TW201837759A - 藉由機器學習來判定製程模型之方法 - Google Patents

藉由機器學習來判定製程模型之方法 Download PDF

Info

Publication number
TW201837759A
TW201837759A TW107106084A TW107106084A TW201837759A TW 201837759 A TW201837759 A TW 201837759A TW 107106084 A TW107106084 A TW 107106084A TW 107106084 A TW107106084 A TW 107106084A TW 201837759 A TW201837759 A TW 201837759A
Authority
TW
Taiwan
Prior art keywords
values
process model
image
value
model
Prior art date
Application number
TW107106084A
Other languages
English (en)
Other versions
TWI724279B (zh
Inventor
亞 羅
宇 曹
王禎祥
彥文 盧
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW201837759A publication Critical patent/TW201837759A/zh
Application granted granted Critical
Publication of TWI724279B publication Critical patent/TWI724279B/zh

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
    • G03F7/705—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
    • G03F7/70058—Mask illumination systems
    • G03F7/70125—Use of illumination settings tailored to particular mask patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors

Abstract

本文中揭示判定並使用一製程模型之方法，該製程模型係一機器學習模型。部分地基於模擬或基於一非機器學習模型來訓練該製程模型。訓練資料可包括自一設計佈局、圖案化製程量測及影像量測獲得之輸入。

