TWI804839B - 用於組態插補模型的方法及相關聯電腦程式產品 - Google Patents

用於組態插補模型的方法及相關聯電腦程式產品 Download PDF

Info

Publication number
TWI804839B
TWI804839B TW110112086A TW110112086A TWI804839B TW I804839 B TWI804839 B TW I804839B TW 110112086 A TW110112086 A TW 110112086A TW 110112086 A TW110112086 A TW 110112086A TW I804839 B TWI804839 B TW I804839B
Authority
TW
Taiwan
Prior art keywords
data
model
imputed
imputation
parameter
Prior art date
Application number
TW110112086A
Other languages
English (en)
Other versions
TW202143084A (zh
Inventor
瑞莎 沙雷伊恩
瓦希德 巴斯塔尼
迪米特拉 吉科魯
桑托斯 古澤拉 蒂亞戈 多斯
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
Priority claimed from EP20175361.3A external-priority patent/EP3913435A1/en
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202143084A publication Critical patent/TW202143084A/zh
Application granted granted Critical
Publication of TWI804839B publication Critical patent/TWI804839B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • 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
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Stored Programmes (AREA)

Abstract

本發明揭示組態用於插補一第二參數之一插補模型的裝置及方法。該方法包含將包含一第一參數之值的一第一資料集輸入至該插補模型，且評估該插補模型以獲得包含該第二參數之所插補值的一第二資料集。該方法進一步包含：獲得包含一第三參數之量測值之一第三資料集，其中該第三參數與該第二參數相關；獲得一預測模型，該預測模型經組態以基於輸入該第二參數之值而推斷該第三參數之值；將該第二資料集輸入至該預測模型，且評估該預測模型以獲得該第三參數之推斷值；及基於該第三參數之該等推斷值與該等量測值之一比較而組態該插補模型。

Description

用於組態插補模型的方法及相關聯電腦程式產品
本發明係關於用於組態用於插補參數之插補模型的裝置及方法。特定言之，該模型可基於第一參數而插補第二參數，且該模型之組態考量與第二參數相關之第三參數。
微影裝置為經建構以將所要圖案施加至基板上之機器。微影裝置可用於例如積體電路(IC)之製造中。微影裝置可例如將圖案化器件(例如遮罩)處之圖案(亦經常被稱作「設計佈局」或「設計」)投影至提供於基板(例如晶圓)上之輻射敏感材料(抗蝕劑)層上。
為了將圖案投影於基板上，微影裝置可使用輻射。此輻射之波長判定可形成於基板上之特徵之最小大小。當前在使用中之典型波長係365nm(i線)、248nm、193nm及13.5nm。與使用例如具有約193nm之波長之輻射的微影裝置相比，使用具有在4nm至20nm之範圍內(例如6.7nm或13.5nm)之波長之極紫外線(EUV)輻射的微影裝置可用以在基板上形成較小特徵。
低k1微影可用以處理尺寸小於微影裝置之經典解析度極限的特徵。在此程序中，可將解析度公式表達為CD=k1×λ/NA，其中λ為所 使用輻射之波長、NA為微影裝置中之投影光學件之數值孔徑、CD為「臨界尺寸」(通常為經印刷之最小特徵大小，但在此狀況下為半節距)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電路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，可將複雜微調步驟應用至微影投影裝置及/或設計佈局。此等步驟包括例如但不限於：NA之最佳化、自訂照明方案、相移圖案化器件之使用、設計佈局之各種最佳化，諸如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。替代地，用於控制微影裝置之穩定性之嚴格控制迴路可用以改良在低k1下之圖案之再生。
微影程序可產生許多資料，該等資料可經分析以監測及/或控制裝置。資料可由(例如)微影裝置自身中之感測器或對由微影裝置圖案化之基板執行之量測的度量衡資料產生。與複雜程序相關的此類大量資料之處理可涉及模型之使用。模型可為機器學習模型，例如神經網路。模型可基於所提供輸入估計輸出。在該模型可提供輸出之前，該模型必須瞭解微影程序。為了進行此操作，需要訓練機器學習模型。可對訓練資料集執行訓練。訓練資料集可包含模型之輸入及輸出兩者之已知(歷史)值。獲得訓練資料集可為困難的，此係因為輸出之資料值可能並不通常可用，及/或輸出資料可用的輸入資料集可能並不完整(例如一些輸入資料值可能遺漏)。本文中所描述之方法及裝置旨在解決發現合適訓練資料之挑戰。
本發明之一目標係提供用於組態用於插補一第二參數之一插補模型的方法及裝置。
根據本發明之一第一態樣，提供一種組態用於插補一第二參數之一插補模型之方法。該方法包含將包含一第一參數之值的一第一資料集輸入至該插補模型。評估該插補模型以獲得包含該第二參數之所插補值的一第二資料集。獲得包含一第三參數之量測值之第三資料集，其中該第三參數與該第二參數相關。獲得一預測模型，其經組態以基於輸入該第二參數之值而推斷該第三參數之值。將該第二資料集輸入至該預測模型，且評估該預測模型以獲得該第三參數之推斷值。基於該第三參數之該等推斷值與該等量測值之一比較來組態該插補模型。
視情況，該方法可進一步包含獲得經組態以輸出估計所接收輸入值是被插補抑或已知的一遮罩向量的一分析模型。可將至少該第二資料集輸入至該分析模型。可評估該分析模型以獲得具有該第二資料集是否包含所插補資料之一估計的一遮罩向量。組態該插補模型可進一步基於該分析模型之該輸出。
視情況，將至少該第二資料集輸入至該分析模型可進一步包含輸入該第一資料集及該第三資料集中之至少一者。
視情況，該第一資料集可包含複數個參數。
視情況，該第一參數、該第二參數及該第三參數可與一微影圖案化程序有關。
視情況，該第一資料集可包含位階量測資料、對準資料及/或疊對資料中之至少一者。
視情況，該第二參數可為疊對或臨界尺寸中之一者。
視情況，該第三參數可為良率。
視情況，該插補模型可經組態以估計該第二資料集以用於 運算度量衡及良率感知預測中之至少一者。
視情況，可同時訓練該預測模型及該插補模型。
視情況，該等模型中之至少一者可為一機器學習模型。
視情況，該機器學習模型可包含一深度神經網路。
根據本發明之另一態樣，提供一種判定用於一微影裝置之一調整之方法。該方法包含獲得已使用如上文所描述之一方法組態的一插補模型。將與由該微影裝置進行之一先前微影曝光有關之一第一資料集輸入至該插補模型，且評估該插補模型以獲得包含一第二參數之估計值之一第二資料集。將該第二資料集輸入至一目標預測模型，且評估該目標預測模型以獲得包含一第三參數之推斷值之一第三資料集。基於該第三參數之該等推斷值而判定對該微影裝置之該調整。
視情況，該方法可進一步包含對該微影裝置實施該經判定調整以用於一後續微影曝光。
該目標預測模型可為與用於組態該插補模型之方法中的預測模型相同的模型，或其可為一單獨模型。
根據本發明之另一態樣，提供一種用於組態用於估計一第二參數之一插補模型之裝置。該裝置包含一或多個處理器及一非暫時性儲存媒體，該非暫時性儲存媒體包含在經執行時使得該處理器執行上文所描述之一方法的指令。
根據本發明之另一態樣，提供一種裝置，其包含使用上文所描述之一方法而組態之一插補模型。
根據本發明之另一態樣，提供一種度量衡裝置，其包含如上文所描述之一裝置。
根據本發明之另一態樣，提供一種微影單元，其包含如上文所描述之一裝置。
根據本發明之另一態樣，提供一種電腦程式產品，其包含經組態以進行以下操作之電腦可讀指令：接收用於一插補模型之輸入資料，該插補模型係一機器學習模型且經組態以提供所插補資料；接收與該所插補資料相關之目標資料；將該所插補資料輸入至一預測模型以獲得經預測資料；及基於該經預測資料與該目標資料之間的一比較來訓練該插補模型。
根據本發明之另一態樣，提供一種方法，其包含：接收用於一插補模型之輸入資料，該插補模型係一機器學習模型且經組態以提供所插補資料；接收與該所插補資料相關之目標資料；將該所插補資料輸入至一預測模型以獲得經預測資料；及基於比較該經預測資料與該目標資料來訓練該插補模型。
根據本發明之另一態樣，提供一種電腦程式產品，其包含經組態以進行以下操作之電腦可讀指令：接收用於一插補模型之輸入資料以獲得所插補資料，其中該所插補資料包含該輸入資料之至少一子集；獲得識別該所插補資料內之所插補及非插補之資料輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別該所插補資料之所插補與非插補之資料輸入項，且輸出識別該所插補資料之所插補及非插補之資料輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
根據本發明之另一態樣，提供一種方法，其包含：接收用於一插補模型之輸入資料以獲得所插補資料，其中該所插補資料包含該輸 入資料之至少一子集；獲得識別該所插補資料內之所插補及非插補之資料輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別該所插補資料之所插補與非插補之資料輸入項，且輸出識別該所插補資料之所插補及非插補之資料輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
400:步驟
402:步驟
404:步驟
406:步驟
408:步驟
410:步驟
500:插補模型
502:輸入參數
504:輸出參數
506:目標預測模型
508:目標參數
600:插補模型
602:輸入資料
604:第二參數/所估計輸出
606:預測模型
608:第三資料集
610:第三參數
612:回饋
700:插補模型
702:輸入資料
704:第二參數
706:預測模型
707:分析模型
708:第三資料集/輸出
709:輸出
710:第三參數值/第三資料集
712:回饋
B:輻射光束
BD:光束遞送系統
BK:烘烤板
C:目標部分
CH:冷卻板
CL:電腦系統
DE:顯影器
IF:位置量測系統
IL:照明系統/照明器
I/O1:輸入/輸出埠
I/O2:輸入/輸出埠
LA:微影裝置
LACU:微影控制單元
LB:裝載匣
LC:微影單元
M1:遮罩對準標記
M2:遮罩對準標記
MA:圖案化器件
MT:度量衡工具
P1:基板對準標記
P2:基板對準標記
PM:第一定位器
PS:投影系統
PW:第二定位器
RO:基板處置器或機器人
SC:旋塗器
SCS:監督控制系統
SC1:第一標度
SC2:第二標度
SC3:第三標度
SO:輻射源
T:遮罩支撐件
TCU:塗佈顯影系統控制單元
W:基板
WT:基板支撐件
現在將僅作為實例參看隨附示意性圖式來描述本發明之實施例，在該等圖式中：- 圖1描繪微影裝置之示意性綜述；- 圖2描繪微影單元之示意性綜述；- 圖3描繪整體微影之示意性表示，其表示用以最佳化半導體製造之三種關鍵技術之間的合作；- 圖4描繪組態插補模型之方法中之步驟的流程圖；- 圖5描繪用於良率預測之插補模型之實例應用的示意圖；- 圖6描繪包含預測模型之插補模型之訓練組態的示意圖；- 圖7描繪包含預測模型及分析模型之插補模型的訓練組態之示意圖；- 圖8(a)描繪展示使用本文中所描述之良率感知訓練方法使用插補模型之經預測良率與經量測良率之比較的曲線圖；- 圖8(b)描繪展示在無良率感知訓練的情況下使用訓練之插補模型之經預測良率與經量測良率之比較的曲線圖。
在本發明文件中，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365nm、248nm、193nm、157nm或126nm之波長)及極紫外線輻射(EUV，例如，具有在約5nm至100nm之範圍內之波長)。
如本文中所採用之術語「倍縮光罩」、「遮罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件，該經圖案化橫截面對應於待在基板之目標部分中產生之圖案。在此內容背景中，亦可使用術語「光閥」。除經典遮罩(透射或反射；二元、相移、混合式等)以外，其他此類圖案化器件之實例包括可程式化鏡面陣列及可程式化LCD陣列。
圖1示意性地描繪微影裝置LA。該微影裝置LA包括：照明系統(亦被稱作照明器)IL，其經組態以調節輻射光束B(例如UV輻射、DUV輻射或EUV輻射)；遮罩支撐件(例如遮罩台)T，其經建構以支撐圖案化器件(例如遮罩)MA且連接至經組態以根據某些參數來準確地定位該圖案化器件MA之第一定位器PM；基板支撐件(例如晶圓台)WT，其經建構以固持基板(例如抗蝕劑塗佈晶圓)W且連接至經組態以根據某些參數來準確地定位基板支撐件之第二定位器PW；及投影系統(例如折射投影透鏡系統)PS，其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C(例如包含一或多個晶粒)上。
在操作中，照明系統IL例如經由光束遞送系統BD自輻射源SO接收輻射光束。照明系統IL可包括用於引導、塑形及/或控制輻射的各種類型之光學組件，諸如折射、反射、磁性、電磁、靜電及/或其他類型之光學組件，或其任何組合。照明器IL可用以調節輻射光束B，以在圖案化器件MA之平面處在其橫截面中具有所要空間及角強度分佈。
本文所使用之術語「投影系統」PS應被廣泛地解譯為涵蓋適於所使用之曝光輻射及/或適於諸如浸潤液體之使用或真空之使用之其他因素的各種類型之投影系統，包括折射、反射、反射折射、合成、磁性、電磁及/或靜電光學系統，或其任何組合。可認為本文中對術語「投影透鏡」之任何使用皆與更一般之術語「投影系統」PS同義。
微影裝置LA可屬於如下類型：其中基板之至少一部分可由具有相對較高折射率之液體(例如水)覆蓋，以便填充投影系統PS與基板W之間的空間-此亦被稱作浸潤微影。以引用方式併入本文中之US6952253中給出關於浸潤技術之更多資訊。
微影裝置LA亦可屬於具有兩個或多於兩個基板支撐件WT(又名「雙載物台」)之類型。在此「多載物台」機器中，可並行地使用基板支撐件WT，及/或可對位於基板支撐件WT中之一者上的基板W進行準備基板W之後續曝光的步驟，同時將另一基板支撐件WT上之另一基板W用於在該另一基板W上曝光圖案。
除了基板支撐件WT以外，微影裝置LA亦可包含量測載物台。量測載物台經配置以固持感測器及/或清潔器件。感測器可經配置以量測投影系統PS之屬性或輻射光束B之屬性。量測載物台可固持多個感測器。清潔器件可經配置以清潔微影裝置之部分，例如投影系統PS之部分或提供浸潤液體之系統之部分。量測載物台可在基板支撐件WT遠離投影系統PS時在投影系統PS下方移動。
在操作中，輻射光束B入射於被固持於遮罩支撐件T上之圖案化器件(例如遮罩)MA上，且係由存在於圖案化器件MA上之圖案(設計佈局)而圖案化。在已橫穿遮罩MA的情況下，輻射光束B傳遞通過投影系 統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置量測系統IF，可準確地移動基板支撐件WT，例如以便使不同目標部分C在輻射光束B之路徑中定位於經聚焦且對準之位置處。相似地，第一定位器PM及可能另一位置感測器(其未在圖1中明確地描繪)可用以相對於輻射光束B之路徑來準確地定位圖案化器件MA。可使用遮罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件MA及基板W。儘管如所說明之基板對準標記P1、P2佔據專用目標部分，但該等標記可位於目標部分之間的空間中。當基板對準標記P1、P2位於目標部分C之間時，此等基板對準標記P1、P2被稱為切割道對準標記。
如圖2中所展示，微影裝置LA可形成微影單元LC(有時亦被稱作微影單元(lithocell)或(微影)叢集)之部分，微影單元LC經常亦包括用以對基板W執行曝光前程序及曝光後程序之裝置。通常，此等裝置包括用以沈積抗蝕劑層之旋塗器SC、用以顯影經曝光抗蝕劑之顯影器DE、例如用於調節基板W之溫度(例如用於調節抗蝕劑層中之溶劑)之冷卻板CH及烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板W、在不同程序裝置之間移動基板W且將基板W遞送至微影裝置LA之裝載匣LB。微影單元中常常亦被集體地稱作塗佈顯影系統之器件通常係在塗佈顯影系統控制單元TCU之控制下，塗佈顯影系統控制單元TCU自身可受到監督控制系統SCS控制，監督控制系統SCS亦可例如經由微影控制單元LACU而控制微影裝置LA。
為了正確且一致地曝光由微影裝置LA曝光之基板W，需要檢測基板以量測經圖案化結構之屬性，諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD)等。出於此目的，可在微影單元LC中包括檢測工具(圖 中未繪示)。若偵測到誤差，則可對後續基板之曝光或對待對基板W執行之其他處理步驟進行例如調整，尤其是在同一批量或批次之其他基板W仍待曝光或處理之前進行檢測的情況下。
亦可被稱作度量衡裝置之檢測裝置用以判定基板W之屬性，且尤其判定不同基板W之屬性如何變化或與同一基板W之不同層相關聯之屬性在不同層間如何變化。檢測裝置可替代地經建構以識別基板W上之缺陷，且可例如為微影單元LC之部分，或可整合至微影裝置LA中，或可甚至為單機器件。檢測裝置可量測潛影(在曝光之後在抗蝕劑層中之影像)上之屬性，或半潛影(在曝光後烘烤步驟PEB之後在抗蝕劑層中之影像)上之屬性，或經顯影抗蝕劑影像(其中抗蝕劑之曝光部分或未曝光部分已被移除)上之屬性，或甚至經蝕刻影像(在諸如蝕刻之圖案轉印步驟之後)上之屬性。
通常微影裝置LA中之圖案化程序為在處理中之最具決定性步驟中的一者，其需要基板W上之結構之尺寸標定及置放之高準確度。為了確保此高準確度，可將三個系統組合於所謂的「整體」控制環境中，如圖3中示意性地所描繪。此等系統中之一者為微影裝置LA，其(實際上)連接至度量衡工具MT(第二系統)且連接至電腦系統CL(第三系統)。此「整體」環境之關鍵在於最佳化此三個系統之間的合作以增強總體程序窗且提供嚴格控制迴路，從而確保由微影裝置LA執行之圖案化保持在程序窗內。程序窗界定程序參數(例如劑量、焦點、疊對)之範圍，在該程序參數範圍內特定製造程序得到所界定結果(例如功能半導體器件)-通常在該程序參數範圍內，微影程序或圖案化程序中之程序參數被允許變化。
電腦系統CL可使用待圖案化之設計佈局(之部分)以預測使 用哪種解析度增強技術且執行運算微影模擬及計算以判定哪種遮罩佈局及微影裝置設定達成圖案化程序之最大總體程序窗(在圖3中由第一標度SC1中之雙箭頭描繪)。通常，解析度增強技術經配置以匹配於微影裝置LA之圖案化可能性。電腦系統CL亦可用以偵測在程序窗內何處微影裝置LA當前正操作(例如使用來自度量衡工具MT之輸入)以預測歸因於例如次佳處理是否可存在缺陷(在圖3中由第二標度SC2中之指向「0」之箭頭描繪)。
度量衡工具MT可將輸入提供至電腦系統CL以實現準確模擬及預測，且可將回饋提供至微影裝置LA以識別例如微影裝置LA之校準狀態中的可能漂移(在圖3中由第三標度SC3中之多個箭頭描繪)。
度量衡工具MT可在微影圖案化程序之不同階段期間量測基板。可出於不同目的使用基板之度量衡。基板之量測可(例如)用於監測及/或更新微影程序設定、誤差偵測、隨時間推移對裝置之分析、品質控制等。一些量測相比於其他量測更容易獲得。舉例而言，一些量測可需要存在於基板上之特定目標結構。一些量測相比於其他量測可花費相對較長時間來執行。長的量測可在昂貴度量衡工具MT中佔據許多時間。此可使彼等量測就設備使用及時間而言係昂貴的。因此，可較不頻繁地執行此等量測。此可意謂僅稀疏量測資料可用於一些參數，及/或可能不對每一基板執行量測。
針對一些參數之量測資料之有限可用性可造成問題。可出於上文所描述之目的中的一些來使用此類量測資料。作為一實例，獲得用於疊對之度量衡資料可為昂貴的。因此，對於一些或全部經圖案化基板，疊對可僅稀疏地可用。疊對可為用以充當用於微影程序設定之品質指示符及/或用以預測基板上之良率的有用參數。特定言之，相比於可自例如位 階量測資料之可用度量衡資料更直接獲得的一些其他參數，疊對可為品質或良率之更佳的指示符。
為了解決諸如疊對之參數之有限可用性，模型可用以基於其他可用度量衡資料估計彼參數之值。在一實例中，可基於位階量測資料及/或對準資料估計基板上之疊對。用於估計參數值之模型可為資料驅動的。資料驅動模型可用以估計及/或預測基板之參數值及其他屬性(例如良率)以及微影圖案化程序之其他態樣。模型可例如用於微影裝置LA之運算度量衡、良率感知控制及/或基板位階控制中。模型可使用量測資料作為輸入。量測資料可包含例如疊對OVL、位階量測LVL、對準AL、厚度、臨界尺寸CD、劑量映圖、焦點映圖及/或程序內容脈絡資料中之一或多者。量測之實例包括疊對及/或位階量測的顯影後檢測(ADI)、蝕刻後檢測(AEI)及/或清潔後檢測(ACI)量測。
關於上文所描述之模型之問題可為：其依賴於輸入參數之可用性。模型可期望用於每一評估之相似量及類型的輸入。然而，不同類型及密度之量測可用於不同基板。舉例而言，當生產體積斜升時，每基板之量測容量可減小。在一些狀況下，可僅對所有經圖案化基板之子集執行一些量測以測試產出量之樣本。結果，不同量及/或類型之量測資料可用於不同基板。已知若干方法來應對參數資料之可用性之差異。第一選項為忽略並不具有所有所需資料值之基板。替代地或另外，為了適用於用於較多基板之資料集，模型可經設計為接收較小量之輸入資料，使得較多基板資料集包含用於模型之所需輸入資料。然而，此可意謂用於一些基板之大量可用資料保持未使用，此可導致較不準確的預測/估計。模型可應對用於一些基板之可用資料之限制的第二選項為使用統計或模型(例如)基於集 合中之可用資料來估計遺漏資料。此可為(例如)運算度量衡中之狀況。舉例而言，可提供模型以基於其他可用資料估計橫越基板之密集疊對，該等其他可用資料包括位階量測資料、對準資料及稀疏疊對資料中之一或多者。緊接於統計及模型化，亦可使用內插以估計參數值之增加之密度。在又一實例中，例如來自先前經曝光基板之參數之歷史資料可用作當前基板之參數之近似。
在一項實例中，可旨在使用目標預測模型(例如良率預測模型)來預測微影圖案化程序之目標，例如良率損失。疊對OVL可為用以進行良率損失預測所基於的良好指示符。亦可使用臨界尺寸CD，此係因為其可具有與基板之良率之高相關性。為了對基板進行精確且準確的預測，良率預測模型可需要用於彼基板之疊對資料及臨界尺寸資料兩者。為了提供較準確預測，可針對基板上之至少一些層需要密集疊對資料。然而，針對基板上之所有所需層，疊對量測可能不可用。此外，臨界尺寸CD資料可僅稀疏地可用及/或具有粗略解析度。針對不同基板，用於不同參數之不同量之量測資料可能可用。若良率預測模型預期用於每一評估之輸入參數資料之相同類型及量(例如，疊對及臨界尺寸資料之特定密度)，則藉由良率預測模型無法評估僅參數資料中之一些可用的基板。因此，可提供單獨模型以推斷資料值不可用於每一基板之一或多個參數之值。此單獨模型可為經組態以基於一或多個其他參數之已知值推斷遺漏參數之值的插補模型。改良用於估計應用程式之遺漏參數的插補模型之效能可導致針對彼應用程式之改良之結果。
模型輸出之效能可取決於提供至模型之輸入之品質。輸出之品質亦可取決於模型自身之品質。模型之品質可受到模型之訓練影響。 亦即，可基於訓練資料集而組態模型。模型可學習使用訓練程序基於輸入來預測輸出。訓練集可包含輸入之資料值及輸出之資料值。在訓練期間，模型可估計輸出，可將該輸出與輸出之已知資料值進行比較。所估計輸出值與已知輸出值之比較可被視為輸出品質之指示符。可將比較之結果作為回饋提供至可經更新之模型。此程序可經反覆以訓練模型。改良模型之訓練可導致其效能在估計輸出時之改良。
關於使用上文所描述之訓練方法來訓練插補模型之問題可在於：該模型係目標不可知的。亦即，在預測目標之程序之步驟中使用插補模型，但此目標在訓練期間不被考量。因為插補模型之輸出用於目標預測，所以輸出與目標可相關。本發明人已意識到，輸出與目標之間的相關性可為相關且資訊性的。在插補模型之訓練程序中使用來自此相關性之可用資訊可提供訓練程序之改良。此外，輸出參數與目標參數之間的相關性可僅為部分的。亦即，該(該等)輸出參數之一些態樣可對該(該等)目標參數沒有影響或影響有限。舉例而言，基板之一些層或區域中之疊對可比基板上之其他層或區域中之疊對更不重要。若插補模型經組態以判定輸出，該輸出又用以估計目標，則可有益的是使用插補模型之容量來估計與目標相關及/或影響目標之輸出參數之彼等態樣。
訓練及使用如上文所描述之插補模型之另一問題在於，一些參數可能難以基於已知參數值進行估計。舉例而言，臨界尺寸Cd可與基板之良率強相關。然而，其僅可微弱地取決於已知參數值。因此，可能難以訓練插補模型以基於可用輸入參數估計臨界尺寸CD。
可在微影程序之操作期間使用本文中所描述之插補模型。提供輸出可為時間敏感的，例如，可需要在開始圖案化下一微影基板之前 獲得用於當前微影圖案化基板之輸出。可能需要儘可能快地獲得插補模型輸出，例如使得輸出之結果可用以改良未來的微影曝光。然而，在模型之訓練期間，此時間限制之資料元素不存在。可在訓練程序期間採用時間敏感元素之移除。此可藉由在模型之訓練中使用基板之量測資料來達成，該量測資料在模型之常規使用期間不可用作輸入。本文中描述使用模型之輸出與不包括於模型之輸入中之參數之間的相關性以用於訓練模型之方法。
圖4描繪展示訓練/組態插補模型之方法中之步驟的流程圖。插補模型可用於插補待由模型提供為輸出的參數。在步驟400中，將包含第一參數之值的第一資料集輸入至插補模型。第一參數亦可被稱作輸入參數。在步驟402中，評估插補模型以獲得包含輸出參數之所插補值的第二資料集。輸出參數亦可被稱作第二參數，此係因為其之判定係基於第一參數。第二資料集可相似地被稱作輸出資料集。在步驟404中，可獲得第三資料集。第三資料集包含第三參數之量測值。第三參數與第二參數相關。在步驟406中，獲得預測模型。預測模型不同於插補模型。預測模型可經組態以接收第二參數之值作為輸入。基於所接收輸入，預測模型可提供第三參數之推斷值作為輸出。在步驟408中，將第二資料集輸入至預測模型，且評估預測模型以獲得第三參數之推斷值。在步驟410中，基於第三參數之推斷值與量測值之比較來組態插補模型。
關於圖4所描述之方法的優點為，其可使用包含於第三參數內之資訊來訓練插補模型。其可採用輸出參數與第三參數之間的現有相關性來使用第三參數之已知值來估計輸出參數之值。歸因於輸出參數與第三參數之間的相關性，可改良插補模型之訓練，此係因為在訓練程序中使用與輸出參數相關之更多資料。
能夠依賴於第三參數中所包含之資訊以用於估計輸出參數的優點可為：可使用具有較少可用資料值之輸入資料集。舉例而言，具有較稀疏資料值分佈之輸入資料集可用於訓練，此係因為該等輸入資料集可包含與第三資料集組合之足夠資訊以用於提供第二參數之估計。此可使得有可能使用較大資料集來訓練插補模型。替代地或另外，歸因於對可用輸入資料之密度的較不嚴格要求，獲得用於組態插補模型之訓練資料集可更容易。
第三參數可為不作為輸入提供至插補模型的參數。第三參數可能不可用作插補模型之輸入。此可例如因為在正常使用期間在評估插補模型時第三參數可能不易於可用。第三參數可為輸出參數之目標參數。亦即，在插補模型之正常預期使用期間，輸出參數之目的可為估計第三參數。
插補模型可用以插補無或稀疏量測資料可用之參數的值。輸入參數可為許多資料值可用之參數。可針對複數個基板橫越基板以密集分佈得到資料。輸出參數可被稱作遺漏參數，此係因為其可被插補以解決度量衡資料中之參數的有限可用性。
如圖4中所描繪之方法可藉由經組態以進行以下操作之電腦程式實施：1)藉由將包含輸入參數(第一參數)之值之輸入資料輸入至插補模型而獲得所插補資料(包含第二參數之值)，2)獲得目標資料(包含第三參數之值)，該目標資料例如為與所插補資料相關之良率資料，及3)將所插補資料輸入至預測模型以獲得經預測資料及4)基於經預測資料與目標資料之比較來組態插補模型。
現在將關於基板之微影圖案化程序更詳細地描述該方法。 然而，該方法亦可應用於其中具有如上文所闡明之關係及相關性之參數資料集可用的其他程序及領域。圖5描繪其中可使用本文中所描述之插補模型之實例應用的圖式。實例應用可包含預測使用微影裝置LA而圖案化之基板的良率。可將包含一或多個輸入參數502之值的輸入資料集(亦被稱作第一資料集)提供至插補模型500。輸入參數502可為微影圖案化程序之製造程序參數。插補模型500可提供包含一或多個輸出參數504之估計值的輸出資料集(亦被稱作第二資料集)。輸出資料集504作為輸入提供至目標預測模型506(亦被稱作良率預測模型)。良率預測模型506可預測一或多個目標參數508之目標資料集(亦被稱作第三資料集)。目標參數可(例如)包含基板之良率。第一資料集、第二資料集及第三資料集可包含微影裝置LA、度量衡工具MT或與微影圖案化程序相關之其他裝置或程序的參數之值。目標預測模型可為與用於組態插補模型之預測模型相同的模型。目標預測模型可為與用於組態插補模型之預測模型不同的模型。
目標預測模型可偏好使用插補模型之一或多個輸出參數，此係因為該一或多個輸出參數為目標參數之良好指示。在一特定實例中，輸入參數502可包含位階量測資料、對準資料及/或稀疏疊對資料。輸出參數504可包含密集疊對資料。參數504可包含臨界尺寸CD。目標預測模型506可為良率預測模型。至良率預測模型之輸入可包含由插補模型500估計之密集疊對OVL及/或臨界尺寸CD。至良率預測模型之輸入可例如進一步包含臨界劑量資料值。良率預測模型之輸出可包含提供輸入資料502之基板上的成品晶粒之所估計良率。
在一項實施例中，輸入資料集可包含一或多個輸出參數之值之稀疏分佈。在另一實施例中，輸入資料集可不包含輸出參數之值。在 兩個實施例中，輸出參數之值被認為係遺漏的。緊接於一或多個輸出參數，至目標預測模型之輸入可包含其他資料值。模型輸出可提供待用於應用程式中之遺漏參數之估計值。
圖6描繪根據本發明之一實施例之訓練組態的示意性綜述。在訓練期間，可將輸入資料602之第一資料集提供至插補模型600。插補模型可估計包含第二參數604之第二資料集之輸出。正如模型之標準訓練一樣，所估計輸出604可與第二參數之已知訓練值相比。可將該比較之結果回饋至插補模型600，以用於更新該插補模型600。包含第二資料集604之插補模型600之輸出可進一步作為輸入提供至預測模型606。預測模型606可進一步將輸入資料集602作為輸入。基於所接收第二資料集604，預測模型可推斷包含第三參數之值的第三資料集608。如上文所提及，第三參數與第二參數係相關的。可接著比較所估計第三參數與第三參數610之已知量測值，該等已知量測值亦在訓練程序期間與預測模型一起被提供。該比較可被視為提供至預測模型606之所估計第二參數之品質的量度。所推斷之第三參數值與經量測之第三參數值之間的比較結果可作為回饋612提供至插補模型600。來自預測模型之此回饋可與至已知輸出之所估計輸出的結果一起使用以更新插補模型。可將此程序重複複數次以組態插補模型600。
如上文所描述，待訓練之插補模型600之輸出可藉由預測模型606測試。預測模型使用由插補模型600輸出之第二參數604與第三參數之間的相關性。藉由回饋612提供至預測模型606之第二資料集604之品質的評估，將第二參數與第三參數之間的相關性引入至插補模型600之訓練程序中。此允許使用第二參數與第三參數之間的相關性來訓練插補模型 600，而第三參數不包括於插補模型自身中。
在一些狀況下，可同時訓練插補模型600及預測模型608。在其他情況下，預測模型可在用於插補模型600之訓練程序之前被分開訓練。預測模型606之單獨訓練程序可對插補模型600有影響。一起訓練預測模型606及插補模型600可具有避免此類潛在負面影響之優點。此可因為預測模型606之訓練包括於回饋程序中以最佳化插補模型600。
預測模型之訓練可藉由如先前在組態插補模型之內容背景中所描述的電腦程式來實施。先前所描述之電腦程式可經延伸，使得其包含用以基於經預測資料與目標資料之比較而組態預測模型的其他指令。
緊接於預測模型，或代替預測模型，可提供分析模型作為插補模型之組態程序的部分。分析模型可接收複數個資料值作為輸入。該分析模型可提供包含遮罩向量之輸出，該遮罩向量具有資料值是被插補抑或已知(例如，經量測)的估計。該複數個資料值可屬於與一或多個參數相關之一或多個資料集。圖7描繪其中包括了分析模型707之訓練組態的示意性綜述。許多設置類似於圖6之設置。可將輸入資料702之第一資料集提供至插補模型700。插補模型700可輸出具有第二參數704之估計值的第二資料集。將此輸出704與輸入資料702一起作為輸入提供至預測模型706。可推斷第三資料集708且將其與第三參數之已知值710比較，如上文所描述。亦可將第二資料集704作為輸入提供至分析模型707。分析模型707可進一步接收第一資料集702作為輸入。分析模型707亦可接收已知第三參數值710作為輸入。可評估該分析模型以提供具有關於所接收資料集中之值是被插補抑或已知的估計的遮罩向量。可將此輸出與已知訓練資料進行比較。亦即，可評估分析模型707是否準確地估計第二資料值是否被 插補。分析模型707是否可辨識第二資料集704是否被插補可被視為所估計第二資料集之品質的指示。分析模型執行得愈糟，插補模型700之效能愈佳。此與預測模型706形成對比，其中預測模型706之較佳效能可指示插補模型700之較佳效能。可將預測模型706及分析模型707之輸出708、709提供為對插補模型700之回饋712。
如同預測模型706一樣，在一些實施例中，分析模型707可與插補模型700同時被訓練。在其他情況下，在分析模型用於插補模型700之組態程序之前，可分開地訓練該分析模型。所有插補模型700、預測模型706及分析模型707皆可被分開訓練，或插補模型700、預測模型706及分析模型707中之兩者或多於兩者可同時一起被訓練。如上文所描述，訓練分析模型707及預測模型706連同插補模型700可具有其訓練包括於插補模型700之最佳化程序中的優點。此可避免預測模型706及/或分析模型707之單獨訓練程序的潛在負面影響。結果，將模型一起訓練可導致插補模型700之較佳效能。
第一資料集602、702可包含一或多個參數之資料值。舉例而言，第一資料集可包含位階量測資料、對準資料及/或稀疏疊對資料中之至少一者的值。第二資料集604、704可包含一或多個參數之資料值。舉例而言，第二資料集可包含密集疊對資料及/或臨界尺寸資料中之至少一者之值。第三資料集610、710可包含一或多個參數之資料值。舉例而言，第三資料集可包含良率資料及/或焦點資料中之至少一者的資料值。
插補模型600、700、預測模型606、706及分析模型707中之一些或全部可為機器學習模型。機器學習模型中之一或多者可包含神經網路，諸如深度神經網路。插補模型600、700及分析模型606、707可經 組態為生成對抗網路(GAN)，其中插補模型600、700充當生成網路且分析模型606、707充當可辨別網路。亦即，插補模型600、700可產生第二資料集，且分析模型707可評估所產生之第二資料集。該評估可經提供為對用於訓練之插補模型600、700之回饋。預測模型606、706可為參數模型。分析模型707可為參數模型。
在一實施例中，用於組態如先前所描述之插補模型之電腦程式經擴展以包括經組態以進行以下操作之另外指令：1)獲得關於所插補資料集內之輸入項之狀態的第一資訊(例如，第一清單)(經插補或未經插補，後者意謂輸入項包含於原始輸入資料集內)；2)將所插補資料輸入至分析模型以獲得根據分析模型之輸出關於所插補資料集內之項目之狀態的第二資訊(例如經配置為第二清單)；及3)藉由比較第一資訊與第二資訊來組態插補模型。
在插補模型僅基於其與分析模型之相互作用(例如預測模型不可用)來組態的情況下，組態插補模型之方法可藉由電腦程式實施，該電腦程式包含經組態以進行以下操作之指令：1)接收用於插補模型之輸入資料以獲得所插補資料；2)獲得識別所插補及非插補之資料輸入項的第一資訊(第一清單)；3)將所插補資料輸入至分析模型，以獲得根據分析模型識別所插補及非插補之資料輸入項的第二資訊(第二清單)；及4)基於比較該第一資訊與該第二資訊而組態插補模型。
如上文所描述，一旦插補模型經訓練，則插補模型就可用於與微影圖案化程序之分析及控制有關的應用中。由插補模型輸出之資料集可用於運算度量衡中。舉例而言，插補模型可輸出疊對資料集，該疊對資料集可用於使用運算度量衡估計基板良率。此可用於(例如)良率感知預 測中。回應於經圖案化基板之良率之估計或預測，可調整微影圖案化程序之一或多個設定以用於後續曝光。
用於基於輸入參數及並非模型輸入之部分的良率資料來估計疊對及/或臨界尺寸之插補模型的組態可被稱作插補模型之目標感知訓練或良率感知訓練。插補模型之良率感知訓練可導致其中使用插補模型的良率預測應用之總體更佳的效能。圖8(a)及圖8(b)描繪隨著時間推移關於基板之經量測良率與經預測良率之比較的曲線圖。特定言之，曲線圖標繪隨時間推移之良率損失。在圖8(a)及圖8(b)之兩個曲線圖中之經量測良率(底部曲線)相同。在圖8(a)中標繪所估計良率，其中使用運用良率感知之插補模型之方法來估計良率。在圖8(b)中，標繪所估計良率，其係經由不使用良率感知插補模型之方法獲得。自該兩個曲線圖清楚的是，使用目標感知插補模型之良率預測之方法導致較好的預測結果。
在以下編號條項之清單中揭示其他實施例：
1.一種組態用於插補一第二參數之一插補模型之方法，該方法包含：將包含一第一參數之值的一第一資料集輸入至該插補模型，且評估該插補模型以獲得包含該第二參數之插補值的一第二資料集；獲得包含一第三參數之量測值之一第三資料集，其中該第三參數與該第二參數相關；獲得一預測模型，該預測模型經組態以基於輸入該第二參數之值而推斷該第三參數之值；將該第二資料集輸入至該預測模型，且評估該預測模型以獲得該第三參數之推斷值；及 基於該第三參數之該等推斷值與該等量測值之一比較而組態該插補模型。
2.如條項1之方法，其進一步包含：獲得經組態以輸出估計所接收輸入值是為被插補抑或已知的一遮罩向量的一分析模型；及將至少該第二資料集輸入至該分析模型，且評估該分析模型以獲得具有該第二資料集是否包含所插補資料之一估計的一遮罩向量；且其中組態該插補模型係進一步基於該分析模型之該輸出。
3.如條項2之方法，其中將至少該第二資料集輸入至該分析模型進一步包含輸入該第一資料集及該第三資料集中之至少一者。
4.如前述條項中任一項之方法，其中該第一資料集包含複數個參數。
5.如前述條項中任一項之方法，其中該第一參數、該第二參數及該第三參數係與一微影圖案化程序有關。
6.如條項5之方法，其中該第一資料集包含位階量測資料、對準資料及/或疊對資料中之至少一者。
7.如條項5至6中任一項之方法，其中該第二參數為疊對或臨界尺寸中之一者。
8.如條項5至7中任一項之方法，其中該第三參數為良率。
9.如條項5至8中任一項之方法，其中該插補模型經組態以估計該第二資料集以用於運算度量衡及良率感知預測中之至少一者。
10.如前述條項中任一項之方法，其中同時訓練該預測模型及該插補模型。
11.如前述條項中任一項之方法，其中該等模型中之至少一者為一機器學習模型。
12.如條項11之方法，其中該機器學習模型包含一深度神經網路。
13.一種判定對一微影裝置之一調整之方法，該方法包含獲得已使用如條項1至12中任一項之方法而組態之一插補模型；將與由該微影裝置進行之一先前微影曝光有關之一第一資料集輸入至該插補模型，且評估該插補模型以獲得包含一第二參數之估計值之一第二資料集；將該第二資料集輸入至一目標預測模型，且評估該目標預測模型以獲得包含一第三參數之推斷值之一第三資料集；及基於該第三參數之該等推斷值而判定對該微影裝置之該調整。
14.如條項13之方法，其進一步包含對該微影裝置實施該經判定調整以用於一後續微影曝光。
15.一種用於組態用於估計一第二參數之一插補模型的裝置，該裝置包含一或多個處理器及一非暫時性儲存媒體，該非暫時性儲存媒體包含在經執行時使得該處理器執行如條項1至14中任一項之方法的指令。
16.一種裝置，其包含使用如條項1至14中任一項之方法組態之一插補模型。
17.一種度量衡裝置，其包含如條項15至16中任一項之裝置。
18.一種微影單元，其包含如條項15至16中任一項之裝置。
19.如條項2之方法，其中該分析模型及該插補模型經組態為一生成對抗網路(GAN)，其中該插補模型經組態為一生成網路且該分析模型經組態為一可辨別網路。
20.如條項2之方法，其中該預測模型及該分析模型為參數模型。
21.一種電腦程式產品，其包含經組態以進行以下操作之電腦可讀指令：接收用於一插補模型之輸入資料以獲得所插補資料；接收與該所插補資料相關之目標資料；將該所插補資料輸入至一預測模型以獲得經預測資料；及基於比較該經預測資料與該目標資料來組態該插補模型。
22.如條項21之電腦程式，其進一步包含用以基於該比較組態該預測模型之指令。
23.如條項22或21之電腦程式，其進一步包含用以進行以下操作之指令：獲得識別該所插補資料內之所插補及非插補之輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別所插補與非插補之輸入項，且輸出識別所插補及非插補之輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
24.如條項23之電腦程式，其進一步包含用以基於比較該第一清單與該第二清單而組態該分析模型的指令。
25.如條項24之電腦程式，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
26.如條項23至25中任一項之電腦程式，其中將該所插補資料輸入至該分析模型進一步包含輸入該輸入資料集及該目標資料中之至少一者。
27.一種電腦程式產品，其包含用以進行以下操作之電腦可讀指令：接收用於一插補模型之輸入資料以獲得所插補資料，其中該所插補資料包含該輸入資料之至少一子集；獲得識別該所插補資料內之所插補及非插補之資料輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別該所插補資料之所插補與非插補之資料輸入項，且輸出識別該所插補資料之所插補及非插補之資料輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
28.如條項27之電腦程式，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
29.如條項21至28中任一項之電腦程式，其中該輸入資料包含複數個參數。
30.如條項21至29中任一項之電腦程式，其中該輸入資料、該所插補資料及該目標資料係與一微影圖案化程序有關。
31.如條項30之電腦程式，其中該輸入資料包含位階量測資料、對準資料及/或疊對資料中之至少一者。
32.如條項31之電腦程式，其中該所插補資料包含如下各者中之一或多者：疊對、臨界尺寸、邊緣置放誤差。
33.如條項32之電腦程式，其中該目標資料包含良率資料。
34.如條項21至33中任一項之電腦程式，其中該插補模型經組態以估計該所插補資料以用於虛擬/混合/運算度量衡及良率感知預測中之至少 一者。
35.一種方法，其包含：接收用於一插補模型之輸入資料以獲得所插補資料；接收與該所插補資料相關之目標資料；將該所插補資料輸入至一預測模型以獲得經預測資料；及基於比較該經預測資料與該目標資料來組態該插補模型。
36.如條項35之方法，其進一步包含基於該比較組態該預測模型。
37.如條項35或36之方法，其進一步包含：獲得識別該所插補資料內之所插補及非插補之輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別所插補與非插補之輸入項，且輸出識別所插補及非插補之輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
38.如條項37之方法，其進一步包含基於比較該第一清單與該第二清單而組態該分析模型。
39.如條項38之方法，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
40.一種方法，其包含：接收用於一插補模型之輸入資料以獲得所插補資料，其中該所插補資料包含該輸入資料之至少一子集；獲得識別該所插補資料內之所插補及非插補之資料輸入項的一第一清單； 將該所插補資料輸入至一分析模型，該分析模型經組態以辨別該所插補資料之所插補與非插補之資料輸入項，且輸出識別該所插補資料之所插補及非插補之資料輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
41.如條項40之方法，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
42.如條項37至39中任一項之方法，其中將該所插補資料輸入至該分析模型進一步包含輸入該輸入資料及該目標資料中之至少一者。
43.如條項34至42中任一項之方法，其中該輸入資料包含複數個參數。
44.如條項34至43中任一項之方法，其中該輸入資料、該所插補資料及該目標資料係與一微影圖案化程序有關。
45.如條項44之方法，其中該輸入資料包含位階量測資料、對準資料及/或疊對資料中之至少一者。
46.如條項45之方法，其中該所插補資料包含如下各者中之一或多者：疊對、臨界尺寸、邊緣置放誤差。
47.如條項46之方法，其中該目標資料包含良率資料。
48.如條項34至47中任一項之方法，其中該插補模型經組態以估計用於虛擬/混合/運算度量衡及良率感知預測中之至少一者的該所插補資料。
49.一種組態一插補模型之方法，該方法包含：使用該插補模型獲得用於一第一參數之所插補值；獲得與該第一參數相關之一第二參數之量測值； 獲得一預測模型，該預測模型經組態以自該第一參數之值預測該第二參數之值；將該等所插補值輸入至該預測模型以獲得經預測值；及基於該等經預測值與該等量測值之一比較來組態該插補模型。
50.如條項49之方法，其進一步包含基於該比較組態該預測模型。
51.如條項50之方法，其中預測模型之該組態及該插補模型之該組態係同時進行。
52.如條項49、50或51之方法，其進一步包含：獲得經組態以估計輸入值是否被插補之一分析模型；及將該等所插補值輸入至該分析模型以獲得該等所插補值是否被插補之一估計，其中組態該插補模型係進一步基於輸入值是否被插補之該估計。
53.如條項52之方法，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
54.一種電腦程式產品，其包含經組態以進行以下操作之電腦可讀指令：接收用於一插補模型之輸入資料，該插補模型係一機器學習模型且經組態以提供所插補資料；接收與該所插補資料相關之目標資料；將該所插補資料輸入至一預測模型以獲得經預測資料；及基於該經預測資料與該目標資料之間的一比較來訓練該插補模型。
55.如條項54之電腦程式，其進一步包含用以基於該比較組態該預測模型之指令。
56.如條項55之電腦程式，其中用以組態該預測模型之該等指令提供基於該比較之該預測模型之訓練。
57.如條項54之電腦程式，其進一步包含用以進行以下操作之指令：獲得識別該所插補資料內之所插補及非插補之輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別所插補與非插補之輸入項，且輸出識別所插補及非插補之輸入項的一第二清單；及基於該第一清單與該第二清單之間的一比較來訓練該插補模型。
58.如條項57之電腦程式，其進一步包含用以基於該第一清單與該第二清單之間的該比較而組態該分析模型的指令。
59.如條項57或58之電腦程式，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
60如條項57之電腦程式，其中經組態以將該所插補資料輸入至該分析模型之該等指令進一步包含經組態以輸入該輸入資料集及該目標資料中之至少一者的指令。
61.一種方法，其包含：接收用於一插補模型之輸入資料，該插補模型係一機器學習模型且經組態以提供所插補資料；接收與該所插補資料相關之目標資料；將該所插補資料輸入至一預測模型以獲得經預測資料；及基於比較該經預測資料與該目標資料來訓練該插補模型。
62.如條項61之方法，其進一步包含基於該比較組態該預測模型。
63.如條項61或62之方法，其進一步包含：獲得識別該所插補資料內之所插補及非插補之輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別所插補與非插補之輸入項，且輸出識別所插補及非插補之輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
64.如條項63之方法，其進一步包含基於比較該第一清單與該第二清單而組態該分析模型。
65.如條項61之方法，其中該輸入資料、該所插補資料及該目標資料係與一微影圖案化程序有關。
66.如條項65之方法，其中該輸入資料包含位階量測資料、對準資料及/或疊對資料中之至少一者。
67.如條項66之方法，其中該所插補資料包含如下各者中之一或多者：疊對、臨界尺寸、邊緣置放誤差。
68.如條項67之方法，其中該目標資料包含良率資料。
69.一種電腦程式產品，其包含經組態以進行以下操作之電腦可讀指令：接收用於一插補模型之輸入資料以獲得所插補資料，其中該所插補資料包含該輸入資料之至少一子集；獲得識別該所插補資料內之所插補及非插補之資料輸入項的一第一清單； 將該所插補資料輸入至一分析模型，該分析模型經組態以辨別該所插補資料之所插補與非插補之資料輸入項，且輸出識別該所插補資料之所插補及非插補之資料輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
70.如條項69之電腦程式，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
71.一種方法，其包含：接收用於一插補模型之輸入資料以獲得所插補資料，其中該所插補資料包含該輸入資料之至少一子集；獲得識別該所插補資料內之所插補及非插補之資料輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別該所插補資料之所插補與非插補之資料輸入項，且輸出識別該所插補資料之所插補及非插補之資料輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
72.如條項71之方法，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
73.如條項71之方法，其中將該所插補資料輸入至該分析模型進一步包含輸入該輸入資料及該目標資料中之至少一者。
本文所描述之方法可使用一或多個處理器執行，該一或多個處理器執行儲存於可由處理器存取之記憶體中之指令。處理器可形成形成電腦系統CL之部分，該電腦系統CL形成整體微影系統之部分。替代地或另外，可對與微影系統分離之電腦系統執行該等方法。
儘管可在本文中特定地參考在IC製造中微影裝置之使用，但應理解，本文中所描述之微影裝置可具有其他應用。可能其他應用包括製造整合式光學系統、用於磁疇記憶體之導引及偵測、平板顯示器、液晶顯示器(LCD)、薄膜磁頭等。
儘管可在本文中特定地參考在微影裝置之內容背景中之本發明之實施例，但本發明之實施例可用於其他裝置中。本發明之實施例可形成遮罩檢測裝置、度量衡裝置或量測或處理諸如晶圓(或其他基板)或遮罩(或其他圖案化器件)之物件之任何裝置之部件。此等裝置通常可被稱作微影工具。此微影工具可使用真空條件或周圍(非真空)條件。
儘管上文可特定地參考在光學微影之內容背景中對本發明之實施例之使用，但應瞭解，本發明在內容背景允許之情況下不限於光學微影且可用於其他應用(例如壓印微影)中。
雖然上文已描述本發明之特定實施例，但應瞭解，可以與所描述方式不同之其他方式來實踐本發明。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對所描述之本發明進行修改。
600:插補模型
602:輸入資料
604:第二參數/所估計輸出
606:預測模型
608:第三資料集
610:第三參數
612:回饋

Claims (20)

  1. 一種電腦程式產品，其包含經組態以進行以下操作之電腦可讀指令：接收用於一插補模型(imputer model)之輸入資料，該插補模型係一機器學習模型且經組態以提供所插補資料；接收與該所插補資料相關之目標資料；將該所插補資料輸入至一預測模型以獲得經預測資料；及基於該經預測資料與該目標資料之間的一比較來訓練該插補模型。
  2. 如請求項1之電腦程式產品，其進一步包含用以基於該比較而組態該預測模型之指令。
  3. 如請求項2之電腦程式產品，其中用以組態該預測模型之該等指令提供基於該比較之該預測模型之訓練。
  4. 如請求項1之電腦程式產品，其進一步包含用以進行以下操作之指令：獲得識別該所插補資料內之所插補及非插補之輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別所插補與非插補之輸入項，且輸出識別所插補及非插補之輸入項的一第二清單；及 基於該第一清單與該第二清單之間的一比較來訓練該插補模型。
  5. 如請求項4之電腦程式產品，其進一步包含用以基於該第一清單與該第二清單之間的該比較而組態該分析模型的指令。
  6. 如請求項4或5之電腦程式產品，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
  7. 如請求項4之電腦程式產品，其中經組態以將該所插補資料輸入至該分析模型之該等指令進一步包含：經組態以輸入該輸入資料及該目標資料中之至少一者的指令。
  8. 一種用於組態一插補模型的方法，其包含：接收用於該插補模型之輸入資料，該插補模型係一機器學習模型且經組態以提供所插補資料；接收與該所插補資料相關之目標資料；將該所插補資料輸入至一預測模型以獲得經預測資料；及基於比較該經預測資料與該目標資料來訓練該插補模型。
  9. 如請求項8之方法，其進一步包含基於該比較組態該預測模型。
  10. 如請求項8或9之方法，其進一步包含：獲得識別該所插補資料內之所插補及非插補之輸入項的一第一清 單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別所插補與非插補之輸入項，且輸出識別所插補及非插補之輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
  11. 如請求項10之方法，其進一步包含基於比較該第一清單與該第二清單而組態該分析模型。
  12. 如請求項8之方法，其中該輸入資料、該所插補資料及該目標資料係與一微影圖案化程序有關。
  13. 如請求項12之方法，其中該輸入資料包含位階量測資料、對準資料及/或疊對資料中之至少一者。
  14. 如請求項13之方法，其中該所插補資料包含如下各者中之一或多者：疊對、臨界尺寸、邊緣置放誤差。
  15. 如請求項14之方法，其中該目標資料包含良率資料。
  16. 一種電腦程式產品，其包含經組態以進行以下操作之電腦可讀指令：接收用於一插補模型之輸入資料以獲得所插補資料，其中該所插補 資料包含該輸入資料之至少一子集；獲得識別該所插補資料內之所插補及非插補之資料輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別該所插補資料之所插補與非插補之資料輸入項，且輸出識別該所插補資料之所插補及非插補之資料輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
  17. 如請求項16之電腦程式產品，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
  18. 一種用於組態一插補模型的方法，其包含：接收用於該插補模型之輸入資料以獲得所插補資料，其中該所插補資料包含該輸入資料之至少一子集；獲得識別該所插補資料內之所插補及非插補之資料輸入項的一第一清單；將該所插補資料輸入至一分析模型，該分析模型經組態以辨別該所插補資料之所插補與非插補之資料輸入項，且輸出識別該所插補資料之所插補及非插補之資料輸入項的一第二清單；及基於比較該第一清單與該第二清單來組態該插補模型。
  19. 如請求項18之方法，其中該插補模型及該分析模型經組態為一生成對抗網路(GAN)。
  20. 如請求項18之方法，其中將該所插補資料輸入至該分析模型進一步包含輸入該輸入資料及目標資料中之至少一者。
TW110112086A 2020-04-20 2021-04-01 用於組態插補模型的方法及相關聯電腦程式產品 TWI804839B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
EP20170366 2020-04-20
EP20170366.7 2020-04-20
EP20175361.3 2020-05-19
EP20175361.3A EP3913435A1 (en) 2020-05-19 2020-05-19 Configuration of an imputer model
EP20187387 2020-07-23
EP20187387.4 2020-07-23

Publications (2)

Publication Number Publication Date
TW202143084A TW202143084A (zh) 2021-11-16
TWI804839B true TWI804839B (zh) 2023-06-11

Family

ID=74947483

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110112086A TWI804839B (zh) 2020-04-20 2021-04-01 用於組態插補模型的方法及相關聯電腦程式產品

Country Status (6)

Country Link
US (1) US20230153582A1 (zh)
EP (1) EP4139749A1 (zh)
KR (1) KR20220154198A (zh)
CN (1) CN115427894A (zh)
TW (1) TWI804839B (zh)
WO (1) WO2021213746A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11568328B2 (en) * 2021-04-21 2023-01-31 Collibra Nv Systems and methods for predicting correct or missing data and data anomalies

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080275586A1 (en) * 2007-05-04 2008-11-06 Taiwan Semiconductor Manufacturing Company, Ltd. Novel Methodology To Realize Automatic Virtual Metrology
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
TW201843533A (zh) * 2017-05-05 2018-12-16 荷蘭商Ａｓｍｌ荷蘭公司 用以預測器件製造製程之良率的方法
TW201939365A (zh) * 2018-02-23 2019-10-01 荷蘭商Ａｓｍｌ荷蘭公司 用於計算微影之機器學習模型的訓練方法
TW202004513A (zh) * 2018-06-05 2020-01-16 美商克萊譚克公司 用於缺陷分類器訓練之主動學習

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG2010050110A (en) 2002-11-12 2014-06-27 Asml Netherlands Bv Lithographic apparatus and device manufacturing method
EP3441819A1 (en) * 2017-08-07 2019-02-13 ASML Netherlands B.V. Computational metrology

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080275586A1 (en) * 2007-05-04 2008-11-06 Taiwan Semiconductor Manufacturing Company, Ltd. Novel Methodology To Realize Automatic Virtual Metrology
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
TW201843533A (zh) * 2017-05-05 2018-12-16 荷蘭商Ａｓｍｌ荷蘭公司 用以預測器件製造製程之良率的方法
TW201939365A (zh) * 2018-02-23 2019-10-01 荷蘭商Ａｓｍｌ荷蘭公司 用於計算微影之機器學習模型的訓練方法
TW202004513A (zh) * 2018-06-05 2020-01-16 美商克萊譚克公司 用於缺陷分類器訓練之主動學習

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
期刊 KONG YUTING et al, A PRACTICAL YIELD PREDICTION APPROACH USING INLINE DEFECT METROLOGY DATA FOR SYSTEM-ON-CHIP INTEGRATED CIRCUITS 2017 13TH IEEE CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING (CASE), IEEE, 20-23 AUGUST 2017 , P.744~749 *

Also Published As

Publication number Publication date
KR20220154198A (ko) 2022-11-21
WO2021213746A1 (en) 2021-10-28
US20230153582A1 (en) 2023-05-18
CN115427894A (zh) 2022-12-02
EP4139749A1 (en) 2023-03-01
TW202143084A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN110622069B (zh) 用于预测器件制造工艺的良率的方法
JP7280356B2 (ja) プロセスに対する補正の決定
US7873504B1 (en) Computer-implemented methods, carrier media, and systems for creating a metrology target structure design for a reticle layout
CN113168111A (zh) 用于预测半导体制造过程的产率的方法
CN111656282A (zh) 确定衬底栅格的测量设备和方法
CN114207527A (zh) 用于控制半导体制造过程的方法
CN114008535B (zh) 用于确定特征对性能的贡献的方法和设备
TWI804839B (zh) 用於組態插補模型的方法及相關聯電腦程式產品
EP3913435A1 (en) Configuration of an imputer model
CN112585540A (zh) 量测设备
TWI791321B (zh) 用於組態採樣架構產生模型之方法及電腦程式
US20220050391A1 (en) Methods and apparatus for estimating substrate shape
CN114902140A (zh) 用于确定测量选配方案的方法和相关联的设备
CN114270271A (zh) 用于控制光刻装置的方法
TWI803186B (zh) 預測半導體製程之度量衡偏移之方法及電腦程式
US11579535B2 (en) Method of determining the contribution of a processing apparatus to a substrate parameter
TWI788678B (zh) 度量衡中不可校正之誤差
JP2024531236A (ja) 測定レシピを決定するための方法及び関連する機器
CN117836720A (zh) 确定测量选配方案的方法和相关联的设备