TWI754308B - 機器學習輔助光學接近誤差校正的訓練方法 - Google Patents

機器學習輔助光學接近誤差校正的訓練方法 Download PDF

Info

Publication number
TWI754308B
TWI754308B TW109121063A TW109121063A TWI754308B TW I754308 B TWI754308 B TW I754308B TW 109121063 A TW109121063 A TW 109121063A TW 109121063 A TW109121063 A TW 109121063A TW I754308 B TWI754308 B TW I754308B
Authority
TW
Taiwan
Prior art keywords
optical proximity
data
proximity correction
machine learning
image
Prior art date
Application number
TW109121063A
Other languages
English (en)
Other versions
TW202046026A (zh
Inventor
蘇靜
彥文 盧
亞 羅
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202046026A publication Critical patent/TW202046026A/zh
Application granted granted Critical
Publication of TWI754308B publication Critical patent/TWI754308B/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
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G06N5/047—Pattern matching networks; Rete networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Abstract

一種方法包括：獲得用於一訓練設計圖案之一在空間上移位版本的一光學接近校正；及使用關於該訓練設計圖案之資料及基於用於該訓練設計圖案之該在空間上移位版本之該等光學接近校正之資料訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。

Description

機器學習輔助光學接近誤差校正的訓練方法
本文中之描述係關於微影裝置及程序，且更特定言之，係關於一種對設計佈局進行光學接近誤差校正之工具及方法。
微影裝置可用於(例如)積體電路(IC)或其他器件之製造中。在此狀況下，圖案化器件(例如遮罩)可含有或提供對應於裝置之個別層的圖案(「設計佈局」)，且此圖案可藉由諸如藉由圖案化器件上之圖案輻照目標部分之方法轉印至基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)上，該基板已經塗佈有輻射敏感材料(「抗蝕劑」)層。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影裝置順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影裝置中，將整個圖案化器件上之圖案一次性轉印至一個目標部分上；此裝置通常被稱作步進器。在通常被稱作步進掃描裝置之替代裝置中，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。將圖案化器件上之圖案之不同部分漸進地轉印至一個目標部分。一般而言，由於微影裝置將具有放大因數M (通常＜1)，所以基板被移動之速度F將為投影光束掃描圖案化器件之速度的因數M倍。
在將圖案自圖案化器件轉印至器件製造程序之基板之器件製造工序之前，基板可經歷器件製造程序之各種器件製造工序，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受器件製造程序之其他器件製造工序，諸如曝光後烘烤(PEB)、顯影，及硬烘烤。此器件製造工序陣列係用作製造器件(例如IC)之個別層之基礎。基板可接著經歷器件製造程序之各種器件製造工序，諸如，蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等，該等工序皆意欲精整器件之個別層。若在器件中需要若干層，則針對每一層來重複整個程序或其變體。最終，在基板上之每一目標部分中將存在一器件。若存在複數個器件，則接著藉由諸如切塊或鋸切之技術將此等器件彼此分離，據此，可將個別器件安裝於載體上、連接至銷釘等。
因此，製造器件(諸如半導體器件)通常涉及使用數個製造程序來處理基板(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等來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製造多個器件，且接著將該等器件分離成個別器件。此器件製造程序可被認為係圖案化程序。圖案化程序涉及圖案化步驟，諸如使用微影裝置之光學或奈米壓印微影，以在基板上提供圖案且通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影裝置之抗蝕劑顯影、使用烘烤工具烘烤基板、使用蝕刻裝置使用圖案進行蝕刻等。此外，在圖案化程序中通常涉及一或多個度量衡程序。
在一實施例中，提供一種方法，其包含：獲得包括對應於一訓練設計圖案之一在空間上移位版本的一光學接近校正之訓練資料集；及藉由一硬體電腦系統使用關於該訓練設計圖案之該在空間上移位版本之資料及基於該訓練設計圖案之該在空間上移位版本之該光學接近校正的資料來訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。
在一實施例中，提供一種方法，其包含：獲得一設計圖案之一或多個在空間上移位版本及用於該一或多個經移位設計圖案中之每一者之光學接近校正影像的對應的在空間上移位版本；藉由一硬體電腦系統選擇具有符合或超過一臨限值之一程序窗之該一或多個經移位設計圖案的一或多個光學接近校正影像；及藉由該硬體電腦系統使用包含關於該設計圖案之一或多個在空間上移位版本的資料及關於該選定的一或多個光學接近校正影像之資料之訓練資料來訓練一機器學習模型。
在一實施例中，提供一種方法，其包含：獲得一加權函數或資料以將一權重指派給一設計圖案之一光學接近校正之一區，該權重不同於經指派給其另一區之一權重；及藉由一硬體電腦系統藉由基於該加權資料相對於該設計圖案之一基準光學接近校正評估該機器學習模型之該設計圖案之一經預測光學接近校正而訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。
在一實施例中，提供一種方法，其包含：獲得用於一設計圖案之一基準光學接近校正；藉由一硬體電腦系統使用一機器學習模型產生用於該設計圖案之一經預測光學接近校正；藉由該硬體電腦系統在該經預測及/或基準光學接近校正之一部分處指派一相對高權重；及藉由該硬體電腦系統使用評估該經加權之經預測及/或基準光學接近校正之一目標函數訓練該機器學習模型。
在一實施例中，提供一種方法，其包含：藉由一硬體電腦系統將一二進位化函數應用於一機器學習模型之一設計圖案之一經預測光學接近校正及/或該設計圖案之一基準光學接近校正的影像資料以產生一各別其經二進位化版本；及藉由一硬體電腦系統藉由基於該經預測及/或基準光學接近校正之該經二進位化版本相對於該基準光學接近校正評估該經預測光學接近校正來訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。
在一實施例中，提供一種方法，其包含：獲得用於一設計圖案之一基準光學接近校正影像；藉由一硬體電腦系統使用一機器學習模型產生用於該設計圖案之一經預測光學接近校正影像；藉由該硬體電腦系統使用一二進位化函數將該等經預測及基準光學接近校正影像變換成各別二進位影像；藉由該硬體電腦系統相對於該經預測光學接近校正影像之該二進位影像之資料評估基準光學接近校正影像之該二進位影像的資料；及藉由該硬體電腦系統基於該評估調整該機器學習模型之一參數。
在一實施例中，提供一種方法，其包含：藉由一硬體電腦系統處理一機器學習模型之一設計圖案之一經預測光學接近校正及/或該設計圖案之一基準光學接近校正的影像資料以識別一光學接近校正之邊緣部位；及藉由一硬體電腦系統藉由基於來自該等經識別邊緣部位之資料相對於該基準光學接近校正評估該經預測光學接近校正來訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。
在一實施例中，提供一種方法，其包含：獲得用於一設計圖案之一基準光學接近校正影像；藉由一硬體電腦系統使用一機器學習模型產生用於該設計圖案之一經預測光學接近校正影像；藉由該硬體電腦系統識別該等經預測及基準光學接近校正影像內之特徵之邊緣部位；藉由該硬體電腦系統相對於該經預測光學接近校正影像之經識別邊緣部位處之資料評估該基準光學接近校正影像之經識別邊緣部位處之資料；及藉由該硬體電腦系統基於該評估調整該機器學習模型之一參數。
在一實施例中，提供一種方法，其包含：獲得一輸入設計圖案之一在空間上移位版本；及藉由一硬體電腦系統使用具有一懲罰項之一目標函數訓練經組態以針對設計圖案預測光學接近校正之一機器學習模型，該懲罰項涉及對應於由該機器學習模型相對於該輸入設計圖案進行之一預測之一值與對應於由該機器學習模型相對於該經移位輸入設計圖案進行之一預測的一逆移位版本之一值之間的一比較，其中該逆移位為一空間移位，其與用於創建該輸入設計圖案之該在空間上移位版本之該空間移位相逆。
在一實施例中，提供一種電腦程式產品，其包含經記錄有指令之一電腦可讀媒體，該等指令在由一電腦執行時實施本文中之任何方法或其任何部分。
說明性實施之前述一般描述及其以下詳細描述僅僅為本公開之教示的例示性態樣，且並非限定性的。
在下文中結合附圖所闡述之描述意欲作為對所揭示之主題之各種實施例之描述且不必意欲表示僅有的實施例。在某些情況下，出於提供對所揭示實施例之理解之目的，本說明書包括特定的細節。然而，對於熟習此項技術者將顯而易見，所揭示實施例可在無彼等特定細節之情況下實踐。在一些情況下，眾所周知的結構及組件可以方塊圖形式展示以便避免混淆所揭示主題之概念。
隨著半導體或其他器件製造程序繼續進步，幾十年來，功能元件之尺寸已不斷地縮減，而每器件的諸如電晶體之功能元件之量已在穩固地增加，此遵循通常被稱作「莫耳定律(Moore's law)」之趨勢。當前技術狀態下，器件之層使用微影裝置製造，從而創建具有遠低於30 nm之尺寸之個別功能元件，該等微影裝置使用來自深紫外線(例如193 nm)照明源或極紫外線(例如13.52 nm)照明源之照明將設計佈局投影至基板上。
供印刷尺寸小於微影裝置之經典解析度限制之特徵的此程序根據解析度公式CD=k1×λ/NA而通常被稱為低k1微影，其中λ為所使用輻射之波長(當前在大多數狀況下為248 nm或193 nm)，NA為微影裝置中之投影光學件之數值孔徑，CD為「臨界尺寸」(通常為所印刷之最小特徵大小)，且k1為經驗解析度因數。一般而言，k1愈小，則在基板上再生類似於由電路設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，將複雜微調步驟應用於微影裝置或設計佈局。此等步驟包括例如但不限於：NA及光學相干性設定之最佳化、自訂照明方案、使用相移圖案化器件、設計佈局中之光學接近校正(OPC)，或通常被定義為「解析度增強技術」(RET)之其他方法。
作為RET之實例，OPC處理如下事實：投影於基板上之設計佈局的影像之最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化器件上之大小及置放。應注意，術語「光罩」、「倍縮光罩」、「圖案化器件」在本文中可被互換地利用。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。此等接近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，接近效應可起因於在通常跟隨微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了增加設計佈局之經投影影像係根據給定目標電路設計之要求之機會，可使用設計佈局之複雜數值模型、校正或預失真來預測及補償接近效應。論文「Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design」(C. Spence，Proc. SPIE，第5751卷，第1至14頁(2005年))提供當前「以模型為基礎」之光學接近校正程序的綜述。在典型高端設計中，設計佈局之幾乎每一特徵皆具有某種修改，以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置，以及意欲輔助其他特徵之投影的「輔助」特徵之應用。
OPC之最簡單形式中之一者為選擇性偏置。在給出CD相對於間距曲線的情況下，可至少在最佳焦點及曝光處藉由改變圖案化器件層級之CD而迫使所有不同間距產生相同CD。因此，若特徵在基板層級過小地印刷，則圖案化器件層級特徵將偏置成稍微大於標稱，且反之亦然。由於自圖案化器件層級至基板層級之圖案轉印程序係非線性的，故偏置之量並非僅僅為在最佳焦點及曝光處之經量測CD誤差乘以縮減比率，而是運用模型化及實驗，可判定適當偏置。選擇性偏置為對接近效應之問題的不完全解決方案，特別在其僅在標稱程序條件下予以應用之情況下。儘管此偏置原則上可應用以給出最佳焦點及曝光處之均一CD相對於間距曲線，但一旦曝光程序自標稱條件變化，每一偏置間距曲線就將作出不同的回應，從而引起用於不同特徵之不同程序窗。程序窗為兩個或多於兩個程序參數(例如微影裝置中之焦點及輻射劑量)之一系列值，在該等程序參數下，足夠適當地創建特徵(例如特徵之CD係在諸如±10%或±5%之某一範圍內)。因此，為給出相同CD相對於間距之「最佳」偏置甚至可對總程序窗有消極影響，從而縮減(而非放大)所有目標特徵在所要程序容許度內印刷於基板上之焦點及曝光範圍。
已開發供超出以上之一維偏置實例之應用的其他更複雜OPC技術。二維接近效應係線端縮短的。線端具有依據曝光及焦點而自其所要端點部位「拉回」之傾向。在許多狀況下，長線端之末端縮短程度可比對應線窄化大若干倍。此類型之線端拉回可在線端不能完全橫越其意欲覆蓋之底層(諸如，源極-汲極區上方之多晶矽閘極層)的情況下引起所製造的器件發生嚴重故障。由於此類型之圖案對焦點及曝光高度敏感，故使線端簡單地偏置成長於設計長度不適當，此係因為最佳焦點及曝光處或在曝光不足條件下之線將過長，從而在延伸之線端觸摸相鄰結構時引起短路，或在電路中之個別特徵之間添加更多空間的情況下引起不必要大的電路大小。由於積體電路設計及製造之目標中之一者為最大化功能元件之數目，同時最小化每晶片所需之面積，故添加過量間隔係非所要的解決方案。
二維OPC途徑可幫助解決線端拉回問題。諸如「錘頭」或「襯線」之額外結構(亦被稱為「輔助特徵」)可添加至線端以將該等線端有效地錨定於適當位置且提供遍及整個程序窗之縮減之拉回。即使在最佳焦點及曝光處，此等額外結構仍未被解析，但其更改主要特徵之外觀，而未被獨自完全解析。如本文中所使用之「主要特徵」意謂在程序窗中之一些或全部條件下意欲印刷於基板上之特徵。輔助特徵可呈現比添加至線端之簡單錘頭更有攻擊性之形式，而達圖案化器件上之圖案不再簡單地為大小增加縮減比率的所要基板圖案之程度。諸如襯線之輔助特徵可應用於比簡單地縮減線端拉回更多的情形。內襯線或外襯線可被應用至任何邊緣(尤其是二維邊緣)，以縮減角落圓化或邊緣擠壓。在運用足夠選擇性偏置以及所有大小及極性之輔助特徵的情況下，圖案化器件上之特徵承受與基板層級所要之最終圖案愈來愈小的類似性。一般而言，圖案化器件圖案變為基板層級圖案之經預失真版本，其中失真意欲抵消或反轉在製造程序期間將出現的圖案變形以在基板上產生儘可能接近於設計者所預期之圖案的圖案。
代替使用連接至主要特徵之彼等輔助特徵(例如，襯線)或除了使用連接至主要特徵之彼等輔助特徵(例如，襯線)以外，另一OPC技術亦涉及使用完全獨立且不可解析之輔助特徵。此處之術語「獨立」意謂此等輔助特徵之邊緣並不連接至主要特徵之邊緣。此等獨立輔助特徵不意欲或希望作為特徵印刷於基板上，而是意欲修改附近主要特徵之空中影像以增強彼主要特徵之可印刷性及程序容許度。此等輔助特徵(常常被稱作「散射長條」或「SBAR」)可包括：子解析度輔助特徵(SRAF)，其為主要特徵之邊緣外部之特徵；及子解析度逆特徵(SRIF)，其為自主要特徵之邊緣內部取出之特徵。SBAR之存在向圖案化器件圖案添加了又一層之複雜度。散射長條之使用之簡單實例為：其中在經隔離線特徵之兩個側上拖曳不可解析散射長條之規則陣列，此具有自空中影像之觀點使經隔離線呈現為更表示緻密線陣列內之單一線之效應，從而引起程序窗在焦點及曝光容許度方面更接近於緻密圖案之焦點及曝光容許度。此經裝飾隔離特徵與緻密圖案之間的共同程序窗相比於如在圖案化器件層級隔離而拖曳之特徵之情形將具有對焦點及曝光變化之更大的共同容許度。
輔助特徵可被視為圖案化器件上之特徵與設計佈局中之特徵之間的差異。術語「主要特徵」及「輔助特徵」並不暗示圖案化器件上之特定特徵必須被標註為主要特徵或輔助特徵。
作為簡要介紹，圖1說明例示性微影投影裝置10A。主要組件包括：照明光學件，其定義部分相干性(被表示為均方偏差)，且可包括：塑形來自輻射源12A之輻射的光學件14A、16Aa及16Ab，該輻射源12A可為深紫外線準分子雷射源或包括極紫外線(EUV)源的其他類型之源(如本文中所論述，微影投影裝置自身無需具有輻射源)；及光學件16Ac，其將圖案化器件18A之圖案化器件圖案之影像投影至基板平面22A上。投影光學件之光瞳平面處之可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度定義投影光學件之數值孔徑NA=sin(Θmax )。
在微影投影裝置中，投影光學件經由圖案化器件而引導來自源之照明且將該照明引導至基板上且塑形該照明。此處，術語「投影光學件」被廣泛地定義為包括可變更輻射光束之波前的任何光學組件。舉例而言，投影光學件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為在基板層級之輻射強度分佈。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伏「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。抗蝕劑模型可用以自空中影像演算抗蝕劑影像。抗蝕劑模型僅與抗蝕劑層之屬性(例如，在曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應)有關。微影投影裝置之光學屬性(例如照明、圖案化器件及投影光學件之屬性)指示空中影像且可經定義在光學模型中。由於可改變用於微影投影裝置中之圖案化器件，所以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。用於將設計佈局變換成各種微影影像(例如空中影像、抗蝕劑影像等)、使用彼等技術及模型應用OPC以及評估效能(例如在程序窗方面)之技術及模型的細節經描述於美國專利申請公開案第US 2008-0301620號、第US 2007-0050749號、第US 2007-0031745號、第US 2008-0309897號、第US 2010-0162197號以及第US 2010-0180251號中，該等公開案各自之揭示內容特此以全文引用之方式併入。
如圖2中所展示，微影裝置LA可形成微影製造單元LC (有時亦被稱作微影製造單元(lithocell)或微影製造叢集)之部分，微影製造單元LC亦包括用以對基板執行一或多個曝光前程序及曝光後程序之裝置。習知地，此等裝置包括用以沈積抗蝕劑層之一或多個旋塗器SC、用以顯影經曝光之抗蝕劑之一或多個顯影器DE、一或多個冷卻板CH及一或多個烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板、在不同處理器件之間移動基板，且將基板遞送至微影裝置之裝載匣LB。常常被集體地稱為自動化光阻塗佈及顯影系統(track)之此等器件係在自動化光阻塗佈及顯影系統控制單元TCU之控制下，自動化光阻塗佈及顯影系統控制單元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(例如每單位時間處理之基板)及處理效率。微影製造單元LC可進一步包含用以蝕刻基板之一或多個蝕刻器，及經組態以量測基板之參數之一或多個量測器件。量測器件可包含經組態以量測基板之實體參數之光學量測器件，諸如，散射計、掃描電子顯微鏡等等。量測器件可併入於微影裝置LA中。本發明之一實施例可在監督控制系統SCS或微影控制單元LACU中或運用監督控制系統SCS或微影控制單元LACU予以實施。舉例而言，來自監督控制系統SCS或微影控制單元LACU之資料可由本發明之一實施例使用，且可將來自本發明之一實施例之一或多個信號提供至監督控制系統SCS或微影控制單元LACU。
圖3示意性地描繪在設計佈局中進行光學接近校正之方法。設計佈局可為在施加RET之前的設計佈局或在施加RET之後的設計佈局。設計佈局可為二進位或連續色調。在本發明中，集中於將輔助特徵(連接至主要特徵之輔助特徵或獨立輔助特徵)置放至設計佈局中作為實例光學接近校正，本文中之技術可應用於該實例光學接近校正。如將瞭解，本文中之技術可應用於除輔助特徵以外之替代光學接近校正(諸如偏置等)或應用於除了輔助特徵之外的光學接近校正(例如輔助特徵之偏置的組合)。
計算或經驗模型213可用於應用諸如一或多個輔助特徵之一或多個光學接近校正(例如判定一或多個特性，諸如一或多個光學接近校正之存在、部位、類型、形狀等)。模型213可考量器件製造程序之一或多個特性211 (亦被稱作處理參數)或一或多個設計佈局參數212，或此兩者。一或多個處理參數211為與器件製造程序相關聯但不與設計佈局相關聯的一或多個參數。舉例而言，一或多個處理參數211可包括照明之特性(例如強度、光瞳剖面等)、投影光學件之特性、劑量、焦點、抗蝕劑之特性、抗蝕劑之顯影之特性、抗蝕劑之曝光後烘烤之特性，或蝕刻之特性。一或多個設計佈局參數212可包括一設計佈局上之各種特徵之一或多個形狀、大小、相對部位或絕對部位，且亦包括不同設計佈局上之特徵之重疊。在經驗模型中，影像(例如抗蝕劑影像、光學影像、蝕刻影像)未經模擬；實際上，經驗模型基於輸入(例如一或多個處理參數211及/或設計佈局參數212)與光學接近校正之間的相關性進行光學校正(例如置放輔助特徵)。在計算模型中，計算影像之部分或特性，且基於經演算影像之部分或特性應用光學接近校正。
經驗模型之一實例係機器學習模型。不受監督的機器學習模型與受監督的機器學習模型可用於進行光學接近校正(例如輔助特徵之置放)。在不限制本發明之範疇的情況下，在下文描述對受監督的機器學習演算法之應用。
受監督的學習為自經標註訓練資料推斷函數之機器學習任務。訓練資料包括訓練實例集合。在受監督的學習中，每一實例為具有輸入物件(通常為向量)及所要輸出值(亦被稱為監督信號)之一對。受監督的學習演算法分析訓練資料且產生可用於映射新實例之經推斷函數。在一實施例中，最佳情境將允許演算法正確地判定用於未見過的例項之類別標籤。此要求學習演算法以「合理」方式自訓練資料一般化成未見過的情形。
給定
Figure 02_image001
之N個訓練實例之集合使得
Figure 02_image003
為第i個實例之特徵向量且
Figure 02_image005
為其標籤(亦即，類別)，學習演算法尋求函數
Figure 02_image007
，其中
Figure 02_image009
為輸入空間且
Figure 02_image011
為輸出空間。特徵向量為表示某一物件之數值特徵之n維向量。機器學習中之許多演算法需要物件之數值表示，因為該等表示有助於處理及統計分析。在表示影像時，特徵值可對應於影像之像素，在表示文字時，可能稱為出現頻率。與此等向量相關聯之向量空間常常被稱作特徵空間。函數
Figure 02_image013
為通常被稱作假設空間之可能函數
Figure 02_image015
之一些空間的元素。有時使用計分函數
Figure 02_image017
Figure 02_image019
表示
Figure 02_image013
係合宜的，使得
Figure 02_image013
被定義為返回給出最高得分：
Figure 02_image021
之
Figure 02_image023
值，其中
Figure 02_image025
指代計分函數之空間。儘管
Figure 02_image027
及
Figure 02_image029
可為函數之任何空間，但許多學習演算法為概率模型，其中
Figure 02_image031
採用條件概率模型
Figure 02_image033
之形式，或
Figure 02_image035
採用之聯合概率模型
Figure 02_image037
之形式。舉例而言，樸素貝葉斯(naive Bayes)及線性判別分析為聯合概率模型，而邏輯回歸(logistic regression)為條件概率模型。
存在用以選擇
Figure 02_image039
或
Figure 02_image041
之兩種基本途徑：經驗風險最小化及結構風險最小化。經驗風險最小化尋求最擬合訓練資料之函數。結構風險最小化包括控制偏差/方差取捨之懲罰函數。
在兩種狀況下，假定訓練集具有獨立且相同分配的對
Figure 02_image043
之樣本。為了量測函數如何擬合訓練資料，通常會定義目標函數。對於成本或損失函數L：可定義
Figure 02_image045
。在此情形下，對於訓練實例
Figure 02_image047
，預測值
Figure 02_image049
之損失為
Figure 02_image051
。函數
Figure 02_image053
之風險
Figure 02_image055
經定義為
Figure 02_image053
之預期損失。此可自訓練資料估計為
Figure 02_image057
Figure 02_image059
。
受監督的學習之例示性模型包括決策樹、集體(裝袋、增強、隨機森林)、k-NN、線性回歸、樸素貝葉斯、神經網路、邏輯回歸、感知器(Perceptron)、支援向量機(SVM)、相關性向量機(RVM)及深度學習。
SVM為受監督的學習模型之一實例，其分析資料且辨識圖案，且可用於分類及回歸分析。在給出訓練實例集合的情況下，每一訓練實例被標記為屬於兩個種類中之一者，SVM訓練演算法建置將新實例指派至一個種類或另一種類中之模型，使得其為非機率二進位線性分類器。SVM模型為如空間中之點的實例之表示，其經映射使得單獨種類之實例由儘可能寬的清晰間隙分隔。接著將新實例映射至同一空間中，且基於其落在間隙之哪一側來預測其屬於的種類。除了執行線性分類以外，SVM亦可使用被稱為核心方法來有效地執行非線性分類，從而隱含地將其輸入映射至高維特徵空間中。
核心方法涉及使用者指定之核心，亦即，遍及原始表示中之資料點對之相似度函數。核心方法之名字歸功於核心函數之使用，核心函數使其能夠在高維、隱式特徵空間中操作而無需不斷計算彼空間中之資料的座標，而是簡單地計算特徵空間中之所有資料對之影像之間的內積。此操作在計算上常常比座標之顯式計算更省事。此途徑被稱作「核心技巧(kernel trick)」。
SVM之有效性取決於對核心、核心參數及軟裕度參數C之選擇。常見選擇為高斯核心，其具有單一參數γ。常常藉由運用按指數律成比例生長之C及γ之序列，例如
Figure 02_image061
；
Figure 02_image063
Figure 02_image065
，進行的格點搜尋(亦被稱為「參數掃掠」)來選擇C與γ之最佳組合。
格點搜尋為經由學習演算法之超參數空間之手動指定子集的窮盡性搜尋。格點搜尋演算法係由某一效能度量導引，該效能度量通常藉由對訓練集之交叉驗證或對留存驗證集合之評估來量測。
可使用交叉驗證檢查參數選擇之每一組合，且選取具有最佳交叉驗證準確度之參數。
交叉驗證(有時被稱作旋轉估計)為用於評估統計分析之結果將如何經一般化成獨立資料集的模型驗證技術。其主要用於目標為預測且人們想要估計將實際上執行預測模型的精確性的情境。在預測問題中，通常向模型提供正執行訓練之已知資料的資料集(訓練資料集)，及模型經測試所對照之未知資料(或首次所見資料)之資料集(測試資料集)。交叉驗證之目標為定義用以在訓練階段「測試」模型的資料集(亦即，驗證資料集)，以便限制比如同過度擬合之問題，給出對模型將如何經一般化成獨立資料集(亦即，未知資料集，例如來自真實問題)之理解等。交叉驗證之一個回合涉及將資料樣本分割成互補子集、執行對一個子集(被稱作訓練集)之分析及驗證對另一子集(被稱作驗證集或測試集)之分析。為減少變化性，使用不同分割執行多個回合之交叉驗證，且驗證結果為對該等回合求平均。
接著使用選定參數在整個訓練集上訓練可用於測試及用於將新資料分類之最終模型。
受監督的學習之另一實例為回歸。回歸自因變數之值與自變數之對應值的集合推斷一因變數與一或多個自變數之間的關係。在給出自變數的情況下，回歸可估計因變數之條件期望值。所推斷出之關係可被稱為回歸函數。所推斷出之關係可為機率性的。
圖4A及圖4B示意性地分別展示根據一實施例之用於訓練機器學習以置放輔助特徵(作為光學接近校正之實例)及使用經訓練機器學習模型以置放輔助特徵(作為光學接近校正之一實例)的方法之流程。圖4A示意性地展示用於訓練機器學習模型之流程。獲得設計佈局之部分505之一或多個特性510的一或多個值。設計佈局可為二進位設計佈局、連續色調設計佈局(例如自二進位設計佈局再現)，或具有另一合適形式之設計佈局。一或多個特性510可包括部分505中之一或多個圖案之幾何特性(例如絕對部位、相對部位或形狀)。一或多個特性510可包括部分505中之一或多個圖案之一或多個統計特性。部分505中之圖案之統計特性的實例可包括一或多個圖案之幾何尺寸之平均值或方差。一或多個特性510可包括部分505之參數化(亦即，部分505之函數之一或多個值)，諸如在某些基底函數上之投影。一或多個特性510可包括自部分505導出之影像(經像素化、二進位曼哈頓、二進位曲線或連續色調)或影像資料(例如具有相關聯部位之像素值)。一般而言，影像資料可指與影像相關聯之任何資料(例如像素值、部位、強度、RBG值等)。
在工序520中，使用任何合適之方法基於部分505或其一或多個特性510來判定輔助特徵之一或多個特性530。舉例而言，輔助特徵之一或多個特性530可使用美國專利第9,111,062號中所描述之或Y.Shen等人,Level - Set - Based Inverse Lithography For Photomask Synthesis , Optics Express,第17卷,第23690至23701頁(2009年) (其揭示內容特此以全文引用之方式併入)描述之方法及/或本文中或以引用的方式併入本文中之任何文件中所描述之任何其他技術來判定。舉例而言，一或多個特性530可包括輔助特徵之一或多個幾何特性(例如絕對部位、相對部位或形狀)、輔助特徵之一或多個統計特性(諸如輔助特徵之幾何尺寸之平均值或方差)、輔助特徵之參數化(例如輔助特徵之函數之一或多個值，諸如在某些基底函數上之投影)或輔助特徵之影像或影像資料(例如經像素化、二進位曼哈頓、二進位曲線或連續色調影像及/或具有相關聯部位之像素值)。
設計佈局之部分的一或多個特性510之值及輔助特徵之一或多個特性530之值作為樣本包括於訓練資料540中。在一實施例中，一或多個特性510包括於樣本之特徵向量(亦被稱作輸入向量)中，且一或多個特性530包括於樣本之標籤(亦被稱作監督信號或應答向量)中。在工序550中，使用訓練資料540來訓練機器學習模型560。如上文所提及，目標函數(例如損失或成本函數)可用於訓練中。
圖4B示意性地展示用於使用機器學習模型560來置放一或多個輔助特徵的流程。獲得設計佈局534之部分533或該部分之一或多個特性535。設計佈局534之部分533及任何其他部分皆不必須為訓練資料之部分。部分533可為設計佈局534之邊緣附近之部分。一或多個特性535可包括部分533中之一或多個圖案之一或多個幾何特性(例如絕對部位、相對部位或形狀)。一或多個特性535可包括部分533中之一或多個圖案之一或多個統計特性。一或多個特性535可包括部分533之參數化，諸如在某些基底函數上之投影。一或多個特性535可包括自部分533導出之影像(經像素化、二進位曼哈頓、二進位曲線或連續色調)或影像資料(例如具有相關聯部位之像素值)。舉例而言，若部分533為設計佈局534之邊緣附近的部分，則一或多個特性535可相對於邊緣作為參考物(例如使用作為參考物之邊緣獲得之經像素化、二進位曼哈頓、二進位曲線或灰階影像或至基底上之投影)，藉此一或多個特性535不改變，即使邊緣相對於固定在設計佈局中之參考物移動亦如此，如下文參考圖4C、圖4D及圖4E進一步解釋。
在工序570中，將部分534或一或多個特性535作為輸入提供至機器學習模型560中，且自機器學習模型560獲得作為輸出的用於部分533之一或多個輔助特徵之一或多個特性580。一或多個特性580可包括輔助特徵之一或多個幾何特性(例如絕對部位、相對部位或形狀)。一或多個特性580可包括輔助特徵之參數化，諸如在某些基底函數上之投影。一或多個特性580可包括輔助特徵之影像(經像素化、二進位曼哈頓、二進位曲線或連續色調)或影像資料(例如具有相關聯部位之像素值)。可例如使用美國專利申請公開案第2008/0301620號中所描述之方法來調整輔助特徵之一或多個特性580以避免其中的衝突，該專利申請公開案之全部揭示內容係以引用方式併入。
在視情況選用的工序590中，在微影程序中使用設計佈局534之部分533及輔助特徵來圖案化基板。
在工序570中，機器學習模型560可視情況計算信賴度量585，該信賴度量指示一或多個特性580之可信度。舉例而言，當一或多個特性580包括輔助特徵之二進位影像(例如二進位曼哈頓影像、二進位曲線影像)時，信賴度量可為二進位影像之任一色調之機率。一些機器學習模型，諸如樸素貝葉斯、邏輯回歸及多層感知器(當在適當損失函數下訓練時)自然係機率性的。機率模型輸出遍及類別集合之機率分佈，而非僅輸出輸入應屬於之最可能的類別。諸如支援向量機之一些其他機器學習模型並非自然地為機率性的，但用以將其變成機率分類器之方法存在。回歸問題可經轉換成多類別分類問題且接著使用機率作為度量，或使用自舉法來建置許多模型且接著計算模型預測之方差。可基於機器學習模型之輸出(例如遍及類別集合之機率分佈)來計算信賴度量(例如熵、GINI指數等)。
信賴度量585之其他形式可為可能的。舉例而言，對於極不同於訓練資料中之部分的設計佈局之彼等部分，機器學習模型具有相對較高的有問題的機會。可以合適方式建構量測輸入之部分與訓練資料中之部分之間的相似度的信賴度量585。輸入中之部分與訓練資料之部分中之每一者之間的最大歐幾里得距離可為此類實例。在另一實例中，可將訓練資料之部分叢集成若干群組，且可將至每一群組之中心之輸入之影像的歐幾里得距離用作信賴度量585。
若信賴度量585未能滿足條件(例如用於指示一或多個特性580並不足夠可信)，則可忽視該一或多個特性580且可在視情況選用的工序586中使用不同方法(例如美國專利第9,111,062號中所描述之方法)來置放輔助特徵，或可在視情況選用的工序587中(例如使用圖4A中之流程)使用包括輸入中導致不符合條件之信賴度量585的一或多個特性535之訓練資料來重新訓練機器學習模型560。
與設計佈局534之部分533組合，特性580係由機器學習模型570產生的輔助特徵可用作用於另一RET (諸如OPC)、照明及圖案化器件圖案最佳化(有時被稱作SMO)、圖案化器件最佳化(MO)之初始條件，或用作為了加速收斂之嚴密最佳化器之初始條件。此為另一使用狀況。
圖4C及圖4D示意性地展示像素化之較多。特徵600之經像素化影像可取決於參考物之選擇。舉例而言，如圖4C中所展示，使用參考物601之特徵600之經像素化影像為經像素化影像603，但使用參考物602 (其僅僅相對於參考物601移位)之同一特徵600之經像素化影像為經像素化影像604，其不同於經像素化影像603。為了避免像素化對參考物選擇之此相依性，可將對準至例如特徵600之邊緣(例如此處為右邊緣)或特徵600之隅角的參考物用於特徵600之像素化。用於不同特徵之參考物可不同。
圖4E示意性地展示可使用對準至特徵700之邊緣中之每一者的參考物710來判定該特徵700之經像素化影像720。經像素化影像720中之每一者可用作圖4B之流程中之特性535以獲得輔助特徵之一或多個特性580 (例如輔助特徵之形狀730)。亦即，對於每一邊緣，獲得輔助特徵之一或多個特性580 (例如輔助特徵之形狀730)之集合。可將特徵700用作參考物而將一或多個特性580 (例如輔助特徵之形狀730)之集合彼此對準，且將該一或多個特性580之集合一起合併為輔助特徵之一或多個特性之合併集合(例如輔助特徵之合併形狀740)。可接著解析輔助特徵之一或多個特性之合併集合中的衝突(例如移除合併形狀740中之重疊)。儘管經像素化影像720在此處用作相對於邊緣而獲得的一或多個特性535之實例，但相對於該邊緣的一或多個特性535可為一或多個其他合適特性，諸如將邊緣用作參考物而獲得的二進位、或灰階影像或至基底上之投影。
如上文所提及，光學接近校正修改(例如進階邏輯器件之)設計佈局，其目的在於例如提供用於在基板上形成設計佈局之充分程序窗(PW)。舉例而言，輔助特徵(作為OPC之一實例)，尤其SRAF，可以使得經隔離特徵顯現得緻密之方式修改設計佈局之經隔離主要特徵之環境，其可藉由提供充分程序窗(PW)而使得能夠按比例縮小此類主要特徵。因此，需要在整個全晶片中充分、準確且不變的光學接近校正。然而，光學接近校正之運行時間應為快速的，從而使得能夠適時地將光學接近校正應用於全晶片。
在光學接近校正技術當中，基於模型之光學接近校正途徑可遞送具有良好準確度及一致性但以速度為代價之較大程序窗(PW)。舉例而言，SMO-MO為可遞送較大程序窗(PW)之光學接近校正技術。在一實施例中，SMO-MO可使用SMO程序以識別最佳照明及圖案化器件圖案(該最佳化可在所使用之OPC校正的類型方面加以限定，例如，不應用輔助特徵)且接著彼最佳照明用於在光學接近校正方面(例如應用輔助特徵)進一步最佳化圖案化器件圖案。在一實施例中，SMO-MO使用基於梯度之反覆途徑以最佳化連續色調圖案化器件圖案，使得最小化/最大化相關聯成本函數。在每一反覆中，演算圖案化器件圖案之梯度圖且該梯度圖進一步用於導引最佳化方向(例如應用OPC，諸如輔助特徵之置放)。SMO-MO可高度準確且可產生最大程序窗；然而，運行時間對於全晶片應用可能過高。
用於光學接近校正之另一基於模型之途徑係使用所謂的SRAF導引圖(SGM) (參見例如美國專利申請公開案第US 2008-0301620號，其先前以引用的方式併入本文中)，該途徑相比於其他途徑相對較快但可能無法遞送最佳程序窗。
其他全晶片光學接近校正相比於SMO-MO相對較快但各自可能具有一些缺點。舉例而言，基於規則之光學接近校正途徑涉及應用二維(2D)規則以應用光學接近校正(諸如輔助特徵之置放)。然而，規則之判定及全面性可能難以實施且可能不保證用於邏輯應用之2D規則的準確度。
在輔助特徵之內容背景中，其置放通常應具有小於用於基於影像之微影模擬中之像素的大小之準確度。舉例而言，當微影模擬使用20 nm之像素尺寸時，長條置放準確度需要為1 nm或甚至0.1 nm。替代地或另外，非常需要輔助特徵之置放的一致性及/或對稱性。一致性係指具有實質上相似輔助特徵置放之圖案化器件圖案(例如全晶片圖案化器件圖案)中之重複圖案。輔助特徵置放應合乎需要地具有符合圖案對稱性及照明分佈形狀對稱性(例如具有偶極或四極照明之對稱性)的對稱性。然而，現有技術在全晶片層級可能不會提供此類準確度、一致性及/或對稱性。
因此，在一實施例中，且如上文在一定程度上已經參考圖3及圖4所描述，機器學習程序可有利於實現光學接近校正(諸如輔助特徵之置放)之準確及完整應用，且可對於例如全部晶應用以快速方式實現。
雖然現有的深度學習結構可用於如影像辨識之深度學習任務，但本文中之機器學習技術在許多態樣不同於此類影像辨識，包括但不限於提供至機器學習模型以用於訓練且供經訓練機器學習模型使用之輸入、來自機器學習模型之輸出、所要解析度及/或用於訓練機器學習模型之目標函數。
舉例而言，為了將上文所描述之技術中之一些(諸如SMO-MO)之程序窗益處自剪輯層級(其係指全晶片圖案化圖案之一部分)傳播至全晶片圖案化器件圖案，本文中描述基於機器學習之光學接近校正技術，該技術將來自例如剪輯層級之此類其他技術的資料作為訓練資料以藉由機器學習模型基於關於諸如全晶片圖案之圖案化器件圖案的資料實現光學接近校正之預測。根據一實施例，使用由SMO-MO產生的訓練資料訓練機器學習模型，且隨後將經訓練模型應用於全晶片佈局以用於光學接近校正應用。
圖5為根據本發明之一例示性實施例之訓練機器學習模型以建置經訓練機器學習模型的實例流程。在圖5中，提供訓練資料700。在一實施例中，可使用諸如SMO-MO、基於規則之OPC方法等產生或已經產生訓練資料。合乎需要地，訓練資料高度準確、一致且實現較大程序窗。在一實施例中，訓練資料700包括關於輸入設計圖案7000 (例如來自全晶片圖案之剪輯)之資料7000及關於相關聯輸入設計圖案7000之光學接近校正的資料7005。在一實施例中，該資料可為關於設計圖案佈局之一或多個特性及/或關於如上文所描述之光學接近校正(例如輔助特徵)之一或多個特性。在一實施例中，資料7000及/或資料7005包含影像或影像之像素資料。在一實施例中，資料7000包含設計圖案之影像或影像之像素資料(如圖5中所說明)。在一實施例中，資料7005包含連續透射光罩(CTM)圖(如圖5中所說明，其中鄰近暗特徵之淺灰色對應於諸如SRAF之輔助特徵)，其對應於使用諸如SMO-MO或逆OPC程序之光學接近校正技術產生之資料7000的設計圖案中之每一者。如將瞭解，連續透射光罩圖或其等效物可針對反射性圖案化器件(諸如用於EUV微影之反射光罩)產生且出於方便起見將在本文中被稱作連續透射光罩圖。在一實施例中，資料7000及資料7005之500或更多、1000或更多、1500或更多、2000或更多、2500或更多、5000或更多、10,000或更多、100,000或更多、1,000,000或更多組合經提供作為訓練資料。在一實施例中，對應於資料7000與資料7005之組合的圖案為來自全晶片圖案之樣本。在一實施例中，樣本為關鍵圖案，例如，已知具有高於不會正確形成之平均概率之圖案。在一實施例中，圖案可由使用者識別為代表(例如由晶片製造商)。在一實施例中，圖案辨識技術可用於識別全晶片中之圖案且識別圖案在全晶片中之出現以便選擇每一重複出現及橫跨非重複出現之取樣中之至少一者。在一實施例中，機器學習技術可用於識別相似圖案之叢集及來自叢集中之至少每一者的樣本。
在訓練程序S701中，運用資料7005評估資料7000中之每一者以漸進地訓練機器學習模型，使得經訓練機器學習模型在與新的或之前所使用資料7000一起輸入時可準確地預測對應於輸入資料之光學接近校正(例如輔助特徵之置放)。亦即，在一實施例中，若輸入資料7000，則經訓練機器學習模型可產生與資料7005相似之資料。
機器學習模型之訓練可使用單一訓練樣本、若干不同訓練樣本或所有可用樣本，且基於目標函數反覆地更新該模型之參數。在一實施例中，訓練使用資料7000及資料7500將通常涉及評估目標函數，諸如最小化一或多個成本函數，此將在本發明中進一步詳細論述。舉例而言，在訓練程序之第一情形中，關於第一設計圖案之第一資料7001經輸入至機器學習模型，該模型可創建對應於第一設計圖案之光學接近校正資料的預測。然而，彼經預測資料可實質上不同於對應的第一資料7006，該第一資料經視為基準或高度準確(例如「真實」)。在此狀況下，相對於基準執行預測之評估之目標函數可用於對準機器學習模型之一或多個參數(例如改變該模型之一或多個公式之一或多個係數，改變該模型之一或多個公式中之一或多個項的一或多個冪，添加或移除一或多個公式，添加或移除該模型之一或多個公式中之一或多個項等)以使得機器學習模型能夠進行較佳預測。舉例而言，用於最小化資料7001與對應的資料7006之間的差之機器學習模型的損失/成本函數可用於調諧機器學習模型。如將瞭解，在第二例項中，關於第二設計圖案之第二資料7002經輸入至經修改機器學習模型之訓練程序，該模型可預測對應於第二設計圖案之光學接近校正資料。彼預測亦可不同於對應的基準第二資料7007。再次，機器學習模型之參數可使用目標函數(例如基於預測與基準資料7006之間的差之評估)來調整。機器學習模型參數之評估及調整可繼續，直至經訓練機器學習模型(亦即，經漸進地修改之機器學習模型)針對輸入資料產生光學接近校正預測為止，該輸入資料對應於給定設計圖案且與彼給定設計圖案之光學接近校正之實際或預期基準資料相同或實質上相同。因此，在一實施例中，目標函數可涉及回歸類型分析且機器學習模型組態可涉及使用回歸技術追蹤模型之參數至資料。
在一實施例中，機器學習訓練在像素基礎上進行操作。亦即，在一實施例中，資料7000包含關於影像之像素之經像素化影像或資料，且相似地，資料7005包含關於影像之像素之經像素化影像或資料。且因此，該成本函數及訓練評估像素資料，使得機器學習模型自輸入設計圖案之像素資料針對光學接近校正預測像素資料。在一實施例中，像素資料係指關於影像內之像素之值，其中該等值可為強度、對比度、RBG值、影像內之部位或其他與相似像素有關之資訊。
一旦訓練機器學習模型，經訓練機器學習模型可用於針對任何設計圖案預測光學接近校正資料，如圖6中所說明。在圖6中，至經訓練機器學習模型之輸入資料800可為關於一或多個設計圖案之資料，諸如關於各別設計圖案之資料8001、8002及8003 (如所說明)。根據本發明之一例示性實施例，經訓練機器學習模型705產生經預測光學接近校正資料805，諸如分別對應於資料8001、8002及8013之資料8011、8012及8013。如將瞭解，光學接近校正資料805可用於各種目的，包括例如根據用於生產、測試等之光學接近校正資料製造具有圖案之光罩及/或根據光學接近校正進一步處理圖案(諸如應用另外的RET/OPC技術，包括使用相同或不同機器學習模型進一步處理)。在一實施例中，ML預測亦可用作其他嚴密最佳化器之初始條件以加速收斂。
圖7為根據本發明之一例示性實施例之訓練機器學習模型及相關聯資料的實例。在圖7中，諸如剪輯9001、9002、9003及9004之一或多個剪輯可為來自全晶片圖案9000之樣本。在此等實例中，該等剪輯對應於接觸孔配置。如可在全晶片圖案9000中看出，可存在數百萬(若非數十億)個圖案且因此表示對全晶片圖案準確地、一致地且快速地執行光學接近校正之重要問題。如上文所描述，該等樣本可基於例如有經驗的晶片設計者之試探法、頻率或光譜分析、基於機器學習之取樣或其組合。
在一實施例中，樣本剪輯9001至9004可再現至諸如經再現剪輯9011、9012、9013及9014之經處理輸入資料9011、9012、9013及9014中。在一實施例中，此再現並非必要的。此處，二進位化剪輯9001、9002、9003及9004變換成灰階剪輯9011、9012、9013及9014。用於再現之額外或替代可能性可包括應用於剪輯之初始RET，例如，應用SMO、使剪輯中之一或多個特徵偏置等。
此外，訓練程序獲得對應於樣本剪輯之光學接近校正資料9021、9022、9023及9024，諸如CTM圖9021至9024 (如圖7中所說明，其中鄰近暗特徵之淺灰色對應於輔助特徵，諸如SRAF)，該等CTM圖分別對應於樣本剪輯9001至9004。資料9011至9014及對應的資料9021至9024接著用於訓練機器學習模型705。
在一實施例中，機器學習模型可特定針對於特定圖案化器件圖案。換言之，可針對不同圖案化器件圖案重新訓練機器學習模型。在一些實施例中，一個經訓練機器學習模型可用於具有相似剪輯圖案之若干不同圖案化器件圖案。
在一實施例中，機器學習模型特定針對於用於圖案化器件圖案之特定器件製造程序。舉例而言，器件製造程序可在某一所使用照明類型、某些所使用抗蝕劑、某些投影系統設定等方面加以組態。彼等器件製造程序參數中之一或多者可用於產生「真實」資料且因此機器學習模型可特定針對於器件製造程序之特定組態。如將瞭解，產生「真實」資料可涉及造成對程序參數中之一或多者之擾動的模擬，且因此機器學習模型可延伸至器件製造程序之特定組態之變化。在一實施例中，若器件製造程序之特定組態在材料方面改變，則可能需要訓練新的機器學習模型或可能需要重新訓練之前相似的機器學習模型。
在圖8中，展示根據本發明之一例示性實施例之設計圖案的實例輸入資料6000 (在此狀況下，如圖8中所說明之設計圖案之影像)，其可輸入至經訓練機器學習模型705以產生經預測光學接近校正資料6005，在此狀況下，具有經應用SRAF之輸入設計圖案之經預測圖(如圖8中所說明，SRAF經描繪為鄰近暗特徵之淺灰色)。替代地或另外，資料6000可為用以訓練機器學習模型之輸入資料，且資料6005對應於用於資料6000之設計圖案的基準資料。
現在，描述關於用於機器學習模型之訓練方法及用以改良機器學習模型品質之方法的另外技術。此等技術可應用於本文中所描述之機器學習方法及流程中之任一者且因此可用於創建新的模型或重新訓練現有模型。合乎需要地，此等另外技術使得能夠產生能夠提供準確且一致的光學接近校正(例如輔助特徵置放)預測之經高度訓練的機器學習模型及/或針對例如全晶片應用以相對快速速率實現。
圖9A為根據本發明之一例示性實施例的用於訓練機器學習模型之方法的流程圖。在此方法中，補充訓練資料以實現例如光學接近校正之經改良的準確度及一致性。歸因於基於參考柵格之模擬，參考柵格依賴性在包括光學接近校正(例如輔助特徵置放)之計算微影中係重要的。舉例而言，上文關於圖4A至圖4E描述此情形。因此，鑒於柵格依賴性，需要提供技術以幫助降低柵格依賴性之效應及/或改良一致性。因此，現在描述一種方法，其實現訓練資料增強以例如幫助改良一致性且降低柵格依賴性，因此合乎需要地改良機器學習模型之輸出的程序窗。
該程序以關於作為訓練機器學習模型之輸入之設計圖案的資料5000開始。在一實施例中，在機器學習模型經訓練以置放輔助特徵的情況下，設計圖案為不包括輔助特徵之目標設計圖案或設計圖案之一部分。在一實施例中，可對設計圖案進行之前的OPC。
在一系列程序中，設計圖案5000變換成設計圖案5000之經光學接近校正輸入影像以用於訓練機器學習模型。在程序S501中，設計圖案5000藉由移位設計圖案或藉由移位參考柵格相對於參考柵格在第一方向(例如X軸)上及/或在第二方向(例如Y軸)上移位，例如如大體在圖4C中所說明。在程序S501中，設計圖案5000可移位一或多次以產生一或多個經移位設計圖案5001。舉例而言，設計圖案5000可在具有小於像素之尺寸之大小的步長之一系列像素當中在X及/或Y方向上移位(例如小於或等於20 nm之移位(其中像素之尺寸大於20 nm)、小於或等於10 nm之移位(其中像素之尺寸大於10 nm)、小於或等於5 nm之移位(其中像素之尺寸大於5 nm)、小於或等於1 nm之移位(其中像素之尺寸大於1 nm))以產生經移位設計圖案5001，其中每一圖案相對於像素之參考柵格位於不同子像素處(在不同定向上)。舉例而言，若移位經視為子像素之間的移位，則每一圖案位於不同子像素柵格上。因此，例如藉由取決於像素之大小將像素劃分成較小單元來獲得子像素。舉例而言，對於10 nm×10 nm之像素大小，可形成10×10之子像素柵格，其中每一子像素大小為1 nm×1 nm。因而，可產生經移位設計圖案5001之10×10陣列。
在一實施例中，執行在X方向及Y方向上之移位。在一實施例中，在X方向上之移位大小無需與在Y方向上之移位大小相同。此外，移位大小之不同組合可用於在同一方向上之不同移位。舉例而言，在X或Y方向上之第一移位可為1 nm且在X或Y方向上之第二移位可為2 nm。
在程序S503中，使用例如SMO-MO、逆OPC (iOPC)或其他光學接近技術運用光學接近校正處理經移位設計圖案5001以產生經光學接近校正影像5003。在一實施例中，影像5003可為自經移位設計圖案5001中之每一者產生之CTM圖。在一實施例中，用以產生CTM圖之技術基於邊緣置放誤差(EPE)判定光學接近校正且涉及諸多反覆直至收斂為止。因此，當處理時間可能相對較長時，CTM圖可非常準確。且因此，可能適用於使用剪輯之CTM圖以用於訓練機器學習模型，但並非如此希望使用例如SMO-MO將CTM圖用於全晶片OPC。
在程序S505中，分析影像5003以判定且選擇具有高於平均值程序窗之一或多個影像5005。程序窗可使用所屬領域中已知的技術及工具(諸如ASML之超光速粒子及/或LMC產品)來判定且在以引用的方式併入本文中之文獻中加以描述。高於平均值程序窗可為影像5003之最佳程序窗。高於平均值程序窗可為最佳程序窗之20%內的程序窗。程序窗之品質可使用表示程序窗之度量來評估，例如，其內一或多個圖案特徵符合準則之兩個或多於兩個程序參數下之區域。在一實施例中，度量可為其內一或多個圖案特徵符合準則之程序窗之參數中之一或多者的範圍(例如用於劑量-焦點程序窗之焦點範圍)之大小。
在程序S507中，可對選定影像5005執行一或多個定向操作以產生一或多個經定向影像5007。舉例而言，選定影像5005可旋轉(例如選自0至360°之係45°或90º之倍數的角度)、翻轉(例如成鏡像)，或旋轉且翻轉以產生一或多個經定向影像5007。在一實施例中，定向操作之類型可基於用於微影裝置中之照明之形狀的對稱性。舉例而言，對於環形照明，可執行旋轉及鏡像操作。對於偶極形狀照明，可僅執行翻轉操作。此外，定向操作之角度可取決於照明之對稱性。舉例而言，具有在X軸上對準之極點之偶極可橫跨X及/或Y軸線翻轉或成鏡像。作為另一實例，具有在45°線上與X軸對準之極點之偶極可橫跨彼線或垂直於彼線之延行通過偶極之極點之間的中心部分之線翻轉或成鏡像。
在程序S509中，經定向影像5007可以與在程序S501中所論述相似之方式在X及/或Y方向上進一步移位以產生影像5009。在一實施例中，與在程序S501中所應用相同之移位經應用於影像5007以產生影像5009。
在另一系列程序中，設計圖案5000自身變換成設計圖案5000之輸入影像，該等輸入影像對應於用於訓練機器學習模型之影像5009中之每一者。舉例而言，5009中之每一影像在5012中具有對應的影像，其自相同操作產生。舉例而言，若5009中之影像A係藉由90º之旋轉及dx以及dy之移位產生，則對設計圖案之原始輸入影像應用相似旋轉及移位操作以形成影像B。在程序S511中，設計圖案5000可視情況再現以產生經再現設計圖案5011。舉例而言，經再現設計圖案5011可為經二進位化設計圖案500之灰階影像。在程序S512中，圖案5000或圖案5011可類似於程序S507翻轉及/或旋轉，且類似於程序S509在X及/或Y方向上移位，以產生經移位輸入設計圖案5012。在一實施例中，與在程序S501中所應用相同之移位應用於圖案5000或圖案5011以產生圖案5012。在一實施例中，與在程序S512中所應用相同之翻轉及/或旋轉應用於圖案5000或圖案5011以產生圖案5012。
在程序S520中，圖案5012及影像5009 (例如其中圖案5012中之每一者與影像5009中之每一者之間存在影像對)用於訓練機器學習模型且產生經訓練機器學習模型5200。訓練程序可為反覆的且可採用若干訓練資料點以建置經訓練機器學習模型5200。如將瞭解，此等技術可應用於各種設計圖案以為不同輸入設計圖案5000提供圖案5012及影像5009之複數個組合。在一實施例中，如由虛線所展示，圖案5011及影像5003可用於訓練機器學習模型且產生經訓練機器學習模型5200。雖然以上論述專注於圖案及影像，但經操控資料及所得訓練資料可為更一般資料，諸如圖案5012之一或多個特性及影像5009之一或多個特性。一旦運用此資料來訓練，經訓練機器學習模型5200接著可用於自任何輸入設計圖案產生經預測光學接近校正(例如輔助特徵置放)，如圖6中所說明。
本文中所論述之機器學習模型訓練程序涉及評估一或多個目標函數，例如，最小化「真實」資料與經機器學習模型預測資料之間的差之一或多個成本/損失函數。此類目標函數可基於一或多個某些度量(諸如兩個資料集合之間的差之誤差)之評估。
現將起初關於圖9B論述此等其他評估度量中之一些。圖9B為基於目標函數更新機器學習模型參數之方法的流程圖。其可結合圖9A之程序S520或作為程序S520之部分實施。該程序藉由獲得諸如設計圖案5000之設計圖案開始。在程序S541中，機器學習模型為設計圖案5000 (或例如圖案5011或5012)產生經預測光學接近校正資料5041。在一實施例中，經預測資料5041包含例如表示光學接近校正(例如輔助特徵之置放)的經預測CTM圖或其他影像。
在程序S551中，獲得用於設計圖案5000之基準資料5051 (例如使用例如SMO-MO或iOPC技術產生)。舉例而言，此資料可為例如圖案5003或5009或圖5中之資料7005或圖7中之資料9021至9024。
在程序S543及/或程序S553中，經預測資料5041及/或基準資料5051經進一步處理以分別產生經修改的經預測資料5043及/或經修改基準資料5053。下文關於圖10至圖15進一步描述程序S543及/或程序S553之處理的一些實例。
在程序S520中，基準資料5051或經修改基準資料5053 (在以下段落中通常為基準資料)可運用經預測資料5041或經修改的經預測資料5043 (在以下段落中通常為經預測資料)來評估而作為目標函數之部分，機器學習模型之參數可藉由該目標函數來修改。舉例而言，目標函數可使用基準資料5051或經修改基準資料5053與經預測資料5041或經修改的經預測資料5043之間的差來評估。如將瞭解，基準資料5051可運用經預測資料5041來評估，或基準資料5051可運用經修改的經預測資料5043來評估，或經修改基準資料5053可運用經預測資料5041來評估，或經修改基準資料5053可運用經修改的經預測資料5043來評估，視需要運用度量、資料等來評估。在一實施例中，可對基準資料執行變換且對經預測資料執行相同變換，且接著可獲得經變換基準資料與經對應地變換的經預測資料之間的差。
在一實施例中，均方誤差(MSE)或x度誤差平均值(MXE) (其中x可大於2) (例如4度誤差意謂第4次冪之誤差)度量可用於目標函數中，該目標函數將相等重要性(例如權重)指派給所有資料，例如，基準資料及經預測資料之所有像素。因而，參考圖10，圖10 (及圖11)中說明主要特徵1005 (例如接觸孔)及輔助特徵1008。在圖10中，計算基準資料1000與經機器學習模型預測資料1010之間的差，如由例如差1020所表示。在圖10之此實例中，若基準與經預測之間的差大於零，則亮點(例如具有1或更大值之像素)出現在影像中；另一方面，當差係零時，暗點(例如具有0值之像素)出現在影像中。因此，可在經計算差上使用MSE或MXE度量且該MSE或MXE度量可在成本或損失函數中評估，以便調整機器學習模型參數以最小化MSE或MXE。舉例而言，在圖10之實例中，機器學習模型參數可經修改成使得差值影像1020相較於如圖10中所描繪具有量縮減之亮點，使得存在幾乎完全暗的區。此將指示經預測資料1010與基準資料1000之間的強匹配。如將進一步論述，額外或替代評估度量可為有益的且自經訓練模型比自MSE或MXE產生較佳結果。
在一實施例中，經預測資料及基準5051之處理可涉及將重要性(例如權重)指派給經預測資料及/或基準資料中之與某一光學接近校正相關聯之資料，該重要性(例如權重)比指派給經預測資料及/或基準資料中之其他資料之重要性(例如權重)高。舉例而言，較高權重可經指派給經預測資料及/或基準資料中某些經置放輔助特徵。
在一實施例中，參考圖11，目標函數可評估經加權誤差度量(例如經加權MSE/MXE)，其中不同權重可經指派給經預測資料及/或基準資料中之不同資料(例如像素)。舉例而言，相對較高權重可經指派給與某一光學接近校正(例如輔助特徵)區相關聯之資料，該區亦即其中定位有較高經加權光學接近校正之區。在一實施例中，彼區可為最接近主要特徵之區，該區至少涵蓋最接近主要特徵之一或多個光學接近校正(例如輔助特徵)。在另一實例中，相對較高權重可經指派給光學接近校正之邊緣上的部分(例如像素)。舉例而言，散射長條之邊緣可比散射長條之內部(且視情況比設計圖案之其他部分)經較高加權。在另一實例中，可基於衰減函數指派權重，其中權重隨著距主要特徵之距離增加而減小。因此，舉例而言，更接近主要特徵之像素比遠離主要特徵之像素將具有更大權重。
在圖11中，基準資料1100與經預測資料1110之間的差產生差1120。在一實施例中，基準資料1100 (例如使用程序S553)、經預測資料1110 (例如使用程序S543)及/或差1120與根據(例如光學接近校正之邊緣的)圖、函數(例如上文所描述之衰減函數)、資料集(例如設計圖案之邊緣或區的位置)等之權重1130組合。在圖11之實例中，權重乘以差1120。此外，在圖11之實例中，權重1130呈權重圖之形式，其中權重圖將較高權重指派給接近主要特徵之像素(影像1130中之亮點)且將較低(例如逐漸減小)權重指派給遠離主要特徵之像素，該主要特徵經說明為自亮點延伸之相對較暗陰影。在圖11之此實例中，相較於其他區(包括具有另外光學接近校正1008之區)，權重圖1130運用某一光學接近校正1009指派相對較高權重。因此，在此狀況下，優先考慮某一光學接近校正(例如輔助特徵環) 1009而非一或多個其他光學接近校正(例如一或多個其他輔助特徵環) 1008。
在一實施例中，經預測資料及基準資料之處理可涉及使用諸如邏輯函數之二進位化函數變換呈影像或像素形式之經預測資料及/或呈影像或像素形式之基準資料，且目標函數之度量使用彼經處理的經預測及/或基準資料。在一實施例中，二進位化函數可為經由函數變換將影像轉換/變換成半二進位(亦即，具有在0與1之間的值之像素)或二進位影像(亦即，具有值0或1之像素)之任何函數，其中函數為例如邏輯函數。在一實施例中，在將二進位化函數應用於影像後，半二進位之像素值即可極接近0或1 (例如在小於極值0或1之10%內)。舉例而言，極接近0之像素值可為0、0.01、0.05等，且極接近1之值可為0.9、0.95、1等。因此，本發明不僅限於二進位影像。
在一實施例中，邏輯函數可具有以下形式：
Figure 02_image067
(1) 其中L為曲線之最大值，k為曲線之陡度且x0為臨限值(例如x之中點)。在一實施例中，邏輯函數為S型函數(亦即，其中k=1，x0=0，且L=1)。
參考圖12A，目標函數可基於使用經預測及/或基準資料之二進位化版本的度量，該二進位化版本使用邏輯函數。亦即，在一實施例中，諸如S型函數之邏輯函數用於使用經預測及/或基準資料之灰階影像轉換成二進位影像(例如如適用之程序S543及/或程序S553)。舉例而言，基準資料影像1200轉換為基準二進位資料影像1202，且經預測資料影像1210轉換為二進位經預測資料影像1212。
在此二進位化技術中，光學接近校正(例如輔助特徵)之部位比其強度更重要。換言之，SRAF圖(例如1200或1210)充當用於在主要特徵周圍置放SRAF多邊形之導引。置放SRAF多邊形係基於SRAF圖之形狀(例如峰值)資訊。因此，即使經ML預測圖(例如1210)比基準圖(例如1200)具有較低強度，但形狀資訊係可用的，相同SRAF多邊形(例如如基準圖中可用)可置放在主要特徵周圍。
在一實施例中，二進位化可為單步驟程序(例如應用方程式1)或兩步驟程序(例如應用方程式1及基於另外臨限值之二進位轉換)。舉例而言，在一實施例中，為了實現二進位化，臨限值可經指派給基於邏輯函數之變換的結果。舉例而言，在S型函數的狀況下，臨限值可大約大於.5，其指示在S型變換之後，具有大約大於0.5之值之所得影像的像素經指派值1，否則該像素經指派值0。在使用邏輯函數的情況下，二進位「1」可經指派給其邏輯函數值大於X0處之邏輯函數值的彼等輸入值，且二進位「0」可經指派給其邏輯函數值小於X0處之邏輯值之彼等輸入值。
在一實施例中，關於二進位成本，可採用用以將灰階影像轉換成二進位或半二進位影像之不同方式。舉例而言，使用固定臨限值，亦即，階梯函數，以二進位化灰階影像，或使用S型函數以將灰階影像轉換為半二進位影像。在一實施例中，二進位化可為例如經由S型變換之一個步驟程序。
在一實施例中，二進位化可與諸如MSE、MXE、RMS等之任何目標函數度量一起使用。在一實施例中，二進位化可結合常規MSE/MXE成本函數使用作為微調程序以進一步改良使用常規MSE/MXE成本函數訓練之基線模型。
圖12B說明使用經二進位化基準及經預測資料之成本函數的結果。計算經二進位化基準資料1250與經二進位化的經預測資料1255之間的差。該結果為差1260，如所說明。因此，基於使用經二進位化基準資料1250及經二進位化的經預測資料1255對目標函數之度量的評估，可修改機器學習模型參數。舉例而言，在一實施例中，使用諸如RMS、MSE或MXE之度量之成本或損失函數可藉由成本或損失函數之最小化程序調整機器學習模型之一或多個參數來縮減差1260。
在一實施例中，經預測資料及基準資料之處理可涉及識別至少部分地構成基準及/或經預測資料之影像資料中之一或多個光學接近校正中之每一者的邊緣。此外，在一實施例中，一重要性(例如權重)經指派給經預測及/或基準資料之一或多個經識別邊緣，該重要性(例如權重)可高於經指派給光學接近校正之另一部分及/或設計圖案之其他部分的重要性(例如權重)。
在一實施例中，參考圖13，目標函數可使用根據本發明之邊緣像素增強技術。在邊緣像素增強技術中，識別一或多個主要特徵及/或一或多個光學接近校正之邊緣像素以便例如將原始影像1300有效地變換(例如使用程序S553及/或S543)成用於訓練機器學習模型之經修改影像1302。在邊緣像素增強技術中，對於原始影像1300內之每個像素，若像素相對於其四個相鄰者(向上、向下、左側、右側)具有不同正負號(相對於臨限值，在像素強度處於[0, 1]中之情況下，例如為至少0.5之數值)，則像素經視為邊緣像素。在一實施例中，邊緣像素識別涉及相對於與各種鄰近方向相關聯之像素評估梯度。一旦識別邊緣像素，則應用於邊緣像素之重要性可不同於應用於影像之其他部分之重要性。舉例而言，一權重應用於主要特徵及/或光學接近校正之邊緣像素，該權重可高於應用於其內部之權重。在一實施例中，一權重應用於主要特徵及/或光學接近校正之邊緣像素，該權重可高於應用於所有其他部分之權重。經修改影像1302及/或經加權影像1302接著可與目標函數之評估度量(例如MSE、MXE、RMS等)一起使用作為訓練機器學習模型之部分。在一實施例中，目標函數之空間評估係僅僅基於邊緣像素資訊。在一實施例中，邊緣像素增強技術可用作微調技術以進一步改良使用另一(例如MSE/MXE)成本函數訓練之基線模型。
在一實施例中，經預測資料及基準資料之處理可涉及至少部分地構成基準及/或經預測資料之影像資料中之一或多個主要特徵及/或一或多個光學接近校正之邊緣點的增強。具有經增強邊緣點之影像資料接著可用於評估機器學習模型訓練方法之目標函數。
在一實施例中，參考圖14，目標函數可使用根據本發明之邊緣點增強技術。在邊緣點增強技術中，沿著來自基準影像之一或多個主要特徵及/或基準及/或經預測資料之一或多個光學接近校正的邊緣追蹤(或獲取)輪廓。在一實施例中，臨限值可用於追蹤輪廓(例如在0與1之間的諸如0.5之臨限值的像素值)。該輪廓追蹤一或多個主要特徵及/或一或多個光學接近校正之邊緣點。該輪廓包括若干點(亦被稱作測點)，每一測點具有強度值(例如在0與1之間)。此等邊緣點充當ML訓練程序中之量規。在訓練階段中，ML模型預測影像，接著判定影像之測點部位處之強度值。舉例而言，內插方法可用於判定量規部位處之強度值。接著，藉由比較(經預測影像之)經預測強度值與真值(亦即臨限值)來評估成本函數。
在一實施例中，邊緣點增強技術涉及使用任何輪廓識別技術將基準及/或經預測資料之影像(例如灰階影像)轉換成一或多個主要特徵及/或一或多個光學接近校正之輪廓(例如GDSII、OASIS或其他格式)。舉例而言，輪廓識別技術可涉及識別邊緣及應用臨限值以識別輪廓(例如沿著垂直於邊緣之線評估灰階值且延行通過邊緣以識別灰階值超過某一臨限值之位置以將其識別為輪廓部位)。在一實施例中，輪廓識別技術可評估沿著邊緣之諸點處之梯度以獲取輪廓。在一實施例中，可出於輪廓識別的目的將影像按比例擴大至較精細像素柵格。在一實施例中，影像可具有二進位像素，例如，使用如本文中所描述之技術獲得之經二進位化版本。在一實施例中，一或多個輪廓係自基準資料及預測資料之影像資料獲取且用於目標函數評估。
在識別一或多個輪廓之情況下，數個點(例如2個或多於2個、5個或多於5個、10個或多於10個、20個或多於20個、40個或多於40個、50個或多於50個、100個或多於100個，其可為每輪廓如此或用於整個設計圖案)可選自一或多個主要特徵及/或一或多個光學接近校正之一或多個輪廓，該等輪廓點將用於作為機器學習模型訓練之部分的目標函數評估。亦即，將施行機器學習訓練以在已知目標影像值等於臨限值之彼等輪廓點處很好地擬合機器學習模型(亦即，基準資料及經預測資料應在輪廓上之彼等部位處很好地匹配)。因此，藉由集中於輪廓點之評估，較高重要性經給定至尤其光學接近校正之邊緣。舉例而言，可藉由僅選擇SRAF邊緣點/像素而將重點(較高重要性)置放於SRAF上，可藉由僅選擇主要特徵邊緣點/像素而將重點(較高重要性)置放於主要特徵上，或其組合。因此，在一實施例中，目標函數之空間評估係僅僅基於輪廓部位。現在，在適用情況下，選定點中之一或多者可離開影像之參考像素柵格(亦即，實際在子像素處)，因此局域內插函數或運算符可用於使用來自影像之柵格資料計算對應於彼等一或多個選定點之影像值。接著，選定點處之影像值(不論是否藉由內插演算)可用於機器學習模型之訓練程序之目標函數的任何評估度量(例如MSE、MXE等)。在一實施例中，例如，使用關於圖11所描述之技術，一權重經另外指派給一或多個光學接近校正之選定邊緣點，該權重可高於經指派給相關聯光學接近校正之其他部分及/或設計圖案之其他部分的權重。在一實施例中，邊緣點增強技術可用作微調技術以進一步改良使用另一(例如MSE/MXE)成本函數訓練之基線模型。在一實施例中，另一度量(例如MSE、MXE) (作為正則化)與基於邊緣點之度量(例如，邊緣點MSE/MXE)組合成一個目標函數。
邊緣點增強技術涉及追蹤來自影像之特徵(例如主要特徵及SRAF)之輪廓及使用輪廓點(亦即，沿著特徵之輪廓之點)作為訓練資料(或訓練測點)。舉例而言，在影像1400中，追蹤特徵之輪廓且輪廓點沿著輪廓疊加，如在影像1410 (或1410之放大部分1410A)中所說明。
在一實施例中，可以邊緣置放誤差方式使用來自基準及經預測資料之輪廓作為用於產生資料以用於評估機器學習模型訓練程序之度量的基礎。亦即，在一實施例中，可在基準資料輪廓與經預測資料輪廓之間判定邊緣置放誤差，該邊緣置放誤差可用於目標函數之評估度量(例如MSE、MXE)。圖15說明根據例示性實施例之用於評估機器學習程序之目標函數的此類邊緣置放誤差之高度示意性實例。在圖15中，描繪來自基準資料之圖案1500之輪廓(在此狀況下，出於方便起見，展示為矩形多邊形，但可能非常彎曲)以及來自經預測資料之圖案1510之輪廓(藉由機器學習模型判定)。在一實施例中，圖案1500及圖案1510對應於光學接近校正(例如輔助特徵)。如所展示，在圖案1500及圖案1510之邊緣之某些部分處偏移例如距離d1及d2。在評估目標函數之度量時(例如在最小化成本函數之MSE/MXE度量時)，目標函數可為距離d1及d2 (以及其他邊緣置放誤差距離)，以藉由調整一或多個機器學習模型參數而有效地縮減偏移中之至少一或多者(若非消除所有偏移的話)。
在一實施例中，機器學習模型之目標函數可具有懲罰項以幫助藉由機器學習模型改良預測之一致性及對稱性。詳言之，懲罰項，如D(f(I), S- 1 (f(S(I)))之形式，可添加至目標函數(且經評估為目標函數之評估之一部分)以幫助改良一致性。在此實例中，函數f對應於使用機器學習模型對輸入影像I之預測。影像I藉由移位函數S自影像I之初始位置移位以產生移位影像S(I)。移位影像S(I)可經輸入至機器學習模型以產生經預測移位輸入影像f(S(I))。經預測移位輸入影像f(S(I))接著可藉由S之逆移位函數S- 1 反向移位(亦即，往回移位)，以產生逆移位經預測影像 S- 1 (f(S(I)))，因此有效地將移位影像移位回至初始位置。此外，輸入影像I可在不移位之情況下直接經輸入至機器學習模型以產生經預測影像f(I)。接著，逆移位經預測影像S- 1 (f(S(I)))及經預測影像f(I)可使用比較函數D來進行評估。舉例而言，函數D可為用以識別兩個預測之間的距離例如以找到差之距離函數。在一實施例中，例如，朝向零最小化懲罰項D(f(I), S- 1 (f(S(I)))，以幫助改良一致性及對稱性。移位函數S用作實例，且不限制本發明之範疇。在一實施例中，亦可單獨或組合地執行其他影像操作，諸如旋轉、翻轉等。因此，移位函數可包括移位、旋轉、翻轉、其他操作或其組合。
在一實施例中，本文中所描述之各種技術可以任何適當組合來組合且一個技術之一或多個態樣可併入至另一技術之一或多個態樣中或替代該一或多個態樣。舉例而言，特定目標函數可併有本文中所描述之度量之組合或使用技術之組合以產生用於評估目標函數之資料。或者，作為另一實例，複數個目標函數可用於併有不同度量或使用藉由不同技術處理之資料以用於評估目標函數。
因此，根據本發明之機器學習模型之訓練程序及相關聯目標函數技術可具有一或多個優點。如上文所提及，本文中所描述之技術中之一或多者可實現較多一致預測，實現經改良準確度及/或實現用於較大圖案之較快速光學接近校正預測。另外或替代地，機器學習訓練及使用可有利地使用灰階影像作為輸入及/或輸出。作為ML輸入，灰階表示可在給定相同柵格解析度之情況下含有比傳統二進位表示多得多的資訊。舉例而言，作為ML輸出，對於給定柵格解析度，用於訓練機器學習模型之CTM影像可比二進位圖案包括相對較多資訊。另外或替代地，當使用基於模型之光學接近校正技術，諸如超光速粒子SMO或逆OPC (iOPC)，以產生基準資料時，可運用產生強(若非最佳)程序窗之資料最佳化機器學習模型。因而，經訓練機器學習模型將基於模型之光學接近校正技術之程序窗益處自剪輯層級傳播至更大圖案，諸如全晶片。因此，例如，使用本文中所描述之技術中之一或多者之經訓練機器學習模型可運用相對較低運行時間實現全晶片光學接近校正且提供相對良好程序窗。
此外，在一實施例中，深度學習可應用於光學接近校正預測(例如SRAF置放問題)。相較於傳統機器學習技術，深度學習可例如：1)不需要手動特徵工程化，2)能夠學習大量資料，及/或3)可具有高準確度。
在一實施例中，本文中之技術可順暢地整合至諸如ASML超光速粒子OPC流程之全晶片OPC流程中。舉例而言，經預測光學接近校正圖(例如輔助特徵圖)可用於對設計圖案(例如SRAF獲取)應用光學接近校正且經受進一步OPC。另外，使用者定義之光罩約束可應用於光學接近校正之應用及/或可在程序條件下進行印刷檢查(例如使用ASML之LMC工具)。
在一實施例中，本文中之機器學習技術可延伸至OPC中之其他應用，其中需要影像預測，例如，進階逆計算微影引擎之初始化。
對於光學接近校正預測，需要使用目標設計圖案(其可為剪輯或全晶片)以針對彼目標設計圖案預測(最佳化)光學接近校正預測。然而，存在用於機器學習輸入及輸出之許多不同選項。在一實施例中，目標設計圖案及光學接近校正設計圖案通常可以GDS (GDSII)、OASIS或其他相似格式用於例如製造目的，此意味著其為二進位的。對於機器學習程序，影像可用於預測光學接近校正之影像。因此，在一實施例中，呈GDS (GDSII)、OASIS或其他相似格式之二進位目標設計圖案轉換為經像素化影像。在第一可能性中，目標設計圖案轉換為二進位經像素化影像。在另一可能性中，目標設計圖案轉換為灰階經像素化影像。如上文所提及，可能需要後一選項—灰階經像素化影像。此原因包括，例如，：1)對於相同給定像素尺寸(影像解析度)，由於取決於灰階之數目的「連續」強度之額外自由度，灰階影像比二進位影像具有多得多的資訊。換言之，為了保持與二進位經像素化影像相同量之資訊，灰階影像可比二進位經像素化影像具有較大像素尺寸且因此可加速計算；及/或2)進階光罩最佳化引擎(例如SMO或iOPC軟體工具、此類ASML之超光速粒子軟體)可直接為給定目標設計圖案提供CTM影像，該CTM影像處於灰階。
因此，在一實施例中，對於機器學習輸入影像，光罩模型可用於將二進位目標設計圖案再現成灰階目標設計圖案影像。對於機器學習輸出影像(包括用於機器學習之基準資料)，可使用CTM影像，其可使用用於機器學習模型訓練之CTM產生軟體程式產生。
然而，可存在用於機器學習模型輸入影像之某一其他可能性。舉例而言，灰階目標設計圖案影像可與一或多個光學核心(例如一或多個TCC核心)進行廻旋以產生一或多個額外信號影像。在一實施例中，單一灰階目標設計圖案影像可產生多於一個信號影像，因為一模型中可存在諸多光學核心(例如TCC核心)。在一實施例中，所有信號影像可用於機器學習模型訓練中或可使用一系列一或多個信號影像。作為另一實例，基於模型之SGM軟體引擎的輸出影像可用作機器學習輸入影像。在大多數狀況下，此影像比由光罩模型創建之灰階目標設計圖案影像更接近於CTM影像。
機器學習模型接著僅需要學習其之間的差(或誤差)，從而可使任務較容易。因此，總而言之，對於機器學習輸入，可存在若干可能性，包括1)灰階目標設計圖案影像，2)一或多個信號影像，及/或3)SGM。由於機器學習可包括具有相同大小之若干影像作為一個輸入，因此其中之一者或其混合可經選擇作為用於機器學習之輸入。
已經針對深度學習任務設計了若干神經網路結構。作為一實例，對於影像辨識任務，架構包括例如AlexNet (參見例如A. Krizhevsky等人，「ImageNet Classification with Deep Convolutional Neural Networks」，神經資訊處理系統之進展25 (Advances in Neural Information Processing Systems 25) (NIPS 2012)，其以全文引用的方式併入本文中)，GoogLeNet (參見例如C. Szegedy等人，「Going Deeper with Convolutions」，關於電腦視覺及圖案辨識(CVPR)之2015 IEEE會議(2015 IEEE Conference on Computer Vision and Pattern Recognition)，其以全文引用的方式併入本文中)，VGG (參見例如K. Simonyan等人，「Very Deep Convolutional Networks for Large-Scale Image Recognition」，關於學習表示之國際會議(International Conference on Learning Representations) (2015)，其以全文引用的方式併入本文中)，及ResNet (參見例如K. He等人，「Deep Residual Learning for Image Recognition」，關於電腦視覺及圖案辨識(CVPR)之2016 IEEE會議(2016 IEEE Conference on Computer Vision and Pattern Recognition)，其以全文引用的方式併入本文中)。彼等設計中之每一者具有其自身直覺及強度。然而，此等未必直接適用於針對如本文中所描述之設計圖案預測光學接近校正，因為光學接近校正預測顯著不同於傳統深度學習任務。舉例而言，典型的影像分類問題具有固定輸入及輸出大小，而對於光學接近校正預測，需要處理具有不同大小之影像。作為另一實例，常常使用彙集層(步幅大於1)來提供降維且改良局域不變性。然而，此趨向於不可用於光學接近校正預測，由於輸入及輸出影像對通常具有相同大小。因此，在一實施例中，下文描述新的神經網路作為用於光學接近校正預測之機器學習模型。
在此神經網路之一實施例中，提供一或多個基本建置區塊且接著藉由堆疊一或多個基本區塊之例項來建構深網路。對於一或多個基本區塊，存在若干選項第一類型之基本區塊為所屬領域中已知的廻旋層。另一類型之基本區塊為起始區塊。起始區塊由步幅為1的最大一個彙集層與具有不同濾光器大小之兩個或多於兩個廻旋層組成。圖16中呈現實例起始區塊。在圖16中，區塊1610至1650及1670表示廻旋層(例如1×1廻旋1610、1620、1640、1670，3×3廻旋1630以及5×5廻旋1650，但可提供不同配置)。此外，區塊1660表示一個彙集層(例如3×3最大彙集)，區塊1680表示串聯(例如來自層1610、1620、1650及1670之輸出影像的串聯)，且區塊1600通常係指先前層(諸如另一起始區塊)。另一類型之基本區塊為殘餘區塊。殘餘區塊具有兩個廻旋層及用以直接連接殘餘區塊之輸入及輸出之額外路徑。圖17中呈現殘餘區塊之實例。區塊1700及1710表示廻旋層，其在此狀況下通常可為輸入x之函數F。線1720表示用以直接連接殘餘區塊之輸入及輸出的額外路徑。在此實例中，該路徑將輸入連接至加法器以將值x與F(x)組合以產生F(x) = F(x) + x。因此，為了創建深度神經網路，連接此等基本區塊中之一或多者之一或多個例項。在一實施例中，一種類型的基本區塊可用於整個神經網路。在一實施例中，混合不同基本區塊可用於神經網路中。此等基本區塊之優點為其可支援靈活的輸入影像大小，因為基本上僅使用廻旋及彙集操作。最終的深度神經網路因此亦支援靈活的輸出影像大小。
圖18說明使用實例經訓練機器學習模型1802 (根據本發明之圖5及圖7之方法訓練的ML模型705、5200之實例)產生之實例光學接近校正1810。如圖18中所展示，設計目標或晶圓目標佈局1801 (例如包括接觸孔1803及1805)可作為輸入提供至廻旋神經網路(CNN) 1802 (經訓練模型705、5200等之實例)，從而產生具有光學接近校正之光罩圖案1810 (例如曲線圖案)，該光學接近校正包括圍繞對應於1805及1805之特徵的輔助特徵。CNN 1802包括若干層，每一層具有唯一權重，及/或使用如先前所論述之不同目標函數(例如RMS、MSE、MXE等)基於例如圖5及圖7之訓練程序而判定的偏置。該輸入，亦即晶圓目標佈局1801，為經像素化影像，經像素化影像之每一像素可根據貫穿每一層之廻旋操作來修改以產生輸出，亦即，在最後一層處具有光學接近校正之光罩圖案1810。相較於例如習知OPC程序之反覆程序，光罩圖案1810之此類產生為單一步驟程序。
在一實施例中，提供一種方法，其包含：獲得包括對應於訓練設計圖案之在空間上移位版本的光學接近校正之訓練資料集；及藉由硬體電腦系統使用關於該訓練設計圖案之該在空間上移位版本之資料及基於該訓練設計圖案之該在空間上移位版本之該光學接近校正的資料來訓練機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。在一實施例中，空間移位小於訓練設計圖案之像素柵格之尺寸的大小。在一實施例中，該方法包含：獲得包括訓練設計圖案之複數個在空間上以不同方式移位版本及訓練設計圖案之在空間上移位版本的對應的光學接近校正之訓練資料集；及使用關於訓練設計圖案之複數個在空間上以不同方式移位版本及訓練設計圖案之在空間上移位版本之對應的光學接近校正之資料來訓練機器學習模型。在一實施例中，該方法進一步包含：自光學接近校正之複數個在空間上以不同方式移位版本當中選擇相比於訓練資料集內之該光學接近校正之其他剩餘的一或多個版本展現高於平均值程序窗之光學接近校正中之至少一者；及使用基於光學接近校正中之選定的一或多者之資料來訓練機器學習模型。在一實施例中，該方法包含自光學接近校正之複數個在空間上以不同方式移位版本當中選擇展現最佳程序窗之光學接近校正。在一實施例中，該方法進一步包含：對選定的光學接近校正執行一或多個旋轉、翻轉操作或兩者以獲得選定的光學接近校正之一或多個經重新定向版本；及使用基於選定光學接近校正之一或多個經重新定向版本及對應的一或多個經重新定向訓練設計圖案之資料訓練機器學習模型。在一實施例中，該方法進一步包含：對選定的光學接近校正執行一或多個空間移位以獲得選定的光學接近校正之一或多個在空間上以不同方式移位版本；及使用基於選定的光學接近校正之一或多個在空間上以不同方式移位版本及訓練設計圖案之對應的一或多個在空間上以不同方式移位版本之資料訓練機器學習模型。在一實施例中，針對複數個不同設計圖案重複獲得及訓練。在一實施例中，光學接近校正包含圍繞給定設計圖案的主要特徵置放輔助特徵及/或修改給定設計圖案之主要特徵。在一實施例中，光學接近校正呈影像之形式且訓練係基於影像或影像之像素資料。在一實施例中，影像為自目標設計圖案影像再現之灰階影像，及/或子解析度輔助特徵導引圖(SGM)圖，及/或藉由將目標設計圖案之影像與光學核心進行廻旋獲得之信號影像，及/或連續透射光罩，目標設計圖案之基於模型的SGM處理之輸出影像。
在一實施例中，提供一種方法，其包含：獲得設計圖案之一或多個在空間上移位版本及用於一或多個經移位設計圖案中之每一者之光學接近校正影像的對應的在空間上移位版本；藉由硬體電腦系統選擇具有符合或超過臨限值之程序窗之一或多個經移位設計圖案的一或多個光學接近校正影像；及藉由硬體電腦系統使用包含關於設計圖案之一或多個在空間上移位版本的資料及關於選定的一或多個光學接近校正影像之資料之訓練資料來訓練機器學習模型。
在一實施例中，該方法進一步包含：重新定向選定的一或多個光學接近校正影像以產生經重新定向的一或多個光學接近校正影像；在空間上移位經重新定向的一或多個光學接近校正影像以產生複數個以不同方式移位之經重新定向的一或多個光學接近校正影像；獲得對應於複數個以不同方式移位之經重新定向的一或多個光學接近校正影像之設計圖案之複數個以不同方式移位版本；及使用包含關於複數個以不同方式移位之經重新定向的一或多個光學接近校正影像之資料及關於設計圖案之複數個以不同方式移位版本的資料之訓練資料來訓練機器學習模型。在一實施例中，重新定向包含選自以下各者中之一或多者：翻轉操作、旋轉操作，及/或鏡像操作，其中操作類型係基於微影裝置之照明形狀。在一實施例中，光學接近校正影像為連續透射光罩影像。
在一實施例中，提供一種方法，其包含：獲得加權函數或資料以將權重指派給設計圖案之光學接近校正之區，該權重不同於經指派給其另一區之權重；及藉由硬體電腦系統藉由基於加權資料相對於設計圖案之基準光學接近校正評估機器學習模型之設計圖案之經預測光學接近校正來訓練機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。
在一實施例中，加權函數或資料應用於經預測光學接近校正、基準光學接近校正及/或經預測光學接近校正與基準光學接近校正之間的差。在一實施例中，相比於鄰近設計圖案之主要特徵的區外部之區，加權函數或資料將較高權重指派給鄰近該主要特徵之區。在一實施例中，該區涵蓋用於主要特徵之光學接近校正但排除用於該主要特徵之另一光學接近校正。在一實施例中，相比於光學接近校正之內部及/或設計圖案之另一部分，加權函數或資料將較高權重指派給光學接近校正之邊緣。在一實施例中，加權函數或資料包含經組態以依據距設計圖案之主要特徵的距離使該權重衰減之加權函數。
在一實施例中，提供一種方法，其包含：獲得用於設計圖案之基準光學接近校正；藉由硬體電腦系統使用機器學習模型產生用於設計圖案之經預測光學接近校正；藉由硬體電腦系統在經預測及/或基準光學接近校正之一部分處指派相對高權重；及藉由硬體電腦系統使用評估經加權之經預測及/或基準光學接近校正之目標函數訓練機器學習模型。
在一實施例中，在光學接近校正之邊緣處指派相對高權重。在一實施例中，一權重經指派給用於設計圖案之主要特徵之第一光學接近校正，該權重不同於經指派給用於主要特徵之第二光學接近校正的權重。
在一實施例中，提供一種方法，其包含：藉由硬體電腦系統將二進位化函數應用於機器學習模型之設計圖案之經預測光學接近校正及/或設計圖案之基準光學接近校正的影像資料以產生各別其經二進位化版本；及藉由硬體電腦系統藉由基於經預測及/或基準光學接近校正之經二進位化版本相對於基準光學接近校正評估經預測光學接近校正來訓練機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。
在一實施例中，二進位化函數為S型函數。
在一實施例中，提供一種方法，其包含：獲得用於設計圖案之基準光學接近校正影像；藉由硬體電腦系統使用機器學習模型產生用於設計圖案之經預測光學接近校正影像；藉由硬體電腦系統使用二進位化函數將經預測及基準光學接近校正影像變換成各別二進位影像；藉由硬體電腦系統相對於經預測光學接近校正影像之二進位影像之資料評估基準光學接近校正影像之二進位影像的資料；及藉由硬體電腦系統基於該評估調整機器學習模型之參數。
在一實施例中，二進位化函數為S型函數。
在一實施例中，提供一種方法，其包含：藉由硬體電腦系統處理機器學習模型之設計圖案之經預測光學接近校正及/或設計圖案之基準光學接近校正的影像資料以識別光學接近校正之邊緣部位；及藉由硬體電腦系統藉由基於來自經識別邊緣部位之資料相對於基準光學接近校正評估經預測光學接近校正來訓練機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。
在一實施例中，經識別邊緣部位為經識別邊緣像素。在一實施例中，經識別邊緣部位為針對光學接近校正獲取之輪廓上之部位。在一實施例中，來自輪廓上之經識別邊緣部位之資料藉由內插自設計圖案之影像之像素柵格上的資料獲得。在一實施例中，該方法進一步包含將一加權應用於光學接近校正之經識別邊緣部位，該加權不同於應用於光學接近校正之其他部位的加權。在一實施例中，相對於基準光學接近校正評估經預測光學接近校正包含判定用於經預測光學接近校正及基準光學接近校正之經識別邊緣部位之間的邊緣置放誤差值及基於邊緣置放誤差值訓練機器學習模型。
在一實施例中，提供一種方法，其包含：獲得用於設計圖案之基準光學接近校正影像；藉由硬體電腦系統使用機器學習模型產生用於設計圖案之經預測光學接近校正影像；藉由硬體電腦系統識別經預測及基準光學接近校正影像內之特徵之邊緣部位；藉由硬體電腦系統相對於經預測光學接近校正影像之經識別邊緣部位處之資料評估基準光學接近校正影像之經識別邊緣部位處之資料；及藉由硬體電腦系統基於該評估調整機器學習模型之參數。
在一實施例中，該識別包含將基準及經預測光學接近校正影像之特徵的輪廓追蹤至邊緣。
在一實施例中，提供一種方法，其包含：獲得輸入設計圖案之在空間上移位版本；及藉由硬體電腦系統使用具有懲罰項之目標函數訓練經組態以針對設計圖案預測光學接近校正之機器學習模型，該懲罰項涉及對應於由機器學習模型相對於輸入設計圖案進行之預測之值與對應於由機器學習模型相對於經移位輸入設計圖案進行之預測的逆移位版本之值之間的比較，其中該逆移位為空間移位，其與用於創建輸入設計圖案之在空間上移位版本之空間移位相逆。
在一實施例中，該比較包含距離函數。
在一實施例中，該空間移位涉及包括翻轉及/或旋轉之操作。
圖19為說明可輔助實施本文中所揭示之方法及流程之電腦系統100的方塊圖。電腦系統100包括用以傳達資訊之匯流排102或其他通信機構，及與匯流排102耦接以處理資訊之處理器104 (或多個處理器104及105)。電腦系統100亦可包括耦接至匯流排102以儲存或供應待由處理器104執行之資訊及指令的主記憶體106，諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106可用於在待由處理器104執行之指令之執行期間儲存或供應暫時性變數或其他中間資訊。電腦系統100可進一步包括耦接至匯流排102以儲存或供應用於處理器104之靜態資訊及指令的唯讀記憶體(ROM) 108或其他靜態儲存器件。可提供諸如磁碟或光碟之儲存器件110，且可將諸如磁碟或光碟之儲存器件110耦接至匯流排102以儲存或供應資訊及指令。
電腦系統100可經由匯流排102而耦接至用以向電腦使用者顯示資訊之顯示器112，諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字及其他按鍵之輸入器件114可耦接至匯流排102以將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件為用以將方向資訊及命令選擇傳達至處理器104且控制顯示器112上之游標移動的游標控制件116，諸如，滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有兩個軸線中之兩個自由度，第一軸線(例如x)及第二軸線(例如y)，其允許器件在平面中指定位置。亦可將觸控面板(螢幕)顯示器用作輸入器件。
根據一實施例，可由電腦系統100回應於處理器104執行主記憶體106中含有的一或多個指令之一或多個序列而執行本文中所描述之程序之部分。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中所含有之指令序列之執行使處理器104執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器可用以執行主記憶體106中含有之指令序列。在替代性實施例中，可代替或結合軟體指令而使用硬連線電路。因此，本文中之描述不限於硬體電路及軟體之任何特定組合。
如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。此媒體可呈許多形式，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。傳輸媒體包括同軸電纜、銅線及光纖，其包括包含匯流排102之電線。傳輸媒體亦可呈聲波或光波之形式，諸如在射頻(RF)及紅外線(IR)資料通信期間所產生的聲波或光波。電腦可讀媒體之常見形式包括例如軟碟、軟性磁碟、硬碟、磁帶、任何其他磁媒體、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以供執行時涉及各種形式之電腦可讀媒體。舉例而言，最初可將指令承載於遠端電腦之磁碟或記憶體上。遠端電腦可將該等指令載入至其動態記憶體中，且經由通信路徑發送該等指令。電腦系統100可自路徑接收資料且將資料置放於匯流排102上。匯流排102將該資料攜載至主記憶體106，處理器104自該主記憶體106擷取並執行指令。由主記憶體106接收之指令可視情況在供處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100可包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦接，網路鏈路120連接至網路122。舉例而言，通信介面118可提供有線或無線資料通信連接。在任何此類實施中，通信介面118發送且接收攜載表示各種類型之資訊之數位資料流的電信號、電磁信號或光學信號。
網路鏈路120通常經由一或多個網路將資料通信提供至其他資料器件。舉例而言，網路鏈路120可經由網路122而向主機電腦124或向由網際網路服務業者(ISP) 126操作之資料設備提供連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」128)而提供資料通信服務。網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光學信號。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)為輸送資訊的例示性載波形式。
電腦系統100可藉由網路、網路鏈路120及通信介面118發送訊息且接收資料，包括程式碼。在網際網路實例中，伺服器130可經由網際網路128、ISP 126、網路122及通信介面118而傳輸用於應用程式之經請求程式碼。舉例而言，一個此類經下載應用程式可提供用以實施本文中之方法之程式碼。所接收程式碼可在其被接收時由處理器104執行，或儲存於儲存器件110或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統100可獲得呈載波之形式之應用程式碼。
圖20示意性地描繪例示性微影投影裝置。該裝置包含： -照明系統IL，其用以調節輻射光束B。在此特定狀況下，照明系統亦包含輻射源SO； -第一物件台(例如，光罩台) MT，其具備用以固持圖案化器件MA (例如，倍縮光罩)之圖案化器件固持器，且連接至用以相對於項目PS來準確地定位該圖案化器件的第一定位器PM； -第二物件台(基板台) WT，其具備用以固持基板W (例如，抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於項目PS來準確地定位該基板之第二定位器PW； -投影系統PS (例如，折射、反射或反射折射光學系統)，其用以將圖案化器件MA之經輻照部分成像至基板W之目標部分C (例如，包含一或多個晶粒)上。
如本文中所描繪，該裝置屬於透射類型(亦即，具有透射光罩)。然而，一般而言，其亦可屬於例如反射類型(具有反射光罩)。替代地，該裝置可使用另一種類之圖案化器件作為經典光罩之使用的替代方案；實例包括可程式化鏡面陣列或LCD矩陣。
源SO (例如，水銀燈或準分子雷射)產生輻射光束。此光束直接地或在已橫穿諸如光束擴展器之調節器之後經饋入至照明系統(照明器) IL中。照明器IL可包含經組態以設定光束中之強度分佈之外部徑向範圍或內部徑向範圍(通常分別被稱作σ外部及σ內部)之調整器AD。另外，其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20應注意，源SO可在微影投影裝置之外殼內(例如當源SO為水銀燈時，此常常為之狀況)，但其亦可遠離微影投影裝置，其產生之輻射光束經引導至該裝置中(例如憑藉合適導向鏡面BD)；當源SO為準分子雷射(例如基於KrF、ArF、或F2 雷射作用)時，此後一情境常常為之狀況。
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之情況下，光束B穿過投影系統PS，投影系統PS將該光束B聚焦至基板W之目標部分C上。憑藉第二定位器PW (及干涉計IF)，基板台WT可準確地移動，例如以便將不同目標部分C定位在光束B之路徑中。相似地，第一定位器PM可用於例如在自圖案化器件庫之圖案化器件MA的機械擷取之後或在掃描期間相對於光束B之路徑準確地定位圖案化器件MA。一般而言，將憑藉未在圖20中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。
可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如，光罩) MA及基板W。儘管所說明之基板對準標記佔據專用目標部分，但該等標記可位於目標部分之間的空間中(此等標記被稱為切割道對準標記)。相似地，在多於一個晶粒被提供於圖案化器件(例如光罩) MA上之情形中，圖案化器件對準標記可位於該等晶粒之間。小的對準標記亦可包括於器件特徵當中之晶粒內，在此狀況下，需要使標記儘可能地小且無需與鄰近特徵不同的任何成像或程序條件。
圖21示意性地描繪另一例示性微影投影裝置1000。該微影投影裝置1000包括： -源收集器模組SO； -照明系統(照明器) IL，其經組態以調節輻射光束B (例如，EUV輻射)； -支撐結構(例如，光罩台) MT，其經建構以支撐圖案化器件(例如，光罩或倍縮光罩) MA且連接至經組態以準確地定位圖案化器件之第一定位器PM； -基板台(例如，晶圓台) WT，其經建構以固持基板(例如，抗蝕劑塗佈晶圓) W，且連接至經組態以準確地定位該基板之第二定位器PW；及 -投影系統(例如，反射投影系統) PS，其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如，包含一或多個晶粒)上。
如此處所描繪，裝置1000屬於反射類型(例如，使用反射光罩)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化器件可具有包含(例如)鉬與矽之多堆疊的多層反射器。在一個實例中，多堆疊反射器具有鉬及矽之40層對。可運用X射線微影來產生甚至更小的波長。由於大部分材料在EUV及x射線波長下係吸收性的，因此圖案化器件構形上之薄片的圖案化吸收材料(例如多層反射器頂部上之TaN吸收體)限定將印刷特徵之位置(正抗蝕劑)或不印刷特徵之位置(負抗蝕劑)。
參考圖21，照明器IL自源收集器模組SO接收極紫外線(EUV)輻射光束。用以產生EUV輻射之方法包括但未必限於運用EUV範圍中之一或多個發射譜線將材料轉換成具有至少一個元素(例如，氙、鋰或錫)之電漿狀態。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21中未展示)之EUV輻射系統之部分，該雷射用以提供用以激發燃料之雷射光束。所得電漿發射輸出輻射，例如，EUV輻射，該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO2 雷射以提供用於燃料激發之雷射光束時，雷射及源收集器模組可為分離實體。
在此類狀況下，不認為雷射形成微影裝置之部分，且輻射光束係憑藉包含例如合適導向鏡面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(常常被稱作DPP源)時，源可為源收集器模組之整體部分。
照明器IL可包含經組態以調整輻射光束之角強度分佈之調整器。通常，可調整照明器之光瞳平面中之強度分佈之至少外部徑向範圍或內部徑向範圍(通常分別被稱作σ-外部及σ-內部)。另外，照明器IL可包含各種其他組件，諸如，琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束，以在其截面中具有所要均一性及強度分佈。
輻射光束B入射於圖案化器件(例如光罩) MA上且由圖案化器件圖案化，該圖案化器件經固持在支撐結構(例如光罩台) MT上。在自圖案化器件(例如，光罩) MA反射之後，輻射光束B穿過投影系統PS，該投影系統PS將光束聚焦於基板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，干涉量測器件、線性編碼器或電容式感測器)，基板台WT可準確地移動，例如以便將不同目標部分C定位在輻射光束B之路徑中。相似地，第一定位器PM及另一位置感測器PS1可用於相對於輻射光束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。
所描繪裝置可用於以下模式中之至少一者中： 1.   在步進模式中，當將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，支撐結構(例如，光罩台) MT及基板台WT保持基本上靜止(亦即，單次靜態曝光)。接著，使基板台WT在X或Y方向上移位以使得可曝光不同目標部分C。 2.   在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，在給定方向(所謂「掃描方向」)上同步地掃描支撐結構(例如，光罩台) MT及基板台WT (亦即，單次動態曝光)。基板台WT相對於支撐結構(例如，光罩台) MT之速度及方向可藉由投影系統PS之放大(縮小)及影像反轉特性來判定。 3.   在另一模式中，在將經賦予至輻射光束之圖案投影至目標部分C上時，支撐結構(例如，光罩台) MT保持基本上靜止，從而固持可程式化圖案化器件，且移動或掃描基板台WT。在此模式中，通常採用脈衝式輻射源，且可程式化圖案化器件視需要在基板台WT之每一移動之後或在掃描期間之連續輻射脈衝之間更新。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。
此外，微影裝置可屬於具有兩個或多於兩個台(例如兩個或多於兩個基板台、兩個或多於兩個圖案化器件台或基板台及不具有基板之台)之類型。在此等「多載物台」器件中，可並行地使用額外台，或可在一或多個台上進行預備步驟，同時將一或多個其他台用於曝光。
圖22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。可藉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)來產生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，藉由造成至少部分地離子化電漿之放電來產生極熱電漿210。為了輻射之有效率產生，可需要為例如10 Pa之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一實施例中，提供經激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由定位於源腔室211中之開口中或後方的視情況選用的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。污染物截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中為吾人所知，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211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被反射以沿著由點虛線「O」指示之光軸聚焦於虛擬源點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處之輻射光束21之所要角分佈，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處反射輻射光束21後，隨即形成經圖案化光束26，且投影系統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。此外，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22中所展示之反射元件多1至6個的額外反射元件。
如圖22中所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱，且此類型之收集器光學件CO係理想地結合放電產生電漿源(常常被稱為DPP源)使用。替代地，源收集器模組SO可為LPP輻射系統之部分。
本文中所使用之術語「投影系統」應被廣泛地解釋為涵蓋適於所使用之曝光輻射或適於諸如浸潤液體之使用或真空之使用之其他因素的任何類型之投影系統，包括折射、反射、反射折射、磁性、電磁及靜電光學系統，或其任何組合。
可使用以下條項進一步描述實施例： 1.     一種方法，其包含： 獲得包括對應於一訓練設計圖案之一在空間上移位版本之一光學接近校正的訓練資料集；及 藉由一硬體電腦系統使用關於該訓練設計圖案之該在空間上移位版本的資料及基於該訓練設計圖案之該在空間上移位版本之該光學接近校正的資料訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。 2.     如條項1之方法，其中空間移位小於該訓練設計圖案之一影像之一像素柵格的一尺寸之一大小。 3.     如條項1或條項2之方法，其進一步包含： 獲得包括該訓練設計圖案之複數個在空間上以不同方式移位版本及該訓練設計圖案之在空間上以不同方式移位版本之對應的光學接近校正之該訓練資料集；及 使用關於該訓練設計圖案之該複數個在空間上以不同方式移位版本及該訓練設計圖案之在空間上以不同方式移位版本之該對應的光學接近校正之資料訓練該機器學習模型。 4.     如條項3之方法，其進一步包含： 自光學接近校正之該複數個在空間上以不同方式移位版本當中選擇相比於該訓練資料集內之該光學接近校正之其他剩餘的一或多個版本展現一高於平均值程序窗之該光學接近校正中之至少一者；及 使用基於該等光學接近校正中之該選定的一或多者之資料訓練該機器學習模型。 5.     如條項4之方法，其包含自光學接近校正之該複數個在空間上以不同方式移位版本當中選擇展現最佳程序窗之該光學接近校正。 6.     如條項4或條項5之方法，其進一步包含： 對該選定的光學接近校正執行一或多個旋轉、翻轉操作或兩者以獲得該選定的光學接近校正之一或多個經重新定向版本；及 使用基於該選定的光學接近校正之該一或多個經重新定向版本及對應的一或多個經重新定向訓練設計圖案之資料訓練該機器學習模型。 7.     如條項4至6中任一項之方法，其進一步包含： 執行該選定的光學接近校正之一或多個空間移位以獲得該選定的光學接近校正之一或多個在空間上以不同方式移位版本；及 使用基於該選定的光學接近校正之該一或多個在空間上以不同方式移位版本及該訓練設計圖案之對應的一或多個在空間上以不同方式移位版本之資料訓練該機器學習模型。 8.     如條項1至7中任一項之方法，其中針對複數個不同設計圖案重複該獲得及訓練。 9.     如條項1至8中任一項之方法，其中該等光學接近校正包含輔助特徵圍繞一給定設計圖案之一主要特徵的一置放及/或對該給定設計圖案之該主要特徵的修改。 10.   如條項1至9中任一項之方法，其中該等光學接近校正呈影像之形式且該訓練係基於該等影像或該等影像之像素資料。 11.   如條項10之方法，其中該等影像為 自一目標設計圖案影像再現之一灰階影像，及/或 一子解析度輔助特徵導引圖(SGM)圖，及/或 藉由將該目標設計圖案之一影像與一光學核心進行廻旋獲得之一信號影像，及/或 該目標設計圖案之一基於模型之光罩最佳化處理的一輸出影像之連續透射光罩。 12.   一種方法，其包含： 獲得一設計圖案之一或多個在空間上移位版本及用於該一或多個經移位設計圖案中之每一者之對應的光學接近校正； 藉由一硬體電腦系統選擇具有符合或超過一臨限值之一程序窗之該一或多個經移位設計圖案之一或多個光學接近校正影像；及 藉由該硬體電腦系統使用包含關於該設計圖案之一或多個在空間上移位版本之資料及關於該選定的一或多個光學接近校正影像之資料的訓練資料訓練一機器學習模型。 13.   如條項12之方法，其中其進一步包含： 重新定向該選定的一或多個光學接近校正影像以產生經重新定向的一或多個光學接近校正影像； 在空間上移位該經重新定向的一或多個光學接近校正影像以產生複數個以不同方式移位之經重新定向的一或多個光學接近校正影像； 獲得對應於該複數個以不同方式移位之經重新定向的一或多個光學接近校正影像之該設計圖案的複數個以不同方式移位版本；及 使用包含關於該複數個以不同方式移位之經重新定向的一或多個光學接近校正影像之資料及關於該設計圖案之該複數個以不同方式移位版本之資料的訓練資料訓練該機器學習模型。 14.   如條項13之方法，其中重新定向包含選自以下各者中之一或多者：一翻轉操作、一旋轉操作及/或一鏡像操作，其中操作類型係基於一微影裝置之一照明形狀。 15.   如條項12至14中任一項之方法，其中該光學接近校正影像為一連續透射光罩影像。 16.   一種方法，其包含： 獲得一加權函數或資料以將一權重指派給一設計圖案之一光學接近校正之一區，該權重不同於經指派給其另一區之一權重；及 藉由一硬體電腦系統藉由基於該加權資料相對於該設計圖案之一基準光學接近校正評估該機器學習模型之該設計圖案的一經預測光學接近校正來訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。 17.   如條項16之方法，其中該加權函數或資料應用於該經預測光學接近校正、該基準光學接近校正，及/或經預測光學接近校正與基準光學接近校正之間的一差。 18.   如條項16或條項17之方法，其中相比於鄰近該設計圖案之一主要特徵之一區的外部之一區，該加權函數或資料將一較高權重指派給鄰近該主要特徵之彼區。 19.   如條項18之方法，其中該區涵蓋用於該主要特徵之一光學接近校正但排除用於該主要特徵之另一光學接近校正。 20.   如條項16至19中任一項之方法，其中相比於一光學接近校正之一內部及/或該設計圖案之另一部分，該加權函數或資料將一較高權重指派給該光學接近校正之一邊緣。 21.   如條項16至20中任一項之方法，其中該加權函數或資料包含經組態以依據距該設計圖案之一主要特徵的距離使該權重衰減之一加權函數。 22.   一種方法，其包含： 獲得用於一設計圖案之一基準光學接近校正； 藉由一硬體電腦系統使用一機器學習模型產生用於該設計圖案之一經預測光學接近校正； 藉由該硬體電腦系統在該經預測光學接近校正及/或該基準光學接近校正之一部分處指派一相對高權重；及 藉由該硬體電腦系統使用評估該經加權之經預測光學接近校正及/或基準光學接近校正之一目標函數訓練該機器學習模型。 23.   如條項22之方法，其中該相對高權重經指派在該光學接近校正之一邊緣處。 24.   如條項22或條項23之方法，其中一權重經指派給用於該設計圖案之一主要特徵之一第一光學接近校正，該權重不同於經指派給用於該主要特徵之一第二光學接近校正之一權重。 25.   一種方法，其包含： 藉由一硬體電腦系統將一二進位化函數應用於一機器學習模型之一設計圖案之一經預測光學接近校正及/或該設計圖案之一基準光學接近校正的影像資料以產生一各別其經二進位化版本；及 藉由一硬體電腦系統藉由基於該經預測光學接近校正及/或該基準光學接近校正之該經二進位化版本相對於該基準光學接近校正評估該經預測光學接近校正來訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。 26.   如條項25之方法，其中該二進位化函數為一S型函數。 27.   一種方法，其包含： 獲得用於一設計圖案之一基準光學接近校正影像； 藉由一硬體電腦系統使用一機器學習模型產生用於該設計圖案之一經預測光學接近校正影像； 藉由該硬體電腦系統使用一二進位化函數將該等經預測光學接近校正影像及該等基準光學接近校正影像變換成各別二進位影像； 藉由該硬體電腦系統相對於該經預測光學接近校正影像之該二進位影像之資料評估基準光學接近校正影像之該二進位影像的資料；及 藉由該硬體電腦系統基於該評估調整該機器學習模型之一參數。 28.   如條項27之方法，其中該二進位化函數為一S型函數。 29.   一種方法，其包含： 藉由一硬體電腦系統處理一機器學習模型之一設計圖案之一經預測光學接近校正及/或該設計圖案之一基準光學接近校正的影像資料以識別一光學接近校正之邊緣部位；及 藉由一硬體電腦系統藉由基於來自該等經識別邊緣部位之資料相對於該基準光學接近校正評估該經預測光學接近校正來訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正。 30.   如條項29之方法，其中該等經識別邊緣部位為經識別邊緣像素。 31.   如條項29或條項20之方法，其中該等經識別邊緣部位為針對該光學接近校正獲取之一輪廓上之部位。 32.   如條項31之方法，其中來自一輪廓上之該經識別邊緣部位之該資料藉由內插自該光學接近校正之一影像之一像素柵格上的資料獲得。 33.   如條項29至32中任一項之方法，其進一步包含將一加權應用於該光學接近校正之經識別邊緣部位，該加權不同於應用於該光學接近校正之其他部位的一加權。 34.   如條項29至33中任一項之方法，其中該相對於該基準光學接近校正評估該經預測光學接近校正包含判定用於該經預測光學接近校正及基準光學接近校正之該等經識別邊緣部位之間的邊緣置放誤差值及基於該等邊緣置放誤差值訓練該機器學習模型。 35.   一種方法，其包含： 獲得用於一設計圖案之一基準光學接近校正影像； 藉由一硬體電腦系統使用一機器學習模型產生用於該設計圖案之一經預測光學接近校正影像； 藉由該硬體電腦系統識別該等經預測光學接近校正影像及該等基準光學接近校正影像內之特徵的邊緣部位； 藉由該硬體電腦系統相對於該經預測光學接近校正影像之經識別邊緣部位處之資料評估該基準光學接近校正影像之經識別邊緣部位處的資料；及 藉由該硬體電腦系統基於該評估調整該機器學習模型之一參數。 36.   如條項35之方法，其中該識別包含將該等基準光學接近校正影像及該等經預測光學接近校正影像之該等特徵之一輪廓追蹤至一邊緣。 37.   一種方法，其包含： 獲得一輸入設計圖案之一在空間上移位版本；及 藉由一硬體電腦系統使用具有一懲罰項之一目標函數訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正，該懲罰項涉及對應於由該機器學習模型相對於該輸入設計圖案進行之一預測之一值與對應於由該機器學習模型相對於該經移位輸入設計圖案進行之一預測的一逆移位版本的一值之間的一比較，其中該逆移位為一空間移位，其與用於創建該輸入設計圖案之該在空間上移位版本之該空間移位相逆。 38.   如條項37之方法，其中該比較包含一距離函數。 39.如條項37至38中任一項之方法，其中該空間移位涉及包括翻轉及/或旋轉之操作。 40.   一種方法，其包含： 將一設計圖案輸入至根據條項1至39中任一項訓練之一機器學習模型中； 藉由一硬體電腦系統且藉由該經訓練機器學習計算用於該設計圖案之一光學接近校正之一預測。 41.   如條項1至40中任一項之方法，其中該機器學習模型包含由一或多個基本區塊之例項構成之一神經網路，其中該一或多個基本區塊包含一廻旋層、一殘餘區塊及/或一起始區塊。 42.   如條項41之方法，其中該起始區塊由一步幅為1之最大一個彙集層及具有不同濾光器大小之兩個或多於兩個廻旋層組成。 43.   如條項41或條項42之方法，其中該殘餘區塊具有兩個廻旋層及用以直接連接該殘餘區塊之輸入及輸出之一額外路徑。 44.   如條項41至43中任一項之方法，其中該神經網路僅由選自以下各者中之一或多者的例項構成：該廻旋層、該殘餘區塊及/或該起始區塊。 45.   如條項41至44中任一項之方法，其中該神經網路基本上僅涉及廻旋及彙集操作。 46.   一種電腦程式產品，其包含經記錄有指令之一電腦可讀媒體，該等指令在由一電腦執行時實施如條項1至45中任一項之方法。
本文中所揭示之概念可適用於涉及微影裝置之任何器件製造程序，且可對能夠產生具有愈來愈小大小之波長之新興成像技術尤其有用。已經在使用中之新興科技包括能夠藉由使用ArF雷射來產生193 nm波長且甚至能夠藉由使用氟雷射來產生157 nm波長之深紫外線(DUV)微影。此外，EUV微影能夠產生在5至20 nm之範圍內之波長。
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器件製造，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，用於在除矽晶圓以外的基板上之成像的微影成像系統。
上文所提及之圖案化器件包含或可形成設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局。此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集合，以便創建功能設計佈局/圖案化器件。藉由處理及設計限制來設定此等規則。舉例而言，設計規則定義電路器件(諸如，閘、電容器等等)或互連線之間的空間容許度，以便確保該等電路器件或線彼此不會以不當方式相互作用。設計規則限制通常被稱作「臨界尺寸」(CD)。可將電路之臨界尺寸限定為線或孔之最小寬度，或兩條線或兩個孔之間的最小空間。因此，CD判定經設計電路之總大小及密度。當然，積體電路製造中之目標中之一者係在基板上如實地再生原始電路設計(經由圖案化器件)。
如本文中所使用之術語「光罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件，經圖案化橫截面對應於待在基板之目標部分中產生之圖案；術語「光閥」亦可用於此內容背景中。除了經典光罩(透射或反射；二進位、相移、混合式等等)以外，其他此等圖案化器件之實例亦包括： -   可程式化鏡面陣列。此器件之實例為具有黏彈性控制層及反射表面之矩陣可定址表面。此裝置所隱含之基本原理為(例如)：反射表面之經定址區域使入射輻射反射為繞射輻射，而未經定址區域使入射輻射反射為非繞射輻射。在使用適當濾光器之情況下，可自經反射光束濾出該非繞射輻射，從而僅留下繞射輻射；以此方式，光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適電子構件來執行所需矩陣定址。 -   可程式化LCD陣列。
儘管在本文中可特定地參考IC製造，但應明確地理解，本文之描述具有許多其他可能應用。舉例而言，其可被用來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、薄膜磁頭等等。熟習此項技術者應瞭解，在此等替代應用之內容背景中，本文對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為分別與更一般術語「光罩」、「基板」及「目標部分」可互換。
因此，如所提及，微影蝕刻術(microlithography)為在諸如IC之器件之製造中的重要步驟，在微影蝕刻術中形成於基板上之圖案限定IC之功能元件，諸如微處理器、記憶體晶片等。相似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。
在本文件中，術語「輻射」及「光束」用於涵蓋所有類型的電磁輻射，包括紫外線幅射(例如，具有為365、248、193、157或126 nm之波長)及EUV (極紫外線輻射，例如具有在5至20 nm範圍內之波長)。
如本文中所使用之術語「最佳化(optimizing/optimization)」係指或意謂調整圖案化程序裝置、圖案化程序之一或多個步驟等等，使得圖案化之結果及/或程序具有更合乎需要之特性，諸如設計佈局在基板上之轉印之較高準確度、較大程序窗等等。因此，如本文中所使用之術語「最佳化」係指或意謂識別用於一或多個參數之一或多個值的程序，該一或多個值相比於用於彼等一或多個參數之一或多個值之一初始集合提供至少一相關度量之改良，例如，局域最佳。應相應地解釋「最佳」及其他相關術語。在一實施例中，可反覆地應用最佳化步驟，以提供一或多個度量之進一步改良。
在方塊圖中，所說明之組件被描繪為離散功能區塊，但實施例不限於本文中所描述之功能性如所說明來組織之系統。由組件中之每一者提供之功能性可由軟體或硬體模組提供，該等模組以與目前所描繪之方式不同之方式組織，例如，可摻和、結合、複寫、解散、分配(例如，在資料中心內或按地區)，或另外以不同方式組織此軟體或硬體。本文中所描述之功能性可由執行儲存於有形的、非暫時性機器可讀媒體上之程式碼之一或多個電腦的一或多個處理器提供。在一些狀況下，第三方內容遞送網路可主控經由網路傳達之資訊中的一些或全部，在此狀況下，在據稱供應或以另外方式提供資訊(例如，內容)之情況下，可藉由發送指令以自內容遞送網路擷取彼資訊提供該資訊。
除非另外具體地陳述，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」、「計算」、「演算」、「判定」或其類似者之術語的論述係指諸如專用電腦或相似專用電子處理/計算器件之特定裝置的動作或程序。
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。在一些狀況下，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之益處，該等益處對於檢閱本發明之熟習此項技術者將顯而易見。歸因於成本約束，目前可不主張本文中所揭示之一些發明，且可在稍後申請(諸如繼續申請或藉由修正本技術方案)中主張該等發明。相似地，歸因於空間限制，本文件之發明摘要及發明內容章節皆不應被視為含有所有此等發明之全面清單或此等發明之所有態樣。
應理解，描述及圖式並不意欲將本發明限於所揭示之特定形式，而正相反，本發明意欲涵蓋屬於如由所附申請專利範圍所限定之本發明之精神及範疇內的所有修改、等效物及替代方案。
鑒於本說明書，本發明之各種態樣之修改及替代實施例對於熟習此項技術者而言將顯而易見。因此，本說明書及圖式應被理解為僅為說明性的且係出於教示熟習此項技術者執行本發明之一般方式之目的。應理解，本文中所展示且描述之本發明之形式應視為實施例之實例。元件及材料可替代本文中所說明及描述之元件及材料，部分及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之益處之後將顯而易見的。在不背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，可對本文中所描述之元件作出改變。本文中所使用之標題僅為達成組織性目的，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」係在許可之意義(亦即，意謂有可能)而非強制性之意義(亦即，意謂必須)下予以使用。詞語「包括(include/including/includes)」及其類似者意謂包括但不限於。如貫穿本申請案所使用，單數形式「a/an/the」包括複數個參照物，除非內容明確地另外指示。因此，舉例而言，對「元素(「an」或「a」)」之參考包括兩個或多於兩個元素之組合，儘管會針對一或多個元素使用其他術語及短語，諸如「一或多個」。術語「或」除非另外指明，否則係非排他性的，亦即，涵蓋「及」與「或」兩者。描述條件關係之術語，例如，「回應於X，而Y」、「在X後，即Y」、「若X，則Y」、「當X時，Y」及其類似者涵蓋因果關係，其中前提為必要的因果條件，前提為充分的因果條件，或前提為結果的貢獻因果條件，例如，「在條件Y獲得後，即出現狀態X」對於「僅在Y後，才出現X」及「在Y及Z後，即出現X」為通用的。此等條件關係不限於即刻遵循前提而獲得之結果，此係由於可延遲一些結果，且在條件陳述中，前提連接至其結果，例如，前提係與出現結果之可能性相關。除非另外指示，否則複數個特質或功能經映射至複數個物件(例如，執行步驟A、B、C及D之一或多個處理器)之陳述涵蓋所有此等特質或功能經映射至所有此等物件及特質或功能之子集經映射至特質或功能之子集兩者(例如，所有處理器各自執行步驟A至D，及其中處理器1執行步驟A，處理器2執行步驟B及步驟C之一部分，且處理器3執行步驟C之一部分及步驟D之狀況)。此外，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單獨因數之情況與條件或值為複數個因素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」例項具有某一屬性之陳述不應理解成排除如下狀況：較大集合之一些另外相同或相似成員不具有屬性，亦即，每個未必意謂每一個。
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、區段或部分，其包括用於實施該程序中之特定的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之例示性實施例之範疇內，其中功能可取決於所涉及之功能性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。
雖然已描述某些實施例，但此等實施例僅藉助於實例來呈現，且並不意欲限制本發明之範疇。實際上，本文中所描述之新穎方法、裝置及系統可以多種其他形式實施；此外，在不背離本發明精神之情況下，可對本文中所描述之方法、裝置及系統的形式進行各種省略、替代及改變。隨附申請專利範圍及其等效物意欲涵蓋將屬於本發明之範疇及精神內的此類形式或修改。舉例而言，此技術可經構造以用於雲端計算，藉此經由網路在複數個裝置當中協作地共用且處理單個功能。
21:輻射光束 22:琢面化場鏡面器件 24:琢面化光瞳鏡面器件 26:經圖案化光束 28:反射元件 30:反射元件 100:電腦系統 102:匯流排 104:處理器 105:處理器 106:主記憶體 108:唯讀記憶體(ROM) 110:儲存器件 112:顯示器 114:輸入器件 116:游標控制件 118:通信介面 120:網路鏈路 122:網路 124:主機電腦 126:網際網路服務業者(ISP) 128:網際網路 130:伺服器 210:極紫外線(EUV)輻射發射電漿 211:一或多個特性/一或多個處理參數/源腔室 212:一或多個設計佈局參數/收集器腔室 213:模型 220:圍封結構 221:開口 230: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 505:部分 510:一或多個特性 520:工序 530:一或多個特性 533:部分 534:設計佈局 535:一或多個特性 540:訓練資料 550:工序 560:機器學習模型 570:工序 580:一或多個特性 585:信賴度量 586:工序 587:工序 590:工序 600:特徵 601:參考物 602:參考物 603:經像素化影像 604:經像素化影像 700:特徵/訓練資料 705:經訓練機器學習模型 710:參考物 720:經像素化影像 730:形狀 740:合併形狀 800:輸入資料 805:光學接近校正資料 1000:基準資料/微影投影裝置 1005:主要特徵 1008:輔助特徵/另外光學接近校正 1009:某一光學接近校正 1010:經機器學習模型預測資料 1020:差/差值影像 1100:基準資料 1110:經預測資料 1120:差 1130:權重/權重圖 1200:基準資料影像 1202:二進位資料影像 1210:經預測資料影像 1212:二進位經預測資料影像 1250:經二進位化基準資料 1255:經二進位化的經預測資料 1260:差 1300:原始影像 1302:經修改影像/經加權影像 1400:影像 1410:影像 1500:圖案 1510:圖案 1600:區塊 1610:區塊/層/1×1廻旋 1620:層/1×1廻旋 1630:3×3廻旋 1640:1×1廻旋 1650:層/5×5廻旋 1660:區塊 1670:區塊/層/1×1廻旋 1680:區塊 1700:區塊 1710:區塊 1801:晶圓目標佈局 1802:實例經訓練機器學習模型/廻旋神經網路(CNN) 1803:接觸孔 1805:接觸孔 1810:實例光學接近校正/光罩圖案 5000:資料/設計圖案 5001:經移位設計圖案 5003:經光學接近校正影像 5005:影像 5007:經定向影像 5009:影像 5011:圖案 5012:經移位輸入設計圖案 5041:經預測光學接近校正資料 5043:經預測資料 5051:基準資料 5053:經修改基準資料 5200:經訓練機器學習模型 6000:實例輸入資料 6005:經預測光學接近校正資料 7000:輸入設計圖案/資料 7001:第一資料 7002:第二資料 7005:資料 7006:第一資料 7007:基準第二資料 8001:資料 8002:資料 8003:資料 8011:資料 8012:資料 8013:資料 9000:全晶片圖案 9001:樣本剪輯 9002:樣本剪輯 9003:樣本剪輯 9004:樣本剪輯 9011:經再現剪輯/灰階剪輯/經處理輸入資料 9012:經再現剪輯/灰階剪輯/經處理輸入資料 9013:經再現剪輯/灰階剪輯/經處理輸入資料 9014:經再現剪輯/灰階剪輯/經處理輸入資料 9021:光學接近校正資料/連續透射光罩(CTM)圖 9022:光學接近校正資料/連續透射光罩(CTM)圖 9023:光學接近校正資料/連續透射光罩(CTM)圖 9024:光學接近校正資料/連續透射光罩(CTM)圖 10A:例示性微影投影裝置 12A:輻射源 14A:光學件/組件 16Aa:光學件/組件 16Ab:光學件/組件 16Ac:光學件/組件 18A:圖案化器件 20A:可調整濾光器或孔徑 22A:基板平面 1410A:放大部分 AD:調整器 B:輻射光束 BD:合適導向鏡面 BK:烘烤板 C:目標部分 CH:冷卻板 CO:聚光器/輻射收集器/收集器光學件 d1:距離 d2:距離 DE:顯影器 I/O1:輸入/輸出埠 I/O2:輸入/輸出埠 IF:干涉計/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 LA:微影裝置 LACU:微影控制單元 LB:裝載匣 LC:微影製造單元 M1:圖案化器件對準標記 M2:圖案化器件對準標記 MA:圖案化器件 MT:第一物件台/圖案化器件台/支撐結構 O:光軸 P1:基板對準標記 P2:基板對準標記 PM:第一定位器 PS:項目/投影系統 PS2:位置感測器 PW:第二定位器 RO:基板處置器或機器人 S501:程序 S503:程序 S505:程序 S507:程序 S509:程序 S511:程序 S512:程序 S520:程序 S541:程序 S543:程序 S551:程序 S553:程序 S701:訓練程序 SC:旋塗器 SCS:監督控制系統 SO:輻射源/源收集器模組 TCU:自動化光阻塗佈及顯影系統控制單元 W:基板 WT:第二物件台/基板台
併入於本說明書中且構成本說明書之一部分的附圖說明一或多個實施例且連同本說明書解釋此等實施例。附圖未必按比例繪製。附圖及諸圖中所說明之任何值尺寸係僅出於說明之目的且可或可能不表示實際或較佳值或尺寸。在適用情況下，可能不會說明一些或所有特徵來輔助描述底層特徵。在圖式中：
圖1為根據本發明之一例示性實施例的微影系統之各種子系統的方塊圖。
圖2示意性地描繪根據本發明之一例示性實施例的微影製造單元或叢集之一實施例。
圖3示意性地描繪根據本發明之一例示性實施例的將輔助特徵(連接至主要特徵之輔助特徵或獨立輔助特徵)置放至設計佈局中之方法。
圖4A及圖4B分別示意性地展示根據本發明之一例示性實施例的用於訓練機器學習模型及使用機器學習模型之流程。
圖4C及圖4D示意性地展示根據本發明之一例示性實施例的使用設計佈局之邊緣作為參考物之像素化的較多細節。
圖4E示意性地展示根據本發明之一例示性實施例的特徵之像素化影像可使用對準至特徵之邊緣中之每一者的參考物加以判定。
圖5為根據本發明之一例示性實施例的用於訓練機器學習模型之方法的流程圖。
圖6為根據本發明之一例示性實施例的使用圖5之機器學習模型之方法的流程圖。
圖7為根據本發明之一例示性實施例之訓練機器學習模型之實例及用於該訓練之一種類型的資料。
圖8說明根據本發明之一例示性實施例之用於訓練機器學習模型或由機器學習模型預測之實例輔助特徵圖。
圖9A為根據本發明之一例示性實施例的用於訓練機器學習模型之方法的流程圖。
圖9B為根據本發明之一例示性實施例之用於基於成本函數調整機器學習模型參數中之一或多者之流程圖。
圖10說明根據本發明之一例示性實施例之基於均方誤差(MSE)的成本函數之實例結果。
圖11說明根據本發明之一例示性實施例之基於經加權均方誤差的成本函數之實例結果。
圖12A說明根據本發明之一例示性實施例之二進位化技術的實例輸出。
圖12B說明根據本發明之一例示性實施例之基於二進位化技術的成本函數之實例結果。
圖13說明根據本發明之一例示性實施例之邊緣像素增強技術的實例輸出。
圖14說明根據本發明之一例示性實施例之邊緣點增強技術的實例輸出。
圖15說明根據本發明之一例示性實施例之說明邊緣置放誤差的實例輸出。
圖16說明根據本發明之一例示性實施例之用於神經網路的實例起始區塊。
圖17說明根據本發明之一例示性實施例之用於神經網路的實例殘餘區塊。
圖18說明根據一實施例之使用如圖3中所展示訓練之實例逆程序模型產生的實例圖案化器件圖案；
圖19為根據本發明之一例示性實施例之實例電腦系統的方塊圖。
圖20為根據本發明之一例示性實施例之微影投影裝置的示意圖。
圖21為根據本發明之一例示性實施例之另一微影投影裝置的示意圖。
圖22為根據本發明之一例示性實施例之圖20中的裝置之更詳細視圖。
5000:資料/設計圖案
5041:經預測光學接近校正資料
5043:經預測資料
5051:基準資料
5053:經修改基準資料
5200:經訓練機器學習模型
S520:程序
S541:程序
S543:程序
S551:程序
S553:程序

Claims (12)

  1. 一種用於光學接近校正(optical proximity correction)之方法，其包含：獲得一加權函數(weighting function)或資料以將一權重指派給一設計圖案之一光學接近校正之一區，該權重不同於經指派給另一區之一權重；及藉由一硬體電腦系統訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測該光學接近校正，其中該機器學習模型係藉由基於該加權資料相對於該設計圖案之一基準光學接近校正(benchmark optical proximity correction)評估該機器學習模型之該設計圖案的一經預測光學接近校正。
  2. 如請求項1之方法，其中該加權函數或資料應用於該經預測光學接近校正、該基準光學接近校正，及/或該經預測光學接近校正與該基準光學接近校正之間的一差(difference)。
  3. 如請求項1或2之方法，其中該加權函數或資料將一較高權重指派給鄰近該設計圖案之該主要特徵之一區，相比於指派給該區的外部之一區。
  4. 如請求項3之方法，其中該區涵蓋(encompasses)用於該主要特徵之一光學接近校正但排除用於該主要特徵之另一光學接近校正。
  5. 如請求項1或2之方法，其中該加權函數或資料將一較高權重指派給 該光學接近校正之一邊緣，相比於該光學接近校正之一內部及/或該設計圖案之另一部分。
  6. 如請求項1或2之方法，其中該加權函數或資料包含經一加權函數，該加權函數經組態以依據距該設計圖案之一主要特徵的距離衰減(decay)該權重。
  7. 一種用於光學接近校正(optical proximity correction)方法，其包含：藉由一硬體電腦系統處理一機器學習模型之一設計圖案之一經預測光學接近校正及/或該設計圖案之一基準光學接近校正(benchmark optical proximity correction)的影像資料，以識別一光學接近校正之邊緣部位(edge locations)；及藉由一硬體電腦系統訓練一機器學習模型，該機器學習模型經組態以針對設計圖案預測光學接近校正，其中該機器學習模型係藉由基於來自該等經識別邊緣部位之資料相對於該基準光學接近校正而評估該經預測光學接近校正。
  8. 如請求項7之方法，其中該等經識別邊緣部位為經識別邊緣像素。
  9. 如請求項7或8之方法，其中該等經識別邊緣部位為針對該光學接近校正所獲取之一輪廓(contour)上之部位。
  10. 如請求項9之方法，其中來自一輪廓上之該經識別邊緣部位之該資料 係藉由內插(interpolation)自該光學接近校正之一影像之一像素柵格(pixel grid)上的資料所獲得。
  11. 如請求項7或8之方法，其進一步包含將一加權應用於該光學接近校正之經識別邊緣部位，其中該加權不同於應用於該光學接近校正之其他部位的一加權。
  12. 如請求項7或8之方法，其中該相對於該基準光學接近校正而評估該經預測光學接近校正包含：判定用於該經預測光學接近校正及基準光學接近校正之該等經識別邊緣部位之間的邊緣置放誤差值(edge placement error value)，及基於該等邊緣置放誤差值訓練該機器學習模型。
TW109121063A 2017-09-08 2018-09-07 機器學習輔助光學接近誤差校正的訓練方法 TWI754308B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762556246P 2017-09-08 2017-09-08
US62/556,246 2017-09-08
US201862725734P 2018-08-31 2018-08-31
US62/725,734 2018-08-31

Publications (2)

Publication Number Publication Date
TW202046026A TW202046026A (zh) 2020-12-16
TWI754308B true TWI754308B (zh) 2022-02-01

Family

ID=63528763

Family Applications (3)

Application Number Title Priority Date Filing Date
TW107131404A TWI699627B (zh) 2017-09-08 2018-09-07 機器學習輔助光學接近誤差校正的訓練方法
TW109121063A TWI754308B (zh) 2017-09-08 2018-09-07 機器學習輔助光學接近誤差校正的訓練方法
TW111100057A TWI808592B (zh) 2017-09-08 2018-09-07 機器學習輔助光學接近誤差校正的訓練方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW107131404A TWI699627B (zh) 2017-09-08 2018-09-07 機器學習輔助光學接近誤差校正的訓練方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW111100057A TWI808592B (zh) 2017-09-08 2018-09-07 機器學習輔助光學接近誤差校正的訓練方法

Country Status (5)

Country Link
US (3) US11561477B2 (zh)
KR (2) KR102405686B1 (zh)
CN (2) CN115185163A (zh)
TW (3) TWI699627B (zh)
WO (1) WO2019048506A1 (zh)

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
WO2019118639A1 (en) * 2017-12-12 2019-06-20 The Regents Of The University Of California Residual binary neural network
WO2019158682A1 (en) * 2018-02-18 2019-08-22 Asml Netherlands B.V. Binarization method and freeform mask optimization flow
TWI723396B (zh) * 2018-05-24 2021-04-01 荷蘭商Ａｓｍｌ荷蘭公司 判定基板之堆疊組態之方法
KR102617197B1 (ko) 2018-12-28 2023-12-27 에이에스엠엘 네델란즈 비.브이. 프린트된 기판으로부터의 측정 피드백에 기초한 패턴 랭킹 결정
US20220137503A1 (en) * 2019-02-21 2022-05-05 Asml Netherlands B.V. Method for training machine learning model to determine optical proximity correction for mask
WO2020187578A1 (en) * 2019-03-21 2020-09-24 Asml Netherlands B.V. Training method for machine learning assisted optical proximity error correction
US20220351075A1 (en) * 2019-07-04 2022-11-03 Asml Netherlands B.V. Method and apparatus for determining feature contribution to performance
US11042981B2 (en) * 2019-07-12 2021-06-22 SVXR, Inc. Methods and systems for printed circuit board design based on automatic corrections
WO2021028228A1 (en) * 2019-08-13 2021-02-18 Asml Netherlands B.V. Method for training machine learning model for improving patterning process
CN114222993A (zh) 2019-08-16 2022-03-22 美商新思科技有限公司 基于由人工神经网络预测的失效模式应用掩模版增强技术方案
US20210064977A1 (en) * 2019-08-29 2021-03-04 Synopsys, Inc. Neural network based mask synthesis for integrated circuits
CN114402262A (zh) * 2019-08-30 2022-04-26 Asml荷兰有限公司 半导体器件几何方法和系统
US11593673B2 (en) * 2019-10-07 2023-02-28 Servicenow Canada Inc. Systems and methods for identifying influential training data points
EP4045976A1 (en) * 2019-10-17 2022-08-24 ASML Netherlands B.V. Methods of fitting measurement data to a model and modeling a performance parameter distribution and associated apparatuses
US11762283B2 (en) * 2019-12-13 2023-09-19 Synopsys, Inc. Inverse lithography and machine learning for mask synthesis
US20210201205A1 (en) * 2019-12-26 2021-07-01 Wipro Limited Method and system for determining correctness of predictions performed by deep learning model
WO2021175570A1 (en) * 2020-03-03 2021-09-10 Asml Netherlands B.V. Machine learning based subresolution assist feature placement
CN113537446A (zh) * 2020-04-17 2021-10-22 富泰华工业（深圳）有限公司 深度学习算法的选择方法及深度学习算法的选择装置
TWI765250B (zh) * 2020-04-17 2022-05-21 鴻海精密工業股份有限公司 深度學習演算法的選擇方法及深度學習演算法的選擇裝置
CN113759657A (zh) * 2020-06-03 2021-12-07 中芯国际集成电路制造(上海)有限公司 光学邻近校正方法
CN115836252A (zh) * 2020-06-24 2023-03-21 Asml荷兰有限公司 用于确定辅助特征的印制概率的系统、方法和产品及其应用
KR20220001262A (ko) 2020-06-29 2022-01-05 삼성전자주식회사 반도체 공정의 근접 보정 방법
WO2022008198A1 (en) * 2020-07-09 2022-01-13 Asml Netherlands B.V. Motion control using an artificial neural network
KR20220014760A (ko) 2020-07-29 2022-02-07 삼성전자주식회사 심층 학습에 기반한 마스크 상의 형태 형성 방법, 및 그 형성 방법을 이용한 마스크 제조방법
US11869490B1 (en) * 2020-08-14 2024-01-09 Amazon Technologies, Inc. Model configuration
US20220121957A1 (en) * 2020-10-15 2022-04-21 Synopsys, Inc. Lithography simulation using machine learning
KR20220080768A (ko) * 2020-12-07 2022-06-15 삼성전자주식회사 Opc 모델의 에러 검증 방법
CN112578646B (zh) * 2020-12-11 2022-10-14 上海集成电路装备材料产业创新中心有限公司 一种基于图像的离线的光刻工艺稳定性控制方法
CN116940896A (zh) * 2021-03-03 2023-10-24 Asml荷兰有限公司 图案化过程的配置
WO2022193284A1 (en) * 2021-03-19 2022-09-22 Yangtze Memory Technologies Co., Ltd. Systems and methods for designing photomasks
CN113151989B (zh) * 2021-04-19 2022-10-18 山东大学 布料处理方法、系统及缝制机器人
IL308126A (en) * 2021-05-06 2023-12-01 Asml Netherlands Bv A method for determining a stochastic index related to a lithographic process
WO2023158457A2 (en) * 2021-06-30 2023-08-24 Battelle Memorial Institute Automated circuit design validation
CN114898169B (zh) * 2022-03-10 2024-04-12 武汉大学 一种基于深度学习的光刻opc数据库建立方法
TWI812086B (zh) * 2022-03-18 2023-08-11 力晶積成電子製造股份有限公司 光學鄰近修正模型的產生方法
CN117192887A (zh) * 2022-05-30 2023-12-08 联华电子股份有限公司 光学邻近修正的执行装置与执行方法
CN116384257B (zh) * 2023-05-29 2023-09-29 浙江大学 一种空分整装冷箱装配误差预测与公差优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080229273A1 (en) * 2007-02-23 2008-09-18 Interuniversitair Microelektronica Centrum (Imec) Vzw Systems and methods for uv lithography
CN104217224A (zh) * 2013-05-30 2014-12-17 美商新思科技有限公司 使用多机器学习核的光刻热点检测
WO2016096308A1 (en) * 2014-12-18 2016-06-23 Asml Netherlands B.V. Feature search by machine learning
TW201727521A (zh) * 2014-12-15 2017-08-01 Ａｓｍｌ荷蘭公司 基於機器學習之最佳化

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3934719B2 (ja) * 1995-12-22 2007-06-20 株式会社東芝 光近接効果補正方法
JP4709511B2 (ja) * 2004-08-18 2011-06-22 株式会社東芝 マスクパターン補正方法、マスクパターン補正プログラム、フォトマスクの作製方法及び半導体装置の製造方法
EP1920369A2 (en) 2005-08-08 2008-05-14 Brion Technologies, Inc. System and method for creating a focus-exposure model of a lithography process
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
US7694267B1 (en) 2006-02-03 2010-04-06 Brion Technologies, Inc. Method for process window optimized optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US7707538B2 (en) 2007-06-15 2010-04-27 Brion Technologies, Inc. Multivariable solver for optical proximity correction
JP5629691B2 (ja) 2008-11-21 2014-11-26 エーエスエムエル ネザーランズ ビー．ブイ． 高速自由形式ソース・マスク同時最適化方法
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
US7979812B2 (en) * 2009-01-30 2011-07-12 Synopsys, Inc. Method and apparatus for correcting assist-feature-printing errors in a layout
KR102009536B1 (ko) * 2011-09-13 2019-08-09 꼼미사리아 아 레네르지 아토미끄 에뜨 옥스 에너지스 앨터네이티브즈 확률론적 방법에 의해 노광될 패턴에 대하여 디콘볼루션을 사용하여 전자 근접 효과를 보정 하기 위한 방법
KR102009168B1 (ko) * 2012-08-30 2019-08-09 삼성전자 주식회사 광근접보정 모델링 방법 및 시스템
US9129352B2 (en) 2012-08-30 2015-09-08 Samsung Electronics Co., Ltd. Optical proximity correction modeling method and system
CA2829970C (en) * 2012-10-29 2014-09-09 Sidense Corp. A reverse optical proximity correction method
NL2013249A (en) 2013-08-20 2015-02-23 Asml Netherlands Bv Lithography system and a machine learning controller for such a lithography system.
US10627723B2 (en) * 2013-12-17 2020-04-21 Asml Netherlands B.V. Yield estimation and control
US9626459B2 (en) * 2014-01-24 2017-04-18 International Business Machines Corporation Detecting hotspots using machine learning on diffraction patterns
CN106777829B (zh) * 2017-02-06 2019-04-12 深圳晶源信息技术有限公司 一种集成电路掩模设计的优化方法及计算机可读的存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080229273A1 (en) * 2007-02-23 2008-09-18 Interuniversitair Microelektronica Centrum (Imec) Vzw Systems and methods for uv lithography
CN104217224A (zh) * 2013-05-30 2014-12-17 美商新思科技有限公司 使用多机器学习核的光刻热点检测
TW201727521A (zh) * 2014-12-15 2017-08-01 Ａｓｍｌ荷蘭公司 基於機器學習之最佳化
WO2016096308A1 (en) * 2014-12-18 2016-06-23 Asml Netherlands B.V. Feature search by machine learning

Also Published As

Publication number Publication date
US11561477B2 (en) 2023-01-24
CN111051993A (zh) 2020-04-21
KR20200035303A (ko) 2020-04-02
US20230137097A1 (en) 2023-05-04
WO2019048506A1 (en) 2019-03-14
TW201921151A (zh) 2019-06-01
US20200356011A1 (en) 2020-11-12
CN115185163A (zh) 2022-10-14
KR102550350B1 (ko) 2023-07-04
KR102405686B1 (ko) 2022-06-07
US11768440B2 (en) 2023-09-26
TW202046026A (zh) 2020-12-16
TWI808592B (zh) 2023-07-11
CN111051993B (zh) 2022-06-28
US20240012335A1 (en) 2024-01-11
TW202219657A (zh) 2022-05-16
TWI699627B (zh) 2020-07-21
KR20220079699A (ko) 2022-06-13

Similar Documents

Publication Publication Date Title
TWI754308B (zh) 機器學習輔助光學接近誤差校正的訓練方法
TWI681250B (zh) 獲得輔助特徵之特性的方法及電腦程式產品
TWI696125B (zh) 用於計算微影之機器學習模型的訓練方法
TWI617933B (zh) 藉由機器學習之特徵搜尋
TWI655553B (zh) 用於微影程序的電腦實施方法及電腦程式產品
TWI739343B (zh) 用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品