TWI833871B - 用於度量衡量測之方法、度量衡模組及相關電腦程式產品 - Google Patents

用於度量衡量測之方法、度量衡模組及相關電腦程式產品 Download PDF

Info

Publication number
TWI833871B
TWI833871B TW109100112A TW109100112A TWI833871B TW I833871 B TWI833871 B TW I833871B TW 109100112 A TW109100112 A TW 109100112A TW 109100112 A TW109100112 A TW 109100112A TW I833871 B TWI833871 B TW I833871B
Authority
TW
Taiwan
Prior art keywords
metrology
training data
metric
module
measurement
Prior art date
Application number
TW109100112A
Other languages
English (en)
Other versions
TW202124943A (zh
Inventor
波阿斯 奧菲爾
耶胡達 奧德斯
烏迪 舒斯特曼
Original Assignee
美商科磊股份有限公司
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 美商科磊股份有限公司 filed Critical 美商科磊股份有限公司
Publication of TW202124943A publication Critical patent/TW202124943A/zh
Application granted granted Critical
Publication of TWI833871B publication Critical patent/TWI833871B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • G01B11/27—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes for testing the alignment of axes
    • G01B11/272—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes for testing the alignment of axes using photoelectric detection means
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20052—Discrete cosine transform [DCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

Abstract

本發明提供用於使用機器學習演算法以改良度量衡準確度及整體程序處理能力之度量衡方法、模組及系統。方法包括：自初始度量衡量測計算與(若干)度量衡度量相關之訓練資料；將(若干)機器學習演算法應用至該經計算訓練資料以導出該(等)度量衡度量之一估計模型；自經接納晶圓上之位點之影像導出量測資料；及使用該估計模型以提供相對於該量測資料之該(等)度量衡度量之估計。雖然該訓練資料可每一位點使用兩個影像，但在操作中，每一位點一單一影像可係足夠的，此將量測時間減少至小於當前量測時間之一半。再者，可導出(若干)可信度分數作為一額外度量衡及程序控制，且可使用深度學習以增強該度量衡模組之準確度及/或速度。

Description

用於度量衡量測之方法、度量衡模組及相關電腦程式產品
本發明係關於半導體度量衡之領域且更特定言之，係關於在度量衡量測程序中實施機器學習。
晶圓位點上之目標之典型度量衡量測估計目標之影像中之目標結構之間之疊對(通常每一目標兩個影像(0°及180°旋轉影像))以達成良好準確度。
以下係提供本發明之一初步理解之一簡明概要。該概要未必識別關鍵元件亦不限制本發明之範疇，而僅充當對於以下描述之一導論。
本發明之一個態樣提供一種方法，其包括：自初始度量衡量測計算與至少一個度量衡度量相關之訓練資料；將至少一個機器學習演算法應用至該經計算訓練資料以導出該至少一個度量衡度量之一估計模型；自經接納晶圓上之位點之影像導出量測資料；及使用該估計模型以提供相對於該量測資料之該至少一個度量衡度量之估計。
本發明之此等、額外及/或其他態樣及/或優點在下文之詳細描述中闡述；可能可自詳細描述推斷；及/或可藉由實踐本發明而學 習。
70:訓練晶圓
80:場
85:位點
95:影像
96:經處理特徵/經導出資料
100:系統
101:度量衡模組
102:電腦處理器
105:訓練資料
110:機器學習演算法
115:訓練階段
120:估計模型
122:量測資料
124:度量估計/經估計度量值
130:可信度分數
135:程序變動指示
140:重新訓練階段
150:深度學習方法
200:方法
210:階段
215:階段
217:階段
220:階段
230:階段
235:階段
240:階段
242:階段
245:階段
為了更佳理解本發明之實施例且展示可如何實行本發明之實施例，現將僅藉由實例參考隨附圖式，其中通篇相同數字指定對應元件或區段。
在隨附圖式中：圖1係根據本發明之一些實施例之具有一度量衡模組之一系統之一高階示意性方塊圖及圖解。
圖2係繪示根據本發明之一些實施例之一方法之一高階流程圖。
相關申請案之交叉參考
本申請案主張2019年1月2日申請之美國臨時專利申請案第62/787549號之權利，該申請案之全文以引用的方式併入本文中。
在以下描述中，描述本發明之各種態樣。出於解釋之目的，闡述特定組態及細節以便提供本發明之一透徹理解。然而，熟習此項技術者亦將明白，可在無本文中呈現之具體細節之情況下實踐本發明。此外，可能已省略或簡化熟知特徵以免使本發明不清楚。具體參考圖式，應強調，所展示細項係藉由實例且僅用於闡釋性論述本發明之目的，且為了提供據信係本發明之原理及概念態樣之最有用且容易理解之描述之原因而呈現。在此方面，不嘗試展示比基本理解本發明所需之細節更詳細之本發明之結構細節，結合圖式進行之描述使熟習此項技術者瞭解實務上可如何體現本發明之若干形式。
在詳細解釋本發明之至少一項實施例之前，應理解本發明在其應用上不限於以下描述中闡述或圖式中繪示之組件之構造及配置之細節。本發明可應用於可以各種方式實踐或實行之其他實施例以及所揭示實施例之組合。又，應理解，本文中採用之片語及術語係為了描述之目的且不應被視為限制性。
除非另有明確陳述，否則如自以下論述顯而易見，應瞭解，在說明書通篇，利用諸如「處理」、「運算」、「計算」、「判定」、「增強」、「導出」或類似者之術語的論述係指一電腦或運算系統或類似電子運算裝置之動作及/或程序，其將表示為運算系統之暫存器及/或記憶體內之物理(諸如電子)量的資料操縱及/或變換為類似表示為運算系統之記憶體、暫存器或其他此等資訊儲存、傳輸或顯示裝置內之物理量的其他資料。在某些實施例中，照明技術可包括視覺範圍中之電磁輻射、紫外或甚至更短波輻射(諸如x射線)及可能甚至粒子束。
本發明之實施例提供用於在半導體製程中實施度量衡量測之有效且經濟的方法及機制且藉此提供對半導體度量衡之技術領域之改良。提供用於使用機器學習演算法以改良度量衡準確度及整體程序處理能力之度量衡方法、模組及系統。方法包括：自初始度量衡量測計算與(若干)度量衡度量相關之訓練資料；將(若干)機器學習演算法應用至該經計算訓練資料以導出該(等)度量衡度量之一估計模型；自經接納晶圓上之位點之影像導出量測資料；及使用該估計模型以提供相對於該量測資料之該(等)度量衡度量之估計。雖然該訓練資料可每一位點使用兩個影像，但在操作中，每一位點一單一影像可係足夠的，此將量測時間減少至小於當前量測時間之一半。再者，可導出(若干)可信度分數作為一額外度量衡及程 序控制，且可使用深度學習以增強度量衡模組之準確度及/或速度。
