TWI813192B - 依據微影設備或製程特徵所特徵化之表示選擇圖案 - Google Patents

依據微影設備或製程特徵所特徵化之表示選擇圖案 Download PDF

Info

Publication number
TWI813192B
TWI813192B TW111108136A TW111108136A TWI813192B TW I813192 B TWI813192 B TW I813192B TW 111108136 A TW111108136 A TW 111108136A TW 111108136 A TW111108136 A TW 111108136A TW I813192 B TWI813192 B TW I813192B
Authority
TW
Taiwan
Prior art keywords
pattern
patterns
group
domain
information
Prior art date
Application number
TW111108136A
Other languages
English (en)
Other versions
TW202240316A (zh
Inventor
艾曼 哈木達
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 TW202240316A publication Critical patent/TW202240316A/zh
Application granted granted Critical
Publication of TWI813192B publication Critical patent/TWI813192B/zh

Links

Classifications

    • 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
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/09—Supervised learning

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Feedback Control In General (AREA)
  • Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
  • Electron Beam Exposure (AREA)
  • Image Processing (AREA)
  • Holo Graphy (AREA)

Abstract

本文中描述用於選擇用於訓練或校準與半導體製造相關之模型之圖案的方法及設備。該方法包括：獲得一第一圖案集合；在一表示域中表示該第一圖案集合中之每一圖案，該表示域對應於電磁函數；及依據該表示域自該第一圖案集合選擇一第二圖案集合。

Description

依據微影設備或製程特徵所特徵化之表示選擇圖案
本文中之描述大體上係關於改良微影及相關製程。更特定言之，用於選擇用於訓練微影或相關製程中所使用之模型的資訊性圖案之設備、方法及電腦程式產品。
微影投影設備可用於例如積體電路(IC)之製造中。在此情況下，圖案化裝置(例如遮罩)可含有或提供對應於IC之個別層的圖案(「設計佈局」)，且可藉由諸如經由圖案化裝置上之圖案而輻照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)的方法將此圖案轉印至該目標部分上。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，整個圖案化裝置上之圖案在一次操作中經轉印至一個目標部分上；此設備通常稱作步進器。在通常稱作步進掃描設備(step-and-scan apparatus)之替代設備中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化裝置進行掃描，同時平行或反平行於此參考方向而同步地移動基板。將圖案化裝置上之圖案之不同部分漸進地轉印至一個目標部分。因為一般而言，微影投影設備將具有縮減比率M (例如，4)，所以基板之移動速度F將為1/M時間，此時投影光束掃描圖案化裝置。關於微影裝置的更多資訊可見於例如以引用之方式併入本文中之US 6,046,792中。
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，基板可經歷其他工序(「後曝光工序」)，諸如後曝光烘烤(PEB)、顯影、硬烘烤及對經轉印圖案之量測/檢測。此工序陣列用作製造一裝置(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，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。接著藉由諸如切割或鋸切之技術來使此等裝置彼此分離，由此，可將個別裝置安裝於載體上、連接至接腳，等等。
因此，製造裝置(諸如半導體裝置)通常涉及使用多個製造製程處理基板(例如半導體晶圓)以形成裝置之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、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認為係圖案化製程。圖案化製程涉及使用微影設備中之圖案化裝置進行圖案化步驟(諸如光學及/或奈米壓印微影)以將圖案化裝置上之圖案轉印至基板，且圖案化製程通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影設備進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻設備而使用圖案進行蝕刻等等。
在一實施例中，提供一種用於產生用於運算微影機器學習模型之訓練資料集的方法。為獲得能夠準確預測廣泛範圍之未來圖案例項或模型一般性的模型，訓練程序中之充足圖案覆蓋度為關鍵的。依據表示代表性域中之圖案集合來選擇訓練資料。舉例而言，圖案集合可為目標佈局內之圖案。目標佈局可具有數百萬個圖案，因而，需要選擇小數目個且共同地大多數資訊性圖案以用於訓練目的。在一實施例中，執行圖案子集之選擇係依據表示域中之資料點且進一步依據特徵化圖案子集中之資訊之量的資訊度量。此選擇製程可使得能夠選擇資訊性圖案而無需額外圖案化相關製程模型或機器學習模型，例如依據自動編碼器之圖案分類及選擇製程。因此，選擇可直接應用至目標佈局，該目標佈局亦可節省大量運算資源及時間。
根據本發明之一態樣，圖案選擇係依據最大化所選圖案整體上之系統熵。總熵取決於選定圖案互資訊，例如表示域中之圖案之間的距離。在一實施例中，每一圖案表示為表示域中的像素嵌入資訊之雲。在一實施例中，每一圖案投影至希伯特(Hilbert)空間上以用於線性圖案表示，例如基底函數係厄米特高斯(Hermite Gaussian)、任尼克(Zernike)、貝塞爾(Bessel)。本文中之方法具有若干優點。舉例而言，本文中之方法不需要訓練為諸如自動編碼器之機器學習模型。極好地處置像素移位。根據RMS及LMC獲得良好效能結果。
根據本發明之一態樣，提供一種用於依據用於訓練與半導體製造相關之機器學習模型之圖案之間的互資訊選擇圖案的方法。方法包括：獲得圖案集合，該圖案集合包括第一圖案及第二圖案，圖案集合中之每一圖案包含一或多個特徵；將圖案集合中之每一圖案表示為表示域中之資料點群組，第一圖案表示為表示域中之第一資料點群組，且第二圖案表示為表示域中之第二資料點群組，第一群組之每一資料點指示與第一圖案之一部分內的特徵相關聯之資訊，且第二群組之每一資料點指示與第二圖案之一部分內的特徵相關聯之資訊；判定對應於圖案集合之距離度量之距離值集合，距離值集合包含在第一資料點群組與另一資料點群組之間判定的第一距離值及在第二資料點群組與另一資料點群組之間判定的第二距離值，距離度量指示圖案集合中之給定圖案與另一圖案之間的互資訊之量；及依據突破距離臨限值之距離度量之值自圖案集合選擇圖案子集。
在一實施例中，表示域為線性表示域或希伯特空間域。
根據另一態樣，提供一種用於選擇用於訓練機器學習模型之代表性圖案的方法。方法包括：獲得圖案集合；將圖案集合中之每一圖案表示為表示域中之資料點群組；及依據資料點群組自圖案集合選擇圖案子集作為用於圖案集合中之給定圖案與另一圖案之間的互資訊之指導。在一實施例中，表示域為線性表示域或希伯特空間域。
在一實施例中，度量指示複數個圖案中之每一者之非均一性。因此，例如，度量可導引來自目標佈局之數以億計的圖案之最大資訊性圖案的選擇。
在一實施例中，可將所選圖案子集提供為用於訓練與圖案化製程相關聯之模型(例如，OPC)的訓練資料。
雖然前述段落描述藉由將圖案投影至希伯特空間上來提供圖案之線性表示，但本發明之實施例描述使用表示微影設備或製程之特徵(例如微影設備之照明源之特徵)的基底函數以用於將圖案投影至表示域中。舉例而言，圖案資訊品質顯著取決於光學系統繞射(例如，對圖案之照明源回應)。在一些實施例中，可使用透射交叉係數(TCC)來描述光學系統之此等特徵，該透射交叉係數可使用霍浦金(Hopkins')成像模型來判定。TCC可接著分解成表示個別相干系統之電磁場(EMF)轉印函數的相干系統之離散集合(例如，相干系統(SOCS) TCC之總和)。可使用作為基底函數之TCC函數將圖案投影至希伯特空間上。舉例而言，圖案之每一像素可經投影至一組(N個) TCC上以產生N維向量。向量提供關於圖案像素如何表示於光學系統中之資訊。舉例而言，向量表示依據像素近接(例如，像素近接如何影響像素之EMF激發)之像素之EMF激發。圖案可表示為像素集合，且因此，圖案中之每一像素可表示為向量，藉此產生表示圖案之向量組或向量雲。可針對圖案類似性分析與不同圖案相關聯的向量之雲，且可選擇具有滿足準則之度量的圖案集合(例如滿足如上文所描述之距離臨限值的距離度量、滿足指定準則之資訊熵等中之一或多者)作為代表性圖案(例如用於校準或訓練模型以用於判定微影設備或製程之特徵或用於其他目的)。在一些實施例中，除表示表示域中之圖案的光學系統特徵之外或替代光學系統特徵，上述實施例亦可經修改以包括抗蝕劑特徵(例如對圖案之光阻回應)。
圖案至表示域上之此投影(例如，使用TCC)可易於運算(例如，一旦照明源之組態為已知的)，相較於習知表示更準確，且因此提供改良之圖案類似性分析以用於代表性圖案之較佳選擇。此投影有利地不需要如在自動編碼技術中之任何訓練，且因此可達成較快圖案選擇。
根據一實施例，提供一種包含一非暫時性電腦可讀媒體的電腦系統，該非暫時性電腦可讀媒體上面記錄有指令。該等指令在由一電腦執行時實施上文所描述之方法步驟。
儘管在本文中可特定地參考IC之製造，但應明確地理解，本文中之描述具有許多其他可能應用。舉例而言，該等實施例可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者將瞭解，在此類替代應用之內容背景中，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被視為可分別與更一般術語「遮罩」、「基板」及「目標部分」互換。
在本文件中，術語「輻射」及「光束」可用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如具有365、248、193、157或126 nm之波長)及EUV (極紫外線輻射，例如具有在約5至100 nm之範圍內的波長)。
圖案化裝置可包含或可形成一或多個設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局，此程序常常稱作電子設計自動化(EDA)。大多數CAD程式遵循預定設計規則集合，以便產生功能設計佈局/圖案化裝置。藉由處理及設計限制來設定此等規則。舉例而言，設計規則定義裝置(諸如閘、電容器等)或互連線之間的空間容許度，以便確保該等裝置或線彼此不會以不理想方式相互作用。設計規則限制中之一或多者可稱為「臨界尺寸(CD)」。裝置之臨界尺寸可定義為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此，CD判定所設計裝置之總體大小及密度。當然，裝置製造之目標中之一者為在基板上如實地再生原始設計意圖(經由圖案化裝置)。
本文中所使用之術語「遮罩」或「圖案化裝置」可廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化裝置，該經圖案化橫截面對應於待在基板之目標部分中產生之圖案。在此上下文中，亦可使用術語「光閥」。除經典遮罩(透射或反射；二元、相移、混合式等)以外，其他此類圖案化裝置之實例包括可程式化鏡面陣列及可程式化LCD陣列。
可程式化鏡面陣列之實例可為具有黏彈性控制層及反射表面之矩陣可定址表面。此設備所隱含之基本原理為(例如)：反射表面之經定址區域將入射輻射反射為繞射輻射，而未經定址區域將入射輻射反射為非繞射輻射。使用適當濾光片，可自經反射光束濾除該非繞射輻射，從而之後僅留下繞射輻射；以此方式，光束變得根據矩陣可定址表面之定址圖案而圖案化。可使用合適電子構件來執行所需矩陣定址。
可程式化LCD陣列之實例在以引用的方式併入本文中之美國專利第5,229,872號中給出。
圖1說明根據一實施例之微影投影設備10A之各種子系統的方塊圖。主要組件為：輻射源12A，其可為深紫外線準分子雷射源或包括極紫外線(EUV)源之其他類型的源(如上文所論述，微影投影設備本身無需具有輻射源)；照明光學器件，其例如界定部分同調性(表示為標準差)且可包括塑形來自源12A之輻射的光學器件14A、16Aa及16Ab；圖案化裝置18A；以及透射光學器件16Ac，其將圖案化裝置圖案之影像投影至基板平面22A上。投影光學器件之光瞳平面處的可調整濾光片或孔徑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器件之數值孔徑NA=n sin(Θ max)，其中n為基板與投影光學器件之最末元件之間的介質之折射率，且Θ max為自投影光學器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，且投影光學器件經由圖案化裝置將照明導向至基板上且塑形該照明。投影光學器件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為在基板位階處之輻射強度分佈。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在揭示內容以全文引用之方式併入本文中之美國專利申請公開案第US 2009-0157630號中找到此情形之實例。抗蝕劑模型僅與抗蝕劑層之屬性(例如在曝光、曝光後烘烤(PEB)及顯影期間發生的化學製程之效應)有關。微影投影設備之光學屬性(例如，照明、圖案化裝置及投影光學器件之屬性)規定空中影像且可定義於光學模型中。由於可改變用於微影投影設備中之圖案化裝置，所以需要使圖案化裝置之光學屬性與至少包括源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。用以將設計佈局變換至各種微影影像(例如空中影像、抗蝕劑影像等)、使用彼等技術及模型應用OPC且評估效能(例如依據製程窗)的技術及模型之細節描述於美國專利申請公開案US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197及2010-0180251中，前述各公開案之揭示內容以全文引用的方式併入本文中。
根據本發明之一實施例，一或多個影像可藉由對應於每一像素之像素值(例如，強度值)的各種類型之信號產生。視影像內像素之相對值而定，信號可稱作例如弱信號或強信號，如一般熟習此項技術者可理解。術語「強」及「弱」為依據影像內之像素之強度值的相對術語，且強度之具體值可能並不限制本發明之範疇。在一實施例中，強信號及弱信號可依據所選擇之臨限值來鑑別。在一實施例中，臨限值可為固定的(例如影像內像素之最高強度與最低強度的中點)。在一實施例中，強信號可指具有大於或等於跨影像之平均信號值之值的信號，且弱信號可指具有小於平均信號值之值的信號。在一實施例中，相對強度值可依據百分比。舉例而言，弱信號可為具有低於影像內像素(例如對應於目標圖案之像素可被視為具有最高強度之像素)之最高強度的50%的強度之信號。此外，影像內之每一像素被認為係變數。根據本實施例，導數或偏導數可相關於影像內之每一像素判定，且每一像素之值可根據依據成本函數之評估及/或成本函數之依據梯度的運算來判定或修改。舉例而言，CTM影像可包括像素，其中每一像素為可採用任何實數值之變數。
圖2示出根據一實施例的用於模擬微影投影設備中之微影的例示性流程圖。源模型31表示源之光學特徵(包括輻射強度分佈及/或相位分佈)。投影光學器件模型32表示投影光學器件之光學特徵(包括由投影光學器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徵(包括由設計佈局33引起的輻射強度分佈及/或相位分佈之變化)，該設計佈局為在圖案化裝置上或藉由圖案化裝置形成之特徵配置的表示。可自設計佈局模型35、投影光學器件模型32及設計佈局模型35來模擬空中影像36。可使用抗蝕劑模型37自空中影像36模擬抗蝕劑影像38。微影之模擬可例如預測抗蝕劑影像中之輪廓及CD。
更特定言之，應注意，源模型31可表示源之光學特徵，該等光學特徵包括但不限於數值孔徑設定、照明標準差(σ)設定，以及任何特定照明形狀(例如離軸輻射源，諸如環圈、四極子、偶極子等)。投影光學器件模型32可表示投影光學器件之光學特徵，該等光學特徵包括像差、失真、一或多個折射率、一或多個實體大小、一或多個實體尺寸等。設計佈局模型35可表示實體圖案化裝置之一或多個物理屬性，如(例如)以全文引用之方式併入本文中之美國專利第7,587,704號中所描述。模擬之目標為準確地預測例如邊緣置放、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。
根據此設計佈局，可識別稱為「剪輯(clip)」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(通常為約50個至1000個剪輯，但可使用任何數目個剪輯)。此等圖案或剪輯表示設計之小部分(亦即，電路、胞元或圖案)，且更具體言之，該等剪輯通常表示需要特定注意及/或驗證的小部分。換言之，剪輯可為設計佈局之部分，或可為類似的或具有設計佈局之部分的類似行為，其中一或多個臨界特徵藉由體驗(包括由客戶提供之剪輯)、試誤法或執行全晶片模擬來予以識別。剪輯可含有一或多個測試圖案或量規圖案。
可由客戶依據設計佈局中需要特定影像最佳化之一或多個已知臨界特徵區域而先驗地提供初始較大剪輯集合。替代地，在另一實施例中，可藉由使用識別一或多個臨界特徵區域之某種自動(諸如機器視覺)或手動演算法自整個設計佈局提取初始較大剪輯集合。
在微影投影設備中，作為一實例，可將成本函數表達為 (等式1)
其中 為N個設計變數或其值。 可為設計變數 的函數，諸如對於 之設計變數的值集合的特徵之實際值與預期值之間的差。 為與 相關聯之權重常數。舉例而言，特徵可為在邊緣上之給定點處量測的圖案之邊緣之位置。不同 可具有不同權重 。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 之權重 可被給出較高值。 亦可為層間特徵之函數，層間特徵又為設計變數 之函數。當然， 不限於等式1中之形式。 可呈任何其他合適形式。
成本函數可表示微影投影設備、微影製程或基板之任何一或多個合適特徵，例如，焦點、CD、影像移位、影像失真、影像旋轉、隨機變化、產出率、局域CD變化、製程窗、層間特徵或其組合。在一個實施例中，設計變數 包含選自劑量、圖案化裝置之全域偏置及/或照明形狀中之一或多者。由於抗蝕劑影像常常規定基板上之圖案，故成本函數可包括表示抗蝕劑影像之一或多個特徵之函數。舉例而言， 可僅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 )。設計變數可包括任何可調整參數，諸如源、圖案化裝置、投影光學器件之可調整參數、劑量、焦點等。
微影設備可包括可用以調整波前及強度分佈之形狀及/或輻射光束之相移的統稱為「波前操控器」之組件。在一實施例中，微影設備可調整沿著微影投影設備之光學路徑之任何位置處的波前及強度分佈，諸如在圖案化裝置之前、在光瞳平面附近、在影像平面附近及/或在焦點平面附近。波前操控器可用以校正或補償由例如源、圖案化裝置、微影投影設備中之溫度變化、微影投影設備之組件之熱膨脹等所導致的波前及強度分佈及/或相移的某些失真。調整波前及強度分佈及/或相移可改變由成本函數表示之特徵的值。可自模型模擬此等變化或實際上量測此等變化。設計變數可包括波前操控器之參數。
設計變數可具有約束，該等約束可表達為 ，其中 為設計變數之可能值集合。可藉由微影投影設備之所要產出率來強加對設計變數之一個可能約束。在無藉由所要產出率強加之此約束的情況下，最佳化可得到不切實際的設計變數之值集合。舉例而言，若劑量為設計變數，則在無此約束之情況下，最佳化可得到使產出率經濟上不可能的劑量值。然而，約束之有用性不應解釋為必要性。舉例而言，產出率可受光瞳填充比影響。對於一些照明設計，低光瞳填充比可捨棄輻射，從而導致較低產出率。產出率亦可受抗蝕劑化學反應影響。較慢抗蝕劑(例如要求適當地曝光較高量之輻射的抗蝕劑)導致較低產出率。
