TW202341017A - 用於產生消除雜訊模型之裝置及方法 - Google Patents

用於產生消除雜訊模型之裝置及方法 Download PDF

Info

Publication number
TW202341017A
TW202341017A TW112123405A TW112123405A TW202341017A TW 202341017 A TW202341017 A TW 202341017A TW 112123405 A TW112123405 A TW 112123405A TW 112123405 A TW112123405 A TW 112123405A TW 202341017 A TW202341017 A TW 202341017A
Authority
TW
Taiwan
Prior art keywords
images
model
image
noise
simulated
Prior art date
Application number
TW112123405A
Other languages
English (en)
Other versions
TWI833664B (zh
Inventor
海容 雷
方偉
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202341017A publication Critical patent/TW202341017A/zh
Application granted granted Critical
Publication of TWI833664B publication Critical patent/TWI833664B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Instructional Devices (AREA)
  • Feedback Control In General (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
  • Image Processing (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

本文中描述一種用於訓練一消除雜訊模型之方法。該方法包括基於設計圖案獲得一第一組經模擬影像。該等經模擬影像可為清潔的且可添加有雜訊以產生有雜訊的經模擬影像。該等經模擬清潔及有雜訊的影像用作訓練資料以產生一消除雜訊模型。

Description

用於產生消除雜訊模型之裝置及方法
本文中之描述大體上係關於處理由檢測或量測工具獲取之影像，且更特定言之係關於藉由使用機器學習進行之影像消除雜訊。
微影投影裝置可用於(例如)積體電路(IC)之製造中。在此狀況下，圖案化器件(例如遮罩)可含有或提供對應於IC (「設計佈局」)之個別層之圖案，且可藉由諸如將已經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，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；此裝置通常被稱作步進器。在通常被稱作步進掃描裝置(step-and-scan apparatus)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。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減比率M (例如4)，因此基板被移動之速度F將為投影光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(「曝光後工序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤，及經轉印圖案之量測/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。基板可接著經歷各種程序，諸如，蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等，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。接著藉由諸如切塊或鋸切之技術來使此等器件彼此分離，據此，可將個別器件安裝於載體上、連接至銷釘等。
因此，製造諸如半導體器件之器件通常涉及使用多個製作程序來處理基板(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、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，且接著將其分離成個別器件。此器件製造程序可被認為係圖案化程序。圖案化程序涉及用以將圖案化器件上之圖案轉印至基板之圖案化步驟，諸如使用微影裝置中之圖案化器件之光學及/或奈米壓印微影，且圖案化程序通常但視情況涉及一或多個相關圖案處理步驟，諸如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。
根據一實施例，提供一種用於訓練一影像消除雜訊模型以用於處理影像之方法。該方法包括：將設計圖案轉換成一第一組經模擬影像；及基於該第一組經模擬影像及影像雜訊訓練該消除雜訊模型。在訓練之後，該消除雜訊模型可操作以自輸入影像移除雜訊且產生經消除雜訊影像。
在一實施例中，提供一種系統，其包括：電子束光學件，其經組態以捕捉一經圖案化基板之一影像；及一或多個處理器，其經組態以產生一輸入影像之一經消除雜訊影像。該一或多個處理器經組態以執行一經訓練模型，該經訓練模型經組態以自用於該基板之一設計圖案產生一經模擬影像。在一實施例中，該一或多個處理器經組態以執行一消除雜訊模型，該消除雜訊模型使用該所捕捉影像作為輸入以產生該經圖案化基板之一經消除雜訊影像。
在一實施例中，提供一種用於儲存一消除雜訊模型之一或多個非暫時性電腦可讀媒體。在一實施例中，一或多個非暫時性電腦可讀媒體經組態以經由該所儲存之消除雜訊模型產生一經消除雜訊影像。特定言之，一或多個非暫時性電腦可讀媒體儲存指令，該等指令在由一或多個處理器執行時提供該消除雜訊模型。在一實施例中，該消除雜訊模型係藉由執行用於進行以下操作之指令而產生：基於設計圖案獲得一第一組經模擬影像(例如藉由使用一經訓練GAN以將GDS圖案轉換成經模擬影像)；將該第一組經模擬影像作為輸入提供至一基礎消除雜訊模型以獲得一第二組經模擬影像，該第二組經模擬影像為與該等設計圖案相關聯的經消除雜訊影像；及使用參考經消除雜訊影像作為回饋以更新該基礎消除雜訊模型之一或多個組態，其中該一或多個組態係基於該等參考經消除雜訊影像與該第二組經模擬影像之間的一比較而更新。
在一些實施例中，訓練一GAN以將GDS圖案影像轉換成經模擬之清潔SEM影像。首先自經掃描SEM影像提取雜訊特徵，且接著將雜訊添加至此等清潔影像以產生經模擬有雜訊影像。使用該等經模擬清潔影像及有雜訊影像結合經掃描SEM影像以訓練一消除雜訊模型。可運用所捕捉SEM影像進一步微調該消除雜訊模型。一旦經訓練，該消除雜訊模型便可操作以移除來自輸入SEM影像之雜訊以產生經消除雜訊影像。
根據本發明之實施例，藉由使用經由如上文所描述之一產生器模型而自設計圖案轉換的經模擬影像來訓練一消除雜訊模型。包含此類經模擬影像之訓練資料相比於SEM捕捉之影像可集體地覆蓋顯著且足夠更多的圖案。由於改良之圖案覆蓋範圍，該訓練可有利地引起該消除雜訊模型之顯著改良之有效性及準確度。可大大減少或甚至消除再訓練之要求。
在詳細地描述實施例之前，有指導性的是呈現可供實施實施例之實例環境。
儘管在本文中可特定地參考IC製造，但應明確理解，本文之描述具有許多其他可能應用。舉例而言，本文中之描述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，在此類替代應用之內容背景中，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為分別與更一般之術語「遮罩」、「基板」及「目標部分」可互換。
在本發明文件中，術語「輻射」及「光束」可用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如，具有為365 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外線輻射(EUV，例如，具有在約5 nm至100 nm之範圍內之波長)。
圖案化器件可包含或可形成一或多個設計佈局。可利用電腦輔助設計(computer-aided design；CAD)程式來產生設計佈局，此程序常常被稱作電子設計自動化(electronic design automation；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而設定此等規則。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，以便確保器件或線彼此不會以非所要方式相互作用。設計規則限制中之一或多者可被稱作「臨界尺寸」(CD)。器件之臨界尺寸可被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判定經設計器件之總大小及密度。當然，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)。
作為一實例，圖案佈局設計可包括解析度增強技術之應用，諸如光學近接校正(OPC)。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，可在本文中互換地利用術語「遮罩」、「倍縮光罩」、「圖案化器件」。又，熟習此項技術者將認識到，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小特徵大小及高特徵密度，給定特徵之特定邊緣之位置將在某種程度上受到其他鄰近特徵之存在或不存在影響。此等近接效應起因於自一個特徵耦合至另一特徵的微小量之輻射或諸如繞射及干涉之非幾何光學效應。相似地，近接效應可起因於在通常跟隨微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了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之機會，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近接效應。論文「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年))提供當前「以模型為基礎」之光學近接校正程序的綜述。在典型高端設計中，設計佈局之幾乎每一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。
輔助特徵可被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」並不暗示圖案化器件上之特定特徵必須被標註為主特徵或輔助特徵。
如本文所使用之術語「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。除了經典遮罩(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。在使用適當濾光器的情況下，可自反射光束濾出該非繞射輻射，從而僅留下繞射輻射；以此方式，光束根據矩陣可定址表面之定址圖案而變得圖案化。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。以引用方式併入本文中之美國專利第5,229,872號中給出此構造之實例。
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)源的其他類型之源(如上文所論述，微影投影裝置自身無需具有輻射源)；照明光學件，其例如定義部分相干性(被表示為均方偏差)且可包括塑形來自源12A之輻射的光學件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器或孔徑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(Θmax)，其中n為基板與投影光學件之最後元件之間的介質之折射率，且Θmax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，且投影光學件經由圖案化器件將照明引導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中之至少一些。空中影像(AI)為基板位階處之輻射強度分佈。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，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 2009-0157360號中找到此情形之實例。抗蝕劑模型係僅與抗蝕劑層之屬性(例如在曝光、PEB及顯影期間發生之化學程序之效應)相關。微影投影裝置之光學屬性(例如源、圖案化器件及投影光學件之屬性)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，因此可需要使圖案化器件之光學屬性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屬性分離。
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，在此等替代應用之內容背景中，可認為本文對術語「晶圓」或「晶粒」之任何使用分別與更一般之術語「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所提及之基板。適用時，可將本文中之揭示內容應用於此類及其他基板處理工具。另外，可將基板處理多於一次，例如，以便產生多層IC，使得本文中所使用之術語「基板」亦可指已經含有多個經處理層之基板。
本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外線(UV)輻射(例如具有為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20 nm之範圍內之波長)，以及粒子束，諸如離子束或電子束。
用於消除雜訊模型之現有訓練方法需要經圖案化基板之大量影像(例如，SEM影像)作為訓練資料。在此類訓練方法中，設計佈局之圖案覆蓋範圍限於SEM影像之圖案。在一實施例中，圖案覆蓋範圍係指設計佈局內之獨特圖案之數目。通常，設計佈局可具有數億至數十億個圖案及數百萬個獨特圖案。出於訓練之目的量測經圖案化基板上之數百萬個圖案係不切實際的，此係因為其將需要大量的度量衡時間及運算資源來進行訓練。因而，舉例而言，包含SEM影像之訓練資料通常遠不足以用於訓練機器學習模型。因此，可需要運用新圖案即時地再訓練經訓練模型。
本發明之方法具有若干優點。舉例而言，可在離線訓練期間實質上增加設計佈局之圖案覆蓋範圍。例如出於訓練及驗證之目的而可僅使用有限的SEM影像(例如，10至20個真實SEM影像)。在訓練之後，可在運行時間使用經訓練模型以對所捕捉之度量衡影像(例如，SEM影像)消除雜訊。由於在訓練期間覆蓋相對較大數目個圖案，因此與現有模型相比，本發明模型之再訓練之量將實質上較小。模型之微調可例如藉由獲取10至20個實際SEM影像而快速達成。因而，相比於現有模型，可節省大量的機器掃描時間及線上模型訓練時間。舉例而言，藉由本發明方法，掃描時間可限於20個SEM影像(相對於數千個SEM影像)，且線上模型訓練時間相比於4至8小時可限於大致0.5小時。
圖2為根據本發明之一實施例的訓練消除雜訊模型之例示性方法200。在一實施例中，出於訓練之目的，使用另一模型以將設計圖案(例如GDS檔案資料中之設計佈局)轉換成經模擬清潔SEM影像。另外，可將雜訊添加至此等清潔影像以產生經模擬之有雜訊影像。使用經模擬清潔影像及有雜訊影像結合經掃描SEM影像以訓練消除雜訊模型。在一實施例中，該方法包括下文詳細論述之程序P201及P203。
程序P201包括將設計圖案轉換成第一組經模擬影像201，例如經模擬SEM影像。在一實施例中，設計圖案DP呈圖形資料信號(GDS)檔案格式。舉例而言，將包括數百萬個設計圖案之設計佈局表示為GDS資料檔案。
在一實施例中，獲得第一組經模擬影像201包括執行經訓練模型MD1，該經訓練模型使用設計圖案DP作為輸入以產生經模擬影像201。在一實施例中，基於設計圖案DP以及經圖案化基板之所捕捉影像來訓練經訓練模型MD1，每一所捕捉影像係與一設計圖案相關聯。在一實施例中，所捕捉影像為經由掃描電子顯微鏡(SEM) (例如圖10至圖11)獲取之SEM影像。
在一實施例中，經訓練模型MD1可為任何模型，諸如可使用現有訓練方法使用如本文中所論述之訓練資料訓練的機器學習模型。舉例而言，經訓練模型MD1可為迴旋神經網路(CNN)或深度迴旋神經網路(DCNN)。本發明不限於特定訓練方法或特定神經網路。作為一實例，模型MD1可為使用諸如生成對抗網路(GAN)之訓練方法訓練的第一深度學習模型(例如，DCNN)，其中設計圖案DP及SEM影像用作訓練資料。在此實例中，經訓練模型MD1 (例如，DCNN)被稱作經組態以自給定設計圖案(例如，GDS圖案)產生經模擬SEM影像的生成模型。
在一實施例中，生成對抗網路(GAN)包括兩個深度學習模型-產生器模型(例如CNN或DCNN)及鑑別器模型(例如另一CNN或另一DCNN)，該兩個模型一起經訓練，特別是相互對抗。產生器模型可將設計圖案DP及所捕捉影像(例如SEM影像)視為輸入且輸出經模擬影像(例如經模擬SEM影像)。在一實施例中，輸出之經模擬影像可被標註為假影像或真實影像。在一實例中，假影像為實際上在之前從未存在的某一類之影像(例如，SEM影像之經消除雜訊影像)。另一方面，用作參考(或地面實況)之真實影像為可在產生器模型及鑑別器模型之訓練期間使用的先前存在之影像(例如印刷基板之SEM)。訓練之目標為訓練產生器模型以產生接近地類似於真實影像之假影像。舉例而言，假影像之特徵與真實影像(例如經消除雜訊SEM影像)之特徵至少匹配95%。因此，經訓練產生器模型能夠以高準確度位準產生實際的經模擬影像。
在一實施例中，產生器模型(G)可為迴旋神經網路。產生器模型(G)將設計圖案(z)視為輸入且產生影像。在一實施例中，影像可被稱作假影像或經模擬影像。假影像可表示為Xfake = G(z)。產生器模型(G)可與第一成本函數相關聯。第一成本函數使得能夠調諧產生器模型之參數使得改良(例如最大化或最小化)成本函數。在一實施例中，第一成本函數包含一第一對數概度項，該第一對數概度項在給出輸入向量的情況下判定經模擬影像為假影像的機率。
第一成本函數之實例可由以下方程式1來表示：
在以上方程式1中，運算條件機率之對數概度。在該方程式中，S係指藉由鑑別器模型指派為假的源，且X_fake為輸出，亦即產生器模型之假影像。因此，在一實施例中，訓練方法使第一成本函數(L)最小化。因此，產生器模型將產生假影像(亦即，經模擬影像)，使得鑑別器模型將認識到假影像為假的條件機率係低的。換言之，產生器模型將逐漸地產生愈來愈實際的影像或圖案。
圖4說明如在程序P201中所論述的訓練模型(例如，MD1)之例示性程序。在一實施例中，使用生成對抗網路來訓練經訓練之產生器模型MD1。基於生成對抗網路之訓練包含一起訓練之兩個深度學習模型GM1及DM1，使得產生器模型GM1逐漸產生更準確且穩固的結果。
在一實施例中，產生器模型GM1可將例如設計圖案DP1及DP2以及對應於設計圖案DP1及DP2之SEM影像SEM1及SEM2視為輸入。產生器模型GM1輸出經模擬影像，諸如影像DN1及DN2。
GM1之經模擬影像係由鑑別器模型DM1接收，該鑑別器模型DM1為另一CNN。鑑別器模型DM1亦接收呈像素化影像之形式的真實影像SEM1及SEM2 (或真實圖案之集合)。基於該等真實影像，鑑別器模型DM1判定經模擬影像是為假的(例如，標籤L1)抑或真實的(例如，標籤L2)且相應地指派標籤。當鑑別器模型DM1將經模擬影像分類為假時，基於成本函數(例如上文之第一成本函數)修改GM1及DM1之參數(例如偏差及權重)。反覆地修改模型GM1及DM1，直至鑑別器DM1將由GM1產生之經模擬影像一致地分類為真實的。換言之，產生器模型GM1經組態以產生任何輸入設計圖案之實際SEM影像。
圖5說明根據一實施例的使用圖4之經訓練產生器模型MD1獲得第一組經模擬SEM影像的實例。在一實施例中，任何設計圖案DP11，DP12，…DPn可經輸入至經訓練產生器模型MD1以分別產生經模擬SEM影像S1，S2，…Sn。儘管本發明不限於此，但此等經模擬SEM影像S1，S2，…Sn可為不包括典型雜訊或包括極低雜訊的清潔影像。
在一些實施例中，可添加影像雜訊以產生圖2中之第一組經模擬影像201。圖6說明將雜訊添加至經模擬SEM影像S1，S2，…Sn以產生第一組經模擬影像S1*，S2*，…Sn**以用於訓練消除雜訊模型的實例，該消除雜訊模型為經組態以對輸入影像消除雜訊之另一機器學習模型。在下文關於程序P203論述消除雜訊模型之訓練。
程序P203包括使用第一組經模擬影像201及影像雜訊作為訓練資料來訓練消除雜訊模型。在一實施例中，另外，經圖案化基板之所捕捉影像205可包括於該訓練資料中。舉例而言，所捕捉影像205可為經圖案化基板之SEM影像。
在一實施例中，消除雜訊模型MD2為第二機器學習模型。舉例而言，第二機器學習模型可為第二CNN或第二DCNN。本發明不限於特定深度學習訓練方法或機器學習訓練方法。在一實施例中，訓練為經執行直至第二組經模擬影像在地面實況之指定臨限值內的反覆程序，地面實況諸如在添加雜訊之前的第一組經模擬影像201 (例如，圖5之經模擬SEM影像S1，S2，…Sn)，或參考影像。在一實施例中，使用第一組經模擬影像、影像雜訊及所捕捉影像作為訓練資料來訓練消除雜訊模型。
在一實施例中，自經圖案化基板之所捕捉影像(例如，所捕捉之SEM影像)提取影像雜訊。舉例而言，可應用雜訊濾波器以自由SEM工具捕捉之SEM影像提取雜訊。所提取雜訊可經表示為影像雜訊。在一實施例中，影像雜訊為藉由使用者指定參數特性化之高斯雜訊、白雜訊、鹽及紙雜訊。在一實施例中，影像雜訊包括強度值在統計上彼此獨立的像素。在一實施例中，可藉由使高斯分佈函數之參數變化而產生高斯雜訊。
在一實施例中，參看圖6，可將諸如高斯雜訊之影像雜訊添加至例如經模擬影像S1，S2，…Sn以產生有雜訊影像，諸如S1*，S2*，…，Sn*。該等有雜訊影像為用以訓練消除雜訊模型之第一組經模擬影像201。
通常，藉由使用所捕捉之SEM影像作為訓練影像來訓練消除雜訊模型。受到SEM系統之成像產出量限制且因此受到SEM捕捉之影像數量限制，訓練影像集體地可僅覆蓋相對較少數目個圖案，此致使經訓練之消除雜訊模型在對可具有廣泛範圍圖案之輸入影像消除雜訊時係低效的。不理想地，需要再訓練經訓練之消除雜訊模型以能夠處理具有新圖案之影像。根據本發明之實施例，藉由使用經由如上文所描述之產生器模型而自設計圖案轉換的經模擬影像來訓練消除雜訊模型。包含經模擬影像之訓練資料相比於SEM捕捉之影像可集體地覆蓋顯著且足夠更多的圖案。由於改良之圖案覆蓋範圍，訓練可有利地引起消除雜訊模型之顯著改良之有效性及準確度。可大大減少或甚至消除再訓練之要求。
圖7說明根據本發明之一實施例的訓練消除雜訊模型(例如，MD2)之例示性程序。
第一經模擬影像201、影像雜訊及/或參考影像REF作為訓練資料來訓練消除雜訊模型MD2。在一實施例中，另外，經圖案化基板之所捕捉影像710 (例如SEM影像)可包括於該訓練資料中。在一實施例中，所捕捉影像710之數目可相對小於經模擬影像201之數目。在一實施例中，所捕捉影像710可用以更新經訓練之消除雜訊模型MD2。
在一實施例中，模型MD2可將例如關於圖6及圖7所論述之有雜訊影像S1*、S2*、…，Sn* (例如，使用模型MD1產生)及影像雜訊視為輸入。模型MD2輸出經消除雜訊影像，諸如影像DN11，DN12，…DNn*。在訓練程序期間，可修改模型MD2之一或多個模型參數(例如，DCNN之不同層之權重及偏差)直至達成收斂或經消除雜訊影像在參考影像REF之指定臨限值內。在一實施例中，當改變模型參數值相比於先前模型輸出不會引起模型輸出之顯著改良時，達成收斂。
在一實施例中，方法200進一步包括：經由度量衡工具獲得經圖案化基板之SEM影像；及執行經訓練之消除雜訊模型MD2，該經訓練之消除雜訊模型使用SEM影像作為輸入影像以產生經消除雜訊之SEM影像。
在一實施例中，亦可使用如上文所論述之GAN訓練方法使用程序P203中所論述之輸入來訓練第二機器學習模型MD2。舉例而言，使用第一經模擬影像201、影像雜訊及參考影像REF作為訓練資料。在一實施例中，參考影像REF可為第一經模擬影像201。
圖8說明使用經訓練之消除雜訊模型MD2以產生經消除雜訊之SEM影像的例示性程序。經由SEM工具捕捉經圖案化基板之實例SEM影像801及802。應注意，SEM影像801及802具有與訓練資料中之影像中所使用之圖案極不同且複雜的圖案。由於基於與設計圖案相關之經模擬影像來訓練經訓練模型MD2，因此可有利地覆蓋大量圖案。因此，經訓練模型MD2能夠分別產生SEM影像801及802之高度準確的經消除雜訊影像811及812。圖8中之結果展示經訓練模型MD2可在無額外訓練的情況下處置新圖案。在一實施例中，可使用新近捕捉之SEM影像來執行對消除雜訊模型MD2之進一步微調，以進一步改良經消除雜訊影像之品質。
圖3為根據本發明之一實施例的用於產生消除雜訊模型之另一例示性方法300的流程圖。方法300包括下文所論述之程序P301、P303及P305。
程序P301包括基於設計圖案獲得第一組經模擬影像301。在一實施例中，第一組經模擬影像301中的每一影像為經模擬SEM影像與影像雜訊之組合(例如，參見圖6中之S1*，S2*，…Sn*)。
在一實施例中，獲得經模擬SEM影像包括執行經訓練模型，該經訓練模型使用設計圖案作為輸入以產生經模擬SEM影像。舉例而言，執行如關於圖5所論述之經訓練模型MD1。在一實施例中，基於設計圖案以及經圖案化基板之所捕捉影像來訓練經訓練模型(例如MD1)，其中每一所捕捉影像係與一設計圖案相關聯。在一實施例中，所捕捉影像為經由掃描電子顯微鏡(SEM)獲取之SEM影像。在一實施例中，影像雜訊為自經圖案化基板之所捕捉影像提取的雜訊。在一實施例中，影像雜訊為藉由使用者指定參數特性化之高斯雜訊、白雜訊、鹽及紙雜訊。
在一實施例中，經訓練模型(例如MD1)係第一機器學習模型。在一實施例中，第一機器學習模型為使用生成對抗網路訓練的CNN或DCNN。在一實施例中，經訓練模型MD1為經組態以針對給定設計圖案產生經模擬SEM影像的生成模型。舉例而言，如關於圖5及圖6所論述之經訓練模型MD1。在一實施例中，參考經消除雜訊影像為與設計圖案相關聯之經模擬SEM影像。舉例而言，參考影像可為由圖5之MD1產生的S1，S2，…Sn。
程序P303包括將第一組經模擬影像301作為輸入提供至基礎消除雜訊模型BM1以獲得初始第二組經模擬影像，該初始第二組經模擬影像為與設計圖案相關聯的經消除雜訊影像。在一實施例中，基礎模型可為未經訓練模型或需要微調之經訓練模型。在一實施例中，經圖案化基板之所捕捉影像亦可用於訓練或微調消除雜訊模型。程序P305包括將參考經消除雜訊影像用作回饋以更新基礎消除雜訊模型BM1之一或多個組態。基於參考經消除雜訊影像與第二組經模擬影像之間的比較而更新該一或多個組態。舉例而言，更新一或多個組態包括修改基礎模型之模型參數。在訓練程序結束時，具有經更新組態之基礎模型變成消除雜訊模型。舉例而言，此消除雜訊模型可使用SEM影像作為輸入來產生第二組經模擬影像。
在一實施例中，消除雜訊模型為第二機器學習模型。在一實施例中，使用深度學習方法或機器學習方法來訓練第二深度學習模型。在一實施例中，亦可使用生成對抗網路訓練方法來訓練消除雜訊模型。在一實施例中，消除雜訊模型為迴旋神經網路或其他機器學習模型。在一實施例中，消除雜訊模型為如關於圖7所論述之MD2。
如本文中所論述，消除雜訊模型之實例為機器學習模型。無監督機器學習模型及監督機器學習模型兩者可用以自輸入有雜訊影像(諸如，經圖案化基板之SEM)產生經消除雜訊影像。在不限制本發明之範疇的情況下，在下文描述對監督機器學習演算法之應用。
監督學習為自經標註訓練資料推斷函數之機器學習任務。訓練資料包括一組訓練實例。在監督學習中，每一實例為具有輸入物件(通常為向量)及所要輸出值(亦被稱為監督信號)之一對。監督學習演算法分析訓練資料且產生可用於映射新實例之經推斷函數。最佳情境將允許演算法正確地判定用於未見過的例項之種類標籤。此要求學習演算法以「合理」方式自訓練資料一般化成未見過的情形。
在給出形式為 之一組N個訓練實例使得x i為第i實例之特徵向量且y i為其標籤(亦即，種類)的情況下，學習演算法尋求函數 ，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之數值特徵之n維向量。機器學習中之許多演算法需要物件之數值表示，此係因為此等表示促進處理及統計分析。當表示影像時，特徵值可能對應於影像之像素，當表示文字時，特徵值可能稱為出現頻率。與此等向量相關聯之向量空間常常被稱為特徵空間。函數g為可能函數G之某一空間(通常被稱作假設空間)之要素。有時以下操作係方便的：使用計分函數 來表示g使得g被定義為返回給出最高計分之y值： 。假設F表示計分函數之空間。
儘管G及F可為函數之任何空間，但許多學習演算法係機率模型，其中g採取條件機率模型 之形式，或f採取聯合機率模型 之形式。舉例而言，樸素貝葉斯(naive Bayes)及線性判別分析為聯合機率模型，而邏輯回歸為條件機率模型。
存在用以選擇f或g之兩種基本途徑：經驗風險最小化及結構風險最小化。經驗風險最小化尋求最好地擬合訓練資料之函數。結構風險最小化包括控制偏差/方差取捨之懲罰函數。
在兩種狀況下，假定訓練集具有獨立且相同分配的對 之樣本。為了量測函數擬合訓練資料之良好程度，定義損失函數 。對於訓練函數 ，預測值 之損失為 。
將函數g之風險 定義為g之預期損失。此可自訓練資料估計為 。
監督學習之例示性模型包括決策樹、集體(裝袋、增強、隨機森林)、k-NN、線性回歸、樸素貝葉斯、神經網路、邏輯回歸、感知器(perceptron)、支援向量機(support vector machine；SVM)、相關性向量機(relevance vector machine；RVM)及深度學習。
SVM為監督學習模型之一實例，其分析資料且辨識圖案，且可用於分類及回歸分析。在給出一組訓練實例的情況下，每一訓練實例被標記為屬於兩種類別中之一者，SVM訓練演算法建置將新實例指派至一類別或另一類別中之模型，使得其為非機率二元線性分類器。SVM模型為作為空間中之點的實例表示，其經映射使得單獨類別之實例分隔儘可能寬的清晰間隙。接著將新實例映射至同一空間中，且基於其落在間隙之哪一側來預測其所屬於的類別。
除了執行線性分類以外，SVM亦可使用被稱為核心方法來有效地執行非線性分類，從而隱含地將其輸入映射至高維特徵空間中。
核心方法涉及使用者指定之核心，亦即，遍及原始表示中之資料點對之相似度函數。核心方法之名字歸功於核心函數之使用，此使得其能夠在高維、隱式特徵空間中操作而無需不斷運算彼空間中之資料的座標，而是簡單地運算特徵空間中之所有資料對之影像之間的內積。此操作在運算上常常比座標之顯式運算更省事。此途徑被稱作「核心技巧(kernel trick)」。
SVM之有效性取決於對核心、核心參數及軟裕度參數C之選擇。常見選擇為高斯核心，其具有單一參數γ。常常藉由運用按指數律成比例生長之C及γ之序列，例如 ； ，進行的格點搜尋(亦被稱為「參數掃掠」)來選擇C與γ之最佳組合。
格點搜尋為經由學習演算法之超參數空間之手動指定子集的詳盡搜尋。格點搜尋演算法係由某一效能度量導引，該效能度量通常藉由對訓練集之交叉驗證或對留存驗證集合之評估來量測。
可使用交叉驗證檢查參數選擇之每一組合，且拾取具有最佳交叉驗證準確度之參數。
交叉驗證(有時被稱為旋轉估計)為用於評估統計分析之結果將如何經一般化成獨立資料集的模型驗證技術。其主要用於目標為預測且吾人希望估計預測模型實務上將執行之準確度的設定中。在預測問題中，通常向模型提供正執行訓練之已知資料的資料集(訓練資料集)，及模型經測試所對照之未知資料(或首次所見資料)之資料集(測試資料集)。交叉驗證之目標為定義用以在訓練階段「測試」模型的資料集(亦即，驗證資料集)，以便限制比如過度擬合之問題，給出對模型將如何經一般化成獨立資料集(亦即，未知資料集，例如來自真實問題)之理解等。交叉驗證之一個回合涉及將資料樣本分割成互補子集、對一個子集(被稱為訓練集)執行分析，及驗證對另一子集(被稱為驗證集合或測試集合)之分析。為了減小可變性，使用不同分割執行多個回合之交叉驗證，且遍及該等回合來平均化驗證結果。
接著使用所選擇參數對整個訓練集訓練可用於測試及用於將新資料分類之最終模型。
監督學習之另一實例為回歸。回歸自因變數之一組值與自變數之對應值推斷一因變數與一或多個自變數之間的關係。在給出自變數的情況下，回歸可估計因變數之條件期望值。所推斷出之關係可被稱為回歸函數。所推斷出之關係可為機率性的。
在一實施例中，提供一種系統，其可在系統捕捉經圖案化基板之影像之後使用模型MD2來產生經消除雜訊影像。在一實施例中，該系統可為例如經組態為包括本文中所論述之模型MD1及/或MD2的圖9之SEM工具或圖10之檢測工具。舉例而言，度量衡工具包括：電子束產生器，其用以捕捉經圖案化基板之影像；及一或多個處理器，其包括MD1及MD2模型。該一或多個處理器經組態以：執行經訓練模型，該經訓練模型經組態以基於用以圖案化基板之設計圖案而產生經模擬影像；及執行消除雜訊模型，該消除雜訊模型使用所捕捉影像及經模擬影像作為輸入以產生經圖案化基板之經消除雜訊影像。如早先所提及，消除雜訊模型(例如，MD2)係迴旋神經網路。
此外，在一實施例中，一或多個處理器進一步經組態以基於經圖案化基板之所捕捉影像而更新消除雜訊模型。在一實施例中，消除雜訊模型之更新包括：執行消除雜訊模型，該消除雜訊模型使用所捕捉影像以產生經消除雜訊影像；及基於經消除雜訊影像與參考經消除雜訊影像之比較來更新消除雜訊模型之一或多個參數。
本發明不限於使用經消除雜訊影像之任何應用。在半導體行業中，經消除雜訊影像可用於例如檢測及度量衡。在一實施例中，經消除雜訊影像可用以判定經圖案化基板之熱點。可基於自經消除雜訊影像所量測之絕對CD值來判定熱點。替代地，可基於諸如用於設計規則檢查系統中之預定規則之一組預定規則來判定熱點，該等預定規則包括但不限於線端拉回、隅角圓化、與鄰近特徵之接近度、圖案頸縮或夾捏及相對於所要圖案之圖案變形的其他度量。
在一實施例中，經消除雜訊影像可用以改良圖案化程序。舉例而言，經消除雜訊影像可用於圖案化程序之模擬中，例如以預測抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。模擬之目標為準確地預測例如印刷圖案之邊緣置放，及/或空中影像強度斜率，及/或CD等。可將此等值與預期設計比較以例如校正圖案化程序，識別預測出現缺陷之地點等。預期設計通常被定義為預OPC設計佈局，其可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供。
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印之結構(例如器件之一些或所有結構)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發射之初級電子束EBP係由聚光透鏡CL會聚且接著穿過光束偏轉器EBD1、E×B偏轉器EBD2及物鏡OL以在一焦點下輻照基板台ST上之基板PSub。
當運用電子束EBP輻照基板PSub時，自基板PSub產生二次電子。該等二次電子係由E×B偏轉器EBD2偏轉且由二次電子偵測器SED偵測。二維電子束影像可藉由以下操作獲得：與例如在X或Y方向上因光束偏轉器EBD1引起的電子束之二維掃描或因光束偏轉器EBD1引起的電子束EBP之反覆掃描同步地偵測自樣本產生之電子，以及在X或Y方向中之另一者上藉由基板台ST連續移動基板PSub。