圖1係根據本發明之一些實施例之具有一度量衡模組101之一系統100之一高階示意性方塊圖及圖解。系統100可包括與至少一個電腦處理器102相關聯之度量衡模組101及/或包括(若干)電腦處理器102之至少一者或一些之度量衡模組101。
度量衡模組101可包括或相關聯於一或多個估計模型120，該一或多個估計模型120可實施於(若干)電腦處理器102上作為度量衡模組101之部分或與其相關聯，例如，作為用於導出(若干)估計模型120之(若干)訓練或模擬模組。(若干)估計模型120可經組態以提供相對於經接納晶圓上之位點之量測資料之至少一個度量衡度量之估計。(若干)估計模型120由被應用至一訓練階段115中之經計算訓練資料105(其使至少一個度量衡度量與初始度量衡量測相關)之至少一個機器學習演算法110導出。
度量衡模組101可經組態以：自初始度量衡量測(例如，與一或多個訓練晶圓70之複數個場80中之多個位點85相關)計算與(若干)度量衡度量相關之訓練資料105；將(若干)機器學習演算法110應用至經計算訓練資料105以導出(若干)度量衡度量之估計模型120；自經接納晶圓上之位點之影像導出量測資料122，且使用估計模型120以提供相對於量測資料122之(若干)度量衡度量之估計124。
例如，訓練資料105之計算可包括使用自至少一個訓練晶圓70上之位點85導出之影像95及180°旋轉影像95對。訓練資料105包括自相對於各位點85之各對影像95導出之至少一個經處理特徵96(作為經導出資料96)。例如，(若干)經處理特徵可包括表示在各自影像95中沿著一指定方向之一平均值之1D(一維)核心及/或包括各自影像95之DCT(離散餘 弦轉換)或傅立葉(Fourier)轉換之影像轉換資料。
在某些實施例中，(若干)機器學習演算法110可包括主分量迴歸、支援向量機器、梯度增強及/或神經網路演算法之任何者。
在某些實施例中，訓練資料105可至少部分包括作為初始度量衡量測之自一或多個訓練晶圓70上之複數個位點85導出之原始影像95，且(若干)機器學習演算法110包括將深度學習方法150直接應用至原始或經處理影像95作為訓練資料105之至少一個深度學習演算法。
在某些實施例中，度量衡模組101可經組態以導出量化量測資料122與訓練資料105之間之一類似性之至少一個可信度分數130且使用(若干)經導出可信度分數130作為用於至少一個度量衡度量之估計之一可信度量度。度量衡模組101可進一步經組態以在(若干)可信度分數超出(若干)各自指定臨限值之情況下，(例如)在一重新訓練階段140使用額外經計算訓練資料以重新訓練(若干)機器學習演算法110而重複估計模型導出。替代地或補充地，(若干)可信度分數130可用於提供諸如與各種程序誤差相關之程序變動指示135。
圖2係繪示根據本發明之一些實施例之一方法200之一高階流程圖。可相對於可視情況經組態以實施方法200之上文描述之系統100及/或度量衡模組101實行方法階段。方法200可至少部分由可能在度量衡模組101中之至少一個電腦處理器(例如，102)實施。某些實施例包括電腦程式產品，其等包括具有與其一起體現且經組態以實行方法200之相關階段之電腦可讀程式之一電腦可讀儲存媒體。某些實施例包括藉由方法200之實施例設計之各自目標之目標設計檔案。方法200可包括以下階段而無關於其等之順序。
方法200包括：自初始度量衡量測計算與至少一個度量衡度量相關之訓練資料(階段210)；將至少一個機器學習演算法應用至經計算訓練資料(階段220)以導出至少一個度量衡度量之一估計模型(階段230)。例如，計算訓練資料210可包括計算表示特徵作為訓練資料(階段215)及/或使用原始或詳細資料(階段217)(例如)用於深度學習程序。方法200進一步包括自經接納晶圓上之位點之影像導出量測資料(階段232)；及使用估計模型以提供相對於量測資料之至少一個度量衡度量之估計(階段235)且視情況使用(若干)經導出估計模型補償程序誤差(階段237)。
例如，方法200可包括使用自至少一個訓練晶圓上之複數個位點導出之影像及180°旋轉影像對實行訓練資料之計算。
在某些實施例中，訓練資料可包括自相對於各位點之各對導出之至少一個經處理特徵，該至少一個經處理特徵包括表示在各自影像中沿著一指定方向之一平均值之1D(一維)核心及/或包括各自影像之DCT(離散餘弦轉換)或傅立葉轉換之影像轉換資料。替代地或補償地，至少一個經處理特徵可包括自經擷取影像導出之各種準確度度量之任何者。
在某些實施例中，(若干)機器學習演算法可包括以下項之至少一者：主分量迴歸、支援向量機器、梯度增強及/或神經網路演算法。
在某些實施例中，訓練資料可至少部分包括作為初始度量衡量測之自(若干)訓練晶圓上之位點導出之原始影像，且(若干)機器學習演算法可包括至少一個深度學習演算法。
方法200可進一步包括導出量化量測資料與訓練資料之間之一類似性且用作用於至少一個度量衡度量之估計之一可信度量度之至少 一個可信度分數(階段240)。(若干)可信度分數可用於指示過量程序變動(階段242)及/或在一或多個可信度分數超出(若干)各自指定臨限值之情況下，使用額外經計算訓練資料以重新訓練(若干)機器學習演算法而重複估計模型導出(階段245)。
例如，所揭示實施例可包括估計TIS(工具引發之移位，主要來自光學器件相關之不準確度且由相對於彼此旋轉180°之量測之間之差表達)及/或疊對作為(若干)度量衡度量，例如，(若干)估計模型120可包括可能自每一位點之單一量測122估計TIS之(若干)運算模型。訓練資料105可包括自具有已知TIS之多個位點85獲取之有限數目個影像95，例如，包含針對此等位點之180°旋轉影像，即，每一位點85使用兩個量測用於導出訓練資料105。訓練資料105可相對於各種表示特徵(諸如表示2D影像95中之一給定維度之平均值之1D核心、影像95之DCT表示、與影像95相關之各種度量等)導出。此等特徵藉由將相對大像素空間減小至更緊湊表示而可有助於獲得比在經量測影像95中顯見之知識更多之知識，同時容許訓練資料105及度量估計124之簡單運算。在某些實施例中，藉由形成關於單一晶圓70之基於特徵之模型120，可在於相同度量衡工具(例如，具有度量衡模組101)上量測之許多類似(經接納)晶圓中(例如)逐位點估計並補償TIS或其他度量，因此以處理能力之一可忽略損失增加疊對之品質及其他度量衡量測。
應注意，所揭示方法200及系統100可用於光學度量衡量測中以最小化由量測裝置中之缺陷(例如，歸因於遠心度、透鏡像差等)引起之可顯現於以0°及180°方位角(藉由將晶圓旋轉180°而量測)在同一目標上進行之量測之間之不同疊對(在一半導體晶圓中之兩個或兩個以上垂直連 續層圖案之未對準之指示)中之TIS誤差。如在跨晶圓之值之平均值及標準偏差中觀察到，所揭示實施例可至少在統計上最小化跨晶圓之TIS誤差。
(若干)可信度分數130可用於對相對於量測122與訓練資料105之間之類似性之輸入(諸如量測122)打分以將一可信度量度提供至經估計度量值124(諸如TIS預測)。藉由監測可信度分數130，可指示135在製程中發生之程序變動及/或可觸發140模型120之重新訓練以應付程序中之經識別改變。相對於下文論述之減小TIS之當前方法，各項實施例產生較高品質結果同時維持高處理能力。可應用所揭示系統100及方法200以最小化半導體程序分析流程中之一系列誤差。
在某些實施例中，可應用替代或補充深度學習機器學習演算法110及對應機制150以略過及/或補充特徵計算階段215。經量測影像可用作訓練資料105之至少部分且經直接輸入至(例如)一神經網路架構(作為一實例，用於機器學習演算法)，其中TIS估計作為其輸出。
發明者注意到，所揭示實施例率先在半導體產業中使用機器學習演算法以校正疊對量測中之機械及光學誤差。所揭示實施例比先前技術系統及方法之效能更佳，先前技術系統及方法需要進行各量測兩次(以目標之0°及180°旋轉)以導出(例如)TIS量測及/或最佳化一組給定位點及晶圓上之硬體設定且針對全部其他位點及晶圓使用經最佳化值。有利地，所揭示實施例相對於前者先前技術方法使量測時間減半(藉由使用一單一量測而非兩個量測，且亦節約晶圓移動時間)，改良量測準確度且極大地增加整體處理能力(每小時處理之晶圓之數目)，且相對於後者先前技術方法遠更靈活、更準確且更不耗時(此係因為硬體設定最佳化係一非常緩慢的程序，其無法經常實行且因此可難以根據改變的條件調整，且亦提 供可具有低準確度之內插結果)。
在上文中參考根據本發明之實施例之方法、設備(系統)及電腦程式產品之流程圖圖解及/或部分圖式描述本發明之態樣。應理解，流程圖圖解及/或部分圖式之各部分及流程圖圖解及/或部分圖式中之部分之組合可由電腦程式指令實施。可將此等電腦程式指令提供至一通用電腦、專用電腦或其他可程式化資料處理設備之一處理器以產生一機器，使得經由電腦或其他可程式化資料處理設備之處理器執行之指令形成用於實施流程圖及/或部分圖式或其等之部分中指定之功能/動作之構件。
此等電腦程式指令亦可儲存於一電腦可讀媒體中，該等電腦程式指令可引導一電腦、其他可程式化資料處理設備或其他裝置以一特定方式起作用，使得儲存於電腦可讀媒體中之指令產生一製品，包含實施流程圖及/或部分圖式或其等之部分中指定之功能/動作之指令。
電腦程式指令亦可載入至一電腦、其他可程式化資料處理設備或其他裝置上以引起在電腦、其他可程式化設備或其他裝置上執行一系列操作步驟以產生一電腦實施程序，使得在電腦或其他可程式化設備上執行之指令提供用於實施在流程圖及/或部分圖式或其等之部分中指定之功能/動作之程序。
前述流程圖及圖式繪示根據本發明之各項實施例之系統、方法及電腦程式產品之可能實施方案之架構、功能及操作。在此方面，流程圖或部分圖式中之各部分可表示程式碼之一模組、片段或部分，其包括用於實施(若干)指定邏輯功能之一或多個可執行指令。亦應注意，在一些替代實施方案中，部分中提及之功能可不按圖中提及之順序發生。例如，事實上，取決於所涉及之功能性，連續展示之兩個部分可實質上同時執 行，或該等部分有時可按相反順序執行。亦應注意，部分圖式及/或流程圖圖解之各部分及部分圖式及/或流程圖圖解中之部分之組合可由執行指定功能或動作之基於專用硬體之系統或專用硬體及電腦指令之組合實施。
在上文之描述中，一實施例係本發明之一實例或實施方案。「一項實施例」、「一實施例」、「某些實施例」或「一些實施例」之各種出現不一定全部係指相同實施例。雖然可在一單一實施例之背景內容中描述本發明之各種特徵，但該等特徵亦可單獨或以任何適合組合提供。相反地，雖然為了清楚起見本文中在單獨實施例之背景內容中描述本發明，但本發明亦可在一單一實施例中實施。本發明之某些實施例可包含來自上文揭示之不同實施例之特徵，且某些實施例可併入來自上文揭示之其他實施例之元件。不應將在一特定實施例之背景內容中對本發明之元件的揭示視為將其等之用途單獨限於特定實施例中。此外，應理解，本發明可以各種方式實行或實踐且本發明可實施於除了上文描述中概述之實施例之外之某些實施例中。
本發明不限於該等圖式或對應描述。例如，流程不需要進行各所繪示之方塊或狀態或嚴格按照如所繪示且描述之相同順序進行。本文中使用之技術及科學術語之意義如本發明所屬技術之一般技術者所普遍理解，除非另有定義。雖然已關於有限數目個實施例描述本發明，但此等實施例不應被理解為對本發明之範疇之限制，而是作為一些較佳實施例之例證。其他可能變動、修改及應用亦在本發明之範疇內。因此，本發明之範疇不應由目前為止已描述之內容限制，而是受限於隨附發明申請專利範圍及其等之合法等效物。
200:方法
210:階段
215:階段
217:階段
220:階段
230:階段
235:階段
240:階段
242:階段
245:階段

Claims (17)

  1. 一種用於度量衡量測之方法，其包括：使用一度量衡模組自多個初始度量衡量測計算與至少一個度量衡度量相關之訓練資料，其中該度量衡模組係相關聯於一處理器，將該度量衡模組之至少一個機器學習演算法應用至該經計算訓練資料以導出相對於多個經接納晶圓上之位點之量測資料的該至少一個度量衡度量之一估計模型，其中經計算之該訓練資料使該至少一個度量衡度量與該等初始度量衡量測相關，自該等經接納晶圓上之位點之影像導出該量測資料，及使用該估計模型以提供相對於該量測資料之該至少一個度量衡度量之估計，其中該估計模型係實施作為該度量衡模組之部分，及其中該度量衡度量包含工具引發之移位(tool induced shift)。
  2. 如請求項1之方法，其進一步包括使用自至少一個訓練晶圓上之複數個位點導出之影像及180°旋轉影像對實行該訓練資料之該計算。
  3. 如請求項1或2之方法，其中該訓練資料包括自相對於各位點之一對影像導出之至少一個經處理特徵，該至少一個經處理特徵包括影像轉換資料，其包含影像之一DCT(discrete cosine transform，離散餘弦轉換)或影像之一傅立葉轉換。
  4. 如請求項1之方法，其中該至少一個機器學習演算法包括以下項之至 少一者：主分量迴歸、支援向量機器、梯度增強及/或神經網路演算法。
  5. 如請求項1或2之方法，其中該訓練資料至少部分包括作為該等初始度量衡量測之自至少一個訓練晶圓上之複數個位點導出之原始影像，且該至少一個機器學習演算法包括至少一個深度學習演算法。
  6. 如請求項1之方法，其進一步包括導出量化該量測資料與該訓練資料之間之一類似性且用作用於該至少一個度量衡度量之該等估計之一可信度量度之至少一個可信度分數。
  7. 如請求項6之方法，其進一步包括在至少一個可信度分數超出至少一個指定臨限值之情況下，使用額外經計算訓練資料以重新訓練該至少一個機器學習演算法而重複該估計模型導出。
  8. 如請求項1之方法，其中該計算、該應用及該使用之至少一者由至少一個電腦處理器實行。
  9. 一種電腦程式產品，其包括具有與其一起體現之電腦可讀程式之一非暫時性電腦可讀儲存媒體，該電腦可讀程式經組態以至少部分實行如請求項1至7中任一項之方法。
  10. 一種度量衡模組，其包括如請求項9之電腦程式產品。
  11. 一種度量衡模組，其包括經組態以提供相對於經接納晶圓上之位點之量測資料之至少一個度量衡度量之估計之一估計模型，其中該估計模型由被應用至使該至少一個度量衡度量與初始度量衡量測相關之經計算訓練資料之至少一個機器學習演算法導出，其中該估計模型係實施作為該度量衡模組之部分，及其中該至少一個度量衡度量包含工具引發之移位。
  12. 如請求項11之度量衡模組，其進一步包括經組態以導出該估計模型之至少一個電腦處理器。
  13. 如請求項11或12之度量衡模組，其進一步經組態以自該等經接納晶圓上之該等位點之影像導出該量測資料。
  14. 如請求項11之度量衡模組，其進一步經組態以使用自至少一個訓練晶圓上之複數個位點導出之影像及180°旋轉影像對實行該訓練資料之該計算，其中該訓練資料包括自相對於各位點之各對導出之至少一個經處理特徵，該至少一個經處理特徵包括1D(一維)核心。
  15. 如請求項11之度量衡模組，其中該至少一個機器學習演算法包括以下項之至少一者：主分量迴歸、支援向量機器、梯度增強及/或神經網路演算法。
  16. 如請求項11之度量衡模組，其中該訓練資料至少部分包括作為該等 初始度量衡量測之自至少一個訓練晶圓上之複數個位點導出之原始影像，且該至少一個機器學習演算法包括至少一個深度學習演算法。
  17. 如請求項11之度量衡模組，其進一步經組態以導出量化該量測資料與該訓練資料之間之一類似性之至少一個可信度分數，且使用該至少一個可信度分數作為用於該至少一個度量衡度量之該等估計之一可信度量度；其中該度量衡模組進一步經組態以在至少一個可信度分數超出至少一個指定臨限值之情況下，使用額外經計算訓練資料以重新訓練該至少一個機器學習演算法而重複該估計模型導出。
TW109100112A 2019-01-02 2020-01-02 用於度量衡量測之方法、度量衡模組及相關電腦程式產品 TWI833871B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962787549P 2019-01-02 2019-01-02
PCT/US2019/068219 WO2020142301A1 (en) 2019-01-02 2019-12-23 Machine learning for metrology measurements
WOPCT/US19/68219 2019-12-23

Publications (2)

Publication Number Publication Date
TW202124943A TW202124943A (zh) 2021-07-01
TWI833871B true TWI833871B (zh) 2024-03-01

Family

ID=71406691

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109100112A TWI833871B (zh) 2019-01-02 2020-01-02 用於度量衡量測之方法、度量衡模組及相關電腦程式產品

Country Status (3)

Country Link
US (2) US11410290B2 (zh)
TW (1) TWI833871B (zh)
WO (1) WO2020142301A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11836429B2 (en) * 2019-10-23 2023-12-05 Lam Research Corporation Determination of recipes for manufacturing semiconductor devices
US20220026817A1 (en) * 2020-07-22 2022-01-27 Applied Materials, Inc. Determining substrate profile properties using machine learning
EP4113210A1 (en) * 2021-07-01 2023-01-04 ASML Netherlands B.V. A method of monitoring a measurement recipe and associated metrology methods and apparatuses
TWI827341B (zh) * 2022-11-04 2023-12-21 國立陽明交通大學 應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040267397A1 (en) * 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
US20160033877A1 (en) * 2010-11-12 2016-02-04 Asml Netherlands B.V. Metrology Method and Inspection Apparatus, Lithographic System and Device Manufacturing Method
US20160141193A1 (en) * 2014-11-19 2016-05-19 Kla-Tencor Corporation System, method and computer program product for combining raw data from multiple metrology tools
TW201805728A (zh) * 2016-05-12 2018-02-16 Ａｓｍｌ荷蘭公司 獲得量測的方法、用於執行處理步驟的設備、度量衡設備、器件製造方法
US20190347527A1 (en) * 2017-06-28 2019-11-14 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
US20190378012A1 (en) * 2018-06-08 2019-12-12 Asml Netherlands B.V. Metrology Apparatus and Method for Determining a Characteristic of One or More Structures on a Substrate

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI315054B (en) * 2006-05-10 2009-09-21 Nat Cheng Kung Universit Method for evaluating reliance level of a virtual metrology system in product manufacturing
US7873585B2 (en) * 2007-08-31 2011-01-18 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
JP2012135958A (ja) * 2010-12-27 2012-07-19 Canon Inc 印刷装置、印刷制御方法及びプログラム
US8781211B2 (en) * 2011-12-22 2014-07-15 Kla-Tencor Corporation Rotational multi-layer overlay marks, apparatus, and methods
US10330608B2 (en) * 2012-05-11 2019-06-25 Kla-Tencor Corporation Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools
US20140066475A1 (en) * 2012-09-04 2014-03-06 Euro-Celtique S.A. Method For Treating Pruritus
US9311700B2 (en) * 2012-09-24 2016-04-12 Kla-Tencor Corporation Model-based registration and critical dimension metrology
US10152654B2 (en) * 2014-02-20 2018-12-11 Kla-Tencor Corporation Signal response metrology for image based overlay measurements
US10352876B2 (en) 2014-05-09 2019-07-16 KLA—Tencor Corporation Signal response metrology for scatterometry based overlay measurements
US9784690B2 (en) * 2014-05-12 2017-10-10 Kla-Tencor Corporation Apparatus, techniques, and target designs for measuring semiconductor parameters
US9581114B2 (en) * 2014-07-17 2017-02-28 Ford Global Technologies, Llc Systems and methods for dedicated EGR cylinder exhaust gas temperature control
US10074036B2 (en) * 2014-10-21 2018-09-11 Kla-Tencor Corporation Critical dimension uniformity enhancement techniques and apparatus
US10430719B2 (en) * 2014-11-25 2019-10-01 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
KR102355347B1 (ko) * 2014-11-26 2022-01-24 에이에스엠엘 네델란즈 비.브이. 계측 방법, 컴퓨터 제품 및 시스템
US10380728B2 (en) * 2015-08-31 2019-08-13 Kla-Tencor Corporation Model-based metrology using images
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10504759B2 (en) * 2016-04-04 2019-12-10 Kla-Tencor Corporation Semiconductor metrology with information from multiple processing steps

