TWI638242B - 供關於一工業製程使用之診斷系統及獲得診斷資訊之方法 - Google Patents

Abstract

一種診斷系統(242、244、236、248)，其實施包含兩個或多於兩個子域(DOM-A、B、C)之一網路。每一子域包含藉由對物件資料之分析而提取之診斷資訊，該第一物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第一集合而量測之一或多個第一參數。該網路進一步包含自一第一診斷子域中之一第一變數至一第二診斷子域中之一第二變數的至少一個機率性連接(622、624、626)。第二診斷資訊之部分藉此機率性地受到該第一診斷資訊內之知識影響。診斷資訊可包含例如在該物件資料中所觀測到或所推斷之一空間指紋。該網路可包括子域內之連接。該網路可形成一定向非循環曲線圖，且用於貝氏推斷操作。

Description

供關於一工業製程使用之診斷系統及獲得診斷資訊之方法

本發明係關於獲得關於工業製程之診斷資訊之方法。該方法已被開發之工業製程之實例為微影製程，該微影製程包括使用微影設備將圖案自圖案化器件轉印至基板上之一或多個步驟。本發明進一步係關於一種診斷設備、一種器件製造方法、一種用於工業製程之控制器，且係關於一種用於致使資料處理設備實施所描述之方法及設備的電腦程式產品。

微影製程為微影設備將所要圖案施加至基板上、通常施加至基板之目標部分上，在此之後各種處理化學及/或物理處理步驟通過圖案起作用以產生複雜產品之功能特徵的微影製程。圖案於基板上之準確置放為用於縮減電路組件及可藉由微影產生之其他產品之大小的首要挑戰。詳言之，準確地量測已經被敷設之基板上之特徵的挑戰為能夠足夠準確地定位處於疊加之特徵之順次層而以高產率生產工作器件時的關鍵步驟。一般而言，在如今之亞微米半導體器件中應在幾十奈米內下至最臨界層中之幾奈米來達成所謂的疊對。

因此，現代微影設備涉及在實際上曝光或以其他方式圖案化處於目 標部位之基板之步驟之前的廣泛量測或「映射」操作。已開發且持續開發所謂的進階對準模型以較準確地模型化及校正藉由處理步驟及/或藉由微影設備自身造成的晶圓「柵格」之非線性失真。然而，並非所有失真皆可校正，且仍然重要的是儘可能多地追蹤此等失真之原因及消除此等失真。

現代微影製程及產品如此複雜使得歸因於處理之問題難以追溯到根本原因。疊對殘差及對準殘差通常展示(製程及/或微影設備自身之)晶圓上方之圖案。此可被解譯為相對於預定義模型之非可校正量，而指紋之目視檢查及詳細分析可給出原因及校正策略之指示。指紋中之空間圖案不用以定量該指紋，亦不會觀測到多個原因可同時地顯現於表觀指紋中。通常並非針對每一個別晶圓可得到疊對量測，疊對量測通常不可用於每一個別晶圓，且與處理歷史及內容背景之關係通常不為吾人所知或通常不使用與處理歷史及內容背景之關係。此外，作出對於在身邊的機器及製程之空間變化之所有可能的來源之清單係困難的及耗時的。

已公開專利申請案WO2015049087A1(Ypma等人)提議提供運用已知技術處理上文所識別之問題中的一或多者之自動化支撐件。彼專利申請案的發明人認識到，根本原因尋找、晶圓整合性之監視及適當校正策略之設計通常係主觀及費力的訓練。藉由以下操作而使對用於晶圓之集合之物件資料(例如對準資料)的分析自動化：定義一多維空間，在該多維空間中用於每一晶圓之物件資料可經表示為一向量；及對物件資料執行多變量分析以獲得在該多維空間中之一或多個分量向量。使用該等分量向量來提取關於工業製程之診斷資訊。該等分量向量可結合效能資料及內容脈絡資料而使用，以執行自動化或半自動化根本原因分析。診斷資訊亦可用以提供效能監視系統，該效能監視系統可在早期階段偵測問題，而非僅在一些效能 參數超過可准許限度時偵測問題。

然而，WO2015049087A1之診斷設備之操作依賴於作出對待使用之物件資料、效能資料及內容脈絡資料的可管理選擇。已知設備可發現或建議內容脈絡資料(例如，哪一工具已用於一特定步驟)與所觀測到指紋之間的因果連接。潛在地被認為係用於根本原因分析之內容脈絡資料之變數之數目係巨大的，且診斷設備之設計者必須選擇既可得到又被認為係用於造成所關注行為之很可能候選者的彼等少數變數。在執行特定產品之有限樣本且涉及處理設備之特定子集的情況下，考量所有該等情形將為不可能的。

因此，自動化處理現今保持有時基於基礎實體模型、有時基於資料驅動且有時基於此兩者之組合而限制至整個製程之某特定子域。該(每一)子域係由熟習設計者基於其對相關原因及效應之體驗及期望而定義。實際上，結果為經斷開診斷子系統之集合，每一診斷子系統有可能使用WO2015049087A1之技術及/或其他技術而自動化，但每一診斷子系統僅「看到」總體內容脈絡之部分。此等診斷子系統中之每一者在其自身子域內進行操作。舉例而言，一個診斷設備可經設置以分析光學像差對經印刷器件圖案之效應，而另一診斷設備調查晶圓失真。實務上，相似指紋可起因於此類不同原因，且每一診斷設備將次佳地操作，此係因為其未察覺潛在相關內容脈絡。

變數與製程之間的關係之知識允許熟習操作員作出此等子域之間的結果之某一組合及比較，但此保持為高度主觀及人性化的製程。發現及/或利用關於其他潛在原因或原因之間的關係之新知識或假設的潛力受到嚴重限制。同時，子系統之間的細微相互作用變成相當大誤差之原因，此係 由於每一所辨識誤差來源被消除且新的要求更高的效能目標被設定。

如所已知，機率性網路及機率性推斷方法(例如貝氏推斷)可在以下情形下極成功：在使看似隨機資料集中之變數之間的因果連接之發現及利用自動化時，或其中變數之間的連接之知識係推測的及部分的。令人遺憾的是，在涉及此類大數目個可能的內容脈絡變數的情況下，經由貝葉斯網路或相似技術進行獲悉係不可行的。

根據先前技術之另一態樣，用於控制疊對之對準系統可經配置以忽略或降權對準標記及/或度量衡目標之某些量測，以縮減不可靠量測之影響。Lyulina等人之諸如US2012218533A1及US2015146188A1之先前公開申請案中揭示此等技術。

US2012218533A1揭示使用徑向基底函數(RBF)模型來校正對準之方法，該等RBF模型包括「鬆弛」函數以用於縮減對經量測標記之中之離群值之易感性。US2015146188A1揭示用於判定特定標記在對準方面之有用性的其他方法。然而，此等已知技術之能力有限，而達到其嘗試僅自量測(物件資料)自身判斷何者為離群值之程度。此等公開案之內容特此係以引用方式併入。

本發明旨在提供可考量較廣內容背景範圍的可實行診斷系統。該所要系統將以合理的定量及可再用方式組合資料。

在一第一態樣中，本發明提供一種用於關於一工業製程而使用之診斷系統，該系統實施包含兩個或多於兩個子域之一網路，其中該等子域中之至少一第一子域包含藉由對第一物件資料之分析而提取之第一診斷資訊，該第一物件資料表示關於已標稱地經受彼此相同 之工業製程的產品單元之一第一集合而量測之一或多個第一參數，其中該等子域中之至少一第二子域包含藉由對第二物件資料之分析而提取之第二診斷資訊，該第二物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第二集合而量測之一或多個第二參數，且其中該網路進一步包含自該第一子域中之一第一變數至該第二子域中之一第二變數的至少一個機率性連接，該第二診斷資訊之部分藉此機率性地受到該第一診斷資訊內之知識影響。

本發明進一步提供一種獲得有關於一工業製程之診斷資訊之方法，該方法包含：實施一第一子域，該第一子域包含藉由對第一物件資料之分析而提取之第一診斷資訊，該第一物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第一集合而量測之一或多個第一參數；實施一第二子域，該第二子域包含藉由對第二物件資料之分析而提取之第二診斷資訊，該第二物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第二集合而量測之一或多個第二參數；實施一網路，該網路包含自該第一診斷子域中之一第一變數至該第二診斷子域中之一第二變數的至少一個機率性連接，藉以該第二診斷資訊機率性地受該第一診斷資訊內之知識影響。

在本發明之某些實施例中，該網路包含一定向非循環曲線圖。該網路可包括該第一子域內及/或該第二子域內之變數之間的另外一或多個機率性連接。該診斷可經配置以使用該網路執行一或多個貝氏推斷步驟，使得該第一子域內之一變數受自該第二子域內部進行之信念之傳播影響。

在一些實例中，該等變數中之一或多者表示在該物件資料中觀測到 之一空間指紋。此空間指紋可例如藉由以上文所提及的由Ypma等人之先前已公開專利申請案中所描述之方式對該第一物件資料執行一多變量分析而導出。

在一些實例中，該物件資料包括對疊對、臨界尺寸、側壁角、晶圓品質、焦點中之一或多者之空間地分佈之量測。

在一第二態樣中，本發明提供一種用於一工業製程之診斷系統，該診斷系統包含：一第一子域，其包含第一診斷資訊，該第一診斷資訊基於關於一第一產品單元而量測之一或多個第一參數將機率性第一內容脈絡資料與該第一產品單元相關聯；及與該第一診斷子域相異的一第二子域，該第二診斷子域包含第二診斷資訊，該第二診斷資訊基於關於一第二產品單元所量測之一或多個第二參數而將機率性第二內容脈絡資料與該第二產品單元相關聯，其中該診斷系統進一步包含該第一診斷子域與該第二診斷子域之間的一介面，該介面經組態以實施該第一內容脈絡資料與該第二產品單元之間的一機率性連接。

在該第二態樣中，本發明進一步提供一種用於一工業製程之診斷方法，該方法包含：實施一第一子域，該第一子域包含第一診斷資訊，該第一診斷資訊基於關於一第一產品單元所量測之一或多個第一參數而將機率性第一內容脈絡資料與該第一產品單元相關聯；實施與該第一診斷子域相異的一第二子域，該第二診斷子域包含第二診斷資訊，該第二診斷資訊基於關於一第二產品單元所量測之一或多個 第二參數而將機率性第二內容脈絡資料與該第二產品單元相關聯；及實施該第一內容脈絡資料與該第二產品單元之間的一機率性連接。

本發明進一步提供一種控制一微影設備之方法，其中基於診斷資訊來應用校正，該診斷資訊係使用根據如上文所闡述的本發明之該第一態樣及該第二態樣中之任一者之一診斷系統及/或一診斷方法而自物件資料提取。

本發明又進一步提供一種用於一微影設備之控制器，該控制器包括根據如上文所闡述的本發明之該第一態樣及該第二態樣中之任一者或兩者之一診斷系統，該控制器經配置以使用診斷資訊以在將一圖案施加至一基板時應用校正，該診斷資訊係使用該診斷系統自物件資料提取。

本發明又進一步提供一種控制使產品單元經受一或多個處理操作的一工業製程之方法，該方法包含以下步驟：- 量測已經受該等處理操作中之一些或全部之複數個產品單元，以獲得針對每一產品單元表示對橫越該產品單元而空間地分佈之點處的該產品單元所量測之一或多個參數之物件資料；- 使用該物件資料以使用根據如上文所闡述的本發明之該第一態樣及該第二態樣中之任一者或兩者之一診斷系統及/或一診斷方法而獲得診斷資訊；- 基於該經提取診斷資訊而針對後續產品單元來控制該工業製程之執行。

本發明進一步提供一種電腦程式產品，其包含用於致使一通用資料處理設備實施根據如上文所闡述的本發明之該第一態樣及該第二態樣中之任一者或兩者之一診斷系統及/或一診斷方法的機器可讀指令。

本發明進一步提供一種電腦程式產品，其包含用於致使一通用資料處理設備執行根據如上文所闡述之本發明來控制一工業製程之一方法的步驟之機器可讀指令。

下文參考隨附圖式來詳細地描述本發明之另外特徵及優點，以及本發明之各種實施例之結構及操作。應注意，本發明不限於本文中所描述之特定實施例。本文中僅出於說明性目的而呈現此等實施例。基於本文中含有之教示，額外實施例對於熟習相關技術者而言將顯而易見。

200‧‧‧微影設備LA/微影工具

202‧‧‧量測站MEA

204‧‧‧曝光站EXP

208‧‧‧塗佈設備

210‧‧‧烘烤設備

212‧‧‧顯影設備

220‧‧‧經圖案化基板

222‧‧‧處理設備/蝕刻設備

224‧‧‧處理設備

226‧‧‧處理設備/步驟

230‧‧‧基板

232‧‧‧基板

234‧‧‧基板

240‧‧‧度量衡設備

242‧‧‧診斷子系統

244‧‧‧診斷子系統

246‧‧‧診斷子系統

248‧‧‧機率性網路/機率性推斷單元

250‧‧‧第一診斷設備/主成份分析(PCA)設備

252‧‧‧第二診斷設備/根本原因分析(RCA)設備

254‧‧‧報告

256‧‧‧現成校正

260‧‧‧資料庫/物件資料儲存器/物件資料

262‧‧‧箭頭/內容脈絡資料

264‧‧‧儲存器/內容脈絡資料

266‧‧‧儲存器/效能資料

268‧‧‧儲存器

420‧‧‧網路

502‧‧‧連接

602‧‧‧網路

604‧‧‧網路

606‧‧‧網路

612‧‧‧點線連接

614‧‧‧點線連接

616‧‧‧點線連接

622‧‧‧機率性連接

624‧‧‧機率性連接

626‧‧‧機率性連接

702‧‧‧第一局域模型/第一子域

704‧‧‧第二局域模型/第二子域

802‧‧‧虛線箭頭/推斷

804‧‧‧虛線箭頭/推斷

806‧‧‧連接

808‧‧‧推斷

810‧‧‧推斷

812‧‧‧推斷

814‧‧‧推斷

820‧‧‧推斷

822‧‧‧推斷

824‧‧‧推斷

830‧‧‧推斷

832‧‧‧推斷

834‧‧‧推斷

1100‧‧‧離群值晶圓

1102‧‧‧正常晶圓

1110‧‧‧離群值晶圓

1112‧‧‧正常晶圓

1227‧‧‧處理器

1229‧‧‧記憶體

1261‧‧‧硬碟

1262‧‧‧唯讀記憶體(ROM)

