[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114207517A - 训练用于改善图案化过程的机器学习模型的方法 - Google Patents

训练用于改善图案化过程的机器学习模型的方法 Download PDF

Info

Publication number
CN114207517A
CN114207517A CN202080055236.9A CN202080055236A CN114207517A CN 114207517 A CN114207517 A CN 114207517A CN 202080055236 A CN202080055236 A CN 202080055236A CN 114207517 A CN114207517 A CN 114207517A
Authority
CN
China
Prior art keywords
model
machine learning
cost function
learning model
image
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CN202080055236.9A
Other languages
English (en)
Inventor
马紫阳
程进
罗亚
郑雷武
郭欣
王祯祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Holding NV
Original Assignee
ASML Holding NV
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 ASML Holding NV filed Critical ASML Holding NV
Publication of CN114207517A publication Critical patent/CN114207517A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03FPHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03FPHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03FPHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605Workpiece metrology
    • G03F7/70616Monitoring the printed patterns
    • G03F7/70625Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03FPHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605Workpiece metrology
    • G03F7/70653Metrology techniques
    • G03F7/70666Aerial image, i.e. measuring the image of the patterned exposure light at the image plane of the projection system
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/047Probabilistic or stochastic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/082Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

本文描述一种用于训练机器学习模型的方法,所述机器学习模型被配置成预测与衬底相关联的物理特性的值以用于调整图案化过程。所述方法涉及:获得参考图像;确定所述机器学习模型的模型参数值的第一集合,使得第一成本函数从使用初始模型参数值集合获得的成本函数的初始值减小,其中所述第一成本函数是所述参考图像与经由所述机器学习模型产生的图像之间的差;以及使用所述模型参数值的第一集合来训练所述机器学习模型,使得迭代地减小所述第一成本函数与第二成本函数的组合,所述第二成本函数是测量值与预测值之间的差。

Description

训练用于改善图案化过程的机器学习模型的方法
相关申请的交叉引用
本申请要求于2019年8月13日递交的美国申请62/886,058的优先权,并且所述美国申请的全部内容通过引用并入本文中。
技术领域
本公开涉及改善器件制造过程的性能的技术。所述技术可以结合光刻设备来使用。
背景技术
光刻设备是将期望的图案施加至衬底的目标部分上的机器。光刻设备可以用于例如集成电路(IC)的制造中。在那种情况下,图案形成装置(其替代地被称为掩模或掩模版)可以用以产生与IC的单层相对应的电路图案,并且可以将这种图案成像至具有辐射敏感材料(抗蚀剂)层的衬底(例如,硅晶片)上的目标部分(例如,包括部分管芯、一个或若干个管芯)上。通常,单个衬底将包含被连续曝光的相邻目标部分的网络。已知光刻设备包括:所谓的步进器,其中通过一次性将整个图案曝光至目标部分上来辐照每个目标部分;和所谓的扫描器,其中通过在给定方向(“扫描”方向)上经由所述束来扫描图案的同时与该方向平行地或反向平行地同步扫描衬底来辐照每个目标部分。
在将电路图案从图案形成装置转印至衬底之前,衬底可以经历各种过程,诸如上底漆、涂覆抗蚀剂和软焙烤。在曝光之后,衬底可以经受其它过程,诸如曝光后焙烤(PEB)、显影、硬焙烤,和转印后的电路图案的测量/检查。这种过程阵列是用作制造器件(例如,IC)的单层的基础。衬底接着可以经历诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等各种过程,所述过程都意图精整器件的单层。如果在器件中需要若干层,则针对每个层来重复整个过程或其变体。最终,器件将存在于衬底上的每个目标部分中。接着通过诸如切割或切片等技术来使这些器件彼此分离,由此可以将单独的器件安装在承载件上、连接至引脚等。
因此,制造器件(诸如半导体器件)典型地涉及使用多个制造过程来处理衬底(例如,半导体晶片)以形成器件的各种特征和多个层。典型地使用例如沉积、光刻、蚀刻、化学机械抛光和离子注入来制造和处理这样的层和特征。可以在衬底上的多个管芯上制作多个器件,并且接着将所述器件分离成单独的器件。这种器件制造过程可以被视为图案化过程。图案化过程涉及图案化步骤,诸如使用光刻设备中的图案形成装置来将图案形成装置上的图案转印至衬底的光学和/或纳米压印光刻术,并且图案化过程典型地但可选地涉及一个或更多个相关的图案处理步骤,诸如通过显影设备进行抗蚀剂显影、使用焙烤工具来焙烤衬底、使用蚀刻设备使用图案进行蚀刻等。
发明内容
在实施例中,提供一种训练机器学习模型的方法,所述机器学习模型被配置成预测与衬底相关联的物理特性的值以用于调整图案化过程。所述方法涉及:获得与待印制于所述衬底上的期望的图案相关联的参考图像;确定所述机器学习模型的模型参数值的第一集合,使得第一成本函数从使用初始模型参数值集合获得的所述成本函数的初始值减小,其中所述第一成本函数是所述参考图像与经由所述机器学习模型产生的图像之间的差;以及使用所述模型参数值的第一集合来训练所述机器学习模型,使得迭代地减小所述第一成本函数与第二成本函数的组合。在实施例中,所述第二成本函数是与所述期望的图案相关联的物理特性的测量值与预测值之间的差,所述预测值经由所述机器学习模型来预测。
此外,在实施例中,提供一种计算机程序产品,包括其上记录有指令的非暂时性计算机可读介质,所述指令在由计算机执行时实施前述方法。
附图说明
现将参考随附附图而仅作为示例来描述实施例,在所述附图中:
图1示出根据实施例的光刻系统的各种子系统的框图;
图2描绘根据实施例的用于对图案化过程的至少一部分进行建模和/或模拟的示例流程图;
图3是根据实施例的训练被配置成预测与衬底相关联的物理特性的值以用于调整图案化过程的机器学习模型的方法的流程图;
图4图示根据实施例的具有用于根据图3中的方法训练的多个层的机器学习模型的示例;
图5A和图5B图示根据实施例的相对于导致依赖于栅格的误差的栅格的示例图案移位;
图6示意性地描绘根据实施例的扫描电子显微镜(SEM)的实施例;
图7示意性地描绘根据实施例的电子束检查设备的实施例;
图8是根据实施例的示例计算机系统的框图;
图9是根据实施例的光刻投影设备的示意图;
图10是根据实施例的极紫外(EUV)光刻投影设备的示意图;
图11是根据实施例的图10中的设备的更详细视图;以及
图12是根据实施例的图10和图11的设备的源收集器模块的更详细的视图。
具体实施方式
在详细描述实施例之前,呈现可以实施实施例的示例环境是具指导性的。
图1图示出示例性光刻投影设备10A。主要部件为:辐射源12A,所述辐射源可以是深紫外准分子激光器源或包括极紫外(EUV)源的其它类型的源(如上文所论述的,光刻投影设备本身不必具有辐射源);照射光学装置,所述照射光学装置例如限定部分相干性(被标示为sigma或σ)且可以包括对来自源12A的辐射进行成形的光学装置14A、16Aa和16Ab;图案形成装置18A;以及透射光学装置16Ac,所述透射光学装置将图案化器件图案的图像投影至衬底平面22A上。在投影光学装置的光瞳平面处的可调整滤波器或孔20A可以限制入射到衬底平面22A上的束角度的范围,其中最大可能的角度限定投影光学装置的数值孔径NA=nsin(Θmax),其中n为衬底与投影光学装置的最终元件之间的介质的折射率,并且Θmax为从投影光学装置离开的仍可以入射到衬底平面22A上的束的最大角度。
在光刻投影设备中,源将照射(即,辐射)提供至图案形成装置,并且投影光学装置经由所述图案形成装置将所述照射引导和成形至衬底上。投影光学装置可以包括部件14A、16Aa、16Ab和16Ac中的至少一些。空间图像(AI)是在衬底水平面处的辐射强度分布。曝光衬底上的抗蚀剂层,并且将空间图像转印至抗蚀剂层以在其中作为潜在“抗蚀剂图像”(RI)。可以将抗蚀剂图像定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型以从空间图像计算抗蚀剂图像,可以在美国专利申请公开号US 2009-0157360中找到这种示例,所述美国专利申请的全部内容由此以引用的方式并入本文中。抗蚀剂模型是仅关于抗蚀剂层的性质(例如在曝光、PEB和显影期间发生的化学过程的影响)。光刻投影设备的光学性质(例如源、图案形成装置和投影光学装置的性质)支配空间图像。由于可以改变用于光刻投影设备中的图案形成装置,因此可能期望的是将图案形成装置的光学性质与至少包括源和投影光学装置的光刻投影设备的其余部分的光学性质分离。
在实施例中,可以基于设计布局如何根据本公开的方法来优化而将辅助特征(亚分辨率辅助特征和/或可印刷的分辨率辅助特征)放置于设计布局中。例如,在实施例中,所述方法采用基于机器学习的模型来确定图案形成装置的图案。机器学习模型可以是神经网络,诸如卷积神经网络,其可以以某种方式(例如,如图3中所论述的)训练以在快速率下获得准确预测,因此实现图案化过程的全芯片模拟。
可以使用训练数据的集合来训练神经网络(即确定神经网络的参数)。训练数据可以包括训练样本的集合或由训练样本的集合组成。每个样本可以是包括输入对象(典型地是向量,所述向量可以被称为特征向量)和期望的输出值(也称为管理信号)、或由所述输入对象和所述期望的输出值组成的对。训练算法分析训练数据,并且通过基于训练数据调整神经网络的参数(例如一个或更多个层的权重)来调整神经网络的行为。在训练之后的神经网络可以用于映射新样本。
在确定图案形成装置的图案的情境下,特征向量可以包括由图案形成装置包括或形成的设计布局的一个或更多个特性(例如形状、布置、大小等)、图案形成装置的一个或更多个特性(例如一个或更多个物理性质,诸如尺寸、折射率、材料组成等)和用于光刻过程中的照射的一个或更多个特性(例如波长)。管理信号可以包括图案形成装置的图案的一个或更多个特性(例如图案形成装置的图案的CD、轮廓等)。
给定了形式为{(x1,y1),(x2,y2),…,(xN,yN)}的N个训练样本的集合,使得xi为第i个示例的特征向量且yi为其管理信号,训练算法寻找神经网络g:X→Y,其中X为输入空间且Y为输出空间。特征向量为表示一些对象的数值特征的n维向量。与这些向量相关联的向量空间通常称为特征空间。有时以下操作是方便的:使用计分函数
Figure BDA0003494064950000051
来表示g,使得g定义为返回给出最高计分的y值:g(x)=arg maxyf(x,y)。用F标示计分函数的空间。
神经网络可以是概率性的,其中g采用条件概率模型g(x)=P(y|x)的形式,或f采用联合概率模型f(x,y)=P(x,y)的形式。
存在用以选择f或g的两种基本方法:经验风险最小化和结构风险最小化。经验风险最小化寻求对训练数据最佳拟合的神经网络。结构风险最小化包括控制偏差/方差权衡的惩罚函数。例如,在实施例中,惩罚函数可以基于成本函数,所述成本函数可以是平方误差、缺陷数目、EPE等。函数(或函数内的权重)可以修改以使方差被减小或最小化。
在两种情况下,假定训练集包括独立且相同分布的对(xi,yi)的一个或更多个样本或由所述对的一个或更多个样本组成。在实施例中,为了测量函数拟合训练数据的良好程度,定义损失函数
Figure BDA0003494064950000061
Figure BDA0003494064950000062
对于训练样本(xi,yi),预测值
Figure BDA0003494064950000063
的损失为
Figure BDA0003494064950000064
将函数g的风险R(g)定义为g的预期损失。这可以从训练数据估计为
Figure BDA0003494064950000065
在实施例中,图案化过程的机器学习模型可以被训练以预测例如掩模图案的轮廓、图案、CD和/或晶片上的抗蚀剂和/或蚀刻后的图像中的轮廓、CD、边缘定位(例如边缘定位误差)等。训练的目标是为了实现对例如晶片上的所印制的图案的轮廓、空间图像强度斜率和/或CD等的准确预测。预期设计(例如待印制于晶片上的晶片目标布局)通常定义为可以以诸如GDSII或OASIS之类的标准化数字文件格式或其它文件格式提供的预OPC设计布局。
图22中图示用于对图案化过程的多个部分进行建模和/或模拟的示例性流程图。如将了解的,模型可以表示不同的图案化过程,并且不必包括下文所描述的所有模型。源模型1200表示图案形成装置的照射的光学特性(包括辐射强度分布、带宽和/或相位分布)。源模型1200可以表示照射的光学特性,包括但不限于数值孔径设置、照射西格玛(σ)设置以及任何特定照射形状(例如,离轴辐射形状,诸如环形、四极、偶极等),其中σ(或西格玛)是照射器的外径向范围。
投影光学装置模型1210表示投影光学装置的光学特性(包括由投影光学装置引起的辐射强度分布和/或相位分布的改变)。投影光学装置模型1210可以表示投影光学装置的光学特性,包括像差、畸变、一个或更多个折射率、一个或更多个实体大小、一个或更多个实体尺寸等。
图案形成装置/设计布局模型模块1220捕获设计特征如何布局于图案形成装置的图案中,并且可以包括图案形成装置的详细物理性质的表示,如例如在以全文引用的方式并入本申请的专利号为7,587,704的美国专利中所描述的。在实施例中,图案形成装置/设计布局模型模块1220表示设计布局(例如对应于集成电路、存储器、电子器件等的特征的器件设计布局)的光学特性(包括由给定设计布局引起的辐射强度分布和/或相位分布的改变),其是图案形成装置上或由图案形成装置形成的特征的布置的表示。由于可以改变用于光刻投影设备中的图案形成装置,因此期望的是将图案形成装置的光学性质与光刻投影设备的至少包括照射和投影光学装置的其余部分的光学性质分离。模拟的目的通常为准确地预测例如边缘定位和CD,其可以接着与器件设计进行比较。器件设计通常被定义为预OPC图案形成装置布局,并且将被以诸如GDSII或OASIS之类的标准化数字文件格式提供。
可以从源模型1200、投影光学装置模型1210和图案形成装置/设计布局模型1220模拟空间图像1230。空间图像(AI)是在衬底水平面处的辐射强度分布。光刻投影设备的光学性质(例如,照射、图案形成装置和投影光学装置的性质)支配空间图像。
衬底上的抗蚀剂层通过空间图像来曝光,并且将空间图像转印至抗蚀剂层以在其中作为潜在“抗蚀剂图像”(RI)。可以将抗蚀剂图像(RI)定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型1240从空间图像1230模拟抗蚀剂图像1250。抗蚀剂模型可以用以从空间图像计算抗蚀剂图像,其示例可以在公开号为US2009-0157360的美国专利申请中找到,所述美国专利申请的全部公开内容由此以引用的方式并入本文中。抗蚀剂模型典型地描述在抗蚀剂曝光、曝光后焙烤(PEB)和显影期间发生的化学过程的影响,以便预测例如形成在衬底上的抗蚀剂特征的轮廓,并且因此其典型地仅涉及抗蚀剂层的这样的性质(例如在曝光、曝光后焙烤和显影期间发生的化学过程的影响)。在实施例中,可以捕获抗蚀剂层的光学性质(例如折射率、膜厚度、传播和偏振效应)作为投影光学装置模型1210的部分。
因此,通常,光学模型与抗蚀剂模型之间的连接为抗蚀剂层内的模拟空间图像强度,其起因于辐射至衬底上的投影、抗蚀剂界面处的折射和抗蚀剂膜叠层中的多次反射。辐射强度分布(空间图像强度)通过入射能量的吸收而变为潜在的“抗蚀剂图像”,其通过扩散过程和各种负载效应来进一步修改。对于全芯片应用足够快的高效模拟方法通过2维空间(和抗蚀剂)图像来近似抗蚀剂叠层中的真实3维强度分布。
在实施例中,可以将抗蚀剂图像用作后图案转印过程模型模块1260的输入。后图案转印过程模型1260限定一个或更多个后抗蚀剂显影过程(例如蚀刻、显影等)的性能。
图案化过程的模拟可以例如预测抗蚀剂和/或蚀刻后的图像中的轮廓、CD、边缘定位(例如边缘定位误差)等。因此,模拟的目的是准确地预测例如所印制的图案的边缘定位和/或空间图像强度斜率和/或CD等。可以比较这些值与预期设计以例如校正图案化过程,识别预测将出现缺陷点的位置等。预期设计通常被定义为可以以诸如GDSII或OASIS之类的标准化数字文件格式或其它文件格式提供的预OPC设计布局。
因此,模型公式描述整体过程的大多数(如果不是全部)已知物理和化学作用,并且模型参数中的每个模型参数期望地对应于不同的物理或化学效应。模型公式因此对于模型可以如何良好地用以模拟整体制造过程设置上边界。
在图案化过程(例如光刻、电子束光刻、引导自组装等)中,沉积于衬底上的能量敏感材料(例如抗蚀剂)典型地经历图案转印步骤(例如经由曝光)。在图案转印步骤之后,应用诸如抗蚀剂焙烤之类的各种后步骤和诸如抗蚀剂显影、蚀刻之类的消减过程。这些曝光后步骤或过程对衬底施加各种效应,所述各种效应使图案化层或蚀刻具有结构(其具有与目标尺寸不同的尺寸)。
图案化过程的计算分析采用预测模型,当被适当地校准时,所述预测模型可以产生对从图案化过程输出的尺寸的准确预测。曝光后过程的模型典型地基于经验测量来校准。校准过程包括以不同过程参数来运行测试晶片、在曝光后过程之后测量得到的临界尺寸、以及将模型校准至测量结果。在实践中,良好校准后的模型对尺寸进行快速且准确的预测,用于改善器件性能或产率,增强过程窗或增加设计选择。在示例中,使用深度卷积神经网络(CNN)对曝光后过程进行建模会产生与利用传统技术产生的模型精度相当的或更好的模型精度,所述传统技术通常涉及利用物理项表达式或封闭形式等式进行建模。相较于传统建模技术,深度学习卷积神经网络减轻模型开发对过程知识的要求,并且提升对工程师对模型调谐的个人经验的依赖性。简而言之,用于曝光后过程的深度CNN模型由输入和输出层以及诸如卷积层、归一化层和池化层等多个隐藏层组成。优化隐藏层的参数以给出损失函数的最小值。在实施例中,可以训练CNN模型以对任何过程或与图案化过程相关的过程的组合的行为进行建模。
图3是用于训练机器学习模型305(例如CNN)的方法300的流程图,所述机器学习模型305被配置成预测与衬底相关联的物理特性的值以用于调整图案化过程。所述训练方法是与现有方法相比更准确的训练方法。例如,训练基于通过例如在CNN中应用特定权重因子来减小与模型预测相关联的特定误差(例如在一个或更多个训练步骤中经由第一成本函数、第二成本函数、依赖于栅格的误差、边缘定位误差等),其中权重与这些误差相关,因而改善整体建模品质。
在训练之后,机器学习模型305可以被称为训练后的机器学习模型305'。训练机器学习模型305'还可以被执行以确定物理特性。另外,图案化过程参数(例如剂量、聚焦、OPC等)可以基于物理特性值而调整以改善图案化过程。
所述方法涉及在连续步骤中训练机器学习模型305以对图案化过程的过程(例如曝光后过程)进行建模。连续步骤是指使用第一成本函数来训练机器学习模型305以确定初始模型参数值集合,以及使用这样的初始模型参数值来使用第二成本函数进一步训练机器学习模型305。与涉及单个成本函数的单步骤训练过程相比,这样的连续步骤训练有助于更快的收敛并产生更准确的模型。在下文中进一步详细论述所述方法300。
过程P301涉及获得与待印制于衬底上的期望的图案相关联的参考图像301。在实施例中,获得参考图像301涉及执行被配置成产生作为输出的参考图像301的过程模型,其中过程模型对图案化过程的一部分进行建模。在实施例中,所述过程模型是图案化过程的光学装置模型、抗蚀剂模型和/或蚀刻模型的校准后的模型。因此,在实施例中,参考图像301是期望的图案的空间图像、抗蚀剂图像和/或蚀刻图像。
过程P303涉及确定机器学习模型305的模型参数值303的第一集合,使得第一成本函数从使用初始模型参数值集合获得的成本函数的初始值减小。在实施例中,第一成本函数是参考图像301与经由机器学习模型305所产生的图像之间的差。在实施例中,参考图像301和所产生的图像是像素化图像。因此,第一成本函数可以是像素化图像的强度值的差。像素的强度指示特征的存在或不存在。例如,峰强度信号指示图像中特征(例如接触孔)的边缘。
在实施例中,确定机器学习模型305的模型参数值303的第一集合是迭代过程。迭代涉及:通过使用期望的图案执行机器学习模型305来产生图像;确定所产生的图像与参考图像301之间的差;以及调整机器学习模型305的模型参数值,使得所述差被减小。在实施例中,使所产生的图像与参考图像301之间的差被最小化。
因此,使用第一初始模型值集合,机器学习模型305”(模型305”是指具有模型参数值303的机器学习模型305)可以准确地预测与衬底相关联的空间图像、抗蚀剂图像或蚀刻图像。另外,可以从所预测的图像获取图案的轮廓和物理特性以用于图案化过程的进一步分析或改善。
在实施例中,模型参数是与机器学习模型305的一个或更多个层相关联的权重和/或偏差。在实施例中,机器学习模型305是包括多个层的卷积神经网络,每个层与权重和/或偏差相关联。
另外,过程P305涉及使用模型参数值303的第一集合来训练机器学习模型305”,使得第一成本函数与第二成本函数的组合被减小。在实施例中,使用表达式c1*CF1+c2*CF2来计算第一成本函数(CF1)与第二成本函数(CF2)的组合,其中c1和c2是可以被调整以使所述组合最小化的系数。
在实施例中,第二成本函数是与期望的图案相关联的物理特性的测量值304与预测值之间的差,预测值经由机器学习模型305”预测。在训练过程结束之后,获得被配置成确定待成像在衬底中的图案的物理特性的训练后的机器学习模型305'。
在实施例中,从所预测的图像确定的物理特性是与期望的图案相关联的临界尺寸或边缘定位误差。在实施例中,使用模型的所预测的图像中的图案的轮廓确定物理特性。例如,可以采用算法以定义沿轮廓的计量器点,以及在计量器位置处与轮廓相交的切割线。另外,为了确定CD,可以测量计量器点之间的距离。类似地,可以使用相对于参考轮廓(例如与参考图像301相关联的参考轮廓)的计量器点来测量EPE。
在实施例中,测量值304是例如经由被配置成测量衬底的期望的所印制的图案的量测工具获得的CD值。在实施例中,量测工具是扫描电子显微镜(SEM)(例如参见图6至图7)且测量值从SEM图像获得。在实施例中,测量值304是与期望的图案相关联的空间图像的强度值。因此,在训练过程期间,比较测量值304(例如CD)与所预测的物理特性(例如所预测的CD)。进行训练,使得预测值紧密地匹配测量值304。
在实施例中,机器学习模型305的训练是迭代过程。迭代涉及:利用模型参数值303的第一集合对机器学习模型305的模型参数进行初始化;通过使用期望的图案执行机器学习模型305”来预测与衬底相关联的物理特性的值;经由量测工具获得衬底上的期望的所印制的图案的物理特性的测量值304;以及调整机器学习模型305”的模型参数值,使得第一成本函数与第二成本函数的组合被减小。
在实施例中,调整模型参数值基于第一成本函数与第二成本函数的组合的梯度下降。在实施例中,使第一成本函数与第二成本函数的总和被最小化。在实施例中,调整机器学习模型305的模型参数值涉及确定作为模型参数的函数的第一成本函数与第二成本函数的总和的梯度图。随后,基于梯度图,确定模型参数值,使得成本函数的总和被最小化。
在实施例中,调整模型参数值包括调整以下值:卷积神经网络的层的一个或更多个权重、卷积神经网络的层的一个或更多个偏差、CNN的超参数和/或CNN的层数目。在实施例中,层数目为CNN的超参数,其可以被预先选择且在训练过程期间可以不被改变。在实施例中,一系列训练过程可以在可以修改层数目的情况下进行。在图4中图示CNN的示例。
在实施例中,训练(例如,图4的CNN)涉及:确定第一成本函数的值;和逐渐调整CNN的一个或更多个层的权重,使得第一成本函数被减小(在一实施例中,被最小化)。在实施例中,第一成本函数是所预测的抗蚀剂图像或所预测的空间图像(例如CNN的输出向量)与从所印制的衬底获得(例如使用SEM工具)的真实抗蚀剂图像之间的差。第一成本函数或该差通过修改CNN模型参数(例如权重、偏差、步幅等)的值来减小。在实施例中,第一成本函数被计算为CF1=f(reference image-CNN(input,cnn_parameters)。在这样的步骤中,CNN的输入包括测量图像或模拟图像(例如AI/RI)且cnn_parameters具有可以任意选择的初始值。在训练的若干次迭代之后,优化后的cnn_parameters值被获得且被进一步用作模型参数值303的第一集合以用于进一步训练。
在进一步训练中,在减小(或最小化)第一成本函数之后,可以从机器学习模型305的所预测的图像获取物理特性。例如,可以从所预测的抗蚀剂图像获取CD或EPE值或从所预测的空间图像获取强度值。比较这些所预测的CD、EPE和/或强度值与测量值304,以使用除第一成本函数之外的与物理特性相关联的第二成本函数来进一步训练机器学习模型305。
例如,第二成本函数可以是边缘定位误差(EPE)。在这样的情况下,使用EPE的测量值和所预测的EPE来确定第二成本函数。在实施例中,第二成本函数可以被表达为:CF2=f(measured values-CNN(input,cnn_parameters),其中CF2可以是EPE,函数f(.)从所预测的图案(例如通过CNN)进行轮廓获取且进一步确定所述差。在实施例中,这种CNN的输入包括所预测的图像(例如AI/RI)。cnn_parameters可以是CNN的权重和偏差且cnn_parameters的值是基于第一成本函数而获得的初始模型参数值。
在实施例中,与成本函数(例如第一成本函数和/或第二成本函数)相对应的梯度可以是dcost/dparameter,其中cnn_parameters的值可以基于等式(例如parameter=parameter-learning_rate*gradient)来更新。在实施例中,参数可以是权重和/或偏差,并且learning_rate可以是用以调谐训练过程的超参数且可以通过使用者或计算机选择以改善训练过程的收敛(例如更快的收敛)。
在实施例中,训练后的机器学习模型305'(例如图9的训练后的CNN)还可以用于校正模拟图案或其任何特性。
在实施例中,方法300还可以涉及采用第三成本函数以用于进一步训练经训练后的机器学习模型305'的过程P305。过程P305涉及使用模型参数值303的第一集合来训练机器学习模型305',使得第一成本函数、第二成本函数和第三成本函数的组合被减小(在一实施例中,被最小化)。在实施例中,第三成本函数是依赖于栅格的函数。
依赖于栅格的误差与在图案化过程的模拟期间所使用的模拟机制(例如基于图像)有关。在实施例中,一个或更多个过程模型的模拟是基于图像的,其中栅格可以被放置在图像(例如衬底图案的图像)上且在模拟期间仅评估栅格上的特征,同时内插离栅特征。这样的内插可能导致不准确的模拟结果(例如衬底图案)。另外,栅格大小可能影响模拟速度以及结果的精度。小的栅格大小给出准确模拟结果,但显著地减缓模拟。因此,较大栅格可以用于较快模拟,这可能不利地影响模拟结果(例如所模拟的衬底图案)的精度。
通常,模拟是迭代过程,因此每次迭代中相对于栅格的图案放置的任何移位将引发所预测的图案中的误差。因此,包括依赖于栅格的误差的模拟结果可以用于确定图案化过程的参数(例如剂量、聚焦、掩模图案等),例如以改善图案化过程。由于依赖于栅格的误差,所确定的参数可能没有导致图案化过程的期望的产率。因此,依赖于栅格的误差应被移除或最小化。根据本公开,这样的依赖于栅格的误差经由第三成本函数来处理。
图5A至图5B图示相对于导致依赖于栅格的误差的栅格的示例图案移位。附图示出预测轮廓501/511(虚线)和输入轮廓502/512(例如设计或期望的轮廓)。在图5A中,整个输入轮廓501位于栅格上,然而,在图5B中,输入轮廓511的一部分例如在角点处离栅。这导致模型预测轮廓502与512的差。在实施例中,例如LMC或OPC应用,可以在栅格上的不同位置处迭代地呈现同一图案,并且期望的是具有不变的模型预测,而不管图案的位置如何。然而,没有模型可以实现完美的移位不变性。一些病态模型可能在图案移位之间产生大的轮廓差。
在实施例中,依赖于栅格(GD)的误差可以被如下测量。为了测量GD误差,在子像素步长中沿轮廓的图案和计量器一起移位。例如,对于像素大小=14nm,图案/计量器可以沿x和/或y方向每步移位1nm。随着每次移位,沿计量器测量模型预测的CD。随后,模型预测的CD的集合中的方差指示依赖于栅格的误差。
在实施例中,训练机器学习模型可以用于与图案化过程相关的各种应用以改善图案化过程的产率。例如,方法300还涉及经由训练后的机器学习模型来预测设计布局的衬底图像;经由使用设计布局和所预测的衬底图像的OPC模拟来确定待用于制造用于图案化过程的掩模的掩模布局。在实施例中,OPC模拟涉及经由使用设计布局的几何形状和与多个区段相关联的校正来模拟图案化过程模型,确定将印制于衬底上的模拟图案;以及确定对设计布局的光学邻近效应校正,使得模拟图案与设计布局之间的差被减小。在实施例中,确定光学邻近效应校正是迭代过程。迭代涉及调整设计布局的主要特征和/或一个或更多个辅助特征的几何形状的形状和/或大小,使得图案化过程的性能指标被减小。在实施例中,从机器学习模型的所预测的OPC后的图像获取所述一个或更多个辅助特征。
在一些实施例中,检查设备可以是产生在衬底上曝光或转印的结构(例如器件的一些或所有结构)的图像的扫描电子显微镜(SEM)。图6描绘SEM工具的实施例。从电子源ESO发射的初级电子束EBP通过聚光器透镜CL汇聚且随后穿过束偏转器EBD1、E×B偏转器EBD2和物镜OL以在焦点处照射衬底台ST上的衬底PSub。
当利用电子束EBP照射衬底PSub时,次级电子从衬底PSub产生。次级电子由E×B偏转器EBD2偏转且由次级电子检测器SED检测到。可以通过与例如由束偏转器EBD1对电子束的二维扫描同步地或与由束偏转器EBD1对电子束EBP在X或Y方向上的反复扫描同步地检测从样本产生的电子来获得二维电子束图像,以及通过衬底台ST使衬底PSub在X或Y方向中的另一方向上连续移动。
由次级电子检测器SED检测到的信号通过模拟/数字(A/D)转换器ADC转换为数字信号,并且将数字信号发送至图像处理系统IPU。在实施例中,图像处理系统IPU可以具有存储器MEM以储存数字图像中的所有或部分以由处理单元PU处理。处理单元PU(例如被专门设计的硬件或硬件与软件的组合)被配置成将数字图像转换成或处理成表示数字图像的数据集。此外,图像处理系统IPU可以具有被配置成将数字图像和对应数据集储存在参考数据库中的储存介质STOR。显示装置DIS可以与图像处理系统IPU连接,使得操作者可以借助于图形用户接口进行装备的必要操作。
如上文提及的,可以处理SEM图像以获取描述所述图像中表示器件结构的对象的边缘的轮廓。接着经由诸如CD之类的指标来量化这些轮廓。因此,典型地经由简单化指标(诸如边缘对边缘距离(CD)或图像之间的简单像素差)来比较和量化器件结构的图像。检测图像中的对象的边缘以便测量CD的典型轮廓模型使用图像梯度。实际上,那些模型依赖于强图像梯度。但在实践中,图像典型地是有噪声的且具有不连续边界。诸如平滑、自适应阈值处理、边缘检测、腐蚀和膨胀之类的技术可以用以处理图像梯度轮廓模型的结果,以解决有噪声且不连续的图像,但最终将导致高分辨率图像的低分辨率量化。因此,在大多数情形下,对器件结构的图像进行数学运算以减小噪声,并且使边缘检测自动化导致图像的分辨率损失,从而导致信息损失。因此,结果是相当于复杂的高分辨率结构的简单化表示的低分辨率量化。
因此,期望的是具有使用图案化过程产生或预期产生的结构(例如电路特征、对准标记或量测目标部分(例如光栅特征)等)的数学表示,而不管例如所述结构位于潜在抗蚀剂图像中、位于显影后的抗蚀剂图像中或例如通过蚀刻而转移至衬底上的层,这可以保持分辨率且还描述结构的通常形状。在光刻或其它图案化过程的情境下,结构可以是正在被制造的器件或其一部分,并且图像可以是所述结构的SEM图像。在一些情形下,结构可以是半导体器件(例如集成电路)的特征。在这种情况下,所述结构可以被称为包括半导体器件的多个特征的图案或期望的图案。在一些情形下,结构可以是用于对准测量过程中以确定对象(例如衬底)与另一对象(例如图案形成装置)的对准的对准标记或其部分(例如对准标记的光栅),或是用以测量图案化过程的参数(例如重叠、聚焦、剂量等)的量测目标或其部分(例如量测目标的光栅)。在实施例中,量测目标是用以测量例如重叠之类的衍射光栅。
图7示意性地图示检查设备的另一个实施例。所述系统用以检查样本平台88上的样本90(诸如衬底)且包括带电粒子束产生器81、聚光器透镜模块82、探针形成物镜模块83、带电粒子束偏转模块84、次级带电粒子检测器模块85和图像形成模块86。
带电粒子束产生器81产生初级带电粒子束91。聚光器透镜模块82对所产生的初级带电粒子束91进行聚光。探针形成物镜模块83将聚光后的初级带电粒子束聚焦为带电粒子束探针92。带电粒子束偏转模块84横跨固定于样本平台88上的样本90上的感兴趣的区域的表面来扫描所形成的带电粒子束探针92。在实施例中,带电粒子束产生器81、聚光器透镜模块82和探针形成物镜模块83或其等效设计、替代方案或其任何组合一起形成产生扫描带电粒子束探针92的带电粒子束探针产生器。
次级带电粒子检测器模块85在由带电粒子束探针92轰击后即检测从样本表面发射的次级带电粒子93(也可能与来自样本表面的其它反射或散射带电粒子一起)以产生次级带电粒子检测信号94。图像形成模块86(例如计算装置)与次级带电粒子检测器模块85耦接以从次级带电粒子检测器模块85接收次级带电粒子检测信号94,并且因此形成至少一个扫描图像。在实施例中,次级带电粒子检测器模块85和图像形成模块86或其等效设计、替代方案或其任何组合一起形成图像形成设备,所述图像形成设备从由带电粒子束探针92轰击的样本90发射的检测到的次级带电粒子形成扫描图像。
在实施例中,监测模块87耦接至图像形成设备的图像形成模块86以使用从图像形成模块86所接收的样本90的扫描图像对图案化过程进行监测、控制等,和/或导出用于图案化过程设计、控制、监测等的参数。因此,在实施例中,监测模块87被配置或编程以使得执行本文中所描述的方法。在实施例中,监测模块87包括计算装置。在实施例中,监测模块87包括计算机程序,所述计算机程序用以提供本文中的功能性且被编码在形成监测模块87或设置于监测模块87内的计算机可读介质上。
在实施例中,类似于使用探针来检查衬底的图6的电子束检查工具,图7的系统中的电子电流与例如诸如图6中描绘的CD SEM相比显著更大,使得探针斑足够大以使得检查速度可以快速。然而,由于探针斑大,因此与CD SEM相比,分辨率可能不那么高。在实施例中,上文所论述的检查设备可以是单束或多束设备,而不限制本公开的范围。
可以处理来自例如图6和/或图7的系统的SEM图像以获取描述图像中表示器件结构的对象的边缘的轮廓。接着典型地经由使用者定义的切割线处的诸如CD之类的指标来量化这些轮廓。因此,典型地经由指标(诸如在所获取的轮廓上测量的边缘对边缘距离(CD)或图像之间的简单像素差)来比较和量化器件结构的图像。
图8是图示可以辅助实施本文中所公开的方法和流程的计算机系统100的框图。计算机系统100包括总线102或用于通信信息的其它通信机制,和与总线102耦接以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100也包括耦接至总线102以用于储存信息和将要由处理器104执行的指令的主存储器106,诸如随机存取存储器(RAM)或其它动态储存装置。主存储器106也可以用于在将要由处理器104执行的指令的执行期间储存暂时性变量或其它中间信息。计算机系统100还包括耦接至总线102以用于储存静态信息和处理器104的指令的只读存储器(ROM)108或其它静态储存装置。提供诸如磁盘或光盘之类的储存装置110,并且所述储存装置110耦接至总线102以用于储存信息和指令。
计算机系统100可以经由总线102耦接至用于向计算机用户显示信息的显示器112,诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母数字按键和其它按键的输入装置114耦接至总线102以用于将信息和命令选择传送至处理器104。另一类型的用户输入装置是用于将方向信息和命令选择传送至处理器104且用于控制显示器112上的光标移动的光标控制件116,诸如鼠标、轨迹球或光标方向按键。这种输入装置典型地具有在两个轴(第一轴(例如,x)和第二轴(例如,y))上的两个自由度,这允许所述器件指定平面中的位置。触控面板(屏幕)显示器也可以用作输入装置。
根据一个实施例,响应于处理器104执行主存储器106中所包含的一个或更多个指令的一个或更多个序列,可以由计算机系统100执行过程的部分。可以将这样的指令从另一计算机可读介质(诸如储存装置110)读取至主存储器106中。主存储器106中所包含的指令序列的执行使得处理器104执行本文中所描述的过程步骤。也可以采用呈多处理布置的一个或更多个处理器以执行主存储器106中所包含的指令序列。在替代性实施例中,可以代替软件指令或与软件指令组合来使用硬连线电路系统。因此,本文中的描述不限于硬件电路系统与软件的任何特定组合。
如本文中所使用的术语“计算机可读介质”是指参与将指令提供至处理器104以便执行的任何介质。这样的介质可以呈许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘,诸如储存装置110。易失性介质包括动态存储器,诸如主存储器106。传输介质包括同轴缆线、铜线和光纤光学器件,包括包含总线102的电线。传输介质也可以呈声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间所产生的声波或光波。计算机可读介质的常见形式包括例如软盘、软碟、硬盘、磁带、任何其它磁介质、CD-ROM、DVD、任何其它光学介质、打孔卡、纸带、具有孔图案的任何其它物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡匣、如下文所描述的载波,或可以供计算机读取的任何其它介质。
各种形式的计算机可读介质可以涉及将一个或更多个指令的一个或更多个序列承载至处理器104以便执行。例如,可以初始地将指令承载于远程计算机的磁盘上。远程计算机可以将指令加载至其动态存储器中,并且使用调制解调器经由电话线来发送指令。在计算机系统100本地的调制解调器可以接收电话线上的数据,并且使用红外传输器将数据转换为红外信号。耦接至总线102的红外检测器可以接收红外信号中所承载的数据且将数据放置于总线102上。总线102将数据承载至主存储器106,处理器104从所述主存储器106获取并执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后储存在储存装置110上。
计算机系统100也期望地包括耦接至总线102的通信接口118。通信接口118提供耦接至网络链路120的双向数据通信,所述网络链路120连接至局域网122。例如,通信接口118可以是集成服务数字网络(ISDN)卡或调制解调器以提供与对应类型的电话线的数据通信连接。作为另一示例,通信接口118可以是局域网(LAN)卡以提供与兼容LAN的数据通信连接。也可以实施无线链路。在任何这样的实现方式中,通信接口118发送和接收承载表示各种类型的信息的数字数据流的电信号、电磁信号或光学信号。
网络链路120典型地经由一个或更多个网络将数据通信提供至其它数据装备。例如,网络链路120可以由局域网122向主计算机124或向由因特网服务提供商(ISP)126操作的数据装置提供连接。ISP 126又经由全球封包数据通信网络(现在通常称作“因特网”128)来提供数据通信服务。局域网122和因特网128都使用承载数字数据流的电信号、电磁信号或光学信号。经由各种网络的信号和在网络链路120上且经由通信接口118的信号(所述信号将数字数据承载至计算机系统100和从计算机系统100承载数字数据)是输送信息的载波的示例形式。
计算机系统100可以通过网络、网络链路120和通信接口118发送消息且接收包括程序代码的数据。在因特网示例中,服务器130可以通过因特网128、ISP 126、局域网122和通信接口118传输用于应用程序的所请求的代码。一个这样的被下载的应用程序可以提供例如实施例的照射优化。所接收的代码可以在其被接收时由处理器104执行,和/或储存在储存装置110或其它非易失性储存器中以便稍后执行。以这种方式,计算机系统100可以获得呈载波形式的应用代码。
图9示意性地描绘可以利用结合本文中所描述的技术的示例性光刻投影设备。所述设备包括:
-照射系统IL,所述照射系统用以调节辐射束B。在这样的特定情况下,照射系统也包括辐射源SO;
-第一载物台(例如,图案形成装置台)MT,所述第一载物台设置有用以保持图案形成装置MA(例如,掩模版)的图案形成装置保持器,并且连接至用以相对于物品PS来准确地定位所述图案形成装置的第一定位器;
-第二载物台(衬底台)WT,所述第二载物台设置有用以保持衬底W(例如,涂覆有抗蚀剂的硅晶片)的衬底保持器,并且连接至用以相对于物品PS来准确地定位所述衬底的第二定位器;
-投影系统(“透镜”)PS(例如,折射型、反射型或反射折射型光学系统),所述投影系统用以将图案形成装置MA的照射部分成像至衬底W的目标部分C(例如包括一个或更多个管芯)上。
如本文中描绘的,所述设备属于透射类型(即,具有透射式图案形成装置)。然而,通常,所述设备也可以属于反射类型,例如(具有反射式图案形成装置)。所述设备可以采用与经典掩模不同种类的图案形成装置;示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如,汞灯或准分子激光器、激光产生等离子体(LPP)EUV源)产生辐射束。例如,这种束直接地或在已横穿诸如扩束器Ex之类的调节装置之后被馈入至照射系统(照射器)IL中。照射器IL可以包括调整装置AD以用于设置束中的强度分布的外部和/或内部径向范围(通常分别称作σ-外部和σ-内部)。此外,所述照射器通常将包括各种其它部件,诸如整合器IN和聚光器CO。以这种方式,入射到在图案形成装置MA上的束B在其横截面中具有期望的均一性和强度分布。
关于图9应注意,源SO可以在光刻投影设备的壳体内(例如当源SO为汞灯时通常是这种情况),但所述源SO也可以远离光刻投影设备,其产生的辐射束被引导至所述设备中(例如,借助于合适的定向反射镜);当源SO为准分子激光器(例如,基于KrF、ArF或F2激光器)时通常是后一种情况。
束PB随后拦截保持在图案形成装置台MT上的图案形成装置MA。在已横穿图案形成装置MA的情况下,束B穿过将束B聚焦至衬底W的目标部分C上的透镜PL。借助于第二定位装置(和干涉测量装置IF),可以准确地移动衬底台WT,例如以便使不同的目标部分C定位在束PB的路径中。类似地,例如在从图案形成装置库机械获取图案形成装置MA之后或在扫描期间,第一定位装置可以用以相对于束B的路径来准确地定位图案形成装置MA。通常,将借助于未在图9中明确地描绘的长行程模块(粗定位)和短行程模块(精定位)来实现载物台MT、WT的移动。然而,在步进器(相对于步进扫描工具)的情况下,图案形成装置台MT可以仅连接至短行程致动器,或可以是固定的。
可以在两种不同模式中使用所描绘的工具:
-在步进模式中,图案形成装置台MT保持基本上静止,并且将整个图案形成装置图像一次性投影至目标部分C上(即单次“闪光”)。接着在x和/或y方向上使衬底台WT移位,使得不同的目标部分C可以由束PB辐照;
-在扫描模式中,除单次“闪光”中不曝光给定目标部分C以外,基本上适用相同的情形。而是,图案形成装置台MT可以在给定方向(所谓“扫描方向”,例如,y方向)上以速度v移动,以便使投影束B在图案形成装置图像上扫描;同时,衬底台WT以速度V=Mv在相同或相反方向上同时移动,其中M为透镜PL的放大率(典型地,M=1/4或1/5)。以这种方式,可以在不必损害分辨率的情况下曝光相对大的目标部分C。
图10示意性地描绘另一示例性光刻投影设备1000,包括:
-源收集器模块SO,所述源收集器模块用以提供辐射。
-照射系统(照射器)IL,所述照射系统被配置成调节来自源收集器模块SO的辐射束B(例如,EUV辐射)。
-支撑结构(例如,掩模台)MT,所述支撑结构被构造成支撑图案形成装置(例如,掩模或掩模版)MA且连接至被配置成准确地定位图案形成装置的第一定位器PM;
-衬底台(例如,晶片台)WT,所述衬底台被构造成保持衬底(例如,涂覆有抗蚀剂的晶片)W且连接至被配置成准确地定位衬底的第二定位器PW;以及
-投影系统(例如,反射性投影系统)PS,所述投影系统被配置成将通过图案形成装置MA赋予辐射束B的图案投影至衬底W的目标部分C(例如,包括一个或更多个管芯)上。
如这里所描绘的,所述设备1000属于反射类型(例如,采用反射型掩模)。应注意,由于大多数材料在EUV波长范围内具吸收性,因此图案形成装置可以具有包括例如钼和硅的多叠置层的多层反射器。在一个示例中,多重叠层反射器有40层钼和硅的对,其中每个层的厚度为四分之一波长。可以利用X射线光刻术来产生甚至更小的波长。由于大多数材料在EUV和x射线波长下具吸收性,因此图案形成装置形貌上的图案化吸收材料的薄片(例如,多层反射器的顶部上的TaN吸收器)定义何处将印制(正抗蚀剂)或不印制(负抗蚀剂)特征。
参考图10,照射器IL从源收集器模块SO接收极紫外辐射束。产生EUV辐射的方法包括但不一定限于利用EUV范围内的一个或更多个发射谱线将材料转换成具有至少一种元素(例如,氙、锂或锡)的等离子体状态。在一种这样的方法(通常称为激光产生等离子体(“LPP”))中,可以通过利用激光束照射燃料(诸如,具有谱线发射元素的材料的小滴、流或簇)来产生等离子体。源收集器模块SO可以是包括激光器(图10中未示出)的EUV辐射系统的部分,所述激光器用于提供激发燃料的激光束。得到的等离子体发射输出辐射(例如EUV辐射),所述输出辐射是使用设置于源收集器模块中的辐射收集器来收集。例如,当使用CO2激光器以提供用于燃料激发的激光束时,激光器和源收集器模块可以是分立的实体。
在这样的情况下,激光器不被视为形成光刻设备的部分,并且辐射束是借助于包括(例如)合适的定向反射镜和/或扩束器的束传递系统而从激光器传递至源收集器模块。在其它情况下,例如,当辐射源是放电产生等离子体EUV产生器(通常称为DPP辐射源)时,辐射源可以是源收集器模块的组成部分。
照射器IL可以包括用于调整辐射束的角强度分布的调整器。通常,可以调整照射器的光瞳平面中的强度分布的至少外部和/或内部径向范围(通常分别称作σ-外部和σ-内部)。此外,照射器IL可以包括各种其它部件,诸如琢面场反射镜装置和琢面光瞳反射镜装置。照射器可以用以调节辐射束,以在其横截面中具有期望的均一性和强度分布。
辐射束B入射到保持在支撑结构(例如,掩模台)MT上的图案形成装置(例如,掩模)MA上,并且由所述图案形成装置来图案化。在从图案形成装置(例如掩模)MA反射之后,辐射束B穿过将束聚焦至衬底W的目标部分C上的投影系统PS。借助于第二定位器PW和位置传感器PS2(例如干涉装置、线性编码器或电容式传感器),可以准确地移动衬底台WT,例如以便使不同的目标部分C定位在辐射束B的路径中。类似地,第一定位器PM和另一位置传感器PS1可以用以相对于辐射束B的路径来准确地定位图案形成装置(例如掩模)MA。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如,掩模)MA和衬底W。
可以在以下模式中的至少一种模式中使用所描绘的设备1000:
1.在步进模式中,支撑结构(例如,掩模台)MT和衬底台WT保持基本上静止,同时将赋予辐射束的整个图案一次性投影至目标部分C上(即,单次静态曝光)。接着,衬底台WT在X和/或Y方向上移位,使得可以曝光不同的目标部分C。
2.在扫描模式中,同步地扫描支撑结构(例如,掩模台)MT和衬底台WT,同时将赋予辐射束的图案投影至目标部分C上(即,单次动态曝光)。衬底台WT相对于支撑结构(例如,掩模台)MT的速度和方向可以由投影系统PS的(缩小)放大率和图像反转特性确定。
3.在另一模式中,支撑结构(例如,掩模台)MT保持基本上静止,以保持可编程图案形成装置,并且移动或扫描衬底台WT,同时将赋予辐射束的图案投影至目标部分C上。在这种模式中,通常采用脉冲辐射源,并且在衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要来更新可编程图案形成装置。这种操作模式可以易于应用于利用可编程图案形成装置(诸如,如上文提及的类型的可编程反射镜阵列)的无掩模光刻术。
图11更详细地示出设备1000,所述设备包括源收集器模块SO、照射系统IL和投影系统PS。源收集器模块SO被构造和布置成使得可以在源收集器模块SO的封闭结构220中维持真空环境。可以通过放电产生等离子体辐射源来形成用于发射EUV辐射的等离子体210。可以通过气体或蒸气(例如,Xe气体、Li蒸气或Sn蒸气)来产生EUV辐射,其中产生非常热的等离子体210以发射在电磁光谱的EUV范围内的辐射。例如,通过产生至少部分地离子化的等离子体的放电来产生非常热的等离子体210。为了高效产生辐射,可能需要例如10Pa的分压的Xe、Li、Sn蒸气或任何其它合适的气体或蒸气。在实施例中,提供受激发的锡(Sn)等离子体以产生EUV辐射。
由热等离子体210发射的辐射经由定位在源腔室211中的开口中或开口后方的可选地存在的气体屏障或污染物阱230(在一些情况下,也称作污染物屏障或箔片阱)而从源腔室211传递至收集器腔室212中。污染物阱230可以包括通道结构。污染物阱230也可以包括气体屏障或气体屏障与通道结构的组合。如本领域中已知,本文中所进一步指示的污染物阱或污染物屏障230至少包括通道结构。
收集器腔室211可以包括可以是所谓掠入射收集器的辐射收集器CO。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。横穿收集器CO的辐射可以从光栅光谱滤光片240反射以沿由点划线“O”指示的光轴聚焦于虚拟源点IF中。虚拟源点IF通常称作中间焦点,并且源收集器模块被布置以使得中间焦点IF位于封闭结构220中的开口221处或附近。虚拟源点IF为用于发射辐射的等离子体210的图像。
随后,辐射横穿照射系统IL,所述照射系统IL可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24,琢面场反射镜装置22和琢面光瞳反射镜装置24被布置以在图案形成装置MA处提供辐射束21的期望的角分布,以及在图案形成装置MA处提供辐射强度的期望的均一性。在辐射束21由支撑结构MT保持的图案形成装置MA处反射后,形成图案化束26,并且图案化束26通过投影系统PS经由反射元件28、30成像至由衬底台WT保持的衬底W上。
在照射光学器件单元IL和投影系统PS中通常可以存在比所示出元件更多的元件。依赖于光刻设备的类型,光栅光谱滤光片240可以可选地存在。另外,相比于图中示出的反射镜,可以存在更多反射镜,例如在投影系统PS中可以存在比图11中示出之外的1至6个额外的反射元件。
如图11中所图示的收集器光学装置CO描绘为具有掠入射反射器253、254和255的嵌套式收集器,仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255围绕光轴O轴对称地设置,并且这种类型的收集器光学装置CO期望地与放电产生等离子体辐射源组合使用。
替代地,源收集器模块SO可以是如图12中示出的LPP辐射系统的部分。激光器LAS被布置以将激光能量沉积至诸如氙(Xe)、锡(Sn)或锂(Li)等燃料中,从而产生具有数十eV的电子温度的高度离子化等离子体210。在这些离子的去激发和再结合期间所产生的能量辐射从等离子体发射,由近正入射收集器光学装置CO收集,并且聚焦至封闭结构220中的开口221上。
本文中所公开的概念可以对用于对亚波长特征进行成像的任何通常成像系统进行模拟或数学建模,并且可能对能够产生越来越小的大小的波长的新兴成像技术尤其有用。已经在使用中的新兴技术包括能够使用ArF激光器来产生193nm波长且甚至能够使用氟激光器来产生157nm波长的极紫外(EUV)光刻术。此外,EUV光刻术能够通过使用同步加速器或通过利用高能电子来撞击材料(固体或等离子体)来产生在20nm至5nm的范围内的波长,以便产生这个范围内的光子。
虽然本文中所公开的概念可以用于在诸如硅晶片之类的衬底上的成像,但应理解,所公开的概念可以与任何类型的光刻成像系统一起使用,例如,用于在除硅晶片以外的衬底上成像的光刻成像系统。
虽然可以在本文中具体地参考在IC的制造中的实施例的使用,但应理解,本文中的实施例可以具有许多其它的可能的应用。例如,其可以使用于集成光学系统的制造、用于磁畴存储器的引导和检测图案、液晶显示器(LCD)、薄膜磁头、微机械系统(MEMs)等。本领域技术人员将了解,在这样的替代应用的情境下,本文中对术语“掩模版”、“晶片”或“管芯”的任何使用可以视为分别与更上位的术语“图案形成装置”、“衬底”或“目标部分”同义或可以与其互换。可以在曝光之前或之后在(例如)轨道或涂覆显影系统(典型地将抗蚀剂层施加至衬底且使曝光后的抗蚀剂显影的一种工具)或量测或检查工具中处理本文中提及的衬底。在适用的情况下,可以将本文中的公开内容应用于这样的和其它衬底处理工具。另外,可以将衬底处理一次以上,例如以便产生例如多层IC,使得本文中所使用的术语衬底也可以指已经包含多个处理后的层的衬底。
在本文中,如本文中所使用的术语“辐射”和“束”涵盖所有类型的电磁辐射,包括紫外辐射(例如具有约365nm、约248nm、约193nm、约157nm或约126nm的波长)和极紫外(EUV)辐射(例如具有在5nm至20nm范围内的波长)以及粒子束,诸如离子束或电子束。
如本文中所使用的术语“优化(optimizing和optimization)”是指或意味着调整图案形成设备(例如,光刻设备)、图案化过程等,使得结果和/或过程具有更期望的特性,诸如衬底上的设计图案的投影的更高准确性、更大过程窗口等。因此,如本文中所使用的术语“优化(optimizing和optimization)”是指或意味着识别一个或更多个参数的一个或更多个值的过程,所述一个或更多个值与用于那些一个或更多个参数的一个或更多个值的初始集合相比提供至少一个相关指标的改善,例如局部最优。应相应地解释“最优”和其它相关术语。在实施例中,可以迭代地应用优化步骤,以提供一个或更多个指标的进一步改善。
本发明的各方面可以以任何方便的形式来实施。例如,实施例可以通过一个或更多个适合的计算机程序来实施,所述一个或更多个适合的计算机程序可以承载于可以是有形载体介质(例如磁盘)或无形载体介质(例如通信信号)的适合的载体介质上。可以使用合适的设备来实施本发明的实施例,所述合适的装置可以具体地采用运行被布置以实施如本文中所描述的方法的计算机程序的可编程计算机的形式。因此,本公开的实施例可以以硬件、固件、软件或其任何组合来实施。本公开的实施例也可以实施为储存在机器可读介质上的指令,所述指令可以由一个或更多个处理器读取和执行。机器可读介质可以包括用于储存或传输呈由机器(例如,计算装置)读取的形式的信息的任何机制。例如,机器可读介质可以包括:只读存储器(ROM);随机存取存储器(RAM);磁盘储存介质;光学储存介质;闪存装置;电学、光学、声学或其它形式的传播信号(例如,载波、红外信号、数字信号等)等等。另外,固件、软件、例程、指令可以在本文中描述为进行某些动作。然而,应了解,这样的描述仅仅是出于方便起见,并且这样的动作实际上由计算装置、处理器、控制器或执行固件、软件、例程、指令等的其它装置引起。
在框图中,所图示的部件描绘为离散功能区块,但实施例不限于如所图示来组织本文中所描述的功能性的系统。由这些部件中的每个部件提供的功能性可以由软件或硬件模块提供,所述模块以与目前所描绘的方式不同的方式组织,例如可掺杂、结合、复制、分解、分布(例如,在数据中心内或在地理上),或以另外不同的方式组织这样的软件或硬件。本文中所描述的功能性可以由执行储存在有形的、非暂时性机器可读介质上的程序代码的一个或更多个计算机的一个或更多个处理器提供。在一些情况下,第三方内容分发网络可以托管经由网络通信的信息中的一些或全部,在这种情况下,在据称供应或以其它方式提供信息(例如内容)的程度上,可以通过发送从内容分发网络获取信息的指令来提供所述信息。
除非另外具体陈述,否则如根据论述明白的,应了解,贯穿本说明书,利用诸如“处理”、“运算”、“计算”、“确定”等等的术语的论述是指诸如专用计算机或类似的专用电子处理/计算装置之类的特定设备的动作或过程。
本公开的实施例可以由以下方面进一步描述。
1.一种训练机器学习模型的方法,所述机器学习模型被配置成预测与衬底相关联的物理特性的值以用于调整图案化过程,所述方法包括:
获得与待印制于所述衬底上的期望的图案相关联的参考图像;
确定所述机器学习模型的模型参数值的第一集合,使得第一成本函数从使用初始模型参数值集合获得的所述成本函数的初始值减小,其中所述第一成本函数是所述参考图像与经由所述机器学习模型产生的图像之间的差;以及
使用所述模型参数值的第一集合来训练所述机器学习模型,使得迭代地减小所述第一成本函数与第二成本函数的组合,
其中所述第二成本函数是与所述期望的图案相关联的物理特性的测量值与预测值之间的差,所述预测值经由所述机器学习模型来预测。
2.根据方面1所述的方法,其中获得所述参考图像包括:
执行被配置成产生所述参考图像作为输出的过程模型,其中所述过程模型对所述图案化过程的一部分进行建模。
3.根据方面2所述的方法,其中所述过程模型是所述图案化过程的光学装置模型、抗蚀剂模型和/或蚀刻模型的经校准的模型。
4.根据方面1至3中任一项所述的方法,其中所述参考图像是所述期望的图案的空间图像、抗蚀剂图像和/或蚀刻图像。
5.根据方面1至4中任一项所述的方法,其中确定所述机器学习模型的所述模型参数值的第一集合是迭代过程,迭代包括:
通过使用所述期望的图案执行所述机器学习模型来产生所述图像;
确定所产生的图像与所述参考图像之间的差;以及
调整所述机器学习模型的模型参数值,使得所述差被减小。
6.根据方面1至5中任一项所述的方法,其中使所产生的图像与所述参考图像之间的差被最小化。
7.根据方面1至6中任一项所述的方法,其中训练所述机器学习模型是迭代过程,迭代包括:
利用所述模型参数值的第一集合对所述机器学习模型的所述模型参数进行初始化;
通过使用所述期望的图案执行所述机器学习模型来预测与所述衬底相关联的物理特性的值;
经由量测工具获得所述衬底上的期望的所印制的图案的物理特性的测量值;以及
调整所述机器学习模型的模型参数值,使得所述第一成本函数与所述第二成本函数的组合被减小。
8.根据方面7所述的方法,其中调整模型参数值是基于所述第一成本函数与所述第二成本函数的组合的梯度下降。
9.根据方面1至8中任一项所述的方法,其中使所述第一成本函数与所述第二成本函数的总和被最小化。
10.根据方面1至9中任一项所述的方法,其中所述模型参数是与所述机器学习模型的一个或更多个层相关联的权重和/或偏差。
11.根据方面1至10中任一项所述的方法,其中所述机器学习模型是卷积神经网络。
12.根据方面1至11中任一项所述的方法,其中与衬底相关联的参数是与所述期望的图案相关联的临界尺寸或边缘定位误差。
13.根据方面10至12中任一项所述的方法,其中调整所述卷积神经网络的所述权重以减小与正在被训练的所述图案化过程的模型相关联的所述边缘定位误差或模型误差。
14.根据方面1至13中任一项所述的方法,其中所述测量值是经由被配置成测量所述衬底的期望的所印制的图案的所述量测工具获得的CD值。
15.根据方面7至14中任一项所述的方法,其中所述量测工具是扫描电子显微镜(SEM)且所述测量值从SEM图像获得。
16.根据方面1至15中任一项所述的方法,其中所述测量值是与所述期望的图案相关联的空间图像的强度值。
17.根据方面1至11中任一项所述的方法,还包括:
使用所述模型参数值的第一集合来训练所述机器学习模型,使得所述第一成本函数、所述第二成本函数与第三成本函数的组合被减小,
其中所述第三成本函数是依赖于栅格的函数。
18.根据方面1至17中任一项所述的方法,还包括:
经由训练后的机器学习模型来预测用于设计布局的衬底图像;
经由使用所述设计布局和所预测的衬底图像的OPC模拟来确定待用于制造用于图案化过程的掩模的掩模布局。
19.根据方面17所述的方法,其中所述OPC模拟包括:
经由使用所述设计布局的几何形状和与多个区段相关联的校正来模拟图案化过程模型,确定将印制于衬底上的模拟图案;和
确定对所述设计布局的光学邻近效应校正,使得所述模拟图案与所述设计布局之间的差被减小。
20.根据方面19所述的方法,其中所述确定光学邻近效应校正是迭代过程,迭代包括:
调整所述设计布局的主要特征和/或一个或更多个辅助特征的几何形状的形状和/或大小,使得所述图案化过程的性能指标被减小。
21.根据方面20所述的方法,其中从所述机器学习模型的所预测的OPC后的图像获取所述一个或更多个辅助特征。
22.根据方面1至21中任一项所述的方法,其中使用表达式c1*CF1+c2*CF2来计算所述第一成本函数(CF1)与所述第二成本函数(CF2)的组合,其中c1和c2是能够被调整以使所述组合最小化的系数。
23.一种计算机程序产品,包括其上记录有指令的非暂时性计算机可读介质,所述指令在由计算机执行时实施以上方面中任一项的方法。
应理解,说明书和附图不意图将本公开限制于所公开的特定形式,相反,本发明意图涵盖属于如由所附权利要求所限定的本发明的精神和范围内的所有修改、等效物和替代方案。
鉴于本说明书,本领域技术人员将明白本发明的各个方面的修改和替代性实施例。因此,本说明书和附图应理解为仅是说明性的且是出于教导本领域技术人员执行本发明的通常方式的目的。应理解,本文中示出且描述的本发明的形式应视为实施例的示例。各元件和材料可以替代本文中所图示和描述的那些元件和材料,各部分和过程可以被反转或省略,可以独立地利用某些特征,并且可以组合实施例或实施例的特征,本领域技术人员在获得本说明书的益处之后将明白所有这些。可以在不背离如在所附权利要求中所描述的本发明的精神和范围的情况下对本文中所描述的要素作出改变。本文中所使用的标题仅用于组织性目的,并且不意图用以限制本说明书的范围。
如在整个本申请中所使用的,字词“可以”以许可性意义(即,意味着具可能性)而不是以强制性意义(即,意味着必须)使用。字词“包括(include、including和includes)”等等意味着包括但不限于。如在整个本申请中所使用的,单数形式“一(a、an)”和“所述(the)”包括多个指示物,内容另有明确指示除外。因此,例如,对“一(an)”元件或“一(a)”元件的引用包括两个或更多个元件的组合,尽管也可以针对一个或更多个元件使用其它术语和词组,诸如“一个或更多个”。除非另有指示,否则术语“或”是非独占式的,即,涵盖“和”和“或”两者。描述条件关系的术语,例如“响应于X,Y”、“在X情况下,即Y”、“如果X,则Y”、“当X时,Y”等等涵盖因果关系,其中先行词为必要的因果条件,先行词为充分的因果条件,或先行词为结果的有贡献的因果条件,例如“在条件Y获得的情况下,即出现状态X”对于“仅在Y情况下,才出现X”和“在Y和Z情况下,即出现X”是上位的。这样的条件关系不限于紧接先行词而获得的结果,这是由于一些结果可能延迟,并且在条件语句中,先行词与其结果连接,例如,先行词与出现结果的似然性相关。除非另有指示,否则多个属性或功能被映射至多个对象(例如,进行步骤A、B、C和D的一个或更多个处理器)的陈述涵盖被映射至所有这样的对象的所有这样的属性或功能和被映射至属性或功能的子集的属性或功能的子集两者(例如,所有处理器各自执行步骤A至D,并且其中处理器1进行步骤A、处理器2执行步骤B和步骤C的部分且处理器3执行步骤C的部分和步骤D的情况两者)。另外,除非另有指示,否则一个值或动作为“基于”另一条件或值的陈述涵盖条件或值是唯一因素的情形和条件或值是多个因素当中的一个因素的情形两者。除非另有指示,否则某一集合体中的“每个”实例具有一些性质的陈述不应解读为排除其中更大集合体中的一些以其它方式相同或类似的成员不具有所述性质(即,每个不必意味着每个且所有)的情况。对从一范围选择的提及包括该范围的端点。
在以上描述中,流程图中的任何过程、描述或区块应理解为表示程序代码的模块、片段或部分,其包括用于实施所述过程中的特定逻辑功能或步骤的一个或更多个可执行指令,并且替代实施被包括在当前进步的示例性实施例的范围内,其中功能可以依赖于所涉及的功能性而不按照所示出或论述的次序执行,包括大致同时或以相反次序执行,如本领域技术人员应当理解的。
在某些美国专利、美国专利申请或其它材料(例如论文)已以引用的方式并入的范围上,这样的美国专利、美国专利申请和其它材料的文字仅通过引用并入至这样的材料与本文中所阐述的陈述和附图之间不存在冲突的范围。在存在这样的冲突的情况下,以引用的方式并入的这样的美国专利、美国专利申请和其它材料中的任何这样的冲突文字明确地不以引用的方式并入本文中。
虽然已描述某些实施例,但这些实施例仅作为示例来呈现,并且不意图限制本公开的范围。实际上,本文中所描述的新颖方法、设备和系统可以以多种其它形式体现;此外,在不背离本公开的精神的情况下,可以对本文中所描述的方法、设备和系统的形式进行各种省略、替代和改变。随附权利要求及其等效物意图涵盖如将属于本公开的范围和精神内的这样的形式或修改。

Claims (15)

1.一种训练机器学习模型的方法,所述机器学习模型被配置成预测与衬底相关联的物理特性的值以用于调整图案化过程,所述方法包括:
获得与待印制于所述衬底上的期望的图案相关联的参考图像;
确定所述机器学习模型的模型参数值的第一集合,使得第一成本函数从通过使用所述模型参数值的第一集合获得的所述第一成本函数的第一值减小,其中所述第一成本函数表示所述参考图像与经由所述机器学习模型产生的图像之间的差;以及
通过使用所述模型参数值的第一集合来训练所述机器学习模型,使得迭代地减小所述第一成本函数与第二成本函数的组合,
其中所述第二成本函数表示与所述期望的图案相关联的物理特性的测量值与预测值之间的差,其中所述预测值经由所述机器学习模型来预测。
2.根据权利要求1所述的方法,其中获得所述参考图像包括:
执行过程模型以对所述图案化过程的一部分进行建模且被配置成产生所述参考图像作为输出,其中所述过程模型对所述图案化过程的一部分进行建模。
3.根据权利要求1所述的方法,其中所述过程模型是所述图案化过程的光学装置模型、抗蚀剂模型和/或蚀刻模型的经校准的模型。
4.根据权利要求1所述的方法,其中所述参考图像是所述期望的图案的空间图像、抗蚀剂图像和/或蚀刻图像。
5.根据权利要求1所述的方法,其中确定所述机器学习模型的所述模型参数值的第一集合是迭代过程,迭代包括:
通过使用所述期望的图案执行所述机器学习模型来产生所述图像;
确定所产生的图像与所述参考图像之间的所述差;以及
调整所述机器学习模型的模型参数值,使得所述差被减小。
6.根据权利要求1所述的方法,其中训练所述机器学习模型是迭代过程,迭代包括:
利用所述模型参数值的第一集合对所述机器学习模型的所述模型参数进行初始化;
通过使用所述期望的图案执行所述机器学习模型来预测与所述衬底相关联的物理特性的值;
获得所述衬底上的期望的所印制的图案的物理特性的测量值;以及
调整所述机器学习模型的模型参数值,使得所述第一成本函数与所述第二成本函数的组合被减小。
7.根据权利要求6所述的方法,其中所述调整模型参数值基于所述第一成本函数与所述第二成本函数的组合的梯度下降。
8.根据权利要求1所述的方法,其中所述机器学习模型是卷积神经网络,并且其中所述模型参数是与所述卷积神经网络的一个或更多个层相关联的权重和/或偏差。
9.根据权利要求1所述的方法,其中与衬底相关联的参数是与所述期望的图案相关联的临界尺寸或边缘定位误差,并且其中所述测量值是经由量测工具获得的CD值。
10.根据权利要求1所述的方法,其中所述测量值是与所述期望的图案相关联的空间图像的强度值。
11.根据权利要求1所述的方法,还包括:
通过使用所述模型参数值的第一集合来训练所述机器学习模型,使得所述第一成本函数、所述第二成本函数与第三成本函数的组合被减小,
其中所述第三成本函数是依赖于栅格的函数。
12.根据权利要求1所述的方法,还包括:
经由训练后的机器学习模型来预测用于设计布局的衬底图像;和
经由使用所述设计布局和所预测的衬底图像的OPC模拟来确定待用于制造用于图案化过程的掩模的掩模布局。
13.根据权利要求12所述的方法,其中所述OPC模拟包括:
确定将印制于衬底上的模拟图案;和
确定对所述设计布局的光学邻近效应校正,使得所述模拟图案与所述设计布局之间的差被减小。
14.根据权利要求12所述的方法,其中所述确定包括从所述机器学习模型的所预测的OPC后的图像获取一个或更多个辅助特征。
15.一种计算机程序产品,包括其上记录有指令的非暂时性计算机可读介质,所述指令在由计算机执行时实施训练机器学习模型的方法,所述机器学习模型被配置成预测与衬底相关联的物理特性的值以用于调整图案化过程,所述方法包括:
获得与待印制于所述衬底上的期望的图案相关联的参考图像;
确定所述机器学习模型的模型参数值的第一集合,使得第一成本函数从通过使用模型参数值的第一集合获得的所述第一成本函数的第一值减小,其中所述第一成本函数表示所述参考图像与经由所述机器学习模型产生的图像之间的差;以及
通过使用所述模型参数值的第一集合来训练所述机器学习模型,使得迭代地减小所述第一成本函数与第二成本函数的组合,
其中所述第二成本函数表示与所述期望的图案相关联的物理特性的测量值与预测值之间的差,其中所述预测值经由所述机器学习模型来预测。
CN202080055236.9A 2019-08-13 2020-07-30 训练用于改善图案化过程的机器学习模型的方法 Pending CN114207517A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962886058P 2019-08-13 2019-08-13
US62/886,058 2019-08-13
PCT/EP2020/071453 WO2021028228A1 (en) 2019-08-13 2020-07-30 Method for training machine learning model for improving patterning process

Publications (1)

Publication Number Publication Date
CN114207517A true CN114207517A (zh) 2022-03-18

Family

ID=71944114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080055236.9A Pending CN114207517A (zh) 2019-08-13 2020-07-30 训练用于改善图案化过程的机器学习模型的方法

Country Status (4)

Country Link
US (1) US20220284344A1 (zh)
CN (1) CN114207517A (zh)
TW (2) TWI758810B (zh)
WO (1) WO2021028228A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11901204B2 (en) * 2020-05-22 2024-02-13 Applied Materials, Inc. Predictive wafer scheduling for multi-chamber semiconductor equipment
KR20220001262A (ko) * 2020-06-29 2022-01-05 삼성전자주식회사 반도체 공정의 근접 보정 방법
US12079984B2 (en) 2021-03-05 2024-09-03 Applied Materials, Inc. Detecting an excursion of a CMP component using time-based sequence of images
CN113238460B (zh) * 2021-04-16 2022-02-11 厦门大学 一种基于深度学习的用于超紫外的光学邻近校正方法
WO2023280511A1 (en) * 2021-07-06 2023-01-12 Asml Netherlands B.V. Determining localized image prediction errors to improve a machine learning model in predicting an image
CN118043740A (zh) * 2021-09-08 2024-05-14 Asml荷兰有限公司 使用带电粒子检查系统的图案化参数确定
US12135497B2 (en) * 2021-09-30 2024-11-05 International Business Machines Corporation Random weight initialization of non-volatile memory array
US20240104432A1 (en) * 2022-09-23 2024-03-28 X Development Llc Noisy ecological data enhancement via spatiotemporal interpolation and variance mapping
CN116461238A (zh) * 2023-02-28 2023-07-21 中铁建设集团有限公司 室内装修用铝板雕花转印控制系统及其方法
TWI841349B (zh) * 2023-04-20 2024-05-01 國立高雄大學 晶圓切割崩裂預測方法
CN116342983B (zh) * 2023-05-29 2023-09-01 全芯智造技术有限公司 生成及使用图刻模型的方法、电子设备和计算机可读介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140059456A1 (en) * 2012-08-24 2014-02-27 Synerscope Bv Data visualization system
TW201842471A (zh) * 2017-04-21 2018-12-01 美商應用材料股份有限公司 使用神經網路來監測的拋光裝置
WO2019048506A1 (en) * 2017-09-08 2019-03-14 Asml Netherlands B.V. METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7587704B2 (en) 2005-09-09 2009-09-08 Brion Technologies, Inc. System and method for mask verification using an individual mask error model
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
KR20190048491A (ko) * 2017-10-31 2019-05-09 삼성전자주식회사 식각 효과 예측 방법 및 입력 파라미터 결정 방법
CN109491216B (zh) * 2018-12-20 2020-11-27 上海集成电路研发中心有限公司 一种优化光刻工艺参数的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140059456A1 (en) * 2012-08-24 2014-02-27 Synerscope Bv Data visualization system
TW201842471A (zh) * 2017-04-21 2018-12-01 美商應用材料股份有限公司 使用神經網路來監測的拋光裝置
WO2019048506A1 (en) * 2017-09-08 2019-03-14 Asml Netherlands B.V. METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP

Also Published As

Publication number Publication date
TW202221428A (zh) 2022-06-01
US20220284344A1 (en) 2022-09-08
TW202113500A (zh) 2021-04-01
WO2021028228A1 (en) 2021-02-18
TWI758810B (zh) 2022-03-21

Similar Documents

Publication Publication Date Title
US12093632B2 (en) Machine learning based inverse optical proximity correction and process model calibration
TWI758810B (zh) 用於改善圖案化製程之訓練機器學習模型的方法
CN114286964B (zh) 用于改善图像中的结构的基于过程的轮廓信息的方法
TW201837759A (zh) 藉由機器學習來判定製程模型之方法
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
CN113924525B (zh) 用于确定对掩模的特征的校正的方法
US20230107556A1 (en) Machine learning based subresolution assist feature placement
CN113508338A (zh) 用于表征半导体器件的制造工艺的方法
US20230044490A1 (en) Method for improving consistency in mask pattern generation
US20230267711A1 (en) Apparatus and method for selecting informative patterns for training machine learning models
CN113728276B (zh) 用于基于缺陷来确定图案化过程的特性以减少热点的方法
TWI667553B (zh) 判定圖案之特性之方法
US20210033978A1 (en) Systems and methods for improving resist model predictions
TWI661264B (zh) 調諧製程模型之方法
CN118963068A (zh) 用于改善图像中的结构的基于过程的轮廓信息的方法
CN117501184A (zh) 检查数据滤除系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination