TWI703653B - 基於模型之單一參數量測 - Google Patents

基於模型之單一參數量測 Download PDF

Info

Publication number
TWI703653B
TWI703653B TW105109293A TW105109293A TWI703653B TW I703653 B TWI703653 B TW I703653B TW 105109293 A TW105109293 A TW 105109293A TW 105109293 A TW105109293 A TW 105109293A TW I703653 B TWI703653 B TW I703653B
Authority
TW
Taiwan
Prior art keywords
measurement
model
parameter
parameters
signal
Prior art date
Application number
TW105109293A
Other languages
English (en)
Other versions
TW201703166A (zh
Inventor
史帝藍 伊凡渥夫 潘戴夫
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 TW201703166A publication Critical patent/TW201703166A/zh
Application granted granted Critical
Publication of TWI703653B publication Critical patent/TWI703653B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth

Abstract

本文中提出用於建置並使用一參數隔離模型以使與一感興趣參數相關聯的量測信號資訊和與偶發模型參數相關聯的量測信號資訊隔離之方法及系統。藉由以下步驟訓練該參數隔離模型：將與一度量目標之例項之一第一集相關聯的量測信號映射至與該度量目標之例項之一第二集相關聯的量測信號，該第一集具有複數個偶發模型參數之已知值及一感興趣參數之已知值，該第二集具有該複數個偶發模型參數之標稱值及該感興趣參數之該等已知值。該經訓練參數隔離模型接收原始量測信號且隔離與一特定感興趣參數相關聯的量測信號資訊以進行基於模型之參數估計。減少該量測模型之浮動參數之數目，從而導致明顯減少運算工作量。

Description

基於模型之單一參數量測 相關申請案之交叉參考
本專利申請案根據35 U.S.C.§119規定主張來自2015年3月24日申請、標題為「Model-Based Single Parameter Measurement」之美國臨時專利申請案第62/137,225號之優先權，該案之標的之全文以引用方式併入本文中。
所述實施例係關於度量系統及方法，且更特定言之係關於用於改良半導體產業中製造之結構之量測之方法及系統。
半導體裝置(諸如邏輯裝置及記憶體裝置)通常藉由應用於一樣品之一序列處理步驟而製成。半導體裝置之各個特徵及多個結構級別藉由此等處理步驟而形成。例如，其中微影係一種涉及在一半導體晶圓上產生一圖案之半導體製程。半導體製程之額外實例包含但不限於化學機械拋光、蝕刻、沈積及離子植入。多個半導體裝置可製造於一單一半導體晶圓上且接著分離成個別半導體裝置。
在一半導體製程期間之各個步驟處使用度量程序以偵測晶圓上之缺陷以促進更高良率。基於模型之度量技術使得可能實現高處理量而無樣本破壞之風險。數種以基於模型之度量為基礎之技術(包含散射量測、橢偏量測及反射量測實施方案以及相關聯分析演算法)通常用來使奈米級結構之臨界尺寸、膜厚度、組合物、疊對及其他參數特 性化。
現代半導體製程用來產生複雜結構。需要具有多個參數之一複雜量測模型來表示此等結構且考量製程及尺寸變動。複雜的多參數模型包含由參數相關性所致之模型化誤差及對一些參數之低量測敏感度。此外，具有相對較大數目個浮動參數值之複雜的多個參數模型之回歸可在運算上不易處理。為了降低此等誤差源之影響且減少運算工作量，在一基於模型之量測中，參數數目通常係固定的。儘管固定參數數目之值可改良運算速度且降低參數相關性之影響，但其亦導致參數值之估計誤差。
當前，複雜的多個參數量測模型之求解常常需要一不令人滿意的折衷。當前模型精簡技術有時無法達成既在運算上易處理又足夠準確的一量測模型。此外，複雜的多個參數模型使得難以或不可能使對各感興趣參數之系統參數選擇(例如，波形、入射角等)最佳化。
未來度量應用歸因於越來越小解析度的要求、多參數相關性、越來越複雜的幾何結構及增加的不透明材料使用而帶來挑戰。因此，需要用於改良量測之方法及系統。
本文中提出用於建置並使用一參數隔離模型以使與一感興趣參數相關聯的量測信號資訊和與偶發模型參數相關聯的量測信號資訊隔離之方法及系統。
在一項態樣中，藉由以下步驟訓練一參數隔離模型：將與一度量目標之例項之一第一集相關聯的量測信號映射至該度量目標之例項之一第二集。該度量目標之例項之第一集包含複數個偶發模型參數之已知值及一感興趣參數之已知值。該度量目標之例項之第二集包含該複數個偶發模型參數之標稱值及該感興趣參數之相同已知值。該等偶發參數係使一量測模型公式化所需但不直接指示在量測下之樣品之一 感興趣性質之模型參數。
一經訓練參數隔離模型接收原始量測信號且移除與偶發參數相關的信號資訊。由該經訓練參數隔離模型產生之輸出信號包含與一或多個感興趣參數相關聯的信號資訊。然而，該等輸出信號對該等偶發參數之值之變更不敏感，此係因為由該偶發參數相關聯之信號資訊已被該經訓練參數隔離模型除去。因此，該等偶發參數之值可在模型求解程序(例如，量測模型回歸)期間被指派一固定值。因此，在模型求解程序期間減小該量測模型之自由度(例如，浮動參數)。在一些實施例中，僅該等感興趣參數在該量測模型之回歸期間浮動。此動態地減少產生對該一或多個感興趣參數之估計所需之運算工作量之量。
在一進一步態樣中，一參數隔離模型經訓練並用來個別地量測各感興趣參數。因此，與各感興趣參數相關聯的參數隔離模型經獨立最佳化。藉由個別地選擇各感興趣參數，與參數隔離模型訓練相關聯的運算負擔減小且基本量測之效能可藉由選擇針對各個別參數經最佳化之不同波長、量測子系統及量測方法而最大化。此外，不同的基於模型之量測求解器可不同地經選擇或經組態以用於各感興趣參數。
在另一進一步態樣中，一參數隔離模型經訓練並用來平行地量測多個感興趣參數。因此，一單一參數隔離模型經訓練以隔離相關聯之多個感興趣參數之信號。在一個實例中，參考原始量測資料可經收集用於數個不同參數且多個參數可被選擇為感興趣參數，而剩餘參數被視為用於訓練與該多個感興趣參數相關聯的一參數隔離模型之目的之偶發參數。
在另一態樣中，該參數隔離模型將從橫跨晶圓或晶圓之一子集之數個量測位點收集之原始量測資料之整個集用於各個別量測位點處之訓練及後續量測兩者。因此，該參數隔離模型捕捉橫跨晶圓之參數變動，包含隨機程序及量測誤差。例如，程序隨機地變更(例如，隨 機焦點及劑量誤差等)且本文中所述之參數隔離模型能夠捕捉此等誤差。
前文為發明內容且因此必然包含細節之簡化、概括及省略；因此，熟習此項技術者將明白，發明內容僅係闡釋性的且不以任何方式進行限制。本文中所述之裝置及/或程序之其他態樣、發明特徵及優點將在本文中所陳述之非限制性詳細描述中變得顯而易見。
100:量測系統/度量系統
101:光譜橢偏儀
102:照射器/照射器子系統
104:光譜儀
106:經偏振照射光束
107:偏振狀態產生器
108:收集路徑
109:偏振狀態分析器
110:晶圓定位系統
111:光譜/量測資料
112:半導體晶圓/樣品
114:結構/目標結構
115:經訓練參數隔離模型
120:圖
121:參數隔離模型(PIM)建置工具
122:參數隔離模型(PIM)量測工具
123:記憶體
130:運算系統/單一電腦系統/多電腦系統
132:記憶體
134:程式指令
140:輸出信號
151:參考變換模組
152:縮減參考變換模組
153:參數隔離模型(PIM)訓練模組
154:參數隔離模組
155:參數求解器模組
156:參考量測信號/參考原始信號
157:縮減參考量測信號/縮減參考原始信號
158:參考信號分量
159:縮減參考信號分量
160:輸入信號變換模型
161:逆參考信號變換模型
162:參數隔離模型/經訓練參數隔離模型
163:原始量測信號
164:縮減的經量測信號
165:經估計值
170:晶圓
171:量測位點
180:結構
181:層
182:梯狀結構
183:中間層
184:中間層
185:中間層
186:梯狀結構
190:圖表
191:圖表
192:圖表
193:圖表
194:圖表
195:圖表
196:圖表
197:圖表
200:方法
201:區塊
202:區塊
203:區塊
300:方法
301:區塊
302:區塊
303:區塊
G1-HT:高度參數
G5-HT:高度參數
G1-MCD:中間臨界尺寸參數
G5-MCD:中間臨界尺寸參數
G1-SWA:側壁角參數
G5-SWA:側壁角參數
圖1描繪用於根據本文中所述之方法量測一半導體晶圓之特性之一量測系統100。
圖2係繪示一例示性PIM建置工具121及一PIM量測工具122之一圖120。
圖3描繪具有量測位點171之一網格之一晶圓170。
圖4描繪在例如藉由度量系統100之量測下之一結構180。
圖5繪示一圖表190，其描繪以習知的基於模型之量測為基礎之在圖4中所描繪之參數G1-MCD之追蹤效能之一模擬。
圖6繪示一圖表191，其描繪以習知的基於模型之量測為基礎之在圖4中所描繪之參數G1-SWA之追蹤效能之一模擬。
圖7繪示一圖表192，其描繪以習知的基於模型之量測為基礎之在圖4中所描繪之參數G1-HT之追蹤效能之一模擬。
圖8繪示一圖表193，其描繪以習知的基於模型之量測為基礎之在圖4中所描繪之參數G5-MCD之追蹤效能之一模擬。
圖9繪示一圖表194，其描繪以使用一經訓練參數隔離模型之基於模型之量測為基礎之在圖4中所描繪之參數G1-MCD之追蹤效能之一模擬。
圖10繪示一圖表195，其描繪以使用一經訓練參數隔離模型之基於模型之量測為基礎之在圖4中所描繪之參數G1-SWA之追蹤效能之一 模擬。
圖11繪示一圖表196，其描繪以使用一經訓練參數隔離模型之基於模型之量測為基礎之在圖4中所描繪之參數G1-HT之追蹤效能之一模擬。
圖12繪示一圖表197，其描繪以使用一經訓練參數隔離模型之基於模型之量測為基礎之在圖4中所描繪之參數G5-MCD之追蹤效能之一模擬。
圖13繪示用於使用一經訓練參數隔離模型執行量測之一方法200。
圖14繪示用於訓練一參數隔離模型之一方法300。
現將詳細參考本發明之背景實例及一些實施例，其中之實例繪示於隨附圖式中。
本文中提出用於建置並使用一參數隔離模型以使與一感興趣參數相關聯的量測信號資訊和與其他模型參數相關聯的量測信號資訊隔離之方法及系統。藉由使與一特定感興趣參數相關聯的量測信號資訊隔離，可減少應用於量測信號之一量測模型之浮動參數之複雜度及數目而不犧牲量測準確度。因此，可在運算工作量顯著減少之情況下獲得足夠準確的基於模型之量測結果。
一經訓練參數隔離模型接收原始量測信號且移除與特定偶發參數相關的信號資訊。該等偶發參數係使一量測模型公式化所需但不直接指示在量測下之樣品之一感興趣性質之模型參數。由該經訓練參數隔離模型產生之輸出信號包含與一或多個感興趣參數相關聯的信號資訊。因此，由該經訓練參數隔離模型產生之輸出信號對偶發參數不敏感，且此等參數可在模型求解程序(例如，量測模型回歸)期間被指派一固定值。因此，在模型求解程序期間減小該量測模型之自由度 (例如，浮動參數)。在一些實施例中，僅該等感興趣參數在該量測模型之回歸期間浮動。此動態地減少產生對該一或多個感興趣參數之估計所需之運算工作量之量。
圖1繪示用於量測一半導體晶圓之特性之一系統100。如圖1中所展示，系統100可用來執行安置於一晶圓定位系統110上之一半導體晶圓112之一或多個結構114之光譜橢偏量測。在此方面，系統100可包含裝配有一照射器102及一光譜儀104之一光譜橢偏儀101。系統100之照射器102經組態以產生一選定波長範圍(例如，150nm至1700nm)之照射並將其引導至安置於半導體晶圓112之表面上之結構114。繼而，光譜儀104經組態以接收來自半導體晶圓112之表面之光。應進一步注意，從照射器102射出之光係使用一偏振狀態產生器107偏振以產生一經偏振照射光束106。由安置於晶圓112上之結構114反射之輻射行進穿過一偏振狀態分析器109並至光譜儀104。就偏振狀態分析由光譜儀104在收集光束108中接收之輻射，從而允許由該分析器對行進之輻射進行光譜分析。此等光譜111行進至運算系統130以用於分析結構114。
在一進一步實施例中，度量系統100係包含一或多個運算系統130之一量測系統100，該一或多個運算系統130經組態以執行根據本文中所提供之描述之一參數隔離模型(PIM)建置工具及一PIM量測工具。在較佳實施例中，該PIM建置工具及該PIM量測工具係儲存於一記憶體132中之程式指令134之一集。程式指令134係由運算系統130之一或多個處理器讀取並執行以實現如本文中所述之PIM功能。運算系統130可通信地耦合至光譜儀104。在一項態樣中，運算系統130經組態以接收與樣品112之結構114之一量測(例如，臨界尺寸、膜厚度、組合物、程序等)相關聯的量測資料111。在一個實例中，量測資料111包含由量測系統100基於來自光譜儀104之一或多個取樣程序對該 樣品之經量測光譜回應之一指示。在一些實施例中，運算系統130經進一步組態以從量測資料111判定結構114之樣品參數值。在一個實例中，運算系統130經組態以採用實時臨界尺寸標註(RTCD)實時存取模型參數，或其可存取預運算模型庫以用於判定與目標結構114相關聯的至少一個感興趣參數之一值。
在一些實施例中，量測系統100經進一步組態以將一或多個經訓練參數隔離模型115儲存於一記憶體中(例如，記憶體132或一外部記憶體)。
應認知，遍及本發明所述之各個步驟可由一單一電腦系統130或替代地一多電腦系統130實行。此外，系統100之不同子系統(諸如光譜橢偏儀101)可包含適於實行本文中所述之步驟之至少一部分之一電腦系統。因此，前文描述不應被解釋為對本發明之一限制，但應被解釋為僅係一闡釋。此外，運算系統130可經組態以執行本文中所述之方法實施例之任何一者之任何其他步驟。
運算系統130可包含但不限於一個人電腦系統、主機電腦系統、工作站、影像電腦、平行處理器或此項技術中已知之任何其他裝置。大體言之，術語「運算系統」可在廣義上被定義為涵蓋具有執行來自一記憶體媒體之指令之一或多個處理器之任何裝置。大體言之，運算系統130可與一量測系統(諸如量測系統100)整合，或替代地可與任何量測系統分離。在此意義上，運算系統130可定位於遠端且接收來自任何量測源之量測資料。
可透過一傳輸媒體(諸如一導線、電纜或無線傳輸鏈路)傳輸實施方法(諸如本文中所述之該等方法)之程式指令134。儲存程式指令134之記憶體132可包含一電腦可讀媒體，諸如一唯讀記憶體、一隨機存取記憶體、一磁碟或光碟、或一磁帶。
此外，電腦系統130可以此項技術中已知之任何方式通信地耦合 至橢偏儀101之光譜儀104或照射器子系統102。
運算系統130可經組態以藉由可包含有線部分及/或無線部分之一傳輸媒體從該系統之子系統(例如，光譜儀104、照射器102等)接收及/或捕獲資料或資訊。以此方式，該傳輸媒體可用作電腦系統130與系統100之其他子系統之間的一資料鏈路。此外，運算系統130可經組態以經由一儲存媒體(即，記憶體)接收量測資料。例如，可將使用橢偏儀101之一光譜儀獲得之光譜結果儲存於一永久性或半永久性記憶體裝置(未展示)中。就此而言，該等光譜結果可從一外部系統輸入。此外，電腦系統130可經由一傳輸媒體將資料發送至外部系統。
圖1中所繪示之系統100之實施例可進一步如本文中所述般組態。此外，系統100可經組態以執行本文中所述之方法實施例之任何一者之任何其他區塊。
大體言之，橢偏量測係量測受檢驗之樣品之物理性質之一間接方法。在多數情況下，原始量測信號(例如，αmeas及βmeas)無法用來直接判定該樣品之物理性質。標稱量測程序係由結構參數化(例如，膜厚度、臨界尺寸等)及機器參數化(例如，波長、入射角、偏振角等)組成。產生嘗試預測經量測值(例如，αmeas及βmeas)之一量測模型。如方程式(1)及(2)中所闡釋，該模型包含與該機器相關聯的參數(Pmachine)及與該樣品相關聯的參數(Pspecimen)。
α model =f(P machine ,P specimen ) (1)
β model =g(P machine ,P specimen ) (2)
機器參數係用來使度量工具(例如，橢偏儀101)特性化之參數。例示性機器參數包含入射角(AOI)、分析器角(A0)、偏振器角(P0)、照射波長、數值孔徑(NA)等。樣品參數係用來使樣品(例如，包含結構114之樣品112)特性化之參數。對於一薄膜樣品，例示性樣品參數包 含折射率、介電函數張量、所有層之標稱層厚度、層序列等。出於量測目的，該等機器參數被視為已知的固定參數且該等樣品參數之一或多者被視為未知的浮動參數。
在一些實例中，藉由產生理論預測與實驗資料之間的最佳擬合之一反覆程序(例如，回歸)對該等浮動參數求解。改變該等未知樣品參數(Pspecimen)且計算模型輸出值(例如，αmodel及βmodel)直至判定一樣品參數值集為止，其導致該等模型輸出值與該等經實驗量測值(例如，αmeas及βmeas)之間的一接近匹配。在一基於模型之量測應用(諸如一CD樣品上之一光譜橢偏量測)中，採用一回歸程序(例如，普通最小二乘回歸)來識別使機器參數值之一固定集之該等模型輸出值與該等經實驗量測值之間的差最小化之樣品參數值。
在一些實例中，藉由搜尋一預運算解庫以尋找最接近匹配來對該等浮動參數求解。在一基於模型之量測應用(諸如一CD樣品上之一光譜橢偏量測)中，採用一庫搜尋程序來識別使一機器參數值之固定集之預運算輸出值與該等經實驗量測值之間的差最小化之樣品參數值。
在一基於模型之量測應用中，常常需要簡化假定維持充足處理量。在一些實例中，必須減小一嚴格耦合波分析(RCWA)之截斷階數以使運算時間最小化。在另一實例中，減少庫函數之數目或複雜度以使搜尋時間最小化。在另一實例中，減少浮動參數之數目。若未小心地執行，則此等簡化假定可導致一或多個感興趣參數之值估計之不可接受誤差。藉由建置並使用一參數隔離模型以隔離與如本文中所述之感興趣參數相關聯的量測信號資訊，該基於模型之量測可簡化而不犧牲量測準確度。
圖2係繪示由運算系統130實施之一例示性PIM建置工具121及一PIM量測工具122之一圖120。在圖2中所繪示之實施例中，運算系統 130經組態以實施如本文中所述之PIM建置及量測功能。
在圖2中所描繪之實施例中，由參考變換模組151接收參考量測信號156。參考量測信號156係與一或多個度量目標之量測相關聯的原始量測信號，該一或多個度量目標具有複數個偶發模型參數之一已知值範圍及至少一個感興趣參數之一已知值範圍。原始量測信號係由一量測系統(諸如圖1中所描繪之橢偏儀101)產生之量測信號。在一基於模型之量測中，採用一回歸程序、庫搜尋或其之某組合來估計使該等原始量測信號最佳地匹配藉由該量測模型預測之對應信號值之模型參數值。
類似地，由縮減參考變換模組152接收縮減參考量測信號157。縮減參考量測信號157與相同度量目標或相同於參考量測信號156之度量目標之不同例項之量測相關聯。然而，經量測以獲得縮減參考量測信號157之度量目標具有複數個偶發模型參數之各者之一已知的標稱值及一或多個感興趣參數之相同的已知值。
在一較佳實施例中，對於在考量中之各特定量測應用，藉由模擬由一量測系統(諸如圖1中所描繪之橢偏儀101)產生之量測信號產生參考量測信號156及縮減參考量測信號157。各特定量測應用定義在考量中之度量目標、量測系統組態及量測模型。用已知參數值模擬該量測模型，且經模擬量測信號被視為提供給PIM建置工具121之參考量測信號156及縮減參考量測信號。
在一些其他實施例中，參考量測信號156及縮減參考量測信號157或兩者係藉由該量測系統對考量中之具有已知參數值的度量目標之實際量測產生之實際的原始量測信號。在此等實施例中，藉由實際量測產生之信號被視為提供給PIM建置工具121之參考量測信號156及縮減參考量測信號157。
圖3描繪具有量測位點171之一網格之一晶圓170。各量測位點包 含由一量測系統(例如圖1中所描繪之度量系統100)量測之一或多個度量目標。大體言之，量測資料收集可橫跨整個晶圓或晶圓區域之一子集執行。此外，在一些實施例中，該等度量目標係針對可印性及對程序參數、感興趣結構參數或兩者之變更之敏感度而設計。在一些實例中，該等度量目標係特殊目標。在一些實施例中，該等度量目標係基於習知線/空間目標。以非限制性實例為例，可採用可購自加利福尼亞州(美國)苗必達市KLA-Tencor Corporation之CD目標、SCOL目標或AiMTM目標。在一些其他實施例中，該等度量目標係似裝置結構。在一些其他實例中，該等度量目標係裝置結構或裝置結構之部分。不管採用何種類型之度量目標，展現對程序變動、結構變動或兩者之敏感度之一度量目標集(正被開發)經提供以用於使用一經訓練參數隔離模型執行之量測。一旦該模型經訓練，其隨即可用來執行相同度量目標之不同例項之量測，儘管一或多個感興趣參數之值係未知的。
使用一輸入信號變換模型160，參考變換模組151將參考量測信號156變換成參考信號分量158之一集。類似地，使用一參考信號變換模型，縮減參考變換模組152將縮減參考量測信號157變換成縮減參考信號分量159之一集。
在一些實施例中，輸入信號變換模型160及該參考信號變換模型係線性變換。在此等實施例之一些中，基於一主分量分析判定該等線性模型。在一些實施例中，輸入信號變換模型160及該參考信號變換模型係非線性變換。在此等實施例之一些中，基於已知參數值以及信號156及157，以一反覆方式訓練一非線性模型以達成足夠小信號分量集。
將信號156及157變換成信號分量經執行以縮減在考量中之訓練資料之尺寸。在此意義上，此等變換係選用的。因此，在一些實施例中，由PIM訓練模組153直接接收信號156及157，但此不是較佳的。
除將縮減參考量測信號157變換成縮減參考信號分量159之一集外，縮減參考變換模組152亦產生將信號分量159變換回信號157且伴隨一最小誤差之一逆參考信號變換模型161。該逆參考信號變換模型161為由縮減參考變換模152使用以如前文中所述之將信號157變換為分量159之該參考信號變換模型之逆轉換(inverse)。
PIM訓練模組153分別從參考變換模組151及縮減參考變換模組152接收信號分量158及159。PIM訓練模組153基於該等經接收信號分量訓練一參數隔離模型162。參數隔離模型162之訓練係基於將信號分量158映射至信號分量159。方程式(3)闡釋參考信號分量158至縮減參考信號分量159之一例示性映射M。
Figure 105109293-A0305-02-0015-1
經訓練參數隔離模型162定義參考信號分量158與縮減參考信號分量159之間的一函數關係。更大體言之，經訓練參數隔離模型162定義從基於具有偶發參數之一值範圍及一或多個感興趣參數之一值範圍之目標之量測之原始量測信號至基於具有偶發參數之固定值及一或多個感興趣參數之一值範圍之目標之量測之縮減原始量測信號之一映射。在一些實例中，將參數隔離模型162實施為一神經網路模型。在其他實例中，可將參數隔離模型162實施為一線性模型、一非線性模型、一多項式模型、一回應表面模型、一支援向量機模型或其他類型之模型。在一些實例中，可將參數隔離模型162實施為模型之一組合。藉由用一經訓練參數隔離模型162擴充基於模型之度量，總量測準確度及精度被改良，同時運算工作量顯著減少。
藉由使用原始量測資料或原始量測資料之分量來訓練參數隔離模型162，減小與傳統量測模型精簡技術相關聯的誤差及逼近。此外，參數隔離模型162對系統誤差、非對稱性等不敏感，此係因為參數隔離模型162係基於與一特定量測應用相關聯且用來基於相同量測應用執行量測之原始量測資料而訓練。應注意，嵌入於用於訓練參數 隔離模型162之原始量測資料中之系統誤差將不由該經訓練參數隔離模型162捕捉。因此，重要的是，選擇具有在考量中之特定量測應用之可接受極限內之系統誤差之一量測系統。
總言之，輸入信號變換模型160、逆參考信號變換模型161及經訓練參數隔離模型162作為來自PIM建置工具121之輸出被傳達。在一些實施例中，此等元件儲存於一記憶體(即，記憶體132或一外部記憶體)中以供未來使用。在一些實施例中，此等元件由PIM量測工具122接收以用於實際量測。
如圖2中所描繪，參數隔離模組154接收輸入信號變換模型160、逆參考信號變換模型161及經訓練參數隔離模型162。此外，參數隔離模組154接收原始量測信號163。原始量測信號163係藉由具有偶發參數及感興趣參數兩者之未知值之結構之實際量測而產生。該等經量測結構係經量測以產生參考量測信號156及縮減參考量測信號157之相同結構之不同例項。在此意義上，與信號163相關聯的量測應用係與信號156及157相關聯的相同量測應用。
使用輸入信號變換模型160，參數隔離模組154將原始量測信號163 Smeas變換成經量測信號分量SCmeas之一集。方程式(4)闡釋對原始量測信號Smeas進行運算以達成經量測信號分量SCmeas之輸入信號變換Tref。
SC meas =T ref (S meas ) (4)
使用參數隔離模型162，參數隔離模組154將經量測信號分量SCmeas映射至縮減的經量測信號分量SCred meas。方程式(5)闡釋對經量測信號分量SCmeas進行運算以達成縮減的經量測信號分量SCred meas之參數隔離模型M。
Figure 105109293-A0305-02-0016-2
此外，使用逆參考信號變換模型161，參數隔離模組154將縮減的經量測 信號分量SCred meas變換成縮減的經量測信號Sred meas之一集。方程式(6)闡釋對縮減的經量測信號分量SCred meas進行運算以達成縮減的經量測信號Sred meas之逆信號變換Tref -1。
Figure 105109293-A0305-02-0017-3
將縮減的經量測信號164傳達至參數求解器模組155。參數求解器模組155基於縮減的經量測信號164估計一或多個感興趣參數之值。由參數求解器模組155採用之量測模型之偶發參數固定於與用來訓練參數隔離模型M之縮減參數量測信號157相關聯的標稱值，且該一或多個感興趣參數係浮動的。以非限制性實例為例，參數求解器模組155可採用基於模型之回歸、基於模型之庫搜尋、基於模型之庫回歸、信號回應度量或其等之任何組合。在美國專利公開案第2014/0297211號及美國專利公開案第2014/0316730號中論述關於信號回應度量之進一步細節，該等案之全文以引用方式併入本文中。
在圖2中所描繪之實施例中，將該一或多個感興趣參數之經估計值165儲存於一記憶體(例如，記憶體123)中。
在圖1中所描繪之實施例中，一光譜橢偏儀101提供用於訓練及使用一參數隔離模型之量測資料。然而，大體言之，可採用任何合適的基於模型之度量技術可來產生用於根據本文中所述之方法訓練及使用一參數隔離模型之量測資料。
在一個實例中，基於一橢偏疊對量測應用中之光瞳影像資料訓練一參數隔離模型。
在另一實例中，基於一基於影像之疊對量測應用中之影像資料訓練一參數隔離模型。在此實例中，除因疊對偏移引入之非對稱性外，原始影像資料亦包含程序所致之非對稱性，諸如側壁角。該參數隔離模型經訓練以使偶發非對稱性(例如，側壁角)與歸因於該感興趣 參數引起之非對稱性(例如，疊對偏移)隔離。此係藉由基於經模擬參考信號及經模擬縮減參考信號訓練該參數隔離模型而實現。該等參考信號包含該等偶發參數之一值範圍(例如，側壁角)及該感興趣參數之一值範圍(例如，疊對偏移)。該等縮減參考信號包含各偶發參數之一標稱值及該感興趣參數之相同值範圍。採用該經訓練參數隔離模型來縮減從具有未知疊對之樣本收集之影像資料。該縮減影像資料對程序所致之非對稱性不敏感。採用一基於影像之疊對演算法來基於該縮減影像資料估計該疊對偏移。
圖4描繪在例如度量系統100之量測下之一結構180。結構180包含：一層181，其具有一梯形結構182；中間層183、184及185；及另一梯形結構186，其安置於結構180頂部。梯形結構182係用一中間臨界尺寸參數(G1-MCD)、一側壁角參數(G1-SWA)及一高度參數(G1-HT)而參數化。梯形結構186係用一中間臨界尺寸參數(G5-MCD)、一側壁角參數(G5-SWA)及一高度參數(G5-HT)而參數化。
運算系統130從G1-MCD、G1-SWA、G1-HT及G5-MCD之一已知參數值範圍合成地產生參考原始信號156。類似地，運算系統130從G5-MCD之相同已知參數值範圍以及G1-MCD、G1-SWA及G1-HT之固定的標稱參數值合成地產生縮減參考原始信號157。
圖5至圖8分別繪示參數G1-MCD、G1-SWA、G1-HT及G5-MCD之各者之追蹤效能。圖5至圖8中所繪示之追蹤效能係基於繪製各參數之實際的已知值對在不使用一參數隔離模型之情況下以習知的基於模型之度量為基礎預測之對應參數值。如分別在圖5至圖8中所描繪之圖表192、193、194及195中所繪示，各參數之追蹤效能係相當好的。然而，與達成此結果相關聯的運算工作量係大量的。應注意，在此實例中，僅將參考原始信號156提供給基於模型之量測引擎。亦應注意，良好地追蹤所有參數表明，參考原始信號156包含與該等參數之各者 相關聯的資訊。
圖9至圖12亦分別繪示參數G1-MCD、G1-SWA、G1-HT及G5-MCD之各者之追蹤效能。然而，圖9至圖12中所繪示之追蹤效能係基於繪製各參數之實際的已知值對在使用如本文所述之一參數隔離模型之情況下以基於模型之度量為基礎預測之對應參數值。在此實例中，參數G5-MCD係感興趣參數且參數G1-MCD、G1-SWA及G1-HT係偶發參數。如分別在圖9至圖12中所描繪之圖表194、195、196及197中所繪示，該等偶發參數之追蹤效能係相當差的。然而，該感興趣參數G5-MCD之追蹤效能係相當好的。在此實例中，與達成此結果相關聯的運算工作量遠小於圖5至圖8中所描繪之習知的基於模型之度量。應注意，在此實例中，該基於模型之量測引擎對縮減量測信號進行運算。亦應注意，繼續良好地追蹤所有該感興趣參數(G5-MCD)表明，該等縮減量測信號包含與該感興趣參數相關聯的資訊。然而，未良好地追蹤該等偶發參數表明，該等縮減量測信號缺乏與該等偶發參數(G1-MCD、G1-SWA及G1-HT)相關聯的資訊。因此，該參數隔離模型已從經量測信號有效地移除與G1-MCD、G1-SWA及G1-HT相關聯的資訊。
在一進一步態樣中，一參數隔離模型經訓練並用來個別地量測各感興趣參數。因此，與各感興趣參數相關聯的參數隔離模型經獨立最佳化。在一個實例中，參考原始量測資料可經收集用於如關於圖5至圖12所論述之數個不同參數，且各參數可個別地被選擇為該感興趣參數，而剩餘參數被視為用於訓練與各不同參數相關聯的一不同參數隔離模型之目的之偶發參數。藉由個別地選擇各感興趣參數，減小與參數隔離模型訓練相關聯的運算負擔，且可藉由選擇針對各個別參數最佳化之不同波長、量測子系統及量測方法而最大化基本量測之效能。此外，不同的基於模型之量測求解器可不同地經選擇或經組態以 用於各感興趣參數。
在另一進一步態樣中，一參數隔離模型經訓練並用來平行地量測多個感興趣參數。因此，一單一參數隔離模型經訓練以隔離信號相關聯之多個感興趣參數。在一個實例中，參考原始量測資料可經收集用於如關於圖5至圖12所論述之數個不同參數，且多個參數可被選擇為感興趣參數，而剩餘參數被視為用於訓練與該多個感興趣參數相關聯的一參數隔離模型之目的之偶發參數。
通常，在一特定量測位點處執行之感興趣參數量測依賴於僅從該特定量測位點收集之資料，即使資料可從晶圓上之多個位點收集。例如，基於模型之量測(諸如基於影像之疊對、散射量測疊對等)僅將可用量測資料之一子集用於基於模型之回歸。因此，不使用可改良量測效能之來自多個位點之資訊。
在另一態樣中，該參數隔離模型將從橫跨晶圓或晶圓之一子集之數個量測位點收集之原始量測資料之整個集用於各個別量測位點處之訓練及後續量測兩者。因此，該參數隔離模型捕捉橫跨晶圓之參數變動，包含隨機程序及量測誤差。例如，程序隨機地變更(例如，隨機焦點及劑量誤差等)且本文中所述之參數隔離模型能夠捕捉此等誤差。
圖13繪示用於使用一經訓練參數隔離模型執行量測之一方法200。方法200適於由一度量系統實施，諸如本發明之在圖1中所繪示之度量系統100。在一項態樣中，應認知，方法200之資料處理區塊可經由由運算系統130或任何其他通用運算系統之一或多個處理器執行之一預程式化演算法實行。在本文中應認知，度量系統100之特定結構態樣不表示限制且應被解釋為僅係闡釋性的。
在區塊201中，由運算系統130接收與由一量測系統對一度量目標之一量測相關聯的一定量原始量測信號。
在區塊202中，由運算系統130判定一原始量測信號縮減集。藉由將一經訓練參數隔離模型應用於該一定量原始量測信號，判定該原始量測信號縮減集。基於以下項之量測訓練該經訓練參數隔離模型：該度量目標之例項之一第一集，其具有複數個偶發模型參數之已知值及一感興趣參數之已知值；及該度量目標之例項之一第二集，其具有該複數個偶發參數之標稱值及該感興趣參數之已知值。
在區塊203中，由運算系統130基於該原始量測信號縮減集及一量測模型，判定該度量目標之一感興趣參數之一值。該量測模型之複數個偶發模型參數在判定該感興趣參數之值期間固定於該等標稱值。
此外，將該感興趣參數之經判定值儲存於一記憶體中。例如，可將該等值內建地儲存於量測系統100(例如，儲存於記憶體132中)或(例如，經由輸出信號140)傳達至一外部記憶體裝置(例如，記憶體123)。
圖14繪示用於訓練一參數隔離模型之一方法300。方法300適於由一度量系統實施，諸如本發明之在圖1中所繪示之度量系統100。在一項態樣中，應認知，方法300之資料處理區塊可經由由運算系統130或任何其他通用運算系統之一或多個處理器執行之一預程式化演算法實行。在本文中應認知，度量系統100之特定結構態樣不表示限制且應被解釋為僅係闡釋性的。
在區塊301中，由運算系統130接收一定量參考量測信號。該等參考量測信號與一度量目標之例項之一第一集之量測相關聯，該第一集具有複數個偶發模型參數之已知值及一感興趣參數之已知值。
在區塊302中，由運算系統130接收一定量縮減參考量測信號。該等縮減參考量測信號與該度量目標之例項之一第二集之量測相關聯，該第二集具有該複數個偶發模型參數之標稱值及該感興趣參數之已知值。
在區塊303中，由運算系統130訓練該參數隔離模型。該參數隔離模型之訓練係基於將該等參考量測信號映射至該等縮減參考量測信號。
大體言之，前述量測技術可應用於以下項之量測：程序參數、結構參數、佈局參數、分散參數或其等之任何組合。以非限制性實例為例，可使用前述技術量測疊對、分佈幾何結構參數(例如，臨界尺寸、高度、側壁角)、程序參數(例如，微影焦點及微影劑量)、分散參數、佈局參數(例如，節距、邊緣佈置誤差)、膜厚度、組合物參數或任何參數組合。
以非限制性實例為例，用一經訓練參數隔離模型量測之結構包含列間距光柵結構、FinFet結構、SRAM裝置結構、快閃記憶體結構及DRAM記憶體結構。
在另一進一步態樣中，定位於晶圓上之度量目標係具較佳設計規則之目標。換言之，該等度量目標遵守適用於基本半導體製程之設計規則。在一些實例中，該等度量目標較佳定位於作用晶粒區域內。在一些實例中，該等度量目標具有15微米×15微米之尺寸或更小尺寸。以此方式，可分析對由微影缺陷所致之視場內變動之疊對之影響。在一些其他實例中，該等度量目標定位於刻劃道內，或否則定位於作用晶粒區域外。
本文中所述之經訓練參數隔離模型將原始量測資料或原始量測資料之信號分量直接接收為輸入且將縮減信號提供為輸出。藉由使量測程序流線型化，預測結果連同運算時間及使用者時間減少被改良。
在另一進一步態樣中，用於訓練該參數隔離模型之方法及系統包含用來使達成一經訓練參數隔離模型所需之元件之任何一者或所有自動化之一最佳化演算法。
在一些實例中，一最佳化演算法經組態以藉由使以下參數之任 何一者或所有最佳化來使(由一成本函數定義之)該參數隔離模型之效能最大化：模型之類型及該選定模型之參數。該最佳化演算法可包含使用者定義之啟發法且可係嵌套最佳化之組合(例如，組合最佳化及連續最佳化)。
在一些實施例中，來自多個不同目標之原始量測資料經收集用於參數隔離模型建置、訓練及量測。與具有不同結構但由相同程序條件形成之多個目標相關聯的資料之使用增加嵌入於該模型中之資訊且減小與程序或其他參數變動之相關性。嵌入於該模型中之額外資訊允許與一個感興趣參數相關聯的資訊內容和與可以一類似方式影響經量測信號之其他參數(例如，膜厚度、CD等)相關聯的資訊去耦合。在此等實例中，包含一或多個量測位點處之多個不同目標之量測之訓練資料之使用實現更準確的信號隔離。
大體言之，可預期任何量測技術或者兩種或更多種量測技術之組合係在本專利文件之範疇內，此係因為經處理用於參數隔離模型訓練及量測之資料係呈向量形式。由於如本文中所述之模型技術對資料向量進行運算，故獨立地處理各經收集信號。此外，可串連來自多個不同度量之資料，而不管該資料是二維資料、一維資料還是(甚至)單一點資料。
可提供用於根據本文中所述之參數隔離模型進行分析之資料之例示性量測技術包含但不限於：光譜橢偏量測，包含米勒矩陣橢偏量測；光譜反射量測，包含單一波長、多波長及角解析；光譜散射量測；散射量測疊對；光束分佈反射量測(角解析及偏振解析)；光束分佈橢偏量測；單一或多離散波長橢偏量測；透射小角x射線散射計(TSAXS)；小角x射線散射(SAXS)；掠入射小角x射線散射(GISAXS)；廣角x射線散射(WAXS)；x射線反射(XRR)；x射線繞射(XRD)；掠入射小角x射線繞射(GIXRD)；高解析度x射線繞射 (HRXRD)；x射線光電子光譜法(XPS)；拉曼光譜法；x射線螢光(XRF)；掠入射x射線螢光(GIXRF)；x射線斷層攝影術及x射線橢偏量測。大體言之，可預期適用於半導體結構之特性化之任何度量技術(個別地或以任何組合)，包含基於影像之度量技術、基於光斑之散射計、掃描電子顯微術(SEM)、穿隧電子顯微術(TEM)及原子力顯微術(AFM)。
大體言之，來自各藉由多種度量技術量測之多個目標之信號增加信號之組合集中之資訊內容且減小與程序或其他參數變動之相關性。
在一進一步態樣中，在一差分模式中實施用於訓練及量測如前文中所述之參數隔離模型之方法及系統。在此一方案中，在處理流程中之兩個不同步驟處執行度量目標量測及任何相關聯參考量測。在各不同處理步驟處量測之信號之差被視為訓練信號(出於訓練目的)及量測信號(出於量測目的)。
在一個實例中，相同位置點用於一微影步驟及一後續蝕刻步驟處之度量目標量測。該微影步驟與該蝕刻步驟之間的差信號允許在每個點位基礎上監控程序可變性，即使結構會在晶圓上之點之間改變(例如，歸因於程序步驟或小定位誤差)。對於其中量測目標之變動存在於晶圓上之不同視場之間的SRAM裝置區域之度量而言，此差分度量模式可係較佳的。
在一些實例中，量測目標變動起因於經量測結構之週期性之一缺陷，例如有限結構大小或在其中另一週期性結構於度量系統之量測點內不充分重複之情況下。在一些實例中，量測目標變動起因於光學度量系統之一小點大小及該度量系統之量測位置佈置誤差。
在一些實例中，一或多個蝕刻步驟之前的實際裝置參數值與一或多個蝕刻步驟之後的實際裝置參數值之間的差可用作用於蝕刻程序 之封閉迴路控制之一輸入。
大體言之，差分度量允許可例如用來設定兩個程序監控步驟(即，蝕刻及微影)之間的目標偏差之全域(晶圓)、視場(視場平均)或區域(每個位點)結果提供每次視場校正，或提供高階校正(例如，OVL或EPE控制)。
在一些實例中，將本文中所述之參數隔離模型建置、訓練及量測方法實施為可購自美國加利福尼亞州苗必達市KLA-Tencor Corporation之一SpectraShape®光學臨界尺寸度量系統之一要素。以此方式，該模型經產生並準備在由該系統收集所需參考原始量測資料之後立即被使用。
在一些其他實例中，例如由實施可購自美國加利福尼亞州苗必達市KLA-Tencor Corporation之AcuShape®軟體之一運算系統離線實施本文中所述之參數隔離模型建置及訓練方法。可將所得的經訓練模型併入為可由執行量測之一度量系統存取之一AcuShape®庫之一要素。
在又一態樣中，使用本文中所述之一參數隔離模型獲得之量測結果可用來將主動回饋提供給一程序工具(例如，微影工具、蝕刻工具、沈積工具等)。例如，使用本文中所述之方法判定之EPE或疊對誤差之值可傳達至一微影工具以調整微影系統以便實現一所要輸出。以一類似方式，蝕刻參數(例如，蝕刻時間、擴散率等)或沈積參數(例如，時間、濃度等)可包含於一量測模型中以將主動回饋分別提供給蝕刻工具或沈積工具。在一些實例中，對基於經量測裝置參數值判定之程序參數之校正可傳達至一微影工具、蝕刻工具或沈積工具。
大體言之，可將本文中所述之系統及方法實施為準備一參數隔離模型以用於離線量測或工具量測之程序之部分。
如本文中所述，術語「臨界尺寸」包含一結構之任何臨界尺寸 (例如，底部臨界尺寸、中間臨界尺寸、頂部臨界尺寸、側壁角、光柵高度等)、任何兩個或更多個結構之間的一臨界尺寸(例如，兩個結構之間的距離)及兩個或更多個結構之間的一移位(例如，疊對光柵結構之間的疊對移位等)。結構可包含三維結構、圖案化結構、疊對結構等。
如本文中所述，術語「臨界尺寸應用」或「臨界尺寸量測應用」包含任何臨界尺寸量測。
如本文中所述，術語「度量系統」包含至少部分用來使一樣品之任何態樣特性化之任何系統，包含量測應用，諸如臨界尺寸度量、疊對度量、焦點/劑量度量及組合物度量。然而，此等技術術語不限制如本文中所述之術語「度量系統」之範疇。此外，度量系統100可經組態以量測圖案化晶圓及/或未圖案化晶圓。該度量系統可組態為一LED檢驗工具、邊緣檢驗工具、背側檢驗工具、巨集檢驗工具或多模式檢驗工具(同時涉及來自一或多個平台之資料)及受益於基於臨界尺寸資料之系統參數校準之任何其他度量或檢驗工具。
本文中描述用於可用於處理一樣品之一半導體處理系統(例如，一檢驗系統或一微影系統)之各項實施例。術語「樣品」在本文中用來指代一晶圓、一主光罩或可藉由此項技術中已知之方式處理(例如，列印或檢驗缺陷)之任何其他樣本。
如本文中所使用，術語「晶圓」通常指代由一半導體或非半導體材料形成之基板。實例包含但不限於單晶矽、砷化鎵及磷化銦。此等基板常可見於半導體製造設施中及/或在半導體製造設施中被處理。在一些情況下，一晶圓可僅包含基板(即，裸晶圓)。替代地，一晶圓可包含形成於一基板上之一或多個不同材料層。形成於一晶圓上之一或多個層可「經圖案化」或「未經圖案化」。例如，一晶圓可包含具有可重複圖案特徵之複數個晶粒。
一「主光罩」可係在一主光罩製程之任何階段處之一主光罩或可經釋放或可未經釋放以用於一半導體製造設施之一成品主光罩。一主光罩或一「遮罩」通常被定義為上面形成有基本上不透明區域且組態成一圖案之一基本上透明基板。該基板可包含例如一玻璃材料，諸如非晶SiO2。一主光罩可在一微影程序之一曝光步驟期間安置於一光阻劑覆蓋之晶圓上方，使得該主光罩上之圖案可傳送至該光阻劑。
形成於一晶圓上之一或多個層可經圖案化或未經圖案化。例如，一晶圓可包含各具有可重複圖案特徵之複數個晶粒。此等材料層之形成及處理可最終導致成品裝置。諸多不同類型之裝置可形成於一晶圓上，且如本文中所使用之術語晶圓意欲於涵蓋在上面製造此項技術中已知之任何類型之裝置之一晶圓。
在一或多項例示性實施例中，所述功能可以硬體、軟體或其等之任何組合實施。若以軟體實施，則功能可作為一或多個指令或程式碼儲存於一電腦可讀媒體上或透過一電腦可讀媒體傳輸。電腦可讀媒體包含電腦儲存媒體及通信媒體兩者，包含促進將一電腦程式從一個位置傳送至另一位置之任何媒體。一儲存媒體可係可由一通用或專用電腦存取之任何可用媒體。舉例而言且無限制之意，此等電腦可讀媒體可包括RAM、ROM、EEPROM、CD-ROM或其他光碟儲存裝置、磁碟儲存裝置或其他磁性儲存裝置、或可用來以指令或資料結構之形式實行或儲存所要程式碼構件且可由一通用或專用電腦或者一通用或專用處理器存取之任何其他媒體。再者，任何連接被適宜地稱為電腦可讀媒體。例如，若從一網站、伺服器或使用一同軸電纜、光纖電纜、雙絞線、數位用戶線(DSL)或無線技術(諸如紅外線、無線電及微波)之其他遠端源傳輸軟體，則該同軸電纜、光纖電纜、雙絞線、DSL或無線技術(諸如紅外線、無線電及微波)包含於媒體定義中。如本文中所使用，磁碟及磁盤包含光盤(CD)、雷射盤、光碟、數位多功 能光盤(DVD)、軟碟及藍光盤，其中磁碟通常磁性地再現資料，而磁盤結合雷射光學地再現資料。上述元件之組合亦應包含於電腦可讀媒體之範疇內。
儘管上文出於指導目的描述某些特定實施例，但本專利文獻之教示內容具有普遍適用性且不限於上文所述之特定實施例。據此，可在不背離如申請專利範圍中所陳述之本發明範疇之情況下實行所述實施例之各個特徵之各種修改、調適及組合。
120:圖
121:參數隔離模型(PIM)建置工具
122:參數隔離模型(PIM)量測工具
123:記憶體
151:參考變換模組
152:縮減參考變換模組
153:參數隔離模型(PIM)訓練模組
154:參數隔離模組
155:參數求解器模組
156:參考量測信號/參考原始信號
157:縮減參考量測信號/縮減參考原始信號
158:參考信號分量
159:縮減參考信號分量
160:輸入信號變換模型
161:逆參考信號變換模型
162:參數隔離模型/經訓練參數隔離模型
163:原始量測信號
164:縮減的經量測信號
165:經估計值

Claims (20)

  1. 一種量測系統，其包括：一度量系統，其經組態以執行一晶圓上之一度量目標之一量測並回應於該量測產生一定量原始量測信號；及一運算系統，其經組態以：接收與由一度量系統對該度量目標之該量測相關聯的該一定量原始量測信號；藉由將一經訓練參數隔離模型應用於該一定量原始量測信號，判定一原始量測信號縮減集，其中基於以下項之量測訓練該經訓練參數隔離模型：該度量目標之例項之一第一集，其具有複數個偶發模型參數之已知值及一感興趣參數之已知值；及該度量目標之例項之一第二集，其具有該複數個偶發參數之標稱值及該感興趣參數之該等已知值；及基於該原始量測信號縮減集及一量測模型，估計該度量目標之一感興趣參數之一值，其中該量測模型之該複數個偶發模型參數固定於該等標稱值。
  2. 如請求項1之量測系統，其中該運算系統經進一步組態以：接收與該度量目標之例項之該第一集之該等量測相關聯的一定量參考量測信號，該第一集具有該複數個偶發模型參數之已知值及該感興趣參數之該等已知值；接收與該度量目標之例項之該第二集之該等量測相關聯的一定量縮減參考量測信號，該第二集具有該複數個偶發模型參數之標稱值及該感興趣參數之該等已知值；及訓練該參數隔離模型，其中該參數隔離模型之該訓練係基於將該等參考量測信號映射至該等縮減參考量測信號。
  3. 如請求項2之量測系統，其中該運算系統經進一步組態以：將該等參考量測信號變換成一參考信號分量集，其中該等參考量測信號之該變換涉及一輸入信號變換模型；將該等縮減參考量測信號變換成一縮減參考信號分量集，其中該等縮減參考量測信號之該變換涉及一參考信號變換模型；判定一逆參考信號變換模型，其中該逆參考信號變換模型將該等縮減參考信號分量變換成該等縮減參考量測信號；將該一定量原始量測信號變換成信號分量之一第一集，其中該一定量原始量測信號之該變換涉及該輸入信號變換模型，且其中藉由將該經訓練參數隔離模型應用於信號分量之該第一集，判定信號分量之一第二集；及藉由將該逆參考信號變換模型應用於信號分量之該第二集，將信號分量之該第二集變換成該原始量測信號縮減集。
  4. 如請求項2之量測系統，其中該運算系統經進一步組態以：藉由該量測模型之模擬，產生該等參考量測信號及該等縮減參考量測信號。
  5. 如請求項3之量測系統，其中基於一主分量分析，判定該輸入信號變換模型、該逆參考信號變換模型及該參考信號變換模型。
  6. 如請求項3之量測系統，其中該輸入信號變換模型、該逆參考信號變換模型及該參考信號變換模型係對該等參考量測信號及該等縮減參考量測信號訓練之基於模型之變換。
  7. 如請求項1之量測系統，其中該參數隔離模型係以下項之任何一者：一線性模型、一非線性模型、一神經網路模型、一多項式模型、一回應表面模型及一支援向量機模型。
  8. 如請求項1之量測系統，其中該感興趣參數之該值之該估計涉及以下項之任何一者：一基於模型之回歸、一基於模型之庫搜 尋、一基於模型之庫回歸、基於影像之分析及一信號回應度量模型。
  9. 如請求項1之量測系統，其中該感興趣參數係以下項之任何一者：一微影焦點參數、一微影劑量參數、一臨界尺寸參數、一疊對參數、一膜厚度參數及一材料組合物參數。
  10. 一種量測方法，其包括：接收與由一量測系統對一度量目標之一量測相關聯的一定量原始量測信號；藉由將一經訓練參數隔離模型應用於該一定量原始量測信號，判定一原始量測信號縮減集，其中基於以下項之量測訓練該經訓練參數隔離模型：該度量目標之例項之一第一集，其具有複數個偶發模型參數之已知值及一感興趣參數之已知值；及該度量目標之例項之一第二集，其具有該複數個偶發參數之標稱值及該感興趣參數之該等已知值；及基於該原始量測信號縮減集及一量測模型，估計該度量目標之一感興趣參數之一值，其中該量測模型之該複數個偶發模型參數固定於該等標稱值。
  11. 如請求項10之量測方法，其進一步包括：接收與該度量目標之例項之該第一集之該等量測相關聯的一定量參考量測信號，該第一集具有該複數個偶發模型參數之已知值及該感興趣參數之該等已知值；接收與該度量目標之例項之該第二集之該等量測相關聯的一定量縮減參考量測信號，該第二集具有該複數個偶發模型參數之標稱值及該感興趣參數之該等已知值；及訓練該參數隔離模型，其中該參數隔離模型之該訓練係基於將該等參考量測信號映射至該等縮減參考量測信號。
  12. 如請求項11之量測方法，其進一步包括：將該等參考量測信號變換成一參考信號分量集，其中該等參考量測信號之該變換涉及一輸入信號變換模型；將該等縮減參考量測信號變換成一縮減參考信號分量集，其中該等縮減參考量測信號之該變換涉及一參考信號變換模型；判定一逆參考信號變換模型，其中該逆參考信號變換模型將該等縮減參考信號分量變換成該等縮減參考量測信號；將該一定量原始量測信號變換成信號分量之一第一集，其中該一定量原始量測信號之該變換涉及該輸入信號變換模型，且其中藉由將該經訓練參數隔離模型應用於信號分量之該第一集，判定信號分量之一第二集；及藉由將該逆參考信號變換模型應用於信號分量之該第二集，將信號分量之該第二集變換成該原始量測信號縮減集。
  13. 如請求項11之量測方法，其進一步包括：藉由該量測模型之模擬，產生該等參考量測信號及該等縮減參考量測信號。
  14. 如請求項12之量測方法，其中該輸入信號變換模型、該逆參考信號變換模型及該參考信號變換模型係線性變換。
  15. 如請求項12之量測方法，其中該輸入信號變換模型、該逆參考信號變換模型及該參考信號變換模型係對該等參考量測信號及該等縮減參考量測信號訓練之基於模型之變換。
  16. 如請求項10之量測方法，其中該參數隔離模型係以下項之任何一者：一線性模型、一非線性模型、一神經網路模型、一多項式模型、一回應表面模型及一支援向量機模型。
  17. 如請求項10之量測方法，其中該感興趣參數之該值之該估計涉及以下項之任何一者：一基於模型之回歸、一基於模型之庫搜 尋、一基於模型之庫回歸、基於影像之分析及一信號回應度量模型。
  18. 如請求項10之量測方法，其中該感興趣參數係以下項之任何一者：一微影焦點參數、一微影劑量參數、一臨界尺寸參數、一疊對參數、一膜厚度參數及一材料組合物參數。
  19. 一種量測方法，其包括：接收與一度量目標之例項之一第一集之量測相關聯的一定量參考量測信號，該第一集具有複數個偶發模型參數之已知值及一感興趣參數之已知值，其中由一量測模型模擬該度量目標之例項之該第一集之該等量測；接收與該度量目標之例項之一第二集之量測相關聯的一定量縮減參考量測信號，該第二集具有該複數個偶發模型參數之標稱值及該感興趣參數之該等已知值，其中由該量測模型模擬該度量目標之例項之該第二集之該等量測；及訓練一參數隔離模型，其中該參數隔離模型之該訓練係基於將該等參考量測信號映射至該等縮減參考量測信號。
  20. 如請求項19之量測方法，其進一步包括：接收與由一量測系統對該度量目標之一例項之一實際量測相關聯的一定量原始量測信號；藉由將該經訓練參數隔離模型應用於該一定量原始量測信號，判定一原始量測信號縮減集；及基於該原始量測信號縮減集及該量測模型，估計該度量目標之該感興趣參數之一值，其中該量測模型之該複數個偶發模型參數固定於該等標稱值。
TW105109293A 2015-03-24 2016-03-24 基於模型之單一參數量測 TWI703653B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201562137225P 2015-03-24 2015-03-24
US62/137,225 2015-03-24
US15/076,530 2016-03-21
US15/076,530 US10502549B2 (en) 2015-03-24 2016-03-21 Model-based single parameter measurement

Publications (2)

Publication Number Publication Date
TW201703166A TW201703166A (zh) 2017-01-16
TWI703653B true TWI703653B (zh) 2020-09-01

Family

ID=56975075

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105109293A TWI703653B (zh) 2015-03-24 2016-03-24 基於模型之單一參數量測

Country Status (6)

Country Link
US (1) US10502549B2 (zh)
KR (1) KR102468971B1 (zh)
CN (1) CN107408519B (zh)
IL (1) IL254330B (zh)
TW (1) TWI703653B (zh)
WO (1) WO2016154352A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10352876B2 (en) * 2014-05-09 2019-07-16 KLA—Tencor Corporation Signal response metrology for scatterometry based overlay measurements
US10295342B2 (en) * 2015-08-14 2019-05-21 Kla-Tencor Corporation System, method and computer program product for calibration of metrology tools
TWI823344B (zh) * 2015-12-15 2023-11-21 以色列商諾威股份有限公司 用於測量圖案化結構之特性的系統
US10139358B2 (en) * 2016-01-11 2018-11-27 International Business Machines Corporation Method for characterization of a layered structure
US10503850B2 (en) * 2016-11-22 2019-12-10 Tokyo Electron Limited Generation of a map of a substrate using iterative calculations of non-measured attribute data
US10732516B2 (en) * 2017-03-01 2020-08-04 Kla Tencor Corporation Process robust overlay metrology based on optical scatterometry
US11378451B2 (en) 2017-08-07 2022-07-05 Kla Corporation Bandgap measurements of patterned film stacks using spectroscopic metrology
JP6959831B2 (ja) * 2017-08-31 2021-11-05 株式会社日立製作所 計算機、処理の制御パラメータの決定方法、代用試料、計測システム、及び計測方法
WO2019063206A1 (en) 2017-09-27 2019-04-04 Asml Netherlands B.V. METHOD FOR DETERMINING CONTROL PARAMETERS OF DEVICE MANUFACTURING PROCESS
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
US10895541B2 (en) * 2018-01-06 2021-01-19 Kla-Tencor Corporation Systems and methods for combined x-ray reflectometry and photoelectron spectroscopy
US11062928B2 (en) 2019-10-07 2021-07-13 Kla Corporation Process optimization using design of experiments and response surface models
US11060846B2 (en) 2018-12-19 2021-07-13 Kla Corporation Scatterometry based methods and systems for measurement of strain in semiconductor structures
EP3924711A4 (en) 2019-03-05 2022-12-07 Gaston Daniel Baudat SYSTEM AND METHOD FOR WAVEFRONT MEASUREMENT WITH MODIFIED IMAGES
US11060982B2 (en) 2019-03-17 2021-07-13 Kla Corporation Multi-dimensional model of optical dispersion
US11415898B2 (en) * 2019-10-14 2022-08-16 Kla Corporation Signal-domain adaptation for metrology
CN112864075A (zh) * 2019-12-26 2021-05-28 南京力安半导体有限公司 晶圆几何参数以及晶圆上掩膜层的厚度的测量方法
US11530913B2 (en) * 2020-09-24 2022-12-20 Kla Corporation Methods and systems for determining quality of semiconductor measurements
US20220307990A1 (en) * 2021-03-24 2022-09-29 Kla Corporation Imaging reflectometry for inline screening
US20220392114A1 (en) * 2021-06-08 2022-12-08 Tencent America LLC Method and apparatus for calculating distance based weighted average for point cloud coding
US20230016619A1 (en) * 2021-07-15 2023-01-19 Taiwan Semiconductor Manufacturing Co., Ltd. Method for ion implantation uniformity control
IL310738A (en) * 2021-08-26 2024-04-01 Asml Netherlands Bv A method for determining a measuring recipe and related devices
EP4194952A1 (en) * 2021-12-13 2023-06-14 ASML Netherlands B.V. Method for determing a measurement recipe and associated apparatuses
EP4191338A1 (en) * 2021-12-03 2023-06-07 ASML Netherlands B.V. Metrology calibration method

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120218533A1 (en) * 2011-02-25 2012-08-30 Asml Netherlands B.V. Method of calculating model parameters of a substrate, a lithographic apparatus and an apparatus for controlling lithographic processing by a lithographic apparatus
TW201350783A (zh) * 2012-05-08 2013-12-16 Kla Tencor Corp 基於跨於一晶圓之參數變化之量測模型最佳化
TW201447622A (zh) * 2013-04-19 2014-12-16 Kla Tencor Corp 裝置上之量測
US20150033201A1 (en) * 2013-07-29 2015-01-29 GlobalFoundries, Inc. Systems and methods for fabricating semiconductor device structures
TW201511155A (zh) * 2013-06-26 2015-03-16 Kla Tencor Corp 用於製程監視及良率管理之計算的電效能度量

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6734967B1 (en) 1995-01-19 2004-05-11 Kla-Tencor Technologies Corporation Focused beam spectroscopic ellipsometry method and system
US5608526A (en) 1995-01-19 1997-03-04 Tencor Instruments Focused beam spectroscopic ellipsometry method and system
US5859424A (en) 1997-04-08 1999-01-12 Kla-Tencor Corporation Apodizing filter system useful for reducing spot size in optical measurements and other applications
US5963329A (en) * 1997-10-31 1999-10-05 International Business Machines Corporation Method and apparatus for measuring the profile of small repeating lines
US6429943B1 (en) 2000-03-29 2002-08-06 Therma-Wave, Inc. Critical dimension analysis with simultaneous multiple angle of incidence measurements
US6891610B2 (en) 2000-09-20 2005-05-10 Kla-Tencor Technologies Corp. Methods and systems for determining an implant characteristic and a presence of defects on a specimen
US7115858B1 (en) * 2000-09-25 2006-10-03 Nanometrics Incorporated Apparatus and method for the measurement of diffracting structures
US6895075B2 (en) 2003-02-12 2005-05-17 Jordan Valley Applied Radiation Ltd. X-ray reflectometry with small-angle scattering measurement
AU2002360738A1 (en) 2001-12-19 2003-07-09 Kla-Tencor Technologies Corporation Parametric profiling using optical spectroscopic systems
US6816570B2 (en) 2002-03-07 2004-11-09 Kla-Tencor Corporation Multi-technique thin film analysis tool
US6862491B2 (en) * 2002-05-22 2005-03-01 Applied Materials Israel, Ltd. System and method for process variation monitor
US20040267397A1 (en) * 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
US7126700B2 (en) * 2003-12-12 2006-10-24 Timbre Technologies, Inc. Parametric optimization of optical metrology model
US7523076B2 (en) 2004-03-01 2009-04-21 Tokyo Electron Limited Selecting a profile model for use in optical metrology using a machine learning system
US7280229B2 (en) * 2004-12-03 2007-10-09 Timbre Technologies, Inc. Examining a structure formed on a semiconductor wafer using machine learning systems
US7478019B2 (en) 2005-01-26 2009-01-13 Kla-Tencor Corporation Multiple tool and structure analysis
US7567351B2 (en) 2006-02-02 2009-07-28 Kla-Tencor Corporation High resolution monitoring of CD variations
US7522293B2 (en) 2006-03-30 2009-04-21 Tokyo Electron Limited Optical metrology of multiple patterned layers
CN101359611B (zh) * 2007-07-30 2011-11-09 东京毅力科创株式会社 对光学计量系统的选定变量进行优化
NL1036018A1 (nl) 2007-10-09 2009-04-15 Asml Netherlands Bv A method of optimizing a model, a method of measuring a property, a device manufacturing method, a spectrometer and a lithographic apparatus.
US7929667B1 (en) 2008-10-02 2011-04-19 Kla-Tencor Corporation High brightness X-ray metrology
US9228943B2 (en) 2011-10-27 2016-01-05 Kla-Tencor Corporation Dynamically adjustable semiconductor metrology system
US20130110477A1 (en) * 2011-10-31 2013-05-02 Stilian Pandev Process variation-based model optimization for metrology
US8838422B2 (en) * 2011-12-11 2014-09-16 Tokyo Electron Limited Process control using ray tracing-based libraries and machine learning systems
US10354929B2 (en) * 2012-05-08 2019-07-16 Kla-Tencor Corporation Measurement recipe optimization based on spectral sensitivity and process variation
US9581430B2 (en) 2012-10-19 2017-02-28 Kla-Tencor Corporation Phase characterization of targets
US10769320B2 (en) 2012-12-18 2020-09-08 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
US9291554B2 (en) 2013-02-05 2016-03-22 Kla-Tencor Corporation Method of electromagnetic modeling of finite structures and finite illumination for metrology and inspection
US10101670B2 (en) 2013-03-27 2018-10-16 Kla-Tencor Corporation Statistical model-based metrology
US9255877B2 (en) * 2013-05-21 2016-02-09 Kla-Tencor Corporation Metrology system optimization for parameter tracking
US9383661B2 (en) 2013-08-10 2016-07-05 Kla-Tencor Corporation Methods and apparatus for determining focus
US10935893B2 (en) 2013-08-11 2021-03-02 Kla-Tencor Corporation Differential methods and apparatus for metrology of semiconductor targets
US9412673B2 (en) 2013-08-23 2016-08-09 Kla-Tencor Corporation Multi-model metrology
US9323244B2 (en) * 2013-09-18 2016-04-26 Taiwan Semiconductor Manufacturing Company Limited Semiconductor fabrication component retuning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120218533A1 (en) * 2011-02-25 2012-08-30 Asml Netherlands B.V. Method of calculating model parameters of a substrate, a lithographic apparatus and an apparatus for controlling lithographic processing by a lithographic apparatus
TW201243507A (en) * 2011-02-25 2012-11-01 Asml Netherlands Bv Method of calculating model parameters of a substrate, a lithographic apparatus and an apparatus for controlling lithographic processing by a lithographic apparatus
TW201350783A (zh) * 2012-05-08 2013-12-16 Kla Tencor Corp 基於跨於一晶圓之參數變化之量測模型最佳化
TW201447622A (zh) * 2013-04-19 2014-12-16 Kla Tencor Corp 裝置上之量測
TW201511155A (zh) * 2013-06-26 2015-03-16 Kla Tencor Corp 用於製程監視及良率管理之計算的電效能度量
US20150033201A1 (en) * 2013-07-29 2015-01-29 GlobalFoundries, Inc. Systems and methods for fabricating semiconductor device structures

Also Published As

Publication number Publication date
IL254330A0 (en) 2017-11-30
US10502549B2 (en) 2019-12-10
TW201703166A (zh) 2017-01-16
KR20170129923A (ko) 2017-11-27
US20160282105A1 (en) 2016-09-29
CN107408519B (zh) 2021-06-08
CN107408519A (zh) 2017-11-28
WO2016154352A1 (en) 2016-09-29
IL254330B (en) 2021-08-31
KR102468971B1 (ko) 2022-11-18

Similar Documents

Publication Publication Date Title
TWI703653B (zh) 基於模型之單一參數量測
TWI615909B (zh) 用於產生半導體量測模型之方法及系統
US9875946B2 (en) On-device metrology
TWI669500B (zh) 基於代理結構之量測之信號回應度量
KR102013483B1 (ko) 파라미터 추적을 위한 계측 시스템 최적화
US10769320B2 (en) Integrated use of model-based metrology and a process model
US10030965B2 (en) Model-based hot spot monitoring
KR102245698B1 (ko) 다중 패턴화 프로세스의 계측
KR102644768B1 (ko) 확률 도메인 지식에 기초하는 측정 레시피 최적화 및 물리적 실현
US10365225B1 (en) Multi-location metrology
WO2022076173A1 (en) Dynamic control of machine learning based measurement recipe optimization
TWI631636B (zh) 以模型爲基礎之量測及一製程模型的整合使用
US20230092729A1 (en) Semiconductor Profile Measurement Based On A Scanning Conditional Model
TW202244460A (zh) 基於經訓練之經參數調節之測量模型之高解析度輪廓測量