TWI833241B - 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體 - Google Patents

使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體 Download PDF

Info

Publication number
TWI833241B
TWI833241B TW111121357A TW111121357A TWI833241B TW I833241 B TWI833241 B TW I833241B TW 111121357 A TW111121357 A TW 111121357A TW 111121357 A TW111121357 A TW 111121357A TW I833241 B TWI833241 B TW I833241B
Authority
TW
Taiwan
Prior art keywords
target
features
sraf
model
pattern
Prior art date
Application number
TW111121357A
Other languages
English (en)
Other versions
TW202318097A (zh
Inventor
峻 陶
宇 曹
克里斯多福 艾倫 史賓斯
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202318097A publication Critical patent/TW202318097A/zh
Application granted granted Critical
Publication of TWI833241B publication Critical patent/TWI833241B/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
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • G—PHYSICS
    • 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
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Abstract

本文中描述一種判定用於一遮罩圖案之輔助特徵之方法。該方法包括：獲得(i)包含複數個目標特徵之一目標圖案，其中該複數個目標特徵中之各者包含複數個目標邊緣；及(ii)一經訓練序列至序列機器學習(ML)模型(例如長短期記憶體、閘控遞迴單元等)，其經組態以判定用於該目標圖案之次解析度輔助特徵(SRAF)。對於該複數個目標邊緣中之一目標邊緣，判定環繞該目標邊緣之目標特徵之一子集的幾何資訊(例如長度、寬度、特徵之間的距離等)。使用該幾何資訊作為輸入，該ML模型產生待在該目標邊緣周圍置放之SRAF。

