TW202331407A - 光學鄰近校正方法 - Google Patents

Abstract

在光學鄰近校正建模方法中，自圖案的空中影像（AI）產生抗蝕劑影像（RI）模型。在抗蝕劑影像模型的影像輪廓中，將具有低於截斷水準的水準的部分的光強度替換為所述截斷水準。使影像輪廓平滑以移除影像輪廓中的尖銳點。將拉普拉斯內核應用於影像輪廓以產生外廓影像輪廓。將外廓影像輪廓的具有低於給定水準的值的一部分截斷。將曲率半徑內核應用於外廓影像輪廓。將曲率半徑的倒數應用於抗蝕劑影像模型。

Description

OPC建模方法

實例性實施例是有關於一種光學鄰近校正（OPC）建模方法。 [相關申請案的交叉參考]

本申請案主張於2022年1月20日在韓國智慧財產局（Korean Intellectual Property Office，KIPO）提出申請的韓國專利申請案第10-2022-0008352號的優先權，所述韓國專利申請案的內容全文併入本案供參考。

隨著晶圓上圖案的大小的減小，在曝光製程期間光學鄰近效應（optical proximity effect）增強，且因此用於對光罩中繪製的圖案的佈局進行校正的光學鄰近校正（optical proximity correction，OPC）是有益的。OPC包括OPC建模、校正及驗證，且OPC建模包括光學建模（optical modeling）及抗蝕劑校準（resist calibration）。若圖案具有一維形狀，則可精確地實行抗蝕劑校準，然而，若圖案具有二維形狀，則必須提高精確度。

實例性實施例提供一種OPC建模方法。

實例性實施例提供一種使用OPC建模方法形成圖案的方法。

根據實例性實施例，提供一種OPC建模方法。在所述方法中，可自圖案的空中影像（aerial image，AI）產生抗蝕劑影像（resist image，RI）模型。可將RI模型的影像輪廓的具有低於截斷水準（truncation level）的水準的部分的光強度替換為所述截斷水準。可使影像輪廓平滑以使得影像輪廓中的尖銳點（sharp point）被移除。可將拉普拉斯內核（Laplacian kernel）應用於經平滑的影像輪廓以產生外廓影像輪廓（contour image profile）。可將外廓影像輪廓的具有低於設定水準的值的一部分截斷。可將曲率半徑內核應用於外廓影像輪廓。可將曲率半徑的倒數應用於RI模型。

根據實例性實施例，提供一種形成圖案的方法。在所述方法中，可自圖案的空中影像（AI）產生抗蝕劑影像（RI）模型，所述圖案至少包括各自在第一方向上延伸的第一線及第二線以及在第二方向上延伸的第三線，使得所述第三線連接至所述第一線及所述第二線。可將所述RI模型的影像輪廓的具有低於截斷水準的水準的一部分的光強度替換為所述截斷水準。可使所述影像輪廓平滑，使得所述影像輪廓中的尖銳點被移除。可將拉普拉斯內核應用於經平滑的所述影像輪廓以產生外廓影像輪廓。可將所述外廓影像輪廓的具有低於設定水準的值的一部分截斷。可將曲率半徑內核應用於所述外廓影像輪廓。可將曲率半徑的倒數應用於所述RI模型。

根據實例性實施例，提供一種形成圖案的方法。在所述方法中，可自圖案的空中影像（AI）產生抗蝕劑影像（RI）模型。可將所述RI模型的影像輪廓的具有低於截斷水準的水準的一部分的光強度替換為所述截斷水準。可將拉普拉斯內核應用於所述影像輪廓以產生外廓影像輪廓。可將所述外廓影像輪廓的具有低於設定水準的值的一部分截斷。可將曲率半徑內核應用於所述外廓影像輪廓。可將曲率半徑的倒數應用於所述RI模型。

根據實例性實施例的OPC建模方法可對具有二維（two-dimensional，2D）形狀特性的圖案具有高精度及穩定性。若圖案包括具有一維（one-dimensional，1D）形狀特性的部分及具有2D形狀特性的部分二者，則即使進行附加的決定及/或製程，該些部分亦可被自動區分進行處理。

結合附圖閱讀以下詳細說明，將更清楚地理解實例性實施例。應理解，儘管在本文中可能使用「第一（first）」、「第二（second）」、「第三（third）」及/或類似用語等用語來闡述各種元件、組件、區、層及/或區段，然而該些元件、組件、區、層及/或區段不應受該些用語限制。該些用語僅用於區分一個元件、組件、區、層或區段與另一區、層或區段。因此，在不背離本發明概念的教示內容的條件下，以下所論述的第一元件、組件、區、層或區段可被稱為第二或第三元件、組件、區、層或區段。

當在本說明書中結合數值使用用語「約（about）」或「實質上（substantially）」時，其旨在使相關聯的數值包括所陳述數值周圍的製造公差（例如，±10%）。此外，不管數值是被修改為「約」還是「實質上」，應理解，該些值應被解釋為包括所陳述數值周圍的製造或操作公差（例如，±10%）。

可藉由在晶圓上形成蝕刻對象層、在蝕刻對象層上形成光阻層、對光阻層進行圖案化以形成光阻圖案、以及使用光阻圖案作為蝕刻遮罩對蝕刻對象層進行蝕刻來在晶圓上形成圖案。蝕刻遮罩層可進一步形成於蝕刻對象層與光阻層之間，且在此種情況下，可使用光阻圖案對蝕刻遮罩層進行蝕刻以形成蝕刻遮罩，且可使用蝕刻遮罩對蝕刻對象層進行蝕刻。

藉由對光阻層進行圖案化來形成光阻圖案可藉由以下步驟來實行：放置光罩（例如，包括光阻層之上的圖案的標線（reticle））；實行曝光製程，其中自光源發射光以穿透光罩；以及實行顯影製程，其中移除被光曝光或未曝光的光阻層的一部分，使得光罩的圖案的佈局可被轉移至光阻層。

在形成光阻圖案中，主要使用利用氟化氪（krypton fluoride，KrF）或氟化氬（argon fluoride，ArF）作為光源的深紫外（deep ultraviolet，DUV）設備，但最近亦使用極紫外（extreme ultraviolet，EUV）設備。藉由使用EUV設備，可輕易形成具有微小節距或彎曲形狀的圖案。

隨著可在晶圓上形成的圖案的大小減小，在曝光製程期間由於相鄰圖案的影響，可能發生光學鄰近效應（OPE），且例如，圖案中的鄰近的特徵可能導致光的干涉及衍射，並造成與將印刷於晶圓上的規劃佈局不同的失真佈局。可實行光學鄰近校正（OPC）以解決OPE，在光學鄰近校正（OPC）中，可對光罩（例如標線）的圖案的佈局進行校正。

OPC可包括OPC建模、校正及驗證，且OPC建模可包括光學建模及抗蝕劑校準。

舉例而言，當實行使用包括最初形成的目標圖案的光罩的曝光製程時，可能在光阻層上產生空中影像（AI），且由於自光源發出的光與光罩之間的光學相互作用，來自AI的圖案的佈局可能與目標圖案的佈局不匹配。因此，慮及光學相互作用，預測自目標圖案的佈局產生AI模型的操作可被稱為光學建模。

在曝光製程之後，當對光阻層實行顯影製程以形成光阻圖案時，且可根據光阻圖案的佈局產生抗蝕劑影像（RI）。然而，由於例如後曝光烘烤（post exposure baking，PEB）製程及/或顯影溶液與光阻層之間的物理或化學相互作用等附加的處理，AI可能與RI不匹配。因此，慮及上述失配，自AI預測及產生RI模型的製程是有益的，且所述製程可被稱為抗蝕劑校準。

抗蝕劑校準可包括嚴密建模（rigorous modeling）方法及緊湊建模（compact modeling）方法，在所述嚴密建模方法中，部分地模仿根據PEB製程及顯影製程的變化，在所述緊湊建模方法中，藉由使用例如內核及/或濾波器的影像處理由線性組合來表示物理及化學相互作用。在緊湊建模方法中，在其中圖案的佈局具有一維（1D）形狀（例如，線及空間）的情況下，OPC建模已經被開發為具有高預測及一致性水準。然而，對於線末端（end-of-line，EOL）或二維（2D）形狀（例如，其中線彼此連接）則不存在合適的OPC建模。

在下文中，在實例性實施例中，對即使對於EOL及/或二維形狀亦具有高精度及穩定性的OPC建模進行闡述，且具體而言，對藉由OPC建模中所包括的緊湊建模方法進行的抗蝕劑校準進行闡釋。

圖1是示出根據一些實例性實施例的OPC建模的流程圖，圖2是在OPC建模中使用的RI，且圖3至圖6是由根據RI中所包括的影像輪廓的位置的光強度表示的曲線圖，所述影像輪廓是由圖2中的CD標尺表示的區的影像輪廓。

在至少一個實施例中，圖1的步驟可由被配置成實行特定功能的處理電路系統（例如硬體、軟體或其組合）來實施。舉例而言，處理電路系統更具體而言可包括（及/或被包括於）但不限於中央處理單元（central processing unit，CPU）、算術邏輯單元（arithmetic logic unit，ALU）、數位訊號處理器、微型電腦、現場可程式化閘陣列（field programmable gate array，FPGA）及可程式化邏輯單元、微處理器、應用專用積體電路（application-specific integrated circuit，ASIC）等。所述步驟可在RI的特徵選擇及提取中實施，藉此對圖案的特徵進行辨識以為使用例如機器學習的分類操作做準備。

在本文中，機器學習模型可具有例如利用訓練資料可訓練的任何結構。舉例而言，機器學習模型可包括人工神經網路、決策樹、支持向量機器、貝氏網路（Bayesian network）、遺傳演算法及/或類似模型。現在將藉由主要參照人工神經網路來闡述機器學習模型，但是實例性實施例不限於此。人工神經網路的非限制性實例可包括卷積神經網路（convolution neural network，CNN）、基於區的卷積神經網路（region based convolution neural network，R-CNN）、區建議網路（region proposal network，RPN）、遞歸神經網路（recurrent neural network，RNN）、基於堆疊的深度神經網路（stacking-based deep neural network，S-DNN）、狀態空間動態神經網路（state-space dynamic neural network，S-SDNN）、去卷積網路、深度信念網路（deep belief network，DBN）、受限玻爾茲曼機器（restricted Boltzmann machine，RBM）、完全卷積網路、長短期記憶（long short-term memory，LSTM）網路、分類網路及/或類似網路。在本文中，機器學習用於對圖案中的缺陷進行預測及/或分類及/或可用於對圖案進行校正。舉例而言，在一些實例性實施例中，圖案的分類可用於辨識圖案中易於出現基於OPE的缺陷的區域，例如圖案的臨界尺寸太小及/或圖案的特徵太接近的區域。

舉例而言，在一些實例性實施例中，分類可用於對由例如OPE引起的圖案失真進行預測及/或辨識。舉例而言，由於例如相鄰線中的圖案失真，相鄰尖端至線（tip-to-line）可能導致在相鄰線之間形成橋接，且在該些情況下，可藉由相應地調整線的尖端的位置來校正圖案。機器學習可用於例如確定調整水準，使得基於OPE的缺陷的可能性低於臨限值。在至少一個實例性實施例中，機器學習可基於設計是否已經被確認、修改及/或拒絕來參與控制被配置成生產晶圓及/或光罩的設備。舉例而言，在一些實例性實施例中，可基於藉由機器學習產生的預測及/或分類來確認佈局及/或製程，藉此指示佈局及/或製程被驗證以繼續製造，及/或若機器學習辨識出超過可接受臨限值的缺陷及/或會造成低於可接受臨限值的劣化的缺陷，則可暫停（及/或終止）製程。在至少一個實施例中，例如其中機器學習辨識出缺陷，若缺陷可被校正，則可對光罩進行重新處理，或者若缺陷不能被校正，則丟棄光罩。

參照圖1及圖2，在步驟S10中，可對具有1D形狀（例如，線及空間）的圖案實行抗蝕劑校準，以產生RI模型（1D模型）。

若RI模型具有足夠高的精確度，即使對於具有1D形狀或2D形狀的圖案的EOL，亦可藉由產生1D模型來完成OPC建模而無需附加的處理，然而，若RI模型不具有足夠高的精確度，則可實行步驟S20。

參照圖1及圖3，在步驟S20中，可將所產生的RI模型的影像輪廓的具有低於截斷水準的光強度的部分截斷，且可將影像輪廓的具有低於截斷水準的光強度的所述部分替換為臨界水準。

舉例而言，可使用由以下數學等式表示的截斷內核來實行截斷，其中x是光強度。

舉例而言，可產生具有在影像輪廓的每一位置處的光強度與截斷水準之間較高的輸出的函數，且因此具有相對高光強度的影像輪廓的中心部分可保留，而具有相對低光強度的影像輪廓的相對邊緣部分中的每一者可被變換成具有截斷水準的線。影像輪廓中具有臨界值的水準可被選擇作為截斷水準，且因此截斷水準亦可被稱為臨限水準。

參照圖1及圖4，在步驟S30中，由於截斷，可能在中心部分與每一邊緣部分之間的介面處產生尖銳點，且若對函數進行微分，則函數可能在尖銳點處發散。因此，可實行可使尖銳點平滑的糾正，使得函數在所有點處可為可微分的。

可使用由以下數學等式表示的糾正內核（例如，軟加函數（softplus function））對由步驟20產生的函數實行糾正，其中x是光強度（例如，上文表示的截斷內核的結果）且k是常數。

藉由糾正內核，可自影像輪廓移除尖銳點，且影像輪廓可在整個部分處具有彎曲形狀。

參照圖1及圖5，在步驟S40中，可對拉普拉斯內核及由步驟S30產生的函數實行卷積計算，以產生影像輪廓的外廓。

拉普拉斯內核可由例如下面的數學等式來表示。

藉由應用拉普拉斯內核，影像輪廓可被變換成外廓影像輪廓，其中在步驟S20中的截斷之前，具有接近臨界水準的水準的部分可具有較其他部分的水準高的水準。

參照圖1及圖6，在步驟S50中，可使用與步驟S30的截斷內核相似的截斷內核，使得具有給定（或設定）水準（例如，小於零的負水準）的部分可被移除，且具有等於或大於給定水準（例如，零或正水準）的部分可保留在由步驟S40產生的外廓影像輪廓中。

在截斷之後，僅在外廓影像輪廓中具有接近臨界水準的值的部分可保留。

參照圖1，在步驟S60中，可對曲率半徑（R）內核及由步驟S50產生的函數實行卷積計算，以產生曲率半徑（R），且可計算作為曲率半徑（R）的倒數的k值。k值可藉由以下數學等式計算，其中x及y是每一位置處的平面座標。

RI中每條線的EOL在其位置處可具有不同的曲率半徑，且因此可具有不同的k值。然而，實例性實施例不限於此，且每條線的側壁可具有無限的曲率半徑，進而k值可為零。

圖7是在RI的每一位置處示出k值的影像。

參照圖7，側壁的k值為零，且因此未示出，而EOL的k值沿外廓而不同。

藉由步驟S20至步驟S60，可將拉普拉斯內核應用於初始產生的1D RI模型以提取外廓，可沿外廓計算曲率半徑（R）及k值。另外，可實行截斷，其中具有小於臨界值的值的部分被截斷，以使得可在所需的部分處計算k值，且可實行糾正，進而可在應用拉普拉斯內核的函數的微分期間防止發散。

在1D形狀中的大部分處，k值可為零或非常接近零，而在EOL或具有2D形狀的部分處，k值可不為零。因此，除了EOL或具有2D形狀的部分之外，1D形狀的大部分可在k值的產生期間被過濾。舉例而言，可不特意指定步驟S20至步驟S60的區，且可根據由步驟S20至步驟S60產生的k值來對所述區進行自動分類。

因此，步驟S20至步驟S60可理解為用於識別2D形狀（及/或1D形狀的EOL）的過程。

圖8示出具有各種形狀的各種RI下的k值。

如上所述，每條線的側壁處的k值、即具有1D形狀特性的部分是零或非常接近零，而每條線的EOL處的k值，或接觸相鄰線的部分、即具有2D形狀特性的部分是不同的。

舉例而言，若圖案包括其中的每一者在第一方向上延伸的第一線及第二線以及在與第一方向交叉的第二方向上延伸並連接至第一線及第二線的第三線，則k值在第一線及第二線中的每一者的側壁處實質上為零（例如，零或非常接近零），且在第三線的與第一線或第二線接觸的部分處大於零。

在實例性實施例中，具有2D形狀特性的k值可為具有1D形狀特性的k值的近似10 ⁵倍。

參照圖1，在步驟S70中，由步驟S60計算的k值可被附加地應用於初始1D模型，使得可對初始1D模型進行修改。

如上所述，除了1D形狀的EOL或具有2D形狀特性的部分之外，k值對具有1D形狀特性的部分沒有影響，且因此修改的1D模型可保持初始1D模型的精度及穩定性，且可提高1D形狀的EOL或具有2D形狀特性的部分的精度及穩定性。

若需要，當k值應用於1D模型時，可進一步實行係數的最佳化。

若修改的1D模型被確定為具有足夠的精度，則可完成OPC建模，且因此可產生最終的OPC模型。若修改的1D模型並未被確定為具有足夠的精度，則可重複實行上述步驟S20至步驟S70。

如上所述，在根據實例性實施例的OPC建模方法中，即使除了具有1D形狀特性的部分之外，並未對1D形狀的EOL或具有2D形狀特性的部分做出獨立的決定，亦可藉由計算k值來對該些部分進行自動區分。因此，OPC建模方法亦可應用於基於機器學習的OPC建模方法，藉此認可使用機器學習建模的OPC的精度。

OPC建模方法可應用於形成包括具有2D形狀特性的部分以及具有1D形狀特性的部分的圖案的方法，以及製造包括所述圖案的各種裝置的方法。

上述內容是對實例性實施例的例示，而不應被解釋為對實例性實施例進行限制。儘管已闡述幾個實例性實施例，但熟習此項技術者將易於理解，在不實質上背離本發明概念的新穎教示內容及優點的情況下，在實例性實施例中可作出諸多潤飾。因此，所有此等潤飾皆旨在包括於申請專利範圍所界定的本發明概念的範圍內。

在申請專利範圍中，手段加功能條款（means-plus-function clause）旨在涵蓋在本文中被闡述為實行所述功能的結構，且不僅涵蓋結構等效物而且涵蓋等效結構。因此，應理解，上述內容是對各種實例性實施例的例示，且不應被解釋為僅限於所揭露的特定實例性實施例，並且對所揭露的實例性實施例以及其他實例性實施例的潤飾亦旨在包括於所附申請專利範圍的範圍內。

S10、S20、S30、S40、S50、S60、S70:步驟

專利或申請案文件包含以彩色執行的至少一幅圖式。專利局將在有人索要並支付必要的費用後提供本專利或專利申請案出版物的彩色圖式副本。現在將參照附圖藉由實例的方式對該些及其他態樣進行闡述，在附圖中： 圖1是示出根據實例性實施例的OPC建模的流程圖。 圖2是在OPC建模中使用的RI。 圖3至圖6是由根據RI中所包括的影像輪廓的位置的光強度表示的曲線圖，所述影像輪廓是由圖2中的CD標尺表示的區的影像輪廓。 圖7是在RI的每一位置處示出k值的影像。 圖8示出具有各種形狀的各種RI下的k值。

S10、S20、S30、S40、S50、S60、S70:步驟

Claims (10)

1. 一種光學鄰近校正（OPC）方法，包括： 自圖案的空中影像（AI）產生抗蝕劑影像（RI）模型； 將所述抗蝕劑影像模型的影像輪廓的一部分的光強度替換為截斷水準，所述部分具有低於所述截斷水準的水準； 使所述影像輪廓平滑，使得所述影像輪廓中的尖銳點被移除； 將拉普拉斯內核應用於經平滑的所述影像輪廓以產生外廓影像輪廓； 將所述外廓影像輪廓的具有低於設定水準的值的一部分截斷； 將曲率半徑內核應用於所述外廓影像輪廓；以及 將所述曲率半徑的倒數應用於所述抗蝕劑影像模型。
2. 如請求項1所述的方法，其中對具有低於所述截斷水準的所述水準的所述部分的所述光強度進行替換包括使用由下式表示的截斷內核 其中x是所述光強度。
3. 如請求項2所述的方法，其中使所述影像輪廓平滑包括使用由下式表示的糾正內核 其中x’是應用所述截斷內核後的結果且k是常數。
4. 如請求項3所述的方法，其中所述拉普拉斯內核由下式表示 其中f是應用所述糾正內核後的結果。
5. 如請求項4所述的方法，其中所述設定水準為零，使得將所述外廓影像輪廓的所述部分截斷包括將在應用所述拉普拉斯內核後具有負值的部分截斷。
6. 如請求項1所述的方法，其中所述內核半徑由下式表示 其中x及y是平面座標，且f(x,y)是在每一位置處應用所述拉普拉斯內核後的結果。
7. 如請求項1所述的方法，其中所述圖案包括在一方向上延伸的線的形狀，且 其中所述曲率半徑的所述倒數在所述線的側壁處實質上為零且在所述線的線末端（EOL）處大於零。
8. 如請求項1所述的方法，其中所述圖案包括各自在第一方向上延伸的第一線及第二線以及在第二方向上延伸的第三線，使得所述第三線連接至所述第一線及所述第二線，且 其中所述倒數在所述第一線及所述第二線中的每一者的側壁處實質上為零，且在所述第三線的與所述第一線或所述第二線中的至少一者接觸的部分處大於零。
9. 一種光學鄰近校正（OPC）方法，包括： 自圖案的空中影像（AI）產生抗蝕劑影像（RI）模型，所述圖案至少包括各自在第一方向上延伸的第一線及第二線以及在第二方向上延伸的第三線，使得所述第三線連接至所述第一線及所述第二線； 將所述抗蝕劑影像模型的影像輪廓的一部分的光強度替換為截斷水準，所述部分具有低於所述截斷水準的水準； 使所述影像輪廓平滑，使得所述影像輪廓中的尖銳點被移除； 將拉普拉斯內核應用於經平滑的所述影像輪廓以產生外廓影像輪廓； 將所述外廓影像輪廓的具有低於設定水準的值的一部分截斷； 將曲率半徑內核應用於所述外廓影像輪廓；以及 將所述曲率半徑的倒數應用於所述抗蝕劑影像模型。
10. 如請求項9所述的方法，其中對具有低於所述截斷水準的所述水準的所述部分的所述光強度進行替換包括使用由下式表示的截斷內核 其中x是所述光強度。

Images