如本文中所使用，術語「圖案化製程」通常意謂作為微影製程之部分的藉由施加光之指定圖案來產生經蝕刻基板的製程。然而，「圖案化製程」亦可包括電漿蝕刻，此係因為本文中所描述之許多特徵可為使用電漿處理形成印刷圖案提供益處。
如本文中所使用，術語「目標圖案」意謂將在基板上蝕刻之理想化圖案。術語「目標佈局」指包含一或多個目標圖案的設計佈局。
如本文中所使用，術語「印刷圖案」或「圖案化之基板」意謂基板上依據目標圖案經成像及/或經蝕刻的實體圖案。印刷圖案可包括例如凹槽、溝道、凹陷、邊緣或由微影製程產生之其他兩維及三維特徵。
如本文中所使用，術語「製程模型」意謂包括模擬圖案化製程之一或多個模型的模型。舉例而言，製程模型可包括光學模型(例如模型化用以在微影製程中遞送光的透鏡系統/投影系統且可包括模型化去向光阻上的光之最終光學影像)、抗蝕劑模型(例如模型化抗蝕劑之實體效應，諸如歸因於光之化學效應)，及OPC模型(例如可用於修改目標圖案以包括子解析度抗蝕劑特徵(SRAF)等)。
為了改良圖案化製程及圖案化準確度，製程模型使用目標圖案、遮罩圖案、基板影像等來訓練。舉例而言，製程模型包含使用於OPC製程中以產生更好遮罩圖案的一或多個經訓練模型。舉例而言，藉由機器學習輔助之OPC顯著地改良全晶片輔助特徵(例如，SRAF)置放的準確度，同時在控制下保持遮罩設計的一致性及運行時間。深度卷積類神經網路(CNN)使用目標佈局或其中之目標圖案以及對應連續傳輸遮罩(CTM)影像來訓練。此等CTM影像使用反相遮罩最佳化模擬製程來最佳化。CNN產生之SRAF導引映圖接著用以將SRAF置放於全晶片設計佈局上。
當選擇圖案集合用於訓練時，需要選擇對於模型將為最具資訊性的圖案。當前，若干方法可用於圖案選擇。舉例而言，圖案散列技術可為快速的，但在準確匹配方面(而非擷取圖案類似性)最佳地起作用。在另一實例中，依據無監督影像之圖案成像技術(例如，依據自動編碼器)可擷取較高多維潛在空間中之圖案類似性，但需要訓練且為資料相依的。在依據模型模擬之圖案分類及選擇技術中，可使用考慮自模型模擬視角之類似性的空中影像或抗蝕劑影像參數空間。然而，可限制參數空間，且該參數空間可不清楚地區分不同設計圖案。
在本發明實施例中，提供一種例如自用於訓練機器學習模型之設計佈局進行圖案選擇的方法。本文中之圖案選擇方法使用引起將所關注像素周圍之資訊嵌入表示域中之圖案中的變換操作。資訊之此嵌入可表示為數學運算所特徵化之表示域中的資料點群組。舉例而言，具有嵌入資訊之資料點群組指示與所關注像素周圍可用之特徵相關聯的像素值。與用於圖案選擇之依據機器學習之方法相比，本文中所論述之變換在運算上較不密集。並且，可使用導引自設計佈局選擇圖案之資料點之該群組來判定資訊度量(例如，資訊熵)。
一些依據機器學習之方法趨向於使像素移位測試不合格，其中在稍微移位圖案之後，經移位圖案可被錯誤地視為很大程度上不同。另一方面，使用本文中所揭示之方法，像素移位測試結果說明較佳圖案選擇。舉例而言，藉由使窗移位某一數目個像素，一些圖案可經評估為類似的且並不具有足夠的獨特資訊。因而，本方法可選擇具有較少不必要資訊之較少但最具代表性的圖案。亦即，較小訓練資料集可用於實現高模型品質。
根據本發明，將圖案變換至代表性域中且判定資訊度量(諸如目標佈局之熵)可藉由節省相當大的運算時間及資源而顯著改良圖案選擇製程。舉例而言，根據本發明，對用於產生用於依據誤差之方法中之CTM的昂貴之依據實體之運算的需要可被完全消除。並且，資訊度量可有助於消除神經網路的可在依據不定性之方法中執行的多個轉遞遍次。
圖3說明使用卷積運算例如經由諸如自動編碼器之卷積網路的所關注圖案之部分301的實例變換。舉例而言，使用圖案301的一部分的漸進式卷積將近接資訊303變換成網路權重以產生具有內嵌的近接資訊的像素305。因此，圖案可表示為一組像素可嵌入資訊。然而，此類依據機器學習之卷積運算需要繁瑣訓練，尤其是在按像素訓練的情況下。
根據本發明，用於圖案選擇之方法無需機器學習或其他圖案化製程模擬。舉例而言，圖案選擇製程涉及經由基底函數集合將圖案變換成表示域以產生用於任何輸入圖案之圖案表示(例如線性圖案表示)。特定言之，可將圖案表示為基底函數與各別權重或係數之組合(例如線性組合)。此變換有利地不需要如在自動編碼技術中之任何訓練，且因此可達成較快圖案選擇。
圖4為根據一實施例之用於自輸入(例如，包括待圖案化基板之目標圖案的目標佈局)選擇圖案或圖案之部分的例示性方法400之流程圖。在一實施例中，可以影像、向量等形式表示輸入。所選圖案可用作訓練資料以用於訓練與圖案化製程相關聯的模型。方法設計程序P401、P403、P405及P407。
程序P401包括獲得包括第一圖案及第二圖案之圖案集合402，圖案集合中之每一圖案包含一或多個特徵。在一實施例中，可自待印刷於基板上之設計佈局、與圖案化製程相關聯之模擬影像或與經圖案化基板相關聯之影像獲得圖案集合402。在一實施例中，模擬影像可為空中影像、遮罩影像、抗蝕劑影像，或經由一或多個製程模型獲得之蝕刻影像(例如參考圖2所論述)。在一實施例中，經圖案化基板之影像可為藉由SEM系統模擬或擷取之經圖案化基板之掃描電子顯微鏡(SEM)影像。
在一實施例中，可將圖案集合402表示為影像。在此情況下，圖案集合402可稱為影像402。在一實施例中，影像402可為包括待印刷於基板上之圖案之設計佈局的影像；或經由掃描電子顯微鏡(SEM)獲取之經圖案化基板的SEM影像。在一實施例中，影像402可為二元影像、灰度影像或n通道影像，其中n係指用於影像402中之色彩數目(例如，具有紅色、綠色及藍色(RGB)色彩之3通道影像)。舉例而言，二元影像可包括像素，該等像素指派有指示像素位置處之特徵的值1及指示沒有特徵存在於像素位置處的值0。類似地，灰度影像可包括指示圖案之特徵之存在之不存在的像素強度。在一實施例中，n通道影像可包含RGB色彩通道，其可指示圖案之特徵的存在或不存在。在一實施例中，RGB之色彩可指示圖案中之特定特徵的集合。
在一實施例中，圖案集合402中之圖案可包括期望印刷於基板上之一或多個特徵(例如，線、孔等等)。在一實施例中，一或多個特徵根據電路設計規範相對於彼此而經配置。在一實施例中，圖案集合402中之圖案包括印刷於基板上之一或多個特徵(例如，線、孔等等)。本發明不限於特定影像或圖案，或其中的特徵。
程序P403包括將圖案集合中402之圖案表示為表示域中之資料點404之群組。在一實施例中，每一圖案可表示為代表性域中之資料點404之群組。舉例而言，第一圖案可表示為表示域中之第一資料點群組。第二圖案可表示為表示域中之第二資料點群組。在一實施例中，第一群組中之每一資料點可指示與第一圖案之一部分內之特徵相關聯的資訊，且第二群組中之每一資料點指示與第二圖案之一部分內之特徵相關聯的資訊。在一實施例中，與圖案集合402中之給定圖案之一部分內的特徵相關聯之資訊包括給定圖案之該部分內的像素值或像素強度。在一實施例中，像素值或像素強度與該部分內之特徵相關聯。舉例而言，高強度值可指示特徵之一部分。在一實施例中，術語「給定圖案」通常用以指圖案集合402中正在考慮之中的任何圖案。
在一實施例中，將每一圖案表示為表示域中之資料點404之群組包括藉由基底函數集合來轉換給定圖案，該基底函數集合特徵化表示域。在一實施例中，在轉換後，資料點404之群組為與基底函數集合相關聯的係數集合。在一實施例中，與基底函數集合相關聯的係數集合對應於給定圖案之像素在代表性域中的位置集合。
在一實施例中，基底函數集合為正交函數集合。在一實施例中，基底函數集合可為厄米特高斯模式；任尼克多項式；貝塞爾函數或其他函數。
在一實施例中，轉換包括將圖案集合402中之給定圖案投影於線性表示域中。在一實施例中，投影包括判定表示圖案集合402中之給定圖案的正交函數集合之線性組合。在一實施例中，表示域為希伯特空間域。參考線性表示域或希伯特空間來詳細地描述本發明之實施例。應瞭解，本發明不限於基底函數的任何特定組合或基底函數的任何特定集合。
圖5A以圖形方式描繪根據本發明之一實施例之圖案至表示域中的實例變換。在一實施例中，希伯特空間中之功能投影可由 表示，其中 表示待在代表性域中表示之圖案，且 表示待用於表示之基底函數之第i階。對於此類希伯特空間，投影係數可運算為 。
因此，投影係數集合 可用作表示域中之圖案表示，例如 空間。在此情況下，表示為由個別係數構成之向量。然而，此論述僅為例示性的。圖案表示可在不脫離本發明之範疇的情況下使用投影係數之各種數學形式。可在此項技術中所熟知之任何合適投影技術中實施圖案至希伯特空間上之進一步投影。
程序P405判定對應於圖案集合402之距離度量之距離值集合，距離值集合包含在第一資料點群組與另一資料點群組(例如第二、第三、第四、第五、第六等資料點群組)之間判定的第一距離值，及在第二資料點群組與另一資料點群組(例如第三、第四、第五、第六等資料點群組)之間判定的第二距離值。根據本發明之實施例，距離度量指示圖案集合402中之給定圖案與另一圖案之間的互資訊之量。
在一實施例中，給定圖案與另一圖案之間的互資訊之量指示給定圖案中之多少資訊係與另一圖案共同的。大量互資訊指示給定圖案與另一圖案之間的大量共同資訊。在一實施例中，距離度量包括使用表示域中之群組內的資料點運算的庫貝克-李柏(Kullback-Leibler)發散；或使用表示域中之群組內的資料點運算的最近鄰近者之k平均值。群組之間的大距離指示兩個圖案之間的較小量之互資訊。舉例而言，群組離彼此愈遠，彼等群組之間的互資訊愈少。
程序P407包括使用資料點404之群組作為用於圖案集合402中之給定圖案與另一圖案之間的互資訊之指導自圖案集合402選擇圖案子集410。在一實施例中，選擇圖案子集可依據突破距離臨限值之距離度量之值。舉例而言，當兩個資料點群組(例如，圖5B中之群組G1及G2)彼此遠離(例如，大於距離臨限值)時，相比於彼此更接近(例如，小於距離臨限值)之群組，該等群組集體地被視為相對於機器學習訓練更具資訊性。
在一實施例中，選擇圖案子集包括依據所選圖案之總熵自圖案集合402選擇複數個圖案。在一實施例中，選擇包括將總熵判定為與對應於圖案集合402中之每一圖案的每一資料點群組相關聯的資訊熵的組合。在一實施例中，可直接對資料點之該群組運算資訊熵，此係歸因於具有稀疏高維之問題，其中運算可在限界框之單位體積隨著維度增大而傾向於為零時失敗。
在一實施例中，自圖案集合402選擇圖案子集包括自表示圖案集合402之群組選擇複數個群組。舉例而言，每一所選群組具有突破距離臨限值之距離度量之值。對於所選群組，可作出表示域中之資訊熵是否達到某一準則(例如，最大化)之判定。然而，在不脫離本發明之範疇的情況下，準則可呈關於總熵的任何形式。舉例而言，回應於未最大化資訊熵，將一或多個群組(先前未選定)增添至所選複數個群組，或自所選複數個群組移除一群組。可重複群組之增添或移除，直至最大化資訊熵(或在指定範圍內)及獲得群組之最終選擇為止。接著，選擇對應於所選複數個群組之複數個圖案或圖案子集。
存在在不同表示域中計算熵之多種方式。在一些實施例中，使用希伯特空間係數(亦稱作資料點)計算總熵。在一些實施例中，不同代表性域中之像素值可用以計算熵。在一些實施例中，可依據影像402之表示圖案子集的一部分內之像素強度而判定與圖案相關聯之熵。在一實施例中，熵指示複數個圖案402中之每一者的非均一性。舉例而言，圖案之非均一性指示圖案大體上彼此不同，且因此出於訓練目的而提供更多資訊。在一實施例中，熵為資訊熵、Renyi熵或差異熵中之至少一者。
在一實施例中，資訊熵包含與影像之一部分相關聯之複數個可能結果之結果的機率與結果之機率之對數函數的乘積總和。在一實施例中，藉由以下等式來運算資訊熵：
在上述等式中， 為影像之該部分之熵， 表示與圖案子集410相關聯之可能結果，每一結果具有機率 。舉例而言，在二元影像中，可能結果xi為x1及x2，其中x1為白色像素(例如，像素強度值為0)，且x2為黑色像素(例如，像素強度值為1)。在一實施例中，圖案子集410可為灰度影像，在此情況下，可能結果xi，其中可在0至255之間變化。
舉例而言，如下運算機率 ： (滑動窗中之具有強度位準 之像素的數目) / (滑動窗中之像素的數目)。相關聯熵值接著通常指派給滑動窗中的中心像素。因此，對於二元影像實例，若像素之50%為白色且50%為黑色(即， = =0.5)，則熵表達為最大的；然而當僅單一色彩存在於整個滑動窗(即， =1且 =0或反之亦然)時，熵表達為最小的。
在一實施例中，可能結果包含以下各者中之至少一者：指派給影像之像素的二元值，第一值指示圖案在影像內的存在，且第二值指示圖案在影像內的不存在；指派給影像之像素的灰度值；或指派給影像402之像素的色彩之數目。
在一實施例中，熵值可針對每一通道進行計算，且可針對圖案選擇而比較針對每一通道之熵。在一實施例中，多通道影像可為同一位置處但具有不同SEM設定的SEM影像之集合。可計算每通道之資訊度量。熵可組合為所有通道上的加權平均值，或選擇為不同通道之間的度量的最差情況。
在一實施例中，距離度量或資訊熵之判定無需包括模擬複數個圖案402中之一或多者、與圖案化製程相關聯之製程模型，或使用複數個圖案402中之一或多者模擬與圖案化製程相關聯之機器學習模型。度量可直接應用至目標佈局、目標佈局之一部分或其中的圖案。在一實施例中，目標佈局可以GDS格式設置。
圖6說明選自例示性設計佈局之複數個圖案之子集的實例。舉例而言，根據上文所論述之方法400，可將設計佈局之若干部分變換成表示域中之群組資料點(例如，參見圖5A及圖5B)。依據資料點群組之間的距離，可依據例如對應於最大熵之總熵選擇圖案之子集。參考圖6，方塊PAT1、PAT2及PAT3內部之特徵表示複數個圖案，可依據表示域中對應於圖案PAT1、PAT2及PAT3之資料點群組自該等圖案選擇子集PAT1及PAT3。在本實例中，第一資料點群組(圖中未示)可對應於圖案PAT1，且第二資料點群組(圖中未示)可對應於圖案PAT2。第一群組與第二群組之間的距離可小於距離臨限值或可不對應於最大化圖案PAT1與PAT2之間的資訊熵。因而，可省略或不選擇圖案PAT2作為圖案之子集。
在一實施例中，方法可進一步包括用於提供所選圖案子集410作為用於訓練與圖案化製程相關聯之模型之訓練資料的製程。本發明不限於輸出子圖案之特定使用。在一實施例中，圖案子集可用以改良圖案化製程之一或多個態樣，該圖案化製程包括但不限於改良空間影像模型、遮罩模型、抗蝕劑模型、OPC製程、與度量相關之模型或與圖案化製程相關之其他模型之訓練。
在一實施例中，方法400可進一步包括用於使用圖案子集410作為訓練資料來訓練與圖案化製程相關聯之模型的步驟。在一實施例中，訓練包括訓練模型，該模型經組態以產生與設計佈局之複數個圖案402相關聯的光學近接校正結構。舉例而言，光學近接校正結構包括對應於設計佈局之複數個圖案402的主要特徵；或包圍設計佈局之複數個圖案402的輔助特徵。
在一實施例中，如下可實施用於選擇圖案及自圖案產生訓練資料之方法的另一變化。在一實施例中，方法包括：獲得圖案集合；將圖案集合中之每一圖案表示為表示域中之資料點群組；及依據資料點群組自圖案集合選擇圖案子集作為用於圖案集合中之給定圖案與另一圖案之間的互資訊之指導。如上文所論述，可使用基底函數集合在表示域中表示圖案。舉例而言，表示希伯特空間中之圖案。
在一實施例中，提供一種用於表示表示域中之圖案之方法。方法包括：獲得圖案集合，每一圖案包含一或多個特徵；及將圖案集合中之每一圖案轉換成表示域中之資料點群組，每一資料點指示與圖案集合中之給定圖案之一部分內的特徵相關聯的資訊。
在一實施例中，將每一圖案表示為表示域中之資料點之群組包括藉由基底函數集合來轉換給定圖案，該基底函數集合特徵化表示域。在一實施例中，基底函數集合為正交函數集合。在一實施例中，在轉換後，資料點之群組為與基底函數集合相關聯的係數集合。在一實施例中，與基底函數集合相關聯的係數集合對應於給定圖案之像素在代表性域中的位置集合。
在一實施例中，轉換包括將圖案集合中之給定圖案投影於線性表示域中。在一實施例中，投影包括判定表示圖案集合中之給定圖案的正交函數集合之線性組合。在一實施例中，基底函數集合包含以下各者中之至少一者：厄米特高斯模式；任尼克多項式；或貝塞爾函數。
在一實施例中，本文中所論述之方法可提供為一或多個電腦程式產品或上面記錄有指令之非暫時性電腦可讀媒體，該等指令在由電腦執行時實施上文所論述之方法400之操作。舉例而言，圖7中之實例電腦系統CS包括包含指令之非暫時性電腦可讀媒體(例如，記憶體)，該等指令在由一或多個處理器(例如，104)執行時進行用於自目標佈局選擇圖案之操作。在一實施例中，指令包括：獲得圖案集合；將圖案集合中之每一圖案表示為表示域中之資料點群組；及依據資料點群組自圖案集合選擇圖案子集作為用於圖案集合中之給定圖案與另一圖案之間的互資訊之指導。
在一實施例中，指令包括：獲得包括第一圖案及第二圖案之圖案集合，圖案集合中之每一圖案包含一或多個特徵；將圖案集合中之每一圖案表示為表示域中之資料點之群組；判定對應於圖案集合之距離度量之距離值集合(例如距離值集合包含在第一資料點群組與另一資料點群組之間判定的第一距離值，及在第二資料點群組與另一資料點群組之間判定的第二距離值)；及依據突破距離臨限值之距離度量之值自圖案集合選擇圖案子集。在一實施例中，距離度量指示圖案集合中之給定圖案與另一圖案之間的互資訊之量。在一實施例中，第一圖案表示為表示域中之第一資料點群組，且第二圖案表示為表示域中之第二資料點群組。在一實施例中，第一群組中之每一資料點指示與第一圖案之一部分內之特徵相關聯的資訊，且第二群組中之每一資料點指示與第二圖案之一部分內之特徵相關聯的資訊。
根據本發明，所揭示元件之組合及子組合構成單獨實施例。舉例而言，第一組合包括判定資料點之群組及依據資料點之群組而選擇圖案。子組合可包括判定群組之間的距離度量。子組合可包括判定與圖案之子集相關聯的資訊熵(例如，使用上文所論述之熵等式)。在另一組合中，所選圖案可用於檢測製程、訓練與圖案化製程相關之機器學習模型、判定OPC或使用所選圖案的SMO。
圖7為根據一實施例之實例電腦系統CS的方塊圖。
電腦系統CS包括用於傳達資訊之匯流排BS或其他通信機制，及與匯流排BS耦接以供處理資訊之處理器PRO (或多個處理器)。電腦系統CS亦包括耦接至匯流排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亦可用於在待由處理器PRO執行之指令的執行期間儲存暫時性變數或其他中間資訊。電腦系統CS進一步包括耦接至匯流排BS以用於儲存用於處理器PRO之靜態資訊及指令的唯讀記憶體(ROM) ROM或其他靜態儲存裝置。提供諸如磁碟或光碟之儲存裝置SD，且將其耦接至匯流排BS以用於儲存資訊及指令。
電腦系統CS可經由匯流排BS耦接至用於向電腦使用者顯示資訊之顯示器DS，諸如陰極射線管(CRT)，或平板或觸控面板顯示器。包括文數字及其他按鍵之輸入裝置ID耦接至匯流排BS以用於將資訊及命令選擇傳達至處理器PRO。另一類型之使用者輸入裝置為用於將方向資訊及命令選擇傳達至處理器PRO且用於控制顯示器DS上之游標移動的游標控制件CC，諸如滑鼠、軌跡球或游標方向按鍵。此輸入裝置通常具有在兩個軸(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，從而允許裝置指定平面中之位置。觸控面板(螢幕)顯示器亦可被用作輸入裝置。
根據一項實施例，本發明中所描述之一或多個方法之部分可回應於處理器PRO執行主記憶體MM中含有之一或多個指令的一或多個序列而由電腦系統CS執行。可將此等指令自另一電腦可讀媒體(諸如儲存裝置SD)讀取至主記憶體MM中。主記憶體MM中所含有之指令序列的執行促使處理器PRO執行本文中所描述之製程步驟。呈多處理配置之一或多個處理器亦可用於執行主記憶體MM中所含有之指令序列。在替代性實施例中，可代替或結合軟體指令而使用硬連線電路。因此，本文中之描述不限於硬體電路及軟體之任何特定組合。
如本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器PRO以供執行之任何媒體。此媒體可採取許多形式，包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟，諸如儲存裝置SD。揮發性媒體包括動態記憶體，諸如主記憶體MM。傳輸媒體包括同軸纜線、銅線及光纖，包括包含匯流排BS之導線。傳輸媒體亦可採取聲波或光波之形式，諸如，在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體可為非暫時性的，例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣。非暫時性電腦可讀媒體可具有記錄於其上之指令。在由電腦執行時，指令可實施本文中所描述的特徵中之任一者。暫時性電腦可讀媒體可包括載波或其他傳播電磁信號。
可在將一或多個指令之一或多個序列攜載至處理器PRO以供執行時涉及電腦可讀媒體之各種形式。舉例而言，初始地可將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內，且使用數據機經由電話線發送指令。在電腦系統CS本端之數據機可接收電話線上之資料，且使用紅外線傳輸器將資料轉換為紅外線信號。耦接至匯流排BS之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排BS上。匯流排BS將資料攜載至主記憶體MM，處理器PRO自該主記憶體擷取且執行指令。由主記憶體MM接收之指令可視情況在由處理器PRO執行之前或之後儲存於儲存裝置SD上。
電腦系統CS亦可包括耦合至匯流排BS之通信介面CI。通信介面CI提供與網路鏈路NDL之雙向資料通信耦接，該網路鏈路NDL連接至區域網路LAN。舉例而言，通信介面CI可為整合服務數位網路(ISDN)卡或數據機以提供與相應類型之電話線的資料通信連接。作為另一實例，通信介面CI可為區域網路(LAN)卡以提供與相容LAN的資料通信連接。亦可實施無線鏈路。在任何此實施中，通信介面CI發送且接收攜載表示各種類型之資訊之數位資料流的電信號、電磁信號或光學信號。
網路鏈路NDL通常經由一或多個網路提供與其他資料裝置之資料通信。舉例而言，網路鏈路NDL可經由區域網路LAN提供與主電腦HC之連接。此可包括經由全球封包資料通信網路(現在通常稱為「網際網路」INT)而提供資料通信服務。區域網路LAN (網際網路)皆使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路資料鏈路NDL上且經過通信介面CI之信號為輸送資訊的例示性載波形式，該等信號將數位資料攜載至電腦系統CS且自該電腦系統攜載數位資料。
電腦系統CS可經由網路、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。所接收程式碼可在接收其時由處理器PRO執行，且/或儲存於儲存裝置SD或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統CS可獲得呈載波之形式之應用程式碼。
圖8為根據一實施例之微影投影設備之示意圖。
微影投影設備可包括照明系統IL、第一物件台MT、第二物件台WT及投影系統PS。
照明系統IL可調節輻射光束B。在此特定情況下，照明系統亦包含輻射源SO。
第一物件台(例如，圖案化裝置台) MT可具有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來準確地定位圖案化裝置之第一定位器。
第二物件台(基板台) WT可具有用以固持基板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來準確地定位基板之第二定位器。
投影系統(「透鏡」) PS (例如，折射、反射或反射折射光學系統)可使圖案化裝置MA之經輻照部分成像至基板W之目標部分C (例如，包含一或多個晶粒)上。
如本文中所描繪，設備可屬於透射類型(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)。設備可採用與經典遮罩不同種類之圖案化裝置；實例包括可程式化鏡面陣列或LCD矩陣。
源SO (例如，水銀燈或準分子雷射、LPP(雷射產生電漿)EUV源)產生輻射光束。舉例而言，此光束係直接地或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器) IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈的外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。另外，其通常將包含各種其他組件，諸如，積光器IN及聚光器CO。以此方式，入射於圖案化裝置MA上之光束B在其橫截面中具有期望均一性及強度分佈。
在一些實施例中，源SO可在微影投影設備之外殼內(如常常係在源SO為例如水銀燈時的情況)，但其亦可遠離微影投影設備，源SO產生之輻射光束經引導至設備中(例如憑藉合適導向鏡面)；此後一情形可為在源SO為準分子雷射(例如，依據KrF、ArF或F2發出雷射)時的情況。
光束PB可隨後截取固持於圖案化裝置台MT上之圖案化裝置MA。在已橫穿圖案化裝置MA的情況下，光束B可穿過透鏡PL，該透鏡將光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如，以便使不同目標部分C定位於光束PB之路徑中。類似地，第一定位構件可用於例如在自圖案化裝置庫機械擷取圖案化裝置MA之後或在掃描期間相對於光束B之路徑來準確地定位圖案化裝置MA。一般而言，可藉助於長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。然而，在步進器(相對於步進掃描工具)之情況下，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一次性投影(亦即，單次「閃光」)至目標部分C上。在x及/或y方向上使基板台WT移位，以使得不同目標部分C可由光束PB照射。
在掃描模式中，除了單次「閃光」中不曝光給定目標部分C之外，基本上相同之情形適用。取而代之，圖案化裝置台MT可在給定方向(所謂的「掃描方向」，例如，y方向)上以速度v移動，以使得使投影光束B在圖案化裝置影像上進行掃描；同時，基板台WT以速度V = Mv在相同或相對方向上同時地移動，其中M為透鏡PL之放大率(通常，M = 1/4或1/5)。以此方式，可在不必損害解析度的情況下曝光相對大目標部分C。
圖9為根據一實施例之另一微影投影設備(LPA)的示意圖。
LPA可包括源收集器模組SO、經組態以調節輻射光束B (例如EUV輻射)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，遮罩或倍縮光罩) MA且連接至經組態以準確地定位圖案化裝置之第一定位器PM。
基板台(例如晶圓台 WT可經建構以固持基板(例如抗蝕劑塗佈晶圓) W且連接至經組態以準確地定位基板的第二定位器PW。
投影系統(例如反射性投影系統) PS可經組態以將藉由圖案化裝置MA賦予至輻射光束B之圖案投影至基板W的目標部分C (例如包含一或多個晶粒)上。
如此處所描繪，LPA可具有反射類型(例如，採用反射圖案化裝置)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化裝置可具有包含例如鉬與矽之多堆疊的多層反射器。在一個實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可理由X射線微影來產生甚至更小的波長。因為大多數材料在EUV及x射線波長下具吸收性，所以圖案化裝置構形(topography)上之經圖案化吸收材料薄片段(例如，多層反射器之頂部上之TaN吸收器)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。
照明器IL可自源收集器模組SO接收極紫外輻射光束。用以產生EUV輻射之方法包括但未必限於利用在EUV範圍內之一或多種發射譜線將具有至少一種元素(例如，氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常稱為雷射產生電漿(「LPP」))中，可藉由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9中未展示)之EUV輻射系統之部分，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射(例如，EUV輻射)，該輸出輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO2雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為分離實體。
在此等情況下，可不認為雷射形成微影設備之部分，且輻射光束可憑藉包含例如合適導向鏡面及/或光束擴展器之光束傳遞系統而自雷射傳遞至源收集器模組。在其他情況下，舉例而言，當源為放電產生電漿EUV產生器(常常稱為DPP源)時，源可為源收集器模組之整體部分。
照明器IL可包含用於調整輻射光束之角強度分佈之調整器。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(通常分別稱為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期望均一性及強度分佈。
輻射光束B可入射於固持於支撐結構(例如，圖案化裝置台) MT上之圖案化裝置(例如，遮罩) MA上，且由圖案化裝置圖案化。在自圖案化裝置(例如，遮罩) MA反射後，輻射光束B穿過投影系統PS，投影系統PS將光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2 (例如干涉量測裝置、線性編碼器或電容式感測器)，基板台WT可準確地移動，例如以便在輻射光束B之路徑中定位不同的目標部分C。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之路徑準確地定位圖案化裝置(例如，遮罩) MA。可使用圖案化裝置對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置(例如遮罩) MA及基板W。
所描繪之設備LPA可用於以下模式中之至少一者：步進模式、掃描模式及靜止模式。
在步進模式中，在將經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。
在掃描模式下，在將經賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如，圖案化裝置台) MT及基板台WT (亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特徵來判定基板台WT相對於支撐結構(例如，圖案化裝置台) MT之速度及方向。
在靜止模式中，在將經賦予至輻射光束之圖案投影至目標部分C上時，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，通常採用脈衝式輻射源，且在基板台WT之每一移動之後或在掃描期間的順次輻射脈衝之間根據需要而更新可程式化圖案化裝置。此操作模式可易於應用於利用可程式化圖案化裝置(諸如，上文所提及之類型之可程式化鏡面陣列)之無遮罩微影。
圖10為根據一實施例之微影投影設備的詳細視圖。
如所展示，LPA可包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置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。可藉由放電產生電漿輻射源來形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如，Xe氣體、Li蒸汽或Sn蒸汽)來產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由產生至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之有效率產生，可需要為例如10 Pa之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一實施例中，提供經激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射經由定位於源腔室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，亦稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染物截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中為吾人所知，本文中進一步所指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室211可包括輻射收集器CO，該輻射收集器CO可為所謂的掠入射收集器。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片240反射，以沿著由點虛線「O」指示之光軸而聚焦在虛擬源點IF中。虛擬源點IF通常稱作中間焦點，且源收集器模組經配置以使得中間焦點IF位於封閉結構220中之開口221處或靠近開口221。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面裝置22及琢面化光瞳鏡面裝置24，琢面化場鏡面裝置22及琢面化光瞳鏡面裝置24經配置以提供在圖案化裝置MA處之輻射光束21之所要角分佈，以及在圖案化裝置MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化裝置MA處反射輻射光束21後，隨即形成經圖案化光束26，且該經圖案化光束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。
比所展示裝置多的裝置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，光柵光譜濾光片240可視情況存在。此外，可存在比圖中所展示之鏡面多的鏡面，例如在投影系統PS中可存在比圖10中所展示之反射元件多1至6個的額外反射元件。
如圖10所說明之收集器光學器件CO經描繪為具有掠入射反射器253、254及255之巢狀收集器，僅僅作為收集器(或收集器鏡面)之一實例。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱，且此類型之收集器光學器件CO可結合常常稱為DPP源之放電產生電漿源而使用。
圖11為根據一實施例之微影投影設備LPA之源收集器模組SO的詳細視圖。
源收集器模組SO可為LPP輻射系統之部分。雷射LA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(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，且聚焦至封閉結構220中的開口221上。
根據本發明，用於圖案選擇之方法涉及經由基底函數集合將圖案變換成表示域，諸如依據照明源之域之光學系統，以產生用於任何輸入圖案之圖案表示(例如線性圖案表示)。特定言之，可使用一組透射交叉係數(TCC)表示圖案，該組透射交叉係數表示微影設備之一照明源之光學特徵，諸如圖案之各種部分之電磁場(EMF)激發。此變換可易於計算(例如，一旦照明源之組態為已知的)，相較於習知表示更準確，且因此提供用於代表性圖案之較佳選擇之經改良圖案類似性分析。此變換有利地不需要如在自動編碼技術中之任何訓練，且因此可達成較快圖案選擇。
圖12為根據一實施例之用於依據基於源之代表性域中之圖案表示自目標佈局選擇圖案的例示性方法之流程圖。在一實施例中，可以影像、向量等形式表示輸入。可出於各種目的而使用所選圖案，例如作為用於訓練或校準與圖案化製程相關聯之模型的訓練資料。
在程序P1201中，獲得第一圖案集合1202。在一些實施例中，可自待印刷於基板上之設計佈局、與圖案化製程相關聯之經模擬影像或與經圖案化基板相關聯之影像獲得第一圖案集合1202。在一些實施例中，模擬影像可為經由一或多個製程模型獲得之空中影像、遮罩影像、抗蝕劑影像或蝕刻影像(例如參考圖2所論述)。在一些實施例中，經圖案化基板之影像可為藉由SEM系統模擬或擷取之經圖案化基板之SEM影像。
在一些實施例中，第一圖案集合1202可表示為影像。在此情況下，第一圖案集合1202可稱為影像1202。在一些實施例中，影像1202可為包括待印刷於基板上之圖案的設計佈局之影像，或經由SEM獲取之經圖案化基板之SEM影像。在一些實施例中，影像1202可為二元影像、灰度影像或n通道影像，其中n係指用於影像1202中之色彩數目(例如，具有紅色、綠色及藍色(RGB)色彩之3通道影像)。舉例而言，二元影像可包括像素，該等像素指派有指示像素位置處之特徵的值「1」及指示無特徵存在於像素位置處的值「0」。類似地，灰度影像可包括指示圖案之特徵之存在或不存在的像素強度。在一些實施例中，n通道影像可包含RGB色彩通道，其可指示圖案之特徵的存在或不存在。在一些實施例中，RGB之色彩可指示圖案中之特定特徵的集合。
在一些實施例中，第一圖案集合402中之圖案可包括期望印刷於基板上之一或多個特徵(例如，線、孔等)。特徵可根據電路設計規格而相對於彼此配置。本發明不限於特定影像或圖案，或其中的特徵。
在程序P1203中，第一圖案集合402中之圖案可表示於表示域中。舉例而言，圖案可在希伯特空間域(諸如電磁場(EMF)域)中表示。在一些實施例中，在表示域中表示圖案包括將圖案表示為資料點1204之群組。在一些實施例中，資料點指示與圖案之一部分內之特徵相關聯的資訊。在一些實施例中，將給定圖案表示為表示域中之資料點1204之群組包括藉由基底函數集合來轉換給定圖案，該基底函數集合特徵化表示域。在轉換後，資料點1204之群組可對應於與基底函數集合相關聯的係數集合。在一些實施例中，基底函數集合為正交函數集合。在一實施例中，轉換包括將給定圖案投影於線性表示域中，其包括判定表示給定圖案之正交函數集合的線性組合。舉例而言，可使用SOCS TCC作為基底函數將圖案投影至EMF域上。在轉換後，圖案之每一像素使用表示像素處之EMF激發的向量(例如，TCC之N維向量)來表示，且圖案經表示為向量之群組(例如，資料點1204之群組)。至少參考以上圖5A描述表示線性表示域或希伯特空間中之圖案的細節。在圖5A中，表示待用於表示之基底函數之第i階的 可包括TCC基底函數，例如TCC i。投影係數集合 之此表示可用作表示域中之圖案表示，且其可含有關於在EMF域中如何表示圖案像素的必要資訊。可使用係數重建構圖案之影像(但有損耗，其表示照明源之繞射損耗)。重建構可表達為： (等式A)
其中 為第i階， 為第i階基底函數，且(x,y)為像素之位置。
以下段落描述將圖案投影於參考圖案(例如，對圖案之源回應)描述源之特徵的依據照明源之表示域中的額外細節。在一些實施例中，來自第一圖案集合1202之圖案可使用相干系統(SOCS) TCC之總和作為基底函數表示於諸如EMF域之依據源的表示域中。TCC描述圖案之一部分的EMF激發。舉例而言，可使用霍浦金成像公式來模型化微影設備之源特徵，該公式計算部分相干源之TCC。TCC可接著分解成具有正交轉移函數之相干系統(例如，N個SOCS TCC)之離散集合。SOCS TCC之集合表示個別相干系統之EMF轉印函數，其中最終成像強度(例如與圖案相關聯之空中影像強度)可判定為個別強度之總和。空中影像強度之計算可表示如下： (等式A) 其中i：像素階 ：第k階之空間SOCS TCC(源相依) ：TCC第k階特徵值(源相依) M：以TCC大小剪輯之空間遮罩
在一些實施例中，使用SOCS TCC作為基底函數來將圖案投影於EMF域中包括使用TCC (例如，SOCS TCC之N維向量)集合來表示圖案之像素。向量表示在像素處依據像素之近接的EMF激發。亦即，向量指示像素之近接如何影響像素處之EMF激發。向量之每一元素對應於像素至N個SOCS TCC之TCC的投影。
由於圖案可由其像素表示，且每一像素可使用SOCS TCC之向量表示，因此圖案可表示為向量之群組或向量之雲，例如藉由圖5B所說明。舉例而言，群組G1可表示第一圖案之向量群組，且群組G2可表示來自第一圖案集合1202中之第二圖案之向量群組，且軸可對應於表示域(例如，EMF值)。
在將圖案表示為向量群組或資料點1204之群組之後，在程序P1205處，可依據一或多個準則而自第一圖案集合1202選擇第二圖案集合1206作為代表性圖案。在一些實施例中，可針對圖案類似性分析第一圖案集合1204之向量群組，且可判定指示圖案類似性之一或多個度量，諸如兩個向量群組之間的距離度量。若度量滿足準則(例如，距離度量滿足(例如，超過)距離臨限值)，則可認為圖案群組與度量並不滿足準則之圖案群組相比足夠不同以經選擇為代表性圖案。在一些實施例中，選擇第二圖案集合1206可依據所選圖案之總熵。至少參考以上圖4 (例如程序P405及P407)、圖5B及圖6描述關於選擇第二圖案集合1206之額外細節。
可出於各種目的使用第二圖案集合1206。舉例而言，如至少參考圖4所描述，第二圖案集合1206可用於組態(例如，訓練或校準)與圖案化製程相關聯之模型。本發明不限於所選第二圖案集合1206的特定使用。第二圖案集合1206可用於改良圖案化製程之一或多個態樣，諸如改良空中影像模型、遮罩模型、抗蝕劑模型、OPC製程、度量衡相關模型或與圖案化製程相關之其他模型的效能。
應注意，雖然圖12描述表示微影設備之光學系統或照明源(例如對圖案之源回應)所特徵化之表示域中之圖案，但表示域不限於光學系統。表示域可依據任何微影設備或製程特徵(諸如光阻域(例如光阻對圖案之回應))而特徵化。
本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已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(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至50 nm之範圍內的波長，以便產生在此範圍內之光子。
本發明之實施例可藉由以下條項進一步描述。 1. 一種非暫時性電腦可讀媒體，其經組態以依據用於訓練與半導體製造相關之機器學習模型的圖案之間的互資訊而選擇圖案，該媒體包含儲存於其中之指令，該等指令在由一或多個處理器執行時進行包含以下之操作： 獲得包括第一圖案及第二圖案之圖案集合，圖案集合中之每一圖案包含一或多個特徵； 將圖案集合中之每一圖案表示為表示域中之資料點之群組，第一圖案表示為表示域中之第一資料點群組，且第二圖案表示為表示域中之第二資料點群組，第一群組之每一資料點指示與第一圖案之一部分內的特徵相關聯之資訊，且第二群組之每一資料點指示與第二圖案之一部分內的特徵相關聯之資訊； 判定對應於圖案集合之距離度量之距離值集合，距離值集合包含在第一資料點群組與另一資料點群組之間判定的第一距離值，及在第二資料點群組與另一資料點群組之間判定的第二距離值，距離度量指示圖案集合中之給定圖案與另一圖案之間的互資訊之量；及 依據突破距離臨限值之距離度量之值自圖案集合選擇圖案子集。 2. 如條項1之媒體，其中圖案集合包含自以下各者獲得之圖案： 設計佈局，其需要印刷於基板上； 模擬影像，其與圖案化製程相關聯；或 影像，其與經圖案化基板相關聯。 3. 如條項2之媒體，其中模擬影像包含以下各者中之至少一者：空中影像、遮罩影像、抗蝕劑影像或蝕刻影像。 4. 如條項2之媒體，其中經圖案化基板之影像包含經圖案化基板之掃描電子顯微鏡(SEM)影像。 5. 如條項1至4中任一項之媒體，其中與圖案集合中之給定圖案之一部分內的特徵相關聯之資訊包含： 給定圖案之部分內的像素值，該等像素值指示與該部分內之特徵相關聯之強度。 6. 如條項1至5中任一項之媒體，其中給定圖案與另一圖案之間的互資訊之量指示給定圖案中之多少資訊與另一圖案共同，大量互資訊指示給定圖案與另一圖案之間的大量共同資訊。 7. 如條項1至6中任一項之媒體，其中將每一圖案表示為表示域中之資料點之群組包含： 藉由基底函數集合轉換給定圖案，基底函數集合特徵化表示域。 8. 如條項7之媒體，其中在轉換後，給定之每一像素對應於與基底函數集合相關聯之係數集合。 9. 如條項8之媒體，其中與基底函數集合相關聯之係數集合對應於TCC集合。 10.      如條項8之媒體，其中基底函數集合包括TCC函數集合。 11.      如條項7之媒體，其中在轉換後，資料點群組對應於與基底函數集合相關聯之係數集合。 12.      如條項11之媒體，其中與基底函數集合相關聯之係數集合對應於給定圖案之像素在代表性域中之位置集合。 13.      如條項7至12中任一項之媒體，其中基底函數集合為正交函數集合。 14.      如條項7至13中任一項之媒體，其中轉換包含： 將圖案集合中之給定圖案投影於線性表示域中。 15.      如條項14之媒體，其中投影包含： 判定表示圖案集合中之給定圖案的正交函數集合之線性組合。 16.      如條項7至15中任一項之媒體，其中基底函數集合包含以下各者中之至少一者： 厄米特高斯模式； 任尼克多項式；或 貝塞爾函數。 17.      如條項1至16中任一項之媒體，其中表示域為希伯特空間域。 18.      如條項1至16中任一項之媒體，其中選擇圖案子集包含依據所選圖案之總熵而自圖案集合選擇複數個圖案。 19.      如條項18之媒體，其中選擇包含： 將總熵判定為與對應於圖案集合中之每一圖案的每一資料點群組相關聯的資訊熵的組合。 20.      如條項19之媒體，其中自圖案集合選擇圖案子集包含： 自表示圖案集合之群組選擇複數個群組，每一所選群組具有突破距離臨限值之距離度量之值；及 針對所選群組判定表示域之資訊熵是否符合規定準則； 回應於資訊熵不符合規定準則，將其他群組增添至所選複數個群組或自所選複數個群組移除一群組，且重複步驟；及 選擇對應於所選複數個群組之複數個圖案。 21.      如條項1至20中任一項之媒體，其中距離度量包含： 使用表示域中之群組內的資料點計算的庫貝克-李柏發散；或 使用表示域中之群組內的資料點計算的最近鄰近者之k平均值。 22.      如條項1至21中任一項之媒體，其進一步包含： 依據圖案子集訓練經組態以判定圖案化製程之特徵的機器學習模型。 23.      如條項1至22中任一項之媒體，其中機器學習模型經組態以判定微影設備之照明源、遮罩之遮罩圖案、微影設備之投影系統或用於在基板上印刷圖案之抗蝕劑的特徵。 24.      如條項1至23中任一項之媒體，其中將每一圖案表示為表示域中之資料點不包括使用機器學習模型。 25.      如條項1之媒體，其中表示域對應於電磁函數。 26.      如條項25之媒體，其中電磁函數為與用於在基板上印刷第一圖案集合之微影設備的照明源相關聯的一組透射交叉係數(TCC)函數。 27.      如條項26之媒體，其中表示每一圖案包括： 將圖案集合中之圖案之像素表示為圖案向量，其中該圖案向量中之每一元素對應於TCC函數集合中之TCC處之像素的投影。 28.      如條項27之媒體，其中圖案向量指示對應像素之EMF激發。 29.      如條項27之媒體，其中圖案向量指示對應像素之近接對於對應像素之EMF激發的影響。 30.      如條項1之媒體，其中與圖案集合中之每一圖案相關聯之資料點的群組包括圖案向量群組，其中每一圖案向量對應於對應圖案之複數個像素中之像素。 31.      如條項1之媒體，其中圖案集合中之每一圖案表示為表示域中之複數個部件，其中每一部件對應於圖案之像素。 32.      一種用以表示表示域中之圖案的非暫時性電腦可讀媒體，該媒體包含儲存於其中之指令，該等指令在由一或多個處理器執行時進行包含以下之操作： 獲得圖案集合，每一圖案包含一或多個特徵；及 將圖案集合中之每一圖案轉換成表示域中之資料點之群組，每一資料點指示與圖案集合中之給定圖案之一部分內的特徵相關聯之資訊。 33.      如條項32之媒體，其中將每一圖案表示為表示域中之資料點之群組包含： 藉由基底函數集合轉換給定圖案，基底函數集合特徵化表示域。 34.      如條項33之媒體，其中在轉換後，資料點群組為與基底函數集合相關聯之係數集合。 35.      如條項34之媒體，其中與基底函數集合相關聯之係數集合對應於給定圖案之像素在代表性域中之位置集合。 36.      如條項33之媒體，其中基底函數集合為正交函數集合。 37.      如條項33至36中任一項之媒體，其中轉換包含： 將圖案集合中之給定圖案投影於線性表示域中。 38.      如條項37之媒體，其中投影包含：判定表示圖案集合中之給定圖案的正交函數集合之線性組合。 39.      如條項33至38中任一項之媒體，其中基底函數集合包含以下各者中之至少一者： 厄米特高斯模式； 任尼克多項式；或 貝塞爾函數。 40.      如條項32至39中任一項之媒體，其中表示域為希伯特空間域。 41.      一種非暫時性電腦可讀媒體，其經組態以選擇用於訓練機器學習模型之代表性圖案，該媒體包含儲存於其中之指令，該等指令在由一或多個處理器執行時進行包含以下之操作： 獲得圖案集合； 將圖案集合中之每一圖案表示為表示域中之資料點之群組；及 依據資料點之群組自圖案集合選擇圖案子集作為用於圖案集合中之給定圖案與另一圖案之間的互資訊的指導。 42.      如條項41之媒體，其中每一資料點表示與圖案集合中之給定圖案之一部分內的特徵相關聯之資訊。 43.      如條項42之媒體，其中與特徵相關聯之資訊包含給定圖案之部分內之像素值。 44.      如條項41至43中任一項之媒體，其中給定圖案與另一圖案之間的互資訊之量指示給定圖案中之多少資訊與另一圖案共同，大量互資訊指示給定圖案與另一圖案之間的大量共同資訊。 45.      如條項41至44中任一項之媒體，其中將每一圖案表示為表示域中之資料點之群組包含： 藉由基底函數集合轉換給定圖案，基底函數集合特徵化表示域。 46.      如條項45之媒體，其中在轉換後，資料點群組為與基底函數集合相關聯之係數集合。 47.      如條項46之媒體，其中與基底函數集合相關聯之係數集合對應於給定圖案之像素在代表性域中之位置集合。 48.      如條項45至47中任一項之媒體，其中基底函數集合為正交函數集合。 49.      如條項45至48中任一項之媒體，其中轉換包含： 將圖案集合中之給定圖案投影於線性表示域中。 50.      如條項49之媒體，其中投影包含：判定表示圖案集合中之給定圖案的正交函數集合之線性組合。 51.      如條項45至50中任一項之媒體，其中基底函數集合包含以下各者中之至少一者： 厄米特高斯模式； 任尼克多項式；或 貝塞爾函數。 52.      如條項41至51中任一項之媒體，其中表示域為希伯特空間域。 53.      如條項41至52中任一項之媒體，其中選擇圖案子集包含依據所選圖案之總熵而自圖案集合選擇複數個圖案。 54.      如條項53之媒體，其中選擇包含： 將總熵判定為與對應於圖案集合中之每一圖案的每一資料點群組相關聯的資訊熵的組合。 55.      如條項54之媒體，其中自圖案集合選擇圖案子集包含： 自表示圖案集合之群組選擇複數個群組，每一所選群組具有突破距離臨限值之距離度量的值，該距離度量指示所選群組與表示圖案集合之群組中之另一者之間的距離；及 針對所選群組判定表示域中之資訊熵是否最大化； 回應於資訊熵未最大化，將其他群組增添至所選複數個群組或自所選複數個群組移除一群組，且重複步驟直至資訊熵最大化為止；及 選擇對應於所選複數個群組之複數個圖案。 56.      如條項55之媒體，其中距離度量包含： 使用表示域中之群組內的資料點計算的庫貝克-李柏發散；或 使用表示域中之群組內的資料點計算的最近鄰近者之k平均值。 57.      如條項41至56中任一項之媒體，其中圖案集合包含自以下各者獲得之圖案： 設計佈局，其需要印刷於基板上； 模擬影像，其與圖案化製程相關聯；或 影像，其與經圖案化基板相關聯。 58.      如條項41至57中任一項之媒體，其中模擬影像包含以下各者中之至少一者：空中影像、遮罩影像、抗蝕劑影像或蝕刻影像。 59.      如條項58之媒體，其中經圖案化基板之影像包含經圖案化基板之掃描電子顯微鏡(SEM)影像。 60.      如條項41至59中任一項之媒體，其進一步包含： 依據圖案子集訓練經組態以判定圖案化製程之特徵的機器學習模型。 61.      如條項60之媒體，其中機器學習模型經組態以判定微影設備之照明源、遮罩之遮罩圖案、微影設備之投影系統或用於在基板上印刷圖案之抗蝕劑的特徵。 62.      如條項41至61中任一項之媒體，其中將每一圖案表示為表示域中之資料點不包括使用機器學習模型。 63.      一種用於依據用於訓練與半導體製造相關之機器學習模型的圖案之間的互資訊選擇圖案之方法，該方法包含： 獲得包括第一圖案及第二圖案之圖案集合，圖案集合中之每一圖案包含一或多個特徵； 將圖案集合中之每一圖案表示為表示域中之資料點之群組，第一圖案表示為表示域中之第一資料點群組，且第二圖案表示為表示域中之第二資料點群組，第一群組之每一資料點指示與第一圖案之一部分內的特徵相關聯之資訊，且第二群組之每一資料點指示與第二圖案之一部分內的特徵相關聯之資訊； 判定對應於圖案集合之距離度量之距離值集合，距離值集合包含在第一資料點群組與另一資料點群組之間判定的第一距離值，及在第二資料點群組與另一資料點群組之間判定的第二距離值，距離度量指示圖案集合中之給定圖案與另一圖案之間的互資訊之量；及 依據突破距離臨限值之距離度量之值自圖案集合選擇圖案子集。 64.      如條項63之方法，其中圖案集合包含自以下各者獲得之圖案： 設計佈局，其需要印刷於基板上； 模擬影像，其與圖案化製程相關聯；或 影像，其與經圖案化基板相關聯。 65.      如條項64之方法，其中模擬影像包含以下各者中之至少一者：空中影像、遮罩影像、抗蝕劑影像或蝕刻影像。 66.      如條項64之方法，其中經圖案化基板之影像包含經圖案化基板之掃描電子顯微鏡(SEM)影像。 67.      如條項63至66中任一項之方法，其中與圖案集合中之給定圖案之一部分內的特徵相關聯之資訊包含： 給定圖案之部分內的像素值，該等像素值指示與該部分內之特徵相關聯之強度。 68.      如條項63至67中任一項之方法，其中給定圖案與另一圖案之間的互資訊之量指示給定圖案中之多少資訊與另一圖案共同，大量互資訊指示給定圖案與另一圖案之間的大量共同資訊。 69.      如條項63至68中任一項之方法，其中將每一圖案表示為表示域中之資料點之群組包含： 藉由基底函數集合轉換給定圖案，基底函數集合特徵化表示域。 70.      如條項69之方法，其中在轉換後，給定之每一像素對應於與基底函數集合相關聯之係數集合。 71.      如條項70之方法，其中與基底函數集合相關聯之係數集合對應於TCC集合。 72.      如條項70之方法，其中基底函數集合包括TCC函數集合。 73.      如條項69之方法，其中在轉換後，資料點群組為與基底函數集合相關聯之係數集合。 74.      如條項73之方法，其中與基底函數集合相關聯之係數集合對應於給定圖案之像素在代表性域中之位置集合。 75.      如條項69至74中任一項之方法，其中基底函數集合為正交函數集合。 76.      如條項69至75中任一項之方法，其中轉換包含： 將圖案集合中之給定圖案投影於線性表示域中。 77.      如條項76之方法，其中投影包含： 判定表示圖案集合中之給定圖案的正交函數集合之線性組合。 78.      如條項69至74中任一項之方法，其中基底函數集合包含以下各者中之至少一者： 厄米特高斯模式； 任尼克多項式；或 貝塞爾函數。 79.      如條項63至78中任一項之方法，其中表示域為希伯特空間域。 80.      如條項63至79中任一項之方法，其中選擇圖案子集包含依據所選圖案之總熵而自圖案集合選擇複數個圖案。 81.      如條項80之方法，其中選擇包含： 將總熵判定為與對應於圖案集合中之每一圖案的每一資料點群組相關聯的資訊熵的組合。 82.      如條項81之方法，其中自圖案集合選擇圖案子集包含： 自表示圖案集合之群組選擇複數個群組，每一所選群組具有突破距離臨限值之距離度量之值；及 針對所選群組判定表示域中之資訊熵是否最大化； 回應於資訊熵未最大化，將其他群組增添至所選複數個群組或自所選複數個群組移除一群組，且重複步驟直至資訊熵最大化為止；及 選擇對應於所選複數個群組之複數個圖案。 83.      如條項63至82中任一項之方法，其中距離度量包含： 使用表示域中之群組內的資料點計算的庫貝克-李柏發散；或 使用表示域中之群組內的資料點計算的最近鄰近者之k平均值。 84.      如條項63至83中任一項之方法，其進一步包含： 依據圖案子集訓練經組態以判定圖案化製程之特徵的機器學習模型。 85.      如條項63至84中任一項之方法，其中機器學習模型經組態以判定微影設備之照明源、遮罩之遮罩圖案、微影設備之投影系統或用於在基板上印刷圖案之抗蝕劑的特徵。 86.      如條項63至85中任一項之方法，其中將每一圖案表示為表示域中之資料點不包括使用機器學習模型。 87.      如條項63之方法，其中表示域對應於電磁函數。 88.      如條項87之方法，其中電磁函數為與用於在基板上印刷第一圖案集合之微影設備的照明源相關聯的一組透射交叉係數(TCC)函數。 89.      如條項88之方法，其中表示每一圖案包括： 將圖案集合中之圖案之像素表示為圖案向量，其中該圖案向量中之每一元素對應於TCC函數集合中之TCC處之像素的投影。 90.      如條項89之方法，其中圖案向量指示對應像素之EMF激發。 91.      如條項89之方法，其中圖案向量指示對應像素之近接對於對應像素之EMF激發的影響。 92.      如條項63之方法，其中與圖案集合中之每一圖案相關聯之資料點的群組包括圖案向量群組，其中每一圖案向量對應於對應圖案之複數個像素中之像素。 93.      如條項63之方法，其中圖案集合中之每一圖案表示為表示域中之複數個部件，其中每一部件對應於圖案之像素。 94.      一種用於表示表示域中之圖案的方法，該方法包含： 獲得圖案集合，每一圖案包含一或多個特徵；及 將圖案集合中之每一圖案轉換成表示域中之資料點之群組，每一資料點指示與圖案集合中之給定圖案之一部分內的特徵相關聯之資訊。 95.      如條項94之方法，其中將每一圖案表示為表示域中之資料點之群組包含： 藉由基底函數集合轉換給定圖案，基底函數集合特徵化表示域。 96.      如條項95之方法，其中在轉換後，資料點群組為與基底函數集合相關聯之係數集合。 97.      如條項96之方法，其中與基底函數集合相關聯之係數集合對應於給定圖案之像素在代表性域中之位置集合。 98.      如條項95之方法，其中基底函數集合為正交函數集合。 99.      如條項95至98中任一項之方法，其中轉換包含： 將圖案集合中之給定圖案投影於線性表示域中。 100.   如條項99之方法，其中投影包含：判定表示圖案集合中之給定圖案的正交函數集合之線性組合。 101.   如條項95至100中任一項之方法，其中基底函數集合包含以下各者中之至少一者： 厄米特高斯模式； 任尼克多項式；或 貝塞爾函數。 102.   如條項94至101中任一項之方法，其中表示域為希伯特空間域。 103.   一種用於選擇用於訓練機器學習模型之代表性圖案的方法，該方法包含： 獲得圖案集合； 將圖案集合中之每一圖案表示為表示域中之資料點之群組；及 依據資料點之群組自圖案集合選擇圖案子集作為用於圖案集合中之給定圖案與另一圖案之間的互資訊的指導。 104.   如條項103之方法，其中每一資料點表示與圖案集合中之給定圖案之一部分內的特徵相關聯之資訊。 105.   如條項104之方法，其中與特徵相關聯之資訊包含給定圖案之部分內之像素值。 106.   如條項103至105中任一項之方法，其中給定圖案與另一圖案之間的互資訊之量指示給定圖案中之多少資訊與另一圖案共同，大量互資訊指示給定圖案與另一圖案之間的大量共同資訊。 107.   如條項103至106中任一項之方法，其中將每一圖案表示為表示域中之資料點之群組包含： 藉由基底函數集合轉換給定圖案，基底函數集合特徵化表示域。 108.   如條項107之方法，其中在轉換後，資料點群組為與基底函數集合相關聯之係數集合。 109.   如條項108之方法，其中與基底函數集合相關聯之係數集合對應於給定圖案之像素在代表性域中之位置集合。 110.   如條項107至109中任一項之方法，其中基底函數集合為正交函數集合。 111.   如條項107至110中任一項之方法，其中轉換包含： 將圖案集合中之給定圖案投影於線性表示域中。 112.   如條項111之方法，其中投影包含：判定表示圖案集合中之給定圖案的正交函數集合之線性組合。 113.   如條項107至112中任一項之方法，其中基底函數集合包含以下各者中之至少一者： 厄米特高斯模式； 任尼克多項式；或 貝塞爾函數。 114.   如條項103至113中任一項之方法，其中表示域為希伯特空間域。 115.   如條項103至114中任一項之方法，其中選擇圖案子集包含依據所選圖案之總熵而自圖案集合選擇複數個圖案。 116.   如條項115之方法，其中選擇包含： 將總熵判定為與對應於圖案集合中之每一圖案的每一資料點群組相關聯的資訊熵的組合。 117.   如條項116之方法，其中自圖案集合選擇圖案子集包含： 自表示圖案集合之群組選擇複數個群組，每一所選群組具有突破距離臨限值之距離度量的值，該距離度量指示所選群組與表示圖案集合之群組中之另一者之間的距離；及 針對所選群組判定表示域中之資訊熵是否最大化； 回應於資訊熵未最大化，將其他群組增添至所選複數個群組或自所選複數個群組移除一群組，且重複步驟直至資訊熵最大化為止；及 選擇對應於所選複數個群組之複數個圖案。 118.   如條項117之方法，其中距離度量包含： 使用表示域中之群組內的資料點計算的庫貝克-李柏發散；或 使用表示域中之群組內的資料點計算的最近鄰近者之k平均值。 119.   如條項103至118中任一項之方法，其中圖案集合包含自以下各者獲得之圖案： 設計佈局，其需要印刷於基板上； 模擬影像，其與圖案化製程相關聯；或 影像，其與經圖案化基板相關聯。 120.   如條項103至119中任一項之方法，其中模擬影像包含以下各者中之至少一者：空中影像、遮罩影像、抗蝕劑影像或蝕刻影像。 121.   如條項120之方法，其中經圖案化基板之影像包含經圖案化基板之掃描電子顯微鏡(SEM)影像。 122.   如條項103至121中任一項之方法，其進一步包含： 依據圖案子集訓練經組態以判定圖案化製程之特徵的機器學習模型。 123.   如條項122之方法，其中機器學習模型經組態以判定微影設備之照明源、遮罩之遮罩圖案、微影設備之投影系統或用於在基板上印刷圖案之抗蝕劑的特徵。 124.   如條項103至123中任一項之方法，其中將每一圖案表示為表示域中之資料點不包括使用機器學習模型。 125.   一種具有指令之非暫時性電腦可讀媒體，該等指令在由電腦執行時使得電腦執行用於訓練或校準與半導體製造相關之模型之圖案選擇的方法，該方法包含： 獲得第一圖案集合； 表示在表示域中之第一圖案集合中之每一圖案，該表示域對應於電磁函數；及 依據表示域自第一圖案集合選擇第二圖案集合。 126.   如條項125之電腦可讀媒體，其中電磁函數為與用於在基板上印刷第一圖案集合之微影設備的照明源相關聯的一組透射交叉係數(TCC)函數。 127.   如條項126之電腦可讀媒體，其中表示每一圖案包括： 將第一圖案集合中之圖案之像素表示為圖案向量，其中該圖案向量中之每一元素對應於TCC函數集合中之TCC處之像素的投影。 128.   如條項127之電腦可讀媒體，其中圖案向量指示對應像素之EMF激發。 129.   如條項127之電腦可讀媒體，其中圖案向量指示對應像素之近接對於對應像素之EMF激發的影響。 130.   如條項125之電腦可讀媒體，其中第一圖案集合中之每一圖案表示為圖案向量群組，其中每一圖案向量對應於對應圖案之複數個像素中之像素。 131.   如條項125之電腦可讀媒體，其中第一圖案集合中之每一圖案表示為表示域中之複數個部件，其中每一部件對應於圖案之像素。 132.   如條項125之電腦可讀媒體，其中選擇第二圖案集合包括依據第二圖案集合之總熵自第一圖案集合選擇複數個圖案。 133.   如條項132之電腦可讀媒體，其中選擇第二圖案集合包括： 將總熵判定為與對應於第一圖案集合中之每一圖案的每一圖案向量群組相關聯的資訊熵的組合。 134.   如條項133之電腦可讀媒體，其中自第一圖案集合選擇第二圖案集合包括： 自表示圖案集合之群組選擇複數個群組，每一所選群組具有滿足距離臨限值之距離度量之值； 針對複數個群組判定表示域之資訊熵是否符合規定準則； 回應於資訊熵不符合規定準則，將其他群組增添至複數個群組或自複數個群組移除一群組，且重複步驟；及 選擇對應於複數個群組之複數個圖案。 135.   如條項134之電腦可讀媒體，其中距離度量包括： 使用表示域中之群組內的圖案向量計算的庫貝克-李柏發散；或 使用表示域中之內群組的圖案向量計算的最近鄰近者之k平均值。 136.   如條項125之電腦可讀媒體，該方法進一步包含： 依據第二圖案集合訓練經組態以判定圖案化製程之特徵的機器學習模型。 137.   如條項136之電腦可讀媒體，其中機器學習模型經組態以判定微影設備之照明源、遮罩之遮罩圖案、微影設備之投影系統或用於在基板上印刷圖案之抗蝕劑中的至少一者之特徵。 138.   如條項125之電腦可讀媒體，其中表示表示域中之每一圖案包括： 藉由特徵化表示域之基底函數集合來轉換第一圖案集合中之給定圖案。 139.   如條項138之電腦可讀媒體，其中在轉換後，給定圖案之每一像素對應於與基底函數集合相關聯之係數集合。 140.   如條項139之電腦可讀媒體，其中與基底函數集合相關聯之係數集合對應於TCC集合。 141.   如138之電腦可讀媒體，其中基底函數集合為正交函數集合。 142.   如條項138之電腦可讀媒體，其中轉換給定圖案包括： 將給定圖案投影於線性表示域中。 143.   如條項138之電腦可讀媒體，其中基底函數集合包括TCC函數集合。 144.   如條項125之電腦可讀媒體，其中表示域為希伯特空間域。 145.   一種用於訓練或校準與半導體製造相關之模型之圖案選擇的方法，該方法包含： 獲得第一圖案集合； 表示在表示域中之第一圖案集合中之每一圖案，該表示域對應於電磁函數；及 依據表示域自第一圖案集合選擇第二圖案集合。 146.   如條項145之方法，其中電磁函數為與用於在基板上印刷第一圖案集合之微影設備的照明源相關聯的一組透射交叉係數(TCC)函數。 147.   如條項146之方法，其中表示每一圖案包括： 將第一圖案集合中之圖案之像素表示為圖案向量，其中該圖案向量中之每一元素對應於TCC函數集合中之TCC處之像素的投影。 148.   如條項147之方法，其中圖案向量指示對應像素之EMF激發。 149.   如條項147之方法，其中圖案向量指示對應像素之近接對於對應像素之EMF激發的影響。 150.   如條項145之方法，其中第一圖案集合中之每一圖案表示為圖案向量群組，其中每一圖案向量對應於對應圖案之複數個像素中之像素。 151.   如條項145之方法，其中第一圖案集合中之每一圖案表示為表示域中之複數個部件，其中每一部件對應於圖案之像素。 152.   如條項145之方法，其中選擇第二圖案集合包括依據第二圖案集合之總熵自第一圖案集合選擇複數個圖案。 153.   如條項152之方法，其中選擇第二圖案集合包括： 將總熵判定為與對應於第一圖案集合中之每一圖案的每一圖案向量群組相關聯的資訊熵的組合。 154.   如條項153之方法，其中自第一圖案集合選擇第二圖案集合包括： 自表示圖案集合之群組選擇複數個群組，每一所選群組具有滿足距離臨限值之距離度量之值； 針對複數個群組判定表示域之資訊熵是否符合規定準則； 回應於資訊熵不符合規定準則，將其他群組增添至複數個群組或自複數個群組移除一群組，且重複步驟；及 選擇對應於複數個群組之複數個圖案。 155.   如條項154之方法，其中距離度量包括： 使用表示域中之群組內的圖案向量計算的庫貝克-李柏發散；或 使用表示域中之內群組的圖案向量計算的最近鄰近者之k平均值。 156.   如條項145之方法，其進一步包含： 依據第二圖案集合訓練經組態以判定圖案化製程之特徵的機器學習模型。 157.   如條項156之方法，其中機器學習模型經組態以判定微影設備之照明源、遮罩之遮罩圖案、微影設備之投影系統或用於在基板上印刷圖案之抗蝕劑中的至少一者之特徵。 158.   如條項145之方法，其中表示表示域中之每一圖案包括： 藉由特徵化表示域之基底函數集合來轉換第一圖案集合中之給定圖案。 159.   如條項158之方法，其中在轉換後，給定圖案之每一像素對應於與基底函數集合相關聯之係數集合。 160.   如條項159之方法，其中與基底函數集合相關聯之係數集合對應於TCC集合。 161.   如158之方法，其中基底函數集合為正交函數集合。 162.   如條項158之方法，其中轉換給定圖案包括： 將給定圖案投影於線性表示域中。 163.   如條項158之方法，其中基底函數集合包括TCC函數集合。 164.   如條項145之方法，其中表示域為希伯特空間域。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上之成像，但應理解，所揭示概念可供與任何類型之微影成像系統一起使用，例如，用於在除了矽晶圓以外的基板上成像之微影成像系統。本文中之描述意欲為說明性的，而非限制性的。因此，對於熟習此項技術者將顯而易見，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。
10A:微影投影設備 12A:輻射源 14A:光學器件 16Aa:光學器件 16Ab:光學器件 16Ac:透射光學器件 18A:圖案化裝置 20A:孔徑 21:輻射光束 22:琢面化場鏡面裝置 22A:基板平面 24:琢面化光瞳鏡面裝置 26:經圖案化光束 28:反射元件 30:反射元件 31:源模型 32:投影光學器件模型 35:設計佈局模型 36:空中影像 37:抗蝕劑模型 38:抗蝕劑影像 210:電漿 211:源腔室 212:收集器腔室 220:圍封結構 221:開口 230:污染物截留器 240:濾光片 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 301:部分 303:資訊 305:像素 400:方法 402:圖案集合 404:資料點 410:圖案子集 1202:第一圖案集合 1204:資料點 1206:第二圖案集合 AD:調整構件 B:輻射光束 BS:匯流排 C:目標部分 CC:游標控制件 CI:通信介面 CO:聚光器、輻射收集器 CS:電腦系統 DS:顯示器 G1:群組 G2:群組 HC:主電腦 ID:輸入裝置 IF:干涉量測構件、虛擬源點 IL:照明系統 IN:積光器 INT:網際網路 LA:雷射 LAN:區域網路 LPA: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 NDL:網路鏈路 O:光軸 P1:基板對準標記 P1201:程序 P1203:程序 P1205:程序 P2:基板對準標記 P401:程序 P403:程序 P405:程序 P407:程序 PAT1:方塊 PAT2:方塊 PAT3:方塊 PB:光束 PL:透鏡 PM:第一定位器 PRO:處理器 PS:投影系統 PS1:位置感測器 PS2:位置感測器 PW:第二定位器 ROM:唯讀記憶體 SD:儲存裝置 SO:輻射源、源收集器模組 W:基板 WT:第二物件台
併入本說明書中且構成本說明書之一部分之隨附圖式展示本文中所揭示之主題的某些態樣，且與實施方式一起有助於解釋與所揭示實施例相關聯之一些原理。在圖式中，
圖1說明根據一實施例之微影投影設備之各種子系統的方塊圖。
圖2說明根據一實施例的用於模擬微影投影設備中之微影的例示性方法之流程圖。
圖3以圖形方式描繪將圖案變換成代表性域中之像素嵌入式資訊，該代表性域具有輸入圖案之維度的降低之維度，該變換係使用圍繞所關注像素之限界框的卷積運算。
圖4為根據一實施例的用於依據代表性域中之圖案相關資料點而自目標佈局選擇圖案之例示性方法的流程圖。
圖5A為描繪根據一實施例將圖案變換成代表性域(例如，正交基底函數之係數)之實例。
圖5B說明根據一實施例的代表性域中之資料點群組，其中第一群組(亮點)表示第一圖案，且第二群組(暗點)表示第二圖案。
圖6說明根據本發明之一實施例的自設計佈局的一部分的複數個圖案的圖案的實例選擇。
圖7為根據一實施例之實例電腦系統的方塊圖。
圖8為根據一實施例之微影投影設備之示意圖。
圖9為根據一實施例之另一微影投影設備之示意圖。
圖10為根據一實施例之微影投影設備的詳細視圖。
圖11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12為根據一實施例之用於依據基於源之代表性域中之圖案表示自目標佈局選擇圖案的例示性方法之流程圖。

Claims (14)

  1. 一種用於一半導體製造相關製程之圖案選擇(pattern selection)的方法，其包含：獲得一圖案集合(a set of patterns)；將該圖案集合中之每一圖案表示為一表示域中之一資料點群組(a group of data points)，其中每一資料點表示與該圖案集合中之給定圖案之一部分內的特徵(features)相關聯的資訊，其中將每一圖案表示為該表示域中之該資料點群組包含使用一基底函數集合轉換該給定圖案，該基底函數集合特徵化該表示域；及依據該資料點群組自該圖案集合選擇一圖案子集作為用於該圖案集合中之一給定圖案與另一圖案之間的互資訊(mutual information)的一指導。
  2. 如請求項1之方法，其中與該等特徵相關聯之該資訊包含該給定圖案之該部分內的像素值。
  3. 如請求項1之方法，其中該給定圖案與該另一圖案之間的互資訊之量指示該給定圖案中之與該另一圖案共同之一資訊量。
  4. 如請求項1之方法，其中在轉換後，該資料點群組對應於與該基底函數集合相關聯之一係數集合。
  5. 如請求項4之方法，其中與該基底函數集合相關聯之該係數集合對應於該給定圖案之像素在代表性域中的一位置集合。
  6. 如請求項1之方法，其中該轉換包含：在線性表示域中投影該圖案集合中之該給定圖案，其中該投影包含：判定表示該圖案集合中之該給定圖案的正交函數集合之一線性組合。
  7. 如請求項1之方法，其中該基底函數集合包含以下各者中之至少一者：厄米特高斯模式(Hermite Gaussian modes)；任尼克多項式(Zernike polynomials)；或貝塞爾函數(Bessel functions)。
  8. 如請求項1之方法，其中該表示域為一希伯特空間域。
  9. 如請求項1之方法，其中選擇該圖案子集包含依據該等所選圖案之一總熵自該圖案集合選擇複數個圖案；將該總熵判定為與對應於該圖案集合中之每一圖案的每一資料點群組相關聯之資訊熵之一組合。
  10. 如請求項9之方法，其中自該圖案集合選擇該圖案子集包含：自表示該圖案集合之該等群組選擇複數個群組，每一所選群組具有突破一距離臨限值之一距離度量的一值，該距離度量指示該所選群組與表示該圖案集合之該等群組中之另一者之間的一距離；及 針對該等所選群組判定該表示域中之資訊熵是否最大化；回應於該資訊熵未最大化，將其他群組增添至該等所選複數個群組或自該等所選複數個群組移除一群組，且重複步驟直至該資訊熵最大化為止；及選擇對應於該等所選複數個群組之複數個圖案。
  11. 如請求項1之方法，其進一步包含：依據該圖案子集訓練經組態以判定一圖案化製程之特徵的一機器學習模型；使用該圖案子集校準一非機器學習模型；或對該圖案子集執行度量衡或檢測量測。
  12. 如請求項1之方法，其中該表示域對應於電磁函數。
  13. 如請求項12之方法，其中該等電磁函數為與用於在一基板上印刷第一圖案集合之一微影設備的一照明源相關聯的一組透射交叉係數(TCC)函數。
  14. 一種具有指令之非暫時性電腦可讀媒體，該等指令在由一電腦執行時使得該電腦執行如請求項1至13中任一項中所描述之一方法。
TW111108136A 2021-03-08 2022-03-07 依據微影設備或製程特徵所特徵化之表示選擇圖案 TWI813192B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202163158092P 2021-03-08 2021-03-08
US63/158,092 2021-03-08
US202263299430P 2022-01-14 2022-01-14
US63/299,430 2022-01-14

Publications (2)

Publication Number Publication Date
TW202240316A TW202240316A (zh) 2022-10-16
TWI813192B true TWI813192B (zh) 2023-08-21

Family

ID=80683808

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111108136A TWI813192B (zh) 2021-03-08 2022-03-07 依據微影設備或製程特徵所特徵化之表示選擇圖案

Country Status (4)

Country Link
KR (1) KR20230154852A (zh)
CN (1) CN115047719A (zh)
TW (1) TWI813192B (zh)
WO (1) WO2022189180A1 (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201611093A (zh) * 2014-06-27 2016-03-16 Hitachi High Tech Corp 圖案測定條件設定裝置、及圖案測定裝置
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
TW202043909A (zh) * 2019-01-29 2020-12-01 荷蘭商Ａｓｍｌ荷蘭公司 用於佈局圖案選擇之方法及設備

Family Cites Families (9)

* 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
WO2007019269A2 (en) 2005-08-08 2007-02-15 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
JP4954211B2 (ja) 2005-09-09 2012-06-13 エーエスエムエル ネザーランズ ビー．ブイ． 個別マスクエラーモデルを使用するマスク検証を行うシステムおよび方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
TW201611093A (zh) * 2014-06-27 2016-03-16 Hitachi High Tech Corp 圖案測定條件設定裝置、及圖案測定裝置
TW202043909A (zh) * 2019-01-29 2020-12-01 荷蘭商Ａｓｍｌ荷蘭公司 用於佈局圖案選擇之方法及設備

Also Published As

Publication number Publication date
TW202240316A (zh) 2022-10-16
WO2022189180A1 (en) 2022-09-15
CN115047719A (zh) 2022-09-13
KR20230154852A (ko) 2023-11-09

Similar Documents

Publication Publication Date Title
TWI833068B (zh) 藉由機器學習來判定製程模型之方法
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
TWI752539B (zh) 用於模型校準以減少模型預測不確定性的預測資料選擇
US20220404712A1 (en) Machine learning based image generation for model base alignments
TWI753681B (zh) 用於改良光罩圖案產生中之一致性之方法
TW202006346A (zh) 基於自電子束影像擷取的3d資訊的隱藏缺陷偵測和epe估計
TW202028849A (zh) 產生特徵圖案與訓練機器學習模型之方法
WO2021175570A1 (en) Machine learning based subresolution assist feature placement
TWI778722B (zh) 用於選擇資訊模式以訓練機器學習模型之設備及方法
TWI667553B (zh) 判定圖案之特性之方法
TW202307722A (zh) 蝕刻系統、模型、及製造程序
KR102642972B1 (ko) 모델 캘리브레이션을 위한 게이지 선택의 향상
TW202209012A (zh) 用於基於影像之圖案選擇之系統、產品及方法
TWI813192B (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
TWI839015B (zh) 用於判定恆定寬度次解析度輔助特徵的方法、軟體、及系統
TW202333079A (zh) 產生擴增資料以訓練機器學習模型以保持物理趨勢
TW202405565A (zh) 評估經選擇圖案集合之方法
TW202340847A (zh) 用於判定基於蝕刻偏差方向之蝕刻功效之系統及方法
TW202334739A (zh) 模擬模型穩定性判定系統及方法
KR20240063109A (ko) 선택된 패턴 세트를 평가하는 방법
TW202405567A (zh) 圖案選擇系統及方法
TW202409748A (zh) 用於基於機器學習的影像產生以用於模型為基礎對準之電腦可讀媒體