TWI584142B - 基於機器學習之最佳化 - Google Patents

基於機器學習之最佳化 Download PDF

Info

Publication number
TWI584142B
TWI584142B TW104140002A TW104140002A TWI584142B TW I584142 B TWI584142 B TW I584142B TW 104140002 A TW104140002 A TW 104140002A TW 104140002 A TW104140002 A TW 104140002A TW I584142 B TWI584142 B TW I584142B
Authority
TW
Taiwan
Prior art keywords
source
machine learning
design
learning model
lithography
Prior art date
Application number
TW104140002A
Other languages
English (en)
Other versions
TW201633193A (zh
Inventor
劉曉峰
Original Assignee
Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ａｓｍｌ荷蘭公司 filed Critical Ａｓｍｌ荷蘭公司
Publication of TW201633193A publication Critical patent/TW201633193A/zh
Application granted granted Critical
Publication of TWI584142B publication Critical patent/TWI584142B/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
    • G03F7/70058—Mask illumination systems
    • G03F7/70125—Use of illumination settings tailored to particular mask 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
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Description

基於機器學習之最佳化
本文中之描述係關於微影裝置及程序，且更特定言之，係關於一種用於最佳化供微影裝置或程序中使用之照明源及/或圖案化器件/設計佈局的方法或工具。
微影投影裝置可用於(例如)積體電路(IC)之製造中。在此情況下，圖案化器件(例如，光罩)可含有或提供對應於IC之個別層的電路圖案(「設計佈局」)，且可藉由(諸如)穿過圖案化器件上之電路圖案輻照目標部分來將此電路圖案轉印至已塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如，矽晶圓)上的目標部分(例如，包含一或多個晶粒)。一般而言，單一基板含有複數個鄰近目標部分，電路圖案係由微影投影裝置順次地轉印至複數個鄰近目標部分，一次一個目標部分。在一種類型之微影投影裝置中，將整個圖案化器件上之電路圖案一次性轉印至一個目標部分上；此裝置通常被稱作晶圓步進器(wafer stepper)。在通常被稱作步進掃描裝置(step-and-scan apparatus)之替代裝置中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描，同時平行或反平行於此參考方向而同步移動基板。圖案化器件上之電路圖案之不同部分逐漸地轉印至一個目標部分。一般而言，因為微影投影裝置將具有放大因數M(通常<1)，故移動基板之速度F將為投影光束掃描圖案化器件之速度的因數M倍。可(例如)自以引 用方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影器件的更多資訊。
在將電路圖案自圖案化器件轉印至基板之前，基板可經歷各種工序，諸如上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受其他工序，諸如曝光後烘烤(PEB)、顯影、硬烘烤及經轉印電路圖案之量測/檢測。此工序陣列用作製造器件(例如，IC)之個別層的基礎。基板接著可經歷各種程序，諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械拋光等等，該等程序皆意欲精整器件之個別層。若在器件中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在一器件。接著藉由諸如切塊或鋸切之技術來使此等器件彼此分離，據此，可將個別器件安裝於載體上、連接至銷釘，等等。
如所提及，微影蝕刻術(microlithography)為在IC之製造時的中心步驟，其中形成於基板上之圖案定義IC之功能元件，諸如，微處理器、記憶體晶片，等等。類似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。
本文揭示一種用於改良微影程序之電腦實施方法，該微影程序用於使用微影裝置將設計佈局之一部分成像至基板上，該方法包含：獲得該微影裝置之第一源；藉由電腦使用機器學習模型基於第一源之一或多個數值特性將第一源分類至複數個可能類別中之一類別中；判定該類別是否在一或多個預定類別中；僅當該類別在一或多個預定類別中時，調整一或多個源設計變數以獲得第二源。
本文亦揭示一種用於自微影裝置之源獲得訓練集之元素的電腦實施方法，該微影裝置適用於將設計佈局之一部分成像至基板上之微影程序，該方法包含：計算源之成本函數之值；在複數個可能類別中 判定成本函數之值的類別；及藉由組合源之數值特性及類別來形成元素。
10‧‧‧微影投影裝置
12‧‧‧照明源
14‧‧‧照明光學件
16a‧‧‧照明光學件
16b‧‧‧照明光學件
16c‧‧‧透射光學件
18‧‧‧圖案化器件
20‧‧‧濾光器/孔徑
21‧‧‧輻射光束
22‧‧‧基板平面/琢面化場鏡面器件
24‧‧‧琢面化光瞳鏡面器件
26‧‧‧經圖案化光束
28‧‧‧反射元件
30‧‧‧反射元件
31‧‧‧源模型
32‧‧‧投影光學件模型
33‧‧‧設計佈局模型
36‧‧‧空中影像
37‧‧‧抗蝕劑模型
38‧‧‧抗蝕劑影像
100‧‧‧電腦系統
102‧‧‧匯流排
104‧‧‧處理器
105‧‧‧處理器
106‧‧‧主記憶體
108‧‧‧唯讀記憶體
110‧‧‧儲存器件
112‧‧‧顯示器
114‧‧‧輸入器件
116‧‧‧游標控制件
118‧‧‧通信介面
120‧‧‧網路連結
122‧‧‧區域網路
124‧‧‧主機電腦
126‧‧‧網際網路服務提供者
128‧‧‧全球封包資料通信網路/網際網路
130‧‧‧伺服器
210‧‧‧EUV輻射發射電漿
211‧‧‧源腔室
212‧‧‧收集器腔室
220‧‧‧圍封結構
221‧‧‧開口
230‧‧‧污染物截留器/污染物障壁
240‧‧‧光柵光譜濾光器
251‧‧‧上游輻射收集器側
252‧‧‧下游輻射收集器側
253‧‧‧掠入射反射器
254‧‧‧掠入射反射器
255‧‧‧掠入射反射器
300A‧‧‧照明源之特性
300B‧‧‧投影光學件之特性
300C‧‧‧設計佈局之特性
302‧‧‧步驟
304‧‧‧步驟
306‧‧‧步驟
402‧‧‧步驟
404‧‧‧步驟
406‧‧‧步驟
408‧‧‧步驟
410‧‧‧步驟
500‧‧‧訓練集
510‧‧‧特徵向量
520‧‧‧標籤/類別
710‧‧‧源
720‧‧‧步驟
730‧‧‧數值特性
740‧‧‧步驟
750‧‧‧成本函數
760‧‧‧步驟
770‧‧‧所指定類別
780‧‧‧元素
810‧‧‧步驟
820‧‧‧初始位置/初始源
830‧‧‧受監督機器學習模型
840‧‧‧類別
850‧‧‧步驟
860‧‧‧步驟
870‧‧‧經調整源
880‧‧‧步驟
891‧‧‧新元素
892‧‧‧步驟
893‧‧‧經更新之訓練集
894‧‧‧步驟
1000‧‧‧微影投影裝置
對於一般熟習此項技術者而言，在結合附圖而檢閱特定實施例之以下描述後，以上態樣以及其他態樣及特徵就將變得顯而易見，在該等圖中：圖1為根據一實施例之微影系統之各種子系統的方塊圖；圖2為對應於圖1中之子系統之模擬模型的方塊圖；圖3展示最佳化微影投影裝置之一般方法的流程圖；圖4展示最佳化微影投影裝置之方法的流程圖，其中交替地執行所有設計變數之最佳化；圖5示意性地展示可用於訓練受監督機器學習模型之經標記資料之例示性訓練集500；圖6示意性地展示受監督機器學習模型之訓練；圖7示意性地展示用於自源獲得訓練集之元素之方法；圖8展示使用蒙特卡羅演算法及受監督機器學習模型來最佳化源之方法的流程圖；圖9為可供實施實施例之實例電腦系統的方塊圖；圖10為另一微影投影裝置之示意圖；圖11為圖10中之裝置的更詳細視圖；圖12為圖10及圖11之裝置之源收集器模組SO的更詳細視圖。
現將參考圖式詳細地描述實施例，該等圖式經提供作為說明性實例以便使熟習此項技術者能夠實踐該等實施例。值得注意地，以下之諸圖及實例不意謂將範疇限於單一實施例，而是藉助於所描述或所說明元件中之一些或全部之互換而使其他實施例係可能的。在任何方 便之處，將貫穿圖式而使用相同參考數字指代相同或相似部件。在可使用已知組件來部分地或完全地實施此等實施例之某些元件的情況下，將僅描述理解該等實施例所必需之此等已知組件的彼等部分，且將省略此等已知組件之其他部分的詳細描述以免混淆該等實施例之描述。在本說明書中，展示單數組件之實施例不應被認為是限制性的；實情為，除非本文中另有明確陳述，否則範疇意欲涵蓋包括複數個相同組件之其他實施例，且反之亦然。此外，申請人不意欲使本說明書或申請專利範圍中之任何術語歸結於不常見或特定涵義，除非如此明確闡述。此外，範疇涵蓋本文中藉助於說明而提及之組件的目前及未來已知等效者。
隨著半導體製程繼續進步，幾十年來，功能元件之尺寸已不斷地縮減，而每器件的諸如電晶體之功能元件之量已在穩固地增加，此遵循通常被稱作「莫耳定律(Moore's law)」之趨勢。在當前技術狀態下，使用微影投影裝置來製造器件層，微影投影裝置使用來自深紫外線照明源之照明而將設計佈局投影至基板上，從而產生尺寸充分地低於100奈米之個別功能元件，亦即，尺寸小於來自該照明源(例如，193奈米照明源)之輻射之波長的一半。
