TW202230039A - 用於產生解模糊模型及解模糊影像之設備及方法 - Google Patents

用於產生解模糊模型及解模糊影像之設備及方法 Download PDF

Info

Publication number
TW202230039A
TW202230039A TW110137665A TW110137665A TW202230039A TW 202230039 A TW202230039 A TW 202230039A TW 110137665 A TW110137665 A TW 110137665A TW 110137665 A TW110137665 A TW 110137665A TW 202230039 A TW202230039 A TW 202230039A
Authority
TW
Taiwan
Prior art keywords
substrate
feature
target
image
layer
Prior art date
Application number
TW110137665A
Other languages
English (en)
Other versions
TWI798861B (zh
Inventor
海容 雷
方偉
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 TW202230039A publication Critical patent/TW202230039A/zh
Application granted granted Critical
Publication of TWI798861B publication Critical patent/TWI798861B/zh

Links

Images

Classifications

    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G06T5/60—
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

本文中描述一種用於訓練一解模糊模型及使用該解模糊模型及與一經圖案化基板之多個層相關聯之深度資料來對該經圖案化基板之一影像(例如SEM影像)進行解模糊的方法及系統。該方法包括：經由一模擬器使用一目標圖案作為輸入來獲得該基板之一經模擬影像，該目標圖案包含待形成於一第一層上之一第一目標特徵，及待形成於位於該第一層下方之一第二層上之一第二目標特徵；基於與該基板之多個層相關聯之深度資料，判定用於該基板之特徵之邊緣範圍資料；及使用該經模擬影像及與該目標圖案相關聯之該邊緣範圍資料作為訓練資料，調整一基底模型之參數以產生該解模糊模型以實現一所捕捉影像之一解模糊影像。

Description

用於產生解模糊模型及解模糊影像之設備及方法
本文中之描述大體上係關於處理由檢測或度量衡工具獲取之影像，且更特定言之係關於藉由使用機器學習進行之影像解模糊。
微影投影設備可用於例如積體電路(IC)之製造中。在此狀況下，圖案化裝置(例如遮罩)可含有或提供對應於IC (「設計佈局」)之個別層之裝置圖案，且可藉由諸如經由圖案化裝置上之圖案來輻照已經塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)而將此圖案轉印至該目標部分上。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影投影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，將整個圖案化裝置上之圖案一次性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(step-and-scan apparatus)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。圖案化裝置上之圖案之不同部分逐漸地轉印至一個目標部分。一般而言，由於微影投影設備將具有縮減比率M (例如4)，故基板被移動之速度F將為投影光束掃描圖案化裝置之速度的1/M倍。可例如自以引用方式併入本文中之US 6,046,792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(「曝光後工序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤，及經轉印圖案之量測/檢測。此工序陣列係用作製造一裝置(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-機械研磨等等，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。接著藉由諸如切塊或鋸切之技術來使此等裝置彼此分離，據此，可將個別裝置安裝於載體上、連接至銷釘等。
因此，製造諸如半導體裝置之裝置通常涉及使用多個製作程序來處理基板(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、化學機械研磨及離子植入來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製作多個裝置，且接著將其分離成個別裝置。此裝置製造程序可被認為是圖案化程序。圖案化程序涉及用以將圖案化裝置上之圖案轉印至基板之圖案化步驟，諸如使用微影設備中之圖案化裝置之光學及/或奈米壓印微影，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。
根據一實施例，提供一種用於訓練一影像解模糊模型以用於處理影像之方法。該方法包括經由一模擬器使用從中導出一基板上之一圖案的一目標圖案來獲得該基板之對應於該目標圖案的一經模擬影像。該目標圖案包含待形成於該基板上之一第一層上的一第一目標特徵及待形成於該基板上之一第二層上的一第二目標特徵，該第二層位於該基板上之該第一層下方。方法進一步包括基於與該基板之多個層相關聯之深度資料，判定該基板上之對應於該目標圖案之該等第一及第二目標特徵的特徵之邊緣範圍資料。該深度資料特性化該基板上之該等特徵之邊緣的模糊，該模糊係依據該各別特徵距該基板之一頂部層之一深度而變化。方法進一步包括使用該基板之該經模擬影像及該邊緣範圍資料作為訓練資料，調整一基底模型之參數以產生該解模糊模型。該解模糊模型經組態以使用與該經圖案化基板之該所捕捉影像相關聯的邊緣範圍資料來產生該所捕捉影像之一解模糊影像。
在一實施例中，提供一種對一經圖案化基板之一所捕捉影像進行解模糊之方法。該方法包括：基於一目標圖案及與該經圖案化基板之多個層相關聯之深度資料來識別該所捕捉影像中之特徵；及藉由基於該目標圖案及該深度資料對該等特徵中之每一者解模糊來對該所捕捉影像進行解模糊。
在一實施例中，提供一種對一經圖案化基板之一所捕捉影像進行解模糊之方法。該方法包括將該經圖案化基板之一所捕捉影像及與一目標圖案相關聯之邊緣範圍資料輸入至一解模糊模型。
在一實施例中，提供一種系統，其包括：電子束光學件，其經組態以捕捉一經圖案化基板之一影像；及一或多個處理器，其經組態以對該所捕捉影像進行解模糊。該一或多個處理器經組態以：將該經圖案化基板之該所捕捉影像及與目標圖案相關聯之邊緣範圍資料輸入至一解模糊模型，其中該解模糊模型係基於與在某一深度下之該目標圖案之特徵相關聯的邊緣範圍資料來訓練；及藉由執行該解模糊模型來對該所捕捉影像進行解模糊。
在一實施例中，提供一種包含指令之一或多個非暫時性電腦可讀媒體，該等指令對應於本文中之方法之程序。在一實施例中，一或多個非暫時性電腦可讀媒體係用於儲存一解模糊模型。在一實施例中，一或多個非暫時性電腦可讀媒體經組態以經由所儲存之該解模糊模型產生一經解模糊影像。特定言之，一或多個非暫時性電腦可讀媒體儲存指令，該等指令在由一或多個處理器執行時提供該解模糊模型。在一實施例中，該解模糊模型係藉由本文中之方法之程序產生。舉例而言，產生該解模糊模型之程序包括：經由一模擬器使用從中導出一基板上之一圖案的一目標圖案，獲得該基板之對應於該目標圖案之一經模擬影像；基於與該基板之多個層相關聯的深度資料，判定該基板上之對應於該目標圖案之第一及第二目標特徵的特徵之邊緣範圍資料；及使用該基板之該經模擬影像及該邊緣範圍資料作為訓練資料，調整一基底模型之參數以產生該解模糊模型。該解模糊模型經組態以使用與該經圖案化基板之該所捕捉影像相關聯的邊緣範圍資料來產生該所捕捉影像之一解模糊影像。
根據本發明之實施例，一解模糊模型係藉由使用經模擬影像及與設計圖案相關聯之深度資料來訓練，該等經模擬影像經由一模擬器(例如基於蒙特卡羅(Monte-Carlo)之模擬器)而自該等設計圖案轉換。包含該等經模擬影像及該深度資料的訓練資料相比於SEM捕捉之影像可集體地覆蓋顯著且足夠更多的圖案。改良之圖案覆蓋範圍可有利地引起解模糊模型之顯著改良之有效性及準確度。可大大減少或甚至消除再訓練之要求。
用於裝置(例如，電話、膝上型電腦、電腦記憶體等)中的積體電路(IC)晶片包括複雜電路圖案。在此類電路圖案之製造期間，需要捕捉印刷於晶片(亦被稱作基板)上之電路圖案之影像以判定所要電路圖案是否被準確地印刷。通常，所捕捉影像係模糊的，使得難以識別電路圖案之個別電路特徵。在一項實例中，因為電路特徵形成於晶片之多個層上，所以引起所捕捉影像之解模糊，該等層中一者安置於另一者上方。因而，對所捕捉影像進行解模糊以較好地識別個別電路特徵。藉由針對此類複雜應用經特定訓練的解模糊模型來對所捕捉影像進行解模糊。
捕捉印刷電路圖案之影像的一種方式為使用將電子束投影於電路圖案上之影像捕捉裝置來進行。取決於上方形成有電路圖案之電路特徵之層的屬性，電子束之電子以不同方式被繞射。對了對影像進行解模糊，本文中使用每一層之深度資訊。深度資訊促進準確地模型化不同層深度處之解模糊效應。舉例而言，深度資訊可指示深層上之特徵將比頂部層顯得更模糊。因而，可達成位於不同深度處的電路圖案之特徵之較好解模糊，藉此引起較準確的較不模糊的影像，藉此有助於準確地識別個別電路特徵。
儘管在本文中可特定地參考IC製造，但應明確理解，本文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，在此類替代應用之內容背景中，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為分別與更一般之術語「遮罩」、「基板」及「目標部分」可互換。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顯影經曝光抗蝕劑之工具)或度量衡或檢測工具中處理本文所提及之基板。適用時，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，可將基板處理多於一次，例如，以便產生多層IC，使得本文中所使用之術語基板亦可指已經含有多個經處理層之基板。
裝置之臨界尺寸(CD)係指線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此，CD判定經設計裝置之總大小及密度。當然，裝置製作中之目標中之一者係在基板上如實地再生原始設計意圖(經由圖案化裝置)。
在本發明文件中，術語「輻射」及「光束」可用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如，具有為365 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外線輻射(EUV，例如，具有在約5 nm至100 nm之範圍內之波長)。
如本文所使用之術語「遮罩」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，經圖案化橫截面對應於待在基板之目標部分中產生之圖案；術語「光閥」亦可用於此內容背景中。除了經典遮罩(透射或反射；二元、相移、混合式等)以外，其他此類圖案化裝置之實例亦包括： -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。在使用適當濾光器的情況下，可自反射光束濾出該非繞射輻射，從而僅留下繞射輻射；以此方式，光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適電子構件來執行所需矩陣定址。 -可程式化LCD陣列。以引用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。
作為簡要介紹，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)源的其他類型之源(如上文所論述，微影投影設備自身無需具有輻射源)；照明光學件，其例如定義部分相干性(被表示為均方偏差)且可包括塑形來自源12A之輻射的光學件14A、16Aa及16Ab；圖案化裝置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(Θ max)，其中n為基板與投影光學件之最後元件之間的介質之折射率，且Θ max為自投影光學件射出的仍可照射於基板平面22A上之光束的最大角度。
在微影投影設備中，源將照明(亦即輻射)提供至圖案化裝置，且投影光學件經由圖案化裝置將照明引導至基板上且塑形該照明。投影光學件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為基板位階處之輻射強度分佈。曝光基板上之抗蝕劑層，且將空中影像轉印至抗蝕劑層以在其中作為潛伏「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑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，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 2009-0157360號中找到此情形之實例。抗蝕劑模型係僅與抗蝕劑層之屬性(例如在曝光、PEB及顯影期間發生之化學程序之效應)相關。微影投影設備之光學屬性(例如源、圖案化裝置及投影光學件之屬性)規定空中影像。由於可改變用於微影投影設備中之圖案化裝置，因此可需要使圖案化裝置之光學屬性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屬性分離。
舉例而言，在晶片製造(亦被稱作圖案化程序或半導體製造)中，可將晶片之目標圖案(例如，電路圖案)印刷於基板上之多個層上。每一層具有目標圖案(例如，電路圖案)之特定特徵(例如，線、接觸孔、長條等)。此等特徵在彼此連接時提供晶片或電路之所要電氣或邏輯功能。該等特徵可經由多個層彼此連接以形成晶片之目標圖案。
時常地，使用掃描電子顯微鏡(SEM)檢測或量測經圖案化基板以研究目標圖案之印刷效能。檢測SEM影像以確保在與特徵相關聯之實體特性之可接受臨限值極限內將晶片之目標圖案印刷於基板上。若印刷效能不在可接受臨限值極限內，則晶片製造之良率受到不利影響。基於該檢測，晶片製造之一或多個程序可經調整以改良印刷效能及晶片製造之良率。
通常，SEM工具之高著陸能量(HLE)設定用以量測在高深度處(例如在垂直位於頂部層下方之第三或第四層處)之圖案以達成檢測及度量衡目的。HLE SEM影像信號主要來自反向散射電子(BSE)。BSE信號導致SEM影像更加模糊。舉例而言，基於BSE之繞射特性，在SEM影像中，最下部層(距基板之頂部表面最大深度處)上之特徵具有以邊緣模糊形式看到的最大繞射效應。因而，一些解模糊演算法可用以得到更清晰SEM影像。舉例而言，解模糊影像為若干特徵或特徵邊界模糊的影像。而在對影像進行解模糊之後，特徵邊界具有更清楚邊緣或更清晰邊緣。
參看圖2A至圖2F，說明歸因於關於基板之不同層之BSE繞射效應而造成的模糊之實例。圖2A說明包括複數個特徵(例如接觸孔CH (出於說明之目的，僅標記幾個孔))之目標圖案TP1 (例如呈GDS格式)。圖2B說明對應於目標圖案TP1之第一圖案L1。在此實例中，第一圖案L1印刷於基板之第一層(例如頂部層)上。第一圖案L1可在基板上在第一深度(例如0 nm)處形成。第一圖案L1中之接觸孔之邊界係清晰的。舉例而言，當TP1之接觸孔疊對於第一圖案L1上時，在孔之邊界處之像素(在L1中)的強度展示最小變化甚至無變化。因而，可準確地識別第一圖案L1中之接觸孔。然而，隨著基板上之層之深度增加(例如垂直地在頂部層下方)，特徵(例如接觸孔)之邊緣變得愈來愈模糊。舉例而言，特徵邊緣處之像素強度實質上發生變化，從而使得難以準確地辨別在高深度處之層中之特徵的邊界。在增加之深度處的特徵之實例模糊說明於圖2C、圖2D及圖2E中。
圖2C說明在第二深度(例如垂直在第一層下方2 nm)處之第二層L2上形成的第二圖案L2。觀測到，特徵之邊緣(黑圓圈)與第一圖案L1中之特徵之邊緣相比較模糊。圖2D說明在第三深度(例如垂直在第一層下方5 nm)處之第三層L3上形成的第三圖案L3。觀測到，特徵之邊緣(黑圓圈)與第二圖案L2中之特徵之邊緣相比較模糊。類似地，圖2D說明在第四深度(例如垂直在第一層下方8 nm)處之第四層L3上形成的第四圖案L4。觀測到，特徵之邊緣(黑圓圈)與第三圖案L3中之特徵之邊緣相比較模糊。因而，參看圖2E中之影像L4-TP1，當目標圖案TP1疊對於第四圖案L4上時，不清楚L4中之特徵之邊緣真正在何處。
當前，用於對HLE SEM影像進行解模糊及解雜訊之方法具有若干挑戰。舉例而言，經解模糊HLE SEM影像之特徵邊界不清楚且不準確。另一問題為混疊，其係指當自樣本重建構之信號不同於原始信號時產生的影像中之失真，藉此引起不準確的邊緣判定。在多層經圖案化基板之SEM影像中，BSE引起第一層之第一深度處之繞射與第二層之第二深度處之繞射不同，此使得邊緣模糊更複雜。用以分析繞射效應之傳統蒙地卡羅模擬花費較長時間。由於難以獲得清潔且準確的HLE SEM影像，因此不存在可用於改良圖案化程序之一或多個態樣之實況影像。例如用於改良與判定特徵CD相關的程序模型準確度。
本發明提供一種用於基於引起所捕捉影像之解模糊之深度資料對所捕捉影像進行解模糊的方法。在一實施例中，使用特徵距待圖案化基板之頂部層的深度之效應來訓練解模糊模型。舉例而言，可在特徵之邊緣上看到特徵之深度效應。特徵距頂部層愈深，特徵之邊緣愈模糊，此係歸因於BSE信號與來自頂部層之BSE信號相比較弱。
在一實施例中，可在一或多個微影及度量衡應用中使用經訓練解模糊模型。舉例而言，可經由解模糊模型對具有例如記憶電路特徵之真實經圖案化基板之所捕捉影像進行解模糊。自經解模糊影像，可準確地識別及提取記憶體電路特徵。可進一步提供此類經提取特徵以訓練與微影相關之較準確程序模型(例如抗蝕劑模型、光學近接校正(OPC)相關模型等)。在另一應用中，可由於自經圖案化基板之經解模糊影像提取的較準確特徵幾何形狀(例如形狀及大小)而改良度量衡資料之準確度。另外，經解模糊影像可改良經圖案化基板之檢測之可靠性。
圖3為用於訓練經組態以對經圖案化基板之所捕捉影像進行解模糊之解模糊模型之方法300的流程圖。為了更好地理解該方法，舉例而言，論述使用特徵之邊緣作為歸因於特徵距頂部層之深度而受影響的實例特性。所捕捉影像之解模糊使得能夠更準確地識別特徵特性(例如特徵邊緣)。在一實施例中，關於以下工序P301、P303及P305進一步詳細地論述訓練解模糊模型之程序。
程序P301涉及經由模擬器使用從中導出基板上之圖案之目標圖案TP，獲得基板之對應於該目標圖案TP的經模擬影像302。在一實施例中，目標圖案TP可由基板之複數個層形成，該複數個層垂直地安置於彼此下方，每一層具有對應於目標圖案之目標特徵的一或多個特徵。舉例而言，第一目標特徵形成於基板之第一層上，且第二目標特徵形成於位於基板之第一層下方的第二層上。
在一實施例中，目標圖案TP以基於多邊形之階層式資料格式之形式呈現。舉例而言，基於多邊形之資料格式可為圖形資料系統(GDS)格式、彩色影像、向量格式或其他資料表示。在一實施例中，目標圖案TP包含與第一目標特徵及第二目標特徵相關聯之幾何資料。幾何資料可為例如第一目標特徵及第二目標特徵之所要形狀，以及第一目標特徵及第二目標特徵之邊緣分別在目標圖案TP內的目標位置。在一實施例中，每一目標特徵係與上方可形成有該目標特徵的基板之層相關聯。
在一實施例中，經模擬影像302包含雜訊，諸如影像中之亮度或色彩資訊之隨機變化。在一實施例中，獲得經模擬影像302進一步包括自經圖案化基板之所捕捉影像提取雜訊；及將雜訊添加至經模擬影像302。舉例而言，所捕捉影像雜訊可特定於影像捕捉裝置。
在一實施例中，模擬器包含依據上方將印刷有目標圖案TP之基板之實體特性而變化的模型。模擬器經組態以藉由調整影像捕捉裝置(例如SEM)之電子束之BSE特性而產生經模擬影像302。在調整BSE特性之後，可考量與目標圖案相關聯之不同繞射效應，藉此允許判定基板之每一層處之特徵特性(例如，邊緣、大小、灰階值等)。在一實施例中，基板之實體特性可為特定層之材料、特定層之厚度、抗蝕劑程序參數、蝕刻程序參數或其組合。用於模擬器中之模型可為對繞射、由特定層進行之電子吸收/繞射之物理性質等進行模型化的以物理性質為基礎之模型。該模型可為基於BSE資料而擬合之統計模型。
在一實施例中，獲得經模擬影像302涉及經由蒙地卡羅模擬程序模擬模型以產生經模擬影像302。在蒙地卡羅模擬程序期間，可調整一或多個BSE特性、層之深度等以產生經模擬影像302。經模擬影像302可表示經由影像捕捉裝置(例如SEM)所捕捉之經圖案化基板的真實影像。在一實施例中，獲得經模擬影像302涉及模擬經組態以基於深度資料產生經模擬影像302之雙高斯(Gaussian)模型。
圖7說明自使用目標圖案之模擬器獲得經模擬影像的實例。例示性目標圖案702 (例如DRAM電路圖案)包括形成於基板上之不同層上的複數個特徵。目標圖案702包含待形成於第一層上之第一目標特徵F1 (例如水平線)、待形成於第二層上之第二目標特徵F2 (例如垂直線)、形成於第三層上之第三特徵F3 (例如傾斜桿)及待形成於第四層上之第四特徵F4 (例如圓圈)。
在一實施例中，目標圖案702經輸入至模擬器704，該模擬器經組態以產生將模仿真實經圖案化基板之經模擬影像。舉例而言，模擬器704包含對模型之蒙地卡羅模擬。該模型產生依據基板之不同層處之繞射效應而變化的基板之經模擬影像。舉例而言，在一實施例中，模型可經組態以指派/改變投影於基板上之電子之數目。舉例而言，電子之數目可為大致2000、2500、3000等。在撞擊第一層處之特徵後，模型即預測反向散射電子可為大致140個。此外，模型可經組態以輸入電子之著陸能量(例如，10 keV、20 keV等)、電子之密度(例如，大致2.4)。除了此等實例設定之外，模擬器704可經組態為包括影響電子在撞擊目標特徵之後之繞射的額外特性。
在一實施例中，模擬器704輸出模仿真實經圖案化基板之影像的經模擬影像706。在一實施例中，經模擬影像706為灰階像素化影像，其中每一像素強度為模擬器704預測例如來自BSE之信號的結果。因為模擬影像用作訓練資料集，所以與包含例如真實SEM影像之訓練資料集相比，可訓練解模糊模型以覆蓋大量圖案。此係因為捕捉大量SEM圖像可能損壞圖案化基板、影響圖案化程序之良率且減慢半導體製造速度。
圖9說明產生經模擬影像之另一實例。在本實例中，藉由添加影像雜訊906來修改經模擬影像706 (經由模擬器(例如蒙地卡羅模擬)產生，如上文所論述)。舉例而言，影像雜訊906可自真實SEM影像提取或靜態產生為隨機雜訊。在一實施例中，可藉由將雜訊濾波器應用於真實SEM影像來提取雜訊906。在將雜訊添加至經模擬影像後，即產生有雜訊經模擬影像706'。在一實施例中，有雜訊經模擬影像706'亦可被稱作經模擬影像706。在本發明中，有雜訊經模擬影像706'可被互換地稱作經模擬影像706。
在一實施例中，使用經模擬影像706' (包含雜訊)作為訓練資料會改良經訓練解模糊模型之穩固性。舉例而言，即使經輸入影像(例如真實SEM影像)具有相當大的雜訊，經訓練解模糊模型亦將產生可靠的結果。舉例而言，有雜訊影像可歸因於不良影像捕捉條件、度量衡設定等。
程序P303基於與基板之每一層相關聯之深度資料DEP，判定基板上之對應於目標圖案TP之第一目標特徵及第二目標特徵之特徵的邊緣範圍資料ERD。深度資料DEP特性化基板上之特徵之邊緣的模糊，該模糊係依據各別特徵距基板之頂部層之深度而變化。
在一實施例中，深度資料DEP包含以下各者中之至少一者：特徵距基板之頂部層之深度、用於基板之特定層中之材料、在特徵之給定深度處之繞射行為。舉例而言，深度資料DEP可包括：位於自基板之頂部層垂直向下方向上的第一層之第一深度，及位於自頂部層垂直向下方向上的第二層之第二深度；與基板之該第一層及該第二層相關聯的材料資料；或與基板上之分別對應於目標圖案TP之第一目標特徵及第二目標特徵之第一特徵及第二特徵相關聯的繞射行為。
在一實施例中，邊緣範圍資料ERD包含基板上之對應於目標圖案TP內之每一特徵之特徵的邊緣位置之範圍。在一實施例中，判定邊緣範圍資料ERD涉及執行一模型，該模型經組態以運算基板上之對應於待印刷於基板上之目標圖案TP之每一特徵的特徵的邊緣變化。在一實施例中，邊緣範圍資料ERD表示為補充有目標圖案TP之每一特徵之邊緣範圍資料ERD的目標圖案TP之影像。
圖8A及圖8B說明實例目標圖案及與目標圖案內之特徵之深度相關聯的對應邊緣範圍資料。參看圖8A，例示性目標圖案702 (例如DRAM電路圖案)包括形成於基板上之不同層上的複數個特徵。如早先所論述，目標圖案702包含待形成於基板之第一層上的第一目標特徵F1 (例如水平線)、待形成於基板之第二層上的第二目標特徵F2 (例如垂直線)、形成於基板之第三層上的第三特徵F3 (例如傾斜桿)及待形成於基板之第四層上的第四特徵F4 (例如圓圈)。
在本實例中，第一層可被視為頂部層。第二層為垂直位於第一層下方一定深度(例如5 nm)處的層。第三層為垂直位於第一層下方一定深度(例如10 nm)處的層。第四層為垂直位於第一層下方一定深度(例如15 nm)處的層。因此，特徵F1、F2、F3及F4將印刷於基板之各別層上(未說明)。在捕捉到經圖案化基板之影像後，最下方層(例如具有處於最大深度之特徵F4)影像歸因於BSE反向散射電子特性而將具有最大繞射效應(例如，特徵F4之邊緣將更模糊)。在一實施例中，特性之變化係與例如基於每一特徵(例如F1、F2、F3、F4)之深度之此深度資料相關。基於每一特徵之深度資料，可判定每一特徵之邊緣範圍資料。邊緣範圍資料特性化特徵之邊緣可處於基板上之範圍。
圖8B為針對目標圖案702產生之邊緣範圍資料702ER的圖像描繪。在邊緣範圍資料702ER中，每一特徵之厚度表示彼特徵之範圍。舉例而言，線E1 (對應於特徵F1)、線E2 (對應於特徵F2)、線E3 (對應於特徵F3)及線E4 (對應於特徵F4)之厚度指示在該等特徵F1、F2、F3及F4之邊緣處的繞射將因深度資料而受到影響的量。舉例而言，線E4將與BSE繞射信號之最高變化相關聯。當此邊緣範圍資料E1、E2、E3及E4用作訓練資料集時，可在高模糊區中作出特徵邊緣之較準確判定。
在一實施例中，可使用模型(例如，類似於在關於圖7所論述之模擬器704中所使用的模型)判定邊緣範圍資料702ER。該模型經組態以基於深度資料(例如每一層之材料資料、與材料及深度相關聯之繞射特性等)判定基板上之特徵之邊緣範圍資料。舉例而言，特徵F1之材料係鉻，特徵F2之材料係銅，特徵F3之材料係鎢，特徵F4之材料係聚樹脂材料。本文中所論述之材料僅為例示性的且不限制本發明之範疇。層之材料可為SiO、Si或用於半導體製造之其他材料。在一實施例中，模型可為邊緣範圍、層之深度與層之材料之間的函數(或映射)。舉例而言，可藉由經圖案化基板之特徵、材料、深度之相關真實資料來建立此函數(或映射)。
程序P305使用經模擬影像302及基板上之對應於目標圖案TP之特徵的邊緣範圍資料ERD作為訓練資料，來調整基底模型之參數以產生解模糊模型DBM。該解模糊模型DBM使用與經圖案化基板之所捕捉影像相關聯的邊緣範圍資料ERD來產生該所捕捉影像之解模糊影像。本發明不限於特定類型之模型，只要其經組態以接收邊緣範圍資料及所捕捉影像作為輸入且產生所捕捉影像之經解模糊影像即可。
在一實施例中，基底模型或解模糊模型DBM為機器學習模型，其包含作為模型參數之權重及偏差。在訓練程序期間，基於訓練資料連續地更新基底模型之權重及偏差。在訓練結束時，基底模型被稱作解模糊模型。在一實施例中，解模糊模型DBM為迴旋神經網路(例如CNN)、深迴旋網路(DCNN)。模型參數包含深迴旋網路之一或多個層的權重及偏差。
在一實施例中，解模糊模型DBM為包括以下各者之神經網路：特徵向量，其包含指示目標圖案TP之特徵之值；及注意力向量，其包含關於與待印刷於基板上之特徵相關聯的深度之值，該注意力向量經組態以與該特徵向量一起操作。在一實施例中，注意力向量包含介於0至1之範圍內的任何值，或二進位值0或1。
在一實施例中，機器學習模型之結構經組態以將注意力向量與特徵向量相乘，使得特徵向量之特定特徵的邊緣被注意力向量指派深度相關權重。舉例而言，與乘以與基板之第二層相關聯之第二目標特徵的注意力值相比，與基板之第一層相關聯之第一目標特徵乘以更高的注意力值。
圖10為經組態以接收影像(例如，目標圖案TP之SEM或經模擬影像)及深度相關資料(例如，邊緣範圍資料ERD)之解模糊模型DBM之實例結構的圖像描繪。如所展示，每一輸入可表示為特徵向量FV。舉例而言，特徵向量可為所捕捉影像(例如，經模擬影像或真實SEM影像)之向量表示。在一實施例中，特徵向量FV包含諸如像素之位置及強度之資訊。在一實施例中，強度值指示目標圖案(例如，TP)之特徵。視情況，提供包含特徵向量之統計資訊的另一層。
在一實施例中，解模糊模型亦包括注意力向量AV，該注意力向量包含關於與待印刷於基板上之特徵相關聯的深度的值。在本實例中，在一個層處，注意力向量包含在0至1之範圍內的任何值(或其他值，例如1至100)。舉例而言，在自上而下檢視的向量AV中，第一深度被指派值0.95，第二深度被指派值0.8，第三深度被指派值0.6，且第四深度被指派值0.5。在一實施例中，邊緣範圍資料(例如ERD)用以產生注意力值(或權重)且接著應用於特徵映圖(例如CNN之特定層處之經變換SEM影像)。
在一實施例中，經模擬影像或所捕捉影像之特徵向量係與注意力向量AV (例如自邊緣範圍資料ERD產生)一起操作。因此，特徵向量FV變換成另一向量FVX。經變換特徵向量FVX因此具有所考量的深度資料。
圖11說明使用經模擬影像706' (具有雜訊)及與目標圖案TP相關聯之邊緣範圍資料702ER對解模糊模型DBM進行訓練的實例。解模糊模型DBM產生經解模糊影像1101，該經解模糊影像具有目標圖案TP (圖11中未繪示)中之特徵之明確界定的邊界。由於特徵邊界係可明確區分的，因此將解模糊模型DBM視為經訓練的。
圖4為對經圖案化基板之所捕捉影像進行解模糊之方法400的流程圖。舉例而言，度量衡工具(例如，SEM影像)可用以捕捉經圖案化基板之影像。方法之例示性實施包括程序P401及P403。該等程序可經由本文中所論述之電腦系統的一或多個處理器執行。在一實施例中，該等程序實施於度量衡工具(例如，SEM工具)之處理器中。
程序P401涉及將經圖案化基板之所捕捉影像CI及與目標圖案相關聯之邊緣範圍資料ERD輸入至解模糊模型DBM。如上文所論述，基於與在特定深度下之目標圖案之特徵相關聯的邊緣範圍資料ERD來訓練解模糊模型DBM。
如早先所論述，基板上之對應於目標圖案之特徵的特徵之邊緣範圍資料ERD係基於與該目標圖案及該基板相關聯之深度資料而判定。深度資料包含：位於自基板之頂部層垂直向下方向上的第一層之第一深度，及位於自頂部層垂直向下方向上的第二層之第二深度；與基板之該第一層及該第二層相關聯的材料資料；與基板上之分別對應於目標圖案TP之第一目標特徵及第二目標特徵之第一特徵及第二特徵相關聯的繞射行為，或其組合。
在一實施例中，邊緣範圍資料ERD包含基板上之對應於目標圖案內之每一特徵之特徵的邊緣位置之範圍。在一實施例中，判定邊緣範圍資料ERD包括執行一模型，該模型經組態以運算基板上之對應於目標圖案之每一特徵的特徵的邊緣變化。在一實施例中，邊緣範圍資料ERD表示為補充有目標圖案之每一特徵之邊緣範圍資料ERD的目標圖案之影像。
程序P403涉及藉由執行解模糊模型來對所捕捉影像CI進行解模糊。所得經解模糊影像DBCI具有甚至在更深層處(例如在距基板頂部10 nm、20 nm、30 nm深處)之特徵的較清晰邊緣。
圖12說明對真實捕捉之SEM影像進行解模糊之方法的實例。解模糊涉及將經圖案化基板之所捕捉影像SEM1及與目標圖案(例如用來圖案化基板之TP)相關之邊緣範圍資料702ER輸入至解模糊模型DBM。如上文所論述，使用與在某深度處之目標圖案之特徵相關聯的邊緣範圍資料ERD來訓練解模糊模型DBM。接著，藉由執行解模糊模型DBM來對所捕捉影像進行模糊。解模糊模型DBM輸出經解模糊影像dbSEM1。
圖5為用於對經圖案化基板之所捕捉影像進行解模糊之方法500的另一流程圖。在此實施例中，方法包括程序P501、P503、P505及P507，如下文所論述。
程序P501涉及接收經圖案化基板之所捕捉影像CI。舉例而言，可經由度量衡工具(例如，圖13及圖14)接收所捕捉影像CI。經圖案化基板可為多層經圖案化基板。因而，高著陸能量可用以捕捉在影像中展示多層圖案的影像。如本文中所論述，歸因於反向散射電子具有用於深層(例如，在深度5 nm、10 nm、20 nm、最底層等處)之弱信號，因而所捕捉影像CI將模糊。舉例而言，深層上之特徵在所捕捉影像CI中將顯得模糊。因而，執行所捕捉影像CI之解模糊。
程序P503涉及將所捕捉影像CI輸入至解模糊模型中。藉由程序P301、P303及P305 (圖3中)訓練解模糊模型。程序P505涉及使用所捕捉影像CI及用於經圖案化基板之特徵之邊緣範圍資料自解模糊模型接收輸出。輸出為經解模糊的所捕捉影像CI。程序P507涉及在使用者介面上產生所捕捉影像CI之經解模糊版本以供顯示。在一實施例中，經解模糊版本可作為可輸入至與圖案化程序相關之其他模型之向量而產生。因而，經解模糊版本可用以改良圖案化程序之一或多個態樣。舉例而言，改良OPC、劑量、焦點等。
圖6為用於對經圖案化基板之所捕捉影像進行解模糊之方法600的另一流程圖。在此實施例中，方法包括程序P601及P603，如下文所論述。
程序P601涉及基於目標圖案TP6及與基板之每一層相關聯之深度資料DD來識別所捕捉影像CI中之特徵。在一實施例中，深度資料包含諸如深度、材料及基板之特定深度處之繞射特性的資料。在一實施例中，深度資料DD包含自深度資料DD導出之特徵特性。舉例而言，特徵特性可為特定層處之每一特徵之邊緣範圍。程序P603涉及藉由基於目標圖案TP6及深度資料DD6對特徵中之每一者解模糊來對所捕捉影像CI進行解模糊。在解模糊之後，獲得所捕捉影像CI之經解模糊影像DBCI。舉例而言，圖12展示經解模糊影像dbSEM1之實例。
如本文中所論述，解模糊模型之實例為機器學習模型。無監督機器學習模型及監督機器學習模型兩者可用以自輸入有雜訊影像(諸如，經圖案化基板之SEM圖像)產生經解模糊影像。在不限制本發明之範疇的情況下，在下文描述對監督機器學習演算法之應用。
監督學習為自經標註訓練資料推斷函數之機器學習任務。訓練資料包括一組訓練實例。在監督學習中，每一實例為具有輸入物件(通常為向量)及所要輸出值(亦被稱為監督信號)之一對。監督學習演算法分析訓練資料且產生可用於映射新實例之經推斷函數。最佳情境將允許演算法正確地判定用於未見過的例項之類別標籤。此要求學習演算法以「合理」方式自訓練資料一般化成未見過的情形。
在給出形式為
Figure 02_image001
之一組N個訓練實例使得
Figure 02_image003
為第i個實例之特徵向量且
Figure 02_image005
為其標籤(亦即，類別)的情況下，學習演算法尋求函數
Figure 02_image007
，其中X為輸入空間且Y為輸出空間。特徵向量為表示某一物件之數值特徵之n維向量。機器學習中之許多演算法需要物件之數值表示，此係由於此等表示促進處理及統計分析。當表示影像時，特徵值可能對應於影像之像素，當表示文字時，特徵值可能稱為出現頻率。與此等向量相關聯之向量空間常常被稱為特徵空間。函數g為可能函數G之某一空間(通常被稱作假設空間)之要素。有時以下操作係方便的：使用計分函數
Figure 02_image009
來表示g使得g被定義為恢復給出最高計分之y值：
Figure 02_image011
。假設F表示計分函數之空間。
儘管G及F可為函數之任何空間，但許多學習演算法係機率模型，其中g採取條件機率模型
Figure 02_image013
之形式，或f採取聯合機率模型
Figure 02_image015
之形式。舉例而言，樸素貝葉斯(naive Bayes)及線性判別分析為聯合機率模型，而邏輯回歸為條件機率模型。
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函數。結構風險最小化包括控制偏差/方差取捨之懲罰函數。
在兩種狀況下，假定訓練集具有獨立且相同分配的對
Figure 02_image017
之樣本。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_image019
。對於訓練實例
Figure 02_image021
，預測值
Figure 02_image023
之損失係
Figure 02_image025
。
將函數g之風險
Figure 02_image027
定義為g之預期損失。此可自訓練資料估計為
Figure 02_image029
。
監督學習之例示性模型包括決策樹、系集(裝袋、增強、隨機森林)、k-NN、線性回歸、樸素貝葉斯、神經網路、邏輯回歸、感知器(perceptron)、支援向量機(SVM)、相關性向量機(RVM)及深度學習。
SVM為監督學習模型之一實例，其分析資料且辨識圖案，且可用於分類及回歸分析。在給出一組訓練實例(其各自被標記為屬於兩個種類中之一者)的情況下，SVM訓練演算法建置將新實例指派至一個種類或另一種類中之模型，使得其為非機率二進位線性分類器。SVM模型為如空間中之點的實例之表示，其經映射使得單獨種類之實例由儘可能寬的清晰間隙分隔。接著將新實例映射至同一空間中，且基於其落在間隙之哪一側來預測其屬於的種類。
除了執行線性分類以外，SVM亦可使用被稱為核心方法來有效地執行非線性分類，從而隱含地將其輸入映射至高維特徵空間中。
核心方法涉及使用者指定之核心，亦即，遍及原始表示中之資料點對之相似性函數。核心方法之名字歸功於核心函數之使用，核心函數使其能夠在高維、隱式特徵空間中操作而無需不斷運算彼空間中之資料的座標，而是簡單地運算特徵空間中之所有資料對之影像之間的內積。此操作在運算上常常比座標之顯式運算更省事。此途徑被稱作「核心技巧(kernel trick)」。
SVM之有效性取決於對核心、核心參數及軟裕度參數C之選擇。常見選擇為高斯核心，其具有單一參數γ。常常藉由運用按指數律成比例生長之C及γ之序列，例如
Figure 02_image031
；
Figure 02_image033
，進行的格點搜尋(亦被稱為「參數掃掠」)來選擇C與γ之最佳組合。
格點搜尋為經由學習演算法之超參數空間之手動指定子集的詳盡搜尋。格點搜尋演算法係由某一效能度量導引，該效能度量通常藉由對訓練集之交叉驗證或對留存驗證集合之評估來量測。
可使用交叉驗證檢查參數選擇之每一組合，且拾取具有最佳交叉驗證準確度之參數。
交叉驗證(有時被稱為旋轉估計)為用於評估統計分析之結果將如何經一般化成獨立資料集的模型驗證技術。其主要用於目標為預測的設定中，且吾人希望估計預測模型實務上將執行之準確度。在預測問題中，通常向模型提供正執行訓練之已知資料的資料集(訓練資料集)，及模型經測試所對照之未知資料(或首次所見資料)之資料集(測試資料集)。交叉驗證之目標為定義用以在訓練階段「測試」模型的資料集(亦即，驗證資料集)，以便限制比如過度擬合之問題，給出對模型將如何經一般化成獨立資料集(亦即，未知資料集，例如來自真實問題)之理解等。交叉驗證之一個回合涉及將資料樣本分割成互補子集、對一個子集(被稱為訓練集)執行分析，及驗證對另一子集(被稱為驗證集合或測試集合)之分析。為了減小可變性，使用不同分割執行多個回合之交叉驗證，且遍及該等回合來平均化驗證結果。
接著使用選定參數在整個訓練集上訓練可用於測試及用於將新資料分類之最終模型。
監督學習之另一實例為回歸。回歸自一組因變數值與對應自變數值推斷一因變數與一或多個自變數之間的關係。在給出自變數的情況下，回歸可估計因變數之條件期望值。所推斷出之關係可被稱為回歸函數。所推斷出之關係可為機率性的。
在一實施例中，提供一種系統，其可在系統捕捉經圖案化基板之影像之後使用模型DBM來產生解模糊影像。在一實施例中，該系統可為例如經組態為包括本文中所論述之模型DBM的圖13之SEM工具或圖14之檢測工具。舉例而言，度量衡工具包括：電子束產生器，其用以捕捉經圖案化基板之影像；及一或多個處理器，其包括解模糊模型。該一或多個處理器經組態以使用所捕捉影像及目標圖案之深度資料(例如邊緣範圍資料)作為輸入執行經訓練模型以產生所捕捉影像之經解模糊影像。如早先所提及，解模糊模型DBM可為迴旋神經網路。
此外，在一實施例中，一或多個處理器可經進一步組態以基於經圖案化基板之所捕捉影像來更新解模糊模型。在一實施例中，解模糊模型之更新包括：使用所捕捉執行解模糊模型以產生經解模糊影像；及基於經解模糊影像與參考經解模糊影像之比較來更新解模糊模型之一或多個參數。
在一實施例中，經解模糊影像可用以改良圖案化程序。舉例而言，經解模糊影像可用於圖案化程序之模擬中，例如以預測抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。模擬之目標為準確地預測例如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預OPC設計佈局，其可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供。
在一些實施例中，檢測設備或度量衡設備可為產生在基板上曝光或轉移之結構(例如裝置之一些或所有結構)之影像的掃描電子顯微鏡(SEM)。圖13描繪SEM工具之實施例。自電子源ESO發射之初級電子束EBP係由聚光透鏡CL會聚且接著穿過光束偏轉器EBD1、E×B偏轉器EBD2及物鏡OL以在一焦點下輻照基板台ST上之基板PSub。
當運用電子束EBP輻照基板PSub時，自基板PSub產生二次電子。該等二次電子係由E×B偏轉器EBD2偏轉且由二次電子偵測器SED偵測。二維電子束影像可藉由以下操作獲得：與例如在X或Y方向上因光束偏轉器EBD1引起的電子束之二維掃描或因光束偏轉器EBD1引起的電子束EBP之反覆掃描同步地偵測自樣本產生之電子，以及在X或Y方向中之另一者上藉由基板台ST連續移動基板PSub。
由二次電子偵測器SED偵測到之信號係由類比/數位(A/D)轉換器ADC轉換成數位信號，且該數位信號被發送至影像處理系統IPU。在一實施例中，影像處理系統IPU可具有記憶體MEM以儲存數位影像之全部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及軟體之組合)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。另外，影像處理系統IPU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。顯示裝置DIS可與影像處理系統IPU連接，使得操作員可藉助於圖形使用者介面進行設備之必需操作。
如上文所提及，可處理SEM影像以提取該影像中描述表示裝置結構之物件之邊緣的輪廓。接著經由諸如CD之度量量化此等輪廓。因此，通常經由諸如邊緣之間距離(CD)或影像之間的簡單像素差之過分簡單化度量來比較及量化裝置結構之影像。偵測影像中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。但實務上，影像通常有雜訊且具有不連續邊界。諸如平滑化、自適應定限、邊緣偵測、磨蝕及擴張之技術可用以處理影像梯度輪廓模型之結果以定址有雜訊且不連續影像，但將最終導致高解析度影像之低解析度量化。因此，在大多數情況下，對裝置結構之影像的數學操控以減少雜訊且使邊緣偵測自動化會導致影像之解析度損失，藉此導致資訊損失。因此，結果為相當於對複雜的高解析度結構之過分簡單化表示之低解析度量化。
因此，需要具有使用圖案化程序而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)的數學表示，而不論例如該等結構是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，此可保留解析度且又描述該等結構之一般形狀。在微影或其他圖案化程序之內容背景中，結構可為製造之裝置或其部分，且影像可為該結構之SEM影像。在一些情況下，結構可為半導體裝置之特徵，例如積體電路。在此狀況下，該結構可被稱作圖案或包含半導體裝置之複數個特徵之所要圖案。在一些情況下，結構可為用於對準量測程序中以判定一物件(例如基板)與另一物件(例如圖案化裝置)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程序之參數(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)。在一實施例中，度量衡目標為用以量測例如疊對之繞射光柵。
圖14示意性地說明檢測設備之另一實施例。該系統係用以檢測樣本載物台88上之樣本90 (諸如基板)且包含帶電粒子束產生器81、聚光透鏡模組82、探針形成物鏡模組83、帶電粒子束偏轉模組84、二次帶電粒子偵測器模組85及影像形成模組86。
帶電粒子束產生器81產生初級帶電粒子束91。聚光透鏡模組82將所產生之初級帶電粒子束91聚光。探針形成物鏡模組83將經聚光初級帶電粒子束聚焦成帶電粒子束探針92。帶電粒子束偏轉模組84使所形成之帶電粒子束探針92橫越緊固於樣本載物台88上之樣本90上的所關注區域之表面進行掃描。在一實施例中，帶電粒子束產生器81、聚光透鏡模組82及探針形成物鏡模組83或其等效設計、替代方案或其任何組合一起形成產生掃描帶電粒子束探針92的帶電粒子束探針產生器。
二次帶電粒子偵測器模組85偵測在由帶電粒子束探針92轟擊後即自樣本表面發射的二次帶電粒子93 (亦可能與來自樣本表面之其他反射或散射帶電粒子一起)以產生二次帶電粒子偵測信號94。影像形成模組86 (例如運算裝置)與二次帶電粒子偵測器模組85耦接以自二次帶電粒子偵測器模組85接收二次帶電粒子偵測信號94且相應地形成至少一個經掃描影像。在一實施例中，二次帶電粒子偵測器模組85及影像形成模組86或其等效設計、替代方案或其任何組合一起形成影像形成設備，該影像形成設備自由帶電粒子束探針92轟擊的樣本90發射的偵測到之二次帶電粒子形成經掃描影像。
在一實施例中，監測模組87耦接至影像形成設備之影像形成模組86以監測、控制等圖案化程序及/或使用自影像形成模組86接收到之樣本90之經掃描影像來導出用於圖案化程序設計、控制、監測等之參數。因此，在一實施例中，監測模組87經組態或經程式化以致使執行本文中所描述之方法。在一實施例中，監測模組87包含運算裝置。在一實施例中，監測模組87包含用以提供本文中之功能性且經編碼於形成監測模組87或安置於監測模組87內之電腦可讀媒體上的電腦程式。
在一實施例中，類似於使用探針來檢測基板之圖13之電子束檢測工具，圖14之系統中之電子電流相比於例如諸如圖13中所描繪之CD SEM顯著較大，使得探針光點足夠大使得檢測速度可快速。然而，由於探針光點大，解析度可能不與CD SEM之解析度一樣高。在一實施例中，在不限制本發明之範疇的情況下，上文論述之檢測設備可為單束設備或多束設備。
可處理來自例如圖13及/或圖14之系統的SEM影像以提取影像中描述表示裝置結構之物件之邊緣的輪廓。接著通常在使用者定義之切線處經由諸如CD之度量量化此等輪廓。因此，通常經由諸如對經提取輪廓量測的邊緣之間距離(CD)或影像之間的簡單像素差之度量來比較及量化裝置結構之影像。
在一實施例中，方法300、400、500及/或600之一或多個工序可實施為電腦系統(例如電腦系統100之程序104)之處理器中的指令(例如程式碼)。在一實施例中，該等工序可橫越複數個處理器而分佈(例如並行運算)以改良運算效率。在一實施例中，包含非暫時性電腦可讀媒體之電腦程式產品在其上記錄有指令，該等指令在由電腦硬體系統執行時實施本文中所描述之方法。
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，第一組合包括基於與設計圖案相關之深度資料判定解模糊模型。子組合可包括使用解模糊模型判定解模糊影像。在另一組合中，經解模糊影像可用於檢測程序中，基於模型產生之方差資料判定OPC或SMO。在另一實例中，組合包括基於基於經解模糊影像之檢測資料，判定對微影程序、抗蝕劑程序或蝕刻程序之程序調整以改良圖案化程序之良率。
圖15為說明可輔助實施本文中所揭示之方法、流程或設備之電腦系統100的方塊圖。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一處理器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以用於儲存待由處理器104執行之資訊及指令的主記憶體106，諸如，隨機存取記憶體(RAM)或其他動態儲存裝置。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以用於儲存用於處理器104之靜態資訊及指令的唯讀記憶體(ROM) 108或其他靜態儲存裝置。提供諸如磁碟或光碟之儲存裝置110，且儲存裝置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而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。此輸入裝置通常具有在兩個軸線(第一軸線(例如x)及第二軸線(例如y))中之兩個自由度，其允許該裝置指定在一平面中之位置。觸控面板(螢幕)顯示器亦可被用作輸入裝置。
根據一項實施例，可藉由電腦系統100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之一或多個序列來執行本文中所描述之一或多種方法的部分。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中含有之指令序列之執行致使處理器104執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器亦可用以執行主記憶體106中含有之指令序列。在一替代實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文之描述不限於硬體電路系統及軟體之任何特定組合。
本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器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。傳輸媒體包括同軸纜線、銅線及光纖，其包括包含匯流排102之電線。傳輸媒體亦可採用聲波或光波之形式，諸如在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體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，最初可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線而發送指令。在電腦系統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以將資料轉換成紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自該主記憶體擷取及執行指令。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之雙向資料通信耦合，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)卡或數據機以提供至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)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中，通信介面118發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光信號。
網路鏈路120通常經由一或多個網路而向其他資料裝置提供資料通信。舉例而言，網路鏈路120可經由區域網路122而向主機電腦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(現在通常被稱作「網際網路」) 128而提供資料通信服務。區域網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路鏈路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例示性形式。
電腦系統100可經由網路、網路鏈路120及通信介面118而發送訊息且接收資料(包括程式碼)。在網際網路實例中，伺服器130可能經由網際網路128、ISP 126、區域網路122及通信介面118而傳輸用於應用程式之經請求程式碼。舉例而言，一個此類經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在其被接收時由處理器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可獲得呈載波之形式的應用程式碼。
圖16示意性地描繪可利用與本文中所描述之技術結合的例示性微影投影設備。該設備包含： - 照明系統IL，其用以調節輻射光束B。在此特定狀況下，照明系統亦包含輻射源SO； - 第一物件台(例如，圖案化裝置台) 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物品PS來準確地定位該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)。設備可使用與經典遮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、雷射產生電漿(laser produced plasma; LPP) EUV源)產生輻射光束。舉例而言，此光束係直接地抑或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器) IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈之外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL通常將包含各種其他組件，諸如積光器IN及聚光器CO。以此方式，照射於圖案化裝置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16應注意，源SO可在微影投影設備之外殼內(此常常為源SO為(例如)水銀燈時之狀況)，但其亦可遠離微影投影設備，其產生之輻射光束經導引至該設備中(例如，憑藉合適導向鏡)；此後一情境常常為當源SO為準分子雷射(例如，基於KrF、ArF或F 2雷射作用)時之狀況。
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穿過透鏡PL，該透鏡將光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如，以便使不同目標部分C定位於光束PB之路徑中。相似地，第一定位構件可用以例如在自圖案化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，將憑藉未在圖16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)之狀況下，圖案化裝置台MT可僅連接至短衝程致動器，或可固定。
可在兩種不同模式中使用所描繪工具： - 在步進模式中，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，使得可由光束PB輻照不同目標部分C； - 在掃描模式中，基本上相同情境適用，惟單次「閃光」中不曝光給定目標部分C除外。取而代之，圖案化裝置台MT可在給定方向(所謂「掃描方向」，例如，y方向)上以速度v移動，使得造成投影光束B遍及圖案化裝置影像進行掃描；同時發生地，基板台WT以速度V = Mv在相同或相對方向上同時地移動，其中M為透鏡PL之放大率(通常，M = 1/4或= 1/5)。以此方式，可在不必損害解析度的情況下曝光相對較大目標部分C。
圖17示意性地描繪可利用與本文中所描述之技術結合的另一例示性微影投影設備LA。
該微影投影設備LA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(例如遮罩或倍縮光罩) MA，且連接至經組態以準確地定位該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，且連接至經組態以準確地定位該基板之第二定位器PW；及 -  投影系統(例如，反射投影系統) PS，其經組態以將由圖案化裝置MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如，包含一或多個晶粒)上。
如此處所描繪，設備LA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。在一項實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可運用X射線微影來產生更小波長。由於大多數材料在EUV及x射線波長下具吸收性，故圖案化裝置構形(例如多層反射器之頂部上之TaN吸收體)上之經圖案化吸收材料薄件界定特徵將在何處印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)。
參看圖17，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：運用在EUV範圍內之一或多個發射譜線將具有至少一個元素(例如氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿「LPP」)中，可藉由運用雷射光束來輻照燃料(諸如具有譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖17中未繪示)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CO 2雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為單獨實體。
在此類狀況下，不認為雷射形成微影設備之部件，且輻射光束係憑藉包含例如合適導向鏡及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他狀況下，舉例而言，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部件。
照明器IL可包含用於調整輻射光束之角強度分佈之調整器。通常，可調整照明器之光瞳平面中之強度分佈的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一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如，圖案化裝置台) MT上之圖案化裝置(例如，遮罩) MA上，且藉由該圖案化裝置而圖案化。在自圖案化裝置(例如遮罩) MA反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS將光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2 (例如干涉裝置、線性編碼器或電容性感測器)，可準確地移動基板台WT，例如以便使不同目標部分C定位於輻射光束B之路徑中。相似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化裝置(例如，遮罩) 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(例如遮罩) MA及基板W。
所描繪設備LA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(亦即，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位使得可曝光不同目標部分C。
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上時，同步地掃描支撐結構(例如圖案化裝置台) MT及基板台WT (亦即，單次動態曝光)。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，在將被賦予至輻射光束之圖案投影至目標部分C上時，使支撐結構(例如圖案化裝置台) MT保持基本上靜止，從而固持可程式化圖案化裝置，且移動或掃描基板台WT。在此模式中，通常使用脈衝式輻射源，且在基板台WT之每一移動之後或在掃描期間之順次輻射脈衝之間根據需要而更新可程式化圖案化裝置。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的可程式化鏡面陣列)之無遮罩微影影。
圖18更詳細地展示設備LA，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。可由放電產生電漿源形成EUV輻射發射電漿210。可由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了高效地產生輻射，可需要為(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。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用氣體障壁或污染物截留器230 (在一些狀況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中已知，本文中進一步指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室211可包括可為所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置以使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面裝置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處輻射光束21之所要角度分佈，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處的輻射光束21之反射後，即形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。
比所展示元件多的元件通常可存在於照明光學件單元IL及投影系統PS中。取決於微影設備之類型，可視情況存在光柵光譜濾光器240。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18所展示之反射元件多1至6個的額外反射元件。
如圖18所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置為圍繞光軸O軸向對稱，且此類型之收集器光學件CO可與常常被稱為DPP源之放電產生電漿源組合使用。
替代地，源收集器模組SO可為如圖19所展示之LPP輻射系統之部分。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口221上。
本文中所揭示之概念可模擬或數學上模型化用於使次波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193 nm波長且甚至能夠藉由使用氟雷射來產生157 nm波長之極紫外線(EUV)、DUV微影。此外，EUV微影能夠藉由使用同步加速器或藉由運用高能電子來撞擊材料(固體或電漿)而產生在20 nm至5 nm之範圍內之波長，以便產生在此範圍內之光子。
可使用以下條項進一步描述實施例： 1.   一種非暫時性電腦可讀媒體，其用於儲存經組態以對一經圖案化基板之一所捕捉影像進行解模糊之一解模糊模型，該非暫時性電腦可讀媒體包含儲存於其中之指令，該等指令在由一或多個處理器執行時導致包含以下各者之操作： 經由一模擬器使用從中導出一基板上之一圖案的一目標圖案，獲得該基板之對應於該目標圖案之一經模擬影像，該目標圖案包含待形成於該基板上之一第一層上之一第一目標特徵及待形成於該基板上之一第二層上之一第二目標特徵，該第二層位於該基板上之該第一層下方； 基於與該基板之多個層相關聯的深度資料，判定該基板上之對應於該目標圖案之該等第一及第二目標特徵的特徵之邊緣範圍資料，其中該深度資料特性化該基板上之該等特徵之邊緣的模糊，該模糊係依據該各別特徵距該基板之一頂部層之一深度而變化；及 使用該基板之該經模擬影像及該邊緣範圍資料作為訓練資料，調整一基底模型之參數以產生該解模糊模型，該解模糊模型經組態以使用與該經圖案化基板之該所捕捉影像相關聯的邊緣範圍資料來產生該所捕捉影像之一解模糊影像。 2.   如條項1之媒體，其中該目標圖案包含與該第一目標特徵及該第二目標特徵相關聯的幾何資料。 3.   如條項2之媒體，其中該幾何資料包含該第一目標特徵及該第二目標特徵之所要形狀，以及該第一目標特徵及該第二目標特徵之邊緣分別在該目標圖案內的目標位置。 4.   如前述條項中任一項之媒體，其中該深度資料包含以下各者中之至少一者： 位於自該頂部層之一垂直向下方向上的該第一層之一第一深度，及位於自該基板之該頂部層之一垂直向下方向上的該第二層之一第二深度； 與該基板之該第一層及該第二層相關聯的材料資料；或 與該基板上之分別對應於該目標圖案之該第一目標特徵及該第二目標特徵的一第一特徵及一第二特徵相關聯的繞射行為。 5.   如前述條項中任一項之媒體，其中該邊緣範圍資料包含該基板上之對應於該目標圖案內之每一特徵的一邊緣位置之一範圍。 6.   如前述條項中任一項之媒體，其中該判定該邊緣範圍資料包含： 執行一模型，該模型經組態以運算該基板上之對應於該目標圖案之每一特徵的特徵之邊緣變化。 7.   如前述條項中任一項之媒體，其中該邊緣範圍資料表示為補充有待印刷於該基板上之每一特徵之該邊緣範圍資料的該目標圖案之一影像。 8.   如前述條項中任一項之媒體，其中該獲得該經模擬影像進一步包含： 自一經圖案化基板之一所捕捉影像提取雜訊；及 將該雜訊添加至該經模擬影像。 9.   如前述條項中任一項之媒體，其中該解模糊模型係一機器學習模型。 10.  如前述條項中任一項之媒體，其中該解模糊模型係一深迴旋網路，且模型參數包含該深迴旋網路之一或多個層之權重及偏差。 11.  如前述條項中任一項之媒體，其中該解模糊模型為包含以下各者之一神經網路： 一特徵向量，其包含指示該目標圖案之一特徵之值，及 一注意力向量，其包含關於與待印刷於該基板上之該特徵相關聯的深度之值，該注意力向量經組態以與該特徵向量一起操作。 12.  如條項11之媒體，其中該注意力向量包含： 介於0至1之一範圍內的值，或 值0或1。 13.  如條項12之媒體，其中該機器學習模型經組態以將該注意力向量與該特徵向量相乘，使得該特徵向量之一特定特徵的一邊緣被該注意力向量指派一深度相關權重。 14.  如條項13之媒體，其中與乘以與該第二層相關聯之該第二目標特徵的該注意力值相比，與該第一層相關聯之該第一目標特徵乘以更高的一注意力值。 15.  如前述條項中任一項之媒體，其中該模擬器包含一模型，該模型依據上方將印刷有該目標圖案之該基板之實體特性而變化且產生該經模擬影像，藉此允許判定該基板之每一層處之一特徵特性。 16.  如條項15之媒體，其中該基板之該實體特性包含以下各者中之至少一者：一特定層之一材料、該特定層之一厚度、一抗蝕劑程序參數或一蝕刻程序參數。 17.  如條項16之媒體，其中該獲得該經模擬影像包含： 經由一蒙地卡羅模擬程序模擬該模型以產生該經模擬影像。 18.  如條項16之媒體，其中該獲得該經模擬影像包含： 模擬經組態以基於該深度資料產生該經模擬影像的一雙高斯模型。 19.  如前述條項中任一項之媒體，其進一步包含： 經由一影像捕捉裝置使用一給定目標圖案捕捉一多層經圖案化基板之一影像； 判定該基板上之對應於該給定目標圖案之每一特徵的特徵之一邊緣範圍資料； 將該邊緣範圍資料及該所捕捉影像輸入至該解模糊模型以產生該所捕捉影像之一經解模糊影像。 20.  如條項19之媒體，其中該所捕捉影像為在用於捕捉該多層經圖案化基板之影像之一高能設定下經由一掃描電子束(SEM)獲得的一SEM影像。 21.  如前述條項中任一項之媒體，其中該目標圖案呈一基於多邊形之階層式資料格式之形式。 22.  如條項21之媒體，其中該基於多邊形之資料格式包含GDS格式。 23.  一種非暫時性電腦可讀媒體，其用於藉由使用關於一經圖案化基板之層之深度的資料來對自掃描電子顯微法(SEM)獲得之影像進行解模糊，該非暫時性電腦可讀媒體包含儲存於其中之指令，該等指令在由一或多個處理器執行時導致包含以下各者之操作： 接收一經圖案化基板之一所捕捉影像； 將該所捕捉影像輸入至一解模糊模型中，其中該解模糊模型係藉由以下操作來訓練： 經由一模擬器使用從中導出一基板上之一圖案的一目標圖案，獲得該基板之對應於該目標圖案之一經模擬影像，該目標圖案包含待形成於該基板上之一第一層上之一第一目標特徵及待形成於該基板上之一第二層上之一第二目標特徵，該第二層位於該基板上之該第一層下方； 基於與該基板之多個層相關聯的深度資料，判定該基板上之對應於該目標圖案之該第一目標特徵及該第二目標特徵的特徵之邊緣範圍資料，其中該深度資料特性化該基板上之該等特徵之邊緣的模糊，該模糊係依據該各別特徵距該基板之一頂部層之一深度而變化；及 使用該基板之該經模擬影像及該邊緣範圍資料作為訓練資料，調整一基底模型之參數以產生該解模糊模型； 使用該所捕捉影像及與該經圖案化基板之特徵相關聯之邊緣範圍資料自該解模糊模型接收一輸出；以及 在一使用者介面上產生該所捕捉影像之一經解模糊版本以供顯示。 24.  如條項23之媒體，其中該目標圖案包含與該第一目標特徵及該第二目標特徵相關聯的幾何資料。 25.  如條項24之媒體，其中該幾何資料包含該第一目標特徵及該第二目標特徵之所要形狀，以及該第一目標特徵及該第二目標特徵之邊緣分別在該目標圖案內的目標位置。 26.  如條項23至25中任一項之媒體，其中該深度資料包含以下各者中之至少一者： 在自該頂部層之一垂直向下方向上量測的該第一層之一第一深度，及在自該基板之該頂部層之一垂直向下方向上量測的該第二層之一第二深度； 與該基板之該第一層及該第二層相關聯的材料資料；或 與該基板上之分別對應於該目標圖案之該第一目標特徵及該第二目標特徵的一第一特徵及一第二特徵相關聯的繞射行為。 27.  如條項23至26中任一項之媒體，其中該邊緣範圍資料包含該基板上之對應於該目標圖案內之每一特徵的特徵之一邊緣位置之一範圍。 28.  如條項23至27中任一項之媒體，其中該判定該邊緣範圍資料包含： 執行一模型，該模型經組態以運算該基板上之對應於該目標圖案之每一特徵的特徵之邊緣變化。 29.  如條項23至28中任一項之媒體，其中該邊緣範圍資料表示為補充有該目標圖案之每一特徵之該邊緣範圍資料的該目標圖案之一影像。 30.  如條項23至29中任一項之媒體，其中該解模糊模型係一機器學習模型。 31.  如條項23至30中任一項之媒體，其中該解模糊模型係一深迴旋網路，且模型參數包含該深迴旋網路之一或多個層之權重及偏差。 32.  如條項23至31中任一項之媒體，其中該模擬器包含一模型，該模型依據上方將印刷有該目標圖案之該基板之實體特性而變化且產生該經模擬影像，藉此允許判定該基板之每一層處之一特徵特性。 33.  如條項23至32中任一項之媒體，其中該所捕捉影像為在用於捕捉該多層經圖案化基板之影像之一高能設定下經由一掃描電子束(SEM)獲得的一SEM影像。 34.  一種非暫時性電腦可讀媒體，其用於對一經圖案化基板之一所捕捉影像進行解模糊，該非暫時性電腦可讀媒體包含儲存於其中之指令，該等指令在由一或多個處理器執行時導致包含以下各者之操作： 將該經圖案化基板之該捕捉影像及與一目標圖案相關聯之邊緣範圍資料輸入至一解模糊模型，其中該解模糊模型係基於與在某一深度下之該目標圖案之特徵相關聯的邊緣範圍資料來訓練；及 藉由執行該解模糊模型來對該所捕捉影像進行解模糊。 35.  如條項34之媒體，其中該基板上之對應於該目標圖案之該等特徵的特徵之該邊緣範圍資料係基於與該目標圖案及該基板相關聯之深度資料而判定。 36.  如條項35之媒體，其中該深度資料包含以下各者中之至少一者： 在自該頂部層之一垂直向下方向上量測的一第一層之一第一深度，及在自該基板之該頂部層之一垂直向下方向上量測的第二層之一第二深度； 與該基板之該第一層及該第二層相關聯的材料資料；或 與該基板上之分別對應於該目標圖案之該第一目標特徵及該第二目標特徵的一第一特徵及一第二特徵相關聯的繞射行為。 37.  如條項34至36中任一項之媒體，其中該邊緣範圍資料包含該基板上之對應於該目標圖案內之每一特徵的特徵之一邊緣位置之一範圍。 38.  如條項34之媒體，其中該判定該邊緣範圍資料包含： 執行一模型，該模型經組態以運算該基板上之對應於該目標圖案之每一特徵的特徵之邊緣變化。 39.  如條項34至38中任一項之媒體，其中該邊緣範圍資料表示為補充有對應於該目標圖案之每一特徵之該邊緣範圍資料的該目標圖案之一影像。 40.  一種對一經圖案化基板之一所捕捉影像進行解模糊之方法，該方法包含： 基於一目標圖案及與該經圖案化基板之多個層相關聯之深度資料來識別該所捕捉影像中之特徵；及 藉由基於該目標圖案及該深度資料對該等特徵中之每一者解模糊來對該所捕捉影像進行解模糊。 41.  如條項40之方法，其中該深度資料包含以下各者中之至少一者： 一第一層距該經圖案化基板之一頂部層之一第一深度，及一第二層距該頂部層之一第二深度； 該經圖案化基板之該第一層及該第二層之材料資料；或 與該基板上之分別對應於該目標圖案之第一目標特徵及第二目標特徵的一第一特徵及一第二特徵相關聯的繞射行為。 42.  如條項41之方法，其中該識別該所捕捉影像中之特徵包含： 基於與該經圖案化基板之多個層相關聯的該深度資料判定該經圖案化基板上之特徵之一邊緣範圍資料。 43.  如條項42之方法，其中該邊緣範圍資料包含該基板上之對應於該目標圖案內之每一特徵的該等特徵之一邊緣位置之一範圍。 44.  如條項43之方法，其中該判定該邊緣範圍資料包含： 執行一模型，該模型經組態以運算該基板上之對應於該目標圖案之每一特徵的特徵之邊緣變化。 45.  如條項42至44中任一項之方法，其中該邊緣範圍資料表示為補充有對應於該目標圖案之每一特徵之該邊緣範圍資料的該目標圖案之一影像。 46.  一種用於產生一解模糊模型以對一經圖案化基板之一所捕捉影像進行解模糊之方法，該方法包含： 經由一模擬器使用從中導出一基板上之一圖案的一目標圖案，獲得該基板之對應於該目標圖案之一經模擬影像，該目標圖案包含待形成於該基板上之一第一層上之一第一目標特徵及待形成於該基板上之一第二層上之一第二目標特徵，該第二層位於該基板上之該第一層下方； 基於與該基板之多個層相關聯的深度資料，判定該基板上之對應於該目標圖案之該第一目標特徵及該第二目標特徵的特徵之邊緣範圍資料，其中該深度資料特性化該基板上之該等特徵之邊緣的模糊，該模糊係依據該各別特徵距該基板之一頂部層之一深度而變化；及 使用該基板之該經模擬影像及該邊緣範圍資料作為訓練資料，調整一基底模型之參數以產生一解模糊模型，該解模糊模型經組態以使用與一經圖案化基板之一所捕捉影像相關聯的邊緣範圍資料來產生該所捕捉影像之一解模糊影像。 47.  如條項46之方法，其中該目標圖案包含與該第一目標特徵及該第二目標特徵相關聯的幾何資料。 48.  如條項47之方法，其中該幾何資料包含該第一目標特徵及該第二目標特徵之所要形狀，以及該第一目標特徵及該第二目標特徵之邊緣分別在該目標圖案內的目標位置。 49.  如條項46至48中任一項之方法，其中該深度資料包含以下各者中之至少一者： 位於自該頂部層之一垂直向下方向上的該第一層之一第一深度，及位於自該基板之該頂部層之一垂直向下方向上的該第二層之一第二深度； 與該基板之該第一層及該第二層相關聯的材料資料；或 與該基板上之分別對應於該目標圖案之該第一目標特徵及該第二目標特徵的一第一特徵及一第二特徵相關聯的繞射行為。 50.  如條項46至49中任一項之方法，其中該邊緣範圍資料包含該基板上之對應於該目標圖案內之每一特徵的特徵之一邊緣位置之一範圍。 51.  如條項46至50中任一項之方法，其中該判定該邊緣範圍資料包含： 執行一模型，該模型經組態以運算該基板上之對應於該目標圖案之每一特徵的特徵之邊緣變化。 52.  如條項46至51中任一項之方法，其中該邊緣範圍資料表示為補充有對應於該目標圖案之每一特徵之該邊緣範圍資料的該目標圖案之一影像。 53.  如條項46至52中任一項之方法，其中該獲得該經模擬影像進一步包含： 自一經圖案化基板之一所捕捉影像提取雜訊；及 將該雜訊添加至該經模擬影像。 54.  如條項46至53中任一項之方法，其中該解模糊模型係一機器學習模型。 55.  如條項46至54中任一項之方法，其中該解模糊模型係一深迴旋網路，且模型參數包含該深迴旋網路之一或多個層之權重及偏差。 56.  如條項46至55中任一項之方法，其中該解模糊模型為包含以下各者之一神經網路： 一特徵向量，其包含指示該目標圖案之一特徵之值，及 一注意力向量，其包含關於與待印刷於該基板上之該特徵相關聯的深度之值，該注意力向量經組態以與該特徵向量一起操作。 57.  如條項56之方法，其中該注意力向量包含： 介於0至1之一範圍內的值，或 值0或1。 58.  如條項57之方法，其中該機器學習模型經組態以將該注意力向量與該特徵向量相乘，使得該特徵向量之一特定特徵的一邊緣被該注意力向量指派一深度相關權重。 59.  如條項58之方法，其中與乘以與該基板之該第二層相關聯之該第二目標特徵的該注意力值相比，與該基板之該第一層相關聯之該第一目標特徵乘以更高的一注意力值。 60.  如條項46至59中任一項之方法，其中該模擬器包含一模型，該模型依據上方將印刷有該目標圖案之該基板之實體特性而變化且產生該經模擬影像，藉此允許判定該基板之每一層處之一特徵特性。 61.  如條項60之方法，其中該基板之該實體特性包含以下各者中之至少一者：一特定層之一材料、該特定層之一厚度、一抗蝕劑程序參數或一蝕刻程序參數。 62.  如條項61之方法，其中該獲得該經模擬影像包含： 經由一蒙地卡羅模擬程序模擬該模型以產生該經模擬影像。 63.  如條項62之方法，其中該獲得該經模擬影像包含： 模擬經組態以基於該深度資料產生該經模擬影像的一雙高斯模型。 64.  如條項46至63中任一項之方法，其進一步包含： 經由一影像捕捉裝置使用一給定目標圖案捕捉一多層經圖案化基板之一影像； 判定該基板上之對應於該給定目標圖案之每一特徵的特徵之一邊緣範圍資料； 將該邊緣範圍資料及該所捕捉影像輸入至該解模糊模型以產生該所捕捉影像之一經解模糊影像。 65.  如條項64之方法，其中該所捕捉影像為在用於捕捉該多層經圖案化基板之影像之一高能設定下經由一掃描電子束(SEM)獲得的一SEM影像。 66.  如條項46至65中任一項之方法，其中該目標圖案呈一基於多邊形之階層式資料格式之形式。 67.  如條項66之方法，其中該基於多邊形之資料格式包含GDS格式。 68.  一種對一經圖案化基板之一所捕捉影像進行解模糊之方法，該方法包含： 將該經圖案化基板之一捕捉影像及與一目標圖案相關聯之邊緣範圍資料輸入至一解模糊模型，其中該解模糊模型係基於與在某一深度下之該目標圖案之特徵相關聯的邊緣範圍資料來訓練；及 藉由執行該解模糊模型來對該所捕捉影像進行解模糊。 69.  如條項68之方法，其中該經圖案化基板上之對應於該目標圖案之該等特徵的特徵之該邊緣範圍資料係基於與該目標圖案及該基板相關聯之深度資料而判定。 70.  如條項69之方法，其中該深度資料包含以下各者中之至少一者： 位於自一頂部層之一垂直向下方向上的一第一層之一第一深度，及位於自該基板之該頂部層之一垂直向下方向上的第二層之一第二深度； 與該基板之該第一層及該第二層相關聯的材料資料；或 與該基板上之分別對應於該目標圖案之第一目標特徵及第二目標特徵的一第一特徵及一第二特徵相關聯的繞射行為。 71.  如條項68至70中任一項之方法，其中該邊緣範圍資料包含該基板上之對應於該目標圖案內之每一特徵的特徵之一邊緣位置之一範圍。 72.  如條項68之方法，其中該判定該邊緣範圍資料包含： 執行一模型，該模型經組態以運算該基板上之對應於該目標圖案之每一特徵的特徵之邊緣變化。 73.  如條項68至72中任一項之方法，其中該邊緣範圍資料表示為補充有對應於該目標圖案之每一特徵之該邊緣範圍資料的該目標圖案之一影像。 74.  一種用於對一經圖案化基板之一所捕捉影像進行解模糊之系統，該方法包含： 一電子束光學件，其經組態以捕捉基於一目標圖案而圖案化之一經圖案化基板之一影像；及 及一或多個處理器，其經組態以： 將該經圖案化基板之該捕捉影像及與該目標圖案相關聯之邊緣範圍資料輸入至一解模糊模型，其中該解模糊模型係基於與在某一深度下之該目標圖案之特徵相關聯的邊緣範圍資料來訓練；及 藉由執行該解模糊模型來對該所捕捉影像進行解模糊。 75.  如條項74之系統，其中該經圖案化基板上之對應於該目標圖案之該等特徵的特徵之該邊緣範圍資料係基於與該目標圖案及該基板相關聯之深度資料而判定。 76.  如條項75之系統，其中該深度資料包含以下各者中之至少一者： 位於自一頂部層之一垂直向下方向上的一第一層之一第一深度，及位於自該基板之該頂部層之一垂直向下方向上的第二層之一第二深度； 與該基板之該第一層及該第二層相關聯的材料資料；或 與該基板上之分別對應於該目標圖案之第一目標特徵及第二目標特徵的一第一特徵及一第二特徵相關聯的繞射行為。 77.  如條項74至76中任一項之系統，其中該邊緣範圍資料包含該基板上之對應於該目標圖案內之每一特徵的特徵之一邊緣位置之一範圍。 78.  如條項77之系統，其中該判定該邊緣範圍資料包含： 執行一模型，該模型經組態以運算該基板上之對應於該目標圖案之每一特徵的特徵之邊緣變化。 79.  如條項74至78中任一項之系統，其中該邊緣範圍資料表示為補充有對應於該目標圖案之每一特徵之該邊緣範圍資料的該目標圖案之一影像。
雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如，用於在不同於矽晶圓的基板上之成像的微影成像系統。
如本文中所使用，除非另外特定陳述，否則術語「或」涵蓋所有可能組合，除非不可行。舉例而言，若陳述資料庫可包括A或B，則除非另外特定陳述或不可行，否則資料庫可包括A，或B，或A及B。作為第二實例，若陳述資料庫可包括A、B或C，則除非另外特定陳述或不可行，否則資料庫可包括A，或B，或C，或A及B，或A及C，或B及C，或A及B及C。
以上描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。
10A:微影投影設備 12A:輻射源 14A:光學件/組件 16Aa:光學件/組件 16Ab:光學件/組件 16Ac:透射光學件//組件 18A:圖案化裝置 20A:可調整濾光器或孔徑 21:輻射光束 22:琢面化場鏡面裝置 22A:基板平面 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 81:帶電粒子束產生器 82:聚光透鏡模組 83:探針形成物鏡模組 84:帶電粒子束偏轉模組 85:二次帶電粒子偵測器模組 86:影像形成模組 87:監測模組 90:樣本 91:初級帶電粒子束 92:帶電粒子束探針 93:二次帶電粒子 94:二次帶電粒子偵測信號 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 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(ISP) 128:網際網路 130:伺服器 210:EUV輻射發射電漿/極熱電漿 211:源腔室 212:收集器腔室 220:圍封結構 221:開口 230:選用氣體障壁或污染物截留器/污染截留器/污染物障壁 240:光柵光譜濾光器 251:上游輻射收集器側 252:下游輻射收集器側 253:掠入射反射器 254:掠入射反射器 255:掠入射反射器 300:方法 302:經模擬影像 400:方法 500:方法 600:方法 702:目標圖案 702ER:邊緣範圍資料 704:模擬器 706:經模擬影像 706':有雜訊經模擬影像 906:影像雜訊 1101:經解模糊影像 AD:調整構件 ADC:類比/數位(A/D)轉換器 AV:注意力向量 B:輻射光束 BD:光束遞送系統 C:目標部分 CH:接觸孔 CI:所捕捉影像 CL:聚光透鏡 CO:聚光器/輻射收集器/近正入射收集器光學件 DBCI:經解模糊影像 DBM:解模糊模型 DD6:深度資料 DEP:深度資料 DIS:顯示裝置 dbSEM1:經解模糊影像 EBD1:光束偏轉器 EBD2:E×B偏轉器 EBP:初級電子束 ERD:邊緣範圍資料 ESO:電子源 E1:線/邊緣範圍資料 E2:線/邊緣範圍資料 E3:線/邊緣範圍資料 E4:線/邊緣範圍資料 F1:第一目標特徵 F2:第二目標特徵 F3:第三特徵 F4:第四特徵 FV:特徵向量 FVX:經變換特徵向量 IF:干涉量測構件/虛擬源點 IL:照明系統/照明器/照明光學件單元 IN:積光器 L1:第一圖案 L2:第二層/第二圖案 L3:第三層/第三圖案 L4:第四圖案 L4-TP1:影像 LA:微影投影設備/雷射 M1:圖案化裝置對準標記 M2:圖案化裝置對準標記 MA:圖案化裝置 MEM:記憶體 MT:第一物件台/圖案化裝置台/支撐結構 O:光軸 OL:物鏡 P301:工序/程序 P303:工序/程序 P305:工序/程序 P401:程序 P403:程序 P501:程序 P503:程序 P505:程序 P507:程序 P601:程序 P603:程序 P1:基板對準標記 P2:基板對準標記 PM:第一定位器 PS:物品/投影系統 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 SEM1:所捕捉影像 SO:輻射源/源收集器模組 ST:基板台 STOR:儲存媒體 TP:目標圖案 TP1:目標圖案 TP6:目標圖案 W:基板 WT:第二物件台/基板台
對於一般熟習此項技術者而言，在結合附圖而檢閱特定實施例之以下描述後，以上態樣以及其他態樣及特徵就將變得顯而易見，在該等圖中：
圖1展示根據一實施例的微影系統之各種子系統的方塊圖；
圖2A為根據一實施例的包括複數個特徵(例如接觸孔)之目標圖案的圖像描繪；
圖2B、圖2C、圖2D及圖2E為根據一實施例的經圖案化基板之模糊影像，其中(圖2A之)目標圖案分別印刷於經圖案化基板之第一層、第二層、第三層及第四層上；
圖2F為根據一實施例的經圖案化基板之模糊影像，其中目標圖案(對應於圖2A之點線圓)疊對於該影像上，該模糊影像為基板之第四層的模糊影像；
圖3為根據一實施例的用於訓練解模糊模型之方法的流程圖；
圖4為根據一實施例的用於對經圖案化基板之所捕捉影像進行解模糊之方法的流程圖；
圖5為根據一實施例的用於對經圖案化基板之所捕捉影像進行解模糊之另一方法的流程圖；
圖6為根據一實施例的用於對經圖案化基板之所捕捉影像進行解模糊之又一方法的流程圖；
圖7說明根據一實施例的自目標圖案產生經模擬影像；
圖8A為根據一實施例的待在多個層上圖案化之目標圖案的2D影像表示，每一層與不同目標特徵相關聯；
圖8B為根據一實施例的基於對應於(圖8A之)目標圖案之每一特徵之深度資料而判定的邊緣範圍資料之2D影像表示；
圖9說明根據一實施例產生有雜訊經模擬影像；
圖10為根據一實施例的根據圖3中之訓練而組態之解模糊模型之結構的圖像表示；
圖11說明根據一實施例的經由解模糊模型使用深度資料作為輸入來產生經模擬影像之解模糊影像的實例；
圖12說明根據一實施例的使用解模糊模型及深度資料來對多層經圖案化基板之所捕捉影像進行解模糊的實例，該所捕捉影像係經由掃描電子顯微鏡獲得；
圖13示意性地描繪根據一實施例的掃描電子顯微鏡(SEM)之實施例；
圖14示意性地描繪根據一實施例的電子束檢測設備之實施例；
圖15為根據一實施例的實例電腦系統之方塊圖；
圖16為根據一實施例的微影投影設備之示意圖；
圖17為根據一實施例的另一微影投影設備之示意圖；
圖18為根據一實施例的圖16中之設備的更詳細視圖；
圖19為根據一實施例的圖17及圖18之設備之源收集器模組SO的更詳細視圖。
300:方法
302:經模擬影像
DBM:解模糊模型
DEP:深度資料
ERD:邊緣範圍資料
P301:工序/程序
P303:工序/程序
P305:工序/程序
TP:目標圖案

Claims (15)

  1. 一種非暫時性電腦可讀媒體，其用於儲存經組態以對一經圖案化基板之一所捕捉影像進行解模糊之一解模糊模型，該非暫時性電腦可讀媒體包含儲存於其中之指令，該等指令在由一或多個處理器執行時導致包含以下各者之操作： 經由一模擬器使用從中導出一基板上之一圖案的一目標圖案，獲得該基板之對應於該目標圖案之一經模擬影像，該目標圖案包含待形成於該基板上之一第一層上之一第一目標特徵及待形成於該基板上之一第二層上之一第二目標特徵，該第二層位於該基板上之該第一層下方； 基於與該基板之多個層相關聯的深度資料，判定該基板上之對應於該目標圖案之該等第一及第二目標特徵的特徵之邊緣範圍資料，其中該深度資料特性化該基板上之該等特徵之邊緣的模糊，該模糊係依據該各別特徵距該基板之一頂部層之一深度而變化；及 使用該基板之該經模擬影像及該邊緣範圍資料作為訓練資料，調整一基底模型之參數以產生該解模糊模型，該解模糊模型經組態以使用與該經圖案化基板之該所捕捉影像相關聯的邊緣範圍資料來產生該所捕捉影像之一解模糊影像。
  2. 如請求項1之媒體，其中該目標圖案包含與該第一目標特徵及該第二目標特徵相關聯的幾何資料。
  3. 如請求項2之媒體，其中該幾何資料包含該第一目標特徵及該第二目標特徵之所要形狀，以及該第一目標特徵及該第二目標特徵之邊緣分別在該目標圖案內的目標位置。
  4. 如請求項1之媒體，其中該深度資料包含以下各者中之至少一者： 位於自該頂部層之一垂直向下方向上的該第一層之一第一深度，及位於自該基板之該頂部層之一垂直向下方向上的該第二層之一第二深度； 與該基板之該第一層及該第二層相關聯的材料資料；或 與該基板上之分別對應於該目標圖案之第一目標特徵及第二目標特徵的一第一特徵及一第二特徵相關聯的繞射行為。
  5. 如請求項1之媒體，其中該邊緣範圍資料包含該基板上之對應於該目標圖案內之每一特徵的一邊緣位置之一範圍。
  6. 如請求項1之媒體，其中該判定該邊緣範圍資料包含： 執行一模型，該模型經組態以運算該基板上之對應於該目標圖案之每一特徵的特徵之邊緣變化。
  7. 如請求項1之媒體，其中該邊緣範圍資料表示為補充有待印刷於該基板上之每一特徵之該邊緣範圍資料的該目標圖案之一影像。
  8. 如請求項1之媒體，其中該獲得該經模擬影像進一步包含： 自一經圖案化基板之一所捕捉影像提取雜訊；及 將該雜訊添加至該經模擬影像。
  9. 如請求項1之媒體，其中該解模糊模型係一機器學習模型。
  10. 如請求項1之媒體，其中該解模糊模型係一深迴旋網路，且模型參數包含該深迴旋網路之一或多個層之權重及偏差。
  11. 如請求項1之媒體，其中該解模糊模型為包含以下各者之一神經網路： 一特徵向量，其包含指示該目標圖案之一特徵之值，及 一注意力向量，其包含關於與待印刷於該基板上之該特徵相關聯的深度之值，該注意力向量經組態以與該特徵向量一起操作。
  12. 如請求項11之媒體，其中該注意力向量包含： 介於0至1之一範圍內的值，或 值0或1。
  13. 如請求項12之媒體，其中該機器學習模型經組態以將該注意力向量與該特徵向量相乘，使得該特徵向量之一特定特徵的一邊緣被該注意力向量指派一深度相關權重。
  14. 如請求項13之媒體，其中與乘以與該第二層相關聯之該第二目標特徵的該注意力值相比，與該第一層相關聯之該第一目標特徵乘以更高的一注意力值。
  15. 一種對一經圖案化基板之一所捕捉影像進行解模糊之方法，該方法包含： 基於一目標圖案及與該經圖案化基板之多個層相關聯之深度資料來識別該所捕捉影像中之特徵；及 藉由基於該目標圖案及該深度資料對該等特徵中之每一者解模糊來對該所捕捉影像進行解模糊。
TW110137665A 2020-10-13 2021-10-12 用於產生解模糊模型及解模糊影像之設備及方法 TWI798861B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202063091126P 2020-10-13 2020-10-13
US63/091,126 2020-10-13

Publications (2)

Publication Number Publication Date
TW202230039A true TW202230039A (zh) 2022-08-01
TWI798861B TWI798861B (zh) 2023-04-11

Family

ID=78049203

Family Applications (2)

Application Number Title Priority Date Filing Date
TW110137665A TWI798861B (zh) 2020-10-13 2021-10-12 用於產生解模糊模型及解模糊影像之設備及方法
TW112108878A TW202326602A (zh) 2020-10-13 2021-10-12 用於產生解模糊模型及解模糊影像之設備及方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW112108878A TW202326602A (zh) 2020-10-13 2021-10-12 用於產生解模糊模型及解模糊影像之設備及方法

Country Status (6)

Country Link
US (1) US20240005457A1 (zh)
JP (1) JP2023544258A (zh)
KR (1) KR20230087492A (zh)
CN (1) CN116324868A (zh)
TW (2) TWI798861B (zh)
WO (1) WO2022078740A1 (zh)

Family Cites Families (6)

* 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
WO1997033205A1 (en) 1996-03-06 1997-09-12 Philips Electronics N.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
US10529534B2 (en) * 2018-01-05 2020-01-07 Kla-Tencor Corporation Compensating for scanning electron microscope beam distortion-induced metrology error using design
IL310722A (en) * 2018-07-13 2024-04-01 Asml Netherlands Bv Systems and methods for SEM image enhancement
DE102019103503A1 (de) * 2019-02-12 2020-08-13 Carl Zeiss Smt Gmbh Fehlerreduktion bei Bildern, die mit geladenen Teilchen erzeugt wurden, mithilfe von Machine-Learning-basierten Verfahren

Also Published As

Publication number Publication date
CN116324868A (zh) 2023-06-23
JP2023544258A (ja) 2023-10-23
US20240005457A1 (en) 2024-01-04
TW202326602A (zh) 2023-07-01
KR20230087492A (ko) 2023-06-16
WO2022078740A1 (en) 2022-04-21
TWI798861B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
KR102304331B1 (ko) 기계 학습에 의해 공정 모델들을 결정하는 방법들
KR102188014B1 (ko) 기계 학습에 의한 결함 또는 핫스폿의 식별
KR102048918B1 (ko) 기계 학습에 의한 피처 검색
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
TWI780476B (zh) 用於判定缺陷圖案之方法及系統
TWI808444B (zh) 用於產生消除雜訊模型之裝置及方法
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
US20220284344A1 (en) Method for training machine learning model for improving patterning process
EP3789826A1 (en) Method for determining defectiveness of pattern based on after development image
TW202211080A (zh) 用於從原始影像中自動選擇高品質影像之裝置及方法
TWI798861B (zh) 用於產生解模糊模型及解模糊影像之設備及方法
US20240054669A1 (en) Apparatus and method for determining three dimensional data based on an image of a patterned substrate
CN116615750A (zh) 用于基于图案化衬底的图像确定三维数据的装置和方法
WO2023117250A1 (en) Method and apparatus to determine overlay
WO2022263104A1 (en) Inspection data filtering systems and methods
CN117501184A (zh) 检查数据滤除系统和方法
TW202215161A (zh) 用於判定輔助特徵之列印機率之系統、方法和產品及其應用