TWI802185B - 半導體裝置幾何方法及系統 - Google Patents

半導體裝置幾何方法及系統 Download PDF

Info

Publication number
TWI802185B
TWI802185B TW110149189A TW110149189A TWI802185B TW I802185 B TWI802185 B TW I802185B TW 110149189 A TW110149189 A TW 110149189A TW 110149189 A TW110149189 A TW 110149189A TW I802185 B TWI802185 B TW I802185B
Authority
TW
Taiwan
Prior art keywords
pattern
epe
substrate
metric
probability
Prior art date
Application number
TW110149189A
Other languages
English (en)
Other versions
TW202215167A (zh
Inventor
史蒂芬 亨奇
王富明
亞 羅
皮特 尼科爾斯基
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 TW202215167A publication Critical patent/TW202215167A/zh
Application granted granted Critical
Publication of TWI802185B publication Critical patent/TWI802185B/zh

Links

Images

Classifications

    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • 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
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Neurology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Die Bonding (AREA)
  • Bipolar Transistors (AREA)
  • Superconductors And Manufacturing Methods Therefor (AREA)

Abstract

本發明描述用於預測與一圖案化程序相關聯之基板幾何形狀之系統及方法。接收包括用於一圖案之幾何形狀資訊及/或程序資訊之輸入資訊；及使用一機器學習預測模型預測多維輸出基板幾何形狀。多維輸出資訊包含圖案機率影像。可基於該等圖案機率影像預測一隨機邊緣置放誤差帶及/或一隨機失效率。該輸入資訊包含經模擬空中影像、經模擬抗蝕劑影像、目標基板尺寸及/或來自與半導體裝置製造相關聯之一掃描器之資料。舉例而言，不同空中影像可對應於與該圖案化程序相關聯之抗蝕劑層中之不同高度。

Description

半導體裝置幾何方法及系統
本文中之描述大體而言係關於半導體製造方法及系統中之微影。
微影投影設備可用於(例如)積體電路(IC)之製造中。圖案化裝置(例如光罩)可包括或提供對應於IC(「設計佈局」)之個別層之圖案，且可藉由諸如將已塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)輻照通過圖案化裝置上之圖案之方法而將此圖案轉印至目標部分上。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順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影投影設備中，在一個操作中將整個圖案化裝置上之圖案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。圖案化裝置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，由於微影投影設備將具有縮減比率M (例如4)，故基板被移動之速度F將為投影光束掃描圖案化裝置之速度的1/M倍。可例如自以引用方式併入本文中之US 6,046,792找到關於微影裝置之更多資訊。
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(「曝光後工序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤，及經轉印圖案之量測/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程序，諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械研磨等等，該等程序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。接著藉由諸如切塊或鋸切之技術來使此等裝置彼此分離，據此，可將個別裝置安裝於載體上、連接至銷釘等。
製造諸如半導體裝置之裝置通常涉及使用多個製作程序來處理基板(例如，半導體晶圓)以形成該等裝置之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械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作多個裝置，且接著將其分離成個別裝置。此裝置製造程序可被認為係圖案化程序。圖案化程序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，且圖案化程序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。
微影為在諸如IC之裝置之製造時的中心步驟，其中形成於基板上之圖案界定裝置之功能元件，諸如微處理器、記憶體晶片等。相似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他裝置。
隨著半導體製造程序繼續前進，功能元件之尺寸已不斷地減小。同時，每裝置功能元件(諸如電晶體)之數目已穩定地增加，此遵循通常被稱作「莫耳定律」之趨勢。在目前先進技術下，使用微影投影設備來製造裝置之層，該等微影投影設備使用來自深紫外線照明源之照明將設計佈局投影至基板上，從而產生尺寸充分地低於100 nm、亦即小於來自照明源(例如193 nm照明源)之輻射之波長之一半的個別功能元件。
供印刷尺寸小於微影投影設備之經典解析度極限之特徵的此程序根據解析度公式CD=k1×λ/NA而通常被稱為低k1微影，其中λ為所使用輻射之波長(當前在大多數狀況下為248 nm或193 nm)，NA為微影投影設備中之投影光學件之數值孔徑，CD為「臨界尺寸」(通常為所印刷之最小特徵大小)，且k1為經驗解析度因數。一般而言，k1愈小，則在基板上再生類似於由設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，將複雜微調步驟應用至微影投影設備、設計佈局或圖案化裝置。此等步驟包括(例如，但不限於) NA及光學相干設定之最佳化、自訂照明方案、相移圖案化裝置之使用、設計佈局中之光學近接校正(OPC，有時亦被稱作「光學及程序校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。
OPC及其他RET利用描述微影程序之穩固電子模型。因此需要用於此類微影模型之校準工序，其橫越程序窗提供有效、穩固及準確的模型。當前，使用運用晶圓量測之某數目個1維及/或2維量規圖案進行校準。更特定言之，1維量規圖案包括具有變化之節距及臨界尺寸(CD)之線空間圖案、隔離線、多個線等。2維量規圖案通常包括線端、接點及隨機選定之靜態隨機存取記憶體(Static Random Access Memory；SRAM)圖案。
根據一實施例，提供一種儲存一機器學習預測模型及指令之一或多個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致使該一或多個處理器：接收包括用於一圖案之幾何形狀資訊及/或程序資訊之輸入資訊；及使用該機器學習預測模型基於該輸入資訊預測多維輸出基板幾何形狀。該預測包含基於該輸入資訊及/或該輸出基板幾何形狀判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量。
在一實施例中，該EPE度量針對該圖案之該一或多個特徵係對稱或不對稱的。
在一實施例中，一不對稱EPE度量具有一非高斯分佈。
在一實施例中，該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於判定該對稱或不對稱EPE度量。
在一實施例中，該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。
在一實施例中，該多維輸出基板幾何形狀指示該圖案之特徵之形狀的可變性。
在一實施例中，該多維輸出基板幾何形狀指示給定幾何形狀佔據一基板上之一給定位置的一機率。
在一實施例中，該多維輸出基板幾何形狀包含在複數個維度上的圖案機率之一表示。
在一實施例中，圖案機率之該表示包含一圖案機率影像，該圖案機率影像包含針對該圖案之該一或多個特徵的二維基板幾何形狀之經預測機率。
在一實施例中，該圖案機率影像包含複數個堆疊影像，該複數個堆疊影像包含針對一或多個通孔之二維基板幾何形狀之經預測機率。
在一實施例中，該等指令經進一步組態以致使該一或多個處理器運用該機器學習預測模型基於該多維輸出基板幾何形狀預測(1)一對稱或不對稱隨機邊緣置放誤差帶及(2)一隨機失效率中之一者或兩者。
在一實施例中，該等指令經進一步組態以致使該一或多個處理器調節該機器學習預測模型使得該多維輸出基板幾何形狀與一經量測隨機邊緣置放誤差帶或經量測失效率匹配。
在一實施例中，該等指令經進一步組態以致使該一或多個處理器調節該機器學習預測模型使得該多維輸出基板幾何形狀對應於或匹配來自一光學近接校正模型或一微影可製造性檢查模型之一平均輪廓預測。
在一實施例中，該多維輸出基板幾何形狀係與一半導體裝置中之一基板中之一圖案相關聯，且一圖案化程序包含一半導體裝置製造程序。
在一實施例中，該多維輸出基板幾何形狀包含一圖案機率影像，且其中該圖案機率影像包含一半導體裝置中之一或多個通孔之經預測二維幾何形狀。
在一實施例中，該多維輸出基板幾何形狀包含一圖案機率影像，且其中該等指令經進一步組態以致使該一或多個處理器使用該圖案機率影像以用於一半導體裝置製造程序中之一微影可製造性檢查及/或圖案保真度度量衡。
在一實施例中，該輸入資訊包含用於一半導體裝置的一經模擬空中影像、一經模擬抗蝕劑影像、目標基板尺寸或來自與半導體裝置製造相關聯之一掃描器之資料中的一或多者。
在一實施例中，該輸入資訊包含複數個空中影像，且該複數個空中影像之個別空中影像對應於與一圖案化程序相關聯之抗蝕劑層中之不同高度。
在一實施例中，該機器學習預測模型包含一神經網路。
在一實施例中，該程序資訊包含用於對一半導體裝置執行之一或多個製造程序之一或多個參數。
在一實施例中，該等指令經進一步組態以致使該一或多個處理器運用訓練資訊來訓練該機器學習預測模型，該訓練資訊包含空中影像、目標圖案幾何形狀或圖案化程序參數以及來自一不同非機器學習預測模型之對應的實體基板量測及/或預測中的一或多者。
在一實施例中，來自一不同非機器學習預測模型之該等對應的實體基板量測及/或預測包含訓練圖案機率影像。
在一實施例中，該等指令經進一步組態以致使該一或多個處理器基於該經預測之多維輸出基板幾何形狀判定對一半導體裝置製造設備之一調整。
在一實施例中，該等指令經進一步組態以致使該一或多個處理器基於與一半導體裝置製造程序相關聯的顯影後檢測尺寸及蝕刻後檢測尺寸中之一者或兩者來校準該機器學習預測模型。
根據另一實施例，提供一種用於預測與一圖案化程序相關聯之基板幾何形狀之方法，該方法包含：接收包括用於一圖案之幾何形狀資訊及/或程序資訊之輸入資訊；及使用一機器學習預測模型基於該輸入資訊預測多維輸出基板幾何形狀。該預測包含基於該輸入資訊及/或該輸出基板幾何形狀判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量。
在一實施例中，該EPE度量針對該圖案之該一或多個特徵係對稱或不對稱的。
在一實施例中，一不對稱EPE度量具有一非高斯分佈。
在一實施例中，該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該對稱或不對稱EPE度量。
在一實施例中，該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。
在一實施例中，該多維輸出基板幾何形狀指示該圖案之特徵之形狀的可變性。
在一實施例中，該多維輸出基板幾何形狀指示給定幾何形狀佔據一基板上之一給定位置的一機率。
在一實施例中，該多維輸出基板幾何形狀包含在複數個維度上的圖案機率之一表示。
在一實施例中，圖案機率之該表示包含一圖案機率影像，該圖案機率影像包含針對該圖案之該一或多個特徵的二維基板幾何形狀之經預測機率。
在一實施例中，該圖案機率影像包含複數個堆疊影像，該複數個堆疊影像包含針對一或多個通孔之二維基板幾何形狀之經預測機率。
在一實施例中，該方法進一步包含運用該機器學習預測模型基於該多維輸出基板幾何形狀預測(1)一對稱或不對稱隨機邊緣置放誤差帶及(2)一隨機失效率中之一者或兩者。
在一實施例中，該方法進一步包含調節該機器學習預測模型使得該多維輸出基板幾何形狀與一經量測隨機邊緣置放誤差帶或經量測失效率匹配。
在一實施例中，該方法進一步包含調節該機器學習預測模型使得該多維輸出基板幾何形狀對應於或匹配來自一光學近接校正模型或一微影可製造性檢查模型之一平均輪廓預測。
在一實施例中，該多維輸出基板幾何形狀係與一半導體裝置中之一基板中之一圖案相關聯，且該圖案化程序包含一半導體裝置製造程序。
在一實施例中，該多維輸出基板幾何形狀包含一圖案機率影像，且其中該圖案機率影像包含一半導體裝置中之一或多個通孔之經預測二維幾何形狀。
在一實施例中，該多維輸出基板幾何形狀包含一圖案機率影像，且其中該方法進一步包含使用該圖案機率影像以用於一半導體裝置製造程序中之一微影可製造性檢查及/或圖案保真度度量衡。
在一實施例中，該輸入資訊包含用於一半導體裝置的一經模擬空中影像、一經模擬抗蝕劑影像、目標基板尺寸或來自與半導體裝置製造相關聯之一掃描器之資料中的一或多者。
在一實施例中，該輸入資訊包含複數個空中影像，且該複數個空中影像之個別空中影像對應於與該圖案化程序相關聯之抗蝕劑層中之不同高度。
在一實施例中，該機器學習預測模型包含一神經網路。
在一實施例中，該程序資訊包含用於對一半導體裝置執行之一或多個製造程序之一或多個參數。
在一實施例中，該方法進一步包含運用訓練資訊來訓練該機器學習預測模型，該訓練資訊包含空中影像、目標圖案幾何形狀或圖案化程序參數以及來自一不同非機器學習預測模型之對應的實體基板量測及/或預測中的一或多者。
在一實施例中，來自一不同非機器學習預測模型之該等對應的實體基板量測及/或預測包含訓練圖案機率影像。
在一實施例中，該方法進一步包含基於該經預測之多維輸出基板幾何形狀判定對一半導體裝置製造設備之一調整。
在一實施例中，該方法進一步包含基於與一半導體裝置製造程序相關聯的顯影後檢測尺寸及蝕刻後檢測尺寸中之一者或兩者來校準該機器學習預測模型。
根據一實施例，提供一種方法，其包含：運用一或多個處理器接收包括用於一基板上之一圖案之幾何形狀資訊及/或圖案化程序資訊之輸入資訊；運用該一或多個處理器基於該輸入資訊判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量；及運用該一或多個處理器基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域。
在一實施例中，該EPE度量針對該圖案之該一或多個特徵係對稱或不對稱的。
在一實施例中，一不對稱EPE度量具有一非高斯分佈。
在一實施例中，該EPE度量係運用一機器學習預測模型予以判定，且該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該EPE度量，無論該EPE度量是對稱抑或不對稱。
在一實施例中，該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。
在一實施例中，該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含熱點。
在一實施例中，該EPE度量係與同該基板上之該圖案相關聯的一良率相關。
在一實施例中，該輸入資訊包含與全局疊對、一全局臨界尺寸、局部疊對、一局部臨界尺寸、一線邊緣粗糙度、一局部置放誤差或一局部臨界尺寸均一性相關的一或多個參數；及/或指示該等參數中之兩者或多於兩者之間的一相互作用之一值。
在一實施例中，量測及/或模擬該輸入資訊。
根據另一實施例，提供一種製造程序，該程序包含：運用一或多個處理器接收包括用於一基板上之一圖案之幾何形狀資訊及/或圖案化程序資訊之輸入資訊；運用該一或多個處理器基於該輸入資訊判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量；及運用該一或多個處理器基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域。
在一實施例中，該EPE度量橫越該圖案之該一或多個特徵係對稱或不對稱的。
在一實施例中，一不對稱EPE度量具有一非高斯分佈。
在一實施例中，該EPE度量係運用一機器學習預測模型予以判定，且該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該EPE度量，無論該EPE度量是對稱抑或不對稱。
在一實施例中，該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。
在一實施例中，該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含熱點。
在一實施例中，該EPE度量係與同該基板上之該圖案相關聯的一良率相關。
在一實施例中，該輸入資訊包含包括全局疊對、一全局臨界尺寸、一局部臨界尺寸、一特徵邊緣粗糙度、一局部臨界尺寸均一性、光罩臨界尺寸、光罩置放誤差、掃描器至掃描器臨界尺寸、掃描器至掃描器疊對失配、圖案化工具臨界尺寸、圖案化工具疊對失配或特徵不對稱性之局部及全局變化的一或多個參數；及/或指示該等參數中之兩者或多於兩者之間的一相互作用/串擾之一值。
在一實施例中，該EPE度量包含該等參數中之兩者或多於兩者及/或指示該等參數中之兩者或多於兩者之間的該相互作用之該值的一組合。
在一實施例中，基於該等參數中之一或多者及/或指示該等參數中之兩者或多於兩者之間的該相互作用之該值而在數學上演算及/或預測該EPE度量。
在一實施例中，量測及/或模擬該輸入資訊。
在一實施例中，該EPE度量係基於一目標EPE機率位準而判定，該一或多個處理器經組態以使得由一使用者經由一使用者介面輸入或選擇該目標EPE機率位準。
在一實施例中，執行接收該輸入資訊、判定該EPE度量及判定該基板上之該圖案之具有一或多個潛在缺陷的該一或多個區域，作為半導體裝置效能之一評估、改良、預測或驗證之部分，其中該評估、改良、預測或驗證半導體裝置效能包含源光罩最佳化、光學近接校正、一微影可製造性檢查及/或用於與一半導體裝置相關聯之製造流程之一設計。
在一實施例中，基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域包含判定該圖案之一給定特徵佔據該基板上之一給定位置的一機率。
在一實施例中，基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域係基於一成本函數，該成本函數平衡一可接受的缺陷機率與檢測該一或多個區域之數目所需之資源，其中該可接受的缺陷機率與該基板上之該圖案之具有作為檢測之目標的該一或多個潛在缺陷的該一或多個區域之一數目有關。
在一實施例中，基於該EPE度量判定該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含判定用於該圖案之一或多個特徵之一圖案機率影像。
在一實施例中，該圖案機率影像包含針對該等特徵中之一或多者之經預測二維基板幾何形狀。
在一實施例中，該輸入資訊包含用於一半導體裝置之一或多個層的一經預測空中影像、目標基板尺寸或來自與半導體裝置製造相關聯之一掃描器及/或圖案化程序之資料中的一或多者及/或基於該等資訊中之該一或多者予以判定。
在一實施例中，該程序進一步包含基於該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域判定對一半導體裝置製造設備之一調整。
在一實施例中，該調整包含該圖案之一改變、一光罩之一改變、一劑量之一改變、一焦點之一改變、一曝光之一改變、一光瞳之一改變、一蝕刻及/或沈積程序溫度之一改變或一蝕刻及/或沈積程序時間之一改變中的一或多者。
在一實施例中，該一或多個處理器包含一計算微影模型，且其中判定該EPE度量包含將該輸入資訊用作至該計算微影模型之輸入來預測該EPE度量。
在一實施例中，該幾何形狀資訊包含該圖案之一或多個特徵之一大小及/或一位置的一或多個指示。
根據一實施例，提供一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時實施以上所描述之實施例中之任一者之程序。
根據一實施例，提供一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時致使該電腦進行以下操作：接收包括用於一基板上之一圖案之幾何形狀資訊及/或圖案化程序資訊之輸入資訊；基於該輸入資訊判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量；及基於該EPE度量識別該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域。
在一實施例中，該EPE度量橫越該圖案之該一或多個特徵係對稱或不對稱的。
在一實施例中，一不對稱EPE度量具有一非高斯分佈。
在一實施例中，該EPE度量係運用一機器學習預測模型予以判定，且其中該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該EPE度量，無論該EPE度量是對稱抑或不對稱。
在一實施例中，該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。
在一實施例中，該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含熱點。
在一實施例中，該EPE度量係與同該基板上之該圖案相關聯的一良率相關。
在一實施例中，該輸入資訊包含包括全局疊對、一全局臨界尺寸、一局部臨界尺寸、一特徵邊緣粗糙度、一局部臨界尺寸均一性、光罩臨界尺寸、光罩置放誤差、掃描器至掃描器臨界尺寸、掃描器至掃描器疊對失配、圖案化工具臨界尺寸、圖案化工具疊對失配或特徵不對稱性之局部及全局變化的一或多個參數；及/或指示該等參數中之兩者或多於兩者之間的一相互作用/串擾之一值。
在一實施例中，該EPE度量包含該等參數中之兩者或多於兩者及/或指示該等參數中之兩者或多於兩者之間的該相互作用之該值的一組合。
在一實施例中，量測及/或模擬該輸入資訊。
在一實施例中，該EPE度量係基於一目標EPE機率位準而判定，其中該目標EPE機率位準係由一使用者經由一使用者介面輸入或選擇。
在一實施例中，執行接收該輸入資訊、判定該EPE度量及判定該基板上之該圖案之具有一或多個潛在缺陷的該一或多個區域，作為源光罩最佳化、光學近接校正、一微影可製造性檢查及/或用於與一半導體裝置相關聯之製造流程之一設計的部分。
在一實施例中，基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域包含判定一給定特徵佔據該基板上之一給定位置的一機率。
在一實施例中，基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域係基於一成本函數，該成本函數平衡該基板上之該圖案之具有一或多個潛在缺陷的該一或多個區域之一數目與檢測該一或多個區域之該數目所需之資源。
在一實施例中，基於該EPE度量判定該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含判定用於該圖案之一或多個特徵之一圖案機率影像。
根據一實施例，提供一種儲存一機器學習預測模型及指令之一或多個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致使該一或多個處理器進行以下操作：接收包括用於一半導體裝置製造程序的幾何形狀資訊及/或圖案化程序資訊之輸入資訊；使用該機器學習預測模型基於該輸入資訊預測輸出半導體裝置幾何形狀，該輸出半導體裝置幾何形狀包含在複數個維度上的圖案機率之一表示，該預測包含基於該輸入資訊及/或該輸出半導體裝置幾何形狀判定與一圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量；接收基於對該半導體裝置製造程序之一調整而判定之新輸入資訊，該調整係基於該輸出半導體裝置幾何形狀而判定；及使用該機器學習模型(i)基於該新輸入資訊預測經更新之輸出半導體裝置幾何形狀，(ii)包括基於該新輸入資訊及/或該經更新之輸出半導體裝置幾何形狀判定一經更新EPE度量。
在一實施例中，圖案機率之該表示包含一圖案機率影像，該圖案機率影像包含針對該圖案之一或多個特徵的經預測二維基板幾何形狀。
在一實施例中，圖案機率之該表示包含一半導體裝置中之一或多個通孔之經預測二維幾何形狀。
在一實施例中，該等指令經進一步組態以致使該一或多個處理器運用該機器學習預測模型基於該圖案機率影像預測(1)一對稱或不對稱隨機邊緣置放誤差帶及(2)一隨機失效率中之一者或兩者。
在一實施例中，該輸入資訊包含一經模擬空中影像及一經模擬抗蝕劑影像中之一者或兩者。
隨著引入極紫外線(EUV)微影，隨機可變性效應變成諸如邊緣置放誤差及災難性圖案失效之圖案化誤差的主要來源。諸如在統計(例如機率)意義上詳細地特性化隨機邊緣置放誤差、局部CD變化(例如局部CD均一性-LCDU)、遺漏圖案特徵、橋接圖案特徵及/或圖案之其他特徵的所得效應將係有幫助的。出於監測半導體製造程序特性、程序窗居中、程序效能之目的及/或出於其他目的，已努力將簡單但合適的物理參數識別為LCDU及圖案失效之經驗「預測子」。
此等途徑提供允許將經量測LCDU或失效率外插至與使用者程序要求相關的位準之經驗「模型」。然而，此等模型係基於CD量測(亦即，沿著預定義切線所進行之個別量測)，該等CD量測通常並不提供關於二維圖案形狀之適當資訊。此外，此等模型不具有對於任何指定之變化程序參數或對於並未用於模型擬合或校準之新的或不同的圖案類型及形狀的預測能力。
使用蒙特卡羅(Monte-Carlo)途徑之隨機模擬已包括於嚴密的可商購之微影模擬封裝中，且被證實在程序及圖案化探索中係寶貴的。然而，歸因於運行時間約束及/或出於其他原因，此等模擬器無法處置大規模或全晶片圖案佈局。
先前的半經驗隨機邊緣置放(SEPE)模型並不足夠準確。此等模型自經模擬空中影像導出特定參數(例如影像對數斜率)且將此等所導出參數與在校準期間之經量測LCDU值進行擬合。然而，實務上，不存在對「空中影像」(或模糊空中影像或潛影)之嚴密定義，或確切及正確地評估影像斜率之位置。
另一方面，通常，空中影像包括使能夠預測或以其他方式判定隨機效應之足夠資訊。為了解決先前模型之此等及其他缺點，本發明提供一種用於預測與圖案化程序相關聯之基板幾何形狀之新方法(及/或經組態以預測與圖案化程序相關聯之基板幾何形狀之系統)。該方法包含：接收包括用於一圖案之幾何形狀資訊及/或程序資訊之輸入資訊；及使用一機器學習預測模型基於該輸入資訊預測多維輸出基板幾何形狀。在一些實施例中，該預測包含基於該輸入資訊及/或該輸出基板幾何形狀判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量。在一些實施例中，以機器學習為基礎之預測模型經組態以將經模擬空中影像強度分佈及/或其他資訊當作輸入，且預測二維圖案機率影像(PPI)及/或其他資訊。在一些實施例中，經模擬空中影像強度分佈係自空中影像模擬模型產生。
通常，可結合輪廓提取及輪廓堆疊技術自對大量掃描電子顯微鏡(SEM)影像或實體基板(例如半導體裝置)中之重複圖案陣列之大視場SEM影像進行之量測來產生圖案機率影像。本發明之實施例可預測及/或以其他方式判定包含圖案可變性之二維分佈(例如針對SEPE帶)以及圖案失效率(例如呈與目標佈局圖案對準之灰階映圖之形式，其可以例如.GDS檔案被描述)及/或其他資訊的圖案機率影像。
在一些實施例中，藉由使用經模擬空中影像及對應的經量測(如上文所描述)圖案機率影像及/或如下文所描述之其他資訊來訓練機器學習(例如計算神經網路)預測模型。可藉由使用空中影像模擬模型基於已知光罩佈局、光罩特性、掃描器光學件、抗蝕劑膜堆疊特性、對準至.GDS佈局圖案之經模擬空中影像灰階影像及/或其他資訊來產生經模擬空中影像。
本發明之實施例可有利地提供針對以全晶片模擬為基礎之應用(例如針對用於微影可製造性檢查(LMC)、計算熱點偵測(CHD)、圖案保真度度量衡(PFM)及/或其他操作之臨界圖案識別)之預測能力。本發明之實施例可例如取決於如何訓練模型來提供對於隨機可變性帶及/或總圖案可變性之預測能力。本發明之實施例可有利地提供對於隨機圖案失效率之預測能力，包括在「低於ppm」(百萬分之一)失效位準下之預測，該等失效位準不能被規則地模型化(例如歸因於針對先前模型中之典型相關性在此低失效率下需要大量的量測)。本發明之實施例可有利地運用在抗蝕劑層中之不同位置處模擬之空中影像來訓練且對該等空中影像進行預測，以捕捉抗蝕劑輪廓效應及可與高數值孔徑(NA) EUV微影相關的對應缺陷機制。此等實例優點並不意欲為限制性的。
本發明之另一態樣提供使用邊緣置放誤差(EPE)度量以用於熱點(例如裝置之不恰當地設計及/或製造之部分)偵測及/或驗證。基於用以偵測熱點之各種個別度量來進行當前程序調整(例如進行當前程序調整作為用於製造之設計(DFM)、微影可製造性檢查(LMC)及/或其他設計驗證流程之部分)。此等度量包括臨界尺寸(CD)誤差、低對比度/高光罩誤差增強因子(MEEF)、程序窗(PW)帶及/或其他關鍵效能指示符(KPI)。然而，此等及其他個別KPI通常與總體裝置良率(例如其為程序顯影及最佳化之最終目標)之相關性並不良好。特定言之，舉例而言，個別CD及疊對量測以及後光學近接校正(OPC)或源光罩最佳化(SMO)可製造性驗證KPI具有相對較小能力來預測經設計或製造裝置中之潛在熱點。若遺漏了熱點，則可以繼續處理裝置，僅在製造程序中在稍後時間將其捨棄。
使用具有相對較小能力來預測熱點的此等個別KPI可導致較低層及裝置良率(例如此係因為若不存在/存在很少經預測熱點，則可能未識別出潛在的製造問題)，及/或需要更廣泛的晶圓上缺陷/熱點檢測及驗證，接著是進行更多的程序最佳化迴圈。使用具有相對較小能力來預測熱點的此等個別KPI亦可導致較長加速工作時間及成本，包括額外光罩寫入及微影程序最佳化，以及其他缺點。
本發明之實施例提供一種整體EPE度量，該EPE度量與先前KPI相比有利且顯著地更多地指示總層及裝置良率且可用以更有效地預測及/或偵測熱點。可基於包括全局及局部CD誤差、預期局部及全局圖案位移(疊對誤差+局部置放誤差(LPE))及/或其他因素之EPE貢獻因素之組合來判定EPE度量。
參看圖式詳細地描述本發明之實施例，該等圖式被提供為本發明之說明性實例以便使熟習此項技術者能夠實踐本發明。值得注意地，以下之諸圖及實例不意欲將本發明之範疇限於單一實施例，而是借助於所描述或所說明元件中之一些或全部之互換而使其他實施例係可能的。此外，在可部分地或完全地使用已知組件來實施本發明之某些元件的情況下，將僅描述理解本發明所必需之此等已知組件之彼等部分，且將省略此等已知組件之其他部分之詳細描述以便不混淆本發明。如對於熟習此項技術者將顯而易見的是，描述為以軟體實施之實施例不應限於此，而是可包括以硬體或軟體與硬體之組合實施之實施例，且反之亦然，除非本文中另外指定。在本說明書中，展示單數組件之實施例不應被認為限制性的；實情為，除非本文中另有明確陳述，否則本發明意欲涵蓋包括複數個相同組件之其他實施例，且反之亦然。此外，申請人不意欲使本說明書或申請專利範圍中之任何術語歸結於不常見或特殊涵義，除非如此明確闡述。另外，本發明涵蓋本文中借助於說明而提及之已知組件的目前及未來已知等效者。
儘管在本文中可特定地參考IC之製造，但應明確理解，本文中之描述具有許多其他可能的應用。舉例而言，其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。熟習此項技術者應瞭解，在此類替代應用之內容背景中，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為分別與更一般之術語「光罩」、「基板」及「目標部分」可互換。
在本發明之文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如具有為365 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外線輻射(EUV，例如具有在約5 nm至100 nm之範圍內之波長)。
如本文所使用之術語「投影光學件」應被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」亦可包括用於集體地或單個地導向、塑形或控制投影輻射光束的根據此等設計類型中之任一者而操作之組件。術語「投影光學件」可包括微影投影設備中之任何光學組件，而不論光學組件位於微影投影設備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通過(例如半導體)圖案化裝置之前塑形、調整及/或投影該輻射的光學組件，及/或用於在輻射通過圖案化裝置之後塑形、調整及/或投影該輻射的光學組件。投影光學件通常排除源及圖案化裝置。
(例如半導體)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(CAD)程式來產生設計佈局，此程序常常被稱作電子設計自動化(EDA)。大多數CAD程式遵循預定設計規則之集合，以便產生功能設計佈局/圖案化裝置。藉由處理及設計限制而設定此等規則。舉例而言，設計規則定義裝置(諸如閘、電容器等)或互連線之間的空間容許度，以便確保裝置或線彼此不會以非所要方式相互作用。設計規則可包括及/或指定特定參數、關於參數之極限及/或參數範圍，及/或其他資訊。設計規則限制及/或參數中之一或多者可被稱作「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，或其他特徵。因此，CD判定經設計裝置之總大小及密度。裝置製作中之目標中之一者係在基板上如實地再生原始設計意圖(經由圖案化裝置)。
如在本文中所使用之術語「光罩」或「圖案化裝置」可被廣泛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半導體圖案化裝置，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；術語「光閥」亦可用於此內容背景中。除經典光罩(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。在使用適當濾光器的情況下，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得圖案化。可使用合適電子構件來執行所需矩陣定址。在以引用方式併入本文中之美國專利第5,229,872號中給出可程式化LCD陣列之實例。
如本文中所使用，術語「圖案化程序」通常意謂作為微影程序之部分的藉由施加光之指定圖案來產生經蝕刻基板的程序。然而，「圖案化程序」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」意謂將待蝕刻於基板上之理想化圖案。
如本文中所使用，術語「印刷圖案」意謂基板上之基於目標圖案而蝕刻的實體圖案。舉例而言，印刷圖案可包括凹槽、通道、凹部、邊緣或由微影程序產生之其他二維及三維特徵。
如本文中所使用，術語「預測模型」及/或「程序模型」(其可互換使用)意謂包括模擬圖案化程序之一或多個模型之模型。舉例而言，預測及/或程序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進入光阻上之光之最終光學影像的光學模型)、抗蝕劑模型(例如模型化抗蝕劑之物理效應，諸如歸因於光之化學效應的抗蝕劑模型)，及OPC模型(例如可用以製造目標圖案且可包括次解析度抗蝕劑特徵(SRAF)等的OPC模型)及/或其他模型。
如本文中所使用，術語「校準」意謂修改(例如改良或調節)及/或驗證某物，諸如程序模型。
作為引言，圖1說明實例微影投影設備10A之各種子系統的圖解。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)源的其他類型之源(如上文所論述，微影投影設備自身無需具有輻射源)；照明光學件，其例如定義部分相干性(被表示為均方偏差)且可包括塑形來自源12A之輻射的光學件14A、16Aa及16Ab；圖案化裝置18A；及透射光學件16Ac，其將圖案化裝置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(Θ max)，其中n為基板與投影光學件之最後元件之間的介質之折射率，且Θ max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，源將照明(亦即輻射)提供至圖案化裝置，且投影光學件經由圖案化裝置將照明導向至基板上且塑形該照明。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演算抗蝕劑影像，可在全部揭示內容據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。抗蝕劑模型係與抗蝕劑層之屬性(例如，在曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應)有關。微影投影設備之光學屬性(例如，照明、圖案化裝置及投影光學件之屬性)規定空中影像且可被定義於光學模型中。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。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號中描述了用以將設計佈局變換成各種微影影像(例如空中影像、抗蝕劑影像等)、使用技術及模型來應用OPC且評估效能(例如依據程序窗)的彼等技術及模型之細節，該等公開案中之每一者之全部揭示內容特此係以引用方式併入。
可需要使用一或多個工具以產生例如可用以設計、控制、監測等圖案化程序的結果。可提供用於計算上控制、設計等圖案化程序之一或多個態樣的一或多個工具，諸如用於圖案化裝置之圖案設計(包括例如添加次解析度輔助特徵或光學近接校正)、用於圖案化裝置之照明等。因此，在用於計算上控制、設計等涉及圖案化之製造程序之系統中，製造系統組件及/或程序可由各種功能模組及/或模型描述。在一些實施例中，可提供描述圖案化程序之一或多個步驟及/或設備之一或多個電子(例如數學、參數化等)模型。在一些實施例中，可使用一或多個電子模型來執行圖案化程序之模擬以模擬圖案化程序使用由圖案化裝置提供之設計圖案形成經圖案化基板之方式。
圖2中說明用於模擬微影投影設備中之微影的例示性流程圖。照明模型31表示照明之光學特性(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(包括由給定設計佈局造成的輻射強度分佈及/或相位分佈之改變)，該設計佈局為在圖案化裝置上或由圖案化裝置形成之特徵之配置的表示。可使用照明模型31、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而自空中影像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/或CD。
更具體言之，照明模型31可表示照明之光學特性，該等光學特性包括但不限於NA-均方偏差(σ)設定，以及任何特定照明形狀(例如，離軸照明，諸如，環形、四極、偶極等)。投影光學件模型32可表示投影光學件之光學特性，包括例如像差、失真、折射率、實體大小或尺寸等。設計佈局模型35亦可表示實體圖案化裝置之一或多個物理屬性，如例如全文以引用方式併入之美國專利第7,587,704號中所描述。與微影投影設備相關聯之光學屬性(例如照明、圖案化裝置及投影光學件之屬性)規定空中影像。由於微影投影設備中使用之圖案化裝置可改變，故需要將圖案化裝置之光學屬性與至少包括照明及投影光學件之微影投影設備之其餘部分的光學屬性分離(因此設計佈局模型35)。
可使用抗蝕劑模型37以自空中影像演算抗蝕劑影像，可在全文特此以引用方式併入之美國專利第8,200,468號中找到此情形之實例。抗蝕劑模型通常與抗蝕劑層之屬性(例如，在曝光、曝光後烘烤及/或顯影期間發生的化學程序之效應)有關。
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預OPC設計佈局，其可以諸如GDS、GDSII、OASIS或其他檔案格式之標準化數位檔案格式而提供。
自此設計佈局，可識別被稱作「剪輯」之一或多個部分。在一實施例中，提取剪輯集合，其表示設計佈局中之複雜圖案(通常約為50個至1000個剪輯，但可使用任何數目個剪輯)。如熟習此項技術者應瞭解，此等圖案或剪輯表示設計之小部分(例如，電路、格胞等)，且該等剪輯尤其表示需要特定關注及/或驗證之小部分。換言之，剪輯可為設計佈局之部分，或可相似或具有臨界特徵係藉由經驗而識別(包括由客戶提供之剪輯)、藉由試誤法而識別或藉由執行全晶片模擬而識別的設計佈局之部分的相似行為。剪輯常常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，可藉由使用識別臨界特徵區域之自動化(諸如，機器視覺)或手動演算法而自整個設計佈局提取初始較大剪輯集合。
舉例而言，模擬及模型化可用以組態圖案化裝置圖案之一或多個特徵(例如執行光學近接校正)、照明之一或多個特徵(例如改變照明之空間/角強度分佈之一或多個特性，諸如改變形狀)，及/或投影光學件之一或多個特徵(例如數值孔徑等)。此組態通常可分別被稱作光罩最佳化、源最佳化及投影最佳化。可獨立地執行或以不同組合形式組合此最佳化。一個此類實例為源-光罩最佳化(source-mask optimization，SMO)，其涉及組態圖案化裝置圖案之一或多個特徵連同照明之一或多個特徵。最佳化技術可聚焦於剪輯中之一或多者。最佳化可使用本文中所描述之機器學習模型以預測各種參數(包括影像等)之值。
在一些實施例中，可將系統之最佳化程序表示為成本函數。最佳化程序可包含尋找系統之最小化成本函數之一組參數(設計變數、程序變數等)。成本函數可取決於最佳化之目標而具有任何合適形式。舉例而言，成本函數可為系統之某些特性(評估點)相對於此等特性之預期值(例如理想值)之偏差的加權均方根(RMS)。成本函數亦可為此等偏差(亦即，最差偏差)之最大值。術語「評估點」應被廣泛地解譯為包括系統或製作方法之任何特性。歸因於系統及/或方法之實施的實務性，系統之設計及/或程序變數可經限制至有限範圍及/或可相互相依。在微影投影設備之狀況下，約束常常與硬體之物理屬性及特性(諸如可調節範圍及/或圖案化裝置可製造性設計規則)相關聯。評估點可包括基板上之抗蝕劑影像上之實體點，以及非物理特性，諸如(例如)劑量及焦點。
在微影投影設備中，作為一實例，可將成本函數表達為
Figure 02_image001
其中( z 1, z 2,…, z N )係 N個設計變數或其值，且 f p ( z 1, z 2,…, z N )可為設計變數( z 1, z 2,…, z N )之函數，諸如( z 1, z 2,…, z N )之設計變數之值集合的特性之實際值與預期值之間的差。在一些實施例中， 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 )不限於以上方程式之形式，且 CF( z 1, z 2,…, z N )可呈任何其他合適形式。
成本函數可表示微影投影設備、微影程序或基板之任一或多個合適特性，例如，焦點、CD、影像移位、影像失真、影像旋轉、隨機變化、產出量、局域CD變化、程序窗、層間特性或其組合。在一些實施例中，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 )可簡單地為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 ))。參數(例如設計變數)可包括任何可調整參數，諸如源、圖案化裝置、投影光學件、劑量、焦點等之可調整參數。
參數(例如設計變數)可具有約束，該等約束可被表達為( z 1, z 2,…, z N ) ∈ 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量來強加對設計變數之一個可能約束。在無藉由所要產出量而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之值集合。約束不應被解譯為必要性。舉例而言，產出量可受光瞳填充比影響。對於一些照明設計，低光瞳填充比可捨棄輻射，從而導致較低產出量。產出量亦可受到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)導致較低產出量。
在一些實施例中，照明模型31、投影光學件模型32、設計佈局模型35、抗蝕劑模型37及/或與積體電路製造程序相關聯及/或在積體電路製造程序中所包括之其他模型可為執行本文中所描述之方法之操作的經驗模型。該經驗模型可基於各種輸入(例如，光罩或晶圓影像之一或多個特性、設計佈局之一或多個特性、圖案化裝置之一或多個特性、微影程序中所使用之照明之一或多個特性，諸如波長等)之間的相關性預測輸出。
作為一實例，經驗模型可為機器學習模型及/或任何其他參數化模型。在一些實施例中，機器學習模型(例如)可為及/或包括數學方程式、演算法、標繪圖、圖表、網路(例如神經網路)，及/或其他工具及機器學習模型組件。舉例而言，機器學習模型可為及/或包括具有一輸入層、一輸出層及一或多個中間或隱藏層之一或多個神經網路。在一些實施例中，一或多個神經網路可為及/或包括深度神經網路(例如，在輸入層與輸出層之間具有一或多個中間或隱藏層的神經網路)。
作為一實例，該一或多個神經網路可基於神經單元(或人工神經元)之大集合。該一或多個神經網路可不嚴格地模仿生物大腦工作之方式(例如，經由由軸突連接之大的生物神經元簇)。神經網路之每一神經單元可與該神經網路之許多其他神經單元連接。此類連接可加強或抑制其對所連接之神經單元之激活狀態之影響。在一些實施例中，每一個別神經單元可具有將所有其輸入之值組合在一起之求和函數。在一些實施例中，每一連接(或神經單元自身)可具有臨限值函數使得信號在其被允許傳播至其他神經單元之前必須超出臨限值。此等神經網路系統可為自學習及經訓練，而非經明確程式化，且與傳統電腦程式相比，可在某些問題解決領域中顯著更佳地執行。在一些實施例中，一或多個神經網路可包括多個層(例如，其中信號路徑自前端層橫穿至後端層)。在一些實施例中，可由神經網路利用反向傳播技術，其中使用前向刺激以對「前端」神經單元重設權重。在一些實施例中，對一或多個神經網路之刺激及抑制可更自由流動，其中連接以較混亂且複雜之方式相互作用。在一些實施例中，一或多個神經網路之中間層包括一或多個迴旋層、一或多個重現層及/或其他層。
可使用訓練資訊之集合來訓練一或多個神經網路(亦即判定其參數)。訓練資訊可包括訓練樣本之集合。每一樣本可為包含輸入物件(通常為向量，其可被稱為特徵向量)及所要輸出值(亦被稱為監督信號)之一對。訓練演算法分析訓練資訊且藉由基於訓練資訊調整神經網路之參數(例如一或多個層之權重)來調整該神經網路之行為。舉例而言，在給出形式為{(x 1,y 1),(x 2,y 2),…,(x N,y N)}之N個訓練樣本之集合使得x i為第i實例的特徵向量且y i為其監督信號之情況下，訓練演算法尋找神經網路
Figure 02_image003
，其中X為輸入空間且Y為輸出空間。特徵向量為表示某物件(例如經模擬空中影像、晶圓設計、剪輯等)之數值特徵之n維向量。與此等向量相關聯之向量空間常常被稱為特徵空間。在訓練之後，神經網路可用於使用新樣本來進行預測。
根據本發明之一實施例之例示性方法包含：接收包括用於圖案之幾何形狀資訊及/或程序資訊之輸入資訊；及使用機器學習預測模型基於輸入資訊預測多維輸出基板幾何形狀。預測包含：基於輸入資訊判定與圖案之一或多個特徵相關聯之邊緣置放誤差(EPE)度量；及基於EPE度量預測多維輸出基板幾何形狀。運用訓練資訊校準(例如訓練)目前機器學習預測模型。訓練資訊可包括與圖案(例如目標設計、校準圖案及/或其他圖案)相關聯之經模擬空中影像，及對應經量測(如上文所描述)圖案機率影像及/或其他資訊。訓練資訊亦可包括光罩佈局、光罩特性、掃描器光學件、抗蝕劑膜堆疊特性、對準至GDS佈局圖案之經模擬空中影像灰階影像，及/或其他資訊。舉例而言，校準(訓練)可包括獲得與圖案(例如待印刷於晶圓或其部分上)相關聯之經模擬空中影像。自該等影像，可提取對應於圖案之特徵的輪廓(例如形狀、尺寸等)。特徵可由機器學習預測模型使用以預測對應的圖案機率影像。可調整(或學習)模型參數使得經預測圖案機率影像更準確地匹配經量測圖案機率影像(例如包括於訓練資訊中)。經校準(例如經訓練)模型可用以基於不同的(經預測)空中影像及/或用作用於模型之輸入之其他資訊來進行新預測(例如預測新的圖案機率影像)。
在一些實施例中，例示性系統及方法提供以機器學習為基礎之預測模型，該預測模型將來自所建立空中影像模擬模型之經模擬空中影像強度分佈及/或其他資訊用作輸入且預測二維圖案機率影像(PPI)及/或其他資訊。本發明之實施例可預測及/或以其他方式判定包含圖案可變性(例如針對SEPE帶)之二維分佈以及圖案失效率及/或其他資訊之圖案機率影像。
圖3說明根據本發明之一實施例之例示性方法300。在一些實施例中，方法300包含：訓練302機器學習預測模型、接收304輸入資訊、預測306多維輸出基板幾何形狀，及執行308 LMC、PFM及/或其他程序監測操作。在一些實施例中，多維輸出基板幾何形狀指示半導體裝置中之基板中之特徵，且圖案化程序包含半導體裝置製造程序。在一些實施例中，方法300包括基於來自模型之預測調整310製造程序參數及/或製造設備、調節312機器學習預測模型及/或其他操作。以下呈現的方法300之操作意欲係說明性的。在一些實施例中，方法300可用未描述之一或多個額外操作及/或不用所論述之操作中之一或多者來實現。舉例而言，操作308、310、312及/或其他操作可為選用的。另外，在圖3中說明及在下文描述方法300之操作之次序並不意欲為限制性的。舉例而言，方法300可包括或可不包括操作308、310及/或312。
作為非限制性綜述實例，圖4說明例示性程序流程，其包括接收304輸入資訊、使用機器學習預測模型400預測306多維輸出基板幾何形狀，及執行308 LMC 402及/或PFM 404。在一些實施例中，經預測多維輸出基板幾何形狀包含一或多個圖案機率影像，及/或給定特徵之給定幾何形狀佔據基板上之給定位置之機率的其他指示。在一些實施例中，圖案機率影像包含複數個堆疊影像，該複數個堆疊影像包含例如針對一或多個通孔之二維基板幾何形狀之經預測機率。
在一些實施例中，如圖4中所展示，機器學習預測模型400包含(深度)神經網路406及/或其他組件。神經網路406包括一輸入層408、一輸出層410及複數個隱藏層412 (此神經網路設計並非意欲為限制性的)。神經網路406可充當幾何形狀機率模型或缺陷機率模型，此係因為由神經網路406預測之多維輸出基板幾何形狀可包括圖案機率影像416及/或其他資訊。圖案機率影像416可用以預測及/或以其他方式判定隨機邊緣置放誤差帶、缺陷之存在、缺陷率及/或如下文所描述之其他資訊。在圖4中所展示之實例中，輸入資訊包括經模擬空中影像414。然而，輸入資訊可包括其他資訊，諸如光罩資料、掃描器資料、經模擬抗蝕劑影像及如本文所描述之其他資訊。下文進一步描述與操作304、306及308相關之細節。
返回至圖3，在一操作處，訓練302 (且亦可校準)機器學習預測模型。用於訓練模型之訓練資訊可包括輸入物件及對應經量測或所要輸出值之若干對或集合。訓練資訊可包含空中影像、目標圖案或圖案化程序參數以及來自不同的非機器學習預測模型之對應實體基板量測及/或預測中的一或多者。來自不同的非機器學習預測模型之對應實體基板量測及/或預測包含訓練(例如先前經判定)圖案機率影像及/或其他資訊。舉例而言，在目前機器學習預測模型中，訓練資訊包括與圖案(例如目標設計、校準圖案及/或其他圖案)相關聯之經模擬空中影像，及對應經量測(如上文所描述)圖案機率影像及/或其他資訊。訓練資訊亦可包括光罩佈局、光罩特性、掃描器光學件參數、抗蝕劑膜堆疊特性、對準至GDS佈局圖案之經模擬空中影像灰階影像，及/或其他資訊。作為非限制性實例，訓練可包括獲得經模擬空中影像及對應經量測圖案機率影像之若干對。可將該等對作為訓練資訊提供至機器學習預測模型。機器學習預測模型可使用所提供之該等訓練資訊對進行自學習(例如當模型係或包括如圖4中所展示之神經網路時)。經訓練機器學習預測模型可用以基於不同輸入資訊，諸如不同(經預測)空中影像及/或如上文所描述之其他資訊，來進行新預測(例如預測新圖案機率影像)。
在一操作處，藉由機器學習預測模型接收304 (例如相對於訓練資訊之新的或不同的資訊)輸入資訊。輸入資訊包括幾何形狀資訊、程序資訊及/或其他資訊。程序資訊包含為了製造半導體裝置所執行之一或多個製造程序之一或多個參數，及/或其他資訊。該一或多個參數可與不同處理操作、在基板上形成圖案之特徵、自基板或層添加或移除材料及/或為了製作半導體裝置所執行之其他操作及/或其他資訊相關聯。幾何形狀資訊包含用於與半導體裝置相關聯之一或多個圖案之一或多個特徵之尺寸、設計、空間定向及/或其他幾何特性，及/或其他資訊。藉由機器學習預測模型接收輸入資訊作為用於產生預測之輸入。舉例而言，輸入資訊可包含經模擬空中影像、經模擬抗蝕劑影像、目標特徵尺寸、來自與半導體裝置製造相關聯之掃描器之資料、光罩佈局、光罩特性、掃描器光學件參數、抗蝕劑膜堆疊特性及/或用於半導體裝置之其他資訊中的一或多者。
在一些實施例中，如上文所描述，輸入資訊包含經模擬空中影像。空中影像可用作輸入資訊，此係因為空中影像包括與LCDU相關之圖案特定敏感度、個別圖案特徵中之缺陷及其他資訊。圖案特定敏感度可指歸因於圖案或圖案特徵之形狀、相鄰圖案等，可具有變得有缺陷或導致大的CD可變性(LCDU)的不同機率的不同圖案或不同圖案特徵。在一些實施例中，輸入資訊包含複數個空中影像，其中該複數個空中影像之個別空中影像對應於抗蝕劑層中之不同高度。此類影像可有助於預測抗蝕劑輪廓、抗蝕劑輪廓效應及/或其他資訊。
在操作306處，藉由機器學習預測模型預測多維輸出基板幾何形狀。基於輸入資訊及/或其他資訊預測多維輸出基板幾何形狀。多維輸出基板幾何形狀指示基板中之圖案之特徵之形狀的經預測多維可變性。經預測多維輸出基板幾何形狀指示給定特徵之給定幾何形狀佔據基板上之給定位置的機率。在一些實施例中，經預測多維輸出基板幾何形狀包含一或多個圖案機率影像，及/或給定特徵之給定幾何形狀佔據基板上之給定位置之機率的其他指示。
舉例而言，圖5說明經預測圖案機率影像500。圖案機率影像500包含針對圖案之一或多個特徵之經預測二維基板幾何形狀。在圖5中所展示之實例中，特徵為複數個通孔502 (其中三個個別通孔被標註為A、B及C)，但此實例並非意欲為限制性的。特徵之其他實例可包括具有其他形狀(例如矩形或正方形)之通孔、特徵之陣列或隨機佈局、線空間、導柱及/或其他特徵。在一些實施例中，圖案機率影像500說明具有一或多個圖案特徵(例如通孔502、特徵之陣列或隨機佈局、線空間、導柱及/或其他特徵)的圖案之一或多個單位胞元。在此實例中，通孔502 (其將向下延伸通過頁面)被展示處於經圖案化基板510之給定部分(例如一或多個單位胞元)中之不同的座標506、508位置處。圖案機率影像500表示對來自堆疊於彼此之頂部上之圖案周圍的不同位置的相同一或多個單位胞元之複數個(例如數千個)預測，其中圖案之一或多個特徵之對應特徵對準(例如此實例中之個別通孔502)。圖案機率影像500係與機率指示符504相關聯。在此實例中，機率指示符504被表示為陰影梯度長條，其中較深陰影指示較高機率(但此實例並非意欲為限制性的)。梯度長條中之陰影對應於個別通孔502中之陰影，使得通孔502之較深陰影區域指示相對於基板510上之其他位置，在所製造半導體裝置中在彼位置處將存在通孔502或通孔502之一部分的機率較高之預測。
此在包括通孔502A之基板510之一部分的視圖520中加以進一步說明。視圖520中之通孔502A係大體上橢圓形，其中相對較深陰影516處於該橢圓的中間部分522處或附近。通孔502之深色陰影516自橢圓之中間部分522向外延伸，且接著橫越橢圓之外邊緣處的帶524變得逐漸較淺。中間部分522中之深色陰影516指示在所製造半導體裝置中在彼位置處將存在通孔502A或通孔502A之一部分的機率較高之預測。帶524中之逐漸較淺陰影指示在所製造半導體裝置中在彼位置處將存在通孔502A或通孔502A之一部分的機率愈來愈小之預測。在橢圓外部之位置518處，白色梯度顏色指示在所製造半導體裝置中在彼位置處將存在通孔502或通孔502之一部分的機率為零或幾乎為零之預測。
以此方式，圖案機率影像500指示基板510中之圖案之特徵(例如通孔502)之形狀的多維可變性。舉例而言，除了向通孔502A (及其他通孔及/或其他特徵)提供基板510中之經預測座標位置以外，橫越通孔502A之邊緣處之帶524的梯度陰影(對應於不同經預測機率)亦提供通孔502A之邊緣位置可橫越圖案及/或「向下」或「向上」通過基板如何變化之指示。此經預測機率梯度可用以判定邊緣置放誤差帶及/或用於通孔502及/或其他特徵之隨機其他資訊。用於(例如)通孔502之經預測座標位置可用以判定是否將按照預期在層之間進行電接觸，或替代地是否將存在缺陷。
根據本發明之實施例，藉由機器學習預測模型預測之例示性多維輸出基板幾何形狀即使針對極低隨機圖案失效率亦可有利地提供預測能力。此等極低隨機圖案失效率可與圖案失效之不常見或不頻繁(但仍然重要的)類型相關聯。可如此不頻繁地發生此等不常見或不頻繁類型之圖案失效，使得在典型製造程序期間針對此類缺陷可能記錄非常少或未記錄量測或其他資料。此意謂任何此類量測或其他資料不可用以(或並不足夠資料可用以)校準先前模型，且因此先前模型不能準確地預測此等不常見或不頻繁的失效類型。
因為例示性模型為機器學習預測模型，所以其可較佳預測圖案失效率之此等不常見或不頻繁的類型。即使描述特定失效類型之量測或其他資料不可用，機器學習預測模型亦學習輸入資訊之多少特徵與失效相關，且失效是常見抑或不常見。舉例而言，圖案缺陷之不常見或不頻繁類型可在多維輸出基板幾何形狀(機率)預測分佈之尾部隱藏。舉例而言，多維輸出基板幾何形狀(機率)預測分佈之尾部可對應於特徵邊緣及/或其他位置。在一些實施例中，機器學習預測模型經組態以基於非線性尺度對圖案中之特徵及/或特徵邊緣之可能位置進行預測。
基於非線性尺度進行預測在圖6中加以說明。圖6說明基板606中之經預測圖案機率影像604之一部分，其具有圖案機率影像604中之通孔之經預測座標600、602位置(此實例並非意欲為限制性的)。圖6說明機率指示符608。在此實例中，機率指示符608包含陰影梯度長條，其中較深陰影指示較高機率(同樣，此實例並非意欲為限制性的)。梯度長條中之陰影對應於圖案機率影像604中之通孔之陰影，使得圖案機率影像604之較深陰影區域指示相對於基板606上之其他位置(在此實例中除區域「b」之外，如下文所描述)，在所製造半導體裝置中在彼位置處將存在通孔或通孔之一部分的機率較高之預測。
圖6亦說明圖案機率影像604之外邊緣處或附近的區域「a」，及圖案機率影像604之中心處或附近的區域「b」。區域a及b亦在圖形表示610中展示。圖形表示610說明經預測圖案機率影像604之該部分中之位置612，且豎直軸614展示與中值分佈值之標準偏差數目(0 =中值，其中1及-1以及2及-2展示與平均值之標準偏差之數目)。線616指示常態分佈，線618說明中值經預測之特徵邊緣位置，且線620及622說明用於經預測特徵邊緣位置之極值。如在表示610中所展示，區域a及b位於對於圖案機率影像604中之位置之機率預測的極端處。在一些實施例中，機器學習預測模型經組態以對區域a及b及/或如上文所描述之圖案機率影像604之其他區域中或附近的邊緣之可能位置進行預測。在一些實施例中，機器學習預測模型可判定一特定特徵之經預測邊緣相對遠離針對一特徵邊緣(例如線618)之正常/典型/標稱/先前經預測位置，且進一步外插結果以預測比SEM工具可量測更低的機率特徵位置。在一些實施例中，運用對數尺度資料訓練機器學習預測模型以有助於預測較低機率特徵位置。舉例而言，可將訓練圖案機率影像轉換成對數尺度(例如10^N至N)且輸入至模型中。因此，來自模型之對應的自輸出亦可在對數尺度上。為了進行失效率判定，可將來自模型之預測後處理回至線性尺度(例如N→10^N)。
返回至圖3，在一些實施例中，操作306包括運用機器學習預測模型預測及/或以其他方式判定邊緣置放誤差(EPE)度量及/或其他資訊。在一些實施例中，EPE度量可為與其他關鍵效能指示符相比更能預測總層及裝置良率的邊緣置放誤差之整體指示(參見下文對EPE度量之詳述論述)。EPE度量可為及/或包括單個參數，諸如邊緣置放誤差、隨機邊緣置放誤差帶(SEPE)之值，及/或其他單個參數。EPE度量亦可為及/或包括此類參數及/或其他指示之組合。亦可自在任何方向上之2D圖案機率影像導出EPE度量以特性化在對應方向上的可能失效模式。下文進行對EPE度量之更詳細論述。在一些實施例中，操作306包括基於輸入資訊、多維輸出基板幾何形狀及/或其他資訊判定與圖案之一或多個特徵相關聯之EPE度量。在一些實施例中，操作306包括預測及/或以其他方式判定隨機失效率及/或其他資訊。
作為非限制性實例，圖案機率影像中的在基板中之圖案之各種特徵之位置的經預測機率(例如由特徵之梯度陰影表示)可用以判定在所製造半導體裝置中在給定位置處是否將存在特徵(例如通孔)或特徵之一部分。可將在給定位置處將存在特徵的機率與用於圖案之目標設計相比較，及/或與其他資訊相比較。可基於此類比較而預測及/或以其他方式判定個別缺陷(例如特徵或特徵之部分很可能在其不應存在之處存在，或在其應存在之處不存在)、缺陷率(例如每多個總特徵之缺陷數目)及/或其他資訊。舉例而言，可回應於特徵之經預測位置突破用於該等經預測位置之臨限位置準則而偵測缺陷。另外，特徵之邊緣處的機率梯度(例如對應於不同經預測機率之陰影)提供特徵之邊緣之位置可橫越圖案如何變化的指示。此經預測機率梯度可用以判定隨機邊緣置放誤差帶及/或用於圖案之特徵之其他資訊。
作為另一非限制性實例，圖7說明根據本發明之一實施例的由例示性機器學習預測模型針對各種劑量702及焦點704條件預測的缺陷機率映圖700。圖7說明與通孔701 (作為一實例，代替通孔及/或除了通孔以外，亦預期其他圖案特徵)相關聯的缺陷之經預測可能性。圖7說明經預測圖案機率影像706。可基於如上文所描述之經模擬空中影像及/或其他資訊來預測圖案機率影像706。圖7亦說明針對每一劑量及焦點組合之通孔701之二維形狀720的經預測(機率) (例如在每一劑量焦點組合下用於通孔701之圖案機率影像)。缺陷機率係由機率長條708中之陰影指示，其中較淺陰影指示較高缺陷機率。為了輔助解譯，圖7中之方框亦已被標註LP (相對較低機率)、HP (相對較高機率)或HHP (最高機率)。
機率長條708亦包括針對很可能有缺陷通孔722及很可能無缺陷通孔724之實例通孔之二維幾何形狀的代表性經預測(機率)。圖7說明不同劑量焦點組合如何具有表示不同SEPE及失效率之不同圖案機率影像(例如針對通孔701)。藉由在不同劑量焦點條件下獲取此等圖案機率影像之部分以訓練模型，可預測在其他劑量焦點條件下之圖案機率影像。
在操作308處，執行LMC、PFM及/或其他程序監測操作。操作308包括在半導體裝置製造程序中使用一(或若干)經預測圖案機率影像以用於LMC、PFM及/或其他程序監測操作。LMC及/或PFM可包括為了可製造性及/或出於其他原因檢查經預測圖案及/或經預測圖案尺寸。為了可製造性檢查經預測圖案及/或圖案尺寸可包括判定微影及/或其他製造程序操作是否很可能產生目標設計。此可包括識別臨界圖案、圖案之部分、尺寸及/或設計之其他特性。在一些實施例中，可將來自經校準機器學習模型之輸出饋入至LMC中以用於SEPE模擬。
在一些實施例中，方法300包括調整310半導體裝置製造程序參數及/或半導體裝置製造設備。調整半導體裝置製造程序參數可相同於及/或包括調整半導體裝置製造程序。可基於來自模型及/或其他資訊之預測進行調整。舉例而言，可基於來自預測模型之預測、基於來自LMC、PFM及/或其他程序監測操作之資料及/或其他資訊而判定製造程序參數。舉例而言，可判定製造程序參數調整(例如應改變給定參數之量)，且可將製造程序參數自先前參數設定點調整為新的參數設定點。可基於經調整製造程序參數、來自預測模型之預測、來自程序監測操作(例如LMC、PFM等)之資料及/或其他資訊而判定對半導體裝置製造設備之調整。
在一些實施例中，經判定及/或經調整之半導體裝置製造程序參數包含光罩設計、光瞳形狀、劑量、焦點、蝕刻參數、沈積參數、化學機械研磨參數及/或其他半導體裝置製造程序參數中之一或多者。在一些實施例中，方法包含基於經判定之半導體裝置製造參數而判定對半導體裝置製造程序及/或設備之調整。作為一實例，若程序參數為(例如新)光瞳形狀、劑量或焦點，則可將製造設備自舊的或先前光瞳形狀、劑量或焦點調整為經判定(例如新的)光瞳形狀、劑量或焦點。相似地，若製造程序參數為新的或經調整之光罩設計，則可基於此新設計而調整半導體製造設備(例如吾人可基於新光罩形狀、大小等調整強度、對準或甚至光瞳形狀、劑量或焦點)。在一些實施例中，作為另一實例，方法可包含基於來自預測模型之預測將光罩設計自第一光罩設計調整為第二光罩設計。
在一些實施例中，方法300包括調節312機器學習預測模型，及/或其他操作。在一些實施例中，操作312包括調節機器學習預測模型使得多維輸出基板幾何形狀與諸如(例如)經量測隨機邊緣置放誤差帶或經量測失效率之EPE度量匹配。在一些實施例中，作為另一實例，操作312包括調節機器學習預測模型使得多維輸出基板幾何形狀對應於或匹配來自光學近接校正模型或微影可製造性檢查模型之平均輪廓預測。在一些實施例中，可基於顯影後檢測尺寸、蝕刻後檢測尺寸及/或與另一半導體裝置製造程序相關聯之其他資訊來調節及/或以其他方式校準機器學習預測模型。
在一些實施例中，調節包含調整一或多個模型參數使得經預測之多維輸出基板幾何形狀較佳地匹配或較佳地對應於經量測隨機邊緣置放誤差帶、經量測失效率、來自光學近接校正模型或微影可製造性檢查模型之平均輪廓預測、顯影後檢測尺寸、蝕刻後檢測尺寸及/或其他資訊。在一些實施例中，調節包含使用額外訓練資訊訓練或重新訓練機器學習預測模型，該額外訓練資訊包含新的及/或額外經量測隨機邊緣置放誤差帶或經量測失效率資訊、來自光學近接校正模型或微影可製造性檢查模型之額外及/或新的平均輪廓預測資訊、新的及/或額外顯影後檢測尺寸、新的及/或額外蝕刻後檢測尺寸及/或其他資訊。
圖8說明邊緣置放誤差(EPE) 800。EPE 800可指(圖案中之某一特徵之)邊緣自目標位置之相對位移。圖8說明具有各種特徵804及節距806之圖案802。在圖8中，為了更容易檢視，放大圖案802之部分808。部分808說明EPE 800，其包括用於線810之EPE及用於切口812之EPE (連同預期重疊814)。如本文中所描述，EPE 800可包括以下各者及/或由以下各者引起：全局誤差(例如CD、疊對)；局部誤差(例如局部臨界尺寸均一性(LCDU)；局部置放誤差(LPE)，其可包括例如經設計位置周圍的特徵之重心之隨機變化；線邊緣粗糙度(LER)，其可包括例如一維特徵之邊緣之高頻率隨機變化；接觸(或切割)邊緣粗糙度(CER)，其可包括用於二維特徵(如接觸或切割)邊緣之高頻率隨機變化等)；系統誤差(例如來自OPC、近接偏置平均值(PBA)，其可描述歸因於小的光瞳差、像差等之(例如貫穿節距近接曲線的)掃描器至掃描器失配)，及/或其他因素。如本文中所描述，EPE度量為整體EPE度量，其與通常使用之KPI相比更能預測總層及裝置良率且可用以更佳且更有效地預測及/或偵測熱點。基於包括以上所列出之因素及/或其他因素的主要EPE貢獻因素之組合來判定EPE度量。
圖9說明根據本發明之一實施例之例示性方法900。在一些實施例中，方法900包含製造程序。方法900提供與先前技術中所使用之KPI相比更能預測總層及裝置良率且可用以更佳且更有效地預測及/或偵測熱點之整體EPE度量。在一些實施例中，方法900包含：接收902包括用於基板上之圖案之幾何形狀資訊及/或圖案化程序資訊之輸入資訊；基於該輸入資訊判定904與該圖案之一或多個特徵相關聯之EPE度量；基於該EPE度量判定906基板上之圖案之具有一或多個潛在缺陷的一或多個區域；基於基板上之圖案之具有該一或多個潛在缺陷的該一或多個區域，判定908對半導體裝置製造設備之調整；及/或其他操作。
本文中所描述之方法900之操作意欲係說明性的。在一些實施例中，方法900可用未描述的一或多個額外操作及/或不用所論述之一或多個操作來實現。舉例而言，操作908及/或其他操作可為選用的。另外，在圖9中說明及在下文描述方法900之操作所藉以的次序並不意欲為限制性的。方法900可藉由一或多個處理器及/或形成計算系統、微影設備及/或其他裝置之至少一部分及/或包括於計算系統、微影設備及/或其他裝置中的其他組件來執行。舉例而言，計算系統及/或微影設備可與本文中所描述之計算系統及/或微影設備相似及/或相同。
在操作902處，接收包括用於基板上之圖案之幾何形狀資訊及/或圖案化程序資訊之輸入資訊。在一些實施例中，輸入資訊係經量測及/或經模擬結果(例如使用如本文所描述之電子模型)。在一些實施例中，幾何形狀資訊包含圖案之一或多個特徵之大小及/或位置的一或多個指示。舉例而言，幾何形狀資訊可描述圖案之一或多個特徵之目標及/或實際尺寸佈局、圖案中之一或多個特徵之對準、特徵中之一或多者之大小、特徵中之一或多者之形狀及/或其他資訊。圖案化程序資訊可包括已執行或將執行哪些製造程序之指示、設定點及/或用於製造程序之其他參數及/或其他資訊。在一些實施例中，輸入資訊包含用於半導體裝置之一或多個層的經預測空中影像、目標基板尺寸、來自與半導體裝置製造相關聯之掃描器及/或圖案化程序之資料及/或其他資訊中的一或多者及/或基於該等資訊中之該一或多者予以判定。在一些實施例中，輸入資訊包含：一或多個參數，包括全局疊對、全局臨界尺寸、局部臨界尺寸、特徵邊緣粗糙度(例如1D (線)及2D (接觸邊緣粗糙度)特徵)、局部臨界尺寸均一性、光罩臨界尺寸、光罩置放誤差、掃描器至掃描器臨界尺寸、掃描器至掃描器疊對失配、圖案化工具臨界尺寸、圖案化工具疊對失配、特徵不對稱性之局部及全局變化(例如接觸橢圓率變化，包括定向(角度)及長/短橢圓變化)；指示該等參數中之兩者或多於兩者之間的相互作用/串擾之值；及/或其他資訊。
在操作904處，判定與圖案之一或多個特徵相關聯之EPE度量。在操作904中，基於輸入資訊及/或其他資訊判定EPE度量。EPE度量與同基板上之圖案相關聯的良率相關。與先前個別KPI相比，EPE度量可與例如良率更佳地相關。在一些實施例中，EPE度量包含參數中之兩者或多於兩者及/或指示輸入資訊中之該等參數中之兩者或多於兩者之間的相互作用之值之組合。舉例而言，EPE度量可為全局誤差參數(諸如全局CDU及疊對)、局部誤差參數(諸如LCDU)、局部置放誤差(LPE)、線邊緣粗糙度(LER)及/或CER、OPC及/或PBA中之系統誤差參數及/或其他參數之組合。
EPE通常基於其分量之個別先前量測而建構，但此處，EPE度量係基於經量測及/或經預測EPE貢獻因素而判定。舉例而言，可基於以下各項來判定EPE度量：來自FEM微影模型之輸出，該FEM微影模型經組態以使用已知掃描器設定及其變化(例如焦點及位階量測、動力學、像差、雷射頻寬、光瞳等之變化)自經校準抗蝕劑模型預測全局CD/邊緣及像差驅動圖案移位誤差；LCDU及其他隨機相關CD及圖案移位LER、LPE等之影響，其可運用例如經模擬掃描器對比度及經校準抗蝕劑模型在給定機率位準下經預測(其中𝐿𝐶𝐷𝑈 ∝  1 / 𝑁𝐼𝐿𝑆)；預期全局疊對誤差(具有給定機率位準)，其可自掃描器規格獲得，例如(經量測及/或計算疊對(OVL)指紋映圖可用於客戶現場處之現有掃描器)；及/或其他資訊。
舉例而言，圖10說明用以判定EPE度量1048之EPE貢獻因素。該等貢獻因素中之一些或全部及/或此等貢獻因素中之兩者或多於兩者之間的相互作用可用以判定EPE度量。舉例而言，此等EPE貢獻因素可包括於以上所描述之輸入資訊中。如圖10中所展示，EPE貢獻因素可包括OPC CD (誤差)1050、疊對(誤差)1052、全局CD 1054及局部CD (誤差) 1056。OPC CD (誤差)可與抗蝕劑模型1058、蝕刻模型1060、模型自身之結構及/或關聯運行時間1062及/或其他因素相關聯。疊對(誤差) 1052可與程序光罩1064、度量衡1066、掃描器應用程式1068、掃描器自身1070及/或其他因素相關聯。全局CD 1054可與掃描器1070、追蹤及/或蝕刻操作1072及/或其他因素相關聯。局部CD (誤差) 1056可與光罩1074、抗蝕劑及/或抗蝕劑程序控制參數1076、SMO 1078、掃描器光學件及/或動力學1080及/或其他因素相關聯。將此等EPE貢獻因素中之兩者或多於兩者及/或此等貢獻因素中之兩者或多於兩者之間的相互作用組合在一起，以判定EPE度量(例如所選擇機率位準下之每邊緣移位)。舉例而言，EPE度量可為使用實際後OPC(或SMO等)圖案與其實際OPC (誤差)的全局CD及OVL以及局部CD及OVL貢獻之組合。此實例並不意欲為限制性的。
在一些實施例中，基於參數中之一或多者及/或指示輸入資訊之參數(例如如圖10中所展示之全局誤差參數、局部誤差參數、系統誤差參數等)中之兩者或多於兩者之間的相互作用之值(例如使用如本文所描述之預測模型)在數學上演算及/或預測EPE度量。舉例而言，可基於方程式在數學上演算EPE度量：
Figure 02_image005
應注意，此方程式為用於接觸至線用例之簡化實例公式(其中均方偏差之符號表示對應EPE貢獻因素之標準偏差、EPE max表示經建構EPE值、HR OPC表示OPC誤差之一半範圍、PBA表示近接偏置平均誤差、LWR表示局部CD效應、OVL表示疊對誤差，且CDU表示全局CD變化)。此方程式並不涵蓋所有可能的EPE度量貢獻因素及用例。同樣，其係用例特定的、簡化的，且應被視為僅僅在本發明之範疇內之許多可能方程式的一個實例。舉例而言，可使用極值統計使用額外程序及/或裝置輸入(諸如特徵冗餘、可接受的失效率等)執行非簡化數學演算。
在一些實施例中，本文中所描述之電子模型中之一或多者包含計算微影模型(例如計算神經網路及/或某其他計算微影模型)。在一些實施例中，判定EPE度量包含將輸入資訊及/或其他輸入資訊用作至計算微影模型之輸入來預測EPE度量。在一些實施例中，基於目標EPE機率位準及/或其他資訊(例如藉由計算微影模型)判定EPE度量。目標EPE機率位準可由使用者經由使用者介面(例如其為計算裝置之部分)輸入或選擇或藉由執行電腦實施程式來自動產生。可基於每晶粒所允許缺陷數目(例如如由使用者判定)、每子晶粒區域(比如記憶體墊)所允許缺陷數目及/或每特徵數目所允許缺陷數目(例如每10^6中有1個缺陷)界定或選擇目標機率位準。此位準可由經設計特徵冗餘(例如在不使整個晶片並不具功能性的情況下允許一些特徵失效的設計途徑)驅動、由層良率規格驅動及/或由其他裝置、程序及/或良率相關原因驅動。
返回至圖9，在操作906處，判定基板上之圖案之具有一或多個潛在缺陷的一或多個區域。該一或多個區域係基於EPE度量及/或其他資訊而判定。基板上之圖案之具有一或多個潛在缺陷的一或多個區域包含熱點。
在一些實施例中，基於EPE度量判定基板上之圖案之具有一或多個潛在缺陷的一或多個區域包含判定圖案之給定特徵佔據基板上之給定位置的機率。舉例而言，基於每邊緣移位估計(例如如上文所描述)，可基於經預測資料(包括預期OVL誤差)建構給定誤差機率位準及/或機率映圖處之特徵輪廓。
在一些實施例中，基於EPE度量判定基板上之圖案之具有一或多個潛在缺陷的一或多個區域係基於成本函數，該成本函數平衡可接受的缺陷機率與檢測該一或多個區域之數目所需之資源。在一些實施例中，可接受的缺陷機率係與基板上之圖案之具有作為檢測之目標的一或多個潛在缺陷的一或多個區域之數目有關。在一些實施例中，基於EPE度量判定基板上之圖案之具有一或多個潛在缺陷的一或多個區域包含判定用於圖案之一或多個特徵之圖案機率影像。圖案機率影像包含針對特徵中之一或多者之經預測二維基板幾何形狀(例如如本文所描述)。圖案機率影像可包括基於例如對應EPE度量及/或其他資訊而判定之EPE帶。EPE帶可指示圖案之特徵之邊緣在基板上之位置之某一範圍內的可能性。
舉例而言，圖11說明圖案機率影像1100。可預測及/或以其他方式判定影像1100，如上文所描述。影像1100說明基板1114上之圖案1112之特徵1110。影像1100包括各種重疊1101 EPE帶1102 (EPE度量之另一實例)。可檢測EPE帶1102在給定機率臨限值下的特徵橋接、頸縮等之例項。可基於例如(例如客戶的)最大所允許缺陷率及/或其他資訊判定機率臨限值。在圖11中，具有重疊EPE之區域(參見圖11中之「!」)可被標註為熱點、經檢查及固定。
在一些實施例中，EPE度量(例如經預測及/或以其他方式判定，如本文所描述)針對圖案之一或多個特徵可為對稱或不對稱的。在一些實施例中，相對於中值經預測EPE度量(例如圖案特徵之邊緣之經預測位置、經預測EPE帶寬、隨機邊緣置放誤差帶及/或其他中值經預測EPE度量)，對稱EPE度量可指示所有側上、全程及/或遍及圖案之一或多個特徵的大體上相同及/或均勻分佈之EPE度量。在一些實施例中，對稱EPE度量包含中值經預測EPE度量之任一側上之可能EPE度量的均勻分佈範圍。舉例而言，當經預測EPE度量對稱時，特徵之邊緣在經預測位置(例如EPE度量)內部或外部的機率可隨著在相反方向上距經預測位置之距離增加而同等地變化。在一些實施例中，對稱EPE度量可具有高斯分佈。此意謂可預測中值EPE度量(例如中值EPE)，且EPE度量(或EPE)實際上大於或小於中值的機率具有高斯分佈。繼續上述實例，當經預測EPE度量對稱時，特徵之邊緣在任一方向上在經預測位置內部或外部1 nm、2 nm、3 nm等的機率可能相同。
在一些實施例中，不對稱EPE度量可指示相對於中值經預測EPE度量(例如圖案特徵之邊緣之經預測位置、經預測EPE帶寬、隨機邊緣置放誤差帶及/或其他中值經預測EPE度量)在不同側上、周圍及/或遍及圖案之一或多個特徵的實質上不同及/或實質上不均勻分佈之EPE度量。在一些實施例中，不對稱EPE度量包含中值經預測EPE度量之任一側上之可能EPE度量的不均勻分佈範圍。舉例而言，當經預測EPE度量不對稱時，特徵之邊緣在經預測位置(例如EPE度量)內部或外部的機率可隨著在相反方向上距經預測位置之距離增加而不同等地變化。在一些實施例中，不對稱EPE度量可具有非高斯分佈。此意謂可預測中值EPE度量(例如中值EPE)，且EPE度量(或EPE)實際上大於或小於中值的機率不具有高斯分佈。繼續上述實例，當經預測EPE度量不對稱時，特徵之邊緣在任一方向上在經預測位置內部或外部1 nm、2 nm、3 nm等的機率不同。此不對稱性可能不僅不限於圖案之X或Y，而且不限於任何其他角度。
應注意，在一些實施例中，機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得經訓練機器學習預測模型之權重及/或參數有助於判定對稱或不對稱EPE度量。在一些實施例中，可基於不對稱分佈之CD值及/或其他資訊而判定不對稱EPE度量。在一些實施例中，不對稱分佈之訓練資料包含自與不對稱分佈之CD值相關聯之多維機率影像及/或其他資訊所判定的不對稱分佈之EPE度量。不對稱分佈之CD值指示從中量測CD值的輪廓大小不對稱地分佈。自該等輪廓判定圖案之邊緣置放。結果，不對稱分佈之EPE係與不對稱分佈之CD值有關。舉例而言，如上文所描述，可將此類影像作為輸入訓練資料提供至模型。一旦經訓練，經組態以預測及/或以其他方式判定不對稱EPE度量之機器學習模型就可用於微影可製造性檢查、驗證光學近接校正結果、EPE度量衡產品、基於CD分佈進行預測之產品，及/或用於預測圖案之特徵之經印刷尺寸的任何其他應用。
作為非限制性實例，圖12說明對稱1200及不對稱1202經預測或經量測之EPE (例如EPE度量之實例)。在一些實施例中，可運用機器學習模型預測對稱EPE 1200或運用SEM度量衡直接量測對稱EPE 1200，或另外基於自高斯CD 1203分佈1204產生之一或多個圖案機率影像及/或其他資訊而判定對稱EPE 1200。在一些實施例中，可運用機器學習模型預測不對稱EPE 1202或運用SEM度量衡直接量測不對稱EPE 1202，或另外基於自非高斯CD 1203分佈1206產生之一或多個圖案機率影像及/或其他資訊來判定不對稱EPE 1202。圖12說明相對於中值1214的用於EPE之5%的內1210及95%的外1212經預測或經量測機率輪廓。對於對稱EPE 1200，輪廓1210及1212兩者皆定位成距中值1214有1 nm處。對於不對稱EPE 1202，輪廓1210及1212位於距中值1214不同的距離處。舉例而言，輪廓1210位於距中值1214有1.6 nm處，而輪廓1212位於距中值1214有1.2 nm處。在一些實施例中，此指示對稱EPE度量如何包含中值經預測EPE度量之任一側上之可能EPE度量的均勻分佈範圍。在此實例中，當經預測EPE度量對稱時，特徵之邊緣在經預測位置(例如中值1214)內部或外部的機率可隨著在相反方向上距經預測位置之距離增加而同等地變化。在一些實施例中，此亦指示不對稱EPE度量如何包含中值經預測EPE度量之任一側上之可能EPE度量的不均勻分佈範圍。舉例而言，當經預測EPE度量不對稱時，特徵之邊緣在經預測位置(例如中值1214)內部或外部的機率可隨著在相反方向上距經預測位置之距離增加而同等地變化。可自經預測或經量測2D圖案機率影像導出對稱或不對稱EPE。對於度量衡用例，自2D圖案機率影像直接報告對稱或不對稱EPE。當應用機器學習模型時，自經預測2D圖案機率影像報告對稱或不對稱EPE。2D圖案機率影像包括在廣泛機率範圍內及沿著圍繞圖案之任何定向切線對稱或不對稱的EPE。
返回至圖9，在操作908處，基於基板上之圖案之具有一或多個潛在缺陷的一或多個區域而判定對半導體裝置製造設備之調整。在一些實施例中，操作908可包括實際上進行調整。該調整可基於基板上之圖案之具有一或多個潛在缺陷的一或多個區域及/或其他資訊而判定。舉例而言，在一些實施例中，執行接收輸入資訊(操作902)、判定EPE度量(操作904)及判定基板上之圖案之具有一或多個潛在缺陷的一或多個區域(操作906)，作為半導體裝置效能之評估、改良、預測或驗證之部分。半導體裝置效能之評估、改良、預測或驗證可包含源光罩最佳化、光學近接校正、微影可製造性檢查、用於與半導體裝置相關聯之製造流程之設計。可將該調整判定為用以增強所製造裝置之方式。舉例而言，調整可包含圖案之改變、光罩之改變、劑量之改變、焦點之改變、曝光之改變、光瞳之改變、蝕刻及/或沈積程序溫度之改變、蝕刻及/或沈積程序時間之改變及/或其他調整中的一或多者。舉例而言，可進行此等調整中之任一者及/或全部以便增強所製造裝置。
圖13為可用於本文中所描述之操作中之一或多者的實例電腦系統CS之圖解。電腦系統CS包括用於傳達資訊之匯流排BS或其他通信機構，及與匯流排BS耦接以用於處理資訊之一處理器PRO (或多個處理器)。電腦系統CS亦包括耦接至匯流排BS以用於儲存待由處理器PRO執行之資訊及指令的主記憶體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亦可用於在由處理器PRO進行之指令之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，且將該儲存裝置耦接至匯流排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-第一軸線(例如x)及第二軸線(例如y)中之兩個自由度，其允許該裝置指定在一平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入裝置。
在一些實施例中，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中所包括之指令序列的執行使處理器PRO執行本文中所描述之程序步驟(操作)。呈多處理配置之一或多個處理器亦可用以執行主記憶體MM中含有之指令序列。在一些實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文之描述不限於硬體電路及軟體之任何特定組合。
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之電線。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。該等指令在由電腦執行時可實施本文中所描述之操作中之任一者。暫時性電腦可讀媒體可包括例如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，最初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以將資料轉換成紅外線信號。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自該主記憶體擷取及執行指令。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亦可包括耦接至匯流排BS之通信介面CI。通信介面CI提供對網路鏈路NDL之雙向資料通信耦合，網路鏈路NDL連接至區域網路LAN。舉例而言，通信介面CI可為整合式服務數位網路(ISDN)卡或數據機以提供對對應類型之電話線之資料通信連接。作為另一實例，通信介面CI可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中，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串流的電信號、電磁信號或光信號。
網路鏈路NDL通常經由一或多個網路而向其他資料裝置提供資料通信。舉例而言，網路鏈路NDL可經由區域網路LAN向主機電腦HC提供連接。此可包括經由全球封包資料通信網路(現在通常被稱作「網際網路」INT)而提供之資料通信服務。區域網路LAN (網際網路)可使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路資料鏈路NDL上且經由通信介面CI之信號(該等信號將數位資料攜載至電腦系統CS及自電腦系統CS攜載數位資料)為輸送資訊的載波之例示性形式。
電腦系統CS可經由網路、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。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的全部或部分。所接收程式碼可在其被接收時由處理器PRO執行，及/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可獲得呈載波形式之應用程式碼。
圖14為根據一實施例之微影投影設備的示意圖。該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。在此實例中，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，且連接至用以相對於物品PS來準確地定位該圖案化裝置之第一定位器。第二物件台(例如基板台) 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，且連接至用以相對於物品PS來準確地定位該基板之第二定位器。投影系統(例如其包括透鏡) PS (例如折射、反射或反射折射光學系統)可將圖案化裝置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。可例如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MA及基板W。
如所描繪，設備可屬於透射類型(亦即，具有透射圖案化裝置)。然而，一般而言，其亦可屬於反射類型，例如(具有反射圖案化裝置)。設備可使用與經典光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、雷射產生電漿(laser produced plasma; LPP) 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或光束遞送系統BD (包含導向鏡、光束擴展器等)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之外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL通常將包含各種其他組件，諸如積光器IN及聚光器CO。以此方式，照射於圖案化裝置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可在微影投影設備之外殼內(此常常為源SO為例如水銀燈時之狀況)，但其亦可遠離微影投影設備。舉例而言，其產生之輻射光束可經導引至該設備中(例如憑藉合適導向鏡)。此後一情境可為例如在源SO為準分子雷射(例如，基於KrF、ArF或F 2雷射作用)時之狀況。
光束B可隨後截取被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可傳遞通過透鏡PS，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B之路徑中。相似地，第一定位構件可用以例如在自圖案化裝置庫機械地擷取圖案化裝置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。一般而言，可憑藉長衝程模組(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。
可在兩種不同模式-步進模式及掃描模式中使用所描繪工具。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在一個操作中投影(亦即，單次「閃光」)至目標部分C上。可使基板台WT在x及/或y方向上移位，使得不同目標部分C可由光束B輻照。在掃描模式中，基本上相同情境適用，惟單次「閃光」中不曝光給定目標部分C除外。替代地，圖案化裝置台MT可以速度v在給定方向(例如「掃描方向」，或「y」方向)上移動，使得使投影光束B遍及圖案化裝置影像進行掃描。並行地，基板台WT以速度V = Mv在相同方向或相對方向上同時地移動，其中M為透鏡之放大率(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較大目標部分C。
圖15為可用於及/或有助於本文中所描述之操作中之一或多者的另一微影投影設備(LPA)之示意圖。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)之照明系統(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，光罩或倍縮光罩) MA且連接至經組態以準確地定位該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，反射投影系統) PS可經組態以將由圖案化裝置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。
如此實例中所展示，LPA可屬於反射類型(例如，使用反射圖案化裝置)。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。在一項實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可運用X射線微影來產生更小波長。由於大多數材料在EUV及x射線波長下具吸收性，因此圖案化裝置構形(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接收極紫外線輻射光束。用以產生EUV輻射之方法包括但未必限於：運用在EUV範圍內之一或多個發射譜線將具有至少一個元素(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14中未繪示)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CO 2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單獨實體。在此類狀況下，可不認為雷射形成微影設備之部件，且輻射光束可憑藉包含例如合適導向鏡及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他實例中，舉例而言，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件。
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(通常分別被稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如琢面化場鏡面裝置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所要均一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如，圖案化裝置台) MT上之圖案化裝置(例如，光罩) MA上，且藉由該圖案化裝置而圖案化。在自圖案化裝置(例如，光罩) MA反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2 (例如干涉裝置、線性編碼器或電容式感測器)，可準確地移動基板台WT (例如用以使不同目標部分C定位於輻射光束B之路徑中)。相似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化裝置(例如，光罩) 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(例如光罩) 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，在將被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，圖案化裝置台) MT及基板台WT保持基本上靜止(亦即，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位使得可曝光不同目標部分C。在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如圖案化裝置台) MT及基板台WT (亦即單次動態曝光)。基板台WT相對於支撐結構(例如圖案化裝置台) MT之速度及方向可藉由投影系統PS之放大率(縮小率)及影像反轉特性予以判定。在靜止模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，使支撐結構(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，且移動或掃描基板台WT。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掃描期間之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的可程式化鏡面陣列)之無光罩微影影。
圖16為圖15中所展示之微影投影設備之詳細視圖。如圖16中所展示，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經組態成使得可將真空環境維持於源收集器模組SO之圍封結構220中。可由放電產生電漿源形成EUV輻射發射電漿210。可由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)而產生EUV輻射，其中產生熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由造成至少部分離子化電漿之放電來產生熱電漿210。為了高效地產生輻射，可需要為(例如) 10帕斯卡之分壓之Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣。在一些實施例中，提供受激發錫(Sn)之電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用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。可為及/或包括障壁(下文所描述)的污染物截留器230亦包括通道結構。收集器腔室212可包括可為所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240被反射以沿著由線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置以使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面裝置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處輻射光束21之所要角度分佈，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處的輻射光束21之反射後，即形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。比所展示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。取決於例如微影設備之類型，可視情況存在光柵光譜濾光器240。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16所展示之反射元件多1至6個的額外反射元件。
如圖16所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置為圍繞光軸O軸向對稱，且此類型之收集器光學件CO可與常常被稱為DPP源之放電產生電漿源組合使用。
圖17為微影投影設備LPA (先前圖中所展示)之源收集器模組SO之詳細視圖。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，從而產生具有數十電子伏特之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產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口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。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波長之極紫外線(extreme ultra violet; 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20 nm至50 nm之範圍內的波長，以便產生在此範圍內之光子。
圖18示意性地描繪(例如可用於及/或關聯於本文中所描述之操作中之一或多者的)電子束檢測設備1320之實施例。在一些實施例中，檢測設備可為產生曝光或轉印於基板上之結構(例如諸如積體電路之裝置之某結構或全部結構)之影像的電子束檢測設備(例如與掃描電子顯微鏡(SEM)相同或相似)。自電子源1322發射之初級電子束1324係由聚光透鏡1326會聚且接著通過光束偏轉器1328、E×B偏轉器1330及物鏡1332以在一焦點下輻照基板台ST上之基板1310。
當運用電子束1324輻照基板1310時，自基板1310產生二次電子。該等二次電子係由E×B偏轉器1330偏轉且由二次電子偵測器1334偵測。二維電子束影像可藉由以下操作獲得：偵測自樣本產生之電子，而與(例如)由光束偏轉器1328使電子束進行之二維掃描同步或與由光束偏轉器1328使電子束1324在X或Y方向上之重複掃描同步，以及由基板台1312在X或Y方向中之另一者上連續移動基板1310。因此，在一實施例中，電子束檢測設備具有用於由角度範圍界定之電子束之視場，在該角度範圍內之電子束可由電子束檢測設備提供(例如偏轉器1328可提供電子束1324所遍及之角度範圍)。因此，該視場之空間範圍為電子束之角度範圍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相對於該場移動)。
如圖18中所展示，由二次電子偵測器1334偵測到之信號可由類比/數位(A/D)轉換器1336轉換成數位信號，且可將該數位信號發送至影像處理系統1350。在一實施例中，影像處理系統1350可具有記憶體1356以儲存數位影像之全部或部分以供處理單元1358處理。處理單元1358 (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成表示數位影像之資料集。在一實施例中，處理單元1358經組態或程式化以使得執行本文中所描述之操作(例如SEM檢測)。另外，影像處理系統1350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1352。顯示裝置1354可與影像處理系統1350連接，使得操作者可藉助於圖形使用者介面進行設備之必需操作。
圖19示意性地說明檢測設備之另一實施例。該系統用以檢測樣本載物台89上之樣本90 (諸如基板)且包含帶電粒子束產生器81、聚光透鏡模組82、探針形成物鏡模組83、帶電粒子束偏轉模組84、二次帶電粒子偵測器模組85、影像形成模組86及/或其他組件。帶電粒子束產生器81產生初級帶電粒子束91。聚光透鏡模組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成帶電粒子束探針92。帶電粒子束偏轉模組84使所形成之帶電粒子束探針92橫越緊固於樣本載物台89上之樣本90上的所關注區域之表面進行掃描。在一些實施例中，帶電粒子束產生器81、聚光透鏡模組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的帶電粒子束探針產生器。
二次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的二次帶電粒子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)以產生二次帶電粒子偵測信號94。影像形成模組86 (例如計算裝置)與二次帶電粒子偵測器模組85耦接以自二次帶電粒子偵測器模組85接收二次帶電粒子偵測信號94且相應地形成至少一個經掃描影像。在一實施例中，二次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設備，該影像形成設備自由帶電粒子束探針92轟擊的樣本90發射的偵測到之二次帶電粒子形成經掃描影像。
在一實施例中，監測模組87耦接至影像形成設備之影像形成模組86以監測、控制等圖案化程序及/或使用自影像形成模組86接收到之樣本90之經掃描影像來導出用於圖案化程序設計、控制、監測等之參數。在一些實施例中，監測模組87經組態或經程式化以致使執行本文中所描述之操作。在一些實施例中，監測模組87包含計算裝置。在一些實施例中，監測模組87包含經組態以提供本文中所描述之功能性之電腦程式。在一些實施例中，圖19之系統中的電子束之探針光點大小與例如CD相比顯著較大，使得探針光點足夠大使得檢測速度可為快速的。然而，解析度由於大的探針光點而可較低。
可處理來自例如圖18及/或圖19之系統的SEM影像以提取影像中描述表示半導體裝置結構之物件之邊緣的尺寸、形狀、輪廓及/或其他資訊。可經由使用者定義之切線處及/或其他位置中之度量(諸如CD)來量化該等形狀、輪廓及/或其他資訊。在一些實施例中，比較裝置結構之影像且經由度量，諸如在經提取輪廓上量測之邊緣之間距離(CD)或影像之間的簡單像素差，來量化裝置結構之影像。替代地，度量可包括EP量規及/或其他參數。
可藉由使用以下條項進一步描述本發明之實施例。 1.        一種儲存一機器學習預測模型及指令之一或多個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致使該一或多個處理器： 接收包括用於一半導體裝置製造程序之幾何形狀資訊及/或圖案化程序資訊之輸入資訊； 使用該機器學習預測模型基於該輸入資訊預測輸出半導體裝置幾何形狀，該輸出半導體裝置幾何形狀包含在複數個維度中的圖案機率之一表示，該預測包含基於該輸入資訊及/或該輸出半導體裝置幾何形狀判定與一圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量； 接收基於對該半導體裝置製造程序之一調整而判定之新輸入資訊，該調整係基於該輸出半導體裝置幾何形狀而判定；及 使用該機器學習模型(i)基於該新輸入資訊預測經更新之輸出半導體裝置幾何形狀，(ii)包括基於該新輸入資訊及/或該經更新之輸出半導體裝置幾何形狀判定一經更新EPE度量。 2.        如條項1之媒體，其中圖案機率之該表示包含一圖案機率影像，該圖案機率影像包含針對該圖案之一或多個特徵之經預測二維基板幾何形狀。 3.        如條項1至2中任一項之媒體，其中圖案機率之該表示包含一半導體裝置中之一或多個通孔之經預測二維幾何形狀。 4.        如條項1至3中任一項之媒體，其中該等指令經進一步組態以致使該一或多個處理器運用該機器學習預測模型基於一圖案機率影像預測(1)一對稱或不對稱隨機邊緣置放誤差帶及(2)一隨機失效率中之一者或兩者。 5.        如條項1至4中任一項之媒體，其中該輸入資訊包含一經模擬空中影像及一經模擬抗蝕劑影像中之一者或兩者。 6.        一種儲存一機器學習預測模型及指令之一或多個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致使該一或多個處理器： 接收包括用於一圖案之幾何形狀資訊及/或程序資訊之輸入資訊；及 使用該機器學習預測模型基於該輸入資訊預測多維輸出基板幾何形狀，該預測包含基於該輸入資訊及/或該輸出基板幾何形狀判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量。 7.     如條項6之媒體，其中該EPE度量針對該圖案之該一或多個特徵係對稱或不對稱的。 8.     如條項7之媒體，其中一不對稱EPE度量具有一非高斯分佈。 9.     如條項7至8中任一項之媒體，其中該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於判定該對稱或不對稱EPE度量。 10.   如條項9之媒體，其中該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。 11.   如條項6至10中任一項之媒體，其中該多維輸出基板幾何形狀指示該圖案之特徵之形狀的可變性。 12.   如條項6至11中任一項之媒體，其中該多維輸出基板幾何形狀指示給定幾何形狀佔據一基板上之一給定位置的一機率。 13.   如條項6至12中任一項之媒體，其中該多維輸出基板幾何形狀包含在複數個維度上的圖案機率之一表示。 14.   如條項13之媒體，其中圖案機率之該表示包含一圖案機率影像，該圖案機率影像包含針對該圖案之該一或多個特徵之二維基板幾何形狀的經預測機率。 15.   如條項14之媒體，其中該圖案機率影像包含複數個堆疊影像，該複數個堆疊影像包含針對一或多個通孔之二維基板幾何形狀之經預測機率。 16.   如條項6至15中任一項之媒體，其中該等指令經進一步組態以致使該一或多個處理器運用該機器學習預測模型基於該多維輸出基板幾何形狀預測(1)一對稱或不對稱隨機邊緣置放誤差帶及(2)一隨機失效率中之一者或兩者。 17.   如條項6至16中任一項之媒體，其中該等指令經進一步組態以致使該一或多個處理器調節該機器學習預測模型使得該多維輸出基板幾何形狀與一經量測隨機邊緣置放誤差帶或經量測失效率匹配。 18.   如條項6至17中任一項之媒體，其中該等指令經進一步組態以致使該一或多個處理器調節該機器學習預測模型，使得該多維輸出基板幾何形狀對應於或匹配來自一光學近接校正模型或一微影可製造性檢查模型之一平均輪廓預測。 19.   如條項6至18中任一項之媒體，其中該多維輸出基板幾何形狀係與一半導體裝置中之一基板中之一圖案相關聯，且一圖案化程序包含一半導體裝置製造程序。 20.   如條項6至19中任一項之媒體，其中該多維輸出基板幾何形狀包含一圖案機率影像，且其中該圖案機率影像包含一半導體裝置中之一或多個通孔之經預測二維幾何形狀。 21.   如條項6至20中任一項之媒體，其中該多維輸出基板幾何形狀包含一圖案機率影像，且其中該等指令經進一步組態以致使該一或多個處理器使用該圖案機率影像以用於一半導體裝置製造程序中之一微影可製造性檢查及/或圖案保真度度量衡。 22.   如條項6至21中任一項之媒體，其中該輸入資訊包含用於一半導體裝置的一經模擬空中影像、一經模擬抗蝕劑影像、目標基板尺寸或來自與半導體裝置製造相關聯之一掃描器之資料中的一或多者。 23.   如條項6至22中任一項之媒體，其中該輸入資訊包含複數個空中影像，且該複數個空中影像之個別空中影像對應於與一圖案化程序相關聯之抗蝕劑層中之不同高度。 24.   如條項6至23中任一項之媒體，其中該機器學習預測模型包含一神經網路。 25.   如條項6至24中任一項之媒體，其中該程序資訊包含用於對一半導體裝置執行之一或多個製造程序之一或多個參數。 26.   如條項6至25中任一項之媒體，其中該等指令經進一步組態以致使該一或多個處理器運用訓練資訊來訓練該機器學習預測模型，該訓練資訊包含空中影像、目標圖案幾何形狀或圖案化程序參數以及來自一不同非機器學習預測模型之對應的實體基板量測及/或預測中的一或多者。 27.   如條項26之媒體，其中來自一不同非機器學習預測模型之該等對應的實體基板量測及/或預測包含訓練圖案機率影像。 28.   如條項6至27中任一項之媒體，其中該等指令經進一步組態以致使該一或多個處理器基於該經預測之多維輸出基板幾何形狀判定對一半導體裝置製造設備之一調整。 29.   如條項6至28中任一項之媒體，其中該等指令經進一步組態以致使該一或多個處理器基於與一半導體裝置製造程序相關聯的顯影後檢測尺寸及蝕刻後檢測尺寸中之一者或兩者來校準該機器學習預測模型。 30.   一種用於預測與一圖案化程序相關聯之基板幾何形狀之方法，該方法包含： 接收包括用於一圖案之幾何形狀資訊及/或程序資訊之輸入資訊；及 使用一機器學習預測模型基於該輸入資訊預測多維輸出基板幾何形狀，該預測包含基於該輸入資訊及/或該輸出基板幾何形狀判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量。 31.   如條項30之方法，其中該EPE度量針對該圖案之該一或多個特徵係對稱或不對稱的。 32.   如條項31之方法，其中一不對稱EPE度量具有一非高斯分佈。 33.   如條項31至32中任一項之方法，其中該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該對稱或不對稱EPE度量。 34.   如條項33之方法，其中該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。 35.   如條項30至34中任一項之方法，其中該多維輸出基板幾何形狀指示該圖案之特徵之形狀的可變性。 36.   如條項30至35中任一項之方法，其中該多維輸出基板幾何形狀指示給定幾何形狀佔據一基板上之一給定位置的一機率。 37.   如條項30至36中任一項之方法，其中該多維輸出基板幾何形狀包含在複數個維度上的圖案機率之一表示。 38.   如條項37之方法，其中圖案機率之該表示包含一圖案機率影像，該圖案機率影像包含針對該圖案之該一或多個特徵之二維基板幾何形狀的經預測機率。 39.   如條項38之方法，其中該圖案機率影像包含複數個堆疊影像，該複數個堆疊影像包含針對一或多個通孔之二維基板幾何形狀之經預測機率。 40.   如條項30至39中任一項之方法，其進一步包含運用該機器學習預測模型基於該多維輸出基板幾何形狀預測(1)一對稱或不對稱隨機邊緣置放誤差帶及(2)一隨機失效率中之一者或兩者。 41.   如條項30至40中任一項之方法，其進一步包含調節該機器學習預測模型使得該多維輸出基板幾何形狀與一經量測隨機邊緣置放誤差帶或經量測失效率匹配。 42.   如條項30至41中任一項之方法，其進一步包含調節該機器學習預測模型使得該多維輸出基板幾何形狀對應於或匹配來自一光學近接校正模型或一微影可製造性檢查模型之一平均輪廓預測。 43.   如條項30至42中任一項之方法，其中該多維輸出基板幾何形狀係與一半導體裝置中之一基板中之一圖案相關聯，且該圖案化程序包含一半導體裝置製造程序。 44.   如條項30至43中任一項之方法，其中該多維輸出基板幾何形狀包含一圖案機率影像，且其中該圖案機率影像包含一半導體裝置中之一或多個通孔之經預測二維幾何形狀。 45.   如條項30至44中任一項之方法，其中該多維輸出基板幾何形狀包含一圖案機率影像，且其中該方法進一步包含使用該圖案機率影像以用於一半導體裝置製造程序中之一微影可製造性檢查及/或圖案保真度度量衡。 46.   如條項30至45中任一項之方法，其中該輸入資訊包含用於一半導體裝置的一經模擬空中影像、一經模擬抗蝕劑影像、目標基板尺寸或來自與半導體裝置製造相關聯之一掃描器之資料中的一或多者。 47.   如條項30至46中任一項之方法，其中該輸入資訊包含複數個空中影像，且該複數個空中影像之個別空中影像對應於與該圖案化程序相關聯之抗蝕劑層中之不同高度。 48.   如條項30至47中任一項之方法，其中該機器學習預測模型包含一神經網路。 49.   如條項30至48中任一項之方法，其中該程序資訊包含用於對一半導體裝置執行之一或多個製造程序之一或多個參數。 50.   如條項30至49中任一項之方法，其進一步包含運用訓練資訊來訓練該機器學習預測模型，該訓練資訊包含空中影像、目標圖案幾何形狀或圖案化程序參數以及來自一不同非機器學習預測模型之對應的實體基板量測及/或預測中的一或多者。 51.   如條項50之方法，其中來自一不同非機器學習預測模型之該等對應的實體基板量測及/或預測包含訓練圖案機率影像。 52.   如條項30至51中任一項之方法，其進一步包含基於該經預測之多維輸出基板幾何形狀判定對一半導體裝置製造設備之一調整。 53.   如條項30至52中任一項之方法，其進一步包含基於與一半導體裝置製造程序相關聯的顯影後檢測尺寸及蝕刻後檢測尺寸中之一者或兩者來校準該機器學習預測模型。 54.   一種方法，其包含： 運用一或多個處理器接收包括用於一基板上之一圖案之幾何形狀資訊及/或圖案化程序資訊之輸入資訊； 運用該一或多個處理器基於該輸入資訊判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量；及 運用該一或多個處理器基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域。 55.   如條項54之方法，其中該EPE度量針對該圖案之該一或多個特徵係對稱或不對稱的。 56.   如條項55之方法，其中一不對稱EPE度量具有一非高斯分佈。 57.   如條項54至56中任一項之方法，其中該EPE度量係運用一機器學習預測模型予以判定，且該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該EPE度量，無論該EPE度量是對稱抑或不對稱。 58.   如條項57之方法，其中該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。 59.   如條項54至58中任一項之方法，其中該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含熱點。 60.   如條項54至59中任一項之方法，其中該EPE度量係與同該基板上之該圖案相關聯的一良率相關。 61.   如條項54至60中任一項之方法，其中該輸入資訊包含與全局疊對、一全局臨界尺寸、局部疊對、一局部臨界尺寸、一線邊緣粗糙度、一局部置放誤差或一局部臨界尺寸均一性相關的一或多個參數；及/或指示該等參數中之兩者或多於兩者之間的一相互作用之一值。 62.   如條項54至61中任一項之方法，其中量測及/或模擬該輸入資訊。 63.   一種製造程序，該程序包含： 運用一或多個處理器接收包括用於一基板上之一圖案之幾何形狀資訊及/或圖案化程序資訊之輸入資訊； 運用該一或多個處理器基於該輸入資訊判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量；及 運用該一或多個處理器基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域。 64.   如條項63之程序，其中該EPE度量橫越該圖案之該一或多個特徵係對稱或不對稱的。 65.   如條項64之程序，其中一不對稱EPE度量具有一非高斯分佈。 66.   如條項63至65中任一項之程序，其中該EPE度量係運用一機器學習預測模型予以判定，且該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該EPE度量，無論該EPE度量是對稱抑或不對稱。 67.   如條項66之程序，其中該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。 68.   如條項63至67中任一項之程序，其中該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含熱點。 69.   如條項63至68中任一項之程序，其中該EPE度量係與同該基板上之該圖案相關聯的一良率相關。 70.   如條項63至69中任一項之程序，其中該輸入資訊包含包括全局疊對、一全局臨界尺寸、一局部臨界尺寸、一特徵邊緣粗糙度、一局部臨界尺寸均一性、光罩臨界尺寸、光罩置放誤差、掃描器至掃描器臨界尺寸、掃描器至掃描器疊對失配、圖案化工具臨界尺寸、圖案化工具疊對失配或特徵不對稱性之局部及全局變化的一或多個參數；及/或指示該等參數中之兩者或多於兩者之間的一相互作用/串擾之一值。 71.   如條項70之程序，其中該EPE度量包含該等參數中之兩者或多於兩者及/或指示該等參數中之兩者或多於兩者之間的該相互作用之該值的一組合。 72.   如條項71之程序，其中基於該等參數中之一或多者及/或指示該等參數中之兩者或多於兩者之間的該相互作用之該值而在數學上演算及/或預測該EPE度量。 73.   如條項63至72中任一項之程序，其中量測及/或模擬該輸入資訊。 74.   如條項63至73中任一項之程序，其中該EPE度量係基於一目標EPE機率位準而判定，該一或多個處理器經組態以使得由一使用者經由一使用者介面輸入或選擇該目標EPE機率位準。 75.   如條項63至74中任一項之程序，其中執行接收該輸入資訊、判定該EPE度量及判定該基板上之該圖案之具有一或多個潛在缺陷的該一或多個區域，作為半導體裝置效能之一評估、改良、預測或驗證之部分，且 其中該評估、改良、預測或驗證半導體裝置效能包含源光罩最佳化、光學近接校正、一微影可製造性檢查及/或用於與一半導體裝置相關聯之製造流程之一設計。 76.   如條項63至75中任一項之程序，其中基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域包含判定該圖案之一給定特徵佔據該基板上之一給定位置的一機率。 77.   如條項63至76中任一項之程序，其中基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域係基於一成本函數，該成本函數平衡一可接受的缺陷機率與檢測該一或多個區域之一數目所需之資源，其中該可接受的缺陷機率與該基板上之該圖案之具有作為檢測之目標的該一或多個潛在缺陷的該一或多個區域之一數目有關。 78.   如條項63至77中任一項之程序，其中基於該EPE度量判定該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含判定用於該圖案之一或多個特徵之一圖案機率影像。 79.   如條項78之程序，其中該圖案機率影像包含針對該等特徵中之一或多者之經預測二維基板幾何形狀。 80.   如條項63至79中任一項之程序，其中該輸入資訊包含用於一半導體裝置之一或多個層的一經預測空中影像、目標基板尺寸或來自與半導體裝置製造相關聯之一掃描器及/或圖案化程序之資料中的一或多者及/或基於該等資訊中之該一或多者予以判定。 81.   如條項63至80中任一項之程序，其進一步包含基於該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域判定對一半導體裝置製造設備之一調整。 82.   如條項81之程序，其中該調整包含該圖案之一改變、一光罩之一改變、一劑量之一改變、一焦點之一改變、一曝光之一改變、一光瞳之一改變、一蝕刻及/或沈積程序溫度之一改變或一蝕刻及/或沈積程序時間之一改變中的一或多者。 83.   如條項63至82中任一項之程序，其中該一或多個處理器包含一計算微影模型，且其中判定該EPE度量包含將該輸入資訊用作至該計算微影模型之輸入來預測該EPE度量。 84.   如條項63至83中任一項之程序，其中該幾何形狀資訊包含該圖案之一或多個特徵之一大小及/或一位置之一或多個指示。 85.   一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時實施如條項63至84中任一項之程序。 86.   一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時致使該電腦進行以下操作： 接收包括用於一基板上之一圖案之幾何形狀資訊及/或圖案化程序資訊之輸入資訊； 基於該輸入資訊判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE)度量；及 基於該EPE度量識別該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域。 87.   如條項86之媒體，其中該EPE度量橫越該圖案之該一或多個特徵係對稱或不對稱的。 88.   如條項87之媒體，其中一不對稱EPE度量具有一非高斯分佈。 89.   如條項86至88中任一項之媒體，其中該EPE度量係運用一機器學習預測模型予以判定，且其中該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該EPE度量，無論該EPE度量是對稱抑或不對稱。 90.   如條項89之媒體，其中該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度量。 91.   如條項86至90中任一項之媒體，其中該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含熱點。 92.   如條項86至91中任一項之媒體，其中該EPE度量係與同該基板上之該圖案相關聯的一良率相關。 93.   如條項86至92中任一項之媒體，其中該輸入資訊包含包括全局疊對、一全局臨界尺寸、一局部臨界尺寸、一特徵邊緣粗糙度、一局部臨界尺寸均一性、光罩臨界尺寸、光罩置放誤差、掃描器至掃描器臨界尺寸、掃描器至掃描器疊對失配、圖案化工具臨界尺寸、圖案化工具疊對失配或特徵不對稱性之局部及全局變化的一或多個參數；及/或指示該等參數中之兩者或多於兩者之間的一相互作用/串擾之一值。 94.   如條項93之媒體，其中該EPE度量包含該等參數中之兩者或多於兩者及/或指示該等參數中之兩者或多於兩者之間的該相互作用之該值的一組合。 95.   如條項86至94中任一項之媒體，其中該輸入資訊經量測及/或經模擬。 96.   如條項86至95中任一項之媒體，其中該EPE度量係基於一目標EPE機率位準而判定，其中該目標EPE機率位準係由一使用者經由一使用者介面輸入或選擇。 97.   如條項86至96中任一項之媒體，其中執行接收該輸入資訊、判定該EPE度量及判定該基板上之該圖案之具有一或多個潛在缺陷的該一或多個區域，作為源光罩最佳化、光學近接校正、一微影可製造性檢查及/或用於與一半導體裝置相關聯之製造流程之一設計的部分。 98.   如條項86至97中任一項之媒體，其中基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域包含判定一給定特徵佔據該基板上之一給定位置的一機率。 99.   如條項86至98中任一項之媒體，其中基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域係基於一成本函數，該成本函數平衡該基板上之該圖案之具有一或多個潛在缺陷的該一或多個區域之一數目與檢測該一或多個區域之該數目所需之資源。 100. 如條項86至99中任一項之媒體，其中基於該EPE度量判定該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含判定用於該圖案之一或多個特徵之一圖案機率影像。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上之晶圓製造，但應理解，所揭示概念可供任何類型之製造系統(例如，用於在除了矽晶圓以外的基板上製造之製造系統)使用。另外，所揭示元件之組合及子組合可包含單獨的實施例。舉例而言，機器學習預測模型之單獨的實施例可基於多維輸出基板幾何形狀預測隨機邊緣置放誤差帶及隨機失效率中之一者或兩者。
以上描述意欲為說明性，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進行修改。
A:通孔 a:區域 AD:調整構件 B:通孔/輻射光束 b:區域 BD:光束遞送系統 BS:匯流排 C:通孔/目標部分 CC:游標控制件 CI:通信介面 CO:聚光器/近正入射收集器光學件 CS:電腦系統 DS:顯示器 HC:主機電腦 HHP:最高機率 HP:相對較高機率 ID:輸入裝置 IF:干涉量測構件/虛擬源點/中間焦點 IL:照明系統/照明光學件單元 IN:積光器 INT:網際網路 LA:雷射 LAN:區域網路 LP:相對較低機率 LPA: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 MA:圖案化裝置 MM:主記憶體 MT:第一物件台/圖案化裝置台/支撐結構 NDL:網路鏈路 O:光軸 P1:基板對準標記 P2:基板對準標記 PM:第一定位器 PRO:處理器 PS:物品/投影系統 PS2:位置感測器 PW:第二定位器 ROM:唯讀記憶體(ROM) SD:儲存裝置 SO:輻射源/源收集器模組 ST:基板台 W:基板 WT:第二物件台/基板台 10A:微影投影設備 12A:輻射源 14A:光學件/組件 16Aa:光學件/組件 16Ab:光學件/組件 16Ac:透射光學件/組件 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:照明模型 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 81:帶電粒子束產生器 82:聚光透鏡模組 83:探針形成物鏡模組 84:帶電粒子束偏轉模組 85:二次帶電粒子偵測器模組 86:影像形成模組 87:監測模組 89:樣本載物台 90:樣本 91:初級帶電粒子束 92:帶電粒子束探針 93:二次帶電粒子 94:二次帶電粒子偵測信號 210:極紫外線(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:選用氣體障壁或污染物截留器/污染截留器 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:方法 302:訓練 304:接收/操作 306:預測/操作 308:執行/操作 310:操作/調整 312:操作/調節 400:機器學習預測模型 402:微影可製造性檢查(LMC) 404:圖案保真度度量衡(PFM) 406:神經網路 408:輸入層 410:輸出層 412:隱藏層 414:經模擬空中影像 416:圖案機率影像 500:經預測圖案機率影像 502:通孔 504:機率指示符 506:座標 508:座標 510:經圖案化基板 516:深色陰影 518:位置 520:視圖 522:橢圓之中間部分 524:橢圓之外邊緣處的帶 600:座標 602:座標 604:經預測圖案機率影像 606:基板 608:機率指示符 610:圖形表示 612:位置 614:豎直軸 616:線 618:線 620:線 622:線 700:缺陷機率映圖 701:通孔 702:劑量 704:焦點 706:經預測圖案機率影像 708:機率長條 720:二維形狀 722:很可能有缺陷通孔 724:很可能無缺陷通孔 800:邊緣置放誤差(EPE) 802:圖案 804:特徵 806:節距 808:圖案之部分 810:線 812:切口 814:預期重疊 900:方法 902:接收/操作 904:判定/操作 906:判定/操作 908:判定/操作 1048:邊緣置放誤差(EPE)度量 1050:光學近接校正(OPC)臨界尺寸(CD) 1052:疊對 1054:全局臨界尺寸(CD) 1056:局部臨界尺寸(CD) 1058:抗蝕劑模型 1060:蝕刻模型 1062:運行時間 1064:程序光罩 1066:度量衡 1068:掃描器應用程式 1070:掃描器 1072:追蹤及/或蝕刻操作 1074:光罩 1076:抗蝕劑及/或抗蝕劑程序控制參數 1078:源-光罩最佳化(SMO) 1080:掃描器光學件及/或動力學 1100:圖案機率影像 1101:重疊 1102:邊緣置放誤差(EPE)帶 1110:特徵 1112:圖案 1114:基板 1200:對稱邊緣置放誤差(EPE) 1202:不對稱邊緣置放誤差(EPE) 1203:高斯臨界尺寸(CD)/非高斯臨界尺寸(CD) 1204:分佈 1206:分佈 1210:輪廓 1212:輪廓 1214:中值 1310:基板 1320:電子束檢測設備 1324:初級電子束 1326:聚光透鏡 1328:光束偏轉器 1330:E×B偏轉器 1332:物鏡 1334:二次電子偵測器 1336:類比/數位(A/D)轉換器 1350:影像處理系統 1352:儲存媒體 1354:顯示裝置 1356:記憶體 1358:處理單元
併入本說明書中且構成本說明書之一部分的隨附圖式說明一或多個實施例且連同描述一起解釋此等實施例。現在將參看隨附示意性圖式而僅作為實例來描述本發明之實施例，在該等圖式中，對應元件符號指示對應部件，且在該等圖式中：
圖1說明根據一實施例的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3說明根據一實施例之本發明方法。
圖4說明根據一實施例接收輸入資訊、使用機器學習預測模型預測多維輸出基板幾何形狀，且執行程序監測操作。
圖5說明根據一實施例之經預測圖案機率影像。
圖6說明根據一實施例的基於非線性尺度進行多維輸出基板幾何形狀機率預測。
圖7說明根據一實施例的針對各種劑量及焦點條件由機器學習預測模型預測之圖案機率影像。
圖8說明根據一實施例之邊緣置放誤差(EPE)。
圖9說明根據一實施例之另一本發明方法。
圖10說明根據一實施例之用以判定EPE度量之EPE貢獻因素。
圖11說明根據一實施例之圖案機率影像。
圖12說明根據一實施例之對稱及不對稱經預測邊緣置放誤差(EPE)。
圖13為根據一實施例之實例電腦系統的方塊圖。
圖14為根據一實施例之微影投影設備的示意圖。
圖15為根據一實施例之另一微影投影設備的示意圖。
圖16為根據一實施例之微影投影設備的詳細視圖。
圖17為根據一實施例之微影投影設備之源收集器模組的詳細視圖。
圖18示意性地描繪根據一實施例之電子束檢測設備之實施例。
圖19示意性地說明根據一實施例之檢測設備的另一實施例。
304:接收/操作
306:預測/操作
308:執行/操作
400:機器學習預測模型
402:微影可製造性檢查(LMC)
404:圖案保真度度量衡(PFM)
406:神經網路
408:輸入層
410:輸出層
412:隱藏層
414:經模擬空中影像
416:圖案機率影像

Claims (15)

  1. 一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時致使該電腦進行以下操作：接收包括用於一基板上之一圖案之幾何形狀(geometry)資訊及/或圖案化程序資訊之輸入資訊；基於該輸入資訊判定與該圖案之一或多個特徵相關聯之一邊緣置放誤差(EPE，edge placement error)度量(metric)；及基於該EPE度量識別該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域。
  2. 如請求項1之媒體，其中該EPE度量橫越(across)該圖案之該一或多個特徵係對稱或不對稱的。
  3. 如請求項2之媒體，其中一不對稱EPE度量具有一非高斯分佈。
  4. 如請求項1至3中任一項之媒體，其中該EPE度量係運用一機器學習預測模型予以判定，且其中該機器學習預測模型係使用不對稱分佈之訓練資料來訓練使得該經訓練機器學習預測模型之權重及/或參數有助於預測該EPE度量，無論該EPE度量是對稱或不對稱。
  5. 如請求項4之媒體，其中該不對稱分佈之訓練資料包含自與不對稱分佈之臨界尺寸(CD)值相關聯之多維機率影像所判定的不對稱分佈之EPE度 量。
  6. 如請求項1至3中任一項之媒體，其中該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含熱點(hot spots)。
  7. 如請求項1至3中任一項之媒體，其中該EPE度量係與同該基板上之該圖案相關聯的一良率(yield)相關(correlated)。
  8. 如請求項1至3中任一項之媒體，其中該輸入資訊包含以下一或多個參數：全局疊對(global overlay)、一全局臨界尺寸、一局部(local)臨界尺寸、一特徵邊緣粗糙度、一局部臨界尺寸均一性、光罩(mask)臨界尺寸、光罩置放誤差、掃描器至掃描器(scanner to scanner)臨界尺寸、掃描器至掃描器疊對失配(mismatches)、圖案化工具臨界尺寸、圖案化工具疊對失配或特徵不對稱性之局部及全局變化；及/或指示該等參數中之兩者或多於兩者之間的一相互作用/串擾(cross-talk)之一值。
  9. 如請求項8之媒體，其中該EPE度量包含該等參數中之兩者或多於兩者及/或指示該等參數中之兩者或多於兩者之間的該相互作用之該值的一組合。
  10. 如請求項1至3中任一項之媒體，其中該輸入資訊經量測及/或經模擬。
  11. 如請求項1至3中任一項之媒體，其中該EPE度量係基於一目標EPE機率位準而判定，其中該目標EPE機率位準係由一使用者經由一使用者介面輸入或選擇。
  12. 如請求項1至3中任一項之媒體，其中接收該輸入資訊、判定該EPE度量及判定該基板上之該圖案之具有一或多個潛在缺陷的該一或多個區域經實施已作為源光罩(source mask)最佳化、光學近接校正(optical proximity correction)、一微影可製造性檢查及/或用於與一半導體裝置相關聯之製造流程之一設計之部分。
  13. 如請求項1至3中任一項之媒體，其中基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域包含判定一給定特徵佔據該基板上之一給定位置的一機率。
  14. 如請求項1至3中任一項之媒體，其中基於該EPE度量判定該基板上之該圖案之具有一或多個潛在缺陷的一或多個區域係基於一成本函數，該成本函數平衡該基板上之該圖案之具有一或多個潛在缺陷的該一或多個區域之一數目與(versus)檢測該一或多個區域之該數目所需之資源。
  15. 如請求項1至3中任一項之媒體，其中基於該EPE度量判定該基板上之該圖案之具有該一或多個潛在缺陷的該一或多個區域包含判定用於該圖案之一或多個特徵之一圖案機率影像。
TW110149189A 2019-08-30 2020-08-07 半導體裝置幾何方法及系統 TWI802185B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201962894474P 2019-08-30 2019-08-30
US62/894,474 2019-08-30
US202062980520P 2020-02-24 2020-02-24
US62/980,520 2020-02-24
US202063042654P 2020-06-23 2020-06-23
US63/042,654 2020-06-23

Publications (2)

Publication Number Publication Date
TW202215167A TW202215167A (zh) 2022-04-16
TWI802185B true TWI802185B (zh) 2023-05-11

Family

ID=71948571

Family Applications (2)

Application Number Title Priority Date Filing Date
TW109126794A TWI753517B (zh) 2019-08-30 2020-08-07 半導體裝置幾何方法及系統
TW110149189A TWI802185B (zh) 2019-08-30 2020-08-07 半導體裝置幾何方法及系統

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW109126794A TWI753517B (zh) 2019-08-30 2020-08-07 半導體裝置幾何方法及系統

Country Status (5)

Country Link
US (1) US20220327364A1 (zh)
KR (1) KR20220038167A (zh)
CN (1) CN114402262A (zh)
TW (2) TWI753517B (zh)
WO (1) WO2021037484A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3929752A4 (en) * 2019-03-26 2022-12-07 Siemens Aktiengesellschaft METHOD, DEVICE AND SYSTEM FOR ASSESSING THE DESIGN QUALITY OF A CODE
US11669019B2 (en) 2019-05-21 2023-06-06 Asml Netherlands B.V. Method for determining stochastic variation associated with desired pattern
US20220092473A1 (en) * 2020-09-18 2022-03-24 Samsung Display Co., Ltd. System and method for performing tree-based multimodal regression
US20220352041A1 (en) * 2021-04-30 2022-11-03 Kla Corporation High Resolution Profile Measurement Based On A Trained Parameter Conditioned Measurement Model
CN117355795A (zh) * 2021-05-21 2024-01-05 美商新思科技有限公司 针对源掩模优化的用于选择初始源形状的机器学习
EP4374225A1 (en) * 2021-08-24 2024-05-29 Siemens Industry Software Inc. Defectivity quantifer determinations for lithographical circuit fabrication processes through off-target process parameters
US12056431B2 (en) * 2021-08-31 2024-08-06 Taiwan Semiconductor Manufacturing Company, Ltd. Methods of preparing photo mask data and manufacturing a photo mask
KR20240056509A (ko) * 2021-09-07 2024-04-30 에이에스엠엘 네델란즈 비.브이. 리소그래피 공정을 모니터링하는 방법 및 관련된 장치
EP4191337A1 (en) * 2021-12-01 2023-06-07 ASML Netherlands B.V. A method of monitoring a lithographic process and associated apparatuses
US12080050B2 (en) * 2021-12-20 2024-09-03 KLA Corp. Machine learning using a global texture characteristic for semiconductor-based applications
EP4261616A1 (en) 2022-04-13 2023-10-18 ASML Netherlands B.V. Method and computer program for grouping pattern features of a substantially irregular pattern layout
WO2023131476A1 (en) 2022-01-07 2023-07-13 Asml Netherlands B.V. Method and computer program for grouping pattern features of a substantially irregular pattern layout
WO2023156125A1 (en) * 2022-02-17 2023-08-24 Asml Netherlands B.V. Systems and methods for defect location binning in charged-particle systems
JP2023120961A (ja) * 2022-02-18 2023-08-30 株式会社Ｓｃｒｅｅｎホールディングス 基板処理条件の設定方法、基板処理方法、基板処理条件の設定システム、及び、基板処理システム
WO2024012800A1 (en) * 2022-07-11 2024-01-18 Asml Netherlands B.V. Systems and methods for predicting post-etch stochastic variation
WO2024013038A1 (en) * 2022-07-12 2024-01-18 Asml Netherlands B.V. Stochastic-aware source mask optimization based on edge placement probability distribution
EP4361903A1 (en) * 2022-10-25 2024-05-01 ASML Netherlands B.V. Failure mode identification
WO2024094385A1 (en) * 2022-10-31 2024-05-10 Asml Netherlands B.V. Source optimization for mitigating mask error impact
WO2024181968A1 (en) * 2023-02-28 2024-09-06 Siemens Industry Software Inc. Characterization of lithographic process variation for manufacturing process calibration using importance sampling

Family Cites Families (17)

* 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
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
US9588439B1 (en) * 2010-12-21 2017-03-07 Asml Netherlands B.V. Information matrix creation and calibration test pattern selection based on computational lithography model parameters
US11443083B2 (en) * 2016-05-12 2022-09-13 Asml Netherlands B.V. Identification of hot spots or defects by machine learning
EP3290911A1 (en) * 2016-09-02 2018-03-07 ASML Netherlands B.V. Method and system to monitor a process apparatus
EP3422103A1 (en) * 2017-06-26 2019-01-02 ASML Netherlands B.V. Method of determining a performance parameter of a process
CN115185163A (zh) * 2017-09-08 2022-10-14 Asml荷兰有限公司 用于机器学习辅助的光学邻近误差校正的训练方法
KR102459381B1 (ko) * 2018-02-23 2022-10-26 에이에스엠엘 네델란즈 비.브이. 컴퓨테이션 리소그래피를 위한 머신 러닝 모델을 트레이닝시키기 위한 방법

Also Published As

Publication number Publication date
WO2021037484A1 (en) 2021-03-04
TWI753517B (zh) 2022-01-21
TW202113924A (zh) 2021-04-01
US20220327364A1 (en) 2022-10-13
CN114402262A (zh) 2022-04-26
TW202215167A (zh) 2022-04-16
KR20220038167A (ko) 2022-03-25

Similar Documents

Publication Publication Date Title
TWI802185B (zh) 半導體裝置幾何方法及系統
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
TWI782317B (zh) 用於改良圖案化程序之程序模型的方法以及改良圖案化程序之光學近接校正模型的方法
CN113196173A (zh) 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法
TWI780476B (zh) 用於判定缺陷圖案之方法及系統
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
TWI785504B (zh) 用於調整製程窗之方法及其相關非暫時性電腦可讀媒體
TW201633006A (zh) 熱點感知劑量校正
CN112889005B (zh) 用于生成特性图案和训练机器学习模型的方法
CN112969968B (zh) 基于过程变化度的空间特性对不合格的预测
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
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
TWI625603B (zh) 用於製程窗特性之裝置及方法
TWI781374B (zh) 改良用於模型校準之量規選擇
US20240264539A1 (en) Inspection data filtering systems and methods
TWI846742B (zh) 產生特徵圖案與訓練機器學習模型之方法
US20240212125A1 (en) Patterning parameter determination using a charged particle inspection system
CN114341742A (zh) 确定图案的像差灵敏度的方法
CN117501184A (zh) 检查数据滤除系统和方法
CN117918007A (zh) 图案形成装置缺陷检测系统和方法