TWI850733B

TWI850733B - 評估經選擇圖案集合之方法

Info

Publication number: TWI850733B
Application number: TW111130689A
Authority: TW
Inventors: 孫任成; 楊豐; 劉夢; 嚴飛
Original assignee: 荷蘭商Ａｓｍｌ荷蘭公司
Priority date: 2021-09-02
Filing date: 2022-08-16
Publication date: 2024-08-01
Also published as: US20240345487A1; CN115729052A; TW202405565A; KR20240063109A; WO2023030807A1

Abstract

本發明描述用於評估一設計佈局之經選擇圖案集合之系統及方法。本文中之一方法包括：獲得(i)由一圖案選擇程序產生之一第一圖案集合、(ii)與該第一圖案集合相關聯之第一圖案資料、(iii)與該第一圖案資料相關聯之特性資料、及(iv)與一第二圖案集合相關聯之第二圖案資料。基於該特性資料而訓練一機器學習模型，其中該機器學習模型經組態以預測一輸入圖案之圖案資料。將該第二圖案集合輸入至該經訓練機器學習模型以預測該第二圖案集合之第二圖案資料。藉由比較該第二圖案資料與該經預測第二圖案資料來評估該第一圖案集合。若該評估指示圖案覆蓋率不充分，則可包括額外圖案以改良該圖案覆蓋率。

Description

評估經選擇圖案集合之方法

本文中之描述大體上係關於改良度量衡量測及微影相關程序，更特定言之，係關於用於評估用於度量衡量測之圖案集合或訓練用於圖案化程序中之模型的裝置、方法及電腦程式產品。

微影投影裝置可用於例如積體電路(IC)之製造中。在此情況下，圖案化器件(例如，遮罩)可含有或提供對應於IC之個別層的圖案(「設計佈局」)，且此圖案可藉由諸如經由圖案化器件上之圖案輻照目標部分之方法而轉印至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)上。一般而言，單一基板含有複數個相鄰目標部分，圖案藉由微影投影裝置依次地轉印至該複數個相鄰目標部分，一次一個目標部分。在一種類型之微影投影裝置中，將整個圖案化器件上之圖案一次性轉印至一個目標部分上；此類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)，故基板移動之速度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，基板可經受各種程序，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受其他程序(「曝光後程序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤及對經轉印圖案進行量測/檢測。此程序陣列用作製造器件(例如，IC)之個別層之基礎。基板可隨後經受諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械研磨等各種程序，該等程序皆意欲精整(finish off)器件之個別層。若在器件中需要若干層，則針對各層來重複整個程序或其變體。最終，基板上之各目標部分中將存在器件。隨後藉由諸如切割或鋸切之技術來使此等器件彼此分離，由此可將個別器件安裝於載體上、連接至引腳等。

因此，製造器件(諸如，半導體器件)通常涉及使用數個製造程序處理基板(例如，半導體晶圓)以形成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類層及特徵。可在基板上之複數個晶粒上製造多個器件，且隨後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來將圖案化器件上的圖案轉印至基板之光學及/或奈米壓印微影，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之抗蝕劑顯影、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。

在實施例中，例如出於進行度量衡量測及/或產生用於計算微影機器學習模型之訓練資料集之目的，提供一種用於評估來自設計佈局之經選擇圖案集合之方法。使用度量衡工具對經圖案化基板進行量測為耗時程序且影響半導體製造程序之產出量(例如，每小時所製造之晶片之數目)。通常，設計佈局上可存在需要印刷於晶片上之數百萬個圖案。在所要時間內量測所有此等圖案以滿足半導體製造程序之產出量規格為不切實際的。因此，通常自設計佈局選擇經減小圖案集合以用於量測。

此等量測可用於與圖案化程序相關之各種目的。在實施例中，量測可用於監測或調整半導體製造程序之圖案化程序。在實施例中，量測可用於模型校準或訓練與圖案化程序相關之模型。因此，即使在經減少量測之情況下亦可評估經選擇用於度量衡量測之經減小圖案集合，可達成對圖案化程序之準確控制及調整。

另外，即使在經減少量測之情況下，亦可達成準確模型校準或模型訓練。此亦有助於減少在模型校準或模型訓練期間所使用之計算時間及資源。

舉例而言，若經選擇圖案集合表示設計佈局之數百萬個圖案，或當此類圖案集合之度量衡量測用於訓練與圖案化程序相關之模型時圖案集合具有足夠的圖案覆蓋率，則經訓練模型可準確地預測經圖案化基板的特性。本發明提供用於評估一或多個經選擇圖案集合而不依賴於其度量衡資料之機制。圖案集合可各自由圖案選擇程序產生。以此方式，可在耗時的度量衡量測之前有利地進行評估。

根據一實施例，提供一種用於評估一經選擇圖案集合之方法。該方法包括：獲得(i)由一圖案選擇程序產生之一第一圖案集合、(ii)與該第一圖案集合相關聯之第一圖案資料、(iii)與該第一圖案資料相關聯之特性資料、及(iv)與一第二圖案集合相關聯之第二圖案資料。基於與該第一圖案相關聯之該特性資料而訓練一機器學習模型，其中該機器學習模型經組態以預測輸入至該機器學習模型中之一圖案的圖案資料。將該第二圖案集合輸入至該經訓練機器學習模型以預測該第二圖案集合之第二圖案資料。藉由比較該第二圖案資料與該經預測第二圖案資料來評估該第一圖案集合。該第一圖案集合包含一設計佈局之一第一複數個圖案，且該第二圖案集合包含該設計佈局之一第二複數個圖案。在一實施例中，該第二圖案集合包含一全晶片佈局。

在一實施例中，獲得該第一圖案資料涉及藉由使用該第一圖案集合作為輸入執行經組態以模擬一圖案化程序之一參考模型來產生第一輪廓或第一影像。類似地，獲得該第二圖案資料涉及藉由使用該第二圖案集合作為輸入執行經組態以模擬一圖案化程序之一參考模型來產生第二輪廓或第二影像。

在一實施例中，該第一圖案集合可為該第二圖案集合之一子集。

在一實施例中，評估該第一圖案集合涉及計算該第二圖案資料與該經預測第二圖案資料之間的一差異。在一實施例中，依據與使用該第一圖案集合訓練之該經訓練機器學習模型相關聯之一絕對誤差來判定一絕對圖案覆蓋率。在一實施例中，可依據一相對誤差來判定一相對圖案覆蓋率，該相對誤差為與使用該第一圖案集合訓練之該經訓練機器學習模型相關聯之一第一誤差範圍與同另一圖案集合相關聯之一第二誤差範圍之間的一比較。

在一實施例中，可判定該設計佈局內之風險圖案。該等風險圖案與突破一所要誤差臨限值之模型預測誤差相關聯。此等風險圖案可補充至該第一圖案集合以改良該圖案覆蓋率。

一旦評估經選擇圖案集合具有充足覆蓋率，則可出於與圖案化程序或度量衡程序相關之各種目的採用經選擇圖案集合。舉例而言，經選擇圖案集合可用於經由度量衡工具捕獲經圖案化基板之量測。有利地，經選擇圖案改良度量衡產出量。作為另一實例，經選擇圖案集合可用於訓練與圖案化程序相關之ML模型。

