TWI634443B - 用於代表性目標子集之選擇及使用之方法及系統 - Google Patents

用於代表性目標子集之選擇及使用之方法及系統 Download PDF

Info

Publication number
TWI634443B
TWI634443B TW103122387A TW103122387A TWI634443B TW I634443 B TWI634443 B TW I634443B TW 103122387 A TW103122387 A TW 103122387A TW 103122387 A TW103122387 A TW 103122387A TW I634443 B TWI634443 B TW I634443B
Authority
TW
Taiwan
Prior art keywords
targets
subset
ratio
measurements
values
Prior art date
Application number
TW103122387A
Other languages
English (en)
Other versions
TW201506659A (zh
Inventor
丹那 克林
史文 喬格
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201506659A publication Critical patent/TW201506659A/zh
Application granted granted Critical
Publication of TWI634443B publication Critical patent/TWI634443B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)

Abstract

本發明提供方法及各自模組，其藉由選擇所量測目標之一相對較小子集以代表大量目標之參數量測之一分佈而減小計量學參數之樣本大小及量測持續時間。藉由對來自分佈之選定數量之分位數的各者之實質相同數量之量測取樣而選擇該子集。該等方法及模組允許目標之識別，其正確代表該完整目標量測分佈。該等方法及模組使用準確度評分及該等選擇之該穩健性之估計最佳化分位數及樣本大小選擇。可反覆地執行取樣及選擇以達到指定準則，其匹配可在考慮該完整分佈時導出之結果。

Description

用於代表性目標子集之選擇及使用之方法及系統 相關申請案之交叉參考
本申請案主張2013年6月28日申請之美國臨時專利申請案第61/840,966號之權利，其全文以引用的方式併入本文中。
本發明係關於計量學之領域，且更特定言之係關於量測之分佈之統計分析及取樣。
計量學目標經設計以實現參數之量測，其等指示晶圓製作步驟之品質且量化晶圓上之結構之設計與實施方案之間之對應性。計量學目標被製作遍及晶圓場且來自目標之量測結果之分析產生跨晶圓之計量學參數之估計。
本發明之一態樣提供一種方法，其包括藉由選擇所量測之目標之一子集n以代表複數N個目標之參數量測之一分佈而減小計量學參數之樣本大小及量測持續時間，其中子集n(其中n<<N)藉由對來自分佈之選定數量之分位數之各者之實質相同數量之量測取樣而選擇。
本發明之此等、額外及/或其他態樣及/或優點闡述於下文詳細描述中；可能可從詳細描述中推斷；及/或可藉由本發明之實踐學習。
90‧‧‧M個目標
91‧‧‧晶圓
95‧‧‧參數之N個量測
96‧‧‧步驟
97‧‧‧殘數之高斯分佈
99‧‧‧參考準則
100‧‧‧模組
108‧‧‧分位數q
109‧‧‧步驟
110‧‧‧步驟
115‧‧‧步驟
120‧‧‧步驟
121‧‧‧步驟
122‧‧‧步驟
125‧‧‧隨機或確定性取樣
130‧‧‧步驟
140‧‧‧步驟
150‧‧‧步驟
151‧‧‧穩健性評分
161‧‧‧準確度評分
200‧‧‧方法
210‧‧‧步驟
215‧‧‧步驟
220‧‧‧步驟
222‧‧‧步驟
224‧‧‧步驟
226‧‧‧步驟
228‧‧‧步驟
229‧‧‧步驟
230‧‧‧步驟
232‧‧‧步驟
234‧‧‧步驟
235‧‧‧步驟
236‧‧‧步驟
237‧‧‧步驟
238‧‧‧步驟
240‧‧‧步驟
250‧‧‧步驟
252‧‧‧步驟
254‧‧‧步驟
260‧‧‧步驟
262‧‧‧步驟
270‧‧‧步驟
280‧‧‧步驟
282‧‧‧步驟
285‧‧‧步驟
290‧‧‧步驟
為了更好地瞭解本發明之實施例及為了展示其可如何實施，現將單純舉例而言參考附圖，其中全文中相同數字指示對應元件或區段。
在附圖中：圖1A係根據本發明之一些實施例之一模組之操作之一高階示意方塊圖。
圖1B係根據本發明之一些實施例之一例示性實施方案之一高階示意圖。
圖2及圖3係根據本發明之一些實施例之模組之操作之進一步高階示意方塊圖。
圖4係根據本發明之一些實施例之一方法之一高階示意流程圖。
在詳細描述被闡述之前，闡述將在下文中使用之特定術語之定義可能係有幫助的。
如本申請案中使用之術語「參數」指可藉由計量學量測導出之任意可量測數量，例如，幾何參數，諸如疊對(OVL)及臨界尺寸(CD)，所計算之數量(諸如工具誘發移位(TIS)及量測品質指標)及導出數量(諸如掃描器劑量及聚焦)。參數可指任意量測方向且被理解為包含可量測數量之任意組合。參數可包括任意所量測數量本身或所量測數量相對於給定計量學模型之求導，例如，可量測數量之系統部分(例如，可歸因於系統源之分量)及/或可量測數量之隨機部分(例如，相對於對應系統部分之殘數，其可能非歸因於系統源)。
現詳細地具體參考圖式，應強調的是所示之細節係舉例而言且僅為了闡釋性討論本發明之較佳實施例之目的且係為了據信係本發明之原理及概念態樣之最有用及最易理解描述之描述之緣由而提出。在此方面，不試圖展示比本發明之基本瞭解所需更詳細之本發明之結構 細節，其中結合圖式進行之描述使熟習此項技術者瞭解可如何在實踐中具體體現本發明之數種形式。
在詳細說明本發明之至少一實施例之前，因理解本發明之應用不限於下文描述中闡述或圖式中所示之構建細節及組件配置。本發明適用於其他實施例或可以各種方式實踐或執行。此外，應瞭解本文中採用之措辭及術語係用於描述之目的且不得被視為限制。
提供方法及各自模組，其等藉由選擇所量測目標之一相對較小子集以代表大量目標之參數量測之一分佈而減小計量學參數之樣本大小及量測持續時間。藉由對來自分佈之選定數量之分位數之各者之實質相同數量之量測取樣而選擇子集。方法及模組允許目標之識別，其正確代表完整目標量測分佈。方法及模組使用準確度評分及選擇之穩健性之估計最佳化分位數及樣本大小選擇。可反覆地執行取樣及選擇以達到指定準則，其匹配可在考慮完整分佈時導出之結果。
圖1A係根據本發明之一些實施例之一模組100之操作之一高階示意方塊圖。模組100可至少部分嵌入電腦硬體中，且經組態以執行下文所述之方法200之任意步驟。模組100可完全或部分嵌入一計量學工具(未展示)中。
在圖1A中參考先前技術程序繪示模組100之操作，該等先前技術程序在上文中用虛線繪示且如下文所述可用於導出模組100之性能以及特定參數之選擇之基準估計。在先前技術中，定義一計量學準則以檢查對一晶圓上之所有或大多數目標進行之計量學量測(M個目標90用於導出參數95之N個量測)是否指示晶圓之正確製作。此外，計量學量測用於導出製程之校正。例如，量測可用於構建一計量學模型，從其導出可校正項且針對計量學準則檢查殘數(其餘統計誤差)之估計。例如，比較殘數分佈之方差(例如，藉由導出自模型之殘數之(高斯)分佈97之3σ而量測)與計量學準則。在本發明中，計量學準則可被視為 參考準則99，將上述近似與其相比較。量測及準則可能涉及不同計量學參數，諸如疊對、臨界尺寸(CD)、製程參數，諸如聚焦及劑量等或涉及模型導出參數(諸如可校正項及殘數)。在先前技術中，大量目標通常歸因於時間限制而不允許針對每個晶圓量測所有目標，且取而代之進行任意數量之量測，其通常相對於目標之空間分佈選擇。
相比之下，所揭示發明之模組100藉由選擇所量測目標之一子集n以代表複數N個個目標之參數量測之一分佈而減小計量學參數之樣本大小及量測持續時間。藉由對來自分佈之選定數量之分位數的各者之實質相同數量之量測取樣而選擇子集n(其中n<<N)。
例如，模組100可執行分佈之基於分位數之取樣110，例如藉由從q個分位數取得n/q個樣本及識別120正確代表分佈之n個目標之子集。正確代表可針對參考準則99(140)測試或使用統計量度測試(見下文)。n<<N代表性目標之所得子集可用於進一步量測中以提供所需計量學參數140(諸如可校正項及殘數)，同時避免量測所有N個目標以及任意選擇之需要。發明人已發現使用所揭示模組可使量測時間削減至20%(例如，從1000至1200之間之N至100至300之間之子集n)，而不損及計量學準則檢查之準確度。模組100及相關方法200可相對於有關計量學量測程序、目標類型、計量學準則等之各種要求調整。
在特定實施例中，可判定來自各分位數n/q之子集大小n、分位數數量q及樣本大小之任一者，且可重複變化n、q及n/q之另一者115。一或多個準確度評分可用於估計各反覆選擇之結果直至達成參數之最佳選擇。模組100可使用N個目標之量測之分佈定義一代表準則且相對於此計算準確度評分。
估計可為兩層，其中第一個n之選擇重複且檢查穩健性150及/或相對於準確度及穩健性評分而最佳化。n、q及n/q之變化的另一者可為相關聯之各自準確度評分且n、q及n/q之判定者可變化且與導出自 準確度評分之各自穩健性評分相關聯。
所揭示之發明適用於藉由任意計量學量測導出之任意類型之計量學參數，例如，幾何參數(諸如疊對(OVL)及臨界尺寸(CD))、所計算之數量(諸如工具誘發移位(TIS)及量測品質指標)及導出數量(諸如掃描器劑量及聚焦)。參數可指任意量測方向(例如，X及/或Y)且被理解為包含可量測數量之任意組合。參數可包括任意所量測數量本身以及模型導出參數，諸如可量測數量之系統部分(例如，可歸因於一系統源之分量)及/或可量測數量之隨機部分(例如，相對於各自系統部分之殘數，其可能非歸因於系統源)。
在特定實施例中，分位數選擇及樣本大小可相對於手邊的特定計量學任務最佳化150，以達成最大取樣及量測效率以及選定目標對隨機波動之穩健性。特定言之，樣本大小n可被減小同時使用一或多個準確度評分維持原始量測分佈97之準確度位準，該等準確度評分基於量測之群體而無目標之位置之任意空間指示或額外參考目標之空間分佈(例如，可相對於不同參數考慮空間資訊，諸如場間位置、場內位置或半徑)。在特定實施例中，可逐點反覆構建新樣本，同時監測群體之評分。
準確度評分可導出自不同源。例如，準確度評分可使用一模型之殘數分佈而量測。在另一實例中，使用導出自任意量測參數之量測品質(諸)指標(諸)分佈量測準確度評分。
在特定實施例中，分佈之各點可包括複數個量度或參數。對於各量度，可對群體計算一準確度評分且樣本可被選擇以同時滿足有關所有參數之所有準確度評分。
在特定實施例中，分位數之選擇及/或樣本大小之選擇可反覆以最佳化此等選擇之穩健性，即以確保目標選擇對各種量測條件及量測結果之低敏感度及確保目標子集之選擇確實在各種條件下提供完整分 佈之足夠準確代表。選擇之穩健性可藉由穩健性評分量化，其可例如基於準確度評分，例如，包括跨相同大小之不同樣本之準確度評分之方差及/或包括跨不同晶圓之準確度評分之方差。子集選擇之品質可使用準確度評分估計且準確度評分之指定臨限可被設定為結果之品質之指示。
在特定實施例中，可在應用演算法之前將異常值從量測之群體移除。在特定實施例中，可能不執行此移除以構建代表完全分佈之取樣。
圖1B係根據本發明之一些實施例之一例示性實施方案之一高階示意圖。所繪示之例示性實施方案及其變動可由模組100及/或方法200用於執行所揭示之發明。圖1B示意繪示一種從至少一晶圓91上之總共N個目標選擇n個代表性目標之一子集之一方式之一非限制性實施例。
可使用(諸)晶圓91上N個目標之之所有或大多數之參數量測之完全分佈97將一代表準則定義為參考99。
可選擇來自各分位數之子集大小n及/或分位數q 108之數量及/或樣本大小n/q。考慮其等之相關性。例如，一樣本大小n可首先被選擇且確定且隨後分位數q 108之數量(及來自各分位數n/q之所得樣本大小)可變化且最佳化。在另一實例中，分位數q 108之數量可首先被選擇且確定且隨後來自各分位數n/l之子集大小n或樣本大小(及因此分別n/q及q)可變化且最佳化。在另一實例中，來自各分位數n/q之樣本大小可首先被選擇且確定且隨後子集大小n或分位數q 108之數量(及因此分別q及n)可變化且最佳化。應注意異常值可在任意步驟移除且來自各分位數n/q之樣本數量不一定針對不同分位數而嚴格相同，而是取決於所定義之準則而實質相同。任意上述實例導致基於分位數之取樣110，其得出目標之各自子集(用於導出量測參數及/或基於模型 之導出數量96，其針對參考99檢查以定義子集選擇之(諸)準確度評分)。
可藉由改變任意n、q、n/q及將特定目標重複取樣至目標之子集中以計算樣本之各者之(諸)準確度評分161而執行選擇及取樣150之最佳化。(諸)準確度評分161相對於變化的子集大小n、分位數q 108的數量及/或樣本大小n/q的分佈可用於數個目的，諸如：具有選定大小及樣本之模組性能與參考準則99之比較，針對n、q及/或n/q之特定選擇之(諸)穩健性評分151之定義及目標之特定樣本之選擇以構建n個目標之子集，例如作為準確度評分之分佈之中值。
