TWI681250B - 獲得輔助特徵之特性的方法及電腦程式產品 - Google Patents

獲得輔助特徵之特性的方法及電腦程式產品 Download PDF

Info

Publication number
TWI681250B
TWI681250B TW107116367A TW107116367A TWI681250B TW I681250 B TWI681250 B TW I681250B TW 107116367 A TW107116367 A TW 107116367A TW 107116367 A TW107116367 A TW 107116367A TW I681250 B TWI681250 B TW I681250B
Authority
TW
Taiwan
Prior art keywords
image
characteristic
feature
auxiliary
features
Prior art date
Application number
TW107116367A
Other languages
English (en)
Other versions
TW201901285A (zh
Inventor
蘇靜
鄒毅
林晨希
宇 曹
彥文 盧
陳炳德
張權
斯坦尼斯拉斯 雨果 路易斯 巴倫
亞 羅
Original Assignee
荷蘭商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 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW201901285A publication Critical patent/TW201901285A/zh
Application granted granted Critical
Publication of TWI681250B publication Critical patent/TWI681250B/zh

Links

Images

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
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

本發明揭示一種方法，其包括：獲得一設計佈局之一部分；基於該部分或該部分之特性判定輔助特徵之特性；及使用包含一樣本之訓練資料來訓練一機器學習模型，該樣本之特徵向量包含該部分之該等特性且該樣本之標籤包含該等輔助特徵之該等特性。該機器學習模型可用以判定一設計佈局之任何部分的輔助特徵之特性，即使彼部分並非該訓練資料之部分。

Description

獲得輔助特徵之特性的方法及電腦程式產品
本文中之描述係關於微影裝置及製程，且更特定言之係關於一種用以將輔助特徵置放至設計佈局中之工具及方法。
微影裝置可用於例如積體電路(IC)或其他器件之製造中。在此狀況下，圖案化器件(例如光罩)可含有或提供對應於器件(「設計佈局」)之個別層之圖案，且可藉由諸如經由圖案化器件上之圖案來輻照已經塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)之方法而將此圖案轉印至該目標部分上。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影裝置順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影裝置中，將整個圖案化器件上之圖案一次性轉印至一個目標部分上；此裝置通常被稱作步進器。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地移動基板。圖案化器件上之圖案之不同部分逐漸地轉印至一個目標部分。一般而言，由於微影裝置將具有放大因數M(通常<1)，故基板被移動之速度F將為投影光束掃描 圖案化器件之速度的因數M倍。
在將圖案自圖案化器件轉印至器件製造製程之基板之器件製作工序之前，基板可經歷器件製造製程之各種器件製作工序，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受器件製造製程之其他器件製作工序，諸如曝光後烘烤(PEB)、顯影，及硬烘烤。此器件製造工序陣列係用作製造器件(例如IC)之個別層之基礎。基板可接著經歷器件製造製程之各種器件製造工序，諸如，蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等，該等工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製程或其變體。最終，在基板上之每一目標部分中將存在一器件。若存在複數個器件，則接著藉由諸如切塊或鋸切之技術將此等器件彼此分離，據此，可將個別器件安裝於載體上、連接至銷釘，等。
因此，製造諸如半導體器件之器件通常涉及使用數個製造製程來處理基板(例如半導體晶圓)以形成該等器件之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械拋光及離子植入來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製造多個器件，且接著將該等器件分離成個別器件。此器件製造製程可被認為是圖案化製程。圖案化製程涉及圖案化步驟，諸如使用微影裝置之光學或奈米壓印微影，以在基板上提供圖案且通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影裝置之抗蝕劑顯影、使用烘烤工具烘烤基板、使用蝕刻裝置使用圖案進行蝕刻等。另外，通常在圖案化製程中涉及一或多個度量衡製程。
本文中揭示一種方法，其包含：獲得一設計佈局之一部 分；基於該部分或該部分之特性判定輔助特徵之特性；使用一電腦使用包含一樣本之訓練資料來訓練一機器學習模型，該樣本之特徵向量包含該部分之該等特性且該樣本之標籤包含該等輔助特徵之該等特性。
根據一實施例，該設計佈局係一二元設計佈局或一連續色調設計佈局。
根據一實施例，該部分之該等特性包含該部分中之圖案的幾何特性、該部分中之該等圖案的統計特性、該部分之參數化，或自該部分導出之一影像。
根據一實施例，該部分之該參數化係該部分在一或多個基底函數上之一投影。
根據一實施例，該影像係一像素化影像、一二元影像或一連續色調影像。
根據一實施例，該等輔助特徵之該等特性包含該等輔助特徵之幾何特性、該等輔助特徵之統計特性，或該等輔助特徵之參數化。
根據一實施例，該影像係該部分之一像素化影像，其中該像素化影像係關於與該部分之一特徵對準之一參考物。
本文中揭示一種方法，其包含：獲得一設計佈局之一部分或該部分之一特性；使用一電腦使用一機器學習模型基於該部分或該部分之該等特性而獲得用於該部分之輔助特徵之特性。
根據一實施例，該部分之該等特性包含該部分中之圖案的幾何特性、該部分中之圖案的統計特性、該部分中之圖案的參數化，或自該部分導出之一影像。
根據一實施例，該部分之該參數化係該部分在一或多個基 底函數上之一投影。
根據一實施例，該影像係一像素化影像、一二元影像或一連續色調影像。
根據一實施例，該影像係將該部分中之一圖案之一邊緣用作一參考物而像素化的一影像。
根據一實施例，該等輔助特徵之該等特性包含該等輔助特徵之幾何特性、該等輔助特徵之統計特性，或該等輔助特徵之參數化。
根據一實施例，該方法進一步包含在一微影製程中使用該設計佈局之該部分及該等輔助特徵來圖案化一基板。
根據一實施例，該方法進一步包含將輔助特徵之該等特性用作用於一最佳化器或一解析度增強技術之一初始條件。
根據一實施例，該方法進一步包含運算指示該等輔助特徵之該等特性之可信度的一信賴度量。
根據一實施例，該等特性包含該等輔助特徵之一二元影像，且該信賴度量指示該二元影像之任一色調之一機率。
根據一實施例，該機器學習模型係機率性的，且其中該信賴度量包含遍及一類別集合之一機率分佈。
根據一實施例，該信賴度量表示該設計佈局之該部分與用以訓練該機器學習模型之訓練資料之間的一相似度。
根據一實施例，當該信賴度量未能滿足一條件時，該方法進一步包含使用包含該部分之該等特性之訓練資料來再訓練該機器學習模型。
根據一實施例，當該信賴度量未能滿足一條件時，該方法 進一步包含藉由不使用該機器學習模型之一方法來判定該等輔助特徵。
根據一實施例，基於該機器學習模型之一輸出來運算該信賴度量。
本文中揭示一種電腦程式產品，其包含其上經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本文中之一方法。
10A‧‧‧微影投影裝置
12A‧‧‧輻射源
14A‧‧‧光學件/組件
16Aa‧‧‧光學件/組件
16Ab‧‧‧光學件/組件
16Ac‧‧‧光學件/組件
18A‧‧‧圖案化器件
20A‧‧‧可調整濾光器或孔徑
21‧‧‧輻射光束
22‧‧‧琢面化場鏡面器件
22A‧‧‧基板平面
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
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(ROM)
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‧‧‧網路鏈路
122‧‧‧網路
124‧‧‧主機電腦
126‧‧‧網際網路服務提供者(ISP)
128‧‧‧網際網路
130‧‧‧伺服器
210‧‧‧極紫外線(EUV)輻射發射電漿/極熱電漿
211‧‧‧特性/處理參數(圖3)/源腔室(圖8)
212‧‧‧設計佈局參數(圖3)//收集器腔室/(圖8)
213‧‧‧運算或經驗模型
220‧‧‧圍封結構
221‧‧‧開口
230‧‧‧污染物截留器/污染截留器/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
505‧‧‧設計佈局之部分
510‧‧‧特性
520‧‧‧工序
530‧‧‧特性
533‧‧‧部分
534‧‧‧設計佈局
535‧‧‧特性
540‧‧‧訓練資料
550‧‧‧工序
560‧‧‧機器學習模型
570‧‧‧工序
580‧‧‧特性
585‧‧‧信賴度量
586‧‧‧選用工序
587‧‧‧選用工序
590‧‧‧選用工序
600‧‧‧特徵
601‧‧‧參考物
602‧‧‧參考物
603‧‧‧像素化影像
604‧‧‧像素化影像
700‧‧‧特徵
710‧‧‧參考物
720‧‧‧像素化影像
730‧‧‧形狀
740‧‧‧合併形狀
1000‧‧‧微影投影裝置
AD‧‧‧調整器
B‧‧‧輻射光束
BD‧‧‧光束遞送系統/導向鏡
BK‧‧‧烘烤板
C‧‧‧目標部分
CH‧‧‧冷卻板
CO‧‧‧聚光器/收集器光學件
DE‧‧‧顯影器
IF‧‧‧干涉計(圖6)/虛擬源點/中間焦點(圖8)
IL‧‧‧照明系統/照明器/照明光學件單元
IN‧‧‧積光器
I/O1‧‧‧輸入/輸出埠
I/O2‧‧‧輸入/輸出埠
LA‧‧‧微影裝置
LACU‧‧‧微影控制單元
LB‧‧‧裝載匣
LC‧‧‧微影製造單元
M1‧‧‧圖案化器件對準標記
M2‧‧‧圖案化器件對準標記
MA‧‧‧圖案化器件
MT‧‧‧第一物件台/圖案化器件台/支撐結構
O‧‧‧光軸
P1‧‧‧基板對準標記
P2‧‧‧基板對準標記
PM‧‧‧第一定位器
PS‧‧‧項目/投影系統
PS1‧‧‧位置感測器
PS2‧‧‧位置感測器
PW‧‧‧第二定位器
RO‧‧‧基板處置器或機器人
SC‧‧‧旋塗器
SCS‧‧‧監督控制系統
SO‧‧‧輻射源/源收集器模組
TCU‧‧‧塗佈顯影系統控制單元
W‧‧‧基板
WT‧‧‧第二物件台/基板台
圖1為微影系統之各種子系統的方塊圖。
圖2示意性地描繪微影製造單元或叢集之一實施例。
圖3示意性地描繪將輔助特徵(連接至主特徵之輔助特徵或獨立輔助特徵)置放至設計佈局中之方法。
圖4A及圖4B示意性地展示根據一實施例的用於使用機器學習模型來置放輔助特徵之方法的流程。
圖4C示意性地展示將設計佈局之邊緣用作參考物之像素化的更多細節。
圖4D示意性地展示可使用對準至特徵之邊緣中之每一者的參考物來判定特徵之像素化影像。
圖5為實例電腦系統之方塊圖。
圖6為微影投影裝置之示意圖。
圖7為另一微影投影裝置之示意圖。
圖8為圖7中之裝置的更詳細視圖。
隨著半導體或其他器件製造製程繼續進步，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。在目前先進技術下，使用微影裝置來製造器件層，該微影裝置使用來自深紫外線(例如193奈米)照明源或極紫外線(例如13.52奈米)照明源之照明將設計佈局投影至基板上，從而產生尺寸充分地低於30奈米之個別功能元件。
供印刷尺寸小於微影裝置之經典解析度極限之特徵的此製程根據解析度公式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為微影裝置中之投影光學件之數值孔徑，CD為「臨界尺寸」(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裝置或設計佈局。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「光學及製程校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。
作為RET之實例，OPC處理如下事實：投影於基板上之設計佈局的影像之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，可在本文中互換地利用術語「光罩」、「倍縮光罩」、「圖案化器件」。又，熟習此項技術者將認識到，可互換地使用術語「光罩」、「圖案化器件」及「設計佈局」，如在RET之內容背景中，未必使用實體圖案化器件，而可使用設計佈局來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接至另一特徵的微小量之輻射或諸如繞射及干涉之非幾何光學效應。相似地，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。
為了增加設計佈局之經投影影像係根據給定目標電路設計之要求之機會，可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」之光學近接校正製程的綜述。在典型高端設計中，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的「輔助」特徵之應用。
OPC之最簡單形式中之一者為選擇性偏置。在給出CD相對於間距曲線的情況下，可至少在最佳焦點及曝光處藉由改變圖案化器件位階處之CD而迫使所有不同間距產生相同CD。因此，若特徵在基板位階處過小地印刷，則圖案化器件位階特徵將偏置成稍微大於標稱，且反之亦然。由於自圖案化器件位階至基板位階之圖案轉印製程係非線性的，故偏置之量並非僅僅為在最佳焦點及曝光處之經量測CD誤差乘以縮減比率，而是運用模型化及實驗，可判定適當偏置。選擇性偏置為對近接效應之問題的不完整解決方案，特別是在其僅應用於標稱製程條件下的情況下。儘管此偏置原則上可應用以給出最佳焦點及曝光處之均一CD相對於間距曲線，但一旦曝光製程自標稱條件變化，每一偏置間距曲線就將作出不同的 回應，從而引起用於不同特徵之不同製程窗。因此，為給出相同CD相對於間距之「最佳」偏置甚至可對總製程窗有消極影響，從而縮減(而非放大)所有目標特徵在所要製程容許度內印刷於基板上之焦點及曝光範圍。
已開發供超出以上之一維偏置實例之應用的其他更複雜OPC技術。二維近接效應係線端縮短的。線端具有依據曝光及焦點而自其所要端點部位「拉回」之傾向。在許多狀況下，長線端之末端縮短程度可比對應線窄化大若干倍。此類型之線端拉回可在線端不能完全橫越其意欲覆蓋之底層(諸如，源極-汲極區上方之多晶矽閘極層)的情況下引起所製造的器件發生嚴重故障。由於此類型之圖案對焦點及曝光高度敏感，故使線端簡單地偏置成長於設計長度不適當，此係因為最佳焦點及曝光處或在曝光不足條件下之線將過長，從而在延伸之線端觸摸相鄰結構時引起短路，或在電路中之個別特徵之間添加更多空間的情況下引起不必要大的電路大小。由於積體電路設計及製造之目標中之一者為最大化功能元件之數目，同時最小化每晶片所需之面積，故添加過量間隔係非所要的解決方案。
二維OPC途徑可幫助解決線端拉回問題。諸如「錘頭」或「襯線」之額外結構(亦被稱為「輔助特徵」)可添加至線端以將該等線端有效地錨定於適當位置且提供遍及整個製程窗之縮減之拉回。即使在最佳焦點及曝光處，此等額外結構仍未被解析，但其變更主特徵之外觀，而未被獨自完全解析。如本文中所使用之「主特徵」意謂在製程窗中之一些或全部條件下意欲印刷於基板上之特徵。輔助特徵可呈現比添加至線端之簡單錘頭更有攻擊性之形式，而達圖案化器件上之圖案不再簡單地為大小增加縮減比率的所要基板圖案之程度。諸如襯線之輔助特徵可應用於比簡單 地縮減線端拉回更多的狀況。內襯線或外襯線可被施加至任何邊緣，尤其是二維邊緣，以縮減隅角圓化或邊緣擠壓。在運用足夠選擇性偏置以及所有大小及極性之輔助特徵的情況下，圖案化器件上之特徵承受與基板位階處所要之最終圖案愈來愈小的類似性。一般而言，圖案化器件圖案變為基板位階圖案之經預失真版本，其中失真意欲抵消或反轉在製造製程期間將出現的圖案變形以在基板上產生儘可能接近於設計者所預期之圖案的圖案。
代替使用連接至主特徵之彼等輔助特徵(例如襯線)或除了使用連接至主特徵之彼等輔助特徵(例如襯線)以外，另一OPC技術亦涉及使用完全獨立及不可解析輔助特徵。此處之術語「獨立」意謂此等輔助特徵之邊緣並不連接至主特徵之邊緣。此等獨立輔助特徵不意欲或希望作為特徵印刷於基板上，而是意欲修改附近主特徵之空中影像以增強彼主特徵之可印刷性及製程容許度。此等輔助特徵(常常被稱作「散射長條」或「SBAR」)可包括：子解析度輔助特徵(SRAF)，其為主特徵之邊緣外部之特徵；及子解析度逆特徵(SRIF)，其為自主特徵之邊緣內部取出之特徵。SBAR之存在向圖案化器件圖案添加了又一層之複雜度。散射長條之使用之簡單實例為：其中在經隔離線特徵之兩個側上拖曳不可解析散射長條之規則陣列，此具有自空中影像之觀點使經隔離線呈現為更表示緻密線陣列內之單一線之效應，從而引起製程窗在焦點及曝光容許度方面更接近於緻密圖案之焦點及曝光容許度。此經裝飾隔離特徵與緻密圖案之間的共同製程窗相比於如在圖案化器件位階處隔離而拖曳之特徵之情形將具有對焦點及曝光變化之更大的共同容許度。
輔助特徵可被視為圖案化器件上之特徵與設計佈局中之特 徵之間的差異。術語「主特徵」及「輔助特徵」並不暗示圖案化器件上之特定特徵必須被標註為主特徵或輔助特徵。
作為簡要介紹，圖1說明例示性微影投影裝置10A。主要組件包括：照明光學件，其定義部分相干性(被表示為均方偏差)，且可包括：塑形來自輻射源12A之輻射的光學件14A、16Aa及16Ab，該輻射源12A可為深紫外線準分子雷射源或包括極紫外線(EUV)源的其他類型之源(如本文所論述，微影投影裝置自身無需具有輻射源)；及光學件16Ac，其將圖案化器件18A之圖案化器件圖案之影像投影至基板平面22A上。投影光學件之光瞳平面處之可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度定義投影光學件之數值孔徑NA=sin(Θmax)。
在微影投影裝置中，投影光學件經由圖案化器件而導向來自源之照明且將該照明導向至基板上且塑形該照明。此處，術語「投影光學件」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14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為基板位階處之輻射強度分佈。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在「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之溶解度的空間分佈。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 2009-0157630號中找到此情形之實例。抗蝕劑模型僅與抗蝕劑層之屬性(例如在曝光、曝光後烘烤(PEB)及顯影期間發生的化學製程之效應)有關。微影投影裝置之光學屬性(例如，照明、圖案化器件及投影光學件之屬性)規定空中影像且可被定義於光學模 型中。由於可改變用於微影投影裝置中之圖案化器件，故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。
如圖2中所展示，微影裝置LA可形成微影製造單元LC(有時亦被稱作微影叢集)之部件，微影製造單元LC亦包括用以對基板執行一或多個曝光前製程及曝光後製程之裝置。通常，此等裝置包括用以沈積抗蝕劑層之一或多個旋塗器SC、用以顯影經曝光抗蝕劑之一或多個顯影器DE、一或多個冷卻板CH及一或多個烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板、在不同製程器件之間移動基板，且將基板遞送至微影裝置之裝載匣LB。常常被集體地稱作塗佈顯影系統(track)之此等器件係在塗佈顯影系統控制單元TCU之控制下，塗佈顯影系統控制單元TCU自身受到監督控制系統SCS控制，監督控制系統SCS亦經由微影控制單元LACU而控制微影裝置。因此，不同裝置可經操作以最大化產出率及處理效率。微影製造單元LC可進一步包含用以蝕刻基板之一或多個蝕刻器，及經組態以量測基板之參數之一或多個量測器件。量測器件可包含經組態以量測基板之實體參數之光學量測器件，諸如散射計、掃描電子顯微鏡等。量測器件可併入於微影裝置LA中。本發明之一實施例可在監督控制系統SCS或微影控制單元LACU中或運用監督控制系統SCS或微影控制單元LACU予以實施。舉例而言，來自監督控制系統SCS或微影控制單元LACU之資料可由本發明之一實施例使用，且可將來自本發明之一實施例之一或多個信號提供至監督控制系統SCS或微影控制單元LACU。
圖3示意性地描繪將輔助特徵(連接至主特徵之輔助特徵或 獨立輔助特徵)置放至設計佈局中之方法。設計佈局可為在施加RET之前的設計佈局或在施加RET之後的設計佈局。設計佈局可為二元或連續色調。運算或經驗模型213可用以置放輔助特徵(例如判定輔助特徵之一或多個特性，諸如存在、部位、類型、形狀等)。模型213可考量器件製造製程之一或多個特性211(亦被稱作處理參數)或一或多個設計佈局參數212，或此兩者。一或多個處理參數211為與器件製造製程相關聯但不與設計佈局相關聯的一或多個參數。舉例而言，一或多個處理參數211可包括照明之特性(例如強度、光瞳剖面等)、投影光學件之特性、劑量、焦點、抗蝕劑之特性、抗蝕劑之顯影之特性、抗蝕劑之曝光後烘烤之特性，或蝕刻之特性。一或多個設計佈局參數212可包括一設計佈局上之各種特徵之一或多個形狀、大小、相對部位或絕對部位，且亦包括不同設計佈局上之特徵之重疊。在經驗模型中，並未模擬影像(例如抗蝕劑影像、光學影像、蝕刻影像)；替代地，經驗模型基於輸入(例如一或多個處理參數211或設計佈局參數212)與輔助特徵之間的相關性置放輔助特徵。在運算模型中，計算影像之一部分或一特性，且基於該部分或該特性來置放輔助特徵。
經驗模型之一實例係機器學習模型。無監督機器學習模型及監督機器學習模型兩者可用以置放輔助特徵。在不限制本發明之範疇的情況下，在下文描述對監督機器學習演算法之應用。
監督學習為自經標註訓練資料推斷函數之機器學習任務。訓練資料包括訓練實例集合。在監督學習中，每一實例為具有輸入物件(通常為向量)及所要輸出值(亦被稱為監督信號)之一對。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例項之類別標籤。此要求學習演算法以「合 理」方式自訓練資料一般化成未見過的情形。
在給出具有形式{(x1 ,y1),(x2 ,y2),...,(xN ,yN)}之N個訓練實例之集合使得xi為第i實例之特徵向量且yi為其標籤(亦即類別)的情況下，學習演算法尋求函數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，因為此等表示促進處理及統計分析。當表示影像時，特徵值可能對應於影像之像素，當表示文字時，特徵值可能稱為出現頻率。與此等向量相關聯之向量空間常常被稱為特徵空間。函數g為可能函數G之某一空間(通常被稱作假設空間)之要素。有時以下操作係方便的：使用計分函數f：X×Y→
Figure 107116367-A0305-02-0015-9
來表示g使得g被定義為返回給出最高計分之y值：
Figure 107116367-A0305-02-0015-2
。假設F表示計分函數之空間。
儘管G及F可為函數之任何空間，但許多學習演算法係機率模型，其中g採取條件機率模型g(x)=P(y|x)之形式，或f採取聯合機率模型f(x,y)=P(x,y)之形式。舉例而言，樸素貝葉斯(naive Bayes)及線性判別分析為聯合機率模型，而邏輯回歸為條件機率模型。
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佳擬合訓練資料之函數。結構風險最小化包括控制偏差/方差取捨之懲罰函數。
在兩種狀況下，假定訓練集具有獨立且相同分配的對(xi ,yi)之樣本。為了量測函數擬合訓練資料之良好程度，定義損失函數L：Y×Y→
Figure 107116367-A0305-02-0015-3
。對於訓練函數(xi ,yi)，預測值
Figure 107116367-A0305-02-0015-4
之損失為L(yi ,
Figure 107116367-A0305-02-0015-5
)。
將函數g之風險R(g)定義為g之預期損失。此可自訓練資料估 計為
Figure 107116367-A0305-02-0015-1
。
監督學習之例示性模型包括決策樹、集體(裝袋、增強、隨機森林)、k-NN、線性回歸、樸素貝葉斯、神經網路、邏輯回歸、感知器(Perceptron)、支援向量機(Support vector machine；SVM)、相關性向量機(Relevance vector machine；RVM)及深度學習。
SVM為監督學習模型之一實例，其分析資料且辨識圖案，且可用於分類及回歸分析。在給出訓練實例集合的情況下，每一訓練實例被標記為屬於兩個種類中之一者，SVM訓練演算法建置將新實例指派至一個種類或另一種類中之模型，使得其為非機率二元線性分類器。SVM模型為如空間中之點的實例之表示，其經映射使得單獨種類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種類。
除了執行線性分類以外，SVM亦可使用被稱為核心方法來有效地執行非線性分類，從而隱含地將其輸入映射至高維特徵空間中。
核心方法涉及使用者指定之核心，亦即，遍及原始表示中之資料點對之相似度函數。核心方法之名字歸功於核心函數之使用，核心函數使其能夠在高維、隱式特徵空間中操作而無需不斷運算彼空間中之資料的座標，而是簡單地運算特徵空間中之所有資料對之影像之間的內積。此操作在運算上常常比座標之顯式運算更省事。此途徑被稱作「核心技巧(kernel trick)」。
SVM之有效性取決於對核心、核心參數及軟裕度參數C之選擇。常見選擇為高斯核心，其具有單一參數γ。常常藉由運用按指數律成比例生長之C及γ之序列，例如C
Figure 107116367-A0305-02-0016-6
{2-5 ,2-4 ,...,215,216}；γ
Figure 107116367-A0305-02-0016-7
{2-15 ,2-14 ,...,24 ,25}，進行的格點搜尋(亦被稱為「參數掃掠」)來選擇C與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詳盡搜尋。格點搜尋演算法係由某一效能度量導引，該效能度量通常藉由對訓練集之交叉驗證或對留存驗證集合之評估來量測。
可使用交叉驗證檢查參數選擇之每一組合，且拾取具有最佳交叉驗證準確度之參數。
交叉驗證(有時被稱為旋轉估計)為用於評估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吾人希望估計預測模型實務上將執行之準確度的設定中。在預測問題中，通常向模型提供正執行訓練之已知資料的資料集(訓練資料集)，及模型經測試所對照之未知資料(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在訓練階段「測試」模型的資料集(亦即，驗證資料集)，以便限制比如同過度擬合之問題，給出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、對一個子集(被稱為訓練集)執行分析，及驗證對另一子集(被稱為驗證集合或測試集合)之分析。為了縮減可變性，使用不同分割執行多個回合之交叉驗證，且遍及該等回合來平均化驗證結果。
接著使用所選參數對整個訓練集訓練可用於測試及用於將新資料分類之最終模型。
監督學習之另一實例為回歸。回歸自因變數之值與自變數之對應值的集合推斷一因變數與一或多個自變數之間的關係。在給出自變數的情況下，回歸可估計因變數之條件期望值。所推斷出之關係可被稱為回歸函數。所推斷出之關係可為機率性的。
圖4A及圖4B示意性地展示根據一實施例的用於使用機器學習模型來置放輔助特徵之方法的流程。圖4A示意性地展示用於訓練機器學習模型之流程。獲得設計佈局之部分505之一或多個特性510的一或多個值。設計佈局可為二元設計佈局、連續色調設計佈局(例如自二元設計佈局呈現)，或具有另一合適形式之設計佈局。一或多個特性510可包括該部分505中之一或多個圖案之幾何特性(例如絕對部位、相對部位或形狀)。一或多個特性510可包括部分505中之一或多個圖案之一或多個統計特性。部分505中之圖案之統計特性的實例可包括一或多個圖案之幾何尺寸之平均值或方差。一或多個特性510可包括部分505之參數化(亦即部分505之函數之一或多個值)、諸如在某一基底函數上之投影。一或多個特性510可包括自部分505導出之影像(像素化、二元曼哈頓(Manhattan)、二元曲線或連續色調)。
在工序520中，使用任何合適之方法基於部分505或其一或多個特性510來判定輔助特徵之一或多個特性530。舉例而言，輔助特徵之一或多個特性530可使用美國專利第9,111,062號中所描述或Y.Shen等人所描述「Level-Set-Based Inverse Lithography For Photomask Synthesis」(Optics Express，第17卷，第23690至23701頁(2009年))的方法來判定，該等專利之全部揭示內容特此係以引用方式併入。舉例而言，一或多個特性530可包括輔助特徵之一或多個幾何特性絕對部位、相對部位或形狀)、輔助特徵之一或多個統計特性，或輔助特徵之參數化。輔助特徵之統計特性之實例可包括輔助特徵之幾何尺寸之平均值或方差。
設計佈局之部分的一或多個特性510之值及輔助特徵之一或多個特性530之值作為樣本包括於訓練資料540中。一或多個特性510為樣 本之特徵向量(亦被稱為輸入向量)，且一或多個特性530為樣本之標籤(亦被稱為監督信號或應答向量)。在工序550中，使用訓練資料540來訓練機器學習模型560。
圖4B示意性地展示用於使用機器學習模型560來置放一或多個輔助特徵的流程。獲得設計佈局534之部分533或該部分之一或多個特性535。設計佈局534之部分533及任何其他部分皆不必須為訓練資料之部分。部分533可為設計佈局534之邊緣附近之部分。一或多個特性535可包括部分533中之一或多個圖案之一或多個幾何特性(例如絕對部位、相對部位或形狀)。一或多個特性535可包括部分533中之一或多個圖案之一或多個統計特性。一或多個特性535可包括部分533之參數化，諸如在某些基底函數上之投影。一或多個特性535可包括自部分533導出之影像(像素化、二元曼哈頓、二元曲線或連續色調)。舉例而言，若部分533為設計佈局534之邊緣附近之部分，則一或多個特性535可與作為參考物之邊緣相關(例如將邊緣用作參考物而獲得的像素化、二元曼哈頓、二元曲線或灰階影像或至基底上之投影)，藉此一或多個特性535並不改變，即使邊緣相對於在設計佈局中固定之參考物移動亦如此，如下文參看圖4C及圖4D所進一步解釋。
在工序570中，將部分533或一或多個特性535作為輸入提供至機器學習模型560中，且自機器學習模型560獲得作為輸出的用於部分533之一或多個輔助特徵之一或多個特性580。一或多個特性580可包括輔助特徵之一或多個幾何特性(例如絕對部位、相對部位或形狀)。一或多個特性580可包括輔助特徵之參數化，諸如在某些基底函數上之投影。一或多個特性580可包括輔助特徵之影像(像素化、二元曼哈頓、二元曲線或連 續色調)。可例如使用美國專利申請公開案第2008/0301620號中所描述之方法來調整輔助特徵之一或多個特性580以避免其中的衝突，該專利申請公開案之全部揭示內容係以引用方式併入。
在選用工序590中，在微影製程中使用設計佈局534之部分533及輔助特徵來圖案化基板。
在工序570中，機器學習模型560可視情況運算信賴度量585，該信賴度量指示一或多個特性580之可信度。舉例而言，當一或多個特性580包括輔助特徵之二元影像(例如二元曼哈頓影像、二元曲線影像)時，信賴度量可為二元影像之任一色調之機率。一些機器學習模型，諸如樸素貝葉斯、邏輯回歸及多層感知器(當時)自然係機率性的。機率模型輸出遍及類別集合之機率分佈，而非僅輸出輸入應屬於之最可能的類別。諸如支援向量機之一些其他機器學習模型並非自然地為機率性的，但用以將其變成機率分類器之方法存在。回歸問題可經轉換成多類別分類問題且接著使用機率作為度量，或使用自舉法(bootstrap method)來建置許多模型且接著計算模型預測之方差。可基於機器學習模型之輸出(例如遍及類別集合之機率分佈)來運算信賴度量(例如熵、GINI指數等)。
信賴度量585之其他形式可為可能的。舉例而言，對於極不同於訓練資料中之部分的設計佈局之彼等部分，機器學習模型具有相對較高的有問題的機會。可以合適方式建構量測輸入之部分與訓練資料中之部分之間的相似度的信賴度量585。輸入中之部分與訓練資料之部分中之每一者之間的最大歐幾里得距離可為此類實例。在另一實例中，可將訓練資料之部分叢集成若干群組，且可將至每一群組之中心之輸入之影像的歐幾里得距離用作信賴度量585。
若信賴度量585未能滿足條件(例如用於指示一或多個特性580並不足夠可信)，則可忽視該一或多個特性580且可在選用工序586中使用不同方法(例如美國專利第9,111,062號中所描述之方法)來置放輔助特徵，或可在選用工序587中(例如使用圖4A中之流程)使用包括輸入中導致不符合條件之信賴度量585的一或多個特性535之訓練資料來再訓練機器學習模型560。
與設計佈局534之部分533組合，特性580係由機器學習模型570產生的輔助特徵可用作用於另一RET(諸如OPC)、照明及圖案化器件圖案最佳化(有時被稱作SMO)、圖案化器件最佳化(MO)之初始條件，或用作為了加速收斂之嚴密最佳化器之初始條件。此為另一使用狀況。
圖4C示意性地展示將設計佈局之邊緣用作參考物之像素化的更多細節。特徵600之像素化影像可取決於參考物之選擇。舉例而言，如圖4C中所展示，使用參考物601之特徵600之像素化影像為像素化影像603，但使用參考物602(其僅僅相對於參考物601移位)之同一特徵600之像素化影像為像素化影像604，其不同於像素化影像603。為了避免像素化對參考物選擇之此相依性，可將對準至例如參考物602之邊緣(例如此處為右邊緣)或特徵600之隅角的參考物用於特徵600之像素化。用於不同特徵之參考物可不同。
圖4D示意性地展示可使用對準至特徵700之邊緣中之每一者的參考物710來判定該特徵700之像素化影像720。像素化影像720中之每一者可用作圖4B之流程中之特性535，以獲得輔助特徵之一或多個特性580(例如輔助特徵之形狀730)。即，對於每一邊緣，獲得輔助特徵之一或多個特性580(例如輔助特徵之形狀730)之集合。可將特徵700用作參考 物而將一或多個特性580(例如輔助特徵之形狀730)之集合彼此對準，且將該一或多個特性之集合一起合併為輔助特徵之一或多個特性之合併集合(例如輔助特徵之合併形狀740)。可接著解析輔助特徵之一或多個特性之合併集合中的衝突(例如移除合併形狀740中之重疊)。雖然像素化影像720在此處用作相對於邊緣而獲得的一或多個特性535之實例，但與該邊緣有關的一或多個特性535可為一或多個其他合適特性，諸如將邊緣用作參考物而獲得的二元、或灰階影像或至基底上之投影。
圖5為說明可輔助實施本文中所揭示之方法及流程之電腦系統100的方塊圖。電腦系統100包括用以傳達資訊之一匯流排102或其他通信機構，及與匯流排102耦接以處理資訊之一處理器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以儲存或供應待由處理器104執行之資訊及指令的主記憶體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可用於在待由處理器104執行之指令之執行期間儲存或供應暫時性變數或其他中間資訊。電腦系統100可進一步包括耦接至匯流排102以儲存或供應用於處理器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。可提供諸如磁碟或光碟之儲存器件110，且可將諸如磁碟或光碟之儲存器件110耦接至匯流排102以儲存或供應資訊及指令。
電腦系統100可經由匯流排102而耦接至用以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。包括文數字及其他按鍵之輸入器件114可耦接至匯流排102以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可為用以將方向資訊及命令選擇傳達至處理器104且控制顯示器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))中之兩個自由度，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中含有的一或多個指令之一或多個序列而執行本文中所描述之製程之部分。可將此類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中所含有之指令序列之執行使處理器104執行本文中所描述之製程步驟。呈多處理配置之一或多個處理器可用以執行主記憶體106中所含有之指令序列。在一替代實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文之描述不限於硬體電路系統及軟體之任何特定組合。
本文中所使用之術語「電腦可讀媒體」係指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、可撓性磁碟、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。
可在將一或多個指令之一或多個序列攜載至處理器104以供執行時涉及電腦可讀媒體之各種形式。舉例而言，最初可將該等指令承載於遠端電腦之磁碟或記憶體上。遠端電腦可將該等指令載入至其動態記憶體中，且經由通信路徑發送該等指令。電腦系統100可自路徑接收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擷取及執行指令。由主記憶體106接收之指令可視情況在由處理器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提供對網路鏈路120之雙向資料通信耦合，網路鏈路120連接至網路122。舉例而言，通信介面118可提供有線或無線資料通信連接。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、電磁信號或光信號。
網路鏈路120通常經由一或多個網路而向其他資料器件提供資料通信。舉例而言，網路鏈路120可經由網路122而向主機電腦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而提供資料通信服務。網路122及網際網路128兩者皆使用攜載數位資料流之電信號、電磁信號或光信號。經由各種網路之信號及在網路鏈路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)為輸送資訊的載波之例示性形式。
電腦系統100可經由網路、網路鏈路120及通信介面118而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、網路122及通信介面118而傳輸用於應用程式 之所請求程式碼。舉例而言，一個此類經下載應用程式可提供用以實施本文之方法之程式碼。所接收程式碼可在其被接收時由處理器104執行，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可獲得呈載波之形式之應用程式碼。
圖6示意性地描繪例示性微影投影裝置。該裝置包含：- 照明系統IL，其用以調節輻射光束B。在此特定狀況下，照明系統亦包含輻射源SO；- 第一物件台(例如光罩台)MT，其具備用以固持圖案化器件MA(例如倍縮光罩)之圖案化器件固持器，且連接至用以相對於項目PS來準確地定位該圖案化器件之第一定位器PM；- 第二物件台(基板台)WT，其具備用以固持基板W(例如抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於項目PS來準確地定位該基板之第二定位器PW；- 投影系統PS(例如折射、反射或反射折射光學系統)，其用以將圖案化器件MA之經輻照部分成像至基板W之目標部分C(例如包含一或多個晶粒)上。
如本文中所描繪，該裝置屬於透射類型(亦即具有透射光罩)。然而，一般而言，其亦可屬於例如反射類型(具有反射光罩)。替代地，裝置可使用另一種類之圖案化器件作為對經典光罩之使用的替代例；實例包括可程式化鏡面陣列或LCD矩陣。
源SO(例如水銀燈或準分子雷射)產生輻射光束。此光束直接地或在已橫穿諸如光束擴展器之調節器之後經饋入至照明系統(照明器)IL中。照明器IL可包含經組態以設定光束中之強度分佈之外部徑向範圍或 內部徑向範圍(通常分別被稱作σ外部及σ內部)之調整器AD。另外，照明器IL通常將包含各種其他組件，諸如積光器IN及聚光器CO。以此方式，照射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖6應注意，源SO可在微影投影裝置之外殼內(舉例而言，此常常為源SO為水銀燈時之狀況)，但源SO亦可遠離微影投影裝置，源SO所產生之輻射光束被導引至該裝置中(例如憑藉合適導向鏡BD)；此後一情境常常為源SO為準分子雷射(例如基於KrF、ArF或F2雷射作用)時之狀況。
光束B隨後截取被固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA的情況下，光束B傳遞通過投影系統PS，投影系統PS將該光束B聚焦至基板W之目標部分C上。憑藉第二定位器PW(及干涉計IF)，可準確地移動基板台WT，例如以便使不同目標部分C定位於光束B之路徑中。相似地，第一定位器PM可用以例如在將圖案化器件MA自圖案化器件庫機械擷取之後或在掃描期間相對於光束B之路徑來準確地定位該圖案化器件MA。一般而言，將憑藉未在圖6中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。
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。儘管如所說明之基板對準標記佔據專用目標部分，但該等基板對準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，在多於一個晶粒被提供於圖案化器件(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。小對準標記物亦可包括於器件特徵當中之晶粒內，在此狀況下，需要使標記物儘可能地小且無需與鄰近特徵不同的任何成像或製程條件。
圖7示意性地描繪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(例如光罩或倍縮光罩)MA且連接至經組態以準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，且連接至經組態以準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(例如使用反射光罩)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化器件可具有包含(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及矽之40層對。可運用X射線微影來產生更小波長。由於大多數材料在EUV及x射線波長下具吸收性，故圖案化器件構形上之經圖案化吸收材料之薄件(例如多層反射器之頂部上之TaN吸收體)界定特徵在何處將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)。
參看圖7，照明器IL自源收集器模組SO接收極紫外線(EUV)輻射光束。用以產生EUV輻射之方法包括但未必限於：運用在EUV範圍內之一或多個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，可藉由運用雷射光束來輻照燃料(諸如具有該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7中未繪示)之EUV輻射系統之部件，該雷射用以提供用以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單獨實體。
在此等狀況下，不認為雷射形成微影裝置之部分，且輻射光束係憑藉包含例如合適導向鏡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。在其他狀況下，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分。
照明器IL可包含經組態以調整輻射光束之角強度分佈之調整器。通常，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或內部徑向範圍(通常分別被稱作σ外部及σ內部)。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，且係由該圖案化器件而圖案化。在自圖案化器件(例如光罩)MA反射之後，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PS2(例如干涉器件、線性編碼器或電容式感測器)，可準確地移動基板台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。相似地，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之路徑來準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。
所描繪裝置可用於以下模式中之至少一者中：
1. 在步進模式中，在將被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，在將被賦予至輻射光束之圖案投影至目標部分C上時，在給定方向(所謂的「掃描方向」)上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，在將被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之每一移動之後或在掃描期間之順次輻射脈衝之間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。
另外，微影裝置可屬於具有兩個或多於兩個台(例如兩個或 多於兩個基板台、兩個或多於兩個圖案化器件台或一基板台及不具有基板之一台)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。
圖8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。可藉由氣體或蒸汽(例如，Xe氣體、Li蒸汽或Sn蒸汽)而產生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。舉例而言，藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之高效產生，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發射之輻射係經由經定位於源腔室211中之開口中或後方的選用氣體障壁或污染物截留器230(在一些狀況下，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。如在此項技術中已知，本文中進一步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212可包括可為所謂的掠入射收集器之輻射收集器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處輻射光束21之所要角度分佈，以及在圖案化器件MA處之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處的輻射光束21之反射後，就形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。
比所展示之元件更多的元件通常可存在於照明光學件單元IL及投影系統PS中。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8所展示之反射元件多1至6個的額外反射元件。
如圖8中所說明之收集器光學件CO被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理想地結合放電產生電漿源(常常被稱為DPP源)而使用。替代地，源收集器模組SO可為LPP輻射系統之部分。
可使用以下條項進一步描述實施例：
1. 一種方法，其包含：獲得一設計佈局之一部分；基於該部分或該部分之一特性判定輔助特徵之一特性；及藉由一硬體電腦使用包含一樣本之訓練資料來訓練一機器學習模型，該樣本之特徵向量包含該部分之該特性且該樣本之標籤包含該等輔助 特徵之該特性。
2. 如條項1之方法，其中該設計佈局係一二元設計佈局或一連續色調設計佈局。
3. 如任一條項1或條項2之方法，其中該部分之該特性包含該部分中之一圖案的一幾何特性、該部分中之該圖案的一統計特性、該部分之參數化，或自該部分導出之一影像。
4. 如條項3之方法，其中該部分之該特性包含該部分之該參數化，且其中該部分之該參數化係該部分在一或多個基底函數上之一投影。
5. 如條項3之方法，其中該部分之該特性包含該影像，且其中該影像係一像素化影像、一二元影像或一連續色調影像。
6. 如條項3之方法，其中該部分之該特性包含該影像，且其中該影像係該部分之一像素化影像且該像素化影像係關於與該部分之一特徵對準之一參考物。
7. 如條項1至6中任一項之方法，其中該等輔助特徵之該特性包含該等輔助特徵之一幾何特性、該等輔助特徵之一統計特性，或該等輔助特徵之參數化。
8. 一種方法，其包含：獲得一設計佈局之一部分或該部分之一特性；及藉由一硬體電腦使用一機器學習模型基於該部分或該部分之該特性而獲得用於該部分之輔助特徵之一特性。
9. 如條項8之方法，其中該部分之該特性包含該部分中之一圖案的一幾何特性、該部分中之一圖案的一統計特性、該部分中之一圖案的一參數化，或自該部分導出之一影像。
10. 如條項9之方法，其中該部分之該特性包含該部分之該參數化，且其中該部分之該參數化係該部分在一或多個基底函數上之一投影。
11. 如條項9之方法，其中該部分之該特性包含該影像，且其中該影像係一像素化影像、一二元影像或一連續色調影像。
12. 如條項9之方法，其中該部分之該特性包含該影像，且該影像係將該部分中之一圖案之一邊緣用作一參考物而像素化的一影像。
13. 如條項8至12中任一項之方法，其中該等輔助特徵之該特性包含該等輔助特徵之一幾何特性、該輔助特徵之一統計特性，或該輔助特徵之一參數化。
14. 如條項8至13中任一項之方法，其進一步包含在一微影製程中使用該設計佈局之該部分及該輔助特徵來圖案化一基板。
15. 如條項8至13中任一項之方法，其進一步包含將該輔助特徵之該特性用作用於一最佳化器或一解析度增強技術之一初始條件。
16. 如條項8至14中任一項之方法，其進一步包含運算指示該輔助特徵之該特性之可信度的一信賴度量。
17. 如條項16之方法，其中該特性包含該輔助特徵之一二元影像，且其中該信賴度量指示該二元影像之任一色調之一機率。
18. 如條項16之方法，其中該機器學習模型係機率性的，且其中該信賴度量包含遍及一類別集合之一機率分佈。
19. 如條項16之方法，其中該信賴度量表示該設計佈局之該部分與用以訓練該機器學習模型之訓練資料之間的一相似度。
20. 如條項16之方法，其中回應於該信賴度量未能滿足一條件，該方法進一步包含使用包含該部分之該特性之訓練資料來再訓練該機器學 習模型。
21. 如條項16之方法，其中回應於該信賴度量未能滿足一條件，該方法進一步包含藉由不使用該機器學習模型之一方法來判定該輔助特徵。
22. 如條項16之方法，其中基於該機器學習模型之一輸出來運算該信賴度量。
23. 一種電腦程式產品，其包含其上經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條項1至22中任一項之方法。
本文所使用之術語「投影系統」應被廣泛地解譯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。
本文中所揭示之概念可適用於涉及微影裝置之任何器件製造製程，且可對能夠產生具有愈來愈小大小之波長之新興成像技術尤其有用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193奈米波長且甚至能夠藉由使用氟雷射來產生157奈米波長之深紫外線(DUV)微影。此外，EUV微影能夠產生在5奈米至20奈米之範圍內之波長。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上之器件製造，但應理解，所揭示概念可供任何類型之微影成像系統使用，例如用於在除了矽晶圓以外的基板上之成像之微影成像系統。
上文所提及之圖案化器件包含或可形成設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局。此製程常常被稱作電子設計自動化(EDA)。大多數CAD程式遵循一預定設計規則集合，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)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非所要方式相互作用。設計規則限制通常被稱作「臨界尺寸」(CD)。電路之臨界尺寸可被定義為線或孔之最小寬度或兩條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。當然，積體電路製造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「光罩」或「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)以外，其他此類圖案化器件之實例亦包括：
- 可程式化鏡面陣列。此器件之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將入射輻射反射為繞射輻射，而未經定址區域將入射輻射反射為非繞射輻射。在使用適當濾光器的情況下，可自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。可使用合適電子構件來執行所需矩陣定址。
- 可程式化LCD陣列。
儘管在本文中可特定地參考IC之製造，但應明確理解，本文中之描述具有許多其他可能的應用。舉例而言，其可用於製造整合式光學系統、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。熟習此項技術者應瞭解，在此等替代應用之內容背景中，在本文中對 術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為是可分別與更一般之術語「光罩」、「基板」及「目標部分」互換。
因此，如所提及，微影蝕刻術(microlithography)為在諸如IC之器件之製造中的重要步驟，在微影蝕刻術中形成於基板上之圖案界定IC之功能元件，諸如微處理器、記憶體晶片等。相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。
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(例如具有為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)。
如本文中所使用之術語「最佳化(optimizing/optimization)」係指或意謂調整圖案化製程裝置、圖案化製程之一或多個步驟等，使得圖案化之結果及/或製程具有更合乎需要之特性，諸如設計佈局在基板上之轉印之較高準確度、較大製程窗等。因此，如本文所使用之術語「最佳化(optimizing/optimization)」係指或意謂識別用於一或多個參數之一或多個值的製程，該一或多個值相比於用於彼等一或多個參數之一或多個值之初始集合提供至少一個相關度量之改良，例如局部最佳。應相應地解釋「最佳」及其他相關術語。在一實施例中，可反覆地應用最佳化步驟，以提供一或多個度量之進一步改良。
在方塊圖中，所說明之組件被描繪為離散功能區塊，但實施例不限於本文中所描述之功能性如所說明來組織之系統。由組件中之每一者提供之功能性可由軟體或硬體模組提供，該等模組以與目前所描繪之方式不同之方式組織，例如，可摻和、結合、複寫、解散、分配(例如， 在資料中心內或按地區)，或另外以不同方式組織此軟體或硬體。本文中所描述之功能性可由執行儲存於有形的、非暫時性機器可讀媒體上之程式碼之一或多個電腦之一或多個處理器提供。在一些狀況下，第三方內容遞送網路可主控經由網路傳達之資訊中的一些或全部，在此狀況下，在據稱供應或以另外方式提供資訊(例如內容)之情況下，可藉由發送指令以自內容遞送網路擷取彼資訊提供該資訊。
除非另外特定陳述，否則如自論述顯而易見，應瞭解，貫穿本說明書，利用諸如「處理」、「運算(computing)」、計算(calculating)」、「判定」或其類似者之術語的論述係指諸如專用電腦或相似專用電子處理/運算器件之特定裝置的動作或製程。
讀者應瞭解，本申請案描述若干發明。申請人已將此等發明分組成單一文件，而非將彼等發明分離成多個單獨的專利申請案，此係因為該等發明之相關主題可在應用製程中有助於經濟發展。但不應合併此等發明之相異優點及態樣。在一些狀況下，實施例解決本文中所提及之所有缺陷，但應理解，該等發明係獨立地有用，且一些實施例僅解決此等問題之子集或提供其他未提及之益處，該等益處對於檢閱本發明之熟習此項技術者將顯而易見。歸因於成本約束，目前可不主張本文中所揭示之一些發明，且可在稍後申請案(諸如接續申請案或藉由修正本技術方案)中主張該等發明。相似地，歸因於空間約束，本發明文件之[發明摘要]及[發明內容]章節皆不應被視為含有所有此等發明之全面清單或此等發明之所有態樣。
應理解，描述及圖式並不意欲將本發明限於所揭示之特定形式，而正相反，本發明意欲涵蓋屬於如由所附申請專利範圍所界定之本 發明之精神及範疇的所有修改、等效者及替代方案。
鑒於本說明書，本發明之各種態樣之修改及替代實施例將對於熟習此項技術者而言顯而易見。因此，本說明書及圖式應被解釋為僅為說明性的且係出於教示熟習此項技術者進行本發明之一般方式之目的。應理解，本文中所展示及描述之本發明之形式應被視為實施例之實例。元件及材料可替代本文中所說明及描述之元件及材料，部分及製程可被反轉或被省略，可獨立利用某些特徵，且可組合實施例或實施例之特徵，此皆如對熟習此項技術者在獲得本發明之本說明書之益處之後將顯而易見的。可在不脫離如在以下申請專利範圍中所描述之本發明之精神及範疇的情況下對本文中所描述之元件作出改變。本文中所使用之標題係僅出於組織之目的，且不意欲用以限制本說明書之範疇。
如貫穿本申請案所使用，詞語「可」係在許可之意義(亦即，意謂有可能)而非強制性之意義(亦即，意謂必須)下予以使用。詞語「包括(include/including/includes)」及其類似者意謂包括但不限於。如貫穿本申請案所使用，單數形式「a/an/the」包括複數個參照物，除非內容另有明確地指示。因此，舉例而言，對「元件(an element/a element)」之參考包括兩個或多於兩個元件之組合，儘管會針對一或多個元件使用其他術語及片語，諸如「一或多個」。除非另有指示，否則術語「或」係非獨占式的，亦即，涵蓋「及」與「或」兩者。描述條件關係之術語，例如「回應於X，而Y」、「在X後，即Y」、「若X，則Y」、「當X時，Y」及其類似者涵蓋因果關係，其中前提為必要的因果條件，前提為充分的因果條件，或前提為結果的貢獻因果條件，例如，「在條件Y獲得後，即出現狀態X」對於「僅在Y後，才出現X」及「在Y及Z後，即出現X」為通用 的。此等條件關係不限於即刻遵循前提而獲得之結果，此係因為可延遲一些結果，且在條件陳述中，前提連接至其結果，例如，前提係與出現結果之似然性相關。除非另有指示，否則複數個特質或功能經映射至複數個物件(例如，執行步驟A、B、C及D之一或多個處理器)之陳述涵蓋所有此等特質或功能經映射至所有此等物件及特質或功能之子集經映射至特質或功能之子集兩者(例如，所有處理器各自執行步驟A至D，及其中處理器1執行步驟A，處理器2執行步驟B及步驟C之一部分，且處理器3執行步驟C之一部分及步驟D之狀況)。另外，除非另有指示，否則一個值或動作係「基於」另一條件或值之陳述涵蓋條件或值為單獨因子之情況及條件或值為複數個因子當中之一個因子之情況兩者。除非另外指示，否則某集合之「每一」例項具有某種屬性之陳述不應被理解為排除較大集合之一些另外相同或相似部件並不具有該屬性之狀況，亦即，各自未必意謂每個都。
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如所描述進行修改。
505‧‧‧設計佈局之部分
510‧‧‧一或多個特性
520‧‧‧工序
530‧‧‧一或多個特性
540‧‧‧訓練資料
550‧‧‧工序
560‧‧‧機器學習模型

