TW202125123A - 資訊處理系統、資訊處理裝置、學習裝置、資訊處理方法、學習方法及程式 - Google Patents

資訊處理系統、資訊處理裝置、學習裝置、資訊處理方法、學習方法及程式 Download PDF

Info

Publication number
TW202125123A
TW202125123A TW109128019A TW109128019A TW202125123A TW 202125123 A TW202125123 A TW 202125123A TW 109128019 A TW109128019 A TW 109128019A TW 109128019 A TW109128019 A TW 109128019A TW 202125123 A TW202125123 A TW 202125123A
Authority
TW
Taiwan
Prior art keywords
information
aforementioned
performance
resist
process conditions
Prior art date
Application number
TW109128019A
Other languages
English (en)
Inventor
山野仁詩
江口遼平
佐藤�
清水宏明
Original Assignee
日商東京應化工業股份有限公司
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 日商東京應化工業股份有限公司 filed Critical 日商東京應化工業股份有限公司
Publication of TW202125123A publication Critical patent/TW202125123A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • G03F7/26—Processing photosensitive materials; Apparatus therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Photosensitive Polymer And Photoresist Processing (AREA)
  • Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)

Abstract

本發明之資訊處理系統係具備：記憶部，其係記憶表示組成物的材料的材料資訊及使用前述組成物的製程中的製程條件、與藉由前述製程所得的組成物的性能資訊建立對應的對應資訊；性能推定部，其係根據所被輸入的前述材料資訊及前述製程條件與前述對應資訊，取得前述性能資訊；及輸出部，其係輸出前述性能資訊。