圖2及圖3係根據本發明之一些實施例之模組100之操作之進一步高階示意方塊圖。圖1A、圖1B、圖2及圖3從不同角度繪示所揭示發明之特定實施例，且來自圖1A、圖1B、圖2及圖3之元件之任意組合及變化同樣被視為目前揭示發明之部分。
參考圖2，藉由量測一或多個晶圓(95)上之大量(N個)計量學目標，成功準則99可被計算且隨後用作參考以量測N個目標中的n個目標之特定子集選擇109之品質，其中n<<N。在所示實例中，首先選擇子集大小n且隨後分位數q之數量及樣本大小n/q被反覆選擇110且藉由所計算之準確度評分161而量化。在反覆樣本之範圍內計算(諸)穩健性量度以指示子集n 151之選擇之穩健性且子集大小n選擇109可同樣反覆以達到給定所需穩健性位準。從此反覆過程得到n、q之最佳值及目標之最佳取樣，其中實質上n/q個目標來自q個分佈分位數120之各者。在多個晶圓91的情況中，上文揭示之最佳化過程可相對於一第一晶圓執行且相對於晶圓121之其餘者反覆或最佳樣本可如上所示選擇，藉由考慮來自多個晶圓之N個目標之量測122。
參考圖3，有關來自多個晶圓91之大量目標90之量測分佈97可用於執行子集大小選擇109及/或分位數數量選擇108及/或樣本大小選擇 110，在考慮選定數量之相關性下。選擇及取樣步驟可反覆115以產生目標120之選定子集，從中可針對將在用於選擇目標之子集之晶圓之後量測之晶圓導出130相關計量學量度。反覆115可相對於任意選定大小及樣本執行(可能以嵌套方式)以產生以下任意者：準確度評分161、穩健性評分151、隨機或確定性取樣(基於反覆)125、將來自晶圓之取樣應用至其他晶圓121及多個晶圓122之取樣。
圖4係根據本發明之一些實施例之一方法200之一高階示意流程圖。方法200可包括任意下列步驟。特定實施例包括電腦程式產品，其等包括具有結合其具體體現之電腦可讀程式之電腦可讀儲存媒體。電腦可讀程式可經組態以至少部分執行方法200之任意步驟。
方法200包括藉由選擇所量測目標之一子集(步驟215)(其量測代表來自所有目標之量測之分佈)及對來自模型之不同分佈分位數之實質相同數量之量測取樣(步驟220)而減小晶圓之計量學量測及導出參數之樣本大小及量測持續時間(步驟210)。
在特定實施例中，方法200可包括定義一代表準則(步驟222)、計算取樣目標之至少一準確度評分以藉由子集中目標之量測之分佈而量化量測之完整分佈之代表之品質，尤其參考導出計量學量測，其等指示與微影製程相關之所需操作，諸如導出自一疊對模型(例如，OLS、普通最小平方法、疊對模型)之可校正項及殘數。
方法200可進一步包括反覆取樣220及選擇215(亦見上文圖1A、圖1B、圖2及圖3)以達到所定義之代表準則(步驟226)。在特定實施例中，選擇215可根據從取樣220得到之(諸)準確度評分分佈之中值執行(步驟228及見圖1B)。經取樣n/q目標可根據針對所有經取樣n/q目標之各自至少一準確度評分之分佈之中值選擇。
在特定實施例中，選擇目標215之子集可進一步包括併入有關目標特性之考慮(步驟229)，諸如目標組態及空間分佈，例如空間資訊 可包括以下至少一者：場間位置、場內位置及半徑。
方法200可進一步包括反覆取樣220及選擇215以增大置信度(步驟230)。方法200可包括如上所述之最佳化分位數選擇(步驟232)及最佳化樣本大小(步驟234)之任意者。
方法200可進一步包括減小樣本大小同時使用有關(諸)量度之(諸)評分及基於無或具有空間指示之群體維持一原始模型之一準確度位準(步驟235)。方法200可進一步包括以下任意步驟：檢查給定樣本大小之穩健性(步驟236)、使用分位數中之多個取樣目標之準確度評分計算子集大小選擇之一穩健性評分(步驟237)及估計穩健性作為(該等)準確度評分之(諸)方差(步驟238)。方法200可包括計算針對子集大小n之選擇之一穩健性評分，將至少一準確度評分之多個值用於n/q個目標之各自複數個取樣。例如，穩健性評分可能涉及至少一準確度評分之複數個值之一方差或任意其他統計量度。
方法200可進一步包括從目標之選定子集之量測計算一分佈寬度及/或可校正項(步驟240)。
方法200可進一步包括相對於多個晶圓執行量測(步驟250)及選擇一第一晶圓之子集大小及根據針對其他晶圓計算之穩健性評分選擇其內之分位數及樣本(步驟252)及/或反覆地或同時相對於來自所有晶圓之量測選擇子集大小(步驟254)。
方法200可包括隨機及重複對分位數內之目標取樣(步驟260)及/或使用準確度評分至少部分確定性地對分位數內之目標取樣(步驟262)。
方法200可涉及以下任意者之量測：計量學參數，導出自計量學參數之計量學量度、計量學品質指標、使用計量學模型導出自參數之可校正項、導出自計量學模型之計量學參數及目標製程參數之殘數(步驟270)。
在特定實施例中，量測沿著至少一量測方向涉及以下至少一項：疊對、工具誘發移位、一量測品質指標。在特定實施例中，量測可能涉及掃描器劑量及聚焦之至少一者。在特定實施例中，量測可能涉及導出自一計量學疊對模型之疊對。例如，量測可能涉及導出自一計量學模型之計量學參數之殘數，殘數之分佈係高斯函數且計量學模型係一普通最小平方法(OLS)疊對模型。在另一實例中，方法200可進一步包括從具有所量測目標之至少一晶圓上之不同區單獨捕獲疊對特徵圖譜量測(步驟280)。此等量測以及額外量測之組合可被考慮及/或相對於目標之選定子集執行。在特定實施例中，方法200可包括在任意步驟中在取樣及選擇之前移除異常值(步驟282)。選擇、取樣及計算之至少一者可由至少一電腦處理器執行(步驟290)。應注意，方法200不限於疊對模型且可能涉及CD模型、製程參數模型等。
