TWI775282B - 調諧用於特定圖案化器件之微影製程之方法及相關電腦程式 - Google Patents

Abstract

本發明揭示一種調諧用於一特定圖案化器件之一微影製程之方法。該方法包含：獲得與一微影裝置之一物鏡相關的在使用該特定圖案化器件進行的在一基板上之一圖案之一曝光之後量測的波前資料；自該波前資料及一波前參考判定一圖案特定波前貢獻，該圖案特定波前貢獻與該圖案化器件有關；及使用該圖案特定波前貢獻來調諧用於該特定圖案化器件之該微影製程。

Description

調諧用於特定圖案化器件之微影製程之方法及相關電腦程式

本發明係關於用於例如藉由微影技術進行器件製造之方法及裝置，且係關於使用微影技術來製造器件之方法。

微影裝置為將所要圖案施加至基板上(通常施加至基板之目標部分上)之機器。微影裝置可用於例如積體電路(IC)之製造中。在彼情況下，圖案化器件(其替代地被稱作光罩或倍縮光罩)可用以產生待形成於IC之個別層上之電路圖案。可將此圖案轉印至基板(例如，矽晶圓)上之目標部分(例如，包括晶粒之部分、一個晶粒或若干晶粒)上。通常經由成像至提供於基板上之輻射敏感材料(抗蝕劑)層上來進行圖案之轉印。一般而言，單一基板將含有經順次地圖案化之鄰近目標部分之網路。此等目標部分通常被稱作「場」。

在複雜器件之製造中，通常執行許多微影圖案化步驟，藉此在基板上之順次層中形成功能性特徵。因此，微影裝置之效能之關鍵態樣係能夠相對於置於先前層中(藉由相同裝置或不同微影裝置)之特徵恰當且準確地置放經施加圖案。出於此目的，基板具備一或多組標記。每一標記為稍後可使用位置感測器(通常為光學位置感測器)量測其位置的結構。微影裝置包括一或多個對準感測器，可藉由該等感測器準確地量測基板上之標記之位置。不同類型之標記及不同類型之對準感測器係自不同製造商及同一製造商之不同產品為吾人所知。

微影裝置包含投影系統。投影系統包含光學元件，諸如(例如)透鏡。光學像差可由光學元件中之缺陷產生。光學像差亦可由投影效應產生，諸如(例如)在微影曝光期間發生的光學元件之加熱。投影系統模型用以判定可對投影系統之光學元件進行之一或多個調整。經判定調整可具有減小投影系統內之光學像差之效應。

可需要提供(例如改良)避免或減輕了先前技術之問題中之一或多者(無論是在本文中抑或在別處所識別)的投影系統模型化方法之校準、調諧及/或使用之態樣。

在一第一態樣中，本發明提供一種調諧用於一特定圖案化器件之一微影製程之方法，該方法包含：獲得與一微影裝置之一物鏡相關的在使用該特定圖案化器件進行的在一基板上之一圖案之一曝光之後量測的波前資料；自該波前資料及一波前參考判定一圖案特定波前貢獻，該圖案特定波前貢獻與該特定圖案化器件有關；及使用該圖案特定波前貢獻來調諧用於該圖案化器件之該微影製程。

亦揭示微影裝置，其包含可操作以執行該第一態樣之方法。

本發明之以上及其他態樣將自以下所描述之實例之考慮因素而理解。

在詳細地描述本發明之實施例之前，有指導性的是呈現可供實施本發明之實施例之實例環境。

圖1示意性地描繪微影裝置LA。該裝置包括：照明系統(照明器)IL，其經組態以調節輻射光束B(例如，UV輻射或DUV輻射)；圖案化器件支撐件或支撐結構(例如，光罩台)MT，其經建構以支撐圖案化器件(例如，光罩)MA，且連接至經組態以根據某些參數來準確地定位該圖案化器件之第一定位器PM；兩個基板台(例如，晶圓台)WTa及WTb，其各自經建構以固持基板(例如，抗蝕劑塗佈晶圓)W，且各自連接至經組態以根據某些參數來準確地定位該基板之第二定位器PW；及投影系統(例如，折射投影透鏡系統)PS，其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C(例如，包括一或多個晶粒)上。參考框架RF連接各種組件，且充當用於設定及量測圖案化器件及基板之位置以及圖案化器件及基板上之特徵之位置的參考。微影設備控制單元LACU經組態以控制微影設備LA。

照明系統可包括用於引導、塑形或控制輻射之各種類型之光學組件，諸如，折射、反射、磁性、電磁、靜電或其他類型之光學組件，或其任何組合。

圖案化器件支撐件MT以取決於圖案化器件之定向、微影裝置之設計及其他條件(諸如，圖案化器件是否被固持於真空環境中)之方式來固持圖案化器件。圖案化器件支撐件可使用機械、真空、靜電或其他夾持技術以固持圖案化器件。圖案化器件支撐件MT可為例如框架或台，其可根據需要而固定或可移動。圖案化器件支撐件可確保圖案化器件(例如)相對於投影系統處於所要位置。

本文所使用之術語「圖案化器件」應被廣泛地解譯為係指可用以在輻射光束之橫截面中向輻射光束賦予圖案以便在基板之目標部分中產生圖案的任何器件。應注意，舉例而言，若被賦予至輻射光束之圖案包括相移特徵或所謂的輔助特徵，則該圖案可不確切地對應於基板之目標部分中之所要圖案。通常，被賦予至輻射光束之圖案將對應於目標部分中所產生之器件(諸如積體電路)中的特定功能層。

如此處所描繪，裝置屬於透射類型(例如，使用透射圖案化器件)。替代地，裝置可屬於反射類型(例如，使用如上文所提及之類型之可程式化鏡面陣列，或使用反射光罩)。圖案化器件之實例包括光罩、可程式化鏡面陣列，及可程式化LCD面板。可認為本文對術語「倍縮光罩」或「光罩」之任何使用皆與更一般術語「圖案化器件」同義。術語「圖案化器件」亦可被解譯為係指以數位形式儲存圖案資訊以用於控制此類可程式化圖案化器件的器件。

本文所使用之術語「投影系統」應被廣泛地解譯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。可認為本文對術語「投影透鏡」之任何使用皆與更一般之術語「投影系統」同義。

微影裝置亦可屬於如下類型：其中基板之至少一部分可由具有相對較高折射率之液體(例如水)覆蓋，以便填充投影系統與基板之間的空間。亦可將浸潤液體施加至微影裝置中之其他空間，例如，光罩與投影系統之間的空間。浸潤技術在此項技術中被熟知用於增加投影系統之數值孔徑。

在操作中，照明器IL自輻射源SO接收輻射光束。舉例而言，當源為準分子雷射時，源及微影裝置可為單獨實體。在此等狀況下，不認為源形成微影裝置之部分，且輻射光束係憑藉包括例如合適導向鏡及/或光束擴展器之光束遞送系統BD而自源SO傳遞至照明器IL。在其他狀況下，舉例而言，當源為水銀燈時，源可為微影裝置之整體部分。源SO及照明器IL連同光束遞送系統BD在需要時可被稱作輻射系統。

照明器IL可例如包括用於調整輻射光束之角強度分佈之調整器AD、積光器IN及聚光器CO。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入射於被固持於圖案化器件支撐件MT上之圖案化器件MA上，且係藉由該圖案化器件而圖案化。在已橫穿圖案化器件(例如光罩) MA的情況下，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IF (例如，干涉器件、線性編碼器、2-D編碼器或電容性感測器)，可準確地移動基板台WTa或WTb，例如，以便將不同目標部分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(其未在圖1中明確地描繪)可用以例如在自光罩庫之機械擷取之後或在掃描期間相對於輻射光束B之路徑來準確地定位圖案化器件(例如光罩) MA。

可使用光罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如，光罩) MA及基板W。儘管如所說明之基板對準標記佔據專用目標部分，但該等基板對準標記可位於目標部分之間的空間中(此等標記被稱為切割道對準標記)。相似地，在多於一個晶粒提供於圖案化器件(例如，光罩) MA上之情形中，光罩對準標記可位於該等晶粒之間。小對準標記亦可在器件特徵當中包括於晶粒內，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製程條件。下文進一步描述偵測對準標記物之對準系統。

可在多種模式中使用所描繪之裝置。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，同步地掃描圖案化器件支撐件(例如，光罩台) MT及基板台WT (亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於圖案化器件支撐件(例如光罩台) MT之速度及方向。在掃描模式中，曝光場之最大大小限制單次動態曝光中之目標部分之寬度(在非掃描方向上)，而掃描運動之長度判定目標部分之高度(在掃描方向上)。如在此項技術中為吾人所熟知，其他類型之微影裝置及操作模式係可能的。舉例而言，步進模式係已知的。在所謂的「無光罩」微影中，使可程式化圖案化器件保持靜止，但具有改變之圖案，且移動或掃描基板台WT。

亦可使用上文所描述之使用模式之組合及/或變化或完全不同的使用模式。

微影裝置LA屬於所謂的雙載物台類型，其具有兩個基板台WTa、WTb以及兩個站-曝光站EXP及量測站MEA-在該兩個站之間可交換該等基板台。在曝光站處曝光一個台上之一基板的同時，可在量測站處將另一基板裝載至另一基板台上且進行各種預備步驟。此情形實現裝置之產出量之相當大增加。該等預備步驟可包括使用位階感測器LS來映射基板之表面高度輪廓，及使用對準感測器AS來量測基板上之對準標記物之位置。若位置感測器IF在其處於量測站以及處於曝光站時不能夠量測基板台之位置，則可提供第二位置感測器以使能夠在兩個站處追蹤基板台相對於參考框架RF之位置。代替所展示之雙載物台配置，其他配置係已知及可用的。舉例而言，提供基板台及量測台之其他微影裝置為吾人所知。此等基板台及量測台在執行預備量測時銜接在一起，且接著在基板台經歷曝光時不銜接。

微影裝置LA進一步包含波前感測器WS；例如，在每一基板台WTa、WTb上。此感測器可量測波前影像之品質，以及任何像差且因此使能夠進行貫穿投影隙縫之光學像差的(例如並行)量測，因此實現(例如)較準確對準、改良之倍縮光罩加熱校正及運作中透鏡加熱校正。波前感測器可包含干涉波前量測系統且可對高達高階之透鏡像差執行靜態量測。其可經實施為用於系統初始化及校準之整合式量測系統。替代地，其可用於「按需求」監測及再校準。因而，波前感測器可能夠取決於其設計以每批次或每晶圓為基礎量測透鏡像差。

圖2說明用以將目標部分(例如，晶粒)曝光於圖1之雙載物台裝置中之基板W上之步驟。量測站MEA處所執行之步驟係在點線框內之左側，而右側展示曝光站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量。

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第一次曝光。然而，一般而言，所描述之微影製程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，且亦可經歷後續製程。特別針對改良疊對效能之問題，任務為確保新的圖案被確切地施加於已經經受圖案化及處理之一或多個循環之基板上的正確位置中。此等處理步驟逐漸地在基板中引入失真，該等失真必須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，器件製造製程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「乾式」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。在一個實施例中，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、晶圓柵格及高度圖之量測添加至此等配方資料，使得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)包含以與作為微影製程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之順次目標位置處，以便完成多個圖案之曝光。

藉由在執行曝光步驟中使用量測站處所獲得之對準資料及高度圖，使此等圖案相對於所要位置準確地對準，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製程。

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概述。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。

本文中所揭示之概念係關於使用波前感測器，諸如以上所描述之波前感測器WS。此類波前感測器可用以量測波前誤差或像差，該等波前誤差或像差通常被描述為被稱為任尼克多項式之一系列2D數學函數中之係數。此等波前誤差或像差可經重新分組以描述一些熟知光學像差，諸如球面、彗形像差及像散。

通常，基於產品結構之波前不能直接使用波前感測器來量測。然而，對於已經由曝光加熱之透鏡，波前信號將攜載經曝光產品特徵(圖案或倍縮光罩、照明及劑量特定波前貢獻)之「記憶體」或「重影」。此係因為當產品特徵經曝光時，透鏡(亦即，光學柱)基於由與倍縮光罩上之產品特徵組合之照明模式誘發的繞射而在光瞳平面中加熱。緊接在曝光結束之後，可使用波前感測器來量測波前資料；此感測器將觀測到相對於變冷時之透鏡之波前改變，該波前改變係由產品特徵之形狀以及照明設定引起且描述產品特徵之形狀以及照明設定。隨著透鏡材料中之熱量擴散，此形狀將逐漸減弱。提議利用此現象且針對多個不同應用使用此波前資料(例如包含熱透鏡波前量測與參考波前(例如冷透鏡波前量測)之差異之差異波前)。在一實施例中，本文中所描述之概念提議使用原始波前感測器信號，亦即例如在無任尼克分解的情況下由波前感測器攝影機捕捉之像素化影像，以判定圖案特定波前貢獻。此原始波前資料可為橫越物鏡之出射光瞳平面之波前誤差(純量)的映射表示，而非將波前向量化至任尼克係數。替代地，可以習知方式自被處理成任尼克多項式之波前資料判定圖案特定波前貢獻。

在影響疊對及聚焦漂移之因素當中，透鏡加熱為影像品質劣化之主要因素，特別是對於常常使用之極局部照明源(諸如偶極照明)。透鏡上之此等局部熱分佈可導致對成像波前之不當的影響。歸因於在曝光期間之透鏡加熱，在批次曝光期間之像差漂移係不可避免的。透鏡中之光之累積吸收最終可導致成像缺陷，該等成像缺陷為透鏡加熱誘發之波前誤差的直接結果。因此，在第一實施例中，提議此原始波前資料用於改良透鏡加熱控制，且尤其用於改良用於透鏡加熱之預測的透鏡加熱模型之校準及/或檢核。在此第一實施例之其他變化形式中，不使用原始波前資料，且使用另一倍縮光罩描述來代替該原始波前資料。

因此，透鏡加熱(LH)控制對於維持成像品質係重要的。LH控制之重要步驟為準確預測透鏡加熱的能力。在一些系統上使用當前系統，被稱為特殊應用校準(ASCAL)方法，以藉由量測波前漂移(例如使用以上所描述之波前感測器WS)來預測透鏡加熱效應。可藉由ASCAL在不同隙縫位置上及在不同晶圓數目下量測在批次曝光期間之前述任尼克係數，以有助於理解及預測LH演進式行為。接著可藉由可用於現代掃描器上之眾多LH校正選項中之一或多者來校正經預測之LH行為，諸如(例如)影像調諧器透鏡調整控制。舉例而言，ASCAL在其針對掃描器上之器件層之校準工序結束時產生透鏡加熱前饋(LHFF)資料集。將此LHFF資料集應用至目標掃描器及層以校正LH誘發之波前漂移。

圖3之(a)說明線上ASCAL流程之主要步驟。使用可包含例如倍縮光罩資料、劑量資料及場尺寸資料之曝光配方300以判定掃描器設定。此等掃描器設定用於對掃描器執行校準測試310且使用波前感測器來量測波前的步驟中。基於所得量測資料(例如可呈任尼克係數之形式的波前或像差量測資料)，將模型參數320擬合至通用(例如以物理性質為基礎之黑箱)模型。針對每一應用(例如每一層、配方等)重複步驟300至320且將所得經擬合之特殊應用模型參數值儲存於資料庫330中。

ASCAL係用以降低透鏡加熱效應之有效的方法。然而，其需要每層至少1至2小時之專用工具時間，且為了線上監測及校正(例如在掃描器內)，需要針對每一新倍縮光罩曝光及量測一測試批次。就掃描器上所需之時間而言，此為巨大開銷。

