TW202318343A - 對準失真影像 - Google Patents
對準失真影像 Download PDFInfo
- Publication number
- TW202318343A TW202318343A TW111125243A TW111125243A TW202318343A TW 202318343 A TW202318343 A TW 202318343A TW 111125243 A TW111125243 A TW 111125243A TW 111125243 A TW111125243 A TW 111125243A TW 202318343 A TW202318343 A TW 202318343A
- Authority
- TW
- Taiwan
- Prior art keywords
- distorted
- image
- distortion
- computer
- images
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 213
- 238000004590 computer program Methods 0.000 claims abstract description 33
- 239000000758 substrate Substances 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 239000004065 semiconductor Substances 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000001000 micrograph Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 36
- 238000001459 lithography Methods 0.000 description 29
- 238000004519 manufacturing process Methods 0.000 description 22
- 239000013598 vector Substances 0.000 description 22
- 238000011524 similarity measure Methods 0.000 description 21
- 238000005259 measurement Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000000059 patterning Methods 0.000 description 13
- 239000000523 sample Substances 0.000 description 12
- 239000002131 composite material Substances 0.000 description 11
- 230000007547 defect Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 7
- 238000010894 electron beam technology Methods 0.000 description 6
- 238000005530 etching Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000001878 scanning electron micrograph Methods 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004626 scanning electron microscopy Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 125000003821 2-(trimethylsilyl)ethoxymethyl group Chemical group [H]C([H])([H])[Si](C([H])([H])[H])(C([H])([H])[H])C([H])([H])C(OC([H])([H])[*])([H])[H] 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000013101 initial test Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000226585 Antennaria plantaginifolia Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本文中揭示一種非暫時性電腦可讀媒體,其具有儲存於其中的一電腦程式,其中該電腦程式包含在由一電腦系統執行時指示該電腦系統執行用於產生合成失真影像之一方法的程式碼,該方法包含:獲得包含複數個失真影像之一輸入集;使用一模型判定該輸入集中之該等失真影像的失真模式;產生該等失真模式之複數個不同組合;對於該等失真模式之該複數個組合中之各者,取決於該組合而產生一合成失真影像;及將該等合成失真影像中之各者包括於一輸出集中。
Description
本公開係關於用於判定編碼器-解碼器網路之操作且用於使用編碼器-解碼器網路對準失真影像的方法,尤其係用於使用微影設備進行裝置製造的方法。本公開亦係關於用於增大用於機器學習技術(諸如,編碼器-解碼器網路)之影像之訓練集的方法。
微影設備為將所要圖案施加至基板上(通常施加至基板之目標部分上)之機器。微影設備可用於例如積體電路(IC)之製造中。在彼情況下,圖案化裝置(其替代地稱為遮罩或倍縮光罩)可用於產生待形成於IC之個別層上的電路圖案。此圖案可轉印至基板(例如,矽晶圓)上之目標部分(例如,包括晶粒之部分、一個晶粒或若干晶粒)上。通常經由成像至提供於基板上之輻射敏感材料(抗蝕劑)層上而進行圖案之轉印。大體而言,單個基板將包含經連續圖案化之鄰近目標部分的網路。
大多數半導體裝置需要待形成且轉印至基板上之複數個圖案層。為了使裝置正常運行,通常對邊緣定位之可容許誤差存在限制,該誤差以邊緣置放誤差或EPE形式量化。EPE可由於連續層之相對定位之誤差(稱為疊對)或由於特徵之尺寸(特定言之臨界尺寸或CD)之誤差而引起。隨著微影領域中持續不斷地需要減小可形成(縮小)之特徵之大小,對EPE之限制變得愈來愈嚴格。
疊對可由微影程序中之多種原因(例如基板在經投影影像中之曝光及像差期間之定位的誤差)引起。亦可在用以將圖案轉印至基板上之程序步驟(諸如蝕刻)期間引起疊對。一些此類程序步驟在基板內產生引起基板之局部或整體變形的應力。在基板上形成諸如最近開發之記憶體類型及MEMS所需之三維結構亦可引起基板之顯著變形。CD變化亦可源自包括劑量或聚焦誤差之多種原因。
本公開旨在實現例如用於微影裝置製造程序中之較準確度量衡。
根據一實施例,提供一種非暫時性電腦可讀媒體,其具有儲存於其中的電腦程式,其中該電腦程式包含在由電腦系統執行時指示電腦系統執行用於產生合成失真影像之方法,該方法包含:
獲得包含複數個失真影像之一輸入集;
使用一模型判定該輸入集中之該等失真影像的失真模式;
產生該等失真模式之複數個不同組合;
對於該等失真模式之該複數個組合中之各者,取決於該組合而產生一合成失真影像;及
將該等合成失真影像中之各者包括於一輸出集中。
根據一實施例,提供一種用於產生合成失真影像之電腦實施方法,該方法包含:
獲得包含複數個失真影像之一輸入集;
使用一模型判定該輸入集中之該等失真影像的失真模式;
產生該等失真模式之複數個不同組合;
對於該等失真模式之該複數個組合中之各者,取決於該組合而產生一合成失真影像;及
將該等合成失真影像中之各者包括於一輸出集中。
根據一實施例,提供一種電腦程式,其包含在由電腦系統執行時指示電腦系統執行上述方法中之任一者的程式碼。
根據一實施例,提供一種非暫時性電腦可讀媒體,其具有儲存於其中的上述電腦程式中之任一者。
