TWI703659B - 判定程序之校正 - Google Patents

判定程序之校正 Download PDF

Info

Publication number
TWI703659B
TWI703659B TW108139392A TW108139392A TWI703659B TW I703659 B TWI703659 B TW I703659B TW 108139392 A TW108139392 A TW 108139392A TW 108139392 A TW108139392 A TW 108139392A TW I703659 B TWI703659 B TW I703659B
Authority
TW
Taiwan
Prior art keywords
parameter
value
measurement
model
sparse
Prior art date
Application number
TW108139392A
Other languages
English (en)
Other versions
TW202025329A (zh
Inventor
薩拉希 羅伊
愛多 瑪莉亞 荷西布斯
羅伊 渥克曼
阮俊儒
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
Priority claimed from EP18204882.7A external-priority patent/EP3650939A1/en
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202025329A publication Critical patent/TW202025329A/zh
Application granted granted Critical
Publication of TWI703659B publication Critical patent/TWI703659B/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
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G03F7/706841—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33025—Recurrent artificial neural network
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45028—Lithography
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Logic Circuits (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

一種用於組態一半導體製造程序之方法，該方法包含：基於與該半導體製造程序中之一程序步驟之一第一操作及一第一取樣方案相關聯的量測而獲得一第一參數之一第一值；使用一循環神經網路以基於該第一值而判定該第一參數之一預測值；及使用該第一參數之該預測值來組態該半導體製造程序中之該程序步驟的一後續操作。

Description

判定程序之校正
本發明係關於一種判定程序之校正之方法、一種半導體製造程序、一種微影裝置、一種微影單元及一種相關聯電腦程式產品。
微影裝置為經建構以將所要圖案塗覆至基板上之機器。微影裝置可用於例如積體電路(integrated circuit；IC)之製造中。微影裝置可例如將圖案化器件(例如光罩)處之圖案(亦經常稱作「設計佈局」或「設計」)投影至提供於基板(例如晶圓)上之輻射敏感材料(抗蝕劑)層上。
為了將圖案投影於基板上，微影裝置可使用電磁輻射。此輻射之波長判定在基板上可形成之特徵之最小尺寸。當前在使用中之典型波長為365 nm (i線)、248 nm、193 nm及13.5 nm。相比於使用例如具有193 nm之波長之輻射的微影裝置，使用具有介於4 nm至20 nm範圍內(例如6.7 nm或13.5 nm)之波長之極紫外(extreme ultraviolet；EUV)輻射的微影裝置可用以在基板上形成更小特徵。
低k 1微影可用以處理尺寸小於微影裝置之典型解析度極限的特徵。在此類程序中，可將解析度公式表達為CD = k 1×λ/NA，其中λ為所使用輻射之波長，NA為微影裝置中之投影光學件之數值孔徑，CD為「臨界尺寸」(通常為經印刷之最小特徵大小，但在此狀況下為半間距)，且k 1為經驗解析度因數。一般而言，k 1愈小，則在基板上再產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，可將複雜微調步驟應用於微影投影裝置及/或設計佈局。此等步驟包括例如但不限於NA之最佳化、自定義照明方案、使用相移圖案化器件、設計佈局之各種最佳化，諸如設計佈局中之光學近接校正(optical proximity correction；OPC，有時亦稱作「光學及程序校正」)，或通常定義為「解析度增強技術」(resolution enhancement technique；RET)之其他方法。替代地，用於控制微影裝置之穩定性之嚴格控制迴路可用以改良在低k 1下之圖案之再產生。
全文以引用方式併入本文中之國際專利申請案WO 2015049087揭示獲得與工業程序相關之診斷資訊的方法。在微影程序之執行期間之階段處進行對準資料或其他量測，以獲得表示在橫越各晶圓而空間地分佈之點處所量測之位置偏差或其他參數的目標資料。疊對及對準殘差通常展示橫越晶圓之圖案，其稱為指紋。
在半導體製造中，可使用簡單控制迴路來校正臨界尺寸(Critical Dimension；CD)效能參數指紋。通常回饋機制將掃描器(一種類型之微影裝置)用作致動器來控制每晶圓之平均劑量。相似地，對於疊對效能參數疊對，可藉由調整掃描器致動器來校正由處理工具誘發之指紋。
稀疏顯影後檢測(after-develop inspection；ADI)量測用作全局模型之輸入，該全局模型用來(典型地批量)控制掃描器。不常量測之稠密ADI量測用來進行每曝光之模型化。藉由使用稠密資料以較高空間密度模型化來對具有大量殘差之場執行每曝光之模型化。需要此種較稠密度量取樣之校正不能在沒有不利地影響輸送量之情況下頻繁地進行。
問題在於基於稀疏ADI資料之模型參數通常並未準確地表示稠密量測參數值。此可由模型參數與指紋之非捕獲部分之間發生的串擾所造成。此外，對於此種稀疏資料集，模型可為超尺寸。此引入批量控制中之非捕獲指紋未充分地由每場模型捕獲的問題。另一問題為分佈式取樣之不規則稀疏至稠密行為，其中不同晶圓(及不同批次)具有不同取樣使得疊加諸多晶圓之佈局實際上引起稠密量測結果。經模型化之稀疏資料與稠密量測參數值之間存在大量殘差。此導致不良指紋描述，從而導致每曝光之次佳校正。
另外之問題為對於對準控制，在不影響輸送量之情況下在曝光期間僅可量測少數(約40)之對準標記。高階對準控制需要較稠密對準佈局且影響輸送量。此問題之解決方案(如圖5中所展示)為在離線工具中量測較稠密對準標記(Takehisa Yahiro等人,「Feed-forward alignment correction for advanced overlay process control using a standalone alignment station 「Litho Booster」」，SPIE會議記錄10585，微影蝕刻之度量、檢測及過程控制XXXII (Metrology, Inspection, and Process Control for Microlithography XXXII))且在曝光期間前饋此高階校正,其中在曝光期間仍計算低階校正。
對於疊對控制，稠密疊對量測實際上僅可在若干批次中執行一次(已知為較高階參數更新)以更新高階校正。用以判定掃描器控制配方之高階參數並未在較高階參數更新量測之間改變。
需要提供一種判定程序之校正之方法，該方法解決上述問題或限制中之一或多者。
本發明之實施例揭示於申請專利範圍中及實施方式中。
在本發明之第一態樣中，提供一種用於判定程序之校正的方法，該方法包含： -  獲得第一稀疏資料，其表示在受程序影響之一或多個基板上之參數的量測值，使用稀疏取樣佈局來量測該第一稀疏資料； -  獲得稠密資料，其表示在受程序影響之一或多個基板上之參數的量測值，使用空間稠密高於稀疏取樣佈局之稠密取樣佈局來量測稠密資料； -  將模型應用於稀疏資料及稠密資料以判定稀疏至稠密失配； -  獲得第二稀疏資料，其表示受程序影響之基板上之參數的量測值，使用稀疏取樣佈局來量測第二稀疏資料； -  基於稀疏至稠密失配而調適模型； -  將經調適模型應用於第二稀疏資料以判定稀疏模型結果；及 -  基於稀疏模型結果而判定程序之校正。
在本發明之第二態樣中，提供一種半導體製造程序，其包含一種用於根據第一態樣之方法判定程序之校正的方法。
在本發明之第三態樣中，提供一種微影裝置，其包含： -  照明系統，其經組態以提供輻射投影光束； -  支撐結構，其經組態以支撐圖案化器件，圖案化器件經組態以根據所要圖案來圖案化投影光束； -  基板台，其經組態以固持基板； -  投影系統，其經組態以將經圖案化光束投影至基板之目標部分上；及 -  處理單元，其經組態以根據第一態樣之方法來判定程序之校正。
在本發明之第四態樣中，提供一種包含第三態樣之微影裝置的微影單元。
在本發明之第五態樣中，提供一種電腦程式產品，其包含用於使通用目的資料處理裝置執行第一態樣之方法之步驟的機器可讀指令。
另外，需要提供一種模型化參數資料之方法，而不需要在高時間取樣頻率下在基板上稠密地量測參數資料。
在本發明之第六態樣中，提供一種模型化參數資料之方法，方法包含：獲得與基板上之複數個位置相關聯之參數值集合；基於對複數個位置之一或多個基函數之評估而獲得第一值矩陣；基於將可調適數目之矩陣訓練為與先前基板相關聯之先前獲得之參數值集合而獲得第二值矩陣；使用第一值矩陣及第二值矩陣及所獲得之值集合來判定模型之係數；及使用係數及第二值矩陣來提供參數之經模型化值。
另外，需要提供一種預測與半導體製造程序相關聯之參數之方法，降低提供稠密量測資料之頻率同時保持準確地控程序序之能力。
在本發明之第七態樣中，提供一種用於組態半導體製造程序之方法，方法包含：基於與半導體製造程序中之程序步驟之第一操作及第一取樣方案相關聯的量測而獲得第一參數之第一值；使用循環神經網路以基於第一值而判定第一參數之預測值；及使用第一參數之預測值來組態半導體製造程序中之程序步驟的後續操作。
較佳地，該方法進一步包含使用基於在半導體製造程序中之程序步驟之第一操作處自量測所獲得之第一值而判定的第一參數之預測值來判定半導體製造程序中之程序步驟之後續操作的控制配方。
在本發明之第八態樣中，提供一種半導體製造程序，其包含一種用於根據第七態樣之方法來預測與半導體製造程序相關聯之參數值的方法。
在本發明之第九態樣中，提供一種微影裝置，其包含： -  照明系統，其經組態以提供輻射投影光束； -  支撐結構，其經組態以支撐圖案化器件，圖案化器件經組態以根據所要圖案來圖案化投影光束； -  基板台，其經組態以固持基板； -  投影系統，其經組態以將經圖案化光束投影至基板之目標部分上；及 -  處理單元，其經組態以： 根據第七態樣之方法來預測與半導體製造程序相關聯之參數值。
在本發明之第十態樣中，提供一種電腦程式產品，其包含用於使通用目的資料處理裝置執行第七態樣之方法之步驟的機器可讀指令。
在本發明之文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外輻射(例如具有365 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外輻射(EUV，例如具有約5 nm至100 nm之範圍內之波長)。
如本文中所使用之術語「倍縮光罩」、「光罩」或「圖案化器件」可經廣泛地解譯為係指可用以向入射輻射束賦予經圖案化橫截面之通用圖案化器件，該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。在此上下文中亦可使用術語「光閥」。除經典光罩(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包括可程式化鏡面陣列及可程式化LCD陣列。
圖1示意性地描繪微影裝置LA。微影裝置LA包括：照明系統(亦稱為照明器) IL，其經組態以調節輻射束B (例如UV輻射、DUV輻射或EUV輻射)；光罩支撐件(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圖案化器件MA之第一定位器PM；基板支撐件(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且連接至經組態以根據某些參數來準確地定位基板支撐件之第二定位器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。
在操作中，照明系統IL例如經由光束遞送系統BD自輻射源SO接收輻射束。照明系統IL可包括用於引導、塑形及/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、靜電及/或其他類型之光學組件，或其任何組合。照明器IL可用來調節輻射束B，以在圖案化器件MA之平面處在其橫截面中具有期望空間及角強度分佈。
本文所使用之術語「投影系統」PS應廣泛地解釋為涵蓋適於所使用之曝光輻射或適於諸如浸漬液體之使用或真空之使用之其他因素的各種類型之投影系統，包括折射、反射、反射折射、合成、磁性、電磁及/或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」之任何使用均與更一般術語「投影系統」PS同義。
微影裝置LA可屬於以下類型：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)覆蓋以便填滿投影系統PS與基板W之間的空間-其亦稱作浸潤微影。在以引用之方式併入本文中的US6952253中給出關於浸潤技術之更多資訊。
微影裝置LA亦可屬於具有兩個或更多個基板支撐件WT (又名「雙載物台」)之類型。在此類「多載物台」機器中，可並行地使用基板支撐件WT，及/或可對位於基板支撐件WT中之一者上的基板W進行準備基板W之後續曝光的步驟，同時將另一基板支撐件WT上之另一基板W用於在另一基板W上曝光圖案。
除了基板支撐件WT以外，微影裝置LA亦可包含量測載物台。量測載物台經配置以固持感測器及/或清潔器件。感測器可經配置以量測投影系統PS之性質或輻射束B之性質。量測載物台可固持多個感測器。清潔器件可經配置以清潔微影裝置之部分，例如投影系統PS之一部分或提供浸潤液體之系統的一部分。量測載物台可在基板支撐件WT遠離投影系統PS時在投影系統PS下移動。
在操作中，輻射束B入射至固持在光罩支撐件MT上之圖案化器件(例如光罩) MA上，且由呈現於圖案化器件MA上之圖案(設計佈局)圖案化。在已橫穿光罩MA的情況下，輻射束B傳遞通過投影系統PS，投影系統PS將光束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置量測系統IF，可準確地移動基板支撐件WT，例如以便將不同的目標部分C定位在聚焦及對準位置處之輻射束B之路徑中。類似地，第一定位器PM及可能的另一位置感測器(其未在圖1中明確地描繪)可用於相對於輻射束B之路徑來準確地定位圖案化器件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MA及基板W。儘管如所說明之基板對準標記P1、P2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。在基板對準標記P1、P2位於目標部分C之間時，此等基板對準標記稱為切割道對準標記。