1263‧‧‧電可抹除可程式化唯讀記憶體(EEPROM)

1264‧‧‧隨機存取記憶體(RAM)

1265‧‧‧鍵盤

1266‧‧‧滑鼠

1267‧‧‧讀取單元

1268‧‧‧軟碟

1269‧‧‧CDROM

1270‧‧‧印表機

1271‧‧‧顯示器

1272‧‧‧通信網路

1273‧‧‧傳輸器/接收器

A1‧‧‧潛在原因/特徵

A2‧‧‧潛在原因/特徵

A3‧‧‧潛在原因/特徵/變數

A-A‧‧‧指紋

A-B‧‧‧指紋

AB‧‧‧第三局域模型

AB-A‧‧‧像差指紋

AD‧‧‧調整器

AL‧‧‧局域模型/對準子域

AL-A‧‧‧參數/指紋

AS‧‧‧對準感測器

B‧‧‧輻射光束

B1‧‧‧特徵/變數

B-A‧‧‧指紋

B-B‧‧‧指紋

BD‧‧‧光束遞送系統

C‧‧‧目標部分

C2‧‧‧特徵/變數

CMP‧‧‧內容脈絡變數/節點

CO‧‧‧聚光器

CVD‧‧‧內容脈絡變數

D1‧‧‧內容脈絡變數

DOM-A‧‧‧診斷子域/子系統

DOM-B‧‧‧診斷子域/子系統

DOM-C‧‧‧診斷子域/第三子系統

DOM-D‧‧‧子系統

DPA‧‧‧資料處理設備

ETC‧‧‧內容脈絡變數

FP A‧‧‧指紋

FP B‧‧‧指紋/指紋變數/節點

FP C‧‧‧指紋

IF‧‧‧位置感測器

IL‧‧‧照明系統/照明器

IN‧‧‧積光器

LA‧‧‧微影設備

LACU‧‧‧微影設備控制單元

LS‧‧‧位階感測器

M1‧‧‧光罩對準標記

M2‧‧‧光罩對準標記

MA‧‧‧圖案化器件

MDEF‧‧‧解釋變數/解釋節點

MT‧‧‧圖案化器件支撐件或支撐結構

OV‧‧‧第二局域模型/疊對子域

OV-A‧‧‧指紋

P1‧‧‧基板對準標記

P2‧‧‧基板對準標記

PC1‧‧‧漩渦指紋/分量向量

PC2‧‧‧按比例調整指紋/分量向量

PM‧‧‧第一定位器

PS‧‧‧投影系統

PW‧‧‧第二定位器/基板定位器

RF‧‧‧參考框架

RTP‧‧‧內容脈絡變數

SO‧‧‧照明源

S1‧‧‧步驟

S2‧‧‧步驟

S3‧‧‧步驟

S4‧‧‧步驟

S5‧‧‧步驟

S6‧‧‧步驟

S7‧‧‧步驟

S7'‧‧‧步驟

S8‧‧‧步驟

S9‧‧‧步驟

S10‧‧‧步驟

S11‧‧‧步驟

S12‧‧‧步驟

S13‧‧‧步驟

TL#1‧‧‧處理設備/工具

TL#2‧‧‧處理設備/工具

TL#3‧‧‧處理設備/工具

W‧‧‧基板

WDEF‧‧‧解釋變數/解釋節點

WTa‧‧‧基板台/基板支撐件

WTb‧‧‧基板台/基板支撐件

現在將參考隨附示意性圖式而僅作為實例來描述本發明之實施例，在該等圖式中：圖1描繪根據本發明之一實施例之微影設備；圖2示意性地展示圖1之微影設備連同形成用於半導體器件之生產設施之其他設備的使用，該設施包括在根據本發明之實施例的診斷系統內之若干診斷子域中之一者中操作的診斷設備；圖3為概述在根據本發明之一實施例之診斷系統之子系統中的第一及第二診斷設備之操作中之步驟的流程圖；圖4示意性地說明第二診斷設備之各種操作模式，第二診斷設備可獨立地或組合地使用以用於在本發明之一實施例中執行根本原因分析；圖5(包括圖5之(a)及圖5之(b))說明連接根據本發明之一實施例的診斷系統之子系統之機率性網路的形成；圖6說明連接診斷子系統內之變數的機率性網路之形成，該等診斷子系統各自屬於圖4中所說明之類型；圖7說明連接診斷子系統內之變數的實例網路； 圖8至圖12說明使用及更新圖7之網路的各種方法。

圖13說明連接診斷子系統內之變數的機率性網路之形成的另一實例。

圖14示意性地說明可程式化以實施本發明之實施例之第一及/或第二診斷設備的資料處理硬體。

工業製程實例

在詳細地描述本發明之實施例之前，有指導性的是呈現可供實施本發明之實施例的實例環境。實例為用於半導體產品之製造設施，其實施一或多個微影製造製程。將理解，本發明不限於此類型之工業製程，且可應用於其他類型之工業製程中。

圖1示意性地描繪微影設備LA。該設備包括：照明系統(照明器)IL，其經組態以調節輻射光束B(例如，UV輻射或DUV輻射)；圖案化器件支撐件或支撐結構(例如，光罩台)MT，其經建構以支撐圖案化器件(例如，光罩)MA，且連接至經組態以根據某些參數來準確地定位該圖案化器件之第一定位器PM；兩個基板台(例如，晶圓台)WTa及WTb，其各自經建構以固持基板(例如，抗蝕劑塗佈晶圓)W，且各自連接至經組態以根據某些參數來準確地定位該基板之第二定位器PW；及投影系統(例如，折射投影透鏡系統)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，包括一或多個晶粒)上。參考框架RF連接各種組件，且充當用於設定及量測圖案化器件及基板之位置以及圖案化器件及基板上之特徵之位置的參考。

照明系統可包括用於導向、塑形或控制輻射的各種類型之光學組件，諸如折射、反射、磁性、電磁、靜電或其他類型之光學組件，或其任何組合。

圖案化器件支撐件以取決於圖案化器件之定向、微影設備之設計及其他條件(諸如，圖案化器件是否被固持於真空環境中)之方式來固持圖案化器件。圖案化器件支撐件可使用機械、真空、靜電或其他夾持技術以固持圖案化器件。圖案化器件支撐件MT可為例如框架或台，其可根據需要而固定或可移動。圖案化器件支撐件可確保圖案化器件例如相對於投影系統處於所要位置。

本文中所使用之術語「圖案化器件」應被廣泛地解譯為係指可用以在輻射光束之橫截面中向輻射光束賦予圖案以便在基板之目標部分中產生圖案的任何器件。應注意，舉例而言，若被賦予至輻射光束之圖案包括相移特徵或所謂的輔助特徵，則該圖案可不確切地對應於基板之目標部分中的所要圖案。通常，被賦予至輻射光束之圖案將對應於目標部分中所產生之器件(諸如，積體電路)中之特定功能層。

如此處所描繪，設備屬於透射類型(例如，使用透射圖案化器件)。替代地，該設備可屬於反射類型(例如，使用如上文所提及之類型的可程式化鏡面陣列，或使用反射光罩)。圖案化器件之實例包括光罩、可程式化鏡面陣列，及可程式化LCD面板。可認為本文中對術語「倍縮光罩」或「光罩」之任何使用皆與更一般之術語「圖案化器件」同義。術語「圖案化器件」亦可被解譯為係指以數位形式儲存用於控制此可程式化圖案化器件之圖案資訊的器件。

本文中所使用之術語「投影系統」應被廣泛地解釋為涵蓋適於所使 用之曝光輻射或適於諸如浸潤液體之使用或真空之使用之其他因素的任何類型之投影系統，包括折射、反射、反射折射、磁性、電磁及靜電光學系統，或其任何組合。可認為本文中對術語「投影透鏡」之任何使用皆與更一般之術語「投影系統」同義。

微影設備亦可屬於如下類型：其中基板之至少一部分可由具有相對高折射率之液體(例如，水)覆蓋，以便填充投影系統與基板之間的空間。亦可將浸潤液體施加至微影設備中之其他空間，例如，光罩與投影系統之間的空間。浸潤技術在此項技術中被熟知用於增加投影系統之數值孔徑。

在操作中，照明器IL自輻射源SO接收輻射光束。舉例而言，當源為準分子雷射時，源及微影設備可為單獨實體。在此等狀況下，不認為源形成微影設備之部分，且輻射光束係憑藉包括例如合適導向鏡面及/或光束擴展器之光束遞送系統BD而自源SO傳遞至照明器IL。在其他狀況下，舉例而言，當源為水銀燈時，源可為微影設備之整體部分。源SO及照明器IL連同光束遞送系統BD在需要時可被稱作輻射系統。

照明器IL可例如包括用於調整輻射光束之角強度分佈之調整器AD、積光器IN及聚光器CO。照明器可用以調節輻射光束，以在其截面中具有所要均一性及強度分佈。

輻射光束B入射於被固持於圖案化器件支撐件MT上之圖案化器件MA上，且係由該圖案化器件而圖案化。在已橫穿圖案化器件(例如，光罩)MA的情況下，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器IF(例如，干涉量測器件、線性編碼器、2-D編碼器或電容性感測器)，可準確地移動基板台WTa或WTb，例如以便使不同目標部分C定位於輻射光束B之路徑 中。相似地，第一定位器PM及另一位置感測器(其未在圖1中明確地描繪)可用以例如在自光罩庫之機械擷取之後或在掃描期間相對於輻射光束B之路徑來準確地定位圖案化器件(例如，光罩)MA。

可使用光罩對準標記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。儘管所說明之基板對準標記佔據專用目標部分，但該等標記可位於目標部分之間的空間中(此等標記被稱為切割道對準標記)。相似地，在多於一個晶粒提供於圖案化器件(例如，光罩)MA上之情形中，圖案化器件對準標記可位於該等晶粒之間。小對準標記亦可在器件特徵當中包括於晶粒內，在此狀況下，需要使該等標記儘可能地小且相比於鄰近特徵無需任何不同成像或製程條件。下文進一步描述偵測對準標記之對準系統。

可在多種模式中使用所描繪設備。在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描圖案化器件支撐件(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相對於圖案化器件支撐件(例如，光罩台)MT之速度及方向。在掃描模式中，曝光場之最大大小限制單次動態曝光中之目標部分之寬度(在非掃描方向上)，而掃描運動之長度判定目標部分之高度(在掃描方向上)。如在此項技術中為吾人所熟知，其他類型之微影設備及操作模式係可能的。舉例而言，步進模式係已知的。在所謂的「無光罩」微影中，使可程式化圖案化器件保持靜止，但具有改變之圖案，且移動或掃描基板台WT。

亦可使用對上文所描述之使用模式之組合及/或變化或完全不同的使用模式。

微影設備LA屬於所謂的雙載物台類型，其具有兩個基板台WTa、WTb以及兩個站-曝光站EXP及量測站MEA-在該兩個站之間可交換該等基板台。在曝光站處曝光一個台上之一個基板的同時，可在量測站處將另一基板裝載至另一基板台上且進行各種預備步驟。此情形實現設備之產出率之相當大增加。該等預備步驟可包括使用位階感測器LS來映射基板之表面高度輪廓，及使用對準感測器AS來量測基板上之對準標記之位置。若位置感測器IF在基板台處於量測站以及處於曝光站時不能夠量測該基板台之位置，則可提供第二位置感測器以使能夠在兩個站處追蹤基板台相對於參考框架RF之位置。代替所展示之雙載物台配置，其他配置係已知及可用的。舉例而言，提供基板台及量測台之其他微影設備係已知的。此等基板台及量測台在執行預備量測時銜接在一起，且接著在基板台經歷曝光時不銜接。

該設備進一步包括微影設備控制單元LACU，該微影設備控制單元LACU控制所描述之各種致動器及感測器之所有移動及量測。LACU亦包括用以實施與設備之操作相關之所要計算的信號處理及資料處理能力。實務上，控制單元LACU將被實現為許多子單元之系統，每一子單元處置設備內之一子系統或組件之即時資料獲取、處理及控制。舉例而言，一個處理子系統可專用於基板定位器PW之伺服控制。單獨單元可甚至處置粗略致動器及精細致動器，或不同軸線。另一單元可能專用於位置感測器IF之讀出。設備之總體控制可受到中央處理單元控制，中央處理單元與此等子系統處理單元通信、與操作者通信，且與微影製造製程中涉及之其他設備通信。

圖2在200處展示在用於半導體產品之工業生產設施之內容背景中的 微影設備LA。在微影設備(或簡言之「微影工具」200)內，量測站MEA在202處被展示且曝光站EXP在204處被展示。控制單元LACU在206處被展示。在生產設施內，設備200形成「微影製造單元」或「微影叢集」之部分，該「微影製造單元」或「微影叢集」亦含有塗佈設備208以用於將感光性抗蝕劑及其他塗層施加至基板W以供設備200進行圖案化。在設備200之輸出側處，提供烘烤設備210及顯影設備212以用於將經曝光圖案顯影成實體抗蝕劑圖案。