供印刷尺寸小於微影投影裝置之經典解析度極限之特徵的此程序根據解析度公式CD=k1×λ/NA而通常被稱為低k1微影，其中λ為所使用輻射之波長(當前在大多數狀況下為248奈米或193奈米)，NA為微影投影裝置中之投影光學件之數值孔徑，CD為「臨界尺寸(critical dimension)」(通常為所印刷之最小特徵大小)，且k1為經驗解析度因數。一般而言，k1愈小，則在基板上再生類似於由電路設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，將複雜微調步驟應用於微影投影裝置及/或設計佈局。此等步驟包括(例如，但不限於)NA及光學相干設定之最佳化、自訂照 明方案、相移圖案化器件之使用、設計佈局中之光學近接校正(OPC，有時亦被稱作「光學及程序校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。如本文所使用之術語「投影光學件」應被廣泛地解譯為涵蓋各種類型之光學系統，包括(例如)折射光學件、反射光學件、孔徑及反射折射光學件。術語「投影光學件」亦可包括用於集體地或單個地導向、塑形或控制投影輻射光束的根據此等設計類型中之任一者而操作之組件。術語「投影光學件」可包括微影投影裝置中之任何光學組件，而不論該光學組件位於微影投影裝置之光學路徑上之何處。投影光學件可包括用於在來自源之輻射通過圖案化器件之前塑形、調整及/或投影該輻射的光學組件，及/或用於在輻射通過圖案化器件之後塑形、調整及/或投影該輻射的光學組件。投影光學件通常排除源及圖案化器件。
作為實例，OPC處理如下事實：投影於基板上之設計佈局之影像的最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化器件上之大小及置放。應注意，術語「光罩」、「比例光罩」、「圖案化器件」在本文中可被互換地利用。又，熟習此項技術者將認識到，尤其是在微影模擬/最佳化之內容背景中，術語「光罩」、「圖案化器件」及「設計佈局」可互換使用，此係因為：在微影模擬/最佳化中，未必使用實體圖案化器件，而可使用設計佈局以表示實體圖案化器件。對於存在於某一設計佈局上之小特徵大小及高特徵密度，給定特徵之特定邊緣之位置將在某種程度上受到其他鄰近特徵之存在或不存在影響。此等近接效應起因於自一個特徵耦合至另一特徵的微小量之輻射及/或諸如繞射及干涉之非幾何光學效應。類似地，近接效應可起因於在通常跟隨微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了確保設計佈局之經投影影像係根據給定目標電路設計之要 求，需要使用設計佈局之複雜數值模型、校正或預失真來預測及補償近接效應。論文「Full-Chip Lithography Simulation and Design Analysis-How OPC Is Changing IC Design」(C.Spence，Proc.SPIE，第5751卷，第1至14頁(2005年))提供當前「以模型為基礎」之光學近接校正程序的綜述。在典型高階設計中，設計佈局之幾乎每一特徵皆具有某種修改，以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置，以及意欲輔助其他特徵之投影之「輔助」特徵的應用。
在晶片設計中通常存在數百萬個特徵的情況下，將以模型為基礎之OPC應用於目標設計涉及良好的程序模型及相當多的計算資源。然而，應用OPC通常不為嚴正科學(exact science)，而為並不總是補償所有可能近接效應之經驗反覆程序。因此，需要藉由設計檢測(亦即，使用經校準數值程序模型之密集型全晶片模擬)來驗證OPC之效應(例如，在應用OPC及任何其他RET之後的設計佈局)，以便最小化將設計瑕疵建置至圖案化器件圖案中的可能性。此情形係藉由如下各者驅使：製造高階圖案化器件之巨大成本，其在數百萬美元的範圍內；以及對產品製作時程之影響，其係因重做或修復實際圖案化器件(一旦其已被製造)而引起。
OPC及全晶片RET驗證兩者可基於如(例如)美國專利申請案第10/815,573號及Y.Cao等人之標題為「Optimized Hardware and Software For Fast,Full Chip Simulation」(Proc.SPIE，第5754卷，405(2005年))之論文中描述的數值模型化系統及方法。
一個RET係關於設計佈局之全域偏置之調整。全域偏置為設計佈局中之圖案與意欲印刷於基板上之圖案之間的差異。舉例而言，具有25奈米直徑之圓形圖案可藉由設計佈局中之50奈米直徑圖案或藉由設計佈局中之20奈米直徑圖案但以高劑量而印刷於基板上。
除了對設計佈局或圖案化器件之最佳化(例如，OPC)以外，亦可與圖案化器件最佳化聯合地抑或分離地最佳化照明源，以致力於改良總微影保真度。術語「照明源」及「源」在此文件中可互換使用。自1990年代以來，已引入諸如環形、四極及偶極之許多離軸照明源，且該等照明源已提供用於OPC設計之更多自由度，藉此改良成像結果。如所知，離軸照明為用以解析圖案化器件中含有之精細結構(亦即，目標特徵)之經證實方式。然而，相較於傳統照明源，離軸照明源通常提供針對空中影像(aerial image；AI)之較小輻射強度。因此，變得需要試圖最佳化照明源以在較精細解析度與縮減輻射強度之間達成最佳平衡。
可(例如)在Rosenbluth等人之標題為「Optimum Mask and Source Patterns to Print A Given Shape」(Journal of Microlithography，Microfabrication，Microsystems 1(1)，第13至20頁(2002年))之論文中找到眾多照明源最佳化途徑。將源分割成若干區，該等區中之每一者對應於光瞳光譜之某一區。接著，將源分佈假定為在每一源區中均一，且針對程序窗來最佳化每一區之亮度。然而，源分佈在每一源區中均一之此假定並不總是有效，且結果，此途徑之有效性受損。在Granik之標題為「Source Optimization for Image Fidelity and Throughput」(Journal of Microlithography，Microfabrication，Microsystems 3(4)，第509至522頁(2004年))之論文中闡述的另一實例中，綜述若干現有源最佳化途徑，且提議將源最佳化問題轉換成一系列非負最小平方最佳化的基於照明器像素之方法。儘管此等方法已示範一些成就，但其通常需要多次複雜反覆以進行收斂。另外，可難以判定用於一些額外參數(諸如，Granik方法中之γ)之適當/最佳值，此情形規定在最佳化用於基板影像保真度之源與該源之平滑度要求之間的取捨。
對於低k1光微影，源及圖案化器件兩者之最佳化有用於確保用於臨界電路圖案之投影的可行程序窗。一些演算法(例如，Socha等人之Proc.SPIE，第5853卷，2005年，第180頁)在空間頻域中將照明離散化成獨立源點且將光罩離散化成繞射級，且基於可藉由光學成像模型根據源點強度及圖案化器件繞射級預測之程序窗度量(諸如，曝光寬容度)來分離地公式化成本函數(其被定義為所選設計變數之函數)。如本文所使用之術語「設計變數」包含微影投影裝置之參數集合，例如，微影投影裝置之使用者可調整的參數。應瞭解，微影投影程序之任何特性(包括源之特性、圖案化器件之特性、投影光學件之特性，及/或抗蝕劑特性)可在最佳化中之設計變數當中。成本函數常常為設計變數之非線性函數。接著使用標準最佳化技術以最小化成本函數。
相關地，不斷地減低設計規則之壓力已驅使半導體晶片製造者在現有193奈米ArF微影的情況下更深入於低k1微影時代。朝向較低K1之微影施予對RET、曝光工具及對微影親和設計之需要的大量需求。未來可使用1.35 ArF超數值孔徑(NA)曝光工具。為了幫助確保電路設計可用可工作程序窗產生至基板上，源-圖案化器件最佳化(在本文中被稱作源-光罩最佳化(source-mask optimization)或SMO)正變為用於2×奈米節點之顯著RET。
2009年11月20日申請且被公開為WO2010/059954之標題為「Fast Freeform Source and Mask Co-Optimization Method」的共同讓渡之國際專利申請案第PCT/US2009/065359號中描述允許在無約束之情況下且在可實行之時間量內使用成本函數來同時地最佳化源及圖案化器件的源及圖案化器件(設計佈局)最佳化方法及系統，該專利申請案之全文在此以引用方式併入。
2010年6月10日申請且被公開為美國專利申請公開案第2010/0315614號之標題為「Source-Mask Optimization in Lithographic Apparatus」的共同讓渡之美國專利申請案第12/813456號中描述涉及藉由調整源之像素來最佳化源的另一源及圖案化器件最佳化方法及系統，該專利申請案之全文在此以引用方式併入。
儘管可在本文中特定地參考在IC製造中之實施例之使用，但應明確理解，該等實施例具有許多其他可能應用。舉例而言，其可用於整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭，等等之製造中。熟習此項技術者應瞭解，在此等替代應用之內容背景中，本文中對術語「比例光罩」、「晶圓」或「晶粒」之任何使用應被認為分別可與更一般之術語「光罩」、「基板」及「目標部分」互換。
在本文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如，具有365奈米、248奈米、193奈米、157奈米或126奈米之波長)，及EUV(遠紫外線輻射，例如，具有在5奈米至20奈米之範圍內之波長)。
如本文所使用之術語「最佳化」意謂：調整微影投影裝置，使得微影之結果及/或程序具有更理想特性，諸如，設計佈局在基板上之投影之較高準確度、較大程序窗等等。
此外，微影投影裝置可屬於具有兩個或兩個以上基板台(及/或兩個或兩個以上圖案化器件台)之類型。在此等「多載物台」器件中，可並行地使用額外台，或可在一或多個台上進行預備步驟，同時將一或多個其他台用於曝光。舉例而言，以引用方式併入本文中之US 5,969,441中描述雙載物台微影投影裝置。
上文所提及之圖案化器件包含設計佈局。可利用CAD(電腦輔助設計)程式來產生設計佈局，此程序常常被稱作EDA(電子設計自動化)。大多數CAD程式遵循預定設計規則集合，以便產生功能設計佈局/圖案化器件。藉由處理及設計限制來設定此等規則。舉例而言， 設計規則定義電路器件(諸如，閘、電容器等等)或互連線之間的空間容許度，以便確保電路器件或線彼此不會以不理想方式相互作用。設計規則限制通常被稱作「臨界尺寸」(CD)。可將電路之臨界尺寸定義為線或孔之最小寬度，或兩個線或兩個孔之間的最小空間。因此，CD判定經設計電路之總大小及密度。積體電路製作中之目標中之一者係在基板上如實地再生原始電路設計(經由圖案化器件)。
如本文中所使用之術語圖案化器件可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件，經圖案化橫截面對應於待在基板之目標部分中產生之圖案；術語「光閥」亦可用於此內容背景中。除了經典光罩(透射或反射；二元、相移、混合式等等)以外，其他此等圖案化器件之實例亦包括：