根據一實施例，提供一種包含一非暫時性電腦可讀媒體的電腦系統，該非暫時性電腦可讀媒體上記錄有指令。該等指令在由一電腦執行時實施上文之方法步驟。

10A:微影投影裝置

12A:輻射源

14A:光學器件

16Aa:光學器件

16Ab:光學器件

16Ac:投射光學器件

18A:圖案化器件

20A:孔徑

21:輻射光束

22:琢面化場鏡面期間

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

31:源模型

32:投影光學器件模型

33:設計佈局

35:設計佈局模型

36:空中影像

37:抗蝕劑模型

38:抗蝕劑影像

210: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:污染物阱

240:光柵濾光片

251:上游輻射收集器側

252:下游輻射收集器側

253:掠入射反射器

254:掠入射反射器

255:掠入射反射器

301:操作

303:操作

305:操作

308:操作

400:方法

501:第一給定圖案集合

503:圖案集合

505:圖案集合

507:圖案集合

AD:調整構件

B:輻射光束

BS:匯流排

C:目標部分

CC:游標控制件

CHD1:特性資料

CI:通信介面

CO:聚光器/輻射收集器

CS:電腦系統

CS1:第一輪廓

CS2:第二輪廓

DS:顯示器

ER1:誤差範圍

ER11:誤差範圍

ER12:誤差範圍

ER13:誤差範圍

Ex:光束擴展器

GP1:給定圖案集合/第一圖案集合/經減小圖案集合

HC:主電腦

ID:輸入器件

IF:干涉量測構件/虛擬源點

IL:照射系統

IN:積分器

INT:網際網路

LA:雷射器

LAN:區域網路

LPA:裝置

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:第一物件台/圖案化器件台/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

P401:程序

P403:程序

P405:程序

P407:程序

PB:光束

PCS2:經預測第二輪廓

PL:透鏡

PM:第一定位器

PRO:處理器

PS:投影系統

PS1:第一圖案集合/位置感測器

PS2:第二圖案集合/位置感測器

PW:第二定位器

REFM1:參考模型

ROM:唯讀記憶體

RP1:風險圖案

RP2:風險圖案

RP3:風險圖案

SD:儲存器件

SO:輻射源/源收集器模組

SP1:圖案集合

SP2:圖案集合

SP3:圖案集合

SP4:圖案集合

SP5:圖案集合

SP6:圖案集合

SP11:圖案集合

SP12:圖案集合

SP13:圖案集合

SP21:圖案集合

SP22:圖案集合

SP23:圖案集合

SP24:圖案集合

SP25:圖案集合

SP26:圖案集合

TM1:條形

TML1:經訓練ML模型

V1:C2C差異

V2:C2C差異

V3:C2C差異

V4:C2C差異

V5:C2C差異

V6:C2C差異

V7:基線模型誤差

W:基板

WT:第二物件台/基板台

併入本說明書中且構成本說明書之一部分之隨附圖式展示本文中所揭示之主題的某些態樣，且與描述一起有助於解釋與所揭示實施例相關聯之一些原理。在圖式中，圖1說明根據實施例之微影投影裝置之各種子系統之方塊圖。

圖2說明根據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為根據實施例之設計佈局之給定圖案集合之評估程序的方塊圖。

圖4為根據實施例之用於評估設計佈局之給定圖案集合(例如，圖案之子集)之方法的例示性流程圖。

圖5為根據實施例之與不同經選擇圖案集合相關聯之輪廓對輪廓缺陷大小的盒狀圖。

圖6說明根據實施例之基於缺陷大小之絕對及相對圖案覆蓋率檢查，該缺陷大小與自不同圖案選擇程序獲得之不同圖案集合相關聯。

圖7說明根據實施例之基於輪廓對輪廓誤差範圍之不同圖案集合之相對比較，其中不同圖案集合自不同圖案選擇程序獲得。

圖8說明根據實施例之基於經訓練機器學習模型誤差而識別風險圖案。

圖9為根據實施例之實例電腦系統之方塊圖。

圖10為根據實施例之例示性極紫外(EUV)微影投影裝置的示意圖。

圖11為根據實施例之另一微影投影裝置之示意圖。

圖12為根據實施例之圖11中之例示性裝置的更詳細視圖。

圖13為根據實施例之圖11及圖12之裝置之源收集器模組的更詳細視圖。

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、用於磁疇記憶體之引導及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者應瞭解，在此等替代應用之情況下，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被視為分別可與更一般之術語「遮罩」、「基板」及「目標部分」互換。

在本文件中，術語「輻射」及「光束」可用於涵蓋所有類型之電磁輻射，包括紫外輻射(例如，具有365、248、193、157或126nm 之波長)及極紫外輻射(EUV，例如具有在約5至100nm範圍內的波長)。

圖案化器件可包含或可形成一或多個設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局，此程序常常稱為電子設計自動化(EDA)。大多數CAD程式遵循預定設計規則集合，以便產生功能設計佈局/圖案化器件。由處理及設計限制設定此等規則。舉例而言，設計規則界定器件(諸如，閘極、電容器等)或互連線之間的間隔容許度，以便確保器件或線不會以不合意的方式彼此相互作用。設計規則限制中之一或多者可稱為「臨界尺寸」(CD)。可將器件之臨界尺寸界定為線或孔之最小寬度或兩條線或兩個孔之間的最小間隔。因此，CD判定所設計器件之總體大小及密度。當然，器件製造之目標中之一者係在基板上如實地再現初始設計意圖(經由圖案化器件)。

如本文中所採用之術語「遮罩」或「圖案化器件」可廣泛地解釋為指可用於向入射輻射光束賦予經圖案化橫截面之通用圖案化器件，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」亦可用於此上下文中。除經典遮罩(透射性或反射性；二元、相移、混合式等)以外，其他此類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，可自經反射光束濾出該非繞射輻射，從而僅留下繞射輻射；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。可使用合適的電子構件來進行所要矩陣定址。

可程式化LCD陣列之實例在以引用的方式併入本文中之美國專利第5,229,872號中給出。

圖1說明根據實施例之微影投影裝置10A之各種子系統之方塊圖。主要組件為：輻射源12A，其可為深紫外準分子雷射源或包括極紫外(EUV)源之其他類型的源(如上文所論述，微影投影裝置本身無需具有輻射源)；照射光學器件，其例如定義部分相干性(標示為標準差(sigma))且可包括塑形來自源12A之輻射的光學器件14A、16Aa及16Ab；圖案化器件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可限制照射於基板平面22A上之光束角度之範圍，其中最大可能角度界定投影光學器件之數值孔徑NA=n sin(Θ_max)，其中n為基板與投影光學器件之最後一個元件之間的媒體之折射率，且Θ_max為自投影光學器件離開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，源將照射(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射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。抗蝕劑模型可用於自空中影像計算抗蝕劑影像，可在美國專利申請公開案第US 2009-0157630號中找到此之實例，該公開案之揭示內容特此以全文引用之方式併入本文中。抗蝕劑模型僅與抗蝕劑層之屬性(例如，在曝光、曝光後烘烤(PEB)及顯影期間發生之化學程序之效應)相關。微影投影裝置之光學屬性(例如，照射、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，因此可能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。用於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、2007-0050749、2007-0031745、2008-0309897、2010-0162197及2010-0180251號中，前述各案之揭示內容特此以全文引用之方式併入。

根據本發明之實施例，一或多個影像可使用對應於各像素之像素值(例如，強度值)的各種類型之信號產生。取決於影像內的像素之相對值，信號可稱為例如弱信號或強信號，如一般熟習此項技術者可理解。術語「強」及「弱」為基於影像內之像素之強度值的相對術語，且強度之具體值可能並不限制於本發明之範疇。在實施例中，強信號及弱信號可基於經選擇臨限值而識別。在實施例中，臨限值可為固定的(例如，影像內的像素之最高強度與最低強度的中點)。在實施例中，強信號可指具有大於或等於影像內之平均信號值之值的信號，且弱信號可指具有小於平均信號值之值的信號。在實施例中，相對強度值可基於百分比。舉例而言，弱信號可為具有小於影像內的像素之最高強度(例如，對應於目標圖案之像素可視為具有最高強度之像素)的50%的強度之信號。此外，影像內之各像素可視為變數。根據本實施例，導數或偏導數可相對於影像內之各像素判定，且各像素之值可根據基於成本函數之評估及/或成本函數之基於梯度的計算來判定或修改。舉例而言，CTM影像可包括像素，其中各像素為可採用任何實數值之變數。

