TW202347042A

TW202347042A - 度量衡方法及其相關聯裝置

Info

Publication number: TW202347042A
Application number: TW112105688A
Authority: TW
Inventors: 奎索思托摩斯巴提斯塔奇斯; 張懷辰; 馬克辛帕薩瑞可; 瓦希德巴斯塔尼; 康斯坦丁謝爾蓋維奇涅恰耶夫; 羅伊亞蘭希亞多; 德山登史帝芬柯尼里斯李歐朵魯斯凡
Original assignee: 荷蘭商Ａｓｍｌ荷蘭公司
Priority date: 2022-02-21
Filing date: 2023-02-17
Publication date: 2023-12-01
Also published as: WO2023156143A1

Abstract

本發明揭示一種用於判定與在一製造程序中形成於一基板上之至少一個結構相關之一感興趣參數的方法。該方法包含：獲得與待施加至該結構之一圖案之一佈局相關的佈局資料，該圖案包含該至少一個結構；及獲得一經訓練模型，其已根據度量衡資料及該佈局資料進行訓練以自至少該佈局資料推斷與一感興趣參數相關之一值及/或機率度量，該度量衡資料與該基板上之各別複數個量測位置處的該感興趣參數之複數個量測相關。使用該經訓練模型自至少佈局資料判定與該基板上不同於該等量測位置之一或多個位置處之該感興趣參數相關的一值及/或機率度量。

Description

度量衡方法及其相關聯裝置

本發明係關於執行以藉由諸如微影之圖案化程序來維持裝置製造中之效能的度量衡方法。本發明進一步係關於使用微影技術來製造裝置之方法。本發明又進一步係關於用於實施此類方法之電腦程式產品。

微影程序為微影設備將所要圖案施加至基板上、通常施加至基板之目標部分上，在此之後各種處理化學及/或物理處理步驟通過圖案起作用以產生複雜產品之功能特徵的微影程序。圖案於基板上之準確置放為用於減小電路組件及可由微影產生之其他產品之大小的主要挑戰。詳言之，準確地量測基板上已敷設之特徵的挑戰為能夠足夠準確地定位處於疊加之特徵之順次層而以高良率生產工作裝置時的關鍵步驟。

特別重要之感興趣參數為疊對，在現今的亞微米半導體裝置中，通常應將其控制在幾十奈米內，在最關鍵層中控制在幾奈米內。疊對量化形成於各別層中之結構對準；較低疊對值指示該等層之較佳對準且因此疊對為通常待最小化的誤差度量。

與疊對鏈接之另一重要感興趣參數或誤差度量為邊緣置放誤差(EPE)。EPE為IC佈局之預期特徵與印刷特徵之間的差異的量度。特徵之邊緣之位置誤差由特徵橫向位置誤差(疊對、圖案偏移)及特徵大小誤差(CD誤差)判定。特徵尺寸及位置誤差之部分在本質上係極局域的且隨機的；例如取決於與局域疊對(LOVL)、局域CD均一性(LCDU)、線邊緣粗糙度(LER)及線寬粗糙度(LWR)相關的局域置放誤差。此等皆可為EPE效能之重要貢獻因素。因此，EPE為包含與疊對及來自跨越多個層之產品結構之局域置放誤差相關聯的貢獻因素之複合度量。為了量測局域置放誤差，可直接對產品結構執行度量衡。舉例而言，此可使用諸如電子束度量衡設備之掃描電子顯微鏡(SEM)進行。為了獲得跨越晶圓之密集EPE指紋，當前需要極大型度量衡工作量，包含在晶圓上之許多位置處之許多特徵個例的量測。

因此，現代微影設備涉及在實際上曝光或以其他方式圖案化處於目標位置之基板之步驟之前的廣泛量測或「映射」操作。然而，由於產出量要求，通常僅稀疏疊對或EPE資料可用。因此，擬合模型(多項式)及/或指示疊對或EPE (諸如對準資料)之其他資料可用於導出密集疊對或EPE資料映圖。舉例而言，此類方法在以引用的方式併入本文中之US10990018B2中描述。

希望改良諸如疊對或EPE之感興趣參數之推斷及/或映射。

根據本發明之一第一態樣，提供一種用於判定與在一製造程序中形成於一基板上之至少一個結構相關的一感興趣參數之方法，該方法包含：獲得與待施加至該結構之一圖案的一佈局相關之佈局資料，該圖案包含該至少一個結構；獲得一經訓練模型，其已對度量衡資料及該佈局資料進行訓練以自至少該佈局資料推斷與一感興趣參數相關之一值及/或機率度量，該度量衡資料與該基板上的各別複數個量測位置處之該感興趣參數之複數個量測相關；及使用該經訓練模型自至少該佈局資料判定該基板上不同於該等量測位置的一或多個位置處之該感興趣參數相關之一值及/或機率度量。

根據本發明之一第二態樣，提供一種電腦程式產品，其含有用於實施根據如上文所闡述之本發明之該第一態樣的方法中之計算步驟的一或多個機器可讀指令序列。

本發明又進一步提供一種包含該第二態樣之該電腦程式之處理配置及度量衡裝置。

根據對示例性實施例之以下描述及圖式之考慮而瞭解本文中所揭示之設備及方法的此等及其他態樣及優點。

在詳細地描述本發明之實施例之前，呈現可供實施本發明之實施例之實例環境係具指導性的。

圖1示意性地描繪微影設備LA。設備包括：照射系統(照射器) IL，其經組態以調節輻射光束B (例如，UV輻射或DUV輻射)；圖案化裝置支撐件或支撐結構(例如，遮罩台) MT，其經建構以支撐圖案化裝置(例如，遮罩) MA且連接至經組態以根據某些參數來準確地定位圖案化裝置之第一定位器PM；兩個基板台(例如，晶圓台) WTa及WTb，其各自經建構以固持基板(例如，抗蝕劑塗佈晶圓) W且各自連接至經組態以根據某些參數來準確地定位基板之第二定位器PW；及投影系統(例如，折射投影透鏡系統) PS，其經組態以將由圖案化裝置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，包括一或多個晶粒)上。參考框架RF連接各種組件，且充當用於設定及量測圖案化裝置及基板之位置以及圖案化裝置及基板上之特徵之位置的參考。

照射系統可包括用於引導、塑形或控制輻射之各種類型之光學組件，諸如折射、反射、磁性、電磁、靜電或其他類型之光學組件或其任何組合。舉例而言，在使用極紫外線(EUV)輻射之設備中，通常將使用反射光學組件。

圖案化裝置支撐件以取決於圖案化裝置之定向、微影設備之設計及其他條件(諸如，圖案化裝置是否固持於真空環境中)的方式來固持圖案化裝置。圖案化裝置支撐件可使用機械、真空、靜電或其他夾持技術以固持圖案化裝置。圖案化裝置支撐件MT可為例如可視需要固定或可移動之框架或台。圖案化裝置支撐件可確保圖案化裝置例如相對於投影系統處於所要位置。

本文中所使用之術語「圖案化裝置」應廣泛地解釋為指代可用於在輻射光束之橫截面中向輻射光束賦予圖案以便在基板之目標部分中產生圖案的任何裝置。應注意，舉例而言，若賦予至輻射光束之圖案包括相移特徵或所謂輔助特徵，則圖案可不確切地對應於基板之目標部分中之所要圖案。通常，賦予至輻射光束之圖案將對應於目標部分中產生之裝置(諸如，積體電路)中之特定功能層。

