TWI808901B - 用於訓練圖案化製程之機器學習模型之方法及電腦程式產品 - Google Patents

Abstract

本文中描述用於訓練一製程模型且判定模擬圖案(例如，對應於熱點)之排序的方法。訓練一圖案化製程之一機器學習模型的一方法涉及獲得一訓練資料集，該訓練資料集包含：(i)與待印刷於一基板上之一光罩圖案相關聯的一模擬圖案、(ii)使用該光罩圖案成像於該基板上之一印刷圖案的檢測資料、及(iii)在該光罩圖案在該基板上之成像期間應用的該圖案化製程之一參數的測量值；基於設定成預測該模擬圖案及該印刷圖案之一特性之一差異的該訓練資料而訓練該機器學習模型。經訓練機器學習模型進一步用於判定熱點之排序。在另一方法中，基於測量資料訓練一模型以預測該等熱點之排序。

Description

用於訓練圖案化製程之機器學習模型之方法及電腦程式產品

本發明係關於改良裝置製造製程之效能之技術。技術可結合微影設備而使用。

微影設備為將所要圖案施加至基板之目標部分上之機器。微影設備可用於(例如)積體電路(IC)製造。在彼情況下，圖案化裝置(其替代地被稱為光罩或倍縮光罩)可用於產生對應於IC之個別層之電路圖案，且可將此圖案成像至具有輻射敏感材料(抗蝕劑)層之基板(例如，矽晶圓)上之目標部分(例如，包含晶粒之部分、一個晶粒或若干晶粒)上。一般而言，單一基板將含有經順次曝光之鄰近目標部分之網路。已知微影設備包括：所謂步進器，其中藉由一次性將整個圖案曝光至目標部分上來輻照每一目標部分；及所謂掃描器，其中藉由在給定方向(「掃描」方向)上經由光束而掃描圖案同時平行或反平行於此方向而同步地掃描基板來輻照每一目標部分。

在將電路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，諸如，曝光後烘烤(PEB)、顯影、硬烘烤，及經轉印電路圖案之測量/檢測。此工序陣列係用作製造裝置(例如IC)之個別層的基礎。基板接著可經歷諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等各種製程，該等製程皆意欲精整裝置之個別層。若在裝置中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在裝置。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，等等。

因此，製造諸如半導體裝置之裝置通常涉及使用多個製作製程來處理基板(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、化學機械拋光及離子植入來製造及處理此等層及特徵。可在基板上之複數個晶粒上製作多個裝置，且接著將該等裝置分離成個別裝置。此裝置製造製程可被視為圖案化製程。圖案化製程涉及圖案化步驟，諸如使用微影設備中之圖案化裝置來將圖案化裝置上的圖案轉印至基板之光學或奈米壓印微影，且圖案化製程通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影設備進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻設備使用圖案進行蝕刻等。

在一實施例中，提供一種訓練一圖案化製程之一機器學習模型的方法。該方法包括獲得一訓練資料集，該訓練資料集包含：(i)與待印刷於一基板上之一光罩圖案相關聯的一模擬圖案、(ii)使用該光罩圖案成像於該基板上之一印刷圖案的檢測資料、及(iii)在該光罩圖案在該基板上之成像期間應用之該圖案化製程之一參數的測量值；經由一處理器基於設定成預測該模擬圖案及該印刷圖案之一特性之一差異的該訓練資料而訓練該機器學習模型。

此外，在一實施例中，提供一種校正一圖案化製程之一模擬圖案之一特性的方法。該方法涉及經由模擬一圖案化製程模型判定該模擬圖案及該模擬圖案之該特性；經由一經訓練機器學習模型判定該模擬圖案之該特性的一特性調整值；及經由一處理器基於該特性調整值校正該模擬圖案之該特性。

此外，在一實施例中，提供一種訓練經組態以預測一圖案化製程之一組模擬圖案之排序的一機器學習模型之方法。該方法涉及獲得(i)對應於一組光罩圖案之該組模擬圖案、(ii)使用該組光罩圖案成像於一基板上之一組印刷圖案的缺陷資料、及(iii)與使用該組光罩圖案成像之該基板相關聯的一取樣計劃；及經由一處理器基於該缺陷資料及該取樣計劃訓練該機器學習模型，使得該機器學習模型經組態以基於該缺陷資料預測與一參考排序匹配之該組模擬圖案的一排序。

此外，在一實施例中，提供一種判定一圖案化製程之一組模擬圖案之排序的方法。該方法涉及經由一第一機器學習模型調整一組模擬圖案內之至少一個模擬圖案之一特性；經由一處理器基於該至少一個模擬圖案之經調整特性判定該等模擬圖案之一子集；及經由一第二機器學習模型判定該等模擬圖案之子集內之該至少一個模擬圖案的一排序。

此外，在一實施例中，提供一種電腦程式產品，其包含上面記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦系統執行時實施前述方法。

在詳細地描述實施例之前，有指導性的係呈現可供實施實施例之實例環境。

圖1示意性地描繪微影設備LA之實施例。設備包含： -   照明系統(照明器) IL，其經組態以調節輻射光束B (例如UV輻射或DUV輻射)； -   支撐結構(例如光罩台) MT，其經建構以支撐圖案化裝置(例如光罩) 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裝置之第一定位器PM； -   基板台(例如晶圓台) WT (例如WTa、WTb或此兩者)，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該基板之第二定位器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，包含一或多個晶粒且常常被稱作場)上，該投影系統支撐於參考框架(RF)上。

如此處所描繪，設備為透射類型(例如，採用透射式光罩)。替代地，該設備可屬於反射類型(例如，採用如上文所提及之類型的可程式化鏡面陣列，或採用反射光罩)。

照射器IL自輻射源SO接收輻射光束。舉例而言，當源為準分子雷射時，源及微影設備可為分離的實體。在此類情況下，不認為源形成微影設備之部分，且輻射光束係憑藉包含(例如)合適導向鏡面及/或光束擴展器之光束遞送系統BD而自源SO傳遞至照明器IL。在其他情況下，例如，當源為汞燈時，該源可為設備之整體部分。源SO及照明器IL連同光束遞送系統BD (在需要時)可被稱為輻射系統。

照明器IL可變更光束之強度分佈。照明器可經配置以限制輻射光束之徑向範圍，使得在照明器IL之光瞳平面中之環形區內的強度分佈係非零。另外或替代地，照明器IL可操作以限制光束在光瞳平面中之分佈，使得在光瞳平面中之複數個等間隔區段中的強度分佈係非零。輻射光束在照明器IL之光瞳平面中之強度分佈可被稱作照明模式(illumination mode)。

因此，照明器IL可包含經組態以調整光束之(角度/空間)強度分佈的調整器AM。一般而言，可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。照明器IL可操作以更改光束之角度分佈。舉例而言，照明器可操作以變更強度分佈為非零的光瞳平面中之區段之數目及角範圍。藉由調整光束在照明器之光瞳平面中之強度分佈，可達成不同照明模式。舉例而言，藉由限制照明器IL之光瞳平面中的強度分佈之徑向範圍及角範圍，強度分佈可具有多極分佈，諸如偶極、四極或六極分佈。可例如藉由將提供所要照明模式之光學器件插入至照明器IL中或使用空間光調變器來獲得彼照明模式。

照明器IL可操作以變更光束之偏振且可操作以使用調整器AM來調整偏振。橫越照明器IL之光瞳平面之輻射光束的偏振狀態可被稱作偏振模式。使用不同偏振模式可允許在形成於基板W上之影像中達成較大對比度。輻射光束可為非偏振的。替代地，照明器可經配置以使輻射光束線性地偏振。輻射光束之偏振方向可橫越照明器IL之光瞳平面而變化。輻射之偏振方向在照明器IL之光瞳平面中之不同區中可不同。可取決於照明模式來選擇輻射之偏振狀態。對於多極照明模式，輻射光束之每一極之偏振可大體上垂直於照明器IL的光瞳平面中之彼極的位置向量。舉例而言，對於偶極照明模式，輻射可在實質上垂直於平分偶極之兩個對置區段之線的方向上線性地偏振。輻射光束可在可被稱作X偏振狀態及Y偏振狀態之兩個不同正交方向中之一者上偏振。對於四極照明模式，每一極之區段中之輻射可在基本上垂直於平分彼區段的線之方向上線性地偏振。此偏振模式可被稱為XY偏振。相似地，對於六極照明模式，每一極之區段中之輻射可在實質上垂直於平分彼區段之線的方向上線性地偏振。此偏振模式可被稱為TE偏振。

另外，照明器IL一般包含各種其他組件，諸如積光器IN及聚光器CO。照明系統可包括用於導向、塑形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、靜電或其他類型之光學組件，或其任何組合。

因此，照明器提供在其橫截面中具有所要均一性及強度分佈的經調節輻射光束B。

支撐結構MT以取決於圖案化裝置之定向、微影設備之設計及其他條件(諸如圖案化裝置是否經固持於真空環境中)之方式來支撐圖案化裝置。支撐結構可使用機械、真空、靜電或其他夾持技術來固持圖案化裝置。支撐結構可為例如框架或台，其可視需要而固定或可移動。支撐結構可確保圖案化裝置例如相對於投影系統處於所要位置。可認為本文中對術語「倍縮光罩」或「光罩」之任何使用皆與更一般術語「圖案化裝置」同義。

本文中所使用之術語「圖案化裝置」應廣泛地解釋為係指可用於在基板的目標部分中賦予圖案之任何裝置。在一實施例中，圖案化裝置為可用於在輻射光束之橫截面中向輻射光束賦予圖案以便在基板之目標部分中產生圖案的任何裝置。應注意，舉例而言，若被賦予至輻射光束之圖案包括相移特徵或所謂輔助特徵，則該圖案可能不確切地對應於基板之目標部分中的所要圖案。一般而言，被賦予至輻射光束之圖案將對應於目標部分中產生之裝置(諸如，積體電路)中之特定功能層。

圖案化裝置可為透射的或反射的。圖案化裝置之實例包括光罩、可程式化鏡面陣列，及可程式化LCD面板。光罩在微影中為吾人所熟知，且包括諸如二元、交變相移及衰減相移之光罩類型，以及各種混合光罩類型。可程式化鏡面陣列之實例使用小鏡面之矩陣配置，該等小鏡面中之每一者可個別地傾斜以便使入射輻射光束在不同方向上反射。傾斜鏡面在由鏡面矩陣反射之輻射光束中賦予圖案。

本文中所使用之術語「投影系統」應經廣泛地解釋為涵蓋適於所使用的曝光輻射或適於諸如浸潤液體之使用或真空之使用的其他因素的任何類型之投影系統，包括折射、反射、反射折射、磁性、電磁及靜電光學系統，或其任何組合。可認為本文中對術語「投影透鏡」之任何使用可與更一般術語「投影系統」同義。

投影系統PS具有可為非均一且可影響成像於基板W上之圖案之光學轉印函數。對於非偏振輻射，此類影響可由兩個純量映像極佳地描述，該兩個純量映像描述作為其光瞳平面中之位置的函數而射出投影系統PS之輻射的透射(變跡)及相對相位(像差)。可將可被稱作透射映像及相對相位映像之此等純量映像表達為基底函數之完整集合之線性組合。一特別適宜之集合為任尼克(Zernike)多項式，其形成單位圓上所定義之正交多項式集合。每一純量映像之判定可涉及判定此展開式中之係數。因為任尼克多項式在單位圓上正交，所以可藉由依次計算測定純量映像與每一任尼克多項式之內積且將此內積除以彼任尼克多項式之範數之平方來判定任尼克係數。

透射映像及相對相位映像係場及系統相依的。亦即，一般而言，各投影系統PS將針對各場點(亦即針對其影像平面中之各空間部位)具有不同任尼克展開式。可藉由將例如來自投影系統PS之物件平面(亦即，圖案化裝置MA之平面)中之類點源之輻射投影通過投影系統PS且使用剪切干涉計以測量波前(亦即，具有相同相位之點之軌跡)來判定投影系統PS在其光瞳平面中之相對相位。剪切干涉計係共同路徑干涉計且因此，有利地，無需次級參考光束來測量波前。剪切干涉計可包含投影系統(亦即，基板台WT)之影像平面中的繞射光柵(例如二維柵格)及經配置以偵測與投影系統PS的光瞳平面共軛之平面中之干涉圖案的偵測器。干涉圖案係與輻射之相位相對於在剪切方向上在光瞳平面中之座標的導數相關。偵測器可包含感測元件陣列，諸如電荷耦合裝置(charge coupled device；CCD)。

微影設備之投影系統PS可不產生可見條紋，且因此，可使用相位步進技術(諸如移動繞射光柵)來增強波前判定之準確度。可在繞射光柵之平面中及在垂直於測量之掃描方向的方向上執行步進。步進範圍可為一個光柵週期，且可使用至少三個(均一地分佈)相位步進。因此，舉例而言，可在y方向上執行三個掃描測量，每一掃描測量係針對在x方向上之一不同位置而執行。繞射光柵之此步進將相位變化有效地變換成強度變化，從而允許判定相位資訊。光柵可在垂直於繞射光柵之方向(z方向)上步進以校準偵測器。

可在兩個垂直方向上依序地掃描繞射光柵，該等兩個垂直方向可與投影系統PS之座標系統之軸線(x及y)重合或可與此等軸線成諸如45度的角度。可遍及整數個光柵週期(例如，一個光柵週期)執行掃描。掃描使在一個方向上之相位變化達到平均數，從而允許重建在另一方向上之相位變化。此情形允許依據兩個方向來判定波前。

可藉由將(例如)來自投影系統PS之物件平面(亦即，圖案化裝置MA之平面)中之類點源的輻射投影通過投影系統PS且使用偵測器來測量與投影系統PS之光瞳平面共軛的平面中之輻射強度來判定投影系統PS在其光瞳平面中之透射(變跡)。可使用與用以測量波前從而判定像差之偵測器相同的偵測器。

投影系統PS可包含複數個光學(例如透鏡)元件且可進一步包含調整機構AM，該調整機構經組態以調整光學元件中之一或多者以便校正像差(橫越貫穿場之光瞳平面之相位變化)。為達成此情形，調整機構可操作來以一或多種不同方式操控投影系統PS內之一或多個光學(例如透鏡)元件。投影系統可具有座標系統，其中該投影系統之光軸在z方向上延伸。調整機構可操作以進行以下各者之任何組合：使一或多個光學元件位移；使一或多個光學元件傾斜；及/或使一或多個光學元件變形。光學元件之位移可在任何方向(x、y、z或其組合)上進行。光學元件之傾斜通常藉由圍繞在x及/或y方向上之軸線旋轉而在垂直於光軸的平面之外進行，但對於非旋轉對稱之非球面光學元件，可使用圍繞z軸之旋轉。光學元件之變形可包括低頻形狀(例如散光)及/或高頻形狀(例如自由形式非球面)。可例如藉由使用一或多個致動器以對光學元件之一或多個側面施加力及/或藉由使用一或多個加熱元件以加熱光學元件的一或多個選定區來執行光學元件之變形。一般而言，不可能調整投影系統PS以校正變跡(跨越光瞳平面之透射變化)。當設計用於微影設備LA之圖案化裝置(例如，光罩) MA時，可使用投影系統PS之透射映像。使用運算微影技術，圖案化裝置MA可經設計以至少部分地校正變跡。

微影設備可屬於具有兩個(雙載物台)或多於兩個台(例如，兩個或多於兩個基板台WTa、WTb、兩個或多於兩個圖案化裝置台、在無專用於(例如)促進測量及/或清潔等之基板的情況下在投影系統下方之基板台WTa及台WTb)之類型。在此等「多載物台」機器中，可並行地使用額外台，或可對一或多個台進行預備步驟，同時將一或多個其他台用於曝光。舉例而言，可進行使用對準感測器AS之對準測量及/或使用位階感測器LS之位階(高度、傾角等等)測量。

微影設備亦可屬於以下類型：其中基板之至少一部分可由具有相對高折射率之液體覆蓋，例如水覆蓋，以便填充投影系統與基板之間的空間。亦可將浸潤液體施加至微影設備中之其他空間，例如圖案化裝置與投影系統之間的空間。浸潤技術在此項技術中為吾人所熟知用於增大投影系統之數值孔徑。本文中所使用之術語「浸潤」並不意謂諸如基板之結構必須浸沒於液體中，而是僅意謂液體在曝光期間位於投影系統與基板之間。

因此，在微影設備之操作中，輻射光束經調節且由照明系統IL提供。輻射光束B入射於固持在支撐結構(例如，光罩台) MT上之圖案化裝置(例如，光罩) MA上，且係由該圖案化裝置而圖案化。在已橫穿圖案化裝置MA之情況下，輻射光束B傳遞通過投影系統PS，該投影系統PS將光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器IF (例如，干涉測量裝置、線性編碼器、2D編碼器或電容性感測器)，可準確地移動基板台WT，例如，以便使不同目標部分C定位於輻射光束B之路徑中。類似地，例如在自光罩庫機械擷取之後，或在掃描期間，可使用第一定位器PM及另一位置感測器(圖1中未明確描繪)以相對於輻射光束B之路徑準確地定位圖案化裝置MA。一般而言，可藉助於形成第一定位器PM之部分的長衝程模組(粗略定位)及短衝程模組(精細定位)來實現支撐結構MT之移動。類似地，可使用形成第二定位器PW之部分之長衝程模組及短衝程模組來實現基板台WT之移動。在步進器(相對於掃描器)之情況下，支撐結構MT可僅連接至短衝程致動器，或可固定。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MA及基板W。儘管所說明之基板對準標記佔據專用目標部分，但該等標記可位於目標部分之間的空間中(此等標記被稱為切割道對準標記)。類似地，在多於一個晶粒被提供於圖案化裝置MA上之情形中，圖案化裝置對準標記可位於該等晶粒之間。

