TW202411790A - 訓練模型以產生預測資料 - Google Patents
訓練模型以產生預測資料 Download PDFInfo
- Publication number
- TW202411790A TW202411790A TW112127466A TW112127466A TW202411790A TW 202411790 A TW202411790 A TW 202411790A TW 112127466 A TW112127466 A TW 112127466A TW 112127466 A TW112127466 A TW 112127466A TW 202411790 A TW202411790 A TW 202411790A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- sample
- measured
- measured data
- generator model
- Prior art date
Links
- 238000012549 training Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 286
- 230000008569 process Effects 0.000 claims abstract description 165
- 238000005530 etching Methods 0.000 claims abstract description 128
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000001459 lithography Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002427 irreversible effect Effects 0.000 claims description 5
- 239000000523 sample Substances 0.000 description 273
- 238000001514 detection method Methods 0.000 description 42
- 238000010894 electron beam technology Methods 0.000 description 36
- 239000002245 particle Substances 0.000 description 33
- 230000006870 function Effects 0.000 description 27
- 238000005259 measurement Methods 0.000 description 18
- 230000007547 defect Effects 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 15
- 239000000758 substrate Substances 0.000 description 14
- 238000007689 inspection Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 239000010410 layer Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 5
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000001878 scanning electron micrograph Methods 0.000 description 4
- 235000012431 wafers Nutrition 0.000 description 4
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 230000000254 damaging effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本發明提供一種訓練一產生器模型之方法,其包含:使用該產生器模型基於第一經量測資料而產生預測資料,其中該第一經量測資料及該預測資料可用於形成樣本之影像;將該第一經量測資料之子集與該預測資料之子集配對,該等子集對應於可自該第一經量測資料及該預測資料形成之該樣本之該等影像內的位置;使用一鑑別器評估該預測資料來自與在一蝕刻程序之後自一樣本量測之第二經量測資料相同之一資料分佈的一可能性;及基於以下各者而訓練該產生器模型:對應於一相同位置之對的相關性相對於對應於不同位置之對的相關性,該相關性係該等配對之資料子集之間的相關性,及由該鑑別器評估之該可能性。
Description
本文中所揭示之實施例係關於基於在曝光程序之後但在蝕刻程序之前的樣本之經量測資料而產生蝕刻程序之後的樣本之預測資料,例如允許在蝕刻之前最佳化樣本之參數。
在製造半導體積體電路(IC)晶片時,由於例如光學效應及偶然粒子所引起的非所要圖案缺陷在製造程序期間不可避免地出現在基板(亦即,晶圓)或遮罩上,從而降低良率。因此,監測非所要圖案缺陷之範圍為IC晶片之製造中之重要程序。更一般而言,基板或其他物件/材料之表面的檢測及/或量測為在其製造期間及/或之後的重要程序。
具有帶電粒子束之圖案檢測設備已用於檢測物件,該等物件可稱為樣本,例如以偵測圖案缺陷。此等設備通常使用電子顯微技術,諸如掃描電子顯微鏡(SEM)。在SEM中,利用最終減速步驟以在相對高能量下之電子的初級電子束為目標以便使其以相對低的著陸能量著陸於樣本上。電子束經聚焦作為樣本上之探測光點。探測光點處之材料結構與來自電子束之著陸電子之間的相互作用使得待自表面發射信號電子,諸如次級電子、反向散射電子或歐傑(Auger)電子。可自樣本之材料結構發射信號電子。藉由使初級電子束作為探測光點掃描遍及樣本表面,可跨越樣本之表面發射信號電子。藉由自樣本表面收集此等所發射信號電子,圖案檢測設備可獲得表示樣本之表面之材料結構的特性之影像。
可能需要在樣本之不同處理階段掃描樣本。例如,可在已對樣本執行微影曝光程序之後但在後續蝕刻程序之前掃描樣本。此允許所謂的待量測樣本之顯影後檢測(ADI)影像,有時稱為微影後檢測影像。隨後可在蝕刻程序之後掃描樣本。此允許所謂的待形成樣本之蝕刻後檢測(AEI)影像。此等影像之資料可用於例如在蝕刻之前最佳化樣本之參數及/或改良後續基板之微影處理。掃描樣本之程序可損害樣本,例如藉由損害樣本之抗蝕劑材料。掃描程序亦可減少樣本評估方法之產出量。
通常需要改良樣本評估方法之產出量及/或減少由樣本評估方法造成之損害及/或改良準確度。
本揭示之目的為提供支援改良樣本評估方法中之產出量及/或減少由樣本評估方法造成之損害的實施例。
根據本發明之一態樣,提供一種訓練一產生器模型之方法,該產生器模型處理在一蝕刻程序之前自一樣本量測之第一經量測資料以產生預測一蝕刻程序之後的該樣本之預測資料,該方法包含:使用該產生器模型基於該第一經量測資料而產生該預測資料,其中該第一經量測資料及該預測資料可用於形成該樣本之影像;將該第一經量測資料之子集與該預測資料之子集配對,該等子集對應於可自該經量測資料及該預測資料形成之該樣本之該等影像內的位置;使用一鑑別器評估該預測資料來自與在一蝕刻程序之後自一不同位置處的一樣本量測之第二經量測資料相同之一資料分佈的一可能性;及基於以下各者而訓練該產生器模型:對應於一相同位置之對的相關性相對於對應於不同位置之對的相關性,該相關性係該等配對之資料子集之間的相關性,及由該鑑別器評估之該可能性。
根據本發明之一態樣,提供一種用於訓練一產生器模型之產生器模型訓練設備,該產生器模型處理在一蝕刻程序之前自一樣本量測之第一經量測資料以產生預測一蝕刻程序之後的該樣本之預測資料,該設備包含:一處理器,其經組態以:使用該產生器模型基於該第一經量測資料而產生該預測資料,其中該第一經量測資料及該預測資料可用於形成該樣本之影像;將該第一經量測資料之子集與該預測資料之子集配對,該等子集對應於可自該第一經量測資料及該預測資料形成之該樣本之該等影像內的位置;使用一鑑別器評估該預測資料來自與在一蝕刻程序之後自一不同位置處的一樣本量測之第二經量測資料相同之一資料分佈的一可能性;及基於以下各者而訓練該產生器模型:對應於一相同位置之對的相關性相對於對應於不同位置之對的相關性,該相關性係該等配對之資料子集之間的相關性,及由該鑑別器評估之該可能性。
根據本發明之一態樣,提供一種電腦可讀媒體,其儲存經組態以控制一處理器以訓練一產生器模型之指令,該產生器模型處理在一蝕刻程序之前自一樣本量測之第一經量測資料以產生預測一蝕刻程序之後的該樣本之預測資料,該電腦可讀媒體儲存經組態以控制該處理器進行以下操作之指令:使用該產生器模型基於該第一經量測資料而產生該預測資料,其中該第一經量測資料及該預測資料可用於形成該樣本之影像;將該第一經量測資料之子集與該預測資料之子集配對,該等子集對應於可自該經量測資料及該預測資料形成之該樣本之該等影像內的位置;使用一鑑別器評估該預測資料來自與在一蝕刻程序之後自一不同位置處的一樣本量測之第二經量測資料相同之一資料分佈的一可能性;及基於以下各者而訓練該產生器模型:對應於一相同位置之對的相關性相對於對應於不同位置之對的相關性,該相關性係該等配對之資料子集之間的相關性,及由該鑑別器評估之該可能性。