如圖2中所展示，微影裝置LA可形成微影單元LC (有時亦稱作微影單元或微影叢集((litho)cluster))之部分，微影單元LC經常亦包括用以對基板W執行曝光前程序及曝光後程序之裝置。常規地，此等裝置包括用以沈積抗蝕劑層之旋塗器SC、用以顯影經曝光抗蝕劑之顯影器DE、例如用於調節基板W之溫度(例如，用於調節抗蝕劑層中之溶劑)的冷卻板CH及烘烤板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W、在不同程序裝置之間移動基板W且將基板W遞送至微影裝置LA之裝載匣LB。微影單元中常常亦集體地稱作塗佈顯影系統之器件通常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自身可受到監督控制系統SCS控制，監督控制系統SCS亦可例如經由微影控制單元LACU來控制微影裝置LA。
為了正確且一致地曝光由微影裝置LA曝光之基板W，需要檢驗基板以量測經圖案化結構之性質，諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD)等等。出於此目的，可在微影單元LC中包括檢測工具(未圖示)。若偵測到誤差，則可對後續基板之曝光或對要對基板W執行之其他處理步驟進行例如調整，尤其是在同一分批或批次之其他基板W仍待曝光或處理之前進行檢測的情況下。
亦可稱作度量衡裝置之檢驗裝置用以判定基板W之性質，且尤其判定不同基板W之性質如何變化或與同一基板W之不同層相關聯之性質在層與層間如何變化。檢測裝置可替代地經建構以識別基板W上之缺陷，且可例如為微影單元LC之部分，或可整合至微影裝置LA中，或可甚至為獨立器件。檢驗裝置可量測潛影(在曝光之後在抗蝕劑層中之影像)上之性質，或半潛影(在曝光後烘烤步驟PEB之後在抗蝕劑層中之影像)上之性質，或經顯影抗蝕劑影像(其中抗蝕劑之曝光部分或未曝光部分已經移除)上之性質，或甚至經蝕刻影像(在諸如蝕刻之圖案轉印步驟之後)上之性質。
通常，微影裝置LA中之圖案化程序為在處理中之最關鍵步驟中的一者，其需要基板W上之結構之尺寸標註及置放的高準確度。為了確保此高準確度，可將三個系統組合於所謂的「整體」控制環境中，如圖3示意性地所描繪。此等系統中之一者為微影裝置LA，其(實際上)連接至度量工具MT (第二系統)且連接至電腦系統CL (第三系統)。此類「整體」環境之關鍵在於最佳化此等三個系統之間的合作以增強總體程序窗，且提供嚴格控制迴路以確保由微影裝置LA執行之圖案化保持在程序窗內。程序窗定義程序參數(例如劑量、焦點、疊對)範圍，在該範圍內特定製造程序產生經定義結果(例如功能性半導體器件)，通常在該範圍內允許微影程序或圖案化程序中之程序參數變化。
電腦系統CL可使用待圖案化之設計佈局(之部分)來預測使用哪種解析度增強技術且執行演算微影模擬及計算以判定哪種光罩佈局及微影裝置設定實現圖案化程序之最大總體程序窗(在圖3中由第一標度SC1中之雙箭頭描繪)。典型地，解析度增強技術經配置以匹配微影裝置LA之圖案化可能性。電腦系統CL亦可用以偵測在程序窗內何處微影裝置LA當前正操作(例如使用來自度量工具MT之輸入)以預測是否可存在歸因於例如次佳處理之缺陷(在圖3中由第二標度SC2中之指向「0」之箭頭描繪)。
度量工具MT可將輸入提供至電腦系統CL以實現準確模擬及預測，且可將回饋提供至微影裝置LA以識別例如微影裝置LA之校準狀態中的可能漂移(在圖3中由第三標度SC3中之多個箭頭描繪)。 使用稀疏至稠密失配校正之程序控制
圖4示意性地描繪程序之顯影後及蝕刻後疊對控制。回饋控制迴路在微影裝置外側運行。在控制迴路設計中，以下部分起一定作用。
水平箭頭402表示在微影程序中之基板的流動。堆疊表示時間t之若干箭頭。曝光(Exposure；EXP) 404之後為顯影後檢測(ADI)疊對量測406、408。蝕刻(Etch；ETC) 410之後為蝕刻後檢測(after-etch inspection；AEI)疊對量測，其為稠密及稀疏412以及超稠密414。稀疏量測406、412用以限制度量時間，而稠密量測408、412、414由於要求更多度量時間而較不頻繁地執行。執行使用稀疏取樣佈局之顯影後量測406以產生稀疏ADI資料416 (例如每晶圓＜=200個點)。使用特定模型(其由不同參數之集合組成；例如徑向切線場間參數，雙曲線或指數邊緣模型或場內多項式模型)模型化稀疏資料，該模型在不引入過多噪聲之情況下以足夠之方式(指紋捕獲)描述程序指紋428。愈多參數意謂愈佳指紋描述，但亦愈多噪聲。
稀疏模型結果(程序指紋) 428在批次內取平均(例如使用指數加權移動平均)以減少批次間變化之影響且因此可直接地或經由校正最佳化步驟(optimization；OPT) 426使用以提供可應用於下一批次之曝光404的穩定校正。
最佳化稀疏量測佈局以將資料捕獲至模型(降低之歸一化模型不確定性)且具有均一空間覆蓋。模型不確定性典型地定義為當將模型應用於量測時量測誤差至模型化(例如擬合)誤差之相對傳播。在美國專利申請公開案US2018/0067900之第[0170]段中對模型不確定性及更具體言之歸一化模型不確定性(normalized model uncertainty；nMU) (通常稱作G最佳性準則)給予更詳盡的解釋，該專利申請案以全文引用之方式併入本文中。
使用稀疏或稠密取樣佈局之蝕刻後量測412產生稀疏AEI資料422。此等蝕刻後量測資料422用以衍生全局稀疏模型結果434。全局稀疏模型結果434用以經由ADI量測步驟406、408將模型偏移(度量至裝置，MTD) 432應用於顯影後資料。可完成此視情況選用之步驟以使得控制係基於減少蝕刻後疊對。
執行稠密顯影後量測408或超稠密蝕刻後量測414。由於額外需要之度量工作，故通常地不對每一批次執行此等量測。使用稠密資料418 (例如每晶圓2,000個點)或超稠密資料424 (例如每晶圓10,000個點)以用於進一步模型化與個別曝光場相關聯之指紋，例如使疊對指紋之每曝光校正(Corrections Per Exposure；CPE)能夠實現。出於此目的執行較高階模型化(通常每場模型)以提供稠密模型結果436及超稠密模型結果438。假設較高階指紋可更穩定且因此不一定必須每一批次經模型化。
為了避免二次校正，在較低階模型之殘差上判定較高階模型。可在稠密資料上判定較低階模型內容，然而其可導致稠密至稀疏失配。亦即，常規較低模型判定係在稀疏資料上進行，因而當在稠密資料上模型化時該判定可能(僅當通常情況下較低階模型並未捕獲指紋時)給出不同結果。為了校正此，稠密資料可首先經減少取樣以判定較低階模型內容。因此，每曝光之模型化係基於稀疏經子取樣資料之殘差。
經由最佳化步驟(OPT) 426將較高階(每曝光之模型化) ADI指紋430及較高階(每曝光之模型化) AEI指紋438 (視情況地亦可在批次上取平均後)添加至較低階指紋以提供單個校正集合。
蝕刻後量測具有等於或高於顯影後量測之密度，因此允許更高階擬合。
另外或替代地，可藉助於分佈式取樣來收集稠密資料。不同晶圓(及不同批次)具有不同取樣方案以使得疊加諸多晶圓之取樣方案之佈局實際上引起稠密量測結果。在此情況下，不需要單獨的稠密測量。
存在稀疏至稠密失配問題。稀疏量測之效能取決於在有限取樣點之數目的情況下可如何良好地描述指紋。倘若所使用之模型並未充分地描述指紋(其為典型情況)，則指紋捕獲將不會與使用稠密佈局之一者一樣良好。
存在稠密疊對至稠密器件量測失配之問題。稠密疊對資料不始終表示晶圓上之實際產品結構之間的疊對。原因為疊對目標具有固有地不同於產品結構之設計，且因此具有對用於度量之光信號之不同回應。此有助於器件偏移之度量。度量器件之固有噪聲亦在其中起作用。若疊對資料可經訓練(諸如使用電量測作為參考)以濾出此偏移，則「清潔器」疊對量測有可能控制產品疊對。
在分佈式取樣中存在噪聲傳播之問題。此為稀疏至稠密失配之形成，但現自晶圓至晶圓或批次至批次(視分佈類型而定)變化。
另一問題為在稀疏資料上所使用之模型可為超尺寸。
通常使用每場模型以用於每曝光(場)模型化，其將部分地拾取未經設計之稀疏至稠密失配。可使用全局模型化，但隨後將丟失每場模型內容。組合在度量需求方面係昂貴的且將展示增強之噪聲效能。
另一問題為每曝光之模型化將不會捕獲較高階內容或每一批次之稀疏至稠密失配。
除了當關於稀疏量測來量測相同晶圓時及當使用特定稀疏佈局以用於失配處置時之外，每曝光之模型化中之稠密至稀疏處置在分佈式取樣之情況下並不係最佳的。即使在分佈式取樣之情況下，每曝光之模型化更新實際上將不在每一批次上進行。
在下文參看圖5及6所描述之實施例中，使用歷史資料以聚焦於稀疏至稠密失配以解決上文所提及之問題。舉例而言，鑒於模型及取樣佈局，進行以下步驟：
就歷史資料而言，稀疏疊對量測用作可訓練資料集且稠密疊對資料用作參考資料集。
根據模型之應用程式，使用自動演算法，評估模型校正參數之何種部分係造成明顯稀疏至稠密失配的原因。根據該知識衍生加權因數集合，其使得此歷史資料集之稀疏至稠密失配最小。將此經調適模型應用於未來資料集。
圖5為根據實施例之用於判定程序之校正之方法的流程圖。方法具有以下步驟：
獲得第一(歷史)稀疏資料504，其表示受程序影響之基板上之參數的量測值，使用稀疏取樣佈局來量測502該第一(歷史)稀疏資料504。參數之實例為疊對、對準、聚焦及劑量。
獲得歷史稠密資料512，其表示受程序影響之一或多個基板上之參數的量測值，使用空間稠密高於稀疏取樣佈局之稠密取樣佈局來量測510該歷史稠密資料512。
將模型508應用506於稀疏資料及稠密資料以判定稀疏至稠密失配。
獲得第二稀疏資料522，其表示受程序影響之基板上之參數的量測值。使用稀疏取樣佈局來量測516第二稀疏資料522。
基於稀疏至稠密失配而調適524模型508。此可藉由評估模型之各別部分對稀疏至稠密失配之不同貢獻來完成。隨後判定加權因數514以用於加權模型之各別部分以減少或較佳地最小化稀疏至稠密失配。利用加權因數514來調適模型508。判定稀疏至稠密失配可涉及在第一稀疏資料及稠密資料上訓練矩陣。在該情況下，基於稀疏至稠密失配而調適模型之步驟接著包含使用矩陣來修改第二稀疏資料。
將經調適模型應用524於第二稀疏資料522以判定稀疏模型結果526。
稀疏模型結果526可在若干批次上取平均532。基於稀疏模型結果526而判定542程序之校正。
接著將校正應用於程序以控制程序。舉例而言，掃描器設定可基於校正而調整，因此控制微影程序。
半導體器件536之蝕刻後檢測或電量測可用以判定器件度量(metrology-to-device；MTD)模型偏移540，其與經判定校正542一起應用。當疊對與某一其他量測之間的MTD有意義時，其他量測可視為參考稠密資料512，而稀疏疊對資料504可自身經訓練至MTD。
圖6為根據使用分佈式稠密取樣之另一個實施例的用於判定程序之校正之方法的流程圖。與圖5之特徵相同的特徵具有相同附圖標號。方法具有以下步驟：
獲得第一(歷史)稀疏資料504，其表示受程序影響之基板上之參數的量測值，使用稀疏取樣佈局來量測502該第一(歷史)稀疏資料504。
獲得歷史稠密資料512，其表示受程序影響之一或多個基板上之參數的量測值，使用空間稠密高於稀疏取樣佈局之稠密取樣佈局來量測510該歷史稠密資料512。
將模型508應用506於稀疏資料及稠密資料以判定稀疏至稠密失配。
藉由減少取樣620第二稠密資料618來獲得第二稀疏資料622，該第二稠密資料618表示受程序影響之複數個基板上之參數的量測值。使用分佈於複數個基板上方之不同稀疏取樣佈局來量測616稠密資料618。
基於稀疏至稠密失配而調適524模型508。此可藉由評估模型之各別部分對稀疏至稠密失配之不同貢獻來完成。隨後判定加權因數514以用於加權模型之各別部分以減少或較佳地最小化稀疏至稠密失配。利用加權因數514來調適模型508。判定稀疏至稠密失配可涉及在第一稀疏資料及稠密資料上訓練矩陣。在該情況下，基於稀疏至稠密失配而調適模型之步驟接著包含使用矩陣來修改第二稀疏資料。
將經調適模型應用524於第二稀疏資料622以判定稀疏模型結果526、628。稀疏模型結果包含稀疏模型殘差628。
將模型508應用630於稀疏模型殘差628以判定作為每曝光模型化指紋的稠密模型結果634。稠密模型結果634可在若干批次上取平均638。
稀疏模型結果526可在若干批次上取平均532。基於稀疏模型結果526及稠密模型結果634而判定542程序之校正。
接著將校正應用於程序以控制程序。舉例而言，可基於校正而調整掃描器設定，因此控制微影程序。
半導體器件536之蝕刻後檢測或電量測可用以判定器件度量(MTD)模型偏移540，其與經判定校正542一起應用。當疊對與某一其他量測之間的MTD有意義時，其他量測可視為參考稠密資料512，而稀疏疊對資料504可自身經訓練至MTD。
在實施例中，實施將與擬合稀疏參數資料(例如稀疏ADI疊對、對準、聚焦等)相關聯之模型參數映射至經更新模型參數之方法，較佳地裝備該等模型參數以描述晶圓上所關注參數之值的稠密分佈。
舉例而言，可在歷史稀疏及稠密(ADI/AEI)資料上訓練矩陣，該矩陣將稀疏模型參數映射至較佳地適合於表示稠密量測參數資料之經修改稀疏模型參數。
使用經修改模型參數產生經模型化稀疏資料與稠密量測參數值之間的較小殘差以引起較佳指紋描述(全局及每場模型)，從而引起更多最佳化每曝光校正(CPE)校正。
圖7描繪比較常規方法與實施例之稠密佈局之殘差疊對效能之實例的結果。稀疏佈局含有200個點，其中稠密為約1000個點。展示疊對殘差之晶圓映射702至710。在晶圓上之各點處將較大殘差描繪為較長向量。因此，晶圓映射之較暗區域表示較差殘差疊對效能。使用常規方法(A)展示未校正702及校正704結果。使用根據參考圖5描述之實施例之方法(B)展示未校正708及校正710結果。盒狀圖712比較常規方法(A)與實施例(B)在x方向(OVX)上及y方向(OVY)上以nm為單位之平均3-西格瑪(sigma)疊對(疊對殘差)。實施例(B)具有比常規方法(A)更低之疊對殘差。此說明實施例之優勢。
圖8描繪用於分佈式取樣之實例的結果。分佈式佈局在各不同稀疏佈局中使用超過200個點之12晶圓週期以提供稠密佈局(約2000個點)。如圖7，展示疊對殘差之晶圓映射802至812。使用常規方法(A)展示未校正802及校正804、806結果。使用根據參考圖6描述之實施例之方法(B)展示未校正808及校正810、812結果。在兩個步驟中進行模型化；在全局層級804、810處及自全局殘差以用於每曝光校正(CPE)模型(每曝光模型化層級) 806、812。
對於在全局層級(步驟1)處之常規方法(A)及實施例(B)，盒狀圖814比較在x方向(OVX)上及y方向(OVY)上以nm為單位之平均3-西格瑪疊對(疊對殘差)。實施例(B)具有比常規方法(A)更低之疊對殘差。
對於每曝光模型化層級(步驟2)處之常規方法(A)及實施例(B)，盒狀圖816比較在x方向(OVX)上及y方向(OVY)上以nm為單位之平均3-西格瑪疊對(疊對殘差)。實施例(B)具有比常規方法(A)更低之疊對殘差。實施例(B)之噪聲抑制在全局層級814處已有幫助，所以累積效應使每曝光模型化校正在每曝光模型化層級816處更無噪聲。
實施例可實施於半導體製造程序中，其包含用於根據本文中所描述之實施例來判定程序之校正的方法。
實施例可實施於如參看圖1及2所描述之微影裝置或微影單元中。
實施例可實施於電腦程式產品中，其包含用於使通用目的資料處理裝置(諸如圖2中之LACU)執行如本文所描述之方法之步驟的機器可讀指令。
實施例相對於歷史資料主動地調適疊對模型，抑制來自該疊對模型之噪聲。自歷史資料集搜集資訊用以知曉更多關於度量衡資料及模型/取樣的互相作用。實施例亦提供分佈式取樣中之兩步噪聲抑制。
若吾人觀測訓練結果且判定哪些參數變得更重要及哪些參數變得不相關，則吾人可理解哪些程序工具發生故障且接著主動地改良控制流(諸如增大每曝光模型化頻率等)。
如上文所提及，通常使用每場模型以用於每曝光模型化，其將部分地拾取未經設計之稀疏至稠密失配。實施例降低每場模型之噪聲影響，其可導致每曝光模型化利用較少的量測點進行更新。
總體而言，實施例提供經改良之程序控制，從而引起程序良率效能增益。
在以下經編號條項之清單中揭示如至目前為止所描述之與本發明之態樣有關的另外實施例： 1.一種用於判定程序之校正之方法，方法包含： -  獲得第一稀疏資料，其表示在受程序影響之一或多個基板上之參數的量測值，使用稀疏取樣佈局來量測該第一稀疏資料； -  獲得稠密資料，其表示在受程序影響之一或多個基板上之參數的量測值，使用空間稠密高於稀疏取樣佈局之稠密取樣佈局來量測稠密資料； -  將模型應用於稀疏資料及稠密資料以判定稀疏至稠密失配； -  獲得第二稀疏資料，其表示受程序影響之基板上之參數的量測值，使用稀疏取樣佈局來量測第二稀疏資料； -  基於稀疏至稠密失配而調適模型； -  將經調適模型應用於第二稀疏資料以判定稀疏模型結果；及 -  基於稀疏模型結果而判定程序之校正。 2.如條項1之方法，其中基於稀疏至稠密失配而調適模型之步驟包含： -  評估模型之各別部分對稀疏至稠密失配之不同貢獻； -  判定用於加權模型之各別部分之加權因數以減少稀疏至稠密失配；及 -  利用加權因數來調適模型。 3.如條項2之方法，其中判定加權因數之步驟包含： -  判定用於加權模型之各別部分之加權因數以最小化稀疏至稠密失配。 4.如任一前述條項之方法，其中判定稀疏至稠密失配包含在第一稀疏資料及稠密資料上訓練矩陣，且基於稀疏至稠密失配而調適模型之步驟包含使用矩陣來修改第二稀疏資料。 5.如任一前述條項之方法，其中： -  獲得第二稀疏資料之步驟包含藉由減少取樣表示受程序影響之複數個基板上之參數之量測值的第二稠密資料來獲得第二稀疏資料，使用分佈於複數個基板上方之不同稀疏取樣佈局來量測稠密資料； -  稀疏模型結果包含稀疏模型殘差； -  方法進一步包含將模型應用於稀疏模型殘差以判定稠密模型結果；及 -  判定程序之校正之步驟係進一步基於稠密模型結果。 6.一種半導體製造程序，其包含一種用於根據如任一前述條項之方法來判定程序之校正的方法。 7.一種微影裝置，其包含： -  照明系統，其經組態以提供輻射投影光束； -  支撐結構，其經組態以支撐圖案化器件，圖案化器件經組態以根據所要圖案來圖案化投影光束； -  基板台，其經組態以固持基板； -  投影系統，其經組態以將經圖案化光束投影至基板之目標部分上；及 -  處理單元，其經組態以根據如條項1至5中任一項之方法來判定程序之校正。 8.一種微影單元，其包含如條項7之微影裝置。 9.一種電腦程式產品，其包含用於使通用資料處理裝置執行如條項1至5中任一項之方法之步驟的機器可讀指令。 基於稀疏量測參數資料之擴增的機器學習
在本發明之另一態樣中，基於稠密量測資料而訓練模型。典型的模型包含模型係數及基函數，其中模型係數與基函數相關聯。可在所關注之量測柵格上之座標上評估基函數且相繼地與模型係數相乘以便獲得所關注參數(例如疊對或其類似者)的一或多個經模型化值。
藉由包含大小N*M之矩陣DM的設計矩陣之結構來傳統地實施模型之使用，該矩陣DM包含出自藉由在各座標1..N處判定各基函數1..M之值所獲得之M個基函數的各基函數之N個值。座標一般與參數(疊對、對準CD或任何其他效能或程序參數)之量測值可用的座標相關聯。將設計矩陣DM與擬合係數f1..fM之行向量F相乘產生接近所關注參數之原先量測值之值的行向量MV值。此描繪於圖9中。在數學上，基於可用量測資料之向量判定擬合係數之任務為接著：DM*F = MV，其可轉換成：F = (DM)^-1 * MV。對國際專利申請案WO2013092106A1做出進一步參考，尤其第[0387]至[0394]段，其闡明定義設計矩陣及判定對最小化與取樣方案相關聯之模型不確定性所定製之取樣方案的方法。
所使用之基函數須表示(例如基板、基板上之場或甚至場(子場)內的區域上)所關注參數之值的典型空間行為。當(例如)基板上之疊對指紋通常地限制在六階多項式階時，所使用之基函數必不延伸至10階多項式，因為此可導致過度擬合行為。然而，情況亦可相反；在期望參數值顯示高階行為之情況下，基函數需要擴展至足夠高階以便以足夠高精確度來模型化量測資料。在後者之情況下，量測資料須具有足夠高密度以防止欠擬合發生；典型地觀測為非物理擬合假影，諸如經模型化參數值之高振幅及高階波動。因此，本技術模型化方法之現狀之缺點為要求所選擇模型(例如基函數之所選擇集合)需要與在潛在長時間週期期間實際上發生之空間變化兼容。此可要求參數(值)之時間上頻繁及空間稠密之量測以便保證經模型化值表示實際參數指紋行為。然而，在高量製造環境中很少存在符合此要求之機會，因為此將負面地影響製造程序之輸送量。
因此，需要一種模型化方法以確保所關注參數之量測資料內所包含之所有實際上發生之空間分量之高精確模型化，同時需要訓練稠密量測資料，但經部署在經頻繁量測稀疏量測資料上。
提出藉由所謂並非與基函數相關聯但除了對稠密量測資料上之設計矩陣之評估外亦經訓練之自由形式參數來擴展本技術模型化方法之現狀。本發明之方法描繪於圖10中。自由形式參數經佈置為維度N*L之自由形式矩陣FM，其中L為與自由形式矩陣FM相關聯之自由形式係數的數目且自由形式矩陣之值為(動態地)可調適數目。擬合係數行向量F'現包含與基函數相關聯之擬合係數且L亦包含自由形式擬合係數。與基函數相關聯之擬合係數可基於先前所定義之矩陣方程式(F=(DM^-1)*MV)而判定，而自由形式參數可經調諧以改良經模型化參數值(例如基於與量測值M之相似性)的品質。自由形式參數及自由形式係數可(例如)藉由使用將梯度下降方法應用於矩陣方程式F'=((DM + FM)^-1)*MV來判定。主要結果為獲得自由形式參數及自由形式係數之經最佳化集合。
自由形式參數可藉由機器學習方法使用稠密量測參數值之資料集來獲得。在此情況下，認為自由形式參數係與經觀測參數值(量測)相關的特徵。訓練態樣確保模型(尤其經訓練之自由形式擬合係數)準確地表示量測資料之較高階行為。較低階行為通常係藉由使用較低階基函數且與此等基函數相關聯之係數擬合來對頻繁量測稀疏資料進行模型化來準確地提取。經模型化量測資料之高階內容接著主要藉由經訓練自由形式參數及自由形式擬合係數來提供。由於模型自身提供較高階內容(預測)，故使用本發明之模型化方法並不需要頻繁地提供稠密量測資料，而不依附於資料之特定最小所需密度。
在本發明之實施例中，提供一種模型化參數資料之方法，方法包含：獲得與基板上之複數個位置相關聯之參數值；基於對複數個位置處之一或多個基函數之評估而提供第一矩陣值及基於將可調適數目之矩陣訓練成與先前基板相關聯之先前所獲得參數值集合而提供第二矩陣值；聚合第一值集合及第二值集合；使用聚合集合及所獲得參數值來判定模型之係數；及使用係數及第二矩陣值來提供參數之經模型化值。
在一實施例中，參數為疊對。
在一實施例中，複數個位置與一或多個基板上之稀疏量測方案相關聯，一或多個基板為(例如)在半導體製造程序中經處理的晶圓。
在一實施例中，基函數為多項式。
在一實施例中，基函數彼此正交。
在一實施例中，基函數在基板上最多為6階。
在一實施例中，複數個位置與晶圓上之曝光場有關。
在一實施例中，模型參數為自由形式模型參數。
在一實施例中，基於一或多個經稠密取樣先前基板上之參數的初始值來獲得經訓練之關係。
在一實施例中，經訓練之關係基於使用機器學習方法(諸如神經網路)以建立個別模型參數與一或多個基板上之參數指紋之間的關係。
在一實施例中，參數指紋包含較高階分量。
在一實施例中，較高階分量與參數之樣品點特定值有關。
替代地，量測資料之模型化可完全基於自由形式模型參數及自由形式係數。在此情況下，根據實施例模型化參數資料之方法包含：獲得與基板上之複數個位置相關聯之參數值集合；及使用值集合作為機器學習模型之輸入，該機器學習模型經訓練以將參數之一或多個值映射至參數之預測值從而獲得參數的經模型化值。在此情況下，認為與基板上之不同位置相關聯之參數值係可經映射至位置處之(經模型化)參數值之特徵。舉例而言，機器學習模型可為具有加權及偏置之神經網路，該神經網路經最佳化以將所獲得值映射至經模型化值。訓練可基於定義與機器學習模型相關聯之N*M個自由形式參數及M個自由形式係數之矩陣，其中N為基板上之位置的數目且基於最佳化參數之N個預測值與參數之量測值之間的相似性而判定機器學習模型之M個自由形式係數。使用經判定之M個自由形式係數及N*M個自由形式參數，可判定參數之N個經模型化值。
在以下經編號條項之清單中揭示本發明之另外實施例： 10.一種模型化參數資料之方法，方法包含： 獲得與基板上之複數個位置相關聯之參數的值集合； 基於對複數個位置處之一或多個基函數之評估獲得第一值矩陣； 基於將可調適數目之矩陣訓練成與先前基板相關聯之先前獲得參數值集合而獲得第二值矩陣。 使用第一值矩陣及第二值矩陣及所獲得值集合來判定模型之係數；及 使用係數及第二值矩陣來提供參數之經模型化值。 11.如條項10之方法，其中參數為疊對。 12.如條項10或11之方法，其中複數個位置與受半導體製造程序影響之一或多個基板上之稀疏量測方案相關聯。 13.如條項10至12中任一項之方法，其中基函數為多項式。 14.如條項10至13中任一項之方法，其中基函數彼此正交。 15.如條項13之方法，其中基函數在基板上最多為6階。 16.如條項10至15中任一項之方法，其中複數個位置與基板上之曝光場相關。 17.如條項10至16中任一項之方法，其中可調適數目為自由形式模型參數。 18.如條項10至17中任一項之方法，其中先前獲得參數值集合與經稠密量測之先前基板相關聯。 19.如條項10至18中任一項之方法，其中訓練係基於使用機器學習方法(諸如神經網路)以建立可調適數目與先前基板之外的各單個基板上之參數之指紋之間的關係。 20.如條項19之方法，其中參數指紋包含較高階分量。 21.如條項20之方法，其中較高階分量與參數之樣品點特定值相關。 22.一種電腦程式產品，其包含用於使通用目的資料處理裝置執行如條項10至21中任一項之方法的機器可讀指令。 循環神經網路在高階指紋預測中之使用
圖11描繪半導體製造程序之疊對取樣及控制之示意性綜述。參考圖11，展示十晶圓批次(或分批、或晶圓)上之曝光程序步驟之十個操作L1至L10的序列。基於使用空間稠密取樣方案之第一批次L1之量測1104而獲得高階疊對參數HO1的值。高階疊對參數HO1用以例如藉由判定下一五個批次之後續曝光L2至L6之控制配方1106來組態半導體製造程序。接著，基於早先1102高階疊對參數HO1及基於使用空間稠密取樣方案之第六批次L6之量測1108而獲得高階疊對參數HO6的更新值。在此實例中，較高階參數在每一第五批次之曝光處重複更新。
