TW202403847A - 預測方法、資訊處理設備、膜形成設備、物品製造方法及非暫態性儲存媒體 - Google Patents

Abstract

一種預測方法，其預測可固化組成物的液滴在由配置在第一構件上的可固化組成物的複數個液滴形成可固化組成物的膜的程序中的行為，該方法包括使用學習模型預測液滴的行為，其中學習模型的輸入包括指示第一構件上將要配置可固化組成物的液滴的位置的第一資訊。

Description

預測方法、資訊處理設備、膜形成設備、物品製造方法及非暫態性儲存媒體

本發明關於預測方法、資訊處理設備、膜形成設備、物品製造方法及非暫態性儲存媒體。

現有一種在基板上形成由可固化組成物製成的膜的膜形成技術，其透過將可固化組成物配置在基板上、使可固化組成物與模具接觸並使可固化組成物固化。這種膜形成技術應用於壓印技術及平坦化技術。在壓印技術中，藉由使用具有圖案的模具，透過將基板上的可固化組成物與模具的圖案接觸並將可固化組成物固化而使模具的圖案轉印至基板上的可固化組成物。在平坦化技術中，藉由使用具有平坦表面的模具，透過將基板上的可固化組成物與平坦表面接觸並使可固化組成物固化而形成具有平坦上表面的膜。

可固化組成物以液滴的形式配置在基板上，然後將模具壓在可固化組成物的液滴上。這使得可固化組成物的液滴擴散在基板上，從而形成可固化組成物的膜。此時，重要的是形成具有均勻厚度的可固化組成物的膜並且不在膜中留下氣泡。為了實現這一點，調整可固化組成物的液滴的配置圖案、用於將模具壓在可固化組成物上的方法及條件等。透過試誤地使用設備來實施此調整操作需要大量的時間及成本。為了處理這個問題，需要開發支援此類的調整操作的模擬器。

日本專利No. 5599356揭露一種用於預測配置在圖案形成表面上的複數個液滴的潤濕擴散及聚集的模擬方法及利用該預測來產生液滴配置圖案的方法。日本專利No. 5599356揭露一種透過物理計算來預測可固化組成物的液滴的行為的模擬器。

在傳統技術中，使用物理計算來預測可固化組成物的液滴的行為。然而，當調整可固化組成物的液滴的配置圖案，用於將模具壓在可固化組成物上的方法及條件等需要重複的模擬。特別地，當調整可固化組成物的液滴的配置圖案時，由於可固化組成物的液滴的配置圖案的組合數量龐大，因此包括物理計算的模擬需要大量的計算時間。

本發明提供了一種有利於預測可固化組成物的液滴在形成可固化組成物的膜的程序中的行為的技術。

根據本發明的一個態樣，提供了一種預測方法，該預測方法用於預測可固化組成物的液滴在由配置在第一構件上的可固化組成物的複數個液滴形成可固化組成物的膜的程序中的行為，該方法包括使用學習模型預測液滴的行為，其中學習模型的輸入包括指示第一構件上將要配置可固化組成物的液滴的位置的第一資訊。

本發明的其他態樣將從以下參考所附圖式對示例性實施例的描述變得顯而易見。

在下文中，將參考所附圖式詳細描述實施例。注意，以下實施例並非旨在限制所請發明的範圍。在實施例中描述了多個特徵，但不限於需要所有此類的特徵的發明，且可適當地組合多個此類的特徵。此外，在所附圖式中，相同的所附圖式參考符號表示相同或相似的構造，並省略對其的重複描述。

圖1A及圖1B係解釋本發明的實施方式的膜形成設備IMP的視圖。膜形成設備IMP執行由配置在基板S上的可固化組成物IM的複數個液滴形成可固化組成物IM的膜的程序，例如，透過將可固化組成物IM的複數個液滴與模具M彼此接觸而在基板S與模具M之間的空間中形成可固化組成物IM的膜的程序。膜形成設備IMP可形成作為，例如，壓印設備或平坦化設備。

此處，基板S與模具M為可互換的，並且透過將配置在模具M上的可固化組成物IM的複數個液滴與基板S接觸，可在模具M與基板S之間的空間中形成可固化組成物IM的膜。因此，膜形成設備IMP總體上為執行將配置在第一構件上的可固化組成物IM的複數個液滴與第二構件接觸的程序的設備，從而形成第一構件與第二構件之間的空間中的可固化組成物IM的膜。本實施例提供了假設第一構件為基板S且第二構件為模具M的描述。然而，可假設第一構件為模具M且可假設第二構件為基板S。在這種情況下，以下描述的基板S與模具M互換。

壓印設備使用具有圖案的模具M以將模具M的圖案轉印至基板S上的可固化組成物IM。壓印設備使用具有設置有圖案的圖案區域MP的模具M。作為壓印程序，壓印設備將基板S上的可固化組成物IM與模具M的圖案區域MP接觸，使用可固化組成物IM填充模具M與基板S上將要形成圖案的區域之間的空間，然後使可固化組成物IM固化。如此將模具M的圖案區域IM中的圖案轉印至基板S上的可固化組成物IM。例如，壓印設備在基板S的複數個壓射區域中的每一者中形成由可固化組成物IM的固化產物製成的圖案。

作為平坦化程序，平坦化設備使用具有平坦表面的模具M，將基板S上的可固化組成物IM與模具M的平坦表面接觸，並使可固化組成物IM固化，從而形成具有平坦上表面的膜。如果使用具有覆蓋基板S的整個區域的規模(尺寸)的模具M，則平坦化設備在基板S的整個區域中形成由可固化組成物IM的固化產物製成的膜。注意，平坦化設備可執行由配置在基板S上的可固化組成物IM的複數個液滴形成在基板S上的可固化組成物IM的膜的程序，而不將模具M與複數個液滴接觸。

作為可固化組成物，使用將要透過接受固化能量而固化的材料。使用的固化能量的示例為電磁波、熱等。作為電磁波，例如，使用從10 nm(包含)至1 mm(包含)的波長範圍中選擇的紅外光、可見光、紫外光等。因此，可固化組成物為透過光照射或加熱而固化的組成物。根據需要，透過光照射固化的光可固化組成物至少含有可聚合化合物及光聚合引發劑(photopolymerization initiator)，且可含有非可聚合化合物或溶劑。非可聚合化合物為選自含有敏化劑(sensitizer)、供氫體(hydrogen donor)、內部脫模劑、表面活性劑(surfactant)、抗氧化劑(antioxidant)、聚合物成分等的群組中的至少一種材料。可固化組成物的黏度(25℃下的黏度)，例如，為1 mPa·s(包含)至100 mPa·s(包含)。

作為基板的材料，使用玻璃、陶瓷、金屬、半導體、樹脂等。根據需要，可在基板的表面上形成由與基板的材料不同的材料來製成的構件。更具體地，基板的示例包括矽晶圓、半導體化合物晶圓、矽玻璃等。

在說明書及所附圖式中，方向將在XYZ座標系上標示，其中平行於基板S的表面的方向定義為X-Y平面。與XYZ座標系的X軸、Y軸及Z軸平行的方向分別為X方向、Y方向及Z方向。繞X軸的旋轉、繞Y軸的旋轉及繞Z軸的旋轉分別為θX、θY及θZ。關於X軸、Y軸及Z軸的控制或驅動係分別意指關於平行於X軸的方向、平行於Y軸的方向及平行於Z軸的方向的控制或驅動。另外，關於θX軸、θY軸及θZ軸的控制或驅動係分別意指關於繞平行於X軸的軸的旋轉、繞平行於Y軸的軸的旋轉及繞平行於Z軸的軸的旋轉的控制或驅動。另外，位置為基於X軸、Y軸及Z軸上的座標而明確指出的資訊，而方向為由θX軸、θY軸及θZ軸上的值而明確指出的資訊。定位意指控制位置及/或方向。對準包括對基板S及模具M中的至少一者的位置及/或方向的控制。

膜形成設備IMP包括保持基板S的基板保持單元102、透過驅動基板保持單元102來驅動基板S的基板驅動機構105、支撐基板驅動機構105的基座104及測量基板保持單元102的位置的位置測量單元103。基板驅動機構105包括，例如，諸如線性馬達的馬達。

膜形成設備IMP包括感測器151，其在對準時測量基板驅動機構105驅動基板S(基板保持單元102)所需的基板驅動力(對準負荷)。在基板S上的可固化組成物IM與模具M的圖案區域MP彼此接觸的狀態下進行的對準操作中的基板驅動力對應於，例如，作用在基板S與模具M之間的剪切力(shear force)。剪切力主要是作用在基板S及模具M的平面方向上的力。對準期間的基板驅動力，例如，與對準期間提供給基板驅動機構105(其馬達)的電流的大小相關。因此，感測器151可透過檢測提供給基板驅動機構105的電流(其大小)來獲得基板驅動力。以這種手段，感測器151作為用於測量在圖案形成期間模具M受到的影響(剪切力)的感測器。注意，從控制單元110(將於稍後描述)輸出至基板驅動機構105的驅動請求(命令值)稱作載台控制值。

膜形成設備IMP包括保持模具M的模具保持單元121、透過驅動模具保持單元121來驅動模具M的模具驅動機構122及支撐模具驅動機構122的支撐結構130。模具驅動機構122包括，例如，音圈馬達等馬達。

膜形成設備IMP包括測量脫模力(分離負荷)及/或壓力(壓印力)的感測器152。脫模力為使基板S上的壓印材料IM的固化產物與模具M彼此脫離(分離)所需的力。壓力為壓住模具M以使模具M與基板S上的可固化組成物IM接觸的力。脫模力及壓力為作用在與基板S和模具M的平面方向垂直的方向上的力。脫模力及壓力中的每一者，例如，與供給至模具驅動機構122(其馬達)的電流的大小相關。因此，感測器152可透過檢測供給至模具驅動機構122的電流(其大小)來獲得脫模力及/或壓力。以這種手段，感測器152作為用於測量在圖案形成期間模具M受到的影響(脫模力及/或壓力)的感測器。注意，從控制單元110(將於稍後描述)輸出至模具驅動機構122的驅動請求(命令值)稱作載台控制值。

基板驅動機構105及模具驅動機構122形成驅動基板S及模具M中的至少一者的相對驅動機構，以調整基板S與模具M之間的相對位置。透過相對驅動機構對基板S與模具M之間的相對位置的調整包括用於將基板S上的可固化組成物IM與模具M接觸的驅動及用於將模具M與基板S上的固化的可固化組成物IM(固化產物的圖案)分離的驅動。另外，透過相對驅動機構對基板S與模具M之間的相對位置的調整包括基板S與模具M之間的對準。基板驅動機構105配置為相對於複數個軸(例如，包括X軸、Y軸及θZ軸的三個軸，及較佳地包括X軸、Y軸、Z軸、θX軸、θY軸及θZ軸的六個軸)驅動基板S。模具驅動機構122配置成相對於複數個軸(例如，包括Z軸、θX軸及θY軸的三個軸，且較佳地包括X軸、Y軸、Z軸、θX軸、θY軸及θZ軸的六個軸)驅動模具M。

膜形成設備IMP包括輸送模具M的模具輸送機構140及模具清潔器150。模具輸送機構140配置成，例如，將模具M輸送至模具保持單元121，並將模具M從模具保持單元121輸送至儲存器(未顯示)或模具清潔器150。模具清潔器150使用紫外線、化學溶液等清潔模具M。

膜形成設備IMP包括窗構件125，其用於在模具M的後表面(模具M的圖案區域MP的相反側面上的表面)的側面上形成壓力控制空間CS。窗構件125由傳輸來自固化單元107的固化能量的材料形成，且允許固化能量施加至基板S上的可固化組成物IM。膜形成設備IMP包括變形機構123，其透過控制壓力控制空間CS中的壓力(下文中將稱作「腔部壓力(cavity pressure)」)使模具M的圖案區域MP變形為朝向基板S的凸出形狀，如圖1B中示意地所示。

膜形成設備IMP包括對準測量系統106，其照射分別設置在基板S(其壓射區域(shot region))及模具M中的對準標記並擷取對準標記的影像，從而測量標記之間的相對位置。膜形成設備IMP可包括複數個對準測量系統106以同時觀測分別設置在基板S及模具M上的多個對準標記。例如，膜形成設備IMP包括四個對準測量系統106，其觀測分別設置在基板S的壓射區域的四個角處的對準標記及設置在模具M的四個角處的對準標記。對準測量系統106可透過驅動機構(未顯示)根據對準標記的位置來定位。注意，透過對準測量系統106擷取的影像亦稱作對準影像。對準影像包括，例如，透過擷取來自基板S及模具M的對準標記的反射光而獲得的影像、透過擷取由基板S及模具M的對準標記的波紋(moire)形成的影像而獲得的影像等。

膜形成設備IMP包括用於使基板S上的可固化組成物IM固化的固化單元107。固化單元107透過使用用於固化可固化組成物IM的能量，例如，透過光學構件111照射諸如紫外線光，對可固化組成物IM照射，使可固化組成物IM固化。

膜形成設備IMP包括影像擷取單元112，其透過光學構件111及窗構件125來擷取模具M、基板S及基板S上的可固化組成物IM的影像。注意，影像擷取單元112拍攝的影像亦可稱作擴散影像(spread image)。

膜形成設備IMP包括分配器108，其用於將可固化組成物IM配置、供給或分佈在基板S上。分配器108排出可固化組成物IM以便根據，例如，指示基板S上將要配置可固化組成物IM的液滴的位置的配置圖案而將可固化組成物IM的液滴配置在基板S上。

膜形成設備IMP包括控制單元110，其透過全面地控制膜形成設備IMP的各個單元來操作膜形成設備IMP。控制單元110由，例如，諸如FPGA(場式可程式化閘陣列(Field Programmable Gate Array)的縮寫)的PLD(可程式化邏輯裝置(Programmable Logic Device)的縮寫)、ASIC(特殊應用積體電路(Application Specific Integrated Circuit)的縮寫)、安裝有程式的通用電腦或這些組件的全部或某些的組合形成。

圖2A至圖2F係顯示可固化組成物IM的液滴在將模具M壓在基板S上的可固化組成物IM上的程序中的擴散的視圖。圖2A顯示了緊接著可固化組成物IM的液滴從分配器108配置在基板S上之後的狀態。參考圖2A，在緊接著可固化組成物IM的液滴配置之後的狀態下，各個液滴很小且彼此分離。透過壓住模具M，配置在基板S上的可固化組成物IM的液滴從圖2A中所示的狀態逐漸擴散至圖2B至圖2E中所示的狀態，且相鄰液滴彼此接觸。最後，配置在基板S上的可固化組成物IM的液滴擴散在模具M的整個區域(圖案區域MP)上。

在基板S上的可固化組成物IM擴散的程序中，如圖2E中所示，在可固化組成物IM的相鄰液滴之間形成(困住)氣泡201。如果可固化組成物IM在氣泡201存在的狀態下固化，則氣泡201存在的部分變成缺陷。因此，為了提高膜形成設備IMP的生產性能，重要的是減小形成在可固化組成物IM的相鄰液滴之間的氣泡201的尺寸並且使氣泡201在短時間內消失。

因此，在本實施例中，提供預測可固化組成物IM的液滴在膜形成設備IMP中執行的程序中的行為的預測系統(模擬系統)。預測系統使用機器學習代替物理計算來預測在基板S與模具M之間的空間中形成可固化組成物IM的膜的程序中，例如，在壓印程序中，涉及氣泡201的出現情況及液滴之間的相互作用的複雜行為。

圖3係顯示預測系統300的配置的視圖，預測系統300預測配置在基板S上的可固化組成物IM的液滴的行為。預測系統300包括測量設備301、資料收集伺服器302、預測伺服器303(模擬伺服器)。

預測伺服器303為使用機器學習來預測配置在基板S上的可固化組成物IM的液滴的行為的資訊處理設備(模擬設備)。透過網路304從資料收集伺服器302收集用於由預測伺服器303執行的機器學習所需的資料。

測量設備301為測量(檢查)由膜形成設備IMP處理的基板S的狀態，即，在基板上形成的可固化組成物IM的膜的狀態(缺陷等)的設備。測量設備301測量的測量結果透過網路304累積在資料收集伺服器302中。

資料收集伺服器302透過網路304從測量設備301接收測量結果，並將測量結果累積為測量資料。此外，資料收集伺服器302透過網路304將測量資料傳送至預測伺服器303。

膜形成設備IMP基於由預測伺服器303預測的可固化組成物IM的液滴的行為來調整可固化組成物IM的液滴的配置圖案、用於將模具M壓在可固化組成物IM上的方法及條件等。

圖4係表示預測伺服器303的硬體配置的方塊圖。預測伺服器303包括系統匯流排401、CPU 402、ROM 403、RAM 404、HDD 405、GPU 406、通訊單元407、輸入單元408及顯示單元409。預測伺服器303的每個單元根據程式進行操作(發揮功能)。

CPU 402根據程式執行用於控制連接至系統匯流排401的預測伺服器303的各個單元的計算。ROM 403為資料唯讀記憶體。ROM 403儲存程式及資料。RAM 404為資料讀/寫記憶體，且用於保存程式及資料。RAM 404亦用於暫時保存諸如CPU 402執行的計算的結果的資料。

HDD 405用於作為預測伺服器303的作業系統(OS)的程式的保存區域以及程式及資料的暫時保存區域。HDD 405輸入及輸出資料的速度比RAM 404慢，但是可以保存大量資料。HDD 405較佳地為能夠永久地保存資料的非揮發性儲存設備，使得資料能夠在長時間內被引用。在本實施例中，HDD 405設置為儲存設備，但是本發明不限於此，且可設置從裝載至設備的諸如CD、DVD或記憶卡的外部媒體讀取資料及向其寫入資料的設備。

GPU 406為能夠比CPU 402執行更多並行計算處理操作的運算處理設備。在本實施例中，由GPU 406根據程式的內容來執行機器學習中的一些推理處理及學習處理。

通訊單元407透過網路304藉由諸如TCP/IP的通訊協議來執行資料通訊。當與另一設備進行相互通訊時使用通訊單元407。輸入單元408為包括各種鍵盤、滑鼠等的設備，且用於輸入預測伺服器303所需的資訊(例如，字元、資料等)。顯示單元409為包括CRT、液晶顯示器等的設備，且用於顯示預測伺服器303的操作所需的資訊、處理結果(預測結果)等。

