TW202117467A

TW202117467A - 處理條件推定裝置、處理條件推定方法以及處理條件推定記錄媒體

Info

Publication number: TW202117467A
Application number: TW109137700A
Authority: TW
Inventors: 石川明夫; 玉虫秀一
Original assignee: 日商Ａｌｉｔｅｃｓ股份有限公司
Priority date: 2019-10-30
Filing date: 2020-10-29
Publication date: 2021-05-01
Also published as: US20220254009A1; WO2021085522A1; JP7094594B2; JPWO2021085522A1

Abstract

本發明提供一種不限制對象物的形狀等而推定處理條件的處理條件推定裝置、處理條件推定方法以及處理條件推定記錄媒體。本發明的處理條件推定裝置推定處理對象物的處理條件，且包括：輸入部，輸入於所述對象物的既定位置所獲取的測定資料；以及推定部，基於輸入測定資料並輸出處理條件的推定值的處理條件推定函數，根據所述輸入的測定資料來推定處理所述對象物的處理條件。

Description

處理條件推定裝置、處理條件推定方法以及處理條件推定記錄媒體

本發明的實施形態是有關於根據處理裝置所處理的對象物的測定資料，不限制對象物的形狀等而推定處理條件的處理條件推定裝置、處理條件推定方法以及處理條件推定記錄媒體。

於半導體元件製造中，處理裕度（margin）伴隨微細化而逐漸變小，因而重要的是確認曝光裝置等處理裝置所處理的對象物是於既定的範圍內受到處理。

一般而言，最佳的曝光條件是利用掃描式電子顯微鏡（臨界尺度掃描式電子顯微鏡（Critical Dimension-Scanning Electron Microscope，CD-SEM）等形狀測定裝置測定既定的抗蝕劑等的圖案形狀而決定。此時，不僅測定抗蝕劑圖案形狀，亦進行蝕刻後的圖案形狀的測定，進行兩者的確認。

專利文獻1中揭示有下述技術，即：根據藉由CD-SEM等所求出的抗蝕劑圖案形狀的線寬與基準值的偏差量，而求出曝光裝置的焦點及曝光量的偏移量。 [現有技術文獻] [專利文獻]

[專利文獻1]日本專利特開2007-208245號公報

[發明所欲解決之課題]

然而，以抗蝕劑圖案形狀的何處為基準要委託模擬（simulation）來固定。另外，關於被設為對象物的抗蝕劑圖案，亦有僅可處置直線圖案或接觸孔（contact hole）等規定形狀這一問題。

本發明是著眼於此種課題進行潛心研究而完成，其目的在於提供一種不限制對象物的形狀等而推定處理條件的處理條件推定裝置、處理條件推定方法以及處理條件推定記錄媒體。 [解決課題之手段]

為了解決所述課題，第一發明為一種處理條件推定裝置，推定處理對象物的處理條件，且包括：輸入部，輸入於所述對象物的既定位置所獲取的測定資料；以及推定部，基於輸入測定資料並輸出處理條件的推定值的處理條件推定函數，根據所述輸入的測定資料來推定處理所述對象物的處理條件。

第二發明為一種處理條件推定方法，推定處理對象物的處理條件，且輸入於所述對象物的既定位置獲取的測定資料，基於輸入測定資料並輸出處理條件的推定值的處理條件推定函數，根據所述輸入的測定資料來推定處理所述對象物的處理條件。

第三發明為一種處理條件推定記錄媒體，所述處理條件推定記錄媒體推定處理對象物的處理條件，且記錄有用以使電腦執行下述步驟的程式：輸入於所述對象物的既定位置所獲取的測定資料；以及基於輸入測定資料並輸出處理條件的推定值的處理條件推定函數，根據所述輸入的測定資料來推定處理所述對象物的處理條件。 [發明的效果]

根據本發明，可提供一種不限制對象物的形狀等而推定處理條件的處理條件推定裝置、處理條件推定方法以及處理條件推定記錄媒體。

一方面參照圖式一方面對本發明的實施方式加以說明。此處，對各圖中共同的部分標註相同符號，省略重複的說明。

[A.本實施形態的概要] 圖1為表示包含本實施形態的處理條件推定裝置的半導體製造系統的概略結構圖。半導體製造系統100包括曝光裝置200、中央運算處理裝置300及形狀測定裝置400。各裝置經有線或無線的通信網路連接。中央運算處理裝置300相當於本實施形態的處理條件推定裝置。再者，半導體製造系統100為適用本實施形態的處理條件推定裝置的一例。本實施形態的處理條件推定裝置例如亦可適用於遮罩製造系統、平板顯示器（Flat Panel Display，FPD）製造系統或印刷基板製造系統等。

曝光裝置200為將塗佈於晶圓上的抗蝕劑曝光成形成於遮罩上的圖案的曝光裝置。曝光裝置200相當於本實施形態的處理對象物的處理裝置。

形狀測定裝置400為掃描式電子顯微鏡（CD-SEM），獲取抗蝕劑圖案的立體形狀的資訊，所述抗蝕劑圖案是使用介隔遮罩來對塗佈於晶圓上的抗蝕劑進行曝光的曝光裝置200而形成於晶圓上。形狀測定裝置400相當於本實施形態的進行測定資料的測定的測定裝置。此處，測定的對象物不限於抗蝕劑圖案，亦可為蝕刻後的圖案等，不限於半導體製造，亦可為遮罩製造、FPD製造或印刷基板製造等進行對象物的處理的製造。

此處，使用對象物的SEM圖像作為測定資料，但測定資料不限於對象物的圖像，亦可使用直線圖案的線寬或接觸孔的孔徑等測定值、或者光學圖像或反射光譜等測定對象物所得的資料。

中央運算處理裝置（以下稱為「處理條件推定裝置」）300為推定處理對象物的處理條件的處理條件推定裝置，且包括輸入部、特徵量計算部、推定部這樣的功能塊。輸入部輸入於對象物的既定位置所獲取的測定資料。特徵量計算部根據所輸入的對象物的測定資料來計算特徵量。推定部基於輸入測定資料及特徵量的至少一者並輸出處理條件的推定值的處理條件推定函數，根據所輸入的對象物的測定資料及特徵量的至少一者，來推定處理對象物的處理條件。此處，分特徵量計算部與推定部的功能來進行說明，但無須將功能明確地分離，亦可將特徵量計算部與推定部合併，作為推定部而安裝。

於合併安裝的情形時，推定部基於輸入測定資料並輸出處理條件的推定值的處理條件推定函數，根據所輸入的對象物的測定資料來推定處理對象物的處理條件。再者，處理條件推定裝置300亦可進而包括顯示所推定的處理條件的顯示部。

處理條件推定裝置300為功能塊，不限於以硬體（hardware）的形式安裝，亦可作為程式等軟體（software）而安裝於電腦，其安裝形態並無限定。例如，可裝配（install）於連接於個人電腦等客戶端終端與有線或無線的通信線路（網際網路線路等）的專用伺服器而安裝，或亦可利用所謂的雲服務（cloud service）而安裝。

[B.處理條件推定方法] 圖2為表示與本實施形態的（a）處理條件推定函數製作方法及（b）處理條件推定方法有關的流程圖。

（b1.處理條件推定函數製作方法的流程圖的說明）圖2的（a）為處理條件推定函數製作方法的流程圖。此處，所謂處理條件推定函數，為根據由測定裝置所獲取的對象物的測定資料來推定處理對象物的處理條件的函數、輸入為對象物的測定資料且輸出為處理對象物的處理條件的推定值的函數。本實施形態中，根據由掃描式電子顯微鏡所測定的圖像，來推定藉由曝光裝置處理對象物的處理條件（焦點位置及曝光量）。

步驟S110中，輸入藉由不同處理條件而預先製作的對象物的既定位置的圖像。

圖3為表示本實施形態的圖像輸入的一例的圖。該圖的橫軸表示曝光裝置200的焦點位置，縱軸表示曝光量。而且，顯示了以圖中所示的比率預先測定的多個圖像。此處，將焦點位置或曝光量等的數量稱為處理條件種類數。圖3的情形時，處理條件種類數為2個（焦點位置及曝光量）。另外，使曝光量的條件以3種（-8%、±0%、+8%）進行變動，使焦點位置的條件以5種（-60 nm、-30 nm、±0 nm、+30 nm、+60 nm）進行變動，因而總體的處理條件數成為15。此處，理想的是圖像中包含大量的多個種類的圖案或對於處理條件敏感的圖案。另外，一個處理條件的圖像亦可不為一張，而為於對象物的多處獲取的多個圖像。

另外，處理條件不限於焦點位置及曝光量兩種，亦可為對象物的或形成於對象物上的薄膜的膜厚、蝕刻條件等。另外，於處理條件為形成於對象物上的薄膜的膜厚、蝕刻處理時間、蝕刻氣體流量或蝕刻射頻（Radio Frequency，RF）功率等在晶圓內不變化的條件的情形時，亦可於不同的處理條件下處理多個晶圓，並根據各個晶圓獲取針對各個處理條件的圖像。

步驟S120中，計算所輸入的圖像的特徵量。

圖4的（a）及圖4的（b）為表示用以計算本實施形態的特徵量的一例的圖。圖4的（a）測定印於實際的圖案圖像的實線的線寬作為特徵量。該實線的部分有17個，計算17個線寬作為特徵量。圖4的（b）是為了以容易理解的方式顯示測定的線寬而僅顯示圖案圖像的框線的圖。以橢圓形狀覆蓋所測定的線寬的部分。此處，所測定的線寬為一例，但不限定於此，亦可為圖案的邊緣位置、邊緣傾斜、曲率或面積等。另外，亦可使用步驟S110中輸入的圖像的各畫素值（包含總畫素值）或根據各畫素值所計算的值作為特徵量。例如，於以圖像的特定部分的畫素值作為特徵量的情形時，輸入部設定所輸入的圖像資料的特定部分（例如圖案區域或圖案邊緣變化的區域），於特定部分的大小為寬度W畫素、高度H畫素的矩形區域的情形時，輸出W×H個畫素值作為測定資料。這意味著此後進行的第一因次削減的輸入因次數為W×H因次。另外，於特定部分的大小並非矩形的區域的情形時，亦可輸出特定部分所含的畫素數個的畫素值作為測定資料。此種情形時，特定部分亦可以包含依存於處理條件而變化的區域的方式設定。藉由不使用所輸入的整個圖像資料的畫素而限定於特定部分的畫素，從而可減少特徵量計算部或推定部中的計算處理量。

步驟S130為第一因次削減方法的學習步驟。對步驟S120中求出的特徵量的因次數（本實施形態中為17處的線寬，因而為17因次）進行因次削減至與處理對象物的處理條件種類數的因次數（本實施形態中為焦點位置及曝光量兩種，因而為2因次）的中間的3因次，學習生成進行此種第一因次削減的第一射影函數。此處，削減至對處理條件種類數加1的3因次，但不限於此，只要為特徵量的因次數與處理條件種類的因次數之間即可。作為因次削減方法，此處使用作為流形學習法之一的局部線性嵌入（Locally Linear Embedding，LLE）法等。再者，所述處理條件種類為本實施形態的處理條件推定裝置推定的處理條件。

圖5為用以說明本實施形態的第一因次削減方法的圖。將第一因次削減後的結果標示於三維座標上。即，意味著將17因次的學習資料投影於3因次上的曲面。另外，由於為將17因次調整為3因次的第一射影函數，因而各軸並無物理含意。此處，於第一因次削減的結果不充分的情形（處理條件間的因次削減後間隔不充分的情形）時，亦可進行對象物測定點的追加或特徵量的增減或者因次削減條件、方法的變更。另外，關於對象物測定點，亦可補充特徵量而使點數增加。

此處，亦可輸出對第一因次削減的結果進行評價的評價值。例如，亦可利用因次削減前的各處理條件間的間隔對因次削減後的各處理條件間的間隔進行修正，並輸出其最小值作為因次削減的評價值。

步驟S140為第二因次削減方法的學習步驟。對步驟S130（第一因次削減方法）中因次削減的結果（本實施形態中為3因次）進行因次削減至處理條件種類的因次數（本實施形態中為2因次），學習生成進行此種第二因次削減的第二射影函數。此處，作為因次削減方法，使用LLE（Locally Linear Embedding）法等。此處，於第二因次削減的結果不充分的情形（處理條件間的因次削減後間隔不充分的情形）時，亦可進行對象物測定點的追加或特徵量的增減或者因次削減條件、方法的變更。另外，關於對象物測定點，亦可補充特徵量而使點數增加。

圖6的（a）及圖6的（b）為用以對本實施形態的第二因次削減方法加以說明的圖。圖6的（a）將第二因次削減後的結果標示於二維座標上。由於為將3因次調整為2因次的第二射影函數，因而各軸並無物理含意。

步驟S150中，計算映射函數。圖6的（b）為用於對下述函數進行說明的圖，所述函數將以投影至第二因次削減後的二維座標的不同處理條件進行了處理的對象物的測定資料，映射至進行處理的焦點位置及曝光量的二維座標。

映射函數將進行因次削減直至與處理條件種類數相同的因次所得的結果映射為實際的處理條件值。具體而言，求出將步驟S140中求出的二維座標值變換為進行處理的焦點位置及曝光量的函數。藉此，可根據變換後的值計算焦點位置及曝光量。

步驟S130及步驟S140的學習步驟與步驟S150的映射函數計算中，不限於所述因次削減方法或映射方法，亦可藉由其他機器學習法來製作用以推定處理條件的處理條件推定函數，另外，亦可藉由包含深度學習（deep learning）的神經網路進行製作。

另外，於存在無法計算一部分特徵量的處理條件的情形（例如，圖案缺損或與鄰接圖案結合的情形等）時，亦可於可計算所有特徵量的處理條件範圍製作處理條件推定函數，去掉無法計算的特徵量並於所有處理條件範圍製作處理條件推定函數等，製作多個處理條件推定函數。其原因在於，於處理條件大幅度地偏離的情形時，以少的特徵量進行處理條件推定，於處理條件接近中心條件的情形時，以多的特徵量進行更準確的處理條件推定。如此，特徵量與處理條件推定函數的組合亦可為多個。

（b2.處理條件推定方法的流程圖的說明）圖2的（b）為處理條件推定方法的流程圖。

步驟S210中，與步驟S110同樣地，處理條件推定裝置300的輸入部輸入實際需推定處理條件的對象物的圖像。此處，所輸入的圖像為使用與步驟S110中輸入的圖像同樣的方法於對象物的既定位置所獲取的圖像。所謂對象物的既定位置，不限於對象物內的同一座標，包含具有對象物的同樣結構的位置。例如，於有圖案的情形時包含相同圖案的位置，於無圖案的情形時包含相同膜構成的位置。

步驟S220中，處理條件推定裝置300的特徵量計算部計算所輸入的圖像的特徵量。與步驟S120同樣地，本實施形態中計算17個特徵量。

處理條件推定裝置300的推定部進行步驟S230及步驟S240的因次削減。步驟S230中，使用步驟S130中學習的第一射影函數，與步驟S130同樣地，對步驟S220中計算的特徵量（本實施形態中為17因次）進行第一因次削減至特徵量的因次數與處理條件種類數的中間的因次（本實施形態中為3因次）。進行第一因次削減的結果成為圖5的三維座標上的一點。

步驟S240中，處理條件推定裝置300的推定部使用步驟S140中學習的第二射影函數，對步驟S230（第一因次削減方法）中因次削減的結果進行第二因次削減至處理條件種類（本實施形態中為焦點位置及曝光量兩種）的2因次。第二因次削減後的結果成為圖6的（a）的二維座標上的一點。

步驟S250中，處理條件推定裝置300的推定部藉由步驟S150中求出的映射函數，將第二因次削減後的結果映射至焦點位置及曝光量的二維座標。映射結果成為圖6的（b）的二維座標的一點。如此，根據本實施形態，可計算焦點位置及曝光量的處理條件的推定值。

於存在多個特徵量與處理條件推定函數的組合的情形時，亦可將各個結果綜合而計算處理條件推定值。

另外，本實施形態中，可於步驟S230（第一因次削減方法）與步驟S240（第二因次削減方法）之間，計算處理條件推定值的準確率。所謂準確率，為評價所推定的處理條件的準確性的值。例如，若因學習資料與推定處理條件的資料的差異而與學習資料的差異大，則表示所推定的處理條件有可能誤差大。關於這一情況，步驟S230（第一因次削減方法）設定為特徵量的因次數與處理條件種類的因次數的中間的因次數，因而可計算處理條件推定值的準確率。例如，於步驟S230（第一因次削減方法）之後，輸出如圖5般因次削減至3因次的點與根據學習圖像求出的曲面的距離作為推定值的準確率。於該情形時，準確率（例如錯誤率（Error Rate））越接近0，則準確率越高（即，準確性變高）。

（b3.準確率計算方法1：以二階段進行因次削減的情形）對圖2的（b）中說明的二階段的因次削減（步驟S230、步驟S240）的情形的準確率計算（步驟S260）方法加以說明。將根據第i個學習圖像所求出的第一因次削減（步驟S230）的結果設為P_i,j 。此處，j表示第一因次削減後的因次。另外，將根據推定的對象物所求出的第一因次削減結果設為S_j 。

準確率A是由式（1）表示。 [式1]

此處，σ_j 為修正係數（常數）。另外，亦可補充根據學習圖像所求出的特徵量，增加處理條件數而高精度地進行。

（b4.準確率計算方法1：以一階段進行因次削減的情形）因次削減並非必須以二階段進行，亦可以一階段進行。於如二階段因次削減般不存在因次削減的中間結果的情形時，只要於處理條件推定後，求出準確率A即可。此處，將根據推定的對象物所求出的第j個特徵量設為S_j 。另外，將最接近所推定的處理條件的、學習圖像的第j個特徵量設為P_j 。

準確率A是由式（2）表示。 [式2]

此處，σ_j 為修正係數（常數）。另外，最接近所推定的處理條件的學習圖像的特徵量亦可使用藉由補充而高精度地求出的特徵量。

本實施形態中使用圖案形狀的圖像作為對象物的測定資料，但測定資料亦可使用圖像以外者。例如，亦可將對象物的反射光的光譜作為測定資料而推定形成於對象物上的薄膜的處理條件（處理時間、氣體流量、溫度或壓力等）。

[C.作用效果] 如上所述，根據本實施形態，可不限制對象物的形狀等而推定處理條件。

[D.其他處理條件推定方法] 此處，對其他處理條件推定方法進行說明。圖7為與其他實施形態的、使用神經網路的（a）處理條件推定函數製作方法及（b）處理條件推定方法有關的流程圖。

（d1.處理條件推定函數製作方法的流程圖的說明）圖7的（a）為使用神經網路的處理條件推定函數製作方法的流程圖。關於處理條件推定函數等，於圖2等中已說明，故而省略重覆的說明。

步驟S310中，與圖2的步驟S110同樣地，輸入藉由不同處理條件而預先製作的對象物的既定位置的圖像。步驟S310的情形時，亦使用圖3中說明的圖像輸入的一例。

步驟S320中，算出所輸入的圖像的特徵量。步驟S320的情形時，亦使用圖4的（a）及圖4的（b）中說明的用以算出特徵量的一例。

步驟S330為特徵量的因次削減方法的學習步驟。對步驟S320中求出的特徵量的因次數（圖4的（a）及圖4的（b）的情形時為17處線寬，故而為17因次）進行因次削減至處理對象物的處理條件種類數的因次數（圖3的情形時為焦點位置與曝光量兩種，故而為2因次），學習生成進行此種因次削減的射影函數。作為因次削減方法，使用神經網路等。再者，所述處理條件種類為本實施形態的處理條件推定裝置推定的處理條件。

圖8為用於對其他實施形態的、進行因次削減的神經網路的結構的一例進行說明的圖。此處，有三層隱藏層，第一層及第二層的節點由32個構成，第三層的節點由16個構成。

x_i 為步驟S320中算出的特徵量，y_i 為製程處理條件的推定值。此處，特徵量為17個，製程條件為焦點位置與曝光量兩個。即，圖8表示由神經網路來構成下述處理條件推定函數的示例，所述處理條件推定函數輸入17個測定資料（此處為17個圖像的特徵量），輸出兩個處理條件（此處為焦點位置與曝光量）的推定值。

另外，x₀ 或z_k,0 為常數1。各層的節點是由數式（3）～數式（5）來計算。 [式3]

[式4]

[式5]

此處，W_i,j ^k 為實數，i為輸入編號，j為各層的節點編號，k為隱藏層的編號。f_i,j 被稱為激活函數，可使用S形函數（sigmoid function）或雙曲線正切函數等。所謂學習，是指以於輸入特徵量時輸出處理條件的方式使W_i,j ^k 的值最適化。關於該最適化，使用梯度下降法、準牛頓法（quasi-Newton method）、動量法（Momentum method）、自適應矩估計（Adaptive moment estimation，Adam）法、有限內存BFGS法（Limited-memory BFGS，LBFGS）、隨機梯度下降（Stochastic Gradient Descent，SGD）法等。所輸入的特徵量也可於輸入前，作為前處理而以成為既定的範圍內的方式進行歸一化。於對輸出值的製程處理條件進行了歸一化的情形時，亦可作為後處理而進行還原成原本的製程條件的處理。

此處，將由特徵量提取部所提取的特徵量設為向推定部的輸入，但於直接向推定部輸入測定資料（此處為圖像資料）而非由特徵量提取部所提取的特徵量的情形時，亦可使用捲積類神經網路（Convolutional Neural Network，CNN）等來構成處理條件推定函數。另外，為了削減計算處理量，亦可僅使用圖案區域或圖案邊緣變化的區域作為所輸入的圖像資料的特定部分。

步驟S340為求出特徵量推定函數的步驟，所述特徵量推定函數根據製程處理條件而求出作為步驟S330的輸入的特徵量。此處，對與步驟S330同樣地使用神經網路來推定特徵量的情形進行說明。

圖9為用以對其他實施形態的、進行特徵量推定的神經網路的結構的一例進行說明的圖。此處，有三層隱藏層，第一層及第二層的節點由8個構成，第三層的節點由4個構成。y_i 為製程處理條件，x_i 為特徵量的推定值。此處，特徵量為17個，製程條件為焦點位置與曝光量兩個，故而圖9所示的神經網路成為17個。各參數與步驟S330相同，關於學習方法，利用相同的方法來進行。此處，由神經網路來構成特徵量推定函數，但亦可使用其他插補方法、例如雙線性插值（Bi-Linear）法或雙三次插值（Bi-Cubic）法等。再者，步驟S340於不進行準確率計算或學習結果評價等的情形時，亦可省略。

另外，亦可藉由反覆進行使用步驟S340中推定的特徵量來進行步驟S330的再學習等，從而提高步驟S330中求出的處理條件推定函數及步驟S340中求出的特徵量推定函數的精度。

圖10的（a）～圖10的（d）及圖11的（a）～圖11的（d）為顯示根據焦點位置及曝光量所推定的值或誤差的圖表。圖10表示無再學習的情形，圖11表示有再學習的情形。

各圖表的座標軸如圖10的（a）中示出一例般，x軸為焦點位置，y軸為曝光量，z軸為所推定的值或誤差。圖10的（a）的圖表於x軸描繪焦點位置，於y軸描繪曝光量，於z軸描繪所推定的焦點位置。圖10的（b）於x軸描繪焦點位置，於y軸描繪曝光量，於z軸描繪所推定的曝光量。圖10的（c）於x軸描繪焦點位置，於y軸描繪曝光量，於z軸描繪焦點位置推定誤差。此處，作為焦點位置推定誤差，設為焦點位置與焦點位置推定值之差的絕對值。圖10的（d）於x軸描繪焦點位置，於y軸描繪曝光量，於z軸描繪曝光量推定誤差。此處，作為曝光量推定誤差，設為曝光量與曝光量推定值之差的絕對值。

圖10的（a）～圖10的（d）的各圖表中，三角記號表示根據從用於學習的圖像所提取的特徵量，利用步驟S330中學習的神經網路所推定的焦點位置推定值或曝光量推定值。黑圓點記號為針對根據曝光量及焦點位置由步驟S340中學習的神經網路所推定的特徵量，利用步驟S330中學習的神經網路所推定的焦點位置推定值或曝光量推定值。由圖10的（c）及圖10的（d）可知，根據用於學習的特徵量所推定的焦點位置推定誤差或曝光量推定誤差（三角）小，根據由步驟S340所學習的神經網路基於曝光量與推定值所推定的特徵量，利用步驟S330中學習的神經網路所推定的焦點位置推定誤差或曝光量推定誤差（黑圓點）變大。此處，如圖10的（c）、圖10的（d）般分為各個推定處理條件來描繪，但亦可對各誤差乘以修正係數並求和，藉此歸總描繪成一個。

如此可知，對於步驟S330中用於學習的曝光量與焦點位置，推定精度高，但對於除此以外，推定精度變差。藉由求出根據用於學習的圖像的、針對推定值以外的處理條件的推定結果，從而可進行步驟S330中進行的學習結果的評價。關於學習結果的評價，理想的是使用多數個處理條件不同的樣本的對象位置的圖像來進行，因而需要進行多數個的樣本製作及測定。

尤其於半導體製造中，製作多數個不同處理條件的樣本，進而獲取多數個樣本的對象位置的樣本圖像非常耗費成本且困難，故而有用的是使用所推定的特徵量來進行處理條件推定學習結果的評價。

於處理條件推定學習結果的評價中推定誤差大的情形等時，亦可對步驟S330中進行的學習追加步驟S340中根據曝光量與焦點位置所推定的特徵量而進行步驟S330的再學習。圖11的（a）、圖11的（b）、圖11的（c）、圖11的（d）為利用經再學習的神經網路所推定的結果。與圖10的（a）、圖10的（b）、圖10的（c）、圖10的（d）同樣地，x軸為焦點位置，y軸為曝光量，z軸分別為焦點位置推定值、曝光量推定值、焦點位置推定誤差、曝光量推定誤差。可知與再學習前（圖10）相比較，根據步驟S340中推定的特徵量所推定的焦點位置推定誤差及曝光量推定誤差（黑圓點）變小，推定精度提高。如此，藉由利用步驟S340中推定的特徵量進行步驟S330的再學習，從而可提高推定精度。

另外，於推定誤差大的情形時，亦可變更神經網路的結構，變更特徵量的種類或提取圖案，對學習圖像追加處理條件不同的圖像，或追加相同處理條件的不同位置的圖像。

另外，步驟S330及步驟S340中所用的神經網路不限於此處所示的神經網路，亦可變更層數、節點數或激活函數等。

（d2.處理條件推定方法的流程圖的說明）圖7（b）為處理條件推定方法的流程圖。

步驟S410中，與步驟S310同樣地，處理條件推定裝置300的輸入部輸入實際應推定處理條件的對象物的圖像。此處，所輸入的圖像為使用與步驟S310中輸入的圖像相同的方法，於對象物的既定位置獲取的圖像。所謂對象物的既定位置，不限於對象物內的同一座標，包含具有對象物的相同結構的位置。例如，於有圖案的情形時包含相同形狀圖案的位置，於無圖案的情形時包含相同膜構成的位置。

步驟S420中，處理條件推定裝置300的特徵量計算部算出所輸入的圖像的特徵量。與步驟S320同樣地，本實施形態中算出17個特徵量。

處理條件推定裝置300的推定部進行步驟S430的因次削減。步驟S430中，使用步驟S330中學習的神經網路（學習完成的神經網路），對步驟S420中算出的特徵量（此處為17因次）與步驟S330同樣地進行因次削減至作為處理條件種類數的因次（此處為2因次）。如此，可算出焦點位置與曝光量的處理條件的推定值。

另外，於使用經歸一化的處理條件值作為神經網路的輸出值的情形時，亦可作為後處理而進行將經歸一化的值還原成處理條件值的處理。另外，於有多個特徵量與處理條件推定函數的組合的情形時，亦可將各個結果綜合而算出處理條件推定值。

另外，可藉由步驟S440及步驟S450而算出處理條件推定值的準確率。所謂準確率，為對所推定的處理條件的準確性進行評價的值。例如，根據學習資料與推定處理條件的資料差異，若與學習資料的差異大，則表示所推定的處理條件存在誤差大的可能性。

步驟S440中，以步驟S430中求出的處理條件推定值為輸入，使用步驟S340中學習的神經網路（學習完成的神經網路）來推定各特徵量。步驟S450中，將步驟S440中推定的各特徵量與步驟S420中算出的根據輸入圖像所求出的特徵量之差的平方和作為準確率而輸出。於該情形時，準確率越接近0，則準確率越高。

（d3.準確率計算方法：進行因次削減的情形）於利用神經網路進行因次削減的情形時，只要於處理條件推定後，求出式（2）所表示的準確率A即可。此處，將根據從要推定的對象物獲取的圖像所求出的第j個特徵量設為S_j 。另外，將根據所推定的處理條件於步驟S440中推定的第j個特徵量設為P_j 。再者，σ_j 為修正係數（常數）。

此處，使用圖案形狀的SEM圖像作為對象物的測定資料，但測定資料亦可使用SEM圖像以外。例如，亦可將對象物的反射光的光譜作為測定資料來推定形成於對象物上的薄膜的處理條件（處理時間、氣體流量、溫度或壓力等）。另外，準確率不限於上文所述，只要為對處理條件推定精度進行評價的值，則可以任何方式求出。

（d4.作用效果）如此，其他實施形態亦可不限制對象物的形狀等而推定處理條件。

以上，對本發明的實施形態進行了說明，但亦可將該等中的兩個以上的實施例組合而實施。或者，亦可將該等中的一個實施例局部地實施。

另外，本發明絲毫不限定於所述發明的實施形態的說明。不偏離申請專利範圍的記載而本領域技術人員可容易地想到的範圍內的各種變形態樣亦包含於本發明。例如，輸入部亦可對所輸入的圖像資料進行雜訊去除等濾波處理。另外，亦可獲取以不同處理條件製作的對象物的同一部位的測定資料，根據該圖像而提取特徵量。另外，不限於LLE等流形學習或神經網路，亦可使用其他機械學習法。

另外，亦可分析所提取的特徵量與處理條件的關係而生成關係規則。進行條件變動的處理條件亦可僅為曝光處理的焦點位置與曝光量中的單個。另外，進行條件變動的處理條件亦可為蝕刻或薄膜成長等的處理時間、RF功率、處理溫度、處理壓力、氣體流量的任一個或組合。特徵量亦可為畫素值、線寬、間隙寬、圖案間距、曲率、邊緣位置、傾斜、邊緣寬度、圖案面積、間隙面積、反射光的光譜等對象物測定資料及從測定資料所提取的資料的任一個或組合。另外，本實施形態的處理條件推定裝置不限於半導體晶圓，亦可適用於遮罩（光罩、極紫外線（Extreme Ultra-violet，EUV）遮罩等）、FPD、中介層（interposer）或矽穿孔（Through-Silicon Vias，TSVs）印刷基板。

100:半導體製造系統 200:曝光裝置 300:中央運算處理裝置（處理條件推定裝置） 400:形狀測定裝置（CD-SEM） S110～S150、S210～S260、S310～S340、S410～S450:步驟

圖1為包含本發明的實施形態的處理條件推定裝置的半導體製造系統的概略結構圖。圖2為與本發明的實施形態的（a）處理條件推定函數製作方法及（b）處理條件推定方法有關的流程圖。圖3為表示本發明的實施形態的圖像輸入的一例的圖。圖4為表示用以計算本發明的實施形態的特徵量的點的一例的圖。圖5為用以對本發明的實施形態的第一因次削減方法加以說明的圖。圖6為用以對本發明的實施形態的第二因次削減方法加以說明的圖。圖7為與本發明的其他實施形態的、使用神經網路的（a）處理條件推定函數製作方法及（b）處理條件推定方法有關的流程圖。圖8為用以對本發明的其他實施形態的、進行因次削減的神經網路的結構的一例進行說明的圖。圖9為用於對本發明的其他實施形態的、進行特徵量推定的神經網路的結構的一例進行說明的圖。圖10為顯示根據焦點位置及曝光量所推定的值或誤差的圖表（其一：無再學習）。圖11為顯示根據焦點位置及曝光量所推定的值或誤差的圖表（其二：有再學習）。

S110~S150、S210~S260:步驟

Claims

一種處理條件推定裝置，推定處理對象物的處理條件，且包括：輸入部，輸入於所述對象物的既定位置所獲取的測定資料；以及推定部，基於輸入測定資料並輸出處理條件的推定值的處理條件推定函數，根據所述輸入的測定資料來推定處理所述對象物的處理條件。
如請求項1所述的處理條件推定裝置，其中所述推定部根據所述輸入的測定資料來計算特徵量。
如請求項1所述的處理條件推定裝置，其中所述推定部進行所述測定資料的因次削減直至與所述處理條件的種類數相同的因次數。
如請求項1所述的處理條件推定裝置，其中所述推定部計算所述推定的處理條件的準確率。
如請求項1所述的處理條件推定裝置，其中所述處理條件推定函數是由神經網路構成。
如請求項1所述的處理條件推定裝置，其中所述輸入部設定所述測定資料的特定部分，所述處理條件推定函數為輸入所述特定部分並輸出所述處理條件的推定值的函數，所述推定部基於所述處理條件推定函數，根據所述特定部分來推定所述處理條件。
如請求項6所述的處理條件推定裝置，其中所述特定部分包含依存於所述處理條件而變化的區域。
如請求項1所述的處理條件推定裝置，其中進行所述處理條件推定函數的再學習。
如請求項1所述的處理條件推定裝置，更包括：顯示部，顯示所述推定的處理條件。
如請求項1所述的處理條件推定裝置，其中所述測定資料為圖像。
如請求項1所述的處理條件推定裝置，其中所述處理條件為曝光裝置的焦點位置及曝光量的任一者或兩者。
如請求項1所述的處理條件推定裝置，其中所述處理條件為形成於所述對象物上的薄膜的膜厚形成條件及蝕刻條件的任一者或兩者。
一種處理條件推定方法，推定處理對象物的處理條件，且輸入於所述對象物的既定位置所獲取的測定資料，基於輸入測定資料並輸出處理條件的推定值的處理條件推定函數，根據所述輸入的測定資料來推定處理所述對象物的處理條件。
一種處理條件推定記錄媒體，所述處理條件推定記錄媒體推定處理對象物的處理條件，且記錄有用以使電腦執行下述步驟的程式：輸入於所述對象物的既定位置獲取的測定資料；以及基於輸入測定資料並輸出處理條件的推定值的處理條件推定函數，根據所述輸入的測定資料來推定處理所述對象物的處理條件。