由二次電子偵測器SED偵測到之信號係由類比/數位(A/D)轉換器ADC轉換成數位信號，且該數位信號被發送至影像處理系統IPS。在一實施例中，影像處理系統IPS可具有記憶體MEM以儲存數位影像之全部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成或處理成表示數位影像之資料集。另外，影像處理系統IPS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IPS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影像以提取該影像中描述表示器件結構之物件之邊緣的輪廓。接著經由諸如CD之度量量化此等輪廓。因此，通常經由諸如邊緣之間距離(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。但實務上，影像通常有雜訊且具有不連續邊界。諸如平滑化、自適應定限、邊緣偵測、磨蝕及擴張之技術可用以處理影像梯度輪廓模型之結果以定址有雜訊且不連續影像，但將最終導致高解析度影像之低解析度量化。因此，在大多數情況下，對器件結構之影像的數學操控以減少雜訊且使邊緣偵測自動化會導致影像之解析度損失，藉此導致資訊損失。因此，結果為相當於對複雜的高解析度結構之過分簡單化表示之低解析度量化。
因此，需要具有使用圖案化程序而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)的數學表示，而不論例如該等結構是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，其可保留解析度且又描述該等結構之一般形狀。在微影或其他圖案化程序之內容背景中，結構可為製造之器件或其部分，且影像可為該結構之SEM影像。在一些情況下，結構可為半導體器件之特徵，例如積體電路。在此狀況下，結構可被稱作圖案或包含半導體器件之複數個特徵之所要圖案。在一些情況下，結構可為用於對準量測程序中以判定一物件(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)。在一實施例中，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。該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、帶電粒子束偏轉模組84、二次帶電粒子偵測器模組85及影像形成模組86。
帶電粒子束產生器81產生初級帶電粒子束91。聚光透鏡模組82將所產生之初級帶電粒子束91聚光。探針形成物鏡模組83將經聚光初級帶電粒子束聚焦成帶電粒子束探針92。帶電粒子束偏轉模組84使所形成之帶電粒子束探針92橫越緊固於樣本載物台88上之樣本90上的所關注區域之表面進行掃描。在一實施例中，帶電粒子束產生器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束探針92的帶電粒子束探針產生器。
二次帶電粒子偵測器模組85偵測在由帶電粒子束探針92轟擊後即自樣本表面發射的二次帶電粒子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)以產生二次帶電粒子偵測信號94。影像形成模組86 (例如運算器件)與二次帶電粒子偵測器模組85耦接以自二次帶電粒子偵測器模組85接收二次帶電粒子偵測信號94且相應地形成至少一個經掃描影像。在一實施例中，二次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束探針92轟擊的自樣本90發射的偵測到之二次帶電粒子形成經掃描影像。
在一實施例中，監測模組87耦接至影像形成裝置之影像形成模組86以監測、控制等圖案化程序及/或使用自影像形成模組86接收到之樣本90之經掃描影像來導出用於圖案化程序設計、控制、監測等之參數。因此，在一實施例中，監測模組87經組態或經程式化以致使執行本文中所描述之方法。在一實施例中，監測模組87包含運算器件。在一實施例中，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的電腦程式。
在一實施例中，類似於使用探針來檢測基板之圖9之電子束檢測工具，圖10之系統中之電子電流相比於例如諸如圖9中所描繪之CD SEM顯著更大，使得探針光點足夠大使得檢測速度可快速。然而，由於探針光點大，解析度可能不與CD SEM之解析度一樣高。在一實施例中，在不限制本發明之範疇的情況下，上文論述之檢測裝置可為單射束裝置或多射束裝置。
可處理來自例如圖9及/或圖10之系統的SEM影像以提取影像中描述表示器件結構之物件之邊緣的輪廓。接著通常在使用者定義之切線處經由諸如CD之度量量化此等輪廓。因此，通常經由諸如對經提取輪廓量測的邊緣之間距離(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。
在一實施例中，程序200及/或300之一或多個工序可被實施為電腦系統之處理器(例如電腦系統100之程序104)中之指令(例如程式碼)。在一實施例中，工序可橫越複數個處理器而分佈(例如並行運算)以改良運算效率。在一實施例中，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。
根據本發明，所揭示要素之組合及子組合構成單獨實施例。舉例而言，第一組合包括基於與設計圖案相關之經模擬影像及雜訊影像判定消除雜訊模型。子組合可包括使用消除雜訊模型判定經消除雜訊影像。在另一組合中，經消除雜訊影像可用於檢測程序中，基於模型產生之方差資料判定OPC或SMO。在另一實例中，組合包括基於基於經消除雜訊影像之檢測資料，判定對微影程序、抗蝕劑程序或蝕刻程序之程序調整以改良圖案化程序之良率。
圖11為說明可輔助實施本文中所揭示之方法、流程或裝置的電腦系統100之方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構，及與匯流排102耦接以用於處理資訊之一處理器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執行之資訊及指令的主記憶體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亦可用於在待由處理器104執行之指令之執行期間儲存暫時性變數或其他中間資訊。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。提供諸如磁碟或光碟之儲存器件110，且儲存器件110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而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兩個軸線(第一軸線(例如x)及第二軸線(例如y))中之兩個自由度，其允許該器件指定在一平面中之位置。觸控面板(螢幕)顯示器亦可被用作輸入器件。
根據一項實施例，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之一或多個序列來執行本文中所描述之一或多種方法的部分。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中含有之指令序列之執行致使處理器104執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器亦可用以執行主記憶體106中含有之指令序列。在一替代實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文之描述不限於硬體電路系統及軟體之任何特定組合。
本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104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。傳輸媒體包括同軸纜線、銅線及光纖，其包括包含匯流排102之電線。傳輸媒體亦可採用聲波或光波之形式，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、如下文所描述之載波，或可供電腦讀取之任何其他媒體。
可在將一或多個指令之一或多個序列攜載至處理器104以供執行時涉及電腦可讀媒體之各種形式。舉例而言，最初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中，且使用數據機經由電話線而發送指令。在電腦系統100本端之數據機可接收電話線上之資料，且使用紅外線傳輸器以將資料轉換成紅外線信號。耦接至匯流排102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自該主記憶體擷取及執行指令。由主記憶體106接收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之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦合，網路鏈路120連接至區域網路122。舉例而言，通信介面118可為整合式服務數位網路(ISDN)卡或數據機以提供至對應類型之電話線的資料通信連接。作為另一實例，通信介面118可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中，通信介面118發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光信號。
網路鏈路120通常經由一或多個網路而向其他資料器件提供資料通信。舉例而言，網路鏈路120可經由區域網路122而向主機電腦124或向由網際網路服務提供者(ISP) 126操作之資料裝置提供連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」) 128而提供資料通信服務。區域網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號(該等信號將數位資料攜載至電腦系統100及自電腦系統100攜載數位資料)為輸送資訊的載波之例示性形式。
電腦系統100可經由網路、網路鏈路120及通信介面118而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可能經由網際網路128、ISP 126、區域網路122及通信介面118而傳輸用於應用程式之經請求程式碼。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的全部或部分。所接收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供稍後執行。以此方式，電腦系統100可獲得呈載波之形式的應用程式碼。
圖12示意性地描繪可結合本文中所描述之技術利用的例示性微影投影裝置。該裝置包含： - 照明系統IL，其用以調節輻射光束B。在此特定狀況下，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，其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物品PS來準確地定位該圖案化器件之第一定位器； - 第二物件台(基板台) WT，其具備用以固持基板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物品PS來準確地定位該基板之第二定位器； - 投影系統(「透鏡」)PS (例如，折射、反射或反射折射光學系統)，其用以將圖案化器件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。
如本文中所描繪，裝置屬於透射類型((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)。裝置可使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，水銀燈或準分子雷射、雷射產生電漿(laser produced plasma，LPP) EUV源)產生輻射光束。舉例而言，此光束係直接地抑或在已橫穿諸如光束擴展器Ex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，照明器IL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一性及強度分佈。
關於圖12應注意，源SO可在微影投影裝置之外殼內(此常常為當源SO為(例如)水銀燈時之狀況)，但其亦可在微影投影裝置遠端，其所產生之輻射光束被導引至該裝置中(例如，憑藉合適導向鏡)；此後一情境常常為當源SO為準分子雷射(例如，基於KrF、ArF或F 2雷射作用)時之狀況。
光束B隨後截取被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。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如，以便使不同目標部分C定位於光束B之路徑中。相似地，第一定位構件可用以(例如)在自圖案化器件庫機械地擷取圖案化器件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。一般而言，將憑藉未在圖12中明確地描繪之長衝程模組(粗略定位)及短衝程模組(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)之狀況下，圖案化器件台MT可僅連接至短衝程致動器，或可固定。
可在兩種不同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一次性投影((亦即，單次「閃光」)至目標部分C上。接著使基板台WT在x方向及/或y方向上移位，使得可由光束B輻照不同目標部分C； -在掃描模式中，基本上相同情境適用，惟單次「閃光」中不曝光給定目標部分C除外。取而代之，圖案化器件台MT可在給定方向(所謂「掃描方向」，例如，y方向)上以速度v移動，使得造成投影光束B遍及圖案化器件影像進行掃描；同時發生地，基板台WT以速度V=Mv在相同或相對方向上同時地移動，其中M為透鏡PL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較大目標部分C。
圖13示意性地描繪可結合本文中所描述之技術利用的另一例示性微影投影裝置LA。
該微影投影裝置LA包含： -  源收集器模組SO； -  照明系統(照明器) IL，其經組態以調節輻射光束B (例如，EUV輻射)； -  支撐結構(例如，圖案化器件台) MT，其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該圖案化器件之第一定位器PM； -  基板台(例如，晶圓台) WT，其經建構以固持基板(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；及 -  投影系統(例如，反射投影系統) PS，其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如，包含一或多個晶粒)上。
如此處所描繪，裝置LA屬於反射類型(例如使用反射圖案化器件)。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堆疊的多層反射器。在一項實例中，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射線微影來產生更小波長。由於大多數材料在EUV及x射線波長下具吸收性，因此圖案化器件構形(例如多層反射器之頂部上之TaN吸收體)上之經圖案化吸收材料薄件界定特徵將在何處印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)。
參看圖13，照明器IL自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但未必限於：運用在EUV範圍內之一或多個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，可藉由運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13中未繪示)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CO 2雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為單獨實體。
在此類狀況下，不認為雷射形成微影裝置之部件，且輻射光束係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。在其他狀況下，舉例而言，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部件。
照明器IL可包含用於調整輻射光束之角強度分佈之調整器。通常，可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，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一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如，圖案化器件台) MT上之圖案化器件(例如，遮罩) MA上，且藉由該圖案化器件而圖案化。在自圖案化器件(例如遮罩) MA反射之後，輻射光束B穿過投影系統PS，投影系統PS將光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2 (例如干涉器件、線性編碼器或電容性感測器)，可準確地移動基板台WT，例如以便使不同目標部分C定位於輻射光束B之路徑中。相似地，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及基板W。
所描繪裝置LA可用於以下模式中之至少一者中： 1.   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(亦即，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位使得可曝光不同目標部分C。 2.   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。 3.   在另一模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，使支撐結構(例如，圖案化器件台) MT保持基本上靜止，從而固持可程式化圖案化器件，且移動或掃描基板台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掃描期間之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的可程式化鏡面陣列)之無遮罩微影。
圖14更詳細地展示裝置LA，其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置成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。可由放電產生電漿源形成EUV輻射發射電漿210。可藉由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了高效地產生輻射，可需要為(例如) 10 Pa之分壓之Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用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。如在此項技術中已知，本文中進一步指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室212可包括可為所謂的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器240反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。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處或附近。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處輻射光束21之所要角度分佈，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處的輻射光束21之反射後，即形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台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。取決於微影裝置之類型，可視情況存在光柵光譜濾光器240。另外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖14所展示之反射元件多1至6個的額外反射元件。
如圖14中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之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置為圍繞光軸O軸向對稱，且此類型之收集器光學件CO可與常常被稱為DPP源之放電產生電漿源組合使用。
替代地，源收集器模組SO可為如圖15中所展示之LPP輻射系統之部件。雷射LA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結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。
本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193 nm波長且甚至能夠藉由使用氟雷射來產生157 nm波長之極紫外線(EUV)、DUV微影。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5 nm之範圍內之波長，以便產生在此範圍內之光子。
可藉由以下條項進一步描述本發明之實施例。 1.     一種儲存一消除雜訊模型且經由消除雜訊模型指令產生一經消除雜訊影像的一或多個非暫時性電腦可讀媒體，該等消除雜訊模型指令在由一或多個處理器執行時提供該消除雜訊模型，該消除雜訊模型係藉由以下操作而產生： 將設計圖案轉換成一第一組經模擬影像； 將該第一組經模擬影像作為輸入提供至一基礎消除雜訊模型以獲得一第二組經模擬影像，該第二組經模擬影像為與該等設計圖案相關聯的經消除雜訊影像；及 使用參考經消除雜訊影像作為回饋以更新該基礎消除雜訊模型之一或多個組態，其中該一或多個組態係基於該等參考經消除雜訊影像與該第二組經模擬影像之間的一比較而更新。 2.     如條項1之媒體，其中該第一組經模擬影像中之每一影像為一經模擬SEM影像與一影像雜訊之一組合。 3.     如條項2之媒體，其中該轉換設計圖案包含： 執行一經訓練模型，該經訓練模型使用該等設計圖案作為輸入以產生該等經模擬SEM影像。 4.     如條項3之媒體，其中該經訓練模型係基於該等設計圖案以及一經圖案化基板之所捕捉影像而訓練，每一所捕捉影像係與一設計圖案相關聯。 5.     如條項4之媒體，其中該等所捕捉影像為經由一掃描電子顯微鏡(SEM)獲取之SEM影像。 6.     如條項5之媒體，其中該影像雜訊為自該經圖案化基板之該等所捕捉影像提取的雜訊。 7.     如條項3至6中任一項之媒體，該經訓練模型係一第一機器學習模型。 8.     如條項7之媒體，其中該經訓練模型為使用一生成對抗網路訓練之一迴旋神經網路或一深度迴旋神經網路。 9.     如條項8之媒體，其中該經訓練模型為經組態以針對一給定設計圖案產生該經模擬SEM影像的一生成模型。 10.   如條項2至9中任一項之媒體，其中該影像雜訊為藉由使用者指定參數特性化之一高斯雜訊、白雜訊、鹽及紙雜訊。 11.   如條項2至10中任一項之媒體，其中該等參考經消除雜訊影像為與該等設計圖案相關聯的該等經模擬SEM影像。 12.   如條項1至11中任一項之媒體，其中該消除雜訊模型係一第二機器學習模型。 13.   如條項1至12中任一項之媒體，其中該消除雜訊模型係一迴旋神經網路或一深度迴旋神經網路。 14.   如條項1至13中任一項之媒體，其中該等設計圖案呈圖形資料信號(GDS)檔案格式。 15.   一種系統，其包含： 電子束光學件，其經組態以捕捉一經圖案化基板之一影像；及 一或多個處理器，其經組態以： 執行一消除雜訊模型，該消除雜訊模型使用該所捕捉影像作為輸入以產生該經圖案化基板之一經消除雜訊影像。 16.   如條項15之系統，其中該消除雜訊模型係一迴旋神經網路。 17.   如條項15至16中任一項之系統，該一或多個處理器經進一步組態以： 執行一經訓練模型，該經訓練模型使用以圖形資料信號(GDS)檔案格式提供的一設計圖案來產生一經模擬影像。 18.   如條項15至17中任一項之系統，其中該一或多個處理器經進一步組態以： 基於該經圖案化基板之該所捕捉影像更新該消除雜訊模型。 19.   如條項15至18中任一項之系統，其中該一或多個處理器經進一步組態以： 基於該經消除雜訊影像與一參考經消除雜訊影像之一比較而更新該消除雜訊模型之一或多個參數。 20.   如條項15至19中任一項之系統，其中該消除雜訊模型係藉由以下操作而產生： 將設計圖案轉換成一第一組經模擬影像； 將該第一組經模擬影像作為輸入提供至一基礎消除雜訊模型以獲得一第二組經模擬影像，該第二組經模擬影像為與該等設計圖案相關聯的經消除雜訊影像；及 使用參考經消除雜訊影像作為回饋以更新該基礎消除雜訊模型之一或多個組態，其中該一或多個組態係基於該等參考經消除雜訊影像與該第二組經模擬影像之間的一比較而更新。 21.   如條項20之系統，其中該第一組經模擬影像中之每一影像為一經模擬SEM影像與一影像雜訊之一組合。 22.   一種用於訓練一消除雜訊模型之方法，該方法包含： 將設計圖案轉換成一第一組經模擬影像；及 基於該第一組經模擬影像及一影像雜訊訓練該消除雜訊模型，其中該消除雜訊模型可操作以產生一輸入影像之一經消除雜訊影像。 23.   如條項22之方法，其中該將該等設計圖案轉換成該第一組經模擬影像包含： 執行一經訓練模型，該經訓練模型使用該等設計圖案作為一輸入以產生該等經模擬影像。 24.   如條項23之方法，其中該經訓練模型係基於該等設計圖案以及一經圖案化基板之所捕捉影像而訓練，每一所捕捉影像係與一設計圖案相關聯。 25.   如條項24之方法，其中該等所捕捉影像為經由一掃描電子顯微鏡(SEM)獲取之SEM影像。 26.   如條項25之方法，其進一步包含將該影像雜訊添加至該第一組經模擬影像以產生一第二組經模擬影像，其中該影像雜訊係自該經圖案化基板之該等所捕捉影像提取。 27.   如條項26之方法，其中該訓練該消除雜訊模型包含使用該第一組經模擬影像、該影像雜訊及所捕捉影像作為訓練資料。 28.   如條項23至27中任一項之方法，該經訓練模型係一第一機器學習模型。 29.   如條項28之方法，其中該經訓練模型為使用一生成對抗網路訓練方法訓練的一迴旋神經網路或一深度迴旋神經網路。 30.   如條項29之方法，其中該經訓練模型為經組態以針對一給定設計圖案產生一經模擬SEM影像的一生成模型。 31.   如條項22至30中任一項之方法，其中該影像雜訊為藉由使用者指定參數特性化之一高斯雜訊、白雜訊、鹽及紙雜訊。 32.   如條項23至31中任一項之方法，其中該消除雜訊模型係一第二機器學習模型。 33.   如條項22至32中任一項之方法，其中該消除雜訊模型係一迴旋神經網路。 34.   如條項22至33中任一項之方法，其中該等設計圖案呈圖形資料信號(GDS)檔案格式。 35.   如條項22至24中任一項之方法，其進一步包含： 經由一度量衡工具獲得一經圖案化基板之一SEM影像；及 執行該經訓練之消除雜訊模型，該經訓練之消除雜訊模型使用該SEM影像作為該輸入影像以產生該經消除雜訊之SEM影像。 36.   一種儲存一消除雜訊模型且經由消除雜訊模型指令產生一經消除雜訊影像的一或多個非暫時性電腦可讀媒體，該等消除雜訊模型指令在由一或多個處理器執行時提供該消除雜訊模型，該消除雜訊模型係藉由以下操作而產生： 將設計圖案轉換成一第一組經模擬影像；及 基於該第一組經模擬影像及一影像雜訊訓練該消除雜訊模型，其中該消除雜訊模型可操作以產生一輸入影像之一經消除雜訊影像。 37.   如條項36之媒體，其中該轉換包含： 執行一經訓練模型，該經訓練模型使用該等設計圖案作為一輸入以產生該等經模擬影像。 38.   如條項37之媒體，其中該經訓練模型係基於該等設計圖案以及一經圖案化基板之所捕捉影像而訓練，每一所捕捉影像係與一設計圖案相關聯。 39.   如條項38之媒體，其中該等所捕捉影像為經由一掃描電子顯微鏡(SEM)獲取之SEM影像。 40.   如條項39之媒體，其進一步包含將該影像雜訊添加至該第一組經模擬影像以產生一第二組經模擬影像，其中該影像雜訊係自該經圖案化基板之該等所捕捉影像提取。 41.   如條項37至40中任一項之媒體，該經訓練模型係一第一機器學習模型。 42.   如條項41之媒體，其中該經訓練模型為使用一生成對抗網路訓練方法訓練的一迴旋神經網路或一深度迴旋神經網路。 43.   如條項42之媒體，其中該經訓練模型為經組態以針對一給定設計圖案產生一經模擬SEM影像的一生成模型。 44.   如條項36至43中任一項之媒體，其中該影像雜訊為藉由使用者指定參數特性化之一高斯雜訊、白雜訊、鹽及紙雜訊。 45.   如條項36至44中任一項之媒體，其中該消除雜訊模型係一第二機器學習模型。 46.   如條項38至45中任一項之媒體，其中該訓練該消除雜訊模型包含使用該第一組經模擬影像、該影像雜訊及該等所捕捉影像作為訓練資料。 47.   如條項36至46中任一項之媒體，其中該消除雜訊模型係一迴旋神經網路。 48.   如條項36至47中任一項之媒體，其中該等設計圖案呈圖形資料信號(GDS)檔案格式。 49.   如條項36至48中任一項之媒體，其進一步包含： 經由一度量衡工具獲得一經圖案化基板之一SEM影像；及 執行該經訓練之消除雜訊模型，該經訓練之消除雜訊模型使用該SEM影像作為該輸入影像以產生該經消除雜訊之SEM影像。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上之成像，但應理解，所揭示概念可與任何類型之微影成像系統一起使用，例如，用於在除了矽晶圓以外之基板上之成像之微影成像系統。
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: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/組件 18A:圖案化器件 20A:可調整濾光器或孔徑 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 81:帶電粒子束產生器 82:聚光透鏡模組 83:探針形成物鏡模組 84:帶電粒子束偏轉模組 85:二次帶電粒子偵測器模組 86:影像形成模組 87:監測模組 90:樣本 91:初級帶電粒子束 92:帶電粒子束探針 93:二次帶電粒子 94:二次帶電粒子偵測信號 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(ROM) 110:儲存器件 112:顯示器 114:輸入器件 116:游標控制件 118:通信介面 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(ISP) 128:網際網路 130:伺服器 200:方法 201:第一經模擬影像 205:所捕捉影像 210:極紫外線(EUV)輻射發射電漿/極熱電漿 211:源腔室 212:收集器腔室 220:圍封結構 221:開口 230:選用氣體障壁或污染物截留器/污染物截留器/污染物障壁 240:光柵光譜濾光器 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 301:經模擬影像 710:所捕捉影像 801:掃描電子顯微鏡(SEM)影像 802:掃描電子顯微鏡(SEM)影像 811:經消除雜訊影像 812:經消除雜訊影像 AD:調整構件 ADC:類比/數位(A/D)轉換器 B:輻射光束 BD:光束遞送系統 BM1:基礎消除雜訊模型 C:目標部分 CL:聚光透鏡 CO:輻射收集器/收集器光學件 DIS:顯示器件 DM1:深度學習模型/鑑別器模型 DN1:影像 DN11:影像 DN2:影像 DP:設計圖案 DP1:設計圖案 DP11:設計圖案 DP12:設計圖案 DP2:設計圖案 DPn:設計圖案 EBD1:光束偏轉器 EBD2:E×B偏轉器 EBP:初級電子束 ESO:電子源 GM1:深度學習模型/產生器模型 IF:干涉量測構件/虛擬源點/中間焦點 IL:照明系統/照明器/照明光學件單元 IN:積光器 LA: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 MD1:經訓練模型/經訓練之產生器模型 MD2:經訓練之消除雜訊模型/第二機器學習模型 MEM:記憶體 MT:第一物件台/圖案化器件台/支撐結構 O:光軸 OL:物鏡 P1:基板對準標記 P2:基板對準標記 P201:程序 P203:程序 P301:程序 P303:程序 P305:程序 PM:第一定位器 PS:物品/投影系統 PS2:位置感測器 Psub:基板 PU:處理單元 PW:第二定位器 REF:參考影像 S1*:經模擬影像/有雜訊影像 S1:經模擬掃描電子顯微鏡(SEM)影像 S2*:經模擬影像/有雜訊影像 S2:經模擬掃描電子顯微鏡(SEM)影像 SED:二次電子偵測器 SEM:掃描電子顯微鏡 SEM1:掃描電子顯微鏡(SEM)影像/真實影像 SEM2:掃描電子顯微鏡(SEM)影像/真實影像 Sn*:經模擬影像/有雜訊影像 Sn:經模擬掃描電子顯微鏡(SEM)影像 SO:輻射源/源收集器模組 ST:基板台 STOR:儲存媒體 W:基板 WT:第二物件台/基板台
對於一般熟習此項技術者而言，在結合附圖而檢閱特定實施例之以下描述後，以上態樣以及其他態樣及特徵就將變得顯而易見，在該等圖中：
圖1展示根據一實施例的微影系統之各種子系統的方塊圖；
圖2為用於訓練消除雜訊模型之方法。在一實施例中，訓練消除雜訊模型以轉換設計圖案；
圖3為根據一實施例的用於訓練消除雜訊模型之方法之變化的流程圖；
圖4說明根據一實施例的訓練模型之實例；
圖5說明根據一實施例的使用圖4之經訓練模型獲得第一組經模擬SEM影像的實例；
圖6說明根據一實施例的將雜訊添加至圖5之經模擬SEM影像的實例；
圖7說明根據一實施例的訓練消除雜訊模型之實例；
圖8說明根據一實施例的用於產生經消除雜訊之輸入SEM影像之經訓練之消除雜訊模型的實例；
圖9示意性地描繪根據一實施例的掃描電子顯微鏡(SEM)之實施例；
圖10示意性地描繪根據一實施例的電子束檢測裝置之實施例；
圖11為根據一實施例的實例電腦系統之方塊圖；
圖12為根據一實施例的微影投影裝置之示意圖；
圖13為根據一實施例的另一微影投影裝置之示意圖；
圖14為根據一實施例的圖12中之裝置的更詳細視圖；
圖15為根據一實施例的圖13及圖14之裝置之源收集器模組SO的更詳細視圖。
200:方法
201:第一經模擬影像
205:所捕捉影像
DP:設計圖案
MD1:經訓練模型/經訓練之產生器模型
MD2:經訓練之消除雜訊模型/第二機器學習模型
P201:程序
P203:程序