Description

使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體
本發明係關於微影技術，且更特定言之，係關於產生用於可進一步用於產生圖案化器件圖案之目標圖案之輔助特徵的機制。
微影裝置為將所要圖案轉印至基板之目標部分上之機器。微影裝置可用於例如積體電路(IC)之製造中。在彼情形下，圖案化器件(其替代地被稱作遮罩或倍縮光罩)可用以產生對應於IC之個別層之電路圖案，且可將此圖案成像至具有輻射敏感材料(抗蝕劑)層之基板(例如，矽晶圓)上之目標部分(例如，包含晶粒之部分、一個晶粒或若干晶粒)上。一般而言，單一基板將含有經順次地曝光之鄰近目標部分之網路。已知微影裝置包括：所謂的步進器，其中藉由一次性將整個圖案曝光至目標部分上來輻照各目標部分；及所謂的掃描器，其中藉由在給定方向(「掃描」方向)上經由光束而掃描圖案同時平行或反平行於此方向而同步地掃描基板來輻照各目標部分。
在將電路圖案自圖案化器件轉印至基板之前，基板可經歷各種製程，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受其他製程，諸如，曝光後烘烤(PEB)、顯影、硬烘烤，及經轉印電路圖 案之量測/檢測。此製程陣列用作製造例如IC器件之器件之個別層的基礎。基板可接著經歷各種製程以產生器件之個別層，該等製程諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械研磨等。若在器件中需要若干層，則針對各層來重複整個工序或其變體。最終，在基板上之各目標部分中將存在一器件。接著藉由諸如切塊或鋸切之技術來使此等器件彼此分離，據此，可將個別器件安裝於載體上、連接至銷釘等。
因此，製造半導體器件通常涉及使用多個製作製程來處理基板(例如半導體晶圓)以形成該等器件之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械研磨及離子植入來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製作多個器件，且接著將其分離成個別器件。器件製造通常包括圖案化製程。圖案化製程涉及用以將圖案化器件上之圖案轉印至基板之圖案化步驟，諸如使用微影裝置中之圖案化器件(例如遮罩)之光學及/或奈米壓印微影，且圖案化製程通常但視情況涉及一或多個相關圖案處理步驟，諸如由顯影裝置進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻裝置而使用圖案進行蝕刻等。
半導體製造涉及產生遮罩圖案以使得電路之奈米尺度特徵可準確地印刷於基板上。可使用經組態以產生用於建置遮罩圖案之輔助特徵之經訓練機器學習模型來預測此類遮罩圖案。然而，出於訓練之目的，例如使用現有遮罩圖案產生製程產生的實況資料可包含用於類似圖案之不同輔助特徵。當將此不一致的實況資料用於訓練時，其可使得機器學習模型預測平均化之輔助特徵。舉例而言，經預測特徵可為兩個可能預測(例如，十字形輔助特徵)之平均值。此可造成輔助特徵提取之不明確性，藉 此不利地影響遮罩圖案之產生。一些基於存在影像之輔助特徵產生途徑趨向於具有柵格依賴性問題且可能不併有MRC約束。
根據本發明，本文中提供用以訓練及使用序列至序列機器學習模型來預測輔助特徵之機制。訓練資料包含目標特徵之幾何資訊使得經訓練模型可直接預測輔助特徵之屬性，因此有利地避免柵格依賴性問題，從而避免卷積神經網路(CNN)中之平均化效應。其可顯著地減少在產生輔助特徵時之不明確性。另一優點效應為序列至序列模型產生之輔助特徵當用於遮罩圖案中時會產生良好的製程窗(與實況資料相當)。另外，與當前基於CNN之訓練途徑相比，運行時間更好地進行比較。
在一實施例中，提供一種訓練用於產生用於一遮罩圖案之輔助特徵之一機器學習模型的方法。該方法包括獲得(i)包含複數個目標特徵之一目標圖案，其中該複數個目標特徵中之各者包含複數個目標邊緣；及(ii)一經訓練序列至序列機器學習(ML)模型，其經組態以判定用於該目標圖案之次解析度輔助特徵(SRAF)。針對該複數個目標邊緣中之一目標邊緣，判定環繞該目標邊緣之目標特徵之一子集的幾何資訊。使用該幾何資訊作為至該ML模型之輸入，判定待在該目標邊緣周圍置放的SRAF。
在一實施例中，該ML模型為經組態以處置依序輸入資料之一遞迴神經網路。舉例而言，該ML模型係一長短期記憶體架構之一編碼器-解碼器、一閘控遞迴單元架構之一編碼器-解碼器或一變換器神經網路。
在一實施例中，該方法進一步涉及使用該目標邊緣中之各者作為一參考，將該目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。舉例而言，分割目標圖案涉及選擇該複數個目 標特徵之各邊緣上之一點；及基於該等選定點，將該目標圖案劃分成該複數個胞元。在一實施例中，使用該等選定點作為至一沃羅諾伊分割方法之種子來執行分割，以產生複數個沃羅諾伊胞元。
在一實施例中，判定至少部分地在該複數個胞元之胞元之一子集內的目標特徵之該子集之該幾何資訊。舉例而言，胞元之該子集係在該目標圖案內之該目標邊緣之一所要範圍內。在一實施例中，判定該幾何資訊涉及識別出目標特徵之該子集係在該目標邊緣周圍之一選定區域中，其中該選定區域為相鄰目標特徵對用於該目標邊緣之該SRAF產生之一影響範圍。在一實施例中，該幾何資訊可為該目標邊緣與該目標圖案內之目標特徵之該子集之各目標特徵之間的距離、目標特徵之該子集之各目標特徵的一寬度及/或一長度，及/或目標特徵之該子集之各目標特徵的一位置。
在一實施例中，判定該等SRAF涉及由該ML模型判定滿足遮罩規則檢查(MRC)約束的輔助特徵之幾何形狀，其中該ML模型以一依序方式產生該等SRAF使得具有滿足之塑形約束的一較早SRAF用以產生後續SRAF，從而使得該等所產生之SRAF自動滿足該等MRC約束。
在一實施例中，提供一種訓練一序列至序列機器學習(ML)模型以產生用於一遮罩之次解析度輔助特徵(SRAF)之方法。該方法涉及獲得包含具有複數個目標特徵之一目標圖案之訓練資料，及包括對應於該目標圖案之參考次解析度輔助特徵之實況資料。對於該目標圖案之各目標邊緣，指派環繞所考慮之一目標邊緣的目標特徵之一子集之幾何資訊(例如長度、寬度、目標特徵之間的距離等)。使用一序列至序列機器學習演算法、該幾何資訊及該實況資料，訓練一ML模型而以一依序方式產生 SRAF，以滿足關於該等SRAF之一匹配臨限值。
在一實施例中，訓練資料作為輸入資料或輸入向量經提供至該ML模型，該輸入資料或該輸入向量包含以下各者中之至少一者：目標特徵之該子集之大小、所考慮之該目標邊緣與目標特徵之該子集之間的距離，及目標特徵之該子集之位置。
在一實施例中，該方法涉及使用該目標邊緣中之各者作為一參考，將該目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。在一實施例中，分割該目標圖案涉及選擇該複數個目標特徵之各目標邊緣上之一點；及基於該等選定點，將該目標圖案劃分成該複數個胞元。舉例而言，使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該目標圖案，以產生複數個沃羅諾伊胞元。
在一實施例中，該方法涉及：判定與所考慮之該目標邊緣相鄰的目標特徵之該子集之該幾何資訊，目標特徵之該子集係在環繞所考慮之該目標邊緣的一或多個胞元內；及產生包含與該目標圖案內之該等目標邊緣中之各者相關聯的該幾何資訊之一輸入向量。
在一實施例中，判定該幾何資訊涉及識別至少部分地在該所關注邊緣周圍之一選定區域中之該一或多個胞元內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於所考慮之該目標邊緣之該SRAF產生之一影響範圍。
在一實施例中，該訓練製程涉及：將目標特徵之該子集之該幾何資訊提供至該ML模型，以按一序列預測用於該目標圖案之各目標邊緣的SRAF之幾何形狀；及比較該等預測SRAF與關於該目標圖案之各別目標邊緣的該一或多個參考SRAF；及調整該ML模型之模型參數，以 使該等經預測SRAF待在關於該實況資料中之該等參考SRAF的該匹配臨限值內。在一實施例中，調整該等模型參數涉及：針對各目標邊緣以一依序方式自該ML模型產生輸出；比較該所產生輸出與該等參考SRAF以判定該所產生輸出是否在關於該等參考SRAF之該匹配臨限值內；及回應於該所產生輸出不匹配該等參考SRAF，調整該等模型參數之值以使得該輸出待處於該匹配臨限值內。
在一實施例中，產生該輸出涉及：由該ML模型判定對應於該等參考SRAF之一第一參考SRAF的一第一輔助特徵之幾何形狀；由該ML模型基於該第一輔助特徵，判定對應於該等參考SRAF之一第二參考SRAF的一第二輔助特徵之幾何形狀；及由該ML模型基於該第一輔助特徵及該第二輔助特徵，判定對應於該等參考SRAF之一第三參考SRAF的一第三輔助特徵之幾何形狀。
此外，在一實施例中，提供一種非暫時性電腦可讀媒體，其包含在由一或多個處理器執行時造成包括上文所論述之方法之步驟之操作的指令。
10A:例示性微影投影裝置
12A:輻射源
14A:光學器件/組件
16Aa:光學器件/組件
16Ab:光學器件/組件
16Ac:透射光學器件/組件
18A:圖案化器件
20A:可調整濾光器或孔徑
21:輻射光束
22:琢面化場鏡面器件
22A:基板平面
24:琢面化光瞳鏡面器件
26:經圖案化光束
28:反射元件
30:反射元件
100:電腦系統
102:匯流排
104:處理器
105:處理器
106:主記憶體
108:唯讀記憶體(ROM)
110:儲存器件
112:顯示器
114:輸入器件
116:游標控制件
118:通信介面
120:網路鏈路
122:區域網路
124:主機電腦
126:網際網路服務提供者(ISP)
128:網際網路
130:伺服器
210:極紫外線(EUV)輻射發射電漿/極熱電漿
211:源腔室
212:收集器腔室
220:圍封結構
221:開口
230:選用氣體障壁或污染物截留器/污染截留器/污染物障壁
240:光柵光譜濾光器
251:上游輻射收集器側
252:下游輻射收集器側
253:掠入射反射器
254:掠入射反射器
255:掠入射反射器
301:輸入輪廓
302:模型預測之輪廓
311:輸入輪廓
312:模型預測之輪廓
400:方法
404:胞元
406:幾何資訊
410:參考次解析度輔助特徵(SRAF)
420:機器學習(ML)模型
500:目標圖案
900:方法
901:目標圖案
901S:目標特徵
902:胞元
904:幾何資訊
920:經預測次解析度輔助特徵(SRAF)
1000:微影投影裝置
1200:源模型
1210:投影光學器件模型
1220:圖案化器件/設計佈局模型模組
1230:空中影像
1240:抗蝕劑模型
1250:抗蝕劑影像
1260:圖案轉印後製程模型模組
AD:調整構件
B:輻射光束
BD:光束遞送系統
BOX1:限界框
C:目標部分
C1:沃羅諾伊胞元
C2:沃羅諾伊胞元
C3:沃羅諾伊胞元
C10:沃羅諾伊胞元
CO:聚光器/輻射收集器/近正入射收集器光學器件
DC:解碼器
DL:輸入層/解碼器輸出層
EL:編碼器層
EN:編碼器
EO:經編碼輸出/輸入
IF:干涉量測構件/虛擬源點/中間焦點
IL:照明系統/照明器/照明光學器件單元
IN:積光器/輸入
M1:圖案化器件對準標記
M2:圖案化器件對準標記
MA:圖案化器件
ML:機器學習
MT:第一物件台/圖案化器件台/支撐結構
O:光軸
OUT:經解碼輸出
P1:基板對準標記
P2:基板對準標記
PM:第一定位器
PS:物品/投影系統
PS2:位置感測器
PSRAF:經訓練ML模型產生之輔助特徵
PW:第二定位器
P401:製程
P403:製程
P405:製程
P407:製程
P901:製程
P903:製程
P905:製程
P907:製程
SO:輻射源/源收集器模組
SRAF:次解析度輔助特徵/參考目標特徵
SRAF0:參考次解析度輔助特徵(SRAF)/第一輔助特徵
SRAF1:參考次解析度輔助特徵(SRAF)/第二輔助特徵
SRAF2:參考次解析度輔助特徵(SRAF)
SRAF3:參考次解析度輔助特徵(SRAF)
SRAF4:參考次解析度輔助特徵(SRAF)
SRAF5:參考次解析度輔助特徵(SRAF)
SRAF6:參考次解析度輔助特徵(SRAF)
T1:目標特徵
T2:目標特徵
T3:目標特徵
T6:目標特徵
T7:目標特徵
T8:目標特徵
T9:目標特徵
T10:目標特徵
TE1:目標邊緣
TE2:目標邊緣
TE3:目標邊緣
TE10:所考慮之目標邊緣
TFn:目標特徵
TFx:目標特徵
TP:目標圖案
W:基板
WT:第二物件台/基板台
現在將參看隨附圖式而僅作為實例來描述實施例，在該等圖式中：圖1展示根據一實施例的微影系統之各種子系統的方塊圖；圖2描繪根據一實施例的用於模型化及/或模擬圖案化製程之至少一部分的實例流程圖；圖3A及圖3B繪示根據一實施例的與圖案化製程之模擬相 關的實例柵格依賴性誤差；圖4為根據一實施例的用於產生用於設計佈局之目標圖案之輔助特徵的流程圖；圖5繪示根據一實施例的設計佈局之目標圖案之例示性分割；圖6A繪示根據一實施例的圖5之經分割目標圖案之例示性胞元；圖6B繪示根據一實施例的指派給圖6A中所展示之目標邊緣之例示性參考輔助特徵；圖6C繪示根據一實施例的選擇相鄰目標特徵及與相鄰目標特徵相關聯之幾何資訊；圖7為根據一實施例的包含編碼器及解碼器之長短期記憶模型之例示性訓練，該模型係根據圖4之方法予以訓練；圖8繪示根據一實施例的由經訓練機器學習模型產生之例示性輔助特徵；圖9為根據一實施例的使用經訓練機器學習模型以產生用於設計佈局之任何給定目標圖案之輔助特徵的方法的流程圖；圖10為根據一實施例的例示性電腦系統之方塊圖；圖11為根據一實施例的例示性微影投影裝置之圖；圖12為根據一實施例的例示性極紫外線(EUV)微影投影裝置之圖；圖13為根據一實施例的圖12中之例示性裝置的更詳細視圖；且 圖14為根據一實施例的圖12及圖13之裝置的源收集器模組之更詳細視圖。
圖1繪示根據本發明之一實施例的例示性微影投影裝置10A。裝置10A包括輻射源12A，其可為深紫外線(DUV)準分子雷射源或包括極紫外(EUV)源的其他類型之源。然而，如上文所論述，在一些其他實施例中，輻射源可不為微影投影裝置自身之一體式部分。裝置10A進一步包括：照明光學器件，其例如界定部分相干性(表示為均方偏差)且可包括經組態以將來自源12A之輻射塑形的光學器件14A、16Aa及16Ab；圖案化器件18A；及透射光學器件16Ac，其將圖案化器件圖案之影像投影至基板平面22A上。在投影光學器件之光瞳平面處的可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度界定投影光學器件之數值孔徑NA=n sin(Θmax)，其中n為基板與投影光學器件之最後元件之間的介質之折射率，且Θmax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。
在微影投影裝置中，源將照明(亦即輻射)提供至圖案化器件，且投影光學器件經由圖案化器件將照明引導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)為基板位階處之輻射強度分佈。曝光基板上之抗蝕劑層，且將空中影像轉印至抗蝕劑層以在其中作為潛在「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 20090157360號中找到此情形之實例。 抗蝕劑模型係與抗蝕劑層之屬性(例如在曝光、PEB及顯影期間發生之化學製程之效應)相關。微影投影裝置之光學屬性(例如源、圖案化器件及投影光學器件之屬性)規定空中影像。由於可改變用於微影投影裝置中之圖案化器件，因此可需要使圖案化器件之光學屬性與至少包括源及投影光學器件的微影投影裝置之其餘部分之光學屬性分離。
在一實施例中，可基於如何根據本發明之方法來最佳化設計佈局而將輔助特徵(例如，次解析度輔助特徵及/或可印刷解析度輔助特徵)置放至設計佈局中。在一實施例中，使用基於機器學習之模型來判定圖案化器件圖案。機器學習模型可為諸如序列至序列機器學習模型之神經網路，其可以某種方式經訓練以在較快速率下獲得準確預測，因此實現圖案化製程之全晶片模擬。
可使用一組訓練資料來訓練神經網路(亦即，判定其之參數)。訓練資料可包含一組訓練樣本或由一組訓練樣本組成。各樣本可為一對輸入物件(例如向量，其可被稱為特徵向量)及所要輸出值。訓練演算法分析訓練資料且藉由基於訓練資料調整神經網路之參數(例如一或多個層之權重)來調整該神經網路之行為。在訓練之後，神經網路可用於映射新樣本。
在一實施例中，圖案化製程之機器學習模型可經訓練以預測例如遮罩圖案之輪廓、圖案、CD及/或晶圓上之抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如，邊緣置放誤差)等。訓練之目標為實現對例如晶圓上之經印刷圖案的輪廓、空中影像強度斜率及/或CD等之準確預測。預期設計(例如待印刷於晶圓上之晶圓目標佈局)通常被定義為預光學近接校正(OPC)設計佈局，其可以諸如GDSII或OASIS或其他檔案格式 之標準化數位檔案格式而提供。
圖2繪示用於模型化及/或模擬圖案化製程之部分的例示性流程圖。如應瞭解，模型可表示不同圖案化製程且無需包含下文所描述之所有模型。源模型1200表示圖案化器件之照明之光學特性(包括輻射強度分佈、頻寬及/或相位分佈)。源模型1200可表示照明之光學特性，其包括但不限於：數值孔徑設定、照明均方偏差(σ)設定以及任何特定照明形狀(例如離軸輻射形狀，諸如環形、四極、偶極等)，其中均方偏差(或σ)為照明器之外部徑向範圍。
投影光學器件模型1210表示投影光學器件之光學特性(包括由投影光學器件造成的輻射強度分佈及/或相位分佈之改變)。投影光學器件模型1210可表示投影光學器件之光學特性，包括像差、失真、一或多個折射率、一或多個實體大小、一或多個實體尺寸等。
圖案化器件/設計佈局模型模組1220捕捉設計特徵如何被佈置於圖案化器件之圖案中且可包括圖案化器件之詳細實體屬性之表示，如例如全文係以引用方式併入之美國專利第7,587,704號中所描述。在一實施例中，圖案化器件/設計佈局模型模組1220表示設計佈局(例如對應於積體電路、記憶體、電子器件等之特徵之器件設計佈局)之光學特性(包括由給定設計佈局造成的輻射強度分佈及/或相位分佈之改變)，其為圖案化器件上或由圖案化器件形成的特徵之配置之表示。由於可改變用於微影投影裝置中之圖案化器件，因此需要使圖案化器件之光學屬性與至少包括照明及投影光學器件的微影投影裝置之其餘部分之光學屬性分離。模擬之目標常常為準確地預測例如邊緣置放及CD，可接著比較該等邊緣置放及CD與器件設計。器件設計通常被定義為預OPC圖案化器件佈局，其可以諸如 GDSII或OASIS之標準化數位檔案格式而提供。
可自源模型1200、投影光學器件模型1210及圖案化器件/設計佈局模型1220模擬空中影像1230。空中影像(AI)為基板位階處之輻射強度分佈。微影投影裝置之光學屬性(例如照明、圖案化器件及投影光學器件之屬性)規定空中影像。
基板上之抗蝕劑層係由空中影像曝光，且該空中影像經轉印至抗蝕劑層而作為其中之潛在「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型1240自空中影像1230模擬抗蝕劑影像1250。可使用抗蝕劑模型1240以自空中影像計算抗蝕劑影像，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 20090157360號中找到此情形之實例。抗蝕劑模型通常描述在抗蝕劑曝光、曝光後烘烤(PEB)及顯影期間出現的化學製程之效應，以便預測例如形成於基板上之抗蝕劑特徵之輪廓，且因此其通常僅與抗蝕劑層之此類屬性(例如在曝光、曝光後烘烤及顯影期間出現的化學製程之效應)相關。在一實施例中，可捕捉抗蝕劑層之光學屬性，例如折射率、膜厚度、傳播及偏振效應，而作為投影光學器件模型1210之部分。
一般而言，光學模型與抗蝕劑模型之間的連接為抗蝕劑層內之經模擬空中影像強度，其起因於輻射至基板上之投影、抗蝕劑界面處之折射及抗蝕劑膜堆疊中之多個反射。輻射強度分佈(空中影像強度)係藉由入射能量之吸收而變為潛在「抗蝕劑影像」，其係藉由擴散製程及各種負載效應予以進一步修改。足夠快以用於全晶片應用之高效模擬方法藉由2維空中(及抗蝕劑)影像而近似抗蝕劑堆疊中之實際3維強度分佈。
在一實施例中，可將抗蝕劑影像用作至圖案轉印後製程模型模組1260之輸入。圖案轉印後製程模型1260界定一或多個抗蝕劑顯影後製程(例如蝕刻、顯影等)之效能。
圖案化製程之模擬可例如預測抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。因此，該模擬之目標為準確地預測例如經印刷圖案之邊緣置放，及/或空中影像強度斜率，及/或CD等。可將此等值與預期設計比較以例如校正圖案化製程，識別預測出現缺陷之地點等。預期設計通常被定義為預OPC設計佈局，其可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供。
因此，模型公式化描述總製程之大多數(若非全部)已知物理性質及化學方法，且模型參數中之各者理想地對應於一相異物理或化學效應。模型公式化因此可設定關於模型可用以模擬總製造製程之良好程度之上限。
連續透射遮罩(CTM)技術為可產生用於遮罩圖案之灰階導引映圖的逆微影解決方案。基於灰階導引映圖，可提取設計佈局之輔助特徵及對主要特徵之修改。在一實施例中，此導引映圖可於產生多邊形特徵(例如，主要特徵、輔助特徵、SRAF、SERIF等)。使用使用CTM+技術產生之圖案製造的遮罩被稱作曲線遮罩。在一實施例中，CTM+技術涉及使用位階集合方法來判定導引映圖，其中位階集合臨限值輔助判定彎曲多邊形特徵(例如，主要特徵、輔助特徵、SRAF、SERIF等)。
全文以引用方式併入本文中之PCT專利公開案第WO 2019179747 A1號中論述了產生曲線遮罩之實例方法。在實例方法(例如，CTM、CTM+或經組合之CTM及CTM+)中，藉由相對於與微影相關 之效能度量(例如，EPE、旁瓣等)最佳化灰階影像來產生導引映圖。該方法可用於產生經最佳化曲線遮罩圖案，其包括自灰階影像追蹤之曲線多邊形。
為了減少運用前述方法進行全晶片遮罩產生之運行時間，可使用基於機器學習之途徑，如全文以引用方式併入本文中之PCT專利公開案第WO 2018215188 A1號中所論述。舉例而言，可使用DCNN構架訓練機器學習模型以預測對應於經最佳化遮罩圖案之灰階影像。經預測灰階影像非常接近於「實況」，因此僅使用較少數目次反覆(例如，少於逆微影解決方案中所需之反覆)，就可產生最終曲線遮罩圖案。
前述CTM及CTM+技術涉及使用基於柵格之圖案修改進行之反覆最佳化。若目標圖案之柵格位置改變，則此基於柵格之修改可產生用於目標圖案之不同CTM。又，如通常已知，逆微影具有產生多個解決方案的問題。此等解決方案可具有小或明顯大的差異(例如在SRAF形狀及置放方面)，但在藉由微影效能(DOF、PVB等)判斷時可全部被認為係可接受的解決方案。
圖3A至圖3B繪示引起柵格依賴性誤差的相對於柵格之實例圖案移位。圖3A及圖3B展示經預測輪廓302/312(點線)及輸入輪廓301/311(例如，設計或所要輪廓)。在圖3A中，整個輸入輪廓301在柵格上，然而在圖3B中，輸入輪廓311之一部分偏離柵格，例如在隅角點處。此可引起模型預測之輪廓302與312之間的差異。在例如微影可製造性檢查(LMC)或OPC應用之一實施例中，相同圖案可在柵格上之不同位置處重複呈現，且需要具有無關於圖案之位置的恆定模型預測。然而，模型可能幾乎不能達成完美的移位不變性。一些條件不良的模型可能在圖案移位中 產生較大輪廓差異。
在一實施例中，可如下量測柵格依賴性(GD)誤差。為量測GD誤差，在子像素步進中將沿著輪廓之圖案及量規一起移位。舉例而言，對於像素大小=14nm，圖案/量規可沿著x及/或y方向每步進移位1nm。隨著每次移位，量測沿著量規之模型預測之CD。接著，模型預測之CD之集合中的方差指示柵格依賴性誤差。自使用者之視點，經預測輪廓之此類差異可能為不可接受的。對於相同目標圖案，消費者、OPC工程師或其他圖案化製程相關使用者可能偏好使用相同遮罩來確保對製程變化之較佳控制。
柵格依賴性問題可擴展至諸如用於產生CTM及CTM+之逆微影之應用。在CTM/CTM+產生製程經過反覆最佳化以產生結果(對應地灰階遮罩映圖及/或曲線遮罩)時，用於相同目標圖案之結果在最佳化期間歸因於模型柵格依賴性之效應，且歸因於在各反覆步驟中可能引起額外柵格依賴性之CTM/CTM+中之其他處理，可變得愈來愈不同。柵格依賴性問題亦可擴展至用於加速例如次解析度輔助特徵(SRAF)產生之基於機器學習之方法的應用。舉例而言，因為實況資料自身中存在不同解決方案，所以其致使機器學習模型訓練難以自實況結果收斂至具有較低RMS之較佳模型。又，基於機器學習之方法在其經應用以預測結果時亦為柵格依賴性之來源。在本發明中，呈現一種方法(例如，400或900)以減少可歸因於柵格依賴性而造成的對應於類似目標圖案之遮罩圖案之變化，且因此改良一致性。
在用於產生遮罩圖案之一些現有方法中，涉及使用經訓練機器學習模型(例如卷積神經網路(CNN))來預測輔助特徵(例如SRAF)。然 而，出於訓練之目的，使用現有製程(例如CTM/CTM+)產生之實況資料可包含用於類似圖案之不同輔助特徵。當將此不一致的實況資料用於訓練時，其可使得機器學習模型預測平均化之輔助特徵。舉例而言，不合需要的十字形輔助特徵可為平均化目標圖案之位置處之水平候選輔助特徵及垂直候選輔助特徵的結果。此造成輔助特徵提取之不明確性，藉此影響遮罩圖案之準確度。
根據本發明，本文中提供用以訓練及使用序列至序列機器學習模型來預測輔助特徵之機制。在一些實施例中，訓練資料包含目標特徵之幾何資訊使得經訓練模型可直接預測輔助特徵之屬性，因此有利地避免了柵格依賴性問題，避免了卷積神經網路(CNN)中之平均化效應，且產生輔助特徵時之不明確性可忽略。另一優點效應為序列至序列模型產生之輔助特徵當用於遮罩圖案中時會產生良好的製程窗(與實況資料相當)。另外，與當前基於CNN之訓練途徑相比，運行時間可更好地進行比較。此外，本文中之SRAF係以序列產生，因而較早產生之SRAF被用作對稍後產生之SRAF的約束，以自動滿足諸如遮罩製造相關約束之某些約束。
模型之序列至序列訓練涉及將輸入序列(例如目標圖案資訊)轉換成輸出序列(例如SRAF)。序列至序列模型包含第一神經網路(例如編碼器)，該第一神經網路將各輸入項目轉換成含有該項目及其內容脈絡(例如來自前一步驟之輸出)之對應隱藏向量。序列至序列模型亦包括第二神經網路(例如解碼器)，該第二神經網路將由第一神經網路產生之隱藏向量反轉為輸出項目。第二神經網路亦使用先前輸出作為輸入內容脈絡。在一實施例中，第一神經網路及第二神經網路可整合至單一模型中。
圖4為根據本發明之一實施例的用於訓練序列至序列機器 學習(ML)模型以產生遮罩之次解析度輔助特徵(SRAF)之實例方法400的流程圖。方法400之例示性實施包括下文詳細論述之製程P401至P407。
製程P401涉及獲得包含具有複數個目標特徵TFn(例如TF1，TF2，TF3，…，TFn)之目標圖案TP之訓練資料，及包括對應於該目標圖案TP之參考次解析度輔助特徵(SRAF)410之實況資料。在一實施例中，可藉由使目標邊緣與410之一或多個參考SRAF相關聯來獲得訓練資料。舉例而言，圖6B(稍後在本發明中詳細地論述)繪示使參考SRAF與目標邊緣相關聯。在一實施例中，複數個目標特徵TFn中之各目標邊緣係與實況資料中之參考SRAF 410的一或多個參考SRAF相關聯。
製程P403涉及將目標圖案TP分割成複數個胞元404，各胞元含有目標特徵TF之一目標邊緣。舉例而言，第一胞元包括第一目標特徵TF1之第一邊緣，且第二胞元包括第一目標特徵TF1之第二邊緣，第三胞元包括第二目標特徵TF2之第三邊緣等等。在一實施例中，目標邊緣(例如TF1)可與一或多個參考SRAF相關聯。舉例而言，與目標邊緣相關聯的410之一或多個參考SRAF係處於含有所考慮之目標邊緣之胞元的內部之位置處及/或該胞元的邊界處。
應瞭解，本發明不限於任何特定分割機制、途徑、方法、演算法或製程。在一實施例中，執行目標圖案TP之分割使得各胞元與目標圖案上之選定點或位置具有一定的關係。在一實施例中，該關係可為各胞元皆滿足的等效關係(例如，對稱性)。在一實施例中，該關係可表示為選定位置與邊界之間的函數，例如各胞元之邊界與選定位置之間的最小距離。此關係可用以判定引起目標圖案TP之分割的各胞元之邊界。在一實施例中，選定位置為目標邊緣之中心，或目標圖案上之任何使用者定義 點。
在一實施例中，目標圖案TP佈局之部分之分割可基於幾何分割(例如，使用沃羅諾伊方法)，其中複數個胞元404中之各胞元的邊界係基於胞元之邊界與目標邊緣上之選定位置之間的距離予以判定。在實施例中，複數個胞元404中之各胞元的邊界經判定使得各胞元中之點相比於接近目標圖案內之其他位置最接近給定位置。
在一實施例中，目標圖案TP之分割可涉及：選擇複數個目標特徵TFn之各目標邊緣上之位置或點(例如邊緣之中點)；及基於選定點將目標圖案TP劃分成複數個胞元404。舉例而言，目標圖案TP之分割涉及根據沃羅諾伊分割方法使用選定點作為種子以產生複數個沃羅諾伊胞元。
在一實施例中，可產生輸入向量，其中該輸入向量包含目標特徵TFn之幾何資訊(例如位置、寬度、長度、距離等)。在一實施例中，幾何資訊包含目標特徵之邊緣與所考慮之目標特徵之間的距離、目標特徵之寬度等。舉例而言，在圖5中，對於目標特徵T10，TE10為所考慮之目標邊緣，C10中之SRAF與T10相關聯，且T10可藉由TE10及其相鄰目標邊緣(例如TE1，TE2，TE3，…)來特性化。因此，對於TE10目標邊緣，至TE10之附近TEn之相對位置可為輸入向量。出於訓練目的，將該輸入向量進一步輸入至機器學習模型。然而，此論述僅僅係例示性的；可在不脫離本發明之範疇的情況下使用任何其他合適形式或資訊作為輸入。在訓練製程期間，與目標圖案TP內之目標邊緣中之各者相關聯的410之一或多個參考SRAF係用作輸出處之模型產生之SRAF的實況資料。
圖5繪示根據一實施例的設計佈局之目標圖案500之例示性分割。目標圖案包含複數個目標特徵TFn。各目標特徵具有目標邊緣。為 了分割目標圖案500，可收集所有目標邊緣，且其中心(或在其他實施例中之任何其他合適的位置)可用作用於產生複數個胞元之種子。舉例而言，基於該等種子，將目標圖案500劃分成複數個沃羅諾伊胞元，使得各目標邊緣具有與其相關聯之唯一沃羅諾伊胞元。
作為一實例，目標特徵包括目標邊緣TE1、TE2及TE3，且其中心可用作種子以分別產生諸如C1、C2及C3之沃羅諾伊胞元。目標邊緣TE1之中心提供用於沃羅諾伊胞元C1之種子。目標邊緣TE1至少部分在沃羅諾伊胞元C1中。目標邊緣TE2提供用於沃羅諾伊胞元C2之種子。目標邊緣TE2至少部分在沃羅諾伊胞元C2中。目標邊緣TE3提供用於沃羅諾伊胞元C3之種子。目標邊緣TE3至少部分在沃羅諾伊胞元C3中。類似地，目標邊緣TE10提供用於沃羅諾伊胞元C10之種子。目標邊緣TE10至少部分在沃羅諾伊胞元C10中。因此，各沃羅諾伊胞元係與一目標邊緣相關聯。可理解，本分割僅為例示性的，且本文中可採用並不導致柵格依賴性問題之其他分割方法。
圖5中之實例亦展示在各目標特徵周圍置放之SRAF。作為一實例，SRAF僅出於繪示之目的而被展示為點線矩形，且並不限制本發明之範疇。在其他實例中，可使用彎曲SRAF、矩形SRAF及彎曲SRAF之組合或其他形狀及大小之SRAF。在一實施例中，SRAF充當參考SRAF以用於使用序列至序列ML演算法訓練ML模型。舉例而言，根據一實施例，各目標邊緣可與所考慮之目標邊緣周圍的一或多個沃羅諾伊胞元內之參考SRAF之子集(例如，目標邊緣TE10及胞元C10中之SRAF)相關聯。在一實施例中，此經分割目標圖案、目標特徵之幾何資訊及對應參考SRAF係用於訓練ML模型，如下文進一步所描述。
返回參看圖4，製程P405涉及將環繞所考慮之目標邊緣的一或多個胞元內之目標特徵TFx之子集的幾何資訊406(例如位置、長度、寬度等)指派給目標圖案TP之各目標邊緣。在一實施例中，指派幾何資訊406涉及判定與所考慮之目標邊緣相鄰的目標特徵TFx之子集之幾何資訊406。在一個實施例中，目標特徵TFx之子集可為至少部分地在環繞所考慮之目標邊緣之一或多個胞元內的特徵。然而，本發明不限於此。在一實施例中，可產生包含與目標圖案TP內之目標邊緣中之各者相關聯之幾何資訊406的輸入向量。在一實施例中，輸入向量可經附加為包括實況資料，或可在輸出處與輸入向量分開地提供實況資料。在實況資料中，各目標邊緣可與410之一或多個參考SRAF相關聯，如早先所論述。
在一實施例中，可藉由識別至少部分地在所考慮之目標邊緣周圍之選定區域中之一或多個胞元內的目標特徵TFx之子集來判定幾何資訊406。舉例而言，選定區域可為特性化相鄰目標特徵對用於所考慮之目標邊緣之SRAF產生之影響範圍的區域(例如目標圖案內之圓形、矩形等區域，其中目標邊緣作為該區域之中心)。舉例而言，此類相鄰目標特徵可影響待估計之SRAF之形狀、大小或其他幾何屬性。
在一實施例中，判定幾何資訊406涉及在所關注目標邊緣周圍置放限界框，及選擇該限界框內之複數個胞元404中之一或多個胞元。另外，可識別至少部分地在該一或多個胞元內的目標特徵TFx之子集。目標特徵TFx之子集可充當所考慮之目標邊緣之相鄰特徵，其影響所考慮之目標邊緣周圍的SRAF之幾何形狀。
在一實施例中，幾何資訊406可包括所考慮之目標邊緣與目標圖案TP內之目標特徵TFx之子集之各目標特徵之間的距離。在一實施 例中，幾何資訊406可包括目標特徵TFx之子集之各目標特徵的寬度及/或長度。在一實施例中，幾何資訊406可包括目標特徵TFx之子集之各目標特徵的位置。
圖6A繪示與目標特徵T10相關聯之例示性胞元C10。如早先所論述，目標邊緣TE10之中心點充當用於判定沃羅諾伊胞元C10之胞元邊界之導引點。根據沃羅諾伊方法，該邊界內之各點與任何其他目標邊緣之中心點的接近程度相比更接近目標邊緣TE10之中心點。在一實施例中，可收集落入胞元C10中或在胞元C10之邊界處的參考目標特徵SRAF，且使目標邊緣TE10與彼等SRAF相關聯。
圖6B繪示指派給目標邊緣TE10之例示性參考SRAF(例如SRAF0，SRAF1，SRAF2，SRAF3，SRAF4，SRAF5，SRAF6)。在一實施例中，參考SRAF0至SRAF6中之各者之幾何資訊可與目標邊緣TE10相關聯，該幾何資訊包括諸如寬度、長度、彼此之距離、距目標邊緣之距離等。此目標邊緣TE10及關聯參考SRAF或SRAF資訊可用於訓練ML模型。舉例而言，在訓練期間，ML模型可預測目標邊緣TE10之SRAF。經預測SRAF將與參考SRAF0至SRAF6進行比較。此外，出於訓練目的，各目標邊緣亦與相鄰目標特徵之幾何資訊相關聯。相鄰目標特徵之幾何資訊用作至ML模型之輸入以預測SRAF。
圖6C繪示根據一實施例的可如何選擇目標邊緣之相鄰目標特徵及可如何判定與此等相鄰目標特徵相關聯之幾何資訊。在本實例中，可藉由在目標特徵T10之目標邊緣周圍置放限界框BOX1(例如，塑形為矩形、正方形、圓形、自由形式或其他幾何形狀)來選擇相鄰目標特徵。在一實施例中，限界框BOX1可基於預設試探性規則予以判定，或為使用者 定義的。對於實況資料，各目標邊緣(例如，TE10)及其沃羅諾伊胞元(例如，C10)係與目標邊緣(例如，TE10)之胞元(例如，C10)中的參考SRAF相關聯。胞元(例如，C10)之SRAF產生將受附近沃羅諾伊胞元影響。因此，彼等附近胞元中之目標邊緣可在其SRAF之產生中由機器學習用作內容脈絡(例如輸入)。在本實例中，「附近胞元」可為至少部分地在限界框BOX1中或在限界框BOX1周圍之一定範圍或裕度內的沃羅諾伊胞元。
在所展示之實例中，限界框BOX1包括若干沃羅諾伊胞元。對於包括於中限界框BOX1中之胞元中的各者，對應目標邊緣或目標特徵可用作用於產生邊緣中之SRAF的內容脈絡。舉例而言，附近胞元中之目標特徵可為T1、T2、T3、T6、T7、T8及T9。對於目標特徵T1至T3及T6至T9中之各者，可提取幾何資訊(諸如其長度、寬度、彼此之間的距離、距邊緣TE10之距離等)且將該幾何資訊包括於經訓練之ML模型的輸入中。ML模型使用該幾何資訊以產生用於目標邊緣(例如TE10)之SRAF。可將所產生之SRAF與參考SRAF(例如圖6B中之SRAF0至SRAF6)進行比較，該等參考SRAF與胞元(例如C10)相關聯。基於該比較，模型參數(例如，編碼器-解碼器權重)可經調整以使所產生之SRAF與參考SRAF匹配，如下文進一步論述。舉例而言，若所產生之SRAF與對應參考SRAF小於臨限匹配百分比，則可使用梯度下降方法或關於機器學習製程之其他權重調整方法來調整模型參數權重。
儘管圖5及圖6A至圖6C中之實例繪示矩形目標特徵，但一般熟習此項技術者可理解，本發明不限於目標特徵或SRAF之特定形狀。可使用曲線形目標特徵及曲線形參考SRAF來訓練ML模型420以預測曲線形SRAF。
製程P407涉及使用序列至序列機器學習演算法、幾何資訊406及實況資料，訓練ML模型420以產生滿足關於參考SRAF 410之匹配臨限值的SRAF。在一實施例中，在訓練之後的ML模型420可被稱作經訓練ML模型。
在一實施例中，ML模型420可為經組態以處置可變長度之依序輸入資料的遞迴神經網路(RNN)。在一實施例中，依序輸入資料係指目標特徵及/或SRAF之基於位置之序列。ML模型420(例如RNN)經組態以處置具有可變長度之可變輸入向量，其中各目標邊緣具有與相鄰目標特徵相關聯之不同幾何形狀資訊。ML模型420亦產生可具有可變長度之輸出向量，其中可產生在所考慮之目標邊緣周圍具有不同位置的不同數目個SRAF。通常，遞迴神經網路為具有內部記憶體之神經網路。當遞迴神經網路作出決策時，其考慮當前輸入及先前輸入兩者(資訊儲存於內部記憶體中)。相反地，在典型前饋神經網路中，資訊僅在一個方向上向前傳遞，例如自輸入層經由隱藏層傳遞至神經網路之輸出層。其不具有輸入之記憶體。
在一實施例中，ML模型420可為長短期記憶體(LSTM)架構之編碼器-解碼器、閘控遞迴單元架構之編碼器-解碼器或變換器神經網路。舉例而言，LSTM單元具有可用作RNN中之隱藏層的回饋連接，LSTM胞元可處理單一資料點以及整個資料序列。作為另一實例，閘控遞迴單元(GRU)可用作RNN中之隱藏層之節點。在一實施例中，變換器由編碼器及解碼器組成。代替使用作為RNN之記憶體結構，其使用多頭關注結構來收集來自經定序輸入中之所有其他目標圖案的資訊。
在一實施例中，訓練製程可涉及將目標特徵TFx之子集之 幾何資訊406提供至ML模型420，而按一序列預測用於目標圖案TP之各目標邊緣的SRAF之幾何形狀。可比較該等預測SRAF與關於目標圖案TP之各別目標邊緣的410之一或多個參考SRAF。基於該比較，可調整ML模型420之模型參數(例如權重)以使得經預測SRAF待在關於實況資料中之參考SRAF 410的匹配臨限值內。
在一實施例中，調整模型參數可涉及針對各目標邊緣以依序方式自ML模型420產生輸出。可比較所產生輸出與參考SRAF 410以判定所產生輸出是否在關於參考SRAF 410之匹配臨限值內。回應於所產生輸出不匹配參考SRAF 410，可調整模型參數之值以使得輸出待處於該匹配臨限值內。
在一實施例中，產生輸出涉及由ML模型420判定對應於參考SRAF 410之第一參考SRAF的第一輔助特徵之幾何形狀。舉例而言，輸出可由ML模型420之解碼器產生。另外，基於第一輔助特徵作為輸入(例如，至ML模型420之解碼器)，ML模型420可判定對應於參考SRAF 410之第二參考SRAF的第二輔助特徵之幾何形狀。類似地，基於第一輔助特徵及第二輔助特徵作為輸入(例如，至ML模型420之解碼器)，ML模型420可判定對應於參考SRAF 410之第三參考SRAF的第三輔助特徵之幾何形狀。
在一實施例中，調整模型參數涉及：比較第一輔助特徵之幾何形狀與第一參考SRAF；比較第二輔助特徵之幾何形狀與第二參考SRAF；比較第三輔助特徵之幾何形狀與第三參考SRAF；及基於該等比較，判定第一、第二及第三輔助特徵中之各者之幾何形狀是否分別在第一、第二及第三參考SRAF之匹配臨限值內。回應於第一、第二及第三輔助特徵中之任一者不匹配各別參考SRAF 410，調整模型參數之值。
在一實施例中，調整模型參數涉及：判定用於訓練ML模型420之成本函數相對於模型參數之梯度；及使用該梯度作為指導，調整模型參數之值以最小化或最大化該成本函數，從而使得所產生輸出與參考SRAF 410匹配。在一實施例中，成本函數為ML產生之SRAF之幾何形狀與參考SRAF 410之間的差之函數。
在遮罩圖案中，SRAF形狀具有與其相關聯之約束(例如製造限制)，因而需要ML模型考慮該等約束。本文中之訓練製程之有利效應為：其自動地訓練ML模型420以考慮SRAF約束，諸如形狀約束(例如矩形SRAF或正方形SRAF及對應長度限制)及MRC約束(例如一SRAF至另一SRAF、SRAF至目標空間/寬度等)。
圖7繪示根據本發明之一實施例的包含編碼器EN及解碼器DC且經組態以預測SRAF之例示性LSTM模型。編碼器EN包含經組態以接收輸入IN之輸入層DL，輸入IN可為目標特徵之基於位置之序列以及關聯幾何資訊。舉例而言，位置可為用於產生沃羅諾伊胞元之目標邊緣的中心。輸入層進一步連接至編碼器層EL，該編碼器層對序列中之輸入之各項目進行編碼以產生經編碼輸出EO，亦被稱作隱藏狀態向量或中間輸出向量
Figure 111121357-A0305-02-0026-1
。將經編碼輸出EO傳遞至解碼器DC。解碼器包括經組態以接收經編碼輸出EO之解碼器嵌入層。解碼器亦包括經組態以對經編碼輸出EO進行解碼而以依序方式產生輔助特徵(例如SRAF)之解碼器層。舉例而言，產生第一輔助特徵SRAF0，其用於被包括作為輸入EO之一部分以產生第二輔助特徵SRAF1。類似地，SRAF1用作輸入以產生下一輸出SRAF2，等等。含有所產生輔助特徵SRAF0至SRAF2之經解碼輸出OUT可由解碼器輸出層DL輸出。
如早先所論述，輸入IN可具有可變長度。將不對輸出OUT進行平均化，實情為，SRAF係由解碼器層DL直接決定。輸出將包含例如各SRAF之位置、寬度、長度資訊。由於輸出OUT在序列中逐步地產生，因此經輸出之SRAF將有利地且自動地彼此之間併有一些關係或約束(例如，大小、距離或其他MRC相關約束)。
圖8繪示為了目標圖案而產生之經訓練機器學習模型的例示性輸出。出於繪示之目的，僅展示經分割目標圖案之單一胞元C10。出於比較之目的，將經訓練ML模型產生之輔助特徵PSRAF與胞元C10之參考SRAF重疊。如所展示，儘管所產生之輔助特徵PSRAF並不與參考SRAF確切地匹配或重疊，但該匹配被認為在所要臨限值內。又，如本文中所論述，矩形SRAF僅為例示性的且並不限制本發明之範疇。在一實施例中，彎曲目標特徵可用作輸入，且彎曲SRAF可產生為輸出。
圖9為根據本發明之一實施例的用於判定用於包括一或多個目標圖案之任何設計佈局的輔助特徵(例如SRAF)之方法900的例示性流程圖。在一實施例中，方法900包括若干步驟或製程，且在經執行(例如，經由處理器或電腦硬體系統)時產生用於與待印刷於基板上之所要圖案(例如，目標圖案)對應的遮罩圖案之次解析度輔助特徵(SRAF)。
在一實施例中，方法900包括使用目標特徵之幾何資訊經由經訓練序列至序列機器學習(ML)模型產生次解析度輔助特徵(SRAF)。舉例而言，可針對記憶體電路系統之一或多個目標圖案產生包括SRAF之遮罩圖案。另外，具有所產生遮罩圖案之遮罩可用以將目標圖案印刷於基板上。
在一實施例中，方法900採用經訓練序列至序列ML模型 (例如藉由本文所論述之方法400訓練)，諸如LSTM編碼器-解碼器、GRU編碼器-解碼器、變換器等，以預測用於任何設計佈局之SRAF。應用ML模型以預測SRAF涉及將圖案分割成複數個胞元(例如沃羅諾伊胞元)。ML模型使用直接用作輸入之目標特徵之幾何資訊。此可有利地消除了與產生SRAF之現有途徑相關聯的柵格依賴性問題。對於各目標邊緣，按序列預測SRAF(例如圖7及圖8中所繪示)。在預測期間，ML將來自較早經預測SRAF之約束自動應用於下一SRAF決策。在一實施例中，基於SRAF之位置、寬度、長度或其他幾何屬性而將SRAF進行叢集。使用以下製程P901至P907進一步詳細論述方法900之例示性實施。
製程P901涉及獲得包含複數個目標特徵之目標圖案901。在一實施例中，複數個目標特徵中之各目標特徵包含複數個目標邊緣。另外，可獲得(例如自圖10中之處理器104之記憶體擷取)經訓練序列至序列機器學習(ML)模型420，其經組態以判定用於目標圖案901之次解析度輔助特徵(SRAF)。舉例而言，根據上文所論述之方法400來訓練ML模型420且將其儲存於處理器104之記憶體中。
製程P903涉及使用目標邊緣中之各者作為參考將目標圖案901分割成複數個胞元902，使得各胞元包括目標特徵之目標邊緣的一部分。分割製程可類似於本文中所論述之製程P403。在一實施例中，目標圖案901之分割涉及：選擇複數個目標特徵之各目標邊緣上或周圍的位置或點(例如邊緣之中點)；及基於選定點將目標圖案901劃分成複數個胞元902。舉例而言，目標圖案901之分割涉及使用選定點作為至沃羅諾伊分割方法之種子來分割目標圖案901以產生複數個沃羅諾伊胞元。
製程P905涉及針對複數個目標邊緣中之一目標邊緣，判定 目標特徵901S之子集之幾何資訊904，目標特徵例如至少部分地在複數個胞元902之胞元子集內的特徵。在一實施例中，可針對目標邊緣中之各者判定目標特徵之單獨子集。在一實施例中，胞元之子集可為在目標圖案901內之目標邊緣之所要範圍內的複數個胞元902之胞元。在一實施例中，判定幾何資訊904涉及識別來自目標圖案901之至少部分地在目標邊緣周圍之選定區域中之胞元之子集內的目標特徵901S之子集。該選定區域提供相鄰目標特徵對用於目標邊緣之SRAF產生之影響範圍。
