TWI820407B - 用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式 - Google Patents
用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式 Download PDFInfo
- Publication number
- TWI820407B TWI820407B TW110111850A TW110111850A TWI820407B TW I820407 B TWI820407 B TW I820407B TW 110111850 A TW110111850 A TW 110111850A TW 110111850 A TW110111850 A TW 110111850A TW I820407 B TWI820407 B TW I820407B
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- substrate
- data
- decision
- indicators
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 235
- 239000000758 substrate Substances 0.000 title claims abstract description 140
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 21
- 239000004065 semiconductor Substances 0.000 title claims abstract description 20
- 238000004590 computer program Methods 0.000 title claims description 9
- 238000001459 lithography Methods 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 65
- 238000005259 measurement Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 60
- 238000010801 machine learning Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 7
- 230000004075 alteration Effects 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 63
- 230000005855 radiation Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 23
- 239000011324 bead Substances 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 15
- 238000000059 patterning Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 12
- 230000007547 defect Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000013526 transfer learning Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000011109 contamination Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000005530 etching Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 6
- 239000011248 coating agent Substances 0.000 description 6
- 238000000576 coating method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 238000007654 immersion Methods 0.000 description 5
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000003869 coulometry Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000031361 Hiccup Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000000572 ellipsometry Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000671 immersion lithography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- G03F7/70508—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
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
- G03F1/70—Adapting basic layout or design of masks to lithographic process requirements, e.g., second iteration correction of mask patterns for imaging
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45028—Lithography
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49013—Deposit layers, cured by scanning laser, stereo lithography SLA, prototyping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Abstract
本發明描述一種用於將經受包含多個操作之一半導體製程的一基板歸類之方法，該方法包含：獲得自在該基板上之該多個操作中之一或多者期間所產生的資料導出的功能指示符之值，該等功能指示符特性化以下至少一個操作：將包含一或多個臨限值之一決定模型應用至該等功能指示符之該等值以獲得一或多個類別指示符；及基於該一或多個類別指示符向該基板指派一類別。
Description
本發明係關於一種半導體製程，特別是用以將正經受半導體製程之基板歸類例如以使能夠做出決定的方法，做出決定諸如是應對基板進行重工、檢測抑或前進至半導體製程之另外程序步驟。
微影裝置為經建構以將所要圖案施加至基板上之機器。微影裝置可用於例如積體電路(IC)之製造中。微影裝置可例如將圖案化器件(例如光罩)處之圖案(亦經常被稱作「設計佈局」或「設計」)投影至提供於基板(例如晶圓)上之輻射敏感材料(抗蝕劑)層上。
為了將圖案投影於基板上，微影裝置可使用電磁輻射。此輻射之波長判定可形成於基板上之特徵之最小大小。當前在使用中之典型波長為365 nm (i線)、248 nm、193 nm及13.5 nm。相比於使用例如具有193 nm之波長之輻射的微影裝置，使用具有在4 nm至20 nm之範圍內之波長(例如6.7 nm或13.5 nm)之極紫外線(EUV)輻射的微影裝置可用以在基板上形成較小特徵。
低k1
微影可用以處理尺寸小於微影裝置之經典解析度極限的特徵。在此程序中，可將解析度公式表達為CD = k1
×λ/NA，其中λ為所使用輻射之波長、NA為微影裝置中之投影光學件之數值孔徑、CD為「臨界尺寸」(通常為經印刷之最小特徵大小，但在此狀況下為半節距)且k1
為經驗解析度因數。一般而言，k1
愈小，則在基板上再生類似於由電路設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，可將複雜微調步驟應用至微影投影裝置及/或設計佈局。此等步驟包括例如但不限於：NA之最佳化、自訂照明方案、使用相移圖案化器件、設計佈局之各種最佳化，諸如設計佈局中之光學近接校正(OPC，有時亦被稱作「光學及程序校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。替代地，用於控制微影裝置之穩定性之嚴格控制迴路可用以改良在低k1
下之圖案之再生。
此等嚴格控制迴路通常係基於使用度量衡工具而獲得之度量衡資料，該度量衡工具量測經施加圖案或表示經施加圖案之度量衡目標的特性。一般而言，度量衡工具係基於圖案及/或目標之位置及/或尺寸的光學量測。本質上假定此等光學量測表示積體電路之製程之品質。
除了基於光學量測進行控制以外，亦可執行以電子束為基礎之量測；在該等以電子束為基礎之量測當中，可利用使用電子束工具(如由HMI提供)的所謂低電壓量測。此低電壓對比量測指示施加至基板之層之間的電接點之品質。
為了避免良率損失(基板之完全損失及報廢)，有時有必要對基板進行重工。重工基本上包含取消先前曝光步驟，例如藉由剝離掉所有的曝光層，且重新曝光該層。若判定經曝光結構在某種程度上不合規格，則此重工可為必需的；舉例而言，若疊對過大，或CD過小或不足夠均一，使得器件很可能為非功能性的。然而，重工，甚至檢查基板以查看其是否需要重工，皆會引發顯著的產出率損失。因而，需要用於作成諸如此等(及其他)決定的改良之方法。
發明人之一目標為解決目前先進技術之所提及缺點。
在本發明之在一第一態樣中，提供一種用於將經受包含多個操作之一半導體製程的一基板歸類之方法，該方法包含：獲得自在該基板上之該多個操作中之一或多者期間所產生的資料導出的功能指示符之值，該等功能指示符特性化至少一個操作；將包含一或多個臨限值之一決定模型應用至該等功能指示符之該等值以獲得一或多個類別指示符；及基於該一或多個類別指示符向該基板指派一類別。
在本發明之一第二態樣中，提供一種用於建構用於在一半導體製程內作成一決定的一決定模型之方法，該方法包含：獲得與該半導體製程之一圖案化步驟之一或多個參數相關的資料；自該資料導出一或多個類別指示符，該一或多個類別指示符中之每一者基於至少一個臨限值指示該半導體製程之一品質；及根據對已經歷該圖案化步驟且具有指派至其之對應的決定及/或類別之基板所執行之量測來訓練該決定模型，該訓練設定用於該一或多個臨限值中之每一者之一值，使得該決定模型基於該資料輸出用於該一或多個類別指示符中之每一者之一適當值。
在本發明之文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如具有為365 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外線輻射(EUV，例如具有在約5 nm至100 nm之範圍內之波長)。
如本文中所使用之術語「倍縮光罩」、「光罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件，經圖案化橫截面對應於待在基板之目標部分中產生之圖案；術語「光閥」亦可用於此內容背景中。除了經典光罩(透射或反射；二元、相移、混合式等)以外，其他此等圖案化器件之實例亦包括：
- 可程式化鏡面陣列。以引用方式併入本文中之美國專利第5,296,891號及第5,523,193號中給出關於此等鏡面陣列之更多資訊。
- 可程式化LCD陣列。以引用方式併入本文中之美國專利第5,229,872號中給出此構造之實例。
圖1示意性地描繪微影裝置LA。該微影裝置LA包括：照明系統(亦被稱作照明器) IL，其經組態以調節輻射光束B (例如UV輻射、DUV輻射或EUV輻射)；支撐結構(例如光罩台) MT，其經建構以支撐圖案化器件(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器件MA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器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如包含一或多個晶粒)上。
在操作中，照明器IL例如經由光束遞送系統BD自輻射源SO接收輻射光束。照明系統IL可包括用於導向、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。照明器IL可用以調節輻射光束B，以在圖案化器件MA之平面處在其橫截面中具有所要空間及角強度分佈。
本文所使用之術語「投影系統」PS應被廣泛地解譯為涵蓋適於所使用之曝光輻射或適於諸如浸潤液體之使用或真空之使用之其他因素的各種類型之投影系統，包括折射、反射、反射折射、合成、磁性、電磁及靜電光學系統，或其任何組合。可認為本文中對術語「投影透鏡」之任何使用皆與更一般之術語「投影系統」PS同義。
微影裝置可屬於以下類型：其中基板之至少一部分可由具有相對較高折射率之液體(例如水)覆蓋，以便填充投影系統與基板之間的空間-其亦被稱作浸潤微影。以引用方式併入本文中之美國專利第6,952,253號及PCT公開案第WO99-49504號中給出關於浸潤技術之更多資訊。
微影裝置LA亦可屬於具有兩個(雙載物台)或多於兩個基板台WT及例如兩個或多於兩個支撐結構MT (圖中未繪示)之類型。在此等「多載物台」機器中，可並行地使用額外台/結構，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將圖案化器件MA之設計佈局曝光至基板W上。
在操作中，輻射光束B入射於被固持於支撐結構(例如光罩台MT)上之圖案化器件(例如光罩MA)上，且係由該圖案化器件MA而圖案化。在已橫穿光罩MA的情況下，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器IF (例如，干涉器件、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。相似地，第一定位器PM且有可能另一位置感測器(其未在圖1中明確地描繪)可用以相對於輻射光束B之路徑來準確地定位光罩MA。可使用光罩對準標記M1、M2及基板對準標記P1、P2來對準光罩MA及基板W。儘管如所說明之基板對準標記佔據專用目標部分，但該等基板對準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)。
如圖2所展示，微影裝置LA可形成微影製造單元LC (有時亦被稱作微影製造單元(lithocell)或(微影)叢集)之部分，微影製造單元LC常常亦包括用以對基板W執行曝光前程序及曝光後程序之裝置。通常，此等裝置包括用以沈積抗蝕劑層之旋塗器SC、用以顯影經曝光抗蝕劑之顯影器DE、例如用於調節基板W之溫度(例如用於調節抗蝕劑層中之溶劑)之冷卻板CH及烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板W、在不同程序裝置之間移動基板W且將基板W遞送至微影裝置LA之裝載匣LB。微影製造單元中常常亦被集體地稱作塗佈顯影系統之器件通常係在塗佈顯影系統控制單元TCU之控制下，塗佈顯影系統控制單元TCU自身可受到監督控制系統SCS控制，監督控制系統SCS亦可例如經由微影控制單元LACU而控制微影裝置LA。
為了正確且一致地曝光由微影裝置LA曝光之基板W，需要檢測基板以量測經圖案化結構之屬性，諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD)等。出於此目的，可在微影製造單元LC中包括檢測工具(圖中未繪示)。若偵測到誤差，則可對後續基板之曝光或對待對基板W執行之其他處理步驟進行例如調整，尤其是在同一批量或批次之其他基板W仍待曝光或處理之前進行檢測的情況下。
亦可被稱作度量衡裝置之檢測裝置係用以判定基板W之屬性，且尤其判定不同基板W之屬性如何變化或與同一基板W之不同層相關聯之屬性在層與層間如何變化。檢測裝置可替代地經建構以識別基板W上之缺陷，且可例如為微影製造單元LC之部分，或可整合至微影裝置LA中，或可甚至為單機器件。檢測裝置可量測潛影(在曝光之後在抗蝕劑層中之影像)上之屬性，或半潛影(在曝光後烘烤步驟PEB之後在抗蝕劑層中之影像)上之屬性，或經顯影抗蝕劑影像(其中抗蝕劑之曝光部分或未曝光部分已被移除)上之屬性，或甚至經蝕刻影像(在諸如蝕刻之圖案轉印步驟之後)上之屬性。
通常微影裝置LA中之圖案化程序為在處理中之最具決定性步驟中的一者，其需要基板W上之結構之尺寸標定及置放之高準確度。為了確保此高準確度，可將三個系統組合於所謂的「整體」控制環境中，如圖3示意性地所描繪。此等系統中之一者為微影裝置LA，其(實際上)連接至度量衡工具MT (第二系統)且連接至電腦系統CL (第三系統)。此「整體」環境之關鍵在於最佳化此等三個系統之間的合作以增強總體程序窗且提供嚴格控制迴路，從而確保由微影裝置LA執行之圖案化保持在程序窗內。程序窗界定程序參數(例如劑量、焦點、疊對)之範圍，在該程序參數範圍內特定製程產生所界定結果(例如功能半導體器件)-通常在該程序參數範圍內，微影程序或圖案化程序中之程序參數被允許變化。
電腦系統CL可使用待圖案化之設計佈局(之一部分)以預測使用哪些解析度增強技術且執行計算微影模擬及演算，以判定哪些光罩佈局及微影裝置設定達成圖案化程序之最大總體程序窗(在圖3中由第一標度SC1中之雙白色箭頭描繪)。通常，解析度增強技術經配置以匹配於微影裝置LA之圖案化可能性。電腦系統CL亦可用以偵測在程序窗內何處微影裝置LA當前正操作(例如使用來自度量衡工具MT之輸入)以便預測歸因於例如次佳處理是否可存在缺陷(在圖3中由第二標度SC2中之指向「0」之箭頭描繪)。
度量衡工具MT可將輸入提供至電腦系統CL以實現準確模擬及預測，且可將回饋提供至微影裝置LA以識別例如微影裝置LA之校準狀態中的可能漂移(在圖3中由第三標度SC3中之多個箭頭描繪)。
微影裝置LA經組態以將圖案準確地再生至基板上。所施加之特徵之位置及尺寸需要在某些容差內。位置誤差可歸因於疊對誤差(常常被稱作「疊對」)而出現。疊對為在第一曝光期間置放第一特徵相對於在第二曝光期間置放第二特徵時之誤差。微影裝置藉由在圖案化之前將每一晶圓與參考件準確地對準而最小化疊對誤差。此係藉由使用對準感測器量測基板上之對準標記之位置來完成。可在以引用方式併入本文中之美國專利申請公開案第US20100214550號中找到關於對準工序之更多資訊。圖案尺寸標定(例如CD)誤差可例如在基板相對於微影裝置之焦平面並未正確地定位時出現。此等焦點位置誤差可與基板表面之非扁平度相關聯。微影裝置藉由在圖案化之前使用位階感測器量測基板表面構形而最小化此等焦點位置誤差。在後續圖案化期間應用基板高度校正以確保圖案化器件至基板上之正確成像(聚焦)。可在以引用方式併入本文中的美國專利申請公開案第US20070085991號中找到關於位階感測器系統之更多資訊。
除微影裝置LA及度量衡裝置MT以外，在IC生產期間亦可使用其他處理裝置。蝕刻站(圖中未繪示)在圖案曝光至抗蝕劑中之後處理基板。蝕刻站將圖案自抗蝕劑轉印至抗蝕劑層下方之一或多個層中。通常，蝕刻係基於施加電漿介質。可例如使用基板之溫度控制或使用電壓控制環來導向電漿介質從而控制局部蝕刻特性。可在以引用方式併入本文中之國際專利申請公開案第WO2011081645號及美國專利申請公開案第US 20060016561號中找到關於蝕刻控制之更多資訊。
在IC之製造期間，極為重要的係使用處理裝置(諸如微影裝置或蝕刻站)處理基板的程序條件保持穩定以使得特徵之屬性保持在某些控制限度內。程序之穩定性對於IC之功能性部分之特徵(亦即產品特徵)尤其重要。為了保證穩定處理，程序控制能力需要就位。程序控制涉及監測處理資料及用於程序校正之構件之實施，例如基於處理資料之特性控制處理裝置。程序控制可基於藉由度量衡裝置MT進行之週期性量測，常常被稱作「進階程序控制」(亦進一步被稱作APC)。可在以引用方式併入本文中之美國專利申請公開案第US20120008127號中找到關於APC之更多資訊。典型APC實施涉及對基板上之度量衡特徵之週期性量測，從而監測及校正與一或多個處理裝置相關聯之漂移。度量衡特徵反映了對產品特徵之程序變化之回應。度量衡特徵對程序變化之敏感度與產品特徵之敏感度可不同。在彼狀況下，可判定所謂的「度量衡對器件」偏移(另外亦被稱作MTD)。為了模仿產品特徵之行為，度量衡目標可併有分段特徵、輔助特徵或具有特定幾何形狀及/或尺寸之特徵。謹慎設計之度量衡目標應以與產品特徵對程序變化作出回應相似之方式對程序變化作出回應。可在以引用方式併入本文中之國際專利申請公開案第WO 2015101458號中找到關於度量衡目標設計之更多資訊。
術語指紋可指經量測信號之主要(系統性)貢獻因素(「潛在因素」)，且尤其係指與晶圓上之效能影響有關或與先前處理步驟有關的貢獻因素。此指紋可指基板(柵格)圖案(例如來自對準、位階量測、疊對、焦點、CD)、場圖案(例如來自場內對準、位階量測、疊對、焦點、CD)、基板分區圖案(例如晶圓量測之最外半徑)，或甚至關於晶圓曝光之掃描器量測中之圖案(例如來自倍縮光罩對準量測之批次間加熱訊跡、溫度/壓力/伺服剖面等)。指紋可包含於指紋集合內，且可在其中經均勻或非均勻地編碼。
通常在處理基板之後獲得電量測資料。通常，當執行電度量衡以獲得電量測資料時，使用探測器來量測基板上之所有晶粒，該等探測器與在處理期間形成之電路(接近)接觸。可執行各種類型之量測：例如電壓、電流、電阻、電容及電感量測。可在不同條件(例如頻率、電壓、電流)下且在橫越晶粒之複數個部位處執行此等量測。電量測可包含特定結構/特徵或器件是否為功能性(例如，在規格內)的評估。替代地或另外，電量測可根據「頻率組碼」予以歸類。在某一條件下與某一經量測參數(電流、電壓、電阻、電容、電感)相關聯的電量測通常被稱作單獨「頻率組碼」。因此，橫越晶粒之典型電量測可由複數個曲線圖表示，每一曲線圖表示與一特定頻率組碼相關聯的值之空間分佈。貫穿本文，使「頻率組碼」及「電特性」同義地使用使得與基板相關聯的頻率組碼之值被稱作基板之電特性之值。電量測資料亦可包含位元不對稱性資料或任何其他良率參數。
經量測電特性之屬性(最小值、最大值、變動或任何其他統計量度)為與晶粒上之某電路將為功能性的機率相關的重要指示符。因此，在電特性與程序之良率之間存在很強的關係。因此為了良率控制，電特性量測係必不可少的。然而，電特性量測亦為耗時的，且僅在半導體製程之結束階段(例如，在校正非功能性電路之選項幾乎不存在時)執行。
決定在曝光之後應檢測及/或重工哪些基板為重要的考慮因素，其將對產出率及良率有影響。分類中之誤差將導致良率耗損，此係因為將處理未偵測到的不合規格/非功能性器件，否則會有過多假警報，從而導致不必要的檢查及低效率。
目前，對掃描器資料應用統計控制技術以設定控制限度，以決定在曝光之後應檢測或重工哪些基板。然而，可用於此類分析之資料量極其大。在不具有深度掃描器知識的情況下，需要程序知識及蠻力資料分析技術以識別正確參數，從而導致資料之使用率次佳。統計控制技術對掃描器之物理學視而不見。其主要自資料而非因果關係來推斷相關性。此使得幾乎不可能理解掃描器之行為且調適其以防止未來的問題。無論是手動地抑或藉由統計格化儲存來支援，維持每指示符(例如關鍵效能指示符或KPI)每層的控制限度極耗時且易於出錯。
另外，存在兩方(掃描器製造商及掃描器使用者)，其兩者皆未必獲取高效作成決定所需的所有資訊。掃描器製造商將具有對曝光於特定層上之特徵之掃描器敏感度的知識，其在適當地定義可靠問題預測子方面係具決定性的。此資訊係敏感的且通常不與使用者共用。相似地，關於使用掃描器對器件(例如IC)之製造之使用者敏感資訊，諸如倍縮光罩資訊、照明模式、琢面鏡面呈現，通常不與製造商共用。
提議經物理學驅動而非統計驅動且不需要在掃描器製造商與使用者之間共用敏感資料的疵點偵測及分類(FDC)。該提議包含識別並隔離具有已知產品上影響的相關掃描器參數。該等參數可包含可在每一曝光(例如透鏡任尼克)之後或在專用服務步驟(例如用於習知光瞳之EUV收集器遠場影像重建構)期間量測的參數。定義將掃描器資料聚合至反映掃描器系統之相關物理學的模型中之新指示符。接著定義將此等指示符鏈接至產品上類別指示符之模型。使用此等模型以在製程期間作成決定，例如以決定是否應檢查及/或重工基板。可對照作成之實際決定/歸類來檢查作成決定，諸如是否需要重工(亦即，回饋檢查之結果，但無任何敏感度量衡資料)以便驗證及改良作成決定。以此方式，可將作成決定調整為特定的程序，而不共用使用者敏感資訊。
因而，所提議方法包含作為製程之一部分作成決定，該方法包含：獲得與製程之微影曝光步驟之一或多個參數相關的掃描器資料；自該掃描器資料導出類別指示符，該類別指示符指示製程之品質；及基於該類別指示符決定一動作。與微影曝光步驟之一或多個參數相關的掃描器資料可包含在曝光步驟期間或在準備曝光步驟時由掃描器自身產生的資料，及/或在用於曝光之預備步驟中由另一站(例如單機量測/對準站)產生之資料。因而，該掃描器資料未必必須由掃描器產生或在掃描器內產生。術語掃描器通常用以描述任何微影曝光裝置。
圖4為描述用於在利用如本文中所揭示之疵點偵測及分類(FDC)方法/系統之製程中作成決定的方法的流程圖。在曝光期間(亦即，曝光掃描器資料)或在維護動作之後(或藉由任何其他方式)產生掃描器資料400。本質上為數值的此掃描器資料400經饋送至FDC系統410中。FDC系統410將資料轉換成功能性的以掃描器物理學為基礎之指示符且根據系統物理學聚集此等功能指示符，以便判定用於每一基板之類別系統指示符。類別指示符可為二進位的，諸如其是滿足品質臨限值(OK)抑或不滿足品質臨限值(NOK)。替代地，可存在多於兩個類別(例如基於統計格化儲存技術)。通常，功能指示符係與包含於掃描器內之單獨模組相關聯，該模組係與特定功能(諸如對準、熱調節、位階量測、透鏡像差控制及其類似者)相關聯。
基於掃描器資料400，且更具體言之，基於向彼基板指派之類別指示符，作成檢查決定420以決定是否要檢查/檢測基板。若決定不檢查基板，則轉遞基板以供處理430。此等基板中之若干基板有可能仍經歷度量衡步驟440 (例如，用於控制迴路之輸入資料及/或用以驗證在步驟420處作成之決定)。若在步驟420處決定檢查，則量測440基板，且基於量測之結果，作成重工決定450，以決定是否要重工基板。在另一實施例中，直接基於由FDC系統410判定之類別品質值，而無需檢查決定來作成重工決定。取決於重工決定之結果，將基板進行重工460，或認為基板OK且將其轉遞以供處理430。若為後者，則此將指示向彼基板指派之類別指示符不正確/不準確。應注意，所說明之實際決定(檢查及/或重工)僅係例示性的，且其他決定可基於自FDC輸出之類別值/建議，及/或FDC輸出可用以觸發警報(例如以指示不良掃描器效能)。
針對每一基板之重工決定450之結果經回饋至FDC系統410。FDC系統可使用此資料以改進及驗證其歸類及決定建議(指派之類別指示符)。特定言之，該FDC系統可對照實際決定驗證所指派之類別指示符，且基於此，對歸類準則作出任何適當改變。舉例而言，其可基於驗證變更/設定任何歸類臨限值。因而，應回饋在步驟450處由使用者作成之所有重工決定，使得驗證FDC系統410之所有檢查決定。以此方式，在生產期間不斷地訓練FDC系統410系統內之類別分類器，使得其接收較多資料且因此隨著時間推移變得較準確。
圖5為更詳細地描述FDC系統如何操作的流程圖。該流程圖分成三個主要階段：掃描器階段500、FDC系統階段505及驗證階段510。掃描器階段500產生數值掃描器或曝光資料515，該資料包含在曝光期間由掃描器產生之眾多資料參數或指示符520。此掃描器資料可包含例如由掃描器產生之任何資料，其可能對FDC系統將建議之決定有影響。舉例而言，掃描器資料可包含來自在曝光期間(或在準備曝光時)常規地採取之量測之量測資料，例如倍縮光罩及或晶圓對準資料、位階量測資料、透鏡像差資料、任何感測器輸出資料等。掃描器資料亦可包含較少的常規量測之資料(或估計資料)，例如來自較少的常規維護步驟之資料或自其外插之資料。此資料之特定實例可包含EUV系統之源收集器污染資料。
FDC系統階段505基於掃描器資料導出數值功能指示符525。可根據生產資料訓練此等功能指示符525以便反映掃描器之實際使用率(例如溫度、曝光時間間隔等)。可例如使用統計、線性/非線性回歸、深度學習或貝氏學習技術來訓練功能指示符525。可例如基於掃描器參數資料及領域知識(domain knowledge)來建構可靠及準確的功能指示符525，其中領域知識可包含掃描器參數與標稱之偏差之量度。標稱可基於系統/程序之已知物理學以及掃描器行為。
可接著界定將此等指示符鏈接至產品上類別指示符530之模型。歸類可為二進位的(例如OK/NOK)或基於量測格化儲存或圖案之更進階分類。鏈接模型將物理學驅動之功能指示符與針對特定使用者應用及工作方式所觀測到的產品上影響聯繫在一起。類別指示符530根據系統之物理學聚集功能指示符525。在此處所展示之特定實例中，存在類別指示符之三個層級或階層：第一層級535、第二層級540及第三層級545。此僅僅為實例，且在其他實施例中，第一層級或第二層級可用作作成決定中之輸出建議，及/或可存在任何數目個層級。
在此處所展示之特定實例(僅僅用於說明)中，第一層級包含疊對貢獻因素(例如，一個疊對貢獻因素535a可為對X方向場內疊對Ovx,ia之倍縮光罩對準貢獻因素，另一疊對貢獻因素535b可為對Y方向場間疊對OVy,ir之倍縮光罩對準貢獻因素，且又一疊對貢獻因素535c為對場間CD CDir之位階量測貢獻因素)。第二層級類別指示符540依據方向(X及Y)及針對疊對Ov之場間ir對場內ia及依據針對CD之場間ir對場內ia來聚集第一層級類別指示符535。第三層級類別指示符545包含疊對指示符Ov (例如為疊對OK/NOK)及CD指示符CD (例如為CD OK/NOK)。上文所提及之類別指示符僅僅係實例，且可使用任何合適的替代指示符，包括使用者自訂之衛生狀況指示符。唯一條件為，指示符為可歸類的，可鏈接至層525之功能指示符，且可產生足夠資料來訓練模型。
此等指示符545可接著用以提供建議及/或作成程序決定550，諸如是否檢測及/或重工基板。舉例而言，若疊對被認為NOK，則其可觸發檢測及重工基板以防止良率損失之決定。對於EUV特定的為訓練模型以判定何時EUV源收集器污染會導致不可接受的LCDU值。可接受性準則應由系統學習。
可基於機器學習技術自模型/模擬器導出類別指示符530。可運用根據其適當類別來標註之歷史資料(先前指示符資料)來訓練此機器學習模型(亦即，其是否被重工)。該標註可基於專家資料(例如來自使用者輸入)及/或(例如基於)量測結果，使得基於來自掃描器資料之未來的數值資料輸入，教示模型以提供基板品質之有效且可靠的預測。系統類別指示符訓練可使用例如前饋神經網路、隨機森林及/或深度學習技術。應注意，FDC系統無需知曉用於此訓練之任何使用者敏感資料；僅需要較高層級之歸類、容差及/或決定(例如是否將重工基板)。
因而，可產生使用機器學習技術(例如回歸、迴旋神經網路、轉移學習及深度加強學習)及模型檢查(例如SAT及SMT約束求解器)的人工智慧模型，以自動適應指示符控制限度/臨限值或預測。藉由在預測某些值之模型(例如OVL X為OK/NOK)與驗證預測是否準確之驗證資料(例如包含模型/FDC系統應已預測之類別值)之間建置回饋迴路來驗證及增強學習。此可在驗證階段510中來達成，在該階段中，量測檢測/度量衡資料555 (數值度量衡資料，字尾為m)。驗證為應已由模型預測之值(例如OVL X為OK)。藉由將彼資訊回饋560至模型，模型可例如藉由改變其類別模型中之一或多者中之臨限值來適於與客戶觀測到的結果匹配。因此，模型在決定之間的程序特定平衡經轉移至由機器學習模型用以決定是否應重工晶圓的臨限值的意義上係通用的。
圖6包含說明導出之功能及類別指示符，及其相比於目前使用之統計指示符之有效性的三個標繪圖。圖6之(a)為原始參數資料，更具體言之倍縮光罩對準(RA)相對於時間t的標繪圖。圖6之(b)為根據本文中所描述之方法導出的等效(例如關於倍縮光罩對準)非線性模型函數(或擬合) mf。如所描述，此模型可自掃描器物理學之知識導出，且可進一步根據生產資料進行訓練(例如，當執行所關注之特定製程時執行的倍縮光罩對準量測)。舉例而言，此模型之訓練可使用統計、回歸、貝氏學習或深度學習技術。圖6之(c)包含圖6之(a)與圖6之(b)之標繪圖之間的殘差Δ，其可用作本文所揭露之方法之功能指示符。可設定及/或學習一或多個臨限值ΔT
(例如最初基於使用者知識/專家觀點及/或如所描述之訓練)，藉此提供類別指示符。特定言之，在訓練類別分類器之訓練階段期間，由類別分類器區塊530學習臨限值ΔT
。此等臨限值實際上可能為未知的或隱藏的(例如當由神經網路實施時)。
用於功能指示符之值或殘差Δ因此可被直接輸入至類別分類器，類別分類器接著預測適當類別(例如OK或NOK)。在此狀況下，低於臨限值ΔT
之所有點皆被認為OK，且高於臨限值ΔT
之點(亦即，在此實例中，在時間t1及t3時)被認為NOK。
將此與目前通常用於原始資料之統計控制技術進行比較係具指導性的。將統計臨限值RAT
設定為圖6之(a)之原始資料將導致在時間t1時識別出離群值，而在時間t3時未識別出離群值。此外，根據本文中所揭示之類別指示符(圖6之(c)中所說明)，將在時間t2時之點不正確地識別為離群值，而事實上其並非離群值(亦即，其為OK)。
因而，本文中描述一種錯誤肯定及否定之數目將減少的作成決定方法/系統。改良之預測功能性係由使用自掃描器物理學導出之新指示符引起，且自實際產品使用狀況判定及學習用於設定類別指示符值之準則(臨限值)。臨限值/控制限度維護係由所描述之自動(無需人類干預)驗證回饋迴路替換，亦即藉由監測指示符準確度。此外，回饋迴路可儘可能接近掃描器以防止由其他程序步驟引入雜訊。決定模型因此包含整合物理學模型及機器學習模型且根據使用者應用程式調適其預測的單一模型。
應瞭解，與標稱之偏差僅為用以判定指示符(例如OK/NOK)之一種可能的方式。本文中之概念一般而言更適用。舉例而言，本文中之概念可用以叢集掃描器行為(例如成不同的類別)。倘若使用者可用足夠高準確度標註資料且具有足夠的用於訓練之資料，則每一使用者可對同一模型使用不同的標籤。
在一選用實施例(其可與本文中所揭示之其他實施例中之任一者組合使用)中，已使用監督訓練技術來訓練以聚集及分類功能指示符525從而獲得類別指示符的本文中所描述之該或該等機器學習模型(例如FDC系統中之任一者)可以額外(例如半監督)機器學習方法來補充。
可以多種不同方式且對多種不同類型之資料來應用半監督技術。舉例而言，此方法可與監督技術並行地應用無監督及/或半監督技術，以增加預測準確度且降低敏感度以標註量及不平衡性。可將半監督技術應用於訓練集之標籤之頂部上以識別不可偵測的故障圖案(例如，引起不良疊對但在掃描器內部不能觀測到的蝕刻問題)。可將半監督技術應用於所標註值(當可用時)上以檢查故障識別之品質。此外，可將半監督學習及特徵影響分析技術應用於模型預測上以提供相關的根本原因指示符。
此實施例可包含界定兩個決定邊界：使用將學習區別兩種類別((例如如已經所描述)之監督方法來界定第一決定邊界；及使用可學習具有高密度之資料點的「正常」區之無監督方法(例如叢集演算法或相似者)來界定第二決定邊界。
圖7概念性地說明此途徑。其展示資料集，其中每一點表示在兩個時間點(時間t及t+1)在任何(非特定)資料空間中的晶圓。灰色資料點為OK晶圓且黑色資料點為NOK晶圓。在每一狀況下，三角形表示經標註晶圓且圓形表示未經標註晶圓。在時間t時，使用監督技術(基於所標註晶圓而校準/學習)來判定第一決定邊界DB1。並行地，使用無監督或半監督技術(例如，其將正常/標稱行為與較不正常/異常/離群行為分開)來判定第二決定邊界DB2。如由針對時間t+1之等效標繪圖所說明，具有兩個決定邊界的優點為：現在變得有可能捕捉新的異常行為；例如，在第一決定邊界DB1之OK側上但在第二決定邊界DB2之異常側上的新NOK資料點DPn
。在訓練期間並未發現此類異常特性，因此其相對於決定邊界DB1之分類不正確。應注意，可存在多於一個第一決定邊界(亦即，其中第一決定模型提供非二進位類別指示符輸出)。相似地，可存在多於一個第二決定邊界。
用以評估模型效能之度量可為接收器操作特性ROC下之面積曲線(ROC AUC)，此係因為其表示類別之間的分離度(考慮各種臨限值設定)。使用ROC曲線使能夠設定最小化錯誤否定之臨限值。在存在類別不平衡的分類任務時此度量尤其有用。
圖8為說明根據此實施例之例示性方法的流程圖。資料集DS包含經標註資料LD (通常僅為資料集DS的小比例，例如小於10%)及未經標註資料UD (例如通常高於資料集DS的90%)。經標註資料LD用以(如前所述)訓練及/或驗證監督學習方法SL。未經標註資料UD用以訓練無監督(或半監督)學習方法UL。將此兩個方法之輸出組合於預測步驟P中；例如藉由指派該兩個方法SL、UL之各別決定輸出上之特定權重。加權可包含預設(例如各自50%)或以預設(例如各自50%)開始，且隨後經最佳化(例如以最大化模型效能)。舉例而言，此可包含最佳化此加權以增加/最大化ROC AUC。另外或替代地，最佳化可包含用於一個或兩個學習方法SL、UL之超參數之最佳化。統一預測P應比任何單個個別決定輸出更好地執行。在步驟IL處，可執行度量衡及標註以用於預測評估且將結果回饋至資料集DS。可向監督模型SL回饋用於所有檢測晶圓(包括兩種類別)之資料，而無監督模型UL可僅接收「正常」類別。
可藉由顯示驅動晶圓故障之頂部特徵；及藉由建議一些可操作項目來解釋個別預測P，該等可操作項目係自(在開發期間)所發現之新資料知識與領域物理學知識結合來導出。基於特徵之預測及分佈，將有可能識別及區別掃描器問題與程序問題。藉由將程序問題自資料集分離，應增加預測效能。
此方法之優點包括：•
藉由相關預測解釋之較穩定及較高模型準確度。•
較簡單及較快速的故障診斷以及掃描器問題對程序問題之較好分離度。•
使用者標籤增強系統用以增加訓練集大小及模型預測準確度。•
使用者標註分類技術用以隔離掃描器可偵測問題且識別使用者標註中之潛在問題。•
建置於掃描器實體特徵之頂部上之通用故障預測解釋引擎。•
對掃描器行為之新的學習及在掃描器內部引出新的控制及回饋迴路。
在另一實施例(其可與本文中所揭示之其他實施例中之任一者組合使用)中，提議轉移學習途徑以將來自一個層/機器/廠房之經訓練機器學習模型(例如如本文中所揭示之FDC系統)儘可能地再用至另一使用狀況。目前，機器學習模型按機器按層自訂。每廠房之回饋參數不同。
在一實施例中，機器學習模型可包含經訓練神經網路。如關於圖5所描述，輸入可包含功能性KPI且輸出可包含類別指示符。神經網路之第一層將功能性KPI變換成一共同形式使得其彼此可相當。接下來的層與功能性KPI相關且產生系統KPI (疊對及焦點映圖等)。最終層計算類別指示符；此等指示符按層及廠房自訂。
可針對最後一層來定義參考廠房及/或層指示符。對於新晶圓層/機器/廠房，提議使用轉移學習以便再用自先前執行之訓練所獲得之資訊。實務上，此通常意謂僅需要使用新資料再訓練神經網路之輸出層。
在機器學習之經典監督學習情境中，若針對某一任務及領域A訓練一模型，則假定經提供用於訓練該模型之所標註訓練資料與同一任務及領域相關。可接著根據此資料集訓練模型A使得其將被預期在同一任務及領域A之未見過的資料上表現良好。在另一情況下，當給出用於某其他任務或領域B之資料時，通常將需要用於此任務或領域B之標註之資料以訓練新模型B。
當針對所討論之任務或領域存在不足的所標註資料以用於訓練可靠模型時，傳統的監督學習範式會崩潰。舉例而言，若將要訓練用於領域B (與A相關)之模型，則應用模型A (在領域A上經訓練)通常將表現很差，此係因為該模型繼承了其訓練資料之偏差且並不知曉如何一般化至新領域。若將要訓練模型以執行新任務，諸如預測多個晶圓狀態(例如OK/NOK/不確定的)，則不可能簡單地再用現有模型且預期良好效能，此係因為任務之間的標籤不同。
轉移學習使得能夠藉由利用相關任務之已經存在之標註資料來較好地適應此類情境。將在解決源領域中之源任務時所獲得之知識應用於所關注之問題。實務上，試圖將儘可能多的知識自源設定轉移至目標任務或領域。
圖9之(a)為描述為了達成此情形之例示性方法的流程圖。在步驟900處，選擇源任務(例如針對任務/層A預測晶圓OK/NOK)。在步驟910處，產生源模型(例如使用可用資料以訓練模型)。在步驟920處，將此模型應用至新任務(例如針對任務/層B預測晶圓OK/NOK/不確定的)。在步驟930處，藉由在新資料上訓練模型，更具體言之最後一或多個層來調整模型(例如，其中將所有權重固定於神經網路之所有層中，惟最後一或多個層除外)。
用於掃描器效能預測之轉移學習之益處在圖9之(b)中所展示的效能相對於訓練之標繪圖中加以說明：點線為使用轉移學習的效能對訓練標繪圖，且實線為不使用轉移學習的等效標繪圖。轉移學習之優點包括：•
較高開始St。源模型之初始效能(在改進模型之前)與在其他情形下相比較高。•
較陡斜率Sl。在源模型之訓練期間效能之改良速率與在其他情形下相比較陡。•
較高漸近線As。經訓練模型之收斂效能與在其他情況下相比較好。•
需要較少訓練資料。由於在轉移學習期間僅最佳化自由度(權重)之一子集，因此與針對完全網路最佳化相比，通常需要較少資料。
現在將描述與特定所關注輸入資料集及/或參數(類別指示符)相關的幾種特定機器學習FDC系統及方法。
在一個此類特定應用中，可訓練FDC系統以基於在邊緣珠粒移除步驟之後的在線邊緣珠粒量測而提供類別指示符決定。類別指示符可指示邊緣珠粒位置是否指示足以導致缺陷之預期水損失。類別指示符可為二進位的；例如OK/NOK，或非二進位的。
在塗佈顯影系統中光阻塗佈之後，可用有機溶劑沖洗邊緣以移除過量材料。此程序被稱為邊緣珠粒移除(EBR)。用於此步驟中之設定(例如流量、溶劑類型、噴嘴位置)判定抗蝕劑之邊緣或「EBR切割」。通常，使用特定工具(例如橢圓偏振量測工具)來離線地量測EBR位置。已觀測到EBR位置在浸潤掃描器通過晶圓邊緣時對來自該浸潤掃描器之浸潤罩(IH)之水損失量有顯著的影響。由IH遺留的水滴會導致水印(WM)，其影響良率。為了防止此等WM，使用者可施加減速(減慢IH之移動)，此減少水損失但對生產率(每小時之晶圓)有負面影響。
本文中提議使用掃描器位階感測器(例如UV位階感測器)以在線量測邊緣珠粒位置，且使用此邊緣珠粒位置來決定用於微影程序之動作。其已展示位階感測器資料可用以推斷邊緣珠粒位置及其變化。
在位階感測器資料(晶圓反射資料)與邊緣珠粒位置之間的關係中多個因素可能起作用，包括抗蝕劑之光學屬性、來自下方晶圓(堆疊)之反射、抗蝕劑厚度及位階感測器光點大小(在後者狀況下，大約1 mm或更低的位階感測器光點大小可較佳，此係因為EBR通常在0至3 mm之範圍內)。
動作可包含例如決定是否施加減速(及/或剝離及重新塗佈晶圓)。在存在類別指示符之多於兩個類別的情況下，方法可決定減速程度及/或在不減速、減速或(針對極端狀況)剝離及重新塗佈之間決定。
對模型進行訓練以推斷邊緣珠粒位置(例如是否OK及NOK)可使用已經描述之方法中的任一者，例如基於所標註訓練資料之機器學習。
在另一特定實施中，提議使用晶圓台溫度感測器信號作為至合適經訓練模型之輸入以用於類別預測(例如晶圓是否為OK/NOK)。因此，可僅基於由晶圓台感測器進行之熱量測來建議晶圓重工，此類熱量測係針對所有晶圓及層來執行(例如在兩階段掃描器之量測側上)。
此建議可包含模型化熱晶圓台量測，其方式為使得其在殘差疊對效能指示符(ROPI)不可用時(例如針對零層)或在不同機器之匹配期間可預測及近似諸如殘差疊對效能指示符(ROPI)之疊對度量。殘差分析或ROPI特性化經模型化晶圓柵格擬合至經量測位置中之良好程度。其已展示出晶圓周邊上所感測之大於約1mK的冷卻指示高(NOK) ROPI。然而，若晶圓之中心展示相同或相似冷卻，則ROPI很可能為正常的(OK)。此觀測結果可用作模型之基礎。
基於此實施例中之模型輸出，可執行一或多個動作，其可包括：使周邊處之晶圓台溫度更好地穩定及/或當預測到高ROPI時重新夾持晶圓(在後一狀況下，熱誘發變形將被釋放且在後續夾持之後將不存在很可能造成熱誘發變形的任何水滴)。
能夠預測具有高ROPI之晶圓亦可用以判定是否有必要重工，此係因為若在早期層中不注意此類晶圓，則將很可能存在高良率損失。由於此類事件相對罕見(例如20個晶圓中有1個晶圓)且重工係昂貴的，因此被重工之「良好晶圓」之數目應較低。因此，如在以上實施例中之許多實施例中，由於其為在錯誤肯定及錯誤否定預測上具有不平衡風險的罕見事件模型，因此亦提議考量彼等特性之新度量。諸如準確度及F1之標準度量並未適當地考量罕見事件及風險。此新度量可基於加權諧波平均值且可用以比較不同的模型化技術以用於模型化本文中所揭示之決定模型中之任一者。
新度量可包含第一函數及第二函數之組合，在第一函數中及分別為未命中率(在所有經預測OK當中，有多少實際上為NOK)及錯誤遺漏率(在所有實際上NOK當中，有多少為經預測OK)，且在第二函數中，及分別為錯誤肯定率(在所有經預測NOK當中，有多少實際上為OK)及錯誤遺漏率。在每一狀況下，該等函數可採取以下形式：
其中第二統計量被認為比第一統計量重要β倍。因而，第一函數(未命中率、錯誤遺漏率)部分地關注錯誤否定(亦即錯過的高ROPI晶圓)，且第二函數(錯誤肯定率、錯誤遺漏率)部分地關注錯誤肯定(亦即，被指示為高ROPI之正常ROPI晶圓)。可將此等函數組合成單一度量-模型度量MM：
模型度量MM將具有介於0與1之間的範圍，較高值指示較好模型。藉由判定用於不同候選模型之此模型度量，可選擇較佳模型。
用以訓練本文中所描述之機器學習(ML)模型中之任一者的當前途徑可包含使用在批次生產及量測結果期間產生之掃描器信號(例如類別及/或原始量測資料)。機器學習模型通常需要許多訓練資料且需要大量時間以獲得所需準確度。估計表明此可能花費4周的生產時間。
另外，與良好(OK)晶圓相比，訓練集將具有顯著較少的故障(NOK)晶圓。此限制可應用之機器學習技術之類型。舉例而言，可造成效能劣化且目前歸因於缺乏可用資料而未經模型化(除非其偶然發生)的已知問題尤其包括：倍縮光罩污染、浸潤罩中存在氣泡、晶圓台或晶圓污染及/或晶圓邊緣滾降。
為了解決此問題，所提議實施例包含基於領域(掃描器)知識建構先驗知識模型。現有掃描器批次資料及晶圓量測資料可例如藉由新增已經已知的掃描器問題之人工指紋予以修改。輸入資料可包含與特定掃描器問題(例如包括已知但相對罕見的問題)相關聯或表示特定掃描器問題(例如包括已知但相對罕見的問題)之信號，且輸出資料可包含預期晶圓品質指示(預期類別指示符)。對於掃描器問題(例如包括污染/透鏡漂移等)之大的選擇，可導出(例如合成)輸入-輸出資料且隨後使用該輸入-輸出資料以擴充用以訓練機器學習模型以用於掃描器效能偵測的現有訓練資料集。另外，在此方法中，已知並不損害晶圓品質之行為可用以擴充資料。
因而，揭示用於基於程序之狀態訓練用於預測基板之品質的模型之方法。該方法包含：藉由電腦系統產生程序之複數個狀態；基於特性化程序之狀態之至少一個參數與基板之品質之間的已知關係，判定針對該複數個狀態當中之該程序之每一狀態的基板之預期品質；及輸入該複數個狀態及對應預期品質以訓練該模型。此實施例可與本文中所揭示其他實施例中之任一者組合使用以訓練本文中所描述之模型中的任一者。
效應為：最初適度的訓練集變得更大且更多樣化，且因此可改良機器學習模型之範疇。此意謂在不取決於大量生產資料的情況下，掃描器效能偵測可變得更準確，且不同掃描器之間更可靠。
圖10為描述此實施例之例示性方法的流程圖。在步驟1000處，建置不完整的先驗知識模型，其包含對於掃描器問題可為典型的輸入信號以及作為輸出之類別指示符(例如晶圓OK/NOK/未知)。「未知」標籤用以表示先驗知識模型中缺陷資訊，且因而該模型係不完整的。在步驟1010處，基於領域知識，產生用於步驟1000之模型之輸入信號。在步驟1020處，計算對應於步驟1010之輸入信號的來自步驟1000之模型之輸出(例如，自模型估計基於步驟1010之輸入信號將被預期的預期輸出OK/NOK/未知)。在步驟1030處，捨棄來自步驟1020之產生「未知」輸出的所有資料。在步驟1040處，使用剩餘資料(例如，在合理的確定性程度下符合OK/NOK或其他已知類別輸出的資料)以擴充現有資料。在步驟1050處，運用擴增資料集來訓練機器學習模型(例如本文中所描述之模型中之任一者，包括FDC系統中之任一者)。
以下清單為可包括於此資料加強中的掃描器問題實例之非詳盡清單。此類問題有可能相對罕見且因此經常並未包括於通常產生之訓練資料中。舉例而言，此類掃描器問題可包括：•
晶圓污染；•
倍縮光罩污染；•
晶圓台污染；•
晶圓邊緣滾降；•
透鏡漂移；•
浸潤罩中存在空氣氣泡；•
定時呃逆(hiccup)。
其他實例可包括直觀地可被預期產生不良晶圓，但實際上並不產生不良晶圓的掃描器行為之實例。舉例而言，自身抵消之誤差。
擴充資料集之額外方式為藉由將(例如已知位準及雜訊模型之)人工雜訊新增至批次資料且模型化此雜訊對晶圓量測資料之影響。舉例而言，可將隨機雜訊新增至如可在(例如屬於特定類型之)典型散射計上看到的疊對或焦點散射量測。對於位階感測器或對準感測器，可新增對於彼感測器為典型的雜訊位準。
藉由運用合成產生之輸入/輸出對來擴充原始資料集，機器學習模型藉由先驗知識得以加強。
圖11為說明可輔助實施本文所揭示之方法及流程之電腦系統1600的方塊圖。電腦系統1600包括用於傳達資訊之匯流排1602或其他通信機構，及與匯流排1602耦接以用於處理資訊之一處理器1604 (或多個處理器1604及1605)。電腦系統1600亦包括耦接至匯流排1602以用於儲存待由處理器1604執行之資訊及指令的主記憶體1606，諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體1606亦可用於在待由處理器1604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1600進一步包括耦接至匯流排1602以用於儲存用於處理器1604之靜態資訊及指令的唯讀記憶體(ROM) 1608或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件1610，且將該儲存器件耦接至匯流排1602以用於儲存資訊及指令。
電腦系統1600可經由匯流排1602耦接至用於向電腦使用者顯示資訊之顯示器1612，諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件1614耦接至匯流排1602以用於將資訊及命令選擇傳達至處理器1604。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器1604且用於控制顯示器1612上之游標移動的游標控制件1616，諸如，滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線-第一軸線(例如x)及第二軸線(例如y)-中之兩個自由度，其允許該器件指定在平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
如本文中所描述之方法中之一或多者可由電腦系統1600回應於處理器1604執行主記憶體1606中所含有之一或多個指令之一或多個序列來執行。可將此等指令自另一電腦可讀媒體(諸如儲存器件1610)讀取至主記憶體1606中。主記憶體1606中含有之指令序列之執行致使處理器1604執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器亦可用以執行主記憶體1606中含有之指令序列。在一替代實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文之描述不限於硬體電路系統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1604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，諸如儲存器件1610。揮發性媒體包括動態記憶體，諸如主記憶體1606。傳輸媒體包括同軸纜線、銅線及光纖，包括包含匯流排1602之電線。傳輸媒體亦可採取聲波或光波之形式，諸如，在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體之常見形式包括例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、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、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1604以供執行時涉及各種形式之電腦可讀媒體。舉例而言，最初可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線而發送指令。在電腦系統1600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成紅外線信號。耦接至匯流排1602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1602上。匯流排1602將資料攜載至主記憶體1606，處理器1604自該主記憶體擷取指令且並執行該等指令。由主記憶體1606接收之指令可視情況在供處理器1604執行之前或之後儲存於儲存器件1610上。
電腦系統1600亦較佳包括耦接至匯流排1602之通信介面1618。通信介面1618提供對網路鏈路1620之雙向資料通信耦合，該網路鏈路連接至區域網路1622。舉例而言，通信介面1618可為整合式服務數位網路(ISDN)卡或數據機以提供對對應類型之電話線之資料通信連接。作為另一實例，通信介面1618可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中，通信介面1618發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光信號。
網路鏈路1620通常經由一或多個網路而向其他資料器件提供資料通信。舉例而言，網路鏈路1620可經由區域網路1622向主機電腦1624或向由網際網路服務提供者(ISP) 1626操作之資料設備提供連接。ISP 1626又經由全球封包資料通信網路(現在通常被稱作「網際網路」) 1628而提供資料通信服務。區域網路1622及網際網路1628兩者皆使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路鏈路1620上且經由通信介面1618之信號(該等信號將數位資料攜載至電腦系統1600及自電腦系統1600攜載數位資料)為輸送資訊的載波之例示性形式。
電腦系統1600可經由網路、網路鏈路1620及通信介面1618發送訊息及接收資料，包括程式碼。在網際網路實例中，伺服器1630可能經由網際網路1628、ISP 1626、區域網路1622及通信介面1618而傳輸用於應用程式之所請求程式碼。舉例而言，一種此類經下載應用程式可提供本文中所描述之技術中的一或多者。所接收程式碼可在其被接收時由處理器1604執行，及/或儲存於儲存器件1610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1600可獲得呈載波之形式之應用程式碼。
在以下經編號條項之清單中揭示了本發明之另外實施例：
1. 一種用於在一製程內作成一決定之方法，該方法包含：
獲得與該製程之一微影曝光步驟之一或多個參數相關的掃描器資料；
應用一決定模型，該決定模型基於該掃描器資料輸出用於一或多個類別指示符中之每一者之一值，該一或多個類別指示符中之每一者指示該製程之一品質；及
基於該類別指示符之一值決定一動作。
2. 如條項1之方法，其中在該微影曝光步驟期間由一微影裝置產生該掃描器資料。
3. 如條項1之方法，其中在一維護動作期間量測該掃描器資料。
4. 如任一前述條項之方法，其中該一或多個類別指示符中之每一者係自一或多個功能指示符導出。
5. 如條項4之方法，其中基於與該微影曝光步驟及/或一關聯裝置相關之已知物理學自一或多個功能模型判定該一或多個功能指示符中之每一者。
6. 如條項4或5之方法，其中該一或多個功能指示符包含描述一參數值與標稱行為之一偏差的至少一個功能指示符，該標稱行為係自該已知物理學及/或冗餘導出。
7. 如條項4、5或6之方法，其中使用以下各者中之一或多者來訓練該一或多個功能指示符中之每一者：統計技術、最佳化、回歸或一機器學習技術。
8. 如條項4至7中任一項之方法，其中該一或多個類別指示符中之每一者係自該一或多個功能指示符藉由根據至該一或多個功能指示符之一或多個經應用及/或學習之臨限值將該等功能指示符歸類來導出。
9. 如條項8之方法，其包含根據對已經歷該微影曝光步驟且具有指派至其之對應的決定及/或類別之基板所執行之量測來訓練該決定模型，該訓練設定該一或多個臨限值中之每一者。
10. 如條項9之方法，其中該訓練該決定模型使用包含以下各者中之一或多者的一機器學習技術：一神經網路技術、隨機森林技術及一深度學習技術。
11. 如條項8至10中任一項之方法，其包含在由該決定模型輸出的用於該類別指示符之該值之後量測基板，且基於該等量測驗證該決定模型輸出。
12. 如條項11之方法，其中該驗證步驟包含變更該等臨限值中之一或多者以改良該決定模型之預測效能。
13. 如條項4至12中任一項之方法，其中該一或多個類別指示符各自自多個功能指示符之一聚集導出。
14. 如條項13之方法，其中該聚集包含使自該多個功能指示符導出之多個中間類別指示符聚集。
15. 如任一前述條項之方法，其中該一或多個類別指示符中之每一者包含描述該參數是否在規格內或在其他範圍內的一二進位類別指示符。
16. 如任一前述條項之方法，其中該一或多個類別指示符中之每一者係與疊對、焦點、臨界尺寸、臨界尺寸均一性中之一或多者相關。
17. 如任一前述條項之方法，其中該掃描器資料包含來自該掃描器之一晶圓台上之溫度感測器的熱資料，且該類別指示符係與根據該製程所製造之一基板之疊對相關，該決定模型使該熱資料與一預期疊對度量相關。
18. 如任一前述條項之方法，其中該決定包含決定是否應將該基板檢測為重工之一可能候選者。
19. 如任一前述條項之方法，其中該掃描器資料包含位階感測器資料，且該類別指示符係與根據該製程正被製造之一基板上之一邊緣珠粒的邊緣珠粒位置相關，該決定模型使該位階感測器資料與一預期邊緣珠粒度量及/或由於該製程中之水損失引起的缺陷相關。
20. 如條項19之方法，其中該動作包含基於用於該類別指示符之該值減慢該微影程序。
21. 如任一前述條項之方法，其中該決定模型為界定一或多個第一決定邊界的一第一決定模型；且該方法進一步包含應用界定一或多個第二決定邊界的一第二決定模型。
22. 如條項21之方法，其中該第一決定模型為一監督機器學習模型，且該第二決定模型為一無監督或半監督機器學習模型。
23. 如條項21或22之方法，其中該第二決定模型指示由該第二決定邊界所描繪之一資料點是正常抑或異常。
24. 如條項21、22或23之方法，其中該第一決定模型之一第一輸出及該第二決定模型之一第二輸出係根據一加權而組合以提供一組合之輸出。
25. 如條項24之方法，其包含最佳化包含於該第一決定模型及該第二決定模型中之任一者或兩者內的該第一輸出及該第二輸出及/或一或多個超參數的加權。
26. 如條項25之方法，其中該最佳化使一接收器操作員特性曲線下方之面積最大化。
27. 一種用於建構在一製程內作成一決定的一決定模型之方法，該方法包含：
獲得與該製程之一微影曝光步驟之一或多個參數相關的掃描器資料；
自該掃描器資料導出一或多個類別指示符，該一或多個類別指示符中之每一者基於至少一個臨限值指示該製程之一品質；及
根據對已經歷該微影曝光步驟且具有指派至其之對應的決定及/或類別之基板所執行之量測來訓練該決定模型，該訓練設定用於該一或多個臨限值中之每一者之一值，使得該決定模型基於該掃描器資料輸出用於該一或多個類別指示符中之每一者之一適當值。
28. 如條項27之方法，其中該訓練該決定模型亦係基於專家知識。
29. 如條項27或28之方法，其中該訓練該模型使用包含一神經網路技術、隨機森林技術或一深度學習技術中之一或多者的一機器學習技術。
30. 如條項27、28或29之方法，其中該一或多個類別指示符中之每一者係自一或多個功能指示符導出。
31. 如條項30之方法，其中基於與該微影曝光步驟及/或一關聯裝置相關之已知物理學自一或多個功能模型判定該一或多個功能指示符中之每一者。
32. 如條項30或31之方法，其中該一或多個功能指示符包含描述一參數值與標稱行為之一偏差的至少一個功能指示符，該標稱行為係自該已知物理學及/或冗餘導出。
33. 如條項30、31或32之方法，其中使用以下各者中之一或多者來訓練該一或多個功能指示符中之每一者：統計技術、最佳化、回歸或一機器學習技術。
34. 如條項30至33中任一項之方法，其中該一或多個類別指示符中之每一者係藉由將該一或多個臨限值應用至該一或多個功能指示符而自該一或多個功能指示符導出。
35. 如條項30至34中任一項之方法，其中該一或多個類別指示符各自自多個功能指示符之一聚集導出。
36. 如條項35之方法，其中該聚集包含使自該多個功能指示符導出之多個中間類別指示符聚集。
37. 如條項27至36中任一項之方法，其中該一或多個類別指示符中之每一者包含描述該參數是否在規格內或在其他範圍內的一二進位類別指示符。
38. 如條項27至37中任一項之方法，其中該一或多個類別指示符中之每一者係與疊對、焦點、臨界尺寸、臨界尺寸均一性中之一或多者相關。
39. 如條項27至38中任一項之方法，其中該掃描器資料包含來自該掃描器之一晶圓台上之溫度感測器的熱資料，且該類別指示符係與根據該製程所製造之一基板之疊對相關，且該訓練該決定模型包含使該熱資料與一預期疊對度量相關。
40. 如條項27至39中任一項之方法，其中該掃描器資料包含位階感測器資料，且該類別指示符係與根據該製程正被製造之一基板上之一邊緣珠粒的邊緣珠粒位置相關，且該訓練該決定模型包含使該位階感測器資料與一預期邊緣珠粒度量及/或由於該製程中之水損失引起的缺陷相關。
41. 如條項27至40中任一項之方法，其中該決定模型為界定一或多個第一決定邊界的一第一決定模型；且該方法進一步包含訓練界定一或多個第二決定邊界的一第二決定模型，該第一決定模型為一監督機器學習模型，且該第二決定模型為一無監督或半監督機器學習模型。
42. 如條項41之方法，其中該第一決定模型之一第一輸出及該第二決定模型之一第二輸出係根據一加權而組合以提供一組合之輸出；且該方法包含最佳化包含於該第一決定模型及該第二決定模型中之任一者或兩者內的該第一輸出及該第二輸出及/或一或多個超參數的加權。
43. 如條項42之方法，其中該最佳化使一接收器操作員特性曲線下方之面積最大化。
44. 如條項27至43中任一項之方法，其包含獲得已根據來自一不同領域及/或針對一不同任務之相關資料進行訓練的一決定模型；其中該訓練步驟包含僅針對一當前領域及/或任務訓練該決定模型之一或多個輸出層。
45. 如條項27至44中任一項之方法，其包含產生合成訓練資料且用該訓練資料擴充用於該訓練步驟中之該資料。
46. 如條項45之方法，其包含：
產生該程序之複數個狀態；
基於特性化該程序之該狀態之至少一個參數與該基板之該品質之間的一已知關係，判定針對該複數個狀態當中之該製程之每一狀態的一基板之一預期品質；及
將該複數個狀態及對應預期品質用作該合成訓練資料。
47. 如條項46之方法，其中將該複數個狀態及對應預期品質用作該合成訓練資料的該步驟包含捨棄不能以足夠信賴估計預期品質的任何此類資料。
48. 如條項45至47中任一項之方法，其包含新增人工雜訊以擴充該合成訓練資料。
49. 如條項27至48中任一項之方法，其包含：判定用於複數個該決定模型之一模型度量，每一模型度量包含用於該模型之一第一函數及一第二函數之一組合，該第一函數包含一未命中率及一錯誤遺漏率之一加權諧波平均值，且該第二函數包含一錯誤肯定率及一錯誤遺漏率之一加權諧波平均值；及基於該等模型度量決定一決定模型。
50. 一種電腦程式，其包含可操作以在經執行於一合適裝置上時執行如條項1至49中任一項之方法的程式指令。
51. 一種非暫時性電腦程式載體，其包含如條項50之電腦程式。
52. 一種處理系統，其包含一處理器及包含如條項50之電腦程式的一儲存器件。
53. 一種微影裝置，其包含如條項50之處理系統。
54. 一種用於將經受包含多個操作之一半導體製程的一基板歸類之方法，該方法包含：
獲得自在該基板上之該多個操作中之一或多者期間所產生的資料導出的功能指示符之值，該等功能指示符特性化以下至少一個操作：將包含一或多個臨限值之一決定模型應用至該等功能指示符之該等值以獲得一或多個類別指示符；及基於該一或多個類別指示符向該基板指派一類別。
55. 如條項54之方法，其進一步包含使用向該基板指派之該類別以向該基板指派一決定，該決定為以下各者中之一者：i)重工該基板；ii)檢測該基板；或iii)在一後續程序步驟中使用該基板。
56. 如條項54之方法，其中藉由在該半導體製程之一微影曝光步驟中所使用的一微影裝置來產生該資料，且該至少一個操作為以下各者中之一或多者：位階量測該基板、對準該基板、調節該基板、曝光該基板、量測用於曝光該基板之一投影透鏡之像差。
57. 如條項56之方法，其中基於與該微影曝光步驟及/或該微影裝置相關之已知物理學自一或多個功能模型來判定至少一個功能指示符。
58. 如條57之方法，其中該一或多個功能指示符包含描述一參數值與標稱行為之一偏差的至少一個功能指示符，該標稱行為係自該已知物理學導出。
59. 如條項55之方法，其中根據對具有指派至其之對應的決定及/或類別之經處理基板所執行之量測來訓練該決定模型，該訓練設定該一或多個臨限值中之至少一者。
60. 如條項55之方法，其包含根據對具有指派至其之對應的決定及/或類別之經處理基板所執行之量測來訓練該決定模型，該訓練設定該一或多個臨限值中之每一者。
61. 如條項60之方法，其中訓練該決定模型使用包含以下各者中之一或多者的一機器學習技術：一神經網路技術、隨機森林技術及一深度學習技術。
62. 如條項54之方法，其包含在由該決定模型輸出該類別指示符之後獲得對該基板之一量測，且基於該量測驗證該決定模型。
63. 如條項62之方法，其中該驗證步驟包含變更該等臨限值中之一或多者以改良該決定模型之預測效能。
64. 如條項54之方法，其中該一或多個類別指示符各自係基於多個功能指示符之聚集。
65. 如條項64之方法，其中該聚集進一步包含使自該多個功能指示符導出之多個中間類別指示符聚集。
66. 如條項54之方法，其中該一或多個類別指示符中之每一者係與疊對、焦點、臨界尺寸、臨界尺寸均一性中之一或多者相關。
67. 如條項56之方法，其中該資料係與來自該微影裝置之一晶圓台上之溫度感測器的熱資料相關聯，且該類別指示符係與根據該製程所製造之一基板之疊對相關，該決定模型使該熱資料與一預期疊對度量相關。
68. 如條項56之方法，其中該資料包含位階感測器資料，且該類別指示符係與根據該製程正被製造之一基板上之一邊緣珠粒的邊緣珠粒位置相關，該決定模型使該位階感測器資料與一預期邊緣珠粒度量及/或由於該製程中之水損失引起的缺陷相關。
69. 如條項54之方法，其中該決定模型為界定一或多個第一決定邊界的一第一決定模型；且該方法進一步包含訓練界定一或多個第二決定邊界的一第二決定模型，該第一決定模型為一監督機器學習模型，且該第二決定模型為一無監督或半監督機器學習模型。
70. 如條項60之方法，其進一步包含獲得已根據來自一不同領域及/或針對一不同任務之相關資料進行訓練的一初始決定模型；其中該訓練步驟包含僅針對一當前領域及/或任務訓練該初始決定模型之一或多個輸出層。
71. 一種用於建構用於在一半導體製程內作成一決定的一決定模型之方法，該方法包含：獲得與該半導體製程之一圖案化步驟之一或多個參數相關的資料；自該資料導出一或多個類別指示符，該一或多個類別指示符中之每一者基於至少一個臨限值指示該半導體製程之一品質；及根據對已經歷該圖案化步驟且具有指派至其之對應的決定及/或類別之基板所執行之量測來訓練該決定模型，該訓練設定用於該一或多個臨限值中之每一者之一值，使得該決定模型基於該資料輸出用於該一或多個類別指示符中之每一者之一適當值。
72. 一種電腦程式，其包含可操作以在執行於一合適裝置上時執行如條項54之方法的程式指令。
73. 一種非暫時性電腦程式載體，其包含如條項72之電腦程式。
儘管可在本文中特定地參考在IC製造中微影裝置之使用，但應理解，本文中所描述之微影裝置可具有其他應用。可能之其他應用包括製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、平板顯示器、液晶顯示器(LCD)、薄膜磁頭等等。
儘管可在本文中特定地參考在微影裝置之內容背景中之本發明之實施例，但本發明之實施例可用於其他裝置中。本發明之實施例可形成光罩檢測裝置、度量衡裝置或量測或處理諸如晶圓(或其他基板)或光罩(或其他圖案化器件)之物件之任何裝置的部件。此等裝置通常可被稱作微影工具。此微影工具可使用真空條件或環境(非真空)條件。
儘管上文可特定地參考在光學微影之內容背景中對本發明之實施例之使用，但應瞭解，在內容背景允許之情況下，本發明不限於光學微影且可用於其他應用(例如壓印微影)中。
雖然上文已描述本發明之特定實施例，但應瞭解，可以與所描述方式不同之其他方式來實踐本發明。以上描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下對所描述之本發明進行修改。
400:掃描器資料
410:疵點偵測及分類(FDC)系統
420:檢查決定/步驟
430:處理
440:度量衡步驟/量測
450:重工決定
460:重工
500:掃描器階段
505:疵點偵測及分類(FDC)系統階段
510:驗證階段
515:數值掃描器或曝光資料
520:資料參數或指示符
525:功能指示符
530:產品上類別指示符/類別分類器區塊
535:第一層級/第一層級類別指示符
535a:疊對貢獻因素
535b:疊對貢獻因素
535c:疊對貢獻因素
540:第二層級/第二層級類別指示符
545:第三層級/第三層級類別指示符
550:程序決定
555:檢測/度量衡資料
560:回饋
900:步驟
910:步驟
920:步驟
930:步驟
1000:步驟
1010:步驟
1020:步驟
1030:步驟
1040:步驟
1050:步驟
1600:電腦系統
1602:匯流排
1604:處理器
1605:處理器
1606:主記憶體
1608:唯讀記憶體(ROM)
1610:儲存器件
1612:顯示器
1614:輸入器件
1616:游標控制件
1618:通信介面
1620:網路鏈路
1622:區域網路
1624:主機電腦
1626:網際網路服務提供者(ISP)
1628:網際網路
1630:伺服器
As:漸近線
B:輻射光束
BD:光束遞送系統
BK:烘烤板
C:目標部分
CDir:場間CD
CH:冷卻板
CL:電腦系統
DB1:第一決定邊界
DB2:第二決定邊界
DE:顯影器
DPn
:新NOK資料點
DS:資料集
IF:位置感測器
I/O1:輸入/輸出埠
I/O2:輸入/輸出埠
IL:照明系統/照明器/步驟
LA:微影裝置
LACU:微影控制單元
LB:裝載匣
LC:微影製造單元
LD:經標註資料
M1:光罩對準標記
M2:光罩對準標記
MA:圖案化器件/光罩
MT:支撐結構/光罩台/度量衡工具/度量衡裝置
mf:等效非線性模型函數
Ovx,ia:X方向場內疊對
OVy,ir:Y方向場間疊對
P:預測步驟
P1:基板對準標記
P2:基板對準標記
PM:第一定位器
PS:投影系統
PW:第二定位器
RA:倍縮光罩對準
RAT
:統計臨限值
RO:基板處置器或機器人
SC:旋塗器
SCS:監督控制系統
SC1:第一標度
SC2:第二標度
SC3:第三標度
Sl:斜率
SL:監督學習方法
SO:輻射源
St:開始
t:時間
t1:時間
t2:時間
t3:時間
t+1:時間
TCU:塗佈顯影系統控制單元
UD:未經標註資料
UL:無監督學習方法
W:基板
WT:基板台
Δ:殘差
ΔT
:臨限值
現在將僅作為實例參看隨附示意性圖式來描述本發明之實施例，在該等圖式中：
圖1描繪微影裝置之示意性綜述；
圖2描繪微影製造單元之示意性綜述；
圖3描繪整體微影之示意性表示，其表示用以最佳化半導體製造之三種關鍵技術之間的合作；
圖4為根據本發明之第一實施例的作成決定方法之流程圖；
圖5為本發明之一實施例的疵點偵測及分類內之參數及指示符階層的流程圖；及
圖6包含與共同時間範圍相關之三個標繪圖：圖6之(a)為原始參數資料，更具體言之倍縮光罩對準(RA)資料相對於時間t的標繪圖；圖6之(b)為根據本發明之一實施例之方法導出的等效非線性模型函數mf；及圖6之(c)包含圖6之(a)與圖6之(b)之標繪圖之間的殘差Δ，其說明根據本發明之一實施例之方法的類別指示符；
圖7展示在兩個時間點之資料群體，其概念性地說明使用決定邊界之實施例；
圖8為描述如在圖7中概念性地說明之方法的流程圖；
圖9展示(a)描述在本文中所揭示之實施例中可用的轉移學習之方法的流程圖，及(b)針對此實施例及不具有轉移學習之實施例的效能相對於訓練之標繪圖；
圖10為描述產生合成訓練資料且使用此合成訓練資料以訓練在本文中所揭示之實施例中可用的模型之方法的流程圖；及
圖11為說明可輔助實施根據本發明之實施例之方法的電腦系統之方塊圖。
400:掃描器資料
410:疵點偵測及分類(FDC)系統
420:檢查決定/步驟
430:處理
440:度量衡步驟/量測
450:重工決定
460:重工
Claims (10)
- 一種用於將經受包含多個操作之一半導體製程的一基板歸類之方法，該方法包含：獲得自在該基板上之該多個操作中之一或多者期間所產生的資料導出的功能指示符(functional indicators)之值，該等功能指示符特性化(characterizing)至少一個操作：應用包含用於該等功能指示符之該等值之一或多個臨限值之一模型以獲得一或多個類別指示符(categorical indicators)，其中該模型係一機器學習模型，該機器學習模型係使用訓練資料被訓練，該訓練資料包含：a)與經處理基板相關聯之量測結果，及b)指派至該等經處理基板之對應的類別，該機器學習模型之該訓練設定該一或多個臨限值；及基於所獲得之該一或多個類別指示符向該基板指派一類別。
- 如請求項1之方法，其中藉由在該半導體製程之一微影曝光步驟中所使用的一微影裝置來產生該資料，且該至少一個操作為以下各者中之一或多者：位階量測(leveling)該基板、對準該基板、調節該基板、曝光該基板、量測用於曝光該基板之一投影透鏡之像差。
- 如請求項2之方法，其中基於與該微影曝光步驟及/或該微影裝置相關之已知物理學自一或多個功能模型來判定至少一個功能指示符。
- 如請求項1之方法，其進一步包含在由該模型輸出該類別指示符之後 獲得對該基板之一量測，且基於該量測驗證該模型。
- 如請求項4方法，其中該驗證包含變更該等臨限值中之一或多者以改良該模型之預測效能。
- 如請求項1-5任一項之方法，其中該模型為界定一或多個第一決定邊界的一第一決定模型；且該方法進一步包含應用界定一或多個第二決定邊界的一第二決定模型。
- 如請求項6之方法，其中該第一決定模型為一監督機器學習模型且該第二決定模型為一無監督或半監督機器學習模型。
- 如請求項6之方法，其中該第一決定模型之一第一輸出及該第二決定模型之一第二輸出係根據一權重而組合以提供一經組合輸出。
- 如請求項8之方法，其進一步包含最佳化該第一輸出及該第二輸出之該權重及/或最佳化包含於該第一決定模型或該第二決定模型之任一者或兩者之中之一或多個超參數(hyperparameters)。
- 一種電腦程式，其包含程式指令，該等程式指令可操作以歸類經受包含多個操作之一半導體製程的一基板，該等程式指令經組態以：獲得自在該基板上之該多個操作中之一或多者期間所產生的資料導出的功能指示符之值，該等功能指示符特性化至少一個操作： 應用包含用於該等功能指示符之該等值之一或多個臨限值之一模型以獲得一或多個類別指示符，其中該模型係一機器學習模型，該機器學習模型係使用訓練資料被訓練，該訓練資料包含：a)與經處理基板相關聯之量測結果，及b)指派至該等經處理基板之對應的類別，該機器學習模型之該訓練設定該一或多個臨限值；及基於所獲得之該一或多個類別指示符向該基板指派一類別。
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19154100.2 | 2019-01-29 | ||
| EP19154100 | 2019-01-29 | ||
| EP19155660.4A EP3693795A1 (en) | 2019-02-06 | 2019-02-06 | Method for decision making in a semiconductor manufacturing process |
| EP19155660.4 | 2019-02-06 | ||
| EP19209695 | 2019-11-18 | ||
| EP19209695.6 | 2019-11-18 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202136896A TW202136896A (zh) | 2021-10-01 |
| TWI820407B true TWI820407B (zh) | 2023-11-01 |
Family
ID=69157848
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110111850A TWI820407B (zh) | 2019-01-29 | 2020-01-17 | 用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式 |
| TW109101637A TWI725707B (zh) | 2019-01-29 | 2020-01-17 | 用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式及非暫時性電腦程式載體 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109101637A TWI725707B (zh) | 2019-01-29 | 2020-01-17 | 用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式及非暫時性電腦程式載體 |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US11687007B2 (zh) |
| EP (1) | EP3918420A1 (zh) |
| KR (1) | KR102606104B1 (zh) |
| CN (1) | CN113366390B (zh) |
| TW (2) | TWI820407B (zh) |
| WO (1) | WO2020156769A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11449711B2 (en) * | 2020-01-02 | 2022-09-20 | Applied Materials Isreal Ltd. | Machine learning-based defect detection of a specimen |
| CN115398345A (zh) | 2020-04-02 | 2022-11-25 | Asml荷兰有限公司 | 在半导体制造过程中用于确定对于一组衬底的检查策略的方法 |
| TW202226009A (zh) * | 2020-08-28 | 2022-07-01 | 美商Ｐｄｆ對策公司 | 用於決定晶圓路徑品質的順序方法 |
| CN116981995A (zh) * | 2021-03-02 | 2023-10-31 | Asml荷兰有限公司 | 操作量测系统、光刻设备及其方法 |
| US11586160B2 (en) | 2021-06-28 | 2023-02-21 | Applied Materials, Inc. | Reducing substrate surface scratching using machine learning |
| WO2023084063A1 (en) * | 2021-11-15 | 2023-05-19 | Asml Netherlands B.V. | Generating augmented data to train machine learning models to preserve physical trends |
| EP4194951A1 (en) * | 2021-12-13 | 2023-06-14 | ASML Netherlands B.V. | Identifying deviating modules from a reference population for machine diagnostics |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140223406A1 (en) * | 2002-10-09 | 2014-08-07 | Bodymedia, Inc. | Systems and methods for measuring a state parameter |
| TW201530333A (zh) * | 2013-12-17 | 2015-08-01 | Asml Netherlands Bv | 良率評估及控制 |
| CN107077077A (zh) * | 2014-09-22 | 2017-08-18 | Asml荷兰有限公司 | 过程窗口识别符 |
| TW201901285A (zh) * | 2017-05-26 | 2019-01-01 | 荷蘭商Ａｓｍｌ荷蘭公司 | 基於機器學習之輔助特徵置放 |
Family Cites Families (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5523193A (en) | 1988-05-31 | 1996-06-04 | Texas Instruments Incorporated | Method and apparatus for patterning and imaging member |
| DE59105735D1 (de) | 1990-05-02 | 1995-07-20 | Fraunhofer Ges Forschung | Belichtungsvorrichtung. |
| US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
| JPH08279446A (ja) | 1995-04-07 | 1996-10-22 | Mitsubishi Electric Corp | 半導体装置の製造方法 |
| AU2747999A (en) | 1998-03-26 | 1999-10-18 | Nikon Corporation | Projection exposure method and system |
| US6405096B1 (en) | 1999-08-10 | 2002-06-11 | Advanced Micro Devices, Inc. | Method and apparatus for run-to-run controlling of overlay registration |
| US6248602B1 (en) | 1999-11-01 | 2001-06-19 | Amd, Inc. | Method and apparatus for automated rework within run-to-run control semiconductor manufacturing |
| US6880135B2 (en) * | 2001-11-07 | 2005-04-12 | Synopsys, Inc. | Method of incorporating lens aberration information into various process flows |
| JP3977324B2 (ja) | 2002-11-12 | 2007-09-19 | エーエスエムエル ネザーランズ ビー．ブイ． | リソグラフィ装置 |
| US7065423B2 (en) * | 2004-07-08 | 2006-06-20 | Timbre Technologies, Inc. | Optical metrology model optimization for process control |
| KR100610010B1 (ko) | 2004-07-20 | 2006-08-08 | 삼성전자주식회사 | 반도체 식각 장치 |
| DE102005041311B4 (de) * | 2005-08-31 | 2012-04-12 | Globalfoundries Inc. | Verfahren und System zum automatischen Erkennen belichteter Substrate mit einer hohen Wahrscheinlichkeit für defokussierte Belichtungsfelder |
| US7239371B2 (en) | 2005-10-18 | 2007-07-03 | International Business Machines Corporation | Density-aware dynamic leveling in scanning exposure systems |
| NL1036351A1 (nl) | 2007-12-31 | 2009-07-01 | Asml Netherlands Bv | Alignment system and alignment marks for use therewith cross-reference to related applications. |
| JP5156452B2 (ja) * | 2008-03-27 | 2013-03-06 | 東京エレクトロン株式会社 | 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置 |
| US8440475B2 (en) | 2008-08-01 | 2013-05-14 | Qimonda Ag | Alignment calculation |
| KR101841378B1 (ko) | 2009-12-15 | 2018-03-22 | 램 리써치 코포레이션 | Ｃｄ 균일성을 향상시키기 위한 기판 온도의 조절 |
| US9177219B2 (en) | 2010-07-09 | 2015-11-03 | Asml Netherlands B.V. | Method of calibrating a lithographic apparatus, device manufacturing method and associated data processing apparatus and computer program product |
| US9002498B2 (en) | 2012-02-02 | 2015-04-07 | Taiwan Semiconductor Manufacturing Co., Ltd. | Tool function to improve fab process in semiconductor manufacturing |
| US9275334B2 (en) * | 2012-04-06 | 2016-03-01 | Applied Materials, Inc. | Increasing signal to noise ratio for creation of generalized and robust prediction models |
| US8732627B2 (en) | 2012-06-18 | 2014-05-20 | International Business Machines Corporation | Method and apparatus for hierarchical wafer quality predictive modeling |
| US9886029B2 (en) | 2013-12-02 | 2018-02-06 | Daihen Corporation | Workpiece processing apparatus and workpiece transfer system |
| WO2015101458A1 (en) | 2013-12-30 | 2015-07-09 | Asml Netherlands B.V. | Method and apparatus for design of a metrology target |
| CN104008550A (zh) | 2014-06-05 | 2014-08-27 | 深圳市大族激光科技股份有限公司 | 晶圆表面缺陷特征分析方法、系统、分类方法和系统 |
| CN105225979A (zh) | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
| KR102548650B1 (ko) | 2014-10-03 | 2023-06-27 | 케이엘에이 코포레이션 | 검증 계측 타겟 및 그 설계 |
| US20160148850A1 (en) * | 2014-11-25 | 2016-05-26 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
| CN105528607B (zh) | 2015-10-30 | 2019-02-15 | 小米科技有限责任公司 | 区域提取方法、模型训练方法及装置 |
| TWI625615B (zh) | 2016-11-29 | 2018-06-01 | 財團法人工業技術研究院 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
| EP3352013A1 (en) | 2017-01-23 | 2018-07-25 | ASML Netherlands B.V. | Generating predicted data for control or monitoring of a production process |
| KR102449586B1 (ko) | 2017-02-24 | 2022-10-04 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의해 공정 모델들을 결정하는 방법들 |
| KR102411813B1 (ko) * | 2017-05-05 | 2022-06-22 | 에이에스엠엘 네델란즈 비.브이. | 디바이스 제조 프로세스의 수율의 예측 방법 |
| CN110506281A (zh) * | 2017-07-17 | 2019-11-26 | 谷歌有限责任公司 | 学习统一嵌入 |
| US11187992B2 (en) | 2017-10-23 | 2021-11-30 | Applied Materials, Inc. | Predictive modeling of metrology in semiconductor processes |
-
2020
- 2020-01-09 CN CN202080011275.9A patent/CN113366390B/zh active Active
- 2020-01-09 EP EP20700456.5A patent/EP3918420A1/en active Pending
- 2020-01-09 US US17/423,325 patent/US11687007B2/en active Active
- 2020-01-09 WO PCT/EP2020/050354 patent/WO2020156769A1/en unknown
- 2020-01-09 KR KR1020217023941A patent/KR102606104B1/ko active IP Right Grant
- 2020-01-17 TW TW110111850A patent/TWI820407B/zh active
- 2020-01-17 TW TW109101637A patent/TWI725707B/zh active
-
2023
- 2023-06-21 US US18/212,334 patent/US20230333482A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140223406A1 (en) * | 2002-10-09 | 2014-08-07 | Bodymedia, Inc. | Systems and methods for measuring a state parameter |
| TW201530333A (zh) * | 2013-12-17 | 2015-08-01 | Asml Netherlands Bv | 良率評估及控制 |
| CN107077077A (zh) * | 2014-09-22 | 2017-08-18 | Asml荷兰有限公司 | 过程窗口识别符 |
| TW201901285A (zh) * | 2017-05-26 | 2019-01-01 | 荷蘭商Ａｓｍｌ荷蘭公司 | 基於機器學習之輔助特徵置放 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113366390B (zh) | 2024-02-20 |
| EP3918420A1 (en) | 2021-12-08 |
| TW202032257A (zh) | 2020-09-01 |
| US20230333482A1 (en) | 2023-10-19 |
| US11687007B2 (en) | 2023-06-27 |
| KR20210105424A (ko) | 2021-08-26 |
| KR102606104B1 (ko) | 2023-11-29 |
| TW202136896A (zh) | 2021-10-01 |
| US20220082949A1 (en) | 2022-03-17 |
| TWI725707B (zh) | 2021-04-21 |
| CN113366390A (zh) | 2021-09-07 |
| WO2020156769A1 (en) | 2020-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI820407B (zh) | 用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式 | |
| US11714357B2 (en) | Method to predict yield of a device manufacturing process | |
| CN113406865B (zh) | 确定图案化过程的校正的方法 | |
| TWI672565B (zh) | 模型化系統或執行諸如微影系統之系統之預測維修之方法及相關聯微影系統 | |
| TWI764554B (zh) | 判定微影匹配效能 | |
| NL2024627A (en) | Method for decision making in a semiconductor manufacturing process | |
| US11740560B2 (en) | Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process | |
| EP3693795A1 (en) | Method for decision making in a semiconductor manufacturing process | |
| TWI786709B (zh) | 判定半導體製造程序中之修正策略之方法及相關設備 | |
| EP3910417A1 (en) | Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process | |
| NL2024999A (en) | Determining lithographic matching performance |