根據一實施例,提供一種用於產生合成失真影像之系統,該系統包含由機器可讀指令組態以執行上述方法中之任一者的一或多個處理器。
根據一實施例,提供一種用於訓練一機器學習模型之方法,該方法包含:
接收複數個失真影像;
取決於所接收之失真影像中的失真而產生複數個合成失真影像;及
取決於所產生之合成失真影像而訓練機器學習模型。
根據一實施例,提供一種電腦程式,其包含在由電腦系統執行時指示電腦系統執行上述方法中之任一方法的程式碼。
根據一實施例,提供一種非暫時性電腦可讀媒體,其具有儲存於其中的上述電腦程式中之任一者。
根據一實施例,提供一種用於訓練一機器學習模型之系統,該系統包含由機器可讀指令組態以執行上述方法中之任一者的一或多個處理器。
根據一實施例,提供一種用於對準一失真影像之方法,該方法包含:
藉由使用一機器學習模型判定用於對準一失真影像之一變換;及
基於所判定之變換而對準該失真影像;
其中該機器學習模型已根據上述方法中之任一者進行訓練。
根據一實施例,提供一種電腦程式,其包含在由電腦系統執行時指示電腦系統執行上述方法中之任一者的程式碼。
根據一實施例,提供一種非暫時性電腦可讀媒體,其具有儲存於其中的上述電腦程式中之任一者。
根據一實施例,提供一種用於對準一失真影像之系統,該系統包含由機器可讀指令組態以執行上述方法中之任一者的一或多個處理器。
根據一實施例,提供一種用於判定供用於一編碼器-解碼器網路中之一權重的方法,該方法包含:
接收複數個失真影像;
取決於所接收之失真影像中的失真而產生複數個合成失真影像;及
取決於該等合成失真影像而判定該權重。
根據一實施例,提供一種電腦程式,其包含在由電腦系統執行時指示電腦系統執行上述方法中之任一者的程式碼。
根據一實施例,提供一種非暫時性電腦可讀媒體,其具有儲存於其中的上述電腦程式中之任一者。
根據一實施例,提供一種用於判定供用於一編碼器-解碼器網路中之一權重的系統,該系統包含由機器可讀指令組態以執行上述方法中之任一者的一或多個處理器。
根據一實施例,提供一種用於對準一失真影像之方法,該方法包含:
使用以根據上述方法中之任一者判定之一權重操作的一編碼器-解碼器網路執行以下操作:
使用該編碼器將一參考影像及一失真影像編碼至一潛在空間中以形成一編碼;
使用該解碼器對該編碼進行解碼以形成一失真圖;及
使用該失真圖在空間上變換該失真影像以便獲得一對準影像。
根據一實施例,提供一種電腦程式,其包含在由電腦系統執行時指示電腦系統執行上述方法中之任一者的程式碼。
根據一實施例,提供一種非暫時性電腦可讀媒體,其具有儲存於其中的上述電腦程式中之任一者。
根據一實施例,提供一種用於對準一失真影像之系統,該系統包含由機器可讀指令組態以執行上述方法中之任一者的一或多個處理器。
根據一實施例,提供一種製造一半導體基板之方法,該方法包含以下步驟:
製造該半導體基板之至少部分;
執行上述方法中之任一者;
分析對準影像以獲得影像之量度;及
比較該量度與目標量度且在該量度並不符合該目標量度時採取補救動作。
根據一實施例,提供一種半導體基板製造系統,其包含經組態以執行上述方法中之任一者的設備。
根據一實施例,提供一種檢測工具,其包含:
一成像系統,其經組態以對一半導體基板之一部分成像;及
一影像分析系統,其經組態以執行如在上述方法中之任一者中所定義的用於對準一失真影像的方法。
現將參考附圖藉助於實例來描述實施例。
電子裝置由通常形成於稱為基板之矽塊上的電路構成,該基板可被稱為半導體基板。當然,任何其他合適材料可用於基板。許多電路可一起形成於同一矽塊上且被稱為積體電路或IC。此等電路之大小已顯著降低,使得電路中之許多電路可安裝於基板上。例如,在智慧型電話中,IC晶片可為拇指甲大小且又可包括超過20億個電晶體,各電晶體之大小小於人類毛髮之1/1000。
製造此等極小IC為常常涉及數百個個別步驟之複雜、耗時且昂貴之程序。甚至一個步驟中之誤差亦有可能引起成品IC之缺陷,從而致使成品IC無用。因此,製造程序之一個目標為避免此類缺陷以最大化程序中所製得之功能性IC的數目,亦即改良程序之總良率。
改良良率之一個組成部分為監視晶片製造程序,以確保該晶片製造程序正生產充分數目個功能性積體電路。監視程序之一種方式為在電路結構形成之不同階段處檢測晶片電路結構。可使用掃描電子顯微鏡(SEM)、光學檢測系統等來進行檢測。此類系統可用以對此等結構成像,實際上,用能夠對此等結構中之最小者成像的SEM來拍攝晶圓之結構的「圖像」。影像可用以判定結構是否適當地形成於適當位置中。若結構係有缺陷的,則可調整程序,使得缺陷不大可能再現。
為了控制微影製造程序中之誤差,諸如不同層(稱為疊對)中之特徵的相對位置及特徵之大小(稱為CD變化)的誤差,有必要在可施加校正之前,諸如藉由使用掃描電子顯微鏡(SEM)、光學檢測系統等來量測誤差。當使用SEM或其他檢測系統時,通常獲得基板之影像,且根據該等影像量測基板上之特徵之大小。此允許對例如CD變化或EPE之判定。然而,由檢測系統(例如SEM)獲得之影像常常係失真的。例如,此類失真可包含視場(FOV)失真,其由於電子光學設計中之限制而產生(類似於例如光學系統中之枕形及桶形失真),以及由於充電之效應(電子射束-樣本相互作用,從而導致例如射束彎曲)。由於失真,對基板上之特徵之量測可能並非完全準確,且因此失真會引入量測誤差。鑒於此類基板上之特徵之量測的較小容差,此類型之誤差並不合乎需要,且會引起對製造程序進行不必要或過於極端之改變。用於實現失真影像之對準的當前解決方案中之一者包括失真影像至參考影像之子像素對準。然而,此程序之計算成本極其高且因此不適於處理大量失真影像。
本文中所揭示之一些方法涉及使用經組態以產生失真圖之編碼器-解碼器網路,該失真圖可用以將失真影像變換成對準影像,其中至少部分地自對準影像移除了失真。可接著使用對準影像來執行量測且可增大量測之準確度。此可因此改良對晶片製造程序之監視。
本文中所揭示之方法包含判定編碼器-解碼器網路之權重,例如操作參數,使得編碼器-解碼器網路可將參考影像及失真影像作為輸入,並輸出表示失真影像與參考影像之間的失真之失真圖。此方法包含在一系列測試權重內進行反覆直至找出失真圖為止,該失真圖在施加至失真影像時傳回類似於參考影像之對準影像。此方法係基於已知對準影像應類似於參考影像。本文中揭示利用經預訓練編碼器-解碼器網路之另一方法,可藉由將複數個不同輸入失真圖編碼至潛在空間中且對編碼進行解碼以獲得經解碼失真圖來訓練該網路。再次,為了使經解碼失真圖儘可能類似於輸入失真圖,可判定編碼器及解碼器之權重。一旦經訓練,在給出參考影像及失真影像的情況下,可找出參考影像與藉由數個不同潛在向量變換之失真影像之間的差異。一旦已判定最大類似性,可由經訓練解碼器解碼最佳潛在向量以傳回失真圖。接著可將此失真圖施加至失真影像以傳回對準影像。
本文中所揭示之一些方法亦包含用於藉由增大用以訓練編碼器-解碼器網路之資料集來改良編碼器-解碼器網路之效能的技術。編碼器-解碼器網路之對準效能取決於用以訓練編碼器-解碼器網路之影像之數目以及失真影像之種類。編碼器-解碼器網路之對準效能因此可能會受到缺乏實際失真影像及參考影像對來訓練網路的限制。本文中揭示一種用於合成亦可用以訓練編碼器-解碼器網路之真實失真影像的方法。可取決於在實際失真影像中發生的影像變形而產生合成失真影像。合成失真影像可因此包含真實影像變形。該方法可包含使用模型自實際失真影像判定失真模式。各失真模式表示實際失真影像中之影像變形。失真模式可接著以許多不同方式組合。對於失真模式之不同組合中之各者,可取決於該組合而產生合成失真影像。
應注意,本文中所揭示之一些方法亦可用以增大用以訓練除上述編碼器-解碼器網路之外的其他類型之網路或系統的資料集。
在詳細描述實施例之前,呈現可實施本文中所揭示技術的實例環境為具指導性的。
圖1說明半導體生產設施之典型佈局。微影設備100將所要圖案施加至基板上。微影設備用於例如積體電路(IC)之製造中。在彼情況下,替代地稱為遮罩或倍縮光罩之圖案化裝置MA包含待形成於IC之個別層上之特徵(常常稱為「產品特徵」)的電路圖案。經由使圖案化裝置曝光104至提供於基板上之輻射敏感材料(抗蝕劑)層上,此圖案轉印至基板'W' (例如,矽晶圓)上之目標部分(例如,包含晶粒之部分、一個晶粒或若干晶粒)上。大體而言,單個基板將包含經連續圖案化之鄰近目標部分的網路。
已知微影設備藉由照明圖案化裝置,同時同步地將基板之目標部分定位於圖案化裝置之影像位置處而輻照各目標部分。基板之經輻照目標部分稱為「曝光場」或僅稱為「場」。基板上之場的佈局通常為根據笛卡爾(Cartesian)二維座標系統對準(例如,沿著X軸及Y軸對準,兩軸彼此正交)之鄰近矩形或其他形狀的網路。
對微影設備之要求係將所要圖案準確地複製至基板上。所施加之產品特徵之位置及尺寸需要在一定容差內。位置誤差可引起疊對誤差(常常稱為「疊對」)。疊對為在相對於第二層內之第二產品特徵將第一產品特徵置放於第一層內時的誤差。微影設備藉由在圖案化之前將各晶圓與參考物準確地對準來減小疊對誤差。此操作係藉由量測施加至基板之對準標記的位置來進行。基於對準量測,在圖案化程序期間控制基板位置,以便防止出現超出容差之疊對誤差。對準標記通常形成為產品影像之部分,從而形成量測疊對之參考物。替代地,可使用先前所形成層之對準標記。
產品特徵之臨界尺寸(CD)之誤差可在與曝光104相關聯之所施加劑量不在規格內時出現。出於此原因,微影設備100必須能夠準確地控制施加至基板之輻射的劑量。曝光104受整合至微影設備100中之量測工具102控制。CD誤差亦可在基板相對於與圖案影像相關聯之聚焦平面未正確地定位時出現。聚焦位置誤差通常與基板表面之非平坦度相關聯。微影設備藉由在圖案化之前使用位準感測器量測基板表面構形來減小此等聚焦位置誤差。在後續圖案化期間施加基板高度校正以確保圖案化裝置至基板上之正確成像(聚焦)。
為驗證與微影程序相關聯之疊對及CD誤差,由度量衡設備140檢測經圖案化基板。度量衡設備之常見實例為散射計及掃描電子顯微鏡。
散射計習知地量測專用度量衡目標之特性。除了此等度量衡目標之尺寸通常較大以便允許準確量測之外,此等度量衡目標表示產品特徵。散射計藉由偵測與疊對度量衡目標相關聯之繞射圖案的不對稱性來量測疊對。藉由對與CD度量衡目標相關聯之繞射圖案進行分析來量測臨界尺寸。CD度量衡目標用於量測最近曝光之層的結果。疊對目標用於量測先前層與最近層之位置之間的差異。
基於電子射束(e-beam)之檢測工具,諸如掃描電子顯微鏡(SEM)可較適於較小疊對及CD值之量測。在SEM中,在相對較高能量下之電子的初級電子束有時運用最終減速步驟以樣本為目標,以便以相對較低的著陸能量著陸於樣本上。電子束以探測光點聚焦於樣本上。探測光點處之材料結構與來自電子束之著陸電子之間的相互作用使得自表面發射電子,諸如次級電子、反向散射電子或歐傑(Auger)電子。可自樣本之材料結構發射所產生之次級、反向散射或歐傑電子。藉由在樣本表面上方用作為探測光點之初級電子束進行掃描,可跨樣本表面發射此等電子。藉由收集自樣本表面發射之此等類型之電子中之一些或全部,圖案檢測工具可獲得表示樣本表面之材料結構的特性之影像。
在半導體生產設施內,微影設備100及度量衡設備140形成「微影製造單元」或「微影叢集」之部分。微影叢集亦包含用於將感光抗蝕劑施加至基板W之塗佈設備108、烘烤設備110、用於將曝光圖案顯影成實體抗蝕劑圖案之顯影設備112、蝕刻站122、執行蝕刻後退火步驟之設備124以及可能的其他處理設備126等。度量衡設備140經組態以在顯影設備112處之顯影或在其他處理(例如,蝕刻站122處之蝕刻)之後檢測基板。微影製造單元內之各種設備受監督控制系統SCS控制,該SCS發佈控制信號166以經由微影設備控制單元LACU 106控制微影設備來執行配方R。SCS允許操作不同設備,從而得到最大產出率及產品良率。重要控制機制為度量衡設備140對各種設備(經由SCS)、尤其對微影設備100之回饋146。基於度量衡回饋之特性,判定校正動作以改良後續基板之處理品質。SCS可為可通信或可不通信之一個電腦或多個電腦。配方R可實施為一個配方或多個獨立配方。例如,用於諸如蝕刻之程序步驟的配方可完全獨立於用以檢測彼程序步驟(例如,蝕刻)之結果的配方。例如,用於個別步驟之兩個或更多個配方可為相關的,使得調整一個配方以考慮相同或不同基板上之另一配方的效能結果。
習知地藉由諸如描述於例如US2012008127A1中之進階程序控制(APC)之方法來控制及校正微影設備之效能。進階程序控制技術使用施加至基板之度量衡目標之量測。製造執行系統(MES)排程APC量測,且將量測結果傳達至資料處理單元。資料處理單元將量測資料之特性轉譯為包含用於微影設備之指令的配方。此方法對於抑制與微影設備相關聯之漂移現象極有效。
藉由處理設備執行之度量衡資料至校正性動作之處理對於半導體製造至關重要。除了度量衡資料之外,亦可需要個別圖案化裝置、基板、處理設備之特性及其他內容脈絡資料以進一步使製造程序最佳化。其中可用度量衡及內容脈絡資料整體上用以使微影程序最佳化之框架通常被稱為整體微影之部分。例如,與倍縮光罩上之CD誤差相關之內容脈絡資料可用以控制各種設備(微影設備、蝕刻站),使得該等CD誤差將不會影響製造程序之良率。後續度量衡資料可接著用於驗證控制策略之有效性且可判定其他校正動作。
為了限定程序窗,用現有工具中之一或多者來執行單獨CD及疊對量測且將其合併成邊緣置放誤差(EPE)預算。常常,一個度量衡步驟可在顯影(ADI)之後執行,而另一度量衡步驟可在蝕刻步驟(AEI)之後執行,且校準兩個此類不同量測以得到等效結果存在固有困難。
EPE對確保半導體裝置適當工作極其重要,例如其可影響後段程序模組中是否存在充分電接觸。此使EPE量測對確保程序窗容納充分EPE預算及控制程序保留於窗內極有價值。
可包含上述SEM之度量衡設備140可獲得半導體基板之影像以便檢測及獲得基板之量測。然而,如先前所提及,由度量衡設備獲得之影像可係失真的。圖2展示說明用於判定其中之缺陷的典型影像處理的流程圖,其包括用於解決影像失真問題之手段。在取得使用合適度量衡設備140 (其可包含SEM)獲得之影像的情況下,執行影像預處理步驟S1。影像預處理可例如包含任何數目個合適的預處理步驟。預處理可包含用於判定其中之缺陷的對基板之影像雜訊估計、影像聚焦指數計算、影像品質增強(EQE)。一旦已執行此預處理,在步驟S2中執行圖案處理。圖案處理可例如包含影像之全域對準。在全域對準之後,執行步驟S3中之局域對準。此局域對準可包含晶粒至晶粒(D2D)或晶粒至資料庫(D2DB)對準。此局域對準可校正諸如失真或充電之問題。在步驟S3中之對準之後,在步驟S4中執行預設偵測之最終步驟。在此步驟S4中,可執行缺陷偵測及分類。此可例如包含量測影像之特徵以算出CD或EPE。接著可比較此等CD及EPE與預定量度以判定基板上之缺陷的存在及範圍。
視場(FOV)失真及充電假影會影響場之不同部分中的結構之直接量測及比較,或在視場發生改變時影響不同影像之間的直接量測及比較。用於執行局域對準之先前技術包含在已執行全域對準步驟S2之後對小塊影像進行子像素對準。全域對準可例如在大約10 nm之數量級上。然而,用於局域對準之此方法在計算上係密集的。結果,為了執行此處理,需要昂貴的計算系統。此外,在使用SEM之度量衡設備的情況下,計算要求隨著所使用射束之數目而按比例縮放且很快就變得不可行。
本文中所揭示之一些方法旨在解決與局域對準相關聯之上文問題,且提供用於實現計算上較不密集及/或更準確之局域對準的替代機制。
可使用經組態以編碼至潛在空間中且自潛在空間解碼之編碼器-解碼器網路來執行失真影像對準。本文中揭示用於判定編碼器及解碼器網路之最佳化權重的方法;其可執行此目的。圖3之流程圖中說明此方法。圖3之流程圖的一些步驟亦示意性地描繪於圖4中。下文參考圖3及圖4兩者。該方法在步驟S101處起始。反覆進行步驟S102至S110以找出用於編碼器-解碼器網路之最佳化測試權重。在步驟102之第一反覆中,將網路之編碼器及解碼器設定為以初始測試權重進行操作。可使用多種方法選擇初始測試權重。例如,可將所有值設定成最大值、最小值或中間範圍值,隨機值或自該方法之先前使用獲得之值。步驟S103包含選擇參考影像及失真影像以供分析。在步驟S104中,使用編碼器將參考影像及失真影像編碼至潛在空間中以形成編碼。在此步驟之後,執行步驟S105,其中由解碼器對該編碼進行解碼以形成指示參考影像與失真影像之間的差異之失真圖。一旦已形成失真圖,在步驟S106中藉由失真圖在空間上變換失真影像以獲得對準影像。
在獲得對準影像之情況下,在步驟S107中判定損耗函數。損耗函數至少部分由類似性量度界定,該類似性量度係藉由比較對準影像與參考影像而獲得。可藉由將參考影像及對準影像輸入至取決於影像之類似性而輸出值之鑑別器網路中來獲得損耗量度。例如,對於類似輸入,網路可輸出接近0的值,且對於顯著不同之輸入,輸出接近1的值。當然,可使用任何量度。
損耗函數亦可至少部分由平滑度量度來界定,平滑度量度係由失真圖之平滑度界定。因此,步驟S107中判定損耗函數之步驟可進一步包含判定失真圖之平滑度量度。此平滑度量度在圖4中示意性地展示為
。平滑度量度可由失真圖的表示平滑度之任何合適量測來界定。在一實例中,平滑度量度至少部分由失真圖之空間梯度來界定。已知使用SEM獲得的半導體基板之影像顯示一階、二階且有時三階之失真。因此,藉由最佳化失真圖之平滑度,亦即最大化其平滑度,有可能設定編碼器-解碼器網路之權重,使得可產生適當失真圖。較高頻率失真可係由於失真影像之經量測幾何形狀在相比於參考影像時的實際差異(在自基板上之不同位置獲得失真影像及參考影像時)或係由於雜訊,且因此形成校正此等差異之失真圖可能並不合乎需要。此確保失真圖指示影像中之失真,而非參考影像與失真影像之間的其他差異。在一些情況下,預期對準影像可與參考影像具有一些差異,例如,在自基板上之不同地點獲得或自不同模態導出對準影像及參考影像(例如,比較SEM影像與遮罩影像、GDSII或模擬影像)時。
可僅使用單個參考影像及單個失真影像來執行該方法。然而,為了獲得較穩定且能夠較準確地對準失真影像之編碼器-解碼器網路,可針對參考影像與失真影像之數個不同組合重複該程序。因此,該方法可包括步驟S108,其涉及判定是否已分析所有適當影像組合。若情況並非如此,則對於各測試權重,針對參考影像與失真影像之複數個不同組合重複步驟S103至S107。可利用參考影像與失真影像之任一組合。例如,複數個組合可包含至少一個參考影像與複數個不同失真影像之組合。可使用複數個不同參考影像。例如,複數個組合可包含複數個不同參考影像與複數個不同失真影像之組合。增大參考影像與失真影像之組合的數目可產生較佳的最佳化測試權重。
一旦已針對所有適當組合執行此等步驟,該方法可接著進行至步驟S109,其中給定測試權重之損耗函數係基於針對參考影像與失真影像之不同組合中之各者所判定的損耗函數之組合。可以任何合適方式組合各組合之損耗函數。例如,可將各組合之損耗函數加總在一起以提供特定測試權重之總損耗函數。
在已針對特定測試權重進行上文方法的情況下,在步驟S110處判定是否已滿足終止條件。終止條件可為以下條件中之一或多者:已實現損耗函數之預定值;損耗函數相比於先前反覆之改良低於預定值;已找出損耗函數中之局部最小值;及已執行預定數目次反覆。若未滿足終止條件,則在步驟S113中調整測試權重,且該方法返回至步驟S102,並重複上文所描述程序,不同之處在於測試權重不同。在步驟S113中,以預測為最小化損耗函數之方式調整測試權重之值。在一實施例中,亦可添加隨機分量以防止最佳化常式限於局部最小值。
一旦已對所有必要測試權重進行反覆,該方法進行至步驟S111,其中最佳化權重被判定為具有最佳化損耗函數之測試權重。接著將編碼器-解碼器網路之權重設定為最佳化權重且該方法在步驟S112處結束。
若對於特定測試權重或對於一組測試權重,損耗函數指示已找出最佳化權重,則無需對所有測試權重反覆進行上文所描述方法。例如,損耗函數可達到預設為指示最佳化權重之某一位準。類似地,複數個測試權重之損耗函數可指示存在最佳化權重,而無需執行其他反覆。例如,對於特定測試權重,損耗函數可最小化,且隨後對於其他測試權重,損耗函數增大。僅基於此資訊,有可能判定提供經最小化損耗函數之測試權重為最佳化權重,而無需進行其他測試權重之進一步反覆。
最佳化損耗函數可係取決於參考影像及對準影像,尤其係正被執行之對準類型。最佳化損耗函數可對應於對準影像與參考影像之間的最大類似性。
上文所描述方法可不受監督,且可能不必為每對參考及失真影像提供地面實況失真圖。此係有益的,因為其簡化了訓練此模型之程序,此係由於僅需要成對SEM影像而非失真圖。
上文所描述方法可利用自資料庫獲得之參考影像。可將來自資料庫之影像按比例擴大、像素化且變換成模擬影像,例如模擬SEM影像。
用於判定編碼器-解碼器網路之權重的上文所描述方法有效地提供了對用於編碼器-解碼器網路之權重的全域最佳化。儘管此最佳化權重判定之計算成本可相對較高,但其可在分析所關注之失真影像之前離線執行。此外,一旦經執行,其提供在判定用於給定對參考與失真影像之失真圖方面極其快速的編碼器-解碼器網路。該程序可比先前技術快若干數量級。其評估極其快速。共用權重w之使用確保了在相同真實失真下,所產生失真圖對於不同圖案係一致的。
上文所描述方法之另一優勢為在較大視場(相對於小塊)上判定最佳化權重具有經改良穩定性及準確度之額外優勢。此係因為考慮了所有相關資料,從而大大降低了例如雜訊及離散化誤差之影響。相比於雜訊/離散化誤差且甚至裝置特徵,實際失真在空間上相對極平滑。因此,當在較大範圍上‘擬合’此類失真並使用極多資料點時,相比於僅在較小範圍上局部判定失真之情況,所得‘擬合誤差’會平均化並大大降低。
上文所描述方法涉及設定編碼器-解碼器網路之權重。進一步揭示使用編碼器-解碼器網路來對準失真影像之方法,該方法利用其權重係根據上文所描述方法設定之編碼器-解碼器網路。在第一步驟中,該方法包含使用編碼器將參考影像及失真影像編碼至潛在空間中以形成編碼。在此之後,執行使用解碼器對該編碼進行解碼以形成最佳化失真圖之步驟。接下來,執行使用失真圖在空間上變換失真影像以便獲得對準影像之步驟。除了並無權重最佳化及並不針對不同影像組合進行重複之外,此方法大體上對應於上文參考圖3及圖4所描述之方法。此等步驟對應於上文所描述步驟S104、S105、S106,其中編碼器-解碼器網路以最佳化測試權重操作。
上文所描述方法涉及對編碼器-解碼器網路進行訓練,且涉及使用此網路以將參考影像及失真影像編碼至潛在空間中並輸出失真圖以變換失真影像。本文中亦揭示用於對準失真影像之另一方法。此另一方法說明於圖5中。該方法使用經訓練以自潛在空間進行解碼以產生失真圖的經預訓練編碼器-解碼器網路。
該方法在步驟S201中起始。在起始之後,在步驟S202中基於測試潛在向量在空間上變換失真影像以提供測試對準影像。一旦已判定測試對準影像,在步驟S203中將測試對準影像與參考影像進行比較。在比較之後,在步驟S204中獲得類似性量度。類似性量度係基於對準影像與參考影像之比較。類似性量度之特定形式可取決於所執行比較的類型。在步驟S205處,判定是否已測試複數個測試潛在向量,且若否,則程序返回至步驟S202且重複步驟S202至S204。若在測試所有測試潛在向量之前判定了最佳類似性量度,則可能不必要分析所有測試潛在向量。
一旦已處理充分測試潛在向量,該方法行進至步驟S206,其包含判定最佳化潛在向量,最佳化潛在向量對應於產生類似性量度之最佳值的測試潛在向量。最佳化類似性量度可在程序開始之前經預設,例如,其可為低於某一位準之類似性量度,或其可為對應於與參考影像最類似之對準影像的類似性量度。在判定了最佳化潛在向量的情況下,在步驟S207中判定最佳化失真圖。此係藉由用經預訓練解碼器來解碼最佳化潛在向量而實現。在步驟S208中,藉由最佳化失真圖在空間上變換失真影像以輸出對準影像。該程序接著在步驟S209處結束。此方法有效地利用編碼至潛在空間中之失真圖的分佈,以便判定用於給定對參考與失真影像之適當失真圖。藉由在潛在空間中執行最佳化,最佳化問題之維數得以減小,因此使該程序之計算成本較低。經由在潛在空間中執行最佳化,此可允許基於梯度之最佳化以高效地導引對最佳化潛在向量之搜尋。
此方法中之類似性量度可為指示參考影像與測試對準影像之間的類似性之任何合適量度。例如,可藉由對參考影像與測試對準影像之間的差求平方來判定上文步驟S204中獲得之類似性量度。在此情況下,類似性量度愈小,測試對準影像愈類似於參考影像。因此,在此情況下,最佳化潛在向量可對應於類似性量度經最小化之測試潛在向量。在對參考影像與對準影像之間的差求平方之情況下,用於找出最佳化潛在向量
z *的上文所描述程序在數學上描述於以下等式中:
(2)
其中
R
k 為潛在向量之k維實值空間,
f為參考影像,
m為失真影像且
D(z)為藉由使用經預訓練編碼器-解碼器網路解碼
z獲得的失真圖。如上文所描述,一旦找出了最佳化潛在向量
(例如,使用梯度下降或類似演算法),藉由經由解碼器之解正向傳遞來計算所估計失真圖。
可藉由任何合適手段來訓練上文所描述方法中使用的經預訓練編碼器-解碼器網路,使得其能夠以所需方式編碼及解碼影像。圖6為描繪用於訓練經預訓練編碼器-解碼器之例示性方法的流程圖。該訓練在步驟S301中起始。在起始之後,在步驟S302中設定編碼器-解碼器網路之權重。此權重判定了編碼器如何編碼至潛在空間中及解碼器如何自潛在空間進行解碼。在設定了權重的情況下,在步驟S303中將訓練影像編碼至潛在空間中以形成訓練編碼。
接著在步驟S304中對訓練編碼進行解碼以形成經解碼影像。接著將經解碼影像與最初由編碼器編碼之訓練影像進行比較,以便獲得訓練類似性量度。在步驟S306中,判定權重是否已產生最佳化類似性量度。若情況並非如此,則程序返回至步驟S302並使用不同測試權重,且針對儘可能多的不同權重重複步驟S302至S306,直至實現最佳化類似性量度為止。一旦獲得了最佳化類似性量度,使用實現此最佳化類似性量度之權重來設定編碼器-解碼器網路之權重。此等步驟因此形成編碼器-解碼器網路之預訓練的部分。合意地,自動編碼器係變分的,在此情況下,其能夠針對單個輸入預測多個輸出。彼等多個輸出可視為來自分佈之樣本。若網路對於輸出係確定的,則所有輸出皆將極類似(具有低方差之分佈)。若網路對於輸出並不確定,則輸出將較不彼此類似(具有高方差之分佈)。因此,有可能判定由網路產生之預測的確定性。
訓練類似性量度可係基於經典的損耗函數,或使用鑑別器網路直接自資料習得的量度。鑑別器網路學習區分真實與虛假失真圖,藉此產生習得之類似性量度;藉由鑑別器預測之影像愈真實,其愈類似於地面實況(且反之亦然)。
用於訓練網路之訓練影像可包含失真圖。圖7展示說明上文所描述步驟S303及S304的示意圖。在圖7中所示之說明中,失真圖用於訓練編碼器-解碼器網路。如所示,在步驟S303中編碼器將失真圖編碼至潛在空間中,且在步驟S304中解碼器對來自潛在空間之編碼進行解碼。編碼器
E(x)將失真圖
x ∈ C
n 轉換成較低維度之實值連續潛在向量
z ∈ R
k (k
n),其中
n為失真圖之維數且
k為潛在空間之維數。編碼器亦模型化此潛在向量之不確定性。解碼器
D(z)將連續潛在向量轉換回成輸入失真圖之複本
x'。編碼器-解碼器網路之訓練目標為設定編碼器及解碼器之權重,使得解碼器可自潛在空間進行解碼以獲得與最初由編碼器編碼之影像儘可能類似的影像。上文訓練程序中使用之失真圖可為經量測或模擬之失真圖。較大不確定性意謂網路對於特定失真圖之預測並不確信。可藉由將高不確定性失真圖之較多實例添加至訓練組中而使網路較確信,藉此導引訓練。此互動式訓練程序稱為主動學習。
編碼器-解碼器網路因此教示如何將失真圖編碼至低維潛在空間中且在給出低維輸入向量
z的情況下,解碼器能夠產生新失真圖
D(z)。
在上文所描述方法中之任一者中,可藉由計算失真影像與最佳化失真圖之函數複合來獲得未失真影像。
在上文所論述實例中之任一者中,參考影像及失真影像可屬於半導體基板。
在上文所論述實例中之任一者中,可使用掃描電子顯微鏡(例如,電壓對比SEM或橫截面SEM)或透射電子顯微鏡(TEM)、散射計或其類似者來獲得參考影像及失真影像中之至少一者。
如上文所描述,使用參考影像及失真影像對訓練編碼器-解碼器網路。編碼器-解碼器網路允許校正影像失真,特定而言為FOV失真。編碼器-解碼器網路之效能取決於參考影像及失真影像之數目,且特定而言,取決於失真影像之種類。問題在於,難以產生(亦即,量測)用於訓練編碼器-解碼器網路之各對參考影像及失真影像。編碼器-解碼器網路在對準失真影像上的效能可因此受到缺乏適當訓練資料的限制。
更一般而言,可使用參考影像及失真影像對來訓練數個不同類型之網路/系統。網路/系統可接著用以校正影像失真。網路/系統之效能可藉由增加訓練資料量來改良。
用於增加參考影像及失真影像對之數目及種類的技術為合成一些失真影像。舉例而言,可藉由將隨機變形引入至實際失真影像中來產生合成失真影像。然而,當引入隨機變形時,一些合成失真影像將不包含真實變形。不包含真實變形之合成失真影像增加所需計算資源而不改良效能。
實施例包括用於產生真實合成失真影像之技術。所產生之合成失真影像中之各者可與參考影像一起用以訓練編碼器-解碼器網路。
實施例獲得失真影像之輸入集且產生失真影像之輸出集。該輸入集可包含複數個失真影像。舉例而言,該輸入集可包含3至10個失真影像。輸入集中之各失真影像可為已由SEM獲得之實際(亦即,真實)失真影像。
實施例可接著使用模型來判定輸入集中之失真影像的失真模式。失真模式可接著以複數種不同方式組合。對於失真模式之複數個組合中之各者,可接著取決於該組合而產生合成失真影像。可藉此產生包括於失真影像之輸出集中的複數個合成失真影像。輸出集中可存在比輸入集多的失真影像。
實施例亦包括用於產生循環重複之合成失真影像的上述技術。亦即,程序之循環的輸出集可用作程序之另一循環的輸入集以進一步增加合成失真影像之數目。
實施例因此增加可用於訓練可為編碼器-解碼器網路之網路/系統的參考影像及失真影像對之數目及種類。實施例之優點在於,合成失真影像可取決於實際失真影像而產生且因此其為真實的。
下文更詳細地描述用於產生合成失真影像之實施例。
圖8示意性地展示根據一實施例之可用以產生合成失真影像的一些程序。
在步驟801中,程序開始。在步驟803中,獲得複數個失真影像。在步驟805中,使用模型以判定失真影像之失真模式。稍後參考如圖9中所展示之模型904更詳細地描述此程序。在步驟807中,產生失真模式之複數個不同組合。稍後參考如圖10中所展示之失真模式1001更詳細地描述此程序。在步驟809中,對於失真模式之複數個組合中之各者,取決於該組合而產生合成失真影像。稍後參看圖11更詳細地描述此程序。在步驟811中,該程序結束。
圖9示意性地更詳細展示根據一實施例之可在產生合成失真影像時發生的一些程序。
獲得包含複數個失真影像901之輸入集。接著執行失真圖產生程序902以用於針對輸入集中之各影像產生各別失真圖。本發明文件中所描述之任何程序或已知程序可用以產生各失真圖903。舉例而言,各失真圖903可由經訓練之卷積網路產生,使得其可預測可包括於失真圖903中之變形。各失真圖903可有效地為在各像素處具有定義該像素處之變形之向量的網格。
複數個失真圖903經輸入至模型904中。模型904可為統計變形模型。模型904可執行用於取決於所接收之失真圖903而判定失真影像之失真模式的數個程序。模型904可為例如基於如揭示於D. Rueckert、A. F. Frangi及J. A. Schnabel在IEEE醫學成像彙刊(第22卷,第8期,第1014至1025頁,2003年8月,doi: 10.1109/TMI.2003.815865)中之「Automatic construction of 3-D statistical deformation models of the brain using nonrigid registration」中的模型。模型904可產生複數個失真模式。各失真模式可表示可在輸入集之失真影像中之一或多者中發現的影像變形。失真模式可皆彼此正交。各失真模式可具有與失真圖相同或類似的結構。
用於產生失真模式之模型904可應用一或多個局部程序。局部程序有效地隔離在失真圖903之不同區內發生的變形。作為局部程序之結果,變形可獨立於其他變形進行處置。局部程序可確保各失真模式表示可在輸入集之失真影像901中之一或多者中發現的一或多個特定變形。應用局部程序可包含例如取決於由模型接收之失真圖903中之一或多者而產生協方差矩陣。協方差矩陣內之一或多個區可接著改變為零值。非零區因此與存在於失真影像901之輸入集中的一或多個變形相關。調零程序確保此等變形獨立於調零區中發生之其他變形。所應用的局部程序可例如基於揭示於M. Wilms等人之「Multi-resolution multi-object statistical shape models based on the locality assumption」(Med. Im. An.,2017年)中的任何技術。
失真模式可以加權組合來彼此組合。圖10示意性地展示複數個失真模式1001之加權組合程序。失真模式1001各自具有應用於其的係數c
k且與其他失真模式1001組合,該等其他失真模式具有應用於其的係數。各組合之結果為合成失真模式1002。可以數種不同方式判定係數c
k。舉例而言,可預先判定、手動地設定或自動地設定係數c
k。可隨機地或偽隨機地選擇係數c
k。特定而言,係數c
k可自常態分佈取樣。常態分佈之標準偏差可由模型904判定以用於產生失真模式1001。可隨機地或偽隨機地選擇用於各組合中的失真模式1001。
取決於不同合成失真模式1002中之各者而產生各別合成失真圖905。如圖11中所展示,可將合成失真圖905中之各者應用於輸入集中之各失真影像901以產生輸出集之失真影像907。輸出集之各失真影像907可例如為合成失真圖905與輸入集中之失真影像901的乘積。如由圖9中之線906所展示,輸入集中之失真影像901可因此用以增加可用失真影像907之總數目。
若輸入資料集中之失真影像901之數目為N且合成失真圖905之數目為M,則輸出集中之合成失真影像907之數目可為NM。M之值取決於所產生之合成失真模式1002之數目。M之值可大於一。M之值可例如在1至1000之範圍內,在此4至10之範圍內。
如上文所描述且由圖9中之線908所展示,輸出集中之失真影像907可用作用於產生合成失真影像907之程序的後續循環之輸入集。在兩個循環之後的合成失真影像907之數目因此可為NM
2。自各循環輸出之合成失真影像907可再次用作另一循環之輸入以產生NM
p個合成失真影像907,其中p為循環之數目。
圖12展示根據實施例之技術的結果。
編碼器-解碼器網路係在以下不同情境中經過數個反覆進行訓練:a)未擴增參考影像及失真影像對之數目(實線);b)藉由將隨機變形引入至失真影像中來擴增參考影像及失真影像對之數目(鏈線);及c)藉由實施例之上述技術擴增參考影像及失真影像對之數目(虛線)。對於各情境,執行訓練程序以判定用以操作編碼器-解碼器網路之權重。接著執行影像對準程序,其包含使用以所判定權重操作之編碼器將參考影像及失真影像編碼至潛在空間中以形成編碼。接著使用解碼器執行解碼程序以對編碼進行解碼,以形成失真圖。接著使用失真圖對失真影像進行空間變換以便獲得對準影像。
在圖12中,y軸展示對準影像中之誤差的量值且x軸展示已執行以訓練編碼器-解碼器網路之反覆之數目(亦即,次數)。相比不擴增參考影像及失真影像對之數目以及使用包含隨機變形之失真影像,圖12展示根據實施例之技術的真實合成失真影像之使用在影像校正中提供較低誤差。
實施例包括對上述技術之數個修改及變化。
特定而言,用於擴增失真影像之數目的實施例可用以增加用於對準影像之其他機器學習技術或用於其他應用程式的訓練資料集。實施例可因此與數種不同類型之網路/系統一起使用且不限於與編碼器-解碼器網路一起使用。實施例亦可用以增大除SEM影像之外的其他類型之訓練資料集。
在所論述實例中之任一者中,參考影像可包含合成影像。例如,參考影像可包含自資料庫顯現之影像,而非基板之實際影像。例如,合成影像可為來自用以製造基板之資料庫的影像。參考影像因此可為基板上之特徵的合成影像。
在用於基於失真影像及參考影像產生失真圖的上文所描述方法中之任一者中,由該等方法產生之失真圖可用作效能指示符。其可用作度量衡設備(例如,SEM)之效能的指示符。例如,在產生了指示異常大的失真程度之失真圖時,此可指示度量衡設備未適當運行。在此指示之後,可相應地調整度量衡設備以便較準確地執行。
本文中所揭示之技術可降低SEM程序之複雜度。
本文中所揭示之技術可用於控制迴路及晶圓配置之一系列量測。
雖然上文已描述特定技術,但將瞭解,可與所描述不同的其他方式來實踐本公開。
實施例可包括包含機器可讀指令之一或多個序列之電腦程式,該等機器可讀指令經組態以指示如圖1中所描繪之各種設備執行量測及最佳化步驟,且控制如上文所描述之後續曝光程序。例如,可在圖1之控制單元LACU或監督控制系統SCS或兩者之組合內執行此電腦程式。亦可提供其中儲存有此電腦程式之資料儲存媒體(例如,半導體記憶體,磁碟或光碟)。
儘管上文可已特定參考光學微影,但應瞭解,本文中所揭示之技術可用於其他應用中,例如壓印微影。在壓印微影中,圖案化裝置中之構形界定產生於基板上之圖案。可將圖案化裝置之構形壓入被供應至基板之抗蝕劑層中,在基板上,抗蝕劑係藉由施加電磁輻射、熱、壓力或其組合而固化。在抗蝕劑固化之後將圖案化裝置移出抗蝕劑,從而在其中留下圖案。
本文中所使用之術語「輻射」及「射束」涵蓋所有類型之電磁輻射,包括紫外線(UV)輻射(例如,具有為或約為365、355、248、193、157或126 nm之波長)及極紫外線(EUV)輻射(例如,具有在1至100 nm之範圍內之波長),以及粒子射束,諸如離子射束或電子射束。可使用合適源在UV及EUV波長內進行散射計及其他檢測設備之實施,且本公開決不限於使用IR及可見光輻射之系統。
術語「透鏡」在內容脈絡允許的情況下可指各種類型之光學組件中之任一者或其組合,包括折射、反射、磁性、電磁及靜電光學組件。反射組件很可能用於在UV及/或EUV範圍內操作之設備中。
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。例如,若陳述組件可包括A或B,則除非另外特定陳述或不可行,否則組件可包括A,或B,或A及B。作為第二實例,若陳述組件可包括A、B或C,則除非另外特定陳述或不可行,否則組件可包括A,或B,或C,或A及B,或A及C,或B及C,或A及B及C。
在以下編號條項中闡明本公開之態樣:
1. 一種非暫時性電腦可讀媒體,其具有儲存於其中的一電腦程式,其中該電腦程式包含在由一電腦系統執行時指示該電腦系統執行用於產生合成失真影像之一方法的程式碼,該方法包含:
獲得包含複數個失真影像之一輸入集;
使用一模型判定該輸入集中之該等失真影像的失真模式;
產生該等失真模式之複數個不同組合;
對於該等失真模式之該複數個組合中之各者,取決於該組合而產生一合成失真影像;及
將該等合成失真影像中之各者包括於一輸出集中。
2. 如條項1之電腦可讀媒體,其中產生該輸出集中之各合成失真影像包含:
取決於該等失真模式之該複數個組合中之一者而模型化一失真圖;及
將模型化之失真圖應用於該輸入集中之一失真影像。
3. 如條項1或2之電腦可讀媒體,其進一步包含對於該輸入集中之該等失真影像中之各者,取決於該失真影像而產生一失真圖;
其中該模型取決於該輸入集中之該等失真影像的該等失真圖而判定該等失真模式。
4. 如前述條項中任一項之電腦可讀媒體,其中該模型取決於一或多個局部程序而判定該等失真模式。
5. 如條項4之電腦可讀媒體,其中該一或多個局部程序有效地將各失真圖之不同區中發生的變形彼此隔離。
6. 如前述條項中任一項之電腦可讀媒體,其中該等失真模式皆彼此正交。
7. 如前述條項中任一項之電腦可讀媒體,其中失真模式之複數個不同組合中之各者為失真模式之加權組合。
8. 如條項7之電腦可讀媒體,其中加權組合之係數係自常態分佈取樣。
9. 如前述條項中任一項之電腦可讀媒體,其中取決於失真模式之隨機或偽隨機組合而產生失真模式之複數個不同組合。
10. 如前述條項中任一項之電腦可讀媒體,其中該模型為統計變形模型。
11. 如前述條項中任一項之電腦可讀媒體,其進一步包含執行程序之兩個或多於兩個循環以用於取決於失真影像之輸入集而產生失真影像之輸出集;
其中對於除最後循環之外的各循環,循環之失真影像的輸出集用作後續循環之失真影像的輸入集。
12. 如前述條項中任一項之電腦可讀媒體,其中各失真影像為掃描電子顯微鏡影像。
13. 一種用於產生合成失真影像之電腦實施方法,該方法包含:
獲得包含複數個失真影像之一輸入集;
使用一模型判定該輸入集中之該等失真影像的失真模式;
產生該等失真模式之複數個不同組合;
對於該等失真模式之該複數個組合中之各者,取決於該組合而產生一合成失真影像;及
將該等合成失真影像中之各者包括於一輸出集中。
14. 如條項13之方法,其中產生輸出集中之各合成失真影像包含:
取決於該等失真模式之該複數個組合中之一者而模型化一失真圖;及
將模型化之失真圖應用於該輸入集中之一失真影像。
15. 如條項13或14之方法,其進一步包含對於該輸入集中之該等失真影像中之各者,取決於該失真影像而產生一失真圖;
其中該模型取決於該輸入集中之該等失真影像的該等失真圖而判定該等失真模式。
16. 如條項13至15中任一項之方法,其中該模型取決於一或多個局部程序而判定該等失真模式。
17. 如條項16之方法,其中該一或多個局部程序有效地將各失真圖之不同區中發生的變形彼此隔離。
18. 如條項13至17中任一項之方法,其中該等失真模式皆彼此正交。
19. 如條項13至18中任一項之方法,其中失真模式之複數個不同組合中之各者為失真模式之加權組合。
20. 如條項19之方法,其中加權組合之係數係自常態分佈取樣。
21. 如條項13至20中任一項之方法,其中取決於失真模式之隨機或偽隨機組合而產生失真模式之複數個不同組合。
22. 如條項13至21中任一項之方法,其中該模型為統計變形模型。
23. 如前述條項13至22中任一項之方法,其進一步包含執行程序之兩個或多於兩個循環以用於取決於失真影像之輸入集而產生失真影像之輸出集;
其中對於除最後循環之外的各循環,循環之失真影像的輸出集用作後續循環之失真影像的輸入集。
24. 如條項13至23中任一項之方法,其中各失真影像為掃描電子顯微鏡影像。
25. 一種電腦程式,其包含在由一電腦系統執行時使該電腦系統執行如條項13至24中任一項之方法的程式碼。
26. 一種非暫時性電腦可讀媒體,其具有儲存於其中的如條項25之電腦程式。
27. 一種用於產生合成失真影像之系統,該系統包含由機器可讀指令組態以執行如條項13至24中任一項之方法的一或多個處理器。
28. 一種用於訓練機器學習模型之方法,該方法包含:
接收複數個失真影像;
取決於所接收之失真影像中的失真而產生複數個合成失真影像;及
取決於所產生之合成失真影像而訓練機器學習模型。
29. 如條項28之方法,其中產生複數個合成失真影像包含執行如條項13至24中任一項之技術。
30. 一種電腦程式,其包含在由電腦系統執行時指示該電腦系統執行如條項28或29中任一項之方法的程式碼。
31. 一種非暫時性電腦可讀媒體,其具有儲存於其中的如條項30之電腦程式。
32. 一種用於訓練機器學習模型之系統,該系統包含由機器可讀指令組態以執行如條項28或29中任一項之方法的一或多個處理器。
33. 一種用於對準一失真影像之方法,該方法包含:
藉由使用一機器學習模型判定用於對準一失真影像之一變換;及
基於所判定之變換而對準該失真影像;
其中該機器學習模型已根據如條項28或29中任一項之方法進行訓練。
34. 一種電腦程式,其包含在由一電腦系統執行時指示該電腦系統執行如條項33之方法的程式碼。
35. 一種非暫時性電腦可讀媒體,其具有儲存於其中的如條項34之電腦程式。
36. 一種用於對準失真影像之系統,該系統包含由機器可讀指令組態以執行如條項33之方法的一或多個處理器。
37. 一種用於判定供用於一編碼器-解碼器網路中之一權重的方法,該方法包含:
接收複數個失真影像;
取決於所接收之失真影像中的失真而產生複數個合成失真影像;及
取決於該等合成失真影像而判定該權重。
38. 如條項37之方法,其中產生複數個合成失真影像包含執行如條項13至24中任一項之方法。
39. 一種電腦程式,其包含在由電腦系統執行時指示該電腦系統執行如條項37或38中任一項之方法的程式碼。
40. 一種非暫時性電腦可讀媒體,其具有儲存於其中的如條項39之電腦程式。
41. 一種用於判定供用於編碼器-解碼器網路中之權重的系統,該系統包含由機器可讀指令組態以執行如條項37或38中任一項之方法的一或多個處理器。
42. 一種用於對準一失真影像之方法,該方法包含:
使用以如條項37或38之方法判定之一權重操作的一編碼器-解碼器網路執行以下操作:
使用該編碼器將一參考影像及一失真影像編碼至一潛在空間中以形成一編碼;
使用該解碼器對該編碼進行解碼以形成一失真圖;及
使用該失真圖在空間上變換該失真影像以便獲得一對準影像。
43. 一種電腦程式,其包含在由一電腦系統執行時指示該電腦系統執行如條項42之方法的程式碼。
44. 一種非暫時性電腦可讀媒體,其具有儲存於其中的如條項43之電腦程式。
45. 一種用於對準失真影像之系統,該系統包含由機器可讀指令組態以執行如條項42之方法的一或多個處理器。
46. 一種製造半導體基板之方法,該方法包含以下步驟:
製造該半導體基板之至少部分;
執行如條項33或42中任一項中所定義之方法;
分析對準影像以獲得影像之量度;及
比較該量度與目標量度且在該量度並不符合該目標量度時採取補救動作。
47. 一種半導體基板製造系統,其包含經組態以執行如條項46之方法的設備。
48. 一種檢測工具,其包含:
一成像系統,其經組態以對一半導體基板之一部分成像;及
一影像分析系統,其經組態以執行如條項33或42中任一項中所定義的用於對準一失真影像之方法。
在已描述本發明之實施例的情況下,應瞭解,對本發明之變化可能在本公開及隨附申請專利範圍以及其等效物之精神及範疇內。
100:微影設備
102:量測工具
104:曝光
106:微影設備控制單元LACU
108:塗佈設備
110:烘烤設備
112:顯影設備
122:蝕刻站
124:設備
126:其他處理設備
140:度量衡設備
146:回饋
166:控制信號
801:步驟
803:步驟
805:步驟
807:步驟
809:步驟
811:步驟
901:失真影像
902:失真圖產生程序
903:失真圖
904:模型
905:合成失真圖
906:線
907:失真影像
908:線
1001:失真模式
1002:合成失真模式
MA:圖案化裝置
R:配方
S1:影像預處理步驟
S2:步驟
S3:步驟
S4:步驟
S101:步驟
S102:步驟
S103:步驟
S104:步驟
S105:步驟
S106:步驟
S107:步驟
S108:步驟
S109:步驟
S110:步驟
S111:步驟
S112:步驟
S113:步驟
S201:步驟
S202:步驟
S203:步驟
S204:步驟
S205:步驟
S206:步驟
S207:步驟
S208:步驟
S209:步驟
S301:步驟
S302:步驟
S303:步驟
S304:步驟
S305:步驟
S306:步驟
S307:步驟
S309:步驟
SCS:監督控制系統
W:基板
圖1描繪微影設備連同形成用於半導體裝置之生產設施的其他設備。
圖2描繪說明用於判定影像中之缺陷的方法的流程圖。
圖3描繪說明用於設定編碼器-解碼器網路之權重的方法的流程圖。
圖4為圖3中所示之方法在半導體基板之參考影像及失真影像之例示性情況下的示意性說明。
圖5描繪說明用於獲得對準影像之方法的流程圖。
圖6描繪說明用於訓練圖5之方法中所利用之類型的編碼器-解碼器網路的方法的流程圖。
圖7描繪根據圖6中所說明之方法訓練的編碼器-解碼器網路之說明。
圖8描繪示出用於增加供用於訓練資料集中之失真影像之數目的方法之流程圖。
圖9示意性地描繪可在產生合成失真影像時發生的一些程序。
圖10示意性地描繪複數個失真模式之加權組合程序。
圖11示意性地描繪在產生失真影像之輸出集時使用合成失真圖。
圖12描繪不同技術之效能。
S103:步驟
S104:步驟
S105:步驟
S106:步驟
S107:步驟
Claims (15)
- 一種非暫時性電腦可讀媒體,其具有儲存於其中的一電腦程式,其中該電腦程式包含在由一電腦系統執行時指示該電腦系統執行用於產生合成失真影像之一方法的程式碼,該方法包含: 獲得包含複數個失真影像之一輸入集; 使用一模型判定該輸入集中之該等失真影像的失真模式; 產生該等失真模式之複數個不同組合; 對於該等失真模式之該複數個組合中之各者,取決於該組合而產生一合成失真影像;及 將該等合成失真影像中之各者包括於一輸出集中。
- 如請求項1之電腦可讀媒體,其中產生該輸出集中之各合成失真影像包含: 取決於該等失真模式之該複數個組合中之一者而模型化一失真圖;及 將模型化之失真圖應用於該輸入集中之一失真影像。
- 如請求項1之電腦可讀媒體,其進一步包含對於該輸入集中之該等失真影像中之各者,取決於該失真影像而產生一失真圖; 其中該模型取決於該輸入集中之該等失真影像的該等失真圖而判定該等失真模式。
- 如請求項1之電腦可讀媒體,其中該模型取決於一或多個局部程序而判定該等失真模式。
- 如請求項4之電腦可讀媒體,其中該一或多個局部程序有效地將各失真圖之不同區中發生的變形彼此隔離。
- 如請求項1之電腦可讀媒體,其中該等失真模式皆彼此正交。
- 如請求項1之電腦可讀媒體,其中該等失真模式之該複數個不同組合中之各者為失真模式之一加權組合。
- 如請求項7之電腦可讀媒體,其中該等加權組合之係數係自一常態分佈取樣。
- 如請求項1之電腦可讀媒體,其中取決於該等失真模式之隨機或偽隨機組合而產生該等失真模式之該複數個不同組合。
- 如請求項1之電腦可讀媒體,其中該模型為一統計變形模型。
- 如請求項1之電腦可讀媒體,其進一步包含執行程序之兩個或多於兩個循環以用於取決於失真影像之一輸入集而產生失真影像之一輸出集; 其中對於除最後循環之外的各循環,該循環之失真影像的該輸出集用作後續循環之失真影像的該輸入集。
- 如請求項1之電腦可讀媒體,其中各失真影像為一掃描電子顯微鏡影像。
- 一種用於產生合成失真影像之系統,該系統包含如請求項1之電腦可讀媒體。
- 一種用於對準一合成失真影像之系統,該系統包含: 如請求項1之用於產生合成失真影像的一電腦可讀媒體; 一非暫時性電腦可讀媒體,其具有儲存於其中的一電腦程式,其中該電腦程式包含在由一電腦系統執行時指示該電腦系統執行用於進行以下操作之一方法的程式碼: 取決於所產生之合成失真影像而訓練一機器學習模型;及 藉由使用該機器學習模型判定用於對準一失真影像之一變換;及 基於所判定之變換而對準該失真影像。
- 一種檢測工具,其包含: 一成像系統,其經組態以對一半導體基板之一部分成像;及 一影像分析系統,其包含如請求項14之系統且經組態以執行用於對準一失真影像之一方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21186830.2A EP4123583A1 (en) | 2021-07-21 | 2021-07-21 | Aligning a distorted image |
EP21186830.2 | 2021-07-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202318343A true TW202318343A (zh) | 2023-05-01 |
Family
ID=76999781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111125243A TW202318343A (zh) | 2021-07-21 | 2022-07-06 | 對準失真影像 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4123583A1 (zh) |
CN (1) | CN117677979A (zh) |
TW (1) | TW202318343A (zh) |
WO (1) | WO2023001479A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9177219B2 (en) | 2010-07-09 | 2015-11-03 | Asml Netherlands B.V. | Method of calibrating a lithographic apparatus, device manufacturing method and associated data processing apparatus and computer program product |
US10984284B1 (en) * | 2018-11-19 | 2021-04-20 | Automation Anywhere, Inc. | Synthetic augmentation of document images |
US20200265211A1 (en) * | 2019-02-14 | 2020-08-20 | West Virginia University | Fingerprint distortion rectification using deep convolutional neural networks |
-
2021
- 2021-07-21 EP EP21186830.2A patent/EP4123583A1/en not_active Withdrawn
-
2022
- 2022-06-23 CN CN202280051165.4A patent/CN117677979A/zh active Pending
- 2022-06-23 WO PCT/EP2022/067094 patent/WO2023001479A1/en unknown
- 2022-07-06 TW TW111125243A patent/TW202318343A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023001479A1 (en) | 2023-01-26 |
CN117677979A (zh) | 2024-03-08 |
EP4123583A1 (en) | 2023-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11847570B2 (en) | Deep learning for semantic segmentation of pattern | |
TWI669750B (zh) | 用於影像分析之方法及設備 | |
KR102349124B1 (ko) | 측정 방법 및 장치 | |
TWI776447B (zh) | 自影像移除假影 | |
CN112602020A (zh) | 利用机器学习从原始图像自动选择高品质平均扫描电镜图像 | |
TW202134796A (zh) | 基於機器學習的影像產生以用於模型基礎對準 | |
TW201937270A (zh) | 引導式圖案化裝置檢測 | |
TW201706723A (zh) | 度量衡方法及設備、電腦程式及微影系統 | |
CN116685909A (zh) | 显影后或蚀刻后图像的基于机器学习的图像生成 | |
US20230036630A1 (en) | Aligning a distorted image | |
EP4123583A1 (en) | Aligning a distorted image | |
TWI814571B (zh) | 用於轉換度量衡資料之方法 | |
EP4113210A1 (en) | A method of monitoring a measurement recipe and associated metrology methods and apparatuses | |
WO2023156143A1 (en) | Methods of metrology | |
TW202334642A (zh) | 基於掃描條件模型之半導體外形測量 | |
WO2023131476A1 (en) | Method and computer program for grouping pattern features of a substantially irregular pattern layout |