所描繪設備可用於以下模式中之至少一者中： 1.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，以使得可曝光不同目標部分C。在步進模式中，曝光場之最大大小限制單次靜態曝光中所成像的目標部分C之大小。 2.在掃描模式中，掃描同步地支撐結構MT及基板台WT，同時將賦予至輻射光束之圖案投影至目標部分C上(即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性而判定基板台WT相對於支撐結構MT之速度及方向。在掃描模式下，曝光場之最大大小限制單次動態曝光中之目標部分的寬度(在非掃描方向上)，而掃描運動之長度判定目標部分之高度(在掃描方向上)。 3.在另一模式中，在將賦予至輻射束之圖案投影至目標部分C上時，使支撐結構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，通常採用脈衝式輻射源，且在基板平台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。

亦可採用對上文所描述之使用模式之組合及/或變體或完全不同的使用模式。

儘管在本文中可特定地參考微影設備在IC製造中之使用，但應理解，本文中所描述之微影設備可具有其他應用，諸如製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示器(LCD)、薄膜磁頭等等。熟習此項技術者應瞭解，在此等替代應用之上下文中，本文中對術語「晶圓」或「晶粒」之任何使用可被視為分別與更一般之術語「基板」或「目標部分」同義。可在曝光之前或之後在(例如)塗佈顯影系統(通常將抗蝕劑層施加至基板且顯影經曝光抗蝕劑之工具)或度量衡或檢測工具中處理本文中所提及之基板。在適用的情況下，可將本文中之揭示內容應用於此等及其他基板處理工具。此外，可將基板處理多於一次，例如以便產生多層IC，使得本文所使用之術語「基板」亦可指已經含有多個經處理層之基板。

本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外線(UV)輻射(例如，具有365、248、193、157或126 nm之波長)及極紫外線(EUV)輻射(例如，具有在5至20 nm之範圍內的波長)以及粒子束，諸如離子束或電子束。

圖案化裝置上或由圖案化裝置提供之各種圖案可具有不同製程窗，亦即，將在規格內產生圖案所根據的處理變數之空間。關於潛在系統性缺陷之圖案規格之實例包括檢查頸縮、線拉回、線薄化、CD、邊緣置放、重疊、抗蝕劑頂部損耗、抗蝕劑底切及/或橋接。此不為詳盡的缺陷清單，且可定義額外缺陷類型及對應缺陷偵測器。可藉由合併每一個別圖案之製程窗(例如，使該等製程窗重疊)來獲得圖案化裝置或其區域上之所有圖案的製程窗。所有圖案之製程窗的邊界含有個別圖案中的一些之製程窗之邊界。換言之，此等個別圖案限制所有圖案之製程窗。此等圖案可稱為「熱點」或「製程窗限制圖案(PWLP)」，「熱點」與「製程窗限制圖案」在本文中可互換地使用。當控制圖案化製程之一部分時，有可能且經濟的係集中於熱點。當熱點並未有缺陷時，最有可能的係，所有圖案未有缺陷。

如圖2中所展示，微影設備LA可形成微影製造單元LC (有時亦被稱作微影單元或叢集)之部分，微影製造單元LC亦包括用以對基板執行曝光前程序及曝光後程序之設備。習知地，此等設備包括用以沈積一或多個抗蝕劑層之一或多個旋塗器SC、用以顯影經曝光抗蝕劑之一或多個顯影器DE、一或多個冷卻板CH及/或一或多個烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取一或多個基板，在不同程序設備之間移動基板且將基板遞送至微影設備之裝載匣LB。常常被統稱為塗佈顯影系統之此等設備由塗佈顯影系統控制單元TCU控制，塗佈顯影系統控制單元TCU自身受監督控制系統SCS控制，監督控制系統SCS亦經由微影控制單元LACU控制微影設備。因此，不同設備可經操作以最大化產出率及處理效率。

為了正確且一致地曝光由微影設備曝光之基板及/或為了監測包括至少一個圖案轉印步驟(例如，光學微影步驟)之圖案化程序(例如，裝置製造程序)的部分，需要檢查基板或其他物件以測量或判定一或多個性質，諸如對準、疊對(其可例如在上覆層中之結構之間或在已例如藉由雙重圖案化程序而分別提供至該層之同一層的結構之間)、線厚度、臨界尺寸(CD)、聚焦偏移、材料性質等。因此，微影單元LC所處之製造設施通常亦包括度量衡系統MET，該度量衡系統測量已在該微影單元中進行處理的基板W中之一些或所有或該微影單元中之其他物件。度量衡系統MET可為微影單元LC之部分，例如，其可為微影設備LA之部分(諸如對準感測器AS)。

一或多個經測量參數可包括：例如形成於經圖案化基板中或上之順次層之間的疊對、例如形成於經圖案化基板中或上之特徵之臨界尺寸(CD) (例如，臨界線寬)、光學微影步驟的聚焦或聚焦誤差、光學微影步驟之劑量或劑量誤差、光學微影步驟之光學像差等。可對產品基板自身之目標及/或對設定於基板上之專用度量衡目標執行此測量。可在抗蝕劑顯影後但在蝕刻前執行測量，或可在蝕刻後執行測量。

存在用於對在圖案化製程中形成之結構進行測量的各種技術，包括使用掃描電子顯微鏡、以影像為基礎之測量工具及/或各種特殊化工具。如上文所論述，特殊化度量衡工具之快速及非侵入性形式為輻射光束經導向至基板之表面上之目標上且測量經散射(經繞射/經反射)光束之屬性的度量衡工具。藉由評估由基板散射之輻射之一或多個特性，可判定基板的一或多個特性。此可被稱為基於繞射之度量衡。此基於繞射之度量衡之一個此類應用係在目標內的特徵不對稱性之測量中。此特徵不對稱性之測量可用作(例如)疊對之量度，但其他應用亦係已知的。舉例而言，可藉由比較繞射光譜之相對部分(例如，比較週期性光柵之繞射光譜中之-1階與+1階)而測量不對稱性。此測量可如以上所描述來完成，且如例如全文以引用方式併入本文中之美國專利申請公開案US 2006-066855中所描述來完成。基於繞射之度量衡之另一應用係在目標內之特徵寬度(CD)之測量中。此等技術可使用下文所描述之設備及方法。

因此，在裝置製造程序(例如，圖案化製程或微影製程)中，基板或其他物件可在程序期間或之後經受各種類型之測量。該測量可判定特定基板是否有缺陷、可建立對製程及用於製程中之設備的調整(例如將基板上之兩個層對準或將圖案化裝置對準至基板)、可測量製程及設備之表現或可用於其他目的。測量之實例包括光學成像(例如光學顯微鏡)、非成像光學測量(例如，基於繞射之測量，諸如ASML YieldStar度量衡工具、ASML SMASH度量衡系統)、機械測量(例如，使用觸控筆之剖面探測、原子力顯微法(AFM))，及/或非光學成像(例如掃描電子顯微法(SEM))。如全文以引用方式併入本文中之美國專利第6,961,116號中所描述之智慧型對準感測器混合式(SMASH)系統使用自參考干涉計，該自參考干涉計產生對準標記物之兩個重疊且相對旋轉之影像、偵測在使影像之傅立葉變換進行干涉之光瞳平面中之強度，且自兩個影像之繞射階之間的相位差提取位置資訊，該相位差表現為經干涉階中之強度變化。

可將度量衡結果直接或間接地提供至監督控制系統SCS。若偵測到誤差，則可對後續基板之曝光(尤其在可足夠迅速且快速完成檢測使得該批次之一或多個其他基板仍待曝光的情況下)及/或經曝光之基板之後續曝光進行調整。又，已曝光之基板可被剝離及重工以改良良率，或被捨棄，藉此避免對已知有疵點之基板執行進一步處理。在基板之僅一些目標部分有缺陷之情況下，可僅對良好的彼等目標部分執行另外曝光。

在度量衡系統MET內，度量衡設備用以判定基板之一或多個性質，且尤其判定不同基板之一或多個性質如何變化或同一基板之不同層在不同層間如何變化。如上文所提及，度量衡設備可整合至微影設備LA或微影單元LC中，或可為單機裝置。

為實現度量衡，可在基板上設定一或多個目標。在一實施例中，目標經專門設計且可包含週期性結構。在一實施例中，目標為裝置圖案之一部分，例如為裝置圖案之週期性結構。在一實施例中，裝置圖案為記憶體裝置之週期性結構(例如，雙極電晶體(Bipolar Transistor，BPT)、位元線接點(Bit Line Contact，BLC)等結構)。

在一實施例中，基板上之目標可包含一或多個1-D週期性結構(例如，光柵)，其經印刷成使得在顯影之後，週期性結構特徵係由固體抗蝕劑線形成。在一實施例中，目標可包含一或多個2-D週期性結構(例如光柵)，其經印刷成使得在顯影之後，該一或多個週期性結構由抗蝕劑中之固體抗蝕劑導柱或通孔形成。桿體、導柱或通孔可替代地經蝕刻至基板中(例如經蝕刻至基板上之一或多個層中)。

在一實施例中，圖案化製程之所關注參數中之一者為疊對。可使用暗場散射測量來測量疊對，其中阻擋零階繞射(對應於鏡面反射)，且僅處理高階。可在PCT專利申請公開案第WO 2009/078708號及第WO 2009/106279號中發現暗場度量衡之實例，該等專利申請公開案之全文係特此以引用之方式併入。美國專利申請公開案US2011-0027704、US2011-0043791及US2012-0242970中已描述該技術之進一步開發，該等專利申請公開案之全文係特此以引用之方式併入。使用繞射階之暗場偵測的以繞射為基礎之疊對實現對較小目標之疊對測量。此等目標可小於照明光點且可由基板上之裝置產品結構環繞。在一實施例中，可在一次輻射捕捉中測量多個目標。

圖3展示根據一實施例之用於判定微影程序中之缺陷的存在之方法的流程圖。在製程P311中，使用任何適合之方法鑑別來自圖案(例如，圖案化裝置上之圖案)中之熱點或其部位。舉例而言，可藉由使用經驗模型或運算模型來分析圖案化裝置上之圖案來鑑別熱點。在經驗模型中，不模擬圖案之影像(例如，抗蝕劑影像、光學影像、蝕刻影像)；取而代之，經驗模型基於處理參數、圖案之參數與熱點之間的相關來預測熱點。舉例而言，經驗模型可為分類模型或有缺陷傾向之圖案之資料庫。在運算模型中，計算或模擬影像之一部分或特性，且基於該部分或該特性來鑑別熱點。舉例而言，可藉由尋找過於遠離所要部位之線端來鑑別線拉回缺陷；可藉由尋找兩條線不需要地接合之橋接缺陷/熱點；可藉由尋找分離層上之不需要地重疊或不需要地未重疊之兩個特徵來鑑別重疊缺陷/熱點。經驗模型相比於運算模型通常在運算上較不昂貴。有可能基於個別熱點之熱點部位及程序窗而判定熱點之程序窗及/或將熱點之程序窗編譯成映像——亦即，判定依據部位而變化之程序窗。此製程窗映像可對圖案之佈局特定敏感度及處理裕度進行特性化。在另一實例中，可諸如藉由FEM晶圓檢測或合適度量衡工具而實驗上判定熱點、其部位及/或其製程窗。一組缺陷/熱點可包括彼等在顯影檢測之後(after-development-inspection；ADI) (通常光學檢測)中無法偵測之缺陷/熱點，諸如抗蝕劑頂部損耗、抗蝕劑底切等。習知檢測僅在不可逆地處理(例如，蝕刻)基板之後揭露此等缺陷/熱點，此時無法重工晶圓。因此，在草擬此文件時無法使用當前光學技術來偵測此等抗蝕劑頂部損耗缺陷。然而，模擬可用以判定可在何處發生抗蝕劑頂部損耗且嚴重性將達何種程度。基於此資訊，可決定使用更準確檢測方法(且通常更耗時)來檢測特定特定熱點/可能缺陷以判定缺陷是否需要重工，或可決定在進行不可逆處理(例如，蝕刻)之前重工特定抗蝕劑層之成像(移除具有抗蝕劑頂部損耗缺陷之抗蝕劑層且重新塗佈晶圓以重新進行該特定層之成像)。

在製程P312中，判定處理熱點(例如成像或蝕刻至基板上)所依據之處理參數。處理參數可為局域的——取決於熱點之部位、晶粒之部位，或此兩者。處理參數可為全域的——與熱點及晶粒之部位無關。一種用以判定處理參數之例示性方式為判定微影設備之狀態。舉例而言，可自微影設備測量雷射頻寬、焦點、劑量、源參數、投影光學器件參數及此等參數之空間或時間變化。另一例示性方式為自對基板執行之度量衡獲得之資料或自處理設備之操作者推斷處理參數。舉例而言，度量衡可包括使用繞射工具(例如ASML YieldStar)、電子顯微鏡或其他合適的檢測工具來檢測基板。有可能獲得關於經處理基板上之任何部位(包括經鑑別熱點)之處理參數。可將處理參數編譯成依據部位而變化之映像——微影參數或製程條件。當然，其他處理參數可被表示為依據部位而變化，亦即，映像。在一實施例中，可在處理每一熱點之前且較佳緊接在處理每一熱點之前判定處理參數。

在製程P313中，使用處理熱點所依據之處理參數來判定熱點處之缺陷的存在性、存在機率、特性或其組合。此判定可簡單地比較處理參數與熱點之製程窗——若處理參數落在製程窗內，則不存在缺陷；若處理參數落在製程窗外部，則將預期存在至少一缺陷。亦可使用合適經驗模型(包括統計模型)來進行此判定。舉例而言，分類模型可用以提供缺陷之存在機率。用以進行此判定之另一方式為使用運算模型以依據處理參數來模擬熱點之影像或所預期圖案化輪廓且測量影像或輪廓參數。在一實施例中，可緊接在處理圖案或基板之後(亦即，在處理圖案或下一基板之前)判定處理參數。缺陷之經判定存在及/或特性可用作用於處置(重工或驗收)之決策的基礎。在一實施例中，處理參數可用以計算微影參數之移動平均值。移動平均值係用以捕捉微影參數之長期飄移，而不受到短期波動擾亂。

在一實施例中，基於基板上之圖案之模擬影像來偵測熱點。一旦完成對圖案化製程之模擬(例如包括製程模型此類OPC及可製造性檢查)，則可根據一或多個限定(例如某些法則、臨限值或度量值)來運算在設計中作為製程條件之函式的潛在弱點，亦即熱點。熱點可基於以下各者來判定：絕對CD值、CD與在模擬中變化之參數中之一或多者的變化率(「CD敏感度)」、空中影像強度之斜率或NILS (亦即「邊緣斜率」或「標準化影像對數斜率」，通常縮寫為「NILS.」，指示銳度之缺失或影像模糊)，其中抗蝕劑特徵之邊緣為預期的(根據單個臨限值/偏置模型或較完整之抗蝕劑模型來運算)。替代地，可基於諸如用於設計法則檢查系統中之彼等預定法則之集合來判定熱點，該等預定法則包括但不限於線端拉回、隅角圓化、與鄰近特徵之接近度、圖案頸縮或夾捏及相對於所要圖案之圖案變形的其他度量值。對光罩CD之較小改變的CD敏感度為尤其重要之微影參數，該參數已知為MEF (光罩誤差因素)MEEF (光罩誤差增強因素)。對MEF與聚焦及曝光之運算提供藉由晶圓製程變化廻旋之光罩製程變化將導致特定圖案元件之不可接受的圖案劣化之機率的臨界度量值。亦可基於疊對誤差相對於底層或後續製程層之變化及CD變化，或藉由對多曝光製程中之曝光之間的疊對及/或CD之變化的敏感度來鑑別熱點。

在一實施例中，圖案保真度度量衡可作為引導缺陷檢測來執行，其中使用模擬工具來鑑別很可能失敗之圖案，其將檢測系統引導至晶圓中鑑別之圖案所在的部位以改良檢測系統之效率。檢測系統獲取並分析晶圓上之圖案/熱點/缺陷影像。舉例而言，可自光學系統(暗場或明場檢測系統)之反射影像或電子束(電子光束)系統採集晶圓影像。

電子束系統具有比光學系統高得多解析度之益處，但其亦非常慢且掃描整個晶圓影像為不實際的。為了加速電子束檢測(或甚至加速光學系統)，模擬經組態以導引檢測系統以查看晶圓上缺陷出現可能性在該晶圓內相對較高之區域。藉此，檢測製程可加速達若干數量級，而不會有缺陷捕捉準確度損失。

每一晶片設計含有大量圖案，只有較小一部分圖案很可能引起缺陷。舉例而言，此等圖案稱為熱點或熱點圖案。由於製程變化(例如，在製程中諸如焦點及劑量之參數變化)出現缺陷且熱點係指彼等可首先失效或由於此等程序變化具有更高失效可能性之圖案。可執行製程模擬以鑑別熱點而不需要實際晶圓及檢測工具。

因此，導引檢測採用模擬以鑑別相對於晶片或晶圓之整個設計佈局的極小數目的熱點，且接著驅動檢測系統以集中檢測晶圓上對應於熱點圖案之區域且不檢測剩餘部分，從而獲得數量級吞吐量增益。

圖案保真度度量衡之各種態樣及熱點判定或校驗之方法在不同專利/專利申請案中詳細討論，其以全文引用之方式併入本文中。舉例而言，美國專利申請案15/546,592描述一製程可變性感知自適應檢測及度量衡，其論述例如基於用於發現缺陷之製程參數之變化之缺陷預測方法。美國專利申請案15/821,051描述基於設計佈局之所關注區域(例如，處理窗限制圖案或熱點圖案)之製程窗或重疊製程窗的熱點鑑別。美國專利申請案15/580,515描述用於缺陷校驗之方法，該方法將度量衡影像及晶圓之第一影像(例如，模擬影像)對準，且採用與影像之對準/未對準相關之核對流程及臨限值回饋。PCT專利申請公開案WO2017080729A1描述用於鑑別改良發現熱點之製程窗邊界的方法。

現有與運算微影相關之解決方案(例如，如先前所論述，用於晶圓缺陷檢測之圖案保真度度量衡/監測)採用諸如基於熱點偵測之微影可製造性檢查(lithographic manufacturability checks；LMC)之模組(例如，軟體)，該模組使用運算微影模型以鑑別全晶片中之熱點以導引檢測設備(例如，電子束)。採用此基於熱點偵測之LMC的運算微影軟體亦經組態以不止執行OPC校驗(例如，與OPC相關之缺陷)且發現製程窗缺陷且亦可針對全晶片設計產生數十萬個熱點。由於快速周轉時間要求及使用檢測工具進行測量之相對較低速度，可僅對全晶圓之一小部分(例如，百萬分之數千)熱點進行檢測。為解決此問題，運算模型採用排序指示符(亦稱為排序)以指示每一熱點之強度。熱點之強度為將熱點圖案轉化為真實晶圓缺陷的可能性程度之量度。高強度熱點意味著其很可能轉化為缺陷，且與熱點相關之此等缺陷之實際計數很可能與其他圖案相比相對較高。因此，此等熱點亦將排序較高。而低強度熱點意味著其不大可能轉化為缺陷且晶圓上之實際缺陷計數將很可能較小或不存在。此等熱點將排序較低。

基於排序，檢測系統可選擇小部分熱點(例如，具有相對較高排序之熱點)用於缺陷檢測。因此，精確鑑別熱點及其強度/排序對於確保較高捕捉率(亦即，更多真陽性或更多揭露與圖案相關之缺陷的資料)及較低有礙率(亦即，較低假陽性或更小與無缺陷的圖案相關之資料)至關重要。

如先前所提及，由於進行測量需要一定時長及資源，經由度量衡工具對印刷晶圓上之有限數目選定之部位(例如，熱點部位)執行測量。在一實施例中，不正確熱點排序可將檢測設備導引至印刷基板上之不太重要之部位(例如，非熱點部位)，從而花費(或浪費)工具時間用於檢測不大可能為真實缺陷之圖案。舉例而言，非代表性測量樣本可包括一些可能不會展現缺陷同時可遺漏一些缺陷之測量。舉例而言，關鍵熱點圖案，其基於熱點之不正確低排序被視為不大可能為真實缺陷，經跳過從而導致真實缺陷遺漏，其可導致遺漏與頻繁出現之缺陷相關的資訊。在一實施例中，藉由導引檢測遺漏之缺陷可以其他方式(亦即，光學檢測系統、緻密(與經導引)電子束檢測)發現。當測量(亦被稱作不準確測量)用於改良圖案化製程時自此類測量顯露之模擬的不準確性，所期望結果(例如，期望良率或製程改良)可能未觀察到。

在一實施例中，在包括諸如輔助特徵(例如，SRAF及SERIF)的OPC之光罩設計之後，下一步驟為光罩校驗，諸如OPC校驗。光罩校驗係在發送光罩設計以用於製造或製作設施之前用於倍縮光罩成品出廠校驗之光罩資料準備(MDP)流程中之標準步驟。此光罩校驗之目的係鑑別OPC後設計中將潛在地導致印刷基板上之圖案化缺陷的誤差或弱點。在一實施例中，可使用採用微影可製造性檢查(LMC)之軟體(諸如採用LMC規則之迅子軟體)來執行此光罩校驗。光罩校驗之準確性取決於包括OPC模型之圖案化製程模型之準確性。製程模型之任何不準確性則導致遺漏基板上之真實缺陷或並非真實的有礙缺陷。在一實施例中，缺陷係指特徵或特徵之一部分，其在成像於基板上時不合規格。舉例而言，缺陷可為頸縮、孔封閉、合併孔等等。

亦發送經由LMC鑑別之一些缺陷以用於基板檢測或監測。在一實施例中，光罩上對應於由LMC鑑別之缺陷的部位被稱作熱點。在一實施例中，熱點可定義為當與熱點相關聯之圖案成像於基板上時在光罩上之具有變成真實缺陷之高可能性的部位。

舉例而言，ASML圖案保真度度量衡(PFM)產品依賴於由LMC鑑別之某些圖案或其部位(例如，熱點)以將電子束檢測設備僅導引至印刷基板上之特定部位以改良檢測設備之效率。歸因於對PFM之周轉時間要求及檢測工具之速度，PFM僅能夠檢測全印刷基板之小部分，通常數千個此等部位(例如，熱點)。為了解決此檢測問題，需要基於由LMC鑑別之光罩圖案(例如，與熱點相關)在成像於基板上時變成真實缺陷之可能性而對該等光罩圖案排序，且PFM依賴於此熱點排序以選擇小部分熱點以供檢測。因此，準確鑑別熱點及其強度係確保PFM之高捕捉率及低有礙率的一個關鍵步驟。在本發明中，作為一實例，光罩圖案對應於熱點以解釋概念，但熱點之此用途並不限制本發明。在本發明中，術語「缺陷」在與光罩缺陷相關時指代LMC缺陷(可互換地被稱為熱點)或在與基板相關時指代晶圓缺陷。一般熟習此項技術者可將本發明之方法應用於待檢測之其他光罩圖案。

包括OPC模型之製程模型可歸因於例如用以簡單地改良模擬製程之速度之若干近似值而提供不準確結果。換言之，僅模型並不捕捉製程之物理性質或得自其之缺陷。因此，在將嚴格規格施加至圖案或其中之特徵以便不遺漏潛在缺陷的情況下，使用更保守的方法。然而，結果為大量有礙缺陷(亦即，可能不會出現在真實印刷基板上之熱點)。因此，基於LMC鑑別之熱點的數目應完全選定以配合檢測週期時間預算。

在一實施例中，可針對每一基板之每一層運行LMC，由此復核及安置數百萬個此類缺陷(當前由人力完成)可極為費時。因此，對於LMC期望減少有礙缺陷的數目，同時鑑別大部分或所有真實缺陷。此外，可基於模擬缺陷大小評估缺陷之關鍵性。在一實施例中，缺陷大小經定義為印刷晶圓上之缺陷計數數目。在一實施例中，缺陷大小可以指印刷於基板上之圖案的CD值。然而，由於製程模型涉及導致不準確結果之近似值，缺陷大小亦可具有誤差。

經由LMC之熱點鑑別中之誤差亦將影響熱點之排序。當排序不準確時，將不準確排序之熱點清單用於經導引檢驗，從而導致遺漏印刷基板上之真實缺陷，此係由於其可能不在經取樣熱點清單中，或可使用浪費檢驗時間之大量有礙缺陷。

圖4A說明假定理想或完美圖案化製程模型(例如，包括OPC模型)之熱點410的實例排序，其基於理想圖案化模型而提供自印刷基板出現之經測量缺陷410與熱點405之排序之間的精確相關性。然而，相關性將決不完美，此係由於致使缺陷在基板上顯現之若干製程變化在本質上係隨機的。舉例而言，如所展示，排序350及更高之LMC熱點在印刷基板上不具有缺陷出現，因此排序高於350之熱點係有礙的。因此，在此情況下，理想地，LMC應僅報告前350個熱點。

然而，即使對於極低排序之熱點(例如，排序350或更高之熱點)，具有較不準確製程模型之相同LMC檢查亦導致缺陷出現，如圖4B中所展示。在圖4B中，熱點420之排序不符合所測量之缺陷計數。舉例而言，排序更低(例如，約600)之熱點在印刷基板上具有更高缺陷出現率，而排序更高(例如，約400)之熱點在印刷晶圓上具有更低缺陷出現率。換言之，熱點420之排序為反向或不準確的。因此，圖4B中之曲線指示缺陷資料與熱點420之排序之間的不佳相關性。不佳相關性或不準確的排序導致度量衡時間損失、低捕捉率及高有礙率，其為非所需結果。換言之，可進行大量熱點取樣以便捕捉大部分真實晶圓缺陷。取樣大量熱點可導致高有礙率，此係因為取樣多個熱點將具有低或不真實缺陷出現率。

因此，來自印刷基板之反饋必須獲得且饋入至基於LMC之熱點排序，使得對排序420之校正得以進行，且下一基板將更準確地取樣由此改良測量捕捉率及低有礙率。換言之，將歸因於熱點之改良排序而捕捉更多缺陷。

在一實施例中，模型不準確性導致模擬圖案(例如，對應於熱點)之特性(例如，CD或輪廓)的不準確值。舉例而言，圖5說明與真實特性(即，測量值)相比隨焦點變化之模擬圖案之模擬CD (即，模擬特性)的值。在一實施例中，經由使用劑量-焦點關係模擬柏桑曲線或模擬一或多個圖案化製程模型(例如，如圖22中所論述)而獲得模擬CD 510。此模擬CD 510實質上不同於經測量CD 520 (即，真實CD)。模擬CD 510與經測量CD 520之間的差係由於模型不準確性。根據本實施例，提供一種獲得經訓練機器學習模型之方法(例如，在圖6中)，該經訓練機器學習模型經組態以判定對模擬圖案之特性(例如，CD)的校正。因此，可經由經訓練機器學習模型校正模擬CD 510以獲得經校正CD 530，或一般而言，經校正圖案。此經校正圖案或模擬圖案之經校正特性可用於各種目的，諸如熱點排序、取樣計劃、製程參數之最佳化或其他圖案化相關應用。

在一實施例中，模型(例如，機器學習模型)經組態以校正經由模擬獲得之對應於光罩圖案(例如，對應於熱點)之圖案的特性。在一實施例中，基於測量資料訓練(例如，如圖6中所論述)此機器學習模型，其允許模擬圖案之特性的準確校正及對應於經校正模擬圖案之熱點的更準確排序。舉例而言，如圖5中所說明，模擬圖案之特性510可經由機器學習模型校正，從而產生經校正模擬圖案或其經校正特性530。

圖6為訓練圖案化製程之機器學習模型604之方法600的流程圖。機器學習模型604之訓練係基於在光罩圖案(例如，對應於熱點)在基板上成像期間使用之測量資料，諸如檢測資料及參數(例如，劑量焦點、位階控制等)的測量值。在本發明中，光罩圖案指代OPC後圖案，亦即，在OPC製程之後獲得之最佳化光罩圖案。使用來自真實印刷基板之此類資料允許機器學習模型校正模擬結果中之不準確性。在一實施例中，機器學習模型604為廻旋神經網路(CNN)、深度學習模型或其他模型。儘管當今以HVM製造之所有IC使用光罩，但本發明不限於特定圖案化製程，方法600亦適用於其他圖案化技術，諸如直接寫入製程，其中並未使用光遮罩。

在製程P602中，方法600涉及獲得訓練資料集，其包括(i)與待印刷於基板上之光罩圖案相關聯的模擬圖案601、(ii)使用光罩圖案成像於基板上之印刷圖案的檢測資料603、及(iii)在光罩圖案在基板上成像期間應用之圖案化製程之參數605的測量值。在一實施例中，訓練資料集包括複數個模擬圖案(例如，基於參數605之測量值而獲得)及與成像於基板上之對應複數個印刷圖案相關的測量資料(例如，檢測資料，及參數之測量值)。

在一實施例中，模擬圖案601為諸如空中影像、光罩影像、抗蝕劑影像及/或蝕刻影像之模擬影像。因此，在一實施例中，獲得模擬圖案601涉及使用光罩圖案(例如，對應於熱點之設計佈局的一部分)作為輸入來模擬圖案化製程模型(例如，光罩模型、光學器件模型、抗蝕劑模型等)及操作圖案化製程參數，諸如劑量、焦點等。圖8A至圖8C說明在圖案化製程模型之模擬(例如，如圖22所論述)期間產生的實例模擬圖案。舉例而言，模擬圖案601可為光罩影像801、空中影像803及/或抗蝕劑影像805。每一此類影像801、803、805包括複數個圖案，其中一或多個特徵可失效或在印刷基板上產生缺陷。

在一實施例中，模擬圖案601包含在成像於基板上時很可能失效之熱點。在一實施例中，模擬圖案601包含在模擬圖案601成像於基板上時並不滿足微影可製造性檢查的圖案。舉例而言，弧形光罩之某些部分可導致圖案具有超出CD之規格的特性。

在一實施例中，檢測資料為印刷基板之影像。在一實施例中，影像為掃描電子束影像及/或光學度量衡影像。可自檢測工具獲得檢測資料，檢測工具諸如光學檢測系統(例如，如圖15至圖18中所論述)、散射計或電子束工具(例如，如關於圖19至圖20所論述)。在實施例中，對應於模擬圖案601之此類檢測資料提供用於在訓練製程期間修改機器學習模型604 (例如，CNN)之模型參數(例如，權重及偏置)的基礎。

在一實施例中，圖案化製程之參數的測量值可為影響印刷於基板上之圖案的任何變數。在一實施例中，參數之測量值包括劑量、焦點、MSDx,y、光學參數之測量值中之一或多者或在光罩圖案在基板上成像期間應用之圖案化製程的參數之其他測量值。在一實施例中，自檢測工具(例如，SEM)獲得印刷晶圓圖案或印刷圖案影像603以及對應圖案化製程條件之值(例如，劑量及焦點的測量值)。隨後，製程參數(或製程條件)之測量值605用於使用圖案化製程模型來模擬圖案化製程以獲得模擬影像601 (例如，MI/AI/RI)。使用此等模擬影像601 (例如，MI/AI/RI)作為輸入及印刷圖案影像603作為地面實況，藉由修改機器學習模型604 (例如，CNN)之模型參數(例如，超參數、權重及偏置)來訓練機器學習模型。

在一實施例中，經由度量衡工具獲得圖案化製程之參數的測量值。在一實施例中，一或多個度量衡工具可整合於微影設備中。

在製程P604中，方法600涉及經由處理器(例如，處理器104)基於設定成預測模擬圖案601及印刷圖案之特性之差異的訓練資料而訓練機器學習模型604。在訓練製程結束時，獲得經訓練機器學習模型640，其經組態以判定對模擬圖案601之校正(例如，如關於圖5所論述)。

在一實施例中，模擬圖案601或印刷圖案之特性為模擬圖案601之特徵的臨界尺寸或模擬圖案601之特徵的輪廓。因此，經訓練機器學習模型640經組態以預測例如模擬圖案601之模擬CD值與印刷圖案之經測量CD值之間的CD差(ΔCD)。ΔCD可進一步用於校正模擬圖案601之CD，從而得到模擬圖案601之CD的更準確值。舉例而言，如先前參考圖5所論述，模擬CD 510經校正為CD 530，其更接近於基板上印刷之真實CD 520。

在一實施例中，訓練步驟(即，製程P604)為反覆過程。訓練涉及：接收檢測資料，其包括印刷圖案及/或其印刷圖案影像，及圖案化製程之參數的測量值；經由機器學習模型基於檢測資料預測對應於模擬圖案601之影像；判定預測圖案影像與印刷圖案影像之間的差異；及調整機器學習模型之模型參數值以使得預測圖案影像與印刷圖案影像之間的差異減小。在一實施例中，機器學習模型的輸出不限於影像。機器學習模型可經組態以不僅預測晶圓影像，而且亦預測經預測晶圓影像內之特徵的CD、印刷影像與預測影像之間的影像差(例如，像素值之差)或CD差，或其他相關製程參數。

在一實施例中，調整機器學習模型之模型參數值涉及判定預測圖案影像與印刷圖案影像之間的差異隨模型參數變化之梯度映像；基於該梯度映像鑑別模型參數值以使得預測圖案影像及印刷圖案影像的差異減小；及基於經鑑別值調整模型參數值。

在一實施例中，調整模型參數值包含調整以下值：廻旋神經網路之層的一或多個權重、廻旋神經網路之層的一或多個偏置、CNN之超參數及/或CNN之層數目。在一實施例中，層數目為CNN之超參數，其可預先選擇且在訓練製程期間可能並不改變。在一實施例中，一系列訓練製程可在層數目可經修改的情況下執行。在圖9中說明CNN之實例。

在一實施例中，訓練(例如，圖9之CNN)涉及判定成本函數的值及逐漸調整CNN之一層或多層的權重以使得成本函數減小(在一實施例中，最小化)。在一實施例中，成本函數為自廻旋神經網路獲得之預測圖案(例如，CNN之輸出)與光罩圖案(例如，來自檢測資料之圖案、一設計佈局等)之間的差異。在一實施例中，可針對基於輪廓之度量值、CD或其他合適的幾何或製程參數定義成本函數。成本函數之改良藉由修改CNN模型參數(例如權重、偏置、步幅等)的值來達成。

舉例而言，成本函數可為邊緣置放誤差(edge placement error，EPE)。在此情況下，可自印刷圖案影像603及預測圖案影像提取輪廓以進一步判定EPE (例如，印刷圖案輪廓與預測圖案輪廓之間的差異)。隨後，成本函數可表達為：成本=f(印刷圖案影像-CNN(輸入, cnn_parameters))，其中成本可為EPE (或EPE2或基於其他適當EPE之度量值)，函數f自預測圖案(例如，藉由CNN)及印刷圖案執行輪廓提取以進一步判定預測圖案影像與印刷圖案影像之間的差異。在一實施例中，至CNN之輸入包括模擬影像(例如，MI/AI/RI)。舉例而言，函數f可首先自預測影像導出輪廓且接著計算相對於印刷圖案之EPE。cnn_parameter為在使用基於梯度之方法進行CNN訓練期間所判定之最佳化參數。在一實施例中，cnn_parameters可為CNN之權重及偏置。此外，對應於成本函數之梯度可為dcost/dparameter，其中可基於方程式(例如參數=參數- learning_rate*梯度)來更新參數。在一實施例中，參數可為機器學習模型(例如CNN)之權重及/或偏置，且learning_rate可為用以調節訓練製程之超參數且可由使用者或電腦選擇以改良訓練製程的收斂(例如較快速收斂)。

訓練機器學習模型640 (例如，圖9之經訓練CNN)可進一步用於校正模擬圖案或其任何特性。

圖7為用於基於根據經訓練機器學習模型(例如，640)校正圖案化製程之模擬圖案之特性的方法700的流程圖。在製程P702中，方法700包括經由模擬圖案化製程模型來判定模擬圖案及模擬圖案之特性。在一實施例中，例如，如圖22中所論述，模擬涉及使用光罩圖案(例如，對應於熱點之設計佈局的一部分)作為輸入執行圖案化製程模型(例如，光罩模型、光學器件模型、抗蝕劑模型等)。因此，模擬圖案702為空中影像、光罩影像、抗蝕劑影像及/或蝕刻影像。

在製程P704中，方法700涉及經由經訓練機器學習模型(例如，640)判定模擬圖案702之特性的特性調整值704。在一實施例中，特性調整值為將藉以修改模擬特性以考慮製程模型之不準確性的值。在一實施例中，經訓練機器學習模型係基於模擬圖案及來自印刷基板之測量資料訓練，因此經訓練機器學習模型經組態以預測用於作為輸入接收到之任何模擬圖案之此類調整值。

如先前所提及，圖案(例如，模擬圖案701或印刷圖案)之特性可為特徵之臨界尺寸或該特徵之輪廓。因此，經訓練機器學習模型640預測例如待施加至模擬圖案702之模擬CD值以調整任何模型不準確性的CD差(ΔCD)。

在製程P706中，模擬圖案702之特性調整值進一步用於校正模擬圖案。製程P706涉及經由處理器(例如，處理器104)基於特性調整值704校正模擬圖案702之特性。經校正特性或相關聯之經校正模擬圖案可用於各種目的，諸如對熱點進行排序、製程參數之最佳化、控制圖案化製程之參數，或與改良印刷於經受圖案化製程之基板上的圖案相關的其他應用。

在一實施例中，可使用複數個設計圖案產生複數個模擬圖案。舉例而言，通常可經由模擬圖案化製程模型(例如，如圖22中所論述)產生數千至數百萬個模擬圖案。此等中的每一者並非皆可為光罩圖案，此係由於若干圖案具有在印刷於基板上時失效的極低可能性。因此，複數個模擬圖案可僅對應於熱點(例如，通常為數千個)。

因此，在一實施例中，在製程P708中，方法700進一步包含經由經訓練機器學習模型獲得複數個模擬圖案及對應於複數個模擬圖案之複數個調整特性值。在一實施例中，複數個模擬圖案包含對應於複數個熱點之圖案。

此外，製程P710經由處理器基於複數個調整特性值調整複數個模擬圖案中之每一者之特性。

在製程P712中，基於模擬圖案之經調整特性，判定複數個模擬圖案之排序712。舉例而言，當基於訓練機器學習模型640而調整複數個熱點之特性以基於模擬考慮該製程模型中之不準確性時，複數個熱點中之一或多個熱點可能不再為關鍵(即，具有在印刷基板上造成失效之高可能性)。因此，基於調整特性之排序712將更準確，且將僅首先分析具有相對較高失效可能性之熱點之子集，因此改良圖案化製程的結果。舉例而言，可基於排序712而判定更佳取樣計劃，由此不僅改良度量衡時間及資源分配，而且亦改良缺陷捕捉率。

在一實施例中，排序712可為1至n之整數標度，其中n為熱點總數目之數目。等級1指示最高等級，例如，指示相關聯熱點之最高失效可能性，且隨著整數值增大，等級被視為降低，例如，n為最低等級。舉例而言，在1至10範圍內之等級中，等級1最高且等級10最低。

在一實施例中，排序712之判定可係基於排序演算法，諸如下文在圖14A及圖14B中論述。在圖14A及圖14B中，例如基於缺陷度量值(例如，缺陷大小)判定排序。舉例而言，基於缺陷大小，較高等級(例如，1)可經指派給具有更高缺陷大小之熱點(或熱點圖案)，且隨著缺陷大小減小，排序演算法可逐漸將較低等級指派給其他熱點。在一實施例中，排序可基於缺陷之總數目或對應於經排序之熱點之缺陷之機率。在一實施例中，排序演算法(例如，圖14A及圖14B)可為製程模型或圖案化製程之模擬之部分，由此模擬結果可為熱點圖案以及其排序。

在一實施例中，可基於另一機器學習模型1140而判定排序712，該另一機器學習模型1140經組態以基於模擬圖案預測排序，諸如下文關於圖11所論述。

在一實施例中，在製程P714中，方法700可進一步包括基於複數個模擬圖案之排序判定用於印刷基板713之度量衡的取樣計劃714。取樣計劃714之判定鑑別部位及/或應在特定熱點處進行之多個測量。在一實施例中，取樣計劃係基於熱點之排序。舉例而言，排序最高(例如，等級1)之熱點可首先藉由相對較高數目個測量取樣以使得並未遺漏缺陷，此係由於測量可表示可在此部位處發現之缺陷。類似地，與最高排序之熱點相比相對降低排序的熱點可在待取樣之熱點的序列中靠後取樣。

在製程P716中，方法700可進一步包括經由處理器導引檢測設備基於熱點之排序712收集印刷基板上之測量資料。舉例而言，檢測設備(例如，圖19至圖20中之電子束工具)可在始於具有最高排序之熱點至具有最低排序之熱點的順序中經導向。在一實施例中，除了熱點之排序712之外，導引(或相關取樣計劃)可係基於最佳化不同熱點之間的測量資料及行進時間的不同參數(例如，待在特定部位處進行之測量的數目、不同熱點之間的距離等)。本發明不限於特定取樣計劃判定演算法或導引方法，任何演算法可經組態以接收排序712以判定取樣計劃或導引檢測設備。

此外，在製程P718中，亦基於來自檢測之測量資料，可判定印刷基板上之缺陷。在一實施例中，任何現有缺陷偵測演算法可用於判定缺陷。舉例而言，缺陷偵測可涉及影像處理及與特徵大小之規格(例如，與CD值相關之規格)相關的檢查。

圖10A及圖10B說明由來自經訓練機器學習模型640之回饋(例如，經調整特性704)產生的排序之實例改良。圖10A說明諸如使用圖案化製程模型的基於運算微影模擬之現有結果的熱點(x軸)之排序1003。如所展示，排序1003係不準確的，此係因為較高排序之熱點捕捉較低數目個缺陷，而低排序熱點展示較高數目個缺陷。此外，為了捕捉超過90%之缺陷，如由捕捉率曲線1010指示，必須測量大致300個熱點。

另一方面，如圖10B中所展示，熱點之排序1004更準確。此排序可基於如上文所論述之模擬圖案的經調整特性。熱點(x軸)之排序1004使相對較高排序(例如，在1至50之間)的熱點捕捉很可能在印刷基板上出現之大多數缺陷(左側之y軸)。如所展示，曲線1020指示捕捉率(右側之y軸)。捕捉率曲線1020指示藉由經排序之前50個熱點捕捉之缺陷的總數目的大致90%。因此，基於方法700之排序與不準確排序相比為改良排序，如圖10A中所展示，其中大致300個熱點必須經評估以捕捉大致90%之缺陷。舉例而言，用於50個熱點之測量時間將實質上低於測量300個熱點以用於捕捉類似數目個缺陷。

在一實施例中，參考圖11，提供一種用於訓練另一機器學習模型1110之方法的流程圖，該另一機器學習模型1110經組態以預測圖案化製程之一組模擬圖案的排序。機器學習模型1110經組態以接收根據圖案化製程條件(例如，柏桑曲線、FEM等)之模擬圖案(例如，MI/AI/RI)或特性(例如，CD)作為輸入且預測與模擬圖案相關聯之排序或缺陷計數作為輸出。在一實施例中，機器學習模型1110可為CNN、回歸模型或與CNN相比具有相對較小數目個參數的分類模型。在訓練製程之後，產生經訓練機器學習模型1140，其經組態以對一組模擬圖案(例如，經由模擬程序模型獲得)或經校正模擬圖案(例如，自圖7之方法獲得)中之至少一個模擬圖案進行排序。

在製程P1102中，方法1100涉及獲得(i)對應於一組光罩圖案之該組模擬圖案1101 (例如，601或702之例項)、(ii)使用該組光罩圖案成像於基板上之一組印刷圖案的缺陷資料1103、及(iii)與使用該組光罩圖案成像之基板相關聯的取樣計劃1105。

在一實施例中，獲得該組模擬圖案1101涉及使用該組光罩圖案中之光罩圖案中的每一者模擬圖案化製程模型(例如，如圖22中所論述)，及自模擬結果鑑別在成像於基板上時很可能失效之該組經模擬圖案1101。因此，該組模擬圖案1101對應於一組熱點圖案。在一實施例中，該組模擬圖案1101包含並不滿足微影可製造性檢查之模擬圖案。

在一實施例中，缺陷資料(例如，經由檢測設備(例如，圖15至圖20)獲得)包括在印刷基板上失效(例如，不合規格)之特徵。在一實施例中，可藉由分析印刷基板之SEM影像來鑑別缺陷。因此，在一實施例中，可判定與特定圖案(例如，熱點)相關聯之缺陷的總數目(即，缺陷計數)，且另外缺陷計數可用於與特定圖案(例如，熱點)之排序相關。

在一實施例中，缺陷資料1103為與印刷基板上之一或多個圖案相關聯的缺陷計數。在一實施例中，缺陷資料1103為與印刷基板上之一或多個圖案相關聯的臨界尺寸之值或值範圍。在一實施例中，自印刷基板之影像提取缺陷資料1103，其中影像為掃描電子束影像及/或光學度量衡影像。

在一實施例中，經由度量衡工具(例如，圖15至圖20)自印刷基板獲得缺陷資料1103。在一實施例中，可使用度量衡工具(例如，SEM)來測量印刷基板，且可自測量提取圖案化製程之參數。舉例而言，可自SEM之SEM影像中提取圖案之輪廓，且可對照所要輪廓或設計規格檢查輪廓。當輪廓不符合設計規格時，輪廓標記為缺陷。在一實施例中，基於缺陷之缺陷度量值可經定義以量化熱點之特性(例如，強度或關鍵性)及/或用於熱點之排序。在一實施例中，缺陷度量值為與有缺陷特徵相關之任何度量值。在一實施例中，有缺陷特徵為突破(例如，超出)圖案化製程之參數之所要臨限值的特徵(例如，CD ＜30 nm或CD ＞30)。

在一實施例中，缺陷度量值可為缺陷大小、缺陷出現機率、與特定熱點相關之缺陷計數或其他缺陷相關度量值。缺陷大小可定義為與有缺陷特徵相關之製程參數(例如，CD)之值或製程參數之值相對於臨限值之間的差值。舉例而言，長條之CD臨限值可為30 nm且經曝光晶圓上之長條之CD可為25 nm，接著缺陷大小可為25 nm或CD差值，亦即5 nm。因此，在一實施例中，與熱點圖案相關之缺陷大小可用於判定熱點之強度或關鍵性。在一實施例中，缺陷大小與臨限值之間的差值越大，熱點之強度更高，且反之亦然。

在一實施例中，缺陷度量值可為定義為特定缺陷類型(例如，線拉回、孔封閉、遺失孔等)之缺陷之總數目的缺陷計數。舉例而言，缺陷之總數目可為自對特定類型之缺陷進行計數獲得之整數。

在一實施例中，取樣計劃1105包括印刷基板上之進行測量之一組部位，其中該組部位係基於該組模擬圖案1101之初始排序；及/或基於該組模擬圖案1101之初始排序在該組部位中之一或多個部位處進行的多個測量。

在製程P1104中，方法1100涉及經由處理器(例如，處理器104)基於缺陷資料1103及取樣計劃1105訓練機器學習模型1110，使得機器學習模型1110經組態以基於缺陷資料1103預測與參考排序匹配之該組模擬圖案1101的排序。參考排序被視為真實排序，此係因為排序係基於來自印刷基板之實際測量之缺陷資料。在訓練製程之後，獲得經訓練機器學習模型1140，其可預測任何一組模擬圖案1101 (例如，601或702之例項)的排序1142。此排序將更準確，此係由於經訓練機器學習模型包括基於自印刷基板獲得之實際資料調整的模型參數。

在一實施例中，訓練步驟為反覆過程。訓練製程涉及經由機器學習模型1110使用取樣計劃1105及缺陷資料1103作為輸入預測該組模擬圖案1101之排序；基於缺陷資料1103判定預測排序與參考排序之間的差異；及調整機器學習模型之模型參數值以使得排序之間的差異減小。

在製程P1106中，方法1100接收該組模擬圖案1101及該組模擬圖案1101之初始排序；經由經訓練機器學習模型1140預測該組模擬圖案1101之排序1142；及經由處理器基於該組模擬圖案1101之預測排序1142調整取樣計劃1105。

在一實施例中，調整取樣計劃1105涉及調整待測量之該組部位中之部位，及/或待在該組部位中之一或多個部位處進行之測量的數目。在一實施例中，調整該組部位中之部位涉及忽略來自該組部位之對應於相對較低排序之模擬圖案的部位；及/或將對應於相對較高排序之模擬圖案的新部位添加至該組部位。在一實施例中，調整該組部位中之部位包含增加及/或減少待在部位之子集中的部位處進行之測量的數目。

在製程P1108 (類似於圖7之製程P716)中，方法1100涉及經由處理器導引檢測設備基於該組模擬圖案之預測排序1042收集印刷基板上之測量資料，及經由處理器基於該測量資料判定印刷基板上之缺陷。

在一實施例中，參考圖12，提供基於第一經訓練機器學習模型640及第二經訓練機器學習模型1140判定圖案化製程之一組模擬圖案的排序的另一方法1200。在實施例中，舉例而言，包含熱點之一組圖案的排序可在經訓練模型640及1140兩者組合時進一步改良以使得模擬圖案之特性改良且基於改良之特性進一步排序。

在製程P1202中，方法1200涉及經由第一機器學習模型(例如，640)調整一組模擬圖案內之至少一個模擬圖案之特性。在一實施例中，至少一個模擬圖案或印刷圖案之特性為該組模擬圖案中之至少一個模擬圖案的特徵之臨界尺寸。在一實施例中，調整特性涉及判定模擬圖案中之至少一個模擬圖案之模擬特性的特性調整值(例如，ΔCD)。在一實施例中，基於模擬圖案及來自印刷基板之測量資料訓練第一經訓練機器學習模型640，因此第一經訓練機器學習模型640經組態以預測作為輸入接收到之任何模擬圖案之此類調整值。

在製程P1204中，方法1200涉及經由處理器基於至少一個模擬圖案之經調整特性判定模擬圖案1204之子集。在一實施例中，判定模擬圖案之子集涉及判定至少一個經模擬圖案之經調整特性是否滿足微影可製造性檢查；及回應於不滿足微影可製造性檢查，包括模擬圖案之子集中之至少一個模擬圖案。舉例而言，模擬圖案的初始集合可包括200,000個熱點，而在調整模擬圖案之特性之後，一或多個模擬圖案可滿足LMC檢查，由此可能不再作為熱點。因此，可自200,000個熱點移除滿足LMC之此一或多個模擬圖案，且可獲得例如2000個熱點之子集。通常，200,000個熱點中之數者為有礙的，從而導致檢測工具時間的浪費。因此，期望基於此類減小數目個熱點之排序，此係由於其需要較少時間且由於更佳捕捉率導致改良之測量時間以及改良的良率。

在製程P1206中，方法1200涉及經由第二機器學習模型1140判定模擬圖案1204之子集內之至少一個模擬圖案的排序1206。

圖13說明基於機器學習模型1140及相關聯缺陷計數而獲得的實例排序。舉例而言，如所展示，熱點(x軸)之排序1304使相對較高排序(例如，在1至50之間)的熱點捕捉很可能在印刷基板上出現之大多數缺陷(左側之y軸)。在一實施例中，曲線1310指示捕捉率(右側之y軸)。捕捉率曲線1310指示藉由經排序之前50個熱點捕捉之缺陷的總數目的大致90%。因此，基於方法1200之排序證實為與不準確排序相比更佳之排序，如圖10A中所展示，其中大致300個熱點必須經評估以捕捉大致90%之缺陷。舉例而言，用於50個熱點之測量時間將實質上低於測量300個熱點以用於捕捉類似數目個缺陷。

返回參考圖12，在製程P1208中，方法1200進一步涉及經由處理器導引檢測設備基於模擬圖案之子集內之至少一個模擬圖案的排序收集印刷基板上之測量資料；及經由處理器基於該測量資料判定印刷基板上之缺陷。

上文方法提供若干優勢。舉例而言，機器學習模型或經訓練機器學習模型(例如，640、1140)可在運算微影產品(例如，採用LMC之迅子)內得以採用，而不要求改變生產OPC模型。採用此類機器學習模型並不引起基線移位且顯著地改良工具可用時間。舉例而言，基線涉及將用於圖案化製程之合格基線(例如，模型、配方等)，且此類基線之改變通常涉及此模型及配方的再檢核，由於再檢核製程需要大量精力且為費時的，其並非較佳的。舉例而言，可使用現有圖案化製程模型建立基線OPC。儘管現有製程模型並不完美，但判定OPC及使用此OPC之相關圖案化製程驗證(例如，圖案化製程配方)涉及大量精力。

機器學習模型1140對熱點強度及變成真實缺陷之可能性進行更準確地排序。由於模型將隨時間推移「學習」缺陷之所有貢獻因素，故不需要此類因素之特定先驗知識。兩個機器學習模型(例如，640及1140)皆為自適應性的，使得由於經由生產傳遞更多設計且自印刷基板提供更多測量回饋，LMC隨時間推移變得愈來愈準確。

另一方面，經典方法為針對LMC能力重複校準製程模型(例如，OPC)。然而，此方法具有若干缺點：模型校準為具有特定技能要求之耗時經歷，對於PFM使用者為不實際的。來自印刷晶圓之回饋可定期出現，但規律地重複校準模型並不實際。重複校準製程模型將需要基線移位，其可為非所要的。

圖14A及圖14B展示用於判定熱點之排序的排序演算法之實例。在一實施例中，實例排序演算法係基於柏桑標繪圖1050，該柏桑標繪圖1050界定缺陷大小與圖案化製程之參數之間的關係。舉例而言，排序係基於缺陷大小(例如，CD值或相對於臨限值之CD差值)與焦點值之間的關係。缺陷關係取決於圖案之類型(例如，不同熱點)。因此，相對於焦點值中之變化，不同熱點可表現不同缺陷行為。在一實施例中，當焦點增加(例如，沿標繪圖1050之x軸從左至右)時，缺陷大小減小(例如，參見1052或1053)。舉例而言，對於第一熱點，第一關係1052可指示當焦點值改變時缺陷出現之機率之倒數。舉例而言，對於第二熱點，第二關係1053可指示當焦點值改變時缺陷出現之機率之倒數。在一實施例中，第二關係1053可對應於製程窗之最高限制條件。換言之，第二熱點對例如CD值及對應劑量/焦點值之外部界限施加限制。此等第二熱點可導致最高缺陷之機率且因此排序最高。

通常，在基板製造期間，焦點值變化導致印刷於該基板上之CD之變化。因此，在一實施例中，焦點值之機率分佈1051可用於界定可為特定熱點運算缺陷大小的範圍。在一實施例中，機率分佈1051可為高斯分佈，亦即選定範圍內之標準化分佈。在一實施例中，選定範圍可對應於界定為邊界值f+及f++Δf之正向焦點範圍；其中f+為下限且f++Δf為上限。接著，排序演算法可判定選定正向焦點範圍(例如，1055)內之缺陷大小。舉例而言，基於關係(例如，1052或1053)，可運算焦點範圍1055內之缺陷大小。

如先前所提及，在一實施例中，可基於相對於缺陷臨限值(例如，最小可允許的CD限制)之缺陷大小運算排序。在一實施例中，缺陷臨限值可係基於所要良率(例如，99.9%)。舉例而言，如圖14B中所說明，可圍繞缺陷臨限值1060運算缺陷大小。

在一實施例中，熱點之缺陷大小可界定為焦點值機率及熱點之缺陷出現與缺陷臨限值之間的差值之乘積之總和。舉例而言，可基於以下方程式運算缺陷大小： ΔDFSZi  = Σj (焦點值機率)j (DFSZij-Dth) = A1×W1+A2×W2+ … + A10×W10

其中，ΔDFSZi為最可能在焦點不確定性範圍內印刷之第i熱點Hi之預期缺陷大小；DFSZij為第j焦點值處第i熱點之缺陷大小，且Dth為缺陷臨限值。另外，如圖14B中所說明，值A1至A10可為缺陷關係(例如，1052)與缺陷臨限值之間的差值，且W1至W10可為自例如選定焦點範圍內之標準化焦點值運算之焦點值的機率。在一實例中，A1-A7＞0，A8-A10＜0，且W1＞W2＞W3…＞W10。

基於以上方程式，可判定一組熱點(例如，4001或5001)之一或多個熱點之缺陷大小。另外，具有最高缺陷大小之熱點可指定最高排序(例如，排序1)。舉例而言，第二熱點(對應於1053)可指定排序1，第一熱點可指定排序2，第三熱點可指定排序3等等。根據一實施例，排序取決於缺陷關係(例如，1052及1053)及焦點值之準確度。因而，若關係改變，則排序將改變。在一實施例中，基於測量回饋(例如，4008或5004)之焦點及/或缺陷關係之調整值(例如，自方法4000或5000)可導致熱點之精確排序。舉例而言，在一實施例中，柏桑曲線可基於偏置函數(例如，圖9A)而調整，該偏置函數可有效地影響熱點之排序。

圖15描繪實例檢測設備(例如，散射計)。其包含將輻射投影至基板W上之寬頻帶(白光)輻射投影儀2。重新導向之輻射傳遞至光譜儀偵測器4，該光譜儀偵測器4測量鏡面反射輻射之光譜10 (強度依據波長而變化)，如例如在左下方的曲線圖中所展示。根據此資料，可藉由處理器PU例如藉由嚴密耦合波分析及非線性回歸或藉由與如圖19之右下方所展示之模擬光譜庫的比較來重建構導致偵測到之光譜的結構或剖面。一般而言，對於重新建構，結構之一般形式為吾人所知，且根據供製造結構之製程之知識來假定一些變數，從而僅留下結構之少許參數以自經測量資料予以判定。此檢測設備可經組態作為正入射檢測設備或斜入射檢測設備。

圖16中展示可使用之另一檢測設備。在此裝置中，由輻射源2發射之輻射係使用透鏡系統12而準直且透射通過干涉濾光器13及偏振器17、由部分反射表面16反射且經由物鏡15而聚焦至基板W上之光點S中，物鏡15具有高數值孔徑(NA)，理想地為至少0.9或至少0.95。浸潤檢測設備(使用相對高折射率之流體，諸如水)甚至可具有大於1之數值孔徑。

如在微影設備LA中一樣，可在測量操作期間提供一或多個基板台以固持基板W。該等基板台可在形式上與圖1之基板台WT相似或相同。在檢測設備與微影設備整合之實例中，該等基板台甚至可為相同基板台。可將粗略定位器及精細定位器提供至第二定位器PW，該第二定位器經組態以相對於測量光學系統來準確地定位基板。提供各種感測器及致動器(例如)以獲取所關注目標之位置，且將所關注目標帶入至接物鏡15下方之位置。通常，將對橫越基板W之不同部位處之目標進行許多測量。可在X及Y方向上移動基板支撐件以獲取不同目標，且可在Z方向上移動基板支撐件以獲得目標相對於光學系統之焦點之所要部位。舉例而言，當實務上光學系統可保持實質上靜止(通常在X方向及Y方向上，但可能亦在Z方向上)且僅基板移動時，方便地將操作考慮並描述為如同物鏡經帶入至相對於基板之不同部位。假定基板及光學系統之相對位置正確，則以下情況在原則上並不重要：基板及光學系統中的哪一個在真實世界中移動，基板及光學系統兩者是否均移動，或光學系統之一部分之組合移動(例如，在Z及/或傾斜方向上)，而光學系統之剩餘部分靜止且基板移動(例如，在X方向及Y方向上，但亦視情況在Z及/或傾斜方向上)。

由基板W重新導向之輻射接著通過部分反射表面16傳遞至偵測器18中以便使光譜被偵測到。偵測器18可位於背向投影式焦平面15處(亦即，位於透鏡系統15之焦距處)，或平面15可運用輔助光學器件(未展示)而再成像至偵測器18上。偵測器可為二維偵測器，以使得可測量基板目標30之二維角度散射光譜。偵測器18可為(例如) CCD或CMOS感測器陣列，且可使用(例如)每圖框40毫秒之積分時間。

參考光束可用以例如測量入射輻射之強度。為進行此測量，在輻射光束入射於部分反射表面16上時，使輻射光束之部分通過部分反射表面16作為參考光束而朝向參考鏡面14透射。隨後將參考光束投影至相同偵測器18之不同部分上或替代地投影至不同偵測器(未展示)上。

一或多個干涉濾光器13可用以選擇在比如405至790 nm或甚至更低(諸如200至300 nm)之範圍內的所關注波長。干涉濾光器可為可調諧的，而非包含不同濾光器之集合。可使用光柵代替干涉濾波器。孔徑光闌或空間光調變器(未展示)可提供於照明路徑中以控制目標上之輻射之入射角之範圍。

偵測器18可測量在單一波長(或窄波長範圍)下之經重新導向輻射之強度、分離地在多個波長下之經重新導向輻射之強度，或遍及一波長範圍而積分之經重新導向輻射之強度。此外，偵測器可分別測量橫向磁偏振輻射及橫向電偏振輻射之強度，及/或橫向磁偏振輻射與橫向電偏振輻射之間的相位差。

基板W上之目標30可為1-D光柵，其經印刷成使得在顯影之後，長條係由固體抗蝕劑線形成。目標30可為2-D光柵，其經印刷成使得在顯影之後，光柵係由抗蝕劑中之固體抗蝕劑導柱或通孔形成。桿體、導柱或通孔可經蝕刻至基板中或基板上(例如，經蝕刻至基板上之一或多個層中)。圖案(例如桿體、導柱或通孔之圖案)對在圖案化程序中之處理之改變(例如微影投影設備(特別是投影系統PS)中之光學像差、聚焦改變、劑量改變等)敏感，且將表現印刷光柵中之變化。因此，印刷光柵之測量資料係用於重建構光柵。可根據印刷步驟及/或其他檢測製程之知識，將1-D光柵之一或多個參數(諸如，線寬及/或形狀)或2-D光柵之一或多個參數(諸如，導柱或通孔寬度或長度或形狀)輸入至由處理器PU執行之重新建構製程。

除了藉由重新建構進行參數之測量以外，角解析散射測量亦適用於產品及/或抗蝕劑圖案中之特徵之不對稱性之測量。不對稱性測量之特定應用係用於疊對之測量，其中目標30包含疊置於另一組週期性特徵上的一組週期性特徵。使用圖15或圖16之儀器的不對稱性測量之概念描述於例如美國專利申請公開案US2006-066855中，該美國專利申請公開案之全文併入本文中。簡單地陳述，雖然目標之繞射光譜中之繞射階的位置僅藉由目標之週期性而判定，但繞射光譜中之不對稱性指示構成目標之個別特徵中的不對稱性。在圖16之儀器中(其中偵測器18可為影像感測器)，繞射階中之此不對稱性直接呈現為由偵測器18記錄之光瞳影像中的不對稱性。此不對稱性可藉由單元PU中之數位影像處理來測量，且可對照已知疊對值來校準。

圖17說明典型目標30之平面圖，及圖16之設備中之照明光點S之範圍。為了獲得擺脫來自環繞結構之干涉的繞射光譜，在一實施例中，目標30為大於照明光點S之寬度(例如，直徑)之週期性結構(例如，光柵)。光點S之寬度可小於目標之寬度及長度。換言之，目標係由照明「填充不足」，且繞射信號基本上不含來自目標自身外部之產品特徵及其類似者之任何信號。照明配置2、12、13、17可經組態以提供橫越物鏡15之背焦平面之均一強度的照明。替代地，藉由(例如)在照明路徑中包括孔徑，照明可限於同軸或離軸方向。

圖18示意性地描繪基於使用度量衡所獲得之測量資料而進行目標圖案30'的一或多個所關注變數之值之判定的實例程序。由偵測器18偵測到之輻射提供用於目標30'之經測量輻射分佈108。

對於給定目標30'，可使用例如數值馬克士威求解程序210自參數化模型206運算/模擬輻射分佈208。經參數化模型206展示構成目標及與該目標相關聯的各種材料之實例層。參數化模型206可包括用於在考慮中的目標之部分的特徵及層之變數中的一或多者，其可變化且被導出。如圖18中所展示，變數中之一或多者可包括一或多個層之厚度t、一或多個特徵之寬度w (例如，CD)、一或多個特徵之高度h，及/或一或多個特徵之側壁角α。儘管未展示，但變數中的一或多者可進一步包括但不限於：層中之一或多者之折射率(例如，真折射率或複折射率、折射率張量等)、一或多個層之消光係數、一或多個層之吸收率、顯影期間之抗蝕劑損耗、一或多個特徵之基腳，及/或一或多個特徵之線邊緣粗糙度。變數之初始值可為針對所測量之目標所預期的值。接著在212處比較經測量輻射分佈108與經運算輻射分佈208以判定兩者之間的差值。若存在差，則可變化參數化模型206之變數中之一或多者之值，運算新的所運算輻射分佈208且將其與經測量輻射分佈108進行比較直至在經測量輻射分佈108與所運算輻射分佈208之間存在足夠匹配為止。彼時，參數化模型206之變數之值提供實際目標30'之幾何形狀的良好或最佳匹配。在一實施例中，當經測量輻射分佈108與經運算輻射分佈208之間的差在容許臨限值內時存在足夠匹配。

圖19示意性地描繪電子束檢測設備200之一實施例。自電子源201發射之初級電子束202係由聚光器透鏡203會聚且接著傳遞通過光束偏轉器204、E × B偏轉器205及物鏡206以在一焦點下輻照基板台101上之基板100。

當運用電子束202照射基板100時，自基板100生成二次電子。該等二次電子係由E × B偏轉器205偏轉且由二次電子偵測器207偵測。二維電子束影像可藉由與以下操作同步地偵測自樣本產生之電子而獲得：例如藉由光束偏轉器204來二維掃描電子束或藉由光束偏轉器204在X方向或Y方向上重複掃描電子束202，以及藉由基板台101在X方向或Y方向中之另一者上連續移動基板100。因此，在一實施例中，電子束檢測設備具有用於由角程界定之電子束之視場，電子束可由電子束檢測設備提供至該角程(例如，偏轉器204可藉以提供電子束202之角程)中。因此，該視場之空間範圍為電子束之角程可照射於表面上所達之空間範圍(其中該表面可為靜止的或可相對於該場移動)。

由二次電子偵測器207偵測之信號藉由類比/數位(A/D)轉換器208轉換為數位信號，且將數位信號發送至影像處理系統300。在一實施例中，影像處理系統300可具有用以儲存數位影像之全部或部分以供處理單元304處理的記憶體303。處理單元304 (例如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304經組態或經程式化以促使執行本文中所描述之方法。此外，影像處理系統300可具有經組態以將數位影像及對應資料集儲存於參考資料庫中之儲存媒體301。顯示裝置302可與影像處理系統300連接，使得操作者可藉助於圖形使用者介面進行設備之必要操作。

圖20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88上之樣本90 (諸如基板)且包含帶電粒子束產生器81、聚光器透鏡模組82、探針形成物鏡模組83、帶電粒子束偏轉模組84、二次帶電粒子偵測器模組85及影像形成模組86。

帶電粒子束產生器81產生初級帶電粒子束91。聚光器透鏡模組82將所產生之初級帶電粒子束91聚光。探針形成物鏡模組83將經聚光初級帶電粒子束聚焦為帶電粒子束探針92。帶電粒子束偏轉模組84在緊固於樣本載物台88上之樣本90上的所關注區域之表面上掃描所形成之帶電粒子束探針92。在一實施例中，帶電粒子束產生器81、聚光器透鏡模組82及探針形成物鏡模組83或其等效設計、替代方案或其任何組合一起形成產生掃描帶電粒子束探針92之帶電粒子束探針產生器。

二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 (例如運算裝置)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，其用由帶電粒子束探針92轟擊的自樣本90發射的偵測到之次級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以對圖案化製程進行監測、控制等，及/或使用自影像形成模組86接收到之樣本90的經掃描影像來導出用於圖案化製程設計、控制、監測等的參數。因此，在一實施例中，監測模組87經組態或經程式化以促使執行本文中所描述之方法。在一實施例中，監測模組87包含運算裝置。在一實施例中，監測模組87包含用以提供本文中之功能性且經編碼於形成監測模組87或安置於該監測模組87內的電腦可讀媒體上之電腦程式。

在一實施例中，如使用探針來檢測基板之圖19之電子束檢測工具，圖20之系統中之電子電流相較於例如諸如圖19中所描繪之CD SEM顯著更大，以使得探針光點足夠大以使得檢測速度可較快。然而，由於探針光點較大，因此解析度可能不與CD SEM之解析度一樣高。在一實施例中，在不限制本發明之範疇的情況下，上文論述之檢測設備(圖7及圖8中)可為單束或多束裝置。

可處理來自例如圖19及/或圖20之系統的SEM影像以提取影像中描述表示裝置結構之物件之邊緣的輪廓。接著通常在使用者定義之切線處經由諸如CD之度量值量化此等輪廓。因此，通常，經由量度值(諸如在經提取輪廓上測量之邊緣間距離(CD)或影像之間的簡單像素差)比較且量化裝置結構之影像。

圖21說明對於諸如劑量/焦點之製程變數的某些設定，可觀測到之實例缺陷，諸如基腳2402及頸縮2412類型之失效。在基腳情況下，可執行除渣以移除基板處之基腳2404。在頸縮2412情況下，可藉由移除頂部層2414來減少抗蝕劑厚度。在一實施例中，另一排序準則可由一些熱點產生之缺陷是否可經由後圖案化製程修復。舉例而言，導致缺陷之熱點可實質上經排序得較低，該等缺陷可以在後圖案化製程經固定並比其他缺陷出現的頻率更低。

圖22中說明用於模型化及/或模擬圖案化製程之部分的例示性流程圖。如將瞭解，該等模型可表示不同圖案化製程，且無需包含下文所描述之所有模型。源模型1200表示圖案化裝置之照明之光學特性(包括輻射強度分佈、頻寬及/或相位分佈)。源模型1200可表示照明之光學特性，包括但不限於數值孔徑設定、照明均方偏置(σ)設定以及任何特定照明形狀(例如，離軸輻射形狀，諸如環形、四極、偶極等等)，其中σ (或均方偏置)係照明器之外部徑向範圍。

投影光學器件模型1210表示投影光學器件之光學特性(包括由投影光學器件造成的輻射強度分佈及/或相位分佈之改變)。投影光學器件模型1210可表示投影光學器件之光學特性，其包括像差、失真、一或多個折射率、一或多個實體大小、一或多個實體尺寸等。

圖案化裝置/設計佈局模型模組1220擷取在圖案化裝置之圖案中佈置設計特徵之方式，且可包含如例如美國專利第7,587,704號中所描述之圖案化裝置之詳細實體屬性的表示，該美國專利以全文引用之方式併入本文中。在一實施例中，圖案化裝置/設計佈局模型模組1220表示設計佈局(例如對應於積體電路、記憶體、電子裝置等之特徵之裝置設計佈局)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)，其為圖案化裝置上或由圖案化裝置形成之特徵配置之表示。因為可改變用於微影投影設備中之圖案化裝置，所以需要使圖案化裝置之光學屬性與至少包括照明及投影光學器件的微影投影設備之其餘部分之光學屬性分離。模擬之目標常常為準確地預測例如邊緣置放及CD，可接著比較該等邊緣置放及CD與裝置設計。裝置設計通常被定義為預OPC圖案化裝置佈局，且將以諸如GDSII或OASIS之標準化數位檔案格式之形式被提供。

可自源模型1200、投影光學器件模型1210及圖案化裝置/設計佈局模型1220模擬空中影像1230。空中影像(AI)為在基板位階處之輻射強度分佈。微影投影設備之光學性質(例如，照明、圖案化裝置及投影光學器件之性質)規定空中影像。

基板上之抗蝕劑層係藉由空中影像曝光，且該空中影像經轉印至抗蝕劑層而作為其中之潛伏「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型1240自空中影像1230模擬抗蝕劑影像1250。抗蝕劑模型可用以根據空中影像來計算抗蝕劑影像，此情形之一實例可發現於美國專利申請公開案第US 2009-0157360號中，該美國專利申請公開案之揭示內容特此以其全文引用之方式併入。抗蝕劑模型通常描述在抗蝕劑曝光、曝光後烘烤(PEB)及顯影期間出現的化學製程之效應，以便預測例如形成於基板上之抗蝕劑特徵之輪廓，且因此其通常僅與抗蝕劑層之此等屬性(例如在曝光、曝光後烘烤及顯影期間出現的化學製程之效應)相關。在一實施例中，可作為投影光學器件模型1210之部分捕捉抗蝕劑層之光學屬性，例如折射率、膜厚度、傳播及偏振效應。

因此，一般而言，光學模型與抗蝕劑模型之間的連接為抗蝕劑層內之模擬空中影像強度，其起因於輻射至基板上之投影、抗蝕劑界面處之折射及抗蝕劑膜堆疊中之多個反射。輻射強度分佈(空中影像強度)係藉由入射能量之吸收而變為潛伏「抗蝕劑影像」，其藉由擴散製程及各種負載效應予以進一步修改。足夠快以用於全晶片應用之有效率模擬方法藉由2維空中(及抗蝕劑)影像而近似抗蝕劑堆疊中之實際3維強度分佈。

在一實施例中，可將抗蝕劑影像用作至圖案轉印後製程模型模組1260之輸入。圖案轉印後製程模型1260定義一或多個抗蝕劑顯影後製程(例如蝕刻、顯影等)之效能。

圖案化製程之模擬可例如預測抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。因此，模擬之目標為準確地預測例如印刷圖案之邊緣置放，及/或空中影像強度斜率，及/或CD等。可將此等值與預期設計比較以例如校正圖案化製程，鑑別預測出現缺陷之地點等。預期設計通常被定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供之預OPC設計佈局。

因此，模型公式化描述總製程之大多數(若非全部)已知物理學及化學方法，且模型參數中之每一者理想地對應於一相異物理或化學效應。模型公式化因此設定關於模型可用以模擬總體製造製程之良好程度之上限。

在一實施例中，提供一種訓練圖案化製程之機器學習模型的方法。該方法包括獲得訓練資料集，該訓練資料集包含：(i)與待印刷於基板上之光罩圖案相關聯的模擬圖案、(ii)使用該光罩圖案成像於該基板上之印刷圖案的檢測資料、及(iii)在光罩圖案在基板上之成像期間應用之圖案化製程之參數的測量值；經由處理器基於設定成預測模擬圖案及印刷圖案之特性之差異的訓練資料而訓練機器學習模型。

在一實施例中，訓練步驟為反覆過程，其涉及接收包含印刷圖案影像之檢測資料及圖案化製程之參數的測量值；經由基於圖案化製程之參數的測量值模擬圖案化製程模型來獲得模擬圖案；經由機器學習模型預測對應於模擬圖案之影像；判定預測圖案影像與印刷圖案影像之間的差異；及調整機器學習模型之模型參數值以使得預測圖案影像與印刷圖案影像之間的差異減小。

在一實施例中，調整機器學習模型之模型參數值涉及判定預測圖案影像與印刷圖案影像之間的差異隨模型參數變化之梯度映像；基於該梯度映像鑑別模型參數值以使得預測圖案影像及印刷圖案影像減小；及基於經鑑別值調整模型參數值。

在一實施例中，模擬圖案為空中影像、光罩影像、抗蝕劑影像及/或蝕刻影像。

在一實施例中，獲得模擬圖案包含：使用光罩圖案作為輸入來模擬圖案化製程模型。

在一實施例中，模擬圖案包含在成像於基板上時很可能失效之熱點。

在一實施例中，模擬圖案包含並不滿足微影可製造性檢查之圖案。

在一實施例中，模擬圖案或印刷圖案之特性為模擬圖案之特徵的臨界尺寸或模擬圖案之特徵的輪廓。

在一實施例中，檢測資料包含經由檢測設備獲得之成像基板的缺陷資料。

在一實施例中，檢測資料對印刷基板之影像，其中該影像為掃描電子束影像及/或光學度量衡影像。

在一實施例中，圖案化製程之參數為劑量及/或焦點。

在一實施例中，經由度量衡工具獲得圖案化製程之參數的測量值。

在一實施例中，該機器學習模型為廻旋神經網路。

在一實施例中，調整模型參數值包含調整以下值：廻旋神經網路之層的一或多個權重，廻旋神經網路之層的一或多個偏置，與廻旋神經網路相關之超參數，及/或廻旋神經網路之層數目。

在一實施例中，提供一種校正圖案化製程之模擬圖案之特性的方法。該方法涉及經由模擬圖案化製程模型判定模擬圖案及該模擬圖案之特性；經由經訓練機器學習模型判定模擬圖案之特性的特性調整值；及經由處理器基於特性調整值校正模擬圖案之特性。

在一實施例中，該方法進一步涉及：經由經訓練機器學習模型獲得複數個模擬圖案及對應於複數個模擬圖案之複數個調整特性值；經由處理器基於複數個調整特性值調整複數個模擬圖案中之每一者之特性；及經由處理器基於模擬圖案之經調整特性判定複數個模擬圖案之排序。

在一實施例中，該方法進一步涉及基於複數個模擬圖案之排序判定用於印刷基板之度量衡的取樣計劃。

在一實施例中，複數個模擬圖案包含對應於複數個熱點之圖案。

在一實施例中，取樣計劃係基於熱點之排序。

在一實施例中，該方法進一步涉及經由處理器導引檢測設備基於熱點之排序收集印刷基板上之測量資料；及經由處理器基於測量資料判定印刷基板上之缺陷。

此外，在一實施例中，提供一種訓練經組態以預測圖案化製程之一組模擬圖案之排序的機器學習模型之方法。該方法涉及獲得(i)對應於一組光罩圖案之該組模擬圖案、(ii)使用該組光罩圖案成像於基板上之一組印刷圖案的缺陷資料、及(iii)與使用該組光罩圖案成像之基板相關聯的取樣計劃；及經由處理器基於缺陷資料及取樣計劃訓練機器學習模型，使得機器學習模型經組態以基於缺陷資料預測與參考排序匹配之該組模擬圖案的排序。

在一實施例中，訓練步驟為反覆過程，反覆涉及經由機器學習模型使用取樣計劃及缺陷資料作為輸入預測該組模擬圖案之排序，基於缺陷資料判定預測排序與參考排序之間的差異；及調整機器學習模型之模型參數值以使得排序之間的差異減小。

在一實施例中，獲得該組模擬圖案涉及使用該組光罩圖案中之光罩圖案中的每一者模擬圖案化製程模型，及自模擬結果鑑別在成像於基板上時很可能失效之該組模擬圖案。

在一實施例中，該組模擬圖案對應於一組熱點。

在一實施例中，該組模擬圖案包含並不滿足微影可製造性檢查之模擬圖案。

在一實施例中，缺陷資料為與印刷基板上之一或多個圖案相關聯的缺陷計數。

在一實施例中，缺陷資料為與印刷基板上之一或多個圖案相關聯的臨界尺寸之值或值範圍。

在一實施例中，自印刷基板之影像提取缺陷資料，其中影像為掃描電子束影像及/或光學度量衡影像。

在一實施例中，取樣計劃涉及印刷基板上之進行測量的一組部位，其中該組部位係基於該組模擬圖案之初始排序；及/或基於該組模擬圖案之初始排序將在該組部位中之一或多個部位處進行的多個測量。

在一實施例中，該方法進一步涉及接收該組模擬圖案；經由經訓練機器學習模型預測該組模擬圖案之排序；及經由處理器基於該組模擬圖案之預測排序調整取樣計劃。

在一實施例中，調整取樣計劃涉及調整待測量之該組部位中之部位；及/或待在該組部位中之一或多個部位處進行之測量的數目。

在一實施例中，調整該組部位中之部位涉及忽略來自該組部位之對應於相對較低排序之模擬圖案的部位；及/或將對應於相對較高排序之模擬圖案的新部位添加至該組部位。

在一實施例中，調整該組部位中之部位包含增加及/或減少待在部位之子集中的部位處進行之測量的數目。

在一實施例中，該方法進一步涉及經由處理器導引檢測設備基於該組模擬圖案之預測排序收集印刷基板上之測量資料；及經由處理器基於該測量資料判定印刷基板上之缺陷。

此外，在一實施例中，提供一種判定圖案化製程之一組模擬圖案之排序的方法。該方法涉及經由第一機器學習模型調整一組模擬圖案內之至少一個模擬圖案之特性；經由處理器基於至少一個模擬圖案之經調整特性判定模擬圖案之子集；及經由第二機器學習模型判定模擬圖案之子集內之至少一個模擬圖案的排序。

在一實施例中，判定模擬圖案之子集涉及判定至少一個模擬圖案之經調整特性是否滿足微影可製造性檢查；及回應於不滿足微影可製造性檢查，包括模擬圖案之子集中之至少一個模擬圖案。

在一實施例中，該方法進一步涉及經由處理器導引檢測設備基於模擬圖案之子集內的至少一個模擬圖案之排序收集印刷基板上之測量資料；及經由處理器基於該測量資料判定印刷基板上之缺陷。

在一實施例中，至少一個模擬圖案或印刷圖案之特性為該組模擬圖案中之至少一個模擬圖案的特徵之臨界尺寸。

在一實施例中，提供一種電腦程式產品，其包含上面記錄有指令之非暫時性電腦可讀媒體，該等指令在由電腦系統執行時實施前述方法。

圖23為可輔助實施本文中所揭示之方法及流程之電腦系統100的方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構及與匯流排102耦接以用於處理資訊之處理器104 (或多個處理器104及105)。電腦系統100亦包括耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令的主記憶體106，諸如隨機存取記憶體(RAM)或其他動態儲存裝置。主記憶體106亦可用於在待由處理器104執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100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令的唯讀記憶體(ROM) 108或其他靜態儲存裝置。提供諸如磁碟或光碟之儲存裝置110，且該儲存裝置110耦接至匯流排102以用於儲存資訊及指令。

電腦系統100可經由匯流排102耦接至用於向電腦使用者顯示資訊之顯示器112，諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入裝置114耦接至匯流排102以用於將資訊及命令選擇傳達至處理器104。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104且用於控制顯示器112上之游標移動的游標控制件116，諸如，滑鼠、軌跡球或游標方向按鍵。此輸入裝置通常具有在兩個軸線(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，從而允許該裝置指定平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入裝置。

根據一個實施例，可由電腦系統100回應於處理器104執行主記憶體106中所含之一或多個指令的一或多個序列而執行本文中所描述之程序的部分。可將此類指令自另一電腦可讀媒體(諸如儲存裝置110)讀取至主記憶體106中。主記憶體106中所含之指令序列的執行促使處理器104執行本文中所描述之製程步驟。亦可使用呈多處理配置之一或多個處理器以執行主記憶體106中所含之指令序列。在一替代性實施例中，可代替或結合軟體指令而使用硬連線電路。因此，本文中之描述不限於硬體電路系統與軟體之任何特定組合。

如本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104以供執行之任何媒體。此媒體可呈許多形式，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110。揮發性媒體包括動態記憶體，諸如主記憶體106。傳輸媒體包括同軸纜線、銅線及光纖，其包括包含匯流排102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)資料通信期間所產生之聲波或光波。電腦可讀媒體之常見形式包括(例如)軟碟、軟性磁碟、硬碟、磁帶、任何其他磁媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案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、如下文所描述之載波，或可供電腦讀取之任何其他媒體。

可在將一或多個指令之一或多個序列攜載至處理器104以供執行時涉及各種形式之電腦可讀媒體。舉例而言，最初可將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來發送指令。在電腦系統100本端之數據機可接收電話線上之資料，且使用紅外線傳輸器將資料轉換為紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中所攜載之資料且將該資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自主記憶體106擷取並執行指令。由主記憶體106接收之指令可視情況在由處理器104實行之前或之後儲存於儲存裝置110上。

電腦系統100亦理想地包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦合，該網路鏈路120連接至區域網路122。舉例而言，通信介面118可為整合式服務數位網路(ISDN)卡或數據機以提供與對應類型之電話線的資料通信連接。作為另一實例，通信介面118可為區域網路(LAN)卡以提供至相容LAN之資料通信連接。亦可實施無線鏈路。在任何此實施中，通信介面118發送且接收攜載表示各種類型之資訊之數位資料流的電信號、電磁信號或光學信號。

網路鏈路120通常經由一或多個網路將資料通信提供至其他資料裝置。舉例而言，網路鏈路120可經由區域網路122提供與主機電腦124或與由網際網路服務提供者(ISP) 126操作之資料設備之連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」128)而提供資料通信服務。區域網路122及網際網路128皆使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號為輸送資訊的實例形式之載波，該等信號將數位資料攜載至電腦系統100且自該電腦系統攜載數位資料。

電腦系統100可經由網路、網路鏈路120及通信介面118發送訊息且接收包括程式碼之資料。在網際網路實例中，伺服器130可經由網際網路128、ISP 126、區域網路122及通信介面118傳輸用於應用程式之所請求程式碼。一個此類經下載應用程式可提供(例如)實施例之照明最佳化。所接收程式碼可在其被接收時由處理器104執行，及/或儲存於儲存裝置110或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統100可獲得呈載波形式之應用程式碼。