如此處所描繪，設備屬於透射類型(例如，採用透射圖案化裝置)。替代地，設備可屬於反射類型(例如，採用上文所提及之類型之可程式化鏡面陣列，或採用反射遮罩)。圖案化裝置之實例包括遮罩、可程式化鏡面陣列及可程式化LCD面板。可認為本文中對術語「倍縮光罩」或「遮罩」之任何使用皆與更一般術語「圖案化裝置」同義。術語「圖案化裝置」亦可解譯為係指以數位形式儲存用於控制此類可程式化圖案化裝置之圖案資訊的裝置。

本文中所使用之術語「投影系統」應廣泛地解釋為涵蓋適於所使用之曝光輻射或適於諸如浸潤液體之使用或真空之使用之其他因素的任何類型之投影系統，包括折射、反射、反射折射、磁性、電磁及靜電光學系統或其任何組合。可認為本文中對術語「投影透鏡」之任何使用與更一般的術語「投影系統」同義。

微影設備亦可屬於如下類型：其中基板之至少一部分可由具有相對較高折射率之液體(例如，水)覆蓋，以便填充投影系統與基板之間的空間。亦可將浸潤液體施加至微影設備中之其他空間，例如遮罩與投影系統之間的空間。浸潤技術在此項技術中已為吾人所熟知用於增加投影系統之數值孔徑。

在操作中，照射器IL自輻射源SO接收輻射光束。舉例而言，當源為準分子雷射時，源與微影設備可為分離實體。在此類狀況下，不認為源形成微影設備之部分，且輻射光束係憑藉包括例如合適導向鏡及/或光束擴展器之光束遞送系統BD而自源SO傳遞至照射器IL。在其他情況下，例如，在源為汞燈時，源可為微影設備之整體部分。源SO及照射器IL連同光束傳遞系統BD在需要時可稱作輻射系統。

照射器IL可例如包括用於調整輻射光束之角強度分佈之調整器AD、積光器IN及聚光器CO。照射器可用於調節輻射光束，以在其橫截面中具有所需均一性及強度分佈。

輻射光束B入射於固持於圖案化裝置支撐件MT上之圖案化裝置MA上，且由圖案化裝置圖案化。在已橫穿圖案化裝置(例如，遮罩) MA的情況下，輻射光束B傳遞通過投影系統PS，投影系統PS將光束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置感測器IF (例如，干涉裝置、線性編碼器、2-D編碼器或電容式感測器)，可準確地移動基板台WTa或WTb，例如以便將不同目標部分C定位於輻射光束B之路徑中。類似地，例如，在自遮罩庫進行機械擷取之後或在掃描期間，可使用第一定位器PM及另一位置感測器(圖1中未明確地描繪)來相對於輻射光束B之路徑準確地定位圖案化裝置(例如，遮罩) MA。

可使用遮罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置(例如，遮罩) MA及基板W。儘管如所說明之基板對準標記佔據專用目標部分，但他們可位於目標部分之間的空間中(此等標記稱為切割道對準標記)。類似地，在將多於一個晶粒設置於圖案化裝置(例如，遮罩) MA上之情況下，遮罩對準標記可位於晶粒之間。小對準標記亦可在裝置特徵當中包括於晶粒內，在此情況下，需要使標記物儘可能地小且無需與鄰近特徵不同的任何成像或程序條件。下文進一步描述偵測對準標記之對準系統。

所描繪設備可用於多種模式中。在掃描模式中，同步地掃描圖案化裝置支撐件(例如，遮罩台) MT及基板台WT，同時將賦予至輻射光束之圖案投影至目標部分C上(即，單次動態曝光)。可由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於圖案化裝置支撐件(例如，遮罩台) MT之速度及方向。在掃描模式中，曝光場之最大大小限制單次動態曝光中之目標部分寬度(在非掃描方向上)，而掃描運動之長度判定目標部分之高度(在掃描方向上)。如在此項技術中為吾人所熟知，其他類型之微影設備及操作模式為可能的。舉例而言，步進模式為吾人所知。在所謂的「無遮罩」微影中，使可程式化圖案化裝置保持靜止，但具有改變之圖案，且移動或掃描基板台WT。

亦可採用上文所描述之使用模式之組合及/或變化或完全不同的使用模式。

微影設備LA屬於所謂的雙載物台類型，其具有兩個基板台WTa、WTb及兩個站——曝光站EXP及量測站MEA——在兩個站之間可交換基板台。在曝光站處曝光一個基板台上之一基板的同時，可在量測站處將另一基板裝載至另一基板台上且進行各種預備步驟。此情形實現設備之產出量之相當大增加。在單載物台設備上，針對每基板，需要依序對單載物台執行預備步驟及曝光步驟。預備步驟可包括使用位準感測器LS來映射基板之表面高度輪廓，及使用對準感測器AS來量測基板上之對準標記之位置。若位置感測器IF在其處於量測站處以及處於曝光站處時不能夠量測基板台之位置，則可提供第二位置感測器以使得能夠在兩個站處追蹤基板台相對於參考框架RF之位置。代替所展示之雙載物台配置，其他配置為吾人所知且可用。舉例而言，提供基板台及量測台之其他微影設備為吾人所知。此等基板台及量測台在執行預備量測時銜接在一起，且接著在基板台經歷曝光時不銜接。

如圖2中所展示，微影設備LA形成微影製造單元LC (有時亦稱為微影單元或叢集)之部分，微影製造單元LC亦包括用以對基板執行曝光前程序及曝光後程序之設備。習知地，此等裝置包括用以沈積抗蝕劑層之旋塗器SC、用以顯影經曝光抗蝕劑之顯影器DE、冷卻板CH及烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板，在不同程序設備之間移動基板，且接著將基板遞送至微影設備之裝載匣LB。常常集體地稱作塗佈顯影系統之此等裝置在塗佈顯影系統控制單元TCU之控制下，該塗佈顯影系統控制單元自身受監督控制系統SCS控制，該監督控制系統亦經由微影控制單元LACU控制微影設備。因此，不同設備可經操作以最大化產出量及處理效率。

為了正確地且一致地曝光由微影設備曝光之基板，需要檢測經曝光基板以量測屬性，諸如後續層之間的疊對誤差、線厚度、關鍵尺寸(CD)等。因此，經定位有微影單元LC之製造設施亦包括度量衡系統MET，度量衡系統MET收納已在微影單元中處理之基板W中的一些或全部。將度量衡結果直接地或間接地提供至監督控制系統SCS。若偵測到誤差，則可對後續基板之曝光進行調整。

在度量衡系統MET內，檢測設備用以判定基板之屬性，且尤其判定不同基板或同一基板之不同層之屬性如何在不同層之間變化。檢測設備可整合至微影設備LA或微影單元LC中，或可為單獨裝置。為了實現最快速量測，可需要使檢測設備緊接地在曝光之後量測經曝光抗蝕劑層中之屬性。然而，並非所有檢測設備具有足夠敏感度用以對潛影進行有用量測。因此，可在曝光後烘烤步驟(PEB)之後採取量測，曝光後烘烤步驟(PEB)通常為對經曝光基板所進行之第一步驟且增加抗蝕劑之經曝光部分與未經曝光部分之間的對比度。在此階段，抗蝕劑中之影像可被稱作半潛影(semi-latent)。亦有可能對經顯影抗蝕劑影像進行量測-此時已移除抗蝕劑之經曝光部分或未經曝光部分。此外，已經曝光之基板可經剝離及重工以改良良率或被捨棄，藉此避免對已知有缺陷之基板進行進一步處理。在基板之僅一些目標部分有缺陷的狀況下，可僅對良好的彼等目標部分執行另外曝光。

用度量衡系統MET之度量衡步驟亦可在抗蝕劑圖案已蝕刻至產品層中之後進行。後一可能性限制重工有缺陷之基板的可能性，但可提供關於製造程序整體上之效能之額外資訊。

圖3說明用以在圖1之雙載物台設備中之基板W上曝光目標部分(例如，晶粒)之步驟。首先將描述根據習知實務之程序。本發明決不限於所說明之類型的雙載物台設備。熟習此項技術者將認識到，在其他類型之微影設備(例如，具有單一基板載物台及銜接度量衡載物台之微影設備)中執行相似操作。

量測站MEA處所執行之步驟係在點框內之左側，而右側展示曝光站EXP處所執行之步驟。不時地，基板台WTa、WTb中之一者將位於曝光站處，而另一者位於量測站處，如上文所描述。出於此描述之目的，假定基板W已裝載至曝光站中。在步驟200，由圖中未展示之機構將新基板W'裝載至設備。並行地處理此等兩個基板以便增加微影設備之產出量。

最初參考新近裝載之基板W'，此基板可為先前未經處理之基板，其運用新光阻而製備以供在設備中第一次曝光。然而，一般而言，所描述之微影程序將僅僅為一系列曝光及處理步驟中之一個步驟，使得基板W'已經通過此設備及/或其他微影設備若干次，且亦可經歷後續程序。尤其針對改良疊對效能之問題，任務為確保新的圖案被確切地施加於已經受圖案化及處理之一或多個循環之基板上的正確位置中。各圖案化步驟可在經施加圖案中引入位置偏差，而後續處理步驟在基板及/或施加至基板之圖案中漸進地引入失真，該等失真必須經量測及經校正以達成令人滿意的疊對效能。

可在其他微影設備中執行先前及/或後續圖案化步驟(如剛才所提及)，且可甚至在不同類型之微影設備中執行先前及/或後續圖案化步驟。舉例而言，裝置製造程序中之在諸如解析度及疊對之參數方面要求極高的一些層相比於要求不高之其他層可在更先進微影工具中予以執行。因此，一些層可曝光於浸潤型微影工具中，而其他層曝光於『乾式』工具中。一些層可曝光於在DUV波長下工作之工具中，而其他層使用EUV波長輻射來曝光。一些層可藉由為對所說明微影設備中之曝光之替代或補充的步驟而圖案化。此等替代及補充技術包括例如壓印微影、自對準多重圖案化及定向自組裝。類似地，可對每層不同設備執行每層執行的其他處理步驟(例如，CMP及蝕刻)。

在202，將使用基板標記P1等及影像感測器(未展示)之對準量測用於量測及記錄基板相對於基板台WTa/WTb之對準。另外，將使用對準感測器AS來量測跨越基板W'之若干對準標記。此等量測在一個實施例中用以建立基板模型(有時稱為「晶圓柵格」)，該基板模型極準確地映射跨越基板之標記之分佈，包括相對於標稱矩形柵格之任何失真。

在步驟204，亦使用位階感測器LS來量測相對於X-Y位置之晶圓高度(Z)圖。基本上，高度圖僅用於達成經曝光圖案之準確聚焦。可另外出於其他目的使用高度圖。

當裝載基板W'時，接收配方資料206，其定義待執行之曝光，且亦定義晶圓及先前產生之圖案及待產生於基板W'上之圖案之屬性。當存在基板上之對準標記之選擇時，且當存在對準感測器之設定之選擇時，在配方資料206當中之對準配方中定義此等選項。因此，對準配方定義如何量測對準標記之位置，以及量測哪些標記。

在210處，調換晶圓W'與W，使得經量測基板W'變成基板W而進入曝光站EXP。在圖1之實例設備中，藉由交換設備內之支撐件WTa及WTb來執行此調換，使得基板W、W'保持精確地經夾持且定位於彼等支撐件上，以保留基板台與基板自身之間的相對對準。因此，一旦已調換該等台，則為了利用用於基板W (以前為W')之量測資訊202、204以控制曝光步驟，必需判定投影系統PS與基板台WTb (以前為WTa)之間的相對位置。在步驟212，使用遮罩對準標記M1、M2來執行倍縮光罩對準。在步驟214、216、218中，將掃描運動及輻射脈衝施加於跨越基板W之順次目標位置處，以便完成數個圖案之曝光。

藉由在執行曝光步驟中使用量測站處所獲得之對準資料及高度圖，此等圖案相對於所要位置且尤其相對於先前置放於同一基板上之特徵精確地對準。在步驟220，自設備卸載現在經標註為W''之經曝光基板，以根據經曝光圖案使其經歷蝕刻或其他程序。

當前，使用直接度量衡方法或間接度量衡方法擷取疊對資訊。諸如去封裝掃描電子顯微鏡(SEM)度量衡及/或高電壓SEM (例如，電子束度量衡)之直接度量衡方法對在線疊對度量衡而言太慢，且在去封裝度量衡之情況下，破壞經量測裝置。諸如基於散射之光學目標之度量衡的間接度量衡方法通常在一小組離散位置上執行，其中藉由在彼等離散位置處內插經量測疊對值來建構全場及/或全晶圓疊對映圖。然而，內插或多項式擬合忽略可來源於各種程序步驟(例如，蝕刻及/或拋光步驟)之任何高空間頻率疊對成分分佈。因此，基於此模型化之後續疊對最佳化未察覺此高空間頻率疊對成分分佈。

邊緣置放誤差(EPE)當前典型地經由前述直接方法量測，且因此EPE度量衡典型地慢(及時常為破壞性的)。因此，由於其有限產出量，SEM度量衡僅用於關鍵特徵及區域。關鍵特徵及區域通常使用基於規則之方法判定，而不考慮與遮罩佈局之圖案密度及周邊密度鏈接的程序鄰近效應。

本文中提出一種用於以高空間頻率預測諸如疊對或EPE之感興趣參數的方法。此類方法可包含獲得度量衡資料，該度量衡資料包含與基板上之複數個量測位置相關之感興趣參數(例如，疊對或EPE)的值。在疊對上下文中，度量衡資料可包含例如在諸如蝕刻及/或拋光(化學機械拋光CMP)之某些處理步驟之前量測之顯影後檢測(ADI)疊對資料或在彼等處理步驟之後量測的蝕刻後檢測(AEI)疊對資料。舉例而言，度量衡資料可包含經光學量測資料，例如自度量衡目標之(例如，稀疏)佈局量測的散射資料。在此上下文中之度量衡目標可包含出於度量衡的目的而曝光之結構或可在其上執行度量衡之另一類型之結構，諸如實際(功能性)裝置結構。在EPE上下文中，度量衡資料可包含在幾個量測位置處之稀疏EPE量測，例如如使用SEM/電子束度量衡工具所量測。

所提出方法進一步包含獲得佈局資料，例如低解析度佈局資料，諸如藉由具有0.1 µm或更大、0.38 µm或更大、0.4 µm或更大、0.5 µm或更大、0.8 µm或更大或大約1 µm之像素大小定義之解析度的佈局資料。諸如機器學習模型或(卷積)神經網路之經訓練模型可用於將該度量衡資料及低解析度佈局資料回歸至基板上不同於該等量測位置之一或多個位置處的感興趣參數之值。

在實施例中，方法可包含判定基板部分(例如，曝光場)上及/或整個基板上之感興趣參數(例如，疊對或EPE)空間分佈或映圖。

將描述第一實施例，其中感興趣參數為疊對。可使用低解析度佈局資料訓練模型，例如具有密集疊對度量衡資料之圖案密度資料。密集疊對度量衡資料可包含AEI疊對資料。在訓練模型以將ADI疊對資料回歸至AEI疊對資料之實施例中，可使用密集ADI疊對資料進一步訓練經訓練模型。可訓練模型以將低解析度佈局資料及稀疏疊對資料回歸至密集疊對資料(例如，密集AEI疊對資料)。換言之，可使用低解析度佈局資料訓練模型以「緻密化」稀疏度量衡資料。以此方式，在生產期間僅需在場內進行幾個量測，其中經訓練模型用於內插量測以獲得場之更密集映圖。

低解析度佈局資料可包含圖案密度空間分佈或圖案密度映圖。圖案密度映圖為低解析度GDS (圖形設計系統)檔案或GDSII檔案。由於GDS檔案之大型大小，其典型地縮小為低解析度圖案密度映圖以便能夠足夠快速處理該等檔案以用於晶粒級應用。圖案密度映圖之典型解析度為1 µm像素大小。

圖案密度可定義為經圖案化區域與所考慮之窗口之總面積的比。因此，圖案密度取決於所選擇窗口；亦即，其取決於窗口之大小及形狀。當使用大型窗口時，每一位置處之圖案密度在大面積上取平均值，其將表現低頻率輪廓。當使用小窗口時，圖案密度更由極局域區域中之鄰近圖案判定。

亦已知某些處理效應影響(AEI)疊對，諸如蝕刻及CMP步驟。舉例而言，疊對可受晶粒內系統(IDS)變化影響，其指代每一晶粒上重複之系統變化，其來源於在晶粒級處重複的此類製造步驟。眾所周知，IDS變化可由遮罩上之經設計佈局圖案誘發。詳言之，局域圖案密度可具有影響。舉例而言，蝕刻受圖案密度PD影響。在晶片上方蝕刻電漿之化學性質及因此蝕刻速率、選擇性及各向異性取決於光致抗蝕劑之分率及在刻蝕程序期間產生的蝕刻廢物之分率。可受圖案密度影響之另一程序為CMP。

因此，可訓練合適機器學習模型以自低解析度佈局資料(諸如圖案密度資料)組合稀疏(例如，ADI或AEI)疊對度量衡來推斷(例如，AEI)疊對。以此方式，可藉由稀疏度量衡獲得等同於AEI疊對之密集疊對映圖(處於場級或晶圓級)。此允許在每晶圓基礎上執行此類疊對映射，因為有可能在每一晶圓上執行此類稀疏ADI度量衡。此反過來實現晶圓級疊對監測及控制。訓練可訓練模型以使用低解析度佈局資料將稀疏AEI度量衡內插至密集AEI疊對資料，在此情況下，除低解析度佈局資料之外，僅需要密集AEI疊對資料作為輸入。替代地，訓練可訓練模型以使用低解析度佈局資料將稀疏ADI度量衡內插至密集AEI疊對資料，在此情況下密集ADI資料及密集AEI疊對資料兩者皆可用於訓練。

可訓練模型以在場級下操作以將場內之稀疏度量衡資料內插至彼場之密集度量衡資料(由於其性質，佈局資料將與場相關)。然而，模型可用於判定晶圓疊對映圖，例如藉由使用晶圓級指紋。一種方法將使用晶圓級指紋(例如，如在一或多個晶圓上量測)作為至模型之輸入，使得模型經訓練以在內插期間應用晶圓級指紋，以提供全晶圓疊對映圖(整個晶圓內之密集疊對資料)。在另一方法中，可在每場基礎上使用整個晶圓內之密集疊對資料來訓練模型；例如，基於晶圓位置按場訓練。隨後可將模型與晶圓座標組合使用(即，識別場)以將稀疏疊對資料回歸至適合於彼場或晶圓區之密集疊對資料。

作為光學或散射資料之替代，用於訓練模型及作為至經訓練模型之輸入以推斷疊對的度量衡資料，如上文所描述，可包含以下中之一者：密集連通性電子測試資料(例如，電壓對比資料)或密集直接SEM量測資料(例如，CDSEM、去封裝SEM、橫截面SEM資料)。以此方式，可訓練模型以基於稀疏度量衡輸入使此等類型之資料緻密化。

在本揭示之上下文中，稀疏度量衡資料可包含以每晶圓30個至1000個點，例如低於1000個點、低於100個點、或更少或等於30個點量測之度量衡資料。此可轉換為例如每場低於20次、低於10次、低於5次、低於4次、低於3次或低於2次量測。藉由另一度量，稀疏取樣可描述x及y兩者上之間距大於100 µm、x及y兩者上之間距大於1 mm、x及y兩者上之間距大於5 mm、x及y兩者上之間距大於10 mm、x及y兩者上之間距大於20 mm或x及y兩者上之間距大於30 mm之取樣。對於訓練，密集取樣(密集度量衡資料)可描述每晶圓超過10k個點及/或x及y兩者上之間距小於100 µm之取樣。

圖4(a)為此類方法之所提出訓練階段之流程圖。密集AEI疊對資料AEI OV及低解析度佈局資料LO RES LD，例如圖案密度資料，用於訓練機器學習模型TRN OV MOD。取決於其所提出之應用使用情況(AEI資料或ADI資料之回歸)，亦可提供密集ADI疊對資料ADI OV。訓練可包含使用低解析度佈局資料LO RES LD訓練模型以內插或緻密化ADI度量衡資料或AEI度量衡資料之稀疏取樣，使得經緻密化(模型化)資料類似於實際密集取樣之度量衡資料(例如，儘量接近臨限差異)。機器學習模型可為神經網路或卷積神經網路(CNN)。一旦訓練完成，則訓練階段將產生經訓練模型400，其已訓練為基於稀疏疊對度量衡來推斷在特定佈局之任何點或其經訓練之部分處的疊對。

圖案密度資料可包含由其相對經量測疊對值標記之圖案密度映圖之大量(例如，約數千個)裁減影像。經量測疊對值可涉及在所有影像內之公共點或推斷點處之疊對，例如在各影像的中心處之疊對。舉例而言，可使用散射計或SEM經由AEI度量衡量測疊對。

可針對各種遮罩設計(亦即，圖案密度映圖)重複方法，使得機器學習模型經訓練成能夠直接將稀疏疊對資料、圖案密度影像及晶圓座標回歸至預期疊對值。

訓練步驟TRN OV MOD可包含使用圖案密度映圖或覆蓋小區域(小窗口)之影像開始訓練，及基於其中之圖案密度資料自小區域內之(例如，隨機取樣)位置執行疊對的內插，及將內插結果與已知的經密集量測AEI疊對資料AEI OV (及/或ADI疊對資料ADI OV)進行比較。可針對用於訓練神經網路之圖案密度映圖之逐步或遞增增大區域重複直至模型化精度飽和；亦即，模型化精度不再有任何(顯著)改良。此將指示恰當地考慮長程圖案密度效應。