一旦已施加並顯影圖案，就將經圖案化基板220轉移至諸如在222、224、226處所說明之其他處理設備。廣範圍之處理步驟係藉由典型製造設施中之各種設備來實施。出於實例起見，此實施例中之設備222為蝕刻站，且設備224執行蝕刻後退火步驟。將另外物理及/或化學處理步驟應用於其他設備226等等中。可需要眾多類型之操作以製造實際器件，諸如材料沈積、表面材料特性改質(氧化、摻雜、離子植入等等)、化學機械拋光(CMP)等等。在實踐中，設備226可表示在一或多個設備中執行的一系列不同處理步驟。

眾所周知，半導體器件之製造涉及此處理之許多重複，以在基板上逐層地建置具有適當材料及圖案之器件結構。因此，到達微影叢集之基板230可為新近製備之基板，或其可為先前已在此叢集中或在另一設備中完全地被處理之基板。相似地，取決於所需處理，離開設備226之基板232可經返回以用於同一微影叢集中之後續圖案化操作，其可經指定以用於不同叢集中之圖案化操作，或其可為待發送用於切塊及封裝之成品。

產品結構之每一層需要製程步驟之不同集合，且用於每一層處之設備226可在類型方面完全地不同。另外，即使在待由設備226應用之處理 步驟在大型設施中標稱地相同的情況下，亦可存在並行地工作以對不同基板執行步驟226之若干假設相同的機器。此等機器之間的小設置差異或疵點可意謂其以不同方式影響不同基板。即使對於每一層相對而言為共同的步驟，諸如蝕刻(設備222)亦可由標稱地相同但並行地工作以最大化產出率之若干蝕刻設備來實施。此外，實務上，不同層根據待蝕刻之材料的細節需要不同蝕刻製程，例如，化學蝕刻、電漿蝕刻，且需要特定要求，諸如，各向異性蝕刻。

可在如剛才所提及之其他微影設備中執行先前及/或後續製程，且可甚至在不同類型之微影設備中執行先前及/或後續製程。舉例而言，器件製造製程中之在諸如解析度及疊對之參數上要求極高的一些層相比於要求較不高之其他層可在更進階微影工具中來執行。因此，一些層可曝光於浸潤類型微影工具中，而其他層曝光於「乾式」工具中。一些層可曝光於在DUV波長下工作之工具中，而其他層係使用EUV波長輻射來曝光。

圖2亦展示度量衡設備240，度量衡設備240經提供以用於在製造製程中之所要階段處對產品進行參數量測。現代微影生產設施中之度量衡站的常見實例為散射計，例如角度解析散射計或光譜散射計，且其可經應用以量測在設備222中之蝕刻之前在220處之經顯影基板的屬性。在使用度量衡設備240之情況下，可判定出(例如)諸如疊對或臨界尺寸(CD)之重要效能參數並不滿足經顯影抗蝕劑中之指定準確度要求。在蝕刻步驟之前，存在經由微影叢集剝離經顯影抗蝕劑且重新處理基板220的機會。亦眾所周知，來自設備240之度量衡結果可用於品質控制。其亦可用作用於製程監視系統之輸入。此系統可用以藉由隨著時間推移進行小幅度調整而維持微影叢集中之圖案化操作的準確效能，藉此最小化製得不合格產品且需要重 工之風險。當然，度量衡設備240及/或其他度量衡設備(圖中未繪示)可經應用以量測經處理基板232、234及傳入基板230之屬性。

診斷系統背景

為了提供用於分析微影製造製程中之不良效能來源之工具，圖2之工業生產設施包括多種診斷子系統242、244、246。此等子系統中之一者242之內部結構被示意性地展示且將在下文被描述，而其他子系統僅以輪廓被展示。基於上文所提及之(Ypma等人之)WO2015049087A1之揭示內容，子系統242內之結構僅經呈現為可能結構之一個實例。呈另一形式之相似工具可用以改良製程監視系統之效能，亦如WO2015049087A1中所描述。不同子系統內之結構可發生變化。出於方便起見，可假定其皆相同，從而以相似方式對特定子域之變數及資料起作用。

根據本發明之原理，機率性網路248將不同子系統之部分進行連接，否則該等子系統之該等部分將彼此獨立地操作。首先將描述一個診斷子系統之結構及操作。

在實例診斷子系統242內，存在第一診斷設備250及第二診斷設備252，如在圖2之頂部處所說明。每一診斷設備250、252係藉由經連接以自剛才所描述之製造設施接收資料之電腦硬體及軟體的組合來實施。電腦硬體可與微影工具及其他設備位於相同的設施中，或其可遠端地定位且由電信頻道及/或抽取式儲存器連接。如將解釋，設備250及252可產生(例如)報告254，該報告254識別關於經識別誤差之很可能原因或潛在原因之清單。其可產生現成校正256，該等現成校正可應用於設備200至226中之一或多者之控制系統，以在未來改良處理產品單元中之系統之效能。校正可與內容脈絡準則相關聯，而指示應取決於產品單元之個別處理歷史而將 校正選擇性地應用於該等產品單元。

在此實例中，第一診斷設備250經設計以執行多變量分析，例如主成份分析(PCA)，以識別貢獻於自產品自身(在此狀況下為基板)量測之偏差之數個分量向量。可使用多變量分析之不同形式，且PCA分析在本文中純粹地作為一個實例被提及。在PCA之特定實例狀況下，經識別分量向量為量測資料之協方差矩陣之特徵向量。該等分量向量在多維空間中正交。在被稱為獨立成份分析(ICA)之另一方法中，量測資料之投影至分量向量上係儘可能獨立的。ICA技術留下處於零之所有二階及高階交叉相關，而PCA技術之正交性促使二階交叉相關為零，但可留下非零高階交叉相關。出於方便起見而不意欲任何限制，設備250將在下文中被稱作PCA設備。

在此實例中，診斷子系統242主要經資料驅動。針對PCA設備250之輸入為物件資料，亦即，關於每一產品單元所量測之資料。可對產品單元自身或對設備之部分或產品單元之處理中所涉及之其他材料量測此資料。在微影設備之內容背景中，可對基板支撐件WTa/WTb或對投影系統PS、照明系統IL等等之元件採取量測。可對圖案化器件(倍縮光罩)MA及/或其支撐件MT採取量測。

在本文中所說明並描述之特定子系統242中，儲存於資料庫260中之物件資料尤其包含通常由微影設備200使用量測站202中之對準感測器AS而獲得的對準資料。由於固有地獲得表示在基板之X-Y平面中之標記之位置之詳細量測的此資料作為正常圖案化操作之部分，故藉由指導控制單元206將該資料儲存於物件資料儲存器260中而幾乎不招致或不招致損失。在其他實施例中及在診斷系統之同一實施例內之其他子系統中，除了由微影工具200量測之對準資料以外或代替由微影工具200量測之對準資料， 亦可在系統中之別處量測物件資料。代替對準資料或除了對準資料以外，物件資料亦可包括使用位階感測器LS而獲得之高度資料、來自對準感測器AS之「晶圓品質」信號，及其類似者。儲存器260中之物件資料亦可自例如度量衡設備240之其他量測設備獲得。以此方式，物件資料可包括直接地或間接地對效能參數進行之量測，效能參數諸如，疊對、CD、側壁角、晶圓品質、標記不對稱性、位階量測及焦點。另外在下文中，將描述可使用及分析此物件資料以實施圖2之製造設施中之改良型製程監視系統的實施例。亦有可能的是，此等參數可由微影工具200自身內之設備量測。各種先前公開案描述對此之特定標記及/或量測技術。舉例而言，關於標記不對稱性之資訊可使用由對準感測器在不同波長下獲得之信號來獲得。

第二診斷設備252係用於執行根本原因分析(RCA)，以用於建立由PCA設備識別之分量向量與同個別基板相關聯之效能資料及/或內容脈絡資料之間的相關性。此RCA設備252經配置以自PCA設備250接收多變量分析之結果。RCA設備252接著使基於單獨物件資料之所觀測分量向量與吾人應稱之為內容脈絡資料及效能資料之一或多個項目相關。此內容脈絡資料亦可被視為「歷史」資料，此係由於其為並非自產品自身獲得而是表示個別產品單元(基板)或產品單元批量之處理歷史之全部或部分的資料。貫穿圖解之箭頭262說明內容脈絡資料可如何來自該等設備中之任一者。運用新基板230，亦可得到內容脈絡資料。舉例而言，內容脈絡資料可記錄先前已將哪些類型之製程步驟應用於基板、哪些個別設備已用於執行彼等步驟，及哪些參數係由彼等設備應用(例如，當在蝕刻設備222中時之溫度或壓力狀況之設定，或微影工具200中諸如照明模式、對準配方等等之 參數)。內容脈絡資料經儲存於儲存器264中以供RCA設備252使用。

RCA設備252進一步存取可包括例如疊對或CD之量測且儲存於儲存器266中的效能資料。雖然圖2展示用於物件資料、內容脈絡資料及效能資料中之每一者之單獨儲存器260、264、266，但應瞭解，此等不同類型之資料可儲存於一個共同儲存單元中，或可遍及較大數目個儲存單元而分佈，可在需要時自該等儲存單元擷取資料之特定項目。另外，雖然內容脈絡資料262被展示為源自每一個別設備222、224等等，但可經由整體上控制製造工場之操作的中央控制系統來收集該資料。

物件資料儲存器中之每一記錄係用唯一識別符來標註。在注意到個別晶圓在製造製程期間可能重複地穿過同一微影工具或可能穿過皆量測相同標記之不同工具的情況下，有可能在製造製程之不同階段收集用於相同產品單元之物件資料。量測之此等個例中之每一者可在分析中被視為一獨立產品單元。然而，在複雜製造製程中之不同階段量測同一晶圓之多個個例的狀況下，物件資料將包括不僅唯一地識別個別晶圓而且識別個別晶圓已被量測之處理階段之識別符。通常在微影製程中，同一晶圓之不同個例將與器件結構之圖案化順次層相關聯。物件資料中之此等個例之間的關係之知識可用作RCA設備252中出於診斷之目的的內容脈絡資料。

為了操作機率性網路248，用於不同子系統242、244、246中之晶圓識別符可相同，或可藉由查找表轉譯。

由於可獨立於內容脈絡資料來執行第一診斷設備250中之多變量分析，故彼設備可獨立於內容脈絡資料之任何特定形式之可用性或完整性而操作。然而，內容脈絡資料亦可在需要時由第一診斷設備使用，例如以選擇供包括於用於多變量分析之資料中的產品單元之某些子集，而非僅在顯 示多變量分析之結果時區分產品單元。作為實例，所謂的「夾盤間」比較可在微影工具具有多於一個「夾盤」或基板台(圖1中之WTa、WTb)之狀況下係重要的。當其可存取內容脈絡資料之此部分時，PCA設備250可分離地選擇及分析已對不同夾盤進行處理之產品單元。可執行多變量分析以便辨別產品單元之子集，而不分離地全部處理產品單元。諸如被稱為「PCA之混合」之方法的方法允許執行關於物件資料內之某些叢集之分析，而不明確地分離其資料集。取而代之，對每叢集之不同分析進行加權，而具有某一向量(對應於某一經量測產品單元)屬於某一叢集之可能性。

如先前專利申請案中所解釋，可以藉由參考內容脈絡資料而至少部分地辨別向量之子集之方式執行多變量分析。內容脈絡資料可識別在處理產品單元時所涉及的一特定設備或設備之部分，與在夾盤間比較中一樣。內容脈絡資料可係工業製程中之一階段(步驟)，在該階段獲得以向量表示之量測，與例如在層與層之間比較中一樣。

向儲存器268提供可用於辨識多變量分析之結果中之圖案的程式庫資料。詳言之，已經提及，某些指紋類型可由熟悉製程之專家辨識，且此辨識會帶來很可能原因及效應之某些知識。程式庫資料可儲存可與自物件資料識別之向量匹配的參考向量之集合。一旦參考向量已經匹配，就可自儲存器擷取所儲存的與該參考向量相關聯之另外資訊且使用該另外資訊以導引PCA設備250及/或RCA設備252之進一步操作。舉例而言，以「漩渦」指紋儲存於程式庫中之資料可能包含名稱標籤「漩渦」及暗示以尋找此指紋與用於受影響產品單元之內容脈絡資料中之退火操作之間的相關性。

如上文所解釋，本文中所揭示之診斷方法及設備可使用為自遍及每 一產品單元而空間地分佈之點所量測的資料之物件資料。在產品單元為半導體基板(晶圓)的微影生產設施之實例中，尤其關注的綜合物件資料來源係為了特性化每一晶圓及先前沈積於每一晶圓上之圖案而在微影工具中執行的量測之集合。此等量測用以獲得用於對準模型之參數，對準模型在新圖案化步驟中用以準確地控制經施加圖案相對於已經存在之特徵之定位。

診斷子系統操作

圖3以流程圖形式概述由實例實施例中之PCA設備250及RCA設備252執行的操作。先前已公開申請案WO2015049087A1中描述了PCA設備及RCA設備之較詳細實施例。彼先前公開案之內容係以引用方式併入本文中。本發明決不限於診斷設備之此等特定類型。

在步驟S1中，獲得用於產品單元(在該實例中為半導體產品晶圓)之群體之物件資料，且在步驟S2處以協方差矩陣編譯該物件資料。在S3處，藉由多變量分析處理協方差矩陣。如已經在上文所描述，多變量分析之效應應為將物件資料中之所有向量之分佈分解成分量向量之集合，例如若干分量向量。在步驟S4中，處理分量向量之集合連同不同產品單元之識別，而以所要方式分析分佈。可處理及選擇結果以供藉由自動操作部分地顯示且藉由人類操作者相互作用部分地顯示。

在步驟S5中視情況使用分析之結果以提供隨著生產繼續之自動漂移偵測。在S6處接收來自每一產品單元或產品單元之批量(批次)之新物件資料，且將該新物件資料與在分量向量維度中之一或多者中之分佈進行比較以偵測處於主分佈之外之產品單元(離群值)。視情況，新物件資料可經添加至協方差矩陣且用以更新至分量向量之分解。可在已公開專利申請案中發現此等功能之更多細節。

在圖3中在步驟S7處，在RCA設備252中執行根本原因分析。此設備將至分量向量之分解之結果與步驟S8中獲得之效能資料及/或步驟S9中獲得之內容脈絡資料進行組合。在步驟S10處可顯示或報告根本原因分析之結果，或在步驟S11處可使用根本原因分析之結果以產生對製程控制設定之校正。在步驟S12處，生產針對新產品單元(例如半導體產品晶圓)而繼續，從而應用校正以藉由縮減經識別指紋中之一或多者而改良所生產產品。

並非可校正或應校正所有經識別指紋。定義指紋校正可被視為對藉由分析揭露之問題的永久性解決方案，或有可能需要維護或替換負責設備。校正可用作暫時性措施直至可重新校準或修復負責處理設備為止。若誤差並不可充分校正，則可自處理省略所討論之設備(或向所討論之設備重新指派較不關鍵操作)。另外，應注意，校正一些指紋可能使諸如疊對之效能參數更差、不能更好。此係因為在層與層之間保持一致之指紋根本不引入疊對誤差，而識別此指紋且試圖在後續層中校正其將引入疊對。可藉由在計算對每一產品單元之校正時移除此分量向量來儲存及利用不應被校正之指紋之識別。

此外，應經校正之指紋可僅存在於產品單元中之一些中。在PCA設備250及/或RCA設備252已用以識別產生某些指紋之內容脈絡的情況下，可運用關聯內容脈絡準則產生校正，使得可取決於另外特定產品單元之處理歷史而將該等校正選擇性地應用於彼等產品單元之處理中。因此，可僅在一產品單元之處理歷史與同校正相關聯之內容脈絡準則匹配時將彼校正應用於彼單元。應理解，在微影製程中，將常常基於批量或批次而非針對每一個別晶圓來選擇及應用校正。此外，應理解，可在微影操作中應用校 正，其經設計為校正由產品單元已經受之物理及/或化學操作而引起的指紋。可依據自多變量分析之結果提取的資訊而非明確內容脈絡資料來定義內容脈絡準則。

在無需預先知曉哪些參數將受關注的情況下，可在正常製造製程之背景中執行對準資料及/或其他物件資料之收集。若可能，則可搜集製程內容脈絡資料及其他識別資料。可以匿名形式收集此資料中之一些，使得可在外包分析的同時遵守製程之機密性。在所描述實施例之總體形式內，可針對新設備設想數個「使用狀況」。用於商用實施例之實例功能包括：用以展示指紋(比如前10個)加平均指紋(「PC0」)之「一個按鈕」；用於分量向量或分量向量之叢集之標籤的自動表明(例如，使用資料散佈)；一特定分量向量或分量向量之群組之(例如以奈米為單位的疊對之)效能影響的自動估計。即使不進行足夠用於定量計算之詳細模擬，亦可自對準-疊對(效能資料)相關性分析獲得對某一對準分量向量之疊對影響之定性評估。以引用方式併入本文中的先前已公開申請案WO2015049087A1中描述RCA設備之更詳細實例。

使用者介面可提供運算子以請求「相關指紋」且將報告離群值晶圓及批次之短清單，且處理工具與此等外圍晶圓及批次同現。使用者介面1200及觀測儀1202可觀測各種類型之對準增量(參見WO2015049087A1之圖16及圖17)；(顏色間、步驟間(層間))。其可觀測資料集之散佈、允許每叢集之「平均晶圓」(mean wafer/average wafer)自動成叢集及觀測每叢集之「平均晶圓」。可例如藉由貝氏網路或藉由導出表示頻繁出現之處理工具集之同現圖案之集合而自動地利用同現工具及指紋。根據本發明，如下文進一步所解釋，貝氏網路之概念將不僅應用於受限子域內，而且經應 用以組合較大推理構架內之子域模型。若亦可得到諸如疊對之效能資料，則設備可使此效能資料與物件資料(WO2015049087A1中之圖15)中所觀測到之分量向量相關。

在另一使用類別中，代替產生如通常所理解之校正之步驟S11，設備可產生用於控制後續處理之某態樣或對後續處理之某態樣提供建議的其他資料(配方)。在特定實例中，可獲得「對準諮詢」，其建議對準感測器自身之較佳操作(參見WO2015049087A1中之圖17之論述)。可將指紋「庫」累積於儲存器268中，藉以可在觀測到與之前所觀測之彼等指紋相似的指紋時即擷取適合於特定情形之配方。

另外變化及應用包括：作為物件資料之疊對之分析；對準資料之顏色間分析；場內指紋而非本文中所說明之(僅)場間指紋之觀測；改良之「飛行者移除(flyer removal)」。

關於例如顏色間分析，可注意，對準感測器AS通常將運用輻射之不同波長(顏色)範圍來照明對準目標，以改良通過上覆層之良好位置讀取的機會。常常對準「配方」將僅僅選擇使用單一「最佳」顏色以在給定情形下讀取標記，且其他資料被捨棄。然而，運用不同顏色所獲得之信號之間的比較可揭露所關注之診斷資訊。詳言之，顏色間差異可指示標記不對稱性存在，其中標記內之結構已藉由處理而變得失真。可接著以不同方式產生用於後續處理步驟之校正，此取決於判斷出是否指紋表示藉由標記變形及量測製程而造成之表觀偏差，而非標記之實際位置偏差。

飛行者移除係指相對於同一晶圓上之其他標記為離群值的個別標記之識別。此等「飛行者」之出現可歸因於多種局域因子，其可使用經識別分量向量而較容易辨識。

子域內之根本原因分析

現在詳述RCA設備252及圖3之流程圖中之步驟S5，各種技術可供用於系統之運算子，以用於執行分析以識別存在於經分析產品單元中的指紋(分量向量)之根本原因。返回參看圖5，將回想起，某些指紋可經辨識為與某些處理步驟相關聯。因此，若出現「漩渦」指紋PC1作為數個晶圓中(且不在其他晶圓中)之貢獻者，則退火製程及設備變得懷疑為該指紋之原因。此為圖4所說明之情形。相似地，若觀測到「按比例調整」指紋PC2在數個晶圓中係強的，則可懷疑位置偏差部分地為藉由蝕刻步驟引入的實體失真之結果。在如所說明之每一狀況下，可使用(例如)基於高斯分佈及均方偏差(標準偏差)值之統計計算以區分具有大量漩渦之「離群值」晶圓1100與「正常」晶圓1102，且區分具有強按比例調整指紋之離群值晶圓1110與正常晶圓1112。應注意，儘管一些晶圓具有強正係數且其他晶圓具有強負係數，但此兩種晶圓皆僅以不同正負號指示強表達之指紋。此實例中之設備將把正離群值及負離群值兩者一起分組為相等。該設備可視需要提供用以分離地分組正離群值及負離群值之功能。

若所討論之產品單元已在其可能於不同設備中已經歷若干退火步驟及其他處理步驟之歷史中達到此階段，則在無自動輔助的情況下可難以判定其中之一些相比於其他者為何具有較強指紋之原因。

如圖4中所展示，在一項實施例中之RCA設備252使用經判定分量向量(指紋)結合來自儲存器264之內容脈絡資料，以識別經識別指紋之強度與在物件資料中所表示的在產品單元之歷史中之某些事件、設備或參數之間的相關性。執行分析以識別(i)表示產品單元之歷史之內容脈絡資料264與(ii)彼等產品單元在由已自物件資料260之多變量分析出現的分量向量所 表示之多維空間中的位置之間的相關性。存在此分析可採取之許多形式，使得實務上RCA設備可提供待根據即將到來的任務而使用之一套功能。除了內容脈絡資料以外，亦可使用效能資料266以尋找自產品單元所量測之某些效能參數(CD、疊對)與在多變量分析中所識別之分量向量之間的相關性。

在所說明實例中，在晶圓之歷史中出現之某些處理設備(工具)TL#1、TL#2及TL#3與物件資料中之指紋PC1及PC2之間建立同現關係之網路420。此三個設備可標稱地相同且應以相同方式執行，但調查將揭露其是否中之一或多者實務上造成非想要效應。原則上，可「盲目地」執行分析以尋求經識別指紋中之任一者與在產品單元之歷史中且針對內容脈絡資料之所有參數之事件及設備中之任一者或全部之間的相關性。替代地，與在所說明實例中一樣，可應用一些人類或機器專門知識以識別出所觀測指紋為蝕刻步驟及退火步驟之特性，且以尋求指紋之出現與可已用以執行彼等特定步驟之某些工具或工具叢集之使用之間的相關性。在所說明實例中，分析會報告同現分析值，其表示使每一工具在歷史中強烈顯示指紋的晶圓之百分比。此報告揭露：在該三個工具當中，在歷史中在某點處已使用工具TL#1來處理的40%(分率0.4)的晶圓具有強指紋PC1(大係數c(PC1))，而針對工具T1#2及TL#3之對應百分比僅為5%。

因此，工具TL#1被強烈牽涉為生產製程中之不良效能之原因。此可觸發所牽涉工具之進一步調查及/或重新校準。其亦可觸發歷史相依校正之產生(圖3之步驟S11)。此校正為對對準模型之添加，其可在後續微影圖案化步驟中自動地應用，而不論何時內容脈絡資料指示在所處理之晶圓之歷史中使用彼或彼等特定工具。應注意，若干工具係與相同指紋PCX相關 聯，亦應瞭解，實際上藉由所牽涉工具添加至每一晶圓之指紋彼此可稍微不同。然而，指紋PCX係用作對彼等個別指紋之近似。經由其他分量向量之搜尋可揭露較輕微指紋，且因此揭露可指派給每一特定工具之較特定校正，在此準確度被認為必需的情況下。在任一狀況下，儲存與內容脈絡準則相關聯之每一校正，使得在後續步驟中用於晶圓之內容脈絡資料可用以判定是否應應用彼校正。因此可改良後續晶圓之處理，而不管是否已在分析中包括彼等晶圓。

另一方面，關於在分量向量PC2之分佈中為離群值之晶圓，工具TL#1僅在較弱程度上被牽涉(同現分析值為10%)，而工具TL#2及TL#3兩者具有較高同現分析值(20%、20%)。應理解，此等結果並不對某一工具中之疵點具決定性。通常將需要進一步調查，(例如)以識別內容脈絡資料中之哪些其他因子可解釋為何由工具TL#2處理的20%的晶圓具有強指紋PC2，而80%的晶圓不具有強指紋PC2。由所選擇內容脈絡變數表示之子域之外的因子可能被涉及。本文中所揭示之技術允許使用來自其他域之知識及/或學習以改良此等因子之識別，如下文中將進一步描述。調查結果可觸發自動地或運用使用者相互作用而產生校正，如上文參看圖3中之步驟S11所描述。

在所說明實例中，所關注內容脈絡資料本質上係分類的，且表示在處理每一晶圓之歷史中是否涉及工具之某一處理設備(蝕刻器、沈積腔室等等)集合。「分類」意謂在產品單元之歷史中存在給定特徵或事件(一次或多次)，或在產品單元之歷史中不存在給定特徵或事件。諸如指示在特定製程步驟中使用何種溫度設定或在微影工具中在製程校正中應用何種校正強度之參數的其他內容脈絡資料本質上可為連續的。就效能資料266而 論，此資料本質上亦可為分類的或連續的。可視需要將連續資料變成分類資料。舉例而言，疊對資料本質上可連續，但可例如根據在疊對值之分佈中哪些為離群值且哪些不為離群值或哪些晶圓落在某絕對效能規格之外而對晶圓進行分類。分量向量PC1等等亦可被視為連續變數，或其可被分類，與在所說明實例中一樣。

在內容脈絡資料或效能資料分類的情況下，可以上文所描述之方式藉由頻繁地發現分類項目(亦即，工具及離群值)之同現集合來搜尋同現關係。同現關係發現之一個特定實施係關於待發現之可用資料及特定類型之同現圖案的特定預處理。

在此情境下，建構將用於每一產品單元之物件資料及內容脈絡資料(及/或效能資料)兩者聯合之單一資料庫。在每一產品單元之物件資料之投影係連續的條件下，首先將其離散化以便使其有用於發現所考慮之同現圖案。

用以離散化投影之可能的方法為在給出所有產品單元之投影之分佈的情況下判定每一產品單元是否構成相對於一或多個指紋之離群值。此情形導致經投影物件資料之二進位版本，其陳述此產品單元是否為給出基礎分佈之離群值。

所得資料庫中之每一列係由物件資料投影之產品單元之離群值指示及其關聯內容脈絡資料(及/或效能資料)組成。同現圖案c可被定義為中之可能變數及其特定實例化(例如，PCA_1=離群值，且Tool_1=Etcher_A)之子集。

每一圖案c可被認為係描述之特定部分的局域模型。藉由選擇由表示的圖案c之集合，可建構用於完整資料庫之模型。模型之選擇取決於 所選擇最佳化準則。此準則之一個實例化為考慮向每一編碼器指派一特定經編碼資料庫長度之編碼方案。在此設定中，最佳編碼器係最佳模型。

最佳同現圖案集合含有中之變數(經離散化物件資料、內容脈絡資料，及/或效能資料)之間的顯著(給出所選擇最佳化準則)關係。此集合可用以使工具與分量向量之間的關係顯而易見。

不管內容背景資料是為分類的抑或連續的抑或離散的，皆可使用例如使用貝氏網路進行之機率性分析。在此途徑中，建構經由「網路參數」θ表示在使用某一處理工具時出現分量向量離群值的聯合機率之網路。對聯合機率之初始選擇可由熟練的工程師指定，或藉由自歷史資料集研究工具-指紋出現來指定。此初始化將關於工具-指紋同現之「先驗機率」指定為關於網路參數之「先驗者」p(θ)。在貝氏網路中，自新產品單元對指紋之出現及/或涉及處理工具的觀測可經輸入為網路中之「證據」(資料)D。計算給出當前網路參數之觀測之似然性p(D｜θ)，且將該似然性與先驗p(θ)組合成關於給出資料的網路參數之後驗機率p(D｜θ)。可使用貝氏推斷規則來進行此操作：

