TW202312241A

TW202312241A - 在計量量測中之機器學習

Info

Publication number: TW202312241A
Application number: TW111143105A
Authority: TW
Inventors: 伊蘭阿密特
Original assignee: 美商克萊譚克公司
Priority date: 2017-08-16
Filing date: 2018-08-14
Publication date: 2023-03-16
Also published as: TW201921430A; WO2019035854A1; US11248905B2; TWI828416B; US20190086200A1; US20220107175A1; TWI798248B

Abstract

本發明提供計量方法及目標，其使計量程序超出當前技術而擴展至多層目標、準週期性目標及類裝置目標中，而無須沿著裝置設計之臨界方向引入偏移。揭示將機器學習演算法應用於計量目標之量測及/或計量量測模擬以自多層目標導出諸如疊對之計量資料，且提供目標之對應組態以達成此等量測。基於裝置圖案之準週期性目標被表明會改良目標與裝置設計之間的類似性。僅在非臨界方向上引入偏移及/或校準敏感度以連同用於多層量測及準週期性目標量測之解決方案一起達成直接裝置光學計量量測。

Description

在計量量測中之機器學習

本發明係關於計量之領域，且更特定而言，係關於導出計量量測且改良目標及模擬結果。

計量目標及方法旨在導出表示所設計裝置之生產準確度之量測。計量面臨如下挑戰：以足夠高之一速率及足夠低之一有效面積來產生反映裝置之準確性質之可量測信號，以使生產障礙最小化。當前計量疊對(OVL)演算法使用在兩個層中具有週期性結構之特殊目標，該等週期性結構在不同目標胞元中被不同地偏移。

以全文引用之方式併入本文中之美國專利申請公開案第2016/0266505號揭示了裝置上光學量測及即時基於模型之量測演算法。

以全文引用之方式併入本文中之美國專利申請公開案第2009/0244538號揭示了一種經配置以將一圖案自一圖案化裝置轉印至一基板上之微影設備，其中一參考光柵集合設置於基板中，該參考集合包含在一第一方向上具有線元件之兩個參考光柵及在一第二垂直方向上具有線元件之一個參考光柵。US 2009/0244538要求針對x及y具有相同(或極其類似)設計以便計算一個方向之敏感度且將其應用於第二方向。然而，由於電功能性需要(且亦由於臨界層中之微影程序係不對稱的)，因此此x-y設計對稱在裝置中破壞。

以全文引用之方式併入本文中之美國專利申請公開案第2011/0255066號揭示了在假定跨越晶圓場之目標之疊對敏感度係恆定的、忽略場內程序變化之情況下使用多個場中之多個目標來量測疊對。

以全文引用之方式併入本文中之Young-Nam Kim等人2009 (基於裝置之晶片內臨界尺寸及疊對計量，光學快報17:23, 21336-21343)揭示了一種基於模型之晶片內光學計量技術，其允許在無需特殊目標結構之情況下在對實際半導體裝置所執行之DRAM製造程序中直接量測臨界尺寸及疊對位移誤差兩者。

下文係提供對本發明之一初始理解之一經簡化概要。該概要未必識別關鍵元件，亦並不限制本發明之範疇，而是僅用作對以下說明之一介紹。

本發明之一項態樣提供一種直接在裝置上量測計量參數之方法，該方法包括：(i)自一裝置設計之至少一部分量測至少一個計量參數，該至少一部分被選擇成沿著該部分之至少一個方向具有複數個不規則重複單元，該複數個不規則重複單元具有諸如不同組線及切口之指定特徵，及(ii)應用至少一個機器學習演算法以使用以下各項中之至少一者來校準敏感度：正交於該至少一個方向之一繞射階強度；沿著一非臨界方向之經引入偏移；毗鄰於該裝置部分之具有經引入偏移之目標胞元；及至少一個敏感度校準目標，其中對複數個目標以散射量測方式執行該量測以提供層特定之計量參數，該等目標中之至少一者係該裝置部分之具有N＞2個重疊層之一部分，其中該複數個目標包括以下各項中之至少一者：N個胞元對，每一對在一不同層處具有相反偏移；N個胞元，其具有經選擇既定偏移；N個或更少胞元，其具有經組態以利用光曈資訊之經選擇既定偏移；及N胞元校準目標，其位於數目介於N-1個與兩個之間的疊對目標旁邊。

本發明之一項態樣提供一種方法，其包括：將一多層計量目標組態成具有位於至少三個目標層上之複數M個目標胞元，N≤M，每一胞元在每一層中具有至少一個週期性結構，且將每一胞元之該等週期性結構組態成相對於彼此偏移達指定偏移；自該多層計量目標以散射量測方式量測至少M個差動信號；及將至少一個機器學習演算法應用於該等差動信號及該等指定偏移，以藉由對使散射量測疊對(SCOL)計量參數與該等差動信號及該等指定偏移有關之一組M個方程式求解而自該多層計量目標之M個量測計算該等SCOL計量參數。

本發明之一項態樣提供提供一種方法，其包括藉由應用至少一個機器學習演算法以使用以下各項中之至少一者中之偏移來校準至少一個敏感度參數而在不沿著一臨界量測方向向至少一個目標胞元中引入一既定偏移之情況下量測該至少一個目標胞元中之至少一個計量參數：(i)一正交非臨界量測方向；及(ii)除該至少一個目標胞元之外的至少一個額外目標胞元。

本發明之一項態樣提供一種直接在裝置上量測計量參數之方法，其協同地組合上文所提及方法。

本發明之此等、額外及/或其他態樣及/或優點在以下詳述說明中加以陳述；可能自詳細說明可推論；及/或可藉由實踐本發明學習。

相關申請案交叉參考

本申請案主張2017年8月16日提出申請之美國臨時專利申請案第62/546,509號之權益，該臨時專利申請案以全文引用之方式併入本文中。

在陳述詳細說明之前，陳述下文中將使用之特定術語之定義可為有幫助的。

如本文中在本申請案中所使用之術語「計量目標」或「目標」被定義為出於計量目的而使用之在晶圓上設計或產生之任何結構。具體而言，疊對目標經設計以達成對產生於一晶圓上之一膜堆疊中之兩個或兩個以上層之間的疊對之量測。例示性疊對目標係在光曈平面及/或場平面處藉由散射量測而量測之散射量測目標，以及成像目標。

例示性散射量測目標可包括位於不同層處之兩個或兩個以上週期性或非週期性結構(以一非限制性方式稱為光柵)且可被設計及產生為彼此疊置(稱作「光柵上覆光柵」)或自一垂直角度來看彼此毗鄰(稱作「並排」)。目標設計包含一或多個胞元，如本文中在本申請案中所使用之術語「胞元」被定義為用於導出一量測信號之一目標之一部分。常見散射量測目標被稱為SCOL (散射量測疊對)目標、DBO (基於繞射之疊對)目標等等。常見成像目標被稱為盒中盒(Box-in-Box) (BiB)目標、AIM (高級成像計量)目標、AIMid目標、Blossom目標等等。注意在本發明中，SCOL在以下意義上與無模型有關：所量測堆疊之細節在量測之前必須為未知的且為提取參數不必需要對目標進行模型化。進一步注意，本發明並不限於此等特定類型中之任一者，而是可關於任何目標設計而執行。

目標元件包括具有以一或多個間距進行重複之元件之週期性結構，諸如光柵。特定計量目標展現一「誘導偏移」，亦稱作「既定偏移」、「經設計偏移」或「經設計不對準」，其如本文中在本申請案中所使用係一有意移位或目標之週期性結構之間的疊對。如本文中在本申請案中所使用之術語「疊對」被定義為總體偏移，亦即一目標或一裝置之兩個層之間的既定偏移加上一無意偏移。因此，可藉由自所量測疊對減去既定移位而導出無意偏移。疊對目標通常經設計以具有胞元對，每一對之胞元具有相等並相反之既定偏移，表示為±f ₀。

如本文中在本申請案中關於一目標或一目標結構所使用之術語「週期性」被定義為其具有一循環圖案。如本文中在本申請案中所使用之術語「嚴格週期性」係指具有在所有循環處皆相同之一循環單元胞元之一目標或一目標結構。如本文中在本申請案中所使用之術語「準週期性」係指具有一循環圖案之一目標或一目標結構，該循環圖案並不具有一循環單元胞元而是展現下伏於各別元件之一基本圖案(諸如一柵格)以及多個像差(舉例而言，循環圖案之長度、寬度或細節之改變及/或柵格參數及特徵之改變)。此等像差可被審慎地選擇(如所解釋)及/或可為隨機的及/或可反映設計考量。像差對信號之效應(亦即，自準週期性目標及等效嚴格週期性目標導出之信號之間的差)在本申請案中稱為「雜訊」，該「雜訊」可具有隨機且系統分量。雜訊可被視為下文所定義(關於嚴格週期性設計)之不準確度之一部分及/或可被獨立地對待。

如本文中在本申請案中所使用之術語「裝置」或「裝置設計」被定義為提供一操作電子電路之晶圓之任何部分，例如記憶體裝置或邏輯裝置。如本文中在本申請案中所使用之術語「臨界方向」被定義為裝置設計中之對層之間的小偏移(例如，以1 nm之數量級)敏感之一方向，其中若此偏移發生，則裝置可能出故障。如本文中在本申請案中所使用之術語「非臨界方向」被定義為裝置設計中之可容忍小偏移(例如，以1 nm之數量級)之一方向，且若此偏移發生，則裝置不出故障。

如本文中在本申請案中所使用之術語「量測方向」被定義為沿著其量測疊對之一方向。當使用週期性目標時，在量測方向上必定存在週期性。間距係以多達幾千奈米之數量級。除了此粗間距之外，亦可存在特徵之一通常小得多之分段間距及/或正交方向上之一粗間距。

注意，儘管本發明針對於光學照射輻射，但本發明可擴展至其中照射輻射係處於極短波長(諸如x射線)及/或包含粒子束之應用。

關於計量量測，如本文中在本申請案中所使用之術語「差動信號」被定義為自一目標量測之兩個信號(諸如+1與-1繞射階信號)之間的強度差。如本文中在本申請案中所使用之術語「敏感度」被定義為差動信號與(沿著一各別量測方向之週期性結構之間的)總體偏移或疊對之間的一比率或關係。如本文中在本申請案中所使用之術語「不準確度」被定義為一量測之一結果與所量測量(被測量)之真值之間的一差。應強調，儘管所呈現模型出於清晰原因而大多係線性的，但線性在以下意義上係非限制性的：演算法可經調適以利用非線性模型，此因此亦係本發明之一部分。