同時，對於每一批次之曝光，根據稀疏量測來每批次計算低階校正。舉例而言，在批次L1之曝光處，基於使用稀疏取樣方案之量測1110而獲得低階疊對參數LO1，該稀疏取樣方案空間稠密較低且比空間稠密取樣方案更頻繁。低階參數LO1用以例如藉由判定曝光步驟之後續操作L2的控制配方1112等等來組態半導體製造程序。
因此，根據稀疏量測來每批次計算低階校正，且自若干批次中之一次稠密量測獲得高階校正。
圖12描繪半導體製造程序之對準取樣及控制之示意性綜述。參考圖12，晶圓批次L1至L10具有離線對準標記量測步驟1202。藉由離線測量工具1206執行量測1204，該離線量測工具1206針對具有高空間取樣密度之離線量測而最佳化。將經量測之高階對準參數值1208儲存為各晶圓批次L1至L10之HO1至HO10。接著各高階對準參數值用以判定對應晶圓批次L1至L10上之曝光步驟1214之操作的控制配方1212。
同時，對於每一批次之曝光，根據稀疏量測來每批次計算低階校正。舉例而言，在批次L1之曝光1214處，基於使用稀疏取樣方案之量測而獲得低階疊對參數1216，該稀疏取樣方案空間稠密低於空間稠密取樣方案。其具有與高階對準參數之離線稠密量測1204相同之頻率(每批次)。低階參數1216用以判定同一曝光步驟之操作L1的配方控制。
實施例使用策略以用於使用長短期記憶體(Long Short-Term Memory；LSTM)預測演算法來更新稠密量測之間的疊對及對準量測兩者。此改良對準及疊對控制之效能而對輸送量之影響最小。完全獨立之LSTM網路預測(訓練後不需要稠密量測)亦可能，然而，若學習變得不充分，則可在一段時間後發散。
圖13描繪根據本發明之實施例的半導體製造程序之取樣及控制之方法的示意性綜述。
參考圖13，更新高階參數係經由使用LSTM神經網路之批次/晶圓之間中的預測而達成。此提供用於對準及疊對兩者之經改良高階校正。在每晶圓量測低階校正，而在批次/晶圓之間中利用LSTM來預測高階校正。神經網路經組態而具有初始訓練(training；TRN)步驟1302。
圖13描繪一種用於預測與半導體製造程序相關聯之高階參數值之方法。在此實例中，半導體製造處理是微影曝光程序。參數為y方向上之三階掃描器曝光放大參數D3y。本方法涉及基於使用空間稠密取樣方案之量測1306而獲得高階參數值1308。循環神經網路(neural network；NN) 1304用以基於測量值1308而判定高階參數之預測值1312。可直接地使用1310高階參數之測量值1308以判定用於處理量測批次之控制配方。
基於自在半導體製造程序中之程序步驟之第一操作L1處的量測1306所獲得之高階參數的值1308而判定高階參數之預測值1312以判定半導體製造程序中之程序步驟之後續操作L2的控制配方1314。將預測值回饋1324至循環神經網路(NN t=2)中。對於批次L3至L5之曝光，循環神經網路(NN t=2..5)更新自身以生成經使用以判定連續批次之控制配方的預測值。基於使用稠密取樣方案之量測628而獲得高階參數之後續值626。使用後續值626來更新循環神經網路(NN t=6)。
同時，基於使用空間稀疏取樣方案之量測(例如來自曝光步驟L2處之批次量測的值1320)而獲得低階參數值1318。稀疏取樣方案空間稠密較低且比用於量測1306、1328之高階取樣方案更頻繁。低階參數之值1320用以判定曝光程序步驟之後續操作L2的控制配方1322。
可基於對同一基板台上支撐之同一基板執行之量測而獲得低階參數值1320，在該同一基板台處執行程序步驟之後續操作L2。使用低階參數值1320來判定控制配方1322。
在此實例中，半導體製造程序為圖案化基板之逐批處理程序。用於獲得高階參數之取樣方案具有每5 (如圖13中所展示)至10個分批之量測頻率。第二取樣方案具有每分批一次之量測頻率。
在此實例中，半導體製造程序為使用曝光場來圖案化基板的程序。用於獲得高階參數之取樣方案具有每場200至300個量測點之空間密度，且用於獲得低階參數之取樣方案具有每場2至3個量測點的空間密度。
如參考圖6所描述之預測與半導體製造程序相關聯之參數值的方法可在半導體製造程序內實施。方法可在具有處理單元之微影裝置(諸如圖2中之LACU)中實施。其可在圖2之監督控制系統SCS或圖3之電腦系統CL中之處理器中實施。
本發明亦可實施為電腦程式產品，其包含用於使通用目的資料處理裝置執行如參考圖13所描述之方法之步驟的機器可讀指令。
相較於圖11之方法，圖13之方法的優勢為不需要對疊對進行額外的量測。為了對準，每批次僅需要少數晶圓以進行空間稠密量測，而所有晶圓接收基於不同高階參數而判定之不同控制配方。批次(用於疊對)或晶圓(用於對準)之間接收藉由LSTM預測之高階參數判定之經更新的控制配方。不需要晶圓台(夾盤)匹配，此係因為對於疊對及對準參數，對同一晶圓台執行低階量測及對應之控制配方更新。
圖14為對應於圖11之取樣及控制方案之疊對高階參數更新的圖表。在圖14至16中，水平軸為晶圓數目WN。豎直軸為y方向上之三階掃描器曝光放大參數D3y。在圖14至16中，實線曲線1402為根據稠密量測取樣之高階參數的初始值。
參考圖14，虛線曲線1404在豎直點虛線的右邊為高階參數更新，其中每10個點更新參數(應注意，圖11展示每5個點之此更新)。
圖15為根據本發明之實施例的未更新之疊對高階參數更新之曲線圖。
參考圖15，虛線曲線1504在豎直點虛線的右邊為未更新之預測參數值。此將對應於圖13但在L6處或後續無需更新。因此其使用自由LSTM，其中訓練之後沒有更新。
圖16為根據本發明之實施例的具有對應於圖13之取樣及控制方案之更新之疊對高階參數更新的曲線圖。
參考圖16，虛線曲線1604在豎直點虛線的右邊為高階參數更新，其中每10個點更新參數(應注意，圖13展示每5個點之此更新)。利用豎直點虛線的左邊之資料之78%訓練LSTM網路。在其餘部分上(22% - 35個晶圓、虛線904)上驗證LSTM網路。原始與經預測之D3y之間的均方根誤差(root mean square error；RMSE)最適合於圖16 (RMSE = 2.12e-05)，而圖15 (RMSE = 2.83e-05)及圖14 (RMSE = 2.82e-05)為可相當。
圖17描繪利用無高階疊對參數校正、利用對應於圖14之疊對較高階參數更新及利用對應於圖15及16之疊對參數預測的經量測疊對之晶圓映射。
在晶圓圖中，將實際校正應用於稠密(每場13*19個點)佈局且比較各情況下之校正能力。該等圖展示平均加3西格瑪疊對。較暗圖案表示較差疊對效能。在無高階校正之情況下展示基線晶圓映射1702。對於常規疊對，晶圓映射1704為對應於圖14之曲線之疊對較高階參數更新的結果。對於未更新之自由LSTM，晶圓映射1706為對應於圖15之曲線之疊對較高階參數更新的結果。晶圓映射1708為對應於圖16之曲線之疊對較高階參數更新的結果，該曲線用於LSTM預測與更新。後者具有藉由較輕圖案化展示之最佳疊對校正效能。
實施例提供一種方式以將高階參數包括至對準校正中而無需量測各晶圓。實施例亦改良用於更新疊對量測之度量衡。
替代地或另外，為使用更新(較高階)參數之方法，本發明之方法可用以更新用以更新該等參數之模型的參數。舉例而言，半導體製造程序之批量控制通常係基於使用定期量測程序(有關)參數之程序校正之判定。為防止程序校正之波動過大，通常將指數加權移動平均(EWMA)方案應用於歷史程序參數量測資料之集合，該集合不僅包含程序參數的最後所獲得之量測值。EWMA方案可具有相關聯加權參數之集合，該等加權參數中之一者為所謂「平滑常數」λ。平滑常數指示經量測程序參數值用於未來程序校正之程度，或換而言之；經量測程序參數值用於判定當前程序校正的時間有多早。EWMA方案可由： Z i=λ ·X i+ (1 -λ) ·Z ( i-1) 表示，其中Zi-1可(例如)表示先前經判定之最適合於校正運行(通常為大量基板)「i-1」之程序參數值，Xi為針對運行「i」量測之程序參數，且接著Zi經預測表示最適合於校正運行「i」(運行「i-1」之後的運行)之程序參數之值。
例如在以全文引用之方式特此包括之「Automated Process Control optimization to control Low Volume Products based on High Volume Products data，SPIE會議記錄5755，2005年5月17日，doi: 10.1117/12.598409」中提供關於在程序控制中使用EWMA之更多資訊。
平滑常數之取值直接地影響用於判定運行「i」之程序校正的所預測之最佳程序參數。然而，可影響平滑常數之最佳值(或與用於加權歷史程序參數資料之模型相關聯之任何其他參數)的程序波動可出現。
提出使用如先前實施例中所描述之循環神經網路或LSTM以基於第一參數之歷史量測值而預測與半導體製造程序相關聯之第一參數的一或多個值。作為判定半導體製造程序中之程序步驟之後續操作之控制配方的替代或補充，提出基於第一參數之預測值而更新與加權模型相關聯之一或多個參數。該一或多個參數可包括平滑常數。可(例如)基於使用循環神經網路(例如典型地LSTM)之第一參數的預測值與使用加權模型(例如典型地基於EWMA之模型)所預測之第一參數值之間的協議程度而判定平滑常數。選擇給予最佳協議之加權參數(例如典型地平滑常數)。當以基於LSTM之預測為基準時，定期再評估平滑常數之品質確保EWMA模型在任何時間點處的最佳組態。
在一實施例中，揭示一種用於預測與半導體製造程序相關聯之第一參數值之方法，方法包含：基於使用第一取樣方案之量測而獲得第一參數之第一值；使用循環神經網路以基於第一值而判定第一參數之預測值；基於第一參數之預測值及第一參數之所獲得第一值而判定與半導體製造程序之控制器所使用之模型相關聯的參數值。
在一實施例中，先前實施例之判定係基於比較第一參數之預測值與藉由將模型應用於第一參數之所獲得第一值所獲得之第一參數的值。
在一實施例中，模型為指數加權移動平均模型，且參數為與指數加權移動平均模型相關聯之平滑常數。
在以下經編號條項之清單中揭示了本發明之另外實施例： 23.一種用於預測與半導體製造程序相關聯之第一參數值之方法，方法包含： -  基於使用第一取樣方案之量測而獲得第一參數之第一值；及 -  使用循環神經網路以基於第一值而判定第一參數之預測值。 24.如條項23之方法，其進一步包含使用基於自半導體製造程序中之程序步驟之第一操作處的量測所獲得之第一值而判定之第一參數的預測值以判定半導體製造程序中之程序步驟之後續操作的控制配方。 25.如條項24之方法，其進一步包含： -  基於使用空間稠密低於第一取樣方案且比第一取樣方案更頻繁之第二取樣方案之量測而獲得第二參數之第二值；及 -  使用第二參數之第二值以判定程序步驟之後續操作的控制配方。 26.如條項25之方法，其中第二值基於程序步驟之後續操作處之量測而獲得。 27.如條項26之方法，其中第二值基於對同一基板台上支撐之同一基板執行之量測而獲得，在該同一基板台處利用使用第二值所判定之控制配方來執行程序步驟之後續操作。 28.如條項25至27中任一項之方法，其中半導體製造程序為圖案化基板之逐批程序，且其中第一取樣方案具有每5至10分批之量測頻率且第二取樣方案具有每分批一次之量測頻率。 29.如條項25至28中任一項之方法，其中該半導體製造程序為使用曝光場來圖案化基板之程序，且其中第一取樣方案具有每曝光場200至300個量測點之空間密度且第二取樣方案具有每場2至3個量測點之空間密度。 30.如條項23至29中任一項之方法，其進一步包含基於使用第一取樣方案之量測而獲得第一參數之後續值及使用後續值來更新循環神經網路。 31.如條項23至30中任一項之方法，其中參數包含曝光放大參數，且程序步驟包含微影曝光。 32.如條項23至31中任一項之方法，其中循環神經網路包含長短期記憶體網路。 33.一種半導體製造程序，其包含一種用於根據如條項23至32中任一項之方法來預測與半導體製造程序相關聯之參數值之方法。 34.一種微影裝置，其包含： -  照明系統，其經組態以提供輻射投影光束； -  支撐結構，其經組態以支撐圖案化器件，圖案化器件經組態以根據所要圖案來圖案化投影光束； -  基板台，其經組態以固持基板； -  投影系統，其經組態以將經圖案化光束投影至基板之目標部分上；及 -  處理單元，其經組態以： 根據如條項23至32中任一項之方法來預測與半導體製造程序相關聯之參數值。 35.一種電腦程式產品，其包含用於使通用資料處理裝置執行如條項23至32中任一項之方法之步驟的機器可讀指令。 36.如條項23至32中任一項之方法，其進一步包含基於第一參數之預測值及基於使用第一取樣方案之量測的第一參數之所獲得第一值而判定與半導體製造程序之控制器所使用之模型相關聯之參數值。 37.如條項36之方法，其中判定係基於比較第一參數之預測值與藉由將模型應用於第一參數之所獲得第一值所獲得之第一參數之值。 38.如條項36或37之方法，其中模型為指數加權移動平均模型且參數為與該指數加權移動平均模型相關聯之平滑常數。 39.一種用於組態半導體製造程序之方法，方法包含： -  基於與半導體製造程序中之程序步驟之第一操作及第一取樣方案相關聯之量測而獲得第一參數之第一值； -  使用循環神經網路以基於第一值而判定第一參數之預測值；及 -  使用第一參數之預測值來組態半導體製造程序中之程序步驟之後續操作。 40.如條項39之方法，其進一步包含： -  基於使用空間稠密低於第一取樣方案之第二取樣方案之量測而獲得第二參數之第二值；及 -  使用第二參數之第二值來組態半導體製造程序中之程序步驟之後續操作。 41.如條項40之方法，其中第二值基於在程序步驟之後續操作處之量測而獲得。 42.如條項41之方法，其中第二值基於對同一基板台上支撐之同一基板執行之量測而獲得，在該同一基板台處執行程序步驟之後續操作，其中使用第二值來組態程序步驟之後續操作。 43.如條項40之方法，其中半導體製造程序為圖案化基板之逐批程序，且其中第一取樣方案具有每5至10分批之測量頻率且第二取樣方案具有每分批一次之測量頻率。 44.如條項40之方法，其中半導體製造程序為使用曝光場來圖案化基板之程序，且其中第一取樣方案具有每曝光場200至300個量測點之空間密度且第二取樣方案具有每曝光場2至3個量測點之空間密度。 一般定義
