TWI722699B - 用於判定與半導體製程的效能度量有關之校正之方法、獲得用於判定與微影程序之效能度量有關的校正之至少一個經訓練模型的方法、電腦程式、及相關聯之非暫時性電腦程式載體及處理裝置 - Google Patents

用於判定與半導體製程的效能度量有關之校正之方法、獲得用於判定與微影程序之效能度量有關的校正之至少一個經訓練模型的方法、電腦程式、及相關聯之非暫時性電腦程式載體及處理裝置 Download PDF

Info

Publication number
TWI722699B
TWI722699B TW108144626A TW108144626A TWI722699B TW I722699 B TWI722699 B TW I722699B TW 108144626 A TW108144626 A TW 108144626A TW 108144626 A TW108144626 A TW 108144626A TW I722699 B TWI722699 B TW I722699B
Authority
TW
Taiwan
Prior art keywords
data
exposure
metrology data
training
substrate
Prior art date
Application number
TW108144626A
Other languages
English (en)
Other versions
TW202038017A (zh
Inventor
尼可拉斯 彼德魯斯 馬可斯 布蘭特傑斯
馬泰斯 寇克斯
伯瑞斯 曼徹奇可夫
希拉 艾米爾 塔伯里
幼平 張
鄒毅
林晨希
程亞娜
賽門 飛利浦 史賓斯 海斯汀思
麥辛姆 飛利浦 費德里科 杰尼
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 TW202038017A publication Critical patent/TW202038017A/zh
Application granted granted Critical
Publication of TWI722699B publication Critical patent/TWI722699B/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
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • 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
    • 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
    • G03F9/00—Registration or positioning of originals, masks, frames, photographic sheets or textured or patterned surfaces, e.g. automatically
    • G03F9/70—Registration or positioning of originals, masks, frames, photographic sheets or textured or patterned surfaces, e.g. automatically for microlithography
    • G03F9/7003—Alignment type or strategy, e.g. leveling, global alignment
    • G03F9/7046—Strategy, e.g. mark, sensor or wavelength selection

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)

Abstract

本發明揭示一種用於判定與一半導體製程的一效能度量有關之一校正之方法，該方法包含：獲得預處理度量衡資料之一第一集合；藉由將該預處理度量衡資料分解成一或多個分量來處理預處理度量衡資料之該第一集合，該一或多個分量：a)與該效能度量相關聯；或b)可至少部分地由一控制程序校正，該控制程序為該半導體製程的部分；及將一經訓練模型應用至預處理度量衡資料之該經處理第一集合以判定該半導體製程的該校正。