Description

藉由機器學習來判定製程模型之方法
本文中的描述係關於裝置製造中之製程模型化。
微影投影設備可用於例如積體電路(IC)或其他裝置之製造中。在此狀況下，圖案化裝置(例如，光罩)可含有或提供對應於IC或其它裝置之個別層的圖案(「設計佈局」)，且可藉由諸如經由圖案化裝置上之圖案來輻照目標部分的方法，將此圖案轉印至已經塗佈有輻射敏感材料層(「光阻」)之基板(例如，矽晶圓)上的目標部分(例如，包含一或多個晶粒)上。一般而言，單一基板含有複數個鄰近目標部分，電路圖案係由微影投影設備順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影投影設備中，將整個圖案化裝置上之圖案一次性轉印至一個目標部分上；此設備通常被稱作步進器。在通常被稱作步進掃描設備(step-and-scan apparatus)之替代設備中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化裝置進行掃描，同時平行或反平行於此參考方向而同步地移動基板。圖案化裝置上之圖案之不同部分逐漸地轉印至一個目標部分。因為一般而言，微影投影設備將具有縮減比率M (例如，4)，所以基板之移動速度F將為1/M時間，此時投影光束掃描圖案化裝置。可(例如)自以引用的方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影裝置的更多資訊。 在將圖案自圖案化裝置轉印至基板之前，基板可經歷各種工序，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受其他工序(「曝光後工序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤及對經轉印圖案之量測/檢測。此工序陣列係用作製造一裝置(例如，IC)之個別層的基礎。基板接著可經歷各種製程，諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械拋光等等，該等製程皆意欲精整裝置之個別層。若在設備中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在裝置。接著藉由諸如切塊或鋸切之技術來使此等裝置彼此分離，由此，可將個別裝置安裝於載體上、連接至接腳等等。 因此，製造諸如半導體裝置之裝置通常涉及使用數個製造製程來處理基板(例如，半導體晶圓)以形成該等裝置之各種特徵及多個層。通常使用(例如)沈積、微影、蝕刻、化學機械拋光及離子植入來製造及處理此等層及特徵。可在基板上之複數個晶粒上製作多個裝置，且接著將該等裝置分離成個別裝置。此裝置製造製程可被認作是圖案化製程。圖案化製程涉及使用圖案化設備中之圖案化裝置進行圖案化步驟(諸如光學及/或奈米壓印微影)以將圖案化裝置上之圖案轉印至基板，且圖案化製程通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影設備進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻設備而使用圖案進行蝕刻等等。 如所提及，微影為製造IC之中心步驟，其中形成於基板上之圖案界定裝置之功能元件，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)及其他裝置。 隨著半導體製造製程繼續進步，幾十年來，功能元件之尺寸已不斷地縮減，而每裝置的諸如電晶體之功能元件之量已在穩固地增加，此遵循通常被稱作「莫耳定律(Moore's law)」之趨勢。在當前技術狀態下，使用微影投影設備來製造裝置之層，微影投影設備使用來自深紫外線照明源之照明將設計佈局投影至基板上，從而產生尺寸遠低於100奈米之個別功能元件，亦即，小於來自照明源(例如，193奈米照明源)之輻射之波長的一半。 供印刷尺寸小於微影投影設備之經典解析度極限之特徵的此製程根據解析度公式CD = k1 ×λ/NA而通常被稱為低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為微影投影設備中之投影光學件之數值孔徑，CD為「臨界尺寸(critical dimension)」(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設備、設計佈局或圖案化裝置。此等步驟包括(例如，但不限於) NA及光學相干設定之最佳化、自訂照明方案、相移圖案化裝置之使用、設計佈局中之光學近接校正(OPC，有時亦被稱作「光學及製程校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。如本文中所使用之術語「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、孔徑及反射折射光學件。術語「投影光學件」亦可包括用於集體地或單個地導向、塑形或控制投影輻射光束的根據此等設計類型中之任一者而操作之組件。術語「投影光學件」可包括微影投影設備中之任何光學組件，而不管該光學組件在微影投影設備之光學路徑上位於何處。投影光學件可包括用於在來自源之輻射通過圖案化裝置之前塑形、調整及/或投影該輻射的光學組件，及/或用於在該輻射通過圖案化裝置之後塑形、調整及/或投影該輻射的光學組件。投影光學件通常不包括源及圖案化裝置。
本文中揭示一種方法，其包含：獲得一微影製程之一製程模型之輸入的值；獲得在由該等輸入之該等值表示的一處理條件下形成於一基板上之一影像之特性之一第一集合的值；獲得該影像之特性之一第二集合的經模擬值；及使用一電腦基於包含一樣本之訓練資料且基於該等第二特性之該等經模擬值而判定該製程模型，該樣本之特徵向量包含該等輸入之該等值且該樣本之監督信號包含特性之該第一集合之該等值。 根據一實施例，根據一設計佈局或藉由對該微影製程之量測而獲得該等輸入之該等值。 根據一實施例，該等輸入之該等值包含一照明源之特性的值、投影光學件之特性的值、一圖案化裝置之特性的值或曝光後工序之特性的值。 根據一實施例，藉由量測該影像或模擬該影像獲得特性之該第一集合之該等值。 根據一實施例，特性之該第一集合與特性之該第二集合不同。 根據一實施例，基於該等輸入之該等值獲得該等經模擬值。 根據一實施例，判定該製程模型包含使用該等經模擬值作為約束。 本文中揭示一種方法，其包含：獲得一微影製程之一參考製程模型；獲得該微影製程之一製程模型之輸入的第二值；獲得在由該製程模型之該等輸入之該等第二值表示的一處理條件下形成於一基板上之一影像之特性之一第二集合的值；使用一電腦基於包含一第二樣本之第二訓練資料且基於該參考製程模型而判定該製程模型，該第二樣本之特徵向量包含該製程模型之該等輸入之該等第二值且該第二樣本之監督信號包含特性之該第二集合的該等值。 根據一實施例，獲得該參考製程模型包含：獲得該參考製程模型之輸入的第一值；獲得在由該參考製程之該等輸入之該等第一值表示的一處理條件下形成於一基板上之一影像之特性之一第一集合的經模擬值；基於包含一第一樣本之第一訓練資料判定該參考製程模型，該第一樣本之特徵向量包含該參考製程模型之該等輸入之該等第一值且該第一樣本之監督信號包含特性之該第一集合之該等經模擬值。 根據一實施例，根據一設計佈局或藉由模擬該微影製程獲得該等輸入之該等第一值。 根據一實施例，該等輸入之該等第一值包含一照明源之特性的值、投影光學件之特性的值、一圖案化裝置之特性的值或曝光後工序之特性的值。 根據一實施例，藉由模擬該影像獲得特性之該第一集合的該等經模擬值。 根據一實施例，基於該等輸入之該等第一值獲得特性之該第一集合的該等經模擬值。 根據一實施例，該等輸入之該等第二值包含一照明源之特性的值、投影光學件之特性的值、一圖案化裝置之特性的值或曝光後工序之特性的值。 根據一實施例，藉由量測該影像獲得特性之該第二集合的該等值。 根據一實施例，判定該製程模型包含使用該參考製程模型作為約束。 本文中揭示一種方法，其包含：獲得複數個設計變數之值；藉由將該等設計變數之該等值提供至一製程模型作為其輸入而產生該製程模型之一輸出；運算該等設計變數之一成本函數，該成本函數表示該輸出與目標值之間的一偏差；在判定未滿足一終止條件後，旋即調整該等設計變數之該等值。 根據一實施例，該複數個設計變數包含表示一照明源之特性的設計變數、表示投影光學件之特性的設計變數或表示一設計佈局之特性的設計變數。 根據一實施例，該輸出包含在由該等設計變數之該等值表示的一處理條件下形成於一基板上之一影像之特性的經模擬值。 根據一實施例，調整該等設計變數之該等值係基於該製程模型。 根據一實施例，調整該等設計變數之該等值係基於該成本函數相對於該等設計變數之該等值的梯度。 本文中揭示一種方法，其包含：獲得一處理條件或一基板上之一部位；基於該處理條件或該部位判定至一第一製程模型之第一輸入，該第一製程模型係一機器學習模型；根據該等第一輸入判定該第一製程模型之一輸出；基於該處理條件或該部位判定至一第二製程模型之第二輸入，該第二製程模型係一非機器學習模型；根據該等第二輸入判定該第二製程模型之一輸出；判定該第一製程模型之該輸出與該第二製程模型之該輸出之間的偏差；在判定該等偏差滿足一條件後，旋即調整該第一製程模型。 根據一實施例，基於該第二製程模型訓練該第一製程模型。 根據一實施例，該等偏差取決於該部位或該處理條件。 根據一實施例，調整該第一製程模型包含再訓練該第一製程模型。 根據一實施例，調整該第一製程模型包含將該第一製程模型與該第二製程模型組合。 本文中揭示一種方法，其包含：獲得一微影製程之一結果之一特性的一目標值；獲得將達成彼結果之該微影製程之特性的值；使用一電腦基於包含一樣本之訓練資料而判定一模型，該樣本之特徵向量包含該目標值且該樣本之監督信號包含該微影製程之該等特性的該等值。 根據一實施例，該結果係由該微影製程形成之一影像。 根據一實施例，該結果之該特性係該影像中之一CD。 根據一實施例，該結果之該特性係該影像中之一邊緣的一部位。 本文中揭示一種電腦程式產品，其包含其上記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施本文中之該等方法中之任一者。
儘管在本文中可特定地參考IC之製造，但應明確地理解，本文中之描述具有許多其他可能的應用。舉例而言，其可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等等中。熟習此項技術者應瞭解，在此等替代應用之內容背景中，在本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被視為可分別與更一般之術語「光罩」、「基板」及「目標部分」互換。 在本文件中，術語「輻射」及「光束」係用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如，波長為365奈米、248奈米、193奈米、157奈米或126奈米)及極紫外線輻射(EUV，例如，波長介於約5奈米至100奈米的範圍內)。 圖案化裝置可包含或可形成一或多個設計佈局。可利用電腦輔助設計(computer-aided design；CAD)程式來產生設計佈局，此製程常常被稱作電子設計自動化(electronic design automation；EDA)。大多數CAD程式遵循預定設計規則之集合，以便產生功能設計佈局/圖案化裝置。藉由處理及設計限制來設定此等規則。舉例而言，設計規則界定裝置(諸如閘極、電容器等等)或互連線之間的空間容許度，以便確保裝置或線不會以不合意的方式彼此相互作用。設計規則限制中之一或多者可被稱作「臨界尺寸」(CD)。可將裝置之臨界尺寸定義為線或孔之最小寬度，或兩條線或兩個孔之間的最小空間。因此，CD判定經設計裝置之總大小及密度。當然，裝置製作中之目標中之一者係在基板上如實地再生原始裝置設計(經由圖案化裝置)。 如本文中所使用之術語「光罩」或「圖案化裝置」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裝置，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，其他此等圖案化裝置之實例亦包括： -可程式化鏡面陣列。此裝置之實例為具有黏彈性控制層及反射表面之矩陣可定址表面。此設備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為繞射輻射，而未經定址區域使入射輻射反射為非繞射輻射。在使用適當濾波器的情況下，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，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。 -可程式化LCD陣列。 作為簡要介紹，圖1說明例示性微影投影設備10A。主要組件為：輻射源12A，其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(如上文所論述，微影投影設備自身無需具有輻射源)；照明光學件，其定義部分相干性(被表示為均方偏差)且可包括塑形來自源12A之輻射的光學件14A、16Aa及16Ab；圖案化裝置18A；及透射光學件16Ac，其將圖案化裝置圖案之影像投影至基板平面22A上。在投影光學件之光瞳平面處的可調整濾光器或孔徑20A可限定沖射於基板平面22A上之光束角度之範圍，其中最大可能角度界定投影光學件之數值孔徑NA = n sin(Θmax )，其中n為投影光學件之最後一個元件與基板之間之媒介的折射率，且Θmax 為自投影光學件射出、仍可沖射於基板平面22A上之光束的最大角度。 在微影投影設備中，源向圖案化裝置提供照明(亦即，輻射)，且投影光學件經由圖案化裝置將照明導向及塑形至基板上。投影光學件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為在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溶解度的空間分佈。可使用抗蝕劑模型以根據空中影像計算抗蝕劑影像，可在全部揭示內容特此以引用方式併入本文中之美國專利申請公開案第US 2009-0157360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、曝光後烘烤及顯影期間發生的化學製程之效應)相關。