TWI749657B - 用於判定模型以預測與經圖案化之當前基板相關聯的疊對資料之方法及電腦程式產品 - Google Patents

Abstract

本文描述一種用於判定一模型以預測與經圖案化之一當前基板相關聯的疊對資料之方法。該方法涉及：獲得(i)與該當前基板之一或多個先前層及/或當前層相關聯之一第一資料集、(ii)包含與一或多個先前基板相關聯之疊對度量衡資料之一第二資料集，及(iii)與該當前基板之該當前層相關聯之經去校正之經量測疊對資料；及基於(i)該第一資料集、(ii)該第二資料集及(iii)該經去校正之經量測疊對資料判定與該模型相關聯之一模型參數集合之值，使得該模型預測用於該當前基板之該疊對資料，其中該等值經判定使得最小化一成本函數，該成本函數包含該經預測資料與該經去校正之經量測疊對資料之間的一差。

Description

用於判定模型以預測與經圖案化之當前基板相關聯的疊對資料之方法及電腦程式產品

本文中之描述大體上係關於圖案化程序及判定對應於設計佈局之指紋的裝置及方法。

微影投影裝置可用於(例如)積體電路(IC)之製造中。在此狀況下，圖案化器件(例如光罩)可含有或提供對應於IC(「設計佈局」)之個別層之圖案，且可藉由諸如將已經塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)輻照通過圖案化器件上之圖案而將此圖案轉印至該目標部分上。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影投影裝置順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影投影裝置中，將整個圖案化器件上之圖案一次性轉印至一個目標部分上；此裝置通常被稱作步進器。在通常被稱作步進掃描裝置(step-and-scan apparatus)之替代裝置中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描，同時平行或反平行於此參考方向而同步地移動基板。圖案化器件上之圖案之不同部分逐漸地轉印至一個目標部分。一般而言，由於微影投影裝置將具有縮減比率M(例如4)，故基板被移動之速度F將為投影光束掃描圖案化器件之速度的1/M倍。可例如自以引用方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影器件的更多資訊。

在將圖案自圖案化器件轉印至基板之前，基板可經歷各種工序，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受其他工序(「曝光後工序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤，及經轉印圖案之量測/檢測。此工序陣列係用作製造一器件(例如IC)之個別層的基礎。基板接著可經歷各種程序，諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等，該等程序皆意欲精整器件之個別層。若在器件中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在一器件。接著藉由諸如切塊或鋸切之技術來使此等器件彼此分離，據此，可將個別器件安裝於載體上、連接至銷釘等。

因此，製造諸如半導體器件之器件通常涉及使用多個製作程序來處理基板(例如半導體晶圓)以形成該等器件之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械拋光及離子植入來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製作多個器件，且接著將其分離成個別器件。此器件製造程序可被認為是圖案化程序。圖案化程序涉及使用微影裝置中之圖案化器件進行圖案化步驟，諸如光學及/或奈米壓印微影，以將圖案化器件上之圖案轉印至基板，且圖案化程序通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影裝置進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻裝置而使用圖案進行蝕刻等。

如所提及，微影為在諸如IC之器件之製造時的中心步驟，其中形成於基板上之圖案界定器件之功能元件，諸如微處理器、記憶體晶片等。相似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他 器件。

隨著半導體製造程序繼續進步，幾十年來，功能元件之尺寸已不斷地減小，而每器件的諸如電晶體之功能元件之量已在穩固地增加，此遵循通常被稱作「莫耳定律(Moore's law)」之趨勢。在目前先進技術下，使用微影投影裝置來製造器件之層，該等微影投影裝置使用來自深紫外線照明源之照明將設計佈局投影至基板上，從而產生尺寸充分地低於100nm、亦即小於來自照明源(例如193nm照明源)之輻射之波長之一半的個別功能元件。

根據一實施例，本發明描述一種用於判定一模型以預測與經圖案化之一當前基板相關聯的疊對資料之方法，該方法包含：獲得(i)與經圖案化之該當前基板之一或多個先前層及/或當前層相關聯之一第一資料集、(ii)包含與在該當前基板之前經圖案化之一或多個先前基板相關聯的疊對度量衡資料之一第二資料集，及(iii)與該當前基板之該當前層相關聯之經去校正之經量測疊對資料；及基於(i)該第一資料集、(ii)該第二資料集及(iii)該經去校正之經量測疊對資料判定與該模型相關聯之一模型參數集合之值，使得該模型預測用於該當前基板之該疊對資料，其中該等模型參數之該等值經判定使得最小化一成本函數，該成本函數包含該經預測疊對資料與該經去校正之經量測疊對資料之間的一差。

此外，在一實施例中，提供一種電腦程式產品，其包含一非暫時性電腦可讀媒體，該非暫時性電腦可讀媒體在其上記錄有指令，該等指令在由一電腦執行時實施上述實施例中之任一者之方法的步驟。

2:寬頻帶輻射投影儀

4:光譜儀偵測器

10:光譜

10A:微影投影裝置

11:背向投影式焦平面

12:透鏡系統

12A:輻射源

13:干涉濾光器

14:參考鏡面

14A:光學件/組件

15:物鏡/接物鏡

16:部分反射表面

16Aa:光學件/組件

16Ab:光學件/組件

16Ac:透射光學件/組件

17:偏振器

18:偵測器

18A:圖案化器件

20A:可調整濾光器或孔徑

21:輻射光束

22:琢面化場鏡面器件

22A:基板平面

24:琢面化光瞳鏡面器件

26:經圖案化光束

28:反射元件

30:基板目標/反射元件

30':目標圖案

81:帶電粒子束產生器

82:聚光透鏡模組

83:探針形成物鏡模組

84:帶電粒子束偏轉模組

85:二次帶電粒子偵測器模組

86:影像形成模組

87:監測模組

90:樣本

91:初級帶電粒子束

92:帶電粒子束探針

93:二次帶電粒子

94:二次帶電粒子偵測信號

100:電腦系統

102:匯流排

104:處理器

105:處理器

106:主記憶體

108:經量測輻射分佈/唯讀記憶體(ROM)

110:儲存器件

112:顯示器

114:輸入器件

116:游標控制件

118:通信介面

120:網路鏈路

122:區域網路

124:主機電腦

126:網際網路服務提供者(ISP)

128:網際網路

130:伺服器

200:步驟

202:步驟/量測資訊

204:步驟/量測資訊

206:配方資料/參數化模型

208:配方及量測資料/輻射分佈

210:步驟/數值馬克士威求解程序/EUV輻射發射電漿/極熱電漿/高度離子化電漿

211:源腔室

212:步驟/收集器腔室

214:步驟

216:步驟

218:步驟

220:步驟/圍封結構

221:開口

230:選用氣體障壁或污染物截留器/污染物障壁

240:光柵光譜濾光器

251:上游輻射收集器側

252:下游輻射收集器側

253:掠入射反射器

254:掠入射反射器

255:掠入射反射器

700:方法

701:第一資料集/原始資料

702:第二資料集/原始資料

703:經量測之經去校正疊對資料/原始資料

705:經訓練模型

707:經預測之經去校正疊對資料

709:疊對校正

800:方法

801:即時資料集/即時資料

805:訓練模型

900:方法

902:效能資料

903:疊對誤差

904:度量衡資料

905:疊對預測模型/疊對校正

1000:微影投影裝置

1200:經訓練模型

1210:經圖案化基板

1300:疊對資料

1410:效能資料

1412:區塊

1414:區塊

1416:區塊

1420:效能資料

1422:區塊/效能資料

1500:方法

1501:第一效能資料

1503:經預測效能資料

1509:基底預測模型

1510:經訓練預測模型

1600:前饋方法

1601:第一效能資料

1603:經預測效能資料

1610:值

AD:調整構件

ADC:類比/數位(A/D)轉換器

B:輻射光束

BD:光束遞送系統

BK:烘烤板

C:目標部分

CH:冷卻板

CNN:廻旋神經網路

CL:聚光透鏡

CO:聚光器/輻射收集器/近正入射收集器光學件

CW:當前晶圓

CWP:經預測疊對誤差

DIFF:差

DIS:顯示器件

DS1:實例資料集

DS2:實例資料集

EBD1:光束偏轉器

EBD2:E×B偏轉器

EBP:初級電子束

ESO:電子源

EXP:曝光站

h:高度

IF:干涉量測構件/虛擬源點/中間焦點

IL:照明系統/照明器/照明光學件單元

IN:積光器

I/O1:輸入/輸出埠

I/O2:輸入/輸出埠

L1:層

Ln:層

L₁1:經圖案化基板層/第一層

L₁2:經圖案化基板層

L₁3:經圖案化基板層

L₁4:經圖案化基板層

L₂1:經圖案化層/第一層

L₂2:經圖案化層

L₂3:經圖案化層

L₂4:層

LA:微影裝置

LACU:微影控制單元

LB:裝載匣

LC:微影製造單元

M1:光罩對準標記/圖案化器件對準標記

M2:光罩對準標記/圖案化器件對準標記

MA:圖案化器件

MEA:量測站

MEM:記憶體

MDOD:經量測之經去校正疊對資料

MT:第一物件台/圖案化器件台/支撐結構

O:光軸

OL:物鏡

P1:基板對準標記/部位

P2:基板對準標記

PC_OV:矩陣

PDOD:經預測之經去校正疊對資料

PM:第一定位器

PS:物品/投影系統/透鏡

PS2:位置感測器

PSub:基板

PU:處理單元/處理器

PW:第二定位器

P701:工序

P703:工序

P705:工序

P709:工序

P801:工序

P803:工序

P805:工序

P901:工序

P903:工序

P905:工序

P1501:工序

P1503:工序

P1505:工序

P1601:工序

P1603:工序

P1605:工序

P1-P110:部分

RO:基板處置器或機器人

S:照明光點

SC:旋塗器

SCS:監督控制系統

SED:二次電子偵測器

SEM:掃描電子顯微鏡

SO:輻射源/源收集器模組

ST:基板台

STOR:儲存媒體

TCU:塗佈顯影系統控制單元

t:厚度

W:基板/晶圓

w:寬度

W':基板/晶圓

W":經曝光基板

W11:權重

W12:權重

W13:權重

W1m:權重

Wn1:權重

Wn2:權重

Wnm:權重

WT:第二物件台/基板台

α:側壁角

併入本說明書中且構成本說明書之一部分之隨附圖式展示本文中所揭示之主題的某些態樣，且與[實施方式]一起有助於解釋與所揭示實施例相關聯之一些原理。在該等圖式中，圖1展示根據一實施例之微影系統之各種子系統的方塊圖；圖2說明根據一實施例之微影製造單元或叢集；圖3示意性地說明根據一實施例之與微影裝置相關聯的量測及曝光程序；圖4A說明根據一實施例的經組態以預測經去校正疊對資料(或指紋)之實例模型；圖4B說明根據一實施例的用於訓練圖4A之模型之實例成本函數，該成本函數被展示為經預測疊對資料映圖與經量測之經去校正疊對映圖之間的差；圖5說明根據一實施例的用以訓練點位階模型之實例點位階資料；圖6說明根據一實施例的基於與場間分量及場內分量兩者相關之基底函數之疊對映圖的實例分解；圖7為根據一實施例的用於判定模型以預測與經圖案化之當前基板相關聯之經去校正疊對資料的方法的流程圖；圖8為根據一實施例的用於更新(例如圖7之)經訓練模型以預測與經圖案化之當前基板相關聯之經去校正疊對資料的方法的流程圖；圖9說明根據一實施例的基於先前批次基板以及當前基板之經預測疊對之實例疊對校正； 圖10為根據一實施例的判定用於待圖案化之當前基板之疊對校正之方法的流程圖；圖11為根據一實施例的使用對準資料及疊對資料建置疊對預測模型之實例；圖12說明根據一實施例的用於訓練模型之每場資料(例如疊對資料)之實例；圖13說明根據一實施例之實例疊對資料；圖14為根據一實施例的圖案化程序之例示性前饋校正之方塊圖；圖15為根據一實施例的用於訓練模型之方法之流程圖；圖16為根據一實施例的用於基於來自圖15之經訓練模型之預測控制圖案化程序之方法的流程圖；圖17示意性地描繪根據一實施例之掃描電子顯微鏡(SEM)之實施例；圖18示意性地描繪根據一實施例之電子束檢測裝置之實施例；圖19示意性地描繪根據一實施例之實例檢測裝置及度量衡技術；圖20示意性地描繪根據一實施例之實例檢測裝置；圖21說明根據一實施例的檢測裝置之照明光點與度量衡目標之間的關係；圖22示意性地描繪根據一實施例的基於量測資料導出複數個所關注變數之程序； 圖23為根據一實施例之實例電腦系統的方塊圖；圖24為根據一實施例之微影投影裝置的示意圖；圖25為根據一實施例之另一微影投影裝置的示意圖；圖26為根據一實施例之圖25中之裝置的更詳細視圖；圖27為根據一實施例的圖25及圖26之裝置之源收集器模組SO的更詳細視圖。

儘管在本文中可特定地參考IC製造，但應明確理解，本文之描述具有許多其他可能應用。舉例而言，本文中之描述可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者應瞭解，在此等替代應用之內容背景中，在本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為是可分別與更一般之術語「光罩」、「基板」及「目標部分」互換。

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，包括紫外線輻射(例如具有為365nm、248nm、193nm、157nm或126nm之波長)及極紫外線輻射(EUV，例如具有在約5nm至100nm之範圍內之波長)。

圖案化器件可包含或可形成一或多個設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局，此程序常常被稱作電子設計自動化(EDA)。大多數CAD程式遵循預定設計規則之集合，以便產生功能設計佈局/圖案化器件。藉由處理及設計限制而設定此等規則。舉例而言，設計規則定義器件(諸如閘、電容器等)或互連線之間的空間容許度，以便確保器件或線彼此不會以非所要方式相互作用。設計規則限制中之一或多者 可被稱作「臨界尺寸」(CD)。器件之臨界尺寸可被定義為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此，CD判定經設計器件之總大小及密度。當然，器件製作中之目標中之一者係在基板上如實地再生原始設計意圖(經由圖案化器件)。

作為一實例，圖案佈局設計可包括解析度增強技術之應用，諸如光學近接校正(OPC)。OPC解決如下事實：投影於基板上之設計佈局的影像之最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化器件上之大小及置放。應注意，可在本文中互換地利用術語「光罩」、「倍縮光罩」、「圖案化器件」。又，熟習此項技術者將認識到，可互換地使用術語「光罩」、「圖案化器件」及「設計佈局」，如在RET之內容背景中，未必使用實體圖案化器件，而可使用設計佈局來表示實體圖案化器件。對於存在於某一設計佈局上之小特徵大小及高特徵密度，給定特徵之特定邊緣之位置將在某種程度上受到其他鄰近特徵之存在或不存在影響。此等近接效應起因於自一個特徵耦接至另一特徵的微小量之輻射或諸如繞射及干涉之非幾何光學效應。相似地，近接效應可起因於在通常跟隨微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。

在詳細地描述實施例之前，有指導性的是呈現可供實施實施例之實例環境。

圖1說明例示性微影投影裝置10A。主要組件為：輻射源12A，其可為深紫外線準分子雷射源或包括極紫外線(EUV)源的其他類型之源(如上文所論述，微影投影裝置自身無需具有輻射源)；照明光學件，其例如定義部分相干性(被表示為均方偏差)且可包括塑形來自源12A之輻 射的光學件14A、16Aa及16Ab；圖案化器件18A；及透射光學件16Ac，其將圖案化器件圖案之影像投影至基板平面22A上。在投影光學件之光瞳平面處的可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度界定投影光學件之數值孔徑NA=n sin(Θ_max)，其中n為基板與投影光學件之最後元件之間的介質之折射率，且Θ_max為自投影光學件射出的仍可照射於基板平面22A上之光束的最大角度。

在微影投影裝置中，源將照明(亦即輻射)提供至圖案化器件，且投影光學件經由圖案化器件將照明導向至基板上且塑形該照明。投影光學件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為基板位階處之輻射強度分佈。曝光基板上之抗蝕劑層，且將空中影像轉印至抗蝕劑層以在其中作為潛在「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型以自空中影像演算抗蝕劑影像，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 2009-0157360號中找到此情形之實例。抗蝕劑模型係僅與抗蝕劑層之屬性(例如在曝光、PEB及顯影期間發生之化學程序之效應)相關。微影投影裝置之光學屬性(例如源、圖案化器件及投影光學件之屬性)規定空中影像。由於可改變用於微影投影裝置中之圖案化器件，因此可需要使圖案化器件之光學屬性與至少包括源及投影光學件的微影投影裝置之其餘部分之光學屬性分離。

圖2描繪微影製造單元或叢集。微影裝置LA可形成微影製造單元LC(有時亦被稱作微影製造單元或叢集)之部分，微影製造單元LC亦包括用以對基板執行曝光前程序及曝光後程序之裝置。通常，此等裝置 包括用以沈積一或多個抗蝕劑層之一或多個旋塗器SC、用以顯影經曝光抗蝕劑之一或多個顯影器DE、一或多個冷卻板CH及/或一或多個烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取一或多個基板，在不同程序裝置之間移動基板且將基板遞送至微影裝置之裝載匣LB。常常被集體地稱作塗佈顯影系統(track)之此等裝置係在塗佈顯影系統控制單元TCU之控制下，塗佈顯影系統控制單元TCU自身受到監督控制系統SCS控制，監督控制系統SCS亦經由微影控制單元LACU而控制微影裝置。因此，不同裝置可經操作以最大化產出率及處理效率。

為了正確地且一致地曝光由微影裝置曝光之基板，需要檢測經曝光基板以量測或判定一或多個屬性，諸如疊對(其可(例如)在上覆層中之結構之間，或在同一層中之已藉由(例如)雙重圖案化程序分離地提供至該層之結構之間)、線厚度、臨界尺寸(CD)、焦點偏移、材料屬性等等。因此，微影製造單元LC位於其中之製造設施通常亦包括度量衡系統MET，度量衡系統MET收納已在微影製造單元中經處理之基板W中之一些或全部。度量衡系統MET可為微影製造單元LC之部件，例如，其可為微影裝置LA之部件。

可將度量衡結果直接或間接地提供至監督控制系統SCS。若偵測到誤差，則可對後續基板之曝光(尤其在可足夠迅速且快速完成檢測使得該批量之一或多個其他基板仍待曝光之情況下)及/或對經曝光基板之後續曝光進行調整。又，已經曝光之基板可被剝離及重工以改良良率，或被捨棄，藉此避免對已知有缺陷之基板執行進一步處理。在基板之僅一些目標部分有缺陷之狀況下，可僅對良好的彼等目標部分執行進一步曝光。

在度量衡系統MET內，度量衡裝置用以判定基板之一或多個屬性，且尤其判定不同基板之一或多個屬性如何變化或同一基板之不同層在不同層間如何變化。度量衡裝置可整合至微影裝置LA或微影製造單元LC中，或可為單機器件。為了實現快速量測，需要使度量衡裝置緊接在曝光之後量測經曝光抗蝕劑層中之一或多個屬性。然而，抗蝕劑中之潛影具有低對比度-在已曝光至輻射之抗蝕劑之部分與尚未曝光至輻射之抗蝕劑之部分之間僅存在極小折射率差-且並非所有度量衡裝置皆具有足夠敏感度以進行潛影之有用量測。因此，可在曝光後烘烤步驟(PEB)之後進行量測，曝光後烘烤步驟通常為對經曝光之基板進行之第一步驟且增加抗蝕劑之經曝光之部分與未經曝光之部分之間的對比度。在此階段，抗蝕劑中之影像可被稱作半潛像(semi-latent)。亦有可能對經顯影之抗蝕劑影像進行量測-此時，抗蝕劑之經曝光部分或未經曝光部分已被移除-或在諸如蝕刻之圖案轉印步驟之後對經顯影抗蝕劑影像進行量測。後者可能性限制重工有缺陷基板之可能性，但仍可提供有用資訊。

為了實現度量衡，可在基板上提供一或多個目標。在一實施例中，目標經專門設計且可包含週期性結構。在一實施例中，目標為器件圖案之一部分，例如為器件圖案之週期性結構。在一實施例中，器件圖案為記憶體器件之週期性結構(例如雙極電晶體(BPT)、位元線接點(BLC)等結構)。

圖3示意性地說明例如涉及圖1之裝置的量測及曝光程序，其包括用以在圖1之雙載物台裝置中曝光基板W上之目標部分(例如晶粒)的步驟。在點線框內之左側，在量測站MEA處執行步驟，而右側展示在曝光站EXP處所執行之步驟。有時，基板台WTa、WTb中之一者將在曝光 站處，而另一者係在量測站處，如上文所描述。出於此描述之目的，假定基板W已經被裝載至曝光站中。在步驟200處，藉由圖中未繪示之一機構將新基板W'裝載至裝置。並行地處理此兩個基板以便增加微影裝置之產出率。

最初參看新近裝載之基板W'，此基板可為先前未經處理之基板，其係運用新光阻而製備以供在裝置中之第一次曝光。然而，一般而言，所描述之微影程序將僅僅為一系列曝光及處理步驟中之一個步驟，使得基板W'已經通過此裝置及/或其他微影裝置若干次，且亦可經歷後續程序。特別出於改良疊對效能之目的，任務為確保將新圖案施加於已經經受圖案化及處理之一或多次循環的基板上之正確位置中。此等處理步驟逐漸地在基板中引入失真，該等失真可被量測及校正以達成令人滿意的疊對效能。

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

在202處，使用基板標記P1等等及影像感測器(圖中未繪示)之對準量測係用以量測及記錄基板相對於基板台WTa/WTb之對準。另外，將使用對準感測器AS來量測橫越基板W'之若干對準標記。在一項實施例中，此等量測係用以建立「晶圓柵格」，該晶圓柵格極準確地映射橫 越基板之標記之分佈，包括相對於標稱矩形柵格之任何失真。

在步驟204處，亦使用位階感測器LS來量測相對於X-Y位置之晶圓高度(Z)圖。通常，高度圖係僅用以達成經曝光圖案之準確聚焦。可另外出於其他目的使用高度圖。

當裝載基板W'時，接收配方資料206，其定義待執行之曝光，且亦定義晶圓及先前產生之圖案及待產生於晶圓上之圖案之屬性。將在202、204處獲得之晶圓位置、晶圓網格及高度圖之量測添加至此等配方資料，且接著可將配方及量測資料208之完整集合傳遞至曝光站EXP。對準資料之量測(例如)包含以與作為微影程序之產品的產品圖案成固定或標稱固定關係而形成之對準目標之X位置及Y位置。恰好在曝光之前獲得之此等對準資料用以產生對準模型，對準模型具有將模型擬合至資料之參數。此等參數及對準模型將在曝光操作期間用以校正當前微影步驟中所施加之圖案之位置。在使用中之模型內插經量測位置之間的位置偏差。習知對準模型可能包含四個、五個或六個參數，該等參數一起以不同尺寸界定「理想」柵格之平移、旋轉及按比例調整。使用更多參數之進階模型為吾人所知。

在210處，調換晶圓W'與W，使得經量測基板W'變成基板W而進入曝光站EXP。在圖1之實例裝置中，藉由交換裝置內之支撐件WTa與WTb來執行此調換，使得基板W、W'保持準確地被夾持且定位於彼等支撐件上，以保留基板台與基板自身之間的相對對準。因此，一旦已調換該等台，為了利用用於基板W(以前為W')之量測資訊202、204以控制曝光步驟，就必需判定投影系統PS與基板台WTb(以前為WTa)之間的相對位置。在步驟212處，使用光罩對準標記M1、M2來執行倍縮光罩對 準。在步驟214、216、218中，將掃描運動及輻射脈衝施加於橫越基板W之順次目標部位處，以便完成多個圖案之曝光。

藉由使用在量測站處所獲得之對準資料及高度圖及曝光步驟之效能，使此等圖案相對於所要部位準確地對準，且詳言之，相對於先前放置於同一基板上之特徵準確地對準。在步驟220處自裝置卸載現在被標註為「W"」之經曝光基板，以根據經曝光圖案使其經歷蝕刻或其他程序。

熟習此項技術者將知曉上述描述為真實製造情形之一個實例中所涉及之多個極詳細步驟的簡化綜述。舉例而言，常常將存在使用相同或不同標記之粗糙及精細量測之單獨階段，而非在單一遍次中量測對準。粗糙及/或精細對準量測步驟可在高度量測之前或之後執行，或交錯執行。

在一項實施例中，諸如對準感測器AS之光學位置感測器使用可見光及/或近紅外線(NIR)輻射以讀取對準標記。在一些程序中，在對準標記已形成之後對基板上之層之處理導致歸因於低或無信號強度而無法藉由此對準感測器發現該等標記的情形。

微影程序之關鍵效能參數為疊對誤差。此誤差(常常被簡單地稱作「疊對」)為相對於形成於先前層中之特徵將產品特徵置放於正確位置中之誤差。隨著產品特徵均變得小得多，疊對規格變得愈來愈嚴格。

當前例如在批次方法中，使用來自先前批次之有限數目個經取樣基板之經去校正疊對指紋的指數加權平均值來控制疊對誤差，以控制傳入批次(例如對25個基板中的5個進行取樣)。現有方法為以批次為基礎之方法，此意謂傳入批次中之所有基板將接收相同的校正。此校正亦被 稱作回饋(FB)控制。現有方法(例如批次FB方法)具有兩種假定：1)批次內之基板間疊對變化係小的，及2)時間批次間疊對變化係慢的。換言之，疊對誤差在不同批次之間在一段時間內足夠慢地改變使得可使用平均化一特定批次之疊對誤差，而不影響圖案化程序之效能(例如疊對規格、良率等)。然而，隨著技術節點收縮至單位數奈米尺度，此兩個假定變得有問題。全文以引用方式併入本文中之美國專利公開案第US2013230797A1號、第US2012008127A1號及第US20180292761A1號中論述了額外疊對判定方法及以疊對為基礎之控制。

在本發明中，本文中所描述之方法使用直至經圖案化之當前層之所有處理層的度量衡資料及內容脈絡資訊(例如與圖案化程序中所使用之處理工具相關之資訊)，以及先前批次之疊對資料以預測用於傳入批次中之每一基板之疊對資料。在一實施例中，內容脈絡資訊係指例如與圖案化程序中(諸如圖2及圖3中)所使用之處理工具相關的資訊。

在一實施例中，術語「資料」可指當將資料表示為橫越基板之2D標繪圖時的映圖或指紋，其中資料之值產生與資料相關聯之特定圖案(例如指紋)。舉例而言，與層(或基板)相關聯之疊對資料亦可被稱作疊對指紋，其中當在基板位階處標繪時疊對之值的量值及方向產生特定圖案(或分佈)。在一實施例中，術語「資料」亦可指像素化影像，其中每一像素之強度值係與所表示之資料(例如疊對、度量衡、對準、位階量測等)之值相關。特定言之，取決於所訓練之模型之類型，資料可經組態或轉換成適當形式以被模型處理。在圖4A及圖4B中所說明之實例中，使用廻旋神經網路(CNN)模型，但本發明並不將模型限於特定模型類型。此外，基於用以判定模型之資料，模型可被稱作點位階模型或基板位階模型。貫穿 本說明書詳細論述每一模型及各別訓練程序。

圖4A說明經組態以預測用於經圖案化之基板之當前層之經去校正疊對資料(或指紋)的實例模型。在目前實例中，模型為包含若干層L1，L2，…，Ln之機器學習模型(例如CNN)。每一層係與模型參數(例如每一層之權重)相關聯。舉例而言，第一層L1係藉由權重w11，w12，w13，…，w1n而特性化。在一實施例中，訓練程序涉及反覆地修改一或多個層之權重使得經預測之經去校正疊對資料(或其影像)儘可能地接近地面實況影像(例如經量測之經去校正疊對資料之影像)。實例CNN模型之訓練係基於本文中所描述之某些訓練資料集及成本函數(例如參見圖7中之方法及圖4B之實例的詳細描述)。

在本實例中，CNN模型之訓練係基於輸入資料集DS1及DS2。訓練資料集DS1包含例如與經圖案化之當前基板之一或多個先前層及/或當前層相關的資料。訓練資料集DS2包含例如與在當前基板之前經圖案化之一或多個先前基板相關的資料。

在一實施例中，例如CNN模型可經組態以直接拍攝基板映圖或基板映圖之一部分(亦即，晶粒或場)作為影像輸入，而其他機器學習模型通常將映圖轉換成其他低維度表示。舉例而言，維度係指用以訓練模型之資料集之維度。在一實例中，低維度表示係指藉由減少原始資料集而獲得的減少數目之資料點。舉例而言，原始資料集可包括3000個點，其例如經由主成份分析而可減小至10個資料點。

在一實施例中，實例資料集DS1可包含與用於當前基板之先前層相關聯的疊對度量衡資料。疊對度量衡資料包括但不限於經量測疊對資料(或映圖)及經去校正疊對資料(或映圖)。在一實施例中，經量測疊 對資料係指在例如經由圖案化裝置應用疊對相關校正(例如對準控制、位階控制、焦點控制等)之後所獲得的資料。在一實施例中，經去校正疊對資料係指在例如經由圖案化裝置應用任何疊對校正之前的疊對資料。在一實施例中，可經由諸如光學度量衡(參見圖19至圖22)或SEM(參見圖17及圖18)之度量衡工具獲得疊對度量衡資料。在一實施例中，可基於處理參數導出疊對度量衡資料，諸如全文係以引用方式併入本文中的於2017年2月22日申請之美國專利申請案第62/462,201號中所論述。

此外，實例資料集DS1可包含來自用於當前基板之先前層之對準度量衡資料(例如圖4A中之對準度量衡(AlignMet)資料)，包括但不限於對準感測器資料(圖中未繪示)、殘差映圖(參見圖4A)、基板品質映圖(參見圖4A)及/或顏色間差異映圖(參見圖4A中之顏色間映圖)。

此外，實例資料集DS1可包含來自用於當前基板之先前層之位階量測度量衡資料(例如圖4A中之位階量測度量衡(LvlMet)資料)，包括但不限於來自基板高度圖(圖中未繪示)及/或Z2xy映圖(參見圖4A)之資料。

此外，實例資料集DS1可包含用於當前基板之先前層之內容脈絡資訊(例如圖4A中所展示)，包括但不限於：與在工具(例如抗蝕劑顯影工具)內執行之程序(例如抗蝕劑顯影)相關聯的滯後時間(連續變數之實例)、夾盤識別符資料(類別變數之實例)、腔室識別符資料(類別變數之另一實例)、腔室FP資料(例如圖4A中所展示之EC1，EC2，…ECn)，及/或可與疊對誤差相關之其他資訊。

在一實施例中，實例資料集DS2包含來自先前批次之疊對度量衡資料。在一實例中，將度量衡資料表示為基於度量衡資料所產生之 映圖。舉例而言，可收集來自複數個基板之資料且可藉由橫越基板重疊及/或平均化資料來產生單一映圖。在圖4A中，藉由獲取與先前經圖案化基板相關聯之疊對資料之指數移動平均值來獲得疊對度量衡資料(例如疊對先驗)。將疊對度量衡資料(例如疊對先驗)表示為說明在左邊緣處與基板之其他部位相比存在相對較高疊對誤差的映圖或疊對指紋。

在一實施例中，訓練資料集可進一步延伸為包括掃描器相關資料。掃描器資料(方法700中之第一資料集之實例)可含有與當前基板之所有層直至當前層(可包括關於當前基板之當前層)相關聯之資訊。對於不同層，同一基板可藉由不同掃描器曝光(例如如關於圖2及圖3所論述)且藉由不同處理工具處理(例如如關於圖2及圖3所論述)。因此，掃描器資料不必限於僅一個掃描器或一個處理工具。與圖案化程序中所使用之所有掃描器及處理工具相關之資訊可用於訓練模型。

舉例而言，掃描器資料包括但不限於：工具資訊(例如掃描器標識、夾盤標識)、原始量測值(例如來自量測軟體、感測器等)及與疊對誤差相關之關鍵效能指示符，及所報告度量衡資料(例如對準資料、位階量測資料等)。訓練資料集亦可包括製作相關資料(亦被稱作製作內容脈絡資訊)，其包括但不限於：處理工具(例如蝕刻腔室、用以拋光基板之化學機械拋光工具等)、疊對量測工具(例如圖11至圖14中所展示之光學工具、圖9至圖10中所展示之SEM)、CD度量衡工具(例如用以量測諸如圖9至圖10中所展示之SEM之特徵的CD之任何工具)、處理工具相關資訊(例如腔室標識)、原始量測值(例如作為與基板處理相關聯之滯後時間之實例的RF時間)、所報告度量衡(例如CD及疊對等)及/或連續及類別可變資訊。

此外，訓練資料集可包括所導出資料(例如基於掃描器資料及製作內容脈絡資訊)。舉例而言，Z2xy、與例如程序變數或效能指示符相關之計算度量衡映圖(例如由計算度量衡工具提供)、掃描器效能偵測、使用進階分解演算法之所導出之腔室指紋(例如與圖案化程序中所使用之特定工具之變數(例如疊對、對準等)相關聯之獨特資料圖案)(例如全文係以引用方式併入本文中的於2019年2月22日申請之美國專利申請案第62/462,201號中所論述)。

在一實施例中，SPD資料係指例如經由模擬軟體之掃描器效能偵測，該模擬軟體判定與用於對給定基板進行成像之掃描器相關的效能(例如關鍵效能參數)。全文係以引用方式併入本文中的於2019年2月6日申請之歐洲專利申請案第EP19155660.4號中進一步詳細論述了掃描器效能偵測。

在一實施例中，Z2xy係指與基板高度圖相關聯之疊對貢獻。舉例而言，可自微影裝置之位階量測感測器獲得基板高度圖。可針對用於兩個圖案轉印之基板高度圖發現一差，且接著可將該差轉換成疊對值且因此轉換成疊對貢獻。舉例而言，可藉由以下操作將Z高度差變為X及/或Y位移：考慮作為基板之翹曲或彎曲之高度差且使用第一原理來演算X及/或Y位移(例如，在例如基板之夾持區中，位移可為在Z上之變化相對於在X或Y上之變化乘以基板之厚度的一半，或在例如基板之未夾持區中，可使用克希何夫-洛夫(Kirchoff-Love)板理論來演算位移)。在一實施例中，可經由模擬、數學模型化及/或實驗判定高度至疊對貢獻之轉譯。因此，藉由每圖案轉印使用此基板高度資訊，可觀測到並考量歸因於焦點或夾盤光點之疊對影響。在一實施例中，可在預處理步驟期間自疊對映圖移 除此疊對貢獻，如本文中所論述。全文以引用方式併入本文中的於2017年2月22申請之美國專利申請案第62/462,201號中提供了與基板高度圖或關於圖案化程序之其他變數相關聯的詳細論述之疊對貢獻。

在一實施例中，可預處理訓練資料以改良資料之品質、提取最相關資料、移除某些資料等，以改良與疊對相關之預測。舉例而言，可將不同的預處理方法應用於基板映圖上以自不同基板映圖移除不相關的/非想要資訊或提取更有用資訊。舉例而言，對於疊對映圖(作為輸入或訓練輸出)，可移除以夾盤為基礎之平均指紋映圖(或以夾盤為基礎之移動平均指紋映圖)使得剩餘映圖可較佳捕獲疊對變化。作為另一實例，可對疊對基板映圖執行模型化(例如基於程序變數或處理參數)以擷取所關注程序變數之總指紋之可校正分量。舉例而言，疊對之總指紋包括來自不同程序變數之疊對貢獻，每個此類貢獻被添加以產生總指紋。接著，可提取包括於總疊對指紋中之可校正疊對分量(例如經由對準、位階量測等可校正)。該模型化概念可同樣適用於與基板之對準及位階量測相關之其他基板映圖。例如在併入之美國專利申請案第62/462,201號中更詳細地論述了基於圖案化程序之處理變數移除或提取相關資料之額外實例。

一般而言，訓練資料集可包括來自所有處理層(包括當前層)的與當前基板相關聯之所有資訊，且先前批次可用於計算指紋(cFP)模型化。在一些狀況下，在前饋應用中，歸因於掃描器產出率限制，可能並未及時地得到所有資訊，諸如某些掃描器資訊(例如當前層之對準及位階量測)。然而，隨著度量衡相關技術改良，可即時地得到此類資料，在此狀況下，所有即時掃描器資訊亦可用於訓練模型以進行較準確預測。

在本發明中，訓練資料集可包含所有輸入(例如DS1、DS2 內之資料及經量測疊對資料)或輸入之任何組合(例如自DS1選擇之資料、自DS2選擇之資料等)。舉例而言，本文中所提及之所有資料集可用作輸入以建置如本文中所論述之複合機器學習模型。作為另一實例，來自上述清單之輸入的一或多個選定子集可用以建置模型(亦被稱作cFP模型)。子集之選擇可基於某些特徵。特徵選擇可基於域知識或僅僅藉由在機器學習領域中使用任何現有特徵選擇演算法所驅動之資料。

關於輸出，模型可自用於當前基板之當前層預測經去校正疊對資料，其稍後用於控制圖案化程序之各種程序(例如如藉由參考美國申請案US2013230797A1及US2012008127A1所併入中所論述)以改良圖案化程序之良率，諸如歸因於與極小特徵(例如小於10nm)相關之疊對誤差之缺陷。

如早先所提及，輸入資料用以經由模型產生經預測輸出。訓練程序之目標為預測準確的輸出資料。在一實施例中，此類準確預測係藉由減少經預測輸出資料與地面實況(或參考資料)之間的誤差來達成。舉例而言，圖4B說明經預測之經去校正疊對資料PDOD(例如映圖)與經量測之經去校正疊對資料MDOD(地面實況或參考映圖之實例)之間的差。在本實例中，經預測之經去校正疊對資料PDOD係與經處理之基板之當前層相關聯。在將任何校正應用至當前層之前，經由使用輸入DS1及DS2執行模型(例如圖4A中之CNN)來獲得此經預測資料PDOD。相似地，在將任何校正應用至當前層之前經由度量衡工具獲得經量測資料MDOD。若模型(例如圖4A中之CNN)之預測準確，則差DIFF應非常接近於零，且理想地為零。

因為訓練程序係反覆程序，所以運用初始權重對CNN模型 之第一預測可遠非零。然而，逐漸地，可(例如使用梯度下降方法)調整CNN模型之權重(例如w11，w12，w13，……，w1n，…，wnm)之值以減少差DIFF。在一實施例中，當最小化差DIFF時，訓練停止。接著，藉由最終權重值特性化之CNN模型被認為係經訓練模型。經訓練模型可用以預測關於經印刷於當前基板之當前層上之任何設計佈局的疊對資料。基於經預測疊對資料，可在即時(例如在高容量製造HVM)環境中進行調整，使得與設計佈局相關聯之疊對誤差以及圖案化程序之良率得以改良。

在一實施例中，可使用不同的成本函數以訓練模型，從而導致改良型經訓練模型。在本發明中，成本函數獨立於模型類型(例如點位階模型或基板位階模型)。取決於經訓練之模型類型，可應用適當轉換，使得任何成本函數可與任何模型一起使用。舉例而言，轉換可與將點位階資料轉換成基板位階資料相關或反之亦然，使得成本函數之分量處於相同的單位或維度(例如1D點位階或2D映圖)。

在一實施例中，成本函數可為：(i)第一函數(CF1)或平均n階誤差(例如MSE為均方誤差)、(ii)第二函數或平均3標準差(M3S或CF2)，或(iii)產品上疊對誤差。可將成本函數應用至點位階模型或基板位階模型兩者，如下文關於圖7所詳細論述。

在一實施例中，可將第一函數(CF1)或平均n階誤差(或CF1)演算為CF1=mean(sum[|pred-reference|^n])，其中pred為經預測資料且reference為參考資料；且mean係基於經預測資料與參考資料之間的絕對差值。經預測資料及參考資料可為與給定基板上之給定點(例如疊對標記物)相關聯之疊對值，或與給定基板相關聯之投影係數(亦被稱作基底係數)。

在實施例中，可將第二函數或平均3標準差(M3S)演算為：CF2=abs(mean)+3*std，其中abs(mean)為絕對平均值，且3*std為基於經預測之經去校正疊對資料與參考資料之間的差所獲得的標準偏差的3倍，經預測資料為與給定基板上之給定點相關聯之疊對值。

在一實施例中，可將OPO(或CF3)定義為：CF3=abs(M3S)+1.96*std(M3S)，其中使用作為與一系列給定基板相關聯之疊對值的經預測資料來計算M3S之平均值及標準偏差。

圖5說明用以訓練點位階模型之實例點位階資料。在一實施例中，點位階模型可為模型1及/或模型2，其中模型1(例如cFPx模型)可經組態以預測在x方向上之經去校正之疊對指紋，且模型2(例如cFPy模型)可經組態以預測在y方向上之經去校正之疊對指紋。在一實施例中，可判定同時預測在x及y方向上之疊對之單個模型。

在圖5中，基板上之每一經量測標記物變為資料樣本源，其提供在針對當前基板之先前層中之一者之給定位置處的各種量測值(提供於圖表中之疊對、對準、位階量測等)，如本文中所論述。舉例而言，對應於疊對標記物之部位P1係與諸如夾盤標識、經量測疊對、經去校正疊對、對準系統殘差及對準品質之不同資料元素相關聯。在本實例圖表中，經量測疊對measure_ovl(例如經由例如圖19至圖22中之度量衡工具所獲得)捕捉基板之前一層(例如層1)在x方向及y方向上的疊對。經去校正疊對DCOvl係針對經圖案化之當前基板之先前層。DCOvl資料可自度量衡工具獲得且進一步用作輸入以用於訓練該(例如圖4A中之CNN模型)。此外，對準系統殘差可包括經由由對準系統使用之不同彩色雷射所獲得的殘差對準值。又，可基於自不同彩色雷射獲得之繞射圖案之差異而獲得顏色間映 圖。可針對其他先前層(例如層2至4)獲得相似資訊集合。

在本實例中，P1處之一個訓練資料樣本或資料元素(圖5中左側之圖表)具有81個維度(例如20*4+1)，其中20個資料值係來自關於一個層之經量測疊對、經去校正疊對、對準系統殘差及對準品質特徵；4為給定基板之先前層之數目，且1係指夾盤標識。因此，P1提供包含81個維度(或資料值)以預測一個疊對值的一個資料樣本。若此基板具有300個標記物，則訓練資料將包括300個此類資料樣本或300*81個資料值。

