TWI509431B - 用於一最佳參數化散射測量模型之自動化判定之方法 - Google Patents

用於一最佳參數化散射測量模型之自動化判定之方法 Download PDF

Info

Publication number
TWI509431B
TWI509431B TW100125861A TW100125861A TWI509431B TW I509431 B TWI509431 B TW I509431B TW 100125861 A TW100125861 A TW 100125861A TW 100125861 A TW100125861 A TW 100125861A TW I509431 B TWI509431 B TW I509431B
Authority
TW
Taiwan
Prior art keywords
parameter
model
parameters
combinations
relative accuracy
Prior art date
Application number
TW100125861A
Other languages
English (en)
Other versions
TW201211789A (en
Inventor
Jason Ferns
John J Hench
Serguei Komarov
Thaddeus Dziura
Original Assignee
Kla Tencor Corp
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 Kla Tencor Corp filed Critical Kla Tencor Corp
Publication of TW201211789A publication Critical patent/TW201211789A/zh
Application granted granted Critical
Publication of TWI509431B publication Critical patent/TWI509431B/zh

Links

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
    • G03F7/70616—Monitoring the printed patterns
    • 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
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Description

用於一最佳參數化散射測量模型之自動化判定之方法
本發明之實施例係關於散射測量，且更特定言之，係關於用於浮動參數集合之自動化選擇之方法及系統。
通常被稱作散射測量之光學度量衡技術提供在製造程序期間使工件之參數特性化之可能性。實務上，將光引導至形成於工件中之週期性光柵上，且量測及分析反射光之光譜以使光柵參數特性化。特性化參數可包括臨界尺寸(CD)、側壁角度(SWA)、特徵高度(HT)等等，其影響自一材料所反射或透射通過該材料之光的偏光及強度。光柵之特性化可進而使工件以及在光柵及工件之形成中所使用的製造程序特性化。舉例而言，圖1A所描繪之光學度量衡系統100可用以判定形成於半導體晶圓104上之光柵102之剖面(profile)。光柵102可形成於晶圓104上之測試區域中，諸如，鄰近於形成於晶圓104上之器件。光學度量衡系統100可包括具有光源106及偵測器112之光度量器件。藉由來自光源106之入射光束108照明光柵102。在本例示性實施例中，以相對於光柵102之法線的入射角θi 及方位角φ(亦即，在入射光束108之平面與光柵102之週期性之方向之間的角度)將入射光束108引導至光柵102上。繞射光束110以相對於法線之角度θd 離開且藉由偵測器112接收。偵測器112將繞射光束110轉換成量測度量衡信號。為了判定光柵102之剖面，光學度量衡系統100包括經組態以接收量測度量衡信號且分析量測度量衡信號之處理模組114。
量測光譜之分析通常涉及比較量測樣本光譜與模擬光譜以推斷最佳地描述量測樣本的散射測量模型之參數值。如本文所使用，「模型」指代散射測量模型，且「參數」指代散射測量模型之模型參數。圖1B說明用於建置參數化散射測量模型(模型)及始於樣本光譜(例如，源自一或多個工件)之光譜庫之方法150。在操作152處，存取材料檔案集合。材料檔案指定供形成量測樣本特徵之材料的特性(例如，n 、k 值)。可由使用者來定義材料檔案或自上游處理器接收材料檔案。
在操作152處，存取初始散射測量模型。散射測量使用者可藉由選擇材料檔案中之一或多者以組裝對應於存在於待量測之週期性光柵特徵中之材料的材料堆疊來定義預期樣本結構之初始模型。或者，可將初始模型接收為來自自動化來源之輸出。此初始模型可經由使量測特徵之形狀特性化之模型參數(諸如，厚度、CD、SWA、HT、邊緣粗糙度、圓角半徑，等等)之標稱值的定義而進一步參數化。視是定義2D模型(亦即，剖面)或是定義3D模型而定，具有30個至50個或更多此類模型參數並不罕見。
自參數化模型，可使用嚴格繞射模型化演算法(諸如，嚴格耦合波分析(RCWA)方法)來計算針對給定光柵模型參數值集合之模擬光譜。接著在操作156處執行回歸分析，直至參數化模型收斂於使最終剖面模型特性化之模型參數值集合上為止，最終剖面模型對應於使量測繞射光譜匹配於預定義匹配準則之模擬光譜。將與匹配模擬繞射信號相關聯之最終剖面模型推測為表示供產生該模型之結構之實際剖面。
可接著在操作157處利用匹配模擬光譜及/或關聯最佳化剖面模型以藉由擾動參數化最終剖面模型之值來產生模擬繞射光譜集合。可接著藉由在生產環境中操作之散射測量量測系統使用所得模擬繞射光譜集合以判定是否已根據規格而製作隨後量測之光柵結構。
在回歸操作156期間，使來自針對假想剖面之模型參數集合之模擬光譜擬合於量測樣本光譜。隨著執行每一回歸以達到下一模擬光譜，需要關於將允許模型參數中哪些模型參數浮動(亦即，變化)及哪些模型參數固定之決策。通常，經允許浮動之每一模型參數將致使所有其他浮動模型參數較不精確，且使不能藉由光譜精確地判定之過多模型參數浮動可能會造成回歸演算法變得不穩定。又，假使在回歸分析期間必須允許模型參數中至少一些模型參數浮動，則當前由對主題製造程序及散射測量皆熟知之高度專業化工程師作出關於哪些模型參數浮動及哪些模型參數固定之決策。在回歸期間適當地選擇模型參數以進行浮動方面對專業技能之此相依性可向方法150增加數週或甚至數月之工程時間。使用者之參數化決策亦在作為量測技術之散射測量之顯而易見的能力中引入相當大的主觀性。進一步考慮在半導體程序中典型的量測收集點之多重性及可能必需新模型之程序改變的頻率，對使散射測量模型適當地參數化之需要成為散射測量之廣泛採用的顯著障礙。
因此，一種可更快速、更嚴格且無需依賴於高度技能化使用者的用於判定散射測量模型之最佳參數化之自動化方法將係有利的。
藉由量測來自週期性結構之光譜資訊且解決一反演問題(藉以，經由一最佳化程序而使量測光譜資訊匹配於自一參數化模型合成地產生或模擬之光譜資訊)來進行以散射測量為基礎之量測。通常，將用可藉由該最佳化程序變化(浮動)之更加多的模型參數而使該模型參數化。此情形要求將大數目個模型參數固定至一標稱值，其中較少數目個模型參數浮動。
本文之實施例描述用以判定在參數化模型之一回歸期間待固定(浮動)之一模型參數集合之方法、電腦程式產品及光學度量衡系統，該參數化模型用於散射測量地分析具有未知模型參數之一樣本繞射結構。
在一實施例中，接收量測光譜資訊，且存取使複數個(N 個)模型參數浮動之一散射測量模型。演算該量測光譜資訊之一亞可比矩陣(Jacobian matrix)(亞可比行列式(Jacobian))，且基於自針對複數個參數組合中每一模型參數之亞可比行列式及光譜協方差矩陣所判定之一精確度度量，判定待固定於一預定參數值之一模型參數集合。在某些實施例中，可自該亞可比行列式之行組裝該複數個模型參數組合(其中對於所有模型參數將該亞可比行列式僅演算一次)，且執行該等組合之一組合學搜尋或自下而上或自上而下排序以識別待共同地浮動之最佳模型參數群組。
在另外實施例中，藉由該修正散射測量模型而對該量測光譜資訊執行一回歸。若顯著地不同，則自該等標稱值驗證及更新該等固定模型參數值，該等固定模型參數值具有足夠高以使得其不能在該散射測量模型中合理地浮動之一相對精確度度量。可接著循環該固定/浮動判定以重新演算該亞可比矩陣且重新選擇該等固定/浮動參數集合。在一實施例中，在自動地識別一最大自由度模型的情況下，應用以回歸為基礎之技術，且基於總估計誤差之一加權總和而以一反覆方式使額外參數自動地固定以達到一最終最佳參數化模型。
在隨附圖式之諸圖中經由實例而非限制來說明本發明之實施例。
在以下描述中，闡述眾多細節。然而，對於熟習此項技術者應顯而易見，可在無此等特定細節的情況下實踐本發明。舉例而言，儘管在用於繞射光柵參數量測之散射測量之內容背景中描述本發明之方法，但應瞭解，一般熟習此項技術者可容易使該等方法適應於其他內容背景及應用。
在一些情況下，以方塊圖形式而非詳細地展示熟知方法及器件，以避免混淆本發明。貫穿本說明書對「一實施例」之參考意謂結合該實施例所描述之特定特徵、結構、功能或特性包括於本發明之至少一實施例中。因而，在貫穿本說明書之各處出現之片語「在一實施例中」未必指代本發明之同一實施例。另外，可在一或多個實施例中以任何合適方式來組合特定特徵、結構、功能或特性。舉例而言，可在第一實施例與第二實施例根本不互斥之情況下將該兩個實施例進行組合。
本文所提供之[實施方式]的一些部分係依據對電腦記憶體內之資料位元之運算的演算法及符號表示的形式而呈現。除非另有特定陳述，否則自以下論述顯而易見，應瞭解，貫穿該描述，利用諸如「演算」、「判定」、「估計」、「儲存」、「收集」、「顯示」、「接收」、「合併」、「產生」、「更新」或其類似者之術語的論述指代電腦系統或相似電子計算器件之動作及程序，該電腦系統或相似電子計算器件操縱在該電腦系統之暫存器及記憶體內表示為實體(電子)量之資料且將該資料變換成在該等電腦系統記憶體或暫存器或其他此類資訊儲存、傳輸或顯示器件內相似地表示為實體量之其他資料。
在實施例中，執行標稱模型(諸如，最初由使用者提供之標稱模型)之預處理，以藉由判定可在輸入至以回歸為基礎之模型改進器(regression-based model refiner)中之模型中合理地浮動的最大數目個模型參數而使該模型穩定。因而，該預處理不判定最終模型，而是執行經設計成消除使專家使用者首先手動地縮減輸入至模型改進器中之模型中之浮動參數集合的任何需要。在圖2A所描繪之例示性方法200中，在操作201處存取參數化模型。在執行在操作206處模型之回歸之前執行模型參數化之最佳化以解決反演問題。
在一實施例中，將最佳化205分離成模型預處理操作203及模型改進操作204。如圖2B(其說明作為在模型中參數之數目之函數的相對參數精確度度量)進一步所示，預處理操作203及改進操作204藉由將模型參數劃分成三類而彼此補充：必須固定之參數208及針對穩定模型必須浮動之參數209，以及為剩餘部分之參數210。預處理操作203鑑別哪些模型參數屬於208、209中任一者或其兩者，且改進操作204鑑別是使剩餘種類中之參數210固定或是浮動。如圖2B進一步所說明，相對精確度度量具有定義可為使用者可組態之臨限範圍(例如，0.1至10)的防護帶。此臨限範圍包括預處理操作將判定使一參數固定所遍及的該範圍之一部分(例如，1至10)。對於屬於臨限範圍之參數208，某些實施例執行驗證回歸以作為預處理操作203之部分。
除了操作203及204之不同目標以外，該兩個操作之間的另一明顯差別亦為供達成各別目標之方法。通常，預處理操作203基於相對於模型參數自量測光譜資訊之亞可比行列式所判定的針對一參數之精確度度量而作出關於彼模型參數應是固定或是浮動之決策，以較佳地使不能自量測光譜資訊精確地判定之彼等參數固定(例如，其中小，x為模型參數向量)。在另外實施例中，最佳化操作203將針對一參數之相對精確度度量判定為與該參數相關聯之精確度度量及預期程序變化之函數，以亦使在製造程序中將自然不會劇烈地變化之彼等參數固定。如本文在別處進一步所描述，可極有效率地且以可處置在初始模型中保持浮動之較大數目個模型參數(30個至50個，或更多)的方式來進行此以亞可比行列式為基礎之預處理。
一旦完成預處理操作203，隨即接著將修正模型輸入至模型改進操作204中，在模型改進操作204中，可使用回歸密集型技術以考慮額外因素，諸如，在樣本變化內特性化之額外光譜資訊，等等。在模型改進操作204期間，可基於一組合統計優質化函數(諸如，總估計誤差(TEE))而使超出在預處理操作203中所識別之集合的額外參數固定，如本文在別處進一步所描述。
圖2C為根據本文所描述之實施例的經組態以使散射測量模型之參數化自動地最佳化之例示性光學度量衡系統211。光學度量衡系統211經組態以包括模型最佳化器212，模型最佳化器212用以接收或存取具有大數目個(例如，30個至50個，或更多)參數N 或數學參數組合之初始模型，所有該等參數皆可保持浮動。自N 個浮動參數之集合，模型預處理器213執行預處理操作203以識別該參數集合，該參數集合如此微弱地影響光譜量測或如此極大地影響光譜量測以致於該等參數必須分別固定或浮動，以使能夠隨後產生具有最低不確定性之最終模型。在如此指定參數化的情況下，將具有縮減可浮動參數集合(N 個中之M 個)之穩定模型輸入至模型處理器250以執行模型改進操作204，在模型改進操作204期間，可基於藉由預設或藉由使用者定義而被視為臨界之參數的最佳誤差估計而使額外參數固定以輸出具有M 個參數中之L 個參數的最終模型。自此最終模型，可產生模擬光譜資訊庫，且可使用已知散射測量技術中任一者來推斷樣本繞射結構之未知參數。應瞭解，可將模型預處理器213及模型處理器250中任一者或其兩者實施為軟體或硬體，或其組合。舉例而言，在一實施例中，如本文在別處所描述，一或多個通用電腦處理單元經由儲存於電腦可讀媒體上之指令而經組態為模型預處理器213及/或模型處理器250。
圖3為說明預處理方法300的流程圖，預處理方法300為圖2A所描繪之預處理操作203之一例示性實施例，其用於判定具有最大自由度(DOF)之散射測量模型之參數化。方法300始於操作301，操作301具有針對被輸入為初始模型之所有N 個模型參數之亞可比行列式J 0 之計算。J 0 表示藉由光學度量衡系統所量測之光譜信號相對於N 個量測參數中每一者的導數。因此，J 0 具有針對N 個模型參數中每一者的行及針對包含量測光譜資訊之每一光譜波長的列。
方法300接著進行至操作310以基於自J 0 所判定之參數精確度度量來判定固定參數集合。通常，在操作310處以考量參數相關性之方式來演算精確度度量，以提供用於比較各種浮動參數組合之基礎且識別可合理地浮動之最大參數集合。圖4A說明用於在圖3之操作310處判定固定參數集合之一例示性方法。如圖4A所示，方法410將J 0 作為輸入，且在操作411處藉由複製或刪除來自J 0 之某些行來組裝測試矩陣J T ，每一J T 包括來自J 0 之參數行之複數個組合。值得注意的是，亞可比行列式J 0 僅需要被演算一次(例如，在操作301處)以達到待固定參數集合。測試矩陣J T 僅僅為來自J 0 之行之並列串聯，且因此，儘管為亞可比行列式自身，但相比於實際上演算亞可比行列式J 0 之元素所花費之時間，J T 之「組裝」需要較少數量級之時間進行組裝。
在操作420處，計算針對複數個組合中每一者中每一參數行之一相對精確度度量。相對精確度度量為針對參數之硬體精確度度量及與彼參數相關聯之預期程序變化之函數。在一實施例中，相對精確度度量為針對每一浮動參數之正規化估計硬體精確度(估計硬體精確度/估計程序變化(HP/PV)，在本文中被稱作精確度/容許度(P/T )比率)。程序變化或容許度預設值可經設定為使用者所知之3σ程序變化且可在參數階層下係可組態的，諸如(但不限於)，針對實體尺寸參數(例如，奈米單位)之±5%及針對SWA參數之±1%。
所計算之相對精確度度量對應於包括於測試矩陣J T 中之行。圖4B為說明用於判定針對來自亞可比矩陣(諸如，在操作411處所組裝之測試矩陣J T )之每一參數之精確度度量之例示性方法421的流程圖。該方法始於在操作422處判定針對所有N 個模型參數之光譜雜訊協方差S 。藉由比較量測光譜資訊與藉由模型使用如下二次範數所計算之模擬光譜資訊來估計模型參數：
此處，f 為含有模擬光譜資訊之向量且m 表示量測，且N e ff 大致為向量f 之長度。對於散射測量量測，向量f 通常由變數α(λ )及β(λ )組成，變數α(λ )及β(λ )沿著行交替，其中較短波長係在前導位置中。
m =[α1 β1 …α N β N ] T 　(2)
將量測m 推測為受到零均值高斯白雜訊擾動：
m =m 0 +ν
其中協方差為：
S =E [νν T ]。　(3)