圖4(b)為繪示所提出方法之推斷階段或生產階段之流程圖。在少數位置處之稀疏疊對度量衡資料(例如，ADI或AEI疊對度量衡資料) SP OV MET(例如，使得在線每晶圓度量衡為可實行的)及低解析度佈局資料LO RES LD，例如經曝光結構之圖案密度資料，經饋入至經訓練模型400中(例如，根據剛剛描述之方法訓練)。經訓練模型將此稀疏疊對度量衡資料及低解析度佈局資料回歸至場及/或晶圓內之疊對值OV。因此，模型可用於基於輸入稀疏疊對資料及圖案密度映圖產生密集場或晶圓疊對映圖，其中疊對映圖可包含跨越場/基板之疊對向量之空間分佈，各向量具有疊對的方向及疊對之量值。隨後可基於疊對映圖來估計任何晶圓座標之疊對。

現將描述感興趣參數為EPE之第二實施例。如已論述，可表明，歸因於顯影劑負載效應，且尤其在蝕刻之後，歸因於蝕刻負載效應，周圍圖案密度可影響曝光後之圖案性質。因此，相同圖案可取決於其在晶粒內之位置及周圍環境而展現極不同隨機可變性。另外，局域圖案密度可為隨機圖案可變性之預期改變之良好指示符，尤其在蝕刻後檢測期間。因此，由於未考慮圖案密度，因此忽視可改良EPE度量衡之精度之有價值資訊。

與光學鄰近效應相比，EPE上之諸如顯影劑負載及/或蝕刻負載之程序鄰近效應典型地具有較大長度尺度。因此，使用(例如)以1 µm柵格擷取之圖案密度映圖，而非使用全解析度佈局檔案(例如，.GDS、.OAS)可在減少計算負荷方面提供極顯著益處。

圖5(a)描繪此EPE方法之所提出訓練階段之流程圖。EPE訓練資料EPE TR及低解析度佈局資料LO RES LD，例如圖案密度資料，用於訓練機器學習模型TRN EPE MOD。EPE訓練資料可在蝕刻前或蝕刻後經量測(例如，EPE訓練資料可包含EPE ADI資料或EPE AEI資料)。舉例而言，EPE資料可包含經密集取樣EPE資料，如使用例如SEM或能夠進行EPE度量衡之其他合適度量衡工具所量測。

如在先前疊對實施例中，低解析度佈局資料LO RES LD可包含先前實施例中描述之佈局資料特徵中之任一者(例如，在解析度方面)。因此，佈局資料可包含圖案密度資料；例如，圖案密度映圖之大量(例如，約數千個)裁減影像。然而，各影像可由來自對應EPE訓練資料之EPE值而非疊對值標記。

訓練可包含訓練模型以使用低解析度佈局資料LO RES LD內插或緻密化EPE訓練資料之稀疏取樣，使得緻密化(模型化)資料類似於實際密集取樣之EPE訓練資料(例如，儘量接近臨限差異)。機器學習模型可為神經網路或卷積神經網路(CNN)。因此，訓練可包含訓練機器學習模型以使得其可直接使用圖案密度影像及幾個稀疏EPE量測(例如，隨機定位於影像內)以便推斷EPE在推斷點或感興趣點(例如，影像中心)處的效應。一旦訓練完成，則訓練階段將產生經訓練模型500，其已訓練為基於稀疏EPE度量衡推斷特定佈局之任何點或其經訓練部分處的EPE。

如前所述，此訓練方法可使用圖案密度影像及來自與影像內之特徵相關之EPE訓練資料的相關聯EPE量測作為輸入。舉例而言，EPE量測之稀疏取樣，例如其可在整個影像中隨機定位/取樣，可用於訓練模型以使得其可在推斷點(例如，影像之中心或影像中不為經取樣量測點的任何其他點)推斷預期EPE。可將此推斷之結果與推斷點之已知值(來自EPE訓練資料)進行比較。圖案密度映圖所覆蓋之區域隨後可在訓練期間藉由增大之區域影像及用於饋入神經網路之相關聯稀疏EPE取樣逐步增大，直至預測精度飽和。飽和度將指示充分考慮長程圖案密度效應(例如，顯影劑負載及蝕刻負載效應兩者)。可針對跨越晶圓之多個場重複此方法，使得網路可習得例如在蝕刻後出現的晶圓級指紋。舉例而言，影像之稀疏取樣點的數目可每影像低於20個、低於10個或低於6個點。

如前所述，可針對各種遮罩設計(亦即，圖案密度映圖)重複方法。

圖5(b)為繪示根據此實施例之所提出方法之推斷階段或生產階段的流程圖。在少量位置處之稀疏EPE度量衡資料(例如，ADI或AEI EPE度量衡資料) SP EPE MET及低解析度佈局資料LO RES LD，例如已曝光結構之圖案密度資料，經饋入至經訓練模型500 (例如，根據剛剛描述的方法訓練)中。經訓練模型將此稀疏EPE度量衡資料及低解析度佈局資料回歸至場及/或晶圓內之EPE值EPE。因此，模型可用於基於輸入稀疏EPE資料及圖案密度映圖產生密集場或晶圓EPE映圖，其中EPE映圖可包含EPE向量在場/基板上之空間分佈，各向量具有EPE之方向及EPE之量值。隨後可基於EPE映圖來估計任何晶圓座標之EPE。

雖然圖案密度本身不足以完全定義圖案隨機可變性及因此EPE，但此實施例之方法將提供極密集預期EPE映圖且可有助於定義需要詳細檢測/度量衡的關鍵區域。目前，無方法能夠使用稀疏SEM量測提供EPE之高頻率映圖。

預測全晶圓疊對映圖及/或EPE映圖可用於最佳化曝光設定以用於改良整個場或某些關鍵區域/特徵之製成品疊對效能。此外，經預測(例如，全晶圓) EPE及/或疊對映圖可用於更好地定義或識別關鍵區域，使得例如可對此等關鍵區域執行更詳細檢測。

現將描述額外實施例，其可用於統計分析之上下文中，例如用於EPE重建構。對於不規則或非重複圖案，諸如邏輯結構之彼等圖案，存在許多不同特徵。在此情況下，由於光學近接之變化，微影效能在特徵之間將不同。微影效能之全表徵將需要對含有所有特徵之全區域進行SEM量測，其在時間上過分地昂貴。因此，當前藉由基於微影/成像行為之相似性(例如，如經由計算成像模擬估計)對特徵進行分組來處理此特徵變化，藉此避免對各個別特徵之廣泛量測的需求。隨後假定組內之各特徵表現類似，使得僅每組之一特徵子集需要量測。

然而，公差低且因此缺陷機率相對高之熱點或關鍵特徵偏離其他特徵且傾向於在難以在單一SEM視場內擷取之小分離特徵組內分組。更特定言之，此等關鍵特徵可能具有截然不同之微影效能，其導致特徵分組將其標記為其自身小組。此增加所需度量衡時間。因此，分組對關鍵特徵來說尤其成問題。與正常群體相比，預期關鍵特徵之數量及密度較低。此使得難以找到含有包含關鍵特徵之足夠群組樣本之SEM視場。因此，需要較大SEM視場，其與特徵分組之目的矛盾，亦即減小度量衡工作量。

對成像及每組之EPE效能的估計為資料之低效使用，此係因為其忽略作為隨機之主要驅動因素之光致抗蝕劑化學物理行為及作為平均行為的主要驅動因素之劑量/焦點對所有特徵都相同的事實。因此，預期微影平均與隨機效能之間的相關性而不管特徵佈局。

因此，提出訓練半監督機器學習模型以預測指示所有感興趣特徵之效能之感興趣參數，(例如，隨機參數，諸如成像度量的機率密度函數(PDF)參數(例如，幾何參數之平均值及標準差，特別是諸如：CD、輪廓密度)。訓練可使用稀疏度量衡資料，例如特徵子集之SEM資料連同佈局資料，諸如，諸如局域遮罩透射率(LMT)資料及/或自其衍生之成像模擬資料之遮罩透射率度量資料，諸如包含使用特定微影工具(掃描儀)及指示使用過的實際工具及設置之特定掃描儀經由遮罩(如LMT/佈局資料中所描述)產生之空中影像的模擬資料之空中影像資料。亦可使用額外預測器(諸如焦點、劑量、掃描儀已知誤差及日誌)、其他掃描儀或程序參數、空間座標或影響成像效能之任何其他合適參數。隨後經訓練模型可用於基於佈局資料(例如，LMT資料及/或空間影像資料)預測所有特徵之效能。

模型可包含第一模組及第二模組。第一模組可執行高維佈局資料至減小空間之映射，擷取相關成像效能變化(例如，呈相關成像特性之向量的形式)。相關性主要由專家使用者判定。其取決於所使用之輸入以及如何設計第一模組。第二模組可將相關成像屬性之向量轉換為感興趣參數之預期分佈度量。

因此，在所提出模型中，特徵之模擬成像行為可用作合適效能度量(諸如成像及/或EPE度量)之分佈參數的連續預測器。可使用特徵之量測子集(例如，稀疏度量衡)來訓練A (例如，平滑)函數以預測未量測之特徵的參數。以此方式，來自所有量測特徵之資訊有助於估計未量測之特徵，而非如分組方法中那樣僅估計相同組的特徵。此方法有助於預測不同佈局特徵之效能、識別熱點及/或對佈局特徵進行排序。

圖6為提供此實施例之概述之流程圖：獲得與一組(例如，隨機選擇)佈局特徵相關的稀疏度量衡資料SP SEM MET。此稀疏度量衡可涉及(例如，邏輯)圖案或正成像之晶粒之部分或子模組。此度量衡資料SP SEM MET可藉由SEM度量衡獲得，且方法可包含執行度量衡之實際步驟以獲得度量衡資料SP SEM MET。可執行訓練步驟TM或擬合步驟以使用度量衡資料SP SEM MET及佈局資料LD (例如，LMT資料及/或自其衍生之資料，諸如空間影像資料)來訓練或擬合預測模型MOD，使得經訓練模型MOD能夠(例如，最佳化)預測與一或多個感興趣參數相關之機率資料PD，例如基於佈局資料LD指示成像效能。舉例而言，佈局資料LD可包含針對所有特徵之每佈局特徵之LMT函數且可自佈局檔案(例如，.gds檔案)獲得。

機率資料PD可包含感興趣參數之機率密度函數(PDF)。舉例而言，感興趣參數可為諸如CD、EPE及/或輪廓密度中之一或多者之幾何參數的統計或隨機度量(例如，平均值或標準差)。機率資料PD可涉及每一佈局特徵(例如，包含各特徵之PDF)。可以半監督方式訓練模型。

除佈局資料LD之外，在訓練步驟TM中可使用額外預測器資料ADD DAT。額外預測器資料可包含例如微影資料或掃描器資料，諸如劑量及/或聚焦設定資料。

隨後經訓練模型MOD可用於評價步驟EM中，以基於佈局資料LD輸入判定與佈局資料LD中之一些或所有特徵之成像效能相關的機率資料PD (包括未量測及/或包含於度量衡資料SP SEM MET內之特徵)。若使用額外預測器資料ADD DAT進行訓練，則對應額外預測器資料ADD DAT可用於評價步驟EM中以判定機率資料PD。

圖7為繪示模型MOD及評價步驟EM (圖6)之高級架構的流程圖。模型MOD可包含第一模組MOD 1或佈局特徵光學關聯性轉換模組及第二模組MOD2或佈局特徵效能分佈預測器模組。第一模組MOD 1將佈局資料LD (例如，高維LMT資料)轉換為低維(例如，向量)資料空間，從而擷取描述不同特徵之間的成像效能變化之相關影像屬性RIP。第二模組MOD 2將此相關影像屬性RIP向量轉換為機率資料PD，如上文所描述。

圖8(a)為描述第一模組MOD 1之訓練程序之示例性認識的流程圖。可使用全佈局資料LD (例如，所有特徵之LMT，不管其已量測還是未量測)以非監督方式訓練此模組。計算微影或其他光學模擬技術可執行SIM，例如使用遮罩及透鏡模型資料M-L MOD。舉例而言，此步驟可包含產生模擬(例如，3D)空間影像資料AE DAT。此為所預期方法，此係由於其使用透鏡及遮罩模型M-L MOD以約束可在晶圓上成像之光學資訊。舉例而言，3D空中影像資料AE DAT可包含投影至晶圓上之空中影像，包括遮罩誤差，但排除微影系統、光致抗蝕劑及晶圓效應。此高維空中影像資料AE DAT可藉助於任何合適降維技術或數學分解技術(例如，單一值分解SVD)及/或特定領域成像度量(例如，影像對數斜率ILS)減小為低維相關影像屬性RIP資料。第一模組MOD 1隨後經訓練TM1為能夠映射及/或評估佈局資料以判定相關影像屬性資料RIP之查找表或變換函數。

圖8(b)為描述第二模組MOD 2訓練程序之示例性概述的流程圖。此模組MOD 2可使用(例如，稀疏)度量衡資料SP SEM MET以監督方式經訓練TM2。額外資料ADD DAT (例如，掃描儀已知誤差及日誌、諸如焦點及劑量資料之程序參數、空間座標中之一或多者)在此步驟中可用作額外預測器。訓練步驟TM2之訓練目標可包含例如所觀測之量測的最大似然(maximizing likelihood；ML)估計或最大後驗機率(MAP)估計。在MAP估計之實例中，機率資料參數(例如，PDF參數)之先驗機率PR可自先驗知識、物理模擬或來自相同遮罩之典型特徵獲得且用於訓練。

總而言之，所提出方法能夠使用經訓練神經網路及幾個稀疏取樣疊對值以預測高解析度全晶圓疊對映圖，藉此提供跨晶圓之高精度疊對資料緻密化。以此方式，每晶圓校正為可能的。

與微影設備及微影製造單元LC之硬體相關聯地，一實施例可包括含有一或多個機器可讀指令序列之電腦程式，該等機器可讀指令用於使微影製造系統之處理器實施如上文所描述之模型映射及控制之方法。例如可在用於影像計算/控制程序之單獨電腦系統中執行此電腦程式。替代地，計算步驟可全部地或部分地在處理器、度量衡工具及/或圖1及圖2之控制單元LACU及/或監督控制系統SCS內進行。亦可提供資料儲存媒體(例如，半導體記憶體、磁碟或光碟)，其具有以非瞬態形式儲存於其中之此電腦程式。

儘管上文可特定地參考在光學微影之內容背景中的本發明之實施例之使用，但將瞭解，本發明可用於其他圖案化應用中，例如壓印微影。在壓印微影中，圖案化裝置中之構形定義產生於基板上的圖案。可將圖案化裝置之構形壓入至經供應至基板之抗蝕劑層中，在該基板上，抗蝕劑係藉由施加電磁輻射、熱、壓力或其組合而固化。在抗蝕劑固化之後將圖案化裝置移出抗蝕劑，從而在其中留下圖案。

在以下經編號條項之清單中揭示本發明之其他實施例： 1. 一種用於判定與在製造程序中形成於基板上之至少一個結構相關的感興趣參數之方法，該方法包含：獲得與待施加至該結構之圖案的佈局相關之佈局資料，該圖案包含該至少一個結構；獲得經訓練模型，其已根據度量衡資料及該佈局資料進行訓練以自至少該佈局資料推斷與感興趣參數相關的值及/或機率度量，該度量衡資料與該基板上之各別複數個量測位置處之感興趣參數的複數個量測相關；及使用該經訓練模型自至少該佈局資料判定該基板上不同於該等量測位置之一或多個位置處的該感興趣參數相關之值及/或機率度量。 2. 如條項1之方法，其中該感興趣參數為疊對或邊緣置放誤差。 3. 如條項1或2之方法，其中該經訓練模型已訓練為使用該佈局資料將該度量衡資料內插至感興趣參數之預期值；且該判定與感興趣參數相關之值及/或機率度量包含使用該經訓練模型自該度量衡資料及該佈局資料判定該基板上不同於該等量測位置之一或多個位置處的感興趣參數之值。 4. 如條項1、2或3之方法，其中該度量衡資料包含在蝕刻及/或拋光步驟之前量測之顯影後檢測度量衡資料。 5. 如條項1、2或3之方法，其中該度量衡資料包含在蝕刻及/或拋光步驟之後量測之蝕刻後檢測度量衡資料。 6. 如前述條項中任一項之方法，其中使用散射計來量測該度量衡資料。 7. 如前述條項中任一項之方法，其中該度量衡資料包含以下中之一者：連通性電子測試資料或掃描電子顯微鏡量測資料。 8. 如前述條項中任一項之方法，其中該複數個量測位置數量低於每基板1000個位置。 9. 如條項1至7中任一項之方法，其中該複數個量測位置數量低於每基板100個位置。 10. 如條項1至7中任一項之方法，其中該複數個量測位置數量低於每基板30個位置。 11. 如前述條項中任一項之方法，其中該複數個量測位置在基板平面之兩個方向上皆具有大於1 mm間距的平均間距。 12. 如條項1至10中任一項之方法，其中該複數個量測位置在基板平面之兩個方向上皆具有大於10 mm的平均間距。 13. 如條項1至10中任一項之方法，其中該複數個量測位置在基板平面之兩個方向上皆具有大於30 mm的平均間距。 14. 如前述條項中任一項之方法，其中該佈局資料包含低解析度佈局資料，其處於由具有0.5 µm或更大之像素大小定義之解析度。 15. 如前述條項中任一項之方法，其中該佈局資料包含圖案密度空間分佈。 16. 如前述條項中任一項之方法，其中該判定步驟包含判定該感興趣參數在至少曝光場上之空間分佈。 17. 如前述條項中任一項之方法，其中該判定步驟使用基板位置資料來判定該感興趣參數在基板上之空間分佈，經訓練模型已基於該基板位置資料按場訓練。 18. 如條項16或17之方法，其包含使用該感興趣參數之該空間分佈來最佳化製造程序中一或多個曝光設定及/或識別一或多個區域或結構以供進一步檢測。 19. 如前述條項中任一項之方法，其包含在該製造程序中對一基板批次中之每一基板執行該方法。 20. 如前述條項中任一項之方法，其包含以下各者中之初始步驟：獲得包含與該佈局資料之類型類似之資料的訓練佈局資料；獲得對應於該訓練佈局資料之訓練度量衡資料；及用該訓練度量衡資料及密集佈局資料訓練機器學習模型以獲得該經訓練模型。 21. 如條項20之方法，其中該訓練度量衡資料至少包含在蝕刻及/或拋光步驟之後量測之蝕刻後檢測度量衡資料。 22. 如條項21之方法，其中該訓練度量衡資料進一步包含在蝕刻及/或拋光步驟之前量測之顯影後檢測度量衡資料，該訓練步驟包含訓練該機器學習模型以將顯影後檢測度量衡資料的稀疏取樣內插至蝕刻後檢測度量衡資料之密集取樣。 23. 如條項20至22中任一項之方法，其中該訓練度量衡資料包含密集取樣之度量衡資料，以每基板超過10000個點及/或在基板平面之兩個方向上以小於100 µm間距取樣。 24. 如條項20至23中任一項之方法，其中該訓練步驟包含使用該佈局資料訓練該機器學習模型以將該度量衡資料之稀疏取樣內插至該度量衡資料的密集取樣。 25. 如條項20至24中任一項之方法，其中該訓練步驟包含在該訓練開始時使用與小基板區域相關之佈局資料及在該訓練期間增大佈局資料所覆蓋的基板區域直至該模型之模型化精度飽和。 26. 如條項20至25中任一項之方法，其中該佈局資料及訓練佈局資料包含圖案密度影像。 27. 如條項26之方法，其中該訓練度量衡資料包含描述所有訓練佈局資料影像內同共推斷點處之該感興趣參數的感興趣參數值。 28. 如條項20至27中任一項之方法，其包含獲得與訓練度量衡資料相關之基板尺度指紋；及訓練模型以在內插期間應用基板尺度指紋以提供全基板感興趣參數分佈。 29.如條項20至27中任一項之方法，其包含基於基板上之場位置在每場基礎上訓練模型。 30. 如條項1之方法，其中經訓練模型包含可操作以將該佈局資料轉換為擷取相關成像效能變化之減小空間的第一模組及可操作以將該相關成像效能變化轉換為與感興趣參數相關之機率度量之第二模組。 31. 如條項30之方法，其包含使用該佈局資料及自該佈局資料衍生之相關成像效能資料不受監督地訓練該第一模組。 32. 如條項30或31之方法，其中該佈局資料包含遮罩透射率度量資料及/或自其衍生之成像模擬資料。 33. 如條項32之方法，其中該成像模擬資料包含空中影像資料。 34. 如條項32或33之方法，其包含自該佈局資料判定該成像模擬資料之模擬步驟。 35. 如條項30至34中任一項之方法，其包含使用該佈局資料及該度量衡資料訓練該第二模組。 36. 如條項35之方法，其中用於訓練該第二模組之訓練目標包含度量衡資料的最大似然估計或後驗機率估計。 37. 如條項35或36之方法，其中該第二模組之該訓練基於該度量衡資料為至少半監督的。 38. 如條項35、36或37之方法，其中該第二模組之該訓練包含使用與一或多個掃描儀及/或成像程序參數相關的額外資料在該基板上形成該結構；及該判定與該基板上之一或多個位置處之感興趣參數相關的值及/或機率度量亦使用對應額外資料。 39. 如條項30至38中任一項之方法，其中機率度量包含感興趣參數之預期機率分佈度量。 40. 如條項30至39中任一項之方法，其中該度量衡資料涉及圖案內之特徵的子集。 41. 如條項40之方法，其中該判定與基板上之一或多個位置處的感興趣參數相關之值及/或機率度量包含判定與該圖案內之每一特徵之感興趣參數相關的機率度量。 42. 如條項30至41中任一項之方法，其中該感興趣參數包含與幾何度量相關之統計參數。 43. 如條項42之方法，其中該幾何度量包含邊緣置放誤差、關鍵尺寸或輪廓度量。 44. 如條項30至43中任一項之方法，其中該度量衡資料包含掃描電子顯微鏡資料。 45. 一種電腦程式，其包含當在合適設備上運行時可操作以執行前述條項中任一項之方法的程式指令。 46. 一種非暫時性電腦程式載體，其包含如條項45之電腦程式。 47. 一種處理配置，其包含：電腦程式載體，其包含如條項45之電腦程式；及處理器，其可操作以運行該電腦程式。 48. 一種度量衡裝置，其包含如條項47之處理配置。

