TW202221428A - 用於改善圖案化製程之訓練機器學習模型的方法 - Google Patents

用於改善圖案化製程之訓練機器學習模型的方法 Download PDF

Info

Publication number
TW202221428A
TW202221428A TW111105784A TW111105784A TW202221428A TW 202221428 A TW202221428 A TW 202221428A TW 111105784 A TW111105784 A TW 111105784A TW 111105784 A TW111105784 A TW 111105784A TW 202221428 A TW202221428 A TW 202221428A
Authority
TW
Taiwan
Prior art keywords
model
machine learning
cost function
learning model
substrate
Prior art date
Application number
TW111105784A
Other languages
English (en)
Inventor
馬紫陽
程進
亞 羅
鄭雷武
郭欣
王禎祥
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 TW202221428A publication Critical patent/TW202221428A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G03F7/70483—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
    • 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
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • 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
    • G03F7/70653—Metrology techniques
    • G03F7/70666—Aerial image, i.e. measuring the image of the patterned exposure light at the image plane of the projection system
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

本發明描述一種用於訓練一機器學習模型之方法，該機器學習模型經組態以預測與一基板相關聯之一物理特性之值以用於調整一圖案化製程。該方法涉及獲得一參考影像；判定該機器學習模型之一第一模型參數值集合，使得一第一成本函數自使用一初始模型參數值集合獲得之該成本函數之一初始值減小，其中該第一成本函數為該參考影像與經由該機器學習模型產生之一影像之間的一差；及使用該第一模型參數值集合來訓練該機器學習模型，使得反覆地減小該第一成本函數與一第二成本函數之一組合，該第二成本函數為經量測值與經預測值之間的一差。

Description

用於改善圖案化製程之訓練機器學習模型的方法
本發明係關於改善器件製造製程之效能之技術。技術可結合微影裝置而使用。
微影裝置為將所要圖案施加至基板之目標部分上的機器。微影裝置可用於例如積體電路(IC)之製造中。在彼情況下，圖案化器件(其替代地稱作遮罩或倍縮光罩)可用以產生對應於IC之個別層之電路圖案，且可將此圖案成像至具有輻射敏感材料(抗蝕劑)層之基板(例如，矽晶圓)上之目標部分(例如，包含一個或若干個晶粒之部分)上。一般而言，單一基板將含有連續曝光之相鄰目標部分之網路。已知微影裝置包括：所謂的步進器，其中藉由一次性將整個圖案曝光至目標部分上來照射每一目標部分；及所謂的掃描器，其中藉由在給定方向(「掃描」方向)上經由光束來掃描圖案同時同步地平行或反平行於此方向掃描基板來照射每一目標部分。
在將電路圖案自圖案化器件轉印至基板之前，基板可經歷各種程序，諸如上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受其他程序，諸如曝光後烘烤(PEB)、顯影、硬烘烤，及經轉印電路圖案之量測/檢測。此程序陣列係用作製造器件(例如，IC)之個別層之基礎。基板接著可經歷諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械拋光等各種製程，該等製程皆意欲精整(finish off)器件之個別層。若在器件中需要若干層，則針對每一層來重複整個程序或其變體。最終，器件將存在於基板上之每一目標部分中。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、連接至銷釘等。
因此，製造器件(諸如半導體器件)通常涉及使用多個製造製程來處理基板(例如，半導體晶圓)以形成器件之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械拋光及離子植入來製造及處理此類層及特徵。可在基板上之複數個晶粒上製作多個器件，且接著將該等器件分離成個別器件。此器件製造製程可視為圖案化製程。圖案化製程涉及圖案化步驟，諸如使用微影裝置中之圖案化器件來將圖案化器件上的圖案轉印至基板之光學及/或奈米壓印微影，但圖案化製程通常視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影裝置進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻裝置使用圖案進行蝕刻等。
在一實施例中，提供一種訓練一機器學習模型之方法，該機器學習模型經組態以預測與一基板相關聯之一物理特性之值以用於調整一圖案化製程。該方法涉及獲得與待印刷於該基板上之一所要圖案相關聯之一參考影像；判定該機器學習模型之一第一模型參數值集合，使得一第一成本函數自使用一初始模型參數值集合獲得之該成本函數之一初始值減小，其中該第一成本函數為該參考影像與經由該機器學習模型產生之一影像之間的一差；及使用該第一模型參數值集合來訓練該機器學習模型,使得反覆地減小該第一成本函數與一第二成本函數之一組合。在一實施例中，該第二成本函數為與該所要圖案相關聯之該物理特性之經量測值與經預測值之間的一差，該等經預測值係經由該機器學習模型預測。
此外，在一實施例中，提供一種電腦程式產品，其包含其上記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施前述方法。
在詳細描述實施例之前，呈現可實施實施例之實例環境係具指導性的。
圖1說明例示性微影投影裝置10A。主要組件為：輻射源12A，其可為深紫外準分子雷射源或包括極紫外源之其他類型的源(如上文所論述，微影投影裝置本身無需具有輻射源)；照明光學器件，其例如定義部分相干性(標示為標準差(sigma))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18A；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。在投影光學器件之光瞳平面處的可調整濾光器或孔徑20A可限制撞擊於基板平面22A上之光束角度之範圍，其中最大可能角度限定投影光學器件之數值孔徑NA=n sin(Θ max)，其中n為基板與投影光學器件之最後一個元件之間的媒體之折射率，且Θ max為自投影光學器件離開的仍可撞擊於基板平面22A上之光束的最大角度。
在微影投影裝置中，源將照明(亦即，輻射)提供至圖案化器件，且投影光學器件經由該圖案化器件將該照明引導及塑形至基板上。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)為在基板水平面處之輻射強度分佈。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在「抗蝕劑影像」(RI)。可將抗蝕劑影像定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在美國專利申請公開案第US 2009-0157360號中找到此之實例，該公開案之揭示內容特此以全文引用之方式併入本文中。抗蝕劑模型係僅關於抗蝕劑層之性質(例如在曝光、PEB及顯影期間發生之化學製程之影響)。微影投影裝置之光學性質(例如源、圖案化器件及投影光學器件之性質)規定空中影像。由於可改變用於微影投影裝置中之圖案化器件，因此可能合乎需要的係將圖案化器件之光學性質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性質分離。
在實施例中，可基於設計佈局如何根據本發明之方法經最佳化而將輔助特徵(子解析度輔助特徵及/或可印刷解析度輔助特徵)置放於設計佈局中。舉例而言，在實施例中，方法採用基於機器學習之模型來判定圖案化器件圖案。機器學習模型可為神經網路，諸如廻旋神經網路，其可以某種方式(例如，如圖3中所論述)訓練以在較快速率下獲得準確預測，因此實現圖案化製程之全晶片模擬。
可使用訓練資料之集合來訓練神經網路(亦即判定神經網路之參數)。訓練資料可包含訓練樣本集合或由訓練樣本集合組成。每一樣本可為包含輸入物件(通常為向量，其可稱為特徵向量)及所要輸出值(亦稱為監督信號)或由該輸入物件及該所要輸出值組成之對。訓練演算法分析訓練資料，且藉由基於訓練資料調整神經網路之參數(例如一或多個層之權重)來調整神經網路的行為。在訓練之後，神經網路可用於映射新樣本。
在判定圖案化器件圖案之內容背景中，特徵向量可包括由圖案化器件包含或形成之設計佈局的一或多個特性(例如形狀、配置、大小等)、圖案化器件之一或多個特性(例如一或多個物理性質，諸如尺寸、折射率、材料組成等)及用於微影程序中之照明的一或多個特性(例如波長)。監督信號可包括圖案化器件圖案之一或多個特性(例如圖案化器件圖案之CD、輪廓等)。
給定形式為
Figure 02_image001
之N個訓練樣本集合使得x i為第i實例之特徵向量且y i為其監督信號，訓練演算法尋找神經網路
Figure 02_image003
，其中X為輸入空間且Y為輸出空間。特徵向量為表示一些物件之數值特徵之n維向量。與此等向量相關聯之向量空間常常稱為特徵空間。有時以下操作係方便的：使用計分函數
Figure 02_image005
來表示g使得g定義為返回給出最高計分之y值：
Figure 02_image007
。使F標示計分函數之空間。
神經網路可為概率性的，其中g採用條件概率模型
Figure 02_image009
之形式，或f採用聯合概率模型
Figure 02_image011
之形式。
存在用以選擇f或g之兩種基本途徑：經驗風險最小化及結構風險最小化。經驗風險最小化尋求最佳擬合訓練資料之神經網路。結構風險最小化包括控制偏差/方差權衡之懲罰函數。舉例而言，在實施例中，懲罰函數可係基於成本函數，其可為平方誤差、缺陷數目、EPE等。函數(或函數內之權重)可修改以使得減小或最小化方差。
在兩種情況下，假定訓練集包含獨立且相同分佈的對(x i,y i)之一或多個樣本或由其組成。在一實施例中，為了量測函數擬合訓練資料之良好程度，定義損失函數
Figure 02_image013
。對於訓練樣本(x i,y i)，預測值
Figure 02_image015
之損失為
Figure 02_image017
。
將函數g之風險R(g)定義為g之預期損失。此可自訓練資料估計為
Figure 02_image019
。
在實施例中，圖案化製程之機器學習模型可經訓練以預測例如光罩圖案之輪廓、圖案、CD及/或晶圓上的抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。訓練之目標為實現對例如晶圓上之經印刷圖案的輪廓、空中影像強度斜率及/或CD等之準確預測。預期設計(例如待印刷於晶圓上之晶圓目標佈局)一般定義為可以諸如GDSII或OASIS之標準化數位檔案格式或其他檔案格式提供之預OPC設計佈局。
圖2中說明用於模型化及/或模擬圖案化製程之部分的例示性流程圖。如將瞭解，模型可表示不同圖案化製程，且無需包含下文所描述之所有模型。源模型1200表示圖案化器件之照明之光學特性(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、照明標準差(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)，其中σ (或標準差)為照明器之外徑向範圍。
投影光學器件模型1210表示投影光學器件之光學特性(包括由投影光學器件引起之輻射強度分佈及/或相位分佈之改變)。投影光學器件模型1210可表示投影光學器件之光學特性，其包括像差、失真、一或多個折射率、一或多個物理大小、一或多個物理尺寸等。
圖案化器件/設計佈局模型模組1220捕捉設計特徵如何佈局於圖案化器件之圖案中，且可包括圖案化器件之詳細物理性質之表示，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。在實施例中，圖案化器件/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、電子器件等之特徵之器件設計佈局)之光學特性(包括由給定設計佈局引起之輻射強度分佈及/或相位分佈之改變)，其為圖案化器件上或由圖案化器件形成之特徵配置之表示。由於可改變用於微影投影裝置中之圖案化器件，因此合乎需要的係將圖案化器件之光學性質與微影投影裝置之至少包括照明及投影光學器件的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，其可接著與CD與器件設計。器件設計一般定義為預OPC圖案化器件佈局，且比較以諸如GDSII或OASIS之標準化數位檔案格式提供。
可自源模型1200、投影光學器件模型1210及圖案化器件/設計佈局模型1220模擬空中影像1230。空中影像(AI)為在基板水平面處之輻射強度分佈。微影投影裝置之光學性質(例如，照明、圖案化器件及投影光學器件之性質)規定空中影像。
基板上之抗蝕劑層藉由空中影像來曝光，且將空中影像轉印至抗蝕劑層以在其中作為潛在「抗蝕劑影像」。可將抗蝕劑影像定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型1240自空中影像1230模擬抗蝕劑影像1250。抗蝕劑模型可用以自空中影像計算抗蝕劑影像，可在美國專利申請公開案第US 2009-0157360號中找到此之實例，該公開案之揭示內容特此以全文引用之方式併入本文中。抗蝕劑模型通常描述在抗蝕劑曝光、曝光後烘烤(PEB)及顯影期間發生之化學製程之影響，以便預測例如形成於基板上之抗蝕劑特徵之輪廓，且因此其通常僅關於抗蝕劑層之此類性質(例如在曝光、曝光後烘烤及顯影期間發生之化學製程之影響)。在實施例中，可捕捉抗蝕劑層之光學性質(例如折射率、膜厚度、傳播及偏振效應)作為投影光學器件模型1210之部分。
因此，一般而言，光學模型與抗蝕劑模型之間的連接為抗蝕劑層內之經模擬空間影像強度，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次反射。輻射強度分佈(空中影像強度)藉由入射能量之吸收而變為潛在「抗蝕劑影像」，其藉由擴散製程及各種負載效應來進一步修改。對於全晶片應用足夠快之高效模擬方法藉由2維空中(及抗蝕劑)影像來近似抗蝕劑堆疊中之真實3維強度分佈。
在實施例中，可將抗蝕劑影像用作圖案後轉印製程模型模組1260之輸入。圖案後轉印製程模型1260限定一或多個抗蝕劑後顯影製程(例如蝕刻、顯影等)之效能。
圖案化製程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。可比較此等值與預期設計以例如校正圖案化製程，識別預測出現缺陷之地點等。預期設計一般定義為可以諸如GDSII或OASIS之標準化數位檔案格式或其他檔案格式提供之預OPC設計佈局。
因此，模型公式描述整體製程之大多數(若非全部)已知物理及化學方法，且模型參數中之每一者理想地對應於相異物理或化學效應。模型公式因此設定關於模型可用以模擬整體製造製程之良好程度之上限。
在圖案化製程(例如光微影、電子束微影、引導自組裝等)中，沈積於基板上之能量敏感材料(例如光阻)通常經歷圖案轉印步驟(例如經由曝光)。在圖案轉印步驟之後，應用諸如抗蝕劑烘烤之各種後步驟及諸如抗蝕劑顯影、蝕刻等之消去製程。此等曝光後步驟或製程在基板上發揮各種效應，該等各種效應使得圖案化層或蝕刻具有結構(其具有不同於目標尺寸之尺寸)。
圖案化製程之計算分析採用預測模型，當恰當地經校準時，該預測模型可產生自圖案化製程輸出之尺寸的準確預測。曝光後製程之模型通常基於經驗量測而校準。校準製程包括以不同製程參數運行測試晶圓、在曝光後製程之後量測所得臨界尺寸，及將模型校準至經量測結果。在實踐中，良好經校準模型對尺寸進行快速且準確之預測，用於改善器件效能或良率，增強製程窗或增加設計選擇。在實例中，使用深廻旋神經網路(CNN)來模型化曝光後製程產生與利用傳統技術產生之模型精度相當或更優之模型精度，該傳統技術常常涉及利用物理項表達式或閉合形式等式進行模型化。相較於傳統模型化技術，深度學習廻旋神經網路減輕模型開發對製程知識之要求，且提昇對工程師個人經驗對模型調諧之依賴性。簡言之，用於曝光後製程之深度CNN模型由輸入及輸出層以及諸如廻旋層、歸一化層及池化層之多個隱藏層組成。最佳化隱藏層之參數以給出損失函數之最小值。在實施例中，可訓練CNN模型以模型化任何製程或與圖案化製程相關之製程之組合之行為。
圖3為用於訓練機器學習模型305 (例如CNN)之方法300的流程圖，該機器學習模型305經組態以預測與基板相關聯之物理特性之值以用於調整圖案化製程。訓練方法為相較於現有方法之更準確訓練方法。舉例而言，訓練係基於藉由例如在CNN中應用特定權重因子來減小與模型預測相關聯之特定誤差(例如在一或多個訓練步驟中經由第一成本函數、第二成本函數、柵格依賴性誤差、邊緣置放誤差等)，其中權重與此等誤差相關，因而改善整體模型化品質。
在訓練之後，機器學習模型305可稱作經訓練之機器學習模型305'。訓練機器學習模型305'可進一步執行以判定物理特性。另外，圖案化製程參數(例如劑量、焦點、OPC等)可基於物理特性值而調整以改善圖案化製程。
方法涉及在連續步驟中訓練機器學習模型305以模型化圖案化製程之製程(例如曝光後製程)。連續步驟係指使用第一成本函數來訓練機器學習模型305以判定初始模型參數值集合，且使用此類初始模型參數值來使用第二成本函數進一步訓練機器學習模型305。相比於涉及單一成本函數之一步驟訓練程序，此類連續步驟訓練有助於更快收斂及產生更準確模型。方法300在下文進一步詳細論述。
程序P301涉及獲得與待印刷於基板上之所要圖案相關聯之參考影像301。在實施例中，獲得參考影像301涉及執行經組態以產生作為輸出之參考影像301之製程模型，其中製程模型模型化圖案化製程之一部分。在實施例中，該製程模型為圖案化製程之光學器件模型、抗蝕劑模型及/或蝕刻模型之經校準模型。因此，在實施例中，參考影像301為所要圖案之空中影像、抗蝕劑影像及/或蝕刻影像。
程序P303涉及判定機器學習模型305之第一模型參數值303集合，使得第一成本函數自使用初始模型參數值集合獲得之成本函數之初始值減小。在實施例中，第一成本函數為參考影像301與經由機器學習模型305所產生之影像之間的差。在實施例中，參考影像301及所產生影像為像素化影像。因此，第一成本函數可為像素化影像之強度值之差。像素之強度指示特徵之存在或不存在。舉例而言，峰強度信號指示影像中特徵(例如接觸孔)之邊緣。
在實施例中，判定機器學習模型305之第一模型參數值303集合為反覆程序。反覆涉及藉由使用所要圖案執行機器學習模型305來產生影像；判定所產生影像與參考影像301之間的差；及調整機器學習模型305之模型參數值，使得差減小。在實施例中，使所產生影像與參考影像301之間的差最小化。
因此，使用第一初始模型值集合，機器學習模型305'' (模型305''係指具有模型參數值303之機器學習模型305)可準確預測與基板相關聯之空中影像、抗蝕劑影像或蝕刻影像。另外，可自經預測影像擷取圖案之輪廓及物理特性以用於圖案化製程之進一步分析或改善。
在實施例中，模型參數為與機器學習模型305之一或多個層相關聯之權重及/或偏差。在實施例中，機器學習模型305為包括多個層之廻旋神經網路，每一層與權重及/或偏差相關聯。
另外，程序P305涉及使用第一模型參數值303集合來訓練機器學習模型305''，使得第一成本函數與第二成本函數之組合減小。在實施例中，使用表達式c1*CF1+c2*CF2來計算第一成本函數(CF1)與第二成本函數(CF2)之組合，其中c1及c2為可調整以使該組合最小化之係數。
在實施例中，第二成本函數為與所要圖案相關聯之物理特性之經量測值304與經預測值之間的差，經預測值經由機器學習模型305''預測。在訓練程序結束之後，獲得經組態以判定待成像於基板中之圖案之物理特性的經訓練之機器學習模型305'。
在實施例中，自經預測影像判定之物理特性為與所要圖案相關聯之臨界尺寸或邊緣置放誤差。在實施例中，使用模型之經預測影像中之圖案之輪廓判定物理特性。舉例而言，可採用演算法以定義沿輪廓之量規點，及在量規位置處與輪廓相交之切割線。另外，為了判定CD，可量測量規點之間的距離。類似地，可使用相對於參考輪廓(例如與參考影像301相關聯之參考輪廓)之量規點來量測EPE。
在實施例中，經量測值304為例如經由經組態以量測基板之所要經印刷圖案之度量衡工具獲得之CD值。在實施例中，度量衡工具為掃描電子顯微鏡(例如參見圖6至7)且量測值自SEM影像獲得。在實施例中，經量測值304為與所要圖案相關聯之空中影像之強度值。因此，在訓練程序期間，比較經量測值304 (例如CD)與經預測物理特性(例如經預測CD)。進行訓練，使得經預測值緊密地匹配經量測值304。
在實施例中，機器學習模型305之訓練為反覆程序。反覆涉及利用第一模型參數值303集合初始化機器學習模型305之模型參數；藉由使用所要圖案執行機器學習模型305''來預測與基板相關聯之物理特性之值；經由度量衡工具獲得基板上之所要經印刷圖案之物理特性之經量測值304；及調整機器學習模型305''之模型參數值，使得第一成本函數與第二成本函數之組合減小。
在實施例中，調整模型參數值係基於第一成本函數與第二成本函數之組合之一梯度下降。在實施例中，使第一成本函數與第二成本函數之總和最小化。在實施例中，調整機器學習模型305之模型參數值涉及判定作為模型參數之函數之第一成本函數與第二成本函數之總和之梯度映圖。隨後，基於梯度映圖，判定模型參數值，使得成本函數之總和最小化。
在實施例中，調整模型參數值包含調整以下值：廻旋神經網路之層的一或多個權重、廻旋神經網路之層的一或多個偏差、CNN之超參數及/或CNN之層數目。在實施例中，層數目為CNN之超參數，其可預先選擇且在訓練程序期間可以不改變。在實施例中，一系列訓練程序可在可修改層數目的情況下進行。在圖4中說明CNN之實例。
在實施例中，訓練(例如，圖4之CNN)涉及判定第一成本函數的值及逐漸調整CNN之一或多個層的權重，使得第一成本函數減小(在實施例中，最小化)。在實施例中，第一成本函數為經預測抗蝕劑影像或經預測空中影像(例如CNN之輸出向量)與自經印刷基板所獲得(例如使用SEM工具)之真實抗蝕劑影像之間的差。第一成本函數或差藉由修改CNN模型參數(例如權重、偏差、步幅等)的值來減小。在實施例中，第一成本函數計算為 CF1= f( reference image-CNN( input,cnn_parameters))。在此步驟中，CNN之輸入包括經量測影像或經模擬影像(例如AI/RI)且 cnn_parameters具有可任意選擇的初始值。在訓練的若干反覆之後，獲得經最佳化 cnn_parameters值且進一步用作第一模型參數值303集合以供進一步訓練。
在進一步訓練中，在減小(或最小化)第一成本函數之後,可自機器學習模型305之經預測影像擷取物理特性。舉例而言，可自經預測抗蝕劑影像擷取CD或EPE值或自經預測空中影像擷取強度值。比較此等經預測CD、EPE及/或強度值與經量測值304，以使用除第一成本函數之外的與物理特性相關聯之第二成本函數進一步訓練機器學習模型305。
舉例而言，第二成本函數可為邊緣置放誤差(EPE)。在此情況下，使用EPE之經量測值及經預測EPE來判定第二成本函數。在實施例中，第二成本函數可表達為： CF2= f( measured values-CNN( input,cnn_parameters))，其中 CF2可為EPE，函數 f( .)自經預測圖案(例如藉由CNN)進行輪廓擷取且進一步判定差。在實施例中，此CNN之輸入包括經預測影像(例如AI/RI)。cnn_parameters可為CNN之權重及偏差且cnn_parametersvalues為基於第一成本函數而獲得之初始模型參數值。
在實施例中，對應於成本函數(例如第一成本函數及/或第二成本函數)之梯度可為dcost/dparameter，其中cnn_parametersvalues可基於等式(例如parameter=parameter-learning_rate*gradient)而更新。在實施例中，參數可為權重及/或偏差，且learning_rate可為用以調諧訓練程序之超參數且可藉由使用者或電腦選擇以改善訓練程序的收斂(例如更快收斂)。
在實施例中，經訓練之機器學習模型305' (例如圖9之經訓練之CNN)可進一步用於校正經模擬圖案或其任何特性。
在實施例中，方法300可進一步涉及採用第三成本函數以用於進一步訓練經訓練之機器學習模型305'之的程序P305。程序P305涉及使用第一模型參數值303集合來訓練機器學習模型305'，使得第一成本函數、第二成本函數及第三成本函數之組合減小(在實施例中，最小化)。在實施例中，第三成本函數為柵格依賴性之函數。
柵格依賴性誤差與在圖案化製程之模擬期間所使用之模擬機制(例如基於影像)有關。在實施例中，一或多個製程模型之模擬係基於影像的，其中柵格可置放在影像(例如基板圖案之影像)上且在模擬期間僅評估柵格上之特徵，同時內插離柵(off-grid)特徵。此類內插可導致不準確模擬結果(例如基板圖案)。另外，柵格大小可影響模擬速度以及結果之精度。較小柵格大小給出準確模擬結果，但顯著地減緩模擬。因此，愈大柵格可用於更快模擬，此可能不利地影響模擬結果(例如經模擬基板圖案)之精度。
通常，模擬為反覆程序，因此每一反覆中相對於柵格之圖案置放之任何移位將誘發經預測圖案之誤差。因此，包含柵格依賴性誤差之模擬結果可用於判定圖案化製程之參數(例如劑量、焦點、遮罩圖案等)，例如以改善圖案化製程。由於柵格依賴性誤差，故經判定參數可能未得到圖案化製程之所要良率。因此，柵格依賴性誤差應移除或最小化。根據本發明，此類柵格依賴性誤差經由第三成本函數處理。
圖5A至5B說明相對於導致柵格依賴性誤差之柵格的實例圖案移位。圖式展示經預測輪廓501/511 (虛線)及輸入輪廓502/512(例如設計或所要輪廓)。在圖5A中，整個輸入輪廓501在柵格上，然而，在圖5B中，輸入輪廓511之一部分例如在角點處離柵。此導致模型預測輪廓502與512之差。在實施例中，例如LMC或OPC應用，可在柵格上之不同位置處反覆地呈現同一圖案，且合乎需要的係具有不變模型預測，而不管圖案的位置如何。然而，沒有模型可達成完美移位不變性。一些病態模型可能在圖案移位之間產生較大輪廓差。
在實施例中，柵格依賴性(GD)誤差可如下量測。為了量測GD誤差，在子像素步長中沿輪廓之圖案及量規一起移位。舉例而言，對於像素尺寸=14nm，圖案/量規可沿x及/或y方向每步移位1nm。隨著每一移位，沿量規量測模型經預測CD。隨後，模型經預測CD之集合中之方差指示柵格依賴性誤差。
在實施例中，訓練機器學習模型可用於與圖案化製程相關之各種應用以改善圖案化製程之良率。舉例而言，方法300進一步涉及經由經訓練之機器學習模型預測設計佈局之基板影像；經由使用設計佈局及經預測基板影像的OPC模擬來判定待用於製造用於圖案化製程之遮罩之遮罩佈局。在實施例中，OPC模擬涉及經由使用設計佈局之幾何形狀及與複數個區段相關聯之校正來模擬圖案化製程模型，判定將印刷於基板上之經模擬圖案；及判定對設計佈局之光學接近校正，使得經模擬圖案與設計佈局之間的差減小。在實施例中，判定光學接近校正為反覆程序。反覆涉及調整設計佈局之主要特徵及/或一或多個輔助特徵之幾何形狀之形狀及/或大小，使得圖案化製程之效能度量減小。在實施例中，自機器學習模型之經預測後OPC影像擷取一或多個輔助特徵。
在一些實施例中，檢測裝置可為產生在基板上經曝光或轉印之結構(例如器件之一些或所有結構)之影像的掃描電子顯微鏡(SEM)。圖6描繪SEM工具之實施例。自電子源ESO發射之一次電子束EBP藉由聚光器透鏡CL彙聚且隨後穿過光束偏轉器EBD1、E×B偏轉器EBD2及物鏡OL以在焦點處照射基板台ST上之基板PSub。
當利用電子束EBP照射基板PSub時，二次電子自基板PSub產生。二次電子由E×B偏轉器EBD2偏轉且由二次電子偵測器SED偵測到。可藉由與例如由光束偏轉器EBD1對電子束的二維掃描同步地或與由光束偏轉器EBD1對電子束EBP在X或Y方向上之反覆掃描同步地偵測自樣本產生之電子來獲得二維電子束影像，以及藉由基板台ST使基板PSub在X或Y方向中之另一者上連續移動。
由二次電子偵測器SED偵測到之信號藉由類比/數位(A/D)轉換器ADC轉換為數位信號，且將數位信號發送至影像處理系統IPS。在實施例中，影像處理系統IPS可具有記憶體MEM以儲存數位影像中之所有或部分以供處理單元PU處理。處理單元PU (例如經專門設計之硬體或硬體與軟體之組合)經組態以將數位影像轉換成或處理成表示數位影像之資料集。此外，影像處理系統IPS可具有經組態以將數位影像及對應資料集儲存於參考資料庫中之儲存媒體STOR。顯示器件DIS可與影像處理系統IPS連接，使得操作者可藉助於圖形使用者介面進行設備之必要操作。
如上文所提及，可處理SEM影像以擷取描述該影像中表示器件結構之物件之邊緣之輪廓。接著經由諸如CD之度量來量化此等輪廓。因此，通常經由簡單化度量(諸如邊緣對邊緣距離(CD)或影像之間的簡單像素差)來比較及量化器件結構之影像。偵測影像中之物件之邊緣以便量測CD的典型輪廓模型使用影像梯度。實際上，彼等模型依賴於強影像梯度。但在實踐中，影像通常有雜訊且具有不連續邊界。諸如平滑、自適應定限、邊緣偵測、磨蝕及膨脹之技術可用以處理影像梯度輪廓模型之結果，以解決有雜訊且不連續影像，但最終將導致高解析度影像之低解析度量化。因此，在大多數情形下，對器件結構之影像進行數學操控以減小雜訊，且使邊緣偵測自動化導致影像之解析度損失，從而導致資訊損失。因此，結果為相當於複雜的高解析度結構之簡單化表示之低解析度量化。
因此，合乎需要的係具有使用圖案化製程產生或預期產生之結構(例如電路特徵、對準標記或度量衡目標部分(例如光柵特徵)等)之數學表示，而不論例如該等結構係在潛在抗蝕劑影像中、在經顯影抗蝕劑影像中抑或例如藉由蝕刻而轉移至基板上之層，此可保持解析度且又描述結構之通常形狀。在微影或其他圖案化製程之內容背景中，結構可為正製造之器件或其一部分，且影像可為該結構之SEM影像。在一些情形下，結構可為半導體器件(例如積體電路)之特徵。在此情況下，該結構可稱作包含半導體器件之複數個特徵之圖案或所要圖案。在一些情形下，結構可為用於對準量測程序中以判定物件(例如基板)與另一物件(例如圖案化器件)之對準的對準標記或其部分(例如對準標記之光柵)，或為用以量測圖案化製程之參數(例如疊對、焦點、劑量等)之度量衡目標或其部分(例如度量衡目標之光柵)。在實施例中，度量衡目標為用以量測例如疊對之繞射光柵。
圖7示意性地說明檢測裝置之另一實施例。該系統用以檢測樣本載物台89上之樣本90 (諸如基板)且包含帶電粒子束產生器81、聚光器透鏡模組82、探針形成物鏡模組83、帶電粒子束偏轉模組84、二次帶電粒子偵測器模組85及影像形成模組86。
帶電粒子束產生器81產生一次帶電粒子束91。聚光透鏡模組82對所產生之一次帶電粒子束91進行聚光。探針形成物鏡模組83將經聚光(condensed)一次帶電粒子束聚焦為帶電粒子束探針92。帶電粒子束偏轉模組84跨固定於樣本載物台89上之樣本90上的所關注區域之表面掃描所形成之帶電粒子束探針92。在實施例中，帶電粒子束產生器81、聚光器透鏡模組82及探針形成物鏡模組83或其等效設計、替代方案或其任何組合一起形成產生掃描帶電粒子束探針92之帶電粒子束探針產生器。
二次帶電粒子偵測器模組85在由帶電粒子束探針92轟擊後即偵測自樣本表面發射的二次帶電粒子93 (亦可能與來自樣本表面之其他反射或散射帶電粒子一起)以產生二次帶電粒子偵測信號94。影像形成模組86 (例如運算器件)與二次帶電粒子偵測器模組85耦接以自二次帶電粒子偵測器模組85接收二次帶電粒子偵測信號94，且因此形成至少一個經掃描影像。在實施例中，二次帶電粒子偵測器模組85及影像形成模組86或其等效設計、替代方案或其任何組合一起形成影像形成裝置，該影像形成裝置自由帶電粒子束探針92轟擊的樣本90發射之偵測到之二次帶電粒子形成經掃描影像。
在實施例中，監測模組87耦接至影像形成裝置之影像形成模組86以使用自影像形成模組86接收到之樣本90的經掃描影像對圖案化製程進行監測、控制等，及/或導出用於圖案化製程設計、控制、監測等的參數。因此，在實施例中，監測模組87經組態或經程式化以使得執行本文中所描述之方法。在實施例中，監視模組87包含運算器件。在實施例中，監測模組87包含用以提供本文中之功能性且經編碼於形成監測模組87或安置於監測模組87內的電腦可讀媒體上之電腦程式。
在實施例中，類似於使用探針來檢測基板之圖6之電子束檢測工具，圖7的系統中之電子電流相較於例如諸如圖6中所描繪之CD SEM顯著更大，使得探針光點足夠大以使得檢測速度可更快。然而，由於探針光點較大，因此相較於CD SEM，解析度可能不那麼高。在實施例中，上文所論述之檢測裝置可為單光束或多光束裝置，而不限制本發明之範疇。
可處理來自例如圖6及/或圖7之系統的SEM影像以擷取描述影像中表示器件結構之物件之邊緣的輪廓。接著通常經由使用者定義之切割線處之諸如CD之度量來量化此等輪廓。因此，通常經由度量(諸如在經擷取輪廓上量測之邊緣對邊緣距離(CD)或影像之間的簡單像素差)來比較及量化器件結構之影像。
圖8為說明可輔助實施本文所揭示之方法及流程之電腦系統100的方塊圖。電腦系統100包括匯流排102或用於傳達資訊之其他通信機制，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亦包括耦接至匯流排102以用於儲存資訊及待由處理器104執行之指令的主記憶體106，諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106亦可用於在待由處理器104執行之指令之執行期間儲存暫時性變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存靜態資訊及處理器104之指令的唯讀記憶體(ROM) 108或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件110，且該儲存器件110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。包括文數字按鍵及其他按鍵之輸入器件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器件為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上之游標移動的游標控制件116，諸如滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，此允許該器件指定平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
根據一個實施例，回應於處理器104執行主記憶體106中所含有之一或多個指令的一或多個序列，可由電腦系統100進行製程之部分。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中所含有之指令序列的執行使得處理器104進行本文中所描述之製程步驟。亦可採用呈多處理配置之一或多個處理器以執行主記憶體106中所含有之指令序列。在替代性實施例中，可代替軟體指令或與軟體指令組合使用硬連線電路系統。因此，本文中之描述不限於硬體電路系統與軟體之任何特定組合。
如本文所使用之術語「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。此類媒體可呈許多形式，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。傳輸媒體包括同軸纜線、銅線及光纖光學器件，包括包含匯流排102之電線。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碟、可撓性磁碟、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物理媒體、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。
各種形式之電腦可讀媒體可涉及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。舉例而言，可初始地將指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線來發送指令。在電腦系統100本端之數據機可接收電話線上之資料，且使用紅外傳輸器將資料轉換為紅外信號。耦接至匯流排102之紅外偵測器可接收紅外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亦理想地包括耦接至匯流排102之通信介面118。通信介面118提供耦接至網路鏈路120之雙向資料通信，該網路鏈路120連接至區域網路122。舉例而言，通信介面118可為整合服務數位網路(ISDN)卡或數據機以提供與對應類型之電話線的資料通信連接。作為另一實例，通信介面118可為區域網路(LAN)卡以提供與相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中，通信介面118發送及接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光學信號。
網路鏈路120通常經由一或多個網路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又經由全球封包資料通信網路(現在通常稱作「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)為輸送資訊的載波之實例形式。
電腦系統100可經由網路、網路鏈路120及通信介面118發送訊息且接收包括程式碼之資料。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。一個此類經下載應用程式可提供例如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9示意性地描繪可利用結合本文中所描述之技術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，圖案化器件台) MT，其設置有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來準確地定位該圖案化器件之第一定位器； -  第二物件台(基板台) WT，其設置有用以固持基板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來準確地定位該基板之第二定位器； -  投影系統(「透鏡」) PS (例如，折射、反射或反射折射光學系統)，其用以將圖案化器件MA之經照射部分成像至基板W之目標部分C (例如包含一或多個晶粒)上。
如本文中所描繪，裝置屬於透射類型(亦即，具有透射圖案化器件)。然而，一般而言，其亦可屬於反射類型，例如(具有反射圖案化器件)。裝置可採用與經典遮罩不同種類之圖案化器件；實例包括可程式化鏡面陣列或LCD矩陣。
源SO (例如，水銀燈或準分子雷射器、雷射產生電漿(LPP) EUV源)產生輻射光束。舉例而言，此光束係直接地或在已橫穿諸如光束擴展器BD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及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。此外，其通常將包含各種其他組件，諸如積分器IN及聚光器CO。以此方式，撞擊在圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖9應注意，源SO可在微影投影裝置之外殼內(例如當源SO為水銀燈時通常為此種情況)，但其亦可遠離微影投影裝置，其產生之輻射光束經導引至該裝置中(例如，藉助於合適的引導鏡面)；當源SO為準分子雷射器(例如，基於KrF、ArF或F 2雷射)時通常為後者情況。
光束B隨後攔截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穿過將光束B聚焦至基板W之目標部分C上之投影系統PS。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B之路徑中。類似地，例如在自圖案化器件庫機械擷取圖案化器件MA之後或在掃描期間，第一定位構件可用以相對於光束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9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，圖案化器件台MT可僅連接至短衝程致動器，或可為固定的。
可在兩種不同模式中使用所描繪工具： -  在步進模式中，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，使得不同目標部分C可由光束B照射； -  在掃描模式中，除單次「閃光」中不曝光給定目標部分C以外，基本上相同之情形適用。實情為，圖案化器件台MT可在給定方向(所謂「掃描方向」，例如，y方向)上以速度v移動，使得造成投影光束B在圖案化器件影像上掃描；同時，基板台WT以速度V=Mv在相同或相反方向上同時移動，其中M為投影系統PS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之目標部分C。
圖10示意性地描繪另一例示性微影投影裝置1000，其包括： -  源收集器模組SO，其用以提供輻射。 -  照明系統(照明器) IL，其經組態以調節來自源收集器模組SO之輻射光束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，故圖案化器件可具有包含例如鉬及矽之多層堆疊之多層反射器。在一個實例中，多堆疊反射器具有40層鉬及矽之對，其中每一層之厚度層為四分之一波長。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，故圖案化器件構形上之經圖案化吸收材料之薄片(例如，多層反射器之頂部上之TaN吸收器)定義何處將印刷(正抗蝕劑)或不印刷(負抗蝕劑) 特徵。
參考圖10，照明器IL自源收集器模組SO接收極紫外輻射光束。產生EUV輻射之方法包括但不一定限於利用EUV範圍內之一或多個發射譜線將材料轉換成具有至少一種元素(例如，氙、鋰或錫)之電漿狀態。在一種此類方法(常常稱為雷射產生電漿(「LPP」))中，可藉由利用雷射光束照射燃料(諸如，具有譜線發射元素之材料的小滴、流或叢集)來產生電漿。源收集器模組SO可為包括雷射器(圖10中未展示)之EUV輻射系統之部分，該雷射器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來收集。舉例而言，當使用CO 2雷射以提供用於燃料激發之雷射光束時，雷射器及源收集器模組可為分開之實體。
在此類情況下，雷射器不視為形成微影裝置之部分，且輻射光束係藉助於包含(例如)合適的引導鏡面及/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，例如，當輻射源為放電產生電漿EUV產生器(常常稱為DPP輻射源)時，輻射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之調整器。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及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。此外，照明器IL可包含各種其他組件，諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束，以在其橫截面中具有所要均一性及強度分佈。
輻射光束B入射於固持於支撐結構(例如，遮罩台) MT上之圖案化器件(例如，遮罩) MA上，且係由該圖案化器件來圖案化。在自圖案化器件(例如遮罩) MA反射之後，輻射光束B穿過將光束聚焦至基板W之目標部分C上之投影系統PS。藉助於第二定位器PW及位置感測器PS2 (例如干涉器件、線性編碼器或電容式感測器)，可準確地移動基板台WT，例如以便使不同目標部分C定位於輻射光束B之路徑中。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之路徑來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，支撐結構(例如，遮罩台) MT及基板台WT保持基本上靜止，同時將賦予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。接著，基板台WT在X及/或Y方向上移位，使得可曝光不同目標部分C。 2.在掃描模式中，同步地掃描支撐結構(例如，遮罩台) MT及基板台WT，同時將賦予輻射光束之圖案投影至目標部分C上(亦即，單次動態曝光)。基板台WT相對於支撐結構(例如，遮罩台) MT之速度及方向可由投影系統PS之(縮小)放大率及影像反轉特性判定。 3.在另一模式中，支撐結構(例如，遮罩台) MT保持基本上靜止，從而固持可程式化圖案化器件，且移動或掃描基板台WT，同時將賦予輻射光束之圖案投影至目標部分C上在此模式中，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連續輻射脈衝之間視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，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11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經建構及配置以使得可在源收集器模組SO之封閉結構220中維持真空環境。可藉由放電產生電漿輻射源來形成發射電漿210之EUV輻射。可藉由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)來產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜的EUV範圍內之輻射。舉例而言，藉由產生至少部分地離子化之電漿之放電來產生極熱電漿210。為了高效產生輻射，可需要例如10 Pa之分壓之Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣。在實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射經由定位於源腔室211中之開口中或開口後方的視情況存在之氣體障壁或污染物阱230 (在一些情況下，亦稱作污染物障壁或箔片阱)而自源腔室211傳遞至收集器腔室212中。污染物阱230可包括通道結構。污染物阱230亦可包括氣體障壁或氣體障壁與通道結構之組合。如此項技術中已知，本文中所進一步指示之污染物阱或污染物障壁230至少包括通道結構。
收集器腔室212可包括可為所謂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』指示之光軸聚焦於虛擬源點IF中。虛擬源點IF通常稱作中間焦點，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處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，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，琢面化場鏡面器件22及琢面化光瞳鏡面器件24經配置以在圖案化器件MA處提供輻射光束21之所要角分佈，以及在圖案化器件MA處提供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，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。
比所展示元件更多之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。另外，相比於圖中所展示之鏡面，可存在更多鏡面，例如在投影系統PS中可存在比圖11中所展示之外的1至6個額外反射元件。
如圖11中所說明之收集器光學器件CO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圍繞光軸O軸對稱地安置，且此類型之收集器光學器件CO理想地與放電產生電漿輻射源組合使用。
替代地，源收集器模組SO可為如圖12中所展示之LPP輻射系統之部分。雷射器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能量輻射自電漿發射，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。
本文中所揭示之概念可模擬或數學模型化用於對子波長特徵進行成像之任何一般成像系統，且可對能夠產生愈來愈小大小之波長之新興成像技術尤其有用。已經在使用中之新興技術包括能夠使用ArF雷射器來產生193nm波長且甚至能夠使用氟雷射器來產生157nm波長之極紫外(EUV)微影。此外，EUV微影能夠藉由使用同步加速器或藉由利用高能電子來撞擊材料(固體或電漿)來產生在20nm至5nm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的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如，用於在除矽晶圓以外的基板上成像的微影成像系統。
儘管可在本文中特定地參考在IC之製造中的實施例之使用，但應理解，本文中之實施例可具有許多其他可能應用。舉例而言，其可使用於整合式光學系統之製造、用於磁域記憶體之導引及偵測圖案、液晶顯示器(LCD)、薄膜磁頭、微機械系統(MEM)等。熟習此項技術者將瞭解，在此類替代應用之內容背景中，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用可視為分別與更一般術語「圖案化器件」、「基板」或「目標部分」同義或可與其互換。可在曝光之前或之後在(例如)塗佈顯影系統(通常將抗蝕劑層施加至基板且使經曝光抗蝕劑顯影之工具)或度量衡或檢測工具中處理本文中所提及之基板。在適用的情況下，可將本文中之揭示內容應用於此類及其他基板處理工具。另外，可將基板處理超過一次，例如以便產生例如多層IC，使得本文中所使用之術語基板亦可指已經含有多經處理層之基板。
在本發明文件中，如本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外輻射(例如具有約365、約248、約193、約157或約126 nm之波長)及極紫外(EUV)輻射(例如具有在5至20 nm範圍內的波長)以及粒子束，諸如離子束或電子束。
如本文中所使用之術語「最佳化(optimizing)」及「最佳化(optimization)」係指或意謂調整圖案化裝置(例如，微影裝置)、圖案化製程等，使得結果及/或製程具有更合乎需要之特性，諸如基板上之設計圖案之投影的更高準確性、更大製程窗等。因此，如本文中所使用之術語「最佳化(optimizing)」及「最佳化(optimization)」係指或意謂識別一或多個參數之一或多個值的製程，該一或多個值相比於用於彼等一或多個參數之初始一或多個值集合提供至少一個相關度量之改善，例如局部最佳。應相應地解釋「最佳」及其他相關術語。在實施例中，可反覆地應用最佳化步驟，以提供一或多個度量之進一步改善。
本發明之態樣可以任何方便形式來實施。舉例而言，實施例可藉由一或多個適合的電腦程式來實施，該一或多個適合的電腦程式可承載於可為有形載體媒體(例如磁碟)或無形載體媒體(例如通信信號)之適合的載體媒體上。可使用合適的裝置來實施本發明之實施例，該合適的裝置可具體地採取運行經配置以實施如本文中所描述的方法之電腦程式的可程式化電腦之形式。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呈由機器(例如，運算器件)讀取之形式之資訊的任何機制。舉例而言，機器可讀媒體可包括：唯讀記憶體；隨機存取記憶體；磁碟儲存媒體；光學儲存媒體；快閃記憶體器件；電學、光學、聲學或其他形式之傳播信號(例如，載波、紅外信號、數位信號等)及其他者。另外，韌體、軟體、常式、指令可在本文中描述為進行某些動作。然而，應瞭解，此類描述僅僅係出於方便起見，且此類動作事實上由運算器件、處理器、控制器或執行韌體、軟體、常式、指令等之其他器件引起。
在方塊圖中，所說明之組件描繪為離散功能區塊，但實施例不限於如所說明來組織本文中所描述之功能性之系統。由組件中之每一者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之方式組織，例如可攙合(intermingle)、結合、複寫、分解、分佈(例如，在資料中心內或地理上)，或以另外不同方式組織此類軟體或硬體。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託管經由網路傳達之資訊中的一些或全部，在此情況下，在據稱供應或以其他方式提供資訊(例如內容)之程度上，可藉由發送自內容遞送網路擷取資訊的指令來提供該資訊。
除非另外具體陳述，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」、「運算」、「計算」、「判定」或其類似者之術語的論述係指諸如專用電腦或類似專用電子處理/運算器件之具體裝置的動作或程序。
本發明之實施例可由以下條項進一步描述。 1.  一種訓練一機器學習模型之方法，該機器學習模型經組態以預測與一基板相關聯之一物理特性之值以用於調整一圖案化製程，該方法包含： 獲得與待印刷於該基板上之一所要圖案相關聯之一參考影像； 判定該機器學習模型之一第一模型參數值集合，使得一第一成本函數自使用一初始模型參數值集合獲得之該成本函數之一初始值減小，其中該第一成本函數為該參考影像與經由該機器學習模型產生之一影像之間的一差；及 使用該第一模型參數值集合來訓練該機器學習模型，使得反覆地減小該第一成本函數與一第二成本函數之一組合， 其中該第二成本函數為與該所要圖案相關聯之該物理特性之經量測值與經預測值之間的一差，該等經預測值係經由該機器學習模型預測。 2.  如條項1之方法，其中該獲得該參考影像包含： 執行經組態以產生該參考影像作為輸出之一製程模型，其中該製程模型模型化該圖案化製程之一部分。 3.  如條項2之方法，其中該製程模型為該圖案化製程之一光學器件模型、一抗蝕劑模型及/或一蝕刻模型的一經校準模型。 4.  如條項1至3中任一項之方法，其中該參考影像為該所要圖案之一空中影像、一抗蝕劑影像及/或一蝕刻影像。 5.  如條項1至4中任一項之方法，其中該判定該機器學習模型之該第一模型參數值集合為一反覆程序，一反覆包含： 藉由使用該所要圖案執行該機器學習模型來產生該影像； 判定所產生影像與該參考影像之間的該差；及 調整該機器學習模型之模型參數值，使得該差減小。 6.  如條項1至5中任一項之方法，其中使該所產生影像與該參考影像之間的該差最小化。 7.  如條項1至6中任一項之方法，其中該訓練該機器學習模型為一反覆程序，一反覆包含： 利用該第一模型參數值集合初始化該機器學習模型之該等模型參數； 藉由使用該所要圖案執行該機器學習模型來預測與該基板相關聯之該物理特性之該等值； 經由一度量衡工具獲得該基板上之一所要經印刷圖案之該物理特性之該等經量測值；及 調整該機器學習模型之模型參數值，使得該第一成本函數與該第二成本函數之該組合減小。 8.  如條項7之方法，其中該調整模型參數值係基於該第一成本函數與該第二成本函數之該組合之一梯度下降。 9.  如條項1至8中任一項之方法，其中使該第一成本函數與該第二成本函數之總和最小化。 10.    如條項1至9中任一項之方法，其中該模型參數為與該機器學習模型之一或多個層相關聯之權重及/或偏差。 11.    如條項1至10中任一項之方法，其中該機器學習模型為一廻旋神經網路。 12.    如條項1至11中任一項之方法，其中與一基板相關聯之該參數為與該所要圖案相關聯之一臨界尺寸或一邊緣置放誤差。 13.    如條項10至12中任一項之方法，其中調整該廻旋神經網路之該權重以減小與經訓練之該圖案化製程之一模型相關聯之該邊緣置放誤差或一模型誤差。 14.    如條項1至13中任一項之方法，其中該等經量測值為經由經組態以量測該基板之一所要經印刷圖案之該度量衡工具獲得之CD值。 15.    如條項7至14中任一項之方法，其中該度量衡工具為一掃描電子顯微鏡(SEM)且該等量測值自一SEM圖像獲得。 16.    如條項1至15中任一項之方法，其中該等經量測值為與該所要圖案相關聯之一空中影像之強度值。 17.    如條項1至11中任一項之方法，其進一步包含： 使用該第一模型參數值集合來訓練該機器學習模型，使得該第一成本函數、該第二成本函數與一第三成本函數之一組合減小， 其中該第三成本函數為一柵格依賴性之一函數。 18.    如條項1至17中任一項之方法，其進一步包含： 經由經訓練機器學習模型預測用於設計佈局之基板影像； 經由使用該設計佈局及經預測基板影像之OPC模擬來判定待用於製造用於一圖案化製程之一遮罩之該遮罩佈局。 19.    如條項17之方法，其中該OPC模擬包含： 經由使用該設計佈局之幾何形狀及與複數個區段相關聯之該等校正來模擬一圖案化製程模型，判定將印刷於一基板上之一經模擬圖案；及 判定對該設計佈局之光學接近校正，使得該經模擬圖案與該設計佈局之間的一差減小。 20.    如條項19之方法，其中該判定光學接近校正為一反覆程序，一反覆包含： 調整該設計佈局之主要特徵及/或一或多個輔助特徵之幾何形狀之形狀及/或大小，使得該圖案化製程之一效能度量減小。 21.    如條項20之方法，其中自該機器學習模型之經預測後OPC影像擷取該一或多個輔助特徵。 22.    如條項1至21中任一項之方法，其中使用表達式c1*CF1+c2*CF2來計算該第一成本函數(CF1)與該第二成本函數(CF2)之該組合，其中c1及c2為可調整以使該組合最小化之係數。 23.    一種電腦程式產品，其包含其上記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施以上條項中任一項之方法。
應理解，說明書及圖式不意欲將本發明限制於所揭示之特定形式，相反，本發明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、等效者及替代方案。
鑒於此描述，本發明之各種態樣之修改及替代性實施例對於熟習此項技術者而言將顯而易見。因此，本說明書及圖式應理解為僅為說明性的且係出於教示熟習此項技術者實行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視為實施例的實例。元件及材料可替代本文中所說明及描述之元件及材料，部分及製程可反轉或省略，可獨立利用某些特徵，且可組合實施例或實施例之特徵，此皆對熟習此項技術者在獲得本說明書之權益之後將顯而易見。可在不脫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對本文中所描述之元件作出改變。本文中所使用之標題僅用於組織性目的，且不意欲用以限制本說明書之範疇。
如貫穿本申請案所使用，字詞「可」以許可之意義(亦即，意謂具有可能性)而非以強制性之意義(亦即，意謂必須)使用。字詞「包括(include)」、「包括(including)」及「包括(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)」、「一(an)」及「該(the)」包括複數個指示物，除非內容另有明確地指示。因此，舉例而言，對「一(an)」元件或「一(a)」元件之引用包括兩個或更多個元件之組合，儘管針對一或多個元件使用其他術語及片語，諸如「一或多個」。除非另有指示，否則術語「或」為非獨占式的，亦即，涵蓋「及」及「或」兩者。描述條件關係之術語，例如「回應於X，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，其中先行詞為必要的因果條件，先行詞為充分的因果條件，或先行詞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。此類條件關係不限於緊接先行詞而獲得之結果，此係由於可延遲一些結果，且在條件語句中，先行詞與其結果連接，例如，先行詞與出現結果之似然性相關。除非另有指示，否則複數個屬性或功能經映射至複數個物件(例如，進行步驟A、B、C及D之一或多個處理器)之陳述涵蓋經映射至所有此類物件的所有此類屬性或功能及經映射至屬性或功能之子集的屬性或功能之子集兩者(例如，所有處理器各自進行步驟A至D，及其中處理器1進行步驟A、處理器2進行步驟B及步驟C之部分且處理器3進行步驟C之部分及步驟D之情況兩者)。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唯一因素之情形及條件或值為複數個因素當中之一個因素之情形兩者。除非另有指示，否則某一集合之「每一」情形具有一些性質的陳述不應解讀為排除其中較大集合之一些以其他方式相同或類似成員不具有該性質(亦即，每一者未必意謂每一及每個)之情況。對自範圍選擇之引用包括範圍之端點。
在以上描述中，流程圖中之任何製程、描述或區塊應理解為表示程式碼之模組、片段或部分，其包括用於實施該製程中之特定邏輯功能或步驟之一或多個可執行指令，且替代實施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而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，如熟習此項技術者將理解。
在某些美國專利、美國專利申請案或其他材料(例如論文)已以引用之方式併入之程度上，此類美國專利、美國專利申請案及其他材料之文字僅藉由引用併入至此類材料與本文中所闡述之陳述及圖式之間不存在衝突之程度。在存在此類衝突的情況下，以引用之方式併入之此類美國專利、美國專利申請案及其他材料中之任何此類衝突文字具體地不以引用之方式併入本文中。
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、裝置及系統可以多種其他形式體現；此外，在不脫離本發明之精神的情況下，可對本文中所描述之方法、裝置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者意欲涵蓋如將屬於本發明之範疇及精神內之此類形式或修改。
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 18A:圖案化器件 20A: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 81:帶電粒子束產生器 82:聚光器透鏡模組 83:探針形成物鏡模組 84:帶電粒子束偏轉模組 85:二次帶電粒子偵測器模組 86:影像形成模組 87:監測模組 88:樣本載物台 90:樣本 91:一次帶電粒子束 92:帶電粒子束探針 93:二次帶電粒子 94:二次帶電粒子偵測信號 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:電漿 211:源腔室 212:收集器腔室 220:封閉結構 221:開口 230:污染物阱 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 301:參考影像 303:模型參數值 304:經量測值 305:機器學習模型 305':經訓練之機器學習模型 305'':機器學習模型 501:經預測輪廓 502:輸入輪廓 511:經預測輪廓 512:輸入輪廓 1000:微影投影裝置 1200:源模型 1210:投影光學器件模型 1220:圖案化器件/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:圖案後轉印製程模型模組 AD:調整構件 ADC:類比/數位轉換器 B:輻射光束 C:目標部分 CL:聚光器透鏡 CO:聚光器/輻射收集器 DIS:顯示器件 Ex:光束擴展器 EBD1:光束偏轉器 EBD2:E×B偏轉器 EBP:一次電子束 ESO:電子源 IF:干涉量測構件/虛擬源點 IL:照明系統 IN:積分器 IPU:影像處理系統 LAS:雷射器 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 MEM:記憶體 MT:第一物件台/支撐結構 O:點虛線/光軸 OL:物鏡 P1:基板對準標記 P2:基板對準標記 P301:程序 P303:程序 P305:程序 PB:光束 PL:透鏡 PM:第一定位器 PS:投影系統 PS1:位置感測器 PS2:位置感測器 PSub:基板 PU:處理單元 PW:第二定位器 SED:二次電子偵測器 SEM:掃描電子顯微鏡 SO:輻射源/源收集器模組 ST:基板台 STOR:儲存媒體 W:基板 WT:第二物件台/基板台 X:方向 Y:方向
現將參考隨附圖式而僅作為實例來描述實施例，在該等圖式中：
圖1展示根據實施例之微影系統之各種子系統的方塊圖；
圖2描繪根據實施例之用於模型化及/或模擬圖案化製程之至少部分的實例流程圖；
圖3為根據實施例之訓練經組態以預測與基板相關聯之物理特性之值以用於調整圖案化製程之機器學習模型之方法的流程圖；
圖4說明根據實施例之具有用於根據圖3中之方法訓練之多個層之機器學習模型的實例；
圖5A及圖5B說明根據實施例之相對於導致柵格依賴性誤差之柵格的實例圖案移位；
圖6示意性地描繪根據實施例之掃描電子顯微鏡(SEM)的實施例；
圖7示意性地描繪根據實施例之電子束檢測裝置的實施例；
圖8為根據實施例之實例電腦系統的方塊圖；
圖9為根據實施例之微影投影裝置的示意圖；
圖10為根據實施例之極紫外(EUV)微影投影裝置的示意圖；
圖11為根據實施例之圖10中之裝置的更詳細視圖；且
圖12為根據實施例之圖10及圖11之裝置之源收集器模組的更詳細視圖。
300:方法
301:參考影像
303:模型參考值
304:經量測值
305:機器學習模型
305':經訓練之機器學習模型
305":機器學習模型
P301:程序
P303:程序
P305:程序

Claims (15)

  1. 一種訓練一機器學習模型之方法，該機器學習模型經組態以預測與一基板相關聯之一物理特性之值以用於調整一圖案化製程，該方法包含： 獲得與待印刷於該基板上之一所要圖案相關聯之一參考影像； 判定該機器學習模型之一第一模型參數值集合(set)，使得一第一成本函數(cost function)自藉由使用一第一模型參數值集合獲得之該第一成本函數之一第一值減小，其中該第一成本函數表示該參考影像與經由該機器學習模型產生之一影像之間的一差；及 藉由使用該第一模型參數值集合來訓練該機器學習模型，使得反覆地(iteratively)減小該第一成本函數與一第二成本函數之一組合， 其中該第二成本函數表示與該所要圖案相關聯之該物理特性之經量測值與經預測值之間的一差，其中該等經預測值係經由該機器學習模型預測。
  2. 如請求項1之方法，其中該獲得該參考影像包含： 執行一製程模型以模型化該圖案化製程之一部分且經組態以產生該參考影像作為輸出，其中該製程模型模型化該圖案化製程之一部分。
  3. 如請求項2之方法，其中該製程模型為該圖案化製程之一光學器件模型、一抗蝕劑模型及/或一蝕刻模型的一經校準模型。
  4. 如請求項1之方法，其中該參考影像為該所要圖案之一空中影像、一抗蝕劑影像及/或一蝕刻影像。
  5. 如請求項1之方法，其中該判定該機器學習模型之該第一模型參數值集合為一反覆程序，一反覆包含： 藉由使用該所要圖案執行該機器學習模型來產生該影像； 判定所產生影像與該參考影像之間的該差；及 調整該機器學習模型之模型參數值，使得該差減小。
  6. 如請求項1之方法，其中該訓練該機器學習模型為一反覆程序，一反覆包含： 利用該第一模型參數值集合初始化該機器學習模型之模型參數； 藉由使用該所要圖案執行該機器學習模型來預測與該基板相關聯之該物理特性之該等值； 獲得該基板上之一所要經印刷圖案之該物理特性之該等經量測值；及 調整該機器學習模型之模型參數值，使得該第一成本函數與該第二成本函數之該組合減小。
  7. 如請求項6之方法，其中該調整模型參數值係基於該第一成本函數與該第二成本函數之該組合之一梯度下降。
  8. 如請求項6之方法，其中該機器學習模型為一廻旋神經網路(convolutional neural network)，且其中該等模型參數為與該廻旋神經網路之一或多個層相關聯之權重及/或偏差。
  9. 如請求項1之方法，其中與一基板相關聯之該物理特性為與該所要圖案相關聯之一臨界尺寸或一邊緣置放誤差，且其中該等經量測值為經由一度量衡工具獲得之CD值。
  10. 如請求項1之方法，其中該等經量測值為與該所要圖案相關聯之一空中影像之強度值。
  11. 如請求項1之方法，其進一步包含： 藉由使用該第一模型參數值集合來訓練該機器學習模型，使得該第一成本函數、該第二成本函數與一第三成本函數之一組合減小， 其中該第三成本函數為一柵格依賴性之一函數。
  12. 如請求項1之方法，其進一步包含： 經由經訓練機器學習模型預測用於設計佈局之基板影像；及 經由使用該設計佈局及經預測基板影像之OPC模擬來判定待用於製造用於一圖案化製程之遮罩之一遮罩佈局。
  13. 如請求項12之方法，其中該OPC模擬包含： 判定將印刷於一基板上之一經模擬圖案；及 判定對該設計佈局之光學接近校正，使得該經模擬圖案與該設計佈局之間的一差減小。
  14. 如請求項12之方法，其中該判定包含自該機器學習模型之經預測後OPC影像擷取一或多個輔助特徵。
  15. 一種電腦程式產品，其包含其上記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施訓練一機器學習模型之一方法，該機器學習模型經組態以預測與一基板相關聯之一物理特性之值以用於調整一圖案化製程，該方法包含： 獲得與待印刷於該基板上之一所要圖案相關聯之一參考影像； 判定該機器學習模型之一第一模型參數值集合，使得一第一成本函數自藉由使用一第一模型參數值集合獲得之該第一成本函數之一第一值減小，其中該第一成本函數表示該參考影像與經由該機器學習模型產生之一影像之間的一差；及 藉由使用該第一模型參數值集合來訓練該機器學習模型，使得反覆地減小該第一成本函數與一第二成本函數之一組合， 其中該第二成本函數表示與該所要圖案相關聯之該物理特性之經量測值與經預測值之間的一差，其中該等經預測值係經由該機器學習模型預測。
TW111105784A 2019-08-13 2020-08-05 用於改善圖案化製程之訓練機器學習模型的方法 TW202221428A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962886058P 2019-08-13 2019-08-13
US62/886,058 2019-08-13

Publications (1)

Publication Number Publication Date
TW202221428A true TW202221428A (zh) 2022-06-01

Family

ID=71944114

Family Applications (2)

Application Number Title Priority Date Filing Date
TW111105784A TW202221428A (zh) 2019-08-13 2020-08-05 用於改善圖案化製程之訓練機器學習模型的方法
TW109126513A TWI758810B (zh) 2019-08-13 2020-08-05 用於改善圖案化製程之訓練機器學習模型的方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW109126513A TWI758810B (zh) 2019-08-13 2020-08-05 用於改善圖案化製程之訓練機器學習模型的方法

Country Status (4)

Country Link
US (1) US20220284344A1 (zh)
CN (1) CN114207517A (zh)
TW (2) TW202221428A (zh)
WO (1) WO2021028228A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI841349B (zh) * 2023-04-20 2024-05-01 國立高雄大學 晶圓切割崩裂預測方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11901204B2 (en) * 2020-05-22 2024-02-13 Applied Materials, Inc. Predictive wafer scheduling for multi-chamber semiconductor equipment
KR20220001262A (ko) * 2020-06-29 2022-01-05 삼성전자주식회사 반도체 공정의 근접 보정 방법
US11710228B2 (en) * 2021-03-05 2023-07-25 Applied Materials, Inc. Detecting an excursion of a CMP component using time-based sequence of images and machine learning
CN113238460B (zh) * 2021-04-16 2022-02-11 厦门大学 一种基于深度学习的用于超紫外的光学邻近校正方法
US20240288764A1 (en) * 2021-07-06 2024-08-29 Asml Netherlands B.V. Determining localized image prediction errors to improve a machine learning model in predicting an image
CN118043740A (zh) * 2021-09-08 2024-05-14 Asml荷兰有限公司 使用带电粒子检查系统的图案化参数确定
US20230094719A1 (en) * 2021-09-30 2023-03-30 International Business Machines Corporation Random weight initialization of non-volatile memory array
US20240104432A1 (en) * 2022-09-23 2024-03-28 X Development Llc Noisy ecological data enhancement via spatiotemporal interpolation and variance mapping
CN116342983B (zh) * 2023-05-29 2023-09-01 全芯智造技术有限公司 生成及使用图刻模型的方法、电子设备和计算机可读介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662309B (zh) 2005-09-09 2014-10-01 Asml荷兰有限公司 采用独立掩模误差模型的掩模验证系统和方法
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
US9171387B2 (en) * 2012-08-24 2015-10-27 Synerscope Bv Data visualization system
TWI789385B (zh) * 2017-04-21 2023-01-11 美商應用材料股份有限公司 使用神經網路來監測的拋光裝置
KR102405686B1 (ko) * 2017-09-08 2022-06-07 에이에스엠엘 네델란즈 비.브이. 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들
KR20190048491A (ko) * 2017-10-31 2019-05-09 삼성전자주식회사 식각 효과 예측 방법 및 입력 파라미터 결정 방법
CN109491216B (zh) * 2018-12-20 2020-11-27 上海集成电路研发中心有限公司 一种优化光刻工艺参数的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI841349B (zh) * 2023-04-20 2024-05-01 國立高雄大學 晶圓切割崩裂預測方法

Also Published As

Publication number Publication date
WO2021028228A1 (en) 2021-02-18
TW202113500A (zh) 2021-04-01
CN114207517A (zh) 2022-03-18
US20220284344A1 (en) 2022-09-08
TWI758810B (zh) 2022-03-21

Similar Documents

Publication Publication Date Title
TWI758810B (zh) 用於改善圖案化製程之訓練機器學習模型的方法
US20230013919A1 (en) Machine learning based inverse optical proximity correction and process model calibration
TWI782317B (zh) 用於改良圖案化程序之程序模型的方法以及改良圖案化程序之光學近接校正模型的方法
TWI796585B (zh) 用於改良影像中之結構之基於程序之輪廓資訊之方法
TW201837759A (zh) 藉由機器學習來判定製程模型之方法
TWI791357B (zh) 用於選擇與圖案化程序相關聯之資料之方法及相關的非暫時性電腦可讀媒體
TWI783392B (zh) 執行用於訓練機器學習模型以產生特性圖案之方法的非暫時性電腦可讀媒體
TWI753681B (zh) 用於改良光罩圖案產生中之一致性之方法
CN113728276B (zh) 用于基于缺陷来确定图案化过程的特性以减少热点的方法
TW202210954A (zh) 用於選擇資訊模式以訓練機器學習模型之設備及方法
TWI839854B (zh) 改良用於模型校準之量規選擇
TWI667553B (zh) 判定圖案之特性之方法
TWI661264B (zh) 調諧製程模型之方法
TWI851912B (zh) 用於圖案選擇之非暫時性電腦可讀媒體
US20240355578A1 (en) Software, methods, and systems for determination of a local focus point
TW202419964A (zh) 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體
TW202209012A (zh) 用於基於影像之圖案選擇之系統、產品及方法
TW202122927A (zh) 判定圖案之像差靈敏度的方法