圖2說明根據實施例之用於模擬微影投影裝置中之微影的例示性流程圖。源模型31表示源之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學器件模型32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/或相位分佈之變化)。設計佈局模型35表示設計佈局之光學特性(包括由設計佈局33引起之輻射強度分佈及/或相位分佈之變化)，該設計佈局為在圖案化器件上或由圖案化器件形成之特徵配置的表示。可自源模型31、投影光學器件模型32及設計佈局模型35模擬空中影像36。可使用抗蝕劑模型37自空中影像36模擬抗蝕劑影像38。微影之模擬可例如預測抗蝕劑影像中之輪廓及CD。

更具體言之，應注意，源模型31可表示源之光學特性，該等光學特性包括但不限於數值孔徑設定、照射標準差(σ)設定，以及任何特定照射形狀(例如，離軸輻射源，諸如環形、四極、偶極等)。投影光學器件模型32可表示投影光學器件之光學特性，該等光學特性包括像差、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。設計佈局模型35可表示物理圖案化器件之一或多個物理屬性，如例如在以全文引用的方式併入的美國專利第7,587,704號中所描述。模擬之目標為準確地預測例如邊緣置放、空中影像強度斜率及/或CD，其可隨後與預期設計進行比較。預期設計一般定義為可以諸如GDSII或OASIS之標準化數位檔案格式或其他檔案格式提供之預OPC設計佈局。

自此設計佈局，可識別稱為「剪輯」之一或多個部分。在實施例中，提取剪輯集合，其表示設計佈局中之複雜圖案(通常為約50至1000個剪輯，但可使用任何數目個剪輯)。此等圖案或剪輯表示設計之小部分(亦即，電路、單元或圖案)，且更具體言之，該等剪輯通常表示需要特別注意及/或驗證的小部分。換言之，剪輯可為設計佈局之部分，或可為類似的或具有設計佈局之部分的類似行為，其中一或多個臨界特徵藉由經驗(包括由客戶提供之剪輯)、試誤法或運行全晶片模擬來予以識別。剪輯可含有一或多個測試圖案或量規圖案。

可由客戶基於設計佈局中需要特定影像最佳化之一或多個已知臨界特徵區域而先驗地提供初始較大剪輯集合。替代地，在另一實施例中，可藉由使用識別一或多個臨界特徵區域之某種自動(諸如，機器視覺)或手動演算法自整個設計佈局提取初始較大剪輯集合。可出於與圖案化程序或度量衡量測相關之不同目的而進一步使用此等剪輯或其中之經減少圖案集合。

如本文中所使用，術語「圖案化程序」通常意謂藉由施加光之指定圖案作為微影程序之部分來產生經蝕刻基板的程序。然而，「圖案化程序」亦可包括電漿蝕刻，此係由於本文中所描述的許多特徵可為使用電漿處理形成經印刷圖案提供益處。

如本文中所使用，術語「設計圖案」或「目標圖案」意謂待蝕刻於基板上之理想化圖案。術語「目標佈局」指包含一或多個目標圖案的設計佈局。

如本文所使用，術語「經印刷圖案」或「經圖案化基板」意謂基板上基於目標圖案成像及/或蝕刻的實體圖案。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「程序模型」意謂包括模擬圖案化程序之一或多個模型的模型。舉例而言，程序模型可包括光學模型(例如，其模型化用於在微影程序中遞送光的透鏡系統/投影系統且可包括模型化進入光阻的光之最終光學影像)、抗蝕劑模型(例如，其模型化抗蝕劑之物理效應，諸如歸因於光之化學效應)，及OPC模型(例如，其可用於修改目標圖案以包括子解析度抗蝕劑特徵(SRAF)等)。

時常，在訓練圖案化程序模型、控制圖案化程序或其他應用或其他半導體製造相關程序中，選擇且使用設計佈局之圖案之子集以便以改良度量衡量測之產出量。作為實例，經減少圖案集合減少度量衡量測或模型化時間且改良產出量。舉例而言，為了改良圖案化程序及圖案化準確度，使用目標圖案、遮罩圖案、基板影像等來訓練程序模型。OPC程序可包括一或多個經訓練模型以產生較佳遮罩圖案，諸如光學模型、遮罩模型、抗蝕劑模型、蝕刻模型等。舉例而言，藉由機器學習輔助之OPC顯著地改良全晶片輔助特徵(例如，SRAF)置放的準確度，同時保持控制遮罩設計的一致性及運行時間。深度卷積類神經網路(DCNN)可使用目標佈局或其中之目標圖案以及對應連續傳輸遮罩(CTM)影像來訓練。此等CTM影像使用反相遮罩最佳化模擬程序來最佳化。CNN產生之SRAF導引地圖隨後用於將SRAF置放於全晶片設計佈局上。

當選擇圖案集合用於訓練時，合乎需要的係選擇對於模型將為最具資訊性的圖案集合。當前，若干方法可用於圖案選擇。舉例而言，圖案散列技術可為快速的，但在準確匹配方面(而非捕獲圖案類似性)最佳地起作用。在另一實例中，基於無監督影像之圖案成像技術(例如，基於自動編碼器)可捕獲更高多維潛在間隔中之圖案類似性。在基於模型模擬之圖案分類及選擇技術中，可使用自模型模擬視角結合類似性的空中影像或抗蝕劑影像參數間隔。

本發明提供一種在收集晶圓度量衡資料之前評估藉由設計佈局之經選擇圖案集合或經減少圖案集合來達成之效能的機制。評估可用於驗證圖案覆蓋率、評估圖案選擇程序、比較不同經選擇圖案集合或改良圖案覆蓋率。有利的係，評估經選擇圖案集合可深入觀察經選擇圖案集合是否具有設計佈局之足夠好的圖案覆蓋率，是否應添加更多圖案以改良圖案覆蓋率或改良圖案化程序或度量衡程序之其他態樣。作為實例，改良圖案覆蓋率轉而將使度量衡量測更有效。作為另一實例，改良圖案覆蓋率將改良訓練時間以及由經訓練程序模型進行之預測的品質。舉例而言，經訓練程序模型可準確地預測用於整個設計佈局之經圖案化基板的輪廓。

在本實施例中，提供用於評估設計佈局之經選擇圖案集合之機制。舉例而言，圖3為根據實施例之藉由訓練及執行機器學習模型來評估設計佈局之給定圖案之程序的方塊圖。

在實施例中，設計佈局之圖案之子集可藉由任何合適的方式獲得。舉例而言，設計佈局之圖案之子集可由使用者提供或使用圖案選擇程序選擇。設計佈局之圖案之子集可稱為設計佈局之給定圖案集合GP1、第一圖案集合GP1或經減少圖案集合GP1。參考模型可應用於給定圖案集合GP1以產生或提取用於訓練機器學習(ML)模型之圖案資料。舉例而言，圖案資料可包括經模擬輪廓、用於量測圖案之特性的量規、與圖案之物理特性相關聯之統計資料、圖案之個別位置、具有其他圖案的圖案之相對位置或可用於訓練ML模型之其他圖案相關資料。經訓練ML模型可用於與圖案化程序相關之不同應用。

在實施例中，參考模型可產生給定圖案集合GP1之經模擬輪廓，自該給定圖案集合GP1導出量規資料。量規資料隨後用作用於訓練ML模型之訓練資料。經訓練ML模型隨後應用於第二圖案集合以產生或提取第二圖案資料(例如，輪廓或其他預測結果)。第二圖案集合不同於給定圖案集合GP1，且可為比給定圖案集合GP1顯著更大之圖案集合，例如全晶片資料集。參考模型亦應用於第二圖案集合以產生對應第一圖案資料。比較由兩個模型產生之第一圖案資料，且該差異用於相對於ML模型訓練評估給定圖案集合GP1。在一些實施例中，兩個模型經組態以預測第二圖案集合之輪廓。兩個模型之間的第二資料集之輪廓對輪廓比較用於圖案覆蓋率評估。

更具體言之，如圖3中所展示，在操作301處，與圖案化程序相關聯之參考模型REFM1可應用於給定圖案集合GP1以產生給定圖案集合GP1的經模擬輪廓。本發明不限於模型之任何特定形式之輸入資料。取決於REFM1之實施及組態，輸入資料可為目標圖案之多邊形或圖案集合GP1之經呈現影像。參考模型REFM1可包括但不限於光學器件模型、遮罩模型、抗蝕劑模型、蝕刻模型等中之一或多者。參考模型可為經訓練機器學習模型或經校準非機器學習模型(例如，基於實體之模型或經驗模型)。在一些其他實施例中，在301處，可自在先前經圖案化基板之量測期間捕獲之度量衡資料(例如，影像)獲得給定圖案集合GP1的輪廓，且度量衡資料儲存於資料庫中。

在操作303處，量規經組態以提取與圖案相關聯之特性資料。舉例而言，量規可為邊緣置放(EP)量規或置放於輪廓處之點，例如特性化輪廓之形狀及/或大小。作為另一實例，量規可為臨界尺寸量規(CD量規)，量規經組態以量測圖案之間距、間隔、曲率或其他物理特性。

在操作305處，量規可用於訓練ML模型，使得經訓練ML模型緊密地匹配參考資料，諸如參考模型REFM1之輸出。機器學習模型可為卷積類神經網路或任何其他合適的模型組態。本發明不限於特定機器學習模型。機器學習模型可使用諸如監督或無監督學習之ML演算法來訓練。作為實例，ML模型(例如，CNN或DCNN)藉由使用經模擬EP量規資料來訓練。換言之，經訓練ML經組態以模擬參考模型REFM1之輸出。

在操作308處，經訓練ML模型可應用於預測不同於GP1之第二圖案集合之輪廓。在不脫離本發明之範疇的情況下，第二資料集包括任何數目個圖案。在一些實施例中，其可顯著大於GP1。在一些實施例中，第二圖案集合可為全晶片佈局。此外，可應用參考模型REFM1以針對第二圖案集合產生第二輪廓集合。ML預測之輪廓可與參考模型所產生之輪廓比較以評估用作給定圖案集合GP1之效能評估的機器學習模型之效能。舉例而言，參考模型所產生之輪廓與經訓練ML模型所產生之輪廓之間的全晶片輪廓對輪廓(C2C)比較用於特性化GP1之圖案覆蓋率。

作為實例，若給定圖案集合GP1具有良好圖案覆蓋率特性，則經訓練ML模型可為設計佈局之未包括於給定圖案集合中的新圖案提供良好預測。舉例而言，若設計佈局包含大於1百萬個圖案，而給定圖案集合GP1包括表示1百萬個圖案之10,000個圖案，則經訓練ML模型可針對1百萬個圖案進行良好預測(例如，可圖案化於基板上之輪廓)。換言之，經訓練ML模型之預測將與低誤差值相關聯。舉例而言，誤差值之特性可為ML預測之輪廓與參考輪廓(例如，由參考模型REFM1產生)之間的C2C差異。誤差值之特徵可為均方根(RMS)、標準偏差、範圍(例如，最小值與最大值之間)、誤差值之分佈或其他方法以特性化與模型預測相關聯之誤差。

另一方面，若給定圖案集合GP1具有不良圖案覆蓋率，則經訓練ML模型可為未包括於第一圖案集合中之新圖案提供不良預測。換言之，經訓練ML模型之預測相對於參考模型預測將與高誤差值相關聯。舉例而言，ML預測之輪廓與參考輪廓之間的C2C差異將較高。

圖5說明在使用不同給定圖案訓練不同ML模型時特性化圖案覆蓋率之例示性度量。度量可為全晶片集合之C2C差異、誤差值之RMS、標準偏差等。在本論述中，在不將本發明之範疇限制為特定度量的情況下，使用C2C差異作為實例。第一給定圖案集合501可用於訓練ML模型。當經訓練ML模型應用於全晶片佈局時，C2C差異(例如，ML預測之輪廓與參考輪廓之間)可能較高。該圖提供離群值之視覺化。在實施例中，顯著遠離平均值之值可為離群值。舉例而言，值大於1或小於-2.5。此等離群值可對應於未包括於第一給定圖案集合501中之圖案。因此，指示給定圖案集合501並不具有充分圖案覆蓋率且應包括額外圖案以改良圖案覆蓋率。類似地，不同ML模型可分別使用圖案集合503、505及507訓練，且可評估各別C2C差異以判定各別圖案集合之圖案覆蓋率效能。在一些實施例中，比較ML模型之評估結果以選擇對應最佳圖案集合。

在實施例中，C2C結果亦可識別與高模型誤差相關聯之離群值圖案。此等經識別C2C離群值圖案可添加至給定圖案集合GP1作為訓練資料以用於重新訓練ML模型或訓練新ML模型。相對於圖4至圖8進一步詳細論述給定圖案集合GP1或第一圖案集合之評估。

圖4為根據實施例之用於評估設計佈局之經選擇圖案集合相對於機器學習模型訓練之效能的方法400之例示性流程圖。在實施例中，評估係基於ML模型之訓練以預測任何輸入圖案之特性(例如，輪廓)。相對於程序P401、P403、P405及P407論述方法400之實例實施。

程序P401涉及獲得與將用於訓練ML模型之第一圖案集合 PS1相關聯之資料。第一圖案集合PS1為待評估之圖案。在實施例中，程序P401涉及獲得由圖案選擇程序產生之第一圖案集合PS1，及與第一圖案集合PS1相關聯之第一圖案資料(例如，第一輪廓CS1)。本論述使用輪廓作為例示性圖案資料以用於解釋本發明之概念。然而，本發明之範疇不限於輪廓，且可使用其他形式之圖案資料(例如，影像)。針對圖案集合(a set of pattern/pattern set)產生或提取之圖案資料可取決於ML模型之輸入及輸出的組態。可自由對應模擬或模型化產生之遮罩影像、空中影像、蝕刻後影像，或顯影後影像導出圖案資料(輪廓、量規資料或影像)。

在實施例中，程序P401可進一步涉及獲得與第一輪廓CS1相關聯之特性資料CHD1。在實施例中，特性資料CHD1可用於訓練ML模型。在實施例中，程序P401可進一步涉及獲得與第二圖案集合PS2(例如，全晶片佈局)相關聯之第二圖案資料(例如，第二輪廓CS2)。在實施例中，第一圖案集合PS1及第二圖案集合PS2係選自同一設計佈局。然而，在一些其他實施例中，圖案集合PS1及PS2可包括於不同設計佈局中。

在實施例中，第一圖案集合PS1可為選自設計佈局之第二圖案集合PS2之子集。在實施例中，第一圖案集合PS1及第二圖案集合PS2可包括選自設計佈局之幾個共同圖案。在實施例中，第一圖案集合PS1可不同於第二圖案集合PS2，但兩個集合均選自設計佈局。在實施例中，第一圖案集合PS1包含設計佈局之第一複數個圖案，且第二圖案集合PS2包含設計佈局之第二複數個圖案。在實施例中，第二圖案集合PS2包含比第一圖案集合PS1更多之圖案。在實施例中，第二圖案集合PS2包含全晶片佈局。

在實施例中，獲得第一輪廓CS1涉及藉由使用第一圖案集合PS1作為輸入執行經組態以模擬圖案化程序之參考模型REFM1來產生第一輪廓CS1。在實施例中，獲得第二輪廓CS2涉及藉由使用第二圖案集合PS2作為輸入執行經組態以模擬圖案化程序之參考模型REFM1來產生第二輪廓CS2。

