TW202134796A - 基於機器學習的影像產生以用於模型基礎對準 - Google Patents

Abstract

一種用於訓練一機器學習模型以產生一經預測之經量測影像之方法，其包括：獲得(a)與一參考設計圖案相關聯之一輸入目標影像，及(b)與印刷於一基板上之一指定設計圖案相關聯之一參考經量測影像，其中該輸入目標影像與該參考經量測影像為未對準之影像；及由一硬體電腦系統且使用該輸入目標影像訓練該機器學習模型以產生一經預測之經量測影像。

Description

基於機器學習的影像產生以用於模型基礎對準

本文中之描述大體上係關於如與用於微影程序之程序模型一起使用之度量衡，且更特定言之，係關於用於使用機器學習以產生影像以實現影像對準的裝置、方法及電腦程式產品。

微影投影裝置可用於(例如)積體電路(IC)之製造中。在此狀況下，圖案化器件(例如光罩)可含有或提供對應於IC(「設計佈局」)之個別層之圖案，且可藉由諸如經由圖案化器件上之圖案來輻照已經塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)之方法而將此圖案轉印至該目標部分上。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影投影裝置順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影投影裝置中，將整個圖案化器件上之圖案一次性轉印至一個目標部分上；此裝置通常被稱作步進器。在通常被稱作步進掃描裝置(step-and-scan apparatus)之替代裝置中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描，同時平行或反平行於此參考方向而同步地移動基板。圖案化器件上之圖案之不同部分逐漸地被轉印至一個目標部分。一般而言，由於微影投影裝置將具有縮減比率M (例如4)，因此基板被移動之速度F將為投影光束掃描圖案化器件之速度的1/M倍。可例如自以引用方式併入本文中之US 6,046,792找到關於微影器件之更多資訊。

在將圖案自圖案化器件轉印至基板之前，基板可經歷各種工序，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受其他工序(「曝光後工序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤，及經轉印圖案之量測/檢測。此工序陣列係用作製造一器件(例如IC)之個別層的基礎。基板可接著經歷各種程序，諸如，蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等，該等程序皆意欲精整器件之個別層。若在器件中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在一器件。接著藉由諸如切塊或鋸切之技術來使此等器件彼此分離，據此，可將個別器件安裝於載體上、連接至銷釘等。

因此，製造器件(諸如半導體器件)通常涉及使用多個製作程序處理基板(例如半導體晶圓)以形成器件之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械研磨及離子植入來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製作多個器件，且接著將其分離成個別器件。此器件製造程序可被認為係圖案化程序。圖案化程序涉及使用微影裝置中之圖案化器件進行圖案化步驟，諸如光學及/或奈米壓印微影，以將圖案化器件上之圖案轉印至基板，且圖案化程序通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影裝置進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻裝置而使用圖案進行蝕刻等。

如所提及，微影為在諸如IC之器件之製造時的中心步驟，其中形成於基板上之圖案界定器件之功能元件，諸如微處理器、記憶體晶片等。相似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。

隨著半導體製造程序繼續進步，幾十年來，功能元件之尺寸已不斷地縮減，而每器件的諸如電晶體之功能元件之量已在穩固地增加，此遵循通常被稱作「莫耳定律(Moore's law)」之趨勢。在當前先進技術下，使用微影投影裝置來製造器件層，微影投影裝置使用來自深紫外線照明源之照明而將設計佈局投影至基板上，從而產生尺寸充分地低於100 nm之個別功能元件，亦即，尺寸小於來自該照明源(例如，193 nm照明源)之輻射之波長的一半。

供印刷尺寸小於微影投影裝置之經典解析度極限之特徵的此程序根據解析度公式CD=k1×λ/NA而通常被稱為低k1微影，其中λ為所使用輻射之波長(當前在大多數狀況下為248nm或193nm)，NA為微影投影裝置中之投影光學件之數值孔徑，CD為「臨界尺寸」(通常為所印刷之最小特徵大小)，且k1為經驗解析度因數。一般而言，k1愈小，則在基板上再生類似於由設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，將複雜微調步驟應用至微影投影裝置、設計佈局或圖案化器件。此等步驟包括(例如，但不限於) NA及光學相干設定之最佳化、自訂照明方案、相移圖案化器件之使用、設計佈局中之光學近接校正(OPC，有時亦被稱作「光學及程序校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。

如本文所使用之術語「投影光學件」應被廣泛地解譯為涵蓋各種類型之光學系統，包括(例如)折射光學件、反射光學件、孔徑及反射折射光學件。術語「投影光學件」亦可包括用於集體地或單個地導向、塑形或控制投影輻射光束的根據此等設計類型中之任一者而操作之組件。術語「投影光學件」可包括微影投影裝置中之任何光學組件，而不論光學組件位於微影投影裝置之光學路徑上之何處。投影光學件可包括用於在來自源之輻射通過圖案化器件之前塑形、調整及/或投影該輻射的光學組件，及/或用於在輻射通過圖案化器件之後塑形、調整及/或投影該輻射的光學組件。投影光學件通常排除源及圖案化器件。

一種用於訓練一機器學習模型以產生一經預測之經量測影像之方法，其包括：獲得(a)與一參考設計圖案相關聯之一輸入目標影像，及(b)與印刷於一基板上之一指定設計圖案相關聯之一參考經量測影像，其中該輸入目標影像與該參考經量測影像為未對準之影像；及由一硬體電腦系統且使用該輸入目標影像訓練該機器學習模型以產生一經預測之經量測影像。

在一些實施例中，訓練該機器學習模型係一反覆程序，其中一反覆包括：經由執行該機器學習模型之一第一產生器模型，自該輸入目標影像產生該經預測之經量測影像；經由該機器學習模型之一第一鑑別器模型，判定該經預測之經量測影像及該參考經量測影像是為真實的抑或虛假的，其中若一第一影像滿足與一指定經量測影像有關之一第一臨限值，則該第一鑑別器模型判定該第一影像為真實的，該指定經量測影像與印刷於一基板上之一指定設計圖案相關聯，且其中若該第一影像不滿足該第一臨限值，則該第一鑑別器模型判定該第一影像為虛假的；經由執行該機器學習模型之一第二產生器模型，自該參考經量測影像產生一經預測目標影像；及經由該機器學習模型之一第二鑑別器模型，判定該經預測目標影像及該輸入目標影像是為真實的抑或虛假的，其中若一第二影像滿足與輸入設計圖案有關之一第二臨限值，則該第二鑑別器模型判定該第二影像為真實的，且其中若該第二影像不滿足該第二臨限值，則該第二鑑別器模型判定該第二影像為虛假的。

在一些實施例中，該反覆包括：計算與該第一鑑別器模型相關聯的依據以下各者而變化的一第一鑑別器函數：(i)將該經預測之經量測影像判定為真實的一第一機率，及(ii)將該參考經量測影像判定為虛假的一第二機率；計算與該第一產生器模型相關聯的依據以下各者而變化的一第一產生器函數：(i)由該第一鑑別器模型將該經預測之經量測影像判定為真實的該第一機率，及(iv)指示該輸入目標影像與一循環目標影像之間的一差之一第一度量；調整該第一鑑別器模型之第一參數以最小化該第一鑑別器函數；及調整該第一產生器模型之第二參數以最小化該第一產生器函數。

在一些實施例中，計算該第一產生器函數包括：經由執行該第二產生器模型，自該經預測之經量測影像產生該循環目標影像以計算該第一度量。

在一些實施例中，該反覆包括：計算與該第二鑑別器模型相關聯的依據以下各者而變化的一第二鑑別器函數：(i)將該經預測目標影像判定為真實的一第一機率，及(ii)將該輸入目標影像判定為虛假的一第二機率；計算與該第二產生器模型相關聯的依據以下各者而變化的一第二產生器函數：(iii)由該第二鑑別器模型將該經預測目標影像判定為真實的該第一機率，及(iv)指示該參考經量測影像與一循環經量測影像之間的一差之一第二度量；調整該第二鑑別器模型之第一參數以最小化該第二鑑別器函數；及調整該第二產生器模型之第二參數以最小化該第二產生器函數。

在一些實施例中，計算該第二產生器函數包括：經由執行該第一產生器模型，自該經預測目標影像產生該循環經量測影像以計算該第二度量。

在一些實施例中，該訓練包括訓練該機器學習模型使得最小化與該輸入目標影像、該經預測之經量測影像及/或該參考經量測影像相關聯之一成本函數，其中該成本函數依據該第一鑑別器函數、該第一產生器函數、該第二鑑別器函數或該第二產生器函數中之至少一者而變化。

在一些實施例中，該第一鑑別器函數包括判定該經預測之經量測影像為真實的該第一機率之一對數-概似項，及判定該參考經量測影像為虛假的該第二機率之一對數-概似項。

在一些實施例中，該第一產生器函數包括判定該經預測之經量測影像為真實的該第一機率之一對數-概似項。

在一些實施例中，該第二鑑別器函數包括判定該經預測目標影像為真實的該第一機率之一對數-概似項，及判定該輸入目標影像為虛假的該第二機率之一對數-概似項。

在一些實施例中，該第二產生器函數包括判定該經預測目標影像為真實的該第一機率之一對數-概似項。

在一些實施例中，該方法進一步包括：由該機器學習模型接收與一基板上之一設計圖案相關聯之一目標影像；及由該機器學習模型且使用該目標影像產生一第一經預測之經量測影像。

在一些實施例中，該方法進一步包括：自一影像捕捉器件獲得與該設計圖案相關聯之一經量測影像；及判定該經量測影像與該第一經預測之經量測影像之間的一偏移。

在一些實施例中，該方法進一步包括：藉由基於該偏移對準該經量測影像與該第一經預測之經量測影像，來對準該經量測影像與該目標影像。

在一些實施例中，該偏移係基於該經量測影像與該第一經預測之經量測影像之一交叉相關性予以判定。

在一些實施例中，該偏移經判定為該第一經預測之經量測影像之座標，其中指示該經量測影像與該第一經預測之經量測影像之間的一匹配度之一匹配函數最高或超過一指定臨限值。

在一些實施例中，接收該目標影像包括自與該設計圖案相關聯之圖形資料庫系統(GDS)多邊形獲得該目標影像。

在一些實施例中，該方法進一步包括：由該機器學習模型接收與一基板上之一設計圖案相關聯之一經量測影像；及由該機器學習模型且使用該經量測影像產生一第一經預測目標影像。

在一些實施例中，該方法進一步包括：獲得與該設計圖案相關聯之一目標影像；及判定該目標影像與該第一經預測目標影像之間的一偏移。

在一些實施例中，該方法進一步包括：藉由基於該偏移對準該目標影像與該第一經預測目標影像，來對準該目標影像與該經量測影像。

在一些實施例中，該方法進一步包括：由該機器學習模型接收(a)與一第一基板上之一設計圖案相關聯之一目標影像，(b)與一第二基板上之一設計圖案相關聯之一經量測影像；及由該機器學習模型使用該目標影像產生一第一經預測之經量測影像，及(b)使用該經量測影像產生一第一經預測目標影像。

在一些實施例中，該方法進一步包括：獲得(a)與該設計圖案相關聯之一第二經量測影像，及(b)與該設計圖案相關聯之一第二目標影像；及判定(a)該第二經量測影像與該第一經預測之經量測影像之間的一第一偏移，及(b)該第二目標影像與該第一經預測目標影像之間的一第二偏移。

在一些實施例中，該方法進一步包括：基於該第一偏移對準(a)該第二經量測影像與該第一經預測之經量測影像，及基於該第二偏移對準(b)該第二目標影像與該第一經預測目標影像。

在一些實施例中，該參考設計圖案係與待印刷於一基板上之一圖案相關聯，且其中該輸入目標影像係自參考設計圖案呈現。

在一些實施例中，該參考經量測影像係獲自一影像捕捉器件且對應於印刷於該基板上之該指定設計圖案。

在一些實施例中，該方法包括獲得該輸入目標影像及該參考經量測影像，其中該輸入目標影像之一或多個特性與該參考經量測影像之一或多個特性的一匹配度低於一指定臨限值。

在一相關態樣中，一種用於訓練一機器學習模型之方法包括：獲得與一參考設計圖案相關聯之一輸入目標影像，及與印刷於一基板上之一指定設計圖案相關聯之一參考經量測影像；及由一硬體電腦系統訓練該機器學習模型以產生一經預測之經量測影像，其中該訓練包括：訓練該機器學習模型之一第一模組以自該輸入目標影像產生該經預測之經量測影像，使得依據該輸入目標影像及該經預測之經量測影像而判定的一第一度量減小，及訓練該機器學習模型之一第二模組以自該參考經量測影像產生一經預測目標影像，使得依據該參考經量測影像及該經預測目標影像而判定的一第二度量減小。

在一些實施例中，訓練該機器學習模型係一反覆程序，其中一反覆包括：(a)藉由以下操作訓練該第一模組：經由執行該第一模組之一第一產生器模型，使用該輸入目標影像來產生該經預測之經量測影像，及經由該第一模組之一第一鑑別器模型，判定該經預測之經量測影像及該參考經量測影像是為真實的抑或虛假的，其中若一第一影像滿足與一指定經量測影像有關之一第一臨限值，則該第一鑑別器模型判定該第一影像為真實的，該指定經量測影像與印刷於一基板上之一指定設計圖案相關聯，且其中若該第一影像不滿足該第一臨限值，則該第一鑑別器模型判定該第一影像為虛假的；以及(b)藉由以下操作訓練該第二模組：經由執行該第二模組之一第二產生器模型，使用該參考經量測影像來產生一經預測目標影像，及經由該機器學習模型之一第二鑑別器模型，判定該經預測目標影像及該輸入目標影像是為真實的抑或虛假的，其中若一第二影像滿足與輸入設計圖案有關之一第二臨限值，則該第二鑑別器模型判定該第二影像為真實的，且其中若該第二影像不滿足該第二臨限值，則該第二鑑別器模型判定該第二影像為虛假的。

在一些實施例中，該反覆包括：計算與該第一鑑別器模型相關聯的依據以下各者而變化的一第一鑑別器函數：(i)將該經預測之經量測影像判定為真實的一第一機率，及(ii)將該參考經量測影像判定為虛假的一第二機率；計算與該第一產生器模型相關聯的依據以下各者而變化的一第一產生器函數：(i)由該第一鑑別器模型將該經預測之經量測影像判定為真實的該第一機率，及(iii)該第一度量；調整該第一鑑別器模型之第一參數以最小化該第一鑑別器函數；及調整該第一產生器模型之第二參數以最小化該第一產生器函數。

在一些實施例中，計算該第一產生器函數包括：經由執行該第二產生器模型，自該經預測之經量測影像產生一循環目標影像，及將該第一度量計算為該輸入目標影像與該循環目標影像之間的一差。

在一些實施例中，該反覆包括：計算與該第二鑑別器模型相關聯的依據以下各者而變化的一第二鑑別器函數：(i)將該經預測目標影像判定為真實的一第一機率，及(ii)將該輸入目標影像判定為虛假的一第二機率；計算與該第二產生器模型相關聯的依據以下各者而變化的一第二產生器函數：(iii)由該第二鑑別器模型將該經預測目標影像判定為真實的該第一機率，及(iv)該第二度量；調整該第二鑑別器模型之第一參數以最小化該第二鑑別器函數；及調整該第二產生器模型之第二參數以最小化該第二產生器函數。

在一些實施例中，計算該第二產生器函數包括：經由執行該第一產生器模型，自該經預測目標影像產生一循環經量測影像，及將該第二度量計算為該參考經量測影像與該循環經量測影像之間的一差。

在一些實施例中，該輸入目標影像與該參考經量測影像相對於彼此未對準。

在一些實施例中，該方法進一步包括：由該機器學習模型接收與一基板上之一設計圖案相關聯之一目標影像；及由該機器學習模型且使用該目標影像產生一第一經預測之經量測影像。

在一些實施例中，該方法進一步包括：自一影像捕捉器件獲得與該設計圖案相關聯之一經量測影像；及判定該經量測影像與該第一經預測之經量測影像之間的一偏移。

在一些實施例中，該方法進一步包括：藉由基於該偏移對準該經量測影像與該第一經預測之經量測影像，來對準該經量測影像與該目標影像。

在一相關態樣中，一種用於訓練一機器學習模型以產生一經預測之經量測影像之方法包括：獲得與一參考設計圖案相關聯之一輸入目標影像，及與印刷於一基板上之一指定設計圖案相關聯之一參考經量測影像，其中該參考經量測影像與該輸入目標影像為未對準之影像；及由一硬體電腦系統且使用該輸入目標影像訓練該機器學習模型以產生一經預測之經量測影像，使得減小與輸入目標影像、該經預測之經量測影像及該參考經量測影像相關聯之一成本函數。

在一些實施例中，訓練該機器學習模型係一反覆程序，其中一反覆包括：經由執行該機器學習模型之一第一產生器模型，自該輸入目標影像產生該經預測之經量測影像；經由該機器學習模型之一第一鑑別器模型，判定該經預測之經量測影像及該參考經量測影像是為真實的抑或虛假的，其中若一第一影像滿足與一指定經量測影像有關之一第一臨限值，則該第一鑑別器模型判定該第一影像為真實的，該指定經量測影像與印刷於一基板上之一指定設計圖案相關聯，且其中若該第一影像不滿足該第一臨限值，則該第一鑑別器模型判定該第一影像為虛假的；經由執行該機器學習模型之一第二產生器模型，自該參考經量測影像產生一經預測目標影像；及經由該機器學習模型之一第二鑑別器模型，判定該經預測目標影像及該輸入目標影像是為真實的抑或虛假的，其中若一第二影像滿足與輸入設計圖案有關之一第二臨限值，則該第二鑑別器模型判定該第二影像為真實的，且其中若該第二影像不滿足該第二臨限值，則該第二鑑別器模型判定該第二影像為虛假的。

在一些實施例中，該反覆包括：計算與該第一鑑別器模型相關聯的依據以下各者而變化的一第一鑑別器函數：(i)將該經預測之經量測影像判定為真實的一第一機率，及(ii)將該參考經量測影像判定為虛假的一第二機率；計算與該第一產生器模型相關聯的依據以下各者而變化的一第一產生器函數：(i)由該第一鑑別器模型將該經預測之經量測影像判定為真實的該第一機率，及(iii)指示該輸入目標影像與一循環目標影像之間的一差之一第一度量；調整該第一鑑別器模型之第一參數以最小化該第一鑑別器函數；及調整該第一產生器模型之第二參數以最小化該第一產生器函數。

在一些實施例中，計算該第一產生器函數包括：經由執行該第二產生器模型，自該經預測之經量測影像產生該循環目標影像以計算該第一度量。

在一些實施例中，該反覆包括：計算與該第二鑑別器模型相關聯的依據以下各者而變化的一第二鑑別器函數：(i)將該經預測目標影像判定為真實的一第一機率，及(ii)將該輸入目標影像判定為虛假的一第二機率；計算與該第二產生器模型相關聯的依據以下各者而變化的一第二產生器函數：(iii)由該第二鑑別器模型將該經預測目標影像判定為真實的該第一機率，及(iv)指示該參考經量測影像與一循環經量測影像之間的一差之一第二度量；調整該第二鑑別器模型之第一參數以最小化該第二鑑別器函數；及調整該第二產生器模型之第二參數以最小化該第二產生器函數。

在一些實施例中，計算該第二產生器函數包括：經由執行該第一產生器模型，自該經預測目標影像產生該循環經量測影像以計算該第二度量。

在一相關態樣中，一種用於訓練一機器學習模型以產生一經預測目標影像之方法包括：獲得與印刷於一基板上之一指定設計圖案相關聯之一輸入經量測影像，及與一參考設計圖案相關聯之一參考目標影像，其中該輸入目標影像與該參考經量測影像為未對準之影像；及由一硬體電腦系統且使用該輸入經量測影像訓練該機器學習模型以產生一經預測目標影像，使得減小與該輸入經量測影像、該參考目標影像及該經預測目標影像相關聯之一成本函數。

在一些實施例中，訓練該機器學習模型係一反覆程序，其中一反覆包括：經由執行該機器學習模型之一第一產生器模型，自該輸入經量測影像產生一經預測目標影像；經由該機器學習模型之一第一鑑別器模型，判定該經預測目標影像及該參考目標影像是為真實的抑或虛假的，其中若一第一影像滿足與該參考設計圖案有關之一第一臨限值，則該第一鑑別器模型判定該第一影像為真實的，且其中若該第一影像不滿足該第一臨限值，則該第一鑑別器模型判定該第一影像為虛假的；經由執行該機器學習模型之一第二產生器模型，自該參考目標影像產生該經預測之經量測影像；及經由該機器學習模型之一第二鑑別器模型，判定該經預測之經量測影像及該輸入經量測影像是為真實的抑或虛假的，其中若一第二影像滿足與一指定經量測影像有關之一第二臨限值，則該第二鑑別器模型判定該第二影像為真實的，該指定經量測影像與印刷於一基板上之一指定設計圖案相關聯，且其中若該第二影像不滿足該第二臨限值，則該第二鑑別器模型判定該第二影像為虛假的。

根據一實施例，提供一種電腦程式產品，其包含其上經記錄有指令之一非暫時性電腦可讀媒體。該等指令在由一電腦執行時實施申請專利範圍中所列之方法。

儘管在本文中可特定地參考IC之製造，但應明確理解，本文中之描述具有許多其他可能應用。舉例而言，本文中之描述可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者應瞭解，在此類替代應用之內容背景中，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為分別與更一般之術語「光罩」、「基板」及「目標部分」可互換。

在本發明文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如，具有為365 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外線輻射(EUV，例如，具有在約5 nm至100 nm之範圍內之波長)。

圖案化器件可包含或可形成一或多個設計佈局。可利用電腦輔助設計(computer-aided design；CAD)程式來產生設計佈局，此程序常常被稱作電子設計自動化(electronic design automation；EDA)。大多數CAD程式遵循一預定設計規則集合，以便產生功能設計佈局/圖案化器件。藉由處理及設計限制而設定此等規則。舉例而言，設計規則定義器件(諸如閘、電容器等)或互連線之間的空間容許度，以便確保器件或線彼此不會以非所要方式相互作用。設計規則限制中之一或多者可被稱作「臨界尺寸」(CD)。器件之臨界尺寸可被定義為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此，CD判定經設計器件之總大小及密度。當然，器件製作中之目標中之一者係在基板上如實地再生原始設計意圖(經由圖案化器件)。

如本文中所使用之術語「光罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件，經圖案化橫截面對應於待在基板之目標部分中產生之圖案；術語「光閥」亦可用於此內容背景中。除經典光罩(透射或反射；二元、相移、混合式等)以外，其他此類圖案化器件之實例包括可程式化鏡面陣列及可程式化LCD陣列。

可程式化鏡面陣列之實例可為具有黏彈性控制層及反射表面之矩陣可定址表面。此裝置所隱含之基本原理為(例如)：反射表面之經定址區域將入射輻射反射為繞射輻射，而未經定址區域將入射輻射反射為非繞射輻射。在使用適當濾光器的情況下，可自反射光束濾出該非繞射輻射，從而僅留下繞射輻射；以此方式，光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適電子構件來執行所需矩陣定址。

在以引用方式併入本文中之美國專利第5,229,872號中給出可程式化LCD陣列之實例。

圖1說明根據一實施例的微影投影裝置10A之各種子系統的方塊圖。主要組件為：輻射源12A，其可為深紫外線準分子雷射源或包括極紫外線(EUV)源的其他類型之源(如上文所論述，微影投影裝置自身無需具有輻射源)；照明光學件，其例如定義部分相干性(被表示為均方偏差)且可包括塑形來自源12A之輻射的光學件14A、16Aa及16Ab；圖案化器件18A；及透射光學件16Ac，其將圖案化器件圖案之影像投影至基板平面22A上。在投影光學件之光瞳平面處的可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度界定投影光學件之數值孔徑NA= n sin(Θ_max )，其中n為基板與投影光學件之最後元件之間的介質之折射率，且Θ_max 為自投影光學件射出的仍可照射於基板平面22A上之光束的最大角度。

在微影投影裝置中，源將照明(亦即輻射)提供至圖案化器件，且投影光學件經由圖案化器件將照明導向至基板上且塑形該照明。投影光學件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為基板位階處之輻射強度分佈。可使用抗蝕劑模型以自空中影像演算抗蝕劑影像，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 2009-0157630號中找到此情形之實例。抗蝕劑模型僅與抗蝕劑層之屬性(例如，在曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應)有關。微影投影裝置之光學屬性(例如，照明、圖案化器件及投影光學件之屬性)規定空中影像且可被定義於光學模型中。由於可改變用於微影投影裝置中之圖案化器件，因此需要使圖案化器件之光學屬性與至少包括源及投影光學件的微影投影裝置之其餘部分之光學屬性分離。美國專利申請公開案第US 2008-0301620號、第2007-0050749號、第2007-0031745號、第2008-0309897號、第2010-0162197號及第2010-0180251號中描述了用以將設計佈局變換成各種微影影像(例如空中影像、抗蝕劑影像等)、使用技術及模型來應用OPC且評估效能(例如依據程序窗)的彼等技術及模型之細節，該等公開案中之每一者之揭示內容之全文特此係以引用方式併入。

理解微影程序之一種態樣係理解輻射與圖案化器件之相互作用。在輻射通過圖案化器件之後的輻射之電磁場可自在輻射到達圖案化器件之前的輻射之電磁場及特性化該相互作用之函數予以判定。此函數可被稱作光罩透射函數(其可用以描述透射圖案化器件及/或反射圖案化器件之相互作用)。

光罩透射函數可具有多種不同形式。一種形式係二元的。二元光罩透射函數在圖案化器件上之任何給定位置處具有兩個值(例如零及正常數)中之任一者。呈二元形式之光罩透射函數可被稱作二元光罩。另一形式係連續的。即，圖案化器件之透射率(或反射率)之模數係圖案化器件上之位置的連續函數。透射率(或反射率)之相位亦可為圖案化器件上之位置的連續函數。呈連續形式之光罩透射函數可被稱作連續色調光罩或連續透射光罩(CTM)。舉例而言，可將CTM表示為像素化影像，其中可向每一像素指派介於0與1之間的值(例如0.1、0.2、0.3等)來代替0或1之二元值。在一實施例中，CTM可為像素化灰階影像，其中每一像素具有若干值(例如在範圍[-255, 255]內、在範圍[0, 1]或[-1, 1]或其他適當範圍內之正規化值)。

薄光罩近似(亦被稱為克希霍夫(Kirchhoff)邊界條件)廣泛地用以簡化對輻射與圖案化器件之相互作用之判定。薄光罩近似假定圖案化器件上之結構之厚度相比於波長極小，且光罩上之結構之寬度相比於波長極大。因此，薄光罩近似假定在圖案化器件之後的電磁場為入射電磁場與光罩透射函數之乘積。然而，隨著微影程序使用具有愈來愈短波長之輻射，且圖案化器件上之結構變得愈來愈小，對薄光罩近似之假定可分解。舉例而言，由於結構(例如頂部表面與側壁之間的邊緣)之有限厚度，輻射與結構之相互作用(「光罩3D效應」或「M3D」)可變得顯著。在光罩透射函數中涵蓋此散射可使得光罩透射函數能夠較佳捕捉輻射與圖案化器件之相互作用。在薄光罩近似下之光罩透射函數可被稱作薄光罩透射函數。涵蓋M3D之光罩透射函數可被稱作M3D光罩透射函數。

根據本發明之一實施例，可產生一或多個影像。該等影像包括可藉由每一像素之像素值或強度值特性化的各種類型之信號。取決於影像內像素之相對值，信號可被稱作例如弱信號或強信號，如由一般熟習此項技術者可理解。術語「強」及「弱」為基於影像內之像素之強度值的相對術語，且強度之具體值可能並不限制本發明之範疇。在一實施例中，強信號及弱信號可基於所選擇之臨限值來識別。在一實施例中，臨限值可為固定的(例如影像內像素之最高強度與最低強度的中點)。在一實施例中，強信號可指具有大於或等於橫越影像之平均信號值之值的信號，且弱信號可指具有低於平均信號值之值的信號。在實施例中，相對強度值可基於百分比。舉例而言，弱信號可為具有不到影像內像素(例如對應於目標圖案之像素可被認為係具有最高強度之像素)之最高強度之50%的強度之信號。此外，影像內之每一像素被認為係變數。根據本實施例，導數或偏導數可相對於影像內之每一像素來判定，且每一像素之值可根據基於成本函數之評估及/或成本函數之基於梯度之計算來判定或修改。舉例而言，CTM影像可包括像素，其中每一像素為可採用任何實數值之變數。

圖2說明根據一實施例的用於模擬微影投影裝置中之微影的例示性流程圖。源模型31表示源之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學件模型32表示投影光學件之光學特性(包括由投影光學件引起的輻射強度分佈及/或相位分佈之改變)。設計佈局模型35表示設計佈局之光學特性(包括由設計佈局33引起的輻射強度分佈及/或相位分佈之改變)，該設計佈局為在圖案化器件上或由圖案化器件形成之特徵之配置的表示。可自設計佈局模型35、投影光學件模型32及設計佈局模型35模擬空中影像36。可使用抗蝕劑模型37而自空中影像36模擬抗蝕劑影像38。微影之模擬可(例如)預測抗蝕劑影像中之輪廓及CD。

更具體言之，應注意，源模型31可表示源之光學特性，其包括(但不限於)數值孔徑設定、照明均方偏差(σ)設定以及任何特定照明源形狀(例如，諸如環形、四極及偶極之離軸輻射源等)。投影光學件模型32可表示投影光學件之光學特性，包括像差、失真、一或多個折射率、一或多個實體大小、一或多個實體尺寸等。設計佈局模型35可表示實體圖案化器件之一或多個實體屬性，如(例如)全文以引用方式併入之美國專利第7,587,704號中所描述。模擬之目標係準確地預測(例如)邊緣置放、空中影像強度斜率及/或CD，可接著將該等邊緣置放、空中影像強度斜率及/或CD與預期設計進行比較。預期設計通常被定義為預OPC設計佈局，其可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供。

自此設計佈局，可識別被稱作「剪輯」之一或多個部分。在一實施例中，提取剪輯集合，其表示設計佈局中之複雜圖案(通常約為50個至1000個剪輯，但可使用任何數目個剪輯)。此等圖案或剪輯表示設計之小部分(亦即，電路、胞元或圖案)，且更具體言之，該等剪輯通常表示需要特定注意及/或驗證之小部分。換言之，剪輯可為設計佈局之部分，或可為相似的或具有設計佈局之部分的相似行為，其中一或多個臨界特徵藉由經驗(包括由客戶提供之剪輯)、藉由試誤法或藉由執行全晶片模擬予以識別。剪輯可包含一或多個測試圖案或量規圖案。

可由客戶基於設計佈局中需要特定影像最佳化之一或多個已知臨界特徵區域而先驗地提供初始較大剪輯集合。替代地，在另一實施例中，可藉由使用識別該一或多個臨界特徵區域之某種自動(諸如機器視覺)或手動演算法自整個設計佈局提取初始較大剪輯集合。

在微影投影裝置中，作為一實例，可將成本函數表示為

(方程式1)

其中(z ₁ ,z ₂ ,…,z_N )為N個設計變數或其值。f_p (z ₁ ,z ₂ ,…,z_N )可為設計變數(z ₁ ,z ₂ ,…,z_N )之函數，諸如，針對(z ₁ ,z ₂ ,…,z_N )之設計變數之值集合之特性之實際值與預期值之間的差。w_p 為與f_p (z ₁ ,z ₂ ,…,z_N )相關聯之權重常數。舉例而言，特性可為在邊緣上之給定點處量測的圖案之邊緣之位置。不同f_p (z ₁ ,z ₂ ,…,z_N )可具有不同權重w_p 。舉例而言，若特定邊緣具有所准許位置之窄範圍，則用於表示邊緣之實際位置與預期位置之間的差之f_p (z ₁ ,z ₂ ,…,z_N )之權重w_p 可被給出較高值。f_p (z ₁ ,z ₂ ,…,z_N )亦可為層間特性之函數，層間特性又為設計變數(z ₁ ,z ₂ ,…,z_N )之函數。當然，CF (z ₁ ,z ₂ ,…,z_N )不限於方程式1中之形式。CF (z ₁ ,z ₂ ,…,z_N )可呈任何其他合適形式。

成本函數可表示微影投影裝置、微影程序或基板之任一個或多個合適特性，例如焦點、CD、影像移位、影像失真、影像旋轉、隨機變化、產出量、局域CD變化、程序窗、層間特性或其組合。在一項實施例中，設計變數(z₁ , z₂ ,…, z _N )包含選自劑量、圖案化器件之全局偏置及/或照明形狀中之一或多者。由於抗蝕劑影像常常規定基板上之圖案，因此成本函數可包括表示抗蝕劑影像之一或多個特性之函數。舉例而言，f_p (z ₁ ,z ₂ ,…,z_N )可簡單地為抗蝕劑影像中之一點與彼點之預期位置之間的距離(亦即，邊緣置放誤差EPE_p (z ₁ ,z ₂ ,…,z_N ))。設計變數可包括任何可調整參數，諸如源、圖案化器件、投影光學件之可調整參數、劑量、焦點等等。

微影裝置可包括可用以調整波前及強度分佈之形狀及/或輻射光束之相移的被集體地稱為「波前操控器」之組件。在一實施例中，微影裝置可調整沿著微影投影裝置之光學路徑之任何位置處的波前及強度分佈，諸如在圖案化器件之前、在光瞳平面附近、在影像平面附近及/或在焦平面附近。波前操控器可用以校正或補償由(例如)源、圖案化器件、微影投影裝置中之溫度變化、微影投影裝置之組件之熱膨脹等等所導致的波前及強度分佈及/或相移的某些失真。調整波前及強度分佈及/或相移可改變由成本函數表示之特性之值。可自模型模擬此等改變或實際上量測此等改變。設計變數可包括波前操控器之參數。

設計變數可具有約束，該等約束可被表示為(z ₁ ,z ₂ ,…,z_N ) ∈Z ，其中Z 為設計變數之可能值集合。可藉由微影投影裝置之所要產出量來強加對設計變數之一個可能約束。在無藉由所要產出量而強加之此約束的情況下，最佳化可得到不切實際的設計變數之值集合。舉例而言，若劑量為設計變數，則在無此約束之情況下，最佳化可得到使產出量經濟上不可能的劑量值。然而，約束之有用性不應被解譯為必要性。舉例而言，產出量可受光瞳填充比影響。對於一些照明設計，低光瞳填充比可捨棄輻射，從而導致較低產出量。產出量亦可受到抗蝕劑化學反應影響。較慢抗蝕劑(例如，要求適當地曝光較高量之輻射的抗蝕劑)導致較低產出量。

如本文中所使用，術語「圖案化程序」通常意謂作為微影程序之部分的藉由施加光之指定圖案來產生經蝕刻基板的程序。然而，「圖案化程序」亦可包括電漿蝕刻，此係因為本文中所描述之許多特徵可為使用電漿處理形成印刷圖案提供益處。

如本文中所使用，術語「目標圖案」意謂將待蝕刻於基板上之理想化圖案。

如本文中所使用，術語「印刷圖案」意謂基板上之基於目標圖案而蝕刻的實體圖案。舉例而言，印刷圖案可包括凹槽、通道、凹部、邊緣或由微影程序產生之其他二維及三維特徵。

如本文中所使用，術語「程序模型」意謂包括模擬圖案化程序之一或多個模型的模型。舉例而言，程序模型可包括光學模型(例如模型化用以在微影程序中遞送光的透鏡系統/投影系統且可包括模型化進入光阻上之光之最終光學影像)、抗蝕劑模型(例如模型化抗蝕劑之物理效應，諸如歸因於光之化學效應)，及OPC模型(例如可用以製造目標圖案且可包括子解析度抗蝕劑特徵(SRAF)等)。

如本文中所使用，術語「校準」意謂修改(例如改良或調諧)及/或驗證某物，諸如程序模型。

圖3說明根據一實施例的自印刷圖案之影像獲得的例示性經量測輪廓330。

微影程序可基於例如目標圖案310 (在圖3之上部圖中展示)產生印刷圖案(例如用於積體電路或電腦晶片之電路圖案)。歸因於圖案化程序之限制，印刷圖案通常將僅為目標圖案310之近似。

印刷圖案可藉由影像捕捉器件成像以產生經量測影像320 (在圖3之中間圖中所展示)，其含有對應於目標圖案310中之理想化形狀的輪廓。影像捕捉器件既可用於度量衡又可用於檢測。在一項實施例中，影像捕捉器件可為電子束工具(例如圖23至圖24)且在另一實施例中，其可為光學工具(例如圖25至圖27)。在一項實施例中，方法可包括自影像捕捉器件，例如掃描電子顯微鏡(亦被稱作電子束檢測系統或電子束工具)獲得經量測輪廓330。電子束檢測系統可相似於掃描電子顯微鏡，但具有大視場(LFOV)及高產出量以用於獲得經量測影像320。電子束檢測系統之一個非限制性實例可為HMI eP5，具體而言經組態為具有LFOV。在一些實施例中，LFOV在一側上的尺寸可為例如大致1至1000微米、100至500微米、1至50微米、6至12微米等。影像捕捉器件可經組態以偵測印刷圖案中之熱點及/或弱點以及記憶體陣列之閘極及主動區域，諸如靜態隨機存取記憶體(SRAM)。如圖3中所說明，經量測影像320類似於印刷圖案，但經量測影像320中之矩形特徵展示圓化且稍微失真的線。

一些實施例可包括基於經量測影像320中之像素之強度的改變識別經量測輪廓330 (在圖3之下部圖中展示)。影像分析技術可用以識別經量測影像320中之經量測輪廓330。強度、梯度及其類似者之改變可例如與邊緣判定一起使用來識別印刷圖案中之特徵之高度(或深度)的改變。舉例而言，當將經量測影像表示為灰度影像時，當改變超過灰度臨限值(亦即，高於或低於定義值之強度)時，此可識別邊緣(亦即，經量測輪廓330)。

圖4說明根據一實施例的對準經量測輪廓330與經模擬輪廓510之例示性方法。

模擬印刷圖案之程序模型可包括抗蝕劑模型、光學模型、光學近接校正模型等之任何組合。因此，可根據程序模型之模擬產生經模擬輪廓510。如本文中所使用，「經模擬輪廓510」意謂藉由一或多個計算模型產生且表示微影程序之預測結果(無論是最終階段抑或中間階段)的輪廓。

為了校準程序模型，經量測輪廓330可與經模擬輪廓510相比較。作為校準程序之部分，經量測輪廓330可與經模擬輪廓510對準。在圖4之實例中，經量測輪廓330 (如在此特定說明中藉由經量測影像320之圖形表示來表示)可與經模擬輪廓510相比較。在圖4之上部圖中，經量測輪廓330不與經模擬輪廓510適當對準。如圖4之下部圖中所展示，經量測輪廓330可在經模擬輪廓510上方平移及/或旋轉，直至經量測輪廓330大致處於正確位置中為止。此可提供粗略對準，其如下文所描述可得以進一步改良。

圖5說明根據一實施例的判定經量測輪廓330與經模擬輪廓510之間的偏移610之例示性方法。

舉例而言，可在上文參看圖5所描述的粗略對準之後實施其他對準方法。此類實施可包括：藉由判定經量測輪廓330與經模擬輪廓510之間的偏移610來對準經量測輪廓330與經模擬輪廓510。如本文中所使用，「偏移610」意謂經量測輪廓330上之點與經模擬輪廓510上之另一點之間的距離。本發明提供用於判定偏移610之各種方法。舉例而言，可基於大體上界定經量測輪廓330之一部分的量測座標620而判定偏移610。如本文所用，術語「量測座標」意謂界定經量測輪廓之一些或所有的座標。量測座標可藉由成像器件，藉由對由成像器件獲取之影像的分析等而產生。舉例而言，量測座標可為已經判定為對應於輪廓之邊緣的像素位置。因此，邊緣偵測程式可基於經量測影像320之影像處理產生量測座標620。在圖5中藉由經量測輪廓330上之圓圈說明量測座標620之實例。

在一項實施例中，可進一步基於量測座標620與經模擬輪廓510之間的距離來判定偏移610。在一些特定實施例中，該等距離可在量測座標620處垂直於經量測輪廓330的方向上。在其他實施例中，可藉由例如對一些或全部偏移之距離的平方進行求和或對一些或全部偏移進行求和來判定對準程度。此可例如藉由垂直偏移向量之x分量及/或y分量執行。

在一些實施例中，對準可進一步包括減小基於距離所演算之成本函數。上文描述了成本函數之實例(例如方程式1之描述)。可藉由例如對經量測輪廓330之位置進行微調而減小成本函數。當成本函數處於最小值(或其他令人滿意的值)時，經量測輪廓330與經模擬輪廓510之對準可用於其他程序或用作程序模型校準之量度。在一些實施例中，微調經量測輪廓330包括在粗略對準之後進一步改良成本函數，例如將成本函數自第一值減小至第二值，以導致經量測輪廓330之更準確對準。亦即，與微調相關聯之成本函數為與關聯於粗略對準之成本函數相比改良的成本函數(例如，在微調之後的成本函數與在粗略對準之後的成本函數相比具有更低值)。

為了向本文所描述之對準方法提供額外點，某些實施例可包括在經量測輪廓330上產生任何數目個額外點(例如邊緣置放(EP)座標)。如本文中所使用，EP座標630 (在本文中亦被稱作EP量規)為界定經量測輪廓330之額外點。在圖5中藉由位於經量測輪廓330上的實心正方形說明EP座標630之一個實例。在一些實施例中，可藉由在兩個或多於兩個量測座標620之間內插來產生EP座標630。在其他實施例中，可藉由自兩個或多於兩個量測座標620外推來產生EP座標630。因此，替代量測座標620或除了量測座標620以外，亦可進一步基於EP座標630而判定偏移610。

在一些實施例中，可自圖形資料庫系統(GDS)多邊形(亦即，由程序模型產生且對應於輪廓形狀的多邊形)獲得經模擬輪廓510。在其他實施例中，GDS多邊形可呈選自GDS串流格式(GDSII)及開放式原圖系統互換標準(OASIS)之一或多種格式。接著，作為校準程序之部分，包含經量測之經模擬輪廓510之邊緣置放座標630及/或量測座標620可轉換為GDS座標。此轉換可允許經模擬輪廓510與經量測輪廓330之間的更直接之比較。

圖6說明根據一實施例的將經模擬輪廓510與經量測輪廓330匹配之例示性改良。

本文中所描述之實施例可有助於校準程序模型提供經模擬輪廓510 (藉由程序模型產生)與經量測輪廓330之間的較準確匹配。在一些實施例中，校準程序模型可包括減小經模擬輪廓510與經量測輪廓330之間的基於經判定偏移610而計算之差。

如本文中所使用，「差」意謂兩個或多於兩個輪廓之間的偏差度之經量化量度。差之一個非限制性實例為前述成本函數。差之另一實例亦可為兩個輪廓上之點之間的偏移或距離，而不在成本函數中使用其。

在一些實施例中，方法可包括修改程序模型之特徵以減小該差。在一些實施例中，該修改可造成經模擬輪廓510之形狀改變。可經修改的抗蝕劑模型之特徵之實例可包括擴散率、擴散範圍、脫保護率及酸/鹼濃度。以此方式執行之修改可被認為係程序模型之「微調」以改良其預測經量測輪廓330的能力。在一些實施例中，此可引起改良之光學模型、抗蝕劑模型、OPC模型等。

圖7說明根據一實施例的校準程序模型之例示性方法。

在一些實施例中，用於改良用於圖案化程序之程序模型之方法可包括在710處獲得a)來自影像捕捉器件之經量測輪廓330，及b)由程序模型之模擬產生的經模擬輪廓510。

在720處，藉由判定經量測輪廓330與經模擬輪廓510之間的偏移610來對準經量測輪廓330與經模擬輪廓510。

在730處，校準程序模型以減少經模擬輪廓510與經量測輪廓330之間的基於經判定偏移610而計算的差。

前述段落描述使用輪廓及EP座標來對準影像。在一些實施例中，諸如上述基於空間域之影像處理藉由處理影像之像素值來處理影像。用於對準影像的此基於空間域之影像處理可消耗相當多的計算資源，例如處理器容量、記憶體及時間，尤其當用於對準影像之搜尋範圍增大時。亦即，經量測影像320將與之對準之影像的大小愈大，計算資源之消耗愈高。

2018年6月4日申請之美國專利申請案第62/680,284號中描述了關於使用輪廓來對準影像的額外細節，該申請案之全文係以引用方式併入。

在一些實施例中，可使用基於頻域之影像處理來改良影像對準程序。在基於頻域之影像處理中，基於像素值在空間域中改變之速率而非像素之實際值來處理影像。在一些實施例中，基於頻域之影像處理與上述基於空間域之影像處理相比可輔助更快地對準影像。基於頻域之影像處理可最小化在對準影像時所消耗的計算資源，諸如處理器容量、記憶體及時間。

在一些實施例中，可藉由判定兩個影像之間的相似性來對準兩個影像。交叉相關為用以判定影像之間的相似性之一種此類技術。在信號處理中，交叉相關為兩個系列之相似性之量度，其依據一者相對於另一者之位移而變化。在影像處理中，相關性值指示參考影像(模板)與目標影像(搜尋影像)之間的相似性之量度。對於模板具有與位於(x,y)處之搜尋影像之對應性(逐像素)的位置，結果將為最大值。亦即，用於判定兩個影像之間的相似性之交叉相關函數之輸出可包括相關性值及其中參考影像具有最高相似性的目標影像之座標。

影像之相關性亦可在頻域中進行。舉例而言，藉由將目標影像之變換(例如傅立葉或快速傅立葉)與參考影像之變換(例如傅立葉或快速傅立葉)之複共軛相乘來獲得相關性。接著使用逆(傅立葉)變換來獲得空間域處之峰值位置(指示匹配之高相關性)。

在一些實施例中，作為交叉相關函數之變化形式的正規化交叉相關(NCC)函數用以判定兩個影像之間的相似性。在一些實施例中，NCC為兩個影像之傅立葉變換之卷積的逆傅立葉變換，其係使用局部和及西格瑪而正規化。換言之，正規化交叉相關不同於點積，在點積中，結果等效於兩個正規化像素強度向量之間的角度之餘弦。

圖8為根據一實施例的基於頻域之影像對準之實例的方塊圖。使用變換函數810將另一影像(諸如經量測影像320)必須與之對準之參考影像805變換至頻域中。相似地，亦使用變換函數810將經量測影像320變換至頻域中。在一些實施例中，變換函數810為傅立葉變換。傅立葉變換為用以將影像分解成其正弦及餘弦分量之工具。

使用匹配函數或相關函數825使經變換之參考影像815與經變換之經量測影像820相關，以判定該兩個影像之間的相似性。相關函數825可為以上所描述之NCC函數。相關函數825判定相關性值及相對於參考影像805之偏移830，在該偏移下，經量測影像320與參考影像805之間的匹配度或經量測影像320與參考影像805之相似性最高或高於指定臨限值。在一些實施例中，相關性值在-1至1之範圍內，其中-1指示影像並不相似且1指示影像相同。相關性值愈接近1，經量測影像320與基於偏移830而判定之參考影像805之一部分愈相似。

當在基於偏移830而判定的參考影像805之一部分處之相關性值最高或高於指定臨限值時，據稱經量測影像320與參考影像805對準。

在一些實施例中，偏移830可為參考影像805中之像素的實際座標(例如x, y)，在該等實際座標處，當經量測影像320移動使得經量測影像320之中心像素與實際座標處之像素重合時，經量測影像320被認為與參考影像805對準。

在一些實施例中，偏移830可被指示為(dx, dy)值對，其指示像素(在x方向及y方向上)之方向及數目，經量測影像320之中心像素必須自經量測影像320之參考影像805之中心像素移動以與參考影像805對準。

基於頻域之影像對準提供了當所比較之兩個影像足夠相似(例如相關性值超過指定臨限值)時可靠的影像之間的對準，否則該等影像將未對準或不良對準。因此，為了實現經量測影像320之對準，可必須在對準經量測影像之前產生與經量測影像320足夠相似(例如相似性超過指定臨限值)的影像。

圖9為根據一實施例的用於預測經量測影像之影像產生器的方塊圖。設計圖案905為待蝕刻於基板上之圖案之表示，例如諸如GDS之資料庫930中之多邊形。目標影像915為自設計圖案905獲得之影像。影像呈現器910可使用一或多個影像呈現技術自設計圖案905呈現目標影像915。如上文至少參看圖3所描述之經量測影像320為由影像捕捉器件捕捉的印刷於基板上之實際設計圖案之影像。在一些實施例中，目標影像915與經量測影像320並不足夠相似以致於不能使用基於頻域之影像對準技術來對準。因此，影像產生器模型920經組態以使用目標影像915來預測經量測影像(或產生經預測之經量測影像925)。在一些實施例中，經預測之經量測影像925為印刷於基板上之設計圖案905當由影像捕捉器件成像時可看起來如何的預測。可接著使用經預測之經量測影像925以使用頻域來對準經量測影像320，如下文至少參看圖10所描述。

在一些實施例中，影像產生器模型920為經訓練以將目標影像(諸如目標影像915)用作輸入來預測經量測影像(諸如經預測之經量測影像925)的機器學習模型。訓練影像產生器模型920以產生經預測之經量測影像的細節在下文至少參看圖12及圖17加以詳細論述。

圖10為根據一實施例的使用頻域對準經量測影像與經預測之經量測影像的方塊圖。使用變換函數810將經預測之經量測影像925及經量測影像320變換至頻域中以產生經變換之經預測之經量測影像1005及經變換之經量測影像820，如至少參看圖8所描述。

使用相關函數825使該等經變換影像相關以判定該兩個影像之間的相似性。相關函數825判定(a)指示兩個影像之間的相似性之量度之相關性值，及(b)相對於經預測之經量測影像925之偏移1010，在該偏移下，經量測影像320與經預測之經量測影像925之相似性最高或高於指定臨限值。

當相關性值最高或高於指定臨限值時，據稱經量測影像320在基於偏移1010而判定之經預測之經量測影像925的座標處與經預測之經量測影像925對準。在一些實施例中，偏移1010相似於圖8之偏移830。

圖11為根據一實施例的使用頻域及空間域來對準經量測影像之方塊圖。在一些實施例中，可必須使用頻域及空間域兩者來對準經量測影像320以獲得滿足指定準則的對準。然而，與使用空間域執行總體對準相比，使用頻域執行第一對準(例如粗略對準)且接著使用空間域執行第二對準(例如精細對準)效率高得多且資源消耗更少。

將經預測之經量測影像925及經量測影像320輸入至第一對準器1110，該第一對準器使用頻域將經量測影像320與經預測之經量測影像925對準，如至少參看圖8及圖10所描述。經預測之經量測影像925係由影像產生器模型920使用目標影像915產生，如至少參看圖9所描述。

在由第一對準器1110使用頻域來對準經量測影像320之後，在1115處判定是否滿足對準規格。若滿足對準規格，則將經量測影像320輸入至第二對準器1125，該第二對準器執行經量測影像320與經預測之經量測影像925在空間域中的第二對準以產生經對準之經量測影像1130。第二對準可為精細對準，至少參看圖5對其加以描述。在一些實施例中，執行精細對準可包括對經量測輪廓330之位置進行精細調整使得最小化成本函數。可基於經預測之經量測影像925之經模擬輪廓(諸如經模擬輪廓510)與經量測輪廓330上的點之間的距離來演算成本函數。

若由第一對準器1110執行之對準並不滿足對準規格，則輪廓提取器1120獲得經量測輪廓330及經模擬輪廓510以用於在空間域中執行第二對準。第二對準器1125使用經量測輪廓330及經模擬輪廓510來執行第二對準，如至少參看圖3至圖7所描述。接著將經對準之經量測影像1130儲存於資料庫中。在一些實施例中，當未滿足對準規格時所執行之第二對準可包括粗略對準及精細對準兩者。

在一些實施例中，對準規格可包括指示對準之品質及/或準確度的一或多個度量。若第一對準並不滿足一或多個度量，則將不滿足對準規格。

圖12為根據一實施例的訓練影像產生器模型以預測經量測影像之方塊圖。在一些實施例中，影像產生器模型920為經訓練以針對任何給定輸入目標影像產生經預測之經量測影像的機器學習模型。訓練影像產生器模型920包括調整模型參數，諸如影像產生器模型920之權重及偏差，使得最小化在產生經預測之經量測影像時之成本函數。成本函數可為經預測之經量測影像(例如影像產生器模型920之輸出)與自經印刷基板獲得(例如使用SEM工具)之真實經量測影像之間的差之量度。

在一實施例中，影像產生器模型920之訓練係反覆程序。反覆涉及：運用一組模型參數值初始化影像產生器模型920之模型參數；將一影像對輸入至影像產生器模型920，該影像對具有與設計圖案相關聯之目標影像1210及經由影像捕捉器件獲得的基板上之印刷圖案之經量測影像1215；執行影像產生器模型920以產生經預測之經量測影像1220；及調整影像產生器模型920之模型參數值使得減小成本函數(其為經預測之經量測影像1220與經量測影像1215之間的差之量度)。運用多個影像對1205來重複反覆(其中逐漸地調整模型參數)直至成本函數經最小化(在一些實施例中，低於指定臨限值)或不再顯著減小。

在完成反覆之後，影像產生器模型920被認為待訓練(且可視情況被稱作經訓練之影像產生器模型920)。可接著使用經訓練影像產生器模型920以藉由將與任何所要設計圖案相關聯之目標影像用作至經訓練影像產生器模型920之輸入，而針對該所要設計圖案預測經量測影像，例如至少參看圖9所描述。

在一些實施例中，影像產生器模型920可為機器學習模型，諸如迴旋神經網路(CNN)模型或深度CNN (DCNN)模型。簡言之，用於預測經量測影像1220之DCNN模型係由一輸入層1230及一輸出層1235以及輸入層1230與輸出層1235之間的多個隱藏層(諸如迴旋層、正規化層及池化層)組成。最佳化隱藏層之參數以得到損失函數之最小值。在一些實施例中，可訓練CNN模型以模型化與圖案化程序有關的任何程序或程序之組合的行為。

因此，訓練基於CNN之影像產生器模型920以產生經預測之經量測影像包括調整模型參數，諸如CNN之權重及偏差，使得最小化在產生經預測之經量測影像時之成本函數。在一些實施例中，調整模型參數值包括調整以下值：CNN之層的一或多個權重、CNN之層的一或多個偏差、CNN之超參數及/或CNN之層數目。在一些實施例中，層數目為CNN之超參數，其可預先選擇且在訓練程序期間可以不改變。在一些實施例中，可執行一系列訓練程序，其中可修改層數目。在圖12中說明CNN之實例。

在一些實施例中，訓練(例如CNN)涉及判定成本函數之值且逐漸調整CNN之一或多個層之權重使得減小(在一實施例中，最小化)成本函數。在一些實施例中，成本函數為經預測之經量測影像1220 (例如CNN之輸出向量)與自經印刷基板獲得(例如使用SEM工具)之真實經量測影像1215之間的差。舉例而言，成本函數可將成本判定為邊緣置放誤差(EPE)。在此狀況下，成本函數自經量測影像1215及經預測之經量測影像1220提取輪廓且將EPE (例如經量測輪廓與經預測輪廓之間的差，如至少參看圖3至圖6所描述)判定為經預測之經量測影像1220與經量測影像1215之間的差之量度。

藉由修改CNN模型參數(例如權重、偏差、步幅等)之值來減小成本函數或差。在一實施例中，將成本函數計算為CF =f ( 經量測影像 -CNN ( 輸入 , cnn _parameters )) 。在此步驟中，至CNN之輸入包括目標影像及對應的經量測影像，且為CNN之權重及偏差的cnn _ parameters 具有可隨機選擇之初始值。

在實施例中，對應於成本函數之梯度可為dcost/dparameter，其中可基於方程式(例如參數=參數-learning_rate*梯度)來更新cnn _ parameters 值。參數可為權重及/或偏差，且learning_rate可為用以調諧訓練程序之超參數且可由使用者或電腦選擇以改良訓練程序之收斂(例如較快速收斂)。在訓練之若干次反覆之後，獲得經最佳化cnn _ parameters 值且將其進一步用作經訓練影像產生器模型920之模型參數值。可接著使用經訓練影像產生器模型920以藉由將與任何所要設計圖案相關聯之目標影像用作至經訓練影像產生器模型920之輸入，而針對該所要設計圖案預測經量測影像，例如至少參看圖9所描述。

圖13為根據一實施例的用於訓練影像產生器模型之訓練資料產生的方塊圖。如至少參看圖12所描述，必須訓練影像產生器模型920以針對所要圖案產生經預測之經量測影像，且將影像對1205用作訓練資料來執行此訓練。在一些實施例中，為了實現使用頻域將經量測影像320與經預測之經量測影像925對準的準確度改良，訓練資料可必須具有對準之經量測影像。因此，在將影像對用作訓練資料之前將經量測影像與目標影像對準。

自影像捕捉器件1305獲得目標影像1310 (其自儲存於資料庫930中之所要設計圖案呈現)及印刷於基板上之設計圖案之經量測影像1315。影像捕捉器件1305既可用於度量衡又可用於檢測。在一項實施例中，影像捕捉器件1305可為電子束工具(例如圖23至圖24)且在另一實施例中，其可為光學工具(例如圖25至圖27)。

在一些實施例中，影像捕捉器件1305為掃描電子顯微鏡(SEM)且經量測影像1315為SEM影像。將目標影像1310及經量測影像1315輸入至對準器1320以用於對準經量測影像1315與目標影像1310。在一些實施例中，對準器1320相似於圖11之第二對準器1125且執行經量測影像1315在空間域中之對準，如至少參看圖3至圖6所描述。在經量測影像1315與目標影像1310對準之後，其作為經量測影像1215及目標影像1210包括於影像對1205中。針對多個其他經量測影像及目標影像執行由對準器1320進行之對準，且所得經對準之經量測影像及對應目標影像包括於影像對1205中，影像對用作訓練資料以用於訓練影像產生器模型920。

圖14為根據一實施例的用於產生經預測之經量測影像之程序的流程圖。

在操作1410處，自諸如GDS之資料庫930存取作為經蝕刻/待蝕刻於基板上之圖案的設計圖案905 。在一些實施例中，設計圖案905為GDS中之多邊形。

在操作1420處，影像呈現器910使用一或多個影像呈現技術自設計圖案905呈現目標影像915。

在操作1430處，影像產生器模型920使用目標影像915產生經預測之經量測影像925。在一些實施例中，影像產生器模型920為經訓練以使用機器學習技術產生經預測之經量測影像925的機器學習模型。

圖15為根據一實施例的用於使用頻域對準經量測影像之程序的流程圖。

在操作1510處，自影像捕捉器件1305獲得印刷於基板上之設計圖案之經量測影像320。

在操作1520處，自影像產生器模型920獲得展示印刷於基板上之設計圖案之預測的經預測之經量測影像925，例如至少參看圖9及圖13所描述。

在操作1530處，使用頻域將經量測影像320與經預測之經量測影像925對準。舉例而言，使用頻域對準經量測影像320包括使用變換函數810 (例如快速傅立葉變換)將經量測影像320及經預測之經量測影像925變換至頻域中，且使用相關函數825 (例如NCC函數)使該等經變換影像相關以判定偏移1010以對準經量測影像320，如至少參看圖8及圖10所描述。

圖16為根據一實施例的用於使用頻域及空間域執行經量測影像之總體對準之程序的流程圖。

在操作1610處，獲得經量測影像320及經預測之經量測影像925，例如至少參看圖14所描述。

在操作1620處，使用頻域執行第一對準以對準經量測影像320與經預測之經量測影像925，例如至少參看圖15所描述。

在操作1630處，判定第一對準是否滿足對準規格。在一些實施例中，對準規格可包括指示對準之品質及/或準確度的一或多個度量。

若第一對準滿足對準規格，則在操作1640處，執行第二對準以精細對準經量測影像320與經預測之經量測影像925，其包括對經量測輪廓330進行精細調整。在一些實施例中，在空間域中執行第二對準，例如至少參看圖5及圖11所描述。

若第一對準並不滿足對準規格，則在操作1650處，輪廓提取器1120獲得經量測輪廓330及經模擬輪廓510以用於在空間域中執行第二對準。

在操作1660處，使用經量測輪廓330及經模擬輪廓510執行第二對準，如至少參看圖3至圖6所描述，以對準經量測影像320與經模擬輪廓510。

圖17為根據一實施例的用於訓練影像產生器模型以預測經量測影像之程序的流程圖。

如至少參看圖12所描述，訓練影像產生器模型920係反覆程序且包括調整模型參數，諸如影像產生器模型920之權重及偏差，使得最小化在產生經預測之經量測影像時之成本函數。成本函數可為經預測之經量測影像(例如影像產生器模型920之輸出)與自經印刷基板獲得(例如使用SEM工具)之真實經量測影像之間的差之量度。

在操作1710處，運用一組模型參數值(例如在第一反覆之狀況下之隨機值或來自前一反覆之值)初始化影像產生器模型920之模型參數。

在操作1720處，將具有(a)與經蝕刻/或待蝕刻於基板上之設計圖案相關聯之目標影像1210及(b)印刷於基板上之圖案之經量測影像1215的影像對輸入至影像產生器模型920。在一些實施例中，經由影像捕捉器件1305獲得經量測影像1215，且使用影像呈現器910獲得目標影像1310。經量測影像320充當地面實況或標籤，且訓練之目標為產生與標籤匹配之經預測之經量測影像。

在操作1730處，執行影像產生器模型920以產生經預測之經量測影像1220。

在操作1740處，計算成本函數(其為經預測之經量測影像1220與經量測影像1215之間的差之量度)。在一些實施例中，成本函數可將成本判定為EPE，EPE為經量測輪廓與經預測輪廓之間的差且如至少參看圖3至圖6所描述予以判定。

在操作1750處，調整影像產生器模型920之一組模型參數值使得減小成本函數，亦即，組態影像產生器模型920以產生與輸入經量測影像更好匹配的經預測量測影像。

運用多個影像對1205重複操作1710至1750，其中模型參數經逐漸調整直至成本函數經最小化(在一些實施例中，低於指定臨限值)或不再顯著減小。

在完成反覆之後，影像產生器模型920被認為待訓練。可接著使用經訓練影像產生器模型920以藉由將與任何所要設計圖案相關聯之目標影像用作至經訓練影像產生器模型920之輸入，而針對該所要設計圖案預測經量測影像，例如至少參看圖9所描述。

圖18為根據一實施例的實例電腦系統CS之方塊圖。

電腦系統CS包括用於傳達資訊之匯流排BS或其他通信機構，及與匯流排BS耦接以用於處理資訊之一處理器PRO (或多個處理器)。電腦系統CS亦包括耦接至匯流排BS以用於儲存待由處理器PRO執行之資訊及指令的主記憶體MM，諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體MM亦可用於在待由處理器PRO執行之指令之執行期間儲存暫時性變數或其他中間資訊。電腦系統CS進一步包括耦接至匯流排BS以用於儲存用於處理器PRO之靜態資訊及指令的唯讀記憶體(ROM) ROM或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件SD，且將該儲存器件耦接至匯流排BS以用於儲存資訊及指令。

電腦系統CS可經由匯流排BS耦接至用於向電腦使用者顯示資訊之顯示器DS，諸如，陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件ID耦接至匯流排BS以用於將資訊及命令選擇傳達至處理器PRO。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器PRO且用於控制顯示器DS上之游標移動的游標控制件CC，諸如滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，從而允許該器件指定平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。

根據一項實施例，本文中所描述之一或多種方法的部分可藉由電腦系統CS回應於處理器PRO執行主記憶體MM中所含有之一或多個指令的一或多個序列來執行。可將此等指令自另一電腦可讀媒體(諸如儲存器件SD)讀取至主記憶體MM中。主記憶體MM中所含有之指令序列之執行使處理器PRO執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器亦可用以執行主記憶體MM中含有之指令序列。在一替代實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文之描述不限於硬體電路系統及軟體之任何特定組合。

本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器PRO以供執行之任何媒體。此媒體可採取許多形式，包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟，諸如儲存器件SD。揮發性媒體包括動態記憶體，諸如主記憶體MM。傳輸媒體包括同軸纜線、銅線及光纖，包括包含匯流排BS之電線。傳輸媒體亦可採取聲波或光波之形式，諸如在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體可為非暫時性的，例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣。非暫時性電腦可讀媒體可具有記錄於其上之指令。該等指令在由電腦執行時可實施本文中所描述之特徵中之任一者。暫時性電腦可讀媒體可包括載波或其他傳播電磁信號。

可在將一或多個指令之一或多個序列攜載至處理器PRO以供執行時涉及電腦可讀媒體之各種形式。舉例而言，最初可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線而發送指令。在電腦系統CS本端之數據機可接收電話線上之資料，且使用紅外線傳輸器將資料轉換成紅外線信號。耦接至匯流排BS之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排BS上。匯流排BS將資料攜載至主記憶體MM，處理器PRO自該主記憶體擷取及執行指令。由主記憶體MM接收之指令可視情況在由處理器PRO執行之前或之後儲存於儲存器件SD上。

電腦系統CS亦可包括耦接至匯流排BS之通信介面CI。通信介面CI提供對網路鏈路NDL之雙向資料通信耦合，網路鏈路NDL連接至區域網路LAN。舉例而言，通信介面CI可為整合式服務數位網路(ISDN)卡或數據機以提供對對應類型之電話線之資料通信連接。作為另一實例，通信介面CI可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中，通信介面CI發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光信號。

網路鏈路NDL通常經由一或多個網路而向其他資料器件提供資料通信。舉例而言，網路鏈路NDL可經由區域網路LAN向主機電腦HC提供連接。此可包括經由全球封包資料通信網路(現在通常被稱作「網際網路」INT)而提供之資料通信服務。區域網路LAN (網際網路)兩者皆使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路資料鏈路NDL上且經由通信介面CI之信號(該等信號將數位資料攜載至電腦系統CS及自電腦系統CS攜載數位資料)為輸送資訊的載波之例示性形式。

電腦系統CS可經由網路、網路資料鏈路NDL及通信介面CI發送訊息及接收資料(包括程式碼)。在網際網路實例中，主機電腦HC可經由網際網路INT、網路資料鏈路NDL、區域網路LAN及通信介面CI傳輸用於應用程式之經請求程式碼。舉例而言，一個此類經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在其被接收時由處理器PRO執行，及/或儲存於儲存器件SD或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統CS可獲得呈載波形式之應用程式碼。

如上文所描述，所揭示實施例包括方法、系統及/或非暫時性電腦可讀媒體，該非暫時性電腦可讀媒體具有指令，該等指令在由電腦系統(CS)執行時將訓練機器學習模型920以產生經預測之經量測影像1220。至少部分地藉由獲得複數個影像對1205來進行該方法，其中每一影像對包括a)與訓練設計圖案905相關聯之訓練目標影像1210，及b)與訓練目標影像1210對準之訓練經量測影像1215。該方法亦藉由硬體電腦系統(CS)訓練機器學習模型920以自訓練目標影像1210產生經預測之經量測影像1220，該訓練係基於複數個影像對1205及成本函數，該成本函數判定經預測之經量測影像1220與訓練經量測影像1215之間的差。

另外，如下文所描述，所揭示實施例包括方法、系統及/或非暫時性電腦可讀媒體，該非暫時性電腦可讀媒體具有指令，該等指令在由電腦系統(CS)執行時將訓練機器學習模型2800以產生經預測之經量測影像3255。至少部分地藉由獲得(a)與參考設計圖案相關聯之輸入目標影像3250，及(b)與印刷於基板上之指定設計圖案相關聯之參考經量測影像3260來進行該方法，其中該輸入目標影像與該參考經量測影像為未對準之影像。該方法亦藉由硬體電腦系統(CS)訓練機器學習模型2800以使用輸入目標影像3250產生經預測之經量測影像3255。

根據本發明，所揭示元件之組合及子組合構成單獨實施例。舉例而言，用於產生經預測之經量測影像之方法及用於對準經量測影像與經預測之經量測影像之方法可包含單獨的實施例，及/或此等方法可一起用於同一實施例中。

圖19為根據一實施例的微影投影裝置之示意圖。

微影投影裝置可包括照明系統IL、第一物件台MT、第二物件台WT及投影系統PS。

照明系統IL可調節輻射光束B。在此特定狀況下，照明系統亦包含輻射源SO。

第一物件台(例如圖案化器件台) MT可具備用以固持圖案化器件MA (例如倍縮光罩)之圖案化器件固持器，且連接至用以相對於物件PS來準確地定位該圖案化器件之第一定位器。

第二物件台(基板台) WT可具備用以固持基板W (例如，抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於物件PS來準確地定位該基板之第二定位器。

投影系統(「透鏡」) PS (例如折射、反射或反射折射光學系統)可將圖案化器件MA之經輻照部分成像至基板W之目標部分C (例如包含一或多個晶粒)上。

如本文中所描繪，裝置可屬於透射類型(亦即，具有透射圖案化器件)。然而，一般而言，其亦可屬於反射類型，例如(具有反射圖案化器件)。裝置可使用與經典光罩不同種類之圖案化器件；實例包括可程式化鏡面陣列或LCD矩陣。

源SO (例如，水銀燈或準分子雷射、雷射產生電漿(LPP) EUV源)產生輻射光束。舉例而言，此光束係直接地抑或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器) IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈之外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL通常將包含各種其他組件，諸如積光器IN及聚光器CO。以此方式，照射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。

在一些實施例中，源SO可在微影投影裝置之外殼內(此常常為源SO為例如水銀燈時之狀況)，但其亦可遠離微影投影裝置，其產生之輻射光束經導引至該裝置中(例如憑藉合適導向鏡)；此後一情境可為在源SO為準分子雷射(例如，基於KrF、ArF或F₂ 雷射作用)時之狀況。

光束PB可隨後截取被固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA的情況下，光束B可傳遞通過透鏡PL，該透鏡將光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如以便使不同目標部分C定位於光束PB之路徑中。相似地，第一定位構件可用以例如在自圖案化器件庫機械地擷取圖案化器件MA之後或在掃描期間相對於光束B之路徑來準確地定位圖案化器件MA。一般而言，可憑藉長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。然而，在步進器(相對於步進掃描工具)之狀況下，圖案化器件台MT可僅連接至短衝程致動器，或可固定。

可在兩種不同模式—步進模式及掃描模式中使用所描繪工具。在步進模式中，將圖案化器件台MT保持基本上靜止，且將整個圖案化器件影像一次性投影((亦即，單次「閃光」)至目標部分C上。可使基板台WT在x及/或y方向上移位，使得不同目標部分C可由光束PB輻照。

在掃描模式中，基本上相同情境適用，惟單次「閃光」中不曝光給定目標部分C除外。取而代之，圖案化器件台MT可在給定方向(所謂「掃描方向」，例如，y方向)上以速度v移動，使得造成投影光束B遍及圖案化器件影像進行掃描；同時發生地，基板台WT以速度V=Mv在相同或相對方向上同時地移動，其中M為透鏡PL之放大率(通常，M=1/4或=1/5)。以此方式，可在不必損害解析度的情況下曝光相對較大目標部分C。

圖20為根據一實施例的另一微影投影裝置(LPA)之示意圖。

LPA可包括源收集器模組SO、經組態以調節輻射光束B (例如EUV輻射)之照明系統(照明器) IL、支撐結構MT、基板台WT及投影系統PS。

支撐結構(例如圖案化器件台) MT可經建構以支撐圖案化器件(例如，光罩或倍縮光罩) MA且連接至經組態以準確地定位該圖案化器件之第一定位器PM。

基板台(例如，晶圓台) WT可經建構以固持基板(例如，抗蝕劑塗佈晶圓) W，且連接至經組態以準確地定位該基板之第二定位器PW。

投影系統(例如，反射投影系統) PS可經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如，包含一或多個晶粒)上。

如此處所描繪，LPA可屬於反射類型(例如，使用反射圖案化器件)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化器件可具有包含例如鉬與矽之多堆疊的多層反射器。在一項實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可運用X射線微影來產生更小波長。由於大多數材料在EUV及x射線波長下具吸收性，因此圖案化器件構形(topography)上之經圖案化吸收材料薄片段(例如，多層反射器之頂部上之TaN吸收器)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。

照明器IL可自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但未必限於：運用在EUV範圍內之一或多個發射譜線將具有至少一個元素(例如氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿「LPP」)中，可藉由運用雷射光束來輻照燃料(諸如具有譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射之EUV輻射系統之部分，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射，例如EUV輻射，該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO₂ 雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為單獨實體。

在此類狀況下，可不認為雷射形成微影裝置之部件，且輻射光束可憑藉包含例如合適導向鏡及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他狀況下，舉例而言，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部件。

照明器IL可包含用於調整輻射光束之角強度分佈之調整器。通常，可調整照明器之光瞳平面中之強度分佈之至少外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束，以在其橫截面中具有所要均一性及強度分佈。

輻射光束B入射於被固持於支撐結構(例如，圖案化器件台) MT上之圖案化器件(例如，光罩) MA上，且藉由該圖案化器件而圖案化。在自圖案化器件(例如，光罩) MA反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2 (例如干涉器件、線性編碼器或電容式感測器)，可準確地移動基板台WT例如以便使不同目標部分C定位於輻射光束B之路徑中。相似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化器件(例如，光罩) MA。可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如光罩) MA及基板W。

所描繪之裝置LPA可用於以下模式中之至少一者：步進模式、掃描模式及靜止模式。

在步進模式中，在將被賦予至輻射光束之整個圖案一次性投影至目標部分C上時，使支撐結構(例如，圖案化器件台) MT及基板台WT保持基本上靜止(亦即，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位使得可曝光不同目標部分C。

在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如圖案化器件台) MT及基板台WT (亦即單次動態曝光)。基板台WT相對於支撐結構(例如圖案化器件台) MT之速度及方向可藉由投影系統PS之放大率(縮小率)及影像反轉特性予以判定。

在靜止模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，使支撐結構(例如，圖案化器件台) MT保持基本上靜止，從而固持可程式化圖案化器件，且移動或掃描基板台WT。在此模式中，通常使用脈衝式輻射源，且在基板台WT之每一移動之後或在掃描期間之順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如，上文所提及之類型之可程式化鏡面陣列)之無光罩微影。

圖21為根據一實施例的微影投影裝置之詳細視圖。

如所展示，LPA可包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置成使得可將真空環境維持於源收集器模組SO之圍封結構220中。可由放電產生電漿源形成EUV輻射發射電漿210。可藉由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了有效地產生輻射，可需要為(例如) 10帕斯卡之分壓之Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。

由熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用氣體障壁或污染物截留器230 (在一些狀況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中已知，本文中進一步指示之污染物截留器或污染物障壁230至少包括通道結構。

收集器腔室211可包括可為所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置成使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。

隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24，琢面化場鏡面器件22及琢面化光瞳鏡面器件24經配置以提供在圖案化器件MA處輻射光束21之所要角度分佈，以及在圖案化器件MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化器件MA處的輻射光束21之反射後，即刻形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。

比所展示元件多的元件通常可存在於照明光學件單元IL及投影系統PS中。取決於微影裝置之類型，可視情況存在光柵光譜濾光器240。此外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖12所展示之反射元件多1至6個的額外反射元件。

如圖12中所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置為圍繞光軸O軸向對稱，且此類型之收集器光學件CO可與常常被稱為DPP源之放電產生電漿源組合使用。

圖22為根據一實施例的微影投影裝置LPA之源收集器模組SO的詳細視圖。

源收集器模組SO可為LPP輻射系統之部分。雷射LA可經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口221上。

本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193 nm波長且甚至能夠藉由使用氟雷射來產生157 nm波長之極紫外線(extreme ultra violet; EUV)、DUV微影。此外,EUV微影能夠藉由使用同步加速器或藉由運用高能電子來撞擊材料(固體或電漿)而產生在20 nm至50 nm之範圍內的波長，以便產生在此範圍內之光子。

圖23示意性地描繪根據一實施例之電子束檢測裝置2320之實施例。在一實施例中，檢測裝置可為產生曝光或轉印於基板上之結構(例如諸如積體電路之器件之某結構或全部結構)之影像的電子束檢測裝置(例如與掃描電子顯微鏡(SEM)相同或相似)。自電子源2322發射之初級電子束2324係由聚光透鏡2326會聚且接著穿過光束偏轉器2328、E×B偏轉器2330及物鏡2332以在一焦點下輻照基板台2312上之基板2310。

當用電子束2324輻照基板2310時，自基板2310產生二次電子。該等二次電子係由E×B偏轉器2330偏轉且由二次電子偵測器2334偵測。二維電子束影像可藉由以下操作獲得：偵測自樣本產生之電子，而與(例如)由光束偏轉器2328對電子束之二維掃描同步或與由光束偏轉器2328在X或Y方向上對電子束2324之重複掃描同步，以及由基板台2312在X或Y方向中之另一者上連續移動基板2310。因此，在一實施例中，電子束檢測裝置具有用於由角度範圍界定之電子束之視場，在該角度範圍內之電子束可由電子束檢測裝置提供(例如偏轉器2328可提供電子束2324所遍及之角度範圍)。因此，該視場之空間範圍為電子束之角度範圍可照射於表面上所達之空間範圍(其中該表面可為靜止的或可相對於該場移動)。

由二次電子偵測器2334偵測到之信號係由類比/數位(A/D)轉換器2336轉換成數位信號，且該數位信號被發送至影像處理系統2350。在一實施例中，影像處理系統2350可具有記憶體2356以儲存數位影像之全部或部分以供處理單元2358處理。處理單元2358 (例如經專門設計之硬體或硬體與軟體之組合或包含軟體之電腦可讀媒體)經組態以將數位影像轉換或處理成表示數位影像之資料集。在一實施例中，處理單元2358經組態或經程式化以致使執行本文中所描述之方法。另外，影像處理系統2350可具有經組態以將數位影像及對應資料集儲存於參考資料庫中之儲存媒體2356。顯示器件2354可與影像處理系統2350連接，使得操作者可藉助於圖形使用者介面進行設備之必需操作。

圖24示意性地說明根據一實施例的檢測裝置之另一實施例。該系統係用以檢測樣本載物台88上之樣本90 (諸如基板)且包含帶電粒子束產生器81、聚光透鏡模組82、探針形成物鏡模組83、帶電粒子束偏轉模組84、二次帶電粒子偵測器模組85及影像形成模組86。

帶電粒子束產生器81產生初級帶電粒子束91。聚光透鏡模組82將所產生之初級帶電粒子束91聚光。探針形成物鏡模組83將經聚光初級帶電粒子束聚焦成帶電粒子束探針92。帶電粒子束偏轉模組84使所形成之帶電粒子束探針92橫越緊固於樣本載物台88上之樣本90上的所關注區域之表面進行掃描。在一實施例中，帶電粒子束產生器81、聚光透鏡模組82及探針形成物鏡模組83或其等效設計、替代方案或其任何組合一起形成產生掃描帶電粒子束探針92的帶電粒子束探針產生器。

二次帶電粒子偵測器模組85偵測在由帶電粒子束探針92轟擊後即自樣本表面發射的二次帶電粒子93 (亦可能與來自樣本表面之其他反射或散射帶電粒子一起)以產生二次帶電粒子偵測信號94。影像形成模組86 (例如計算器件)與二次帶電粒子偵測器模組85耦接以自二次帶電粒子偵測器模組85接收二次帶電粒子偵測信號94且相應地形成至少一個經掃描影像。在一實施例中，二次帶電粒子偵測器模組85及影像形成模組86或其等效設計、替代方案或其任何組合一起形成影像形成裝置，該影像形成裝置自由帶電粒子束探針92轟擊的樣本90發射的偵測到之二次帶電粒子形成經掃描影像。

在一實施例中，監測模組87耦接至影像形成裝置之影像形成模組86以監測、控制等圖案化程序及/或使用自影像形成模組86接收到之樣本90之經掃描影像來導出用於圖案化程序設計、控制、監測等之參數。因此，在一實施例中，監測模組87經組態或經程式化以致使執行本文中所描述之方法。在一實施例中，監測模組87包含計算器件。在一實施例中，監測模組87包含用以提供本文中之功能性且經編碼於形成監測模組87或安置於監測模組87內的電腦可讀媒體上之電腦程式。

在一實施例中，與圖19之使用探針以檢測基板之電子束檢測工具類似，與例如諸如圖19中所描繪之CD SEM相比，圖20之系統中之電子電流顯著較大，使得探針光點足夠大使得檢測速度可為快速的。然而，由於探針光點大，與CD SEM相比，解析度可能並不一樣高。

可處理來自例如圖19及/或圖20之系統的SEM影像以提取影像中描述表示器件結構之物件之邊緣的輪廓。接著通常在使用者定義之切線處經由諸如CD之度量量化此等輪廓。因此，通常經由諸如對經提取輪廓量測的邊緣至邊緣距離(CD)或影像之間的簡單像素差之度量來比較及量化器件結構之影像。替代地，量度可包括如本文所描述之EP量規。

現在，除了在圖案化程序中量測基板之外，亦常常需要使用一或多個工具以產生例如可用以設計、控制、監測等圖案化程序之結果。為進行此操作，可提供用於計算上控制、設計等圖案化程序之一或多個態樣的一或多個工具，諸如用於圖案化器件之圖案設計(包括例如添加次解析度輔助特徵或光學近接校正)、用於圖案化器件之照明等。因此，在用於計算上控制、設計等涉及圖案化之製造程序之系統中，主要製造系統組件及/或程序可由各種功能模組描述。詳言之，在一實施例中，可提供描述圖案化程序之一或多個步驟及/或裝置(通常包括圖案轉印步驟)之一或多個數學模型。在一實施例中，可使用一或多個數學模型來執行圖案化程序之模擬，以模擬圖案化程序如何使用由圖案化器件提供之經量測或設計圖案來形成經圖案化基板。

雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如，用於在不同於矽晶圓的基板上之成像的微影成像系統。

圖25描繪實例檢測裝置(例如，散射計)。該檢測裝置包含將輻射投影至基板W上之寬頻帶(白光)輻射投影儀2。重導向輻射傳遞至光譜儀偵測器4，該光譜儀偵測器量測鏡面反射輻射之光譜10 (依據波長而變化的強度)，如(例如)在左下方的曲線圖中所展示。根據此資料，可藉由處理器PU (例如)藉由嚴密耦合波分析及非線性回歸或藉由與圖3之右下方所展示之經模擬光譜庫的比較來重建構導致偵測到之光譜的結構或剖面。一般而言，對於重建構，結構之一般形式係已知的，且自供製造結構之程序之知識來假定一些變數，從而僅留下結構之少許變數以自經量測資料予以判定。此檢測裝置可經組態為正入射檢測裝置或斜入射檢測裝置。

圖26中展示可使用之另一檢測裝置。在此器件中，由輻射源2發射之輻射係使用透鏡系統12而準直且透射通過干涉濾光器13及偏振器17、由部分反射表面16反射且經由物鏡15而聚焦至基板W上之光點S中，物鏡15具有高數值孔徑(NA)，理想地為至少0.9或至少0.95。浸潤檢測裝置(使用相對較高折射率之流體，諸如水)甚至可具有大於1之數值孔徑。

如在微影裝置LA中，可在量測操作期間提供一或多個基板台以固持基板W。基板台可在形式上與圖1之基板台WT相似或相同。在檢測裝置與微影裝置整合之實例中，該等基板台可甚至為同一基板台。可將粗略定位器及精細定位器提供至第二定位器PW，該第二定位器經組態以相對於量測光學系統來準確地定位基板。提供各種感測器及致動器例如以獲取所關注目標之位置，且將所關注目標帶入至物鏡15下方之位置中。通常將對橫越基板W之不同位置處之目標進行許多量測。可在X及Y方向上移動基板支撐件以獲取不同目標，且可在Z方向上移動基板支撐件以獲得目標相對於光學系統之焦點之所要位置。舉例而言，當實務上光學系統可保持大體上靜止(通常在X及Y方向上，但可能亦在Z方向上)且僅基板移動時，方便地將操作考慮並描述為如同物鏡被帶入至相對於基板之不同位置。倘若基板及光學系統之相對位置正確，則原則上無關緊要的係，基板與光學系統中之哪一者在真實世界中移動，或其兩者皆移動，抑或光學系統之一部分之組合移動(例如在Z方向及/或傾斜方向上)，其中光學系統之剩餘部分靜止且基板移動(例如在X及Y方向上，且視情況亦在Z方向及/或傾斜方向上)。

由基板W重導向之輻射接著通過部分反射表面16傳遞至偵測器18中以便使光譜被偵測。偵測器18可位於背向投影式焦平面11處(亦即，位於透鏡系統15之焦距處)，或平面11可運用輔助光學件(圖中未繪示)而再成像至偵測器18上。該偵測器可為二維偵測器，使得可量測基板目標30之二維角度散射光譜。偵測器18可為(例如) CCD或CMOS感測器陣列，且可使用為(例如)每圖框40毫秒之積分時間。

參考光束可用以例如量測入射輻射之強度。為進行此量測，當輻射光束入射於部分反射表面16上時，將輻射光束之部分通過部分反射表面16作為參考光束而透射朝向參考鏡面14。接著將參考光束投影至同一偵測器18之不同部分上或替代地投影至不同偵測器(圖中未繪示)上。

一或多個干涉濾光器13可用以選擇在為比如405 nm至790 nm或甚至更低(諸如200 nm至300 nm)之範圍內的所關注波長。干涉濾光器可為可調諧的，而非包含一組不同濾光器。可使用光柵來代替干涉濾光器。孔徑光闌或空間光調變器(圖中未繪示)可提供於照明路徑中以控制輻射在目標上之入射角之範圍。

偵測器18可量測在單一波長(或窄波長範圍)下之重導向輻射之強度、分離地在多個波長下之重導向輻射之強度，或遍及一波長範圍而積分之重導向輻射之強度。此外，偵測器可分離地量測橫向磁偏振輻射及橫向電偏振輻射之強度，及/或橫向磁偏振輻射與橫向電偏振輻射之間的相位差。

基板W上之目標30可為1-D光柵，其經印刷成使得在顯影之後，長條係由固體抗蝕劑線形成。目標30可為2-D光柵，其經印刷成使得在顯影之後，光柵係由抗蝕劑中之固體抗蝕劑導柱或通孔形成。長條、導柱或通孔可經蝕刻至基板中或基板上(例如，經蝕刻至基板上之一或多個層中)。(例如長條、導柱或通孔之)圖案對在圖案化程序中之處理之改變(例如，微影投影裝置(特別是投影系統PS)中之光學像差、聚焦改變、劑量改變等)敏感，且將顯現經印刷光柵之變化。因此，經印刷光柵之經量測資料用以重建構光柵。可根據印刷步驟及/或其他檢測程序之知識，將1-D光柵之一或多個參數(諸如，線寬及/或形狀)或2-D光柵之一或多個參數(諸如，導柱或通孔寬度或長度或形狀)輸入至由處理器PU執行之重建構程序。

除了藉由重建構進行參數之量測以外，角度解析散射量測亦用於產品及/或抗蝕劑圖案中之特徵之不對稱性之量測。不對稱性量測之一特定應用係用於疊對之量測，其中目標30包含疊置於另一組週期性特徵上的一組週期性特徵。舉例而言，在美國專利申請公開案US2006-066855中描述使用圖25或圖26之器具進行之不對稱性量測之概念，該公開案之全文併入本文中。簡單而言，雖然目標之繞射光譜中之繞射階的位置僅藉由目標之週期性而判定，但繞射光譜中之不對稱性指示構成目標之個別特徵中的不對稱性。在圖26之器具中(其中偵測器18可為影像感測器)，繞射階之此不對稱性直接呈現為由偵測器18記錄之光瞳影像中之不對稱性。可藉由單元PU中之數位影像處理來量測此不對稱性，且相對於已知疊對值來校準此不對稱性。

圖27說明典型目標30之平面圖，及圖26之裝置中之照明光點S之範圍。為了獲得擺脫來自環繞結構之干涉的繞射光譜，在一實施例中，目標30為大於照明光點S之寬度(例如，直徑)之週期性結構(例如，光柵)。光點S之寬度可小於目標之寬度及長度。換言之，目標係由照明「填充不足」，且繞射信號基本上不含來自目標自身外部之產品特徵及其類似者之任何信號。照明配置2、12、13、17可經組態以提供橫越物鏡15之背焦平面之均一強度的照明。替代地，藉由(例如)在照明路徑中包括孔徑，照明可限於同軸方向或離軸方向。

本發明尤其描述用於基於ML之影像產生之方法。在一些實施例中，在程序模型校準期間改良度量衡可包括獲得基於目標圖案之印刷圖案(例如印刷晶圓或其部分)的準確影像。自該等影像，可提取對應於印刷圖案上之特徵之輪廓。該等輪廓(亦被稱作經量測輪廓)可接著與藉由程序模型產生之經模擬輪廓對準，以允許校準程序模型。可藉由調整程序模型中之參數來改良程序模型，使得經模擬輪廓與經量測輪廓更準確地匹配。為了執行對準，通常產生基於機器學習(ML)模型之經模擬之經量測影像，其含有對應於目標圖案(例如待印刷於基板上之設計圖案)中之理想化形狀之輪廓，且接著可將該經模擬之經量測影像與使用影像捕捉器件獲得的實際經量測影像(例如印刷於基板上之設計圖案之影像)對準。在一些實施例中，已知系統使用目標影像及與目標影像對準之經量測影像來訓練ML模型以產生經模擬之經量測影像。亦即，用於ML模型之訓練資料可必須具有對準之影像對。在一些實施例中，當目標影像之一或多個特性(例如設計圖案中之特徵之輪廓)相對於經量測影像之一或多個特性對準、對應、匹配或具有高於臨限值之匹配度時，可認為目標影像與經量測影像對準。然而，在一些實施例中，對準之影像對可能不可用，及/或在一些實施例中，即使可準備對準之影像，在準備對準之影像對時亦消耗大量時間及/或計算資源。

本發明尤其描述用於使用未對準之影像對進行基於ML之影像產生的方法。舉例而言，可使用具有彼此並不對準之目標影像及經量測影像之訓練資料集來訓練ML模型(但該訓練資料集亦可包括對準之影像)以產生經模擬或經預測之經量測影像。在另一實例中，可使用未對準之目標影像及經量測影像對訓練ML模型以產生經模擬或經預測之目標影像。在一些實施例中，將模型預測之經量測影像與經量測影像對準以對準經量測影像與輸入至模型之目標影像，而將模型預測之目標影像與對應的目標影像對準以對準目標影像與輸入至模型之經量測影像。影像之對準尤其改良了用於圖案化程序之程序模型。

在一些實施例中，當目標影像之一或多個特性(例如設計圖案中之特徵之輪廓)與經量測影像之各別一或多個特性不對準、不匹配、匹配度小於臨限值或不對應時，目標影像與經量測影像被視為未對準。在一些實施例中，當尚未對目標影像及經量測影像執行對準程序時，目標影像與經量測影像被視為未對準。

圖28為根據一實施例的用於預測經量測影像之例示性影像產生器模型2800的方塊圖。目標影像2815為自設計圖案(諸如圖9之設計圖案905)獲得之影像。如上文所描述，設計圖案905為待蝕刻於基板上之圖案之表示，例如諸如GDS之資料庫930中之多邊形。影像呈現器(諸如影像呈現器910)可使用一或多個影像呈現技術自設計圖案905呈現目標影像2815。在一些實施例中，目標影像2815可相似於目標影像915。經量測影像(諸如圖3之經量測影像320)為印刷於基板上且由影像捕捉器件捕捉的實際設計圖案之影像。在一些實施例中，目標影像2815與經量測影像320不足夠相似以致於不能對準。因此，影像產生器模型2800經組態以使用目標影像2815來預測經量測影像(或產生經預測之經量測影像2825)。在一些實施例中，經預測之經量測影像2825為印刷於基板上之設計圖案905或目標影像2815當由影像捕捉器件成像時可看起來如何的預測。可接著使用經預測之經量測影像2825以例如使用頻域來對準經量測影像，如下文至少參看圖29所描述。

在一些實施例中，影像產生器模型2800為ML模型，其使用目標影像(諸如目標影像2815)及經量測影像(諸如經量測影像320)作為輸入而被訓練以預測經量測影像(諸如經預測之經量測影像2825)。用以訓練影像產生器模型2800之經量測影像及目標影像可能彼此對準或彼此未對準。在一些實施例中，訓練資料可包括多個目標影像及多個經量測影像，其中目標影像與經量測影像彼此皆不對準，或至少一些目標影像與經量測影像彼此不對準。訓練影像產生器模型2800以產生經預測之經量測影像2825之細節在下文至少參看圖32至圖34加以詳細論述。

圖29為根據一實施例的用於對準一對影像之例示性影像對準器模型2900的方塊圖。在一些實施例中，影像對準器模型2900相似於圖11之第一對準器1110及/或第二對準器1125且用以對準一對影像，諸如：給定經量測影像2920，其為由影像捕捉器件捕捉的印刷於基板上的實際設計圖案之影像(對應於目標影像2815)；及經模擬經量測影像，諸如使用影像產生器模型2800產生的經預測之經量測影像2825。影像對準器模型2900可藉由在不脫離本發明之範疇的情況下使用任何合適之技術，例如如至少參看圖10所描述使用頻域及/或如至少參看圖3至圖7及圖11所描述使用空間域，來對準經預測之經量測影像2825與給定經量測影像2920。在一些實施例中，由於經量測影像2920與經預測之經量測影像2825對準，經量測影像2920與從中產生經預測之經量測影像2825的對應目標影像2815彼此對準。

舉例而言，在頻域對準中，使用變換函數810將經預測之經量測影像2825及給定經量測影像2920變換至頻域中以產生經變換之經預測之經量測影像及經變換之經量測影像，如至少參看圖8所描述。使用相關函數825使該等經變換影像相關以判定該兩個影像之間的相似性。相關函數825判定(a)指示兩個影像之間的相似性之量度之相關性值，及(b)相對於經預測之經量測影像2825之偏移，在該偏移下，給定經量測影像2920與經預測之經量測影像2825之相似性最高或高於指定臨限值。

當相關性值最高或高於指定臨限值時，據稱給定經量測影像2920在基於偏移而判定之經預測之經量測影像2825的座標處與經預測之經量測影像2825對準。在一些實施例中，偏移相似於圖8之偏移830。

圖30為根據一實施例的用於預測目標影像之例示性影像產生器模型2800的方塊圖。雖然圖28描述自輸入目標影像2815產生經預測之經量測影像2825的影像產生器模型2800，但影像產生器模型2800亦可經組態以自經量測影像(諸如經量測影像3020)產生經模擬或經預測之目標影像3030，該經量測影像為印刷於基板上之指定設計圖案之影像。在一些實施例中，經量測影像3020可相似於圖3之經量測影像320或圖29之經量測影像2920。

可將多個經量測影像及目標影像用作訓練資料來訓練影像產生器模型2800以產生經預測目標影像3030。用以訓練影像產生器模型2800之經量測影像及目標影像可能彼此對準或彼此未對準。在一些實施例中，訓練資料可包括多個目標影像及多個經量測影像，其中目標影像與經量測影像彼此皆不對準，或至少一些目標影像與經量測影像彼此不對準。訓練影像產生器模型2800以產生經預測目標影像3030之細節在下文至少參看圖32至圖34加以詳細論述。

圖31為根據一實施例的用於對準一對影像之例示性影像對準器模型2900的方塊圖。雖然圖29描述用於對準一對影像(諸如給定經量測影像2920與經預測之經量測影像2825)之影像對準器模型2900，但影像對準器模型2900亦可用以對準給定目標影像3115與經預測目標影像3030。在一些實施例中，給定目標影像3115可對應於在經量測影像3020中所捕捉之指定設計圖案。在一些實施例中，影像對準器模型2900可以與將對準給定經量測影像2920與經預測之經量測影像2825對準相似之方式，例如如至少參看圖10所描述使用頻域及/或如至少參看圖3至圖7及圖11所描述使用空間域，來對準給定目標影像3115與經預測目標影像3030。舉例而言，代替將經量測影像320及經預測之經量測影像925輸入至第一對準器1110，將給定目標影像3115及經預測目標影像3030輸入至第一對準器1110以執行給定目標影像3115與經預測目標影像3030之對準。在一些實施例中，由於目標影像3115與經預測目標影像3030對準，因此目標影像3115與從中產生經預測目標影像3030的經量測影像3020彼此對準。

圖32A至圖32C為根據一實施例的訓練影像產生器模型以預測經量測影像或目標影像之方塊圖。在一些實施例中，影像產生器模型2800為ML模型，諸如循環一致的產生對抗網路(循環GAN)，其為產生對抗網路(GAN)之變化。GAN架構包括以協作方式訓練之兩個不同的模型，被稱為產生器模型及鑑別器模型。舉例而言，使用來自產生器模型之輸出及來自目標域之一影像(或來自目標域之複數個影像)或換言之待由產生器模型產生之影像來訓練鑑別器模型，該目標域為至產生器模型之輸入影像必須轉換至之域。鑑別器模型經訓練以將輸入識別為「真實的」或「虛假的」。「真實」輸入為與目標域中之影像不可區分及/或具有滿足指定準則之一或多個特徵的影像，且「虛假」輸入為不滿足指定準則的影像。產生器模型經訓練以改良所產生影像，使得鑑別器模型可能不會將所產生影像區分為虛假的。在一些實施例中，產生器模型及鑑別器模型可為兩個單獨的迴旋神經網路(CNN)。

在一些實施例中，在影像至影像轉譯神經網路中，目標可為使用對準影像對之訓練集學習輸入影像與輸出影像之間的映射。在成對訓練集中，每一影像(比如來自輸入域A之「img_A 」)被手動映射至某影像(比如來自目標域B之「img_B 」)，使得其共用各種特徵。特徵可用以將影像(img_A /img_B )映射至其對應映射之對應物(img_B /img_A )。基本上，進行成對以使輸入及輸出共用一些共同特徵。此映射界定影像自一個域(例如域A)至另一域(例如域B)之有意義的變換。因此，當成對訓練資料集可用時，產生器可自域「D_A 」獲得輸入(比如「input_A 」)且將此影像映射至可接近於其映射對應物的輸出影像(比如「gen_B 」)。然而，對於許多任務，具有成對影像或對準影像之訓練資料集可能不可用，且因此，此預定義有意義的變換並不易於可用於不成對的訓練資料集中。

在一些實施例中，循環GAN為一個神經網路架構，其在輸入影像與所產生影像之間產生此有意義的關係，其可用以運用不成對訓練資料集將影像自一個域轉譯至另一域。在一些實施例中，循環GAN具有兩個GAN且每一GAN具有其自有產生器及鑑別器對。在循環GAN中，第一產生器將使輸入影像(例如「input_A 」)自域D_A 映射至目標域「D_B 」中之某影像。第二產生器將由第一產生器產生之此輸出影像映射回至原始輸入。舉例而言，循環GAN將來自域D_A (例如目標影像集合)之影像input_A (例如目標影像3250)輸入至第一產生器，該第一產生器將該影像input_A 在目標域D_B (例如經量測影像集合)中變換成影像gen_B (例如經預測之經量測影像3255)。接著將此新的所產生影像gen_B (例如經預測之經量測影像3255)饋送至第二產生器，該第二產生器將其自原始域D_A (目標影像集合)轉換回成目標影像cyclic_A (例如循環目標影像3251)。循環GAN繼續訓練第一產生器直至此輸出影像cyclic_A (例如循環目標影像3251)接近於原始輸入影像input_A (例如目標影像3250)，以界定可用於使用不成對的資料集將影像自一個域轉譯至另一域的有意義的映射。

在一些實施例中，使用循環GAN ML模型來實施影像產生器模型2800。然而，影像產生器模型2800之實施不限於循環GAN。為了自目標影像產生經預測之經量測影像，影像產生器模型2800可使用輸入目標影像與自使用輸入目標影像所產生之經預測之經量測影像產生的循環目標影像之間的關係，以定義當訓練資料具有不成對或未對準之目標影像及經量測影像時輔助產生經預測之經量測影像的成本函數。

影像產生器模型2800包括兩個模組，例如第一模組3201及第二模組3202，其各自可為GAN ML模型。第一模組3201包括第一產生器模型3210及第一鑑別器模型3215，其各自在一些實施例中可使用CNN來實施。第一產生器模型3210將目標影像3250 (或多個目標影像)認作輸入且輸出經預測之經量測影像3255。第一鑑別器模型3215將該經預測之經量測影像3255及一參考經量測影像3260 (或多個參考經量測影像)認作輸入且區分該參考經量測影像3260與該經預測之經量測影像3255為真實的抑或虛假的。

在一些實施例中，目標影像3250相似於圖28之目標影像2815且為自待印刷於基板上之設計圖案呈現之影像。在一些實施例中，參考經量測影像3260相似於圖29之經量測影像2920且為由影像捕捉器件捕捉的印刷於基板上之實際設計圖案之影像。在一些實施例中，經預測之經量測影像3255相似於圖28之經預測之經量測影像2825，且為對應於印刷於基板上之目標影像3250之設計圖案當由影像捕捉器件成像時可看起來如何的預測。應注意，訓練資料集中之目標影像3250及參考經量測影像3260中的至少一些為未對準之影像，亦即，目標影像3250與參考經量測影像3260彼此可能未對準。

在一些實施例中，若經預測之經量測影像3255及/或經量測影像3260滿足指定準則，例如與經量測影像之一或多個特徵有關之第一臨限值，該經量測影像與印刷於基板上之指定設計圖案相關聯，則第一鑑別器模型3215將其區分為真實的，且若其不滿足指定準則，例如不滿足第一臨限值，則第一鑑別器模型3215將其區分為虛假的。在一些實施例中，第一鑑別器模型3215可輸出指示真實或虛假影像之某範圍(例如0至1或-1至1)之數值。舉例而言，值「1」可指示真實影像且值「0」可指示虛假影像。在一些實施例中，值愈接近「1」，影像愈真實，且值愈接近「0」，影像愈虛假。在一些實施例中，高於指定臨限值(例如「0.7」)之值可指示真實影像，且低於指定臨限值可指示虛假影像。在訓練期間，在一些實施例中，訓練第一鑑別器模型3215以將經預測之經量測影像3255區分為虛假的，且訓練第一產生器模型3210以產生經預測之經量測影像3255使得第一鑑別器模型3215可能不將經預測之經量測影像3255區分為虛假的。隨著訓練進行(例如處理愈來愈多的目標影像及/或參考經量測影像)，第一產生器模型3210可成功地產生與參考經量測影像3260相似的經預測之經量測影像3255(例如，經預測之經量測影像3255之一或多個特徵滿足與參考經量測影像有關之第一臨限值)，使得第一鑑別器模型3215可不再將該經預測之經量測影像3255區分為虛假的。

相似於第一模組3201，第二模組3202包括第二產生器模型3220及第二鑑別器模型3225。第二產生器模型3220將參考經量測影像3260 (或多個經量測影像)認作輸入且輸出經預測目標影像3265。第二鑑別器模型3225將經預測目標影像3265及目標影像3250 (或多個目標影像)認作輸入且將目標影像3250及經預測目標影像3265區分為真實的抑或虛假的。在一些實施例中，經預測目標影像3265為對應於參考經量測影像3260之設計圖案可看起來如何的預測。在一些實施例中，若經預測目標影像3265及/或目標影像3250滿足指定準則，例如與待印刷於基板上之設計圖案之一或多個特徵有關的第二臨限值，則第二鑑別器模型3225將其區分為真實的，且若其不滿足指定準則，則第二鑑別器模型3225將其區分為虛假的。如上文關於第一鑑別器模型3215所描述，在一些實施例中，第二鑑別器模型3225亦可輸出指示真實或虛假影像的某範圍(例如0至1或-1至1)之數值。在訓練期間，在一些實施例中，訓練第二鑑別器模型3225以將經預測目標影像3265區分為虛假的，且訓練第二產生器模型3220以產生經預測目標影像3265使得第二鑑別器模型3225可能不將經預測目標影像3265區分為虛假的。隨著訓練進行，第二產生器模型3220可成功地產生與目標影像3250相似的經預測目標影像3265 (例如，經預測目標影像3265之一或多個特徵滿足第二臨限值)，使得第二鑑別器模型3225可不再將該經預測目標影像3265區分為虛假的。

在一些實施例中，影像產生器模型2800之訓練程序係反覆程序且反覆可包括：接收目標影像3250、經量測影像3260且產生經預測之經量測影像3255 (及/或經預測目標影像3265)；計算與至少目標影像3250、參考經量測影像3260及經預測之經量測影像3255 (及/或經預測目標影像3265)相關聯之成本函數；及調整模型參數，諸如影像產生器模型2800之權重及偏差，使得最小化成本函數。影像產生器模型2800之成本函數f 可為成本函數之組合，包括：(a)與第一模組3201相關聯之成本函數，其包括第一產生器及鑑別器成本函數；及(b)與第二模組3202相關聯之成本函數,其包括第二產生器及鑑別器成本函數。

在訓練程序中，第一產生器模型3210接收作為輸入之目標影像3250且產生作為輸出之經預測之經量測影像3255。第一鑑別器模型3215接收作為輸入之經預測之經量測影像3255及一或多個參考經量測影像3260，且第一鑑別器模型3215將參考經量測影像3260及經預測之經量測影像3255中之每一者區分為虛假的或真實的。在一些實施例中，可將經預測之經量測影像3255區分為真實的及/或可將參考經量測影像3260區分為虛假的。此為不當的結果，指示應調整第一鑑別器模型3215之一模型參數或複數個模型參數(例如權重及偏差)使得將經預測之經量測影像區分為虛假的且將參考經量測影像3260區分為真實的。另外，亦可必須調整第一產生器模型3210之模型參數以改良經預測之經量測影像3255之品質，使得可由第一鑑別器模型3215將經預測之經量測影像3255區分為真實的。

在一些實施例中，第一產生器模型3210之模型參數之調整係基於第一產生器成本函數且第一鑑別器模型3215之模型參數之調整係基於第一鑑別器成本函數。舉例而言，可將第一產生器成本函數定義為依據以下各者而變化：(i)第一鑑別器模型3215判定經預測之經量測影像3255為真實的第一機率，及(ii)指示輸入目標影像3250與循環目標影像之間的差之第一度量。

在一些實施例中，自經預測之經量測影像3255產生回循環目標影像，以判定經預測之經量測影像3255是否足夠準確以致於產生從中產生經預測之經量測影像3255的輸入目標影像3250。圖32B為說明符合各種實施例的循環目標影像3251之產生的方塊圖。在自輸入目標影像3250產生經預測之經量測影像3255之後，第一產生器模型3210將經預測之經量測影像3255輸入至第二產生器模型3220以自經預測之經量測影像3255產生目標影像，諸如循環目標影像3251。第一產生器模型3210可接著量測指示輸入目標影像3250與循環目標影像3251之間的差之第一度量。在一些實施例中，輸入目標影像3250與循環目標影像3251之間的差愈小，經預測之經量測影像3255愈準確。在一些實施例中，用於影像比較之各種方法中之任一者可用以量化兩個影像之間的差(例如像素間比較)。

第一產生器成本函數(例如

)之實例可由以下方程式1來表示：

其中G嘗試產生看起來相似於來自域Y之參考經量測影像3260的經預測之經量測影像G(x)，而對數1-DY為第一鑑別器模型3215將經預測之經量測影像G(x)區分為真實的對數條件機率，且 其中λ 為常數且

指示第一度量，其亦被稱作前向循環一致性損失-針對來自域X之每一目標影像3250，影像轉譯循環應能夠將經預測之經量測影像3255 G(x)帶回至原始影像(F(G(x)))，亦即x → G(x) → F(G(x)) ≈ x。

在一些實施例中，第一產生器模型3210之模型參數經調整使得第一產生器函數(例如第一機率及第一度量)經最小化(例如減小或低於指定臨限值)。因此，第一產生器模型3210可產生虛假影像(例如經預測之經量測影像3255)使得第一鑑別器模型3215將把虛假影像區分為虛假的條件機率係低的(或低於指定臨限值)。換言之，第一產生器模型3210將逐漸產生愈來愈真實或相似於參考經量測影像3260的經預測之經量測影像(或滿足第一臨限值以被認為係真實的經預測之經量測影像)。

在一些實施例中，可將第一鑑別器成本函數定義為依據以下各者而變化：(i)將經預測之經量測影像3255判定為真實的第一機率，及(ii)將參考經量測影像3260判定為虛假的第二機率。

實例鑑別器成本函數可由以下方程式2表示：

其中

為第一鑑別器模型3215將參考經量測影像y區分為虛假的條件機率之對數似然性。

在一些實施例中，最小化第一鑑別器成本函數(方程式2)。因此，第一鑑別器模型3215逐漸更好地將真實經量測影像(例如參考經量測影像3260)與虛假經量測影像(例如經預測之經量測影像3255)進行區分。

因此，同時訓練第一產生器模型3210及第一鑑別器模型3215，使得第一鑑別器模型3215將關於虛假影像之品質(亦即，經預測之經量測影像類似於參考經量測影像的接近程度)之回饋提供至第一產生器模型3210。另外，隨著虛假影像之品質變得更好；第一鑑別器模型3215需要更好地區分虛假影像與真實影像。目標為訓練第一模組3201直至第一產生器模型3210及第一鑑別器模型3215彼此不會改良為止。舉例而言，若各別成本函數之值遍及其他反覆並不實質上改變，則模型不會彼此改良，因此被認為係經訓練模型。

類似於第一模組3201，第二模組3202亦經訓練以更好地自輸入至第二產生器模型3220之參考經量測影像3260產生經預測目標影像3265。在訓練程序中，第二產生器模型3220接收作為輸入之目經量測影像3260且產生作為輸出之經預測目標影像3265。第二鑑別器模型3225接收作為輸入之經預測目標影像3265及一或多個參考目標影像3250，且將參考目標影像3250中之每一者及經預測目標影像3265區分為虛假的抑或真實的。在一些實施例中，可將經預測目標影像3265區分為真實的及/或可將參考目標影像3250區分為虛假的。此為不當的結果，指示應調整第二鑑別器模型3225之一模型參數或複數個模型參數(例如權重及偏差)使得將經預測目標影像3265區分為虛假的且將參考目標影像3250區分為真實的。另外，亦可必須調整第二產生器模型3220之模型參數以改良經預測目標影像3265之品質，使得可由第二鑑別器模型3225將經預測目標影像3265區分為真實的。

在一些實施例中，第二產生器模型3220之模型參數之調整係基於第二產生器成本函數且第二鑑別器模型3225之模型參數之調整係基於第二鑑別器成本函數。舉例而言，可將第二產生器成本函數定義為依據以下各者而變化：(i)第二鑑別器模型3225判定經預測目標影像3265為真實的第一機率，及(ii)指示輸入目標影像3250與循環目標影像之間的差之第二度量。

在一些實施例中，自經預測目標影像3265產生回循環經量測影像，以判定經預測目標影像3265是否足夠準確以致於產生從中產生經預測目標影像3265的輸入經量測影像3260。圖32C為說明根據一實施例的循環經量測影像3261之產生的方塊圖。在自輸入經量測影像3260產生經預測目標影像3265之後，第二產生器模型3220將經預測目標影像3265輸入至第一產生器模型3210以自經預測目標影像3265產生經量測影像，諸如循環經量測影像3261。第二產生器模型3220可接著量測指示輸入經量測影像3260與循環經量測影像3261之間的差之第二度量。在一些實施例中，輸入經量測影像3260與循環經量測影像3261之間的差愈小，經預測目標影像3265愈準確。在一些實施例中，用於影像比較之各種方法中之任一者可用以量化兩個影像之間的差(例如像素間比較)。

第二產生器成本函數(例如

)之實例可由以下方程式1來表示：

其中F嘗試產生看起來相似於來自域X之參考目標影像3250的經預測目標影像F(y)，而對數1-DX為第二鑑別器模型3225將經預測目標影像F(y)區分為真實的對數條件機率，且 其中λ 為常數且

指示第二度量，其亦被稱作後向循環一致性損失-針對來自域Y之每一經量測影像3260，影像轉譯循環應能夠將經預測目標影像3265 F(y)帶回至原始影像(G(F(y)))，亦即y → F(y) → G(F(y)) ≈ y。

在一些實施例中，第二產生器模型3220之模型參數經調整使得第二產生器函數(例如第一機率及第二度量)經最小化(例如減小或低於指定臨限值)。因此，第二產生器模型3220可產生虛假影像(例如經預測目標影像3265)使得第二鑑別器模型3225將把虛假影像區分為虛假的條件機率係低的(或低於指定臨限值)。換言之，第二產生器模型3220將逐漸產生愈來愈真實或相似於參考目標影像3250的經預測目標影像(或滿足第二臨限值以被認為係真實的經預測目標影像)。

在一些實施例中，可將第二鑑別器成本函數定義為依據以下各者而變化：(i)將經預測目標影像3265判定為真實的第一機率，及(ii)將參考目標影像3250判定為虛假的第二機率。

實例鑑別器成本函數可由以下方程式4表示：

其中

為第二鑑別器模型3225將參考目標影像x區分為虛假的條件機率之對數似然性。

在一些實施例中，最小化第二鑑別器成本函數(方程式4)。因此，第二鑑別器模型3225逐漸更好地將真實目標影像(例如參考目標影像3250)與虛假目標影像(例如經預測目標影像3265)進行區分。

因此，同時訓練第二產生器模型3220及第二鑑別器模型3225，使得第二鑑別器模型3225將關於虛假影像之品質(亦即，經預測目標影像類似於參考目標影像的接近程度)之回饋提供至第二產生器模型3220。另外，隨著虛假影像之品質變得更好；第二鑑別器模型3225需要更好地區分虛假影像與真實影像。目標為訓練第二模組3202直至第二產生器模型3220及第二鑑別器模型3225彼此不會改良為止。舉例而言，若各別成本函數之值遍及其他反覆並不實質上改變，則模型不會彼此改良，因此被認為係經訓練模型。

可將影像產生器模型2800之實例成本函數f 表示為：

在一些實施例中，影像產生器模型2800之成本函數f (方程式5)為以上方程式(1)至(4)之組合。在一些實施例中，第一模組3201及第二模組3202經協作地訓練使得影像產生器模型2800之成本函數(方程式5)不再改良(例如經減小、最小化或低於指定臨限值)。舉例而言，若成本函數之值遍及其他反覆並不實質上改變，則影像產生器模型2800被認為係經訓練模型。換言之，影像產生器模型2800經組態以分別產生真實或相似於實際經量測影像或目標影像，或滿足各別準則以被認為係真實的經預測之經量測影像或經預測目標影像。經訓練影像產生器模型2800可接著用以自給定目標影像產生經預測之經量測影像，且經預測之經量測影像可用以對準給定經量測影像。相似地，經訓練影像產生器模型2800可用以自給定經量測影像產生經預測目標影像，且經預測目標影像可用以對準給定目標影像。

在一些實施例中，協作地訓練第一模組3201及第二模組3202。然而，在一些實施例中，該等模組中之每一者可獨立於另一模組經「微調」(例如模型參數經調整)。舉例而言，第一模組3201可經微調以改良經預測經量測3255之產生，而不影響第二模組3202在產生經預測目標影像3265時之效能，或與第二模組3202產生經預測目標影像3265無關。下文至少參看圖33及圖34描述訓練影像產生器模型2800之額外細節。

圖33為根據一實施例的訓練經組態以產生經預測之經量測影像(及/或經預測目標影像)之機器學習模型的流程圖。雖然以下描述聚焦於訓練影像產生器模型2800以自輸入目標影像產生經預測之經量測影像，但應注意，至少在一些實施例中，訓練影像產生器模型2800以產生經預測之經量測影像亦可訓練影像產生器模型2800以自輸入經量測影像產生經預測目標影像(例如如上文至少參看圖32所描述)。

在操作3310處，獲得與待印刷於基板上之參考設計圖案相關聯的輸入目標影像，及與印刷於基板上之指定設計圖案相關聯的參考經量測影像。舉例而言，輸入目標影像可為目標影像3250且參考經量測影像可為參考經量測影像3260。在一些實施例中，目標影像3250為自待印刷於基板上之參考設計圖案(諸如圖9之設計圖案905)呈現之影像。可自諸如GDS之資料庫930存取參考設計圖案。

在一些實施例中，參考經量測影像為由影像捕捉器件捕捉的印刷於基板上之指定設計圖案之影像。

在一些實施例中，輸入目標影像3250與參考經量測影像3260為未對準之影像。亦即，輸入目標影像3250之一或多個特徵(例如輪廓)可能不與參考經量測影像3260之一或多個特徵特徵對準。

在操作3320處，訓練機器學習模型以使用輸入目標影像產生經預測之經量測影像。舉例而言，訓練影像產生器模型2800以使用輸入目標影像3250產生經預測之經量測影像3255。經預測之經量測影像3255為對應於印刷於基板上之輸入目標影像3250的參考設計圖案當由影像捕捉器件成像時可看起來如何的預測。訓練程序之額外細節至少參看圖34A至圖34C加以描述。

影像產生器模型2800之訓練係反覆程序且可繼續直至影像產生器模型2800之成本函數f (例如由方程式5表示)經最小化(例如減小及/或低於指定臨限值)。在一些實施例中，訓練影像產生器模型2800使得成本函數不再改良(例如經減小、最小化或低於指定臨限值)，此時影像產生器模型2800可被認為係經訓練模型。一旦經訓練，影像產生器模型2800就經組態以分別產生真實或相似於實際經量測影像或目標影像，或滿足各別準則以被認為係真實的經預測之經量測影像或經預測目標影像。可接著使用經訓練影像產生器模型2800以自給定目標影像產生經預測之經量測影像，及/或自給定經量測影像產生經預測目標影像。

圖34A為根據一實施例的用於訓練影像產生器模型以產生經預測之經量測影像(及/或經預測目標影像)之另一例示性方法的流程圖。在一些實施例中，執行圖34A之方法作為圖33之操作3320之部分。

在操作3410處，執行機器學習模型之第一產生器模型以自輸入目標影像產生經預測之經量測影像。舉例而言，執行第一產生器模型3210以自輸入目標影像3250產生經預測之經量測影像3255。在一些實施例中，第一產生器模型3210為獲取輸入向量(例如輸入目標影像3250)且產生輸出向量(例如經預測之經量測影像3255)的CNN。

在操作3420處，機器學習模型之第一鑑別器模型判定經預測之經量測影像及參考經量測影像是為真實的抑或虛假的。舉例而言，第一鑑別器模型3215將由第一產生器模型3210產生之經預測之經量測影像3255以及一或多個參考經量測影像3260認作輸入，且判定彼等影像中之每一者是為真實的抑或虛假的。在一些實施例中，第一鑑別器模型3215為獲取輸入向量(例如經預測之經量測影像3255或參考經量測影像3260)且產生指示影像是為真實的抑或虛假的輸出值(例如「0」或「1」，在「0」至「1」之指定範圍內之值)的CNN。在一些實施例中，若影像滿足與經量測影像有關之第一臨限值，該經量測影像與印刷於基板上之指定設計圖案相關聯，則第一鑑別器模型3215判定該影像為真實的，否則判定該影像為虛假的。舉例而言，若經預測之經量測影像3255或經預測之經量測影像3255之一或多個特徵滿足與經量測影像之一或多個特徵有關的第一臨限值，該經量測影像與印刷於基板上之指定設計圖案相關聯，則第一鑑別器模型3215判定該經預測之經量測影像3255為真實的(例如輸出值「1」或高於指定臨限值之值)，否則判定該經預測之經量測影像3255為虛假的(例如輸出值「0」或低於指定臨限值之值)。

在一些實施例中，基於第一鑑別器模型3215之輸出，調整模型參數以最小化與第一產生器模型3210及/或第一鑑別器模型3215相關聯之成本函數，此至少參看以上圖33及/或以下圖34B加以詳細描述。

在操作3430處，執行機器學習模型之第二產生器模型以自參考經量測影像產生經預測目標影像。舉例而言，第二產生器模型3220將參考經量測影像3260 (亦被稱作關於第二模組3202之「輸入經量測影像3260」)認作輸入且自該輸入經量測影像3260產生經預測目標影像3265。在一些實施例中，經預測目標影像3265為對應於輸入經量測影像3260之設計圖案可看起來如何的預測。在一些實施例中，第二產生器模型3220為獲取輸入向量(例如輸入經量測影像3260)且產生輸出向量(例如經預測目標影像3265)的CNN。

在操作3440處，機器學習模型之第二鑑別器模型判定經預測目標影像及輸入目標影像是為真實的抑或虛假的。舉例而言，第二鑑別器模型3225將由第二產生器模型3220產生之經預測目標影像3265以及一或多個輸入目標影像3250 (亦被稱作至少關於第二模組3202之「參考目標影像3250」)認作輸入且判定彼等影像中之每一者是為真實的抑或虛假的。在一些實施例中，第二鑑別器模型3225為獲取輸入向量(例如經預測目標影像3265或參考目標影像3250)且產生指示影像是為真實的抑或虛假的輸出值(例如「0」或「1」、在指定範圍「0」至「1」內之值)的CNN。在一些實施例中，若影像滿足與待印刷於基板上之輸入設計圖案有關之第二臨限值，則第二鑑別器模型3225判定該影像為真實的，否則判定該影像為虛假的。舉例而言，若經預測目標影像3265或經預測目標影像3265之一或多個特徵滿足與輸入設計圖案之一或多個特徵有關之第二臨限值，該輸入設計圖案與待印刷於基板上之輸入目標影像3250相關聯，則第二鑑別器模型3225判定經預測目標影像3265為真實的(例如輸出值「1」或高於指定臨限值之值)，否則判定經預測目標影像3265為虛假的(例如輸出值「0」或低於指定臨限值之值)。

在一些實施例中，基於第二鑑別器模型3225之輸出，調整模型參數以最小化與第二產生器模型3220及/或第二鑑別器模型3225相關聯之成本函數，此至少參看以上圖33及/或以下圖34C加以詳細描述。

圖34B為根據一實施例的用於在產生經預測之經量測影像時最小化與機器學習模型之第一模組相關聯的成本函數之例示性方法的流程圖。在一些實施例中，執行圖34B之方法作為圖34A之操作3420之部分。

在操作3421處，第一模組3201計算與第一鑑別器模型3215相關聯之第一鑑別器函數。在一些實施例中，第一鑑別器成本函數依據以下各者而變化：(i)將經預測之經量測影像3255判定為真實的第一機率，及(ii)將參考經量測影像3260判定為虛假的第二機率。

在操作3422處，第一模組3201計算與第一產生器模型3210相關聯之第一產生器函數。在一些實施例中，第一產生器函數依據以下各者而變化：(i)由第一鑑別器模型3215將經預測之經量測影像3255判定為真實的第一機率，及(ii)指示輸入目標影像3250與循環目標影像3251之間的差之第一度量。在一些實施例中，如至少參看圖32B所描述，自經預測之經量測影像3255 (其自輸入目標影像3250產生)產生循環目標影像3251。

在操作3423處，第一模組3201調整第一鑑別器模型3215之參數以最小化第一鑑別器函數。舉例而言，若第一鑑別器模型3215判定經預測之經量測影像3255為真實的及/或判定參考經量測影像3260為虛假的(此為不當結果)，則第一鑑別器模型3215之模型參數必須經調整以使得第一鑑別器模型3215判定經預測之經量測影像3255為虛假的及/或參考經量測影像3260為真實的。實例第一鑑別器成本函數係使用上述方程式2來表示。

在操作3424處，第一模組3201調整第一產生器模型3210之參數以最小化第一產生器成本函數。舉例而言，若第一鑑別器模型3215判定經預測之經量測影像3255為虛假的，則此為不當的結果，此係因為第一產生器模型3210尚未產生相似於、匹配於實際經量測影像或作為實際經量測影像之特性的經預測之經量測影像3255 (例如經預測之經量測影像之一或多個特徵不滿足與指定經量測影像有關之第一臨限值，該指定經量測影像與印刷於基板上之指定設計圖案相關聯)。在另一實例中，若指示輸入目標影像3250與循環目標影像3251之間的差之第一度量高於指定臨限值，則此為不當的結果，此係因為所產生的經預測之經量測影像3255並不足夠準確以致於無法自經預測之經量測影像3255產生回原始目標輸入影像。因此，必須調整第一產生器模型3210之模型參數以使第一產生器模型3210產生改良之經預測之經量測影像3255，使得第一鑑別器模型3215不再判定經預測之經量測影像3255為虛假的。實例第一產生器成本函數係使用上述方程式1來表示。

圖34C為根據一實施例的用於在產生經預測目標影像時最小化與機器學習模型之第二模組相關聯的成本函數之例示性方法的流程圖。在一些實施例中，執行圖34C之方法作為圖34A之操作3440之部分。

在操作3441處，第二模組3202計算與第二鑑別器模型3225相關聯之第二鑑別器函數。在一些實施例中，第二鑑別器函數依據以下各者而變化：(i)將經預測目標影像3265判定為真實的第一機率，及(ii)將參考目標影像3250判定為虛假的第二機率。

在操作3442處，第二模組3202計算與第二產生器模型3220相關聯之第二產生器函數。在一些實施例中，第二產生器函數依據以下各者而變化：(i)由第二鑑別器模型3225將經預測目標影像3265判定為真實的第一機率，及(ii)指示輸入經量測影像3260與循環經量測影像3261之間的差之第二度量。在一些實施例中，如至少參看圖32C所描述，自經預測目標影像3265 (其係使用輸入經量測影像3260而產生)產生循環經量測影像3261。

在操作3443處，第一模組3202調整第二鑑別器模型3225之參數以最小化第二鑑別器函數。舉例而言，若第二鑑別器模型3225判定經預測目標影像3265為真實的及/或判定參考目標影像3250為虛假的(此為不當結果)，則第二鑑別器模型3225之模型參數必須經調整以使得第二鑑別器模型3225判定經預測目標影像3265為虛假的及/或參考目標影像3250為真實的。實例第二鑑別器函數係使用上述方程式4來表示。

在操作3444處，第二模組3202調整第二產生器模型3220之參數以最小化第二產生器成本函數。舉例而言，若第二鑑別器模型3225判定經預測目標影像3265為虛假的，則此為不當的結果，此係因為第二產生器模型3220不能夠產生相似於、匹配於實際目標影像或作為實際目標影像之特性的經預測目標影像3265 (例如經預測目標影像之一或多個特徵不滿足與關聯於參考目標影像之設計圖案有關的第二臨限值)。在另一實例中，若指示輸入經量測影像3260與循環經量測影像3261 (其為自經預測目標影像3265產生回之原始輸入經量測影像3260之複本)之間的差之第二度量高於指定臨限值，則此為不當的結果，此係因為所產生的經預測目標影像3265並不足夠準確以致於無法產生回從中產生經預測目標影像3265的原始目標輸入影像。因此，必須調整第二產生器模型3220之模型參數以使第二產生器模型3220產生改良之經預測目標影像3265，使得第二度量低於指定臨限值及/或第二鑑別器模型3225不再判定經預測目標影像3265為虛假的。實例第二產生器成本函數係使用上述方程式3來表示。

參看圖34A，運用多個輸入目標影像3250及多個參考經量測影像3260來重複操作3410至3440，其中第一模組3201及/或第二模組3202之模型參數經逐漸調整直至與影像產生器模型2800相關聯之成本函數f (使用方程式5表示)經最小化(在一些實施例中，低於指定臨限值)，或不再顯著減小。

在完成反覆之後，影像產生器模型2800被認為待訓練。可接著使用經訓練影像產生器模型2800以藉由將與任何所要設計圖案相關聯之目標影像用作至經訓練影像產生器模型2800之輸入，而針對該所要設計圖案預測經量測影像，例如至少參看以上圖28及/或以下圖35所描述。相似地，可使用經訓練影像產生器模型2800以藉由使用由影像獲取器件捕捉的設計圖案之經量測影像作為至經訓練影像產生器模型2800之輸入，而預測對應於蝕刻於基板上之設計圖案的目標影像，例如至少參看以上圖30及/或以下圖35所描述。

圖35為根據一實施例的用於產生經預測之經量測影像之例示性程序的流程圖。

在操作3510處，獲得與待蝕刻於基板上之設計圖案相關聯的輸入目標影像。舉例而言，，自諸如GDS之資料庫930存取作為經蝕刻/待蝕刻於基板上之圖案的設計圖案，諸如圖9之設計圖案905 。在一些實施例中，設計圖案905為GDS中之多邊形。可由影像呈現器910使用一或多個影像呈現技術自設計圖案905呈現輸入目標影像，例如圖28之輸入目標影像2815。

在操作3520處，影像產生器模型2800使用輸入目標影像2815產生經預測之經量測影像2825。在一些實施例中，經預測之經量測影像2825為印刷於基板上之設計圖案905或目標影像2815當由影像捕捉器件成像時可看起來如何的預測。

在一些實施例中，影像產生器模型2800為機器學習模型且經訓練以使用至少在上文參看圖32至圖34所論述之機器學習技術產生經預測之經量測影像。另外，在一些實施例中，影像產生器模型2800可僅使用影像產生器模型2800之一部分，諸如第一產生器模型3210 (而非第一鑑別器模型3215)，以用於產生經預測之經量測影像2825。

相似於上文所論述之程序，影像產生器模型2800亦可用以藉由將經量測影像(諸如圖30之經量測影像3020)認作輸入來產生經預測目標影像，諸如經預測目標影像3030。經量測影像3020為自印刷於基板上之設計圖案之影像捕捉器件所產生的影像。經預測目標影像3030為基於經量測影像3020所產生的設計圖案之經模擬影像(例如具有對應於設計圖案之GDS多邊形之經模擬影像)。與在產生經預測之經量測影像2825時相似地，在一些實施例中，影像產生器模型2800可僅使用影像產生器模型2800之一部分，諸如第二產生器模型3220 (而非第二鑑別器模型3225)，以用於產生經預測目標影像3030。

經預測之經量測影像，諸如經預測之經量測影像2825，可用以對準經量測影像。在一些實施例中，對準兩個影像可包括對準第一影像之一或多個特徵(例如輪廓)與第二影像之一或多個特徵(例如輪廓)。各種方法中之任一者可用於對準影像。下圖描述此實例。

圖36為根據一實施例的用於對準經量測影像(或目標影像)之例示性程序的流程圖。在一些實施例中，圖26之程序相似於上述圖16之程序。

在操作3610處，獲得經量測影像(諸如圖29之經量測影像2920)，及該經量測影像將與之對準的經預測之經量測影像(諸如圖28之經預測之經量測影像2825)，例如至少參看圖28及圖35所描述。

在操作3620處，影像對準器模型2900執行第一對準以使用頻域對準經量測影像2920與經預測之經量測影像2825，例如至少參看圖15所描述。

在操作3630處，影像對準器模型2900判定第一對準是否滿足對準規格。在一些實施例中，對準規格可包括指示對準之品質及/或準確度的一或多個度量。

若第一對準滿足對準規格，則在操作3640處，影像對準器模型2900執行第二對準以精細對準經量測影像2920與經預測之經量測影像2825，其包括對與經量測影像2920相關聯之第一輪廓(諸如圖3之經量測輪廓330)進行精細調整。在一些實施例中，在空間域中執行第二對準，例如至少參看圖5及圖11所描述。

若第一對準不滿足對準規格，則在操作3650處，影像對準器模型2900獲得與經量測影像2920相關聯之第一輪廓及與經預測之經量測影像2825相關聯之第二輪廓(諸如分別為經量測輪廓330及經模擬輪廓510)，以用於在空間域中執行第二對準。

在操作3660處，影像對準器模型2900使用第一輪廓及第二輪廓執行第二對準，如至少參看圖3至圖6所描述，以對準經量測影像2920與經預測之經量測影像2825。

圖37為說明根據一實施例的對準一對目標影像與經量測影像之例示性程序的圖解。如上文所描述，至少參看圖28至圖31及圖35，影像產生器模型2800可自輸入目標影像2815產生經預測之經量測影像2825或自輸入經量測影像3020產生經預測目標影像3030。在一些實施例中，影像產生器模型2800可將目標影像2815及經量測影像3020兩者認作輸入且(例如自輸入目標影像2815)產生經預測之經量測影像2825且(例如自輸入經量測影像3020)產生經預測目標影像3030。

經預測之經量測影像2825可接著用以對準目標影像2815與對應經量測影像2920，此例如可藉由將經量測影像2920及經預測之經量測影像2825輸入至影像對準器模型2900且對準經預測之經量測影像2825與經量測影像2920來達成。相似地，經預測目標影像3030可用以對準經量測影像3020與對應目標影像3115，此例如可藉由將目標影像3115及經預測目標影像3030輸入至影像對準器模型2900且對準經預測目標影像3030與目標影像3115來達成。影像對準器模型2900執行對準，如至少參看圖29、圖31及圖36所描述。如上文至少參看圖36所描述，影像對準器模型2900可使用各種已知方法中之任一者以執行對準。在一些實施例中，影像對準器模型2900可同時執行上文所論述之兩種對準。

所揭示方法及系統之優點中之一者為，用以產生經預測之經量測影像及/或經預測目標影像之影像產生器模型2800可使用未對準之影像對來訓練。亦即，訓練資料集(例如輸入目標影像與參考經量測影像)可能彼此不對準。如上文所描述，在一些實施例中，當目標影像之一或多個特性(例如設計圖案中之特徵之輪廓)與經量測影像之各別一或多個特性未對準、不匹配、匹配度小於臨限值或不對應時，目標影像及經量測影像可被認為係未對準的。藉由使能夠使用未對準之影像對來訓練影像產生器模型2800，消除了獲得對準之影像對之需求，且藉此，在準備具有對準影像對之訓練資料集時可消耗的大量計算資源得以最小化。

可藉由以下條項進一步描述本發明之實施例： 1.        一種用於訓練一機器學習模型以產生一經預測之經量測影像之方法，該方法包含： 獲得複數個影像對，其中每一影像對包括a)與一訓練設計圖案相關聯之一訓練目標影像，及b)與該訓練目標影像對準之一訓練經量測影像；及 由一硬體電腦系統訓練該機器學習模型以自該訓練目標影像產生一經預測之經量測影像，該訓練係基於該複數個影像對及一成本函數，該成本函數判定該經預測之經量測影像與該訓練經量測影像之間的一差。 2.        如條項1之方法，其進一步包含： 由該機器學習模型接收與一基板上之一特定設計圖案相關聯之一特定目標影像；及 由該機器學習模型自該特定目標影像產生一特定經預測之經量測影像。 3.        如條項2之方法，其進一步包含： 自一影像捕捉器件獲得與該特定設計圖案相關聯之一特定經量測影像；及 判定該特定經量測影像與該特定經預測之經量測影像之間的一偏移。 4.        如條項3之方法，其中該偏移係基於該特定經量測影像與該特定經預測之經量測影像之一交叉相關性予以判定。 5.        如條項3或4之方法，其中該偏移經判定為該特定經預測之經量測影像之座標，其中指示該特定經量測影像與該特定經預測之經量測影像之間的一匹配度之一匹配函數最高。 6.        如條項3至5之方法，其中該偏移係基於該特定經量測影像與該特定經預測之經量測影像在一頻域中的一正規化交叉相關性予以判定。 7.        如條項1之方法，其中該訓練設計圖案係與一基板上之一圖案相關聯。 8.        如條項1之方法，其中自一影像捕捉器件獲得該等訓練經量測影像。 9.        如條項1之方法，其中該訓練經量測影像與該訓練目標影像對準。 10.      一種用於訓練一機器學習模型以產生一經預測之經量測影像之方法，該方法包含： 獲得第一複數個影像對，其中每一影像對包括a)與一基板上之一訓練設計圖案相關聯之一訓練目標影像，及b)自一影像捕捉器件獲得且與該訓練目標影像對準之一訓練經量測影像；及 由一硬體電腦系統使用一訓練集訓練該機器學習模型以自與一設計圖案相關聯之一目標影像產生一經預測之經量測影像，其中該訓練集包括作為一特徵向量的該第一複數個影像對之該等訓練目標影像及作為標籤的該第一複數個影像對之該等訓練經量測影像。 11.      如條項10之方法，其進一步包含： 判定一成本函數，該成本函數指示該經預測之經量測影像與自該影像捕捉器件獲得的與該設計圖案相關聯之一經量測影像之間的差之一量度；及 使用具有第二複數個影像對之一第二訓練集訓練該機器學習模型直至該成本函數低於一指定臨限值。 12.      如條項11之方法，其中使用該第二訓練集訓練該機器學習模型包括： 與該第一複數個影像對中之該等影像中之每一者的一大小相比，減小該第二複數個影像對中之該等影像中之每一者的一大小以產生一經調整之第二複數個影像對，及 使用經調整之該第二複數個影像對來訓練該機器學習模型。 13.      一種對準一經量測影像之方法，該方法包含： 獲得(a)與一基板上之一設計圖案相關聯之一經量測影像，及(b)自與該設計圖案相關聯之一目標影像產生的一經預測之經量測影像；及 由一硬體電腦系統藉由判定該經量測影像與該經預測之經量測影像之間的一偏移而對準該經量測影像與該經預測之經量測影像。 14.      如條項13之方法，其中對準該經量測影像包括： 基於該經量測影像與該經預測之經量測影像之一交叉相關性判定該偏移。 15.      如條項13至14之方法，其中判定該偏移包括判定其中該相關性之一量度超過一指定臨限值的與該經預測之經量測影像相關聯的座標。 16.      如條項13至15之方法，其中該偏移進一步基於該經量測影像與該經預測之經量測影像在一頻域中的一正規化交叉相關性予以判定。 17.      如條項13之方法，其中獲得該經預測之經量測影像包括： 自一機器學習模型獲得該經預測之經量測影像，該機器學習模型經訓練以自該目標影像產生該經預測之經量測影像。 18.      如條項17之方法，其中自該機器學習模型獲得該經預測之經量測影像包括： 獲得複數個影像對，其中每一影像對包括a)與該設計圖案相關聯之一訓練目標影像，及b)自一影像捕捉器件獲得且與該訓練目標影像對準之一訓練經量測影像，及 使用該複數個影像對訓練該機器學習模型使得與該經預測之經量測影像之該產生相關聯的一成本函數得以改良，該成本函數判定該經預測之經量測影像與該經量測影像之間的一差。 19.      如條項17或18之方法，其中訓練該機器學習模型係一反覆程序，其中一反覆包括： 判定模型參數使得最小化指示一訓練經預測之經量測影像與該訓練經量測影像之間的一差的該成本函數，其中訓練經預測之經量測影像係基於該訓練目標影像來預測。 20.      如條項17或18之方法，其中訓練該機器學習模型包括： 判定該成本函數，及 運用第二複數個影像對再訓練該機器學習模型直至該成本函數低於一指定臨限值。 21.      如條項17或18之方法，其中該機器學習模型包括一迴旋神經網路(CNN)模型。 22.      如條項13至21之方法，其中經由一度量衡工具獲得該經量測影像。 23.      如條項22之方法，其中該度量衡工具係一掃描電子顯微鏡(SEM)且該經量測影像係一SEM影像。 24.      如條項13至21之方法，其中經由一檢測工具獲得該經量測影像。 25.      如條項13至22之方法，其進一步包含： 自與該設計圖案相關聯之圖形資料庫系統(GDS)多邊形獲得該目標影像。 26.      如條項25之方法，其中該等GDS多邊形可呈選自GDS串流格式(GDSII)及開放式原圖系統互換標準(OASIS)之一或多種格式。 27.      如條項13之方法，其進一步包含： 藉由將該經量測影像所相關聯之一第一輪廓與該經預測之經量測影像所相關聯之一第二輪廓對準來執行該經量測影像與該經預測之經量測影像的一第二對準。 28.      一種對準一經量測影像之方法，該方法包含： 自一影像捕捉器件獲得(a)一經量測影像及自一機器學習模型獲得(b)一經預測之經量測影像，該機器學習模型經訓練以自與待印刷於一基板上之一設計圖案相關聯的一目標影像產生該經預測之經量測影像，該經量測影像對應於印刷於該基板上之該設計圖案；及 由一硬體電腦系統使用該經量測影像與該經預測之經量測影像上之一交叉相關函數判定用於對準該經量測影像與該經預測之經量測影像之一偏移，其中該偏移為與經預測之經量測影像相關聯的其中該相關性之一量度係最高的一對座標。 29.      如條項28之方法，其中自該機器學習模型獲得該經預測之經量測影像包括： 獲得複數個影像對，其中每一影像對包括a)與該設計圖案相關聯之一訓練目標影像，及b)自一影像捕捉器件獲得且與該訓練目標影像對準之一訓練經量測影像，及 使用該複數個影像對訓練該機器學習模型使得與該經預測之經量測影像之該產生相關聯的一成本函數得以改良，該成本函數指示該經預測之經量測影像與該經量測影像之間的一差。 30.      如條項29之方法，其中獲得該複數個影像對包括： 基於該訓練經量測影像與該訓練目標影像之輪廓執行該訓練經量測影像與該訓練目標影像之一對準，以獲得該複數個影像對中之一影像對。 31.      如條項30之方法，其中執行該對準包括： 提取與該訓練經量測影像相關聯之一第一輪廓及與該訓練目標影像相關聯之一第二輪廓，及 藉由判定該第一輪廓與該第二輪廓之間的一偏移來對準該訓練經量測影像與該訓練目標影像。 32.      一種非暫時性電腦可讀媒體，其上記錄有指令，該等指令在由一電腦執行時實施如以上條項中任一項之方法。 33.      一種非暫時性電腦可讀媒體，其具有指令，該等指令在由一電腦執行時致使該電腦執行用於訓練一機器學習模型以產生一經預測之經量測影像之一方法，該方法包含： 獲得複數個影像對，其中每一影像對包括a)與一訓練設計圖案相關聯之一訓練目標影像，及b)與該訓練目標影像對準之一訓練經量測影像；及 由一硬體電腦系統訓練該機器學習模型以自該訓練目標影像產生一經預測之經量測影像，該訓練係基於該複數個影像對及一成本函數，該成本函數判定該經預測之經量測影像與該訓練經量測影像之間的一差。 34.      如條項33之電腦可讀媒體，其進一步包含： 由該機器學習模型接收與一基板上之一特定設計圖案相關聯之一特定目標影像；及 由該機器學習模型自該特定目標影像產生一特定經預測之經量測影像。 35.      如條項34之電腦可讀媒體，其進一步包含： 自一影像捕捉器件獲得與該特定設計圖案相關聯之一特定經量測影像；及 判定該特定經量測影像與該特定經預測之經量測影像之間的一偏移。 36.      如條項35之電腦可讀媒體，其中該偏移係基於該特定經量測影像與該特定經預測之經量測影像之一交叉相關性予以判定。 37.      如條項35或36之電腦可讀媒體，其中該偏移經判定為該特定經預測之經量測影像之座標，其中指示該特定經量測影像與該特定經預測之經量測影像之間的一匹配度之一匹配函數最高。 38.      一種非暫時性電腦可讀媒體，其具有指令，該等指令在由一電腦執行時致使該電腦執行用於訓練一機器學習模型之一方法，該方法包含： 獲得(a)與一參考設計圖案相關聯之一輸入目標影像，及(b)與印刷於一基板上之一指定設計圖案相關聯之一參考經量測影像，其中該輸入目標影像與該參考經量測影像為未對準之影像；及 由一硬體電腦系統且使用該輸入目標影像訓練該機器學習模型以產生一經預測之經量測影像。 39.      如條項38之電腦可讀媒體，其中該訓練該機器學習模型係一反覆程序，其中一反覆包括： 經由執行該機器學習模型之一第一產生器模型，自該輸入目標影像產生該經預測之經量測影像； 經由該機器學習模型之一第一鑑別器模型，判定該經預測之經量測影像及該參考經量測影像是為真實的抑或虛假的，其中若一第一影像滿足與一指定經量測影像有關之一第一臨限值，則該第一鑑別器模型判定該第一影像為真實的，該指定經量測影像與印刷於一基板上之一指定設計圖案相關聯，且其中若該第一影像不滿足該第一臨限值，則該第一鑑別器模型判定該第一影像為虛假的； 經由執行該機器學習模型之一第二產生器模型，自該參考經量測影像產生一經預測目標影像；及 經由該機器學習模型之一第二鑑別器模型，判定該經預測目標影像及該輸入目標影像是為真實的抑或虛假的，其中若一第二影像滿足與輸入設計圖案有關之一第二臨限值，則該第二鑑別器模型判定該第二影像為真實的，且其中若該第二影像不滿足該第二臨限值，則該第二鑑別器模型判定該第二影像為虛假的。 40.      如條項39之電腦可讀媒體，其中該反覆包括： 計算與該第一鑑別器模型相關聯的依據以下各者而變化的一第一鑑別器函數： (i)將該經預測之經量測影像判定為真實的一第一機率，及 (ii)將該參考經量測影像判定為虛假的一第二機率； 計算與該第一產生器模型相關聯的依據以下各者而變化的一第一產生器函數： (iii)由該第一鑑別器模型將該經預測之經量測影像判定為真實的該第一機率，及 (iv)指示該輸入目標影像與一循環目標影像之間的一差之一第一度量； 調整該第一鑑別器模型之第一參數以最小化該第一鑑別器函數；及 調整該第一產生器模型之第二參數以最小化該第一產生器函數。 41.      如條項40之電腦可讀媒體，其中計算該第一產生器函數包括： 經由執行該第二產生器模型，自該經預測之經量測影像產生該循環目標影像以計算該第一度量。 42.      如條項39至41中任一項之電腦可讀媒體，其中該反覆包括： 計算與該第二鑑別器模型相關聯的依據以下各者而變化的一第二鑑別器函數： (i)將該經預測目標影像判定為真實的一第一機率，及 (ii)將該輸入目標影像判定為虛假的一第二機率； 計算與該第二產生器模型相關聯的依據以下各者而變化的一第二產生器函數： (iii)由該第二鑑別器模型將該經預測目標影像判定為真實的該第一機率，及 (iv)指示該參考經量測影像與一循環經量測影像之間的一差之一第二度量； 調整該第二鑑別器模型之第一參數以最小化該第二鑑別器函數；及 調整該第二產生器模型之第二參數以最小化該第二產生器函數。 43.      如條項42之電腦可讀媒體，其中計算該第二產生器函數包括： 經由執行該第一產生器模型，自該經預測目標影像產生該循環經量測影像以計算該第二度量。 44.      如條項40及42之電腦可讀媒體，其中該訓練包括訓練該機器學習模型使得最小化與該輸入目標影像、該經預測之經量測影像及/或該參考經量測影像相關聯之一成本函數，其中該成本函數依據該第一鑑別器函數、該第一產生器函數、該第二鑑別器函數或該第二產生器函數中之至少一者而變化。 45.      如條項40至43中任一項之電腦可讀媒體，其中該第一鑑別器函數包括判定該經預測之經量測影像為真實的該第一機率之一對數-概似項，及判定該參考經量測影像為虛假的該第二機率之一對數-概似項。 46.      如條項40至43中任一項之電腦可讀媒體，其中該第一產生器函數包括判定該經預測之經量測影像為真實的該第一機率之一對數-概似項。 47.      如條項41至43中任一項之電腦可讀媒體，其中該第二鑑別器函數包括判定該經預測目標影像為真實的該第一機率之一對數-概似項，及判定該輸入目標影像為虛假的該第二機率之一對數-概似項。 48.      如條項41至43中任一項之電腦可讀媒體，其中該第二產生器函數包括判定該經預測目標影像為真實的該第一機率之一對數-概似項。 49.      如條項38至48中任一項之電腦可讀媒體，其進一步包含： 由該機器學習模型接收與一基板上之一設計圖案相關聯之一目標影像；及 由該機器學習模型且使用該目標影像產生一第一經預測之經量測影像。 50.      如條項49之電腦可讀媒體，其進一步包含： 自一影像捕捉器件獲得與該設計圖案相關聯之一經量測影像；及 判定該經量測影像與該第一經預測之經量測影像之間的一偏移。 51.      如條項50之電腦可讀媒體，其進一步包含： 藉由基於該偏移對準該經量測影像與該第一經預測之經量測影像，來對準該經量測影像與該目標影像。 52.      如條項50或51中任一項之電腦可讀媒體，其中該偏移係基於該經量測影像與該第一經預測之經量測影像之一交叉相關性予以判定。 53.      如條項50至52中任一項之電腦可讀媒體，其中該偏移經判定為該第一經預測之經量測影像之座標，其中指示該經量測影像與該第一經預測之經量測影像之間的一匹配度之一匹配函數最高或超過一指定臨限值。 54.      如條項49至53中任一項之電腦可讀媒體，其中接收該目標影像包括自與該設計圖案相關聯之圖形資料庫系統(GDS)多邊形獲得該目標影像。 55.      如條項38至48中任一項之電腦可讀媒體，其進一步包含： 由該機器學習模型接收與一基板上之一設計圖案相關聯之一經量測影像；及 由該機器學習模型且使用該經量測影像產生一第一經預測目標影像。 56.      如條項55之電腦可讀媒體，其進一步包含： 獲得與該設計圖案相關聯之一目標影像；及 判定該目標影像與該第一經預測目標影像之間的一偏移。 57.      如條項56之電腦可讀媒體，其進一步包含： 藉由基於該偏移對準該目標影像與該第一經預測目標影像，來對準該目標影像與該經量測影像。 58.      如條項38至49中任一項之電腦可讀媒體，其進一步包含： 由該機器學習模型接收(a)與一第一基板上之一設計圖案相關聯之一目標影像，(b)與一第二基板上之一設計圖案相關聯之一經量測影像；及 由該機器學習模型使用該目標影像產生一第一經預測之經量測影像，及(b)使用該經量測影像產生一第一經預測目標影像。 59.      如條項58之電腦可讀媒體，其進一步包含： 獲得(a)與該設計圖案相關聯之一第二經量測影像，及(b)與該設計圖案相關聯之一第二目標影像；及 判定(a)該第二經量測影像與該第一經預測之經量測影像之間的一第一偏移，及(b)該第二目標影像與該第一經預測目標影像之間的一第二偏移。 60.      如條項59之電腦可讀媒體，其進一步包含： 基於該第一偏移對準(a)該第二經量測影像與該第一經預測之經量測影像，及基於該第二偏移對準(b)該第二目標影像與該第一經預測目標影像。 61.      如條項38至60中任一項之電腦可讀媒體，其中該參考設計圖案係與待印刷於一基板上之一圖案相關聯，且其中該輸入目標影像係自參考設計圖案呈現。 62.      如條項38至60中任一項之電腦可讀媒體，其中該參考經量測影像係獲自一影像捕捉器件且對應於印刷於該基板上之該指定設計圖案。 63.      如條項38至62中任一項之電腦可讀媒體，其中該獲得包括獲得該輸入目標影像及該參考經量測影像，其中該輸入目標影像之一或多個特性與該參考經量測影像之一或多個特性的一匹配度低於一指定臨限值。 64.      一種非暫時性電腦可讀媒體，其具有指令，該等指令在由一電腦執行時致使該電腦執行用於訓練一機器學習模型之一方法，該方法包含： 獲得與一參考設計圖案相關聯之一輸入目標影像，及與印刷於一基板上之一指定設計圖案相關聯之一參考經量測影像；及 由一硬體電腦系統訓練該機器學習模型以產生一經預測之經量測影像，其中該訓練包括： 訓練該機器學習模型之一第一模組以自該輸入目標影像產生該經預測之經量測影像，使得依據該輸入目標影像及該經預測之經量測影像而判定的一第一度量減小，及 訓練該機器學習模型之一第二模組以自該參考經量測影像產生一經預測目標影像，使得依據該參考經量測影像及該經預測目標影像而判定的一第二度量減小。 65.      如條項64之電腦可讀媒體，其中該訓練該機器學習模型係一反覆程序，其中一反覆包括： 藉由以下操作訓練該第一模組： 經由執行該第一模組之一第一產生器模型，使用該輸入目標影像來產生該經預測之經量測影像，及 經由該第一模組之一第一鑑別器模型，判定該經預測之經量測影像及該參考經量測影像是為真實的抑或虛假的，其中若一第一影像滿足與一指定經量測影像有關之一第一臨限值，則該第一鑑別器模型判定該第一影像為真實的，該指定經量測影像與印刷於一基板上之一指定設計圖案相關聯，且其中若該第一影像不滿足該第一臨限值，則該第一鑑別器模型判定該第一影像為虛假的；以及 藉由以下操作訓練該第二模組： 經由執行該第二模組之一第二產生器模型，使用該參考經量測影像來產生一經預測目標影像，及 經由該機器學習模型之一第二鑑別器模型，判定該經預測目標影像及該輸入目標影像是為真實的抑或虛假的，其中若一第二影像滿足與輸入設計圖案有關之一第二臨限值，則該第二鑑別器模型判定該第二影像為真實的，且其中若該第二影像不滿足該第二臨限值，則該第二鑑別器模型判定該第二影像為虛假的。 66.      如條項65之電腦可讀媒體，其中該反覆包括： 計算與該第一鑑別器模型相關聯的依據以下各者而變化的一第一鑑別器函數： (i)將該經預測之經量測影像判定為真實的一第一機率，及 (ii)將該參考經量測影像判定為虛假的一第二機率； 計算與該第一產生器模型相關聯的依據以下各者而變化的一第一產生器函數： (i)由該第一鑑別器模型將該經預測之經量測影像判定為真實的該第一機率，及 (iii)該第一度量； 調整該第一鑑別器模型之第一參數以最小化該第一鑑別器函數；及 調整該第一產生器模型之第二參數以最小化該第一產生器函數。 67.      如條項66之電腦可讀媒體，其中計算該第一產生器函數包括： 經由執行該第二產生器模型，自該經預測之經量測影像產生一循環目標影像，及 將該第一度量計算為該輸入目標影像與該循環目標影像之間的一差。 68.      如條項65至67中任一項之電腦可讀媒體，其中該反覆包括： 計算與該第二鑑別器模型相關聯的依據以下各者而變化的一第二鑑別器函數： (i)將該經預測目標影像判定為真實的一第一機率，及 (ii)將該輸入目標影像判定為虛假的一第二機率； 計算與該第二產生器模型相關聯的依據以下各者而變化的一第二產生器函數： (iii)由該第二鑑別器模型將該經預測目標影像判定為真實的該第一機率，及 (iv)該第二度量； 調整該第二鑑別器模型之第一參數以最小化該第二鑑別器函數；及 調整該第二產生器模型之第二參數以最小化該第二產生器函數。 69.      如條項68之電腦可讀媒體，其中計算該第二產生器函數包括： 經由執行該第一產生器模型，自該經預測目標影像產生一循環經量測影像，及 將該第二度量計算為該參考經量測影像與該循環經量測影像之間的一差。 70.      如條項64至69中任一項之電腦可讀媒體，其中該輸入目標影像與該參考經量測影像相對於彼此未對準。 71.      如條項64至70中任一項之電腦可讀媒體，其進一步包含： 由該機器學習模型接收與一基板上之一設計圖案相關聯之一目標影像；及 由該機器學習模型且使用該目標影像產生一第一經預測之經量測影像。 72.      如條項71之電腦可讀媒體，其進一步包含： 自一影像捕捉器件獲得與該設計圖案相關聯之一經量測影像；及 判定該經量測影像與該第一經預測之經量測影像之間的一偏移。 73.      如條項72之電腦可讀媒體，其進一步包含： 藉由基於該偏移對準該經量測影像與該第一經預測之經量測影像，來對準該經量測影像與該目標影像。 74.      一種用於訓練一機器學習模型以產生一經預測之經量測影像之方法，該方法包含： 獲得與一參考設計圖案相關聯之一輸入目標影像，及與印刷於一基板上之一指定設計圖案相關聯之一參考經量測影像，其中該參考經量測影像與該輸入目標影像為未對準之影像；及 由一硬體電腦系統且使用該輸入目標影像訓練該機器學習模型以產生一經預測之經量測影像，使得減小與輸入目標影像、該經預測之經量測影像及該參考經量測影像相關聯之一成本函數。 75.      如條項74之方法，其中該訓練該機器學習模型係一反覆程序，其中一反覆包括： 經由執行該機器學習模型之一第一產生器模型，自該輸入目標影像產生該經預測之經量測影像； 經由該機器學習模型之一第一鑑別器模型，判定該經預測之經量測影像及該參考經量測影像是為真實的抑或虛假的，其中若一第一影像滿足與一指定經量測影像有關之一第一臨限值，則該第一鑑別器模型判定該第一影像為真實的，該指定經量測影像與印刷於一基板上之一指定設計圖案相關聯，且其中若該第一影像不滿足該第一臨限值，則該第一鑑別器模型判定該第一影像為虛假的； 經由執行該機器學習模型之一第二產生器模型，自該參考經量測影像產生一經預測目標影像；及 經由該機器學習模型之一第二鑑別器模型，判定該經預測目標影像及該輸入目標影像是為真實的抑或虛假的，其中若一第二影像滿足與輸入設計圖案有關之一第二臨限值，則該第二鑑別器模型判定該第二影像為真實的，且其中若該第二影像不滿足該第二臨限值，則該第二鑑別器模型判定該第二影像為虛假的。 76.      如條項75之方法，其中該反覆包括： 計算與該第一鑑別器模型相關聯的依據以下各者而變化的一第一鑑別器函數： (i)將該經預測之經量測影像判定為真實的一第一機率，及 (ii)將該參考經量測影像判定為虛假的一第二機率； 計算與該第一產生器模型相關聯的依據以下各者而變化的一第一產生器函數： (i)由該第一鑑別器模型將該經預測之經量測影像判定為真實的該第一機率，及 (iii)指示該輸入目標影像與一循環目標影像之間的一差之一第一度量； 調整該第一鑑別器模型之第一參數以最小化該第一鑑別器函數；及 調整該第一產生器模型之第二參數以最小化該第一產生器函數。 77.      如條項76之方法，其中計算該第一產生器函數包括： 經由執行該第二產生器模型，自該經預測之經量測影像產生該循環目標影像以計算該第一度量。 78.      如條項75至77中任一項之方法，其中該反覆包括： 計算與該第二鑑別器模型相關聯的依據以下各者而變化的一第二鑑別器函數： (i)將該經預測目標影像判定為真實的一第一機率，及 (ii)將該輸入目標影像判定為虛假的一第二機率； 計算與該第二產生器模型相關聯的依據以下各者而變化的一第二產生器函數： (iii)由該第二鑑別器模型將該經預測目標影像判定為真實的該第一機率，及 (iv)指示該參考經量測影像與一循環經量測影像之間的一差之一第二度量； 調整該第二鑑別器模型之第一參數以最小化該第二鑑別器函數；及 調整該第二產生器模型之第二參數以最小化該第二產生器函數。 79.      如條項78之方法，其中計算該第二產生器函數包括： 經由執行該第一產生器模型，自該經預測目標影像產生該循環經量測影像以計算該第二度量。 80.      一種用於訓練一機器學習模型以產生一經預測目標影像之方法，該方法包含： 獲得與印刷於一基板上之一指定設計圖案相關聯之一輸入經量測影像，及與一參考設計圖案相關聯之一參考目標影像，其中該輸入目標影像與該參考經量測影像為未對準之影像；及 由一硬體電腦系統且使用該輸入經量測影像訓練該機器學習模型以產生一經預測目標影像，使得減小與該輸入經量測影像、該參考目標影像及該經預測目標影像相關聯之一成本函數。 81.      如條項80之方法，其中該訓練該機器學習模型係一反覆程序，其中一反覆包括： 經由執行該機器學習模型之一第一產生器模型，自該輸入經量測影像產生一經預測目標影像； 經由該機器學習模型之一第一鑑別器模型，判定該經預測目標影像及該參考目標影像是為真實的抑或虛假的，其中若一第一影像滿足與該參考設計圖案有關之一第一臨限值，則該第一鑑別器模型判定該第一影像為真實的，且其中若該第一影像不滿足該第一臨限值，則該第一鑑別器模型判定該第一影像為虛假的； 經由執行該機器學習模型之一第二產生器模型，自該參考目標影像產生該經預測之經量測影像；及 經由該機器學習模型之一第二鑑別器模型，判定該經預測之經量測影像及該輸入經量測影像是為真實的抑或虛假的，其中若一第二影像滿足與一指定經量測影像有關之一第二臨限值，則該第二鑑別器模型判定該第二影像為真實的，該指定經量測影像與印刷於一基板上之一指定設計圖案相關聯，且其中若該第二影像不滿足該第二臨限值，則該第二鑑別器模型判定該第二影像為虛假的。 82.      一種非暫時性電腦可讀媒體，其上記錄有指令，該等指令在由一電腦執行時實施如以上條項38至81中任一項之方法。

以上描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。

2:寬頻帶輻射投影儀 4:光譜儀偵測器 10:光譜 10A:微影投影裝置 12:透鏡系統 12A:輻射源 13:干涉濾光器 14:參考鏡面 14A:光學件/組件 15:物鏡/透鏡系統 16:部分反射表面 16Aa:光學件/組件 16Ab:光學件/組件 16Ac:透射光學件/組件 17:偏振器 18:偵測器 18A:圖案化器件 20A:可調整濾光器或孔徑 21:輻射光束 22:琢面化場鏡面器件 22A:基板平面 24:琢面化光瞳鏡面器件 26:經圖案化光束 28:反射元件 30:反射元件/基板目標 31:源模型 32:投影光學件模型 35:設計佈局模型 36:空中影像 37:抗蝕劑模型 38:抗蝕劑影像 81:帶電粒子束產生器 82:聚光透鏡模組 83:探針形成物鏡模組 84:帶電粒子束偏轉模組 85:二次帶電粒子偵測器模組 86:影像形成模組 87:監測模組 90:樣本 91:初級帶電粒子束 92:帶電粒子束探針 93:二次帶電粒子 94:二次帶電粒子偵測信號 210:EUV輻射發射電漿 211:源腔室 212:收集器腔室 220:圍封結構 221:開口 230:選用氣體障壁或污染物截留器/污染截留器/ 240:光柵光譜濾光器 251:上游輻射收集器側 252:下游輻射收集器側 253:掠入射反射器 254:掠入射反射器 255:掠入射反射器 310:目標圖案 320:經量測影像 330:經量測輪廓 510:經模擬輪廓 610:偏移 620:量測座標 630:邊緣置放座標 710:步驟 720:步驟 730:步驟 805:參考影像 810:變換函數 815:經變換之參考影像 820:經變換之經量測影像 825:相關函數 830:偏移 905:設計圖案 910:影像呈現器 915:目標影像 920:影像產生器模型 925:經預測之經量測影像 930:資料庫 1005:經變換之經預測之經量測影像 1010:偏移 1110:第一對準器 1115:判定 1120:輪廓提取器 1125:第二對準器 1130:經對準之經量測影像 1205:影像對 1210:目標影像 1215:經量測影像 1220:經預測之經量測影像 1230:輸入層 1235:輸出層 1305:影像捕捉器件 1310:目標影像 1315:經量測影像 1320:對準器 1410:操作 1420:操作 1430:操作 1510:操作 1520:操作 1530:操作 1610:操作 1620:操作 1630:操作 1640:操作 1650:操作 1660:操作 1710:操作 1720:操作 1730:操作 1740:操作 1750:操作 2310:基板 2312:基板台 2320:電子束檢測裝置 2322:電子源 2324:初級電子束 2326:聚光透鏡 2328:光束偏轉器 2330:E×B偏轉器 2332:物鏡 2334:二次電子偵測器 2336:類比/數位(A/D)轉換器 2350:影像處理系統 2354:顯示器 2356:記憶體/儲存媒體 2358:處理單元 2800:機器學習模型/影像產生器模型 2815:目標影像 2825:經預測之經量測影像 2900:影像對準器模型 2920:給定經量測影像 3020:經量測影像 3030:經模擬或經預測之目標影像 3115:給定目標影像 3201:第一模組 3202:第二模組 3210:第一產生器模型 3215:第一鑑別器模型 3220:第二產生器模型 3225:第二鑑別器模型 3250:輸入目標影像 3251:循環目標影像 3255:經預測之經量測影像 3260:參考經量測影像 3261:循環經量測影像 3265:經預測目標影像 3310:操作 3320:操作 3410:操作 3420:操作 3421:操作 3422:操作 3423:操作 3424:操作 3430:操作 3440:操作 3441:操作 3442:操作 3443:操作 3444:操作 3510:操作 3520:操作 3610:操作 3620:操作 3630:操作 3640:操作 3650:操作 3660:操作 AD:調整構件 B:輻射光束 BD:光束遞送系統 BS:匯流排 C:目標部分 CC:游標控制件 CI:通信介面 CO:聚光器 DS:顯示器 HC:主機電腦 ID:輸入器件 IF:干涉量測構件/虛擬源點/中間焦點 IL:照明系統/照明光學件單元 IN:積光器 INT:網際網路 LA:雷射 LAN:區域網路 LPA:微影投影裝置 M1:圖案化器件對準標記 M2:圖案化器件對準標記 MA:圖案化器件 MM:主記憶體 MT:第一物件台/圖案化器件台 NDL:網路鏈路 O:光軸 P1:基板對準標記 P2:基板對準標記 PM:第一定位器 PRO:處理器 PS:物件/投影系統 PS1:位置感測器 PS2:位置感測器 PU:處理器 ROM:唯讀記憶體(ROM) PW:第二定位器 S:照明光點 SD:儲存器件 SO:源收集器模組 W:基板 WT:第二物件台/基板台

併入本說明書中且構成本說明書之一部分之隨附圖式展示本文中所揭示之主題的某些態樣，且與[實施方式]一起有助於解釋與所揭示實施例相關聯之一些原理。在該等圖式中，

圖1說明根據一實施例的微影投影裝置之各種子系統的方塊圖。

圖2說明根據一實施例的用於模擬微影投影裝置中之微影的例示性流程圖。

圖3說明根據一實施例的自印刷圖案之影像獲得的例示性經量測輪廓。

圖4說明根據一實施例的對準經量測輪廓與經模擬輪廓之例示性方法。

圖5說明根據一實施例的判定經量測輪廓與經模擬輪廓之間的偏移之例示性方法。

圖6說明根據一實施例的將經模擬輪廓與經量測輪廓匹配之例示性改良。

圖7說明根據一實施例的校準程序模型之例示性方法。

圖8為根據一實施例的基於頻域之影像對準之實例的方塊圖。

圖9為根據一實施例的用於預測經量測影像之影像產生器的方塊圖。

圖10為根據一實施例的使用頻域對準經量測影像與經預測之經量測影像的方塊圖。

圖11為根據一實施例的使用頻域及空間域來對準經量測影像之方塊圖。

圖12為根據一實施例的訓練影像產生器模型以預測經量測影像之方塊圖。

圖13為根據一實施例的用於訓練影像產生器模型之訓練資料產生的方塊圖。

圖14為根據一實施例的用於產生經預測之經量測影像之程序的流程圖。

圖15為根據一實施例的用於使用頻域對準經量測影像之程序的流程圖。

圖16為根據一實施例的用於使用頻域及空間域執行經量測影像之總體對準之程序的流程圖。

圖17為根據一實施例的用於訓練影像產生器模型以預測經量測影像之程序的流程圖。

圖18為根據一實施例的實例電腦系統之方塊圖。

圖19為根據一實施例的微影投影裝置之示意圖。

圖20為根據一實施例的另一微影投影裝置之示意圖。

圖21為根據一實施例的微影投影裝置之詳細視圖。

圖22為根據一實施例的微影投影裝置之源收集器模組的詳細視圖。

圖23示意性地描繪根據一實施例的電子束檢測裝置之實施例。

圖24示意性地說明根據一實施例的檢測裝置之另一實施例。

圖25示意性地描繪實例檢測裝置及度量衡技術。

圖26示意性地描繪實例檢測裝置。

圖27說明檢測裝置之照明光點與度量衡目標之間的關係。

圖28為根據一實施例的用於預測經量測影像之例示性影像產生器模型的方塊圖。

圖29為根據一實施例的用於對準一對影像之例示性影像對準器模型的方塊圖。

圖30為根據一實施例的用於預測目標影像之例示性影像產生器模型的方塊圖。

圖31為根據一實施例的用於對準一對影像之例示性影像對準器模型的方塊圖。

圖32A為根據一實施例的訓練影像產生器模型以預測經量測影像或目標影像之方塊圖。

圖32B為說明符合各種實施例的循環目標影像之產生的方塊圖。

圖32C為說明根據一實施例的循環經量測影像之產生的方塊圖。

圖33為根據一實施例的訓練經組態以產生經預測之經量測影像之機器學習模型的流程圖。

圖34A為根據一實施例的用於訓練影像產生器模型以產生經預測之經量測影像(及/或經預測目標影像)之另一例示性方法的流程圖。

圖34B為根據一實施例的用於在產生經預測之經量測影像時最小化與機器學習模型之第一模組相關聯的成本函數之例示性方法的流程圖。

圖34C為根據一實施例的用於在產生經預測目標影像時最小化與機器學習模型之第二模組相關聯的成本函數之例示性方法的流程圖。

圖35為根據一實施例的用於產生經預測之經量測影像之例示性程序的流程圖。

圖36為根據一實施例的用於對準經量測影像(或目標影像)之例示性程序的流程圖。

圖37為說明根據一實施例的對準一對目標影像與經量測影像之例示性程序的圖解。

320:經量測影像

905:設計圖案

910:影像呈現器

915:目標影像

920:影像產生器模型

925:經預測之經量測影像

1110:第一對準器

1115:判定

1120:輪廓提取器

1125:第二對準器

1130:經對準之經量測影像

Claims (15)

1. 一種非暫時性電腦可讀媒體，其上經記錄有指令，該等指令在由一電腦執行時實施對準一經量測影像之方法，該方法包含： 獲得(a)與一基板上之一設計圖案相關聯之一經量測影像，及(b)自與該設計圖案相關聯之一目標影像產生的一經預測之經量測影像；及 基於該經量測影像與該經預測之經量測影像之間的一偏移對準該經量測影像與該經預測之經量測影像。
2. 如請求項1之媒體，其中對準該經量測影像包括： 基於該經量測影像與該經預測之經量測影像之一交叉相關性判定該偏移。
3. 如請求項2之媒體，其中該判定該偏移包括：判定其中該相關性之一量度超過一指定臨限值的與該經預測之經量測影像相關聯的座標。
4. 如請求項1之媒體，其中該偏移係基於該經量測影像與該經預測之經量測影像在一頻域中的一正規化交叉相關性予以判定。
5. 如請求項3之媒體，其中該判定該偏移進一步包括：基於該經量測影像與該經預測之經量測影像在一頻域中的一正規化交叉相關性來判定該偏移。
6. 如請求項1之媒體，其中獲得該經預測之經量測影像包括： 藉由使用一機器學習模型獲得該經預測之經量測影像，該機器學習模型經訓練以自該目標影像產生該經預測之經量測影像。
7. 如請求項6之媒體，其中自該機器學習模型獲得該經預測之經量測影像包括： 獲得複數個影像對，其中每一影像對包括a)與該設計圖案相關聯之一訓練目標影像，及b)自一影像捕捉器件獲得且與該訓練目標影像對準之一訓練經量測影像，及 藉由將該複數個影像對用作訓練資料來訓練該機器學習模型。
8. 如請求項7之媒體，其中該訓練包括使用該複數個影像對使得與該經預測之經量測影像之該產生相關聯的一成本函數得以改良，該成本函數判定該經預測之經量測影像與該經量測影像之間的一差。
9. 如請求項8之媒體，其中訓練該機器學習模型係一反覆程序，其中一反覆包括： 判定模型參數使得最小化指示一訓練經預測之經量測影像與該訓練經量測影像之間的一差的該成本函數，其中訓練經預測之經量測影像係基於該訓練目標影像來預測。
10. 如請求項8之媒體，其中訓練該機器學習模型包括： 判定該成本函數，及 運用第二複數個影像對再訓練該機器學習模型直至該成本函數低於一指定臨限值。
11. 如請求項6之媒體，其中該機器學習模型包括一迴旋神經網路(CNN)模型。
12. 如請求項1之媒體，其中經由一度量衡工具獲得該經量測影像。
13. 如請求項12之媒體，其中該度量衡工具係一掃描電子顯微鏡(SEM)且該經量測影像係一SEM影像，且其中該經預測之經量測影像係一經預測SEM影像。
14. 如請求項1之媒體，其進一步包含： 自與該設計圖案相關聯之圖形資料庫系統(GDS)多邊形獲得該目標影像。
15. 如請求項1之媒體，其進一步包含： 藉由將該經量測影像所相關聯之一第一輪廓與該經預測之經量測影像所相關聯之一第二輪廓對準來執行該經量測影像與該經預測之經量測影像的一第二對準。

Images