如上所述，預測伺服器303使用機器學習來預測配置在基板S上的可固化組成物IM的液滴的行為。此時，為了預測可固化組成物IM的相鄰液滴之間的相互關係，使用圖形神經網路作為學習模型為有效的。

圖5係解釋作為圖形神經網路的示例的圖形卷積網路的視圖。圖形神經網路由包括輸入層5010、一個或複數個中間層(隱藏層)5020及5030以及輸出層5040的層所形成。每個層包括複數個作為元素的圖形，每個圖形的節點具有特徵量。

圖形神經網路中的學習為透過更新前層與後層之間關聯的權重來執行。此類的層之間的權重以矩陣來表示。例如，權重502表示輸入層5010中包括的圖形501與中間層5020中包括的圖形503之間的權重。在學習圖形神經網路時，根據學習資料與從學習資料預測的結果(預測結果)之間的誤差來更新權重。

以這種手段，在圖形神經網路中，每個層包括作為元素的圖形。在學習程序中，更新各層之間的權重，以減少學習資料與圖形神經網路的預測結果之間的誤差。

圖6係詳細解釋圖形神經網路中的層之間的權重的視圖。作為前層的中間層N包括圖形601，且作為後層的中間層N+1包括圖形602及圖形603。在圖6中，圖形601與圖形602之間的權重由實線箭頭標示，且圖形601與圖形603之間的權重由虛線箭頭標示。

圖形601由四個節點h[N, 0, 0]、h[N, 0, 1]、h[N, 0, 2]及h[N, 0, 3]所形成，且每個節點持有特徵量。圖形602由四個節點h[N+1, 0, 0]、h[N+1, 0, 1]、h[N+1, 0, 2]及h[N+1, 0, 3]所形成，且每個節點持有特徵量。類似地，圖形603由四個節點h[N+1, 1, 0]、h[N+1, 1, 1]、h[N+1, 1, 2]及h[N+1, 1, 3]所形成，且每個節點持有特徵量。

注意，形成圖形601的四個節點h[N, 0, 0]、h[N, 0, 1]、h[N, 0, 2]及h[N, 0, 3]在下文中分別稱作節點h10、h11、h12及h13。另外，形成圖形602的四個節點h[N+1, 0, 0]、h[N+1, 0, 1]、h[N+1, 0, 2]及h[N+1, 0, 3]在下文中分別稱作節點h20、h21、h22及h23。類似地，形成圖形603的四個節點h[N+1, 1, 0]、h[N+1, 1, 1]、h[N+1, 1, 2]及h[N+1, 1, 3]在下文中分別稱作節點h30、h31、h32及h33。

圖形之間的權重的具體示例為中間層N的節點h10與中間層N+1的對應節點h20之間的權重604。除此之外，中間層N+1的節點亦應用來自中間層N中的與其對應節點相鄰的節點的權重。例如，中間層N+1的節點h20可持有由中間層N的其對應節點h10的值乘以權重604及與節點h10相鄰的節點h11、h12及h13的值乘以權重605的總和表示的值。或者，中間層N+1的節點h20可持有透過對該總和應用某種聚合操作並應用非線性函數作為啟動函數而獲得的值。由此，中間層N+1的每個節點的特徵量包括關於中間節點N中的相鄰節點的特徵量的資訊。更具體地，中間層N+1的節點h20受到中間層N中的節點h11、h12及h13的特徵量加上其對應節點h10的特徵量的影響。

以這種手段，在圖形卷積網路中，前層中對應的節點及與其相鄰的節點輸入至後層中的節點。這使得機器學習能夠考慮相鄰節點及更廣泛區域中的節點的影響。

圖7係用於解釋使用圖形神經網路產生學習模型的程序的流程圖。由預測伺服器303來執行產生學習模型的程序。

在步驟S701中，設定用於在基板S與模具M之間的空間中形成可固化組成物IM的膜的程序(例如，壓印程序)所需的條件(程序條件)。程序條件包括，例如，指示在基板S上將要配置可固化組成物IM的液滴的位置的配置圖案、模具M的圖案的形狀、在基板S上將要形成的可固化組成物IM的膜的厚度的目標值、模具M的圖案區域MP中的圖案(凹槽)的深度等。

在步驟S702中，從資料收集伺服器302獲得對應於步驟S701中設定的程序條件的測量資料，即，使用這些程序條件處理的基板S的狀態(形成在基板上的可固化組成物IM的膜的狀態)的測量資料。更具體地，預測伺服器303透過網路304向資料收集伺服器302請求對應於步驟S701中設定的處理條件的測量資料。回應於來自預測伺服器303的請求，資料收集伺服器302從累積作為資料庫的測量資料中提取對應於步驟S701中設定的處理條件的測量資料(資料群組)。然後，資料收集伺服器302製作從資料庫中提取的測量資料的列表，並將該列表透過網路304傳送至預測伺服器303。

在步驟S703中，產生圖形神經網路中每個層所包括的圖形。

此處，參考圖8，將描述產生圖形的程序。8a顯示了在步驟S701中設定為處理條件的可固化組成物IM的液滴的配置圖案801。如8a所示，配置圖案801為包括可固化組成物IM的每個液滴的座標(位置)的資訊(第一資訊)。

在本實施例中，基於可固化組成物IM的液滴的配置圖案801產生8b中所示的圖形。在8b所示的圖形中，連接對應於配置圖案801中包括的可固化組成物IM的各個液滴的位置的每條線，即，以液滴的中心位置作為節點而連接相鄰液滴(節點)的每條線，設定為鏈路802。產生此類的圖形的方法的示例為將可固化組成物IM的每個液滴設定為節點的同時使用德勞內圖(Delaunay diagram)的方法。

此外，在本實施例中，基於可固化組成物IM的液滴的配置圖案801產生8c中所示的圖形。在8c所示的圖形中，節點804配置在由可固化組成物IM的液滴圍繞的區域中。換句話說，節點804設定在由可固化組成物IM的複數個液滴中的相鄰液滴界定的區域中的位置處。注意，節點804較佳地配置在可固化組成物IM的相鄰液滴之間的中點處(由相鄰液滴界定的區域的質心位置)。產生此類的圖形的方法的示例為將可固化組成物IM的每個液滴設定為節點的同時使用沃羅諾伊圖(Voronoi diagram)的方法。沃羅諾伊圖為根據最近的點來劃分平面的圖。8c顯示了透過分割獲得的區域(分割區域)的邊界線803(沃羅諾伊邊界)。以這種手段，由可固化組成物IM的複數個液滴中的相鄰液滴界定的區域為由沃羅諾伊圖的沃羅諾伊邊界劃分的區域，其中複數個液滴中的每一者設定為產生點。在可固化組成物IM的膜中產生的氣泡(缺陷)趨於在遠離可固化組成物IM的各個液滴的邊界線803上產生。因此，在沃羅諾伊圖中，邊界線803相交的交點(intersection point)設定為節點804，且連接節點804(節點)的線設定為鏈路(link)(邊界線803)，從而產生如8c中所示的圖形。注意，節點804不限於邊界線803相交的交點，而是可以設定為包括邊界線803。也就是說，節點804可設定在邊界線803上。

8d顯示了透過組合8b中所示的圖形及8c中所示的圖形而產生的圖形。8d中所示的圖形包括了8b及8c中所示的圖形的節點及鏈路。此外，在8d中所示的圖形中，承接8b中所示的圖形的鏈路802的鏈路805與承接8c中所示的圖形的鏈路(邊界線803)的鏈路806相交，在交點(部分)的每一者處添加新節點807。

以這種手段，在步驟S703中，基於8a中所示的可固化組成物IM的液滴的配置圖案801產生8b中所示的圖形、8c中所示的圖形及8d中所示的圖形。這些圖形為指示可固化組成物IM的複數個液滴中的相鄰液滴的相對位置資訊的資訊(第二資訊)。在本實施例中，從8a中所示的配置圖案801產生的8b中所示的圖形、8c中所示的圖形及8d中所示的圖形用於作為圖形神經網路的輸入。

返回參考圖7，在步驟S704中，特徵量分配給將用於作為圖形神經網路的輸入的圖形，即，在步驟S703中產生的圖形。

此處，參考圖9，將描述將特徵量分配給將用於作為圖形神經網路的輸入的圖形的程序。9a顯示了在步驟S703中產生的圖形901。例如，使用關於可固化組成物IM的液滴的位置及體積的資訊、關於模具M的圖案的形狀(密度、傾斜度等)的資訊、關於基板S的形狀(台階等)的資訊及關於可固化組成物IM的揮發的資訊作為分配給圖形901的特徵量。當特徵量分配給(反映)圖形時，不同的圖形用於不同種類的特徵量。例如，在9b中，可固化組成物IM的液滴的位置(座標)反映在圖形902上，模具M的圖案的密度反映在圖形903上，且基板S的台階反映在圖形904上。

返回參考圖7，在步驟S705中，將特徵量分配給將作為圖形神經網路的學習資料的圖形。

此處，參考圖10A及10B，將描述從測量資料來產生學習資料的程序。圖10A顯示了步驟S702中獲取的資料群組(列表)中包括的測量資料的示例。圖10A中所示的測量資料包括關於在基板S的壓射區域1001中出現缺陷1002的位置(地點)及其尺寸的資訊。圖10B中顯示了包括指示圖10A中所示的測量資料中的缺陷1002與引起缺陷1002的可固化組成物IM的液滴之間的對應關係的資訊的學習資料。在圖10B中所示的學習資料中，產生可固化組成物IM的液滴的配置圖案1004及每個連接可固化組成物IM的相鄰液滴的鏈路1005。另外，圖10B中所示的學習資料中的每個鏈路1005與測量資料中包括的缺陷1006及1007相關聯。當可固化組成物IM的相鄰液滴不彼此合併時，出現缺陷1006及1007。因此，使用可固化組成物IM的相鄰液滴的合併機率(程度)作為學習資料的特徵量。例如，與鏈路1005類似，如果缺陷1006及1007沒有出現在鏈路附近，則存在於鏈路1005的兩端的可固化組成物IM的液滴的合併機率為高。另一方面，與鏈路1008類似，如果缺陷1006及1007已經出現在鏈路附近，則存在於鏈路1008的兩端的可固化組成物IM的液滴的合併機率為低。以這種手段，可固化組成物IM的液滴的合併機率作為特徵量分配給鏈路，作為學習資料的示例。注意，亦可使用缺陷的位置及尺寸、由鏈路包圍的區域的尺寸等作為學習資料的特徵量。

在圖形神經網路中，圖形的每個節點通常都具有特徵量。因此，為了方便起見，將分配(應用)給鏈路的特徵量(例如可固化組成物IM的液滴的合併機率)重新分配為存在於鏈路的兩個末端的節點的特徵量的方法亦是有效的。

在步驟S706中，設定學習模型。圖11係顯示設定為學習模型的圖形神經網路的示例的視圖。圖11中所示的圖形神經網路由包括輸入層11010、兩個中間層11020及11030以及輸出層11040的層所形成。每個層包括作為元素的用於不同特徵量的圖形。圖形之間的權重1101、1102及1103在層之間相關聯。權重1101、1102及1103表示為，例如，矩陣。圖形神經網路具有卷積效應，前層中對應節點的特徵量及與對應節點相鄰的節點的特徵量作為後層的輸入(輸入參數)。由於圖11中所示的圖形神經網路包括兩個中間層11020及11030，因此可考慮給定節點之前兩個節點的特徵量來執行學習。

在步驟S707中，執行在步驟S706中設定的學習模型的學習。更具體地，在步驟S704中分配有特徵量的圖形，其作為輸入參數，設定為用於圖11中所示的圖形神經網路的輸入層11010。此外，在步驟S705中分配有特徵量的圖形，其作為學習資料，設定為用於學習資料11050。在學習期間，計算出表示輸出層11040與學習資料11050之間的誤差的損失1104，並且在從輸出層11040朝向輸入層11010的方向1105上更新權重，以減小作為誤差的損失1104。

在步驟S708中，判斷是否已經對在步驟S702中獲取的資料群組(列表)中包括的所有測量資料執行了學習。如果尚未對所有測量資料執行學習，即，如果存在學習未完成的測量資料，則程序轉到步驟S703，並且執行步驟S703至S707(學習程序)。另一方面，如果已經對所有測量資料執行了學習，則程序進入步驟S709。

