies Corp. | Methods and systems for lithography process control |
US7317531B2 (en) | 2002-12-05 | 2008-01-08 | Kla-Tencor Technologies Corporation | Apparatus and methods for detecting overlay errors using scatterometry |
US7003758B2 (en) | 2003-10-07 | 2006-02-21 | Brion Technologies, Inc. | System and method for lithography simulation |
TW200622275A (en) | 2004-09-06 | 2006-07-01 | Mentor Graphics Corp | Integrated circuit yield and quality analysis methods and systems |
WO2006069255A2 (en) | 2004-12-22 | 2006-06-29 | Kla-Tencor Technologies Corp. | Methods and systems for controlling variation in dimensions of patterned features across a wafer |
KR100982135B1 (ko) | 2005-09-09 | 2010-09-14 | 에이에스엠엘 네델란즈 비.브이. | 개별 마스크 오차 모델을 사용하는 마스크 검증 방법 및시스템 |
US8010321B2 (en) | 2007-05-04 | 2011-08-30 | Applied Materials, Inc. | Metrics independent and recipe independent fault classes |
EP2153376B1 (en) | 2007-05-23 | 2011-10-19 | Nxp B.V. | Process-window aware detection and correction of lithographic printing issues at mask level |
US7937179B2 (en) * | 2007-05-24 | 2011-05-03 | Applied Materials, Inc. | Dynamic inline yield analysis and prediction of a defect limited yield using inline inspection defects |
US20090157630A1 (en) | 2007-10-26 | 2009-06-18 | Max Yuan | Method of extracting data and recommending and generating visual displays |
JP5156452B2 (ja) * | 2008-03-27 | 2013-03-06 | 東京エレクトロン株式会社 | 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置 |
WO2010059954A2 (en) | 2008-11-21 | 2010-05-27 | Brion Technologies Inc. | Fast freeform source and mask co-optimization method |
US8786824B2 (en) | 2009-06-10 | 2014-07-22 | Asml Netherlands B.V. | Source-mask optimization in lithographic apparatus |
JP5695924B2 (ja) * | 2010-02-01 | 2015-04-08 | 株式会社ニューフレアテクノロジー | 欠陥推定装置および欠陥推定方法並びに検査装置および検査方法 |
WO2012047541A1 (en) * | 2010-09-28 | 2012-04-12 | International Business Machines Corporation | Providing answers to questions using multiple models to score candidate answers |
CN102436149A (zh) * | 2011-08-29 | 2012-05-02 | 上海华力微电子有限公司 | 确定光刻工艺窗口的方法 |
JP5460662B2 (ja) * | 2011-09-07 | 2014-04-02 | 株式会社日立ハイテクノロジーズ | 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法 |
US8935643B2 (en) * | 2011-10-06 | 2015-01-13 | Mentor Graphics Corporation | Parameter matching hotspot detection |
US8464194B1 (en) | 2011-12-16 | 2013-06-11 | International Business Machines Corporation | Machine learning approach to correct lithographic hot-spots |
NL2010196A (en) | 2012-02-09 | 2013-08-13 | Asml Netherlands Bv | Lens heating aware source mask optimization for advanced lithography. |
US9275334B2 (en) | 2012-04-06 | 2016-03-01 | Applied Materials, Inc. | Increasing signal to noise ratio for creation of generalized and robust prediction models |
US9715723B2 (en) | 2012-04-19 | 2017-07-25 | Applied Materials Israel Ltd | Optimization of unknown defect rejection for automatic defect classification |
US9916653B2 (en) | 2012-06-27 | 2018-03-13 | Kla-Tenor Corporation | Detection of defects embedded in noise for inspection in semiconductor manufacturing |
US9176183B2 (en) | 2012-10-15 | 2015-11-03 | GlobalFoundries, Inc. | Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness |
US8601419B1 (en) * | 2012-11-05 | 2013-12-03 | Synopsys, Inc. | Accurate process hotspot detection using critical design rule extraction |
CN104021264B (zh) | 2013-02-28 | 2017-06-20 | 华为技术有限公司 | 一种缺陷预测方法及装置 |
US20140303912A1 (en) | 2013-04-07 | 2014-10-09 | Kla-Tencor Corporation | System and method for the automatic determination of critical parametric electrical test parameters for inline yield monitoring |
US10474774B2 (en) * | 2013-09-04 | 2019-11-12 | International Business Machines Corporation | Power and performance sorting of microprocessors from first interconnect layer to wafer final test |
US10401279B2 (en) * | 2013-10-29 | 2019-09-03 | Kla-Tencor Corporation | Process-induced distortion prediction and feedforward and feedback correction of overlay errors |
WO2015090774A1 (en) * | 2013-12-17 | 2015-06-25 | Asml Netherlands B.V. | Yield estimation and control |
KR102211093B1 (ko) | 2014-02-12 | 2021-02-03 | 에이에스엠엘 네델란즈 비.브이. | 프로세스 윈도우를 최적화하는 방법 |
-
2014
- 2014-11-14 WO PCT/EP2014/074664 patent/WO2015090774A1/en active Application Filing
- 2014-11-14 CN CN201480068175.4A patent/CN105849643B/zh active Active
- 2014-11-14 KR KR1020167019101A patent/KR101924487B1/ko active IP Right Grant
- 2014-11-14 US US15/104,517 patent/US10627723B2/en active Active
- 2014-12-08 TW TW103142645A patent/TWI575395B/zh active
-
2020
- 2020-04-17 US US16/851,477 patent/US11119414B2/en active Active
-
2021
- 2021-09-10 US US17/471,363 patent/US20210405545A1/en active Pending
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11175591B2 (en) | 2016-05-12 | 2021-11-16 | Asml Netherlands B.V. | Method of obtaining measurements, apparatus for performing a process step, and metrology apparatus |
US11774862B2 (en) | 2016-05-12 | 2023-10-03 | Asml Netherlands B.V. | Method of obtaining measurements, apparatus for performing a process step, and metrology apparatus |
TWI754153B (zh) * | 2016-05-12 | 2022-02-01 | 荷蘭商Asml荷蘭公司 | 一種獲得量測之方法、一種用於執行一處理步驟之設備、及一種度量衡設備 |
US10877381B2 (en) | 2016-10-21 | 2020-12-29 | Asml Netherlands B.V. | Methods of determining corrections for a patterning process |
US11592753B2 (en) | 2016-10-21 | 2023-02-28 | Asml Netherlands B.V. | Methods of determining corrections for a patterning process, device manufacturing method, control system for a lithographic apparatus and lithographic apparatus |
TWI649641B (zh) * | 2016-10-21 | 2019-02-01 | 荷蘭商Asml荷蘭公司 | 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置 |
TWI731581B (zh) * | 2016-10-21 | 2021-06-21 | 荷蘭商Asml荷蘭公司 | 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置 |
TWI685724B (zh) * | 2016-10-21 | 2020-02-21 | 荷蘭商Asml荷蘭公司 | 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置 |
US11782349B2 (en) | 2016-10-21 | 2023-10-10 | Asml Netherlands B.V. | Methods of determining corrections for a patterning process, device manufacturing method, control system for a lithographic apparatus and lithographic apparatus |
TWI817134B (zh) * | 2016-10-21 | 2023-10-01 | 荷蘭商Asml荷蘭公司 | 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置 |
US11327407B2 (en) | 2016-10-21 | 2022-05-10 | Asml Netherlands B.V. | Methods of determining corrections for a patterning process, device manufacturing method, control system for a lithographic apparatus and lithographic apparatus |
US11099486B2 (en) | 2017-01-23 | 2021-08-24 | Asml Netherlands B.V. | Generating predicted data for control or monitoring of a production process |
TWI659274B (zh) * | 2017-01-23 | 2019-05-11 | 荷蘭商Asml荷蘭公司 | 產生用於控制或監控一生產程序的經預測資料 |
US11106141B2 (en) | 2017-04-28 | 2021-08-31 | Asml Netherlands B.V. | Optimizing a sequence of processes for manufacturing of product units |
US11442367B2 (en) | 2017-04-28 | 2022-09-13 | Asml Netherlands B.V. | Optimizing a sequence of processes for manufacturing of product units |
TWI667532B (zh) * | 2017-04-28 | 2019-08-01 | 荷蘭商Asml荷蘭公司 | 最佳化用於製造產品單元之製程序列 |
TWI800704B (zh) * | 2017-05-05 | 2023-05-01 | 荷蘭商Asml荷蘭公司 | 用以預測器件製造製程之良率的方法 |
US11714357B2 (en) | 2017-05-05 | 2023-08-01 | Asml Netherlands B.V. | Method to predict yield of a device manufacturing process |
TWI791610B (zh) * | 2017-09-25 | 2023-02-11 | 南韓商三星電子股份有限公司 | 對人工神經網路及浮點神經網路進行量化的方法及裝置 |
TWI663569B (zh) * | 2017-11-20 | 2019-06-21 | 財團法人資訊工業策進會 | 多工作站系統的品質預測方法及其系統 |
TWI820407B (zh) * | 2019-01-29 | 2023-11-01 | 荷蘭商Asml荷蘭公司 | 用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式 |
TWI761938B (zh) * | 2019-09-20 | 2022-04-21 | 芬蘭商麥拉佛益楚森公司 | 製造光纖纜線的機器學習為主的品質預測 |
Also Published As
Publication number | Publication date |
---|---|
WO2015090774A1 (en) | 2015-06-25 |
US11119414B2 (en) | 2021-09-14 |
KR20160098446A (ko) | 2016-08-18 |
KR101924487B1 (ko) | 2018-12-03 |
US20210405545A1 (en) | 2021-12-30 |
CN105849643A (zh) | 2016-08-10 |
TWI575395B (zh) | 2017-03-21 |
US10627723B2 (en) | 2020-04-21 |
US20160313651A1 (en) | 2016-10-27 |
US20200257208A1 (en) | 2020-08-13 |
CN105849643B (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI575395B (zh) | 良率評估及控制 | |
TWI639887B (zh) | 用於辨識熱點之方法及電腦程式產品 | |
US11681229B2 (en) | Selection of measurement locations for patterning processes | |
TWI698723B (zh) | 基於機器學習的逆光學接近校正及製程模型校準 | |
TWI753517B (zh) | 半導體裝置幾何方法及系統 | |
TWI739343B (zh) | 用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品 | |
TW201937305A (zh) | 基於缺陷機率的製程窗 | |
US20220187713A1 (en) | Method and apparatus for predicting substrate image | |
TW201633192A (zh) | 藉由機器學習之特徵搜尋 | |
TW202028849A (zh) | 產生特徵圖案與訓練機器學習模型之方法 | |
TW202147035A (zh) | 用於製程度量之察覺製程控制的系統及方法 | |
TWI625603B (zh) | 用於製程窗特性之裝置及方法 | |
TWI623822B (zh) | 用以檢測基板的方法及電腦程式 | |
CN114556219A (zh) | 使用预测模型的过程监控和调节 | |
TW202332983A (zh) | 用於不對稱誘發疊對誤差之校正的機器學習模型 | |
CN118043740A (zh) | 使用带电粒子检查系统的图案化参数确定 |