在一實施例中，可藉由識別至少部分地在所考慮之目標邊緣周圍之選定區域中之一或多個胞元內的目標特徵901S之子集來判定幾何資訊904。舉例而言，該選定區域可為特性化相鄰目標特徵對用於所考慮之目標邊緣之SRAF產生之影響範圍的任何區域。該範圍可以此項技術中熟知之任何適合方式判定。
在一實施例中，判定幾何資訊904涉及在所關注目標邊緣周圍置放限界框(例如圖6C中之BOX1)，及選擇該限界框內之複數個胞元902中之一或多個胞元。另外，可識別至少部分地在該一或多個胞元內的目標特徵901S之子集。目標特徵901S之子集可用作所考慮之目標邊緣之相鄰特徵，其影響所考慮之目標邊緣周圍的SRAF之幾何形狀。
在一實施例中，幾何資訊904可包括所考慮之目標邊緣與目標圖案901內之目標特徵901S之子集中之各目標特徵之間的距離。在一實施例中，幾何資訊904可包括目標特徵901S之子集之各目標特徵的寬度及/或長度。在一實施例中，幾何資訊904可包括目標特徵901S之子集之各目標特徵的位置。
在一實施例中，幾何資訊904係以具有可變長度之輸入向 量之形式提供，此係因為不同目標邊緣可與不同相鄰目標特徵相關聯且因此對應輸入具有變化之可變長度。輸入向量可經進一步提供至ML模型420。
製程P907涉及使用幾何資訊904作為至ML模型420之輸入來判定待在目標邊緣周圍置放之SRAF 920。在一實施例中，SRAF 920係以依序方式判定。舉例而言，判定SRAF 920涉及由ML模型420判定自動滿足形狀約束及與其相關聯之遮罩規則檢查(MRC)約束的第一輔助特徵之幾何形狀。基於該第一輔助特徵，ML模型420判定第二輔助特徵之幾何形狀，該第二輔助特徵自動滿足該第一輔助特徵與該第二輔助特徵之間的形狀約束及MRC或其他約束。基於該第一輔助特徵及該第二輔助特徵，ML模型420判定第三輔助特徵之幾何形狀，該第三輔助特徵自動滿足該第三輔助特徵與該第一輔助特徵及/或該第二輔助特徵之間的形狀約束及MRC。在一實施例中，針對目標圖案901內之複數個目標特徵之所有目標邊緣判定幾何資訊904。
在一實施例中，方法900可進一步擴展以基於目標圖案901及目標圖案901之經預測SRAF 920而判定圖案化製程之製程窗。
在一實施例中，方法900可進一步擴展以藉由將與複數個目標特徵中之各目標邊緣相關聯的SRAF 920置放在各別目標邊緣周圍來產生遮罩圖案。舉例而言，方法900可與包含光學近接校正(OPC)製程之現有遮罩產生製程整合。舉例而言，包含SRAF 920之遮罩圖案可用作初始圖案，其中OPC製程涉及修改遮罩圖案以判定光學近接校正之遮罩圖案。在一實施例中，遮罩圖案經修改以使得圖案化製程之效能度量得以改良。舉例而言，改良效能度量可最小化目標圖案與藉由模擬圖案化製程產 生的經模擬圖案之間的邊緣置放誤差，最小化與目標圖案相比遮罩特徵之額外及不足印刷之數目，最小化經模擬圖案與目標圖案之間的CD誤差，或其組合。應瞭解，可在不脫離本發明之範疇的情況下使用改良效能度量之任何其他適合的OPC製程或機制。
用以將圖案化器件圖案變換成各種微影影像(例如，空中影像、抗蝕劑影像等)、使用彼等技術及模型應用OPC並評估效能(例如，依據製程窗)之技術及模型的細節描述於美國專利申請公開案第US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197、2010-0180251及2011-0099526號中，該等公開案中之各者的揭示內容之全文特此係以引用方式併入。
隨著微影節點保持縮小，需要愈來愈複雜的圖案化器件圖案(為了較佳可讀性而可被互換地稱作遮罩)(例如曲線遮罩)。可運用DUV掃描器、EUV掃描器及/或其他掃描器在關鍵層中使用本發明方法。可在包括源遮罩最佳化(SMO)、遮罩最佳化及/或OPC之遮罩最佳化製程之不同態樣中包括根據本發明之方法。舉例而言，全文特此以引用方式併入之題為「Optimization Flows of Source,Mask and Projection Optics」之美國專利第9,588,438號中描述了源遮罩最佳化製程。
在一實施例中，圖案化器件圖案為包括具有多邊形形狀之曲線SRAF之曲線遮罩，與具有矩形或階梯狀形狀的曼哈頓(Manhattan)圖案中相對。與曼哈頓圖案相比，曲線遮罩可在基板上產生更準確的圖案。然而，曲線SRAF之幾何形狀、其相對於目標圖案之位置或其他相關參數可產生製造限定，此係由於此類曲線形狀可能不適用於製造。因此，設計者在遮罩設計製程期間可能不考慮此類限定。Spence等人之 「Manufacturing Challenges for Curvilinear Masks」(Proceeding of SPIE第10451卷，Photomask Technology，1045104(2017年10月16日)；doi：10.1117/12.2280470)中論述了關於在製造曲線遮罩時之限制及挑戰的詳細論述，該案之全文係以引用方式併入本文中。
光學近接校正(OPC)為通常用於補償歸因於繞射及製程效應之影像誤差之光微影增強技術。現有的基於模型之OPC通常由若干步驟組成，包括：(i)導出包括規則重定向之晶圓目標圖案；(ii)置放次解析度輔助特徵(SRAF)；及(iii)執行包括模型模擬之反覆校正(例如藉由計算晶圓上之強度圖)。模型模擬之最耗時的部分為基於模型之SRAF產生及基於遮罩規則檢查(MRC)之清除，以及遮罩繞射、光學成像及抗蝕劑顯影之模擬。舉例而言，本發明方法900可加速SRAF產生及MRC製程，因此改良現有技術。
在一實施例中，本文中所論述之方法可提供為其上記錄有指令的電腦程式產品或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及900之操作。圖10中之實例電腦系統100包括非暫時性電腦可讀媒體(例如記憶體)，其包含在由一或多個處理器(例如104)執行時引起包括本文中所論述之方法400或900之步驟的操作之指令。
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，第一組合包括藉由分割目標圖案且使目標圖案之各邊緣與參考SRAF之子集相關聯來製備訓練資料。基於訓練資料，可使用序列至序列機器學習方法來訓練機器學習模型。子組合可包括將目標圖案分割成沃羅諾伊胞元。在另一子組合中，各目標邊緣之關聯可基於在目標圖案內 所繪製之所要大小及形狀的限界框。在另一實例中，該組合包括使用經訓練機器學習模型產生用於任何目標圖案之SRAF。在子組合中，所產生之SRAF可進一步用以產生遮罩圖案。
圖10為繪示根據本發明之一實施例的經組態以輔助實施本文中所揭示之方法及流程的例示性電腦系統100之方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構，及與匯流排102耦接以用於處理資訊之一處理器104(或多個處理器104及105)。電腦系統100亦包括耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令的主記憶體106，諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106亦可用於在待由處理器104執行之指令之執行期間儲存暫時性變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令的唯讀記憶體(ROM)108或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件110，且儲存器件110耦接至匯流排102以用於儲存資訊及指令。
電腦系統100可經由匯流排102而耦接至用於向電腦使用者顯示資訊之顯示器112，諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件114耦接至匯流排102以用於將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器104且用於控制顯示器112上之游標移動的游標控制件116，諸如滑鼠、軌跡球或游標方向按鍵。此輸入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。
根據一個實施例，可藉由電腦系統100回應於處理器104執行主記憶體106中所含有之一或多個指令之一或多個序列來執行製程之部分。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中所含有之指令序列之執行使處理器104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以執行主記憶體106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。
本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104以供執行之任何媒體。此媒體可採取許多形式，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110。揮發性媒體包括動態記憶體，諸如主記憶體106。傳輸媒體包括同軸纜線、銅線及光纖，其包括包含匯流排102之電線。傳輸媒體亦可採取聲波或光波之形式，諸如，在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。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104以供執行時涉及電腦可讀媒體之各種形式。舉例而言，最初可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線而發送指令。在電腦系統100本端之數據機可接收電 話線上之資料，且使用紅外線傳輸器以將資料轉換成紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自該主記憶體106擷取及執行指令。由主記憶體106接收之指令可視情況在由處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100亦理想地包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦合，網路鏈路120連接至區域網路122。舉例而言，通信介面118可為整合式服務數位網路(ISDN)卡或數據機以提供至對應類型之電話線的資料通信連接。作為另一實例，通信介面118可為區域網路(LAN)卡以提供對相容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118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120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120可經由區域網路122而向主機電腦124或向由網際網路服務提供者(ISP)126操作之資料設備提供連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」)128而提供資料通信服務。區域網路122及網際網路128兩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120上且經由通信介面118之信號(該等信號將數位資料攜載至電腦系統100及自電腦系統100攜載數位資料)為輸送資訊的載波之例示性形式。
電腦系統100可經由網路、網路鏈路120及通信介面118發送訊息及接收資料，包括程式碼。在網際網路實例中，伺服器130可能經 由網際網路128、ISP 126、區域網路122及通信介面118而傳輸用於應用程式之經請求程式碼。一個此類經下載應用程式可提供例如實施例之照明最佳化。所接收程式碼可在其被接收時由處理器104執行，及/或儲存於儲存器件110或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統100可獲得呈載波形式之應用程式碼。
圖11描繪根據本發明之一實施例的可與本文中描述之技術結合利用的例示性微影投影裝置。該裝置包含：- 照明系統IL，其用以調節輻射光束B。在此特定狀況下，照明系統亦包含輻射源SO；- 第一物件台(例如圖案化器件台)MT，其具備用以固持圖案化器件MA(例如倍縮光罩)之圖案化器件固持器，且連接至用以相對於物品PS來準確地定位該圖案化器件之第一定位器；- 第二物件台(基板台)WT，其具備用以固持基板W(例如抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於物品PS來準確地定位該基板之第二定位器；- 投影系統(「透鏡」)PS(例如折射、反射或反射折射光學系統)，其用以將圖案化器件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，裝置屬於透射類型(亦即具有透射圖案化器件)。然而，一般而言，其亦可屬於例如反射類型(具有反射圖案化器件)。裝置可使用與經典遮罩不同種類之圖案化器件；實例包括可程式化鏡面陣列或LCD矩陣。
源SO(例如水銀燈或準分子雷射、雷射產生電漿(laser produced plasma；LPP)EUV源)產生輻射光束。舉例而言，此光束係直接地或在已橫穿諸如光束擴展器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之外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL通常將包含各種其他組件，諸如積光器IN及聚光器CO。以此方式，照射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖11應注意，源SO可為微影投影裝置之一體式部分，例如在微影投影裝置之外殼內(此常常為當源SO為(例如)水銀燈時之狀況)，但其亦可在微影投影裝置遠端，其所產生之輻射光束被導引至該裝置中(例如，憑藉合適導向鏡)；此後一情境常常為源SO為準分子雷射(例如，基於KrF、ArF或F2雷射作用)時之狀況。
光束B隨後截取被固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA的情況下，光束B傳遞通過透鏡PS，該透鏡將該光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如以便使不同目標部分C定位於光束B之路徑中。類似地，第一定位構件可用以(例如)在自圖案化器件庫機械地擷取圖案化器件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器件MA。一般而言，將憑藉未在圖11中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。然而，在步進器(相對於步進掃描工具)之狀況下，圖案化器件台MT可僅連接至短衝程致動器，或可固定。
可在兩種不同模式中使用所描繪工具： - 在步進模式中，圖案化器件台MT保持基本上靜止，且整個圖案化器件影像一次性投影(亦即單次「閃光」)至目標部分C上。接著使基板台WT在x方向及/或y方向上移位，使得可由光束B輻照不同目標部分C；- 在掃描模式中，基本上相同情境適用，惟單次「閃光」中不曝光給定目標部分C除外。替代地，圖案化器件台MT可以速度v在給定方向(所謂的「掃描方向」，例如y方向)上移動，使得使投影光束B遍及圖案化器件影像進行掃描；並行地，基板台WT以速度V=Mv在相同方向或相對方向上同時地移動，其中M為透鏡PS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12描繪根據本發明之一實施例的另一例示性微影投影裝置1000。裝置1000包括：- 源收集器模組SO，其用以提供輻射；- 照明系統(照明器)IL，其經組態以調節來自源收集器模組SO之輻射光束B(例如，EUV輻射)；- 支撐結構(例如，遮罩台)MT，其經建構以支撐圖案化器件(例如，遮罩或倍縮光罩)MA，且連接至經組態以準確地定位該圖案化器件之第一定位器PM；- 基板台(例如，晶圓台)WT，其經建構以固持基板(例如，抗蝕劑塗佈晶圓)W，且連接至經組態以準確地定位該基板之第二定位器PW；及- 投影系統(例如，反射投影系統)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。
如此處所描繪，裝置1000屬於反射類型(例如，使用反射 遮罩)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化器件可具有包含例如鉬與矽之多層堆疊的多層反射器。在一項實例中，多堆疊反射器具有鉬與矽之40個層對，其中各層之厚度為四分之一波長。可運用X射線微影來產生更小波長。由於大多數材料在EUV及x射線波長下具吸收性，故圖案化器件構形上之經圖案化吸收材料之薄件(例如多層反射器之頂部上之TaN吸收體)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。
參看圖12，照明器IL自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但未必限於運用在EUV範圍內之一或多個發射譜線將具有至少一個元素(例如氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿「LPP」)中，可藉由運用雷射光束來輻照燃料(諸如，具有該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12中未繪示)之EUV輻射系統之部件，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射，例如EUV輻射，該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用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單獨實體。
在此類狀況下，不認為雷射形成微影裝置之部件，且輻射光束係憑藉包含(例如)合適導向鏡及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他狀況下，舉例而言，當輻射源為放電產生電漿EUV產生器(常常被稱為DPP輻射源)時，輻射源可為源收集器模組之整體部件。
照明器IL可包含用於調整輻射光束之角強度分佈之調整 器。通常，可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束，以在其橫截面中具有所要均一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如遮罩台)MT上之圖案化器件(例如遮罩)MA上，且係由該圖案化器件而圖案化。在自圖案化器件(例如遮罩)MA反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器PS2(例如干涉器件、線性編碼器或電容式感測器)，可準確地移動基板台WT，例如以便使不同目標部分C定位於輻射光束B之路徑中。類似地，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器件(例如遮罩)MA。可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如遮罩)MA及基板W。
所描繪裝置1000可用於以下模式中之至少一者中：
1.在步進模式中，在被賦予至輻射光束之整個圖案一次性投影至目標部分C上時，使支撐結構(例如遮罩台)MT及基板台WT保持基本上靜止(亦即單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位，使得可曝光不同目標部分C。
2.在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如遮罩台)MT及基板台WT(亦即單次動態曝光)。基板台WT相對於支撐結構(例如遮罩台)MT之速度及方向可藉由投影系統PS之放大率(縮小率)及影像反轉特性予以判定。
3.在另一模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，使支撐結構(例如遮罩台)MT保持基本上靜止，從而固持可程式化圖案化器件，且移動或掃描基板台WT。在此模式中，通常使用脈衝式輻射源，且在基板台WT之各移動之後或在掃描期間之順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(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13更詳細地展示裝置1000，其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置成使得可將真空環境維持於源收集器模組SO之圍封結構220中。可由放電產生電漿輻射源形成EUV輻射發射電漿210。可藉由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之高效產生，可需要為例如10帕斯卡之分壓之Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用氣體障壁或污染物截留器230(在一些狀況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中已知，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212可包括可為所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側 252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置以使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24，琢面化場鏡面器件22及琢面化光瞳鏡面器件24經配置以提供在圖案化器件MA處輻射光束21之所要角度分佈，以及在圖案化器件MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化器件MA處的輻射光束21之反射後，就形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。
比所展示之元件更多的元件通常可存在於照明光學器件單元IL及投影系統PS中。取決於微影裝置之類型，可視情況存在光柵光譜濾光器240。另外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖13所展示之反射元件多1至6個的額外反射元件。
如圖13中所繪示之收集器光學器件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置為圍繞光軸O軸向對稱，且此類型之收集器光學器件CO理想地與放電產生電漿輻射源組合使用。
替代地，源收集器模組SO可為如圖14所展示之LPP輻射系統之部件。雷射LAS經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射係自電漿發射、 由近正入射收集器光學器件CO收集，且聚焦至圍封結構220中之開口221上。
本文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具有愈來愈小之大小之波長的新興成像技術使用。已經在使用中之新興技術包括極紫外線(EUV)微影，其能夠藉由使用ArF雷射來產生193nm之波長且甚至能夠藉由使用氟雷射來產生157nm之波長。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20nm至5nm之範圍內之波長，以便產生在此範圍內之光子。
雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如，用於在不同於矽晶圓的基板上之成像的微影成像系統。
儘管可在本文中特定地參考在IC製造中的實施例之使用，但應理解，本文中之實施例可具有許多其他可能應用。舉例而言，其可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示器(LCD)、薄膜磁頭、微機械系統(MEM)等。熟習此項技術者將瞭解，在此類替代應用之內容背景中，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用可被認為分別與更一般術語「圖案化器件」、「基板」或「目標部分」同義或可與其互換。可在曝光之前或之後在(例如)塗佈顯影系統(通常將抗蝕劑層施加至基板且顯影經曝光抗蝕劑之工具)或度量衡或檢測工具中處理本文中所提及之基板。適用時，可將本文中之揭示內容應用於此類及其他基板處理工具。另外，可將基板處理多於一次(例如)以便產生多層IC，以使得本文中所使用之術語基板亦可指已經含有多個經處理 層之基板。
在本發明文件中，如本文所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外輻射(例如具有約365nm、約248nm、約193nm、約157nm或約126nm之波長)及極紫外(EUV)輻射(例如具有介於5nm至20nm範圍內的波長)以及粒子束，諸如離子束或電子束。
如本文中所使用之術語「最佳化(optimizing/optimization)」係指或意謂調整圖案化裝置(例如微影裝置)、圖案化製程等使得結果及/或製程具有較合乎需要的特性，諸如設計圖案於基板上之較高投影準確度、較大製程窗等。因此，如本文所使用之術語「最佳化(optimizing/optimization)」係指或意謂識別用於一或多個參數之一或多個值的製程，該一或多個值相比於用於彼等一或多個參數之一或多個值之初始集合提供至少一個相關度量之改良，例如局部最佳。應相應地解釋「最佳」及其他相關術語。在一實施例中，可反覆地應用最佳化步驟，以提供一或多個度量之進一步改良。
可以任何方便形式來實施本發明之態樣。舉例而言，一實施例可由一或多個適當電腦程式實施，該一或多個適當電腦程式可在可為有形載體媒體(例如，磁碟)或無形載體媒體(例如，通信信號)之適當載體媒體上進行。可使用可具體地採取可程式化電腦之形式的合適裝置來實施本發明之實施例，該可程式化電腦執行經配置以實施如本文中所描述之方法之電腦程式。因此，本發明之實施例可以硬體、韌體、軟體或其任何組合予以實施。本發明之實施例亦可被實施為儲存於機器可讀媒體上之指令，該等指令可由一或多個處理器讀取及執行。機器可讀媒體可包括用於 儲存或傳輸以可由機器(例如計算器件)讀取之形式之資訊的任何機構。舉例而言，機器可讀媒體可包括：唯讀記憶體(ROM)；隨機存取記憶體(RAM)；磁碟儲存媒體；光學儲存媒體；快閃記憶體器件；電、光、聲或其他形式之傳播信號(例如，載波、紅外線信號、數位信號等等)及其他者。另外，韌體、軟體、常式、指令可在本文中被描述為執行某些動作。然而，應瞭解，此等描述僅僅係出於方便起見，且此等動作事實上係由計算器件、處理器、控制器或執行韌體、軟體、常式、指令等等之其他器件引起。
在方塊圖中，所繪示之組件被描繪為離散功能區塊，但實施例不限於本文中所描述之功能性如所繪示來組織之系統。由組件中之各者提供之功能性可由軟體或硬體模組提供，該等模組以與目前所描繪之方式不同之方式組織，例如，可摻和、結合、複寫、解散、分配(例如，在資料中心內或按地區)，或另外以不同方式組織此軟體或硬體。本文中所描述之功能性可由執行儲存於有形的、非暫時性機器可讀媒體上之程式碼之一或多個電腦之一或多個處理器提供。在一些狀況下，第三方內容遞送網路可主控經由網路傳達之資訊中的一些或全部，在此狀況下，在據稱供應或以其他方式提供資訊(例如內容)之情況下，可藉由發送指令以自內容遞送網路擷取彼資訊來提供該資訊。
除非另外特定陳述，否則如自論述顯而易見，應瞭解，貫穿本說明書，利用諸如「處理」、「運算)」、「計算」、「判定」或其類似者之術語的論述係指諸如專用電腦或類似專用電子處理/計算器件之特定裝置的動作或製程。
讀者應瞭解，本申請案描述若干發明。已將此等發明分組 成單一文件，而非將彼等發明分離成多個單獨的專利申請案，此係因為該等發明之相關主題在應用製程中有助於經濟發展。但不應合併此等發明之相異優點及態樣。在一些狀況下，實施例解決本文中所提及之所有缺陷，但應理解，該等發明係獨立地有用，且一些實施例僅解決此等問題之子集或提供其他未提及之益處，該等益處對於檢閱本發明之熟習此項技術者將顯而易見。歸因於成本約束，目前可不主張本文中所揭示之一些發明，且可在稍後申請案(諸如接續申請案或藉由修正本技術方案)中主張該等發明。類似地，歸因於空間約束，本發明文件之[發明摘要]及[發明內容]章節皆不應被視為含有所有此等發明之全面清單或此等發明之所有態樣。
應理解，本說明書及圖式並不意欲將本發明限於所揭示之特定形式，而正相反，意欲涵蓋屬於如由所附申請專利範圍界定之本發明之精神及範疇的所有修改、等效者及替代方案。
1.一種非暫時性電腦可讀媒體，其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使得該一或多個處理器執行產生一遮罩圖案之一方法，該方法包含：獲得(i)包含複數個目標特徵之一目標圖案，其中該複數個目標特徵中之各者包含複數個目標邊緣；及(ii)一經訓練序列至序列機器學習(ML)模型，其經組態以判定用於該目標圖案之次解析度輔助特徵(SRAF)；針對該複數個目標邊緣中之一目標邊緣，判定環繞該目標邊緣之目標特徵之一子集的幾何資訊；及使用該幾何資訊作為至該ML模型之輸入來判定待在該目標邊緣周圍置放的SRAF。
2.如條項1之媒體，其進一步包含： 使用該目標邊緣中之各者作為一參考，將該目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
3.如條項2之媒體，其中分割該目標圖案包含：選擇該複數個目標特徵之各邊緣上之一點；及基於該等選定點，將該目標圖案劃分成該複數個胞元。
4.如條項3之媒體，其中分割該目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該目標圖案，以產生複數個沃羅諾伊胞元。
5.如條項2之媒體，其中判定目標特徵之該子集之該幾何資訊包含：識別至少部分地在該複數個胞元之胞元之一子集內的目標特徵之該子集，其中胞元之該子集係在該目標圖案內之該目標邊緣之一所要範圍內。
6.如條項5之媒體，其中判定該幾何資訊包含：識別至少部分地在該目標邊緣周圍之一選定區域中的胞元之該子集內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於該目標邊緣之該SRAF產生之一影響範圍。
7.如條項6之媒體，其中判定該幾何資訊包含：藉由在該目標邊緣周圍置放一限界框來選擇該複數個胞元之胞元之該子集；及識別至少部分地在胞元之該子集內的目標特徵之該子集，目標特徵之該子集充當該目標邊緣之相鄰特徵，其影響該目標邊緣周圍之該等SRAF之幾何形狀。
8.如條項1至7中任一項之媒體，其中判定該幾何資訊包含： 識別該目標邊緣與該目標圖案內之目標特徵之該子集之各目標特徵之間的距離。
9.如條項1至8中任一項之媒體，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一寬度及/或一長度。
10.如條項1至9中任一項之媒體，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一位置。
11.如條項1至10中任一項之媒體，其中判定該等SRAF包含以一依序方式判定該等SRAF。
12.如條項11之媒體，其中判定該等SRAF包含：由該ML模型判定滿足遮罩規則檢查(MRC)約束的輔助特徵之幾何形狀，其中該ML模型以一依序方式產生該等SRAF使得具有滿足之塑形約束的一較早SRAF用以產生後續SRAF，從而使得該等所產生之SRAF自動滿足該等MRC約束。
13.如條項12之媒體，其中判定該等SRAF包含：由該ML模型判定自動滿足形狀約束及與其相關聯之MRC約束的一第一輔助特徵之幾何形狀；由該ML模型基於該第一輔助特徵，判定一第二輔助特徵之幾何形狀，該第二輔助特徵自動滿足該第一輔助特徵與該第二輔助特徵之間的該等形狀約束及該MRC；及由該ML模型基於該第一輔助特徵及該第二輔助特徵，判定一第三輔助特徵之幾何形狀，該第三輔助特徵自動滿足該第三輔助特徵與該第一輔助特徵及/或該第二輔助特徵之間的該等形狀約束及該MRC。
14.如條項1至13中任一項之媒體，其中判定該幾何資訊進一步包 含產生一輸入向量，該輸入向量具有藉由該目標邊緣與相鄰目標特徵之關聯引起的一可變長度，該輸入向量經組態以被提供至該ML模型。
15.如條項1至14中任一項之媒體，該等指令進一步包含：基於該目標圖案及該目標圖案之該等SRAF而判定一圖案化製程之一製程窗。
16.如條項1至15中任一項之媒體，其中判定用於該目標邊緣之該幾何資訊包含判定用於該目標圖案內之該複數個目標特徵之所有該等目標邊緣的該幾何資訊。
17.如條項1至16中任一項之媒體，該等指令進一步包含：藉由在該各別目標邊緣周圍置放與該複數個目標圖案之各目標邊緣相關聯之該等SRAF而產生一遮罩圖案。
18.如條項1至17中任一項之媒體，其進一步包含用於訓練該ML模型之指令，該訓練製程包含：獲得包含具有複數個目標特徵之一樣本目標圖案之訓練資料，及包括對應於該樣本目標圖案之參考次解析度輔助特徵之實況資料；將環繞所考慮之一目標邊緣的目標特徵之一子集之幾何資訊指派給該樣本目標圖案之各目標邊緣；及使用一序列至序列機器學習演算法、該幾何資訊及該實況資料，訓練一ML模型而以一依序方式產生用以滿足關於該等參考SRAF之一匹配臨限值之SRAF。
19.如條項18之媒體，其中訓練資料作為輸入資料或輸入向量經提供至該ML模型，該輸入資料或該輸入向量包含以下各者中之至少一者：目標特徵之該子集之大小、所考慮之該目標邊緣與目標特徵之該子集之間的距離，及目標特徵之該子集之位置。
20.如條項18之媒體，其進一步包含：使用該目標邊緣中之各者作為一參考，將該樣本目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
21.如條項20之媒體，其中分割該樣本目標圖案包含：選擇該複數個目標特徵之各目標邊緣上之一點；及基於該等選定點，將該樣本目標圖案劃分成該複數個胞元。
22.如條項21之媒體，其中分割該樣本目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該樣本目標圖案，以產生複數個沃羅諾伊胞元。
23.如條項20至22中任一項之媒體，其中指派該幾何資訊包含：判定與所考慮之該目標邊緣相鄰的目標特徵之該子集之該幾何資訊，目標特徵之該子集係在環繞所考慮之該目標邊緣的一或多個胞元內；及產生包含與該樣本目標圖案內之該等目標邊緣中之各者相關聯的該幾何資訊之一輸入向量。
24.如條項23之媒體，其中判定該幾何資訊包含：識別至少部分地在該所關注邊緣周圍之一選定區域中之該一或多個胞元內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於所考慮之該目標邊緣之該SRAF產生之一影響範圍。
25.如條項24之媒體，其中判定該幾何資訊包含：藉由在該所關注目標邊緣周圍置放一限界框來選擇該複數個胞元中之該一或多個胞元；及識別至少部分地在該一或多個胞元內的目標特徵之該子集，目標特徵之該子集充當該所關注邊緣之相鄰特徵，其影響所考慮之該目標邊緣周 圍的該等SRAF之幾何形狀。
26.如條項18至25中任一項之媒體，其中判定該幾何資訊包含：識別所考慮之該目標邊緣與該樣本目標圖案內之目標特徵之該子集之各目標特徵之間的距離。
27.如條項18至26中任一項之媒體，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一寬度及/或一長度。
28.如條項18至27中任一項之媒體，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一位置。
29.如條項20至28中任一項之媒體，其中獲得該訓練資料包含：使該複數個目標特徵之各目標邊緣與該實況資料中之該等參考SRAF之一或多個參考SRAF相關聯，該一或多個參考SRAF係處於含有所考慮之該目標邊緣之該胞元內部的位置；及提供與該樣本目標圖案內之該等目標邊緣中之各者相關聯的該一或多個參考SRAF之該實況資料、該幾何資訊。
30.如條項29中之媒體，其中該訓練包含：將目標特徵之該子集之該幾何資訊提供至該ML模型，以按一序列預測用於該樣本目標圖案之各目標邊緣的SRAF之幾何形狀；及比較該等預測SRAF與關於該樣本目標圖案之各別目標邊緣的該一或多個參考SRAF；調整該ML模型之模型參數，以使該等經預測SRAF待在關於該實況資料中之該等參考SRAF的該匹配臨限值內。
31.如條項30之媒體，其中調整該等模型參數包含：針對各目標邊緣以一依序方式自該ML模型產生輸出； 比較該所產生輸出與該等參考SRAF以判定該所產生輸出是否在關於該等參考SRAF之該匹配臨限值內；及回應於該所產生輸出不匹配該等參考SRAF，調整該等模型參數之值以使得該輸出待處於該匹配臨限值內。
32.如條項31之媒體，其中產生該輸出包含：由該ML模型判定對應於該等參考SRAF之一第一參考SRAF的一第一輔助特徵之幾何形狀；由該ML模型基於該第一輔助特徵，判定對應於該等參考SRAF之一第二參考SRAF的一第二輔助特徵之幾何形狀；及由該ML模型基於該第一輔助特徵及該第二輔助特徵，判定對應於該等參考SRAF之一第三參考SRAF的一第三輔助特徵之幾何形狀。
33.如條項32之媒體，其中調整該等模型參數包含：比較該第一輔助特徵之該幾何形狀與該第一參考SRAF；比較該第二輔助特徵之該幾何形狀與該第二參考SRAF；比較該第三輔助特徵之該幾何形狀與該第三參考SRAF；及基於該等比較，判定該第一輔助特徵、該第二輔助特徵及該第三輔助特徵中之各者之幾何形狀是否分別在該第一參考SRAF、該第二參考SRAF及該第三參考SRAF之該匹配臨限值內；及回應於該第一輔助特徵、該第二輔助特徵及該第三輔助特徵中之任一者不匹配該等各別參考SRAF，調整該等模型參數之值。
34.如條項33之媒體，其中調整該等模型參數包含：判定用於訓練該ML模型之一成本函數相對於該等模型參數之一梯度；及 使用該梯度作為一指導，調整該等模型參數之值以最小化或最大化該成本函數，從而使得該所產生輸出與該等參考SRAF匹配。
35.如條項34之媒體，其中該成本函數為ML產生之SRAF之幾何形狀與該等參考SRAF之間的一差之一函數。
36.如條項1至35中任一項之媒體，其中該ML模型為經組態以處置依序輸入資料之一遞迴神經網路。
37.如條項1至36中任一項之媒體，其中該ML模型係一長短期記憶體架構之一編碼器-解碼器、一閘控遞迴單元架構之一編碼器-解碼器或一變換器神經網路。
38.一種非暫時性電腦可讀媒體，其經組態以用於訓練一經訓練序列至序列機器學習(ML)模型以產生用於一遮罩之次解析度輔助特徵(SRAF)，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造成包含以下各者之操作：獲得包含具有複數個目標特徵之一目標圖案之訓練資料，及包括對應於該目標圖案之參考次解析度輔助特徵之實況資料；將環繞所考慮之一目標邊緣的目標特徵之一子集之幾何資訊指派給該目標圖案之各目標邊緣；及使用一序列至序列機器學習演算法、該幾何資訊及該實況資料，訓練一ML模型而以一依序方式產生用以滿足關於該等參考SRAF之一匹配臨限值之SRAF。
39.如條項38之媒體，其中訓練資料作為輸入資料或輸入向量經提供至該ML模型，該輸入資料或該輸入向量包含以下各者中之至少一者：目標特徵之該子集之大小、所考慮之該目標邊緣與目標特徵之該子集之間 的距離，及目標特徵之該子集之位置。
40.如條項38之媒體，其進一步包含：使用該目標邊緣中之各者作為一參考，將該目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
41.如條項40之媒體，其中分割該目標圖案包含：選擇該複數個目標特徵之各目標邊緣上之一點；及基於該等選定點，將該目標圖案劃分成該複數個胞元。
42.如條項41之媒體，其中分割該目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該目標圖案，以產生複數個沃羅諾伊胞元。
43.如條項40至42中任一項之媒體，其中指派該幾何資訊包含：判定與所考慮之該目標邊緣相鄰的目標特徵之該子集之該幾何資訊，目標特徵之該子集係在環繞所考慮之該目標邊緣的一或多個胞元內；及產生包含與該目標圖案內之該等目標邊緣中之各者相關聯的該幾何資訊之一輸入向量。
44.如條項43之媒體，其中判定該幾何資訊包含：識別至少部分地在該所關注邊緣周圍之一選定區域中之該一或多個胞元內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於所考慮之該目標邊緣之該SRAF產生之一影響範圍。
45.如條項44之媒體，其中判定該幾何資訊包含：藉由在該所關注目標邊緣周圍置放一限界框來選擇該複數個胞元中之該一或多個胞元；及識別至少部分地在該一或多個胞元內的目標特徵之該子集，目標特 徵之該子集充當該所關注邊緣之相鄰特徵，其影響所考慮之該目標邊緣周圍的該等SRAF之幾何形狀。
46.如條項43至45中任一項之媒體，其中判定該幾何資訊包含：識別所考慮之該目標邊緣與該目標圖案內之目標特徵之該子集之各目標特徵之間的距離。
47.如條項43至46中任一項之媒體，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一寬度及/或一長度。
48.如條項43至47中任一項之媒體，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一位置。
49.如條項40至48中任一項之媒體，其中獲得該訓練資料包含：使該複數個目標特徵之各目標邊緣與該實況資料中之該等參考SRAF之一或多個參考SRAF相關聯，該一或多個參考SRAF係處於含有所考慮之該目標邊緣之該胞元內部的位置；及提供與該目標圖案內之該等目標邊緣中之各者相關聯的該一或多個參考SRAF之該實況資料、該幾何資訊。
50.如條項49之媒體，其中該訓練包含：將目標特徵之該子集之該幾何資訊提供至該ML模型，以按一序列預測用於該目標圖案之各目標邊緣的SRAF之幾何形狀；及比較該等預測SRAF與關於該目標圖案之各別目標邊緣的該一或多個參考SRAF；調整該ML模型之模型參數，以使該等經預測SRAF待在關於該實況資料中之該等參考SRAF的該匹配臨限值內。
51.如條項50之媒體，其中調整該等模型參數包含： 針對各目標邊緣以一依序方式自該ML模型產生輸出；比較該所產生輸出與該等參考SRAF以判定該所產生輸出是否在關於該等參考SRAF之該匹配臨限值內；及回應於該所產生輸出不匹配該等參考SRAF，調整該等模型參數之值以使得該輸出待處於該匹配臨限值內。
52.如條項51之媒體，其中產生該輸出包含：由該ML模型判定對應於該等參考SRAF之一第一參考SRAF的一第一輔助特徵之幾何形狀；由該ML模型基於該第一輔助特徵，判定對應於該等參考SRAF之一第二參考SRAF的一第二輔助特徵之幾何形狀；及由該ML模型基於該第一輔助特徵及該第二輔助特徵，判定對應於該等參考SRAF之一第三參考SRAF的一第三輔助特徵之幾何形狀。
53.如條項52之媒體，其中調整該等模型參數包含：比較該第一輔助特徵之該幾何形狀與該第一參考SRAF；比較該第二輔助特徵之該幾何形狀與該第二參考SRAF；比較該第三輔助特徵之該幾何形狀與該第三參考SRAF；及基於該等比較，判定該第一輔助特徵、該第二輔助特徵及該第三輔助特徵中之各者之幾何形狀是否分別在該第一參考SRAF、該第二參考SRAF及該第三參考SRAF之該匹配臨限值內；及回應於該第一輔助特徵、該第二輔助特徵及該第三輔助特徵中之任一者不匹配該等各別參考SRAF，調整該等模型參數之值。
54.如條項53之媒體，其中調整該等模型參數包含：判定用於訓練該ML模型之一成本函數相對於該等模型參數之一梯 度；及使用該梯度作為一指導，調整該等模型參數之值以最小化或最大化該成本函數，從而使得該所產生輸出與該等參考SRAF匹配。
55.如條項54之媒體，其中該成本函數為ML產生之SRAF之幾何形狀與該等參考SRAF之間的一差之一函數。
56.如條項38至55中任一項之媒體，其中該ML模型為經組態以處置依序輸入資料之一遞迴神經網路。
57.如條項38至56中任一項之媒體，其中該ML模型係一長短期記憶體架構之一編碼器-解碼器、一閘控遞迴單元架構之一編碼器-解碼器或一變換器神經網路。
58.如條項43至57中任一項之媒體，其中該輸入向量具有一可變長度，其中各目標邊緣具有與相鄰目標特徵相關聯之不同幾何形狀資訊。
59.如條項38至58中任一項之媒體，其進一步包含使用該經訓練ML模型產生用於包含複數個目標邊緣之一給定目標圖案之SRAF。
60.如條項59之媒體，產生用於該給定目標圖案之該等SRAF包含：針對該複數個目標邊緣中之一目標邊緣，判定環繞一目標邊緣之目標特徵之一子集的幾何資訊；及使用該幾何資訊作為至該經訓練ML模型之輸入來判定待在該給定目標圖案之該目標邊緣周圍置放的SRAF。
