TWI221948B

TWI221948B - Method for controlling a processing apparatus

Info

Publication number: TWI221948B
Application number: TW090126637A
Authority: TW
Inventors: Kyoung-Shik Jun; Chan-Hoon Park; Yil-Seug Park; Bong-Su Cho; Hyun-Tai Kang
Original assignee: Samsung Electronics Co Ltd
Priority date: 2001-07-03
Filing date: 2001-10-26
Publication date: 2004-10-11
Also published as: DE10213285A1; DE10213285B4; GB2377278A; CN1214301C; GB0205159D0; US20030058428A1; CN1393747A; GB2377278B; JP2003124110A; KR100375559B1; JP3883914B2; US6700648B2; KR20030003803A

Description

x^1948 五、發明説明（曼背景 ^發明之技術範圍本發明有關於用以控制一處理裝置之方法，以及更別地有關於與—種新穎之“適應性最小平均數平方類神瘦網路（ALMS-NN)算法符合之用以控制一處理裝置之方法，用以在製造半導體裝置之程序内之光刻處理中評估分才¥ 之改正值。 2_相關技藝之說明在半導體工業中作為用以增強競爭力之一種方式，大夕數之研究業經為建構一有效製造系統，具有確保一高產品生產量之能力者而進行。特別地在光刻處理之情況中，它係重要半導體製造程序之一，當處理狀況係經常變化以需要一有規則之生產系統之開發來應付此頻繁之變化時，用以建立一系統之相當之努力它減少了抽樣處理之頻率者係指向加強產品生產量。在用以建立此類系統之光刻處理中所主要予以考慮者為處理中之不重合問題。此問題主要地發生在由於分析此處理物體之物理及化學特性之困難，在實施此程序時有雜訊干擾以及實施此程序之後之測量誤差變成增加抽樣頻率之理由，那直接地影響產品生產量。一程序控制系統（PCS)廣泛地開發並被引用作為生產系統，它具有能力在大部分以處理進行步驟為準不牽涉算術模式之半導體製造系統中確保高產品生產量，但藉先前地實施處理之處理資料所獲得之靜態數字值之觀點上控制本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐）

此程序。、對現時程序用以反映早期處理之先前之經驗值之設計作為一種“經驗傳承，，者係屬一種算法，它以最近所實驗之相同歷史資料為準反饋—權值之平均數。不過，此一算法二，〜、者而/又有考慮系統之臨時改變之特性而以致有缺 ”、卩此抽樣程序係因為在一固定時期以内或從數代所找之成功規袼以内沒有充足之相同歷史資料而要予以重覆地實施。為此一原因，藉使用類神經網路模組之處理控制器設十技術現時業經建議作為用以適當地應付非線性系統之程序之方案而不要有一特殊之算術模組（“半導體製造程序之凰控和控制，IEEE控制系統討論會中，由Liman〇nd，j· si，以及Κ· Tsakalis於1998年發表，以及“執行至執行 (Rmi-to-Run)程序控制器為根據之人為類神經網路模組”， IEEE Trans·組件封裝及製造技術_Part c，第10冊，第一章，於 1996年元月由 X. a. Wang和 R. L· Mahajan提出）。首先’曾經建議有一種藉先前所執行之處理資料之方式用以讓類神經網路來學習之方法，由是而經由以先前程序為準之圖型搜尋來預測此製造程序。此一方法之基本前提係其中非線性系統之變式圖形係並非完全地散亂。依此’除非以某一分檔器為準之系統之變式圖形係完全地散亂’否則吾人即可能來預測該包含類似於近期變式圖形之一圖形之過去歷史資料可能存在，俾使過去系統之變式圖形係利用來假設一現時輸出值。本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐）五、發明説明（5 ) 要達到本發明之上述目的，特提供有一種用以控制一處理裝置之方法，在其中用以處理被處理物體之處理裝置之一輸入值和藉測量在處理裝置中之被處理物體，所獲得之一測量值之間之誤差值係經獲得。用以改正處理裝置: 輸入值之改正值係在減小誤差值之方向中作計算，以及此值係作為在下一改正值上予以利用之一處理資料而處理。有歷史完全相同於已載入至處理裝置之物體者之先前處理責料係經搜尋，以及一現時偏壓改正值係自所搜尋之有相同歷史之先前處理資料中所找出之最近之多個先前改正值作預測。同時，現時RAND改正值係在出自先前處理資料之最近之夕個先刖RAND改正值之基礎上藉類神經網路之裝置作預測，以及此預測之偏壓改正值係與尺八1^]〇改正值相加作為處理裝置之現時改正值。藉使用此誤差值，此類神經網路係被促使來學習用以追踪RAND改正值之變化。更詳細言，在本發明中用以有效地預測此改正值 x(n)，此改正值x(n)係被劃分成為一偏壓分量χι^3(η)之與歷史有關者’以及一隨機分量心⑽权…具有變化不能明確地察覺之原因之散亂性質。在此，Xbias(n)係在相當份量之歷史之基礎上預測。與Xrand(n)分量相關聯者對明確地預測χ(η) 衝擊，因為由於其散亂性質而使它係幾乎不可能來精確地預測此RAND分量，其變化係藉利用類神經網路之回播學習來追踪以將x(n)之預測誤差減至最小。在此一時刻，當Xrand(n)分量有消除與相當份量之歷史關係之狀態時，所有資料可以被利用勿論此相當分量之歷 1221948 A7 ___ B7 五、發明説明（7 ) 之裝置在處理裝置中之開發係經獲得。用以在降低誤差值之方向中改正此輸入值之一改正值係經計算，並隨後在生產時間單元内之光刻處理資料係經處理，俾利用此值於計算下一改正值上。有一歷史完全相同於那些新近載入至光刻裝置之份量者之先前處理資料係經搜尋，以及現時改正值之一偏壓分量係自搜尋之先前處理資料有所搜尋之相同歷史者中脫出之最近之多個先前改正值所預測。一現時 RAND改正值之RAND分量係在先前處理資料中脫出之最近之多個先前RAND改正值之基礎上藉類神經網路之裝置所預測，以及此預測之偏壓分量係與RAND分量相加作為光刻裝置之現時改正值。此誤差值係用來使類神經網路學習以追踪RAND分量之變化。在此，在此搜尋步驟中，資料之有完全相同標線片， PPID，base I和base II者，它們係歷史構成成份，係作為相同歷史處理資料而被探測。此外’如果沒有相同歷史之處理資料在搜尋步驟中存在時’改正值之偏壓部分係在有相同構成成份之處理資料中間依照多個其餘成份來猜測。與此猜測方法相關者，處理資料之有歷史構成成份中間任何一不同者係被抽出，此改正值之偏壓分量係藉利用具有單一不同構成成份之被抽出之處理資料中間之任何一個構成成份之相關值來猜測，以及改正值之偏壓分量係藉獲得具有單一不同構成成份之已抽出之處理資料之一平均值所猜測（如果此偏壓分量不能由相關值之方法來計算本紙張尺度適用中國國家標準（QJS) A4規格（21〇><297公贊） 11 …备………% (請先閲讀背面之•注意事t再填窝本頁} Α7 -^ ---------Β7 _ 五、發明説明（9 ) 重疊改正控制器之改正值之操作；第21至第25圖係藉比較依照本發明之重疊改正控制器之測里誤差分佈與傳統式控制器者所獲得之測繪圖；以及第26至第35圖係藉分析應用依照本發明之重疊改正· L制算法至貫際裝置之結果所獲得之測繚圖。 t隹具體例之說明現在，本發明將以附圖為基準作更詳細之說明。第1圖係一方塊圖，顯示依照本發明之一光刻裝置之一控制系統。一光刻裝置10包括一塗膜處理器12，一對準/曝光處理器14以及一發展處理器20。此光刻裝置10藉實施一光刻程序而形成單一圖形層於一晶片W上面，其中一蝕刻層係澱積於晶片貿上，一照相抗蝕劑圖形係經形成於此蝕刻層上面，以及此蝕刻層係藉利用此照相抗蝕劑圖作為蝕刻光罩而蝕刻。前述程序係在每一層上重覆以重疊多層之圖形層，以及一所要之電路圖形係形成於此晶片上，俾使多個積體電路晶方係形成於單一晶片上。因此，此光刻程序可以是高度重要之關鍵程序，顯著地影響半導體裝置之製造程序中之產品生產量。此光刻程序大多可以分類成為一塗膜程序，對準和曝光程序，以及一發展程序。此塗膜處理器12實施一預焙程序，它消除晶片之表面上面之水份用以增強晶片之固有性質，以及一照相抗蝕劑本紙張尺度適财關家鮮（CNS) A4規格⑽χ297公爱} -----