變數(某些工具及指紋之出現)之間的條件相依性之公設可用以使後驗參數機率(「貝氏推斷」)之計算易處理，或吾人可依賴於計算最大化後驗機率之參數設定θ*，

在假定平坦先驗之狀況下(亦即，在不具有關於聯合工具-指紋出現之機率之先驗知識的情況下)，此最後表達式縮減為最大似然估計：

藉由此機制，可使用來自新近傳入產品單元之空間量測資料及/或內容脈絡資料以更新針對特定使用狀況而同現之機率且在得到足夠資料時完全自訂局域模型。應注意，允許觀測用於新產品單元之空間量測資料或內容脈絡資料(或此兩者)，此係由於可經由前述貝氏推斷規則來推斷關於遺漏(未觀測到)變數中之任一者之機率。

機率性分析之結果可用以作出關於原因及效應之推斷。分析之類型及複雜度為設計選擇問題。上文所描述之方法僅為實例。舉例而言，根據本設備之實驗使用，已觀測到如下情況：其中所關注指紋之存在與單獨之任一設備或處理操作之出現最強烈不相關，但與特定序列之操作或設備之出現相關。因此，RCA設備可提供用於識別此類序列而作為內容脈絡資料中之參數之功能。

如已公開申請案WO2015049087A1中所論述，RCA設備252之其他操作模式係可能的。舉例而言，在此等操作模式中之一些中，圖形觀測用以允許待由人類操作者觀測相關性。

在自局域模型延伸方面的挑戰

在根本原因分析中，複雜度變為不斷增加的挑戰。隨著主要誤差之每一來源經識別且經校正，效能改良取決於識別及校正愈來愈小的誤差來源。吾人愈來愈多地看到，不同效應之先前未知組合(相互作用)影響比如成品上之疊對之效能參數。作為第一實例，不同處理工具之組合導致歸因於晶圓翹曲之晶圓指紋。所得平面內失真可自對在曝光之前之晶圓翹曲進行量測而部分地預測，但亦可取決於晶圓被夾持於微影工具中之方式。另外，使用某一沈積工具可進一步增加疊對誤差起因於晶圓變形之可能性。

作為另一實例，當使用對某些晶圓中之標記信號強度之改變敏感的 對準策略時，製程誘發之標記損害及堆疊厚度變化可藉由旋轉特性導致相當大的疊對誤差。作為第三實例，在劑量、倍縮光罩透射、掃描器產出率及照明模式很可能導致通過每一批次之場漂移效應的條件下，兩個曝光之間的經過時間可影響場內誤差標記之量值。

更糟糕的是，根本原因之效應可根據產品而變化，因此吾人不能在不考量每一產品依據工具及處理貢獻者之內容脈絡的情況下解決該效應。因此，當新產品開始待處理且可僅僅捨棄針對前一產品所獲悉之診斷資訊時，產率及效能會受損。

此等實例僅為展示複雜度已經在此等產品之製造中導致問題的幾個實例。不同類型之因子貢獻於最終誤差，該等因子包括光罩及特徵設計、微影自身中之誤差、預微影處理、度量衡、製程控制。許多變數在分析中可相互相依，且其之僅一子集主要與效能量測(疊對、焦點、CD及最終產率)相關。然而，哪一子集負責任最初可能係未知的。找回一些誤差之根本原因並非平凡的，且需要可組合不同資料源且給出對某些因子與效能損失相關之可能性的估計之方法。

在使用各種診斷方法的情況下，常常運用某些類型之資料及某些懷疑原因進行資料分析。在已進行分析之後，可獲得對新資料集之改良之建議及分析工序。然而，該分析僅「查看」其被告知查看之變數。與未識別或未觀測之因子之關係係不明確的。又，針對新的最佳化或故障診斷建議，通常不再用資料。出於商業原因，不能總是共用或組合來自不同客戶之資料，且因此通常在未來生產中並不利用一般適用之學習。

再次參看圖2，診斷子系統242可為若干診斷子系統242、244、246中之一者。然而，在使用已知技術的情況下，此等子系統並不相互作用以 形成相干診斷系統。物件資料及內容脈絡資料之每一集合包含一不同模型，或潛在相關內容脈絡資料之子域。不同域(不同模型)中之不同分析之結果通常被隔離地研究，且不能定量地經組合。組合該等模型時之一個問題為不具有關於哪些變數係相互相關的完整知識。諸如基於貝葉斯網路之學習系統的學習系統理論上可獨自尋找任何數目個變數之間的相互關係。然而，實務上，識別所有潛在相關因子及相互作用所需之資料之量隨所考慮變數之數目而按指數律成比例調整，且迅速變為禁止的。

在一些域中存在實體(第一原理)模型(例如，來自微影工具組件及控制演算法之知識)。此等模型並不與諸如PCA設備250之資料驅動模型或將複合多項式或其他基底函數擬合至資料之模型直接介接。吾人想要儘可能多的使用模型中之實體似真部分，但同時允許資料驅動微調。因此，儘管受到許多高度相關分析工具及域知識支援，但根本原因分析常常為聚焦於使用不完整資料集之子問題的相當主觀訓練。對與效能損失相互作用及相關之變數的學習並非客觀地經量化且不容易再用於新產品任務，即使當新產品任務極相似於舊任務時。

簡言之，不存在以合理的定量及可再用方式組合每問題區域之「局域」子模型之「全域」整體模型。此為資料及域知識之效率低下的使用，且可導致部分及可能的錯誤結論，且損失解決方案機會。

機率性網路中之多個子域

再次參看圖2，現在將描述實施包含兩個或多於兩個診斷子域之網路的診斷系統。每一診斷子域可藉由屬於任何所要類型的診斷子系統及方法(例如圖2之子系統242、244及246)分析。此等子系統可經實施於彼此不同之硬體上，或經實施於共用硬體上。

下文將更詳細地描述之機率性網路係由圖2中之機率性推斷單元248表示。

依據圖3之流程圖，機率性網路及推斷單元248通常由步驟S13表示，該步驟S13將在第一診斷子域中的根本原因分析步驟S7之輸入及/或輸出與在第二診斷子域中的根本原因分析步驟S7'之輸入及/或輸出連接。

第一診斷子域可包含藉由對第一物件資料之分析而提取之第一診斷資訊，該第一物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之第一集合而量測之一或多個第一參數。遵循圖4之實例，第一物件資料可例如為對準資料。

第二診斷子域包含藉由對第二物件資料之分析而提取之第二診斷資訊，該第二物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之第二集合而量測之一或多個第二參數。產品單元之該第二集合可相同於第一集合，或為不同集合。工業製程在產品單元之第一集合與第二集合之間可相同或不同。取決於子域，可自在處理之前或處理之後的基板量測經量測參數，諸如對準資料、高度圖資料或疊對資料，或可自微影工具或其他設備而非基板本身量測經量測參數。作為後者之一實例，透鏡像差可與某些場內指紋相關聯。場內晶圓對準可經模型化，但此本質上為特殊化專門知識。像差可為工具特定的。其可藉由特定照明模式中之熱輸入、倍縮光罩透射因子等等而加劇，且可為時變的。特殊化像差模型將潛在地具有許多此類內容脈絡變數。用於像差模型之物件資料可包括自圖案化器件獲得之量測資料(倍縮光罩對準量測資料)，或包括經量測或經模型化透鏡像差。效能資料可為運用度量衡設備240而量測之經密集量測之場內疊對圖案。

雖然此等子域被相異地定義且在習知診斷系統中實質上隔離，但根據本發明而實施之網路包含自第一診斷子域中之第一變數至第二診斷子域中之第二變數的至少一個機率性連接。以此方式，第二診斷資訊之部分可機率性地受到第一診斷資訊內之知識影響。此等機率性網路連接連同用於通過該等機率性連接傳播資訊之推斷方法幫助解析對每子域之可管理數目個變數之需要與子域之間的定量整合之間的衝突，在該等子域中可存在有意義關係之知識。

如已經提及，所有可能的內容脈絡參數之完整集合係巨大的。簡單地藉由向貝氏網路迅速饋入所有可用資料而獲得貝氏網路變得不可行。幸而，很可能的是，並非所有內容脈絡參數對於目標皆同樣重要，目標即，疊對缺陷或其他效能缺陷之根本原因。因此，吾人提議針對圖形模型實例建置貝氏網路，其中局域模型作為架構基塊。對「貝氏網路」之參考將被理解為對機率性定向非循環曲線圖之參考。此等局域模型可例如最初使用域知識及體驗而工程設計，且允用資料採擷技術而增強。此處，吾人提議，藉由推斷單元248實施之全域模型將子域模型連接成總體圖形模型。貝氏網路(定向非循環曲線圖)為可以此方式成功地應用之圖形模型之實例。網路中之每一鏈路為機率性連接。局域模型之間機率性連接之存在可藉由專家設計提議，及/或藉由自動化資料採擷而發現。

圖5說明將數個局域模型(此處為三個)組合成機率性圖形模型之原理。局域模型AL基於作為物件資料之對準資料來表示子域，其相似於以上參考圖3及圖4所描述之實例。參數AL-A為例如資料中之指紋，該資料例如藉由多變量分析而自大資料集合提取。第二局域模型OV基於作為物件資料之疊對量測界定子域，其中指紋OV-A出現於一些產品單元中。另 外，第三局域模型AB為像差模型，其相似於已經在上文所描述之模型。該模型之參數為像差指紋AB-A之存在或不存在。

圖5之(a)展示已自資料及/或專家知識導出的組合為機率性圖形模型之局域模型AL、OV及AB之集合。每個箭頭表示自一個局域模型中之變數至另一局域模型中之變數之可能機率性連接。每一連接在定向曲線圖中形成一邊緣。每一邊緣具有與其相關聯之機率，其為條件機率。因此，如所說明，連接502與條件機率P(AL-A｜OV-A)相關聯，該條件機率為在已發現指紋OV-A的條件下發現指紋AL-A之機率。指紋之存在或不存在僅為可被連接之變數的一種類型。一般而言，任何變數可為此網路中之節點。節點可為觀測到之指紋，或內容脈絡資料中之參數，或所計算數量。處理可適合於處置離散變數及連續變數，其良好地在熟習此項技術者之能力內。舉例而言，關於節點之條件分佈或條件機率可由設計者限定。兩個離散變數之間的條件機率將用作網路之連接之簡單實例，而並不將本發明限於此類實例。網路可包括如所論述之離散變數及連續變數。每一連接之影響可藉由複合演算法進行計算，且無需為簡單條件機率。

圖5之(a)展示此等變數各組合於具有完全連接曲線圖之全域模型中(意謂每一可能邊緣潛在地具有指派給其之機率)。實務上，該等曲線圖將未被完全連接，而更可能的是，此曲線圖之一子集為基礎全域模型之較適當描述。圖5之(b)展示此情形，其中僅以機率值定義兩個邊緣。具有機率值P(OV-A｜AL-A)=0.9之邊緣指示在已在對準子域AL中發現給定指紋AL-A的條件下將在疊對子域OV中發現指紋OV-A的極高條件機率。具有機率值P(AB-A｜AL-A)=0.76之邊緣指示在已在對準子域AL中發現指紋AL-A的情況下將在像差子域中發現指紋AB-A的中度高條件機率。

在准許藉由貝葉斯規則進行推斷之真實貝氏網路的狀況下，要求在節點藉由機率之知識而連接之途中不存在循環。因此，若待使用貝氏信念傳播，則圖5之(a)中所說明之雙向連接不被准許。在藉由設計或藉由資料採擷而出現強循環關係之情況下，此可藉由在吾人之定向曲線圖中將循環連接之節點一起視為單一節點來變通。接著，儘管吾人不能在循環內進行推理，但吾人可使用其以模型化一些基礎現象之存在，亦即例如存在或不存在。圖5之(b)之實例滿足對非循環定向曲線圖之要求，其准許使用貝葉斯規則以傳播知識。

圖6說明在三個診斷子域DOM-A、DOM-B及DOM-C中的不同類型之變數之間形成貝氏網路之機率性連接。純粹作為實例，此等子域中之每一者具有圖4中之診斷子系統之形式。因此，每一子系統具有用於執行根本原因分析之第一診斷設備(PCA設備)及第二診斷設備(RCA設備)。實務上，該等診斷子域中之任一者或全部可具有不同形式，如已經參考圖2所描述。代替PCA設備，物件資料之分析可以實體為基礎而非經資料驅動，及/或可經資料驅動，但以與多變量分析不同之方法進行。

因此，純粹作為實例，子系統DOM-A內之RCA設備提供在一方面觀測到之指紋A-A及A-B與潛在原因(例如所使用之工具)A1、A2及A3之間具有加權連接之網路602，如關於圖4所論述。相似網路604、606存在於其他子系統內。每一子系統內被展示為點線的連接表示此等連接已經存在於該子系統內。此等點線連接612、614、616中之一者在圖6中之每一子系統中被說明，而圓圈指示網路602實務上具有連接之完整集合。如上文所提及，每一網路中之連接之強度可藉由觀測資料驅動模型中之資料而獲得，或藉由實體模型中之設計知識而獲得，或藉由此兩者之組合而獲得。 網路602可包含定向非循環曲線圖，其准許藉由貝葉斯規則進行推斷及信念傳播。