微影投影設備之光學屬性(例如源、圖案化裝置及投影光學件之屬性)規定空中影像。因為可改變用於微影設備中之圖案化裝置，所以需要使圖案化裝置之屬性與至少包括(例如)源及投影光學件的微影設備之其餘部分之屬性分離。 如本文中所使用之術語「最佳化(optimizing及optimization)」係指或意謂調整圖案化製程、圖案化製程設備等等，使得圖案化製程(例如，微影步驟)之結果及/或製程具有一或多個合乎需要的特性，諸如設計佈局投影於基板上之較高準確度、較大製程窗等等。因此，如本文中所使用之術語「最佳化」係指或意謂識別用於一或多個參數之一或多個值的製程，該一或多個值相比於用於彼等一或多個參數之一或多個值之一初始集合提供至少一個相關度量之改良，例如，局域最佳。應相應地解釋「最佳」及其他相關術語。在一實施例中，最佳化步驟可反覆應用，以提供一或多個度量之進一步改良。 在一系統之最佳化製程中，可將該系統之優值(figure of merit)表示為成本函數。最佳化製程歸結為發現最佳化(例如，最小化或最大化)成本函數的一組系統參數(設計變數)的製程。成本函數可取決於最佳化之目標而具有任何合適形式。舉例而言，成本函數可為系統之某些特性相對於此等特性之預期值(例如，理想值)的偏差之經加權均方根(RMS)；成本函數亦可為此等偏差(亦即，最差偏差)之最大值。歸因於系統之實施的實務性，系統之設計變數可限於有限範圍及/或可相互相依。舉例而言，在微影設備之狀況下，約束常常與硬體之實體屬性及特性(諸如可調諧範圍及/或圖案化裝置可製造性設計規則)相關聯。 圖2中說明使用微影設備來模擬圖案化製程之例示性流程圖。向製程模型34提供以下各者以作為對其之輸入：照明之一或多個特性31 (例如，輻射強度分佈及/或相位分佈)；投影光學件之一或多個特性32 (例如，由投影光學件造成之輻射強度分佈及/或相位分佈的改變)；圖案化裝置之一或多個特性33 (例如，由圖案化裝置上之特徵配置造成或由圖案化裝置形成之輻射強度分佈及/或相位分佈的一或多個改變，該等特徵配置表示給定設計佈局)；及/或一或多個曝光後工序之一或多個特性30。製程模型34使用此等輸入判定影像35 (空中影像、抗蝕劑影像及/或蝕刻影像)之一或多個特性(例如，輪廓及/或CD)。在將基板上顯影之抗蝕劑用作蝕刻光罩來蝕刻基板之後，可將蝕刻影像定義為基板中之蝕刻量的空間分佈。 更特定言之，應注意，一或多個特性31可包括照明系統之一或多個光學特性，其包括但不限於：數值孔徑設定、照明均方偏差(σ)設定及/或特定照明形狀(例如離軸輻射源，諸如環形、四極、偶極等等)。一或多個特性32可包括投影光學件之一或多個光學特性，包括像差、失真、折射率、實體大小、實體維度等等。一或多個特性33可包括實體圖案化裝置之一或多個實體屬性，如例如在以全文引用的方式併入本文中之美國專利第7,587,704號中所描述。模擬可預測例如邊緣置放、空中影像強度斜率及/或CD，接著可將邊緣置放、空中影像強度斜率及/或CD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。 製程模型34可為運算或經驗模型。運算模型藉由在數學上遵循基礎物理或化學製程根據輸入模擬影像35或其一或多個特性。運算模型運算上往往會較昂貴，且在數學上描述基礎物理或化學製程往往會較困難。與此對比，經驗模型根據輸入使用兩者之間的相關性來判定影像35或其一或多個特性。經驗模型不一定必須使用對基礎物理或化學製程之任何理解。 經驗模型之一實例係機器學習模型。可將不受監督機器學習模型或受監督機器學習模型用作製程模型。在不限制本發明之範疇的情況下，在下文描述對受監督機器學習演算法之應用。 受監督學習為自經標記訓練資料推斷函數之機器學習任務。訓練資料包含一組訓練樣本或由一組訓練樣本組成。在受監督學習中，每一樣本係包含輸入目標(通常為向量，其可被稱為特徵向量)及所要輸出值(亦被稱為監督信號)或由該輸入目標及該所要輸出值組成之一對。在一實施例中，訓練樣本中之每一者的特徵向量可包括製程模型34之輸入的值，且監督信號可包括在由此等輸入值表示之處理條件下，形成於基板上之影像或經模擬影像的一或多個特性。舉例而言，訓練資料可包括數個圖案及在數個處理條件下形成於基板上之此等圖案之影像。受監督學習演算法分析訓練資料，並產生製程模型34之參數的值(亦即，判定或參數化製程模型34)。 給定該形式之N個訓練樣本的一集合使得係第i個樣本之特徵向量且係其監督信號，學習演算法尋求函數，其中X係輸入空間且Y係輸出空間。特徵向量係表示某一物件之數值特徵之n維向量。機器學習中之許多演算法使用物件之數值表示，因為該等表示有助於處理及統計分析。當表示影像時，特徵值可能對應於影像之像素，當表示本文時，特徵值可能對應於項出現頻率。與此等向量相關聯之向量空間常常被稱作特徵空間。函數g係可能函數G之某一空間(通常被稱作假定空間)之要素。有時以下操作係便利的：使用計分函數來表示g使得g被定義為返回給出最高計分之y值：。使F標示計分函數之空間。 儘管G及F可為函數之任何空間，但許多學習演算法係概率模型，其中g採用條件概率模型之形式，或f採用聯合概率模型之形式。舉例而言，貝氏機率(naive Bayes)及線性判別分析為聯合概率模型，而羅吉斯回歸(logistic regression)為條件概率模型。 存在用以選擇f或g之兩種基本途徑：經驗風險最小化及結構風險最小化。經驗風險最小化尋求最擬合訓練資料之函數。結構風險最小化包括控制偏置/變異數取捨之懲罰函數。 在兩種狀況下，假定訓練集具有獨立且相同分配的對之樣本。為了量測函數擬合訓練資料之良好程度，定義損失函數。對於訓練樣本，預測值之損失係。 函數g之風險經定義為g之預期損失。可根據訓練資料將此估計為。 受監督學習之例示性模型包括決策樹(decision tree)、集合方法(ensemble method) (bagging、boostingg、random forest)、k-NN、線性回歸(linear regression)、貝氏機率、類神經網路(neural network)、羅吉斯回歸、感知器(perceptron)、支援向量機(support vector machine；SVM)、關聯向量機(relevance vector machine；RVM)及深度學習(deep learning)。 SVM為受監督學習模型之一實例，其分析資料及辨識圖案，且可用於分類及回歸分析。給定訓練樣本之一集合，每一樣本經標記為屬於兩個類別中之一者，SVM訓練演算法建置將新樣本指派至一個類別或另一類別中之模型，使得其為非概率二元線性分類器。SVM模型係如空間中之點的樣本之表示，經映射以使得單獨類別之樣本由儘可能寬的清晰間隙分隔。接著將新樣本映射至同一空間中，且基於其落在間隙之哪一側來預測其屬於的類別。 除了執行線性分類外，SVM亦可使用所謂的核方法(kernel method)來有效地執行非線性分類，隱含地將其輸入映射至高維特徵空間中。 核方法僅需要使用者指定之核函數(kernel)，亦即，關於原始表示中之資料點對的相似度函數。核方法之名字歸功於核函數之使用，核函數使得其能夠在高維、隱式特徵空間中操作而無需不斷運算彼空間中之資料的座標，而是簡單地運算特徵空間中之所有資料對之影像之間的內積。此操作在運算上常常比座標之顯式運算更省事。此途徑被稱作「核技巧(kernel trick)」。 SVM之有效性取決於對核函數、核函數之參數及軟容限參數C的選擇。通常選擇高斯核函數，其具有單一參數γ。常常藉由運用按指數律成比例成長之C及γ之序列，例如； ，進行的格點搜尋(也稱為「參數拂掠(parameter sweep)」)來選擇C與γ之最佳組合。 格點搜尋為經由學習演算法之超參數空間之手動指定子集的窮盡性搜尋。格點搜尋演算法必須由某一效能度量引導，該效能度量通常由對訓練集之交叉驗證或對留存驗證集之評估來量測。 可使用交叉驗證檢查參數選擇之每一組合，且選取具有最佳交叉驗證準確度之參數。 交叉驗證(有時被稱作旋轉估計)為用於評估統計分析之結果將如何經一般化成獨立資料集的模型驗證技術。其主要用於目標為預測且人們想要估計將實際上執行預測模型的準確度的情境。在預測問題中，模型通常經給定正進行訓練之已知資料的資料集(訓練資料集)，及模型經測試之未知資料(或首次所見資料)之資料集(測試資料集)。交叉驗證之目標為定義用以「測試」訓練階段中之模型的資料集(亦即，驗證資料集)，以便限制如同過度學習之問題，獲得對模型將如何經一般化成獨立資料集(亦即，未知資料集，例如來自真實問題)之理解等等。交叉驗證之一個回合涉及將資料樣本分割成互補子集、執行對一個子集(被稱作訓練集)之分析及驗證對另一子集(被稱作驗證集或測試集)之分析。為減少變化性，使用不同分割執行多個回合之交叉驗證，且驗證結果為對該等回合求平均。 接著使用所選參數在整個訓練集上訓練可用於測試及用於將新資料分類之最終模型。 圖3A示意性地展示根據一實施例之藉由機器學習來判定製程模型之方法的流程圖。即，使用此方法進行判定之製程模型係機器學習模型。獲得製程模型34之輸入的值310，及在由輸入之值310表示的處理條件下形成於基板上之影像的一或多個特性之第一集合的值320。可自設計佈局或藉由對圖案化製程之量測而獲得輸入之值310。舉例而言，輸入之值310可具有以下各者之值：照明之一或多個特性31 (例如，輻射強度分佈及/或相位分佈)；投影光學件之一或多個特性32 (例如，由投影光學件造成之輻射強度分佈及/或相位分佈的改變)；圖案化裝置之一或多個特性33；及/或一或多個曝光後工序之一或多個特性30。可藉由使用度量衡工具量測基板上之影像或藉由模擬該影像而獲得該影像特性之第一集合的值320。訓練資料340中包括輸入之值310及影像特性之第一集合的值320以作為樣本。值310係樣本之特徵向量，且值320係樣本之監督信號。訓練資料340可具有包括表示數個圖案及/或數個處理條件之輸入之值的樣本。舉例而言，使用模型350 (例如，非機器學習模型)來獲得影像之一或多個特性之第二集合(與第一集合相同或不同)的經模擬值330。可基於輸入之值310獲得經模擬值。在工序360中，基於訓練資料340及經模擬值330而判定製程模型34。經模擬值330可用作工序360中之約束。在一實例中，可在工序360中在製程模型34並不偏離經模擬值330超出臨限值的條件下判定製程模型34。在一實例中，可在工序360中使用表示製程模型34之輸出與經模擬值330之偏離的成本函數來判定製程模型34。 圖3B示意性地展示根據一實施例之藉由機器學習來判定製程模型之方法的流程圖，其中參考製程模型371可用於判定製程模型34中。可藉由任何合適方法獲得參考製程模型371。在一實施例中，藉由以下工序獲得參考製程模型371。獲得參考製程模型之輸入的第一值311，及在由第一值311表示的處理條件下形成於基板上之影像的一或多個特性之第一集合的經模擬值321。可自設計佈局或藉由模擬圖案化製程(例如，微影步驟)而獲得第一值311。舉例而言，第一值311可具有以下各者之值：照明之一或多個特性31 (例如，輻射強度分佈及/或相位分佈)；投影光學件之一或多個特性32 (例如，由投影光學件造成之輻射強度分佈及/或相位分佈的改變)；圖案化裝置之一或多個特性33；及/或一或多個曝光後工序之一或多個特性30。舉例而言，可藉由使用模型(例如，非機器學習模型)模擬影像而獲得經模擬值321。可基於第一值311獲得經模擬值321。訓練資料341中包括第一值311及經模擬值321以作為樣本。第一值311係樣本之特徵向量，且值321係樣本之監督信號。訓練資料341可具有包括表示數個圖案及/或數個處理條件之輸入之值的樣本。在工序361中，基於訓練資料341而判定參考製程模型371。 在使用上述工序或藉由任何其他合適方法獲得參考製程模型371之後，參考製程模型371可用於判定製程模型34中。獲得製程模型34之輸入的第二值310，及在由第二值310表示的處理條件下形成於基板上之影像的一或多個特性之第二集合的值320。舉例而言，藉由使用度量衡工具量測基板上之影像而獲得影像特性之第二集合的值320。製程模型34之輸入的第二值310可具有以下各者之值：照明之一或多個特性31 (例如，輻射強度分佈及/或相位分佈)；投影光學件之一或多個特性32 (例如，由投影光學件造成之輻射強度分佈及/或相位分佈的改變)；圖案化裝置之一或多個特性33；及/或一或多個曝光後工序之一或多個特性30。訓練資料340中包括第二值310及值320以作為樣本。第二值310係樣本之特徵向量，且值320係樣本之監督信號。訓練資料340可具有包括表示數個圖案及/或數個處理條件之輸入之值的樣本。在工序360中，基於訓練資料340及參考製程模型371而判定製程模型34。舉例而言，參考製程模型371可用作工序360中之起點。舉例而言，參考製程模型371可用作工序360中之約束。在一實例中，可在工序360中在製程模型34並不偏離參考製程模型371超出臨限值的條件下判定製程模型34。在一實例中，可在工序360中使用表示製程模型34之輸出與參考製程模型371之輸出偏離的成本函數來判定製程模型34。 圖4示意性地展示根據一實施例之使用製程模型34的方法。獲得複數個設計變數之值510。設計變數可包含選自表示照明源之一或多個特性(例如，光瞳填充比，即穿過光瞳或孔徑之照明之輻射的百分比)、投影光學件之一或多個特性及/或設計佈局之一或多個特性的一或多個設計變數之任何合適組合。將設計變數之值510提供至製程模型34以作為其輸入。製程模型34產生輸出520。輸出520可包括在由設計變數之值510表示的處理條件下形成於基板上之影像之一或多個特性的經模擬值。在工序530中，運算設計變數之多變數成本函數，該成本函數表示製程模型34之輸出520與目標值540之間的偏差。在工序550中，判定是否滿足預定義終止條件。預定終止條件可包括各種可能性，例如，成本函數到達極值，成本函數之值等於臨限值或超越臨限值，成本函數之值到達預設誤差極限內，或到達預設數目個反覆。若滿足終止條件，則流程結束。若未滿足終止條件，則流程轉至工序560，其中調整設計變數之值510。可基於製程模型34而調整設計變數之值510。舉例而言，製程模型34可提供成本函數相對於設計變數之值510的梯度，且可基於梯度而調整設計變數。取決於設計變數之性質，可應用此流程以實施各種RET，諸如源光罩最佳化及/或OPC。 圖5示意性地展示根據一實施例之驗證機器學習製程模型的方法。獲得處理條件601或基板上之部位600。根據處理條件601或部位600判定至製程模型604 (其係機器學習模型)之輸入602。根據輸入602判定製程模型604之輸出606。根據處理條件601判定至製程模型605 (其係非機器學習模型)之輸入603。根據輸入603判定製程模型605之輸出607。在訓練製程模型604時可或可不涉及製程模型605。在工序608中判定輸出606與607之間的偏差。偏差可取決於基板上之部位或取決於處理條件。在工序609中，判定偏差是否滿足條件。舉例而言，條件可為偏差高於臨限值。若滿足條件，則流程轉至工序610，其中調整製程模型604 (其係機器學習模型)。調整製程模型604可包括再訓練製程模型604、將製程模型604與非機器學習製程模型(例如，製程模型605)組合(例如，求平均)等等。 機器學習還可用於產生一種模型，其採用圖案化製程之結果特性之目標值的輸入且產生將達成彼結果之圖案化製程之一或多個特性的值。舉例而言，結果可為藉由圖案化製程形成於基板上之影像(例如，空中影像、抗蝕劑影像及/或蝕刻影像)，或彼影像之特性(例如，CD、光罩誤差增強因數(MEEF)、製程窗、良率等等)。圖案化製程之一或多個特性可包括照明之一或多個特性、圖案化裝置之一或多個特性、投影光學件之一或多個特性、曝光後工序之一或多個特性或選自前述各者之任何組合。 圖6示意性地展示根據一實施例之藉由機器學習判定此模型之方法的流程圖。獲得圖案化製程(例如，微影步驟)之結果特性的目標值710，及將達成彼結果之圖案化製程(例如，微影步驟)之一或多個特性的值720。舉例而言，當結果係影像且特性係影像中之CD時，目標值710係CD之預期值(例如，如藉由設計佈局所判定)。在一實例中，結果特性係邊緣部位。訓練資料740中包括目標值710及值720以作為樣本。目標值710係呈樣本之特徵向量的形式，且值720係樣本之監督信號。在工序760中，基於訓練資料740而判定模型799。模型799看作輸入結果特性之目標值，且產生將達成彼結果之圖案化製程(例如，微影步驟)之一或多個特性的值。 圖7係說明可輔助實施本文中所揭示之方法、流程、設備或系統的電腦系統100之方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構，及與匯流排102耦接以用於處理資訊之一處理器104 (或多個處理器104及105)。電腦系統100亦包括主記憶體106，諸如隨機存取記憶體(RAM)或其他動態儲存裝置，其耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令。主記憶體106在執行待由處理器104執行之指令期間亦可用於儲存暫時變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令之唯讀記憶體(ROM) 108或其他靜態儲存裝置。提供儲存裝置110 (諸如，磁碟或光碟)且將其耦接至匯流排102以用於儲存資訊及指令。 電腦系統100可經由匯流排102而耦接至用於向電腦使用者顯示資訊之顯示器112，諸如陰極射線管(cathode ray tube；CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入裝置114耦接至匯流排102，以用於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裝置係用於將方向資訊及命令選擇傳達至處理器104且用於控制顯示器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。此輸入裝置通常具有兩個軸線(第一軸線(例如，x)及第二軸線(例如，y))中之兩個自由度，其允許裝置指定平面中之位置。觸控面板(螢幕)顯示器亦可被用作輸入裝置。 根據一個實施例，本文中之技術的全部或部分可藉由電腦系統100響應於處理器104執行主記憶體106中含有之一或多個指令的一或多個序列而執行。可將此等指令自另一電腦可讀媒體(諸如儲存裝置110)讀取至主記憶體106中。主記憶體106中含有之指令序列的執行致使處理器104執行本文中所描述之製程步驟。亦可使用多處理配置中之一或多個處理器，以執行主記憶體106中含有的指令序列。在一替代實施例中，可取代或結合軟體指令來使用硬佈線電路系統。因此，本文中之描述不限於硬體電路系統與軟體之任何特定組合。 如本文中所使用之術語「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。此媒體可呈許多形式，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，諸如儲存裝置110。揮發性媒體包括動態記憶體，諸如主記憶體106。傳輸媒體包括同軸電纜、銅線及光纖，包括包含匯流排102的線。傳輸媒體亦可呈聲波或光波之形式，諸如在射頻(RF)及紅外線(IR)資料通信期間所產生之聲波或光波。電腦可讀媒體之常見形式包括(例如)軟性磁碟、可撓性磁碟、硬碟、磁帶、任何其他磁媒體、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，初始地可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線而發送指令。在電腦系統100本端之數據機可接收電話線上之資料，且使用紅外線傳輸器以將資料轉換成紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中攜載之資料且將該資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自主記憶體106擷取且執行指令。由主記憶體106接收之指令可視情況在由處理器104執行之前或之後儲存於儲存裝置110上。 電腦系統100亦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可為整合式服務數位網路(ISDN)卡或數據機以提供對對應類型之電話線之資料通信連接。作為另一實例，通信介面118可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此實施中，通信介面118發送且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將資料通信提供至其他資料裝置。舉例而言，網路鏈路120可經由區域網路122提供至主電腦124之連接或由網際網路服務提供者(ISP) 126操作之資料裝備的連接。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)來提供資料通信服務。區域網路122及網際網路128兩者皆使用攜載數位資料串流的電信號、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之信號為輸送資訊的例示性形式之載波，該等信號將數位資料攜載至電腦系統100且自電腦系統100攜載數位資料。 電腦系統100可發送訊息，且經由網路、網路鏈路120及通信介面118接收包括程式碼之資料。在網際網路實例中，伺服器130可經由網際網路128、ISP 126、區域網路122及通信介面118而傳輸用於應用程式之經請求碼。舉例而言，一種此類經下載應用可提供本文中所描述之技術的全部或部分。經接收碼可在其被接收時由處理器104執行，及/或儲存於儲存裝置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可獲得呈載波形式之應用程式碼。 圖8示意性地描繪用於與本文中所描述之方法一起使用的例示性微影投影設備。該設備包含： -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，圖案化裝置台) MT，其具備用以固持圖案化裝置MA (例如，倍縮光罩)之圖案化裝置固持器，且連接至用以相對於項目PS來準確地定位該圖案化裝置之第一定位器； - 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； -投影系統(「透鏡」) PS (例如折射、反射或反射折射光學系統)，其用以將圖案化裝置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。 如本文中所描繪，設備屬於透射類型(亦即，具有透射圖案化裝置)。然而，一般而言，其亦可屬於反射類型，例如(具有反射圖案化裝置)。設備可使用與典型光罩不同種類之圖案化裝置；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、雷射產生電漿(laser produced plasma；LPP) EUV源)產生輻射光束。舉例而言，此光束係直接地抑或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器) IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈的外部徑向範圍及/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，照射於圖案化裝置MA上之光束B在其橫截面中具有所要均一性及強度分佈。 應注意，關於圖8，源SO可處於微影投影設備之外殼內(例如，當源SO係水銀燈時經常是這樣的情況)，但源SO亦可遠離微影投影設備，源SO產生之輻射光束被引導至該設備中(例如，憑藉合適導向鏡面)；當源SO係準分子雷射(例如，基於KrF、ArF或F2 雷射作用)時常常係此後一情境。 光束PB隨後截取被固持於圖案化裝置台MT上之圖案化裝置MA。在已橫穿圖案化裝置MA的情況下，光束B穿過透鏡PL，透鏡PL將該光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如，以便在光束PB之路徑中定位不同目標部分C。相似地，第一定位構件可用以(例如)在自圖案化裝置庫對圖案化裝置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裝置MA。一般而言，將憑藉未在圖8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。然而，在步進器(相對於步進掃描工具)的情況下，圖案化裝置台MT可僅連接至短衝程致動器，或可固定。 所描繪工具可用於兩種不同模式中： -在步進模式中，使圖案化裝置台MT保存基本上靜止，且將整個圖案化裝置影像一次性(亦即，單次「閃光」)投影至目標部分C上。接著使基板台WT在x方向及/或y方向上移位，使得可由光束PB輻照不同目標部分C； -在掃描模式中，基本上相同的情境適用，惟不在單次「閃光」中曝光給定目標部分C除外。替代地，圖案化裝置台MT在給定方向(所謂的「掃描方向」，例如，y方向)上以速度v可移動，使得致使投影光束B掃描圖案化裝置影像；並行地，同時在相同或相對方向上以速度V = Mv移動基板台WT，其中M係透鏡PL之放大率(通常，M =1/4或1/5)。以此方式，可在不必損害解析度的情況下曝光相對大目標部分C。 圖9示意性地描繪用於與本文中所描述之方法一起使用的另一例示性微影投影設備1000。 該微影投影設備1000包含： - 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，圖案化裝置台) MT，其經建構以支撐圖案化裝置(例如，光罩或倍縮光罩) MA，且連接至經組態以準確地定位該圖案化裝置之第一定位器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，其經組態以藉由圖案化裝置MA將被賦予至輻射光束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，設備1000屬於反射類型(例如，使用反射圖案化裝置)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化裝置可具有包含(例如)鉬與矽之多堆疊的多層反射器。在一個實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可運用X射線微影來產生甚至更小的波長。因為大多數材料在EUV及x射線波長下具吸收性，所以圖案化裝置構形(例如，在多層反射器之頂部上的TaN吸收器)上之經圖案化吸收材料薄件界定特徵將打印(正型抗蝕劑)或不打印(負型抗蝕劑)之處。 參看圖9，照明器IL自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但未必限於將材料轉換成具有在EUV範圍內之一或多個發射譜線的電漿狀態，其具有至少一個元素，例如，氙、鋰或錫。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9中未展示)之EUV輻射系統之部分，以用於提供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，雷射及源收集器模組可為分離實體。 在此等狀況下，雷射不被視為形成微影設備之部件，且輻射光束係憑藉包含(例如)適合導向鏡面及/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(常常被稱為DPP源)時，源可為源收集器模組之整體部件。 照明器IL可包含用於調整輻射光束之角強度分佈的調整器。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，諸如琢面化場鏡面裝置及琢面化光瞳鏡面裝置。照明器可被用以調節輻射光束，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，圖案化裝置台) MT上之圖案化裝置(例如，光罩) MA上，且經圖案化裝置而圖案化。在自圖案化裝置(例如，光罩) MA反射之後，輻射光束B穿過投影系統PS，投影系統PS將光束聚焦至基板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，干涉量測裝置、線性編碼器或電容式感測器)，可準確地移動基板台WT，例如，以便在輻射光束B之路徑中定位不同目標部分C。