·#1 (請先閲讀背面之注意事項再填寫本頁) 0 1221948 A7 __ B7五、發明説明（12 ) 依照本發明，此重疊改正值控制器3〇執行ALMs_nn 算法用以預測光刻裝置，亦即此分檔器，之一改正輸入值 x(n)。此重疊改正值控制器3〇在ALMS_NN算法之觀點上預測裝置輸入值以供應資料如第5圖内所示者至此分檔器 14。供應至分檔器14之資料包括一產生時間及為每一份量 ID之FWD資料，KET資料，NN資料以及in資料。在此，FWD資料表示一關鍵（REP)層之步驟誤差值， KET資料係偏壓資料，以&NN資料係在一類神經網路中所計算之輸出值。同時’ IN資料表示裝置改正值，亦即，裝置輸入值。 ALMS-NN 算法首先，為了要將光刻程序中之測量誤差減至最小，一算法具有能力預測裝置之輸入值者係必需。自一改正系統之資料庫所獲得之輸入值x(n)顯示隨機性而不能是由任何可直譯函數所接近。第6圖縿製表示此裝置以偏離X為準之輸入值之一測繪圖’那係經選定作為一範例之此光刻裝置之65〇個份量之資料中間時間之順序中之改正值。第7圖表示用於有相同歷史之每一份量之第6圖之裝置輸入值之配置，以及第8圖顯示自裝置輸入值減去此偏離值之後所獲得之值。一如第6,7和8圖内所示，它可以說明該裝置改正值χ(η) 緊密地有關於相當之份量之歷史，以及一特殊偏壓係為每一相同歷史而應用。在每一相同歷史之裝置輸入值中作區分之理由係由於請先閲面之一注意Μ 事項_ 再

訂本紙張尺度適用中國國家標準（〇^5) A4規格（21〇><297公釐） 16 1221948 A7 B7 五、發明説明（13 若干因數之作用，$包括標示在標線片上之圖形之誤差以及光刻裝置之特性差異，諸如B ASE B ASE π。 (請先閲讀背面之a意事項再填寫本頁) 依此，吾人可瞭解，即如第9圖内所示者，此裝置輸入值有隨機性無能力係由任何可直譯函數所接近。一如可以在第10圖中說明者，吾人十分難以接近此裝置改正值x(n)至一可直譯函數，因為它顯示一有頻率光譜類似於一雜訊經常地遍及整個頻率區分佈者之一信號特性。裝置改正值X(n)之此類隨機性質變成使用以將重疊測 2：為之測量誤差減至最小之裝置改正值χ(η)之預測困難之一主要因數。、τ 然而’不是所有之裝置改正值χ(η)之變化因數都具有不知名理由之隨機成分。與相當份量之歷史相關之一偏壓部分係具有能力來有效地作某程度之預測者。 4 在此ALMS-NN算法中，此裝置改正值χ(η)係被分成一偏壓分量xbias(n)與歷史有關者以及一RAND分量xrand(n)具有變化不能確定地察覺之原因之隨機性質者。在此Xbias(n) 係在相當份量之歷史之基礎上作預測。吾人幾乎不可能來精確地預測此RAND分量，由於其隨機性質而阻礙它確定地預測此Xbias(n)，僅其變化係藉使用類神經網路之回播學習所追踪以便將Xbias(n)之預測誤差減至最小。當此\and(n)分量有消除與相當份量之歷史之關係之狀態時，所有資料均可以利用而勿關相當份量之歷史。因此，如果此xbias(n)之暫時變化不是太大時，使用資

1221948 A7 B7 五、發明説明（14) 料之截止之限制曾經有問題在此傳統式改正系統中者可以被解決。即令當除了相當份量之歷史以外尚有外部因數影響x(n)者係變化時，吾人仍可以藉使用對類神經網路固有之學習能力而作有效地處理。 1·用以預測xbias(n)之方法 (1)當相同歷史存在時：預測xbias(n)之最簡單方式係以有過去相同歷史之份量為準用以利用裝置輸入值之平均值。吾人假定該有一定相同歷史之份量之現時可用之過去裝置改正值係以xsh(m)來表示（此處m=l5 2,…及η)，以及以此一歷史為準之〜⑹值係以一常數所確定。那麼，xsh(m)可以下式表示 xsh (m) = xbias + xshrand (m) 在此一時刻，假設此xsh(m)之完全隨機性，由於 lim(丄 Zxshrand(m)) = 0， n^°° nrri ⑽）Xbias + S(HXSh-㈣) ‘bias 其結果，吾人可說明該xsh(m)之平均值充作以xbias為準之一有效預測器。不過，當吾人在細節上認為該xshrand(m)之完好隨機性不能預期時，以及諸如由BASE I裝置或BASE II裝置之改變以及標線片之經常改變所造成之誤差，吾人實際上無理由來將以相同歷史份量為準之〜⑹值視為常數。本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 18 (請先閱讀背面之注意事項再填窝本頁) .、一-T— 4 1221948 A7 B7 五、發明説明（16 ) 此bias分量分別地相當於PPID、BASE I、BASE II以及標線 (請先閲讀背面之注意事項再填寫本頁) 片。雖然最大影響分量係以此標線片之xRETbias，它變成光刻程序之基本，其他分量之影響可以被視為比較輕微。因此，如果沒有相同歷史存在時，除了xRETbias以外影響之順序係經瞭解為 xPPIDbias > xBASEIbias > xBASEIIbias。如果沒有相同歷史存在，要予說明如后之兩種方法係被利用來預測各自之分量。各自之方法上之說明將自高等級之應用來提供。隨後，此歷史係在自PPID、BASE I、BASE II至標線片之順序中來顯示，那將會是可接受以一適當方法來猜測其他分量。 (a)使用BASE II、BASE I或PPID之比較值之xbias之猜測：吾人假設一份量之歷史HI現時地意欲來預測其xbias 1 以及先前歷史資料H2、H3和H4係寫出如下：皡

Hl= {Pl，BI1，BII2, Rl}，xbiasl H2= {Pl，BI1，BII3, Rl}，xbias2 H3= {P2, BI4, BII2, Rl}，xbias3 H4= {P2, BI4, BII3, Rl}，xbias4 在此，HI和H2係以BII2和BII3而不同，雖然其餘之歷史構成因數係相同。同樣地，H3*H4係以BII2和BII3具有相同之其餘因數而不同。

Xbiasl以歷史H1為準者現時地意欲予以預測者可以預測如下：本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） -20 - 1221948 A7 _B7 _ 五、發明説明（Π ) X bias 1 X bias 2 - X bias 3 - X bias 4 因此，吾人已猜測該 xbiasl = xbias3-xbias4 + xbias2。吾人猜測，在自BASE II、BASE I，至PPID之順序中行使些微之影響。因為xRETbias分量之影響行使於xbias上者較其他分量之影響強很多，僅那些有與H1者之相同標線片分量之H1、 H2和H3應予以考慮。 (b)利用係僅以BASE II或BASE I不同之歷史之平均值之xbias之猜測：吾人假設具有xbias之份量之歷史之係要予現時地預測者，係經寫出為H = {P、BI1、BII2以及R}。同時，吾人假定該Μ數目之歷史資料H1〜Hm僅在Η及BASE II存在之觀點上不同，以及xbias相當於各自之資料者係xbiasl〜xbiasm。隨後，吾人藉此平均值作預測如下： 1 m

Xbias =—ΣΧ0ϊβ5(〇 (3)當Xbias不能被預測時：如果沒有相同歷史資料關於此意欲予以現時地必須聽候於處理者存在時，雖然上述情況方法（2)不能應用，此抽樣處理係不可避免地要執行。 2.用以追踪xrand之方法影響此裝置輸入值之主要因數變為每一份量之歷史。所有隨機分量，除了 Xbias值可以自改正值x(n)經由歷史作預測以外，係包含於Xrand。本紙張尺度適用中國國家標準（CNS) A4规格（210X297公釐〉 21 (請先閲讀背面之i/i意事項再填寫本頁)

B7 五、發明説明（is ) 因為此類Xrand值有一消除相當份量之歷史上資料之從屬之狀態，故它可以被視為由於若干外在原因依照裝置本身之時間顯示特性變化。不過，由於在時間之差錯上變化值之因數截至目刚為止並未曾確實地調查，故吾人難以預測值。可應用於此一環境中之一有效方式係藉使用此類神經網路來追踪xrand之變化。在目刚所應用之改正系統中，僅有一可觀地限制時期以内之 > 料係在以有相同歷史之份量為準之資料中間被利用，用以考量包括此類裝置特性之改變之若干變化因數。不過，此類限制項目實際上在處理安排上煽動問題，因此，變化因數係自歷史公開地單獨被考量以補償傳統系統之缺點，用以在處理安排上提高效率。此類神經網路經引用以追踪〜_者，如第u圖内所示，係一多層辨涊器之有一輸入層5〇者，包括三個輸入神經元，一輸出層58包括一輸出神經元，以及一三層之隱藏層52、54和56分別地由五、五和三個神經元所形成。類神經網路所引用之學習方法係層最通用之誤差回播系統。此網路連接裝置係在輸入層5〇，隱藏層52、54和56以及此輸出層58之方向中，那係屬向前進給網路不包含直接連接裝置於各自之層内，並自此輸出層58至輸入層56。在經引用於ALMS-NN算法中之誤差回播學習方法中，一旦一輸入圖形係已應用於輸入層5〇之各自之節點時，此一 “號係在各自之節點被變換予以轉移至隱藏層 1221948 A7 B7 五、發明説明（19 52、54和56，藉以係最後地提供至輸出層58。藉比較此輸出值和一預期值，一連接力量（權值）W係在減少差異之方向中調整，它係自此上部層回播以使下部層依序地根據回播調整其連接力量W。此系統通過類神經網路之進給向前路線輸出者係寫出如下： am+1 =fm+丨(wm+]am +bm+1) 此處m專於〇，1，…以及M-l ’以及a表示各自之神經元之輸出。同時，b表示偏壓bias，f係一轉移函數，以及冒係此權值。在此，Μ表示類神經網路之層之數目。在此多層辨認器之誤差回播算法中，以此預期值之誤差和不同係經界定為： F(X) = (t(k) - a(k)T (t(k) - a(k)) = e(k)T e(k) 此處基準字母F表示一平方誤差，x係此權值和類神經網路之偏壓矢量，以及t係預期輸出值。在此，近似之最突出下降算法由一母式所表示者係如下： wm (k +1) = wm (k) - asm (am_1 )T bm (k +1) = bm (k) — asm 此處F之變式係設定為靈敏度，它係由一母式表示· sm =Fmnm(wm+1)Tsm+1 此靈敏度自類神經網路之最後層開始予以向後傳播至第一層如下： sm -^s1 在此，第一級之靈敏度係寫出如下列等式。 (請先閲讀背面之：k意事項再填寫本頁)

23 五、發明説明（20 ) s = -2FM(nM)(t>a) …此輸入/輸出關係如所表示如下者係經考量藉使用類神經網路用以追踪此之變化。 ⑻=f (xrand (η 一 1)，Xrand (n 一 2)，(n 一 3)) 亦即，此類神經網路以三個最近之^值為準而產生現時值之預期值。此產生之預期之值可讓類神經網路之輸出在減小自稍後實際由重疊測量儀表所測量之值之誤差之方向中經由使類神經網路學習之一程序來追踪值之變化。 s型函數如下列等式所表示者係經引用作為隱藏層 52、54和56之神經元之轉移函數：此線性函數係使用作為輸出神經元之轉移函數。雖然此隱藏層係經提供用以增加類神經網路之通用化能量及學習能力，但眾所熟知者即隱藏層之數目和類神經網路之性能必需有成比例關係，而隱藏層較三層高者在改良類神經網路之性能上很難有所助益。用以產生此光刻裝置輸入值之方法和類神經網路之學習方法；參看第12圖，依照本發明之系統首先初始化此系統之 ALMS-NN變式和類神經網路裝置變式（步驟1〇2)。相繼地，一執行模式係經接收（81〇4)，以及吾人確定此輸入執行模式是否係一裝置模式抑或一載入模式（sl〇6)。 1221948 A7 一 ______Β7_ 五、發明説明（21 ) 如果步驅S106中之模式係屬裝置時，一裝置檔案係開啟以讀出一記錄，藉以代用此記錄至已初始化之各自之變式（S108)。隨後，一裝置模組係經實施（sll〇)。如果在步驟S106中那不是裝置模式時，吾人檢查此模式是否係屬載入（S112)。當步驟L12係載入模式時，一載入檔案名稱係輸入以載入此檔案（S114)。於實施步驟S110和S114之後，此載入模組係經實施 (S116) 〇參看第13A和第13B圖，此裝置模組檢查此裝置檔案是否係屬終結。如果那係已終結，此結果係輸出（s丨2〇)以回行此主程式。如果步驟S11 8係並非檔案之終結時，儲存在一選擇性變式中之資料係為此變式而被代用，而此變式係要用於此裝置模組而使用者（S122)。在代用之變式中間，變式之係此歷史組成成份之變式之值係經利用以搜尋相同歷史資料是否存在（S124)。隨後，一裝置純改正值係自此代用之變式計算（S126)以實施類神經網路學習模組（S126)。當沒有現時學習之資料之相同歷史存在於類神經網路在步驟S128中學習之後時，新偏壓資料係經添加〇32)以及步驟S118係經實施。當此相同歷史資料在步驟S130中存在時，吾人確定此相同歷史偏壓資料是否係屬一視窗大小（S134)。當吾人在步驟S134中獲知它係此視窗大小時，此偏壓平均值係由此視窗作業系統獲得（S136)以及步驟S118係經實施。如果在本紙張尺度適用中國國家標準（哪）A4規格（210X297公釐） 25 (請先閲讀背面之k意事項再填窝本頁)

1221948 A7 _____ B7 五、發明説明（22 ) 步驟S134中吾人發現它不足此預窗大小時，此偏壓之平均值係在S138中獲得，以及步驟S118係實施。參看第14圖，此執行模式係在載入模組（s丨4〇)，和一請求模組（S142)，一反饋模組（S144)中作選擇，以及一變更模式（S146)係依照此選擇之三種執行模組而分別地實施0 參看第15圖，在請求模組S142中，此份量資料當一新份量一旦係追入至此裝置内時係被讀出以為此變式所代用，而此變式將用於此請求模組中（S148)。在此ALMS-NN 算法中，份量之此歷史構成成份，亦即，PPID，bASEI， BASEII，以及標線片係主要地被求證，以及當處理有相同過去歷史之份量時之資料係被搜尋（S150)。當相關歷史資料存在時，最近之1〇個偏壓資料係讀出 (S152)以獲得xbias，那係藉對讀出資料之剖面線性加權之平均值以相當份量為準之xbias之一預期值。如果沒有相同資料基準存在於步驟S150中時，一偏壓猜測模組係經執行，用以藉前述兩步驟猜測方法之方式獲得‘(S154)。此類神經網路模組係經實施（S156)，用以預測此偏壓值和RAND值於步驟S152和S154内以預測此裝置輸入值。根據最近之RAND改正值，由類神經網路所預測之^ 係獲得。此最後裝置輸入值係由下列等式所確定。 i(n) - Xbias + Xrand + f(n) ’此處f(n)表不進給前面輸入值。本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 26 請先閲面之注· 意事，

訂

1221948 五、發明説明（23) 在正交之情況中，由於改正值係作為·· x〇i) = i⑻+ f⑻+ e(n)而提供，它不同於其他參數，當預測X 或產生輸入值時一些許之差異係產生。依此，此正切分量之裝置輸入值係藉下列等式表達：為了要學習此類神經網路，早已反饋之測量值置於測量儀表之上。倘若一理想裝置輸入具有能力使測量儀表之測量誤差以一定份量為準者為零者係由i(n)來表示，則^ 和i(n)之間之差異結果出現為測量誤差，那係寫出如下： x(n) = i(n) - f (η) - e(n) = i(n) - f (n) 其結果，ϋ-i⑻= e(n)，它係依此地在類神經網路之誤差回播學習中被利用。在正交分量之情況中，此反饋係在一 e(n)上所實施而不讓e(n)未改變地來反饋。因此， x(n) = 1⑹+ f⑹+ e⑹=i⑻+ f⑻，因此硕一办）=—e⑻ 螓如果此偏壓值不能在步驟S156之前預測時，那將確定此抽樣是否係須要（S158)。當此抽樣係不需要時，以現時份量為準之輸入值係經作為一檔案而提供以儲存此資料 (S160)〇如果吾人確定須要此抽樣程序在步驟s丨58中時，用以建議此抽樣操作之一信息係經顯示以儲存此抽樣處理資料 (S162)〇參看第16圖，在反饋模組中，此資料係自反饋檔案讀出（S164)。吾人確定此反饋資料之值是否以五倍超過規範本紙張尺度適用中國國家標準（CNS) A4規格（210X297公楚） 1221948 A7 __ B7 _ 五、發明説明（24 ) 内範圍（S166)。當它超越五倍時，相同於此現時地反饋資料之資料係自一臨時檔案資料ASS-DATA探測（S168)。如果在步驟S166中它係較小於其五倍時，相同於出現時地反饋資·料之資料係自ASS-DATA搜尋（S170)。隨後，吾人確定以相當份量為準之歷史是否係存在以計算此淨改正值用以實施類神經網路更新（S172)。連續地，此類神經網路資料係經更新（S174)，以及此類神經網路更新模組係經實施，藉以回行至主程式（S176)。參看第17圖，在此修正模組中，此ASS-DATA係經提供予以顯示在監控器（S17 8)上。藉如此作為，由操作者予以探測之份量號數係經接收（S180)，此輸入之相當份量變式係自ASS-DATA探測（S182)，以及探測之結果係顯示在監控器上（S184)。參看第18A和18B圖，此偏壓猜測模組摘取具有行使最小影響之不同之BASE II分量之偏壓資料，以及歷史構成成份中間之其餘三個相同歷史構成成份（S186)，吾人檢查在步驟S186中所摘取之資料是否存在（S188)。如果此摘取之資料存在時，此偏壓資料相同於現時份量者係經摘取 (S190)。藉結合摘取之偏壓資料，此BASE II之相對之偏壓係經獲得如上文所述（S192)。當相對之偏壓係在步驟S192中獲得時，此程式係終結以回行至請求模組（S194)。如果此相對之偏壓係未依照上文提及之公式於步驟S192内獲得，或者如果沒有偏壓基準係在步驟S 1 88中摘取時，具有不同BASE I和三個相同歷史本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 28 (請先閲讀背面之注意事項再填寫本頁) 訂· 1221948 A7 _B7 _ 五、發明説明（25 ) 構成成份之偏壓資料係被摘取（S196)。吾人檢查此步驟S196中所摘取之資料是否係存在 (S198)，以及相同於現時份量之偏壓資料在存在之情況中被摘取（S200)。隨後，此摘取之偏壓資料係組合以獲得 BASE I之相對偏壓如上文所述（S202)。當此相對偏壓係在步驟S202中獲得時，此程式係終結以回行至請求模組（S204)。除非此相對偏壓係在步驟S202 中獲得或者沒有偏壓基準係在步驟S198中摘取，否則具有不同PPID之偏壓資料及其餘三個相同歷史者係經摘取 (S206)。步驟S206内摘取之資料之存在係經檢查（S208)。當此摘取之資料存在時，相同於現時份量之偏壓資料係經摘取 (S210)。藉組合此摘取之偏壓資料，PPID之相對之偏壓係經獲得如上文所述（S214)。當此相對之偏壓係在步驟S214中獲得時，此程式係終結以回行至請求模組（S216)。如果沒有相對偏壓係由上述公式在步驟S214中獲得時，偏壓資料之平均值，其中BASE 和BASE I之任一種係不同而其餘三種歷史係相同者係經獲得（S212)。參考第19圖，此類神經網路模組更新類神經網路之輸入層資（S214)，以及最後輸出係自依序地經由第一隱藏層輸出S216,第二隱藏層輸出S218以及第三隱藏層輸出S220 之輸出層所產生（S222)。此裝置改正值係藉將所產生之 RAND改正值和偏壓值加起來而計算（S224)。本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 29 (請先閲讀背面之k意事項再填寫本頁)

1221948 A7 —_____B7 五、發明説明（26 ) 參看第20圖，此類神經網路更新模組依序地自此第三隱藏層至第一隱藏層為誤差回播學習之目的而計算各自層之靈敏度（S226至S230)。連續地，各自之層之權值係依序地自第三隱藏層至第一隱藏層而更新以回應於此計算之靈敏度（S232至S236)，藉以完成類神經網路之更新。測試實驗之結旲此測試貫驗係以三個A、B和C光刻裝置之資料為準而執行。初始地開動此裝置之情況係經假定在沒有過去處理資料之狀態下開始此測試實驗。同時，ALMS-NN算法之性能係藉與典型算法作比較而確證。此外，在處理實際程序之情況中，此測量係未在光刻程序之後之立刻實驗’那係被視為在測試實驗中以假定大約5個份量或如此之測量延遲。亦即，實施此程序之後之大約5個份量之處理時間之消逝之後，此測量誤差係予以利用。用於此性能比較所調查之測試實驗之結果係測量誤差並未自規格内範圍逸出之規格内比率。典型算法之規格内比率係藉資料上面之測量誤差所獲得。與ALMS-NN算法相關聯者，此規格内比率係藉獲得一實際上之測量誤差而獲得’而此測量誤差係被視為係當此裝置輸入值在ALMS_nN 算法中所產生者係經應用時所測量者。倘若在傳統式改正系統中所使用之裝置輸入值係以 ie(n)來表示’藉使用此裝置輸入值由聽候處理之份量所測量之重疊測量誤差係以ee(n)來表示，在此ALMS_NN算法中本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 30 (請先閲讀背面之注意事項再填寫本頁) 訂— 4 五、發明説明（27) 所计异之裝置輸入值係由ia(n)表示，以及實際上測量誤差虽使用上述時所使用者係由ea(n)來表示，下列等式係經界定 ee(n) = ia ⑻一 ea(n) 此外’當ALMS_NN算法係已應用於只是藉使用典型算法而無能力處理此抽樣程序之情況時，此規格内比率係經調查以辨證減少抽樣程序之次數之可能性。在傳統式系統中必需牽涉此抽樣程序之情況包括由於此一份量有歷史相同於要予現時地作處理之份量者從未曾被處理而不具有參考資料之無歷史情況，以及即令此份量有相同歷史曾經處理但由於一固定時限之截止而有不可靠資料之老歷史情況。被考里在模擬中之時間係1 50個份量之處理時間。換言之’當沒有資料在最近15〇個份量中時而有相同歷史存在之情況係被考量為老歷史情況。當考量不是所有份量都是聽候測量時，吾人可能是合理地使單一份量之處理時間係大約-小時，當因為使用於測試實施中之資料引用了利用全部須聽候測量之資料之情況時而使得用以處理單一份量所須要之時間係大約40分鐘。依此，用以處理150個份量或這麼多份量所估用之時間可以是大約5至6天。因為可用於典型算法中之資料之截止係3至5天，故抽樣處理於如果沒有份量有歷史相同於存在在最近處理之15〇個份量或這麼多份量中之現時份量者時，此抽樣處理應該在典型算法之觀點上。 1221948 A7 __ - _ B7 _五、發明説明（28 ) 為了要測量此規格内比率，此應用之規格内範圍在偏離-X和偏離-Y之情況中分別是-〇〇3〜〇〇3，_〇 3〜〇·3用於 Scale_x、Scale_Y ’正交率以及晶片旋轉，以及q 5〜I」用於標線片縮小和標線片轉動。〈以裝置第A號為準之測試實驗之結果> 在總資料5200號中間，無歷史情況發生4〇次，其中猜測Xbias之情況為數1 3以及老歷史情況發生99次。請先閲 *全部之規格内比率（％)* ALMS-NN 傳統式系統偏離X 91.01 89.27 偏離Y 89.64 88.35 尺度X 87.49 86.46 尺度Y 83.24 84.15 正交率 81.87 79.15 晶片轉動 89.76 87.69 標線片縮小 94.97 94.15 標線片轉動 86.31 82.08 面之注>

訂蟪本紙張尺度適用中國國家標準（CNS) A4規格（210 X 297公釐） 32 1221948 A7 B7 五、發明説明（29 ) *規格内比率（％)當猜測Xbias時 Xbias之猜測偏離X 92.30 偏離Y 30.77 尺度X 84.62 尺度Y 69.23 正交率 76.92 晶片轉動 92.30 標線片縮小 76.92 標線片轉動 69.23 老歷史情況之規格内比率（％) 老歷史偏離X 82.83 偏離Y 77.78 尺度X 92.93 尺度Y 84.85 正交率 84.85 晶片轉動 87.88 標線片縮小 89.90 標線片轉動 85.86 <以裝置第B號為準之測試實驗之結果> 在總資料3400號中間，無歷史情況發生63次，其中猜測 Xbias之情況為數13，以及老歷史情況發生次。本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐) -33 - 1221948 A7 B7 五、發明説明（30 ) 全部規格内比率（％) ALMS-NN 傳統式系統偏離X 92.21 87.85 偏離Y 96.54 93.06 尺度X 98.18 97.20 尺度Y 96.57 94.68 正交率 92.87 90.06 晶片轉動 98.00 96.53 標線片縮小 99.76 99.52 標線片轉動 99.37 98.21 當猜測Xbias時規格内比率（°/〇) Xbias之猜測偏離X 69.23 偏離Y 30.77 尺度X 100.00 尺度Y 76.92 正交率 92.55 晶片轉動 96.89 標線片縮小 98.76 標線片轉動 96.27 (請先閲讀背面之注意事項再填寫本頁) .、可| 4 本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） -34 - 1221948 A7 B7 五、發明説明（31 ) 老歷史情況之規格内比率（％) 老歷史偏離X 91.30 偏離Y 95.03 尺度X 95.65 尺度Y 91.92 正交率 92.55 晶片轉動 96.89 標線片縮小 98.76 標線片轉動 96.27 (請先閲讀背面之注意事項再填寫本頁) <以裝置第C號為準之測試實驗之結果〉在總資料3000號中間，無歷史情況發生71次，其中猜測 Xbias之情況為數23，以及老歷史情況發生70次。 •訂· ALMS-NN 傳統式系統偏離X 95.86 95.43 偏離Y 94.68 94.67 尺度X 93.84 94.07 尺度Y 82.36 87.77 正交率 86.97 88.63 晶片轉動 89.33 90.23 標線片縮小 92.39 96.07 標線,片轉動 96.23 94.13 0 35 本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 1221948 A7 B7 五、發明説明（32 ) 當猜測Xbias之規格内比率

Xbias之猜測偏離X 82.61 偏離Y 56.52 尺度X 91.30 尺度Y 86.96 正交率 78.26 晶片轉動 69.57 標線片縮小 82.61 標線片轉動 82.61 (請先閲讀背面之注意事項再填寫本頁) 老歷史情況之規格内比率（％) 老歷史偏離X 88.57 偏離Y 85.71 尺度X 87.14 尺度Y 87.14 正交率 90.00 晶片轉動 76.29 標線片縮小 75.71 標線片轉動 88.57 當概括上述測試實驗之結果時，吾人可明瞭，即 ALMS-NN算法顯示此結果係在與規範内比率相關聯上超 36 本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 1221948 A7 B7 五、發明説明（33 越典型算法而些許地改進。 (請先閲讀背面之注意事項再填寫本頁) 不過’在考量建議此ALMS-NN算法之主要目的係要減夕、取樣程序之-人數上’它在不同種類及小規模生產系統中變成嚴重問題而寧願不改進規格内比率，此ALMS_NN規格之内比率在測試實驗中之結果中所呈現者係有幾分令人滿意。在A號裂置之情況中，測量儀表之測量誤差之分佈係由第21至第25圖中所示曲線來代表，以便能檢查重疊測量儀表之測量誤差之散播，其中在典型算法和ALMS_NN算法之間沒有顯著之差異（以3和c上裝置為準之測量誤差分佈係類似於A號裝置者，故因此而省略）。 .訂· 為了要減少實際抽樣程序之次數，因此值係藉應用ALMS-NN算法在無相同歷史資料或老歷史資料係被使用之情況中被猜測時，此規格内比率應該不是出自總規格内比率而大大地下降。嚤在xbias值可以所有牽涉無相同歷史之情況為準而被猜測之情勢中之可能為A號裝置係325%，為3號裝置係 20.1%，以及為c號裝置係32·4%。當此值被猜測如上述時所獲得之規袼内比率係經使用以產生裝置輸入值來進行處理者係些微地下降但以總規内比率之大約7〇_8〇%而確定。以使用老歷史資料之情況為準之規格内比率給予此結果，它接近地相等於三個聽候測試實驗之裝置一起内之總規格内比率。此將顯示藉對其應用此alms_nn算法解決資料截止問題之可能，而此問題在典型算法中迄今曾經是一

1221948 A7 B7 五、發明説明（34 ) 重要問題。對實際裝置之應 ALMS-NN算法之程序岸用，斤應用用以辨證對實際程序之適當和切題者係經實施超過二天一太之時間，同時經由試驗實施總共67個份量之程序。 …當實施此程序之同時，沒有由於無相同歷史而應用此算法用以猜測Xbias之情況，但因為資料之截止如果應用典型算法而可能要聽候抽樣程序者發生17次。當然，這些情況由於資料之載止於應用ALMS_NN算法時係未被考量而未牵涉抽樣程序。此測試產生大約98%之合規格比率。換言之，由於不合規格之產生以大約2%或如此多之比率發生而使此情況須要重覆之程序。此一數字值係較當傳統式算法而無此 ALMS-NN算法係被應用時之規格外產生比率係8%者要更少0 第26至第35圖顯示代表當應用ALMS-NN算法時經由測試所獲得之測量誤差A-KLA與當應用經由典型算法所產生之裝置輸入值之實際測量誤差E-KLA之比較，以及由 ALMN-NN算法所產生之裝置輸入值之格式。一如第26至第30圖内所示，重疊測量儀表之測量誤差之散播係接近地類似於使用ALMS-NN算法和傳統式算法之兩者情況。一如第31圖至第35圖内所示，吾人可明瞭該裝置輸入值相當於偏壓值和RAND值之和（類神經網路之輸出值）。本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 38 (請先閲讀背面之注意事項再填寫本頁) 、\t— 鮝· 1221948 A7 —_____B7 _五、發明説明（35 ) 當光刻裝置係在上述具體例中作為一範例而提供時，本舍明之异法可以藉分開地考量以過去歷史為根據之偏壓設正值和以在例如電源裝置，CMP裝置及汽相澱積裝置之半導體程序中利用電腦之自動控制系統之所有裝備為準之一隨機RAND值，而在裝置改正值之控制上應用。在依照如上文所述之本發明之光刻程序中，用於重疊測量疾差和誤差之補償之精確預期之裝置輸入值係藉分開成為偏壓分量和RAND分量來確定。在此，此偏壓分量係以預測和歷史之猜測來確定，而RAND分量係藉類神經網路之裝置於利用經由學習和追縱之所有資料之後所提供和不牽連時間限制。因此，抽樣處理之次數係顯著地減少以改良產生生產率。當本發明業經以其特殊具體例為基準而顯示及說明時，精於此技藝者將瞭解，即各種形式及細節上之改變仍可以在其内產生而不會背離如由增列之專利申請所界定之本發明之精神和範圍。 (請先閲讀背面之注意事項再填寫本頁) 、可| t 本紙張尺度適财關家標準（_ A4規格（2歡297公楚） 39 1221948 A7 B7 五、發明説明（36 ) 元件標號對照 10.. .光刻裝置 12…塗膜處理器 14···對準/曝光處理器 16…發展處理器 20.. .重疊測量儀 4 0…光刻糸統 42.. .晶片抬 4 4…透鐘^糸統 46.. .標線片 50.. .輸入層 52、54、56...隱藏層 58.. .輸出層本紙張尺度適用中國國家標準（CNS) A4規格（210X297公釐） 40 - (請先閲讀背面之注意事項再填寫本頁)

Claims

1221948 A8 曹正替換 /、、申睛專利範d 年J:!曰經濟部智慧財產局員工消費合作社印製 L 一種用以控制處理裝置之方法，包含之步驟為：獲得用以處理被處理物自體之處理裝置之一輸入值和藉測量在處理裝置中之被處理之物自體所獲得之一測量值之間之誤差值，在減小該誤差值之方向中計算用以改正處理裝置之輸入值之改正值，以及處理該值作為在計算下一改正值上予以運用之處理資料，該方法另包含之步驟為：搜尋有歷史相同於載入至該處理裝置之物自體者之先前處理資料：自有相同歷史之該所搜尋之先前處理資料中之最近之多個先前改正值來預測一現時偏壓改正值；在該該先前處理資料内之最近之多個先前RAND 改正值之基礎上，藉類神經網路之裝置，預測一現時 RAND改正值；將預測偏壓改正值和RAND改正值相加起來作為該處理裝置之現時改正值；以及藉利用該誤差值，使該類神經網路學習用以追縱該 RAND改正值之變化。 2·如申請專利範圍第1項之用以控制處理裝置之方法，其中預測該現時偏壓改正值之步驟係藉一剖面線性加權平均算法之方式來實施者經界定如下列方程式： π /=«-^+1 7=1 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公g ) (請先閱讀背面之注意事項再填寫本頁) · 11111 11 訂· 1----11 .

、申請專利範 ^ 15 經濟部智慧財產局員工消費合作社印製 20 此處一基準字母Xbias表示偏壓改正值，W表示一剖面’以及xsh表示有相同歷史之該先前之偏壓改正值。 3·如申請專利範圍第1項之用以控制處理裝置之方法，其中該類神經網路係包含多層辨認器，以及此學習方法係屬一種誤差回播系統。 4·如申請專利範圍第1項之用以控制處理裝置之方法，其中該處理裝置/係包含多樣種類及小規模生產系統中之一半導體裝置之製造裝置。 5. —種用以控制光刻裝置之方法，其中包含之步驟為：獲得用以處理一晶片上面之照相抗蝕劑之光刻裝置之輸入值和藉測量聽候於一曝光之照相抗蝕劑圖形所獲得之一測量值之間之誤差值，以及藉重疊測量儀表之裝置在該處理裝置中之一開發；計算在降低該誤差值之方向中用以改正該輸入值之改正值；以及在用以利用該值於計算下一改正值中之生產時間單元内分配光刻處理資料，該方法另包含下列步驟：搜尋有一歷史相同於經載入該光刻裝置之新份量者之先前處理資料；從出自有此搜尋之相同歷史之所搜尋之先前處理資料之最近之多個先前改正值，預測一現時改正值之偏壓分量；在出自先前處理資料之最近之多個先前RAND改正值之基礎上藉類神經網路之裝置預測現時rand改本紙張尺度適用令國國家標準（CNS)A4規格（210 X 297公发） 42 (請先閱讀背面之注意事項再填寫本頁> 言 1221948

正值之RAND分量；將預測之偏壓分量和RAND分量相加，作為該光刻裝置之一現時改正值；以及藉利用該誤差值使類神經網路學習用以追縱 RAND分量之變化。 6·如申請專利範圍第5項之用以控制光刻裝置之方法，其中預測該現時改正值之偏壓部分之步驟係藉一剖面線性加權平均算法之方式來實施者經界定如下列方程式： VY /=«-^+1 y=i 此處一基準字母Xbias表示改正值之偏壓分量，W表示一剖面，以及\4表示先前偏壓分量之有相同歷史者。 7.如申請專利範圍第6項之用以控制光刻裝置之方法，其中該剖面係10。 8·如申請專利範圍第5項之用以控制光刻裝置之方法，其中在該搜尋步驟中，有相同標線片，PPID、base I和base II之資料係歷史構成成份者，係作為相同歷史處理資料來探測。經濟部智慧財產局員工消費合作社印製 9·如申請專利範圍第8項之用以控制光刻裝置之方法，其中’如果在該搜尋步驟中沒有相同歷史之處理資料存在時’該改正值之偏壓部分係依照有相同標線片成份之處理資料中間之多個其餘成份而作猜測。 10.如申請專利範圍第9項之用以控制光刻裝置之方法，其中該猜測方法包含之步驟為：抽取有歷史構成成份中間任何一不同者之處理資料；“ 藉使用具有單一不同構成成份之抽取之處理資料中間任何一個構成成份之一相關值而猜測改正值之偏壓分量；以及如果該偏壓分量不能由該相關值之方法來計算時’藉獲彳^具有單一不同構成成份之該抽取之處理資料之一平均值來猜測該改正值之偏壓分量。 11 ·如申請專利範圍第1〇項之用以控制光刻裝置之方法，其中優先次序係自BASE II、BASE I以及隨後PPID行使最小影響之順序中來提供。 12·如申請專利範圍第1〇項之用以控制光刻裝置之方法，當即令該偏壓分量不能被猜測時，另包含請求一抽樣程序之進行之步驟。 13·如申請專利範圍第5項之用以控制光刻裝置之方法，其中該類神經網路係包含多層辨認器，以及此學習方法係屬一誤差回播方法。 14. 如申請專利範圍第13項之用以控制光刻裝置之方法，其中該多層之辨認器包含：一輸入層有三個輸入節點；一輸出層有一個輸出節點；以及一三層之隱藏層在該輸入層和輸出層之間。 15. 如申請專利範圍第14項之用以控制光刻裝置之方法，其中該隱藏層之神經元引用S型函數作為一轉移函數。

經濟部智慧財產局員工消費合作社印製

16.如申請專利範圍第14項之用以控制光刻裝置之方法，其中該輸出層之神經元引用一線性函數作為一轉移函數。 17·種用以控制光刻裝置之方法，包含之步驟為··獲得在用以實施一晶片上面之照相抗餘劑上之光刻之該光刻裝置之輸入值和藉測量聽候於一曝光之照相抗蝕劑圖形所獲得之一測量值之間之一誤差值以及經由一重疊測量儀器在該光刻裝置中之開展；在減小該誤差值之方向中计算用以改正該輸入值之一改正值；以及在用以利用該值於計算下一改正值之生產時間單元内分配光刻處理資料，該方法另包含之步驟為：搜尋先前處理資料之有歷史構成成份（標線片， PPID、BASE I和BASE II)相同於那些載入至該光刻裝置之新份量者，從出自有相同歷史之搜尋之先前處理資料之最近之多個先前改正值預測現時改正值之偏壓分量；當沒有先處理資料具有該相同歷史者存在時，抽取該歷史構成成份中間具有除了標線片以外之一種不同構成成份之處理資料；藉出自具有所抽取之單一不同構成成份之處理資料之一定構成成份之相關值之方法，猜測該改正值之偏壓分量；當該偏壓分量不能以使用該相關值計算時，猜測具有該抽取之要予猜測之單一不同構成成份之該處理資用中國國家標準（CNS)A4規格（21〇 ·χ 297公复 Μ--------^--------- (請先閱讀背面之注意事項再填寫本頁) 1221948 修 A8 B8 :8 J8 申請專利範年曰料之一平均值作為該改正值之偏壓分量；在出自先前處理資料之最近之多個先前RAND改正值之基礎上，藉一類神經網路之裝置，預測該現時改正值之一 RAND分量；將該預期之偏壓分量和RAND分量相加作為該光刻裝置之一現時改正值；以及藉利用該誤差值，使類神經網路學習用以追縱 RAND改正值之變化。 18.如申請專利範圍第17項之用以控制光刻裝置之方法，其中，在該猜測步驟中，該優先次序係自BASE I、BASE II，以及隨後PPID之行使最小影響之順序中來提供。經濟部智慧財產局