TWI778722B - 用於選擇資訊模式以訓練機器學習模型之設備及方法 - Google Patents

用於選擇資訊模式以訓練機器學習模型之設備及方法 Download PDF

Info

Publication number
TWI778722B
TWI778722B TW110127284A TW110127284A TWI778722B TW I778722 B TWI778722 B TW I778722B TW 110127284 A TW110127284 A TW 110127284A TW 110127284 A TW110127284 A TW 110127284A TW I778722 B TWI778722 B TW I778722B
Authority
TW
Taiwan
Prior art keywords
image
patterns
metric
pattern
subset
Prior art date
Application number
TW110127284A
Other languages
English (en)
Other versions
TW202210954A (zh
Inventor
馬克辛 帕薩瑞可
史考特 安德森 米德雷布魯克斯
可拉吉 馬可斯 傑拉度 馬堤司 瑪麗亞 凡
柯恩 艾德瑞安納斯 凡斯庫瑞恩
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 TW202210954A publication Critical patent/TW202210954A/zh
Application granted granted Critical
Publication of TWI778722B publication Critical patent/TWI778722B/zh

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/70—Adapting basic layout or design of masks to lithographic process requirements, e.g., second iteration correction of mask patterns for imaging
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Abstract

本文中描述一種用於自諸如一設計佈局之一影像選擇圖案的方法及設備。該方法包括：獲得具有複數個圖案之一影像(例如，一目標佈局之一影像)；基於該影像內之像素強度判定一度量(例如，熵)，該度量指示該影像之一或多個部分中含有的一資訊量；及基於該度量自該影像的具有在一指定範圍內的該度量之值的該一或多個部分選擇該複數個圖案之一子集。該圖案子集可經提供為訓練資料以訓練與一圖案化製程相關聯之一模型。

Description

用於選擇資訊模式以訓練機器學習模型之設備及方法
本文中之描述大體上係關於改良微影及相關製程。更明確而言，本發明大體上係關於用於選擇資訊模式以訓練用於微影或關聯製程中之模型的設備、方法及電腦程式產品。
微影投影設備可用於(例如)積體電路(IC)之製造中。在此類狀況下，圖案化裝置(例如，遮罩)可含有或提供對應於IC之個別層的圖案(「設計佈局」)，且此圖案可藉由諸如經由圖案化裝置上之圖案照射目標部分的方法經轉印於一基板(例如，矽晶圓)上之目標部分(例如，包含一或多個晶粒)上，該目標部分已塗佈有一層輻射敏感材料(「光阻」)。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影投影設備一次一個目標部分地順次轉印至該複數個鄰近目標部分。在一種類型之微影投影設備中，整個圖案化裝置上之圖案在一次操作中經轉印至一個目標部分上；此設備通常被稱作步進器。在通常被稱作步進掃描設備(step-and-scan apparatus)之替代設備中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化裝置進行掃描，同時平行或反平行於此參考方向而同步地移動基板。將圖案化裝置上之圖案之不同部分漸進地轉印至一個目標部分。 因為一般而言，微影投影設備將具有縮減比率M(例如，4)，所以基板之移動速度F將為1/M時間，此時投影光束掃描圖案化裝置。關於微影裝置的更多資訊可見於例如以引用之方式併入本文中之US 6,046,792。
在將圖案自圖案化裝置轉印至基板之前，基板可經歷各種工序，諸如，上底漆、抗蝕劑塗佈，及軟烘烤。在曝光之後，基板可經受其他工序(「後曝光工序」)，諸如後曝光烘烤(PEB)、顯影、硬烘烤及對經轉印圖案之量測/檢測。此工序陣列係用作製造一裝置(例如，IC)之個別層的基礎。基板可接著經歷各種製程，諸如，蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械拋光等等，該等製程皆意欲精整裝置之個別層。若在裝置中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在一裝置。接著藉由諸如切割或鋸切之技術來使此等裝置彼此分離，由此，可將個別裝置安裝於載體上、連接至接腳等等。
因此，製造裝置(諸如半導體裝置)通常涉及使用多個製造製程處理基板(例如半導體晶圓)以形成裝置之各種特徵及多個層。通常使用(例如)沈積、微影、蝕刻、沈積、化學機械研磨及離子植入來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製造多個裝置，且接著將該等裝置分離成個別裝置。此裝置製造製程可被認為係圖案化製程。圖案化製程涉及使用微影設備中之圖案化裝置進行圖案化步驟(諸如光學及/或奈米壓印微影)以將圖案化裝置上之圖案轉印至基板，且圖案化製程通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影設備進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻設備而使用圖案進行蝕刻等等。
在一實施例中，提供一種用於產生訓練資料從而用於機器學習模型的方法。該訓練資料基於與一目標佈局內之目標圖案相關聯之一資訊度量(例如，資訊熵)來選擇。目標佈局可具有數以億計的圖案，因此需要用於訓練目的之大部分資訊模式的選擇。在實施例中，資訊度量啟用圖案之選擇而不執行額外圖案化相關製程模型或機器學習模型。因此，選擇可直接應用至目標佈局，該目標佈局亦可節省大量運算資源及時間。
在一實施例中，該方法包括：獲得包含一第一圖案及一第二圖案的一影像；基於該第一圖案之像素強度判定該影像之一第一部分中資訊熵的一第一層級；基於該第二圖案之像素強度判定該影像之一第二部分中資訊熵的一第二層級；比較資訊熵之該第一層級與資訊熵的第二層級；基於該比較判定資訊熵之第一層級低於資訊熵的第二層級；及回應於判定資訊熵之該第一層級低於資訊熵的該第二層級，產生包含該第一圖案或該第一圖案之至少一部分的一訓練資料集。
在一實施例中，該方法包括：獲得具有複數個圖案(例如，目標圖案)之一影像(例如，目標佈局)；基於該影像內之像素強度判定一度量，該度量指示該影像之一或多個部分中含有的一資訊量；基於該度量自該影像的具有在一指定範圍內的度量之值的一或多個部分選擇複數個圖案之一子集。該所選擇之圖案子集可提供圖案子集作為訓練資料以訓練與一圖案化製程相關聯之一模型(例如，OPC)。舉例而言，度量可基於與疊對於該影像上之一視窗內之像素相關聯的機率進行資訊熵計算。
在實施例中，該度量指示複數個圖案中每一者之不均勻性、與一模型預測相關聯之一不確定性，或與一模型預測相關聯之一誤 差。因此，例如，度量可引導來自目標佈局之數以億計的圖案之大部分資訊模式的選擇。
根據一實施例，提供一種包含一非暫時性電腦可讀媒體的電腦系統，該非暫時性電腦可讀媒體上面記錄有指令。該等指令在由一電腦執行時實施上文所描述之方法步驟。
10A:微影投影設備
12A:輻射源
14A:光學件
16Aa:光學件
16Ab:光學件
16Ac:透射光學件
18A:圖案化裝置
20A:可調整濾光器或孔徑
21:輻射光束
22:琢面化場鏡面裝置
22A:基板平面
24:琢面化光瞳鏡面裝置
26:經圖案化光束
28:反射元件
30:反射元件
31:源模型
32:投影光學件模型
35:設計佈局模型
36:空中影像
37:抗蝕劑模型
38:抗蝕劑影像
210:EUV輻射發射電漿
211:源腔室
212:收集器腔室
220:圍封結構
221:開口
230:可選氣體障壁或污染物截留器
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
300:目標佈局
310:連續傳輸遮罩(CTM)影像
312:連續傳輸遮罩(CTM)影像
315:誤差
316:部分
320:連續傳輸遮罩(CTM)影像
325:不確定性影像
326:部分
335:資訊熵
336:部分
400:方法
AD:調整構件
B:輻射光束
BS:匯流排
C:目標部分
CO:聚光器/輻射收集器
CC:游標控制件
CS:實例電腦系統
CI:通信介面
DS:顯示器
Ex:光束擴展器
HC:主電腦
IF:干涉量測構件/虛擬源點
IN:積光器
IL:照明系統/照明器
ID:輸入裝置
INT:網際網路
LA:雷射
LAN:區域網路
LPA:另一微影投影設備
M1:圖案化裝置對準標記
M2:圖案化裝置對準標記
MT:第一物件台/圖案化裝置台
MA:圖案化裝置/倍縮光罩
MM:主記憶體
NDL:網路鏈路
O:光軸
PRO:處理器
P401:製程
P403:製程
P405:製程
P407:製程
P1:基板對準標記/部分
P2:基板對準標記
PB:光束
PL:透鏡
PS:投影系統/項目/透鏡
PS1:另一位置感測器
PS2:位置感測器
PM:第一定位器
PW:第二定位器
ROM:唯讀記憶體
SD:儲存裝置
SO:輻射源/源收集器模組
WT:第二物件台/基板台
W:基板
併入本說明書中且構成本說明書之一部分之隨附圖式展示本文中所揭示之標的的某些態樣，且與描述內容一起有助於解釋與所揭示實施例相關聯之一些原理。在圖式中，圖1說明根據一實施例之微影投影設備之各種子系統的方塊圖。
圖2說明根據一實施例的用於模擬微影投影設備中之微影的例示性流程圖。
圖3A展示根據一實施例的用於自目標佈局選擇圖案之不同方法的比較。
圖3B為根據實施例的展示於圖3A中的基於誤差之方法的放大版本。
圖3C為根據實施例之展示於圖3A中之基於不確定性之方法的放大版本。
圖3D為根據實施例的使用例示性度量(例如，熵)來自目標佈局選擇圖案之方法的放大版本。
圖3E視覺上描繪根據實施例的熵與係與目標佈局相關聯之誤差之間的相關。
圖3F視覺上描繪根據實施例的熵與係與目標佈局相關聯之不確定性之間的相關。
圖4為根據實施例的用於基於資訊內容度量自目標佈局選擇圖案之方法的流程圖。
圖5為根據一實施例之實例電腦系統的方塊圖。
圖6為根據一實施例之微影投影設備的示意圖。
圖7為根據一實施例之另一微影投影設備的示意圖。
圖8為根據一實施例的微影投影設備之詳細視圖。
圖9為根據一實施例的微影投影設備之源收集器模組的詳細視圖。
儘管在本文中可特定地參考IC之製造，但應明確地理解，本文中之描述具有許多其他可能應用。舉例而言，描述可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者將瞭解，在此類替代應用之情形下，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應視為可分別與更一般的術語「遮罩」、「基板」及「目標部分」互換。
在本發明文獻中，術語「輻射」及「光束」可用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如，具有為365nm、248nm、193nm、157nm或126nm之波長)及極紫外線輻射(EUV，例如，具有在約5nm至100nm之範圍內之波長)。
圖案化裝置可包含或可形成一或多個設計佈局。可利用電腦輔助設計(computer-aided design；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(electronic design automation；EDA)。大多數CAD程式遵循一預定設計規則集合，以便產生功能設計佈局/圖案化裝置。藉由處理及設計限制來設定此等規則。舉例而言，設計規則定義裝置(諸如閘、電容器等等)之間的空間容許度，或互連線以便確保該等裝置或線彼此不會以不理想方式相互作用。設計規則限制中之一或多者可稱為「臨界尺寸」(CD)。裝置之臨界尺寸可被定義為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此，CD判定所設計裝置之總體大小及密度。當然，裝置製造之目標中之一者為在基板上如實地再生原始設計意圖(經由圖案化裝置)。
本文中所使用之術語「遮罩」或「圖案化裝置」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裝置，該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；在此上下文中，亦可使用術語「光閥」。除經典遮罩(透射或反射；二元、相移、混合式等)以外，其他此類圖案化裝置之實例包括可程式化鏡面陣列及可程式化LCD陣列。
可程式化鏡面陣列之實例可為具有黏彈性控制層及反射表面之矩陣可定址表面。此設備所隱含之基本原理為(例如)：反射表面之經定址區域將入射輻射反射為繞射輻射，而未經定址區域將入射輻射反射為非繞射輻射。使用適當濾光片，可自經反射光束濾除該非繞射輻射，從而之後僅留下繞射輻射；以此方式，光束變得根據矩陣可定址表面之定址圖案而圖案化。可使用合適電子構件來執行所需矩陣定址。
可程式化LCD陣列之實例在以引用之方式併入本文中的美國專利第5,229,872號中給出。
圖1說明根據一實施例之微影投影設備10A之各種子系統的方塊圖。主要組件為：輻射源12A，其可為深紫外線準分子雷射源或包括極紫外線(EUV)源之其他類型源(如上文所論述，微影投影設備自身不必具有輻射源)、照明光學件，該等照明光學件例如界定部分同調性(指明為西格瑪)且可包括塑形來自源12A之輻射的光學件14A、16Aa及16Ab；圖案化裝置18A；及透射光學件16Ac，其將圖案化裝置之圖案之影像投影至基板平面22A上。在投影光學件之光瞳平面處的可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度界定投影光學件之數值孔徑NA=n sin(Θmax)，其中n為基板與投影光學件之最後元件之間的媒體之折射率，且Θmax為自投影光學件射出的仍可照射於基板平面22A上之光束的最大角度。
在微影投影設備中，源提供照明(亦即，輻射)至圖案化裝置，且投影光學件經由圖案化裝置導引並塑形照射至基板上。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)為在基板位階處之輻射強度分佈。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 2009-0157630號中找到此情形之實例。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製程之效應)有關。微影投影設備之光學屬性(例如，照明、圖案化裝置及投影光學件之屬性)規定空中影像且可定義於光學模型中。由於可改變用於微影投影設備中之圖案化裝置，因此需要使圖案化裝置之光學屬性與至少包括源及投影光學件的微影投影設備之其餘部分之光學屬性分離。用以將設計佈局變換至各種微影影像(例如，空中影像、抗蝕劑影像等)、使用彼等技術及 模型應用OPC且評估效能(例如，依據製程窗)的技術及模型之細節描述於美國專利申請公開案第US 2008-0301620號、第2007-0050749號、第2007-0031745號、第2008-0309897號、第2010-0162197號及第2010-0180251中，前述各案之揭示內容特此以全文引用之方式併入。
根據本發明之一實施例，可產生一或多個影像。該等影像包括可藉由每一像素之像素值或強度值特性化的各種類型之信號。視影像內像素之相對值而定，信號可被稱作例如弱信號或強信號，如一般熟習此項技術者可理解。術語「強」及「弱」為基於影像內之像素之強度值的相對術語，且強度之具體值可能並不限制本發明之範疇。在實施例中，強信號及弱信號可基於所選擇之臨限值來識別。在一實施例中，臨限值可為固定的(例如，影像內像素之最高強度與最低強度的中點)。在一實施例中，強信號可指具有大於或等於跨影像之平均信號值之值的信號，且弱信號可指具有小於平均信號值之值的信號。在一實施例中，相對強度值可係基於百分比。舉例而言，弱信號可為具有低於影像內像素(例如，對應於目標圖案之像素可被視為具有最高強度之像素)之最高強度之50%的強度之信號。此外，影像內之每一像素被認為係變數。根據本實施例，導數或偏導數可關於影像內之每一像素判定，且每一像素之值可根據基於成本函數之評估及/或成本函數之基於梯度的運算來判定或修改。舉例而言，CTM影像可包括像素，其中每一像素為可採用任何實數值之變數。
圖2說明根據一實施例的用於模擬微影投影設備中之微影的例示性流程圖。源模型31表示源之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學件模型32表示投影光學件之光學特性(包括由投影光學件引起的輻射強度分佈及/或相位分佈之改變)。設計佈局模型35表示設計 佈局之光學特性(包括由設計佈局33引起的輻射強度分佈及/或相位分佈之變化)，該設計佈局為在圖案化裝置上或藉由圖案化裝置形成之特徵配置的表示。可自設計佈局模型35、投影光學件模型32及設計佈局模型35來模擬空中影像36。可使用抗蝕劑模型37自空中影像36模擬抗蝕劑影像38。微影之模擬可例如預測抗蝕劑影像中之輪廓及CD。
更特定而言，應注意，源模型31可表示源之光學特性，該等光學特性包括但不限於數值孔徑設定、照明均方偏差(σ)設定，以及任何特定照明形狀(例如，離軸輻射源，諸如環圈、四極子、偶極子等)。投影光學件模型32可表示投影光學件之光學特性，該等光學特性包括像差、失真、一或多個折射率、一或多個實體大小、一或多個實體尺寸等。設計佈局模型35可表示實體圖案化裝置之一或多個物理屬性，如(例如)以全文引用的方式併入之美國專利第7,587,704號中所描述。模擬之目標係準確地預測(例如)邊緣置放、空中影像強度斜率及/或CD，可接著將該等邊緣置放、空中影像強度斜率及/或CD與預期設計進行比較。預期設計通常被定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供之預OPC設計佈局。
自此設計佈局，可識別被稱作「剪輯」之一或多個部分。在實施例中，提取剪輯集合，其表示設計佈局中之複雜圖案(通常為約50個至1000個剪輯，但可使用任何數目個剪輯)。此等圖案或剪輯表示設計之小部分(亦即，電路、胞元或圖案)，且更具體言之，該等剪輯通常表示需要特定注意及/或驗證的小部分。換言之，剪輯可為設計佈局之部分，或可為類似的或具有設計佈局之部分的類似行為，其中一或多個臨界特徵藉由體驗(包括由客戶提供之剪輯)、試誤法或執行全晶片模擬來予以識 別。剪輯可含有一或多個測試圖案或量規圖案。
可由客戶基於設計佈局中需要特定影像最佳化之一或多個已知臨界特徵區域而先驗地提供初始較大剪輯集合。替代地，在另一實施例中，可藉由使用識別該一或多個臨界特徵區域之某種自動(諸如機器視覺)或手動演算法自整個設計佈局提取初始較大剪輯集合。
在微影投影設備中，作為一實例，可將成本函數表達為
Figure 110127284-A0305-02-0012-1
其中(z 1,z 2,…,z N )為N個設計變數或其值。f p (z 1,z 2,…,z N )可為設計變數(z 1,z 2,…,z N )的函數，諸如對於(z 1,z 2,…,z N )之設計變數的值集合的特性之實際值與預期值之間的差。w p 為與f p (z 1,z 2,…,z N )相關聯之權重常數。舉例而言，特性可為在邊緣上之給定點處量測的圖案之邊緣之位置。不同f p (z 1,z 2,…,z N )可具有不同權重w p 。舉例而言，若特定邊緣具有所准許位置之窄範圍，則用於表示邊緣之實際位置與預期位置之間的差的f p (z 1,z 2,…,z N )之權重w p 可被給出較高值。f p (z 1,z 2,…,z N )亦可為層間特性之函數，層間特性又為設計變數(z 1,z 2,…,z N )之函數。當然，CF(z 1,z 2,…,z N )不限於等式1中之形式。CF(z 1,z 2,…,z N )可為任何其他合適之形式。
成本函數可表示微影投影設備、微影製程或基板之任何一或多個適合特性，例如，焦點、CD、影像移位、影像失真、影像旋轉、隨機變化、產出率、局域CD變化、製程窗、層間特性或其組合。在一個實施例中，設計變數(z 1,z 2,…,z N )包含選自劑量、圖案化裝置之全域偏置及/或照明形狀中之一或多者。由於抗蝕劑影像為常常指明基板上之圖案，故成本函數可包括表示抗蝕劑影像之一或多個特性之函數。舉例而言，f p (z 1,z 2,…,z N )可僅係抗蝕劑影像中之一點與彼點之預期位置之間的距離(亦 即，邊緣置放誤差EPE p (z 1,z 2,…,z N ))。設計變數可包括任何可調整參數，諸如源、圖案化裝置、投影光學件之可調整參數、劑量、焦點等等。
微影設備可包括可用以調整波前及強度分佈之形狀及/或輻射光束之相移的被集體地稱為「波前操控器」之組件。在一實施例中，微影設備可調整沿著微影投影設備之光學路徑之任何方位處的波前及強度分佈，諸如在圖案化裝置之前、在光瞳平面附近、在影像平面附近及/或在焦點平面附近。波前操控器可用以校正或補償由(例如)源、圖案化裝置、微影投影設備中之溫度變化、微影投影設備之組件之熱膨脹等所導致的波前及強度分佈及/或相移的某些失真。調整波前及強度分佈及/或相移可改變由成本函數表示之特性的值。可自模型模擬此等變化或實際上量測此等變化。設計變數可包括波前操控器之參數。
設計變數可具有約束，該等約束可被表達為(z 1, z 2,…, z N )
Figure 110127284-A0305-02-0013-3
Z ，其中 Z 為設計變數之可能值集合。可藉由微影投影設備之所要產出率來強加對設計變數之一個可能約束。在無藉由所要產出率強加之此約束的情況下，最佳化可得到不切實際的設計變數的值集合。舉例而言，若劑量為設計變數，則在無此約束之情況下，最佳化可得到使產出率經濟上不可能的劑量值。然而，約束之有用性不應解釋為必要性。舉例而言，產出率可受光瞳填充比率影響。對於一些照明設計，低光瞳填充比率可捨棄輻射，從而導致較低產出率。產出率亦可受抗蝕劑化學反應影響。較慢抗蝕劑(例如，要求適當地曝光較高量之輻射的抗蝕劑)導致較低產出率。
如本文中所使用，術語「圖案化製程」通常意謂作為微影製程之部分的藉由施加光之指定圖案來產生經蝕刻基板的製程。然而， 「圖案化製程」亦可包括電漿蝕刻，此係因為本文中所描述之許多特徵可為使用電漿處理形成印刷圖案提供益處。
如本文中所使用，術語「目標圖案」意謂將在基板上蝕刻之理想化圖案。術語「目標佈局」指包含一或多個目標圖案的設計佈局。
如本文所使用，術語「經印刷圖案」或「經圖案化基板」意謂基板上基於目標圖案經成像及/或經蝕刻的實體圖案。印刷圖案可包括例如凹槽、通道、凹陷、邊緣或由微影製程產生之其他二維及三維特徵。
如本文中所使用，術語「製程模型」意謂包括一或多個模型的模型的，該一或多個模型模擬圖案化製程。舉例而言，製程模型可包括光學模型(例如模型化用以在微影程序中遞送光的透鏡系統/投影系統且可包括模型化去向光致抗蝕劑(photoresist)上的光之最終光學影像)、抗蝕劑模型(例如模型化抗蝕劑之實體效應，諸如歸因於光之化學效應)，及OPC模型(例如可用於修改目標圖案以包括子解析度抗蝕劑特徵(SRAF)等)。
為了改良圖案化製程及圖案化精確性，製程模型使用目標圖案、遮罩圖案、基板影像等來訓練。舉例而言，製程模型包含用於OPC製程中以產生更好遮罩圖案的一或多個經訓練模型。舉例而言，藉由機器學習輔助之OPC值得注目地改良全晶片輔助特徵(例如，SRAF)置放的精確性，同時在控制下保持遮罩設計的一致性及運轉時間。深度卷積類神經網路(CNN)使用目標佈局或其中之目標圖案以及對應連續傳輸遮罩(CTM)影像來訓練。此等CTM影像使用反相遮罩最佳化模擬製程來最佳化。CNN產生之SRAF導引地圖接著用以將SRAF置放於全晶片設計佈局上。
當選擇一組圖案用於訓練時，需要的是選擇對於模型將為最具資訊性的圖案。當前，以下方法可用於量測圖案如何為資訊性的：基於誤差之方法及基於不確定性的方法。在基於誤差之方法中，誤差為模型預測與地面實況或參考之間的差。對於特定圖案而言誤差愈大，則該圖案預期為更具資訊性的。在基於不確定性之方法中，使用模型預測，例如自貝氏神經網路之預測的標準偏差。對於特定圖案而言不確定性愈大，則該圖案預期為更具資訊性的。不同於誤差(例如，均方根誤差(RMSE))，不確定性並不要求地面實況的可用性。
圖3A及圖3B說明用於自目標佈局選擇圖案的基於誤差之方法的實例。基於誤差之方法使用製程模型M1及機器學習模型M2。製程模型M1可為用於反相微影模擬製程中以產生CTM影像310(地面實況之實例)的基於實體的模型(例如，如圖2中所論述)。模型M2(例如，CNN)為使用目標及地面實況CTM影像訓練的經訓練模型。模型M2使用目標佈局300作為輸入來預測CTM影像312。判定CTM影像310與312之間的誤差315。舉例而言，誤差可為CTM影像310與312之間的差、影像310與312之間的RMSE，或其他誤差。舉例而言，誤差可表示為被稱作誤差影像315的灰度階影像。誤差影像315視覺上描繪對應於誤差影像315內之例如高誤差及低誤差的若干明亮部分及灰暗部分。在實施例中，對應於高誤差(例如，誤差影像315之部分316)的圖案或目標部分(例如，影像300之部分P1)可經選擇作為訓練資料以訓練與圖案化製程相關之模型。
圖3A及圖3C說明用於自目標佈局選擇圖案的基於不確定性之方法的實例。基於不確定性之方法使用產生CTM影像320的模型M3。運算CTM影像320之間的不確定性(例如，標準偏差)。不確定性可表 示為被稱作不確定性影像325的灰度階影像。不確定性影像315視覺上描繪對應於不確定性影像325內之例如高不確定性及低不確定性的若干明亮部分及灰暗部分。在實施例中，對應於高不確定性(例如，誤差影像325之部分326)的圖案或目標部分(例如，影像300的部分P1)可經選擇作為訓練資料以訓練與圖案化製程相關的模型。
然而，現存方法具有一些侷限性。對於基於誤差之方法，地面實況(例如，CTM 310)例如藉由模擬製程模型來產生，該製程模型為運算上昂貴的製程。對於基於不確定性之方法，經由神經網路的多個遞送遍次經要求以便運算標準偏差。此情形通常快於基於誤差之方法，但的確留下空間以供進一步改良。
在本發明之實施例中，參考圖3D，提供一種例如自用於訓練機器學習模型之一設計佈局進行圖案選擇的方法。圖案選擇方法實質上減小對地面實況資料及/或經由機器學習模型之多個遞送遍次的需要。在本發明之方法中，判定資訊度量(例如，目標佈局300的資訊熵335)，該資訊度量導引圖案自目標佈局的選擇。在實施例中，資訊度量充當誤差及不確定性(例如，如關於圖3A所論述)的預測器。舉例而言，研究揭露，存在資訊度量與係與模型預測相關聯之誤差及不確定性之間的相關。
圖3E及圖3F視覺上描繪資訊度量與誤差及不確定性之間的實例相關。舉例而言，如圖3E中所展示，在資訊度量(例如，資訊性熵)與誤差之間存在負相關。在實施例中，低熵值對應於高誤差。類似地，如圖3F中所展示，存在資訊度量(例如，資訊熵)與不確定性之間的負相關。在實施例中，低熵值對應於高不確定性。因此，在實施例中，低資訊熵區(例如，圖3D之影像335中的灰暗部分)可經選擇，且圖案或部分(例如，目 標佈局300的P1)可經選擇為訓練資料。
根據本發明，判定諸如目標佈局之局部熵的資訊度量可藉由節省實質運算時間及資源來顯著地改良圖案選擇製程。舉例而言，根據本發明，對用於產生用於基於誤差之方法中之CTM的昂貴之基於實體之運算的需要可被完全消除。又，資訊度量可有助於消除神經網路的可在基於不確定性之方法中執行的多個轉遞遍次。
圖4為根據實施例的用於自輸入，例如目標佈局選擇圖案或圖案之部分之方法400的流程圖，該目標佈局包括待圖案化於基板上的目標圖案。在實施例中，輸入可以影像格式、向量格式或其他合適電子格式表示。所選擇之圖案可用作訓練資料從而訓練與圖案化製程相關聯之模型。方法包含製程P401、P403、P405及P407。
製程P401包括獲得具有複數個圖案401的影像402。在實施例中，影像402為以下各者中之至少一者：包含待待印刷於基板上之圖案的設計佈局；或經由掃描電子顯微鏡(SEM)獲取的經圖案化基板之SEM圖像。在一實施例中，影像402為以下各者中之至少一者：二進位影像、灰度階影像；或n通道影像，其中n係指用於影像402中的色彩之數目(例如，具有色彩紅色、綠色及藍色(RGB)的3通道影像)。舉例而言，二進位影像可包括像素，該等像素指派有指示像素方位處之特徵的值1及指示物特徵存在於像素範圍處的值0。類似地，灰度階影像可包括指示圖案之特徵係存在或不存在的像素強度。在實施例中，n通道影像可包含RGB色彩通道，其可指示圖案之特徵的存在或不存在。在實施例中，RGB之色彩可指示圖案中特定特徵的集合。
在實施例中，複數個圖案401之圖案可包括需要印刷於基 板上之一或多個特徵(例如，線、孔等)。在實施例中，一或多個特徵根據電路設計規範相對於彼此配置。在實施例中，複數個圖案401之圖案包括印刷於基板上之一或多個特徵(例如，線、孔等)。本發明不限於特定影像或圖案，或其中的特徵。
製程P403包括基於影像402內之像素強度判定一度量，該度量指示影像402之一或多個部分中含有的資訊量或資訊化層級。在實施例中，資訊量或資訊化層級指示複數個圖案401中每一者之非均勻性、與使用複數個圖案401獲得的一模型預測相關聯之一不確定性或者與使用複數個圖案401獲得之一模型預測相關聯之一誤差。舉例而言，圖案之非均勻性指示，圖案大體上彼此不同，且因此更具資訊性用於訓練目的。在實施例中，度量為一資訊熵、瑞麗(Renyi)熵或差分熵中的至少一者。
在實施例中，資訊熵包含與影像402相關聯之複數個可能結果之一結果的一機率與結果之機率之對數函數的乘積之一總和。在實施例中，資訊熵藉由以下等式來運算：
Figure 110127284-A0305-02-0018-2
在上述等式中，H(X)為與疊對於影像上之滑動視窗內影像之部分的熵，x i 表示與影像402相關聯之可能結果，每一結果具有機率P X (x i )。舉例而言，在二進位影像中，可能結果x i 為x 1 及x 2 ，其中x 1 為白色像素(例如，像素強度值為0)，且x 2 為黑色像素(例如，像素強度值為1)。舉例而言，圖3A及圖3D展示表示為二進位影像的針對目標佈局運算的熵之視覺描繪。在實施例中，影像402可為灰度階影像，在該狀況下，可能結果x i ；其中可自0至255發生變化。
舉例而言，機率P X (x i )運算如下：P X (x i )=(滑動視窗中具有強 度層級i的像素之數目)/(滑動視窗中像素的數目)。關聯熵值接著通常指派至滑動視窗中的中心像素。因此，對於二進位影像實例，若像素之50%為白色且50%像素為黑色(即，P X (x 1)=P X (x 2)=0.5)，則熵表達為最大的；然而當僅單一色彩存在於整個滑動視窗(即，P X (x 1)=1且P X (x 2)=0或反之亦然)時，熵表達為最小的。
在實施例中，可能結果包含以下各者中之至少一者：指派至影像402之像素的二進位值、指示影像402內圖案之存在的第一值及影像402內圖案之不存在的第二值；指派至影像402之像素的灰度階值；或指派至影像402之像素的色彩之數目。
在實施例中，熵可針對每一通道進行計算，且針對每一通道之熵可為了圖案選擇予以比較。在實施例中，多通道影像可為同一方位處但具有不同SEM設定的SEM影像之集合。每通道之資訊度量可予以運算。度量可經組合作為所有通道上的加權平均值，或經選擇作為不同通道之間度量的最差狀況。
在實施例中，判定度量之值包括藉由應用度量至影像402之一或多個像素來產生資訊內容。在實施例中，產生資訊內容資料包括滑動指定大小的視窗橫越影像402；及針對每一滑動位置運算視窗內應用的度量之值。在實施例中，滑動視窗之形狀及大小可為可調整的。舉例而言，滑動視窗可具有具最小特徵(例如，間距4×5像素)的大小、使用者界定之大小(例如，2×2像素)或其他視窗大小。在實施例中，視窗可為矩形、正方形、圓形或其他幾何形狀。
在實施例中，度量之判定並不包括使用複數個圖案401中之一或多者來模擬與圖案化製程相關聯之製程模型，或使用複數個圖案401中 之一或多者來模擬與圖案化製程相關聯之機器學習模型。度量可直接應用至目標佈局、目標佈局之一部分或其中的圖案。在實施例中，目標佈局可以GDS格式設置。
製程P405包括基於度量自影像402的具有在指定範圍內的度量之值的一或多個部分選擇複數個圖案401之子集。在實施例中，選擇圖案410之子集包括比較橫越影像402之度量的值；識別影像402之對應於指定範圍內的度量之值的部分；及在經識別部分內選擇圖案410之子集。舉例而言，如圖3D中所展示，目標佈局300之部分P1對應於在指定範圍內之度量。舉例而言，度量可為熵，且指定範圍對應於熵影像335內最低值的10%。
在實施例中，選擇圖案410之子集包括：識別影像402之對應於相較於其他部分較低資訊熵值的部分；及在經識別部分內選擇圖案410之子集。
在實施例中，圖案410之子集包括圖案410之子集的圖案之至少一部分。舉例而言，圖案子集可包含圖案內整個特徵或特徵的一部分。在一實例中，參考圖3D，一或多個圖案(例如，包含整個特徵或特徵之數個部分的一或多者)可選自部分P1，可基於熵影像335之部分336處的熵予以選擇。
製程P407包括提供圖案410之子集作為用於訓練與圖案化製程相關聯之模型的訓練資料。本發明不限於使用輸出子圖案。在實施例中，圖案子集可用以改良該圖案化製程之一或多個態樣，該圖案化製程包括但不限於改良空間影像模型、遮罩模型、光阻模型、OPC製程、與度量衡相關之模型或與圖案化製程相關之其他模型之訓練。
在一實施例中，方法400可進一步包括用於使用圖案410之子集作為訓練資料來訓練與圖案化製程相關聯之模型的步驟。在實施例中，訓練包括訓練模型，該模型經組態以產生與設計佈局之複數個圖案401相關聯的光學近接校正結構。舉例而言，光學近接校正結構包括對應於設計佈局之複數個圖案401的主要特徵；或環繞設計佈局之複數個圖案401的輔助特徵。
在一實施例中，用於選擇圖案且自圖案產生訓練資料的方法400可實施如下。在一實施例中，方法包括：獲得包含一第一圖案及一第二圖案(例如，圖案401)的一影像402；基於該第一圖案之像素強度判定該影像之一第一部分中資訊熵的一第一層級；基於該第二圖案之像素強度判定該影像之一第二部分中資訊熵的一第二層級；比較資訊熵之該第一層級與資訊熵的第二層級；基於比較判定資訊熵之第一層級低於資訊熵的第二層級；及回應於判定資訊熵之該第一層級低於資訊熵的該第二層級，產生包含該第一圖案或該第一圖案之至少一部分的一訓練資料集。舉例而言，參考圖3A，第一圖案可基於熵影像335之部分336周圍的圖案之熵選自部分P1。
在一實施例中，本文中所論述之方法可提供為其上記錄有指令之電腦程式產品或非暫時性電腦可讀媒體，該等指令在由電腦執行時實施上文所論述之方法400的操作。舉例而言，圖5中之實例電腦系統CS包括包含指令之非暫時性電腦可讀媒體(例如，記憶體)，該等指令在由一或多個處理器(例如，104)執行時引起用於自目標佈局選擇圖案的操作。在實施例中，指令包括：獲得具有複數個圖案之影像；基於影像內之像素強度來判定一度量，該度量指示影像之一或多個部分中含有的資訊量或資 訊化層級；基於度量自影像之具有在指定範圍內的度量之值的一或多個部分選擇複數個圖案之子集；及提供圖案子集作為訓練資料以訓練與圖案化製程相關聯之模型。在實施例中，資訊量或資訊化層級指示複數個圖案中每一者之非均勻性、與使用複數個圖案獲得之一模型預測相關聯之一不確定性或者與使用複數個圖案獲得之一模型預測相關聯之一誤差。舉例而言，度量可為熵。
在實施例中，非暫時性媒體經組態以藉由應用度量至影像之一或多個像素來產生資訊內容而判定度量值。在實施例中，產生資訊內容資料包括滑動具有指定大小的視窗穿過影像；及針對每一滑動位置運算應用於視窗內的度量之值。
在實施例中，一種用於產生訓練資料集以基於影像中之資訊熵的層級用於機器學習模型的非暫時性電腦可讀媒體，其包含儲存於其中之指令，該等指令在由一或多個處理器執行時引起包含以下操作的操作：獲得包含第一圖案及第二圖案的一影像；基於第一圖案之像素強度判定影像之第一部分中的資訊熵之第一層級；基於第二圖案之像素強度判定影像之第二部分中資訊熵的第二層級；比較資訊熵的第一層級與資訊熵之第二層級；基於該比較判定資訊熵之第一層級低於資訊熵的第二層級；及回應於判定資訊熵的第一層級低於資訊熵的第二層級，產生包含第一圖案或第一圖案之至少一部分的訓練資料集。
根據本發明，所揭示元件之組合及子組合構成單獨實施例。舉例而言，第一組合包括判定指示一影像內之資訊的度量，及基於度量自影像選擇圖案。子組合可包括藉由橫越影像滑動小的來判定影像之一部分的資訊熵(例如，使用如上文所論述之熵值方程)。在另一組合中，所 選擇圖案可用於檢測製程、訓練關於圖案化製程之機器學習模型、判定OPC或使用所選擇圖案的SMO中。
圖5為根據一實施例之實例電腦系統CS的方塊圖。
電腦系統CS包括用於傳達資訊之匯流排BS或其他通信機制及與匯流排BS耦接以供處理資訊之處理器PRO(或多個處理器)。電腦系統CS亦包括耦合至匯流排BS以用於儲存資訊及待由處理器PRO執行之指令的主記憶體MM，諸如隨機存取記憶體(RAM)或其他動態儲存裝置。主記憶體MM亦可用於在待由處理器PRO執行之指令的執行期間儲存暫時性變數或其他中間資訊。電腦系統CS進一步包括耦接至匯流排BS以用於儲存用於處理器PRO之靜態資訊及指令的唯讀記憶體(ROM)ROM或其他靜態儲存裝置。提供諸如磁碟或光碟之儲存裝置SD，且將其耦接至匯流排BS以用於儲存資訊及指令。
電腦系統CS可經由匯流排BS耦接至用於向電腦使用者顯示資訊之顯示器DS，諸如陰極射線管(CRT)，或平板或觸控面板顯示器。包括文數字及其他按鍵之輸入裝置ID耦接至匯流排BS以用於將資訊及命令選擇傳達至處理器PRO。另一類型之使用者輸入裝置為用於將方向資訊及命令選擇傳達至處理器PRO且用於控制顯示器DS上之游標移動的游標控制件CC，諸如滑鼠、軌跡球或游標方向按鍵。此輸入裝置通常具有在兩個軸線(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，從而允許該裝置指定平面中之位置。觸控面板(螢幕)顯示器亦可被用作輸入裝置。
根據一個實施例，本文中所描述之一或多種方法的部分可藉由電腦系統CS回應於處理器PRO執行主記憶體MM中所含有之一或多個 指令的一或多個序列來執行。可將此等指令自另一電腦可讀媒體(諸如儲存裝置SD)讀取至主記憶體MM中。主記憶體MM中所含有之指令序列的執行促使處理器PRO執行本文中所描述之程序步驟。呈多處理佈置之一或多個處理器亦可用於執行主記憶體MM中所含有之指令序列。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PRO以供執行之任何媒體。此媒體可採取許多形式，包括(但不限於)非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟，諸如儲存裝置SD。揮發性媒體包括動態記憶體，諸如主記憶體MM。傳輸媒體包括同軸纜線、銅線及光纖，包括包含匯流排BS之導線。傳輸媒體亦可採取聲波或光波之形式，諸如，在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體可為非暫時性的，例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣。非暫時性電腦可讀媒體可具有記錄於其上之指令。在由電腦執行時，指令可實施本文中所描述的特徵中之任一者。暫時性電腦可讀媒體可包括載波或其他傳播電磁信號。
可在將一或多個指令之一或多個序列攜載至處理器PRO以供執行時涉及電腦可讀媒體之各種形式。舉例而言，初始地可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線而發送指令。在電腦系統CS本端之數據機可接收 電話線上之資料，且使用紅外線傳輸器將資料轉換為紅外線信號。耦接至匯流排BS之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排BS上。匯流排BS將資料攜載至主記憶體MM，處理器PRO自該主記憶體擷取且執行指令。由主記憶體MM接收之指令可視情況在由處理器PRO執行之前或之後儲存於儲存裝置SD上。
電腦系統CS亦可包括耦合至匯流排BS之通信介面CI。通信介面CI提供與網路鏈路NDL之雙向資料通信耦接，該網路鏈路NDL連接至區域網路LAN。舉例而言，通信介面CI可為整合服務數位網路(ISDN)卡或數據機以提供與對應類型之電話線的資料通信連接。作為另一實例，通信介面CI可為區域網路(LAN)卡以提供與相容LAN的資料通信連接。亦可實施無線鏈路。在任何此實施中，通信介面CI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NDL通常通過一或多個網路提供與其他資料裝置之資料通信。舉例而言，網路鏈路NDL可通過區域網路LAN提供與主電腦HC之連接。此可包括經由全球封包資料通信網路(現在通常稱為「網際網路」INT)而提供資料通信服務。區域網路LAN(網際網路)皆使用攜載數位資料串流之電信號、電磁信號或光學信號。通過各種網路之信號及在網路資料鏈路NDL上且通過通信介面CI之信號為輸送資訊的例示性載波形式，該等信號將數位資料攜載至電腦系統CS且自該電腦系統攜載數位資料。
電腦系統CS可通過網路、網路資料鏈路NDL及通信介面CI發送訊息及接收資料(包括程式碼)。在網際網路實例中，主機電腦HC可經由網際網路INT、網路資料鏈路NDL、區域網路LAN及通信介面CI傳 輸用於應用程式之經請求程式碼。例如，一個此經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在接收其時由處理器PRO執行，且/或儲存於儲存裝置SD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CS可獲得呈載波之形式之應用程式碼。
圖6為根據一實施例之微影投影設備的示意圖。
微影投影設備可包括照明系統IL、第一物件台MT、第二物件台WT及投影系統PS。
照明系統IL可調節輻射光束B。在此特定狀況下，照明系統亦包含輻射源SO。
第一物件台(例如，圖案化裝置台)MT可具備用以固持圖案化裝置MA(例如，倍縮光罩)之圖案化裝置固持器，且連接至第一定位器以相對於項目PS來準確地定位圖案化裝置。
第二物件台(基板台)WT可具備用以固持基板W(例如，抗蝕劑塗佈矽晶圓)之基板固持器，且連接至第二定位器以相對於項目PS來準確地定位該基板。
投影系統(「透鏡」)PS(例如，折射、反射或反射折射光學系統)可使圖案化裝置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，設備可屬於透射型(亦即，具有透射圖案化裝置)。然而，一般而言，例如，其亦可屬於反射類型(具有反射圖案化裝置)。設備可使用與經典遮罩不同種類之圖案化裝置；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、LPP(雷射產生電漿) EUV源)產生輻射光束。舉例而言，此光束係直接地或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器)IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈的外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。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，衝擊圖案化裝置MA上之光束B在其橫截面中具有所要均一性及強度分佈。
在一些實施例中，源SO可係在微影投影設備之外殼內(如常常係在源SO為例如水銀燈時的狀況下)，但其亦可遠離微影投影設備，源SO產生之輻射光束經引導至設備中(例如憑藉適合導向鏡面)；此後一情境可為在源SO為準分子雷射(例如，基於KrF、ArF或F2發出雷射)時的狀況。
光束PB隨後可截取固持於圖案化裝置台MT上之圖案化裝置MA。在已橫穿圖案化裝置MA的情況下，光束B可穿過透鏡PL，該透鏡將光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如，以便使不同目標部分C定位於光束PB之路徑中。類似地，第一定位構件可用於例如在自圖案化裝置庫機械擷取圖案化裝置MA之後或在掃描期間相對於光束B之路徑來準確地定位圖案化裝置MA。大體而言，可藉助於長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。然而，在步進器(相對於步進掃描工具)之狀況下，圖案化裝置台MT可僅連接至短衝程致動器，或可固定。
可以兩種不同模式-步進模式及掃描模式使用所描繪工具。在步進模式中，將圖案化裝置台MT保持基本上靜止，且將整個圖案化裝 置影像一次性投影((亦即，單次「閃光」)至目標部分C上。在x及/或y方向上使基板台WT移位，使得不同目標部分C可由光束PB照射。
在掃描模式中，適用於基本上相同的情形，不同之處在於不在單次「閃光」中曝光給定目標部分C。確切而言，圖案化裝置台MT可在給定方向(所謂的「掃描方向」，例如，y方向)上以速度v移動，使得使投影光束B在圖案化裝置影像上進行掃描；同時，基板台WT以速度V=Mv在相同或相對方向上同時地移動，其中M為透鏡PL之放大率(通常，M=1/4或1/5)。以此方式，可在不必損害解析度的情況下曝光相對大的目標部分C。
圖7為根據一實施例之另一微影投影設備(LPA)的示意圖。
LPA可包括源收集器模組SO、經組態以調節輻射光束B(例如，EUV輻射)的照明系統(照明器)IL、支撐結構MT、基板台WT及投影系統PS。
支撐結構(例如，圖案化裝置台)MT可經建構以支撐圖案化裝置(例如，遮罩或倍縮光罩)MA且連接至經組態以準確地定位圖案化裝置之第一定位器PM； 基板台(例如，晶圓台)WT可經建構以固持基板(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。
投影系統(例如，反射性投影系統)PS可經組態以將藉由圖案化裝置MA賦予給輻射光束B之圖案投影於基板W的目標部分C(例如，包含一或多個晶粒)上。
如此處所描繪，LPA具有反射類型(例如，採用反射圖案化 裝置)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化裝置可具有包含(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與矽之40個層對，其中每一層之厚度層四分之一波長。可運用X射線微影來產生甚至更小的波長。因為大多數材料在EUV及x射線波長下具吸收性，所以圖案化裝置構形(topography)上之經圖案化吸收材料薄片段(例如，多層反射器之頂部上之TaN吸收器)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。
照明器IL可自源收集器模組SO接收極紫外輻射光束。用以產生EUV輻射之方法包括但未必限於運用在EUV範圍內之一或多種發射譜線將具有至少一元素(例如，氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿(「LPP」))中，可藉由運用雷射光束來輻照燃料(諸如，具有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7中未展示)之EUV輻射系統之部分，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射(例如，EUV輻射)，該輸出輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO2雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為分離實體。
在此等狀況下，可不認為雷射形成微影設備之部分，且輻射光束可憑藉包含例如適合導向鏡面及/或光束擴展器之光束傳遞系統而自雷射傳遞至源收集器模組。在其他狀況下，例如，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部分。
照明器IL可包含用於調整輻射光束之角強度分佈之調整器。通常，可調整照明器之光瞳平面中之強度分佈之至少外部徑向範圍及 /或內部徑向範圍(通常分別稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如，琢面化場鏡面元件及琢面化光瞳鏡面裝置。照明器可用以調節輻射光束，以在其橫截面中具有期望均一性及強度分佈。
輻射光束B可入射於固持於支撐結構(例如，圖案化裝置台)MT上之圖案化裝置(例如，遮罩)MA上，且由該圖案化裝置來圖案化。在自圖案化裝置(例如，遮罩)MA反射之後，輻射光束B通過投影系統PS，投影系統PS將光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2(例如，干涉量測裝置、線性編碼器或電容式感測器)，可準確地移動基板台WT例如以便使不同目標部分C定位於輻射光束B之路徑中。類似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確定位圖案化裝置(例如，遮罩)MA。可使用圖案化裝置對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置(例如，遮罩)MA及基板W。
所描繪之設備LPA可用於以下模式中之至少一者：步進模式、掃描模式及靜止模式。
在步進模式中，支撐結構(例如，圖案化裝置台)MT及基板台WT保持基本上靜止，同時賦予至輻射光束之整個圖案一次性(亦即，單一靜態曝光)投影於目標部分C上。接著，使基板台WT在X及/或Y方向上移位，使得可曝光不同目標部分C。
在掃描模式下，在將賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如，圖案化裝置台)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相對於支撐結構(例如，圖案化裝置台)MT之速度及 方向。
在靜止模式中，支撐結構(例如，圖案化裝置台)MT保持基本上靜止，從而固持可程式化圖案化裝置，且基板台WT經移動或掃描，同時賦予至輻射光束之圖案投影於目標部分C上。在此模式中，通常使用脈衝式輻射源，且在基板台WT之每一移動之後或在一掃描期間的順次輻射脈衝之間根據需要而更新可程式化圖案化裝置。此操作模式可易於應用於利用可程式化圖案化裝置(諸如，上文所提及之類型之可程式化鏡面陣列)的無遮罩微影。
圖8為根據一實施例的微影投影設備之詳細視圖。
如所展示，LPA可包括源收集器模組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輻射源來形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如，Xe氣體、Li蒸汽或Sn蒸汽)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，藉由產生至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之有效率產生，可需要為(例如)10Pa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可選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可包括可為所謂掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射，以沿著由點虛線「O」指示之光軸而聚焦在虛擬源點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使得中間焦點IF位於圍封結構220中之開口221處或靠近開口221。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裝置22及琢面化光瞳鏡面裝置24，琢面化場鏡面裝置22及琢面化光瞳鏡面裝置24經配置以提供在圖案化裝置MA處之輻射光束21之所要角分佈，以及在圖案化裝置MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化裝置MA處反射輻射光束21後，隨即形成經圖案化光束26，且經圖案化光束26藉由投影系統PS經由反射元件28、30成像至由基板台WT固持之基板W上。
比所展示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。取決於微影設備之類型，光柵光譜濾光器240可視情況存在。另外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖8所展示之反射元件多1至6個的額外反射元件。
僅僅作為收集器(或收集器鏡面)之一實例，如圖8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之巢狀收集器。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱的，且此類型之收集器光學件CO可結合常常被稱為DPP源之放電產生電漿源而使用。
圖9為根據一實施例的微影投影設備LPA之源收集器模組SO的詳細視圖。
源收集器模組SO可為LPA輻射系統之部分。雷射LA可經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十eV的電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間所產生之高能輻射自電漿發射，由近正入射收集器光學件CO收集，且聚焦至圍封結構220中的開口221上。
本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193nm波長且甚至能夠藉由使用氟雷射來產生157nm波長之極紫外線(EUV)、DUV微影。此外，EUV微影能夠藉由使用同步加速器或藉由運用高能電子來撞擊材料(固體或電漿)而產生在20nm至50nm之範圍內的波長，以便產生在此範圍內之光子。
可藉由以下條項進一步描述本發明之實施例：
1.一種用於基於一影像中之資訊熵之層級產生訓練資料集合用於機器學習模型的非暫時性電腦可讀媒體，其包含儲存於其中之指令，該等指令在由一或多個處理器執行時引起包含以下操作的操作：獲得包含一第一圖案及一第二圖案的一影像；基於該第一圖案之像素強度判定該影像之一第一部分中資訊熵的一第一層級；基於該第二圖案之像素強度判定該影像之一第二部分中資訊熵的一第二層級； 比較資訊熵之該第一層級與資訊熵的第二層級；基於該比較判定資訊熵之該第一層級低於資訊熵之該第二層級；及回應於判定資訊熵之該第一層級低於資訊熵的該第二層級，產生包含該第一圖案或該第一圖案之至少一部分的一訓練資料集。
2.一種非暫時性電腦可讀媒體，其包含儲存於其中之指令，該等指令在由一或多個處理器執行時引起包含以下操作的操作：獲得具有複數個圖案之一影像；基於該影像內之像素強度判定一度量，該度量指示該影像之一或多個部分中含有的一資訊量；基於該度量自該影像的具有在一指定範圍內的該度量之值的該一或多個部分選擇該複數個圖案之一子集；及提供該圖案子集作為訓練資料以訓練與一圖案化製程相關聯之一模型。
3.如條項2之媒體，其中該資訊量指示該複數個圖案中每一者之非均勻性、與使用該複數個圖案獲得之一模型預測相關聯之一不確定性或者與使用該複數個圖案獲得之一模型預測相關聯之一誤差。
4.如條項2至3中任一項之媒體，該判定該度量的該等值包含：藉由應用該度量至該影像之一或多個像素產生資訊內容資料。
5.如條項4之媒體，其中該產生該資訊內容資料包含：滑動具有指定形狀及/或大小的一視窗該穿過影像；及針對每一滑動位置運算在該視窗內應用的該度量之一值。
6.如條項2至5中任一項之媒體，其中該度量為一資訊熵、瑞麗熵或差分熵中的至少一者。
7.如條項6之媒體，其中該資訊熵包含與該影像相關聯之複數個可能結果中之一結果之一機率與該結果之該機率之一對數函數的乘積之一總和。
8.如條項7之媒體，其中該等可能結果包含以下各者中之至少一者：指派至該影像之一像素的一二進位值，一第一值指示一圖案在該影像內的存在，且一第二值指示一圖案在該影像內的不存在；或指派至該影像之一像素的一灰度階值。
9.如條項2至8中任一項之媒體，其中判定該度量並不包括：使用該複數個圖案中之一或多者來模擬與一圖案化製程相關聯之一製程模型，或使用該複數個圖案中之一或多者來模擬與該圖案化製程相關聯之一機器學習模型。
10.如條項2至9中任一項之媒體，其中該選擇該圖案子集包含：比較橫越該影像的該度量之值；識別該影像的對應於在該指定範圍內的該度量之值的數個部分；及在該等經識別部分內選擇該圖案子集。
11.如條項6至8中任一項之媒體，其中該選擇該圖案子集包含：識別該影像的對應於相較於其他部分相對低之資訊熵值的數個部分；及在該等經識別部分內選擇該圖案子集。
12.如條項2至11中任一項之媒體，其中該圖案子集包含：該圖案子集之一圖案的至少一部分。
13.如條項2至12中任一項之媒體，其中該影像係以下各者中之至少一者：一設計佈局，該設計佈局包含待印刷於一基板上的圖案；或一經圖案化基板之一SEM影像，該SEM影像係經由一掃描電子顯微鏡(SEM)獲取。
14.如條項2至13中任一項之媒體，其中該影像係以下各者中之至少一者：一二進位影像，一灰度階影像；或一n通道影像，其中n係指用於該影像中色彩的數目。
15.如條項2至14中任一項之媒體，其進一步引起包含以下操作的操作：使用該圖案子集作為訓練資料來訓練與該圖案化製程相關聯之一模型。
16.如條項15之媒體，其中該訓練包含：訓練一模型，該模型經組態以產生與一設計佈局之該複數個圖案相關聯的光學近接校正結構。
17.如條項16之媒體，其中該等光學近接校正結構包含：主要特徵，該等主要特徵對應於該設計佈局之該複數個圖案；或輔助特徵，該等輔助特徵環繞該設計佈局之該複數個圖案。
18.一種儲存指令之非暫時性電腦可讀媒體，該等指令在由一或多個處理器執行時用於基於訓練資料訓練一模型，該訓練資料藉由如下操作產生： 獲得具有複數個圖案之一影像；基於該影像內之像素強度判定一度量，該度量指示該影像之一或多個部分中含有的一資訊量或一資訊化層級；基於該度量自該影像的具有在一指定範圍內的該度量之值的該一或多個部分選擇該複數個圖案之一子集；及提供該圖案子集作為訓練資料以訓練與一圖案化製程相關聯之一模型。
19.如條項18之媒體，其中該資訊量指示該複數個圖案中每一者之非均勻性、與使用該複數個圖案獲得之一模型預測相關聯之一不確定性或者與使用該複數個圖案獲得之一模型預測相關聯之一誤差。
20.如條項18之媒體，其中該判定該度量的值包含：滑動具有指定形狀及/或大小的一視窗穿過該影像；及針對每一滑動位置運算在該視窗內應用的該度量之一值。
21.如條項18至20中任一項之媒體，其中該度量為一資訊熵、瑞麗熵或差分熵中的至少一者。
22.如條項21之媒體，其中該資訊熵包含與該影像相關聯之複數個可能結果之一結果的一機率與該結果之該機率之一對數函數的乘積之一總和。
23.如條項22之媒體，其中該等可能結果包含以下各者中之至少一者：指派至該影像之一像素的一二進位值，一第一值指示一圖案在該影像內的存在，且一第二值指示一圖案在該影像內的不存在；或指派至該影像之一像素的一灰度階值。
24.如條項18至23中任一項之媒體，其中判定該度量並不包括：使用該複數個圖案中之一或多者來模擬與一圖案化製程相關聯之一製程模型，或使用該複數個圖案中之一或多者來模擬與該圖案化製程相關聯之一機器學習模型。
25.如條項18至24中任一項之媒體，其中該選擇該圖案子集包含：比較橫越該影像的該度量之值；識別該影像的對應於在該指定範圍內的該度量之值的數個部分；及在該等經識別部分內選擇該圖案子集。
26.如條項21至24中任一項之媒體，其中該選擇該圖案子集包含：識別該影像的對應於相較於其他部分相對低之資訊熵值的數個部分；及在該等經識別部分內選擇該圖案子集。
27.如條項18至26中任一項之媒體，其中該圖案子集包含：該圖案子集之一圖案的至少一部分。
28.如條項18至27中任一項之媒體，其中該影像係以下各者中之至少一者：一設計佈局，該設計佈局包含待印刷於一基板上的圖案；或一經圖案化基板之一SEM影像，該SEM影像係經由一掃描電子顯微鏡(SEM)獲取。
29.如條項18至28中任一項之媒體，其中該影像係以下各者中之至少一者：一二進位影像， 一灰度階影像；或一n通道影像，其中n係指用於該影像中色彩的數目。
30.一種用於產生訓練資料從而訓練一模型的方法，該方法包含：獲得具有複數個圖案之一影像；基於該影像內之像素強度判定一度量，該度量指示該影像之一或多個部分中含有的一資訊量；基於該度量自該影像的具有在一指定範圍內的該度量之值的該一或多個部分選擇該複數個圖案之一子集；及提供該圖案子集作為訓練資料以訓練與一圖案化製程相關聯之一模型。
31.如條項30之方法，其中該資訊量指示該複數個圖案中每一者之非均勻性、與使用該複數個圖案獲得之一模型預測相關聯之一不確定性或者與使用該複數個圖案獲得之一模型預測相關聯之一誤差。
32.如條項30至31中任一項之媒體，該判定該度量的該等值包含：藉由應用該度量至該影像之一或多個像素產生資訊內容資料。
33.如條項32之方法，其中該產生該資訊內容資料包含：滑動具有指定形狀及/或大小的一視窗穿過該影像；及針對每一滑動位置運算在該視窗內應用的該度量之一值。
34.如條項30至33中任一項之條項，其中該度量為一資訊熵、瑞麗熵或差分熵中的至少一者。
35.如條項34之方法，其中該資訊熵包含與該影像相關聯之複數個可能結果之一結果的一機率與該結果之該機率之一對數函數的乘積之一總和。
36.如條項35之方法，其中該等可能結果包含以下各者中之至少一者：指派至該影像之一像素的一二進位值，一第一值指示一圖案在該影像內的存在，且一第二值指示一圖案在該影像內的不存在；或指派至該影像之一像素的一灰度階值。
37.如條項30至36中任一項之方法，其中判定該度量並不包括：使用模擬該複數個圖案中之一或多者來模擬與一圖案化製程相關聯之一製程模型，或使用該複數個圖案中之一或多者來模擬與該圖案化製程相關聯之一機器學習模型。
38.如條項30至37中任一項之方法，其中該選擇該圖案子集包含：比較橫越該影像的該度量之值；識別該影像的對應於在該指定範圍內的該度量之值的數個部分；及在該等經識別部分內選擇該圖案子集。
39.如條項34至37中任一項之方法，其中該選擇該圖案子集包含：識別該影像的對應於相較於其他部分相對低之資訊熵值的數個部分；及在該等經識別部分內選擇該圖案子集。
40.如條項30至39中任一項之方法，其中該圖案子集包含：該圖案子集之一圖案中的至少一部分。
41.如條項30至40中任一項之方法，其中該影像係以下各者中之至少一者：一設計佈局，該設計佈局包含待印刷於一基板上的圖案；或 一經圖案化基板之一SEM影像，該SEM影像係經由一掃描電子顯微鏡(SEM)獲取。
42.如條項30至41中任一項之方法，其中該影像係以下各者中之至少一者：一二進位影像，一灰度階影像；或一n通道影像，其中n係指用於該影像中色彩的數目。
43.如條項30至42中任一項之媒體，其進一步引起包含以下操作的操作：使用該圖案子集作為訓練資料來訓練與該圖案化製程相關聯之一模型。
44.如條項43之方法，其中該訓練包含：訓練一模型，該模型經組態以產生與一設計佈局之該複數個圖案相關聯的光學近接校正結構。
45.如條項44之方法，其中該等光學近接校正結構包含：主要特徵，該等主要特徵對應於該設計佈局之該複數個圖案；或輔助特徵，該等輔助特徵環繞該設計佈局之該複數個圖案。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上成像，但應理解，所揭示概念可供與任何類型之微影成像系統一起使用，例如，用於在除了矽晶圓以外的基板上之成像的微影成像系統。
本文中之描述意欲為說明性的，而非限制性的。因此，對於熟習此項技術者將顯而易見的是，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。
300:目標佈局
310:連續傳輸遮罩(CTM)影像
312:連續傳輸遮罩(CTM)影像
315:誤差
316:部分
320:連續傳輸遮罩(CTM)影像
325:不確定性影像
326:部分
335:資訊熵
336:部分
P1:基板對準標記/部分

Claims (15)

  1. 一種非暫時性電腦可讀媒體，其包含儲存於其中之指令，該等指令在由一或多個處理器執行時引起包含以下操作的操作：獲得具有複數個圖案之一影像；基於該影像內之像素強度(pixel intensities)判定一度量(metric)，該度量指示該影像之一或多個部分中含有的一資訊化層級(a level of informativeness)；基於該度量自該影像的具有在一指定範圍內的該度量之值的該一或多個部分選擇該複數個圖案之一子集(sub-set)；及提供該圖案子集作為訓練資料以訓練與一圖案化製程相關聯之一模型。
  2. 如請求項1之媒體，其中該資訊化層級對應於該複數個圖案中每一者之非均勻性(non-homogeneity)、與一模型預測相關聯之一不確定性或與一模型預測相關聯之一誤差。
  3. 如請求項1之媒體，其中該判定該度量包含：藉由應用該度量至該影像之一或多個像素產生資訊內容資料。
  4. 如請求項3之媒體，其中該產生該資訊內容資料包含：滑動具有指定形狀及/或大小的一視窗穿過該影像；及針對每一滑動位置運算在該視窗內應用的該度量之一值。
  5. 如請求項1之媒體，其中該度量為一資訊熵、瑞麗熵(Renyi entropy)或差分熵中的至少一者。
  6. 如請求項5之媒體，其中該資訊熵包含與該影像相關聯之複數個可能結果之一結果的一機率與該結果之該機率之一對數函數的乘積之一總和。
  7. 如請求項6之媒體，其中該等可能結果包含以下各者中之至少一者：指派至該影像之一像素的一二進位值，一第一值指示一圖案在該影像內的存在，且一第二值指示一圖案在該影像內的不存在；或指派至該影像之一像素的一灰度階值。
  8. 如請求項1之媒體，其中判定該度量係在無以下操作的情況下執行：使用該複數個圖案中之一或多者來模擬與一圖案化製程相關聯之一製程模型，或使用該複數個圖案中之一或多者應用與該圖案化製程相關聯之一機器學習模型。
  9. 如請求項1之媒體，其中該選擇該圖案子集包含：比較橫越該影像的該度量之值；識別該影像的對應於在該指定範圍內的該度量之值的數個部分；及在該等經識別部分內選擇該圖案子集。
  10. 如請求項5之媒體，其中該選擇該圖案子集包含：識別該影像的對應於相較於其他部分相對低之資訊熵值的數個部分；及在該等經識別部分內選擇該圖案子集。
  11. 如請求項1之媒體，其中該圖案子集包含：該圖案子集中之一圖案的至少一部分。
  12. 如請求項1之媒體，其中該影像為以下各者中之至少一者：一設計佈局，該設計佈局包含待印刷於一基板上的圖案；及一經圖案化基板之一SEM影像，該SEM影像係經由一掃描電子顯微鏡(SEM)獲取。
  13. 如請求項1之媒體，其中該影像為以下各者中之至少一者：一二進位影像，一灰度階影像；及一n通道影像，其中n係指用於該影像中色彩的數目。
  14. 如請求項1之媒體，其進一步引起包含以下操作的操作：使用該圖案子集作為訓練資料來訓練與該圖案化製程相關聯之一模型。
  15. 如請求項14之方法，其中該訓練包含： 訓練一模型，該模型經組態以產生與一設計佈局之該複數個圖案相關聯的光學近接校正結構，其中該等光學近接校正結構包含以下各者中之一或多者：主要特徵，該等主要特徵對應於該設計佈局之該複數個圖案；及輔助特徵，該等輔助特徵環繞該設計佈局之該複數個圖案。
TW110127284A 2020-08-07 2021-07-26 用於選擇資訊模式以訓練機器學習模型之設備及方法 TWI778722B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20189955.6 2020-08-07
EP20189955.6A EP3951496A1 (en) 2020-08-07 2020-08-07 Apparatus and method for selecting informative patterns for training machine learning models

Publications (2)

Publication Number Publication Date
TW202210954A TW202210954A (zh) 2022-03-16
TWI778722B true TWI778722B (zh) 2022-09-21

Family

ID=71995801

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110127284A TWI778722B (zh) 2020-08-07 2021-07-26 用於選擇資訊模式以訓練機器學習模型之設備及方法

Country Status (6)

Country Link
US (1) US20230267711A1 (zh)
EP (1) EP3951496A1 (zh)
KR (1) KR20230035384A (zh)
CN (1) CN116057466A (zh)
TW (1) TWI778722B (zh)
WO (1) WO2022028997A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220128899A1 (en) * 2020-10-22 2022-04-28 D2S, Inc. Methods and systems to determine shapes for semiconductor or flat panel display fabrication
WO2023159298A1 (en) * 2022-02-28 2023-08-31 National Research Council Of Canada Deep learning based prediction of fabrication-process-induced structural variations in nanophotonic devices

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019162346A1 (en) * 2018-02-23 2019-08-29 Asml Netherlands B.V. Methods for training machine learning model for computation lithography

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
WO1997033205A1 (en) 1996-03-06 1997-09-12 Philips Electronics N.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
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
KR100982135B1 (ko) 2005-09-09 2010-09-14 에이에스엠엘 네델란즈 비.브이. 개별 마스크 오차 모델을 사용하는 마스크 검증 방법 및시스템
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
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019162346A1 (en) * 2018-02-23 2019-08-29 Asml Netherlands B.V. Methods for training machine learning model for computation lithography

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
期刊 Aparna et al., "Application of image intensity local variance measure for analysis of distorted images", 2017 International Conference on Networks & Advances in Computational Technologies, IEEE, 20 July 2017, pages 382 to 386; *
期刊 Yin et al., "Unsupervised hierarchical image segmentation through fuzzy entropy maximization", Pattern Recognition , March 2017, pages 1 to 31 *

Also Published As

Publication number Publication date
KR20230035384A (ko) 2023-03-13
US20230267711A1 (en) 2023-08-24
CN116057466A (zh) 2023-05-02
WO2022028997A1 (en) 2022-02-10
EP3951496A1 (en) 2022-02-09
TW202210954A (zh) 2022-03-16

Similar Documents

Publication Publication Date Title
US20230013919A1 (en) Machine learning based inverse optical proximity correction and process model calibration
TWI752539B (zh) 用於模型校準以減少模型預測不確定性的預測資料選擇
TWI823616B (zh) 執行用於訓練機器學習模型以產生特性圖案之方法的非暫時性電腦可讀媒體
TWI753681B (zh) 用於改良光罩圖案產生中之一致性之方法
TW202006346A (zh) 基於自電子束影像擷取的3d資訊的隱藏缺陷偵測和epe估計
TWI778722B (zh) 用於選擇資訊模式以訓練機器學習模型之設備及方法
TWI759660B (zh) 判定光罩圖案之方法及相關非暫時性電腦程式產品
TWI783185B (zh) 藉由源及遮罩最佳化以建立理想源光譜的方法
KR102609413B1 (ko) 자동으로 sem 윤곽 측정 정확성 및 안정성을 개선하기 위한 패턴 인식 활용
TWI667553B (zh) 判定圖案之特性之方法
TW202307722A (zh) 蝕刻系統、模型、及製造程序
KR102642972B1 (ko) 모델 캘리브레이션을 위한 게이지 선택의 향상
KR102646683B1 (ko) 고 개구수 스루-슬릿 소스 마스크 최적화 방법
TWI813192B (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
TW202338489A (zh) 用於判定恆定寬度次解析度輔助特徵的方法、軟體、及系統
TW202334739A (zh) 模擬模型穩定性判定系統及方法
WO2023131570A1 (en) Software, methods, and systems for determination of a local focus point
CN115729052A (zh) 记录有指令的非瞬态计算机可读介质

Legal Events

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