相似地，可使用第一定位器PM及另一位置感測器PS1來相對於輻射光束B之路徑準確地定位圖案化裝置(例如，光罩) MA。可使用圖案化裝置對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置(例如，光罩) MA及基板W。 所描繪設備1000可用於以下模式中之至少一者中： 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上的同時，使支撐結構(例如，圖案化裝置台) MT及基板台WT保存基本上靜止(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上的同時，同步地掃描支撐結構(例如，圖案化裝置台) MT及基板台WT (亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性判定基板台WT相對於支撐結構(例如，圖案化裝置台) 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上的同時，使支撐結構(例如，圖案化裝置台) MT保存基本上靜止，從而固持可程式化圖案化裝置，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裝置。此操作模式可易於應用於利用可程式化圖案化裝置(諸如上文所提及之類型的可程式化鏡面陣列)之無光罩微影。 圖10更詳細地展示設備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經建構及配置以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，氙氣體、鋰蒸汽或錫蒸汽)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜的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。為了輻射之高效產生，可需要為(例如) 10 Pa之分壓的Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一實施例中，提供經激發錫(Sn)電漿以產生EUV輻射。 由熱電漿210發射之輻射係經由定位於源腔室211中之開口中或後方的視情況選用的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。如在此項技術中已知，本文中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可包括可為所謂的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之輻射可由光柵光譜濾光器240反射，光柵光譜濾光器240待沿著由點虛線「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裝置22及琢面化光瞳鏡面裝置24，琢面化場鏡面裝置22及琢面化光瞳鏡面裝置24經配置以提供在圖案化裝置MA處的輻射光束21之所要角分佈，以及在圖案化裝置MA處的輻射強度之所要均一性。在由支撐結構MT固持之圖案化裝置MA處反射輻射光束21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。 比所展示之元件更多的元件通常可存在於照明光學件單元IL及投影系統PS中。取決於微影設備之類型，可視情況存在光柵光譜濾光器240。此外，可存在比諸圖中所展示之鏡面更多的鏡面，例如，在投影系統PS中可存在比圖10所展示之反射元件多1至6個的額外反射元件。 如圖10中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的巢套式收集器，而僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置為圍繞光軸O軸向對稱，且此類型之收集器光學件CO可與常常被稱為DPP源之放電產生電漿源組合使用。 替代地，源收集器模組SO可為如圖11中所展示之LPP輻射系統之部分。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口221上。 本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193奈米波長且甚至能夠藉由使用氟雷射來產生157奈米波長之極紫外線(EUV)、DUV微影。此外，EUV微影能夠藉由使用同步加速器或藉由運用高能電子來撞擊材料(固體或電漿)而產生在20奈米至5奈米之範圍內之波長，以便產生在此範圍內之光子。 可使用以下條項進一步描述本發明： 1. 一種方法，其包含： 獲得一圖案化製程之一製程模型之輸入的值； 獲得在由該等輸入之該等值表示的一處理條件下形成於一基板上之一影像的一或多個特性之一第一集合的值； 獲得該影像之一或多個特性之一第二集合的經模擬值；及 藉由一硬體電腦基於包含樣本之訓練資料且基於該第二集合之該等經模擬值而判定該製程模型，該等樣本之特徵向量包含該等輸入之該等值，且該等樣本之監督信號包含該第一集合之該等值。 2. 如條項1之方法，其中根據一設計佈局或藉由對該圖案化製程之量測獲得該等輸入之該等值。 3. 如條項1或條項2之方法，其中該等輸入之該等值包含一照明之一或多個特性、投影光學件之一或多個特性、一圖案化裝置之一或多個特性及/或一或多個曝光後工序之一或多個特性的值。 4. 如條項1至3中任一項之方法，其中藉由量測該影像或模擬該影像獲得該第一集合之該等值。 5. 如條項1至4中任一項之方法，其中該第一集合與該第二集合不同。 6. 如條項1至5中任一項之方法，其中基於該等輸入之該等值獲得該等經模擬值。 7. 如條項1至6中任一項之方法，其中判定該製程模型包含使用該等經模擬值作為一約束。 8. 一種方法，其包含： 獲得一圖案化製程之一參考製程模型； 獲得該圖案化製程之一製程模型之輸入的第一值； 獲得在由該等輸入之該等第一值表示的一處理條件下形成於一基板上之一影像的一或多個特性之一第一集合的值；及 藉由一硬體電腦基於包含第一樣本之第一訓練資料且基於該參考製程模型而判定該製程模型，該等第一樣本之特徵向量包含該製程模型之該等輸入之該等第一值且該等第一樣本之監督信號包含一或多個特性之第二集合的值。 9. 如條項8之方法，其中獲得該參考製程模型包含： 獲得該參考製程模型之輸入的第二值； 獲得在由該參考製程之該等輸入之該等第二值表示的一處理條件下形成於一基板上之一影像的一或多個特性之一第二集合的經模擬值；及 基於包含第二樣本之第二訓練資料判定該參考製程模型，該等第二樣本之特徵向量包含該參考製程模型之該等輸入之該等第二值且該等第二樣本之監督信號包含一或多個特性之該第一集合的該等經模擬值。 10. 如條項9之方法，其中根據一設計佈局或藉由模擬該圖案化製程獲得該等輸入之該等第二值。 11. 如條項9或條項10之方法，其中該等輸入之該等第二值包含一照明之一或多個特性、投影光學件之一或多個特性、一圖案化裝置之一或多個特性及/或一或多個曝光後工序之一或多個特性的值。 12. 如條項9至11中任一項之方法，其中藉由模擬該影像獲得一或多個特性之該第二集合的該等經模擬值。 13. 如條項9至12中任一項之方法，其中基於該參考製程模型之該等輸入之該等第二值獲得一或多個特性之該第二集合的該等經模擬值。 14. 如條項8至13中任一項之方法，其中該製程模型之該等輸入之該等第一值包含一照明之一或多個特性、投影光學件之一或多個特性、一圖案化裝置之一或多個特性及/或一或多個曝光後工序之一或多個特性的值。 15. 如條項8至14中任一項之方法，其中藉由量測該影像獲得一或多個特性之該第一集合之該等值。 16. 如條項8至15中任一項之方法，其中判定該製程模型包含使用該參考製程模型作為一約束。 17. 一種方法，其包含： 獲得複數個設計變數之值； 藉由將該等設計變數之該等值提供至一製程模型以作為其輸入，產生該製程模型之一輸出； 藉由一硬體電腦運算該等設計變數之一成本函數，該成本函數表示該輸出與目標值之間的一偏差；及 在判定未滿足一終止條件後，旋即調整該等設計變數中之一或多者的一或多個值。 18. 如條項17之方法，其中該複數個設計變數包含表示一照明源之一或多個特性、表示投影光學件之一或多個特性及/或表示一設計佈局之一或多個特性的設計變數。 19. 如條項17或條項18之方法，其中該輸出包含在由該等設計變數之該等值表示的一處理條件下形成於一基板上之一影像之一或多個特性的經模擬值。 20. 如條項17至19中任一項之方法，其中調整該等設計變數中之一或多者的該一或多個值係基於該製程模型。 21. 如條項17至20中任一項之方法，其中調整該等設計變數中之一或多者的該一或多個值係基於該成本函數相對於該等設計變數中之一或多者的一或多個值的一梯度。 22. 一種方法，其包含： 獲得一基板上之一處理條件或一部位； 基於該處理條件或該部位判定至一第一製程模型之第一輸入，該第一製程模型係一機器學習模型； 藉由一硬體電腦根據該等第一輸入判定該第一製程模型之一輸出； 基於該處理條件或該部位判定至一第二製程模型之第二輸入，該第二製程模型係一非機器學習模型； 藉由該硬體電腦根據該等第二輸入判定該第二製程模型之一輸出； 判定該第一製程模型之該輸出與該第二製程模型之該輸出之間的偏差；及 在判定該等偏差滿足一條件後，旋即調整該第一製程模型。 23. 如條項22之方法，其中基於該第二製程模型訓練該第一製程模型。 24. 如條項22或條項23之方法，其中該等偏差取決於該部位或該處理條件。 25. 如條項22至24中任一項之方法，其中調整該第一製程模型包含再訓練該第一製程模型。 26. 如條項22至25中任一項之方法，其中調整該第一製程模型包含將該第一製程模型與該第二製程模型組合。 27. 一種方法，其包含： 獲得一圖案化製程之一結果之一特性的一目標值； 獲得將達成彼結果之該圖案化製程之一或多個特性的值；及 藉由一硬體電腦基於包含樣本之訓練資料而判定一模型，該等樣本之特徵向量包含該目標值且該等樣本之監督信號包含該圖案化製程之該一或多個特性的該等值。 28. 如條項27之方法，其中該結果係由該圖案化製程形成之一影像。 29. 如條項28之方法，其中該結果之該特性係該影像中之一CD。 30. 如條項28之方法，其中該結果之該特性係該影像中之一邊緣的一部位。 31. 一種電腦程式產品，其包含其上經記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施一如條項1至30中任一項之方法。 雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如，用於在不同於矽晶圓的基板上之成像的微影成像系統。 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。
10A‧‧‧微影投影設備
12A‧‧‧輻射源
14A‧‧‧光學件/組件
16Aa‧‧‧光學件/組件
16Ab‧‧‧光學件/組件
16Ac‧‧‧透射光學件/組件
18A‧‧‧圖案化裝置
20A‧‧‧可調整濾光器或孔徑
21‧‧‧輻射光束
22‧‧‧琢面化場鏡面裝置
22A‧‧‧基板平面
24‧‧‧琢面化光瞳鏡面裝置
26‧‧‧經圖案化光束
28‧‧‧反射元件
30‧‧‧特性/反射元件
31‧‧‧特性
32‧‧‧特性
33‧‧‧特性
34‧‧‧製程模型
35‧‧‧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
110‧‧‧儲存裝置
112‧‧‧顯示器
114‧‧‧輸入裝置
116‧‧‧游標控制件
118‧‧‧通信介面
120‧‧‧網路鏈路
122‧‧‧區域網路
124‧‧‧主電腦
126‧‧‧網際網路服務提供者(ISP)
128‧‧‧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‧‧‧源腔室
212‧‧‧收集器腔室
220‧‧‧圍封結構
221‧‧‧開口
230‧‧‧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
310‧‧‧第二值
311‧‧‧第一值
320‧‧‧值
321‧‧‧值
330‧‧‧經模擬值
340‧‧‧訓練資料
341‧‧‧訓練資料
350‧‧‧模型
360‧‧‧工序
361‧‧‧工序
371‧‧‧參考製程模型
510‧‧‧值
520‧‧‧輸出
530‧‧‧工序
540‧‧‧目標值
550‧‧‧工序
560‧‧‧工序
600‧‧‧部位
601‧‧‧處理條件
602‧‧‧輸入
603‧‧‧輸入
604‧‧‧製程模型
605‧‧‧製程模型
606‧‧‧輸出
607‧‧‧輸出
608‧‧‧工序
609‧‧‧工序
610‧‧‧工序
710‧‧‧目標值
720‧‧‧值
740‧‧‧訓練資料
760‧‧‧工序
799‧‧‧模型
1000‧‧‧微影投影設備
AD‧‧‧調整構件
B‧‧‧輻射光束
C‧‧‧目標部分
CO‧‧‧聚光器/輻射收集器/近正入射收集器光學件
IF‧‧‧干涉量測構件/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
LA‧‧‧雷射
M1‧‧‧圖案化裝置對準標記
M2‧‧‧圖案化裝置對準標記
MA‧‧‧圖案化裝置
MT‧‧‧第一物件台/圖案化裝置台/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/透鏡
PS2‧‧‧位置感測器
PW‧‧‧第二定位器
SO‧‧‧源收集器模組/輻射源
W‧‧‧基板
WT‧‧‧第二物件台/基板台
圖1展示微影系統之各種子系統的方塊圖。 圖2展示用於模擬微影投影設備中之微影的流程圖。 圖3A示意性地展示根據一實施例之藉由機器學習來判定製程模型之方法的流程圖。 圖3B示意性地展示根據一實施例之藉由機器學習來判定製程模型之方法的流程圖。 圖4示意性地展示根據一實施例之使用製程模型的方法。 圖5示意性地展示根據一實施例之驗證機器學習製程模型的方法。 圖6示意性地展示根據一實施例之藉由機器學習來判定模型之方法的流程圖。 圖7係實例電腦系統之方塊圖。 圖8係微影投影設備之示意圖。 圖9係另一微影投影設備之示意圖。 圖10係圖9中之設備的更詳細視圖。 圖11係圖9及圖10之設備之源收集器模組SO的更詳細視圖。

Claims (15)

  1. 一種方法，其包含： 獲得一圖案化製程之一製程模型之輸入的值； 獲得在由該等輸入之該等值表示的一處理條件下形成於一基板上之一影像的一或多個特性之一第一集合的值； 獲得該影像之一或多個特性之一第二集合的經模擬值；及 藉由一硬體電腦基於包含樣本之訓練資料且基於該第二集合之該等經模擬值而判定該製程模型，該等樣本之特徵向量包含該等輸入之該等值，且該等樣本之監督信號包含該第一集合之該等值。
  2. 如請求項1之方法，其中根據一設計佈局或藉由對該圖案化製程之量測獲得該等輸入之該等值。
  3. 如請求項2之方法，其進一步包含運算該等輸入值之一成本函數。
  4. 如請求項3之方法，其中該成本函數表示該製程模型之一輸出與該等輸入值之間的一偏差。
  5. 如請求項3之方法，其進一步包含： 在判定未滿足一終止條件後，旋即調整該等輸入值之一或多個值。
  6. 如請求項5之方法，其中該調整該等輸入值係基於該成本函數相對於該等輸入值之一或多個值的一梯度。
  7. 如請求項5之方法，其中該調整該輸入之該等值包含再訓練該製程模型。
  8. 如請求項1之方法，其中該影像之該等特性係該影像中之一臨界尺寸(CD)。
  9. 如請求項1之方法，其中該影像之該等特性係該影像中之一邊緣的一部位。
  10. 如請求項1之方法，其中該等輸入之該等值包含一照明之一或多個特性、投影光學件之一或多個特性、一圖案化裝置之一或多個特性及/或一或多個曝光後工序之一或多個特性的值。
  11. 如請求項1之方法，其中藉由量測該影像或模擬該影像獲得該第一集合之該等值。
  12. 如請求項1之方法，其中該第一集合與該第二集合不同。
  13. 如請求項1之方法，其中基於該等輸入之該等值獲得該等經模擬值。
  14. 如請求項1之方法，其中判定該製程模型包含使用該等經模擬值作為一約束。
  15. 一種電腦程式產品，其包含其上記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施一如請求項1之方法。
TW107106084A 2017-02-24 2018-02-23 藉由機器學習來判定製程模型之方法 TWI724279B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762463560P 2017-02-24 2017-02-24
US62/463,560 2017-02-24

Publications (2)

Publication Number Publication Date
TW201837759A true TW201837759A (zh) 2018-10-16
TWI724279B TWI724279B (zh) 2021-04-11

Family

ID=61557235

Family Applications (2)

Application Number Title Priority Date Filing Date
TW107106084A TWI724279B (zh) 2017-02-24 2018-02-23 藉由機器學習來判定製程模型之方法
TW110108136A TWI833068B (zh) 2017-02-24 2018-02-23 藉由機器學習來判定製程模型之方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW110108136A TWI833068B (zh) 2017-02-24 2018-02-23 藉由機器學習來判定製程模型之方法

Country Status (5)

Country Link
US (2) US10948831B2 (zh)
JP (1) JP6906058B2 (zh)
KR (2) KR102449586B1 (zh)
TW (2) TWI724279B (zh)
WO (1) WO2018153866A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI672639B (zh) * 2018-11-22 2019-09-21 台達電子工業股份有限公司 使用模擬物件影像之物件辨識系統及其方法
CN111125995A (zh) * 2018-10-31 2020-05-08 台湾积体电路制造股份有限公司 测试图案产生系统及方法
TWI705389B (zh) * 2019-01-29 2020-09-21 美商超捷公司 使用4-閘極非揮發性記憶體單元陣列之神經網路分類器
TWI705390B (zh) * 2019-01-29 2020-09-21 美商超捷公司 使用堆疊式閘極非揮發性記憶體單元陣列之神經網路分類器
US10803943B2 (en) 2017-11-29 2020-10-13 Silicon Storage Technology, Inc. Neural network classifier using array of four-gate non-volatile memory cells
TWI725707B (zh) * 2019-01-29 2021-04-21 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、及相關的電腦程式及非暫時性電腦程式載體
US11270763B2 (en) 2019-01-18 2022-03-08 Silicon Storage Technology, Inc. Neural network classifier using array of three-gate non-volatile memory cells
US11308383B2 (en) 2016-05-17 2022-04-19 Silicon Storage Technology, Inc. Deep learning neural network classifier using non-volatile memory array
US11409352B2 (en) 2019-01-18 2022-08-09 Silicon Storage Technology, Inc. Power management for an analog neural memory in a deep learning artificial neural network
US11423979B2 (en) 2019-04-29 2022-08-23 Silicon Storage Technology, Inc. Decoding system and physical layout for analog neural memory in deep learning artificial neural network
US11544349B2 (en) 2019-01-25 2023-01-03 Microsemi Soc Corp. Method for combining analog neural net with FPGA routing in a monolithic integrated circuit
TWI791949B (zh) * 2019-03-15 2023-02-11 日商住友重機械工業股份有限公司 監視裝置、顯示裝置、監視方法及監視程式
CN116985021A (zh) * 2023-09-27 2023-11-03 深圳市永霖科技有限公司 一种智能抛光装置和方法

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019177905A1 (en) 2018-03-13 2019-09-19 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
KR102617197B1 (ko) * 2018-12-28 2023-12-27 에이에스엠엘 네델란즈 비.브이. 프린트된 기판으로부터의 측정 피드백에 기초한 패턴 랭킹 결정
JP7171468B2 (ja) * 2019-02-20 2022-11-15 キヤノン株式会社 情報処理装置、プログラム、リソグラフィ装置、物品の製造方法、物品の製造システム、及び出力方法
JP7108562B2 (ja) * 2019-02-22 2022-07-28 株式会社日立製作所 処理の制御パラメータの決定方法、及び計測システム
JP6790154B2 (ja) * 2019-03-07 2020-11-25 東芝デジタルソリューションズ株式会社 協調型学習システム及び監視システム
US20220179321A1 (en) * 2019-03-25 2022-06-09 Asml Netherlands B.V. Method for determining pattern in a patterning process
CN113661447A (zh) * 2019-04-04 2021-11-16 Asml荷兰有限公司 用于预测衬底图像的方法和设备
US11966840B2 (en) * 2019-08-15 2024-04-23 Noodle Analytics, Inc. Deep probabilistic decision machines
US10885259B2 (en) * 2019-08-30 2021-01-05 Intel Corporation Random forest model for prediction of chip layout attributes
US11327409B2 (en) 2019-10-23 2022-05-10 Canon Kabushiki Kaisha Systems and methods for curing an imprinted field
KR102365658B1 (ko) * 2019-12-05 2022-02-18 포항공과대학교 산학협력단 트래픽 분류 방법 및 장치
US11443045B2 (en) * 2020-05-05 2022-09-13 Booz Allen Hamilton Inc. Methods and systems for explaining a decision process of a machine learning model
DE102020209573A1 (de) 2020-07-29 2022-02-03 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben einer Lasermaterialbearbeitungsmaschine
DE102020209570A1 (de) 2020-07-29 2022-02-03 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben einer Lasermaterialbearbeitungsmaschine
KR102438656B1 (ko) * 2020-11-27 2022-08-31 주식회사 에이아이비즈 반도체 소자 제조 공정의 공정 업데이트 및 불량 원인 분석 방법
US11710228B2 (en) * 2021-03-05 2023-07-25 Applied Materials, Inc. Detecting an excursion of a CMP component using time-based sequence of images and machine learning
US20220397515A1 (en) * 2021-06-10 2022-12-15 Applied Materials, Inc. Obtaining substrate metrology measurement values using machine learning
US11965798B2 (en) 2021-06-10 2024-04-23 Applied Materials, Inc. Endpoint detection system for enhanced spectral data collection
WO2022261358A1 (en) * 2021-06-10 2022-12-15 Applied Materials, Inc. Substrate process endpoint detection using machine learning
US11901203B2 (en) 2021-06-10 2024-02-13 Applied Materials, Inc. Substrate process endpoint detection using machine learning
EP4105746A1 (en) * 2021-06-17 2022-12-21 Saint-Gobain Glass France Method for adjusting parameters of a coating process to manufacture a coated transparent substrate
US20230013095A1 (en) * 2021-07-14 2023-01-19 Applied Materials, Inc. Methods, mediums, and systems for identifying tunable domains for ion beam shape matching
EP4261617A1 (en) * 2022-04-14 2023-10-18 ASML Netherlands B.V. Methods of metrology and associated devices

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997033205A1 (en) 1996-03-06 1997-09-12 Philips Electronics N.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
JP2000162758A (ja) 1998-11-30 2000-06-16 Matsushita Electric Ind Co Ltd 光学的近接効果補正方法
US7523076B2 (en) 2004-03-01 2009-04-21 Tokyo Electron Limited Selecting a profile model for use in optical metrology using a machine learning system
JP4954211B2 (ja) 2005-09-09 2012-06-13 エーエスエムエル ネザーランズ ビー．ブイ． 個別マスクエラーモデルを使用するマスク検証を行うシステムおよび方法
JP2008122929A (ja) * 2006-10-20 2008-05-29 Toshiba Corp シミュレーションモデルの作成方法
KR20100083765A (ko) * 2007-08-17 2010-07-22 인스티튜트 포 에너지테크니크 가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
JP5913979B2 (ja) 2008-06-03 2016-05-11 エーエスエムエル ネザーランズ ビー．ブイ． モデルベースのプロセスシミュレーション方法
US9140998B2 (en) * 2010-11-12 2015-09-22 Asml Netherlands B.V. Metrology method and inspection apparatus, lithographic system and device manufacturing method
KR20130006737A (ko) 2011-02-28 2013-01-18 삼성전자주식회사 반도체 소자의 제조방법
NL2009982A (en) 2012-01-10 2013-07-15 Asml Netherlands Bv Source mask optimization to reduce stochastic effects.
US20140123084A1 (en) 2012-11-01 2014-05-01 Taiwan Semiconductor Manufacturing Company, Ltd. System and Method for Improving a Lithography Simulation Model
CN105452963B (zh) * 2013-08-13 2017-08-22 Asml荷兰有限公司 用于评价结构的所感兴趣的参数的值的重构品质的方法和检验设备以及计算机程序产品
WO2015090774A1 (en) * 2013-12-17 2015-06-25 Asml Netherlands B.V. Yield estimation and control
WO2016086138A1 (en) * 2014-11-25 2016-06-02 Stream Mosaic, Inc. Improved process control techniques for semiconductor manufacturing processes
WO2016096309A1 (en) 2014-12-15 2016-06-23 Asml Netherlands B.V. Optimization based on machine learning
KR102441582B1 (ko) * 2015-07-23 2022-09-07 삼성전자주식회사 Mpc 검증 방법 및 그 검증 방법을 포함한 마스크 제조방법
EP3398123A4 (en) * 2015-12-31 2019-08-28 KLA - Tencor Corporation ACCELERATED TRAINING OF A MODEL BASED ON AUTOMATIC LEARNING FOR SEMICONDUCTOR APPLICATIONS
US10789548B1 (en) * 2016-09-12 2020-09-29 Amazon Technologies, Inc. Automatic re-training of offline machine learning models

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11972795B2 (en) 2016-05-17 2024-04-30 Silicon Storage Technology, Inc. Verification of a weight stored in a non-volatile memory cell in a neural network following a programming operation
US11829859B2 (en) 2016-05-17 2023-11-28 Silicon Storage Technology, Inc. Verification of a weight stored in a non-volatile memory cell in a neural network following a programming operation
US11308383B2 (en) 2016-05-17 2022-04-19 Silicon Storage Technology, Inc. Deep learning neural network classifier using non-volatile memory array
US11790208B2 (en) 2016-05-17 2023-10-17 Silicon Storage Technology, Inc. Output circuitry for non-volatile memory array in neural network
US10803943B2 (en) 2017-11-29 2020-10-13 Silicon Storage Technology, Inc. Neural network classifier using array of four-gate non-volatile memory cells
CN111125995A (zh) * 2018-10-31 2020-05-08 台湾积体电路制造股份有限公司 测试图案产生系统及方法
CN111125995B (zh) * 2018-10-31 2023-10-17 台湾积体电路制造股份有限公司 测试图案产生系统及方法
TWI672639B (zh) * 2018-11-22 2019-09-21 台達電子工業股份有限公司 使用模擬物件影像之物件辨識系統及其方法
US11646075B2 (en) 2019-01-18 2023-05-09 Silicon Storage Technology, Inc. Neural network classifier using array of three-gate non-volatile memory cells
US11270763B2 (en) 2019-01-18 2022-03-08 Silicon Storage Technology, Inc. Neural network classifier using array of three-gate non-volatile memory cells
US11409352B2 (en) 2019-01-18 2022-08-09 Silicon Storage Technology, Inc. Power management for an analog neural memory in a deep learning artificial neural network
US11544349B2 (en) 2019-01-25 2023-01-03 Microsemi Soc Corp. Method for combining analog neural net with FPGA routing in a monolithic integrated circuit
TWI725707B (zh) * 2019-01-29 2021-04-21 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、及相關的電腦程式及非暫時性電腦程式載體
US11687007B2 (en) 2019-01-29 2023-06-27 Asml Netherlands B.V. Method for decision making in a semiconductor manufacturing process
US11270771B2 (en) 2019-01-29 2022-03-08 Silicon Storage Technology, Inc. Neural network classifier using array of stacked gate non-volatile memory cells
TWI705390B (zh) * 2019-01-29 2020-09-21 美商超捷公司 使用堆疊式閘極非揮發性記憶體單元陣列之神經網路分類器
TWI705389B (zh) * 2019-01-29 2020-09-21 美商超捷公司 使用4-閘極非揮發性記憶體單元陣列之神經網路分類器
TWI791949B (zh) * 2019-03-15 2023-02-11 日商住友重機械工業股份有限公司 監視裝置、顯示裝置、監視方法及監視程式
US11423979B2 (en) 2019-04-29 2022-08-23 Silicon Storage Technology, Inc. Decoding system and physical layout for analog neural memory in deep learning artificial neural network
CN116985021A (zh) * 2023-09-27 2023-11-03 深圳市永霖科技有限公司 一种智能抛光装置和方法

Also Published As

Publication number Publication date
TW202123060A (zh) 2021-06-16
WO2018153866A1 (en) 2018-08-30
KR20210118471A (ko) 2021-09-30
JP6906058B2 (ja) 2021-07-21
KR20190117724A (ko) 2019-10-16
US20210271172A1 (en) 2021-09-02
JP2020510856A (ja) 2020-04-09
KR102304331B1 (ko) 2021-09-24
TWI833068B (zh) 2024-02-21
TWI724279B (zh) 2021-04-11
US10948831B2 (en) 2021-03-16
US20200026196A1 (en) 2020-01-23
KR102449586B1 (ko) 2022-10-04

Similar Documents

Publication Publication Date Title
TWI833068B (zh) 藉由機器學習來判定製程模型之方法
TWI639887B (zh) 用於辨識熱點之方法及電腦程式產品
TWI698723B (zh) 基於機器學習的逆光學接近校正及製程模型校準
TWI655553B (zh) 用於微影程序的電腦實施方法及電腦程式產品
TWI617933B (zh) 藉由機器學習之特徵搜尋
TWI747212B (zh) 在圖案化程序中判斷圖案之方法
TWI752539B (zh) 用於模型校準以減少模型預測不確定性的預測資料選擇
TW202113500A (zh) 用於改善圖案化製程之訓練機器學習模型的方法
TW202117575A (zh) 用於在參數化模型預測中提高確定性的方法
TW202028849A (zh) 產生特徵圖案與訓練機器學習模型之方法
KR20230038764A (ko) 노이즈 제거 모델 생성 장치 및 방법
TW202210954A (zh) 用於選擇資訊模式以訓練機器學習模型之設備及方法
TWI667553B (zh) 判定圖案之特性之方法
TW202307722A (zh) 蝕刻系統、模型、及製造程序
TWI813192B (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
CN115729052A (zh) 记录有指令的非瞬态计算机可读介质
CN116615750A (zh) 用于基于图案化衬底的图像确定三维数据的装置和方法