TW202403675A - 用於所關注複雜結構之計量解決方案 - Google Patents

用於所關注複雜結構之計量解決方案 Download PDF

Info

Publication number
TW202403675A
TW202403675A TW112123701A TW112123701A TW202403675A TW 202403675 A TW202403675 A TW 202403675A TW 112123701 A TW112123701 A TW 112123701A TW 112123701 A TW112123701 A TW 112123701A TW 202403675 A TW202403675 A TW 202403675A
Authority
TW
Taiwan
Prior art keywords
post
soi
parameter
machine learning
physical model
Prior art date
Application number
TW112123701A
Other languages
English (en)
Inventor
景勝 史
佩芬 鄭
李潔
友賢 聞
威茗 趙
Original Assignee
美商昂圖創新公司
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 美商昂圖創新公司 filed Critical 美商昂圖創新公司
Publication of TW202403675A publication Critical patent/TW202403675A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G03F7/706841—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Insulated Gate Type Field-Effect Transistor (AREA)
  • Junction Field-Effect Transistors (AREA)

Abstract

使用物理模型化及機器學習模型化之組合來測量在半導體裝置中之複雜結構，諸如全環繞閘極(gate-all-around, GAA)場效電晶體或高縱橫比(high-aspect ratio, HAR)通道孔蝕刻等。可使用在所關注結構(SOI)之不同製造程序步驟（例如前程序步驟及後程序步驟）收集的計量信號。在前程序步驟所獲取之測量信號係用以例如使用物理模型化及機器學習來判定該SOI之一第一參數，該第一參數可經前饋並用以在該後程序步驟產生該SOI之一物理模型。該SOI之一第二參數在該後程序步驟係使用物理模型化及機器學習來判定，且可經反饋並用以在該後程序步驟用後程序信號產生該SOI之該物理模型，且用於判定其他參數。

Description

用於所關注複雜結構之計量解決方案
本文所述之標的大致上係關於計量，且更具體而言係關於使用多個資料來源及物理模型化與機器學習之組合來模型化及測量結構。
［相關申請案之交互參照］
本申請案依據35 U.S.C. §119主張於2022年6月23日申請之美國臨時專利申請案第63/355,053號標題為「METROLOGY SOLUTIONS FOR GATE-ALL-AROUND TRANSISTORS」及於2023年4月26日申請之美國臨時專利申請案第63/498,475號標題為「MULTIPLE SOURCES OF SIGNALS FOR HYBRID METROLOGY USING PHYSICAL MODELING AND MACHINE LEARNING」之優先權，該兩案讓渡予本案之受讓人，並以全文引用之方式併入本文中。
半導體及其他類似產業經常在處理期間使用計量（諸如光學計量或X射線計量）以提供樣本之非接觸式評估。使用光學計量，例如以單一波長或多個波長之光照明例如受測樣本。在光與樣本交互作用之後，偵測並分析所得光以判定樣本之一或多個特性。
分析一般包括模型化受測結構。模型可基於結構之物理性質（諸如結構之材料及標稱參數（例如，膜厚度）、材料之光學性質、線及空間寬度等）而產生，且因此有時稱為物理模型。模型之一或多個參數可變化，且可例如使用嚴格耦合波分析(Rigorous Coupled Wave Analysis, RCWA)或其他類似技術，基於模型來計算各參數變化的預測資料。可例如在非線性迴歸程序中比較所測量資料及針對各參數變化的預測資料，直到在預測資料與所測量資料之間達成良好擬合，此時，經擬合參數視為受測結構之參數的準確表示。然而，模型化可係耗時及運算密集的，且昂貴，尤其對於小的複雜特徵。
使用物理模型化及機器學習模型化之組合來測量在半導體裝置中之複雜結構，諸如全環繞閘極(gate-all-around, GAA)場效電晶體或高縱橫比(high-aspect ratio, HAR)通道孔蝕刻等。此外，在不同製造程序步驟（例如，一前程序步驟及一後程序步驟）針對所關注結構(structure of interest, SOI)收集計量信號。在前程序步驟所獲取之測量信號係用以例如使用物理模型化及機器學習來判定該SOI之一第一參數，該第一參數可經前饋並用以在該後程序步驟產生該SOI之一物理模型，以改善準確度。該SOI之一第二參數在該後程序步驟係使用物理模型化及機器學習來判定，且可經反饋並用以在該後程序步驟產生該SOI之該物理模型，以改善靈敏度及斷絕參數相關性。
在一個實施方案中，一種用於測量來自一所關注結構(SOI)之多個所關注參數的方法包括在一後程序步驟針對在一或多個樣本上之一SOI從一計量裝置獲得後程序步驟所測量信號。該方法進一步包括基於該些後程序步驟所測量信號以及在一前程序步驟前饋至一後程序物理模型的該SOI之一第一參數之一值、在該後程序步驟反饋至該後程序物理模型的該SOI之一第二參數之一值、及其組合中之至少一者，而針對該SOI從該後程序物理模型提取後程序測量結果。該方法進一步包括：基於從該後程序物理模型提取之該些後程序測量結果，而在該後程序步驟從一經訓練後程序機器學習模型預測該SOI之該第二參數之一最終值；及提供至少該SOI之該第二參數之該最終值。
在一個實施方案中，一種經組態用於測量來自一所關注結構(SOI)之多個所關注參數的電腦系統包括至少一個處理器，其中該至少一個處理器經組態以在一後程序步驟針對在一或多個樣本上之一SOI從一計量裝置獲得後程序步驟所測量信號。該至少一個處理器進一步經組態以基於該些後程序步驟所測量信號以及在一前程序步驟前饋至一後程序物理模型的該SOI之一第一參數之一值、在該後程序步驟反饋至該後程序物理模型的該SOI之一第二參數之一值、及其組合中之至少一者，而針對該SOI從該後程序物理模型提取後程序測量結果。該至少一個處理器進一步經組態以：基於從該後程序物理模型提取之該些後程序測量結果，而在該後程序步驟從一經訓練後程序機器學習模型預測該SOI之該第二參數之一最終值；及提供至少該SOI之該第二參數之該最終值。
在一個實施方案中，一種用於測量來自一所關注結構(SOI)之多個所關注參數的系統包括用於在一後程序步驟針對在一或多個樣本上之一SOI從一計量裝置獲得後程序步驟所測量信號的構件。該系統進一步包括用於基於該些後程序步驟所測量信號以及在一前程序步驟前饋至一後程序物理模型的該SOI之一第一參數之一值、在該後程序步驟反饋至該後程序物理模型的該SOI之一第二參數之一值、及其組合中之至少一者而針對該SOI從該後程序物理模型提取後程序測量結果的構件。該系統進一步包括：用於基於從該後程序物理模型提取之該些後程序測量結果而在該後程序步驟從一經訓練後程序機器學習模型預測該SOI之該第二參數之一最終值的構件；及用於提供至少該SOI之該第二參數之該最終值的構件。
在半導體及類似裝置的製造期間，經常需要藉由非破壞性地測量裝置監測製造程序。處理期間可用於非破壞性測量樣本的一種類型計量係光學計量，其可使用單個波長或多個波長，且可包括例如橢圓偏振儀、反射測量儀、傅立葉變換紅外光譜儀(Fourier Transform infrared spectroscopy, FTIR)等。亦可使用其他類型之計量，包括X射線計量、光聲計量、電子束計量等。
光學計量技術（諸如薄膜計量及光學臨界尺寸(Optical Critical Dimension, OCD)計量）及其他類型的計量有時使用物理模型化技術以產生與來自樣本之所測量資料相比較的樣本之預測資料。利用物理模型化技術，產生包括關鍵及非關鍵參數的樣本之模型。模型可基於樣本之標稱參數，且可包括一或多個可變參數，諸如層厚度、線寬、空間寬度、側壁角度、材料性質等，可變參數可例如取決於用以製造在受測樣本之程序參數而在所欲範圍內變化。模型可進一步包括與工具集相關的參數，例如，由計量裝置所使用的光學系統之特性。預測資料可基於物理模型之參數而計算，包括可變參數之變化、使用分析或半分析方法的計量裝置之特性，諸如有效介質理論(effective medium theory, EMT)、時域有限差分(finite-difference time-domain, FDTC)、轉移矩陣法(transfer matrix method, FMM)、傅立葉模態法(Fourier modal method, FMM)/嚴格耦合波分析(rigorous coupled-wave analysis, RCWA)、有限元素方法(finite element method, FMM)等。例如在非線性迴歸程序中，比較由計量裝置從樣本所獲得的所測量資料與不同參數變化之預測資料，直到達成最佳擬合，此時，經擬合參數之值視為樣本之參數的準確表示。
習知地，模型化需要欲獲知之樣本的初步結構及材料資訊以產生樣本之準確的代表模型，其包括一或多個可變參數。例如，樣本的初步結構及材料資訊可包括結構的類型及樣本的實體描述，其中各種參數（諸如層厚度、線寬、空間寬度、側壁角度、材料性質等）的標稱值連同此等參數所在的範圍可變化。模型可進一步包括一或參數，其等係不可變的，亦即，在製造期間不預期樣本有顯著的變化量。調整模型之可變參數，且可在非線性迴歸程序期間即時產生預測資料，或可預產生模型庫(library)。因此，模型化在分析中施加物理限制，且因此提供測量結果之高保真度。然而，由於產生預測資料所需的物理計算，模型化具有高運算成本。例如，模型化複雜3D結構遭受緩慢的求解時間(time to solution, TTS)，且模型化準確度會由於難以擬合複雜結構的資料而劣化。
可用以基於由一計量裝置獲自樣本之所測量資料而產生樣本之預測資料的另一技術係機器學習。可用於計量的機器學習演算法可包括但不限於線性迴歸、神經網路、深度學習、卷積神經網路(convolution neural-network, CNN)、集體法(ensemble method)、支援向量機(support vector machine, SVM)、隨機森林等，或以循序模式及/或平行模式的多個模型之組合。機器學習不需要樣本之物理模型。而是，參考資料（例如，由計量裝置從一或多個參考樣本所獲取之所測量資料）連同所關注結構參數之值經獲取並且用以產生及訓練機器學習模型。機器學習模型係使用參考資料及已知的結構參數值來自動訓練，以找出相關資料特徵，並學習在輸入與輸出特徵之間的內在關係及連接，以進行決定及預測新資料。使用機器學習的好處是快速的求解時間(TTS)及最小運算資源需求。然而，機器學習需要大量參考資料，獲取這些參考資料既昂貴又耗時。在無大量參考資料的情況下，機器學習模型會由於缺乏物理限制而遭受過度擬合。
隨著半導體裝置繼續縮小，計量預算變得更緊張。此外，更頻繁採用複雜3D結構，以實現持續裝置縮放。半導體技術進步，諸如使用複雜3D結構，由於增加的模型化複雜性及參數相關性，及降低的靈敏度，給計量帶來額外的挑戰。例如，來自單一計量工具或來源的信號可不具有足夠的靈敏度，以準確地測量所關注參數以供進行半導體製程品質控制。最終可能沒有單一計量工具可處理大部分先進半導體裝置的所有計量要求。
如本文所論述，使用從多個資料來源（例如，從多個工具集及/或程序步驟）收集之資料，且使用從計量及/或生產設備收集的與樣本相關之額外資料（諸如感測器資料），運算效率資料分析方法可融合多個資料來源且產生比任何個別資料來源提供之更準確且一致的測量結果。分析方法可係靈活的以適應各式各樣不同本質的資料，而同時對於各類型的資料來源最大化現有良好開發技術（諸如物理模型化或機器學習）的使用，以及協同加強個別度量技術的強度。
如本文所論述，物理模型化及機器學習經組合以分析混合計量及生態系統之多個資料來源。本文所述之方法透過來自多個資料來源（例如，多個計量工具集）的資料探勘和資料融合、來自多個程序步驟之樣本資料、計量設備參數、及生產設備參數而建立預測能力。舉實例而言，物理模型可用以分析來自一或多個計量工具之計量信號，諸如光譜橢圓偏振儀、光譜反射測量儀、X射線計量、光聲計量、傅立葉變換紅外光譜(FTIR)、電子束計量等，以在前程序步驟及後程序步驟提取樣本之關鍵及非關鍵參數的測量結果。此外，機器學習模型可經建立且訓練以在前程序步驟及後程序步驟預測樣本之所關注參數。提取後程序測量信號的一後程序物理模型可藉由前饋而使用由一前程序物理模型或一前程序機器學習模型所預測來自該前程序步驟的所預測之所關注參數。額外地或替代地，來自該後程序步驟的所預測之所關注參數可反饋至該後程序物理模型或後程序機器學習模型以判定其他所關注參數。
所提議之技術可用以在可控制的運算成本及軟體與模型化複雜性的情況下，以協同加強物理模型化及機器學習的高效且靈活之方式組合和分析多個資料來源，因此使最可行的解決方案具備可管理的求解時間(TTS)以及改善的最終結果及整體計量效能。該方法亦為通用且可應用於測量任何裝置、OCD、薄膜或其他類型之目標。
舉實例而言，圖1A繪示分別具有平坦、鰭式、及全環繞閘極(GAA)場效電晶體架構的半導體裝置110、120、及130。裝置110中所使用之一平坦電晶體使用定位於通道114上方的一閘極112以控制流動通過一源極與一汲極之間的該通道的電流。施加至該閘極的一電壓建立電場（FET場效電晶體），其排除或允許該通道中的載子，因此導通或關斷電流。該源極、該通道、及該汲極係共平面，建立在半導體晶圓之表面處，其中該閘極定位於該通道上方。為了對抗諸如增加漏電流的效應（其由於大小減少使其效能劣化）而採用finFET，如裝置120所繪示，其中通道124具有在三個側上被閘極122環繞的鰭片形狀。閘極122的使用增加靠近通道124的閘極122之有效區域。然而，finFET已遇到限制，且已採用其他更複雜的架構。例如，裝置130使用全環繞閘極(GAA)設計，其中閘極132完全圍繞通道134。GAA電晶體裝置130包括通過單一閘極132之多個垂直堆疊奈米片通道134。雖然GAA裝置130保證持續改善效能，但三維特徵及小尺寸大幅增加製造程序之複雜度，且需要使用非破壞性計量進行準確監測。
例如，圖1B繪示在製造期間的GAA電晶體裝置150的更詳細視圖，包括長度延行通過源極與汲極（未圖示）之間的矽(Si)通道152的橫截面視圖150A。GAA電晶體裝置150經繪示，展示在矽鍺(SiGe)層154及虛置閘極156被置換時將完全被閘極環繞的Si通道152。圖1B繪示具有不同臨界尺寸(critical dimension, CD)之三個重複SiGe區域，例如，SiGe CD1、SiGe CD2、及SiGe CD3。
GAA製造程序流程與例如用以產生圖1A中所展示之裝置120的finFET程序相似。程序開始於例如建立超晶格（交替的磊晶沉積之矽與矽鍺(SiGe)層之堆疊）。渠溝經蝕刻穿過晶格以產生似鰭片結構，其中各鰭片含有三至四個矽奈米片層，該些矽奈米片層將變成被SiGe層154分離的電晶體Si通道152。矽層與將被閘極材料置換的SiGe層交替。虛置多晶矽閘極156經沉積橫跨該些奈米片鰭片且間隔物材料適形地沉積於該些虛置閘極上方。在閘極之任一側上蝕刻源極及汲極，切割穿過並暴露Si通道152之端部。在一系列重要步驟中，Si通道152之端部之間的經暴露SiGe層經選擇性地蝕刻以建立用於內間隔物158之空腔，且接著在空腔中沉積內間隔物。這些特徵極小，且基於數個原因，在判定裝置之效能時將特徵之尺寸視為關鍵。例如，空腔及內間隔物的深度判定閘極的長度，當虛置閘極被蝕除且被閘極材料置換時，在層釋離期間，內間隔物保護後續沉積的源極及汲極，且間隔物抑制源極/汲極與閘極之間的寄生電容。
因此，在製造期間，準確監測在GAA電晶體裝置中之這些組件、或在GAA電晶體裝置或其他複雜3D結構中之其他類似的組件中很重要，但使用習知計量技術有困難。
舉實例而言，圖2繪示可用以特徵化樣本上之結構的計量裝置200的示意圖，如本文所述。計量裝置200可經組態以執行樣本203的一或多種類型之測量，例如，諸如光譜反射測量儀、光譜橢圓偏振儀（包括穆勒矩陣橢圓偏振儀）、光譜散射儀、疊對散射測量儀、干涉測量儀、光聲計量、電子束計量、X射線計量、FTIR測量等。例如，計量裝置200可包括第一計量工具201及第二計量工具270，但可包括額外的計量工具，或可經耦接以接收由分開之計量工具測量的樣本資料。應理解，計量裝置200經繪示為用於計量裝置之一個實例組態，且若所欲，可使用其他組態及其他計量裝置。
計量裝置200包括一傾斜入射之計量工具201，其包括產生光202的光源210。例如，光202可係具有例如在200 nm與1000 nm之間的波長之UV可見光。光源210所產生的光202可包括一波長範圍（亦即，連續範圍）或複數個離散波長，或者可係單一波長。計量裝置200包括聚焦光學器件220及230，其等聚焦及接收光，並引導光傾斜地入射在樣本203的頂部表面上。光學器件220、230可係折射、反射、或其組合，並可係物鏡。
反射光可由透鏡214聚焦並由偵測器250接收。偵測器250可係習知的電荷耦合裝置(charge coupled device, CCD)、光二極體陣列、CMOS、或類似類型的偵測器。若使用寬頻光，偵測器250可係例如光譜儀，且偵測器250例如可產生依據波長而變動的光譜信號。光譜儀可用以跨偵測器像素陣列將所接收的光之全光譜分散成光譜分量。一或多個偏振元件可在計量裝置200的光束路徑中。例如，計量裝置200可包括在樣本203前的光束路徑中之一或多個偏振元件204、及在樣本203後的光束路徑中之一偏振元件（分析器）212中之一或兩者（或無），且可包括一或多個額外元件205a及205b（諸如補償器或光彈性調變器），其可在樣本203之前、之後、或之前及之後兩者。在偏振元件204及212與樣本之間採用使用雙旋轉補償器之光譜橢圓偏振儀的況下，可測量完整穆勒矩陣。
計量裝置200可包括或可耦接至額外計量裝置。例如，如所繪示，計量裝置200可包括第二法線入射計量工具270。舉實例而言，第二計量工具270可經組態用於光譜反射測量儀、光譜散射測量儀、疊對散射測量儀、干涉測量儀、電子束計量、X射線計量、FTIR測量等。在一些實施方案中，計量裝置200可包括額外工具，例如第三（或更多）計量工具。在一些實施方案中，額外計量工具可與計量裝置200分開。
計量裝置200進一步包括一或多個運算系統260，其經組態以使用本文所述之方法特徵化樣本203之一或多個參數。一或多個運算系統260經耦接至第一計量工具201（例如，偵測器250）、第二計量工具270、及任何額外計量工具（若存在），以接收在測量樣本203之結構期間所獲得的計量資料。資料之獲取可在前程序製造步驟以及後程序製造步驟期間執行。例如，一或多個運算系統260可係工作站、個人電腦、中央處理單元、或其他適當的電腦系統、或多個系統。
應理解，一或多個運算系統260可係單一電腦系統或多個分開或經鏈結的電腦系統，其（等）在本文中可互換地稱為運算系統260、至少一運算系統260、一或多個運算系統260。運算系統260可包括於計量裝置200及任何額外度量工具中，或連接至計量裝置及任何額外度量工具中，或以其他方式與計量裝置及任何額外度量工具相關聯。計量裝置200之不同子系統可各自包括運算系統，其經組態用於實行與相關聯子系統相關聯的步驟。例如，運算系統260可例如藉由控制經耦接至夾盤之台座209的移動來控制樣本203的定位。例如，台座209可能夠在笛卡兒（亦即，X及Y）座標或極（亦即，R及θ）座標的任一者或兩者的某一組合中水平運動。台座亦可能夠沿著Z座標垂直運動。運算系統260可進一步控制夾盤208的操作以固持或釋放樣本203。運算系統260可進一步控制或監測一或多個偏振元件204、212、或額外元件205a、205b等的旋轉。
運算系統260可以所屬技術領域中已知之任何方式通訊地耦接至第一計量工具201中之偵測器250及第二計量工具270（若存在）中之偵測器。例如，一或多個運算系統260可耦接至與偵測器250相關聯之分開的運算系統。運算系統260可經組態以經由傳輸媒體（可包括有線及/或無線部分）例如從偵測器250以及控制器偏振元件204、212及額外元件205a、205b等、以及第二計量工具270之組件接收及/或獲取計量資料。因此，傳輸媒體可作用為運算系統260與計量裝置200的其他子系統之間的資料鏈路。運算系統260可進一步經組態以例如從使用者介面(UI) 268或經由傳輸媒體（可包括有線及/或無線部分）接收及/或獲取關於樣本以及第一計量工具201及生產設備之一或多個子系統的額外資訊。
運算系統260包括經由匯流排261通訊地耦接的具有記憶體264之至少一個處理器262及UI 268。記憶體264或其他非暫時性電腦可用儲存媒體包括其經體現的電腦可讀取程式碼266，並可由運算系統260使用以用於使至少一個運算系統260控制計量裝置200及執行包括本文所述之技術及分析的功能。例如，如所繪示，記憶體264可包括用於引起處理器262執行模型化及機器學習兩者的指令，且在一些實施方案中，可採用前饋及/或反饋，如本文所論述。用於自動地實施一或多個本實施方式中所述之行為的資料結構及軟體碼可鑑於本揭露由所屬技術領域中具有通常知識者實施，並儲存在例如可係可儲存用於由電腦系統（諸如運算系統260）使用之碼及/或資料之任何裝置或媒體的電腦可用儲存媒體（例如，記憶體264）上。電腦可用儲存媒體可係但不限於包括唯讀記憶體、隨機存取記憶體、磁性及光學儲存裝置（諸如磁碟機、磁帶等）。額外地，本文所述之功能可整體或部分地體現於特定應用積體電路(application specific integrated circuit, ASIC)或可程式化邏輯裝置(programmable logic device, PLD)之電路系統內，且該些功能可以電腦可理解之描述符語言予以體現，該電腦可理解之描述符語言可用來建立如本文所述般操作的ASIC或PLD。
例如，運算系統260可經組態以獲得來自多個資料來源之參考樣本（其可包括所關注結構，諸如3D複雜結構，包括但不限於GAA電晶體）的資料，包括來自計量工具201及270中之一或兩者以及任何所欲額外計量工具的資料，以及與樣本相關的資料（諸如參考資料及/或實驗設計(DOE)資料）、及與計量工具及/處理設備相關的資料（諸如程序參數、進階參數控制(APC)參數、脈絡資料、及來自生產設備的感測器資料）。例如，DOE資料可係來自在經故意引入偏斜條件下所處理的一組參考樣本的所測量資料，使得藉由具有已知模式的偏斜程序條件而使所關注結構參數變化。運算系統260可經組態以：基於來自一或多個參考樣本之所測量資料及可選地與樣本及/或處理設備相關的額外資訊而產生及使用用於樣本的一或多個物理模型（模型264 pm）；及基於從一或多個物理模型提取之測量結果及資料，產生、訓練、及使用一或多個機器學習模型(ML 264 ml)，如本文所論述。在一些實施方案中，不同的運算系統及/或不同的計量裝置可用以取得計量資料及來自訓練樣本的額外資訊，並產生一或多個物理模型（模型264 pm）及/或產生及訓練一或多個機器學習模型(ML 264 ml)，且所得的物理模型及/或經訓練之機器學習模型（或其部分）可提供至運算系統260，例如，經由非暫時性電腦可用儲存媒體（諸如記憶體264）上的電腦可讀程式碼266。
運算系統260可額外地或替代地用以從多個資料來源獲得來自測試樣本的資料。資料可係用以產生（多個）物理模型以及產生及訓練上文所論述之（多個）機器學習模型的相同類型，且測試樣本具有與參考樣本相同的結構（例如，具有SOI）。運算系統260可經組態以使用來自多個來源及一或多個物理模型（模型264 pm）及一或多個經訓練機器學習模型(ML 264 ml)的資料來判定SOI的一或多個所關注參數，如本文所論述。
來自資料分析之結果可經報告，例如，經儲存在與樣本203相關聯的記憶體264中及/或經由UI 268、警報、或其他輸出裝置向使用者指示。此外，來自分析的結果可經報告及前饋或反饋至程序設備，以調整適當的製造步驟來補償製造程序中之任何經偵測的差異。例如，運算系統260可包括通訊埠269，其可係諸如至網際網路或任何其他電腦網路之任何類型的通訊連接。通訊埠269可用以接收指令，該些指令係用以程式化運算系統260以執行本文所述之功能的任何一或多者，及/或在前饋或反饋程序中匯出例如具有測量結果及/或指令的信號至另一系統（諸如外部程序工具），以基於測量結果調整與樣本之製造程序步驟相關聯的程序參數。
如本文所論述，為了特徵化待測量的SOI（例如，複雜3D結構，包括但不限於GAA電晶體），(1)至少一個以物理為基礎的模型經建立以分析來自一個工具或多個工具（諸如光譜橢圓偏振儀(SE)、光譜反射測量儀(SR)、X射線、電子束、光聲資料、傅立葉變換紅外光譜(FTIR)等）及來自一或多個來源的計量信號，以提取針對關鍵及非關鍵參數之測量結果。此外，(2)至少一個機器學習模型經建立且訓練以預測所關注參數。機器學習模型可採用以下資料中之一或多者作為輸入：a)來自(1)之（多個）物理模型的測量結果（關鍵及非關鍵參數）；b)來自(1)之（多個）物理模型及可選地不擬合之原始信號；來自不同工具集或(1)中之相同工具的資料來源，但不包括在物理模型化中；程序參數、APC參數、脈絡資料；及來自生產設備的感測器資料。另外，(3)可使用（多個）物理模型及線建立且訓練的（多個）機器學習模型來執行SOI之線內測量，以基於來自多個資料來源的資料來預測所關注參數。
舉實例而言，圖3繪示根據使用從多個資料來源（例如，不同的工具及/或來源）收集的資料之第一實例情境用於離線配方建立（例如，產生一或多個物理模型及一或多個機器學習模型）的工作流程300。在圖3中，實線黑色箭頭指示在工作流程300中使用的程序，虛線黑色箭頭指示可選的但至少一者存在的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從第一來源或工具（來源1）收集來自一或多個參考樣本之所測量信號302。可從任何所欲的計量裝置（諸如圖2所示之計量工具201）或從任何其他所欲類型的計量裝置收集來自SOI的所測量信號302。
此外，從一或多個額外資料來源獲取資料。例如，在一些實施方案中，可從一或多個額外來源或工具（例如，繪示為第二來源或工具（來源2）及一第三來源或工具（來源3））收集來自一或多個參考樣本之所測量信號304及306。例如，可從與來源1不同的計量裝置（諸如，圖2中所示之計量工具270）或從任何其他所欲類型的計量裝置收集額外所測量信號304，且可從與來源1及來源2不同的計量裝置（諸如，與計量工具201或270中任一者不同類型的測量）或從任何其他所欲類型的計量裝置收集所測量信號306。與SOI相關的額外資料308可經收集且用作為一或多個機器學習模型322的訓練資料，如黑色箭頭所繪示。例如，額外資料308可包括用於樣本的參考資料及DOE資料。例如，參考資料可係由計量裝置從一或多個參考樣本所獲得的所測量資料，連同一般由CD-AFM（原子力顯微鏡）、CD-SEM（掃描電子顯微鏡）、或TEM（透射電子顯微鏡）提供的所關注結構參數之值。參考資料及/或DOE資料可用作為訓練資料集以訓練機器學習模型以找出相關資料特徵，且學習在輸入與輸出特徵之間的內在關係及連接，以進行決定及預測新資料。在一些實施方案中，與參考樣本相關的額外資料308可進一步包括晶圓條件、精確度、工具匹配資料等。例如，精確度資料係基於從相同工具例項多次從相同目標重複測量之資料的參數。精確度係另一個計量關鍵效能指標(key performance indicator, KPI)，其指示來自相同樣本多次執行的所測量結果之一致性。例如，工具匹配資料係基於來自相同工具類型之多個工具例項的來自相同樣本之所測量資料的參數。工具匹配係指示來自相同類型之不同工具針對相同樣本的所測量結果之一致性的另一計量KPI。測量準確度（藉由匹配從CD-AFM、CD-SEM、TEM等所提供之參考值及/或與DOE條件之一致性而評估）、精確度、及工具匹配係典型的計量KPI。若提供精確度及工具匹配資料，則物理模型化或機器學習模型可經最佳化以不僅密切匹配參考值，而且亦用來自相同工具或來自相同類型之不同工具多次執行的所測量信號來預測相同樣本的一致結果。
此外，在一些實施方案中，額外資料信號309可用作為用於物理模型的輸入或用於機器學習模型的輸入特徵。可獲得例如可與來源（例如，來源1、來源2、及來源3）相關的額外資料信號309，諸如程序參數、進階程序控制(APC)參數、脈絡資料、及來自生產設備的感測器資料。舉實例而言，一些程序控制參數（例如，基材溫度及用於濕式蝕刻之化學濃度）可影響蝕刻速率（多快地從晶圓之表面移除材料），且蝕刻速率係判定蝕刻深度及CD輪廓的重要因素之一者。一些此等參數（諸如溫度）係藉由來自生產設備之感測器而測量。其他參數（諸如蝕刻時間、蝕刻室名稱）係使用者控制之參數。蝕刻室名稱是脈絡資料的實例。由於各蝕刻室本身具有跨晶圓的蝕刻輪廓之特性分布，因此知道此資訊可有助於機器學習預測正確晶圓圖。APC參數之一實例係在含有相關資訊（例如，所關注結構的非關鍵參數）的不同程序步驟從相同樣本所測量的原子力顯微鏡(AFM)結果。添加非關鍵參數作為機器學習輸入特徵可有助於改善對預測關鍵參數的機器學習穩健性。添加所有此等相關參數作為機器學習輸入特徵可提供有助於判定由此等程序參數及條件所控制之所關注結構參數的額外資訊。
來自多個資料來源之所測量信號及資料可用以產生SOI之一或多個物理模型。例如，如用實線黑色箭頭所繪示，來自第一來源（來源1）的所測量信號302可用以產生樣本的第一物理模型312。例如，基於結構之已知幾何、標稱值、及材料來建立樣本之物理模型。藉由提供從其提取測量結果的資料來使用所測量信號302產生第一物理模型312，且第一物理模型312可經調整及最佳化使得所計算信號良好地擬合至所測量信號，且達成所提取測量結果與參考樣本之已知參數之間的良好匹配。在一些實施方案中，額外資料可用以輔助產生第一物理模型312。例如，如用點線灰色箭頭所繪示，額外資料308（諸如參考資料及/或DOE）及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生第一物理模型312。此外，如用點線灰色箭頭所繪示，資料信號309可用以輔助產生第一物理模型312。在另一實例中，如用點線灰色箭頭所繪示，來自第二來源（來源2）之所測量信號304可用以輔助產生樣本之第一物理模型312。在一些實施方案中，額外資料308及所測量信號304均可用以輔助產生第一物理模型312。
在一些實施方案中，可產生多個物理模型。例如，如用灰色點線箭頭及灰色點線框所繪示，可基於來自第二來源（來源2）的所測量信號304來產生第二物理模型314。在一些實施方案中，額外資料可用以產生第二物理模型314。例如，如藉由點線灰色箭頭所繪示，額外資料308（諸如參考資料及/或DOE）及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生第二物理模型314。在另一實例中，如用點線灰色箭頭所繪示，來自第三來源（來源3）之所測量信號306可用以輔助產生樣本之第二物理模型314。在一些實施方案中，額外資料308及所測量信號306均可用以輔助產生第二物理模型314。此外，如用灰色點線箭頭所繪示，資料信號309可用以輔助產生第二物理模型314。此外，多個物理模型可經獨立地最佳化或共最佳化。例如，在一些實施方案中，如用灰色點線所繪示，第一物理模型312及第二物理模型314可經鏈接使得可跨物理模型312及314耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。第一物理模型312及可選地第二物理模型314可經組態以提供物理模型化之擬合優度323。
一或多個機器學習模型322係使用多個資料來源而建立且訓練以預測所關注參數325。機器學習測量指標327可經發展且連同來自物理模型化之擬合優度一起報告，以指示從物理模型化及機器學習協同加強的配方之測量品質。如用實線黑色箭頭所繪示，使用由第一物理模型312提取的測量結果作為輸入特徵來建立機器學習模型322。如用虛線黑色箭頭所指示，機器學習模型322之輸入特徵可額外地包括從第二來源（來源2）所收集的來自一或多個參考樣本之所測量信號304、從第三來源（來源3）所收集的來自一或多個參考樣本之所測量信號306、額外資料信號309、由第二物理模型314提取之測量結果中之至少一者、或其等之任何組合。在一些實施方案中，如用點線灰色箭頭所繪示，機器學習模型322之輸入特徵可選地可包括從第一來源（來源1）所收集的來自一或多個參考樣本之所測量信號302。在一些實施方案中，來自所測量信號302的輸入特徵可包括未用於產生第一物理模型312的資料通道或資料塊。例如，一般而言，資料通道可係由能量源（諸如光源）、由光學部件導引之光學路徑、偵測器、或其組合中之至少一者所界定之一測量子系統，而資料塊可係來自由資料通道提供之一完整資料集的波長（例如，如用於光譜計量）、頻率（例如，如用於頻率解析計量）、角度（例如，如用於角度解析計量）、時間跨度（例如，如用於時間解析計量）、或上述之任何組合。例如，第一計量裝置可收集法線入射信號及傾斜入射光譜橢圓偏振(SE)信號。SE信號可用以產生第一物理模型312，但可能不使用法線入射信號，因為其可能難以擬合法線入射信號。因此，除了從不同資料通道產生的物理模型化結果（例如，SE信號）以外，法線入射信號可係用作為機器學習模型322輸入特徵之資料的資料通道。在另一實例中，相同資料通道可分割成多個資料塊（例如，來自不同波長範圍的信號），且一些資料塊可能難以使用物理模型化進行擬合，但可用作為機器學習模型322輸入特徵的資料。
使用資料308之至少一個部分（諸如參考資料及/或DOE）、及可選地晶圓條件、精確度、及工具匹配資料來訓練機器學習模型322。資料308係訓練資料且用於離線訓練。例如，參考資料可係具有標籤（例如，由其他計量系統（諸如CD-SEM、TEM、CD-AFM）提供的關鍵參數之值）的一組信號（例如，包括來自第一物理模型312之測量結果、所測量信號304、所測量信號306、額外資料信號309、及所測量信號302中之任一者）。在訓練機器學習模型322期間，來自參考資料的該組信號用作為機器學習輸入特徵，且基於此等輸入特徵，機器學習模型322預測關鍵參數。機器學習模型322經訓練以學習及預測匹配參考資料之標籤的關鍵參數。來自資料308之DOE係從用經故意引入偏斜條件下所處理的參考樣本所測量的一組信號（例如，包括來自第一物理模型312之測量結果、所測量信號304、所測量信號306、額外資料信號309、及所測量信號302中之任一者）。在機器學習訓練期間，機器學習模型322採用來自DOE資料的信號作為輸入特徵，並預測關鍵參數。機器學習模型322經訓練使得預測的關鍵參數值基於程序偏斜條件而遵循預期的偏斜模式。來自資料308之精確度資料係來自相同樣本但從相同計量工具多次執行的所測量信號（例如，包括來自第一物理模型312之測量結果、所測量信號304、所測量信號306、額外資料信號309、及所測量信號302中之任一者）。類似地，來自資料308之工具匹配資料係來自相同樣本但從相同類型計量工具之不同例項所測量的信號（例如，包括來自第一物理模型312之測量結果、所測量信號304、所測量信號306、額外資料信號309、及所測量信號302中之任一者）。機器學習模型322採用精確度及工具匹配資料作為輸入特徵且進行預測。機器學習模型322經訓練使得來自相同樣本但從不同執行或不同工具所測量的信號之關鍵參數之預測值一致。機器學習模型322可經訓練使得若在訓練期間提供所有此等資料，則同時符合所有準則、與參考值匹配、DOE偏斜條件、高精確度、及一致的工具匹配。