根據本發明之一態樣,提供一種訓練一產生器模型之方法,該產生器模型處理在一蝕刻程序之後自一樣本量測的配對之經量測資料,該樣本已預先在該蝕刻程序之前量測,以產生在未預先在該蝕刻程序之前量測該樣本之情況下模擬該蝕刻程序之後的該樣本的假設資料,該方法包含:使用該產生器模型基於該配對之經量測資料而產生該假設資料,其中該配對之經量測資料及該假設資料可用於形成該樣本之影像;使用一鑑別器評估該假設資料來自與在一蝕刻程序之後自一樣本量測之實際量測資料相同的一資料分佈的一可能性,該樣本在該蝕刻程序之前未經預先量測;及基於以下各者而訓練該產生器模型:指示該配對之經量測資料及該假設資料之間的相關性之一水平的一函數,及由該鑑別器評估之該可能性。
根據本發明之一態樣,提供一種用於訓練一產生器模型之產生器模型訓練設備,該產生器模型處理在一蝕刻程序之後自一樣本量測之配對之經量測資料,該樣本已預先在該蝕刻程序之前量測,以產生在未預先在該蝕刻程序之前量測該樣本之情況下模擬該蝕刻程序之後的該樣本的假設資料,該設備包含:一處理器,其經組態以:使用該產生器模型基於該配對之經量測資料而產生該假設資料,其中該配對之經量測資料及該假設資料可用於形成該樣本之影像;使用一鑑別器評估該假設資料來自與在一蝕刻程序之後自一樣本量測之實際量測資料相同的一資料分佈的一可能性,該樣本在該蝕刻程序之前未經預先量測;及基於以下各者而訓練該產生器模型:指示該配對之經量測資料及該假設資料之間的相關性之一水平的一函數,及由該鑑別器評估之該可能性。
根據本發明之一態樣,提供一種電腦可讀媒體,其儲存經組態以控制一處理器以訓練一產生器模型之指令,該產生器模型處理在一蝕刻程序之後自一樣本量測之配對之經量測資料,該樣本已預先在該蝕刻程序之前量測,以產生在未預先在該蝕刻程序之前量測該樣本之情況下模擬該蝕刻程序之後的該樣本的假設資料,該電腦可讀媒體儲存經組態以控制該處理器進行以下操作之指令:使用該產生器模型基於該配對之經量測資料而產生該假設資料,其中該配對之經量測資料及該假設資料可用於形成該樣本之影像;使用一鑑別器評估該假設資料來自與在一蝕刻程序之後自一樣本量測之實際量測資料相同的一資料分佈的一可能性,該樣本在該蝕刻程序之前未經預先量測;及基於以下各者而訓練該產生器模型:指示該配對之經量測資料及該假設資料之間的相關性之一水平的一函數,及由該鑑別器評估之該可能性。
現將詳細參考例示性實施例,該等例示性實施例之實例繪示於隨附圖式中。以下描述參考隨附圖式,其中除非另外表示,否則不同圖式中之相同編號表示相同或類似元件。例示性實施例之以下描述中所闡述之實施不表示符合本發明之所有實施。實情為,其僅為符合關於隨附申請專利範圍中所列舉的本發明之態樣的設備及方法之實例。
可藉由顯著增大IC晶片上之電路組件(諸如電晶體、電容器、二極體等)之裝填密度來實現電子裝置之增強之計算能力,其減小該等裝置之實體大小。此已藉由增加之解析度來實現,從而使得能夠製作更小之結構。舉例而言,智慧型手機的IC晶片(其為拇指甲大小且在2019年或更早可用)可包括超過20億個電晶體,各電晶體之大小小於人類毛髮之1/1000。因此,半導體IC製造係具有數百個個別步驟之複雜且耗時程序並不出人意料。即使一個步驟中之誤差亦有可能顯著影響最終產品之功能。僅一個「致命缺陷」可造成裝置故障。製造程序之目標為改良程序之總良率。舉例而言,為獲得50步驟程序(其中步驟可指示形成於晶圓上之層之數目)之75%良率,各個別步驟必須具有大於99.4%之良率。若各個別步驟具有95%之良率,則總程序良率將低至7%。
儘管高程序良率在IC晶片製造設施中為合乎需要的,但維持高基板(亦即,晶圓)產出量(經定義為每小時處理之基板之數目)亦為必不可少的。高程序良率及高基板產出量可受到缺陷之存在影響。若需要操作員干預來審查缺陷,則此尤其成立。因此,由檢測裝置(諸如掃描電子顯微鏡(『SEM』))進行之微米及奈米級缺陷之高產出量偵測及識別對於維持高良率及低成本係必要的。
SEM包含掃描裝置及偵測器設備。掃描裝置包含:照射設備,其包含用於產生初級電子之電子源;及投影設備,其用於運用一或多個聚焦之初級電子束來掃描樣本,諸如基板。至少照射設備或照射系統及投影設備或投影系統可統稱為電子光學系統或設備。初級電子與樣本相互作用,且產生次級電子。偵測設備在掃描樣本時捕捉來自樣本之次級電子,使得SEM可產生樣本之經掃描區域的影像。對於高產出量檢測,一些檢測設備使用初級電子之多個聚焦射束,亦即,多射束。多射束之組成射束可稱為子射束或細射束。多射束可同時掃描樣本之不同部分。多射束檢測設備可因此以比單射束檢查設備高得多的速度檢測樣本。
下文描述已知多射束檢測設備之實施。
儘管描述及圖式係針對電子光學系統,但應瞭解,實施例不用於將本揭示限制為特定帶電粒子。因此,更一般而言,貫穿本發明文件對電子之參考可認為係對帶電粒子之參考,其中帶電粒子未必為電子。
現參考
圖 1,其為繪示例示性帶電粒子束檢測系統100之示意圖,該帶電粒子束檢測系統亦可稱為帶電粒子束評估系統或簡稱為評估系統。
圖 1之帶電粒子束檢測系統100包括主腔室10、裝載鎖定腔室20、電子束系統40、裝備前端模組(EFEM) 30及控制器50。電子束系統40位於主腔室10內。
EFEM 30包括第一裝載埠30a及第二裝載埠30b。EFEM 30可包括額外裝載埠。第一裝載埠30a及第二裝載埠30b可例如接收含有待檢測之基板(例如,半導體基板或由其他材料製成之基板)或樣本之基板前開式單元匣(FOUP) (基板、晶圓及樣本在下文統稱為「樣本」)。EFEM 30中之一或多個機器人臂(未展示)將樣本輸送至裝載鎖定腔室20。
裝載鎖定腔室20用於移除樣本周圍之氣體。此產生真空,該真空係低於周圍環境中之壓力的局部氣體壓力。裝載鎖定腔室20可連接至裝載鎖定真空泵系統(未展示),該裝載鎖定真空泵系統移除裝載鎖定腔室20中之氣體粒子。裝載鎖定真空泵系統之操作使得裝載鎖定腔室能夠達到低於大氣壓力之第一壓力。在達到第一壓力之後,一或多個機器人臂(未展示)可將樣本自裝載鎖定腔室20輸送至主腔室10。主腔室10連接至主腔室真空泵系統(未展示)。主腔室真空泵系統移除主腔室10中之氣體粒子,使得樣本周圍之壓力達到低於第一壓力之第二壓力。在達到第二壓力之後,將樣本輸送至可檢測樣本之電子束系統。電子束系統40可包含多射束電子光學設備。
控制器50以電子方式連接至電子束系統40。控制器50可為經組態以控制帶電粒子束檢測設備100之處理器(諸如電腦)。控制器50亦可包括經組態以執行各種信號及影像處理功能之處理電路系統。儘管控制器50在
圖 1中展示為在包括主腔室10、裝載鎖定腔室20及EFEM 30之結構外部,但應瞭解,控制器50可為該結構之部分。控制器50可位於帶電粒子束檢測設備之組成元件中之一者中,或其可分佈於組成元件中之至少兩者上方。儘管本揭示提供容納電子束系統之主腔室10之實例,但應注意,本揭示之態樣在其最廣泛意義上而言不限於容納電子束系統之腔室。實際上,應瞭解,亦可將前述原理應用於在第二壓力下操作之設備的其他裝置及其他配置。
現參考
圖 2,其為繪示作為
圖 1之例示性帶電粒子束檢測系統100之部分的例示性電子束系統40之示意圖,該電子束系統包括多射束電子光學系統41。電子束系統40包含電子源201及投影設備230。電子束系統40進一步包含機動載物台209及樣本固持器207。電子源201及投影設備230可統稱為電子光學系統41或稱為電子光學柱。樣本固持器207藉由機動載物台209支撐,以便固持用於檢測之樣本208 (例如,基板或遮罩)。多射束電子光學系統41進一步包含偵測器240 (例如,電子偵測裝置)。
電子源201可包含陰極(未展示)及提取器或陽極(未展示)。在操作期間,電子源201經組態以自陰極發射電子作為初級電子。藉由提取器及/或陽極提取或加速初級電子以形成初級電子束202。
投影設備230經組態以將初級電子束202轉換成複數個子射束211、212、213且將各子射束引導至樣本208上。儘管為簡單起見繪示三個子射束,但可存在數十、數百、數千、數萬或成千上萬個子射束。子射束可稱為細射束。
控制器50可連接至
圖 1之帶電粒子束檢測設備100之各種部分,諸如電子源201、偵測器240、投影設備230及機動載物台209。控制器50可執行各種影像及信號處理功能。控制器50亦可產生各種控制信號以管控帶電粒子束檢測設備(包括帶電粒子多射束設備)之操作。
投影設備230可經組態以將子射束211、212及213聚焦至用於檢測之樣本208上且可在樣本208之表面上形成三個探測光點221、222及223。投影設備230可經組態以使初級子射束211、212及213偏轉以使探測光點221、222及223掃描跨越樣本208之表面之區段中的個別掃描區域。回應於初級子射束211、212及213入射於樣本208上之探測光點221、222及223上,自樣本208產生電子,該等電子包括可稱為信號粒子之次級電子及反向散射電子。次級電子通常具有小於或等於50 eV之電子能量。實際次級電子可具有小於5 eV之能量,但低於50 eV之任何物通常視為次級電子。反向散射電子通常具有介於0 eV與初級子射束211、212及213之著陸能量之間的電子能量。由於偵測到之能量小於50 eV之電子通常視為次級電子,因此部分實際反向散射電子將視為次級電子。
偵測器240經組態以偵測諸如次級電子及/或反向散射電子之信號粒子且產生發送至信號處理系統280之對應信號,例如以建構樣本208之對應經掃描區域的影像。偵測器240可併入至投影設備230中。