在實施例中，參考模型REFM1包含特性化圖案化程序之一或多個構成模型。舉例而言，參考模型REFM1可包括但不限於光學器件模型、遮罩模型、抗蝕劑模型、蝕刻模型、ML抗蝕劑模型、ML蝕刻模型等。因此，第一輪廓CS1及第二輪廓CS2可為例如基板級之抗蝕劑輪廓或蝕刻輪廓。在實施例中，第一輪廓CS1及第二輪廓CS2可為空中影像輪廓、遮罩影像輪廓。如本文中所提及，本發明之範疇不限於輪廓，且可針對圖案集合產生或自圖案集合提取其他類型之圖案資料。在實施例中，參考模型REFM1可為非機器學習模型，諸如基於物理及/或經驗之模型。

在另一實施例中，獲得第一輪廓CS1及第二輪廓CS2涉及自先前由度量衡工具捕獲且儲存於資料庫中之先前經圖案化基板之影像獲得輪廓。在實施例中，此類先前經圖案化基板可包括設計佈局之第一圖案集合PS1及第二圖案集合PS2。

在實施例中，特性資料CHD1可為自第一輪廓CS1產生之量規。在實施例中，量規可經組態以量化圖案之一或多個物理特性。舉例而言，量規可為：位於沿著第一輪廓CS1之輪廓的複數個位置處之邊緣置放量規；經組態以量測第一輪廓CS1之CD值之臨界尺寸(CD)量規；經組態以量測線之量規；經組態以量測間隔之量規；經組態以量測尖端至尖端結構之量規；及/或經組態以量測輪廓差異之量規。

程序P403涉及基於與第一輪廓CS1相關聯之特性資料 CHD1而訓練ML模型。ML模型經組態以回應於圖案輸入而預測輪廓。在實施例中，現有機器學習演算法(例如，監督或無監督學習技術)可用於訓練ML模型。ML模型可為但不限於卷積類神經網路(CNN或DCNN)。舉例而言，CNN之訓練可採用成本函數以判定CNN之不同層的權重。作為實例，成本函數可為EP量規之函數。在訓練程序期間，可將EP量規或給定圖案集合輸入至CNN，且CNN產生經預測輪廓。基於經預測輪廓，可評估諸如經預測輪廓與參考輪廓之間的邊緣置放誤差之成本函數，且可調整權重以最小化(或最大化)成本函數。在訓練ML模型之後，ML模型可稱為經訓練ML模型TML1。

程序P405涉及藉由將第二圖案集合PS2輸入至經訓練ML模型TML1來產生第二圖案集合PS2之經預測第二輪廓PCS2。

程序P407涉及藉由比較第二輪廓CS2與經預測第二輪廓PCS2來評估第一圖案集合PS1。在實施例中，評估第一圖案集合PS1涉及計算第二輪廓CS2與經預測第二輪廓PCS2之間的差異。在實施例中，第二輪廓CS2可與全晶片佈局相關聯，且經預測第二輪廓PCS2可藉由將全晶片佈局輸入至經訓練ML模型TML1來預測。基於此等輪廓，第一圖案集合PS1可例如基於與輪廓CS2與輪廓PCS2之間的C2C差異相關聯之統計資料(例如，離群值、變化、平均值、中位值、分佈等)而評估。

在實施例中，評估第一圖案集合PS1涉及判定差異是否突破差異臨限值(例如，使用者定義或基於統計資料)；且回應於差異未突破差異臨限值，將第一圖案集合PS1分類為具有良好圖案覆蓋率。因此，第一圖案PS1可視為可接受的以用於進行度量衡以便節省度量衡時間，同時獲得用於改良圖案化程序之良好度量衡量測。

在實施例中，評估第一圖案集合PS1涉及依據與使用第二圖案集合PS2直接訓練之經訓練機器學習模型相關聯之絕對誤差來判定絕對圖案覆蓋率。在實施例中，評估第一圖案集合PS1涉及依據相對誤差判定相對圖案覆蓋率。舉例而言，相對誤差可為與使用第一圖案集合PS1訓練之經訓練機器學習模型相關聯之第一誤差範圍與同使用另一圖案集合之另一經訓練機器學習模型相關聯之第二誤差範圍之間的比較。

圖6說明根據實施例之基於C2C誤差之絕對及相對圖案覆蓋率檢查，其中C2C誤差與自不同圖案選擇程序獲得之不同圖案集合相關聯。在圖6中，條形TM1對應於與經訓練機器學習模型(例如，TML1)相關聯之基線模型誤差。在實施例中，基線模型誤差指在全晶片圖案集合用於訓練ML模型時ML模型預測之誤差。舉例而言，全晶片圖案可用作參考模型之輸入以產生經模擬輪廓及對應量規。此等量規可用於訓練ML模型。經訓練ML模型可進一步應用於全晶片圖案以預測可印刷於基板上之輪廓。當計算經預測輪廓與經模擬輪廓(來自參考模型)之間的C2C差異時，差異應理想地為零。然而，可能存在小的非零C2C差異，其稱為基線模型誤差。在本實例中，條形TM1對應於此類基線模型誤差。

在圖6中所說明之實例中，當第一圖案集合用於訓練ML模型時，第一條形SP1對應於經訓練ML模型預測之輪廓與參考輪廓之間的C2C差異。舉例而言，第一圖案集合可包括選自DRAM設計佈局之1500個圖案(使用第一圖案選擇方法)的大致200個圖案。類似地，當第二圖案集合用於訓練ML模型時，第二條形SP2對應於經訓練ML模型預測之輪廓與參考輪廓之間的C2C差異。舉例而言，第二圖案集合可包括選自DRAM設計佈局之1500個圖案(使用第二圖案選擇方法)的大致200個圖案。類似地，當不同圖案集合用於訓練ML模型時，第三條形SP3、第四條形SP4、第五條形SP5及第六條形SP6中之各者對應於經訓練ML模型預測之輪廓與參考輪廓之間的C2C差異。圖案集合中之各者使用不同方法選擇且可包括相同或不同數目個圖案。

在實施例中，分別對應於圖案集合SP1、SP2、SP3、SP4、SP5及SP6之C2C差異V1、V2、V3、V4、V5及V6之絕對值可指示與各別圖案集合相關聯的絕對誤差。需要低絕對誤差(例如，接近於基線模型誤差)，此係由於其指示良好圖案覆蓋率由特定圖案集合提供。在實施例中，臨限誤差值可經設定以用於與個別模型誤差比較以評估特定圖案集合是否提供良好圖案覆蓋率。

在實施例中，值V1至V6中之各者可與基線模型誤差V7比較以相對於基線模型誤差評估與特定圖案相關聯之相對誤差。在實施例中，與接近於基線模型誤差之錯誤值相關聯之圖案集合指示圖案集合提供良好圖案覆蓋率。舉例而言，第四圖案集合(對應於條形SP4)與實質上接近值V7之錯誤值V4相關聯。因此，第四圖案集合可視為提供良好圖案覆蓋率。在實施例中，可分析值V1至V6之間的相對誤差。在不同圖案集合當中，誤差相對比其他低之圖案集合可視為具有較佳圖案覆蓋率。

圖7說明基於誤差範圍而評估經選擇圖案集合之絕對及相對圖案覆蓋率特性的另一方法。類似於圖6中之論述，可判定與使用全晶片圖案訓練之經訓練ML模型相關聯之參考誤差範圍(例如，C2C差異範圍)。舉例而言，在圖7中，參考誤差範圍可表示為ER1。在實施例中，誤差範圍為在正最大誤差值與負最大誤差值之間的範圍。可判定與各不同的經選擇圖案集合相關聯之誤差範圍。舉例而言，可基於經訓練模型預測之輪廓與參考輪廓之間的C2C差異而計算誤差範圍。舉例而言，圖案集合SP11可與誤差範圍ER11相關聯，另一圖案集合SP12可與誤差範圍ER12相關聯，且又一圖案集合SP13可與誤差範圍ER13相關聯。圖7說明與範圍ER11及ER12比較誤差範圍ER13較小，指示與其他圖案集合比較圖案集合SP13提供較佳圖案覆蓋率。誤差範圍ER13實質上亦接近於誤差範圍ER1，指示圖案集合SP13很可能為全晶片圖案提供充足圖案覆蓋率。