舉實例而言，圖4繪示根據使用從多個資料來源（例如，不同的工具及/或來源）收集的信號之第一實例情境用於線內測量（例如，基於一或多個物理模型及一或多個機器學習模型來特徵化一樣本）的工作流程400。例如，可如參考圖4所論述而產生一或多個物理模型及一或多個機器學習模型。在圖4中，實線黑色箭頭指示在工作流程400中使用的程序，虛線黑色箭頭指示可選的但至少一者存在的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從第一來源或工具（來源1）收集來自樣本之SOI之所測量信號402。可從任何所欲的計量裝置（諸如圖2所示之計量工具201）或從任何其他所欲類型的計量裝置收集所測量信號402，且可從與圖3中之來源1所使用的相同計量裝置或相同類型的計量裝置收集所測量信號。
此外，從一或多個額外資料來源獲取資料。例如，在一些實施方案中，可從一或多個額外來源或工具（例如，繪示為第二來源或工具（來源2）及一第三來源或工具（來源3））收集所測量信號404及406。例如，可從與來源1不同的計量裝置（諸如，圖2中所示之計量工具270）或從任何其他所欲類型的計量裝置，且可從與如圖3中之來源2所使用的相同計量裝置或相同類型的計量裝置，收集額外所測量信號404。可從與來源1及來源2不同的計量裝置（諸如，計量工具201或270中任一者的不同類型測量）或從任何其他所欲類型的計量裝置收集所測量信號406，且可從與圖3中之來源3所使用的相同計量裝置或相同類型的計量裝置收集所測量信號。進一步地，在一些實施方案中，可獲得例如可與來源（例如，來源1、來源2、及來源3）相關的額外資料信號409，諸如程序參數、APC參數、脈絡資料；及來自生產設備的感測器資料。
來自多個資料來源的信號及資料可用以從一或多個物理模型提取測量結果。例如，如用實線黑色箭頭所繪示，來自第一來源（來源1）的所測量信號402可用以從第一物理模型412（其可與圖3中之第一物理模型312相同）提取針對該樣本之SOI之測量結果。在一些實施方案中，額外資料可用以輔助從第一物理模型412提取測量結果。例如，如用點線灰色箭頭所繪示，來自第二來源（來源2）的所測量信號404可用以輔助從樣本的第一物理模型412提取測量結果。
此外，如點線灰色箭頭所繪示，額外資料信號409可用以輔助從第一物理模型412提取針對該樣本之測量結果。
在一些實施方案中，多個物理模型可用以提取針對該樣本之測量結果。例如，如用灰色點線箭頭及灰色點線框所繪示，第二物理模型414可用以基於來自第二來源（來源2）的所測量信號404來提取針對該樣本之測量結果。例如，第二物理模型414可與圖3中之第二物理模型314相同。在一些實施方案中，額外資料可用以輔助從第二物理模型414提取測量結果。例如，如用點線灰色箭頭所繪示，來自第三來源（來源3）的所測量信號406可用以輔助從第二物理模型414提取針對該樣本之測量結果。另外，如點線灰色箭頭所繪示，額外資料信號409可用以輔助從第二物理模型414提取針對該樣本之測量結果。此外，多個物理模型可經獨立地最佳化或共最佳化。例如，在一些實施方案中，如用灰色點線所繪示，第一物理模型412及第二物理模型414可經鏈接使得可跨物理模型412及414耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。第一物理模型412及可選地第二物理模型414可經組態以提供物理模型化之擬合優度423。
一或多個經訓練之機器學習模型422用以基於多個資料來源來預測所關注參數425。可報告來自物理模型化的機器學習測量指標427及擬合優度423，以指示來自物理模型化及機器學習的經協同加強配方之測量品質。經訓練之機器學習模型422在已受訓練之後可例如，與圖3之機器學習模型322相同。如實線黑色箭頭所繪示，經訓練之機器學習模型422使用由第一物理模型412提取的測量結果作為輸入特徵。如虛線黑色箭頭所指示，經訓練之機器學習模型422可進一步使用包括下列中之至少一者的輸入特徵：從第二來源（來源2）收集的來自樣本之所測量信號404、從第三來源（來源3）收集的來自樣本之所測量信號406、額外資料信號409、基於額外所測量信號404及/或406而由第二物理模型414提取的測量結果、或其任何組合。在一些實施方案中，如用點線灰色箭頭所繪示，經訓練之機器學習模型422可選地可進一步使用包括從第一來源（來源1）收集的來自樣本之所測量信號402的輸入特徵。在一些實施方案中，來自所測量信號402的機器學習輸入特徵可包括未用於從第一物理模型412提取測量結果的資料通道或資料塊，如參考圖3所討論。
舉實例而言，圖5繪示根據使用從多個資料來源（例如，不同的製造程序步驟）收集的信號之第二實例情境用於離線配方建立（例如，產生一或多個物理模型及一或多個機器學習模型）的工作流程500。在圖5中，實線黑色箭頭指示在工作流程500中使用的程序，虛線黑色箭頭指示可選的但至少一者存在的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從計量裝置測量來自一或多個參考樣本的後程序步驟所測量信號502。例如，參考樣本可係OCD目標墊或半導體裝置，且在樣本之所欲製造步驟完成之後獲得後程序步驟所測量信號502。可從任何所欲的計量裝置（諸如圖2所示之計量工具201）或從任何其他所欲類型的計量裝置收集後程序步驟所測量信號502。
另外，來自一或多個參考樣本之前程序步驟所測量信號504係使用計量裝置（例如，與用於獲取後程序步驟所測量信號502相同的計量裝置）測量，且用以產生前程序步驟資料。例如，在樣本之所欲製造步驟完成之前獲得前程序步驟所測量信號504。在一些實施方案中，後程序步驟所測量信號502及前程序步驟所測量信號504可經組合（例如，藉由加法、減法、乘法、或除法組合）以形成預調節信號505。此外，可收集與參考樣本相關的資料508，諸如樣本之參考資料，實驗設計(DOE)。在一些實施方案中，與參考樣本相關的額外資料508可進一步包括晶圓條件、精確度、工具匹配資料等。此外，資料可從其他來源（諸如，從第二測量墊506、故障偵測墊509、或其任何組合）獲得。雖然在圖3及圖4中之第一實例情境強調從不同計量裝置收集的多個資料來源，但第二實例情境例如，繪示多個資料來源可來自不同的測量墊，或在不同程序步驟的相同墊。可從相同或不同的計量裝置測量不同的測量墊。可在經設計的OCD目標或裝置上測量前程序步驟所測量信號504及後程序步驟所測量信號502。例如，第二測量墊506係指來自未針對前程序步驟所測量信號504及後程序步驟所測量信號502測量的測量墊的前程序步驟測量及/或後程序步驟測量。例如，若在OCD目標上測量前程序步驟所測量信號504及後程序步驟所測量信號502，則第二測量墊506可指來自裝置墊的信號，或反之亦然。
來自多個資料來源之信號及資料可用以產生一或多個物理模型。例如，如用實線黑色箭頭所繪示，來自計量裝置的後程序步驟所測量信號502可用於產生樣本的後程序物理模型512。在一些實施方案中，額外資料可用以輔助產生後程序物理模型512。例如，如用點線灰色箭頭所繪示，額外資料508（諸如參考資料及/或DOE）及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生後程序物理模型512。在另一實例中，如用點線灰色箭頭所繪示，預調節信號505可用以輔助產生樣本之後程序物理模型512。在另一實例中，如用點線灰色箭頭所繪示，來自第二測量墊506的信號可用以輔助產生樣本的後程序物理模型512。在另一實例中，如用點線灰色箭頭所繪示，來自故障偵測墊509之信號可用以輔助產生樣本之後程序物理模型512。在一些實施方案中，資料508的全部或任何組合及來自不同測量墊（例如，第二測量墊506及/或故障偵測墊509）的信號可用以輔助產生後程序物理模型512。
在一些實施方案中，可產生多個物理模型。例如，如用灰色點線箭頭及灰色點線框所繪示，可基於來自計量裝置的前程序步驟所測量信號504來產生前程序物理模型514。在一些實施方案中，額外資料可用以產生前程序物理模型514。例如，如由點線灰色箭頭所繪示，額外資料508（諸如參考資料及/或DOE）及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生前程序物理模型514。在另一實例中，如用點線灰色箭頭所繪示，來自第二測量墊506的信號可用以輔助產生樣本之前程序物理模型514。在另一實例中，如用點線灰色箭頭所繪示，來自故障偵測墊509之信號可用以輔助產生樣本之前程序物理模型514。在一些實施方案中，資料508之全部或任何組合、及來自第二測量墊506及故障偵測墊509之信號可用以輔助產生前程序物理模型514。此外，多個物理模型可經獨立地最佳化或共最佳化。例如，在一些實施方案中，如用灰色點線所繪示，後程序物理模型512及前程序物理模型514可經鏈接使得可跨後程序物理模型512及前程序物理模型514耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。後程序物理模型512及可選地前程序物理模型514可經組態以提供物理模型化之擬合優度523。
一或多個機器學習模型522係使用多個資料來源而建立且訓練以預測所關注參數525。機器學習測量指標527可經發展且連同來自物理模型化之擬合優度523一起報告，以指示從物理模型化及機器學習協同加強的配方之測量品質。如用實線黑色箭頭所繪示，使用由後程序物理模型512提取的後程序測量結果作為輸入特徵來建立機器學習模型522。如虛線黑色箭頭所指示，機器學習模型522之輸入特徵另外包括基於前程序步驟所測量信號504所產生的前程序步驟資料。可以多種方式基於前程序步驟所測量信號504來產生前程序步驟資料。例如，如圖5所繪示，可以三種不同方式（標記為1、2、及3）從前程序步驟所測量信號504產生前程序步驟資料，其中使用(1)、(2)、或(3)中之至少一者或其任何組合。如用針對前程序步驟所測量信號504的標籤1所繪示，可藉由組合前程序步驟所測量信號504與後程序步驟所測量信號502來產生前程序步驟資料，以形成預調節信號505。如圖5中所描述，在一些實施方案中，若預調節信號505經產生，則預調節信號505可(A)提供至後程序物理模型512，且至少部分地基於由後程序物理模型512提取的後程序測量結果來建立機器學習模型522；或(B)預調節信號505經提供至機器學習模型522，且至少部分地基於預調節信號505來建立機器學習模型522。另外，如圖5中進一步描述，在一些實施方案中，(A)或(B)中之至少一者可搭配工作流程500一起使用。如用針對前程序步驟所測量信號504的標籤2所繪示，可藉由將前程序步驟所測量信號504提供至前程序物理模型514來產生前程序步驟資料，且至少部分地基於由前程序物理模型514提取的前程序測量結果來建立機器學習模型522。如用針對前程序步驟所測量信號504的標籤3所繪示，可藉由將前程序步驟所測量信號504提供至機器學習模型522來產生前程序步驟資料，且至少部分地基於前程序步驟所測量信號504來建立機器學習模型522。
另外，如用虛線黑色箭頭所指示，使用額外資料來建立機器學習模型522，該額外資料包括前程序步驟所測量信號504（亦即，針對前程序步驟所測量信號504的(1)、(2)、或(3)中之至少一者，或其任何組合）、來自第二測量墊506之信號、及來自故障偵測墊509之信號中之至少一者、或其任何組合。在一些實施方案中，如點線灰色箭頭所繪示，可選地可進一步使用後程序步驟所測量信號502、預調節信號505、由前程序物理模型514提取的測量結果、或其一些組合來建立機器學習模型522。
使用資料508之至少一個部分（諸如參考資料及/或DOE）、及可選地晶圓條件、精確度、及工具匹配資料來訓練機器學習模型522。
舉實例而言，圖6繪示根據使用從多個資料來源（例如，不同的製造程序步驟）收集的信號之第二實例情境用於線內測量（例如，基於一或多個物理模型及一或多個機器學習模型來特徵化一樣本）的工作流程600。例如，可如參考圖5所論述而產生一或多個物理模型及一或多個機器學習模型。在圖6中，實線黑色箭頭指示在工作流程600中使用的程序，虛線黑色箭頭指示可選的但至少一者存在的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從計量裝置收集來自樣本的後程序步驟所測量信號602。例如，樣本可係OCD目標墊或半導體裝置，且在樣本之所欲製造步驟完成之後獲得後程序步驟所測量信號602。可從任何所欲的計量裝置（諸如圖2所示之計量工具201）或從任何其他所欲類型的計量裝置收集後程序步驟所測量信號602，且可從與獲取圖5中之後程序步驟所測量信號502的相同計量裝置或相同類型的計量裝置收集後程序步驟所測量信號。
此外，使用例如與用於獲取後程序步驟所測量信號602相同的計量裝置，及與用以獲取圖5中之前程序步驟所測量信號504的相同計量裝置或相同類型的計量裝置，收集來自樣本的前程序步驟所測量信號604。前程序步驟所測量信號604用於產生前程序步驟資料。例如，在樣本之所欲製造步驟完成之前獲得前程序步驟所測量信號604。在一些實施方案中，後程序步驟所測量信號602及前程序步驟所測量信號604可經組合（例如，藉由加法、減法、乘法、或除法組合）以形成預調節信號605。此外，可從其他來源（諸如，從第二測量墊606、從故障偵測墊609、或其任何組合）獲得資料。可在經設計的OCD目標或裝置上測量前程序步驟所測量信號604及後程序步驟所測量信號602。例如，第二測量墊606係指來自未針對前程序步驟所測量信號604及後程序步驟所測量信號602測量的測量墊的前程序步驟測量及/或後程序步驟測量。例如，若在OCD目標上測量前程序步驟所測量信號604及後程序步驟所測量信號602，則第二測量墊606可指來自裝置墊的輔助信號，或反之亦然。
來自多個資料來源的信號及資料可用以從一或多個物理模型提取測量結果。例如，如用實線黑色箭頭所繪示，後程序步驟所測量信號602可用以從後程序物理模型612（其可與在圖5中之後程序物理模型512相同）提取針對該樣本之測量結果。在一些實施方案中，額外資料可用以輔助從後程序物理模型612提取測量結果。例如，如用點線灰色箭頭所繪示，預調節信號605可用以輔助從樣本之後程序物理模型612提取測量結果。在另一實例中，如用點線灰色箭頭所繪示，來自第二測量墊606的信號可用以輔助從樣本之後程序物理模型612提取測量結果。在另一實例中，如用點線灰色箭頭所繪示，來自故障偵測墊609之信號可用以輔助從樣本之後程序物理模型612提取測量結果。在一些實施方案中，來自第二測量墊606及故障偵測墊609之信號之全部或任何組合可用以輔助從後程序物理模型612提取測量結果。
在一些實施方案中，多個物理模型可用以提取針對該樣本之測量結果。例如，如用黑色點線箭頭及黑色點線框所繪示，前程序物理模型614可用以基於前程序步驟所測量信號604提取針對該樣本之測量結果。前程序物理模型614可與圖5中之前程序物理模型614相同。此外，多個物理模型可經獨立地最佳化或共最佳化。例如，在一些實施方案中，如用灰色點線所繪示，後程序物理模型612及前程序物理模型614可經鏈接使得可跨後程序物理模型612及前程序物理模型614耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。後程序物理模型612及可選地前程序物理模型614可經組態以提供物理模型化之擬合優度623。
一或多個經訓練之機器學習模型622用以基於多個資料來源來預測所關注參數625。機器學習測量指標627可經發展且連同來自物理模型化之擬合優度623一起報告，以指示從物理模型化及機器學習協同加強的配方之測量品質。如實線黑色箭頭所繪示，經訓練之機器學習模型622使用後程序物理模型612提取的後程序測量結果作為輸入資料，以及基於前程序步驟所測量信號604產生的前程序步驟資料。
可以多種方式基於前程序步驟所測量信號604來產生前程序步驟資料。例如，如圖6所繪示，可以三種不同方式（標記為1、2、及3）從前程序步驟所測量信號604產生前程序步驟資料，其中使用(1)、(2)、或(3)中之至少一者或其任何組合。如用針對前程序步驟所測量信號604的標籤1所繪示，可藉由組合前程序步驟所測量信號604與後程序步驟所測量信號602來產生前程序步驟資料，以形成預調節信號605。如圖6中所描述，在一些實施方案中，若預調節信號605經產生，則預調節信號605可(A)提供至後程序物理模型612，且經訓練之機器學習模型622接收呈由後程序物理模型612提取的後程序測量結果之形式的輸入資料，或(B)預調節信號605經提供給經訓練之機器學習模型622作為輸入資料。另外，如圖6中進一步描述，在一些實施方案中，(A)或(B)中之至少一者可搭配工作流程600一起使用。如用針對前程序步驟所測量信號604的標籤2所繪示，可藉由將前程序步驟所測量信號604提供至前程序物理模型614來產生前程序步驟資料，且經訓練之機器學習模型622使用由前程序物理模型614提取的測量結果作為輸入資料。如用針對前程序步驟所測量信號604的標籤3所繪示，可藉由將前程序步驟所測量信號604提供至經訓練之機器學習模型622作為輸入資料而產生前程序步驟資料。
在一些實施方案中，如點線灰色箭頭所繪示，經訓練之機器學習模型622可選地可進一步使用包括後程序步驟所測量信號602的輸入資料。
舉實例而言，圖7繪示根據使用從多個資料來源（例如，不同的製造程序步驟）收集的信號之第三實例情境用於離線配方建立（例如，產生一或多個物理模型及一或多個機器學習模型）的工作流程700。例如，基於第三實例情境之工作流程700可適用於測量複雜3D結構，包括但不限於GAA電晶體或其他裝置，且提供一種使用本文所論述之混合計量及生態系統框架來獨立地測量所關注結構（諸如邏輯GAA裝置中之SiGe層及內間隔物CD）之不同臨界尺寸(CD)的方法，如圖1A及圖1B所論述。在圖7中，實線黑色箭頭指示在工作流程700中使用的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從計量裝置收集來自一或多個參考樣本的後程序步驟所測量信號702。參考樣本（例如包括SOI）及後程序步驟所測量信號702在樣本之所欲製造步驟完成之後獲得。後程序步驟所測量信號702可係例如光譜資料且可從任何所欲的計量裝置（諸如圖2所示之計量工具201）或從任何其他所欲類型的計量裝置收集。
另外，來自一或多個參考樣本之前程序步驟所測量信號704係使用計量裝置（例如，與用於獲取後程序步驟所測量信號702相同的計量裝置）而收集，且用以產生前程序步驟資料。例如，從參考樣本（例如，包括SOI）獲得前程序步驟所測量信號704，且在樣本之所欲製造步驟完成之前獲得前程序步驟所測量信號704。前程序步驟所測量信號704可係例如光譜資料且可從用以收集後程序步驟所測量信號702的相同或不同計量裝置（其可係任何所欲的計量裝置，諸如圖2所示之計量工具201或270）或從任何其他所欲類型的計量裝置收集。在一些實施方案中，後程序步驟所測量信號702及前程序步驟所測量信號704可經組合（例如，藉由加法、減法、乘法、或除法組合）以形成預調節信號705。
另外，例如，在樣本之所欲製造步驟完成之後，可在後程序步驟收集與參考樣本之SOI相關的後程序步驟資料708，諸如樣本及/或DOE之參考資料。在一些實施方案中，與參考樣本相關的額外後程序步驟資料708可進一步包括晶圓條件、精確度、工具匹配資料等。此外，例如，在樣本之所欲製造步驟完成之前，可在前程序步驟收集與參考樣本之SOI相關的前程序步驟資料709，諸如樣本及/或DOE之參考資料。在一些實施方案中，與參考樣本相關的額外前程序步驟資料709可進一步包括晶圓條件、精確度、工具匹配資料等。
來自多個資料源之信號及資料可用以產生多個物理模型，諸如前程序物理模型714及後程序物理模型712。例如，如用實線黑色箭頭所繪示，來自計量裝置的前程序步驟所測量信號704可用以產生來自樣本之SOI的前程序物理模型714。在一些實施方案中，額外資料可用以輔助產生前程序物理模型714。例如，如所繪示，額外前程序步驟資料709（諸如參考資料及/或DOE）及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生前程序物理模型714。
此外，前程序機器學習模型724經建立且訓練以預測一或多個所關注參數（（多個）參數#1）725。如用實線黑色箭頭所繪示，使用由前程序物理模型714提取的前程序測量結果作為輸入特徵來建立前程序機器學習模型724。前程序機器學習模型724可進一步使用前程序步驟所測量信號704作為輸入特徵而建立。使用前程序步驟資料709之至少一個部分（諸如參考資料及/或DOE）、及可選地晶圓條件、精確度、及工具匹配資料來訓練前程序機器學習模型724。一或多個所關注參數（（多個）參數#1）可包括關鍵參數（亦即，要在目前程序步驟所測量的參數）、或非關鍵參數（亦即，不是意欲待量測參數的參數）、或關鍵及非關鍵參數兩者。舉實例而言，所關注參數（（多個）參數#1）可係用於GAA電晶體的Si/SiGe厚度，但可針對GAA電晶體或針對要測量的其他裝置來判定其他所關注參數（包括關鍵參數或非關鍵參數）。
此外，如用實線黑色箭頭所繪示，來自計量裝置的後程序步驟所測量信號702可用以產生來自樣本之SOI的後程序物理模型712。在一些實施方案中，額外資料可用以輔助產生後程序物理模型712。例如，如所繪示，額外後程序步驟資料708（諸如參考資料及/或DOE）及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生後程序物理模型712。前程序步驟所測量信號704含有豐富資訊及對於一或多個所關注參數（（多個）參數#1）725的靈敏度，因此可使用此類資訊改善準確度。因此，如所繪示，後程序物理模型712可接收來自前程序物理模型714及/或來自前程序機器學習模型724例如針對一或多個所關注參數（（多個）參數#1）725的前饋資料，以促進在前程序製造步驟信號中傳播資訊至後程序物理模型712。在一些實施方案中，基於後程序步驟所測量信號702產生的反饋資料可用以輔助產生後程序物理模型712。如所繪示，後程序物理模型712可接收針對基於由後程序機器學習模型722基於後程序步驟所測量信號702所判定的一或多個所關注參數（（多個）參數#2）723之反饋資料，如下文所論述。一或多個所關注參數（（多個）參數#2）723之準確度得益於前饋至後程序物理模型712的更準確之一或多個所關注參數（（多個）參數#1）725。此外，一或多個所關注參數（（多個）參數#2）723的反饋可斷絕經歷相同製造步驟的所關注參數（例如不同蝕刻之SiGe CD）的高相關性。例如，後程序物理模型712或後程序機器學習模型722可使用反饋資料，且可用額外後程序步驟資料708（諸如參考資料及/或DOE）及可選地晶圓條件、精確度、及工具匹配資料來重新訓練，以提供對其他所關注參數（例如（（多個）參數#3）713或（多個參數#2）723）更好的預測。
後程序機器學習模型722經建立且訓練以預測一或多個所關注參數（（多個）參數#2）723，其可包括關鍵參數、非關鍵參數、或關鍵及非關鍵參數兩者。如用實線黑色箭頭所繪示，使用由後程序物理模型712提取的後程序測量結果作為輸入特徵來建立後程序機器學習模型722。後程序機器學習模型722可進一步使用後程序步驟所測量信號702作為輸入特徵而建立。此外，如由灰色點線所繪示，後程序機器學習模型722可可選地使用預調節信號705及/或前程序步驟所測量信號704作為輸入特徵而建立。使用後程序步驟資料708之至少一個部分（諸如參考資料及/或DOE）、及可選地晶圓條件、精確度、及工具匹配資料來訓練後程序機器學習模型722。後程序機器學習模型722及後程序物理模型712之參數（例如，超參數、重量、偏差等）可經提供（例如，報告）以用於樣本之特徵化。
如所繪示，後程序物理模型712（或分開之機器學習模型）可用以預測一或多個額外所關注參數（繪示為參數#3 713），其可包括關鍵參數、非關鍵參數、或關鍵及非關鍵參數兩者。舉實例而言，所關注後程序參數（例如，參數#2及#3）723及713可分別係針對GAA電晶體的SiGe CD1、SiGe CD2、SiGe CD3（如圖1B所繪示），但其他所關注參數可針對GAA電晶體或針對所量測之其他裝置而判定。例如，在圖7中繪示的工作流程700亦可應用於其他前及後程序步驟，例如在高縱橫比(HAR)通道孔蝕刻中的多個CD輪廓測量等。此外，來自後程序物理模型712的額外所關注參數（（多個）參數#3）713可進一步前饋至後程序機器學習模型722。後程序機器學習模型722可用後程序步驟資料708之至少一部分來重新訓練，以進行的額外所關注參數（（多個）參數#3）713的最終預測。
舉實例而言，圖8繪示根據使用從多個資料來源（例如，不同的製造程序步驟）收集的信號之第三實例情境用於線內測量（例如，基於一或多個物理模型及一或多個機器學習模型來特徵化一樣本）的工作流程800。例如，可如參考圖7所論述而產生一或多個物理模型及一或多個機器學習模型。在圖8中，實線黑色箭頭指示在工作流程800中使用的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從計量裝置收集來自一或多個參考樣本的後程序步驟所測量信號802。參考樣本（例如包括SOI）及後程序步驟所測量信號802在樣本之所欲製造步驟完成之後獲得。後程序步驟所測量信號802可係例如光譜資料且可從任何所欲的計量裝置（諸如圖2所示之計量工具201）或從任何其他所欲類型的計量裝置、且可從與獲取圖7中之後程序步驟所測量信號702所使用的相同計量裝置或相同類型的計量裝置收集。
另外，來自一或多個參考樣本之前程序步驟所測量信號804係使用計量裝置（例如，與用於獲取後程序步驟所測量信號802相同或不同的計量裝置）而收集，且用於產生前程序步驟資料。例如，從參考樣本（例如，包括SOI）獲得前程序步驟所測量信號804，且在樣本之所欲製造步驟完成之前獲得前程序步驟所測量信號804。前程序步驟所測量信號804可係例如光譜資料且可從用以收集後程序步驟所測量信號802的相同或不同計量裝置（其可係任何所欲的計量裝置，諸如圖2所示之計量工具201或270）或從任何其他所欲類型的計量裝置且可係與用以獲取圖7中之前程序步驟所測量信號704相同的計量裝置或相同類型的計量裝置收集。在一些實施方案中，後程序步驟所測量信號802及前程序步驟所測量信號804可經組合（例如，藉由加法、減法、乘法或除法）以形成預調節信號805。
來自多個資料源之信號及資料可用以從多個物理模型（諸如前程序物理模型814及後程序物理模型812）提取測量結果。例如，如用實線黑色箭頭所繪示，來自計量裝置的前程序步驟所測量信號804可用以從樣本之SOI的前程序物理模型814提取測量結果。
另外，經訓練前程序機器學習模型824用於預測一或多個所關注參數（（多個）參數#1）825。如實線黑色箭頭所繪示，經訓練前程序機器學習模型824使用由前程序物理模型814提取的前程序測量結果作為輸入特徵。經訓練前程序機器學習模型824可進一步使用由前程序步驟所測量信號804作為輸入特徵。一或多個所關注參數（（多個）參數#1）可包括關鍵參數、非關鍵參數、或關鍵及非關鍵參數兩者，且舉實例而言，可係用於GAA電晶體的Si/SiGe厚度，但可針對GAA電晶體或針對要測量的其他裝置來判定其他所關注參數。
另外，如用實線黑色箭頭所繪示，來自計量裝置的後程序步驟所測量信號802可用以從樣本之SOI的後程序物理模型812提取測量結果。在一些實施方案中，額外資料可用以輔助從後程序物理模型812提取測量結果。例如，如所繪示，後程序物理模型812可接收來自前程序物理模型814及/或來自前程序機器學習模型824例如針對一或多個所關注參數（（多個）參數#1）825之值資料，以促進在前程序製造步驟所測量信號中傳播資訊至後程序物理模型812中。在一些實施方案中，基於後程序步驟所測量信號802產生的反饋資料可用以輔助從後程序物理模型812提取測量結果。如所繪示，後程序物理模型812可接收針對基於由後程序機器學習模型822基於後程序步驟所測量信號802所判定的一或多個所關注參數（（多個）參數#2）823之初始值的反饋資料，如下文所論述。一或多個所關注參數（（多個）參數#2）823之準確度得益於前饋至後程序物理模型812的更準確之一或多個所關注參數（（多個）參數#1）825。此外，一或多個所關注參數（（多個）參數#2）823的反饋可斷絕經歷相同製造步驟的所關注參數（例如不同蝕刻之SiGe CD）的高相關性。
經訓練後程序機器學習模型822用以預測一或多個所關注參數（（多個）參數#2）823之最終值（且若使用反饋，則一或多個所關注參數（（多個）參數#2）823（多個）之初始值），其可包括關鍵參數、非關鍵參數、或關鍵及非關鍵參數兩者。如實線黑色箭頭所繪示，經訓練後程序機器學習模型822使用由後程序物理模型812提取的後程序測量結果作為輸入特徵。經訓練後程序機器學習模型822可進一步使用由後程序步驟所測量信號802作為輸入特徵。另外，如由灰色虛線所繪示，經訓練後程序機器學習模型822可可選地使用預調節信號805及/或前程序步驟所測量信號804作為輸入特徵。一或多個所關注參數之最終值可經提供（例如，報告）以特徵化樣本。
如所繪示，後程序物理模型812（或分開之機器學習模型）可用以預測一或多個額外所關注參數（繪示為（多個）參數#3 813，其可包括關鍵參數、非關鍵參數、或關鍵及非關鍵參數兩者。舉實例而言，所關注後程序參數（例如，參數#2及#3）823及813可分別係針對GAA電晶體的SiGe CD1、SiGe CD2、SiGe CD3，但其他所關注參數可針對GAA電晶體或針對所量測之其他裝置而判定。例如，在圖8中繪示的工作流程800亦可應用於其他預及後程序步驟，例如在高縱橫比(HAR)通道孔蝕刻中的多個CD輪廓測量等。此外，來自後程序物理模型812的額外所關注參數（（多個）參數#3）813可進一步前饋至後程序機器學習模型822。
在一些實施方案中，主要資料（例如，在物理模型化中所使用的所測量信號）、及輔助資料（例如，僅在機器學習模型中使用之補充資料）可源自不同工具集，或可源自相同工具集但不同通道，或可源自相同工具集及相同資料通道但不同波長範圍、時間跨度等。不同的資料來源可從相同的程序步驟或不相同的程序步驟收集來自相同晶圓之相同樣本位點（例如，OCD目標或在裝置上）的資料。不同資料來源可從相同或不同程序步驟收集來自相同晶圓之不同樣本位點的資料（例如，當下伏結構具有相關參數時），使得分析經組合資料可改善整體效能。如所繪示，至少一個物理模型可經建立以分析來自至少一個資料來源的所測量信號。此外，若使用多於一個物理模型，則多個物理模型可經獨立地最佳化或共最佳化，例如，物理模型可經鏈接使得可跨物理模型耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。主要資料及輔助資料可具有不同的本質，例如，一些資料可係從工具集收集的計量資料，而其他資料可係來自程序設備的感測器資料，或晶圓程序參數，諸如氣流速率、APC參數、或脈絡資料，諸如特定程序工具。此外，可在將來自所有來源之資料提供至機器學習模型之前應用特徵工程及信號預處理，以進行訓練。例如，機器學習演算法可包括但不限於線性迴歸、神經網路、深度學習、卷積神經網路(CNN)、集體法、支援向量機(SVM)、隨機森林等，或以循序模式及/或平行模式的多個模型之組合。
所繪示之工作流程有效地組合各種測量技術及透過協同加強物理模型化及機器學習來使用多個資料來源，以產生比由個別測量技術或單一資料來源所提供者更實用的資訊。可使用先前公認的模型化解決方案來用所欲測量裝置來執行物理模型化，且物理模型化結果可與其他難以或不可能將資料模型化者（稱為輔助資料）相組合，以進行機器學習訓練及預測。因此，所得程序提供具有物理模型化及機器學習之優勢的可行解決方案，同時控制運算成本，實現可接受之生產TTS，且易於在實踐中實施和使用。此外，可透過使用透過資料探勘及資料融合而與計量資料組合的資料（諸如程序參數及來自生產設備的感測器資料）增加預測能力，如本文所論述。所提議之方法係靈活的以適應各式各樣不同本質的信號，而同時對於各類型的資料來源最大化現有良好開發演算法的使用。此外，本文所論述之方法具有通用應用，且例如可應用於測量任何裝置、OCD、或薄膜或其他類型之目標。
圖9展示描繪根據一些實施方案用於測量來自一SOI之至少一個所關注參數的實例方法900的說明性流程圖。在一些實施方案中，實例方法900可由實施在圖7中繪示之工作流程700的至少一個處理器（例如，諸如圖2中的運算系統260中的處理器262）執行。
該至少一個處理器可在一後程序步驟針對在一或多個樣本上之一SOI從一計量裝置獲得後程序步驟所測量信號(902)。例如，用於獲得後程序步驟所測量信號的構件可係計量裝置200，且與在圖2中展示的運算系統260中之處理器262介接。例如，在一後程序步驟用於一或多個樣本之SOI的後程序步驟所測量信號可係圖7中所示之後程序步驟所測量信號702。
該至少一個處理器可基於該些後程序步驟所測量信號以及在一前程序步驟前饋至一後程序物理模型的該SOI之一第一參數、在該後程序步驟反饋至該後程序物理模型的該SOI之一第二參數、及其組合中之至少一者，而產生該後程序物理模型以提取該SOI之後程序測量結果(904)。例如，可針對在該前程序步驟從在該一或多個樣本上之該SOI獲得的前程序步驟所測量信號，由一前程序物理模型及一前程序機器學習模型中之至少一者判定該SOI之該第一參數。例如，可基於該些後程序步驟所測量信號以及該第一參數或該第二參數、或第一參數及第二參數兩者來提取該SOI之該些後程序測量結果。此外，在一些實施方案中，可使用一或多個第一參數。在一些實施方案中，可使用一或多個第二參數。用於產生後程序物理模型的構件可係計量裝置200（包括運算系統260，其經組態以藉由電腦可讀程式碼266產生一或多個物理模型（模型264pm），展示於圖2中）。例如，後程序物理模型可係使用來自前程序物理模型714之前饋參數、或從前程序物理模型714及前程序機器學習模型724判定之第一參數725、或第二參數723之反饋中之至少一者產生的後程序物理模型712，如圖7所繪示。在一些實施方案中，第一參數及第二參數之各者可係關鍵參數或非關鍵參數。
該至少一個處理器可產生一後程序機器學習模型以在該後程序步驟預測該SOI之該第二參數，該後程序機器學習模型係基於從該後程序物理模型提取的後程序測量結果而產生(906)。可在該後程序步驟進一步基於該些後程序步驟所測量信號及該後程序步驟資料（包括針對該SOI的參考資料及實驗設計資訊中之至少一者）而產生該後程序機器學習模型。例如，用於產生該後程序機器學習模型的構件可係計量裝置200（包括運算系統260，其經組態以藉由電腦可讀程式碼266產生及訓練一或多個機器學習模型（ML 264 ml），展示於圖2中）。例如，該後程序機器學習模型可係基於從後程序物理模型712提取之後程序測量結果以及後程序步驟所測量信號702及後程序步驟資料708所產生的後程序機器學習模型722。
該至少一個處理器可提供用於該後處理物理模型的參數及用於測量該SOI之至少一個所關注參數的該後處理機器學習模型(908)。例如，用於提供用於該後處理物理模型的參數及用於測量該SOI之至少一個所關注參數的後處理機器學習模型的構件可係計量裝置200，且與在圖2中展示的運算系統260中之處理器262及記憶體264介接。
在一些實施方案中，可進一步基於該後程序步驟資料而產生該後程序物理模型，例如，如由圖7所示之從後程序步驟資料708至後程序物理模型712的箭頭所繪示。
在一些實施方案中，該至少一個處理器可進一步在該前程序步驟，針對在該一或多個參考樣本上之該SOI從該計量裝置獲得該些前程序步驟所測量信號，例如，如由圖7所示之前程序步驟所測量信號704所繪示。該至少一個處理器可進一步產生該前程序物理模型以基於該些前程序步驟所測量信號來提取該SOI的前程序測量結果提取，例如，如藉由圖7所示之前程序物理模型714所繪示。該至少一個處理器可進一步產生該前程序機器學習模型以在該前程序步驟預測的該SOI之該第一參數，例如，如由圖7所示之前程序機器學習模型724所繪示。可基於在該前程序步驟從該前程序物理模型提取的該些前程序測量結果及該前程序步驟資料（包括針對該SOI的參考資料及實驗設計資訊中之至少一者）而產生該前程序機器學習模型，例如，如由圖7所示之從前程序物理模型714至前程序機器學習模型724及從前程序步驟資料709至前程序機器學習模型724的箭頭所繪示。
在一些實施方案中，可進一步基於該前程序步驟資料而產生該前程序物理模型，例如，如由圖7所示之前程序步驟資料709至前程序物理模型714的箭頭所繪示。
在一些實施方案中，可進一步基於在該前程序步驟來自該SOI的該些前程序步驟所測量信號而產生後程序機器學習模型，例如，如由圖7所示之從前程序步驟所測量信號704至後程序機器學習模型722的箭頭所繪示。
在一些實施方案中，該至少一個處理器可進一步藉由組合在該前程序步驟來自該SOI的前程序步驟所測量信號與在該後程序步驟來自該SOI之該些後程序步驟所測量信號來產生預調節信號，其中進一步經組態以進一步基於該些預調節信號而產生該後程序機器學習模型，例如，如由圖7所示之預調節信號705及從預調節信號705至後程序機器學習模型722的箭頭所繪示。
在一些實施方案中，該至少一個處理器可使用該後程序物理模型或該後程序機器學習模型中之至少一者來進一步判定SOI之一或多個額外參數，例如，如由（多個）參數#3 713之預測。在一些實施方案中，該一或多個額外參數可包括關鍵參數、非關鍵參數、或關鍵及非關鍵參數的組合。
圖10展示描繪根據一些實施方案用於測量來自一SOI之至少一個所關注參數的實例方法1000的說明性流程圖。在一些實施方案中，實例方法1000可由實施在圖8中繪示之工作流程800的至少一個處理器（例如，諸如圖2中的運算系統260中的處理器262）執行。
該至少一個處理器可在一後程序步驟針對在一或多個樣本上之一SOI從一計量裝置獲得後程序步驟所測量信號(1002)。例如，用於獲得後程序步驟所測量信號的構件可係計量裝置200，且與在圖2中展示的運算系統260中之處理器262介接。例如，在一後程序步驟用於一或多個樣本之SOI的後程序步驟所測量信號可係圖8中所示之後程序步驟所測量信號802。
該至少一個處理器可基於該些後程序步驟所測量信號以及在一前程序步驟前饋至一後程序物理模型的該SOI之一第一參數之一值、在該後程序步驟反饋至該後程序物理模型的該SOI之一第二參數之一值、及其組合中之至少一者，而針對該SOI從該後程序物理模型提取後程序測量結果(1004)。例如，可基於該些後程序步驟所測量信號以及該第一參數或該第二參數之值、或第一參數及第二參數兩者來提取該SOI之該些後程序測量結果。此外，在一些實施方案中，可使用一或多個第一參數。在一些實施方案中，可使用一或多個第二參數。用於產生從該後程序物理模型提取之該些後程序測量結果的構件可係計量裝置200（包括運算系統260，其經組態以藉由電腦可讀程式碼266產生一或多個物理模型（模型264 pm），展示於圖2中）。可基於後程序步驟所測量信號802、以及從前程序物理模型814及前程序機器學習模型824判定之前饋第一參數825、或第二參數823的反饋中之至少一者，而從後程序物理模型提取該些後程序測量結果（例如，如由從後程序物理模型812的箭頭所繪示），如圖8所繪示。在一些實施方案中，第一參數及第二參數之各者可係關鍵參數或非關鍵參數。
該至少一個處理器可基於從該後程序物理模型提取之該些後程序測量結果，而在該後程序步驟從一經訓練後程序機器學習模型預測該SOI之該第二參數之一最終值(1006)。可進一步基於該些後程序步驟所測量信號，而從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值。例如，用於從一經訓練後程序機器學習模型預測該SOI之該第二參數之一最終值的構件可係計量裝置200（包括運算系統260，其經組態以藉由電腦可讀程式碼266產生及訓練一或多個機器學習模型（ML 264 ml），展示於圖2中）。可基於從該後程序物理模型及該些後程序步驟所測量信號提取之該些後程序測量結果（例如，如由從後程序物理模型812至後程序機器學習模型822及後程序步驟所測量信號802至後程序機器學習模型822的箭頭所繪示），而由一經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值（例如，如由後程序機器學習模型822所預測之（多個）參數#2 823所繪示）。
該至少一個處理器可提供至少該SOI之該第二參數之該最終值(1008)。例如，用於提供至少該SOI之該第二參數之該最終值的構件可係計量裝置200，且與在圖2中展示的運算系統260中之處理器262及記憶體264以及UI 268介接。
在一些實施方案中，例如，可針對在該前程序步驟從在該一或多個樣本上之該SOI獲得的前程序步驟所測量信號，而從一前程序物理模型及一經訓練前程序機器學習模型中之至少一者判定該SOI之該第一參數。例如，該至少一個處理器可在該前程序步驟，針對在該一或多個參考樣本上之該SOI從該計量裝置獲得該些前程序步驟所測量信號，例如，如由圖8所示之前程序步驟所測量信號804所繪示。該至少一個處理器可基於該些前程序步驟所測量信號從該前程序物理模型來從針對該SOI之該些所提取前程序測量結果來判定該第一參數之該值，例如，如由圖8所示之從前程序物理模型814的箭頭所繪示。在另一實例中，該至少一個處理器可基於該些前程序步驟所測量信號從該前程序物理模型提取針對該SOI的前程序測量結果，及基於從該前程序物理模型提取之該些前程序測量結果，而在該前程序步驟從該經訓練前程序機器學習模型預測該SOI之該第一參數之該值，例如，如由如圖8所示之前程序機器學習模型824所預測的（多個）參數#1 825所繪示。
在一些實施方案中，基於從該後程序物理模型提取之該些初始後程序測量結果而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該值，例如，如由圖8所示之從後程序物理模型812至後程序機器學習模型822的箭頭所繪示。
在一些實施方案中，可進一步基於在該前程序步驟來自該SOI的該些前程序步驟所測量信號而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值，例如，如由圖8所示之從前程序步驟所測量信號804至後程序機器學習模型822的箭頭所繪示。
在一些實施方案中，該至少一個處理器可進一步藉由組合在該前程序步驟來自該SOI的前程序步驟所測量信號與在該後程序步驟來自該SOI之該些後程序步驟所測量信號來產生預調節信號，其中進一步基於該些預調節信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值，例如，如由圖8所示之預調節信號805及從預調節信號805至後程序機器學習模型822的箭頭所繪示。
在一些實施方案中，該至少一個處理器可使用該後程序物理模型或該後程序機器學習模型中之至少一者來進一步判定SOI之一或多個額外參數，例如，如由如圖8所示之（多個）參數#3 813所繪示。在一些實施方案中，該一或多個額外參數可包括關鍵參數、非關鍵參數、或關鍵及非關鍵參數的組合。
上文描述係意欲為說明性且非限制性。例如，上述實例（或其一或多個態樣）可彼此組合使用。可諸如藉由所屬技術領域中具有通常知識者檢視上文敘述來使用其他實施方案。此外，各種特徵可分組在一起，且可使用少於具體所揭示實施方案之所有特徵。因此，下列態樣特此作為實例或實施方式併入至上文描述中，其中各態樣獨立地作為一單獨實施方案，且預期此類實施方案可在各種組合或排列中與彼此組合。因此，隨附申請專利範圍之精神及範疇不應限於前述說明。
110:半導體裝置；裝置 112:閘極 114:通道 120:半導體裝置；裝置 122:閘極 124:通道 130:半導體裝置；裝置 132:閘極 134:通道 150:GAA電晶體裝置 150A:橫截面視圖 152:矽(Si)通道 154:矽鍺(SiGe)層 156:虛置閘極；虛置多晶矽閘極 158:內間隔物 200:計量裝置 201:第一計量工具；計量工具 202:光 203:樣本 204:偏振元件 205a:額外元件 205b:額外元件 208:夾盤 209:台座 210:光源 212:偏振元件（分析器） 214:透鏡 220:光學器件 230:光學器件 250:偵測器 260:運算系統 261:匯流排 262:處理器 264:記憶體 264pm:物理模型 264ml:機器學習模型 266:電腦可讀程式碼 268:使用者介面(UI) 269:通訊埠 270:第二計量工具；計量工具 300:工作流程 302:所測量信號 304:額外所測量信號 306:額外所測量信號 308:額外資料 309:額外資料信號 312:第一物理模型 314:第二物理模型 322:機器學習模型 323:擬合優度 325:所關注參數 327:機器學習測量指標 400:工作流程 402:所測量信號 404:所測量信號 406:所測量信號 409:額外資料信號 412:第一物理模型 414:第二物理模型 422:機器學習模型 423:擬合優度 425:所關注參數 427:機器學習測量指標 500:工作流程 502:後程序步驟所測量信號 504:前程序步驟所測量信號 505:預調節信號 506:第二測量墊 508:額外資料 509:故障偵測墊 512:後程序物理模型 514:前程序物理模型 522:機器學習模型 523:擬合優度 525:所關注參數 527:機器學習測量指標 600:工作流程 602:後程序步驟所測量信號 604:前程序步驟所測量信號 605:預調節信號 606:第二測量墊 609:故障偵測墊 612:後程序物理模型 614:前程序物理模型 622:機器學習模型 623:擬合優度 625:所關注參數 627:機器學習測量指標 700:工作流程 702:後程序步驟所測量信號 704:前程序步驟所測量信號 705:預調節信號 708:後程序步驟資料 709:額外前程序步驟資料 712:後程序物理模型 713:額外所關注參數（參數#3） 714:前程序物理模型 722:後程序機器學習模型 723:所關注參數（（多個）參數#2） 724:前程序機器學習模型 725:所關注參數（（多個）參數#1） 800:工作流程 802:後程序步驟所測量信號 804:前程序步驟所測量信號 805:預調節信號 812:後程序物理模型 813:所關注參數（（多個）參數#3） 814:前程序物理模型 822:後程序機器學習模型 823:所關注參數（（多個）參數#2） 824:前程序機器學習模型 825:所關注參數（（多個）參數#1） 900:方法 902:方塊 904:方塊 906:方塊 908:方塊 1000:方法 1002:方塊 1004:方塊 1006:方塊 1008:方塊
[圖1A]繪示平坦電晶體架構、鰭片電晶體架構、及全環繞閘極(GAA)場效電晶體架構的實例。 [圖1B]繪示GAA電晶體的實例。 [圖2]繪示如本文所論述之可用以特徵化樣本的計量裝置的示意圖。 [圖3]繪示用於使用從多個資料來源（包括不同的工具及/或來源）收集的信號根據第一實例情境進行離線配方建立的工作流程。 [圖4]繪示用於使用從多個資料來源（包括不同的工具及/或來源）收集的信號根據第一實例情境進行線內測量的工作流程。 [圖5]繪示用於用從多個資料來源（包括不同的製造程序步驟）收集的信號根據第二實例情境進行離線配方建立的工作流程。 [圖6]繪示用於使用從多個資料來源（包括不同的製造程序步驟）收集的信號根據第二實例情境進行線內測量的工作流程。 [圖7]繪示用於用從多個資料來源（例如，不同的製造程序步驟）收集的信號根據第三實例情境進行離線配方建立的工作流程。 [圖8]繪示用於使用從多個資料來源（包括不同的製造程序步驟）收集的信號根據第三實例情境進行線內測量的工作流程。 [圖9]至[圖10]繪示描繪用於基於多個資料來源特徵化在一樣本上之一結構的方法的流程圖。
800:工作流程
802:後程序步驟所測量信號
804:前程序步驟所測量信號
805:預調節信號
812:後程序物理模型
813:所關注參數((多個)參數#3)
814:前程序物理模型
822:後程序機器學習模型
823:所關注參數((多個)參數#2)
824:前程序機器學習模型
825:所關注參數((多個)參數#1)

Claims (24)

  1. 一種用於測量來自一所關注結構(structure of interest, SOI)之至少一個所關注參數的方法，其包含： 在一後程序步驟針對在一或多個樣本上之一SOI從一計量裝置獲得後程序步驟所測量信號； 基於該些後程序步驟所測量信號以及在一前程序步驟前饋至一後程序物理模型的該SOI之一第一參數之一值、在該後程序步驟反饋至該後程序物理模型的該SOI之一第二參數之一值、及其組合中之至少一者，而針對該SOI從該後程序物理模型提取後程序測量結果； 基於從該後程序物理模型提取之該些後程序測量結果，而在該後程序步驟從一經訓練後程序機器學習模型預測該SOI之該第二參數之一最終值；及 提供至少該SOI之該第二參數之該最終值。
  2. 如請求項1之方法，其中基於在該前程序步驟從在該一或多個樣本上之該SOI獲得的前程序步驟所測量信號，而從一前程序物理模型及一經訓練前程序機器學習模型中之至少一者，判定該SOI之該第一參數之該值。
  3. 如請求項2之方法，其進一步包含： 在該前程序步驟，針對在該一或多個參考樣本上之該SOI從該計量裝置獲得該些前程序步驟所測量信號；及 基於該些前程序步驟所測量信號從該前程序物理模型針對該SOI從所提取前程序測量結果來判定該第一參數之該值。
  4. 如請求項2之方法，其進一步包含： 在該前程序步驟，針對在該一或多個參考樣本上之該SOI從該計量裝置獲得該些前程序步驟所測量信號； 基於該些前程序步驟所測量信號從該前程序物理模型提取針對該SOI的前程序測量結果；及 基於從該前程序物理模型提取之該些前程序測量結果，而在該前程序步驟從該經訓練前程序機器學習模型預測該SOI之該第一參數之該值。
  5. 如請求項1之方法，其中基於從該後程序物理模型提取的初始後程序測量結果及該些後程序步驟所測量信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該值。
  6. 如請求項1之方法，其中進一步基於在該前程序步驟來自該SOI的前程序步驟所測量信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值。
  7. 如請求項1之方法，其進一步包含藉由組合在該前程序步驟來自該SOI的前程序步驟所測量信號、與在該後程序步驟來自該SOI之該些後程序步驟所測量信號而來產生預調節信號，其中進一步基於該些預調節信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值。
  8. 如請求項1之方法，其進一步包含使用該後程序物理模型或該經訓練後程序機器學習模型中之至少一者，來判定該SOI之一或多個額外參數。
  9. 一種經組態用於測量來自一所關注結構(SOI)之至少一個所關注參數的電腦系統，其包含： 至少一個處理器，其中該至少一個處理器經組態以： 在一後程序步驟針對在一或多個樣本上之一SOI從一計量裝置獲得後程序步驟所測量信號； 基於該些後程序步驟所測量信號以及在一前程序步驟前饋至一後程序物理模型的該SOI之一第一參數之一值、在該後程序步驟反饋至該後程序物理模型的該SOI之一第二參數之一值、及其組合中之至少一者，而針對該SOI從該後程序物理模型提取後程序測量結果； 基於從該後程序物理模型提取之該些後程序測量結果，而在該後程序步驟從一經訓練後程序機器學習模型預測該SOI之該第二參數之一最終值；及 提供至少該SOI之該第二參數之該最終值。
  10. 如請求項9之電腦系統，其中基於在該前程序步驟從在該一或多個樣本上之該SOI獲得的前程序步驟所測量信號，而從一前程序物理模型及一經訓練前程序機器學習模型中之至少一者，判定該SOI之該第一參數之該值。
  11. 如請求項10之電腦系統，其中該至少一處理器進一步經組態以： 在該前程序步驟，針對在該一或多個參考樣本上之該SOI從該計量裝置獲得該些前程序步驟所測量信號；及 基於該些前程序步驟所測量信號從該前程序物理模型針對該SOI從所提取前程序測量結果來判定該第一參數之該值。
  12. 如請求項10之電腦系統，其中該至少一處理器進一步經組態以： 在該前程序步驟，針對在該一或多個參考樣本上之該SOI從該計量裝置獲得該些前程序步驟所測量信號； 基於該些前程序步驟所測量信號從該前程序物理模型提取針對該SOI的前程序測量結果；及 基於從該前程序物理模型提取之該些前程序測量結果，而在該前程序步驟從該經訓練前程序機器學習模型預測該SOI之該第一參數之該值。
  13. 如請求項9之電腦系統，其中該至少一個處理器經組態以基於從該後程序物理模型提取的初始後程序測量結果、及該些後程序步驟所測量信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該值。
  14. 如請求項9之電腦系統，其中該至少一個處理器經組態以基於在該前程序步驟來自該SOI的前程序步驟所測量信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值。
  15. 如請求項9之電腦系統，其中該至少一個處理器進一步經組態以藉由組合在該前程序步驟來自該SOI的前程序步驟所測量信號、與在該後程序步驟來自該SOI之該些後程序步驟所測量信號而來產生預調節信號，其中該至少一個處理器經組態以進一步基於該些預調節信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值。
  16. 如請求項9之電腦系統，其中該至少一個處理器進一步經組態以使用該後程序物理模型或該經訓練後程序機器學習模型中之至少一者，來判定該SOI之一或多個額外參數。
  17. 一種經組態用於測量來自一所關注結構(SOI)之至少一個所關注參數的系統，其包含： 用於在一後程序步驟針對在一或多個樣本上之一SOI從一計量裝置獲得後程序步驟所測量信號的構件； 用於基於該些後程序步驟所測量信號以及在一前程序步驟前饋至一後程序物理模型的該SOI之一第一參數之一值、在該後程序步驟反饋至該後程序物理模型的該SOI之一第二參數之一值、及其組合中之至少一者而針對該SOI從該後程序物理模型提取後程序測量結果的構件； 用於基於從該後程序物理模型提取之該些後程序測量結果而在該後程序步驟從一經訓練後程序機器學習模型預測該SOI之該第二參數之一最終值的構件；及 用於提供至少該SOI之該第二參數之該最終值的構件。
  18. 如請求項17之系統，其中基於在該前程序步驟從在該一或多個樣本上之該SOI獲得的前程序步驟所測量信號，而從一前程序物理模型及一經訓練前程序機器學習模型中之至少一者，判定該SOI之該第一參數之該值。
  19. 如請求項17之系統，其中基於從該後程序物理模型提取的初始後程序測量結果及該些後程序步驟所測量信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該值。
  20. 如請求項17之系統，其中進一步基於在該前程序步驟來自該SOI的前程序步驟所測量信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值。
  21. 如請求項17之系統，其中基於從該後程序物理模型提取的初始後程序測量結果及該些後程序步驟所測量信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該值。
  22. 如請求項17之系統，其中進一步基於在該前程序步驟來自該SOI的前程序步驟所測量信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值。
  23. 如請求項17之系統，其進一步包含用於組合在該前程序步驟來自該SOI的前程序步驟所測量信號、與在該後程序步驟來自該SOI之該些後程序步驟所測量信號而來產生預調節信號的構件，其中進一步基於該些預調節信號，而在該後程序步驟從該經訓練後程序機器學習模型預測該SOI之該第二參數之該最終值。
  24. 如請求項17之系統，其進一步包含用於使用該後程序物理模型或該經訓練後程序機器學習模型中之至少一者，來判定該SOI之一或多個額外參數的構件。
TW112123701A 2022-06-23 2023-06-26 用於所關注複雜結構之計量解決方案 TW202403675A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US202263355053P 2022-06-23 2022-06-23
US63/355,053 2022-06-23
US202363498475P 2023-04-26 2023-04-26
US63/498,475 2023-04-26
US18/339,971 US20230417682A1 (en) 2022-06-23 2023-06-22 Metrology solutions for complex structures of interest
US18/339,971 2023-06-22

Publications (1)

Publication Number Publication Date
TW202403675A true TW202403675A (zh) 2024-01-16

Family

ID=89323027

Family Applications (2)

Application Number Title Priority Date Filing Date
TW112123701A TW202403675A (zh) 2022-06-23 2023-06-26 用於所關注複雜結構之計量解決方案
TW112123702A TW202401303A (zh) 2022-06-23 2023-06-26 用於使用物理模型化及機器學習之混合計量之多個信號來源

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW112123702A TW202401303A (zh) 2022-06-23 2023-06-26 用於使用物理模型化及機器學習之混合計量之多個信號來源

Country Status (3)

Country Link
US (2) US20230417682A1 (zh)
TW (2) TW202403675A (zh)
WO (2) WO2023250151A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9606519B2 (en) * 2013-10-14 2017-03-28 Applied Materials, Inc. Matching process controllers for improved matching of process

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI314762B (en) * 2002-08-13 2009-09-11 Lam Res Corp Method for controlling a recess etch process
US7065423B2 (en) * 2004-07-08 2006-06-20 Timbre Technologies, Inc. Optical metrology model optimization for process control
NL2013303A (en) * 2013-08-13 2015-02-16 Asml Netherlands Bv Method and inspection apparatus and computer program product for assessing a quality of reconstruction of a value of a parameter of interest of a structure.
KR20180128490A (ko) * 2016-04-29 2018-12-03 에이에스엠엘 네델란즈 비.브이. 구조체의 특성을 결정하는 방법 및 장치, 디바이스 제조 방법
US10895541B2 (en) * 2018-01-06 2021-01-19 Kla-Tencor Corporation Systems and methods for combined x-ray reflectometry and photoelectron spectroscopy
US10657214B2 (en) * 2018-10-09 2020-05-19 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
KR20200072302A (ko) * 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비
US11415898B2 (en) * 2019-10-14 2022-08-16 Kla Corporation Signal-domain adaptation for metrology
WO2021140502A1 (en) * 2020-01-06 2021-07-15 Nova Measuring Instruments Ltd. Combining physical modeling and machine learning
US20220114438A1 (en) * 2020-10-09 2022-04-14 Kla Corporation Dynamic Control Of Machine Learning Based Measurement Recipe Optimization

Also Published As

Publication number Publication date
WO2023250152A1 (en) 2023-12-28
WO2023250151A1 (en) 2023-12-28
US20230418995A1 (en) 2023-12-28
US20230417682A1 (en) 2023-12-28
TW202401303A (zh) 2024-01-01

Similar Documents

Publication Publication Date Title
TWI703653B (zh) 基於模型之單一參數量測
US11573077B2 (en) Scatterometry based methods and systems for measurement of strain in semiconductor structures
TWI659483B (zh) 多重圖案化處理之度量
TWI686684B (zh) 量測系統及方法
CN112964689B (zh) 测量图案化结构的一个或多个特征时使用的方法和系统
JP6097300B2 (ja) 計量学のためのプロセス変動ベースのモデル最適化の方法
US20130158957A1 (en) Library generation with derivatives in optical metrology
US20130080984A1 (en) Process aware metrology
US11175589B2 (en) Automatic wavelength or angle pruning for optical metrology
TWI821543B (zh) 用於半導體製造中採用之結構及材料之光學特性化之系統及方法
TW202403675A (zh) 用於所關注複雜結構之計量解決方案
Schmidt et al. Development of SiGe indentation process control for gate-all-around FET technology enablement
Chouaib et al. Mueller matrix spectroscopy and physics-based machine learning for gate-all-around sheet-specific metrology
EP2567209B1 (en) Determination of material optical properties for optical metrology of structures
Schmidt et al. Spectral interferometry for fully integrated device metrology
TW201526130A (zh) 以模型爲基礎之量測及一製程模型的整合使用
Feng et al. Scatterometry-based calibration of a 3D virtual fabrication model for gate-all-around devices
Kong et al. Development of SiGe indentation process control to enable stacked Nanosheet FET technology
Chouaib et al. Novel ellipsometry metrology-based machine learning technique for low sensitivity characterization of critical dimensions within gate-all-around transistors
US20240159656A1 (en) Combined modeling and machine learning in optical metrology
US20240353759A1 (en) Full Wafer Measurement Based On A Trained Full Wafer Measurement Model
Wang Machine-learning assisted scatterometry metrology on nanosheet transistors