儘管可在本文中特定地參考IC製造中微影裝置之使用，但應理解，本文所描述之微影裝置可具有其他應用。可能之其他應用包括製造整合式光學系統、用於磁域記憶體之導引及偵測圖案、平板顯示器、液晶顯示器(liquid-crystal display；LCD)、薄膜磁頭等等。
雖然在本文中可對檢測或度量衡裝置之內容背景中的本發明之實施例進行特定參考，但本發明之實施例可用於其他裝置中。本發明之實施例可形成光罩檢測裝置、微影裝置或量測或處理諸如晶圓(或其他基板)或光罩(或其他圖案化器件)之物件的任何裝置之部分。亦應注意，術語度量衡裝置或度量衡系統涵蓋術語檢測裝置或檢測系統，或可經術語檢測裝置或檢測系統取代。如本文所揭示之度量衡或檢測裝置可用以偵測基板上或內之缺陷及/或基板上之結構的缺陷。在此實施例中，例如，基板上的結構之特性可係關於結構中之缺陷、結構之特定部分之不存在或基板上的非想要結構之存在。
雖然特別提及「度量衡裝置/工具/系統」或「檢測裝置/工具/系統」，但此等術語可指相同或類似類型之工具、裝置或系統。例如包含本發明之一實施例之檢測或度量衡裝置可用以判定實體系統(諸如基板上或晶圓上之結構)之特徵。例如，包含本發明之一實施例的檢測裝置或度量衡裝置可用以偵測基板之缺陷或基板上或晶圓上之結構的缺陷。在此實施例中，實體結構之特徵可關於結構中之缺陷、結構之特定部分之不存在或基板上之非想要結構之存在。
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，本發明可用於其他應用(例如壓印微影)中，且在內容背景允許之情況下不限於光學微影。
雖然上文所描述之目標或目標結構(更一般而言，基板上之結構)為出於量測之目的而特定設計及形成的度量衡目標結構，但在其他實施例中，可在作為在基板上形成之器件之功能性部分的一或多個結構上量測所關注屬性。許多器件具有規則的類光柵結構。如本文中所使用之術語結構、目標光柵及目標結構不要求已特定針對正執行之量測來提供結構。關於多敏感度目標實施例，不同產品特徵可包含具有變化敏感度(變化間距等)的許多區。此外，度量衡目標之間距P接近於散射計之光學系統之解析度極限，但可比藉由微影程序在目標部分C中製造之典型產品特徵之尺寸大得多。實務上，可將目標結構內之疊對光柵之線及/或空間製造為包括尺寸上與產品特徵相似之較小結構。
雖然上文已描述本發明之特定實施例，但應瞭解，可與所描述方式不同之其他方式來實踐本發明。以上描述意欲為說明性，而非限制性的。因此，熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下對如所描述之本發明進行修改。
402          水平箭頭 404          曝光 406          量測步驟 408          量測步驟 410          蝕刻 412          稀疏量測/稠密量測 414          超稠密/稠密量測 416          稀疏ADI資料 418          稠密資料 422          蝕刻後量測資料 424          超稠密資料 426          最佳化步驟 428          程序指紋 430          較高階ADI指紋 432          模型偏移 434          全局稀疏模型結果 436          稠密模型結果 438          超稠密模型結果 502          量測 504          第一(歷史)稀疏資料 506          應用 508          模型 510          量測 512          歷史稠密資料 514          加權因數 516          量測 522          第二稀疏資料 524          調適 526          稀疏模型結果 532          取平均 536          半導體器件 540          器件度量模型偏移 542          判定 616          量測 618          稠密資料 620          減少取樣 622          第二稀疏資料 626          後續值 628          稀疏模型殘差/量測 630          應用 634          稠密模型結果 638          取平均 702          晶圓映射 704          晶圓映射 708          晶圓映射 710          晶圓映射 712          盒狀圖 802          晶圓映射 804          晶圓映射 806          晶圓映射 808          晶圓映射 810          晶圓映射 812          晶圓映射 814          全局層級 816          盒狀圖 1102        早先 1104        量測 1106        控制配方 1108        量測 1110        量測 1112        控制配方 1202        離線對準標記量測步驟 1204        量測 1206        離線量測工具 1208        高階對準參數值 1212        控制配方 1214        曝光步驟 1216        低階疊對參數 1302        初始訓練步驟 1304        循環神經網路 1306        量測 1308        高階參數值 1310        直接使用 1312        預測值 1314        控制配方 1318        低階參數值 1320        值 1322        控制配方 1324        回饋 1328        量測 1402        實線曲線 1404        虛線曲線 1504        虛線曲線 1604        虛線曲線 1702        基線晶圓映射 1704        晶圓映射 1706        晶圓映射 1708        晶圓映射 A             常規方法 ADI         稀疏顯影後檢測 AEI         蝕刻後檢測 B             輻射束/實施例 BD           光束遞送系統 BK           烘烤板 C             目標部分 CH           冷卻板 CL           電腦系統 DE           顯影器 DM          矩陣 F             行向量 F'            擬合係數行向量 FM          自由形式矩陣 HO1         高階疊對參數 HO2         高階疊對參數 HO3         高階疊對參數 HO4         高階疊對參數 HO5         高階疊對參數 HO6         高階疊對參數 HO7         高階疊對參數 HO8         高階疊對參數 HO9         高階疊對參數 HO10       高階疊對參數 IF            位置量測系統 IL            照明系統 I/O1         輸入埠 I/O2         輸出埠 L1           晶圓批次 L2           晶圓批次 L3           晶圓批次 L4           晶圓批次 L5           晶圓批次 L6           晶圓批次 L7           晶圓批次 L8           晶圓批次 L9           晶圓批次 L10          晶圓批次 LA           微影裝置 LACU      微影控制單元 LB           裝載匣 LC           微影單元 LO1         低階疊對參數 M1           光罩對準標記 M2           光罩對準標記 MA          圖案化器件 MT          光罩支撐件 MV          行向量 N             值 OVX        x方向 OVY        y方向 p             間距 P 1基板對準標記 P 2基板對準標記 PM          第一定位器 PS           投影系統 PW          第二定位器 RO           機器人 SC           旋塗器 SC1         第一標度 SC2         第二標度 SC3         第三標度 SCS         監督控制系統 SO           輻射源 TCU         塗佈顯影系統控制單元 W            基板 WN          晶圓數目 WT          基板支撐件 X             方向 Y             方向 Z             方向
現在將參看隨附示意性圖式而僅藉助於實例來描述本發明之實施例，在該等隨附示意性圖式中： -  圖1描繪微影裝置之示意性綜述； -  圖2描繪微影單元之示意性綜述； -  圖3描繪整體微影之示意性表示，其表示最佳化半導體製造之三種關鍵技術之間的合作； -  圖4示意性地描繪程序之顯影後及蝕刻後疊對控制； -  圖5為根據實施例之用於判定程序之校正之方法的流程圖； -  圖6為根據使用分佈式稠密取樣之另一實施例的用於判定程序之校正之方法的流程圖； -  圖7描繪比較常規方法及實施例之殘差疊對效能之實例的結果；及 -  圖8描繪類似於圖7但用於分佈式取樣之實例比較的結果。 -  圖9描繪一種模型化經量測參數資料之方法。 -  圖10描繪根據實施例之模型化經量測參數資料之方法。 -  圖11描繪半導體製造程序之疊對取樣及控制之示意性綜述； -  圖12描繪半導體製造程序之已知對準取樣及控制之示意性綜述； -  圖13描繪根據本發明之實施例的半導體製造程序之取樣及控制之方法的示意性綜述； -  圖14為對應於圖11之取樣及控制方案之疊對較高階參數更新的曲線圖； -  圖15為根據本發明之實施例之未更新之疊對較高階參數更新的曲線圖； -  圖16為根據本發明之實施例的對應於圖13之取樣及控制方案之未更新之疊對較高階參數更新的曲線圖；及 -  圖17描繪利用無高階疊對參數校正、利用對應於圖14之疊對較高階參數更新及利用對應於圖15及16之疊對參數預測的經量測疊對之晶圓映射。
502          量測 504          第一(歷史)稀疏資料 506          應用 508          模型 510          量測 512          歷史稠密資料 514          加權因數 516          量測 522          第二稀疏資料 524          調適 526          稀疏模型結果 532          取平均 536          半導體器件 540          器件度量模型偏移 542          判定

Claims (15)

  1. 一種用於組態一半導體製造程序之方法，該方法包含： 基於與該半導體製造程序中之一程序步驟之一第一操作及一第一取樣方案相關聯的量測而獲得一第一參數之一第一值； 使用一循環神經網路以基於該第一值而判定該第一參數之一預測值；及 使用該第一參數之該預測值來組態該半導體製造程序中之該程序步驟之一後續操作。
  2. 如請求項1之方法，其進一步包含： 基於使用空間稠密低於該第一取樣方案之一第二取樣方案之量測而獲得一第二參數的一第二值；及 使用該第二參數之該第二值來組態該半導體製造程序中之該程序步驟之該後續操作。
  3. 如請求項2之方法，其中該第二值基於該程序步驟之該後續操作處之量測而獲得。
  4. 如請求項3之方法，其中該第二值基於對同一基板台上支撐之同一基板執行之量測而獲得，該程序步驟之該後續操作在該同一基板台處執行，其中使用該第二值來組態該程序步驟之該後續操作。
  5. 如請求項2之方法，其中該半導體製造程序為圖案化基板之一逐批程序，且其中該第一取樣方案具有每5至10分批之一量測頻率且該第二取樣方案具有每分批一次的一量測頻率。
  6. 如請求項2之方法，其中該半導體製造程序為使用曝光場之圖案化基板的一程序，且其中該第一取樣方案具有每曝光場200至300個量測點之一空間密度且該第二取樣方案具有每曝光場2至3個量測點之一空間密度。
  7. 如請求項1之方法，其進一步包含基於使用該第一取樣方案之量測而獲得該第一參數之一後續值及使用該後續值來更新該循環神經網路。
  8. 如請求項1之方法，其中該參數包含一曝光放大參數且該程序步驟包含微影曝光。
  9. 如請求項1之方法，其中該循環神經網路包含一長短期記憶體網路。
  10. 如請求項1之方法，其進一步包含基於該第一參數之該預測值及基於使用該第一取樣方案之量測的該第一參數之所獲得第一值而判定與由一半導體製造程序之一控制器所使用之一模型相關聯的一參數之一值。
  11. 如請求項10之方法，其中該判定係基於比較該第一參數之該預測值與藉由將該模型應用於該第一參數之該所獲得第一值所獲得之該第一參數的一值。
  12. 如請求項10之方法，其中該模型為一指數加權移動平均模型且該參數為與該指數加權移動平均模型相關聯之一平滑常數。
  13. 一種半導體製造程序，其包含一種用於根據如請求項1之方法來組態一半導體製造程序之方法。
  14. 一種電腦程式產品，其包含用於使一通用資料處理裝置執行如請求項1之方法之步驟的機器可讀指令。
  15. 一種微影裝置，其包含： 一照明系統，其經組態以提供一輻射投影光束； 一支撐結構，其經組態以支撐一圖案化器件，該圖案化器件經組態以根據一所要圖案來圖案化該投影光束； 一基板台，其經組態以固持一基板； 一投影系統，其經組態以將經圖案化光束投影至該基板之一目標部分上；及 一處理單元，其經組態以根據如請求項1之方法來組態半導體製造程序。
TW108139392A 2018-11-07 2019-10-31 判定程序之校正 TWI703659B (zh)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
EP18204882.7 2018-11-07
EP18204882.7A EP3650939A1 (en) 2018-11-07 2018-11-07 Predicting a value of a semiconductor manufacturing process parameter
EP19150953 2019-01-09
EP19150953.8 2019-01-09
EP19173992.9 2019-05-13
EP19173992 2019-05-13
EP19199505 2019-09-25
EP19199505.9 2019-09-25