Description

用於判定與半導體製程的效能度量有關之校正之方法、獲得用於判定與微影程序之效能度量有關的校正之至少一個經訓練模型的方法、電腦程式、及相關聯之非暫時性電腦程式載體及處理裝置
本發明係關於處理用於生產例如半導體裝置之基板。
微影設備為經建構以將所要圖案應用於基板上之機器。微影設備可用於例如積體電路(IC)之製造中。微影設備可例如將圖案化裝置(例如光罩)處之圖案(亦常常稱為「設計佈局」或「設計」)投影至設置於基板(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，微影設備可使用輻射。此輻射之波長判定可形成於基板上之特徵的最小大小。當前在使用中之典型波長 為約365nm(i線)、約248nm、約193nm及約13nm。與使用例如具有約193nm之波長之輻射的微影設備相比，使用具有在4nm至20nm之範圍內(例如6.7nm或13.5nm)的波長之極紫外線(EUV)輻射的微影設備可用於在基板上形成較小特徵。
低k1微影可用於處理尺寸小於微影設備之經典解析度極限的特徵。在此程序中，可將解析度公式表達為CD=k1×λ/NA，其中λ為所採用的輻射之波長，NA為微影設備中之投影光學器件的數值孔徑，CD為「臨界尺寸」(通常為經印刷之最小特徵大小，但在此情況下為半間距)且k1為經驗解析度因數。一般而言，k1愈小，則愈難以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。為了克服此等困難，可將複雜微調步驟應用於微影投影設備及/或設計佈局。此等步驟包括例如但不限於數值孔徑(NA)之最佳化、自訂照明方案、使用一或多個相移圖案化裝置、設計佈局之最佳化，諸如設計佈局中的光學近接校正(OPC)，或一般定義為解析度增強技術(RET)之其他方法。另外地或可替代地，用以控制微影設備之穩定性之一或多個嚴格控制環路可用於改良在低k1下的圖案的再生。
微影設備之控制之有效性可取決於個別基板的特性。舉例而言，在藉由微影設備(或製程之任何其他程序步驟，在本文中一般稱為製程步驟)處理之前由第一處理工具處理的第一基板可相比於在藉由微影設備處理之前由第二處理工具處理之第二基板(略微)受益於不同控制參數。
圖案於基板上之準確置放為用以減小電路組件及可藉由微影產生的其他產品之大小的主要挑戰。特定言之，準確地量測基板上已經 放置之特徵的挑戰為能夠足夠準確地對準處於疊加之特徵之順次層來以高良率產生工作裝置的關鍵步驟。一般而言，所謂的疊對應在如今之亞微米半導體裝置中在數十奈米下至最關鍵層中之若干奈米內來達成。
因此，現代微影設備涉及在實際上曝光或以其他方式圖案化處於目標部位之基板的步驟之前的廣泛量測或「映射」操作。已開發且持續開發所謂的進階對準模型以更準確地模型化及校正藉由處理步驟及/或藉由微影設備自身造成的晶圓「柵格」之非線性失真。然而，在曝光期間並非所有的失真皆可校正，且追蹤及消除儘可能多的此等失真原因仍然很重要。
晶圓柵格之此等失真由與標記位置相關之量測資料表示。量測資料獲自晶圓之量測。此等量測之實例為在曝光之前使用微影設備中的對準系統執行之對準標記的對準量測。此等量測之另一實例為在曝光之後使用度量衡系統執行的疊對目標的疊對量測。
機器學習技術可用以識別經受程序之基板的一或多個特性(諸如疊對、CD、邊緣置放誤差(EPE)等)上之處理內容脈絡觀測到的影響之間的因果模式。此等模式隨後可用於預測及校正處理後續基板時之誤差。此等系統之一些實例描述於特此以引用之方式併入的PCT專利申請公開案第WO 2017/060080號中。
在本發明的一第一態樣中，提供一種用於判定與一半導體製程之一效能度量有關的一校正之方法，該方法包含：獲得預處理度量衡資料之一第一集合；藉由將該預處理度量衡資料分解成一或多個分量來處理預處理度量衡資料之該第一集合，該一或多個分量：a)與該效能度量相關聯；或 b)可至少部分地由一控制程序校正，該控制程序為該半導體製程的部分；及將一經訓練模型應用至預處理度量衡資料之該經處理第一集合以判定該半導體製程的該校正。
在本發明的一第二態樣中，提供一種用於判定與一微影程序之一效能度量有關的效能度量校正之至少一個經訓練模型的方法，該方法包含：獲得包含曝光前度量衡資料之一第一訓練集的訓練資料，該曝光前度量衡資料包含密集曝光前度量衡資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集；處理該訓練資料以獲得包含該曝光前度量衡資料之一或多個分量的經處理曝光前度量衡資料，該一或多個分量與該效能度量有關；及用該經處理訓練資料訓練該模型。
在本發明之另一態樣中，提供一種包含程式指令之電腦程式，該等程式指令可操作以在運行於一適合設備上時執行該第一態樣及/或第二態樣之該方法。
200:微影工具
202:量測站
204:曝光站
206:控制單元
208:塗佈設備
210:烘烤設備
212:顯影設備
220:經圖案化基板
222:設備
224:設備
226:設備
230:基板
232:叢集/基板
234:基板
240:度量衡設備
250:電腦系統
252:效能參數資料
254:掃描器度量衡資料
260:外部預處理度量衡
270:外部曝光前度量衡工具
400:校準載物台
405:步驟
410:步驟
415:步驟
420:步驟
425:機器學習步驟
430:生產或致動載物台
435:資料收集步驟
440:第一預處理步驟
445:第二預處理步驟
450:特徵提取步驟
455:步驟
AS:對準感測器
B:輻射光束
BD:光束遞送系統
BK:烘烤板
C:目標部分
CL:電腦系統
CH:冷卻板
DE:顯影器
EXP:曝光站
I/O1:輸入/輸出埠
I/O2:輸入/輸出埠
IF:位置感測器
IL:照明系統
LA:微影設備
LACU:微影設備控制單元
LB:裝載匣
LC:微影製造單元
LS:位階感測器
M1:圖案化裝置對準標記
M2:圖案化裝置對準標記
MA:圖案化裝置
MEA:量測站
MET:檢測設備
MT:支撐結構
P1:基板對準標記
P2:基板對準標記
PM:第一定位器
PS:投影系統
PW:第二定位器
RO:基板處置器
SC:旋塗器
SC1:第一撥號盤
SC2:第二撥號盤
SC3:第三撥號盤
SCS:監督控制系統
SO:輻射源
T:支撐件
TCU:塗佈顯影系統控制單元
W:基板
WT:基板支撐件
WTa:基板支撐件
WTb:基板支撐件
現在將參考隨附示意性圖式僅藉助於實例來描述本發明之實施例，在該等圖式中：圖1描繪微影設備之示意圖綜述；圖2描繪微影製造單元之示意圖綜述；圖3示意性地展示圖1之微影設備及圖2之微影製造單元連同形成用於例如半導體裝置的製造設施之一或多個其他設備的用途，該設施實施根據本發明之實施例的控制策略；及圖4為根據本發明之實施例的用以校準模型及在程序控制中使用該模型之方法的流程圖。
圖1示意性地描繪微影設備LA。微影設備LA包括：照明系統(亦稱為照明器)IL，其經組態以調節輻射光束B(例如，UV輻射、DUV輻射或EUV輻射)；支撐件(例如，光罩台)T，其經建構以支撐圖案化裝置(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裝置MA之第一定位器PM；一或多個基板支撐件(例如，晶圓台)WTa及WTb，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的第二定位器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裝置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，包含一或多個晶粒之部分)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接收輻射光束。照明系統IL可包括用於導向、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可用於調節輻射光束B，以在圖案化裝置MA之平面處在其橫截面中具有所要空間及角強度分佈。
本文中所使用之術語「投影系統」PS應廣泛地解釋為涵蓋適於所使用之曝光輻射及/或適於諸如浸潤式液體的使用或真空之使用的其他因素之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。可將本文中對術語「投影透鏡」之任何使用視為均與更一般術語「投影系統」PS同義。
微影設備LA可屬於一種類型，其中基板的至少一部分可由具有相對較高折射率之液體(例如水)覆蓋，以便填充投影系統PS與基板W 之間的空間--此亦稱為浸潤微影。以引用之方式併入本文中之美國專利第6,952,253號中給出關於浸潤技術的更多資訊。
此實例中之微影設備LA屬於所謂雙載物台類型，其具有兩個基板台WTa及WTb以及兩個站--曝光站及量測站--在該等兩個站之間可移動基板台。雖然一個基板台上之一個基板在曝光站EXP處曝光，但另一基板可在例如量測站MEA處或在另一部位(未展示)處裝載至其他基板台上，或可在量測站MEA處加以處理。具有基板之基板台可位於量測站MEA處使得可進行各種預備步驟。預備步驟可包括使用位階感測器LS來映射基板之表面高度，及/或使用對準感測器AS來量測基板上的對準標記之位置。對準標記以規則柵格圖案標稱地配置。然而，歸因於產生標記時之不準確性且亦歸因於基板之貫穿其處理而發生的變形，標記可偏離理想柵格。因此，若設備LA將以高準確性在正確部位處印刷產品特徵，則除了量測基板之位置及定向以外，對準感測器實務上亦可詳細量測橫越基板區域之許多標記的位置。因此，對準標記之量測可為耗時的，且設置兩個基板台使得設備之產出率能夠相當大地增加。若在基板台處於量測站處以及處於曝光站處時位置感測器IF不能夠量測基板台之位置，則可設置第二位置感測器以使得能夠在兩個站處追蹤基板台之位置。本發明之實施例可應用於僅具有一個基板台或具有多於兩個基板台之設備中。
除了具有一或多個基板支撐件以外，微影設備LA亦可包含量測載物台(未展示)。量測載物台經配置以固持感測器及/或清潔裝置。感測器可經配置以量測投影系統PS之性質或輻射光束B之性質。量測載物台可固持多個感測器。清潔裝置可經配置以清潔微影設備之部分，例如投影系統PS之一部分或提供浸潤式液體的系統之一部分。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之下移動。
輻射光束B入射於固持在支撐結構(例如，光罩台)MT上之圖案化裝置(例如，光罩)MA上，且由該圖案化裝置圖案化。在已橫穿圖案化裝置MA之情況下，輻射光束B穿過投影系統PS，該投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器IF(例如，干涉裝置、線性編碼器或電容式感測器)，可準確地移動基板台WTa/WTb，例如以便使不同目標部分C定位於輻射光束B之路徑中。類似地，第一定位器PM及另一位置感測器(其未在圖1中明確地描繪)可用於例如在自光罩庫機械擷取之後或在掃描期間相對於輻射光束B之路徑來準確地定位圖案化裝置MA。一般而言，可憑藉形成第一定位器PM之部分的長衝程模組(粗略定位)及短衝程模組(精細定位)來實現支撐結構MT之移動。類似地，可使用形成第二定位器PW之部分的長衝程模組及短衝程模組來實現基板台WTa/WTb之移動。在步進器(與掃描器相對)之情況下，支撐結構MT可僅連接至短衝程致動器，或可固定。可使用圖案化裝置對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置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(將此等基板對準標記稱為切割道對準標記)。類似地，在將多於一個晶粒設置於圖案化裝置MA上之情況下，圖案化裝置對準標記可位於該等晶粒之間。
設備進一步包括控制微影設備之各種致動器及感測器(諸如所描述的彼等致動器及感測器)之所有移動及量測的微影設備控制單元LACU。控制單元LACU亦包括用以實施與設備之操作相關的所要計算之信號處理及資料處理能力。實務上，控制單元LACU將實現為許多子單元 之系統，該等子單元各自處置設備內之子系統或組件的即時資料獲取、處理及控制。舉例而言，一個處理子系統可專用於基板定位器PW之伺服控制。分開的單元甚至可處置粗略致動器及精細致動器，或不同軸線。另一單元可專用於位置感測器IF之讀出。設備之總控制可受到中央處理單元控制，中央處理單元與此等子系統處理單元通信、與操作者通信，且與微影製程中涉及之其他設備通信。
如圖2中所展示，微影設備LA可形成微影製造單元LC(有時亦稱為微影單元(lithocell)或微影(litho)叢集)之部分，該微影製造單元LC常常亦包括用以對基板W執行曝光前程序及曝光後程序的設備。通常，此等設備包括一或多個旋塗器SC，其用以沈積抗蝕劑層；一或多個顯影器DE，其用以使經曝光抗蝕劑顯影；一或多個冷卻板CH及一或多個烘烤板BK，其例如用以調節基板W之溫度、例如用以調節抗蝕劑層中之溶劑。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、在不同處理設備之間移動基板W且將基板W遞送至微影設備LA之裝載匣LB。微影單元中常常亦統稱為塗佈顯影系統之裝置通常處於塗佈顯影系統控制單元TCU之控制下，該塗佈顯影系統控制單元TCU本身可受到監督控制系統SCS控制，該監督控制系統SCS亦可例如經由微影控制單元LACU來控制微影設備LA。
為了正確且一致地曝光由微影設備LA曝光之基板W，需要檢測基板以量測經圖案化結構之特性，諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD)等。出於此目的，一或多個檢測工具(未展示)可包括於微影單元LC中。若偵測到誤差，則可例如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調整，尤其在同一批量或批次的其他基板W 仍待曝光或處理之前進行檢測的情況下。
亦可稱為度量衡設備或度量衡工具之檢測設備MET用於判定基板W的一或多個性質，且特定言之，判定不同基板W之一或多個性質如何變化或與同一基板W的不同層相關之一或多個性質如何在層與層之間變化。檢測設備可經建構以識別基板W上之缺陷，且可為例如微影單元LC之部分，或可整合至微影設備LA中，或甚至可為獨立裝置。檢測設備可量測潛影(在曝光之後在抗蝕劑層中之影像)上的一或多個屬性，或半潛影(在曝光後烘烤步驟之後在抗蝕劑層中之影像)上的一或多個性質，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被移除)上的一或多個性質，或甚至經蝕刻影像(在諸如蝕刻之圖案轉印步驟之後)上的一或多個性質。
圖3展示用以例如半導體產品之工業製造設施之上下文中的微影設備LA及微影單元LC。在微影設備(或簡稱「微影工具」200)內，在202處展示量測站MEA且在204處展示曝光站EXP。在206處展示控制單元LACU。如已經描述，微影工具200形成「微影單元」或「微影叢集」，該微影單元或微影叢集亦包括塗佈設備SC 208以用於將感光抗蝕劑及/或一或多個其他塗層施加至基板W以供設備200圖案化。在設備200之輸出側處，設置烘烤設備BK 210及顯影設備DE 212以用於使經曝光圖案顯影於實體抗蝕劑圖案中。為了清楚起見，省略圖3中所展示之其他組件。
一旦已施加圖案並使其顯影，即將經圖案化基板220轉印至諸如在222、224、226處所說明之其他處理設備。廣泛範圍之處理步驟藉由典型製造設施中之各種設備予以實施。出於實例起見，此實施例中之設備222為蝕刻站，且設備224執行蝕刻後退火步驟。將其他物理及/或化 學處理步驟應用於其他設備226等中。可需要眾多類型之操作以製作實際裝置，諸如，材料之沈積、表面材料特性之改質(氧化、摻雜、離子植入等)、化學機械拋光(CMP)等等。實務上，設備226可表示在一或多個設備中執行之一系列不同處理步驟。
包含圖案化程序步驟之序列之所描述的半導體製程僅為工業程序之一個實例，在該工業程序中，可應用本文中所揭示之技術。半導體製程包括一系列圖案化步驟。每一圖案化程序步驟包括圖案化操作(例如微影圖案化操作)，及多個其他化學及/或物理操作。
半導體裝置之製造涉及此處理之許多重複，以在基板上逐層地構建具有適當材料及圖案之裝置結構。現代裝置製程可包含例如40或50個個別圖案化步驟。因此，到達微影叢集之基板230可為新近製備之基板，或其可為先前已在此叢集232中或在另一設備中完全地經處理的基板。類似地，取決於所需處理，基板在離開設備226時可經返回以用於同一微影叢集中之後續圖案化操作(諸如基板232)，其可經預定以用於不同叢集中之圖案化操作(諸如基板234)，或其可為待發送以供切割及封裝的成品(諸如基板234)。
產品結構之每一層通常涉及一組不同的程序步驟，且用於每一層處之設備可在類型方面完全不同。另外，即使在待由設備應用之處理步驟在大型設施中標稱地相同的情況下，亦可存在並行地工作以對不同基板執行處理之若干假設相同的機器。此等機器之間的設定或故障之小差異可意謂其以不同方式影響不同基板。即使為各層相對所共有之步驟，諸如蝕刻(設備222)亦可藉由標稱地相同但並行地工作以最大化產出率之若干蝕刻設備實施。亦可在較大設備內之不同腔室中執行並行處理。此外， 實務上，不同層根據待蝕刻之材料的細節常常涉及不同蝕刻程序，例如化學蝕刻、電漿蝕刻等，且涉及特定要求，諸如例如各向異性蝕刻。
可在如剛才所提及之其他微影設備中執行先前及/或後續程序，且甚至可在不同類型之微影設備中執行先前及/或後續程序。舉例而言，相比於不太苛刻之一或多個其他層，可在更高階微影工具中執行裝置製程中之就例如解析度及/或疊對而言極為苛刻的一或多個層。因此，一或多個層可曝光於浸潤型微影工具中，而一或多個其他層曝光於「乾燥」工具中。一或多個層可曝光於在DUV波長下工作之工具中，而一或多個其他層使用EUV波長輻射來曝光。
圖3中亦展示度量衡設備(MET)240，其經設置以用於在製程中之所要階段對產品參數進行量測。現代微影製造設施中之度量衡站的常見實例為散射計，例如角度解析散射計或光譜散射計，且其可經應用以量測在設備222中進行蝕刻之前在220處之經顯影基板的一或多個性質。使用度量衡設備240，可判定效能參數資料PDAT 252。根據此效能參數資料PDAT 252，可進一步判定，諸如疊對或臨界尺寸(CD)之效能參數不符合經顯影抗蝕劑之指定準確性要求。在蝕刻步驟之前，存在經由微影叢集剝離經顯影抗蝕劑且重新處理基板220中之一或多者的機會。此外，藉由隨時間推移進行小調整，來自度量衡設備240之度量衡結果可用以維持微影叢集中之圖案化操作的準確效能，由此降低或最小化不符合規範地製造產品且需要重工的風險。當然，可應用度量衡設備240及/或一或多個其他度量衡設備(未展示)以量測經處理基板232、234及/或傳入基板230之一或多個性質。
通常微影設備LA中之圖案化程序為涉及高準確性尺寸標註 及基板W上之結構置放的處理中之最重要步驟中之一者。為了有助於確保此高準確性，可在如在圖3中示意性地描繪之控制環境中組合三個系統。此等系統中之一者為(實際上)連接至度量衡設備240(第二系統)及連接至電腦系統CL 250(第三系統)之微影工具200。此環境之要求係最佳化或改良此三個系統之間的協作以增強總體所謂的「程序窗」，且提供一或多個嚴格控制環路以有助於確保由微影設備LA執行之圖案化保持在程序窗內。程序窗定義具體製程產生經定義結果(例如功能半導體裝置)的複數個程序參數(例如選自劑量、焦點、疊對等之兩者或更多者)之值範圍--通常為微影程序或圖案化程序中的程序參數之值被允許變化，同時產生適當結構(例如在CD之可接受範圍(諸如標稱CD的+-10%)方面所指定)的範圍。
電腦系統CL可使用待圖案化之設計佈局(的部分)以預測要使用哪一或多種解析度增強技術且要執行運算微影模擬及計算以判定哪個圖案化裝置佈局及微影設備設置實現圖案化程序的最大總體程序窗(在圖3中藉由第一撥號盤SC1中之雙箭頭描繪)。通常，解析度增強技術經配置以匹配微影設備LA之圖案化可能性。電腦系統CL亦可用於偵測在程序窗內微影設備LA當前在何處操作(例如使用來自度量衡工具MET之輸入)以預測歸因於例如次佳處理是否可能存在缺陷(在圖3中藉由第二撥號盤SC2中之指向「0」的箭頭描繪)。
度量衡工具MET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設備LA以識別例如微影設備LA之校準狀態中的可能漂移(在圖3中藉由第三撥號盤SC3中之多個箭頭描繪)。
電腦系統250可基於以下之組合實施對程序的控制：(i)「預處理度量衡資料」(例如，包括掃描器度量衡資料LADAT 254及外部 預處理度量衡ExDAT 260)，其在基板在給定處理步驟(例如微影步驟)中經處理之前與該等基板相關；及(ii)效能資料或「後處理資料」PDAT 252，其在基板已經處理之後與該等基板相關。
預處理度量衡資料LADAT 254(在本文中稱為掃描器度量衡資料，因為其為由微影設備LA 200或掃描器產生的資料)之第一集合可包含常規地藉由微影設備LA 200使用量測站202中之對準感測器AS所獲得的對準資料。可替代地，或除對準資料以外，掃描器度量衡資料LADAT 254亦可包括使用位階感測器LS所獲得的高度資料及/或來自對準感測器AS或類似者之「晶圓品質」信號。因而，掃描器度量衡資料LADAT 254可包含基板之對準柵格及與基板變形(平度)有關的資料。舉例而言，掃描器度量衡資料LADAT 254可在曝光之前藉由雙載物台微影設備LA 200之量測站MEA 202(例如，因為此通常包含對準感測器及位階量測感測器)產生，使得能夠同時進行量測及曝光操作。此等雙載物台微影設備已為所熟知的。
(例如獨立)外部曝光前度量衡工具ExM 270日益增加地用於在曝光於微影設備上之前進行量測。此等外部曝光前度量衡工具ExM 270不同於雙載物台微影設備LA 200之量測站MEA 202。亦將在塗佈顯影系統內執行之任何曝光前量測視為外部量測。為了將曝光產出率維持在足夠位階下，藉由量測站MEA 202量測之掃描器度量衡資料LADAT(例如，對準柵格及基板變形柵格)係基於如將合乎需要的量測之稀疏集合。此通常意謂此量測站不能收集足夠量測資料用以較高階校正及尤其超出三階之校正。除此之外，使用不透光硬式光罩亦可使得難以在對準時準確地量測基板柵格。
外部曝光前度量衡工具ExM 270使得能夠在曝光之前對每一基板進行更密集量測。即使在此等感測器包含於分開的量測站MEA 202內時，此等曝光前度量衡工具ExM 270中之一些在等於或快於掃描器之產出率下且在比可使用對準感測器及位階感測器達成的量測密度高得多之量測密度之情況下量測及/或預測晶圓柵格變形。曝光前度量衡工具包含例如基板形狀檢測工具及/或獨立對準站。
雖然圖3展示效能資料PDAT、掃描器度量衡資料LADAT及外部曝光前資料ExDAT中之每一者之分開的儲存裝置252、254、260，但應瞭解，此等不同類型之資料可儲存於一個共同儲存單元中或可遍及大量儲存單元而分佈，在需要時可自儲存單元檢索資料之特定條目。
已觀測到，例如，針對諸如3D NAND之具有大量膜層(例如，大於50個，在一些情況下接近100個)的高結構，由此等膜層強加之應力引起較高階失真(且尤其共平面失真)，該等高階失真變得重要。在此等程序中，看到主要為五階誤差，且吾人亦預期，甚至更高階將變得重要。在此等情況下，標準晶圓對準(例如，如在掃描器內諸如藉由量測站MEA 202所執行)無法量測所有形狀及/或無法尤其朝向基板邊緣恰當地外推基板柵格。
由於對準、基板夾持(夾緊)及/或夾持模型之差異，因此密集脫機後曝光(例如，疊對)量測不與實際產品上疊對(OPO)精確地匹配。脫機量測有時亦量測多個處理步驟之效果，其中OPO僅受此等步驟之子集影響。
提出可基於(例如，經處理)曝光前度量衡資料之第二集合內存在的圖案之識別改良對程序參數之預測的方法，其中曝光前度量衡資 料之第二集合包含來自不同於諸如在微影設備中執行的標準基板對準及/或位階量測(例如，在微影設備LA 200內部且更具體而言由量測站MEA 202執行之標準基板對準及/或位階量測)的曝光前量測之資料。方法包含使用機器學習來訓練適合模型，該適合模型可預測來自曝光前度量衡資料之第二集合的諸如疊對(例如，具體而言，OPO)的程序參數之值。
更具體而言，曝光前度量衡資料之第二集合可包含來自諸如獨立對準站及/或基板變形度量衡站之一或多個外部(例如，獨立)曝光前度量衡站/工具(例如，一或多個外部曝光前度量衡工具ExM 270)的外部曝光前資料。因而，外部曝光前度量衡資料可包含藉由此工具量測之密集對準資料及/或基板形狀資料。
在更具體實施例中，外部曝光前度量衡資料可包含經處理曝光前度量衡資料，特定言之，經處理成自藉由曝光前度量衡工具執行之量測推導的共平面失真資料。另外地或可替代地，經處理曝光前度量衡資料可經處理以便篩選出與(例如，標準)對準模型有關之資料。此包含移除將藉由對準及/或位階量測(例如，標準對準及/或位階量測策略及控制環路)校正之任何資料(例如，形狀/空間頻率)，以便防止過度擬合及雙重校正。此篩選出的資料可包含例如來自外部曝光前度量衡資料之一階內容。然而，更複雜的對準策略可能需要篩選其他形狀且因此篩選額外(具體)較高階內容。
圖4為描述根據實施例之方法的流程圖。在校準載物台400中，在步驟405處獲得訓練資料。訓練資料可包含如所描述之外部曝光前度量衡資料(例如，與第一集合曝光前度量衡資料或掃描器度量衡資料不同的曝光前度量衡資料之第二集合)及對應後處理資料(例如，與相同基板 有關)，諸如疊對資料。
在步驟410處，視情況選用之第一預處理步驟包含將外部曝光前度量衡資料(例如，包含基板失真/形狀資料及/或對準柵格資料)轉換成對共平面失真(共平面失真資料)的預測。此步驟可包含例如使用史東納(Stoney)模型或其他夾緊/夾持模型。
在步驟415處，第二預處理步驟包含篩選出對準模型內容之訓練資料(外部曝光前度量衡資料及曝光後度量衡資料/效能資料兩者)，亦即，將藉由對準模型校正的資料(形狀/空間頻率)。在最簡單實施例中，篩選出的資料可包含例如一階內容。此可為使用6參數對準模型或類似者執行(例如)對準模型化之情況。篩選出的資料亦可包含與將藉由對準模型校正之具體較高階形狀/空間頻率有關的資料。此可為使用較高階對準模型(例如，較高階晶圓對準HOWA或類似者執行(例如)對準模型化之情況。
步驟415可包含例如針對對準模型校正內容對後處理資料或疊對資料進行「去校正」。此步驟可進一步包含模擬在外部曝光前度量衡資料上的基板對準之效果(例如，所使用之對準模型的效果)及自外部曝光前度量衡資料移除對準模型內容。舉例而言，在對準模型包含6參數模型之情況下，經處理外部曝光前度量衡資料將不再包含6參數模型內容，且類似地在對準模型包含HOWA模型之情況下，經處理外部曝光前度量衡資料將不再包含HOWA模型內容。
在步驟420處，(取決於機器學習方法)執行特徵提取步驟。舉例而言，在機器學習步驟425為模型映射步驟或類似者時，可執行特徵提取步驟420。然而，若機器學習步驟係關於人工智慧及/或深度學習網路 (例如，神經網路)的訓練，則可省去此步驟。特徵提取步驟420可包含選擇機器學習之(經處理)訓練資料中的預定義特徵(例如所選擇的任尼克(Zernikes)、多項式及/或歷史模型)。
機器學習步驟425可包含使外部曝光前度量衡資料與曝光後度量衡資料相關聯。此可包含對前一步驟之經提取特徵執行模型映射。更具體而言，此步驟可包含判定表示自外部曝光前度量衡資料提取之第一特徵與自曝光後度量衡資料提取的第二特徵之間的關聯性之映射矩陣。晶圓對準模型映射之概念描述於以引用之方式併入本文中的Menchtchikov B.等人之公開案：「Reduction in overlay error from mark asymmetry using simulation,ORION,and alignment models」Proceedings Volume 10587,Optical Microlithography XXXI；105870C(2018)中。
可替代地，在此步驟包含訓練人工智慧及/或深度學習網路之情況下，隨後不需要經提取特徵，且經處理訓練資料(例如，其已經處理以在步驟415處及視情況藉由步驟410至少移除對準模型內容)可直接地用於使用已知人工智慧訓練技術訓練模型。舉例而言，訓練資料可包含經處理外部曝光前資料，藉由其對應經處理曝光後資料標記。無論使用何種機器學習技術，訓練步驟將訓練該模型以使得該模型可推斷與程序效能有關之輸出資料(例如，來自對應第二或外部曝光前度量衡資料圖案、特點及/或值的基板柵格變形、曝光後度量衡資料圖案、特點及/或值(例如，效能資料或疊對圖案、特點及/或值))。
現將描述生產或致動載物台430。提出以基板間控制形式按照基板執行生產或致動載物台430之步驟，作為前饋控制方法之一部分。因而，按照基板，所預測之疊對及/或隨之而來的校正可基於與彼基 板有關之外部曝光前度量衡資料經判定為曝光前，且隨後用於改良彼基板上的曝光(亦即，校正所預測之疊對誤差)。
生產或致動載物台430包含資料收集步驟435，其中按照基板(例如，生產基板)量測第二或外部曝光前度量衡資料，作為製程之一部分。視情況選用之第一預處理步驟440(將外部曝光前度量衡資料轉換成共平面失真資料)及第二預處理步驟445(自在步驟435處所獲得的外部曝光前度量衡資料移除對準模型內容)反映校準階段400中之等效步驟410、415。因而，僅在針對此共平面失真資料校準模型時需要執行第一預處理步驟440(例如，執行步驟410)。特徵提取步驟450亦反映校準階段400之等效步驟，且因此包含選擇已訓練模型之(經處理)外部曝光前度量衡資料的預定義特徵。若不使用經提取特徵來訓練模型，則不執行此步驟。
在步驟455處，經訓練模型按照基板應用於(經處理)外部曝光前度量衡資料，以預測後處理度量衡(例如，柵格變形及/或疊對)。此等可隨後在曝光期間用於判定對應校正。此步驟可包含例如使用經訓練模型預測對OPO執行高階控制(例如，高階對準控制)之效果。在經訓練模型為人工智慧(例如，經訓練神經網路)之情況下，此步驟可包含在步驟445之後將經處理外部曝光前度量衡輸入至經訓練模型中，以使得該經訓練模型輸出所預測的OPO或相關度量。
對於模型映射技術，步驟455可例如藉由模擬經訓練模型對OPO之效果來達成。此可包含應用該模型來有效模擬較高階對準控制(例如，較高階對準模型)對待致動疊對校正(例如，如自先前基板及/或批次判定但對標準對準控制之效果進行「去校正」的標準疊對校正)之效果。此可包含首先模擬較高階對準模型對柵格失真(例如，共平面失真)之 效果以判定經模擬失真模型，且將此失真模型映射至OPO，以判定OPO校正。可基於大量不同對準模型針對穩固性來模擬較高階對準控制。較高階對準模型可為(或包括)例如超過3階之模型。
因而，此步驟可預測例如由諸如失真(例如，膜誘導應力)之曝光前基板效果產生且不藉由標準對準/位階量測控制環路(例如，較高階效果)校正的疊對貢獻(基板柵格變形貢獻)。應注意，雖然大部分實施例描述用以移除對準分量之處理，但處理可例如自包含晶圓高度圖的預處理度量衡資料之第一集合同等地移除掃描器之焦點貢獻(其將使用標準焦點位階量測控制來校正)。經訓練模型可隨後應用於經處理晶圓高度圖以判定對準、疊對或其他參數的校正。
雖然以上描述係關於預處理度量衡資料之第一集合包含外部經量測資料的實施例，但本文中之概念不因此受到限制。本文中之概念可同等地應用於在掃描器內量測預處理度量衡資料(例如，密集資料)之第一集合但移除藉由分開的控制程序單獨地校正之控制分量(例如，對準)的實施例。兩種方法之組合亦為可能的，以使得預處理度量衡資料之第一集合可包含經外部及內部量測之資料兩者。此經處理內部預處理度量衡資料可隨後輸入至適合經訓練模型中以用於對疊對或其他參數的預測。此內部預處理度量衡資料可包含例如由掃描器內之一或多個額外感測器產生的資料(例如，以供以與位階感測器或超光譜感測器類似之方式進行水平校正)。由此感測器產生的資料亦可用於前饋控制中，該前饋控制使用所描述的方法與對準控制共同最佳化。
在上文中，處理步驟主要包含移除可至少部分地藉由控制程序校正之分量，該控制程序為微影程序的部分(例如，將藉由對準及/或 位階量測模型校正之彼等分量)。然而，本文中所描述的概念可更一般地應用，以便識別預處理資料(例如，對準資料)內之分量，該等分量係關於誤差貢獻者，且使此等分量與良率相關聯。針對每一基板量測對準資料，例如包含強度及基板移位量測。另外，典型對準程序包含使用包含複數個波長及極化之輻射來(例如，同時)執行對準標記量測，且偵測此等(例如，取決於偵測設置)中之至少一些，以使得能夠收集關於量測準確性的資訊(且例如，以校正標記變形等)。
提出，預處理度量衡資料(例如，晶圓對準及/或位階量測資料)的第一集合可分解成包含於預處理度量衡資料內之指紋(亦即，分量)，該等指紋與資料集整體上相比較好地與良率/效能相關聯(單獨或以某些組合形式)，且因此更好地適合作為掃描器校正之基礎。分解可基於來自特定設置(例如，特定照明設置)之結果及/或藉由使用諸如分量分析技術(例如，主分量分析)之適合分解技術來執行。指紋可自例如移位誤差、偵測設置(所偵測到之波長、極化及其組合)及顏色間的指紋(其描述在兩個偵測設置中之每一者下特定目標之量測位置的差異，該等偵測設置當然應該相同)及/或偵測到的信號特性(例如，強度訊跡或其分量)推導。此等分量中之每一者可描述程序誤差貢獻者的不同分量，該不同分量可個別地與良率相關聯。
所提出方法可包含訓練一或多個模型，該一或多個模型之每一者使分量中之一或多者(單獨地或以特定(例如，有益)組合形式)與良率相關聯。此校準可使用機器學習技術(例如，如已經描述)使用諸如參考/歷史良率資料及/或誤差度量衡資料之訓練資料來執行。模型可包含例如此等分量中之一或多者的功能。校準可包含(例如，在實際訓練之前)識別 與良率具有良好關聯性之單一分量及/或分量之特定組合，及基於此等分量及/或組合訓練模型。此可藉由判定分量及/或組合中之每一者的關聯性度量及比較關聯性度量來達成。
一旦已確立關聯性且訓練模型，程序控制即可藉由將經訓練模型應用於對準結果以預測良率來改良。藉由對每一基板具有特異性的使用曝光前資料，可在曝光之前針對每一基板預測良率。基於基板特異之所預測的良率，可判定以良率最佳化為目標的掃描器校正，而非基於預期對準/位階量測指紋之最小化的校正。舉例而言，校正可係關於對一或多個掃描器/程序設定點之調整以使得所應用校正在晶圓間基礎上改良良率。
因而，此實施例能夠按照晶圓產生感知控制。若使用來自先前層之預處理度量衡資料(例如，對準資料)，則提出(在一實施例中)組合來自不同(例如，連續)層之模型以便通過堆疊控制程序。
在以下經編號條項之兩個分開的清單中揭示本發明之其他實施例：
經編號條項之第一清單
1.一種用於判定與一微影程序之一效能度量有關的效能度量校正的方法，該方法包含：獲得曝光前度量衡資料之一第一集合，其中曝光前度量衡資料之該第一集合包含密集曝光前度量衡資料；處理曝光前度量衡資料之該第一集合以獲得包含該曝光前度量衡資料的一或多個分量之經處理曝光前度量衡資料，該一或多個分量係關於該效能度量；及 對該經處理曝光前度量衡資料應用至少一個經訓練模型以判定該基板之該等效能度量校正。
2.如條項1之方法，其中在一製程中針對每一基板個別地執行該方法。
3.如條項1或2之方法，其中該處理步驟包含移除一或多個控制分量，該一或多個控制分量可至少部分地由一控制程序校正，該控制程序為該微影程序之部分。
4.如條項3之方法，其中曝光前度量衡資料的該第一集合包含與該基板之失真有關的資料。
5.如條項3或4之方法，其中曝光前度量衡資料之該第一集合屬於一類似類型，但屬於比針對該控制程序經量測的彼曝光前度量衡資料更密集地經量測之曝光前度量衡資料，該控制程序為該微影程序的部分。
6.如條項3、4或5之方法，其中曝光前度量衡資料之該第一集合已在該基板上藉由一曝光設備經量測，該曝光設備執行該曝光程序及控制程序。
7.如條項3、4或5之方法，其中曝光前度量衡資料的該第一集合已在一基板上在用於在該基板上曝光結構之一曝光程序外的一程序中經量測。
8.如條項7之方法，其中曝光前度量衡資料的該第一集合至少包含與曝光前度量衡資料之一第二集合不同之外部對準資料，曝光前度量衡資料的該第二集合至少包含已在該基板上藉由一曝光設備經量測之掃描器對準資料，該曝光設備執行該曝光程序及控制程序。
9.如條項7或8之方法，其中曝光前度量衡資料之該第一集合至少包 含與曝光前度量衡資料的一第二集合不同之外部位階量測資料，曝光前度量衡資料之該第二集合至少包含已在該基板上藉由一曝光設備經量測的掃描器位階量測資料，該曝光設備執行該曝光程序及控制程序。
10.如條項3至9中任一項之方法，其中該一或多個控制分量包含與用於對準效能度量校正之模型及/或空間頻率有關的分量資料，該一或多個控制分量可至少部分地由一控制程序校正，該控制程序為該微影程序之部分。
11.如條項1或2之方法，其中該處理包含分解曝光前度量衡資料之該第一集合以推導該一或多個分量，以使得該一或多個分量及/或其組合與該效能度量相關聯。
12.如條項11之方法，其包含針對該一或多個分量及/或其組合中之每一者判定一關聯性度量，及基於歸因於其的該關聯性度量針對該訓練選擇該等分量中之一或多者及/或其組合，以獲得該至少一個經訓練模型。
13.如條項11或12之方法，其中該一或多個分量中的每一分量係關於以下中之一或多者：一特定偵測設置分量、兩個偵測設置分量之間的量測位置之一差、一強度分量、任一其他偵測到的信號特性分量、一移位誤差分量。
14.如條項11、12或13之方法，其中對該經處理曝光前度量衡資料應用至少一個經訓練模型的該步驟包含對該等分量中之一或多者及/或其組合中之每一者應用一對應模型。
15.如條項11至14中任一項之方法，其中曝光前度量衡資料之該第一集合包含對準資料及/或位階量測資料。
16.如條項15之方法，其中曝光前度量衡資料之該第一集合包含已在該基板上藉由一曝光設備經量測之掃描器對準資料及/或位階量測資料，該曝光設備執行該曝光程序及控制程序。
17.如任一前述條項之方法，其中應用一經訓練模型的該步驟包含基於自該經處理曝光前度量衡資料提取之第一特徵執行一模型映射，該模型映射可操作以將該等第一特徵映射至先前在與該效能度量有關之後處理度量衡資料中觀測到的對應第二特徵，該後處理度量衡資料已用於訓練該模型。
18.如條項17之方法，其中該等第一特徵及第二特徵係關於形狀、多項式表達式、任尼克表達式、指紋或其任何組合中之一或多者。
19.如條項1至17中任一項之方法，其中該經訓練模型包含一經訓練神經網路模型。
20.如條項19之方法，其包含：獲得包含等效於曝光前度量衡資料之該第一集合的曝光前度量衡資料之一第一訓練集的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集，其中曝光前度量衡資料之該第一集合藉由後處理度量衡資料的該對應訓練集標記；以對應於曝光前度量衡資料之該第一集合之該處理的一方式處理該訓練資料，以獲得經處理曝光前度量衡資料；及用該經處理訓練資料訓練該模型。
21.如條項1至18中任一項之方法，其包含訓練該經訓練模型之初始步驟，該訓練包含：獲得包含等效於曝光前度量衡資料之該第一集合的曝光前度量衡資 料之一第一訓練集的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集；以對應於曝光前度量衡資料之該第一集合之該處理的一方式處理該訓練資料，以獲得經處理曝光前度量衡資料；及用該經處理訓練資料藉由使曝光前度量衡資料之該第一訓練集與後處理度量衡資料的該對應訓練集相關聯來訓練該模型。
22.如條項21之方法，其中該相關聯步驟包含使用模型映射使自曝光前度量衡資料的該訓練集提取之第一特徵與後處理度量衡資料之該訓練集中的對應第二特徵相關聯。
23.如條項22之方法，其中該模型之該訓練包含判定表示該等第一特徵與該等第二特徵之間的關聯性之一映射矩陣。
24.一種獲得用於判定與一微影程序之一效能度量有關的效能度量校正之至少一個經訓練模型的方法，該方法包含：獲得包含曝光前度量衡資料之一第一訓練集的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集；處理該訓練資料以獲得包含該曝光前度量衡資料之一或多個分量的經處理曝光前度量衡資料，該一或多個分量係關於該效能度量；及用該經處理訓練資料訓練該模型。
25.如條項24之方法，其中該處理步驟包含移除控制分量，該等控制分量可至少部分地由一控制程序校正，該控制程序為該微影程序之部分。
26.如條項25之方法，其中曝光前度量衡資料之該訓練集屬於一類似類型，但屬於比針對該控制程序經量測的彼曝光前度量衡資料更密集地 經量測之曝光前度量衡資料，該控制程序為該微影程序之部分。
27.如條項25或26之方法，其已在複數個基板上在用以在該基板上曝光結構之一曝光程序外的一程序中經量測。
28.如條項27之方法，其中曝光前度量衡資料的該第一集合至少包含與曝光前度量衡資料之一第二集合不同之外部對準資料，曝光前度量衡資料的該第二集合至少包含已在該基板上藉由一曝光設備經量測之掃描器對準資料，該曝光設備執行該曝光程序及預備控制程序。
29.如條項27或28之方法，其中曝光前度量衡資料的該第一集合至少包含與曝光前度量衡資料之一第二集合不同的外部位階量測資料，曝光前度量衡資料之該第二集合至少包含已在該基板上藉由一曝光設備經量測之掃描器位階量測資料，該曝光設備執行該曝光程序及預備控制程序。
30.如條項24之方法，其中該處理包含分解曝光前度量衡資料之該第一訓練集以推導該一或多個分量，以使得該一或多個分量及/或其組合與該效能度量相關聯。
31.如條項30之方法，其包含針對該等分量中的複數個該一或多者及/或其組合中之每一者訓練一模型。
32.如條項31之方法，其包含針對該一或多個分量及/或其組合中之每一者判定一關聯性度量及基於歸因於其的該關聯性度量針對該訓練選擇該等分量中之一或多者及/或其組合的一初始步驟。
33.如條項31或32之方法，其中該一或多個分量中的每一分量係關於以下中之一或多者：一特定偵測設置分量、兩個偵測設置分量之間的量測位置之一差、一強度分量、任一其他偵測到的信號特性分量、一移位誤差分量。
34.如條項30至33中任一項之方法，其中曝光前度量衡資料之該第一集合包含對準資料及/或位階量測資料。
35.如條項24至34中任一項之方法，其中該模型之該訓練包含使曝光前度量衡資料的該第一訓練集與後處理度量衡資料之該對應訓練集相關聯。
36.如條項35之方法，其中該相關聯步驟包含使用模型映射以使自曝光前度量衡資料之該訓練集提取的第一特徵與後處理度量衡資料之該訓練集中之對應第二特徵相關聯。
37.如條項36之方法，其中該模型的該訓練包含判定表示該等第一特徵與該等第二特徵之間的關聯性之一映射矩陣。
38.如條項24至34中任一項之方法，其中該模型包含一神經網路模型，且該訓練資料包含藉由後處理度量衡資料之該對應訓練集標記的曝光前度量衡資料之該第一集合。
39.如任一前述條項之方法，其中該等處理步驟中之任一者進一步包含將曝光前度量衡資料的該第一訓練集轉換成對該基板之共平面失真的一預測之一初始步驟。
40.如任一前述條項之方法，其中該效能度量包含一疊對度量或良率度量。
41.一種微影曝光單元，其可操作以執行如條項1至10中任一項之方法，該微影曝光單元包含：一外部度量衡站，其可操作以量測該基板以獲得曝光前度量衡資料之該第一集合；及一微影設備，其可操作以在於該基板上曝光一結構時使用該等效能 度量校正；及一處理裝置，其可操作以至少執行該處理及該應用步驟。
42.一種包含程式指令之電腦程式，該等程式指令可操作以在運行於一適合設備上時執行如條項1至40中任一項之方法。
43.一種非暫時性電腦程式載體，其包含如條項42之電腦程式。
44.一種處理裝置，其可操作以運行如條項42之電腦程式。
45.一種用於判定與一半導體製程的一效能度量有關之一校正之方法，該方法包含：獲得預處理度量衡資料的一第一集合；藉由將該預處理度量衡資料分解成一或多個分量來處理預處理度量衡資料之該第一集合，該一或多個分量：a)與該效能度量相關聯；或b)可至少部分地由一控制程序校正，該控制程序為該半導體製程的部分；及將一經訓練模型應用至預處理度量衡資料之該經處理第一集合以判定該半導體製程的該校正。
46.如條項45之方法，其中該半導體製程為微影程序且該預處理度量衡資料為與經受該微影程序的一基板相關之曝光前度量衡資料，其中該微影程序包含用於將結構曝光至該基板之一曝光程序。
47.如條項46之方法，其中該一或多個分量可至少部分地由一控制程序校正，該控制程序為該微影程序之部分，且該處理進一步包含自曝光前度量衡資料的該第一集合移除該一或多個分量。
48.如條項46之方法，其中該方法針對經受該微影程序之每一基板個別地執行。
49.如條項46之方法，其中曝光前度量衡資料的該第一集合包含與該基板之失真有關的資料。
50.如條項47之方法，其中曝光前度量衡資料之該第一集合屬於一類似類型，但屬於比針對該控制程序經量測的彼曝光前度量衡資料更密集地經量測之曝光前度量衡資料，該控制程序為該微影程序之部分。
51.如條項47之方法，其中曝光前度量衡資料的該第一集合已在一基板上在該曝光程序外的一程序中經量測。
52.如條項51之方法，其中曝光前度量衡資料的該第一集合包含與曝光前度量衡資料之一第二集合不同之外部對準資料，曝光前度量衡資料的該第二集合至少包含已在該基板上藉由一曝光設備經量測之掃描器對準資料，該曝光設備執行該曝光程序及控制程序。
53.如條項51之方法，其中曝光前度量衡資料之該第一集合至少包含與曝光前度量衡資料的一第二集合不同之外部位階量測資料，曝光前度量衡資料之該第二集合至少包含已在該基板上藉由一曝光設備經量測的掃描器位階量測資料，該曝光設備執行該曝光程序及控制程序。
54.如條項47之方法，其中該一或多個分量包含與用於對準效能度量校正之模型及/或空間頻率有關的分量資料，該一或多個分量可至少部分地由一控制程序校正，該控制程序為該微影程序之部分。
55.如條項45或46之方法，其中應用一經訓練模型的該步驟包含基於自該經處理曝光前度量衡資料提取之第一特徵執行一模型映射，該模型映射可操作以將該等第一特徵映射至先前在與該效能度量有關之後處理度量衡資料中觀測到的對應第二特徵，該後處理度量衡資料已用於訓練該模型。
56.如條項46之方法，其中該經訓練模型包含一經訓練神經網路模型。
57.如條項56之方法，其包含：獲得包含等效於曝光前度量衡資料之該第一集合的曝光前度量衡資料之一第一訓練集的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集，其中曝光前度量衡資料之該第一集合藉由後處理度量衡資料的該對應訓練集標記；以對應於曝光前度量衡資料之該第一集合之該處理的一方式處理該訓練資料，以獲得經處理曝光前度量衡資料；及用該經處理訓練資料訓練該模型。
58.如條項46之方法，其包含訓練該經訓練模型之該初始步驟，該訓練包含：獲得包含等效於曝光前度量衡資料之該第一集合的曝光前度量衡資料之一第一訓練集的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集；以對應於曝光前度量衡資料之該第一集合之該處理的一方式處理該訓練資料，以獲得經處理曝光前度量衡資料；及用該經處理訓練資料藉由使曝光前度量衡資料之該第一訓練集與後處理度量衡資料的該對應訓練集相關聯來訓練該模型。
59.一種獲得用於判定與一微影程序之一效能度量有關的校正之至少一個經訓練模型的方法，該方法包含：獲得包含曝光前度量衡資料之一第一訓練集的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集； 處理該訓練資料以獲得包含該曝光前度量衡資料之一或多個分量的經處理曝光前度量衡資料，該一或多個分量與該效能度量相關聯；及用該經處理訓練資料訓練該模型。
60.如條項59之方法，其中該模型包含一神經網路模型，且該訓練資料包含藉由後處理度量衡資料之該對應訓練集標記的曝光前度量衡資料之該第一集合。
61.如條項45或46之方法，其中該效能度量包含一疊對度量或良率度量。
62.一種包含程式指令之電腦程式，該等程式指令可操作以在運行於一適合設備上時執行如條項45或46之方法。
63.一種非暫時性電腦程式載體，其包含如條項62之電腦程式。
64.一種處理裝置，其可操作以運行如條項62之電腦程式。
經編號條項之第二清單：
1.一種用於判定與一微影程序之一效能度量有關之效能度量校正的方法，該方法包含：獲得曝光前度量衡資料之一第一集合，其中曝光前度量衡資料之該第一集合包含密集曝光前度量衡資料；處理曝光前度量衡資料之該第一集合以移除控制分量，該等控制分量可至少部分地由一控制程序校正，以獲得經處理曝光前度量衡資料，該控制程序為該微影程序的部分；及對該經處理曝光前度量衡資料應用一經訓練模型以判定該基板之該等效能度量校正。
2.如條項1之方法，其中曝光前度量衡資料的該第一集合包含與該基板之失真有關的資料。
3.如條項1或2之方法，其中曝光前度量衡資料之該集合屬於一類似 類型，但屬於比針對該控制程序經量測的彼曝光前度量衡資料更密集地經量測之曝光前度量衡資料，該控制程序為該微影程序之部分。
4.如任一前述條項之方法，其中曝光前度量衡資料的該第一集合已在一基板上在用於在該基板上曝光結構之一曝光程序外的一程序中經量測。
5.如條項4之方法，其中曝光前度量衡資料的該第一集合至少包含與曝光前度量衡資料之一第二集合不同之外部對準資料，曝光前度量衡資料的該第二集合至少包含已在該基板上藉由一曝光設備經量測之掃描器對準資料，該曝光設備執行該曝光程序及控制程序。
6.如條項4或5之方法，其中曝光前度量衡資料之該第一集合至少包含與曝光前度量衡資料的一第二集合不同之外部位階量測資料，曝光前度量衡資料之該第二集合至少包含已在該基板上藉由一曝光設備經量測的掃描器位階量測資料，該曝光設備執行該曝光程序及控制程序。
7.如任一前述條項之方法，其中在一製程中針對每一基板個別地執行該方法。
8.如任一前述條項之方法，其中應用一經訓練模型的該步驟包含基於自該經處理曝光前度量衡資料提取之第一特徵執行一模型映射，該模型映射可操作以將該等第一特徵映射至先前在與該效能度量有關之後處理度量衡資料中觀測到的對應第二特徵，該後處理度量衡資料已用於訓練該模型。
9.如條項8之方法，其中該等第一特徵及第二特徵係關於形狀、多項式表達式、任尼克表達式、指紋或其任何組合中之一或多者。
