TW202333079A - 產生擴增資料以訓練機器學習模型以保持物理趨勢 - Google Patents

Abstract

機器學習模型可經訓練以相對於由一圖案化程序產生的一晶圓上之一圖案之變異來預測成像特性。然而，歸因於由用於訓練之有限晶圓資料提供的低圖案涵蓋範圍，機器學習模型往往會過度擬合，且來自該等機器學習模型之預測偏離特性化該晶圓上之該圖案及/或該圖案化程序相對於該圖案變異的物理趨勢。為增強圖案涵蓋範圍，訓練資料係運用符合某一預期物理趨勢之圖案資料來擴增，並應用於不由先前經量測晶圓資料涵蓋的新圖案。

Description

產生擴增資料以訓練機器學習模型以保持物理趨勢

本發明大體上係關於與計算微影相關聯之機器學習模型。

微影投影裝置可用於(例如)積體電路(IC)之製造中。圖案化器件(例如遮罩)可包括或提供對應於IC(「設計佈局」)之個別層之圖案，且可藉由諸如將已塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)輻照通過圖案化器件上之圖案之方法而將此圖案轉印至該目標部分上。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影投影裝置順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影投影裝置中，在一個操作中將整個圖案化器件上之圖案轉印至一個目標部分上。此裝置通常被稱作步進器。在通常被稱作步進掃描裝置之替代裝置中，投影光束在給定參考方向(「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。將圖案化器件上之圖案之不同部分漸進地轉印至一個目標部分。因為一般而言，微影投影裝置將具有縮減比率M (例如，4)，所以基板之移動速度F將為1/M時間，此時投影光束掃描圖案化器件。關於微影器件的更多資訊可見於例如以引用之方式併入本文中之US 6,046,792。

在將圖案自圖案化器件轉印至基板之前，基板可經歷各種工序，諸如，上底漆、抗蝕劑塗佈，及軟烘烤。在曝光之後，基板可經受其他工序(「後曝光工序」)，諸如後曝光烘烤(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一器件(例如，IC)之個別層的基礎。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器件之個別層。若在器件中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在一器件。接著藉由諸如切割或鋸割之技術來使此等器件彼此分離，使得可將個別器件安裝於載體上、連接至銷釘，等等。

製造器件(諸如半導體器件)通常涉及使用數個製造程序來處理基板(例如，半導體晶圓)以形成該等器件之各種特徵及多個層。通常使用(例如)沈積、微影、蝕刻、沈積、化學機械研磨及離子植入來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製作多個器件，且接著將該等器件分離成個別器件。此器件製造程序可被認為係圖案化程序。圖案化程序涉及使用微影裝置中之圖案化器件進行圖案化步驟(諸如光學及/或奈米壓印微影)以將圖案化器件上之圖案轉印至基板，但圖案化程序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、使用蝕刻裝置而使用圖案進行蝕刻等等。

微影為在諸如IC之器件之製造時的中心步驟，其中形成於基板上之圖案界定器件之功能元件，諸如微處理器、記憶體晶片等。類似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。

隨著半導體製造程序繼續前進，功能元件之尺寸已不斷地減小。同時，每器件功能元件(諸如電晶體)之數目已穩定地增加，此遵循通常被稱作「莫耳定律」之趨勢。在當前技術狀態下，使用微影投影裝置來製造器件之層，該等微影投影裝置使用來自深紫外線照明源之照明將設計佈局投影至基板上，從而產生尺寸充分低於100 nm，亦即小於來自照明源(例如193 nm照明源)之輻射的波長之一半的個別功能元件。

供印刷尺寸小於微影投影裝置之經典解析度極限之特徵的此程序根據解析度公式CD = k1×λ/NA通常稱為低k1微影，其中λ為所採用輻射之波長(當前在大多數情況下，248 nm或193 nm)，NA為微影投影裝置中之投影光學件之數值孔徑，CD為「關鍵尺寸(critical dimension)」(通常為所印刷之最小特徵大小)，且k1為經驗解析度因數。大體而言，k1愈小，則在基板上再生類似於由設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，將複雜微調步驟應用至微影投影裝置、設計佈局或圖案化器件。此等方法包括例如但不限於NA及光學相干設定之最佳化、定製照明方案、使用相移圖案化器件、設計佈局中之光學近接校正(OPC，有時亦稱為「光學及程序校正」)、源遮罩最佳化(SMO)或一般定義為「解析度增強技術」(RET)之其他方法。

機器學習模型可經訓練以相對於由一圖案化程序產生之一晶圓上的一圖案之變異來預測成像特性。然而，歸因於由用於訓練之有限晶圓資料提供的低圖案涵蓋範圍，機器學習模型往往會過度擬合，且來自該等機器學習模型之預測偏離特性化該圖案化程序相對於該圖案變異的物理趨勢。根據本發明之實施例，為增強圖案涵蓋範圍，訓練資料係運用符合某一預期物理趨勢之圖案資料來擴增，並應用於不由先前經量測晶圓資料涵蓋的新圖案。

根據一實施例，提供一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦執行一方法。該方法包含獲得或另外判定一或多個成像特性相對於由圖案化程序產生的基板上之圖案變異的一物理趨勢。在一些實施例中，物理趨勢係與圖案設計變異及/或圖案化程序變異相關聯。物理趨勢係基於用於一第一圖案集合及/或圖案化程序之第一資料而獲得或判定。在一些實施例中，第一資料包含基板上之圖案的先前經判定量測，及/或指示由圖案化程序產生的基板上之圖案之物理行為的資訊。該方法包含基於物理趨勢產生擴增資料。擴增資料相對於先前經判定量測及/或指示基板上之圖案之物理行為的資訊係新的，但仍符合物理趨勢。擴增資料包含符合物理趨勢並基於第一資料導出的第二資料。擴增資料經導出用於不同於第一集合之第二圖案集合。擴增資料經組態以作為輸入提供至機器學習模型以訓練該機器學習模型以根據物理趨勢預測一或多個成像特性。

在一些實施例中，擴增資料係作為輸入提供至機器學習模型以訓練機器學習模型以符合一或多個成像特性根據物理趨勢之預測。

在一些實施例中，該方法進一步包含提供擴增資料至機器學習模型以訓練機器學習模型以根據物理趨勢預測一或多個成像特性。

在一些實施例中，一或多個成像特性包含關鍵尺寸、邊緣位置、曲率、間距、對稱或旋轉。

在一些實施例中，圖案化程序包含微影程序及/或蝕刻程序。

在一些實施例中，產生擴增資料係基於包括於第一資料中的一或多個成像特性之量測。第一資料包含至少部分界定物理趨勢之針對第一圖案集合及/或圖案化程序的先前經判定資料。

在一些實施例中，產生擴增資料包含在給定成像特性之量測之間數學內插以判定給定成像特性之額外量測。

在一些實施例中，產生擴增資料包含使用量測校準與物理趨勢相關聯的物理模型，及使用經校準物理模型以預測符合物理趨勢之額外量測。

在一些實施例中，物理模型包含具有共同地模擬物理趨勢及/或圖案化程序之項的多維演算法。

在一些實施例中，產生擴增資料進一步包含使用量測校準經組態以補償經預測額外量測之誤差的殘餘模型，及使用物理模型及殘餘模型產生擴增資料。殘餘模型包含藉由將來自物理模型之預測之誤差擬合至量測的純數學模型。

在一些實施例中，產生擴增資料係基於由圖案化程序產生的圖案中之量測及對稱。

在一些實施例中，產生擴增資料包含基於來自經校準物理模型之輸出判定物理趨勢。趨勢可由藉由物理模型預測的成像特性之值而不是成像特性自身之絕對值之間的相對關係描述。

在一些實施例中，物理趨勢包含對稱趨勢、定向趨勢、焦點趨勢、劑量趨勢、貫穿間距趨勢、線性趨勢及/或貫穿關鍵尺寸趨勢。

在一些實施例中，機器學習模型經訓練以基於一損耗函數根據物理趨勢預測一或多個成像特性，該損耗函數經組態以使機器學習模型擬合藉由物理模型預測的成像特性之值而不是成像特性自身之絕對值之間的相對關係。

在一些實施例中，物理趨勢係基於基板上之先前圖案變異及/或先前圖案化程序變異而獲得或另外判定。

在一些實施例中，來自機器學習模型之輸出經組態以經提供至一成本函數以促進與個別圖案化程序變數相關聯的成本之判定。

在一些實施例中，第一資料包含藉由一第一圖案化程序產生的第一基板上之一第一圖案或圖案集合之先前經判定量測。物理趨勢係藉由(1)提取及/或分類與物理趨勢相關聯的第一基板上的第一圖案或圖案集合之量測，及/或(2)將物理模型擬合至第一圖案或圖案集合之量測而判定及/或另外獲得。

在一些實施例中，第一圖案化程序包含具有與第二圖案化程序類似及可比之處理條件的一或多個半導體製造圖案化程序。

在一些實施例中，第二圖案化程序包含被模擬及/或模型被建構所針對的一目標圖案化程序。

在一些實施例中，擴增資料包含基於物理趨勢及/或藉由物理模型產生的新資料，及/或來自第一資料之符合物理趨勢的先前經判定量測之一子集。

在一些實施例中，擴增資料可與來自藉由第二圖案化程序產生的第二基板上之第二圖案或圖案集合之第二量測組合。

在一些實施例中，當第一圖案化程序及第二圖案化程序類似時，來自第一資料之符合物理趨勢的先前經判定量測之子集包含與先前遮罩相關聯的資料。

在一些實施例中，當相對於第一圖案化程序調整第二圖案化程序時，來自第一資料之符合物理趨勢的先前經判定量測之子集包含與當前遮罩上之不同位置相關聯的資料。

在一些實施例中，若不使用擴增資料，則相較於第二量測之數量，第二資料包含來自藉由第二圖案化程序產生的第二基板上之第二圖案的較少第二量測，該較少第二量測可與基於物理趨勢及/或藉由物理模型產生的新資料，及/或來自第一資料之符合物理趨勢的先前經判定量測之子集組合。

在一些實施例中，擴增資料之總量相對於藉由第一圖案化程序產生的第一基板上之第一圖案之先前經判定量測具有相同或增加之資料密度。

在一些實施例中，擴增資料係與基於經正規化標準差之損耗函數相關聯。

在一些實施例中，擴增資料、第二量測資料及/或基於經正規化標準差之損耗函數用於訓練機器學習模型。

在一些實施例中，基於經正規化標準差之損耗函數係基於與物理趨勢相關聯的第一資料中之全部關鍵尺寸之範圍而正規化。

根據另一實施例，提供一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦運用基於與晶圓上之圖案之集合及/或由微影程序產生的程序變異相關聯之物理趨勢而判定的擴增訓練資料訓練一機器學習模型，擴增訓練資料經組態以相對於與先前模型相關的物理趨勢增強機器學習模型之預測準確度。該等指令引起包含以下各者之操作：判定一或多個成像特性相對於由微影程序產生的晶圓上之圖案集合之變異的物理趨勢，該物理趨勢係基於圖案之第一集合及/或微影程序的第一資料而獲得或另外判定；基於物理趨勢產生擴增訓練資料，擴增訓練資料包含符合物理趨勢及基於第一資料導出之第二資料，擴增訓練資料經導出用於不同於第一集合的圖案之第二集合；及將擴增訓練資料作為輸入提供至機器學習模型以訓練機器學習模型以根據物理趨勢預測一或多個成像特性。

在一些實施例中，一或多個成像特性包含關鍵尺寸、邊緣位置、曲率、間距、對稱或旋轉。

在一些實施例中，產生擴增資料係基於包括於第一資料中的成像特性之量測。在一些實施例中，產生擴增訓練資料包含在給定成像特性之量測之間數學內插以判定給定成像特性之額外量測。在一些實施例中，產生擴增訓練資料包含使用量測校準與物理趨勢相關聯的物理模型，及使用經校準物理模型以預測額外量測。在一些實施例中，產生擴增訓練資料包含使用量測校準經組態以補償經預測額外量測之誤差的殘餘模型，及使用物理模型及殘餘模型產生擴增訓練資料(殘餘模型包含藉由將來自物理模型之預測之誤差擬合至量測的純數學模型)。在一些實施例中，產生擴增訓練資料係基於量測及由微影程序產生的圖案中之對稱。

在一些實施例中，產生擴增訓練資料包含基於來自經訓練物理模型之輸出判定物理趨勢，該趨勢係由藉由物理模型預測的成像特性之值而不是成像特性自身之絕對值之間的相對關係描述。

根據另一實施例，提供一種用於產生擴增資料之包含上文所描述的操作中之一或多者之方法。

根據另一實施例，提供一種用於產生擴增資料之系統。該系統包含藉由機器可讀指令組態以執行上文所描述的操作中之一或多者的一或多個硬體處理器。

如上文所描述，機器學習模型可經訓練以相對於由圖案化程序產生的晶圓上之圖案變異來預測成像特性。然而，歸因於由用於訓練之有限晶圓資料提供的低圖案涵蓋範圍，機器學習模型往往會過度擬合，且來自該等機器學習模型之預測偏離特性化該圖案化程序相對於該圖案變異的物理趨勢。舉例而言，基於神經網路之機器學習模型具有準確地擬合預測至訓練資料的強能力，但亦有過度擬合(例如，對於落在訓練資料點之間或超出訓練資料點的預測)之傾向。換言之，基於神經網路之機器學習模型可非常好地擬合已知資料，但對於新的資料，來自模型的預測之準確度可係不佳的(例如，歸因於過度擬合)。

基於神經網路之機器學習模型通常需要用於模型訓練的大量資料以增強預測準確度(例如，以減小模型可能看到的可能新資料之量，及減少過度擬合之可能性)。然而，歸因於圖案化程序及/或度量衡資源限制，及/或對於其他原因，通常某些成像特性(例如，關鍵尺寸、間距等)之僅僅相對較少變異可經收集並用於模型訓練。藉由提供大量圖案化程序及度量衡資源增加圖案涵蓋範圍常常係過分昂貴。

作為半導體製造中之實際實例，對於一維貫穿間距圖案，其中關鍵尺寸(下文所描述之CD)保持恆定同時間距係變化的，蝕刻偏差經預期具有平滑趨勢，從而反映材料載入之漸進變化。然而，在此實例中，僅僅相對少數資料點能夠經量測並經提供至基於神經網路之機器學習模型以用於訓練。因此，基於神經網路之機器學習模型將往往會過度擬合。此意謂模型將準確地擬合蝕刻偏差預測至訓練資料，但有針對落在訓練資料點之間的預測過度擬合的傾向(例如，預測蝕刻偏差趨勢線可以不反映基於程序知識預期之平滑趨勢的方式在訓練資料點之間起伏或另外變化)。此可導致不佳模型預測及不準確程序調整及/或基於模型之其他應用，以及其他缺點。

根據本發明中所描述之實施例，為增強圖案涵蓋範圍，訓練資料藉由基於某一預期物理趨勢(例如，在上述實例中之預期平滑蝕刻偏差趨勢)產生用於新圖案的合成性擴增資料而擴增，其中新的圖案不由先前經量測晶圓資料涵蓋。一或多個成像特性相對於由圖案化程序產生的基板上之圖案變異的物理趨勢經獲得或經另外判定。舉例而言，物理趨勢可與圖案設計變異及/或圖案化程序變異相關聯。物理趨勢係基於用於一第一圖案集合及/或圖案化程序之資料而判定。此資料可為基板上之圖案之先前經判定量測、指示由圖案化程序(例如，工程師已經知曉的程序知識)產生的基板上之圖案之物理行為的資訊，及/或其他資料。

合成性擴增資料來源於第一圖案集合之資料且符合物理趨勢。舉例而言，擴增資料可包括未在先前經判定量測及/或指示基板上之圖案之物理行為的資訊中涵蓋，但仍符合物理趨勢的資料。在一些實施例中，此(第一)資料(例如，先前經判定量測及/或指示基板上之圖案之物理行為的資訊)可包括實際量測(例如，值)，但亦可另外或實際上為藉由物理模型產生的資訊，或甚至藉由使用者簡單知曉之趨勢資訊。擴增資料經導出用於不同於第一集合之第二圖案集合。擴增資料可作為輸入提供至機器學習模型以訓練機器學習模型以根據物理趨勢(例如，以及第一資料)預測一或多個成像特性。此可顯著增加機器學習模型預測準確度(例如，藉由減小過度擬合)，而不帶來額外度量衡及/或其他處理成本，以及其他優點。

作為另一實際實例，在圖案化程序之顯影循環之每一調節反覆中，新度量衡資料經重新收集且通常必須具有充分圖案涵蓋範圍以訓練機器學習模型並減少模型過度擬合。此需要顯著資源並產生程序顯影之瓶頸。由於模型訓練目標之目的係降低絕對模型誤差，因此來自先前反覆及類似調節程序之資料不能簡單地被添加至當前模型訓練資料，因為圖案尺寸可稍微不同且若被用作訓練資料，則可負面地影響模型效能。

根據本發明中所描述之實施例，自類似調節程序收集的資料用於擴增任何其他可用訓練資料並改良圖案涵蓋範圍且正則化機器學習模型而不帶來額外度量衡及處理成本。舉例而言，來自相同基板層之圖案化程序可在不同程序調節反覆之間類似。然而，來自每一反覆之度量衡資料不能直接被添加至任何其他可用模型訓練資料並以與自當前程序收集的資料相同之方式被處理(如上文所描述)。實際上，來自調節程序之物理趨勢經判定，且符合彼等物理趨勢之可用或新產生資料用作訓練資料。舉例而言，調節圖案化程序可引起小變異圖案化關鍵尺寸，因此來自給定調節反覆之絕對度量衡值可不直接用於訓練資料。然而，調節程序之總物理趨勢可與當前圖案化程序中之物理趨勢相同。因此，機器學習模型可經訓練以遵循來自類似程序的資料之物理趨勢，而不是使用絕對模型誤差作為訓練目標。用於訓練之擴增資料可包含基於物理趨勢及/或藉由物理模型產生的新資料，及/或來自稍早圖案化程序調節步驟之符合物理趨勢的先前經判定量測之一子集。此擴增資料可與來自藉由一當前圖案化程序產生的當前基板上之當前圖案或圖案集合之額外量測組合。

參看圖式詳細描述本發明之實施例，該等圖式提供為本發明之說明性實例以便使熟習此項技術者能夠實踐本發明。值得注意的是，以下之圖式及實例並不意謂將本發明之範疇限於單一實施例，而是藉助於所描述或所說明元件中之一些或所有之互換而使其他實施例係可能的。此外，在可部分地或完全地使用已知組件來實施本發明之某些元件之情況下，將僅描述理解本發明所必需理解之此類已知組件之彼等部分，且將省略此類已知組件之其他部分之詳細描述以便不混淆本發明。除非本文中另外規定，否則如對於熟習此項技術者將顯而易見的是，描述為以軟體實施之實施例不應限於此，而是可包括以硬體或軟體與硬體之組合實施之實施例，且反之亦然。在本說明書中，展示單數組件之實施例不應被認為限制性的；實情為，除非本文中另有明確陳述，否則本發明意欲涵蓋包括複數個相同組件之其他實施例，且反之亦然。此外，申請人不意欲使本說明書或申請專利範圍中之任何術語歸結於不常見或特殊涵義，除非如此明確闡述。另外，本發明涵蓋本文中藉助於說明而提及之已知組件的目前及未來已知等效者。

儘管在本文中可特定地參考IC之製造，但應明確地理解，本文中之描述具有許多其他可能應用。舉例而言，該等應用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」之任何使用應被視為分別可與更一般之術語「遮罩」、「基板」及「目標部分」互換。

在本發明文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如具有365 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外線(EUV輻射，例如具有在5 nm至100 nm之範圍內之波長)。

如本文所使用之術語「投影光學件」應被廣泛地解譯為涵蓋各種類型之光學系統，包括(例如)折射光學件、反射光學件、孔徑及反射折射光學件。術語「投影光學件」亦可包括根據此等設計類型中之任一者而操作的組件，以用於集體地或單一地導向、塑形或控制投影輻射光束。術語「投影光學件」可包括微影投影裝置中之任何光學組件，而不管光學組件定位於微影投影裝置之光學路徑上之何處。投影光學件可包括用於在來自源之輻射穿過(例如半導體)圖案化器件之前塑形、調整及/或投影該輻射的光學組件，及/或用於在輻射穿過圖案化器件之後塑形、調整及/或投影該輻射的光學組件。投影光學件通常排除源及圖案化器件。

(例如，半導體)圖案化器件可包含或可形成一或多個圖案。可利用電腦輔助設計(CAD)程式基於圖案或設計佈局而產生圖案，此程序常常稱為電子設計自動化(EDA)。大多數CAD程式遵循一預定設計規則集合，以便產生功能設計佈局/圖案化器件。藉由處理及設計限制來設定此等規則。舉例而言，設計規則定義器件(諸如閘、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需要的方式彼此相互作用。設計規則可包括及/或指定特定參數、關於參數之限制及/或參數範圍，及/或其他資訊。設計規則限制及/或參數中之一或多者可稱為「關鍵尺寸」(CD)。器件之關鍵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，或其他特徵。因此，CD判定所設計器件之總體大小及密度。器件製作中之目標中之一者係在基板上如實地再生原始設計意圖(經由圖案化器件)。

如本文中所使用之術語「遮罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用半導體圖案化器件，經圖案化橫截面對應於待在基板之目標部分中產生之圖案；術語「光閥」亦可用於此內容背景中。除經典遮罩(透射式或反射式；二元、相移、混合式等)以外，其他此類圖案化器件之實例包括可程式化鏡面陣列及可程式化LCD陣列。

可程式化鏡面陣列之實例可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將入射輻射反射為繞射輻射，而未經定址區域將入射輻射反射為非繞射輻射。使用適當濾光片，可自經反射光束濾除該非繞射輻射，從而之後僅留下繞射輻射；以此方式，光束變得根據矩陣可定址表面之定址圖案而圖案化。可使用合適電子構件來執行所需矩陣定址。可程式化LCD陣列之實例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。

如本文中所使用，術語「圖案化程序」通常意謂作為微影程序之部分的藉由施加光之指定圖案來產生經蝕刻基板的程序。然而，「圖案化程序」亦可包括(例如，電漿)蝕刻，此係由於本文中所描述的許多特徵可提供益處至使用蝕刻(例如，電漿)處理形成經印刷圖案。

如本文中所使用，術語「圖案」意謂例如基於上文所描述之設計佈局而待蝕刻於基板(例如，晶圓)上之理想化圖案。圖案可包含例如各種形狀、特徵之配置、輪廓等。

如本文所使用，術語「經印刷圖案」意謂基於目標圖案蝕刻的基板上之實體圖案。印刷圖案可包括例如凹槽、溝道、凹陷、邊緣或由微影程序產生之其他兩維及三維特徵。

如本文所用，術語「機器學習模型」、「預測模型」、「程序模型」、「電子模型」及/或「模擬模型」(其可互換使用)意謂包括模擬圖案化程序之一或多個模型的模型。舉例而言，模型可包括光學模型(例如模型化用以在微影程序中遞送光的透鏡系統/投影系統且可包括模型化進入光阻上之光之最終光學影像)、抗蝕劑模型(例如模型化抗蝕劑之物理效應，諸如歸因於光之化學效應)，及OPC模型(例如可用以製造目標圖案且可包括子解析度抗蝕劑特徵(SRAF)等)、蝕刻(或蝕刻偏差)模型(例如，模擬蝕刻程序對經印刷晶圓圖案之物理效應)、源遮罩最佳化(SMO)模型及/或其他模型。

如本文所用，術語「校準」」意謂修改(例如改良或調節)及/或驗證某物，諸如模型。

圖案化系統可為包含以上所描述之組件中之任一者或全部加經組態以執行與此等組件相關聯之操作中之任一者或全部的其他組件的系統。舉例而言，圖案化系統可包括微影投影裝置、掃描器、經組態以施加及/或移除抗蝕劑之系統、蝕刻系統及/或其他系統。

作為引言，圖1說明實例微影投影裝置10A之各種子系統之圖式。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)源之其他類型之源(然而，微影投影裝置自身不必具有輻射源)；照明光學件，其例如界定部分相干性(表示為均方偏差)且其可包括塑形來自源12A之輻射的光學件組件14A、16Aa及16Ab；圖案化器件18A；及透射光學件16Ac，其將圖案化器件圖案之影像投影至基板平面22A上。在投影光學件之光瞳平面處的可調整濾光片或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度界定投影光學件之數值孔徑NA=n sin(Θ _max)，其中n為基板與投影光學件之最後元件之間的媒體之折射率，且Θ _max為自投影光學件射出的仍可照射於基板平面22A上之光束的最大角度。

在微影投影裝置中，源將照明(亦即，輻射)提供至圖案化器件，且投影光學件經由該圖案化器件將該照明導向至基板上且塑形該照明。投影光學件可包括組件14A、16Aa、16Ab及16Ac中至少一些。空中影像(AI)為在基板位階處之輻射強度分佈。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在全部揭示內容據此以引用方式併入之美國專利申請公開案第US 2009-0157630號中找到此情形之實例。抗蝕劑模型係關於抗蝕劑層之性質(例如，在曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應)。微影投影裝置之光學性質(例如，照明、圖案化器件及投影光學件之性質)規定空中影像且可定義於光學模型中。由於可改變用於微影投影裝置中之圖案化器件，所以需要使圖案化器件之光學性質與至少包括源及投影光學件的微影投影裝置之其餘部分之光學性質分離。用以將設計佈局變換至各種微影影像(例如，空中影像、抗蝕劑影像等)、使用彼等技術及模型應用OPC且評估效能(例如，依據程序窗口)的技術及模型之細節描述於美國專利申請公開案第US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197及2010-0180251號中，前述各案之揭示內容特此以全文引用之方式併入。

可能需要使用一或多個工具來產生例如可用於設計、控制、監測等圖案化程序的結果。可提供用於計算上控制、設計等圖案化程序之一或多個態樣的一或多個工具，諸如用於圖案化器件之圖案設計(包括例如添加子解析度輔助特徵或光學近接校正)、用於圖案化器件之照明等。因此，在用於計算上控制、設計等涉及圖案化之製造程序之系統中，製造系統組件及/或程序可由各種功能模組及/或模型描述。在一些實施例中，可提供一或多個電子(例如，數學、參數化、機器學習、物理等)模型，其描述圖案化程序之一或多個步驟及/或裝置。在一些實施例中，可使用一或多個電子模型來執行圖案化程序之模擬以模擬圖案化程序如何使用由圖案化器件提供之圖案形成經圖案化基板。

圖2中說明用於模擬微影投影裝置中之微影的例示性流程圖。照明模型231表示照明之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學件模型232表示投影光學件之光學特性(包括由投影光學件引起的對輻射強度分佈及/或相位分佈之改變)。設計佈局模型235表示設計佈局之光學特性(包括由給定設計佈局引起的對輻射強度分佈及/或相位分佈之改變)，該設計佈局為在圖案化器件上或由圖案化器件形成之特徵之配置的表示。可使用照明模型231、投影光學件模型232及設計佈局模型235來模擬空中影像236。可使用抗蝕劑模型237而自空中影像236模擬抗蝕劑影像238。微影之模擬可例如預測抗蝕劑影像中之輪廓及/或CD。

更特定言之，照明模型231可表示照明之光學特性，該等光學特性包括但不限於NA-均方偏差(σ)設定，以及任何特定照明形狀(例如，離軸照明，諸如，環形、四極、偶極等)。投影光學件模型232可表示投影光學件之光學特性，包括例如像差、失真、折射率、實體大小或尺寸等。設計佈局模型235亦可表示實體圖案化器件之一或多個物理性質，如例如以全文引用的方式併入本文中之美國專利第7,587,704號中所描述。與微影投影裝置相關聯之光學性質(例如，照明、圖案化器件及投影光學件之性質)指示空中影像。由於微影投影裝置中使用之圖案化器件可改變，因此需要將圖案化器件之光學性質與至少包括照明及投影光學件之微影投影裝置之其餘部分的光學性質分離(因此設計佈局模型235)。

可使用抗蝕劑模型237以根據空中影像計算抗蝕劑影像，其實例可在美國專利第8,200,468號中找到，該美國專利特此以全文引用之方式併入。抗蝕劑模型與抗蝕劑層之性質(例如，在曝光、曝光後烘烤及/或顯影期間發生的化學程序之效應)相關。

全模擬之目標中之一者係準確地預測例如邊緣置放、空中影像強度斜率及/或CD，可接著將該等邊緣置放、空中影像強度斜率及/或CD與預期設計進行比較。預期設計大體上定義為可以諸如.GDS、.GDSII、.OASIS之標準化數位檔案格式或其他檔案格式提供之預OPC設計(或圖案)佈局。

根據設計(圖案)佈局，可識別稱為「剪輯」之一或多個部分。在實施例中，提取剪輯集合，其表示設計(圖案)佈局中之複雜圖案(常常為數百或數千個剪輯，但可使用任何數目個剪輯)。如熟習此項技術者應瞭解，此等剪輯表示設計之小部分(例如，電路、單元等)，且該等剪輯可表示需要特定關注及/或驗證之小部分。換言之，剪輯可為設計(圖案)佈局之部分，或可為類似的或具有設計(圖案)佈局之部分的類似行為，其中關鍵特徵藉由體驗(包括由客戶提供之剪輯)、試誤法或運行全晶片模擬來予以識別。剪輯可含有一或多個測試圖案或量規圖案。可由客戶基於設計(圖案)佈局中要求特定影像最佳化之已知關鍵特徵區域而先驗地提供初始較大剪輯集合。替代地，在另一實施例中，初始較大剪輯集合可藉由使用識別關鍵特徵區域之自動化(諸如，機器視覺)或手動演算法來自整個設計(圖案)佈局提取。

基於剪輯(及/或其他資訊)，模擬及模型化可用於組態圖案化器件圖案之一或多個特徵(例如，執行光學近接校正)、照明之一或多個特徵(例如，改變照明之空間/角強度分佈之一或多個特性，諸如改變形狀)，及/或投影光學件之一或多個特徵(例如，數值孔徑等)。此組態大體上可分別被稱作遮罩最佳化、源最佳化及投影最佳化。可獨立地執行此類最佳化或以不同組合形式組合此類最佳化。一個此類實例為源-遮罩最佳化(SMO)，其涉及組態圖案化器件圖案之一或多個特徵連同照明之一或多個特徵。最佳化技術可聚焦於剪輯中之一或多者。

舉例而言，可應用類似模型化技術以最佳化蝕刻程序及/或其他程序。舉例而言，在一些實施例中，照明模型231、投影光學件模型232、設計佈局模型235、抗蝕劑模型237及/或其他模型可結合蝕刻模型使用。舉例而言，自顯影後檢測(ADI)模型之輸出(例如，包括為設計佈局模型235、抗蝕劑模型237及/或其他模型之一些及/或所有)可用於判定ADI輪廓，可將該ADI輪廓提供至有效蝕刻偏差(EEB)模型以產生預測的蝕刻後檢測(AEI)輪廓。

在一些實施例中，可將系統之最佳化程序表示為成本函數。最佳化程序可包含尋找系統之最小化成本函數之參數集合(設計變數、程序變數等)。成本函數可取決於最佳化之目標而具有任何合適形式。舉例而言，成本函數可為系統之某些特性(評估點)相對於此等特性之預期值(例如，理想值)之偏差的加權均方根(RMS)。成本函數亦可為此等偏差之最大值(亦即，最差偏差)。術語「評估點」應被廣泛地解譯為包括系統或製造方法之任何特性。歸因於系統及/或方法之實施的實務性，系統之設計及/或程序變熟可經限制至有限範圍及/或可相互相依。在微影投影裝置之狀況下，約束常常與硬體之物理性質及特性(諸如，可調節範圍及/或圖案化器件可製造性設計規則)相關聯。舉例而言，評估點可包括基板之抗蝕劑影像上之實體點，以及諸如一或多個蝕刻參數、劑量及焦點等之非物理特性。

在蝕刻系統中，作為實例，可將成本函數(CF)表達為 其中 為N個設計變數或其值，且 可為設計變數 之函數，諸如，針對 之設計變數之值集合的特性之實際值與預期值之間的差。在一些實施例中， 為與 相關聯之權重常數。舉例而言，特性可為在邊緣上之給定點處量測的圖案之邊緣之位置。不同 可具有不同權重 。舉例而言，若特定邊緣具有所准許位置之窄範圍，則用於表示邊緣之實際位置與預期位置之間的差的 之權重 可被給出較高值。 亦可為一層間特性之函數，層間特性又為設計變數 之函數。當然， 不限於以上等式之形式，且 可為任何其他合適形式。

成本函數可表示蝕刻系統、蝕刻程序、微影裝置、微影程序或基板之任何一或多個合適特性，例如，焦點、CD、影像移位、影像失真、影像旋轉、隨機變異、產出量、局部CD變異、程序窗口、層間特性或其組合。在一些實施例中，成本函數可包括表示抗蝕劑影像之一或多個特性之函數。舉例而言， 可僅僅為抗蝕劑影像中之一點至彼點之預期位置之間在蝕刻例如及/或一些其他程序之後的距離(亦即，邊緣置放誤差 )。參數(例如，設計變數)可包括任何可調整參數，諸如蝕刻系統、源、圖案化器件、投影光學件、劑量、焦點等之一可調整參數。

參數(例如設計變數)可具有約束，該等約束可被表示為 ，其中Z為設計變數之可能值集合。可藉由微影投影裝置之所要產出量來強加對設計變數之一個可能約束。在無藉由所要產出量強加之此約束的情況下，最佳化可得到不切實際的設計變數之值集合。約束不應被解譯為必要性。

在一些實施例中，照明模型231、投影光學件模型232、設計佈局模型235、抗蝕劑模型237、蝕刻模型及/或與積體電路製造程序相關聯及/或包括於積體電路製造程序中之其他模型可為經驗及/或其他模擬模型。經驗模型可基於各種輸入(例如，圖案之一或多個特性、圖案化器件之一或多個特性、微影程序中所使用之照明之一或多個特性，諸如波長等)之間的相關性來預測輸出。

作為一實例，經驗模型可為機器學習模型及/或任何其他參數化模型。在一些實施例中，機器學習模型(例如)可為及/或包括數學方程式、演算法、標繪圖、圖表、網路(例如神經網路)及/或其他工具及機器學習模型組件。舉例而言，機器學習模型可為及/或包括具有輸入層、輸出層及一或多個中間或隱藏層之一或多個神經網路。在一些實施例中，一或多個神經網路可為及/或包括深度神經網路(例如在輸入層與輸出層之間具有一或多個中間或隱藏層的神經網路)。

作為一實例，一或多個神經網路可基於大的神經單元(或人工神經元)集合。該一或多個神經網路可不嚴格地模仿生物大腦工作之方式(例如經由由軸突連接之大的生物神經元簇)。神經網路之各神經單元可與神經網路之許多其他神經單元連接。此類連接可加強或抑制其對所連接神經單元之激活狀態之影響。在一些實施例中，各個別神經單元可具有將所有其輸入之值組合在一起之求和函數。在一些實施例中，每一連接(或神經單元自身)可具有定限功能，使得信號在其經允許傳播至其他神經單元之前必須超出臨限值。此等神經網路系統可為自學習及經訓練的，而非經明確程式化，且與傳統電腦程式相比，可在某些問題解決領域中顯著更佳地執行。在一些實施例中，一或多個神經網路可包括多個層(例如其中信號路徑自前端層橫穿至後端層)。在一些實施例中，可由神經網路利用反向傳播技術，其中使用前向刺激以對「前端」神經單元重設權重。在一些實施例中，對一或多個神經網路之刺激及抑制可更自由流動，其中連接以較混亂且複雜之方式相互作用。在一些實施例中，一或多個神經網路之中間層包括一或多個卷積層、一或多個重現層及/或其他層。

可使用訓練資料及/或其他資訊之集合來訓練一或多個神經網路(亦即判定其之參數)。訓練資料及/或其他資訊可包括訓練樣本之集合。各樣本可為包含輸入物件(通常為向量，其可稱為特徵向量)及所要輸出值(亦稱為監督信號)之對。訓練演算法分析訓練資訊並藉由基於訓練資料及/或其他資訊調整神經網路之參數(例如，一或多個層之權重)而調整神經網路之行為。舉例而言，在給出形式為 之N個訓練樣本之集合使得 為第i實例之特徵向量且 為其監督信號之情況下，訓練演算法尋找神經網路 ，其中X為輸入空間且Y為輸出空間。特徵向量為表示某一物件(例如，經模擬空中影像、晶圓設計、剪輯等)之數值特徵之n維向量。與此等向量相關聯之向量空間常常被稱為特徵空間。在訓練之後，神經網路可用於使用新樣本來進行預測。

作為另一實例，經驗(模擬)模型可包含一或多個演算法。一或多個演算法可為及/或包括數學方程式、標繪圖、圖表及/或其他工具及模型組件。在一些實施例中，實驗(模擬)模型為包含具有共同地模擬基板上之圖案的物理行為、圖案化程序等之項的一或多個演算法之物理模型。

圖3說明根據本發明之實施例的用於產生擴增資料之例示性方法300。擴增資料用於擴增用於訓練機器學習模型之任何其他可用資料。擴增資料係基於與基板上之一圖案集合及/或由一圖案化程序產生之程序變異相關聯的物理趨勢而判定。擴增資料經組態以增強機器學習模型相對於先前模型之預測準確度。

舉例而言，圖4說明用於擴增之資料400 (參見擴增資料1至擴增資料…)、用於訓練機器學習模型(例如，在此實例中包含多個層的神經網路)406之神經網路404的資料402(例如，其可經先前判定)。資料400係基於與基板上之一圖案集合及/或由一圖案化程序產生之程序變異相關聯的一或多個物理趨勢而判定。資料400與資料402 (在此實例中)一起作為輸入408提供以訓練機器學習模型406之神經網路404。在訓練模型406中使用資料400可有利地改良模型預測之準確性。

返回至圖3，在一些實施例中，方法300包含獲得302或另外判定物理趨勢(例如，某些特性相對於圖案變異之物理趨勢)，產生304擴增資料，提供306擴增資料至機器學習模型(例如，單獨地、與經量測資料一起，及/或與其他(例如，不相關)資料一起)以訓練機器學習模型，及提供308自機器學習模型的輸出用於各個下游應用。

在一些實施例中，非暫時性電腦可讀媒體儲存指令，該等指令在由電腦執行時使電腦執行操作302至308中之一或多者及/或其他操作。方法300之操作意欲係說明性的。在一些實施例中，方法300可用未描述之一或多個額外操作及/或不用所論述之操作中之一或多者來實現。舉例而言，操作308及/或其他操作可為可選的。另外，方法300之操作在圖3中說明且在本文中描述的次序並不意欲為限制性的。

在操作302處，一或多個成像特性相對於基板上之圖案變異的物理趨勢經獲得或另外判定，其中成像特性與圖案化程序相關聯。圖案化程序可為微影程序、蝕刻程序及/或其他程序。在一些實施例中，一或多個成像特性包含關鍵尺寸(CD)、邊緣置放位置、曲率、間距、對稱、旋轉、縱橫比、偏移及/或其他成像特性。

物理趨勢可為成像特性改變的趨勢之基於物理學之指示。物理趨勢描述當圖案設計或處理條件改變時，成像特性將如何在「真實世界」中或根據物理原理回應/改變。舉例而言，物理趨勢可與圖案設計變異(例如，諸如CD、間距等之成像特性之變異)及/或圖案化程序變異(例如，由劑量、焦點等之變異所引起的成像特性之改變；諸如源功率、偏差功率、蝕刻時間、氣體化學物質、氣體流動等之蝕刻程序變異)相關聯。物理趨勢係基於用於圖案之一(例如，第一)集合及/或圖案化程序之(例如，第一)資料而獲得。在一些實施例中，此(第一)資料包含用於基板上之圖案的成像特性之先前經判定量測、指示由圖案化程序產生或在圖案化程序期間的基板上之圖案之物理行為的資訊，及/或其他資料。

本發明不限於可用以判定物理趨勢的資訊之任何機制或源。在一些實施例中，此(第一)資料可包括實際量測(例如，值)，但亦可另外或實際上為藉由物理模型輸出的資訊，或由使用者界定之趨勢資訊。用於圖案之第一集合及/或圖案化程序的第一資料可為量測、來自物理模型之資訊，及/或由使用者界定之趨勢資訊。舉例而言，程序知識(例如，第一資料)可指示蝕刻偏差對間距應為平滑趨勢，從而反映蝕刻程序期間材料載入之漸進改變。

舉例而言，在一些實施例中，第一資料可包含藉由一第一圖案化程序產生的第一基板上之一第一圖案或圖案集合之先前經判定量測。物理趨勢可藉由(1)提取及/或分類與物理趨勢相關聯的第一基板上的第一圖案或圖案集合之量測，及/或(2)將物理模型擬合至第一圖案或圖案集合之量測而獲得及/或另外判定。在此實例中，第一圖案化程序可包含具有與一第二圖案化程序類似及可比之處理條件的一或多個第一半導體製造圖案調節程序。第二圖案化程序可包含實際當前製造圖案化程序、另一目標圖案化程序、某一其他最終圖案化程序、被模擬及/或模型被建構所針對的圖案化程序，及/或另一圖案化程序。

在操作304處，產生擴增資料(其用於如本文所描述之訓練)。擴增資料係基於物理趨勢(在操作302處判定)及/或其他資訊而產生。擴增資料包含符合物理趨勢並基於用於圖案集合及/或上文所描述的圖案化程序之(例如，第一)資料導出的(例如，第二)資料。換言之，擴增資料並不隨機或失控。相比之下，符合物理趨勢之(第二)資料包含符合表示將對於給定程序輸入自已知圖案及/或圖案化程序預期之值的物理限制的某些預期資料值臨限值，或受限制於某些預期資料值臨限值內的資料。舉例而言，物理趨勢判定成像特性之相關值/位置。在一些實施例中，例如，物理趨勢可指示根據經量測實際資料之擴增資料的值。一致性程度可藉由例如誤差描述(但實際上誤差係在自現有資料內插/產生趨勢及自應不攜載誤差的趨勢產生擴增資料中)。在一些實施例中，趨勢控制擴增資料之間的相關值或關係。舉例而言，趨勢曲線之斜率或形狀(例如，如本文所描述)。擴增資料經導出用於圖案之不同(例如，第二)集合。擴增資料相對於先前經判定量測及/或指示基板上之圖案之物理行為的資訊(例如，第一資料)係新的，但仍符合物理趨勢。

返回至上述實例，若程序定義(例如，藉由使用者)及/或先前量測(例如，第一資料)指示蝕刻偏差對間距應為平滑趨勢(反映材料載入之漸進改變)，則所產生擴增資料(例如，第二資料)將受限制於表示將自已知蝕刻程序預期的漸進改變的某些蝕刻偏差值臨限值內。應注意訓練資料可包括單獨合成擴增資料(例如，第二資料)，及/或與先前量測(例如，第一資料)一起的新產生資料。

合成擴增資料可用以擴增任何已經有的資料。在一些實施例中，訓練資料包括第一資料、第二資料(例如，擴增資料)及/或其他資料。在一些實施例中，舉例而言，訓練資料包含經組態以擴增包括於第一資料中的成像特性之任何量測的成像特性之量測之新的及/或額外集合。在一些實施例中，額外(例如，第二)資料之加權可相對於已經有的資料調整，且接著經提供用於訓練(如下文所描述)。

一般而言，操作304包含基於物理趨勢產生擴增資料(待用於訓練)以改良圖案涵蓋範圍並正則化機器學習模型(參見下文所描述之操作306)，而不帶來與產生訓練資料相關聯的額外度量衡及處理成本。考慮基於物理趨勢產生的兩種主要類型之擴增(訓練)資料(但其他類型或許有可能)-(1)基於度量衡資料之擴增；及(2)基於非度量衡、基於僅僅趨勢之資料擴增。

對於基於度量衡資料之擴增，在一些實施例中，用於物理趨勢之資料點可先前已經量測並可用作訓練資料。本文中所描述的基於度量衡資料之擴增可顯著增強用於描述物理趨勢之資料的資料密度以確保(在使用在操作304處產生之額外訓練資料訓練後)來自機器學習模型之預測符合物理趨勢(參見下文所描述之操作306)。舉例而言，在一些實施例中，擴增訓練資料係基於一或多個成像特性之先前量測而產生。此等資料可包括於第一資料中，例如，使得第一資料包含至少部分界定物理趨勢之用於圖案之(例如，第一)集合及/或圖案化程序的先前經判定資料。

在一些實施例中，產生擴增資料包含在相對於圖案變異的給定成像特性之量測之間數學內插以判定給定成像特性之額外量測資料點。此可包括識別成像特性相對於圖案變異之物理趨勢(操作302)，諸如描述貫穿間距行為或貫穿CD行為之物理趨勢，及獲得任何對應先前量測。在一些實施例中，舉例而言，物理趨勢可藉由二維空間中之方程式(例如，藉由關於相依變數Y如何隨非相依變數X變化的方程式)描述。物理趨勢可例如基於先前量測及/或其他資訊而判定。此可包括判定先前量測之間的數學或其他關係，或其他操作(例如，非相依變數與相依變數之間的數學關係)。

先前量測之間的數學內插可用以判定用於先前量測之間的中間點(例如，對應於非相依變數X(諸如圖案CD、間距等)的點)之預期成像特性量測資料。內插可包含線性內插、仿樣擬合及/或其他技術以確保用於符合物理趨勢之中間點之預期成像特性量測資料。內插可用以產生額外中間量測資料點。所產生資料點之數目及密度可係可撓性的，例如，自僅幾個點至甚至數千個資料點。

舉例而言，擴增資料可在彼等中間點處產生且量規可基於預期量測(例如，值)而設定及/或另外判定。額外(例如，量規)資料可經添加至先前量測並經饋送至機器學習模型以用於訓練(如下文所描述)。

藉助於非限制性實例，圖5說明藉由在給定成像特性(例如，在此實例中之CD)之量測502之間數學內插以判定給定成像特性之額外(經內插)量測資料點504 (例如，擴增資料)產生擴增資料500。在此實例中，量測502之系列遵循藉由趨勢線506展示之某一物理趨勢。經由內插，沿著趨勢線506增加量測取樣密度。

返回至圖3，在一些實施例中，在操作304處，產生擴增資料包含使用量測校準與物理趨勢相關聯的一物理模型，及使用該經校準物理模型以預測符合物理趨勢之額外量測。此可同樣包括判定物理趨勢(操作302)，諸如描述貫穿間距行為或貫穿CD行為(例如，基於先前資料)之物理趨勢，及獲得任何對應先前量測。在一些實施例中，經校準物理模型可經組態以預測物理趨勢(例如，基於先前量測及/或其他資訊)。舉例而言，物理模型可為具有共同地模擬物理趨勢及/或圖案化程序之項的多維演算法。物理模型係使用所獲得先前量測中之一些或所有來校準。在一些實施例中，用於校準的量測之更有限集合可幫助物理模型達成高準確度並如實地俘獲物理趨勢。物理模型可用以產生用於物理趨勢之額外中間量測資料點。所產生資料點之數目及密度可取決於趨勢為可撓性的，例如，自僅幾個點至甚至數千個資料點。

舉例而言，擴增資料可在中間點處產生且量規可基於預期量測資料點而設定及/或另外判定。經校準物理模型用於產生擴增資料之目標值。在一些實施例中，所獲得先前量測中之一或多者可由來自物理模型之對應預測替換。額外資料可經添加至先前量測，及/或用於替換先前量測，並作為輸入提供至機器學習模型以用於訓練(如下文所描述)。

藉助於非限制性實例，圖6說明物理趨勢線602。圖6說明藉由使用先前(CD)量測604 (在此實例中)校準物理模式，及接著使用經校準物理模型以預測符合物理趨勢(例如，沿著趨勢線602的線)之額外量測606來產生擴增資料600。在此實例中，量測604之系列遵循藉由在趨勢線602展示之資料中顯而易見的某一物理趨勢。額外量測606之密度相對於先前量測604之密度顯著增加。預測之額外量測606可(與或不與量測604一起)用於機器學習模型訓練(如本文所描述)。

返回至圖3，在一些實施例中，在操作304處，產生擴增資料進一步包含使用先前量測校準經組態以補償經預測額外量測之誤差的殘餘模型，及使用物理模型及殘餘模型產生擴增資料。殘餘模型可例如補償物理模型之不準確性。在一些實施例中，殘餘模型包含藉由將來自物理模型之預測的誤差擬合(例如，線性或仿樣擬合等)至先前量測而校準的數學模型。

此可同樣包括識別(例如，預測)物理趨勢(操作302)(諸如描述貫穿間距行為或貫穿CD行為之物理趨勢(例如，方程式))，及獲得任何對應先前量測。物理模型可同樣使用所獲得先前量測中之一些或所有來校準。殘餘模型經校準以俘獲預測變數與物理模型之模型誤差之間的關係(例如，針對每一圖案類型)。物理模型可用以產生用於物理趨勢之額外中間量測資料點。所產生資料點之數目及密度可取決於趨勢為可撓性的，例如，自僅幾個點至甚至數千個資料點。

舉例而言，擴增資料可在中間點處產生且量規可基於預期量測資料點而設定及/或另外判定。可使用所產生資料及物理模型執行模型檢查。在一些實施例中，所獲得先前量測中之一或多者可由來自物理模型之額外量測的對應誤差經補償之預測替換。額外量測的誤差經補償之預測包含來自藉由來自殘餘模型之估計模型誤差調整的物理模型之預測量測資料點。誤差經補償之額外量測資料可經添加至先前量測，及/或用於替換先前量測，並饋送至機器學習模型以用於訓練(如下文所描述)。

藉助於非限制性實例，圖7說明藉由使用先前量測校準經組態以補償經預測額外量測704之誤差702的殘餘模型，及使用物理模型及殘餘模型產生擴增資料而產生擴增資料700。圖7說明蝕刻偏差量測(例如，值)，在此實例中，遵循不同物理趨勢722、724、726的針對不同圖案類型716、718、720之710、712、714。(在本發明中之先前實例已聚焦於單圖案類型，但可已容易地包括如此處在圖7中展示之額外圖案類型。)圖7亦說明大體上遵循物理趨勢722、724、726的針對不同圖案類型716、718、720之預測偏差量測711、713、715。應注意在蝕刻偏差量測710及712與用於圖案類型716及718之對應預測蝕刻偏差量測711及713之間存在微小差異(例如，存在誤差)。此等微小差異(誤差)係藉由分別用於圖案類型716及718之方程式750及752描述(在用於蝕刻偏差量測714之預測中存在非常少誤差)。殘餘模型經組態以分別使用方程式750及752 (在此實例中)補償用於圖案類型716及718之預測蝕刻偏差量測710及712之誤差。如圖7中所展示，誤差經補償之預測760、762及764與遵循不同物理趨勢722、724、726的針對不同圖案類型716、718、720之蝕刻偏差量測710、712、714緊密對準。誤差經補償之預測760、762及764可(與或不與先前蝕刻偏差量測710、712及714一起)用於機器學習模型訓練(如本文所描述)。

返回至圖3，在一些實施例中，在操作304處，產生擴增資料係基於先前量測及圖案中之對稱。舉例而言，圖案可具有與圖案之一或多個其他部分對稱的一或多個部分。此等對稱性可藉由操作者已知，基於圖案自身而判定，及/或以其他方式判定。若圖案對稱性為吾人所知，且獲得關於圖案之一個對稱部分的度量衡資料，則關於圖案之其他對稱部分的度量衡資料可基於對稱性而判定。對稱包括平移對稱、旋轉對稱、反射對稱、滑差對稱及/或其他對稱。

在一些實施例中，基於先前量測及由圖案化程序產生的圖案中之對稱產生擴增資料包含識別圖案中之對稱的一或多個部分，及獲得圖案之彼部分的對應先前量測。用於圖案之額外量測可由將先前量測數學複製至圖案之對稱對應部分上(例如，使用用於平移、旋轉、反射、滑差及/或其他對稱之方程式)而判定。額外基於對稱之量測資料可被添加至先前量測，及/或用於替換先前量測，並饋送至機器學習模型以用於訓練(如下文所描述)。

藉助於非限制性實例，圖8說明產生擴增資料800a、800b、800c；802a、802b、802c；及804a、804b、804c，此基於先前量測810、812、814及圖案830中之對稱軸820、822而判定。舉例而言，圖案830可具有與圖案830之一或多個其他部分852、854、856對稱的部分850。若圖案830對稱性為吾人所知，且獲得關於圖案之一個對稱部分850的度量衡資料，則關於圖案830之其他對稱部分852、854、856的度量衡資料可基於對稱性而判定。在此實例中，額外基於對稱之量測資料800a、800b、800c；802a、802b、802c；及804a、804b、804c可被添加至先前量測810、812、814，及/或用於替換先前量測810、812、814，並饋送至機器學習模型以用於訓練(如下文所描述)。

對於非度量衡基於僅僅趨勢之資料擴增，可不存在可用先前量測(例如，度量衡資料)，但某一物理趨勢可係已知的。此物理趨勢可基於物理模型、物理學知識及/或其他資訊而知曉。在此等實施例中，機器學習模型經訓練以遵循物理趨勢，而不是任何實際絕對先前量測。

舉例而言，在一些實施例中，在操作304處產生擴增資料包含基於來自經訓練物理模型之輸出判定物理趨勢。趨勢可由藉由物理模型預測的成像特性之量測(例如，值)而不是成像特性自身之絕對值之間的相對關係描述。在一些實施例中，物理趨勢包含對稱趨勢、定向趨勢、焦點趨勢、劑量趨勢、貫穿間距趨勢、線性趨勢、貫穿關鍵尺寸趨勢及/或其他趨勢。

在一些實施例中，對於焦點/劑量趨勢，物理模型可用以模擬由焦點/劑量擾動所引起的CD (作為一個實例)變異。焦點/劑量趨勢資料可經收集且接著作為輸入提供至機器學習模型以用於訓練(例如，使用下文所描述之「STD」損耗函數)。在一些實施例中，對於貫穿間距趨勢，遮罩CD (作為一個實例)可保持恆定同時間距改變。物理模型可用以判定模型CD對間距趨勢。此趨勢資料可作為輸入提供至機器學習模型以用於訓練(例如，同樣使用下文所描述之「STD」損耗函數)。在一些實施例中，對於線性趨勢，間距(作為一個實例)可在遮罩CD改變的情況下保持恆定。物理模型可用以判定CD對CD趨勢。此趨勢資料可作為輸入提供至機器學習模型以用於訓練(例如，同樣使用下文所描述之「STD」損耗函數)。其他類似操作可經執行用於其他趨勢，諸如貫穿關鍵尺寸趨勢及/或其他趨勢。

藉助於非限制性實例，圖9說明提供指示焦點趨勢及/或劑量趨勢之第一資料902的焦點/劑量矩陣900。舉例而言，此資料可容易地可自藉由物理模型進行的模擬獲得。在沒有基板CD (或其他成像特性)的情況下，例如，焦點/劑量趨勢可用以導引機器學習模型訓練(例如，如下文在操作306處所描述)。

作為另一非限制性實例，圖10說明經由散焦資料擴增。圖10說明來自物理趨勢之所產生擴增資料值1006及來自使用基於焦點曝光矩陣(FEM)物理趨勢產生之擴增資料訓練的機器學習模型的標稱晶圓CD。圖10說明相對於表示已知物理趨勢的點線1004之值1006、來自在不使用任何資料擴增情況下訓練的機器學習模型的值1002，及來自基於先前量測(例如，如上文所描述)運用資料擴增訓練的機器學習模型的預測CD值1000。如圖10中所展示，運用額外訓練資料擴增機器學習模型訓練校正最初與值1002 (其不遵循由線1004說明之已知物理趨勢)相關聯的趨勢。在此實例中，實際CD CE資料最初(例如，在擴增之前)僅僅在標稱條件(零散焦)下可用。物理模型用於添加額外趨勢資訊，及/或根據物理趨勢預測之資料，以增強來自機器學習模型之預測(例如，以較佳匹配線1004)。

返回至圖3，在一些實施例中，擴增資料包含基於物理趨勢及/或藉由物理模型產生的新資料、符合物理趨勢的先前經判定量測(例如，來自上文所描述的第一資料)之子集，及/或其他資料。擴增資料可與來自藉由第二圖案化程序產生的第二基板上之第二圖案或圖案集合之第二量測組合。如上文所描述，第二圖案化程序可為實際製造圖案化程序、另一目標圖案化程序、某一其他最終圖案化程序、被模擬及/或模型被建構所針對的圖案化程序，及/或另一圖案化程序。舉例而言，當第一圖案化程序及第二圖案化程序類似時，來自第一資料之符合物理趨勢的先前經判定量測之子集可包含與先前遮罩相關聯的資料。在一些實施例中，舉例而言，當相對於第一圖案化程序調整第二圖案化程序時，來自第一資料之符合物理趨勢的先前經判定量測之子集包含與當前遮罩上之不同位置相關聯的資料。

在一些實施例中，相較於第一量測之一數量，第二資料包含來自藉由第二圖案化程序產生的第二基板上之第二圖案的較少第二量測。較少第二量測可與基於物理趨勢及/或藉由物理模型產生的新資料，及/或來自符合物理趨勢之第一資料的先前經判定量測之子集組合。在一些實施例中，擴增資料之總量具有相對於先前經判定量測(例如，藉由第一圖案化程序產生的第一基板上之第一圖案之量測)之相同或增加之資料密度。

在操作306處，擴增資料經提供至機器學習模型以訓練機器學習模型。該擴增資料經組態以作為輸入提供至機器學習模型以訓練該機器學習模型以根據該物理趨勢預測該一或多個成像特性。在一些實施例中，此包含將擴增資料作為輸入提供至機器學習模型以訓練機器學習模型以符合一或多個成像特性根據物理趨勢之預測。符合物理趨勢之資料包含符合表示將對於給定程序輸入自用於圖案及/或圖案化程序之已知物理趨勢預期之值的物理限制的某些預期資料值臨限值，或受限制於某些預期資料值臨限值內的資料。

在一些實施例中，機器學習模型經訓練以基於損耗函數根據物理趨勢預測一或多個成像特性。損耗函數包含經組態以評估機器學習模型如何好地模型化訓練資料集的演算法。訓練機器學習模型以基於損耗函數根據物理趨勢預測一或多個成像特性可強化及/或另外使機器學習模型確保預測符合物理趨勢。

關於藉由上文關於圖5至圖8所描述的操作中之任一者進行的基於度量衡資料之擴增，擴增資料如先前經判定量測一般可信。本發明系統及方法經組態以減少藉由機器學習模型預測之值之間的誤差及內插值/來自物理模型之值的誤差。舉例而言，均方根(RMS)損耗函數可經應用以驅動機器學習模型訓練收斂。舉例而言，該損耗函數可包含： 其中CD _i包含預測CD量測，CD _measured為對應先前經判定(例如，實際)CD量測，且N為量測數。應注意，在此實例中，CD可與其他可能成像特性互換。CD本文中用作實例成像特性。本文論述不同成像特性之其他可能實例。

對於藉由上文關於圖9至圖11描述的操作中之任一者進行的非度量衡僅僅基於趨勢之資料擴增，損耗函數經組態以使機器學習模型擬合藉由物理模型預測的成像特性之量測(例如，值)而不是成像特性自身之絕對值之間的相對關係。此亦可強化及/或另外使機器學習模型確保預測符合物理趨勢。在此類型訓練資料產生(擴增)中，可不存在可用先前經判定量測，但某一物理趨勢已知基於物理模型及/或物理知識而存在。損耗函數經組態以使機器學習模型經訓練以遵循彼物理趨勢，而不是任何實際絕對量測。在此等實施例(注意此僅為損耗函數之一個實例)中，以下基於標準差之損耗函數可經應用以驅動機器學習模型訓練收斂： 其中STD為誤差標準差，Error _i為相對於物理模型預測(值)之模型誤差，Error _average為全部誤差之平均值，且N為樣本數。此損耗函數嘗試最小化模型誤差(相對物理模型量測(值))標準差，而不需要平均模型誤差為零。其可有效地驅動機器學習模型以學習物理趨勢，而不是成像特性量測之任何實際絕對準確度。

藉助於非限制性實例，圖11說明根據一實施例的相較於來自機器學習模型之遵循類似趨勢1106之預測成像特性量測1104的由藉由物理模型預測的成像特性(在此實例中關鍵尺寸CD)量測1102界定的物理趨勢1100。圖11說明即使量測1102不匹配量測1104，由量測1104界定之趨勢1106如何緊密遵循趨勢1100。上文所描述的損耗函數經組態以使機器學習模型擬合藉由物理模型預測的成像特性(在此實例中，CD)之量測1102而不是成像特性自身之絕對量測(值)之間的相對關係。

在一些實施例中，擴增資料(上文所描述)係與上文所描述的基於標準差之損耗函數的經正規化版本相關聯。基於經正規化標準差之損耗函數可基於與物理趨勢相關聯的資料(例如，來自一第一圖案化程序之第一資料及/或來自一第二及/或其他圖案化程序之第二資料，如上文所描述)中之全部關鍵尺寸(CD)之範圍而正規化。舉例而言，以下基於經正規化標準差之損耗函數(同樣注意此僅為損耗函數之一個另外實例)可經應用以驅動機器學習模型訓練收斂： 其中STD _norm為經正規化誤差標準差，Error _i為相對於物理模型預測(值)之模型誤差，Error _ave為全部誤差之平均值，N為樣本數，且CD _range為用於物理趨勢之全部CD之範圍。此損耗函數可經組態以(進一步)基於CD範圍正規化相對模型誤差。其可有效地驅動機器學習模型僅僅學習經正規化趨勢。其可在調節程序涉及關鍵尺寸之按比例縮放變化時使用，例如，改變具有強負載效應的蝕刻步驟之時間。

作為簡要概述，圖12 (其類似於圖4)說明用於擴增用於訓練1204一機器學習模型(例如，在此實例中包含多個層之神經網路)1206之資料1202 (例如，在實際基板上進行的先前經判定成像特性量測)的資料1200。擴增資料1200係基於與基板上之一圖案集合及/或由一圖案化程序產生之程序變異相關聯的物理趨勢而判定。如圖12中所展示，擴增資料1200包括分別藉由基於度量衡資料之擴增；及本文中所描述的非度量衡僅僅基於趨勢之資料擴增產生的資料1240及1250。擴增資料1200連同資料1202 (在此實例中)一起作為輸入1208而提供以訓練404機器學習模型1206。機器學習模型1206經訓練1204以基於損耗函數根據物理趨勢預測一或多個成像特性。訓練機器學習模型1206以基於損耗函數根據物理趨勢預測一或多個成像特性可強化及/或另外使機器學習模型1206確保預測符合物理趨勢。如圖12中所展示，上文所描述的基於RMS之損耗函數與資料1202及/或資料1240一起使用，而上文所描述的基於標準差之損耗函數與資料1250一起使用。注意圖12中所展示之基於標準差之損耗函數STD可包括例如上文所描述的基於標準差(例如，STD)及/或基於經正規化標準差之損耗函數(例如，STD _norm)。擴增資料1200經組態以增強來自機器學習模型1206之預測相對於與先前模型有關的物理趨勢之準確度。

返回至圖3，一旦經訓練，機器學習模型經組態以相對於由圖案化程序產生之基板上的圖案之變異預測一或多個成像特性。機器學習模型可經組態以預測一或多個圖案及/或圖案化程序參數可對一或多個成像特性具有的影響。機器學習模型可在顯影後檢測(ADI)中應用，從而預測蝕刻後檢測(AEI)、光學近接校正(OPC)、熱點或缺陷預測、源遮罩最佳化(SMO)，及/或半導體微影程序中之其他操作、蝕刻程序及/或其他操作。如上文所描述，提供擴增訓練資料至機器學習模型可顯著增加機器學習模型預測準確度(例如，藉由減小過度擬合)，而不帶來額外度量衡及/或其他處理成本，以及其他優點。

在操作308處，來自機器學習模型之輸出經提供用於各個下游應用。在一些實施例中，操作308包括提供來自機器學習模型之輸出以用於調整及/或最佳化圖案、圖案化程序，及/或用於其他目的。舉例而言，在一些實施例中，來自機器學習模型之輸出經組態以經提供至一成本函數以促進與個別圖案化程序變數相關聯的成本之判定。提供可包括以電子方式發送、上載及/或另外輸入來自機器學習模型之預測至成本函數中。在一些實施例中，此可以指令整體地程式化，該等指令引起操作302至308中之其他者(例如，使得不需要「提供」，且實際上資料簡單地直接流動至成本函數)。

對圖案、圖案化程序(例如，半導體製造程序)之調整可基於來自機器學習模型之輸出、成本函數及/或基於其他資訊而進行。舉例而言，調整可包括改變一或多個圖案化程序參數。調整可包括圖案參數改變(例如，大小、位置及/或其他設計變數)，及/或任何可調整參數，諸如蝕刻系統、源、圖案化器件、投影光學件、劑量、焦點等之可調整參數。參數可自動地或以其他方式由處理器(例如，電腦控制器)電調整，由使用者手動地調變或以其他方式調整。在一些實施例中，可判定參數調整(例如，應改變給定參數之量)，且可例如自先前參數設定點將參數調整至新參數設定點。

圖13為可用於本文中所描述之操作中之一或多者的實例電腦系統CS之圖式。電腦系統CS包括用於傳達資訊之匯流排BS或其他通信機構，及與匯流排BS耦接以處理資訊之處理器PRO (或多個處理器)。電腦系統CS亦包括耦接至匯流排BS以用於儲存待由處理器PRO執行之資訊及指令的主記憶體MM，諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體MM亦可用於在處理器PRO執行指令期間儲存暫時性變數或其他中間資訊。電腦系統CS進一步包括耦接至匯流排BS以用於儲存用於處理器PRO之靜態資訊及指令的唯讀記憶體(ROM) ROM或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件SD，且將其耦接至匯流排BS以用於儲存資訊及指令。

電腦系統CS可經由匯流排BS耦接至用於向電腦使用者顯示資訊之顯示器DS，諸如陰極射線管(CRT)，或平板或觸控面板顯示器。包括文數字及其他按鍵之輸入器件ID耦接至匯流排BS以用於將資訊及命令選擇傳達至處理器PRO。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PRO且用於控制顯示器DS上之游標移動的游標控制件CC，諸如滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線(第一軸線(例如，x)及第二軸線(例如，y))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)顯示器亦可被用作輸入器件。

在一些實施例中，本文中所描述之一或多種方法的部分可藉由電腦系統CS回應於處理器PRO執行主記憶體MM中所含有之一或多個指令的一或多個序列而執行。可將此等指令自另一電腦可讀媒體(諸如儲存器件SD)讀取至主記憶體MM中。主記憶體MM中所包括之指令序列的執行使處理器PRO執行本文中所描述之程序步驟(操作)。呈多處理佈置之一或多個處理器亦可用於執行主記憶體MM中所含有之指令序列。在一些實施例中，可代替或結合軟體指令而使用硬連線電路。因此，本文中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」或「機器可讀媒體」指代參與將指令提供至處理器PRO以供執行之任何媒體。此媒體可採取許多形式，包括(但不限於)非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟，諸如儲存器件SD。揮發性媒體包括動態記憶體，諸如主記憶體MM。傳輸媒體包括同軸纜線、銅線及光纖，包括包含匯流排BS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)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體可為非暫時性的，例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、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。非暫時性電腦可讀媒體可具有記錄於其上之指令。該等指令在由電腦執行時可實施本文中所描述之操作中之任一者。暫時性電腦可讀媒體可包括例如載波或其他傳播電磁信號。

可在將一或多個指令之一或多個序列攜載至處理器PRO以供執行時涉及電腦可讀媒體之各種形式。舉例而言，初始地可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體內，且使用數據機經由電話線而發送指令。在電腦系統CS本端之數據機可接收電話線上之資料，且使用紅外線傳輸器將資料轉換為紅外線信號。耦接至匯流排BS之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排BS上。匯流排BS將資料攜載至主記憶體MM，處理器PRO自該主記憶體擷取且執行指令。由主記憶體MM接收之指令可視情況在由處理器PRO執行之前或之後儲存於儲存器件SD上。

電腦系統CS亦可包括耦接至匯流排BS之通信介面CI。通信介面CI提供與網路鏈路NDL之雙向資料通信耦接，該網路鏈路NDL連接至區域網路LAN。舉例而言，通信介面CI可為整合服務數位網路(ISDN)卡或數據機以提供與相應類型之電話線的資料通信連接。作為另一實例，通信介面CI可為區域網路(LAN)卡以提供與相容LAN的資料通信連接。亦可實施無線鏈路。在任何此實施中，通信介面CI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NDL通常經由一或多個網路提供與其他資料器件之資料通信。舉例而言，網路鏈路NDL可經由區域網路LAN提供與主機電腦HC之連接。此可包括經由全球封包資料通信網路(現在通常稱為「網際網路」INT)而提供資料通信服務。區域網路LAN (網際網路)可使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路資料鏈路NDL上且經由通信介面CI之信號為輸送資訊的例示性載波形式，該等信號將數位資料攜載至電腦系統CS且自該電腦系統攜載數位資料。

電腦系統CS可經由網路、網路資料鏈路NDL及通信介面CI發送訊息及接收資料(包括程式碼)。在網際網路實例中，主機電腦HC可經由網際網路INT、網路資料鏈路NDL、區域網路LAN及通信介面CI傳輸用於應用程式之經請求程式碼。例如，一個此經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在接收其時由處理器PRO執行，且/或儲存於儲存器件SD或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統CS可獲得呈載波之形式之應用程式碼。

圖14為根據一實施例的一微影投影裝置之示意圖。微影投影裝置可包括照明系統IL、第一物件台MT、第二物件台WT及投影系統PS。照明系統IL可調節輻射光束B。在此實例中，照明系統亦包含輻射源SO。第一物件台(例如，圖案化器件台) MT可具備用以固持圖案化器件MA (例如，倍縮光罩)之圖案化器件固持器，且連接至用以相對於項目PS來準確地定位圖案化器件之第一定位器。第二物件台(例如，基板台) WT可具備用以固持基板W (例如，抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於項目PS來準確地定位該基板的第二定位器。投影系統(例如，其包括透鏡) PS (例如折射、反射或反射折射光學系統)可將圖案化器件MA之經輻照部分成像至基板W之目標部分C (例如，包含一或多個晶粒)上。可使用例如圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件MA及基板W。

如所描繪，該裝置可屬於透射類型(亦即，具有透射圖案化器件)。然而，一般而言，其亦可屬於反射類型，例如(具有反射圖案化器件)。裝置可採用與經典遮罩不同種類之圖案化器件；實例包括可程式化鏡面陣列或LCD矩陣。

源SO (例如，汞燈或準分子雷射、LPP (雷射產生電漿) EUV源)產生輻射光束。舉例而言，此光束係直接地或在已橫穿諸如光束擴展器或光束遞送系統BD (包含導向鏡、光束擴展器等)之調節構件之後饋入至照明系統(照明器) IL中。照明器IL可包含調整構件AD，以用於設定光束中之強度分佈之外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，其通常將包含各種其他組件，諸如，積光器IN及聚光器CO。以此方式，照射於圖案化器件MA上之光束B在其橫截面中具有所要均勻性及強度分佈。

在一些實施例中，源SO可在微影投影裝置之外殼內(此常常為在源SO為例如汞燈時之情況)，但其亦可遠離微影投影裝置。舉例而言，源產生之輻射光束可(例如，藉助於合適之導向鏡面)經導引至裝置中。此後一情境可為例如在源SO為準分子雷射(例如，基於KrF、ArF或F2雷射作用)時之狀況。

光束B可隨後攔截固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA的情況下，光束B可穿過透鏡PL，該透鏡將光束B聚焦至基板W之目標部分C上。藉助於第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如以使不同目標部分C定位於光束B之路徑中。類似地，第一定位構件可用於例如在自圖案化器件庫機械擷取圖案化器件MA之後或在掃描期間相對於光束B之路徑來準確地定位圖案化器件MA。大體而言，可藉助於一長衝程模組(粗略定位)及一短衝程模組(精細定位)來實現物件台MT、WT之移動。然而，在步進器(相對於步進掃描工具)之情況下，圖案化器件台MT可連接至一短衝程致動器，或可為固定的。

可在兩種不同模式(步進模式及掃描模式)中使用所描繪工具。在步進模式中，將圖案化器件台MT保持基本上靜止，且將整個圖案化器件影像在一個操作中投影(亦即，單次「閃光」)至目標部分C上。可使基板台WT在x及/或y方向上移位，使得不同目標部分C可藉由光束B輻照。在掃描模式中，基本上相同的情形適用，惟不在單次「閃光」中曝光給定目標部分C除外。替代地，圖案化器件台MT可以速度v在給定方向(例如「掃描方向」，或「y」方向)上移動，使得使投影光束B遍及圖案化器件影像進行掃描。同時，基板台WT以速度V = Mv在相同方向或相對方向上同時移動，其中M為透鏡之放大率(通常M = 1/4或1/5)。以此方式，可在不必損害解析度的情況下曝光相對大目標部分C。

圖15為可用於及/或有助於本文中所描述之操作中之一或多者的另一微影投影裝置(LPA)之示意圖。LPA可包括源收集器模組SO、經組態以調節輻射光束B (例如EUV輻射)的照明系統(照明器) IL、支撐結構MT、基板台WT及投影系統PS。支撐結構(例如，圖案化器件台) MT可經建構以支撐圖案化器件(例如，遮罩或倍縮光罩) MA且連接至經組態以準確地定位圖案化器件之第一定位器PM。基板台(例如，晶圓台) WT可經建構以固持基板(例如，抗蝕劑塗佈晶圓) W，且連接至經組態以準確地定位該基板之第二定位器PW。投影系統(例如，反射投影系統) PS可經組態以將藉由圖案化器件MA賦予給輻射光束B之圖案投影於基板W的目標部分C (例如，包含一或多個晶粒)上。

如在此實例中所展示，LPA可屬於一反射類型(例如，採用反射圖案化器件)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化器件可具有包含(例如)鉬與矽之多個堆疊的多層反射器。在一個實例中，該多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可運用X射線微影來產生甚至更小的波長。因為大多數材料在EUV及x射線波長下具吸收性，所以圖案化器件構形(topography)上之經圖案化吸收材料薄片段(例如，多層反射器之頂部上之TaN吸收器)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。

照明器IL可自源收集器模組SO接收極紫外輻射光束。用以產生EUV輻射之方法包括但未必限於用在EUV範圍內之一或多種發射譜線將具有至少一個元素(例如，氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿(「LPP」))中，可藉由用雷射光束來輻照燃料(諸如，具有譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖15中未展示)的EUV輻射系統之部件，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射(例如EUV輻射)，該輸出輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO2雷射以提供用於燃料激發之雷射光束時，雷射及源收集器模組可為分離實體。在此實例中，可不認為雷射形成微影裝置之部分，且輻射光束可憑藉包含例如合適導向鏡及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他實例中，舉例而言，當源為放電產生電漿EUV產生器(通常稱為DPP源)時，源可為源收集器模組之整體部分。

照明器IL可包含用於調整輻射光束之角強度分佈的調整器。一般而言，可調整照明器之光瞳平面中之強度分佈之至少外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如，琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束，以在其橫截面中具有所要均勻性及強度分佈。

輻射光束B可入射於固持於支撐結構(例如，圖案化器件台) MT上之圖案化器件(例如，遮罩) MA上，且由該圖案化器件來圖案化。在自圖案化器件(例如，遮罩) MA反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2 (例如，干涉量測器件、線性編碼器或電容式感測器)，可準確地移動基板台WT(例如，以使不同目標部分C定位於輻射光束B之路徑中)。類似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化器件(例如，遮罩) MA。可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如，遮罩) MA與基板W。

所描繪之裝置LPA可用於以下模式中之至少一者：步進模式、掃描模式及靜止模式。在步進模式中，在將被賦予至輻射光束之整個圖案一次性投影至目標部分C上時，使支撐結構(例如，圖案化器件台) MT及基板台WT保持基本上靜止(例如，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位，以使得可曝光不同目標部分C。在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如，圖案化器件台) MT及基板台WT (亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於支撐結構(例如，圖案化器件台) MT之速度及方向。在靜止模式中，支撐結構(例如圖案化器件台) MT保持基本上靜止，從而固持一可程式化圖案化器件，且在經賦予至輻射光束之圖案經投影至目標部分C上時移動或掃描基板台WT。在此模式中，通常使用脈衝式輻射源，且在基板台WT之每一移動之後或在一掃描期間的順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如，上文所提及之類型之可程式化鏡面陣列)之無遮罩微影。

圖16為圖15中所展示之微影投影裝置之詳細視圖。如圖16中所展示，LPA可包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經組態以使得可將真空環境維持於源收集器模組SO之圍封結構220中。可藉由放電產生電漿源來形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如Xe氣體、Li蒸汽或Sn蒸汽)產生EUV輻射，其中產生熱電漿210以發射在電磁光譜之EUV範圍內之輻射。藉由例如產生至少部分地離子化之電漿之放電來產生熱電漿210。為了輻射之有效率產生，可需要為(例如) 10 Pa之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一些實施例中，提供受激發錫(Sn)之電漿以產生EUV輻射。

由熱電漿210發射之輻射係經由定位於源腔室211中之開口中或後方的視情況選用的氣體障壁或污染物截留器230 (在一些狀況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染物截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。污染物截留器或污染物障壁截留器230 (下文所描述)亦包括通道結構。收集器腔室211可包括可為掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光片240反射以沿著由線「O」指示之光軸聚焦於虛擬源點IF。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置以使得中間焦點IF位於圍封結構220中之開口221處或靠近開口221。虛擬源點IF為輻射發射電漿210之影像。

隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24，琢面化場鏡面器件22及琢面化光瞳鏡面器件24經配置以提供在圖案化器件MA處之輻射光束21之所要角分佈，以及在圖案化器件MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化器件MA處反射輻射光束21後，即形成經圖案化光束26，且經圖案化光束26藉由投影系統PS經由反射元件28、30成像至由基板台WT固持之基板W上。比所展示元件多的元件通常可存在於照明光學件單元IL及投影系統PS中。取決於例如微影裝置之類型，可視情況存在光柵濾光片240。此外，可存在比諸圖中所展示之鏡面更多的鏡面，例如，與圖16中所展示相比，在投影系統PS中可存在1至6個額外反射元件。

如圖16所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢狀收集器，僅僅作為收集器(或收集器鏡面)之一實例。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱，且此類型之收集器光學件CO可結合常常被稱為DPP源之放電產生電漿源而使用。

圖17為微影投影裝置LPA (先前圖中所展示)之源收集器模組SO之詳細視圖。源收集器模組SO可為LPA輻射系統之部分。雷射LA可經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再組合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口221上。

本發明之實施例可藉由以下條項進一步描述。 1.    一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦執行包含以下各者之一方法： 判定一或多個成像特性相對於由一圖案化程序產生的一基板上之圖案變異的一物理趨勢，該物理趨勢係基於用於一第一圖案集合及/或該圖案化程序的第一資料而判定；及 基於該物理趨勢產生擴增資料，該擴增資料包含符合該物理趨勢並基於該第一資料導出的第二資料，該擴增資料經導出用於不同於該第一集合之一第二圖案集合；其中 該擴增資料經組態以作為輸入提供至一機器學習模型以訓練該機器學習模型以根據物理趨勢預測該一或多個成像特性。 2.    如條項1之媒體，其中該物理趨勢係與該基板上之圖案設計變異及/或圖案化程序變異相關聯。 3.    如條項1或2之媒體，其中該擴增資料係作為輸入提供至該機器學習模型以訓練該機器學習模型以符合該一或多個成像特性根據該物理趨勢的預測。 4.    如條項1至3中任一項之媒體，其中： 該第一資料包含該基板上之該圖案的先前經判定量測，及/或指示由該圖案化程序產生的該基板上之該圖案之一物理行為的資訊；且 該擴增資料相對於該等先前經判定量測及/或指示該基板上之該圖案之該物理行為的該資訊係新的，但仍符合該物理趨勢。 5.    如條項1至4中任一項之媒體，其中該方法進一步包含提供該擴增資料至該機器學習模型以訓練該機器學習模型以根據該物理趨勢預測該一或多個成像特性。 6.    如條項1至5中任一項之媒體，其中該一或多個成像特性包含一關鍵尺寸、一邊緣位置、一曲率、一間距、一對稱或一旋轉。 7.    如條項1至6中任一項之媒體，其中該圖案化程序包含一微影程序及/或一蝕刻程序。 8.    如條項1至7中任一項之媒體，其中產生該擴增資料係基於包括於該第一資料中的該一或多個成像特性之量測，該第一資料包含至少部分界定該物理趨勢之用於該第一圖案集合及/或該圖案化程序的先前經判定資料。 9.    如條項8之媒體，其中產生該擴增資料包含在一給定成像特性之該等量測之間數學內插以判定該給定成像特性之額外量測。 10.  如條項8之媒體，其中產生該擴增資料包含使用該等量測校準與該物理趨勢相關聯的一物理模型，及使用該經校準物理模型以預測符合該物理趨勢之額外量測。 11.  如條項10之媒體，其中該物理模型包含具有共同地模擬該物理趨勢及/或該圖案化程序之項的一多維演算法。 12.  如條項10或11之媒體，其中產生該擴增資料進一步包含使用該等量測校準經組態以補償該等經預測額外量測之誤差的一殘餘模型，及使用該物理模型及殘餘模型產生該擴增資料， 其中該殘餘模型包含藉由將來自該物理模型之預測之誤差擬合至該等量測而校準的一純數學模型。 13.  如條項8之媒體，其中產生該擴增資料係基於該等量測及由該圖案化程序產生的該圖案中之對稱。 14.  如條項1至13中任一項之媒體，其中產生該擴增資料包含基於來自一經訓練物理模型之輸出判定該物理趨勢，該趨勢係由藉由該物理模型預測的成像特性之值而不是該等成像特性自身之絕對值之間的相對關係描述。 15.  如條項14之媒體，其中該物理趨勢包含一對稱趨勢、一定向趨勢、一焦點趨勢、一劑量趨勢、一貫穿間距趨勢、一線性趨勢及/或一貫穿關鍵尺寸趨勢。 16.  如條項14或15之媒體，其中該機器學習模型經訓練以基於經組態以使該機器學習模型擬合藉由該物理模型預測的成像特性之值而不是該等成像特性自身之該等絕對值之間的該等相對關係的一損耗函數根據該物理趨勢預測該一或多個成像特性。 17.  如條項1至16中任一項之媒體，其中該物理趨勢係基於該基板上之先前圖案變異及/或先前圖案化程序變異而已知。 18.  如條項1至17中任一項之媒體，其中來自該機器學習模型之輸出經組態以經提供至一成本函數以促進與個別圖案化程序變數相關聯的成本之判定。 19.  如條項1至3中任一項之媒體，其中該第一資料包含藉由一第一圖案化程序產生的一第一基板上之一第一圖案或圖案集合之先前經判定量測，且其中該物理趨勢係藉由(1)提取及/或分類與該物理趨勢相關聯之該第一基板上的該第一圖案或圖案集合之量測，及/或(2)將一物理模型擬合至該第一圖案或圖案集合之該等量測而判定及/或另外獲得。 20.  如條項19之媒體，其中該第一圖案化程序包含具有與一第二圖案化程序類似及可比之處理條件的一或多個半導體製造圖案化程序。 21.  如條項20之媒體，其中該第二圖案化程序包含被模擬及/或一模型被建構所針對的一目標圖案化程序。 22.  如條項19至21中任一項之媒體，其中該擴增資料包含基於該物理趨勢及/或藉由該物理模型產生的新資料，及/或來自第一資料之符合該物理趨勢的先前經判定量測之一子集。 23.  如條項22之媒體，其中該擴增資料可與來自藉由該第二圖案化程序產生的一第二基板上之一第二圖案或圖案集合之第二量測組合。 24.  如條項23之媒體，其中當該第一圖案化程序及該第二圖案化程序類似時，來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集包含與一先前遮罩相關聯的資料。 25.  如條項23或24中任一項之媒體，其中當相對於該第一圖案化程序調整該第二圖案化程序時，來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集包含與一當前遮罩上之不同位置相關聯的資料。 26.  如條項23至25中任一項之媒體，其中若不使用擴增資料，則相較於該等第二量測之一數量，該第二資料包含來自藉由該第二圖案化程序產生的該第二基板上之該第二圖案的較少第二量測，該較少第二量測可與基於該物理趨勢及/或藉由該物理模型產生的該新資料，及/或來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集組合。 27.  如條項19至26中任一項之媒體，其中該擴增資料之一總量具有相對於藉由該第一圖案化程序產生的該第一基板上之該第一圖案之該等先前經判定量測的一相同或增加之資料密度。 28.  如條項1至27中任一項之媒體，其中該擴增資料係與一基於經正規化標準差之損耗函數相關聯。 29.  如條項28之媒體，其中該擴增資料、該第二量測資料及/或該基於經正規化標準差之損耗函數用於訓練該機器學習模型。 30.  如條項28或29之媒體，其中該基於經正規化標準差之損耗函數係基於與該物理趨勢相關聯的該第一資料中之全部關鍵尺寸之一範圍而正規化。 31.  一種用於產生擴增資料之方法，該方法包含： 判定一或多個成像特性相對於由一圖案化程序產生的一基板上之圖案變異的一物理趨勢，該物理趨勢係基於用於一第一圖案集合及/或該圖案化程序的第一資料而判定；及 基於該物理趨勢產生該擴增資料，該擴增資料包含符合該物理趨勢並基於該第一資料導出的第二資料，該擴增資料經導出用於不同於該第一集合之一第二圖案集合；其中 該擴增資料經組態以作為輸入提供至一機器學習模型以訓練該機器學習模型以根據該物理趨勢預測該一或多個成像特性。 32.  如條項31之方法，其中該物理趨勢係與該基板上之圖案設計變異及/或圖案化程序變異相關聯。 33.  如條項31或32之方法，其中該方法進一步包含將該擴增資料作為輸入提供至該機器學習模型以訓練該機器學習模型以符合該一或多個成像特性根據該物理趨勢之預測。 34.  如條項31至33中任一項之方法，其中： 該第一資料包含該基板上之該圖案的先前經判定量測，及/或指示由該圖案化程序產生的該基板上之該圖案之一物理特性的資訊；且 該擴增資料相對於該等先前經判定量測及/或指示該基板上之該圖案之該物理行為的該資訊係新的，但仍符合該物理趨勢。 35.  如條項31至34中任一項之方法，其中該方法進一步包含提供該擴增資料至該機器學習模型以訓練該機器學習模型以根據該物理趨勢預測該一或多個成像特性。 36.  如條項31至35中任一項之方法，其中該一或多個成像特性包含一關鍵尺寸、一邊緣位置、一曲率、一間距、一對稱或一旋轉。 37.  如條項31至36中任一項之方法，其中該圖案化程序包含一微影程序及/或一蝕刻程序。 38.  如條項31至37中任一項之方法，其中產生該擴增資料係基於包括於該第一資料中的該一或多個成像特性之量測，該第一資料包含至少部分界定該物理趨勢之用於該第一圖案集合及/或該圖案化程序的先前經判定資料。 39.  如條項38之方法，其中產生該擴增資料包含在一給定成像特性之該等量測之間數學內插以判定該給定成像特性之額外量測。 40.  如條項38之方法，其中產生該擴增資料包含使用該等量測校準與該物理趨勢相關聯的一物理模型，及使用該經校準物理模型以預測符合該物理趨勢之額外量測。 41.  如條項40之方法，其中該物理模型包含具有共同地模擬該物理趨勢及/或該圖案化程序之項的一多維演算法。 42.  如條項40或41之方法，其中產生該擴增資料進一步包含使用該等量測校準經組態以補償該等經預測額外量測之誤差的一殘餘模型，及使用該物理模型及該殘餘模型產生該擴增資料， 其中該殘餘模型包含藉由將來自該物理模型之預測之誤差擬合至該等量測而校準的一純數學模型。 43.  如條項38之方法，其中產生該擴增資料係基於該等量測及由該圖案化程序產生的該圖案中之對稱。 44.  如條項31至43中任一項之方法，其中產生該擴增資料包含基於來自一經訓練物理模型之輸出判定該物理趨勢，該趨勢係由藉由該物理模型預測的成像特性之值而不是該等成像特性自身之絕對值之間的相對關係描述。 45.  如條項44之方法，其中該物理趨勢包含一對稱趨勢、一定向趨勢、一焦點趨勢、一劑量趨勢、一貫穿間距趨勢、一線性趨勢及/或一貫穿關鍵尺寸趨勢。 46.  如條項44或45之方法，其中該機器學習模型經訓練以基於經組態以使該機器學習模型擬合藉由該物理模型預測的成像特性之值而不是該等成像特性自身之該等絕對值之間的該等相對關係的一損耗函數根據該物理趨勢預測該一或多個成像特性。 47.  如條項31至46中任一項之方法，其中該物理趨勢係基於該基板上之先前圖案變異及/或先前圖案化程序變異而已知。 48.  如條項31至47中任一項之方法，其中來自該機器學習模型之輸出經組態以經提供至一成本函數以促進與個別圖案化程序變數相關聯的成本之判定。 49.  如條項31至33中任一項之方法，其中該第一資料包含藉由一第一圖案化程序產生的一第一基板上之一第一圖案或圖案集合之先前經判定量測，且其中該物理趨勢係藉由(1)提取及/或分類與該物理趨勢相關聯之該第一基板上的該第一圖案或圖案集合之量測，及/或(2)將一物理模型擬合至該第一圖案或圖案集合之該等量測而判定及/或另外獲得。 50.  如條項49之方法，其中該第一圖案化程序包含具有與一第二圖案化程序類似及可比之處理條件的一或多個半導體製造圖案化程序。 51.  如條項50之方法，其中該第二圖案化程序包含被模擬及/或一模型被建構所針對的一目標圖案化程序。 52.  如條項49至51中任一項之方法，其中該擴增資料包含基於該物理趨勢及/或藉由該物理模型產生的新資料，及/或來自該第一資料之符合該物理趨勢的該等先前經判定量測之一子集。 53.  如條項52之方法，其中該擴增資料可與來自藉由該第二圖案化程序產生的一第二基板上之一第二圖案或圖案集合之第二量測組合。 54.  如條項53之方法，其中當該第一圖案化程序及該第二圖案化程序類似時，來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集包含與一先前遮罩相關聯的資料。 55.  如條項53或54中任一項之方法，其中當相對於該第一圖案化程序調整該第二圖案化程序時，來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集包含與一當前遮罩上之不同位置相關聯的資料。 56.  如條項53至55中任一項之方法，其中若不使用擴增資料，則相較於該等第二量測之一數量，該第二資料包含來自藉由該第二圖案化程序產生的該第二基板上之該第二圖案的較少第二量測，該較少第二量測可與基於該物理趨勢及/或藉由該物理模型產生的該新資料，及/或來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集組合。 57.  如條項49至56中任一項之方法，其中該擴增資料之一總量具有相對於藉由該第一圖案化程序產生的該第一基板上之該第一圖案之該等先前經判定量測的一相同或增加之資料密度。 58.  如條項31至57中任一項之方法，其中該擴增資料係與一基於經正規化標準差之損耗函數相關聯。 59.  如條項58之方法，其中該擴增資料、該第二量測資料及/或該基於經正規化標準差之損耗函數用於訓練該機器學習模型。 60.  如條項58或59之方法，其中該基於經正規化標準差之損耗函數係基於與該物理趨勢相關聯的該第一資料中之全部關鍵尺寸之一範圍而正規化。 61.  一種用於產生擴增資料的包含藉由機器可讀指令組態以執行以下操作之一或多個處理器的系統： 判定一或多個成像特性相對於由一圖案化程序產生的一基板上之圖案變異的一物理趨勢，該物理趨勢係基於用於一第一圖案集合及/或該圖案化程序之第一資料而判定；及 基於該物理趨勢產生該擴增資料，該擴增資料包含符合該物理趨勢並基於該第一資料導出的第二資料，該擴增資料經導出用於不同於該第一集合之一第二圖案集合；其中 該擴增資料經組態以作為輸入提供至一機器學習模型以訓練該機器學習模型以根據該物理趨勢預測該一或多個成像特性。 62.  如條項61之系統，其中該物理趨勢係與該基板上之圖案設計變異及/或圖案化程序變異相關聯。 63.  如條項61或62之系統，其中該一或多個處理器經進一步組態以將該擴增資料作為輸入提供至該機器學習模型以訓練該機器學習模型以符合該一或多個成像特性根據該物理趨勢之預測。 64.  如條項61至63中任一項之系統，其中： 該第一資料包含該基板上之該圖案的先前經判定量測，及/或指示由該圖案化程序產生的該基板上之該圖案之一物理特性的資訊；且 該擴增資料相對於該等先前經判定量測及/或指示該基板上之該圖案之該物理行為的該資訊係新的，但仍符合該物理趨勢。 65.  如條項61至64中任一項之系統，其中該一或多個處理器經進一步組態以提供該擴增資料至該機器學習模型以訓練該機器學習模型以根據該物理趨勢預測該一或多個成像特性。 66.  如條項61至65中任一項之系統，其中該一或多個成像特性包含一關鍵尺寸、一邊緣位置、一曲率、一間距、一對稱或一旋轉。 67.  如條項61至66中任一項之系統，其中該圖案化程序包含一微影程序及/或一蝕刻程序。 68.  如條項61至67中任一項之系統，其中產生該擴增資料係基於包括於該第一資料中之該一或多個成像特性的量測，該第一資料包含至少部分界定該物理趨勢之用於該第一圖案集合及/或該圖案化程序的先前經判定資料。 69.  如條項68之媒體，其中產生該擴增資料包含在一給定成像特性之該等量測之間數學內插以判定該給定成像特性之額外量測。 70.  如條項68之系統，其中產生該擴增資料包含使用該等量測校準與該物理趨勢相關聯的一物理模型，及使用該經校準物理模型以預測符合該物理趨勢之額外量測。 71.  如條項70之系統，其中該物理模型包含具有共同地模擬該物理趨勢及/或該圖案化程序之項的一多維演算法。 72.  如條項70或71之系統，其中產生該擴增資料進一步包含使用該等量測校準經組態以補償該等經預測額外量測之誤差的一殘餘模型，及使用該物理模型及該殘餘模型產生該擴增資料， 其中該殘餘模型包含藉由將來自該物理模型之預測之誤差擬合至該等量測而校準的一純數學模型。 73.  如條項68之系統，其中產生該擴增資料係基於該等量測及由該圖案化程序產生的該圖案中之對稱。 74.  如條項71至73中任一項之方法，其中產生該擴增資料包含基於來自一經訓練物理模型之輸出判定該物理趨勢，該趨勢係由藉由該物理模型預測的成像特性之值而不是該等成像特性自身之絕對值之間的相對關係描述。 75.  如條項74之系統，其中該物理趨勢包含一對稱趨勢、一定向趨勢、一焦點趨勢、一劑量趨勢、一貫穿間距趨勢、一線性趨勢及/或一貫穿關鍵尺寸趨勢。 76.  如條項74或75之系統，其中該機器學習模型經訓練以基於經組態以使該機器學習模型擬合藉由該物理模型預測的成像特性之值而不是該等成像特性自身之該等絕對值之間的該等相對關係的一損耗函數根據該物理趨勢預測該一或多個成像特性。 77.  如條項61至76中任一項之系統，其中該物理趨勢係基於該基板上之先前圖案變異及/或先前圖案化程序變異而已知。 78.  如條項61至77中任一項之系統，其中來自該機器學習模型之輸出經組態以經提供至一成本函數以促進與個別圖案化程序變數相關聯的成本之判定。 79.  如條項61至63中任一項之系統，其中該第一資料包含藉由一第一圖案化程序產生的一第一基板上之一第一圖案或圖案集合之先前經判定量測，且其中該物理趨勢係藉由(1)提取及/或分類與該物理趨勢相關聯之該第一基板上的該第一圖案或圖案集合之量測，及/或(2)將一物理模型擬合至該第一圖案或圖案集合之該等量測而判定及/或另外獲得。 80.  如條項79之系統，其中該第一圖案化程序包含具有與一第二圖案化程序類似及可比之處理條件的一或多個半導體製造圖案化程序。 81.  如條項80之系統，其中該第二圖案化程序包含被模擬及/或一模型被建構所針對的一目標圖案化程序。 82.  如條項79至81中任一項之系統，其中該擴增資料包含基於該物理趨勢及/或藉由該物理模型產生的新資料，及/或來自該第一資料之符合該物理趨勢的該等先前經判定量測之一子集。 83.  如條項82之系統，其中該擴增資料可與來自藉由該第二圖案化程序產生的一第二基板上之一第二圖案或圖案集合之第二量測組合。 84.  如條項83之系統，其中當該第一圖案化程序及該第二圖案化程序類似時，來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集包含與一先前遮罩相關聯的資料。 85.  如條項83或84中任一項之系統，其中當相對於該第一圖案化程序調整該第二圖案化程序時，來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集包含與一當前遮罩上之不同位置相關聯的資料。 86.  如條項83至85中任一項之系統，其中若不使用擴增資料，則相較於該等第二量測之一數量，該第二資料包含來自藉由該第二圖案化程序產生的該第二基板上之該第二圖案的較少第二量測，該較少第二量測可與基於該物理趨勢及/或藉由該物理模型產生的該新資料，及/或來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集組合。 87.  如條項79至86中任一項之系統，其中該擴增資料之一總量具有相對於藉由該第一圖案化程序產生的該第一基板上之該第一圖案之該等先前經判定量測的一相同或增加之資料密度。 88.  如條項61至87中任一項之系統，其中該擴增資料係與一基於經正規化標準差之損耗函數相關聯。 89.  如條項88之系統，其中該擴增資料、該第二量測資料及/或該基於經正規化標準差之損耗函數用於訓練該機器學習模型。 90.  如條項88或89之系統，其中該基於經正規化標準差之損耗函數係基於與該物理趨勢相關聯的該第一資料中之全部關鍵尺寸之一範圍而正規化。 91.  一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦運用基於與一晶圓上之一圖案集合及/或由一微影程序產生的程序變異相關聯之物理趨勢而判定的擴增訓練資料訓練一機器學習模型，該擴增訓練資料經組態以相對於與先前模型相關的該物理趨勢增強一機器學習模型之一預測準確度，該等指令引起包含以下各者之操作： 判定一或多個成像特性相對於由微影程序產生的該晶圓上之該圖案集合之變異的一物理趨勢，該物理趨勢係基於用於一第一圖案集合及/或該微影程序之第一資料而判定； 基於該物理趨勢產生該擴增訓練資料，該擴增訓練資料包含符合該物理趨勢並基於該第一資料導出的第二資料，該擴增訓練資料經導出用於不同於該第一集合之一第二圖案集合；及 將該擴增訓練資料作為輸入提供至一機器學習模型以訓練該機器學習模型以根據該物理趨勢預測該一或多個成像特性。 92.  如條項91之媒體，其中該一或多個成像特性包含一關鍵尺寸、一邊緣位置、一曲率、一間距、一對稱或一旋轉。 93.  如條項91之媒體，其中產生該擴增訓練資料係基於包括於該第一資料中的成像特性之量測；且其中 (1)產生該擴增訓練資料包含在一給定成像特性之該等量測之間數學內插以判定該給定成像特性之額外量測； (2)產生該擴增訓練資料包含使用該等量測校準與該物理趨勢相關聯的一物理模型，及使用該經校準物理模型以預測額外量測； (3)產生該擴增訓練資料進一步包含使用該等量測校準經組態以補償該經預測額外量測之誤差的殘餘模型，及使用該物理模型及該殘餘模型產生該擴增資料， 其中該殘餘模型包含藉由將來自該物理模型之預測之誤差擬合至量測而校準的一純數學模型。 或 (4)產生該擴增訓練資料係基於該等量測及由該微影程序產生的該圖案中之對稱。 94.  如條項91之媒體，其中產生該擴增訓練資料包含基於來自一經訓練物理模型之輸出判定該物理趨勢，該趨勢係由藉由該物理模型預測的成像特性之值而不是該等成像特性自身之絕對值之間的相對關係描述。

本文中所揭示之概念可模擬或數學上模型化用於子波長特徵之任何通用成像、蝕刻、研磨、檢測等系統，且可用於能夠產生愈來愈短波長之新興成像技術。新興技術包括極紫外線(EUV)，DUV微影能夠藉由使用ArF雷射來產生193 nm之波長且甚至能夠藉由使用氟雷射來產生157 nm之波長。此外，EUV微影能夠藉由使用同步加速器或藉由運用高能電子來撞擊材料(固體或電漿)而產生在20 nm至50 nm之範圍內的波長，以便產生在此範圍內之光子。

雖然本文中所揭示之概念可用於利用諸如矽晶圓之基板進行製造，但應理解，所揭示概念可供任何類型之製造系統(例如，用於在除矽晶圓以外之基板上製造之製造系統)使用。

此外，所揭示元件之組合及子組合可包含分離的實施例。舉例而言，上文所描述之操作中之一或多者可包括於分離實施例中，或其可一起包括於同一實施例中。

上方描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。

10A:微影投影裝置 12A:輻射源 14A:光學件組件 16Aa:光學件組件 16Ab:光學件組件 16Ac:透射光學件 18A:圖案化器件 20A:可調整濾光片/孔徑 21:輻射光束 22:琢面化場鏡面器件 22A:基板平面 24:琢面化光瞳鏡面器件 26:經圖案化光束 28:反射元件 30:反射元件 210:EUV輻射發射電漿/熱電漿 211:源腔室 212:收集器腔室 220:圍封結構 221:開口 230:污染物截留器 231:照明模型 232:投影光學件模型 235:設計佈局模型 236:空中影像 237:抗蝕劑模型 238:抗蝕劑影像 240:光柵濾光片 251:上游輻射收集器側 252:下游輻射收集器側 253:掠入射反射器 254:掠入射反射器 255:掠入射反射器 300:方法 302:操作 304:操作 306:操作 308:操作 400:資料 402:資料 404:神經網路/訓練 406:機器學習模型 408:輸入 500:擴增資料 502:量測 504:量測資料點 506:趨勢線 600:擴增資料 602:量測 604:量測 606:額外量測 700:擴增資料 702:誤差 704:經預測額外量測 710:蝕刻偏差量測 711:預測蝕刻偏差量測 712:蝕刻偏差量測 713:預測蝕刻偏差量測 714:蝕刻偏差量測 715:預測偏差量測 716:圖案類型 718:圖案類型 720:圖案類型 722:物理趨勢 724:物理趨勢 726:物理趨勢 750:方程式 752:方程式 760:誤差經補償之預測 762:誤差經補償之預測 764:誤差經補償之預測 800a:擴增資料 800b:擴增資料 800c:擴增資料 802a:擴增資料 802b:擴增資料 804a:擴增資料 804b:擴增資料 804c:擴增資料 810:先前量測 812:先前量測 814:先前量測 820:對稱軸 822:對稱軸 830:圖案 850:對稱部分 852:其他對稱部分 854:其他對稱部分 856:其他對稱部分 900:焦點/劑量矩陣 902:第一資料 1000:預測CD值 1002:值 1004:點線 1006:值 1100:物理趨勢 1102:量測 1104:預測成像特性量測 1106:趨勢 1200:擴增資料 1202:資料 1204:訓練 1206:機器學習模型 1208:輸入 1240:資料 1250:資料 AD:調整構件 B:輻射光束 BD:光束遞送系統 BS:匯流排 C:目標部分 CC:游標控制件 CI:通信介面 CO:聚光器/收集器 CS:電腦系統 DS:顯示器 HC:主機電腦 ID:輸入器件 IF:干涉量測構件/虛擬源點 IL:照明系統/照明器/照明光學件單元 IN:積光器 INT:網際網路 LA:雷射 LAN:區域網路 LPA:微影投影裝置 M1:圖案化器件對準標記 M2:圖案化器件對準標記 MA:圖案化器件 MM:主記憶體 MT:第一物件台/圖案化器件台/支撐結構 NDL:網路資料鏈路 O:線 P1:基板對準標記 P2:基板對準標記 PM:第一定位器 PRO:處理器 PS:投影系統 PS2:位置感測器 PW:第二定位器 ROM:唯讀記憶體 SD:儲存器件 SO:輻射源/源收集器模組 W:基板 WT:第二物件台/基板台

併入本說明書中且構成本說明書之一部分的隨附圖式說明一或多個實施例且連同描述一起解釋此等實施例。現在將參看隨附示意性圖式而僅作為實例來描述本發明之實施例，在該等圖式中，對應元件符號指示對應部分，且在該等圖式中：

圖1說明根據本發明之一實施例之微影投影裝置之各種子系統的方塊圖。

圖2說明根據本發明之實施例之用於模擬微影投影裝置中之微影的例示性方法之流程圖。

圖3說明根據本發明之實施例的產生擴增資料之例示性方法。

圖4說明根據本發明之實施例的用於擴增訓練機器學習模型之資料。

圖5說明根據本發明之實施例的藉由給定成像特性之量測之間的數學內插判定給定成像特性之額外(經內插)量測資料點(例如，擴增訓練資料)產生擴增資料。

圖6說明根據本發明之實施例的藉由使用先前量測校準與物理趨勢相關聯的物理模型，及使用經校準物理模型以預測符合物理趨勢之額外量測產生擴增資料。

圖7說明根據本發明之實施例的藉由使用先前量測校準經組態以補償經預測額外量測之誤差的殘餘模型而產生擴增資料，及使用物理模型及殘餘模型產生擴增資料。

圖8說明根據本發明之實施例的產生基於先前量測及圖案中之對稱軸而判定的擴增資料。

圖9說明根據本發明之實施例的提供指示焦點趨勢及/或劑量趨勢之第一資料的焦點/劑量矩陣。

圖10說明根據本發明之實施例的經由散焦資料增強。

圖11說明根據本發明之實施例的相較於來自機器學習模型之遵循類似趨勢之預測成像特性量測的由藉由物理模型預測的成像特性(在此實例中關鍵尺寸)量測界定的物理趨勢。

圖12 (其類似於圖4)說明根據本發明之實施例的用於擴增用於訓練機器學習模型(例如，在此實例中包含多個層之神經網路)之實際基板上進行之先前經判定成像特性量測的資料。

圖13為根據本發明之實施例的實例電腦系統之方塊圖。

圖14為根據本發明之實施例的一微影投影裝置之示意圖。

圖15為根據本發明之實施例之另一微影投影裝置的示意圖。

圖16為根據本發明之實施例之微影投影裝置的詳細視圖。

圖17為根據本發明之實施例的微影投影裝置之源收集器模組的詳細視圖。

400:資料

402:資料

404:神經網路/訓練

406:機器學習模型

408:輸入

Claims (21)

1. 一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦執行包含以下各者之一方法： 判定一或多個成像特性相對於由一圖案化程序產生的一基板上之圖案變異的一物理趨勢，該物理趨勢係基於用於一第一圖案集合及/或該圖案化程序的第一資料而判定；及 基於該物理趨勢產生擴增資料，該擴增資料包含符合該物理趨勢並基於該第一資料導出的第二資料，該擴增資料經導出用於不同於該第一集合之一第二圖案集合；其中該擴增資料經組態以作為輸入提供至一機器學習模型以訓練該機器學習模型以根據該物理趨勢預測該一或多個成像特性。
2. 如請求項1之媒體，其中該物理趨勢係與該基板上之圖案設計變異及/或圖案化程序變異相關聯。
3. 如請求項1之媒體，其進一步包含將該擴增資料作為輸入提供至該機器學習模型以訓練該機器學習模型以符合該一或多個成像特性根據該物理趨勢之預測。
4. 如請求項1之媒體，其中： 該第一資料包含該基板上之該圖案的先前經判定量測，及/或指示由該圖案化程序產生的該基板上之該圖案之一物理行為的資訊；且 該擴增資料相對於該等先前經判定量測及/或指示該基板上之該圖案之該物理行為的該資訊係新的，但仍符合該物理趨勢。
5. 如請求項1之媒體，其中該一或多個成像特性包含一關鍵尺寸、一邊緣位置、一曲率、一間距、一對稱或一旋轉。
6. 如請求項1之媒體，其中產生該擴增資料係基於包括於該第一資料中的該一或多個成像特性之量測，該第一資料包含至少部分界定該物理趨勢的用於該第一圖案集合及/或該圖案化程序之先前經判定資料。
7. 如請求項6之媒體，其中產生該擴增資料包含在一給定成像特性之該等量測之間數學內插以判定該給定成像特性之額外量測。
8. 如請求項6之媒體，其中產生該擴增資料包含使用該等量測校準與該物理趨勢相關聯的一物理模型，及使用該經校準物理模型以預測符合該物理趨勢之額外量測。
9. 如請求項8之媒體，其中該物理模型包含具有共同地模擬該物理趨勢及/或該圖案化程序之項的一多維演算法。
10. 如請求項8之媒體，其中產生該擴增資料進一步包含使用該等量測校準經組態以補償該等經預測額外量測之誤差的一殘餘模型，及使用該物理模型及該殘餘模型產生該擴增資料， 其中該殘餘模型包含藉由將來自該物理模型之預測之誤差擬合至該等量測而校準的一純數學模型。
11. 如請求項6之媒體，其中產生該擴增資料係基於該等量測及由該圖案化程序產生的該圖案中之對稱。
12. 如請求項1之媒體，其中產生該擴增資料包含基於來自一經訓練物理模型之輸出判定該物理趨勢，該趨勢係由藉由該物理模型預測的成像特性之值而不是該等成像特性自身之絕對值之間的相對關係描述。
13. 如請求項1之媒體，其中該物理趨勢包含一對稱趨勢、一定向趨勢、一焦點趨勢、一劑量趨勢、一貫穿間距趨勢、一線性趨勢及/或一貫穿關鍵尺寸趨勢。
14. 如請求項12之媒體，其中該機器學習模型經訓練以基於經組態以使該機器學習模型擬合藉由該物理模型預測的成像特性之值而不是該等成像特性自身之該等絕對值之間的該等相對關係的一損耗函數根據該物理趨勢預測該一或多個成像特性。
15. 如請求項1之媒體，其中該物理趨勢係基於該基板上之先前圖案變異及/或先前圖案化程序變異而已知。
16. 如請求項1之媒體，其中來自該機器學習模型之輸出經組態以經提供至一成本函數以促進與個別圖案化程序變數相關聯的成本之判定。
17. 如請求項1之媒體，其中該第一資料包含藉由一第一圖案化程序產生的一第一基板上之一第一圖案或圖案集合之先前經判定量測，且其中該物理趨勢係基於(1)與該物理趨勢相關聯的該第一基板上之該第一圖案或圖案集合之量測，及/或(2)將一物理模型擬合至該第一圖案或圖案集合之該等量測。
18. 如請求項17之媒體，其中該第一圖案化程序包含具有與一第二圖案化程序實質上類似之處理條件的一或多個半導體製造圖案化程序，且其中該第二圖案化程序包含被模擬及/或一模型被建構所針對的一目標圖案化程序，其中該擴增資料包含基於該物理趨勢及/或藉由該物理模型產生的新資料，及/或來自該第一資料之符合該物理趨勢的該等先前經判定量測之一子集。
19. 如請求項17之媒體，其中該擴增資料可與來自藉由該第二圖案化程序產生的一第二基板上之一第二圖案或圖案集合之第二量測組合，其中當該第一圖案化程序及該第二圖案化程序類似時，來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集包含與一先前遮罩相關聯的資料。
20. 如請求項19之媒體，其中當相對於該第一圖案化程序調整該第二圖案化程序時，來自該第一資料之符合該物理趨勢的該等先前經判定量測之該子集包含與一當前遮罩上之不同位置相關聯的資料。
21. 如請求項1之媒體，其中該擴增資料係與一基於經正規化標準差之損耗函數相關聯。