出於分析之目的，可藉由一階近似來描述含有模擬光譜資訊之向量f 。
f =f 0 +Jp 　(4)
其中f 0 為使x 2 範數最小化之光譜資訊，J =▽ x f (x 0 )為在參數空間x 0 中之最小化者處所評估之亞可比矩陣，且其中p =x -x 0 為來自該最小化者之擾動。吾人可在不失一般性的情況下進一步寫出：
f 0 =m 0 +μ　(5)
其中μ為考量在藉由模型對量測光譜資訊之模型化中之任何失配的偏置向量。在依據此擾動模型來重寫x 2 範數(1)的情況下，吾人得到：
為了判定光譜雜訊ν對參數擾動p 之效應，吾人應注意，用於使x 2 範數最小化之必要條件為：x 2 相對於p 之導數為零，亦即， χ 2 / p =0。此條件暗示：
J T QJp =J T Q (ν-μ)。　(7)
在操作423處，可接著將參數空間中之擾動p 的協方差估計為：
C p =E [pp T ]=(J T QJ )-1 J T QE [νν T ]QJ (J T QJ )-1 　(8)=(J T QJ )-1 J T QSQJ (J T QJ )-1
一旦已使用方程式(8)而估計協方差，隨即可藉由評估協方差矩陣之對角線之平方根而針對測試矩陣來判定精確度(1σ)向量h ：
在一另外實施例中，除了精確度以外，亦自協方差矩陣計算相關係數。吾人將相關矩陣定義為：
R p =D p C P D p 　(9b)
其中
第i參數與第j參數之間的相關係數為R p 中之第i,j項。
應注意，在測試矩陣之行與協方差矩陣之大小之間存在一一對應性，且行之次序為精確度向量h 之次序。在方程式(9)及與在操作425處所輸入之每一參數相關聯之程序變化或容許度的情況下，可判定作為硬體精確度及程序變化之函數的相對精確度，如圖2B所例示。視相對精確度函數之形式而定，產生相對精確度度量之極值以用於比較(分級)組合以作為判定哪些參數組合適於共同地浮動及哪些參數組合不適於共同地浮動之方式。對於相對精確度度量在操作426處採取P/T 比率之形式的例示性實施例，在操作429處輸出第i參數之標準偏差σ i 對程序變化τ i 之比率的最大值()。如本文在別處進一步所論述，此最大值表示給定參數組合中之參數之P/T ，其將最接近於用作端點臨限值之P/T 。在一另外實施例中，將參數之相關性之量測簡單地定義為：
此可結合上文所定義之P/T比率而使用，亦即，
其中τ R <1為對最大所要相關係數之極限的臨限集合。
返回至圖4A，在具有判定針對測試矩陣J T 中之組合中每一者之最大P/T 之能力的情況下，方法410進行識別滿足臨限P/T 值(例如，如圖2B所描繪之1)且含有最大數目個參數行之組合。已識別參數組合將為在修正散射測量模型中之浮動參數M ，其中在操作435處判定將固定至預定值(例如，初始模型中所提供之標稱值)之對應模型參數集合N -M 。方法410接著返回至操作340(圖3)。
視實施而定，針對方法410之計算時間可極大地變化。舉例而言，圖5、圖6及圖7說明在圖4A之內容背景中更一般化地描述之測試矩陣產生、精確度計算及參數組合識別之三個特定實施。在圖5所描繪之第一實施中，針對具有最大數目個參數之組合執行組合學搜尋，且組合學搜尋需要相對於參數之數目之階乘計算時間。圖6及圖7所說明之兩個實施執行有序搜尋且具有相對於參數之數目之線性計算時間的優勢。
圖5為說明例示性組合學方法510的流程圖，例示性組合學方法510用於判定可浮動參數之最大數目，使得組合之P/T 比率保持低於臨限值(例如，如圖2B所描繪之1)以確保良好可浮動參數集合。此實施例始於操作511，其中自操作301計算J 0 ，令所有可能可浮動參數之數目(亦即，J 0 中行之數目)為N 且初始化反覆器值：k =1。亦使用先前所描述之技術而針對所有參數來判定程序容許度τ i (亦即，經由預設設定或使用者定義設定)，光譜雜訊協方差S 亦係如此判定。
在操作511處，藉由採取來自J 0 之所有可能行組合來組裝測試矩陣(亞可比行列式)J T ，使得J T 具有k 個行。(存在個此類組合。)接下來，在操作515處，使用方程式(8)及(9)來判定針對每一組合中之參數之精確度。在操作520處，針對每一組合來判定最大P/T 分級度量，且識別使最大P/T 最小化所針對之組合。若已識別組合具有小於P/T 臨限值(例如，1)之最大P/T ，則在操作525處將彼組合儲存至記憶體。接著將反覆器值遞增k =k +1，且組合學方法510反覆回至操作511以組裝包含所有可能組合之另一測試矩陣(例如，對於k=2)。然而，若在操作520處所識別之組合具有大於P/T 臨限值之關聯度量，則方法510結束於將在操作525處針對k-1所記錄之組合傳回為在操作340(圖3)處之後續回歸期間待浮動之參數。
對於許多散射測量應用，可藉由組合學方法510管理可浮動參數組合之數目。然而，當可浮動參數之數目超過約20時，則有利的是連續地識別將始終浮動(M FLOAT )及/或將始終固定(M FIX )之個別參數。分別藉由「自下而上」及「自上而下」方法計算此等參數。此等程序兩者皆產生有序清單。在自下而上演算法中，該清單提出以哪一次序使參數浮動，且對於自上而下演算法，該清單提出以哪一次序使參數固定。
圖6A為說明根據一實施例的用於基於自量測光譜資訊之亞可比行列式所導出之精確度度量來判定固定參數集合之例示性自下而上方法610的流程圖。方法610始於DOF=1及針對輸入亞可比行列式J 0 中所有參數N 所判定之τ i 。判定光譜雜訊協方差S ，且將緩衝矩陣J F 設定為空集合。在操作611處，藉由採取來自J 0 之所有可能行組合且將其附加至J F 來組裝測試亞可比行列式J T ，使得J T 具有DOF行(存在個此類組合)。
在操作615處，藉由基於針對每一組合之最大P/T 來識別針對DOF應浮動之參數組合而判定針對DOF之最佳模型。此判定實質上係如先前針對組合學方法510所描述，包括使用方程式(8)及(9a至9c)而計算針對每一組合中之參數之精確度及/或相關係數。使最大(最差)P/T 最小化所針對之組合(亦即，基於具有最差P/T 之組合中之參數的最佳可浮動參數組合)的判定。將彼組合連同關聯DOF一起予以記錄，且自J 0 移除對應列且將其附加至J F 中。以此方式，連續反覆中之測試矩陣J T 保留在緊接前一反覆中浮動之參數，以捕獲針對浮動參數及將自現具有縮減參數集合(N -DOF)之J 0 所組裝之後續參數組合的參數相關效應。
若當前反覆之最大P/T 大於P/T 臨限值(例如，在0.2至0.5之間)，或若所有參數N 皆已經識別為浮動，則方法610結束於傳回儲存於矩陣J F 中之始終浮動參數M FLOAT 以用於修正模型之回歸，如針對操作340(圖3)進一步所描述。然而，若當前反覆之最大P/T 保持小於P/T 臨限值且並非所有參數N 皆已經識別為浮動，則執行另一反覆，其中將DOF 遞增至DOF+1。
圖6B描繪根據一實施例的在執行自下而上方法610(例如，藉由圖2B之模型預處理器)時之例示性輸出。如圖所示，對於每一連續反覆(1 DOF至4 DOF)，自N 為30所針對之輸入亞可比行列式J 0 組裝30個參數組合。因而，針對每一連續反覆之處理時間保持模型參數之數目N 之線性函數。遍及四次連續反覆而產生包含615A、615B、615C及615D之有序清單。在第一反覆(1 DOF)中，將各自使一個參數浮動之30個不同組合組裝至測試矩陣J T 中。如圖所示，將具有最低相對精確度度量之參數「1」識別為浮動且在下一連續反覆(2 DOF)中將其附加至每一組合。在自J 0 移除參數「1」的情況下，將相比於緊接前一反覆具有一個額外自由度之30個另外組合組裝至下一測試矩陣J T 反覆中。針對2 DOF反覆執行新P/T 演算，其考量參數「1」與該30個組合中其他參數中每一者之間的相關性。如圖所示，將參數「1,3」組合615B識別為具有最低最大P/T 值，而非組合「1,2」。因而，至少出於參數相關性之原因，測試矩陣之分級係非判定性的。因而，在先前反覆中被分級為具有第一最低P/T 值及第二最低P/T 值之參數「1」與參數「2」之間的相關性在其兩者皆於2 DOF反覆中一起浮動時造成一個或更多該等P/T值之增加。在另外反覆之後，將組合615D判定為具有最低最大P/T 值，然而，自下而上方法610結束於具有大於臨限P/T 值之P/T 之參數1、3、4或6中至少一者，且因此不將任何另外參數M 加至「浮動」參數集合。
圖7為說明根據一實施例的用於基於自量測光譜資訊之亞可比行列式所導出之精確度度量來判定固定參數集合之例示性自上而下方法710的流程圖。方法710始於自操作310(圖3)所輸入之亞可比行列式J 0 ，k =N ，J F =J 0 且將J 0 設定為空集合。針對所有參數N 判定τ i ，且亦判定光譜雜訊協方差S ，如先前所描述。在操作711處，藉由一次一個地移除來自J 0 之所有可能行組合且將其附加至J F 來組裝測試矩 陣(亞可比行列式)J T ，使得J T 具有k 個行(存在個此類 組合)。在操作713處，使用方程式(8)及(9a至9c)來判定針對每一組合中之參數之精確度及/或相關係數。在操作715處，識別使最大P/T 最小化所針對之組合且在操作716處儲存該組合。在操作717處自J 0 移除對應列且將其附加至J F 。若k 不為0，則將k 遞減至k-1 ，且後續反覆始於另一測試矩陣J T 之組裝。若k =0，則方法710結束，且將「從未浮動參數」(例如，M FIX )之有序清單傳回至操作340以用於回歸(圖3)。
在藉由方法410、510、610、710中任一者判定固定參數集合的情況下，預處理方法300(返回至圖3)修正參數化散射測量模型以具有N-M FIX 個浮動參數之縮減集合。在一此類實施例中，將在操作310處經判定為固定之彼等參數設定為預定標稱值。在操作340處，接著使用具備初始模型之標稱值及範圍而對量測光譜資訊執行回歸。在圖3所描繪之例示性實施例中，接著利用回歸輸出以在操作345處執行在操作310中固定之參數中至少一些的驗證。
圖8為說明根據一實施例之例示性固定參數驗證方法845的流程圖。通常，固定參數驗證使如下參數之值最佳化：該等參數具有足夠高P/T 以致於在標稱值非常不用於回歸值而顯著地影響擬合時該等參數不能在最終模型中浮動。方法845始於根據固定參數之相對精確度度量(例如，P/T )來分級固定參數。因而，考量與M 個浮動參數之相關性。在一實施例中，藉由方法845驗證所有固定參數。然而，在例示性實施例中，將一可組態固定參數驗證臨限值施加至該分級，且經由驗證方法845而僅處理具有足夠小相對精確度(例如，P/T <2)的固定參數之子集。
在操作847處，修改修正模型以使具有屬於P/T 範圍之相對精確度的彼等固定參數1至p 逐個連續地轉換成一額外浮動參數。舉例而言，較佳地按照增加P/T 之次序，一次一個使具有在下限臨限值(例如，0.3)與上限臨限值(例如，2.0)之間的P/T 值的彼等參數1至p 浮動。對於所浮動之每一連續參數，在操作850處對量測光譜資訊執行驗證回歸。針對此局部回歸之起點應為針對先前回歸之最終回答。接著判定驗證回歸相對於緊接前一回歸(例如，回歸340，或固定參數驗證方法845之先前參數反覆)是否改良。舉例而言，回應於殘差或χ2 被改良達大於可組態「改良臨限值」之量(例如，好於先前模型修正的0.05之殘差)，方法845進行至操作853。在操作853處，更新形式上固定至先前值(例如，標稱初始值)的在當前反覆中浮動之參數以採取自驗證回歸所判定之修正值。然而，回應於未足夠改良之殘差，使在當前反覆中浮動之參數保持於其所固定至之先前值(例如，標稱初始值)。方法845反覆驗證回歸操作850及改良檢查，直至驗證所有合格固定參數為止。方法845接著傳回新固定參數值以用於在操作360(圖3)處更新修正模型。
返回至圖3，在一實施例中，在預處理方法300之迴圈中包括光譜擬合篩選程式(spectral fit filter)。在例示性實施例中，針對具有更新參數值之修正模型來判定正規化擬合良度(normalized goodness of fit,NGOF)。回應於NGOF值低於NGOF臨限值(例如，0.98)來執行校正動作，諸如，在操作370處將誤差訊息輸出至光學度量衡系統之使用者(例如，「驗證標稱模型、n 、k 或量測光譜資訊」)。回應於足夠高NGOF，模型預處理方法300進行自先前模型判定在模型中修正之顯著性(例如，修正模型與初始模型之比較)。假使使參數固定及/或浮動之決策係基於自先前模型之亞可比行列式所判定之參數精確度度量，則此判定係有用的。由於一函數之導數視在彼函數內之位置而定，所以顯著改變之模型可將該模型重新定位至可影響哪些參數為固定對浮動之選擇的不同參數空間。
圖9為說明根據一實施例的用於判定是否應執行基於參數空間中新部位之亞可比行列式之重新演算之例示性方法的流程圖。始於來自操作360(圖3)的修正模型之回歸結果，針對該模型之參數中每一者來演算一正規化參數值差。該差係產生於先前參數值(例如，初始模型之標稱值、最小值/最大值)與修正模型中之值之間。接著藉由針對彼參數之估計硬體精確度P 而使此等值正規化，進而比較在參數空間中重新定位之量值與對此類重新定位之敏感性。
若正規化差不大於可組態差臨限值，則方法960反覆至下一參數，直至檢查所有參數為止。在所有參數皆經判定為具有低於臨限值之正規化差的情況下，方法960返回至圖3之操作390。在正規化差大於第一參數之可組態臨限值的情況下，方法960返回至操作301(圖3)以使用修正模型來重新演算亞可比行列式J 0 。
返回至圖3，若將執行預處理方法300之後續反覆，則該方法再次自操作301進行至操作310以基於重新演算之亞可比行列式(例如，自1 DOF模型被重新開始)等等來判定新固定參數集合，實質上如本文先前所描述。可將迴圈逸出條件設定為3次至5次或更多反覆。在不需要預處理方法300之任何另外反覆的情況下，方法300結束於在操作390處所識別之最大DOF模型。
返回至圖2A，接著使用回歸技術而在操作204處改進最大DOF模型，以使藉由預設或使用者定義而被視為臨界之參數的最佳誤差估計最小化。臨界參數通常可包括特徵CD或SWA。對於改進操作204，可將額外誤差來源與硬體精確度(P)進行組合以達到在最終模型中待最小化之總估計誤差(TEE )。
本發明亦係關於一種用於執行本文之操作之裝置，諸如，模型最佳化器212。可出於所需目的而特定地建構此裝置，或此裝置可包含藉由儲存於電腦中之電腦程式選擇性地啟動或重新組態的通用電腦。此類電腦程式可儲存於電腦可讀儲存媒體中，諸如(但不限於)，任何類型之磁碟，包括軟碟、光碟、CD-ROM及磁光碟、唯讀記憶體(ROM)、隨機存取記憶體(RAM)、EPROM、EEPROM、磁性或光學卡，或適於儲存電子指令的任何類型之媒體，其各自耦接至一電腦系統匯流排。
本文所呈現之演算法及顯示器並非固有地關於任何特定電腦或其他裝置。可與根據本文之教示的程式一起使用各種通用系統，或建構更專門之裝置以執行所需方法步驟可能證明為便利。用於各種此等系統之所需結構將顯現為如以下描述所闡述。此外，未參考任何特定程式設計語言來描述本發明。應瞭解，可使用各種程式設計語言以實施本文所描述的本發明之教示。
可將本發明提供為電腦程式產品或軟體，該電腦程式產品或軟體可包括經儲存有指令之電腦可讀媒體，該等指令可用以程式設計電腦系統(或其他電子器件)以執行根據本發明之程序。機器可讀媒體包括用於儲存或傳輸呈可藉由機器(例如，電腦)讀取之形式之資訊的任何機構。舉例而言，機器可讀(例如，電腦可讀)媒體包括機器(例如，電腦)可讀儲存媒體(例如，唯讀記憶體(「ROM」)、隨機存取記憶體(「RAM」)、磁碟儲存媒體、光學儲存媒體、快閃記憶體器件等等)、機器(例如，電腦)可讀傳輸媒體(電學、光學、聲學或其他形式之傳播信號(例如，載波、紅外線信號、數位信號等等))等等。
圖10說明呈電腦系統1000之例示性形式之機器的圖解表示，在電腦系統1000內可執行用於使該機器執行本文所論述之方法中任何一或多者的指令集合。在替代實施例中，該機器可連接(例如，網路連接)至區域網路(LAN)、企業內部網路、企業間網路或網際網路中之其他機器。該機器可以主從式網路環境中之伺服器或用戶端機器的能力而操作，或作為同級間(或分散式)網路環境中之同級機器而操作。該機器可為個人電腦(PC)、平板PC、機上盒(STB)、個人數位助理(PDA)、蜂巢式電話、web器具、伺服器、網路路由器、交換器或橋接器，或能夠執行指定待藉由彼機器採取之動作之指令集合(依序或以其他方式)的任何機器。另外，儘管僅說明單一機器，但術語「機器」亦應被視為包括個別地或聯合地執行一(或多個)指令集合以執行本文所論述之方法中任何一或多者的任何機器(例如，電腦)類集。
例示性電腦系統1000包括處理器1002、主記憶體1004(例如，唯讀記憶體(ROM)、快閃記憶體、動態隨機存取記憶體(DRAM)(諸如，同步DRAM(SDRAM)或Rambus DRAM(RDRAM))等等)、靜態記憶體1006(例如，快閃記憶體、靜態隨機存取記憶體(SRAM)等等)，及次級記憶體1018(例如，資料儲存器件)，其經由匯流排1030而彼此通信。
處理器1002表示一或多個通用處理器件，諸如，微處理器、中央處理單元或其類似者。更特定言之，處理器1002可為複雜指令集合計算(CISC)微處理器、精簡指令集合計算(RISC)微處理器、極長指令字(VLIW)微處理器、實施其他指令集合之處理器，或實施指令集合組合之處理器。處理器1002亦可為一或多個專用處理器件，諸如，特殊應用積體電路(ASIC)、場可程式化閘陣列(FPGA)、數位信號處理器(DSP)、網路處理器或其類似者。處理器1002經組態以執行用於執行本文所論述之操作及步驟的處理邏輯1026。
電腦系統1000可進一步包括網路介面器件1008。電腦系統1000亦可包括視訊顯示單元1010(例如，液晶顯示器(LCD)或陰極射線管(CRT))、文數字輸入器件1012(例如，鍵盤)、游標控制器件1014(例如，滑鼠)及信號產生器件1016(例如，揚聲器)。
次級記憶體1018可包括機器可存取儲存媒體(或更具體言之，電腦可讀儲存媒體)1031，其上經儲存有體現本文所描述之方法或功能中任何一或多者的一或多個指令集合(例如，軟體1022)。軟體1022在其藉由電腦系統1000之執行期間亦可完全地或至少部分地駐留於主記憶體1004內及/或處理器1002內，主記憶體1004及處理器1002亦構成機器可讀儲存媒體。另外，可經由網路介面器件1008而在網路1020上傳輸或接收軟體1022。
機器可存取儲存媒體1031亦可用以儲存或訓練類神經網路，及/或含有訓練或呼叫類神經網路中繼模型及/或類神經網路中繼模型之使用者介面之方法的軟體庫。機器可存取儲存媒體1031可進一步用以儲存一或多個額外組件。儘管在一例示性實施例中將機器可存取儲存媒體1031展示為單一媒體，但術語「機器可讀儲存媒體」應被視為包括儲存一或多個指令集合之單一媒體或多個媒體(例如，集中式或分散式資料庫，及/或關聯快取記憶體及伺服器)。術語「機器可讀儲存媒體」亦應被視為包括能夠儲存或編碼供機器執行且使機器執行本發明之方法中任何一或多者之指令集合的任何媒體。因此，術語「機器可讀儲存媒體」應被視為包括(但不限於)固態記憶體，以及光學及磁性媒體。
圖11為用於判定及利用針對自動化程序及設備控制之剖面參數的例示性流程圖。在步驟1110中，開發庫及/或已訓練機器學習系統(MLS)以自量測繞射信號提取剖面參數。在步驟1112中，使用庫及/或已訓練MLS來判定結構之至少一剖面參數。在步驟1114中，將至少一剖面參數傳輸至經組態以執行處理步驟之製作叢集，其中可在進行量測步驟1112之前或之後於半導體製造程序流程中執行處理步驟。在步驟1116中，使用至少一傳輸剖面參數以針對藉由製作叢集執行之處理步驟來修改程序變數或設備設定。
圖12為用於判定及利用針對自動化程序及設備控制之剖面參數之系統的例示性方塊圖。系統1200包括第一製作叢集1202及光學度量衡系統1204。系統1200亦包括第二製作叢集1206。儘管在圖12中將第二製作叢集1206描繪為在第一製作叢集1202之後，但應認識到，第二製作叢集1206可在系統1200中位於第一製作叢集1202之前(例如，且在製造程序流程中)。
可使用第一製作叢集1202來執行光微影程序，諸如，曝光及/或顯影施加至晶圓之光阻層。在一例示性實施例中，光學度量衡系統1204包括光學度量衡工具1208及處理器1210。光學度量衡工具1208經組態以量測自結構發出之繞射信號。若量測繞射信號與模擬繞射信號匹配，則將剖面參數之一或多個值推測為等於與模擬繞射信號相關聯之剖面參數之一或多個值。
在一例示性實施例中，光學度量衡系統1204亦可包括庫1212，庫1212具有複數個模擬(亦即，計算)繞射信號及與複數個模擬繞射信號相關聯之一或多個剖面參數之複數個值。如上文所描述，可提前產生庫；度量衡處理器1210可比較結構之量測繞射信號與庫中之複數個模擬繞射信號。當找到匹配模擬繞射信號時，將與庫中之匹配模擬繞射信號相關聯之剖面參數之一或多個值假定為在晶圓應用中用以製作結構之剖面參數之一或多個值。
系統1200亦包括度量衡處理器1216。在一例示性實施例中，處理器1210可將一或多個剖面參數之一或多個值傳輸至度量衡處理器1216。度量衡處理器1216可接著基於使用光學度量衡系統1204所判定之一或多個剖面參數之一或多個值來調整第一製作叢集1202之一或多個程序參數或設備設定。度量衡處理器1216亦可基於使用光學度量衡系統1204所判定之一或多個剖面參數之一或多個值來調整第二製作叢集1206之一或多個程序參數或設備設定。如上文所提及，製作叢集1206可在製作叢集1202之前或之後處理晶圓。在另一例示性實施例中，處理器1210經組態以使用量測繞射信號集合作為至機器學習系統1214之輸入且使用剖面參數作為機器學習系統1214之預期輸出來訓練機器學習系統1214。
應理解，以上描述意欲為說明性而非限制性的。在閱讀及理解以上描述後，許多其他實施例對於熟習此項技術者隨即將變得顯而易見。儘管已參考特別巧妙之實施例而描述本發明，但應認識到，本發明不限於所描述之實施例，且可藉由在附加申請專利範圍之精神及範疇內的修改及變更來實踐本發明。因此，本說明書及圖式應被看作說明性意義而非限制性意義。因此，應參考附加申請專利範圍連同此類申請專利範圍之等效物的全範疇一起來判定本發明之範疇。
100．．．光學度量衡系統
102．．．光柵
104．．．晶圓
106．．．光源
108．．．入射光束
110．．．繞射光束
112．．．偵測器
114．．．處理模組
208．．．必須固定之參數
209．．．針對穩定模型必須浮動之參數
210．．．為剩餘部分之參數
211．．．光學度量衡系統
212．．．模型最佳化器
213．．．模型預處理器
250．．．模型處理器
615A．．．參數組合
615B．．．參數組合
615C．．．參數組合
615D．．．參數組合
1000．．．電腦系統
1002．．．處理器
1004．．．主記憶體
1006．．．靜態記憶體
1008．．．網路介面器件
1010．．．視訊顯示單元
1012．．．文數字輸入器件
1014．．．游標控制器件
1016．．．信號產生器件
1018．．．次級記憶體
1020．．．網路
1022．．．軟體
1026．．．處理邏輯
1030．．．匯流排
1031．．．機器可存取儲存媒體
1200．．．系統
1202．．．第一製作叢集
1204．．．光學度量衡系統
1206．．．第二製作叢集
1208．．．光學度量衡工具
1210．．．度量衡處理器
1212．．．庫
1214．．．機器學習系統
1216．．．度量衡處理器
圖1A描繪用於散射測量之例示性光學度量衡器件；
圖1B為說明用於建置散射測量模型及光譜庫之習知方法的流程圖；
圖2A為說明根據一實施例的用於判定散射測量模型之最佳參數化之例示性自動化方法的流程圖；
圖2B說明根據一實施例的作為在模型中參數之數目之函數的模型參數精確度度量及此等參數之處理。
圖2C為根據一實施例的用以自動地判定散射測量模型之最佳參數化之例示性系統；
圖3為說明根據一實施例的用於判定散射測量模型之最大DOF參數化之例示性方法的流程圖；
圖4A為說明根據一實施例的用於基於自量測光譜資訊之亞可比行列式所導出之精確度度量來判定固定模型參數集合之例示性方法的流程圖；
圖4B為說明根據一實施例的用於自量測光譜資訊之亞可比行列式判定精確度度量之例示性方法的流程圖；
圖5為說明根據一實施例的用於基於自量測光譜資訊之亞可比行列式所導出之精確度度量來判定固定模型參數集合之例示性組合學方法的流程圖；
圖6A為說明根據一實施例的用於基於自量測光譜資訊之亞可比行列式所導出之精確度度量來判定固定模型參數集合之例示性自下而上方法的流程圖；
圖6B描繪根據一實施例的在藉由圖2B之模型預處理器執行圖6A所說明之自下而上方法時之例示性輸出；
圖7為說明根據一實施例的用於基於自量測光譜資訊之亞可比行列式所導出之精確度度量來判定固定模型參數集合之例示性自上而下方法的流程圖；
圖8為說明根據一實施例之例示性固定模型參數驗證方法的流程圖；
圖9為說明根據一實施例的用於判定是否應執行基於參數空間中新點之亞可比行列式之重新演算之例示性方法的流程圖；
圖10說明根據一實施例之例示性電腦系統的方塊圖；
圖11為說明根據一實施例的用於判定及利用針對自動化程序及設備控制之剖面參數之例示性方法的流程圖；及
圖12為說明根據一實施例的用於判定及利用針對自動化程序及設備控制之剖面參數之系統之選擇元件的方塊圖。
(無元件符號說明)

Claims (17)

  1. 一種用於評估一繞射結構之方法，該方法包含：接收針對該繞射結構之量測光譜資訊；接收針對該繞射結構之一散射測量模型，該散射測量模型具有複數個(N 個)模型參數；計算該量測光譜資訊之一亞可比矩陣，該亞可比矩陣含有針對該複數個模型參數中每一者之一行；計算自該亞可比矩陣所導出之包含複數個參數行組合之一測試矩陣；針對該複數個組合中之該等參數行之每一者計算一相對精確度度量，其中該相對精確度度量為針對該參數行之硬體精確度及針對該參數行之預期程序變化之一函數；針對該複數個組合之每一者，將經計算之該相對精確度度量之一最大值與相應之組合相關聯；識別具有一相關最大相對精確度度量之該複數個組合中之一者，該者小於一臨限值並包含最多數目個參數行，其中經識別之該組合中之若干參數將於一修正散射測量模型中浮動；藉由具有該等浮動參數之該修正散射測量模型而對該量測光譜資訊執行一回歸以產生模擬光譜資訊；及基於該模擬光譜資訊判定該繞射結構之一物理特性。
  2. 如請求項1之方法，其中計算針對該等參數行中每一者之該相對精確度度量進一步包含： 判定針對所有模型參數之一光譜雜訊協方差(S )；自S 判定在該測試矩陣之參數空間中之一擾動之一協方差(C p )；及藉由將該硬體精準度除以針對彼參數之該預期程序變化來判定該相對精確度度量，其中該硬體精準度為C p 之對角線之平方根。
  3. 如請求項1之方法，其中：產生該測試矩陣進一步包含：反覆地組裝該測試矩陣，其中對於每一連續反覆，自該亞可比矩陣複製相比於先前測試矩陣反覆具有一個額外浮動參數之N 個行組合且將該N 個行組合附加至具有自先前反覆所判定之最低相對精確度度量之所有參數組合；且其中識別該複數個組合之一者進一步包含：使在與在先前反覆中經設定為浮動之參數組合時具有最低相對精確度度量之該參數組合浮動；回應於該等浮動參數之一最大相對精確度達到一臨限值而終止該反覆測試矩陣組裝；及將自在上一測試矩陣組裝反覆中浮動之該組合所排除的該等模型參數之一集合識別為待固定之該參數集合。
  4. 如請求項1之方法，其中產生該測試矩陣進一步包含：將來自該亞可比矩陣之所有可能行組合加至該測試矩陣； 反覆地縮減該測試矩陣，其中對於每一連續反覆，保留具有最高相對精確度度量且比該先前測試矩陣反覆少一個浮動參數之行組合；且其中識別該複數個組合之一者進一步包含：使在與在先前反覆中經設定為浮動之參數組合時具有最低之相關最大相對精確度度量之該參數組合浮動；回應於該等浮動參數之一最大相對精確度達到一臨限值而終止該反覆測試矩陣組裝；及將自在上一測試矩陣組裝反覆中浮動之該組合所排除的該等模型參數之一集合識別為待固定之該參數集合。
  5. 如請求項1之方法，其中產生該測試矩陣包含產生複數個測試矩陣，該複數個測試矩陣中每一者包括該N個參數之所有可能組合。
  6. 如請求項1之方法，其進一步包含：連續地使一固定參數子集中每一參數浮動，該等固定參數自對應經識別之該組合之該等參數行的一集合排除，該子集含有具有在一臨限範圍內之該相對精確度度量之參數；在使每一額外參數浮動之後執行一驗證回歸；及回應於該驗證回歸之一殘差之一改良而將該額外參數固定於一新固定參數值，該新固定參數值係自該驗證回歸判定。
  7. 如請求項6之方法，其進一步包含： 判定該預定參數值與該新固定參數值之間的一差；將該差正規化至該參數之精確度度量；及回應於該正規化差大於一臨限值而使用該修正散射測量模型及該新固定參數值來重新計算該量測光譜資訊之一亞可比矩陣。
  8. 如請求項7之方法，其進一步包含：基於自針對複數個參數組合中每一模型參數之該重新計算之亞可比矩陣所判定之一精確度度量來識別一模型參數集合，對於該模型參數集合，在一新修正散射測量模型中，該模型參數集合之每一參數待固定至一預定參數值；及藉由該新修正散射測量模型而對該量測光譜資訊執行一回歸以產生新模擬光譜資訊。
  9. 如請求項1之方法，其中該量測光譜資訊使形成於一半導體晶圓上之一光柵特性化。
  10. 一種非暫態機器可存取儲存媒體，其具有儲存於其上之指令，該等指令使一資料處理系統執行用於評估一繞射結構之一方法，該方法包含：接收針對該繞射結構之量測光譜資訊；接收針對該繞射結構之一初始散射測量模型，該初始散射測量模型具有複數個(N 個)模型參數；計算該量測光譜資訊之一亞可比矩陣，該亞可比矩陣含有針對該複數個模型參數中每一者之一行；計算自該亞可比矩陣所導出之包含複數個參數行組合 之一測試矩陣；針對該複數個組合中之該等參數行之每一者計算一相對精確度度量，其中該相對精確度度量為針對該參數行之硬體精確度及針對該參數行之預期程序變化之一函數；針對該複數個組合之每一者，將經計算之該相對精確度度量之一最大值與相應之組合相關聯；識別具有一相關最大相對精確度度量之該複數個組合中之一者，該者小於一臨限值並包含最多數目個參數行，其中經識別之該組合中之若干參數將於一修正散射測量模型中浮動；藉由該修正散射測量模型而對該量測光譜資訊執行一回歸以產生一模擬光譜資訊；及基於該模擬光譜資訊判定該繞射結構之一物理特性。
  11. 如請求項10之非暫態機器可存取儲存媒體，其中用於計算針對該等參數行中每一者之該相對精確度度量之該等指令進一步包含用於進行以下動作之指令：判定針對所有模型參數之一光譜雜訊協方差(S )；自S 判定在該測試矩陣之參數空間中之一擾動之一協方差(C p )；藉由將該硬體精準度除以針對彼參數之該預期程序變化來判定該相對精確度度量，其中該硬體精準度為C p 之對角線之平方根。
  12. 如請求項10之非暫態機器可存取儲存媒體，其中用於產 生該測試矩陣之該等指令進一步包含用於進行以下動作之指令：反覆地組裝該測試矩陣，其中對於每一連續反覆，自該亞可比矩陣複製相比於先前測試矩陣反覆具有一個額外浮動參數之N 個行組合且將該N 個行組合附加至具有自先前反覆所判定之最低相對精確度度量之所有參數組合；且其中識別該複數個組合之一者進一步包含用於進行以下動作之指令：使在與在先前反覆中經設定為浮動之參數組合時具有最低之相關最大相對精確度度量之該參數組合浮動；回應於該等浮動參數之一最大相對精確度達到一臨限值而終止該反覆測試矩陣組裝；及將自在上一測試矩陣組裝反覆中浮動之該組合所排除的該等模型參數之一集合識別為待固定之該參數集合。
  13. 如請求項10之非暫態機器可存取儲存媒體，其進一步包含儲存於其上之指令，該等指令使該資料處理系統執行一方法，該方法進一步包含：連續地使一固定參數子集中每一參數浮動，該等固定參數自對應經識別之該組合之該等參數行的一集合排除，該子集含有具有在一臨限範圍內之一相對精確度度量之參數，該相對精確度度量為與該參數相關聯之該精 確度度量及一預期程序變化之一函數；在使每一額外參數浮動之後執行一驗證回歸；及回應於該驗證回歸之一殘差之一改良而將該額外參數固定於一新固定參數值，該新固定參數值係自該驗證回歸判定。
  14. 如請求項13之非暫態機器可存取儲存媒體，其進一步包含儲存於其上之指令，該等指令使該資料處理系統執行一方法，該方法進一步包含：判定該預定參數值與該新固定參數值之間的一差；將該差正規化至該參數之精確度度量；及回應於該正規化差大於一臨限值而使用該修正散射測量模型及該新固定參數值來重新計算該量測光譜資訊之一亞可比矩陣。
  15. 一種用於分析具有未知參數之一樣本繞射結構之光學度量衡系統，該系統包含：一散射測量模型預處理器裝置，其經組態以：計算藉由該光學度量衡系統量測之光譜資訊之一亞可比矩陣，該亞可比矩陣含有針對複數個初始模型參數中每一者之一行；計算自該亞可比矩陣所導出之包含複數個參數行組合之一測試矩陣；針對該複數個組合中之該等參數行之每一者計算一相對精確度度量，其中該相對精確度度量為針對該參數行之硬體精確度及針對該參數行之預期程序變化之 一函數；針對該複數個組合之每一者，將經計算之該相對精確度度量之一最大值與相應之組合相關聯；及識別具有一相關最大相對精確度度量之該複數個組合中之一者，該者小於一臨限值並包含最多數目個參數行，其中經識別之該組合中之若干參數將於一修正散射測量模型中浮動；一度量衡處理器裝置，其用以藉由該修正散射測量模型而對該量測光譜資訊執行一回歸且產生模擬光譜資訊，並基於該模擬光譜資訊判定該繞射結構之一物理特性。
  16. 如請求項15之光學度量衡系統，其中該散射測量模型預處理器裝置經進一步組態以：連續地使該一固定參數子集中每一參數浮動，該等固定參數自對應經識別之該組合之該等參數行的一集合排除，該子集含有具有在一臨限範圍內之一相對精確度度量之參數，該相對精確度度量為與該參數相關聯之該精確度度量及一預期程序變化之一函數；在使每一額外參數浮動之後執行一驗證回歸；及回應於該驗證回歸之一殘差之一改良而將該額外參數固定於一新固定參數值，該新固定參數值係自該驗證回歸判定。
  17. 如請求項15之光學度量衡系統，其中該散射測量模型預處理器裝置經進一步組態以： 判定該預定參數值與該新固定參數值之間的一差；將該差正規化至該參數之精確度度量；及回應於該正規化差大於一臨限值而使用該修正散射測量模型及該新固定參數值來重新計算該量測光譜資訊之一亞可比矩陣。
TW100125861A 2010-07-22 2011-07-21 用於一最佳參數化散射測量模型之自動化判定之方法 TWI509431B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US12/841,932 US8666703B2 (en) 2010-07-22 2010-07-22 Method for automated determination of an optimally parameterized scatterometry model

Publications (2)

Publication Number Publication Date
TW201211789A TW201211789A (en) 2012-03-16
TWI509431B true TWI509431B (zh) 2015-11-21

Family

ID=45494292

Family Applications (1)

Application Number Title Priority Date Filing Date
TW100125861A TWI509431B (zh) 2010-07-22 2011-07-21 用於一最佳參數化散射測量模型之自動化判定之方法

Country Status (7)

Country Link
US (1) US8666703B2 (zh)
EP (1) EP2596334A2 (zh)
JP (1) JP2013539532A (zh)
KR (1) KR20130118755A (zh)
CN (1) CN103026204B (zh)
TW (1) TWI509431B (zh)
WO (1) WO2012012345A2 (zh)

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8381140B2 (en) * 2011-02-11 2013-02-19 Tokyo Electron Limited Wide process range library for metrology
US10255385B2 (en) 2012-03-28 2019-04-09 Kla-Tencor Corporation Model optimization approach based on spectral sensitivity
US10354929B2 (en) * 2012-05-08 2019-07-16 Kla-Tencor Corporation Measurement recipe optimization based on spectral sensitivity and process variation
US10013518B2 (en) * 2012-07-10 2018-07-03 Kla-Tencor Corporation Model building and analysis engine for combined X-ray and optical metrology
US10101670B2 (en) * 2013-03-27 2018-10-16 Kla-Tencor Corporation Statistical model-based metrology
US9857291B2 (en) * 2013-05-16 2018-01-02 Kla-Tencor Corporation Metrology system calibration refinement
US9255877B2 (en) * 2013-05-21 2016-02-09 Kla-Tencor Corporation Metrology system optimization for parameter tracking
US10386729B2 (en) * 2013-06-03 2019-08-20 Kla-Tencor Corporation Dynamic removal of correlation of highly correlated parameters for optical metrology
US9412673B2 (en) * 2013-08-23 2016-08-09 Kla-Tencor Corporation Multi-model metrology
TWI492010B (zh) * 2013-10-23 2015-07-11 Nat Univ Tsing Hua Used in the factory to carry out the manufacturing method of verification
US10895810B2 (en) * 2013-11-15 2021-01-19 Kla Corporation Automatic selection of sample values for optical metrology
CN105335600B (zh) * 2014-08-08 2018-04-10 中国科学技术大学 一种获得地层中聚合物溶液剪切变稀特性的方法及系统
CN105571483B (zh) * 2014-10-14 2018-06-26 睿励科学仪器（上海）有限公司 一种用于优化光学系统参数的方法和装置
WO2016086056A1 (en) * 2014-11-25 2016-06-02 Kla-Tencor Corporation Analyzing and utilizing landscapes
US9995689B2 (en) * 2015-05-22 2018-06-12 Nanometrics Incorporated Optical metrology using differential fitting
US10502692B2 (en) 2015-07-24 2019-12-10 Kla-Tencor Corporation Automated metrology system selection
US20200025554A1 (en) * 2015-12-08 2020-01-23 Kla-Tencor Corporation System, method and computer program product for fast automatic determination of signals for efficient metrology
CN105550746B (zh) * 2015-12-08 2018-02-02 北京旷视科技有限公司 机器学习模型的训练方法和训练装置
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
KR20180110169A (ko) 2016-02-24 2018-10-08 케이엘에이-텐코 코포레이션 광학 계측의 정확도 개선
WO2017146785A1 (en) 2016-02-25 2017-08-31 Kla-Tencor Corporation Analyzing root causes of process variation in scatterometry metrology
US10197908B2 (en) 2016-06-21 2019-02-05 Lam Research Corporation Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework
CN106485316B (zh) * 2016-10-31 2019-04-02 北京百度网讯科技有限公司 神经网络模型压缩方法以及装置
WO2018105029A1 (ja) * 2016-12-06 2018-06-14 三菱電機株式会社 ブリッジ装置及び設備ネットワーク
US11537837B2 (en) * 2017-02-13 2022-12-27 Kla-Tencor Corporation Automated accuracy-oriented model optimization system for critical dimension metrology
US10732516B2 (en) * 2017-03-01 2020-08-04 Kla Tencor Corporation Process robust overlay metrology based on optical scatterometry
KR102132785B1 (ko) * 2017-08-31 2020-07-13 가부시끼가이샤 히다치 세이사꾸쇼 계산기, 처리의 제어 파라미터의 결정 방법, 대용 시료, 계측 시스템, 및 계측 방법
US11380594B2 (en) 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
ES2719504A1 (es) 2018-01-08 2019-07-10 Bsh Electrodomesticos Espana Sa Procedimiento para activar un campo de cocción, campo de cocción fabricado para utilizar este procedimiento
KR20200139800A (ko) * 2018-04-06 2020-12-14 램 리써치 코포레이션 Cd-sem을 사용한 프로세스 시뮬레이션 모델 캘리브레이션
US10572697B2 (en) 2018-04-06 2020-02-25 Lam Research Corporation Method of etch model calibration using optical scatterometry
CN111971551A (zh) 2018-04-10 2020-11-20 朗姆研究公司 机器学习中的光学计量以表征特征
KR20200131342A (ko) 2018-04-10 2020-11-23 램 리써치 코포레이션 레지스트 및 에칭 모델링
KR102611986B1 (ko) 2018-12-19 2023-12-08 삼성전자주식회사 반도체 소자의 형상 예측 방법
US10977405B2 (en) 2019-01-29 2021-04-13 Lam Research Corporation Fill process optimization using feature scale modeling
JP7108562B2 (ja) * 2019-02-22 2022-07-28 株式会社日立製作所 処理の制御パラメータの決定方法、及び計測システム
TWI697851B (zh) * 2019-05-03 2020-07-01 宏碁股份有限公司 電子裝置與模型更新方法
KR102407877B1 (ko) * 2020-02-13 2022-06-10 인하대학교 산학협력단 차량 탑재 능동형 센서를 이용하여 노면의 상태를 검출하기 위한 전자 장치 및 그의 동작 방법
CN111679089B (zh) * 2020-08-13 2020-11-06 武汉生之源生物科技股份有限公司 一种检测设备的数据处理方法
CN113175904B (zh) * 2021-04-13 2022-10-25 西安交通大学 一种基于旋量模型的键槽特征公差建模方法及系统
US20220357286A1 (en) * 2021-05-05 2022-11-10 Onto Innovation Inc. Effective cell approximation model for logic structures
CN113452562B (zh) * 2021-06-28 2022-07-12 中国建设银行股份有限公司 一种配置参数校准方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6721691B2 (en) * 2002-03-26 2004-04-13 Timbre Technologies, Inc. Metrology hardware specification using a hardware simulator
US20050084987A1 (en) * 1999-07-12 2005-04-21 Wilson Gregory J. Tuning electrodes used in a reactor for electrochemically processing a microelectronic workpiece
TW200943006A (en) * 2008-02-27 2009-10-16 Asml Netherlands Bv Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6754569B2 (en) * 2001-05-24 2004-06-22 Simmonds Precision Products, Inc. Method and apparatus for normalizing condition indicators
JP3937149B2 (ja) 2002-04-12 2007-06-27 株式会社堀場製作所 分光エリプソメータを用いた極薄膜２層構造の解析方法
US7196793B2 (en) * 2001-09-06 2007-03-27 Horiba, Ltd. Method for analyzing thin-film layer structure using spectroscopic ellipsometer
US6853942B2 (en) * 2002-03-26 2005-02-08 Timbre Technologies, Inc. Metrology hardware adaptation with universal library
US7330279B2 (en) 2002-07-25 2008-02-12 Timbre Technologies, Inc. Model and parameter selection for optical metrology
US6842261B2 (en) * 2002-08-26 2005-01-11 Timbre Technologies, Inc. Integrated circuit profile value determination
US6990743B2 (en) * 2002-08-29 2006-01-31 Micron Technology, Inc. Process for monitoring measuring device performance
US7126700B2 (en) * 2003-12-12 2006-10-24 Timbre Technologies, Inc. Parametric optimization of optical metrology model
US7065423B2 (en) * 2004-07-08 2006-06-20 Timbre Technologies, Inc. Optical metrology model optimization for process control
US7480891B2 (en) * 2005-04-29 2009-01-20 Cadence Design Systems, Inc. Method and apparatus of model-based photomask synthesis
US7743358B2 (en) * 2005-04-29 2010-06-22 Cadence Design Systems, Inc. Apparatus and method for segmenting edges for optical proximity correction
US8165854B1 (en) * 2006-01-11 2012-04-24 Olambda, Inc. Computer simulation of photolithographic processing
US20090306941A1 (en) * 2006-05-15 2009-12-10 Michael Kotelyanskii Structure Model description and use for scatterometry-based semiconductor manufacturing process metrology
GB0609744D0 (en) * 2006-05-16 2006-06-28 Oxford Instr Analytical Ltd Method of determining the feasibility of a proposed x-ray structure analysis process
US8294907B2 (en) * 2006-10-13 2012-10-23 Asml Netherlands B.V. Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method
KR101357326B1 (ko) 2007-07-26 2014-02-03 도쿄엘렉트론가부시키가이샤 패턴화 구조 검사 시스템
NL1036018A1 (nl) * 2007-10-09 2009-04-15 Asml Netherlands Bv A method of optimizing a model, a method of measuring a property, a device manufacturing method, a spectrometer and a lithographic apparatus.
US7710565B2 (en) * 2007-12-14 2010-05-04 Tokyo Electron Limited Method of correcting systematic error in a metrology system
US7602509B1 (en) 2008-03-18 2009-10-13 Kla-Tencor Corporation Method for selecting optical configuration for high-precision scatterometric measurement
US20110115787A1 (en) * 2008-04-11 2011-05-19 Terraspark Geosciences, Llc Visulation of geologic features using data representations thereof
US8108328B2 (en) * 2008-07-17 2012-01-31 Tokyo Electron Limited Neural network based hermite interpolator for scatterometry parameter estimation
US8239786B2 (en) * 2008-12-30 2012-08-07 Asml Netherlands B.V. Local multivariable solver for optical proximity correction in lithographic processing method, and device manufactured thereby
TWI407114B (zh) * 2009-05-15 2013-09-01 Univ Ishou Signal analysis device and computer program products
NL2006322A (en) * 2010-03-18 2011-09-20 Asml Netherlands Bv Inspection apparatus and associated method and monitoring and control system.
US8452718B2 (en) * 2010-06-10 2013-05-28 Tokyo Electron Limited Determination of training set size for a machine learning system
US10255385B2 (en) * 2012-03-28 2019-04-09 Kla-Tencor Corporation Model optimization approach based on spectral sensitivity

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050084987A1 (en) * 1999-07-12 2005-04-21 Wilson Gregory J. Tuning electrodes used in a reactor for electrochemically processing a microelectronic workpiece
US6721691B2 (en) * 2002-03-26 2004-04-13 Timbre Technologies, Inc. Metrology hardware specification using a hardware simulator
TW200943006A (en) * 2008-02-27 2009-10-16 Asml Netherlands Bv Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method

Also Published As

Publication number Publication date
US8666703B2 (en) 2014-03-04
CN103026204A (zh) 2013-04-03
TW201211789A (en) 2012-03-16
CN103026204B (zh) 2015-08-19
JP2013539532A (ja) 2013-10-24
WO2012012345A3 (en) 2012-04-26
WO2012012345A2 (en) 2012-01-26
KR20130118755A (ko) 2013-10-30
US20120022836A1 (en) 2012-01-26
EP2596334A2 (en) 2013-05-29

Similar Documents

Publication Publication Date Title
TWI509431B (zh) 用於一最佳參數化散射測量模型之自動化判定之方法
US7523076B2 (en) Selecting a profile model for use in optical metrology using a machine learning system
US7831528B2 (en) Optical metrology of structures formed on semiconductor wafers using machine learning systems
CN107092958B (zh) 用于基于库的临界尺寸cd计量的精确和快速的神经网络训练
US7453584B2 (en) Examining a structure formed on a semiconductor wafer using machine learning systems
US8108328B2 (en) Neural network based hermite interpolator for scatterometry parameter estimation
CN106030282B (zh) 用于光学度量衡的自动波长或角度修剪的方法及光学系统
WO2015089231A1 (en) Target and process sensitivity analysis to requirements
US11520321B2 (en) Measurement recipe optimization based on probabilistic domain knowledge and physical realization
US20220114438A1 (en) Dynamic Control Of Machine Learning Based Measurement Recipe Optimization
US11530913B2 (en) Methods and systems for determining quality of semiconductor measurements
US9435735B1 (en) Optical parametric model optimization
TWI838588B (zh) 用於訓練及實施度量衡配方之系統及方法
KR20240003440A (ko) 훈련된 파라미터 조건부 측정 모델에 기초한 고해상도 프로파일 측정

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees