TWI777353B - 用於光學關鍵尺寸計量之方法及系統 - Google Patents

用於光學關鍵尺寸計量之方法及系統 Download PDF

Info

Publication number
TWI777353B
TWI777353B TW110100494A TW110100494A TWI777353B TW I777353 B TWI777353 B TW I777353B TW 110100494 A TW110100494 A TW 110100494A TW 110100494 A TW110100494 A TW 110100494A TW I777353 B TWI777353 B TW I777353B
Authority
TW
Taiwan
Prior art keywords
sets
neural network
training
data
scatter data
Prior art date
Application number
TW110100494A
Other languages
English (en)
Other versions
TW202135191A (zh
Inventor
巴瑞克 布蘭歐里茲
蘭 亞科比
奧費爾 斯拉格曼
伯茲 斯特萊希
Original Assignee
以色列商諾威量測設備股份有限公司
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 以色列商諾威量測設備股份有限公司 filed Critical 以色列商諾威量測設備股份有限公司
Publication of TW202135191A publication Critical patent/TW202135191A/zh
Application granted granted Critical
Publication of TWI777353B publication Critical patent/TWI777353B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks

Abstract

本發明關於一種用於OCD計量的系統和方法，包括：接收多個第一組散射數據，將每個組分為k個子向量，並且以自我監督的方式訓練，將k個子向量中的每個映射到彼此的k2 個自動編碼器神經網路。隨後，接收多組各自的參考參數和多個相應的第二組散射數據，並訓練轉移神經網路（NN）。初始層包括k2 個編碼器神經網路的並行排列。轉移神經網路訓練的目標輸出設置為多組參考參數，特徵輸入設置為多個相應的第二組散射數據，以使轉移神經網路被訓練以從隨後測量的散射數據集中估計新的晶圓圖案參數。

Description

用於光學關鍵尺寸計量之方法及系統
本發明總體上關於積體電路晶圓圖案的光學檢查領域，尤其關於用於測量晶圓圖案參數的算法。
積體電路（integrated circuits；IC）通過沉積、改變和去除積聚在晶圓上堆疊結構中的薄層的多個步驟在半導體晶圓上生產。這些堆疊結構（或“堆疊”）通常以重複圖案形成，該重複圖案像衍射光栅一樣具有光學特性。用於測量這些圖案的關鍵尺寸（critical dimensions；CD）和材料屬性的現代計量學方法利用了這些光學特性。下文中，CD和材料屬性也被稱為“圖案參數”，或簡稱為“參數”。這些參數可以包括堆疊的高度、寬度和間距。如Dixit等人在“使用基於Mueller矩陣光譜的橢偏儀的光學關鍵尺寸計量方法對28 nm間距的矽鰭片進行靈敏度分析和線邊緣粗糙度確定”中所述，J.Micro/Nanolith. MEMS MOEMS. 14（3），031208（2015）（通過引用並入本文）中，圖案參數還可包括：側壁角度（side wall angle；SWA）、間隔物寬度、間隔物下拉、外延接近度、立腳/底切、2維（HKMG）的過填充/底填充、3維輪廓（FinFET）和線邊緣粗糙度（line edge roughness；LER）的分布。
光學關鍵尺寸（optical critical dimension；OCD）計量採用散射法來測量散射數據，即反射光輻射，其表示圖案的光學特性。散射數據的測量集（也可稱為散射特徵碼）可以包括反射輻照度與輻射入射角的數據點（可能是零級測量）。可替代地或附加地，散射數據可以包括光譜圖，該光譜圖是在一定波長或頻率範圍內反射輻射强度的計量。本領域已知的其他類型的散射數據也可應用於OCD計量學中。
通過引用並入本文的Scheiner和Machavariani的美國專利6,476,920“用於測量圖案結構的方法和裝置”描述了“光學模型”（也稱為“物理模型”）的開發。光學模型是定義反射輻射和晶圓物理結構之間關係的函數（即一組算法）。也就是說，光學模型是用於確定光如何從具有已知參數的圖案反射的理論模型。因此，可以將這種光學模型應用於從一組已知的圖案參數中估計散射數據，該散射數據將在光譜測試期間測量。光學模型也可以被設計為執行相反的（或“逆”）函數，即根據測量的散射數據估計圖案參數。
光學模型通常應用於IC生產程序中的OCD計量，基於散射測量來測量是否使用正確的參數製造晶圓圖案。可以測量給定晶圓的每個圖案，以確定每個圖案的參數與設計規範或平均值的變化程度。
作為光學建模的替代方法，機器學習（machine learning；ML）技術可用於基於散射數據的圖案參數估計。例如，如通過引用並入本文的Rothstein等人的PCT專利申請案WO 2019/239380中所述，可以通過下述方法訓練機器學習模型以識別測量的散射數據和測量的參考參數之間的相應關係。在訓練了ML模型以從散射數據估計參數之後，可以將其應用於IC生產期間進行此類參數估計。
用於測量（獲取）散射數據（例如光譜圖）的示例性散射測量工具可包括光譜橢圓儀（spectral ellipsometers；SE）、光譜反射儀（spectral reflectometers；SR）、偏振光譜反射儀以及其他光學關鍵尺寸（optical critical dimension；OCD）計量工具。此類工具已被納入到目前可用的OCD計量系統中。一種這樣的OCD計量系統是NOVA T600® 改進的OCD計量工具，可從以色列雷霍沃特的Nova測量儀器有限公司購買，用於測量可能在指定測試地點或“模內”的圖案參數。測量關鍵尺寸（critical dimensions；CD）的其他方法包括干涉法、X射線拉曼光譜法光譜分析（X-ray Raman spectrometry；XRS）、X射線衍射（X-ray diffraction；XRD）和泵探頭工具等。專利US 10,161,885、US 10,054,423、US 9,184,102和US 10,119,925中公開了此類工具的一些示例，和國際申請專利出版物WO2018/211505中，所有這些專利均轉讓給申請人，並通過引用整體並入本文。
不依賴於上述光學模型的高精度圖案參數測量方法包括使用諸如CD掃描式電子顯微鏡（CD scanning electron microscopes；CD-SEM）、原子力顯微鏡（atomic force microscopes；AFM）、穿透式電子顯微鏡（tunneling electron microscopes；TEM）或X射線計量工具等設備進行晶圓測量。這些方法通常比光學和ML建模方法更昂貴和耗時。
然而，光學和ML建模也有缺點。由於用於光學建模的幾何模型是實際圖案參數的理想化，並且由於數值求解非線性散射方程的困難，因此光學建模也很耗時，並且容易產生誤差，特別是當圖案參數的尺寸不斷縮小時。另一方面，由於其基於物理學基礎，光學建模通常是可靠的。此外，物理參數和理論光學性質之間的直接關聯意味著光學模型結果通常比ML結果更易於解釋。另一方面，ML建模雖然避免了光學建模中一些耗時的障礙，但通常需要大量的參考參數和散射數據集進行訓練，而這些參數的獲取也需要昂貴、耗時的計量設備。下面公開的本發明的實施例有助於克服這兩種方法的缺點。
本發明的實施方式提供了一種用於通過自我監督表徵學習生成用於光學關鍵尺寸（OCD）的機器學習模型的系統和方法。實施方式包括一種用於OCD計量的方法，該方法包括：接收多個第一組散射數據；將多個第一組散射數據中的每一個分為k個子向量；以及以自我監督的方式訓練k2 個自動編碼器神經網路，與k個子向量中的每一個彼此映射，其中所述k2 個自動編碼器神經網路包括k2 個各自的編碼器神經網路，每個神經網路具有至少一個內部瓶頸層。該方法可進一步包括：接收從多個相應的晶圓圖案測量的多組相應的參考參數和多個相應的第二組散射數據；以及訓練具有包括k2 個編碼器神經網路的並行排列的初始層的轉移神經網路（neural network；NN），其中，轉移神經網路訓練包括訓練遵循編碼器神經網路的瓶頸層的一個或多個最終層，並且其中轉移神經網路訓練的目標輸出設置為多組參考參數，並且特徵輸入設置為多個相應的第二組散射數據，使得轉移神經網路被訓練以從隨後測量的散射數據集中估計新的晶圓圖案參數。
在一些實施方式中，將所述多個第二組散射數據設置為用於所述轉移神經網路訓練的特徵輸入可包括：在轉移神經網路的輸入層上，為第二組散射數據中的每個提供k組第二組散射數據中的每個的k個子向量中的一個。
在一些實施方式中，多個第二組散射數據可包括多個第一組散射數據的子集。訓練所述轉移神經網路可包括關於所述多組參考參數的最小化損失函數。損失函數可能是均方誤差（mean squared error；MSE）函數。多組參考參數可能是通過一個或多個CD掃描式電子顯微鏡（CD scanning electron microscope；CD-SEM）、原子力顯微鏡（atomic force microscope ；AFM）、穿透式電子顯微鏡（tunneling electron microscope；TEM）或X射線計量工具進行高精度計量來測量。多個相應的晶圓圖案可能位於一個或多個晶圓上。多組散射數據可能也由兩個或更多個測量通道測量。
本發明的進一步實施方式提供了一種用於光學關鍵尺寸（optical critical dimension；OCD）計量的系統，包括具有非瞬時儲存器的處理器，儲存器包括指令，所述處理器執行指令時實現以下步驟：接收多個第一組散射數據；將多個第一組散射數據中的每一個分為k個子向量；以及以自我監督的方式訓練k2 個自動編碼器神經網路，與所述k個子向量中的每一個彼此映射，其中所述k2 個自動編碼器神經網路包括k2 個各自的編碼器神經網路，每個神經網路具有至少一個內部瓶頸層。該系統實施的步驟可進一步包括：接收從多個相應的晶圓圖案測量的多組相應的參考參數和多個相應的第二組散射數據；以及訓練具有包括k2 個編碼器神經網路的並行排列的初始層的轉移神經網路（neural network；NN），其中，轉移神經網路訓練包括訓練遵循編碼器神經網路的瓶頸層的一個或多個最終層，並且其中轉移神經網路訓練的目標輸出設置為多組參考參數，並且特徵輸入設置為多個相應的第二組散射數據，使得轉移神經網路被訓練以從隨後測量的散射數據集中估計新的晶圓圖案參數。
本發明的實施方式提供了通過用於生成機器學習（machine learning；ML）模型以進行光學關鍵尺寸（optical critical dimension；OCD）監測的系統和方法，通過使用散射數據訓練ML模型，其中ML訓練包括自我監督的訓練階段。
圖1是本發明實施例的系統的示意圖，該系統利用自我監督表徵學習生成用於OCD計量的機器學習模型。
系統10可在生產線（未示出）內運行，以生產和監控晶圓12。如圖所示，晶圓12包括圖案14。如在放大圖案14a中所示出的，這些圖案具有諸如高度（“h”）、寬度（“w”）和間距（“p”）等參數，以及在上述背景技術中描述的其它參數。通常，晶圓有設計成具有相同圖案的多個區域、段、或“管芯”（即，使用相同圖案設計來製造所有圖案）。對於每個圖案，可以測量一組多個參數。在下文中，該組多個參數也被表示為向量
Figure 02_image001
，該向量中得每個元素是多個參數CD中的一個。
製造上的變化導致晶圓之間以及單個晶圓上的圖案參數發生輕微變化，這些變化通過測量散射數據的變化來表示。
系統10包括光源20，該光源生成預定波長範圍的光束22。光束22從晶圓圖案14（示出為反射或“散射”光24）向分光光度檢測器26反射。在一些配置中，光源和分光光度檢測器包括在OCD計量系統30中（例如，橢偏儀或分光光度計）。計量系統30的構造和操作可以是任何已知的類型，例如，US 5,517,312、US 6,657,736、和 US 7,169,015公開的，以及在國際申請專利公開本WO2018/211505中，全部分配給申請人並通過引用將其全部並入本文中。通常，計量系統30包括未示出的附加組件，例如導光光學器件，其可包括具有物鏡、分束器和反射鏡的光束偏轉器。這種系統的附加部件可以包括成像透鏡、偏光透鏡、可變光圈孔徑和馬達。這些元件的操作通常由電腦控制器自動執行，電腦控制器可以包括I/O設備，並且還可以配置為執行數據處理任務，例如生成散射數據32。
由計量系統30生成的散射數據32通常包括各種類型的標繪數據34，其可以用向量形式表示（例如光譜圖，其數據點是在不同波長處反射光强度的測量，或者反射輻照度與入射角的映射）。如上所述，散射數據集之間的變化表示不同的圖案參數。在典型的OCD計量中，所測量光的範圍可能包括可見光譜，也可能包括紫外線和紅外線區域的波長。用於OCD計量的典型光譜圖輸出可能具有245個數據點，覆蓋200至970nm的波長範圍。
在本發明的實施方式中，包括本領域已知的ML工具的電腦系統（本文中稱為ML建模系統40），可配置為訓練用於OCD計量的ML模型。ML建模系統使用的輸入訓練特徵集（也稱為特徵輸入）可包括標繪數據34的集合。參考參數16可用作機器學習的目標輸出。參考參數可通過本領域已知的高精度手段（例如，CD-SEM、AFM、TEM、X射線計量或依賴於光學建模的高精度OCD光譜學）從一個或多個晶圓圖案中獲取參考參數。在訓練之後，ML模型用於基於散射數據集來預測圖案參數，例如，可以應用於晶圓生產的監控中。
ML建模系統40和預處理離群值濾波器可以獨立於計量系統30運行，或者可以與計量系統積體。
在下文中，使用以下符號術語。由分光光度計生成的散射數據組可稱為散射向量
Figure 02_image003
，其中向量的每個元素表示散射數據的數據點。參考參數組，即，從晶圓圖案測量的參數組（例如，側壁角、間隔寬度等）可稱為參數向量
Figure 02_image001
，其中向量的每個元素表示該組的一個或多個參考參數中的一個。
圖2是一個流程圖，描述了根據本發明的實施方式，用於通過自我監督表徵學習生成用於OCD計量的機器學習模型的電腦實施的程序200的。程序200可以由如上所述的ML建模系統40實施。
第一步驟214包括接收從各個晶圓圖案測量的多組散射數據。
接下來，在步驟216，每組散射數據
Figure 02_image003
被分為k個子向量，即，
Figure 02_image006
。下面，通過下標來區分散射數據組的子向量，例如，
Figure 02_image008
和
Figure 02_image010
是一組k子向量的兩個示例性子向量，其中i，jϵ{1，2，…k}。因此，一組散射數據
Figure 02_image003
的數據點總數等於k個子向量的數據點之和。
接下來，在步驟220，對於每個
Figure 02_image003
，
Figure 02_image003
的所有k個子向量與相同
Figure 02_image003
的k個子向量中的每一個成對，以生成k2 個子向量對。然後應用每個子向量對來執行自動編碼器神經網路（neural network；NN）的“自我監督”訓練，該子向量對的一個子向量是特徵輸入，以及該子向量對的另一個子向量是目標輸出。總之，k2 個自動編碼器NN是經過訓練的。
例如，如果每個
Figure 02_image003
具有256個數據點並且被分為4個子向量（即k＝4），則每個子向量具有64個數據點。16個自動編碼器神經網路然後通過“自我監督”訓練，將每個子向量映射到每個子向量。對於這樣的示例，每個編碼器網路將具有64個節點的輸入層。這些輸入層之後可以是包括內部“代碼”或“潛在表徵”層的隱藏層，接著是鏡像解碼器網路，即，具有導致64個節點的輸出層的隱藏層的解碼器。可以根據本領域已知的方法來執行自動編碼器層和節點的優化。
圖3A示出了示例性自動編碼器神經網路300的示意表徵，該神經網路是經過訓練的k2 自動編碼器NN之一。如圖所示，它用輸入子向量
Figure 02_image008
和輸出子向量
Figure 02_image010
進行訓練。自動編碼器NN可設計為完全連接。自動編碼器NN的編碼器網路310包括輸入層320和隱藏層330，導致內部“代碼”或“潛在表徵”層340。解碼器網路312是編碼器網路的鏡像，其中隱藏層350通向輸出層360。在所示的自動編碼器NN 300的示例中，編碼器和解碼器網路都具有兩個隱藏層。為簡單起見，並非所有節點都示出。如上所述，輸入和輸出層可以具有64個節點，而除了內部代碼層之外的隱藏層可以具有32個節點，並且內部代碼層（也稱為“瓶頸”層）可以具有16個節點。
返回參考圖2，在k2 自動編碼器網路300被訓練之後，並且在步驟222接收到新的數據集之後。在步驟230執行NN訓練的轉移學習階段。
在步驟222處接收的新數據集包括多組參考參數（使用經驗證的計量方法從各個晶圓圖案測量）和多組相應的散射數據（從與其相應的參考參數集相同的各個晶圓圖案測量）。從中進行測量的參考圖案通常是完整晶圓（例如“晶片”）的一部分，該部分通常在晶圓表面上重複。可使用高精度計量方法測量參考參數，該方法可包括CD-SEM、AFM、TEM、X射線計量或依賴於光學建模的高精度OCD光譜學。（測量的參考參數集的數量定義了如下所述的訓練數據集的大小。）
與在步驟230中獲取的參考參數相應的散射數據集可與在步驟214中獲取的用於NN訓練的第一階段的散射數據無關，或者兩組可以相關。例如，與在步驟230中獲取的參考參數相應的散射數據集可以是在步驟214中獲取的用於NN訓練的第一階段的散射數據的子集。（應當理解，從其測量參考參數和散射數據的“晶圓圖案”通常是製造的管芯，其可以從一個或多個晶圓測量）。
各個k2 個自動編碼器NN 300的k2 個編碼器網路310並行地組合到新神經網路的輸入階段中，這裡稱為“轉移神經網路”。
用於訓練轉移神經網路的特徵輸入具有與用於訓練編碼器網路的特徵輸入相同的形式，即，特徵輸入包括每組散射數據的k2 個子向量。應注意的是，輸入特徵集因此實際上是散射數據組（由k個子向量構成），其被複製k次，即k x
Figure 02_image003
= (
Figure 02_image014
=
Figure 02_image017
。對於上述示例，對於具有256個數據點的散射數據集，轉移神經網路將具有總共4×256＝1024個輸入節點。
將轉移神經網路的目標輸出設置為與散射數據集相應的參考參數向量。即，由每組散射數據的k2 子向量組成的每組特徵輸入映射到從相同晶圓圖案測量的相應參考參數。輸出節點的數目等於參考參數集中的元素數目（即，每個參考參數向量
Figure 02_image001
的元素數目）。這通常等於1到10個參數。通常，訓練自動編碼器使其最小化的損失函數是均方誤差（MSE）損失函數。
圖3B示出了示例性轉移神經網路 400的示意表徵。用於訓練轉移神經網路的特徵輸入示出為k2 個子向量
Figure 02_image019
（實際上僅示出了三個子向量，點指示子向量輸入的其餘部分）。訓練轉移神經網路的目標輸出示出為相應的參考參數集（表示為
Figure 02_image022
）。
轉移神經網路 400的初始層是自動編碼器NN300的合併編碼器網路310，即具有合併輸入層320，接著是隱藏層330（除了代碼層），導致內部“代碼”層（或“瓶頸層”）340。輸出層410的節點的數目等於參考參數向量中的數據點的數目。例如，這可以是如圖所示的三個參數，例如，給定晶圓堆的高度、寬度和間距。實際上，訓練轉移神經網路創建從瓶頸層340到輸出層410的映射(解碼器網路420)。（應當理解，自動編碼器網路包括至少一個隱藏層，其為瓶頸層。）通常根據標準ML訓練方法來執行訓練，其可包括例如L2正則化。通常，訓練轉移神經網路使其最小化的損失函數是均方誤差（mean squared error；MSE）損失函數。優選地，數據的驗證集將使用從不同晶圓獲取的散射數據集，而不是在訓練數據集中使用的。
在訓練和驗證轉移神經網路之後，如圖2的步驟240所示，它可以用於生產。在生產中，從給定的晶圓圖案測量新的散射數據集，將新的散射數據集的數據點複製k次以饋送到轉移神經網路（這 裡也稱為ML模型），然後轉移神經網路提供給定晶圓圖案的參數估計。
ML模型被描述為一次訓練一組散射數據，但是可以同時使用多組散射數據，這可以進一步提高模型精度。例如，可以使用特徵輸入來組合兩組散射數據，每一組245個數據點，從而得到490個數據點的輸入向量
Figure 02_image024
。這兩組散射數據可以從不同的“通道”中獲取，也就是說，對於相同的晶圓圖案，可以從不同的測量配置中獲取。例如，可以改變入射光角度或光偏振來創建兩組不同的散射數據，這兩組數據都提供關於所測量圖案的訊息。對於k為4，轉移神經網路的輸入層將具有4 x 490=1960個節點。
圖4是表示作為兩個示例性ML模型的訓練數據集大小的函數的機器學習（ML）模型的精度的圖。根據本發明的實施方式，一個模型是分兩個階段訓練的“轉移ML”模型，第一階段使用自我監督表徵學習（即，“具有SSLR的ML”）。另一個模型是僅用單個神經網路訓練階段訓練的“ML基準”模型（將測量的散射數據與參考參數相關），如上述提交給Rothstein等人的PCT專利申請WO 2019/239380中所述。如圖所示，與ML基準模型相比，轉移神經網路模型預測的參數與參考參數之間的標準偏差較低（即精度較好）。ML模型預測輸出
Figure 02_image026
的標準偏差
Figure 02_image028
通常如下計算：
從一個大的數據池中隨機選擇幾次不同大小的訓練數據集，這些數據集在圖中用由誤差線標記的點處表示。由於這種重新取樣，誤差線表示由於這種重新取樣而產生的1-sigma不確定性。如圖所示，對於訓練來自5個或更多晶圓（即，大約75個或更多圖案，因為每個晶圓是大約15個測量圖案的平均值的源）的數據集，本發明的方法顯著的顯示出比ML基準更高的精度。與整組測量數據相比，諸如主成分分析（內核PCA）之類的降維方法並未提高擬合度。
如圖所示，程序200比ML基準方法生成更高精度的ML模型。
應當理解，根據常規技術，本文所示或所述的處理元件優選地在非暫時性電腦可讀介質中的電腦硬件和/或電腦軟件中的一個或多個電腦來實施，例如通過電腦總線或其他連接設備耦合的電腦處理器，內存，I / O設備和網路接口。
除非另有說明，本文所使用的術語“處理器”或“設備”旨在包括任何處理設備，諸如包括中央處理單元（CPU）和/或其他處理電路的設備（例如GPU）。另外，術語“處理器”或“設備”可以指多於一個的處理設備，並且與處理設備相關聯的各種元件可以被其他處理設備共享。
本文所使用的術語“儲存器”旨在包括與處理器或CPU相關聯的儲存器，例如RAM、ROM、固定儲存器設備（例如，硬碟驅動器）、可移動儲存器設備（例如，軟碟、磁帶）、閃存等。這樣的儲存器可以認為是電腦可讀儲存介質。
另外，本文所使用的“輸入/輸出設備”或“I/O設備”可能包括一個或多個向處理單元輸入數據的輸入設備（例如，鍵盤、鼠標、掃描儀、HUD等），和/或一個或多個輸出設備（例如揚聲器、顯示器、打印機、HUD、AR、VR等），用於顯示與處理單元相關的結果。
本發明的實施方式可包括系統、方法和/或電腦程序產品。電腦程序產品可包括一個電腦可讀儲存介質（或多個電腦可讀儲存介質），該電腦可讀儲存介質中存有使處理器運行本發明的電腦可讀程式指令。
所述電腦可讀儲存介質可以是能够保留和儲存指令以供指令執行設備使用的有形設備。電腦可讀儲存介質可以但不限於是，例如電子儲存設備、磁儲存設備、光儲存設備、電磁儲存設備、半導體儲存設備或上述設備任何適當組合。電腦可讀儲存介質的更具體示例的非窮舉列表包括以下內容：便攜式電腦軟碟、硬碟、隨機存取儲存器（RAM）、只讀儲存器（ROM）、可擦可編程只讀儲存器（EPROM或閃存）、靜態隨機存取儲存器（SRAM）、便攜式光盤只讀儲存器（CD-ROM）、數字多功能磁盤（DVD）、藍光、磁帶、全息儲存器記憶棒、軟碟、機械編碼設備（例如打孔卡或凹槽中的凸起結構，上面存有指令），以及上述設備任何適當組合。如本文所使用的，電腦可讀儲存介質不應被解釋為瞬時訊號本身，例如無線電波或其他自由傳播的電磁波、通過波導或其他傳輸介質傳播的電磁波（例如，通過光纖電纜的光脈衝）、或通過電線傳輸的電訊號。
所述電腦可讀程式指令可經由網路（例如，網際網路、局域網、廣域網和/或無線網路）從電腦可讀儲存介質下載到各個計算/處理設備或下載到外部電腦或外部儲存設備。該網路可包括銅傳輸電纜、光傳輸光纖、無線傳輸、路由器、防火牆、交換機、網關電腦和/或邊緣伺服器。每個計算/處理設備中的網路配接器卡或網路接口從網路接收電腦可讀程式指令，轉發電腦可讀程式指令以儲存在相應的計算/處理設備內的電腦可讀儲存介質中。
用於執行本發明的操作的電腦可讀程式指令可以是匯編程式指令、指令集架構（instruction-set-architecture；ISA）指令、機器指令、機器相關指令、微代碼、韌體指令、狀態設置數據，或以一種或多種程式語言（包括面向對象的程式語言，例如Java、Smalltalk、C++等，以及常規面向過程的程式語言，例如C語言或類似的程式語言）的任意組合編寫的源代碼或目標代碼。電腦可讀程式指令可以全部在用戶電腦上、部分在用戶電腦上、作為獨立軟體包執行、部分在用戶電腦上部分在遠程電腦上、完全在遠程電腦或伺服器上執行。在後一種情況下，遠程電腦可以通過任何類型的網路（包括局域網（LAN）或廣域網（WAN））連接到用戶電腦，或者可以與外部電腦建立連接（例如，通過使用網際網路服務提供商的網際網路）。在一些實施方式中，電子電路（包括例如可編程邏輯電路、現場可編程門陣列（field-programmable gate arrays；FPGA）、可編程邏輯陣列（field-programmable gate arrays；PLA））可以通過利用電腦可讀程式指令的狀態訊息來執行電腦可讀程式指令個性化電子電路來執行本發明。
此處，根據本發明實施方式的方法、裝置（系統）和電腦程式產品的流程圖和/或框圖描述了本發明的各個方面，應當理解，流程圖和/或框圖每個塊，以及流程圖和/或框圖的每個框的組合都可以通過電腦可讀程式指令來實施。
這些電腦可讀程式指令可提供給通用電腦、專用電腦或其他可編程數據處理設備的處理器，來產生機器，以使經由電腦的處理器或其他可編程數據處理設備的處理器執行的指令來創建方法，從而實施流程圖和/或框圖中指定的功能/動作。該電腦可讀程式指令還可以儲存在電腦可讀儲存介質中，該電腦可讀儲存介質可以指導電腦、可編程數據處理裝置和/或其他設備以特定方式工作，這樣其中存有指令的電腦可讀儲存介質包括製造物品，該製造物品包括實施流程圖和/或框圖中指定的功能/動作方面的指令。
也可以將所述電腦可讀程式指令加載到電腦、其他可編程數據處理裝置或其他設備上，以使得在電腦、其他可編程裝置或其他設備上執行一系列操作步驟，來產生電腦實施的流程，以使在電腦、其他可編程裝置或其他設備上執行的指令實施流程圖和/或框圖中指定的功能/動作。
本文中包括的任何流程圖和框圖描述了根據本發明的各個實施方式的系統、方法和電腦程序產品的可能實施的架構、功能和操作。就這點而言，流程圖或框圖中的每個框可以表示指令的模塊、片段或一部分，包括用於實施指定的邏輯功能的一個或多個可執行指令。在一些替代實施方式中，框中示出的功能可以不按其中示出的順序發生。例如，實際上，根據所涉及的功能，基本上可以同時執行連續示出的兩個框，或者可以以相反的順序執行這些框。還應注意，框圖和/或流程圖的每個框以及框圖和/或流程圖框的組合可以由執行指定功能或動作的基於專用硬件的系統來實施，或執行指定功能的硬件和電腦指令的組合來實施。
對本發明各實施方式的描述僅為說明目的，並且不旨在排除或限制所披露的實施方式。在不脫離所描述的實施方式的範圍和精神的情況下，許多修改和變化對於所屬技術領域中具有通常知識者是顯而易見的。選擇本文使用的術語旨在最好地解釋實施例的原理、對於市場中出現的技術的實際應用或技術改進，或者使本領域的普通技術人員能够理解本文中公開的實施例。
10:系統 12:晶圓 14:圖案 14a:放大圖案 16:參考參數 20:光源 22:光束 24:反射或散射光 26:光度檢測器 30:計量系統 32:散射數據 34:標繪數據 40:機器學習(ML)建模系統 200:程序 214、216、220、222、230、240:步驟 300:神經網路(NN) 310:編碼器網路 312:解碼器網路 320:輸入層 330:隱藏層 340:層 350:隱藏層 360:輸出層 400:轉移神經網路 410:輸出層 420:解碼器網路 h:高度 w:寬度 p:間距
為了更好地理解本發明的各個實施方式並示出如何可以實現相同的實施方式，參考圖式作為示例。示出本發明的結構細節以提供對本發明的基本理解，結合圖式進行的描述使所屬技術領域中具有通常知識者顯而易見知道如何在實踐中體現本發明的幾種形式。在圖式中：
圖1是根據本發明的實施方式，用於通過自我監督表徵學習生成用於OCD計量的機器學習模型的系統的示意圖；
圖2是一個流程圖，描述了根據本發明的實施方式，通過自我監督表徵學習來生成用於OCD計量的機器學習模型的程序；
圖3A和3B是根據本發明實施方式的用於OCD計量的實現機器學習模型的神經網路訓練的兩個階段的示意圖；以及
圖4是根據本發明的一個實施方式的一個圖，該圖表示通過自我監督表徵學習訓練的機器學習（machine learning；ML）模型的精度，而不是僅通過單個神經網路訓練階段訓練的ML模型。
200:程序
214、216、220、222、230、240:步驟

Claims (14)

  1. 一種用於光學關鍵尺寸(OCD)計量的方法，包括以下步驟：接收多個第一組散射數據；將所述多個第一組散射數據中的每一個分為k個子向量；以自我監督的方式訓練k2個自動編碼器神經網路，與所述k個子向量中的每一個彼此映射，其中所述k2個自動編碼器神經網路包括k2個各自的編碼器神經網路，每個神經網路具有至少一個內部瓶頸層；接收從相應的多個晶圓圖案測量的相應的多組參考參數和相應的多個第二組散射數據；以及訓練具有包括所述k2個自動編碼器神經網路的並行排列的初始層的轉移神經網路(NN)，其中，訓練所述轉移神經網路(NN)包括訓練遵循所述編碼器神經網路的所述內部瓶頸層的一個或多個最終層，並且其中訓練所述轉移神經網路(NN)的目標輸出設置為所述多組參考參數，並且特徵輸入設置為相應的所述多個第二組散射數據，使得所述轉移神經網路(NN)被訓練以從隨後測量的散射數據集中估計新的晶圓圖案參數。
  2. 如請求項1所述的方法，其中，將所述多個第二組散射數據設置為用於訓練所述轉移神經網路(NN)的所述特徵輸入包括：在所述轉移神經網路(NN)的輸入層上，為每個第二組散射數據提供k組所述多個第二組散射數據的k個子向量中的一個。
  3. 如請求項1所述的方法，其中，所述多個第二組散射數據包括所述多個第一組散射數據的子集。
  4. 如請求項1所述的方法，其中訓練所述轉移神經網路(NN)包括關於所述多組參考參數的最小化損失函數，並且其中所述損失函數是均方誤差(MSE)函數。
  5. 如請求項1所述的方法，其中所述多組參考參數通過一個或 多個CD掃描式電子顯微鏡(CD-SEM)、原子力顯微鏡(AFM)、穿透式電子顯微鏡(TEM)或X射線計量工具進行高精度計量來測量。
  6. 如請求項1所述的方法，其中相應的所述多個晶圓圖案位於一個或多個晶圓上。
  7. 如請求項1所述的方法，其中所述多個第一組散射數據及所述多個第二組散射數據由兩個或更多個測量通道測量。
  8. 一種用於光學關鍵尺寸(OCD)計量的系統，包括具有非瞬時儲存器的處理器，所述儲存器包括指令，所述處理器執行所述指令時實現以下步驟：接收多個第一組散射數據；將所述多個第一組散射數據中的每一個分為k個子向量；以自我監督的方式訓練k2個自動編碼器神經網路，與所述k個子向量中的每一個彼此映射，其中所述k2個自動編碼器神經網路包括k2個各自的編碼器神經網路，每個神經網路具有至少一個內部瓶頸層；接收從相應的多個晶圓圖案測量的相應的多組參考參數和相應的多個第二組散射數據；以及訓練具有包括所述k2個自動編碼器神經網路的並行排列的初始層的轉移神經網路(NN)，其中，訓練所述轉移神經網路(NN)包括訓練遵循所述編碼器神經網路的所述內部瓶頸層的一個或多個最終層，並且其中訓練所述轉移神經網路(NN)的目標輸出設置為所述多組參考參數，並且特徵輸入設置為相應的所述多個第二組散射數據，使得所述轉移神經網路(NN)被訓練以從隨後測量的散射數據集中估計新的晶圓圖案參數。
  9. 如請求項8所述的系統，其中，將所述多個第二組散射數據設置為用於訓練所述轉移神經網路(NN)的所述特徵輸入包括：在所述轉移神經網路(NN)的輸入層上，為每個第二組散射數據提供k組所述第二 組散射數據的k個子向量中的一個。
  10. 如請求項8所述的系統，其中，所述多個第二組散射數據包括所述多個第一組散射數據的子集。
  11. 如請求項8所述的系統，其中訓練所述轉移神經網路(NN)包括關於所述多組參考參數的最小化損失函數，並且其中所述損失函數是均方誤差(MSE)函數。
  12. 如請求項8所述的系統，其中所述多組參考參數通過一個或多個CD掃描式電子顯微鏡(CD-SEM)、原子力顯微鏡(AFM)、穿透式電子顯微鏡(TEM)或X射線計量工具進行高精度計量來測量。
  13. 如請求項8所述的系統，其中相應的所述多個晶圓圖案位於一個或多個晶圓上。
  14. 如請求項8所述的系統，其中所述多個第一組散射數據及所述多個第二組散射數據由兩個或更多個測量通道測量。
TW110100494A 2020-01-06 2021-01-06 用於光學關鍵尺寸計量之方法及系統 TWI777353B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202062957339P 2020-01-06 2020-01-06
US62/957,339 2020-01-06

Publications (2)

Publication Number Publication Date
TW202135191A TW202135191A (zh) 2021-09-16
TWI777353B true TWI777353B (zh) 2022-09-11

Family

ID=76787893

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110100494A TWI777353B (zh) 2020-01-06 2021-01-06 用於光學關鍵尺寸計量之方法及系統

Country Status (5)

Country Link
US (2) US11747740B2 (zh)
CN (1) CN114930153B (zh)
IL (1) IL294547B2 (zh)
TW (1) TWI777353B (zh)
WO (1) WO2021140508A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013119324A1 (en) * 2012-02-10 2013-08-15 Tokyo Electron Limited Numerical aperture integration in raleigh wavelengths for optical critical dimension (ocd) metrology
CN106444365A (zh) * 2015-08-12 2017-02-22 中芯国际集成电路制造(上海)有限公司 晶圆刻蚀的控制方法及晶圆制造方法
TW201840955A (zh) * 2011-08-01 2018-11-16 以色列商諾發測量儀器股份有限公司 用以檢驗圖案化結構量測的監測系統及方法
US20190148246A1 (en) * 2017-11-15 2019-05-16 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6591405B1 (en) * 2000-11-28 2003-07-08 Timbre Technologies, Inc. Clustering for data compression
KR101930913B1 (ko) * 2010-06-17 2018-12-19 노바 메주어링 인스트루먼츠 엘티디. 패턴 구조들의 광학적 정밀 검사를 최적화하는 방법 및 시스템
US8577820B2 (en) * 2011-03-04 2013-11-05 Tokyo Electron Limited Accurate and fast neural network training for library-based critical dimension (CD) metrology
KR102205682B1 (ko) * 2012-08-15 2021-01-21 노바 메주어링 인스트루먼츠 엘티디. 인-시추 측정을 위한 광학 계측
US9710695B2 (en) * 2013-03-15 2017-07-18 Sony Corporation Characterizing pathology images with statistical analysis of local neural network responses
US10352876B2 (en) * 2014-05-09 2019-07-16 KLA—Tencor Corporation Signal response metrology for scatterometry based overlay measurements
US10295342B2 (en) * 2015-08-14 2019-05-21 Kla-Tencor Corporation System, method and computer program product for calibration of metrology tools
CN116468070A (zh) * 2015-11-12 2023-07-21 渊慧科技有限公司 使用规范化的目标输出训练神经网络
US11537837B2 (en) * 2017-02-13 2022-12-27 Kla-Tencor Corporation Automated accuracy-oriented model optimization system for critical dimension metrology
US10732516B2 (en) * 2017-03-01 2020-08-04 Kla Tencor Corporation Process robust overlay metrology based on optical scatterometry
US20180330233A1 (en) * 2017-05-11 2018-11-15 General Electric Company Machine learning based scatter correction
EP3579052A1 (en) * 2018-06-08 2019-12-11 ASML Netherlands B.V. Metrology apparatus and method for determining a characteristic of one or more structures on a substrate
WO2019233738A1 (en) * 2018-06-08 2019-12-12 Asml Netherlands B.V. Metrology apparatus and method for determining a characteristic of one or more structures on a substrate
EP3751342A1 (en) * 2019-06-13 2020-12-16 Stichting VU Metrology method and method for training a data structure for use in metrology

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201840955A (zh) * 2011-08-01 2018-11-16 以色列商諾發測量儀器股份有限公司 用以檢驗圖案化結構量測的監測系統及方法
WO2013119324A1 (en) * 2012-02-10 2013-08-15 Tokyo Electron Limited Numerical aperture integration in raleigh wavelengths for optical critical dimension (ocd) metrology
CN106444365A (zh) * 2015-08-12 2017-02-22 中芯国际集成电路制造(上海)有限公司 晶圆刻蚀的控制方法及晶圆制造方法
US20190148246A1 (en) * 2017-11-15 2019-05-16 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques

Also Published As

Publication number Publication date
CN114930153B (zh) 2023-01-06
US20230014976A1 (en) 2023-01-19
US11747740B2 (en) 2023-09-05
IL294547A (en) 2022-09-01
WO2021140508A1 (en) 2021-07-15
TW202135191A (zh) 2021-09-16
IL294547B2 (en) 2023-07-01
IL294547B1 (en) 2023-03-01
CN114930153A (zh) 2022-08-19
US20240069445A1 (en) 2024-02-29

Similar Documents

Publication Publication Date Title
US11874605B2 (en) Verification metrology targets and their design
TWI615909B (zh) 用於產生半導體量測模型之方法及系統
TWI760309B (zh) 用於校正計量工具之系統、方法及計算機程式產品
JP6783298B2 (ja) モデルベースのホットスポットモニタリング
TWI804793B (zh) 用於光學關鍵尺寸計量的方法及系統
JP6924261B2 (ja) パターニングされたウェハの特性評価のためのハイブリッド計量
TW201702587A (zh) 光學晶粒至資料庫檢測
JP6758309B2 (ja) フォーカスエラー感応性が減少した光学的計測
CN108291868A (zh) 用于快速自动确定用于高效计量的信号的系统、方法及计算机程序产品
CN112368812B (zh) 相位显示光学及x射线半导体计量
CN113348358B (zh) 用于大量生产过程监视的宽松耦合检验及计量系统
TWI777357B (zh) 用於光學關鍵尺寸計量的方法和系統及機器可存取的儲存介質
TWI777353B (zh) 用於光學關鍵尺寸計量之方法及系統
TW202405371A (zh) 用於光學臨界尺寸量測的方法、用於光學臨界尺寸量測的系統以及非暫時性機器可存取儲存媒體

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent