TW202018435A - 推定缺陷之發生的系統及電腦可讀媒體 - Google Patents

推定缺陷之發生的系統及電腦可讀媒體 Download PDF

Info

Publication number
TW202018435A
TW202018435A TW108140768A TW108140768A TW202018435A TW 202018435 A TW202018435 A TW 202018435A TW 108140768 A TW108140768 A TW 108140768A TW 108140768 A TW108140768 A TW 108140768A TW 202018435 A TW202018435 A TW 202018435A
Authority
TW
Taiwan
Prior art keywords
edge
probability
data
defects
occurrence
Prior art date
Application number
TW108140768A
Other languages
English (en)
Other versions
TWI724619B (zh
Inventor
福田宏
Original Assignee
日商日立全球先端科技股份有限公司
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 日商日立全球先端科技股份有限公司 filed Critical 日商日立全球先端科技股份有限公司
Publication of TW202018435A publication Critical patent/TW202018435A/zh
Application granted granted Critical
Publication of TWI724619B publication Critical patent/TWI724619B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • 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
    • G03F7/70605—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/418—Imaging electron microscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Telephonic Communication Services (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

以較少的檢查點數推定機率性圖案缺陷般之缺陷的發生。因此，在本揭示中，提案一種系統及電腦可讀媒體，其係取得或發生與根據晶圓上之複數計測點之計測資料而被求出的圖案之邊緣存在於第1位置之機率有關的第1資料之工程，和取得或發生與上述邊緣位於上述第1位置之時，膜缺陷覆蓋包含與該第1位置不同之第2位置和上述第1位置之區域的機率有關的第2資料之工程，和根據上述第1資料和上述第2資料之積，預測上述缺陷之發生機率。

Description

推定缺陷之發生的系統及電腦可讀媒體
本揭示係關於推定缺陷之發生的系統及電腦可讀媒體，尤其關於高精度地推定在機率上非常少發生的微細之圖案缺陷之發生機率的方法、系統及電腦可讀媒體。
隨著半導體裝置之微細化，使用可以使持有奈米等級之寬度的圖案可視化的掃描電子顯微鏡(Scanning Electron Microscope:SEM)之計測或檢查之重要性逐步增大。在非專利文獻1說明在機率上非常少發生的微細圖案缺陷。 [先前技術文獻] [非專利文獻] [非專利文獻1] Peter De Bisschop,“Stochastic effects in EUV lithography: random, local CD variability, and printing failures,” Journal of Micro/Nanolithography, MEMS, and MOEMS,16(4),041013(2017)
[發明所欲解決之課題] 機率性圖案缺陷係當曝光例如龐大數量的圖案之時，隨機發生的缺陷。雖然其發生機率極低，但是因在前端裝置上存在極多微細圖案，故即使發生機率低的缺陷，亦會對良率造成影響。再者，因機率性圖案缺陷極微細，故難以在光學式檢查裝置進行檢測，期待使用SEM般之擴大微細缺陷並使畫像化之裝置來進行檢查。但是，倍率越高，為了進行特定面積之檢查，需要更多的時間。 另外，在半導體裝置之製造工程中，要求更早捕捉製造裝置、材料、製程等之條件之變動(晶圓異物、光阻塗佈顯像面內分布變動、遮罩或光學系統之劣化)，進行該些適當之調整或所需的處理。當例如對光阻投影光而進行圖案製作之投影曝光裝置之聚焦條件或曝光量等變動時，因圖案之完成結果變化，故要求評估試料而在適當的時序進行調整，但是為了檢測出有無機率性圖案缺陷需要更多的時間，另外，高頻率地調整製造裝置成為半導體裝置之生產量下降的主要原因。 雖然在非專利文獻1有針對機率性圖案缺陷的介紹，但是並無與針對機率性圖案缺陷般之極少發生的缺陷的適當評估法有關的揭示。以下，針對以較少的檢查點數推定機率性圖案缺陷般之缺陷的發生為目的的系統及電腦可讀媒體予以說明。 [用以解決課題之手段] 作為用以達成上述目的之一態樣，提案一種系統及電腦可讀媒體，其係取得或發生與根據晶圓上之複數計測點之計測資料而被求出的圖案之邊緣存在於第1位置之機率有關的第1資料之工程，和取得或發生與上述邊緣位於上述第1位置之時，膜缺陷覆蓋包含與該第1位置不同之第2位置和上述第1位置之區域的機率有關的第2資料之工程，和根據上述第1資料和上述第2資料之積，預測上述缺陷之發生機率。 [發明之效果] 若藉由上述構成時，能夠以較少的檢查點數推定機率性圖案缺陷般之缺陷的發生。
近來，發展使用波長13nm之EUV(Extreme Ultraviolet)光之投影曝光法，將20nm以下之積體電路圖案大量並且高速地轉印至晶圓上之EUV微影的開發。但是，認為當使用EUV微影而使圖案微細化之時，隨機(Stochastic)缺陷或機率性圖案缺陷之存在成為良率下降之主要原因。即是，當已對微細線與間隔圖案或密集孔、點等、相同尺寸、相同設計之龐大數量的圖案進行EUV曝光時，在隨機位置發生線間的橋接、線的斷線、孔或點之消失等之致命的缺陷。 雖然其發生機率極低，為10-12 ～10-4 程度，但是在前端裝置，於300mm直徑之晶圓上，因在每個裝置層存在1012 個以上之微細圖案，故假設以上述機率發生缺陷時，在晶圓上發生多數缺陷，良率下降。再者，缺陷發生機率依圖案之完成尺寸不同而變化很多(例如，1nm，一位數等)。因此，圖案之尺寸管理的重要性被指出。 因機率性缺陷或機率性圖案缺陷之發生機率極低，故為了直接管理此，必須檢查龐大數量之圖案。另外，因缺陷尺寸微細，故難以光學性地檢測出，以電子線檢查為佳。但是，比起光學檢查，以低速之電子線檢查，在檢查龐大數量之圖案需要大量的時間。例如，每小時取得1萬片1微米見方的畫像之情況，在檢查1mm見方區域之全面，需要100小時。可知即使將畫像尺寸設為10微米見方，每小時的畫像數設為10萬片，要進行大於1cm見方的積體電路晶片或晶圓全面之檢查在現實上亦極為困難。 另外，當計測晶圓上之某部分的區域(例如1mm見方)所含的多數相同設計之圖案(例如，記憶體單元圖案等)之尺寸時，其分布偏離正規分布。以下，針對利用圖案尺寸之分布和機率性圖案缺陷之關係，從現實上可能的數量之圖案尺寸計測結果，以高精度預測機率性圖案缺陷之發生機率之例予以說明。 首先，針對EUV光等所致的光阻之反應過程予以說明。當對光阻膜照射圖案狀之光時，在氟化氬(ArF)準分子雷射(波長193nm)等之DUV(Deep Ultraviolet)光中，光阻膜中之分子結合吸收光子而產生光反應。或是，在EUV光中，膜中之原子吸收光子，各向等性地釋放出光電子。光電子係藉由周邊原子所致的彈性散射改變行進方向，藉由非彈性散射，損耗能量，並且發生二次電子。該現象係在光電子能量成為一定水準以下之時點停止。藉由能量為5～10meV之二次電子，分子產生反應。該反應依光阻材料之反應原理有各式各樣情況。 現在代表性的光阻係化學增幅光阻(CAR)，以酸發生劑(PAG)和包含複數個極性轉換基之基質聚合物為構成要素。在DUV中係光子，在EUV中係吸收有二次電子之能量的酸發生劑(PAG)分子生成酸，在以酸發生位置為中心之酸擴散長之範圍內，酸作為觸媒發揮作用，產生觸媒鏈長個(1個酸誘發的觸媒反應數)之聚合物、分子之極性基的極性反轉反應。當聚合物內之極性反轉基數超過某臨界值時，聚合物之溶解性反轉，藉由顯像製程形成圖案。 另外，在40nm以下之圖案製作中，確認出在圖案之邊緣，形成如圖2(a)所示般之奈米等級之隨機的凹凸(Line Edge Roughness:LER)。其主要原因係上述光子數之散粒雜訊和光阻材料之空間性的組成偏差、反應之機率性變動等。 LER被形成在藉由使用氟化氬準分子雷射之曝光而被形成的圖案，和藉由使用EUV光之曝光而被形成的圖案之雙方，另外，機率性圖案缺陷在藉由使用氟化氬準分子雷射之曝光而被形成的圖案中不被確認。因此，後者被認為由於在20nm以下之區域特有的光阻材料之問題，或波長之不同(光子數及光子能量不同所致的反應過程之不同)所引起，其原因也未必明顯。 在此，將主圖案形成和機率性圖案缺陷發生定義成下述般。將在應殘留設計上之光阻的區域(圖案部)殘留特定厚度的膜，並且光阻應被除去之區域(非圖案部)之光阻完全被除去之狀態定義成圖案形成。接著，將在上述非圖案部之一部，殘存所期望膜厚之特定比率(例如10～30%)以上之光阻之情況，定義為殘存膜缺陷，將在上述圖案部之一部，光阻膜消失所期望膜厚之特定比率(例如10～30%)以上之情況，定義為消失膜缺陷。 上述特定比率係藉由蝕刻製程而決定。並且，將上述膜缺陷之區域在阻礙設計圖案之功能的範圍擴展，對接著進行的蝕刻中之光阻遮罩功能造成障礙之情況，定義為圖案缺陷。例如，有殘存膜缺陷在連結兩個獨立設定圖案間之區域擴展之情況(橋接缺陷，例如圖2(b))、掩埋微細開口圖案之全面之情況(消失開口，圖2(d)之中央的圖案、膜消失缺陷切斷線狀之設計圖案之情況(斷裂缺線，圖2(c))、微細點圖案之一部分消失之情況(消失點，圖2(e))等。 另外，雖然根據機率性缺陷之發生的推測，例如，可以特定朝曝光裝置之曝光條件的反饋之適當時序，其結果，不用進行高頻率的曝光條件調整，可以繼續半導體製造，但是並不限定於此，例如亦可推定因遮罩污染而引起的機率性缺陷之發生。藉由遮罩污染之機率性缺陷之發生的確定，能夠在適當的時序實施遮罩圖案製作。並且，根據因以附著於晶圓背面之異物為原因的對焦移動而引起的機率性缺陷之推定，適當地計畫晶圓背面之洗淨處理之時序。再者，本揭示之推定法亦能使用於光阻製程(塗佈顯像軌道)之異常所致的光阻靈敏度位移等而引起的機率性缺陷之發生推定。 