有利地，所揭示之取樣演算法可提供晶圓及場疊對特徵圖譜，實現準則檢查(例如，再處理臨限)及面對恆定增長數量之所需目標及量測導出可靠的可校正項。與進行所量測目標之全面取樣以計算其等之分佈之特性(諸如平均值μ、標準差σ、殘數3σ)之先前技術相比，所揭示之取樣演算法藉由一指定取樣程序識別代表性目標及使用代表性目標之子集之量測計算其等之分佈及/或計量學準則之特性(例如，3σ(使用來自所有目標之量測)-3σ(僅使用來自子集目標之量測)<△=0.5nm作為預定義△之實例)。因此，所揭示之取樣演算法達到一最佳化樣本，其具有相對於目標之總數顯著減小之大小。
在特定非限制性實施例中，假設量測之一高斯分佈，所揭示之取樣演算法維持原始分佈參數且在使用目標之子集時避免改變其等。取樣量測及以針對分佈之分位數之相同數量選擇目標之子集確保分佈特性之節省及因此分佈之適當代表。選擇分位數之數量及可選地反覆取樣及選擇確保分佈之適當代表之高置信度位準同時量測子集中包含 之少量目標。
在特定實施例中，異常值可在應用演算法之前移除。在特定實施例中，異常值可被保留，但藉由取樣及選擇之反覆而保持其等之合理重要性。在特定實施例中，異常值之移除可採用諸如四分位數間距(IQR)之方法，其基於分佈之第三四分位數及第一四分位數之間之間距。此間距藉由定義保持為以分佈中間值為中心之資料點之一半。
作為非限制性實例，所揭示之取樣演算法可使用八個分位數(q=8)。八個分位數自各者由相同數量之量測點組成(12.5%)。藉由隨機減小來自殘數分佈之八個百分位數之量測點數(n/q，例如，n=20)同時保持跨八個分位數平衡之各分位數之頻率而產生最佳樣本。保持八個分位數的頻率平衡確保分佈特性之複製。發明人已發現此最佳化可減小樣本尺寸(N，例如800)達>75%至n(例如，=160)，同時保持分佈之統計特性固定，意味著捕獲晶圓級及場級上與使用所有N個目標量測時相同的特徵圖譜。
結果因此係晶圓上之目標之稀疏取樣最佳化圖。目標之子集可用於產生可校正項且隨後將其等應用至完整圖，將3σ殘數維持在來自在使用完全分佈時由模型產生之3σ殘數之性能準則△內(例如，0.5nm，準則△之範圍可介於例如0.1nm至1nm之間)。為了確保穩健性，針對不同樣本大小，取樣可反覆例如，50次，形成50個不同的隨機樣本。清楚地，可選擇任意數量反覆或任意停止準則可被選擇以繼續反覆直至達到停止準則。計量學準則可針對所有反覆計算且在構建每個樣本尺寸50個匹配準則之分佈後，最佳樣本可被選擇為產生最低樣本尺寸之中值之一者，其產生位於低於成功準則極限△(例如，0.5nm)之匹配準則之分佈。樣本大小n可被製作為較小，同時維持分位數之各者中之量測點之均勻頻率，只要分佈特性被維持。清楚地，n及q不會減小太多。選定分位數q及樣本大小n/q可根據結果品質相對於所檢 查準則及其等敏感性及/或穩定性而調整。發明者已發現在特定情況中，使用八個分位數提供有關實驗資料之穩定及可靠演算法應用。
在特定實施例中，晶圓上之指定區可被界定為具有分位數之不同代表。可以如上所述確保各自區中之分佈之正確代表之一方式單獨針對各區選擇目標之子集。區可例如藉由半徑(與晶圓中心之距離)、扇區(例如，四分之一圓)或任意其他製作準則(例如，預期製程不準確度、與晶圓或晶粒邊緣之鄰近度等)及其等之組合判定且特徵圖譜代表之準則可相應地判定。
在特定實施例中，類似原理可應用於均勻分佈、雙峰分佈、不對稱分佈等。在任意此等分佈中，若干分位數可被最佳化且代表性目標可在各分位數中被選擇以代表總體目標分佈。
在特定實施例中，目標選擇可使用額外準則執行，諸如目標特性及目標之空間分佈之參數。例如，來自場中之不同位置之目標之類似比例可被併入選擇中或不同類型之目標之類似比例可被包含在子集中。
有利地，所揭示之統計取樣演算法藉由使用已知OLS模型之統計特性及由此減小樣本大小達超過75%而滿足甚至嚴苛的計量學準則，諸如3σ<△=0.5nm。此僅係允許跨晶圓之稀疏取樣且在不導致統計偏差的情況下滿足匹配及取樣大小要求之演算法。應注意，演算法可適於除高斯外的分佈及除OLS外的疊對模型。取代在選擇樣本時最佳化實驗之設計，此演算法在實踐中模擬疊對特徵圖譜及在批內及跨批展現一致性。此演算法適用於晶圓級及場級，而不導致未對準。
在上文描述中，一實施例係本發明之一實例或實施方案。「一個實施例」、「一實施例」、「特定實施例」或「一些實施例」之各種出現不一定皆指相同實施例。
雖然本發明之各種特徵可在一單個實施例之背景中描述，但是 特徵亦可單獨或以任意適當組合提供。相反地，雖然為簡明起見，本發明可在單獨實施例之背景中描述，但是本發明亦可實施在單個實施例中。
本發明之特定實施例可包含來自上文揭示之不同實施例之特徵且特定實施例可併入來自上文揭示之其他實施例之元件。在特定實施例之背景中之本發明之元件之揭示不被視為限制其等單單用在特定實施例中。
此外，應瞭解本發明可以各種方式執行或實踐，且本發明可在特定實施例中而非上文描述中概述之實施例中實施。
本發明不限於該等圖或對應之描述。例如，流程無需移動穿過各所繪示之框或狀態或以如所示及描述之完全相同順序移動。
本文中使用之技術及科學術語之含義將由本發明所屬領域之技術人員普遍瞭解，除非另有定義。
雖然已參考有限數量之實施例描述本發明，但是此等不得被解釋為限制本發明之範疇，而是作為一些較佳實施例之例示。其他可能變動、修改及應用亦在本發明之範疇內。因此，本發明之範疇不應受限於目前為止已描述之內容，而是受限於隨附申請專利範圍及其等之合法等效物。

Claims (30)

  1. 一種方法，其包括：定義一代表準則；獲取一N個數目之目標之一或多個量測；選擇該N個數目之目標之一子集n，其中該N個數目之目標之該子集n包含比該N個數目之目標之一較小數目之目標；基於該N個數目之目標之該一或多個量測之一分佈選擇一或多個分位數q；對來自該分佈之各分位數q取樣一選定數目之目標，其中該選定數目之目標等於值n及q之間的一比例或與該等值n及q之間的該比例成比例；計算等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等經取樣選定數目之目標之至少一準確度評分以量化等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等經取樣選定數目之目標之一量，該等值n及q之間的該比例代表該N個數目之目標之該一或多個量測之該分佈；反覆等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等選定數目之目標之該取樣、該子集n之該選擇、該數目之分位數q之該選擇或該至少一準確度評分之該計算之至少一者直至該至少一準確度評分低於該所定義代表準則；在該經計算該至少一準確度評分低於該所定義代表準則之後選擇該N個數目之目標之一子集m，其中該N個數目之目標之該子集m包含比該N個數目之目標之一較小數目之目標；獲取該N個數目之目標之該子集m之一或多個量測；基於該N個數目之目標之該子集m之該一或多個量測判定一或 多個可校正項；及基於該一或多個可校正項而調整由一計量學工具所利用之一或多個樣本選擇準則，其中由至少一電腦處理器執行該子集n之該選擇、該數目之分位數q之該選擇、等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等選定數目之目標之該取樣或該至少一準確度評分之該計算之至少一者。
  2. 如請求項1之方法，其進一步包括：基於針對對應於等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等經取樣之選定目標之該子集n之該至少一準確度評分計算針對該子集n之一穩健性評分。
  3. 如請求項2之方法，其中該穩健性評分有關該至少一準確度評分之一方差。
  4. 如請求項2之方法，其中針對複數個晶圓執行該N個數目之目標之該一或多個量測。
  5. 如請求項4之方法，其中針對該複數個晶圓之一第一晶圓選擇該子集n，其中基於針對該複數個晶圓之至少一第二晶圓所計算之該穩健性評分而執行該數目之分位數q之該選擇及等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等選定數目之目標之該取樣。
  6. 如請求項4之方法，其中基於該複數個晶圓執行該N個數目之目標之該子集n之該選擇及一n/q數目之目標之該取樣或該子集n及該數目之分位數q之該選擇之至少一者之該反覆。
  7. 如請求項1之方法，其中等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等選定數目之目標之該取樣係隨機。
  8. 如請求項1之方法，其中等於該等值n及q之間的該比例或與該等 值n及q之間的該比例成比例之該等選定數目之目標之該取樣係確定性，其中該確定性取樣係基於該至少一準確度評分。
  9. 如請求項1之方法，其中基於該各自至少一準確度評分之一分佈之一中值選擇等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該經取樣選定數目之目標，其中該中值產生一代表準則之分佈，該代表準則之分佈小於一經選擇代表準則限制。
  10. 如請求項1之方法，其中該N個數目之目標之該一或多個量測係基於以下至少一者：一或多個計量學參數，獲取自該一或多個計量學參數之一或多個計量學量度、一或多個計量學品質指標、使用一計量學模型獲取自該一或多個參數之一或多個可校正項或獲取自該計量學模型及一或多個目標製程參數之計量學參數之一或多個殘數。
  11. 如請求項1之方法，其中該N個數目之目標之該一或多個量測係基於沿著至少一量測方向至一疊對、一工具誘發移位、及一量測品質指標之至少一者。
  12. 如請求項1之方法，其中該N個數目之目標之該一或多個量測涉及一掃描器劑量及一掃描器聚焦之至少一者。
  13. 如請求項1之方法，其中該一或多個量測涉及獲取自一計量學疊對模型之一疊對，其中從至少一晶圓上之不同區單獨捕獲一或多個疊對特徵圖譜量測。
  14. 如請求項1之方法，其進一步包括對該N個數目之目標之該選定子集n執行一或多個額外量測。
  15. 如請求項1之方法，其中該N個數目之目標之該一或多個量測係基於獲取自一計量學模型之計量學參數之一或多個殘數，其中該一或多個殘數之一分佈係一高斯分佈，其中該計量學模型係 一普通最小平方法(OLS)疊對模型。
  16. 如請求項1之方法，其進一步包括在該N個數目之目標之該子集n之該選擇期間併入該N個數目之目標之一或多個目標特性。
  17. 如請求項16之方法，其中該一或多個目標特性包括空間資訊，其包括場間位置、場內位置或半徑之至少一者。
  18. 如請求項1之方法，其進一步包括在等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該選定數目之目標之該取樣、該子集n之該選擇或該數目之分位數q之該選擇之至少一者之前移除一或多個異常值。
  19. 如請求項1之方法，其中該一或多個校正項減小該計量學工具之一樣本大小選擇或一量測持續時間之至少一者。
  20. 一種方法，其包括：獲取至少一晶圓之一N個數目之目標之一或多個量測；對該N個數目之目標之該一或多個量測執行一或多個計算；基於該經執行之一或多個計算選擇該N個數目之目標之一子集m，其中該N個數目之目標之該子集m包含比該N個數目之目標之一較小數目之目標，其中該子集m代表該N個數目之目標之一或多個計量學參數之一分佈，其中藉由對來自該N個數目之目標之一或多個量測之一分佈之一選定數目之分位數q之各者取樣一選定數目之該一或多個量測而選擇該N個數目之目標之該子集m，其中該選定數目之該一或多個量測係等於值m及q之間的一比例或與該等值m及q之間的該比例成比例；獲取該N個數目之目標之該子集m之一或多個量測；基於該N個數目之目標之該子集m之該一或多個量測判定一或多個可校正項；及基於該一或多個可校正項而調整由一計量學工具所利用之一 或多個樣本選擇準則，其中由至少一電腦處理器執行該一或多個計算之該執行、該一或多個量測之該取樣或該N個數目之目標之該子集m之該選擇之至少一者。
  21. 如請求項20之方法，其進一步包括：選擇該N個數目之目標之一子集n，其中該N個數目之目標之該子集n包含比該N個數目之目標之一較小數目之目標；選擇該數目之分位數q；及對來自各分位數q之一選定數目之目標取樣，其中該選定數目之目標係等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例。
  22. 如請求項21之方法，其進一步包括：藉由該N個數目之目標之該子集n估計該分佈之該代表之一準確度評分或一穩健性評分之至少一者，其中判定該等值n、q或該等值n及q之間的該比例之至少一者，其中重複變化該等值n、q或該等值n及q之間的該比例之至少一者。
  23. 如請求項22之方法，其中該等值n、q或該等值n及q之間的該比例之該變化之至少一者係基於各自準確度評分，其中該等值n、q或該等值n及q之間的該比例之該判定之至少一者係基於該等各自準確度評分之一穩健性評分。
  24. 如請求項22之方法，其進一步包括：基於該N個數目之目標之該一或多個量測之該分佈定義一代表準則；及基於該經定義之代表準則計算該準確度評分。
  25. 如請求項23之方法，其進一步包括：基於該N個數目之目標之該一或多個量測之該分佈定義一代表準則；及 基於該經定義之代表準則計算該準確度評分。
  26. 如請求項20之方法，其中該一或多個校正項減小該計量學工具之一樣本大小選擇或一量測持續時間之至少一者。
  27. 一種系統，其包括：一計量學工具；及一或多個處理器，其通信地耦接至非暫時性電腦可讀取儲存媒體，其中該非暫時性電腦可讀取儲存媒體包含電腦可讀取程式，其中該一或多個處理器經組態以執行該電腦可讀取程式，該電腦可讀取程式經組態而致使該一或多個處理器以：定義一代表準則；獲取一N個數目之目標之一或多個量測；選擇該N個數目之目標之一子集n，其中該N個數目之目標之該子集n包含比該N個數目之目標之一較小數目之目標；基於該N個數目之目標之該一或多個量測之一分佈選擇一或多個分位數q；對來自該分佈之各分位數q取樣一選定數目之目標，其中該選定數目之目標等於值n及q之間的一比例或與該等值n及q之間的該比例成比例；計算等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等經取樣選定數目之目標之至少一準確度評分以量化等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等經取樣選定數目之目標之一量，該等值n及q之間的該比例代表該N個數目之目標之該一或多個量測之該分佈；反覆等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等選定數目之目標之該取樣、該子集n之該 選擇、該數目之分位數q之該選擇或該至少一準確度評分之該計算之至少一者直至該至少一準確度評分低於該所定義代表準則；在該經計算該至少一準確度評分低於該所定義代表準則之後選擇該N個數目之目標之一子集m，其中該N個數目之目標之該子集m包含比該N個數目之目標之一較小數目之目標；獲取該N個數目之目標之該子集m之一或多個量測；基於該N個數目之目標之該子集m之該一或多個量測判定一或多個可校正項；及基於該一或多個可校正項而調整由該計量學工具所利用之一或多個樣本選擇準則，其中由至少一電腦處理器執行該子集n之該選擇、該數目之分位數q之該選擇、等於該等值n及q之間的該比例或與該等值n及q之間的該比例成比例之該等選定數目之目標之該取樣或該至少一準確度評分之該計算之至少一者。
  28. 如請求項27之系統，其中該一或多個校正項減小該計量學工具之一樣本大小選擇或一量測持續時間之至少一者。
  29. 一種系統，其包括：一計量學工具；及一或多個處理器，其通信地耦接至非暫時性電腦可讀取儲存媒體，其中該非暫時性電腦可讀取儲存媒體包含電腦可讀取程式，其中該一或多個處理器經組態以執行該電腦可讀取程式，該電腦可讀取程式經組態而致使該一或多個處理器以：獲取至少一晶圓之一N個數目之目標之一或多個量測；對該N個數目之目標之該一或多個量測執行一或多個計算； 基於該經執行之一或多個計算選擇該N個數目之目標之一子集m，其中該N個數目之目標之該子集m包含比該N個數目之目標之一較小數目之目標，其中該子集m代表該N個數目之目標之一或多個計量學參數之一分佈，其中藉由對來自該N個數目之目標之一或多個量測之該分佈之一選定數目之分位數q之各者取樣一選定數目之該一或多個量測而選擇該N個數目之目標之該子集m，其中該選定數目之該一或多個量測係等於值n及q之間的一比例或與該等值n及q之間的該比例成比例；獲取該N個數目之目標之該子集m之一或多個量測；基於該N個數目之目標之該子集m之該一或多個量測判定一或多個可校正項；及基於該一或多個可校正項而調整由該計量學工具所利用之一或多個樣本選擇準則，其中由至少一電腦處理器執行該一或多個計算之該執行、該一或多個量測之該取樣或該N個數目之目標之該子集m之該選擇之至少一者。
  30. 如請求項29之系統，其中該一或多個校正項減小該計量學工具之一樣本大小選擇或一量測持續時間之至少一者。
TW103122387A 2013-06-28 2014-06-27 用於代表性目標子集之選擇及使用之方法及系統 TWI634443B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201361840966P 2013-06-28 2013-06-28
US61/840,966 2013-06-28