Publications (2)

Publication Number Publication Date
TW202025329A TW202025329A (zh) 2020-07-01
TWI703659B true TWI703659B (zh) 2020-09-01

Family

ID=68210809

Family Applications (4)

Application Number Title Priority Date Filing Date
TW109128463A TWI729918B (zh) 2018-11-07 2019-10-31 判定程序之校正
TW111134065A TWI824707B (zh) 2018-11-07 2019-10-31 判定程序之校正
TW108139392A TWI703659B (zh) 2018-11-07 2019-10-31 判定程序之校正
TW110119354A TWI777585B (zh) 2018-11-07 2019-10-31 判定程序之校正

Family Applications Before (2)

Application Number Title Priority Date Filing Date
TW109128463A TWI729918B (zh) 2018-11-07 2019-10-31 判定程序之校正
TW111134065A TWI824707B (zh) 2018-11-07 2019-10-31 判定程序之校正

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW110119354A TWI777585B (zh) 2018-11-07 2019-10-31 判定程序之校正

Country Status (8)

Country Link
US (2) US11086305B2 (zh)
EP (2) EP3974906A1 (zh)
JP (2) JP7280356B2 (zh)
KR (2) KR20210069104A (zh)
CN (1) CN112969967A (zh)
IL (1) IL282101B2 (zh)
TW (4) TWI729918B (zh)
WO (1) WO2020094325A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021254709A1 (en) * 2020-06-16 2021-12-23 Asml Netherlands B.V. A method for modeling measurement data over a substrate area and associated apparatuses
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
USD977504S1 (en) 2020-07-22 2023-02-07 Applied Materials, Inc. Portion of a display panel with a graphical user interface
US20220066411A1 (en) * 2020-08-31 2022-03-03 Applied Materials, Inc. Detecting and correcting substrate process drift using machine learning
TW202226078A (zh) * 2020-11-10 2022-07-01 日商東京威力科創股份有限公司 模型管理系統、模型管理方法及模型管理程式
EP4040233A1 (en) * 2021-02-03 2022-08-10 ASML Netherlands B.V. A method of determining a measurement recipe and associated metrology methods and appratuses
EP4050328A1 (en) * 2021-02-25 2022-08-31 ASML Netherlands B.V. Method to predict metrology offset of a semiconductor manufacturing process
WO2022233562A1 (en) * 2021-05-06 2022-11-10 Asml Netherlands B.V. Causal convolution network for process control
EP4105719A1 (en) * 2021-06-15 2022-12-21 ASML Netherlands B.V. Causal convolution network for process control
CN113758503B (zh) * 2021-08-12 2022-03-18 清华大学 一种过程参数估计方法、装置、电子设备及存储介质
EP4216106A1 (en) * 2022-01-19 2023-07-26 ASML Netherlands B.V. Method for controlling a production system and method for thermally controlling at least part of an environment
KR20240001593A (ko) * 2022-06-27 2024-01-03 주식회사 한화 인공 신경망을 이용하여 챔버의 상태를 예측하는 방법 및 장치
US20240037442A1 (en) * 2022-07-26 2024-02-01 Applied Materials, Inc. Generating indications of learning of models for semiconductor processing

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090063378A1 (en) * 2007-08-31 2009-03-05 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
US20100049680A1 (en) * 2008-08-20 2010-02-25 Inotera Memories, Inc. Method for projecting wafer product overlay error and wafer product critical dimension
TW201734895A (zh) * 2016-01-04 2017-10-01 克萊譚克公司 針對半導體應用由低解析度影像產生高解析度影像
TW201830340A (zh) * 2016-12-19 2018-08-16 美商克萊譚克公司 使用經預測之度量影像之度量配方產生
TW201837617A (zh) * 2017-03-23 2018-10-16 荷蘭商Ａｓｍｌ荷蘭公司 模型化系統或執行諸如微影系統之系統之預測維修之方法及相關聯微影系統

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002134395A (ja) 2000-10-25 2002-05-10 Sony Corp 半導体装置の製造方法および半導体装置の製造システム
US7006205B2 (en) 2002-05-30 2006-02-28 Applied Materials Inc. Method and system for event detection in plasma processes
CN100470367C (zh) 2002-11-12 2009-03-18 Asml荷兰有限公司 光刻装置和器件制造方法
JP4480482B2 (ja) 2004-06-24 2010-06-16 株式会社日立ハイテクノロジーズ プラズマエッチング処理装置の制御方法およびトリミング量制御システム
US8043797B2 (en) 2004-10-12 2011-10-25 Asml Netherlands B.V. Lithographic apparatus and device manufacturing method
JP4580338B2 (ja) 2004-12-23 2010-11-10 エーエスエムエル ネザーランズ ビー．ブイ． リソグラフィ装置、エキシマ・レーザ、およびデバイス製造方法
US8175831B2 (en) * 2007-04-23 2012-05-08 Kla-Tencor Corp. Methods and systems for creating or performing a dynamic sampling scheme for a process during which measurements are performed on wafers
JP2009032183A (ja) 2007-07-30 2009-02-12 Fujitsu Microelectronics Ltd 予測装置、予測方法およびプロセス制御システム
US8078995B2 (en) * 2009-01-06 2011-12-13 International Business Machines Corporation Efficient isotropic modeling approach to incorporate electromagnetic effects into lithographic process simulations
US8136054B2 (en) * 2009-01-29 2012-03-13 Synopsys, Inc. Compact abbe's kernel generation using principal component analysis
JP2011233744A (ja) 2010-04-28 2011-11-17 Toshiba Corp 露光方法および半導体デバイスの製造方法
NL2009853A (en) 2011-12-23 2013-06-26 Asml Netherlands Bv Methods and apparatus for measuring a property of a substrate.
US9946165B2 (en) * 2013-10-02 2018-04-17 Asml Netherlands B.V. Methods and apparatus for obtaining diagnostic information relating to an industrial process
US9087176B1 (en) * 2014-03-06 2015-07-21 Kla-Tencor Corporation Statistical overlay error prediction for feed forward and feedback correction of overlay errors, root cause analysis and process control
US20160148850A1 (en) 2014-11-25 2016-05-26 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
KR102377411B1 (ko) 2015-04-10 2022-03-21 에이에스엠엘 네델란즈 비.브이. 검사와 계측을 위한 방법 및 장치
US11205119B2 (en) 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10360477B2 (en) * 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10600026B2 (en) 2016-07-08 2020-03-24 Walmart Apollo, Llc Stocking level indication system and method
KR101917006B1 (ko) 2016-11-30 2018-11-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
CN107369635B (zh) * 2017-06-06 2020-06-09 上海集成电路研发中心有限公司 一种基于深度学习的智能半导体装备系统
JP2019007555A (ja) * 2017-06-26 2019-01-17 プラトー株式会社 減速機および減速機付きモータ
US10784174B2 (en) 2017-10-13 2020-09-22 Lam Research Corporation Method and apparatus for determining etch process parameters
JP7262921B2 (ja) 2017-11-28 2023-04-24 キヤノン株式会社 情報処理装置、プログラム、リソグラフィ装置、リソグラフィシステム、および物品の製造方法
KR102549196B1 (ko) 2018-02-07 2023-06-30 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
US11199506B2 (en) 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US11030557B2 (en) 2018-06-22 2021-06-08 Applied Materials, Inc. Predicting arrival time of components based on historical receipt data
US11651207B2 (en) * 2018-06-28 2023-05-16 Applied Materials, Inc. Training spectrum generation for machine learning system for spectrographic monitoring
US20200104639A1 (en) * 2018-09-28 2020-04-02 Applied Materials, Inc. Long short-term memory anomaly detection for multi-sensor equipment monitoring
WO2020234863A1 (en) 2019-05-22 2020-11-26 Applied Materials Israel Ltd. Machine learning-based classification of defects in a semiconductor specimen

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090063378A1 (en) * 2007-08-31 2009-03-05 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
US20100049680A1 (en) * 2008-08-20 2010-02-25 Inotera Memories, Inc. Method for projecting wafer product overlay error and wafer product critical dimension
TW201734895A (zh) * 2016-01-04 2017-10-01 克萊譚克公司 針對半導體應用由低解析度影像產生高解析度影像
TW201830340A (zh) * 2016-12-19 2018-08-16 美商克萊譚克公司 使用經預測之度量影像之度量配方產生
TW201837617A (zh) * 2017-03-23 2018-10-16 荷蘭商Ａｓｍｌ荷蘭公司 模型化系統或執行諸如微影系統之系統之預測維修之方法及相關聯微影系統

Also Published As

Publication number Publication date
EP3974906A1 (en) 2022-03-30
EP3807720A1 (en) 2021-04-21
JP7280356B2 (ja) 2023-05-23
US20210165399A1 (en) 2021-06-03
TWI824707B (zh) 2023-12-01
JP2022511681A (ja) 2022-02-01
US20210333785A1 (en) 2021-10-28
IL282101B (en) 2022-10-01
TW202135196A (zh) 2021-09-16
US11086305B2 (en) 2021-08-10
TW202025329A (zh) 2020-07-01
JP2023095988A (ja) 2023-07-06
EP3807720B1 (en) 2022-05-11
IL282101A (en) 2021-05-31
TW202301507A (zh) 2023-01-01
TWI777585B (zh) 2022-09-11
US11994845B2 (en) 2024-05-28
WO2020094325A1 (en) 2020-05-14
KR20230130767A (ko) 2023-09-12
CN112969967A (zh) 2021-06-15
IL282101B2 (en) 2023-02-01
KR20210069104A (ko) 2021-06-10
TW202101633A (zh) 2021-01-01
TWI729918B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
TWI703659B (zh) 判定程序之校正
US11079684B2 (en) Measurement apparatus and a method for determining a substrate grid
EP3650939A1 (en) Predicting a value of a semiconductor manufacturing process parameter
CN114207527B (zh) 用于控制半导体制造过程的方法
CN111989619A (zh) 半导体结构的基于模型的重构
US11809088B2 (en) Method for controlling a lithographic apparatus
US20220026809A1 (en) Method for monitoring lithographic apparatus
EP3705945A1 (en) Methods and apparatus for estimating substrate shape
EP3654104A1 (en) Method for monitoring lithographic apparatus
TWI814370B (zh) 用於程序控制之因果卷積網路
TWI791321B (zh) 用於組態採樣架構產生模型之方法及電腦程式
US11579535B2 (en) Method of determining the contribution of a processing apparatus to a substrate parameter
EP4105719A1 (en) Causal convolution network for process control
TW202209018A (zh) 使用產品特徵上之在解析度度量衡之晶圓對準方法
WO2021001119A1 (en) Non-correctable error in metrology