10.如條項1至8中任一項之方法，其中該經訓練模型包含一經訓練 神經網路模型。
11.如條項10之方法，其包含：獲得包含等效於曝光前度量衡資料之該第一集合的曝光前度量衡資料之一第一訓練集之訓練資料，且獲得與該效能度量有關的後處理度量衡資料之一對應訓練集，其中曝光前度量衡資料之該第一集合藉由後處理度量衡資料的該對應訓練集標記；處理該訓練資料以移除控制分量，該等控制分量可至少部分地由一控制程序校正，以獲得經處理曝光前度量衡資料，該控制程序為該微影程序之部分；及用該經處理訓練資料訓練該模型。
12.如條項1至9中任一項之方法，其包含訓練該經訓練模型的該初始步驟，該訓練包含：獲得包含等效於曝光前度量衡資料之該第一集合的曝光前度量衡資料之一第一訓練集之訓練資料，且獲得與該效能度量有關的後處理度量衡資料之一對應訓練集；處理該訓練資料以移除控制分量，該等控制分量可至少部分地由一控制程序校正，以獲得經處理曝光前度量衡資料，該控制程序為該微影程序之部分；及用該經處理訓練資料藉由使曝光前度量衡資料的該第一訓練集與後處理度量衡資料之該對應訓練集相關聯來訓練該模型。
13.如條項12之方法，其中該相關聯步驟包含使用模型映射使自曝光前度量衡資料的該訓練集提取之第一特徵與後處理度量衡資料之該訓練集中的對應第二特徵相關聯。
14.如條項13之方法，其中該模型的該訓練包含判定表示該等第一特徵與該等第二特徵之間的關聯性之一映射矩陣。
15.一種獲得用於判定與一微影程序之一效能度量有關的效能度量校正之一經訓練模型的方法，該方法包含：獲得包含曝光前度量衡資料之 一第一訓練集的訓練資料，該曝光前度量衡資料包含密集曝光前度量衡資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集；處理該訓練資料以移除控制分量，該等控制分量可至少部分地由一控制程序校正，以獲得經處理曝光前度量衡資料，該控制程序為該微影程序的部分；及用該經處理訓練資料訓練該模型。
16.如條項15之方法，其中曝光前度量衡資料之該訓練集屬於一類似類型，但屬於比針對該控制程序經量測的彼曝光前度量衡資料更密集地經量測之曝光前度量衡資料，該控制程序為該微影程序之部分。
17.如條項15或16之方法，其已在複數個基板上在用以在該基板上曝光結構之一曝光程序外的一程序中經量測。
18.如條項17之方法，其中曝光前度量衡資料的該第一集合至少包含與曝光前度量衡資料之一第二集合不同之外部對準資料，曝光前度量衡資料的該第二集合至少包含已在該基板上藉由一曝光設備經量測之掃描器對準資料，該曝光設備執行該曝光程序及預備控制程序。
19.如條項17或18之方法，其中曝光前度量衡資料的該第一集合至少包含與曝光前度量衡資料之一第二集合不同的外部位階量測資料，曝光前度量衡資料之該第二集合至少包含已在該基板上藉由一曝光設備經量測之掃描器位階量測資料，該曝光設備執行該曝光程序及預備控制程序。
20.如條項15至19中任一項之方法，其中該模型之該訓練包含使曝光前度量衡資料的該第一訓練集與後處理度量衡資料之該對應訓練集相關聯。
21.如條項20之方法，其中該相關聯步驟包含使用模型映射使自曝光前度量衡資料的該訓練集提取之第一特徵與後處理度量衡資料之該訓練 集中的對應第二特徵相關聯。
22.如條項21之方法，其中該模型的該訓練包含判定表示該等第一特徵與該等第二特徵之間的關聯性之一映射矩陣。
23.如條項15至19中任一項之方法，其中該模型包含一神經網路模型，且該訓練資料包含藉由後處理度量衡資料之該對應訓練集標記的曝光前度量衡資料之該第一集合。
24.如任一前述條項之方法，其中該等處理步驟中之任一者進一步包含將曝光前度量衡資料的該第一訓練集轉換成對該基板之共平面失真的一預測之一初始步驟。
25.如任一前述條項之方法，其中該效能度量包含一疊對度量。
26.如任一前述條項之方法，其中該掃描器內容包含與用於包含基板對準控制之該預備控制程序中的對準效能度量校正之模型及/或空間頻率有關的資料。
27.一種微影曝光單元，其可操作以執行如條項1至12中任一項之方法，該微影曝光單元包含：一外部度量衡站，其可操作以量測該基板以獲得曝光前度量衡資料之該第一集合；及一微影設備，其可操作以在於該基板上曝光一結構時使用該效能度量校正；及一處理裝置，其可操作以至少執行該處理及該應用步驟。
28.一種包含程式指令之電腦程式，該等程式指令可操作以在運行於一適合設備上時執行如條項1至26中任一項之方法。
29.一種非暫時性電腦程式載體，其包含如條項28之電腦程式。
30.一種處理裝置，其可操作以運行如條項28之電腦程式。
儘管可在本文中具體參考IC製造中之微影設備之使用，但應理解，本文中所描述的微影設備可具有其他應用。可能的其他應用包括製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、平板顯示器、液晶顯示器(LCD)、薄膜磁頭等。在彼方面，根據所製造產品之類型，經處理「基板」可為半導體晶圓，或其可為其他基板。
儘管可在本文中具體參考在微影設備之上下文中的本發明之實施例，但本發明之實施例可用於其他設備中。本發明之實施例可形成圖案化裝置檢測設備、度量衡設備或量測或處理諸如晶圓(或其他基板)或光罩(或其他圖案化裝置)的物件之任何設備的部分。此等設備可通常稱為微影工具。此微影工具可使用真空條件或環境(非真空)條件。
在本發明文件中，術語「輻射」及「光束」用於涵蓋所有類型之輻射，包括紫外輻射(例如，具有365nm、248nm、193nm、157nm或126nm之波長)及EUV(極紫外輻射，例如具有介於約5nm至100nm的範圍內之波長)。
如本文中所採用之術語「倍縮光罩」、「光罩」或「圖案化裝置」可廣泛地解釋為係指可用於向入射輻射光束賦予經圖案化橫截面之通用圖案化裝置，經圖案化橫截面對應於待在基板的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，其他此類圖案化裝置之實例包括可程式規劃鏡面陣列及可程式規劃LCD陣列。
儘管上文可具體參考在光學微影之上下文中對本發明之實施例的使用，但應瞭解，本發明在上下文允許之情況下不限於光學微影且可用於其他應用(例如壓印微影)中。
如本文中所使用之術語「最佳化(optimizing/optimization)」係指或意謂調整設備(例如，微影設備)、程序等，以使得結果及/或程序具有更合乎需要之特性，諸如設計圖案在基板上的較高投影準確性、較大程序窗等。因此，如本文中所使用之術語「最佳化」係指或意謂識別一或多個參數之一或多個值的程序，該一或多個值相比於彼等一或多個參數之一或多個值之初始集合提供在至少一個相關度量方面的改良，例如局部最佳。因此，「最佳」及其他相關術語應予以解釋。在實施例中，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。
本發明之態樣可以任何方便形式予以實施。舉例而言，可藉由一或多個適當電腦程式來實施實施例，該一或多個適當電腦程式可在可係有形載體媒體(例如，磁碟)或無形載體媒體(例如，通信信號)之適當載體媒體上進行。可使用適合設備來實施本發明之實施例，該適合設備可具體地採取可程式化電腦之形式，該可程式化電腦運行經配置以實施如本文中所描述的方法之電腦程式。
在方塊圖中，將所說明之組件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一般來組織的系統。由組件中之每一者提供之功能性可由軟體模組或硬體模組提供，該等模組以與目前所描繪之方式不同的方式來組織，例如可摻和、結合、複寫、解散、分佈(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的一或多個處理器提供。在一些情況下，第三方內容遞送網路可主控經由網路傳送之資訊中的一些或全部，在此情況下，在據稱供應或以其他方式提供資訊(例如，內容)之情況下，資訊可藉由發送 指令以自內容遞送網路擷取彼資訊來提供。
除非另外具體陳述，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」、「計算」、「判定」或類似者之術語的論述係指諸如專用電腦或類似專用電子處理/運算裝置之具體設備的動作或程序。
讀者應瞭解，本申請案描述若干發明。此等發明已經分組成單一文件，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在應用程序中有助於經濟發展。但不應合併此等發明之相異優點及態樣。在一些情況下，實施例解決本文中所提及之所有不足，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經提及的益處，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。類似地，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視為含有所有此等發明的全面清單或此等發明之所有態樣。
應理解，本說明書及圖式不意欲將本發明限制於所揭示之特定形式，但相反，意欲涵蓋屬於如由隨附申請專利範圍所定義的本發明之精神及範疇內之所有修改、等效者及替代例。
鑒於此描述，本發明之各個態樣的修改及替代實施例對於熟習此項技術者而言將顯而易見。因此，本說明書及圖式應理解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視為實施例的實例。元件及材料可替代本文中所說明及描述之元件及材料，部分及程序可被反轉或被省 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說明書的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進行改變。本文中所使用之標題僅出於組織性目的，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「可」以許可之意義(亦即，意謂有可能)而非必選之意義(亦即，意謂必須)來使用。詞「包括(include/including/includes)」及類似者意謂包括但不限於。如貫穿本申請案所使用，除非內容另外明確指示，否則單數形式「一(a/an)」及「該(the)」包括複數個指示物。因此，舉例而言，對「元件(an element/a element)」之參考包括兩個或更多個元件之組合，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」。除非另外指示，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，前提與出現結果的可能性相關。除非另外指示，否則複數個屬性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屬性或功能經映射至所有此等物件及屬性或功能的子集經映射至屬性或功能的子集兩者(例如，所有處理器各自執行步驟A至D，及處理器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的情況)。另外，除非另外指示，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唯一因數的情況與條件或值為複數個因數當中之一個因數之情況兩者。除非另外指示，否則某一集合之「每一」個例具有某一性質的陳述不應解讀為排除較大集合之一些另外相同或相似的成員不具有該性質(亦即，每一者未必意謂每個都)之情況。對自範圍選擇之提及包括範圍之端點。
在以上描述中，流程圖中之任何程序、描述或區塊應理解為表示程式碼之模組、片段或部分，其包括用以實施該程序中的具體邏輯功能或步驟之一或多個可執行指令，且替代實施包括於本發明進展之例示性實施例的範疇內，其中功能可取決於所涉及之功能性而不按照所展示或論述之次序執行，包括實質上同時或以相反次序執行，如熟習此項技術者將理解。
雖然上文已描述本發明之具體實施例，但應瞭解，可以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，對於熟習此項技術者而言將顯而易見，可在不脫離下文所陳述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。
400:校準載物台
405:步驟
410:步驟
415:步驟
420:步驟
425:機器學習步驟
430:生產或致動載物台
435:資料收集步驟
440:第一預處理步驟
445:第二預處理步驟
450:步驟
455:步驟

Claims (20)

  1. 一種用於判定與一半導體製程的一效能度量(performance metric)有關之一校正之方法，該方法包含：獲得預處理度量衡資料(pre-process metrology data)的一第一集合；處理預處理度量衡資料之該第一集合，包含將該預處理度量衡資料分解(decomposing)成一或多個分量，該一或多個分量：a)與該效能度量相關聯；或b)可至少部分地由一控制程序校正，該控制程序為該半導體製程的部分；及將一經訓練模型應用至預處理度量衡資料之該經處理第一集合以判定該半導體製程的該校正。
  2. 如請求項1之方法，其中該半導體製程為微影程序且該預處理度量衡資料為與經受該微影程序的一基板相關之曝光前度量衡資料(pre-exposure metrology data)，其中該微影程序包含用於將結構曝光至該基板之一曝光程序。
  3. 如請求項2之方法，其中該一或多個分量可至少部分地由一控制程序校正，該控制程序為該微影程序的部分且該處理進一步包含自曝光前度量衡資料之該第一集合移除該一或多個分量。
  4. 如請求項2之方法，其中該方法針對經受該微影程序之每一基板個別 地執行。
  5. 如請求項2之方法，其中曝光前度量衡資料的該第一集合包含與該基板之失真(distortion)有關的資料。
  6. 如請求項3之方法，其中曝光前度量衡資料的該第一集合屬於一類似類型(similar type)，但屬於比針對該控制程序經量測之彼曝光前度量衡資料更密集地經量測的曝光前度量衡資料，該控制程序為該微影程序之部分。
  7. 如請求項3之方法，其中曝光前度量衡資料之該第一集合已在一基板上在該曝光程序外之一程序中經量測。
  8. 如請求項7之方法，其中曝光前度量衡資料的該第一集合包含與曝光前度量衡資料之一第二集合不同之外部對準資料(external alignment data)，曝光前度量衡資料的該第二集合至少包含已在該基板上藉由一曝光設備經量測之掃描器對準資料(scanner alignment data)，該曝光設備執行該曝光程序及控制程序。
  9. 如請求項7之方法，其中曝光前度量衡資料之該第一集合至少包含與曝光前度量衡資料的一第二集合不同之外部位階量測資料(external leveling data)，曝光前度量衡資料之該第二集合至少包含已在該基板上藉由一曝光設備經量測的掃描器位階量測資料(scanner leveling data)，該曝 光設備執行該曝光程序及控制程序。
  10. 如請求項3之方法，其中該一或多個分量包含與用於對準效能度量校正(alignment performance metric corrections)之模型及/或空間頻率(spatial frequencies)有關的分量資料，該一或多個分量可至少部分地由一控制程序校正，該控制程序為該微影程序之部分。
  11. 如請求項1或2之方法，其中應用一經訓練模型之該步驟包含基於自該經處理曝光前度量衡資料提取(extract)的第一特徵執行一模型映射(model mapping)，該模型映射可操作以將該等第一特徵映射至先前在與該效能度量有關之後處理度量衡資料(post processing metrology data)中觀測到的對應第二特徵，該後處理度量衡資料已用於訓練該模型。
  12. 如請求項2之方法，其中該經訓練模型包含一經訓練神經網路模型(trained neural network model)。
  13. 如請求項12之方法，其包含：獲得包含等效於曝光前度量衡資料之該第一集合的曝光前度量衡資料之一第一訓練集(training set)的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集，其中曝光前度量衡資料之該第一集合藉由後處理度量衡資料的該對應訓練集標記(labeled)；以對應於曝光前度量衡資料之該第一集合之該處理的一方式處理該訓練資料，以獲得經處理曝光前度量衡資料；及 用該經處理訓練資料訓練該模型。
  14. 如請求項2之方法，其包含訓練該經訓練模型之初始步驟，該訓練包含：獲得包含等效於曝光前度量衡資料之該第一集合的曝光前度量衡資料之一第一訓練集的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集；以對應於曝光前度量衡資料之該第一集合之該處理的一方式處理該訓練資料，以獲得經處理曝光前度量衡資料；及用該經處理訓練資料藉由使曝光前度量衡資料之該第一訓練集與後處理度量衡資料的該對應訓練集相關聯來訓練該模型。
  15. 如請求項1或2之方法，其中該效能度量包含一疊對度量(overlay metric)或良率度量(yield metric)。
  16. 一種獲得用於判定與一微影程序之一效能度量有關的校正之至少一個經訓練模型的方法，該方法包含：獲得包含曝光前度量衡資料之一第一訓練集的訓練資料，且獲得與該效能度量有關之後處理度量衡資料的一對應訓練集；處理該訓練資料以獲得包含該曝光前度量衡資料之一或多個分量的經處理曝光前度量衡資料，該一或多個分量與該效能度量相關聯；及用該經處理訓練資料訓練該模型。
  17. 如請求項16之方法，其中該模型包含一神經網路模型，且該訓練資料包含藉由後處理度量衡資料之該對應訓練集標記的曝光前度量衡資料之該第一集合。
  18. 一種包含程式指令之電腦程式，該等程式指令可操作以在運行於一適合設備上時執行如請求項1或2之方法。
  19. 一種非暫時性電腦程式載體，其包含如請求項18之電腦程式。
  20. 一種處理裝置，其可操作以運行如請求項18之電腦程式。
TW108144626A 2018-12-19 2019-12-06 用於判定與半導體製程的效能度量有關之校正之方法、獲得用於判定與微影程序之效能度量有關的校正之至少一個經訓練模型的方法、電腦程式、及相關聯之非暫時性電腦程式載體及處理裝置 TWI722699B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP18214013.7A EP3671347A1 (en) 2018-12-19 2018-12-19 Method for controling a manufacturing process and associated apparatuses
EP18214013.7 2018-12-19
US201962802866P 2019-02-08 2019-02-08
US62/802,866 2019-02-08

Publications (2)

Publication Number Publication Date
TW202038017A TW202038017A (zh) 2020-10-16
TWI722699B true TWI722699B (zh) 2021-03-21

Family

ID=64746152

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108144626A TWI722699B (zh) 2018-12-19 2019-12-06 用於判定與半導體製程的效能度量有關之校正之方法、獲得用於判定與微影程序之效能度量有關的校正之至少一個經訓練模型的方法、電腦程式、及相關聯之非暫時性電腦程式載體及處理裝置

Country Status (6)

Country Link
US (1) US11947266B2 (zh)
EP (2) EP3671347A1 (zh)
KR (1) KR102612908B1 (zh)
CN (1) CN113196174A (zh)
TW (1) TWI722699B (zh)
WO (1) WO2020126242A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11635698B2 (en) * 2018-01-24 2023-04-25 Asml Netherlands B.V. Computational metrology based sampling scheme
CN111223786B (zh) * 2018-11-27 2023-10-27 东京毅力科创株式会社 检查装置系统
CN112506001B (zh) * 2020-12-16 2024-01-05 上海华力集成电路制造有限公司 过滤光刻模型中特定图形无效量测数据的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103582819A (zh) * 2011-04-06 2014-02-12 科磊股份有限公司 用于提供经改进过程控制的质量度量的方法及系统
TW201830154A (zh) * 2016-10-21 2018-08-16 荷蘭商Ａｓｍｌ荷蘭公司 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108369412B (zh) 2015-10-08 2020-10-16 Asml荷兰有限公司 用于控制工业过程的方法和设备
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US10811323B2 (en) * 2016-03-01 2020-10-20 Asml Netherlands B.V. Method and apparatus to determine a patterning process parameter
EP3358415A1 (en) 2017-02-07 2018-08-08 ASML Netherlands B.V. Methods for controlling lithographic apparatus, lithographic apparatus and device manufacturing method
EP3364247A1 (en) 2017-02-17 2018-08-22 ASML Netherlands B.V. Methods & apparatus for monitoring a lithographic manufacturing process

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103582819A (zh) * 2011-04-06 2014-02-12 科磊股份有限公司 用于提供经改进过程控制的质量度量的方法及系统
TW201830154A (zh) * 2016-10-21 2018-08-16 荷蘭商Ａｓｍｌ荷蘭公司 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hakki Ergun Cekli et al., "A novel patterning control strategy based on real-time fingerprint recognition and adaptive wafer level scanner optimization", Proceedings of SPIE, Volume 10585, 13 March 2018, pages 105851N-1 to 105851N-11
Jan Mulkens et al., "High order field-to-field corrections for imaging and overlay to achieve sub 20-nm lithography requirements", Proceedings of SPIE, Volume 8683, 12 April 2013, pages 86831J-1 to 86831J-13
Jan Mulkens et al., "High order field-to-field corrections for imaging and overlay to achieve sub 20-nm lithography requirements", Proceedings of SPIE, Volume 8683, 12 April 2013, pages 86831J-1 to 86831J-13 Hakki Ergun Cekli et al., "A novel patterning control strategy based on real-time fingerprint recognition and adaptive wafer level scanner optimization", Proceedings of SPIE, Volume 10585, 13 March 2018, pages 105851N-1 to 105851N-11 *

Also Published As

Publication number Publication date
TW202038017A (zh) 2020-10-16
KR102612908B1 (ko) 2023-12-11
KR20210089243A (ko) 2021-07-15
EP3899662B1 (en) 2022-06-01
US20220026810A1 (en) 2022-01-27
EP3671347A1 (en) 2020-06-24
US11947266B2 (en) 2024-04-02
WO2020126242A1 (en) 2020-06-25
CN113196174A (zh) 2021-07-30
EP3899662A1 (en) 2021-10-27

Similar Documents

Publication Publication Date Title
US11714357B2 (en) Method to predict yield of a device manufacturing process
CN113168111B (zh) 用于预测半导体制造过程的产率的方法
TWI722699B (zh) 用於判定與半導體製程的效能度量有關之校正之方法、獲得用於判定與微影程序之效能度量有關的校正之至少一個經訓練模型的方法、電腦程式、及相關聯之非暫時性電腦程式載體及處理裝置
KR20210078551A (ko) 반도체 제조 프로세스의 이벤트의 근본 원인을 결정하고 반도체 제조 프로세스를 모니터링하기 위한 방법
TW202119135A (zh) 用於控制微影設備之方法
EP4212961A1 (en) Lithographic performance qualification and associated apparatuses
TWI722596B (zh) 用以根據來自處理站之個別貢獻來特徵化後處理資料的方法
TWI824461B (zh) 將基板區域之量測資料模型化的方法及其相關設備
TWI733296B (zh) 性質結合內插及預測之設備及方法
US20240192610A1 (en) Method for modeling measurement data over a substrate area and associated apparatuses
EP4134746A1 (en) A method for modeling measurement data over a substrate area and associated apparatuses
EP4071554A1 (en) A method for modeling measurement data over a substrate area and associated apparatuses
US20230393487A1 (en) A method for modeling measurement data over a substrate area and associated apparatuses