返回參考圖4，在程序P407處，根據實施例，評估第一圖案集合PS1涉及判定設計佈局內的風險圖案。在實施例中，風險圖案指易於藉由參考模型、基線ML模型或與圖案化程序相關之其他模型預測誤差的圖案。在實施例中，風險圖案可標記為離群值(例如，與突破風險臨限值之差值相關聯)。在實施例中，此類風險圖案可包括於第一圖案集合中以改良圖案覆蓋率。

圖8說明根據實施例之基於由經訓練機器學習模型產生之誤差而識別風險圖案。在實施例中，風險圖案指易於藉由參考模型、基線ML模型或與圖案化程序相關之其他模型預測誤差的圖案。在實施例中，離群值誤差值之特徵可為參考輪廓與ML預測之輪廓之間的C2C差異。在實施例中，離群值誤差值可基於標準偏差、比較該等值與平均值(實例臨限值)或其他統計方法而識別以判定資料集中的離群值。

在圖8中，標繪經訓練ML模型所產生之輪廓與參考輪廓之間的C2C差異以用於視覺參考。如本文所論述，C2C差異可使用經訓練ML模型計算，該經訓練ML模型使用諸如SP21、SP22、SP23、SP24、SP25或SP26之經選擇圖案集合來訓練。對於各經選擇圖案集合SP21至SP26，可訓練不同ML模型。經訓練ML模型隨後用於預測設計佈局之輪廓且判定C2C差異。

C2C差異圖提供可識別之離群值之視覺表示。然而，熟習此項技術者應瞭解，在一些實施例中，離群值可在無視覺表示之情況下識別。對應於此類離群值之圖案可為風險圖案基於所選擇圖案集合用於訓練ML模型，可識別不同風險圖案。舉例而言，當SP21用於訓練ML模型時，自設計佈局識別風險圖案RP1。類似地，可自設計佈局識別風險圖案RP2及RP3。

在實施例中，方法400涉及基於第一圖案集合PS1而識別待由度量衡工具檢驗之圖案(例如，風險圖案、熱點等)清單。在實施例中，與圖案清單相關之經量測資料可進一步用於訓練或校準與圖案化程序相關的ML模型。

在實施例中，方法400涉及識別第二圖案集合PS2之對應於差異臨限值中之突破的位置，用與經識別位置相關聯之一或多個圖案補充第一圖案集合PS1；及使用經補充第一圖案集合PS1訓練另一機器學習模型。在實施例中，經補充第一圖案集合PS1與第一圖案集合PS1比較對應更高圖案覆蓋率。

在實施例中，度量衡工具判定度量衡量測，包括但不限於與圖案化於基板上之設計佈局的第一圖案集合PS1或經補充第一圖案集合相關聯之臨界尺寸、疊對及邊緣置放誤差。此等量測可進一步用於控制微影程序、訓練機器學習模型以產生遮罩圖案(例如，缺陷偵測模型、蝕刻模型、抗蝕劑模型、OPC、SMO等)、訓練機器學習模型以預測設計圖案，或其他微影或度量衡相關應用之量測。由於本文中之評估程序確保給定圖案集合具有設計佈局之充足覆蓋率，可僅進行減少量之量測，藉此節省大量度量衡時間。因此，可改良圖案化程序之產出量。

在實施例中，本文中所論述之方法可提供為一或多個電腦程式產品或其上記錄有指令之非暫時性電腦可讀媒體，該等指令在由電腦執行時實施上文所論述之方法400之操作。舉例而言，圖9中之實例電腦系統CS包括非暫時性電腦可讀媒體(例如，記憶體)，該非暫時性電腦可讀媒體包含在由一或多個處理器(例如，104)執行時引起用於評估設計佈局之任何給定圖案集合之操作的指令。舉例而言，評估使用者提供之圖案集合或使用不同圖案選擇方法選擇之圖案集合。

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，第一組合包括藉由使用經選擇圖案集合訓練機器學習模型來評估經選擇圖案集合。子組合可包括針對圖案覆蓋率評估經選擇圖案。在另一組合中，基於C2C差異而判定風險圖案。子組合可包括採用參考模型以判定C2C差異。

圖9為根據實施例之實例電腦系統CS之方塊圖。電腦系統CS包括用於傳達資訊之匯流排BS或其他通信機構，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亦可用於在待由處理器PRO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。提供諸如磁碟或光碟之儲存器件SD且耦接至儲存資訊及指令之匯流排BS。

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。此輸入器件通常具有在兩個軸(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，其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。

根據一個實施例，本文中所描述之一或多個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中所含有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。呈多處理配置之一或多個處理器亦可用於執行主記憶體MM中所含有之指令序列。在替代性實施例中，可代替或組合軟體指令而使用硬佈線電路系統。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以用於執行之任何媒體。此類媒體可呈許多形式，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。傳輸媒體亦可採取聲波或光波之形式，諸如在射頻(RF)及紅外(IR)資料通信期間產生之聲波或光波。電腦可讀媒體可為非暫時性的，例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣。非暫時性電腦可讀媒體可具有記錄於其上之指令。在由電腦執行時，指令可實施本文中所描述的特徵中之任一者。暫時性電腦可讀媒體可包括載波或其他傳播電磁信號。

可在將一或多個指令之一或多個序列攜載至處理器PRO以用於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。耦合至匯流排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提供耦接至網路鏈路NDL之雙向資料通信，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發送且接收攜載表示各種類型之資訊的數位資料流之電信號、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)而提供之資料通信服務。區域網路LAN(網際網路)兩者使用攜載數位資料流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路資料鏈路NDL上且經由通信介面CI之信號為輸送資訊的例示性形式之載波，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，主電腦HC可經由網際網路INT、網路資料鏈路NDL、區域網路LAN及通信介面CI傳輸用於應用程式之經請求程式碼。舉例而言，一個此類經下載應用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用於稍後執行。以此方式，電腦系統CS可獲得呈載波形式之應用程式碼。

圖10為根據實施例之微影投影裝置的示意圖。

微影投影裝置可包括照射系統IL、第一物件台MT、第二物件台WT及投影系統PS。

照射系統IL可調節輻射的光束B。在此特定狀況下，照射系統亦包含輻射源SO。

第一物件台(例如，圖案化器件台)MT可具有用於固持圖案化器件MA(例如，倍縮光罩)之圖案化器件固持器，且連接至用於相對於物品PS來準確地定位圖案化器件之第一定位器。

第二物件台(基板台)WT可具有用於固持基板W(例如，抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用於相對於物品PS來準確地定位基板之第二定位器。

投影系統(「透鏡」)PS(例如，折射、反射或反射折射光學系統)可將圖案化器件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)。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、雷射產生電漿(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射系統(照射器)IL中。照射器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殼體內(如常常為在源SO為例如水銀燈時的情況)，但其亦可遠離微影投影裝置，源SO產生的輻射光束經引導至裝置中(例如，藉助於適合的導向鏡)；此後一情形可為在源SO為準分子雷射(例如，基於KrF、ArF或F2雷射)時的情況。

光束PB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，例如以便使不同目標部分C定位於光束PB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，第一定位構件可用於相對於光束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)來實現物件台MT、WT之移動。然而，在步進器(相對於步進掃描工具)之情況下，圖案化器件台MT可僅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，且將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。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可由光束PB輻照。