Claims (10)

  1. 一種非暫時性電腦可讀媒體，其儲存一消除雜訊模型(denoising model)且經由消除雜訊模型指令產生一經消除雜訊影像，該等消除雜訊模型指令在由一或多個處理器執行時提供該消除雜訊模型，該消除雜訊模型係藉由以下操作而產生： 將設計圖案轉換成一第一組經模擬影像； 將該第一組經模擬影像作為輸入提供至一基礎消除雜訊模型(base denoising model)以獲得一第二組經模擬影像，該第二組經模擬影像為與該等設計圖案相關聯的經消除雜訊影像；及 使用參考經消除雜訊影像作為回饋以更新該基礎消除雜訊模型之一或多個組態，其中該一或多個組態係基於該等參考經消除雜訊影像與該第二組經模擬影像之間的一比較而更新。
  2. 如請求項1之非暫時性電腦可讀媒體，其中該第一組經模擬影像中之每一影像為一經模擬SEM影像與一影像雜訊之一組合。
  3. 如請求項2之非暫時性電腦可讀媒體，其中轉換該等設計圖案包含： 執行一經訓練模型，該經訓練模型使用該等設計圖案作為輸入以產生該等經模擬SEM影像。
  4. 如請求項3之非暫時性電腦可讀媒體，其中該經訓練模型係基於該等設計圖案以及一經圖案化基板之所捕捉影像而訓練，每一所捕捉影像係與一設計圖案相關聯。
  5. 如請求項4之非暫時性電腦可讀媒體，其中該等所捕捉影像為經由一掃描電子顯微鏡(SEM)獲取之SEM影像。
  6. 如請求項4之非暫時性電腦可讀媒體，其中該影像雜訊為自該經圖案化基板之該等所捕捉影像提取的雜訊。
  7. 如請求項3至6中任一項之非暫時性電腦可讀媒體，其中該經訓練模型為使用一生成對抗網路(generative adversarial network)訓練之一迴旋神經網路或一深度迴旋神經網路。
  8. 如請求項7之非暫時性電腦可讀媒體，其中該經訓練模型為經組態以針對一給定設計圖案產生該經模擬SEM影像的一生成模型。
  9. 如請求項2至6中任一項之非暫時性電腦可讀媒體，其中該等參考經消除雜訊影像為與該等設計圖案相關聯的該等經模擬SEM影像。
  10. 如請求項1至6中任一項之非暫時性電腦可讀媒體，其中該消除雜訊模型係一迴旋神經網路或一深度迴旋神經網路。
TW112123405A 2020-07-14 2021-07-01 用於產生消除雜訊模型之裝置及方法 TWI833664B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202063051500P 2020-07-14 2020-07-14
US63/051,500 2020-07-14