在一實施例中，訓練點位階模型(例如基於點位階資料而訓練)可涉及使來自不同度量衡工具且亦來自不同層之基板映圖之柵格對準。可經由資料相對於共同柵格之模型化及內插來執行柵格之此對準。在一實施例中，基板位階資訊(例如夾盤標識、RF時間等)針對此基板內之所有點係共用的(亦即，相同的)。點位階模型可使用在部位P1處可得到之所有資訊以預測部位P1處之疊對值。此途徑可幫助放大資料量，但可能過度簡化，此係因為其獨立處理所有點。

在一實施例中，可基於本文中所描述之成本函數中之任一者來訓練點位階模型。舉例而言，成本函數可為2階之第一函數，亦被稱為均方誤差(MSE)，以判定特性化點位階模型之模型參數之值。

在一實施例中，使用點位階資料，吾人可基於與給定基板上之給定點相關聯之資料集預測疊對基板映圖。可將經預測疊對映圖投影至一組基底函數(例如線性、二次式、任尼克多項式等)以獲得投影係數(或基底係數)。可使用投影係數以基於經預測係數與地面實況係數之間的差演算成本函數，其中地面實況係數係藉由將經量測之經去校正疊對資料投影至同一基底函數集合來獲得。此模型擬合計算係可區分的且因此可使 用例如以標準梯度為基礎之方法來最佳化。

在另一實例中，其中呈現在基板位階(例如整個基板，相對於基板上之單個點)處之訓練資料集，經訓練模型可被稱作基板位階模型(未說明)。在一實施例中，給定基板可與複數個基板映圖相關聯，諸如(例如)對準映圖、位階量測映圖及/或經量測疊對映圖。在基板位階模型中，每一基板變為資料樣本源，其中每一關聯映圖(例如對準映圖、位階量測映圖、疊對映圖等)投影至一組基底函數上以獲得其係數作為用於經投影映圖之數值表示。在一實施例中，投影映圖可用作用於基板位階模型之輸入或輸出。在一實施例中，基底函數可為主成份分析基底函數、任尼克多項式，或包括含有場間函數分量及場內函數分量兩者之基底函數的其他更複雜的疊對模型。在一實施例中，基板位階資訊(例如夾盤標識、RF時間等)亦可經編碼且接著用作額外輸入以用於判定基板位階模型。再次，上文所論述之任何成本函數可用以判定與基板位階模型相關聯之模型參數之值。

舉例而言，成本函數可為產品上疊對(OPO)。為了判定OPO，首先藉由使用與所關注當前基板相關聯之輸入資料(以適當格式)應用基板位階模型來判定一組投影係數。接著，可基於經預測係數重建構疊對映圖。接著，可例如基於經重建構疊對映圖與地面實況映圖之間的差來演算成本函數。另外，以標準梯度為基礎之方法可用以判定cFP模型參數之導致最佳經預測結果(例如非常接近等於地面實況映圖)的最佳化值。

在一實施例中，可執行複數個基板映圖中之每一者之投影以減少資料之維度。舉例而言，對於一基板，存在複數個基板映圖(例如疊對映圖、對準映圖、位階量測映圖等)且每一基板映圖包括複數個資料 點(例如300個)。接著，舉例而言，假定存在10個基板映圖，其各自具有300個資料點，則資料之總維度將為3000。因此，為了減少維度，每一基板映圖可使用基底函數(例如PCA)而重新組態，從而導致與每一投影映圖相關聯之投影係數。可針對某些基板位階模型產生此類投影映圖，其中處置高維資料集可為計算上密集的。然而，本發明並不限制基於投影係數而判定之基板模型。舉例而言，廻旋神經網路能夠處置影像(例如基板映圖)，在此狀況下可不執行資料於基底函數上之投影。

圖6說明其中基於與場間分量及場內分量兩者相關的基底函數進行之OVL映圖之分解的實例。舉例而言，圖6中之實例疊對映圖OVL映圖可分解成B內映圖及B間映圖。每一映圖係與經由諸如PCA、線性廻歸或其他已知方法之分解方法而判定之某些係數相關聯。在以下方法中進一步解釋以上實例。

圖7為用於判定模型以預測與經圖案化之當前基板相關聯之經去校正疊對資料的方法700的流程圖。方法700涉及如下文詳細論述之若干工序。

工序P701涉及獲得(i)與經圖案化之當前基板之一或多個先前層及/或當前層相關聯之第一資料集701、(ii)包含與在當前基板之前經圖案化的一或多個先前基板相關聯的疊對度量衡資料之第二資料集702，及(iii)與當前基板之當前層相關聯之經量測之經去校正疊對資料703。

在一實施例中，第一資料集701進一步包含與正用於圖案化當前基板之一或多個先前層及/或當前層之一或多個掃描器相關聯的掃描器資料；及與當前基板在當前層經圖案化之前經受的或在當前層經圖案化之後將經受的處理工具相關聯的製作內容脈絡資料。對於不同層，同一 基板可由不同掃描器曝光且由不同處理工具處理，例如關於圖2及圖3所論述。因此，資料不必僅與一個掃描器或一個處理工具相關聯。

在一實施例中，掃描器資料包含以下各者中之一或多者：與一或多個掃描器相關聯之掃描器識別符及掃描器夾盤識別符；經由一或多個掃描器之感測器或量測系統所計算之量測值；與一或多個掃描器相關聯且與當前基板之疊對相關的一或多個關鍵效能指示符；及自對準感測器、位階量測感測器、高度感測器及/或可操作地連接至一或多個掃描器之其他感測器獲得之度量衡資料。在一實施例中，製作中所使用之工具包含蝕刻腔室、化學機械拋光工具、疊對量測工具及/或CD度量衡工具中之一或多者。在一實施例中，可使用疊對量測工具，例如光學工具(例如圖11至圖14)、SEM(例如圖9至圖10)或經組態以量測疊對之其他工具。在一實施例中，CD度量衡工具，例如SEM或其他工具可用以判定特徵之CD。早先在圖2及圖3中及在2019年4月16日申請之美國專利申請案62/834,618中進一步論述了額外工具。

在一實施例中，第一資料集701(例如圖4A及圖5中所展示)包含當前基板之一或多個先前層及/或當前層之疊對度量衡資料(例如圖4A中之OVL資料)，該疊對度量衡資料包含：(i)在將疊對校正應用至當前基板之一或多個先前層之後所獲得的經量測疊對資料，及/或(ii)在將疊對校正應用至當前基板之一或多個先前層之前所獲得的經去校正疊對資料。

在一實施例中，第一資料集701包含當前基板之一或多個先前層及/或當前層之對準度量衡資料(例如圖4A中之對準度量衡資料)。對準度量衡資料包含：(i)對準感測器資料、(ii)經一對準系統模型所產生之殘差映圖、(iii)包含具有變化之強度之信號的基板品質映圖，該基板品 質映圖指示對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於基板上所獲得的顏色間差異映圖(例如關於圖4A所論述)，每一彩色雷射光束自一或多個先前層上之對準標記反射，該反射光束產生繞射圖案，該顏色間差異映圖為第一繞射圖案與第二繞射圖案之間的差異，該第一繞射圖案係使用複數個彩色雷射中之第一顏色獲得，且該第二繞射圖案係使用該複數個彩色雷射中之第二顏色獲得。

在一實施例中，第一資料集701包含當前基板之一或多個先前層及/或當前層之位階量測度量衡資料(例如圖4A中之位階量測資料)，該位階量測度量衡資料包含：(i)基板高度資料，及/或(ii)轉換成x及y方向位移之基板高度資料。

在一實施例中，第一資料集701包含當前基板之一或多個先前層及/或當前層之製作內容脈絡資訊，該內容脈絡資訊包含：(i)與圖案化程序之程序相關聯之滯後時間(例如早先論述)、(ii)安裝有當前基板之夾盤識別符、(iii)指示執行圖案化程序之該程序的腔室之腔室識別符，及/或(iv)特性化與腔室相關聯之一或多個處理參數(例如位階量測、對準、蝕刻速率等)之疊對貢獻的腔室指紋。在一實施例中，滯後時間可與一程序或該程序中所使用之度量衡工具相關聯。實例滯後時間可與抗蝕劑顯影、獲得疊對量測所需之時間、實施控制命令等相關聯。

在一實施例中，第一資料集701進一步包含與圖案化程序之產生疊對貢獻的參數相關聯的所導出資料，其中該所導出資料係自掃描器資料及/或製作內容脈絡資訊導出。舉例而言，可在如早先所提及的美國專利申請案62/462,201；2019年4月16日申請之美國專利申請案62/834,618；或2019年2月6日申請之歐洲專利申請案第EP19155660.4號 中所論述獲得所導出資料。

工序P703涉及基於(i)第一資料集701、(ii)第二資料集702及(iii)經量測資料703判定與模型相關聯之模型參數集之值，使得該模型預測用於當前基板之經去校正疊對資料。在一實施例中，模型參數之值經判定使得最小化成本函數，該成本函數包含經預測資料與經量測資料703之間的差。

在一實施例中，減小成本函數係反覆程序。舉例而言，在工序P705中，作出成本函數是否減小之判定。若成本函數未減小，則再次判定模型參數(例如CNN之權重及偏差，或與數學函數相關聯之參數)之值或(例如基於以梯度為基礎之方法)調整模型參數之現有值，使得模型預測輸出接近於經量測資料703之資料。在一實施例中，反覆繼續直至最小化成本函數。舉例而言，成本函數值超越所要臨限值(例如零、預先選擇值或經由梯度方法判定之值)。一旦工序P705判定成本函數得以最小化或藉由修改模型參數之值未達成成本函數之進一步改良，則訓練程序停止。在一實施例中，訓練程序可在預定數目次反覆之後停止。在訓練程序結束時，獲得具有模型參數之經判定值之經訓練模型705。

在一實施例中，模型經組態以預測當前基板之點位階處之經去校正疊對資料，其中一點為基板上之在當前基板上形成疊對標記物的部位。

在一實施例中，模型係點位階模型，其中點位階模型之模型參數之值係基於在具有疊對標記物的當前基板上之給定部位處所獲得的第一資料集701、第二資料集702及經量測之經去校正疊對資料703而判定。

在一實施例中，在具有疊對標記物的當前基板上之給定部位處獲得第一資料集701、第二資料集702及經量測之經去校正疊對資料集703之程序包含：以基板映圖形式表示第一資料集701、第二資料集702及經量測之經去校正疊對資料703之值；經由模型化及/或內插對準該等基板映圖中之每一者；橫越當前基板均一地共用分別在第一資料集、第二資料集及經量測之經去校正疊對資料內的基板位階資訊；及分別提取與給定部位相關聯的第一資料集、第二資料集及經量測之經去校正疊對資料之值。

在一實施例中，基板位階資訊包含以下各者中之至少一者：夾盤識別符，及/或與當前基板之圖案化程序中所使用之處理工具相關聯的滯後時間。

如早先所提及，模型可經組態以預測基板位階處之經去校正疊對資料。因此，模型被稱作基板位階模型。在一實施例中，基於與橫越整個基板之第一資料集701、第二資料集702及經量測之經去校正疊對資料703之映圖相關聯的投影係數而判定基板位階模型之模型參數之值。

在一實施例中，判定基板模型之模型參數之值的程序進一步包含：分別使用與複數個先前基板相關聯之第一資料集701、第二資料集702及經量測之經去校正疊對資料703之值產生複數個基板映圖；將複數個基板映圖中之每一者投影至基底函數(例如PCA、任尼克或複合場內及場間函數，早先所論述)；基於該投影判定與基底函數相關聯之投影係數，該等投影係數正用以定義該基板模型。舉例而言，投影係數可用作輸入及/或輸出使得可計算適當成本函數(例如OPO)。舉例而言，輸入可為與複數個基板映圖相關聯之投影係數，且參考係數可經由經量測疊對資料 703投影至基底函數上而獲得。接著，基於與投影係數相關之成本函數(例如經預測投影係數與參考係數之間的絕對差值之均方誤差)，可判定模型參數之值。

在一實施例中，對將基板映圖投影於基底函數上之處理包含：執行主成份分析；或執行基板映圖之單值分解。在一實施例中，基底函數係任尼克多項式集合，且投影係數係任尼克係數，每一任尼克係數係與該任尼克多項式集合之一各別任尼克多項式相關聯。

如早先所提及，將基板映圖投影至基底函數上可進行以減少訓練資料集701、702及703之維度。然而，當使用CNN模型時，可省略投影步驟且可使用原始資料701、702及703以用於訓練該CNN模型。

在一實施例中，模型為以下各者中之至少一者：線性模型或機器學習模型。在一實施例中，線性模型係基於如下各者而判定：(i)與當前基板之至少一個選定層或先前基板之至少一個選定層相關聯之第一資料集，或(ii)與當前基板或先前基板之多個層相關聯之第一資料集。在一實施例中，選定層可基於來自該層之疊對貢獻、該層上之臨界特徵或其他疊對相關因數予以選擇。舉例而言，捕獲最大疊對貢獻的層，或與給定基板之其他層相比具有最臨界特徵的層。舉例而言，對於線性模型，不同輸入可為：1)一個最重要的前一層之經去校正疊對、2)基板之N個選定先前層之經去校正疊對(例如諸如具有臨界特徵之N個最重要的層)，及/或3)來自1及/或2兩者之所有可用輸入資訊。當使用來自多個層之資料時，關聯之前饋控制可被稱作多層前饋。換言之，多層前饋暗示圖案化程序之控制係基於基於多個層而預測之疊對，從而捕獲更多的變化源，其將繼而導致控制判定改良。

在一實施例中，機器學習模型可包括複數個模型層，每一模型層係與權重及/或偏差相關聯，該等權重及偏差係模型參數。在一實施例中，機器學習模型為以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯程序廻歸；及/或k最近鄰法。

在一實施例中，機器學習模型為包括以下各者中之至少一者的進階機器學習模型：殘差神經網路(RNN)；或廻旋神經網路(CNN)。在一實施例中，RNN模型經公式化為包括當前基板或先前基板之先前層作為RNN之時間軸。

在一實施例中，對於CNN模型，訓練資料集可與之前相同，其可包括第一資料集701及第二資料集702。又，輸出可為經去校正疊對映圖。然而，目前CNN模型可將基板映圖或基板映圖之一部分(亦即，晶粒或場)直接視為影像輸入，而通常對於其他機器學習模型，原始資料集可需要被轉換成其他低尺寸表示(例如經由PCA)。

舉例而言，基於與當前基板或當前基板之一部分相關聯之影像及/或與一或多個先前基板相關聯之影像來訓練CNN，其中該等影像包括表示經預測之經去校正疊對資料之預測影像及表示經量測疊對資料之經量測影像。為了闡明，訓練CNN亦可使用非影像資料作為額外輸入來進行。舉例而言，訓練資料集可包括夾盤標識、腔室標識、滯後時間或其他相似輸入。

如早先所提及，本發明方法700可使用任何成本函數以判定模型參數之值。成本函數不限於特定模型(例如點位階模型或基板模型)或模型類型(例如線性、CNN等)。

在一實施例中，成本函數為以下各者中之至少一者：第一 函數、第二函數(M3S)或產品上疊對。實例方程式係早先參看圖4A及圖4B進行了論述。

在一實施例中，使用經預測資料與參考資料之間的絕對差值且將該差值提高至n階來計算第一函數(其中第一平均誤差為n階誤差)，其中經預測資料為與給定基板上之給定點相關聯之疊對值或與給定基板相關聯之投影係數，及參考資料。

在一實施例中，使用平均值之絕對值與標準偏差之3倍的總和來計算第二函數(M3S)，其中基於經預測之經去校正疊對資料與參考資料之間的差來獲得該平均值及該標準偏差，經預測資料為與給定基板上之給定點相關聯之疊對值。舉例而言，若存在10個基板，則使用與該10個基板相關聯之資料來計算平均值及標準偏差。

在一實施例中，使用M3S之平均值與該M3S之標準偏差的1.96倍之總和來計算產品上疊對，其中該M3S之平均值及標準偏差係使用作為與一系列給定基板相關聯之疊對值的經預測資料來計算。為1.96之值並不限制本發明之本範疇。在另一實例中，可使用除了1.96之外的其他值以判定OPO。

應注意，第二函數及OPO係基於點位階資料。因此，當投影係數例如在基板模型之狀況下可用時，必須使用投影係數來重建構基板映圖，接著，可自此類基板映圖提取點位階資料以判定第二函數及OPO。

使用以梯度為基礎之方法來最小化成本函數。此類方法係熟知的，為簡潔起見省略其實施細節。

以上成本函數之使用可例如結合用於判定點位階模型之工序P703及P705來解釋。此等工序包含：使用與當前基板上之複數個部位 之每一給定部位相關聯的資料使用初始模型參數值執行點位階模型以預測經去校正疊對資料；及基於複數個部位處之經預測之經去校正疊對資料及經量測資料，判定模型參數之值使得最小化與給定基板上之複數個部位之每一給定部位相關聯的第一函數、第二函數及/或產品上疊對。

在一實施例中，判定點位階模型涉及首先使用點位階模型逐點預測經去校正之疊對映圖。接著，將基板映圖投影至某些基底以獲得係數，且最後使用例如MSE基於投影係數(例如與經預測映圖相關之投影係數與同參考映圖(諸如經量測疊對資料)相關之投影係數之間的差)來演算成本函數。

在另一實例中，基板模型可藉由投影係數而特性化。在此狀況下，判定基板位階模型之工序P703及P705可包含：使用基板模型預測與基底函數相關聯之投影係數；基於該等經預測投影係數建構疊對映圖；基於經建構疊對映圖與參考疊對映圖(例如經量測疊對映圖)之間的差演算第二函數或產品上疊對；及判定模型參數之值使得最小化第二函數或產品上疊對。

換言之，在一實施例中，基板位階模型(例如非CNN)之輸出為投影係數，該等投影係數可直接用以判定成本函數。舉例而言，根據一種方法，吾人首先使用基板模型預測投影係數。接著，基於此經預測投影係數演算成本函數。若成本函數為基於經預測係數及參考係數(例如藉由投影經量測資料而獲得)之第一函數(例如MSE)，其為簡單的計算。然而，若成本函數(例如MSE、M3S、OPO)係基於經預測疊對映圖及參考映圖之點值，則基板映圖必須使用經預測及參考係數來重建構(亦即，反向投影程序)。

如早先所提及，判定此類投影係數以減少訓練資料之維度。然而，可在不執行投影步驟的情況下使用整個資料集或其部分(例如基板之一或多個晶粒、場或選定區域)來訓練某一模型(例如CNN模型)。

如本文中所論述，成本函數可用於訓練基板模型或點位階模型。取決於用以訓練模型之資料類型，可應用適當資料轉換，使得任何成本函數可與任何模型一起使用。舉例而言，轉換(例如經由將資料投影於基底函數上)可包括將點位階資料轉換成基板位階資料或反之亦然，使得成本函數之分量處於相同的單位或維度(例如1D點位階或2D映圖)。

如早先所提及，在一實施例中，預處理第一資料集、第二資料集及經量測之經去校正疊對資料以自各別資料集提取所要資訊。舉例而言，可預處理資料集701、702及703以提取例如對準系統模型殘差資料；位階量測相關殘差資料；及/或可校正疊對誤差資料。美國專利申請案第62/462,201號中詳細論述了預處理資料之實例。因此，此類方法可補充資料處理以改良資料品質且藉此改良所得經訓練模型。

在一實施例中，第一資料集701或第二資料集702可能不完整(例如歸因於度量衡約束而遺漏一些資料)。舉例而言，在一實施例中，資料集701或702可具有與一或多個先前基板或當前基板之一或多個先前層相關聯的一些遺漏疊對度量衡資料及/或遺漏內容脈絡資料。

在一實施例中，遺漏之疊對資料由平均疊對資料替換，其中基於一批(或一組)基板或基於內容脈絡資料之基板分組來計算平均疊對資料。在一實例中，分組可基於諸如k最近均值之分組方法。基於該分組方法，可向每一傳入基板指派一群組標識且判定每群組之平均疊對資料。

在一實施例中，遺漏之疊對資料係用以域知識為基礎之疊 對資料來替換，其中使用計算度量衡來產生以域知識為基礎之疊對資料，其中該計算度量衡包含基於圖案化程序之參數之疊對預測模型。

在一實施例中，模型(例如點位階模型或基板位階模型)可經結構化為兩位階階層式模型。在一實施例中，該階層式模型之第一位階經組態以使用始終存在的包括第一資料集及第二資料集中之資料之輸入來預測疊對資料，且該階層式模型之第二位階基於並不始終存在之輸入預測對該第一位階之經預測疊對資料之疊對改進，該等輸入包括疊對及某些內容脈絡資料。在一實施例中，對於具有存在之所有輸入之基板，將來自兩個位階之預測之總和用作最終結果。對於具有遺漏疊對資料之基板，跳過第二位階預測。在一實施例中，方法700進一步涉及共同最佳化階層式模型之兩個位階。

工序P709涉及基於經預測之經去校正疊對資料707判定與微影裝置相關聯之疊對校正709或控制參數709'，以改良微影裝置之疊對效能。可獲得經預測之經去校正疊對資料707，作為使用與經處理之當前基板之當前層相關之輸入執行經訓練模型705的輸出。在一實施例中，可提供經預測疊對資料707作為至圖3中所論述之程序之輸入。在一實施例中，可將經預測資料707提供至諸如2013230797A1中所描述之校正模型。由於根據本發明之經訓練模型可提供較準確的疊對預測，因此所得校正(例如用以減少疊對誤差)將較準確，藉此改良現有技術。

圖8為用於更新經訓練模型以預測與經圖案化之當前基板相關聯之經去校正疊對資料的方法的流程圖。在一實施例中，即時更新可涉及獲得即時資料集801。在一實施例中，即時資料集801相似於早先所論述之資料集701、702及703。舉例而言，即時資料集801與相似處理參 數有關，諸如早先所論述之掃描器資料及內容脈絡資料，只要該資料係即時的，例如在相對於當前時間之時間窗內獲得之資料。

在工序P801中，方法800包括獲得(i)與經圖案化之當前基板之一或多個先前層相關聯之第一資料集、(ii)包含與在當前基板之前經圖案化之一或多個先前基板相關聯的疊對度量衡資料之第二資料集，及(iii)與當前基板相關聯之經量測之經去校正疊對資料。

在工序P803中，方法800涉及基於與當前基板相關聯的第一資料集、第二資料集及經量測之經去校正疊對資料更新經訓練模型705使得減小與經訓練模型相關聯之成本函數。在一實施例中，成本函數包含經預測之經去校正疊對資料與經量測之經去校正疊對資料之間的差，該經預測資料係經由使用第一資料集及第二資料集執行經訓練模型來獲得。

在一實施例中，基於成本函數更新經訓練模型705為涉及工序P805(相似於早先所論述之工序P705)的反覆程序。該反覆程序包括判定成本函數之值及更新模型參數之值使得減小或最小化成本函數。用於更新訓練模型805之成本函數可與早先所論述的相同。舉例而言，成本函數可為第一函數、第二函數及OPO。

在一實施例中，即時資料801可包含遺漏資料，其包括與例如當前基板之一或多個先前層或當前層相關聯的遺漏疊對度量衡資料及/或遺漏內容脈絡資料。

在一實施例中，遺漏疊對資料由平均疊對資料替換，其中基於一批(或一組)基板或基於內容脈絡資料之基板分組來計算平均化疊對資料。在一實例中，分組可基於諸如k最近均值之分組方法。基於該分組方法，可向每一傳入基板指派一群組標識且接著判定每群組之平均值。

在一實施例中，遺漏之疊對資料係用以域知識為基礎之疊對資料來替換，其中使用計算度量衡來產生以域知識為基礎之疊對資料，其中該計算度量衡包含基於圖案化程序之參數之疊對預測模型。

在一實施例中，經訓練模型(例如點位階模型或基板位階模型)可經結構化為兩位階階層式模型。在一實施例中，該階層式模型之第一位階經組態以使用始終存在的包括第一資料集及第二資料集中之資料之輸入來預測疊對資料，且該階層式模型之第二位階基於並不始終存在之輸入預測對該第一位階之經預測疊對資料之疊對改進，該等輸入包括疊對及某些內容脈絡資料。在一實施例中，對於具有存在之所有輸入之基板，將來自兩個位階之預測之總和用作最終結果。對於具有遺漏疊對之晶圓，跳過第二位階預測。在一實施例中，方法800進一步包括共同最佳化階層式模型之兩個位階。

如早先所提及，當前，疊對控制係基於索引加權之移動平均EWMA途徑，其中以加權平均方式組合先前批次量測且接著將該等先前批次量測應用至下一批次：此係回饋控制廻路。在疊對批次(R2R)控制途徑中，存在對疊對誤差之兩個主要貢獻因素：掃描器效應及程序效應，以及其他貢獻因素。掃描器貢獻相對於程序變化緩慢地變化。因為程序變化具有高頻率，所以將先前批次程序校正應用至下一批次對於進階節點晶圓製作應用可能並非良好的途徑且可造成疊對誤差不合規格。

在本發明中，參看圖9，代替將基於EWMA而判定之疊對指紋應用至下一批次，提議將慢變化之信號(例如來自掃描器之貢獻)與高頻率信號(例如來自晶圓間之程序變化)分離。接著，可將來自歷史批次之慢變化部分與當前批次中之待曝光晶圓之高頻率貢獻組合，以用作當前批 次之晶圓之新校正。在一實例中，可使用當前基板之模型及對準信號來估計每晶圓之程序貢獻。在一實例中，用以判定對疊對之程序貢獻之機器學習模型可基於各種經提取之KPI，例如基於對準KPI與疊對信號PCA之間的PCA記分。因此，與基於先前批次之平均疊對之標準EWMA R2R控制(批次位階控制)相比，本文中之所提議途徑係晶圓位階控制。

所提議之晶圓位階控制方法之優點為：其與標準R2R控制相比無需額外疊對度量衡成本。本文中所論述之方法之另一態樣為：來自先前層之對準信號可用以建置模型以執行疊對前饋校正。此途徑之優點為：可在掃描器外部例如藉由單獨軟體產品執行所有演算，且在不修改現有掃描器軟體的情況下將前饋校正供應至掃描器。

在圖9中之實例中，效能資料可為自前一批次(例如批次1，批次2，…批次m)獲得之疊對資料，每一批次包括複數個晶圓(例如數目n個晶圓)。可藉由自疊對資料移除程序誘發之疊對指紋來進一步校正效能資料。在一實施例中，基於例如先前批次資料之時間分析、可用處理指紋庫等來辨識程序誘發之疊對指紋。

在一實例中，EWMA疊對指紋或以歷史資料為基礎之疊對指紋可指示批次1之平均疊對為0.5nm。對於當前批次，每一晶圓包括歸因於程序誘發疊對的橫越晶圓之疊對變化。舉例而言，當前批次之第一晶圓具有為0.1nm之疊對值(例如CWP)、第二晶圓具有為0.2nm之疊對值、第三晶圓具有0.3nm之疊對值，等等。接著，待施加至當前晶圓(例如第一晶圓)之校正係基於為0.6nm(亦即，0.5+0.1)之總疊對值。相似地，對於第二晶圓，疊對校正係基於0.7nm(亦即，0.5+0.2)等等。因此，將基於基於歷史疊對以及當前晶圓疊對值之程序誘發疊對的不同疊對值來校正 當前批次中之每一晶圓。在一實施例中，疊對校正涉及對微影程序之調整使得減小當前晶圓中之疊對誤差。

在一實施例中，基於對準資料訓練模型(例如機器學習模型)以預測程序誘發之疊對指紋。舉例而言，將顏色間指紋模型化至歷史上經量測疊對資料以訓練模型。

在一實施例中，經訓練模型用以預測由一程序或該程序中所使用之工具誘發的疊對誤差CWP。接著，對於待曝光或圖案化之當前晶圓CW，將來自先前批次(例如批次1)之疊對誤差與關於使用晶圓之對準資料之程序的經預測疊對誤差CWP組合以導出對當前晶圓CW之較佳程序校正，組合回饋(疊對先前批次)及前饋(當前晶圓之對準)以導出對當前晶圓CW之最佳疊對校正。舉例而言，此最佳疊對校正導致0.3nm之OPO改良。用於疊對校正之所提議方法在下文進一步詳細論述。

圖10為用於判定用於待圖案化之當前基板之疊對校正之方法900的流程圖。該方法包括例如下文進一步論述之工序P901至P905。

工序P901包括獲得(i)與先前經圖案化基板相關聯之效能資料902，及(ii)與待圖案化之當前基板相關之度量衡資料904。在一實施例中，效能資料902包含先前經圖案化基板之疊對誤差資料。在一實施例中，效能資料902為藉由平均化與先前經圖案化基板相關聯之疊對誤差值而獲得的平均疊對誤差值。舉例而言，來自先前批次之平均疊對誤差可為0.5nm。在一實施例中，效能資料902對於半導體製造程序中所使用之每一工具係特定的。舉例而言，使用藉由與當前批次相同的工具(例如掃描器、蝕刻器等)處理之批次之疊對資料。

在一實施例中，度量衡資料904包括與當前基板相關聯之 對準度量衡資料及位階量測度量衡資料。在一實施例中，對準度量衡資料包含：(i)對準感測器資料、(ii)經由對準系統模型所產生之殘差映圖(例如被演算為對準與掃描器可校正之間的差之不可校正的對準映圖)、(iii)包含具有變化之強度之信號的基板品質映圖，該基板品質映圖指示對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於基板上所獲得的顏色間差異映圖，每一彩色雷射光束自當前基板之層上之對準標記反射，該反射光束產生繞射圖案，該顏色間差異映圖為第一繞射圖案與第二繞射圖案之間的差異，該第一繞射圖案係與該複數個彩色雷射中之第一顏色相關聯，且該第二繞射圖案係與該複數個彩色雷射中之第二顏色相關聯。在一實施例中，位階量測度量衡資料包含：(i)基板高度資料，及/或(ii)轉換成x及y方向位移之基板高度資料。

工序P903包括使用與當前基板相關之度量衡資料904執行疊對預測模型，以預測由當前基板該圖案化程序中所使用之工具誘發的疊對誤差903。在一實施例中，疊對預測模型經組態以預測由對當前基板之圖案化程序中所使用之每一工具誘發的疊對誤差903。在一實施例中，圖案化程序中所使用之工具可為蝕刻裝置；微影裝置；化學機械拋光裝置中之一或多者，或其組合。圖案化程序之實例集合係關於圖2加以論述。因此，經預測疊對誤差903包含由蝕刻裝置、微影裝置、化學機械拋光裝置或其組合誘發之疊對誤差。

在一實施例中，疊對預測模型係經由以下操作獲得：(i)使用與先前經圖案化基板或測試基板相關之對準資料執行第一主成份分析(PCA)，及(ii)使用與先前經圖案化基板或測試基板相關之疊對誤差資料執行第二PCA；及建立該第一PCA之成份與該第二PCA之成份之間的相關 性。

在一實施例中，對準資料之第一PCA產生解釋對準資料之變化的第一主成份集合，其中該第一主成份集合包括第一基底函數集合及與其相關聯之記分。

在一實施例中，疊對誤差資料之第二PCA產生解釋疊對誤差資料之變化的第二主成份集合，其中該第二主成份集合包括第二基底函數集合及與其相關聯之記分。

在一實施例中，第二主成份集合之一或多個主成份解釋由一特定程序或該圖案化程序之特定工具誘發的疊對誤差。

在一實施例中，第一主成份與第二主成份之間的相關性將當前基板之對準資料轉換成當前基板之經預測疊對誤差903資料。在一實施例中，經預測疊對誤差903資料係與當前基板將經受之特定程序相關聯。

圖11說明使用對準資料及疊對資料執行之實例PCA，以進一步建置實例疊對預測模型905。在此實例中，可例如自200個訓練晶圓收集對準資料及疊對資料。使用每一晶圓之對準資料，可針對每一晶圓產生對準晶圓映圖。相似地，可使用疊對資料針對每一晶圓產生疊對映圖。另外，使用對準資料執行主成份分析(PCA)以產生解釋每一晶圓之對準資料之變化的第一主成份集合。相似地，使用疊對資料執行另一PCA以產生解釋每一晶圓之疊對資料之變化的第二主成份集合。另外，訓練模型以映射對準資料之主成份及疊對資料之主成份。在一實施例中，PCA空間為選定基底函數之線性組合，例如用於對準PCA之第一基底函數集合及用於疊對PCA之第二基底函數集合。

在一實施例中，將對準資料之主成份空間映射至疊對資料之主成份空間的原因為：對準資料至疊對資料之點對點映射係不可能的。舉例而言，遍及一晶圓可僅存在20個對準資料點，而針對該同一晶圓可存在更多疊對資料點(例如300個疊對點)。因此，極難以將例如數目為20個的對準資料點直接映射至數目為300個的疊對資料點。因此，在此狀況下作為PC空間的不同空間用於在不同資料集之間映射或相關。

在一實施例中，「m」為可選擇解釋例如對準資料之例如95%之變化的主組份數目。舉例而言，95%變化係由10個主成份(PC)解釋，其中每一PC具有與其相關聯之記分。換言之，選擇與10個最高記分相關聯之PC。在一實施例中，針對「m」個選定PC之此類記分係以矩陣表示，如圖11中之左側所展示。在此矩陣中，每一列表示一晶圓，且「m」行表示「m」個選定PC之記分。因此，在一實例中，可形成包括記分值(例如由*表示)之200×10矩陣。

相似地，可形成對應於選定疊對PC之矩陣PC_OV。舉例而言，選定疊對PC可為解釋用於特定晶圓之疊對資料之大多數變化的疊對PC。在本實例中，矩陣PC_OV包括單個行及與(左側)對準PC中所使用相同的列。在一實施例中，單個行指示與用於每一晶圓之疊對PC之單一選定基底函數相關聯的記分。

在一實施例中，在疊對分析中，當判定此等疊對PC指紋時，在大多數狀況下，此等指紋係與不同程序相關聯。因此，在一實施例中，取決於對基板執行之程序，可藉由選擇適當基底函數來選擇對應疊對指紋。舉例而言，可存在對蝕刻程序特定的一個疊對PC。因此，若吾人捕捉到與蝕刻程序相關之疊對指紋，則可執行與蝕刻程序或蝕刻誘發之程 序疊對相關之校正。

此外，基於對準PC及疊對PC，可訓練模型905以將例如10個對準PC記分映射至單一疊對PC記分。在一實施例中，針對每一OV PCA記分，可得到不同模型，例如用於將第一對準PC映射至第一疊對PC之第一模型、用於將第二對準PC映射至第二疊對PC之第二模型。在訓練之後，模型905可基於輸入特定晶圓之任何對準資料來預測疊對記分。另外，可將經預測疊對記分與各別疊對PC基底函數相乘以得到彼特定晶圓之疊對值。建置模型之另一態樣涉及使用多個掃描器來建置模型。接著，可在不同掃描器之間共用此模型。

工序P905包括基於效能資料902及經預測疊對誤差903判定待應用至將處理當前基板所處之另一工具之疊對校正905，以補償由該工具誘發之疊對誤差。在一實施例中，工具可為處理工具(例如蝕刻器/沈積件)且另一工具可為掃描器，因此掃描器經組態以正確由蝕刻器引入之疊對誤差。舉例而言，經預測疊對誤差903可由蝕刻裝置誘發。因此，經組合疊對誤差包括誤差疊對903。在此實例中，將疊對校正905(例如基板位階調整)應用於掃描器處以校正疊對誤差，包括由蝕刻裝置誘發之疊對誤差903。在一實施例中，基板調整包括安裝有當前基板之基板台之定向；及/或該基板台之位階量測。

在一實施例中，疊對校正之判定包括：組合效能資料902及與工具相關聯之經預測疊對誤差903；及判定最小化正用於當前基板上之另一工具處之組合之疊對誤差的基板調整。舉例而言，如圖9中所展示，將經預測疊對誤差CWP與來自先前經處理批次1之疊對誤差組合。

在一實施例中，提供一種用於待圖案化之當前基板之疊對 校正的系統。該系統包括：半導體製造裝置(例如圖1及圖2)；度量衡工具(例如圖2中所論述)，其用於捕獲與待圖案化之當前基板相關之度量衡資料；處理器(例如104)，其經組態以與度量衡工具通信及/或(例如基於疊對預測模型)控制半導體製造裝置。在一實施例中，圖案化程序中所使用之半導體製造裝置包含：蝕刻裝置；微影裝置；化學機械拋光裝置或其組合。在一實施例中，疊對預測模型經組態以預測由對當前基板之圖案化程序中所使用之每一工具誘發的疊對誤差。

處理器經組態以：使用與當前基板相關聯之度量衡資料執行疊對預測模型；預測由當前基板之圖案化程序中所使用之半導體製造裝置誘發的疊對誤差；及基於效能資料及經預測疊對誤差判定待應用至將處理該當前基板之另一工具之疊對校正，以補償由該工具誘發之疊對誤差。在一實施例中，效能資料為藉由平均化與先前經圖案化基板相關聯之疊對誤差值而獲得的平均疊對誤差值。

在一實施例中，處理器經組態以藉由以下操作判定疊對校正：組合效能資料及與半導體製造裝置相關聯之經預測疊對誤差；及判定最小化正用於當前基板上之另一半導體製造裝置處之組合之疊對誤差的基板調整。

在一實施例中，處理器經進一步組態以藉由以下操作獲得疊對預測模型：(i)使用與先前經圖案化基板或測試基板相關之對準資料執行第一主成份分析(PCA)，及(ii)使用與先前經圖案化基板或測試基板相關之疊對誤差資料執行第二PCA；及建立該第一PCA之成份與該第二PCA之成份之間的相關性。

在一實施例中，第一主成份與第二主成份之間的相關性將 當前基板之對準資料轉換成當前基板之經預測疊對誤差資料，該經預測疊對誤差資料係與當前基板將經受之特定程序相關聯。

在一實施例中，自度量衡工具(例如感測器)獲得度量衡資料。舉例而言，對準度量衡資料包含：(i)對準感測器資料、(ii)經由對準系統模型所產生之殘差映圖、(iii)包含具有變化之強度之信號的基板品質映圖，該基板品質映圖指示對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於基板上所獲得的顏色間差異映圖，每一彩色雷射光束自當前基板之層上之對準標記反射，該反射光束產生繞射圖案，該顏色間差異映圖為第一繞射圖案與第二繞射圖案之間的差異，該第一繞射圖案係與該複數個彩色雷射中之第一顏色相關聯，且該第二繞射圖案係與該複數個彩色雷射中之第二顏色相關聯。度量衡資料之另一實例包括自例如圖2中所論述之感測器獲得之位階量測度量衡資料。該位階量測度量衡資料包含：(i)基板高度資料，及/或(ii)轉換成x及y方向位移之基板高度資料。

在一實施例中，本文中所描述之方法(例如900)可作為指令包括於電腦可讀媒體(例如記憶體)中。舉例而言，一種非暫時性電腦可讀媒體包含指令，該等指令在由一或多個處理器執行時造成包括以下各者之操作：獲得(i)與先前經圖案化基板相關聯之效能資料(例如902)，及(ii)與待圖案化之當前基板相關之度量衡資料(例如904)；使用與當前基板相關聯之度量衡資料執行疊對預測模型，以預測由當前基板之圖案化程序中所使用之工具誘發的疊對誤差(例如903)；及基於效能資料及經預測疊對誤差判定待應用至將處理該當前基板之另一工具之疊對校正，以補償由該工具誘發之疊對誤差。

在一實施例中，非暫時性電腦可讀媒體包括用於進行以下 操作之指令：基於組合效能資料及與工具相關聯之經預測疊對誤差來判定疊對校正；及判定最小化正用於當前基板上之另一工具處之組合之疊對誤差的基板調整。

在一實施例中，非暫時性電腦可讀媒體包括用於獲得疊對預測模型之指令：其係經由以下操作來完成：(i)使用與先前經圖案化基板或測試基板相關之對準資料執行第一主成份分析(PCA)，及(ii)使用與先前經圖案化基板或測試基板相關之疊對誤差資料執行第二PCA；及建立該第一PCA之成份與該第二PCA之成份之間的相關性。

在一實施例中，對準資料之第一PCA產生解釋對準資料之變化的第一主成份集合，其中該第一主成份集合包括第一基底函數集合及與其相關聯之記分。

在一實施例中，疊對誤差資料之第二PCA產生解釋疊對誤差資料之變化的第二主成份集合，其中該第二主成份集合包括第二基底函數集合及與其相關聯之記分。

在一實施例中，第一主成份與第二主成份之間的相關性將當前基板之對準資料轉換成當前基板之經預測疊對誤差資料，該經預測疊對誤差資料係與當前基板將經受之特定程序相關聯。

在一實施例中，非暫時性電腦可讀媒體包括用於獲得包括與當前基板相關聯之對準度量衡資料及位階量測資料之度量衡資料的指令。在一實施例中，對準度量衡資料包含：(i)對準感測器資料、(ii)經由對準系統模型所產生之殘差映圖、(iii)包含具有變化之強度之信號的基板品質映圖，該基板品質映圖指示對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於基板上所獲得的顏色間差異映圖，每一彩色雷射光 束自當前基板之層上之對準標記反射，該反射光束產生繞射圖案，該顏色間差異映圖為第一繞射圖案與第二繞射圖案之間的差異，該第一繞射圖案係與該複數個彩色雷射中之第一顏色相關聯，且該第二繞射圖案係與該複數個彩色雷射中之第二顏色相關聯。在一實施例中，當前基板之位階量測度量衡資料包括：(i)基板高度資料，及/或(ii)轉換成x及y方向位移之基板高度資料。

在一實施例中，效能資料為藉由平均化與先前經圖案化基板相關聯之疊對誤差值而獲得的平均疊對誤差值。在一實施例中，疊對預測模型經組態以預測由對當前基板之圖案化程序中所使用之每一工具誘發的疊對誤差。

在一實施例中，一種電腦程式產品包含其上經記錄有指令之非暫時性電腦可讀媒體，該等指令在由電腦(例如圖23)執行時實施上文所論述之方法700或800之工序中的任一者。

在一實施例中，判定訓練資料可涉及對可例如預測抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等的圖案化程序之模擬。模擬之目標為準確地預測例如經印刷圖案之邊緣置放，及/或空中影像強度斜率，及/或CD等。可將此等值與預期設計比較以例如校正圖案化程序，識別預測出現缺陷之地點等。預期設計通常被定義為預OPC設計佈局，其可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供。

如早先所論述，在一實施例中，基於每經圖案化基板之程序條件資料及基板位階資料來訓練模型(例如機器學習模型)。舉例而言，來自對準感測器、位階量測感測器或疊對判定系統/演算法之效能資料可 用以訓練模型以推斷待圖案化於基板上之當前層或未來層之疊對。

在現有方法中，例如訓練機器學習模型所需之度量衡資料之量對使用者而言可為負擔且影響程序之產出率。結果，使用者可不能夠量測足夠的經圖案化基板以用於準確地訓練模型。為了訓練或更新模型量測大量資料可被認為過於昂貴而無法用於半導體製造中。

本發明提議基於經圖案化基板之區(例如場)特定資料來訓練模型。此外，可使用經圖案化基板之一或多個部分之新近可用的效能資料以相似方式更新經訓練模型。在一實施例中，將基板位階效能資料樣本劃分成多個場。舉例而言，在一批次25個基板中，可將每一基板劃分成110個場，其將產生2750個樣本以用於訓練模型。在一實施例中，用於訓練之效能資料可來自對準、位階量測、疊對或其他效能相關參數或度量。在一實施例中，效能資料可屬於與目標層(例如頂部層)及/或目標層下方之一或多個底部層相同的層。作為實例呈現本文中所論述之效能資料(例如疊對)以解釋概念且不限制本發明之範疇。

圖12說明用於訓練模型1200之實例效能資料。經圖案化基板1210被劃分成複數個部分，例如110個部分P1至P110。橫越複數個經圖案化基板(例如25個基板)之複數個部分(例如P1至P110)可堆疊於彼此之頂部上。在一實例中，來自25個經圖案化基板(每基板具有110個部分)之效能資料得到可用作訓練資料集之2750個堆疊部分。在一實施例中，與一或多個層BLS相關聯之效能資料經由模型1200與同目標層TLS(例如頂部層)相關聯之效能資料相關。

圖13為例示性疊對資料1300之圖像表示。疊對資料1300可劃分成例如基板上之邊緣場(例如圖12中之部分場P1至P4、P5、P6、 P11、P12等等)及整個場(例如圖12中之P7至P10、P14至P20、P24至P33等等)。每場疊對資料可進一步用於訓練模型(例如模型1200)。經訓練模型可接著針對任何給定輸入效能資料預測每場效能資料。

在一實施例中，將效能資料劃分成經圖案化基板之一或多個部分(例如P1至P110)提供了若干優點。舉例而言，僅可量測幾個經圖案化基板或經圖案化基板之部分。因而，可減少度量衡時間量，從而使得模型之訓練/更新具成本效益的。又，即使藉由減少之量測，亦可得到足夠資料量以用於訓練模型。

在一實施例中，使用與經圖案化層相關之可用效能資料(諸如疊對(OVL)資料)來訓練或更新模型。可藉由堆疊基板之部分(諸如場(參見圖12))來獲得OVL資料。模型接收與一或多個先前層相關聯的每場OVL資料作為輸入。另外，其他效能資料，諸如如本文中所論述之對準、位階量測及內容脈絡資料或其他資料，可用於訓練模型。在一實施例中，經訓練模型預測待圖案化於基板上之未來層的效能資料，諸如每場OVL。經預測之每場OVL經前饋(FF)至微影裝置以最佳化例如每場未來層之曝光。使用經預測的每場OVL之資料以組態與圖案化相關聯之程序或裝置(例如微影裝置)的實例演算法在圖14中加以說明。

圖14為說明用於控制微影裝置之前饋(FF)程序的方塊圖。前饋程序將本發明之每場經預測效能資料與進階程序控制(APC)程序整合以判定對微影裝置之較準確調整。APC例如基於經圖案化基板之度量衡資料判定校正。全文係以引用方式併入本文中之美國專利9,177.219 B2中論述了實例APC。

在本實例中，在圖14中，例如經由度量衡工具或感測器獲 得與第一批次之經圖案化基板層L₁1、L₁2、L₁3及L₁4相關聯之效能資料1410。可自先前基板批次(例如L1)或當前基板批次(例如L2)之經圖案化基板層獲得效能資料1410。此外，可自經圖案化之當前基板獲得其他效能資料1420。當前基板(例如1420)可具有經圖案化層L₂2、L₂3及L₂4，而層L₂1為需要待圖案化於當前基板上之未來層。在本實例中，可出於驗證目的使用經圖案化基板之第二批次(例如L2)之效能資料1420。在本實例中，可(例如經由感測器或度量衡工具)獲得與層L₂2、L₂3及L₂4相關聯之效能資料1420，且藉由經訓練模型1200預測與未來層(例如頂部層L21可為未來層)相關聯之效能資料。在一實施例中，效能資料1410包括例如在第一層L₁1與諸如層L₁2、L₁3及L₁4之一或多個其他層之間判定之疊對。相似地，效能資料1420包括例如在層L₂2與L₂3以及層L₂2與L₂4之間判定之疊對，而可使用經訓練模型1200來預測未來層L₂1之疊對資料。

在一實施例中，可將層L₂1之效能資料(例如OVL)判定如下。在區塊1414處，基於效能資料1410訓練模型1200。舉例而言，基於層L₁2與層L₁3/L₁4之間的疊對，及層L₁1與L₁3/L₁4之間的目標疊對來訓練模型1200。另外，可執行經訓練模型1200以判定後續批次(例如L₂)之未來層之效能資料。舉例而言，經訓練模型1200預測第一層L₂1與其他層L₂2、L₂3及L₂4之間的疊對。

在區塊1412處，可將殘差效能資料計算為例如層L₁1分別相對於其他層(諸如L₂2及L₂3)之OVL與區塊1414處之模型預測之OVL之間的差。在一實施例中，效能資料可為例如在雙重圖案化期間所使用的在諸如x及y之特定方向上之CD、EPE、OVL。另外，在區塊1416處，區塊1412之平均效能資料，可判定先前批次之基板。在一實施例中，資料 1410及1420為經去校正效能資料。在一實施例中，在區塊1416處之平均效能資料可自APC程序獲得，該APC程序基於經圖案化基板之經量測資料(例如1410)模型化例如基板位階效能資料(例如疊對)。

在區塊1422處，經訓練模型1200(區塊1414處)使用資料1420以判定第一層L₂1與區塊1416之資料被添加至之其他層L₂2、L₂3及L₂4(例如其為未來批次之層之實例)之間的相關性。

如早先所提及，可將經訓練模型1200應用至經圖案化之當前基板之效能資料1420，以判定每待形成於基板上之未來層L₂1之場的效能資料1422。舉例而言，L₂2、L₂3及L₂4之效能資料可與由經訓練模型1200判定之相關性一起使用，以預測未來層L21之效能資料1422。舉例而言，未來層L₂1之經預測效能資料係每場資料。L₂1之經預測資料1422可與先前基板之平均資料(在區塊1416處)組合以判定經圖案化程序應經如何組態以致使層L₂1之效能資料在圖案化後在指定效能範圍內。因此，可將前向校正應用至圖案化裝置或程序。可藉由基於L₂1之經預測效能資料及先前經去校正效能資料調整圖案化程序來應用前向校正。舉例而言，經預測效能資料可用以在當前基板上之層L₂1之成像期間調整掃描器之劑量、焦點或其他參數。在一實施例中，經預測疊對資料可用以調整基板之對準及位階量測。在一實施例中，經預測EPE或CD資料可用以調整掃描器之劑量及焦點。經調整參數將致使形成具有例如在指定效能臨限值內的效能(例如疊對、EPE、CD等)之層L₂1。

圖15為用於訓練模型以預測用於基板之一或多個部分之效能資料之方法的流程圖。在一實施例中，該方法1500可被下文進一步詳細地描述之工序P1501、P1503及P1505。

工序P1501包括獲得與一者形成於另一者之頂部上的複數個經圖案化基板層之部分相關聯的效能資料1501。每經圖案化基板層之部分之效能資料1501的實例展示於圖12及圖13中。在一實施例中，獲得效能資料1501包括根據基板(參見圖12)之一或多個部分來分裂效能資料1501。在一實施例中，經圖案化基板層之複數個部分中之一部分係基板之場、子場或晶粒區域。

在一實施例中，第一效能資料1501及經預測效能資料1503包含以下各者中之至少一者：與基板之給定層相關聯之疊對資料；與基板之給定層相關聯之對準資料；與基板之給定層相關聯之位階量測資料；與基板之給定層相關聯之可校正疊對誤差資料(例如經由對準、位階量測等可校正)；給定層相對於基板上之一或多個底部層之高度資料；或經由本文中所論述之感測器、工具或度量衡系統所量測之其他資料。舉例而言，對準資料可包含在圖案化期間基板之一或多個部分之定向或平移。可藉由例如對準系統捕捉對準資料，可藉由微影裝置中之位階感測器獲得高度及/或位階量測資料，如本文中所論述。相似地，可分別經由位階感測器及疊對量測系統獲得諸如位階量測及可校正疊對誤差之其他效能資料。

工序P1503包括將經圖案化基板層之部分之效能資料1501作為輸入提供至基底預測模型，以獲得與基板之第一層之部分相關聯的經預測效能資料1503。在一實施例中，模型為以下各者中之至少一者：線性模型；或機器學習模型。在一實施例中，機器學習模型可為神經網路。舉例而言，機器學習模型可為以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯程序廻歸；k最近鄰法；前饋；重現神經網路；長期/短期記憶體；閘控重現；自動編碼器；馬爾可 夫(markov)鏈；霍普菲爾(Hopfield)網路；波茲曼(Boltzmann)機器；深度信念網路或神經網路之其他版本。在一實施例中，機器學習模型為包括以下各者中之至少一者的進階機器學習模型：殘差神經網路(RNN)；廻旋神經網路(CNN)；或深度CNN。在一實施例中，RNN模型經公式化為包括與基板之當前批次之經圖案化基板層或基板之先前批次之經圖案化基板層相關聯的輸入作為時間軸。RNN具有在時域及頻域中模型化特徵之間的相關性之能力。其為堆疊輸入之方式。舉例而言，在RNN中，使一組濾波器與輸入進行廻旋，從而產生多個輸出映圖，每濾波器一個輸出映圖。接下來應用逐元素激發函數，諸如σ(．)函數。此等運算係對具有兩個軸線之輸入資料執行，諸如光譜圖(時間×頻率)。

工序P1505包括將與第一層相關聯之經輸入效能資料1501用作回饋以更新基底預測模型1509之一或多個組態，其中基於第一層之經輸入效能資料1501與經預測效能資料1503之間的比較來更新該一或多個組態。在一實施例中，效能資料1501包含用於預測之資料1501及可為用於更新模型的與圖案化層(例如在圖案化之後的圖14之層L21)相關聯之實際經量測資料的資料1501'。

在訓練之後，預測模型1510經組態/經更新以使第一層之效能資料1501與一或多個其他經圖案化基板層相關。舉例而言，經訓練預測模型1510可提供不同層之間的關係。舉例而言，第一層與第二層之效能資料之間的關係、第一層與第三層之效能資料之間的關係、第一層與第四層之效能資料之間的關係等等。在訓練基底模型1509之後，模型被稱作經訓練模型或經訓練預測模型1510。

在一實施例中，工序P1505論述用於訓練基底模型1509以 獲得經訓練預測模型1510之途徑。模型1509之訓練係反覆程序。每一反覆包括：經由基底預測模型1509使用與基板之部分相關聯之效能資料1501以及給定模型參數值(例如由使用者設定之初始值)，預測與第一層之部分相關聯的效能資料1503；比較與該第一層之該等部分相關聯之模型預測之效能資料1503與同該第一層之該等部分相關聯之所獲得之效能資料1501；及基於該差調整基底模型1509之給定模型參數值，以使與複數個經圖案化基板層之第一層之部分相關聯的模型預測之效能資料1503與所獲得之效能資料1501之間的差將在一指定範圍內。在一實施例中，執行對基底模型1509之給定模型參數值之調整直至該差得以最小化。

圖16為用於基於經圖案化基板之效能資料之前饋估計控制圖案化程序或圖案化裝置之方法1600的流程圖。使用方法1600，可改良基板之未來層之效能，此繼而改良圖案化程序之良率。舉例而言，可藉由使用對準系統之輸入校正所估計疊對來改良未來層之疊對。舉例而言，基板台調整系統可在圖案化程序期間調整基板定向、平移或高度。在另一實例中，效能資料可為與待成像於頂部層上之特徵相關聯之CD或EPE。在此實例中，可基於待形成於基板上之未來層之所估計效能(例如CD、EPE)來調整掃描器之劑量及/或焦點。在如下工序P1601、P1603及P1605中進一步詳細地論述控制或組態圖案化程序之前饋方法1600。

工序P1601包括獲得與基板之複數個經圖案化基板層之部分相關聯的第一效能資料1601。在一實施例中，第一效能資料1601包括與經圖案化基板之當前批次相關聯之基板位階效能資料。在一實施例中，第一效能資料1601進一步包含與經圖案化基板之先前批次相關聯之基板位階效能資料。在一實施例中，第一效能資料1601包括與待推斷效能的 基板之第一層(例如頂部層)相關聯的效能資料；及與基板之第二層(例如底部層)相關聯的效能資料。第二層位於基板之第一層下方。舉例而言，參見圖14，與層L₁1至L₁4相關聯之效能資料1410或與層L₂1至L₂4相關聯之效能資料1420，其中L₂1可為待預測之效能資料。在一實施例中，使經圖案化基板層之該等部分對準。舉例而言，亦參見圖12中之經圖案化基板之部分P1至P110。

在一實施例中，第一效能資料1601包括劃分成部分特定效能資料(參見圖12)的基板位階效能資料。在一實施例中，第一效能資料1601(及經預測效能資料1603)包含以下各者中之至少一者：與基板之給定層相關聯之疊對資料；與基板之給定層相關聯之對準資料；與基板之給定層相關聯之位階量測資料；與基板之給定層相關聯之可校正的疊對誤差資料；給定層相對於基板上之一或多個底部層之高度資料；或如本文中所論述之其他效能相關資料。

工序P1603包括經由經訓練模型1510使用第一效能資料1601作為輸入，產生與將形成於基板上之未來層之一或多個部分相關的經預測效能資料1603。在一實施例中，基板之部分係基板之場、子場或晶粒區域。舉例而言，經訓練模型1510可用以預測未來層之一或多個部分之效能資料，諸如效能資料1420之層L21，如圖14中所展示。

返回參看圖16，在一實施例中，經訓練模型1510經組態以使與第一層相關聯之第一效能資料1601與一或多個其他經圖案化基板層相關。在一實施例中，經訓練模型1510為以下各者中之至少一者：線性模型；或機器學習模型。在一實施例中，機器學習模型為以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯 程序廻歸；或k最近鄰法。在一實施例中，機器學習模型為包括以下各者中之至少一者的進階機器學習模型：殘差神經網路(RNN)；或廻旋神經網路(CNN)。在一實施例中，RNN模型經公式化為包括與經圖案化基板層相關之資料作為時間軸。

工序P1605包括基於與經圖案化基板層相關聯之第一效能資料1601及與未來層相關聯之經預測效能資料1603，產生一或多個參數之值1610以用於控制圖案化程序以使得與基板之未來層相關聯之第二效能資料將在指定效能範圍內。

在一實施例中，產生一或多個參數之值1610包括：基於第一效能資料1601判定與經圖案化基板層相關聯之經去校正效能資料；基於與未來層之一或多個部分相關之經預測效能資料1603判定該未來層之基板位階效能資料；基於未來層之基板位階效能資料及經圖案化基板層之經去校正效能資料，調整圖案化程序之一或多個參數之值1610以使得基板之未來層之效能資料在圖案化之後將在指定效能範圍內。

在一實施例中，一或多個參數包含：劑量、焦點、基板相對於參考件之對準、基板之高度、層厚度、沈積程序參數及/或蝕刻程序參數。舉例而言，當圖案化未來層時被應用為有意疊對偏置的未來層之經預測疊對。舉例而言，可藉由相對於基板上之所要之參考位置或目標位置的基板之定向、基板之平移、基板之高度或其組合來實施、調整疊對偏置。在一實施例中，在方法1600中計算每基板部分之所估計疊對。可每基板部分應用校正。因此，可針對每一晶粒或場執行疊對校正。

在一實施例中，提供一或多種非暫時性電腦可讀媒體，其儲存預測模型及指令，該等指令在由一或多個處理器執行時提供該預測模 型。在一實施例中，該等指令與方法1600相似。參看圖23論述一或多個非暫時性媒體之實例。

在一實施例中，一或多個非暫時性電腦可讀媒體包括其中藉由以下操作產生預測模型的指令：獲得與一者在另一者之頂部上形成的複數個經圖案化基板層之部分相關聯的效能資料；將經圖案化基板層之該等部分之效能資料作為輸入提供至基底預測模型，以獲得與基板之第一層之部分相關聯的經預測效能資料；及將與該第一層相關聯之該經輸入效能資料用作回饋以更新基底預測模型之一或多個組態，其中基於第一層的經輸入效能資料與經預測效能資料之間的比較來更新該一或多個組態。預測模型經結構化為使第一層之效能資料與一或多個其他經圖案化基板層相關。

在一實施例中，用於獲得效能資料之指令包括根據基板之一或多個部分來分裂效能資料。

在一實施例中，第一效能資料及經預測效能資料包含以下各者中之至少一者：與基板之給定層相關聯之疊對資料；與基板之給定層相關聯之對準資料；與基板之給定層相關聯之位階量測資料；與基板之給定層相關聯之可校正的疊對誤差資料；或給定層相對於基板上之一或多個底部層之高度資料。

在一實施例中，模型之訓練係反覆程序。每一反覆包括：經由基底預測模型使用與該等部分相關聯之效能資料以及給定模型參數值，預測與該第一層之該等部分相關聯的效能資料；比較與該第一層之該等部分相關聯之模型預測之效能資料與同該第一層之該等部分相關聯之所獲得之效能資料；基於該差調整基底模型之給定模型參數值，以使與該複 數個經圖案化基板層之該第一層之部分相關聯的模型預測之效能資料與所獲得之效能資料之間的差將在一指定範圍內。

在一實施例中，執行對模型之給定模型參數值之調整直至該差得以最小化。

在一實施例中，模型為以下各者中之至少一者：線性模型；或機器學習模型。在一實施例中，機器學習模型為以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯程序廻歸；或k最近鄰法。在一實施例中，機器學習模型為包括以下各者中之至少一者的進階機器學習模型：殘差神經網路(RNN)；或廻旋神經網路(CNN)。在一實施例中，RNN模型經公式化為包括基板之當前批次之經圖案化基板層或基板之先前批次之經圖案化基板層作為時間軸。

在一實施例中，經圖案化基板層之複數個部分係基板之場、子場或晶粒區域。

在一實施例中，一或多個參數包含：掃描器之劑量、掃描器之焦點、基板相對於參考件之對準、基板之高度、層厚度、沈積程序參數及/或蝕刻程序參數。

在一實施例中，提供一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時致使該電腦用於產生一預測模型。該等指令與方法1500之步驟相似。舉例而言，指令包括：獲得與基板之複數個經圖案化基板層之部分相關聯之第一效能資料；經由經訓練模型使用該第一效能資料，產生與將形成於基板上之未來層之一或多個部分相關的經預測效能資料；及基於與經圖案化基板層相關聯之第一效能資料及與未來層相關聯之經預測效能資料，產生一或多個參數之值以用於控制圖案化 程序以致使與基板之未來層相關聯之第二效能資料將在一指定效能範圍內。

在一實施例中，第一效能資料包含與經圖案化基板之當前批次相關聯之基板位階效能資料。在一實施例中，第一效能資料進一步包含與經圖案化基板之先前批次相關聯之基板位階效能資料。在一實施例中，第一效能資料包括與基板之第一層相關聯之效能資料；及與基板之第二層相關聯之另一效能資料，該第二層位於基板之該第一層下方。

在一實施例中，經訓練模型經組態以使與第一層相關聯之第一效能資料與一或多個其他經圖案化基板層相關。舉例而言，如關於圖12及圖14所論述.如早先所提及，在一實施例中，經訓練模型為以下各者中之至少一者：線性模型；或機器學習模型。在一實施例中，機器學習模型為以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯程序廻歸；或k最近鄰法。在一實施例中，機器學習模型為包括以下各者中之至少一者的進階機器學習模型：殘差神經網路(RNN)；或廻旋神經網路(CNN)。在一實施例中，RNN模型經公式化為包括與經圖案化基板層相關之資料作為時間軸。

在一實施例中，第一效能資料及經預測效能資料包含以下各者中之至少一者：與基板之給定層相關聯之疊對資料；與基板之給定層相關聯之對準資料；與基板之給定層相關聯之位階量測資料；與基板之給定層相關聯之可校正的疊對誤差資料；或給定層相對於基板上之一或多個底部層之高度資料。

在一實施例中，使經圖案化基板層之該等部分對準。在一實施例中，基板之部分係基板之場、子場或晶粒區域。在一實施例中，包 含基板位階效能資料的第一效能資料被劃分成部分特定效能資料。

在一實施例中，用以產生一或多個參數之值之指令包括：基於第一效能資料判定與經圖案化基板層相關聯之經去校正效能資料；基於與未來層之一或多個部分相關之經預測效能資料判定該未來層之基板位階效能資料；基於未來層之基板位階效能資料及經圖案化基板層之經去校正效能資料，調整圖案化程序之一或多個參數之值以使得基板之未來層之效能資料在圖案化之後將在指定效能範圍內。

在一實施例中，一或多個參數包含：劑量、焦點、基板相對於參考件之對準、基板之高度、層厚度、沈積程序參數及/或蝕刻程序參數。

在一些實施例中，檢測裝置可為產生經曝光或轉印於基板上之結構(例如器件之一些或所有結構)之影像的掃描電子顯微鏡(SEM)。圖17描繪SEM工具之實施例。自電子源ESO發射之初級電子束EBP係由聚光透鏡CL會聚且接著傳遞通過光束偏轉器EBD1、E×B偏轉器EBD2及物鏡OL以在一焦點下輻照基板台ST上之基板PSub。

在藉由電子束EBP輻照基板PSub時，二次電子由基板PSub產生。該等二次電子係由E×B偏轉器EBD2偏轉且由二次電子偵測器SED偵測。二維電子束影像可藉由以下操作獲得：與例如在X或Y方向上由光束偏轉器EBD1對電子束進行二維掃描或由光束偏轉器EBD1對電子束EBP進行反覆掃描同步地偵測自樣本產生之電子，以及在X或Y方向中之另一者上藉由基板台ST連續移動基板PSub。

由二次電子偵測器SED偵測到之信號係由類比/數位(A/D)轉換器ADC轉換成數位信號，且該數位信號被發送至影像處理系統IPS。 在一實施例中，影像處理系統IPS可具有記憶體MEM以儲存數位影像之全部或部分以供處理單元PU處理。處理單元PU(例如經專門設計之硬體或硬體及軟體之組合)經組態以將數位影像轉換成或處理成表示數位影像之資料集。另外，影像處理系統IPS可具有經組態以將數位影像及對應資料集儲存於參考資料庫中之儲存媒體STOR。顯示器件DIS可與影像處理系統IPS連接，使得操作員可藉助於圖形使用者介面進行設備之必需操作。

如上文所提及，可處理SEM影像以提取該影像中描述表示器件結構之物件之邊緣的輪廓。接著經由諸如CD之度量來量化此等輪廓。因此，通常經由諸如邊緣之間距離(CD)或影像之間的簡單像素差之過分簡單化度量來比較及量化器件結構之影像。偵測影像中物件之邊緣以便量測CD的典型輪廓模型使用影像梯度。實際上，彼等模型依賴於強影像梯度。但實務上，影像通常有雜訊且具有不連續邊界。諸如平滑化、自適應定限、邊緣偵測、磨蝕及擴張之技術可用以處理影像梯度輪廓模型之結果以定址有雜訊且不連續影像，但將最終導致高解析度影像之低解析度量化。因此，在大多數情況下，對器件結構之影像的數學操控以減少雜訊且使邊緣偵測自動化會導致影像之解析度損失，藉此導致資訊損失。因此，結果為相當於對複雜的高解析度結構之過分簡單化表示之低解析度量化。

因此，需要具有可保留解析度且又描述使用圖案化程序而產生或預期產生之結構(例如電路特徵、對準標記或度量衡目標部分(例如光柵特徵)等)的一般形狀之數學表示，而不論例如該等結構是在潛在抗蝕劑影像中、在經顯影抗蝕劑影像中，抑或例如藉由蝕刻而轉移至基板上之 層。在微影或其他圖案化程序之內容背景中，結構可為製造之器件或其部分，且影像可為該結構之SEM影像。在一些情況下，結構可為半導體器件之特徵，例如積體電路。在此狀況下，該結構可被稱作圖案或包含半導體器件之複數個特徵之所要圖案。在一些情況下，結構可為用於對準量測程序中以判定一物件(例如基板)與另一物件(例如圖案化器件)之對準的對準標記或其部分(例如對準標記之光柵)，或為用以量測圖案化程序之參數(例如疊對、焦點、劑量等)之度量衡目標或其部分(例如度量衡目標之光柵)。在一實施例中，度量衡目標為用以量測例如疊對之繞射光柵。

圖18示意性地說明檢測裝置之另一實施例。該系統係用以檢測樣本載物台89上之樣本90(諸如基板)且包含帶電粒子束產生器81、聚光透鏡模組82、探針形成物鏡模組83、帶電粒子束偏轉模組84、二次帶電粒子偵測器模組85及影像形成模組86。

帶電粒子束產生器81產生初級帶電粒子束91。聚光透鏡模組82將所產生之初級帶電粒子束91聚光。探針形成物鏡模組83將經聚光初級帶電粒子束聚焦成帶電粒子束探針92。帶電粒子束偏轉模組84使所形成之帶電粒子束探針92橫越緊固於樣本載物台89上之樣本90上的所關注區域之表面進行掃描。在一實施例中，帶電粒子束產生器81、聚光透鏡模組82及探針形成物鏡模組83或其等效設計、替代方案或其任何組合一起形成產生掃描帶電粒子束探針92的帶電粒子束探針產生器。

二次帶電粒子偵測器模組85偵測在由帶電粒子束探針92轟擊後即自樣本表面發射的二次帶電粒子93(亦可能與來自樣本表面之其他反射或散射帶電粒子一起)以產生二次帶電粒子偵測信號94。影像形成模組86(例如計算器件)與二次帶電粒子偵測器模組85耦接以自二次帶電粒 子偵測器模組85接收二次帶電粒子偵測信號94且相應地形成至少一個經掃描影像。在一實施例中，二次帶電粒子偵測器模組85及影像形成模組86或其等效設計、替代方案或其任何組合一起形成影像形成裝置，該影像形成裝置自由帶電粒子束探針92轟擊的樣本90發射的偵測到之二次帶電粒子形成經掃描影像。

在一實施例中，監測模組87耦接至影像形成裝置之影像形成模組86以監測、控制等圖案化程序及/或使用自影像形成模組86接收到之樣本90之經掃描影像來導出用於圖案化程序設計、控制、監測等之參數。因此，在一實施例中，監測模組87經組態或經程式化以致使執行本文中所描述之方法。在一實施例中，監測模組87包含計算器件。在一實施例中，監測模組87包含用以提供本文中之功能性且經編碼於形成監測模組87或安置於監測模組87內的電腦可讀媒體上之電腦程式。

在一實施例中，類似於使用探針來檢測基板之圖17之電子束檢測工具，圖18之系統中之電子電流相比於例如諸如圖17中所描繪之CD SEM顯著更大，使得探針光點足夠大使得檢測速度可快速。然而，由於探針光點大，解析度可能不與CD SEM之解析度一樣高。在一實施例中，在不限制本發明之範疇的情況下，上文論述之檢測裝置可為單射束裝置或多射束裝置。

可處理來自例如圖17及/或圖18之系統的SEM影像以提取影像中描述表示器件結構之物件之邊緣的輪廓。接著通常在使用者定義之切線處經由諸如CD之度量量化此等輪廓。因此，通常經由諸如對經提取輪廓量測之邊緣之間距離(CD)或影像之間的簡單像素差之度量來比較及量化器件結構之影像。

圖19描繪實例檢測裝置(例如，散射計)。該檢測裝置包含將輻射投影至基板W上之寬頻帶(白光)輻射投影儀2。重導向輻射傳遞至光譜儀偵測器4，該光譜儀偵測器量測鏡面反射輻射之光譜10(依據波長而變化的強度)，如(例如)在左下方的曲線圖中所展示。根據此資料，可藉由處理器PU(例如)藉由嚴密耦合波分析及非線性廻歸或藉由與圖19之右下方所展示之經模擬光譜庫的比較來重建構導致偵測到之光譜的結構或輪廓。一般而言，對於重建構，結構之一般形式係已知的，且自供製造結構之程序之知識來假定一些變數，從而僅留下結構之少許變數以自經量測資料予以判定。此檢測裝置可經組態為正入射檢測裝置或斜入射檢測裝置。

圖15中展示可使用之另一檢測裝置。在此器件中，由輻射源2發射之輻射係使用透鏡系統12而準直且透射通過干涉濾光器13及偏振器17、由部分反射表面16反射且經由物鏡15而聚焦至基板W上之光點S中，物鏡15具有高數值孔徑(NA)，理想地為至少0.9或至少0.95。浸潤檢測裝置(使用相對較高折射率之流體，諸如水)甚至可具有大於1之數值孔徑。

如在微影裝置LA中，可在量測操作期間提供一或多個基板台以固持基板W。基板台可在形式上與圖1之基板台WT相似或相同。在檢測裝置與微影裝置整合之實例中，該等基板台可甚至為相同基板台。可將粗略定位器及精細定位器提供至第二定位器PW，該第二定位器經組態以相對於量測光學系統來準確地定位基板。提供各種感測器及致動器例如以獲取所關注目標之位置，且將所關注目標帶入至物鏡15下方之位置中。通常將對橫越基板W之不同部位處之目標進行許多量測。可在X及Y方向上 移動基板支撐件以獲取不同目標，且可在Z方向上移動基板支撐件以獲得目標相對於光學系統之焦點之所要部位。舉例而言，當實務上光學系統可保持實質上靜止(通常在X及Y方向上，但可能亦在Z方向上)且僅基板移動時，方便地將操作考慮並描述為如同物鏡被帶入至相對於基板之不同部位。倘若基板及光學系統之相對位置正確，則原則上無關緊要的係，基板與光學系統中之哪一者在真實世界中移動，或其兩者皆移動，抑或光學系統之一部分之組合移動(例如在Z方向及/或傾斜方向上)，其中光學系統之剩餘部分靜止且基板移動(例如在X及Y方向上，且視情況亦在Z方向及/或傾斜方向上)。

由基板W重導向之輻射接著通過部分反射表面16傳遞至偵測器18中以便使光譜被偵測。偵測器18可位於背向投影式焦平面11處(亦即，位於透鏡系統15之焦距處)，或平面11可運用輔助光學件(圖中未繪示)而再成像至偵測器18上。偵測器可為二維偵測器，使得可量測基板目標30之二維角度散射光譜。偵測器18可為(例如)CCD或CMOS感測器陣列，且可使用為(例如)每圖框40毫秒之積分時間。

參考光束可用以(例如)量測入射輻射之強度。為進行此量測，當輻射光束入射於部分反射表面16上時，將輻射光束之部分通過部分反射表面16作為參考光束而透射朝向參考鏡面14。接著將參考光束投影至同一偵測器18之不同部分上或替代地投影至不同偵測器(圖中未繪示)上。

一或多個干涉濾光器13可用以選擇在為比如405nm至790nm或甚至更低(諸如200nm至300nm)之範圍內的所關注波長。干涉濾光器可為可調諧的，而非包含不同濾光器之集合。可使用光柵來代替干涉濾 光器。孔徑光闌或空間光調變器(圖中未繪示)可提供於照明路徑中以控制輻射在目標上之入射角之範圍。

偵測器18可量測在單一波長(或窄波長範圍)下之重導向輻射之強度、分離地在多個波長下之重導向輻射之強度，或遍及一波長範圍而積分之重導向輻射之強度。此外，偵測器可分離地量測橫向磁偏振輻射及橫向電偏振輻射之強度，及/或橫向磁偏振輻射與橫向電偏振輻射之間的相位差。

基板W上之目標30可為1-D光柵，其經印刷成使得在顯影之後，長條係由固體抗蝕劑線形成。目標30可為2-D光柵，其經印刷成使得在顯影之後，光柵係由抗蝕劑中之固體抗蝕劑導柱或通孔形成。長條、導柱或通孔可經蝕刻至基板中或基板上(例如，經蝕刻至基板上之一或多個層中)。(例如長條、導柱或通孔之)圖案對在圖案化程序中之處理之改變(例如，微影投影裝置(特別是投影系統PS)中之光學像差、聚焦改變、劑量改變等)敏感，且將顯現經印刷光柵之變化。因此，經印刷光柵之經量測資料用以重建構光柵。可根據印刷步驟及/或其他檢測程序之知識，將1-D光柵之一或多個參數(諸如，線寬及/或形狀)或2-D光柵之一或多個參數(諸如，導柱或通孔寬度或長度或形狀)輸入至由處理器PU執行之重建構程序。

除了藉由重建構進行參數之量測以外，角度解析散射量測亦用於產品及/或抗蝕劑圖案中之特徵之不對稱性量測。不對稱性量測之一特定應用係用於疊對之量測，其中目標30包含疊置於另一組週期性特徵上的一組週期性特徵。舉例而言，在美國專利申請公開案US2006-066855中描述使用圖19或圖15之器具進行之不對稱性量測之概念，該專利申請 公開案之全文併入本文中。簡單地陳述，雖然目標之繞射光譜中之繞射階的位置僅藉由目標之週期性而判定，但繞射光譜中之不對稱性指示構成目標之個別特徵中的不對稱性。在圖15之器具中(其中偵測器18可為影像感測器)，繞射階之此不對稱性直接呈現為由偵測器18記錄之光瞳影像中之不對稱性。可藉由單元PU中之數位影像處理來量測此不對稱性，且相對於已知疊對值來校準此不對稱性。

圖21說明典型目標30之平面圖，及圖15之裝置中之照明光點S之範圍。為了獲得擺脫來自環繞結構之干涉的繞射光譜，在一實施例中，目標30為大於照明光點S之寬度(例如，直徑)之週期性結構(例如，光柵)。光點S之寬度可小於目標之寬度及長度。換言之，目標係由照明「填充不足」，且繞射信號基本上不含來自目標自身外部之產品特徵及其類似者之任何信號。照明配置2、12、13、17可經組態以提供橫越接物鏡15之背焦平面之均一強度的照明。替代地，藉由(例如)在照明路徑中包括孔徑，照明可限於同軸方向或離軸方向。

圖22示意性地描繪基於使用度量衡所獲得之量測資料而進行目標圖案30'之一或多個所關注變數之值之判定的實例程序。由偵測器18偵測到之輻射提供用於目標30'之經量測輻射分佈108。

對於給定目標30'，可使用(例如)數值馬克士威求解程序210自參數化模型206計算/模擬輻射分佈208。參數化模型206展示構成目標及與該目標相關聯的各種材料之實例層。參數化模型206可包括用於在考慮中的目標之部分之特徵及層之變數中的一或多者，其可變化且被導出。如圖22中所展示，變數中之一或多者可包括一或多個層之厚度t、一或多個特徵之寬度w(例如，CD)、一或多個特徵之高度h，及/或一或多個 特徵之側壁角α。儘管圖中未繪示，但變數中之一或多者可進一步包括但不限於：層中之一或多者之折射率(例如真折射率或複折射率、折射率張量等)、一或多個層之消光係數、一或多個層之吸收率、在顯影期間之抗蝕劑損失、一或多個特徵之基腳，及/或一或多個特徵之線邊緣粗糙度。該等變數之初始值可為針對經量測之目標所預期的值。接著在212處比較經量測輻射分佈108與所計算輻射分佈208以判定兩者之間的差。若存在差，則可變化參數化模型206之變數中之一或多者之值，演算新的所計算輻射分佈208且將其與經量測輻射分佈108比較直至在經量測輻射分佈108與所計算輻射分佈208之間存在足夠匹配為止。彼時，參數化模型206之變數之值提供實際目標30'之幾何形狀的良好或最佳匹配。在一實施例中，當經量測輻射分佈108與所計算輻射分佈208之間的差在容許臨限值內時存在足夠匹配。

圖案化程序之變數被稱為「處理變數」。圖案化程序可包括微影裝置中之圖案之實際轉印上游及下游的程序。處理變數可分組成不同的類別。第一類別可為微影裝置或用於微影程序中之任何其他裝置之變數。此類別之實例包括微影裝置之照明件、投影系統、基板載物台等之變數。第二類別可為在圖案化程序中執行之一或多個工序之變數。此類別之實例包括焦點控制或焦點量測、劑量控制或劑量量測、頻寬、曝光持續時間、顯影溫度、用於顯影中之化學成份等等。第三類別可為設計佈局及其在圖案化器件中或使用圖案化器件進行之實施之變數。此類別之實例可包括輔助特徵之形狀及/或部位、藉由解析度增強技術(RET)而應用之調整、光罩特徵之CD等。第四類別可為基板之變數。實例包括抗蝕劑層下方之結構之特性、抗蝕劑層之化學成份及/或實體尺寸等等。第五類別可為圖 案化程序之一或多個變數之時間變化的特性。此類別之實例包括高頻載物台移動(例如，頻率、振幅等)、高頻雷射頻寬改變(例如頻率、振幅等)及/或高頻雷射波長改變之特性。此等高頻改變或移動為高於用以調整基礎變數(例如，載物台位置、雷射強度)之機構之回應時間的高頻改變或移動。第六類別可為微影裝置中之圖案轉印上游或下游的程序之特性，該等程序諸如旋塗、曝光後烘烤(PEB)、顯影、蝕刻、沈積、摻雜及/或封裝。

如應瞭解，此等變數中之許多變數(若非全部)將對圖案化程序之參數有影響且常常對所關注參數有影響。圖案化程序之參數之非限制性實例可包括臨界尺寸(CD)、臨界尺寸均一性(CDU)、焦點、疊對、邊緣位置或置放、側壁角、圖案移位等。常常，此等參數表達自標稱值(例如設計值、平均值等)之誤差。參數值可為個別圖案之特性之值或圖案群組之特性之統計量(例如平均值、方差等)。

處理變數中之一些或全部或與其相關之參數之值可藉由合適方法予以判定。舉例而言，可自運用各種度量衡工具(例如基板度量衡工具)獲得之資料判定值。可自圖案化程序中之裝置之各種感測器或系統(例如，微影裝置之感測器(諸如位階量測感測器或對準感測器)、微影裝置之控制系統(例如基板或圖案化器件台控制系統)、塗佈顯影系統工具中之感測器等)獲得值。該等值可來自圖案化程序之操作員。

在以下經編號條項之清單中揭示了本發明之另外實施例：

1.一種用於判定一模型以預測與經圖案化之一當前基板相關聯的一經去校正疊對資料之方法，該方法包含：獲得(i)與經圖案化之該當前基板之一或多個先前層及/或當前層相關聯之一第一資料集、(ii)包含與在該當前基板之前經圖案化之一或多個先 前基板相關聯的疊對度量衡資料之一第二資料集，及(iii)與該當前基板之該當前層相關聯之經量測之經去校正疊對資料；及基於(i)該第一資料集、(ii)該第二資料集及(iii)該經量測資料判定與該模型相關聯之一模型參數集合之值，使得該模型預測用於該當前基板之該經去校正疊對資料，其中該等模型參數之該等值經判定使得最小化一成本函數，該成本函數包含該經預測資料與該經量測資料之間的一差。

2.如條項1之方法，其中該第一資料集進一步包含：與正用於圖案化該當前基板之該一或多個先前層及/或該當前層之一或多個掃描器相關聯的掃描器資料，及與該當前基板在該當前層經圖案化之前已經受的或在該當前層經圖案化之後將經受的處理工具相關聯的製作內容脈絡資料。

3.如條項2之方法，其中該掃描器資料包含以下各者中之一或多者：與該一或多個掃描器相關聯之一掃描器識別符及一掃描器夾盤識別符；經由該一或多個掃描器之感測器或一量測系統所計算之量測值；與該一或多個掃描器相關聯的且與該當前基板之一疊對相關的一或多個關鍵效能指示符；及自對準感測器、位階量測感測器、高度感測器或附接於該一或多個掃描器中之其他感測器獲得之度量衡資料。

4.如條項2之方法，其中該製作中所使用之該等工具包含一蝕刻腔室、一化學機械拋光工具、一疊對量測工具及/或一CD度量衡工具中之 一或多者。

5.如條項1至4中任一項之方法，其中該第一資料集包含：該當前基板之該一或多個先前層及/或該當前層之疊對度量衡資料，該疊對度量衡資料包含：(i)在將一疊對校正應用至該當前基板之該一或多個先前層之後獲得的經量測疊對資料，及/或(ii)在將該疊對校正應用至該當前基板之該一或多個先前層之前獲得的經去校正疊對資料；該當前基板之該一或多個先前層及/或該當前層之對準度量衡資料，該對準度量衡資料包含：(i)對準感測器資料、(ii)經由一對準系統模型所產生之殘差映圖、(iii)包含具有變化之強度之信號的一基板品質映圖，該基板品質映圖指示該對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於該基板上所獲得的顏色間差異映圖，每一彩色雷射光束自該一或多個先前層上之一對準標記反射，該反射光束產生一繞射圖案，該顏色間差異映圖為一第一繞射圖案與一第二繞射圖案之間的一差異，該第一繞射圖案係與該複數個彩色雷射中之一第一顏色相關聯，且該第二繞射圖案係與該複數個彩色雷射中之一第二顏色相關聯；該當前基板之該一或多個先前層及/或該當前層之位階量測度量衡資料，該位階量測度量衡資料包含：(i)一基板高度資料，及/或(ii)轉換成x及y方向位移的該基板高度資料；及/或該當前基板之該一或多個先前層及/或該當前層之製作內容脈絡資訊，該內容脈絡資訊包含：(i)與該圖案化程序之一程序相關聯之一滯後時間、(ii)安裝有一當前基板之一夾盤識別符、(iii)指示執行該圖案化程序之該程序的一腔室之一腔室識別符，及/或(iv)特性化與該腔室相關聯之一或多個處理參數之一疊對貢獻之一腔室指紋。

6.如條項1至5中任一項之方法，其中該第一資料集進一步包含：與該圖案化程序之造成疊對貢獻的參數相關聯的所導出資料，其中該所導出資料係自該掃描器資料及/或該製作內容脈絡資訊導出。

7.如條項1至6中任一項之方法，其中該模型經組態以預測該當前基板之一點位階處之該經去校正疊對資料，其中一點係與形成於該當前基板上之一疊對標記物相關聯的一部位。

8.如條項1至7中任一項之方法，其中該模型係一點位階模型，其中該點位階模型之該模型參數之該等值係基於在具有該疊對標記物之該當前基板上之複數個部位中之一給定部位處所獲得的該第一資料集、該第二資料集及該經量測之經去校正疊對資料予以判定。

9.如條項8之方法，其中在具有該疊對標記物之該當前基板上之該給定部位處獲得該第一資料集、該第二資料集及該經量測之經去校正疊對資料集包含：以一各別基板映圖之形式表示該第一資料集、該第二資料集及該經量測之經去校正疊對資料的值；經由模型化及/或內插對準該等基板映圖中之每一者；分別在該第一資料集、該第二資料集及該經量測之經去校正疊對資料內橫越該當前基板均一地共用基板位階資訊；及分別提取與該給定部位相關聯的該第一資料集、該第二資料集及該經量測之經去校正疊對資料的該等值。

10.如條項9之方法，其中該基板位階資訊包含以下各者中之至少一者：該夾盤識別符，或與該當前基板之該圖案化程序中所使用之該處理工具相關聯的該滯後時間。

11.如條項1至2中任一項之方法，其中該模型經組態以預測一基板位階處之該經去校正疊對資料。

12.如條項1至11中任一項之方法，其中該模型係一基板位階模型，其中該基板位階模型之該模型參數之該等值係基於橫越一整個基板之該第一資料集、該第二資料集及該經量測之經去校正疊對資料的該等值而判定。

13.如條項12之方法，其中該判定該基板模型之該模型參數之該等值進一步包含：使用分別與複數個基板中之每一者相關聯的該第一資料集、該第二資料集及該經量測之經去校正疊對資料之值來產生複數個基板映圖；將該複數個基板映圖中之每一者投影至一基底函數；及基於該投影判定與該基底函數相關聯之投影係數、該等投影係數及其他基板位階資料正用以定義該基板模型。

14.如條項13之方法，其中將該等基板映圖投影於該基底函數上包含：執行一主成份分析；或執行該等基板映圖之一單值分解。

15.如條項13至14中任一項之方法，其中該基底函數係一任尼克多項式集合，且投影係數係任尼克係數，每一任尼克係數係與該任尼克多項式集合之一各別任尼克多項式相關聯。

16.如條項1至15中任一項之方法，其中預處理該第一資料集、該第二資料集及該經量測之經去校正疊對資料以自各別資料集提取所要資訊。

17.如條項16之方法，其中該所要資訊係以下各者中之至少一者：對準系統模型殘差資料；位階量測相關之殘差資料；及/或可校正的疊對誤差資料。

18.如條項1至17中任一項之方法，其中該模型係以下各者中之至少一者：基於(i)與該當前基板或該等先前基板之一選定層相關聯之該第一資料集或(ii)與該當前基板或該等先前基板之多個層相關聯之該第一資料集而判定的一線性模型；或一機器學習模型。

19.如條項18之方法，其中該機器學習模型係以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯程序廻歸；或k最近鄰法。

20.如條項18之方法，其中該機器學習模型係包括以下各者中之至少一者的一進階機器學習模型：一殘差神經網路(RNN)；或一廻旋神經網路(CNN)。

21.如條項20之方法，其中該RNN模型經公式化為包括該當前基板或該等先前基板之先前層作為時間軸。

22.如條項1至21中任一項之方法，其中該成本函數係以下各者中之至少一者：一第一函數，其中第一平均誤差係一n階誤差，其係使用該經預測資料與一參考資料之間的一絕對差值且將該差值提高至該n階來計算，其中該等經預測資料為與給定基板上之給定點或關聯於給定基板之投影係數以 及該參考資料相關聯的疊對值；或一第二函數(M3S)，其係使用平均值之一絕對值與一標準偏差之三倍的一總和來計算，其中該平均值及該標準偏差係基於該經預測之經去校正疊對資料與該參考資料之間的差而獲得，該等經預測資料為與該等給定基板上之該等給定點相關聯之疊對值；或一產品上疊對，其係使用該M3S之平均值與該M3S之一標準偏差的1.96倍之一總和來計算，其中該M3S之該平均值及該標準偏差係使用作為與一系列給定基板相關聯之疊對值的該等經預測資料來計算。

23.如條項22之方法，其中該判定該點位階模型包含：使用與該當前基板上之該複數個部位之每一給定部位相關聯的資料使用一初始模型參數值執行該點位階模型以預測該經去校正疊對資料；及基於該複數個部位處之該經預測之經去校正疊對資料及該經量測資料判定該等模型參數之值使得最小化與該給定基板上之該複數個部位之每一給定部位相關聯的該第一函數、該第二函數及/或該產品上疊對。

24.如條項22之方法，其中該判定該基板位階模型包含：使用該基板模型預測與該基底函數相關聯之該等投影係數；基於該等經預測投影係數建構一疊對映圖；基於該經建構之疊對映圖與一參考疊對映圖之間的差演算該第一函數、該第二函數或該產品上疊對；及判定該等模型參數之值使得最小化該第一函數、該第二函數或該產品上疊對。

25.如條項1至24中任一項之方法，其中使用一以梯度為基礎之方法減小或最小化該成本函數。

26.如條項1至25中任一項之方法，其中該第一資料集或該第二資料集係一不完整資料集，其中遺漏了與一或多個該等先前基板或該當前基板之一或多個先前層相關聯的疊對度量衡資料及/或內容脈絡資料。

27.如條項26之方法，其中該不完整疊對資料係由一平均疊對資料替換，其中基於一基板批次或基於該內容脈絡資料對該基板之分組來計算該平均化疊對資料。

28.如條項26之方法，其中該不完整疊對資料係用以域知識為基礎之疊對資料來替換，其中使用計算度量衡來產生該以域知識為基礎之疊對資料，其中該計算度量衡包含基於該圖案化程序之參數之一疊對預測模型。

29.如條項1至28中任一項之方法，其中將該模型結構化為一兩位階階層式模型。

30.如條項29之方法，其中該階層式模型之一第一位階經組態以使用始終存在的包括該第一資料集及該第二資料集中之資料之輸入來預測疊對資料，且該階層式模型之一第二位階基於並不始終存在之輸入預測對該第一位階之該經預測疊對資料之疊對改進，該等輸入包括疊對及某些內容脈絡資料。

31.如條項1至30中任一項之方法，其進一步包含：基於該經預測之經去校正疊對資料判定與一圖案化裝置相關聯之疊對校正或控制參數，以改良該圖案化裝置之一疊對效能。

32.一種用於更新一經訓練模型以預測與經圖案化之一當前基板相關聯之一經去校正疊對資料的方法，該方法包含： 獲得(i)與經圖案化之一當前基板之一或多個先前層相關聯之一第一資料集、(ii)包含與在該當前基板之前經圖案化之一或多個先前基板相關聯的疊對度量衡資料之一第二資料集，及(iii)與該當前基板相關聯之經量測之經去校正疊對資料；基於該第一資料集、該第二資料集及與該當前基板相關聯之該經量測之經去校正疊對資料來更新該經訓練模型使得減小與該經訓練模型相關聯之一成本函數，其中該成本函數包含一經預測之經去校正疊對資料與該經量測之經去校正疊對資料之間的一差，該經預測資料係經由使用該第一資料集及該第二資料集執行該經訓練模型來獲得。

33.如條項32之方法，其中該成本函數為以下各者中之至少一者：一第一函數，其中第一平均誤差係一n階誤差，其係使用該經預測資料與一參考資料之間的一絕對差且將該差提高至該n階來計算，其中該等經預測資料為與給定基板上之給定點或關聯於該等給定基板之投影係數以及該參考資料相關聯的疊對值；或一第二函數(M3S)，其係使用平均值之一絕對值與一標準偏差之三倍的一總和來計算，其中該平均值及該標準偏差係基於該經預測之經去校正疊對資料與該參考資料之間的差而獲得，該等經預測資料為與該等給定基板上之該等給定點相關聯之疊對值；或一產品上疊對，其係使用該M3S之平均值與該M3S之一標準偏差的1.96倍之一總和來計算，其中該M3S之該平均值及該標準偏差係使用作為與一系列給定基板相關聯之疊對值的該等經預測資料來計算。

34.如條項32至33中任一項之方法，其中該第一資料集或該第二資 料集係一不完整資料集，其中遺漏了與一或多個該等先前基板或該當前基板之一或多個先前層相關聯的疊對度量衡資料及/或內容脈絡資料。

35.如條項34之方法，其中該不完整疊對資料係由一平均疊對資料替換，其中基於一基板批次或基於該內容脈絡資料對該基板之分組來計算該平均化疊對資料。

36.如條項34之方法，其中該不完整疊對資料係用以域知識為基礎之疊對資料來替換，其中使用計算度量衡來產生該以域知識為基礎之疊對資料，其中該計算度量衡包含基於該圖案化程序之參數之一疊對預測模型。

37.一種電腦程式產品，其包含其上經記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施如條項1至36中任一項之方法之步驟。

38.一種判定對待圖案化之一當前基板之疊對校正之方法，該方法包含：獲得(i)與先前經圖案化基板相關聯之效能資料，及(ii)與待圖案化之該當前基板相關之度量衡資料；使用與該當前基板相關之該度量衡資料執行一疊對預測模型，以預測由該當前基板之一圖案化程序中所使用的一工具誘發之疊對誤差；及基於該效能資料及該經預測疊對誤差，判定待應用至將處理該當前基板之另一工具之疊對校正，以補償由該工具誘發之該疊對誤差。

39.如條項38之方法，其中該效能資料包含該等先前經圖案化基板之疊對誤差資料。

40.如條項39之方法，其中該判定該等疊對校正包含： 組合該效能資料及與該工具相關聯之該經預測疊對誤差；及判定最小化該當前基板之一圖案化程序中所使用的該另一工具處之該組合之疊對誤差的基板調整。

41.如條項40之方法，其中該等基板調整包含：上方安裝有該當前基板之一基板台之定向；及/或該基板台之位階量測。

42.如條項38至41中任一項之方法，其中經由以下操作獲得該疊對預測模型：(i)使用與該等先前經圖案化基板或測試基板相關之對準資料執行一第一主成份分析(PCA)，及(ii)使用與該先前經圖案化基板或該等測試基板相關之疊對誤差資料執行一第二PCA；及建立該第一PCA之成份與該第二PCA之成份之間的一相關性。

43.如條項42之方法，其中該對準資料之該第一PCA產生解釋該對準資料之變化的一第一主成份集合，其中該第一主成份集合包括一第一基底函數集合及與其相關聯之記分。

44.如條項42之方法，其中該疊對誤差資料之該第二PCA產生解釋該疊對誤差資料之變化的一第二主成份集合，其中該第二主成份集合包括一第二基底函數集合及與其相關聯之記分。

45.如條項44之方法，其中該第二主成份集合之一或多個主成份解釋由該圖案化程序之一特定程序或一特定工具誘發之疊對誤差。

46.如條項42之方法，其中該等第一主成份與該等第二主成份之間的該相關性將該當前基板之該對準資料轉換成該當前基板之經預測疊對誤差資料，該經預測疊對誤差資料係與該當前基板將經受之一特定程序相關 聯。

47.如條項38至46中任一項之方法，其中該度量衡資料包含：與該當前基板相關聯之對準度量衡資料，該對準度量衡資料包含：(i)對準感測器資料、(ii)經由一對準系統模型所產生之殘差映圖、(iii)包含具有變化之強度之信號的一基板品質映圖，該基板品質映圖指示該對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於該基板上所獲得的顏色間差異映圖，每一彩色雷射光束自該當前基板之層上之一對準標記反射，該反射光束產生一繞射圖案，該顏色間差異映圖為一第一繞射圖案與一第二繞射圖案之間的一差異，該第一繞射圖案係與該複數個彩色雷射中之一第一顏色相關聯，且該第二繞射圖案係與該複數個彩色雷射中之一第二顏色相關聯；及/或該當前基板之位階量測度量衡資料，該位階量測度量衡資料包含：(i)一基板高度資料，及/或(ii)轉換成x及y方向位移之該基板高度資料。

48.如條項38至47中任一項之方法，其中該效能資料為藉由平均化與該等先前經圖案化基板相關聯之疊對誤差值而獲得的一平均疊對誤差值。

49.如條項38至48中任一項之方法，其中該效能資料對於該半導體製造程序中所使用之每一工具係特定的。

50.如條項38至49中任一項之方法，其中該疊對預測模型經組態以預測由在對該當前基板之該圖案化程序中所使用的每一工具所誘發之疊對誤差。

51.如條項38至50中任一項之方法，其中該圖案化程序中所使用之該工具包含：一蝕刻裝置；一微影裝置；一化學機械拋光裝置或其一組 合。

52.如條項38至51中任一項之方法，其中該經預測疊對誤差包含由該蝕刻裝置、該微影裝置、該化學機械拋光裝置或其一組合誘發之疊對誤差。

53.一種非暫時性電腦可讀媒體，其包含在由一或多個處理器執行時致使包含以下各者之操作的指令：獲得(i)與先前經圖案化基板相關聯之效能資料，及(ii)與待圖案化之一當前基板相關之度量衡資料；使用與該當前基板相關聯之該度量衡資料執行一疊對預測模型，以預測由該當前基板之一圖案化程序中所使用的一工具誘發之疊對誤差；及基於該效能資料及該經預測疊對誤差，判定待應用至將處理該當前基板之另一工具之疊對校正，以補償由該工具誘發之該疊對誤差。

54.如條項53之非暫時性電腦可讀媒體，其中該判定該等疊對校正包含：組合該效能資料及與該工具相關聯之該經預測疊對誤差；及判定最小化正用於該當前基板上之另一工具處之該組合之疊對誤差的基板調整。

55.如條項53至54中任一項之非暫時性電腦可讀媒體，其中經由以下操作獲得該疊對預測模型：(i)使用與該先前經圖案化基板或測試基板相關之對準資料執行一第一主成份分析(PCA)，及(ii)使用與該先前經圖案化基板或該等測試基板相關之疊對誤差資料執行一第二PCA；及建立該第一PCA之成份與該第二PCA之成份之間的一相關性。

56.如條項55之非暫時性電腦可讀媒體，其中該對準資料之該第一PCA產生解釋該對準資料之變化的一第一主成份集合，其中該第一主成份集合包括一第一基底函數集合及與其相關聯之記分。

57.如條項55之非暫時性電腦可讀媒體，其中該疊對誤差資料之該第二PCA產生解釋該疊對誤差資料之變化的一第二主成份集合，其中該第二主成份集合包括一第二基底函數集合及與其相關聯之記分。

58.如條項55之非暫時性電腦可讀媒體，其中該等第一主成份與該等第二主成份之間的該相關性將該當前基板之該對準資料轉換成該當前基板之經預測疊對誤差資料，該經預測疊對誤差資料係與該當前基板將經受之一特定程序相關聯。

59.如條項53至58中任一項之非暫時性電腦可讀媒體，其中該度量衡資料包含：與該當前基板相關聯之對準度量衡資料，該對準度量衡資料包含：(i)對準感測器資料、(ii)經由一對準系統模型所產生之殘差映圖、(iii)包含具有變化之強度之信號的一基板品質映圖，該基板品質映圖指示該對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於該基板上所獲得的顏色間差異映圖，每一彩色雷射光束自該當前基板之層上之一對準標記反射，該反射光束產生一繞射圖案，該顏色間差異映圖為一第一繞射圖案與一第二繞射圖案之間的一差異，該第一繞射圖案係與該複數個彩色雷射中之一第一顏色相關聯，且該第二繞射圖案係與該複數個彩色雷射中之一第二顏色相關聯；及/或該當前基板之位階量測度量衡資料，該位階量測度量衡資料包含：(i)一基板高度資料，及/或(ii)轉換成x及y方向位移之該基板高度資料。

60.如條項53至59中任一項之非暫時性電腦可讀媒體，其中該效能資料係藉由平均化與該等先前經圖案化基板相關聯之疊對誤差值而獲得的一平均疊對誤差值。

61.如條項53至60中任一項之非暫時性電腦可讀媒體，其中該疊對預測模型經組態以預測由在對該當前基板之該圖案化程序中所使用的每一工具所誘發之疊對誤差。

62.一種用於對待圖案化之一當前基板之疊對校正之系統，該系統包含：一半導體製造裝置；一度量衡工具，其用於捕獲與待圖案化之該當前基板相關之度量衡資料；一處理器，其經組態以：使用與該當前基板相關聯之該度量衡資料執行一疊對預測模型，以預測由該當前基板之一圖案化程序中所使用的該半導體製造裝置所誘發之疊對誤差；及基於效能資料及該經預測疊對誤差判定待應用至將處理該當前基板之另一工具之疊對校正，以補償由該工具誘發之該疊對誤差。

63.如條項62之系統，其中該處理器經組態以藉由以下操作判定該疊對校正：組合該效能資料及與該半導體製造裝置相關聯之該經預測疊對誤差；及判定使正用於該當前基板上之另一半導體製造裝置處之該組合之疊對誤差最小化的基板調整。

64.如條項62至63中任一項之系統，其中該處理器經進一步組態以藉由以下操作獲得該疊對預測模型：(i)使用與該先前經圖案化基板或測試基板相關之對準資料執行一第一主成份分析(PCA)，及(ii)使用與該先前經圖案化基板或該等測試基板相關之疊對誤差資料執行一第二PCA；及建立該第一PCA之成份與該第二PCA之成份之間的一相關性。

65.如條項64之系統，其中該等第一主成份與該等第二主成份之間的該相關性將該當前基板之該對準資料轉換成該當前基板之經預測疊對誤差資料，該經預測疊對誤差資料係與該當前基板將經受之一特定程序相關聯。

66.如條項62至65中任一項之系統，其中該度量衡資料包含：與該當前基板相關聯之對準度量衡資料，該對準度量衡資料包含：(i)對準感測器資料、(ii)經由一對準系統模型所產生之殘差映圖、(iii)包含具有變化之強度之信號的一基板品質映圖，該基板品質映圖指示該對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於該基板上所獲得的顏色間差異映圖，每一彩色雷射光束自該當前基板之層上之一對準標記反射，該反射光束產生一繞射圖案，該顏色間差異映圖為一第一繞射圖案與一第二繞射圖案之間的一差異，該第一繞射圖案係與該複數個彩色雷射中之一第一顏色相關聯，且該第二繞射圖案係與該複數個彩色雷射中之一第二顏色相關聯；及/或該當前基板之位階量測度量衡資料，該位階量測度量衡資料包含：(i)一基板高度資料，及/或(ii)轉換成x及y方向位移之該基板高度資料。

67.如條項62至66中任一項之系統，其中該效能資料為藉由平均化 與該等先前經圖案化基板相關聯之疊對誤差值而獲得的一平均疊對誤差值。

68.如條項62至67中任一項之系統，其中該圖案化程序中所使用之該半導體製造裝置包含：一蝕刻裝置；一微影裝置；一化學機械拋光裝置或其一組合。

69.如條項62至68中任一項之系統，其中該疊對預測模型經組態以預測由在對該當前基板之該圖案化程序中所使用的每一工具所誘發之疊對誤差。

70.一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時致使該電腦進行以下操作：獲得與一基板之複數個經圖案化基板層之部分相關聯之第一效能資料；經由一經訓練模型使用該第一效能資料，產生與將形成於該基板上之一未來層之一或多個部分相關的經預測效能資料；及基於與該等經圖案化基板層相關聯之該第一效能資料及與該未來層相關聯之該經預測效能資料，產生一或多個參數之值以用於控制一圖案化程序以致使與該基板之該未來層相關聯之一第二效能資料將在一指定效能範圍內。

71.如條項70之非暫時性電腦可讀媒體，其中該第一效能資料包含與經圖案化基板之一當前批次相關聯之基板位階效能資料。

72.如條項71之非暫時性電腦可讀媒體，其中該第一效能資料進一步包含與經圖案化基板之一先前批次相關聯之基板位階效能資料。

73.如條項70至72中任一項之非暫時性電腦可讀媒體，其中該經訓 練模型經組態以使與一第一層相關聯之該第一效能資料與一或多個其他經圖案化基板層相關。

74.如條項70至73中任一項之非暫時性電腦可讀媒體，其中該第一效能資料包含：與該基板之一第一層相關聯之效能資料；及與該基板之一第二層相關聯之另一效能資料，該第二層位於該基板之該第一層下方。

75.如條項70至74中任一項之非暫時性電腦可讀媒體，其中該等經圖案化基板層之該等部分對準。

76.如條項70至75中任一項之非暫時性電腦可讀媒體，其中用以產生該一或多個參數之值之指令包含：基於該第一效能資料判定與該等經圖案化基板層相關聯之經去校正效能資料；基於與該未來層之該一或多個部分相關之該經預測效能資料，判定該未來層之基板位階效能資料；基於該未來層之該基板位階效能資料及該等經圖案化基板層之該經去校正效能資料調整該圖案化程序之一或多個參數之值，以致使該基板之該未來層之該效能資料在圖案化之後將在該指定效能範圍內。

78.如條項70至77中任一項之非暫時性電腦可讀媒體，其中該基板之該部分係該基板之一場、一子場或一晶粒區域。

79.如條項70至78中任一項之非暫時性電腦可讀媒體，其中包含該基板位階效能資料之該第一效能資料劃分成部分特定效能資料。

80.如條項70至79中任一項之非暫時性電腦可讀媒體，其中該一或 多個參數包含：劑量、焦點、該基板相對於一參考件之對準、該基板之高度、層厚度、沈積程序參數及/或蝕刻程序參數。

81.如條項70至80中任一項之非暫時性電腦可讀媒體，其中該第一效能資料及該經預測效能資料包含以下各者中之至少一者：與該基板之一給定層相關聯之疊對資料；與該基板之該給定層相關聯之對準資料；與該基板之該給定層相關聯之位階量測資料；與該基板之該給定層相關聯之可校正的疊對誤差資料，或該給定層相對於該基板上之一或多個底部層之高度資料。

82.如條項70至81中任一項之非暫時性電腦可讀媒體，其中該經訓練模型為以下各者中之至少一者：一線性模型；或一機器學習模型。

83.如條項82之非暫時性電腦可讀媒體，其中該機器學習模型為以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯程序廻歸；或k最近鄰法。

84.如條項82之非暫時性電腦可讀媒體，其中該機器學習模型係包括以下各者中之至少一者之一進階機器學習模型：一殘差神經網路(RNN)；或一廻旋神經網路(CNN)。

85.如條項84之非暫時性電腦可讀媒體，其中該RNN模型經公式化為包括與該等經圖案化基板層相關之資料作為時間軸。

86.一或多種非暫時性電腦可讀媒體，其儲存一預測模型及指令，該等指令在由一或多個處理器執行時提供該預測模型，該預測模型係藉由以下操作產生：獲得與一者在另一者之頂部上形成的複數個經圖案化基板層之部分 相關聯的效能資料；將該等經圖案化基板層之該等部分之該效能資料作為輸入提供至一基底預測模型，以獲得與該基板之一第一層之部分相關聯的經預測效能資料；及將與該第一層相關聯之該經輸入效能資料用作回饋以更新該基底預測模型之一或多個組態，其中基於該第一層的該經輸入效能資料與該經預測效能資料之間的一比較來更新該一或多個組態，其中該預測模型經結構化為使該第一層之該效能資料與一或多個其他經圖案化基板層相關。

87.如條項86之媒體，其中該獲得該效能資料包含：根據該基板之一或多個部分分裂該效能資料。

88.如條項86至87中任一項之媒體，其中該訓練該模型係一反覆程序，每一反覆包含：經由該基底預測模型使用與該等部分相關聯之該效能資料以及給定模型參數值，預測與該第一層之該等部分相關聯的該效能資料；比較與該第一層之該等部分相關聯之該模型預測之效能資料與同該第一層之該等部分相關聯之該所獲得之效能資料；基於該差調整該基底模型之該等給定模型參數值，以使與該複數個經圖案化基板層之該第一層之部分相關聯的該模型預測之效能資料與該所獲得之效能資料之間的一差在一指定範圍內。

89.如條項88之媒體，其中該調整該模型之該等給定模型參數值經執行直至該差得以最小化。

90.如條項86至89中任一項之媒體，其中該模型為以下各者中之至 少一者：一線性模型；或一機器學習模型。

91.如條項90之媒體，其中該機器學習模型為以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯程序廻歸；或k最近鄰法。

92.如條項90之媒體，其中該機器學習模型係包括以下各者中之至少一者之一進階機器學習模型：一殘差神經網路(RNN)；或一廻旋神經網路(CNN)。

93.如條項92之媒體，其中該RNN模型經公式化為包括基板之一當前批次之經圖案化基板層或基板之一先前批次之經圖案化基板層作為時間軸。

94.如條項86至93中任一項之媒體，其中該等經圖案化基板層之該複數個部分係該基板之場、子場或晶粒區域。

95.如條項86至94中任一項之媒體，其中該效能資料包含以下各者中之至少一者：與該基板之一給定層相關聯之疊對資料；與該基板之該給定層相關聯之對準資料；與該基板之該給定層相關聯之位階量測資料；與該基板之該給定層相關聯之可校正的疊對誤差資料，或該給定層相對於該基板上之一或多個底部層之高度資料。

圖23為說明可輔助實施本文中所揭示之方法、流程或裝置之電腦系統100的方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構，及與匯流排102耦接以用於處理資訊之一處理器104(或多個處理器104及105)。電腦系統100亦包括耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令的主記憶體106，諸如隨機存取記憶體 (RAM)或其他動態儲存器件。主記憶體106亦可用於在待由處理器104執行之指令之執行期間儲存暫時性變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令的唯讀記憶體(ROM)108或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件110，且儲存器件110耦接至匯流排102以用於儲存資訊及指令。

電腦系統100可經由匯流排102而耦接至用於向電腦使用者顯示資訊之顯示器112，諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件114耦接至匯流排102以用於將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器104且用於控制顯示器112上之游標移動的游標控制件116，諸如滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線：第一軸線(例如x)及第二軸線(例如y)中之兩個自由度，其允許該器件指定在平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。

根據一項實施例，可藉由電腦系統100回應於處理器104執行主記憶體106中所含有之一或多個指令之一或多個序列來執行本文中所描述之一或多種方法的部分。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中所含有之指令序列之執行使處理器104執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器亦可用以執行主記憶體106中含有之指令序列。在一替代實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文之描述不限於硬體電路系統及軟體之任何特定組合。

本文中所使用之術語「電腦可讀媒體」係指參與將指令提 供至處理器104以供執行之任何媒體。此媒體可採取許多形式，包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括(例如)光碟或磁碟，諸如，儲存器件110。揮發性媒體包括動態記憶體，諸如主記憶體106。傳輸媒體包括同軸纜線、銅線及光纖，其包括包含匯流排102之電線。傳輸媒體亦可採取聲波或光波之形式，諸如，在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體之常見形式包括例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣、如下文所描述之載波，或可供電腦讀取之任何其他媒體。

可在將一或多個指令之一或多個序列攜載至處理器104以供執行時涉及電腦可讀媒體之各種形式。舉例而言，最初可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線而發送指令。在電腦系統100本端之數據機可接收電話線上之資料，且使用紅外線傳輸器以將資料轉換成紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自該主記憶體106擷取及執行指令。由主記憶體106接收之指令可視情況在由處理器104執行之前或之後儲存於儲存器件110上。

電腦系統100亦可包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦合，網路鏈路120連接至區域網路122。舉例而言，通信介面118可為整合式服務數位網路(ISDN)卡或數據機以提供至對應類型之電話線的資料通信連接。作為另 一實例，通信介面118可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中，通信介面118發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光信號。

網路鏈路120通常經由一或多個網路而向其他資料器件提供資料通信。舉例而言，網路鏈路120可經由區域網路122而向主機電腦124或向由網際網路服務提供者(ISP)126操作之資料設備提供連接。ISP126又經由全球封包資料通信網路(現在通常被稱作「網際網路」)128而提供資料通信服務。區域網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號(該等信號將數位資料攜載至電腦系統100及自電腦系統100攜載數位資料)為輸送資訊的載波之例示性形式。

電腦系統100可經由網路、網路鏈路120及通信介面118發送訊息及接收資料，包括程式碼。在網際網路實例中，伺服器130可能經由網際網路128、ISP 126、區域網路122及通信介面118而傳輸用於應用程式之經請求程式碼。舉例而言，一個此類經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在其被接收時由處理器104執行，及/或儲存於儲存器件110或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統100可獲得呈載波形式之應用程式碼。

圖24示意性地描繪可結合本文中所描述之技術利用的例示性微影投影裝置。該裝置包含：- 照明系統IL，其用以調節輻射光束B。在此特定狀況下，照明系統亦包含輻射源SO； - 第一物件台(例如圖案化器件台)MT，其具備用以固持圖案化器件MA(例如倍縮光罩)之圖案化器件固持器，且連接至用以相對於物品PS來準確地定位該圖案化器件之第一定位器；- 第二物件台(基板台)WT，其具備用以固持基板W(例如抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於物品PS來準確地定位該基板之第二定位器；- 投影系統(「透鏡」)PS(例如折射、反射或反射折射光學系統)，其用以將圖案化器件MA之經輻照部分成像至基板W之目標部分C(例如包含一或多個晶粒)上。

如本文中所描繪，裝置屬於透射類型(亦即具有透射圖案化器件)。然而，一般而言，其亦可屬於例如反射類型(具有反射圖案化器件)。裝置可使用與經典光罩不同種類之圖案化器件；實例包括可程式化鏡面陣列或LCD矩陣。

源SO(例如水銀燈或準分子雷射、雷射產生電漿(laser produced plasma；LPP)EUV源)產生輻射光束。舉例而言，此光束係直接地或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器)IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈之外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL通常將包含各種其他組件，諸如積光器IN及聚光器CO。以此方式，照射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。

關於圖24應注意，源SO可在微影投影裝置之外殼內(此常常為源SO為例如水銀燈之狀況)，但其亦可遠離微影投影裝置，其產生之 輻射光束被導引至該裝置中(例如憑藉合適導向鏡)；此後一情境常常為源SO為準分子雷射(例如基於KrF、ArF或F₂雷射作用)時之狀況。

光束B隨後截取被固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA的情況下，光束B傳遞通過透鏡PS，該透鏡將該光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如以便使不同目標部分C定位於光束PB之路徑中。相似地，第一定位構件可用以(例如)在自圖案化器件庫機械地擷取圖案化器件MA之後或在掃描期間相對於光束B之路徑來準確地定位圖案化器件MA。一般而言，將憑藉未在圖24中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。然而，在步進器(相對於步進掃描工具)之狀況下，圖案化器件台MT可僅連接至短衝程致動器，或可固定。

可在兩種不同模式中使用所描繪工具：- 在步進模式中，圖案化器件台MT保持基本上靜止，且整個圖案化器件影像一次性投影(亦即單次「閃光」)至目標部分C上。接著使基板台WT在x方向及/或y方向上移位，使得可由光束PB輻照不同目標部分C；- 在掃描模式中，基本上相同情境適用，惟單次「閃光」中不曝光給定目標部分C除外。替代地，圖案化器件台MT可以速度v在給定方向(所謂的「掃描方向」，例如y方向)上移動，使得使投影光束B遍及圖案化器件影像進行掃描；並行地，基板台WT以速度V=Mv在相同方向或相對方向上同時地移動，其中M為透鏡PS之放大率(通常M=1/4或1/5)。以此方式，可在不必損害解析度的情況下曝光相對大目標部分C。

圖25示意性地描繪可結合本文中所描述之技術利用的另一 例示性微影投影裝置1000。

該微影投影裝置1000包含：- 源收集器模組SO；- 照明系統(照明器)IL，其經組態以調節輻射光束B(例如，EUV輻射)；- 支撐結構(例如，圖案化器件台)MT，其經建構以支撐圖案化器件(例如，光罩或倍縮光罩)MA且連接至經組態以準確地定位該圖案化器件之第一定位器PM；- 基板台(例如，晶圓台)WT，其經建構以固持基板(例如，抗蝕劑塗佈晶圓)W，且連接至經組態以準確地定位該基板之第二定位器PW；及- 投影系統(例如，反射投影系統)PS，其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C(例如，包含一或多個晶粒)上。

如此處所描繪，裝置1000屬於反射類型(例如，使用反射圖案化器件)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化器件可具有包含例如鉬與矽之多堆疊的多層反射器。在一項實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可運用X射線微影來產生更小波長。由於大多數材料在EUV及x射線波長下具吸收性，故圖案化器件構形上之經圖案化吸收材料之薄件(例如多層反射器之頂部上之TaN吸收體)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。

參看圖25，照明器IL自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但未必限於運用在EUV範圍內之一 或多個發射譜線將具有至少一個元素(例如氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿「LPP」)中，可藉由運用雷射光束來輻照燃料(諸如，具有該譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖25中未繪示)之EUV輻射系統之部件，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射，例如EUV輻射，該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO₂雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為單獨實體。

在此類狀況下，不認為雷射形成微影裝置之部件，且輻射光束係憑藉包含(例如)合適導向鏡及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他狀況下，舉例而言，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部件。

照明器IL可包含用於調整輻射光束之角強度分佈之調整器。通常，可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束，以在其橫截面中具有所要均一性及強度分佈。

輻射光束B入射於被固持於支撐結構(例如圖案化器件台)MT上之圖案化器件(例如光罩)MA上，且係由該圖案化器件而圖案化。在自圖案化器件(例如光罩)MA反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2(例如干涉器件、線性編碼器或電容式感測器)，可準確地移動基板台WT，例如以便使不同目標部分C定位於輻射光束B之路 徑中。相似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑準確地定位圖案化器件(例如光罩)MA。可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如光罩)MA及基板W。

所描繪裝置1000可用於以下模式中之至少一者中：

1.在步進模式中，在被賦予至輻射光束之整個圖案一次性投影至目標部分C上時，使支撐結構(例如圖案化器件台)MT及基板台WT保持基本上靜止(亦即單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位，使得可曝光不同目標部分C。

2.在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如圖案化器件台)MT及基板台WT(亦即單次動態曝光)。基板台WT相對於支撐結構(例如圖案化器件台)MT之速度及方向可藉由投影系統PS之放大率(縮小率)及影像反轉特性予以判定。

3.在另一模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，使支撐結構(例如圖案化器件台)MT保持基本上靜止，從而固持可程式化圖案化器件，且移動或掃描基板台WT。在此模式中，通常使用脈衝式輻射源，且在基板台WT之每一移動之後或在掃描期間之順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如上文所提及之類型之可程式化鏡面陣列)之無光罩微影。

圖26更詳細地展示裝置1000，其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置成使得可將真 空環境維持於源收集器模組SO之圍封結構220中。可由放電產生電漿源形成EUV輻射發射電漿210。可藉由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之高效產生，可需要為例如10帕斯卡之分壓之Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。

由熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用氣體障壁或污染物截留器230(在一些狀況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中已知，本文中進一步所指示之污染物截留器或污染物障壁230至少包括通道結構。

收集器腔室212可包括可為所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置以使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。

隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24，琢面化場鏡面器件22及琢面化光瞳鏡面器件24經配置以提供在圖案化器件MA處輻射光束21之所要角度分佈，以及在圖案化器件MA處之輻射強度之所要均一性。在由支撐結構 MT固持之圖案化器件MA處的輻射光束21之反射後，就形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。

比所展示之元件更多的元件通常可存在於照明光學件單元IL及投影系統PS中。取決於微影裝置之類型，可視情況存在光柵光譜濾光器240。另外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖26所展示之反射元件多1至6個的額外反射元件。

如圖26中所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置為圍繞光軸O軸向對稱，且此類型之收集器光學件CO可與常常被稱為DPP源之放電產生電漿源組合使用。

替代地，源收集器模組SO可為如圖27所展示之LPP輻射系統之部件。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口221上。

本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193nm波長且甚至能夠藉由使用氟雷射來產生157nm波長之極紫外線(EUV)、DUV微影。此外，EUV微影能夠藉由使用同步加速器或藉由運 用高能電子來撞擊材料(固體或電漿)而產生在20nm至5nm之範圍內之波長，以便產生在此範圍內之光子。

雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如，用於在不同於矽晶圓的基板上之成像的微影成像系統。

以上描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。

CNN:廻旋神經網路

DS1:實例資料集

DS2:實例資料集

L1:層

Ln:層

PDOD:經預測之經去校正疊對資料

W11:權重

W12:權重

W13:權重

W1m:權重

Wn1:權重

Wn2:權重

Wnm:權重

Claims (15)

1. 一種用於判定一模型以預測與經圖案化之一當前基板相關聯的疊對資料之方法，該方法包含：獲得(i)與經圖案化之該當前基板之一或多個先前層及/或當前層相關聯之一第一資料集、(ii)包含與在該當前基板之前經圖案化之一或多個先前基板相關聯的疊對度量衡資料之一第二資料集，及(iii)與該當前基板之該當前層相關聯之經去校正之經量測疊對資料；及基於(i)該第一資料集、(ii)該第二資料集及(iii)該經去校正之經量測疊對資料判定與該模型相關聯之一模型參數集合之值，使得該模型預測用於該當前基板之該疊對資料，其中該等模型參數之該等值經判定使得一成本函數最小化，該成本函數包含該經預測疊對資料與該經去校正之經量測疊對資料之間的一差。
2. 如請求項1之方法，其中該第一資料集進一步包含：與正用於圖案化該當前基板之該一或多個先前層及/或該當前層之一或多個掃描器相關聯的掃描器資料，及與該當前基板在該當前層經圖案化之前已經受的處理工具或在該當前層經圖案化之後將經受的處理工具相關聯的製作內容脈絡資料。
3. 如請求項2之方法，其中該掃描器資料包含以下各者中之一或多者：與該一或多個掃描器相關聯之一掃描器識別符及一掃描器夾盤識別符； 經由該一或多個掃描器之感測器或一量測系統所計算之量測值；與該一或多個掃描器相關聯的且與該當前基板之一疊對相關的一或多個關鍵效能指示符；及自對準感測器、位階量測感測器、高度感測器或附接於該一或多個掃描器中之其他感測器獲得之度量衡資料。
4. 如請求項2之方法，其中該等處理工具包含一蝕刻腔室、一化學機械拋光工具、一疊對量測工具及/或一CD度量衡工具中之一或多者。
5. 如請求項1之方法，其中該第一資料集包含：該當前基板之該一或多個先前層及/或該當前層之疊對度量衡資料，該疊對度量衡資料包含：(i)在將一疊對校正應用至該當前基板之該一或多個先前層之後獲得的經量測疊對資料，及/或(ii)在將該疊對校正應用至該當前基板之該一或多個先前層之前獲得的經去校正疊對資料；該當前基板之該一或多個先前層及/或該當前層之對準度量衡資料，該對準度量衡資料包含：(i)對準感測器資料、(ii)經由一對準系統模型所產生之殘差映圖、(iii)包含具有變化之強度之信號的一基板品質映圖，該基板品質映圖指示該對準資料之可靠性，及/或(iv)經由將複數個彩色雷射光束投影於該基板上所獲得的顏色間差異映圖，每一彩色雷射光束自該一或多個先前層上之一對準標記反射，該反射光束產生一繞射圖案，該顏色間差異映圖為一第一繞射圖案與一第二繞射圖案之間的一差異，該第一繞射圖案係與該複數個彩色雷射中之一第一顏色相關聯，且該第二繞射圖案係與該複數個彩色雷射中之一第二顏色相關聯； 該當前基板之該一或多個先前層及/或該當前層之位階量測度量衡資料，該位階量測度量衡資料包含：(i)一基板高度資料，及/或(ii)轉換成x及y方向位移的該基板高度資料；及/或該當前基板之該一或多個先前層及/或該當前層之製作內容脈絡資訊，該內容脈絡資訊包含：(i)與該圖案化程序之一程序相關聯之一滯後時間、(ii)安裝有一當前基板之一夾盤識別符、(iii)指示執行該圖案化程序之該程序的一腔室之一腔室識別符，及/或(iv)特性化與該腔室相關聯之一或多個處理參數之一疊對貢獻之一腔室指紋。
6. 如請求項1之方法，其中該第一資料集進一步包含：與該圖案化程序之參數相關聯之所導出資料，該等參數與對疊對之一貢獻相關聯，其中該所導出資料係自該掃描器資料及/或該製作內容脈絡資訊導出。
7. 如請求項1之方法，其中該模型經組態以預測該當前基板之一點位階處之該疊對資料，其中一點係與形成於該當前基板上之一疊對標記相關聯的一部位。
8. 如請求項1之方法，其中該模型係一點位階模型，其中該點位階模型之該模型參數之該等值係基於在具有一疊對標記之該當前基板上之複數個部位中之一給定部位處所獲得的該第一資料集、該第二資料集及該經去校正之經量測疊對資料予以判定。
9. 如請求項8之方法，其中在具有該疊對標記之該當前基板上之該給定部位處獲得該第一資料集、該第二資料集及該經去校正之經量測疊對資料包含：以一各別基板映圖之形式表示該第一資料集、該第二資料集及該經去校正之經量測疊對資料的值；經由模型化及/或內插對準該等基板映圖中之每一者；分別在該第一資料集、該第二資料集及該經量測之經去校正疊對資料內橫越該當前基板均一地共用(share)基板位階資訊；及分別提取與該給定部位相關聯的該第一資料集、該第二資料集及該經去校正之經量測疊對資料的該等值。
10. 如請求項1之方法，其中該模型係一基板位階模型，其中該基板位階模型之該模型參數之該等值係基於橫越一整個基板之該第一資料集、該第二資料集及該經去校正之經量測疊對資料的該等值而判定。
11. 如請求項10之方法，其中該判定該基板模型之該模型參數之該等值進一步包含：使用分別與複數個基板中之每一者相關聯的該第一資料集、該第二資料集及該經去校正之經量測疊對資料之值來產生複數個基板映圖；將該複數個基板映圖中之每一者投影至一基底函數(basis function)；及基於該投影判定與該基底函數相關聯之投影係數、該等投影係數及其他基板位階資料正用以定義該基板模型。
12. 如請求項1之方法，其中該模型為以下各者中之至少一者：基於(i)與該當前基板或該等先前基板之一選定層相關聯之該第一資料集或(ii)與該當前基板或該等先前基板之多個層相關聯之該第一資料集而判定的一線性模型；或一機器學習模型。
13. 如請求項12之方法，其中該機器學習模型為以下各者中之至少一者：多層感知器；隨機森林；自適應性增強樹；支援向量廻歸；高斯程序廻歸；或k最近鄰法。
14. 如請求項12之方法，其中該機器學習模型係包括以下各者中之至少一者的一進階機器學習模型：一殘差神經網路(RNN)；或一廻旋神經網路(CNN)。
15. 一種電腦程式產品，其包含其上經記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施如請求項1之方法之步驟。

Images