信號處理系統280可包含經組態以處理來自偵測器240之信號以便形成影像的電路(未展示)。信號處理系統280可另外稱為影像處理系統。信號處理系統可併入至電子束系統40之組件中,諸如偵測器240 (如
圖 2中所展示)。然而,信號處理系統280可併入至檢測設備100或電子束系統40之任何數目個組件中,諸如作為投影設備230或控制器50之部分。信號處理系統280可包括影像獲取器(未展示)及儲存裝置(未展示)。舉例而言,信號處理系統可包含處理器、電腦、伺服器、大型電腦主機、終端機、個人電腦、任何種類之行動計算裝置及其類似者,或其組合。影像獲取器可包含控制器之處理功能之至少部分。因此,影像獲取器可包含至少一或多個處理器。影像獲取器可以通信方式耦接至准許信號通信之偵測器240,諸如電導體、光纖纜線、攜帶型儲存媒體、IR、藍牙、網際網路、無線網路、無線電等,或其組合。影像獲取器可自偵測器240接收信號,可處理包含於信號中之資料且可根據該資料建構影像。影像獲取器可因此獲取樣本208之影像。影像獲取器亦可執行各種後處理功能,諸如產生輪廓線、疊加指示符於所獲取影像上及類似者。影像獲取器可經組態以執行所獲取影像之亮度及對比度等的調整。儲存器可為諸如以下各者之儲存媒體:硬碟、快閃隨身碟、雲端儲存器、隨機存取記憶體(RAM)、其他類型之電腦可讀記憶體及其類似者。儲存器可與影像獲取器耦接,且可用於保存作為初始影像之經掃描原始影像資料以及後處理影像。
信號處理系統280可包括量測電路系統(例如,類比至數位轉換器)以獲得偵測到之次級電子的分佈。在偵測時間窗期間收集之電子分佈資料可與入射於樣本表面上之初級子射束211、212及213中之各者之對應掃描路徑資料結合使用,以重建構受檢測樣本結構之影像。經重建構影像可用於顯露樣本208之內部或外部結構之各種特徵。經重建構影像可由此用於顯露可能存在於樣本中之任何缺陷。為方便起見,信號處理系統280之上述功能可在控制器50中進行或在信號處理系統280與控制器50之間共用。
控制器50可控制機動載物台209以在樣本208之檢測期間移動樣本208。控制器50可使得機動載物台209能夠至少在樣本檢測期間在一方向上較佳地連續(例如,以恆定速度)移動樣本208,此可稱為一種類型之掃描。控制器50可控制機動載物台209之移動,使得該控制器取決於各種參數而改變樣本208之移動速度。舉例而言,控制器50可取決於掃描程序之檢測步驟及/或掃描程序之掃描的特性而控制載物台速度(包括其方向),例如2021年5月3日申請之EPA 21171877.0中所揭示,該EPA 21171877.0就至少為載物台之經組合步進及掃描策略而言特此併入。
已知多射束系統(諸如上文所描述之電子束系統40及帶電粒子束檢測設備100)揭示於特此以引用之方式併入的US2020118784、US20200203116、US 2019/0259570及US2019/0259564中。
電子束系統40可包含投影總成以藉由照射樣本208來調節樣本上之累積電荷。
圖 3為根據實施例之例示性單射束電子束系統41'''的示意圖。如
圖 3中所展示,在實施例中,電子束系統包含由機動載物台209支撐以固持待檢測之樣本208的樣本固持器207。電子束系統包含電子源201。電子束系統進一步包含槍孔徑122、射束限制孔徑125、聚光透鏡126、柱孔徑135、物鏡總成132及電子偵測器144。在一些實施例中,物鏡總成132可為經修改之擺動物鏡延遲浸沒透鏡(swing objective retarding immersion lens;SORIL),其包括極片132a、控制電極132b、偏轉器132c及激磁線圈132d。控制電極132b具有形成於其中以供電子束通過之孔徑。控制電極132b形成面向表面72,下文更詳細地描述。
在成像程序中,自源201發出之電子束可穿過槍孔徑122、射束限制孔徑125、聚光透鏡126,且由經修改之SORIL透鏡聚焦成探測光點且接著照射至樣本208之表面上。可藉由偏轉器132c或SORIL透鏡中之其他偏轉器使探測光點掃描跨越樣本208之表面。自樣本表面發出之次級電子可藉由電子偵測器144收集以在樣本208上形成所關注區域之影像。
電子光學系統41之聚光器及照明光學器件可包含電磁四極電子透鏡或由電磁四極電子透鏡補充。舉例而言,如
圖 3中所展示,電子光學系統41可包含第一四極透鏡148及第二四極透鏡158。在實施例中,四極透鏡用於控制電子束。舉例而言,可控制第一四極透鏡148以調整射束電流,且可控制第二四極透鏡158以調整射束光點大小及射束形狀。
如本說明書之引言部分中所提及,樣本評估方法可用於評估樣本中之非所要專利缺陷之範圍。此類方法可涉及在形成圖案之程序之一或多個階段處掃描樣本(或至少樣本之部分)。當製造IC晶片時,製造程序可涉及微影曝光程序。微影曝光程序可包含利用輻射來輻照樣本(亦即,一基板)。例如,可輻照一抗蝕劑(例如,一光阻劑)。製造程序可包含一蝕刻程序。蝕刻程序可包含蝕刻抗蝕劑之經輻照或非經輻照部分。
可在曝光程序之後及在蝕刻程序之前掃描樣本,即所謂的顯影後檢測(after development inspection;ADI)。此掃描可生成關於樣本中之非所要專利缺陷之範圍的資訊。此資訊可用於形成樣本之影像。形成影像可為非必需的。舉例而言,資訊(影像可自該資訊形成)可在實際上不生成影像之情況下用於後續處理步驟中。藉由在曝光程序之後及在蝕刻程序之前掃描樣本而形成之資料集可稱為ADI影像。另外或替代地,可在蝕刻程序之後(且因此亦在曝光程序之後)掃描樣本,即所謂的蝕刻後檢測(after etch inspection;AEI)。此可生成關於樣本中之非所要專利缺陷之範圍的資料。資料可用於形成影像。資料可稱為AEI影像。生成視覺影像為非必需的。實情為,可用於形成影像之資料可在實際上不生成影像之情況下用於後續處理步驟中。
揭示一種訓練產生器模型之方法。產生器模型經組態以處理第一經量測資料60來產生預測資料81。第一經量測資料60在蝕刻程序之前自一樣本208量測。蝕刻程序為蝕刻樣本208,例如蝕刻樣本208之一抗蝕劑層之程序。在一實施例中,第一經量測資料包含可用於形成ADI影像之資料。預測資料81在蝕刻程序之後預測樣本208。預測資料81可為可用於形成AEI影像之資料。
在一實施例中,方法係用於訓練可在ADI與AEI SEM影像之間映射的深度學習模型(亦即,產生器模型)。在一實施例中,方法包含自樣本208量測第一經量測資料60。舉例而言,可藉由利用一帶電粒子束檢測系統100 (例如,一SEM)掃描樣本208而自樣本208量測第一經量測資料60。替代地,可能已經自樣本208量測第一經量測資料60。方法可使用已經自樣本208量測之第一經量測資料60。
圖 4為展示根據本發明之一實施例之一方法中所使用之資料集的圖式。
圖 4之左手側中所展示的資料集對應於第一經量測資料60。如
圖 4中所展示,在一實施例中,第一經量測資料60包含一或多個ADI影像61至63。在
圖 4中所展示之實例中,ADI影像61至63展示樣本208之接觸孔65。如
圖 4中所展示,接觸孔65在俯視圖中查看時可具有大致圓形形狀。樣本208可具有額外或替代特徵。舉例而言,樣本208可具有線性特徵。
在一實施例中,方法包含使用產生器模組基於第一經量測資料60而產生預測資料81。第一經量測資料60及預測資料81可用於形成樣本208之影像。
圖 5為展示第一經量測資料60之ADI影像61及可自預測資料81形成之預測AEI影像的圖式。參考
圖 5,在一實施例中,方法包含將第一經量測資料60之子集67至69與預測資料81之子集87配對。如
圖 5中所展示,子集67至69、子集87對應於可自第一經量測資料60及預測資料81形成之樣本208之影像內的位置。
根據
圖 5中所展示之資料子集67至69、87,可組成三個可能的對。第一對可形成於子集67與子集87之間。此等兩個子集67、87對應於樣本208之相同位置,如自
圖 5中所展示之ADI影像61與自預測資料81形成之AEI影像之間的比較所展示。相比之下,子集68、69對應於子集87之不同位置。第二可能對由子集68及子集87形成。第三可能對可形成於子集69與子集87之間。各對由第一經量測資料60之子集及預測資料81之子集組成。諸如第一對子集67、87之一些對對應於樣本208之相同位置。諸如上文提及之第二對及第三對的其他對對應於樣本208之不同位置。
在一實施例中,方法包含基於對應於相同位置之對的相關性相對於對應於不同位置之對的相關性而訓練產生器模型。相關性為配對之兩個資料子集之間的相關性。舉例而言,在一實施例中,方法包含判定來自第一經量測資料60之子集67與來自預測資料81之子集87之間的相關性。相關性可藉由計算配對之資料子集的交叉熵來判定。在一實施例中,方法包含判定對應於不同位置之其他配對之資料子集(例如,第二對子集68、87及第三對子集69、87)的相關性。相關性之判定可包含判定各對之交叉熵。
在一實施例中,產生器模型經訓練以便增加對應於相同位置之對的相關性相對於對應於不同位置之對的相關性。產生器模型經訓練以便大體上增加來自第一經量測資料60之ADI影像61與自預測資料81形成之預測AEI影像之間的類似性。實務上,樣本208在蝕刻程序期間變更。因此,預期ADI影像61與自預測資料81形成之預測AEI影像之間存在一定差異。然而,一般而言,預期經量測ADI影像61及預測AEI影像展現相同實體結構,例如,樣本208之相同特徵(例如,接觸孔或線性特徵)。
如
圖 5中所展示,可見於ADI影像61中之接觸孔65可與預測AEI影像中之蝕刻後接觸孔75類似地可見。特徵之參數及尺寸在兩個影像之間可為不同的。舉例而言,關鍵尺寸(CD)可為不同的。然而,實體結構之一般形狀可保持相同。藉由基於對應於相同位置之對的相關性相對於對應於不同位置之對的相關性而訓練產生器模型,預期可改良產生器模型。
藉由產生預測資料81,掃描樣本208以便形成對應於經量測ADI影像61至63之位置的AEI影像可為非必需的。預期本發明之實施例減少對樣本208之損害。在樣本208之相同位置處量測ADI影像及AEI影像為非必需的。此為合乎需要的,此係由於樣本208之檢測可以其他方式損害樣本。舉例而言,ADI可具有對抗蝕劑之損害效應,且此效應可影響在蝕刻程序之後量測之物。預期本發明之實施例改良在樣本208上形成圖案之準確度。
資料子集67至69、87可稱為嵌塊。在一實施例中,方法包含比較來自ADI影像61及所產生AEI影像之嵌塊。在一實施例中,方法包含將對應於AEI嵌塊之ADI嵌塊設定為正例。舉例而言,第一對子集67、87被視為正例,此係由於ADI嵌塊67對應於AEI嵌塊87,由於其對應於樣本208之相同位置。在一實施例中,將所有其他嵌塊對設定為反例。舉例而言,第二對子集68、87及第三對子集69、87可設定為反例。在一實施例中,方法包含減小或最小化正例之交叉熵。
在一實施例中,方法包含使用鑑別器評估預測資料81來自與第二經量測資料70相同之資料分佈的可能性。第二經量測資料70在蝕刻程序之後自樣本208量測。第二經量測資料70展示於
圖 4之右手側中。第二經量測資料70可用於形成AEI影像71至73。AEI影像71至73展示接觸孔75之蝕刻後視圖。在一實施例中,方法包含自樣本208量測第二經量測資料70。舉例而言,第二經量測資料70可藉由使用稱為射束檢測系統100 (例如,SEM)之帶電粒子在蝕刻程序之後掃描樣本208來量測。替代地,可能已預先量測第二經量測資料70。
在一實施例中,本發明使用生成對抗網路(generative adversarial network;GAN)。鑑別器經組態以評估自預測資料81形成之預測AEI影像與自第二經量測資料70形成之實際AEI影像71至73擬合的可能性。在一實施例中,方法包含基於由鑑別器評估之可能性而訓練產生器模型。舉例而言,產生器模型可經訓練以便增加由鑑別器評估之可能性。藉由考慮由鑑別器作出之評估,可預期改良產生器模型。
在一實施例中,產生器模型之輸出經約束以生成來自與訓練集中之AEI影像71至73相同之分佈的影像(或可用於形成影像之資料集)。訓練集可包含第一經量測資料60之ADI影像61至63及第二經量測資料70之AEI影像71至73。在一實施例中,鑑別器網路用於採取預測資料81作為輸入且輸出一值,例如,介於0與1之間的值。在一實施例中,由鑑別器輸出之值愈大,自預測資料81形成之影像看起來愈可能來自所要分佈,亦即,第二經量測資料70之AEI影像71至73。
在一實施例中,基於所計算之逐嵌塊對比損失及鑑別器而訓練產生器模型。預期本發明之實施例允許產生器模型在ADI影像與AEI影像之間的更廣範圍的可能映射上有效。舉例而言,情況可為第一經量測資料60與第二經量測資料70之間的映射為不可逆的。此意謂,例如,來自第一經量測資料60之ADI影像61與在蝕刻程序之後樣本208之相同位置的對應影像之間不存在一對一的對應關係。作為一個實例,樣本208在蝕刻程序之前的不同大小之接觸孔隨後在蝕刻程序之後具有相同尺寸。因此,不可能自AEI影像映射回以判定在蝕刻程序之前的接觸孔之尺寸。此為不可逆映射之實例。預期本發明之實施例允許在不依賴於可逆的ADI/AEI映射之情況下產生精確預測資料。
在一實施例中,方法包含根據預測資料81及第二經量測資料70計算樣本208之特徵之一或多個參數的一或多個參數值。舉例而言,在一實施例中,參數可包含CD、局部關鍵尺寸均勻性(LCDU)、局部邊緣置放誤差(LEPE)、線邊緣粗糙度及線寬粗糙度中之再一者。LCDU係關於諸如接觸孔或線性特徵之特徵之CD值的均勻性。可局部地計算CD值且計算其標準差以便判定LCDU。LEPE與特徵邊緣之置放相關。LEPE可為CD與疊對之組合。對於線性特徵,線邊緣粗糙度與線邊緣位置之均勻性相關。線邊緣粗糙度可為線性特徵之邊緣之筆直程度的度量。線寬粗糙與線性特徵之沿其長度之寬度的均勻性相關。在訓練產生器模型時,可考慮諸如此等參數之一或多個關鍵效能指示符。
在一實施例中,方法包含比較根據預測資料81計算之一或多個參數值與根據第二經量測資料70計算之一或多個參數值。在一實施例中,藉由鑑別器之評估取決於一或多個參數值之比較。鑑別器可接收參數值以便增強參數分佈之匹配。舉例而言,鑑別器可考慮根據預測資料81計算之CD來自根據第二經量測資料70計算之CD值之分佈的可能性。預期本發明之實施例改良在微影程序期間應用於樣本208之影像的產生器模型。
在一實施例中,根據預測資料81計算之一或多個參數值與根據第二經量測資料70計算之一或多個參數值之間的差愈小,由鑑別器評估之可能性愈大。此較小差可指示預測資料81與第二經量測資料70良好匹配。較大差可指示預測資料81不太真實。
預期本發明之實施例減少對可逆ADI/AEI映射之需求。實務上,ADI/AEI映射不太可能係完全可逆的。預期本發明之實施例在更廣泛的應用空間上實現更準確的邊緣偏差預測。預期本發明之實施例改良微影程序。
在一實施例中,藉由最小化以下損失L來訓練產生器模型:
L(G,D,X,Y)=L
GAN(G,D,X,Y)+αL
patch(G,H,X)
總損失函數L為兩個貢獻損失L
GAN及L
patch之總和。L
GAN與預測AEI影像與經量測AEI影像在相同資料分佈中之擬合程度相關。L
GAN係指對應於藉由鑑別器之評估的損失函數。L
patch與經量測ADI影像與預測AEI影像之間的類似性相關。L
patch為針對逐嵌塊對比損失之損失函數。α為一參數,其可受控制以控制基於ADI影像與AEI影像之間的類似性之增加而訓練產生器模型的程度以及基於改良預測AEI影像與經量測AEI影像之間的類似性而訓練產生器模型的程度。α值愈大,意謂基於經量測ADI影像與預測AEI影像之間的類似性之增加而訓練產生器模型的程度愈大。
損失函數為G、D、X、Y及H之函數。G係指產生器模型。D係指鑑別器模型。X係指第一經量測資料60。Y係指第二經量測資料70。H係指自第一經量測資料60提取特徵以便將第一經量測資料60壓縮成樣本208之相關特徵的網路。
貢獻損失函數可在數學上定義如下:
其中
E係指遍及資料分佈之期望值。z組分與嵌塊之經壓縮表示相關,亦即,來自第一經量測資料60及預測資料81之資料子集。
在一實施例中,產生器模型包含編碼器及解碼器。如上文所展示,在一實施例中,方法包含判定配對之資料子集之經提取特徵的交叉熵以便判定配對之資料子集之間的相關性。在一實施例中,方法包含利用產生器模型之編碼器編碼配對之資料子集,使得特徵可經提取。
如上文所展示,在一實施例中,逐嵌塊對比損失藉由對複數個嵌塊求和而計算。在一實施例中,逐嵌塊對比損失函數藉由對樣本208之複數個層求和而判定。樣本208可包含複數個層。各層可包含一組特徵。
在一實施例中,提供一種處理在蝕刻程序之前自樣本208量測之第一經量測資料60以產生預測蝕刻程序之後的樣本208之預測資料81的方法。在一實施例中,方法包含使用產生器模型基於第一經量測資料60而產生預測資料81。在一實施例中,已藉由上文所描述之方法訓練產生器模型。
在一實施例中,方法包含應用可在ADI與AEI SEM影像之間映射的深度學習模型(亦即,產生器模型)。在一實施例中,給定ADI SEM影像轉換成對應之經預測AEI SEM影像。替代地,生成影像可為非必需的。在一實施例中,方法包含將給定ADI資料轉換成對應之經預測AEI資料。
如上文所描述,在不使用量測-蝕刻-量測(MEM)資料之情況下產生預測資料為有可能的。MEM資料為在相關位置處同時執行ADI及AEI時量測之資料。在替代實施例中,提供一種使用未配對影像映射對MEM資料應用校正之方法。
如上文所描述,可使用逐嵌塊對比損失及鑑別器。在一實施例中,此等技術或替代地cycleGAN技術可與MEM資料組合使用。
在一實施例中,存在一種訓練產生器模型之方法,該產生器模型處理在蝕刻程序之後自樣本量測之配對之經量測資料,樣本已預先在蝕刻程序之前量測,以產生在未預先在蝕刻程序之前量測樣本之情況下模擬蝕刻程序之後的樣本之假設資料。
在一實施例中,方法包含生成配對之經量測資料。在一實施例中,方法包含在顯影程序之後及在任何蝕刻程序之前檢測樣本之部分(例如,產生ADI影像)。檢測可藉由電子束進行。在一實施例中,帶電粒子束檢測系統100用於利用一或多個帶電粒子束(例如,電子束)檢測樣本。方法可進一步包含在蝕刻程序之後檢測樣本之相同部分(例如,產生AEI影像)。ADI影像及AEI影像可對應於樣本之相同位置。在蝕刻程序之後量測之資料為配對之經量測資料。
在蝕刻程序之前檢測樣本之程序期間,可損害樣本。特定而言,用於檢測樣本之電子束可損壞抗蝕劑。損壞影響在蝕刻程序之後記錄之配對之經量測資料。因此,配對之經量測資料不同於在未在蝕刻程序之前檢測樣本之情況下已在蝕刻之後量測之資料。當然,在經量測資料中可存在一些隨機變化。此類隨機變化可藉由重複量測及取平均值而解釋。然而,由在顯影之後及在蝕刻之前進行之檢測造成之對樣本的損壞係一差異,即使對重複量測取平均值,該差異仍然存在。歸因於由ADI造成之抗蝕劑損壞,AEI圖案受影響且其不完全真實。
在替代實施例中,已預先產生配對之經量測資料。可使用此類預先提供之配對之經量測資料來執行方法。因此,可省略產生配對之經量測資料之步驟。
在一實施例中,方法包含訓練網路(諸如,cycleGAN或使用逐嵌塊對比損失及鑑別器之網路)以便學習如何將來自MEM資料之AEI資料(亦即,在顯影之後已經受檢測之配對之經量測資料)映射至在ADI期間未損壞之AEI資料(例如,在未預先在蝕刻程序之前量測樣本之情況下模擬在蝕刻程序之後的樣本之假設資料)。
替代地,可能已預先訓練此網路。經訓練網路可經提供且用於執行映射。可省略訓練步驟。
在一實施例中,方法包含對新MEM資料應用經訓練模型。輸出(亦即,假設資料)可用於相關研究。舉例而言,輸出可用於監測隨著蝕刻程序之時間推移是否存在任何變化(例如,漂移)。輸出可用於監測蝕刻程序之一或多個其他態樣,例如,任何缺陷。
本發明可實施為用於使用MEM實驗資料同時減少/避免ADI損壞對AEI資料之影響的訓練方案。預期本發明之實施例生成假設資料,該假設資料相比於在MEM實驗期間檢測之實際圖案更接近於現實(亦即,更接近於未經受ADI之圖案)係現實的。
在一實施例中,方法包含使用產生器模型基於配對之經量測資料而產生假設資料。配對之經量測資料可用於形成樣本之影像,亦即,AEI影像。假設資料可用於形成樣本之影像,亦即,假設AEI影像。實際上產生影像為非必需的。在一實施例中,資料可以保持非影像形式。替代地,可產生及顯示影像。
在一實施例中,方法包含使用鑑別器以評估假設資料來自與在蝕刻程序之後自樣本量測之實際量測資料相同的資料分佈的可能性,樣本未預先在蝕刻程序之前量測。
在實施例中,方法包含生成實際量測資料。實際量測資料可用於形成樣本之影像,亦即,AEI影像(或樣本之一或多個位置之多個影像)。替代地,可能已預先生成實際量測資料。可省略生成實際量測資料之步驟。
在一實施例中,實際量測資料對應於樣本之一或多個位置,該等位置實體上類似於對應於配對之經量測資料之位置(例如,具有與其類似之特徵)。舉例而言,若配對之經量測資料可用於形成接觸孔之影像,則合乎需要地,實際量測資料對應於具有經類似定位之接觸孔的位置。
在一實施例中,實際量測資料對應於樣本之一或多個位置,該一或多個位置經定位接近於對應於配對之經量測資料之位置。舉例而言,合乎需要地,實際量測資料對應於鄰近對應於配對之經量測資料之位置的位置。此可有助於解釋在樣本之不同位置處量測之資料的任何系統性變化(其可稱為指紋)。舉例而言,有可能存在與該位置距樣本之中心之距離相關的系統效應。在一實施例中,實際量測資料對應於與配對之經量測資料距樣本中心之距離類似之一或多個位置。
在一實施例中,實際量測資料對應於樣本之一或多個位置,該一或多個位置具有與對應於配對之經量測資料之位置類似之周圍圖案密度。舉例而言,配對之經量測資料之位置可由接觸孔以正六邊形圖案圍繞。合乎需要地,實際量測資料類似地對應於樣本之由規律地間隔開之接觸孔圍繞的一或多個位置。
在一實施例中,方法包含基於由鑑別器評估之可能性而訓練產生器模型。在一實施例中,產生器模型經訓練以便增加由鑑別器評估之可能性。此有助於增加生成之假設資料與樣本位置未經受ADI時量測到之資料之間的緊密度。
如上文所提及,在一實施例中,可使用對比損失。在一實施例中,方法包含基於指示配對之經量測資料與假設資料之間的相關性之水平的函數而訓練產生器模型。在一實施例中,方法包含將配對之經量測資料之子集與假設資料之子集配對,該等子集對應於可自配對之經量測資料及假設資料形成之樣本之影像內的位置。函數(其指示配對之經量測資料與假設資料之間的相關性的水平)係對應於相同位置之對的相關性相對於對應於不同位置之對的相關性,相關性係配對之資料子集之間的相關性。
在一實施例中,產生器模型經訓練以便增加對應於相同位置之對的相關性相對於對應於不同位置之對的相關性。在一實施例中,方法包含判定配對之資料子集之經提取特徵的交叉熵以便判定配對之資料子集之間的相關性。在一實施例中,方法包含利用產生器模型之編碼器來編碼配對之資料子集,使得特徵可經提取。
替代地,如上文所提及,在一實施例中,可使用cycleGAN。在一實施例中,方法包含使用反向產生器模型基於假設資料而產生模擬之經配對資料,其中模擬之經配對資料可用於形成樣本之影像。函數(其指示配對之經量測資料與假設資料之間的相關性的水平)係配對之經量測資料與模擬之經配對資料之間的類似性。在一實施例中,產生器模型及反向產生器模型經訓練以便增加配對之經量測資料與模擬之經配對資料之間的類似性。
在一實施例中,提供包含經組態以執行上文所描述之方法之處理器的處理器設備。舉例而言,處理器可經組態以執行訓練產生器模型之方法。另外或替代地,處理器可經組態以執行應用產生器模型之方法。
在一些實施例中,提供包含根據上文所描述之方法中之任一者產生樣本映射之評估方法。評估方法包含使用所產生之樣本映射來檢測樣本208以定位一或多個所關注特徵。評估方法可包含評估一或多個所關注特徵含有缺陷之程度。此可藉由比較所關注特徵之影像與樣本上其他處、其他樣本上或資料庫中之參考影像來達成。
在一些實施例中,藉由將一或多個帶電粒子(例如,電子)射束引導至樣本208上且偵測自樣本208發射之一或多個帶電粒子(例如,電子)來進行檢測。檢測可使用上文參考
圖 1 至圖 5描述之電子光學配置中之任一者或用於使用帶電粒子束檢測樣本之任何其他合適配置。亦可使用其他技術(諸如,基於電磁輻射之光學技術)來進行檢測。
對上部及下部、向上及向下、上方及下方等之參考應理解為參考平行於照射於樣本208上之電子束或多射束之(通常但未必總是豎直的)逆流方向及順流方向的方向。因此,對逆流方向及順流方向之參考意欲參考相對於獨立於任何當前重力場之射束路徑之方向。
本文中所描述之實施例可採用沿著射束或多射束路徑以陣列配置之一系列孔徑陣列或電子光學元件的形式。此類電子光學元件可為靜電的。在一實施例中,例如在樣本之前的子射束路徑中自射束限制孔徑陣列至最後電子光學元件的所有電子光學元件可為靜電的,及/或可呈孔徑陣列或板陣列之形式。在一些配置中,電子光學元件中之一或多者經製造為微機電系統(MEMS) (亦即,使用MEMS製造技術)。電子光學元件可具有磁性元件及靜電元件。舉例而言,複合陣列透鏡之特徵可在於涵蓋多射束路徑之巨型磁透鏡,該巨型磁透鏡具有在磁透鏡內且沿著多射束路徑配置之上部極板及下部極板。在極板中可為用於多射束之射束路徑的孔徑陣列。電極可存在於極板上方、下方或之間以控制及最佳化複合透鏡陣列之電磁場。
根據本發明之評估工具或評估系統可包含進行樣本之定性評估(例如,通過/失敗)之設備、進行樣本之定量量測(例如,特徵之大小)之設備或產生樣本之映射之影像的設備。評估工具或系統之實例為檢測工具(例如,用於識別缺陷)、審查工具(例如,用於分類缺陷)及度量衡工具,或能夠執行與檢測工具、審查工具或度量衡工具(例如,度量衡檢測工具)相關聯之評估功能性之任何組合的工具。
對可控制而以某種方式操縱帶電粒子束的組件或組件或元件之系統的參考包括:組態一控制器或控制系統或控制單元以控制組件依所描述方式操縱帶電粒子束,以及視情況使用其他控制器或裝置(例如,電壓供應器)來控制組件以此方式操縱帶電粒子束。舉例而言,一電壓供應器可電連接至一或多個組件以在控制器或控制系統或控制單元之控制下將電勢施加至組件,諸如施加至控制透鏡陣列250及物鏡陣列241之電極。諸如一載物台之一可致動組件可為可控制的,以使用用於控制組件之致動的一或多個控制器、控制系統或控制單元來致動諸如射束路徑之另一組件且因此相對於另一組件移動。
由控制器或控制系統或控制單元提供之功能性可經電腦實施。元件之任何合適組合可用於提供所需功能性,包括例如CPU、RAM、SSD、主機板、網路連接、韌體、軟體及/或此項技術中已知之允許進行所需計算操作之其他元件。所需計算操作可由一或多個電腦程式界定。一或多個電腦程式可以儲存電腦可讀指令之媒體、視情況非暫時性媒體之形式提供。當電腦可讀指令由電腦讀取時,電腦執行所需之方法步驟。電腦可由一自給自足的單元或具有經由網路彼此連接之複數個不同電腦的一分佈式計算系統組成。
術語「子射束」及「細射束」在本文中可互換使用且均理解為涵蓋藉由劃分或分裂母輻射射束而自母輻射射束導出之任何輻射射束。術語「操縱器」用於涵蓋影響子射束或細射束之路徑之任何元件,諸如透鏡或偏轉器。對沿著射束路徑或子射束路徑對準之元件的參考應理解為意謂各別元件沿著射束路徑或子射束路徑定位。對光學器件之參考應理解為意謂電子光學器件。
本發明之方法可藉由包含一或多個電腦之電腦系統執行。用於實施本發明之電腦可包含一或多個處理器,包括通用CPU、圖形處理單元(GPU)、場可程式化閘陣列(FPGA)、特殊應用積體電路(ASIC)或其他專用處理器。如上文所論述,在一些情況下,特定類型之處理器可在降低之成本及/或提高之處理速度方面提供優勢,且本發明之方法可適用於特定處理器類型之使用。本發明之方法之某些步驟涉及適合實施於能夠平行計算之處理器(例如,GPU)上的平行計算。
本文中所使用之術語「影像」意欲指代任何值之陣列,其中各值係關於位置之樣本且陣列中之值之配置對應於經取樣位置之空間配置。一影像可包含一單層或多個層。在多層影像之情況下,亦可稱為通道之各層表示位置之不同樣本。術語「像素」意欲指代陣列之單一值,或在多層影像之情況下,指代對應於單一位置的值之群組。
在以下經編號條項中定義本發明之實施例。
1. 一種訓練產生器模型之方法,該產生器模型處理在蝕刻程序之前自樣本量測之第一經量測資料以產生預測蝕刻程序之後的樣本之預測資料,該方法包含:
使用產生器模型基於第一經量測資料而產生預測資料,其中第一經量測資料及預測資料可用於形成樣本之影像;
將第一經量測資料之子集與預測資料之子集配對,該等子集對應於可自經量測資料及預測資料形成之樣本之影像內的位置;
使用鑑別器評估預測資料來自與在蝕刻程序之後自一不同位置處的樣本量測之第二經量測資料相同之資料分佈的可能性;及
基於以下各者而訓練產生器模型:
對應於相同位置之對的相關性相對於對應於不同位置之對的相關性,相關性係配對之資料子集之間的相關性,及
由鑑別器評估之可能性。
2. 如條項1之方法,其中產生器模型經訓練以便增加對應於相同位置之對的相關性相對於對應於不同位置之對的相關性。
3. 如條項1或2之方法,其中產生器模型經訓練以增加由鑑別器評估之可能性。
4. 如任一前述條項之方法,其包含:
根據預測資料及第二經量測資料計算樣本之特徵之一或多個參數的一或多個參數值;及
比較根據預測資料計算之一或多個參數值與根據第二經量測資料計算之一或多個參數值,
其中藉由鑑別器之評估取決於一或多個參數值之比較。
5. 如條項4之方法,其中參數包含關鍵尺寸、局部關鍵尺寸均勻性、局部邊緣置放誤差、線邊緣粗糙度及線寬粗糙度中之一或多者。
6. 如條項4或5之方法,其中根據預測資料計算之一或多個參數值與根據第二經量測資料計算之一或多個參數值之間的差愈小,由鑑別器評估之可能性愈大。
7. 如任一前述條項之方法,其中第二經量測資料對應於與第一經量測資料不同之位置。
8. 如任一前述條項之方法,其中第一經量測資料與第二經量測資料之間的映射係不可逆的。
9. 如任一前述條項之方法,其中產生器模型包含編碼器及解碼器。
10. 如條項9之方法,其包含判定配對之資料子集之經提取特徵的交叉熵以判定配對之資料子集之間的相關性。
11. 如條項10之方法,其包含用編碼器編碼配對之資料子集,使得特徵可經提取。
12. 如任一前述條項之方法,其中第一經量測資料在蝕刻程序之前及在微影曝光程序之後自樣本量測。
13. 一種處理在蝕刻程序之前自樣本量測之第一經量測資料以產生預測蝕刻程序之後的樣本之預測資料的方法,該方法包含:
使用產生器模型基於第一經量測資料而產生預測資料,其中產生器模型已藉由如任一前述條項之方法而訓練。
14. 一種處理設備,其包含:
控制器,其經組態以執行如任一前述條項之方法。
15. 一種電腦程式,其包含經組態以控制處理器執行如任一前述條項之方法之指令。
16. 一種用於訓練產生器模型之產生器模型訓練設備,該產生器模型處理在蝕刻程序之前自樣本量測之第一經量測資料以產生預測蝕刻程序之後的樣本之預測資料,該設備包含:
處理器,其經組態以:
使用產生器模型基於第一經量測資料而產生預測資料,其中第一經量測資料及預測資料可用於形成樣本之影像;
將第一經量測資料之子集與預測資料之子集配對,該等子集對應於可自第一經量測資料及預測資料形成之樣本之影像內的位置;
使用鑑別器評估預測資料來自與在蝕刻程序之後自一不同位置處的樣本量測之第二經量測資料相同之資料分佈的可能性;及
基於以下各者而訓練產生器模型:
對應於相同位置之對的相關性相對於對應於不同位置之對的相關性,相關性係配對之資料子集之間的相關性,及
由鑑別器評估之可能性。
17. 如條項16之產生器模型訓練設備,其中處理器經組態以訓練產生器模型以便增加對應於相同位置之對的相關性相對於對應於不同位置之對的相關性。
18. 如條項16或17之產生器模型訓練設備,其中處理器經組態以訓練產生器模型以便增加由鑑別器評估之可能性。
19. 如條項16至18中任一項之產生器模型訓練設備,其中處理器經組態以進行以下操作:
根據預測資料及第二經量測資料計算樣本之特徵之一或多個參數的一或多個參數值;及
比較根據預測資料計算之一或多個參數值與根據第二經量測資料計算之一或多個參數值,
其中藉由鑑別器之評估取決於一或多個參數值之比較。
20. 如條項19之產生器模型訓練設備,其中參數包含關鍵尺寸、局部關鍵尺寸均勻性、局部邊緣置放誤差、線邊緣粗糙度及線寬粗糙度中之一或多者。
21. 如條項19或20之產生器模型訓練設備,其中根據預測資料計算之一或多個參數值與根據第二經量測資料計算之一或多個參數值之間的差愈小,由鑑別器評估之可能性愈大。
22. 如條項16至21中任一項之產生器模型訓練設備,其中第二經量測資料對應於與第一經量測資料不同之位置。
23. 如條項16至22中任一項之產生器模型訓練設備,其中第一經量測資料與第二經量測資料之間的映射係不可逆的。
24. 如條項16至23中任一項之產生器模型訓練設備,其中產生器模型包含編碼器及解碼器。
25. 如條項24之產生器模型訓練設備,其中處理器經組態以判定配對之資料子集之經提取特徵的交叉熵以便判定配對之資料子集之間的相關性。
26. 如條項25之產生器模型訓練設備,其中處理器經組態以用編碼器編碼配對之資料子集,使得特徵可經提取。
27. 如條項16至26中任一項之產生器模型訓練設備,其中第一經量測資料在蝕刻程序之前及在微影曝光程序之後自樣本量測。
28. 一種用於處理在蝕刻程序之前自樣本量測之第一經量測資料以產生預測蝕刻程序之後的樣本之預測資料的預測資料產生設備,該設備包含:
處理器,其經組態以:
使用產生器模型基於第一經量測資料而產生預測資料,其中產生器模型已藉由如條項1至12中任一項之方法而訓練。
29. 一種電腦可讀媒體,其儲存經組態以控制處理器訓練產生器模型之指令,該產生器模型處理在蝕刻程序之前自樣本量測之第一經量測資料以產生預測蝕刻程序之後的樣本之預測資料,該電腦可讀媒體儲存經組態以控制處理器進行以下操作之指令:
使用產生器模型基於第一經量測資料而產生預測資料,其中第一經量測資料及預測資料可用於形成樣本之影像;
將第一經量測資料之子集與預測資料之子集配對,該等子集對應於可自經量測資料及預測資料形成之樣本之影像內的位置;
使用鑑別器評估預測資料來自與在蝕刻程序之後自一不同位置處的樣本量測之第二經量測資料相同之資料分佈的可能性;及
基於以下各者而訓練產生器模型:
對應於相同位置之對的相關性相對於對應於不同位置之對的相關性,相關性係配對之資料子集之間的相關性,及
由鑑別器評估之可能性。
30. 如條項29之電腦可讀媒體,其儲存經組態以控制處理器訓練產生器模型以便增加對應於相同位置之對的相關性相對於對應於不同位置之對的相關性的指令。
31. 如條項29或30之電腦可讀媒體,其儲存經組態以控制處理器訓練產生器模型以便增加由鑑別器評估之可能性的指令。
32. 如條項29至31中任一項之電腦可讀媒體,其儲存經組態以控制處理器進行以下操作之指令:
根據預測資料及第二經量測資料計算樣本之特徵之一或多個參數的一或多個參數值;及
比較根據預測資料計算之一或多個參數值與根據第二經量測資料計算之一或多個參數值,
其中藉由鑑別器之評估取決於一或多個參數值之比較。
33. 如條項32之電腦可讀媒體,其中參數包含關鍵尺寸、局部關鍵尺寸均勻性、局部邊緣置放誤差、線邊緣粗糙度及線寬粗糙度中之一或多者。
34. 如條項32或33之電腦可讀媒體,其中根據預測資料計算之一或多個參數值與根據第二經量測資料計算之一或多個參數值之間的差愈小,由鑑別器評估之可能性愈大。
35. 如條項29至34中任一項之電腦可讀媒體,其中第二經量測資料對應於與第一經量測資料不同之位置。
36. 如條項29至35中任一項之電腦可讀媒體,其中第一經量測資料與第二經量測資料之間的映射係不可逆的。
37. 如條項29至36中任一項之電腦可讀媒體,其中產生器模型包含編碼器及解碼器。
38. 如條項37之電腦可讀媒體,其儲存經組態以控制處理器判定配對之資料子集之經提取特徵的交叉熵以便判定配對之資料子集之間之相關性的指令。
39. 如條項38之電腦可讀媒體,其儲存經組態以控制處理器用編碼器編碼配對之資料子集使得特徵可經提取的指令。
40. 如條項29至39中任一項之電腦可讀媒體,其中第一經量測資料在蝕刻程序之前及在微影曝光程序之後自樣本量測。
41. 一種訓練產生器模型之方法,該產生器模型處理在蝕刻程序之後自樣本量測之配對之經量測資料,樣本已預先在蝕刻程序之前量測,以產生在未預先在蝕刻程序之前量測樣本之情況下模擬蝕刻程序之後的樣本之假設資料,該方法包含:
使用產生器模型基於配對之經量測資料而產生假設資料,其中配對之經量測資料及假設資料可用於形成樣本之影像;
使用鑑別器評估假設資料來自與在蝕刻程序之後自樣本量測之實際量測資料相同的資料分佈的可能性,樣本在蝕刻程序之前未經預先量測;及
基於以下各者而訓練產生器模型:
指示配對之經量測資料與假設資料之間的相關性之水平的函數,及
由鑑別器評估之可能性。
42. 如條項41之方法,其包含:
將配對之經量測資料之子集與假設資料之子集配對,子集對應於可自配對之經量測資料及假設資料形成之樣本之影像內的位置;
其中函數係對應於相同位置之對的相關性相對於對應於不同位置之對的相關性,相關性係配對之資料子集之間的相關性。
43. 如條項42之方法,其中產生器模型經訓練以便增加對應於相同位置之對的相關性相對於對應於不同位置之對的相關性。
44. 如條項42或43之方法,其包含判定配對之資料子集之經提取特徵的交叉熵以判定配對之資料子集之間的相關性。
45. 如條項44之方法,其包含用產生器模型之編碼器編碼配對之資料子集,使得特徵可經提取。
46. 如條項41之方法,其包含:
使用反向產生器模型基於假設資料而產生模擬之成對資料,其中模擬之成對資料可用於形成樣本之影像;
其中函數為配對之經量測資料與模擬之成對資料之間的類似性。
47. 如條項46之方法,其中產生器模型及反向產生器模型經訓練以便增加配對之經量測資料與模擬之成對資料之間的類似性。
48. 如條項41至47中任一項之方法,其中產生器模型經訓練以增加由鑑別器評估之可能性。
49. 如條項41至48中任一項之方法,其中配對之經量測資料係在蝕刻程序之後自樣本量測,樣本已預先在蝕刻程序之前及在微影曝光程序之後量測。
50. 一種處理在蝕刻程序之後自樣本量測之配對之經量測資料之方法,樣本已預先在蝕刻程序之前量測,以產生在未預先在蝕刻程序之前量測樣本之情況下模擬蝕刻程序之後的樣本之假設資料,該方法包含:
使用產生器模型基於配對之經量測資料而產生假設資料,其中產生器模型已藉由如條項41至49中任一項之方法而訓練。
51. 一種處理設備,其包含:
處理器,其經組態以執行如條項41至50中任一項之方法。
52. 一種電腦程式,其包含經組態以控制處理器執行如條項41至51中任一項之方法的指令。
53. 一種用於訓練產生器模型之產生器模型訓練設備,該產生器模型處理在蝕刻程序之後自樣本量測之配對之經量測資料,樣本已預先在蝕刻程序之前量測,以產生在未預先在蝕刻程序之前量測樣本之情況下模擬蝕刻程序之後的樣本之假設資料,該設備包含:
處理器,其經組態以:
使用產生器模型基於配對之經量測資料而產生假設資料,其中配對之經量測資料及假設資料可用於形成樣本之影像;
使用鑑別器評估假設資料來自與在蝕刻程序之後自樣本量測之實際量測資料相同的資料分佈的可能性,樣本未預先在蝕刻程序之前量測;及
基於以下各者而訓練產生器模型:
指示配對之經量測資料與假設資料之間的相關性之水平的函數,及
由鑑別器評估之可能性。
54. 如條項53之產生器模型訓練設備,其中處理器經組態以:
將配對之經量測資料之子集與假設資料之子集配對,子集對應於可自配對之經量測資料及假設資料形成之樣本之影像內的位置;
其中函數係對應於相同位置之對的相關性相對於對應於不同位置之對的相關性,相關性係配對之資料子集之間的相關性。
55. 如條項54之產生器模型訓練設備,其中處理器經組態以訓練產生器模型以便增加對應於相同位置之對的相關性相對於對應於不同位置之對的相關性。
56. 如條項54或55之產生器模型訓練設備,其中處理器經組態以判定配對之資料子集之經提取特徵的交叉熵以便判定配對之資料子集之間的相關性。
57. 如條項56之產生器模型訓練設備,其中處理器經組態以利用產生器模型之編碼器編碼配對之資料子集,使得特徵可經提取。
58. 如條項53之產生器模型訓練設備,其中處理器經組態以:
使用反向產生器模型基於假設資料而產生模擬之成對資料,其中模擬之成對資料可用於形成樣本之影像;
其中函數為配對之經量測資料與模擬之成對資料之間的類似性。
59. 如條項58之產生器模型訓練設備,其中產生器模型及反向產生器模型經訓練以便增加配對之經量測資料與模擬之成對資料之間的類似性。
60. 如條項53至59中任一項之產生器模型訓練設備,其中處理器經組態以訓練產生器模型以便增加由鑑別器評估之可能性。
61. 如條項53至60中任一項之產生器模型訓練設備,其中配對之經量測資料係在蝕刻程序之後自樣本量測,樣本已預先在蝕刻程序之前及在微影曝光程序之後量測。
62. 一種用於處理在蝕刻程序之後自樣本量測之配對之經量測資料的假設資料產生設備,樣本已預先在蝕刻程序之前量測,以產生在未預先在蝕刻程序之前量測樣本之情況下模擬蝕刻程序之後的樣本之假設資料,該設備包含:
處理器,其經組態以:
使用產生器模型基於配對之經量測資料而產生假設資料,其中產生器模型已藉由如條項41至49中任一項之方法而訓練。
63. 一種電腦可讀媒體,其儲存經組態以控制處理器訓練產生器模型之指令,產生器模型處理在蝕刻程序之後自樣本量測之配對之經量測資料,樣本已預先在蝕刻程序之前量測,以產生在未預先在蝕刻程序之前量測樣本之情況下模擬蝕刻程序之後的樣本之假設資料,電腦可讀媒體儲存經組態以控制處理器進行以下操作之指令:
使用產生器模型基於配對之經量測資料而產生假設資料,其中配對之經量測資料及假設資料可用於形成樣本之影像;
使用鑑別器評估假設資料來自與在蝕刻程序之後自樣本量測之實際量測資料相同的資料分佈的可能性,樣本未預先在蝕刻程序之前量測;及
基於以下各者而訓練產生器模型:
指示配對之經量測資料與假設資料之間的相關性之水平的函數,及
由鑑別器評估之可能性。
64. 如條項63之電腦可讀媒體,其儲存經組態以控制處理器將配對之經量測資料之子集與假設資料之子集配對的指令,子集對應於可自配對之經量測資料及假設資料形成之樣本之影像內的位置;
其中函數係對應於相同位置之對的相關性相對於對應於不同位置之對的相關性,相關性係配對之資料子集之間的相關性。
65. 如條項64之電腦可讀媒體,其儲存經組態以控制處理器訓練產生器模型以便增加對應於相同位置之對的相關性相對於對應於不同位置之對的相關性之指令。
66. 如條項64或65之電腦可讀媒體,其儲存經組態以控制處理器判定配對之資料子集之經提取特徵的交叉熵以便判定配對之資料子集之間的相關性的指令。
67. 如條項66之電腦可讀媒體,其儲存經組態以控制處理器用產生器模型之編碼器編碼配對之資料子集使得特徵可經提取的指令。
68. 如條項63之電腦可讀媒體,儲存經組態以控制處理器使用反向產生器模型來基於假設資料而產生模擬之成對資料,其中模擬之成對資料可用於形成樣本之影像;
其中函數為配對之經量測資料與模擬之成對資料之間的類似性。
69. 如條項68之電腦可讀媒體,其中產生器模型及反向產生器模型經訓練以便增加配對之經量測資料與模擬之成對資料之間的類似性。
70. 如條項63至69中任一項之電腦可讀媒體,其儲存經組態以控制處理器訓練產生器模型以便增加由鑑別器評估之可能性的指令。
71. 如條項63至70中任一項之電腦可讀媒體,其中配對之經量測資料係在蝕刻程序之後自樣本量測,樣本已預先在蝕刻程序之前及在微影曝光程序之後量測。
用於實施本發明之電腦可為實體或虛擬的。用於實施本發明之電腦可為伺服器、用戶端或工作站。用於實施本發明之多個電腦可經由區域網路(LAN)或廣域網路(WAN)分佈及互連。本發明之方法的結果可顯示給使用者或儲存於任何合適之儲存媒體中。本發明可體現於儲存指令之非暫時性電腦可讀儲存媒體中以進行本發明之方法。本發明可體現於電腦系統中,該電腦系統包含一或多個處理器及儲存指令以進行本發明之方法的記憶體或儲存器。
雖然已經結合各種實施例描述本發明,但自本說明書之考量及本文中揭示之本發明之實踐,本發明之其他實施例對於熟習此項技術者將顯而易見。意欲將本說明書及實例視為僅例示性的,其中本發明之真實範疇及精神由以下申請專利範圍指示。
10:主腔室
20:裝載鎖定腔室
30:裝備前端模組
30a:第一裝載埠
30b:第二裝載埠
40:電子束系統
41''':單射束電子束系統
41:多射束電子光學系統
50:控制器
60:第一經量測資料
61:ADI影像
62:ADI影像
63:ADI影像
65:接觸孔
67:子集
68:子集
69:子集
70:第二經量測資料
71:AEI影像
72:AEI影像
73:AEI影像
75:蝕刻後接觸孔
81:預測資料
87:子集
100:帶電粒子束檢測系統
122:槍孔徑
125:射束限制孔徑
126:聚光透鏡
132:物鏡總成
132a:極片
132b:控制電極
132c:偏轉器
132d:激磁線圈
135:柱孔徑
144:電子偵測器
148:第一四極透鏡
158:第二四極透鏡
201:電子源
202:初級電子束
207:樣本固持器
208:樣本
209:機動載物台
211:初級子射束
212:初級子射束
213:初級子射束
221:探測光點
222:探測光點
223:探測光點
230:投影設備
240:偵測器
280:信號處理系統
本揭示之上述及其他態樣自結合隨附圖式之例示性實施例之描述將變得更顯而易見。
圖 1為繪示例示性帶電粒子束檢測系統之示意圖。
圖 2為繪示為
圖 1之例示性帶電粒子束檢測系統之部分的例示性多射束帶電粒子評估設備之示意圖。
圖 3為例示性單射束電子光學柱之示意圖。
圖 4描繪在樣本上之不同位置截取的在蝕刻程序之前及之後的樣本之影像。
圖 5描繪與在蝕刻程序之後的樣本之預測影像的嵌塊配對之在蝕刻程序之前的同一樣本之影像的嵌塊。
示意圖及視圖展示下文所描述之組件。然而,諸圖中所描繪之組件未按比例繪製。
61:ADI影像
65:接觸孔
67:子集
68:子集
69:子集
75:蝕刻後接觸孔
81:預測資料
87:子集
Claims (15)
- 一種訓練一產生器模型之方法,該產生器模型處理在一蝕刻程序之前自一樣本量測之第一經量測資料以產生預測一蝕刻程序之後的該樣本之預測資料,該方法包含: 使用該產生器模型基於該第一經量測資料而產生該預測資料,其中該第一經量測資料及該預測資料可用於形成該樣本之影像; 將該第一經量測資料之子集與該預測資料之子集配對,該等子集對應於可自該經量測資料及該預測資料形成之該樣本之該等影像內的位置; 使用一鑑別器評估該預測資料來自與在一蝕刻程序之後自一不同位置處的一樣本量測之第二經量測資料相同之一資料分佈的一可能性;及 基於以下各者而訓練該產生器模型: 對應於一相同位置之對的相關性相對於對應於不同位置之對的相關性,該相關性係該等配對之資料子集之間的該相關性,及 由該鑑別器評估之該可能性。
- 如請求項1之方法,其中該產生器模型經訓練以增加對應於一相同位置之該等對的相關性相對於對應於不同位置之對的相關性。
- 如請求項1之方法,其中該產生器模型經訓練以便增加由該鑑別器評估之該可能性。
- 如請求項1之方法,其包含: 根據該預測資料及該第二經量測資料計算該樣本之特徵之一或多個參數的一或多個參數值;及 比較根據該預測資料計算之該一或多個參數值與根據該第二經量測資料計算之該一或多個參數值, 其中藉由該鑑別器之該評估取決於該一或多個參數值之比較。
- 如請求項4之方法,其中該等參數包含關鍵尺寸、局部關鍵尺寸均勻性、局部邊緣置放誤差、線邊緣粗糙度及線寬粗糙度中之一或多者。
- 如請求項4之方法,其中根據該預測資料計算之該一或多個參數值與根據該第二經量測資料計算之該一或多個參數值之間的差愈小,由該鑑別器評估之該可能性愈大。
- 如請求項1之方法,其中該第二經量測資料對應於與該第一經量測資料不同之一位置。
- 如請求項1之方法,其中該第一經量測資料與該第二經量測資料之間的映射係不可逆的。
- 如請求項1之方法,其中該產生器模型包含一編碼器及一解碼器。
- 如請求項9之方法,其包含判定該等配對之資料子集之經提取特徵的交叉熵以便判定該等配對之資料子集之間的該相關性。
- 如請求項10之方法,其包含利用該編碼器編碼該等配對之資料子集,使得該等特徵可經提取。
- 如請求項1之方法,其中該第一經量測資料在一蝕刻程序之前及在一微影曝光程序之後自該樣本量測。
- 一種處理在一蝕刻程序之前自一樣本量測之第一經量測資料以產生預測一蝕刻程序之後的該樣本之預測資料的方法,該方法包含: 使用一產生器模型基於該第一經量測資料而產生該預測資料,其中該產生器模型已藉由如請求項1至12中任一項之方法來訓練。
- 一種處理設備,其包含: 一處理器,其經組態以執行如請求項1至13中任一項之方法。
- 一種電腦程式,其包含經組態以控制一處理器執行如請求項1至13中任一項之方法的指令。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP22186636.1 | 2022-07-25 | ||
EP22186636 | 2022-07-25 | ||
EP22196424.0 | 2022-09-19 | ||
EP22196424 | 2022-09-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202411790A true TW202411790A (zh) | 2024-03-16 |
Family
ID=87245487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112127466A TW202411790A (zh) | 2022-07-25 | 2023-07-24 | 訓練模型以產生預測資料 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TW202411790A (zh) |
WO (1) | WO2024022843A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10395887B1 (en) | 2018-02-20 | 2019-08-27 | Technische Universiteit Delft | Apparatus and method for inspecting a surface of a sample, using a multi-beam charged particle column |
US10504687B2 (en) | 2018-02-20 | 2019-12-10 | Technische Universiteit Delft | Signal separator for a multi-beam charged particle inspection apparatus |
US10748739B2 (en) | 2018-10-12 | 2020-08-18 | Kla-Tencor Corporation | Deflection array apparatus for multi-electron beam system |
US10978270B2 (en) | 2018-12-19 | 2021-04-13 | ICT Integrated Circuit Testing Gesellschaft für Halbleiterprüftechnik mbH | Charged particle beam device, interchangeable multi-aperture arrangement for a charged particle beam device, and method for operating a charged particle beam device |
CN114521234A (zh) * | 2019-09-20 | 2022-05-20 | Asml荷兰有限公司 | 使用机器学习来生成用于晶片检查的预测图像的系统和方法 |
CN112541545B (zh) * | 2020-12-11 | 2022-09-02 | 上海集成电路装备材料产业创新中心有限公司 | 基于机器学习预测刻蚀工艺后cdsem图像的方法 |
EP4020085A1 (en) * | 2020-12-22 | 2022-06-29 | ASML Netherlands B.V. | Machine learning based image generation of after-development or after-etch images |
-
2023
- 2023-07-13 WO PCT/EP2023/069587 patent/WO2024022843A1/en unknown
- 2023-07-24 TW TW112127466A patent/TW202411790A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024022843A1 (en) | 2024-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10496781B2 (en) | Metrology recipe generation using predicted metrology images | |
US11216938B2 (en) | Systems and methods of optimal metrology guidance | |
US20220375063A1 (en) | System and method for generating predictive images for wafer inspection using machine learning | |
KR102576687B1 (ko) | 반도체 제조 수율을 향상시키는 방법 | |
US11658004B2 (en) | Method for scanning a sample by a charged particle beam system | |
KR20200052347A (ko) | 저선량 하전 입자 계측 시스템 | |
TW202411790A (zh) | 訓練模型以產生預測資料 | |
US20240069450A1 (en) | Training machine learning models based on partial datasets for defect location identification | |
KR20230104170A (ko) | 능동 학습에 기반한 결함 위치 식별 | |
US20220285226A1 (en) | Apparatus and methods for three dimensional reticle defect smart repair | |
JP7507763B2 (ja) | サンプルをスキャンするための荷電粒子ビームシステム | |
EP4181168A1 (en) | Aligning a distorted image | |
US20240062362A1 (en) | Machine learning-based systems and methods for generating synthetic defect images for wafer inspection | |
KR20240044433A (ko) | 마스크 결함 검출 | |
US20200286710A1 (en) | Dynamic determination of a sample inspection recipe of charged particle beam inspection | |
TW202422241A (zh) | 光罩缺陷偵測 | |
TW202420370A (zh) | 評估樣本之方法、評估樣本之設備 | |
TW202405861A (zh) | 用於埋置特徵之疊對量測的電子束優化 | |
CN117957496A (zh) | 用于在带电粒子系统中通过故障机制的分类和标识进行检查的系统和方法 |