在以下說明中，闡述本發明之各種態樣。出於解釋之目的，陳述特定組態及細節以便提供對本發明之一透徹理解。然而，熟習此項技術者亦將明瞭，可在不具有本文中所呈現之該等特定細節之情況下實踐本發明。此外，可已省略或簡化眾所周知之特徵以便不使本發明模糊。特定參考圖式，應強調，所展示之細節僅藉由實例方式且僅出於說明性論述本發明之目的，並且係為了提供據信最有用之內容以及為了使本發明之原理及概念態樣之說明易於理解而呈現。就此而言，所展示本發明之結構細節之詳細程度僅為對本發明之一基本理解所必需的，藉助圖式進行之說明使熟習此項技術者明瞭可如何在實踐中體現本發明的數種形式。

在詳細解釋本發明之至少一項實施例之前，應理解，本發明在其應用上並不限於在以下說明中所陳述或在圖式中所圖解說明之構造之細節及組件之配置。本發明適用於其他實施例或者以各種方式實踐或執行。而且，應理解，本文中所採用之措辭及術語係出於說明之目的且不應視為具有限制性。

除非如自以上論述顯而易見另有具體陳述，否則應瞭解，在本說明書通篇中，利用諸如「處理」、「計算(computing、calculating)」、「判定」、「增強」或諸如此類之術語之論述係指一電腦或計算系統或者類似電子計算裝置(其對表示為電腦系統之暫存器及/或記憶體內之物理(諸如電子)量之資料進行操縱及/或將該資料變換成類似地表示為電腦系統之記憶體或暫存器或其他此等資訊儲存、傳輸或顯示裝置內之物理量之其他資料)之動作及/或程序。

本發明之實施例提供用於直接使用裝置設計、特定而言使用無模型遠場光學計量來量測計量參數、特定而言疊對之高效且經濟方法及目標。具體而言，以下揭示內容克服阻止先前技術直接裝置量測之三個主要障礙，亦即，裝置設計之多層特性、裝置設計之非週期性性質以及必須避免將既定偏移引入至實際裝置設計中(以便不損壞其電性質及效能)之固有約束。

提供計量方法及目標，其使計量程序超出當前技術而擴展至多層目標、準週期性目標及類裝置目標中，而無須沿著裝置設計之臨界方向引入偏移。揭示將機器學習演算法應用於計量目標之量測及/或計量量測模擬以自多層目標導出諸如疊對之計量資料，且提供目標之對應組態以達成此等量測。基於裝置圖案之準週期性目標被表明會改良目標與裝置設計之間的類似性。僅在非臨界方向上引入偏移及/或校準敏感度以連同用於多層量測及準週期性目標量測之解決方案一起達成直接裝置光學計量量測。

針對裝置結構之係一快速非破壞性疊對(OVL)技術之光學散射量測疊對(SCOL)量測而例示該等方法及目標。該快速非破壞性OVL技術之主要限制係由於其有限解析度而需要特殊目標。此等計量目標可與實際裝置結構具有較差相關性，此乃因在其設計及位置之間具有較大偏差。因此，期望直接量測裝置以便較佳地反映其OVL及其他可能所關注參數。標記為「多層目標」之章節提供達成對重疊之多個平行圖案化之SCOL量測之方法。標記為「準週期性目標」之章節揭示如何處置缺乏一單元胞元且並非嚴格週期性之裝置設計以及如何處置SCOL中之信號雜訊比。最後，標記為「避免裝置目標中之偏移」之章節呈現用於在不損壞電性質之情況下進行敏感度計算之創新方法。所揭示方法、演算法及目標設計被協同地組合成用於裝置上光學OVL量測之一完整解決方案。

發明人已發現，儘管美國專利申請公開案第20160266505號揭示解決與裝置特性有關的在疊對量測之脈絡中成問題之問題(例如，具有複雜多圖案化結構、並非週期性的、具有由SCOL目標所需之既定偏移損壞之電性質)之分析方法及模型(大多係基於物理的)且提供對應目標設計—但用於自量測信號提取資訊之一互補或替代方法可為使用機器學習方法。舉例而言，可在一信號叢集及對應所要計量值上訓練機器學習演算法以找到用以提取所需參數之相關性及函數。舉例而言，可使用機器學習演算法來將多層目標設計中之所需胞元數目減少、可能減少至一單個胞元。

在特定實施例中，可使用機器學習演算法來基於即時資訊導出疊對敏感度校準，其中該資訊可來自不同源，諸如：額外繞射階、正交繞射階、具有不同設計之一第二目標等。可關於用於提取各別資訊之其他方法而應用機器學習方法以提供各別方法之效率之相互增強。 多層目標

首先，揭示多層目標連同基於其之對應量測及信號導出演算法以及機器學習演算法，使得該等多層目標之量測不具有或具有較小處理量/有效面積償罰。在一個一維脈絡中且針對散射量測疊對(SCOL)目標而以一非限制性方式論述目標。預期此等目標及方法至少在以下態樣中對當前技術進行改良：(i)可達成對晶粒內目標之光學疊對(OVL) (其較佳地反映裝置疊對)之設計及量測；(ii) (例如)藉由允許特徵與量測方向平行而提供目標虛置結構(dummification)之設計中之較大靈活性；及(iii)可改良有效面積及/或處理量規格。

本發明克服標準散射量測疊對演算法之限制，該標準散射量測疊對演算法要求兩個光柵之間的疊對係對稱破壞之僅有來源。當額外光柵存在時，其相對偏移可使信號以無法使用標準疊對演算法來被處理之一方式變化。此污染原始兩層疊對信號且導致一不準確量測。此外，機器學習演算法達成每目標之胞元數目之減少、提取較多資訊及/或自量測較快提取資訊以及關於機器學習演算法之參數之經改良目標設計。可在基於計量模擬之目標設計上訓練機器學習演算法，以將目標設計之一行為與一指定裝置圖案行為匹配。

圖1A係根據本發明之某些實施例之多層目標及其量測方法之一高階示意性概述圖解說明。先前技術疊對目標及演算法90與兩層目標及各別疊對演算法有關，該等兩層目標及各別疊對演算法使用具有沿著每一量測方向之相反預定義偏移±f ₀之至少兩個量測胞元。應強調，將先前技術演算法應用於具有兩個以上層之目標會由於照射層與目標層之間的相互作用而產生過多數目個變量。舉例而言，先前技術演算法提供兩個方程式(對應於具有相反偏移之兩個目標胞元)以導出兩個變量(層之間的相對移位(亦即，疊對)，及使疊對與差動信號有關之係數 A)。在 N＞2個目標層之情形中，由先前技術疊對演算法提供之兩個方程式不足以導出 N個層之間的疊對。

本發明提出方法100及具有三個或三個以上層之疊對目標290，其達成自多層目標提取各種計量參數(在本文中由疊對表示)。

特定實施例提出使用經修改疊對演算法作為一方法100A以量測具有複數個— N個2胞元目標之目標201，其中 N個層中之每一者具有一個胞元對，所有胞元係相同的，但對於每一層之一對應胞元對，該胞元對具有沿著量測方向之既定偏移±f ₀。舉例而言，每一目標可包括經組態以量測各別層之間的疊對之兩個週期性層。可藉由先前技術演算法90之考量中間層之經修改版本而自目標201之量測導出疊對。然而，此創新解決方案具有以下缺點：(i)目標與裝置非常不同(增加裝置與計量偏置)及(ii)目標係較不可印刷的、即使在刻劃線上，此乃因該等目標較遠離所要處理窗。儘管藉由經修改SCOL演算法100A使用目標201而量測所有疊對係可能的，但證明以下方法(100B至100D)在節省有效面積及減少MAM時間方面顯著更高效。

可與方法100A至100D中之任一者相關聯地應用機器學習演算法150以增強導出準確度、減少誤差、加快總體量測時間、減少所需胞元數目155及/或達成對類裝置目標之無模型即時計量量測。在特定實施例中，可在基於計量模擬之目標設計上訓練機器學習演算法，以將目標設計之一行為與一指定裝置圖案之行為匹配。

特定實施例使用一半數目個胞元，亦即， N個胞元(或更多)以用於藉由基於應用於模擬量測之機器學習演算法之參數審慎地選擇偏移而量測 N層目標。注意，所揭示方法可用於替換或增強自美國專利申請公開案第20160266505號中所闡述之分析方法導出之方法。發明人已發現，分析方法確保機器學習演算法之適用性及良好收斂特性，同時機器學習演算法可使得能夠避免分析方法中所涉及之假定中之某些假定。

特定實施例使用甚至更少胞元，亦即， N-1個胞元(或更多)且可能甚至少於 N-1個胞元以用於藉由審慎地選擇偏移且利用光曈資訊(在光曈平面處相對於計量工具之光學系統之目標而量測之信號中之資訊)而量測 N層目標。注意，使用每目標少於 N個胞元關於節省晶圓有效面積及減少MAM (移動-獲取-量測)時間係有利的。注意，所揭示方法可用於替換或增強自美國專利申請公開案第20160266505號中所闡述之分析方法導出之方法。發明人已發現，分析方法確保機器學習演算法之適用性及良好收斂特性，同時機器學習演算法可使得能夠避免分析方法中所涉及之假定中之某些假定。本發明之特定實施例包括具有n＜2N個胞元之目標，該等目標藉由應用機器學習演算法而達成自n＜2N個胞元提取疊對資訊。在特定實施例中，目標包括每目標一單個胞元，該等目標藉由應用機器學習演算法而達成對單個胞元之無模型即時光學疊對量測。

特定實施例使用甚至更少胞元，亦即，設定於裝置附近之少至兩個胞元(或更多) 300以用於藉由審慎地選擇偏移且利用光曈資訊以及藉由使用可定位於較遠離裝置之區域處(例如，刻劃線上)之額外校準目標200、方法100D、目標200、300及以下圖1B (注意，方法100D使用且進一步開發方法100B、100C及目標200、300)而量測 N層目標—如美國專利申請公開案第20160266505號中所解釋及例示。注意，所揭示方法可用於替換或增強自美國專利申請公開案第20160266505號中所闡述之分析方法導出之方法。發明人已發現，分析方法確保機器學習演算法之適用性及良好收斂特性，同時機器學習演算法可使得能夠避免分析方法中所涉及之假定中之某些假定。

在特定實施例中，目標包括每目標一單個胞元，藉由應用機器學習演算法而達成對單個胞元之無模型即時光學疊對量測。

可在不同且可能多個硬體及照射組態下、(例如)使用不同波長及/或照射模式、使用不同偏振、使用不同變跡器或光學系統中之不同其他元件來量測目標290、201、200、300，以增強校準及量測、尤其係在應用方法100C及100D之情況下。可組合或替代方法100A至100D中之任一者而應用機器學習演算法150，以可能進一步減少所需胞元數目155。

圖1B係根據本發明之某些實施例之兩個類型之多層目標200、300及其量測方法100的一高階示意性圖解說明。機器學習演算法150可增強或替換第一方法100B (其使用來自多光柵目標之差動信號之一分析)及/或第二方法100C (其使用由標準演算法報告之疊對之一近似分解)。兩種方法皆依賴於使用全光曈資訊以便提取額外所需資訊。針對每一方法，展示三層目標之非限制性實例，其中需要進行計算以便推斷疊對值。注意，在每量測方向上使用三層目標，亦即，其中N=3，且對於兩個方向量測 X、 Y，使用六個胞元來在兩個方向上量測三個層當中之疊對。明顯地，目標可經類似地設計以提供僅沿著一單個(臨界)方向之量測。機器學習演算法150可替換或增強方法100B、100C，在美國專利申請公開案第20160266505號中詳細地闡述該等方法。機器學習演算法150可進一步用於減少所需胞元數目155。

下文闡述方法100B、100C作為量測多層SCOL計量目標(亦即，採用經設計以被印刷於晶圓60上之複數個週期性結構(在下文中以一非限制性方式與光柵有關)之目標)中之疊對參數之方法100之兩個非窮盡性且非限制性實例。在解釋每一方法之原理之後建議方法100B與100C之可能組合。圖2係根據本發明之某些實施例之多層目標200之一高階示意性圖解說明。圖3A及圖3B係根據本發明之某些實施例之多層目標300之高階示意性圖解說明。

圖2示意性地圖解說明目標200，該目標包括N個層210中之N個胞元220，每一胞元220具有至少一個週期性結構230。注意，做出對相同數目(N)個胞元及層之選擇係僅為簡化下文之解釋且並不限制本發明之範疇。胞元數目亦可比層數目大或小(針對後一可能性，參見下文之額外導出)。週期性結構230係重疊的(彼此疊置)，由胞元層210之間的預定義(既定)偏移( f _i,n ，與胞元 i及層 n有關)以及由係計量方法100之目標之不受控制(非既定)偏移( δ _i,n ，與胞元 i及層 n有關)表徵。兩種偏移皆係藉由估計受兩種類型之偏移影響之各別疊對而自信號205導出。一階散射量測疊對中之所量測信號係差動信號 D205，該差動信號係在照射一目標胞元220時+1與-1繞射階之間的強度差。差動信號 D205用作一非限制性實例，此乃因所揭示方法可用於量測其他繞射階以及所導出計量量測之間的差。美國專利申請公開案第20160266505號中所提供之所量測信號之分析方法可由所揭示機器學習演算法替換或補充，該等所揭示機器學習演算法可使得能夠避免分析方法中所涉及之假定中之某些假定，同時分析方法建議或可能輔助該等所揭示機器學習演算法之收斂。機器學習演算法150可進一步用於減少所需胞元數目155。

標準疊對目標具有兩個層及因此兩個未知參數，且使用兩個胞元來提供所需兩個所量測信號。方法100包括開發處置兩個以上重疊光柵所需之一新形式體系，以便在不同層之偏移對信號之效應之間進行區分。發明人注意，由於目標之設計、理論分析及實際量測程序(其全部在本發明中揭示)中所涉及之高階複雜性而尚未處置此挑戰。在接下來章節中，由經簡化非限制性模型闡述及演示兩個創新形式體系(對應於程序100B及100C)。發明人注意，熟習此項技術者可容易地將此等模型擴展為包含因此同樣被視為本發明之一部分之額外貢獻(例如，較高繞射階)。

方法100B使用對來自目標200之差動信號205之檢驗以獲得疊對235 (符號表示—OVL)。呈現方法100B之兩個變化形式—一個變化形式假定先前OVL之值係已知的，且一較高級變化形式在無需對OVL之先驗知曉之情況下使用光曈資訊以便獲得設計中之所有OVL值。

方法100之第二較高級變化形式(在本文中與方法100C有關)藉由組合來自光曈內之所有像素之資訊且使用先前OVL值並非取決於像素位置之事實而克服對所有先前OVL值之需要。後一觀察用於定義一成本函數Ω，該成本函數相對於任何OVL值(以一非限制性方式，實例係相對於OVL ₁)具有一零差動，如美國專利申請公開案第20160266505號中所表達及開發。可組合或替代方法100B及/或100C而應用機器學習演算法150，以增強導出準確度、減少誤差、加快總體量測時間、減少所需胞元數目155及/或達成對類裝置目標之無模型即時計量量測。

圖3A及圖3B係根據本發明之某些實施例之多層目標300之高階示意性圖解說明。圖3A及圖3B以一非限制性方式圖解說明三層目標300，熟習此項技術者可將所揭示原理實施至多層目標，因此該等多層目標同樣被視為所揭示本發明之一部分。

多層目標並未在先前技術中使用，此乃因額外層(超過兩個層)係一額外對稱破壞源，該額外對稱破壞源污染來自兩個層之疊對信號且產生不準確量測。在下文中，一或多個額外層被視為不準確度源且其對信號之效應被表徵。該表徵用於(i)消除額外層對一原始兩層目標(其可在目標300中被任意地選擇)之疊對之不準確度貢獻；及(ii)計算額外層相對於原始層之偏移。此等係方法100D (參見圖1A)之一部分，其可替換及/或增強上文所闡述之量測多層目標200之方法100B及100C。特定而言，在目標200與300之間進行區分係僅為闡明解釋且並不限制本發明之範疇，此乃因清晰多層目標可經設計以組合目標200及300之特徵。

圖3A示意性地圖解說明一非限制性情形，其中頂部層310及中間層320分別被視為將針對其而計算一疊對之原始層，而底部層330 (其可由多個層替換)被視為不準確度源。相對於中間層之底部層偏移之效應類似於由於側壁角不對稱之一對稱破壞。圖3B示意性地圖解說明在照射 I之後的具有如下文所定義之繞射電場之名稱之三層目標300。為簡單起見，以一非限制性方式假定層310、320、330中之週期性結構係具有相同間距之平行光柵。以一非限制性方式進一步假定，繞射電場之前導階係

—自頂部光柵310繞射之一階信號、

—傳輸穿過頂部光柵310、按一階繞射離開中間光柵320且傳輸穿過頂部光柵310之場及

—分別傳輸穿過頂部光柵310及中間光柵320、按一階繞射離開底部光柵330且分別傳輸穿過中間光柵320及頂部光柵310之場，如圖3B中所圖解說明。此等場中之每一者之對應強度係

、

且

。

在上文所陳述之假定下，美國專利申請公開案第20160266505號中所提供之所量測信號之分析方法可由所揭示機器學習演算法替換或補充，該等所揭示機器學習演算法可使得能夠避免分析方法中所涉及之假定中之某些假定，同時分析方法建議或可能輔助該等所揭示機器學習演算法之收斂。舉例而言，美國專利申請公開案第20160266505號之分析方法圖解說明每像素之所量測疊對可被分離成頂部層之間的疊對及取決於底部層偏移之一項。在另一實例中，分析方法分離變量動量相依性與底部層偏移。此等指示可支援機器學習演算法之應用且幫助識別機器學習演算法之有用參數，該等有用參數將用作量測及目標設計方法之輸入。

可將校準應用於全取樣或接下來晶圓。另一選擇係或作為補充，可將差動信號分析(可能由機器學習演算法增強之方法100B、100C)應用於校準目標。(iii)可跨越晶圓在緊挨著外部參考目標而定位之專用目標處量測次取樣且可使目標之間的匹配最佳化。可將校準應用於全取樣或接下來晶圓。(iv)可對次樣本執行一主分量分析(PCA)以得出相對量測

，且可計算絕對值，此乃因自多胞元目標獲得OVL，如上文所闡述。在特定實施例中，可關於PCA (例如，在PCA之前、在PCA之後)而使用機器學習演算法150，即，將PCA之主分量用於機器學習演算法及/或可能使用機器學習演算法來改良主分量之導出。

返回至圖1B，方法100D之特定實施例可組合方法100B與100C之使用。舉例而言，兩胞元目標300可連同較小數目個(專用、校準)多胞元目標200 (亦即，具有三個胞元或更多胞元之目標)一起印刷於晶圓上。多胞元目標200可經取樣以便藉由疊對分解方法或藉由檢驗所得差動信號並自差動信號分析方法100B獲得

而獲得

函數。可與下文及美國專利申請公開案第20160266505號中所闡述之方法100D相關聯地應用機器學習演算法150，以增強導出準確度、減少誤差、加快總體量測時間、減少所需胞元數目155及/或達成對類裝置目標之無模型即時計量量測。在特定實施例中，可在基於計量模擬之目標設計上訓練機器學習演算法，以將目標設計之一行為與一指定裝置圖案之行為匹配。

注意，對三個週期性結構(光柵)之假定係僅出於簡化目的而在此處呈現之一非限制性假定。在兩個(或兩個以上)量測方向之情形中，可添加各別週期性結構。為節省晶圓有效面積，校準多胞元目標200可為相對少的，同時對兩胞元目標300之量測可使用自該等兩胞元目標導出之校準來執行。

更具體而言，藉由研究在底部光柵之一線性陣列中跨越光曈之OVL分佈，可提取

(舉例而言，使用主分量分析及/或機器學習演算法150)。針對晶圓上之所有其他位點，可將「OVL」分離成OVL ₂₃(「所有像素共有的」)及OVL ₁₂(「每像素不準確度」)，如美國專利申請公開案第20160266505號中詳細地闡述，從而使得能夠使用(三個層之)兩個胞元進行專用多層目標量測。對目標290、201、200、300中之任一者之各別計量量測及將機器學習演算法150應用於該等目標中之任一者亦被視為本發明之一部分。

圖4係圖解說明根據本發明之某些實施例之方法100之一高階流程圖。方法100可至少部分地由至少一個電腦處理器執行。提供電腦程式產品及對應計量模組，其包括一電腦可讀儲存媒體，該電腦可讀儲存媒體具有藉助其體現且經組態以至少部分地執行方法100之電腦可讀程式。亦提供目標設計檔案以及目標之計量量測。

方法100可包括以下各項中之任一者(以單獨或組合形式)：修改當前OVL演算法以對 N個胞元對( 2N個胞元)運算，每一對在一個層中具有相反偏移(方法100A) (例如，每一目標具有經組態以量測各別層之間的疊對之兩個週期性層)；僅使用 N個胞元，該 N個胞元被設計有達成對量測之疊對之導出之特定既定偏移(方法100B)；使用光曈資訊來將所需胞元數目減少至 N-1個(方法100C)，及使用校準目標來將特定疊對目標之數目減少至低於 N-1個、可能低至每 N層目標2個(方法100D)。

方法100可進一步包括由機器學習演算法150增強及/或替換分析方法(100A至100D)中之任一者(階段102)。在特定實施例中，方法100可包括應用機器學習演算法以校準疊對敏感度且可能將胞元數目減少至低於2N個(階段105)。

方法100可包括將一多層計量目標組態成具有位於至少三個目標層上之複數個(M個)目標胞元，N≤M，每一胞元在每一層中具有至少一個週期性結構(階段110)且將每一胞元之週期性結構組態成相對於彼此偏移達指定偏移(階段115)。方法100可包括自多層計量目標以散射量測方式量測至少M個差動信號(階段120)，且應用機器學習演算法以藉由使SCOL計量參數與差動信號及指定偏移有關而自多層計量目標之M個量測計算SCOL計量參數(階段130)。SCOL計量參數可為N個層之間的疊對。可針對連續層依序執行應用機器學習演算法130以計算SCOL計量參數(階段132)，例如，如在上文所闡述之方法100之第一變化形式100B中。舉例而言，SCOL計量參數可為N個層之間的疊對，且可關於美國專利申請公開案第20160266505號中所闡述之分析模型而應用機器學習演算法。

另一選擇係或作為補充，可藉由在相對於目標之一光曈平面處執行量測(階段137)及使用光曈平面處之複數個像素位置之量測(階段138)而針對若干層同時執行應用機器學習演算法130以計算SCOL計量參數(階段135)，例如，如在上文所闡述之方法100之第二變化形式100C中。舉例而言，SCOL計量參數可為N個層之間的疊對，且可關於美國專利申請公開案第20160266505號中所闡述之分析模型而應用機器學習演算法。在一非限制性實例中，N=3，SCOL計量參數係三個層之間的疊對，且可關於美國專利申請公開案第20160266505號中所闡述之分析模型而應用機器學習演算法。在特定實施例中，可在場平面中執行量測中之任一者(階段139)。

在特定實施例中，方法100可包括在設置或訓練期間(例如，一次)導出機器學習演算法(例如，階段120及/或130)，且在運行時間中應用所導出演算法(例如，階段135) (階段140)，可能調整所導出演算法(若需要)。特定實施例包括至少部分地使用模擬來導出機器學習演算法(階段142)。

特定實施例包括在至少三個目標層上具有複數個目標胞元之多層計量目標，每一胞元在每一層中具有至少一個週期性結構，其中每一胞元之週期性結構相對於彼此偏移達指定偏移。目標可提供同樣係本發明之一部分之SCOL量測。

方法100提供多個新穎態樣，諸如：以最小不準確度償罰對具有兩個以上重疊平行光柵之SCOL目標進行量測；組合兩胞元目標與多胞元目標取樣以準確量測多個重疊光柵目標；目標及量測方法，其在不具有不準確度償罰之情況下遵循包含橫向及垂直約束之所有晶粒內裝置佈侷限制；多胞元多光柵目標及量測方法，其獲得經改良處理量及/或有效面積；基於模擬之目標設計最佳化，其考量所有程序及微影步驟以及所得圖案而非僅考量兩個特定所要層；基於一分析模型之所有層圖案之最佳化—該模型預測使對信號之不期望貢獻最小化之最佳光學性質；使用跨越光曈之資訊(諸如反射率、差動信號及/或疊對)以便獲得每層之準確疊對；組合前述每像素回應與多胞元疊對計算以便獲得針對標準演算法之一校準，使得可自一兩胞元目標獲得所要疊對；及將機器學習演算法應用於以上各項中之任一者。 準週期性目標

在下文中，呈現準週期性SCOL目標之實例，其較類似於裝置圖案且在預定義尺度上係週期性的(但並非晶格)。此意味著全結構無法被劃分成較小相同結構(單元胞元)。下文注意，在下文所闡述之特定情況下，實際裝置圖案亦可被視為準週期性SCOL目標且如下文所展示不必包含既定移位。因此，儘管特定裝置設計係非週期性的，但以下揭示內容仍使得能夠直接量測該等特定裝置設計之疊對。

可對所揭示目標之量測應用機器學習演算法以增強結果導出準確度、減少誤差、加快總體量測時間、減少所需胞元數目及/或達成對類裝置目標之無模型即時計量量測。在特定實施例中，可在基於計量模擬之目標設計上訓練機器學習演算法，以將目標設計之一行為與一指定裝置圖案之行為匹配。

圖5A至圖5D及圖6A至圖6F係根據本發明之某些實施例之準週期性SCOL目標400之高階示意性圖解說明。目標400例示如下目標：滿足各種OVL/對準技術(例如，SCOL、AIM、掃描機對準標記)對週期性目標之要求，但在目標400不具有一單元胞元之意義上，仍並非週期性的。儘管目標400不具有重複單元胞元，但目標400之傅立葉(Fourier)變換確實顯露在與一額外長度尺度上之一有效目標間距(其可比實際精細尺度間距大得多)對應之某些經定義長度尺度上之週期性。在目標400之量測之分析中，破壞平移對稱之隨機部分可被視為「雜訊」且可使用對較大區之量測或使用對不同目標區之多個量測而被平均掉。另一選擇係或另外，量測條件可經選擇以使平移變化特徵之貢獻最小化，或者可使用複雜信號分析、目標設計及/或硬體來消除該等平移變化特徵之貢獻。目標400之各別計量量測亦被視為本發明之一部分。

在圖5A中，使用水平及垂直線之一基本圖案示意性地圖解說明目標400以指示目標400之準週期性性質( X軸及 Y軸圖解說明兩個量測軸，沿著 Y軸之週期性可與標準SCOL目標中之間距對應)。注意在細節中，組成目標400之元件410A至410F等各自包含間隙及切口，該等間隙及切口將元件及目標400作為一整體來修改以免係一規則柵格，從而使目標400係基於柵格的但併入自裝置圖案導出之多個不規則性，如在圖5B及圖5C中以一例示性方式所圖解說明。圖6A至圖6F藉由將目標400表示為由區塊410A至410F等(圖6A)構成而進一步詳述此態樣，該等區塊被設計為裝置圖案之示意性表示或抽象(圖6B至圖6E)且可經組合以形成準週期性目標400 (圖6F)。應強調，所有區塊設計係基於由各別柵格表示之一類似週期性，但仍包含多個不規則性或相對於柵格對稱之像差，該等不規則性或像差總體上產生準週期性目標400。

圖5B係作為圖5C中所例示之圖案410A之一基礎之一經簡化裝置佈局420 (例如，一NAND閘佈局)之一高階示意性圖解說明。圖案410A包括指定特徵，例如，可藉由進一步簡化(諸如維持來自裝置佈局420之列411且使用各種類型之切口412 (類似於連接實際裝置佈局中之列之金屬線)來產生圖案410A以及諸如圖5D中所圖解說明之圖案410E之替代圖案)而自裝置佈局420導出之特徵。圖5A示意性地圖解說明由410A、410B、410C、410D、410E、410F等表示之複數個圖案之一組合，該複數個圖案可同樣係圖案410A之尺寸及/或該圖案中之切口412之組態之變化。目標400可因此被闡述為重複單元胞元與不同切口之疊加，及/或可經設計以完全缺乏一經定義重複單元胞元。圖案410A至410F中之不同切口可經選擇以表示不同邏輯閘。可針對目標400之一或多個層提供所圖解說明設計。注意，所圖解說明線及切口可為多個微影步驟(例如，可能利用間距倍增程序形成線)及然後可能多次切口應用之結果。然而，亦可在一單個微影步驟中執行圖案。所圖解說明線及切口用於提供圖案之指定特徵之一非限制性實例，且可用關於裝置設計之特徵來替換。

圖6A在以下意義上將目標400示意性地圖解說明為準週期性的：該等目標展現由晶圓之一般組織產生之沿著 Y軸之週期性( Y方向週期性，其可能處於先前技術目標之間距之數量級)及由晶圓之設計原理產生之沿著 X軸之一規則性，但並非係嚴格週期性的，此乃因設計410A至410F等可並非係週期性的，且設計410A至410F等可非週期性地交替。下文呈現對目標400之設計中之不規則程度之一評估，且該評估被表明在考量由不規則性引入之偏差之情況下仍使得能夠導出計量信號及計量參數。

發明人自所揭示分析獲得之一重要且令人驚奇之見解係裝置及裝置區段亦可被視為準週期性目標400且因此在考量由其「不規則性」引入之效應(如關於嚴格週期性所考量)之情況下使用本文中所呈現之計量技術及演算法來直接量測。此外，目標400之準週期性性質增強機器學習演算法對於目標400之量測之適用性及效率。

圖6B示意性地圖解說明分別表示NAND閘及NOT閘之示意性佈局之方案420B、420C (背景柵格僅用於圖解說明圖案之週期性且並非圖案之一實際部分)。在此例示性程序中，使用三個微影步驟(表示為LELELE，其中L代表一微影步驟且E代表一蝕刻步驟，該三個步驟應用於相同實體層)來產生M1圖案以給出對應M1a、M1b及M1c。圖6C僅示意性地圖解說明為420B及420C共有之M1圖案。圖案410C可用於表示目標400中之設計420B、420C。圖6D示意性地圖解說明分別表示OR閘及AND閘之示意性佈局之方案420D、420E且圖6E示意性地圖解說明可用於表示目標400中之設計420D、420E之對應M1圖案410B、410D。明顯地，可根據各種效能要求及最佳化而使用額外圖案並將該等額外圖案併入至目標400中。注意，所有所圖解說明設計410A至410E圖解說明目標400之準週期性性質，該等目標維持一較大程度週期性，同時在對應於特定裝置設計之圖案中引入不規則性。圖6F示意性地圖解說明圖案420B、420C、420D之一組合，該組合產生準週期性目標400 (背景柵格僅用於圖解說明目標之週期性且並非目標之一實際部分)。注意，方案420A至420E用作電路(諸如由美國專利第8,863,063號所呈現之電路)之一示意性調適且其用作可用於導出對應圖案410A至410F及其他圖案之可能方案之非限制性實例。

圖7A及圖7B呈現根據本發明之某些實施例之由非週期性目標設計引入之雜訊對一階振幅之效應的模擬結果。雜訊表示一基本上週期性結構(其在上文被稱作準週期性)中之不規則性。以下圖式可用於估計與週期性之偏差之程度，該等偏差在圖5A至圖5D及圖6A至圖6F中例示、使自目標400導出之計量信號降級。使用夫朗和斐(Fraunhofer)近似來計算具有不規則性之一光柵之光曈平面信號(振幅)。在OVL量測中，一階雜訊中之修改 dS將OVL大致改變 dS/A( A係量測敏感度)。將隨機雜訊添加至呈其中振幅被修改為零之位置之形式之光柵。可將隨機雜訊理解為表示因自特定圖案410A至410F產生之差異所致之不規則性。針對數個不同照射束位置重複進行計算。依據束位置而針對第一繞射階振幅分佈計算雜訊量值之效應。在圖7A中，誤差條指示十個不同束位置之標準偏差。相對於未擾動強度而正規化所有值。圖7B明確地展示在對不同位置進行取樣時一階強度之間的可變性(對應於圖7A之誤差條)。雜訊點之不同空間分佈形成針對2％之一雜訊量值之振幅之大約0.3％之一不確定性。圖7A及圖7B圖解說明與嚴格週期性之偏差導致表示目標設計中之不規則性之一可控制雜訊，且可被考量為在自目標400導出計量結果時之一不準確度因素。此外，圖7A及圖7B提供用於處置因目標結構中或用作目標之裝置設計中之不規則性所致之雜訊的工具，如下文所建議。可關於此等結果及工具而組態機器學習演算法以迅速地收斂且提供準確導出。

可以演算法方式(舉例而言，使用信號之已知對稱性質)或藉由選擇抵消對稱破壞之量測點而處理此不準確度。後者可(舉例而言)藉由倍縮光罩之自動分析而完成。可應用機器學習演算法以增強導出準確度、減少誤差、加快總體量測時間、減少所需胞元數目及/或達成對類裝置目標之無模型即時計量量測。在特定實施例中，可在基於計量模擬之目標設計上訓練機器學習演算法，以將目標設計之一行為與一指定裝置圖案之行為匹配。

特定實施例包括計量目標400，該等計量目標具有沿著目標400之至少一個方向(可能兩個垂直方向)之不規則重複單元410A至410F，其中該等單元包括具有自各別裝置設計導出之一或多組(不同組)線及切口之類裝置圖案。舉例而言，單元長度、單元中之線特性及/或單元中之切口特性可沿著目標400之至少一個方向變化。目標400可包括兩個或兩個以上層且可提供同樣係本發明之一部分之SCOL量測。

圖8係圖解說明根據本發明之某些實施例之方法600之一高階流程圖。方法600可至少部分地由至少一個電腦處理器執行。提供電腦程式產品及對應計量模組，其包括一電腦可讀儲存媒體，該電腦可讀儲存媒體具有藉助其體現且經組態以至少部分地執行方法600之電腦可讀程式。亦提供目標設計檔案以及目標之計量量測。

方法600可包括自各別複數個裝置設計導出複數個類裝置圖案，其中類裝置圖案包括不同組線及切口作為例示性指定圖案特徵(階段615)，且使用所導出類裝置圖案作為沿著目標之至少一個方向之不規則重複單元而設計一計量目標(階段620)。

方法600可包括沿著目標之至少一個方向使以下各項中之至少一者變化：一單元長度、單元中之線特性及單元中之切口特性(階段630)。至少一個方向可包括目標之兩個垂直方向。目標可包括至少兩個層。方法600可包括可能使用機器學習演算法來估計由目標不規則性導致之一雜訊(階段632)，該等目標不規則性係與嚴格週期性之偏差，且根據指定雜訊臨限值而設計或選擇適當圖案(階段634)。方法600可包括可能使用機器學習演算法來根據所估計雜訊估計一量測誤差(階段636)。方法600可包括利用圖案對稱性質來估計及改良自圖案接收之信號(階段638)，如上文所解釋(例如，藉由以演算法方式、使用信號之已知對稱性質及/或藉由選擇抵消對稱破壞之量測點(例如，藉由倍縮光罩之自動分析)來處理所估計雜訊)。方法600可包括(例如)在估計632之後，使用參考量測來學習疊對信號以便減少因目標不規則性所致的信號污染(階段639)，例如，藉由使用機器學習演算法自疊對信號識別並減少因目標不規則性所致的信號污染。

在特定實施例中，方法600可包括在設置或訓練期間(例如，一次)導出機器學習演算法，且在運行時間中應用所導出演算法(階段640)，可能調整所導出演算法(若需要)。特定實施例包括至少部分地使用模擬來導出機器學習演算法(階段642)。 避免裝置目標中之偏移

返回至基本SCOL假定，在美國專利申請公開案第20160266505號中假定可將所量測差動信號(一階與各別負一階之間的強度差)寫為 D(n)=A(n)·ε(n)，其中 n係目標胞元(或目標位點)之一索引且 ε係在量測方向上兩個目標週期性結構(例如，光柵)之間的橫向偏移。由於敏感度 A及相對偏移(或OVL)兩者皆可在目標之間改變，因此應每目標計算兩個參數，且因此需要具有相同敏感度及OVL之兩個量測。若敏感度未改變，則可使用 OVL(n)=D(n)/A來計算OVL，但事實上此並不成立而得到大的不準確度值。

為形成兩個資訊性量測，藉由設計而應用預定偏移。此等偏移可損壞裝置之電性質且因此無法被應用於真實裝置上。由於對於諸多OVL對準，僅存在一個臨界方向(如下文在圖9及圖10中示意性地圖解說明)，因此可在不損壞裝置且不影響最終(在蝕刻之後的)圖案之情況下應用正交方向上之偏移。在習用SCOL演算法中，正交方向上之偏移並不幫助恢復敏感度，此乃因裝置圖案對於90°之旋轉並非對稱的且因此，在此方向上之敏感度之量測未必與所要敏感度相關。在以下導出中，為簡單起見而以一非限制性方式使用針對差動信號之線性近似。明確地陳述，下文所揭示之所有方法對於差動信號亦使用較高階近似係有效的且此等應用被視為本發明之一部分。以下方法使用正交偏移資訊以使用同一目標之不需要任何偏移之正交繞射階且使用具有一不同設計、具有在一非臨界方向上之偏移之正交目標(此兩種選項皆使得能夠潛在地將實際裝置作為目標使用)來導出計量參數(諸如疊對)。

圖9及圖10係根據本發明之某些實施例之裝置對準97之高階示意性圖解說明。舉例而言，圖9及圖10可表示觸點711與閘712之一對準。圖9及圖10示意性地圖解說明沿著一個方向(臨界方向，表示為 X)之對準強加比沿著垂直方向(非臨界方向，表示為 Y)之對準嚴格得多的疊對要求(較小OVL值)。圖10亦示意性地圖解說明裝置97之光曈平面(針對一例示性中心照射，光曈影像)中之第一繞射階信號98，其中沿著 Y方向(垂直於臨界方向之方向)之+1及-1繞射信號彼此類似(且具有旋轉對稱)，而沿著 X方向(臨界方向)之+1及-1繞射信號由於由元件711導致之疊對對稱破壞而彼此不同(例如，在強度上)。

在下文中，利用沿著非臨界量測軸之旋轉對稱以使得能夠在目前無需引入沿著臨界量測軸之經設計偏移之情況下進行沿著臨界量測軸之量測。此外，可將機器學習演算法應用於量測以增強導出準確度、減少誤差、加快總體量測時間、減少所需胞元數目及/或達成對類裝置目標之無模型即時計量量測。在特定實施例中，可在基於計量模擬之目標設計上訓練機器學習演算法，以將目標設計之一行為與一指定裝置圖案之行為匹配。

圖11係根據本發明之某些實施例之分別沿著非臨界量測方向716界量測方向715繞射階的一高階示意性圖解說明。圖11圖解說明在兩個方向上之一光柵上覆光柵之一經簡化模型(表示為光柵上覆光柵模型725及單個光柵模型726，此乃因沿著非臨界量測方向，頂部光柵係非週期性的，參見圖10)。

注意，經簡化模型係出於解釋原因而呈現，且並不限制本發明。光柵701、703將表示任何週期性結構，且可針對多層週期性結構使用等效模型。此外，所量測結構可為計量目標及/或實際裝置。舉例而言，模型725可被視為表示有效二維週期性結構，而模型726可被視為表示有效一維週期性結構。

機器學習演算法可經組態以相對於任何此模型(例如，模型725、726)而改良結果且可能經組態以增強或替換對此等模型之使用。基於模型725、726之結果可用於指導或訓練機器學習演算法且亦建議機器學習演算法之適用性及良好收斂特性，而機器學習演算法可使得能夠避免該等模型中所涉及之假定中之某些假定。

在模型725中，收集光曈上之沿 X方向之電場係兩個繞射模式之間的干擾，該兩個繞射模式在圖11中圖解說明且以美國專利申請公開案第20160266505號中所呈現並開發之方程式來表示，該兩個繞射模式可由機器學習演算法補充或替換。在模型726中，將電場 E及所得經量測強度 I _p 表達為分量77，並且在美國專利申請公開案第20160266505號中被分析闡述，該分量係在通過中間層702及上部層701之後自下部光柵703反射，該上部層包含沿著非臨界(非量測)方向之上部光柵且因此缺乏週期性，模型726可由機器學習演算法補充或替換。

如上文所述，較複雜模型及校準函數可使用相同方法來實施且被視為本發明之一部分。注意，正交繞射階亦可用於在具有或不具有光學模型化之情況下計算目標之幾何性質(舉例而言：臨界尺寸)。機器學習演算法可經組態以相對於任何此模型而改良結果且可能經組態以增強或替換對此等模型之使用。基於此等模型之結果可用於指導或訓練機器學習演算法，且可能避免該等模型中所涉及之假定中之某些假定。

所揭示分析及機器學習方法(亦參見下文方法800)可以各種方式實施以自各種裝置及目標設計導出計量量測(作為非限制性實例而呈現該等計量量測之疊對)。作為一非限制性實例，圖12示意性地圖解說明針對方法之應用之一個例示性組態。

圖12係根據本發明之某些實施例之併入一無偏移裝置部分之一目標700的一高階示意性圖解說明。目標700可經設計以藉由使用具有在不同方向716 (例如，垂直於胞元710之臨界方向)上之圖案及偏移之額外胞元720而在不引入沿著臨界OVL尺寸715 (在胞元710中)之偏移之情況下提供一敏感度計算。圖12以一非限制性方式圖解說明兩個層中之一個三胞元設計，但可擴展至一多層設計(如在本發明中上文所解釋)、亦可擴展至準週期性目標及裝置(如上文所解釋)。目標700在無需在臨界方向715上引入既定偏移之情況下達成沿著此方向之疊對計算。明確地注意，可將胞元710理解為表示一實際裝置設計之至少一部分，所揭示方法因此使得能夠在不向裝置設計中引入至少沿著裝置之臨界方向之偏移、可能不向裝置設計中引入任何偏移之情況下直接量測裝置。

美國專利申請公開案第20160266505號呈現適用於針對 Y差動信號計算而量測中心胞元710及量測具有既定偏移±f ₀之其他(例如，兩個)胞元720之分析方法，從而提供表達一個目標之敏感度 A之方程式，該等方程式由一第二附近目標之一函數近似。機器學習演算法可用於增強或替換此等計算、可能達成以下各項中之任一者：每目標之胞元數目之減少、提取較多資訊及/或自量測較快提取資訊以及關於機器學習演算法之參數之經改良目標設計。可在基於計量模擬之目標設計上訓練機器學習演算法，以將目標設計之一行為與一指定裝置圖案行為匹配。

圖13呈現根據本發明之某些實施例之具有分別第一胞元設計710與第二胞元設計720之不同組合之所得敏感度值之例示性模擬結果的一表。該表將敏感度呈現為不準確度值(以nm為單位，基於模擬)，高敏感度係高於大約1 nm且低敏感度係低於大約1 nm，並且演示所揭示方法之有效性。對於十五個不同目標設計及九十個程序變化測試方法800。在美國專利申請公開案第20160266505號中介紹之所呈現計算確保機器學習演算法之適用性及良好收斂特性，同時機器學習演算法可使得能夠改良結果且可能避免分析方法中所涉及之假定中之某些假定。

可使用上文所闡述之方法來減少SCOL目標中之胞元數目。舉例而言，可使用 N+1個胞元而非 2N個胞元來量測相同層中之 N個特徵之相對偏移—使用兩個胞元來計算第一特徵敏感度及OVL，且所有其他設計可具有一單個胞元，可相對於第一設計而針對該單個胞元使用校準敏感度函數。在特定實施例中，機器學習演算法可用於進一步減少胞元數目、可能甚至減少至每目標單個胞元，其中機器學習演算法經組態以達成對單個胞元目標之無模型即時光學疊對量測。如在基於模擬、量測及/或機器學習演算法而計算校準函數之後，亦可改良計量程序，運行序列可包括即時量測單個胞元及使用正交方向信號以使用所計算校準函數來校準敏感度。注意，在不穩定程序之情形中，可使用數個不同校準目標。

圖14係圖解說明根據本發明之某些實施例之在不引入沿著臨界方向之既定移位之情況下量測疊對之一方法800的一高階流程圖。方法800可至少部分地使用機器學習演算法來實施。方法800可至少部分地由至少一個電腦處理器(例如，在一計量模組中)實施。特定實施例包括電腦程式產品，該等電腦程式產品包括一電腦可讀儲存媒體，該電腦可讀儲存媒體具有藉助其體現且經組態以執行方法800之相關階段之電腦可讀程式。特定實施例包括由方法800之實施例設計之各別目標之目標設計檔案。

方法800包括在避免先前技術中將沿著一臨界量測方向之既定偏移引入於目標胞元中之至少一者中之同時量測疊對(階段805)。可以一無模型方式、可能使用機器學習演算法來執行量測。方法800可包括使用正交於臨界量測方向之繞射階之強度、應用機器學習演算法以使用在一正交非臨界量測方向上之偏移來校準敏感度參數(階段810)。另一選擇係或作為補充，方法800可包括設計刻劃線上之參考校準目標(階段820)及應用機器學習演算法以使用校準目標中之偏移來校準敏感度參數(階段825)。方法800可包括根據模型而選擇參考目標之參數以減小不準確度(階段830)。方法800可包括使用至少一個額外目標胞元而非至少一個目標胞元來(例如)藉由引入偏移(沿著臨界方向及非臨界方向中之任一者或兩者)而量測敏感度(階段815)。該至少一個額外目標胞元可為毗鄰於目標胞元及/或被組態成單獨校準目標。

方法800可包括設計併入一裝置設計之至少一部分之計量目標，其中胞元在一非臨界方向上具有偏移，而裝置部分未展現偏移(階段840)。在特定實施例中，一實際裝置之多個部分可被使用並組合至一單個計量量測中，方法800進一步包括選擇多個裝置設計部分以自該等部分之各別光曈影像產生一經導出光曈平面影像，該經導出光曈平面影像滿足一指定準則(例如，關於週期性及/或所估計雜訊) (階段845)。舉例而言，OVL計算中所使用之一光曈影像可為在不同、可能相異裝置區50A處量測之幾個光曈影像之一平均。對組合之選擇可為預定義的或被自動地執行以便有效地選擇提供特定特性(例如，最類似於自一週期性目標導出之一信號、展現最低雜訊位準等)之信號。方法800可包括(例如)藉由使用機器學習演算法以減少週期性結構之形狀因子之變化(階段855)而使用機器學習演算法來根據近似假定最佳化目標設計(階段850)。可沿著裝置設計之正交非臨界量測方向及/或在毗鄰非裝置額外胞元中及/或在校準胞元中(例如，刻劃線上)引入偏移。

由方法800及上文之揭示內容提供以下態樣。可基於來自額外繞射階(其可包含正交繞射階且可能藉由機器學習演算法而被導出)之即時資訊而執行OVL敏感度校準。可基於來自具有一不同設計之一第二目標及/或來自具有不同設計及/或繞射階反射率之額外目標之即時資訊而執行OVL敏感度校準。此等使得能夠根據所揭示量測方法而使用在臨界量測方向上不具有偏移之OVL目標(使得能夠在無電功能性之降級之情況下進行直接裝置量測)。上文所呈現之目標之實例包含以下各項中之任一者：針對一個方向(x或y)之一單胞元SCOL目標，其中基於正交方向反射率而計算敏感度；一個三胞元SCOL目標，其由針對第一方向之兩個標準胞元及針對正交方向之一第三胞元組成；含有 N+1個胞元(而非 2N個胞元)之沿著一單個方向之 N個設計之一SCOL目標—一第一設計具有兩個胞元且所有其他設計具有每設計一單個胞元；及含有 N+2個胞元(而非 2N個)胞元之沿著一臨界方向之 N個設計之一SCOL目標—一第一設計在正交非臨界方向上具有兩個胞元且所有其他設計具有每設計單個胞元(不具有偏移)。重要的是注意，所有胞元必須不彼此毗鄰，舉例而言該目標可為位於裝置作用區內之胞元與位於該裝置作用區之周邊中之胞元之一組合。

本發明進一步以以下各項中之至少一者來提供無OVL模型目標量測：無既定偏移；無經定義單元胞元；多個(兩個以上)重疊圖案化(亦即，可能應用於相同實體層之不同微影步驟)；及使用類SCOL演算法(運行時間無模型方法)進行裝置圖案量測。方法使得能夠在光阻劑顯影之後對裝置圖案進行光學量測以及對最終且蝕刻後裝置圖案進行光學量測。本發明進一步提供基於計量模擬之目標設計最佳化以匹配特定裝置圖案行為以及與微影及/或程序模擬組合之計量模擬以達成目標設計最佳化以匹配特定裝置圖案行為。最後，提供利用無模型OVL演算法使用一單個胞元及經組合OVL與OCD (光學臨界尺寸)目標進行之無模型即時光學OVL量測(可能需要使用多個硬體組態進行量測，如上文所解釋)。

圖15係根據本發明之某些實施例之一複合裝置目標700之一高階示意性圖解說明。圖15以一示意性方式圖解說明上文所揭示之概念之組合以在一裝置區50中產生直接計量量測(參見下文方法900)。如圖15中所圖解說明，一裝置區域可被視為係多層的、準週期性的且不具有偏移及/或僅在非臨界方向上具有偏移。此理解係令人驚奇的，此乃因計量目標設計通常與裝置設計極為不同。然而，發明人已發現，自此角度來看及/或藉由根據此等準則而選擇特定裝置區域，實際裝置區域可成功地作為計量目標或其部分而被處理及量測且提供直接與裝置特性有關之可用計量結果。藉由將裝置區域考量及/或選擇為多層的、準週期性的(在上文所闡述之意義上)且不具有偏移及/或僅在非臨界方向上具有偏移—可藉由分別應用方法100、600及800 (可能使用機器學習演算法150而增強)將各別裝置區域用作目標或目標部分，如圖15中示意性地圖解說明。

舉例而言，目標700可包括裝置50之至少一個區域50A作為其中未引入偏移(至少沿著關於裝置之功能性之臨界方向)之所量測目標之部分710以及具有可用於根據預計算之敏感度參數及/或校準函數而導出裝置疊對之既定偏移之毗鄰胞元720。圖15示意性地圖解說明選擇一個區域50A作為毗鄰於胞元720之目標部分710之一選項，以及選擇多個區域50A作為可能但未必毗鄰於胞元720之目標部分之一選項。區域50A可經選擇以自區域50A之各別光曈影像產生一經導出光曈平面影像(例如，該等各別光曈影像之一平均或一加權平均)，該經導出光曈平面影像滿足用於鑒於經導出信號之品質及相關疊對導出而最佳化選擇之一指定準則，諸如一雜訊臨限值、一週期性臨限值或任何演算法臨限值。

另一選擇係或作為補充，目標700可包括裝置50之至少一個區域50B作為目標700或該目標之一部分，該目標具有在特定區域50B處沿著裝置設計之非臨界方向引入之既定偏移。此等既定偏移可經選擇以在不損壞裝置效能之情況下提供有用計量資訊(例如，敏感度參數 A) (參見上文對應於圖9至圖11之解釋及導出)。目標700可進一步包括具有可用於根據預計算之敏感度參數及/或校準函數而導出裝置疊對之既定偏移之毗鄰胞元720。

直接裝置量測可進一步利用設定於(例如)刻劃線上之校準目標750，該等校準目標校準多層、準週期性及敏感度之效應中之任一者，如上文所解釋。此外，方法100、600及/或800 (可能使用機器學習演算法150來至少部分地執行及/或增強)可被協同地實施為下文所闡述之一方法900，以使得能夠在不引入沿著裝置設計之臨界方向之偏移之情況下對係多層且非週期性之裝置進行直接計量參數量測。

圖16係圖解說明根據本發明之某些實施例之直接在裝置上量測裝置疊對之一綜合方法900的一高階流程圖。方法900可使用機器學習演算法來至少部分地執行及/或增強。方法900可至少部分地由至少一個電腦處理器(例如，在一計量模組中)實施。特定實施例包括電腦程式產品，該等電腦程式產品包括一電腦可讀儲存媒體，該電腦可讀儲存媒體具有藉助其體現且經組態以執行方法900之相關階段之電腦可讀程式。特定實施例包括由方法900之實施例設計之各別目標之目標設計檔案。

方法900可包括使用參考校準目標及/或具有既定偏移之裝置毗鄰胞元以使得能夠在不向裝置設計中引入偏移之情況下對裝置部分進行直接量測(階段910)，例如，實施方法800。方法900可包括應用機器學習演算法以使用以下各項中之至少一者來校準敏感度：引入沿著非臨界方向之偏移，使用具有經引入偏移之毗鄰目標胞元，及使用刻劃線上之敏感度校準目標(階段915)，如上文所解釋。

方法900可包括將胞元設計擴展至多層量測(階段920)，例如，在方法100之變化形式100A至100D中之任一者中實施方法100 (可能由機器學習演算法增強)。方法900可包括組態額外目標以使用多層( N個)目標胞元(具有 N＞2個重疊層)提供層特定之計量參數，該等多層目標胞元包括以下各項中之至少一者： N個胞元對，每一對在一不同層處具有相反偏移； N個胞元，其具有經選擇既定偏移； N-1個或更少胞元，其具有經組態以利用光曈資訊之經選擇既定偏移；及位於疊對目標旁邊之校準目標，其具有低至2個胞元(階段925)，如上文所解釋。在特定實施例中，目標可包括每目標一單個胞元，其中機器學習演算法進一步經組態以達成對單個胞元之無模型即時光學疊對量測。

方法900可包括在管理及限制所得不準確度之同時直接量測準週期性設計圖案(階段930)，例如，實施方法600。方法900可包括自一裝置設計之至少一部分量測計量參數，該至少一部分被選擇成沿著該部分之至少一個方向具有複數個不規則重複單元，該複數個不規則重複單元具有不同組線及切口作為例示性指定特徵(階段935)，如上文所解釋。

方法900可包括整合針對無偏移、多層及準週期性量測演算法之導出(階段940)以直接在裝置上量測計量參數(階段950)。

方法900可進一步包括選擇毗鄰目標胞元及/或敏感度校準目標之參數以根據不準確度之一模型而減小不準確度(階段955)，如上文所圖解說明。

對應計量目標包括：一裝置設計之至少一部分710，該至少一部分被選擇成沿著該部分之至少一個方向具有複數個不規則重複單元(例如，如圖案420A至420E中示意性地例示)，該複數個不規則重複單元具有不同組線及切口(例如，如目標400中示意性地例示)；及複數個額外胞元，其包括多層校準胞元(例如，如目標200及300中示意性地例示)及敏感度校準胞元(例如，如目標700及750中示意性地例示)。多層校準胞元可包括以下各項中之任一者(參見圖1A)：N個胞元對，每一對在一不同層處具有相反偏移；N個胞元，其具有經選擇既定偏移；N個胞元，其具有經組態以利用光曈資訊之經選擇既定偏移(或可能較少胞元，取決於量測條件及所使用之演算法)；及位於疊對目標旁邊之N胞元校準目標，其具有N-1個胞元且視情況低至2個胞元，此取決於校準條件及演算法複雜性。敏感度校準胞元可包括具有沿著至少一個目標胞元之臨界量測方向之既定偏移之至少兩個額外胞元，例如，相對於至少一個目標胞元具有一正交臨界量測方向之額外胞元。至少兩個額外胞元可如額外胞元720那樣毗鄰於裝置部分。對所揭示目標之各別計量量測亦被視為本發明之一部分。

圖17係圖解說明根據本發明之某些實施例之將機器學習演算法應用於所揭示方法中之任一者之一方法960的一高階流程圖。方法960及/或其階段可被整合於上文所揭示之方法中之任一者中，且可使用機器學習演算法來至少部分地執行及/或增強。方法960可至少部分地由至少一個電腦處理器(例如，在一計量模組中)實施。特定實施例包括電腦程式產品，該等電腦程式產品包括一電腦可讀儲存媒體，該電腦可讀儲存媒體具有藉助其體現且經組態以執行方法960之相關階段之電腦可讀程式。特定實施例包括由方法960之實施例設計之各別目標之目標設計檔案。

方法960及/或方法100、600、800及900中之任一者可包括以下階段中之任一者：應用機器學習演算法以校準量測敏感度(階段962)；使用機器學習演算法來減少所需胞元數目(階段965)；在模擬目標上訓練機器學習演算法(階段970)；使用訓練結果來最佳化目標設計以匹配特定裝置圖案(階段975)；將目標設計之行為與特定裝置圖案之行為匹配(階段977)；及使用機器學習演算法來達成對單個胞元之無模型即時量測(階段980)。

上文參考根據本發明之實施例之方法、設備(系統)及電腦程式產品之流程圖圖解說明及/或部分圖式來闡述本發明之態樣。將理解，該等流程圖圖解說明及/或部分圖式中之每一部分以及該等流程圖圖解說明及/或部分圖式中之部分之組合皆可由電腦程式指令來實施。此等電腦程式指令可被提供至一個一般用途電腦、特殊用途電腦或其他可程式化資料處理設備之一處理器以產生一機器，使得經由電腦或其他可程式化資料處理設備之處理器而執行之指令創建用於實施流程圖及/或一或若干部分圖式部分中所指定之功能/動作之手段。

此等電腦程式指令亦可儲存於一電腦可讀媒體中，該電腦可讀媒體可引導一電腦、其他可程式化資料處理設備或其他裝置以一特定方式起作用，使得儲存於該電腦可讀媒體中之指令產生包含實施流程圖及/或一或若干部分圖式部分中所指定之功能/動作之指令之一製造物件。

亦可將該等電腦程式指令載入至一電腦、其他可程式化資料處理設備或其他裝置上以引發將在該電腦、其他可程式化設備或其他裝置上執行之一系列操作步驟以產生一電腦實施之程序，使得在電腦或其他可程式化設備上執行之該等指令提供用於實施流程圖及/或一或若干部分圖式部分中所指定之功能/動作之程序。

前述流程圖及圖式圖解說明根據本發明之各個實施例之系統、方法及電腦程式產品之可能實施方案之架構、功能性及操作。就此而言，流程圖或部分圖式中之每一部分可表示一模塊、分段或程式碼部分，其包括用於實施所指定邏輯功能之一或多個可執行指令。亦應注意，在某些替代實施方案中，部分中所述之功能可不按圖中所述之次序發生。舉例而言，事實上，可取決於所涉及之功能性，實質上同時執行連續展示之兩個部分，或有時可按相反次序執行該等部分。亦應注意，部分圖式及/或流程圖圖解說明中之每一部分以及部分圖式及/或流程圖圖解說明中之部分的組合可由執行指定功能或動作之基於特殊應用硬體之系統或特殊應用硬體與電腦指令之組合來實施。

在以上說明中，一實施例係本發明之一實例或實施方案。「一項實施例」、「一實施例」、「特定實施例」或「某些實施例」之各種出現未必全部係指相同實施例。雖然可在一單個實施例之內容脈絡中闡述本發明之各種特徵，但該等特徵亦可單獨地或以任何適合組合形式提供。相反地，雖然本文為了清晰起見可在單獨實施例之內容脈絡中闡述本發明，但亦可在一單個實施例中實施本發明。本發明之特定實施例可包含來自上文所揭示之不同實施例之特徵，且特定實施例可併入來自上文所揭示之其他實施例之元件。在一特定實施例之內容脈絡中之本發明之元件之揭示不應被視為限制該等元件單獨在該特定實施例中使用。此外，應理解，本發明可以各種方式實施或實踐且本發明可在除以上說明中概述之實施例外之特定實施例中實施。

本發明並不限於彼等圖式或對應說明。舉例而言，流程無需移動穿過每一所圖解說明之方框或狀態，或依與所圖解說明及闡述完全相同之次序。除非另有定義，否則本文中所使用之技術及科學術語之意義通常將如本發明所屬技術中之熟習此項技術者所理解。儘管已關於有限數目個實施例闡述了本發明，但此等實施例不應被視為對本發明之範疇之限制，而是較佳實施例中之某些較佳實施例之例示。其他可能之變化形式、修改形式及應用亦在本發明之範疇內。因此，本發明之範疇不應由目前已闡述之內容限制，而是由隨附申請專利範圍及其法定等效形式限制。

50:裝置區/裝置 50A:裝置區/區域 50B:區域 60:晶圓 77:分量 90:疊對目標及演算法/演算法 97:裝置對準/裝置 98:第一繞射階信號 100:方法/量測方法/計量方法 100A:方法/經修改散射量測疊對演算法/分析方法/方法之變化形式 100B:方法/第一方法/程序/差動信號分析方法/分析方法/方法之第一變化形式/方法之變化形式 100C:方法/第二方法/程序/分析方法/方法之第二變化形式/方法之變化形式 100D:方法/分析方法/方法之變化形式 102:階段 105:階段 110:階段 115:階段 120:階段 130:階段 132:階段 135:階段 137:階段 138:階段 139:階段 140:階段 142:階段 150:機器學習演算法 155:減少所需胞元數目 200:校準目標/目標/多層目標/多胞元目標 201:目標 205:信號/差動信號 210:層/胞元層 220:胞元/目標胞元 235:疊對 290:疊對目標/目標 300:胞元/目標/多層目標/三層目標/兩胞元目標 310:頂部層/層/頂部光柵 320:中間層/層/中間光柵 330:底部層/層/底部光柵 400:準週期性散射量測疊對目標/目標/準週期性目標/計量目標 410:元件 410A:元件/區塊/圖案/設計/不規則重複單元 410B:元件/區塊/圖案/設計/不規則重複單元 410C:元件/區塊/圖案/設計/不規則重複單元 410D:元件/區塊/圖案/設計/不規則重複單元 410E:元件/區塊/圖案/設計/不規則重複單元 410F:元件/區塊/圖案/設計/不規則重複單元 411:列 412:切口 420A:方案/圖案 420B:方案/設計/圖案 420C:方案/設計/圖案 420D:方案/設計/圖案 420E:方案/設計/圖案 600:方法 615:階段 620:階段 630:階段 632:階段/估計 634:階段 636:階段 638:階段 639:階段 640:階段 642:階段 700:目標/複合裝置目標 701:光柵/上部層 702:中間層 703:光柵/下部光柵 710:胞元/中心胞元/第一胞元設計/部分/目標部分 711:晶圓/元件 712:閘 715:臨界疊對尺寸/臨界方向 716:方向 720:胞元/第二胞元設計 725:光柵上覆光柵模型/模型 726:單個光柵模型/模型 750:校準目標/目標 800:方法/程序變化測試方法 805:階段 810:階段 815:階段 820:階段 825:階段 830:階段 840:階段 845:階段 850:階段 855:階段 900:方法/綜合方法 910:階段 915:階段 920:階段 925:階段 930:階段 935:階段 940:階段 950:階段 955:階段 960:方法 962:階段 965:階段 970:階段 975:階段 977:階段 980:階段 E:電場

:一階信號

:場

:場 I:照射 M1:圖案 ﹢f ₀:既定偏移/預定義偏移 ﹣f ₀:既定偏移/預定義偏移

為更好地理解本發明之實施例及展示可如何實施本發明之實施例，現在將僅以實例方式參考附圖，在附圖中，通篇之相似編號指定對應元件或區段。

在附圖中：

圖1A係根據本發明之某些實施例之多層目標及其量測方法之一高階示意性概述圖解說明。

圖1B係根據本發明之某些實施例之兩個類型之多層目標及其量測方法的一高階示意性圖解說明。

圖2係根據本發明之某些實施例之多層目標之一高階示意性圖解說明。

圖3A及圖3B係根據本發明之某些實施例之多層目標之高階示意性圖解說明。

圖4係圖解說明根據本發明之某些實施例之方法之一高階流程圖。

圖5A至圖5D及圖6A至圖6F係根據本發明之某些實施例之準週期性SCOL目標之高階示意性圖解說明。

圖7A及圖7B呈現根據本發明之某些實施例之由非週期性目標設計引入之雜訊對一階振幅之效應的模擬結果。

圖8係圖解說明根據本發明之某些實施例之方法之一高階流程圖。

圖9及圖10係根據本發明之某些實施例之裝置對準之高階示意性圖解說明。

圖11係根據本發明之某些實施例之沿著非臨界及臨界量測方向之前導繞射階的一高階示意性圖解說明。

圖12係根據本發明之某些實施例之併入一無偏移裝置部分之一目標的一高階示意性圖解說明。

圖13呈現根據本發明之某些實施例之具有第一與第二胞元設計之不同組合之所得敏感度值之例示性模擬結果的一表。

圖14係圖解說明根據本發明之某些實施例之在不引入沿著臨界方向之既定移位之情況下量測疊對之一方法的一高階流程圖。

圖15係根據本發明之某些實施例之一複合裝置目標之一高階示意性圖解說明。

圖16係圖解說明根據本發明之某些實施例之直接在裝置上量測裝置疊對之一綜合方法的一高階流程圖。

圖17係圖解說明根據本發明之某些實施例之將機器學習演算法應用於所揭示方法中之任一者之一方法的一高階流程圖。

100:方法/量測方法/計量方法

100A:方法/經修改射量測疊對演算法/分析方法/方法之變化形式

100B:方法/第一方法/程序/差動信號分析方法/分析方法/方法之第一變化形式/方法之變化形式

100C:方法/第二方法/程序/分析方法/方法之第二變化形式/方法之變化形式

100D:方法/分析方法/方法之變化形式

102:階段

105:階段

110:階段

115:階段

120:階段

130:階段

132:階段

135:階段

137:階段

138:階段

139:階段

140:階段

142:階段

Claims

一種計量目標，其包括：一裝置設計之至少一個部分，其具有N＞2個重疊層，該至少一個部分被選擇成沿著該部分之至少一個方向具有複數個不規則重複單元，該複數個不規則重複單元具有指定特徵，及複數個額外胞元，其包括至少多層胞元及敏感度校準胞元，其中該等多層胞元包括以下各項中之至少一者：N個胞元，其具有經選擇既定偏移；N個或更少胞元，其具有經組態以利用光曈資訊之經選擇既定偏移；及N胞元校準目標，其位於個數介於N-1個與兩個之間的疊對目標旁邊，其中該等胞元係根據應用於該計量目標之量測及/或模擬之至少一個機器學習演算法之參數而組態。
如請求項1之計量目標，其中該等敏感度校準胞元包括具有經引入偏移之至少兩個目標胞元，其毗鄰於該裝置部分。
如請求項2之計量目標，其中該等經引入偏移正交於該裝置之該部分之一臨界方向，且其中該裝置部分不具有沿著該裝置部分之該臨界方向之既定偏移。
如請求項2之計量目標，其中根據該至少一個機器學習演算法之該等參數而選擇該等毗目標胞元及敏感度校準目標中之至少一者之參數，以根據不準確度之一模型而減小該不準確度。
如請求項1之計量目標，其中該等敏感度校準胞元位於刻劃線上。
如請求項1之計量目標，其中該至少一個部分包括複數個裝置設計部分，該複數個裝置設計部分經選擇以自該等部分之各別光曈影像產生一經導出光曈平面影像，該經導出光曈平面影像滿足一指定準則。
如請求項1之計量目標，其中該等指定特徵包括至少一組線及切口。
一種如請求項1至7中任一項之計量目標之目標設計檔案。
一種如請求項1至7中任一項之計量目標之計量量測。
一種方法，其包括：將一多層計量目標組態成具有位於至少三個目標層上之複數M個目標胞元，N≤M，每一胞元在每一層中具有至少一個週期性結構，且將每一胞元之該等週期性結構組態成相對於彼此偏移達指定偏移，自該多層計量目標以散射量測方式量測至少M個差動信號，及將至少一個機器學習演算法應用於該等差動信號及該等指定偏移，以藉由對使SCOL計量參數與該等差動信號及該等指定偏移有關之一組M個方程式求解而自該多層計量目標之M個量測計算該等SCOL計量參數。
如請求項10之方法，其中該多層計量目標包括M＜2N個胞元，且其中該應用至少一個機器學習演算法進一步經組態以自該M＜2N個胞元提取疊對資訊。
如請求項10之方法，其進一步包括在該多層計量目標之基於計量模擬之目標設計上訓練該至少一個機器學習演算法，以將該等目標設計之一行為與一指定裝置圖案行為匹配。
如請求項10之方法，其中該至少一個機器學習演算法係在設置及/或訓練期間被導出且在運行時間中被應用。
如請求項10之方法，其中該多層計量目標包括每目標一單個胞元，且其中該至少一個機器學習演算法進一步經組態以達成對該單個胞元之無模型即時光學疊對量測。
如請求項10之方法，其中該等SCOL計量參數係該N個層之間的疊對。
如請求項10之方法，其中針對連續層依序執行該應用該至少一個機器學習演算法以計算該等SCOL計量參數。
如請求項10之方法，其中藉由在相對於該目標之一光曈平面處執行該量測且使用該光曈平面處之複數個像素位置之量測而針對該等層同時執行該應用該至少一個機器學習演算法以計算該等SCOL計量參數。
如請求項10至17中任一項之方法，其至少部分地由至少一個電腦處理器執行。
一種包括一電腦可讀儲存媒體之電腦程式產品，該電腦可讀儲存媒體具有藉助其體現且經組態以至少部分地執行如請求項10至17中任一項之方法之電腦可讀程式。
一種包括如請求項19之電腦程式產品之計量模組。
一種根據如請求項10至18中任一項之方法而設計之目標之目標設計檔案。
一種根據如請求項10至17中任一項之方法而設計之目標之計量量測。
一種多層計量目標，其包括位於至少三個目標層上之複數個目標胞元，每一胞元在每一層中具有至少一個週期性結構，其中每一胞元之該等週期性結構相對於彼此偏移達指定偏移，其中該等胞元係根據應用於該計量目標之量測及/或模擬之至少一個機器學習演算法之參數而組態。
一種如請求項23之多層計量目標之散射量測疊對(SCOL)量測。
一種方法，其包括藉由應用至少一個機器學習演算法以使用以下各項中之至少一者中之偏移來校準至少一個敏感度參數而在不沿著一臨界量測方向向至少一個目標胞元中引入一既定偏移之情況下量測該至少一個目標胞元中之至少一個計量參數：(i)一正交非臨界量測方向；及(ii)除該至少一個目標胞元之外的至少一個額外目標胞元。
如請求項25之方法，其進一步包括在基於計量模擬之目標設計上訓練該至少一個機器學習演算法，以將該等目標設計之一行為與一指定裝置圖案行為匹配。
如請求項25之方法，其中將該正交方向上之該等偏移引入至除該至少一個目標胞元之外的至少一個額外目標胞元中。
如請求項27之方法，其中該至少一個額外目標胞元毗鄰於該至少一個目標胞元。
如請求項27之方法，其中該至少一個額外目標胞元係定位於刻劃線上之一校準目標。
如請求項27之方法，其進一步包括根據該至少一個機器學習演算法之參數而選擇該至少一個額外目標胞元之參數以根據不準確度之一模型而減小該不準確度。
如請求項25之方法，其中該至少一個目標胞元包括一裝置設計之至少一部分。
如請求項31之方法，其進一步包括根據該至少一個機器學習演算法之參數而在該正交方向上向毗鄰於該至少一個目標胞元之至少一個額外目標胞元中引入該等偏移。
如請求項31之方法，其中根據該至少一個機器學習演算法之參數而沿著該裝置設計之該正交非臨界量測方向引入該等偏移。
如請求項31之方法，其進一步包括在定位於刻劃線上之至少一個校準目標中引入該等偏移。
一種包括一電腦可讀儲存媒體之電腦程式產品，該電腦可讀儲存媒體具有藉助其體現且經組態以至少部分地執行如請求項25至34中任一項之方法之電腦可讀程式。
一種計量目標，其包括：至少一個目標胞元，其不具有沿著該至少一個目標胞元之一臨界量測方向之一既定偏移，及至少兩個額外胞元，其具有沿著該至少一個目標胞元之該臨界量測方向之既定偏移，其中根據應用於該計量目標之量測及/或計量量測模擬之至少一個機器學習演算法之參數而導出該等既定偏移。
如請求項36之計量目標，其中該至少兩個額外胞元相對於該至少一個目標胞元具有一正交臨界量測方向。
如請求項36之計量目標，其中該至少兩個額外胞元毗鄰於該至少一個目標胞元。
如請求項36之計量目標，其中該至少兩個額外胞元係位於刻劃線上之校準目標。
如請求項36至39中任一項之計量目標，其中該至少一個目標胞元包括一裝置設計之至少一部分。
一種如請求項36至40中任一項之目標之計量量測。
一種計量目標，其包括至少一個目標胞元，該至少一個目標胞元不具有沿著該至少一個目標胞元之一臨界量測方向之一既定偏移且具有沿著該至少一個目標胞元之一非臨界量測方向之既定偏移，其中根據應用於該計量目標之量測及/或計量量測模擬之至少一個機器學習演算法之參數而導出該等既定偏移。
一種如請求項42之目標之計量量測。