為了實施子域之間的連接，以與針對圖5所提及相同之方式，形成定向曲線圖之機率性連接之網路係由連接不同子系統(子域或局域模型)中之變數的邊緣之集合定義。舉例而言，連接622向條件機率P(B-A｜A-A)提供值，此意謂當在子域DOM-A中發現指紋A-B時指紋B-A具有彼機率存在於子域DOM-B中。漩渦類型指紋可例如出現於兩個不同局域模型中，且在實際情形下相似指紋可具有極其不同的原因。現在可以穩固及定量方式藉由先前獨立地操作之子系統之間的機率性連接來表示及利用此知識。

相似地，連接624向條件機率P(B1｜A3)提供值，此意謂當特徵A3存在於子域DOM-B中時特徵B1具有彼機率存在於子域DOM-B中。遵循圖4之實例，舉例而言，此等特徵B1及A3中之一者或兩者可各自指示特定工具之使用。亦即，在此實例中特徵A1至A3為表示內容脈絡參數之變數，且可為離散(分類)值變數。正如每一局域模型內之狀況，每一網路中之連接之強度可藉由觀測資料驅動模型中之資料而獲得，或藉由實體模型中之設計知識而獲得，或藉由此兩者之組合而獲得。在簡單狀況下，變數A3及B1實際上可表示相同工具，且連接624之強度可指示為100%的條件機率P(B1｜A3)。

在其中已知變數A3與B1真正相等(例如來自相同物件資料之相同PCA分析)之狀況下，則系統可經設計為將存在於兩個不同子域中的此等變數辨識為相同變數。將在下文描述及參考圖7至圖12說明此情形之實例。在引言及申請專利範圍之涵義內，藉由界定為兩個子域所共用之節點，自一個子域中之變數至彼共用變數或自彼共用變數至一個子域中之變 數之機率性連接自動地為不同子域中之變數之間的連接。然而，並不要求具有為不同子域所共用之變數。

連接626向條件機率P(C2｜B-B)提供一值，此意謂當在子系統DOM-B中觀測到指紋B-B時特徵C2具有彼機率存在。因為此等連接為機率性連接，所以可以之前不可能之方式在該等子系統之間傳播資訊。可容易併入有恰部分知識，使得無需必須完成連接之完整集合。基於可得到之知識，可在子域之間作出更多或更少連接。倘若由此等機率性連接形成之定向曲線圖係非循環，則可進行貝氏推斷計算，以在子域之間傳播資訊以進行改良之根本原因分析。

應用實例

在圖7中，吾人展示兩個局域模型702及704之實例。下文中，吾人將接著展示貫穿圖8至圖12中之不同情境之間的機率性連接之網路。目前，吾人看到諸如可藉由已知診斷設備及方法而實施的單獨局域模型。在每一局域模型內可存在另外節點及另外現有連接(相似於圖6中之點線箭頭),該等節點及該等連接被省略。僅展示將被描述為全域機率性網路之部分的一些實例節點及連接。每一子域內未被展示之連接亦可為機率性的。

在每一局域模型(子域)702、704內，說明三個層中的不同類型之變數。在此表示中，表示不同工具或不同類型之工具之使用的內容脈絡變數係在圖解之頂部。在第一子域702中，內容脈絡變數RTP具有值U或NU(使用或不使用)，其指示快速溫度處理步驟(退火)是否為用於給定晶圓或批次之可能指紋產生者。內容脈絡變數CVD具有值U或NU(使用或不使用)，其指示化學氣相沈積(CVD)是否為用於給定晶圓或批次之可能指紋產生者。在第二子域704中，內容脈絡變數CMP具有值T1或T2(工具1或 工具2)，此取決於已使用兩個可能化學機械拋光工具中之哪一者。內容脈絡變數ETC具有值U或NU，此取決於某一蝕刻步驟是否已用於產品單元之處理歷史中。

每一局域模型之中間層包含所觀測之變數，在此狀況下為藉由物件資料之多變量分析而獲得的所觀測之指紋(FP)A、B、C。此等指紋變數(在此實例中)中之每一者可具有值P或NP(存在或不存在)。圖7之表示中之網路的底部層包含「解釋」變數。在第一局域模型(子域)702中，解釋變數WDEF指示「此指紋之起源為晶圓變形」，而在第二子域704中，解釋變數MDEF指示「此指紋之起源為標記變形」(對準量測中之假影，而並非對晶圓之實際效應)。因此，吾人看到第一局域模型702可為經設計以用於診斷晶圓變形效應的局域模型，而第二局域模型704為經設計以用於診斷標記變形效應的局域模型。此等局域模型中之每一者可已由不同專家基於對內容脈絡資料中之哪些參數很可能影響此等不同效應的期望來設計。

如在上文及先前已公開申請案WO2015049087A1中所描述，貝氏網路可經實施於診斷系統內而以定量及自動化方式通過該網路傳播信念及學習。在每一子域702、704中，貝氏網路由圖7中之箭頭展示，定向邊緣通常自處理工具使用經由所觀測之指紋指向解釋節點。在給出駐存於資料中之證據的情況下，可獲悉圖形模型(在一子域內及在子域之間)之結構。此結構揭露出哪些特徵係相關的。此外，由於模型係機率性的，故其描述此關係之尺度。

返回至圖7之實例，初始機率(例如圖7中之每一變數旁側的方框中所展示之初始機率)可基於在相關資料集中之期望值或出現頻率。舉例而言，可已知的是，對45%的晶圓使用退火(RTP)，對50%的晶圓使用 CVD，等等。在不存在先驗資訊的情況下，每一指紋A、B及C之機率亦可經設定為處於50%。實務上，貝氏推理為持續及反覆的製程，如已經所描述。因此，一般而言，解釋節點MDEF及WDEF之值可為離先前分析最近的後驗。因此，在貝氏網路之術語中，最遲「後驗」變為針對新分析之「先驗」。初始值亦可來自於以下操作：自資料庫計算相對頻率，或藉由假設例如所謂的不提供資訊之先驗。此不提供資訊之先驗可為在數學上定義之分佈，例如均一分佈或傑弗瑞(Jeffrey)先驗。在給出更多資料的情況下，條件機率可經改進以進一步改良準確度。此遞歸學習為貝氏構架之本質上強態樣中之一者。相似地，其可以先驗機率饋入以將早期學習傳送至網路中。此可允許在分析新狀況時診斷之速度增加。

若僅僅未知曉用於(例如)CVD之內容脈絡資料，則可將頻率設定為例如處於50%而作為起始估計。此估計稍後可受到自其他局域模型中已知之資料進行推斷影響，從而允許在所需內容脈絡資料將以其他方式完全遺漏之局域模型中汲取推斷。

在此實例中，由變數FP B表示之指紋可為相同指紋，但通常每一局域模型將出於其自身目的而使用指紋變數，在諸模型之間無通信。當觀測到相同或相似指紋時，根本原因可能不同且最佳校正或預防策略亦可能不同。局域模型中之任一者獨自皆不可評估此等競爭性解釋之可能性，但在運用本發明之機率性網路的情況下此情形變得有可能。

作為由本發明允用之全域模型之一實例，指紋變數FP B可變為子域702、704兩者之機率性網路中的共用節點。此為產生將該等局域模型連接成一全域模型的網路之一種方式，使得可以定量方式將一個子域中之學習及知識傳播至另一子域中。

現在將參考圖8至圖12描述使用及更新圖7之網路的各種方法。在此等圖解中，說明推斷單元248，其使用貝葉斯規則以利用貝氏網路之進一步推理潛力。為熟習貝氏網路之設計及操作技術者所知之原理可應用於系統之設計中。雖然本發明將網路連接呈現為簡單條件機率，但熟習此項技術者將知曉，實施於連接中之映射機制相比於單一條件變數可更複雜。舉例而言，目標變數可被定義為具有一確定部分及一不確定部分，且網路連接僅影響對不確定部分之估計。出於此目的可利用許多特殊化工具，且細節在本發明中未被描述。

在圖8至圖12中，使用視覺規約。網路中之節點(例如圖8中之節點FP B)周圍之實線框指示藉由參考知識物件資料及/或內容脈絡資料而固定或「經強加」之變數。若一變數/節點係多維的，則該變數之值可為向量。虛線框用以表示由推斷單元248更新之變數(例如圖8中之節點CMP及MDEF)。虛線箭頭(例如802、804)示意性地指示知識可在該等層之間在向上或向下方向上藉由推斷進行傳播，而網路連接自身總是(在此圖解表示中)定向下。

圖8說明當診斷系統觀測到晶圓上之有旋轉特徵指紋B時該診斷系統之改變。變數FP B=P被強加有指示100%確定度的值，其由實線框指示。通過先前所建立之網路連接，標記變形之可能性增長至71.4%(虛線框；推斷802)。另一推斷(箭頭804)表明基於經編碼於網路中的關於典型CMP指紋之域知識，有疵點CMP工具T1被涉及的可能性增加。推斷802為與被標註為806之連接相關聯的機率值之直接結果，而推斷804藉由操作貝葉斯規則及推斷單元248而返回流動通過網路。如在貝氏網路之領域中所熟知，此「反向」傳播可藉由反覆製程來實施。有疵點CMP工具之增 加之可能性可(儘管此處未說明)用於局域模型之另一部分中。有疵點CMP工具之增加之可能性可(儘管此處未說明)用於在其他方面將不具有關於所使用工具之任何知識的另一局域模型中。

圖9展示添加至圖8中所說明之情境的內容脈絡資訊片段。假設接收內容脈絡資料以指示實際上使用有疵點CMP工具T1。彼CMP節點之值相應地以確定度100%固定處於P。資訊係藉由推斷808及810傳播通過網路。作為解釋之標記變形之可能性進一步增加，此由由變數MDEF表示的機率之上升所指示，儘管指紋B之存在不變。在諮詢模式中，可憑自身能力以此經更新之機率輸出報告作為診斷資訊，視情況具有所建議之校正。在控制模式中，可輸出用於控制後續處理，例如避免使用某一工具，或用於排程維護之校正。

圖10展示與圖9相對之情境，其自圖8之情形開始。判定出所使用之CMP工具在規格內。假定向所使用CMP節點強加100% T2。經由推斷812及814，標記變形之機率減低。指紋B仍存在於物件資料中，但機率性網路允許作出以下推斷：該指紋之原因更可能為其他某事物。在諮詢模式中，可輸出具有此資訊之報告。

在此特定實例中，由變數WDEF表示之晶圓變形之機率並不增加，此大概係因為變數FPB與變數WDEF之間的連接在用於子域702之局域模型中極弱。在另一實例中，可發現，以與變數MDEF減低相同之方式，變數WDEF由於子域之間的連接而增加。在本實例中，暗示可存在所觀測指紋之第三解釋。可實施將拾取此第三解釋之第三局域模型。此第三局域模型可關於例如度量衡準確度。

圖11運用額外內容脈絡資訊進一步發展圖10之情境。將理解，事實 上可自一開始就得到此內容脈絡資訊。有用的是展示每一不同資訊片段可如何傳播通過網路，因此其在此處被解釋為單獨步驟。儘管自一開始就得到內容脈絡資料之知識，但在一些實施例中，自局域模型之外的知識作出推斷之選項可藉由使用者選項允用及停用。此允許系統操作者將其看作單獨效應，以輔助總體診斷。所產生之報告可具有替代結論，其展示包括或不包括額外資訊之效應。節點中之一些(例如CMP有疵點/無疵點)可純粹藉由使用者實驗設定，以允許「若……會如何(what if)」實驗。可以此方式測試特定結果對特定內容脈絡變數之敏感度。此又可用以導引進一步調查。其亦可幫助清除實際上沒有意義的連接，且導致改進所假定模型(機率性網路)。此等改進可為完全自動的，或整體或部分手動的。

返回至圖11之實例，添加內容脈絡資訊使得亦對晶圓使用CVD步驟。因此，向CVD節點強加U(100%)。此與比方說使用有疵點工具不同。此不同於圖9及圖10之CMP變數之實例。實情為，變數CVD當經設定為U時說明在此或此等產品單元之處理時涉及CVD步驟，且並不知曉該CVD步驟無疵點。因此，CVD步驟潛在地為某一指紋或其他觀測之原因。藉由機率性連接之網路的作用，推斷820及822導致額外晶圓變形之機率增加，且導致指紋A於W上的沈積的可能性較高。此外，藉由推斷824，使用退火(RTP)之機率增加。在此實例中，變數CVD為二元(100%或0%)，但可視需要為多值(連續的)。舉例而言，一新近設置之機器可被假定為良好的，且接著允許不確定度隨時間生長。變數可為多值離散變數，比如好值、中值、差值，或其亦可為表示CVD工具條件且具有連續值的某量測。

在考慮到晶圓變形局域模型在其他方面完全相異於標記變形局域模 型的情況下，添加機率性連接允許待作出關於指紋FP A及處理步驟(RTP)之(很可能)存在的推斷，即使在物件資料及/或內容脈絡資料不可用以直接觀測到其時。此本質上在可缺乏其他資訊的晶圓變形子域內可有用。其之有用之處亦可在於：至又其他子域(未說明)之連接可利用該資訊。此資訊之有用性可同樣用於突顯很可能或可能的原因，且用於展示出表觀很可能原因並非很可能為本內容背景中的原因。

利用額外知識之另一模式係藉由將子域連接成全域模型而獲得。來自另一子域之資訊可用以在特定量測資料用於另一子域中時降權該特定量測資料。在使用圖7至圖12中所說明之子域之實例的情況下，在已知哪些對準標記量測及/或哪些疊對度量衡目標歸因於所懷疑標記變形而不可靠的情況下，晶圓變形之模型化將得以改良。更具體言之，藉由估計某一對準標記或疊對度量衡目標變形且拾取標記變形而非晶圓變形的可能性，系統或系統操作者可降權此標記量測對總計算校正之影響。依據圖3之微影設備及方法，在步驟S11中產生之校正可指定在未來操作中哪些量測會降權。

此應用為Lyulina等人之諸如US2012218533A1及US2015146188A1的先前已公開申請案中所揭示之技術的延伸。US2012218533A1揭示使用徑向基底函數(RBF)模型來校正對準之方法，該等RBF模型包括「鬆弛」函數以用於縮減對經量測標記之中之離群值之易感性。US2015146188A1揭示用於判定特定標記在對準方面之有用性的方法。此等公開案之內容特此係以引用方式併入。本文中所描述之延伸內容允許使降低加權待基於對標記變形影響特定量測之機率的估計，而非嘗試自單獨量測(物件資料)自身判斷何者為離群值。舉例而言，若一樣本為相比於擬合至資料之模型具 有高殘差值的離群值，則該樣本通常可被識別為懷疑者。本文中所揭示之延伸方法可識別及降權某一標記，即使該標記在物件資料之面上恰巧不為離群值亦如此。此識別及降權係基於關於來自全域網路中之另一子域的標記之可靠度之證據。以此方式降權不限於診斷資訊係用於疵點診斷之實例。在此內容背景中之診斷資訊可具有變化形式及目的：其是隱含地抑或明確地將所觀測到行為與可能的或很可能的原因連接。術語「診斷資訊」涵蓋例如待控制在後續處理中經施加至基板之圖案的位置時應用之對準校正，而不管是否作出關於誤差之根本原因之任何作用或結論。術語「診斷資訊」亦涵蓋用於根本原因之校正的資訊，而不管其是否以任何報告之形式被輸出給操作者。

圖12說明自圖11之情境的進一步發展。在進一步調查之後，操作者被告知所使用之CVD工具係在規格內。因此，向CVD變數節點強加NU(0%)。作出最新的推斷830、832及834以將此新知識傳播通過網路。因此，晶圓變形之機率減低，指紋A存在之機率減低，且RTP為誤差之潛在原因之機率亦減低。再次，吾人看到，該網路允許汲取在其他方面將需要額外觀測的推斷。

眾多其他情境當然係可能的，且根據可用知識，可以許多方式且在任何數目個不同域之間產生機率性連接之網路。連接之選擇所隱含之知識可為現今存在的專家知識，但迄今在自動化諮詢或自動化控制器中尚不具有定量及穩固表達方式。在無專家知識的情況下亦可由該系統獲悉哪些連接為或可相關於總體製程效能之知識。

為了建置網路結構(與填充網路之連接機率形成對比)，域專家可依賴於其域知識以選擇被認為係節點之有前景的輸入變數，該等輸入變數將把 資訊饋入至網路中。此等變數可為內容脈絡層、觀測層及/或解釋層中之變數。

由於參數空間中之可用內容脈絡資料通常係巨大的，故域專家除了利用其域先驗知識以外亦可借助於(相互作用之)資料採擷工具探索可用內容脈絡資料以自動發現資料中之可充當有前景的輸入節點之局域模型。舉例而言，若借助於圖案採擷，某處理工具或處理工具之集合看來常常伴隨「有疵點晶圓」出現，則此等有疵點晶圓為用於供觀測之網路之潛在所關注變數，且因此作為輸入節點添加至該網路。人類專家無需知曉為何或如何可牽涉該等有疵點晶圓：知曉可在根本原因分析中值得包括許多可能變數中之哪些本質上係有價值的。

圖13簡單地說明藉由將新局域模型併入至具有現有局域模型之機率性網路中而再用許多資料及學習的能力。診斷系統與圖6中所展示之診斷系統相同，惟第三子子系統DOM-C已由另一個DOM-D替換除外。此可由於產品類型之小改變，或正使用使子系統DOM-C之物件資料冗餘的新工具。如在引言中所提及，此情境當前常常涉及捨棄幾乎所有的診斷資訊且從頭開始。此係效率低的且可使產率降級且增加引入新產品的成本。圖13說明機率性連接如何仍可允許在新局域系統中再用及不浪費來自其他子域之知識。

為了實施此再用，網路之設計者決定儘管與新子域D相關聯之製程或產品不同於與舊子域C相關聯之製程或產品，但可假定一些相似性。舉例而言，內容脈絡變數D1可相似於圖6中之變數C2。該等變數可與相同工具之使用相關，但產品已改變，或其可與總體生產製程內之層及步驟之某子集相關。根據此觀測，可添加具有條件機率P(D1｜B-A1)=d之連接902， 以自先驗學習及自其他子系統(局域模型)DOM-A及DOM-B中之知識立即受益。由於添加了新產品或製程之體驗，故當然可調整此連接之機率。可藉由以與上文所描述相同之方式允用及停用所添加連接而測試該所添加連接之值。

硬體實施

可在任何通用資料處理硬體(電腦)內自動化上文所描述之方法之步驟，只要該通用資料處理硬體存取物件資料且視需要存取效能資料及內容脈絡資料即可。該設備可與諸如圖1所展示之微影設備控制單元LACU或總製程控制系統之現有處理器整合。硬體可處於處理設備之遠端，甚至位於不同國家中。圖14展示合適資料處理設備(DPA)之組件。該設備可經配置以載入包含電腦可執行碼之電腦程式產品。此情形可在下載電腦程式產品時使電腦總成能夠實施如上文所描述之PCA設備及/或RCA設備之功能。

連接至處理器1227之記憶體1229可包含數個記憶體組件，比如硬碟1261、唯讀記憶體(ROM)1262、電可抹除可程式化唯讀記憶體(EEPROM)1263，及隨機存取記憶體(RAM)1264。並不需要皆存在所有前述記憶體組件。此外，前述記憶體組件不必實體地緊鄰處理器1227或彼此緊鄰。其可經定位成相隔一距離。

處理器1227亦可連接至某種類之使用者介面，例如鍵盤1265或滑鼠1266。亦可使用為熟習此項技術者所知之觸控螢幕、軌跡球、語音轉換器或其他介面。

處理器1227可連接至讀取單元1267，讀取單元1267經配置以自資料載體(比如軟碟1268或CDROM 1269)讀取(例如)呈電腦可執行碼之形式的 資料，且在一些情況下將資料儲存於資料載體(比如軟碟1268或CDROM 1269)上。亦可使用熟習此項技術者所知之DVD或其他資料載體。

處理器1227亦可連接至印表機1270以在紙張上印出輸出資料，以及連接至熟習此項技術者所知的任何其他類型之顯示器的顯示器1271，例如監視器或液晶顯示器(Liquid Crystal Display；LCD)。

處理器1227可藉由負責輸入/輸出(I/O)之傳輸器/接收器1273而連接至通信網路1272，例如，公眾交換式電話網路(PSTN)、區域網路(LAN)、廣域網路(WAN)等等。處理器1227可經配置以經由通信網路1272與其他通信系統通信。在本發明之一實施例中，外部電腦(圖中未繪示)(例如，操作者之個人電腦)可經由通信網路1272而登入至處理器1227中。

處理器1227可被實施為獨立系統或被實施為並行地操作之數個處理單元，其中每一處理單元經配置以執行較大程式之子任務。亦可將處理單元劃分成一或多個主處理單元與若干子處理單元。處理器1227之一些處理單元可甚至經定位成與其他處理單元相隔一距離且經由通信網路1272進行通信。可使模組之間的連接有線的或無線的。

電腦系統可為經配置以執行此處所論述之功能的具有類比及/或數位及/或軟體技術之任何信號處理系統。

結論

本文中所揭示之技術帶來迄今為止在自動化或半自動化診斷系統內不可得到的數個益處。此等益處在上文被提及，且可被概括地逐條列舉如下。

- 藉由機率性地組合局域模型而非嘗試使在一個模型中包括所有變 數，總體推斷保持為易處理的。

- 網路結構可基於關於局域模型及其相互作用之域知識。

- 局域模型可經組合以給出潛在根本原因之可能性的較「整體」估計，包括關於涉及潛在因子之不確定度。

- 隨著自其他使用狀況獲得更多資料或更多知識，診斷資訊之品質提昇(不確定度得以縮減)；若資料不可靠、有雜訊或相衝突，則先驗知識(歷史物件資料或專家領域知識)占主導。

- 系統操作者將以貫穿生產設施及製程之內容脈絡因子通常相互作用且與產品上效能參數相關之方式逐步地建置「知識庫」。此建置允許將來自許多不同使用狀況之資料及試探法縮合成全域推理模型。此機率性專家系統隨著不同情境之體驗隨著時間推移積聚將變得較準確及較完整。

- 該系統在不同自動化程度上適用。第一使用可能例如作為用於場服務中之決策支援的諮詢系統。一旦模型被認為足夠準確，其就可被提昇為最佳控制策略之部分，從而直接控制微影工具及其他處理之參數。關於設備之一些參數可直接被控制，其他參數經由用於微影、度量衡等等之配方進行控制。

- 在微影工具中，當前取決於相關廠房及掃描器變數的在線校正之最佳化為難題，且需要關於變數相互作用之離線引出之先驗知識與來自微影工具(200)及度量衡設備(240)之在線度量衡的組合。識別影響所得產品單元之效能之相關變數係找到最佳化控制動作的關鍵。

- 該系統最終可用以建議針對某一使用狀況如何將來自微影工具之許多不同子系統之量測組合成最佳校正之一個集合。

診斷系統之可能的應用在以上描述中被提及，且可被逐條列舉及概 述如下：

- 使處理工具使用與疊對誤差(尤其是場間指紋)相關且最佳化處理工具之選路及調諧。

- 將晶圓在線映射至內容脈絡特定控制執行緒。

- 在線抑制對晶圓量測之非想要貢獻(雜訊；標記/目標不對稱性)。更具體言之，藉由估計某一對準標記或疊對度量衡目標變形且拾取標記變形而非晶圓變形的可能性，系統或系統操作者可降權此標記量測對總計算校正之影響。

- 運用關於生產設施處之產品單元所量測之效能資料進行疊對損失之根本原因分析。

- 機器診斷學--評估哪些因子很可能為微影工具或度量衡設備操作故障或中斷的原因。儘管以上實例主要係關於產品效能，但本發明之原理亦相關於及適用於諸如微影工具自身之處理設備之操作診斷學。後果可影響維護進度及/或重新設計。

如本文中所使用之術語「產品單元」並不暗示此等單元最終意欲被完成及被商業出售，亦根本不暗示其為均勻功能產品。術語「產品單元」應被理解為包括純粹出於開發或診斷目的而設計及/或處理的產品單元。

在以下經編號條項中揭示了本發明之另外實施例：

1.一種供關於一工業製程使用之診斷系統，該系統實施包含兩個或多於兩個子域之一網路，其中該等子域中之至少一第一子域包含藉由對第一物件資料之分析而提取之第一診斷資訊，該第一物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第一集合而量測之一或多個第一參數， 其中該等子域中之至少一第二子域包含藉由對第二物件資料之分析而提取之第二診斷資訊，該第二物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第二集合而量測之一或多個第二參數，且其中該網路進一步包含自該第一子域中之一第一變數至該第二子域中之一第二變數的至少一個機率性連接，該第二診斷資訊之部分藉此機率性地受到該第一診斷資訊內之知識影響。

2.如條項1之診斷系統，其中該網路包含一定向非循環曲線圖。

3.如條項1或2之診斷系統，其中該網路包括該第一子域內及/或該第二子域內之變數之間的另外一或多個機率性連接。

4.如條項1、2或3之診斷系統，其中該診斷系統經配置以使用該網路執行一或多個貝氏推斷步驟，使得該第一子域內之一變數受自該第二子域內部進行之信念之傳播影響。

5.如條項1至4中任一項之診斷系統，其中該第一變數表示在該第一物件資料中觀測到之一空間指紋。

6.如條項5之診斷系統，其中該空間指紋係藉由對該第一物件資料執行一多變量分析而導出。

7.如條項1至6中任一項之診斷系統，其中該第一變數包含內容脈絡資料之一片段，其表示如應用於每一個別產品單元之該工業製程之一參數。

8.如條項7之診斷系統，其中在該第一診斷子域中，該系統經配置以藉由識別在該第一物件資料中觀測到之一空間指紋與該內容脈絡資料之該片段之間的相關性而至少部分地提取該第一診斷資訊。

9.如條項5至8中任一項之診斷系統，其中該第一子域中之一空間 指紋的重要性係基於在該第二子域中獲得之診斷資訊而縮減。

10.如條項1至9中任一項之診斷系統，其中用於該第一子域中之某些量測的重要性係基於在該第二子域中獲得之診斷資訊而選擇性地縮減。

11.如條項1至10中任一項之診斷系統，其適用於在以下情形下使用：其中該工業製程包含對呈基板形式之產品單元執行的一連串一或多個微影處理步驟，且其中該第一變數及/或該第二變數包括位置偏差，該等位置偏差在該微影圖案化操作之執行時在橫越每一基板空間地分佈之部位處經自動地量測。

12.如條項11之診斷系統，其中該物件資料包括對疊對、臨界尺寸、側壁角、晶圓品質、焦點中之一或多者之空間地分佈之量測。

13.如前述條項中任一項之診斷系統，其中在該第一子域及該第二子域中之至少一者中的該分析進一步包括表示針對每一產品單元所量測之一或多個效能參數的效能資料。

14.一種用於一工業製程之診斷系統，該診斷系統包含：一第一子域，其包含第一診斷資訊，該第一診斷資訊基於關於一第一產品單元所量測之一或多個第一參數而將機率性第一內容脈絡資料與該第一產品單元相關聯；及與該第一診斷子域相異的一第二子域，該第二診斷子域包含第二診斷資訊，該第二診斷資訊基於關於一第二產品單元所量測之一或多個第二參數而將機率性第二內容脈絡資料與該第二產品單元相關聯，其中該診斷系統進一步包含該第一診斷子域與該第二診斷子域之間的一介面，該介面經組態以實施該第一內容脈絡資料與該第二產品單元之間的一機率性連接。