61.如條項59之媒體，其進一步包含：使用該目標邊緣中之各者作為一參考，將該給定目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
62.如條項61之媒體，其中分割該給定目標圖案包含：選擇該複數個目標特徵之各邊緣上之一點；及基於該等選定點，將該給定目標圖案劃分成該複數個胞元。
63.如條項62之媒體，其中分割該給定目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該給定目標圖案，以產生複數個沃羅諾伊胞元。
64.如條項61之媒體，其中判定目標特徵之該子集之該幾何資訊包含：識別至少部分地在該複數個胞元之胞元之一子集內的目標特徵之該子集，其中胞元之該子集係在該給定目標圖案內之該目標邊緣之一所要範圍內。
65.如條項64之媒體，其中判定該幾何資訊包含：識別至少部分地在該目標邊緣周圍之一選定區域中的胞元之該子集內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於該目標邊緣之該SRAF產生之一影響範圍。
66.如條項65之媒體，其中判定該幾何資訊包含：藉由在該目標邊緣周圍置放一限界框來選擇該複數個胞元之胞元之該子集；及識別至少部分地在胞元之該子集內的目標特徵之該子集，目標特徵之該子集充當該目標邊緣之相鄰特徵，其影響該目標邊緣周圍之該等SRAF之幾何形狀。
67.一種用於產生一遮罩圖案之方法，該方法包含：獲得(i)包含複數個目標特徵之一目標圖案，其中該複數個目標特徵 中之各者包含複數個目標邊緣；及(ii)一經訓練序列至序列機器學習(ML)模型，其經組態以判定用於該目標圖案之次解析度輔助特徵(SRAF)；針對該複數個目標邊緣中之一目標邊緣，判定環繞該目標邊緣之目標特徵之一子集的幾何資訊；及使用該幾何資訊作為至該ML模型之輸入來判定待在該目標邊緣周圍置放的SRAF。
68.如條項67之方法，其進一步包含：使用該目標邊緣中之各者作為一參考，將該目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
69.如條項68之方法，其中分割該目標圖案包含：選擇該複數個目標特徵之各邊緣上之一點；及基於該等選定點，將該目標圖案劃分成該複數個胞元。
70.如條項69之方法，其中分割該目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該目標圖案，以產生複數個沃羅諾伊胞元。
71.如條項68之方法，其中判定目標特徵之該子集之該幾何資訊包含：識別至少部分地在該複數個胞元之胞元之一子集內的目標特徵之該子集，其中胞元之該子集係在該目標圖案內之該目標邊緣之一所要範圍內。
72.如條項71之方法，其中判定該幾何資訊包含：識別至少部分地在該目標邊緣周圍之一選定區域中的胞元之該子集內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於該目標邊緣 之該SRAF產生之一影響範圍。
73.如條項72之方法，其中判定該幾何資訊包含：藉由在該目標邊緣周圍置放一限界框來選擇該複數個胞元之胞元之該子集；及識別至少部分地在胞元之該子集內的目標特徵之該子集，目標特徵之該子集充當該目標邊緣之相鄰特徵，其影響該目標邊緣周圍之該等SRAF之幾何形狀。
74.如條項67至73中任一項之方法，其中判定該幾何資訊包含：識別該目標邊緣與該目標圖案內之目標特徵之該子集之各目標特徵之間的距離。
75.如條項67至74中任一項之方法，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一寬度及/或一長度。
76.如條項67至75中任一項之方法，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一位置。
77.如條項67至76中任一項之方法，其中判定該等SRAF包含以一依序方式判定該等SRAF。
78.如條項77之方法，其中判定該等SRAF包含：由該ML模型判定滿足遮罩規則檢查(MRC)約束的輔助特徵之幾何形狀，其中該ML模型以一依序方式產生該等SRAF使得具有滿足之塑形約束的一較早SRAF用以產生後續SRAF，從而使得該等所產生之SRAF自動滿足該等MRC約束。
79.如條項78之方法，其中判定該等SRAF包含：由該ML模型判定自動滿足形狀約束及與其相關聯之MRC約束的一第 一輔助特徵之幾何形狀；由該ML模型基於該第一輔助特徵，判定一第二輔助特徵之幾何形狀，該第二輔助特徵自動滿足該第一輔助特徵與該第二輔助特徵之間的該等形狀約束及該MRC；及由該ML模型基於該第一輔助特徵及該第二輔助特徵，判定一第三輔助特徵之幾何形狀，該第三輔助特徵自動滿足該第三輔助特徵與該第一輔助特徵及/或該第二輔助特徵之間的該等形狀約束及該MRC。
80.如條項67至79中任一項之方法，其中判定該幾何資訊進一步包含產生一輸入向量，該輸入向量具有藉由該目標邊緣與相鄰目標特徵之關聯引起的一可變長度，該輸入向量經組態以被提供至該ML模型。
81.如條項67至80中任一項之方法，其進一步包含：基於該目標圖案及該目標圖案之該等SRAF而判定一圖案化製程之一製程窗。
82.如條項67至81中任一項之方法，其中判定用於該目標邊緣之該幾何資訊包含判定用於該目標圖案內之該複數個目標特徵之所有該等目標邊緣的該幾何資訊。
83.如條項67至82中任一項之方法，其進一步包含：藉由在該各別目標邊緣周圍置放與該複數個目標圖案之各目標邊緣相關聯之該等SRAF而產生一遮罩圖案。
84.如條項67至83中任一項之方法，其進一步包含藉由以下操作來訓練該ML模型：獲得包含具有複數個目標特徵之一樣本目標圖案之訓練資料，及包括對應於該樣本目標圖案之參考次解析度輔助特徵之實況資料；將環繞所考慮之一目標邊緣的目標特徵之一子集之幾何資訊指派給 該樣本目標圖案之各目標邊緣；及使用一序列至序列機器學習演算法、該幾何資訊及該實況資料，訓練一ML模型而以一依序方式產生用以滿足關於該等參考SRAF之一匹配臨限值之SRAF。
85.如條項84之方法，其中訓練資料作為輸入資料或輸入向量經提供至該ML模型，該輸入資料或該輸入向量包含以下各者中之至少一者：目標特徵之該子集之大小、所考慮之該目標邊緣與目標特徵之該子集之間的距離，及目標特徵之該子集之位置。
86.如條項84之方法，其進一步包含：使用該目標邊緣中之各者作為一參考，將該樣本目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
87.如條項86之方法，其中分割該樣本目標圖案包含：選擇該複數個目標特徵之各目標邊緣上之一點；及基於該等選定點，將該樣本目標圖案劃分成該複數個胞元。
88.如條項87之方法，其中分割該樣本目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該樣本目標圖案，以產生複數個沃羅諾伊胞元。
89.如條項86至88中任一項之方法，其中指派該幾何資訊包含：判定與所考慮之該目標邊緣相鄰的目標特徵之該子集之該幾何資訊，目標特徵之該子集係在環繞所考慮之該目標邊緣的一或多個胞元內；及產生包含與該樣本目標圖案內之該等目標邊緣中之各者相關聯的該幾何資訊之一輸入向量。
90.如條項89之方法，其中判定該幾何資訊包含： 識別至少部分地在該所關注邊緣周圍之一選定區域中之該一或多個胞元內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於所考慮之該目標邊緣之該SRAF產生之一影響範圍。
91.如條項90之方法，其中判定該幾何資訊包含：藉由在該所關注目標邊緣周圍置放一限界框來選擇該複數個胞元中之該一或多個胞元；及識別至少部分地在該一或多個胞元內的目標特徵之該子集，目標特徵之該子集充當該所關注邊緣之相鄰特徵，其影響所考慮之該目標邊緣周圍的該等SRAF之幾何形狀。
92.如條項86至91中任一項之方法，其中判定該幾何資訊包含：識別所考慮之該目標邊緣與該樣本目標圖案內之目標特徵之該子集之各目標特徵之間的距離。
93.如條項86至91中任一項之方法，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一寬度及/或一長度。
94.如條項86至93中任一項之方法，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一位置。
95.如條項88至94中任一項之方法，其中獲得該訓練資料包含：使該複數個目標特徵之各目標邊緣與該實況資料中之該等參考SRAF之一或多個參考SRAF相關聯，該一或多個參考SRAF係處於含有所考慮之該目標邊緣之該胞元內部的位置；及提供與該樣本目標圖案內之該等目標邊緣中之各者相關聯的該一或多個參考SRAF之該實況資料、該幾何資訊。
96.如條項95之方法，其中該訓練包含： 將目標特徵之該子集之該幾何資訊提供至該ML模型，以按一序列預測用於該樣本目標圖案之各目標邊緣的SRAF之幾何形狀；及比較該等預測SRAF與關於該樣本目標圖案之各別目標邊緣的該一或多個參考SRAF；調整該ML模型之模型參數，以使該等經預測SRAF待在關於該實況資料中之該等參考SRAF的該匹配臨限值內。
97.如條項96之方法，其中調整該等模型參數包含：針對各目標邊緣以一依序方式自該ML模型產生輸出；比較該所產生輸出與該等參考SRAF以判定該所產生輸出是否在關於該等參考SRAF之該匹配臨限值內；及回應於該所產生輸出不匹配該等參考SRAF，調整該等模型參數之值以使得該輸出待處於該匹配臨限值內。
98.如條項97之方法，其中產生該輸出包含：由該ML模型判定對應於該等參考SRAF之一第一參考SRAF的一第一輔助特徵之幾何形狀；由該ML模型基於該第一輔助特徵，判定對應於該等參考SRAF之一第二參考SRAF的一第二輔助特徵之幾何形狀；及由該ML模型基於該第一輔助特徵及該第二輔助特徵，判定對應於該等參考SRAF之一第三參考SRAF的一第三輔助特徵之幾何形狀。
99.如條項98之方法，其中調整該等模型參數包含：比較該第一輔助特徵之該幾何形狀與該第一參考SRAF；比較該第二輔助特徵之該幾何形狀與該第二參考SRAF；比較該第三輔助特徵之該幾何形狀與該第三參考SRAF；及 基於該等比較，判定該第一輔助特徵、該第二輔助特徵及該第三輔助特徵中之各者之幾何形狀是否分別在該第一參考SRAF、該第二參考SRAF及該第三參考SRAF之該匹配臨限值內；及回應於該第一輔助特徵、該第二輔助特徵及該第三輔助特徵中之任一者不匹配該等各別參考SRAF，調整該等模型參數之值。
100.如條項99之方法，其中調整該等模型參數包含：判定用於訓練該ML模型之一成本函數相對於該等模型參數之一梯度；及使用該梯度作為一指導，調整該等模型參數之值以最小化或最大化該成本函數，從而使得該所產生輸出與該等參考SRAF匹配。
101.如條項100之方法，其中該成本函數為ML產生之SRAF之幾何形狀與該等參考SRAF之間的一差之一函數。
102.如條項67至101中任一項之方法，其中該ML模型為經組態以處置依序輸入資料之一遞迴神經網路。
103.如條項67至102中任一項之方法，其中該ML模型係一長短期記憶體架構之一編碼器-解碼器、一閘控遞迴單元架構之一編碼器-解碼器或一變換器神經網路。
104.一種用於訓練一經訓練序列至序列機器學習(ML)模型以產生用於一遮罩之次解析度輔助特徵(SRAF)之方法，該方法包含：獲得包含具有複數個目標特徵之一目標圖案之訓練資料，及包括對應於該目標圖案之參考次解析度輔助特徵之實況資料；將環繞所考慮之一目標邊緣的目標特徵之一子集之幾何資訊指派給該目標圖案之各目標邊緣；及 使用一序列至序列機器學習演算法、該幾何資訊及該實況資料，訓練一ML模型而以一依序方式產生用以滿足關於該等參考SRAF之一匹配臨限值之SRAF。
105.如條項104之方法，其中訓練資料作為輸入資料或輸入向量經提供至該ML模型，該輸入資料或該輸入向量包含以下各者中之至少一者：目標特徵之該子集之大小、所考慮之該目標邊緣與目標特徵之該子集之間的距離，及目標特徵之該子集之位置。
106.如條項104之方法，其進一步包含：使用該目標邊緣中之各者作為一參考，將該目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
107.如條項106之方法，其中分割該目標圖案包含：選擇該複數個目標特徵之各目標邊緣上之一點；及基於該等選定點，將該目標圖案劃分成該複數個胞元。
108.如條項107之方法，其中分割該目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該目標圖案，以產生複數個沃羅諾伊胞元。
109.如條項106至108中任一項之方法，其中指派該幾何資訊包含：判定與所考慮之該目標邊緣相鄰的目標特徵之該子集之該幾何資訊，目標特徵之該子集係在環繞所考慮之該目標邊緣的一或多個胞元內；及產生包含與該目標圖案內之該等目標邊緣中之各者相關聯的該幾何資訊之一輸入向量。
110.如條項109之方法，其中判定該幾何資訊包含：識別至少部分地在該所關注邊緣周圍之一選定區域中之該一或多個 胞元內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於所考慮之該目標邊緣之該SRAF產生之一影響範圍。
111.如條項110之方法，其中判定該幾何資訊包含：藉由在該所關注目標邊緣周圍置放一限界框來選擇該複數個胞元中之該一或多個胞元；及識別至少部分地在該一或多個胞元內的目標特徵之該子集，目標特徵之該子集充當該所關注邊緣之相鄰特徵，其影響所考慮之該目標邊緣周圍的該等SRAF之幾何形狀。
112.如條項109至111中任一項之方法，其中判定該幾何資訊包含：識別所考慮之該目標邊緣與該目標圖案內之目標特徵之該子集之各目標特徵之間的距離。
113.如條項109至112中任一項之方法，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一寬度及/或一長度。
114.如條項109至113中任一項之方法，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一位置。
115.如條項106至114中任一項之方法，其中獲得該訓練資料包含：使該複數個目標特徵之各目標邊緣與該實況資料中之該等參考SRAF之一或多個參考SRAF相關聯，該一或多個參考SRAF係處於含有所考慮之該目標邊緣之該胞元內部的位置；及提供與該目標圖案內之該等目標邊緣中之各者相關聯的該一或多個參考SRAF之該實況資料、該幾何資訊。
116.如條項115之方法，其中該訓練包含：將目標特徵之該子集之該幾何資訊提供至該ML模型，以按一序列預 測用於該目標圖案之各目標邊緣的SRAF之幾何形狀；及比較該等預測SRAF與關於該目標圖案之各別目標邊緣的該一或多個參考SRAF；調整該ML模型之模型參數，以使該等經預測SRAF待在關於該實況資料中之該等參考SRAF的該匹配臨限值內。
117.如條項116之方法，其中調整該等模型參數包含：針對各目標邊緣以一依序方式自該ML模型產生輸出；比較該所產生輸出與該等參考SRAF以判定該所產生輸出是否在關於該等參考SRAF之該匹配臨限值內；及回應於該所產生輸出不匹配該等參考SRAF，調整該等模型參數之值以使得該輸出待處於該匹配臨限值內。
118.如條項117之方法，其中產生該輸出包含：由該ML模型判定對應於該等參考SRAF之一第一參考SRAF的一第一輔助特徵之幾何形狀；由該ML模型基於該第一輔助特徵，判定對應於該等參考SRAF之一第二參考SRAF的一第二輔助特徵之幾何形狀；及由該ML模型基於該第一輔助特徵及該第二輔助特徵，判定對應於該等參考SRAF之一第三參考SRAF的一第三輔助特徵之幾何形狀。
119.如條項118之方法，其中調整該等模型參數包含：比較該第一輔助特徵之該幾何形狀與該第一參考SRAF；比較該第二輔助特徵之該幾何形狀與該第二參考SRAF；比較該第三輔助特徵之該幾何形狀與該第三參考SRAF；及基於該等比較，判定該第一輔助特徵、該第二輔助特徵及該第三輔 助特徵中之各者之幾何形狀是否分別在該第一參考SRAF、該第二參考SRAF及該第三參考SRAF之該匹配臨限值內；及回應於該第一輔助特徵、該第二輔助特徵及該第三輔助特徵中之任一者不匹配該等各別參考SRAF，調整該等模型參數之值。
120.如條項119之方法，其中調整該等模型參數包含：判定用於訓練該ML模型之一成本函數相對於該等模型參數之一梯度；及使用該梯度作為一指導，調整該等模型參數之值以最小化或最大化該成本函數，從而使得該所產生輸出與該等參考SRAF匹配。
121.如條項120之方法，其中該成本函數為ML產生之SRAF之幾何形狀與該等參考SRAF之間的一差之一函數。
122.如條項104至121中任一項之方法，其中該ML模型為經組態以處置依序輸入資料之一遞迴神經網路。
123.如條項104至122中任一項之方法，其中該ML模型係一長短期記憶體架構之一編碼器-解碼器、一閘控遞迴單元架構之一編碼器-解碼器或一變換器神經網路。
124.如條項109至123中任一項之方法，其中該輸入向量具有一可變長度，其中各目標邊緣具有與相鄰目標特徵相關聯之不同幾何形狀資訊。
125.如條項104至124中任一項之方法，其進一步包含使用該經訓練ML模型產生用於包含複數個目標邊緣之一給定目標圖案之SRAF。
126.如條項125之方法，產生用於該給定目標圖案之該等SRAF包含：針對該複數個目標邊緣中之一目標邊緣，判定環繞一目標邊緣之目 標特徵之一子集的幾何資訊；及使用該幾何資訊作為至該經訓練ML模型之輸入來判定待在該給定目標圖案之該目標邊緣周圍置放的SRAF。
127.如條項125之方法，其進一步包含：使用該目標邊緣中之各者作為一參考，將該給定目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
128.如條項127之方法，其中分割該給定目標圖案包含：選擇該複數個目標特徵之各邊緣上之一點；及基於該等選定點，將該給定目標圖案劃分成該複數個胞元。
129.如條項128之方法，其中分割該給定目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該給定目標圖案，以產生複數個沃羅諾伊胞元。
130.如條項127之方法，其中判定目標特徵之該子集之該幾何資訊包含：識別至少部分地在該複數個胞元之胞元之一子集內的目標特徵之該子集，其中胞元之該子集係在該給定目標圖案內之該目標邊緣之一所要範圍內。
131.如條項130之方法，其中判定該幾何資訊包含：識別至少部分地在該目標邊緣周圍之一選定區域中的胞元之該子集內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於該目標邊緣之該SRAF產生之一影響範圍。
132.如條項131之方法，其中判定該幾何資訊包含：藉由在該目標邊緣周圍置放一限界框來選擇該複數個胞元之胞元之 該子集；及識別至少部分地在胞元之該子集內的目標特徵之該子集，目標特徵之該子集充當該目標邊緣之相鄰特徵，其影響該目標邊緣周圍之該等SRAF之幾何形狀。
應理解，本說明書及圖式並不意欲將本發明限於所揭示之特定形式，而正相反，意欲涵蓋屬於如由所附申請專利範圍界定之本發明之精神及範疇的所有修改、等效者及替代方案。
鑒於本說明書，本發明之各種態樣之修改及替代實施例對於熟習此項技術者而言將顯而易見。因此，本說明書及圖式應被理解為僅為繪示性的且係出於教示熟習此項技術者進行本發明之一般方式之目的。應理解，本文中所展示且描述之本發明之形式應被視為實施例的實例。元件及材料可替代本文中所繪示及描述之元件及材料，部分及製程可被反轉或被省略，可獨立利用某些特徵，且可組合實施例或實施例之特徵，此皆如對熟習此項技術者在獲得本說明書之益處之後將顯而易見的。可在不脫離如在以下申請專利範圍中所描述之本發明之精神及範疇的情況下對本文中所描述之元件作出改變。本文中所使用之標題僅為達成組織性目的，且不意欲用以限制本說明書之範疇。
如貫穿本申請案所使用，詞語「可」係在許可之意義(亦即，意謂有可能)而非強制性之意義(亦即，意謂必須)下予以使用。詞「包括(include/including/includes)」及其類似者意謂包括但不限於。如貫穿本申請案所使用，單數形式「a/an/the」包括複數個參照物，除非內容另有明確地指示。因此，舉例而言，對「一元件(an element/a element)」之參考包括兩個或多於兩個元件之組合，儘管會針對一或多個 元件使用其他術語及片語，諸如「一或多個」。除非另有指示，否則術語「或」係非獨占式的，亦即，涵蓋「及」與「或」兩者。描述條件關係之術語，例如「回應於X，而Y」、「在X後，即Y」、「若X，則Y」、「當X時，Y」及其類似者涵蓋因果關係，其中前提為必要的因果條件，前提為充分的因果條件，或前提為結果的貢獻因果條件，例如，「在條件Y獲得後，即出現狀態X」對於「僅在Y後，才出現X」及「在Y及Z後，即出現X」為通用的。此等條件關係不限於即刻遵循前提而獲得之結果，此係因為可延遲一些結果，且在條件陳述中，前提連接至其結果，例如，前提係與出現結果之似然性相關。除非另有指示，否則複數個特質或功能經映射至複數個物件(例如，執行步驟A、B、C及D之一或多個處理器)之陳述涵蓋所有此等特質或功能經映射至所有此等物件及特質或功能之子集經映射至特質或功能之子集兩者(例如，所有處理器各自執行步驟A至D，及其中處理器1執行步驟A，處理器2執行步驟B及步驟C之一部分，且處理器3執行步驟C之一部分及步驟D之狀況)。另外，除非另有指示，否則一個值或動作係「基於」另一條件或值之陳述涵蓋條件或值為單獨因子之情況及條件或值為複數個因子當中之一個因子之情況兩者。除非另有指示，否則某一集合之「各」例項具有某一屬性之陳述不應被解讀為排除較大集合之一些以其他方式相同或類似成員不具有該屬性(亦即，各者未必意謂每個都)之狀況。對自一範圍選擇之提及包括該範圍之端點。
在以上描述中，流程圖中之任何製程、描述或區塊應被理解為表示程式碼之模組、區段或部分，其包括用於實施該製程中之特定的邏輯功能或步驟之一或多個可執行指令，且替代實施方案包括於本發明進展之例示性實施例之範疇內，其中功能可取決於所涉及之功能性不按照所 展示或論述之次序執行，包括大體上同時或以相反次序執行，如熟習此項技術者應理解。
雖然已描述某些實施例，但此等實施例僅作為實例來呈現，且並不意欲限制本發明之範疇。實際上，本文中所描述之新穎方法、裝置及系統可以多種其他形式體現；此外，在不脫離本發明之精神的情況下，可對本文中所描述之方法、裝置及系統的形式進行各種省略、替代及改變。隨附申請專利範圍及其等效者意欲涵蓋將屬於本發明之範疇及精神內的此類形式或修改。
DC:解碼器
DL:輸入層/解碼器輸出層
EL:編碼器層
EN:編碼器
EO:經編碼輸出/輸入
IN:輸入
ML:機器學習
OUT:經解碼輸出
SRAF0:參考次解析度輔助特徵(SRAF)/第一輔助特徵
SRAF1:參考次解析度輔助特徵(SRAF)/第二輔助特徵
SRAF2:參考次解析度輔助特徵(SRAF)

Claims (15)

  1. 一種使用一機器學習模型產生輔助特徵之非暫時性電腦可讀媒體，其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使得該一或多個處理器執行產生一遮罩圖案之一方法，該方法包含：獲得(i)包含複數個目標特徵之一目標圖案，其中該複數個目標特徵中之各者包含複數個目標邊緣；及(ii)一經訓練序列至序列機器學習(ML)模型，其經組態以判定用於該目標圖案之次解析度輔助特徵(SRAF)；針對該複數個目標邊緣中之一目標邊緣，判定環繞該目標邊緣之目標特徵之一子集的幾何資訊；及使用該幾何資訊作為至該ML模型之輸入來判定待在該目標邊緣周圍置放的SRAF。
  2. 如請求項1之媒體，其進一步包含：使用該目標邊緣中之各者作為一參考，將該目標圖案分割成複數個胞元使得各胞元包括一目標特徵之一目標邊緣的一部分。
  3. 如請求項2之媒體，其中分割該目標圖案包含：使用該等選定點作為至一沃羅諾伊分割方法之種子來分割該目標圖案，以產生複數個沃羅諾伊胞元。
  4. 如請求項2之媒體，其中判定目標特徵之該子集之該幾何資訊包含：識別至少部分地在該複數個胞元之胞元之一子集內的目標特徵之該 子集，其中胞元之該子集係在該目標圖案內之該目標邊緣之一指定範圍內。
  5. 如請求項1之媒體，其中判定該幾何資訊包含：識別至少部分地在該目標邊緣周圍之一選定區域中的胞元之該子集內的目標特徵之該子集，該選定區域提供相鄰目標特徵對用於該目標邊緣之該SRAF產生之一影響範圍。
  6. 如請求項1之媒體，其中判定該幾何資訊包含：識別該目標邊緣與該目標圖案內之目標特徵之該子集之各目標特徵之間的距離。
  7. 如請求項1之媒體，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一寬度及/或一長度。
  8. 如請求項1之媒體，其中判定該幾何資訊包含：識別目標特徵之該子集之各目標特徵的一位置。
  9. 如請求項1之媒體，其中判定該等SRAF包含以一依序方式判定該等SRAF。
  10. 如請求項9之媒體，其中判定該等SRAF包含：由該ML模型判定滿足遮罩規則檢查(MRC)約束的輔助特徵之幾何形 狀，其中該ML模型以一依序方式產生該等SRAF使得具有滿足之塑形約束的一較早SRAF用以產生後續SRAF，從而使得該等所產生之SRAF自動滿足該等MRC約束。
  11. 如請求項10之媒體，其中判定該等SRAF包含：由該ML模型判定自動滿足形狀約束及與其相關聯之MRC約束的一第一輔助特徵之幾何形狀；由該ML模型基於該第一輔助特徵，判定一第二輔助特徵之幾何形狀，該第二輔助特徵自動滿足該第一輔助特徵與該第二輔助特徵之間的該等形狀約束及該MRC；及由該ML模型基於該第一輔助特徵及該第二輔助特徵，判定一第三輔助特徵之幾何形狀，該第三輔助特徵自動滿足該第三輔助特徵與該第一輔助特徵及/或該第二輔助特徵之間的該等形狀約束及該MRC。
  12. 如請求項1之媒體，其中判定該幾何資訊進一步包含產生一輸入向量，該輸入向量具有藉由該目標邊緣與相鄰目標特徵之關聯引起的一可變長度，該輸入向量經組態以被提供至該ML模型。
  13. 如請求項1之媒體，其中判定用於該目標邊緣之該幾何資訊包含判定用於該目標圖案內之該複數個目標特徵之所有該等目標邊緣的該幾何資訊。
  14. 如請求項1之媒體，該等指令進一步包含： 藉由在該各別目標邊緣周圍置放與該複數個目標圖案之各目標邊緣相關聯之該等SRAF而產生一遮罩圖案。
  15. 如請求項1之媒體，其進一步包含用於訓練該ML模型之指令，該等指令進一步包含：獲得包含具有複數個目標特徵之一樣本目標圖案之訓練資料，及包括對應於該樣本目標圖案之參考次解析度輔助特徵之實況資料；將環繞所考慮之一目標邊緣的目標特徵之一子集之幾何資訊指派給該樣本目標圖案之各目標邊緣；及使用一序列至序列機器學習演算法、該幾何資訊及該實況資料，訓練一ML模型而以一依序方式產生用以滿足關於該等參考SRAF之一匹配臨限值之SRAF。
TW111121357A 2021-06-18 2022-06-09 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體 TWI833241B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202163212434P 2021-06-18 2021-06-18
US63/212,434 2021-06-18

Publications (2)

Publication Number Publication Date
TW202318097A TW202318097A (zh) 2023-05-01
TWI833241B true TWI833241B (zh) 2024-02-21

Family

ID=82358584

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111121357A TWI833241B (zh) 2021-06-18 2022-06-09 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體

Country Status (4)

Country Link
KR (1) KR20240023521A (zh)
CN (1) CN117480449A (zh)
TW (1) TWI833241B (zh)
WO (1) WO2022263312A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020169303A1 (en) * 2019-02-21 2020-08-27 Asml Netherlands B.V. Method for training machine learning model to determine optical proximity correction for mask
TW202040441A (zh) * 2018-02-23 2020-11-01 荷蘭商Ａｓｍｌ荷蘭公司 用於計算微影之機器學習模型的訓練方法
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
CN112602020A (zh) * 2018-08-15 2021-04-02 Asml荷兰有限公司 利用机器学习从原始图像自动选择高品质平均扫描电镜图像

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1920369A2 (en) 2005-08-08 2008-05-14 Brion Technologies, Inc. System and method for creating a focus-exposure model of a lithography process
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
US7617477B2 (en) 2005-09-09 2009-11-10 Brion Technologies, Inc. Method for selecting and optimizing exposure tool using an individual mask error model
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
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
NL2005523A (en) 2009-10-28 2011-05-02 Asml Netherlands Bv Selection of optimum patterns in a design layout based on diffraction signature analysis.
NL2007642A (en) 2010-11-10 2012-05-14 Asml Netherlands Bv Optimization flows of source, mask and projection optics.
KR20200010496A (ko) 2017-05-26 2020-01-30 에이에스엠엘 네델란즈 비.브이. 기계 학습에 기초한 어시스트 피처 배치
KR102641864B1 (ko) 2018-03-19 2024-02-29 에이에스엠엘 네델란즈 비.브이. 패터닝 디바이스에 대한 곡선적 패턴들을 결정하는 방법
WO2021115766A1 (en) * 2019-12-13 2021-06-17 Asml Netherlands B.V. Method for improving consistency in mask pattern generation
CN115190985A (zh) * 2020-03-03 2022-10-14 Asml荷兰有限公司 基于机器学习的亚分辨率辅助特征放置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202040441A (zh) * 2018-02-23 2020-11-01 荷蘭商Ａｓｍｌ荷蘭公司 用於計算微影之機器學習模型的訓練方法
CN112602020A (zh) * 2018-08-15 2021-04-02 Asml荷兰有限公司 利用机器学习从原始图像自动选择高品质平均扫描电镜图像
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
WO2020169303A1 (en) * 2019-02-21 2020-08-27 Asml Netherlands B.V. Method for training machine learning model to determine optical proximity correction for mask

Also Published As

Publication number Publication date
KR20240023521A (ko) 2024-02-22
TW202318097A (zh) 2023-05-01
CN117480449A (zh) 2024-01-30
WO2022263312A1 (en) 2022-12-22

Similar Documents

Publication Publication Date Title
TWI724279B (zh) 藉由機器學習來判定製程模型之方法
TWI753681B (zh) 用於改良光罩圖案產生中之一致性之方法
TW202028849A (zh) 產生特徵圖案與訓練機器學習模型之方法
TW202113500A (zh) 用於改善圖案化製程之訓練機器學習模型的方法
TWI759660B (zh) 判定光罩圖案之方法及相關非暫時性電腦程式產品
TWI687761B (zh) 判定層變形之方法及非暫時性電腦程式產品
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
TWI786651B (zh) 產生圖案化裝置之系統、產品及方法及其圖案
CN111492317B (zh) 用于减少抗蚀剂模型预测误差的系统和方法
TW202307722A (zh) 蝕刻系統、模型、及製造程序
CN115685665A (zh) 用于生成掩模图案的方法
TWI833241B (zh) 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體
TWI813192B (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
TWI836350B (zh) 用於判定對光罩之光學接近校正的非暫時性電腦可讀媒體
TW202405565A (zh) 評估經選擇圖案集合之方法
KR20240044432A (ko) 메트롤로지 마크 및 디바이스 패턴의 수차 민감도 매칭