Claims (15)

  1. 一種獲得輔助特徵(assist features)之一特性的方法，其包含：獲得一設計佈局之一部分或該部分之一特性；藉由一硬體電腦使用一機器學習模型基於該部分或該部分之該特性而獲得用於該部分之輔助特徵之一特性；及運算指示該輔助特徵之該特性之可信度(trustworthiness)的一信賴度量(confidence metric)。
  2. 如請求項1之方法，其中該部分之該特性包含該部分中之一圖案的一幾何特性、該部分中之一圖案的一統計特性、該部分中之一圖案的一參數化，或自該部分導出之一影像。
  3. 如請求項2之方法，其中該部分之該特性包含該部分之該參數化，且其中該部分之該參數化係該部分在一或多個基底函數上之一投影。
  4. 如請求項2之方法，其中該部分之該特性包含該影像，且其中該影像係一像素化影像、一二元影像或一連續色調影像。
  5. 如請求項2之方法，其中該部分之該特性包含該影像，且該影像係將該部分中之一圖案之一邊緣用作一參考物而像素化的一影像。
  6. 如請求項1之方法，其中該等輔助特徵之該特性包含該等輔助特徵之 一幾何特性、該輔助特徵之一統計特性，或該輔助特徵之一參數化。
  7. 如請求項1之方法，其進一步包含在一微影製程中使用該設計佈局之該部分及該輔助特徵來圖案化一基板。
  8. 如請求項1之方法，其進一步包含將該輔助特徵之該特性用作用於一最佳化器或一解析度增強技術之一初始條件。
  9. 如請求項1之方法，其中該特性包含該輔助特徵之一二元影像，且其中該信賴度量指示該二元影像之任一色調之一機率。
  10. 如請求項1之方法，其中該機器學習模型係機率性的，且其中該信賴度量包含遍及一類別集合之一機率分佈。
  11. 如請求項1之方法，其中該信賴度量表示該設計佈局之該部分與用以訓練該機器學習模型之訓練資料之間的一相似度。
  12. 如請求項1之方法，其中回應於該信賴度量未能滿足一條件，該方法進一步包含使用包含該部分之該特性之訓練資料來再訓練該機器學習模型。
  13. 如請求項1之方法，其中回應於該信賴度量未能滿足一條件，該方法進一步包含藉由不使用該機器學習模型之一方法來判定該輔助特徵。
  14. 如請求項1之方法，其中基於該機器學習模型之一輸出來運算該信賴度量。
  15. 一種電腦程式產品，其包含其上經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。
TW107116367A 2017-05-26 2018-05-15 獲得輔助特徵之特性的方法及電腦程式產品 TWI681250B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762511937P 2017-05-26 2017-05-26
US62/511,937 2017-05-26

Publications (2)

Publication Number Publication Date
TW201901285A TW201901285A (zh) 2019-01-01
TWI681250B true TWI681250B (zh) 2020-01-01

Family

ID=62116457

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107116367A TWI681250B (zh) 2017-05-26 2018-05-15 獲得輔助特徵之特性的方法及電腦程式產品

Country Status (5)

Country Link
US (1) US20200050099A1 (zh)
KR (3) KR20230035145A (zh)
CN (1) CN110692017A (zh)
TW (1) TWI681250B (zh)
WO (1) WO2018215188A1 (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6833873B2 (ja) 2016-05-17 2021-02-24 シリコン ストーリッジ テクノロージー インコーポレイテッドＳｉｌｉｃｏｎ Ｓｔｏｒａｇｅ Ｔｅｃｈｎｏｌｏｇｙ， Ｉｎｃ． 不揮発性メモリアレイを使用したディープラーニングニューラルネットワーク分類器
US10699779B2 (en) 2017-11-29 2020-06-30 Silicon Storage Technology, Inc. Neural network classifier using array of two-gate non-volatile memory cells
US10803943B2 (en) 2017-11-29 2020-10-13 Silicon Storage Technology, Inc. Neural network classifier using array of four-gate non-volatile memory cells
US20210150078A1 (en) * 2018-04-18 2021-05-20 Siemens Aktiengesellschaft Reconstructing an object
EP3660744A1 (en) * 2018-11-30 2020-06-03 ASML Netherlands B.V. Method for decreasing uncertainty in machine learning model predictions
US11409352B2 (en) 2019-01-18 2022-08-09 Silicon Storage Technology, Inc. Power management for an analog neural memory in a deep learning artificial neural network
US10720217B1 (en) 2019-01-29 2020-07-21 Silicon Storage Technology, Inc. Memory device and method for varying program state separation based upon frequency of use
EP3918420A1 (en) * 2019-01-29 2021-12-08 ASML Netherlands B.V. Method for decision making in a semiconductor manufacturing process
EP3918532B1 (en) * 2019-01-29 2023-01-25 Silicon Storage Technology, Inc. Neural network classifier using array of four-gate non-volatile memory cells
TWI730288B (zh) * 2019-01-31 2021-06-11 鴻齡科技股份有限公司 深度學習方法、系統、伺服器及可讀存儲介質
KR20210116613A (ko) * 2019-02-21 2021-09-27 에이에스엠엘 네델란즈 비.브이. 마스크에 대한 광학 근접 보정을 결정하기 위한 머신 러닝 모델의 트레이닝 방법
US11061318B2 (en) 2019-02-28 2021-07-13 Taiwan Semiconductor Manufacturing Co., Ltd. Lithography model calibration
EP3705944A1 (en) * 2019-03-06 2020-09-09 ASML Netherlands B.V. Extracting a feature from a data set
WO2020187578A1 (en) * 2019-03-21 2020-09-24 Asml Netherlands B.V. Training method for machine learning assisted optical proximity error correction
US11423979B2 (en) 2019-04-29 2022-08-23 Silicon Storage Technology, Inc. Decoding system and physical layout for analog neural memory in deep learning artificial neural network
US10831976B1 (en) * 2019-05-30 2020-11-10 International Business Machines Corporation Predicting local layout effects in circuit design patterns
US10831977B1 (en) * 2019-06-03 2020-11-10 Globalfoundries Inc. Curvilinear mask models
US10885259B2 (en) * 2019-08-30 2021-01-05 Intel Corporation Random forest model for prediction of chip layout attributes
US11010529B2 (en) 2019-09-16 2021-05-18 Taiwan Semiconductor Manufacturing Company Limited Integrated circuit layout validation using machine learning
US11762283B2 (en) * 2019-12-13 2023-09-19 Synopsys, Inc. Inverse lithography and machine learning for mask synthesis
WO2021115766A1 (en) 2019-12-13 2021-06-17 Asml Netherlands B.V. Method for improving consistency in mask pattern generation
CN115190985A (zh) * 2020-03-03 2022-10-14 Asml荷兰有限公司 基于机器学习的亚分辨率辅助特征放置
KR20220001262A (ko) 2020-06-29 2022-01-05 삼성전자주식회사 반도체 공정의 근접 보정 방법
KR20220014760A (ko) 2020-07-29 2022-02-07 삼성전자주식회사 심층 학습에 기반한 마스크 상의 형태 형성 방법, 및 그 형성 방법을 이용한 마스크 제조방법
KR20220014541A (ko) 2020-07-29 2022-02-07 삼성전자주식회사 공정 근접 효과 보정 방법 및 컴퓨팅 장치
US11270054B1 (en) * 2020-08-31 2022-03-08 Siemens Industry Software Inc. Method and system for calculating printed area metric indicative of stochastic variations of the lithographic process
CN112668718B (zh) * 2021-01-19 2023-07-18 北京市商汤科技开发有限公司 神经网络训练方法、装置、电子设备以及存储介质
CN113238460B (zh) * 2021-04-16 2022-02-11 厦门大学 一种基于深度学习的用于超紫外的光学邻近校正方法
TWI833241B (zh) 2021-06-18 2024-02-21 荷蘭商Ａｓｍｌ荷蘭公司 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016096308A1 (en) * 2014-12-18 2016-06-23 Asml Netherlands B.V. Feature search by machine learning
TW201633193A (zh) * 2014-12-15 2016-09-16 Ａｓｍｌ荷蘭公司 基於機器學習之最佳化
US20180259857A1 (en) * 2015-05-20 2018-09-13 Asml Netherlands B.V. Coloring aware optimization

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7018746B2 (en) * 2003-04-15 2006-03-28 International Business Machines Corporation Method of verifying the placement of sub-resolution assist features in a photomask layout
US20080077907A1 (en) * 2006-09-21 2008-03-27 Kulkami Anand P Neural network-based system and methods for performing optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
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
US20150161320A1 (en) * 2013-12-09 2015-06-11 Spansion Inc. Scattering bar optimization apparatus and method
US9626459B2 (en) * 2014-01-24 2017-04-18 International Business Machines Corporation Detecting hotspots using machine learning on diffraction patterns
WO2015158444A1 (en) * 2014-04-14 2015-10-22 Asml Netherlands B.V. Flows of optimization for lithographic processes
WO2016132152A1 (en) * 2015-02-19 2016-08-25 Magic Pony Technology Limited Interpolating visual data
KR20180036239A (ko) * 2016-09-30 2018-04-09 삼성전자주식회사 픽셀 기반 학습을 이용한 마스크 최적화 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201633193A (zh) * 2014-12-15 2016-09-16 Ａｓｍｌ荷蘭公司 基於機器學習之最佳化
WO2016096308A1 (en) * 2014-12-18 2016-06-23 Asml Netherlands B.V. Feature search by machine learning
US20180259857A1 (en) * 2015-05-20 2018-09-13 Asml Netherlands B.V. Coloring aware optimization

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全文 *

Also Published As

Publication number Publication date
KR20230035145A (ko) 2023-03-10
US20200050099A1 (en) 2020-02-13
TW201901285A (zh) 2019-01-01
KR20210119578A (ko) 2021-10-05
CN110692017A (zh) 2020-01-14
KR20200010496A (ko) 2020-01-30
WO2018215188A1 (en) 2018-11-29

Similar Documents

Publication Publication Date Title
TWI681250B (zh) 獲得輔助特徵之特性的方法及電腦程式產品
TWI699627B (zh) 機器學習輔助光學接近誤差校正的訓練方法
US20220277116A1 (en) Identification of hot spots or defects by machine learning
TWI736262B (zh) 用於計算微影之機器學習模型的訓練方法
US20210271172A1 (en) Methods of determining process models by machine learning
TWI584142B (zh) 基於機器學習之最佳化
TWI739343B (zh) 用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品
US20170357911A1 (en) Feature search by machine learning
TW202024773A (zh) 基於可製造性判定圖案化器件圖案之方法