TWI788672B - 用於訓練一圖案化製程之一逆製程模型之方法及用於判定一圖案化製程之一圖案化器件佈局之方法 - Google Patents
用於訓練一圖案化製程之一逆製程模型之方法及用於判定一圖案化製程之一圖案化器件佈局之方法 Download PDFInfo
- Publication number
- TWI788672B TWI788672B TW109118464A TW109118464A TWI788672B TW I788672 B TWI788672 B TW I788672B TW 109118464 A TW109118464 A TW 109118464A TW 109118464 A TW109118464 A TW 109118464A TW I788672 B TWI788672 B TW I788672B
- Authority
- TW
- Taiwan
- Prior art keywords
- wafer
- pattern
- patterned device
- model
- device pattern
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 432
- 230000008569 process Effects 0.000 title claims abstract description 323
- 238000000059 patterning Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 49
- 238000013461 design Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 73
- 238000001459 lithography Methods 0.000 claims description 52
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 24
- 238000012804 iterative process Methods 0.000 claims description 19
- 230000007423 decrease Effects 0.000 claims description 8
- 235000012431 wafers Nutrition 0.000 description 213
- 239000000758 substrate Substances 0.000 description 92
- 230000005855 radiation Effects 0.000 description 76
- 230000003287 optical effect Effects 0.000 description 51
- 239000002245 particle Substances 0.000 description 31
- 229920002120 photoresistant polymer Polymers 0.000 description 30
- 238000010894 electron beam technology Methods 0.000 description 25
- 239000000523 sample Substances 0.000 description 24
- 238000005286 illumination Methods 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 22
- 230000015654 memory Effects 0.000 description 20
- 238000001514 detection method Methods 0.000 description 19
- 238000009826 distribution Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 238000007689 inspection Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 238000009304 pastoral farming Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000001878 scanning electron micrograph Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 238000005530 etching Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 239000000356 contaminant Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000011295 pitch Substances 0.000 description 5
- 210000001747 pupil Anatomy 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 244000208734 Pisonia aculeata Species 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001311 chemical methods and process Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000010408 film Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000007493 shaping process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 241000251131 Sphyrna Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000002925 chemical effect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- G—PHYSICS
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本發明描述一種方法,其用於校準一製程模型及訓練一圖案化製程之一逆製程模型。訓練方法包括根據對基於一晶圓目標佈局來預測一圖案化器件圖案之一逆微影製程的模擬而獲得一第一圖案化器件圖案,接收對應於使用該第一圖案化器件圖案曝光之一晶圓的晶圓資料;以及訓練一逆製程模型,該逆製程模型經組態以使用與該經曝光晶圓及該第一圖案化器件圖案相關之該晶圓資料來預測一第二圖案化器件圖案。
Description
本文中之描述大體上係關於圖案化製程及判定對應於設計佈局的圖案化器件之圖案的裝置及方法。
微影投影裝置可用於例如積體電路(IC)之製造中。在此種情況下,圖案化器件(例如光罩)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器件上之圖案來輻照目標部分的方法而經轉印至基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)上,該目標部分已經塗佈有輻射敏感材料(「光阻」)層。一般而言,單一基板含有複數個鄰近目標部分,圖案係由微影投影裝置逐次地轉印至該複數個鄰近目標部分,一次一個目標部分。在一種類型之微影投影裝置中,將整個圖案化器件上之圖案一次性轉印至一個目標部分上;此裝置通常稱作步進器。在通常稱作步進掃描裝置之替代裝置中,投影束在給定參考方向(「掃描」方向)上在圖案化器件上進行掃描,同時平行或反平行於此參考方向而同步地移動基板。圖案化器件上之圖案之不同部分逐漸地轉印至一個目標部分。一般而言,由於微影投影裝置將具有縮減比率M(例如4),因此移動基板之速度F將為投影束掃描圖案化器件之速度的1/M倍。可例如自以引用的方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影器件的更多資訊。
在將圖案自圖案化器件轉印至基板之前,基板可經歷各種程序,諸如上底漆、光阻塗佈及軟烘烤。在曝光之後,基板可經歷其他程序(「曝光後程序」),諸如曝光後烘烤(PEB)、顯影、硬烘烤及對經轉印圖案之量測/檢測。此程序陣列係用作製得器件(例如IC)之個別層的基礎。基板可隨後經歷各種製程,諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械拋光等,該等製程皆意欲對器件之個別層進行精整。若在器件中需要若干層,則隨後針對每一層重複整個程序或其變體。最終,器件將存在於基板上之每一目標部分中。隨後藉由諸如切塊或鋸切之技術來使此等器件彼此分離,據此,可將個別器件安裝於載體上、連接至銷釘等。
因此,製造諸如半導體器件之器件典型地涉及使用數個製造製程來處理基板(例如半導體晶圓)以形成器件之各種特徵及多個層。典型地使用例如沈積、微影、蝕刻、化學機械拋光及離子植入來製造及處理此類層及特徵。可在基板上之複數個晶粒上製造多個器件,且隨後將該等器件分離為個別器件。此器件製造製程可視為圖案化製程。圖案化製程涉及使用微影裝置中之圖案化器件的圖案化步驟,諸如光學及/或奈米壓模微影術,以將圖案化器件上之圖案轉印至基板,且圖案化製程典型地但視情況涉及一或多個相關圖案處理步驟,諸如藉由顯影裝置進行光阻顯影、使用烘烤工具來烘烤基板、使用蝕刻裝置用圖案進行蝕刻等。
如所提及,微影為在製造諸如IC之器件時的中心步驟,其中形成於基板上之圖案界定器件之功能元件,諸如微處理器、記憶體晶片等。類似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。
隨著半導體製造製程繼續發展,幾十年來,功能元件之尺寸已不斷縮減,而每器件的諸如電晶體之功能元件的量已在穩定增加,此遵循通常稱作「莫耳定律(Moore's law)」之趨勢。在目前之技術狀態下,使用微影投影裝置來製造器件之層,該等微影投影裝置使用來自深紫外線照明源的照明將設計佈局投影至基板上,從而形成尺寸充分低於100 nm (亦即小於來自照明源(例如193 nm照明源)之輻射之波長的一半)之個別功能元件。
根據解析度公式CD = k1
× λ/NA,通常將列印尺寸小於微影投影裝置之經典解析度限制之特徵的此製程稱作低k1
微影,其中λ為所採用輻射之波長(當前在大多數狀況下為248 nm或193 nm),NA為微影投影裝置中之投影光學件之數值孔徑,CD為「臨界尺寸」(通常為所列印之最小特徵大小),且k1
為經驗解析度因數。一般而言,k1
愈小,在基板上再生類似於由設計者規劃之形狀及尺寸以便達成特定電功能及效能的圖案變得愈困難。為了克服此等困難,將複雜微調步驟應用於微影投影裝置、設計佈局或圖案化器件。此等微調步驟包括(例如但不限於):NA及光學相干設定之最佳化、定製照明方案、相移圖案化器件之使用、設計佈局中之光學接近校正(OPC,有時亦稱作「光學及製程校正」)或一般定義為「解析度增強技術」(RET)之其他方法。如本文中所使用之術語「投影光學件」應廣泛地解譯為涵蓋各種類型之光學系統,包括例如折射光學件、反射光學件、孔徑及反射折射光學件。術語「投影光學件」亦可包括根據此等設計類型中之任一者來操作的用於集體地或單個地導引、塑形或控制投影輻射光束之組件。術語「投影光學件」可包括微影投影裝置中之任何光學組件,而不論光學組件位於微影投影裝置之光學路徑上之何處。投影光學件可包括用於在來自源之輻射經過圖案化器件之前塑形、調整及/或投影該輻射的光學組件,及/或用於在該輻射經過圖案化器件之後塑形、調整及/或投影該輻射的光學組件。投影光學件一般不包括源及圖案化器件。
根據一實施例,本發明描述一種用於校準一圖案化製程之一製程模型之方法。該方法包括根據對基於一晶圓目標佈局來預測一圖案化器件圖案之一逆微影製程的模擬而獲得該圖案化器件圖案,接收對應於使用該圖案化器件圖案曝光之一晶圓之晶圓資料,以及基於與該經曝光晶圓及該圖案化器件圖案相關的該晶圓資料來校準該圖案化製程之一製程模型。
在一實施例中,校準該製程模型為一反覆製程。一反覆包括基於該晶圓資料及該圖案化器件圖案來判定該製程模型之模型參數的值,調整該等模型參數之該等值直至該製程模型之一第一成本函數經改良為止。
在一實施例中,該第一成本函數為該晶圓資料與獲自該經校準製程模型之一預測圖案之間的一差。在一實施例中,針對該圖案化製程之一效能參數來量測該差,該效能參數包括一特徵之一輪廓、臨界尺寸及/或一製程窗中之至少一者。
在一實施例中,對該逆微影製程之該模擬涉及對以下各者之模擬:一光罩模型,其經組態以根據該圖案化器件圖案來預測一光罩影像;一光學模型,其經組態以預測對應於該圖案化器件圖案的一空中影像;一光阻模型,其經組態以預測對應於該圖案化器件圖案之一光阻影像;及/或一蝕刻模型,其經組態以預測對應於該圖案化器件圖案之一蝕刻影像。
在一實施例中,對該逆微影製程之該模擬為一反覆製程。一反覆包括獲得一初始圖案化器件圖案;經由對該製程模型之模擬基於該初始圖案化器件圖案來判定該晶圓上的一模擬晶圓圖案;評估一第二成本函數,其中該第二成本函數計算該模擬圖案與該晶圓目標佈局之間的一差;以及調整該初始圖案化器件圖案以使得該第二成本函數減小。
在一實施例中,該晶圓資料包含與該晶圓上所列印之一特徵相關之量測值,該等量測值包括一臨界尺寸、該特徵的一輪廓及/或一製程窗。
在一實施例中,該等量測值係基於獲自一電子束檢測裝置及/或一光學檢測裝置之該經曝光晶圓之一影像。
在一實施例中,該電子束檢測裝置為一掃描電子顯微鏡。
在一實施例中,該晶圓目標佈局包括對應於一設計佈局的將列印於經歷該圖案化製程之該晶圓上的一圖案。
在一實施例中,該製程模型為一光罩模型、一光學模型、一光阻模型及/或一蝕刻模型。
在一實施例中,該製程模型為一基於物理學之模型及/或一機器學習模型。
此外,根據一實施例,本發明描述一種用於訓練一圖案化製程之一逆製程模型之方法。該方法包括根據對基於一晶圓目標佈局來預測一圖案化器件圖案之一逆微影製程的模擬而獲得一第一圖案化器件圖案,經由一處理器接收對應於使用該第一圖案化器件圖案曝光之一晶圓的晶圓資料;以及經由該處理器訓練一逆製程模型,該逆製程模型經組態以使用與該經曝光晶圓及該第一圖案化器件圖案相關之該晶圓資料來預測一第二圖案化器件圖案。
在一實施例中,該逆製程模型為經組態以使用該晶圓目標佈局作為輸入來預測該第二圖案化器件圖案之一機器學習模型。
在一實施例中,該機器學習模型為一廻旋神經網路。
在一實施例中,訓練該逆製程模型為一反覆製程。一反覆包括基於該晶圓資料及該圖案化器件圖案來判定該廻旋神經網路之模型參數的值;以及調整該等模型參數之該等值直至該廻旋神經網路之一第一成本函數經改良為止。
在一實施例中,該第一成本函數為該圖案化器件圖案與獲自該廻旋神經網路之一預測圖案化器件圖案之間的一差。
在一實施例中,該晶圓資料包含與該晶圓上所列印之一特徵相關之量測值,該等量測值包括一臨界尺寸、該特徵的一輪廓及/或一製程窗。
在一實施例中,該晶圓目標佈局包括對應於一設計佈局的將列印於經歷該圖案化製程之該晶圓上的一圖案。
在一實施例中,該方法進一步包括經由對該經訓練之逆製程模型之模擬基於一給定晶圓目標佈局來預測一圖案化器件圖案。
此外,根據一實施例,本發明描述一種用於判定一圖案化製程之一圖案化器件佈局之方法。該方法包括:根據一經訓練逆製程模型來獲得一初始圖案化器件圖案,該經訓練逆製程模型根據晶圓目標佈局來預測該初始圖案化器件圖案;經由對一經校準製程模型之模擬基於該初始圖案化器件圖案及一晶圓目標佈局來判定一圖案化器件佈局。
在一實施例中,判定該圖案化器件佈局為一反覆製程。一反覆包括獲得該初始圖案化器件圖案;經由對該經校準製程模型之模擬基於該初始圖案化器件圖案來判定該晶圓上之一模擬晶圓圖案;評估一成本函數,其中該成本函數計算該模擬圖案與該晶圓目標佈局之間的一差;以及調整該初始圖案化器件圖案以使得該成本函數減小。
在一實施例中,該圖案化製程之該經校準製程模型基於與該經曝光晶圓及該圖案化器件圖案相關之晶圓資料根據對一逆微影製程的一模擬來校準。
在一實施例中,該晶圓資料包含與該晶圓上所列印之一特徵相關之量測值,該等量測值包括一臨界尺寸、該特徵的一輪廓及/或一製程窗。
在一實施例中,該初始圖案化器件圖案為不需要調整該初始圖案化器件圖案之一最終圖案化器件佈局。
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的應用。舉例而言,該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「光罩」、「基板」及「目標部分」互換。
在本發明文件中,術語「輻射」及「束」用以涵蓋所有類型之電磁輻射,包括紫外線輻射(例如具有365 nm、248 nm、193 nm、157 nm或126 nm之波長)及EUV (極紫外線輻射,例如具有在約5 nm至100 nm的範圍內之波長)。
圖案化器件可包含或可形成一或多個設計佈局。可利用CAD (電腦輔助設計)程式來產生設計佈局,此製程通常稱作EDA (電子設計自動化)。大多數CAD程式遵循預定設計規則之集合,以便形成功能設計佈局/圖案化器件。藉由處理及設計限制來設定此等規則。舉例而言,設計規則界定器件(諸如閘極、電容器等)或互連線之間的空間容許度,以便確保器件或線不會以非所要方式彼此相互作用。設計規則限制中之一或多者可稱作「臨界尺寸」(CD)。可將器件之臨界尺寸定義為線或孔的最小寬度,或兩條線或兩個孔之間的最小空間。因此,CD判定經設計器件之總大小及密度。當然,器件製造之目標中之一者為在基板上如實地再生原始設計意圖(經由圖案化器件)。
作為一實例,圖案佈局設計可包括諸如光學接近校正(OPC)的解析度增強技術之應用。OPC解決如下事實:投影於基板上之設計佈局之影像的最終大小及置放將並不等同於設計佈局在圖案化器件上之大小及置放或簡單地僅視該大小及置放而定。應注意,術語「光罩」、「倍縮光罩」、「圖案化器件」在本文中可互換使用。另外,熟習此項技術者將認識到,可互換地使用術語「光罩」、「圖案化器件」及「設計佈局」,如在RET之情形下,未必使用實體圖案化器件,而可使用設計佈局來表示實體圖案化器件。對於存在於某一設計佈局上之較小特徵大小及高特徵密度,給定特徵之特定邊緣的位置將在某種程度上受到其他鄰近特徵之存在或不存在的影響。此等接近效應起因於自一個特徵耦接至另一特徵之微量的輻射或諸如繞射及干涉之非幾何光學效應。類似地,接近效應可起因於在一般繼微影之後的曝光後烘烤(PEB)、光阻顯影及蝕刻期間之擴散及其他化學效應。
為了增加設計佈局之經投影影像係根據給定目標電路設計之要求的機會,可使用設計佈局之複雜數值模型、校正或預失真來預測及補償接近效應。文章「Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design」(C. Spence, Proc. SPIE,第5751卷,第1至14頁(2005))提供當前「基於模型之」光學接近校正製程的綜述。在典型高階設計中,設計佈局之幾乎每一特徵皆具有某一修改,以便達成經投影影像與目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置,以及意欲輔助其他特徵之投影的「輔助」特徵之應用。
OPC之最簡單形式中之一者為選擇性偏置。在給定對CD的間距曲線之情況下,可至少在最佳焦距及曝光處藉由在圖案化器件水平面處改變CD而迫使所有不同間距產生相同CD。因此,若特徵在基板水平面處列印過小,則圖案化器件水平面特徵將偏置為稍微大於標稱,且反之亦然。由於自圖案化器件水平面至基板水平面之圖案轉印製程為非線性的,因此偏置的量並非僅僅為在最佳焦距及曝光處之經量測CD誤差乘以縮減比率,而可藉由建模及實驗來判定適當偏置。選擇性偏置為對接近效應之問題的不完整解決方案(尤其在其僅應用於標稱製程條件下之情況下)。儘管原則上可應用此偏置以得到最佳焦距及曝光處之均一CD與間距曲線,但一旦曝光製程自標稱條件變化,則每一偏置間距曲線將以不同方式作出回應,從而對不同特徵產生不同製程窗。製程窗為足夠適當地形成特徵(例如特徵之CD在某一範圍內,諸如±10%或±5%)所根據之兩個或多於兩個製程參數(例如微影裝置中的焦距及輻射劑量)之值範圍。因此,用以得到相同CD與間距之「最佳」偏置甚至可能對總程序窗具有消極影響,從而縮減而非放大所有目標特徵在所要製程容許度內列印於基板上之焦距及曝光範圍。
已開發用於超出上文一維偏置實例之應用的其他更複雜之OPC技術。二維接近效應為線端縮短的。線端具有隨曝光及焦距而變自其所要端點部位「拉回」之傾向。在許多情況下,長線端之末端縮短的程度可比對應線窄化大若干倍。此類型之線端拉回可在線端不能完全橫越其意欲覆蓋之底層(諸如源極-汲極區上方之多晶矽閘極層)的情況下使所製造之器件發生嚴重故障。由於此類型之圖案對焦距及曝光高度敏感,因此僅僅使線端偏置為長於設計長度並不充分,此係因為在最佳焦距及曝光處或在曝光不足條件下,線將過長,從而在延伸線端接觸相鄰結構時導致短路,或在電路中之個別特徵之間添加更多空間的情況下導致不必要大的電路大小。由於積體電路設計及製造之目標中之一者為最大化功能元件的數目,同時最小化每晶片所需之面積,因此添加過量間距為非所要之解決方案。
二維OPC方法可幫助解決線端拉回問題。諸如「錘頭」或「襯線」之額外結構(亦稱作「輔助特徵」)可添加至線端,以有效地就位錨定該等線端且提供遍及整個製程窗之經縮減拉回。即使在最佳焦距及曝光處,此等額外結構仍未經解析,但其更改主要特徵之外觀,而未經獨自完全解析。如本文中所使用之「主要特徵」意謂意欲在製程窗中之一些或所有條件下列印於基板上的特徵。輔助特徵可採用比添加至線端之簡單錘頭更強勁的形式,達至圖案化器件上之圖案不再僅僅為大小增加縮減比率的所要基板圖案之程度。諸如襯線之輔助特徵可應用於比僅僅縮減線端拉回更多的情形。內部或外部襯線可應用於任何邊緣(尤其係二維邊緣),以縮減隅角圓化或邊緣擠壓。藉由充足選擇性偏置及所有大小及極性之輔助特徵,圖案化器件上之特徵帶有與基板水平面處所要之最終圖案愈來愈小的類似性。一般而言,圖案化器件圖案變為基板水平面圖案之經預失真版本,其中失真意欲抵消或逆轉在製造製程期間將出現之圖案變形以在基板上產生儘可能接近於設計者所預期之圖案的圖案。
代替連接至主要特徵之彼等輔助特徵(例如襯線)或除了彼等輔助特徵以外,另一OPC技術涉及使用完全獨立且不可解析之輔助特徵。此處之術語「獨立」意謂此等輔助特徵之邊緣不連接至主要特徵的邊緣。此等獨立輔助特徵不意欲或希望作為特徵列印於基板上,而係意欲修改附近主要特徵之空中影像以增強彼主要特徵之可列印性及製程容許度。此等輔助特徵(通常稱作「散射桿體」或「SBAR」)可包括:子解析度輔助特徵(SRAF),其為主要特徵之邊緣外部的特徵;及子解析度逆特徵(SRIF),其為自主要特徵之邊緣內部挖出之特徵。SBAR之存在向圖案化器件圖案添加又另一層之複雜度。使用散射桿體之簡單實例為:其中在經隔離線特徵之兩側上拖曳不可解析散射桿體的規則陣列,此情形自空中影像之觀點具有使經隔離線呈現為更表示緻密線陣列內之單一線的效果,從而使程序窗在焦距及曝光容許度方面更接近於緻密圖案之焦距及曝光容許度。相較於如在圖案化器件水平面處經隔離而拖曳之特徵的公共製程窗,此經裝飾隔離特徵與緻密圖案之間的公共製程窗將對焦距及曝光變化具有更大之公共容許度。
輔助特徵可被視為圖案化器件上之特徵與設計佈局中的特徵之間的差。術語「主要特徵」及「輔助特徵」並不暗示圖案化器件上之特定特徵必須標註為主要特徵或輔助特徵。
如本文中所採用之術語「光罩」或「圖案化器件」可廣泛地解譯為係指可用以向入射輻射光束賦予圖案化橫截面之通用圖案化器件,該圖案化橫截面對應於待在基板之目標部分中形成之圖案;術語「光閥」亦可用於此情形下。除了經典光罩(透射或反射;二元式、相移式、混合式等)以外,其他此類圖案化器件之實例亦包括:
-可程式化鏡面陣列。此器件之實例為具有黏彈性控制層及反射表面之矩陣可定址表面。此裝置所隱含之基本原理為(例如):反射表面之經定址區域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。使用適當濾光器,可自反射光束濾出該非繞射輻射,從而僅留下繞射輻射;以此方式,光束根據矩陣可定址表面之定址圖案而變為圖案化。可使用合適之電子構件來執行所需矩陣定址。
-一可程式化LCD陣列。在以引用之方式併入本文中的美國專利第5,229,872號中給出此構造之實例。
作為簡要介紹,圖1說明例示性微影投影裝置10A。主要組件為:輻射源12A,其可為深紫外線準分子雷射源或包括極紫外線(EUV)源之其他類型的源(如上文所論述,微影投影裝置本身無需具有輻射源);照明光學件,其例如界定部分相干性(經表示為均方偏差)且可包括塑形來自源12A之輻射的光學件14A、光學件16Aa及光學件16Ab;圖案化器件18A;及透射光學件16Ac,其將圖案化器件圖案之影像投影至基板平面22A上。在投影光學件之光瞳平面處的可調整濾光器或孔徑20A可限制照射於基板平面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的數值孔徑NA=n sin(Θmax
),其中n為基板與投影光學件之最末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。
在微影投影裝置中,源將照明(亦即輻射)提供至圖案化器件,且投影光學件經由圖案化器件將照明導引且塑形至基板上。投影光學件可包括組件14A、組件16Aa、組件16Ab及組件16Ac中之至少一些。空中影像(AI)為在基板水平下之輻射強度分佈。曝光基板上之光阻層,且將空中影像轉印至光阻層以在其中作為潛伏「光阻影像」(RI)。可將光阻影像(RI)定義為光阻層中之光阻之溶解度的空間分佈。可使用光阻模型以根據空中影像計算光阻影像,可在美國專利申請公開案第US 2009-0157360號中發現此情形之實例,該專利申請公開案的揭示內容特此以全文引用之方式併入。光阻模型僅與光阻層之屬性(例如在曝光、PEB及顯影期間發生之化學製程的效應)相關。微影投影裝置之光學屬性(例如源、圖案化器件及投影光學件之屬性)決定空中影像。由於可改變用於微影投影裝置中之圖案化器件,因此可能需要使圖案化器件之光學屬性與至少包括源及投影光學件的微影投影裝置之其餘部分之光學屬性分離。
在一實施例中,可基於設計佈局如何根據本發明之方法經最佳化而將輔助特徵(子解析度輔助特徵及/或可列印解析度輔助特徵)置放於設計佈局中。舉例而言,在一實施例中,方法採用基於機器學習之模型來判定圖案化器件圖案。機器學習模型可為神經網路,諸如廻旋神經網路,其可以某種方式(例如,如圖3中所論述)訓練以在較快速率下獲得準確預測,因此實現圖案化製程之全晶片模擬。
可使用一組訓練資料來訓練神經網路(亦即判定神經網路之參數)。訓練資料可包含一組訓練樣本或由該組訓練樣本組成。每一樣本可為包含輸入目標(典型地為向量,其可稱作特徵向量)及所要輸出值(亦稱作監督信號)或由該輸入目標及該所要輸出值組成之對。訓練演算法分析訓練資料,且藉由基於訓練資料調整神經網路之參數(例如一或多個層之權重)來調整神經網路的行為。在訓練之後,神經網路可用於映射新樣本。
在判定圖案化器件圖案之情形下,特徵向量可包括由圖案化器件包含或形成之設計佈局的一或多個特性(例如形狀、排列、大小等)、圖案化器件之一或多個特性(例如一或多個物理屬性,諸如尺寸、折射率、材料組成等)及用於微影製程中之照明的一或多個特性(例如波長)。監督信號可包括圖案化器件圖案之一或多個特性(例如圖案化器件圖案之CD、輪廓等)。
在給定形式之N個訓練樣本之集合以使得xi
為第i實例的特徵向量且yi
為其監督信號之情況下,訓練演算法尋找神經網路,其中X為輸入空間且Y為輸出空間。特徵向量為表示某一物件之數值特徵之n維向量。與此等向量相關聯之向量空間通常稱作特徵空間。有時以下操作係便利的:使用計分函數來表示g,以使得將g定義為返回給出最高計分之y值:。使F標示計分函數之空間。
存在兩種基本方法來選擇f或g:經驗風險最小化及結構風險最小化。經驗風險最小化尋找最適合訓練資料之神經網路。結構風險最小化包括控制偏誤/變異數抵換之懲罰函數。舉例而言,在一實施例中,懲罰函數可基於成本函數,其可為平方誤差、缺陷數目、EPE等。函數(或函數內之權重)可經修改以使得變異數經減小或最小化。
在兩種情況下,假定訓練集包含獨立且相同分佈的對(xi
, yi
)之一或多個樣本或由該一或多個樣本組成。在一實施例中,為量測函數適合訓練資料之良好程度,定義損失函數。對於訓練樣本(xi
, yi
),預測值之損失為。
在一實施例中,圖案化製程之機器學習模型可經訓練以預測例如光罩圖案之輪廓、圖案、CD及/或晶圓上的光阻及/或蝕刻影像之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。訓練之目標為實現對例如晶圓上之列印圖案的輪廓、空中影像強度斜率及/或CD等之準確預測。預期設計(例如待列印於晶圓上之晶圓目標佈局)一般經定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式提供的預OPC設計佈局。
圖案化製程之建模為計算微影應用之重要部分。詳言之,由於微影更深入至低k1狀態中,因此光罩圖案最佳化對於補償歸因於繞射或製程效應/偏差之成像(亦即圖案化)誤差至關重要。習知光罩圖案最佳化方法已由基於規則之OPC (光學接近校正)演進為基於模型之OPC及逆OPC。
基於規則之OPC藉由基於特徵之間的寬度及間距之預計算查找表驅動。基於模型之OPC使用經校準的微影模型反覆地模擬光罩之最終圖案,且藉此驅動圖案之邊緣的移動。逆OPC將OPC作為逆成像問題處理。使用嚴密數學方法以逆向方式(亦即由晶圓圖案來導出光罩圖案)解決由光罩圖案向晶圓圖案之光學轉變,以使得可識別出最佳可能的理論光罩圖案。
OPC之關鍵度量值及挑戰為全晶片運行時間及收斂,該全晶片運行時間及收斂決定光罩圖案在晶圓上再生預期設計佈局(例如由設計者提供)之良好程度。歸因於大量待處理資料(例如與晶圓或晶片上之數十億電晶體相關),運行時間規格對逆OPC演算法之複雜度施加嚴重約束。同時,隨著待列印圖案之大小在大小上變得更小(例如小於20 nm或甚至個位數nm),OPC收斂規格變得更緊密。
當前,逆OPC涉及使用非線性最佳化演算法之模型(諸如布羅伊登-夫列契-戈德法布-香諾(Broyden-Fletcher-Goldfarb-Shanno,BFGS),該等非線性最佳化演算法典型地需要計算梯度(亦即成本函數相對於對應於光罩之變數在晶圓級處的導數))。此類演算法典型地為計算密集型的,且僅可適用於截割位準應用。截割位準係指晶圓晶粒(亦即晶片)上經列印有所選圖案之部分;晶圓晶粒可具有數百或數千個此類截割,使得模擬製程為計算密集型的。如此,不僅需要更快的模型,而且需要相較於現有模型可產生更精確結果之模型來實現將具有更小大小(例如小於20 nm至個位數nm)之特徵及圖案列印於晶圓上。
根據本發明,基於機器學習之製程模型(例如用於光罩最佳化之逆製程模型)提供諸如以下各者的益處:(i)例如對光罩圖案及/或晶圓圖案之經改良之預測準確度,(ii)對於可判定光罩佈局之任何設計佈局的實質上減少之運行時間(例如減少多於10×、100×等),其亦可改善用於圖案化製程中之電腦的計算時間。
圖2為用於經由處理器(例如圖9中之處理器104)來校準圖案化製程的製程模型之方法2000的流程圖。方法2000涉及根據對基於晶圓目標佈局WTL來預測光罩圖案2003之逆微影製程(例如製程P201、製程P203及製程P205,稍後解釋)的模擬而獲得圖案化器件圖案2003 (下文中亦稱作光罩圖案2003)。在一實施例中,對逆微影製程之模擬涉及對基於晶圓目標佈局WTL之光罩圖案2003的最佳化。最佳化製程涉及藉由逐漸地校正或調整初始光罩圖案直至逆微影製程收斂(亦即未觀測到光罩圖案之進一步改善)來對初始光罩圖案之特徵進行重組態。在一實施例中,對初始光罩圖案之此調整稱作光學接近校正(OPC)。典型地,所獲得光罩圖案2003為曲線光罩圖案,其中一或多個特徵(例如包括SRAF、Sherifs等)為曲線形的。相較於諸如具有曼哈頓(Manhattan)圖案之習知光罩,使用曲線光罩圖案來進行圖案化最終產生較佳晶圓圖案,因此改良列印圖案之良率及準確度。
在一實施例中,光罩圖案進一步用以經由圖案化裝置(例如微影裝置)對晶圓(或一般而言,基板)進行曝光以判定將列印於晶圓上之實際圖案。隨後,可使用度量衡工具(例如SEM (詳細論述參考圖7至圖8)、YieldStar等)自列印晶圓獲得晶圓資料(例如SEM影像5020)。晶圓資料及光罩圖案隨後用以使用例如第一成本函數(稍後論述)來校準圖案化製程之一或多個製程模型。方法2000現詳細地描述如下。
製程P201為逆微影製程之部分,該逆微影製程涉及對經組態以在晶圓水平面處預測圖案之一或多個製程模型的模擬。如所示,對逆微影製程之模擬為反覆製程(例如製程P201、製程P203及製程P205,稍後解釋)。在製程P201中,反覆包括獲得初始圖案化器件圖案2001 (下文中稱作初始光罩圖案2001)。初始光罩圖案2001可自另一逆微影製程、設計佈局或自光罩圖案庫來獲得。初始光罩圖案2001可與全晶片之截割相關聯,且可以諸如像素化影像或表示初始光罩圖案的特徵之向量的數位形式來提供。
此外,製程P201涉及經由對一或多個製程模型之模擬基於初始光罩圖案2001來判定晶圓上的模擬晶圓圖案2002。模擬晶圓圖案2002係指在經歷使用光罩圖案(例如初始光罩圖案2001或後續經修改之光罩圖案)之圖案化製程時可列印於晶圓上之預測圖案。
在一實施例中,製程模型可為經組態以根據圖案化器件圖案來預測光罩影像之光罩模型、經組態以預測對應於圖案化器件圖案之空中影像的光學模型、經組態以預測對應於圖案化器件圖案之光阻影像的光阻模型、經組態以預測對應於圖案化器件圖案之蝕刻影像的蝕刻模型或其組合。參照圖6來論述微影製程之實例模擬製程。
在一實施例中,用於逆微影製程中之一或多個製程模型可為基於物理學之模型、經驗模型、機器學習模型或其組合。本發明不限於一種類型之模型,本文中可採用能夠準確預測製程結果之任何模型。
在製程P203中,方法2000涉及評估第二成本函數,該第二成本函數計算模擬晶圓圖案2002與晶圓目標佈局WTL之間的差。在一實施例中,晶圓目標佈局WTL為待列印於晶圓上之所要佈局或所要圖案。在一實施例中,晶圓佈局包括對應於將列印於經歷圖案化製程之晶圓上之設計佈局的圖案。在一實施例中,第二成本函數係基於圖案化製程之效能參數,該效能參數包括特徵的輪廓及/或臨界尺寸中之至少一者。在一實施例中,基於輪廓差異,可將度量值定義為例如模擬圖案2002與晶圓目標佈局圖案之面積(例如矩形或圓形之面積)的差,或模擬晶圓圖案2002與晶圓目標佈局之對應圖案之間的邊緣置放誤差。
在製程P205中,判定第二成本函數是否經改良。在一實施例中,第二成本函數之改良可指減小(或最小化)成本度量值,例如最小化EPE或CD誤差。在一實施例中,製程P205可涉及判定是否滿足收斂準則。換言之,對於對初始光罩圖案之額外調整,未觀測到製程模型之輸出的進一步改善,且該模型視為經收斂或校準的。收斂準則為指示校準製程之終止點之臨限值。可針對例如反覆數目、EPE、CD等表達臨限值。
此外,製程P205 (或可替代地,製程P201)涉及調整初始光罩圖案2001以使得第二成本函數經改良(在一實施例中,經減小)。在一實施例中,調整係指基於參照光罩相關參數所計算之第二成本函數的梯度來修改初始光罩圖案2001內之特徵的形狀及大小。在一實施例中,初始光罩圖案2001可表示為像素化影像。在此情況下,可參照像素之強度來計算梯度。梯度可為參照參數指示第二成本函數之變化的多變數映射。在一實施例中,映射引導或判定方向(例如增加或減小像素值),其中特定光罩圖案應經修改以減小(或最小化)第二成本函數的值。在一實施例中,可在初始光罩圖案2001之調整期間添加輔助特徵(例如SRAF)。
舉例而言,第二成本函數之梯度可經計算為dcost/dvar
,其中「cost
」可為EPE
之平方(亦即EPE2
),且var
可為初始光罩圖案(例如呈像素化影像的形式)之像素值。在一實施例中,可定義函數f
,其根據預測晶圓圖案2002導出輪廓且隨後參照晶圓目標來計算EPE。
當逆微影製程判定光罩圖案2003時,製程P207涉及經由處理器(例如處理器104或與圖9之處理104通信之網路鏈路120)接收與使用光罩圖案2003曝光(例如經由微影裝置)之晶圓相關的晶圓資料2007。經曝光晶圓(例如圖5C中之SEM影像5020)應包括類似於所要圖案或設計佈局或晶圓目標佈局之圖案。此外,在一實施例中,可例如經由度量衡工具(例如SEM (參照圖7至圖8論述)、YieldStar等)來量測經曝光晶圓以獲得晶圓資料2007。晶圓資料2007包含與列印於晶圓上之特徵相關之量測值,該等量測值包括臨界尺寸、特徵的輪廓、邊緣置放誤差及/或製程窗(例如劑量及焦距量測值)。在一實施例中,列印於晶圓上之特徵之輪廓可經由圖像處理自SEM影像導出,該圖像處理經組態以識別影像(例如列印圖案的灰階影像)內之特徵的邊界。
此外,製程P209涉及基於與經曝光晶圓相關之晶圓資料2007及在圖案化步驟期間所使用之光罩圖案2003來校準圖案化製程的製程模型。對製程模型之校準為反覆製程。反覆包括基於晶圓資料2007及光罩圖案2003來判定製程模型之模型參數的值,以及調整模型參數的值直至製程模型之第一成本函數經改良為止。在一實施例中,第一成本函數為晶圓資料2007與自製程模型(或例如在最末反覆處經校準之製程模型)獲得的預測晶圓圖案2002之間的差。在一實施例中,針對圖案化製程之效能參數來量測關於第一成本函數之差,該效能參數包括特徵的輪廓、臨界尺寸及/或製程窗中之至少一者。在一實施例中,基於輪廓差,可將度量值定義為例如預測圖案與晶圓資料之面積(例如矩形或圓形之面積)的差,或預測圖案與晶圓資料之間的邊緣置放誤差。換言之,第一成本函數可為例如預測圖案與晶圓資料(亦即列印晶圓圖案)之面積之間的差。藉此,第一成本函數之改良係指在不同焦距及劑量條件下減小(或最小化)模擬輪廓/cd/邊緣置放與晶圓輪廓/cd/邊緣置放之間的差。
在一實施例中,第一成本函數可為參照製程模型結果及所量測晶圓資料2007 (參照光罩圖案2003作為輸入而獲得)判定之統計誤差。舉例而言,第一成本函數可為針對前述差所定義之均方誤差、其他統計誤差或適合度(例如所量測晶圓資料與預測圖案之間的)量測值。
在一實施例中,待校準之製程模型可為光罩模型、光學模型、光阻模型及/或蝕刻模型。在一實施例中,製程模型為基於物理學之模型、機器學習模型或其組合。舉例而言,製程模型可為經組態以預測空中影像之基於物理學的光學模型,及/或經組態以根據光罩圖案2003來預測光罩影像之基於機器學習的光罩3D模型,或前述光罩模型與光學模型之組合。待校準之前述模型僅為例示性的,且並不限制本發明之範疇。
上文方法具有若干優點。因為將根據逆微影製程所獲得之準確光罩圖案用作輸入,所以經校準製程模型能夠更準確地預測結果(例如模擬晶圓圖案或空中影像)。經校準製程模型之經增加準確度有效地提供經增加之良率(例如較少缺陷),且在一些情況下對於給定製程窗提供準確列印圖案。在一實施例中,經校準製程模型2009提高由逆光罩圖案實現之圖案覆蓋度,該等逆光罩圖案更接近實體光罩上所使用之實際圖案。
圖3為用於經由處理器(例如圖9中之處理器104)來訓練圖案化製程的逆製程模型之方法3000的流程圖。方法3000涉及獲得訓練集,該訓練集包含光罩圖案之樣本(例如呈像素化影像之形式)及對應於光罩圖案的所量測晶圓資料。訓練集可包括自經歷使用樣本光罩圖案之圖案化製程之全晶圓上的不同位置提取之不同圖案的部分(亦稱作截割)。在一實施例中,可採用列印晶圓上之多個此類光罩圖案及對應截割來訓練逆製程模型。在一實施例中,逆製程模型一般係指經組態以使用晶圓目標佈局或任何設計佈局來預測圖案化器件圖案(例如光罩圖案)之模型。
方法3000涉及根據對基於晶圓目標佈局(例如WLT)來預測圖案化器件圖案之逆微影製程(例如製程P301、製程P203及製程P205)的模擬而獲得第一圖案化器件圖案(下文中稱作第一光罩圖案)。
製程P301類似於上文所論述之製程P201。在製程P301中,涉及對一或多個製程模型之模擬的逆微影製程之部分經組態以預測光罩圖案。如先前所提及,對逆微影製程之模擬為反覆製程(例如製程P301、製程P203及製程P205,如上文所論述)。在一實施例中,在製程P301中,涉及獲得初始光罩圖案3001,該初始光罩圖案可類似於上文所論述之初始光罩圖案2001。
此外,製程P301涉及經由對一或多個製程模型之模擬基於初始光罩圖案3001來判定晶圓上之模擬晶圓圖案3002。在一實施例中,製程模型可為如製程P201中所論述之任何製程模型(例如光罩模型、光學件模型等)或自上文方法2000獲得之經校準製程模型2009。因此,當在P301中採用經校準模型2009時,模擬晶圓圖案3002可類似於2002或比2002更準確。
此外,方法3000可包括製程P203,如上文所論述。舉例而言,如先前所論述,製程P203涉及評估第二成本函數,該第二成本函數計算模擬晶圓圖案3002與晶圓目標佈局WLT之間的差。此外,方法3000亦可包括上文所論述之製程P205。舉例而言,如上文所論述,製程205涉及判定成本函數(例如基於輪廓、EPE、CD等)是否經改良。
回應於第二成本函數的值,製程P205 (或可替代地,製程P301)涉及調整初始光罩圖案3001以使得第二成本函數經改良,如先前所論述。舉例而言,如上文所論述,調整係指基於第二成本函數之梯度來修改初始光罩圖案3001內之特徵的形狀及大小。
逆微影製程判定第一光罩圖案3003,該第一光罩圖案進一步在製程P207中使用,如先前所論述。舉例而言,製程P207涉及接收與使用第一光罩圖案3003曝光(例如經由微影裝置)之晶圓相關的晶圓資料3007,以及進一步進行量測以例如經由度量衡工具(例如SEM、YieldStar等)來獲得經曝光晶圓上之晶圓資料。如先前所提及,晶圓資料包括但不限於與列印於晶圓上之特徵相關之量測值,該等量測值包括臨界尺寸、特徵的輪廓、邊緣置放誤差及/或製程窗。
製程P309涉及訓練逆製程模型,該逆製程模型經組態以使用與經曝光晶圓及第一圖案化器件圖案3003相關之晶圓資料3007來預測第二圖案化器件圖案(下文中稱作第二光罩圖案)。在訓練製程結束時,逆製程模型變為經組態以使用晶圓目標佈局作為輸入來預測圖案化器件圖案(亦即第二光罩圖案)之機器學習模型。本發明不限於任何特定機器學習模型。機器學習模型可為例如神經網路、廻旋神經網路(CNN)、貝氏(Bayesian)網路、一般化線性模型、深度學習模型或其他可用機器學習模型。
在一實施例中,機器學習模型為廻旋神經網路。對基於CNN之逆製程模型之訓練為反覆製程。反覆包括基於晶圓資料及輸入光罩圖案來判定CNN之模型參數的值,以及調整模型參數的值直至廻旋神經網路之第一成本函數經改良為止。舉例而言,CNN使用晶圓資料來預測光罩圖案,且將預測光罩圖案與如下文所解釋之第一成本函數中之輸入光罩圖案(亦即自逆微影製程獲得的逆光罩圖案)進行比較。
在一實施例中,第一成本函數為圖案化器件圖案3003 (例如輸入光罩圖案)與自廻旋神經網路獲得之預測圖案化器件圖案(例如CNN的輸出)之間的差。在一實施例中,可針對基於輪廓之度量值、CD或其他合適的幾何或製程參數定義第一成本函數。第一成本函數之改良藉由修改CNN模型參數(例如權重、偏置、步幅等)的值來達成。
舉例而言,第一成本函數可為光罩圖案3003 (MP)與預測光罩圖案之間的邊緣置放誤差。成本函數可表達為:成本 = f(MP-CNN( 輸入, cnn_parameter)
,其中成本
可為EPE
(或EPE2
或其他適當之基於EPE的度量值),函數f
判定預測影像(亦即呈影像之形式的預測光罩圖案)與光罩圖案(MP)之間的差,且輸入
包括晶圓資料(例如圖5C之SEM影像5020)。舉例而言,函數f
可首先自預測影像導出輪廓且隨後參照光罩圖案(MP)計算EPE。cnn_parameter
為在使用基於梯度之方法進行CNN
訓練期間所判定之最佳化參數。在一實施例中,cnn_parameters
可為CNN之權重及偏置。此外,對應於成本函數之梯度可為dcost/dparameter
,其中可基於公式(例如參數 = 參數 - learning_rate* 梯度
)來更新參數。在一實施例中,參數
可為機器學習模型(例如CNN)之權重及/或偏置,且learning_rate
可為用以調節訓練製程之超參數且可由使用者或電腦選擇以改善訓練製程的收斂(例如較快速收斂)。
P309之訓練製程產生可使用晶圓目標佈局作為輸入來預測圖案化器件圖案(在一實施例中,最終光罩圖案)之經訓練逆製程模型3009。在一實施例中,預測光罩圖案可為不需要額外調整(例如OPC)之最終光罩圖案。
圖4為判定圖案化製程之圖案化器件佈局之方法4000的流程圖。方法4000採用經組態以獲得對應於晶圓目標佈局(例如設計佈局)之光罩圖案(例如全光罩圖案)之經訓練逆製程模型3009 (例如,如方法3000中所論述)。全光罩圖案可進一步經由經校準製程模型2009處理以預測模擬晶圓圖案,可將該模擬晶圓圖案與設計佈局進行比較以確證模擬圖案之品質。在一實施例中,模擬圖案非常類似於設計佈局或晶圓目標佈局。根據一實施例,來自經訓練模型3009之光罩圖案充當極佳起始點且需要最小修改(或理想地無修改),因此可以低數目之反覆(例如小於5,理想地1個反覆)獲得最終全光罩圖案。
在一實施例中,圖案化器件佈局(例如光罩佈局)係指對應於全晶片(亦即晶圓之晶粒)之全光罩佈局,與對應於晶圓之部分的光罩圖案(例如熱點圖案)之部分相反。然而,方法不限於全晶片模擬(亦即晶圓之整個晶粒),一般熟習此項技術者可理解,該方法可在不限制本發明之範疇的情況下直接在截割位準(亦即晶粒之部分)下採用。
在製程P401中,方法4000涉及使用晶圓目標佈局(例如設計佈局)執行經訓練逆製程模型3009以獲得初始(或第一)光罩圖案4001。在一實施例中,初始光罩圖案4001非常類似於包括例如最終曲線特徵之最終光罩圖案。因此,在一實施例中,初始圖案化器件圖案為不需要調整初始圖案化器件圖案之最終圖案化器件佈局。
此外,製程P403涉及經由對經校準製程模型2009之模擬基於初始圖案化器件圖案4003及晶圓目標佈局4001來判定圖案化器件佈局4009。如先前在圖2中所論述,圖案化製程之經校準製程模型2009基於與經曝光晶圓及圖案化器件圖案相關之晶圓資料根據對逆微影製程的模擬來校準。
在一實施例中,對圖案化器件佈局4009之判定為反覆製程(例如P403及P405之反覆)。反覆涉及獲得初始圖案化器件圖案4003以及經由對經校準製程模型2009之模擬基於初始圖案化器件圖案4003來判定晶圓上之模擬晶圓圖案4002。
此外,製程P405 (類似於參照方法2000論述之製程P205)涉及評估成本函數,該成本函數計算模擬晶圓圖案4002與晶圓目標佈局4001之間的差。如先前所論述,回應於成本函數,可執行對初始光罩圖案4003之調整。舉例而言,製程P405 (或P403)可涉及調整初始圖案化器件圖案4003以使得成本函數減小。
在一實施例中,晶圓可使用全光罩圖案4009來進行曝光,且可對列印晶圓進行量測以獲得晶圓資料。如上文所論述,晶圓資料可包括與列印於晶圓上之特徵相關之量測值,該等量測值包括臨界尺寸、特徵的輪廓、邊緣置放誤差及/或製程窗。量測資料可進一步用以判定圖案化製程之良率及/或缺陷。
上文方法具有若干優點。舉例而言,經校準模型2009使用逆微影製程來校準,因此相較於使用單一圖案校準之習知製程模型,經校準模型2009提供較佳圖案覆蓋度(例如準確度)。因為相較於未藉由來自逆微影製程之逆光罩進行校準的模型,經校準模型2009在用於逆微影製程中時更準確,所以較快達成收斂。
此外,根據一實施例,與經訓練逆製程模型3009結合使用之經校準模型2009可實現全晶片模擬(亦即經由模擬來判定全晶圓圖案,與使用諸如熱點圖案之有限數目的圖案相反)。在一實施例中,全光罩佈局可在方法4000中之製程之單個反覆中獲得。因此,方法(例如上文所論述之4000或3000)可有效地增加圖案覆蓋度以在設計階段提供經改善之光罩佈局。另外,經校準模型以較快速率收斂至所要結果,因此改善(或減少)總體模擬時間及資源分配。
圖5A說明使用如圖3中所示經訓練之實例逆製程模型所產生的實例圖案化器件圖案5009。如圖5A中所示,提供設計目標或晶圓目標佈局5001 (例如包括接觸孔5003及接觸孔5005)作為廻旋神經網路5009之輸入(經訓練製程模型3009之實例),產生曲線光罩圖案5010。CNN 5009包括具有唯一權重之若干層,且/或按照圖3之訓練製程偏置。輸入(亦即晶圓目標佈局5001)為像素化影像,像素化影像之每一像素可根據貫穿每一層之廻旋運算來修改以在最後一層處產生輸出,亦即曲線光罩圖案5010。曲線光罩圖案5010之此產生為單個步驟製程,與例如習知逆OPC製程之反覆製程相反。曲線光罩圖案5010可為最終光罩圖案或可進一步使用經校準製程模型2009來修改,如上文在圖4中所論述。
圖5B為可用於上文所論述方法中之晶圓目標佈局5010 (亦即設計佈局)之實例。使用對應於晶圓目標佈局5010之光罩,晶圓可經曝光。圖5C為對應於設計佈局5010之經曝光晶圓5020之SEM影像的實例。在一實施例中,可例如經由圖像處理來獲得晶圓資料,諸如SEM影像5020內之圖案之輪廓。
上文方法及由其產生之模型提供若干優點。首先,相較於傳統模型,使用晶圓資料之經訓練之基於機器學習的逆微影模型提供準確結果及較快執行。舉例而言,傳統反覆光罩最佳化製程包括兩個誤差源:(1)正向模型誤差,此係因為每一反覆中所使用之製程模型可能並不完美;及(2)收斂誤差,此係因為此高維最佳化可能並不始終收斂至全域最佳解。另一方面,直接使用晶圓資料訓練之基於機器學習之逆模型不具有此等誤差且因此可更準確。
其次,經校準製程模型(例如基於機器學習之模型)提供諸如以下各者之益處:(i)結果的較佳適合度及準確度,及(ii)相較於基於傳統物理學或經驗模型較簡單之梯度計算,因此相較於基於物理學之模型中的計算梯度而言計算簡便。
此外,因為一個圖案每次截割可能需要大量反覆L (例如多於100個反覆),所以習知逆OPC可僅覆蓋光罩之關鍵部分(例如最有可能導致晶圓上之缺陷的熱點圖案)。因此,針對全晶片處理數百萬或甚至數十億次截割為計算密集型的且可能為不可行的。如此,光罩佈局(例如由有限數目次截割產生)之準確度受影響。在一實施例中,可達成總截割之小於10%之覆蓋度。使用廻旋神經網路(例如經訓練逆製程模型)可使反覆自L顯著減少至M (例如小於20),從而以指數方式有效地增加可經處理之截割的數目。因此使得全晶片逆覆蓋度產生較佳準確度。
根據一實施例,方法形成製程模型2009及逆製程模型3009,當該製程模型與該逆製程模型一起採用時可導致有可能在單個步驟中收斂,從而實現較快轉回時間。
根據一實施例,來自上文模型之輸出可進一步用於圖案化製程之其他態樣(諸如可製造性)中。在一實施例中,最終光罩圖案可經直接製造,或由經訓練逆製程模型產生之最終光罩圖案可經校驗以判定其可製造性。在一實施例中,可製造性係指由光罩寫入器製造光罩本身(例如藉由OPC)施加之約束。光罩製造製程(例如使用電子束寫入器)可具有限制在光罩基板上製造圖案之某些形狀及/或大小的限制。在一實施例中,具有曼哈頓圖案之光罩圖案典型地包括直線(例如目標圖案之修改邊緣)及以豎直或水平方式佈置於目標圖案周圍之SRAF。此類曼哈頓圖案與曲線光罩之曲線圖案相比可相對更易於製造。
如先前所提及,最終光罩圖案可為曲線光罩,該曲線光罩係指具有目標圖案之邊緣在OPC期間經修改以形成彎曲(例如多邊形形狀)邊緣及/或彎曲SRAF之圖案的光罩。歸因於較大製程窗,此類曲線光罩可在圖案化製程期間在基板上產生更準確且一致之圖案(相較於曼哈頓圖案化光罩)。然而,曲線光罩具有與可經製造以產生曲線光罩之多邊形的幾何形狀相關之若干製造限制,例如曲率半徑、大小、隅角處之曲率等。此外,曲線光罩之製造或製造製程可涉及「曼哈頓化」製程,其可包括使形狀破裂或斷裂為較小矩形及三角形且迫使適合該等形狀以模擬曲線圖案。此曼哈頓化製程可為時間密集型的,同時相較於曲線光罩產生較不準確之光罩。如此,設計至光罩製造時間增加,同時準確度可能降低。因此,光罩之製造限制可視為改良準確度以及減少自設計至製造之時間;最終使得在圖案化製程期間圖案化基板之良率增加。
在一實施例中,可在無曼哈頓化製程的情況下使用例如多光束光罩寫入器來製造曲線光罩;然而,製造曲線或多邊形形狀之能力可為受限的。如此,在光罩設計製程期間需要考量此製造限制或其違規操作以使得能夠製造準確的光罩。
圖6中說明對圖案化製程(例如微影裝置中之微影)之部分進行建模及/或模擬的例示性流程圖。如將瞭解,該等模型可表示不同圖案化製程且無需包含下文所描述之所有模型。源模型600表示圖案化器件之照明之光學特性(包括輻射強度分佈、頻寬及/或相位分佈)。源模型600可表示照明之光學特性,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(例如離軸輻射形狀,諸如環形、四極、偶極等),其中σ (或均方偏差)為照明器之外部徑向範圍。
投影光學件模型610表示投影光學件之光學特性(包括由投影光學件導致的對輻射強度分佈及/或相位分佈之改變)。投影光學件模型610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。
圖案化器件模型模組120捕獲設計特徵如何佈置於圖案化器件之圖案中,且可包括對圖案化器件之詳細物理屬性之表示,如例如在美國專利第7,587,704號中所描述。模擬之目標為準確地預測例如邊緣置放及CD,隨後可將邊緣置放及CD與器件設計進行比較。器件設計一般定義為預OPC圖案化器件佈局,且將以諸如GDSII或OASIS之標準化數位檔案格式來提供。
設計佈局模型620表示設計佈局(例如對應於積體電路、記憶體、電子器件等之特徵的器件設計佈局)之光學特性(包括由給定設計佈局導致的輻射強度分佈及/或相位分佈之改變),其為圖案化器件上或由圖案化器件形成之特徵配置的表示。設計佈局模型620可表示實體圖案化器件之一或多個物理屬性,如例如在美國專利第7,587,704號中所描述,該美國專利以全文引用之方式併入。由於可改變用於微影投影裝置中之圖案化器件,所以需要使圖案化器件之光學屬性與至少包括照明及投影光學件的微影投影裝置之其餘部分之光學屬性分離。
空中影像630可根據源模型600、投影光學件模型610及設計佈局模型620來模擬。空中影像(AI)為在基板水平下之輻射強度分佈。微影投影裝置之光學屬性(例如照明、圖案化器件及投影光學件之屬性)決定空中影像。
基板上之光阻層藉由空中影像曝光,且該空中影像經轉印至光阻層作為其中之潛伏「光阻影像」(RI)。可將光阻影像(RI)定義為光阻層中之光阻之溶解度的空間分佈。光阻影像650可根據空中影像630使用光阻模型640來模擬。光阻模型可用以根據空中影像來計算光阻影像,可在美國專利申請公開案第US 2009-0157360號中找到此情形之實例,該美國專利申請公開案之揭示內容特此以全文引用之方式併入。光阻模型典型地描述在光阻曝光、曝光後烘烤(PEB)及顯影期間出現之化學製程之效應,以便預測例如形成於基板上的光阻特徵之輪廓,且因此其典型地僅與光阻層之此類屬性(例如在曝光、曝光後烘烤及顯影期間出現的化學製程之效應)相關。在一實施例中,光阻層之光學屬性,例如折射率、膜厚度、傳播及極化效應——可經捕獲為投影光學件模型610之部分。
因此,一般而言,光學模型與光阻模型之間的連接為光阻層內之經模擬空中影像強度,其起因於輻射至基板上之投影、光阻界面處的折射及光阻膜堆疊中之多個反射。輻射強度分佈(空中影像強度)藉由入射能量之吸收變為潛伏「光阻影像」,該潛伏光阻影像藉由擴散製程及各種負載效應予以進一步修改。對於全晶片應用而言足夠快之高效模擬方法藉由2維空中(及光阻)影像而近似光阻堆疊中之實際3維強度分佈。
在一實施例中,可將光阻影像用作圖案轉印後製程模型模組150之輸入。圖案轉印後製程模型150界定一或多個光阻顯影後製程(例如蝕刻、顯影等)之效能。
圖案化製程之模擬可例如預測光阻及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。因此,模擬之目標為準確地預測例如列印圖案之邊緣置放,及/或空中影像強度斜率,及/或CD等。可將此等值與預期設計進行比較以例如校正圖案化製程,識別預測出現缺陷之處等。預期設計一般定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式提供之預OPC設計佈局。
因此,模型公式化描述總製程之大多數(若非全部)已知物理學及化學方法,且模型參數中之每一者宜對應於相異物理或化學效應。因此,模型公式化設定關於模型可用以模擬總製造製程之良好程度之上限。
通常藉由以基於光學件之子解析度工具來完成例如半導體晶圓之檢測(亮場檢測)。但,在一些情況下,待量測之某些特徵過小而不能使用亮場檢測來有效量測。舉例而言,半導體器件之特徵中之缺陷的亮場檢測可具有挑戰性。此外,隨著時間推移,使用圖案化製程製得之特徵(例如使用微影製得之半導體特徵)變得愈來愈小,且在許多情況下,特徵的密度亦增加。因此,使用且需要更高解析度檢測技術。實例檢測技術為電子束檢測。電子束檢測涉及將電子束聚焦於待檢測之基板上之小光點上。影像藉由以下操作形成:在經檢測基板之區域上在光束與基板之間提供相對移動(在下文中稱作掃描電子束)且藉由電子偵測器收集二級及/或反向散射電子。隨後處理影像資料以例如識別缺陷。
因此,在一實施例中,檢測裝置可為得到經曝光或轉印於基板上之結構(例如諸如積體電路之器件的某結構或全部結構)之影像的電子束檢測裝置(例如與掃描電子顯微鏡(SEM)相同或類似)。
圖7示意性地描繪電子束檢測裝置200之實施例。自電子源201發射之初級電子束202藉由聚光器透鏡203收斂,且隨後通過光束偏轉器204、E × B偏轉器205及物鏡206以在焦點處輻照基板台101上之基板100。
當藉由電子束202輻照基板100時,自基板100產生二級電子。二級電子藉由E × B偏轉器205偏轉且由二級電子偵測器207偵測。二維電子束影像可藉由與以下操作同步地偵測自樣本產生之電子而獲得:例如藉由光束偏轉器204對電子束進行二維掃描或藉由光束偏轉器204對電子束202在X或Y方向上重複掃描,以及藉由基板台101在X或Y方向中之另一者上連續移動基板100。因此,在一實施例中,電子束檢測裝置具有用於由角程界定之電子束之視場,電子束可由電子束檢測裝置提供至該角程(例如偏轉器204可藉以提供電子束202之角程)中。因此,該視場之空間範圍為電子束之角程可照射於表面上所達之空間範圍(其中該表面可為靜止的或可參照該場移動)。
由二級電子偵測器207偵測之信號藉由類比/數位(A/D)轉換器208轉換為數位信號,且將數位信號發送至影像處理系統300。在一實施例中,影像處理系統300可具有用以儲存數位影像中之全部或部分以供由處理單元304處理之記憶體303。處理單元304 (例如經專門設計之硬體或硬體與軟體之組合或包含軟體之電腦可讀媒體)經組態以將數位影像轉換或處理為表示數位影像的資料集。在一實施例中,處理單元304經組態或經程式化以促使執行本文中所描述之方法。此外,影像處理系統300可具有經組態以將數位影像及對應資料集儲存於參考資料庫中之儲存媒體301。顯示器件302可與影像處理系統300連接,使得操作員可藉助於圖形使用者介面進行設備之必要操作。
圖8示意性地說明檢測裝置之另一實施例。該系統用以檢測樣本台88上之樣本90 (諸如基板)且包含帶電粒子束產生器81、聚光器透鏡模組82、探針形成物鏡模組83、帶電粒子束偏轉模組84、二級帶電粒子偵測器模組85及影像形成模組86。
帶電粒子束產生器81產生初級帶電粒子束91。聚光器透鏡模組82將所產生之初級帶電粒子束91聚光。探針形成物鏡模組83將經聚光初級帶電粒子束聚焦為帶電粒子束探針92。帶電粒子束偏轉模組84在緊固於樣本台88上之樣本90上的所關注區域之表面上對所形成帶電粒子束探針92進行掃描。在一實施例中,帶電粒子束產生器81、聚光器透鏡模組82及探針形成物鏡模組83或其等效設計、替代方案或其任何組合一起形成產生掃描帶電粒子束探針92之帶電粒子束探針產生器。
二級帶電粒子偵測器模組85偵測在由帶電粒子束探針92轟擊後即自樣本表面發射之二級帶電粒子93 (亦可能與來自樣本表面之其他反射或散射帶電粒子一起)以產生二級帶電粒子偵測信號94。影像形成模組86 (例如計算器件)與二級帶電粒子偵測器模組85耦接以自二級帶電粒子偵測器模組85接收二級帶電粒子偵測信號94且相應地形成至少一個掃描影像。在一實施例中,二級帶電粒子偵測器模組85及影像形成模組86或其等效設計、替代方案或其任何組合一起形成影像形成裝置,該影像形成裝置根據由帶電粒子束探針92轟擊的自樣本90發射之所偵測二級帶電粒子形成掃描影像。
在一實施例中,監測模組87耦接至影像形成裝置之影像形成模組86以對圖案化製程進行監測、控制等,且/或使用自影像形成模組86接收到之樣本90的掃描影像來導出用於圖案化製程設計、控制、監測等的參數。因此,在一實施例中,監測模組87經組態或經程式化以促使執行本文中所描述之方法。在一實施例中,監測模組87包含計算器件。在一實施例中,監測模組87包含用以提供本文中之功能且經編碼於形成監測模組87或安置於該監測模組內的電腦可讀媒體上之電腦程式。
在一實施例中,如使用探針來檢測基板之圖7之電子束檢測工具,圖8的系統中之電子電流相較於例如諸如圖7中所描繪之CD SEM顯著更大,以使得探針光點足夠大以使得檢測速度可較快。然而,歸因於大探針光點,解析度可能不與CD SEM一樣高。在一實施例中,在不限制本發明之範疇的情況下,上文論述之檢測裝置(圖7及圖8中)可為單束或多束裝置。
可處理來自例如圖7及/或圖8之系統的SEM影像以提取影像中描述表示器件結構之物件之邊緣的輪廓。隨後典型地在使用者定義之切割線處經由諸如CD之度量值來量化此等輪廓。因此,典型地,經由度量值(諸如在經提取輪廓上量測之邊緣間距離(CD)或影像之間的簡單像素差)來比較且量化器件結構之影像。
現在,除了在圖案化製程中量測基板之外,通常亦需要使用一或多個工具來產生例如可用以對圖案化製程進行設計、控制、監測等之結果。為進行此操作,可提供用於對圖案化製程之一或多個態樣進行計算控制、設計等的一或多個工具,諸如用於圖案化器件之圖案設計(包括例如添加子解析度輔助特徵或光學接近校正)、用於圖案化器件之照明等。因此,在用於對涉及圖案化之製造製程進行計算控制、設計等之系統中,主要製造系統組件及/或製程可藉由各種功能模組描述。詳言之,在一實施例中,可提供描述圖案化製程之一或多個步驟及/或裝置(典型地包括圖案轉印步驟)的一或多個數學模型。在一實施例中,可使用一或多個數學模型來執行圖案化製程之模擬以對圖案化製程如何使用由圖案化器件提供之經量測或設計圖案來形成圖案化基板進行模擬。
圖9為說明可輔助實施本文中所揭示之方法、流程或裝置之電腦系統100的方塊圖。電腦系統100包括用於傳送資訊之匯流排102或其他通信機構,及與匯流排102耦接以用於處理資訊之處理器104 (或多個處理器104及處理器105)。電腦系統100亦包括耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令的主記憶體106,諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106亦可用於在待由處理器104執行之指令的執行期間儲存暫時性變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存處理器104之靜態資訊及指令的唯讀記憶體(ROM) 108或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件110,且該儲存器件耦接至匯流排102以用於儲存資訊及指令。
電腦系統100可經由匯流排102耦接至用於向電腦使用者顯示資訊之顯示器112,諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件114耦接至匯流排102以用於將資訊及命令選擇傳送至處理器104。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳送至處理器104且用於控制顯示器112上之游標移動的游標控制件116,諸如滑鼠、軌跡球或游標方向按鍵。此輸入器件典型地具有在兩個軸線(第一軸(例如x)及第二軸(例如y))上之兩個自由度,從而允許該器件指定平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
根據一個實施例,本文中所描述之一或多種方法的部分可藉由電腦系統100回應於處理器104執行主記憶體106中所含有之一或多個指令的一或多個序列而執行。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中所含有之指令序列的執行促使處理器104執行本文中所描述之製程步驟。亦可採用多處理配置中之一或多個處理器來執行主記憶體106中所含有的指令序列。在一替代實施例中,可取代或結合軟體指令來使用硬佈線電路。因此,本文中之描述不限於硬體電路與軟體之任何特定組合。
如本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104以供執行之任何媒體。此媒體可採用許多形式,包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟,諸如儲存器件110。揮發性媒體包括動態記憶體,諸如主記憶體106。傳輸媒體包括同軸電纜、銅線及光纖,包括包含匯流排102的線。傳輸媒體亦可採用音波或光波之形式,諸如在射頻(RF)及紅外(IR)資料通信期間所產生之音波或光波。電腦可讀媒體之常見形式包括例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案的任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣、如下文中所描述之載波或可供電腦讀取之任何其他媒體。
各種形式之電腦可讀媒體可涉及將一或多個指令之一或多個序列攜載至處理器104以供執行。舉例而言,初始地可將該等指令承載於遠程電腦之磁碟上。遠程電腦可將指令裝載至其動態記憶體中,且使用數據機經由電話線來發送指令。在電腦系統100本端之數據機可接收電話線上之資料,且使用紅外傳輸器以將資料轉換為紅外信號。耦接至匯流排102之紅外偵測器可接收紅外信號中攜載之資料且將該資料置於匯流排102上。匯流排102將資料攜載至主記憶體106,處理器104自該主記憶體擷取且執行指令。由主記憶體106接收之指令可視情況在由處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100亦可包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦接,該網路鏈路連接至區域網路122。舉例而言,通信介面118可為整合式服務數位網路(ISDN)卡或數據機以向對應類型之電話線提供資料通信連接。作為另一實例,通信介面118可為區域網路(LAN)卡以向相容LAN提供資料通信連接。亦可實施無線鏈路。在任何此實施方案中,通信介面118發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光學信號。
網路鏈路120典型地經由一或多個網路而將資料通信提供至其他資料器件。舉例而言,網路鏈路120可經由區域網路122向主機電腦124或向由網際網路服務提供者(ISP) 126操作之資料設備提供連接。ISP 126轉而經由全球封包資料通信網路(現在通常稱作「網際網路(Internet)」128)提供資料通信服務。區域網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號為輸送資訊的例示性形式之載波,該等信號將數位資料攜載至電腦系統100且自該電腦系統攜載數位資料。
電腦系統100可經由網路、網路鏈路120及通信介面118發送訊息且接收包括程式碼之資料。在網際網路實例中,伺服器130可經由網際網路128、ISP 126、區域網路122及通信介面118來傳輸用於應用程式之所請求碼。舉例而言,一個此類經下載應用程式可提供本文中所描述之方法中的全部或部分。經接收碼可在其經接收時由處理器104執行,且/或經儲存於儲存器件110或其他非揮發性儲存器中以供稍後執行。以此方式,電腦系統100可獲得呈載波形式之應用程式碼。
圖10示意性地描繪可結合本文中所描述之技術利用的例示性微影投影裝置。裝置包含:
-照明系統IL,其用以調節輻射光束B。在此特定情況下,照明系統亦包含輻射源SO;
-第一物件台(例如圖案化器件台) MT,其具備用以固持圖案化器件MA (例如倍縮光罩)之圖案化器件固持器,且連接至用以參照物品PS來準確地定位該圖案化器件之第一定位器;
-第二物件台(基板台) WT,其具備用以固持基板W (例如光阻塗佈矽晶圓)之基板固持器,且連接至用以參照物品PS來準確地定位該基板之第二定位器;
-投影系統(「透鏡」) PS (例如折射、反射或反射折射光學系統),其用以將圖案化器件MA之經輻照部分成像至基板W之目標部分C (例如包含一或多個晶粒)上。
如本文中所描繪,裝置屬於透射類型(亦即具有透射圖案化器件)。然而,一般而言,其亦可屬於例如反射類型(具有反射圖案化器件)。裝置可採用與經典光罩不同種類之圖案化器件;實例包括可程式化鏡面陣列或LCD矩陣。
源SO (例如水銀燈或準分子雷射、LPP (雷射產生電漿) EUV源)產生輻射光束。舉例而言,此光束直接地抑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,該照明器一般將包含各種其他組件,諸如積光器IN及聚光器CO。以此方式,照射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖10應注意,源SO可在微影投影裝置之殼體內(此通常為源SO為例如水銀燈時之情況),但其亦可遠離微影投影裝置,其產生的輻射光束經導引至該裝置中(例如藉助於合適之導向鏡面);此後一情形通常為當源SO為準分子雷射(例如基於KrF、ArF或F2
雷射)時之情況。
光束PB隨後截取固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA之情況下,光束B穿過透鏡PL,該透鏡PL將光束B聚焦至基板W之目標部分C上。藉助於第二定位構件(及干涉量測構件IF),可準確地移動基板台WT,例如以便將不同目標部分C定位於光束PB之路徑中。類似地,第一定位構件可用以例如在自圖案化器件庫對圖案化器件MA進行機械擷取之後或在掃描期間參照光束B之路徑來準確地定位圖案化器件MA。一般而言,將藉助於未在圖10中明確描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、物件台WT之移動。然而,在步進器(與步進掃描工具相反)之情況下,圖案化器件台MT可僅連接至短衝程致動器,或可經固定。
可以兩種不同模式來使用所描繪工具:
- 在步進模式中,使圖案化器件台MT保持基本上靜止,且將整個圖案化器件影像一次性投影(亦即單次「閃光」)至目標部分C上。隨後在x及/或y方向上使基板台WT移位,以使得不同目標部分C可藉由光束PB輻照;
- 在掃描模式中,除單次「閃光」中不曝光給定目標部分C以外,基本上相同之情形適用。替代地,圖案化器件台MT可在給定方向(所謂「掃描方向」,例如y方向)上以速度v移動,以使得導致投影光束B遍及圖案化器件影像進行掃描;同時,基板台WT以速度V = Mv在相同或相反方向上同時地移動,其中M為透鏡PL之放大率(典型地,M = 1/4或1/5)。以此方式,可在不必損害解析度之情況下曝光相對較大之目標部分C。
圖11示意性地描繪可結合本文中所描述之技術利用的另一例示性微影投影裝置1000。
微影投影裝置1000包含:
- 源收集器模組SO;
- 照明系統(照明器) IL,其經組態以調節輻射光束B (例如EUV輻射);
- 支撐結構(例如圖案化器件台) MT,其經建構以支撐圖案化器件(例如光罩或倍縮光罩) MA且連接至經組態以準確地定位圖案化器件之第一定位器PM;
- 基板台(例如晶圓台) WT,其經建構以固持基板(例如光阻塗佈晶圓) W且連接至經組態以準確地定位基板之第二定位器PW;及
- 投影系統(例如反射投影系統) PS,其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如包含一或多個晶粒)上。
如此處所描繪,裝置1000屬於反射類型(例如採用反射圖案化器件)。應注意,因為大多數材料在EUV波長範圍內具吸收性,所以圖案化器件可具有包含例如鉬與矽之多堆疊的多層反射器。在一個實例中,多堆疊反射器具有鉬與矽之40個層對,其中每一層的厚度為四分之一波長。可藉由X射線微影來產生甚至更小之波長。由於大部分材料在EUV及x射線波長下具吸收性,因此圖案化器件構形上之圖案化吸收材料的薄件(例如在多層反射器之頂部上的TaN吸收體)界定將在何處列印(正性光阻)或不列印(負性光阻)特徵。
參考圖11,照明器IL自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但不必限於藉由EUV範圍內之一或多個發射譜線將材料轉化為具有例如氙、鋰或錫的元素之電漿狀態。在一種此類方法(通常稱作雷射產生電漿(「LPP」))中,可藉由使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11中未展示)之EUV輻射系統之部分,該雷射用於提供激發燃料的雷射光束。所得電漿發射輸出輻射,例如EUV輻射,該輻射使用安置於源收集器模組中之輻射收集器來收集。舉例而言,當使用CO2雷射來提供用於燃料激發之雷射光束時,雷射及源收集器模組可為分離實體。
在此類情況下,雷射不被視為形成微影裝置之部分,且輻射光束藉助於包含例如合適之引導鏡面及/或光束擴展器的光束遞送系統而自雷射傳遞至源收集器模組。在其他情況下,舉例而言,當源為放電產生電漿EUV產生器(通常稱作DPP源)時,源可為源收集器模組之整體部分。
照明器IL可包含用於調整輻射光束之角強度分佈的調整器。一般而言,可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。另外,照明器IL可包含各種其他組件,諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束以在其橫截面中具有所要均一性及強度分佈。
輻射光束B入射於固持於支撐結構(例如圖案化器件台)上之圖案化器件(例如光罩) MA上,且藉由圖案化器件來圖案化。在自圖案化器件(例如光罩) MA反射之後,輻射光束B通過投影系統PS,該投影系統將光束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置感測器PS2 (例如干涉量測器件、線性編碼器或電容式感測器),可準確地移動基板台WT,例如以便將不同目標部分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可用以參照輻射光束B之路徑來準確地定位圖案化器件(例如光罩) MA。可使用圖案化器件對準標記M1、圖案化器件對準標記M2及基板對準標記P1、基板對準標記P2來對準圖案化器件(例如光罩) MA及基板W。
可按以下模式中之至少一者來使用所描繪裝置1000:
1. 在步進模式中,在將賦予至輻射光束之整個圖案一次性投影至目標部分C上時,使支撐結構(例如圖案化器件台) MT及基板台WT保持基本上靜止(亦即單次靜態曝光)。隨後使基板台WT在X及/或Y方向上移位,以使得可曝光不同目標部分C。
2. 在掃描模式中,在將賦予至輻射光束之圖案投影至目標部分C上時,同步地掃描支撐結構(例如圖案化器件台) MT及基板台WT (亦即單次動態曝光)。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(例如圖案化器件台) MT之速度及方向。
3. 在另一模式中,使固持可程式化圖案化器件之支撐結構(例如圖案化器件台) MT保持基本上靜止,且移動或掃描基板台WT,同時將賦予至輻射光束之圖案投影至目標部分C上。在此模式中,通常採用脈衝式輻射源,且在基板台WT之每一移動之後或在掃描期間的連續輻射脈衝之間視需要來更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如上文所提及之類型的可程式化鏡面陣列)之無光罩微影。
圖12更詳細地展示裝置1000,其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置以使得可將真空環境維持於源收集器模組SO之封閉結構220中。可藉由放電產生電漿源來形成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,其中形成極熱電漿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形成極熱電漿210。為了輻射之有效產生,可能需要為例如10 Pa之分壓的Xe、Li、Sn蒸汽或任何其他合適之氣體或蒸汽。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發射之輻射經由定位於源腔室211中之開口中或後方的視情況選用之氣體障壁或污染物截留器230 (在一些情況下亦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。如在此項技術中已知,本文中進一步所指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室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之輻射可由光柵光譜濾光器240反射,該光柵光譜濾光器將沿由點虛線『O』指示之光軸而聚焦在虛擬源點IF中。虛擬源點IF通常稱作中間焦點,且源收集器模組經配置成使得中間焦點IF定位於封閉結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後,輻射橫穿照明系統IL,該照明系統可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24,該琢面化場鏡面器件及琢面化光瞳鏡面器件經配置以提供在圖案化器件MA處的輻射光束21之所要角分佈,以及在圖案化器件MA處之輻射強度的所要均一性。在由支撐結構MT固持之圖案化器件MA處反射輻射光束21後,形成圖案化光束26,且由投影系統PS經由反射元件28、反射元件30將圖案化光束26成像至由基板台WT固持之基板W上。
在照明光學件單元IL及投影系統PS中一般可存在比所展示之元件更多的元件。視微影裝置之類型而定,可視情況存在光柵光譜濾光器240。此外,可存在比諸圖中所展示之鏡面更多的鏡面,例如相較於圖12中所展示,在投影系統PS中可存在1個至6個額外反射元件。
如圖12所說明,將收集器光學件CO描繪為具有掠入射反射器253、掠入射反射器254及掠入射反射器255之巢套式收集器,僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、掠入射反射器254及掠入射反射器255經安置為圍繞光軸O軸向對稱,且此類型之收集器光學件CO可與通常稱為DPP源之放電產生電漿源組合使用。
可替代地,源收集器模組SO可為如圖13中所示之LPP輻射系統之部分。雷射LA經配置以將雷射能量存放至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中,從而形成具有數10 eV之電子溫度的高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射自電漿發射、由近正入射收集器光學件CO收集,且聚焦至封閉結構220中之開口221上。
可使用以下條項進一步描述實施例:
1. 一種用於校準一圖案化製程之一製程模型之方法,該方法包含:
根據對基於一晶圓目標佈局來預測一圖案化器件圖案之一逆微影製程的模擬而獲得該圖案化器件圖案;
經由一處理器接收對應於使用該圖案化器件圖案曝光之一晶圓的晶圓資料;以及
經由該處理器基於與該經曝光晶圓及該圖案化器件圖案相關的該晶圓資料來校準該圖案化製程之一製程模型。
2. 如條項1之方法,其中校準該製程模型為一反覆製程,一反覆包含:
基於該晶圓資料及該圖案化器件圖案來判定該製程模型之模型參數的值;以及
調整該等模型參數的該等值直至該製程模型之一第一成本函數經改良為止。
3. 如條項2之方法,其中該第一成本函數為該晶圓資料與自該經校準製程模型獲得之一預測圖案之間的一差。
4. 如條項3之方法,其中針對該圖案化製程之一效能參數來量測該差,該效能參數包括一特徵之一輪廓、臨界尺寸及/或一製程窗中之至少一者。
5. 如條項1至4中任一項之方法,其中對該逆微影製程之該模擬涉及對以下各者之模擬:
一光罩模型,其經組態以根據該圖案化器件圖案來預測一光罩影像;
一光學模型,其經組態以預測對應於該圖案化器件圖案之一空中影像,
一光阻模型,其經組態以預測對應於該圖案化器件圖案之一光阻影像;及/或
一蝕刻模型,其經組態以預測對應於該圖案化器件圖案之一蝕刻影像。
6. 如條項1至5中任一項之方法,其中對該逆微影製程之該模擬為一反覆製程,一反覆包含:
獲得一初始圖案化器件圖案;
經由對該製程模型之模擬基於該初始圖案化器件圖案來判定該晶圓上的一模擬晶圓圖案;
評估一第二成本函數,其中該第二成本函數計算該模擬圖案與該晶圓目標佈局之間的一差;以及
調整該初始圖案化器件圖案以使得該第二成本函數減小。
7. 如條項1至6中任一項之方法,其中該晶圓資料包含與列印於該晶圓上之一特徵相關的量測值,該等量測值包括一臨界尺寸、該特徵之一輪廓及/或一製程窗。
8. 如條項1至7中任一項之方法,其中該等量測值係基於自一電子束檢測裝置及/或一光學檢測裝置獲得之該經曝光晶圓的一影像。
9. 如條項8之方法,其中該電子束檢測裝置為一掃描電子顯微鏡。
10. 如條項1至9中任一項之方法,其中該晶圓目標佈局包括對應於將列印於經歷該圖案化製程之該晶圓上的一設計佈局之一圖案。
11. 如條項1至10中任一項之方法,其中該製程模型為一光罩模型、一光學模型、一光阻模型及/或一蝕刻模型。
12. 如條項1至11中任一項之方法,其中該製程模型為一基於物理學之模型及/或一機器學習模型。
13. 一種用於訓練一圖案化製程之一逆製程模型之方法,該方法包含:
根據對基於一晶圓目標佈局來預測一圖案化器件圖案的一逆微影製程的模擬而獲得一第一圖案化器件圖案;
經由一處理器接收對應於使用該第一圖案化器件圖案曝光之一晶圓的晶圓資料;以及
經由該處理器訓練一逆製程模型,該逆製程模型經組態以使用與該經曝光晶圓及該第一圖案化器件圖案相關之該晶圓資料來預測一第二圖案化器件圖案。
14. 如條項13之方法,其中該逆製程模型為經組態以使用該晶圓目標佈局作為輸入來預測該第二圖案化器件圖案之一機器學習模型。
15. 如條項14之方法,其中該機器學習模型為一廻旋神經網路。
16. 如條項15之方法,其中訓練該逆製程模型為一反覆製程,一反覆包含:
基於該晶圓資料及該圖案化器件圖案來判定該廻旋神經網路之模型參數的值;以及
調整該等模型參數的該等值直至該廻旋神經網路之一第一成本函數經改良為止。
17. 如條項16之方法,其中該第一成本函數為該圖案化器件圖案與自該廻旋神經網路獲得的一預測圖案化器件圖案之間的一差。
18. 如條項13至17中任一項之方法,其中該晶圓資料包含與列印於該晶圓上之一特徵相關的量測值,該等量測值包括一臨界尺寸、該特徵之一輪廓及/或一製程窗。
19. 如條項13至18中任一項之方法,其中該晶圓目標佈局包括對應於將列印於經歷該圖案化製程之該晶圓上的一設計佈局之一圖案。
20. 如條項13至19中任一項之方法,其進一步包含經由對該經訓練逆製程模型之模擬基於一給定晶圓目標佈局來預測一圖案化器件圖案。
21. 一種用於判定一圖案化製程之一圖案化器件佈局之方法,該方法包含:
自根據晶圓目標佈局來預測一初始圖案化器件圖案之一經訓練逆製程模型而獲得該初始圖案化器件圖案;
經由對一經校準製程模型之模擬基於該初始圖案化器件圖案及一晶圓目標佈局來判定一圖案化器件佈局。
22. 如條項21之方法,其中判定該圖案化器件佈局為一反覆製程,一反覆包含:
獲得該初始圖案化器件圖案;
經由對該經校準製程模型之模擬基於該初始圖案化器件圖案來判定該晶圓上之一模擬晶圓圖案;
評估一成本函數,其中該成本函數計算該模擬圖案與該晶圓目標佈局之間的一差;以及
調整該初始圖案化器件圖案以使得該成本函數減小。
23. 如條項21至22中任一項之方法,其中該圖案化製程之該經校準製程模型基於與該經曝光晶圓及該圖案化器件圖案相關之晶圓資料根據對一逆微影製程之一模擬來校準。
24. 如條項21至23中任一項之方法,其中該晶圓資料包含與列印於該晶圓上之一特徵相關的量測值,該等量測值包括一臨界尺寸、該特徵之一輪廓及/或一製程窗。
25. 如條項21之方法,其中該初始圖案化器件圖案為不需要調整該初始圖案化器件圖案之一最終圖案化器件佈局。
本文中所揭示之概念可對用於使子波長特徵成像之任何通用成像系統進行模擬或數學上建模,且可尤其適用於能夠產生愈來愈短波長的新興成像技術。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193 nm波長且甚至能夠藉由使用氟雷射來產生157 nm波長之EUV (極紫外線)、DUV微影。此外,EUV微影能夠藉由使用同步加速器或藉由使用高能電子來撞擊材料(固體或電漿)而產生在20 nm至5 nm之範圍內的波長,以便產生在此範圍內之光子。
雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上成像,但應理解,所揭示的概念可與任何類型之微影成像系統一起使用,例如用於在除矽晶圓外外之基板上成像的彼等微影成像系統。
上文描述意欲為說明性而非限制性的。因此,對於熟習此項技術者將顯而易見,可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述來做出修改。
10A:例示性微影投影裝置
12A:輻射源
14A:光學件
16Aa:光學件
16Ab:光學件
16Ac:投射光學件
18A:圖案化器件
20A:濾光器
21:輻射光束
22:琢面化場鏡面器件
22A:基板平面
24:琢面化光瞳鏡面器件
26:圖案化光束
28:反射元件
30:反射元件
81:帶電粒子束產生器
82:聚光器透鏡模組
83:探針形成物鏡模組
84:帶電粒子束偏轉模組
85:二級帶電粒子偵測器模組
86:影像形成模組
87:監測模組
88:樣本台
90:樣本
91:初級帶電粒子束
92:帶電粒子束探針
93:二級帶電粒子
94:二級帶電粒子偵測信號
100:電腦系統
101:基板台
102:匯流排
104:處理器
105:處理器
106:主記憶體
108:唯讀記憶體
110:儲存器件
112:顯示器
114:輸入器件
116:游標控制件
118:通信介面
120:網路鏈路
122:區域網路
124:主機電腦
126:網際網路服務提供者
128:網際網路
130:伺服器
150:圖案轉印後製程模型模組
200:電子束檢測裝置
201:電子源
202:初級電子束
203:聚光器透鏡
204:光束偏轉器
205:E × B偏轉器
206:物鏡
207:二級電子偵測器
208:類比/數位轉換器
210:極熱電漿
211:源腔室
212:收集器腔室
220:封閉結構
221:開口
230: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:影像處理系統
301:儲存媒體
302:顯示器件
303:記憶體
304:處理單元
600:源模型
610:投影光學件模型
620:設計佈局模型
630:空中影像
640:光阻模型
650:光阻影像
1000:例示性微影投影裝置
2000:方法
2001:初始圖案化器件圖案
2002:模擬晶圓圖案
2003:光罩圖案
2007:晶圓資料
2009:經校準製程模型
3000:方法
3001:初始光罩圖案
3002:模擬晶圓圖案
3003:第一光罩圖案
3007:晶圓資料
3009:經訓練逆製程模型
4000:方法
4001:初始光罩圖案
4002:模擬晶圓圖案
4003:初始圖案化器件圖案
4009:圖案化器件佈局
5001:晶圓目標佈局
5003:接觸孔
5005:接觸孔
5009:廻旋神經網路
5010:曲線光罩圖案
5020:經曝光晶圓
AD:調整構件
B:光束
C:目標部分
CO:收集器光學件
Ex:光束擴展器
IF:虛擬源點
IL:照明系統
IN:積光器
LA:雷射
M1:圖案化器件對準標記
M2:圖案化器件對準標記
MA:圖案化器件
MT:物件台
O:光軸
P1:基板對準標記
P2:基板對準標記
P201:製程
P203:製程
P205:製程
P207:製程
P209:製程
P301:製程
P309:製程
P401:製程
P403:製程
P405:製程
PL:透鏡
PM:第一定位器
PS:投影系統
PS1:位置感測器
PS2:位置感測器
PW:第二定位器
SO:源
v:速度
W:基板
WT:基板台
WTL:晶圓目標佈局
現將參考隨附圖式僅藉助於實例來描述實施例,在該等圖式中:
圖1展示根據一實施例之微影系統之各種子系統的方塊圖;
圖2為根據一實施例的用於校準圖案化製程之製程模型之方法的流程圖;
圖3為根據一實施例的用於訓練圖案化製程之逆製程模型之方法的流程圖;
圖4為根據一實施例的判定圖案化製程之圖案化器件佈局之方法的流程圖;
圖5A說明根據一實施例的使用如3圖中所示來訓練之實例逆製程模型所產生的實例圖案化器件圖案;
圖5B為根據一實施例之設計佈局或晶圓目標佈局之實例;
圖5C為根據一實施例的對應於圖5B之設計佈局之經曝光晶圓的實例SEM影像;
圖6描繪根據一實施例的用於對圖案化製程之至少部分進行建模及/或模擬的實例流程圖;
圖7示意性地描繪根據一實施例之掃描電子顯微鏡(SEM)之實施例;
圖8示意性地描繪根據一實施例之電子束檢測裝置之實施例;
圖9為根據一實施例之實例電腦系統之方塊圖;
圖10為根據一實施例之微影投影裝置之示意圖;
圖11為根據一實施例之另一微影投影裝置之示意圖;
圖12為根據一實施例之圖10中之裝置的更詳細視圖;
圖13為根據一實施例的圖11及圖12之裝置之源收集器模組SO的更詳細視圖。
2000:方法
2001:初始圖案化器件圖案
2002:模擬晶圓圖案
2003:光罩圖案
2007:晶圓資料
2009:經校準製程模型
P201:製程
P203:製程
P205:製程
P207:製程
P209:製程
WTL:晶圓目標佈局
Claims (13)
- 一種用於訓練一圖案化製程之一逆製程模型(inverse process model)之方法,該方法包含:根據對基於一晶圓目標佈局(wafer target layout)來預測一圖案化器件圖案的一逆微影製程的模擬而獲得一第一圖案化器件圖案;經由一處理器接收對應於使用該第一圖案化器件圖案曝光之一晶圓的晶圓資料;以及經由該處理器訓練一逆製程模型,該逆製程模型經組態以使用與該經曝光晶圓之相關之該晶圓資料及該第一圖案化器件圖案來預測一第二圖案化器件圖案。
- 如請求項1之方法,其中該逆製程模型為經組態以使用該晶圓目標佈局作為輸入來預測該第二圖案化器件圖案之一機器學習模型。
- 如請求項2之方法,其中該機器學習模型為一廻旋(convolutional)神經網路。
- 如請求項3之方法,其中訓練該逆製程模型為一反覆製程(iterative process),一反覆包含:基於該晶圓資料及該圖案化器件圖案來判定該廻旋神經網路之模型參數的值;以及調整該等模型參數的該等值直至該廻旋神經網路之一第一成本函數 經改良為止。
- 如請求項4之方法,其中該第一成本函數為該圖案化器件圖案與自該廻旋神經網路獲得的一預測圖案化器件圖案之間的一差。
- 如請求項1至5中任一項之方法,其中該晶圓資料包含與列印於該晶圓上之一特徵相關的量測值,該等量測值包括一臨界尺寸、該特徵之一輪廓及/或一製程窗。
- 如請求項1至5中任一項之方法,其中該晶圓目標佈局包括對應於將列印於經歷該圖案化製程之該晶圓上的一設計佈局之一圖案。
- 如請求項1至5中任一項之方法,其進一步包含經由對該經訓練逆製程模型之模擬基於一給定晶圓目標佈局來預測一圖案化器件圖案。
- 一種用於判定一圖案化製程之一圖案化器件佈局之方法,該方法包含:自根據晶圓目標佈局來預測一初始圖案化器件圖案之一經訓練逆製程模型而獲得該初始圖案化器件圖案;經由對一經校準製程模型之模擬基於該初始圖案化器件圖案及一晶圓目標佈局來判定一圖案化器件佈局。
- 如請求項9之方法,其中判定該圖案化器件佈局為一反覆製程,一反 覆包含:獲得該初始圖案化器件圖案;經由對該經校準製程模型之模擬基於該初始圖案化器件圖案來判定該晶圓上之一模擬晶圓圖案;評估一成本函數,其中該成本函數計算該模擬圖案與該晶圓目標佈局之間的一差;以及調整該初始圖案化器件圖案以使得該成本函數減小。
- 如請求項9或10之方法,其中該圖案化製程之該經校準製程模型基於與該經曝光晶圓及該圖案化器件圖案相關之晶圓資料根據對一逆微影製程之一模擬來校準。
- 如請求項9或10之方法,其中該晶圓資料包含與列印於該晶圓上之一特徵相關的量測值,該等量測值包括一臨界尺寸、該特徵之一輪廓及/或一製程窗。
- 如請求項9之方法,其中該初始圖案化器件圖案為不需要調整該初始圖案化器件圖案之一最終圖案化器件佈局。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862685749P | 2018-06-15 | 2018-06-15 | |
US62/685,749 | 2018-06-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202034065A TW202034065A (zh) | 2020-09-16 |
TWI788672B true TWI788672B (zh) | 2023-01-01 |
Family
ID=66752052
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109118464A TWI788672B (zh) | 2018-06-15 | 2019-06-05 | 用於訓練一圖案化製程之一逆製程模型之方法及用於判定一圖案化製程之一圖案化器件佈局之方法 |
TW108119465A TWI698723B (zh) | 2018-06-15 | 2019-06-05 | 基於機器學習的逆光學接近校正及製程模型校準 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108119465A TWI698723B (zh) | 2018-06-15 | 2019-06-05 | 基於機器學習的逆光學接近校正及製程模型校準 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11544440B2 (zh) |
KR (2) | KR20210010897A (zh) |
CN (2) | CN112384860B (zh) |
TW (2) | TWI788672B (zh) |
WO (1) | WO2019238372A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10176966B1 (en) | 2017-04-13 | 2019-01-08 | Fractilia, Llc | Edge detection system |
US11380516B2 (en) | 2017-04-13 | 2022-07-05 | Fractilia, Llc | System and method for generating and analyzing roughness measurements and their use for process monitoring and control |
US10522322B2 (en) | 2017-04-13 | 2019-12-31 | Fractilia, Llc | System and method for generating and analyzing roughness measurements |
US11544440B2 (en) * | 2018-06-15 | 2023-01-03 | Asml Netherlands B.V. | Machine learning based inverse optical proximity correction and process model calibration |
WO2020108902A1 (en) * | 2018-11-30 | 2020-06-04 | Asml Netherlands B.V. | Method for determining patterning device pattern based on manufacturability |
US11900026B1 (en) * | 2019-04-24 | 2024-02-13 | X Development Llc | Learned fabrication constraints for optimizing physical devices |
JP7288870B2 (ja) * | 2020-02-05 | 2023-06-08 | 株式会社日立製作所 | 画像を生成するシステム |
WO2021165419A1 (en) * | 2020-02-21 | 2021-08-26 | Asml Netherlands B.V. | Method for calibrating simulation process based on defect-based process window |
US11416977B2 (en) * | 2020-03-10 | 2022-08-16 | Applied Materials, Inc. | Self-measurement of semiconductor image using deep learning |
EP3893057A1 (en) * | 2020-04-10 | 2021-10-13 | ASML Netherlands B.V. | Aligning a distorted image |
KR20210129371A (ko) * | 2020-04-20 | 2021-10-28 | 삼성전자주식회사 | 광 근접 효과 보정 방법 및 이를 포함하는 마스크 제작 방법 |
KR20220014541A (ko) * | 2020-07-29 | 2022-02-07 | 삼성전자주식회사 | 공정 근접 효과 보정 방법 및 컴퓨팅 장치 |
US20220128899A1 (en) * | 2020-10-22 | 2022-04-28 | D2S, Inc. | Methods and systems to determine shapes for semiconductor or flat panel display fabrication |
CN112561873B (zh) * | 2020-12-11 | 2022-11-25 | 上海集成电路装备材料产业创新中心有限公司 | 一种基于机器学习的cdsem图像虚拟测量方法 |
CN116648672A (zh) | 2020-12-18 | 2023-08-25 | Asml荷兰有限公司 | 用于确定掩模图案和训练机器学习模型的方法 |
CN115598937B (zh) * | 2022-12-13 | 2023-04-07 | 华芯程(杭州)科技有限公司 | 一种光刻掩膜形状预测方法及装置、电子设备 |
CN117454831B (zh) * | 2023-12-05 | 2024-04-02 | 武汉宇微光学软件有限公司 | 一种掩模版图形优化方法、系统及电子设备 |
CN117669473B (zh) * | 2024-01-29 | 2024-04-19 | 全智芯(上海)技术有限公司 | 用于模型校准的方法、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351952A1 (en) * | 2016-06-01 | 2017-12-07 | Kla-Tencor Corporation | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
Family Cites Families (25)
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 |
EP0824722B1 (en) | 1996-03-06 | 2001-07-25 | Asm Lithography B.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
US7488933B2 (en) * | 2005-08-05 | 2009-02-10 | Brion Technologies, Inc. | Method for lithography model calibration |
WO2007019269A2 (en) * | 2005-08-08 | 2007-02-15 | Brion Technologies, Inc. | System and method for creating a focus-exposure model of a lithography process |
CN101305320B (zh) | 2005-09-09 | 2012-07-04 | Asml荷兰有限公司 | 采用独立掩模误差模型的掩模验证系统和方法 |
US8331645B2 (en) * | 2006-09-20 | 2012-12-11 | Luminescent Technologies, Inc. | Photo-mask and wafer image reconstruction |
US8644588B2 (en) * | 2006-09-20 | 2014-02-04 | Luminescent Technologies, Inc. | Photo-mask and wafer image reconstruction |
JP4511582B2 (ja) * | 2007-11-07 | 2010-07-28 | シャープ株式会社 | マスクパターンの補正方法、フォトマスク、および半導体装置の製造方法 |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
US8572517B2 (en) * | 2008-06-10 | 2013-10-29 | Cadence Design Systems, Inc. | System and method for modifying a data set of a photomask |
US20130070222A1 (en) | 2011-09-19 | 2013-03-21 | D2S, Inc. | Method and System for Optimization of an Image on a Substrate to be Manufactured Using Optical Lithography |
NL2003702A (en) * | 2008-11-10 | 2010-05-11 | Brion Tech Inc | Pattern selection for lithographic model calibration. |
US20100216061A1 (en) * | 2009-02-20 | 2010-08-26 | Eric Henri Jan Hendrickx | Inverse Lithography For High Transmission Attenuated Phase Shift Mask Design And Creation |
US8479125B2 (en) * | 2009-03-31 | 2013-07-02 | Christophe Pierrat | Lithography modeling and applications |
US8279409B1 (en) * | 2009-08-05 | 2012-10-02 | Cadence Design Systems, Inc. | System and method for calibrating a lithography model |
JP5391055B2 (ja) * | 2009-12-25 | 2014-01-15 | 東京エレクトロン株式会社 | 半導体装置の製造方法及び半導体装置の製造システム |
US8458622B2 (en) * | 2010-11-29 | 2013-06-04 | Luminescent Technologies, Inc. | Photo-mask acceptance technique |
US9612541B2 (en) * | 2013-08-20 | 2017-04-04 | Kla-Tencor Corporation | Qualifying patterns for microlithography |
US9547892B2 (en) * | 2014-05-06 | 2017-01-17 | Kla-Tencor Corporation | Apparatus and methods for predicting wafer-level defect printability |
US10133191B2 (en) * | 2014-07-21 | 2018-11-20 | Asml Netherlands B.V. | Method for determining a process window for a lithographic process, associated apparatuses and a computer program |
JP2016038550A (ja) * | 2014-08-11 | 2016-03-22 | マイクロン テクノロジー, インク. | 半導体装置の設計方法 |
US10036964B2 (en) * | 2015-02-15 | 2018-07-31 | Kla-Tencor Corporation | Prediction based chucking and lithography control optimization |
US9747408B2 (en) * | 2015-08-21 | 2017-08-29 | Taiwan Semiconductor Manufacturing Company, Ltd. | Generating final mask pattern by performing inverse beam technology process |
JP6738423B2 (ja) * | 2015-12-17 | 2020-08-12 | エーエスエムエル ネザーランズ ビー.ブイ. | 測定を向上させるための非対称なサブ分解能フィーチャを用いるリソグラフィプロセスの光学計測 |
US11544440B2 (en) * | 2018-06-15 | 2023-01-03 | Asml Netherlands B.V. | Machine learning based inverse optical proximity correction and process model calibration |
-
2019
- 2019-05-23 US US15/734,141 patent/US11544440B2/en active Active
- 2019-05-23 CN CN201980040229.9A patent/CN112384860B/zh active Active
- 2019-05-23 KR KR1020207035887A patent/KR20210010897A/ko not_active IP Right Cessation
- 2019-05-23 KR KR1020237031996A patent/KR20230141891A/ko not_active Application Discontinuation
- 2019-05-23 CN CN202311629409.5A patent/CN117724300A/zh active Pending
- 2019-05-23 WO PCT/EP2019/063282 patent/WO2019238372A1/en active Application Filing
- 2019-06-05 TW TW109118464A patent/TWI788672B/zh active
- 2019-06-05 TW TW108119465A patent/TWI698723B/zh active
-
2022
- 2022-09-22 US US17/950,502 patent/US20230013919A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351952A1 (en) * | 2016-06-01 | 2017-12-07 | Kla-Tencor Corporation | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
Also Published As
Publication number | Publication date |
---|---|
TW202001447A (zh) | 2020-01-01 |
TW202034065A (zh) | 2020-09-16 |
CN112384860A (zh) | 2021-02-19 |
KR20230141891A (ko) | 2023-10-10 |
WO2019238372A1 (en) | 2019-12-19 |
US20230013919A1 (en) | 2023-01-19 |
CN117724300A (zh) | 2024-03-19 |
US11544440B2 (en) | 2023-01-03 |
TWI698723B (zh) | 2020-07-11 |
KR20210010897A (ko) | 2021-01-28 |
CN112384860B (zh) | 2023-12-08 |
US20210216697A1 (en) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI788672B (zh) | 用於訓練一圖案化製程之一逆製程模型之方法及用於判定一圖案化製程之一圖案化器件佈局之方法 | |
TWI802185B (zh) | 半導體裝置幾何方法及系統 | |
TWI790792B (zh) | 在圖案化程序中判斷圖案之方法 | |
TWI791357B (zh) | 用於選擇與圖案化程序相關聯之資料之方法及相關的非暫時性電腦可讀媒體 | |
TW201837759A (zh) | 藉由機器學習來判定製程模型之方法 | |
TWI778305B (zh) | 基於可製造性判定圖案化器件圖案之方法 | |
TW201643545A (zh) | 影像對數斜率(ils)最佳化 | |
TWI783392B (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 | |
TW202028849A (zh) | 產生特徵圖案與訓練機器學習模型之方法 | |
TW202242556A (zh) | 用於改良光罩圖案產生中之一致性之方法 | |
TWI651760B (zh) | 基於位移之疊對或對準 | |
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 | |
TW202307722A (zh) | 蝕刻系統、模型、及製造程序 | |
KR20190117709A (ko) | 패터닝 디바이스 상의 유한한 두께들의 구조체들에 의한 방사선의 산란을 결정하는 방법들 | |
TWI794544B (zh) | 用於高數值孔徑穿縫源光罩最佳化之方法 | |
KR20210121153A (ko) | 모델 캘리브레이션을 위한 게이지 선택의 향상 | |
TWI813192B (zh) | 依據微影設備或製程特徵所特徵化之表示選擇圖案 | |
TWI839015B (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 | |
TWI786658B (zh) | 像差影響系統、模型、及製造程序 | |
KR20190108609A (ko) | 공정 모델들을 조정하는 방법들 | |
TW202303264A (zh) | 使用目標圖案及參考層圖案以判定用於光罩之光學接近校正的機器學習模型 |