TW202209012A - 用於基於影像之圖案選擇之系統、產品及方法 - Google Patents

用於基於影像之圖案選擇之系統、產品及方法 Download PDF

Info

Publication number
TW202209012A
TW202209012A TW110128668A TW110128668A TW202209012A TW 202209012 A TW202209012 A TW 202209012A TW 110128668 A TW110128668 A TW 110128668A TW 110128668 A TW110128668 A TW 110128668A TW 202209012 A TW202209012 A TW 202209012A
Authority
TW
Taiwan
Prior art keywords
patterns
pattern
computer
images
minimum distance
Prior art date
Application number
TW110128668A
Other languages
English (en)
Inventor
孫任成
賈棋
劉夢
陳升
胡煒玄
李丹穎
伍健一
陳浩
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202209012A publication Critical patent/TW202209012A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • 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
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G03F7/706841—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

本文中描述了一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法。該方法包括：(a)獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案；(b)將該等影像分組成一特殊圖案群組及多個主要圖案群組；及(c)基於該等影像輸出一組圖案作為用於訓練該模型之訓練資料，其中該組圖案包括該特殊圖案群組及來自每一主要圖案群組之一代表性主要圖案。

Description

用於基於影像之圖案選擇之系統、產品及方法
本文中揭示內容大體上係關於半導體製造，且更特定言之係關於應用於半導體製造中之圖案選擇技術。
微影投影設備可用於(例如)積體電路(IC)之製造中。在此情況下，圖案化裝置(例如，光罩)可含有或提供對應於IC之個別層的圖案(「設計佈局」)，且此圖案可藉由諸如經由圖案化裝置上之圖案照射目標部分的方法經轉印於一基板(例如，矽晶圓)上之目標部分(例如，包含一或多個晶粒)上，該目標部分已塗佈有一層輻射敏感材料(「抗蝕劑」)。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影投影設備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設備中，整個圖案化裝置上之圖案在一次操作中經轉印至一個目標部分上； 此設備通常被稱作步進器。在通常被稱作步進掃描設備之替代設備中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化裝置進行掃描，同時平行或反平行於此參考方向而同步地移動基板。將圖案化裝置上之圖案之不同部分漸進地轉印至一個目標部分。因為一般而言，微影投影設備將具有縮減比率M (例如，4)，所以基板之移動速度F將為1/M倍，此時投影光束掃描圖案化裝置。可(例如)自以引用的方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影裝置的更多資訊。
在將圖案自圖案化裝置轉印至基板之前，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(「後曝光工序」)，諸如後曝光烘烤(PEB)、顯影、硬烘烤及對經轉印圖案之量測/檢測。此工序陣列係用作製造一裝置(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、化學機械拋光等等，該等程序皆意欲精整裝置之個別層。若在裝置中需要若干層，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裝置。接著藉由諸如切割或鋸切之技術來使此等裝置彼此分離，由此，可將個別裝置安裝於載體上、連接至接腳，等等。
因此，製造裝置(諸如半導體裝置)通常涉及使用數個製造程序來處理基板(例如，半導體晶圓)以形成該等裝置之各種特徵及多個層。通常使用(例如)沈積、微影、蝕刻、沈積、化學機械拋光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裝置，且接著將該等裝置分離成個別裝置。此裝置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設備中之圖案化裝置進行圖案化步驟(諸如光學及/或奈米壓印微影)以將圖案化裝置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，諸如藉由顯影設備進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻設備而使用圖案進行蝕刻等等。
如所提及，微影為在諸如IC之裝置之製造時的中心步驟，其中形成於基板上之圖案界定裝置之功能元件，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)及其他裝置。
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，同時每裝置之諸如電晶體之功能元件的量已穩定地增加，其遵循通常被稱作「莫耳定律」之趨勢。在當前技術狀態下，使用微影投影設備來製造裝置之層，該等微影投影設備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，從而產生尺寸充分低於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設備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通常稱為低k1微影，其中λ為所採用輻射之波長(例如，當前在大多數情況下，248 nm或193 nm)，NA為微影投影設備中之投影光學件之數值孔徑，CD為「關鍵尺寸」(通常為所印刷之最小特徵大小)，且k1為經驗解析度因數。大體而言，k1愈小，則在基板上再現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設備、設計佈局或圖案化裝置。此等步驟包括例如但不限於NA及光學相干設定之最佳化、定製照明方案、相移圖案化裝置之使用、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「投影光學裝置」亦可包括根據此等設計類型中之任一者而操作的組件，以用於集體地或單一地導向、塑形或控制投影輻射束。術語「投影光學件」可包括微影投影設備中之任何光學組件，而不管光學組件定位於微影投影設備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裝置之前塑形、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裝置之後塑形、調整及/或投影該輻射的光學組件。投影光學件通常排除光源及圖案化裝置。
根據一實施例，提供一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行用於選擇圖案來訓練或校準模型以預測待經由微影印刷於基板上之圖案的方法。該方法包括：(a)獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案；(b)將該等影像分組成一特殊圖案群組及一或多個主要圖案群組；及(c)基於該等影像輸出一組圖案作為用於訓練該模型之訓練資料，其中該組圖案包括該特殊圖案群組及來自每一主要圖案群組之一代表性主要圖案。該模型可為機器學習模型或非機器學習模型。
在一些實施例中，分組包括使用不同叢集演算法以識別特殊圖案群組及多個主要圖案群組。
在一些實施例中，分組影像包括產生影像之特徵向量，其中每一特徵向量表示對應影像。
在一些實施例中，將影像分組成特殊圖案群組包括：(a)判定特徵向量中之每一者距特徵向量中之任一其他特徵向量的最小距離；及(b)將具有高於指定臨限值之最小距離的特徵向量之圖案識別為特殊圖案群組。
在一些實施例中，產生多個主要圖案群組包括：(a)將該等特徵向量中之未在特殊圖案群組中之特徵向量判定為對應於主要圖案之一組特徵向量；及(b)將該組特徵向量叢集成多個主要圖案群組。
在一些實施例中，該方法進一步包括：(a)對於每一主要圖案群組，判定對應主要圖案群組之矩心；及(b)對於每一主要圖案群組，將最接近矩心之特徵向量判定為對應主要圖案群組之代表性主要圖案。
在一些實施例中，該方法進一步包括使用對應於該組圖案之影像訓練模型以產生待印刷於基板上的模擬圖案。
在一些實施例中，該方法進一步包括使用該模型產生用於給定目標圖案之光罩圖案。
在一些實施例中，獲得多個圖案之影像包括獲得基於多個圖案之圖案資料產生的多個圖案之光罩影像、空中影像、抗蝕劑影像、蝕刻影像中之至少一者。
在一些實施例中，圖案資料包括全晶片佈局資料、全晶片佈局中之多個圖案的位置資料或焦點曝光矩陣資料中之至少一者。
根據實施例，提供一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行圖案選擇之方法。該方法包括：(a)獲得多個圖案之影像，其中多個圖案對應於待印刷於基板上之目標圖案；及(b)基於影像自該多個圖案選擇一組圖案作為用於訓練第一模型之訓練資料，該第一模型可為機器學習模型或非機器學習模型。
在一些實施例中，選擇包括藉由使用不同叢集演算法將多個圖案分組成主要圖案及特殊圖案。
在一些實施例中，選擇該組圖案包括：(a)產生影像之特徵向量，其中每一特徵向量表示對應影像；(b)基於該等特徵向量將該多個圖案分組成多個群組；及(c)自該多個群組選擇該組圖案。
在一些實施例中，分組該多個圖案包括自該多個圖案產生一特殊圖案群組及多個主要圖案群組。
在一些實施例中，產生特殊圖案群組包括基於特徵向量之間的距離來分組該多個圖案，其中該等特徵向量中之兩個特徵向量之間的一距離指示對應兩個影像中之兩個圖案之間的差異。
在一些實施例中，基於該距離分組影像包括：(a)判定特徵向量中之每一者距特徵向量中之任一其他特徵向量的一最小距離；及(b)將該等特徵向量中之具有高於指定臨限值之該最小距離的特徵向量識別為特殊圖案群組。
在一些實施例中，產生特殊圖案群組包括：(a)基於基於密度之空間叢集來叢集該等特徵向量以將一組特徵向量識別為離群值；及(b)將對應於該組特徵向量之影像中之圖案判定為特殊圖案群組。
在一些實施例中，產生多個主要圖案群組包括：(a)將該等特徵向量中之未在特殊圖案群組中之特徵向量判定為對應於主要圖案之一組特徵向量；及(b)將該組特徵向量叢集成多個主要圖案群組。
在一些實施例中，使用k平均數叢集執行叢集。
在一些實施例中，自多個群組選擇該組圖案包括選擇特殊圖案群組及自每一主要圖案群組選擇代表性主要圖案。
在一些實施例中，自每一主要圖案群組選擇代表性主要圖案包括：(a)對於每一主要圖案群組,判定對應主要圖案群組之矩心；及(b)對於每一主要圖案群組,將最接近矩心的特徵向量判定為對應主要圖案群組之代表性主要圖案。
在一些實施例中，該方法進一步包括使用對應於特殊圖案群組及代表性主要圖案之影像訓練第一模型以產生待印刷於基板上的模擬圖案。
在一些實施例中，該方法進一步包括使用第一模型產生用於給定目標圖案之光罩圖案。
在一些實施例中，該方法進一步包括使用光罩圖案執行圖案化步驟以經由圖案化程序將對應於給定目標圖案之圖案印刷於基板上。
在一些實施例中，產生特徵向量包括基於自影像獲得之編碼資訊產生該等影像中之一影像的特徵向量。
在一些實施例中，編碼資訊包括與影像中之圖案相關聯的幾何資訊、抗蝕劑信號，或與用於在基板上印刷圖案之微影設備相關聯的光學資訊中之至少一者。
在一些實施例中，產生特徵向量包括運用一組圖案影像訓練第二模型，使得在產生該組圖案影像之一組經預測特徵向量時的成本函數得以縮減。
在一些實施例中，訓練第二模型包括：(a)使用該組圖案影像執行第二模型以輸出該組圖案影像之第一圖案影像的一預測特徵向量；(b)自該預測特徵向量產生一經預測圖案影像；(c)將該成本函數計算為第一圖案影像與經預測圖案影像之間的差異；及(d)調整第二模型之參數以縮減該成本函數。
在一些實施例中，使成本函數最小化。
在一些實施例中，獲得多個圖案之影像包括獲得多個圖案之圖案資料，其中圖案資料包括全晶片佈局資料、全晶片佈局中之多個圖案的位置資料或焦點曝光矩陣資料中之至少一者。
在一些實施例中，獲得多個圖案之影像包括使用該圖案資料自表示微影設備之光學性質的一源模型產生多個圖案之空中影像。
在一些實施例中，獲得多個圖案之影像包括使用該圖案資料使用一抗蝕劑模型自該等空中影像產生多個圖案之抗蝕劑影像。
根據一實施例，提供一種圖案選擇之方法。該方法包括：(a)獲得多個圖案之影像，其中該多個圖案對應於待印刷於基板上之目標圖案；及(b)基於該等影像自該多個圖案中選擇一組圖案作為用於訓練第一模型之訓練資料。
根據一實施例，提供一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行選擇圖案來訓練模型以預測待印刷於基板上之圖案的方法。該方法包括：獲得多個圖案之影像，其中該多個圖案對應於待印刷於基板上之目標圖案；將該等影像分組成一特殊圖案群組及多個主要圖案群組，其中基於多個圖案中之每一者之間的最小距離將該等影像分組成特殊圖案群組；獲得待包括於一組圖案中之圖案的總數目，其中該組圖案待用作用於訓練模型之訓練資料；判定隨最小距離而變化的待包括於該組圖案中的特殊圖案之指定數目及待包括於該組圖案中的圖案之總數目；及輸出該組圖案，其中該組圖案包括指定數目個特殊圖案及來自至少一個主要圖案群組之代表性主要圖案。
根據一實施例，提供一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行選擇圖案來訓練模型以預測待印刷於基板上之圖案的方法。該方法包括：獲得多個圖案之影像，其中該多個圖案對應於待印刷於基板上之目標圖案；獲得多個圖案中之每一者之間的一最小距離；判定臨限最小距離以用於選擇待包括於一組圖案中的圖案之一指定數目，其中該組圖案用作用於訓練模型之訓練資料；基於該臨限最小距離將該等圖案分組成多個集合，其中每一集合包括各自距該集合中之任一其他圖案具有低於臨限最小距離的最小距離之一或多個圖案；自每一集合選擇待包括於該組圖案中之至少一個圖案；及輸出該組圖案。
根據一實施例，提供一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行選擇圖案來訓練模型以預測待印刷於基板上之圖案的方法。該方法包括：獲得多個圖案之影像，其中該多個圖案對應於待印刷於基板上之目標圖案；獲得多個圖案中之每一者之間的一最小距離；判定隨最小距離之最大最小距離而變化的臨限最小距離；基於該臨限最小距離選擇圖案之一指定數目；及輸出具有該指定數目個圖案之一組圖案，其中該組圖案用作用於訓練模型之訓練資料。
根據實施例，提供一種選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法。該方法包括：獲得多個圖案之影像，其中該多個圖案對應於待印刷於基板上之目標圖案；將該等影像分組成一特殊圖案群組及多個主要圖案群組，其中基於多個圖案中之每一者之間的最小距離將該等影像分組成特殊圖案群組；獲得待包括於一組圖案中之圖案的總數目，其中該組圖案待用作用於訓練模型之訓練資料；判定隨最小距離而變化的待包括於該組圖案中的特殊圖案之指定數目及待包括於該組圖案中的圖案之總數目；及輸出該組圖案，其中該組圖案包括指定數目個特殊圖案及來自至少一個主要圖案群組之代表性主要圖案。
根據實施例，提供一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法。該方法包括：獲得多個圖案之影像，其中該多個圖案對應於待印刷於基板上之目標圖案；獲得多個圖案中之每一者之間的一最小距離；判定臨限最小距離以用於選擇待包括於一組圖案中的圖案之一指定數目，其中該組圖案用作用於訓練模型之訓練資料；基於該臨限最小距離將該等圖案分組成多個集合，其中每一集合包括各自距該集合中之任一其他圖案具有低於臨限最小距離的最小距離之一或多個圖案；自每一集合選擇待包括於該組圖案中之至少一個圖案；及輸出該組圖案。
根據實施例，提供一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法。該方法包括：獲得多個圖案之影像，其中該多個圖案對應於待印刷於基板上之目標圖案；獲得多個圖案中之每一者之間的一最小距離；判定隨最小距離之最大最小距離而變化的臨限最小距離；基於該臨限最小距離選擇圖案之一指定數目；及輸出具有該指定數目個圖案之一組圖案，其中該組圖案用作用於訓練模型之訓練資料。 第一或第二模型可為機器學習模型或非機器學習模型。由根據本發明之實施例之圖案選擇程序產生的經選擇圖案可在不脫離本發明之範疇情況下用於任何合適的目的，諸如模型訓練或校準、模擬及度量衡取樣，例如SEM取樣。
在微影中，圖案化裝置(例如，光罩)可提供對應於目標圖案(例如，目標設計佈局)之光罩圖案(例如，光罩設計佈局)，且可藉由將光透射通過光罩圖案而將此光罩圖案轉印至基板上。然而，歸因於各種限制，經轉印圖案可顯現為具有許多不規則性，且因此，不相似於目標圖案。諸如光學近接校正(OPC)之各種增強技術用於設計光罩圖案以補償歸因於微影中之繞射或其他程序效應而引起的影像誤差。經訓練或校準模型用於預測經印刷於基板上之圖案可看起來像給定目標圖案的程度且可基於預測圖案對圖案化程序進行校正(例如，光罩圖案可經修改)以獲得基板上之所要圖案。此模型可為抗蝕劑模型、蝕刻模型，或其一組合。此模型可為ML模型或非ML模型。可參考ML模型更詳細地描述本發明之實施例，然而，圖案選擇機構可在不脫離本發明之範疇情況下用於非ML模型。舉例而言，在預測待印刷於基板上之圖案時ML模型之準確度可取決於用於訓練ML模型的訓練資料(例如，多種圖案影像)之涵蓋範圍。然而，ML模型易於過度擬合訓練資料，亦即，未能外插或預測在訓練期間未見過的圖案，藉此損害ML模型準確度。在一些情況下，過度擬合之前述問題可藉由使用大量訓練資料而減輕。然而，此類方法可能並不係可行的，此係因為其可消耗大量度量衡資料收集時間(例如，收集SEM或光學度量衡資料)及在收集需要用於訓練資料之圖案影像時的計算資源。
用於訓練資料之當前圖案選擇程序可包括一手動圖案選擇程序，其中圖案係藉由流片經驗知識而選擇。然而，在此手動程序中存在遺漏一些關鍵圖案之風險，藉此影響ML模型之涵蓋範圍。另外，手動選擇方法涉及手動審閱全部圖案，其可係耗時的。在一些其他圖案選擇技術(諸如用於焦點曝光矩陣+(FEM+)模型之規測點選擇工具)中，可基於抗蝕劑術語信號選擇規測點。然而，此類工具通常處理有限資料量，其顯著小於訓練資料可需要的量。在無良好訓練資料情況下，ML模型可不涵蓋全晶片圖案性質，且可導致光罩圖案中之缺陷(亦稱作不良圖案涵蓋範圍)。良好圖案選擇方法可避免過度擬合問題並增強ML模型準確度及涵蓋範圍。
在本發明中，方法及系統經揭示用於改良對於訓練資料之圖案選擇以訓練或校準一模型以預測待印刷於基板上之圖案。在一些實施例中，該模型為ML模型、非ML模型、抗蝕劑模型、蝕刻模型或其一組合。舉例而言，抗蝕劑模型經組態以預測抗蝕劑影像，且蝕刻模型經組態以預測蝕刻影像。然而，本發明不限於可藉由使用所選擇圖案之訓練資料訓練的任何特定類型之模型。本發明揭示基於影像之圖案選擇程序，其中圖案之圖案影像(例如，空中影像、光罩影像、抗蝕劑影像或蝕刻影像)係使用圖案資料(例如，全晶片佈局資料、全晶片佈局中之多個圖案的位置資料，或FEM資料)產生且所產生圖案影像經處理以選擇一組圖案作為用於ML模型之訓練資料。基於影像之圖案選擇程序選擇(a)可被視為特殊圖案(例如，離群值圖案、顯著不同於其他圖案之圖案，或與其他圖案相比其出現罕見的圖案)之圖案，及(b)可類似於來自可得到之圖案影像的其他圖案的代表性圖案。藉由選擇特殊圖案及代表性圖案兩者，基於影像之選擇改良ML模型涵蓋範圍，及因此在使用顯著縮減訓練資料量時預測待印刷於基板上之圖案中的準確度。另外，基於影像之圖案選擇亦可有助於比已知方法更有效地自大規模資料池選擇圖案。舉例而言，與隨機圖案選擇或規測點選擇方法相比，對於資料池中之給定數目個圖案，基於影像之圖案選擇可自使用經訓練機器學習模型而產生較佳2D範圍及均方根(RMS)量度。
根據本發明之實施例所選擇的圖案亦可用以校準非機器學習模型，例如，嚴格模型、物理模型、經驗或半經驗模型等。此類模型可為抗蝕劑模型、蝕刻模型、其組合或任何其他類型的圖案預測模型。在一些實施例中，在圖案選擇之後，所選擇圖案之度量衡資料可藉由使用檢測或度量衡系統獲取及量測，且經量測資料用作非機器學習模型之訓練資料或校準資料。在一些實施例中，度量衡系統為SEM系統或光學檢測或度量衡系統。
圖1說明例示性微影投影設備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)源之其他類型的源(如上文所論述，微影投影設備本身無需具有輻射源)；照明光學件，其例如界定部分相干性(經表示為均方偏差)且可包括塑形來自源12A之輻射的光學件14A、光學件16Aa及光學件16Ab；圖案化裝置18A；及透射光學件16Ac，其將圖案化裝置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(Θmax)，其中n為基板與投影光學件之最後元件之間的媒體之折射率，且Θmax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。
在微影投影設備中，源將照明(亦即，輻射)提供至圖案化裝置，且投影光學件經由該圖案化裝置將該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)為在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計算抗蝕劑影像，可在全部揭示內容據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性質(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。微影投影設備之光學性質(例如，照明件、圖案化裝置及投影光學件之性質)限定空中影像且可定義於光學模型中。由於可改變用於微影投影設備中之圖案化裝置，所以需要使圖案化裝置之光學性質與至少包括源及投影光學件的微影投影設備之其餘部分之光學性質分離。用以將設計佈局變換至各種微影影像(例如，空中影像、抗蝕劑影像等)、使用彼等技術及模型應用OPC且評估效能(例如，依據程序窗)的技術及模型之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及2010-0180251號中，前述各案之揭示內容特此以全文引用之方式併入。
圖案化裝置可包含或可形成一或多個設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局，此程序常常被稱作電子設計自動化(EDA)。大多數CAD程式遵循一組預定設計規則，以便產生功能設計佈局/圖案化裝置。藉由處理及設計限制來設定此等規則。舉例而言，設計規則定義裝置(諸如閘、電容器等)或互連線之間的空間容許度，以便確保裝置或線不會以不合需要的方式彼此相互作用。設計規則限制中之一或多者可稱為「關鍵尺寸」(CD)。裝置之關鍵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判定所設計裝置之總體大小及密度。當然，裝置製造之目標中之一者為在基板上如實地再生原始設計意圖(經由圖案化裝置)。
本文中所採用之術語「光罩」或「圖案化裝置」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裝置，該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。在此上下文中，亦可使用術語「光閥」。除典型光罩(透射式或反射式；二元、相移、混合式等)以外，其他此類圖案化裝置之實例包括： -可程式化鏡面陣列。此裝置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。此設備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。使用適當濾光器，可自經反射光束濾除該非繞射輻射，從而之後僅留下繞射輻射； 以此方式，光束變得根據矩陣可定址表面之定址圖案而圖案化。可使用合適電子構件來執行所需矩陣定址。 -可程式化LCD陣列。在以引用的方式併入本文中之美國專利第5,229,872號中給出此構造之實例。
理解微影程序之一種態樣係理解輻射與圖案化裝置之相互作用。在輻射通過圖案化裝置之後的輻射之電磁場可自在輻射到達圖案化裝置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。此函數可稱為光罩透射函數(其可用於描述透射圖案化裝置及/或反射圖案化裝置之相互作用)。
圖案化程序之變數被稱為「處理變數」。圖案化程序可包括微影設備中之圖案之實際轉印上游及下游的程序。第一類別可為微影設備或用於微影程序中之任何其他設備之變數。此類別之實例包括微影設備之照明件、投影系統、基板載物台等之變數。第二類別可為在圖案化程序中執行之一或多個工序之變數。此類別之實例包括焦點控制或焦點量測、劑量控制或劑量量測、頻寬、曝光持續時間、顯影溫度、用於顯影中之化學成份等等。第三類別可為設計佈局及其在圖案化裝置中或使用圖案化裝置進行之實施之變數。此類別之實例可包括輔助特徵之形狀及/或位置、藉由解析度增強技術(RET)而應用之調整、光罩特徵之CD等。第四類別可為基板之變數。實例包括抗蝕劑層下方之結構之特性、抗蝕劑層之化學成份及/或實體尺寸等。第五類別可為圖案化程序之一或多個變數之時間變化的特性。此類別之實例包括高頻載物台移動(例如，頻率、振幅等)、高頻雷射頻寬變化(例如，頻率、振幅等)及/或高頻雷射波長變化之特性。此等高頻變化或移動為高於用以調整基礎變數(例如，載物台位置、雷射強度)之機構之回應時間的高頻變化或移動。第六類別可為微影設備中之圖案轉印上游或下游的程序之特性，該等程序諸如旋塗、曝光後烘烤(PEB)、顯影、蝕刻、沈積、摻雜及/或封裝。
如應瞭解，此等變數中之許多變數(若非全部)將對圖案化程序之參數有影響且常常對所關注參數有影響。圖案化程序之參數之非限制性實例可包括關鍵尺寸(CD)、關鍵尺寸均一性(CDU)、焦點、疊對、邊緣位置或置放、側壁角、圖案移位等。常常，此等參數表達自標稱值(例如設計值、平均值等)之誤差。該等參數值可係個別圖案之特性之值或圖案群組之特性之統計量(例如，平均值、方差等)。
可藉由合適方法判定處理變數中之一些或全部或與其相關之參數的值。舉例而言，可自運用各種度量衡工具(例如基板度量衡工具)獲得之資料判定值。可自圖案化程序中之設備之各種感測器或系統(例如，微影設備之諸如位階感測器或對準感測器的感測器、微影設備之控制系統(例如，基板或圖案化裝置台控制系統)、塗佈顯影系統工具中之感測器等)獲得該等值。該等值可來自圖案化程序之操作者。
圖2中說明用於模型化及/或模擬圖案化程序的例示性流程圖。如將瞭解，模型可表示不同圖案化程序且不必包含下文所描述之所有模型。源模型1200表示圖案化裝置之照明之光學特性(包括輻射強度分佈、頻寬及/或相位分佈)。源模型1200可表示照明之光學特性，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形狀(例如，離軸輻射形狀，諸如環形、四極、偶極等)等等，其中均方偏差(或σ)係照明器之外部徑向範圍)。
投影光學件模型1210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)。投影光學件模型1210可表示投影光學件之光學特性，其包括像差、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。
圖案化裝置/設計佈局模型模組1220俘獲設計特徵如何佈置於圖案化裝置之圖案中，且可包括圖案化裝置之詳細實體性質之表示，如例如在以全文引用之方式併入之美國專利第7,587,704號中所描述。在一實施例中，圖案化裝置/設計佈局模型模組1220表示設計佈局(例如對應於積體電路、記憶體、電子裝置等之特徵之裝置設計佈局)之光學特性(包括由給定設計佈局造成的輻射強度分佈及/或相位分佈之改變)，其為圖案化裝置上或由圖案化裝置形成之特徵配置之表示。由於可改變用於微影投影設備中之圖案化裝置，所以需要使圖案化裝置之光學性質與至少包括照明及投影光學件的微影投影設備之其餘部分之光學性質分離。模擬之目標常常為準確地預測例如邊緣置放及CD，可接著比較該等邊緣置放及CD與裝置設計。裝置設計通常被定義為預OPC圖案化裝置佈局，且將以諸如GDSII或OASIS之標準化數位檔案格式被提供。
可自源模型1200、投影光學件模型1210及圖案化裝置/設計佈局模型1220模擬空中影像1230。空中影像(AI)為在基板位階處之輻射強度分佈。微影投影設備之光學性質(例如，照明件、圖案化裝置及投影光學件之性質)限定空中影像。
基板上之抗蝕劑層係由空中影像曝光，且該空中影像經轉印至抗蝕劑層而作為其中之潛伏「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1240自空中影像1230模擬抗蝕劑影像1250。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在全部揭示內容據此以引用方式併入之美國專利申請公開案第US 2009-0157360號中找到此情形之實例。抗蝕劑模型通常描述在抗蝕劑曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應，以便預測例如形成於基板上之抗蝕劑特徵之輪廓，且因此其通常僅與抗蝕劑層之此等性質(例如在曝光、曝光後烘烤及顯影期間發生的化學程序之效應)相關。在一實施例中，抗蝕劑層之光學性質，例如折射率、膜厚度、傳播及偏振效應-可作為投影光學件模型1210之部分被俘獲。
因此，一般而言，光學模型與抗蝕劑模型之間的連接係抗蝕劑層內之模擬空中影像強度，其起因於輻射至基板上之投影、抗蝕劑界面處之折射及抗蝕劑膜堆疊中之多個反射。輻射強度分佈(空中影像強度)係藉由入射能量之吸收而變為潛伏「抗蝕劑影像」，該潛伏抗蝕劑影像係藉由擴散程序及各種負載效應予以進一步修改。足夠快以用於全晶片應用之有效模擬方法藉由2維空中(及抗蝕劑)影像而近似抗蝕劑堆疊中之實際3維強度分佈。
在實施例中，可將抗蝕劑影像用作至圖案轉印後程序模型模組1260之輸入。圖案轉印後程序模型1260定義一或多個抗蝕劑顯影後程序(例如蝕刻、顯影等)之效能。
圖案化程序之模擬可例如預測抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。因此，模擬之目標為準確地預測例如經印刷圖案之邊緣置放，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。預期設計通常被定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供之預OPC設計佈局。
因此，模型公式化描述總程序之大多數(若非全部)已知物理學及化學方法，且模型參數中之每一者理想地對應於一相異物理或化學效應。因此，模型公式化設定關於為了模擬總製造程序模型可被使用之良好程度之上限。
圖3中說明用於模型化及/或模擬度量衡程序的例示性流程圖。如將瞭解，以下模型可表示不同度量衡程序且無需包含下文所描述之所有模型(例如，可將一些模型組合)。源模型1300表示度量衡目標之照明之光學特性(包括輻射強度分佈、輻射波長、偏振等)。源模型1300可表示照明之光學特性，包括但不限於波長、偏振、照明均方偏差(σ)設定(其中均方偏差(或σ)係照明器中之照明的徑向範圍)、任何特定照明形狀(例如，離軸輻射形狀，諸如環形、四極、偶極等)等等。
度量衡光學件模型1310表示度量衡光學件之光學特性(包括由度量衡光學件引起之輻射強度分佈及/或相位分佈之改變)。度量衡光學件1310可表示由度量衡光學件對度量衡目標之照明之光學特性，及自度量衡目標重導向之輻射朝向度量衡設備偵測器之轉印的光學特性。度量衡光學件模型可表示涉及目標之照明及自度量衡目標重導向之輻射朝向偵測器之轉印的各種特性，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。
度量衡目標模型1320可表示由度量衡目標重導向之照明的光學特性(包括由度量衡目標造成的照明輻射強度分佈及/或相位分佈之改變)。因此，度量衡目標模型1320可模型化藉由度量衡目標進行之照明輻射至重導向輻射之轉換。因此，度量衡目標模型可模擬自度量衡目標重導向之輻射之所得照明分佈。度量衡目標模型可表示涉及目標之照明及自度量衡重導向之輻射之產生的各種特性，包括一或多個折射率、度量衡之一或多個實體大小、度量衡目標之實體佈局等。由於可改變所使用之度量衡目標，因此需要使度量衡目標之光學性質與至少包括照明及投影光學件及偵測器的度量衡設備之其餘部分之光學性質分離。模擬之目標常常為準確地預測例如強度、相位等，其可接著用以導出圖案化程序之所關注參數，諸如疊對、CD、焦點等。
可自源模型1300、度量衡光學件模型1310及度量衡目標模型1320模擬光瞳或空中影像1330。光瞳或空中影像係偵測器位階處之輻射強度分佈。度量衡光學件及度量衡目標之光學性質(例如，照明、度量衡目標及度量衡光學件之性質)限定光瞳或空中影像。
度量衡設備之偵測器經光瞳或空中影像之曝光且偵測該光瞳或空中影像之一或多個光學性質(例如強度、相位等)。偵測模型模組1320表示如何藉由度量衡設備之偵測器來偵測來自度量衡光學件之輻射。偵測模型可描述偵測器如何偵測光瞳或空中影像，且可包括信號對雜訊、對偵測器上之入射輻射之敏感度等。因此，一般而言，度量衡光學件模型與偵測器模型之間的連接係模擬光瞳或空中影像，其起因於由光學件對度量衡目標之照明、由目標對輻射之重導向及經重導向輻射至偵測器之轉移。輻射分佈(光瞳或空中影像)藉由吸收偵測器上之入射能量而變為偵測信號。
度量衡程序之模擬可例如基於由偵測器對光瞳或空中影像之偵測而預測偵測器處之空間強度信號、空間相位信號等，或預測來自偵測系統之其他計算值，諸如疊對、CD等值。因此，模擬之目標係準確地預測例如對應於度量衡目標的偵測器信號或此疊對、CD之導出值。可將此等值與預期設計值比較以例如校正圖案化程序，識別預測出現缺陷之地點等。
因此，模型公式化描述整個度量衡程序之大多數(若並非全部)已知物理及化學效應，且模型參數中之每一者理想地對應於度量衡程序中之一相異的物理及/或化學效應。
圖4為符合各個實施例之用於選擇圖案來訓練模型以預測待印刷於基板上之圖案的例示性基於影像之圖案選擇系統400的方塊圖。基於影像之圖案選擇系統400包括影像產生器405、特徵向量產生器410、分組組件415、圖案選擇器420、資料儲存系統425及圖案預測器430。影像產生器405獲得多個圖案之圖案資料501並使用圖案資料501產生圖案影像503。通常，圖案可包括以某種方式配置以形成圖案的一或多個特徵之若干例項(例如，特徵A之106個例項、特徵B之104個例項等)。圖案影像503可為空中影像(其可使用源模型(例如，上文所描述的源模型1200)產生)，或可為抗蝕劑影像(其可使用抗蝕劑模型(例如，上文所描述的抗蝕劑模型1240)產生)，或由模擬產生的任何其他合適之影像。圖案資料501可包括全晶片佈局資料、全晶片佈局中之多個圖案之位置資料或FEM資料。圖案資料501可自標準化數位檔案格式(諸如GDSII或OASIS)獲得，該數位檔案格式可在資料儲存系統425處可得到。
特徵向量產生器410可產生用於圖案影像503之特徵向量505。在一些實施例中，特徵向量為表示某一物件(例如，圖案影像)之向量。在一些實施例中，特徵向量為可描述圖案影像中之圖案的數目之向量。可使用特徵向量描述的圖案影像之一些實例特徵包括與影像中之圖案相關聯的幾何資訊(例如，圖案中之特徵的尺寸、大小、位置)、抗蝕劑信號或與用於將圖案印刷於基板上的微影設備相關聯的光學資訊(例如，空中影像強度之斜率、「邊緣斜率」或常常縮寫為「NILS」之「經正規化之影像對數斜率」(其指示銳度或影像模糊之缺乏，其中預期抗蝕劑特徵之邊緣))中之任一者。特徵向量之尺寸取決於神經網路或用於實施特徵向量產生器410的其他ML模型。至少參看圖5C、圖6A及圖6B描述關於特徵向量產生之額外細節。
分組組件415可將特徵向量505分組成特殊圖案507之一群組及主要圖案509之多個群組。在一些實施例中，特殊圖案(諸如特殊圖案508)為顯著不同於圖案影像503中之其他圖案的圖案。在一些實施例中，主要圖案之群組(諸如主要圖案510之第一群組)包括來自彼此類似的圖案影像503之彼等圖案。將分組組件415可使用數種叢集演算法/方法中之任一種以識別特殊圖案507之群組及主要圖案509之群組。舉例而言，分組組件415可對特徵向量505使用基於距離之方法或具有雜訊之基於密度之空間叢集應用(DBSCAN)方法以將顯著不同於其他特徵向量之特徵向量識別為圖案影像503當中的特殊圖案。另外，分組組件415可使用k平均數叢集以將特徵向量505中之未在特殊圖案507之群組中的特徵向量分組成主要圖案509之多個群組。至少參看圖5C及圖7至圖10描述關於特徵向量505之分組的額外細節。
圖案選擇器420自特殊圖案507之群組及主要圖案509之群組選擇一組圖案513。在一些實施例中，圖案選擇器420選擇全部特殊圖案507及來自主要圖案509之該等群組中之每一群組的一代表性主要圖案作為該組圖案513。舉例而言，若存在(a)特殊圖案507之群組中之五個圖案及(b)主要圖案509之三個群組，則圖案選擇器420可選擇八個圖案作為該組圖案513，該組圖案513包括五個特殊圖案及三個代表性主要圖案(一個代表性圖案來自主要圖案509之三個群組中之每一者)。至少參看圖5D及圖10描述關於選擇該組圖案513之額外細節。對應於所選擇組圖案513之特徵向量505可儲存於資料儲存系統425中，且可用作用於訓練圖案預測器430的訓練資料以預測用於給定目標圖案的待印刷於基板上之圖案。在一些實施例中，圖案選擇器420可輸入對應於該組圖案513之圖案影像503作為用於圖案預測器430之訓練資料。圖案預測器430可經實施為ML模型。在一些實施例中，藉由選擇特殊圖案及代表性圖案兩者作為訓練資料，圖案預測器430之涵蓋範圍及因此預測待印刷於基板上之圖案的準確度得以改良。
經訓練圖案預測器430可用於產生用於任何給定目標圖案之光罩圖案，且此光罩圖案可藉由將光透射穿過光罩圖案而轉印至基板上。
圖5A為符合各個實施例的用於基於影像之圖案選擇的例示性方法500之流程圖。在一些實施例中，方法500可藉由圖4的系統400實施。
在程序P501處，獲得多個圖案之圖案影像。圖案影像可為圖案之光罩影像、空中影像、抗蝕劑影像或蝕刻影像的形式。獲得圖案影像之額外細節至少參看圖5B之程序550進行描述。
在程序P503處，將圖案影像分組成一特殊圖案群組及多個主要圖案群組。在一些實施例中，特殊圖案(諸如特殊圖案508)為顯著不同於圖案影像中之其他圖案的圖案。在一些實施例中，主要圖案之群組(諸如主要圖案510之第一群組)為類似的圖案影像中之一組圖案。可使用數種叢集方法中之任一種執行分組。至少參考圖5C之程序560描述關於圖案之分組的額外細節。
在程序P505處，一組圖案係自特殊圖案之群組及主要圖案之群組選擇。在一些實施例中，全部特殊圖案及來自該等主要圖案群組中之每一群組的代表性主要圖案經選擇為該組圖案。至少參考圖5D之程序570描述關於圖案之分組的額外細節。
圖5B為符合各個實施例的用於產生圖案之影像的方法550之流程圖。在一些實施例中，程序550作為程序500之程序P501的部分予以執行。在程序P507處，影像產生器405獲得多個圖案之圖案資料501。圖案資料501可包括全晶片佈局資料、全晶片佈局中之多個圖案之位置資料或FEM資料中之一或多者。圖案資料501可自標準化數位檔案格式(諸如GDSII或OASIS)獲得，該數位檔案格式可在資料儲存系統425處可得到。
在程序P509處，影像產生器405使用圖案資料501產生用於圖案中之每一者的影像(「圖案影像」)，諸如圖案影像503。在一些實施例中，影像可為空中影像，其如上文所描述為在基板位階處的輻射強度分佈。影像產生器405可使用源模型產生空中影像，該源模型表示用於將圖案印刷於基板上的微影設備之光學特性。在一些實施例中，影像可為抗蝕劑影像，其如上文所描述為抗蝕劑層中之抗蝕劑的溶解度之空間分佈。影像產生器405可使用抗蝕劑模型自空中影像模擬抗蝕劑影像，該抗蝕劑模型與抗蝕劑層之性質(例如，在曝光、後曝光烘焙(PEB)及顯影期間發生的化學程序之效應)相關。空中影像可包括與影像中之圖案相關聯的幾何資訊(例如，圖案中之特徵的尺寸、大小、位置)、抗蝕劑信號或與用於將圖案印刷於基板上的微影設備相關聯的光學資訊(例如，空中影像強度之斜率、影像對數斜率(ILS)、NILS)中之任一者，其可適用於選擇特殊圖案。
在一些實施例中，光罩影像、空中影像、抗蝕劑影像或蝕刻影像經選擇為用於執行基於影像之圖案選擇的圖案影像，此係因為輸入至圖案預測器430之訓練資料為空中影像或抗蝕劑影像。因此，藉由使用空中影像或抗蝕劑影像用於執行基於影像之圖案選擇，影像可用於訓練圖案預測器430，從而去除對產生不同類型影像用於兩個此等程序之需求，藉此最小化在選擇圖案及使用所選擇圖案訓練圖案預測器430時消耗的計算資源之量。另外，與目標佈局相比較，空中影像、光罩影像、抗蝕劑影像或蝕刻影像自製造程序併入各種物理、化學及光學效應，諸如抗蝕劑信號、在特徵邊緣處之繞射、將發生在微影系統中之在邊緣、特徵及圖案之間的干涉。因此，基於此等影像之圖案選擇可有利地產生更準確經訓練模型。圖5C為符合各個實施例之用於分組圖案影像之方法560的流程圖。在一些實施例中，程序560作為程序500之程序P503的部分予以執行。在程序P515處，特徵向量產生器410可產生用於圖案影像503中之每一者的特徵向量，諸如特徵向量505。在一些實施例中，特徵向量為表示某一物件(例如，圖案影像)之向量。舉例而言，特徵向量可為可描述圖案影像中之圖案的數目之向量。可使用特徵向量描述的圖案影像之一些實例特徵包括與影像中之圖案相關聯的幾何資訊(例如，圖案中之特徵的尺寸、大小、位置)、抗蝕劑信號或與用於將圖案印刷於基板上的微影設備相關聯的光學資訊(例如，空中影像強度之斜率、ILS、NILS)中之任一者。
圖6A為符合各個實施例之特徵向量產生器之方塊圖。在一些實施例中，特徵向量產生器410可使用經訓練以產生用於任一給定圖案影像(諸如圖案影像605)之一特徵向量(諸如特徵向量610)的ML模型實施。特徵向量產生器410採用圖案影像605 (其可類似於圖案影像503中之一者)作為輸入，並產生特徵向量610 (其可類似於特徵向量505中之一者)。特徵向量之尺寸取決於神經網路或用於實施特徵向量產生器410的其他ML模型。為了特徵向量產生器410產生特徵向量610，特徵向量產生器410可必須經訓練。
圖6B為說明符合各個實施例的訓練特徵向量產生器410以產生特徵向量之方塊圖。使用數個圖案影像650訓練特徵向量產生器410。訓練程序為反覆程序且反覆可經執行直至與特徵向量產生器410相關聯之成本函數縮減(例如，最小化)為止。訓練程序之反覆可包括輸入圖案影像(諸如圖案影像651)至特徵向量產生器410，自該圖案影像651產生特徵向量(諸如特徵向量671)，自所產生特徵向量671模擬或預測圖案影像(諸如圖案影像681)，比較輸入圖案影像651與經預測圖案影像681之間的差異(其指示差異)，及調整特徵向量產生器410之ML模型參數以縮減該成本函數(例如，最小化)。訓練可持續，亦即，以上反覆可以不同於圖案影像650之圖案影像重複，直至為止該成本函數經最小化。特徵向量產生器410可視為當該成本函數經最小化時被訓練，且可接著用於產生用於任何給定圖案影像之特徵向量。
在一些實施例中，基於經編碼於圖案影像中之資訊產生特徵向量。特徵向量產生器410提取經編碼資訊並基於所提取資訊產生特徵向量。經編碼資訊可包括與影像中之圖案相關聯的幾何資訊中之任一者(例如，圖案中之特徵的尺寸、大小、位置)、抗蝕劑信號，或與用於將圖案印刷於基板上之微影設備相關聯的光學資訊(例如，空中影像強度之斜率、ILS、NILS)。
在一些實施例中，特徵向量亦可縮減輸入圖案影像之尺寸。舉例而言，若輸入圖案影像具有X*Y像素，則特徵向量可縮減尺寸至A*B像素，其中A＜X且B＜Y。另外，在一些實施例中，在運用不同成本函數及神經網路方案情況下，特徵向量產生器410可產生不同種類之影像特徵向量，其可用於不同叢集演算法/方法。
參考程序P515，在產生特徵向量505之後，在程序P517處，分組組件415將特徵向量505分組成特殊圖案507之一群組及主要圖案509之多個群組。如上文所描述，特殊圖案為顯著不同於圖案影像503中之其他圖案的圖案。分組組件415可使用數種叢集方法中之任一種以識別特殊圖案507之群組。舉例而言，分組組件415可使用基於距離之方法以將顯著不同於圖案影像503中之其他圖案的圖案識別為特殊圖案，如圖7中所說明。
圖7為符合各個實施例之使用基於距離之方法識別特殊圖案的方塊圖。在基於距離之方法中，分組組件415判定兩個特徵向量之間的最小距離。距離指示兩個對應圖案之間的差異。分組組件415可判定圖案影像503中之特殊圖案影像與剩餘圖案影像503中之一或多者之間的距離。舉例而言，分組組件415將圖案影像12109至圖案影像5036之最小距離判定為「44」單位。類似地，分組組件415將圖案影像3196至圖案影像3190之最小距離判定為「5.32」單位。分組組件415可使用數種方法中之任一種以判定該距離。在判定特徵向量對之間的最小距離之後，分組組件415可將具有高於指定臨限之最小距離的彼等特徵向量選擇為特殊圖案507之群組。舉例而言，若最小距離之指定臨限為「20」單位，則分組組件415可將全部特徵向量(其至與其相比較的特徵向量之最小距離高於「20」單位)選擇為特殊圖案507，諸如對應於圖案影像12109 (其僅為具有高於「20」單位之距離的圖案影像)之特徵向量。在一些實施例中，分組組件415可將特徵向量對按降序(例如，自最高最小距離至最低最小距離)分類，且可選擇頂部「n」數目個特徵向量作為特殊圖案507。舉例而言，若具有頂部三個最小距離之特徵向量對待被選擇，則分組組件415可將對應於圖案影像12109、圖案影像5025及圖案影像3196之特徵向量選擇為特殊圖案507。
DBSCAN為識別特殊圖案507之另一方法。圖8為符合各個實施例之使用DBSCAN方法識別特殊圖案的方塊圖。在DBSCAN方法中，分組組件415使用DBSCAN演算法叢集特徵向量505，DBSCAN演算法產生圖案影像之一或多個叢集，諸如叢集801、802、803及804。每一叢集可包括在叢集內彼此類似的圖案影像之特徵向量。離群值(例如，不屬於叢集801至804中之任一者的圖案影像，諸如圖案影像805)可經識別為特殊圖案507之群組。
繼續程序P517，在識別特殊圖案507之後，分組組件415可將剩餘特徵向量(例如，特徵向量505中之未經識別為特殊圖案的特徵向量)分組成主要圖案509之多個群組。分組組件415可使用數種方法中之任一種以分組主要圖案。舉例而言，分組組件415可使用k平均數叢集將特徵向量505分組成主要圖案509之多個群組，如圖9中所說明。
圖9為符合各個實施例之用於將特徵向量分組成主要圖案群組之方塊圖。分組組件415使用k平均數叢集將特徵向量505中之未識別為特殊圖案的特徵向量分組成多個叢集，諸如第一叢集910、第二叢集920及第三叢集930。每一叢集可包括在叢集內彼此類似的圖案影像之特徵向量。叢集910至930可被視為主要圖案509之群組。
圖5D為符合各個實施例的用於選擇一組圖案作為用於訓練圖案預測器之訓練資料的方法570之流程圖。在一些實施例中，程序570作為程序500之程序P505的部分予以執行。在程序P519處，圖案選擇器420判定主要圖案509之群組中之每一者的矩心。在一些實施例中，矩心為在叢集之中心處的資料點(想像的或真實的)，如圖10中所說明。圖10為說明符合各個實施例之自各種圖案群組中選擇圖案的方塊圖。如圖10中所示，主要圖案509之群組可包括主要圖案910之第一集群、主要圖案920之第二叢集，及主要圖案930之第三叢集。圖案選擇器420判定每一叢集之矩心。舉例而言，圖案選擇器420判定第一集群910之第一矩心1011、第二叢集920之第二矩心1021，及第三叢集930之第三矩心1031。
在程序P521處，圖案選擇器420自主要圖案之叢集中之每一者選擇代表性主要圖案。在一些實施例中，圖案選擇器420選擇最接近叢集之矩心的特徵向量作為來自彼叢集之代表性主要圖案。舉例而言，圖案選擇器420選擇最接近第一矩心1011之第一代表性主要圖案1012、最接近第二矩心1021之第二代表性主要圖案1022，及最接近第三矩心1031之第三代表性主要圖案1032。代表性主要圖案1012、1022及1032經選擇為代表性主要圖案511之群組。
在程序P523處，圖案選擇器420選擇特殊圖案507之群組及代表性主要圖案511之群組作為該組圖案513作為用於訓練圖案預測器430之訓練資料。在一些實施例中，輸入至圖案預測器430之訓練資料包括在該所選擇組圖案513中的對應於特徵向量的圖案影像503。在一些實施例中，特殊圖案507之群組包括特殊圖案805a至805e (其為並非叢集910至930之任一者之部分且如至少參看圖7及圖8所描述而判定的圖案)。
在一些實施例中，圖案預測器430包含抗蝕劑模型、蝕刻模型或其一組合。在一些實施例中，圖案預測器430可為藉由圖案513之訓練資料訓練或校準的ML模型或非ML模型。
在一些實施例中，圖案選擇器為非機器學習模型，例如，嚴格模型、物理模型、經驗或半經驗模型等。在一些實施例中，在圖案選擇之後，所選擇圖案之度量衡資料可藉由使用檢測或度量衡系統獲取及量測，且經量測資料用作非機器學習模型之訓練資料或校準資料。在一些實施例中，度量衡系統為SEM系統或光學檢測或度量衡系統。
圖11為說明可輔助實施本文中所揭示之方法、流程、模組、組件或設備的電腦系統100之方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構，及與匯流排102耦接以用於處理資訊之處理器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)或其他動態儲存裝置，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或其他靜態儲存裝置。提供儲存裝置110 (諸如磁碟或光碟)且將其耦接至匯流排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裝置114耦接至匯流排102，以用於將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入裝置為游標控制件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達至處理器104且用於控制顯示器112上之游標移動。此輸入裝置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，此允許裝置在平面中指定位置。觸控面板(螢幕)顯示器亦可被用作輸入裝置。
根據一個實施例，本文中所描述之一或多種方法的數個部分可藉由電腦系統100回應於處理器104執行含有於主記憶體106中之一或多個指令的一或多個序列而執行。可將此類指令自另一電腦可讀媒體(諸如儲存裝置110)讀取至主記憶體106中。主記憶體106中含有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系統。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，諸如儲存裝置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(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106擷取及執行指令。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裝置110上。
電腦系統100亦可包括耦接至匯流排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)卡以提供對相容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裝置。舉例而言，網路鏈路120可經由區域網路122將提供至主電腦124之連接或由網際網路服務提供者(ISP) 126操作之資料裝備的連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」128)來提供資料通信服務。區域網路122及網際網路128兩者使用攜載數位資料流的電信號、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之信號為輸送資訊的例示性形式之載波，該等信號將數位資料攜載至電腦系統100且自電腦系統100攜載數位資料。
電腦系統100可經由網路、網路鏈路120及通信介面118發送訊息並接收資料，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而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104執行，及/或儲存於儲存裝置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12描繪可結合本文中所描述之技術利用的一例示性微影投影設備。設備包含： - 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，圖案化裝置台) MT，其具備用以固持圖案化裝置MA (例如，倍縮光罩)之圖案化裝置固持器，且連接至用以相對於項目PS來準確地定位圖案化裝置之第一定位器； - 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項目PS來準確地定位該基板的第二定位器； - 投影系統(「透鏡」) PS (例如折射、反射或反射折射光學系統)，其用以將圖案化裝置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，設備屬於透射類型(亦即，具有透射圖案化裝置)。然而，一般而言，其亦可屬於反射類型，例如(具有反射圖案化裝置)。設備可採用與經典光罩不同種類之圖案化裝置；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、LPP(雷射產生電漿) EUV源)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，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，入射於圖案化裝置MA上之光束B在其橫截面中具有所要均勻性及強度分佈。
應注意，參看圖12，源SO可在微影投影設備之殼體內(如常常係當源SO為例如水銀燈時的情況)，但其亦可遠離微影投影設備，源SO產生的輻射光束經引導至設備中(例如藉助於合適之導向鏡)；此後一情形為當源SO為準分子雷射(例如基於KrF、ArF或F2發出雷射)時的情況。
光束PB隨後截取被固持於圖案化裝置台MT上之圖案化裝置MA。在已橫穿圖案化裝置MA的情況下，光束B傳遞通過透鏡PL，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)在自圖案化裝置庫機械地擷取圖案化裝置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裝置MA。一般而言，將藉助於未在圖12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，在步進器(相對於步進掃描工具)之情況下，圖案化裝置台MT可僅連接至短衝程致動器，或可固定。
所描繪工具可用於兩種不同模式中： - 在步進模式中，將圖案化裝置台MT保持基本上靜止，且將整個圖案化裝置影像一次性投影((亦即，單次「閃光」)至目標部分C上。接著使基板台WT在x方向及/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，惟在單次「閃光」中不曝光給定目標部分C除外。取而代之，圖案化裝置台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，以使得使投影光束B在圖案化裝置影像上進行掃描；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13描繪可結合本文中所描述之技術利用的另一例示性微影投影設備1000。
微影投影設備1000包含： -  -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，圖案化裝置台) MT，其經建構以支撐圖案化裝置(例如，光罩或倍縮光罩) MA且連接至經組態以準確地定位圖案化裝置之第一定位器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並連接至經組態以準確地定位基板的第二定位器PW；及 -  投影系統(例如，反射投影系統) PS，其經組態以將藉由圖案化裝置MA賦予給輻射光束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，設備1000屬於反射類型(例如使用反射圖案化裝置)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化裝置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。可運用X射線微影來產生甚至更小的波長。因為大多數材料在EUV及x射線波長下具吸收性，所以圖案化裝置構形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。
參看圖13，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(常常被稱為雷射產生電漿(「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13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，雷射不被視為形成微影設備之部件，且輻射光束係藉助於包含(例如)適合導向鏡面及/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(常常被稱為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，琢面化場鏡面裝置及琢面化光瞳鏡面裝置。照明器可用以調節輻射光束，以在其橫截面中具有所要均勻性及強度分佈。
輻射光束B入射於固持在支撐結構(例如，圖案化裝置台) MT上之圖案化裝置(例如，光罩) MA上，且係由圖案化裝置而圖案化。在自圖案化裝置(例如光罩) MA反射後，輻射光束B傳遞通過投影系統PS，投影系統PS將光束聚焦在基板W之目標部分C上。藉助於第二定位器PW及位置感測器PS2 (例如干涉量測裝置、線性編碼器或電容式感測器)，基板台WT可準確地移動，例如，以便在輻射光束B之路徑中定位不同的目標部分C。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裝置(例如，光罩) MA。可使用圖案化裝置對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置(例如，光罩) MA與基板W。
所描繪設備1000可用於以下模式中之至少一者中： 1.  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(亦即，單次靜態曝光)時，使支撐結構(例如，圖案化裝置台) 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，在將被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)時，同步地掃描支撐結構(例如，圖案化裝置台) MT及基板台WT 。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於支撐結構(例如，圖案化裝置台) MT之速度及方向。 3.  在另一模式中，在將賦予至輻射光束之圖案投影至目標部分C上時，使固持可程式化圖案化裝置之支撐結構(例如圖案化裝置台) MT保持基本上靜止，且移動或掃描基板台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裝置。此操作模式可易於應用於利用可程式化圖案化裝置(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14更詳細地展示設備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之圍封結構220中。可藉由放電產生電漿輻射源來形成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，藉由產生至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之有效率產生，可需要為(例如) 10 Pa之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。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位於圍封結構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，照明系統IL可包括琢面化場鏡面裝置22及琢面化光瞳鏡面裝置24，琢面化場鏡面裝置22及琢面化光瞳鏡面裝置24經配置以提供在圖案化裝置MA處之輻射光束21之所要角分佈，以及在圖案化裝置MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化裝置MA處反射輻射光束21後，隨即形成經圖案化光束26，且經圖案化光束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件單元IL及投影系統PS中。取決於微影設備之類型，光柵光譜濾光器240可視情況存在。另外，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經安置成圍繞光軸O軸向地對稱，且此類型之收集器光學件CO可結合常常被稱為DPP源之放電產生電漿源而使用。
或者，源收集器模組SO可為如圖15所展示之LPP輻射系統之部件。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，從而產生具有數十電子伏特(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組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。
在選擇用於訓練資料之一組圖案以訓練ML模型中，可基於使用者輸入選擇特殊圖案之一特定數目及代表性圖案之一特定數目。舉例而言，使用者可輸入待選擇的特殊圖案之該數目及代表性圖案之該數目且選擇方法因此選擇其。然而，通常，使用者可能不知曉特殊圖案或代表性圖案之什麼數目係獲得良好ML模型涵蓋範圍之最佳組合。
在本發明中，基於影像之圖案選擇程序可促進特殊圖案之最佳數目的自動判定以改良ML模型涵蓋範圍。舉例而言，在半自動圖案選擇程序中，使用者可提供待選擇用於訓練資料之圖案的總數目(「N」)且圖案選擇方法可基於與輸入圖案相關聯的距離(例如，最小距離)自動地選擇特殊圖案之指定數目(「O」)且接著判定待自剩餘輸入圖案選擇的隨待選擇之圖案之總數目及所選擇特殊圖案之指定數目而變的代表性圖案之數目(「K」))(例如，K=N-O)且因此自輸入圖案選擇代表性圖案之數目。在另一實例中，全自動圖案選擇程序可包括基於與輸入圖案相關聯之距離(例如，最小距離)自動地選擇圖案(例如，包括特殊圖案及主要圖案兩者)之指定數目。無需提供關於待選擇的特殊圖案、主要圖案或總圖案之數目的使用者輸入。
圖16為符合各個實施例的用於使用半自動圖案選擇模式選擇圖案的例示性基於影像之圖案選擇系統1600的方塊圖。在一些實施例中，基於影像之圖案選擇系統1600類似於圖4的基於影像之圖案選擇系統400。各種圖案之特徵向量505經輸入至分組組件415。在一些實施例中，特徵向量505表示待印刷於基板上之圖案且由對應於彼等圖案之圖案影像503產生。分組組件415判定一圖案距圖案影像503中之一或多個其他圖案之最小距離(例如，藉由比較其特徵向量，如上文至少參看圖4及圖7所描述)並基於圖案之最小距離將圖案分類成類別。在一些實施例中，分組組件415藉由基於其最小距離(例如，自大至小)分級圖案來分類圖案。舉例而言，如圖17A中所說明，分組組件415將分級圖案1610分類成類別1700，諸如低風險類別1712、中風險類別1710或高風險類別1708。高風險類別1708可表示與第一範圍中之最小距離相關聯的圖案(例如，高風險圖案1702)，中風險類別1710可表示與小於第一範圍之第二範圍中之最小距離相關聯的圖案(例如，中風險圖案1704)，且低風險類別1712可表示與小於第二範圍之第三範圍中之最小距離相關聯的圖案(例如，低風險圖案1706)。在一些實施例中，高風險類別1708中之圖案與中風險類別1710中之圖案相比彼此更不同，中風險類別1710中之圖案與低風險類別1712中之圖案相比彼此更不同。此外，高風險類別1708中之圖案為特殊圖案的可能性高於中風險類別1710中之圖案為特殊圖案的可能性，且中風險類別1710中之圖案為特殊圖案的可能性高於低風險類別1712中之圖案為特殊圖案的可能性。
應注意雖然圖17A之實例說明經分類成三個類別之分級圖案1610，但類別之數目不限於三且可大於或小於三。
分組組件415判定可用於選擇該組圖案513之圖案的臨限最小距離1615，該組圖案可用作用於訓練圖案預測器430之訓練資料。在一些實施例中，臨限最小距離1615經判定為隨一或多個類別中之最小距離及圖案之計數(例如，圖案之數目或數量)而變。舉例而言，若在高風險及中風險類別中不存在圖案，則臨限最小距離1615可經判定為隨低風險類別1712中最大最小距離及在圖案之計數中的最短最小距離而變。在另一實例中，若在高風險及中風險類別中不存在圖案，則臨限最小距離1615可經判定為隨中風險類別1710中之最大最小距離及在圖案之計數中之最短最小距離而變。在又一實例中，若在所有類別中存在圖案，則臨限最小距離1615可經判定為隨高風險類別1708中之最大最小距離及在圖案之計數中之最短最小距離而變。在一些實施例中，臨限最小距離1615可使用統計分佈分析來判定。圖17B展示符合各個實施例之圖案之最小距離及臨限最小距離的圖表1750。
在一些實施例中，待考慮用於判定臨限最小距離1615的圖案之計數可基於待包括於用於半自動圖案選擇模式之該組圖案513中的圖案1630之總數目(例如，「N」)，及用於全自動圖案選擇模式的可用圖案(例如，在分級圖案1610中)之總數目。
圖案選擇器420選擇具有高於臨限最小距離1615之最小距離的全部圖案作為特殊圖案1625。通常，若在高風險類別1708中存在圖案，則無論臨限最小距離1615的值為何而選擇來自高風險類別1708之全部圖案。
在一些實施例中，具有低於臨限最小距離1615之最小距離的圖案可分組成主要圖案509之群組。舉例而言，分組組件415將主要圖案分組成叢集910至930(例如，使用k平均數演算法)，如圖10中所說明。在選擇特殊圖案1625之後，圖案選擇器420判定待選擇用於包括於該組圖案513中的代表性圖案之數目(例如，計數)。在一些實施例中，圖案選擇器420判定待選擇為待包括於該組圖案513中之圖案1630之總數目與所選擇的特殊圖案1625之數目之間的差的代表性圖案1635之數目(「K」)(例如，K=N-O)。圖案選擇器420自主要圖案509之群組選擇代表性圖案1640之「K」數目。舉例而言，圖案選擇器420自叢集910至930選擇代表性圖案1012、1022及1032作為代表性圖案1640。
特殊圖案1625及代表性圖案1640可經選擇為該組圖案513。對應於所選擇組圖案513之特徵向量505可儲存於資料儲存系統425中，且可用作用於訓練圖案預測器430的訓練資料以預測用於給定目標圖案的待印刷於基板上之圖案。
圖18為符合各個實施例的用於使用全自動圖案選擇模式選擇圖案的例示性基於影像之圖案選擇系統1600的方塊圖。在一些實施例中，基於影像之圖案選擇系統1800類似於圖16的基於影像之圖案選擇系統1600。如上文參看圖16所描述，臨限最小距離1615經判定為隨一或多個類別中之最小距離及圖案之計數(例如，圖案之數目或數量)而變，且對於全自動圖案選擇模式，所考慮的圖案之計數可基於可用圖案之總數目，例如，分級圖案1610中之圖案的計數。
在判定臨限最小距離1615之後，分組組件415基於臨限最小距離1615將來自分級圖案1610之圖案分組成多個群組1805。圖19展示符合各個實施例的基於臨限最小距離形成的群組1805之實例。群組1805可包括其中每一群組包括具有彼此相距在臨限最小距離1615內之最小距離的圖案之多個群組。舉例而言，第一群組1910包括其彼此相距之最小距離在臨限最小距離1615內的圖案1902、1904及1906。
圖案選擇器420可自群組1805中之每一者選擇至少一個圖案以獲得圖案1810，其可經選擇為該組圖案513。舉例而言，圖案選擇器420可自第一群組1910選擇圖案1902。在一些實施例中，圖案1805可經分組且圖案1810可使用線性程式化方法而選擇。對應於所選擇組圖案513之特徵向量505可儲存於資料儲存系統425中，且可用作用於訓練圖案預測器430的訓練資料以預測用於給定目標圖案的待印刷於基板上之圖案。
圖20為符合各個實施例的用於圖案之自動選擇的例示性方法2000之流程圖。在一些實施例中，方法2000可藉由圖16之系統1600或圖18之系統1800實施。
在程序P2001處，獲得各種圖案之特徵向量505。在一些實施例中，特徵向量505表示待印刷於基板上之圖案且由對應於彼等圖案之圖案影像503產生。
在程序P2002處，基於與圖案相關聯之最小距離值將圖案分類為類別1700。在一些實施例中，基於如上文至少參看圖4及圖7所描述的特徵向量而判定最小距離。類別1700可包括諸如低風險類別1712、中風險類別1710或高風險類別1708之類別，其中每一類別係與最小距離之不同範圍相關聯且包含具有在對應範圍中之最小距離的圖案。
在程序P2003處，判定臨限最小距離1615。臨限最小距離可用於選擇用於該組圖案513之圖案，該組圖案用作用於訓練圖案預測器430之訓練資料。在一些實施例中，臨限最小距離1615可經判定為隨一或多個類別中之最小距離及圖案之計數而變(例如，基於分級圖案1610中之圖案的數目或數量或待包括於該組圖案513中的圖案之數目而判定)。
在程序P2004處，基於臨限最小距離1615選擇圖案2004。下文至少參看圖21A及圖21B描述關於圖案2004之選擇的額外細節。
在程序P2005處，所選擇圖案2004經輸出為用作用於訓練圖案預測器430之訓練資料的該組圖案513。
圖21A為符合各個實施例的用於使用半自動圖案選擇模式選擇圖案的例示性方法2100之流程圖。在一些實施例中，方法2100可藉由圖16之系統1600實施，且實施為圖20之方法2000的程序P2004之部分。
在程序P2101處，獲得分級圖案1610及臨限最小距離1615。應注意，對於半自動模式，臨限最小距離1615可經判定為隨一或多個類別中之最小距離及圖案之計數(例如，待經選擇用於該組圖案513的圖案之總數或數量)而變。
在程序P2102處，特殊圖案1625係基於臨限最小距離而獲得。舉例而言，圖案選擇器420選擇具有高於臨限最小距離1615之最小距離的全部圖案作為特殊圖案1625。
在程序P2103處，剩餘圖案(例如，低於臨限最小距離1615之圖案)經叢集成主要圖案509之多個群組。舉例而言，分組組件415將剩餘圖案分組成叢集910至930(例如，使用k平均數演算法)，如圖10中所說明。
在程序P2104處，待包括於該組圖案513中的圖案之計數「N」經獲得(例如，作為使用者輸入)且來自待選擇的主要圖案509之群組的代表性圖案1640之數目係基於圖案之計數及特殊圖案1625之計數而判定。舉例而言，圖案選擇器420判定待選擇為待包括於該組圖案513中之圖案1630之總數目與所選擇的特殊圖案1625之數目之間的差的代表性圖案1635之數目(「K」)(例如，K=N-O)。圖案選擇器420自主要圖案509之群組選擇代表性圖案1640之「K」數目。舉例而言，圖案選擇器420自叢集910至930選擇代表性圖案1012、1022及1032作為代表性圖案1640。特殊圖案1625及代表性圖案1640接著包括於該組圖案513中。
圖21B為符合各個實施例的用於使用全自動圖案選擇模式選擇圖案的例示性方法2150之流程圖。在一些實施例中，方法2150可藉由圖18之系統1800實施，且實施為圖20之方法2000的程序P2004之部分。
在程序P2110處，獲得分級圖案1610及臨限最小距離1615。應注意，對於全自動模式，臨限最小距離1615可經判定為隨一或多個類別中之最小距離及圖案之計數(例如，可用於分級圖案1610中的圖案之總數或數量)而變。
在程序P2111處，基於臨限最小距離1615將來自分級圖案1610之圖案分組成多個群組1805。每一群組包括具有彼此相距在臨限最小距離1615內之最小距離的圖案。舉例而言，如圖19中所說明，第一群組1910包括其彼此相距最小距離在臨限最小距離1615內的圖案1902、1904及1906。
在程序P2112處，來自群組1805中之每一者的至少一個圖案經選擇以獲得圖案1810，其可經選擇為該組圖案513。舉例而言，圖案選擇器420可自第一群組1910選擇圖案1902。在一些實施例中，圖案1805可經分組且圖案1810可使用線性程式化方法而選擇。
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，第一組合包括選擇訓練資料以訓練ML模型(例如，預測器450)以預測待印刷於基板上之圖案。在子組合中，實施例可包括改良ML模型之模型涵蓋範圍及預測待印刷於基板上之圖案的準確度。第二組合可包括使用半自動圖案選擇模式選擇用於訓練資料之圖案。第三組合可包括使用全自動圖案選擇模式選擇用於訓練資料之圖案。
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，在此等替代應用之情況下，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被視為分別可與更一般之術語「光罩」、「基板」及「目標部分」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，包括紫外線幅射(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)。
本文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，且可尤其有用於能夠產生具有愈來愈小之大小之波長的新興成像技術。已經在使用中之新興技術包括極紫外線(EUV)微影，其能夠藉由使用ArF雷射來產生193 nm之波長且甚至能夠藉由使用氟雷射來產生157 nm之波長。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5 nm之範圍內的波長，以便產生在此範圍內之光子。
可藉由以下條項進一步描述本發明之實施例。 1.     一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案； 將該等影像分組成一特殊圖案群組及多個主要圖案群組；及 基於該等影像輸出一組圖案作為用於訓練該模型之訓練資料，其中該組圖案包括該特殊圖案群組及來自每一主要圖案群組的一代表性主要圖案。 2.     如條項1之電腦可讀媒體，其中分組該等影像包括使用不同叢集演算法以識別該特殊圖案群組及該多個主要圖案群組。 3.     如條項1之電腦可讀媒體，其中分組該等影像包括： 產生該等影像之特徵向量，其中每一特徵向量表示該對應影像。 4.     如條項3之電腦可讀媒體，其中將該等影像分組成該特殊圖案群組包括： 判定該等特徵向量中之每一者距該等特徵向量中之任一其他特徵向量的一最小距離；及 將該等特徵向量中之具有高於一指定臨限值之該最小距離的特徵向量識別為該特殊圖案群組。 5.     如條項3之電腦可讀媒體，其中產生該多個主要圖案群組包括： 將該等特徵向量中之未在該特殊圖案群組中之特徵向量判定為對應於主要圖案之一組特徵向量；及 將該組特徵向量叢集成該多個主要圖案群組。 6.     如條項5之電腦可讀媒體，其進一步包含： 對於每一主要圖案群組判定該對應主要圖案群組之一矩心；及 對於每一主要圖案群組將最接近該矩心的一特徵向量判定為該對應主要圖案群組之該代表性主要圖案。 7.     如條項1之電腦可讀媒體，其進一步包含： 使用對應於該組圖案之該等影像訓練該模型以產生待印刷於該基板上之一模擬圖案。 8.     如條項7之電腦可讀媒體，其進一步包含： 使用該模型產生用於一給定目標圖案之一光罩圖案。 9.     如條項8之電腦可讀媒體，其中獲得該多個圖案之該等影像包括： 獲得基於該多個圖案之圖案資料產生的該多個圖案之光罩影像、空中影像、抗蝕劑影像或蝕刻影像中之至少一者。 10.   如條項9之電腦可讀媒體，其中該圖案資料包括一全晶片佈局資料、該全晶片佈局中之該多個圖案的位置資料，或焦點曝光矩陣資料中之至少一者。 11.    如條項1之電腦可讀媒體，其中輸出該組圖案包括： 判定每一圖案距任何其他圖案之一最小距離；及 基於該等圖案之該等最小距離的一分佈將該等圖案分類成一或多個類別。 12.   如條項11之電腦可讀媒體，其中該等特殊圖案分類為以下各者中的一或多者： 一高風險類別，其表示具有在一第一範圍中之一最小距離的特殊圖案， 一中風險類別，其表示具有在一第二範圍中之一最小距離的特殊圖案，及 一低風險類別，其表示具有在一第三範圍中之一最小距離的特殊圖案。 13.   如條項12之電腦可讀媒體，其中該第一範圍大於該第二範圍，且其中該第二範圍大於該第三範圍。 14.   如條項12之電腦可讀媒體，其中分類該等圖案包括： 判定隨該一或多個類別中之該最大最小距離而變化之一臨限最小距離，其中該臨限最小距離用於待包括於該組圖案中的該等圖案之一選擇。 15.   如條項14之電腦可讀媒體，其進一步包含： 基於該臨限最小距離選擇待包括於該組圖案中之特殊圖案的一指定數目，其中該臨限最小距離經進一步判定為隨待包括於該組圖案中之一總數目個圖案當中的一最短最小距離而變；及 輸出具有該指定數目個特殊圖案之該組圖案。 16.   如條項15之電腦可讀媒體，其中選擇該指定數目個特殊圖案包括： 自該一或多個類別選擇具有高於該臨限最小距離之一最小距離的該等特殊圖案。 17.   如條項15之電腦可讀媒體，其中選擇該指定數目個特殊圖案包括： 基於該高風險類別包括除高於該臨限最小距離之特殊圖案外的特殊圖案的一判定自該高風險類別選擇該等特殊圖案中之全部。 18.   如條項15之電腦可讀媒體，其中選擇該指定數目個特殊圖案包括： 基於該中風險類別及該高風險類別中沒有特殊圖案的一判定自該低風險類別選擇該等特殊圖案中之全部。 19.   如條項18之電腦可讀媒體，其中選擇來自該低風險類別之具有高於該臨限最小距離之一最小距離的該等特殊圖案，其中該臨限最小距離經判定為隨該低風險類別中之該最大最小距離而變。 20.   如條項15之電腦可讀媒體，其中選擇該指定數目個特殊圖案包括： 基於該高風險類別中沒有特殊圖案的一判定自該中風險類別及該低風險類別選擇該等特殊圖案。 21.   如條項20之電腦可讀媒體，其中選擇來自該低風險類別及該中風險類別之具有高於該臨限最小距離之一最小距離的該等特殊圖案，其中該臨限最小距離經判定為隨該中風險類別中之該最大最小距離而變。 22.   如條項15之電腦可讀媒體，其中輸出該組圖案包括： 判定隨待包括於該組圖案中的特殊圖案之該指定數目及圖案之該總數目而變的待包括於該組圖案中的代表性主要圖案之數目；及 輸出具有該數目個代表性主要圖案之該組圖案。 23.   如條項14之電腦可讀媒體，其進一步包含： 進一步基於一總數目個該等圖案當中的一最短最小距離判定該臨限最小距離； 基於該臨限最小距離將該等圖案分組成多個集合，其中每一集合包括各自距該集合中之任何其他圖案具有低於該臨限最小距離之一最小距離的一或多個圖案； 自每一集合選擇待包括於該組圖案中之至少一個圖案；及 輸出具有來自每一集合之該至少一個圖案的該組圖案。 24.   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使該電腦執行圖案選擇之一方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案；及 基於該等影像自該多個圖案選擇一組圖案作為用於訓練一第一模型之訓練資料。 25.   如條項24之電腦可讀媒體，其中選擇該組圖案包括藉由使用不同叢集演算法將該多個圖案分組成主要圖案及特殊圖案。 26.   如條項24之電腦可讀媒體，其中選擇該組圖案包括： 產生該等影像之特徵向量，其中每一特徵向量表示該對應影像； 基於該等特徵向量將該多個圖案分組成多個群組；及 自該多個群組選擇該組圖案。 27.   如條項26之電腦可讀媒體，其中分組該多個圖案包括： 自該多個圖案產生一特殊圖案群組及多個主要圖案群組。 28.   如條項27之電腦可讀媒體，其中產生該特殊圖案群組包括： 基於該等特徵向量之間的一距離分組該多個圖案，其中該等特徵向量中之兩個特徵向量之間的一距離指示對應兩個影像中之兩個圖案之間的一差異。 29.   如條項28之電腦可讀媒體，其中基於該距離分組該多個圖案包括： 判定該等特徵向量中之每一者距該等特徵向量中之任一其他特徵向量的一最小距離；及 將該等特徵向量中之具有高於一指定臨限值之該最小距離的特徵向量識別為該特殊圖案群組。 30.   如條項27之電腦可讀媒體，其中產生該特殊圖案群組包括： 基於基於密度之空間叢集來叢集該等特徵向量以將一組特徵向量識別為離群值；及 將在對應於該組特徵向量之該等影像中的圖案判定為該特殊圖案群組。 31.   如條項27之電腦可讀媒體，其中產生該多個主要圖案群組包括： 將該等特徵向量中之未在該特殊圖案群組中之特徵向量判定為對應於主要圖案之一組特徵向量；及 將該組特徵向量叢集成該多個主要圖案群組。 32.   如條項31之電腦可讀媒體，其中該叢集係使用k平均數叢集來執行。 33.   如條項27之電腦可讀媒體，其中自該多個群組選擇該組圖案包括： 選擇該特殊圖案群組及自每一主要圖案群組選擇一代表性主要圖案。 34.   如條項33之電腦可讀媒體，其中自每一主要圖案群組選擇該代表性主要圖案包括： 對於每一主要圖案群組判定該對應主要圖案群組之一矩心；及 對於每一主要圖案群組將最接近該矩心的一特徵向量判定為該對應主要圖案群組之一代表性主要圖案。 35.   如條項33之電腦可讀媒體，其進一步包含： 使用對應於該特殊圖案群組及該等代表性主要圖案之該等影像訓練該第一機器學習模型以產生待印刷於該基板上的一模擬圖案。 36.   如條項35之電腦可讀媒體，其進一步包含： 使用該第一模型產生用於一給定目標圖案之一光罩圖案。 37.   如條項36之電腦可讀媒體，其進一步包含： 使用該光罩圖案執行一圖案化步驟以經由一圖案化程序在該基板上印刷對應於該給定目標圖案之圖案。 38.   如條項26之電腦可讀媒體，其中產生該等特徵向量包括基於自該影像獲得之一編碼資訊產生該等影像中之一影像的一特徵向量。 39.   如條項38之電腦可讀媒體，其中該編碼資訊包括與該影像中之一圖案相關聯的幾何資訊、抗蝕劑信號，或與用於在該基板上印刷該圖案之一微影設備相關聯的光學資訊中之至少一者。 40.   如條項26之電腦可讀媒體，其中產生該等特徵向量包括： 運用一組圖案影像訓練一第二模型，使得在產生用於該組圖案影像之一預測特徵向量組時的一成本函數得以縮減。 41.   如條項40之電腦可讀媒體，其中訓練該第二模型包括： 使用該組圖案影像執行該第二模型以輸出用於該組圖案影像中之一第一圖案影像的一預測特徵向量； 自該預測特徵向量產生一經預測圖案影像； 將該成本函數計算為該第一圖案影像與該經預測圖案影像之間的一差異；及 調整該第二模型之參數以縮減該成本函數。 42.   如條項40之電腦可讀媒體，其中使該成本函數最小化。 43.   如條項34之電腦可讀媒體，其中獲得該多個圖案之該等影像包括： 獲得該多個圖案之圖案資料，其中該圖案資料包括一全晶片佈局資料、該全晶片佈局中之該多個圖案的位置資料，或焦點曝光矩陣資料中之至少一者。 44.   如條項43之電腦可讀媒體，其中獲得該多個圖案之該等影像包括： 使用該圖案資料自表示一微影設備之光學性質的一源模型產生該多個圖案之光罩影像、空中影像或抗蝕劑影像。 45.   如條項44之電腦可讀媒體，其中獲得該多個圖案之該等影像包括： 使用該圖案資料自該等空中影像使用一抗蝕劑模型產生該多個圖案之抗蝕劑影像。 46.   一種圖案選擇的方法，該方法包含： 藉由一硬體電腦系統獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案；及 藉由該硬體電腦系統基於該等影像自該多個圖案中選擇一組圖案作為用於訓練一模型的訓練資料以預測待印刷於一基板上之圖案。 47.   一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案； 將該等影像分組成一特殊圖案群組及多個主要圖案群組，其中基於該多個圖案中之每一者之間的一最小距離將該等影像分組成該特殊圖案群組； 獲得待包括於一組圖案中的圖案之一總數目，其中該組圖案待用作用於訓練該模型之訓練資料； 判定隨該最小距離而變的待包括於該組圖案中的特殊圖案之一指定數目及待包括於該組圖案中的圖案之該總數目；及 輸出該組圖案，其中該組圖案包括該指定數目個特殊圖案及來自至少一個主要圖案群組之一代表性主要圖案。 48.   如條項47之電腦可讀媒體，其中輸出該組圖案包括： 判定隨特殊圖案之該指定數目及圖案之該總數而變之待包括於該組圖案中的代表性主要圖案之一數目；及 輸出具有該數目個代表性主要圖案之該組圖案。 49.   一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案； 獲得該多個圖案中之每一者之間的一最小距離； 判定一臨限最小距離以用於選擇待包括於一組圖案中的圖案之一指定數目，其中該組圖案用作用於訓練該模型之訓練資料； 基於該臨限最小距離將該等圖案分組成多個集合，其中每一集合包括各自距該集合中之任何其他圖案具有低於該臨限最小距離之一最小距離的一或多個圖案； 自每一集合選擇待包括於該組圖案中之至少一個圖案；及 輸出該組圖案。 50.   如條項49之電腦可讀媒體，其中該臨限最小距離經判定為隨該等最小距離中之該最大及最短最小距離而變。 51.   一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使該電腦執行一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案； 獲得該多個圖案中之每一者之間的一最小距離； 判定隨該等最小距離中之該最大最小距離而變的一臨限最小距離； 基於該臨限最小距離選擇圖案之一指定數目；及 輸出具有該指定數目個圖案之一組圖案，其中該組圖案用作用於訓練該模型之訓練資料。 52.   如條項51之電腦可讀媒體，其中選擇該指定數目個圖案包括： 基於該臨限最小距離將該等圖案分組成多個集合，其中每一集合包括各自距該集合中之任何其他圖案具有低於該臨限最小距離之一最小距離的一或多個圖案；及 自每一集合選擇待包括於該組圖案中之至少一個圖案。 53.   如條項51之電腦可讀媒體，其中選擇該指定數目個圖案包括： 將該等影像分組成一特殊圖案群組及多個主要圖案群組；及 基於該最小距離選擇將一指定數目個特殊圖案及來自該主要圖案群組之一代表性主要圖案包括於該組圖案中。 54.   如條項53之電腦可讀媒體，其中選擇該指定數目個特殊圖案包括： 基於該最小距離之一分佈將該等圖案分類成一或多個類別；及 自該一或多個類別選擇該指定數目個特殊圖案。 55.   如條項54之電腦可讀媒體，其中選擇該指定數目個特殊圖案包括： 判定隨待包括於該組圖案中的一總數目個圖案當中的該一或多個類別中之該最大最小距離及一最短最小距離而變化之該臨限最小距離；及 自該一或多個類別選擇具有高於該臨限最小距離之一最小距離的該等特殊圖案。 56.   如條項53之電腦可讀媒體，其中選擇該指定數目個特殊圖案包括： 獲得待包括於該組圖案中之圖案的一總數目； 判定隨待包括於該組圖案中的特殊圖案之該指定數目及圖案之該總數目而變的待包括於該組圖案中的代表性主要圖案之數目；及 輸出具有該數目個代表性主要圖案之該組圖案。 57.   一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案； 將該等影像分組成一特殊圖案群組及多個主要圖案群組，其中基於該多個圖案中之每一者之間的一最小距離將該等影像分組成該特殊圖案群組； 獲得待包括於一組圖案中的圖案之一總數目，其中該組圖案待用作用於訓練該模型之訓練資料； 判定隨該最小距離而變的待包括於該組圖案中的特殊圖案之一指定數目及待包括於該組圖案中的圖案之該總數目；及 輸出該組圖案，其中該組圖案包括該指定數目個特殊圖案及來自至少一個主要圖案群組之一代表性主要圖案。 58.   一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案； 獲得該多個圖案中之每一者之間的一最小距離； 判定一臨限最小距離以用於選擇待包括於一組圖案中的圖案之一指定數目，其中該組圖案用作用於訓練該模型之訓練資料； 基於該臨限最小距離將該等圖案分組成多個集合，其中每一集合包括各自距該集合中之任何其他圖案具有低於該臨限最小距離之一最小距離的一或多個圖案； 自每一集合選擇待包括於該組圖案中之至少一個圖案；及 輸出該組圖案。 59.   一種用於選擇圖案來訓練一模型以預測待印刷於一基板上之圖案的方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案； 獲得該多個圖案中之每一者之間的一最小距離； 判定隨該等最小距離中之該最大最小距離而變的一臨限最小距離； 基於該臨限最小距離選擇圖案之一指定數目；及 輸出具有該指定數目個圖案之一組圖案，其中該組圖案用作用於訓練該模型之訓練資料。一種包含如條項1至45及條項47至56中所描述之非暫時性電腦可讀媒體的設備。 60.      如條項1至23中任一項之電腦可讀媒體，其中該模型為一機器學習模型或一非機器學習模型。 61.   如條項24至45中任一項之電腦可讀媒體，其中該第一模型為一機器學習模型或一非機器學習模型。 62.   如條項24至45中任一項之電腦可讀媒體，其中該第二模型為一機器學習模型。 63.   如條項1至23及51至56中任一項之電腦可讀媒體，其中該模型為一抗蝕劑模型、一蝕刻模型或其一組合。 64.   如條項24至45中任一項之電腦可讀媒體，其中該第一模型為一抗蝕劑模型、一蝕刻模型或其一組合。 65.   如條項46至49、51、57至58中任一項之方法，其中該模型為一抗蝕劑模型、一蝕刻模型或其一組合。
雖然本文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之的基板上之成像之微影成像系統。
如本文所使用之術語「最佳化(optimizing/optimization)」指代或意謂調整圖案化設備(例如，微影設備)、圖案化程序等等，使得結果及/或程序具有更合乎需要之特性，諸如基板上之設計圖案之更高投影準確度、更大程序窗等等。因此，如本文所使用之術語「最佳化(optimizing/optimization)」指代或意謂識別用於一或多個參數之一或多個值的程序，該一或多個值相比於用於彼等一或多個參數之一或多個值之初始集合提供在至少一個相關度量方面的改良，例如局部最佳。應相應地解釋「最佳」及其他相關術語。在一實施例中，可反覆應用最佳化步驟，以提供一或多個度量之進一步改良。
可以任何便利形式實施本發明之態樣。舉例而言，可藉由一或多個適當電腦程式來實施實施例，該一或多個適當電腦程式可在可係有形載體媒體(例如，磁碟)或無形載體媒體(例如，通信信號)之適當載體媒體上進行。可使用可特定地採取可程式化電腦之形式的合適設備來實施本發明之實施例，該可程式化電腦執行經配置以實施如本文所描述之方法之電腦程式。因此，本發明之實施例可以硬體、韌體、軟體或其任何組合來實施。本發明之實施例亦可被實施為儲存於機器可讀媒體上之指令，該等指令可由一或多個處理器讀取及執行。機器可讀媒體可包括用於儲存或傳輸以可由機器(例如，計算裝置)讀取之形式之資訊的任何機構。舉例而言，機器可讀媒體可包括：唯讀記憶體(ROM)；隨機存取記憶體(RAM)；磁性儲存媒體；光學儲存媒體；快閃記憶裝置；電學、光學、聲學或其他形式之傳播信號(例如，載波、紅外線信號、數位信號，等等)；及其他者。另外，韌體、軟件、例程、指令可在本文中被描述為執行某些動作。然而，應瞭解，此等描述僅僅為方便起見，且此等動作事實上係由計算裝置、處理器、控制器或執行韌體、軟體、常式、指令等等之其他裝置引起。
在方塊圖中，所說明之組件被描繪為離散功能區塊，但實施例不限於本文中所描述之功能性如所說明來組織之系統。由組件中之每一者所提供之功能性可由軟體或硬體模組提供，該等模組以與目前所描繪之方式不同的方式來組織，例如此類軟體或硬體可經摻和、結合、複製、分解、分佈(例如在資料中心內或按地區)，或另外以不同方式組織。本文中所描述之功能性可由執行儲存於有形的、非暫時性機器可讀媒體上之程式碼之一或多個電腦之一或多個處理器提供。在一些情況下，第三方內容遞送網路可主控經由網路傳達之資訊中之一些或全部，在此情況下，在據稱供應或另外提供資訊(例如，內容)之情況下，可藉由發送指令以自內容遞送網路擷取彼資訊提供該資訊。
除非另有具體陳述，否則如自論述顯而易見，應瞭解，貫穿本說明書，利用諸如「處理」、「計算(computing/calculating)」、「判定」或其類似者之術語的論述係指諸如專用電腦或相似專用電子處理/計算裝置之特定設備的動作或程序。
讀者應瞭解，本申請案描述若干發明。已將此等發明分組成單一文件，而非將彼等發明分離成多個單獨的專利申請案，此係因為該等發明之相關主題在應用程序中有助於經濟發展。但不應合併此等發明之相異優點及態樣。在一些情況下，實施例解決本文中所提及之所有缺陷，但應理解，該等發明係獨立地有用，且一些實施例僅解決此等問題之子集或提供其他未提及之益處，該等益處對於檢閱本發明之熟習此項技術者將顯而易見。歸因於成本約束，目前可不主張本文中所揭示之一些發明，且可在稍後申請案(諸如接續申請案或藉由修正本技術方案)中主張該等發明。相似地，歸因於空間限制，本發明文件之[發明摘要]及[發明內容]章節皆不應被視為含有所有此等發明之全面清單或此等發明之所有態樣。
應理解，描述及圖式不意欲將本發明限制於所揭示之特定形式，但相反，意欲涵蓋屬於如由所附申請專利範圍所界定的本發明之精神及範疇內之所有修改、等效者及替代例。
鑒於此描述，本發明之各個態樣的修改及替代實施例對於熟習此項技術者而言將顯而易見。因此，此描述及圖式應被理解為僅為說明性的且係出於教示熟習此項技術者實施本發明之一般方式之目的。應理解，本文中所展示且描述之本發明之形式應被視為實施例之實例。元件及材料可替代本文中所說明及描述之元件及材料，部分及程序可被反轉或被省略，可獨立利用某些特徵，且可組合實施例或實施例之特徵，此皆如對熟習此項技術者在獲得此描述之益處之後將顯而易見。在不背離如在以下申請專利範圍中所描述之本發明之精神及範疇的情況下，可對本文所述之元件作出改變。本文中所使用之標題僅為達成組織性目的，且不意謂用以限制本說明書之範疇。
如貫穿本申請案所使用，詞「可」係在許可之意義(亦即，意謂有可能)而非強制性之意義(亦即，意謂必須)予以使用。詞「包括(include/including/includes)」及其類似者意謂包括但不限於。如貫穿本申請案所使用，單數形式「一(a/an)」及「該(the)」包括複數個參照物，除非內容另有明確地指示。因此，舉例而言，對「元件(an element/a element)」之參考包括兩個或多於兩個元件之組合，儘管會針對一或多個元件使用其他術語及短語，諸如「一或多個」。除非另有指示，否則術語「或」係非獨占式的，亦即，涵蓋「及」與「或」兩者。描述條件關係之術語，例如，「回應於X，而Y」、「在X後，即Y」、「若X，則Y」、「當X時，Y」及其類似者涵蓋因果關係，其中前提為必要的因果條件，前提為充分的因果條件，或前提為結果的貢獻因果條件，例如，「在條件Y獲得後，即出現狀態X」對於「僅在Y後，才出現X」及「在Y及Z後，即出現X」為通用的。此等條件關係不限於即刻遵循前提而獲得之結果，此係因為可延遲一些結果，且在條件陳述中，前提連接至其結果，例如，前提係與出現結果之似然性相關。除非另有指示，否則複數個特質或功能經映射至複數個物件(例如，執行步驟A、B、C及D之一或多個處理器)之陳述涵蓋所有此等特質或功能經映射至所有此等物件及特質或功能之子集經映射至特質或功能之子集兩者(例如，所有處理器各自執行步驟A至D，及其中處理器1執行步驟A，處理器2執行步驟B及步驟C之一部分，且處理器3執行步驟C之一部分及步驟D之情況)。另外，除非另有指示，否則一個值或動作係「基於」另一條件或值之陳述涵蓋條件或值為單獨因數之情況及條件或值為複數個因數當中之一個因數之情況兩者。除非另有指示，否則某一集合之「每一」例項具有某一性質之陳述不應被解讀為排除較大集合之一些以其他方式相同或相似成員不具有該性質(亦即，每一者未必意謂每個都)之情況。對自一範圍選擇之提及包括該範圍之端點。
在以上描述中，流程圖中之任何程序、描述或區塊應理解為表示程式碼之模組、區段或部分，其包括用於實施該程序中之特定的邏輯功能或步驟之一或多個可執行指令，且替代實施方案包括於本發明進展之例示性實施例之範疇內，其中功能可取決於所涉及之功能性不按照所展示或論述之次序執行，包括實質上同時或以相反次序執行，如熟習此項技術者應理解。
在某些美國專利、美國專利申請案或其他材料(例如論文)已以引用方式併入之情況下，此等美國專利、美國專利申請案及其他材料之文字僅在此材料與本文中所闡述之陳述及圖式之間不存在衝突之情況下以引用的方式併入。在存在此類衝突之情況下，在此類以引用方式併入的美國專利、美國專利申請案及其他材料中之任何此類衝突並不具體地以引用方式併入本文中。
雖然已描述某些實施例，但此等實施例僅作為實例來呈現，且並不意欲限制本發明之範疇。實際上，本文中所描述之新穎方法、設備及系統可以多種其他形式實施；此外，在不背離本發明之精神情況下，可以本文中所描述之方法、設備及系統的形式進行各種省略、替代及改變。隨附申請專利範圍及其等效物意欲涵蓋如將屬於本發明之範圍及精神內的此類形式或修改。
21:輻射光束 22:琢面化場鏡面裝置 24:琢面化光瞳鏡面裝置 26:經圖案化光束 28:反射元件 30:反射元件 10A:微影投影設備 12A:輻射源 14A:光學件 16Aa:光學件 16Ab:光學件 16Ac:透射光學件 18A:圖案化裝置 20A:可調整濾光器或孔徑 22A:基板平面 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(ROM) 110:儲存裝置 112:顯示器 114:輸入裝置 116:游標控制件 120:網路鏈路 122:區域網路 124:主電腦 126:網際網路服務提供者(ISP) 128:網際網路 130:伺服器 210:EUV輻射發射電漿/熱電漿 211:源腔室 212:收集器腔室 220:圍封結構 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 400:基於影像之圖案選擇系統 405:影像產生器 410:特徵向量產生器 415:分組組件 420:圖案選擇器 425:資料儲存系統 430:圖案預測器 500:方法/程序 501:圖案資料 503:圖案影像 505:特徵向量 507:特殊圖案 508:特殊圖案 509:主要圖案 510:主要圖案 511:主要圖案 513:圖案 550:程序 560:程序 570:程序 605:圖案影像 610:特徵向量 650:圖案影像 651:圖案影像 671:特徵向量 681:經預測圖案影像 801:叢集 802:叢集 803:叢集 804:叢集 805:圖案影像 805a:特殊圖案 805b:特殊圖案 805c:特殊圖案 805d:特殊圖案 805e:特殊圖案 910:第一叢集 920:第二叢集 930:第三叢集 1000:微影投影設備 1011:第一矩心 1012:第一代表性主要圖案 1021:第二矩心 1022:第二代表性主要圖案 1031:第三矩心 1032:第三代表性主要圖案 1200:源模型 1210:投影光學件模型 1220:圖案化裝置/設計佈局模型模組 1230:空中影像 1240:抗蝕劑模型 1250:抗蝕劑影像 1260:圖案轉印後程序模型模組 1300:源模型 1310:度量衡光學件模型 1320:度量衡目標模型 1330:光瞳或空中影像 1600:基於影像之圖案選擇系統 1610:分級圖案 1615:臨限最小距離 1625:特殊圖案 1630:圖案 1635:代表性圖案 1640:代表性圖案 1700:類別 1702:高風險圖案 1704:中風險圖案 1706:低風險圖案 1708:高風險類別 1710:中風險類別 1712:低風險類別 1750:圖表 1800:基於影像之圖案選擇系統 1805:群組 1810:圖案 1902:圖案 1904:圖案 1906:圖案 1910:第一群組 2000:方法 2004:程序 2100:方法 2150:方法 3190:圖案影像 3196:圖案影像 5025:圖案影像 5036:圖案影像 12109:圖案影像 AD:調整構件 B:輻射光束 BD:光束遞送系統 C:目標部分 CO:聚光器 IN:積光器 IF:干涉量測構件/虛擬源點/中間焦點 IL:照明系統/照明器 LA:雷射 LC:微影單元 M1:光罩對準標記 M2:光罩對準標記 MA:圖案化裝置 MT:支撐結構/第一物件台/圖案化裝置台 O:點虛線/光軸 P1:基板對準標記 P2:基板對準標記 P501:程序 P503:程序 P505:程序 P507:程序 P509:程序 P515:程序 P517:程序 P519:程序 P521:程序 P523:程序 P2001:程序 P2002:程序 P2003:程序 P2004:程序 P2005:程序 P2101:程序 P2102:程序 P2103:程序 P2104:程序 P2110:程序 P2111:程序 P2112:程序 PM:第一定位器 PS:投影系統/項目 PW:第二定位器 SO:源/源收集器模組 W:基板 WT:第二物件台/基板台
圖1展示微影系統之各種子系統的方塊圖。
圖2展示根據一實施例的用於圖案化模擬方法之流程。
圖3展示根據一實施例的用於量測模擬方法之流程。
圖4為符合各個實施例之用於選擇圖案來訓練一模型以預測待印刷於基板上之圖案的基於影像之圖案選擇系統的方塊圖。
圖5A為符合各個實施例的用於基於影像之圖案選擇的例示性方法之流程圖。
圖5B為符合各個實施例的用於產生圖案之影像的方法之流程圖。
圖5C為符合各個實施例之用於分組圖案影像之方法的流程圖。
圖5D為符合各個實施例的用於選擇一組圖案作為用於訓練圖案預測器之訓練資料的方法之流程圖。
圖6A為符合各個實施例之特徵向量產生器之方塊圖。
圖6B為說明符合各個實施例的訓練特徵向量產生器410以產生特徵向量之方塊圖。
圖7為符合各個實施例之使用基於距離之方法識別特殊圖案的方塊圖。
圖8為符合各個實施例的使用具有雜訊之基於密度之空間叢集應用方法來識別特殊圖案的方塊圖。
圖9為符合各個實施例之用於將特徵向量分組成主要圖案群組之方塊圖。
圖10為說明符合各個實施例之自各種圖案群組中選擇圖案的方塊圖。
圖11為根據一實施例之實例電腦系統的方塊圖。
圖12為根據一實施例的一微影投影設備之示意圖。
圖13為根據一實施例之另一微影投影設備的示意圖。
圖14為根據一實施例之圖12中之設備的更詳細視圖。
圖15為根據一實施例之圖13及圖14之設備的源收集器模組SO之更詳細視圖。
圖16為符合各個實施例的用於使用半自動圖案選擇模式選擇圖案的例示性基於影像之圖案選擇系統的方塊圖。
圖17A展示符合各個實施例之圖案經分類成的各種類別之圖表。
圖17B展示符合各個實施例之圖案之最小距離及臨限最小距離的圖表。
圖18為符合各個實施例的用於使用全自動圖案選擇模式選擇圖案的例示性基於影像之圖案選擇系統的方塊圖。
圖19展示符合各個實施例的基於臨限最小距離形成的群組之實例。
圖20為符合各個實施例的用於圖案之自動選擇的例示性方法之流程圖。
圖21A為符合各個實施例的用於使用半自動圖案選擇模式選擇圖案的例示性方法之流程圖。
圖21B為符合各個實施例的用於使用全自動圖案選擇模式選擇圖案的例示性方法之流程圖。
400:基於影像之圖案選擇系統
405:影像產生器
410:特徵向量產生器
415:分組組件
420:圖案選擇器
425:資料儲存系統
430:圖案預測器
501:圖案資料
503:圖案影像
505:特徵向量
507:特殊圖案
508:特殊圖案
509:主要圖案
510:主要圖案
513:圖案

Claims (17)

  1. 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使該電腦執行圖案選擇之一方法，該方法包含： 獲得多個圖案之影像，其中該多個圖案對應於待印刷於一基板上之目標圖案；及 基於該等影像自該多個圖案選擇一組圖案作為用於訓練一第一模型之訓練資料。
  2. 如請求項1之電腦可讀媒體，其中選擇該組圖案包括分別藉由使用不同叢集演算法將該多個圖案分組成主要圖案及特殊圖案。
  3. 如請求項2之電腦可讀媒體，其中分組該多個圖案包括： 自該多個圖案產生一特殊圖案群組及多個主要圖案群組，其中產生該特殊圖案群組包括： 基於該多個圖案之特徵向量之間的一距離分組該多個圖案，其中該等特徵向量中之兩個特徵向量之間的一距離指示對應兩個影像中之兩個圖案之間的一差異。
  4. 如請求項3之電腦可讀媒體，其中產生該特殊圖案群組包括： 基於基於密度之空間叢集來叢集該等特徵向量以將一組特徵向量識別為離群值；及 將在對應於該組特徵向量之該等影像中的圖案判定為該特殊圖案群組。
  5. 如請求項3之電腦可讀媒體，其中產生該多個主要圖案群組包括： 將該等特徵向量中之未在該特殊圖案群組中之特徵向量判定為對應於主要圖案之一組特徵向量；及 將該組特徵向量叢集成該多個主要圖案群組。
  6. 如請求項3之電腦可讀媒體，其中自該多個群組選擇該組圖案包括： 選擇該特殊圖案群組及自每一主要圖案群組選擇一代表性主要圖案， 其中自每一主要圖案群組選擇該代表性主要圖案包括： 對於每一主要圖案群組判定該對應主要圖案群組之一矩心；及 對於每一主要圖案群組將最接近該矩心的一特徵向量判定為該對應主要圖案群組之一代表性主要圖案。
  7. 如請求項1之電腦可讀媒體，其中該等影像為包含以下中之至少一者的模擬影像：抗蝕劑影像、光罩影像、空中影像及蝕刻影像。
  8. 如請求項2之電腦可讀媒體，其進一步包含： 使用對應於該特殊圖案群組及該等代表性主要圖案之該等影像訓練該第一模型以產生待印刷於該基板上的一模擬圖案或產生一光罩圖案。
  9. 如請求項5之電腦可讀媒體，其中該等特徵向量係藉由使用一組圖案影像執行一第二模型以輸出用於該組圖案影像中之一第一圖案影像的一預測特徵向量而產生。
  10. 如請求項1之電腦可讀媒體，其中該等所獲得影像為抗蝕劑影像，且其中獲得該多個圖案之該等影像包括： 使用該圖案資料自表示一微影設備之光學性質的一源模型產生該多個圖案之空中影像；及 使用該圖案資料自空中影像使用一抗蝕劑模型產生該多個圖案之抗蝕劑影像。
  11. 如請求項1之電腦可讀媒體，其中輸出該組圖案包括： 判定每一圖案距任何其他圖案之一最小距離；及 基於該等圖案之該等最小距離的一分佈將該等圖案分類成一或多個類別。
  12. 如請求項11之電腦可讀媒體，其中分類該等圖案包括： 判定隨該一或多個類別中之一最大最小距離而變化之一臨限最小距離，其中該臨限最小距離用於待包括於該組圖案中的該等圖案之一選擇。
  13. 如請求項11之電腦可讀媒體，其中選擇來自一第一類別之具有高於該臨限最小距離之一最小距離的該等特殊圖案，其中該臨限最小距離經判定為隨該第一類別中之該最大最小距離而變。
  14. 如請求項1之電腦可讀媒體，其中輸出該組圖案包括： 判定隨待包括於該組圖案中的特殊圖案之指定數目及圖案之總數目而變的待包括於該組圖案中的代表性主要圖案之一數目；及 輸出具有該數目個代表性主要圖案之該組圖案。
  15. 如請求項12之電腦可讀媒體，其進一步包含： 基於一總數目個該等圖案當中的一最短最小距離判定該臨限最小距離； 基於該臨限最小距離將該等圖案分組成多個集合，其中每一集合包括各自距該集合中之任何其他圖案具有低於該臨限最小距離之一最小距離的一或多個圖案； 自每一集合選擇待包括於該組圖案中之至少一個圖案；及 輸出具有來自每一集合之該至少一個圖案的該組圖案。
  16. 如請求項1之電腦可讀媒體，其中該第一模型為一抗蝕劑模型、一蝕刻模型或其一組合。
  17. 如請求項1之電腦可讀媒體，其中該第一模型為一機器學習模型、一非機器學習模型或其一組合。
TW110128668A 2020-08-19 2021-08-04 用於基於影像之圖案選擇之系統、產品及方法 TW202209012A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
WOPCT/CN2020/110028 2020-08-19
CN2020110028 2020-08-19
CN2021076028 2021-02-08
WOPCT/CN2021/076028 2021-02-08

Publications (1)

Publication Number Publication Date
TW202209012A true TW202209012A (zh) 2022-03-01

Family

ID=77274788

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110128668A TW202209012A (zh) 2020-08-19 2021-08-04 用於基於影像之圖案選擇之系統、產品及方法

Country Status (6)

Country Link
US (1) US20230273528A1 (zh)
EP (1) EP4200671A1 (zh)
KR (1) KR20230051510A (zh)
CN (1) CN115885216A (zh)
TW (1) TW202209012A (zh)
WO (1) WO2022037921A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024088666A1 (en) * 2022-10-26 2024-05-02 Asml Netherlands B.V. Simulation-assisted methods and software to guide selection of patterns or gauges for lithographic processes

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
EP0824722B1 (en) 1996-03-06 2001-07-25 Asm Lithography B.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
CN101258498B (zh) 2005-08-08 2011-04-13 Asml荷兰有限公司 用于形成光刻工艺的焦点曝光模型的系统和方法
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
US7617477B2 (en) 2005-09-09 2009-11-10 Brion Technologies, Inc. Method for selecting and optimizing exposure tool using an individual mask error model
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
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
US20140358830A1 (en) * 2013-05-30 2014-12-04 Synopsys, Inc. Lithographic hotspot detection using multiple machine learning kernels
TWI738169B (zh) * 2019-01-29 2021-09-01 荷蘭商Ａｓｍｌ荷蘭公司 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品

Also Published As

Publication number Publication date
KR20230051510A (ko) 2023-04-18
WO2022037921A1 (en) 2022-02-24
EP4200671A1 (en) 2023-06-28
US20230273528A1 (en) 2023-08-31
CN115885216A (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
TWI724279B (zh) 藉由機器學習來判定製程模型之方法
TWI753517B (zh) 半導體裝置幾何方法及系統
TWI590006B (zh) 用於改良微影製程的方法及電腦程式產品
TWI790792B (zh) 在圖案化程序中判斷圖案之方法
TWI749522B (zh) 用於判定光罩之特徵校正之方法
TWI758810B (zh) 用於改善圖案化製程之訓練機器學習模型的方法
TW202119133A (zh) 用於模型校準以減少模型預測不確定性的預測資料選擇
CN112889005A (zh) 用于生成特性图案和训练机器学习模型的方法
WO2021175570A1 (en) Machine learning based subresolution assist feature placement
TW202131105A (zh) 用於改良光罩圖案產生中之一致性之方法
TWI778722B (zh) 用於選擇資訊模式以訓練機器學習模型之設備及方法
TW202036169A (zh) 藉由源及遮罩最佳化以建立理想源光譜的方法
TW202119137A (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
TW202209012A (zh) 用於基於影像之圖案選擇之系統、產品及方法
TW202101126A (zh) 改良用於模型校準之量規選擇
TWI813192B (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
US11183434B2 (en) Methods of guiding process models and inspection in a manufacturing process
TW202333079A (zh) 產生擴增資料以訓練機器學習模型以保持物理趨勢
WO2023030807A1 (en) Method of evaluating selected set of patterns
TW202122927A (zh) 判定圖案之像差靈敏度的方法
TW202326293A (zh) 圖案化器件缺陷偵測系統及方法
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