TWI844942B - 用於圖案選擇之非暫時性電腦可讀媒體 - Google Patents
用於圖案選擇之非暫時性電腦可讀媒體 Download PDFInfo
- Publication number
- TWI844942B TWI844942B TW111133643A TW111133643A TWI844942B TW I844942 B TWI844942 B TW I844942B TW 111133643 A TW111133643 A TW 111133643A TW 111133643 A TW111133643 A TW 111133643A TW I844942 B TWI844942 B TW I844942B
- Authority
- TW
- Taiwan
- Prior art keywords
- subset
- representative portions
- representative
- pattern
- patterns
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 148
- 230000003287 optical effect Effects 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000004065 semiconductor Substances 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000001459 lithography Methods 0.000 claims description 47
- 238000004088 simulation Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 87
- 230000005855 radiation Effects 0.000 description 74
- 239000000758 substrate Substances 0.000 description 65
- 238000005286 illumination Methods 0.000 description 33
- 238000000059 patterning Methods 0.000 description 31
- 239000010410 layer Substances 0.000 description 30
- 238000004519 manufacturing process Methods 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 19
- 235000012431 wafers Nutrition 0.000 description 19
- 238000005530 etching Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 210000001747 pupil Anatomy 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000003750 conditioning effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000007493 shaping process Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005260 corrosion Methods 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
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001465 metallisation Methods 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
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000019491 signal transduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本發明描述選擇用於一半導體晶圓之一設計佈局之剪輯的一最佳化幾何多樣化子集。接收該設計佈局之一完整表示。判定該設計佈局之代表性剪輯之一集合,使得個別代表性剪輯包含該設計佈局之一或多個獨特圖案的不同組合。基於該一或多個獨特圖案而選擇該等代表性剪輯之一子集。該等代表性剪輯之該子集經組態以包括:(1)一最小數目個代表性剪輯中之各幾何獨特圖案;或(2)在一最大數目個代表性剪輯中儘可能多的該設計佈局之幾何獨特圖案。舉例而言,提供代表性剪輯之該子集作為用於訓練一光學近接校正或源遮罩最佳化半導體程序機器學習模型之訓練資料。
Description
本發明大體上係關於與計算微影相關聯之圖案選擇。
微影投影裝置可用於例如積體電路(IC)之製造中。圖案化器件(例如,遮罩)可包括或提供對應於IC(「設計佈局」)之個別層之圖案,且可藉由諸如將已塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如,矽晶圓)上之目標部分(例如,包含一或多個晶粒)輻照通過圖案化器件上之圖案之方法而將此圖案轉印至該目標部分上。一般而言,單一基板含有複數個鄰近目標部分,圖案藉由微影投影裝置依次地轉印至該複數個鄰近目標部分,一次一個目標部分。在一種類型之微影投影裝置中,在一個操作中將整個圖案化器件上之圖案轉印至一個目標部分上。此裝置通常稱為步進器。在通常稱為步進掃描裝置之替代裝置中,投影光束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描,同時平行或反平行於此參考方向而同步地移動基板。圖案化器件上之圖案之不同部分逐漸地轉印至一個目標部分。一般而言,由於微影投影裝置將具有縮減比M(例如,4),因此基板移動之速度F將為投影光束掃描圖案化器件之速度的1/M倍。關於微影器件之更多資訊可見於例如以引用之方式併入本文中的US 6,046,792。
在將圖案自圖案化器件轉印至基板之前,基板可經受各種工序,諸如,上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後,基板可經受其他工序(「曝光後工序」),諸如曝光後烘烤(PEB)、顯影、硬烘烤及對經轉印圖案之量測/檢測。此工序陣列用作製造器件(例如,IC)之個別層之基礎。基板接著可經受諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械研磨等的各種程序,該等程序皆意欲精整器件之個別層。若在器件中需要若干層,則針對各層重複整個工序或其變體。最終,基板上之各目標部分中將存在器件。接著藉由諸如切割或鋸切之技術來使此等器件彼此分離,使得可將個別器件安裝於載體上、連接至銷釘等。
製造諸如半導體器件之器件通常涉及使用數個製造程序來處理基板(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。可在基板上之複數個晶粒上製造多個器件,且接著將該等器件分離成個別器件。此器件製造程序可視為圖案化程序。圖案化程序涉及圖案化步驟,諸如使用微影裝置中之圖案化器件進行光學及/或奈米壓印微影以將圖案化器件上的圖案轉印至基板,且圖案化程序通常但視情況涉及一或多個相關圖案處理步驟,諸如藉由顯影裝置進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻裝置使用圖案進行蝕刻等。
微影為在諸如IC之器件之製造中的中心步驟,其中形成於基板上之圖案界定器件之功能元件,諸如微處理器、記憶體晶片等。類似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。
隨著半導體製造程序繼續前進,功能元件之尺寸已不斷地減小。同時,每器件之功能元件(諸如,電晶體)的數目已穩定地增加,此
遵循通常稱為「莫耳定律」之趨勢。在當前技術狀態下,使用微影投影裝置來製造器件之層,該等微影投影裝置使用來自深紫外線照明源之照明將設計佈局投影至基板上,從而產生尺寸遠低於100nm(亦即,小於來自照明源(例如,193nm照明源)之輻射的波長之一半)的個別功能元件。
根據解析度公式CD=k1×λ/NA,印刷尺寸小於微影投影裝置之經典解析度限制之特徵的此程序通常被稱為低k1微影,其中λ為所採用輻射之波長(當前在大多數情況下為248nm或193nm),NA為微影投影裝置中之投影光學器件之數值孔徑,CD為「臨界尺寸」(通常為所印刷之最小特徵大小),且k1為經驗解析度因數。一般而言,k1愈小,則在基板上再現類似於由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,將複雜微調步驟應用於微影投影裝置、設計佈局或圖案化器件。此等方法包括例如但不限於NA及光學相干設定之最佳化、定製照明方案、使用相移圖案化器件、設計佈局中之光學近接校正(OPC,有時亦稱為「光學及程序校正」)、源遮罩最佳化(SMO)或一般定義為「解析度增強技術」(RET)之其他方法。
存在用以識別圖案佈局之幾何獨特部分(例如,來自全晶片IC設計佈局之獨特剪輯或貼片)之工具,各部分具有圖案之某一區域。經識別獨特部分彼此不同。然而,藉由此等工具判定之獨特部分之數目極大,且不存在抑制或以其他方式控制此數目之有效機制。通常,所報告之獨特部分(例如,剪輯或貼片)中之一些具有僅略微不同之幾何形狀,且包括自一個部分至下一部分之大量冗餘資訊。所判定之大量獨特部分及冗餘資訊可對下游計算(例如,計算微影)程序帶來負擔,此係由於大量及/或冗
餘資訊產生對大量計算資源之需求。
根據本發明之實施例,系統及方法經組態以用於選擇具有減少數目個部分計數且又組合地涵蓋來自圖案佈局(例如,設計佈局)之適當圖案的獨特部分(例如,剪輯或貼片)之最佳化幾何多樣化子集。舉例而言,經選擇獨特部分之數目可至多小於由先前工具識別之大量部分之100倍。即使選擇顯著較少之獨特部分,但其包括足夠幾何多樣性,例如以表示全晶片之整個圖案佈局。此可顯著減少所需計算資源,且加快下游計算程序,以及其他優點。
因此,根據一實施例,提供一種用於選擇用於半導體晶圓之圖案(例如,設計)佈局之部分(例如,剪輯或貼片)的最佳化幾何多樣化集合之方法。該方法包含接收圖案佈局之表示(例如,原始及/或完整表示)。該方法包含判定圖案佈局之代表性部分之集合,其中個別代表性部分包含圖案佈局之一或多個(例如,幾何)獨特圖案之不同組合。
如本文中所使用,「獨特圖案」指視為不同於圖案佈局(設計佈局)中之其他獨特圖案的圖案。圖案通常由佈局中所關注之空間窗口定義。可藉由在表示空間中具有特定獨特表示來定義圖案獨特性。舉例而言,可藉由在所關注之空間窗口中之表示中具有特定獨特形狀、特徵之配置、輪廓等來定義獨特性。獨特圖案可跨越圖案佈局具有許多例項(例如,可重複)。獨特圖案可包括相同或類似例項。可藉由使用準確匹配、模糊匹配、叢集或其他演算法或方法來自圖案佈局提取或識別獨特圖案。因此,如本文中所提及,獨特圖案可為表示準確匹配之圖案之群組或類似之圖案之群組的圖案,如可藉由模糊匹配識別。
可藉由將跨越圖案佈局重複之圖案分組來判定代表性部分
(例如,剪輯或貼片)之集合。可接著基於一或多個獨特圖案而選擇代表性部分之子集。代表性部分之子集經選擇以使得其包括顯著減少數目個代表性部分(相對於代表性部分之集合)中之獨特圖案。在一些實施例中,經選擇代表性部分之子集含有最佳多樣化獨特圖案之群組且具有小於規定限制數目個代表性部分。該方法可進一步包含提供經選擇代表性部分之子集作為用於訓練機器學習模型之訓練資料。舉例而言,機器學習模型可與用於半導體微影程序之光學近接校正(OPC)及/或源遮罩最佳化(SMO)相關聯。
在一些實施例中,圖案佈局之表示包含圖形設計系統(.GDS)檔案。
在一些實施例中,藉由使用集合覆蓋求解器方法來進行對代表性部分(例如,剪輯或貼片)之子集的選擇。在一些實施例中,此包含用離散最佳化器(例如,整數線性規劃求解器)來判定代表性部分之子集以判定代表性部分之子集。在一些實施例中,代表性部分之子集經最佳化以包括來自圖案佈局之最大量的獨特幾何形狀。
在一些實施例中,代表性部分之子集經選擇以使得子集中之代表性部分符合某一數量準則,且子集中涵蓋之獨特圖案亦符合某一多樣性或數量準則。舉例而言,給定某一計算系統或其他因素之處理功率,可指定某一最大數目個剪輯以用於模型化或其他目的,例如以確保計算系統在模型化期間不合理地減慢及/或遇到其他問題等。在一些實施例中,計算系統可將自身自動地限制於預定(例如,最大)數目個代表性部分(例如,剪輯)。在一些實施例中,系統及方法經組態以選擇組合地涵蓋圖案佈局之幾何最獨特圖案的預定數目個代表性剪輯(子集)。
在一些實施例中,可基於各代表性部分包括之一或多個獨
特圖案的數量及/或罕見性而將代表性部分之子集分級。可基於等級而判定代表性部分之子集。
在一些實施例中,代表性部分之子集中之部分的數目比代表性部分之集合中之部分的數目小約10至100倍。
根據另一實施例,提供一種用於判定圖案佈局之代表性部分(例如,剪輯或貼片)之子集的方法。該方法包含接收圖案佈局之代表性部分之集合。個別代表性部分包含圖案佈局之一或多個獨特圖案。經選擇代表性部分之子集包含符合規定準則之獨特圖案。
根據另一實施例,提供一種用於判定圖案佈局之代表性部分之子集的系統。該系統包含藉由機器可讀指令組態以進行上述方法之一或多個硬體處理器。
根據另一實施例,提供一種其上具有指令之非暫時性電腦可讀媒體,其中該等指令在由電腦執行時使得電腦進行上述方法。
10A: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
18A:圖案化器件
20A:孔徑
21:輻射光束
22:琢面化場鏡面器件
22A:基板面
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
210:EUV輻射發射電漿
211:源腔室
212:收集器腔室
220:圍封結構
221:開口
230:污染物截留器
231:照明模型
232:投影光學器件模型
235:設計佈局模型
236:空中影像
237:抗蝕劑模型
238:抗蝕劑影像
240:光柵濾光器
251:上游輻射收集器側
252:下游輻射收集器側
253:掠入式反射器
254:掠入式反射器
255:掠入式反射器
300:方法
302:操作
304:操作
306:操作
308:操作
310:操作
400:剪輯
402:剪輯
404:剪輯
406:剪輯
408:操作
410:操作
412:操作
414:操作
500:代表性部分/剪輯
501:視圖
502:群組
503:視圖
504:圖案
505:剪輯
507:剪輯
511:剪輯
513:剪輯
515:群組
517:群組
519:群組
521:群組
601:代表性部分/剪輯
602:剪輯
603:剪輯
604:代表性部分/剪輯
650:子集
651:操作
655:集合
660:視圖
665:視圖
A:圖案
AD:調整構件
B:圖案/輻射光束
BD:遞送系統
BS:匯流排
C:圖案/目標部分
CC:游標控制件
CI:通信介面
CO:聚光器/輻射收集器
CS:電腦系統
D:圖案
DS:顯示器
E:圖案
E1:圖案
E2:圖案
E3:圖案
E4:圖案
E5:圖案
F:圖案
G:圖案
H:圖案
HC:主電腦
I:圖案
IF:干涉量測構件/虛擬源點
IL:照明系統
IN:積分器
INT:網際網路
ID:輸入器件
J:圖案
K:圖案
L:圖案
LA:雷射
LAN:區域網路
LPA:微影投影裝置
M:圖案
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
MM:主記憶體
MT:第一載物台/支撐結構
NDL:網路鏈路
O:光軸
P1:基板對準標記
P2:基板對準標記
PL:透鏡
PM:第一定位器
PRO:處理器
PS:投影系統/項目
PS1:位置感測器
PS2:位置感測器
PW:第二定位器
ROM:唯讀記憶體
SD:儲存器件
SO:輻射源
W:基板
WT:第二載物台
併入於本說明書中且構成本說明書之一部分的隨附圖式繪示一或多個實施例且連同描述解釋此等實施例。現將參考隨附示意性圖式而僅藉助於實例來描述本發明之實施例,在該等圖式中,對應參考符號指示對應部分,且在該等圖式中:圖1繪示微影投影裝置之各種子系統的方塊圖。
圖2繪示根據一實施例之用於模擬微影投影裝置中之微影的例示性方法之流程圖。
圖3繪示根據一實施例之選擇圖案佈局之代表性部分(例如,剪輯或貼片)之例示性方法。
圖4繪示根據一實施例之判定圖案佈局之代表性部分之集合的例示性方法。
圖5繪示根據一實施例之基於經分組圖案而判定代表性部分之集合的例示性方法。
圖6繪示根據一實施例之選擇代表性部分之子集的例示性方法。
圖7為根據一實施例之實例電腦系統之方塊圖。
圖8為根據一實施例之微影投影裝置之示意圖。
圖9為根據一實施例之另一微影投影裝置之示意圖。
圖10為根據一實施例之微影投影裝置之詳細視圖。
圖11為根據一實施例之微影投影裝置之源收集器模組之詳細視圖。
如上文所描述,存在用以識別圖案設計或圖案佈局之幾何獨特部分(例如,來自全晶片IC設計佈局之獨特剪輯)之工具。然而,藉由此等工具識別之幾何獨特部分之數目極大,且幾何獨特部分通常包括自一個部分至下一部分之大量冗餘資訊。此係由於即使一部分可為獨特的,但其可僅略微不同於其他部分,且仍包括亦包括於若干其他部分中之圖案佈局之大量獨特圖案(例如,形狀、輪廓等之組合)。
如本文中所描述,「獨特圖案」指視為不同於圖案佈局(設計佈局)中之其他獨特圖案的圖案。舉例而言,可藉由在所關注之空間窗口中之表示中具有特定獨特形狀、特徵之配置、輪廓等來定義獨特性。獨特圖案可跨越圖案佈局具有許多例項(例如,可重複)。獨特圖案可包括相
同或類似例項。可藉由使用準確匹配、模糊匹配、叢集或其他演算法或方法來自圖案佈局提取或識別獨特圖案。因此,如本文中所提及,獨特圖案可為表示準確匹配之圖案之群組或類似之圖案之群組的圖案,如可藉由模糊匹配識別。
根據本發明之實施例,圖案佈局(例如,設計佈局)之代表性部分(例如,剪輯或貼片)之最佳化幾何多樣化子集經選擇以使得該子集仍全面地表示用於後續模型化及/或其他程序之圖案佈局(例如,整個圖案佈局)。舉例而言,根據本發明之實施例之經選擇剪輯之子集有利地具有減小數目個剪輯,且又可為下游模型校準或模型訓練提供經改良圖案覆蓋度。本發明之實施例使用離散最佳化器(例如,整數線性規劃求解器)來識別包括儘可能多的獨特幾何資訊的代表性部分之最佳子集(而非僅使用所有可用部分)。以此方式,當前系統及方法可選擇相對較少(與全集合相比較)數目個包括多樣化幾何資訊之代表性部分。舉例而言,代表性部分之子集經選擇以使得其包括顯著減少數目個代表性部分中之獨特圖案;或包括形成經選擇代表性部分之子集之預定數目個(例如最大)代表性部分中之最佳多樣化獨特圖案。此可顯著減少所需計算資源,且加速稍後計算程序,以及其他優點。
參考圖式詳細描述本發明之實施例,該等圖式提供為本發明之繪示性實例以便使熟習此項技術者能夠實踐本發明。值得注意地,以下諸圖及實例並不意欲將本發明之範疇限於單一實施例,但藉助於所描述或所繪示元件中之一些或全部之互換而使其他實施例係可能的。此外,在可使用已知組件部分地或完全地實施本發明之某些元件之情況下,將僅描述此等已知組件之理解本發明所必需之此等彼等部分,且將省略此等已知
組件之其他部分之詳細描述以便不混淆本發明。除非本文中另外指定,否則如對於熟習此項技術者將顯而易見的係,描述為以軟體實施之實施例不應限於此,但可包括以硬體或軟體與硬體之組合實施之實施例,且反之亦然。在本說明書中,展示單數組件之實施例不應被認為係限制性的;實情為,除非本文中另外明確陳述,否則本發明意欲涵蓋包括複數個相同組件之其他實施例,且反之亦然。此外,除非如此明確闡述,否則申請者並不意欲使本說明書或申請專利範圍中之任何術語歸結於不常見或特殊涵義。此外,本發明涵蓋本文中藉助於繪示而提及之已知組件的目前及未來已知等效物。
儘管在本文中可特定地參考IC之製造,但應明確地理解,本文中之描述具有許多其他可能應用。舉例而言,其可用於製造整合式光學系統、用於磁疇記憶體之導引及檢測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者將瞭解,在此等替代應用之內容脈絡中,術語「倍縮光罩」、「晶圓」或「晶粒」在本文中之任何使用應被視為可分別與更一般之術語「遮罩」、「基板」及「目標部分」互換。
在本文件中,術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射,包括紫外線輻射(例如,具有365、248、193、157或126nm之波長)及EUV(極紫外線輻射,例如具有在約5至100nm範圍內之波長)。
舉例而言,如本文中所使用之術語「投影光學器件」應廣泛地解釋為涵蓋各種類型之光學系統,包括例如折射光學器件、反射光學器件、孔徑及反射折射光學器件。術語「投影光學器件」亦可包括根據此等設計類型中之任一者進行操作以用於集體地或單個地導引、塑形或控制投影輻射光束的組件。術語「投影光學器件」可包括微影投影裝置中之任
何光學組件,無論光學組件位於微影投影裝置之光學路徑的何處。投影光學器件可包括用於在來自源之輻射通過(例如,半導體)圖案化器件之前塑形、調整及/或投影該輻射的光學組件,及/或用於在輻射通過圖案化器件之後塑形、調整及/或投影該輻射的光學組件。投影光學器件一般不包括源及圖案化器件。
(例如,半導體)圖案化器件可包含或可形成一或多個圖案。可利用CAD(電腦輔助設計)程式基於圖案或設計佈局來產生圖案,此程序通常稱為EDA(電子設計自動化)。大多數CAD程式遵循預定設計規則之集合,以便產生功能設計佈局/圖案化器件。藉由處理及設計限制來設定此等規則。舉例而言,設計規則定義器件(諸如閘極、電容器等)或互連線之間的空間容許度,以便確保該等器件或線不以不合意方式彼此相互作用。設計規則可包括及/或指定特定參數、對參數之限制及/或參數範圍,及/或其他資訊。設計規則限制及/或參數中之一或多者可稱為「臨界尺寸」(CD)。器件之臨界尺寸可定義為線或孔之最小寬度,或兩條線或兩個孔之間的最小空間,或其他特徵。因此,CD判定所設計器件之總體大小及密度。器件製造之目標之一係在基板上如實地再生原始器件意圖(經由圖案化器件)。
如在本文中所使用之術語「遮罩」或「圖案化器件」可廣泛地解譯為指可用以向入射輻射光束賦予經圖案化橫截面之通用半導體圖案化器件,該經圖案化橫截面對應於待在基板之目標部分中產生之圖案;術語「光閥」亦可用於此內容脈絡中。除經典遮罩(透射式或反射式;二進制、相移、混合式等)以外,其他此等圖案化器件之實例包括可程式化鏡面陣列及可程式化LCD陣列。
可程式化鏡面陣列之實例可為具有黏彈性控制層及反射表面的矩陣可定址表面。此裝置所隱含之基本原理為(例如):反射表面之經定址區域使入射輻射反射為繞射輻射,而未經定址區域使入射輻射反射為非繞射輻射。在使用適當濾光器之情況下,可自經反射光束中濾出該非繞射輻射,最後僅留下繞射輻射;以此方式,光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適之電子構件來進行所需矩陣定址。可程式化LCD陣列之實例在以引用的方式併入本文中之美國專利第5,229,872號中給出。
如本文中所使用,術語「圖案化程序」通常意謂作為微影程序之部分的藉由施加光之指定圖案來產生經蝕刻基板的程序。然而,「圖案化程序」亦可包括(例如,電漿)蝕刻,此係由於本文中所描述之許多特徵可為使用蝕刻(例如,電漿)處理形成經印刷圖案提供益處。
如本文中所使用,術語「圖案」意謂例如基於上文所描述之設計佈局而待蝕刻於基板(例如,晶圓)上之理想化圖案。圖案可包含例如各種形狀、特徵之配置、輪廓等。
如本文中所使用,「經印刷圖案」意謂基於目標圖案而蝕刻的基板上之實體圖案。經印刷圖案可包括例如凹槽、通道、凹陷、邊緣或由微影程序產生之其他二維及三維特徵。
如本文中所使用,術語「預測模型」、「程序模型」、「電子模型」及/或「模擬模型」(其可互換使用)意謂包括模擬圖案化程序之一或多個模型之模型。舉例而言,模型可包括光學模型(例如,使用以在微影程序中遞送光之透鏡系統/投影系統模型化且可包括使至光阻上之光的最終光學影像模型化)、抗蝕劑模型(例如,使抗蝕劑之物理效應模型化,諸
如歸因於光而產生之化學效應)、OPC模型(例如,可用於產生目標圖案且可包括次解析度抗蝕劑特徵(SRAF)等)、蝕刻(或蝕刻偏置)模型(例如,模擬蝕刻程序對經印刷晶圓圖案之物理效應)、源遮罩最佳化(SMO)模型及/或其他模型。
如本文中所使用,術語「校準」意謂修改(例如,改良或調整)及/或驗證某物,諸如模型。
圖案化系統可為包含上文所描述之組件中之任一者或全部加經組態以進行與此等組件相關聯之操作中之任一者或全部的其他組件的系統。舉例而言,圖案化系統可包括微影投影裝置、掃描器、經組態以施加及/或移除抗蝕劑之系統、蝕刻系統及/或其他系統。
作為引言,圖1繪示實例微影投影裝置10A之各種子系統之圖。主要組件為輻射源12A,其可為深紫外線準分子雷射源或包括極紫外線(EUV)源之其他類型之源(然而,微影投影裝置自身不必具有輻射源);照明光學器件,其例如界定部分相干性(標示為標準差)且其可包括塑形來自源12A之輻射的光學器件組件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面22A上。在投影光學器件之光瞳面處的可調整濾光器或孔徑20A可限制照射於基板面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一個元件之間的媒體之折射率,且Θmax為自投影光學器件離開的可仍照射於基板面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該照明引導及塑形至基板上。投
影光學器件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為在基板層級處之輻射強度分佈。可使用抗蝕劑模型自空中影像計算抗蝕劑影像,其實例可在美國專利申請公開案第US 2009-0157630號中找到,該公開案之揭示內容特此以全文引用之方式併入。抗蝕劑模型與抗蝕劑層之屬性(例如,在曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應)相關。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)指示空中影像且可界定於光學模型中。由於可改變用於微影投影裝置中之圖案化器件,因此合乎需要的係將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。用以將設計佈局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且評估效能(例如,依據程序窗)的技術及模型之細節描述於美國專利申請公開案第US 2008-0301620號、第US 2007-0050749號、第US 2007-0031745號、第US 2008-0309897號、第US 2010-0162197號及第US 2010-0180251號中,各公開案之揭示內容特此以全文引用之方式併入。
可能需要使用一或多個工具來產生例如可用於設計、控制、監視等圖案化程序的結果。可提供用於在計算上控制、設計等圖案化程序之一或多個態樣的一或多個工具,諸如用於圖案化器件之圖案設計(包括,例如添加次解析度輔助特徵或光學近接校正)、用於圖案化器件之照明等。因此,在用於在計算上控制、設計等涉及圖案化之製造程序之系統中,製造系統組件及/或程序可由各種功能模組及/或模型描述。在一些實施例中,可提供描述圖案化製程之一或多個步驟及/或裝置之一或多個電子(例如,數學、參數化、機器學習等)模型。在一些實施例中,可使用
一或多個電子模型來進行圖案化程序之模擬以模擬圖案化程序如何使用由圖案化器件提供之圖案形成經圖案化基板。
圖2中繪示用於模擬微影投影裝置中之微影的例示性流程圖。照明模型231表示照明之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學器件模型232表示投影光學器件之光學特性(包括由投影光學器件引起之輻射強度分佈及/或相位分佈之改變)。設計佈局模型235表示設計佈局之光學特性(包括由給定設計佈局引起的輻射強度分佈及/或相位分佈之改變),該設計佈局為在圖案化器件上或由圖案化器件形成之特徵之配置的表示。可使用照明模型231、投影光學器件模型232及設計佈局模型235來模擬空中影像236。可使用抗蝕劑模型237自空中影像236模擬抗蝕劑影像238。微影之模擬可例如預測抗蝕劑影像中之輪廓及/或CD。
更具體言之,照明模型231可表示照明之光學特性,其包括但不限於NA-標準差(σ)設定以及任何特定照明形狀(例如,離軸照明,諸如環形、四極、偶極等)。投影光學器件模型232可表示投影光學器件之光學特性,包括例如像差、失真、折射率、實體大小或尺寸等。設計佈局模型235亦可表示實體圖案化器件之一或多個物理屬性,如例如以全文引用的方式併入之美國專利第7,587,704號中所描述。與微影投影裝置相關聯之光學屬性(例如,照明、圖案化器件及投影光學器件之屬性)指示空中影像。由於微影投影裝置中所使用之圖案化器件可改變,因此需要將圖案化器件之光學屬性與至少包括照明及投影光學器件之微影投影裝置之其餘部分的光學屬性分離(因此設計佈局模型235)。
可使用抗蝕劑模型237自空中影像計算抗蝕劑影像,其實
例可在美國專利第8,200,468號中找到,該專利特此以全文引用之方式併入。抗蝕劑模型通常與抗蝕劑層之屬性(例如,在曝光、曝光後烘烤及/或顯影期間發生的化學程序之效應)相關。
全模擬之目標之一係準確地預測例如邊緣置放、空中影像強度斜率及/或CD,可接著將該等邊緣置放、空中影像強度斜率及/或CD與預期設計進行比較。預期設計一般定義為可以諸如.GDS、.GDSII、.OASIS之標準化數位檔案格式或其他檔案格式提供之預OPC設計(或圖案)佈局。
自設計(圖案)佈局,可識別稱為「剪輯」之一或多個部分。在一實施例中,提取剪輯集合,其表示設計(圖案)佈局中之複雜圖案(通常為數百或數千個剪輯,但可使用任何數目個剪輯)。如熟習此項技術者將瞭解,此等剪輯表示設計之小部分(例如,電路、單元等),且可表示需要特定關注及/或驗證之小部分。換言之,剪輯可為設計(圖案)佈局之部分,或可為類似的或具有設計(圖案)佈局之部分的類似行為,其中臨界特徵藉由經驗(包括由客戶提供之剪輯)、試誤法或運行全晶片模擬進行識別。剪輯可含有一或多個測試圖案或量規圖案。可由客戶基於設計(圖案)佈局中要求特定影像最佳化之已知臨界特徵區域而先驗地提供初始較大剪輯集合。替代地,在另一實施例中,可藉由使用識別臨界特徵區域之自動化(諸如,機器視覺)或手動演算法來自整個設計(圖案)佈局提取初始較大剪輯集合。
設計(圖案)佈局之剪輯通常經選擇以使得個別剪輯包含設計(圖案)佈局之一或多個(例如,幾何)獨特圖案之不同組合。包括此等幾何獨特圖案之剪輯的數目通常極大,且通常未經抑制或以其他方式控制。
通常,若干不同部分(例如,剪輯)具有僅略微不同之幾何形狀,且包括自一個剪輯至下一剪輯之大量冗餘資訊。
基於剪輯(及/或其他資訊),可使用模擬及模型化來組態圖案化器件圖案之一或多個特徵(例如,進行光學近接校正)、照明之一或多個特徵(例如,改變照明之空間/角強度分佈之一或多個特性,諸如改變形狀)及/或投影光學器件之一或多個特徵(例如,數值孔徑等)。此組態可通常分別稱為遮罩最佳化、源最佳化及投影最佳化。此最佳化可獨立地進行,或以不同組合形式組合。一個此實例為源-遮罩最佳化(SMO),其涉及組態圖案化器件圖案之一或多個特徵以及照明之一或多個特徵。最佳化技術可聚焦於剪輯中之一或多者。
可應用類似模型化技術以最佳化例如蝕刻程序及/或其他程序。在一些實施例中,照明模型231、投影光學器件模型232、設計佈局模型235、抗蝕劑模型237及/或其他模型可結合例如蝕刻模型使用。舉例而言,來自顯影後檢測(ADI)模型(例如,包括為設計佈局模型235、抗蝕劑模型237及/或其他模型中之一些及/或所有)之輸出可用於判定ADI輪廓,可將該ADI輪廓提供至有效蝕刻偏置(EEB)模型以產生預測的蝕刻後檢測(AEI)輪廓。
在一些實施例中,可將系統之最佳化程序表示為成本函數。最佳化程序可包含尋找系統之最小化成本函數之參數集合(設計變數、程序變數等)。成本函數可取決於最佳化之目的而具有任何合適形式。舉例而言,成本函數可為系統之某些特性(評估點)相對於此等特性之預期值(例如,理想值)之偏差的加權均方根(RMS)。成本函數亦可為此等偏差之最大值(亦即,最差偏差)。術語「評估點」應廣泛地解譯為包括系
統或製造方法之任何特性。歸因於系統及/或方法之實施的實務性,系統之設計及/或程序變數可限制於有限範圍及/或可相互相依。在微影投影裝置之情況下,約束通常與硬體之物理屬性及特性,諸如可調諧範圍及/或圖案化器件可製造性設計規則相關聯。評估點可包括基板之抗蝕劑影像上之實體點,以及非物理特性,諸如(例如)一或多個蝕刻參數、劑量及焦點等。
其中(z 1 ,z 2 ,…,z N )為N個設計變數或其值,且f p (z 1 ,z 2 ,…,z N )可為設計變數(z 1 ,z 2 ,…,z N )之函數,諸如,設計變數之值的集合(z 1 ,z 2 ,…,z N )的特性之實際值與預期值之間的差。在一些實施例中,w p 為與f p (z 1 ,z 2 ,…,z N )相關聯之權重常數。舉例而言,特性可為在圖案邊緣上之給定點處量測的該邊緣之位置。不同f p (z 1 ,z 2 ,…,z N )可具有不同權重w p 。舉例而言,若特定邊緣具有窄准許位置範圍,則用於表示邊緣之實際位置與預期位置之間的差的f p (z 1 ,z 2 ,…,z N )之權重w p 可給予較高值。f p (z 1 ,z 2 ,…,z N )亦可為層間特性之函數,該層間特性又為設計變數(z 1 ,z 2 ,…,z N )之函數。當然,CF(z 1 ,z 2 ,…,z N )不限於以上方程式之形式,且CF(z 1 ,z 2 ,…,z N )可為任何其他合適之形式。
成本函數可表示蝕刻系統、蝕刻程序、微影裝置、微影程序或基板之任何一或多個合適特性,例如,焦點、CD、影像移位、影像失真、影像旋轉、隨機變異、產出量、局部CD變異、程序窗、層間特性或其組合。在一些實施例中,成本函數可包括表示抗蝕劑影像之一或多個特性之函數。舉例而言,f p (z 1,z 2,...,z N )可僅僅為例如蝕刻及/或一些其他程序之後抗蝕劑影像中之一點至彼點之預期位置之間的距離(亦即,邊緣置放
誤差EPE p (z 1,z 2,...,z N ))。參數(例如,設計變數)可包括任何可調整參數,諸如蝕刻系統、源、圖案化器件、投影光學器件、劑量、焦點等之可調整參數。
參數(例如,設計變數)可具有約束,其可表達為(z 1 ,z 2 ,…,z N ) Z,其中Z為設計變數之可能值的集合。可藉由微影投影裝置之所要產出量強加對設計變數之一個可能約束。在無藉由所要產出量強加之此約束的情況下,最佳化可產生不切實際的設計變數之值的集合。約束不應被解譯為必要性。
在一些實施例中,照明模型231、投影光學器件模型232、設計佈局模型235、抗蝕劑模型237、蝕刻模型及/或與積體電路製造程序相關聯及/或包括於該積體電路製造程序中之其他模型可為經驗及/或其他模擬模型。經驗模型可基於各種輸入(例如,圖案之一或多個特性,諸如曲率、圖案化器件之一或多個特性、微影程序中所使用之照明之一或多個特性,諸如波長等)之間的相關性而預測輸出。
作為一實例,經驗模型可為一機器學習模型及/或任何其他參數化模型。在一些實施例中,機器學習模型(例如)可為及/或包括數學方程式、演算法、曲線圖(plot)、圖表、網路(例如,神經網路),及/或其他工具及機器學習模型組件。舉例而言,機器學習模型可為及/或包括具有一輸入層、一輸出層及一或多個中間或隱藏層之一或多個神經網路。在一些實施例中,該一或多個神經網路可為及/或包括深度神經網路(例如,在輸入層與輸出層之間具有一或多個中間或隱藏層的神經網路)。
作為一實例,該一或多個神經網路可基於神經單元(或人工神經元)之一大型集合。一或多個神經網路可粗略地模仿生物大腦工作之
方式(例如,經由由軸突連接之生物神經元的大型群集)。神經網路之各神經單元可與神經網路之許多其他神經單元連接。此等連接可加強或抑制其對所連接神經單元之激活狀態之影響。在一些實施例中,各個別神經單元可具有將其所有輸入之值組合在一起之求和函數。在一些實施例中,各連接(或神經單元自身)可具有一臨限值函數,使得一信號在其被允許傳播至其他神經單元之前必須超出臨限值。此等神經網路系統可為自我學習及經訓練的,而非經明確程式化,且與傳統電腦程式相比,可在某些問題解決領域中顯著更佳地進行。在一些實施例中,該一或多個神經網路可包括多個層(例如,其中信號路徑自前層橫穿至後層)。在一些實施例中,神經網路可利用反向傳播技術,其中使用前向刺激來重設「前」神經單元之權重。在一些實施例中,對一或多個神經網路之刺激及抑制可更自由地流動,其中連接以較混亂且複雜之方式相互作用。在一些實施例中,一或多個神經網路之中間層包括一或多個卷積層、一或多個重現層及/或其他層。
可使用訓練資訊之集合來訓練一或多個神經網路(亦即,判定其參數)。訓練資訊可包括訓練樣本之集合。各樣本可呈一對,包含輸入物件(通常為向量,其可稱為特徵向量)及所要輸出值(亦稱為監督信號)。訓練演算法分析訓練資訊,且藉由基於訓練資訊調整神經網路之參數(例如,一或多個層之權重)來調整神經網路之行為。舉例而言,給定形式為{(x1 ,y1),(x2 ,y2),...,(xN ,yN)}之N個訓練樣本的集合以使得xi為第i實例之特徵向量且yi為其監督信號,訓練演算法尋找神經網路g:X→Y,其中X為輸入空間,且Y為輸出空間。特徵向量為表示一些物件(例如,所模擬空中影像、晶圓設計、剪輯等)之數值特徵之n維向量。與此等向量相關聯之向量
空間通常稱為特徵空間。在訓練之後,神經網路可用於使用新樣本進行預測。
作為另一實例,經驗(模擬)模型可包含一或多個演算法。一或多個演算法可為及/或包括數學方程式、曲線圖、圖表及/或其他工具及模型組件。
圖3繪示根據本發明之一實施例的選擇圖案佈局之代表性部分(例如,剪輯或貼片)的例示性方法300。方法300為用於選擇圖案佈局(例如,設計佈局)之代表性部分之最佳化幾何多樣化子集的方法。在一些實施例中,方法300包含:接收302圖案佈局之原始(例如,完整)表示;藉由將在代表性部分中跨越圖案佈局重複之圖案(例如,跨越圖案佈局在若干位置中重複之幾何圖案)分組306來判定304圖案佈局之代表性部分(例如,剪輯)之集合;選擇308代表性部分之子集;及為各種下游應用提供310代表性部分之子集。
在一些實施例中,非暫時性電腦可讀媒體儲存指令,該等指令在由電腦執行時使得電腦執行操作302至310中之一或多者及/或其他操作。方法300之操作意欲為繪示性的。在一些實施例中,方法300可用未描述之一或多個額外操作及/或不用所論述之操作中之一或多者來實現。舉例而言,操作310及/或其他操作可為選用的。另外,方法300之操作在圖3中繪示且在本文中描述的次序並不意欲為限制性的。
在操作302處,接收圖案佈局之表示。圖案佈局之表示可為及/或包括圖案佈局之所有或實質上所有圖案。舉例而言,此可視為原始或完整表示。表示可包含模擬、影像及電子檔案及/或其他表示。表示可包括描述圖案佈局本身之圖案的資訊及/或與該等圖案相關之資訊。圖
案可包括圖案佈局中之輪廓的幾何形狀及/或與該等幾何形狀相關之資訊。使用半導體晶片作為實例,圖案佈局之表示可包括構成晶片設計之所有(或實質上所有)圖案(例如,包括經組態以促進檢測及/或其他操作之圖案佈局結構)。此可包括通道、突起、通孔、光柵等,如模擬、影像、.GDS檔案等中所展示。
在一些實施例中,代表性部分選擇或圖案選擇可基於直接自佈局設計獲得之圖案多邊形。在一些其他實施例中,代表性部分選擇或圖案選擇可基於圖案佈局之圖案影像或輪廓,其中可自任何合適之檢測或度量衡系統或模擬獲得影像或輪廓。舉例而言,選擇可基於如經量測或經模擬之圖案之空中影像、光學影像、遮罩影像、抗蝕劑影像、蝕刻影像、晶圓影像。
圖案佈局中之圖案可包括例如二維及/或三維幾何形狀。所接收表示包括描述形狀之特性(例如,諸如X-Y維度資料點、描述幾何形狀之數學方程式等)、與形狀相關聯之處理參數的資料,及/或其他資料。在一些實施例中,圖案佈局之表示可包含來自圖案佈局之顯影後檢測(ADI)(例如,來自先前檢測之晶圓)之檢測結果、圖案佈局中之圖案的模型及/或其他資訊。來自圖案佈局之顯影後檢測的檢測結果可自掃描電子顯微鏡、光學度量衡工具及/或其他源獲得。在一些實施例中,可自空中影像、遮罩影像、蝕刻影像等獲得圖案,該等圖案由抗蝕劑模型(例如,如圖2中所展示及上文所描述)、光學模型(例如,如圖2中所展示及上文所描述)、蝕刻模型、蝕刻偏置模型及/或其他模型化源產生。
在一些實施例中,圖案佈局之表示包含.GDS檔案、.GDSII檔案、.OASIS檔案及/或具有其他檔案格式之電子檔案,及/或
圖案佈局之另一電子表示。可以電子方式自當前系統之一或多個其他部分(例如,自不同處理器,或自單一處理器之不同部分)、自不與當前系統相關聯之遠端計算系統及/或自其他源接收表示。可無線地及/或經由導線、經由攜帶型儲存媒體及/或自其他源接收表示。可自另一源(諸如,例如雲端儲存器)上載及/或下載,及/或以其他方式接收表示。
在操作304處,判定圖案佈局之代表性部分(例如,剪輯或貼片)之集合。代表性部分可表示圖案佈局之不同部分。代表性部分可包括來自圖案佈局之若干不同的獨特代表性部分。在一些實施例中,如上文所描述,圖案佈局包含例如半導體晶圓之設計佈局,且代表性部分包含設計佈局之剪輯。在一些實施例中,圖案佈局包含例如不同器件之設計佈局,且代表性部分包含不同器件之不同部分。
個別代表性部分(例如,剪輯或貼片)包含圖案佈局(例如,設計佈局)之一或多個獨特圖案。圖案可例如在幾何上,及/或出於其他原因為獨特的。換言之,經判定剪輯之集合中之剪輯可包括設計佈局之一或多個幾何獨特圖案。圖案佈局之代表性部分之集合經判定以使得個別代表性部分包含一或多個獨特圖案之不同組合。在一些情況下,獨特圖案中之至少一者包括於超過一個代表性部分中。
圖4繪示與判定圖案佈局之代表性部分(例如,剪輯)之集合相關的額外細節。圖4繪示包含圖案佈局(例如,設計佈局)之一或多個獨特圖案A至M的個別代表性部分(例如,剪輯)400、402、404及406。換言之,經判定剪輯之集合(例如,包括剪輯400至406之剪輯群組)中之剪輯400至406可包括設計佈局之一或多個經識別獨特圖案A至M。如圖4中所展示,圖案佈局之代表性部分(例如,剪輯)400至406之集合經判定以使
得個別代表性部分(剪輯)400至406包含一或多個獨特圖案A至M之不同組合。在一些實施例中,圖案可在同一代表性部分(例如,剪輯)內及/或跨越兩個或更多個代表性部分(例如,剪輯)重複。在一些實施例中,圖案A至M中之至少一者包括於超過一個代表性部分(例如,剪輯)400至406中。在此實例中,A、B及J為相同圖案,其在剪輯400及剪輯406中重複。圖案C、D及K為相同圖案,其在剪輯400、402及406中重複。圖案E及F為相同圖案,其在剪輯402中重複。圖案G及H為相同圖案,其在剪輯404中重複。最後,圖案I、L及M為相同圖案,其在剪輯404及406中重複。
在一些實施例中,如圖4中所展示,可接收408圖案佈局之表示(亦參見上文所描述之圖3中之操作302)。可在給定剪輯400至406內識別410圖案A至M。可將重複(相同或幾乎相同,例如類似或相似)圖案分組在一起(例如,藉由準確及/或模糊匹配演算法、叢集等)。可將各剪輯400至406中之任何重複圖案A至M分組412,且接著可跨越全圖案佈局(設計佈局)進一步將圖案群組分組414。獨特圖案(其可包括如上文所描述之相同及/或類似圖案)可跨越全圖案佈局具有重複例項。在圖4中,例如重複相同及/或類似圖案包括分組在一起之圖案A、B及J;圖案C、D及K;圖案E及F;圖案G及H;及圖案I、L及M。圖4繪示在初始分組412之後各圖案之小計數量(例如,2、1、1、2、2、1、1、1、2),及在跨越全圖案佈局分組414之後各圖案之最終總數量(例如,3、3、2、2、3)。
返回至圖3,在一些實施例中,藉由將代表性部分中之重複相同及/或類似圖案(例如,如圖4中所展示及描述)分組306來判定代表性部分之集合。基於經分組圖案及/或其他資訊而判定代表性部分之集合。在一些實施例中,將跨越圖案佈局重複之圖案分組以判定獨特圖案,
且基於經分組圖案及/或其他資訊而判定代表性部分之集合。
舉例而言,圖5繪示基於在視圖501及503中之重複相同及/或類似圖案504之群組502而判定代表性部分(剪輯或貼片)500之集合。圖5繪示剪輯500、圖案504及群組502之間的連接圖。如視圖501中所展示,藉由將代表性部分中之重複相同及/或類似圖案504分組306(亦參見圖4中所展示及描述之412及414)至群組502中來判定代表性部分之集合(例如,剪輯500之集合)。如視圖503中所展示,基於重複相同及/或類似圖案504之群組502而判定代表性部分(剪輯)500之集合,使得代表性部分(剪輯)500之集合包括來自各群組502之獨特圖案(504)。在圖5中所展示之實例中,來自群組515之圖案包括於剪輯505中。來自群組517之圖案包括於剪輯505及513中。來自群組519之圖案包括於剪輯511中。來自群組521之圖案包括於剪輯513及511中。
返回至圖3,在操作308處,選擇及/或以其他方式判定代表性部分(例如,剪輯或貼片)之子集。代表性部分之子集經選擇以使得子集中之代表性部分符合某一數量準則,且子集中涵蓋之幾何獨特圖案亦符合某一多樣性或數量準則。基於一或多個獨特圖案、群組及/或其他資訊而判定代表性部分之子集。另外,可判定代表性部分之子集中之部分,使得最小化代表性部分之間的相同及/或類似圖案之冗餘量,且代表性部分之子集包括關於圖案佈局之多樣化幾何資訊。
在一些實施例中,此引起代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小約10倍。在一些實施例中,代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小約100倍。在一些實施例中,代表性部分之子集中
之代表性部分的數目比代表性部分之集合中之代表性部分的數目小約1000倍。如上文所描述,此可顯著減少所需計算資源,且加速稍後計算程序(例如,電子模型化及/或其他計算程序),以及其他優點。
基於一或多個獨特圖案、群組及/或其他資訊而組合地選擇代表性部分之子集。經選擇代表性部分之子集包含符合規定準則之數個獨特圖案。在一些實施例中,規定準則包含在經選擇代表性部分之子集中夾雜至少臨界數目個獨特圖案。舉例而言,臨限數目經組態以確保組合地包括於經選擇代表性部分之子集中之獨特圖案提供適當圖案覆蓋度,例如表示整個(或幾乎整個)圖案佈局。臨限數目可為或對應於例如獨特圖案之數目,及/或其他臨限數目。臨限數目可由使用者設定;基於獨特圖案、圖案佈局之代表性部分之集合及/或其他資訊而自動地設定;及/或以其他方法設定。舉例而言,代表性部分之子集可經組態以包括最小(或最少可能)數目個代表性部分中之各幾何獨特圖案。
在一些實施例中,經選擇代表性部分之子集含有最佳多樣化獨特圖案之群組且具有小於規定限制數目個代表性部分。最佳多樣化獨特圖案之群組包含具有幾何形狀之複數個獨特圖案,該複數個獨特圖案在給定形成經選擇子集之預定數目個代表性部分之情況下組合地表示儘可能多的圖案佈局。在一些實施例中,經選擇代表性部分之子集可具有在最大數目個代表性部分中儘可能多的圖案佈局之幾何獨特圖案。在一些實施例中,此最大數目係由子集選擇演算法或方法指定,例如集合覆蓋求解器演算法。
在一些實施例中,藉由離散最佳化器(例如,圖7中所展示及下文所描述之處理器PRO)來進行選擇或以其他方式判定代表性部分之
子集。代表性部分之子集經最佳化以包括來自圖案佈局之最大量的獨特幾何形狀。在一些實施例中,經選擇代表性部分之子集組合地包括至少臨界數目個獨特圖案。在一些實施例中,經選擇代表性部分之子集組合地包括小於規定限制數目個代表性部分中的最佳多樣化獨特圖案之群組。在一些實施例中,最佳化器可實施為發現給定成本函數之最小值的電腦演算法。舉例而言,最佳化器可為經組態以共同判定多個變數的基於梯度之非線性最佳化器。此處,變數可包括例如數個獨特圖案、數個代表性部分(例如,剪輯)及/或其他變數。最佳化器可經組態以平衡不同可能變數(例如,數個獨特圖案、數個剪輯等,各自在其自身可允許的範圍內)與製造能力或與不同度量(例如,臨界尺寸、圖案佈局置放誤差、邊緣置放誤差、臨界尺寸不對稱性、缺陷計數及/或可基於模型化而稍後產生之其他度量)相關聯之成本。離散最佳化器可使用整數線性規劃及/或其他技術來判定代表性部分之子集。
在一些實施例中,離散最佳化器可經實施以包括經組態以執行集合覆蓋求解器演算法之集合覆蓋求解器。舉例而言,在一些實施例中,離散最佳化器經組態以使得在給定n個獨特圖案之集合,E={E1,E2,...En}(所謂的全集)及其併集等於該全集之具有不同圖案佈局的剪輯之集合的情況下,操作308包含識別其併集等於圖案之全集的剪輯之最小子集合。在一些實施例中,離散最佳化器經組態以使得在給定n個獨特圖案之集合,E={E1,E2,...En}及其併集等於該全集之具有不同圖案佈局的剪輯之集合的情況下,操作308包含識別經選擇代表性部分之子集,該經選擇代表性部分之子集含有最佳多樣化獨特圖案之群組,且具有小於規定限制數目個代表性部分(例如,識別其併集儘可能接近(例如,經最佳化以
最好地表示)圖案之全集的最大數目個剪輯)。
在一些實施例中,當代表性部分(剪輯)之子集含有最佳多樣化獨特圖案之群組且具有小於規定限制數目個代表性部分時,代表性部分之子集可基於其包括之一或多個獨特圖案而分級。在一些實施例中,代表性部分之子集可基於各代表性部分包括之一或多個獨特圖案的數量及/或罕見性及/或其他資訊而分級。基於等級及/或其他資訊而判定代表性部分之子集。舉例而言,可按次序選擇具有最高等級之剪輯,直至達到規定限制(例如,最大可允許)數目個代表性部分(剪輯)。
在一些實施例中,代表性部分之規定限制及/或最大數目可由使用者或自動地設定。舉例而言,可經由圖形使用者介面(例如,藉由圖7中所展示及下文所描述之計算系統控制及/或顯示)之一或多個視圖中之一或多個欄位來鍵入規定及/或最大數目個代表性部分。在一些實施例中,(例如,藉由處理器,諸如圖7中所展示之PRO)以電子方式判定規定及/或最大數目個代表性部分。在一些實施例中,可基於代表性目標部分之目標數量、與可用計算資源相關聯之電腦能力及/或儲存、與代表性部分相關聯之製造程序、產出量要求及/或其他資訊而判定使用者設定規定及/或最大值,及/或以電子方式判定之規定及/或最大值。
圖6繪示在視圖660及665中選擇651代表性部分(例如,剪輯)601至604之子集650之實例。為了易於理解,視圖660及665繪示同一選擇651程序但具有不同圖形(例如,視圖660提供約束圖圖形)之兩個版本。代表性部分之子集650係選自經判定代表性部分之集合655(例如,在此實例中,剪輯601至604形成集合655),且包括比(全)集合655(例如,在此實例中,其包括四個剪輯601至604)中之代表性部分的數目更少的代
表性部分(例如,在此實例中,子集650包括兩個剪輯601及604)。基於一或多個獨特圖案(例如,在此實例中為E1至E5,其可能已經如上文所描述分組)及/或其他資訊而判定代表性部分之子集650。代表性部分(剪輯)601至604之子集650經選擇以使得代表性部分之子集650中之各代表性部分(剪輯)601及604包括一或多個獨特圖案(例如,部分(剪輯)601中之E1至E3及部分(剪輯)604中之E4至E5)相對於代表性部分(剪輯)601至604之子集650中之其他代表性部分的不同配置。另外,判定651子集650中之部分(剪輯)601及604以使得最小化候選部分(剪輯)601至604之間的獨特圖案(E1至E5)的冗餘量,且子集650包括關於圖案佈局之多樣化幾何資訊。在圖6中所展示之實例中,選擇僅部分(剪輯)601及604,此係由於彼等兩個剪輯組合地包括圖案E1至E5中之各者之至少一個例項。剪輯602及603包括冗餘資訊(例如,額外例項E2、E3及E4)。
返回至圖3,在操作310處,為各種下游應用提供代表性部分之子集。在一些實施例中,操作310包括提供用於檢測或度量衡之經選擇代表性部分之子集。圖案或與該等圖案相關聯之資料可用作用於實體、半實體或經驗模型之校準資料,或用作用於訓練機器學習模型之訓練資料。與圖案相關聯之資料可為與圖案相關聯之經模擬資料或檢測或度量衡資料。在一些實施例中,經選擇代表性部分之子集中之一或多者可出於自模型產生預測(輸出)(例如,關於半導體製造程序之預測)之目的作為輸入提供至經訓練機器學習模型。提供可包括以電子方式發送、上載及/或以其他方式將代表性部分輸入至機器學習模擬模型。在一些實施例中,模擬模型可與引起其他操作302至310之指令一體地程式化(例如,使得不需要「提供」,且替代地,資料簡單地直接流至模擬模型)。
舉例而言,可將代表性部分之子集中之一或多者提供至一或多個機器學習模擬模型。模擬模型可經組態以預測一或多個幾何獨特特徵可對圖案化程式具有影響(例如,如上文所描述)。舉例而言,機器學習模型可與用於半導體微影程序及/或其他操作之光學近接校正(OPC)、熱點或缺陷預測及/或源遮罩最佳化(SMO)相關聯。如上文所描述,選擇用於訓練之剪輯之最佳子集可在模型訓練及/或執行操作期間節省運行時間及/或具有其他優點。
可基於來自此模型之輸出而對半導體製造程序進行調整。調整可包括改變例如一或多個半導體製造程序參數。調整可包括圖案參數改變(例如,大小、位置及/或其他設計變數),及/或任何可調整參數,諸如蝕刻系統、源、圖案化裝置、投影光學器件、劑量、焦點等之可調整參數。參數可自動地或以其他方式藉由處理器(例如,電腦控制器)以電子方式調整,由使用者手動地調變或以其他方式調整。在一些實施例中,可判定參數調整(例如,應改變給定參數之量),且可例如將參數自先前參數設定點調整至新參數設定點。
圖7為可用於本文中所描述之操作中之一或多者的實例電腦系統CS的圖。電腦系統CS包括用於傳達資訊之匯流排BS或其他通信機制,及與匯流排BS耦接以用於處理資訊之處理器PRO(或多個處理器)。電腦系統CS亦包括耦接至匯流排BS以用於儲存待由處理器PRO執行之資訊及指令的主記憶體MM,諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體MM亦可用於在由處理器PRO執行指令期間儲存暫時性變數或其他中間資訊。電腦系統CS進一步包括耦接至匯流排BS以用於儲存用於處理器PRO之靜態資訊及指令的唯讀記憶體(ROM)ROM或其他靜態儲
存器件。諸如磁碟或光碟之儲存器件SD經提供且耦接至匯流排BS以用於儲存資訊及指令。
電腦系統CS可經由匯流排BS耦接至用於向電腦使用者顯示資訊之顯示器DS,諸如陰極射線管(CRT),或平板或觸控面板顯示器。包括文數字及其他按鍵之輸入器件ID耦接至匯流排BS以用於將資訊及命令選擇傳達至處理器PRO。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器PRO且用於控制顯示器DS上之游標移動的游標控制件CC,諸如滑鼠、軌跡球或游標方向按鍵。此輸入器件通常在兩個軸(第一軸(例如,x)及第二軸(例如,y))上具有兩個自由度,從而允許該器件指定平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
在一些實施例中,本文中所描述之一或多種方法的部分可藉由電腦系統CS回應於處理器PRO執行主記憶體MM中所含有之一或多個指令的一或多個序列來進行。可將此等指令自另一電腦可讀媒體(諸如儲存器件SD)讀取至主記憶體MM中。主記憶體MM中所包括之指令序列的執行使得處理器PRO進行本文中所描述之程序步驟(操作)。呈多處理配置之一或多個處理器亦可用於執行主記憶體MM中所含有之指令序列。在一些實施例中,可代替或結合軟體指令而使用硬連線電路系統。因此,本文中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」指參與將指令提供至處理器PRO以供執行之任何媒體。此媒體可呈許多形式,包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟,諸如儲存器件SD。揮發性媒體包括動態記憶體,諸如主記憶體MM。傳輸媒體包括同軸纜線、銅線及光纖,包括包含匯流排BS之導線。
傳輸媒體亦可呈聲波或光波之形式,諸如在射頻(RF)及紅外(IR)資料通信期間產生之彼等聲波或光波。電腦可讀媒體可為非暫時性的,例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣。非暫時性電腦可讀媒體可具有記錄於其上之指令。該等指令在由電腦執行時可實施本文中所描述之操作中之任一者。暫時性電腦可讀媒體可包括例如載波或其他傳播電磁信號。
可在將一或多個指令之一或多個序列攜載至處理器PRO以供執行時涉及各種形式之電腦可讀媒體。舉例而言,可初始地將指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體內,且使用數據機經由電話線來發送指令。在電腦系統CS本端之數據機可接收電話線上之資料,且使用紅外傳輸器將資料轉換為紅外信號。耦接至匯流排BS之紅外偵測器可接收紅外信號中所攜載之資料且將資料置放於匯流排BS上。匯流排BS將資料攜載至主記憶體MM,處理器PRO自該主記憶體MM擷取且執行指令。由主記憶體MM接收到之指令可視情況在由處理器PRO執行之前或之後儲存於儲存器件SD上。
電腦系統CS亦可包括耦接至匯流排BS之通信介面CI。通信介面CI提供與網路鏈路NDL之雙向資料通信耦接,該網路鏈路NDL連接至區域網路LAN。舉例而言,通信介面CI可為整合服務數位網路(ISDN)卡或數據機以提供與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CI可為提供與相容LAN之資料通信連接的區域網路(LAN)卡。亦可實施無線鏈路。在任何此實施中,通信介面CI發送及接收
攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光學信號。
網路鏈路NDL通常經由一或多個網路將資料通信提供至其他資料器件。舉例而言,網路鏈路NDL可經由區域網路LAN將連接提供至主電腦HC。此可包括經由全球封包資料通信網路(現通常稱為「網際網路」INT)提供之資料通信服務。區域網路LAN(網際網路)可使用攜載數位資料串流之電信號、電磁信號或光學信號。通過各種網路之信號及在網路資料鏈路NDL上且通過通信介面CI之信號為輸送資訊的載波之例示性形式,該等信號將數位資料攜載至電腦系統CS且自該電腦系統CS攜載數位資料。
電腦系統CS可經由網路、網路資料鏈路NDL及通信介面CI發送訊息及接收資料,包括程式碼。在網際網路實例中,主機電腦HC可經由網際網路INT、網路資料鏈路NDL、區域網路LAN及通信介面CI傳輸用於應用程式之經請求程式碼。舉例而言,一個此經下載應用程序可提供本文中所描述之方法中的全部或部分。接收到之程式碼可在其被接收時由處理器PRO執行,及/或儲存於儲存器件SD或其他非揮發性儲存器中以供稍後執行。以此方式,電腦系統CS可獲得呈載波形式之應用程式碼。
圖8為根據一實施例之微影投影裝置之示意圖。微影投影裝置可包括照明系統IL、第一載物台MT、第二載物台WT及投影系統PS。照明系統IL可調節輻射光束B。在此實例中,照明系統亦包含輻射源SO。第一載物台(例如,圖案化器件台)MT可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件PS來準確地定位該圖案化器件之第一定位器。第二載物台(例如,基板台)
WT可具備用以固持基板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件PS來準確地定位該基板之第二定位器。投影系統(例如,其包括透鏡)PS(例如,折射、反射或反射折射光學系統)可將圖案化器件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。可使用例如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MA及基板W。
如所描繪,該裝置可屬於透射類型(亦即,具有透射圖案化器件)。然而,一般而言,其亦可屬於反射類型,例如(具有反射圖案化器件)。該裝置可採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、LPP(雷射產生電漿)EUV源)產生輻射光束。舉例而言,此光束直接地或在已橫穿諸如擴束器或光束遞送系統BD(包含引導鏡面、擴束器等)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(通常分別稱為σ外部及σ內部)。此外,其通常將包含各種其他組件,諸如積分器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。
在一些實施例中,源SO可在微影投影裝置之外殼內(此通常為在源SO為例如水銀燈時之情況),但其亦可遠離微影投影裝置。舉例而言,可將源產生之輻射光束(例如,藉助於合適之引導鏡面)導引至該裝置中。此後一情形可為例如在源SO為準分子雷射(例如,基於KrF、ArF或F2雷射作用)時之情況。
光束B可隨後截取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之情況下,光束B可穿過透鏡PL,該透鏡PL將光束B聚焦至基板W之目標部分C上。藉助於第二定位構件(及干涉量測構件IF),可準確地移動基板台WT,例如以使不同目標部分C定位於光束B之路徑中。類似地,例如在自圖案化器件庫機械擷取圖案化器件MA之後或在掃描期間,第一定位構件可用以相對於光束B之路徑來準確地定位圖案化器件MA。一般而言,可藉助於長衝程模組(粗略定位)及短衝程模組(精細定位)來實現載物台MT、WT之移動。然而,在步進器(相對於步進掃描工具)之情況下,圖案化器件台MT可連接至短衝程致動器,或可為固定的。
可在兩種不同模式-步進模式及掃描模式中使用所描繪工具。在步進模式中,圖案化器件台MT保持基本上靜止,且在一個操作(亦即,單次「閃光」)中將整個圖案化器件影像投影至目標部分C上。可使基板台WT在x及/或y方向上移位,使得不同目標部分C可藉由光束B輻照。在掃描模式中,除在單次「閃光」中不曝光給定目標部分C以外,基本上適用相同情形。替代地,圖案化器件台MT可以速度v在給定方向(例如「掃描方向」,或「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。同時,基板台WT以速度V=Mv在相同方向或相對方向上同時移動,其中M為透鏡之放大率(通常,M=1/4或1/5)。以此方式,可在不必損害解析度之情況下曝光相對較大的目標部分C。
圖9為可用於及/或有助於本文中所描述之操作中之一或多者的另一微影投影裝置(LPA)之示意圖。LPA可包括源收集器模組SO、經組態以調節輻射光束B(例如,EUV輻射)之照明系統(照明器)IL、支撐結
構MT、基板台WT及投影系統PS。支撐結構(例如,圖案化器件台)MT可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圖案化器件之第一定位器PM。基板台(例如,晶圓台)WT可經建構以固持基板(例如,抗蝕劑塗佈晶圓)W且連接至經組態以準確地定位基板之第二定位器PW。投影系統(例如,反射投影系統)PS可經組態以將藉由圖案化器件MA賦予至輻射光束B之圖案投影至基板W的目標部分C(例如,包含一或多個晶粒)上。
如此實例所展示,LPA可屬於反射類型(例如,採用反射圖案化器件)。應注意,由於大多數材料在EUV波長範圍內具吸收性,因此圖案化器件可具有包含例如鉬及矽之多層堆疊的多層反射器。在一個實例中,多堆疊反射器具有鉬與矽之40個層對,其中各層之厚度為四分之一波長。可利用X射線微影來產生甚至更小的波長。由於大多數材料在EUV及x射線波長下具吸收性,因此圖案化器件構形(topography)上之經圖案化吸收材料之薄片(例如,多層反射器之頂部上之TaN吸收器)界定何處將印刷(正抗蝕劑)或不印刷(負抗蝕劑)特徵。
照明器IL可自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但不一定限於利用EUV範圍內之一或多個發射譜線將材料轉換成具有至少一種元素(例如,氙、鋰或錫)之電漿狀態。在一種此方法(通常稱為雷射產生電漿(「LPP」))中,可藉由利用雷射光束照射燃料(諸如,具有譜線發射元素之材料的小滴、串流或叢集)來產生電漿。源收集器模組SO可為包括雷射(圖9中未展示)之EUV輻射系統之部分,該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射(例如,EUV輻射),該輸出輻射係使用安置於源收集器模組中之輻射收集器
來收集。舉例而言,當使用CO2雷射來為燃料激發提供雷射光束時,雷射及源收集器模組可為分離實體。在此實例中,可不認為雷射形成微影裝置之部件,且輻射光束可藉助於包含例如合適的引導鏡面及/或擴光器之光束遞送系統而自雷射傳遞至源收集器模組。在其他實例中,例如當源為放電產生電漿EUV產生器(通過稱為DPP源)時,源可為源收集器模組之整體部分。
照明器IL可包含用於調整輻射光束之角強度分佈的調整器。一般而言,可調整照明器之光瞳平面中之強度分佈之至少外部徑向範圍及/或內部徑向範圍(通常分別稱為σ外部及σ內部)。另外,照明器IL可包含各種其他組件,諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用於調節輻射光束,以在其橫截面中具有所需均一性及強度分佈。
輻射光束B可入射於固持於支撐結構(例如,圖案化器件台)MT上之圖案化器件(例如,遮罩)MA上,且藉由該圖案化器件來圖案化。在自圖案化器件(例如,遮罩)MA反射之後,輻射光束B穿過投影系統PS,該投影系統PS將光束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置感測器PS2(例如,干涉量測器件、線性編碼器或電容式感測器),可準確地移動基板台WT(例如,以使不同目標部分C定位於輻射光束B之路徑中)。類似地,第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化器件(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。
所描繪之裝置LPA可用於以下模式中之至少一者:步進模式、掃描模式及靜止模式。在步進模式中,在將賦予至輻射光束之整個圖
案一次性投影至目標部分C上時,使支撐結構(例如,圖案化器件台)MT及基板台WT保持基本上靜止(例如,單次靜態曝光)。基板台WT接著在X及/或Y方向上移位,使得可曝光不同目標部分C。在掃描模式中,在將賦予至輻射光束之圖案投影至目標部分C上時,同步地掃描支撐結構(例如,圖案化器件台)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,圖案化器件台)MT之速度及方向可藉由投影系統PS之(縮小率)放大率及影像反轉特性來判定。在靜止模式中,在將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,圖案化器件台)MT基本上保持靜止從而保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,通常採用脈衝式輻射源,且在基板台WT之各移動之後或在掃描期間之連續輻射脈衝之間視需要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,上文所提及之類型的可程式化鏡面陣列)之無遮罩微影。
圖10為圖9中所展示之微影投影裝置之詳細視圖。如圖10中所展示,LPA可包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經組態以使得可將真空環境維持於源收集器模組SO之圍封結構220中。可藉由放電產生電漿源來形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如,Xe氣體、Li蒸汽或Sn蒸汽)產生EUV輻射,其中產生熱電漿210以發射在電磁光譜的EUV範圍內之輻射。藉由例如引起至少部分離子化電漿之放電來產生熱電漿210。為了高效產生輻射,可需要例如10Pa之分壓之Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣。在一些實施例中,提供經激發錫(Sn)之電漿以產生EUV輻射。
由熱電漿210發射之輻射經由定位於源腔室211中之開口中
或後方的視情況存在之氣體障壁或污染物截留器230(在一些情況下,亦稱為污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染物截留器230亦可包括一氣體障壁,或一氣體障壁與一通道結構之組合。污染物截留器或污染物障壁截留器230(下文所描述)亦包括一通道結構。收集器腔室211可包括可為掠入射收集器之輻射收集器CO。輻射收集器CO具有一上游輻射收集器側251及一下游輻射收集器側252。橫穿收集器CO之輻射可自一光柵濾光器240反射,以沿著由線「O」指示之光軸聚焦於一虛擬源點IF中。虛擬源點IF通常稱為中間焦點,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係輻射發射電漿210之一影像。
隨後,輻射橫穿照明系統IL,該照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24,其經配置以在該圖案化器件MA處提供輻射光束21之所要角分佈,以及在圖案化器件MA處提供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處反射輻射光束21後,便形成經圖案化光束26,且經圖案化光束26藉由投影系統PS經由反射元件28、30成像至由基板台WT固持之基板W上。比所展示元件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。取決於例如微影裝置之類型,可視情況存在光柵濾光器240。此外,可存在比諸圖中所展示之彼等鏡面更多的鏡面,例如與圖10中所展示相比,投影系統PS中可存在1至6個額外反射元件。
如圖10中所繪示之收集器光學器件CO描繪為具有掠入射反射器253、254及255之巢式收集器,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可與通常稱為DPP源之放電產生電漿源組合使用。
圖11為微影投影裝置LPA(先前諸圖中所展示)之源收集器模組SO之詳細視圖。源收集器模組SO可為LPA輻射系統之部分。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中,從而產生具有數十eV的電子溫度之高度離子化電漿210。在此等離子之去激發及再組合期間所產生之高能輻射自電漿發射,由近正入射收集器光學器件CO收集,且聚焦至圍封結構220中之開口221上。
本文中所揭示之概念可模擬或數學上模型化用於子波長特徵之任何通用成像、蝕刻、研磨、檢測等系統,且可用於能夠產生愈來愈短波長之新興成像技術。新興技術包括能夠藉由使用ArF雷射來產生193nm波長且甚至能夠藉由使用氟雷射來產生157nm波長之EUV(極紫外線)、DUV微影。此外,EUV微影能夠藉由使用同步加速器或藉由利用高能電子來撞擊材料(固體或電漿)來產生在20至50nm之範圍內的波長,以便產生在此範圍內之光子。
本發明之實施例可藉由以下條項進一步描述。
1.一種在其上具有指令之非暫時性電腦可讀媒體,該等指令在由電腦執行時使得該電腦進行包含以下操作:接收圖案佈局之代表性部分之集合,其中個別代表性部分包含圖案佈局之一或多個獨特圖案;及根據用於組合地包括於代表性部分之子集中之獨特圖案的規定準則而自代表性部分之集合選擇代表性部分之子集。
2.如條項1之媒體,其中代表性部分之子集經選擇以使得子集中之代
表性部分符合第一準則,且子集中所涵蓋之獨特圖案亦符合第二準則。
3.如條項2之媒體,其中第一準則對應於子集中之規定數目個代表性部分,且其中第二準則對應於組合地包括規定數目個代表性部分中之至少臨界數目個獨特圖案。
4.如條項1至3中任一項之媒體,其中選擇代表性部分之子集包含使用集合覆蓋求解器演算法。
5.如條項4之媒體,其中圖案佈局之代表性部分之集合中之獨特圖案經組態為集合覆蓋求解器演算法中之全集中的元素。
6.如條項1至5中任一項之媒體,其中規定準則包含在經選擇代表性部分之子集中夾雜來自圖案佈局之代表性部分之集合的至少臨界數目個獨特圖案。
7.如條項1至6中任一項之媒體,其中規定準則經設定以使得包括於經選擇代表性部分之子集中之獨特圖案組合地表示圖案佈局之整體或圖案佈局之部分。
8.如條項1至7中任一項之媒體,其中規定準則包含在形成經選擇代表性部分之子集的預定數目個代表性部分中夾雜最佳多樣化獨特圖案之群組。
9.如條項8之媒體,其中最佳多樣化獨特圖案之群組包含具有幾何形狀之複數個獨特圖案,該複數個獨特圖案在給定形成經選擇子集之預定數目個代表性部分之情況下組合地表示圖案佈局的至少臨限量。
10.如條項1至9中任一項之媒體,其中圖案佈局之獨特圖案包含不同於圖案佈局中所關注之空間窗口中的其他圖案之圖案。
11.如條項10之媒體,其中獨特圖案表示跨越圖案佈局之相同或類似
圖案之群組。
12.如條項1至11中任一項之媒體,其中操作進一步包含藉由使用準確匹配、模糊匹配或叢集方法來識別圖案佈局之獨特圖案。
13.如條項1至12中任一項之媒體,其中圖案佈局之一或多個獨特圖案包含圖案佈局之幾何獨特圖案。
14.如條項1至13中任一項之媒體,其中該等操作進一步包含:接收圖案佈局之原始表示;及判定圖案佈局之代表性部分之集合以使得個別代表性部分包含圖案佈局之一或多個獨特圖案的不同組合,且獨特圖案中之至少一者包括於超過一個代表性部分中。
15.如條項1至14中任一項之媒體,其中選擇係基於圖案佈局之多邊形表示。
16.如條項1至15中任一項之媒體,其中選擇係基於圖案佈局中之圖案的影像或輪廓表示。
17.如條項16之媒體,其中圖案佈局中之圖案的影像或輪廓表示包含空中影像及/或遮罩影像。
18.如條項16或17之媒體,其中圖案佈局中之圖案的影像或輪廓表示由模擬、檢測或度量衡產生。
19.如條項1至18中任一項之媒體,其中操作進一步包含將跨越圖案佈局重複之圖案分組以判定獨特圖案,及基於經分組圖案而判定代表性部分之集合。
20.如條項1至19中任一項之媒體,其中操作進一步包含提供代表性部分之子集作為用於訓練機器學習模型之訓練資料。
21.如條項20之媒體,其中機器學習模型與用於半導體微影程序之光學近接校正(OPC)及/或源遮罩最佳化(SMO)相關聯。
22.如條項1至21中任一項之媒體,其中選擇代表性部分之子集係藉由離散最佳化器進行,且代表性部分之子集經最佳化以包括來自圖案佈局之最大量的獨特幾何形狀。
23.如條項22之媒體,其中離散最佳化器包含整數線性規劃求解器。
24.如條項1至23中任一項之媒體,其中代表性部分之子集經組態以包括形成經選擇代表性部分之子集之預定數目個代表性部分中的最佳多樣化獨特圖案之群組,其中代表性部分之子集係基於其包括之一或多個獨特圖案而分級,且其中基於等級而判定代表性部分之子集。
25.如條項24之媒體,其中代表性部分之子集係基於各代表性部分包括之一或多個獨特圖案的數量及/或罕見性而分級。
26.如條項24或25之媒體,其中預定數目個代表性部分由使用者設定。
27.如條項1至26中任一項之媒體,其中圖案佈局之代表性部分包含剪輯。
28.如條項1至27中任一項之媒體,其中圖案佈局包含用於半導體晶圓之設計佈局。
29.如條項1至28中任一項之媒體,其中代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小10至1000倍。
30.如條項29之媒體,其中代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小10至100倍。
31.一種用於選擇圖案佈局之代表性部分之子集的方法,該方法包含:接收圖案佈局之代表性部分之集合,其中個別代表性部分包含圖案佈局之一或多個獨特圖案;及根據用於組合地包括於代表性部分之子集中之獨特圖案的規定準則而自代表性部分之集合選擇代表性部分之子集。
32.如條項31之方法,其中代表性部分之子集經選擇以使得子集中之代表性部分符合第一準則,且子集中所涵蓋之獨特圖案亦符合第二準則。
33.如條項32之方法,其中第一準則對應於子集中之規定數目個代表性部分,且其中第二準則對應於組合地包括規定數目個代表性部分中之至少臨界數目個獨特圖案。
34.如條項31至33中任一項之方法,其中選擇代表性部分之子集包含使用集合覆蓋求解器演算法。
35.如條項34之方法,其中圖案佈局之代表性部分之集合中之獨特圖案經組態為集合覆蓋求解器演算法中之全集中的元素。
36.如條項31至35中任一項之方法,其中規定準則包含在經選擇代表性部分之子集中夾雜來自圖案佈局之代表性部分之集合的至少臨界數目個獨特圖案。
37.如條項31至36中任一項之方法,其中規定準則經設定以使得包括於經選擇代表性部分之子集中的獨特圖案組合地表示圖案佈局之整體或圖案佈局之部分。
38.如條項31至37中任一項之方法,其中規定準則包含在形成經選擇代表性部分之子集的預定數目個代表性部分中夾雜最佳多樣化獨特圖案之
群組。
39.如條項38之方法,其中最佳多樣化獨特圖案之群組包含具有幾何形狀之複數個獨特圖案,該複數個獨特圖案在給定形成經選擇子集之預定數目個代表性部分之情況下組合地表示圖案佈局的至少臨限量。
40.如條項31至39中任一項之方法,其中圖案佈局之獨特圖案包含不同於圖案佈局中所關注之空間窗口中的其他圖案之圖案。
41.如條項40之方法,其中獨特圖案表示跨越圖案佈局之相同或類似圖案之群組。
42.如條項31至41中任一項之方法,其中方法進一步包含藉由使用準確匹配、模糊匹配或叢集方法來識別圖案佈局之獨特圖案。
43.如條項31至42中任一項之方法,其中圖案佈局之一或多個獨特圖案包含圖案佈局之幾何獨特圖案。
44.如條項31至43中任一項之方法,其進一步包含:接收圖案佈局之原始表示;及判定圖案佈局之代表性部分之集合以使得個別代表性部分包含圖案佈局之一或多個獨特圖案的不同組合,且獨特圖案中之至少一者包括於超過一個代表性部分中。
45.如條項31至44中任一項之方法,其中選擇係基於圖案佈局之多邊形表示。
46.如條項31至45中任一項之方法,其中選擇係基於圖案佈局中之圖案的影像或輪廓表示。
47.如條項46之方法,其中圖案佈局中之圖案的影像或輪廓表示包含空中影像及/或遮罩影像。
48.如條項46或47之方法,其中圖案佈局中之圖案的影像或輪廓表示由模擬、檢測或度量衡產生。
49.如條項31至48中任一項之方法,其進一步包含將跨越圖案佈局重複之圖案分組以判定獨特圖案,及基於經分組圖案而判定代表性部分之集合。
50.如條項31至49中任一項之方法,其進一步包含提供代表性部分之子集作為用於訓練機器學習模型之訓練資料。
51.如條項50之方法,其中機器學習模型與用於半導體微影程序之光學近接校正(OPC)及/或源遮罩最佳化(SMO)相關聯。
52.如條項31至51中任一項之方法,其中選擇代表性部分之子集係藉由離散最佳化器進行,且代表性部分之子集經最佳化以包括來自圖案佈局之最大量的獨特幾何形狀。
53.如條項52之方法,其中離散最佳化器包含整數線性規劃求解器。
54.如條項31至53中任一項之方法,其中代表性部分之子集經組態以包括形成經選擇代表性部分之子集的預定數目個代表性部分中的最佳多樣化獨特圖案之群組,其中代表性部分之子集係基於其包括之一或多個獨特圖案而分級,且其中基於等級而判定代表性部分之子集。
55.如條項54之方法,其中代表性部分之子集係基於各代表性部分包括之一或多個獨特圖案的數量及/或罕見性而分級。
56.如條項54或55之方法,其中預定數目個代表性部分由使用者設定。
57.如條項31至56中任一項之方法,其中圖案佈局之代表性部分包含剪輯。
58.如條項31至57中任一項之方法,其中圖案佈局包含用於半導體晶圓之設計佈局。
59.如條項31至58中任一項之方法,其中代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小10至1000倍。
60.如條項59之方法,其中代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小10至100倍。
61.一種用於判定圖案佈局之代表性部分之子集的系統,該系統包含藉由機器可讀指令組態以進行以下操作之一或多個硬體處理器:接收圖案佈局之代表性部分之集合,其中個別代表性部分包含圖案佈局之一或多個獨特圖案;及根據用於組合地包括於代表性部分之子集中之獨特圖案的規定準則而自代表性部分之集合選擇代表性部分之子集。
62.如條項61之系統,其中代表性部分之子集經選擇以使得子集中之代表性部分符合第一準則,且子集中所涵蓋之獨特圖案亦符合第二準則。
63.如條項62之系統,其中第一準則對應於子集中之規定數目個代表性部分,且其中第二準則對應於組合地包括規定數目個代表性部分中之至少臨界數目個獨特圖案。
64.如條項61至63中任一項之系統,其中選擇代表性部分之子集包含使用集合覆蓋求解器演算法。
65.如條項64之系統,其中圖案佈局之代表性部分之集合中之獨特圖案經組態為集合覆蓋求解器演算法中之全集中的元素。
66.如條項61至65中任一項之系統,其中規定準則包含在經選擇代表
性部分之子集中夾雜來自圖案佈局之代表性部分之集合的至少臨界數目個獨特圖案。
67.如條項61至66中任一項之系統,其中規定準則經設定使得包括於經選擇代表性部分之子集中的獨特圖案組合地表示圖案佈局之整體或圖案佈局之部分。
68.如條項61至67中任一項之系統,其中規定準則包含在形成經選擇代表性部分之子集的預定數目個代表性部分中夾雜最佳多樣化獨特圖案之群組。
69.如條項68之系統,其中最佳多樣化獨特圖案之群組包含具有幾何形狀之複數個獨特圖案,該複數個獨特圖案在給定形成經選擇子集之預定數目個代表性部分之情況下組合地表示圖案佈局的至少臨限量。
70.如條項61至69中任一項之系統,其中圖案佈局之獨特圖案包含不同於圖案佈局中所關注之空間窗口中的其他圖案之圖案。
71.如條項70之系統,其中獨特圖案表示跨越圖案佈局之相同或類似圖案之群組。
72.如條項61至71中任一項之系統,其中一或多個硬體處理器進一步經組態以藉由使用準確匹配、模糊匹配或叢集方法來識別圖案佈局之獨特圖案。
73.如條項61至72中任一項之系統,其中圖案佈局之一或多個獨特圖案包含圖案佈局之幾何獨特圖案。
74.如條項61至73中任一項之系統,其中一或多個硬體處理器進一步經組態以進行以下操作:接收圖案佈局之原始表示;及
判定圖案佈局之代表性部分之集合以使得個別代表性部分包含圖案佈局之一或多個獨特圖案的不同組合,且獨特圖案中之至少一者包括於超過一個代表性部分中。
75.如條項61至74中任一項之系統,其中選擇係基於圖案佈局之多邊形表示。
76.如條項61至75中任一項之系統,其中選擇係基於圖案佈局中之圖案的影像或輪廓表示。
77.如條項76之系統,其中圖案佈局中之圖案的影像或輪廓表示包含空中影像及/或遮罩影像。
78.如條項76或77之系統,其中圖案佈局中之圖案的影像或輪廓表示由模擬、檢測或度量衡產生。
79.如條項61至78中任一項之系統,其中一或多個硬體處理器進一步經組態以將跨越圖案佈局重複之圖案群組以判定獨特圖案,及基於經分組圖案而判定代表性部分之集合。
80.如條項61至79中任一項之系統,其中一或多個硬體處理器進一步經組態以提供代表性部分之子集作為用於訓練機器學習模型之訓練資料。
81.如條項80之系統,其中機器學習模型與用於半導體微影程序之光學近接校正(OPC)及/或源遮罩最佳化(SMO)相關聯。
82.如條項61至81中任一項之系統,其中選擇代表性部分之子集係藉由由一或多個硬體處理器形成之離散最佳化器進行,且代表性部分之子集經最佳化以包括來自圖案佈局之最大量的獨特幾何形狀。
83.如條項82之系統,其中離散最佳化器包含整數線性規劃求解器。
84.如條項61至83中任一項之系統,其中代表性部分之子集經組態以
包括形成經選擇代表性部分之子集的預定數目個代表性部分中的最佳多樣化獨特圖案之群組,其中代表性部分之子集係基於其包括之一或多個獨特圖案而分級,且其中基於等級而判定代表性部分之子集。
85.如條項84之系統,其中代表性部分之子集係基於各代表性部分包括之一或多個獨特圖案的數量及/或罕見性而分級。
86.如條項84或85之系統,其中預定數目個代表性部分由使用者設定。
87.如條項61至86中任一項之系統,其中圖案佈局之代表性部分包含剪輯。
88.如條項61至87中任一項之系統,其中圖案佈局包含用於半導體晶圓之設計佈局。
89.如條項61至88中任一項之系統,其中代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小10至1000倍。
90.如條項89之系統,其中代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小10至100倍。
91.一種用於選擇用於半導體晶圓之設計佈局之剪輯之最佳化幾何多樣化集合的方法,該方法包含:接收設計佈局之完整表示;判定設計佈局之代表性剪輯之集合以使得個別代表性剪輯包含設計佈局之一或多個幾何獨特圖案的不同組合,且幾何獨特圖案中之至少一者包括於超過一個代表性剪輯中;其中判定代表性剪輯之集合包含將一或多個幾何獨特圖案分組至類
似圖案之群組中;基於一或多個幾何獨特圖案而選擇代表性剪輯之子集,代表性剪輯之子集經組態以包括:(1)最小數目個代表性剪輯中之各幾何獨特圖案;或(2)在最大數目個代表性剪輯中儘可能多的設計佈局之幾何獨特圖案;及提供代表性部分之子集作為用於訓練機器學習模型之訓練資料,其中機器學習模型與用於半導體微影程序之光學近接校正(OPC)及/或源遮罩最佳化(SMO)相關聯。
92.如條項91之方法,其中圖案之完整表示包含圖形設計系統(.GDS)檔案。
93.如條項91至92中任一項之方法,其中選擇代表性部分之子集係藉由離散最佳化器進行,該離散最佳化器包含整數線性規劃求解器,且代表性部分之子集經最佳化以包括來自圖案佈局之最大量的獨特幾何形狀。
94.如條項91至93中任一項之方法,其中代表性部分之子集經組態以包括最大數目個代表性部分中儘可能多的圖案佈局之幾何獨特圖案,其中代表性部分之子集係基於各代表性部分包括之一或多個幾何獨特圖案的數量及/或罕見性而分級,且其中基於等級而判定代表性部分之子集。
95.如條項91至94中任一項之方法,其中代表性部分之子集中之代表性部分的數目比代表性部分之集合中之代表性部分的數目小10至1000倍。
儘管本文中所揭示之概念可用於利用諸如矽晶圓之基板進行製造,但應理解,所揭示概念可供任何類型之製造系統(例如,用於在
除矽晶圓以外之基板上製造之製造系統)使用。
另外,所揭示元件之組合及子組合可包含分離實施例。舉例而言,上文所描述之操作中之一或多者可包括於分離實施例中,或其可一起包括於同一實施例中。
以上描述意欲為繪示性,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如所描述進行修改。
601:代表性部分/剪輯
602:剪輯
603:剪輯
604:代表性部分/剪輯
650:子集
651:操作
655:集合
660:視圖
665:視圖
E1:圖案
E2:圖案
E3:圖案
E4:圖案
E5:圖案
Claims (16)
- 一種其上具有指令之非暫時性電腦可讀媒體,該等指令在由一電腦執行時使得該電腦進行包含以下之一方法:接收一圖案佈局之代表性部分之一集合,其中個別代表性部分包含該圖案佈局之一或多個獨特圖案;及根據用於組合地包括於代表性部分之一子集中之獨特圖案的一規定準則而自代表性部分之該集合選擇該等代表性部分之該子集,其中該等代表性部分之該子集經選擇以使得該子集中之該等代表性部分之一數目符合一第一準則,且該子集中所涵蓋之獨特圖案之一數目符合一第二準則,其中該第一準則對應於該子集中之一規定數目個代表性部分,且其中該第二準則對應於組合地包括該等規定數目個代表性部分中之至少一臨限數目個獨特圖案。
- 如請求項1之媒體,其中選擇該等代表性部分之該子集包含使用一集合覆蓋求解器演算法,且其中該圖案佈局之代表性部分之該集合中的該等獨特圖案經組態為界定於該集合覆蓋求解器演算法中之一全集中的元素。
- 如請求項1之媒體,其中該規定準則包含在該經選擇該等代表性部分之子集中夾雜來自該圖案佈局之代表性部分之該集合的至少一臨限數目個獨特圖案。
- 如請求項1之媒體,其中該等規定準則經設定以使得包括於該經選擇代表性部分之子集中之該等獨特圖案組合地表示該圖案佈局之一整體或該圖案佈局之一部分。
- 如請求項1之媒體,其中該規定準則包含在形成該經選擇代表性部分之子集的一預定數目個代表性部分中夾雜一最佳多樣化獨特圖案之群組。
- 如請求項5之媒體,其中該最佳多樣化獨特圖案之群組包含具有幾何形狀之複數個獨特圖案,該複數個獨特圖案在給定形成該經選擇子集之該預定數目個代表性部分之情況下組合地表示該圖案佈局的至少一臨限量。
- 如請求項1之媒體,其中各獨特圖案表示跨越該圖案佈局之相同或類似圖案之一群組。
- 如請求項1之媒體,其中該方法進一步包含:接收該圖案佈局之一原始表示;及判定該圖案佈局之代表性部分之該集合以使得該等個別代表性部分包含該圖案佈局之該一或多個獨特圖案的不同組合,且該等獨特圖案中之至少一者包括於超過一個代表性部分中。
- 如請求項1之媒體,其中該選擇係基於該圖案佈局之一多邊形表示。
- 如請求項1之媒體,其中該選擇係基於該圖案佈局中之圖案之影像或 輪廓表示。
- 如請求項10之媒體,其中該圖案佈局中之圖案之該等影像或輪廓表示包含由模擬、檢測或度量衡產生之空中影像及/或遮罩影像。
- 如請求項1之媒體,其中該方法進一步包含將跨越該圖案佈局重複之圖案分組以判定該等獨特圖案,及基於經分組圖案而判定該等代表性部分之該集合。
- 如請求項1之媒體,其中該方法進一步包含提供代表性部分之該子集作為用於訓練一機器學習模型之訓練資料。
- 如請求項13之媒體,其中該機器學習模型與用於一半導體微影程序之光學近接校正(OPC)及/或源遮罩最佳化(SMO)相關聯。
- 如請求項1之媒體,其中選擇該等代表性部分之該子集係藉由一離散最佳化器進行,且該等代表性部分之該子集經最佳化以包括來自該圖案佈局之一最大量的獨特幾何形狀,且其中該離散最佳化器包含一整數線性規劃求解器。
- 如請求項1之媒體,其中該等代表性部分之該子集經組態以包括形成該經選擇代表性部分之子集之一預定數目個代表性部分中的一最佳多樣化獨特圖案之群組,其中該等代表性部分之該子集係基於其包括的該一或多 個獨特圖案而分級,且其中基於等級而判定該等代表性部分之該子集,且其中該等代表性部分之該子集係基於各代表性部分包括的該一或多個獨特圖案之一數量及/或一罕見性而分級。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021119631 | 2021-09-22 | ||
WOPCT/CN2021/119631 | 2021-09-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202405567A TW202405567A (zh) | 2024-02-01 |
TWI844942B true TWI844942B (zh) | 2024-06-11 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020187578A1 (en) | 2019-03-21 | 2020-09-24 | Asml Netherlands B.V. | Training method for machine learning assisted optical proximity error correction |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020187578A1 (en) | 2019-03-21 | 2020-09-24 | Asml Netherlands B.V. | Training method for machine learning assisted optical proximity error correction |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI757663B (zh) | 降低於機器學習模型預測中之不確定性之方法 | |
CN112384860B (zh) | 基于机器学习的逆光学邻近效应校正和过程模型校准 | |
TWI791357B (zh) | 用於選擇與圖案化程序相關聯之資料之方法及相關的非暫時性電腦可讀媒體 | |
TW201837759A (zh) | 藉由機器學習來判定製程模型之方法 | |
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 | |
TW202036169A (zh) | 藉由源及遮罩最佳化以建立理想源光譜的方法 | |
TWI667553B (zh) | 判定圖案之特性之方法 | |
TW202307722A (zh) | 蝕刻系統、模型、及製造程序 | |
TWI844942B (zh) | 用於圖案選擇之非暫時性電腦可讀媒體 | |
TWI838957B (zh) | 用於判定基於蝕刻偏差方向之蝕刻功效之非暫時性電腦可讀媒體 | |
TWI786658B (zh) | 像差影響系統、模型、及製造程序 | |
TWI839015B (zh) | 用於判定恆定寬度次解析度輔助特徵的方法、軟體、及系統 | |
TW202405567A (zh) | 圖案選擇系統及方法 | |
CN112889004B (zh) | 通过源和掩模优化创建理想源光谱的方法 | |
TW202334739A (zh) | 模擬模型穩定性判定系統及方法 | |
TW202340847A (zh) | 用於判定基於蝕刻偏差方向之蝕刻功效之系統及方法 | |
TW202333079A (zh) | 產生擴增資料以訓練機器學習模型以保持物理趨勢 | |
CN118265950A (zh) | 模拟模型稳定性确定方法 | |
CN118235087A (zh) | 基于蚀刻偏差方向确定蚀刻效果 | |
TW202338515A (zh) | 熱控制系統、模型、及微影中之製造程序 | |
WO2024037859A1 (en) | Method for radiation spectrum aware souce mask optimization for lithography | |
CN118235094A (zh) | 生成用于训练机器学习模型以保持物理趋势的增强数据 |