圖24示意性地描繪另一例示性微影投影設備1000，其包括： -源收集器模組SO，其用以提供輻射。 -照明系統(照明器) IL，其經組態以調節來自源收集器模組SO之輻射光束B (例如，EUV輻射)。 -支撐結構(例如，光罩台) MT，其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圖案化裝置之第一定位器PM； -基板台(例如，晶圓台) WT，其經建構以固持基板(例如，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；及 -投影系統(例如，反射性投影系統) PS，其經組態以將藉由圖案化裝置MA賦予給輻射光束B之圖案投影於基板W的目標部分C (例如，包含一或多個晶粒)上。

如此處所描繪，設備LA屬於反射類型(例如使用反射光罩)。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及矽之多層堆疊的多層反射器。在一個實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度層為四分之一波長。可藉由X射線微影來產生甚至更小的波長。由於大部分材料在EUV及x射線波長下具吸收性，因此圖案化裝置構形上的圖案化吸收材料之薄件(例如，在多層反射器的頂部上之TaN吸收器)定義特徵將在何處印刷(正性抗蝕劑)或不印刷(負性抗蝕劑)。

參考圖24，照明器IL自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但不一定限於藉由EUV範圍中之一或多個發射譜線將材料轉換成具有至少一個元素之電漿狀態，元素例如氙、鋰或錫。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，具有該譜線發射元素之材料小液滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖24中未展示)之EUV輻射系統之部分，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射，例如EUV輻射，該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分離實體。

在此類情況下，雷射不被視為形成微影設備之部件，且輻射光束係憑藉包含(例如)適合導向鏡面及/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。在其他情況下，例如，當輻射源為放電產生電漿EUV產生器(常常被稱為DPP輻射源)時，輻射源可為源收集器模組之整體部分。

照明器IL可包含用於調整輻射光束之角強度分佈之調整器。一般而言，可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如琢面化場鏡面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需均一性及強度分佈。

輻射光束B入射於固持在支撐結構(例如，光罩台) MT上之圖案化裝置(例如，光罩) MA上，且係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，該投影系統PS將該光束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置感測器PS2 (例如，干涉測量裝置、線性編碼器或電容式感測器)，可精確地移動基板台WT，(例如)以便使不同目標部分C定位於輻射光束B之路徑中。類似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化裝置(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，遮罩) MA及基板W。

可在以下模式中之至少一者中使用所描繪設備LA： 1.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，光罩台) 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，以使得可曝光不同目標部分C。 2.在掃描模式中，同步地掃描支撐結構(例如，光罩台) MT及基板台WT，同時將賦予至輻射束之圖案投影至目標部分C上(亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性而判定基板台WT相對於支撐結構(例如，光罩台) MT之速度及方向。 3.在另一模式中，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，光罩台) 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，通常採用脈衝式輻射源，且在基板平台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。

圖25更詳細地展示設備LA，其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置以使得可將真空環境維持於源收集器模組SO之圍封結構220中。可藉由放電產生電漿輻射源來形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如，Xe氣體、Li蒸汽或Sn蒸汽)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由引起至少部分地離子化電漿之放電而產生極熱電漿210。為了輻射之高效產生，可需要為例如10帕斯卡之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。

由熱電漿210發射之輻射係經由定位於源腔室211中之開口中或後方的視情況選用的氣體障壁或污染物截留器230 (在一些情況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染物截留器230亦可包括氣體障壁或氣體障壁與通道結構之組合。如此項技術中已知，本文中進一步指示之污染物截留器或污染物障壁230至少包括通道結構。

收集器腔室211可包括可為所謂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反射以沿著由點虛線「O」指示之光軸聚焦於虛擬源點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，該照明系統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處的輻射光束21之所要角分佈，以及在圖案化裝置MA處的輻射強度之所要均一性。在由支撐結構MT固持之圖案化裝置MA處反射輻射光束21後，隨即形成經圖案化光束26，且經圖案化光束26藉由投影系統PS經由反射元件28、30成像至由基板台WT固持之基板W上。

比所展示元件多的元件通常可存在於照明光學器件單元IL及投影系統PS中。取決於微影設備之類型，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25所展示之反射元件多1至6個的額外反射元件。

如圖25所說明之收集器光學器件CO被描繪為具有掠入射反射器253、254及255之巢狀收集器，僅作為收集器(或收集器鏡面)之一實例。掠入射反射體253、254及255圍繞光軸O軸向對稱地安置，且此類型之收集器光學件CO理想地與放電產生電漿輻射源組合使用。

替代地，源收集器模組SO可為如圖26中所展示之LPP輻射系統之部分。雷射LAS經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十eV的電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間所產生之高能輻射自電漿發射，由近正入射收集器光學器件CO收集，且聚焦至圍封結構220中的開口221上。

可使用以下條項來進一步描述實施例： 1. 一種訓練一圖案化製程之一機器學習模型之方法，該方法包含： 獲得一訓練資料集，其包含：(i)與待印刷於一基板上之一光罩圖案相關聯的一模擬圖案、(ii)使用該光罩圖案成像於該基板上之一印刷圖案的檢測資料、及(iii)在該光罩圖案在該基板上成像期間應用的該圖案化製程之一參數的測量值； 經由一處理器基於設定成預測該模擬圖案及該印刷圖案之一特性之一差異的該訓練資料而訓練該機器學習模型。 2. 如條項1之方法，其中該訓練步驟為一反覆過程，其包含： 接收包含一印刷圖案影像之該檢測資料及該圖案化製程之該參數的該等測量值； 經由基於該圖案化製程之該參數的該等測量值模擬一圖案化製程模型而獲得該模擬圖案； 經由該機器學習模型預測對應於該模擬圖案之一影像； 判定該預測圖案影像與該印刷圖案影像之間的差異；及 調整該機器學習模型之模型參數值以使得該預測圖案影像與該印刷圖案影像之間的差異減小。 3. 如條項2之方法，其中該機器學習模型之該等模型參數值的調整包含： 判定該預測圖案影像與該印刷圖案影像之間的差異隨一模型參數變化之一梯度映像； 基於該梯度映像鑑別該等模型參數值以使得該預測圖案影像與該印刷圖案影像減小；及 基於經鑑別值調整該等模型參數值。 4. 如條項1至3中任一項之方法，其中該模擬圖案為一空中影像、一光罩影像、一抗蝕劑影像及/或一蝕刻影像。 5. 如條項1-4中任一項之方法，其中獲得該模擬圖案包含：使用該光罩圖案作為一輸入來模擬該圖案化製程模型。 6. 如條項1-5中任一項之方法，其中該模擬圖案包含在成像於該基板上時很可能失效之一熱點。 7. 如條項1至6中任一項之方法，其中該模擬圖案包含並不滿足一微影可製造性檢查之一圖案。 8. 如條項1至7中任一項之方法，其中該模擬圖案或該印刷圖案之該特性為該模擬圖案之一特徵的一臨界尺寸或該模擬圖案之該特徵的一輪廓。 9. 如條項1-8中任一項之方法，其中該檢測資料包含經由一檢測設備獲得之該成像基板的缺陷資料。 10.   如條項1至9中任一項之方法，其中該檢測資料為該印刷基板之一影像，其中該影像為一掃描電子束影像及/或一光學度量衡影像。 11.    如條項1至10中任一項之方法，其中該圖案化製程之該參數為一劑量及/或一焦點。 12.   如條項1至11中任一項之方法，其中該圖案化製程之該參數的該等測量值係經由一度量衡工具獲得。 13.   如條項1至12中任一項之方法，其中該機器學習模型為一廻旋神經網路。 14.   如條項2至13中任一項之方法，其中調整該等模型參數值包含調整以下值： 該廻旋神經網路之一層的一或多個權重， 該廻旋神經網路之一層的一或多個偏置， 與該廻旋神經網路相關之超參數，及/或 該廻旋神經網路之層的一數目。 15.   一種校正一圖案化製程之一模擬圖案之一特性的方法，該方法包含： 經由模擬一圖案化製程模型判定該模擬圖案及該模擬圖案之該特性； 經由一經訓練機器學習模型判定該模擬圖案之該特性的一特性調整值；及 經由一處理器基於該特性調整值校正該模擬圖案之該特性。 16.   如條項15之方法，其中進一步包含： 經由該經訓練機器學習模型獲得複數個模擬圖案及對應於該複數個模擬圖案之複數個調整特性值； 經由該處理器基於該複數個調整特性值調整該複數個模擬圖案中之每一者之該特性；及 經由該處理器基於該等模擬圖案之經調整特性判定該複數個模擬圖案之一排序。 17.   如條項15至16中任一項之方法，其進一步包含： 基於該複數個模擬圖案之該排序判定用於一印刷基板之度量衡的一取樣計劃。 18.   如條項15至17中任一項之方法，其中該複數個模擬圖案包含對應於複數個熱點之圖案。 19.   如條項15至18中任一項之方法，其中該取樣計劃係基於該等熱點之排序。 20.   如條項15至19中任一項之方法，其進一步包含： 經由該處理器導引一檢測設備基於該等熱點之排序收集該印刷基板上之測量資料；及 經由該處理器基於該測量資料判定該印刷基板上之缺陷。 21.   一種訓練一機器學習模型之方法，該機器學習模型經組態以預測一圖案化製程之一組模擬圖案之排序，該方法包含： 獲得(i)對應於一組光罩圖案之該組模擬圖案、(ii)使用該組光罩圖案成像於一基板上之一組印刷圖案的缺陷資料、及(iii)與使用該組光罩圖案成像之該基板相關聯的一取樣計劃；及 經由一處理器基於該缺陷資料及該取樣計劃訓練該機器學習模型，使得該機器學習模型經組態以基於該缺陷資料預測與一參考排序匹配之該組模擬圖案的一排序。 22.   如條項21之方法，其中該訓練步驟為一反覆過程，一反覆包含： 經由該機器學習模型使用該取樣計劃及該缺陷資料作為輸入預測該組模擬圖案之該排序； 基於該缺陷資料判定該預測排序與該參考排序之間的一差異；及 調整該機器學習模型之模型參數值以使得該等排序之間的該差異減小。 23.   如條項21至22之方法，其中獲得該組模擬圖案包含： 使用該組光罩圖案中之一光罩圖案中的每一者來模擬一圖案化製程模型，及 自模擬結果鑑別在成像於該基板上時很可能失效之該組模擬圖案。 24.   如條項21至23中任一項之方法，其中該組模擬圖案對應於一組熱點。 25.   如條項21至24中任一項之方法，其中該組模擬圖案包含並不滿足一微影可製造性檢查之一模擬圖案。 26.   如條項21至25中任一項之方法，其中該缺陷資料為與該印刷基板上之一或多個圖案相關聯的一缺陷計數。 27.   如條項21至26中任一項之方法，其中該缺陷資料為與該印刷基板上之該一或多個圖案相關聯的一臨界尺寸之一值或一值範圍。 28.   如條項21至27中任一項之方法，其中該缺陷資料係自該印刷基板之影像提取，其中該影像為一掃描電子束影像及/或一光學度量衡影像。 29.   如條項21至28中任一項之方法，其中該取樣計劃包含： 該印刷基板上之進行測量的一組部位，其中該組部位係基於該組模擬圖案之一初始排序；及/或 基於該組模擬圖案之該初始排序將在該組部位中之一或多個部位處進行的多個測量。 30.   如條項29之方法，其進一步包含： 接收該組模擬圖案； 經由該經訓練機器學習模型預測該組模擬圖案之該排序；及 經由該處理器基於該組模擬圖案之預測排序調整該取樣計劃。 31.   如條項30之方法，其中調整該取樣計劃包含： 調整待測量之該組部位中之一部位；及/或 將在該組部位中之一或多個部位處進行之該等測量的數目。 32.   如條項31之方法，其中調整該組部位中之該部位包含： 忽略來自該組部位之對應於一相對較低排序之模擬圖案的一部位；及/或 將對應於一相對較高排序之模擬圖案的一新部位添加至該組部位。 33.   如條項31之方法，其中調整該組部位中之該部位包含增加及/或減少將在方位之子集中之方位處進行之測量的數目。 34.   如條項21至33中任一項之方法，其進一步包含： 經由該處理器導引一檢測設備基於該組模擬圖案之預測排序收集該印刷基板上之測量資料；及 經由該處理器基於該測量資料判定該印刷基板上之缺陷。 35.   一種判定一圖案化製程之一組模擬圖案之排序的方法，該方法包含： 經由一第一機器學習模型調整一組模擬圖案內之至少一個模擬圖案之一特性； 經由一處理器基於該至少一個模擬圖案之經調整特性判定該等模擬圖案之一子集；及 經由一第二機器學習模型判定該等模擬圖案之子集內之該至少一個模擬圖案的一排序。 36.   如條項35之方法，其中判定該等模擬圖案之該子集包含： 判定該至少一個模擬圖案之經調整特性是否滿足一微影可製造性檢查；及 回應於不滿足該微影可製造性檢查，包括模擬圖案之該子集中的該至少一個模擬圖案。 37.   如條項35至36中任一項之方法，其進一步包含： 經由該處理器導引一檢測設備基於模擬圖案之該子集內之該至少一個模擬圖案的該排序收集一印刷基板上之測量資料；及 經由一處理器基於該測量資料判定該印刷基板上之缺陷。 38.   如條項35至37中任一項之方法，其中該至少一個模擬圖案或該印刷圖案之該特性為該組模擬圖案中之該至少一個模擬圖案的一特徵之一臨界尺寸。 39.   一種電腦程式產品，其包含上面記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦系統執行時實施如條項1至38中任一項之方法。

本文中所揭示之概念可模擬或數學上模型化用於成像子波長特徵之任何通用成像系統，且可尤其有用於能夠產生具有愈來愈小之大小之波長的新興成像技術。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193 nm波長且甚至能夠藉由使用氟雷射來產生157 nm波長之極紫外線(EUV)微影。此外，EUV微影能夠藉由使用同步加速器或藉由用高能電子撞擊材料(固體或電漿中任一者)來產生在20 nm至5 nm之範圍內的波長，以便產生在此範圍內之光子。

雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如用於在不同於矽晶圓的基板上之成像的微影成像系統。

儘管可在本文中特定地參考在IC之製造中的實施例之使用，但應理解，本文實施例可具有許多其他可能應用。舉例而言，其可用於製造整合式光學系統、用於磁域記憶體之導引及偵測圖案、液晶顯示器(liquid-crystal display，LCD)、薄膜磁頭、微機械系統(micromechanical system，MEM)等。熟習此項技術者將瞭解，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」之任何使用可被視為分別與更一般術語「圖案化裝置」、「基板」或「目標部分」同義或可與其互換。可在曝光之前或之後在(例如)塗佈顯影系統(通常將抗蝕劑層施加至基板且顯影經曝光抗蝕劑之工具)或度量衡或檢測工具中處理本文中所提及之基板。在適用的情況下，可將本文中之揭示內容應用於此等及其他基板處理工具。此外，可將基板處理多於一次，例如以便產生例如多層IC，使得本文中所使用之術語基板亦可指已經含有多個經處理層之基板。

在本發明文件中，如本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外輻射(例如具有約365、約248、約193、約157或約126 nm之波長)及極紫外線(EUV)輻射(例如具有介於5至20 nm範圍內的波長)以及粒子束，諸如離子束或電子束。

如本文所使用之術語「最佳化(optimizing/optimization)」指代或意謂調整圖案化設備(例如，微影設備)、圖案化製程等等，使得結果及/或製程具有更合乎需要之特性，諸如基板上之設計圖案之更高投影準確度、更大製程窗等等。因此，如本文所使用之術語「最佳化」係指或意謂鑑別用於一或多個參數之一或多個值的程序，該一或多個值相比於用於彼等一或多個參數之一或多個值之初始集合提供在至少一個相關度量值方面的改良，例如局部最佳。因此，「最佳」及其他相關術語應予以解釋。在一實施例中，可反覆地應用最佳化步驟，以提供一或多個度量值之進一步改良。

本發明之態樣可以任何方便形式予以實施。舉例而言，可藉由一或多個適當電腦程式來實施實施例，該一或多個適當電腦程式可在可係有形載體媒體(例如，磁碟)或無形載體媒體(例如，通信信號)之適當載體媒體上進行。可使用合適設備來實施本發明之實施例，該合適設備可特定地採取可程式化電腦之形式，該可程式化電腦執行經配置以實施如本文中所描述之方法之電腦程式。因此，可以硬體、韌體、軟體或其任何組合實施本發明之實施例。本發明之實施例亦可被實施為儲存於機器可讀媒體上之指令，該等指令可由一或多個處理器讀取及執行。機器可讀媒體可包括用於儲存或傳輸呈可由機器(例如，運算裝置)讀取之形式之資訊的任何機構。舉例而言，機器可讀媒體可包括：唯讀記憶體(ROM)；隨機存取記憶體(RAM)；磁碟儲存媒體；光學儲存媒體；快閃記憶體裝置；電學、光學、聲學或其他形式之傳播信號(例如，載波、紅外線信號、數位信號等等)及其他者。另外，韌體、軟體、常式、指令可在本文中被描述為執行特定動作。然而，應瞭解，此類描述僅僅出於方便起見，且此類動作事實上係由運算裝置、處理器、控制器或執行韌體、軟體、常式、指令等之其他裝置引起。

在方塊圖中，所說明之組件被描繪為離散功能區塊，但實施例不限於本文中所描述之功能性如所說明一般來組織的系統。由組件中之每一者所提供之功能性可由軟體或硬體模組提供，該等模組以與目前所描繪之方式不同的方式來組織，例如可摻和、結合、複寫、解散、分配(例如在資料中心內或按地區)，或另外以不同方式組織該等模組。本文中所描述之功能性可由執行儲存於有形的、非暫時性機器可讀媒體上之程式碼之一或多個電腦的一或多個處理器提供。在一些情況下，第三方內容遞送網路可主控經由網路傳達之資訊中的一些或全部，在此狀況下，在據稱供應或以另外方式提供資訊(例如，內容)之情況下，可藉由發送指令以自內容遞送網路擷取彼資訊來提供該資訊。

除非另外特定陳述，否則如自論述顯而易見，應瞭解，貫穿本說明書，利用諸如「處理」、「運算」、「計算」、「判定」或其類似者之術語的論述係指諸如專用電腦或相似專用電子處理/運算裝置之特定設備的動作或製程。

讀者應瞭解，本申請案描述若干發明。此等發明已經分組成單一文件，而非將彼等發明分離成多個單獨的專利申請案，此係因為該等發明之相關主題在應用程序中有助於經濟發展。但不應合併此等發明之相異優點及態樣。在一些情況下，實施例解決本文中所提及之所有不足，但應理解，該等發明係獨立地有用，且一些實施例僅解決此等問題之子集或提供其他未經提及之益處，該等益處對於檢閱本發明之熟習此項技術者將顯而易見。歸因於成本約束，目前可不主張本文中所揭示之一些發明，且可在稍後申請案(諸如接續申請案或藉由修正本技術方案)中主張該等發明。相似地，歸因於空間限制，本發明文件之發明摘要及發明內容章節皆不應被視為含有所有此等發明之全面清單或此等發明之所有態樣。

應理解，描述及圖式不意欲將本發明限制於所揭示之特定形式，但相反，意欲涵蓋屬於如由所附申請專利範圍所界定的本發明之精神及範疇內之所有修改、等效者及替代例。

鑒於此描述，本發明之各個態樣的修改及替代實施例對於熟習此項技術者而言將顯而易見。因此，本說明書及圖式應被理解為僅為說明性的且係出於教示熟習此項技術者執行本發明之一般方式之目的。應理解，本文中所展示且描述之本發明之形式應視為實施例的實例。元件及材料可替代本文中所說明及描述之元件及材料，部分及製程可被反轉或被省略，可獨立利用某些特徵，且可組合實施例或實施例之特徵，此皆如對熟習此項技術者在獲得本說明書之益處之後將顯而易見的。可在不脫離如在以下申請專利範圍中所描述之本發明之精神及範疇的情況下對本文中所描述之元件作出改變。本文中所使用之標題僅出於組織性目的，且不意欲用以限制本說明書之範疇。

如貫穿本申請案所使用，詞「可」係在許可之意義(亦即，意謂有可能)而非強制性之意義(亦即，意謂必須)下予以使用。詞「包括(include/including/includes)」及其類似者意謂包括但不限於。如貫穿本申請案所使用，除非內容另有明確地指示，否則單數形式「a/an/the」包括複數個參照物。因此，舉例而言，對「元件(an element/a element)」之參考包括兩個或多於兩個元件之組合，儘管會針對一或多個元件使用其他術語及短語，諸如「一或多個」。除非另有指示，否則術語「或」係非獨占式的，亦即，涵蓋「及」與「或」兩者。描述條件關係之術語，例如「回應於X，而Y」、「在X後，即Y」、「若X，則Y」、「當X時，Y」及其類似者涵蓋因果關係，其中前提為必要的因果條件，前提為充分的因果條件，或前提為結果的貢獻因果條件，例如「在條件Y獲得後，即出現狀態X」對於「僅在Y後，才出現X」及「在Y及Z後，即出現X」為通用的。此等條件關係不限於即刻遵循前提而獲得之結果，此係由於可延遲一些結果，且在條件陳述中，前提連接至其結果，例如，前提係與出現結果之可能性相關。除非另有指示，否則複數個特質或功能經映射至複數個物件(例如，執行步驟A、B、C及D之一或多個處理器)之陳述涵蓋所有此等特質或功能經映射至所有此等物件及特質或功能之子集經映射至特質或功能之子集兩者(例如，所有處理器各自執行步驟A至D，及其中處理器1執行步驟A，處理器2執行步驟B及步驟C之一部分，且處理器3執行步驟C之一部分及步驟D之狀況)。另外，除非另有指示，否則一個值或動作係「基於」另一條件或值之陳述涵蓋條件或值為單獨因子之情況及條件或值為複數個因子當中之一個因子之情況兩者。除非另外指示，否則某一集合之「每一」例項具有某一性質之陳述不應理解為排除較大集合中之一些以其他方式相同或類似的成員並不具有該性質之狀況，亦即每一不一定意指每一個。對自一範圍之選擇之參考包括該範圍之端點。

在以上描述中，流程圖中之任何程序、描述或區塊應理解為表示程式碼之模組、片段或部分，其包括用於實施該程序中之特定邏輯功能或步驟之一或多個可執行指令，且替代實施包括於本發明之例示性實施例之範圍內，其中功能可取決於所涉及之功能性而不按照所展示或論述之次序執行，包括實質上同時或以相反次序執行，如熟習此項技術者將理解。

在某些美國專利、美國專利申請案或其他材料(例如論文)已經以引用方式併入之情況下，此等美國專利、美國專利申請案及其他材料之文字僅在此材料與本文中所闡述之陳述及圖式之間不存在衝突之情況下以引用之方式併入。在存在此類衝突之情況下，在此類以引用方式併入的美國專利、美國專利申請案及其他材料中之任何此類衝突文字並不特定地以引用方式併入本文中。

雖然已描述某些實施例，但此等實施例僅作為實例來呈現，且並不意欲限制本發明之範疇。實際上，本文中所描述之新穎方法、設備及系統可以多種其他形式體現；此外，在不背離本發明精神之情況下，可對本文中所描述之方法、設備及系統的形式進行各種省略、替代及改變。隨附申請專利範圍及其等效者意欲涵蓋將屬於本發明之範疇及精神內的此類形式或修改。

2:輻射源 4:光譜儀偵測器 10:光譜 12:透鏡系統 13:干涉濾光器 14:參考鏡面 15:透鏡系統 16:部分反射表面 17:偏振器 18:偵測器 21:輻射光束 22:琢面化場鏡面裝置 24:琢面化光瞳鏡面裝置 26:經圖案化光束 28:反射元件 30:基板目標/反射元件 30':目標圖案 81:帶電粒子束產生器 82:聚光器透鏡模組 83:探針形成物鏡模組 84:帶電粒子束偏轉模組 85:二次帶電粒子偵測器模組 86:影像形成模組 87:監測模組 88: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 100:基板/電腦系統 101:基板台 102:匯流排 104:處理器 105:處理器 106:主記憶體 108:經測量輻射分佈/唯讀記憶體 110:儲存裝置 112:顯示器 114:輸入裝置 116:游標控制件 118:通信介面 120:網路鏈路 122:區域網路 124:主機電腦 126:網際網路服務提供者 128:網際網路 130:伺服器 200:電子束檢測設備 201:電子源 202:初級電子束 203:聚光器透鏡 204:光束偏轉器 205:E × B偏轉器 206:參數化模型 207:二次電子偵測器 208:輻射分佈 210:數值馬克士威求解程序/極熱電漿 211:收集器腔室 212:收集器腔室 220:圍封結構 221:開口 230:污染物截留器 240:光柵光譜濾光器 251:上游輻射收集器側 252:下游輻射收集器側 253:掠入射反射器 254:掠入射反射器 255:掠入射反射器 300:影像處理系統 301:儲存媒體 302:顯示裝置 303:記憶體 304:處理單元 405:熱點 410:經測量缺陷 420:熱點 510:模擬CD 520:測量CD 530:經校正特性 600:方法 601:模擬圖案 603:檢測資料 604:機器學習模型 605:參數 640:經訓練機器學習模型 700:方法 702:模擬圖案 704:特性調整值 712:排序 713:印刷基板 714:取樣計劃 801:光罩影像 803:空中影像 805:抗蝕劑影像 1000:微影投影設備 1003:排序 1004:排序 1010:捕捉率曲線 1020:捕捉率曲線 1042:預測排序 1050:柏桑標繪圖 1051:機率分佈 1052:第一關係 1053:第二關係 1055:焦點範圍 1060:缺陷臨限值 1100:方法 1101:模擬圖案 1103:缺陷資料 1105:取樣計劃 1110:機器學習模型 1140:機器學習模型 1142:排序 1200:源模型/方法 1204:模擬圖案 1206:排序 1210:投影光學器件模型 1220:圖案化裝置/設計佈局模型模組 1230:空中影像 1240:抗蝕劑模型 1250:抗蝕劑影像 1260:圖案轉印後製程模型模組 1304:排序 1310:捕捉率曲線 2402:基腳 2404:基腳 2412:頸縮 2414:頂部層 AM:調整器 AS:對準感測器 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 CO:聚光器 DE:顯影器 h:高度 IF:位置感測器 IL:照明器 IN:積光器 I/O1:輸入/輸出埠 I/O2:輸入/輸出埠 LA:微影設備 LACU:微影控制單元 LB:裝載匣 LC:微影製造單元 LS:位階感測器 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 MET:度量衡系統 MT:光罩台 P1:基板對準標記 P2:基板對準標記 P311:製程 P312:製程 P313:製程 P602:製程 P604:製程 P702:製程 P704:製程 P706:製程 P708:製程 P710:製程 P712:製程 P714:製程 P716:製程 P718:製程 P1102:製程 P1104:製程 P1106:製程 P1108:製程 P1202:製程 P1204:製程 P1206:製程 P1208:製程 PM:第一定位器 PS:投影系統 PU:處理器 PW:第二定位器 RF:參考框架 RO:機器人 S:光點 SC:旋塗器 SCS:監督控制系統 SO:輻射源 t:厚度 TCU:塗佈顯影系統控制單元 w:寬度 W:基板 WT:基板台 WTa:基板台 WTb:基板台 α:側壁角

圖1示意性地描繪根據一實施例之微影設備；

圖2示意性地描繪根據一實施例之微影單元或叢集之一實施例；

圖3展示根據一實施例之用於判定微影製程中的缺陷之存在之方法的流程圖；

圖4A說明根據一實施例之假定理想或完美圖案化製程模型之熱點的實例排序；

圖4B說明根據一實施例之基於由現有圖案化製程模型產生之模擬圖案的熱點之實例排序；

圖5說明根據一實施例之與FEM條件的經測量CD相比隨焦點變化之模擬圖案之模擬CD的值。

圖6為根據一實施例之訓練圖案化製程的機器學習模型之方法的流程圖；

圖7為根據一實施例之用於基於根據圖6之經訓練機器學習模型校正圖案化製程的模擬圖案之特性之方法的流程圖；

圖8A、圖8B及圖8C說明根據一實施例之在圖案化製程模型之模擬期間產生的實例模擬圖案；

圖9說明根據一實施例之用作圖6之機器學習模型的實例廻旋神經網路(CNN)；

圖10A說明根據一實施例之基於由現有圖案化製程模型產生之模擬圖案的熱點之實例排序；

圖10B說明根據一實施例之基於使用圖6之經訓練機器學習模型的經校正模擬圖案的熱點之實例排序；

圖11為根據一實施例之用於訓練經組態以預測圖案化製程的一組模擬圖案之排序的另一機器學習模型之方法之流程圖；

圖12為根據一實施例之用於基於圖6的第一經訓練機器學習模型及圖11的第二經訓練機器學習模型判定圖案化製程之一組模擬圖案之排序的方法之流程圖；

圖13說明根據一實施例之基於圖11之機器學習模型而獲得的實例排序及相關聯缺陷計數；

圖14A及圖14B展示根據一實施例之用於判定熱點之排序的排序演算法之實例；

圖15示意性地描繪根據一實施例之實例檢測設備及度量衡技術；

圖16示意性地描繪根據一實施例之實例檢測設備；

圖17說明根據一實施例之檢測設備的照明光點與度量衡目標之間的關係；

圖18示意性地描繪根據一實施例之基於測量資料導出複數個所關注變數之程序；

圖19示意性地描繪根據一實施例之掃描電子顯微鏡(SEM)之實施例；

圖20示意性地描繪根據一實施例的電子束檢測設備之實施例；

圖21說明根據一實施例之印刷基板上的實例缺陷；

圖22描繪根據一實施例的用於對圖案化製程之至少部分進行模型化及/或模擬的實例流程圖；

圖23為根據一實施例之實例電腦系統的方塊圖；

圖24為根據一實施例之極紫外線(EUV)微影投影設備的示意圖；

圖25為根據一實施例之圖24中之設備的更詳細視圖；且

圖26為根據一實施例之圖24及圖25之設備之源收集器模組的更詳細視圖。

600:方法

601:模擬圖案

603:檢測資料

604:機器學習模型

640:經訓練機器學習模型

P602:製程

P604:製程

Claims (16)

1. 一種校正一圖案化製程之一模擬圖案(simulated pattern)之一特性的方法，該方法包含： 經由模擬一圖案化製程模型判定該模擬圖案及該模擬圖案之該特性； 經由一經訓練機器學習模型(trained machine learning model)判定該模擬圖案之該特性的一特性調整值(characteristic adjustment value)；及 經由一處理器基於該特性調整值校正該模擬圖案之該特性。
2. 如請求項1之方法，其中進一步包含： 經由該經訓練機器學習模型獲得複數個模擬圖案及對應於該複數個模擬圖案之複數個調整特性值； 經由該處理器基於該複數個調整特性值調整該複數個模擬圖案中之每一者之該特性；及 經由該處理器基於該等模擬圖案之經調整特性判定該複數個模擬圖案之一排序(ranking)。
3. 如請求項1或2之方法，其進一步包含： 基於該複數個模擬圖案之該排序判定用於一印刷基板之度量衡的一取樣計劃(sampling plan)。
4. 如請求項1或2之方法，其中該複數個模擬圖案包含對應於複數個熱點之圖案。
5. 如請求項1或2之方法，其中該取樣計劃係基於該等熱點之排序。
6. 如請求項1或2之方法，其進一步包含： 經由該處理器導引一檢測設備基於該等熱點之排序收集該印刷基板上之測量資料；及 經由該處理器基於該測量資料判定該印刷基板上之缺陷。
7. 一種訓練一機器學習模型之方法，該機器學習模型經組態以預測一圖案化製程之一組模擬圖案之排序，該方法包含： 獲得(i)對應於一組光罩圖案之該組模擬圖案、(ii)使用該組光罩圖案成像於一基板上之一組印刷圖案的缺陷資料、及(iii)與使用該組光罩圖案成像之該基板相關聯的一取樣計劃；及 經由一處理器基於該缺陷資料及該取樣計劃訓練該機器學習模型，使得該機器學習模型經組態以基於該缺陷資料預測與一參考排序匹配之該組模擬圖案的一排序。
8. 如請求項7之方法，其中該訓練步驟為一反覆過程(iterative process)，一反覆包含： 經由該機器學習模型使用該取樣計劃及該缺陷資料作為輸入預測該組模擬圖案之該排序； 基於該缺陷資料判定該預測排序與該參考排序之間的一差異；及 調整該機器學習模型之模型參數值以使得該等排序之間的該差異減小。
9. 如請求項7或8之方法，其中獲得該組模擬圖案包含： 使用該組光罩圖案中之一光罩圖案中的每一者來模擬一圖案化製程模型，及 自模擬結果鑑別在成像於該基板上時很可能失效(fail)之該組模擬圖案。
10. 如請求項7或8之方法，其中該組模擬圖案對應於一組熱點。
11. 如請求項7或8之方法，其中該組模擬圖案包含並不滿足一微影可製造性檢查(lithography manufacturability check)之一模擬圖案。
12. 如請求項7或8之方法，其中該缺陷資料為與該印刷基板上之一或多個圖案相關聯的一缺陷計數，或與該印刷基板上之該一或多個圖案相關聯的一臨界尺寸之一值或一值範圍，及其中該缺陷資料係自該印刷基板之影像提取，其中該影像為一掃描電子束影像及/或一光學度量衡影像。
13. 如請求項7或8之方法，其進一步包含： 接收該組模擬圖案； 經由該經訓練機器學習模型預測該組模擬圖案之該排序；及 經由該處理器基於該組模擬圖案之預測排序調整該取樣計劃。
14. 如請求項13之方法，其中調整該取樣計劃包含： 調整待測量之該組部位中之一部位；及/或 將在該組部位中之一或多個部位處進行之該等測量的數目。
15. 如請求項7或8之方法，其進一步包含： 經由該處理器導引一檢測設備基於該組模擬圖案之預測排序收集該印刷基板上之測量資料；及 經由該處理器基於該測量資料判定該印刷基板上之缺陷。
16. 一種電腦程式產品，其包含上面記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦系統執行時實施如請求項1至15中任一項之方法。