TW202328821A - 用於轉換度量衡資料之方法 - Google Patents
用於轉換度量衡資料之方法 Download PDFInfo
- Publication number
- TW202328821A TW202328821A TW111133804A TW111133804A TW202328821A TW 202328821 A TW202328821 A TW 202328821A TW 111133804 A TW111133804 A TW 111133804A TW 111133804 A TW111133804 A TW 111133804A TW 202328821 A TW202328821 A TW 202328821A
- Authority
- TW
- Taiwan
- Prior art keywords
- sem
- metrology
- model
- data
- image
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70641—Focus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2813—Scanning microscopes characterised by the application
- H01J2237/2817—Pattern inspection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/282—Determination of microscope properties
- H01J2237/2826—Calibration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
- Medical Informatics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Holo Graphy (AREA)
Abstract
本發明描述一種度量衡系統及一種用於經由一經訓練機器學習(ML)模型轉換度量衡資料之方法。該方法包括存取由一第一掃描電子度量衡(SEM)系統獲取之一第一SEM資料集(例如影像、輪廓等)及由一第二SEM系統獲取之一第二SEM資料集,其中該第一SEM資料集及該第二SEM資料集與一經圖案化基板相關聯。使用該第一SEM資料集及該第二SEM資料集作為訓練資料訓練一機器學習(ML)模型,使得該經訓練ML模型經組態以將由該第二SEM系統獲取之一度量衡資料集轉換為具有與由該第一SEM系統獲取之度量衡資料相當的特性之一經轉換資料集。此外,可基於該經轉換SEM資料而判定量測。
Description
本文中之描述大體上係關於處理由度量衡系統獲取之度量衡資料,且更尤其係關於使用機器學習模型處理度量衡資料。
微影投影裝置可用於例如積體電路(IC)之製造中。在此情況下,圖案化器件(例如,遮罩)可含有或提供對應於IC之個別層的圖案(「設計佈局」),且此圖案可藉由諸如穿過圖案化器件上之圖案照射目標部分之方法轉印至基板(例如,矽晶圓)上之目標部分(例如,包含一或多個晶粒)上,該目標部分已塗佈有一層輻射敏感材料(「抗蝕劑」)。一般而言,單一基板含有複數個鄰近目標部分,圖案藉由微影投影裝置依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裝置中,將整個圖案化器件上之圖案一次性轉印至一個目標部分上;此裝置通常稱為步進器。在通常稱為步進掃描裝置之替代裝置中,投影射束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描,同時平行或反平行於此參考方向而同步地移動基板。圖案化器件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,由於微影投影裝置將具有縮小比M (例如4),故基板移動之速度F將為投影射束掃描圖案化器件之速度的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器件的更多資訊。
在將圖案自圖案化器件轉印至基板之前,基板可經受各種工序,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、硬烘烤及對經轉印圖案之量測/檢測。此工序陣列係用作製造器件(例如,IC)之個別層之基礎。基板接著可經受諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械研磨等各種程序,該等程序皆意欲精整(finish off)器件之個別層。若器件中需要若干層,則針對各層來重複整個工序或其變體。最終,基板上之各目標部分中將存在器件。接著藉由諸如切割或鋸切之技術來使此等器件彼此分離,由此可將個別器件安裝於載體上、連接至銷釘等。
因此,諸如半導體器件之製造器件通常涉及使用數個製造程序來處理基板(例如,半導體晶圓)以形成器件之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械研磨及離子植入來製造及處理此類層及特徵。可在基板上之複數個晶粒上製造多個器件,且接著將該等器件分離成個別器件。此器件製造程序可視為圖案化程序。圖案化程序涉及圖案化步驟,諸如使用微影裝置中之圖案化器件來將圖案化器件上之圖案轉印至基板之光學及/或奈米壓印微影,但圖案化程序通常視情況涉及一或多個相關圖案處理步驟,諸如藉由顯影裝置進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻裝置使用圖案進行蝕刻等。
在半導體製造中,可採用基於自經圖案化基板產生信號之類似量測原理或類似機構操作之多個度量衡工具。舉例而言,可在半導體製造期間使用基於與經圖案化基板相互作用之電子射束而判定量測的多個掃描電子顯微鏡(SEM)。多個度量衡系統可用以改良度量衡產出量、量測準確性、成本效率或出於其他原因。舉例而言,量測可用以改良圖案化程序。儘管在操作上類似,但一個度量衡系統可在各種態樣中不同於另一度量衡系統,諸如機械子系統、電子子系統、電子設備、信號偵測、影像獲取演算法、影像處理演算法、輪廓提取演算法或其他結構及軟體。因此,使用多個度量衡系統可引起同一基板上之同一圖案之不一致量測結果。本揭示提供用以使用經訓練機器學習模型來轉換自特定度量衡工具獲得之度量衡資料(例如,SEM影像或輪廓)的機構。此經轉換度量衡資料與另一度量衡工具(例如,參考度量衡系統)匹配或相當,藉此允許不同度量衡工具之間的量測一致性。舉例而言,經轉換度量衡資料具有與經圖案化基板之特徵相關聯之與由另一度量衡工具獲取之信號及/或CD匹配的信號及/或CD。換言之,經轉換度量衡資料或自經轉換度量衡資料導出之量測與使用另一度量衡工具獲取度量衡資料或量測相當。
度量衡系統可為例如多個掃描電子顯微鏡(SEM)。在實施例中,本文中之機構包括訓練機械加工學習(ML)模型以將由一個SEM系統獲取之SEM影像轉換為如同由另一SEM系統獲取之影像。因此,對經轉換影像進行之經圖案化特徵之物理特性的量測將類似於對由另一SEM系統獲取之影像進行量測。在實施例中,來自不同工具之量測資料之間的差異(例如,CD失配及/或SEM影像失配)可併入於訓練ML模型之成本函數中。在實例中,包括SEM信號之量測資料可用以導引影像轉換。此外,機構涉及使用訓練資料獲得量測設定(例如,CD量測設定)且將其應用於經轉換影像以獲得與經圖案化基板相關聯之量測(例如,CD)。此等量測將如同由另一SEM系統(例如,參考SEM系統)獲取。
在實施例中,提供一種用於訓練機器學習模型及使用用於轉換度量衡資料之經訓練機器學習模型之方法。該方法包括存取由第一掃描電子度量衡(SEM)系統獲取之第一SEM資料集及由第二SEM系統獲取之第二SEM資料集,其中該第一SEM資料集及該第二SEM資料集與經圖案化基板相關聯。使用第一SEM資料集及第二SEM資料集作為訓練資料訓練機器學習(ML)模型,使得經訓練ML模型經組態以將由第二SEM系統獲取之度量衡資料集轉換為具有與由第一SEM系統獲取之度量衡資料相當的特性之經轉換資料集。
在實施例中,第一SEM資料集及第二SEM資料集可為經圖案化基板之影像集、經圖案化基板上之特徵的輪廓、與經圖案化基板上之圖案相關聯之物理特性或其組合。在實施例中,物理特性包含經圖案化基板上之圖案之臨界尺寸(CD)。
在實施例中,訓練ML模型涉及比較第一SEM資料集與第二SEM資料集;及基於該比較而調整ML模型之參數以影響用以訓練ML模型之成本函數。
在實施例中,訓練ML模型涉及信號至信號匹配或CD至CD匹配。舉例而言,訓練ML模型涉及比較第一SEM資料集之第一CD值與第二SEM資料集之第二CD值;及基於比較而調整ML模型之參數以影響用以訓練ML模型的成本函數以改良第一SEM資料集與第二SEM資料集之間的CD匹配,該成本函數為第一CD值及第二CD值之函數。
在實施例中,該方法可進一步涉及基於來自該第一SEM系統之基板之第一SEM資料集及物理特性量測而接收用於度量衡系統之度量衡量測配方;及將度量衡量測配方應用於經轉換度量衡資料以判定另一物理特性量測。在實施例中,度量衡量測配方包含指示在該所捕捉度量衡資料上進行CD量測之位置的CD定限值。
在實施例中,判定度量衡量測配方涉及經由第一輪廓提取演算法自第一SEM資料集之影像提取輪廓;在跨輪廓之位置處繪製切線以量測CD;及基於沿著切線之信號而判定對應於經量測CD的CD臨限值。
在實施中,提供一種度量衡系統。度量衡系統包括程序或電腦系統,該程序或電腦系統包括:一或多個處理器,其具有儲存於其上且用電腦程式指令程式化之經訓練機器學習(ML)模型,該等電腦程式指令在執行時致使電腦系統進行以下操作:捕捉經圖案化基板之度量衡資料;及經由經訓練ML模型將所捕捉度量衡資料轉換為經轉換度量衡資料,該經轉換度量衡資料具有如同由另一度量衡系統捕捉之特性。
根據實施例,提供一種包含非暫時性電腦可讀媒體之電腦系統,該非暫時性電腦可讀媒體其上記錄有指令。該等指令在由電腦執行時實施以上方法步驟。
在詳細描述實施例之前,呈現可實施實施例之實例環境係具指導性的。
儘管在本文中可特定地參考IC之製造,但應明確地理解,本文之描述具有許多其他可能應用。舉例而言,其可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者應瞭解,在此等替代應用之情況下,本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應視為分別可與更一般之術語「遮罩」、「基板」及「目標部分」互換。
在本文件中,術語「輻射」及「射束」可用於涵蓋所有類型之電磁輻射,包括紫外線輻射(例如,具有365、248、193、157或126 nm之波長)及極紫外線輻射(EUV,例如具有約5至100 nm範圍內之波長)。
圖案化器件可包含或可形成一或多個設計佈局。可使用電腦輔助設計(CAD)程式來產生設計佈局,此程序常常稱為電子設計自動化(EDA)。大多數CAD程式遵循預定設計規則集合,以便產生功能設計佈局/圖案化器件。由處理及設計限制而設定此等規則。舉例而言,設計規則界定器件(諸如閘極、電容器等)或互連線之間的空間容許度,以便確保器件或線不會以不合意的方式彼此相互作用。設計規則限制中之一或多者可稱為「臨界尺寸」(CD)。器件之臨界尺寸可定義為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此,CD決定所設計器件之總體大小及密度。當然,器件製造中之目標中之一者係在基板上如實地再現初始設計意圖(經由圖案化器件)。
作為實例,圖案佈局設計可包括諸如光學接近校正(OPC)之解析度增強技術之應用。OPC解決如下事實:投影於基板上之設計佈局的影像之最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化器件上之大小及置放。應注意,術語「遮罩」、「倍縮光罩」、「圖案化器件」在本文中可互換地使用。此外,熟習此項技術者應認識到,可互換地使用術語「遮罩」、「圖案化器件」及「設計佈局」,如在RET之內容背景中,未必使用實體圖案化器件,而可使用設計佈局來表示實體圖案化器件。對於存在於某一設計佈局上之較小特徵大小及較高特徵密度,給定特徵之特定邊緣之位置將在某種程度上受其他鄰近特徵之存在或不存在影響。此等接近效應起因於自一個特徵耦接至另一特徵之微量的輻射或諸如繞射及干涉之非幾何光學效應。類似地,接近效應可起因於在通常後繼微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為增加設計佈局之經投影影像係根據給定目標電路設計之要求的機率,可使用設計佈局之複雜數值模型、校正或預失真來預測及補償接近效應。文章「Full-Chip Lithography Simulation and Design Analysis-How OPC Is Changing IC Design」(C. Spence, Proc. SPIE,第5751卷,第1至14頁(2005))提供當前「基於模型之」光學接近校正程序之綜述。在典型的高端設計中,設計佈局之幾乎各特徵皆具有某種修改,以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置,以及意欲輔助其他特徵之投影的「輔助」特徵之應用。
輔助特徵可視為圖案化器件上之特徵與設計佈局中之特徵之間的差異。術語「主特徵」及「輔助特徵」不暗示圖案化器件上之特定特徵必須標註為主特徵或輔助特徵。
如本文中所採用之術語「遮罩」或「圖案化器件」可廣泛地解釋為係指可用於向入射輻射射束賦予經圖案化橫截面之通用圖案化器件,該經圖案化橫截面對應於待在基板之目標部分中建立之圖案;術語「光閥」亦可用於此上下文中。除了典型遮罩(透射或反射;二元、相移、混合式等)以外,其他此等圖案化器件之實例亦包括:
-可程式化鏡面陣列。此器件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。此裝置所隱含之基本原理為(例如):反射表面之經定址區域使入射輻射反射為繞射輻射,而未經定址區域使入射輻射反射為非繞射輻射。在使用適當濾光器之情況下,可自經反射射束濾出該非繞射輻射,從而僅留下繞射輻射;以此方式,射束根據矩陣可定址表面之定址圖案而變得圖案化。可使用適合電子構件來進行所需矩陣定址。
-可程式化LCD陣列。在以引用之方式併入本文中之美國專利第5,229,872號中給出此構造之一實例。
作為簡要介紹,圖1說明例示性微影投影裝置10A。主要組件為:輻射源12A,其可為深紫外線準分子雷射源或包括極紫外線(EUV)源之其他類型的源(如上文所論述,微影投影裝置本身無需具有輻射源);照明光學器件,其例如定義部分相干性(標示為標準差(sigma))且可包括塑形來自源12A之輻射的光學器件14A、16Aa及16Ab;圖案化器件18A;及透射光學器件16Ac,其將圖案化器件圖案之影像投影至基板平面22A上。在投影光學器件之光瞳平面處的可調整濾光器或孔徑20A可限制照射於基板平面22A上之射束角度之範圍,其中最大可能角度界定投影光學器件之數值孔徑NA=n sin(Θ
max),其中n為基板與投影光學器件之最後一個元件之間的媒體之折射率,且Θ
max為自投影光學器件離開的仍可照射於基板平面22A上之射束的最大角度。
在微影投影裝置中,源將照明(亦即,輻射)提供至圖案化器件,且投影光學器件經由圖案化器件將該照明導引及塑形至基板上。投影光學器件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為在基板層級處之輻射強度分佈。曝光基板上之抗蝕劑層,且將空中影像轉印至抗蝕劑層以在其中作為潛在「抗蝕劑影像」(RI)。可將抗蝕劑影像(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,可在美國專利申請公開案第US 2009-0157360號中找到此之實例,該公開案之揭示內容特此以全文引用之方式併入本文中。抗蝕劑模型係關於抗蝕劑層之性質(例如,在曝光、PEB及顯影期間發生之化學程序之效應)。微影投影裝置之光學性質(例如,源、圖案化器件及投影光學器件之性質)規定空中影像。由於可改變用於微影投影裝置中之圖案化器件,因此可能合乎需要的係將圖案化器件之光學性質與包括至少源及投影光學器件的微影投影裝置之其餘部分之光學性質分離。
儘管在本文中可特定地參考微影裝置在IC製造中之使用,但應理解,本文中所描述之微影裝置可具有其他應用,諸如製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示器(LCD)、薄膜磁頭等。熟習此項技術者應瞭解,在此類替代性應用之上下文中,可認為本文中對術語「晶圓」或「晶粒」之任何使用分別與更一般術語「基板」或「目標部分」同義。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中所提及之基板。在適用之情況下,可將本文中之揭示內容應用於此類及其他基板處理工具。此外,可將基板處理超過一次,例如以便產生多層IC,使得本文所使用之術語基板亦可指已經含有多個經處理層之基板。
本文所使用之術語「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365、248、193、157或126 nm之波長)及極紫外線(EUV)輻射(例如,具有在5至20 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。
在半導體製造中,可採用基於類似原理操作之多個度量衡系統以用於量測經圖案化基板之一或多個物理特性(例如,CD、EPE、疊對等)。儘管操作原理可類似,但多個度量衡系統在各種態樣中不同於另一者,諸如機械子系統、電子子系統、電子設備、影像處理演算法、輪廓提取演算法或可引起量測之變化的其他結構及軟體組件。然而,需要使用不同工具進行之同一經圖案化基板或不同經圖案化基板上之圖案的此等量測應匹配。為了獲得不同度量衡系統之間的一致量測,可需要與由參考(或參考)度量衡系統獲取之資料匹配的度量衡資料。舉例而言,使用第一工具(例如,參考度量衡系統)獲得之經圖案化基板之度量衡資料應匹配使用第二工具獲得之同一經圖案化基板的度量衡資料。以此方式,自量測結果變化顯著減少或消除由工具至工具變化引起的變化,且量測結果變化有利地且準確地指示基板變化。在實施例中,參考度量衡系統可具有同一供應商或不同於第二度量衡系統之供應商。舉例而言,工具可包括由不同製造商或同一製造商供應之不同程序模型或設計。在一些情況下,工具可包括相同程序模型但仍表現不同,亦即具有工具至工具變化。
在現有方式中,在獲取度量衡資料(例如,經圖案化特徵之SEM影像或輪廓)之後,度量衡系統設定(例如,第二度量衡工具之可調諧參數)可經判定以自度量衡資料提取量測(例如,CD)。舉例而言,度量衡系統設定可經判定以獲得具有使用參考度量衡系統獲得之最佳CD匹配結果。在多數情況下,即使調諧多個或所有可用參數,亦可不滿足與規格匹配之量測(例如,CD)。在實施例中,度量衡設定可包括可調諧參數,諸如劑量、視野(FOV)或第二度量衡工具之其他參數。在實施例中,諸如劑量、FOV之可調諧參數可不經修改以獲得來自第一工具與第二工具之量測之間的CD至CD匹配。舉例而言,第二度量衡工具可相較於第一度量衡工具使用更高劑量、具有更快影像獲取速度或較大FOV。此等可調諧有利於較快度量衡量測。此外,改變此類參數可具有引起量測中之額外差異之不同充電效應。因此,在實施例中,諸如速度及FOV之有利可調諧參數可不經修改,而在CD量測期間自SEM影像應用之諸如CD臨限值之其他參數可經修改。因此,在維持第二度量衡系統之有利設定的同時,可達成來自第一度量衡工具之量測結果的匹配。
本發明提供使用機器學習模型轉換自第二度量衡工具獲得之度量衡資料(例如,SEM影像或輪廓)的機構。經轉換度量衡資料匹配另一度量衡工具(例如,參考度量衡系統)或與自另一度量衡工具獲取度量衡資料相當。舉例而言,本文中之機構包括訓練機械加工學習(ML)模型以將由一個SEM系統獲取之影像轉換為如同由另一SEM系統獲取之影像。在實施例中,ML模型可轉換由SEM系統判定之信號、CD值或其他特性,如將由另一SEM系統獲取。因此,對經轉換影像進行之經圖案化特徵之物理特性的量測將與對由另一SEM系統獲取之影像進行量測相當(例如,與其匹配)。在實施例中,來自不同工具之度量衡資料之間的差異(例如,CD失配及/或SEM影像失配)可併入於用於訓練ML模型之成本函數中。作為實例,包括SEM影像信號之度量衡資料(例如,強度值)可用於導引轉換。
此外,機構涉及使用參考度量衡資料(例如,自參考度量衡系統)獲得量測設定(例如,用以獲得CD量測之諸如CD臨限值的度量衡系統設定)。舉例而言,此等設定可應用於經轉換影像以獲得與經圖案化基板相關聯之量測(例如,CD),使得量測如同由參考度量衡系統獲取。在實施例中,度量衡系統可為不同SEM系統,例如參考SEM系統及另一不同SEM系統。關於圖9及圖10說明且論述實例度量衡系統。在實施例中,本文中之機構可與由此類度量衡系統捕捉之影像(例如,SEM影像)一起使用。
本發明之機構具有若干優勢。舉例而言,可使用不同度量衡工具獲得與類似圖案相關聯之一致量測。即使度量衡工具使用不同演算法以用於獲取量測、自影像提取輪廓、識別特徵或輪廓之影像增強、影像或輪廓分段、影像或輪廓與參考對準、導出量測等,在應用本文中之機構之後獲得的最終量測將提供與來自參考度量衡系統之量測之緊密匹配。在實施例中,第一度量衡資料與第二度量衡資料之間的匹配之特徵可為第一度量衡資料與第二度量衡資料之間的差異、與度量衡資料相關聯之統計資料、度量衡資料內之偵測的強度值或其他匹配參數。作為實例,緊密匹配指關於差異臨限值、參考統計資料、參考強度值或用於特性化匹配參考資料之其他方法匹配。
本文中之機構亦可實現使用採用不同度量衡系統以用於半導體晶片之較快產生,而不引起經圖案化基板之量測中的實質變化。因此,對基於來自參考度量衡系統之量測而進行的圖案化程序之調整可保持實質上相同,藉此維持圖案化程序之類似生產設定以獲得所要產出量。
圖2為根據實施例之用於將由特定度量衡系統獲取之度量衡資料轉換為具有如同由另一度量衡系統獲取之特性的度量衡資料之方法300之例示性流程圖。在實施例中,該方法300涉及訓練ML模型以轉換度量衡資料。ML模型可為卷積類神經網路(CNN)、深度卷積類神經網路(DNN)、生成對抗網路(GAN)或其他類型之神經網路。訓練可基於同一經圖案化基板但由不同度量衡系統獲取之度量衡資料集。ML模型學習來自可由於未知演算法、不同量測配方、不同度量衡工具組態或工作原理等而引起的不同系統之度量衡資料的差異。在訓練後,經訓練ML模型可預測如使用不同系統(例如,參考度量衡系統)所量測之度量衡資料。因此,經訓練ML模型可有利地用以在使用不同度量衡系統時改良經圖案化基板之量測的一致性。方法300之例示性實施涉及用於訓練ML模型之程序P301及P303。此外,可包括程序P305、P307、P309及P311以應用經訓練ML模型以用於轉換度量衡資料且預測經圖案化基板之量測。在下文更詳細地論述程序。
程序P301涉及自用於同一經圖案化基板(例如,經圖案化訓練基板)之不同度量衡工具獲取訓練資料。在實施例中,程序P301涉及存取由第一度量衡系統TS1獲取之第一度量衡資料集MD1及由第二度量衡系統TS2獲取之第二度量衡資料集MD2。舉例而言,存取由第一掃描電子度量衡(SEM)系統獲取之第一SEM資料集及由第二SEM系統獲取之第二SEM資料集。第一度量衡資料集MD1 (例如,第一SEM資料集)及第二度量衡資料集MD2 (例如,第二SEM資料集)與同一經圖案化基板相關聯。在實施例中,用於訓練ML模型之度量衡資料集可稱為訓練資料,且經圖案化基板可稱為訓練基板。
在實施例中,第一度量衡資料集MD1及第二度量衡資料集MD2可包括分別自第一度量衡系統TS1 (例如,諸如SEM之參考度量衡系統)及第二度量衡系統TS2 (例如,另一SEM)獲取之經圖案化基板(或訓練基板)之影像(例如,SEM影像)集。因此,第一度量衡資料集MD1可稱為第一SEM影像集,且第二度量衡資料集MD2可稱為第二SEM影像集。在實施例中,第一度量衡資料集MD1及第二度量衡資料集MD2可包括經圖案化基板上之特徵的輪廓。在實施例中,可自經圖案化基板之影像(例如,SEM影像)提取輪廓。在實施例中,由第一度量衡系統TS1提取之第一輪廓可採用第一提取演算法(例如,具有固定或不可調諧參數之未知演算法),且由第二度量衡系統TS2提取之第二輪廓可採用不同於第一演算法之第二提取演算法(例如,具有可調諧參數之已知演算法)。在實施例中,第一度量衡資料集MD1及第二度量衡資料集MD2可包括與經圖案化基板上之圖案相關聯之物理特性(例如,CD、疊對等)。
在實施例中,第一度量衡系統可輸出CD量測,而用於判定CD量測之實施細節(例如,演算法、影像處理等)可為未知的。本解釋提供用以調整第二度量衡系統之一或多個參數以匹配來自第一度量衡系統之CD量測的機構(例如,由經訓練ML模型產生經轉換影像)。舉例而言,若使用第二度量衡系統捕捉之SEM影像不同於第一度量衡系統,則簡單地調諧第二度量衡系統之參數可無法達成滿意的CD至CD匹配結果。然而,使用本文中之經訓練ML模型轉換第二度量衡系統之所捕捉影像,及基於此類經轉換影像而調諧參數(例如,CD臨限值)可有利地達成所要CD至CD匹配或其他量測匹配結果。
圖3說明根據實施例之由第一度量衡系統TS1及第二度量衡系統TS2獲取之經圖案化基板W的例示性度量衡資料。在本實例中,第一度量衡系統TS1可為參考度量衡系統,例如第一SEM。第一度量衡系統TS1可捕捉經圖案化基板W或經圖案化基板W之部分之第一影像IMG1 (例如,SEM影像)。作為實例,SEM影像IMG1包含對應於圖案化於基板W上之特徵(例如,F,未標記於基板W上)之特徵F1 (由影像IMG1中之淺著色橢圓形部分表示)。在實施例中,可跨特徵F1繪製切線CL1以量測沿著切線CL1之像素的強度值。此等強度值表示為第一信號S1 (參見圖5)。
類似地,第二度量衡系統TS2可為另一度量衡系統,例如不同於第一SEM之第二SEM。第二度量衡系統TS2可捕捉經圖案化基板W或經圖案化基板W之部分之第二影像IMG2 (例如,另一SEM影像)。舉例而言,SEM影像IMG2包含對應於經圖案化於基板W上之同一特徵(例如,F,未標記於基板W上)之特徵F1′ (由影像IMG2中之淺著色橢圓形部分表示)。在實施例中,可跨特徵F1′繪製切線CL1以量測沿著切線CL1之像素的強度值。此等強度值表示為第二信號S2 (參見圖5)。
在圖5中,比較經圖案化於基板W上之同一特徵之第一信號S1與第二信號S2指示第一度量衡系統TS1及第二度量衡系統TS2可針對同一特徵產生不同量測。舉例而言,當基於第一信號S1而沿著切線CL1量測CD時,經量測CD將不同於基於第二信號S2而量測之CD。作為實例,可基於定義為信號中之鄰近峰值之間的距離之函數的CD臨限值而量測CD。在一些實施例中,系統可具有如由相同或不同製造商供應之不同設計組態(例如,不同產品模型)。同一特徵之信號中之差異可與以下各者相關聯:工具中之結構差異(諸如,如在機械、電氣及電子組態等中設計之系統差異);由系統TS1及TS2使用之演算法(諸如,信號獲取機構、信號處理演算法、影像增強機構等)中的差異;在各系統TS1及TS2之量測期間使用之配方(諸如,輪廓提取演算法、切線置放演算法等)中的差異或系統TS1與TS2之間的其他已知或未知差異。在一些實施例中,系統可具有相同設計組態(例如,相同產品模型),且量測差異可歸因於由製造、總成及/或系統漂移等中之變化引起的非預期系統變化。
返回參考圖3,可提取對應於影像IMG1中之特徵F1之輪廓C1。在實施例中,可使用實施於第一度量衡系統TS1中之第一演算法提取輪廓C1。在實施例中,第一輪廓提取演算法之實施細節可為未知或固定的,因而演算法內之參數在提取輪廓C1時可能不可調整。在實施例中,度量衡系統組態可為固定的,由於其視為參考,且可不需要該等差異之特定差異或原因之知識。在實施例中,此類輪廓C1可用作第一度量衡資料。類似地,可提取對應於影像IMG2中之特徵F1′之另一輪廓C2。在實施例中,可使用實施於第二度量衡系統TS2中之第二演算法提取輪廓C2。在實施例中,提取演算法之實施細節可為已知的,且第二演算法之一或多個參數(例如,特性化特徵之邊緣的強度臨限值、諸如高斯標準差(Gaussian sigma)之提取模型參數等)可在調整輪廓期間經調整。
在實施例中,基於經提取輪廓C1,可判定諸如特徵F1之CD的特性之值。在實施例中,可基於沿著特徵F1之長度的兩個末端之間的距離之平均值而判定CD。類似地,基於經提取輪廓C2,可判定諸如特徵F1′之CD的物理特性之值。在實施例中,相同演算法可用於判定特徵F1及F1′之CD值。本揭示不限於特定量測方法。舉例而言,可以度量衡系統之線性模式或定限模量測CD。在另一實例中,特徵之幾個相鄰位置之最大值、最小值或平均值可用於判定CD值。在又另一實例中,可進行輪廓C1及C2之形狀擬合。在又另一實例中,可針對所要CD至CD匹配結果進行諸如強度臨限值、信號平滑窗大小、發現特徵之邊緣位置的開始點或其他可調諧參數之參數。
本揭示不限於使用特定技術提取量測。基於輪廓提取及調整演算法而判定之CD量測僅為例示性的且不限制本揭示之範疇。在實施例中,度量衡系統可採用影像處理演算法及/或CD量測演算法以判定特徵之CD,而不自影像提取經圖案化於基板上之特徵之輪廓。
然而,由於自其中分別導出輪廓C1及C2之影像IMG1及IMG2中之固有差異,因此經圖案化於基板W上之同一特徵的經量測CD將不同。
在本揭示中,經訓練ML模型經組態以轉換第二度量衡資料(例如,第二信號S2),使得其緊密地匹配第一度量衡資料(例如,第一信號S1)。因此,使用經轉換度量衡資料(例如,第二信號S2之經轉換版本)進行之任何量測可具有類似量測。
返回參考圖2,程序P303涉及基於第一度量衡資料集MD1及第二度量衡資料集MD2而訓練ML模型。在完成訓練程序之後,經訓練ML模型TML經組態以將由第二度量衡系統獲取之度量衡資料集轉換為具有如同由第一度量衡系統TS1 (例如,參考度量衡系統)獲取之特性的經轉換資料集。
在實施例中,訓練ML模型涉及比較經圖案化訓練基板之第一度量衡資料集MD1與第二度量衡資料集MD2。基於該比較,可調整ML模型之參數以影響用以訓練ML模型之成本函數。舉例而言,成本函數可為第一度量衡資料集MD1與第二度量衡資料集MD2之間的差異之函數。隨著調整ML模型參數(例如,權重),成本函數值(例如,差值)逐漸減小。在實施例中,使成本函數最小化。在實施例中,當達到給定數目次反覆時,當成本函數值在所要臨限值內時,當成本函數值在後續反覆中未顯著減小時或其他停止準則,停止ML模型參數之調整。
在實施例中,進行訓練ML模型以獲得第一SEM資料集與第二SEM資料集之間的CD至CD或信號至信號匹配。舉例而言,訓練ML模型涉及比較第一SEM資料集之第一CD值與第二SEM資料集之第二CD值;及基於比較而調整ML模型之參數以影響用以訓練ML模型的成本函數以改良第一SEM資料集與第二SEM資料集之間的CD匹配,該成本函數為第一CD值及第二CD值之函數。
在實施例中,ML模型之訓練涉及使用包含與同一設計佈局對準之度量衡資料的訓練資料集。舉例而言,第一度量衡資料集MD1之第一影像集(例如,第一SEM影像)可與設計佈局影像對準。作為另一實例,第一輪廓可與設計佈局之設計輪廓對準。類似地,第二度量衡資料集MD2之第二影像集(例如,另一SEM影像)可具有設計佈局影像,或第二輪廓可與設計佈局之設計輪廓對準。在實施例中,經對準第一影像集(或經對準第一輪廓)及經對準第二影像集(或經對準第二輪廓)可用作訓練資料以訓練ML模型。
作為實例,訓練ML模型涉及比較來自第一影像集及第二影像集之強度值,且基於比較而調整ML模型之參數以影響用以訓練ML模型的成本函數。在實施例中,第一影像集之各像素的強度值可與第二影像集之對應像素的強度值進行比較。
在實施例中,訓練ML模型為反覆程序。各反覆涉及(i)使用具有經調整參數之ML模型將第二度量衡資料集MD2轉換為經轉換度量衡資料集MD2';(ii)比較來自第一度量衡資料集MD1與經轉換度量衡資料集MD2'之強度值;(iii)基於比較而進一步調整ML模型之參數以影響成本函數(例如,在所要臨限值內或經最小化);(iv)判定成本函數是否在所要臨限值內(或經最小化);及(v)回應於成本函數不在所要臨限值內(或經最小化),重複步驟(i)至(iv)。
在實施例中,成本函數可包括度量衡資料集MD1與MD2之間的差異。舉例而言,成本函數可包括來自第一度量衡資料集MD1之第一強度值與來自第二度量衡資料集MD2或經轉換資料集MD2'之對應第二強度值之間的差異。在實施例中,可沿著跨特徵繪製之切線判定來自第一度量衡資料集MD1及第二度量衡資料集MD2之強度值。在實施例中,判定強度值包含沿著切線判定來自第一度量衡資料集MD1及第二度量衡資料集MD2之像素強度值。
在實施例中,判定強度值涉及將與第一度量衡系統TS1相關聯之第一輪廓提取演算法應用於第一度量衡資料集MD1上;及將與第二度量衡系統TS2相關聯之第二輪廓提取演算法應用於第二度量衡資料集MD2上。
在實施例中,訓練ML模型之程序P303採用生成對抗網路。在此實例中,訓練程序涉及結合鑑別器模型訓練產生器模型。可使用第二度量衡資料集MD2作為輸入來訓練產生器模型以產生類似於第一度量衡資料集MD1之資料;且訓練鑑別器模型以區分所產生之資料與第一度量衡資料集MD1。產生器模型及鑑別器模型可彼此協作訓練,使得產生器模型產生實際資料(例如,匹配參考資料),而鑑別器模型將此類產生器模型資料分類為可能非實際的。
GAN之例示性訓練程序為反覆程序。各訓練反覆可涉及步驟(i)用於自訓練資料(例如,MD2及MD1)隨機選擇訓練樣本(例如,圖4中之幾個經對準影像IMG1及IMG2),及步驟(ii)用於訓練產生器模型以將所選擇輸入資料自MD2轉換為經轉換資料MD2'且使用經轉換資料MD2'及參考資料MD1訓練鑑別器模型。用於訓練鑑別器模型之成本函數可經組態以調整鑑別器模型之權重,使得鑑別器模型將經轉換資料MD2'分類為錯誤(或偽)且將參考資料MD1分類為正確(或真)。舉例而言,鑑別器相關成本函數可最大化指派至真及偽影像之機率。用於產生器模型之成本函數可包括兩個部分,例如經組態以最小化待由鑑別器分類為錯誤之產生器輸出的機率。第一部分可包括經組態以使得鑑別器模型將經轉換資料MD2'標記為正確(或真)之項。第二部分可包括諸如影像MD2'與MD1之間的每像素強度差異之項。第二部分可減小(例如,最小化)以使得產生器模型產生真實經轉換資料MD2'。重複以上訓練程序(例如,步驟(i)及(ii))直至獲得所要結果為止。
圖5說明根據實施例之使用生成對抗網路(GAN)之ML模型的例示性訓練。作為實例,ML模型包含產生器模型GM及鑑別器模型DM。產生器模型GM可經組態以接收度量衡資料作為輸入且產生類似於參考資料之資料。舉例而言,產生器模型GM經組態以接收由第二度量衡系統(例如,圖3中之TS2)獲取之度量衡資料(例如,SEM影像IMG2或輪廓)且產生度量衡資料(例如,PIMG2或輪廓)。在實施例中,所產生之度量衡資料具有特性(例如,強度、特徵之形狀、特徵之大小等),如同所產生之度量衡資料由第一度量衡系統(例如,圖3中之TS1)獲取。鑑別器模型DM經組態以接收由產生器模型GM輸出之所產生之資料且判定產生器資料是否類似於參考資料。舉例而言,鑑別器模型DM經組態以接收所產生之度量衡資料(例如,PIMG2)且判定所產生度量衡資料(例如,PIMG2)是否類似於參考資料(例如,SEM影像IMG1)。在訓練程序期間,產生器模型GM及鑑別器模型DM彼此競爭,使得產生器模型GM漸進產生真實影像且鑑別器模型嘗試將此等所產生之影像分類為錯誤(偽)。
在圖5(A)中所展示之實例中,可使用所產生之第二影像PIMG2作為輸入且基板(例如,圖3中之W)之第一影像IMG1作為參考資料來訓練鑑別器模型DM。在實施例中,鑑別器模型DM將經輸入影像分類為第一類別(例如,標記為真)或第二類別(例如,標記為偽)。舉例而言,第一類別指參考資料且第二類別指由模型(例如,GM)產生之資料。在實施例中,可調整鑑別器模型DM之權重WTS直至DM模型將所產生之影像PIMG2判定為真為止。在實施例中,真指由鑑別器模型DM指派至所產生之影像PIMG2的標記,其中真指示所產生之影像PIMG2類似於第一影像IMG1。在實施例中,由成本函數CF導引鑑別器模型DM之權重WTS之調整。在實施例中,成本函數CF可為第一影像IMG1與所產生之影像PIMG2之間的差異之函數。在實施例中,差異可藉由標記(例如,真對偽、影像中之強度差異等)表徵。
在圖5(B)中所展示之實例中,產生器模型GM可使用基板(例如,圖3中之W)之第二影像IMG2作為輸入且基板(例如,圖3中之W)之第一影像IMG1作為參考資料來訓練。在實施例中,產生器模型GM將經輸入影像(例如,IMG2)轉換為具有類似於參考資料(例如,IMG1)之特性(例如,影像強度、強度斜率或其他影像特性)的影像PIMG2。
在實施例中,產生器模型GM之權重WTS'可基於成本函數CF而調整。在實施例中,成本函數CF可為第一影像IMG1與所產生之影像PIMG2之間的差異及鑑別器模型DM是否將所產生之影像PIMG2分類為第二類別或第一類別之函數。在實施例中,成本函數導引產生器模型GM之權重WTS'之調整,使得影像PIMG2與IMG1之間的差異減小(在實施例中,最小化),且所產生之影像PIMG2由鑑別器模型DM分類為第一類別(例如,真)。
在實施例中,經訓練ML模型TML可應用於藉由訓練ML模型之度量衡工具轉換所捕捉度量衡資料。作為實例,方法300可進一步涉及程序P305及P307。程序P305涉及經由第二度量衡系統TS2捕捉經圖案化基板(例如,不同於用於訓練ML模型之基板)之度量衡資料310。程序P307涉及經由經訓練ML模型TML將所捕捉度量衡資料310轉換為經轉換度量衡資料311。經圖案化基板之經轉換度量衡資料311具有如同由第一度量衡系統TS1捕捉之特性。
圖6A說明根據實施例之將由第二度量衡系統(例如,TS2)獲取之第二影像601輸入至經訓練ML模型TML (例如,根據方法300訓練)以產生經轉換影像605。圖6B展示由第一度量衡系統獲取之例示性第一影像610。第一影像610及第二影像601與同一基板相關聯。比較經轉換影像605與第一影像610指示此等影像彼此緊密地匹配。舉例而言,圖7說明沿著跨影像601、605及610中之各者的特徵繪製之切線的信號(例如,強度值)。比較自第二影像601 (在圖6A中)獲得之信號S10與自第一影像610獲得之信號S30展示強度值之實質差異。另一方面,自經轉換影像605獲得之信號S20與信號S30彼此緊密地匹配。舉例而言,信號是否緊密地匹配可藉由獲取信號之間的差異來判定。因此,有利地,經轉換影像605可用於進行與影像605中之特徵之物理特性相關聯之量測。
在實施例中,可基於自第一度量衡系統TS1獲取之第一度量衡資料而判定度量衡配方。度量衡配方可進一步用於自經訓練ML模型TML獲得之經轉換度量衡資料上以判定經圖案化基板上之圖案的物理特性(例如,CD、疊對等)之量測。作為實例,方法300可進一步涉及程序P307及P311。程序P309涉及基於來自第一度量衡系統TS1之經圖案化基板之第一度量衡資料集MD1及物理特性量測PC1而判定第二度量衡系統TS2的度量衡量測配方315。舉例而言,度量衡量測配方315包含指示在所捕捉度量衡資料311上進行CD量測之位置的CD臨限值。在實施例中,判定度量衡量測配方315涉及經由第一輪廓提取演算法自第一度量衡資料集MD1之影像提取輪廓;在跨輪廓之位置處量測跨切線(例如,圖3中之線CL1)的CD;及基於沿著切線之信號(例如,圖4中之第一信號S1)而判定對應於經量測CD之CD臨限值。
在實施例中,可使用第二度量衡系統TS2捕捉經圖案化基板之度量衡資料(例如,310),且可使用經訓練ML模型TML轉換所捕捉度量衡資料(例如,311)。可對經轉換度量衡資料311進行程序P311。程序P311涉及將度量衡量測配方315應用於經轉換度量衡資料311以用於判定經圖案化基板之物理特性量測PC2。舉例而言,物理特性量測PC2可為臨界尺寸(CD)量測、疊對量測、邊緣置放誤差或與經圖案化基板相關聯之其他特性。
圖8為根據實施例之經進行以用於轉換度量衡資料及使用經轉換度量衡資料來判定量測之例示性操作的方塊圖。舉例而言,由度量衡系統獲取之度量衡資料(例如,SEM)經轉換以匹配參考度量衡系統之量測行為。在實施例中,操作801涉及獲得訓練資料以用於訓練ML模型,其中ML模型將度量衡資料轉換為與由參考度量衡工具獲取之度量衡資料相當。在實施例中,訓練資料包括如關於程序P301 (在圖3中)所論述而獲得之經圖案化基板(例如,訓練基板)之度量衡資料集。舉例而言,度量衡資料集包含分別自第一度量衡系統TS1及第二度量衡系統TS2獲取之影像IMG1及IMG2。在實施例中,影像IMG1及IMG2可與設計佈局對準以產生待用作訓練資料之對準影像AIMG1及AIMG2。
在操作803處,訓練資料用於訓練ML模型。可根據程序P303 (在圖3中)訓練ML模型。在訓練之後,獲得經訓練ML模型TML。
在操作805處,可獲得待量測之經圖案化基板之度量衡資料810 (例如,SEM影像或輪廓)。舉例而言,度量衡資料810自除參考度量衡系統之外的度量衡系統獲得。此外,度量衡資料810可輸入至經訓練ML模型TML以將度量衡資料810轉換為經轉換資料820。
在操作811處,可自參考度量衡系統獲得參考度量衡資料(例如,IMG1)及參考量測(例如,與IMG1相關聯之CD值)。基於此資料,可判定度量衡配方R1。舉例而言,度量衡配方包括待應用於沿著跨影像IMG1中之特徵之切線的信號以判定特徵之CD值的CD臨限值。
在操作813處,可將度量衡配方R1應用於經轉換度量衡資料820以判定經圖案化基板之物理特性(例如,CD)的量測830。由於經轉換度量衡資料與由參考度量衡系統獲取之量測相當且量測配方R1亦對應於參考度量衡系統,因此量測830將與由參考度量衡工具獲取之量測相當。因此,有利地,經轉換度量衡資料820與度量衡配方R1之組合提供與參考度量衡系統一致之量測。
在一些實施例中,檢測裝置或度量衡裝置可為產生在基板上曝光或轉移之結構(例如,器件中之一些或所有結構)之影像的掃描電子顯微鏡(SEM)。圖9描繪SEM工具之實施例。自電子源ESO發射之初級電子射束EBP由聚光透鏡CL彙聚且隨後穿過射束偏轉器EBD1、E x B偏轉器EBD2及物鏡OL以在焦點處輻照基板台ST上之基板PSub。
當用電子射束EBP輻照基板PSub時,次級電子自基板PSub產生。次級電子由E x B偏轉器EBD2偏轉且由次級電子偵測器SED偵測到。可藉由與例如由射束偏轉器EBD1對電子射束之二維掃描同步地或與由射束偏轉器EBD1對電子射束EBP在X或Y方向上之重複掃描同步地偵測自樣本產生之電子,以及藉由基板台ST使基板PSub在X或Y方向中之另一者上連續移動來獲得二維電子射束影像。
由次級電子偵測器SED偵測到之信號藉由類比/數位(A/D)轉換器ADC轉換為數位信號,且將數位信號發送至影像處理系統IPU。在實施例中,影像處理系統IPU可具有記憶體MEM以儲存數位影像中之所有或部分以供處理單元PU處理。處理單元PU (例如,經專門設計之硬體或硬體及軟體之組合)經組態以將數位影像轉換為或處理成表示數位影像之資料集。此外,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。顯示器件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影像以提取描述該影像中表示器件結構之物件之邊緣的輪廓。隨後經由諸如CD之度量來量化此等輪廓。因此,通常經由諸如邊緣至邊緣距離(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器件結構之影像。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。但在實踐中,影像通常有雜訊且具有不連續邊界。諸如平滑、自適應定限、邊緣偵測、腐蝕及膨脹之技術可用以處理影像梯度輪廓模型之結果,以解決有雜訊且不連續影像,但最終將導致高解析度影像之低解析度量化。因此,在大多數情形下,對器件結構之影像進行數學運算以減小雜訊,且使邊緣偵測自動化導致影像之解析度損失,藉此導致資訊損失。因此,結果為相當於複雜之高解析度結構之簡單化表示的低解析度量化。
因此,需要具有使用圖案化程序產生或預期產生之結構(例如,電路特徵、對準標記或度量衡目標部分(例如,光柵特徵)等)之數學表示,而不論例如該等結構係在潛在抗蝕劑影像中、在經顯影抗蝕劑影像中抑或例如藉由蝕刻而轉移至基板上之層,此可保持解析度且又描述結構之通常形狀。在微影或其他圖案化程序之內容背景中,結構可為正製造之器件或其一部分,且影像可為該結構之SEM影像。在一些情形下,結構可為例如積體電路之半導體器件之特徵。在此情況下,結構可稱為包含半導體器件之複數個特徵之圖案或所要圖案。在一些情形下,結構可為用於對準量測程序中以判定物件(例如,基板)與另一物件(例如,圖案化器件)之對準的對準標記或其部分(例如,對準標記之光柵),或為用以量測圖案化程序之參數(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)。在實施例中,度量衡目標為用以量測例如疊對之繞射光柵。
圖10示意性地說明檢測裝置之另一實施例。系統用以檢測樣本載物台88上之樣本90 (諸如,基板)且包含帶電粒子射束產生器81、聚光透鏡模組82、探針形成物鏡模組83、帶電粒子射束偏轉模組84、次級帶電粒子偵測器模組85及影像形成模組86。
帶電粒子射束產生器81產生初級帶電粒子射束91。聚光透鏡模組82對所產生之初級帶電粒子射束91進行聚光。探針形成物鏡模組83將經聚光初級帶電粒子射束聚焦為帶電粒子射束探針92。帶電粒子射束偏轉模組84跨緊固於樣本載物台88上之樣本90上的所關注區域之表面掃描所形成之帶電粒子射束探針92。在實施例中,帶電粒子射束產生器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射束探針92之帶電粒子射束探針產生器。
次級帶電粒子偵測器模組85在由帶電粒子射束探針92轟擊後偵測自樣本表面發射之次級帶電粒子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)以產生次級帶電粒子偵測信號94。影像形成模組86 (例如,運算器件)與次級帶電粒子偵測器模組85耦接以自次級帶電粒子偵測器模組85接收次級帶電粒子偵測信號94,且因此形成至少一個經掃描影像。在實施例中,次級帶電粒子偵測器模組85及影像形成模組86或其等效設計、替代方案或其任何組合一起形成影像形成裝置,該影像形成裝置自由帶電粒子射束探針92轟擊之樣本90發射之偵測到的次級帶電粒子形成經掃描影像。
在實施例中,監測模組87耦接至影像形成裝置之影像形成模組86以使用自影像形成模組86接收到之樣本90的經掃描影像對圖案化程序進行監測、控制等,及/或導出用於圖案化程序設計、控制、監測等的參數。因此,在實施例中,監測模組87經組態或經程式化以使得執行本文中所描述之方法。在實施例中,監視模組87包含運算器件。在實施例中,監測模組87包含用以提供本文中之功能性且經編碼於形成監測模組87或安置於監測模組87內之電腦可讀媒體上之電腦程式。
在實施例中,類似於使用探針來檢測基板之圖9之電子射束檢測工具,圖10之系統中之電子電流相較於例如諸如圖9中所描繪之CD SEM顯著更大,使得探針光點足夠大以使得檢測速度可較快。然而,由於探針光點較大,因此解析度可不與CD SEM之解析度一樣高。在實施例中,上文所論述之檢測裝置可為單射束或多射束裝置,而不限制本發明之範疇。
可處理來自例如圖9及/或圖10之系統的SEM影像以提取描述影像中表示器件結構之物件之邊緣的輪廓。隨後通常經由使用者定義之切割線處之諸如CD之度量來量化此等輪廓。因此,通常經由諸如對經提取輪廓量測之邊緣至邊緣距離(CD)或影像之間的簡單像素差之度量來比較及量化器件結構之影像。
在實施例中,程序300中之一或多個工序可實施為電腦系統之處理器(例如,電腦系統100之處理器104)中之指令(例如,程式碼)。在實施例中,工序可跨複數個處理器而分佈(例如,並行運算)以改良計算效率。在實施例中,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。
圖11為說明可輔助實施本文中所揭示之方法、流程或裝置之電腦系統100的方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通訊機構及與匯流排102耦接以用於處理資訊之處理器104 (或多個處理器104及105)。電腦系統100亦包括耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令之主記憶體106,諸如,隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106亦可用於在執行待由處理器104執行之指令期間儲存暫時性變量或其他中間資訊。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或其他靜態儲存器件。諸如磁碟或光碟之儲存器件110經提供且耦接至匯流排102以用於儲存資訊及指令。
電腦系統100可經由匯流排102耦接至用於向電腦使用者顯示資訊之顯示器112,諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件114耦接至匯流排102以用於將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器104且用於控制顯示器112上之游標移動的游標控制件116,諸如滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在第一軸(例如,x)及第二軸(例如,y)之兩個軸上之兩個自由度,從而允許該器件指定平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
根據一個實施例,本文中所描述之一或多種方法的部分可藉由電腦系統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的一或多個序列而進行。可將此類指令自諸如儲存器件110之另一電腦可讀媒體讀取至主記憶體106中。主記憶體106中所含有之指令序列的執行使得處理器104進行本文中所描述之程序步驟。亦可採用呈多處理配置中之一或多個處理器以執行主記憶體106中所含有之指令序列。在替代性實施例中,可代替或結合軟體指令而使用硬佈線電路系統。因此,本文之描述不限於硬體電路及軟體之任何特定組合。
如本文中所使用之術語「電腦可讀媒體」指參與將指令提供至處理器104以用於執行之任何媒體。此類媒體可呈許多形式,包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟,諸如儲存器件110。揮發性媒體包括動態記憶體,諸如主記憶體106。傳輸媒體包括同軸電纜、銅線及光纖,其包括包含匯流排102之導線。傳輸媒體亦可採取聲波或光波之形式,諸如在射頻(RF)及紅外(IR)資料通訊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。
各種形式之電腦可讀媒體可涉及將一或多個指令之一或多個序列攜載至處理器104以用於執行。舉例而言,可初始地將指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體內,且使用數據機經由電話線來發送指令。在電腦系統100本端之數據機可接收電話線上之資料,且使用紅外傳輸器將資料轉換為紅外信號。耦合至匯流排102之紅外偵測器可接收紅外信號中所攜載之資料且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106,處理器104自該主記憶體106擷取且執行指令。由主記憶體106接收到之指令可視情況在由處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100亦可包括耦接至匯流排102之通訊介面118。通訊介面118提供耦接至網路鏈路120之雙向資料通訊,該網路鏈路120連接至區域網路122。舉例而言,通訊介面118可為整合服務數位網路(ISDN)卡或數據機以提供與對應類型之電話線的資料通訊連接。作為另一實例,通訊介面118可為區域網路(LAN)卡以提供至相容LAN之資料通訊連接。亦可實施無線鏈路。在任何此實施中,通訊介面118發送且接收攜載表示各種類型之資訊之數位資料流的電信號、電磁信號或光學信號。
網路鏈路120通常經由一或多個網路將資料通訊提供至其他資料器件。舉例而言,網路鏈路120可透過區域網路122向主機電腦124或向由網際網路服務提供者(ISP) 126操作之資料裝備提供連接。ISP 126又經由全球封包資料通訊網路(現在通常稱為「網際網路」128)而提供資料通訊服務。區域網路122及網際網路128皆使用攜載數位資料流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路鏈路120上且經由通訊介面118之信號為輸送資訊的例示性形式之載波,該等信號將數位資料攜載至電腦系統100且自電腦系統100攜載數位資料。
電腦系統100可經由網路、網路鏈路120及通訊介面118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可經由網際網路128、ISP 126、區域網路122及通訊介面118傳輸用於應用程式之所請求程式碼。舉例而言,一個此類經下載應用程式可提供本文中所描述之方法中的全部或部分。接收到之程式碼可在其被接收時由處理器104執行,及/或儲存於儲存器件110或其他非揮發性儲存器中以用於稍後執行。以此方式,電腦系統100可獲得呈載波形式之應用程式碼。
本發明之實施例可藉由以下條項進一步描述。
1. 一種其上記錄有指令之非暫時性電腦可讀媒體,該等指令在由電腦執行時實施用於轉換與度量衡系統相關聯之資料之方法,該方法包含:
存取由第一掃描電子度量衡(SEM)系統獲取之第一SEM資料集及由第二SEM系統獲取之第二SEM資料集,第一SEM資料集及第二SEM資料集與經圖案化基板相關聯;及
使用第一SEM資料集及第二SEM資料集作為訓練資料訓練機器學習(ML)模型,使得經訓練ML模型經組態以將由第二SEM系統獲取之度量衡資料集轉換為具有與由第一SEM系統獲取之度量衡資料相當的特性之經轉換資料集。
2. 如條項1之媒體,其中訓練ML模型包含:
比較第一SEM資料集與第二SEM資料集;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數。
3. 如條項2之媒體,其中第一SEM資料集及第二SEM資料集包含:經圖案化基板之影像集。
4. 如條項3之媒體,其中訓練ML模型包含:
比較由第一SEM系統獲取之第一影像集與由第二SEM系統獲取之第二影像集;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數,以使用第二影像集作為至ML模型之輸入來改良第一影像集與ML所產生之影像之間的匹配。
5. 如條項2之媒體,其中第一SEM資料集及第二SEM資料集包含:
經圖案化基板上之特徵之輪廓;及/或
與經圖案化基板上之圖案相關聯之物理特性。
6. 如條項4之媒體,其中物理特性包含經圖案化基板上之圖案之臨界尺寸(CD)。
7. 如條項5之媒體,其中訓練ML模型包含:
比較第一SEM資料集之第一CD值與第二SEM資料集之第二CD值;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數以改良第一SEM資料集與第二SEM資料集之間的CD匹配,該成本函數為第一CD值及第二CD值的函數。
8. 如條項3之媒體,其中訓練ML模型包含:
將第一SEM資料集之第一影像集或第一輪廓與設計佈局之設計佈局影像或設計輪廓對準;
將第二SEM資料集之第二影像集或第二輪廓與設計佈局之設計佈局影像或設計輪廓對準;及
使用經對準第一影像集及經對準第二影像集作為用以訓練機器學習模型之訓練資料。
9. 如條項6之媒體,其中訓練ML模型包含:
比較來自第一影像集及第二影像集之強度值;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數。
10. 如條項7之媒體,其中訓練ML模型為反覆程序,各反覆包含:
(i)經由具有經調整參數之ML模型且使用第一SEM資料集來轉換第二SEM資料集;
(ii)比較來自第一SEM資料集與經轉換資料集之強度值;
(iii)基於比較而進一步調整ML模型之參數以影響成本函數在所要臨限值內;
(iv)判定成本函數是否在所要臨限值內;及
(v)回應於成本函數不在所要臨限值內,重複步驟(i)至(iv)。
11. 如條項8之媒體,其中成本函數為來自第一SEM資料集之第一強度值與來自第二SEM資料集或經轉換資料集之對應第二強度值之間的差異。
12. 如條項7之媒體,其中訓練ML模型包含:
沿著跨特徵繪製之切線判定來自第一SEM資料集及第二SEM資料集之強度值。
13. 如條項10之媒體,其中判定強度值包含沿著切線判定來自第一SEM資料集及第二SEM資料集之像素強度值。
14. 如條項11之媒體,其中判定強度值包含:
將與第一SEM系統相關聯之第一輪廓提取演算法應用於第一SEM資料集;及
將與第二SEM系統相關聯之第二輪廓提取演算法應用於第二SEM資料集。
15. 如條項1之媒體,其進一步包含:
經由第二SEM系統捕捉另一經圖案化基板之度量衡資料;及
經由經訓練ML模型將所捕捉度量衡資料轉換為經轉換度量衡資料,另一經圖案化基板之經轉換度量衡資料具有如同由第一SEM系統捕捉之特性。
16. 如條項1之媒體,其進一步包含:
基於來自第一SEM系統之經圖案化基板之第一SEM資料集及物理特性量測而判定第二SEM系統之度量衡量測配方;
使用第二SEM系統捕捉經圖案化基板之度量衡資料;
使用經訓練機器學習模型轉換所捕捉度量衡資料;及
將度量衡量測配方應用於經轉換度量衡資料以判定另一物理特性量測。
17. 如條項14之媒體,其中物理特性量測包含以下中之至少一者:臨界尺寸(CD)量測、疊對量測及邊緣置放誤差。
18. 如條項15之媒體,其中度量衡量測配方包含指示在所捕捉度量衡資料上進行CD量測之位置的CD定限值。
19. 如條項16之媒體,其中判定度量衡量測配方包含:
經由第一輪廓提取演算法自第一SEM資料集之影像提取輪廓;
在跨輪廓之位置處繪製切線以量測CD;及
基於沿著切線之信號而判定對應於經量測CD之CD臨限值。
20. 如條項1之媒體,其中第一SEM系統由第一製造商製造,且第二度量衡系統由第二製造商製造。
21. 如條項1之媒體,其中ML模型為卷積類神經網路。
22. 如條項1之媒體,其中使用生成對抗網路架構訓練ML模型,ML模型包含產生器模型及鑑別器模型。
23. 如條項20之媒體,其中訓練ML模型包含:
結合鑑別器模型使用第二SEM資料集作為輸入來訓練產生器模型以產生類似於第一SEM資料集之資料;及
訓練鑑別器模型以區分所產生之資料與第一SEM資料集。
24. 一種度量衡系統,其包含:
電腦系統,其包括一或多個處理器,該一或多個處理器具有儲存於其上且用電腦程式指令程式化之經訓練機器學習(ML)模型,該等電腦程式指令在執行時使得電腦系統進行以下操作:
捕捉經圖案化基板之度量衡資料;及
經由經訓練ML模型將所捕捉度量衡資料轉換為經轉換度量衡資料,經轉換度量衡資料具有如同由另一度量衡系統捕捉之特性。
25. 如條項22之度量衡系統,其中使得電腦系統訓練ML模型,該訓練包含:
存取由第一SEM系統獲取之第一SEM資料集及由度量衡系統獲取之第二SEM資料集,第一SEM資料集及第二SEM資料集與訓練基板相關聯;及
使用第一SEM資料集及第二SEM資料集作為訓練資料訓練機器學習(ML)模型,使得經訓練ML模型經組態以將由度量衡系統獲取之度量衡資料集轉換為具有與由第一SEM系統獲取之度量衡資料相當的特性之經轉換資料集。
26. 如條項23之度量衡系統,其中訓練ML模型包含:
比較第一SEM資料集與第二SEM資料集;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數。
27. 如條項24之度量衡系統,其中第一SEM資料集及第二SEM資料集包含:訓練基板之影像集。
28. 如條項27之度量衡系統,其中訓練ML模型包含:
比較由第一SEM系統獲取之第一影像集與由第二SEM系統獲取之第二影像集;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數,以使用第二影像集作為至ML模型之輸入來改良第一影像集與ML所產生之影像之間的匹配。
29. 如條項25之度量衡系統,其中第一SEM資料集及第二SEM資料集包含:
訓練基板上之特徵之輪廓;及/或
與訓練基板上之圖案相關聯之物理特性。
30. 如條項27之度量衡系統,其中訓練ML模型包含:
將第一SEM資料集之第一影像集或第一輪廓與設計佈局之設計佈局影像或設計輪廓對準;
將第二SEM資料集之第二影像集或第二輪廓與設計佈局之設計佈局影像或設計輪廓對準;及
使用經對準第一影像集及經對準第二影像集作為用以訓練機器學習模型之訓練資料。
31. 如條項30之度量衡系統,其中訓練ML模型包含:
比較來自第一影像集及第二影像集之強度值;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數。
32. 如條項31之度量衡系統,其中訓練ML模型為反覆程序,各反覆包含:
(i)經由具有經調整參數之ML模型且使用第一SEM資料集來轉換第二SEM資料集;
(ii)比較來自第一SEM資料集與經轉換資料集之強度值;
(iii)基於比較而進一步調整ML模型之參數以影響成本函數在所要臨限值內;
(iv)判定成本函數是否在所要臨限值內;及
(v)回應於成本函數不在所要臨限值內,重複步驟(i)至(iv)。
33. 如條項32之度量衡系統,其中成本函數為來自第一SEM資料集之第一強度值與來自第二SEM資料集或經轉換資料集之對應第二強度值之間的差異。
34. 如條項31之度量衡系統,其中訓練ML模型包含:
沿著跨特徵繪製之切線判定來自第一SEM資料集及第二SEM資料集之強度值。
35. 如條項34之度量衡系統,其中判定強度值包含沿著切線判定來自第一SEM資料集及第二SEM資料集之像素強度值。
36. 如條項35之度量衡系統,其中判定強度值包含:
將與第一SEM系統相關聯之第一輪廓提取演算法應用於第一SEM資料集;及
將與度量衡系統相關聯之第二輪廓提取演算法應用於第二SEM資料集。
37. 如條項36之度量衡系統,其進一步包含:
基於來自第一SEM系統之基板之第一SEM資料集及物理特性量測而接收度量衡系統之度量衡量測配方;及
將度量衡量測配方應用於經轉換度量衡資料以判定另一物理特性量測。
38. 如條項37之度量衡系統,其中物理特性量測包含以下中之至少一者:臨界尺寸(CD)量測、疊對量測及邊緣置放誤差。
39. 如條項38之度量衡系統,其中度量衡量測配方包含指示在所捕捉度量衡資料上進行CD量測之位置的CD定限值。
40. 如條項39之度量衡系統,其中判定度量衡量測配方包含:
經由第一輪廓提取演算法自第一SEM資料集之影像提取輪廓;
在跨輪廓之位置處繪製切線以量測CD;及
基於沿著切線之信號而判定對應於經量測CD之CD臨限值。
41. 如條項24之度量衡系統,其中度量衡系統為掃描電子顯微鏡。
42. 如條項24之度量衡系統,其中經訓練ML模型為卷積類神經網路。
43. 如條項24之度量衡系統,其中使用生成對抗網路架構訓練ML模型,ML模型包含產生器模型及鑑別器模型。
44. 如條項43之度量衡系統,其中訓練ML模型包含:
結合鑑別器模型使用第二SEM資料集作為輸入來訓練產生器模型以產生類似於第一SEM資料集之資料;及
訓練鑑別器模型以區分所產生之資料與第一SEM資料集。
45. 一種用於轉換與度量衡系統相關聯之資料之方法,該方法包含:
存取由第一掃描電子度量衡(SEM)系統獲取之第一SEM資料集及由第二SEM系統獲取之第二SEM資料集,第一SEM資料集及第二SEM資料集與經圖案化基板相關聯;及
使用第一SEM資料集及第二SEM資料集作為訓練資料訓練機器學習(ML)模型,使得經訓練ML模型經組態以將由第二SEM系統獲取之度量衡資料集轉換為具有與由第一SEM系統獲取之度量衡資料相當的特性之經轉換資料集。
46. 如條項45之方法,其中訓練ML模型包含:
比較第一SEM資料集與第二SEM資料集;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數。
47. 如條項46之方法,其中第一SEM資料集及第二SEM資料集包含:經圖案化基板之影像集。
48. 如條項47之方法,其中訓練ML模型包含:
比較由第一SEM系統獲取之第一影像集與由第二SEM系統獲取之第二影像集;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數,以使用第二影像集作為至ML模型之輸入來改良第一影像集與ML所產生之影像之間的匹配。
49. 如條項42之方法,其中第一SEM資料集及第二SEM資料集包含:
經圖案化基板上之特徵之輪廓;及/或
與經圖案化基板上之圖案相關聯之物理特性。
50. 如條項47之方法,其中物理特性包含經圖案化基板上之圖案之臨界尺寸(CD)。
51. 如條項50之方法,其中訓練ML模型包含:
比較第一SEM資料集之第一CD值與第二SEM資料集之第二CD值;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數以改良第一SEM資料集與第二SEM資料集之間的CD匹配,該成本函數為第一CD值及第二CD值的函數。
52. 如條項49之方法,其中訓練ML模型包含:
將第一SEM資料集之第一影像集或第一輪廓與設計佈局之設計佈局影像或設計輪廓對準;
將第二SEM資料集之第二影像集或第二輪廓與設計佈局之設計佈局影像或設計輪廓對準;及
使用經對準第一影像集及經對準第二影像集作為用以訓練機器學習模型之訓練資料。
53. 如條項52之方法,其中訓練ML模型包含:
比較來自第一影像集及第二影像集之強度值;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數。
54. 如條項53之方法,其中訓練ML模型為反覆程序,各反覆包含:
(i)經由具有經調整參數之ML模型且使用第一SEM資料集來轉換第二SEM資料集;
(ii)比較來自第一SEM資料集與經轉換資料集之強度值;
(iii)基於比較而進一步調整ML模型之參數以影響成本函數在所要臨限值內;
(iv)判定成本函數是否在所要臨限值內;及
(v)回應於成本函數不在所要臨限值內,重複步驟(i)至(iv)。
55. 如條項54之方法,其中成本函數為來自第一SEM資料集之第一強度值與來自第二SEM資料集或經轉換資料集之對應第二強度值之間的差異。
56. 如條項53之方法,其中訓練ML模型包含:
沿著跨特徵繪製之切線判定來自第一SEM資料集及第二SEM資料集之強度值。
57. 如條項56之方法,其中判定強度值包含沿著切線判定來自第一SEM資料集及第二SEM資料集之像素強度值。
58. 如條項57之方法,其中判定強度值包含:
將與第一SEM系統相關聯之第一輪廓提取演算法應用於第一SEM資料集;及
將與第二SEM系統相關聯之第二輪廓提取演算法應用於第二SEM資料集。
59. 如條項45之方法,其進一步包含:
經由第二SEM系統捕捉另一經圖案化基板之度量衡資料;及
經由經訓練ML模型將所捕捉度量衡資料轉換為經轉換度量衡資料,另一經圖案化基板之經轉換度量衡資料具有如同由第一SEM系統捕捉之特性。
60. 如條項45之方法,其進一步包含:
基於來自第一SEM系統之經圖案化基板之第一SEM資料集及物理特性量測而判定第二SEM系統之度量衡量測配方;
使用第二SEM系統捕捉經圖案化基板之度量衡資料;
使用經訓練機器學習模型轉換所捕捉度量衡資料;及
將度量衡量測配方應用於經轉換度量衡資料以判定另一物理特性量測。
61. 如條項60之方法,其中物理特性量測包含以下中之至少一者:臨界尺寸(CD)量測、疊對量測及邊緣置放誤差。
62. 如條項61之方法,其中度量衡量測配方包含指示在所捕捉度量衡資料上進行CD量測之位置的CD定限值。
63. 如條項62之方法,其中判定度量衡量測配方包含:
經由第一輪廓提取演算法自第一SEM資料集之影像提取輪廓;
在跨輪廓之位置處繪製切線以量測CD;及
基於沿著切線之信號而判定對應於經量測CD之CD臨限值。
64. 如條項45之方法,其中第一SEM系統由第一製造商製造,且第二度量衡系統由第二製造商製造。
65. 如條項45之方法,其中ML模型為卷積類神經網路。
66. 如條項45之方法,其中使用生成對抗網路架構訓練ML模型,ML模型包含產生器模型及鑑別器模型。
67. 如條項66之方法,其中訓練ML模型包含:
結合鑑別模型使用第二SEM資料集作為輸入來訓練產生器模型以產生類似於第一SEM資料集之資料;及
訓練鑑別模型以區分所產生之資料與第一SEM資料集。
68. 一種用於轉換由掃描電子顯微鏡(SEM)系統獲取之SEM影像之方法,該方法包含:
存取由第一EM系統獲取之第一SEM影像集及由第二SEM系統獲取之第二SEM影像集,第一SEM影像集及第二SEM影像集與經圖案化基板相關聯;及
使用第一SEM影像集及第二SEM影像集作為訓練資料訓練機器學習(ML)模型,使得經訓練ML模型經組態以將由第二SEM系統獲取之SEM影像集轉換為具有與由第一SEM系統獲取之SEM影像相當的特性之經轉換影像。
69. 如條項68之方法,其中訓練ML模型包含:
比較第一SEM影像集與第二SEM影像集;及
基於比較而調整ML模型之參數以影響用以訓練ML模型之成本函數。
70. 如條項68之方法,其中訓練ML模型包含:
將第一SEM影像集與設計佈局影像對準;
將第二SEM影像集與設計佈局影像對準;及
使用經對準第一SEM影像集及經對準第二SEM影像集作為用以訓練機器學習模型之訓練資料。
71. 如條項69之方法,其中訓練ML模型包含:
比較來自第一SEM影像集及第二SEM影像集之強度值;及
基於比較而調整ML模型之參數以影響成本函數,以使用第二SEM影像集作為至ML模型之輸入來減小第一影像集與ML所產生之影像之間的強度值之差異。
72. 如條項71之方法,其中訓練ML模型為反覆程序,各反覆包含:
(i)經由具有經調整參數之ML模型且使用第一SEM影像集來轉換第二SEM影像集;
(ii)比較來自第一SEM影像集與經轉換影像集之強度值;
(iii)基於比較而進一步調整ML模型之參數以影響成本函數在所要臨限值內;
(iv)判定成本函數是否在所要臨限值內;及
(v)回應於成本函數不在所要臨限值內,重複步驟(i)至(iv)。
73. 如條項72之方法,其中成本函數為來自第一SEM影像集之第一強度值與來自第二SEM影像集或經轉換影像集之對應第二強度值之間的差異。
74. 如條項68之方法,其進一步包含:
經由第二SEM系統捕捉另一經圖案化基板之SEM影像;及
經由經訓練ML模型將所捕捉SEM影像轉換為經轉換SEM影像,另一經圖案化基板之經轉換SEM影像具有與由第一SEM系統捕捉之影像相當之特性。
75. 如條項68之方法,其進一步包含:
基於來自第一SEM系統之經圖案化基板之第一SEM影像集及CD量測而判定第二SEM系統之度量衡量測配方;
使用第二SEM系統捕捉經圖案化基板之SEM影像;
使用經訓練ML模型轉換所捕捉SEM影像;及
將度量衡量測配方應用於經轉換SEM影像以判定另一CD量測。
76. 如條項75之方法,其中度量衡量測配方包含指示在所捕捉SEM影像上進行CD量測之位置的CD定限值。
77. 如條項68之方法,其中ML模型為卷積類神經網路。
78. 如條項68之方法,其中使用生成對抗網路架構訓練ML模型,ML模型包含產生器模型及鑑別模型。
雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像,但應理解,所揭示之概念可與任何類型之微影成像系統一起使用,例如用於在除矽晶圓以外之基板上成像的微影成像系統。
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: 例示性微影投影裝置
12A: 輻射源
14A: 光學器件
16Aa: 光學器件
16Ab: 光學器件
16Ac: 透射光學器件
18A: 圖案化器件
20A: 可調整濾光器/孔徑
22A: 基板平面
81: 帶電粒子射束產生器
82: 聚光透鏡模組
83: 探針形成物鏡模組
84: 帶電粒子射束偏轉模組
85: 次級帶電粒子偵測器模組
86: 影像形成模組
87: 監測模組
88: 樣本載物台
90: 樣本
91: 初級帶電粒子射束
92: 帶電粒子射束探針
93: 次級帶電粒子
94: 次級帶電粒子偵測信號
100: 電腦系統
102: 匯流排
104: 處理器
105: 處理器
106: 主記憶體
108: 唯讀記憶體
110: 儲存器件
112: 顯示器
114: 輸入器件
116: 游標控制件
118: 通訊介面
120: 網路鏈路
122: 區域網路
124: 主機電腦
126: 網際網路服務提供者
128: 網際網路
130: 伺服器
300: 方法
310: 度量衡資料
311: 經轉換度量衡資料
315: 度量衡量測配方
601: 第二影像
605: 經轉換影像
610: 第一影像
801: 操作
803: 操作
805: 操作
810: 度量衡資料
811: 操作
813: 操作
820: 經轉換資料
830: 量測
ADC: 類比/數位轉換器
AIMG1: 對準影像
AIMG2: 對準影像
C1: 輪廓
C2: 輪廓
CF: 成本函數
CL: 聚光透鏡
CL1: 切線
DIS: 顯示器件
DM: 鑑別器模型
EBD1: 射束偏轉器
EBD2: E x B偏轉器
EBP: 初級電子射束
ESO: 電子源
F1: 特徵
F1': 特徵
GM: 產生器模型
IMG1: 第一影像
IMG2: 第二影像
IPU: 影像處理系統
MD1: 第一度量衡資料集
MD2: 第二度量衡資料集
MD2': 經轉換度量衡資料
MEM: 記憶體
OL: 物鏡
P301: 程序
P303: 程序
P305: 程序
P307: 程序
P309: 程序
P311: 程序
PC1: 物理特性量測
PC2: 物理特性量測
PIMG2: 所產生之第二影像
PSub: 基板
PU: 處理單元
R1: 度量衡配方
S1: 第一信號
S2: 第二信號
S10: 信號
S20: 信號
S30: 信號
SED: 次級電子偵測器
ST: 基板台
STOR: 儲存媒體
TML: 經訓練ML模型
TS1: 第一度量衡系統
TS2: 第二度量衡系統
W: 經圖案化基板
WTS: 權重
WTS': 權重
對於一般熟習此項技術者而言,在結合隨附圖式而檢閱特定實施例之以下描述後,上述態樣及其他態樣及特徵將變得顯而易見,在隨附圖式中:
圖1展示根據實施例之微影系統之各種子系統的方塊圖;
圖2為根據實施例之用於將由特定度量衡系統獲取之影像轉換為如同由另一度量衡系統獲取之影像的方法之例示性流程圖;
圖3說明根據實施例之由第一度量衡系統及第二度量衡系統獲取之例示性量測資料;
圖4說明根據實施例於圖3中獲取之影像之一部分內的信號;
圖5(A)及圖5(B)說明根據實施例之使用產生器對抗網路(GAN)之ML模型的例示性訓練;
圖6A說明根據實施例之將由第二度量衡系統獲取之第二影像輸入至圖2之經訓練模型以產生經轉換影像;
圖6B展示根據實施例之由第一度量衡系統獲取之例示性第一影像,例示性影像鄰近於圖6A之經轉換影像置放以用於比較;
圖7說明根據實施例之圖6A及圖6B之第一影像、第二影像及經轉換影像之一部分內的信號,第一影像及經轉換影像之信號彼此疊對從而指示經轉換影像具有與第一影像類似之特性;
圖8為根據實施例之經組態以將由第二度量衡系統獲取之影像轉換為如同由第一度量衡系統獲取之影像的機器學習(ML)模型之例示性訓練的方塊圖,且應用經訓練ML模型以判定量測;
圖9示意性地描繪根據實施例之掃描電子顯微鏡(SEM)之實施例;
圖10示意性地描繪根據實施例之電子射束檢測裝置之實施例;及
圖11為根據實施例之實例電腦系統之方塊圖。
300:方法
310:度量衡資料
311:經轉換度量衡資料
315:度量衡量測配方
MD1:第一度量衡資料集
MD2:第二度量衡資料集
MD2':經轉換度量衡資料
P301:程序
P303:程序
P305:程序
P307:程序
P309:程序
P311:程序
PC1:物理特性量測
PC2:物理特性量測
TML:經訓練ML模型
TS1:第一度量衡系統
TS2:第二度量衡系統
Claims (15)
- 一種其上記錄有指令之非暫時性電腦可讀媒體,該等指令在由一電腦執行時實施用於轉換與一度量衡系統相關聯之資料之一方法,該方法包含: 存取由一第一掃描電子度量衡(SEM)系統獲取之一第一SEM資料集及由一第二SEM系統獲取之一第二SEM資料集,該第一SEM資料集及該第二SEM資料集與一經圖案化基板相關聯;及 使用該第一SEM資料集及該第二SEM資料集作為訓練資料,訓練一機器學習(ML)模型,使得該經訓練ML模型經組態以將由該第二SEM系統獲取之一度量衡資料集轉換為具有與由該第一SEM系統獲取之度量衡資料相當的特性之一經轉換資料集。
- 如請求項1之媒體,其中該第一SEM資料集及該第二SEM資料集包含該經圖案化基板之SEM影像,其中訓練該ML模型包含: 比較由該第一SEM系統獲取之第一影像集與由該第二SEM系統獲取之第二影像集;及 基於該比較而調整該ML模型之參數以影響用以訓練該ML模型之一成本函數,以使用該第二影像集作為至該ML模型之輸入來改良該第一影像集與ML所產生之影像之間的匹配。
- 如請求項1之媒體,其中該第一SEM資料集及該第二SEM資料集包含: 該經圖案化基板上之特徵之輪廓;及/或 與該等經圖案化基板上之圖案相關聯之物理特性。
- 如請求項1之媒體,其中該等物理特性包含該經圖案化基板上之該等圖案之臨界尺寸(CD)。
- 如請求項1之媒體,其中訓練該ML模型包含: 比較該第一SEM資料集之第一CD值與該第二SEM資料集之第二CD值;及 基於該比較而調整該ML模型之參數以影響用以訓練該ML模型之一成本函數以改良該第一SEM資料集與該第二SEM資料集之間的CD匹配,該成本函數為該第一CD值及該第二CD值的一函數。
- 如請求項1之媒體,其中訓練該ML模型包含: 將該第一SEM資料集之一第一影像集或第一輪廓與一設計佈局之一設計佈局影像或設計輪廓對準; 將該第二SEM資料集之一第二影像集或第二輪廓與該設計佈局之該設計佈局影像或該設計輪廓對準;及 使用該經對準第一影像集及該經對準第二影像集作為用以訓練該機器學習模型之訓練資料。
- 如請求項2之媒體,其中訓練該ML模型包含: 比較來自該第一影像集及該第二影像集之像素強度值;及 基於該比較而調整該ML模型之參數以影響用以訓練該ML模型之該成本函數。
- 如請求項7之媒體,其中該訓練該ML模型進一步包含藉由進行以下操作來判定來自該第一影像集及該第二影像集之強度值: 將與該第一SEM系統相關聯之一第一輪廓提取演算法應用於該第一SEM資料集上;及 將與該第二SEM系統相關聯之一第二輪廓提取演算法應用於該第二SEM資料集上。
- 如請求項1之媒體,其進一步包含: 經由該第二SEM系統捕捉一另一經圖案化基板之度量衡資料;及 經由該經訓練ML模型將該所捕捉度量衡資料轉換為經轉換度量衡資料,該另一經圖案化基板之該經轉換度量衡資料具有如同由該第一SEM系統捕捉之特性。
- 如請求項1之媒體,其進一步包含: 基於來自該第一SEM系統之該經圖案化基板之該第一SEM資料集及物理特性量測而判定該第二SEM系統之一度量衡量測配方; 使用該第二SEM系統捕捉該經圖案化基板之度量衡資料; 使用該經訓練機器學習模型轉換該所捕捉度量衡資料;及 將該度量衡量測配方應用於該經轉換度量衡資料以判定另一物理特性量測。
- 如請求項10之媒體,其中該等物理特性量測包含以下中之至少一者:臨界尺寸(CD)量測、疊對量測及邊緣置放誤差。
- 如請求項10之媒體,其中該度量衡量測配方包含指示在該所捕捉度量衡資料上進行CD量測之位置的CD定限值。
- 如請求項10之媒體,其中判定該度量衡量測配方包含: 經由一第一輪廓提取演算法自該第一SEM資料集之一影像提取一輪廓; 在跨該輪廓之一位置處繪製一切線以量測一CD;及 基於沿著該切線之一信號而判定對應於該經量測CD之CD臨限值。
- 如請求項1之媒體,其中該第一SEM系統由一第一製造商製造,且該第二度量衡系統由一第二製造商製造。
- 如請求項1之媒體,其中使用一生成對抗網路架構訓練該ML模型,該ML模型包含一產生器模型及一鑑別器模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/CN2021/117420 | 2021-09-09 | ||
CN2021117420 | 2021-09-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202328821A true TW202328821A (zh) | 2023-07-16 |
TWI814571B TWI814571B (zh) | 2023-09-01 |
Family
ID=83280448
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112130492A TWI830682B (zh) | 2021-09-09 | 2022-09-07 | 用於轉換度量衡資料之方法 |
TW111133804A TWI814571B (zh) | 2021-09-09 | 2022-09-07 | 用於轉換度量衡資料之方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112130492A TWI830682B (zh) | 2021-09-09 | 2022-09-07 | 用於轉換度量衡資料之方法 |
Country Status (4)
Country | Link |
---|---|
KR (1) | KR20240063929A (zh) |
CN (1) | CN115797251A (zh) |
TW (2) | TWI830682B (zh) |
WO (1) | WO2023036593A1 (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
EP0824722B1 (en) | 1996-03-06 | 2001-07-25 | Asm Lithography B.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
US7171284B2 (en) * | 2004-09-21 | 2007-01-30 | Timbre Technologies, Inc. | Optical metrology model optimization based on goals |
US7361941B1 (en) * | 2004-12-21 | 2008-04-22 | Kla-Tencor Technologies Corporation | Calibration standards and methods |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
US10152678B2 (en) * | 2014-11-19 | 2018-12-11 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
EP3579052A1 (en) * | 2018-06-08 | 2019-12-11 | ASML Netherlands B.V. | Metrology apparatus and method for determining a characteristic of one or more structures on a substrate |
EP3637186A1 (en) * | 2018-10-09 | 2020-04-15 | ASML Netherlands B.V. | Method of calibrating a plurality of metrology apparatuses, method of determining a parameter of interest, and metrology apparatus |
EP3657257A1 (en) * | 2018-11-26 | 2020-05-27 | ASML Netherlands B.V. | Method for of measuring a focus parameter relating to a structure formed using a lithographic process |
CN114585970A (zh) * | 2019-10-17 | 2022-06-03 | Asml荷兰有限公司 | 将测量数据拟合至模型和对性能参数分布建模的方法以及相关联的设备 |
-
2022
- 2022-08-22 WO PCT/EP2022/073343 patent/WO2023036593A1/en active Application Filing
- 2022-08-22 KR KR1020247011073A patent/KR20240063929A/ko unknown
- 2022-08-25 CN CN202211028992.XA patent/CN115797251A/zh active Pending
- 2022-09-07 TW TW112130492A patent/TWI830682B/zh active
- 2022-09-07 TW TW111133804A patent/TWI814571B/zh active
Also Published As
Publication number | Publication date |
---|---|
KR20240063929A (ko) | 2024-05-10 |
TW202347048A (zh) | 2023-12-01 |
CN115797251A (zh) | 2023-03-14 |
WO2023036593A1 (en) | 2023-03-16 |
TWI830682B (zh) | 2024-01-21 |
TWI814571B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI738169B (zh) | 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品 | |
TWI705312B (zh) | 用於評估一印刷圖案之影像之方法及相關聯電腦程式產品 | |
TWI463245B (zh) | 用於全晶片之光源及遮罩最佳化的圖案選擇 | |
TWI669750B (zh) | 用於影像分析之方法及設備 | |
TWI780476B (zh) | 用於判定缺陷圖案之方法及系統 | |
JP4856734B2 (ja) | マスクライタ調整及び最適化を実行する方法 | |
TWI808444B (zh) | 用於產生消除雜訊模型之裝置及方法 | |
WO2020114752A1 (en) | Sem fov fingerprint in stochastic epe and placement measurements in large fov sem devices | |
US20230298158A1 (en) | Apparatus and method for selecting high quality images from raw images automatically | |
CN116685909A (zh) | 显影后或蚀刻后图像的基于机器学习的图像生成 | |
TWI830682B (zh) | 用於轉換度量衡資料之方法 | |
TWI798861B (zh) | 用於產生解模糊模型及解模糊影像之設備及方法 | |
TWI838628B (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 | |
WO2023117250A1 (en) | Method and apparatus to determine overlay | |
WO2023165824A1 (en) | Image analysis based on adaptive weighting of template contours | |
WO2023066657A1 (en) | Pattern matching method | |
WO2022263104A1 (en) | Inspection data filtering systems and methods | |
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 |