Publications (2)

Publication Number Publication Date
TW201506659A TW201506659A (zh) 2015-02-16
TWI634443B true TWI634443B (zh) 2018-09-01

Family

ID=52142696

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103122387A TWI634443B (zh) 2013-06-28 2014-06-27 用於代表性目標子集之選擇及使用之方法及系統

Country Status (5)

Country Link
US (1) US10025756B2 (zh)
KR (1) KR102120522B1 (zh)
CN (1) CN105474377B (zh)
TW (1) TWI634443B (zh)
WO (1) WO2014210384A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3093045A4 (en) * 2014-01-10 2017-11-01 Mitsubishi Electric Corporation Particle beam irradiation apparatus
NL2013677A (en) * 2014-01-24 2015-07-29 Asml Netherlands Bv Method of determining a measurement subset of metrology points on a substrate, associated apparatus and computer program.
FR3023005B1 (fr) * 2014-06-26 2016-07-15 Commissariat Energie Atomique Procede de determination de points de fonctionnement caracteristiques d'une batterie a partir de points de fonctionnement initiaux associes a une cellule unitaire etalon du type destine a equiper ladite batterie
EP3062465A1 (en) * 2015-02-26 2016-08-31 VeriSign, Inc. Query latency of a dns service
KR102377411B1 (ko) 2015-04-10 2022-03-21 에이에스엠엘 네델란즈 비.브이. 검사와 계측을 위한 방법 및 장치
US10754260B2 (en) 2015-06-18 2020-08-25 Kla-Tencor Corporation Method and system for process control with flexible sampling
DE102015115712B4 (de) * 2015-09-17 2021-03-25 Analytica Alimentaria GmbH Verfahren zur Herstellung definierter Positivkontrollproben
US11294289B2 (en) * 2016-10-14 2022-04-05 Asml Netherlands B.V. Selecting a set of locations associated with a measurement or feature on a substrate
CN107368281B (zh) * 2017-04-21 2020-10-16 阿里巴巴集团控股有限公司 一种数据处理方法及装置
WO2020123014A1 (en) * 2018-12-14 2020-06-18 Kla Corporation Per-site residuals analysis for accurate metrology measurements
CN110426230A (zh) * 2019-08-08 2019-11-08 中山市疾病预防控制中心 一种食品监测采样点空间分布的评估方法
CN111967254B (zh) * 2020-10-21 2021-04-06 深圳追一科技有限公司 相似问集合的评分方法、装置、计算机设备和存储介质
EP4174577A1 (en) * 2021-11-01 2023-05-03 ASML Netherlands B.V. Method of determining a performance parameter distribution