在掃描模式中，除單次「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可在給定方向(所謂的「掃描方向」，例如，y方向)上以速度v移動，以使得使投影光束B在圖案化器件影像上進行掃描；同時，基板台WT以速度V=Mv在相同或相對方向上同時地移動，其中M為透鏡PL之放大率(通常，M=1/4或1/5)。以此方式，可在不必損害解析度之情況下曝光相對較大的目標部分C。

圖11為根據實施例之另一微影投影裝置(LPA)的示意圖。

LPA可包括源收集器模組SO、經組態以調節輻射光束B(例如，EUV輻射)之照射系統(照射器)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，反射性投影系統)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。

如此處所描繪，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，故圖案化器件可具有包含例如鉬與矽之多層堆疊之多層反射器。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，故圖案化器件構形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)界定將印刷(正抗蝕劑)或不印刷(負抗蝕劑)特徵的地方。

照射器IL可自源收集器模組SO接收極紫外輻射光束。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。在一種此類方法(常常稱為雷射產生電漿(「LPP」))中，可藉由利用雷射光束輻照燃料(諸如，具有譜線發射元素之材料的小滴、流或叢集)來產生電漿。源收集器模組SO可為包括雷射器(圖11中未展示)之EUV輻射系統之部分，該雷射器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CO2雷射用於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。

在此等情況下，可不認為雷射形成微影裝置之部分，且輻射光束可藉助於包含例如合適的導向鏡及/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。在其他情況下，舉例而言，當源為放電產生之電漿EUV產生器(常常稱為DPP源)時，源可為源收集器模組之整體部分。

照射器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，可調整照射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，照射器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。照射器可用於調節輻射光束，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可用於相對於輻射光束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，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，同時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(亦即，單次靜態曝光)。隨後，基板台WT在X及/或Y方向上移位，使得可曝光不同目標部分C。

在掃描模式下，同步地掃描支撐結構(例如，圖案化器件台)MT及基板台WT，同時將賦予至輻射光束之圖案投影至目標部分C上(亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於支撐結構(例如，圖案化器件台)MT之速度及方向。

在靜止模式下，支撐結構(例如，圖案化器件台)MT保持基本上靜止，固持可程式化圖案化器件，且移動或掃描基板台WT，同時將賦予至輻射光束之圖案投影至目標部分C上。在此模式下，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12為根據實施例之微影投影裝置的詳細視圖。

如所展示，LPA可包括源收集器模組SO、照射系統IL及投影系統PS。源收集器模組SO經建構且配置以使得真空環境可維持於源收集器模組SO之圍封結構220中。EUV輻射發射電漿210可由放電產生電漿源形成。EUV輻射可藉由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)來產生，其中產生極熱電漿210以發射在電磁頻譜的EUV範圍內之輻射。舉例而言，極熱電漿210藉由引起至少部分離子化電漿之放電而產生。為了輻射之高效產生，可能需要Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣之例如10Pa之分壓。在實施例中，提供經激發錫(Sn)電漿以產生EUV輻射。

由熱電漿210發射之輻射經由定位於源腔室211中之開口中或開口後方的視情況選用之氣體障壁或污染物阱230(在一些情況下，亦稱為污染物障壁或箔阱)而自源腔室211傳遞至收集器腔室212中。污染物阱230可包括通道結構。污染物阱230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如此項技術中已知，本文中進一步指示之污染物阱或污染物障壁230至少包括通道結構。

收集器腔室211可包括可為所謂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之輻射可自光柵濾光片240反射以沿著由點劃線『O』指示之光軸聚焦於虛擬源點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為輻射發射電漿210之影像。

隨後，輻射橫穿照射系統IL，該照射系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24，該琢面化場鏡面器件22及該琢面化光瞳鏡面器件24經配置以在圖案化器件MA處提供輻射光束21之所要角度分佈，以及在圖案化器件MA處提供輻射強度之所要均一性。在輻射光束21在由支撐結構MT固持之圖案化器件MA處反射後，即形成經圖案化光束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。

比所展示更多的元件通常可存在於照射光學器件單元IL及投影系統PS中。取決於微影裝置之類型，光柵濾光片240可視情況存在。另外，相比於圖中所展示之鏡面，可存在更多鏡面，例如在投影系統PS中可存在比圖12中所展示之反射元件多1至6個額外反射元件。

如圖12所說明之收集器光學器件CO經描繪為具有掠入射反射器253、254及255之巢套式收集器，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13為根據實施例之微影投影裝置LPA之源收集器模組SO的詳細視圖。

源收集器模組SO可為LPA輻射系統之部分。雷射器LA可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能量輻射自電漿發射，由近正入射收集器光學器件CO收集，且聚焦至圍封結構220中的開口221上。

本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其用於能夠產生愈來愈短波長之新興成像技術。已經在使用中之新興技術包括極紫外(EUV)、能夠使用ArF雷射來產生193nm波長且甚至能夠使用氟雷射來產生157nm波長之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。

可藉由以下條項進一步描述本發明之實施例：

1.一種其上記錄有指令之非暫時性電腦可讀媒體，該等指令在由電腦執行時實施用於評估經選擇圖案集合之方法，方法包含：獲得(i)由圖案選擇程序產生之第一圖案集合、(ii)與第一圖案集合相關聯之第一圖案資料、(iii)與第一圖案資料相關聯之特性資料、及(iv)與第二圖案集合相關聯之第二圖案資料；基於與第一圖案相關聯之特性資料而訓練機器學習模型，機器學習模型經組態以預測輸入至機器學習模型中之圖案的圖案資料；藉由將第二圖案集合輸入至經訓練機器學習模型來產生第二圖案集合之經預測第二圖案資料；及藉由比較第二圖案資料與經預測第二圖案資料來評估第一圖案集合。

2.如條項1之媒體，其中獲得第一圖案資料包含：藉由使用第一圖案集合作為輸入執行經組態以模擬圖案化程序之參考模型來產生第一輪廓或第一影像。

3.如條項1之媒體，其中獲得第一圖案資料及第二圖案資料包含：自包含第一圖案集合及第二圖案集合之經圖案化基板之度量衡影像獲得輪廓或影像。

4.如條項1之媒體，其中第一圖案集合包含設計佈局之第一複數個圖案，且第二圖案集合包含設計佈局之第二複數個圖案。

5.如條項4之媒體，其中第一圖案集合為第二圖案集合之子集。

6.如條項1之媒體，其中第二圖案資料包含藉由使用第二圖案集合作為輸入來執行參考模型而產生的第二輪廓或第二影像，其中參考模型經組態以模擬圖案化程序。

7.如條項1之媒體，其中第二圖案集合包含比第一圖案集合更多的圖案。

8.如條項1之媒體，其中第二圖案集合包含全晶片佈局。

9.如條項1之媒體，其中特性資料包含自第一圖案資料產生之量規之資料，該等量規經組態以量化圖案的一或多個物理特性。

10.如條項9之媒體，其中量規包含：位於沿著第一圖案資料之輪廓之複數個位置處的邊緣置放量規；經組態以量測第一圖案集合之臨界尺寸(CD)值的CD量規；經組態以量測第一圖案集合中之線的量規；經組態以量測第一圖案集合之特徵之間的間隔的量規；經組態以量測尖端至尖端結構的量規；及/或經組態以量測模型預測之輪廓與設計輪廓之間的輪廓差異的量規。

11.如條項1之媒體，其中評估第一圖案集合包含：計算第二圖案資料與經預測第二圖案資料之間的差異。

12.如條項11之媒體，其中評估第一圖案集合包含：判定差異是否突破差異臨限值；及回應於差異未突破差異臨限值，將第一圖案集合分類為可接受的以用於進行度量衡。

13.如條項12之媒體，其中評估第一圖案集合包含：依據與使用第一圖案集合訓練之經訓練機器學習模型相關聯之絕對誤差來判定絕對圖案覆蓋率。

14.如條項12之媒體，其中評估第一圖案集合包含：依據相對誤差來判定相對圖案覆蓋率，相對誤差為與使用第一圖案集合訓練之經訓練機器學習模型相關聯之第一誤差範圍與同另一圖案集合相關聯之第二誤差範圍之間的比較。

15.如條項12之媒體，其進一步包含：基於評估而判定設計佈局內之風險圖案，風險圖案與突破所要誤差臨限值之模型預測誤差相關聯；用風險圖案補充第一圖案集合。

16.如條項12之媒體，其進一步包含：基於第一圖案集合而識別待由度量衡工具檢驗之圖案清單。

17.如條項16之媒體，其中度量衡工具判定度量衡量測包含以下中之至少一者：與圖案化於基板上之第一圖案集合相關聯之臨界尺寸、疊對及邊緣置放誤差。

18.如條項12之媒體，其進一步包含：識別第二圖案集合之對應於差異臨限值中之突破的位置，用與經識別位置相關聯之一或多個圖案補充第一圖案集合，經補充第一圖案集合與第一圖案集合比較具有更高圖案覆蓋率；及使用經補充第一圖案集合訓練另一機器學習模型。

19.如條項1之媒體，其中機器學習模型為卷積類神經網路。

20.如條項2之媒體，其中參考模型包含特性化圖案化程序之一或多個模型。

21.如條項20之媒體，其中參考模型包含源模型、光學器件模型、抗蝕劑模型、蝕刻模型或其組合。

22.如條項21之媒體，其中第一圖案資料、第二圖案資料及經預測第二圖案資料包含以下中之至少一者：自其提取之空中影像或輪廓，自其提取之遮罩影像或輪廓；自其提取之抗蝕劑影像或抗蝕劑輪廓；及自其提取之蝕刻影像或輪廓。

23.如條項22之媒體，其中參考模型為經校準非機器學習模型。

24.如條項1之媒體，其進一步包含：經由經訓練機器學習模型判定對圖案化程序之改良。

25.如條項24之媒體，其中判定改良包含：經由使用經訓練機器學習模型模擬圖案化程序來判定與圖案化程序相關聯之遮罩圖案的光學近接修正；經由使用經訓練機器學習模型模擬圖案化程序來判定與圖案化程序相關聯之源遮罩最佳化；及/或經由使用經訓練機器學習模型模擬圖案化程序來改良印刷於基板上之圖案與設計佈局之圖案的圖案保真度匹配。

26.一種用於評估經選擇圖案集合之方法，方法包含：獲得(i)由圖案選擇程序產生之第一圖案集合、(ii)與第一圖案集合相關聯之第一圖案資料、(iii)與第一圖案資料相關聯之特性資料、及(iv)與第二圖案集合相關聯之第二圖案資料；基於與第一圖案相關聯之特性資料而訓練機器學習模型，機器學習模型經組態以預測輸入至機器學習模型中之圖案的圖案資料；藉由將第二圖案集合輸入至經訓練機器學習模型來產生第二圖案集合之經預測第二圖案資料；及藉由比較第二圖案資料與經預測第二圖案資料來評估第一圖案集合。

27.如條項26之方法，其中獲得第一圖案資料包含：藉由使用第一圖案集合作為輸入執行經組態以模擬圖案化程序之參考模型來產生第一輪廓或第一影像。

28.如條項26之方法，其中獲得第一圖案資料及第二圖案資料包含：自包含第一圖案集合及第二圖案集合之經圖案化基板之度量衡影像獲得輪廓或影像。

29.如條項26之方法，其中第一圖案集合包含設計佈局之第一複數個圖案，且第二圖案集合包含設計佈局之第二複數個圖案。

30.如條項29之方法，其中第一圖案集合為第二圖案集合之子集。

31.如條項26之方法，其中獲得第二圖案資料包含：藉由使用第二圖案集合作為輸入執行經組態以模擬圖案化程序之參考模型來產生第二輪廓或第二影像。

32.如條項26之方法，其中第二圖案集合包含比第一圖案集合更多的圖案。

33.如條項26之方法，其中第二圖案集合包含全晶片佈局。

34.如條項26之方法，其中特性資料包含自第一圖案資料產生之量規，該等量規經組態以量化圖案之一或多個物理特性。

35.如條項34之方法，其中量規包含：位於沿著第一圖案資料之輪廓之複數個位置處的邊緣置放量規；經組態以量測第一圖案集合之臨界尺寸(CD)值的CD量規；經組態以量測第一圖案集合中之線的量規；經組態以量測第一圖案集合之特徵之間的間隔的量規；經組態以量測尖端至尖端結構的量規；及/或經組態以量測模型預測之輪廓與設計輪廓之間的輪廓差異的量規。

36.如條項26之方法，其中評估第一圖案集合包含：計算第二圖案資料與經預測第二圖案資料之間的差異。

37.如條項36之方法，其中評估第一圖案集合包含：判定差異是否突破差異臨限值；及回應於差異未突破差異臨限值，將第一圖案集合分類為可接受的以用於進行度量衡。

38.如條項37之方法，其中評估第一圖案集合包含：依據與使用第一圖案集合訓練之經訓練機器學習模型相關聯之絕對誤差來判定絕對圖案覆蓋率。

39.如條項37之方法，其中評估第一圖案集合包含：依據相對誤差來判定相對圖案覆蓋率，相對誤差為與使用第一圖案集合訓練之經訓練機器學習模型相關聯之第一誤差範圍與同另一圖案集合相關聯之第二誤差範圍之間的比較。

40.如條項37之方法，其中評估第一圖案集合包含：判定設計佈局內之風險圖案，風險圖案與突破所要誤差臨限值之模型預測誤差相關聯；用風險圖案補充第一圖案集合。

41.如條項37之方法，其進一步包含：基於第一圖案集合而識別待由度量衡工具檢驗之圖案清單。

42.如條項41之方法，其中度量衡工具判定度量衡量測包含以下中之至少一者：與圖案化於基板上之第一圖案集合相關聯之臨界尺寸、疊對及邊緣置放誤差。

43.如條項37之方法，其進一步包含：識別第二圖案集合之對應於差異臨限值中之突破的位置，用與經識別位置相關聯之一或多個圖案補充第一圖案集合，經補充第一圖案集合與第一圖案集合比較具有更高圖案覆蓋率；及使用經補充第一圖案集合訓練另一機器學習模型。

44.如條項26之方法，其中機器學習模型為卷積類神經網路。

45.如條項27之方法，其中參考模型包含特性化圖案化程序之一或多個模型。

46.如條項45之方法，其中參考模型包含源模型、光學器件模型、抗蝕劑模型、蝕刻模型或其組合。

47.如條項46之方法，其中第一圖案資料及第二圖案資料包含以下中之至少一者：自其提取之空中影像或輪廓，自其提取之遮罩影像或輪廓；自其提取之抗蝕劑影像或抗蝕劑輪廓；及自其提取之蝕刻影像或輪廓。

48.如條項47之方法，其中參考模型為非機器學習模型。

49.如條項26之方法，其進一步包含：經由經訓練機器學習模型判定對圖案化程序之改良。

50.如條項49之方法，其中判定改良包含：經由使用經訓練機器學習模型模擬圖案化程序來判定與圖案化程序相關聯之遮罩圖案的光學近接修正；經由使用經訓練機器學習模型模擬圖案化程序來判定與圖案化程序相關聯之源遮罩最佳化；及/或經由使用經訓練機器學習模型模擬圖案化程序來改良印刷於基板上之圖案與設計佈局之圖案的圖案保真度匹配。

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，例如用於在除矽晶圓以外的基板上成像的微影成像系統。本文中之描述意欲為說明性的，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。