Description

資訊處理系統、資訊處理裝置、學習裝置、資訊處理方法、學習方法及程式
本發明係關於資訊處理系統、資訊處理裝置、學習裝置、資訊處理方法、學習方法及程式。 本案係根據2019年9月11日在日本申請的特願2019-165263號，主張優先權，在此沿用其內容。
伴隨奈米技術的進步，圖求光阻或EB(Electron Beam，電子束)阻劑等阻劑的性能更加提升。因此，開發者係使用各式各樣的材料不斷實驗，藉此嘗試開發新穎阻劑(參照例如非專利文獻1)。 [先前技術文獻] [非專利文獻]
[非專利文獻1]最新光阻材料開發與製程最適化技術(CMC出版，監修：河合 晃)
(發明所欲解決之問題)
但是，材料的候補種類眾多，使用阻劑的場面亦有各式各樣，因此開發新阻劑的開發者的負擔大。此外，如上所示之問題並非侷限於阻劑，在材料的候補多且所使用的場面亦有各式各樣的組成物的開發中為共通的課題。
鑑於上述情形，本發明之目的在提供減輕開發新組成物的開發者的勞力的技術。 (解決問題之技術手段)
本發明之一態樣係一種資訊處理系統，其係具備：記憶部，其係記憶表示組成物的材料的材料資訊及使用前述組成物的製程中的製程條件、與藉由前述製程所得的組成物的性能資訊建立對應的對應資訊；性能推定部，其係根據所被輸入的前述材料資訊及前述製程條件與前述對應資訊，取得前述性能資訊；及輸出部，其係輸出前述性能資訊。
本發明之一態樣係一種資訊處理裝置，其係具備：性能推定部，其係由記憶部讀出表示阻劑的材料的材料資訊及使用前述阻劑的預定的製程中的製程條件、與表示藉由前述製程所得的前述阻劑的性能的性能資訊建立對應的對應資訊，且根據所讀出的前述材料資訊及前述製程條件與前述對應資訊，取得前述性能資訊；及輸出部，其係輸出前述性能資訊。
本發明之一態樣係一種學習裝置，其係具備：學習部，其係根據表示阻劑的材料的材料資訊及使用前述阻劑的預定的製程中的製程條件、與表示該材料資訊及該製程條件的製程中的前述阻劑的物性的物性資訊，進行機械學習，藉此生成第1對應資訊。
本發明之一態樣係一種資訊處理方法，其係具有：性能推定步驟，其係根據表示阻劑的材料的材料資訊及使用前述阻劑的預定的製程中的製程條件、與表示藉由前述製程所得的前述阻劑的性能的性能資訊建立對應的對應資訊，取得前述性能資訊；及輸出步驟，其係輸出前述性能資訊。
本發明之一態樣係一種程式，其係用以使電腦作為上述之資訊處理系統來發揮功能。
本發明之一態樣係一種學習方法，其係具有：學習步驟，其係根據表示上述之阻劑的材料的材料資訊及使用前述阻劑的預定的製程中的製程條件、與表示該材料資訊及該製程條件的製程中的前述阻劑的物性的物性資訊，進行機械學習，藉此生成第1對應資訊。
本發明之一態樣係一種程式，其係用以使電腦作為上述之學習裝置來發揮功能。 (發明之效果)
藉由本發明，可減輕開發新組成物的開發者的勞力。
以下參照圖示，說明本發明之實施形態。
圖1係用以說明實施形態的概念圖。更具體而言，為用以說明後述之實施形態的資訊處理系統100的概念圖。實施形態的資訊處理系統100係受理表示組成物的材料的材料資訊、及對藉由材料資訊所示之材料所組成的組成物的預定製程中的製程條件的輸入。組成物係例如被使用在對象物的圖案化的物質。更具體而言，以組成物而言，列舉例如阻劑、顯影液、相分離構造形成用材料、蝕刻液、洗淨液、剝離液、光學材料、奈米壓印材料、基底材、硬式遮罩材料、撥水材、分離層形成用組成物、接著劑組成物等。其中，以該組成物而言，亦以阻劑為佳。 阻劑係例如光學微影法的阻劑。阻劑亦可為阻劑膜的曝光部變化為會溶解於顯影液的特性的正型、阻劑膜的曝光部變化為不會溶解於顯影液的特性的負型的任一者。此外，阻劑亦可適用於使用ArF準分子雷射、KrF準分子雷射、ghi線、F2 準分子雷射、EUV(極端紫外線)、VUV(真空紫外線)、EB(電子線)、X線、軟X線的任一者的微影。
資訊處理系統100係根據所被輸入的材料資訊及製程條件、與預先記憶的對應資訊，取得性能資訊。性能資訊係表示藉由製程條件中的製程所得的性能且為材料資訊所示之組成物的性能的資訊。性能係例如阻劑被使用在圖案化時的性能(以下稱為「圖案化性能」)。圖案化性能係例如微影性能。微影性能係例如圖案的尺寸不均。
對應資訊係表示材料資訊及製程條件、與性能資訊的關係。對應資訊係包含：第1對應資訊、及第2對應資訊。 第1對應資訊係材料資訊及製程條件、與表示該材料資訊及該製程條件的製程中的阻劑的物性的物性資訊建立對應的資訊。第1對應資訊係資訊處理系統100預先藉由基本四則運算、或機械學習等預定的手法所取得的資訊。第1對應資訊係例如藉由將材料資訊及製程條件作為輸入側的學習資料且將物性資訊作為教師資料的複數學習資料而作機械學習的學習結果的學習完畢模型。
學習完畢模型係在學習中已滿足結束條件的時點中的機械學習模型。結束條件若為關於學習結束的條件，亦可為任何條件。結束條件亦可為例如執行藉由預定數的資料集所為之學習等條件，結束條件亦可為例如藉由學習所致之參數的變化量為未達預定的大小等條件。
機械學習模型意指包含深層學習的機械學習中的機械學習模型。機械學習模型亦可為例如編碼器/解碼器模型的神經網路，亦可為卷積神經網路，亦可為梯度提升決策樹、強化學習。學習意指適當調整機械學習模型的參數。機械學習模型的參數係例如若機械學習模型為神經網路時，係藉由誤差反向傳遞法的演算法予以調整。
第2對應資訊係材料資訊、製程條件及物性資訊、與性能資訊建立對應的資訊。第2對應資訊係資訊處理系統100預先藉由迴歸分析等預定手法所取得的資訊。第2對應資訊係若組成物為阻劑，表示例如藉由製程條件所示之製程所被處理的阻劑且為藉由材料資訊所示之材料所組成的阻劑的圖案化性能的性能資訊與物性資訊建立對應的資訊。製程條件所示之處理係例如使用阻劑的處理。製程條件所示之處理亦可為例如在對阻劑執行預定的處理之後，藉由加熱工程來將阻劑乾燥的處理。製程條件所示之處理亦可為例如在對阻劑執行處理的處理後，使阻劑作化學變化的處理。對阻劑的預定處理係例如將阻劑塗布在塗布對象的處理。第2對應資訊係例如以多元迴歸、PCA迴歸、Lasso迴歸、Ridge迴歸、Elastic Net迴歸、PLS (Partial Least Squares，偏最小平方法)迴歸、支持向量迴歸等迴歸分析的方法所取得的迴歸模型，且將材料資訊、製程條件及物性資訊作為說明變數、將性能資訊作為目的變數的迴歸模型。
資訊處理系統100至取得性能資訊為止的處理的流程，若使用第1對應資訊與第2對應資訊來說明，如以下所示。亦即，資訊處理系統100係首先根據所被輸入的材料資訊及製程條件、與第1對應資訊，來取得物性資訊。接著，資訊處理系統100係根據所被輸入的材料資訊及製程條件、物性資訊、及第2對應資訊，來取得性能資訊。第1對應資訊係例如將材料資訊及製程條件作為說明變數且將物性資訊作為目的變數的學習完畢模型(以下稱為「第1模型」)。第1對應資訊亦可為例如表示材料資訊及製程條件、與表示在該材料資訊及該製程條件的製程中被測定出的阻劑的物性的物性資訊的關係的關聯式資料庫。第2對應資訊係例如將材料資訊、製程條件及物性資訊作為說明變數且將性能資訊作為目的變數的迴歸模型(以下稱為「第2模型」)。第2對應資訊亦可為例如表示材料資訊、製程條件及物性資訊、與性能資訊的關係的關聯式資料庫。
圖2係顯示實施形態的資訊處理系統100的系統構成之一例的圖。以下，為易於理解，以組成物為阻劑、且性能為圖案化性能的情形為例來說明資訊處理系統100。此外，以下以第1對應資訊為第1模型時為例來說明資訊處理系統100。此外，以下以第2對應資訊為第2模型時為例來說明資訊處理系統100。
資訊處理系統100係具備學習裝置1、及推定裝置2。學習裝置1係學習第1對應資訊。學習裝置1係具備：具有以匯流排相連接的CPU(Central Processing Unit，中央處理單元)等處理器91與記憶體92的控制部10，執行程式。學習裝置1係藉由程式的執行，作為具備控制部10、介面部11、輸入部12、記憶部13、及輸出部14的裝置而發揮功能。更具體而言，處理器91讀出被記憶在記憶部13的程式，使所讀出的程式記憶在記憶體92。藉由處理器91執行記憶在記憶體92的程式，學習裝置1係作為具備控制部10、介面部11、輸入部12、記憶部13、及輸出部14的裝置而發揮功能。
介面部11係構成為包含用以將自身裝置連接於推定裝置2及外部裝置的通訊介面。介面部11係透過有線或無線而與推定裝置2及外部裝置進行通訊。
輸入部12係構成為包含滑鼠或鍵盤、觸控面板等輸入裝置。輸入部12亦可構成為將該等輸入裝置連接於自身裝置的介面。輸入部12係受理對自身裝置的各種資訊的輸入。輸入部12係受理例如學習資料的輸入。
記憶部13係使用磁性硬碟裝置或半導體記憶裝置等非暫態電腦可讀出記憶媒體裝置所構成。記憶部13係記憶關於學習裝置1的各種資訊。記憶部13係記憶透過輸入部12所被輸入的學習資料。記憶部13係例如記憶滿足結束條件之前的機械學習模型。記憶部13係記憶學習資料與性能資訊建立對應的資訊(以下稱為「迴歸用資料」)。
圖3係顯示實施形態中的學習資料之一例的圖。 學習資料係輸入側的學習資料與教師資料的各項目建立對應。輸入側的學習資料係儲存材料資訊與製程條件的各資訊。教師資料係儲存物性資訊。
圖4係顯示實施形態中的迴歸用資料之一例的圖。 迴歸用資料係例如學習資料與性能資訊建立對應。學習資料係儲存材料資訊與製程條件與物性資訊的各資訊。
輸出部14係輸出各種資訊。輸出部14係例如輸出學習結果的第1對應資訊。輸出部14係構成為包含例如CRT(Cathode Ray Tube，陰極射線管)顯示器或液晶顯示器、有機EL(Electro-Luminescence，電激發光)顯示器等顯示裝置。輸出部14亦可構成為將該等顯示裝置連接於自身裝置的介面。
控制部10係控制學習裝置1所具備的各功能部的動作。此外，控制部10係生成第1模型及第2模型。
圖5係顯示實施形態中的控制部10的功能構成之一例的圖。控制部10係具備：學習完畢模型生成部101、迴歸模型生成部102、及通訊控制部103。 學習完畢模型生成部101係讀出被記憶在記憶部13的複數學習資料。學習完畢模型生成部101係根據複數學習資料，生成第1模型。生成第1模型意指讀出被記憶在記憶部13的機械學習模型，使用複數學習資料，學習至滿足結束條件為止。學習完畢模型生成部101係將第1模型記憶在記憶部13。
迴歸模型生成部102係讀出被記憶在記憶部13的第1模型與複數迴歸用資料。迴歸模型生成部102係根據複數迴歸用資料、與第1模型，生成第2模型。生成第2模型意指對複數迴歸用資料，執行預定的迴歸分析，且取得迴歸模型。
通訊控制部103係控制介面部11的動作，將學習完畢模型生成部101所生成的第1模型、與迴歸模型生成部102所生成的第2模型送訊至推定裝置2。
圖6係顯示實施形態中的學習裝置1所執行之生成第1模型的處理的流程之一例的流程圖。 學習完畢模型生成部101由記憶部13讀出複數學習資料(步驟S101)。學習完畢模型生成部101根據所讀出的複數學習資料進行機械學習，且生成第1模型(步驟S102)。
圖7係顯示實施形態中的學習裝置1所執行之生成第2模型的處理的流程之一例的流程圖。 迴歸模型生成部102由記憶部13讀出複數迴歸用資料(步驟S201)。迴歸模型生成部102對所讀出的複數迴歸用資料，執行預定的迴歸分析，且生成第2模型(步驟S202)。
返回至圖2的說明。推定裝置2係具備：具有以匯流排相連接的CPU(Central Processing Unit)等處理器93與記憶體94的控制部20，執行程式。推定裝置2係藉由程式的執行，作為具備控制部20、介面部21、輸入部22、記憶部23、及輸出部24的裝置來發揮功能。更具體而言，處理器93讀出被記憶在記憶部23的程式，且使所讀出的程式記憶在記憶體94。處理器93藉由執行記憶在記憶體94的程式，推定裝置2係作為具備控制部20、介面部21、輸入部22、記憶部23、及輸出部24的裝置來發揮功能。
介面部21係構成為包含用以將自身裝置與學習裝置1及外部裝置相連接的通訊介面。介面部21係透過有線或無線而與學習裝置1及外部裝置進行通訊。
輸入部22係構成為包含滑鼠或鍵盤、觸控面板等輸入裝置。輸入部22亦可構成為將該等輸入裝置連接於自身裝置的介面。輸入部22係受理對自身裝置的各種資訊的輸入。輸入部22係受理例如推定對象資訊的輸入。推定對象資訊係推定對象材料資訊與推定對象製程條件建立對應的資訊。推定對象材料資訊係表示推定裝置2推定圖案化性能的對象亦即組成物的材料的材料資訊。推定對象製程條件係用以取得推定裝置2推定圖案化性能的對象亦即組成物的製程的製程條件。
記憶部23係使用磁性硬碟裝置或半導體記憶裝置等非暫態電腦可讀出記憶媒體裝置而構成。記憶部23係記憶關於推定裝置2的各種資訊。記憶部23係記憶例如對應資訊。亦即，記憶部23係記憶例如第1模型及第2模型。記憶部23係記憶例如透過輸入部22而被輸入的推定對象資訊。
圖8係顯示實施形態中的推定對象資訊之一例的圖。 推定對象資訊係推定對象材料資訊與推定對象製程條件的各項目建立對應。
輸出部24係輸出各種資訊。輸出部24係例如輸出藉由推定裝置2所得之推定結果亦即性能資訊。輸出部24係構成為包含例如CRT(Cathode Ray Tube)顯示器或液晶顯示器、有機EL(Electro-Luminescence)顯示器等顯示裝置。輸出部24亦可構成為將該等顯示裝置連接於自身裝置的介面。
控制部20係根據對應資訊，推定藉由推定對象材料資訊所示之材料所組成的阻劑之藉由推定對象製程條件中的製程所得的圖案化性能。
圖9係顯示實施形態中的控制部20的功能構成之一例的圖。控制部20係具備：性能推定部201、及輸出控制部202。
性能推定部201係讀出被記憶在記憶部23的推定對象資訊、及對應資訊。性能推定部201係根據對應資訊，取得表示藉由推定對象資訊所示之製程條件中的製程所得的性能且為推定對象資訊所示之組成物的性能的性能資訊。
輸出控制部202係控制輸出部24的動作，使輸出部24輸出性能推定部201所取得的性能資訊。
圖10係顯示實施形態中的推定裝置2所執行的處理的流程之一例的流程圖。 記憶部23記憶透過輸入部22被輸入的推定對象資訊(步驟S301)。接著，性能推定部201讀出被記憶在記憶部23的推定對象資訊與對應資訊(步驟S302)。接著，性能推定部201根據對應資訊，推定藉由推定對象資訊所示之製程條件中的製程所得的性能且為推定對象資訊所示之組成物的性能(步驟S303)。例如，性能推定部201係首先根據推定對象資訊與第1對應資訊，取得對應推定對象資訊的物性資訊。接著，性能推定部201係根據推定對象資訊與對應推定對象資訊的物性資訊、與第2對應資訊，取得推定對象資訊與對應推定對象資訊的物性資訊所對應的性能資訊。如上所示，所取得的性能資訊為步驟S303的處理的推定結果。在步驟S303之次，輸出控制部202係使輸出部24輸出推定結果的性能(步驟S304)。
圖11係顯示表示藉由實施形態中的資訊處理系統100所得之性能資訊的推定結果、與經實測的性能的關係的實驗結果的第1例的圖。 圖11的橫軸係表示實測值，縱軸係表示推定結果的值(推定值)。圖11係顯示RMSE(Root Mean Squared Error，均方根誤差)為0.1747。圖11係顯示相關係數為0.8863。圖11係顯示決定係數為0.7855。RMSE為0.1747、相關係數為0.8863、決定係數為0.7855係表示資訊處理系統100可以在新組成物的開發中足以信賴的高精度推定性能。
圖12係顯示表示藉由實施形態中的資訊處理系統100所得之性能資訊的推定結果、與經實測的性能的關係的實驗結果的第2例的圖。 圖12的橫軸係表示實測值，縱軸係表示推定結果的值(推定值)。圖12係表示除了圖11的資料之外，另外追加資料後的結果。圖12亦表示資訊處理系統100係可以在新組成物的開發中足以信賴的高精度推定性能。
如上所示所構成的實施形態的資訊處理系統100係根據對應資訊來推定藉由對象材料資訊所示之材料所組成的組成物之藉由製程條件中的製程所得的性能。因此，可減輕開發新組成物的開發者的勞力。
(變形例) 材料資訊係例如亦可包含成為材料的分子的表面積，亦可包含成為材料的分子的體積，亦可包含成為材料的分子的分子量，亦可包含表示成為材料的分子的電荷密度分布的值，亦可包含表示分子描述符的值，亦可包含材料的莫耳熱容量，亦可包含材料的熱膨脹率，亦可包含材料的介電係數，亦可包含材料的表面張力，亦可包含材料的黏度，亦可包含材料的折射率，亦可包含材料的透過率，亦可包含材料的吸光度，亦可包含材料的密度，亦可包含材料的玻璃轉化溫度，亦可包含材料的熔點，亦可包含材料的分配係數，亦可包含材料的酸度常數，亦可包含材料的溶解度參數，亦可包含以下參考文獻1所記載的材料的ABC參數，亦可包含材料的保護基的去保護反應的活化能。
參考文獻1：F. H. Dill, A. R. Neureuther, J. A. Tuttle and E. J. Walker “Modeling projection printing of positive photoresists”, IEEE Trans. Electron. Dev., 22, (1975), pp.456-464.
物性資訊若為被使用在用以根據第2對應資訊來輸出性能資訊的資訊，亦可為任意資訊。物性資訊亦可為例如表示在製程條件的製程中被處理之前及/或被處理之後的阻劑，且為材料資訊所示之材料的阻劑的物性的資訊。更具體而言，物性資訊亦可為例如阻劑經處理的結果，形成在預定的對象的保護膜的特性資訊。對阻劑的處理係例如對塗布對象塗布阻劑的處理。若為如上所示之情形，形成保護膜的預定的對象係阻劑的塗布目的端的塗布對象。更具體而言，物性資訊亦可為例如阻劑被處理，藉由加熱工程而阻劑被乾燥的結果，形成在預定的對象的保護膜的特性資訊。物性資訊亦可為例如阻劑被處理，阻劑作化學變化的結果，形成在預定的對象的保護膜的特性資訊。
物性資訊亦可包含例如選自由：成為材料的分子的表面積；成為材料的分子的體積；成為材料的分子的分子量；表示成為材料的分子的電荷密度分布的值；表示分子描述符的值；材料的莫耳熱容量；材料的熱膨脹率；材料的介電係數；材料的表面張力；材料的黏度；材料的折射率；材料的透過率；材料的吸光度；材料的密度；材料的玻璃轉化溫度；材料的熔點；材料的沸點；材料的引火點；材料的蒸氣壓；材料的大西參數；材料的pKa值；材料的分解點；材料的分配係數；材料的酸度常數；材料的溶解度參數；參考文獻1所記載的材料的ABC參數；材料的保護基的去保護反應的活化能；材料的酸擴散長度；成為材料的聚合物(polymer)的分子量；成為材料的聚合物(polymer)的分子量分散度；表示成為材料的高分子材料(聚合物單元)的組成比的資訊；表示光酸發生劑(PAG)或光分解性鹼(PDB)等添加成分量的資訊；表示組成物為阻劑時未曝光的狀態下的阻劑膜的溶解速度的資訊；表示組成物為阻劑時經曝光的狀態下的阻劑膜的溶解速度的資訊；藉由比較組成物為阻劑時的曝光前後的阻劑膜的狀態所得的資訊所成群組的至少1種資訊。藉由比較組成物為阻劑時的曝光前後的阻劑膜的狀態所得的資訊係例如膜厚、重量、膜密度、溶解速度、折射率等的變化。
製程條件亦可包含例如選自由：塗布膜厚、熱處理的條件、曝光條件、藉由電子顯微鏡所得之觀察條件、Mask資訊、NILS(Normalized Image Log-Slope，正規化成像對數斜率)所成群組的至少1種資訊。Mask資訊係關於光罩的資訊。熱處理的條件亦可包含例如PAB(Post Applied Bake，施加後烘烤)的溫度，亦可包含PEB(Post Exposure Bake，曝光後烘烤)的溫度，亦可包含PAB或PEB等烘烤的溫度與時間的條件。具體而言，藉由電子顯微鏡所得之觀察條件係指觀察倍率、電流值、加速電壓、訊框數等。
圖案化性能亦可為例如選自由：感度、CDU(Critical Dimension Uniformity，臨界尺寸一致性)、界限解析性、LER(Line Edge Roughness，線邊緣粗糙度)、LWR(Line Width Roughness，線寬粗糙度)、DOF(Depth of Focus，焦點深度)、曝光餘裕度(EL餘量)、MEF(Mask error factor，光罩誤差因子)、圖案剖面形狀的矩形性、接觸孔圖案(CH圖案)中的孔洞的正圓性所成群組的至少1種。
其中，第1對應資訊並非必定為第1模型，以表示材料資訊及製程條件、與表示以該材料資訊及該製程條件的製程所測定出的阻劑的物性的物性資訊的關係的非線性模型為宜。
其中，第2對應資訊並非必定為第2模型，以相較於生成第1對應資訊的手法為外插的精度較高的手法所取得的資訊為宜。例如，第2對應資訊係以表示材料資訊、製程條件及物性資訊、與表示圖案化性能的性能資訊建立對應的資訊的關係的線性模型為宜。以線性模型而言，亦可為例如多元迴歸、PCA迴歸、Lasso迴歸、Ridge迴歸、Elastic Net迴歸、PLS(Partial Least Squares)迴歸、支持向量迴歸。
在實施形態中，學習完畢模型生成部101係生成第1模型，惟第1模型僅為第1對應資訊之一例，學習完畢模型生成部101係生成第1對應資訊的功能部。此外，在實施形態中，迴歸模型生成部102係生成第2模型，惟第2模型僅為第2對應資訊之一例，迴歸模型生成部102係生成第2對應資訊的功能部。此外，在實施形態中，性能推定部201係根據第1模型及第2模型，推定性能資訊。但是第1模型及第2模型僅為第1對應資訊及第2對應資訊之一例，性能推定部201係根據第1對應資訊及第2對應資訊，來推定性能資訊的功能部。
其中，學習資料亦可透過介面部11而藉由外部裝置予以輸入。推定對象資訊亦可透過介面部21而藉由外部裝置予以輸入。
其中，學習裝置1及推定裝置2的各功能的全部或部分亦可使用ASIC(Application Specific Integrated Circuit，特殊應用積體電路)或PLD(Programmable Logic Device，可程式化邏輯元件)或FPGA(Field Programmable Gate Array，現場可程式閘陣列)等硬體來實現。程式亦可記錄在電腦可讀取記錄媒體。電腦可讀取記錄媒體係指例如軟性磁碟、磁光碟、ROM、CD-ROM等可攜式媒體、內置於電腦系統的硬碟等記憶裝置。程式亦可透過電氣通訊線路而被傳送。
其中，學習裝置1及推定裝置2亦可使用可分別透過網路進行通訊地相連接的複數台資訊處理裝置來構裝。此時，學習裝置1及推定裝置2所具備的各功能部亦可分散構裝在複數資訊處理裝置。例如，學習完畢模型生成部101與迴歸模型生成部102亦可分別構裝在不同的資訊處理裝置。
學習裝置1及推定裝置2並非必定被構裝在不同的框體。學習裝置1及推定裝置2亦可為以1個框體所構成的裝置。其中，推定裝置2並非必定由記憶部23讀出對應資訊，亦可透過介面部11及介面部21而由記憶部13讀出。
其中，學習完畢模型生成部101係學習部之一例。
以上參照圖示，詳述本發明之實施形態，惟具體構成並非為侷限於該實施形態，亦包含未脫離本發明之要旨的範圍的設計等。因此，本發明之範圍係僅藉由申請專利範圍及其均等範圍所界定者。
100:資訊處理系統 1:學習裝置 2:推定裝置 10:控制部 11:介面部 12:輸入部 13:記憶部 14:輸出部 20:控制部 21:介面部 22:輸入部 23:記憶部 24:輸出部 91:處理器 92:記憶體 93:處理器 94:記憶體 101:學習完畢模型生成部 102:迴歸模型生成部 103:通訊控制部 201:性能推定部 202:輸出控制部
[圖1]係用以說明實施形態的概念圖。 [圖2]係顯示實施形態的資訊處理系統的系統構成之一例的圖。 [圖3]係顯示實施形態中的學習資料之一例的圖。 [圖4]係顯示實施形態中的迴歸用資料之一例的圖。 [圖5]係顯示實施形態中的學習裝置的功能構成之一例的圖。 [圖6]係顯示實施形態中的學習裝置所執行之生成第1模型的處理的流程之一例的流程圖。 [圖7]係顯示實施形態中的學習裝置所執行之生成第2模型的處理的流程之一例的流程圖。 [圖8]係顯示實施形態中的推定對象資訊之一例的圖。 [圖9]係顯示實施形態中的控制部的功能構成之一例的圖。 [圖10]係顯示實施形態中的資訊處理裝置所執行的處理的流程之一例的流程圖。 [圖11]係顯示表示藉由實施形態中的資訊處理系統所得之性能資訊的推定結果、與經實測的性能的關係的實驗結果的第1例的圖。 [圖12]係顯示表示藉由實施形態中的資訊處理系統所得之性能資訊的推定結果、與經實測的性能的關係的實驗結果的第2例的圖。

Claims (20)

  1. 一種資訊處理系統，其係具備： 記憶部，其係記憶表示組成物的材料的材料資訊及使用前述組成物的製程中的製程條件、與藉由前述製程所得的組成物的性能資訊建立對應的對應資訊； 性能推定部，其係根據所被輸入的前述材料資訊及前述製程條件與前述對應資訊，取得前述性能資訊；及 輸出部，其係輸出前述性能資訊。
  2. 如請求項1之資訊處理系統，其中，前述組成物係被使用在對象物的圖案化，前述性能資訊係表示前述組成物被使用在前述圖案化時的性能。
  3. 如請求項1之資訊處理系統，其中，前述組成物係阻劑。
  4. 如請求項3之資訊處理系統，其中，前述記憶部係將第1對應資訊與第2對應資訊，記憶作為前述對應資訊， 前述第1對應資訊係前述材料資訊及前述製程條件、與表示前述製程條件的製程中的前述阻劑的物性的物性資訊建立對應的資訊， 前述第2對應資訊係前述材料資訊、前述製程條件及前述物性資訊、與前述性能資訊建立對應的資訊， 前述性能推定部係根據被輸入的前述材料資訊及前述製程條件與前述第1對應資訊，輸出前述物性資訊，且根據所輸出的該物性資訊與前述材料資訊及前述製程條件與前述第2對應資訊，取得前述性能資訊。
  5. 如請求項4之資訊處理系統，其中，前述第1對應資訊係將前述材料資訊及前述製程條件作為說明變數且將前述物性資訊作為目的變數的非線性模型。
  6. 如請求項4之資訊處理系統，其中，前述第2對應資訊係藉由將前述材料資訊、前述製程條件及前述物性資訊作為說明變數且將前述性能資訊作為目的變數的線性模型來表示。
  7. 如請求項4之資訊處理系統，其中，具備：學習部，其係根據前述材料資訊及製程條件、與表示該材料資訊及該製程條件的製程中的前述阻劑的物性的物性資訊，進行機械學習，藉此生成前述第1對應資訊。
  8. 如請求項7之資訊處理系統，其中，前述第2對應資訊係以外插的精度比前述學習部生成前述第1對應資訊的手法為更高的手法所取得的資訊。
  9. 如請求項4之資訊處理系統，其中，前述物性資訊係表示以前述製程條件處理之前及/或處理之後的阻劑，且為前述材料資訊所示之材料的阻劑的物性的資訊。
  10. 如請求項3至請求項9中任一項之資訊處理系統，其中，前述性能資訊係表示前述阻劑的微影性能的資訊。
  11. 如請求項9之資訊處理系統，其中，前述物性資訊係前述阻劑經處理的結果，形成在預定的對象的保護膜的特性資訊。
  12. 如請求項11之資訊處理系統，其中，前述物性資訊係前述阻劑被處理，藉由加熱工程，前述阻劑被乾燥的結果，形成在預定的對象的保護膜的特性資訊。
  13. 如請求項11之資訊處理系統，其中，前述物性資訊係前述阻劑被處理，前述阻劑作化學變化的結果，形成在預定的對象的保護膜的特性資訊。
  14. 一種資訊處理裝置，其係具備： 性能推定部，其係由記憶部讀出表示阻劑的材料的材料資訊及使用前述阻劑的預定的製程中的製程條件、與表示藉由前述製程所得的前述阻劑的性能的性能資訊建立對應的對應資訊，且根據所讀出的前述材料資訊及前述製程條件與前述對應資訊，取得前述性能資訊；及 輸出部，其係輸出前述性能資訊。
  15. 一種學習裝置，其係具備： 學習部，其係根據表示阻劑的材料的材料資訊及使用前述阻劑的預定的製程中的製程條件、與表示該材料資訊及該製程條件的製程中的前述阻劑的物性的物性資訊，進行機械學習，藉此生成第1對應資訊。
  16. 如請求項15之學習裝置，其中，在前述第1對應資訊中與前述材料資訊及製程條件建立對應的前述物性資訊係被使用在用以根據前述物性資訊與表示藉由前述製程所得的前述阻劑的性能的性能資訊建立對應的第2對應資訊，來輸出前述性能資訊。
  17. 一種資訊處理方法，其係具有： 性能推定步驟，其係根據表示阻劑的材料的材料資訊及使用前述阻劑的預定的製程中的製程條件、與表示藉由前述製程所得的前述阻劑的性能的性能資訊建立對應的對應資訊，取得前述性能資訊；及 輸出步驟，其係輸出前述性能資訊。
  18. 一種程式，其係用以使電腦作為如請求項3至請求項13中任一項之資訊處理系統來發揮功能。
  19. 一種學習方法，其係具有： 學習步驟，其係根據表示阻劑的材料的材料資訊及使用前述阻劑的預定的製程中的製程條件、與表示該材料資訊及該製程條件的製程中的前述阻劑的物性的物性資訊，進行機械學習，藉此生成第1對應資訊。
  20. 一種程式，其係用以使電腦作為如請求項15之學習裝置來發揮功能。
TW109128019A 2019-09-11 2020-08-18 資訊處理系統、資訊處理裝置、學習裝置、資訊處理方法、學習方法及程式 TW202125123A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-165263 2019-09-11
JP2019165263A JP6741838B1 (ja) 2019-09-11 2019-09-11 情報処理システム、情報処理装置、情報処理方法及びプログラム

Publications (1)

Publication Number Publication Date
TW202125123A true TW202125123A (zh) 2021-07-01

Family

ID=72047820

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109128019A TW202125123A (zh) 2019-09-11 2020-08-18 資訊處理系統、資訊處理裝置、學習裝置、資訊處理方法、學習方法及程式

Country Status (6)

Country Link
US (1) US20220301662A1 (zh)
JP (1) JP6741838B1 (zh)
KR (1) KR20220061944A (zh)
CN (1) CN114245923A (zh)
TW (1) TW202125123A (zh)
WO (1) WO2021049251A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021051141A (ja) * 2019-09-24 2021-04-01 旭化成株式会社 装置、方法、プログラム、感光性樹脂組成物の製造方法および感光性樹脂積層体の製造方法
WO2023063375A1 (ja) * 2021-10-12 2023-04-20 Jsr株式会社 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム
JP7392209B1 (ja) 2022-03-10 2023-12-05 日本碍子株式会社 材料創出を支援するシステム及び方法、プログラム
US11741428B1 (en) * 2022-12-23 2023-08-29 Kepler Computing Inc. Iterative monetization of process development of non-linear polar material and devices

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005108444A1 (ja) * 2004-05-06 2005-11-17 Jsr Corporation ラクトン系共重合体および感放射線性樹脂組成物
JP2010277328A (ja) * 2009-05-28 2010-12-09 Medibic:Kk 配合設計用シミュレーションデータベース装置、配合設計用システム、方法およびプログラム
JP6509303B1 (ja) * 2017-10-30 2019-05-08 日本システム開発株式会社 情報処理装置、方法、およびプログラム

Also Published As

Publication number Publication date
CN114245923A (zh) 2022-03-25
JP6741838B1 (ja) 2020-08-19
US20220301662A1 (en) 2022-09-22
WO2021049251A1 (ja) 2021-03-18
KR20220061944A (ko) 2022-05-13
JP2021043325A (ja) 2021-03-18

Similar Documents

Publication Publication Date Title
TW202125123A (zh) 資訊處理系統、資訊處理裝置、學習裝置、資訊處理方法、學習方法及程式
TWI651623B (zh) 光敏化化學放大光阻之模型校正
US8279409B1 (en) System and method for calibrating a lithography model
KR102471849B1 (ko) 감광되고 화학적으로 증폭된 레지스트(ps-car) 시뮬레이션
TW201539227A (zh) 用於精確光阻輪廓預測之模型
US8667428B1 (en) Methods for directed self-assembly process/proximity correction
KR102262427B1 (ko) 확률적 변동을 추산하는 모델
JP3363046B2 (ja) プロセス裕度計算方法
Yu et al. True process variation aware optical proximity correction with variational lithography modeling and model calibration
JP3325465B2 (ja) 形状シミュレーション方法
US20040172611A1 (en) Method and apparatus of wafer print simulation using hybrid model with mask optical images
US7319944B2 (en) Method for a predicting a pattern shape by using an actual measured dissolution rate of a photosensitive resist
JP6832463B1 (ja) 情報処理システム、情報処理装置、情報処理方法及びプログラム
KR20230107679A (ko) Ntd 포토리트그래피 공정의 시뮬레이션 방법, ntd 포토레지스트 모델, opc 모델 및 전자장치
CN116449657A (zh) 用于版图标记的方法、设备和介质
JP2005172920A (ja) 危険パターン抽出方法及び危険パターン抽出プログラム
US8146022B2 (en) Mask pattern data generation method, mask manufacturing method, semiconductor device manufacturing method, and pattern data generation program
US20160140278A1 (en) Modeling Photoresist Shrinkage Effects In Lithography
CN117289562B (zh) 用于仿真套刻标记的方法、设备和介质
D'Silva Modelling nanomechanical effects in advanced lithographic materials and processes
CN115906543B (zh) 一种基于光刻建模仿真的参数获取方法
D’Silva FEM modeling of shrinkage effects in negative tone photoresists
JP2000241984A (ja) レジストパターン形状のシミュレーション方法およびシミュレーション装置
US20230288812A1 (en) Methods to improve process window and resolution for digital lithography with two exposures
Dong et al. Optimization of resist parameters to improve the profile and process window of the contact pattern in advanced node