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120208301A1 (en) * 2007-04-23 2012-08-16 Kla-Tencor Corporation Methods and Systems for Creating or Performing a Dynamic Sampling Scheme for a Process During Which Measurements Are Performed on Wafers

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100319386B1 (ko) * 1999-12-31 2002-01-09 황인길 반도체 제조 공정에서의 오버레이 측정 방법
US7608468B1 (en) * 2003-07-02 2009-10-27 Kla-Tencor Technologies, Corp. Apparatus and methods for determining overlay and uses of same
KR20060035083A (ko) * 2004-10-21 2006-04-26 삼성전자주식회사 오버레이 측정 방법
JP4750444B2 (ja) * 2005-03-24 2011-08-17 株式会社日立ハイテクノロジーズ 外観検査方法及びその装置
KR100648203B1 (ko) * 2005-08-06 2006-11-23 삼성전자주식회사 기판 결함 검사 방법
US7749666B2 (en) * 2005-08-09 2010-07-06 Asml Netherlands B.V. System and method for measuring and analyzing lithographic parameters and determining optimal process corrections
US7583359B2 (en) * 2006-05-05 2009-09-01 Asml Netherlands B.V. Reduction of fit error due to non-uniform sample distribution
US8045786B2 (en) * 2006-10-24 2011-10-25 Kla-Tencor Technologies Corp. Waferless recipe optimization
KR100817092B1 (ko) * 2007-03-14 2008-03-26 삼성전자주식회사 중첩계측오차를 보정하기 위한 계측시스템 및 이를 이용한계측방법
US7711514B2 (en) * 2007-08-10 2010-05-04 Kla-Tencor Technologies Corp. Computer-implemented methods, carrier media, and systems for generating a metrology sampling plan
US7756658B2 (en) * 2008-05-14 2010-07-13 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer and generating inspection results for the wafer
US9052709B2 (en) * 2010-07-30 2015-06-09 Kla-Tencor Corporation Method and system for providing process tool correctables

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120208301A1 (en) * 2007-04-23 2012-08-16 Kla-Tencor Corporation Methods and Systems for Creating or Performing a Dynamic Sampling Scheme for a Process During Which Measurements Are Performed on Wafers

Also Published As

Publication number Publication date
WO2014210384A1 (en) 2014-12-31
TW201506659A (zh) 2015-02-16
CN105474377B (zh) 2019-04-26
US10025756B2 (en) 2018-07-17
KR102120522B1 (ko) 2020-06-09
US20150025846A1 (en) 2015-01-22
KR20160025585A (ko) 2016-03-08
CN105474377A (zh) 2016-04-06

Similar Documents

Publication Publication Date Title
TWI634443B (zh) 用於代表性目標子集之選擇及使用之方法及系統
KR102351345B1 (ko) 오버레이 계측 데이터에 대한 확률적 행위의 영향 결정
CN108700852B (zh) 模型参数值推定装置及推定方法、记录介质、模型参数值推定系统
TWI731038B (zh) 光學計量之準確度提升
TWI521360B (zh) 量測抽樣方法與其電腦程式產品
TWI506240B (zh) 用於圖形化結構中之量測的方法及系統
TWI754253B (zh) 控制半導體裝置的製造的方法及系統
TWI639060B (zh) 自散射量測移除製程變化相關之不準確
JP2017508273A5 (zh)
TWI709833B (zh) 資料處理、資料處理裝置以及電腦可讀取記錄媒體
JP2005142535A (ja) 光学的測定に使用する仮想プロファイルの選択方法、システム及び仮想プロファイルを選択するコンピュータ実行可能なコードを有する記録媒体
TWI649572B (zh) 用於計量目標之特性化之方法、計量系統及用於計量系統之視覺使用者介面
JP2019148583A5 (zh)
US10699969B2 (en) Quick adjustment of metrology measurement parameters according to process variation
US20180137218A1 (en) Systems and methods for similarity-based information augmentation
JP2021509772A (ja) 電子顕微鏡を使用した半導体計測および欠陥分類
CN113360983A (zh) 一种边坡可靠度分析与风险评估方法
CN111506878A (zh) 基于暂降系统指标随机样本估计的节点数量选择装置及方法
CN109284320B (zh) 大数据平台上的自动回归诊断方法
TW202136899A (zh) 基於計量景觀之用於計量優化之系統及方法
JP6954219B2 (ja) 機械学習装置
Feng et al. A novel accurate and robust technique in after-etch overlay metrology of 3D-NAND’s memory holes
US20180342429A1 (en) Method for assessing the usability of an exposed and developed semiconductor wafer
CN113874866A (zh) 传感器模型的生成方法和系统、传感器测量方法和系统
CN114719800B (zh) 一种小球冠中心点和曲率半径参数的精确评定方法