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040267397A1 (en) * 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
US20160033877A1 (en) * 2010-11-12 2016-02-04 Asml Netherlands B.V. Metrology Method and Inspection Apparatus, Lithographic System and Device Manufacturing Method
US20160141193A1 (en) * 2014-11-19 2016-05-19 Kla-Tencor Corporation System, method and computer program product for combining raw data from multiple metrology tools
TW201805728A (zh) * 2016-05-12 2018-02-16 Ａｓｍｌ荷蘭公司 獲得量測的方法、用於執行處理步驟的設備、度量衡設備、器件製造方法
US20190347527A1 (en) * 2017-06-28 2019-11-14 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
US20190378012A1 (en) * 2018-06-08 2019-12-12 Asml Netherlands B.V. Metrology Apparatus and Method for Determining a Characteristic of One or More Structures on a Substrate

Also Published As

Publication number Publication date
TW202124943A (zh) 2021-07-01
US20210142466A1 (en) 2021-05-13
US20220318987A1 (en) 2022-10-06
WO2020142301A1 (en) 2020-07-09
US11783466B2 (en) 2023-10-10
US11410290B2 (en) 2022-08-09

Similar Documents

Publication Publication Date Title
TWI833871B (zh) 用於度量衡量測之方法、度量衡模組及相關電腦程式產品
KR101930420B1 (ko) 샘플링 비율 결정 기법에 의한 계측 샘플링 방법 및 그 컴퓨터 프로그램 제품
CN108362911B (zh) 一种基于最小二乘法和插值法的流速仪标定方法
TW201923489A (zh) 在成像疊對度量中使用疊對錯位誤差估計
JP6860079B2 (ja) 異常検知装置、異常検知方法、及びプログラム
CN106709943B (zh) 一种基于最优传输的点云配准方法
TW201335854A (zh) 圖像相似度計算系統及方法
JP2019124539A5 (zh)
CN116777902A (zh) 工业缺陷检测场景的缺陷目标检测模型的构建方法及应用
JP5175570B2 (ja) パターン評価方法、プログラムおよび半導体装置の製造方法
JP2018036528A5 (zh)
US8548225B2 (en) Point selection in bundle adjustment
CN109740109A (zh) 一种基于酉变换的PolSAR图像广义目标分解方法
Ma et al. Variable subset DIC algorithm for measuring discontinuous displacement based on pixel-level ZNCC value distribution map
JP5816387B1 (ja) 非線形最適解探索システム
Michele et al. Low cost digital photogrammetry: From the extraction of point clouds by SFM technique to 3D mathematical modeling
JP6521988B2 (ja) ウェハノッチの検出
Wang et al. A heat kernel based cortical thickness estimation algorithm
CN113962928A (zh) 一种基于多尺度特征蒸馏的缺陷检测方法、装置及介质
JP2018067305A (ja) ビジュアルオドメトリ方法及び装置
WO2021128708A1 (zh) 同期算法实时评估方法、系统及存储介质
Wu Research on target tracking method of sports video based on multi-template matching
CN116977269A (zh) 图像检测方法、装置、设备、可读存储介质及程序产品
CN110414573A (zh) 一种基于gpu加速的路径依赖数字图像相关匹配方法
Xue et al. Research on piecewise linear fitting method based on least square method in 3D space points