TW202036168A - 獲得用於訓練半導體製程模型的訓練資料之方法 - Google Patents
獲得用於訓練半導體製程模型的訓練資料之方法 Download PDFInfo
- Publication number
- TW202036168A TW202036168A TW108137300A TW108137300A TW202036168A TW 202036168 A TW202036168 A TW 202036168A TW 108137300 A TW108137300 A TW 108137300A TW 108137300 A TW108137300 A TW 108137300A TW 202036168 A TW202036168 A TW 202036168A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- model
- training
- substrate
- synthetic
- Prior art date
Links
Images
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
- G03F7/70508—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
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
-
- 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
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- General Factory Administration (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
Abstract
本發明揭露一種獲得包含合成度量衡資料之一訓練資料集之方法,該訓練資料集經組態以訓練與用於製造一積體電路的一製程相關的一模型。該方法包含獲得行為特性資料,其描述由該製程及/或一相關工具或影響產生的一程序參數的一行為。另外或替代地,可獲得在由該製程及/或一類似製程形成的一結構上執行之度量衡資料。使用該行為特性資料及/或度量衡資料判定合成度量衡資料,其描述在該製程及/或一相關工具或影響中之變化對該程序參數之影響。使用包含該合成度量衡資料之該訓練資料集訓練該模型。
Description
本發明係關於用於在微影程序中將圖案施加至基板及/或量測該等圖案之方法及裝置。
微影裝置為將所欲圖案塗佈至基板上(通常塗佈至基板之目標部分上)之機器。微影裝置可用於例如積體電路(IC)之製造中。在彼情況下,圖案化器件(其替代地稱為光罩或倍縮光罩)可用於產生待形成於IC之個別層上之電路圖案。可將此圖案轉印至基板(例如,矽晶圓)上之目標部分(例如,包含一個或若干個晶粒之部分)上。通常經由成像至提供於基板上之輻射敏感材料(抗蝕劑)層上來進行圖案之轉印。一般而言,單一基板將含有連續地經圖案化之鄰近目標部分之網路。已知的微影裝置包括:所謂步進器,其中藉由一次性將整個圖案曝光至目標部分上來輻照每一目標部分;及所謂掃描器,其中藉由在給定方向(「掃描」方向)上經由輻射光束掃描圖案同時平行或反平行於此方向而同步地掃描基板來輻照每一目標部分。亦有可能藉由將圖案壓印至基板上而將圖案自圖案化器件轉印至基板。
為了監測微影程序,量測經圖案化基板之參數。舉例而言,參數可包括形成於經圖案化基板中或上之連續層之間的疊對誤差,及經顯影感光性抗蝕劑之臨界線寬(CD)。可對產品基板及/或對專用度量衡目標執行此量測。存在用於對在微影程序中形成之微觀結構進行量測之各種技術,包括使用掃描電子顯微鏡及各種特殊化工具。特殊化檢測工具快速且非侵入之形式為散射計,其中將輻射光束導向至基板之表面上的目標上,且量測散射光束或反射光束之特性。兩種主要類型之散射計為已知的。光譜散射計將寬頻帶輻射光束引導至基板上且量測散射至特定窄角程中之輻射之光譜(隨波長而變化之強度)。角解析散射計使用單色輻射光束且量測隨角度而變化的散射輻射之強度。
已知散射計之實例包括US2006033921A1及US2010201963A1中所描述的類型之角度解析散射計。由此等散射計使用之目標為相對較大(例如,40μm乘40μm)光柵,且量測光束產生小於光柵之光點(亦即,光柵填充不足)。除藉由重建構量測特徵形狀以外,亦可使用此裝置來量測基於繞射之疊對,如公開專利申請案US2006066855A1中所描述。使用繞射階之暗場成像的基於繞射之疊對度量衡使得能夠對較小目標進行疊對量測。可在國際專利申請案WO 2009/078708及WO 2009/106279中找到暗場成像度量衡之實例,該等文件以全文引用之方式特此併入。該技術之其他發展已描述於已公開之專利公開案US20110027704A、US20110043791A、US2011102753A1、US20120044470A、US20120123581A、US20130258310A、US20130271740A及WO2013178422A1中。此等目標可小於照明光點且可由晶圓上之產品結構環繞。可使用複合光柵目標在一個影像中量測多個光柵。所有此等申請案之內容亦以引用之方式併入本文中。
在執行諸如將圖案施加於基板上或量測此圖案之半導體製程中,程序控制方法用於監測且控制程序。此類程序控制技術典型地基於控制策略來執行以便基於度量衡工作獲得用於半導體製程之校正。原則上,藉由增加度量衡工作,可實現較佳校正及控制(在限制內)。然而,度量衡會花費時間且因此將影響製程之產出率、生產力且因此影響收益性。
需要提供用於訓練模型的更多訓練資料,該模型用以對製程提出建議。
在本發明之一第一態樣中,提供一種用於獲得包含合成度量衡資料之一訓練資料集的方法,該訓練資料集經組態以訓練與用於製造一積體電路之一製程相關的一模型,該方法包含:獲得行為特性資料,其描述由該製程及/或一相關工具或影響產生之一程序參數的一行為;根據該行為特性資料來判定該合成度量衡資料,其描述該製程及/或一相關工具或影響中之變化對該程序參數的影響;且使用包含該合成度量衡資料的該訓練資料集來訓練該模型。
在本發明之一第二態樣中,提供一種包含程式指令之電腦程式,該等程式指令可操作以在運行於一適合的裝置上時執行該第一態樣之該方法。
下文參看隨附圖式詳細地描述本發明之其他態樣、特徵及優點,以及本發明之各種實施例之結構及操作。應注意,本發明不限於本文中所描述之具體實施例。本文中僅出於說明性目的而呈現此類實施例。基於本文中所含有之教示,額外實施例對於熟習相關技術者將為顯而易見的。
在詳細地描述本發明之實施例之前,指導性地呈現可實施本發明的實施例之實例環境。
圖1在100處將微影裝置LA展示為實施大容量微影製程之工業生產設施之部分。在本實例中,製程經調適用於在基板(諸如半導體晶圓)上製造半導體產品(積體電路)。熟習此項技術者將瞭解,可藉由以此程序之變體處理不同類型之基板來製造廣泛多種產品。半導體產品之產生僅用作現今具有巨大商業意義之實例。
在微影裝置(或簡言之,「微影工具」100)內,量測站MEA展示於102處且曝光站EXP展示於104處。控制單元LACU展示於106處。在此實例中,每一基板訪問量測站及曝光站以施加圖案。舉例而言,在光學微影裝置中,投影系統用於使用經調節輻射及投影系統將產品圖案自圖案化器件MA轉印至基板上。此轉印係藉由在輻射敏感抗蝕劑材料層中形成圖案之影像來完成。
本文中所使用之術語「投影系統」應廣泛地解釋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的其他因素的任何類型之投影系統,包括折射性、反射性、反射折射、磁性、電磁及靜電光學系統或其任何組合。圖案化MA器件可為將圖案賦予至藉由圖案化器件傳輸或反射之輻射束的光罩或倍縮光罩。熟知操作模式包括步進模式及掃描模式。眾所周知,投影系統可以多種方式與用於基板及圖案化器件之支撐件及定位系統合作,以將所欲圖案施加至整個基板中之許多目標部分。可使用可程式化圖案化器件替代具有固定圖案之倍縮光罩。舉例而言,輻射可包括在深紫外線(DUV)或極紫外線(EUV)波帶中之電磁輻射。本揭露內容亦適用於例如利用電子束之其他類型的微影程序,例如,壓印微影及直寫微影。
微影裝置控制單元LACU控制各種致動器及感測器之所有移動及量測以收納基板W及倍縮光罩MA且實施圖案化操作。LACU亦包括信號處理及資料處理能力以實施與裝置之操作相關的所欲計算。實務上,控制單元LACU將經實現為許多子單元之系統,每一子單元處置裝置內之一子系統或組件之即時資料獲取、處理及控制。
在曝光站EXP處將圖案施加至基板之前,在量測站MEA處處理基板,使得可進行各種預備步驟。預備步驟可包括使用位階感測器來映射基板之表面高度,且使用對準感測器來量測基板上之對準標記的位置。對準標記經標稱地配置呈規則柵格圖案。然而,由於建立標記之不準確度且亦由於基板之貫穿其處理而發生的變形,標記偏離理想柵格。因此,除了量測基板之位置及定向以外,在裝置將以極高準確度將產品特徵印刷在正確方位處的情況下,對準感測器實務上亦必須詳細地量測整個基板區域中之許多標記之位置。裝置可為具有兩個基板台之所謂的雙載物台類型,該等基板台各自具有由控制單元LACU控制之定位系統。當一個基板台上之一個基板在曝光站EXP處曝光時,可在量測站MEA處將另一基板裝載至另一基板台上,使得可進行各種預備步驟。因此,量測對準標記極為耗時,且提供兩個基板台使得能夠實質上增大裝置之產出率。若在基板台處於量測站以及處於曝光站時位置感測器IF不能夠量測基板台之位置,則可提供第二位置感測器以使得能夠在兩個站處追蹤基板台之位置。微影裝置LA可例如屬於所謂的雙載物台類型,其具有兩個基板台及兩個站-曝光站及量測站-可在兩個站之間交換該等基板台。
在生產設施內,裝置100形成「微影單元」或「微影叢集」之部分,該「微影單元」或「微影叢集」亦含有用於將感光抗蝕劑及其他塗層施加至基板W以供裝置100圖案化的塗佈裝置108。在裝置100之輸出側處提供烘烤裝置110及顯影裝置112以將經曝光圖案顯影成物理抗蝕劑圖案。在所有此等裝置之間,基板處置系統負責支撐基板且將基板自一台裝置轉移至下一台裝置。通常統稱為塗佈顯影系統(track)之此等裝置係在塗佈顯影系統控制單元之控制下,該塗佈顯影系統控制單元自身受監督控制系統SCS控制,該監督控制系統SCS亦經由微影裝置控制單元LACU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。監督控制系統SCS接收配方資訊R,該配方資訊R極詳細地提供待執行以產生每一經圖案化基板之步驟的定義。
一旦已在微影單元中施加並顯影圖案,就將經圖案化基板120轉移至諸如在122、124、126處說明之其他處理裝置。藉由典型製造設施中之各種裝置實施廣範圍之處理步驟。出於實例起見,此實施例中之裝置122為蝕刻站,且裝置124執行蝕刻後退火步驟。其他物理及/或化學處理步驟應用於其他裝置、126等等中。可需要眾多類型之操作以製作實際器件,諸如沈積材料、改質表面材料特徵(氧化、摻雜、離子植入等)、化學機械拋光(chemical-mechanical polishing,CMP)等等。實務上,裝置126可表示在一或多個裝置中執行之一系列不同處理步驟。作為另一實例,可提供用於實施自對準多重圖案化之裝置及處理步驟,以基於由微影裝置鋪設的前驅圖案產生多個較小特徵。
眾所周知,半導體器件之製造涉及此處理之多次重複,以在基板上逐層地建置具有適當材料及圖案之器件結構。因此,到達微影叢集之基板130可為新近製備之基板,或其可為先前已在此叢集中或完全地在另一裝置中經處理之基板。類似地,取決於所需處理,離開裝置126上之基板132可經傳回以用於同一微影叢集中的後續圖案化操作,該等基板可經指定以用於不同叢集中之圖案化操作,或該等基板可為待發送以用於切割及封裝之成品。
產品結構之每一層需要不同的處理步驟集合,且用於每一層處之裝置126可在類型上完全地不同。此外,即使在待由裝置126應用之處理步驟標稱地相同的情況下,在較大設施中,亦可存在並行地工作以對不同基板執行步驟126之若干可能相同的機器。此等機器之間的設定或故障之較小差異可意謂其以不同方式影響不同基板。即使可藉由標稱地相同但並行地工作以最大化產出率之若干蝕刻裝置來實施對於每一層而言相對相同的步驟,諸如蝕刻(裝置122)。此外,實務上,不同層根據待蝕刻之材料之細節而需要不同蝕刻程序,例如化學蝕刻、電漿蝕刻,以及特定要求,諸如各向異性蝕刻。
先前及/或後續程序可在如剛才所提及之其他微影裝置中執行,且可甚至在不同類型之微影裝置中執行。舉例而言,相比於要求不高之其他層,可在更高級的微影工具中執行器件製程中之對諸如解析度及疊對之參數要求極高的一些層。因此,一些層可曝光於浸潤型微影工具中,而其他層曝光於「乾式」工具中。一些層可曝光於在DUV波長下工作之工具中,而其他層係使用EUV波長輻射來曝光。
為正確且一致地曝光由微影裝置曝光之基板,需要檢測經曝光基板以量測特性,諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD)等。因此,安置微影單元LC之製造設施亦包括收納已在微影單元中經處理之基板W中之一些或全部的度量衡系統。將度量衡結果直接地或間接地提供至監督控制系統SCS。若偵測到誤差,則可對後續基板之曝光進行調整,尤其在可足夠迅速地且快速地進行度量衡使得同一批次之其他基板仍待曝光的情況下。又,已曝光之基板可經剝離及重工以改良良率或捨棄,藉此避免對已知有缺陷之基板執行進一步處理。在基板之僅一些目標部分有缺陷的情況下,可僅對良好的彼等目標部分執行另外曝光。
圖1中亦展示度量衡裝置140,該度量衡裝置140經提供以在製程中對所欲載物台處之產品的參數進行量測。現代微影生產設施中之度量衡站的常見實例為散射計,例如,暗場散射計、角解析散射計或光譜散射計,且其可應用於在裝置122中之蝕刻之前量測120處之經顯影基板之特性。使用度量衡裝置140可判定(例如)諸如疊對或臨界尺寸(CD)之重要效能參數並不滿足經顯影抗蝕劑中之指定準確度要求。在蝕刻步驟之前,存在經由微影叢集剝離經顯影抗蝕劑並重新處理基板120之機會。藉由監督控制系統SCS及/或控制單元LACU 106隨時間進行小調整,來自裝置140之度量衡結果142可用於維持微影叢集中之圖案化操作之準確效能,藉此最小化製得不合規格且需要重工的產品之風險。
另外,度量衡裝置140及/或其他度量衡裝置(未展示)可應用以量測經處理基板132、134及傳入基板130之特性。可在經處理基板上使用度量衡裝置來判定諸如疊對或CD之重要參數。
在任何實際成像期間或之前,處理參數可具有使得其偏離規格(例如,程序窗之外;亦即,將產生規格內之圖案所根據之處理參數的空間)之擾動且因此可引起缺陷。舉例而言,焦點可由於待曝光基板之構形、基板載物台之變動、投影光學件之變形等而改變;劑量可由於源強度、停留時間等之變動而改變。各種技術可用於識別經擾動之處理參數且用於校正彼處理參數。舉例而言,若焦點經擾動(例如由於自基板之其餘部分稍微升高的基板之區域經曝光),則基板載物台可經移動或傾斜以補償擾動。
控制製程(例如微影)典型地係基於經回饋或前饋之量測值且接著使用例如場間(橫越基板之指紋(fingerprint))及/或場內(橫越場之指紋)模型來模型化。視需要,此模型化亦可擴展以包括晶粒內模型(橫越晶粒之模型)。在晶粒內,可存在諸如記憶體區域、邏輯區域、接觸區域等之單獨功能區域。每一不同功能區域或不同功能區域類型可具有不同程序窗,每一程序窗具有不同程序窗中心。舉例而言,不同功能區域類型可具有不同高度,且因此具有不同最佳焦點設定。又,不同功能區域類型可具有不同結構複雜度且因此具有環繞每一最佳焦點之不同焦點容許度(焦點程序窗)。
亦可以此方式使用適合的模型來控制其他製程以實施校正。舉例而言,此等校正可包含蝕刻製程之校正、倍縮光罩之校正、塗佈顯影系統之校正、與用於執行該半導體製程之一或多個裝置相關聯之暫時模型之校正。
微影裝置之控制可藉由模型化相關參數(或針對多於一個參數最佳化)之校正分佈(例如控制分佈)來實現。用於每一參數之經模型化校正分佈經饋送至微影裝置,該微影裝置致動所欲校正分佈以控制微影程序(曝光)。控制可基於前饋模型(例如來自在曝光之前在微影裝置內量測之資料)。掃描器自身具有自校正,其需要在曝光期間藉由掃描器致動。此等自校正包含例如前饋模型,諸如倍縮光罩加熱及晶圓加熱;機器校準,諸如晶圓台形狀及佈局相關校正。
焦點控制為主前饋控制環路之實例,其基於針對每一基板收集之大量調平資料,該大量調平資料用於判定對彼基板之曝光的校正,該等校正對表面構形進行校正。其他校正係基於回饋控制環路。除剛提及之主前饋控制之外,焦點控制亦可具有基於來自經曝光結構之焦點量測之回饋元素。疊對控制典型地基於回饋環路;基於來自經處理基板之疊對的量測。劑量控制沒有除平均劑量之外的前饋控制,且典型地經由每場判定之校正分佈(例如,分別在掃描及狹縫方向上)在曝光後(例如,蝕刻後)量測之回饋環路中經控制。
校正之所有此等來源經輸入至微影裝置中,該微影裝置組合每一曝光之所有校正且致動該等校正以最佳化疊對、焦點、劑量及成像效能。存在用於微影程序致動校正分佈以例如用於控制焦點/劑量及/或疊對的多種方法。本質上表現為濾波器之演算法將校正轉換為用於載物台及透鏡/鏡面之設定點。設定點經定義為例如時間相依軌跡,其定義倍縮光罩載物台及/或晶圓載物台在曝光期間相對於彼此之傾斜。藉由相應地移動,致動器將指紋成像至基板上。此類方法及其他方法對於熟習此項技術者而言將容易地顯而易見且將不對其進行進一步論述。
尤其就度量衡工作而言,以上所描述之所有控制/校正方法具有相關聯成本。用於典型程序之控制或校正程度為所需品質與度量衡工作之間的平衡。典型地,增強之品質需要較佳校正,其轉而需要增加之度量衡工作。然而,對於商業上可接受之製程,需要滿足特定生產力層級或產出率目標且增加之度量衡工作將往往會降低生產力/產出率。當前,不存在向使用者提供用於程序控制(例如就良率、疊對或另一參數而言)之可用選項之詳細見解的工具。詳言之,目前不存在用於基於與控制選項相關聯之預期改良識別多個可能控制選項當中之哪一控制選項為最適合的且可考慮諸如度量衡成本、購買成本等之態樣的工具。用於判定最佳地符合特定程序之需要之控制策略的導引為設置半導體製程期間之重要步驟。
因而,提議基於以下各者來評估不同程序控制策略及/或識別較佳程序控制策略:
● 程序資料:此可包括歷史資料及/或設計資料,其特徵化半導體製程(典型地用於將一系列層施加至基板,諸如晶圓)。程序資料之實例可包含以下各者中之一或多者:
- 佈局資料(例如設計資料或倍縮光罩資料),其描述特定層之佈局。此可包括晶粒內之佈局(例如,晶粒內之不同功能區域之位置及尺寸)。
- 程序規格度量,諸如程序窗,其定義與程序相關之最小品質標準,諸如對於任何參數(例如焦點/劑量/疊對/邊緣置放/產率)之最大/最小可允許的值(規格限制);視需要可每場、每晶粒、每基板區域及/或每功能區域定義程序窗。因而,相比其他結構,晶粒內之重要結構或功能區域可與其相關聯之較嚴格的程序窗。程序規格度量亦可包括用於任何參數之目標設定(例如最佳焦點設定)。再次,可針對如所描述之區域/功能區域中之每任一者設定此等程序規格度量。
- 程序內容背景,諸如:使用可用微影裝置、蝕刻裝置、沈積裝置及所提及裝置之腔室中之哪些,及/或此等裝置之任何設定、控制選項設定、感測器讀數、產品定義、內容背景詳盡性。
● 待評估之候選程序控制策略及其實施所需之任何相關聯參數設定;可根據程序資料來輸入或判定此等候選程序控制策略及任何相關聯參數設定。
● 品質度量預測資料。此可包含例如適於預測品質度量資料之候選控制策略及/或任何其他控制策略(例如,參考策略)的特徵之知識,諸如控制策略在應用於由該程序資料表徵之程序時將如何影響效能。此可基於:
○ 關於程序之歷史品質度量資料(例如基於度量衡或先前得到的判定)及/或
○ 關於程序之模型化/模擬的品質度量資料。
● 每一候選控制策略及/或任何其他控制策略(例如,參考策略)之相關聯成本度量資料:成本度量之實例包括:
- 所需度量衡工作。此可包含應多密集及/或多久執行量測以啟用特定控制策略之量度;例如,所使用之取樣方案。亦可定義所需度量衡類型。所需度量衡類型可指量測技術或經量測參數。參數可包括以下各者中之一或多者:疊對度量衡、焦點度量衡、臨界尺寸(CD)/側壁角(side wall angle;SWA)度量衡。度量衡類型可包括:
○ 基於散射量測之度量衡,例如:
■ 基於暗場繞射之疊對/聚焦技術(不對稱性技術),
■ 基於重建構之技術(例如,來自光瞳影像),
○ 掃描電子顯微法,
○ 線上度量衡相對於離線度量衡(例如用於線上度量衡之要求可能歸因於較高成本)
○ 微影裝置(掃描器)度量衡:
■ 對準度量衡及/或
■ 調平度量衡
- 實施每一候選控制策略所需之其他額外負荷;例如,所需硬體及軟體以及與其相關聯之任何相關聯成本(例如軟體許可成本、硬體成本)。
候選程序控制策略可關於用於關於製程之任何參數之設定及/或校正。此等參數可包括涉及(直接地或間接地)製程之任何裝置之(可變)參數,諸如微影裝置設定(例如焦點設定、劑量設定、載物台定位設定點)、蝕刻裝置設定、沈積裝置設定、塗佈顯影系統裝置設定、倍縮光罩製造及/或倍縮光罩微影設定等。候選程序控制策略亦可關於控制介面之特徵。
候選程序控制策略可關於所使用之模型;例如,模型化策略之類型,例如,任何模型化策略之階數(模型程度) (例如一階/高階)、模型化是否按批次、批次內、場間、場內、晶粒間、晶粒內以及用於模擬製程中之任一者(例如用於判定校正)之任何其他相關模型細節。
圖2為描述用於選擇最佳控制策略之純粹地例示性自動化方法之流程圖。此方法更詳細地描述於以引用的方式併入本文中之歐洲專利申請案EP18197856.0中。此方法選擇且定製可用控制策略,且基於經模擬產品效能(與特定輸入資料集相關聯)及所需度量衡工作(例如產出率影響)之評估評定每一控制策略之品質。此係使用人工智慧(AI)技術完成,諸如深度學習技術(例如,使用神經網路)或貝氏(Bayesian)網路技術。結果為可使得上文所描述的控制策略選擇方法更實際,尤其對於評估極大量的控制策略,且使其與使用者無關(例如針對使用者之建議後果)。
在EP18197856.0中,前述程序資料、成本度量資料以及品質度量資料用於訓練AI網路(例如神經網路或貝氏網路)以使程序資料將與品質度量資料相關,考慮成本度量資料。品質度量資料可經模擬或量測,且可關於任何一或多個適合的品質度量(例如疊對、邊緣置放誤差(EPE)、臨界尺寸(CD)、CD均一性(CDU)或產率) (例如包含該任何一或多個適合的品質度量之值)。
參看圖2,將訓練資料200 (其可為驗證資料240之子集)饋送至神經網路205 (或其他適合之AI網路)中。訓練資料包含程序資料(其可包含已經提供之實例中之任一者)及相關聯品質度量資料。舉例而言,訓練資料可包含控制策略及與每一控制策略相關聯之所得品質度量值。訓練資料亦可包含成本度量資料,例如,用於每一控制策略之相關聯成本。然而,此並非必要的且可藉由模擬(例如誤差函數215)考慮成本度量;例如作為邊界條件或約束。神經網路205可作為「空白的」未經訓練網路開始,或者其可已在校準階段關於其他訓練資料(例如模擬資料)進行訓練。隨時間推移,神經網路205將學習哪些控制策略為用於評估之較佳候選者且較可能產生可接受效能(根據品質度量)及可接受成本(根據成本度量)。
模擬階段開始使程序資料與品質度量資料相關。此類方法可基於模型化貝氏網路或機器學習方法(例如深度學習),其使程序資料與品質度量資料相關。模擬階段可以神經網路205輸出候選控制策略210開始。模擬步驟220包含基於候選控制策略210評估誤差函數215。誤差函數215可基於候選控制策略210模型化品質度量資料之誤差(殘差)。舉例而言,此誤差可為訓練資料之平均(模擬)品質度量值。如已提及,誤差函數215可為使用成本度量資料調節之邊界。在步驟225處,評估誤差(例如相較於臨限值;例如誤差或非屈服晶粒數目<=0)以判定候選控制策略210是否為可接受的。若不可接受,則此經回饋至神經網路205中,且評估其他候選控制策略210。當誤差經評估為可接受時,將輸出最佳化的控制策略235。
控制策略最佳化方法可包含使用較大資料集(亦即,驗證資料240)之驗證步驟245,以便相對於驗證資料驗證最佳化的控制策略235。驗證步驟245可使用較大量驗證資料240對經最佳化控制策略235簡單地重複模擬步驟220 (亦即,評估誤差函數215)。視情況,驗證步驟亦可基於最佳化的控制策略235輸出預測的品質度量值250 (例如經預測疊對或EPE)。
由圖2描述之方法之問題為正確訓練AI網路需要廣泛的訓練資料集。由於各種原因(例如,所需的度量衡工作及/或機密性問題),因此難以獲得足夠訓練資料。特定言之,可用於訓練模型之訓練資料集通常不足以代表一或多個處理參數的實際處理因素,諸如偏移、變動、指紋及/或雜訊。
因此,現將描述用於修改經組態以訓練模型之訓練資料集的方法。該方法可包含獲得第一資料集,該第一資料集包含與半導體製程相關聯之內容背景及/或度量衡資料;且基於半導體製程的特徵藉由引入可變性來修改第一資料集,以獲得該訓練資料集。替代地,不使用第一資料集且訓練資料包含基於半導體製程之特徵之完全合成資料。以此方式,獲得為合成或混合式(半合成)資料集的訓練資料集。
此方法可用於利用較小資料集產生正確訓練系統所需的足夠資料。合成資料可基於已知及/或預期發生之特定行為屬性由初始量測資料產生。訓練資料集可接著為混合式資料集,該混合式資料集包括合成資料及由其產生的初始量測資料兩者。產生合成資料而不具有任何可用的實際度量衡資料(亦即僅由已知行為特性產生)亦在本揭露內容之範疇內。
行為特性可基於工程化知識(已知為可能的已知情形及其中已知適當的回應)且基於現有客戶資料集上。以此方式,系統能夠基於可用的有限資料集給出初級控制建議。行為特性可包括(例如)以下各者中之一或多者:
● 空間指紋(空間參數分佈包括場間指紋、場內指紋及/或其他指紋),其可藉由任何工具或影響(例如,由處理、夾持、透鏡像差、蝕刻、沈積、焦點/劑量、倍縮光罩加熱或其他加熱影響等產生的指紋)強加;
● 任何參數之時間雜訊/變動;
● 內容背景或內容背景詳盡性,例如,基板已經受之何種蝕刻腔室、微影載物台及/或沈積站或其他處理歷史,以及此等之可能組合;
● 在不同類型的資料之間及/或類似程序之間的關係;
● 系統應回應的預測事件(例如度量衡資料中之干擾事件及/或偏移),例如取決於所欲訓練結果藉由主動地實施回應改變或決定忽略事件;
● 邊界條件,諸如效能規格、量測預算可用控制選項以及任何控制設定-然而,任何邊界條件可替代地由模擬(例如誤差函數215)強加。
使用已知行為特性及任何實際度量衡結果中之一個或兩個,可產生合成資料。合成資料可例如基於隨時間之行為特性之外插及/或內插(例如在額外基板或批次上方)。舉例而言,合成資料可描述在未量測之時間段內參數如何隨時間變化,例如用於模型化基板或批次。藉助於具體實例,若用於參數之度量衡資料僅可供用於少許批次(或根本不可用),但已知此參數之行為例如隨時間、基板數或批次數而變化,則可對該少許批次之間的批次內插及/或對更多批次(例如更深入至未來及/或在量測批次之間的額外批次)外插(例如藉由回歸或類似模型化技術)參數值。亦可僅基於在可用度量衡資料以及自其中推斷的行為特性執行回歸。以此方式,例如,可自由少數批次(或根本沒有)的實際度量衡資料產生描述大量批次內之一或多個參數之合成度量衡資料。
例如藉由自另一產生一種類型之資料產生合成資料其他方法係可能的。舉例而言,若已知顯影後(蝕刻前)量測的參數與蝕刻後量測的參數之間的關係,則可利用顯影後參數值產生蝕刻後參數值且反之亦然。又,若已知雜訊影響、任何其他影響(例如加熱或透鏡像差)或任何干擾事件,則可推斷/評估此等影響/事件中之任一者的變化對參數之影響以便產生合成資料。因此,例如可產生用於不同雜訊層級之合成度量衡資料,如可產生描述相對於執行之實際量測經受不同層級之倍縮光罩加熱的或不同透鏡像差效應之參數的合成度量衡資料。
亦可基於較稀疏量測在空間上產生額外資料。舉例而言,在用於僅在基板上少許點之度量衡資料係可用時,可計算用於基板上之其他方位的額外度量衡資料。
亦可考慮不同內容背景。舉例而言,在已知用於每一微影載物台、蝕刻腔室及/或任何其他處理站之程序指紋時,則可基於一個或少許與可能組合之較小子集相關的一個或幾個批次之量測或根本沒有實際量測產生此等中之一者的組合指紋(及其影響)。
產生合成度量衡資料之另一方式可基於與除所關注應用以外的應用相關聯之特徵(指紋/變動),但由於所關注應用與其他應用之間的共同性,因此可假設為特徵行為中存在共同性。舉例而言,由於程序或層(例如,共享處理站/內容背景)之間的已知共同性,因此用於特定程序或層之合成資料可衍生自另一程序或層之度量衡資料。
合成度量衡資料引入可用於更快地訓練模型(例如神經網路)的可變性/行為,使得針對代表所關注程序的實際發生的程序變化來提前訓練模型。
一旦AI系統經培訓並使用,該AI系統可繼續學習同時接收實際度量衡資料(例如在生產期間產生)。隨後,其將自訓練資料中可能未預料的其他特定行為中學習。此額外度量衡資料將使得系統能夠在需要時更好地微調其輸出。由於合成資料可能並不覆蓋實際生產條件中發生之所有行為,因此此可為有利的。
圖3為描述此方法之流程圖。程序300及(任選地)度量衡資料305之已知行為特性用於產生合成資料310來獲得訓練資料315 (訓練資料315亦可包括實際度量衡資料300)。產生步驟310可使用用於產生本文中揭露的合成訓練資料之方法中之任一種。模型訓練步驟320可使用訓練資料315來訓練諸如神經網路之模型,以獲得經訓練模型325。
在步驟330處,如已描述,經訓練模型用於提供控制建議335。此可包含用於特定使用情況(例如特定產物及層組合)之建議的控制策略(或多個排列策略)。此可包含建議哪一控制組件可為較佳的(例如特定軟體及/或硬體工具)及/或每一控制組件的設定。此步驟亦可包含預測微影程序之結果及對於其之建議。在步驟340處,可收集回饋資料345。回饋資料可特定用於控制使用情況,例如每一特定產物及層組合,且包含來自經受由經訓練模型判定之控制策略以及選定的對應控制策略之基板的度量衡資訊。回饋資料345可包含任何其他相關資訊(例如,關於及/或描述經控制/建議後之程序之結構及/或堆疊)。可將此回饋資料345回饋回到模型325,該模型325可評估且學習以改良其自身(例如基於對應度量衡判定特定控制策略之有效性)。以下經編號的條項之清單中揭露本發明之其他實施例:
1. 一種用於獲得包含合成度量衡資料之一訓練資料集之方法,該訓練資料集經組態以訓練與用於製造一積體電路的一製程相關的一模型,該方法包含:
獲得行為特性資料,其描述由該製程及/或一相關工具或影響產生之一程序參數的一行為,及/或獲得度量衡資料,其經執行於由該製程及/或一類似製程形成之一結構上;
根據該行為特性資料及/或度量衡資料判定該合成度量衡資料,其描述該製程及/或一相關工具或影響中之變化對該程序參數之影響之;且
使用包含該合成度量衡資料之該訓練資料集來訓練該模型。
2. 如條項1之方法,其中該模型係基於一神經網路。
3. 如條項1或2之方法,其中行為特性資料包含與以下各者中之一或多者相關的資料:由任何工具或影響強加之空間參數分佈,任何參數、內容背景或內容背景詳盡性的時間雜訊/變動,不同類型的資料之間及/或類似程序與系統應回應之預測事件之間的關係。
4. 如任一前述條項之方法,其中根據該行為特性資料及該度量衡資料兩者來判定該合成度量衡資料。
5. 如條項4之方法,其中該訓練資料集包含該合成度量衡資料及該度量衡資料兩者。
6. 如任一前述條項之方法,其中判定該合成度量衡資料包含隨時間內插及/或外插該行為特性以獲得外插程序參數值。
7. 如任一前述條項之方法,其中判定該合成度量衡資料包含將一種類型的度量衡資料轉換成另一類型的度量衡資料。
8. 如任一前述條項之方法,其中判定該合成度量衡資料係基於與除一所關注應用以外的一或多個應用相關聯之行為特性資料及/或度量衡資料,其中假設係由於該一或多個應用與該所關注應用之間的特徵行為之一共同性。
9. 如任一前述條項之方法,其中該合成度量衡資料經產生用於該製程之處理站的不同組合。
10. 如任一前述條項之方法,其中,在使用該模型來對該製程之一態樣提出建議期間,將與該製程相關的度量衡器件及來自該模型之該對應建議作為回饋資料回饋以進一步訓練該模型。
11. 如條項10之方法,其中該回饋資料進一步包含與該製程中形成的該實際結構或堆疊相關的資料。
12. 如任一前述條項之方法,其中該模型經組態以判定用於控制該製程的一較佳控制策略。
13. 如任一前述條項之方法,其進一步提供與該較佳控制策略相關聯之一控制配方。
14. 如任一前述條項之方法,其中該模型經組態以基於與該製程相關之程序資料評估複數個候選控制策略。
15. 如條項14之方法,其中藉由最小化該品質度量之一誤差函數來實施該評估步驟。
16. 如條項14或15之方法,其中該模型經組態以基於成本度量資料評估該複數個候選控制策略,該成本度量資料包含用於該等候選控制策略的相關成本度量。
17. 如任一前述條項之方法,其進一步提供與該較佳控制策略相關聯之一控制配方。
18. 一種電腦程式,其包含程式指令,該等程式指令在運行於一適合的裝置上時可操作以執行如任一前述條項之方法。
19. 一種非暫時性電腦程式載體,其包含如條項18之電腦程式。
儘管已描述呈物理倍縮光罩形式的圖案化器件,但本申請案中之術語「圖案化器件」亦包括傳送呈數位形式之圖案以例如結合可程式化圖案化器件使用之資料產品。
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,本發明可用於其他應用(例如,壓印微影)中且在內容背景允許之情況下,不限於光學微影。在壓印微影中,圖案化器件中之構形(topography)限定產生於基板上之圖案。可將圖案化器件之構形按壓至經供應至基板之抗蝕劑層中,在該基板上,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。
關於微影裝置而使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射,包括紫外線(UV)輻射(例如,具有為或約365、355、248、193、157或126 nm之波長)及極紫外線(EUV)輻射(例如,具有在5至20 nm之範圍內的波長)以及粒子束,諸如離子束或電子束。
術語「透鏡」(在上下文允許的情況下)可指各種類型之光學組件,包括折射性、反射性、磁性、電磁以及靜電光學組件中之任一者或組合。
特定實施例之前述描述將因此完全地揭示本發明之一般性質:在不脫離本發明之一般概念的情況下,其他人可藉由應用熟習此項技術者所瞭解之知識針對各種應用而容易地修改及/或調適此等特定實施例,而無需進行不當實驗。因此,基於本文中所呈現之教示及指導,此等調適及修改意欲在所揭露之實施例之等效者的涵義及範圍內。應理解,本文中之片語或術語係出於例如描述而非限制之目的,使得本說明書之術語或片語待由熟習此項技術者鑒於教示及指導進行解譯。
本發明之廣度及範疇不應受上述例示性實施例中之任一者限制,而應僅根據以下申請專利範圍及其等效者進行界定。
100:裝置
102:量測站MEA
104:曝光站EXP
106:控制單元
108:塗佈裝置
110:烘烤裝置
112:顯影裝置
120:圖案化基板
122:裝置
124:裝置
126:裝置
130:基板
132:基板
134:基板
140:度量衡裝置
142:度量衡結果
200:訓練資料
205:神經網路
210:候選控制策略
215:誤差函數
220:模擬步驟
225:步驟
235:控制策略
240:驗證資料
245:驗證步驟
250:品質度量值
300:程序;實際度量衡資料
305:度量衡資料
310:合成資料
315:訓練資料
320:模型訓練步驟
325:訓練模型
330:步驟
335:建議
340:步驟
345:回饋資料
IF:位置感測器
LA:微影裝置
LACU:控制單元
MA:圖案化器件/倍縮光罩
R:配方資訊
SCS:監督控制系統
W:基板
現將參看隨附圖式作為實例來描述本發明之實施例,在該等圖式中:
圖1描繪形成用於半導體器件之生產設施的微影裝置連同其他裝置;
圖2為描述用於選擇最佳控制策略之自動化方法之流程圖;及
圖3為描述產生用於訓練圖2中所使用的模型之合成訓練資料的方法之流程圖。
300:程序;實際度量衡資料
305:度量衡資料
310:合成資料
315:訓練資料
320:模型訓練步驟
325:訓練模型
330:步驟
335:建議
340:步驟
345:回饋資料
Claims (14)
- 一種用於獲得包含合成度量衡資料之一訓練資料集之方法,該訓練資料集經組態以用於訓練與用於製造一積體電路的一製程相關的一模型,該方法包含: 獲得行為特性資料,其描述由該製程及/或一相關工具或影響產生的一程序參數的一行為; 根據該行為特性資料判定該合成度量衡資料,其描述該製程及/或一相關工具或影響中之變化對該程序參數之影響;且 使用包含該合成度量衡資料之該訓練資料集來訓練該模型。
- 如請求項1之方法,其中該模型係基於一神經網路。
- 如請求項1或2之方法,其中行為特性資料包含與以下各者中之一或多者相關的資料:藉由任何工具或影響強加之空間參數分佈,任何參數、內容背景或內容背景詳盡性的時間雜訊/變動,不同類型的資料之間及/或類似程序與該系統應回應之預測事件之間的關係。
- 如請求項1之方法,其中判定該合成度量衡資料包含:隨時間內插及/或外插該行為特性資料以獲得外插程序參數值。
- 如請求項1之方法,其中判定該合成度量衡資料係基於與除一所關注應用以外的一或多個應用相關聯的行為特性資料,其中假定此係由於該一或多個應用與該所關注應用之間的特徵行為中之一共同性。
- 如請求項1之方法,其中該合成度量衡資料經產生以用於該製程之處理站的不同組合。
- 如請求項1之方法,其中在使用該模型來對該製程之一態樣提出建議期間,將與該製程相關的度量衡器件及來自該模型之該對應建議作為回饋資料回饋以進一步訓練該模型。
- 如請求項1之方法,其中該模型經組態以判定用於控制該製程之一較佳控制策略。
- 如請求項1之方法,其進一步提供與該較佳控制策略相關聯之一控制配方。
- 如請求項1之方法,其中該模型經組態以基於與該製程相關之程序資料評估複數個候選控制策略。
- 如請求項10之方法,其中藉由最小化該品質度量之一誤差函數來實施該評估步驟。
- 如請求項10或11之方法,其中該模型經組態以基於成本度量資料評估該複數個候選控制策略,該成本度量資料包含用於該候選控制策略的相關成本度量。
- 一種電腦程式,其包含程式指令,該等程式指令在運行於一適合的裝置上時可操作以執行如請求項1之方法。
- 一種非暫時性電腦程式載體,其包含如請求項13之電腦程式。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18206285.1A EP3654103A1 (en) | 2018-11-14 | 2018-11-14 | Method for obtaining training data for training a model of a semicondcutor manufacturing process |
EP18206285.1 | 2018-11-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202036168A true TW202036168A (zh) | 2020-10-01 |
TWI720654B TWI720654B (zh) | 2021-03-01 |
Family
ID=64316423
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110102411A TWI767529B (zh) | 2018-11-14 | 2019-10-16 | 獲得用於訓練半導體製程模型的訓練資料之方法 |
TW108137300A TWI720654B (zh) | 2018-11-14 | 2019-10-16 | 獲得用於訓練半導體製程模型的訓練資料之方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110102411A TWI767529B (zh) | 2018-11-14 | 2019-10-16 | 獲得用於訓練半導體製程模型的訓練資料之方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210405544A1 (zh) |
EP (1) | EP3654103A1 (zh) |
KR (1) | KR102555174B1 (zh) |
CN (1) | CN113168108A (zh) |
TW (2) | TWI767529B (zh) |
WO (1) | WO2020099011A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210278827A1 (en) * | 2020-03-09 | 2021-09-09 | Board Of Trustees Of Michigan State University | Systems And Method For Dimensionally Aware Rule Extraction |
US12020961B2 (en) * | 2020-06-22 | 2024-06-25 | Lavorro, Inc. | Automated assistance in a semiconductor manufacturing environment |
CN115777085A (zh) * | 2020-07-09 | 2023-03-10 | Asml荷兰有限公司 | 用于调整图案化过程的方法 |
EP3944020A1 (en) * | 2020-07-20 | 2022-01-26 | ASML Netherlands B.V. | Method for adjusting a patterning process |
US11532525B2 (en) * | 2021-03-03 | 2022-12-20 | Applied Materials, Inc. | Controlling concentration profiles for deposited films using machine learning |
EP4113210A1 (en) * | 2021-07-01 | 2023-01-04 | ASML Netherlands B.V. | A method of monitoring a measurement recipe and associated metrology methods and apparatuses |
US20230096706A1 (en) * | 2021-09-27 | 2023-03-30 | Applied Materials, Inc. | Model-based characterization of plasmas in semiconductor processing systems |
US20230128610A1 (en) * | 2021-10-25 | 2023-04-27 | Kla Corporation | Continuous Machine Learning Model Training for Semiconductor Manufacturing |
WO2023117238A1 (en) * | 2021-12-20 | 2023-06-29 | Carl Zeiss Smt Gmbh | Measurement method and apparatus for semiconductor features with increased throughput |
EP4231096A1 (en) * | 2022-02-21 | 2023-08-23 | ASML Netherlands B.V. | Methods of metrology |
WO2023156143A1 (en) * | 2022-02-21 | 2023-08-24 | Asml Netherlands B.V. | Methods of metrology |
US20230281439A1 (en) * | 2022-03-07 | 2023-09-07 | Applied Materials, Inc. | Synthetic time series data associated with processing equipment |
US20230359172A1 (en) * | 2022-05-03 | 2023-11-09 | Nanya Technology Corporation | Method for controlling etching tool |
EP4357854A1 (en) | 2022-10-20 | 2024-04-24 | ASML Netherlands B.V. | Method of predicting a parameter of interest in a semiconductor manufacturing process |
DE102022132705A1 (de) | 2022-12-08 | 2024-06-13 | Carl Zeiss Microscopy Gmbh | Verfahren zum Erzeugen eines Grabens in einer Probe und Computerprogrammprodukt |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003270866A1 (en) * | 2002-09-30 | 2004-04-23 | Tokyo Electron Limited | Method and apparatus for the monitoring and control of a semiconductor manufacturing process |
WO2005106656A2 (en) | 2004-04-16 | 2005-11-10 | Fortelligent, Inc. | Predictive modeling |
US7791727B2 (en) | 2004-08-16 | 2010-09-07 | Asml Netherlands B.V. | Method and apparatus for angular-resolved spectroscopic lithography characterization |
US7373215B2 (en) * | 2006-08-31 | 2008-05-13 | Advanced Micro Devices, Inc. | Transistor gate shape metrology using multiple data sources |
US7949490B2 (en) * | 2007-08-30 | 2011-05-24 | Tokyo Electron Limited | Determining profile parameters of a structure using approximation and fine diffraction models in optical metrology |
US8149384B2 (en) * | 2007-12-17 | 2012-04-03 | Advanced Micro Devices, Inc. | Method and apparatus for extracting dose and focus from critical dimension data |
NL1036245A1 (nl) | 2007-12-17 | 2009-06-18 | Asml Netherlands Bv | Diffraction based overlay metrology tool and method of diffraction based overlay metrology. |
US7925369B2 (en) * | 2007-12-18 | 2011-04-12 | Globalfoundries Inc. | Method and apparatus for optimizing models for extracting dose and focus from critical dimension |
NL1036597A1 (nl) | 2008-02-29 | 2009-09-01 | Asml Netherlands Bv | Metrology method and apparatus, lithographic apparatus, and device manufacturing method. |
NL1036857A1 (nl) | 2008-04-21 | 2009-10-22 | Asml Netherlands Bv | Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method. |
NL2004094A (en) | 2009-02-11 | 2010-08-12 | Asml Netherlands Bv | Inspection apparatus, lithographic apparatus, lithographic processing cell and inspection method. |
NL2005162A (en) | 2009-07-31 | 2011-02-02 | Asml Netherlands Bv | Methods and scatterometers, lithographic systems, and lithographic processing cells. |
JP2013502592A (ja) | 2009-08-24 | 2013-01-24 | エーエスエムエル ネザーランズ ビー.ブイ. | メトロロジ方法および装置、リソグラフィ装置、リソグラフィプロセシングセル、およびメトロロジターゲットを備える基板 |
NL2007176A (en) | 2010-08-18 | 2012-02-21 | Asml Netherlands Bv | Substrate for use in metrology, metrology method and device manufacturing method. |
KR101492205B1 (ko) | 2010-11-12 | 2015-02-10 | 에이에스엠엘 네델란즈 비.브이. | 메트롤로지 방법 및 장치, 리소그래피 시스템, 및 디바이스 제조 방법 |
US8577820B2 (en) * | 2011-03-04 | 2013-11-05 | Tokyo Electron Limited | Accurate and fast neural network training for library-based critical dimension (CD) metrology |
US20130110477A1 (en) * | 2011-10-31 | 2013-05-02 | Stilian Pandev | Process variation-based model optimization for metrology |
NL2010401A (en) | 2012-03-27 | 2013-09-30 | Asml Netherlands Bv | Metrology method and apparatus, lithographic system and device manufacturing method. |
NL2010458A (en) | 2012-04-16 | 2013-10-17 | Asml Netherlands Bv | Lithographic apparatus, substrate and device manufacturing method background. |
KR101759608B1 (ko) | 2012-05-29 | 2017-07-20 | 에이에스엠엘 네델란즈 비.브이. | 메트롤로지 방법 및 장치, 기판, 리소그래피 시스템 및 디바이스 제조 방법 |
US10152654B2 (en) * | 2014-02-20 | 2018-12-11 | Kla-Tencor Corporation | Signal response metrology for image based overlay measurements |
US9710728B2 (en) * | 2014-10-28 | 2017-07-18 | Kla-Tencor Corporation | Image based signal response metrology |
US10430719B2 (en) * | 2014-11-25 | 2019-10-01 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
JP6751871B2 (ja) * | 2014-11-25 | 2020-09-09 | ピーディーエフ ソリューションズ,インコーポレイテッド | 半導体製造プロセスのための改善されたプロセス制御技術 |
US10030965B2 (en) * | 2015-05-08 | 2018-07-24 | Kla-Tencor Corporation | Model-based hot spot monitoring |
KR102166317B1 (ko) * | 2015-12-24 | 2020-10-16 | 에이에스엠엘 네델란즈 비.브이. | 패터닝 공정의 제어 방법, 디바이스 제조 방법, 리소그래피 장치용 제어 시스템 및 리소그래피 장치 |
US10615084B2 (en) * | 2016-03-01 | 2020-04-07 | Asml Netherlands B.V. | Method and apparatus to determine a patterning process parameter, associated with a change in a physical configuration, using measured pixel optical characteristic values |
WO2017211545A1 (en) * | 2016-06-09 | 2017-12-14 | Asml Netherlands B.V. | Metrology apparatus |
US20180196349A1 (en) * | 2017-01-08 | 2018-07-12 | Mentor Graphics Corporation | Lithography Model Calibration Via Genetic Algorithms with Adaptive Deterministic Crowding and Dynamic Niching |
EP3382606A1 (en) * | 2017-03-27 | 2018-10-03 | ASML Netherlands B.V. | Optimizing an apparatus for multi-stage processing of product units |
JP6525044B1 (ja) * | 2017-12-13 | 2019-06-05 | オムロン株式会社 | 監視システム、学習装置、学習方法、監視装置及び監視方法 |
-
2018
- 2018-11-14 EP EP18206285.1A patent/EP3654103A1/en not_active Withdrawn
-
2019
- 2019-09-26 US US17/289,290 patent/US20210405544A1/en active Pending
- 2019-09-26 CN CN201980074980.0A patent/CN113168108A/zh active Pending
- 2019-09-26 KR KR1020217014418A patent/KR102555174B1/ko active IP Right Grant
- 2019-09-26 WO PCT/EP2019/076072 patent/WO2020099011A1/en active Application Filing
- 2019-10-16 TW TW110102411A patent/TWI767529B/zh active
- 2019-10-16 TW TW108137300A patent/TWI720654B/zh active
Also Published As
Publication number | Publication date |
---|---|
TW202119138A (zh) | 2021-05-16 |
WO2020099011A1 (en) | 2020-05-22 |
US20210405544A1 (en) | 2021-12-30 |
KR102555174B1 (ko) | 2023-07-12 |
CN113168108A (zh) | 2021-07-23 |
KR20210075156A (ko) | 2021-06-22 |
TWI720654B (zh) | 2021-03-01 |
TWI767529B (zh) | 2022-06-11 |
EP3654103A1 (en) | 2020-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI720654B (zh) | 獲得用於訓練半導體製程模型的訓練資料之方法 | |
TWI633398B (zh) | 用於檢測及度量衡的方法與設備 | |
TWI668511B (zh) | 用於最佳化產品單元之多階段處理的方法 | |
TWI616726B (zh) | 用於檢測及度量衡的方法與設備 | |
KR102087310B1 (ko) | 패터닝 프로세스 오차를 정정하기 위한 방법 및 장치 | |
TW201719785A (zh) | 減少非線性行為效應之方法與裝置 | |
TW201928527A (zh) | 用於控制微影設備之方法及與相關裝置 | |
TWI610127B (zh) | 校正圖案化製程誤差之方法與裝置 | |
US11372338B2 (en) | Method for evaluating control strategies in a semiconductor manufacturing process | |
TWI623811B (zh) | 校正圖案化製程誤差之方法、電腦程式產品與系統 | |
TW201629617A (zh) | 用於倍縮光罩最佳化之方法與裝置 | |
TW201937553A (zh) | 微影製程和設備及檢測製程和設備 | |
TWI616720B (zh) | 校正圖案化製程誤差之方法與系統及非暫時性電腦程式產品 | |
TW201935138A (zh) | 用於控制製造設備的方法及相關設備 | |
CN112585538B (zh) | 用于控制制造过程的方法及相关联的设备 | |
TWI749607B (zh) | 微影製程之子場控制及相關聯裝置 | |
TWI704425B (zh) | 具有增加頻寬之度量衡方法及裝置 | |
EP3547030A1 (en) | Method for evaluating control strategies in a semicondcutor manufacturing process | |
US20240061353A1 (en) | Method for determining a focus actuation profile for one or more actuators of a lithographic exposure apparatus | |
TW202403460A (zh) | 用於判定在至少一基板或其部分上之一所關注參數之一空間分佈之方法 |