在步驟S709中，輸出學習完成的學習模型(即，產生學習模型)。

如上所述，透過執行圖7中所示的程序，可產生包括已經學習了對應於可固化組成物IM的液滴的配置圖案的測量資料的圖形神經網路的學習模型。在本實施例中產生的學習模型變成包括可固化組成物IM的相鄰液滴的特徵量及比相鄰液滴更遠的液滴的特徵量的學習模型。

參考圖12，將描述透過使用在圖7中所示的程序中產生的學習模型來預測配置在基板S上的可固化組成物IM的液滴的行為的程序。此處，可固化組成物IM的液滴的行為是可固化組成物IM的液滴在基板S與模具M之間的空間中形成可固化組成物IM的膜的程序中的行為。

在步驟S1201中，設定在基板S與模具M之間的空間中形成可固化組成物IM的膜的程序(例如，壓印程序)所需的條件(程序條件)。如上所述，程序條件包括配置圖案、模具M的圖案的形狀、在基板S上將要形成的可固化組成物IM的膜的厚度的目標值、模具M的圖案區域MP中的圖案(凹槽)深度等。

在步驟S1202中，產生圖形神經網路中的每個層所包括的圖形。產生圖形的具體程序與步驟S703類似，此處不再贅述。

在步驟S1203中，將特徵量分配給將用於作為圖形神經網路的輸入的圖形，即，在步驟S1202中產生的圖形。將特徵量分配給圖形的具體程序與步驟S704類似，此處不再贅述。

在步驟S1204中，設定學習模型。此處，設定在圖7中所示的程序中產生的學習模型。

在步驟S1205中，使用在步驟S1204中設定的學習模型，可固化組成物IM的液滴在基板S與模具M之間的空間中形成可固化組成物IM的膜的程序中的行為為預料到的。

此處，參考圖11，將描述在步驟S1205中的可固化組成物IM的液滴的行為的預測(推論)程序。如上所述，在本實施例中，當預測可固化組成物IM的液滴的行為時，使用在圖7中所示的程序中產生的學習模型。在該學習模型中，由矩陣表示的層之間的權重1101、1102及1103中的每一者已更新。首先，在步驟S1203中分配有特徵量的圖形，其作為輸入參數，設定為用於輸入層11010。在預測程序中，圖形中的特徵量在從輸入層11010朝向輸出層11040的方向1106上更新。由於卷積處理為在層之間進行的圖形卷積網路的效果，所以前層中的可固化組成物IM的相鄰液滴的特徵量反映在後層上。

返回參考圖12，在步驟S1206中，在步驟S1205中預測的可固化組成物IM的液滴的行為輸出作為預測結果。例如，作為可固化組成物IM的液滴的行為的預測結果，基板上的可固化組成物IM的複數個液滴中的相鄰液滴的合併程度顯示在顯示單元409上。

參考圖13A及13B，將描述本實施例中從輸入參數預測的結果的示例。圖13A顯示了作為輸入參數的可固化組成物IM的液滴的配置圖案。參考圖13A，可固化組成物IM的液滴1302的密度在基板S的壓射區域1301中的區域1303中為低。圖13B顯示了在步驟S1205中預測關於圖13A中所示的可固化組成物IM的液滴的配置圖案的結果(預測結果)。在本實施例中，預測作為特徵量的可固化組成物IM的相鄰液滴的合併狀態。例如，如圖13B中所示，對於由實線標示的鏈路1305，已經預測可固化組成物IM的相鄰液滴的合併機率為高。另一方面，對於由虛線標示的鏈路1306，已經預測可固化組成物IM的相鄰液滴的合併機率為低。此處，可固化組成物IM的相鄰液滴的合併狀態的預測用於作為特徵量，但缺陷的位置及尺寸、由鏈路所包圍的區域的尺寸等也可以作為學習資料來處理。

如上所述，根據本實施例，在預測配置在基板S上的可固化組成物IM的液滴的行為的程序中，使用機器學習代替物理計算來預測可固化組成物IM的液滴的行為。由此，可以提供即使利用小的計算量亦可預測考慮到可固化組成物IM的複數個液滴的相互作用的複雜行為的技術。

已經描述了圖形神經網路用於作為機器學習中的學習模型的情況。然而，亦可使用神經網路的模型作為如圖14中所示的學習模型。圖14係表示神經網路的示例的視圖。

神經網路由包括輸入層14010、一個或複數個中間層(隱藏層)14020及14030及輸出層14040的層所形成。每個層包括作為元素的神經元1401，並且權重1402、1403及1404將層關聯起來。與在圖形神經網路中一樣，在神經網路中更新各層之間的權重1402、1403及1404。例如，權重1402、1403及1404在從輸出層14040朝向輸入層14010的方向1406上更新。此時，更新權重1402、1403及1404以減少表示學習資料14050與作為輸出資料的輸出層14040之間的誤差的損失1405。

參考圖15A及15B，將描述用於使用神經網路進行預測的輸入資料。圖15A顯示了基板S的壓射區域1501中的可固化組成物IM的液滴的配置圖案1502。圖15B顯示了關於圖15A中所示的配置圖案1502產生的作為神經網路的輸入資料的資料。此處，指示可固化組成物IM的相鄰液滴之間的關係的影像資料1503產生作為輸入資料。此外，使用影像資料1503的每個像素(區域)中包括的可固化組成物IM的液滴的密度作為指示可固化組成物IM的相鄰液滴之間的關係的資訊。在圖15B中，影像資料1503的每個像素的像素值(顏色)根據可固化組成物IM的液滴的密度而改變。更具體地，對於可固化組成物IM的液滴的密度為高的像素1504設定黑色像素值，並且對於可固化組成物IM的液滴的密度為低的像素1505設定白色像素值。

參考圖16A及16B，將描述用於使用神經網路進行學習的學習資料。圖16A顯示了基板S的壓射區域1601的測量資料，並且顯示了在壓射區域1601上形成的可固化組成物IM的膜中出現的每個缺陷1602的位置及尺寸。圖16B顯示了作為針對圖16A中所示的測量資料的神經網路的學習資料而產生的資料。此處，指示可固化組成物IM的膜中已經出現的缺陷的位置的影像資料1603產生作為學習資料。在圖16B中，影像資料1603的每個像素的像素值(顏色)根據缺陷的存在/不存在而改變。更具體地，對於對應於存在缺陷的位置的像素1604設定黑色像素值，並且對於對應於不存在缺陷的位置的像素1605設定白色像素值。

使用如上所述產生的輸入資料及學習資料來學習圖14中所示的神經網路。透過使用學習後的神經網路的模型，如在圖形神經網路中，可預測考慮到配置在基板S上的可固化組成物IM的複數個液滴的相互作用的複雜行為。

在本實施例中，已經描述了預測可固化組成物IM的液滴在透過將可固化組成物IM的液滴配置在基板S上並將模具M與液滴接觸來形成由可固化組成物IM的固化產物製成的膜的程序中的行為的情況。然而，本實施例不限於透過使模具M與可固化組成物IM的液滴彼此接觸來形成可固化組成物IM的膜的程序。例如，本實施例亦適用於透過合併配置在基板S上的可固化組成物IM的相鄰液滴來形成可固化組成物IM的膜的情況。即使在如上所述的不需要將基板S上的可固化組成物IM的液滴與模具M彼此接觸的情況下，可在使用可固化組成物IM的液滴的密度、基板S的形狀、可固化組成物IM的膜厚度等作為特徵量的同時預測可固化組成物IM的液滴的行為。

本發明的實施例亦可由系統或設備的電腦來實現，該電腦讀取並執行記錄在儲存媒體(也可更全面地稱作「非暫態性電腦可讀儲存媒體」)上的電腦可執行指令(例如，一個或更多個程式)以執行上述一個或更多個實施例的功能，及/或該電腦包括用於執行上述一個或更多個實施例的功能的一個或更多個電路(例如，特殊應用積體電路(ASIC))，且本發明的實施例由系統或設備的電腦執行的方法來實現，該電腦透過，例如，讀取並執行來自儲存媒體的電腦可執行指令以執行上述一個或更多個實施例的功能，及/或該電腦控制一個或更多個電路以執行上述一個或更多個實施例的功能。電腦可包括一個或更多個處理器(例如，中央處理單元(CPU)、微處理單元(MPU))且可包括單獨的電腦或單獨的處理器的網路以讀取並執行電腦可執行指令。電腦可執行指令，例如，可從網路或儲存媒體提供給電腦。儲存媒體可包括，例如，硬碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、分散式運算系統的儲存器、光碟(諸如壓縮光碟(CD))、數位多功能光碟(DVD)或藍光光碟(BD)™)、快閃記憶體裝置、記憶卡等中的一個或更多個。

包含預測伺服器303(資訊處理設備)的膜形成設備IMP基於由預測伺服器303對可固化組成物的液滴的行為的預測來控制由配置在第一構件上的可固化組成物的複數個液滴形成可固化組成物的膜的程序。

根據本實施例的物品製造方法包括在重複上述預測方法(模擬)的同時確定由配置在第一構件上的可固化組成物的複數個液滴形成可固化組成物的膜的程序的條件的步驟及根據條件執行程序的步驟。至此已經描述了模具包括圖案的模式，但本發明亦適用於基板包括圖案的模式。

圖17A至圖17F顯示了製造物品的方法的更具體的示例。如圖17A中所示，製備表面上形成有諸如絕緣體的經處理材料(processed material)的諸如矽晶圓的基板。接著，透過噴墨法等將壓印材料塗佈於經處理材料的表面。此處顯示了壓印材料作為複數個液滴塗佈於基板上的狀態。

如圖17B中所示，用於壓印的具有突起及凹槽圖案的模具的一側形成在基板上並使其面對基板上的壓印材料。如圖17C中所示，將塗佈壓印材料的基板與模具接觸，並施加壓力。模具與經處理材料之間的間隙填充有壓印材料。在這種狀態下，當透過模具使作為為固化能量的光照射壓印材料時，壓印材料固化。

如圖17D中所示，在壓印材料固化後，將模具從基板上脫離。於是，在基板上形成壓印材料的固化產物的圖案。在固化產物的圖案中，模具的凹槽對應於固化產物的突起，模具的突起對應於固化產物的凹槽。即，將模具的突起及凹槽圖案轉印至壓印材料上。

如圖17E中所示，當使用固化產物的圖案作為抗蝕刻遮罩進行蝕刻時，移除經處理材料的表面中固化產物不存在或剩餘較薄的部分以形成凹槽。如圖17F中所示，當移除固化產物的圖案時，可獲得具有形成於經處理材料的表面中的凹槽的物品。此處移除了固化產物的圖案，但是，例如，此圖案可用於作為包含於半導體元件等中的層之間的絕緣體的膜而不在處理後移除，換言之，作為物品的構成構件。

儘管已經參考示例性實施例描述了本發明，但應當理解，本發明不限於所揭露的示例性實施例。以下申請專利範圍的範圍應給予最廣泛的解釋，以便涵蓋所有此類修改及等效結構及功能。

IMP:膜形成設備 S:基板 M:模具 CS:壓力控制空間 IM:可固化組成物 MP:圖案區域 102:基板保持單元 103:位置測量單元 104:基座 105:基板驅動機構 106:對準測量系統 107:固化單元 108:分配器 110:控制單元 111:光學構件 112:影像擷取單元 121:模具保持單元 122:模具驅動機構 123:變形機構 125:窗構件 130:支撐結構 140:模具輸送機構 150:模具清潔器 151:感測器 152:感測器 300:預測系統 301:測量設備 302:資料收集伺服器 303:預測伺服器 304:網路 401:系統匯流排 407:通訊單元 408:輸入單元 409:顯示單元 501:圖形 502:權重 503:圖形 5010:輸入層 5020:中間層 5030:中間層 5040:輸出層 601:圖形 602:圖形 603:圖形 604:權重 605:權重 h10:節點 h11:節點 h12:節點 h13:節點 h20:節點 h21:節點 h22:節點 h23:節點 h30:節點 h31:節點 h32:節點 h33:節點 801:配置圖案 802:鏈路 803:邊界線 804:節點 805:鏈路 806:鏈路 807:節點 901:圖形 902:圖形 903:圖形 904:圖形 1001:壓射區域 1002:缺陷 1004:配置圖案 1005:鏈路 1006:缺陷 1007:缺陷 1008:鏈路 1101:權重 1102:權重 1103:權重 1104:損失 1105:方向 1106:方向 11010:輸入層 11020:中間層 11030:中間層 11040:輸出層 11050:學習資料 1301:壓射區域 1302:液滴 1303:區域 1305:鏈路 1306:鏈路 1401:神經元 1402:權重 1403:權重 1404:權重 1405:損失 1406:方向 14010:輸入層 14020:中間層 14030:中間層 14040:輸出層 14050:學習資料 1501:壓射區域 1502:配置圖案 1503:影像資料 1504:像素 1505:像素 1601:壓射區域 1602:缺陷 1603:影像資料 1604:像素 1605:像素

[圖1A]及[圖1B]係解釋根據本發明實施例的膜形成設備的視圖。

[圖2A]至[圖2F]係顯示可固化組成物的液滴在基板上擴散的視圖。

[圖3]係顯示根據本發明實施例的預測系統的配置的視圖。

[圖4]係表示預測伺服器的硬體配置的方塊圖。

[圖5]係解釋圖形卷積網路的視圖。

[圖6]係詳細解釋圖形神經網路中的層之間的權重的視圖。

[圖7]係用於解釋使用圖形神經網路產生學習模型的程序的流程圖。

[圖8]顯示了解釋產生圖形的程序的視圖。

[圖9]顯示了解釋將特徵量分配給圖形的程序的視圖。

[圖10A]及[圖10B]係解釋從測量資料產生學習資料的程序的視圖。

[圖11]係顯示設定為學習模型的圖形神經網路的示例的視圖。

[圖12]係用於解釋預測可固化組成物的液滴的行為的程序的流程圖。

[圖13A]及[圖13B]係解釋從輸入參數預測結果的示例的視圖。

[圖14]係顯示神經網路的示例的視圖。

[圖15A]及[圖15B]係解釋用於使用神經網路進行預測的輸入資料的視圖。

[圖16A]及[圖16B]係解釋用於使用神經網路進行學習的學習資料的視圖。

[圖17A]至[圖17F]係用於描述物品製造方法的視圖。

1004:配置圖案

1005:鏈路

1006:缺陷

1007:缺陷

1008:鏈路

Claims (21)

1. 一種預測方法，預測可固化組成物的液滴在由配置在第一構件上的該可固化組成物的複數個液滴形成該可固化組成物的膜的程序中的行為，該方法包括： 使用學習模型預測該液滴的該行為， 其中該學習模型的輸入包括指示該第一構件上將要配置該可固化組成物的該液滴的位置的第一資訊。
2. 如請求項1所述的方法，其中 該學習模型的該輸入包括指示該複數個液滴中的相鄰液滴之間的相對位置關係的第二資訊。
3. 如請求項2所述的方法，其中 該第二資訊透過由節點及連接該節點的鏈路形成的圖形來表示。
4. 如請求項3所述的方法，其中 在該圖形中，對應於該複數個液滴中的每一者的位置設定為該節點，且連接相鄰節點的線設定為該鏈路。
5. 如請求項4所述的方法，其中 該位置包括該複數個液滴中的每一者的中心位置。
6. 如請求項3所述的方法，其中 在該圖形中，由該複數個液滴中的相鄰液滴界定的區域中的位置設定為該節點，且連接相鄰節點的線設定為該鏈路。
7. 如請求項6所述的方法，其中 該區域是由沃羅諾伊圖(Voronoi diagram)的沃羅諾伊邊界(Voronoi boundary)劃分的區域，其中該複數個液滴中的每一者設定為產生點。
8. 如請求項6所述的方法，其中 該位置包括該區域的質心位置。
9. 如請求項6所述的方法，其中 該位置包括沃羅諾伊圖的沃羅諾伊邊界，其中該複數個液滴中的每一者設定為產生點。
10. 如請求項3所述的方法，其中 在該圖形中，對應於該複數個液滴中的每一者的位置、由該複數個液滴中的相鄰液滴界定的區域中的位置及沃羅諾伊圖的沃羅諾伊邊界相交的位置設定為節點，其中該複數個液滴中的每一者設定為產生點，且連接相鄰節點的線設定為該鏈路。
11. 如請求項3所述的方法，其中 在該圖形中，該節點及該鏈路中的至少一者持有作為特徵量之與該液滴的位置及體積有關的資訊及與該第一構件的形狀有關的資訊中的一者。
12. 如請求項2所述的方法，還包括： 在使用該第一資訊及該第二資訊中的至少一者作為該輸入並且使用該液滴的該預測行為作為學習資料的同時產生該學習模型。
13. 如請求項1所述的方法，其中 在該預測中，將該複數個液滴中的相鄰液滴的合併程度預測作為該液滴的該行為。
14. 如請求項1及2中之任一項所述的方法，其中 該方法包括使配置在該第一構件及第二構件上的該可固化組成物彼此接觸的步驟，從而在該第一構件與該第二構件之間的空間中形成該可固化組成物的膜。
15. 如請求項14所述的方法，其中 該學習模型的該輸入包括指示該液滴的體積的資訊、關於該液滴的揮發的資訊、關於該第一構件的形狀的資訊及關於設置在該第二構件上的圖案的形狀的資訊中的至少一者。
16. 如請求項2所述的方法，其中 該學習模型使用圖形神經網路。
17. 如請求項1所述的方法，其中 該學習模型使用神經網路。
18. 一種資訊處理設備，其預測可固化組成物的液滴在由配置在第一構件上的該可固化組成物的複數個液滴形成該可固化組成物的膜的程序中的行為，其中 該設備使用學習模型預測該液滴的該行為，並且 該學習模型的輸入包括指示該第一構件上將要配置該可固化組成物的該液滴的位置的資訊。
19. 一種膜形成設備，其包含有請求項18所述的資訊處理設備，其中 基於透過該資訊處理設備對可固化組成物的液滴的行為的預測，控制由配置在第一構件上的該可固化組成物的複數個液滴形成該可固化組成物的膜的程序。
20. 一種物品製造方法，包括： 在重複請求項1中界定的預測方法的同時，確定由配置在第一構件上的可固化組成物的複數個液滴形成該可固化組成物的膜的程序的條件，及 根據該條件執行該程序。
21. 一種非暫態性儲存媒體，其儲存用於使電腦執行請求項1中界定的預測方法的程式。

Images