Publications (2)

Publication Number Publication Date
TW202341017A true TW202341017A (zh) 2023-10-16
TWI833664B TWI833664B (zh) 2024-02-21

Family

ID=76744823

Family Applications (2)

Application Number Title Priority Date Filing Date
TW110124273A TWI808444B (zh) 2020-07-14 2021-07-01 用於產生消除雜訊模型之裝置及方法
TW112123405A TWI833664B (zh) 2020-07-14 2021-07-01 用於產生消除雜訊模型之裝置及方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW110124273A TWI808444B (zh) 2020-07-14 2021-07-01 用於產生消除雜訊模型之裝置及方法

Country Status (8)

Country Link
US (1) US20230230208A1 (zh)
EP (1) EP4182881A1 (zh)
JP (1) JP2023533586A (zh)
KR (1) KR20230038764A (zh)
CN (1) CN116250018A (zh)
IL (1) IL299807A (zh)
TW (2) TWI808444B (zh)
WO (1) WO2022012888A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116343202A (zh) * 2021-12-17 2023-06-27 联华电子股份有限公司 半导体系统及其运作方法
CN116977191A (zh) * 2022-04-20 2023-10-31 中兴通讯股份有限公司 画质提升模型的训练方法和视频会议系统画质的提升方法
CN117235533B (zh) * 2023-11-10 2024-03-01 腾讯科技（深圳）有限公司 对象变量分析方法、装置、计算机设备和存储介质
CN117518747B (zh) * 2024-01-05 2024-04-05 华芯程(杭州)科技有限公司 一种光刻量测强度的生成方法、装置、设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
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
WO1997033205A1 (en) 1996-03-06 1997-09-12 Philips Electronics N.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
US20170014822A1 (en) * 2015-07-15 2017-01-19 Aark Health Private Limited Microfluidic cartridge and reader device, system, and method of use
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
JP2019008599A (ja) * 2017-06-26 2019-01-17 株式会社 Ｎｇｒ 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法
KR102641864B1 (ko) * 2018-03-19 2024-02-29 에이에스엠엘 네델란즈 비.브이. 패터닝 디바이스에 대한 곡선적 패턴들을 결정하는 방법
US10697900B2 (en) * 2018-06-19 2020-06-30 Kla-Tencor Corporation Correlating SEM and optical images for wafer noise nuisance identification

Also Published As

Publication number Publication date
JP2023533586A (ja) 2023-08-03
EP4182881A1 (en) 2023-05-24
TW202207095A (zh) 2022-02-16
IL299807A (en) 2023-03-01
TWI808444B (zh) 2023-07-11
US20230230208A1 (en) 2023-07-20
WO2022012888A1 (en) 2022-01-20
TWI833664B (zh) 2024-02-21
CN116250018A (zh) 2023-06-09
KR20230038764A (ko) 2023-03-21

Similar Documents

Publication Publication Date Title
TWI833068B (zh) 藉由機器學習來判定製程模型之方法
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
TWI639887B (zh) 用於辨識熱點之方法及電腦程式產品
KR102048918B1 (ko) 기계 학습에 의한 피처 검색
TWI833664B (zh) 用於產生消除雜訊模型之裝置及方法
CN112384860A (zh) 基于机器学习的逆光学邻近效应校正和过程模型校准
TW202113500A (zh) 用於改善圖案化製程之訓練機器學習模型的方法
TW202113501A (zh) 用於改良影像中之結構之基於程序之輪廓資訊之方法
TW202240635A (zh) 基於經圖案化基板之影像判定三維資料之設備及方法
TWI667553B (zh) 判定圖案之特性之方法
WO2023117250A1 (en) Method and apparatus to determine overlay
TWI798861B (zh) 用於產生解模糊模型及解模糊影像之設備及方法
TWI813192B (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
TW202422411A (zh) 用於產生消除雜訊模型之裝置及方法
CN116615750A (zh) 用于基于图案化衬底的图像确定三维数据的装置和方法
CN115729052A (zh) 记录有指令的非瞬态计算机可读介质
TW202028849A (zh) 產生特徵圖案與訓練機器學習模型之方法