TW202144904A - 用於判定遮罩圖案及訓練機器學習模型之方法 - Google Patents
用於判定遮罩圖案及訓練機器學習模型之方法 Download PDFInfo
- Publication number
- TW202144904A TW202144904A TW110104636A TW110104636A TW202144904A TW 202144904 A TW202144904 A TW 202144904A TW 110104636 A TW110104636 A TW 110104636A TW 110104636 A TW110104636 A TW 110104636A TW 202144904 A TW202144904 A TW 202144904A
- Authority
- TW
- Taiwan
- Prior art keywords
- pattern
- opc
- target
- difference
- post
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Image Analysis (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
- Electron Beam Exposure (AREA)
Abstract
本文中描述一種用於判定一遮罩圖案之方法及一種用於訓練一機器學習模型之方法。該用於判定一遮罩圖案之方法包括:經由使用待印刷於一基板上之一目標圖案作為一輸入圖案執行一模型來獲得一光學近接校正後(OPC後)圖案;基於該OPC後圖案而判定將印刷於該基板上之一經模擬圖案;且基於該經模擬圖案與該目標圖案之間的一差異而判定該遮罩圖案。該遮罩圖案之該判定包括:基於該差異而修改輸入至該模型之該輸入圖案以使得該差異減小;且使用經修改輸入圖案執行該模型以產生一經修改OPC後圖案,可自該經修改OPC後圖案導出該遮罩圖案。
Description
本文中之描述係關於微影裝置及程序,且更特定言之,係關於用於產生遮罩圖案之方法及用於訓練經組態以產生光學近接校正圖案之機器學習模型之方法。
微影投影裝置可用於例如積體電路(IC)之製造中。在此情況下,圖案化器件(例如,遮罩)可含有或提供對應於IC之個別層的電路圖案(「設計佈局」),且可藉由諸如經由圖案化器件上之電路圖案而輻照已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)的方法將此電路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,電路圖案藉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電路圖案一次性轉印至一個目標部分上;此裝置通常稱作晶圓步進器(wafer stepper)。在通常稱作步進掃描裝置(step-and-scan apparatus)之替代裝置中,投影束在給定參考方向(「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。圖案化器件上之電路圖案之不同部分漸進地經轉印至一個目標部分。一般而言,由於微影投影裝置將具有放大因數M (通常<1),故基板經移動之速度F將為投影光束掃描圖案化器件之速度的因數M倍。可例如自以引用之方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影器件的更多資訊。
在將電路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,諸如曝光後烘烤(PEB)、顯影、硬烘烤,及經轉印電路圖案之量測/檢驗。此工序陣列用作製造器件(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,基板上之每一目標部分中將存在一器件。接著藉由諸如切割或鋸切之技術來使此等器件彼此分離,由此可將個別器件安裝於載體上、連接至接腳等。
如所提及,顯微蝕刻術(microlithography)為IC製造中的中心步驟,其中形成於基板上之圖案界定IC之功能元件,諸如微處理器、記憶體晶片等。類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持續發展,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,此遵循通常稱作「莫耳定律(Moore' s law)」之趨勢。在當前技術狀態下,使用微影投影裝置來製造器件之層,該等微影投影裝置使用來自深紫外線照明源之照明將設計佈局投影至基板上,從而產生尺寸遠低於100 nm (亦即小於來自照明源(例如,193 nm照明源)之輻射的波長之一半)的個別功能元件。
供印刷尺寸小於微影投影裝置之經典解析度限制之特徵的此程序根據解析度公式CD = k1
×λ/NA而通常稱作低k1
微影,其中λ為所採用輻射之波長(當前在大多數情況下為248 nm或193 nm),NA為微影投影裝置中之投影光學器件之數值孔徑,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電路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於微影投影裝置及/或設計佈局。此等步驟包括例如但不限於NA及光學相干設定之最佳化、訂製照明方案、相移圖案化器件之使用、設計佈局中之光學近接校正(OPC,有時亦稱作「光學及程序校正」),或通常定義為「解析度增強技術(RET)」之其他方法。如本文中所使用之術語「投影光學器件」應廣泛地解譯為涵蓋各種類型之光學系統,包括例如折射光學器件、反射光學器件、光圈及反射折射光學器件。術語「投影光學器件」亦可包括用於共同地或單個地引導、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「投影光學器件」可包括微影投影裝置中之任何光學組件,而不管光學組件位於微影投影裝置之光學路徑上之何處。投影光學器件可包括用於在來自源之輻射穿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/或用於在輻射穿過圖案化器件之後塑形、調整及/或投影該輻射的光學組件。投影光學器件通常排除源及圖案化器件。
在一實施例中,提供一種方法,其用於判定待用於一圖案化程序中之一遮罩圖案。該方法包括:經由使用待印刷於一基板上之一目標圖案作為一輸入圖案執行一模型來獲得一光學近接校正後(OPC後)圖案;基於該OPC後圖案而判定將印刷於該基板上之一經模擬圖案;且基於該經模擬圖案與該目標圖案之間的一差異而判定該遮罩圖案。該遮罩圖案之該判定包括:基於該差異而修改輸入至該模型之該輸入圖案以使得該差異減小;且使用經修改輸入圖案執行該模型以產生一經修改OPC後圖案,可自該經修改OPC後圖案導出該遮罩圖案。
此外,提供一種訓練與一圖案化程序相關聯之一機器學習模型的方法。該方法包括:獲得一訓練資料集,其包含(i)與待印刷於一基板上之一目標圖案相關聯的受擾動目標圖案之一集合,及(ii)參考圖案之一集合,每一參考圖案與該受擾動目標圖案集合中之一特定受擾動目標圖案相關聯;以及使用該訓練資料集訓練該機器學習模型以產生一OPC後圖案,使得模型產生的OPC後圖案經調適以匹配於該參考圖案集合中之一特定參考圖案。
此外,提供一種包含指令之非暫時性電腦可讀媒體,該等指令在由一或多個處理器執行時引起包括以下之操作:經由使用待印刷於一基板上之一目標圖案作為一輸入圖案執行一模型來獲得一光學近接校正後(OPC後)圖案;基於該OPC後圖案而判定將印刷於該基板上之一經模擬圖案;且藉由以下操作基於該經模擬圖案與該目標圖案之間的一差異而判定一遮罩圖案:基於該差異而修改輸入至該模型之該輸入圖案以使得該差異減小;且使用經修改輸入圖案執行該模型以產生一經修改OPC後圖案,可自該經修改OPC後圖案導出該遮罩圖案。
此外,提供一種包含指令之非暫時性電腦可讀媒體,該等指令在由一或多個處理器執行時引起包括以下之操作:獲得一訓練資料集,其包含(i)與待印刷於一基板上之一目標圖案相關聯的受擾動目標圖案之一集合,及(ii)參考圖案之一集合,每一參考圖案與該受擾動目標圖案集合中之一特定受擾動目標圖案相關聯;以及使用該訓練資料集訓練該機器學習模型以產生一OPC後圖案,使得模型產生的OPC後圖案經調適以匹配於該參考圖案集合中之一特定參考圖案。
儘管在本文中可特定地參考IC之製造,但應明確地理解,本文中之描述具有許多其他可能應用。舉例而言,其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、液晶顯示器面板、薄膜磁頭等。熟習此項技術者應瞭解,在此等替代應用之上下文中,應認為本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用可分別與更一般術語「遮罩」、「基板」及「目標部分」互換。
在本文件中,術語「輻射」及「光束」用於涵蓋所有類型的電磁輻射,包括紫外線幅射(例如,具有為365、248、193、157或126 nm之波長)及極紫外線輻射(EUV,例如具有介於5至20 nm範圍內之波長)。
如本文中所使用之術語「最佳化(optimizing及optimization)」意謂:調整微影投影裝置,使得微影之結果及/或程序具有更合意的特性,諸如設計佈局在基板上之投影的較高準確度、較大程序窗等。
另外,微影投影裝置可屬於具有兩個或更多個基板台(及/或兩個或更多個圖案化器件台)之類型。在此等「多載物台」器件中,可並行地使用額外台,或可在一或多個台上進行預備步驟,同時將一或多個其他台用於曝光。雙載物台微影投影裝置描述於例如以引用之方式併入本文中的US 5,969,441中。
上文所提及之圖案化器件包含或可形成設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局,此程序常常稱作電子設計自動化(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來設定此等規則。舉例而言,設計規則定義電路器件(諸如閘、電容器等)或互連線之間的空間容許度,以便確保該等電路器件或線彼此不會以非期望的方式相互作用。設計規則限制通常稱作「臨界尺寸(CD)。」可將電路之臨界尺寸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判定經設計電路之總大小及密度。當然,積體電路製造中之目標中之一者為(經由圖案化器件)在基板上如實地再生原始電路設計。
如本文中所使用之術語「遮罩」或「圖案化器件」可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。除了經典遮罩(透射或反射;二元、相移、混合式等)以外,其他此等圖案化器件之實例亦包括:
-可程式化鏡面陣列。此器件之實例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。可使用適合電子構件來執行所需矩陣定址。可例如自以引用之方式併入本文中的美國專利第5,296,891號及第5,523,193號搜集到關於此類鏡面陣列之更多資訊。
-可程式化LCD陣列。此類建構之實例在以引用之方式併入本文中的美國專利第5,229,872號中給出。
作為簡要介紹,圖1說明例示性微影投影裝置10A。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);照明光學器件,其定義部分相干性(表示為均方偏差)且可包括塑形來自源12A之輻射的光學器件14A、16Aa及16Ab;圖案化器件14A;以及透射光學器件16Ac,其將圖案化器件圖案之影像投影至基板平面22A上。投影光學器件之光瞳平面處之可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度的範圍,其中最大可能角度定義投影光學器件之數值孔徑NA=sin(Θmax
)。
在系統之最佳化程序中,可將該系統之優值(figure of merit)表示為成本函數。最佳化程序歸結為找到最小化成本函數之系統的參數(設計變數)集合之程序。成本函數可取決於最佳化之目標而具有任何適合形式。舉例而言,成本函數可為系統之某些特性(評估點)相對於此等特性之預期值(例如,理想值)之偏差的加權均方根(RMS);成本函數亦可為此等偏差之最大值(亦即,最差偏差)。本文中之術語「評估點」應廣泛地解譯為包括系統之任何特性。歸因於系統之實施之實務性,系統之設計變數可限於有限範圍及/或可相互相依。在微影投影裝置之情況下,約束常常與硬體之物理屬性及特性(諸如可調諧範圍,及/或圖案化器件可製造性設計規則)相關聯,且評估點可包括基板上之抗蝕劑影像上的實體點,以及諸如劑量及焦點之非物理特性。
在微影投影裝置中,源提供照明(亦即,光);投影光學器件經由圖案化器件而對照明進行引導及塑形,且將照明引導至基板上。此處,術語「投影光學器件」廣泛地定義為包括可變更輻射光束之波前的任何光學組件。舉例而言,投影光學器件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為基板層級處之輻射強度分佈。曝光基板上之抗蝕劑層,且將空中影像轉印至抗蝕劑層以在其中作為潛伏「抗蝕劑影像(RI)」。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑的溶解度之空間分佈。可使用抗蝕劑模型以自空中影像演算抗蝕劑影像,可在以全文引用之方式併入本文中之共同讓渡之美國專利申請案第12/315,849號中找到此情形之實例。抗蝕劑模型僅係關於抗蝕劑層之屬性(例如,在曝光、PEB及顯影期間發生之化學程序之效應)。微影投影裝置之光學屬性(例如,源、圖案化器件及投影光學器件之屬性)指定空中影像。由於可改變用於微影投影裝置中之圖案化器件,故需要使圖案化器件之光學屬性與至少包括源及投影光學器件的微影投影裝置之其餘部分之光學屬性分離。
圖2中說明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)。投影光學器件模型32表示投影光學器件之光學特性(包括由投影光學器件造成的對輻射強度分佈及/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(包括由給定設計佈局33造成的對輻射強度分佈及/或相位分佈之改變),該設計佈局為圖案化器件上之或藉由圖案化器件而形成之特徵之配置的表示。可自設計佈局模型35、投影光學器件模型32及設計佈局模型35來模擬空中影像36。可使用抗蝕劑模型37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。
更特定而言,應注意,源模型31可表示源之光學特性,該等光學特性包括但不限於NA均方偏差(σ)設定,以及任何特定照明源形狀(例如,離軸輻射源,諸如環形、四極及偶極等)。投影光學器件模型32可表示投影光學器件之光學特性,該等光學特性包括像差、失真、折射率、實體大小、實體尺寸等。設計佈局模型35亦可表示實體圖案化器件之物理屬性,如在例如以全文引用之方式併入本文中的美國專利第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CD,可接著將該等邊緣置放、空中影像強度斜率及CD與預期設計進行比較。預期設計通常經定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供之OPC前設計佈局。
根據此設計佈局,可識別稱作「剪輯(clip)」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(通常為約50個至1000個剪輯,但可使用任何數目個剪輯)。如熟習此項技術者將瞭解,此等圖案或剪輯表示設計之小部分(亦即,電路、胞元或圖案),且特別地,該等剪輯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,或可類似或具有臨界特徵係藉由體驗而識別(包括由客戶提供之剪輯)、藉由試誤法而識別或藉由執行全晶片模擬而識別的設計佈局之部分的類似行為。剪輯通常含有一或多個測試圖案或量規圖案。
可由客戶基於設計佈局中要求特定影像最佳化之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,可藉由使用識別臨界特徵區域之某種自動化(諸如,機器視覺)或手動演算法而自整個設計佈局提取初始較大剪輯集合。
舉例而言,圖案化程序之模擬可預測空中、抗蝕劑及/或蝕刻影像中之輪廓、CD、邊緣置放(例如,邊緣置放誤差)、圖案移位等。亦即,可使用空中影像34、抗蝕劑影像36或蝕刻影像40來判定圖案之特性(例如,圖案之存在、定位(location)、類型、形狀等)。因此,模擬之目標係為了準確地預測例如印刷圖案之邊緣置放及/或輪廓,及/或圖案移位,及/或空中影像強度斜率,及/或CD等。可將此等值與預期設計比較以例如校正圖案化程序,識別預測出現缺陷之地點等。預期設計通常經定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供之OPC前設計佈局。
用以將圖案化器件圖案變換成各種微影影像(例如,空中影像、抗蝕劑影像等)、使用彼等技術及模型來應用OPC且評估效能(例如,依據程序窗)之技術及模型的細節描述於美國專利申請公開案第US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197、2010-0180251及2011-0099526號中,該等美國專利申請公開案中之每一者以全文引用之方式併入本文中。
隨著微影節點保持縮小,需要愈來愈複雜的圖案化器件圖案(為了較佳可讀性而可互換地稱作遮罩) (例如曲線遮罩)。可運用DUV掃描器、EUV掃描器及/或其他掃描器在關鍵層中使用本發明方法。可在包括源遮罩最佳化(SMO)、遮罩最佳化及/或OPC之遮罩最佳化程序的不同態樣中包括根據本發明之方法。舉例而言,以全文引用之方式併入本文中之名稱為「Optimization Flows of Source, Mask and Projection Optics」之美國專利第9,588,438號中描述了源遮罩最佳化程序。
在一實施例中,圖案化器件圖案為包括具有多邊形形狀之曲線SRAF之曲線遮罩,與在具有矩形或階梯狀形狀的曼哈頓(Manhattan)圖案中相對。與曼哈頓圖案相比,曲線遮罩可在基板上產生更準確的圖案。然而,曲線SRAF之幾何形狀、其相對於目標圖案之定位或其他相關參數可產生製造限定,此係由於此類曲線形狀可能不適用於製造。因此,設計者在遮罩設計程序期間可能不考慮此類限定。關於在製造曲線遮罩時之限制及挑戰的詳細論述提供於Spence等人之「Manufacturing Challenges for Curvilinear Masks」(Proceeding of SPIE 第10451卷, Photomask Technology, 1045104 (2017年10月16日); doi:10.1117/12.2280470)中,其以全文引用之方式併入本文中。
光學近接校正(OPC)為通常用於補償由繞射及程序效應導致之影像誤差的微影增強技術。現有的以模型為基礎之OPC通常由若干步驟組成,包括:(i)導出包括規則再靶向之晶圓目標圖案;(ii)置放次解析輔助特徵(SRAF);以及(iii)執行包括模型模擬之反覆校正(例如,藉由演算晶圓上之強度圖)。模型模擬之最耗時的部分為基於遮罩規則檢查(MRC)之以模型為基礎之SRAF產生及清除,以及遮罩繞射、光學成像及抗蝕劑顯影之模擬。
OPC模擬中之挑戰中的一者為執行時間及準確度。通常,結果愈準確,OPC流程就愈慢。為了得到較佳程序窗,在每一OPC反覆中需要在不同條件(標稱條件、散焦條件、劑量不足條件)下之較多模型模擬。另外,包括的圖案化程序相關模型愈多,則需要愈多的反覆以使OPC結果收斂至目標圖案。由於需要處理之大量資料(晶片上之數十億個電晶體),因此執行時間要求對OPC相關演算法之複雜度強加嚴格約束。另外,隨著積體電路之縮小繼續,準確度要求變得更嚴厲。因而,需要新的演算法及技術來解決此等挑戰。舉例而言,需要不同的解決方案例如以用於以多邊形為基礎之OPC。舉例而言,本發明提供用於判定OPC後佈局之方法。該等方法在維持高速度的同時提供了高準確度,並且簡化OPC後佈局。
在一實施例中,可自採用層級集合方法以產生初始遮罩圖案之曲線形狀的連續透射遮罩(CTM+)程序(CTM程序之擴展)獲得曲線遮罩圖案。早先所提及之美國專利第8,584,056號中論述了CTM程序之實例。在一實施例中,CTM+程序涉及用於使用任何適合之方法基於初始遮罩圖案(或大體而言遮罩圖案)之輔助特徵之一部分或一或多個特性來判定該初始遮罩圖案之該等輔助特徵的一或多個特性。舉例而言,輔助特徵之一或多個特性可使用美國專利第9,111,062號中所描述或Y. Shen等人的「Level-Set-Based Inverse Lithography For Photomask Synthesis」(Optics Express, 第17卷, 第23690-23701頁(2009))所描述的方法來判定,該等專利之揭示內容以全文引用之方式併入本文中。舉例而言,一或多個特性可包括輔助特徵之一或多個幾何特性(例如,絕對定位、相對定位或形狀)、輔助特徵之一或多個統計特性,或輔助特徵之參數化。輔助特徵之統計特性的實例可包括輔助特徵之幾何尺寸之平均值或方差。
習知OPC使用多變數求解程序或單變數求解程序藉由將經模擬晶圓輪廓與所要目標輪廓之間的差異傳回遮罩平面來對遮罩多邊形執行反覆校正。為了實現良好程序窗,應用用於多個程序窗條件(例如,劑量-焦點變化)之微影模擬以判定遮罩圖案。此程序進行若干次反覆以收斂至最終遮罩圖案。
另一方面,逆OPC通常使用以梯度為基礎之求解程序。逆OPC程序採用經最小化之成本函數。成本函數包含不同程序條件下之邊緣置放誤差。相比於習知OPC,逆OPC程序進行待收斂之更多反覆。逆OPC處理嵌塊中之設計佈局,且對於每一嵌塊,可產生曲線多邊形形狀。跨嵌塊邊界合併曲線形狀具有挑戰性,其中藉由反覆演算法分別地處理每一嵌塊以合併曲線遮罩形狀,從而產生最終遮罩圖案。
可開發基於深度學習的方法以訓練機器學習模型加速習知或逆OPC。通常訓練深度學習模型(例如,深度卷積神經網路(DCNN))以將目標圖案轉換為遮罩圖案。可出於訓練目的訓練由基線OPC演算法產生的樣本。此深度學習模型可能不完美,但可提供最終遮罩圖案之良好近似。深度學習模型僅需要少許反覆(亦即,顯著小於習知OPC或逆OPC演算法),藉此大體上加速遮罩圖案產生程序。然而,另外,微影模擬與多個程序窗條件一起使用,尤其在最終若干次反覆中。微影模擬之多變數求解程序亦為耗時的,因此其可仍花費大量計算時間來達成最終收斂結果,亦即,最終遮罩圖案。
在本發明中,提供一種用於產生遮罩圖案之方法。本文中之新遮罩產生流程可能進一步加速逆OPC。其修改輸入圖案(例如,具有對應於設計佈局之曼哈頓多邊形的圖案),該輸入圖案類似於OPC中常常使用之再靶向。舉例而言,用於OPC前佈局之以規則為基礎之再靶向的一種方法包括選擇性偏置及圖案移位。此方法可藉由選擇性地改變OPC軟體用作所要最終結果之目標邊緣置放改良用於某些臨界特徵之完整程序窗效能,同時仍僅在標稱程序條件下演算OPC校正。在本發明中,流程使用經預先訓練之模型將經修改輸入圖案(例如,再靶向OPC前佈局)轉換回至遮罩平面。對輸入圖案之修改意欲補償逆模型之缺陷,從而導致經模擬晶圓輪廓與目標輪廓之間的更快收斂。本文中所描述之方法可潛在地改良運行時間且在不犧牲程序窗的情況下解決逆OPC中的邊界合併問題。
圖3A為用於判定待用於圖案化程序之遮罩圖案之方法300的流程圖。在一實施例中,遮罩圖案可廣泛地稱作圖案化器件圖案。在一實施例中,方法300包括如下文所論述之工序。
工序P301包括經由使用待印刷於基板上之目標圖案302作為輸入圖案執行模型304來獲得光學近接校正後(OPC後)圖案310。在一實施例中,模型304為經組態以產生用於輸入圖案(例如,302)之OPC後圖案310的經訓練機器學習模型304。在一實施例中,使用例如本文中所論述的圖7A之方法700來訓練經訓練機器學習模型。
在一實施例中,輸入圖案可為與設計佈局或經偏置設計佈局之目標圖案302相關聯的表示為影像(例如,像素化影像)或影像資料(例如,像素定位及強度)之資料。
在一實施例中,OPC後圖案310可為表示為影像(例如,像素化影像)或影像資料(例如,像素定位及強度)之資料。在一實施例中,OPC後圖案310包括圖案資料,例如主要特徵資料及(視情況存在之)輔助特徵資料。主要特徵係指OPC後圖案內之對應於設計佈局之目標特徵的特徵。在一實施例中,主要特徵資料及輔助特徵資料可分離。在一實施例中,主要特徵資料及輔助特徵資料可表示為兩個不同影像或以組合形式表示為單個影像。在一實施例中,模型304為卷積神經網路(CNN)。
在一實施例中,獲得OPC後圖案310涉及獲得與對應於設計佈局之目標特徵的主要特徵之幾何形狀(例如,多邊形形狀,諸如方形、矩形或環形等)相關的資料。類似地,但視情況,亦可獲得輔助特徵之幾何形狀。舉例而言,可執行OPC後影像310之影像處理以提取設計佈局之幾何形狀,或OPC後影像。
在一實施例中,可對幾何形狀資料執行光柵化操作以產生影像表示。舉例而言,光柵化操作將幾何形狀(例如,呈向量圖形格式)轉換成像素化影像。在一實施例中,光柵化可進一步涉及應用低通濾波器以明確識別特徵形狀且減少雜訊。
工序P303包括基於OPC後圖案310而判定將印刷於基板上之經模擬圖案313。在一實施例中,經模擬圖案313可表示為影像或影像資料。在一實施例中,經模擬圖案313藉由使用OPC後圖案310或經修改OPC後圖案(例如,圖3B中之323)執行圖案化程序之程序模型以產生經模擬圖案313來判定。在一實施例中,程序模型可為微影相關程序之模型,例如顯影後程序模型。在一實施例中,經模擬圖案313可為顯影後影像。舉例而言,程序模型為抗蝕劑模型且經模擬圖案313為抗蝕劑圖案。相對於圖2論述額外模擬模型及所得經模擬輸出(例如,抗蝕劑圖案)。
在一實施例中,經模擬圖案313亦包括與可印刷於基板上之圖案之幾何形狀相關的資訊。可藉由用作邊緣偵測演算法之影像處理來提取此類幾何形狀資訊。
本發明不限於特定程序模型。可理解,程序模型(例如,圖2中所論述之抗蝕劑模型、蝕刻模型)之一或多個組合可用於產生經模擬圖案。因此,方法300可經修改以包括一或多個顯影後模型及由其產生之經模擬圖案。
工序P305包括基於經模擬圖案313與目標圖案302之間的差異而判定遮罩圖案315。在一實施例中,遮罩圖案315之判定包括基於差異而修改輸入至模型304之輸入圖案(例如,第一反覆中之302或後續反覆中之311),使得差異減小。使用經修改輸入圖案(例如,321),可執行模型304以產生經修改OPC後圖案(例如,圖3B中之323),可自該經修改OPC後圖案導出遮罩圖案315。舉例而言,可例如經由影像處理提取主要特徵及(視情況存在之)輔助特徵之幾何形狀,如本文中所論述。
相對於圖3B詳細地闡述用於判定遮罩圖案315之工序P305之實例實施。在一實施例中,遮罩圖案315之判定為反覆程序,每一反覆包含工序P311、P313、P303、P317及P319。在一實施例中,可執行預定數目次反覆。在一實施例中,反覆在經模擬圖案(例如,313或323)與目標圖案302之間的差異最小化之後停止。
工序P311包括使用經模擬圖案313與目標圖案302之間的差異327之梯度來修改輸入圖案311之至少一部分。輸入圖案311之修改減小(或在一個實施例中,最小化)目標圖案302與經模擬圖案313之間的差異。差異327之梯度指示如何修改目標圖案302以減小或最小化差異327。
在一實施例中,輸入圖案311之至少一部分包含對應於目標圖案302內之目標特徵的輪廓(亦稱作幾何形狀)。在一實施例中,修改輸入圖案311之工序P311包括基於差異327之梯度而修改輸入圖案311之輪廓以減小目標輪廓與經模擬輪廓之間的差異327,梯度指示如何修改輸入圖案311之輪廓以減小或最小化差異327。
在一實施例中,修改輸入圖案311之工序P311包括將控制點指派於目標輪廓上,且基於差異327之梯度調整輸入圖案311內之一或多個控制點之位置以使得差異327減小或最小化。在一實施例中,梯度為差異327相對於控制點之差分。梯度指示差異327中的由控制點之位置中之改變而導致的改變。
工序P313包括使用經修改輸入圖案321執行經訓練機器學習模型304以產生經修改OPC後圖案323。工序P303包括使用經修改OPC後圖案323作為輸入判定經模擬圖案325。可理解,隨著輸入圖案改變,經模擬圖案325可改變。因此,在每一反覆處,經模擬圖案325可相對不同。
工序P317包括判定經模擬圖案325與目標圖案302之間的差異327是否減小或最小化。在一實施例中,工序P317基於圖案之輪廓而判定經模擬圖案325與目標圖案302之間的差異327。舉例而言,判定目標圖案302之目標輪廓(例如,幾何形狀)與經模擬圖案313之經模擬輪廓(例如,幾何形狀)之間的差異327。
回應於差異327減小或最小化,工序P319包括自經修改OPC後圖案323提取多邊形形狀以產生遮罩圖案315。如本文中所提及,目標圖案302、OPC後圖案及/或經修改OPC後圖案323可為灰度像素化影像。
在一實施例中,自經修改OPC後圖案323提取多邊形形狀包括經由定限處理經修改OPC後圖案323之影像以偵測與經修改OPC後圖案323內之一或多個特徵相關聯的邊緣。舉例而言,定限包括指示影像內之邊緣或輪廓的預定像素強度臨限值。在一實施例中,像素強度值可介於0至1、0至100等範圍內。舉例而言,若範圍為0至1,則像素強度臨限值可為0.8,指示將具有大於0.8之像素強度之任何像素視為輪廓之一部分。此外,工序P319包括使用一或多個特徵之邊緣產生遮罩圖案315。
如早先所提及,OPC後圖案310或經修改OPC後圖案323包括對應於目標特徵之主要特徵。視情況,OPC後圖案310或323包括位於主要特徵周圍之至少一個輔助特徵。在一實施例中,所提取多邊形包括與主要特徵及視情況存在之至少一個輔助特徵相關聯的多邊形。
在OPC後圖案310包括一或多個輔助特徵之情況下,在使用經修改輸入圖案321時,在經訓練機器學習模型304之第二或後續執行中並不修改此等輔助特徵。舉例而言,如早先所提及,輔助特徵可固定或處於單獨影像中,該單獨影像可與包括主要特徵之OPC後影像組合。舉例而言,如圖9A中所展示,輸入圖案包括複數個目標特徵(例如,矩形T1、T2),其中每一目標特徵由曲線SRAF包圍。而圖9B展示實例OPC後圖案(例如,CTM+),其具有亦稱作主要特徵之經修改目標特徵(例如,X形),具有與圖9A中相同的曲線SRAF。因此,在一實施例中,在SRAF固定時,僅修改對應於目標特徵之主要特徵。
在一實施例中,可修改固定輔助特徵(例如,SRAF)。舉例而言,在提取多邊形步驟中,可基於遮罩規則檢查(MRC)及旁瓣印刷檢查而修改輔助特徵。因此,輔助特徵可在提取多邊形步驟中改變,但輔助特徵可在應用機器學習模型以產生OPC後圖案時仍保持固定。舉例而言,在一實施例中,經訓練機器學習模型304可產生經修改主要圖案,其可進一步藉由輔助特徵補充或與輔助特徵組合(例如,基於MRC而修改)。在一實例中,經訓練機器學習模型304可產生經修改主要圖案及新輔助特徵,此等新輔助特徵可由經修改輔助特徵替換(例如,基於MRC而修改)。
圖4說明根據本文中所論述的方法300產生遮罩圖案之實例。如方法300中所論述,輸入圖案410可包括對應於目標特徵之特徵。在第一反覆中,輸入圖案410可為目標圖案410。輸入圖案410可輸入至經訓練機器學習模型(例如,模型304)以產生OPC後圖案420。在本實例中,OPC後圖案420為曲線圖案,其表示為曲線多邊形形狀。此外,OPC後圖案420輸入至程序模型(例如,抗蝕劑模型)以產生經模擬圖案430。在本實例中,經模擬圖案430表示為曲線多邊形。經模擬圖案430上覆於目標特徵410上以用於比較經模擬圖案430匹配於目標特徵410之緊密程度。在一實施例中,計算圖案430與410之間的差異。基於該差異,修改輸入圖案以產生經修改輸入圖案410'。同樣,使用經修改輸入圖案410'執行經訓練機器學習模型以產生不同的OPC後圖案420'。OPC後圖案420'進一步經由程序模型產生經模擬圖案430'。在一實施例中,可判定經模擬圖案430'與目標圖案410之間的差異。在此情況下,將OPC後圖案420'視為最終圖案。在一實施例中,自此OPC後圖案420'提取遮罩圖案。舉例而言,遮罩圖案包括多邊形形狀430',該多邊形形狀430'用以製造遮罩且在微影裝置(例如,圖1)中進一步用以將目標圖案410印刷於基板上。
在一實施例中,圖5及圖6說明用以產生OPC圖案之現有機器學習模型之實例問題。舉例而言,現有CNN可為非單調的,且目標中之小擾動可導致例如抗蝕劑輪廓中之相對較大改變。因此,本發明在圖7A及圖7B中描述用於訓練機器學習模型之改良的訓練方法,使得經訓練機器學習模型即使在目標輪廓略有變化之情況下亦產生更穩定之例如RI輪廓。
圖5說明經組態以自任何輸入圖案產生OPC圖案的現有經訓練機器學習模型(例如,經訓練CNN)的非單調行為。根據本發明之一實施例,CNN模型之非單調行為指示諸如經偏置目標圖案之輸入圖案的大小增大導致由經訓練CNN模型產生之OPC圖案的大小減小。在一實例中,改變相對大小係指相對於目標輪廓增大或減小目標輪廓之一部分。在一實施例中,相對大小可在周長、面積或其他幾何屬性方面增大或減小。
在一個實例中,相對於目標圖案510,經偏置圖案510'在左側邊緣處具有增大的大小。使用此經偏置圖案510'作為輸入,經訓練CNN模型產生OPC圖案520'。在使用OPC圖案520'執行抗蝕劑模型(或其他微影相關程序模型)時,抗蝕劑模型產生抗蝕劑輪廓530'。相較於目標圖案510,抗蝕劑輪廓530'的邊緣向內縮且大小減小,而目標圖案510經偏置以增大大小,例如經偏置圖案510'。
在另一實例中,相對於目標圖案510,經偏置圖案510''在左側邊緣處具有減小的大小。使用此經偏置圖案520''作為輸入,經訓練CNN模型產生不同的OPC圖案520''。在使用OPC圖案520''執行抗蝕劑模型(或其他微影相關程序模型時),抗蝕劑模型產生抗蝕劑輪廓530''。在此情況下,抗蝕劑輪廓530''更接近於目標圖案510之邊緣,而目標圖案510經偏置以減小大小,例如經偏置圖案510''。
比較OPC圖案520'及520''展示雖然目標圖案510可經偏置以增大(或減小)大小,但此等改變並不經由經訓練CNN模型單調地轉變。同時,比較520'及530'',相對較小的OPC圖案520'導致相對較小的抗蝕劑輪廓530',且相對較大的OPC圖案520''導致相對較大的抗蝕劑圖案530''。因此,由用以產生OPC圖案之經訓練CNN使用的輸入圖案中的小擾動可導致非所要抗蝕劑輪廓(例如,抗蝕劑輪廓並不緊密地遵循目標圖案)。因此,需要產生更穩定及可靠的輸出之經訓練CNN模型,使得可模擬相對穩定及可靠的抗蝕劑輪廓。
圖6說明目標上之小偏置導致現有CNN模型產生最終導致相對較大RI輪廓改變的OPC圖案。圖6說明實例目標輪廓610及略微偏置的目標輪廓610'。在一實例中,初始目標輪廓610之一或多個邊緣可偏置(例如,移動或修改)幾奈米。經偏置目標圖案610'可用於產生OPC圖案,可自該OPC圖案導出遮罩圖案。舉例而言,經組態以使用任何輸入圖案產生OPC圖案之經訓練CNN模型可用於產生OPC圖案,諸如OPC圖案620。對於甚至輸入圖案中之小改變,OPC圖案620顯著改變。舉例而言,在圖案620中觀察時,曲線變化如此大以使得可形成單個大多邊形形狀,或可回應於輸入圖案(例如,目標圖案610)中之小偏置而產生兩個單獨多邊形形狀。在OPC圖案620進一步用作程序模型(例如,圖2之抗蝕劑模型,任何其他微影,或任何顯影後模型)之輸入時,程序模型產生經模擬圖案630 (例如,抗蝕劑圖案)。因此,取決於OPC圖案620中之變化,所得經模擬圖案630 (例如,抗蝕劑圖案)將改變。舉例而言,在一實例中,經模擬圖案630可緊密地遵循目標輪廓610。在另一實例中,經模擬圖案630可回應於由目標輪廓610之不同偏置產生之不同OPC圖案620'而包括額外部分,諸如部分631。經模擬圖案630 (例如,抗蝕劑圖案)中之此較大改變為非所要的,此係由於其在例如遮罩最佳化程序期間變得難以收斂至唯一遮罩圖案。
圖7A及圖7B為訓練與圖案化程序相關聯之機器學習模型710之方法700的實例流程圖。方法700包括實例工序P701及P703,其可實施以訓練機器學習模型710判定OPC圖案,該OPC圖案可進一步用以導出遮罩圖案。在訓練程序結束時,將模型710稱作經訓練機器學習模型710'。藉助於實例,機器學習模型710為卷積神經網路(CNN),且參數為CNN之一或多個權重。然而,本發明不限於特定類型的機器學習模型710。
工序P701包括獲得訓練資料集,該訓練資料集包含:(i)與待印刷於基板上之目標圖案相關聯的受擾動目標圖案之集合701,及(ii)參考圖案之集合702,每一參考圖案與受擾動目標圖案集合中之特定受擾動目標圖案相關聯。舉例而言,受擾動目標圖案集合701包括對應於單個目標圖案之第一受擾動圖案、第二及第三受擾動圖案。參考圖案集合702 (未展示)可包括分別針對第一、第二及第三受擾動圖案獲得的第一、第二及第三參考圖案。
圖8說明其間具有微小變化的三個不同受擾動目標圖案801、802及803。受擾動目標圖案801、802及803由單個目標圖案(未展示)產生。舉例而言,可藉由擾動或偏置目標圖案之頂部邊緣來獲得第一受擾動圖案,可藉由擾動或偏置目標圖案之側邊緣來獲得第二受擾動圖案,且可藉由擾動或偏置目標圖案之底部邊緣來獲得第三受擾動圖案。可理解,目標圖案之擾動或偏置不限於目標圖案之特定部分。另外,可同時擾動一或多個部分。在一實施例中,受擾動圖案801、802及803可表示為灰度像素化影像,其中像素強度指示邊緣是否存在。在一實施例中,受擾動圖案影像可藉由例如GDS檔案中之多邊形形狀之光柵化來產生。可藉由改變沿著例如目標特徵之輪廓(具有X標記之實線輪廓)置放之控制點(X標記)的位置來擾動受擾動圖案801、802及803中之每一者。
圖8亦說明藉由執行OPC產生程序而產生的實例CTM+影像(亦稱作CTM+映圖)。OPC產生程序之實例更詳細地論述於美國專利第8,584,056號、美國專利第9,111,062號中或描述於Y. Shen等人的「Level-Set-Based Inverse Lithography For Photomask Synthesis」(Optics Express, 第17卷, 第23690-23701頁(2009))中,該等專利之揭示內容以全文引用之方式併入本文中。為了簡便起見,並不詳細地論述現有OPC產生程序之細節。在本實例中,使用受擾動圖案801產生CTM+影像811,使用受擾動圖案802產生CTM+影像812,且使用受擾動圖案803產生CTM+影像813。觀察到每一CTM+影像大體上展示例如每一影像811、812及813之區R1及R2中之不同輔助特徵。此等CTM+影像進一步用以提取遮罩圖案。此指示甚至針對輸入圖案中之小擾動(例如,表示為輸入影像801)可產生不同遮罩圖案。
在一實施例中,獲得訓練資料集之工序P701包括:藉由使用目標圖案作為輸入圖案執行OPC程序來產生參考圖案(例如,CTM、CTM+);擾動目標圖案之至少一部分以產生複數個受擾動目標圖案;且經由使用複數個受擾動目標圖案作為輸入執行OPC程序來產生複數個參考圖案。如本文中所提及,目標圖案之擾動包含使目標圖案之邊緣之至少一部分偏置。在一實施例中,擾動可為隨機擾動。舉例而言,目標圖案之隨機選擇部分偏置大約一奈米之隨機值。
在一實施例中,參考圖案為OPC後圖案,該OPC後圖案包括對應於目標圖案之目標特徵的主要特徵。在一實施例中,參考圖案對應於受擾動圖案。舉例而言,在圖8中,每一受擾動圖案801、802及803包括目標特徵(深色/黑色部分或矩形形狀),且CTM+圖案811、812及813中之每一者分別包括對應於受擾動圖案801、802及803之目標特徵的主要特徵。
在一實施例中,訓練資料集之獲得進一步包括:自與目標圖案相關聯之參考圖案提取至少一個輔助特徵;且經由使用複數個受擾動目標圖案(例如,801、802、803)作為輸入執行OPC程序且使所提取輔助特徵保持固定來產生複數個參考圖案。複數個參考圖案中之每一參考圖案具有相同所提取輔助特徵。
在一實例中,參考圖案集合702中之每一參考圖案為光學近接校正後(OPC後)圖案之經修改版本,其中OPC後圖案經修改以包括圍繞各別參考圖案之主要特徵的相同輔助特徵。舉例而言,參考圖案可藉由以下而產生:(i)自CTM+圖案811、812及813提取主要特徵;(ii)自使用未受擾動目標圖案(未展示)而產生之CTM+圖案提取輔助特徵(例如,SRAF);且(iii)圍繞(i)之主要特徵置放(ii)之輔助特徵,使得每一參考圖案具有相同輔助特徵。
在一實施例中,提取主要特徵或輔助特徵包含自OPC後圖案提取多邊形形狀。舉例而言,提取包括定限影像(例如,CTM+影像)以偵測與OPC後圖案內之一或多個主要特徵及/或一或多個輔助特徵相關聯的邊緣。
工序P703包括使用訓練資料集訓練機器學習模型710以產生OPC後圖案,使得模型產生的OPC後圖案經調適以匹配於參考圖案集合702中之特定參考圖案。在一實施例中,模型產生的OPC後圖案與特定參考圖案之間的匹配為一致的。在一實施例中,匹配可大於95%,或較佳地大於99%。
在一實施例中,機器學習模型710之訓練為反覆程序。在一實施例中,每一反覆包括工序P711、P713及P713。工序P711包括使用受擾動圖案集合701中之受擾動目標圖案作為輸入執行機器學習模型710,以產生OPC後圖案721。工序P713包括判定與受擾動目標圖案相關聯的模型產生的OPC後圖案721與參考圖案集合702中之參考圖案之間的差異723。工序P715包括基於差異723而修改機器學習模型710之參數725,使得差異723減小或最小化。在一實施例中,機器學習模型710 (例如CNN)之參數725包括與例如CNN之一或多個層相關聯的一或多個權重及/或偏置。
在一實施例中,基於模型產生的OPC後圖案與參考圖案之間的差異723的梯度下降而調整機器學習模型710之權重。在一實施例中,可基於最小化差異723之其他最佳化方法而調整權重。熟習此項技術者可理解,本發明不限於梯度下降方法,且可使用可指導如何調整權重以使得縮減經預測影像與參考影像之間的差異之其他適當方法。在一實施例中,執行訓練直至最小化經預測影像與參考影像之間的差異。
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,第一組合包括使用目標圖案或分別產生的OPC後圖案判定遮罩圖案。第二組合藉由自經由經訓練機器學習模型產生之OPC後圖案提取多邊形來判定遮罩圖案。在另一組合中,微影裝置包含使用如本文中所論述而判定之遮罩圖案之遮罩製造。
在一實施例中,本文中所論述之方法(例如,300及700)可提供為其上記錄有指令的電腦程式產品或非暫時性電腦可讀媒體,該等指令在由電腦執行時,實施上文所論述之方法300及700之操作。
舉例而言,圖14中之實例電腦系統100包括包含指令之非暫時性電腦可讀媒體(例如,記憶體),該等指令在由一或多個處理器(例如,104)執行時引起包括之操作
在一實施例中,一種非暫時性電腦可讀媒體包含在由一或多個處理器執行時引起包含以下之操作之指令:經由使用待印刷於基板上之目標圖案作為輸入圖案執行模型來獲得光學近接校正後(OPC後)圖案;基於OPC後圖案而判定將印刷於基板上之經模擬圖案;且基於經模擬圖案與目標圖案之間的差異而判定遮罩圖案。判定遮罩圖案包含:基於差異而修改輸入至模型之輸入圖案以使得差異減小;且使用經修改輸入圖案執行模型以產生經修改OPC後圖案,可自該經修改OPC後圖案導出遮罩圖案。
在一實施例中,模型為經組態以產生用於輸入圖案之OPC後圖案的經訓練機器學習模型。
在一實施例中,遮罩圖案之判定為反覆程序,每一反覆包含:基於差異之梯度而修改輸入圖案之至少一部分以減小目標圖案與經模擬圖案之間的差異,該梯度指示如何修改目標圖案以減小或最小化差異;使用經修改輸入圖案執行經訓練機器學習模型以產生經修改OPC後圖案;基於經修改OPC後圖案而判定經模擬圖案;判定經模擬圖案與目標圖案之間的差異是否減小或最小化;且回應於差異減小或最小化,自經修改OPC後圖案提取多邊形形狀以產生遮罩圖案。
在一實施例中,輸入圖案之至少一部分包含對應於目標圖案內之目標特徵的輪廓。
在一實施例中,經模擬圖案及目標圖案差異之判定包含:判定目標圖案之目標輪廓與經模擬圖案之經模擬輪廓之間的差異。
在一實施例中,輸入圖案之修改包含:基於差異之梯度而修改輸入圖案之輪廓以減小目標輪廓與經模擬輪廓之間的差異,該梯度指示如何修改輸入圖案之輪廓以減小或最小化差異。
在一實施例中,輸入圖案之修改包含:將控制點指派於目標輪廓上;且基於差異之梯度而調整一或多個控制點之位置,使得差異減小或最小化。
在一實施例中,梯度為差異相對於控制點之差分,該梯度指示差異中的由控制點之位置中之改變而導致的改變。
在一實施例中,經模擬圖案之判定包含:使用OPC後圖案或經修改OPC後圖案執行圖案化程序之程序模型以產生經模擬圖案。
在一實施例中,自經修改OPC後圖案提取多邊形形狀包含:經由定限處理經修改OPC後圖案之影像以偵測與經修改OPC後圖案內之一或多個特徵相關聯的邊緣;且使用一或多個特徵之邊緣產生遮罩圖案。
在一實施例中,OPC後圖案或經修改OPC後圖案包含:對應於目標特徵之主要特徵,及視情況存在之位於主要特徵周圍的至少一個輔助特徵。
在一實施例中,在使用經修改輸入圖案時,在經訓練機器學習模型之第二或後續執行中並不修改至少一個輔助特徵。
在一實施例中,所提取多邊形包括與主要特徵及視情況存在之至少一個輔助特徵相關聯的多邊形。
在一實施例中,目標圖案、OPC後圖案及/或經修改OPC後圖案為灰度像素化影像。
在一實施例中,程序模型為顯影後程序模型,且經模擬圖案一顯影後影像。
在一實施例中,程序模型為抗蝕劑模型且經模擬圖案為抗蝕劑圖案。
在一實施例中,一種非暫時性電腦可讀媒體包含在由一或多個處理器執行時引起包含以下之操作之指令:獲得訓練資料集,其包含(i)與待印刷於基板上之目標圖案相關聯的受擾動目標圖案之集合,及(ii)參考圖案之集合,每一參考圖案與受擾動目標圖案集合中之特定受擾動目標圖案相關聯;且使用訓練資料集訓練機器學習模型以產生OPC後圖案,使得模型產生的OPC後圖案經調適以匹配於參考圖案集合中之特定參考圖案。
在一實施例中,訓練資料集之獲得包含:經由使用目標圖案作為輸入執行OPC程序來產生參考圖案,該參考圖案為包含對應於目標圖案之目標特徵之主要特徵的OPC後圖案;擾動目標圖案之至少一部分以產生複數個受擾動目標圖案;且經由使用複數個受擾動目標圖案作為輸入執行OPC程序來產生複數個參考圖案。
在一實施例中,機器學習模型之訓練為反覆程序,每一反覆包含:使用受擾動圖案集合中之受擾動目標圖案作為輸入來執行機器學習模型以產生OPC後圖案;判定與受擾動目標圖案相關聯之模型產生的OPC後圖案與參考圖案集合中之參考圖案之間的差異;且基於差異而修改機器學習模型之參數,使得差異減小或最小化。
在一實施例中,機器學習模型為卷積神經網路(CNN),且參數為CNN之一或多個權重。
在一實施例中,模型產生的OPC後圖案與特定參考圖案之間的匹配為一致的。
在一實施例中,作為光學近接校正後(OPC後)圖案之每一參考圖案包括相同輔助特徵。
在一實施例中,訓練資料集之獲得進一步包含:自參考圖案提取至少一個輔助特徵;且經由使用複數個受擾動目標圖案作為輸入執行OPC程序且使所提取輔助特徵保持固定來產生複數個參考圖案,其中複數個參考圖案中之每一參考圖案具有所提取輔助特徵。
應注意,可在本文中互換地利用術語「遮罩」、「倍縮光罩」、「圖案化器件」。另外,熟習此項技術者應認識到,尤其是在微影模擬/最佳化之內容背景中,術語「遮罩」/「圖案化器件」及「設計佈局」可互換地使用,此係因為在微影模擬/最佳化中,未必使用實體圖案化器件,而可使用設計佈局來表示實體圖案化器件。對於存在於某一設計佈局上之小特徵大小及高特徵密度,給定特徵之特定邊緣之位置(position)將在某種程度上受到其他鄰近特徵之存在或不存在影響。此等近接效應起因於自一個特徵耦接至另一特徵的微小量之輻射及/或諸如繞射及干擾之非幾何光學效應。類似地,近接效應可起因於在通常後繼微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了確保設計佈局之經投影影像係根據給定目標電路設計之要求,需要使用設計佈局之複雜數值模型、校正或預失真來預測及補償近接效應。文章「Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design」(C. Spence, Proc. SPIE, 第5751卷, 第1-14頁(2005))提供當前「以模型為基礎之」光學近接校正程序的綜述。在典型的高端設計中,設計佈局之幾乎每一特徵皆具有某種修改,以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置,以及意欲輔助其他特徵之投影的「輔助」特徵之應用。
在一晶片設計中通常存在數百萬個特徵的情況下,將以模型為基礎之OPC應用於目標設計涉及良好的程序模型及相當大的計算資源。然而,應用OPC通常不為「嚴正科學(exact science)」,而為並不總是補償所有可能近接效應之經驗反覆程序。因此,需要藉由設計檢驗(亦即,使用經校準數值程序模型之密集型全晶片模擬)來驗證OPC之效應(例如,在應用OPC及任何其他RET之後的設計佈局),以便最小化將設計瑕疵建置至圖案化器件圖案中的可能性。此情形係藉由如下各者驅動:製造高端圖案化器件之巨大成本,其在數百萬美元的範圍內;以及對產品製作時程之影響,其係由重做或修復實際圖案化器件(一旦其已經製造)導致。
OPC及全晶片RET驗證兩者可基於例如美國專利申請案第10/815,573號及Y. Cao等人之名稱為「Optimized Hardware and Software For Fast, Full Chip Simulation」(Proc. SPIE, 第5754卷,405 (2005))之文章中描述的數值模型化系統及方法。
一個RET係關於設計佈局之全域偏置之調整。全域偏置為設計佈局中之圖案與意欲印刷於基板上之圖案之間的差異。舉例而言,25 nm直徑之圓形圖案可藉由設計佈局中之50 nm直徑圖案或藉由設計佈局中之20 nm直徑圖案但以高劑量印刷於基板上。
除了對設計佈局或圖案化器件之最佳化(例如,OPC)以外,亦可與圖案化器件最佳化聯合地抑或分離地最佳化照明源,以致力於改良總微影保真度。術語「照明源」及「源」在此文件中可互換使用。自20世紀90年代以來,已引入諸如環形、四極及偶極之諸多離軸照明源,且該等離軸照明源已提供針對OPC設計之更多自由度,藉此改良成像結果。眾所周知,離軸照明為用以解析圖案化器件中所含有的精細結構(亦即,目標特徵)之經證實方式。然而,當與傳統照明源相比時,離軸照明源通常提供針對空中影像(AI)之較小輻射強度。因此,變得需要試圖最佳化照明源,以在較精細解析度與經縮減輻射強度之間達成最佳平衡。
舉例而言,可在Rosenbluth等人之名稱為「Optimum Mask and Source Patterns to Print A Given Shape」(Journal of Microlithography, Microfabrication, Microsystems 1(1), 第13-20頁(2002))之文章中找到眾多照明源最佳化方法。將源分割成若干區,該等區中之每一者對應於光瞳光譜之某一區。接著,將源分佈假定為在每一源區中均一,且針對程序窗來最佳化每一區之亮度。然而,源分佈在每一源區中均勻之此假定並不總是有效,且因此,此方法之有效性受損害。在Granik之名稱為「Source Optimization for Image Fidelity and Throughput」(Journal of Microlithography, Microfabrication, Microsystems 3(4), 第509-522頁(2004))之文章中闡述的另一實例中,綜述若干現有源最佳化方法,且提出將源最佳化問題轉換成一系列非負最小平方最佳化的基於照明器像素之方法。儘管此等方法已證實一些成就,但其通常需要多次複雜反覆以進行收斂。另外,可難以判定用於一些額外參數(諸如,Granik方法中之γ)之適當/最佳值,此情形規定在最佳化用於基板影像保真度之源與該源之平滑度要求之間的取捨。
對於低k1
微影,源及圖案化器件兩者之最佳化有用於確保用於臨界電路圖案之投影的可行程序窗。一些演算法(例如,Socha等人. Proc. SPIE 第5853卷, 2005, 第180頁)在空間頻域中將照明離散化成獨立源點且將遮罩離散化成繞射階,且基於可藉由光學成像模型自源點強度及圖案化器件繞射階而預測之程序窗度量(諸如曝光寬容度)來分別地公式化成本函數(其經定義為選定設計變數之函數)。如本文中所使用之術語「設計變數」包含微影投影裝置或微影程序之參數集合,例如,微影投影裝置之使用者可調整之參數,或使用者可藉由調整彼等參數而調整之影像特性。應瞭解,微影投影程序之任何特性(包括源、圖案化器件、投影光學器件之特性,及/或抗蝕劑特性)可在最佳化中之設計變數當中。成本函數常常為設計變數之非線性函數。接著使用標準最佳化技術來最小化成本函數。
相關地,不斷地減低設計規則之壓力已驅使半導體晶片製造者在現有193 nm ArF微影的情況下更深入於低k1
微影時代。朝向較低k1
之微影對RET、曝光工具及針對微影親和設計之需要提出了很高的要求。未來可使用1.35 ArF超數值孔徑(NA)曝光工具。為了有助於確保電路設計可利用可工作程序窗而產生至基板上,源圖案化器件最佳化(在本文中稱作源遮罩最佳化或SMO)正變成用於2× nm節點之顯著RET。
2009年11月20日申請且公開為WO2010/059954之名稱為「Fast Freeform Source and Mask Co-Optimization Method」的共同讓渡之國際專利申請案第PCT/US2009/065359號中描述允許在無約束之情況下且在可實行之時間量內使用成本函數來同時最佳化源及圖案化器件的源及圖案化器件(設計佈局)最佳化方法及系統,該專利申請案以全文引用之方式併入本文中。
2010年6月10日申請且公開為美國專利申請公開案第2010/0315614號之名稱為「Source-Mask Optimization in Lithographic Apparatus」的共同讓渡之美國專利申請案第12/813456號中描述涉及藉由調整源之像素來最佳化源的另一源及遮罩最佳化方法及系統,該專利申請案以全文引用之方式併入本文中。
在微影投影裝置中,作為一實例,成本函數表達為(方程式1)
其中(z 1
,z 2
,…,zN
)為N
個設計變數或其值。fp
(z 1
,z 2
,…,zN
)可為設計變數(z 1
,z 2
,…,zN
)之函數,諸如針對(z 1
,z 2
,…,zN
)之設計變數之值集合在一評估點處之特性之實際值與預期值之間的差。wp
為與fp
(z 1
,z 2
,…,zN
)相關聯之權重常數。可向比其他評估點或圖案更臨界之評估點或圖案指派較高wp
值。亦可向具有較大出現次數之圖案及/或評估點指派較高wp
值。評估點之實例可為基板上之任何實體點或圖案、虛擬設計佈局上之任何點,或抗蝕劑影像,或空中影像,或其組合。fp
(z 1
,z 2
,…,zN
)亦可為諸如LWR之一或多個隨機效應之函數,該一或多個隨機效應為設計變數(z 1
,z 2
,…,zN
)之函數。成本函數可表示微影投影裝置或基板之任何適合的特性,例如特徵之失效率、焦點、CD、影像移位、影像失真、影像旋轉、隨機效應、產出率、CDU或其組合。CDU為局部CD變化(例如,局部CD分佈之標準偏差的三倍)。CDU可互換地稱作LCDU。在一個實施例中,成本函數表示CDU、產出率及隨機效應(亦即,為CDU、產出率及隨機效應之函數)。在一個實施例中,成本函數表示EPE、產出率及隨機效應(亦即,為EPE、產出率及隨機效應之函數)。在一個實施例中,設計變數(z 1
,z 2
,…,zN
)包含劑量、圖案化器件之全域偏置、來自源之照明之形狀,或其組合。由於抗蝕劑影像常常規定基板上之電路圖案,故成本函數常常包括表示抗蝕劑影像之一些特性之函數。舉例而言,此評估點之fp
(z 1
, z2
,…,zN
)可僅僅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EPEp
(z 1
,z 2
,…,zN
))。設計變數可為任何可調整參數,諸如源、圖案化器件、投影光學器件、劑量、焦點等等之可調整參數。投影光學器件可包括統稱為「波前操控器」之組件,其可用以調整輻照光束之波前及強度分佈及/或相移之形狀。投影光學器件較佳地可調整沿著微影投影裝置之光學路徑之任何定位處(諸如在圖案化器件之前、在光瞳平面附近、在影像平面附近、在焦平面附近)之波前及強度分佈。投影光學器件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造成的波前及強度分佈之某些失真。調整波前及強度分佈可改變評估點及成本函數之值。可自模型模擬此等變化或實際上量測此等變化。當然,CF
(z 1
,z 2
,…,zN
)不限於方程式1中之形式。CF
(z 1
,z 2
,…,zN
)可為任何其他適合形式。
應注意,fp
(z 1
,z 2
,…,zN
)之正常加權均方根(RMS)定義為,因此,最小化fp
(z 1
,z 2
,…,zN
)之加權RMS等效於最小化成本函數,如方程式1中所定義。因此,出於本文中之記法簡單起見,可互換地利用fp
(z 1
,z 2
,…,zN
)及方程式1之加權RMS。
另外,若考慮最大化程序窗(PW),則吾人可將來自不同PW條件之同一實體定位視為(方程式1)中之成本函數之不同評估點。舉例而言,若考慮N
個PW條件,則吾人可根據評估點之PW條件來分類該等評估點且將成本函數書寫為:(方程式1')
其中為在第u
個PW條件u=
1,…,U
下的fp
(z 1
,z 2
,…,zN
)之值。在fp
(z 1
,z 2
,…,zN
)為EPE時,則最小化以上成本函數等效於最小化在各種PW條件下之邊緣移位,因此,此情形導致最大化PW。特定而言,若PW亦由不同遮罩偏置組成,則最小化以上成本函數亦包括最小化遮罩誤差增強因數(MEEF),該遮罩誤差增強因數經定義為基板EPE與誘發性遮罩邊緣偏置之間的比率。
設計變數可具有約束,該等約束可表達為(z 1
,z 2
,…,zN
) Z
,其中Z
為設計變數之可能值的集合。可藉由微影投影裝置之所要產出率來強加對設計變數之一個可能約束。所要產出率可限制劑量,且因此具有針對隨機效應之蘊涵(例如,對隨機效應強加下限)。較高產出率通常導致較低劑量、較短較長曝光時間及較大隨機效應。基板產出率及隨機效應之最小化之考慮可約束設計變數之可能值,此係因為隨機效應為設計變數之函數。在無藉由所要產出率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,若劑量係在設計變數當中,則在無此約束之情況下,最佳化可得到使產出率經濟上不可能的劑量值。然而,約束之有用性不應解釋為必要性。產出率可受到對圖案化程序之參數之以失效率為基礎的調整影響。期望在維持高產出率的同時具有特徵之較低失效率。產出率亦可受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光的抗蝕劑)導致較低產出率。因此,基於涉及由抗蝕劑化學反應或波動而引起的特徵之失效率以及針對較高產出率之劑量要求的最佳化程序,可判定圖案化程序之適當參數。
因此,最佳化程序將找出設計變數之值集合,約束為(z 1
,z 2
,…,zN
) Z
,該等約束最小化成本函數,亦即,找出(方程式2)
圖10中說明根據一實施例之最佳化微影投影裝置之一般方法。此方法包含定義複數個設計變數之多變數成本函數之步驟S1202。設計變數可包含選自照明源之特性(1200A) (例如,光瞳填充比,即穿過光瞳或孔徑之源之輻射的百分比)、投影光學器件之特性(1200B)及設計佈局之特性(1200C)之任何適合組合。舉例而言,設計變數可包括照明源之特性(1200A)及設計佈局之特性(1200C) (例如,全域偏置),但不包括投影光學器件之特性(1200B),此情形導致SMO。替代地,設計變數可包括照明源之特性(1200A)、投影光學器件之特性(1200B)及設計佈局之特性(1200C),此情形導致源-遮罩-透鏡最佳化(SMLO)。在步驟S1204中,同時地調整設計變數,使得成本函數移動朝向收斂。在步驟S1206中,判定是否滿足預定義終止條件。預定終止條件可包括各種可能性,亦即,成本函數可得以最小化或最大化(如由所使用之數值技術所需)、成本函數之值已等於臨限值或已超越臨限值、成本函數之值已達到預設誤差限制內,或達到預設反覆數目。若滿足步驟S1206中之條件中之任一者,則方法結束。若皆未滿足步驟S1206中之條件中之任一者,則反覆地重複步驟S1204及S1206直至獲得所要結果為止。最佳化未必導致用於設計變數之單一值集合,此係因為可存在由諸如失效率、光瞳填充因數、抗蝕劑化學反應、產出率等之因素造成的實體抑制。最佳化可提供用於設計變數及相關聯效能特性(例如,產出率)之多個值集合,且允許微影裝置之使用者選取一或多個集合。
在微影投影裝置中,可交替地最佳化源、圖案化器件及投影光學器件(稱作交替最佳化),或可同時地最佳化源、圖案化器件及投影光學器件(稱作同時最佳化)。如本文中所使用之術語「同時的」、「同時地」、「聯合的」及「聯合地」意謂源、圖案化器件、投影光學器件之特性的設計變數及/或任何其他設計變數被允許同時改變。如本文中所使用之術語「交替的」及「交替地」意謂並非所有設計變數皆被允許同時改變。
在圖11中,同時地執行所有設計變數之最佳化。此流程可稱為同時流程或共同最佳化流程。替代地,交替地執行所有設計變數之最佳化,如圖11中所說明。在此流程中,在每一步驟中,使一些設計變數固定,而最佳化其他設計變數以最小化成本函數;接著,在下一步驟中,使一不同變數集合固定,而最佳化其他變數集合以最小化成本函數。交替地執行此等步驟直至滿足收斂或某些終止條件為止。
如圖11之非限制性實例流程圖中所展示,首先,獲得設計佈局(步驟S1302),接著在步驟S1304中執行源最佳化之步驟,其中最佳化照明源(SO)之所有設計變數以最小化成本函數,而使所有其他設計變數固定。接著在下一步驟S1306中,執行遮罩最佳化(MO),其中最佳化圖案化器件之所有設計變數以最小化成本函數,而使所有其他設計變數固定。交替地執行該兩個步驟,直至在步驟S1308中滿足某些終止條件為止。可使用各種終止條件,諸如,成本函數之值變得等於臨限值、成本函數之值超越臨限值、成本函數之值達到預設誤差限制內,或達到預設反覆數目等。應注意,SO-MO交替最佳化用作該替代流程之實例。該替代流程可採用許多不同形式,諸如:SO-LO-MO交替最佳化,其中交替地且反覆地執行SO、LO (透鏡最佳化)及MO;或可執行第一SMO一次,接著交替地且反覆地執行LO及MO;等等。最後,在步驟S1310中獲得最佳化結果之輸出,且程序停止。
如之前所論述之圖案選擇演算法可與同時或交替最佳化整合。舉例而言,當採用交替最佳化時,首先可執行全晶片SO,識別『熱點』及/或『溫點』,接著執行MO。鑒於本發明,次最佳化之眾多排列及組合係可能的,以便達成所要最佳化結果。
圖12A展示一種例示性最佳化方法,其中成本函數經最小化。在步驟S502中,獲得設計變數之初始值,包括設計變數之調諧範圍(若存在)。在步驟S504中,設置多變數成本函數。在步驟S506中,在圍繞用於第一反覆步驟(i=0)之設計變數之起點值的足夠小之鄰域內展開成本函數。在步驟S508中,應用標準多變數最佳化技術以最小化成本函數。應注意,最佳化問題可在S508中之最佳化程序期間或在最佳化程序中之後期施加約束,諸如調諧範圍。步驟S520指示針對已為了最佳化微影程序而選擇之經識別評估點之給定測試圖案(亦稱為「量規」)進行每一反覆。在步驟S510中,預測微影回應。在步驟S512中,比較步驟S510之結果與步驟S522中獲得之期望或理想微影回應值。若在步驟S514中滿足終止條件,亦即,最佳化產生足夠接近於期望值之微影回應值,則在步驟S518中輸出設計變數之最終值。輸出步驟亦可包括使用設計變數之最終值來輸出其他函數,諸如輸出光瞳平面(或其他平面)處之波前像差調整映圖、經最佳化源映圖及經最佳化設計佈局等。若未滿足終止條件,則在步驟S516中,利用第i次反覆之結果來更新設計變數之值,且程序返回至步驟S506。下文詳細地闡述圖12A之程序。
在例示性最佳化程序中,假定或近似設計變數(z 1
,z 2
,…,zN
)與fp
(z 1
,z 2
,…,zN
)之間無關係,惟fp
(z 1
,z 2
,…,zN
)足夠平滑(例如,存在一階導數,(n
=1,2,…N
)),其通常在微影投影裝置中有效。可應用諸如高斯-牛頓(Gauss-Newton)演算法、雷文柏格-馬括特(Levenberg-Marquardt)演算法、梯度下降演算法、模擬退火、基因演算法之演算法以找到。
此處,將高斯-牛頓演算法用作實例。高斯-牛頓演算法為適用於一般非線性多變數最佳化問題之反覆方法。在設計變數(z 1
,z 2
,…,zN
)取值(z 1i
,z 2i
,…,zNi
)之第i
次反覆中,高斯-牛頓演算法線性化(z 1i
,z 2i
,…,zNi
)附近之fp
(z 1
,z 2
,…,zN
),且接著演算(z 1i
,z 2i
,…,zNi
)附近之給出最小CF
(z 1
,z 2
,…,zN
)之值(z 1(i+
1)
,z 2(i+
1)
,…,zN (i+
1)
)。設計變數(z 1
,z 2
,…,zN
)在第(i
+1)次反覆中取值(z 1(i+
1)
,z 2(i+
1)
,…,zN (i+
1)
)。此反覆繼續直至收斂(亦即,CF
(z 1
,z 2
,…,zN
)不再縮減)或達到預設反覆數目為止。
若設計變數(z 1
,z 2
,…,zN
)處於約束下,其形式為J
不等式(例如,調諧範圍(z 1
,z 2
,…,zN
)),其中j
=1,2,…J
;及K
等式(例如,設計變數之間的相互依賴性),其中k
=1,2,…K
;最佳化程序變為典型二次規劃問題,其中Anj
、Bj
、Cnk
、Dk
為常數。可針對每一反覆來強加額外約束。舉例而言,可引入「阻尼因數」Δ D
以限制(z 1(i+
1)
,z 2(i+
1)
,…,zN (i+
1)
)與(z 1i
,z 2i
,…,zNi
)之間的差,使得方程式3之近似成立。此類約束可表達為zni
-
Δ D
≤zn
≤zni
+
Δ D
。可使用例如Jorge Nocedal及Stephen J. Wright (Berlin New York:Vandenberghe. Cambridge University Press)之Numerical Optimization (第2版)中所描述的方法來導出(z 1(i+
1)
,z 2(i+
1)
,…,zN (i+
1)
)。
替代最小化fp
(z 1
,z 2
,…,zN
)之RMS,最佳化程序可將評估點當中之最大偏差(最差缺陷)之量值最小化至其預期值。在此方法中,可替代地將成本函數表達為(方程式5),
其中CLp
為用於fp
(z 1
,z 2
,…,zN
)之最大所允許值。此成本函數表示評估點當中之最差缺陷。使用此成本函數之最佳化會最小化最差缺陷之量值。反覆貪心演算法可用於此最佳化。
可將方程式5之成本函數近似為:(方程式6),
其中q
為正偶數,諸如至少4,較佳地為至少10。方程式6模仿方程式5之行為,同時允許藉由使用諸如最深下降方法、共軛梯度方法等方法來分析上執行最佳化且使最佳化加速。
最小化最差缺陷大小亦可與fp
(z 1
,z 2
,…,zN
)之線性化組合。特定言之,與在方程式3中一樣,近似fp
(z 1
,z 2
,…,zN
)。接著,將對最差缺陷大小之約束書寫為不等式ELp
≤fp
(z 1
,z 2
,…,zN
) ≤EUp
,其中ELp
及EUp
為指定fp
(z 1
,z 2
,…,zN
)之最小及最大所允許偏差的兩個常數。插入方程式3,將此等約束轉變為如下方程式,(其中p=1,…P),
(方程式6')
及
(方程式6'')
由於方程式3通常僅在(z 1i
,z 2i
,…,zNi
)附近有效,故倘若在此附近不能達成期望約束ELp
≤fp
(z 1
,z 2
,…,zN
) ≤EUp
(其可藉由該等不等式當中之任何衝突予以判斷),則可放寬常數ELp
及EUp
直至可達成該等約束為止。此最佳化程序最小化(z 1i
,z 2i
,…,zNi
)附近之最差缺陷大小。接著,每一步驟逐步地縮減最差缺陷大小,且反覆地執行每一步驟直至滿足某些終止條件為止。此情形將導致最差缺陷大小之最佳縮減。
用以最小化最差缺陷之另一方式為在每一反覆中調整權重wp
。舉例而言,在第i
次反覆之後,若第r
個評估點為最差缺陷,則可在第(i
+1)次反覆中增大wr
,使得向彼評估點之缺陷大小之縮減給出較高優先級。
另外,可藉由引入拉格朗日(Lagrange)乘數來修改方程式4及方程式5中之成本函數,以達成對缺陷大小之RMS之最佳化與對最差缺陷大小之最佳化之間的折衷,亦即;(方程式6''')
其中λ
為指定對缺陷大小之RMS之最佳化與對最差缺陷大小之最佳化之間的取捨之預設常數。特定言之,若λ
=0,則此方程式變為方程式4,且僅最小化缺陷大小之RMS;而若λ
=1,則此方程式變為方程式5,且僅最小化最差缺陷大小;若0<λ
<1,則在最佳化中考慮以上兩種情況。可使用多種方法來解決此最佳化。舉例而言,類似於先前所描述之方法,可調整每一反覆中之加權。替代地,類似於自不等式最小化最差缺陷大小,方程式6'及6"之不等式可被視為在二次規劃問題之求解期間之設計變數之約束。接著,可遞增地放寬對最差缺陷大小之界限,或遞增地增加用於最差缺陷大小之權重,計算用於每一可達成最差缺陷大小之成本函數值,且選擇最小化總成本函數之設計變數值作為用於下一步驟之初始點。藉由反覆地進行此操作,可達成此新成本函數之最小化。
最佳化微影投影裝置可擴展程序窗。較大程序窗在程序設計及晶片設計方面提供更多靈活性。程序窗可經定義為使抗蝕劑影像在抗蝕劑影像之設計目標之某一極限內的焦點及劑量值集合。應注意,此處所論述之所有方法亦可延伸至可藉由除了曝光劑量及散焦以外之不同或額外基參數而建立的廣義程序窗定義。此等基參數可包括但不限於諸如NA、均方偏差、像差、偏振之光學設定,或抗蝕劑層之光學常數。舉例而言,如早先所描述,若PW亦由不同遮罩偏置組成,則最佳化包括遮罩誤差增強因數(MEEF)之最小化,該遮罩誤差增強因數經定義為基板EPE與誘發性遮罩邊緣偏置之間的比率。關於對焦點及劑量值所定義之程序窗在本發明中僅用作一實例。下文描述根據一實施例之最大化程序窗之方法。
在第一步驟中,自程序窗中之已知條件(f 0
,ε 0
)開始(其中f 0
為標稱焦點,且ε 0
為標稱劑量),最小化在附近(f 0
±Δf
,ε 0
±Δε
)下方之成本函數中之一者:(方程式7)
或(方程式7')
或
(方程式7")
若允許標稱焦點f 0
及標稱劑量ε 0
移位,則其可與設計變數(z 1
,z 2
,…,zN
)聯合地最佳化。在下一步驟中,若可找到(z 1
,z 2
,…,zN
,f
,ε
)之值集合,則接受(f 0
±Δf
,ε 0
±Δε
)作為程序窗之部分,使得成本函數係在預設限制內。
替代地,若不允許焦點及劑量移位,則在焦點及劑量固定於標稱焦點f 0
及標稱劑量ε 0
下的情況下最佳化設計變數(z 1
,z 2
,…,zN
)。在一替代實施例中,若可找到(z 1
,z 2
,…,zN
)之值集合,則接受(f 0
±Δf
,ε 0
±Δε
)作為程序窗之部分,使得成本函數係在預設限制內。
本發明中早先所描述之方法可用以最小化方程式7、7'或7"之各別成本函數。若設計變數為投影光學器件之特性,諸如任尼克(Zernike)係數,則最小化方程式7、7'或7"之成本函數導致基於投影光學器件最佳化(亦即,LO)之程序窗最大化。若設計變數為除了投影光學器件之特性以外的源及圖案化器件之特性,則最小化方程式7、7'或7"之成本函數導致基於SMLO之程序窗最大化,如圖11中所說明。若設計變數為源及圖案化器件之特性,則最小化方程式7、7'或7"之成本函數導致基於SMO之程序窗最大化。方程式7、7'或7"之成本函數亦可包括至少一個fp
(z 1
,z 2
,…,zN
),諸如方程式7或方程式8中之fp
(z 1
,z 2
,…,zN
),其為諸如2D特徵之LWR或局部CD變化以及產出率之一或多個隨機效應的函數。
圖13展示同時SMLO程序可如何使用高斯牛頓演算法以用於最佳化之一個特定實例。在步驟S702中,識別設計變數之起始值。亦可識別用於每一變數之調諧範圍。在步驟S704中,使用設計變數來定義成本函數。在步驟S706中,圍繞用於設計佈局中之所有評估點之起始值而展開成本函數。在視情況選用之步驟S710中,執行全晶片模擬以覆蓋全晶片設計佈局中之所有臨界圖案。在步驟S714中獲得所要微影回應度量(諸如CD或EPE),且在步驟S712中將所要微影回應度量與彼等數量之經預測值進行比較。在步驟S716中,判定一程序窗。步驟S718、S720及S722類似於如相對於圖12A所描述之對應步驟S514、S516及S518。如之前所提及,最終輸出可為光瞳平面中之波前像差映圖,其經最佳化以產生所要成像效能。最終輸出亦可為經最佳化源映圖及/或經最佳化設計佈局。
圖12B展示用以最佳化成本函數之例示性方法,其中設計變數(z 1
,z 2
,…,zN
)包括可僅假定離散值之設計變數。
該方法藉由界定照明源之像素群組及圖案化器件之圖案化器件圖案塊而開始(步驟S802)。通常,像素群組或圖案化器件圖案塊亦可稱作微影程序組件之劃分部。在一個例示性方法中,將照明源劃分成117個像素群組,且針對圖案化器件界定94個圖案化器件圖案塊(基本上如上文所描述),從而產生總共211個劃分部。
在步驟S804中,選擇微影模型作為用於微影模擬之基礎。微影模擬產生用於演算微影度量或回應之結果。將特定微影度量定義為待最佳化之效能度量(步驟S806)。在步驟S808中,設定用於照明源及圖案化器件之初始(預最佳化)條件。初始條件包括用於照明源之像素群組及圖案化器件之圖案化器件圖案塊的初始狀態,使得可參考初始照明形狀及初始圖案化器件圖案。初始條件亦可包括遮罩偏置、NA,及焦點斜坡範圍。儘管步驟S802、S804、S806及S808經描繪為依序步驟,但應瞭解,在本發明之其他實施例中,可以其他順序執行此等步驟。
在步驟S810中,對像素群組及圖案化器件圖案塊順位。可使像素群組及圖案化器件圖案塊在順位中交錯。可採用各種順位方式,包括:依序地(例如,自像素群組1至像素群組117及自圖案化器件圖案塊1至圖案化器件圖案塊94)、隨機地、根據該等像素群組及圖案化器件圖案塊之實體定位(例如,將更接近於照明源之中心之像素群組順位得較高),及根據該像素群組或圖案化器件圖案塊之變更影響效能度量之方式。
一旦對像素群組及圖案化器件圖案塊順位,則調整照明源及圖案化器件以改良效能度量(步驟S812)。在步驟S812中,按順位次序分析像素群組及圖案化器件圖案塊中之每一者,以判斷像素群組或圖案化器件圖案塊之變更是否將導致改良的效能度量。若判定效能度量將經改良,則相應地變更像素群組或圖案化器件圖案塊,且所得經改良效能度量及經修改照明形狀或經修改圖案化器件圖案形成基線以供比較以用於後續分析較低順位之像素群組及圖案化器件圖案塊。換言之,保持改良效能度量之變更。隨著進行及保持對像素群組及圖案化器件圖案塊之狀態之變更,初始照明形狀及初始圖案化器件圖案相應地改變,使得經修改照明形狀及經修改圖案化器件圖案由步驟S812中之最佳化程序引起。
在其他方法中,亦在S812之最佳化程序內執行像素群組及/或圖案化器件圖案塊之圖案化器件多邊形形狀調整及成對輪詢。
在一替代實施例中,交錯式同時最佳化工序可包括變更照明源之像素群組,且在發現效能度量之改良的情況下,逐步升高及降低劑量以尋找進一步改良。在另一替代實施例中,可藉由圖案化器件圖案之偏置改變來替換劑量或強度之逐步升高及降低,以尋找同時最佳化工序之進一步改良。
在步驟S814中,進行關於效能度量是否已收斂之判定。舉例而言,若在步驟S810及S812之最後若干反覆中已證明效能度量之很小改良或無改良,則可認為效能度量已收斂。若效能度量尚未收斂,則在下一反覆中重複步驟S810及S812,其中自當前反覆之經修改照明形狀及經修改圖案化器件用作用於下一反覆之初始照明形狀及初始圖案化器件(步驟S816)。
上文所描述之最佳化方法可用以增大微影投影裝置之產出率。舉例而言,成本函數可包括作為曝光時間之函數的fp
(z 1
,z 2
,…,zN
)。此成本函數之最佳化較佳地受到隨機效應之量度或其他度量約束或影響。特定言之,用於增大微影程序之產出率之電腦實施方法可包括最佳化作為微影程序之一或多個隨機效應之函數且作為基板之曝光時間之函數的成本函數,以便最小化曝光時間。
在一個實施例中,成本函數包括作為一或多個隨機效應之函數的至少一個fp
(z 1
,z 2
,…,zN
)。隨機效應可包括特徵之失效、如在圖3之方法中所判定之量測資料(例如,SEPE)、2D特徵之LWR或局部CD變化。在一個實施例中,隨機效應包括抗蝕劑影像之特性之隨機變化。舉例而言,此等隨機變化可包括特徵之失效率、線邊緣粗糙度(LER)、線寬粗糙度(LWR)及臨界尺寸均一性(CDU)。在成本函數中包括隨機變化允許找到最小化隨機變化之設計變數之值,藉此減少由隨機效應導致之缺陷之風險。
圖14為說明可輔助實施本文中所揭示之最佳化方法及流程的電腦系統100之方塊圖。電腦系統100包括用於傳送資訊之匯流排102或其他通信機構,及與匯流排102耦接以供處理資訊的處理器104 (或多個處理器104及105)。電腦系統100亦包括主記憶體106,諸如隨機存取記憶體(RAM)或其他動態儲存器件,其耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令。主記憶體106在執行待由處理器104執行之指令期間亦可用於儲存暫時變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令之唯讀記憶體(ROM) 108或其他靜態儲存器件。儲存器件110 (諸如磁碟或光碟)經提供且耦接至匯流排102以用於儲存資訊及指令。
電腦系統100可經由匯流排102耦接至用於向電腦使用者顯示資訊之顯示器112,諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字鍵和其他鍵的輸入器件114可耦接至匯流排102,以用於將資訊及命令選擇傳送至處理器104。另一類型之使用者輸入器件為游標控制件116,諸如滑鼠、軌跡球或游標方向鍵,以用於將方向資訊及命令選擇傳送至處理器104且用於控制顯示器112上之游標移動。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))中的兩個自由度,此允許器件在平面中指定位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
根據一個實施例,最佳化程序之部分可回應於處理器104執行含於主記憶體106中之一或多個指令之一或多個序列而由電腦系統100執行。可自諸如儲存器件110之另一電腦可讀媒體將此類指令讀取至主記憶體106中。含於主記憶體106中之指令序列的執行使得處理器104執行本文中所描述之程序步驟。亦可採用多處理配置中之一或多個處理器,以執行含於主記憶體106中的指令序列。在一替代實施例中,可代替或結合軟體指令來使用硬佈線電路。因此,本文中之描述不限於硬體電路及軟體之任何特定組合。
如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104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110。揮發性媒體包括動態記憶體,諸如主記憶體106。傳輸媒體包括同軸電纜、銅線及光纖,包括包含匯流排102的導線。傳輸媒體亦可呈聲波或光波之形式,諸如在射頻(RF)及紅外線(IR)資料通信期間所產生之聲波或光波。電腦可讀媒體之常見形式包括例如軟磁碟、軟性磁碟、硬碟、磁帶、任何其他磁媒體、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、如下文所描述之載波,或可供電腦讀取之任何其他媒體。
可在將一或多個指令之一或多個序列攜載至處理器104以供執行時涉及電腦可讀媒體之各種形式。舉例而言,初始地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內,且使用數據機經由電話線而發送指令。在電腦系統100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102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102上。匯流排102將資料攜載至主記憶體106,處理器104自該主記憶體擷取並執行指令。由主記憶體106接收之指令可視情況在由處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100亦較佳包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦接,網路鏈路120連接至區域網路122。舉例而言,通信介面118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118可為區域網路(LAN)卡以提供至相容LAN之資料通信連接。亦可實施無線鏈路。在任何此實施中,通信介面118發送且接收攜載表示各種類型之資訊之數位資料流的電信號、電磁信號或光學信號。
網路鏈路120通常經由一或多個網路而將資料通信提供至其他資料器件。舉例而言,網路鏈路120可經由區域網路122向主機電腦124或向由網際網路服務提供者(ISP) 126操作之資料設備提供連接。ISP 126繼而經由全球封包資料通信網路(現通常稱作「網際網路」 128)而提供資料通信服務。區域網路122及網際網路128皆使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號(該等信號將數位資料攜載至電腦系統100及自電腦系統100攜載數位資料)為輸送資訊的例示性形式之載波。
電腦系統100可經由網路、網路鏈路120及通信介面118發送訊息及接收資料,包括程式碼。在網際網路實例中,伺服器130可經由網際網路128、ISP 126、區域網路122及通信介面118傳輸用於應用程式之所請求程式碼。舉例而言,一個此類經下載應用程式可提供實施例之照明最佳化。所接收程式碼可在其經接收時由處理器104執行,及/或儲存於儲存器件110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100可獲得呈載波形式之應用程式碼。
圖15示意性地描繪可利用本文所描述之方法而最佳化照明源的例示性微影投影裝置。裝置包含:
-照明系統IL,其用以調節輻射光束B。在此特定情況下,照明系統亦包含輻射源SO;
-第一物件台(例如,遮罩台) MT,其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品PS準確地定位圖案化器件之第一定位器;
-第二物件台(基板台) WT,其具備用以固持基板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品PS準確地定位基板之第二定位器;
-投影系統(「透鏡」) PS (例如,折射、反射或反射折射光學系統),其用以將圖案化器件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,該裝置屬於透射類型(亦即,具有透射遮罩)。然而,一般而言,其亦可屬於例如反射類型(具有反射遮罩)。替代地,該裝置可採用另一種類之圖案化器件作為經典遮罩之使用的替代例;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)產生輻射光束。舉例而言,此光束係直接地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的外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。另外,其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,入射於圖案化器件MA上之光束B在其橫截面中具有期望均一性及強度分佈。
關於圖15應注意,源SO可在微影投影裝置之外殼內(此常常為源SO為例如水銀燈時之情況),但其亦可遠離微影投影裝置,該源產生之輻射光束經導引至該裝置中(例如,藉助於適合引導鏡面);此後一情形常常為源SO為準分子雷射(例如,基於KrF、ArF或F2
雷射作用)之情況。
光束PB隨後截取經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穿過透鏡PL,該透鏡PL將光束B聚焦至基板W之目標部分C上。藉助於第二定位構件(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。類似地,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,將藉助於未在圖15中明確地描繪之長衝程模組(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,在晶圓步進器(相對於步進掃描工具)之情況下,圖案化器件台MT可僅連接至短衝程致動器,或可固定。
可在兩種不同模式中使用所描繪工具:
-在步進模式中,使圖案化器件台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。接著,在x及/或y方向上使基板台WT移位,從而使得不同目標部分C可由光束PB輻照;
-在掃描模式中,除了單次「閃光」中不曝光給定目標部分C之外,基本上相同之情形適用。取而代之,圖案化器件台MT可在給定方向(所謂的「掃描方向」,例如,y方向)上以速度v移動,使得使投影光束B在圖案化器件影像上進行掃描;同時,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大目標部分C。
圖16示意性地描繪可利用本文中所描述之方法最佳化照明源的另一例示性微影投影裝置1000。
微影投影裝置1000包括:
-源收集器模組SO;
-照明系統(照明器) IL,其經組態以調節輻射光束B (例如,EUV輻射)。
-支撐結構(例如,遮罩台)MT,其經建構以支撐圖案化器件(例如,遮罩或倍縮光罩) MA且連接至經組態以準確地定位圖案化器件之第一定位器PM;
-基板台(例如,晶圓台) WT,其經建構以固持基板(例如,抗蝕劑塗佈晶圓) W且連接至經組態以準確地定位基板之第二定位器PW;及
-投影系統(例如,反射性投影系統) PS,其經組態以將藉由圖案化器件MA賦予至輻射光束B之圖案投影至基板W的目標部分C (例如,包含一或多個晶粒)上。
如此處所描繪,裝置1000屬於反射類型(例如,採用反射遮罩)。應注意,由於大多數材料在EUV波長範圍內具吸收性,故遮罩可具有包含例如鉬與矽之多堆疊的多層反射器。在一個實例中,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。可利用X射線微影來產生甚至更小的波長。由於大多數材料在EUV及x射線波長下具吸收性,故圖案化器件構形(topography)上之經圖案化吸收材料薄片(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。
參考圖16,照明器IL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用在EUV範圍內之一或多種發射譜線將具有至少一元素(例如,氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常稱為雷射產生電漿(「LPP」))中,可藉由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(圖16中未展示)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),該輸出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,雷射及源收集器模組可為分離實體。
在此等情況下,不將雷射視為形成微影裝置之部分,且輻射光束係藉助於包含例如適合引導鏡面及/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。在其他情況下,舉例而言,當源為放電產生電漿EUV產生器(常常稱為DPP源)時,源可為源收集器模組之整體部分。
照明器IL可包含用於調整輻射光束之角強度分佈的調整器。一般而言,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(通常分別稱作σ外部或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期望均一性及強度分佈。
輻射光束B入射於固持在支撐結構(例如,遮罩台) MT上之圖案化器件(例如,遮罩) MA上,且由該圖案化器件而圖案化。在自圖案化器件(例如,遮罩) MA反射之後,輻射光束B穿過投影系統PS,該投影系統PS將光束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置感測器PS2 (例如,干涉量測器件、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。類似地,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之路徑準確地定位圖案化器件(例如,遮罩) 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,遮罩) MA及基板W。
可在以下模式中之至少一者中使用所描繪裝置1000:
1. 在步進模式中,在將賦予至輻射光束之整個圖案一次性投影(亦即,單次靜態曝光)至目標部分C上的同時使支撐結構(例如,遮罩台) MT及基板台WT保持基本上靜止。接著,使基板台WT在X及/或Y方向上移位,以使得可曝光不同目標部分C。
2. 在掃描模式中,在將賦予至輻射光束之圖案投影至目標部分C上(亦即,單次動態曝光)的同時同步地掃描支撐結構(例如,遮罩台) MT及基板台WT。可藉由投影系統PS之(縮小)放大率及影像反轉特性來判定基板台WT相對於支撐結構(例如,遮罩台) MT之速度及方向。
3. 在另一模式中,使支撐結構(例如,遮罩台) MT保持基本上靜止,同時固持可程式化圖案化器件,且在將賦予至輻射光束之圖案投影至目標部分C上時移動或掃描基板台WT。在此模式中,通常採用脈衝式輻射源,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)之無遮罩微影。
圖17更詳細地展示裝置1000,其包括源收集器模組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之封閉結構220中。可藉由放電產生電漿源來形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如,Xe氣體、Li蒸汽或Sn蒸汽)來產生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,藉由引起至少部分地離子化電漿之放電而產生極熱電漿210。為了輻射之有效產生,可需要為例如10 Pa之分壓之Xe、Li、Sn蒸汽或任何其他適合氣體或蒸汽。在一實施例中,提供經激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由定位於源腔室211中之開口中或後方的視情況選用的氣體障壁或污染物截留器230 (在一些情況下,亦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。污染物截留器230亦可包括氣體障壁,或氣體障壁與通道結構之組合。如在此項技術中為吾人所知,本文中進一步所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可包括輻射收集器CO,該輻射收集器CO可為所謂的掠入射收集器。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」指示之光軸而聚焦在虛擬源點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以使得中間焦點IF位於封閉結構220中之開口221處或靠近開口221。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,該照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24,該琢面化場鏡面器件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處之輻射光束21之所要角分佈,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處反射輻射光束21後,隨即形成經圖案化光束26,且該經圖案化光束26藉由投影系統PS經由反射元件28、30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器件單元IL及投影系統PS中。取決於微影裝置之類型,光柵光譜濾光器240可視情況存在。此外,可存在比諸圖中所展示之鏡面多的鏡面,例如在投影系統PS中可存在比圖17中所展示之反射元件多1至6個的額外反射元件。
如圖17所說明之收集器光學器件CO經描繪為具有掠入射反射器253、254及255之巢狀收集器,僅僅作為收集器(或收集器鏡面)之一實例。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱,且此類型之收集器光學器件CO係較佳地結合放電產生電漿源(常常稱為DPP源)使用。
替代地,源收集器模組SO可為如圖18中所展示之LPP輻射系統之部分。雷射LA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10 eV的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所產生之高能輻射自電漿發射,由近正入射收集器光學器件CO收集,且聚焦至封閉結構220中的開口221上。
可使用以下條項進一步描述實施例:
1. 一種用於判定待用於圖案化程序中之遮罩圖案的方法,該方法包含:
經由使用待印刷於基板上之目標圖案作為輸入圖案執行模型來獲得光學近接校正後(OPC後)圖案;
基於OPC後圖案而判定將印刷於基板上之經模擬圖案;且
基於經模擬圖案與目標圖案之間的差異而判定遮罩圖案,該遮罩圖案之該判定包含:
基於差異而修改輸入至模型之輸入圖案以使得該差異減小;且
使用經修改輸入圖案執行模型以產生經修改OPC後圖案,可自該經修改OPC後圖案導出遮罩圖案。
2. 如條項1之方法,其中模型為經組態以產生用於輸入圖案之OPC後圖案的經訓練機器學習模型。
3. 如條項2之方法,其中遮罩圖案之判定為反覆程序,每一反覆包含:
基於差異之梯度而修改輸入圖案之至少一部分以減小目標圖案與經模擬圖案之間的差異,該梯度指示如何修改目標圖案以減小或最小化差異;
使用經修改輸入圖案執行經訓練機器學習模型以產生經修改OPC後圖案;
基於經修改OPC後圖案而判定經模擬圖案;
判定經模擬圖案與目標圖案之間的差異是否減小或最小化;且
回應於差異減小或最小化,自經修改OPC後圖案提取多邊形形狀以產生遮罩圖案。
4. 如條項3之方法,其中輸入圖案之至少一部分包含對應於目標圖案內之目標特徵的輪廓。
5. 如條項4之方法,其中經模擬圖案及目標圖案差異之判定包含:
判定目標圖案之目標輪廓與經模擬圖案之經模擬輪廓之間的差異。
6. 如條項5之方法,其中輸入圖案之修改包含:
基於差異之梯度而修改輸入圖案之輪廓以減小目標輪廓與經模擬輪廓之間的差異,該梯度指示如何修改輸入圖案之輪廓以減小或最小化差異。
7. 如條項6之方法,其中輸入圖案之修改包含:
將控制點指派於目標輪廓上;且
基於差異之梯度而調整一或多個控制點之位置,使得差異減小或最小化。
8. 如條項7之方法,其中梯度為差異相對於控制點之差分,該梯度指示該差異中的由控制點之位置中之改變而導致的改變。
9. 如條項1至8中任一項之方法,其中經模擬圖案之判定包含:
使用OPC後圖案或經修改OPC後圖案執行圖案化程序之程序模型以產生經模擬圖案。
10. 如條項1至9中任一項之方法,其中自經修改OPC後圖案提取多邊形形狀包含:
經由定限處理經修改OPC後圖案之影像以偵測與該經修改OPC後圖案內之一或多個特徵相關聯的邊緣;且
使用一或多個特徵之邊緣產生遮罩圖案。
11. 如條項1至10中任一項之方法,其中OPC後圖案或經修改OPC後圖案包含:對應於目標特徵之主要特徵,及視情況存在之位於主要特徵周圍之至少一個輔助特徵。
12. 如條項11之方法,其中在使用經修改輸入圖案時,在經訓練機器學習模型之第二或後續執行中並不修改至少一個輔助特徵。
13. 如條項11至12中任一項之方法,其中所提取多邊形包括與主要特徵及視情況存在之至少一個輔助特徵相關聯的多邊形。
14. 如條項1至13中任一項之方法,其中目標圖案、OPC後圖案及/或經修改OPC後圖案為灰度像素化影像。
15. 如條項9至14中任一項之方法,其中程序模型為顯影後程序模型,且經模擬圖案為顯影後影像。
16. 如條項15之方法,其中程序模型為抗蝕劑模型且經模擬圖案為抗蝕劑圖案。
17. 一種訓練與圖案化程序相關聯之機器學習模型的方法,該方法包含:
獲得訓練資料集,該訓練資料集包含:(i)與待印刷於基板上之目標圖案相關聯的受擾動目標圖案之集合,及(ii)參考圖案之集合,每一參考圖案與受擾動目標圖案集合中之特定受擾動目標圖案相關聯;且
經由使用訓練資料集之硬體電腦系統訓練機器學習模型以產生OPC後圖案,使得模型產生的OPC後圖案經調適以匹配於參考圖案集合中之特定參考圖案。
18. 如條項17之方法,其中訓練資料集之獲得包含:
經由使用目標圖案作為輸入執行OPC程序而產生參考圖案,該參考圖案為包含對應於目標圖案之目標特徵之主要特徵的OPC後圖案;
擾動目標圖案之至少一部分以產生複數個受擾動目標圖案;且
經由使用複數個受擾動目標圖案作為輸入執行OPC程序來產生複數個參考圖案。
19. 如條項17之方法,其中機器學習模型之訓練為反覆程序,每一反覆包含:
使用受擾動圖案集合中之受擾動目標圖案作為輸入來執行機器學習模型以產生OPC後圖案;
判定與受擾動目標圖案相關聯之模型產生的OPC後圖案與參考圖案集合中之參考圖案之間的差異;且
基於差異而修改機器學習模型之參數,使得差異減小或最小化。
20. 如條項19之方法,其中機器學習模型為卷積神經網路(CNN),且參數為CNN之一或多個權重。
21. 如條項17至20中任一項之方法,其中模型產生的OPC後圖案與特定參考圖案之間的匹配為一致的。
22. 如條項17至21中任一項之方法,其中每一參考圖案為包括相同輔助特徵之OPC後圖案。
23. 如條項22之方法,其中訓練資料集之獲得進一步包含:
自參考圖案提取至少一個輔助特徵;且
經由使用複數個受擾動目標圖案作為輸入執行OPC程序且使所提取輔助特徵保持固定來產生複數個參考圖案,其中複數個參考圖案中之每一參考圖案具有所提取輔助特徵。
24. 一種包含指令之非暫時性電腦可讀媒體,該等指令在由一或多個處理器執行時引起包含以下之操作:
經由使用待印刷於基板上之目標圖案作為輸入圖案執行模型來獲得光學近接校正後(OPC後)圖案;
基於OPC後圖案而判定將印刷於基板上之經模擬圖案;且
藉由以下操作基於經模擬圖案與目標圖案之間的差異而判定遮罩圖案:
基於差異而修改輸入至模型之輸入圖案以使得差異減小;且
使用經修改輸入圖案執行模型以產生經修改OPC後圖案,可自該經修改OPC後圖案導出遮罩圖案。
25. 如條項24之非暫時性電腦可讀媒體,其中模型為經組態以產生用於輸入圖案之OPC後圖案的經訓練機器學習模型。
26. 如條項25之非暫時性電腦可讀媒體,其中遮罩圖案之判定為反覆程序,每一反覆包含:
基於差異之梯度而修改輸入圖案之至少一部分以減小目標圖案與經模擬圖案之間的差異,該梯度指示如何修改目標圖案以減小或最小化差異;
使用經修改輸入圖案執行經訓練機器學習模型以產生經修改OPC後圖案;
基於經修改OPC後圖案而判定經模擬圖案;
判定經模擬圖案與目標圖案之間的差異是否減小或最小化;且
回應於差異減小或最小化,自經修改OPC後圖案提取多邊形形狀以產生遮罩圖案。
27. 如條項26之非暫時性電腦可讀媒體,其中輸入圖案之至少一部分包含對應於目標圖案內之目標特徵的輪廓。
28. 如條項27之非暫時性電腦可讀媒體,其中經模擬圖案及目標圖案差異之判定包含:
判定目標圖案之目標輪廓與經模擬圖案之經模擬輪廓之間的差異。
29. 如條項28之非暫時性電腦可讀媒體,其中輸入圖案之修改包含:
基於差異之梯度而修改輸入圖案之輪廓以減小目標輪廓與經模擬輪廓之間的差異,該梯度指示如何修改輸入圖案之輪廓以減小或最小化差異。
30. 如條項29之非暫時性電腦可讀媒體,其中輸入圖案之修改包含:
將控制點指派於目標輪廓上;且
基於差異之梯度而調整一或多個控制點之位置,使得差異減小或最小化。
31. 如條項30之非暫時性電腦可讀媒體,其中梯度為差異相對於控制點之差分,該梯度指示該差異中的由控制點之位置中之改變而導致的改變。
32. 如條項24至31中任一項之非暫時性電腦可讀媒體,其中經模擬圖案之判定包含:
使用OPC後圖案或經修改OPC後圖案執行圖案化程序之程序模型以產生經模擬圖案。
33. 如條項24至32中任一項之非暫時性電腦可讀媒體,其中自經修改OPC後圖案提取多邊形形狀包含:
經由定限處理經修改OPC後圖案之影像以偵測與該經修改OPC後圖案內之一或多個特徵相關聯的邊緣;且
使用一或多個特徵之邊緣產生遮罩圖案。
34. 如條項24至33中任一項之非暫時性電腦可讀媒體,其中OPC後圖案或經修改OPC後圖案包含:對應於目標特徵之主要特徵,及視情況存在之位於主要特徵周圍之至少一個輔助特徵。
35. 如條項34之非暫時性電腦可讀媒體,其中在使用經修改輸入圖案時,在經訓練機器學習模型之第二或後續執行中並不修改至少一個輔助特徵。
36. 如條項34至35中任一項之非暫時性電腦可讀媒體,其中所提取多邊形包括與主要特徵及視情況存在之至少一個輔助特徵相關聯的多邊形。
37. 如條項24至36中任一項之非暫時性電腦可讀媒體,其中目標圖案、OPC後圖案及/或經修改OPC後圖案為灰度像素化影像。
38. 如條項32至37中任一項之非暫時性電腦可讀媒體,其中程序模型為顯影後程序模型,且經模擬圖案為顯影後影像。
39. 如條項38之非暫時性電腦可讀媒體,其中程序模型為抗蝕劑模型且經模擬圖案為抗蝕劑圖案。
40. 一種包含指令之非暫時性電腦可讀媒體,該等指令在由一或多個處理器執行時引起包含以下之操作:
獲得訓練資料集,該訓練資料集包含:(i)與待印刷於基板上之目標圖案相關聯的受擾動目標圖案之集合,及(ii)參考圖案之集合,每一參考圖案與受擾動目標圖案集合中之特定受擾動目標圖案相關聯;且
使用訓練資料集訓練機器學習模型以產生OPC後圖案,使得模型產生的OPC後圖案經調適以匹配於參考圖案集合中之特定參考圖案。
41. 如條項40之非暫時性電腦可讀媒體,其中訓練資料集之獲得包含:
經由使用目標圖案作為輸入執行OPC程序而產生參考圖案,該參考圖案為包含對應於目標圖案之目標特徵之主要特徵的OPC後圖案;
擾動目標圖案之至少一部分以產生複數個受擾動目標圖案;且
經由使用複數個受擾動目標圖案作為輸入執行OPC程序來產生複數個參考圖案。
42. 如條項40之非暫時性電腦可讀媒體,其中機器學習模型之訓練為反覆程序,每一反覆包含:
使用受擾動圖案集合中之受擾動目標圖案作為輸入來執行機器學習模型以產生OPC後圖案;
判定與受擾動目標圖案相關聯之模型產生的OPC後圖案與參考圖案集合中之參考圖案之間的差異;且
基於差異而修改機器學習模型之參數,使得差異減小或最小化。
43. 如條項42之非暫時性電腦可讀媒體,其中機器學習模型為卷積神經網路(CNN),且參數為CNN之一或多個權重。
44. 如條項40至43中任一項之非暫時性電腦可讀媒體,其中模型產生的OPC後圖案與特定參考圖案之間的匹配為一致的。
45. 如條項40至44中任一項之非暫時性電腦可讀媒體,其中每一參考圖案為包括相同輔助特徵之OPC後圖案。
46. 如條項45之非暫時性電腦可讀媒體,其中訓練資料集之獲得進一步包含:
自參考圖案提取至少一個輔助特徵;且
經由使用複數個受擾動目標圖案作為輸入執行OPC程序且使所提取輔助特徵保持固定來產生複數個參考圖案,其中複數個參考圖案中之每一參考圖案具有所提取輔助特徵。
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(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至5 nm之範圍內的波長,以便產生在此範圍內之光子。
雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上之成像,但應理解,所揭示概念可供與任何類型之微影成像系統一起使用,例如,用於在除了矽晶圓以外的基板上成像之微影成像系統。
上方描述意欲為說明性,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。
10A:微影投影裝置
12A:輻射源
14A:光學器件
16Aa:光學器件
16Ab:光學器件
16Ac:透射光學器件
20A: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
31:源模型
32:投影光學器件模型
35:設計佈局模型
36:空中影像
37:抗蝕劑模型
38:抗蝕劑影像
100:電腦系統
102:匯流排
104:處理器
105:處理器
106:主記憶體
108:唯讀記憶體
110:儲存器件
112:顯示器
114:輸入器件
116:游標控制件
118:通信介面
120:網路鏈路
122:區域網路
124:主機電腦
126:網際網路服務提供者
128:網際網路
130:伺服器
210:EUV輻射發射電漿
211:源腔室
212:收集器腔室
220:封閉結構
221:開口
230:污染物截留器
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
300:方法
302:目標圖案
304:模型
310:光學近接校正後圖案
311:輸入圖案
313:經模擬圖案
315:遮罩圖案
321:經修改輸入圖案
323:經修改OPC後圖案
325:經模擬圖案
327:差異
410:輸入圖案/目標圖案
410':經修改輸入圖案
420:OPC後圖案
420':OPC後圖案
430:經模擬圖案
430':經模擬圖案/多邊形形狀
510:目標圖案
510':經偏置圖案
510'':經偏置圖案
520':OPC圖案
520'':OPC圖案
530':抗蝕劑輪廓
530'':抗蝕劑輪廓
610:目標輪廓/目標圖案
610':經偏置目標輪廓/經偏置目標圖案
620:OPC圖案
630:經模擬圖案
631:部分
700:方法
701:受擾動目標圖案集合
702:參考圖案集合
710:機器學習模型
710':經訓練機器學習模型
721:OPC後圖案
723:差異
725:參數
801:受擾動目標圖案
802:受擾動目標圖案
803:受擾動目標圖案
811:CTM+影像/CTM+圖案
812:CTM+影像/CTM+圖案
813:CTM+影像/CTM+圖案
1000:微影投影裝置
1200A:照明源之特性
1200B:投影光學器件之特性
1200C:設計佈局之特性
AD:調整構件
B:輻射光束
C:目標部分
CO:聚光器/輻射收集器/收集器光學器件
IF:干涉量測構件/虛擬源點
IL:照明系統/照明器/照明光學器件單元
IN:積光器
LA:雷射
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
MT:第一物件台/圖案化器件台/支撐結構
O:光軸
P1:基板對準標記
P2:基板對準標記
P301:工序
P303:工序
P305:工序
P311:工序
P313:工序
P317:工序
P319:工序
P701:工序
P703:工序
P711:工序
P713:工序
P715:工序
PB:光束
PL:透鏡
PM:第一定位器
PS:物品/投影系統
PS1:位置感測器
PS2:位置感測器
PW:第二定位器
R1:區
R2:區
S502:步驟
S504:步驟
S506:步驟
S508:步驟
S510:步驟
S512:步驟
S514:步驟
S516:步驟
S518:步驟
S520:步驟
S522:步驟
S702:步驟
S704:步驟
S706:步驟
S710:步驟
S712:步驟
S714:步驟
S716:步驟
S718:步驟
S720:步驟
S722:步驟
S802:步驟
S804:步驟
S806:步驟
S808:步驟
S810:步驟
S812:步驟
S814:步驟
S816:步驟
S1202:步驟
S1204:步驟
S1206:步驟
S1302:步驟
S1304:步驟
S1306:步驟
S1308:步驟
S1310:步驟
SO:輻射源/源收集器模組
T1:矩形
T2:矩形
W:基板
WT:第二物件台/基板台
現將參考隨附圖式而僅藉助於實例描述實施例,在隨附圖式中:
圖1為根據一實施例之微影系統之各種子系統的方塊圖。
圖2為根據一實施例之對應於圖1中之子系統之模擬模型的方塊圖。
圖3A及圖3B說明根據一實施例之用於判定待用於圖案化程序之遮罩圖案之方法的流程圖。
圖4為根據一實施例之根據圖3A及圖3B之方法產生遮罩圖案的實例。
圖5說明根據一實施例之經組態以自任何輸入圖案產生OPC圖案的現有經訓練機器學習模型(例如,經訓練CNN)的非單調行為。
圖6說明根據一實施例之目標圖案之小偏置對抗蝕劑圖案之影響。
圖7A及圖7B說明根據一實施例之用於訓練與圖案化程序相關聯之機器學習模型之方法的流程圖。
圖8說明根據一實施例之樣本受擾動目標圖案及對應於每一受擾動目標圖案之CTM+影像。
圖9A為根據一實施例之由輔助特徵包圍之實例目標圖案。
圖9B為根據一實施例之包括圖9A之輔助特徵的實例OPC後圖案。
圖10為說明根據一實施例之聯合最佳化之實例方法之態樣的流程圖。
圖11展示根據一實施例之另一最佳化方法之實施例。
圖12A、圖12B及圖13展示根據一實施例之各種最佳化程序之實例流程圖。
圖14為根據一實施例之實例電腦系統之方塊圖。
圖15為根據一實施例之微影投影裝置之示意圖。
圖16為根據一實施例之另一微影投影裝置之示意圖。
圖17為根據一實施例之圖16中之裝置之更詳細視圖。
圖18為根據一實施例之圖16及圖17之裝置之源收集器模組SO的更詳細視圖。
現將參考圖式詳細地描述實施例,該等圖式經提供為說明性實例以便使熟習此項技術者能夠實踐該等實施例。值得注意地,以下之諸圖及實例不意欲將範疇限於單一實施例,而是藉助於所描述或所說明元件中之一些或全部之互換而使其他實施例係可能的。在任何方便之處,將貫穿圖式而使用相同元件符號以指相同或類似部件。在可使用已知組件來部分地或完全地實施此等實施例之某些元件的情況下,將僅描述理解該等實施例所必需之此等已知組件的彼等部分,且將省略此等已知組件之其他部分的詳細描述以免混淆該等實施例之描述。在本說明書中,展示單數組件之實施例不應被視為限制性的;實情為,除非本文中另外明確陳述,否則範疇意欲涵蓋包括複數個相同組件之其他實施例,且反之亦然。此外,申請人不意欲使本說明書或申請專利範圍中之任何術語歸結於不常見或特殊涵義,除非如此明確闡述。另外,範疇涵蓋本文中藉助於說明而提及之組件的目前及未來已知等效者。
300:方法
302:目標圖案
304:模型
310:光學近接校正後圖案
313:經模擬圖案
315:遮罩圖案
P301:工序
P303:工序
P305:工序
Claims (13)
- 一種包含指令之非暫時性電腦可讀媒體,該等指令在由一或多個處理器執行時引起包含以下之操作: 經由使用待印刷於一基板上之一目標圖案作為一輸入圖案執行一模型來獲得一光學近接校正後(OPC後)圖案; 基於該OPC後圖案而判定將印刷於該基板上之一經模擬圖案;且 藉由以下操作基於該經模擬圖案與該目標圖案之間的一差異而判定一遮罩圖案: 基於該差異而修改輸入至該模型之該輸入圖案以使得該差異減小;且 使用經修改輸入圖案執行該模型以產生一經修改OPC後圖案,可自該經修改OPC後圖案導出該遮罩圖案。
- 如請求項1之非暫時性電腦可讀媒體,其中該模型為經組態以產生用於一輸入圖案之一OPC後圖案的一經訓練機器學習模型。
- 如請求項2之非暫時性電腦可讀媒體,其中該遮罩圖案之該判定為一反覆程序,每一反覆包含: 基於該差異之一梯度而修改該輸入圖案之至少一部分以減小該目標圖案與該經模擬圖案之間的該差異,該梯度指示如何修改該目標圖案以減小或最小化該差異; 使用該經修改輸入圖案執行該經訓練機器學習模型以產生該經修改OPC後圖案; 基於該經修改OPC後圖案而判定該經模擬圖案; 判定該經模擬圖案與該目標圖案之間的該差異是否減小或最小化;且 回應於該差異減小或最小化,自該經修改OPC後圖案提取多邊形形狀以產生該遮罩圖案。
- 如請求項3之非暫時性電腦可讀媒體,其中該輸入圖案之該至少一部分包含對應於該目標圖案內之一目標特徵之一輪廓,及/或 其中該經模擬圖案及該目標圖案該差異之該判定包含: 判定該目標圖案之一目標輪廓與該經模擬圖案之一經模擬輪廓之間的該差異,及/或 其中該輸入圖案之該修改包含: 基於該差異之該梯度而修改該輸入圖案之該輪廓以減小該目標輪廓與該經模擬輪廓之間的該差異,該梯度指示如何修改該輸入圖案之該輪廓以減小或最小化該差異。
- 如請求項4之非暫時性電腦可讀媒體,其中該輸入圖案之該修改包含: 將控制點指派於該目標輪廓上;且 基於該差異之該梯度而調整一或多個控制點之一位置,使得該差異減小或最小化,及/或 其中該梯度為該差異相對於該等控制點之一差分,該梯度指示該差異中的由一控制點之一位置中之一改變而導致的一改變。
- 如請求項1之非暫時性電腦可讀媒體,其中該經模擬圖案之該判定包含: 使用該OPC後圖案或該經修改OPC後圖案執行該圖案化程序之一程序模型以產生一經模擬圖案。
- 如請求項1之非暫時性電腦可讀媒體,其中自該經修改OPC後圖案提取該等多邊形形狀包含: 經由定限處理該經修改OPC後圖案之一影像以偵測與該經修改OPC後圖案內之一或多個特徵相關聯的邊緣;且 使用該一或多個特徵之該等邊緣產生該遮罩圖案。
- 如請求項1之非暫時性電腦可讀媒體,其中該OPC後圖案或該經修改OPC後圖案包含:對應於該目標特徵之一主要特徵,及視情況存在之位於該主要特徵周圍的至少一個輔助特徵。
- 如請求項8之非暫時性電腦可讀媒體,其中在使用該經修改輸入圖案時,在該經訓練機器學習模型之一第二或一後續執行中並不修改該至少一個輔助特徵。
- 如請求項8之非暫時性電腦可讀媒體,其中所提取多邊形包括與該主要特徵及視情況存在之該至少一個輔助特徵相關聯的多邊形。
- 如請求項1之非暫時性電腦可讀媒體,其中該目標圖案、該OPC後圖案及/或該經修改OPC後圖案為一灰度像素化影像。
- 如請求項6之非暫時性電腦可讀媒體,其中該程序模型為一顯影後程序模型,且該經模擬圖案為一顯影後影像。
- 如請求項12之非暫時性電腦可讀媒體,其中該程序模型為一抗蝕劑模型且該經模擬圖案為一抗蝕劑圖案。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062975267P | 2020-02-12 | 2020-02-12 | |
US62/975,267 | 2020-02-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202144904A true TW202144904A (zh) | 2021-12-01 |
TWI806002B TWI806002B (zh) | 2023-06-21 |
Family
ID=74561883
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112120499A TW202401137A (zh) | 2020-02-12 | 2021-02-08 | 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體 |
TW110104636A TWI806002B (zh) | 2020-02-12 | 2021-02-08 | 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112120499A TW202401137A (zh) | 2020-02-12 | 2021-02-08 | 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230100578A1 (zh) |
CN (1) | CN115087925A (zh) |
TW (2) | TW202401137A (zh) |
WO (1) | WO2021160522A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI805181B (zh) * | 2022-01-10 | 2023-06-11 | 由田新技股份有限公司 | 用於蝕刻製程的補償方法、補償系統及深度學習系統 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020135988A1 (en) * | 2018-12-28 | 2020-07-02 | Asml Netherlands B.V. | Determining pattern ranking based on measurement feedback from printed substrate |
KR20220094510A (ko) * | 2020-12-29 | 2022-07-06 | 삼성전자주식회사 | 엣칭 모델링 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법 |
US20230075473A1 (en) * | 2021-09-09 | 2023-03-09 | Mycronic AB | Device and method for enabling deriving of corrected digital pattern descriptions |
WO2023180020A1 (en) * | 2022-03-22 | 2023-09-28 | Asml Netherlands B.V. | Lithographic pattern representation with curvilinear elements |
CN115457350B (zh) * | 2022-11-08 | 2023-04-18 | 华芯程(杭州)科技有限公司 | 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 |
WO2024110141A1 (en) * | 2022-11-22 | 2024-05-30 | Asml Netherlands B.V. | Curvilinear polygon recovery for opc mask design |
TWI831688B (zh) * | 2023-05-04 | 2024-02-01 | 和碩聯合科技股份有限公司 | 監控圖像中亮度改變的方法及其裝置 |
CN117369218A (zh) * | 2023-09-28 | 2024-01-09 | 东方晶源微电子科技(北京)股份有限公司 | 设计图形坏点检测方法、光刻布线方法、系统及存储介质 |
CN117973307B (zh) * | 2024-03-26 | 2024-06-28 | 全芯智造技术有限公司 | 用于版图处理的方法、设备和介质 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5523193A (en) | 1988-05-31 | 1996-06-04 | Texas Instruments Incorporated | Method and apparatus for patterning and imaging member |
US5296891A (en) | 1990-05-02 | 1994-03-22 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. | Illumination device |
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
WO1997033205A1 (en) | 1996-03-06 | 1997-09-12 | Philips Electronics N.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
DE69735016T2 (de) | 1996-12-24 | 2006-08-17 | Asml Netherlands B.V. | Lithographisches Gerät mit zwei Objekthaltern |
EP1920369A2 (en) | 2005-08-08 | 2008-05-14 | Brion Technologies, Inc. | System and method for creating a focus-exposure model of a lithography process |
US7695876B2 (en) | 2005-08-31 | 2010-04-13 | Brion Technologies, Inc. | Method for identifying and using process window signature patterns for lithography process control |
KR100982135B1 (ko) | 2005-09-09 | 2010-09-14 | 에이에스엠엘 네델란즈 비.브이. | 개별 마스크 오차 모델을 사용하는 마스크 검증 방법 및시스템 |
US7694267B1 (en) | 2006-02-03 | 2010-04-06 | Brion Technologies, Inc. | Method for process window optimized optical proximity correction |
US7882480B2 (en) | 2007-06-04 | 2011-02-01 | Asml Netherlands B.V. | System and method for model-based sub-resolution assist feature generation |
US7707538B2 (en) | 2007-06-15 | 2010-04-27 | Brion Technologies, Inc. | Multivariable solver for optical proximity correction |
JP5629691B2 (ja) | 2008-11-21 | 2014-11-26 | エーエスエムエル ネザーランズ ビー.ブイ. | 高速自由形式ソース・マスク同時最適化方法 |
NL2003699A (en) | 2008-12-18 | 2010-06-21 | Brion Tech Inc | Method and system for lithography process-window-maximixing optical proximity correction. |
US8786824B2 (en) | 2009-06-10 | 2014-07-22 | Asml Netherlands B.V. | Source-mask optimization in lithographic apparatus |
NL2005522A (en) | 2009-10-28 | 2011-05-02 | Asml Netherlands Bv | Pattern selection for full-chip source and mask optimization. |
NL2007642A (en) | 2010-11-10 | 2012-05-14 | Asml Netherlands Bv | Optimization flows of source, mask and projection optics. |
EP3441819A1 (en) * | 2017-08-07 | 2019-02-13 | ASML Netherlands B.V. | Computational metrology |
US10495967B2 (en) * | 2017-09-28 | 2019-12-03 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of mask simulation model for OPC and mask making |
KR102459381B1 (ko) * | 2018-02-23 | 2022-10-26 | 에이에스엠엘 네델란즈 비.브이. | 컴퓨테이션 리소그래피를 위한 머신 러닝 모델을 트레이닝시키기 위한 방법 |
US10867112B2 (en) * | 2018-06-28 | 2020-12-15 | Taiwan Semiconductor Manufacturing Co., Ltd. | Methods of making mask using transmission cross coefficient (TCC) matrix of lithography process optical system |
-
2021
- 2021-02-04 US US17/796,751 patent/US20230100578A1/en active Pending
- 2021-02-04 CN CN202180014147.4A patent/CN115087925A/zh active Pending
- 2021-02-04 WO PCT/EP2021/052724 patent/WO2021160522A1/en active Application Filing
- 2021-02-08 TW TW112120499A patent/TW202401137A/zh unknown
- 2021-02-08 TW TW110104636A patent/TWI806002B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI805181B (zh) * | 2022-01-10 | 2023-06-11 | 由田新技股份有限公司 | 用於蝕刻製程的補償方法、補償系統及深度學習系統 |
Also Published As
Publication number | Publication date |
---|---|
TWI806002B (zh) | 2023-06-21 |
US20230100578A1 (en) | 2023-03-30 |
TW202401137A (zh) | 2024-01-01 |
WO2021160522A1 (en) | 2021-08-19 |
CN115087925A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI795944B (zh) | 訓練用以預測用於光罩之後光學接近校正(opc)之機器學習模型的方法、判定用於光罩之後opc影像之方法及判定對設計佈局之校正之方法 | |
TWI806002B (zh) | 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體 | |
US9934346B2 (en) | Source mask optimization to reduce stochastic effects | |
TWI624765B (zh) | 用以改良微影程序之電腦實施方法及電腦程式產品 | |
TWI579656B (zh) | 輔助特徵及光源之最佳化 | |
TWI590006B (zh) | 用於改良微影製程的方法及電腦程式產品 | |
CN107430347B (zh) | 图像对数斜率(ils)优化 | |
TW202206950A (zh) | 在圖案化程序中判斷圖案之方法 | |
TWI615684B (zh) | 具剖面感知之源光罩最佳化 | |
TW201539153A (zh) | 圖案置放誤差感知之最佳化 | |
TW202208980A (zh) | 用於判定光罩之特徵校正之方法 | |
TW202240280A (zh) | 用於判定光罩圖案及訓練機器學習模型之方法 | |
TW202303264A (zh) | 使用目標圖案及參考層圖案以判定用於光罩之光學接近校正的機器學習模型 | |
TWI753600B (zh) | 用於目標圖案之基於規則之重定目標的方法 | |
TWI822578B (zh) | 用於基於缺陷而判定圖案化程序之特性以減少熱點的方法 | |
TWI752652B (zh) | 在裝置製程中的方法、非暫態電腦可讀媒體、及組態以執行該方法的系統 | |
US20230333483A1 (en) | Optimization of scanner throughput and imaging quality for a patterning process |