-可程式化鏡面陣列。此器件之一實例為具有黏彈性控制層及反射表面之矩陣可定址表面。此裝置所隱含之基本原理為(例如)：反射表面之經定址區域使入射輻射反射作為繞射輻射，而未經定址區域使入射輻射反射作為非繞射輻射。在使用適當濾光器的情況下，可自經反射光束濾出該非繞射輻射，從而僅留下繞射輻射；以此方式，光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適電子件來執行矩陣定址。可(例如)自以引用方式併入本文中之美國專利第5,296,891號及第5,523,193號搜集到關於此等鏡面陣列之更多資訊。
-可程式化LCD陣列。以引用方式併入本文中之美國專利第5,229,872號中給出此構造之一實例。
作為簡要介紹，圖1繪示例示性微影投影裝置10。主要組件為：照明源12，其可為深紫外線準分子雷射源或包括遠紫外線(EUV)源之其他類型之源；照明光學件，其定義部分相干性(標示為標準差)且可包括塑形來自源12之輻射的光學件14、16a及16b；圖案化器件(例如，光罩或比例光罩)18；及透射光學件16c，其將圖案化器件圖案之 影像投影至基板平面22上。投影光學件之光瞳平面處之可調整濾光器或孔徑20可限定照射於基板平面22上之光束角度範圍，其中最大可能角度定義投影光學件之數值孔徑NA=sin(Θmax)。
在系統之最佳化程序中，可將該系統之優值(figure of merit)表示為成本函數。最佳化程序歸結為找到最小化成本函數的系統之參數(設計變數)集合的程序。成本函數可具有取決於最佳化之目標的任何合適形式。舉例而言，成本函數可為系統之某些特性(評估點)相對於此等特性之預期值(例如，理想值)之偏差的加權均方根(RMS)；成本函數亦可為此等偏差之最大值。本文中之術語「評估點」應被廣泛地解譯為包括系統之任何特性。歸因於系統之實施之實務性，系統之設計變數可限於有限範圍及/或可相互相依。在微影投影裝置之情況下，約束常常與硬體之物理屬性及特性(諸如，可調諧範圍，及/或圖案化器件可製造性設計規則)相關聯，且評估點可包括基板上之抗蝕劑影像上之實體點，以及諸如劑量及焦點之非物理特性。
在微影投影裝置中，源提供照明(亦即，輻射)；投影光學件經由圖案化器件而導向及塑形照明且將照明導向及塑形至基板上。術語「投影光學件」在此被廣泛地定義為包括可變更輻射光束之波前的任何光學組件。舉例而言，投影光學件可包括組件14、16a、16b及16c中之至少一些。空中影像(AI)為基板上之輻射強度分佈。曝光基板上之抗蝕劑層，且將空中影像轉印至抗蝕劑層以在其中作為潛伏「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑的空間溶解度分佈。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在揭示內容之全文在此以引用方式併入的共同讓渡之美國專利申請案第12/315,849號中找到此情形之實例。抗蝕劑模型係僅關於抗蝕劑層之屬性(例如，在曝光、PEB及顯影期間發生之化學程序之效應)。微影投影裝置之光學屬性(例如，源、圖案化器件及投影光學件之屬性) 規定空中影像。因為可改變用於微影投影裝置中之圖案化器件，所以需要使圖案化器件之光學屬性與至少包括源及投影光學件的微影投影裝置之其餘部分之光學屬性分離。
圖2中繪示用於模擬微影投影裝置中之微影的例示性流程圖。源模型31表示源之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學件模型32表示投影光學件之光學特性(包括由投影光學件引起的對輻射強度分佈及/或相位分佈之改變)。投影光學件模型32可包括由各種因素引起的像差，該等因素例如，投影光學件之組件之加熱，由投影光學件之組件之機械連接引起的應力。源模型31及投影光學件模型32可組合成透射交叉係數(transmission cross coefficient；TCC)模型。設計佈局模型33表示設計佈局之光學特性(包括由給定設計佈局引起的對輻射強度分佈及/或相位分佈之改變)，該設計佈局為圖案化器件之特徵之配置的表示。可自源模型31、投影光學件模型32及設計佈局模型33模擬空中影像36。可使用抗蝕劑模型37自空中影像36模擬抗蝕劑影像38。微影之模擬可(例如)預測抗蝕劑影像中之輪廓及CD。
更特定言之，應注意，源模型31可表示源之光學特性，該等光學特性包括(但不限於)NA標準差(σ)設定，以及任何特定照明源形狀(例如，離軸輻射源，諸如，環形、四極及偶極等等)。投影光學件模型32可表示投影光學件之光學特性，該等光學特性包括像差、失真、折射率、實體大小、實體尺寸、吸收率，等等。設計佈局模型33亦可表示如(例如)以全文引用之方式併入之美國專利第7,587,704號中描述之實體圖案化器件的物理性質。模擬之目標為準確地預測(例如)邊緣置放及CD，可接著比較該等邊緣置放及CD與預期設計。預期設計通常被定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供之預OPC設計佈局。
自此設計佈局，可識別被稱作「片段(clip)」之一或多個部分。 在一特定實施例中，提取片段集合，其表示設計佈局中之複雜圖案(通常為約50個至1000個片段，但可使用任何數目個片段)。如熟習此項技術者將瞭解，此等圖案或片段表示設計之小部分(亦即電路、單元或圖案)，且尤其片段表示需要特別注意及/或驗證之小部分。換言之，片段可為設計佈局之部分，或可類似或具有臨界特徵係藉由體驗而識別(包括由客戶提供之片段)、藉由試誤法而識別或藉由執行全晶片模擬而識別的設計佈局之部分的類似行為。片段通常含有一或多個測試圖案或量規圖案。
可由客戶基於設計佈局中需要特定影像最佳化之已知臨界特徵區域而先驗地提供初始較大片段集合。替代地，在另一實施例中，可藉由使用識別臨界特徵區域之某種自動化(諸如，機器視覺)或手動演算法而自整個設計佈局提取初始較大片段集合。
可(例如)在2010年10月28日申請之美國專利申請案第12/914,946號中找到最佳化方法之實例，該專利申請案之揭示內容之全文在此以引用方式併入。
在一或多項實施例中，可使用成本函數來執行最佳化，諸如：
其中(z 1 ,z 2 ,…,z N )為其N個設計變數或值；f p (z 1 ,z 2 ,…,z N )可為針對設計變數之值的集合(z 1 ,z 2 ,…,z N )的第p個評估點處之特性的實際值與預期值之間的差之函數。設計變數可具有連續值或離散值。wp為指派給第p個評估點之權重常數。可向比其他評估點或圖案更關鍵之評估點或圖案指派較高wp值。亦可向具有較大出現次數之圖案及/或評估點指派較高wp值。評估點之實例可為晶圓上之任何實體點或圖案，或設計佈局上之任何點，或抗蝕劑影像，或空中影像。
成本函數可表示微影投影裝置或基板之任何合適特性，例如，聚焦、CD、影像移位、影像失真、影像旋轉，等等。舉例而言，成 本函數可為以下微影度量中之一或多者之函數：邊緣置放誤差、臨界尺寸、抗蝕劑輪廓距離、最差缺陷大小、隨機效應、圖案化器件之三維效應、抗蝕劑之三維效應、最佳焦點移位、光瞳填充因數、曝光時間，及產出率。因為抗蝕劑影像常常規定基板上之電路圖案，故成本函數常常包括表示抗蝕劑影像之一些特性之函數。舉例而言，此評估點之f p (z 1 ,z 2 ,…,z N )可僅為抗蝕劑影像中之點與彼點之預期位置之間的距離(亦即，邊緣置放誤差EPE p (z 1 ,z 2 ,…,z N ))。設計變數可為任何可調整參數，諸如，源、圖案化器件、投影光學件、劑量、焦點等等之可調整參數。投影光學件可包括統稱為「波前操縱器(wavefront manipulator)」之組件，其可用以調整輻照光束之波前及強度分佈及/或相移之形狀。投影光學件可調整沿著微影投影裝置之光學路徑之任何部位處(諸如，在圖案化器件之前、在光瞳平面附近、在影像平面附近、在焦平面附近)之波前及強度分佈。投影光學件可用以校正或補償由(例如)源、圖案化器件、微影投影裝置中之溫度變化及/或微影投影裝置之組件之熱膨脹引起的波前及強度分佈之某些失真。調整波前及強度分佈可改變評估點及成本函數之值。可自模型模擬此等改變或實際上量測此等改變。
應注意，f p (z 1 ,z 2 ,…,z N )之標準加權均方根(RMS)經定義為 ，因此，最小化f p (z 1 ,z 2 ,…,z N )之加權RMS等效於最小化方程式1中定義之成本函數。因此，可將f p (z 1 ,z 2 ,…,z N )之加權RMS及方程式1互換用於本文中之符號簡化。
此外，若最大化PW(程序窗)，則有可能將來自不同PW條件之相同實體部位認為(方程式1)中之成本函數之不同評估點。舉例而言，若考慮N個PW條件，則可根據評估點之PW條件來分類該等評估點， 且可將成本函數書寫為：
其中(z 1 ,z 2 ,…,z N )為在第u個PW條件u=1,…,U的情況下之針對設計變數之值的集合(z 1 ,z 2 ,…,z N )的第p i 個評估點之實際值與預期值之間的差之函數。當此差為邊緣置放誤差(EPE)時，則最小化以上成本函數等效於最小化在各種PW條件下之邊緣移位，因此此情形導致最大化PW。詳言之，若PW亦由不同圖案化器件偏置組成，則最小化以上成本函數亦包括最小化MEEF(光罩誤差增強因數)，該光罩誤差增強因數被定義為晶圓EPE與誘發性光罩邊緣偏置之間的比率。
設計變數或其功能可具有約束，該等約束可表示為(z 1 ,z 2 ,…,z N ) Z，其中Z為設計變數之可能值之集合。該等約束可表示微影投影裝置之硬體實施中之實體限定。該等約束可包括如下中之一或多者：調諧範圍、控管圖案化器件可製造性之規則，及設計變數之間的相互相依性。
因此，最佳化程序為找到在約束(z 1 ,z 2 ,…,z N ) Z下的最小化成本函數之設計變數之值的集合，亦即，找到：
圖3中繪示根據一實施例的最佳化微影投影裝置之一般方法。此方法包含定義複數個設計變數之多變數成本函數之步驟302。設計變數可包含選自照明源之特性(300A)(例如，光瞳填充比率，即穿過光瞳或孔徑之源之輻射的百分比)、投影光學件之特性(300B)及設計佈局之特性(300C)的任何合適組合。舉例而言，設計變數可包括照明源之特性(300A)及設計佈局之特性(300C)(例如，全域偏置)，但不包括 投影光學件之特性(300B)，此情形導致SMO。替代地，設計變數可包括照明源之特性(300A)、投影光學件之特性(300B)及設計佈局之特性(300C)，此情形導致源-光罩-透鏡最佳化(SMLO)。在步驟304中，同時地調整設計變數，使得成本函數朝向收斂移動。在步驟306中，判定是否滿足預定義終止條件。預定終止條件可包括各種可能性，亦即，成本函數可經最小化或最大化(如由所使用之數值技術所需要)，成本函數之值已等於臨限值或已超越臨限值，成本函數之值已達到預設誤差極限內，或達到預設數目次反覆。若滿足步驟306中之條件中之任一者，則方法結束。若未滿足步驟306中之條件中之任一者，則反覆地重複步驟304及306直至獲得所要結果為止。最佳化未必導致用於設計變數之單一值集合，此係因為可存在由諸如光瞳填充因數、抗蝕劑化學反應、產出率等等之因素引起的實體限定。最佳化可提供用於設計變數及相關聯效能特性(例如，產出率)之多個值集合，且允許微影裝置之使用者選取一或多個集合。
在另一實施例中，代替計算及/或判定對投影光學件之光學特性之效應或除了計算及/或判定對投影光學件之光學特性之效應以外，預想到，投影光學件之可調整光學特性可包括於設計變數中。例示性可調整光學特性可包括如透鏡操縱器、用以控制投影系統之光學元件之溫度的一或多個器件(例如，加熱器)之溫度資料或與溫度資料相關聯之信號、任尼克(Zernike)係數。可接著進行SMO工序，且可同時調整包括可調整光學特性之設計變數，使得成本函數朝向收斂移動。
在圖3中，同時地執行所有設計變數之最佳化。此流程可被稱為同時最佳化、聯合最佳化，或共同最佳化。如本文所使用之術語「同時的」、「同時地」、「聯合的」及「聯合地」意謂允許源、圖案化器件、投影光學件之特性之設計變數及/或任何其他設計變數同時改變。替代地，交替地執行所有設計變數之最佳化，如圖4所繪示。在 此流程中，在每一步驟中，使一些設計變數固定，而最佳化其他設計變數以最小化成本函數；接著，在下一步驟中，使不同變數集合固定，而最佳化其他變數集合以最小化成本函數。交替地執行此等步驟直至符合收斂或某些終止條件為止。如圖4之非限制性實例流程圖中所展示，首先，獲得設計佈局(步驟402)，接著，在步驟404中執行源最佳化之步驟，其中最佳化照明源之所有設計變數(SO)以最小化成本函數，而使所有其他設計變數固定。接著，在下一步驟406中，執行光罩最佳化(MO)，其中最佳化圖案化器件之所有設計變數以最小化成本函數，而使所有其他設計變數固定。交替地執行此兩個步驟，直至在步驟408中符合某些終止條件為止。可使用各種終止條件，諸如，成本函數之值變得等於臨限值，成本函數之值超越臨限值，成本函數之值達到預設誤差極限內，或達到預設數目次反覆，等等。應注意，SO-MO交替最佳化用作該替代流程之實例。該替代流程可採取許多不同形式，諸如，SO-LO-MO交替最佳化，其中交替地且反覆地執行SO、LO(透鏡最佳化)及MO；或可執行第一SMO一次，接著交替地且反覆地執行LO及MO；等等。最後，在步驟410中獲得最佳化結果之輸出，且程序停止。
圖3及圖4之方法聚焦於成本函數之局部最小值，且因此可能遺漏更優全域最小值。蒙特卡羅(Monte-Carlo)演算法可用以找到全域最小值，但在計算上成本昂貴，此係由於其涉及在設計變數之空間中找到許多隨機選擇之開始位置周圍的局部最小值(例如，使用圖3及圖4之方法)。機器學習演算法可藉由過濾蒙特卡羅演算法在嘗試找到隨機選擇之開始位置周圍之局部最小值之前產生的隨機選擇之開始位置而用於促進蒙特卡羅演算法。即，機器學習演算法可充當消除找到附近不大可能存在局部最小值之彼等開始位置周圍之局部最小值的需要的閘道管理員。可使用無監督機器學習演算法及受監督機器學習演算 法兩者。在不限制申請專利範圍之範疇情況下，下文描述使用用蒙特卡羅演算法之受監督機器學習演算法的應用。
受監督學習為自經標記訓練資料推斷函數之機器學習任務。訓練資料由訓練實例集合構成。在受監督學習中，每一實例為由輸入物件(通常為向量)及所要輸出值(亦被稱作監督信號)組成之一對。受監督學習演算法分析訓練資料且產生可用於映射新實例之經推斷函數。最佳情境將允許演算法正確地判定用於未見過的個例之類別標記。此情形需要學習演算法以「合理的」方式(參見電感偏置)自訓練資料一般化至未見過的情況。
給定該形式之N個訓練實例之集合{(x1 ,y1),(x2 ,y2),...,(xN ,yN)}，使得xi為第i個實例之特徵向量且yi為其標記(亦即，類別)，學習演算法求函數g：X→Y，其中X為輸入空間且Y為輸出空間。特徵向量為表示某一物件之數值特徵之n維向量。機器學習中之許多演算法需要物件之數值表示，因為該等表示有助於處理及統計分析。在表示影像時，特徵值可對應於影像之像素，在表示文字時，可能稱為出現頻率。與此等向量相關聯之向量空間常常被稱作特徵空間。函數g為可能函數G之某一空間(通常被稱作假定空間)之要素。有時方便使用計分函數f：X×Y→表示g，使得g經定義為返回給出最高分數之y值：g(x)=arg maxy f(x,y)。使F標示計分函數之空間。
儘管G及F可為任何函數空間，但是許多學習演算法為概率模型，其中g採用條件概率模型g(x)=P(y|x)之形式，或f採用聯合概率模型f(x,y)=P(x,y)之形式。舉例而言，貝氏機率(naive Bayes)及線性判別分析為聯合概率模型，而羅吉斯回歸(logistic regression)為條件概率模型。
存在用以選擇f或g之兩種基本途徑：經驗風險最小化及結構風險最小化。經驗風險最小化尋求最擬合訓練資料之函數。結構風險最小 化包括控制偏置/變異數取捨之懲罰函數。
在兩種情況下，假定訓練集由獨立且相同分佈之對(xi ,yi)之樣本構成。為量測函數在多大程度上擬合訓練資料，定義損失函數L：Y×Y→。對於訓練實例(xi ,yi)，預測值之損失為。
函數g之風險R(g)經定義為g之預期損失。此可自訓練資料估計為。
受監督學習之例示性模型包括決策樹(Decision tree)、集成(裝袋、提升、隨機森林)((Ensemble(Bagging、Boosting、Random forest))、k-NN、線性回歸(Linear regression)、貝氏機率、類神經網路(Neural network)、羅吉斯回歸、感知器(Perceptron)、支援向量機(Support vector machine；SVM)、關聯向量機(Relevance vector machine；RVM)及深度學習(deep learning)。
SVM為受監督學習模型之一實例，其分析資料及識別圖案，且可用於分類及回歸分析。給定訓練實例之一集合，每一實例經標記為屬於兩個類別中之一者，SVM訓練演算法建置將新實例指派至一個類別或另一類別中之模型，使得其為非概率二元線性分類器。SVM模型為如空間中之點的實例之表示，經映射以使得單獨類別之實例由儘可能寬的清晰間隙分隔。接著將新實例映射至同一空間中，且基於其落在間隙之哪一側來預測其屬於的類別。
除了執行線性分類外，SVM亦可使用所謂的核方法(kernel method)來有效地執行非線性分類，隱含地將其輸入映射至高維特徵空間中。
核方法僅需要使用者指定之核函數(kernel)，亦即，關於原始表示中之資料點對的相似度函數。核方法之名字歸功於核函數之使用，核函數使得其能夠在高維、隱式特徵空間中操作而無需不斷計算彼空間中之資料的座標，而是簡單地計算特徵空間中之所有資料對之影像 之間的內積。此操作在計算上常常比座標之顯式計算更省事。此方法被稱作「核技巧(kernel trick)」。
SVM之有效性取決於對核函數、核函數之參數及軟餘裕參數(soft margin parameter)C的選擇。常見選擇為具有單一參數γ之高斯核函數(Gaussian kernel)。常常藉由格點搜尋(亦稱為「參數掃描(parameter sweep)」)以C及γ之按指數律成比例增長序列(例如：C{2-5 ,2-4 ,...,215 ,216}；γ{2-15 ,2-14 ,...,24 ,25})選擇C及γ之最佳組合。
格點搜尋為經由學習演算法之超參數空間之手動指定子集的窮盡性搜尋。格點搜尋演算法必須由某一效能度量引導，該效能度量通常由對訓練集之交叉驗證或對留存驗證集之評估來量測。
可使用交叉驗證檢查參數選擇之每一組合，且選取具有最佳交叉驗證準確度之參數。
交叉驗證(有時被稱作旋轉估計)為用於評鑒統計分析之結果將如何經一般化成獨立資料集的模型驗證技術。其主要用於目標為預測且人們想要估計將實際上執行預測模型的精確性的情境。在預測問題中，模型通常經給定正進行訓練之已知資料的資料集(訓練資料集)，及模型經測試之未知資料(或首次所見資料)之資料集(測試資料集)。交叉驗證之目標為定義用以「測試」訓練階段中之模型的資料集(亦即，驗證資料集)，以便限制如同過度學習之問題，獲得對模型將如何經一般化成獨立資料集(亦即，未知資料集，例如來自真實問題)之理解等。交叉驗證之一個回合涉及將資料樣本分割成互補子集、執行對一個子集(被稱作訓練集)之分析及驗證對另一子集(被稱作驗證集或測試集)之分析。為減少變化性，使用不同分割執行多個回合之交叉驗證，且驗證結果為對該等回合求平均。
接著使用所選參數在整個訓練集上訓練用於測試及用於將新資 料分類之最終模型。
圖5示意性地展示可用於訓練受監督機器學習模型之經標記資料的例示性訓練集500{(x1,y4),(x2,y1),(x3,y3),…,(xn,y5)}。x i 為第i個實例之特徵向量510，且y i 為其標籤(亦即，類別)520。在本發明之內容背景中，特徵向量510可為與源有關之設計變數(「源設計變數」)之向量；類別520可少至兩個：包括附近很可能具有局部最小值的源設計變數之空間中之彼等位置的一個類別(標記為「G」或「好」)，及包括附近不大可能具有局部最小值的源設計變數之空間中之彼等位置的另一類別(標記為「B」或「壞」)。特徵向量可包括其他設計變數。
圖6示意性地展示受監督機器學習模型之訓練。受監督機器學習模型Mi可使用訓練集Ti訓練，且演變為受監督機器學習模型M(i+1)。受監督機器學習模型Mi不一定為「未經訓練的」。實情為，可預先用不同訓練集T(i-1)訓練受監督機器學習模型Mi。訓練集Ti可不與訓練集T(i-1)具有共同元素(亦即，T(i-1)∩Ti={})，或可具有共同元素。舉例而言，訓練集Ti可藉由將額外元素包括至訓練集T(i-1)中而為訓練集T(i-1)之超集(亦即，Ti⊃T(i-1))。在一實施例中，額外元素可為在設計變數空間中之某一隨機選擇之位置周圍找到的局部最小值。訓練集Ti可包括訓練集T(i-1)中之一些元素而非所有元素。舉例而言，可消除訓練集T(i-1)中之一些元素，且可向訓練集T(i-1)中添加一些元素(例如，局部最小值)。換言之，模型在使用時可演變。
圖7示意性地展示根據一實施例之用於自源710(例如，由源之一或多個數值特性(諸如，在源設計變數空間中之源光瞳或位置處之強度剖面)表示)獲得訓練集之元素的方法。源710可為(例如)使用蒙特卡羅方法獲得之源設計變數空間中之隨機選擇位置，或(例如)由合適最佳化方法(例如，圖3或圖4之方法)獲得之源設計變數空間中之局部最 小值處之源。通常在將深UV(「DUV」)用於曝光之微影裝置中找到連續源。通常在將遠UV(「EUV」)用於曝光之微影裝置中找到離散源。如此處所使用之術語「連續」意謂源光瞳處之強度可採用數值範圍內之任何值且強度剖面在空間上為連續的。如此處所使用之術語「離散」意謂源光瞳處之強度僅可採用一些離散值且強度剖面在空間上為離散的。在步驟720中，可參數化源710。舉例而言，可自源710之源光瞳處之強度剖面獲得一或多個數值特性730。數值特性730可為源710之任何合適特性。在一極簡單的實例中，數值特性730可包括源光瞳上之若干預定位置處之強度。數值特性730可包括強度剖面之對稱性的某一表示。在步驟740中，可自源710(或數值特性730)計算得出成本函數750。在一實例中，可在計算成本函數之前先針對源710調整或最佳化與源不相關之設計變數(「非源設計變數」)，諸如，與圖案化器件或投影光學件相關之設計變數。在步驟760中，基於成本函數750將源710指定至若干可能類別(例如，一個「好」類別「G」及一個「壞」類別「B」)中之一者(源710之「所指定類別」770)中。舉例而言，若成本函數750小於絕對臨限值或相對臨限值，則將源710指定為在類別「G」中，且若成本函數750不小於臨限值，則將源710指定為在類別「B」中。在一實例中，臨限值、相對臨限值可為在介於成本函數在訓練集中之現有元素中之最小值與最大值之間的範圍內的10%、20%或30%等等。數值特性730可構成特徵向量且與源710之所指定類別770組合以形成訓練集之元素780。若源710為離散源，則可省略步驟720，此係由於強度剖面之離散位置處之強度自身可構成特徵向量。
圖8展示使用蒙特卡羅演算法及受監督機器學習模型來最佳化源之方法之流程圖。在步驟810中，由蒙特卡羅演算法獲得源設計變數空間中之初始位置820(亦即，初始源820)。受監督機器學習模型(例 如，SVM)830將初始源820分類至(例如)為「G」或「B」之類別840中。在步驟850中，若類別840為「B」，則不進行其他步驟且流程返回至步驟810以獲得源設計變數空間中之下一初始位置；若類別840為「G」，則流程繼續至步驟860，在步驟860中源經調整為經調整源870(例如，找到初始源820周圍的成本函數之局部最小值)。在可選步驟880中，使用任何合適方法(例如，藉由調整非源設計變數來找到成本函數之局部最小值)調整非源設計變數(例如，圖案化器件及投影光學件之設計變數之任何組合)。經調整源870可用於更新訓練集及再訓練受監督機器學習模型830。舉例而言，可使用圖7之方法自經調整源870產生新元素891。在步驟892中，可用新元素891更新訓練集以產生經更新之訓練集893，該經更新之訓練集893在步驟894中可用於再訓練受監督機器學習模型830。
圖9為繪示可輔助實施本文所揭示之最佳化方法及流程之電腦系統100的方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構，及與匯流排102耦接以用於處理資訊之處理器104(或多個處理器104及105)。電腦系統100亦包括耦接至匯流排102以用於儲存資訊及待由處理器104執行之指令的主記憶體106，諸如，隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106亦可用於在待由處理器104執行之指令的執行期間儲存暫時性變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令的唯讀記憶體(ROM)108或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件110，且儲存器件110耦接至匯流排102以用於儲存資訊及指令。
電腦系統100可經由匯流排102耦接至用於向電腦使用者顯示資訊之顯示器112，諸如，陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件114耦接至匯流排102以 用於將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器104且用於控制顯示器112上之游標移動的游標控制件116，諸如，滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線(第一軸線(例如，x)及第二軸線(例如，y))上之兩個自由度，其允許該器件指定在平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
根據一項實施例，可由電腦系統100回應於處理器104執行主記憶體106中所含之一或多個指令之一或多個序列而執行最佳化程序之部分。可將此等指令自另一電腦可讀媒體(諸如，儲存器件110)讀取至主記憶體106中。主記憶體106中所含之指令序列之執行引起處理器104執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器亦可用以執行主記憶體106中所含之指令序列。在替代實施例中，可代替或結合軟體指令而使用硬連線電路。因此，實施例不限於硬體電路及軟體之任何特定組合。
如本文所使用之術語「電腦可讀媒體」指代參與將指令提供至處理器104以供執行之任何媒體。此媒體可採取許多形式，包括(但不限於)非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括(例如)光碟或磁碟，諸如，儲存器件110。揮發性媒體包括動態記憶體，諸如，主記憶體106。傳輸媒體包括同軸纜線、銅線及光纖，其包括包含匯流排102之電線。傳輸媒體亦可採取聲波或光波之形式，諸如，在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體之常見形式包括(例如)軟碟、軟式磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣、如下文所描述之載波，或可供電腦讀取之任何其他媒體。
在將一或多個指令之一或多個序列攜載至處理器104以供執行時可涉及各種形式之電腦可讀媒體。舉例而言，最初可將指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線而發送指令。在電腦系統100本端之數據機可接收電話線上之資料，且使用紅外線傳輸器以將資料轉換成紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自該主記憶體106擷取並執行指令。由主記憶體106接收之指令可視情況在供處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100亦可包括耦接至匯流排102之通信介面118。通信介面118提供對網路連結120之雙向資料通信耦合，網路連結120連接至區域網路122。舉例而言，通信介面118可為整合服務數位網路(ISDN)卡或數據機以提供對對應類型之電話線之資料通信連接。作為另一實例，通信介面118可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線連結。在任何此類實施中，通信介面118發送及接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光學信號。
網路連結120通常經由一或多個網路向其他資料器件提供資料通信。舉例而言，網路連結120可經由區域網路122向主機電腦124或向由網際網路服務提供者(ISP)126操作之資料設備提供連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」)128提供資料通信服務。區域網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路連結120上且經由通信介面118之信號(該等信號將數位資料攜載至電腦系統100及自電腦系統100攜載數位資料)為輸送資訊的例示性載 波形式。
電腦系統100可經由網路、網路連結120及通信介面118發送訊息及接收資料(包括程式碼)。在網際網路實例中，伺服器130可能經由網際網路128、ISP 126、區域網路122及通信介面118傳輸用於應用程式之所請求程式碼。根據一或多項實施例，一個此類經下載應用程式提供(例如)實施例之照明最佳化。所接收程式碼可在其被接收時由處理器104執行，及/或儲存於儲存器件110或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統100可獲得呈載波形式的應用程式碼。
圖10示意性地描繪可利用本文所描述之方法最佳化其照明源的另一例示性微影投影裝置1000。
微影投影裝置1000包括：
- 源收集器模組SO；
- 照明系統(照明器)IL，其經組態以調節輻射光束B(例如，EUV輻射)。
- 支撐結構(例如，光罩台)MT，其經建構以支撐圖案化器件(例如，光罩或比例光罩)MA，且連接至經組態以精確地定位該圖案化器件之第一定位器PM；
- 基板台(例如，晶圓台)WT，其經建構以固持基板(例如，抗蝕劑塗佈晶圓)W，且連接至經組態以精確地定位該基板之第二定位器PW；及
- 投影系統(例如，反射投影系統)PS，其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C(例如，包含一或多個晶粒)上。
如此處所描繪，裝置1000屬於反射類型(例如，採用反射光罩)。應注意，因為大多數材料在EUV波長範圍內具吸收性，故光罩可具有 包含(例如)鉬與矽之多堆疊的多層反射器。在一項實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可用X射線微影來產生更小波長。因為大多數材料在EUV及x射線波長下具吸收性，故圖案化器件構形(topography)上之經圖案化吸收材料薄片(例如，多層反射器之頂部上之TaN吸收器)定義特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。
參考圖10，照明器IL自源收集器模組SO接收遠紫外線輻射光束。用以產生EUV輻射之方法包括(但未必限於)用在EUV範圍內之一或多種發射譜線將具有至少一個元素(例如，氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿(「LPP」))中，可藉由用雷射光束來輻照燃料(諸如，具有譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖10中未展示)之EUV輻射系統之部分，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射，例如，EUV輻射，該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO2雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為分離實體。
在此等情況下，不認為雷射形成微影裝置之部件，且輻射光束係憑藉包含(例如)合適導向鏡面及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他情況下，舉例而言，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部件。
照明器IL可包含用於調整輻射光束之角強度分佈之調整器。一般而言，可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別稱作外部σ(σ-outer)及內部σ(σ-inner))。另外，照明器IL可包含各種其他組件，諸如，琢面化場鏡面器件及琢面 化光瞳鏡面器件。照明器可用以調節輻射光束，以在其橫截面中具有所要均一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如，光罩台)MT上之圖案化器件(例如，光罩)MA上，且由該圖案化器件圖案化。在自圖案化器件(例如，光罩)MA反射之後，輻射光束B穿過投影系統PS，投影系統PS將輻射光束B聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2(例如，干涉量測器件、線性編碼器或電容式感測器)，可精確地移動基板台WT，(例如)以便使不同目標部分C定位於輻射光束B之路徑中。類似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來精確地定位圖案化器件(例如，光罩)MA。可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如，光罩)MA及基板W。
所描繪裝置1000可用於以下模式中之至少一者中：
1.在步進模式中，在將賦予至輻射光束之整個圖案一次性投影至目標部分C上時，使支撐結構(例如，光罩台)MT及基板台WT保持基本上靜止(亦即，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位，使得可曝光不同目標部分C。
2.在掃描模式中，在將賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如，光罩台)MT及基板台WT(亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於支撐結構(例如，光罩台)MT之速度及方向。
3.在另一模式中，在將賦予至輻射光束之圖案投影至目標部分C上時，使支撐結構(例如，光罩台)MT保持基本上靜止，從而固持可程式化圖案化器件，且移動或掃描基板台WT。在此模式中，通常使用脈衝式輻射源，且在基板台WT之每一次移動之後或在掃描期間的 順次輻射脈衝之間根據需要更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如，上文所提及之類型之可程式化鏡面陣列)之無光罩微影。
圖11更詳細地展示裝置1000，其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置成使得可將真空環境維持於源收集器模組SO之圍封結構220中。可由放電產生電漿源形成EUV輻射發射電漿210。可由氣體或蒸汽(例如，Xe氣體、Li蒸汽或Sn蒸汽)產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。藉由(例如)引起至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之有效產生，可需要為(例如)10帕斯卡之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射經由經定位於源腔室211中之開口中或後方的可選氣體障壁或污染物截留器230(在一些情況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染物截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中所知，本文進一步所指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室211可包括可為所謂的掠入射收集器的輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置成使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24，琢面化場鏡面器件22及琢面化光瞳鏡 面器件24經配置以提供在圖案化器件MA處的輻射光束21之所要角分佈，以及在圖案化器件MA處的輻射強度之所要均一性。在由支撐結構MT固持之圖案化器件MA處反射輻射光束21後，隨即形成經圖案化光束26，且由投影系統PS經由反射元件28、30將經圖案化光束26成像至由基板台WT固持之基板W上。
照明光學件單元IL及投影系統PS中通常可存在比所展示元件多的元件。取決於微影裝置之類型，可視情況存在光柵光譜濾光器240。另外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖11所展示之反射元件多1至6個的額外反射元件。
如圖11所繪示之收集器光學件CO經描繪為具有掠入射反射器253、254及255之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱，且此類型之收集器光學件CO較佳地結合放電產生電漿源(常常被稱為DPP源)予以使用。
替代地，源收集器模組SO可為如圖12所展示之LPP輻射系統之部分。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口221上。
本文所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其有用於能夠產生具有愈來愈小之大小之波長的新興成像技術。已經在使用中之新興技術包括遠紫外線(EUV)微影，其能夠藉由使用ArF雷射來產生193奈米之波長且甚至能夠藉由使用氟雷射來產生157奈米之波長。此外，EUV微影能夠藉由使用同步加速器或藉由用高能電子來撞擊材料(固體抑或電漿)而產生 在20奈米至5奈米之範圍內之波長，以便產生在此範圍內之光子。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上之成像，但應理解，所揭示概念可與任何類型之微影成像系統一起使用，例如，用於在除了矽晶圓以外之基板上之成像的微影成像系統。
可使用以下條款來進一步描述本發明：
1.一種用於改良微影程序之電腦實施方法，該微影程序用於使用微影裝置將設計佈局之一部分成像至基板上，該方法包含：獲得微影裝置之第一源；藉由電腦使用機器學習模型基於第一源之一或多個數值特性將第一源分類至複數個可能類別中之一類別中；判定該類別是否在一或多個預定類別中；僅當該類別在一或多個預定類別中時，調整一或多個源設計變數以獲得第二源。
2.如條款1之方法，其進一步包含：僅當該類別在一或多個預定類別中時，調整非源設計變數。
3.如條款1之方法，其中機器學習模型為受監督的。
4.如條款1之方法，其中機器學習模型係選自由以下各者組成之群組：決策樹、集成(裝袋、提升、隨機森林)、k-NN、線性回歸、貝氏機率、類神經網路、羅吉斯回歸、感知器、支援向量機(SVM)、關聯向量機(RVM)及深度學習。
5.如條款1之方法，其中機器學習模型為非概率的。
6.如條款1之方法，其中機器學習模型為二元非線性分類器。
7.如條款1之方法，其中機器學習模型使用核方法。
8.如條款1至7中任一項之方法，其中用包含特徵向量之元素及特徵向量之類別的訓練集來訓練機器學習模型，其中特徵向量包含微影裝置之源之一或多個數值特性。
9.如條款1至8中任一項之方法，其中判定一類別來自兩個類別中之任一者。
10.如條款1至9中任一項之方法，其中藉由隨機選擇一或多個源設計變數之空間中之點來獲得第一源。
11.如條款1至9中任一項之方法，其中藉由蒙特卡羅方法獲得第一源。
12.如條款1至9中任一者之方法，其中藉由調整一或多個源設計變數及(視情況)一或多個非源設計變數來最佳化微影裝置之源來獲得第一源。
13.如條款1至9中任一項之方法，其中藉由最佳化微影裝置之源來獲得第一源。
14.如條款13之方法，其中同時最佳化源及設計佈局之部分。
15.如條款1至14中任一項之方法，其中源為離散源。
16.如條款1至14中任一項之方法，其中源為連續源。
17.如條款1至16中任一項之方法，其進一步包含用第二源產生元素。
18.如條款17之方法，其進一步包含用該元素更新訓練集以獲得經更新之訓練集。
19.如條款18之方法，其進一步包含用經更新之訓練集訓練機器學習模型。
20.如條款1至19中任一項之方法，其中光影程序使用遠紫外線光來將設計佈局之部分成像至基板上。
21.一種用於自微影裝置之源獲得訓練集之元素的電腦實施方法，該微影裝置適用於將設計佈局之一部分成像至基板上之微影程序，該方法包含：自源計算成本函數之值； 基於成本函數之值為源指定複數個可能類別中之一類別；及藉由組合源之數值特性及類別來形成元素。
22.如條款21之方法，其進一步包含在計算成本函數之值之前調整非源設計變數。
23.如條款21至22中任一項之方法，其中複數個可能類別由兩個類別構成。
24.如條款21至23中任一項之方法，判定類別係基於絕對臨限值或相對臨限值。
25.如條款21至24中任一項之方法，其中源為離散源。
26.如條款25之方法，其中數值特性包含源之源光瞳處之複數個位置處的強度。
27.如條款21至24中任一項之方法，其中源為離散源或為連續源。
28.如條款21至27中任一項之方法，其進一步包含參數化源以獲得數值特性。
29.一種用於改良微影程序之電腦實施方法，該微影程序用於使用微影裝置將設計佈局之一部分成像至基板上，該方法包含：藉由調整一或多個源設計變數來最佳化源；視情況藉由調整一或多個非源設計變數來最佳化微影程序之另一參數；其中源在複數個可能類別中之一或多個預定類別中，如由機器學習模型基於源之一或多個數值特性所判定。
30.如條款29之方法，其中用包含特徵向量之元素及特徵向量之類別的訓練集來訓練機器學習模型，其中特徵向量包含微影裝置之源之一或多個數值特性。
31.如條款29至30中任一項之方法，其進一步包含藉由隨機選 擇一或多個源設計變數之空間中之點來獲得該源。
32.如條款31之方法，其中藉由蒙特卡羅方法獲得源。
33.一種電腦程式產品，其包含其上記錄有指令之電腦可讀媒體，該等指令在由電腦執行時實施如以上條款中任一項之方法。
可以任何便利形式實施本發明之態樣。舉例而言，實施例可由一或多個適當電腦程式實施，該一或多個適當電腦程式可攜載於可為有形載體媒體(例如，磁碟)或無形載體媒體(例如，通信信號)之適當載體媒體上。可使用可特定地採取可程式化電腦之形式的合適裝置來實施本發明之實施例，該可程式化電腦執行經配置以實施如本文所描述之方法之電腦程式。
以上描述意欲為說明性而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下對所描述之實施例進行修改。
810‧‧‧步驟
820‧‧‧初始位置/初始源
830‧‧‧受監督機器學習模型
840‧‧‧類別
850‧‧‧步驟
860‧‧‧步驟
870‧‧‧經調整源
880‧‧‧步驟
891‧‧‧新元素
892‧‧‧步驟
893‧‧‧經更新之訓練集
894‧‧‧步驟

Claims (15)

  1. 一種用於改良一微影程序之電腦實施方法，該微影程序用於使用一微影裝置將一設計佈局之一部分成像至一基板上，該方法包含：獲得該微影裝置之一第一源；藉由一電腦使用一機器學習模型基於該第一源之一或多個數值特性將該第一源分類至複數個可能類別中之一類別中；判定該類別是否在一或多個預定類別中；僅當該類別在該一或多個預定類別中時，調整一或多個源設計變數以獲得一第二源。
  2. 如請求項1之方法，其進一步包含：僅當該類別在該一或多個預定類別中時，調整一或多個非源設計變數。
  3. 如請求項1之方法，其中該機器學習模型為受監督的。
  4. 如請求項1之方法，其中該機器學習模型係選自包含以下各者之一群組：決策樹、集成(裝袋、提升、隨機森林)(Ensembles (Bagging、Boosting、Random forest))、k-NN、線性回歸、貝氏機率、類神經網路、羅吉斯回歸、感知器、支援向量機(SVM)、關聯向量機(RVM)及深度學習。
  5. 如請求項1之方法，其中該機器學習模型為非概率的，或其中該機器學習模型為一二元非線性分類器。
  6. 如請求項1之方法，其中該機器學習模型使用一核方法。
  7. 如請求項1之方法，其中用包含特徵向量之元素及該等特徵向量之類別的一訓練集來訓練該機器學習模型，其中該等特徵向量包含該微影裝置之一源之一或多個數值特性。
  8. 如請求項1之方法，其中判定一類別來自兩個類別中之任一者。
  9. 如請求項1之方法，其中藉由隨機選擇該一或多個源設計變數之一空間中之一點來獲得該第一源，或其中藉由一蒙特卡羅方法來獲得該第一源，或其中藉由調整該一或多個源設計變數及(視情況)一或多個非源設計變數來最佳化該微影裝置之一源而獲得該第一源。
  10. 如請求項1之方法，其中藉由最佳化該微影裝置之一源來獲得該第一源。
  11. 如請求項10之方法，其中同時最佳化該源及該設計佈局之該部分。
  12. 如請求項1之方法，其進一步包含用該第二源產生一元素。
  13. 如請求項12之方法，其進一步包含用該元素更新一訓練集以獲得一經更新之訓練集。
  14. 如請求項13之方法，其進一步包含用該經更新之訓練集來訓練該機器學習模型。
  15. 一種電腦程式產品，其包含其上記錄有指令之一電腦可讀媒體，該等指令在由一電腦執行時實施如請求項1之方法。
TW104140002A 2014-12-15 2015-11-30 基於機器學習之最佳化 TWI584142B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US201462092081P 2014-12-15 2014-12-15

Publications (2)

Publication Number Publication Date
TW201633193A TW201633193A (zh) 2016-09-16
TWI584142B true TWI584142B (zh) 2017-05-21

Family

ID=54601777

Family Applications (2)

Application Number Title Priority Date Filing Date
TW106108969A TWI655553B (zh) 2014-12-15 2015-11-30 用於微影程序的電腦實施方法及電腦程式產品
TW104140002A TWI584142B (zh) 2014-12-15 2015-11-30 基於機器學習之最佳化

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW106108969A TWI655553B (zh) 2014-12-15 2015-11-30 用於微影程序的電腦實施方法及電腦程式產品

Country Status (3)

Country Link
US (2) US10409165B2 (zh)
TW (2) TWI655553B (zh)
WO (1) WO2016096309A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI703462B (zh) * 2018-02-23 2020-09-01 荷蘭商Ａｓｍｌ荷蘭公司 用於訓練一圖案化程序之一深度學習模型之方法及相關電腦程式產品
US11537893B2 (en) 2019-12-05 2022-12-27 Industrial Technology Research Institute Method and electronic device for selecting deep neural network hyperparameters

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US11029594B2 (en) 2016-09-13 2021-06-08 Asml Netherlands B.V. Optimization of a lithography apparatus or patterning process based on selected aberration
KR101747783B1 (ko) * 2016-11-09 2017-06-15 (주) 바이오인프라생명과학 특정 항목이 속하는 클래스를 예측하기 위한 2-클래스 분류 방법 및 이를 이용하는 컴퓨팅 장치
EP3336774B1 (en) * 2016-12-13 2020-11-25 Axis AB Method, computer program product and device for training a neural network
US11537837B2 (en) * 2017-02-13 2022-12-27 Kla-Tencor Corporation Automated accuracy-oriented model optimization system for critical dimension metrology
US10055692B1 (en) * 2017-02-21 2018-08-21 Google Llc Parallel processing of reduction and broadcast operations on large datasets of non-scalar data
WO2018153866A1 (en) * 2017-02-24 2018-08-30 Asml Netherlands B.V. Methods of determining process models by machine learning
US10867085B2 (en) * 2017-03-10 2020-12-15 General Electric Company Systems and methods for overlaying and integrating computer aided design (CAD) drawings with fluid models
US11004568B2 (en) 2017-03-10 2021-05-11 Altair Engineering, Inc. Systems and methods for multi-dimensional fluid modeling of an organism or organ
US10977397B2 (en) 2017-03-10 2021-04-13 Altair Engineering, Inc. Optimization of prototype and machine design within a 3D fluid modeling environment
KR20230035145A (ko) * 2017-05-26 2023-03-10 에이에스엠엘 네델란즈 비.브이. 기계 학습에 기초한 어시스트 피처 배치
US11609623B2 (en) 2017-09-01 2023-03-21 Qualcomm Incorporated Ultra-low power neuromorphic artificial intelligence computing accelerator
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
WO2019048506A1 (en) 2017-09-08 2019-03-14 Asml Netherlands B.V. METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP
CN111149063B (zh) 2017-09-27 2022-04-22 Asml荷兰有限公司 确定器件制造工艺的控制参数的方法
US10386726B2 (en) 2017-09-29 2019-08-20 Globalfoundries Inc. Geometry vectorization for mask process correction
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
DE102018207880A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
DE102018211099B4 (de) * 2018-07-05 2020-06-18 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses
US10796068B2 (en) * 2018-09-11 2020-10-06 Samsung Electronics Co., Ltd. Standard cell design system, standard cell design optimization method thereof, and semiconductor design system
US11562225B2 (en) * 2018-11-26 2023-01-24 International Business Machines Corporation Automatic monitoring and adjustment of machine learning model training
TWI738169B (zh) * 2019-01-29 2021-09-01 荷蘭商Ａｓｍｌ荷蘭公司 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品
WO2020154979A1 (zh) * 2019-01-30 2020-08-06 深圳晶源信息技术有限公司 一种图形图像联合优化的光刻掩模优化方法、装置及电子设备
US11340060B2 (en) 2019-07-23 2022-05-24 Kla Corporation Automatic recipe optimization for overlay metrology system
US11966840B2 (en) * 2019-08-15 2024-04-23 Noodle Analytics, Inc. Deep probabilistic decision machines
US10885259B2 (en) * 2019-08-30 2021-01-05 Intel Corporation Random forest model for prediction of chip layout attributes
US11327409B2 (en) 2019-10-23 2022-05-10 Canon Kabushiki Kaisha Systems and methods for curing an imprinted field
US20210158223A1 (en) * 2019-11-22 2021-05-27 Kla Corporation Finding Semiconductor Defects Using Convolutional Context Attributes
WO2021115766A1 (en) * 2019-12-13 2021-06-17 Asml Netherlands B.V. Method for improving consistency in mask pattern generation
US20210216858A1 (en) * 2020-01-10 2021-07-15 International Business Machines Corporation Training machine learning systems
TWI746038B (zh) * 2020-07-02 2021-11-11 阿證科技股份有限公司 類神經網路人工智慧決策核心系統
CN112578646B (zh) * 2020-12-11 2022-10-14 上海集成电路装备材料产业创新中心有限公司 一种基于图像的离线的光刻工艺稳定性控制方法
TWI812086B (zh) * 2022-03-18 2023-08-11 力晶積成電子製造股份有限公司 光學鄰近修正模型的產生方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5523193A (en) 1988-05-31 1996-06-04 Texas Instruments Incorporated Method and apparatus for patterning and imaging member
US5296891A (en) 1990-05-02 1994-03-22 Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. Illumination device
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
WO1997033205A1 (en) 1996-03-06 1997-09-12 Philips Electronics N.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
KR100512450B1 (ko) 1996-12-24 2006-01-27 에이에스엠엘 네델란즈 비.브이. 두개의물체홀더를가진이차원적으로안정화된위치설정장치와이런위치설정장치를구비한리소그래픽장치
US7003758B2 (en) 2003-10-07 2006-02-21 Brion Technologies, Inc. System and method for lithography simulation
JP4954211B2 (ja) 2005-09-09 2012-06-13 エーエスエムエル ネザーランズ ビー．ブイ． 個別マスクエラーモデルを使用するマスク検証を行うシステムおよび方法
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
US7589845B1 (en) * 2008-03-27 2009-09-15 Tokyo Electron Limited Process control using an optical metrology system optimized with signal criteria
CN102224459B (zh) 2008-11-21 2013-06-19 Asml荷兰有限公司 用于优化光刻过程的方法及设备
US20110047519A1 (en) * 2009-05-11 2011-02-24 Juan Andres Torres Robles Layout Content Analysis for Source Mask Optimization Acceleration
US8786824B2 (en) 2009-06-10 2014-07-22 Asml Netherlands B.V. Source-mask optimization in lithographic apparatus
NL2005522A (en) 2009-10-28 2011-05-02 Asml Netherlands Bv Pattern selection for full-chip source and mask optimization.
US8490034B1 (en) * 2010-07-08 2013-07-16 Gauda, Inc. Techniques of optical proximity correction using GPU
US9140998B2 (en) * 2010-11-12 2015-09-22 Asml Netherlands B.V. Metrology method and inspection apparatus, lithographic system and device manufacturing method
US8464194B1 (en) 2011-12-16 2013-06-11 International Business Machines Corporation Machine learning approach to correct lithographic hot-spots
JP5921990B2 (ja) 2012-08-23 2016-05-24 株式会社ニューフレアテクノロジー 欠陥検出方法
NL2012197A (en) 2013-02-25 2014-08-26 Asml Netherlands Bv Discrete source mask optimization.
US20140358830A1 (en) * 2013-05-30 2014-12-04 Synopsys, Inc. Lithographic hotspot detection using multiple machine learning kernels
KR102103984B1 (ko) * 2013-07-15 2020-04-23 삼성전자주식회사 깊이 영상 처리 방법 및 장치
WO2015090774A1 (en) * 2013-12-17 2015-06-25 Asml Netherlands B.V. Yield estimation and control
US10430719B2 (en) * 2014-11-25 2019-10-01 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
CN107438842A (zh) * 2014-12-18 2017-12-05 Asml荷兰有限公司 通过机器学习的特征搜索
US9760837B1 (en) * 2016-03-13 2017-09-12 Microsoft Technology Licensing, Llc Depth from time-of-flight using machine learning
WO2020135997A1 (en) * 2018-12-26 2020-07-02 Asml Netherlands B.V. System and method for inspecting a wafer

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NINGNING JIA ET AL，" Machine learning for inverse lithography: Using stochastic gradient descent for robust photomask synthesis"，J0URNAL OF OPTICS, INSTITUTE OF PHYSICS PUBLISHING, BRISTOL GB,vol.12,no.4，2010/4/1，page 45601，http://iopscience.iop.org/article/10.1088/2040-8978/12/4/045601 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI703462B (zh) * 2018-02-23 2020-09-01 荷蘭商Ａｓｍｌ荷蘭公司 用於訓練一圖案化程序之一深度學習模型之方法及相關電腦程式產品
TWI749698B (zh) * 2018-02-23 2021-12-11 荷蘭商Ａｓｍｌ荷蘭公司 用於訓練一圖案化程序之一深度學習模型之方法及相關電腦程式產品
US11379970B2 (en) 2018-02-23 2022-07-05 Asml Netherlands B.V. Deep learning for semantic segmentation of pattern
US11847570B2 (en) 2018-02-23 2023-12-19 Asml Netherlands B.V. Deep learning for semantic segmentation of pattern
US11537893B2 (en) 2019-12-05 2022-12-27 Industrial Technology Research Institute Method and electronic device for selecting deep neural network hyperparameters

Also Published As

Publication number Publication date
TWI655553B (zh) 2019-04-01
TW201727521A (zh) 2017-08-01
US11029605B2 (en) 2021-06-08
US20180314163A1 (en) 2018-11-01
US20190354023A1 (en) 2019-11-21
TW201633193A (zh) 2016-09-16
US10409165B2 (en) 2019-09-10
WO2016096309A1 (en) 2016-06-23

Similar Documents

Publication Publication Date Title
TWI584142B (zh) 基於機器學習之最佳化
TWI617933B (zh) 藉由機器學習之特徵搜尋
TWI736262B (zh) 用於計算微影之機器學習模型的訓練方法
TWI724279B (zh) 藉由機器學習來判定製程模型之方法
TWI681250B (zh) 獲得輔助特徵之特性的方法及電腦程式產品
TWI698723B (zh) 基於機器學習的逆光學接近校正及製程模型校準
TWI745863B (zh) 訓練機器學習模型以判定光罩的光學接近校正的方法及相關聯電腦程式產品
TWI747212B (zh) 在圖案化程序中判斷圖案之方法
TW201741762A (zh) 藉由機器學習之熱點或缺陷辨識
TWI752539B (zh) 用於模型校準以減少模型預測不確定性的預測資料選擇
KR20210127984A (ko) 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법
US20230107556A1 (en) Machine learning based subresolution assist feature placement
TWI806002B (zh) 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體
TW202117575A (zh) 用於在參數化模型預測中提高確定性的方法
TW202028849A (zh) 產生特徵圖案與訓練機器學習模型之方法
TW202307722A (zh) 蝕刻系統、模型、及製造程序
TW202215161A (zh) 用於判定輔助特徵之列印機率之系統、方法和產品及其應用
CN115047719A (zh) 基于由光刻设备或过程特性表征的图案表示来选择该图案