為了解決此時間問題，已使用替代策略(在模擬量測的情況下)。此途徑被稱作演算ASCAL或cASCAL。舉例而言，在Beak等人之「Lens heating impact analysis and controls for critical device layers by computational method」(國際光學工程學會(The International Society for Optical Engineering，SPIE)之會議記錄，2014年3月)中描述了cASCAL，該案係以引用方式併入本文中。與基於經量測資料產生LHFF資料集之ASCAL形成對比，cASCAL在純粹演算模擬中產生LHFF資料集。此導致巨大的掃描器時間節省且因此無掃描器可用性損失。

圖3之(b)說明cASCAL流程之主要步驟。使用可包含倍縮光罩佈局資料、光學設定及照明條件(例如照明光瞳資料)之應用資料340以用演算方式計算對應繞射圖案350。基於此經模擬繞射圖案及用於所使用透鏡之透鏡加熱模型，模擬透鏡加熱回應。經模擬透鏡加熱回應用以判定特殊應用模型參數值360，該等特殊應用模型參數值儲存於資料庫370中。如前所述針對每一應用重複此操作。

圖4為描述用於cASCAL之LH工作流程的流程圖。將倍縮光罩描述400(其可呈圖形資料庫系統或GDS檔案之形式)與照明資料410組合以便獲得繞射圖案420。通用透鏡模型430 (例如針對特定透鏡族或透鏡類型)經歷第一調諧步驟440以使針對特定透鏡之模型參數經調諧以獲得透鏡特定模型445。此步驟可為由掃描器製造商在安裝掃描器之前執行的一次性步驟。接著在第二調諧步驟450中使用繞射圖案420，該第二調諧步驟包含模擬及預測透鏡特定模型445上之透鏡加熱。此第二調諧步驟之結果為特殊應用模型455。所有此等步驟係演算的且並不需要實體晶圓之曝光及讀出。可針對倍縮光罩/層來執行該方法以獲得用於每一層之特殊應用模型庫455。在後期，當曝光各別特殊應用模型時使用每一特殊應用模型455以在生產460期間計算/預測透鏡加熱(LH)及對其之校正。

關於以上所描述之cASCAL構架之問題為：其並不與經量測ASCAL構架一樣準確。另一問題為：倍縮光罩資料(GDS檔案)並不總是可用於計算繞射圖案。

因此提議藉由界定機器學習(例如資料驅動)模型以在生產期間(亦即，即時地)預測透鏡加熱來解決此等問題中之一者或兩者。模型可為神經網路，諸如深人工神經網路DANN (但可使用任何其他合適的機器學習模型)。此神經網路模型可擴增目前用於cASCAL中的以物理性質為基礎之透鏡特定模型，使得其預測藉由神經網路而改進(例如藉由調諧神經網路之模型參數)。

在一實施例中，此神經網路並不需要針對每一新倍縮光罩/層之訓練集亦不需要特定初始訓練；替代地，其將在掃描器操作時在生產期間改良及學習(即時訓練)。此可藉由使用來自波前感測器之即時資料(其通常在曝光每一晶圓之前用於倍縮光罩對準)來達成，且例如將其維持儘可能接近於目標值(最小化與目標之偏差)。

替代地，神經網路之訓練可在初始訓練階段中，例如在實際生產資料(例如來自先前批次之歷史資料)上來進行。訓練神經網路意謂改變存在於神經網路中之權重。此意謂當訓練時，神經網路之輸出可改變，而不管輸入係相同的。當掃描器操作時，可較佳的是使用在效能方面可預測的模型。因此，可在生產資料上訓練神經網路，但可較佳的是在訓練期間僅在神經網路經訓練時才不將此神經網路之「輸出」(透鏡模型之調諧)用於生產中。因此一旦訓練完成且效能令人滿意，則可使用此網路之輸出。

圖5為根據一實施例之改良之方法的流程圖。步驟/項目500至560對應於圖4之方法之各別步驟/項目400至460。差異在於：波前感測器資料(例如像差資料) 565在批次生產560期間予以收集且用以訓練神經網路(或第二模型) 570以調諧550主透鏡模型(或透鏡加熱模型)或第一模型545之參數；例如以獲得特殊應用模型555使得其改良如由波前感測器所量測之像差效能。神經網路570因此針對特定層/倍縮光罩(由倍縮光罩資料500定義)及在使用彼倍縮光罩之生產期間之應用來調諧透鏡模型545。換言之，此神經網路570可被視為建置於當前前饋控制之頂部上且適於當前在生產中之層的額外前饋控制。

圖6為根據另一實施例之改良之方法的流程圖，其中波前感測器之輸出665，例如原始像素化感測器資料(影像資料)而非任尼克分解資料，與照明光瞳610一起使用以演算繞射圖案(或相關特性，諸如透射剖面或透鏡加熱剖面) 620。如已經提及，並非總是可得到倍縮光罩資料400、500。以此方式，原始波前資料665用以解決倍縮光罩特定的LH分量，且第一模型655及/或第二模型670 (單獨或組合地)並不取決於任何倍縮光罩(設計)資料，亦不取決於任何耗時的晶圓曝光及讀出。用於計算繞射圖案之波前資料665可包含在曝光步驟之後與之前的差異波前。

此允許對透鏡模型參數之更智慧型且動態更新之控制。舉例而言，神經網路670可使用原始感測器波前665以針對特定層訓練未經調諧之透鏡模型645，使得經調諧之透鏡模型655基於波前資訊665較佳地預測透鏡漂移特性。

如已經解釋，在批次曝光期間所執行之波前量測包含關於(近光瞳平面)透鏡元件之加熱剖面之寶貴資訊，且因此指示倍縮光罩繞射圖案。此係因為倍縮光罩上之圖案佈局之細節由其在掃描器之投影透鏡之出射光瞳中的繞射圖案反映。因此，倍縮光罩特徵佈局(及透射率)在很大程度上判定投影透鏡如何經加熱(例如其光學表面處之空間強度分佈)，且因此判定其加熱誘發之波前誤差如何演進。可使用波前感測器來量測在時間上之波前誤差演進(像素化波前)，且歸因於上述內容，在時間上之波前誤差演進指示倍縮光罩特定透鏡加熱分量。因此，一般而言，在不存在倍縮光罩設計資料的情況下，原始(例如像素化)波前資料可用以判定/調諧LHFF模型參數。通常，在每一晶圓之曝光之前在倍縮光罩對準期間量測波前。

步驟/元件610至670對應於圖5之流程圖之各別步驟/元件510至570。然而，應注意，倍縮光罩資料500無等效者，此係因為在此實施例中不使用倍縮光罩資料(例如，GDS檔案或其類似者)。因而，計算繞射圖案620之步驟使用來自波前感測器之原始波前資料665 (例如差異波前)以及照明資料610來計算LHFF模型參數650。可在曝光每一晶圓之前獲得的所計算之繞射圖案620及/或波前資料665 (例如原始影像及/或經處理像差資料)用以訓練第二模型670，以針對特定應用(層或倍縮光罩)調諧第一模型645從而獲得特殊應用模型655。

如所提及，圖5或圖6之此流程可改變使得神經網路之訓練在歷史資料上進行，且在實際生產期間不進行此網路之進一步訓練；實情為，(固定)經訓練神經網路用於生產中以在生產資料上調諧透鏡模型。

所有以上方法(例如如圖5及圖6中所描述)可包含用以訓練第三模型580、680 (例如機器學習、神經網路或DANN)之初始訓練步驟，該第三模型針對特定透鏡訓練初始通用透鏡模型530、630 (例如模型化一種類型之透鏡，其中此類透鏡模型可由透鏡供應商供應) (例如作為可在安裝掃描器之前執行的掃描器設置階段之部分)。因而，第三模型580、680可執行上文所描述之流程圖之步驟540、640。在給定特定透鏡類型的情況下，使用例如來自在設置期間針對彼特定透鏡之透鏡加熱測試的測試資料575、675來擴增通用透鏡模型530、630。在此測試資料575、675上訓練之神經網路580、680可特定針對每一透鏡類型而產生；例如使用若干(例如相似)倍縮光罩之輸入。同樣，此第三模型580、680可擴增第一模型530、630 (及第二模型570、670)。以物理性質為基礎之透鏡模型530、630可藉由對於每一透鏡類型特定的神經網路580、680及藉由即時操作之另一神經網路570、670擴增，該神經網路570、670適於當前正被印刷之層。

雖然以上實施例揭示關於透鏡加熱校正之概念，但此等概念不限於此且不應被如此解釋。舉例而言，相同概念可經應用以預測及校正倍縮光罩加熱及晶圓加熱。在此狀況下，第一模型在適當時為倍縮光罩加熱模型或晶圓加熱模型。在此類實施例中，工作流程之輸出(來自如藉由至少第二模型擴增之第一模型的前饋校正)可分別用以致動晶圓及/或倍縮光罩載物台。因此，此可改良在許多位準下之LH預測：例如，晶圓間、場間及/或場內。

在另一實施例中，原始波前資料可用於透鏡設置步驟中，該透鏡設置步驟將透鏡模型自其初始經校準狀態(通常已對冷透鏡執行)帶至針對特定倍縮光罩/層經最佳化之起點。

透鏡模型之目標為最佳化微影系統內之透鏡之像差。在一些狀況下，最佳化目標可為零像差，否則其可能為例如常常以任尼克係數表示之另一指紋。透鏡品質及透鏡設置最佳化針對給定系統判定達成最佳化目標之良好程度。最佳化目標可由由項集合構成的優質化函數界定，該等項具有主要最小平方項，其常常使用與奇數及/或偶數(較低及/或較高階)任尼克多項式之係數相關聯的權重之值(例如等於(1，1.2，0.5))來表示為任尼克係數之加權和。此可適用於透鏡設置(例如使用校準透鏡模型)及生產期間(例如使用驅動器透鏡模型)兩者。此類選擇可基於簡單及定性考慮因素。可針對所有機器將透鏡校準及生產效能最佳化至同一目標。雖然任尼克係數係獨立多項式，但目前先進技術改變可明確地迫使最佳化以使一些任尼克係數最小化，而損害一些其他任尼克係數。此係由於透鏡，且透鏡元件可以不同方式影響多於一個任尼克係數。

以引用之方式併入本文中之US2019227441A1描述此方法。此方法可包含：接收包含模型參數及權重之初始集合的初始優質化函數；及自模型參數及權重之初始集合開始執行最佳化演算法以判定包含模型參數及權重之第二集合的第二優質化函數。最佳化演算法基於使用具有模型參數及權重之彼集合的優質化函數根據透鏡模型之輸出而調整的投影系統之投影系統特性，來記分模型參數及權重之不同集合。當使用第二優質化函數經執行時，投影系統可使用由透鏡模型輸出之光學元件調整來調整。最佳化演算法可在第一優質化函數與第二優質化函數之間產生其他優質化函數。該方法可用以橫越透鏡模型之複雜解空間進行徹底搜尋，以便尋找改良透鏡模型之效能之合適的模型參數及權重。模型參數之集合可對應於透鏡模型特性中之至少一些。模型參數之集合可對應於透鏡模型約束，例如透鏡模型中所使用之演算法或數學技術中所涉及的反覆之截止值，諸如(例如)單值分解。

以上所描述之最佳化係使用有限數目個任尼克多項式(通常為64個)來判定，該有限數目個任尼克多項式並不允許透鏡指紋之完整表示。因此，本文中提議使用原始波前感測器資料來設置及調諧透鏡。此使得能夠捕捉所有透鏡指紋內容且相應地校正其。此方法可以軟體(例如，執行於掃描器或離線處理裝置上)實施，該軟體可週期性地經饋有原始波前感測器資料且連續地評估波前。

該方法可包含用以判定對經校準透鏡之層特定校正之第一調諧階段。基於加熱剖面，可使用本文已經揭示之方法推斷出產品倍縮光罩特性(例如，自其所得之繞射圖案)。加熱剖面可描述隨著透鏡加熱演進之波前演進；例如，冷透鏡與熱透鏡或當曝光倍縮光罩時量測之相對較冷與較熱透鏡之間的波前差異。此繞射圖案可用以判定針對透鏡模型之產品特定初始透鏡校正(例如校正子配方)；例如可隨後將繞射圖案或經判定倍縮光罩特性與經量測波前組合，且執行最佳化以判定此產品特定初始透鏡校正。可將產品特定初始透鏡校正應用至經校準透鏡模型。因而，此產品特定初始透鏡校正之應用將使透鏡自初始經校準狀態變為經最佳化以用於印刷給定層(例如用於特定倍縮光罩)之初始(起始)狀態。此可接著用以使用彼倍縮光罩來朝向目標波前(例如零像差或以其他方式)最佳化子配方。

此實施例可使用優質化函數以定義以影像為基礎而非以多項式為基礎的最佳化目標。最佳化演算法可為演進式演算法或遺傳演算法，具有適應性函數，該適應性函數經組態以執行對模型參數及權重之不同集合的記分。在其他實施例中，ANN或DANN可用以判定子配方。最佳化可判定將經量測波前校正至目標波前之透鏡校正。最佳化及優質化函數可相似於以上所描述之最佳化及優質化函數(例如如US2019227441A1中所描述)，除了對原始波前(影像)資料執行而非對任尼克分解執行最佳化及優質化函數之外。

可離線地(例如使用歷史資料)執行此第一階段以判定用於倍縮光罩之靜態產品特定初始透鏡校正或子配方。可針對產品之所有倍縮光罩重複此操作，使得可產生子配方庫，每一子配方庫對應於一不同倍縮光罩。以此方式，在生產期間，用於每一倍縮光罩之對應子配方可在使用倍縮光罩曝光之前應用於透鏡模型。

在一變化中，代替自波前資料判定倍縮光罩特性，將倍縮光罩檔案或(在更基本位準下)倍縮光罩透射因數(例如由倍縮光罩透射之光之百分比)及所提議照明設定與經量測波前資料組合，且執行以影像為基礎之最佳化以判定產品特定初始透鏡校正。

第二階段在生產中之相同層之曝光期間可包含監測波前資料以檢查透鏡是否自使用子配方所達到之最佳化狀態漂移。若漂移，則原位校準可校正透鏡設定(例如經由透鏡操控器)。此可包含另一(以影像為基礎之)最佳化，其基於自原始波前資料及透鏡特性(亦即，致動器約束)判定之倍縮光罩繞射圖案來最佳化波前。

以此方式，複雜最佳化技術可用以達成透鏡操控器設定至目標波前之快速收斂。

可擴展以上概念，以便在最佳化中另外使用每場對準及/或位階感測器資料以便判定每場之最佳透鏡設定。此方法可包含基於原始波前資料及每場資料執行每場之透鏡最佳化以便達成即時最佳聚焦及疊對(例如對聚焦及疊對之即時校正)。

可將相似工序應用於設置透鏡，與以上之唯一差異為設定點：代替使用產品倍縮光罩(如上文)以判定產品特定初始透鏡校正，使用測試倍縮光罩來執行以上製程。

此實施例可結合圖5或圖6之實施例予以執行；例如，以提供用於生產步驟560、660及視情況監測步驟之改良之起點。替代地，可個別地實施此實施例。

經調諧透鏡模型之輸出可包含存在於投影系統中之殘餘光學像差，在此狀況下，可藉由最佳化演算法向導致較低殘餘光學像差之模型參數及權重給出較佳記分。投影系統特性無需為光學像差且可替代地或另外為疊對誤差、均方根波前誤差、聚焦誤差、光學元件調整約束及對於熟習此項技術者自本文中之教示將顯而易見的其他特性。現在將描述聚焦實例。

在另一實施例中，將描述與上文緊接之透鏡設置最佳化相似的方法以用於改良用於透鏡模型之聚焦校準及量測。

目前，使用聚焦測試來判定聚焦校準(例如，以校準與主(特徵獨立)散焦任尼克相關聯之任尼克係數4及5)。特殊倍縮光罩可用以在測試基板上在不同聚焦偏移下曝光複數個驗證場，該等驗證場中之每一者包含複數個聚焦標記(例如，大約250個標記)。倍縮光罩上之此等聚焦標記在基板上產生對應標記，該等標記可被讀取(例如，使用對準感測器)以便在彼曝光期間推斷聚焦設定。因為此測試包含晶圓之曝光，所以其係耗時的。使用波前感測器校準剩餘的聚焦(偶數)任尼克係數：其信號通常分解成如已經描述之前64個任尼克。在生產期間，量測且使用波前感測器資料之任尼克分解來校正倍縮光罩對準及聚焦漂移。如已經描述，此多項式表示因為其經截斷為64或100個任尼克係數而不允許透鏡之指紋之完整表示。

因而，提議運用基於在不同聚焦位準下執行之一系列原始波前量測的方法來補充或替換用於如上文所描述之聚焦量測(例如，在設置中及/或在生產期間)的當前方法。此等量測使得能夠以較精確且高效方式估計焦點。

在設置階段中，提議使用升溫或熱透鏡之經量測波前(或如所描述之差異波前)以判定用於待成像之特定倍縮光罩或產品特徵之最佳聚焦。該方法包含重複地曝光產品特徵以使透鏡升溫，且隨後量測(原始)波前，每一重複係在不同聚焦位準下執行(例如，覆蓋包含預期最佳聚焦值之聚焦範圍)。每一量測將導致不同的波前，該波前可用以經由最佳化判定最佳聚焦；例如，針對較佳或特定波長之最佳聚焦。

最佳化可相似於先前實施例中所描述之最佳化(例如ANN或演進式演算法)，其最佳化原始波長資料而非任尼克表示(或將原始波長資料而非任尼克表示用作輸入) 。主要差異在於：先前實施例之最佳化係在最佳化波前像差(且因此透鏡操控器校正)方面予以描述，且此最佳化特定地最佳化聚焦，且因此最佳化倍縮光罩與基板載物台之間的在z方向上(亦即，垂直於基板平面)之最佳相對載物台位置。可獨自執行此最佳化或除了前述針對透鏡子配方之最佳化以外亦執行此最佳化(且視情況與圖5及圖6之方法組合)。替代地，可執行用於透鏡設定(產品特定初始透鏡校正)及最佳聚焦之共同最佳化，其限制條件為用於最佳化中之波前資料係關於不同聚焦位準。

除了在設置期間執行測試以移除對執行本聚焦測試之需要以外，上述途徑亦可用於生產中以即時判定最佳聚焦且監測最佳聚焦漂移，以便改良倍縮光罩對準。該方法可包含重複地執行包括與每一新晶圓相關之新波前資料的相同最佳化，以判定最佳聚焦自設置以來是否已漂移且若是，則判定新聚焦校正。作為特定實例，為了檢查最佳聚焦是否漂移，可在曝光每一晶圓之後執行三個(或更多個)波前感測器量測或捕捉(亦即，藉由熱透鏡)：一個在當前最佳聚焦處，一個在當前最佳聚焦處具有在第一方向上之小移位，且一個在當前最佳聚焦處具有在第二方向上之小移位。可比較此等量測以判定最佳聚焦是否已漂移；若是，則可相應地調整最佳聚焦。

在另一實施例中，提議使用原始波前資料之透鏡匹配方法。如已經陳述，透鏡設置之目標應為最佳化微影系統內之透鏡像差：例如，最佳化至可為零之目標。透鏡品質及透鏡設置最佳化針對給定系統判定達成目標之良好程度。每一透鏡具有不同的透鏡指紋(LFP)，因此效能具有群體分佈。群體之散佈直接與匹配機器疊對(MMO)相關。對於稍後的透鏡模型，存在群體之平均LFP的改變。為了保持平均LFP相對於先前機器不變，引入等於先前群體平均值的非零目標。因此，目前先進技術係針對給定類型之所有透鏡使用單一目標透鏡指紋。

所選擇之目標可基於在透鏡製造商處所量測之所選擇透鏡的最佳平均效能。此目標可不同於在微影製造商處量測之平均群體且亦不同於在特定廠房處之群體。用於所有使用者及廠房之所有機器經設置至相同目標，因此統計資料及群體分析並不區分每使用者之群體。

使用者僅具有群體平均值通常不同於完整的全世界透鏡群體之群體平均值的有限機器集合。因此有意義的是將給定使用者之自有群體平均值作為目標，而非全局群體平均值。以全局群體平均值為目標之當前途徑減小了機器對機器場內指紋匹配之潛能。

此外，且最重要地，當前掃描器匹配測試使用測試倍縮光罩。若運用測試倍縮光罩接著在使用產品倍縮光罩時來量測，則兩個掃描器之匹配效能可相當不同。一般而言，出於以下原因，本發明機器匹配效能相對於生產環境並非理想的： ●  在冷透鏡上執行匹配； ●  若在熱透鏡上執行匹配，則所使用之倍縮光罩並非生產倍縮光罩； ●  一次在一個層上執行匹配(冷或熱)，且並不考慮不同層(亦即，倍縮光罩)上之透鏡行為。

因此，提議使用原始波前資料以預測掃描器針對特定產品層(倍縮光罩)匹配的良好程度。此可藉由以下操作來達成：曝光不同機器上之相同產品倍縮光罩(例如，每機器一個調諧批次/25個調諧晶圓)；在曝光每一晶圓之前記錄波前；及運用此倍縮光罩校正此等機器之動態透鏡行為使得最佳化匹配(例如，以在此倍縮光罩曝光於此兩個或多於兩個機器上時最大化良率之方式)。

應瞭解，此不同於運用由圖5及圖6所描述之第一實施例中所描述的原始波前資料執行之單一透鏡加熱校準。彼實施例旨在每次使透鏡加熱對一個掃描器之(例如，疊對)效應最小化。此實施例旨在匹配同一倍縮光罩上之兩個(或多於兩個)不同掃描器之動態行為；此並不藉由分別校準第一掃描器之透鏡加熱行為，且接著校準第二掃描器以儘可能接近地匹配於第一掃描器之動態行為來達成。替代地，該方法包含共同最佳化以匹配不同掃描器之動態行為以便儘可能地接近(例如以最大化良率或其他效能參數)。

此方法可包含使用匹配模型或演算法，諸如演進式或遺傳演算法，該匹配模型或演算法操作以基於在使用特定(例如，生產)倍縮光罩之曝光期間獲得的波前資料來調諧透鏡模型及/或調諧該等透鏡模型之模型。

因而，匹配模型可在設置或匹配操作期間直接在透鏡模型上操作，從而以與上文所揭示之「第二模型」相似的方式但以共同最佳化方法來調諧透鏡模型。此共同最佳化方法可提供用於每一透鏡模型之共同最佳化調諧(例如，模型權重/係數之共同最佳化調諧)，其最佳化效能指示符，諸如在經匹配之掃描器中之兩者(或全部)上產生的產品之良率。可瞭解，雖然透鏡模型中任一者皆不能「感知到」另一者，但匹配模型或演算法感知到該兩者以提供共同最佳化調諧。

替代地，匹配模型或演算法可針對每一透鏡在各別第二模型之頂部上操作。此等第二模型(例如，ANN)中之每一者專用於其各別透鏡模型且(如已經描述)針對所使用之特定倍縮光罩調諧此透鏡模型。因而，每個第二模型未察覺到其他第二模型。匹配模型可在此等第二模型之頂部上操作而以共同最佳化方式調諧該等第二模型，以提供針對每一第二模型之共同最佳化調諧(例如模型權重/係數之共同最佳化調諧)。舉例而言，匹配模型可接收經訓練第二模型作為輸入且試圖尋找用於新或經調諧第二模型(神經網路)之權重。此新的神經網路之目的為在其產生時匹配掃描器。理想地，新的神經網路能夠以如下方式匹配經匹配掃描器之效能：可在無效能差異的情況下將層曝光於此等掃描器中之任一者上。在此實施例中，可使用與用以訓練早先(不匹配)神經網路之資料相同的資料來訓練新神經網路。

為了提供特定實例，假定(例如)同一類型之5個不同透鏡。理論上，在給出相同倍縮光罩、劑量及照明剖面的情況下，接著此5個透鏡應以極相同方式表現(唯一差異為5個透鏡之實體差異)。運用相同劑量、倍縮光罩及照明剖面來執行相同類型之透鏡之設置。此意謂在使用此資料的情況下，有可能訓練能夠針對此劑量、倍縮光罩及照明剖面預測此等透鏡類型之行為的神經網路。現在設想此5個透鏡安裝於廠房中。使用生產資料(被分離成不同透射因數、劑量及照明剖面)，有可能擴增(亦即，進一步調諧)能夠預測此類透鏡之行為的神經網路，以便獲得不同神經網路，該等神經網路中之每一者經訓練至透射因數、劑量及照明剖面之特定組合。若在使用相同5個機器的情況下，需要曝光具有透射因數、劑量或照明剖面之某差異的層(例如，針對具有新透射因數但以相同劑量及照明剖面曝光之倍縮光罩)，則匹配模型可針對先前所使用之透射因數、劑量及照明剖面使用針對此等透鏡所產生的神經網路且產生對於新透射因數、劑量及照明剖面表現良好的另一神經網路，而不需要根據資料訓練此新神經網路。換言之，若存在用於透射因數、劑量及照明剖面之神經網路庫，則有可能在無任何訓練資料的情況下產生新神經網路(針對新透射因數、劑量或照明剖面)。

此匹配模型可僅用於初始匹配步驟中，以便基於使用產品倍縮光罩而曝光之初始調諧晶圓而調諧透鏡模型或第二模型。在此匹配步驟期間，匹配模型可接收其正調諧之模型之各別模型權重以及波前資料以評估匹配。基於此，最佳化可調諧模型權重以改良用於彼特定倍縮光罩之匹配效能。

一旦機器匹配，就不再需要匹配模型/演算法且在生產期間使用經調諧透鏡模型或第二模型。

在第二模型係由匹配模型調諧的情況下，此等第二模型將已經訓練或最佳化以調諧其各別透鏡模型(即時地)，使得基於在生產期間所量測之波前資料針對在兩個掃描器兩者(或全部)上所曝光之倍縮光罩來最大化良率(或最佳化其他所關注參數)。

相似技術可用以匹配曝光於同一掃描器上之兩個(或多於兩個)不同層以便改良疊對。可曝光一些層之測試批次，同時在針對每一層之每一晶圓曝光之前記錄波前。最佳化可接著最佳化用於不同層上之改良型動態透鏡行為之模型權重，以便改良(例如)疊對或其他所關注參數。

應注意，在上文所描述之使用原始波前資料之所有實施例中，可代替地在本發明之範疇內使用任尼克分解資料。原始資料之優點在於：其含有所有任尼克係數，而經分解資料僅含有達至有限數目之任尼克係數(通常為64或100)。因而，上文所描述之所有最佳化(透鏡設置、判定最佳聚焦、機器匹配，…)可使用原始資料或任尼克經分解資料。可預期使用原始資料將產生較佳最佳化。此係因為(粗略地說)在原始資料之情況下，在最佳化(後驗)期間進行關於考慮哪一(哪些)任尼克係數之決策。若僅使用任尼克分解資料，則在開始時(先驗地)進行應考慮哪一(哪些)任尼克係數之決策。

在以下經編號條項之後續清單中揭示另外實施例： 1.      一種判定對一微影裝置執行之一微影製程之一校正的方法，該方法包含： 獲得一第一加熱模型，該第一加熱模型模型化在該微影製程期間對一組件之加熱之效應； 獲得在該微影製程期間所量測的與該微影裝置之一物鏡相關之經量測波前資料；及 使用該第一加熱模型及該經量測波前資料來判定對該微影製程之一校正，以校正該加熱。 2.      如條項1之方法，其包含： 計算該微影製程中所使用之圖案化器件之一特性； 其中該第一模型使用該所計算繞射圖案以判定該校正。 3.      如條項2之方法，其中該圖案化器件之該特性包含以下各者中之一或多者：一繞射圖案、該物鏡之一透射剖面及一透鏡加熱剖面。 4.      如條項2或3之方法，其中計算該圖案化器件之一特性之該步驟使用如自該圖案化器件之一描述獲得之圖案化器件資料。 5.      如條項2或3之方法，其中計算該圖案化器件之一特性之該步驟使用該經量測波前資料來計算該繞射圖案，該經量測波前資料係至少部分地取決於圖案化器件佈局。 6.      如條項5之方法，其中用於計算該圖案化器件之該特性之該經量測波前資料包含原始波前感測器資料，該原始波前感測器資料包含一像素化影像。 7.      如任一前述條項之方法，其中該經量測波前資料係關於在一曝光步驟之後與之前的一差異波前。 8.      如任一前述條項之方法，其中判定一校正之該步驟包含： 獲得一第二模型； 使用該圖案化器件之該經量測波前資料及/或特性來訓練該第二模型，以調諧用於該微影製程之該第一模型。 9.      如條項8之方法，其中該第二模型調諧用於正被執行之該微影製程之該第一模型。 10.    如條項8或9之方法，其中該第二模型係一機器學習模型。 11.    如條項10之方法，其中該第二模型係一神經網路。 12.    如任一前述條項之方法，其中該第一模型係一以物理性質為基礎之模型。 13.    如任一前述條項之方法，其中該第一模型對於複數個不同微影製程係通用的。 14.    如條項13之方法，其中該複數個不同微影製程係與複數個不同圖案化器件相關。 15.    如任一前述條項之方法，其中該第一模型係一透鏡加熱模型。 16.    如條項15之方法，其中藉由一第三模型進一步擴增該第一模型，該第三模型已經訓練以調諧用於所使用之該特定投影透鏡之該第一模型。 17.    如條項16之方法，其中該第三模型係一機器學習模型。 18.    如條項17之方法，其中該第三模型係一神經網路。 19.    如條項16、17或18之方法，其包含基於來自一透鏡加熱測試之訓練資料來訓練用於該特定投影透鏡之該第三模型的一初始步驟。 20.    如條項1至14中任一項之方法，其中該第一模型係一圖案化器件加熱模型或基板加熱模型中之一者。 21.    如任一前述條項之方法，其中該校正包含一前饋校正。 22.    如任一前述條項之方法，其包含使用該校正以校正該微影製程。 23.    一種可操作以執行如任一前述條項之方法之裝置，其包含： 一波前感測器，其可操作以量測該波前資料；及一處理器裝置，其可操作以執行該方法之其他步驟。 24.    一種微影裝置，其包含如條項23之裝置。 25.    如條項24之微影裝置，其包含： 用於提供量測照明之一照明系統； 該等投影光學件； 用於支撐一圖案化器件之一圖案化器件支撐件；及 用於支撐一基板之一基板支撐件。 26.    一種調諧用於一特定圖案化器件之一微影製程之方法，該方法包含：獲得與一微影裝置之一物鏡相關的在使用該特定圖案化器件進行的在一基板上之一圖案之一曝光之後量測的波前資料；自該波前資料及一波前參考判定一圖案特定波前貢獻，該圖案特定波前貢獻與該特定圖案化器件有關；及使用該圖案特定波前貢獻來調諧用於該特定圖案化器件之該微影製程。 27.    如條項26之方法，其中該調諧係基於原始波前資料，該原始波前資料包含作為橫越該物鏡之一出射光瞳平面之波前誤差之一映圖的一純量表示。 28.    如條項26或27之方法，其中該等波前資料中之至少一些係關於一目標波前。 29.    如條項28之方法，其中該目標波前係與在一基板之曝光之前與之後之一波前之間的差異相關的一差異目標波前。 30.    如條項26至29中任一項之方法，其中該圖案特定波前貢獻包含在該曝光之後的該波前資料之一經量測波前與該波前參考之一差。 31.    如條項30之方法，其中該波前參考包含在該曝光之前已經量測的一經量測波前。 32.    如條項26至31中任一項之方法，其中該調諧步驟包含使用該波前資料調諧與該微影裝置之一組件相關的一第一模型，使得針對該特定圖案化器件調諧該第一模型。 33.    如條項32之方法，其中該使用該波前資料包含使用該波前資料以訓練一第二模型且使用該經訓練第二模型以調諧該第一模型。 34.    如條項33之方法，其包含： 使用該圖案特定波前貢獻以計算該微影製程中所使用之該特定圖案化器件之一特性；及 在運用該第二模型調諧該第一模型之該步驟中使用該特定圖案化器件之該特性。 35.    如條項34之方法，其中該特定圖案化器件之該特性包含以下各者中之一或多者：一繞射圖案、該物鏡之一透射剖面及一透鏡加熱剖面。 36.    如條項33至35中任一項之方法，其中使用與生產基板之曝光相關的該波前資料在該等生產基板上即時地執行該調諧步驟。 37.    如條項33至36中任一項之方法，其中該第二模型係一機器學習模型。 38.    如條項37之方法，其中該第二模型係一神經網路。 39.    如條項33至38中任一項之方法，其中該方法包含： 獲得一匹配模型或演算法；且 其中存在至少一個其他第一模型，其各自與一不同微影裝置相關，及至少一個其他第二模型，其用於調諧其各別第一模型；且 該調諧步驟包含使用該匹配模型或演算法及該圖案特定波前貢獻以針對該特定圖案化器件執行該等第一模型及/或其對應第二模型中之每一者的一共同最佳化調諧，此係就最大化使用該等微影裝置中之每一者所曝光的一基板的良率或關於良率之一效能參數而言。 40.    如條項39之方法，其中該匹配模型或演算法包含一演進式演算法或遺傳演算法。 41.    如條項32至38中任一項之方法，其中該方法包含： 獲得一匹配模型或演算法；其中存在至少一個其他第一模型，其各自與一不同微影裝置相關；且該調諧步驟包含使用該匹配模型或演算法及該圖案特定波前貢獻以針對該特定圖案化器件執行該等第一模型中之每一者的一共同最佳化調諧。 42.    如條項41之方法，其中就最大化使用該等微影裝置中之每一者所曝光的一基板的良率或關於良率之一效能參數而言來執行該共同最佳化調諧。 43.    如條項32至42中任一項之方法，其包含獲得一層匹配模型或演算法； 其中存在待在該同一裝置上曝光以曝光共同基板上之同一器件之不同層的至少兩個圖案化器件；且 該調諧步驟包含使用該層匹配模型或演算法及該圖案特定波前貢獻以針對該圖案化器件執行該等第一模型中之每一者之一共同最佳化調諧。 44.    如條項41、42或43之方法，其中就最大化該等共同基板之良率或關於良率之一效能參數而言來執行該共同最佳化調諧。 45.    如條項41至44中任一項之方法，其中該匹配模型或演算法及/或層匹配模型或演算法包含一演進式演算法或遺傳演算法。 46.    如條項32至45中任一項之方法，其包含使用該第一模型及該波前資料判定對該微影製程之一校正。 47.    如條項46之方法，其中該校正包含一前饋校正。 48.    如條項46或47之方法，其包含使用該校正以校正該微影製程。 49.    如條項32至48中任一項之方法，其中藉由一第三模型進一步擴增該第一模型，該第三模型已經訓練以將該第一模型自用於該組件之一類型的一通用模型調諧至用於該特定組件之一特定模型。 50.    如條項49之方法，其中該第三模型係一機器學習模型。 51.    如條項50之方法，其中該第三模型係一神經網路。 52.    如條項49、50或51之方法，其包含基於與該特定組件相關之訓練資料來訓練用於該特定組件之該第三模型的一初始步驟。 53.    如條項32至52中任一項之方法，其中該第一模型係一以物理性質為基礎之模型。 54.    如條項32至53中任一項之方法，其中該第一模型係以下各者中之一者： 一透鏡加熱模型，該組件係一透鏡系統或其透鏡， 一圖案化器件加熱模型，該組件係一圖案化器件；或 一基板加熱模型，該組件係一基板。 55.    如條項32至54中任一項之方法，其中該調諧步驟包含判定對該第一模型之一製程特定初始透鏡校正，該製程特定初始透鏡校正將該第一模型調諧至對於該圖案化器件特定的一初始狀態。 56.    如條項55之方法，其中該判定一製程特定初始透鏡校正包含使用該圖案特定波前貢獻對該波前資料執行一最佳化，以便最佳化該波前至一目標波前。 57.    如條項56之方法，其中使用一演進式演算法、遺傳演算法或一第二模型來執行該最佳化步驟，該第二模型包含一機器學習模型。 58.    如條項56或57之方法，其中該最佳化步驟進一步使用每場對準資料及/或位階量測資料以判定每場之最佳透鏡設定。 59.    如條項56、57或58之方法，其中該波前資料包含與在複數個不同聚焦位準下使用一升溫透鏡執行之曝光相關的波前資料；且該最佳化步驟進一步包含使用該圖案化器件判定用於一曝光之一最佳聚焦值。 60.    如條項55至59中任一項之方法，其中該方法包含自該圖案特定波前貢獻判定該圖案化器件之一特性，及 在判定產品特定初始透鏡校正之步驟中使用該圖案化器件之該特性。 61.    如條項55至60中任一項之方法，其中該判定一製程特定初始透鏡校正在一初始設置階段中予以執行，且該方法進一步包含在生產基板上使用該圖案化器件進行之曝光期間： 監測與該等生產基板相關的波前資料以監測該波前資料是否已自使用該製程特定初始透鏡校正所達到的最佳化狀態漂移；及在認為有必要時基於該監測步驟判定一校正。 62.    如條項26至54中任一項之方法，其中該波前資料包含與在複數個不同聚焦位準下使用一升溫透鏡執行之曝光相關的波前資料；且該調諧步驟包含使用該圖案化器件判定用於一曝光之一最佳聚焦值。 63.    如條項62之方法，其中該判定一最佳聚焦值包含使用該圖案特定波前貢獻對該波前資料執行一最佳化以便最佳化相對於焦點之該波前。 64.    如條項63之方法，其中使用一演進式演算法、遺傳演算法或一機器學習模型來執行該最佳化步驟。 65.    如條項62、63或64之方法，其中在以下情況下執行該調諧： 在一設置階段中及/或在生產基板上使用該圖案化器件進行之曝光期間根據與該等生產基板相關之波前資料即時地進行。 66.    如條項62至65中任一項之方法，其包含在生產期間藉由以下操作來監測該最佳聚焦是否漂移：在一基板之一曝光之後進行三個或多於三個波前感測器量測，一個該量測係在一目前最佳聚焦值下，一個該量測係在該目前最佳聚焦處具有在一第一方向上之一聚焦移位，且一個該量測係在該目前最佳聚焦處具有在一第二方向上之一聚焦移位； 比較此三個量測可用以判定最佳聚焦是否已漂移；及 若其已漂移，則將該最佳聚焦值調整至一經更新之目前最佳聚焦值。 67.    一種裝置，其可操作以執行如條項26至66中任一項之方法，該裝置包含： 一波前感測器，其可操作以量測該波前資料；及一處理器裝置，其可操作以執行該方法之其他步驟。 68.    一種微影裝置，其包含如條項67之裝置。 69.    如條項68之微影裝置，其包含： 用於提供量測照明之一照明系統； 該等投影光學件；用於支撐一圖案化器件之一圖案化器件支撐件；及 用於支撐一基板之一基板支撐件。 70.    一種電腦程式，其包含用以執行如條項26至66中任一項之方法之指令。 71.    一種處理器裝置，其可操作以執行如條項70之電腦程式。 72.    一種可操作以調諧用於一特定圖案化器件之一微影製程之處理器裝置，該裝置經組態以：獲得與一微影裝置之一物鏡相關的在使用該特定圖案化器件進行的在一基板上之一圖案之一曝光之後量測的波前資料；自該波前資料及一波前參考判定一圖案特定波前貢獻，該圖案特定波前貢獻與該圖案化器件有關；及使用該圖案特定波前貢獻來調諧用於該圖案化器件之該微影製程。

儘管上文可特定地參考在光學微影之內容背景中對本發明之實施例之使用，但應瞭解，本發明之實施例可用於其他應用(例如，壓印微影)中，且在內容背景允許時不限於光學微影。在壓印微影中，圖案化器件中之構形界定產生於基板上之圖案。可將圖案化器件之構形壓入被供應至基板之抗蝕劑層中，在基板上，抗蝕劑係藉由施加電磁輻射、熱、壓力或其組合而固化。在抗蝕劑固化之後，將圖案化器件移出抗蝕劑，從而在其中留下圖案。

本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外線(UV)輻射(例如，具有為或約365 nm、355 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外線(EUV)輻射(例如具有在1 nm至100 nm範圍內之波長)，以及粒子束，諸如離子束或電子束。

術語「透鏡」在內容背景允許時可指各種類型之光學組件中之任一者或其組合，包括折射、反射、磁性、電磁及靜電光學組件。反射組件很可能用於在UV及/或EUV範圍內操作之裝置中。

因此，本發明之廣度及範疇不應受上述例示性實施例中之任一者限制，而應僅根據以下申請專利範圍及其等效者來界定。

200:步驟 202:步驟/量測資訊 204:步驟/李娜感測資訊 206:配方資料 208:配方及量測資料 210:步驟 212:步驟 214:步驟 216:步驟 218:步驟 220:步驟 300:曝光配方/步驟 310:校準測試/步驟 320:模型參數/步驟 330:資料庫 340:應用資料 350:對應繞射圖案 360:特殊應用模型參數值 370:資料庫 400:倍縮光罩描述/步驟/項目/倍縮光罩資料 410:照明資料/步驟/項目 420:繞射圖案/步驟/項目 430:通用透鏡模型/步驟/項目 440:調諧步驟/步驟/項目 445:透鏡特定模型/步驟/項目 450:第二調諧步驟/步驟/項目 455:特殊應用模型/特殊應用模型庫/步驟/項目 460:生產/步驟/項目 500:步驟/項目/倍縮光罩資料 510:步驟/項目 520:步驟/項目 530:步驟/項目/初始通用透鏡模型/第一模型 540:步驟/項目 545:步驟/項目/透鏡模型 550:步驟/項目/調諧 555:步驟/項目 560:生產步驟/項目/批次生產 565:波前感測器資料 570:神經網路/第二模型 575:測試資料 580:第三模型/神經網路 610:照明光瞳 620:繞射圖案 630:初始通用透鏡模型/第一模型 640:步驟 645:未經調諧之透鏡模型/第一模型 650:透鏡加熱前饋(LHFF)模型參數 655:第一模型/經調諧之透鏡模型/特殊應用模型 660:生產步驟 665:波前感測器之輸出/原始波前資料 670:第二模型/神經網路 675:測試資料 680:第三模型/神經網路 AD:調整器 AS:對準感測器 B:輻射光束 BD:光束遞送系統 C:目標部分 CO:聚光器 EXP:曝光站 IF::位置感測器 IL:照明系統/照明器 IN:積光器 LA:微影裝置 LS:位階感測器 M₁ :光罩對準標記 M₂ :光罩對準標記 MA:圖案化器件 MEA:量測站 MT:支撐結構/圖案化器件支撐件 P₁ :基板對準標記 P₂ :基板對準標記 PM:第一定位器 PS:投影系統 PW:第二定位器 RF:參考框架 SO:輻射源 W:基板 W':基板 W'':經曝光基板 WS:波前感測器 WTa:基板台/支撐件 WTb:基板台/支撐件

現在將參看隨附圖式而僅作為實例來描述本發明之實施例，在該等圖式中：圖1描繪微影裝置；圖2示意性地說明圖1之裝置中之量測及曝光製程；圖3說明(a)用於判定透鏡加熱校正之經驗已知方法；及(b)用於判定透鏡加熱校正之演算已知方法；圖4為圖3之(b)之方法的詳細流程圖；圖5為根據本發明之第一實施例之方法的流程圖；及圖6為根據本發明之第二實施例之方法的流程圖。

610:照明光瞳

620:繞射圖案

630:初始通用透鏡模型/第一模型

640:步驟

645:未經調諧之透鏡模型/第一模型

650:透鏡加熱前饋(LHFF)模型參數

655:第一模型/經調諧之透鏡模型/特殊應用模型

660:生產步驟

665:波前感測器之輸出/原始波前資料

670:第二模型/神經網路

675:測試資料

680:第三模型/神經網路

Claims (15)

1. 一種調諧用於一特定圖案化器件之一微影製程之方法，該方法包含：獲得在使用該特定圖案化器件進行的在一基板上之一圖案之一曝光之後量測的與一微影裝置之一物鏡相關的波前資料；自該波前資料及一波前參考判定一圖案特定波前貢獻，該圖案特定波前貢獻與該特定圖案化器件有關；及使用該圖案特定波前貢獻來調諧用於該特定圖案化器件之該微影製程。
2. 如請求項1之方法，其中該調諧係基於波前資料，該波前資料包含作為橫越該物鏡之一光瞳平面之波前誤差之一映圖的一純量(scalar)表示。
3. 如請求項1或2之方法，其中該等波前資料中之至少一些係關於一目標波前。
4. 如請求項3之方法，其中該目標波前係與在一基板之曝光之前與之後之一波前之間的差異相關。
5. 如請求項1之方法，其中該圖案特定波前貢獻包含在該曝光之後量測之一第一經量測波前與該波前參考之間的一差。
6. 如請求項5之方法，其中該波前參考包含在該曝光之前已經量測的一第二經量測波前。
7. 如請求項1之方法，其中該調諧步驟包含使用該波前資料調諧與該微影裝置之一組件相關的一第一模型，使得針對該特定圖案化器件調諧該第一模型。
8. 如請求項7之方法，其中使用該波前資料包含使用該波前資料以訓練一第二模型且使用該經訓練第二模型以調諧該第一模型。
9. 如請求項8之方法，其進一步包含：使用該圖案特定波前貢獻以計算該微影製程中所使用之該特定圖案化器件之一特性；及在運用該第二模型調諧該第一模型之該步驟中使用該特定圖案化器件之該特性。
10. 如請求項9之方法，其中該特定圖案化器件之該特性包含以下各者中之一或多者：一繞射圖案、該物鏡之一透射剖面及一透鏡加熱剖面。
11. 如請求項8之方法，其中使用與生產基板之曝光相關的該波前資料在該等生產基板上即時地執行該調諧步驟。
12. 如請求項8之方法，其中該第二模型係一神經網路。
13. 如請求項8之方法，其中該方法包含：獲得一匹配模型或演算法；且其中存在至少一個其他第一模型，其各自與一不同微影裝置相關，及至少一個其他第二模型，其用於調諧其各別第一模型；且該調諧步驟包含使用該匹配模型或演算法及該圖案特定波前貢獻以針對該特定圖案化器件執行該等第一模型及/或其對應第二模型中之每一者的一共同最佳化調諧，此係就最大化使用該等微影裝置中之每一者所曝光的一基板的良率或關於良率之一效能參數而言。
14. 如請求項7之方法，其中該方法包含：獲得一匹配模型或演算法；其中存在與一不同微影裝置相關的至少一個其他第一模型；且該調諧步驟包含使用該匹配模型或演算法及該圖案特定波前貢獻以針對該特定圖案化器件執行該第一模型及該其他第一模型之一共同最佳化調諧。
15. 一種電腦程式，其包含用以執行如請求項1之方法之指令。

Images