並且，若藉由本揭示之手法，可以檢測出異常的晶圓，亦能夠適用於異常的晶圓之排除。 若藉由發明者之研討，上述隨機發生之圖案缺陷之發生機率，係以上述主圖案之邊緣位置之存在機率，和在與上述邊緣相接的區域連續性地發生膜缺陷之機率的兩個機率之積來表示。即是，可以以具有兩個事象之條件的機率來表示。於是，在以下說明的實施例中，如圖1所示般，藉由SEM等之計測手段，計測上述圖案而求出上述邊緣位置之存在機率，借由物理化學模擬或經驗性、統計模型，求出上述連續膜缺陷發生機率，藉由兩者之積和，推定隨機的圖案缺陷(以下，記載為圖案缺陷或僅記載為缺陷)之發生機率。 在此，若藉由發明者之研討時，上述連續膜缺陷發生機率成為邊緣位置之函數。因此，製程條件、晶圓狀態、遮罩狀態等變化之時，邊緣位置之存在機率分布變化，膜缺陷發生機率因應邊緣位置之變化而變化。並且，因隨著上述各種條件、狀態變化的膜缺陷發生機率之邊緣位置依存性之變化小，故將作為邊緣位置之函數的機率函數之形狀近似為一定。 依此，可以用例如為了檢測以10的-6次方之機率產生的邊緣位置分布之異常所需的6次方個圖案計測，代替為了檢測以10的-12次方之機率產生的缺陷所需的10的12次方個的圖案檢查。依此，能夠現實性的時間內檢測上述缺陷發生之危險性。 以下，為了簡潔，以在x方向強度調變的週期圖案(在y方向持有長邊方向之線與間隔圖案等)，殘存膜缺陷覆蓋光阻圖案間之非圖案區域之一部分之情況(相當於圖2(b))為例，使用圖3予以說明。若藉由發明者之研討，在此情況之機率性圖案缺陷之發生機率可以近似性地如下述般求出。 首先，將主圖案之邊緣存在於位置x_edge(第1位置)之機率設為P1(x_edge)。P1(x_edge)表示將相對於基準邊緣位置(圖3(a))之設計邊緣位置)的相對性邊緣位置座標設為x_edge之時的從複數計測點之計測資料求出的x_edge之頻率分布。並且，邊緣位於x_edge之時，將在該x_edge和缺陷評估點x(第2位置)之間連續產生膜缺陷之機率函數設為P2(x、x_edge)。藉由如此求出之P1(x_edge)和P2(x、x_edge)，藉由式1求出在x中的圖案缺陷機率P_defect(x)。
Figure 02_image001
即是，連結圖案內之某位置和邊緣之圖案缺陷發生機率，係以邊緣出現機率P1(x_edge)，和膜缺陷覆蓋連結邊緣和上述位置之區域的機率P2(x,x_edge)之兩個部分機率之積來表示。 接著，針對在實際之製造工程中之缺陷發生和其檢測予以說明。首先，係以在成為曝光製程、光阻材料、曝光遮罩、晶圓之基準的狀態(以下，稱為製程狀態)，圖案缺陷發生機率被抑制成期望的水準做為前提。於是，由於曝光條件變動、遮罩污染、晶圓狀態變化(背面異物所致的聚焦位置變動)等，製程狀態變化。 此時，針對上述兩個要素、邊緣出現機率P1(x_edge)，及膜缺陷覆蓋連結邊緣位於x_edge之時的某位置x(例如非圖案區域之中心等之缺陷基準點)之區域的機率P2(x,x_edge)之各個的變化予以說明。 首先，在實際的晶圓上對相同設計圖案所形的光阻圖案之邊緣，存在上述LER，如圖3(a)所示般，邊緣位置x_edge沿著邊緣變動。於是，在基準製程條件中，藉由沿著例如1條線圖案之邊緣，計測多數之邊緣點，取得P1(x_edge)(圖3(b))。P1(x_edge)係因應上述製程狀態變化，從圖3(b)之條件A變化成B般。 另外，上述分布變化之比率係在從平均值偏移之部分變大。例如，在正規分布或帕松分布(Poisson distribution)中，作為其一般性質，平均值或標準標差變化之時的值之變化率越從平均值偏離越增大。此未必在正規分布或帕松分布中不被表示之實際尺寸(邊緣位置分布)分布中也被觀察到。 接著，針對膜缺陷覆蓋連結邊緣和缺陷評估點之區域的機率P2(x,x_edge)之變化予以敘述。P2(x,x_edge)可以藉由幾個假設模型計算，例如式2般，可以表示為每單位面積產生膜缺陷之機率P3(x´)之上述區域內中的直積。
Figure 02_image003
圖4(a)表示藉由後述模擬求出的P3。曝光條件變化之時的P3本身之變化如圖中實線及虛線所示般，比較小。每單位面積之膜缺陷發生機率與上述狀態變化(例如，最多數%程度之曝光量分布之變化)幾乎呈比例之故。 另外，在圖4(b)及圖3(c)表示相對於圖4(a)所示之P3以上式計算出的P2之x、x_edge依存性。在圖4(c)表示在非圖案區域之中心(x=16nm)中之P2之x―x_edge依存性。P2之值相對於|x―x_edge|呈指數函數性性地減少。即使在其他之模型中，大概也對|x―x_edge|呈指數函數性地減少。如此一來，條件變化所致的P2之變化係經由x_edge之變化的部分為支配性。於是，在本例中，基本上，將條件變化之時之P2的變化近似為僅依存於x_edge的變化。 藉由圖3(b)、(c)之結果，缺陷機率使用式1如圖3(d)般被求出。可知藉由些微的(2nm程度的)平均邊緣位置之變化，非圖案區域部之缺陷機率以2數位程度變化。 藉由上述，當製程狀態變化時，邊緣位置x_edge之分布P1(x_edge)變化，並且膜缺陷覆蓋連結邊緣和缺陷基準點之區域的機率P2(x,x_edge)呈指數函數性地變化。在本例中，影響圖案缺陷發生機率變化的主要原因，近似成邊緣變動為支配性，針對邊緣位置之分布，使用在實際之晶圓上被觀察的計測值，針對無法直接計測之膜缺陷發生機率空間分布之積和部，使用統計解析所致的推定值，根據運算式，推定缺陷發生機率。或是預知缺陷發生之危險性。 如同先前所述般，因缺陷發生機率極小(例如10-12 )，故為了實際檢測缺陷，需要龐大數量的樣本計測，現實上有困難。 在以下說明的實施例中，藉由將此表示為比僅以各個的邊緣位置的函數來表示的兩個更大之機率(例如各為10-6 )之積，可以依據比1012 點少很多的例如106 點程度之計測而求出。100萬點之邊緣位置的計測結果係可以藉由被確立的計測工具之一種亦即CD-SEM(Critical Dimension-SEM)，根據攝像例如數百至數千片之畫像而取得，其計測所需之時間從數分至數十分程度。 另外，雖然SEM所致之邊緣位置之計測，即使在一條掃描線上檢測邊緣位置亦可，但是即使實際上使用相對於接近的複數掃描線所取得的訊號之平均，或相對於複數掃描線分別所取得的邊緣位置之平均亦可。但是，以所取得的邊緣位置反映局部的邊緣位置之變動為佳，在上述平均使用的邊緣方向之長度係以與最小圖案寬度相同程度，或較小(例如，典型上為10～20nm)為佳。 另外，因在邊緣位置從平均值偏離之時(例如，間隔寬度變窄之時)，狀態變化所致的邊緣出現機率之變化大，並且|x―x_edge|(例如，邊緣和間隔中心間之距離)小，P2之值大，故對缺陷發生機率造成的影響大。因此，邊緣位置分布之尾部的計測尤其重要。 圖8主要計測用以求出P1之邊緣位置，為表示用以輸出計測資料(metrology data)之計測工具之一種亦即CD-SEM之一例的圖示。CD-SEM係藉由掃描電子顯微鏡，和根據根據檢測器之輸出，用以特定圖案之尺寸或邊緣位置(例如與設計邊緣位置之差異)的一個以上之電腦系統而構成，該電腦系統被構成讀出被記憶於特定電腦可讀取媒體之程式，實行後述般之缺陷機率推定處理。電腦系統被構成能夠與掃描電子顯微鏡通訊。電腦系統即使以一個以上之傳送媒體被連接於掃描電子顯微鏡，被設置在掃描電子顯微鏡間隔開之位置亦可，即使成為掃描電子顯微鏡之模組亦可。 圖8例示的掃描電子顯微鏡從電子源801藉由引出電極802引出電子束803，藉由無圖示之加速電極被加速。被加速的電子束803藉由匯聚透鏡之一型態亦即聚光透鏡804被縮束之後，藉由掃描偏轉器805被偏轉。依此，電子束803在試料809上一次元性或二次元性地掃描。射入至試料809之電子束803係藉由依據對被內置在試料台808之電極施加負電壓而被形成的減速電場而被減速，並且藉由接物透鏡806之透鏡作用而被聚焦而被照射在試料809之表面。試料室807內部被保持真空。 電子810(二次電子，後方散射電子等)從試料809上之照射處被釋放出。被釋放出的電子810係藉由根據被施加至被內置在試料台808之上述電極的負電壓的加速作用，在電子源801之方向被加速。被加速的電子810與轉換電極812衝突，發生二次電子811。從轉換電極812被釋放出之二次電子811藉由檢測器813被捕獲，檢測器813之輸出I藉由被捕獲的二次電子量而變化。顯示裝置之亮度因應該輸出I之變化而變化。例如形成二次元像之情況，使朝向掃描偏轉器805之偏轉訊號，和檢測器813之輸出I同步，形成掃描區域之畫像。 另外，雖然圖8例示的SEM表示將從試料809被釋放出之電子810在轉換電極812一端轉換成二次電子811並予以檢測之例，但是當然不限定於如此之構成，即使採用在例如被加速的電子軌道上，配置電子變倍影像管或檢測器之檢測面的構成亦可。控制裝置814係依照用以控制被稱為攝像配方之SEM的動作程式，供給上述SEM之各光學要素所需的控制訊號。 接著，以檢測器813被檢測出的訊號藉由A/D轉換器815被轉換成數位訊號，被送至畫像處理部816。畫像處理部816係藉由以圖框單位積算依據複數掃描所取得的訊號，生成積算畫像。 在此，將以掃描區域之一次掃描所取得的畫像稱為一圖框的畫像。例如，積算8圖框之畫像之情況，以畫素單位對藉由8次之二次元掃描所取得的訊號進行加算平均處理，依此生成積算畫像。亦可以對相同掃描區域進行複數次掃描，每次掃描生成複數個一圖框之畫像而予以保存。 並且，畫像處理部816具有用以暫時記憶數位畫像之畫像記憶媒體亦即畫像記憶體818，和進行從被記憶於畫像記憶體818之畫像算出特徵量(線或孔之寬度之尺寸值、粗糙度指標值、表示圖案形狀之指標值、圖案之面積值、成為邊緣位置之畫素位置等)的CPU817。 此外，具有保存各圖案之計測值或各畫素之亮度值等之記憶媒體819。全體控制係藉由工作站820進行，所需之裝置的操作、檢測結果之確認等，可以藉由圖形使用者介面(以下，記載為GUI)實現。再者，畫像記憶體被構成與被供給至掃描偏轉器805之掃描訊號同步，將檢測器之輸出訊號(與從試料被釋放出之電子量呈比例的訊號)記憶於對應的記憶體上之位址(x、y)。再者，畫像處理部816係從被記憶於記憶體之亮度值生成線分布。使用臨界值法等特定邊緣位置，也作為測定邊緣間之尺寸的運算處理裝置發揮功能。 以下，針對缺陷發生機率推定方法、實行缺陷發生機率推定之系統，及記憶使電腦系統實行缺陷發生機率推定的程式的電腦可讀媒體予以說明。 [實施例1] 以下，針對缺陷發生機率推定之一實施例予以說明。首先，使用CDSEM在多數點計測一樣存在於具有微細圖案之晶圓上之100μm見方程度之區域的週期圖案之局部尺寸，求出相對於各圖案中心的圖案邊緣位置x1之分布F(x1)。在此，對使用EUV曝光裝置和化學增幅系光阻而形成在晶圓上之16nm條與間隔(L/S)圖案，將SEM之視野(FOV)設為1微米見方，取得約250片之SEM畫像。對各畫像所含的約25條線的每條，於邊緣方向上每次5nm，在5nm範圍平均從其中心至右側邊緣為止的距離。依此，每畫像計測約4000點的邊緣位置，合計100萬點之邊緣位置，求出邊緣位置之分布、P1(x_edge)。 接著，使用計算機求出缺陷發生之部分機率。當邊緣位於x_edge之時，藉由以下之兩個方法求出在連結x_edge和x之區域產生膜缺陷之機率函數P2(x,x_edge)。 首先，作為第1方法係從設計圖案之佈局資訊及曝光條件，如下述般求出在設計圖案內位置x(每單位面積)的膜缺陷發生機率P3(x)。藉由使用蒙地卡羅法之物理模擬，計算在位置x之光阻材料聚合物極性基之極性反轉反應或聚合物之溶解性反轉等之事件密度n(每局部體積事件數)，算出將位置x和該些事件數密度n設為機率變數的第1機率密度分布函數g1(x、n)。針對使用蒙地卡羅法之g1的算出法，在另外的實施例中予以說明。 雖然g1係藉由根據特定的物理法則之模擬而求出，但是即使使用持有將x、n設為函數之平均、標準偏差的正規分布、帕松分布等亦可。作為該些分布函數之參數，可以擬合上述物理模擬之結果而求出。 接著，在特定的n之範圍積分g1而求出在x發生膜缺陷之每單位面積機率P3(x)。並且，在x=x_edge～x之間求出P3(x)之直積，將此設為P2(x、x_edge)。以該方法求出的係藉由散粒雜訊偶發性地鄰接連接而產生的缺陷之機率。 在第2方法中，使用式3，算出P2。首先，對上述圖案，藉由光學像模擬，計算光強度分布I(x)。接著，在座標r0被吸收之光子使連結邊緣位置x_edge和位置x之區域的聚合物之溶解性反轉之機率、P4(x,x_edge,r0)。P4系沿著藉由上述光子吸收產生之光電子之散射所致的軌跡，在上述區域為特定密度，即使以二次電子發生之機率來求近似亦可。該些機率雖然係藉由根據特定的物理法則之蒙地卡羅模擬而求出，但是即使以將x,x_edge,n設為機率變數的各種機率分佈函數來求近似亦可。針對使用蒙地卡羅法的算出法，在另外的實施例中予以說明。當邊緣位於x_edge之時，使用式3求出在與位置x之間產生連續膜缺陷的機率函數P2。conv(A,B)係A和B之摺積。
Figure 02_image005
根據P4之P2的導出可以定義成例如藉由被投影至形成在晶圓上之光阻膜的光之光子而發生的光電子，從光阻膜之座標x_edge接近於座標x之間而發生二次電子的機率。 因以第1方法和第2方法被求出的P2係根據不同的主要原因產生膜缺陷的機率函數，故藉由線形結合等，將兩者加在一起。但是，一方之影響為支配性，若可以忽視其他的影響時，即使僅由一方之方法算出P2亦可。 使用如上述般被求出的P1(x_edge)、P2(x,x_edge)及式1而求出在x中的缺陷機率P_defect(x)。 對晶圓內30晶片進行晶片內之1區域，及對晶圓內3晶片進行晶片內之10區域，合計60區域的上述處理，求出缺陷發生機率之晶圓面內及晶片內分布。在晶圓邊緣部和晶片之特定位置中，觀察到在邊緣位置分布之尾部擴展，因應此預測缺陷發生機率從10-11 兩位數地劣化至10-9 。在使用高速電子線檢查裝置對晶圓上及晶片上之該位置之1mm見方區域進行缺陷檢查之時，幾乎在上述被預測到的密度之缺陷被檢測出。 另外，在本實施例中，雖然在以線與間隔般之特定之一次元方向週期性配列長的圖案之週期圖案為例進行說明，但是，孤立圖案或孔或點等之二次元圖案之情況亦同樣能夠適用。 [實施例2] 接著，針對不使用上述物理化學模擬，藉由計測結果之統計處理，求出式1之P2(x、x_edge)之方法予以說明。 當改變曝光量或遮罩尺寸等之曝光、遮罩條件時，光阻圖案之平均完成尺寸變化。此時，當計測圖案缺陷發生機率時，缺陷機率相對於上述平均完成尺寸極為敏感地(指數函數性地)變化。如先前說明般，本揭示係以「局部的」邊緣位置之發生機率，和伴隨此的局部的連續缺陷生成機率之變化的積來掌握此。於是，對藉由LCDU或LER計測而求出的局部的邊緣位置的發生機率P1(x_edge)，和對相同的樣本實際計測到的缺陷發生機率P_defect，藉由例如統計性擬合求出滿足式4的P2´(x_edge)。
Figure 02_image007
尤其，在本實施例中，在缺陷發生機率高的加速條件下求出P2´(x_edge)，接著將使適用於通常的晶圓處理條件(圖5)。在此，LCDU(Local Critical Dimension Uniformity)係指表示在局部的圖場中的關鍵尺寸(CD)值之均勻性的指標值，獲得計測到局部的圖場之複數圖案之結果的值。 首先，在導致缺陷發生機率高，於現實上能夠計測點數內出現非0之缺陷的複數(i=1～m)之曝光、遮罩條件下，計測邊緣位置x_edge之頻率分布(或尺寸分布)P1(x_edge,i)，和缺陷發生機率Pdi_observed(i)(相當於圖6(a)、(b)之A和B)。接著，以式5之δ成為最小之方式，決定P2´(x_edge)(圖6(c))。
Figure 02_image009
接著，在通常之曝光、遮罩條件下，計測邊緣位置頻率分布P1(x_edge)(圖6(d)之C、D)，對此，使用在上述加速條件下求出的P2´(P2)，藉由式1推定缺陷發生機率(圖6(e)之C、D)。 另外，藉由本揭示被求出的缺陷發生積率之計算結果，被認為由尺寸或邊緣位置之頻率分布之尾部所支配。 在通常之曝光條件中，有難以在現實上可能的時間內，持續計測至邊緣分布之尾部延伸至賦予(式1)之被積分函數之峰值的x之情況。在此情況，即使適當外插分布之尾部等亦可。尤其，因P1(x_edge)隨著從分布之中心分離而從正規分布偏離，故即使在從正規分布開始偏離之時點，如圖6(d)之曲線C、D般，藉由與正規分布相接而延伸的指數分布等，對尾部進行外插近似(曲線C、D之虛線部分)等亦可。 再者，P2´(x_edge)係以假設適當的函數型為佳。作為其原型，可以適用根據在實施例1或2中求出之物理化學模擬的方法，或以尺寸分布對被觀測到之缺陷機率尺寸依存性進行反摺積等之方法。 並且，本實施例也可以與在實施例1中說明的方法組合。例如，設為將本實施例適用於某設計遮罩圖案，而獲得P2´(x_edge)。接著，在變更遮罩圖案之設計之情況，相對於變更後之遮罩的P2´(x_edge)需要再次重新求出。 在此情況，藉由在實施例1所示之方法，以計算求出變更前後之連續膜缺陷機率P2_old(x_edge)、P2_new(x_edge)，再次代替適用本實施例，使用式6求出相對於變更後之遮罩的P2´。
Figure 02_image011
上述變更也與改變曝光條件或其他製程條件之情況相同。在此情況，比起單獨使用實施例1之情況，即使不嚴謹地校正模擬，亦可以對應於各種條件。 另外，當具有尺寸偏差(LCDU或LER)時，圖案缺陷機率成為其平均圖案尺寸依存性和尺寸分布之摺積，劣化(增大)。但是，上述被計測的缺陷機率係已經對邊緣位置藉由LCDU、LER而局部性地變動之圖案群之平均尺寸所獲得的結果。即是，論述平均尺寸為某值之時的缺陷發生機率，與尺寸偏差分布之關係不明確。若藉由本揭示時，從被觀察的尺寸偏差(LCDU或LER)和其變化，可以定量性地推定缺陷發生機率和其變化。 圖9係表示具體性的缺陷發生機率P_defect之算出工程之一例的流程圖。在圖9之例中，針對從進行投影曝光裝置之條件設定之時所使用的FEM(Focus Exposure Matrix)晶圓等，選擇以聚焦或曝光量非適當導致缺陷頻繁的曝光條件(加速條件)被曝光之複數圖案(曝光條件)，根據該被選擇的曝光條件之圖案之計測，導出用以導出P2´(x_edge)之P1(x_edge)和P_defect的例予以說明。 首先，為了特定投影曝光裝置之適當曝光條件，使曝光條件(聚焦、曝光量等)變化，以各個的曝光條件進行曝光(步驟901)。接著，使用針對以各曝光條件被形成之圖案，使用CD-SEM等進行多點計測(步驟902)。多點計測之結果，藉由選擇形成與半導體裝置之設計資料，或根據設計資料而決定的容許值一致的計測值之圖案的曝光條件，決定量產時之曝光條件(步驟903)。 另外，在決定曝光條件之條件設定工程中，因使曝光條件變化而進行曝光，以各種曝光條件形成圖案，故在其中，包含圖案不被適當地形成(包含缺陷)曝光條件。依此，從其中選擇缺陷發生率高之曝光條件(加速條件)之圖案，對每個曝光條件導出P1和P_defect(步驟904、905)，藉由上述般之統計擬合，導出P2´(步驟906)。例如，藉由對在10萬點之計測點之內，缺陷數為100點之晶圓(或晶片)，及缺陷數為50點之晶圓般之缺陷機率不同的複數試料，分別導出P1和P_defect，且導出與該些試料共通之P2´，事先準備導出後述缺陷發生機率所需的資料。 在實際的半導體量產工程中，進行使用在曝光裝置之條件定工程中被選擇的曝光條件之圖案製作(步驟907)，為了製程管理，進行使用CD-SEM等之圖案計測(步驟908)及因應所需的曝光裝置之條件。本揭示係用以根據對機率性缺陷之發生被限制的計測點的計測，依據進行推定，抑制計測所需的作業或時間者，若藉由本揭示之方法，可以兼顧抑制高頻率的曝光裝置之調整所致的生產性之下降，和維持高良率。 如圖9例示般，根據相對於以量產工程形成之晶圓的多點計測(例如10萬點)結果，導出P1(x_edge)(步驟909)。接著，藉由從在步驟906事先被求出的P2´(x_edge)，和在步驟909被導出的P1(x_edge)，導出P_defect(步驟910)，導出量產時之缺陷發生機率。 比較被導出之缺陷發生機率，和事先被設定之特定條件(例如，1012 之計測點中，n點「以下」之缺陷)，滿足特定條件之情況，仍繼續製造(步驟913)。另外，不滿足特定條件之情況(發生n點以上之缺陷之情況)係進行原因之調查，進行適當的對策。例如，在能夠藉由曝光裝置之設定對應之情況，進行調整(步驟912)，繼續製造(步驟913)。再者，在原因不明之情況，中斷該晶圓之製造。 電腦系統系藉由將缺陷發生機率適時顯示於被設置在CD-SEM之顯示裝置等，操作員掌握曝光裝置之適當的調整時序。再者，當缺陷發生機率不滿足特定條件之時，藉由發生警報，操作員能夠知道曝光裝置之適當的調整時序。 另外，本實施例即使藉由監督式機械學習而安裝亦可。即是，例如藉由使用深度神經網路(deep neural network)或卷積神經網路(Convolutional Neural Network)等之機械式學習法，作成將監督加速條件(i=1～m)設為監視，將其尺寸頻率分布函數P1(x_edge,i)設為輸入向量，將相對於對應條件的缺陷發生機率Pdi_observed(i)設為輸出的神經網路。換言之，生成在中間層具備使用將上述P1(x_edge)設為輸入，將上述缺陷之發生機率設為輸出的監督資料而被學習的參數，當作上述第2資料的學習模型。 然後，對上述神經網路輸入任意的尺寸頻率分布函數P1(x_edge,i)，預測缺陷發生機率。即是，藉由對被構築的學習模型輸入P1(x_edge)，輸出上述缺陷之發生機率。依此，不藉由式5，連續膜缺陷機率P2(x_edge)自動性地被埋入上述網路中。預測結果藉由全數檢查適當驗證，使用驗證結果而補正網路。 [實施例3] 接著，針對缺陷發生機率推定系統之概要予以說明。圖7例示的缺陷發生機率推定系統係藉由一個以上之電腦系統而被構成。在圖7例示的系統中，包含CDSEM、電子線缺陷檢查裝置、計測結果資料庫部、物理化學模擬器部、膜缺陷機率函數算出部、機率函數資料庫部、圖案缺陷機率預測部等之次系統。 圖8例示的CDSEM係輸入測定對象圖案資訊，藉由計測到多數圖案之畫像或尺寸資料，求出P1(x_edge)，保存於計測結果資料庫部。另外，即使P1等藉由被設置在CDSEM之處理器而運算，以被設置在CDSEM之處裡器而取得其運算結果，以該處理器進行式1例示之運算亦可，以與CDSEM不同另外設置的處理器，從CDSEM接收多點計測結果(複數計測點之邊緣位置資訊)，在該處理器藉由運算使發生P1等之資料(第1資料)亦可。 因應所需，物理化學模擬器部算出在實施例1所述的上述g1(x、n)、P3(x)、I(x)、P4(x、x_edge、x0)、P2(x、x_edge)等。再者，因應所需，電子線缺陷檢查裝置計測對象圖案群之圖案曲線數(缺陷機率)。連續膜缺陷機率算出部係藉由上述實施例2記載之方法，使用上述物理化學模擬器部之計算結果而算出P2(x、x_edge)。或是，連續膜缺陷機率算出部係藉由上述實施例2記載之方法，從上述P1(x_edge)和藉由電子線缺陷檢查裝置被計測出的圖案缺陷數(缺陷機率)算出P2(x、x_edge)。 機率函數資料庫保存被算出之P2(x、x_edge)。圖案缺陷機率預測部從上述P1(x_edge)和P2(x、x_edge)算出缺陷機率P_defect(x)。以下，針對各次系統之詳細予以說明。另外，針對圖7記載之其他次系統於後述。 以CDSEM計測的畫像、邊緣座標、尺寸等之資料被保存在例如計測結果資料庫。在物理化學模擬器部算出上述g1(x、n)、P3(x)、I(x)、P4(x、x_edge、x0)、P2(x、x_edge)等。針對以下算出方法進行說明。 例如，如下述般計算在上述實施例之第1方法使用的P2(x、x_edge)。首先，輸入預測對象圖案之圖形資訊和曝光條件、材料參數等之製程資訊。求出光阻膜中之光學像強度分佈，以與光學像強度呈比例的機率生成光子之吸收事件。像強度分布雖然係平面方向依照Hopkins theory，膜深度方向依照Lambert Beer之法則進行近似計算，但是即使使用更嚴謹的方法亦可。在EUV曝光中，沿著吸收光子之原子釋放出的光電子之散射軌跡而生成複數二次電子。以電子散射之蒙地卡羅法計算該過程。近似為在二次電子發生位置發生化學增幅系光阻之酸，將酸之存在機率分布假設為以上述酸發生位置為中心而使酸擴散長成為模糊量之高斯分布。以與酸之存在機率呈比例的機率，使生成光阻聚合物所含的複數極性基之極性反轉反應事件。但是，在每一個酸的極性反轉數，每單位體積之極性反轉數限定上限。 接著，以例如1nm刻度之三次元立體格子分割上述計算空間(光阻膜)，藉由依此形成的體素(藉由格子形成的單位立方體)，近似溶解性反轉之最小單位亦即光阻之基質聚合物或分子。計數各體素所含的各種事件數，當每體素的極性反轉反應事件數超過一定臨界值之情況，判定為該體素之溶解性反轉。並且，在平面方向之固定位置，計數在深度方向溶解性反轉之體素數(體素之溶解性反轉事件數)，藉由將此與某臨界值進行比較，判定局部的(每單位面積之)膜之溶解性。例如，在負型光阻之情況，深度方向溶解性反轉體素數超過第1臨界之時，膜不溶化而局部性地產生殘存膜缺陷，超過第2臨界值(＞第1臨界值)之時，膜全體不溶化。 因以某一定的曝光強度曝光上述光阻空間之時的各體素所含的事件數，就以蒙地卡羅模擬之結果而言，統計性偏差，故要求將各事件數n設為機率變數的機率函數。當在一次元圖案之光學像中，忽略光阻膜內之光的衰減時，因曝光強度僅依存於座標x，上述機率函數成為x之函數。如此一來，針對相對於深度方向溶解性反轉體素數之機率函數g1，藉由式7求出例如負型光阻中之殘存膜缺陷發生機率。
Figure 02_image013
並且，藉由式2，計算P2(x、x_edge)。同樣，正型光阻中之消失膜缺陷發生機率也藉由同樣的式子被求出。再者，負型光阻中之消失膜缺陷發生率，或正型光阻中之殘存膜缺陷發生機率藉由將積分範圍適當變更成n＜nc2等而被求出。 再者，針對實施例1之第2方法使用的P2(x、x_edge)如下述般地求出。因在一個光電子之散射軌跡上鄰接的二次電子發生非獨立(有相關)，故評估連鎖產生的機率本身。在一個光電子之散射中，將極近距離(例如1nm以下)連續發生的二次電子定義為二次電子鏈。 首先，使用蒙地卡羅法使沿著多數光電子之散射軌跡的二次電子發生事件產生，抽出二次電子鏈。對於二次電子鏈將離光子吸收位置最遠之點定義為其終點，將從光子吸收位置朝終點方法投影之時的電子鏈之長度定義為長度，求出將至終點為止之距離(range)和長度(length)設為機率變數的機率密度分布、P_SEstring (length, range)。接著，使用此，計算形成在r0=(x0、y0)發生之光電子從位於x_edge的邊緣延伸至x之二次電子鏈的機率密度分布P4(x、x_edge、r0)。 邊緣位於x_edge之時，缺陷覆蓋連結x_edge和x之區域的機率P2(x、x_edge)，係針對發生的所有光電子和P4(x、x_edge、r0)加在一起而求出。即是，藉由如式8般地摺積積分光子吸收事件數之分布I(r0)和P4(x、x_edge、r0)而求出。
Figure 02_image015
上述P2(x、x_edge)之算出係在連續膜缺陷機率函數算出部進行，並且在物理化學模擬器部算出之g1(x、n)、P3(x)、I(x)、P4(x、x_edge、r0)、P2(x、x_edge)等保存於機率函數資料庫部。再者，連續膜缺陷機率函數算出部也進行藉由在上述實施例2說明的統計擬合所致的P2(x、x_edge)之算出。 缺陷機率預測部輸入上述P1(x_edge)、P2(x、x_edge)，算出圖案缺陷機率P_defect(x)。同時，具有包含該些機率函數之顯示部、缺陷數、缺陷機率驗證結果等之輸入的外部輸入輸出部，用以控制該些之GUI。在物理化學模擬器進行的計算之一部分即使在預測系統進行亦可。g1(x、n)、P3(x)、I(x)、P4(x、x_edge、r0)、P2(x、x_edge)等即使在預測系統內部作為資料庫保存，因應所需而予以利用亦可。 [實施例4] 在此，針對與系統之運用有關之實施例予以敘述。如實施例1所述般，本揭示係關於藉由適用於在晶圓或晶片上事先被決定的複數部分區域，預測上述各區域之圖案缺陷發生機率之分布的方法或系統。 另外，因晶圓或晶片上之一部分區域之缺陷發生機率預測所需之圖案尺寸之計測點數大，故要對晶圓上多數之部分區域預測缺陷發生機率需要長時間。於是，即使藉由另外手段預測晶圓上之缺陷發生危險度之空間分布，限定於危險度高之區域而求出上述般之缺陷發生機率亦可。作為上述另外手段，可以使用曝光裝置等之設定曝光、聚焦分布、晶圓形成分布計測結果、光學性尺寸計測結果、光學性缺陷檢查結果、過去之缺陷發生密度分布等。 再者，即使如圖7所示般，在上述機率預測系統之後段，追加缺陷發生危險度判定部、警告系統亦可。在上述危險度超過某臨界值之情況，中斷該晶圓及後續晶圓之處理，調查該處之缺陷發生機率增大之原因，適當反饋於製程條件等。 再者，對於上述危險度為一定以上之部分區域，以如圖7所示般，藉由電子線缺陷檢查裝置等進行全圖案檢查，實測上述部分區域內之缺陷的缺陷密度為佳。並且，在預測精度驗證部，進行預測精度之驗證，在被實測到的缺陷密度偏離預測值之情況，反饋至缺陷機率模型。反饋可以適用例如貝氏統計模型。藉由在量產製程中繼續該過程，透過自學習使預測模型成為高精度化。
801:電子源 802:引出電極 803:電子束 804:聚光透鏡 805:掃描偏轉器 806:接物透鏡 807:試料室 808:試料台 809:試料 810:電子 811:二次電子 812:轉換電極 813:檢測器 814:控制裝置 815:A/D轉換器 816:畫像處理部 817:CPU 818:畫像記憶體 819:記憶媒體 820:工作站
圖1為表示機率缺陷(Stochastic defect)之發生機率預測系統之概要的圖示。 圖2為說明產生在被形成在晶圓上之圖案之附近的缺陷之種類的圖示。 圖3為表示光阻圖案之邊緣存在機率、殘存在光阻圖案間之非圖案區域之一部分的膜缺陷之連續機率及圖案缺陷發生機率之關係的圖示。 圖4為表示連續膜缺陷機率P2和膜缺陷發生機率P3之關係的圖示。 圖5為根據在加速條件下之LCDU計測，事先求出膜缺陷機率函數P2，依此預測機率缺陷之發生機率的系統之概要的圖示。 圖6為表示根據在加速條件下的計測，事先求出膜缺陷機率函數P2，從該P2和藉由實測被求出之邊緣殘存機率P1，推定缺陷機率P_defect之工程的圖示。 圖7為表示缺陷產生機率推定系統之概要的圖示。 圖8為表示計測工具之一種亦即掃描電子顯微鏡之一例的圖示。 圖9為表示半導體製造工程和缺陷發生機率推定工程之關係的流程圖。

Claims (17)

  1. 一種非暫時性電腦可讀媒體，其係在電腦系統保存能夠實行之程式命令，該電腦系統係用以實施在用以從藉由計測工具而獲得的計測資料，推定晶圓之缺陷之發生機率的電腦被實行的方法，該非暫時性電腦可讀媒體之特徵在於， 在電腦被實行的方法係 取得或發生與根據晶圓上之複數計測點之計測資料而被求出的圖案之邊緣存在於第1位置之機率有關的第1資料， 取得或發生與上述邊緣位於上述第1位置之時，缺陷覆蓋包含與該第1位置不同之第2位置和上述第1位置之區域的機率有關的第2資料， 根據上述第1資料和上述第2資料之積，預測上述缺陷之發生機率。
  2. 如請求項1所記載之非暫時性電腦可讀媒體，其中 上述第1資料係從將相對於上述第1位置之設計圖案的相對性邊緣位置座標設為x_edge之時的從上述複數計測點之計測資料被求出的x_edge之頻率分布、P1(x_edge)。
  3. 如請求項1所記載之非暫時性電腦可讀媒體，其中 上述第2資料係上述邊緣位於x_edge之時，在該x_edge和上述第2位置x之間連續產生膜缺陷的機率函數P2(x,x_edge)。
  4. 如請求項3所記載之非暫時性電腦可讀媒體，其中 從藉由對上述晶圓投影圖案之曝光裝置而獲得的光強度分布，求出每單位面積之局部的膜缺陷機率P3，針對該P3，藉由從上述x_edge求出上述x之範圍的直積，導出上述機率函數P2。
  5. 如請求項3所記載之非暫時性電腦可讀媒體，其中 依據求出因藉由對上述晶圓投影圖案之曝光裝置被投影至形成在上述晶圓上之光阻膜之光的光子而發生的光電子，從上述光阻膜之上述座標x_edge接近於上述座標x之間而發生二次電子之機率，導出上述機率函數P2。
  6. 如請求項1所記載之非暫時性電腦可讀媒體，其中 根據被形成在與進行上述缺陷發生機率之推定的晶圓不同的晶圓上的複數圖案之計測，導出上述第1資料和上述缺陷之發生機率，根據與該與不同的晶圓有關之第1資料，和缺陷之發生分布，導出上述第2資料。
  7. 如請求項6所記載之非暫時性電腦可讀媒體，其中 上述第1資料係從將相對於上述第1位置之設計圖案的相對性邊緣位置座標設為x_edge之時的從上述複數計測點之計測資料被求出的x_edge之頻率分布、P1(x_edge)。
  8. 如請求項7所記載之非暫時性電腦可讀媒體，其中 上述第2資料係上述邊緣位於x_edge之時，在該x_edge和上述第2位置x之間連續產生膜缺陷的機率函數P2(x,x_edge)。
  9. 如請求項6所記載之非暫時性電腦可讀媒體，其中 與進行上述缺陷發生機率之推定不同的晶圓，係與進行缺陷發生機率之推定的晶圓不同製造條件的晶圓。
  10. 如請求項6所記載之非暫時性電腦可讀媒體，其中 藉由生成在中間層具備將使用將上述P1(x_edge)設為輸入，將上述缺陷之發生機率設為輸出的監督資料而被學習的參數，當作上述第2資料的學習模型，且對該學習模型輸入上述P1(x_edge)，而輸出上述缺陷之發生機率。
  11. 一種系統，其係為了預測晶圓上之缺陷之發生機率而被構成，該系統之特徵在於，包含： 計測工具，其係被構成根據藉由對晶圓照射射束而獲得的訊號之檢測，而發生輸出；和 電腦，其係被構成取得或發生與根據晶圓上之複數計測點之計測資料而被求出的圖案之邊緣存在於第1位置之機率有關的第1資料， 取得或發生與上述邊緣位於上述第1位置之時，膜缺陷覆蓋包含與該第1位置不同之第2位置和上述第1位置之間之區域的機率有關的第2資料， 求出上述第1資料和上述第2資料之積。
  12. 如請求項11所記載之系統，其中 上述第1資料係從將相對於上述第1位置之設計圖案的相對性邊緣位置座標設為x_edge之時的從上述複數計測點之計測資料被求出的x_edge之頻率分布、P1(x_edge)。
  13. 如請求項11所記載之系統，其中 上述第2資料係上述邊緣位於x_edge之時，在該x_edge和上述第2位置x之間連續產生膜缺陷的機率函數P2(x,x_edge)。
  14. 如請求項13所記載之系統，其中 上述電腦係從藉由對上述晶圓投影圖案之曝光裝置而獲得的光強度分布，求出每單位面積之局部的膜缺陷機率P3，針對該P3，藉由從上述x_edge求出上述x之範圍的直積，導出上述機率函數P2。
  15. 如請求項13所記載之系統，其中 上述電腦係依據求出因藉由對上述晶圓投影圖案之曝光裝置被投影至形成在上述晶圓上之光阻膜之光的光子而發生的光電子，從上述光阻膜之上述座標x_edge接近於上述座標x之間而發生二次電子之機率，導出上述機率函數P2。
  16. 如請求項11所記載之系統，其中 上述電腦被構成將第1資料和缺陷機率之實測值作為輸入，而輸出第2資料。
  17. 如請求項13所記載之系統，其中 上述電腦係藉由生成在中間層具備將使用將上述第1資料設為輸入，將上述缺陷之發生機率設為輸出的監督資料而被學習的參數，當作上述第2資料的學習模型，且對該學習模型輸入上述第1資料，而輸出上述缺陷之發生機率。
TW108140768A 2018-11-12 2019-11-11 推定缺陷之發生的系統及電腦可讀媒體 TWI724619B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/JP2018/041781 WO2020100180A1 (ja) 2018-11-12 2018-11-12 欠陥の発生を推定するシステム、及びコンピューター可読媒体
WOPCT/JP2018/041781 2018-11-12

Publications (2)

Publication Number Publication Date
TW202018435A true TW202018435A (zh) 2020-05-16
TWI724619B TWI724619B (zh) 2021-04-11

Family

ID=70731370

Family Applications (2)

Application Number Title Priority Date Filing Date
TW108140768A TWI724619B (zh) 2018-11-12 2019-11-11 推定缺陷之發生的系統及電腦可讀媒體
TW110106450A TWI807258B (zh) 2018-11-12 2019-11-11 推定缺陷之發生的系統及電腦可讀媒體

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW110106450A TWI807258B (zh) 2018-11-12 2019-11-11 推定缺陷之發生的系統及電腦可讀媒體

Country Status (6)

Country Link
US (2) US11747291B2 (zh)
JP (1) JP7080992B2 (zh)
KR (2) KR102563023B1 (zh)
CN (1) CN112889140B (zh)
TW (2) TWI724619B (zh)
WO (1) WO2020100180A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113424107B (zh) * 2019-02-25 2023-09-19 应用材料以色列公司 检测稀有随机缺陷的系统与方法
US11423529B2 (en) 2020-02-18 2022-08-23 Applied Materials Isreal Ltd. Determination of defect location for examination of a specimen
KR102384189B1 (ko) 2020-09-25 2022-04-08 충북대학교 산학협력단 머신러닝에 기초한 반도체 불량 시점 예측 장치 및 방법
US11699623B2 (en) * 2020-10-14 2023-07-11 Applied Materials, Inc. Systems and methods for analyzing defects in CVD films
CN115167019A (zh) * 2022-07-15 2022-10-11 苏州华星光电技术有限公司 曝光缺陷感知装置、显示终端及曝光缺陷感知方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3660763B2 (ja) * 1996-06-26 2005-06-15 株式会社日立製作所 被検査パターンの検査方法及び製造プロセス診断方法並びに半導体基板の製造方法
JP3808817B2 (ja) * 2002-09-05 2006-08-16 株式会社東芝 マスク欠陥検査方法、半導体装置の製造方法、マスク欠陥検査装置、欠陥影響度マップ作成方法およびプログラム
JP4660358B2 (ja) * 2005-11-18 2011-03-30 大日本印刷株式会社 基板選択装置
JP4993934B2 (ja) * 2006-03-31 2012-08-08 Ｈｏｙａ株式会社 パターン欠陥検査方法、フォトマスクの製造方法、及び表示デバイス用基板の製造方法
JP2010034402A (ja) * 2008-07-30 2010-02-12 Toshiba Corp パターン形状予測方法
JP5330019B2 (ja) * 2009-02-18 2013-10-30 ルネサスエレクトロニクス株式会社 マスクパターンの検査方法およびマスクパターン検査装置
JP2010243283A (ja) * 2009-04-03 2010-10-28 Hitachi High-Technologies Corp 欠陥検査方法および欠陥検査装置
US9595091B2 (en) 2012-04-19 2017-03-14 Applied Materials Israel, Ltd. Defect classification using topographical attributes
US8953869B2 (en) * 2012-06-14 2015-02-10 Kla-Tencor Corporation Apparatus and methods for inspecting extreme ultra violet reticles
JP2014130077A (ja) * 2012-12-28 2014-07-10 Hitachi High-Technologies Corp パターン形状評価方法、半導体装置の製造方法及びパターン形状評価装置
JP6129651B2 (ja) 2013-06-11 2017-05-17 株式会社日立ハイテクノロジーズ ラインパターンの形状評価方法及びその装置
CN105992975B (zh) * 2014-02-11 2018-06-01 Asml荷兰有限公司 用于计算任意图案的随机变化的模型
JP2017096625A (ja) * 2014-02-21 2017-06-01 株式会社日立ハイテクノロジーズ パターン測定装置、及びコンピュータープログラム
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
US11802763B2 (en) * 2016-09-01 2023-10-31 Hitachi High-Tech Corporation Pattern measurement device and computer program
JP6759034B2 (ja) * 2016-09-29 2020-09-23 株式会社日立ハイテク パターン評価装置及びコンピュータープログラム
CN110050230B (zh) * 2016-12-02 2021-06-11 Asml荷兰有限公司 用于估计随机变量的模型
US10474042B2 (en) * 2017-03-22 2019-11-12 Kla-Tencor Corporation Stochastically-aware metrology and fabrication
CN108335990B (zh) * 2018-01-31 2021-07-27 中国科学院微电子研究所 一种定位工艺缺陷的方法及装置

Also Published As

Publication number Publication date
KR20210052531A (ko) 2021-05-10
JP7080992B2 (ja) 2022-06-06
US11747291B2 (en) 2023-09-05
TW202135194A (zh) 2021-09-16
KR102563023B1 (ko) 2023-08-03
KR102453077B1 (ko) 2022-10-11
TWI724619B (zh) 2021-04-11
WO2020100180A1 (ja) 2020-05-22
CN112889140A (zh) 2021-06-01
KR20220140033A (ko) 2022-10-17
CN112889140B (zh) 2023-06-02
US20210396692A1 (en) 2021-12-23
TWI807258B (zh) 2023-07-01
JPWO2020100180A1 (ja) 2021-10-07
US20230333033A1 (en) 2023-10-19

Similar Documents

Publication Publication Date Title
TWI724619B (zh) 推定缺陷之發生的系統及電腦可讀媒體
JP6960462B2 (ja) オーバレイ計量データの確率論的挙動の影響の判別
TWI648517B (zh) Pattern measuring device and computer program
TWI486580B (zh) Inspection device and inspection device system
US20210397172A1 (en) Method of manufacturing devices
CN111430261A (zh) 一种工艺检测方法及装置
WO2019145278A1 (en) Pre-scan feature determination methods and systems
CN116670710A (zh) 概率性工艺窗口的检测
TW201945853A (zh) 用於判定關於由微影製程形成之特徵之經校正尺寸參數值的方法及相關設備
US20230019371A1 (en) Measurement Method, Measurement System, and Non-Transitory Computer Readable Medium
TWI815419B (zh) 用於判定與微影製程相關之隨機度量之方法
CN111480119A (zh) 用于控制制造设备的方法以及相关联的设备
JP7306805B2 (ja) フォトリソグラフィマスクを検査する方法及び方法を実行するためのマスク計測装置
CN117255972A (zh) 用于确定与光刻过程有关的随机度量的方法
TW202236004A (zh) 缺陷修復裝置及系統及缺陷修復的方法
EP1804121A1 (en) Methods and systems for optimising immersion lithographic processing
JP2023544258A (ja) ボケ除去モデルを生成して像のボケを除去する装置及び方法
JP2004040038A (ja) マスクの洗浄方法