特定實施例之前述描述將充分地揭示本發明之一般性質，使得在不脫離本發明之一般概念的情況下，其他人可藉由應用此項技術之技能範圍內之知識針對各種應用而容易地修改及/或調適此類特定實施例，而無需進行不當實驗。因此，基於本文中所呈現之教示及指導，此類調適及修改意欲在所揭示之實施例之等效者的涵義及範圍內。應理解，本文中之措辭或術語係出於實例描述而非限制之目的，使得本說明書之術語或措辭待由熟習此項技術者按照該等教示及指導進行解譯。

因此，本發明之廣度及範疇不應受上述示例性實施例中之任一者限制，而應僅根據以下申請專利範圍及其等效者來界定。

200:步驟 202:量測資訊 204:步驟 206:配方資料 210:步驟 212:步驟 214:步驟 216:步驟 218:步驟 220:步驟 400:經訓練模型 500:經訓練模型 AD:調整器 ADD DAT:額外預測器資料 ADI OV:顯影後檢測疊對資料 AE DAT:空中影像資料 AEI OV:蝕刻後檢測疊對資料 AS:對準感測器 B:輻射光束 BD:光束遞送系統 BK:烘烤板 C:目標部分 CH:冷卻板 CO:聚光器 DE:顯影器 EM:評價步驟 EPE TR:邊緣置放誤差訓練資料 EXP:曝光站 I/O1:輸入/輸出埠 I/O2:輸入/輸出埠 IF:位置感測器 IL:照射系統 IN:積光器 LA:微影設備 LACU:微影控制單元 LB:裝載匣 LC:微影製造單元 LD:佈局資料 LO RES LD:低解析度佈局資料 LS:位準感測器 M1:遮罩對準標記 M2:遮罩對準標記 MA:圖案化裝置 MEA:量測站 MET:度量衡系統 M-L MOD:遮罩及透鏡模型資料 MOD:預測模型 MOD 1:第一模組 MOD 2:第二模組 MT:遮罩台 OV:疊對值 P1:基板對準標記 P2:基板對準標記 PD:圖案密度/機率資料 PM:第一定位器 PS:投影系統 PW:第二定位器 RF:參考框架 RIP:相關影像屬性 RO:機器人 SC:旋塗器 SCS:監督控制系統 SO:輻射源 SP EPE MET:稀疏邊緣置放誤差度量衡資料 SP SEM MET:稀疏度量衡資料 TCU:塗佈顯影系統控制單元 TM:訓練步驟 TM1:訓練步驟 TM2:訓練步驟 TRN EPE MOD:機器學習模型 TRN OV MOD:機器學習模型 W:基板 W':新基板 W'':基板 WTa:基板台 WTb:基板台 X:位置 Y:位置 Z:晶圓高度

現在將參考隨附示意性圖式而僅藉助於實例來描述本發明之實施例，在該等圖式中，對應參考符號指示對應部分，且在該等圖式中：圖1描繪適合於本發明之實施例之微影設備；圖2描繪可使用根據本發明之檢測設備之微影單元或叢集；圖3示意性地繪示根據已知實務之圖1之設備中的量測及曝光程序；圖4(a)為描述根據疊對實施例之訓練模型之方法的流程圖；圖4(b)為描述根據疊對實施例之使用根據圖4(a)訓練之模型來回歸感興趣參數的值之方法的流程圖；圖5(a)為描述根據邊緣置放誤差實施例之訓練模型之方法的流程圖；圖5(b)為描述根據邊緣置放誤差實施例之使用根據圖5(a)訓練之模型來回歸感興趣參數的值之方法之流程圖；圖6為描述根據另一實施例之訓練及推斷流程之概述的流程圖；圖7為描述使用根據圖6中描繪之實施例之模型之方法的流程圖；圖8(a)為描述訓練圖6及圖7中描繪之模型之第一模組的方法的流程圖；且圖8(b)為描述訓練圖6及圖7中描繪之模型之第二模組的方法的流程圖。

400:經訓練模型

ADI OV:額外預測器資料

AEI OV:蝕刻後檢測疊對資料

LO RES LD:低解析度佈局資料

OV:疊對值

TRN OV MOD:機器學習模型

Claims

一種用於判定與在一製造程序中形成於一基板上之至少一個結構相關之一感興趣參數的方法，該方法包含：獲得與待施加至該結構之一圖案之一佈局相關的佈局資料，該圖案包含該至少一個結構；獲得一經訓練模型，其已根據度量衡資料及該佈局資料進行訓練以自至少該佈局資料推斷與一感興趣參數相關之一值及/或機率度量，該度量衡資料與該基板上之各別複數個量測位置處的該感興趣參數之複數個量測相關；及使用該經訓練模型自至少該佈局資料判定與該基板上不同於該等量測位置之一或多個位置處之該感興趣參數相關的一值及/或機率度量。
如請求項1之方法，其中該感興趣參數為疊對或邊緣置放誤差。
如請求項1之方法，其中該經訓練模型已訓練為使用該佈局資料將該度量衡資料內插至該感興趣參數之一預期值；及該判定與該感興趣參數相關之一值及/或機率度量包含使用該經訓練模型自該度量衡資料及該佈局資料判定該基板上不同於該等量測位置之一或多個位置處的一感興趣參數之該值。
如請求項1之方法，其中該度量衡資料包含由一散射計量測之顯影後檢測度量衡資料。
如請求項1之方法，其中該度量衡資料包含在一蝕刻及/或一拋光步驟之後量測之蝕刻後檢測度量衡資料。
如請求項1之方法，其中該度量衡資料包含以下各者中之一者：連通性電子測試資料或掃描電子顯微鏡量測資料。
如請求項1之方法，其中該佈局資料包含一圖案密度空間分佈。
如請求項1之方法，其中該判定步驟包含判定該感興趣參數在至少一曝光場內之一空間分佈。
如請求項1之方法，其中該判定步驟使用基板位置資料來判定該感興趣參數在該基板內之一空間分佈，該經訓練模型已基於該基板位置資料按場訓練。
如請求項8之方法，其進一步包含使用該感興趣參數之該空間分佈以最佳化該製造程序中的一或多個曝光設定及/或識別一或多個區域或結構以供進一步檢測。
如請求項1之方法，包含以下各者中之一初始步驟：獲得包含與該佈局資料之一類型類似之資料的訓練佈局資料；獲得對應於該訓練佈局資料之訓練度量衡資料；及用該訓練度量衡資料及密集佈局資料訓練一機器學習模型以獲得該經訓練模型。
如請求項11之方法，其中該訓練度量衡資料至少包含在一蝕刻及/或拋光步驟之後量測之蝕刻後檢測度量衡資料。
如請求項12之方法，其中該訓練度量衡資料進一步包含顯影後檢測度量衡資料，該訓練步驟包含訓練該機器學習模型以將顯影後檢測度量衡資料之一稀疏取樣內插至蝕刻後檢測度量衡資料的一更密集取樣。
如請求項11之方法，其中該佈局資料及訓練佈局資料包含圖案密度影像。
一種電腦程式，其包含當在一合適設備上運行時可操作以執行如請求項1至14之方法的程式指令。