15.如條項1至14中任一項之診斷系統，其中該第二變數表示該第二物件資料中之一空間指紋。

16.如條項1至15中任一項之診斷系統，其中該第一變數形成該第一診斷子域內之一解釋節點。

17.如條項1至16中任一項之診斷系統，其中該第二變數形成該第二診斷子域內之一解釋節點。

18.如前述條項中任一項之診斷系統，其中在該第一子域及該第二子域中之至少一者中的該分析進一步包括表示如應用於每一個別產品單元之該工業製程之一或多個參數的內容脈絡資料，且該診斷系統經進一步配置以使用該內容脈絡資料提取診斷資訊。

19.如條項18之診斷系統，其中藉由該等機率性連接之操作，基於該第一子域及該第二子域中之一者中的內容脈絡資料之一分析經配置以傳播至該等子域中之另一者中。

20.如條項18或19之診斷系統，其經配置以藉由識別基於該等分量向量而對所關注產品單元之識別與該內容脈絡資料中之一或多個參數之間的相關性而至少部分地提取該診斷資訊。

21.如前述條項中任一項之診斷系統，其適用於在以下情形下使用：其中該工業製程包括藉由不同個別處理設備對不同個別產品單元執行一或多個微影、物理及/或化學操作，且其中該內容脈絡資料包括識別用於一給定操作之該個別處理設備之至少一個參數。

22.一種用於一工業製程之診斷方法，該方法包含：實施一第一子域，該第一子域包含第一診斷資訊，該第一診斷資訊基於關於一第一產品單元所量測之一或多個第一參數而將機率性第一內容 脈絡資料與該第一產品單元相關聯；實施與該第一診斷子域相異的一第二子域，該第二診斷子域包含第二診斷資訊，該第二診斷資訊基於關於一第二產品單元所量測之一或多個第二參數而將機率性第二內容脈絡資料與該第二產品單元相關聯；及實施該第一內容脈絡資料與該第二產品單元之間的一機率性連接。

23.一種獲得關於一工業製程之診斷資訊之方法，該方法包含：實施一第一子域，該第一子域包含藉由對第一物件資料之分析而提取之第一診斷資訊，該第一物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第一集合而量測之一或多個第一參數；實施一第二子域，該第二子域包含藉由對第二物件資料之分析而提取之第二診斷資訊，該第二物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第二集合而量測之一或多個第二參數；實施一網路，該網路包含自該第一診斷子域中之一第一變數至該第二診斷子域中之一第二變數的至少一個機率性連接，藉以該第二診斷資訊機率性地受該第一診斷資訊內之知識影響。

24.如條項23之方法，其中該網路包含一定向非循環曲線圖。

25.如條項23或24之方法，其中該網路包括該第一子域內及/或該第二子域內之變數之間的另外一或多個機率性連接。

26.如條項23、24或25之方法，其中使用該網路執行一或多個貝氏推斷步驟，使得該第一子域內之一變數受自該第二子域內部進行之信念之傳播影響。

27.如條項23至26中任一項之方法，其中該第一變數表示在該第一物件資料中觀測到之一空間指紋。

28.如條項27之方法，其中該空間指紋係藉由對該第一物件資料執行一多變量分析而導出。

29.如條項23至28中任一項之方法，其中該第一變數包含內容脈絡資料之一片段，其表示如應用於每一個別產品單元之該工業製程之一參數。

30.如條項29之方法，其中在該第一診斷子域中，該系統經配置以藉由識別在該第一物件資料中觀測到之一空間指紋與該內容脈絡資料之該片段之間的相關性而至少部分地提取該第一診斷資訊。

31.如條項23至30中任一項之方法，其中該第二變數表示該第二物件資料中之一空間指紋。

32.如條項23至31中任一項之方法，其中該第一變數形成該第一診斷子域內之一解釋節點。

33.如條項23至32中任一項之方法，其中該第二變數形成該第二診斷子域內之一解釋節點。

34.如條項27至33中任一項之方法，其中該第一子域中之一空間指紋的重要性係基於在該第二子域中獲得之診斷資訊而縮減。

35.如條項22至34中任一項之方法，其中用於該第一子域中之某些量測的重要性係基於在該第二子域中獲得之診斷資訊而選擇性地縮減。

36.如條項23至35中任一項之方法，其中該工業製程包含對呈基板形式之產品單元執行的一連串一或多個微影處理步驟，且其中該第一變數及/或該第二變數包括位置偏差，該等位置偏差在該微影圖案化操作之執行時在橫越每一基板空間地分佈之部位處經自動地量測。

37.如條項36之方法，其中該物件資料包括對疊對、臨界尺寸、側 壁角、晶圓品質、焦點中之一或多者之空間地分佈之量測。

38.如條項23至37中任一項之方法，其中在該第一子域及該第二子域中之至少一者中的該分析進一步包括表示針對每一產品單元所量測之一或多個效能參數的效能資料。

39.如條項23至38中任一項之方法，其中在該第一子域及該第二子域中之至少一者中的該分析進一步包括表示如應用於每一個別產品單元之該工業製程之一或多個參數的內容脈絡資料，該方法進一步包含使用該內容脈絡資料提取診斷資訊。

40.如條項39之方法，其中藉由該等機率性連接之操作，基於該第一子域及該第二子域中之一者中的內容脈絡資料之一分析經傳播至該等子域中之另一者中。

41.如條項39或40之方法，其中藉由識別基於該等分量向量而對所關注產品單元之識別與該內容脈絡資料中之一或多個參數之間的相關性而至少部分地提取該診斷資訊。

42.如條項22至41中任一項之方法，其中該工業製程包括藉由不同個別處理設備對不同個別產品單元執行一或多個微影、物理及/或化學操作，且其中該內容脈絡資料包括識別用於一給定操作之該個別處理設備之至少一個參數。

43.一種控制一微影設備之方法，其中基於診斷資訊來應用校正，該診斷資訊係使用一如條項1至21中任一項之診斷系統或使用一如條項22至42中任一項之方法而自物件資料提取。

44.一種用於一微影設備之控制器，該控制器包括一如條項1至21中任一項之診斷系統，該控制器經配置以使用診斷資訊以在將一圖案施加至 一基板時應用校正，該診斷資訊係使用該診斷系統自物件資料提取。

45.一種控制使產品單元經受一或多個處理操作的一工業製程之方法，該方法包含以下步驟：- 量測已經受該等處理操作中之一些或全部之複數個產品單元，以獲得針對每一產品單元表示對橫越該產品單元而空間地分佈之點處的該產品單元所量測之一或多個參數之物件資料；- 使用該物件資料以使用一如條項1至21中任一項之診斷系統及/或一如條項22至43中任一項之方法而獲得診斷資訊；及- 基於該經提取診斷資訊而針對後續產品單元來控制該工業製程之執行。

46.如條項45之方法，其中該工業製程為用於半導體器件之製造之一微影製程，該等處理操作包括微影圖案化操作及一或多個物理及/或化學處理操作，該等產品單元包含基板，其中該物件資料包括在該等微影圖案化操作中之至少一者期間自該等基板量測之對準資料。

47.如條項45或46之方法，其中該工業製程為用於半導體器件之該製造之一微影製程，該等處理操作包括微影圖案化操作及一或多個物理及/或化學處理操作，該等產品單元包含基板，其中控制該工業製程之該效能之該步驟包括將對準校正選擇性地應用於該等微影圖案化操作中之至少一者中。

48.如條項45、46或47之方法，其中該工業製程為用於半導體器件之該製造之一微影製程，該等處理操作包括微影圖案化操作及一或多個物理及/或化學處理操作，該等產品單元包含基板，其中該物件資料包括在執行該等微影圖案化操作中之至少一者之後自該等基板量測的至少一個效 能參數。

49.一種用於使產品單元經受一或多個處理操作的一工業製程之控制系統，該控制器包含：- 用於物件資料之儲存器，該物件資料表示對已經受該等處理操作中之一些或全部的複數個產品單元量測之一或多個參數，該等參數係在橫越該產品單元空間地分佈之點處予以量測；- 一處理器，其用於使用該物件資料以藉由一如條項22至43及45至48中任一項之方法來獲得診斷資訊；及- 一控制器，其用於基於該經提取診斷資訊而針對後續產品單元來控制該工業製程之該效能。

50.一種電腦程式產品，其包含用於致使一通用資料處理設備實施一如條項1至21及44中任一項之診斷系統及/或一如條項22至43及45至48中任一項之方法及/或一如條項49之控制系統之處理器的機器可讀指令。

51.如條項50之電腦程式產品，其進一步包含用於致使該資料處理設備藉由以下操作產生校正資料及校正準則的機器可讀指令：實施一如條項1至21及44中任一項之診斷系統及/或一如條項22至43及45至48中任一項之方法及/或一如條項49之控制系統。

儘管在本文中可特定地參考微影設備在IC製造中之使用，但應理解，本文中所描述之微影設備可具有其他應用，諸如製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、平板顯示器、液晶顯示器(LCD)、薄膜磁頭等等。如已經提及，本發明可應用於與微影完全分離之工業處理應用中。實例可能在生產光學組件、汽車製造及構造中-其中用於複雜製程之診斷系統可基於數個局域模型的任何數目個應用。與在微影 之實例中一樣，一或多個子域中之量測之集合可經受多變量分析。

儘管上文可特定地參考在光學微影之內容背景中對本發明之實施例之使用，但應瞭解，本發明可用於其他類型之微影(例如壓印微影)中，且在內容背景允許時不限於光學微影。在壓印微影中，圖案化器件中之構形界定產生於基板上之圖案。可將圖案化器件之構形壓入至被供應至基板之抗蝕劑層中，在基板上，抗蝕劑係藉由施加電磁輻射、熱、壓力或其組合而固化。在抗蝕劑固化之後，將圖案化器件移出抗蝕劑，從而在其中留下圖案。

本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外線(UV)輻射(例如，具有為或為約365奈米、248奈米、193奈米、157奈米或126奈米之波長)及極紫外線(EUV)輻射(例如，具有在5奈米至20奈米之範圍內之波長)，以及粒子束，諸如離子束或電子束。

以上之描述意欲為說明性，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精神及範疇的情況下對所描述之本發明進行修改。另外，應瞭解，本文中之任一實施例中所展示或描述之結構特徵或方法步驟亦可用於其他實施例中。

Claims (15)

1. 一種供關於一工業製程使用之診斷系統，該系統實施包含兩個或多於兩個子域(sub-domains)之一網路，其中該等子域中之至少一第一子域包含藉由對第一物件資料之分析而提取之第一診斷資訊，該第一物件資料表示關於已標稱地(nominally)經受彼此相同之工業製程的產品單元之一第一集合而量測之一或多個第一參數，其中該等子域中之至少一第二子域包含藉由對第二物件資料之分析而提取之第二診斷資訊，該第二物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第二集合而量測之一或多個第二參數，且其中該網路進一步包含自該第一子域中之一第一變數至該第二子域中之一第二變數的至少一個機率性(probabilistic)連接，該第二診斷資訊之部分藉此機率性地受到該第一診斷資訊內之知識影響。
2. 如請求項1之診斷系統，其中該網路包含一定向非循環曲線圖(directed acyclic graph)。
3. 如請求項1之診斷系統，其中該網路包括該第一子域內及/或該第二子域內之變數之間的另外一或多個機率性連接。
4. 如請求項1之診斷系統，其中該診斷系統經配置以使用該網路執行一或多個貝氏推斷(Bayesian inference)步驟，使得該第一子域內之一變數受自該第二子域內部進行之信念之傳播影響。
5. 如請求項1之診斷系統，其中該第一變數表示在該第一物件資料中觀測到之一空間指紋。
6. 如請求項5之診斷系統，其中該空間指紋係藉由對該第一物件資料執行一多變量分析而導出。
7. 如請求項1之診斷系統，其中該第一變數包含內容脈絡資料之一片段，其表示如應用於每一個別產品單元之該工業製程之一參數。
8. 如請求項7之診斷系統，其中在該第一診斷子域中，該系統經配置以藉由識別在該第一物件資料中觀測到之一空間指紋與該內容脈絡資料之該片段之間的相關性而至少部分地提取該第一診斷資訊。
9. 如請求項5之診斷系統，其中該第一子域中之一空間指紋的重要性係基於在該第二子域中獲得之診斷資訊而縮減。
10. 如請求項1之診斷系統，其中用於該第一子域中之某些量測的重要性係基於在該第二子域中獲得之診斷資訊而選擇性地縮減。
11. 如請求項1之診斷系統，其適用於在以下情形下使用：其中該工業製程包含對呈基板形式之產品單元執行的一連串一或多個微影處理步驟，且其中該第一變數及/或該第二變數包括位置偏差，該等位置偏差在該微影圖案化操作之執行時在橫越每一基板空間地分佈之部位處經自動地量測。
12. 如請求項11之診斷系統，其中該物件資料包括對疊對、臨界尺寸、側壁角、晶圓品質、焦點中之一或多者之空間地分佈之量測。
13. 如請求項1之診斷系統，其中在該第一子域及該第二子域中之至少一者中的該分析進一步包括表示針對每一產品單元所量測之一或多個效能參數的效能資料。
14. 一種獲得關於一工業製程之診斷資訊之方法，該方法包含：實施一第一子域，該第一子域包含藉由對第一物件資料之分析而提取之第一診斷資訊，該第一物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第一集合而量測之一或多個第一參數；實施一第二子域，該第二子域包含藉由對第二物件資料之分析而提取之第二診斷資訊，該第二物件資料表示關於已標稱地經受彼此相同之工業製程的產品單元之一第二集合而量測之一或多個第二參數；實施一網路，該網路包含自該第一診斷子域中之一第一變數至該第二診斷子域中之一第二變數的至少一個機率性連接，藉以該第二診斷資訊機率性地受該第一診斷資訊內之知識影響。
15. 如請求項14之方法，其中使用該網路執行一或多個貝氏推斷步驟，使得該第一子域內之一變數受自該第二子域內部進行之信念之傳播影響。