CN114286964B - 用于改善图像中的结构的基于过程的轮廓信息的方法 - Google Patents
用于改善图像中的结构的基于过程的轮廓信息的方法 Download PDFInfo
- Publication number
- CN114286964B CN114286964B CN202080058841.1A CN202080058841A CN114286964B CN 114286964 B CN114286964 B CN 114286964B CN 202080058841 A CN202080058841 A CN 202080058841A CN 114286964 B CN114286964 B CN 114286964B
- Authority
- CN
- China
- Prior art keywords
- simulated
- profile
- contour
- bias
- substrate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 400
- 239000000758 substrate Substances 0.000 claims abstract description 176
- 238000005259 measurement Methods 0.000 claims abstract description 122
- 230000000704 physical effect Effects 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims description 219
- 238000000059 patterning Methods 0.000 claims description 147
- 230000006870 function Effects 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 55
- 238000010801 machine learning Methods 0.000 claims description 38
- 238000004088 simulation Methods 0.000 claims description 25
- 230000002829 reductive effect Effects 0.000 claims description 20
- 230000004048 modification Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 238000001878 scanning electron micrograph Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 description 79
- 230000005855 radiation Effects 0.000 description 64
- 239000013598 vector Substances 0.000 description 62
- 230000008021 deposition Effects 0.000 description 42
- 238000013461 design Methods 0.000 description 33
- 238000009826 distribution Methods 0.000 description 27
- 230000003287 optical effect Effects 0.000 description 27
- 238000005530 etching Methods 0.000 description 25
- 239000000463 material Substances 0.000 description 23
- 238000013527 convolutional neural network Methods 0.000 description 21
- 239000000523 sample Substances 0.000 description 21
- 238000005286 illumination Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 18
- 230000015654 memory Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 238000005315 distribution function Methods 0.000 description 13
- 238000003754 machining Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 238000001459 lithography Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 238000010894 electron beam technology Methods 0.000 description 8
- 238000012804 iterative process Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 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
- 239000000356 contaminant Substances 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 210000001747 pupil Anatomy 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 102100024335 Collagen alpha-1(VII) chain Human genes 0.000 description 3
- 101000909498 Homo sapiens Collagen alpha-1(VII) chain Proteins 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001311 chemical methods and process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 238000000206 photolithography Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 229910052718 tin Inorganic materials 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
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010205 computational analysis Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000003550 marker Substances 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
- 230000007935 neutral effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 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
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000008602 contraction Effects 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
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 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
- 238000009499 grossing Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005498 polishing 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
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/706835—Metrology information management or control
- G03F7/706837—Data analysis, e.g. filtering, weighting, flyer removal, fingerprints or root cause analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本文描述了产生经修改的模拟轮廓和/或基于经修改的轮廓产生量测量规的方法。一种产生用于测量衬底上的结构的物理特性的量测量规的方法包括:获得(i)与印制于所述衬底上的所述结构的所述物理特性相关联的测量数据,和(ii)所述结构的模拟轮廓的至少一部分,所述模拟轮廓的所述部分与所述测量数据相关联;基于所述测量数据修改所述结构的所述模拟轮廓的所述部分;和在所述模拟轮廓的经修改的部分上或附近产生所述量测量规,所述量测量规被放置以测量所述结构的所述模拟轮廓的所述物理特性。
Description
相关申请的交叉引用
本申请要求于2019年8月20日递交的美国申请62/889,248和于2020年4月20日递交的中国PCT申请PCT/CN2020/085643的优先权,这些申请的全部内容通过引用而被合并入本文中。
技术领域
本公开涉及改善量测工具和器件制造过程的性能的技术。所述技术可以结合与器件制造相关的光刻设备量测或基于轮廓信息的制造过程来使用。
背景技术
光刻设备是一种将期望的图案施加到衬底的目标部分上的机器。例如,光刻设备可以用于集成电路(IC)的制造。在这种情况下,图案形成装置(可替代地被称为掩模或掩模版)可以用于产生与IC的单个层相对应的电路图案,并且所述图案可以被成像在具有一层辐射敏感材料(抗蚀剂)的衬底(例如硅晶片)上的目标部分(例如,包括管芯的部分、一个或几个管芯)上。通常,单个衬底将包括被连续曝光的相邻目标部分的网络。已知的光刻设备包括所谓的步进器和所谓的扫描器,在步进器中,通过将整个图案一次性曝光到目标部分上来辐射每个目标部分,并且在所谓的扫描器中,通过所述束沿给定方向(“扫描”方向)扫描所述图案,同时沿与所述方向平行或反向平行的方向同步地扫描衬底来辐照每个目标部分。
发明内容
在实施例中,提供一种产生用于测量衬底上的结构的物理特性的量测量规的方法。所述方法包括:获得(i)与印制于所述衬底上的所述结构的所述物理特性相关联的测量数据,和(ii)所述结构的模拟轮廓的至少一部分,所述模拟轮廓的所述部分与所述测量数据相关联;基于所述测量数据修改所述结构的所述模拟轮廓的所述部分;以及在所述模拟轮廓的经修改的部分上或附近产生所述量测量规,所述量测量规被放置以测量所述结构的所述模拟轮廓的所述物理特性。
此外,在实施例中,提供一种用于确定与衬底相关联的热斑部位的方法。所述方法包括:获得(i)与一个或更多个图案相关联的模拟轮廓,所述模拟轮廓与印制于所述衬底上的所述一个或更多个图案的物理特性的测量数据相关联,和(ii)与所述模拟轮廓相关联的量测量规;基于所述量测量规确定与所述一个或更多个图案相关联的所述物理特性的值;以及基于物理特性值确定所述衬底上的所述热斑部位,其中热斑部位是所述衬底上的物理特性值小于与所述一个或更多个图案相关联的热斑阈值的部位。
此外,在实施例中,提供一种用于训练与图案化过程相关联的模型的方法。所述方法包括:获得(i)与印制于所述衬底上的结构的物理特性相关联的测量数据,和(ii)与待印制于衬底上的结构的模拟轮廓相关联的量测量规,所述模拟轮廓与所述衬底上的测量所述物理特性的限定部位相关联;和使用所述测量数据和所述量测量规训练所述模型使得围绕所述衬底上的所述限定部位改善所述图案化过程的性能指标,所述性能指标是所述量测量规和所述物理特性的函数。
此外,在实施例中,提供一种产生用于测量衬底上的结构的物理特性的量测量规的方法,所述方法包括:获得(i)与印制于所述衬底上的所述结构的所述物理特性相关联的测量数据,和(ii)所述结构的模拟轮廓的至少一部分,所述模拟轮廓的所述部分与所述测量数据相关联;基于所述测量数据产生所述结构的所述模拟轮廓的所述部分的经修改的轮廓;以及将经修改的轮廓提供至所述图案化过程的模型以确定所述图案化过程的参数。
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。
此外,在实施例中,提供一种训练与图案化过程相关联的机器学习模型的方法。所述方法包括:获得(i)衬底上的显影后图像(ADI)图案的轮廓数据、(ii)印制于所述衬底上的蚀刻后图像(AEI)图案的测量数据,和(iii)基于所述ADI图案的所述轮廓数据和所述AEI图案的所述测量数据获得参考偏置值;以及使用所述测量数据和所述轮廓数据作为训练数据来训练所述机器学习模型以确定待施加至ADI轮廓的偏置值。
此外,在实施例中,提供一种用于确定与显影后图像(ADI)图案相关联的偏置矢量的方法。所述方法包括:获得(i)与被沉积于衬底上的所述ADI图案内的粒子对应的概率分布函数(PDF),和(ii)表征与所述ADI图案相关联的ADI轮廓的轮廓函数;基于在所述ADI轮廓的区域上的所述粒子的所述PDF以及所述轮廓函数的组合,确定所述ADI轮廓上的指定部位处的所述粒子的沉积速率;以及基于所述沉积速率确定与所述ADI图案相关联的偏置矢量,所述偏置矢量在被施加至所述ADI图案的所述ADI轮廓时产生蚀刻后图像(AEI)轮廓。
此外,在实施例中,提供一种用于确定针对轮廓的偏置矢量的方法。所述方法包括:获得(i)与待对所述轮廓执行的过程对应的概率分布函数(PDF),和(ii)表征所述轮廓的形状的轮廓函数;在所述轮廓的区域上对所述轮廓函数与所述PDF进行卷积以确定所述轮廓上的指定部位处的过程速率;以及基于所述过程速率确定待施加至所述轮廓的偏置矢量,以产生指示所述过程的被应用于所述轮廓上的效应的偏置轮廓。
此外,在实施例中,提供一种非暂时性计算机可读介质,包括在由一个或更多个处理器执行时导致对本文中所论述的方法步骤的操作的指令。
附图说明
现在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个子系统的框图;
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3A是根据实施例的产生用于测量衬底上的结构的物理特性的量测量规(例如边缘放置量规、CD量规等)的方法的流程图;
图3B是根据实施例的在图3A的方法中修改模拟轮廓中所使用的步骤的示例实施方式的流程图;
图4A图示根据实施例的在一部位处(例如在SEM工具的FOV内)的模拟轮廓和测量数据的示例;
图4B示出根据实施例的与图4A的模拟轮廓相关联的经修改的轮廓的示例;
图5示出根据实施例的与模拟轮廓相关联的信号以及用以产生经修改的轮廓的阈值的示例;
图6是根据实施例的用于确定与衬底相关联的热斑部位的方法的流程图;
图7是根据实施例的用于训练与图案化过程相关联的模型的方法的流程图;
图8图示根据实施例的诸如包括多个层的卷积神经网络(CNN)的示例模型,每个层与诸如权重和偏差之类的模型参数相关联;
图9是根据实施例的用于训练与图案化过程相关联的模型的方法的流程图;
图10A至图10C是根据实施例的对抗蚀剂轮廓进行蚀刻偏置和由于蚀刻偏置所引起的问题的示例;
图11是用于确定与显影后图像(ADI)图案相关联的偏置矢量的方法的流程图;
图12是根据实施例的在抗蚀剂沟槽中的粒子的图示;
图13是根据实施例的在法线方向上的示例偏置;
图14A和图14B是根据实施例的在图11中所确定的方向上的示例偏置;
图15是根据实施例的用于确定与过程相关联的偏置矢量的方法的流程图;
图16A和图16B图示根据实施例的偏置轮廓的示例应用;
图17示意性地描绘了根据实施例的扫描电子显微镜(SEM)的实施例;
图18示意性地描绘了根据实施例的电子束检查设备的实施例;
图19是根据实施例的示例计算机系统的框图;
图20是根据实施例的光刻投影设备的示意图;
图21是根据实施例的极紫外(EUV)光刻投影设备的示意图;
图22是根据实施例的图21中的设备的更详细视图;并且
图23是根据实施例的图21和图22的设备的源收集器模块的更详细视图。
具体实施方式
在详细地描述实施例之前,提供可供实施实施例的示例性环境是有指导意义的。
图1示出了示例性的光刻投影设备10A。主要部件是:辐射源12A,其可以是深紫外准分子激光源或包括极紫外(EUV)源在内的其它类型的源;源(如上所论述,所述光刻投影设备本身不需要所述辐射源);照射光学装置,其例如限定了部分相干性(标记为σ)且可以包括光学装置14A、16Aa和16Ab,其对来自源12A的辐射成形;图案形成装置18A;以及透射光学装置16Ac,其将图案形成装置图案的图像投影到衬底平面22A上。在投影光学元件的光瞳面处的可调整的滤光片或孔阑20A可以限制射到衬底平面22A上的束角的范围,其中最大的可能的角度限定了投影光学元件的数值孔径NA=nsin(Θmax),其中n是衬底与投影光学器件的最后元件之间的介质的折射率,并且Θmax为从投影光学器件射出的仍可以照射到衬底平面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,并且投影光学元件经由图案形成装置将所述照射引导至衬底上且成形所述照射。所述投影光学元件可以包括部件14A,16Aa,16Ab和16Ac中的至少一些部件。空间图像(AI)是衬底水平处的辐射强度分布。衬底上的抗蚀剂层被曝光,并且空间图像被转移至抗蚀剂层,作为其中的潜隐的“抗蚀剂图像”(RI)。抗蚀剂图像(RI)可以被定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。抗蚀剂模型可以用于从空间图像计算抗蚀剂图像,其示例可以在共同转让的美国专利申请公开号US2009-0157360中找到,该文献的公开内容通过引用将其全部内容并入本文中。抗蚀剂模型仅与抗蚀剂层的性质(例如在曝光、PEB和显影期间发生的化学过程的效应)相关。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元件的性质)规定了空间图像。因为可以改变在光刻投影设备中使用的图案形成装置,所以可以期望将图案形成装置的光学性质与包括至少源和投影光学元件的光刻投影设备的其余部分的光学性质分离开。
在实施例中,可以基于如何根据本公开的方法对所述设计布局进行优化来将辅助特征(亚分辨率辅助特征和/或可印制分辨率辅助特征)放置于所述设计布局中。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图案。所述机器学习模型可以是可按照某种方式(例如,如图3中所论述的)受训练以在较快速率下获得准确预测、因而实现对所述图案化过程的全芯片模拟的神经网络(诸如卷积神经网络)。
可以使用一组训练数据来训练神经网络(即确定所述神经网络的参数)。所述训练数据可以包括一组训练样本或由一组训练样本组成。每个样本可以是包括输入对象(通常是矢量,其可以被称为特征矢量)和期望的输出值(也被称为管理信号)的对,或是由所述输入对象和所述期望的输出值组成的对。训练算法分析所述训练数据且通过基于所述训练数据调整所述神经网络的参数(例如一个或更多个层的权重)来调整所述神经网络的行为。在训练之后,所述神经网络可以用于映射新样本。
在确定图案形成装置图案的情境下,所述特征矢量可以包括由所述图案形成装置包括或形成的所述设计布局的一个或更多个特性(例如,形状、布置、大小等)、所述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)、和用于所述光刻过程中的所述照射的一个或更多个特性(例如波长)。所述管理信号可以包括所述图案形成装置图案的一个或更多个特性(例如,所述图案形成装置图案的CD、轮廓等)。
在给出形式是{(x1,y1),(x2,y2),…,(xN,yN)}的一组N个训练样本使得xi为第i示例的特征矢量并且yi为其管理信号的情况下,训练算法寻求神经网络g:X→Y,其中X为输入空间且Y为输出空间。特征矢量为表示某一对象的数值特征的n维矢量。与这些矢量相关联的所述矢量空间常常被称为特征空间。有时以下操作为方便的:使用计分函数来表示g使得g被定义为返回给出最高计分g(x)=argmaxyf(x,y)的y值。假设F表示计分函数的空间。
所述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最佳地拟合所述训练数据的所述神经网络。结构风险最小化包括控制偏差/方差取舍的罚函数。例如,在实施例中,所述罚函数可以基于成本函数,其可以是平方误差、缺陷数目、EPE等。可以修改所述函数(或函数内的权重)以使得减小或最小化所述方差。
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一个或更多个样本组成。在实施例中,为了测量出函数拟合所述训练数据的良好程度,则限定了损失函数对于训练样本(xi,yi,,预测所述值的损失是
将函数g的风险R(g)定义为g的预期损失。这可以从所述训练数据估计为
在实施例中,所述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/或晶片上的所述抗蚀剂和/或经蚀刻的图像中的轮廓、CD、边缘放置(例如边缘放置误差)等。所述训练的目标是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。轮廓是指待印制于所述衬底上的图案或所述衬底上的所印制的图案的廓形。例如,可以经由诸如边缘检测之类的图像处理算法或其它定制算法来获得轮廓。预期设计(例如待印制于晶片上的晶片目标布局)通常被定义为可以被提供呈诸如GDSII或OASIS或其它文件格式之类的标准化数字文件格式来的预OPC设计布局。
图22图示了用于对图案化过程的部分进行建模和/或模拟的示例性流程图。如应了解的,所述模型可以表示不同图案化过程且无需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所述照射的光学特性(包括辐射强度分布、带宽和/或相位分布)。所述源模型1200可以表示所述照射的光学特性,其包括但不限于:数值孔径设置、照射标准差(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),其中标准差(或σ)是所述照射器的外部径向范围。
投影光学器件模型1210表示投影光学器件的光学特性(包括由所述投影光学器件所造成的辐射强度分布和/或相位分布的改变)。所述投影光学器件模型1210可以表示所述投影光学器件的光学特性,包括像差、变形、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。
所述图案形成装置/设计布局模型模块1220捕获在所述图案形成装置的所述图案中如何布置所述设计特征,并且所述图案形成装置/设计布局模型模块1220可以包括所述图案形成装置的详细物理性质的表示,如例如在全文以引用方式而被合并入本文中的美国专利号7,587,704中所描述的。在实施例中,所述图案形成装置/设计布局模型模块1220表示设计布局(例如与集成电路、存储器、电子器件等的特征对应的器件设计布局)的光学特性(包括由给定设计布局所造成的辐射强度分布和/或相位分布的改变),所述设计布局是所述图案形成装置上或由所述图案形成装置所形成的特征的布置的表示。因为可以改变用于所述光刻投影设备中的所述图案形成装置,所以期望使所述图案形成装置的光学性质与所述光刻投影设备的至少包括所述照射和投影光学器件的其余部分的光学性质分离。所述模拟的目标常常是准确地预测例如边缘放置和CD,可以接着将所述边缘放置和CD与器件设计进行比较。所述器件设计通常被限定为预OPC图案形成装置布局,并且将被提供呈诸如GDSII或OASIS之类的标准化数字文件格式。
可以从所述源模型1200、所述投影光学器件模型1210和所述图案形成装置/设计布局模型1220来模拟空间图像1230。空间图像(AI)是衬底水平处的辐射强度分布。所述光刻投影设备的光学性质(例如所述照射、所述图案形成装置和所述投影光学器件的性质)规定所述空间图像。
衬底上的抗蚀剂层由所述空间图像曝光,并且所述空间图像被转印至所述抗蚀剂层而作为其中的潜隐的“抗蚀剂图像”(RI)。可以将抗蚀剂s图像(RI)定义为所述抗蚀剂层中的所述抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型1240从所述空间图像1230模拟抗蚀剂图像1250。可以使用所述抗蚀剂模型以从所述空间图像计算所述抗蚀剂图像,可以在全部公开内容由此以引用方式并入的美国专利申请公开号US 2009-0157360中找到这种情形的示例。所述抗蚀剂模型通常描述了在抗蚀剂曝光、曝光后焙烤(PEB)以及显影期间出现的化学过程的效应,以便预测例如形成在所述衬底上的抗蚀剂特征的轮廓,并且因此其通常仅与所述抗蚀剂层的这些性质(例如在曝光、曝光后焙烤以及显影期间出现的化学过程的效应)相关。在实施例中,可以捕获所述抗蚀剂层的光学性质,例如折射率、膜厚度、传播和偏振效应,作为所述投影光学器件模型1210的部分。
因此,通常,所述光学模型与所述抗蚀剂模型之间的连接/联系是所述抗蚀剂层内的模拟空间图像强度,其源自辐射至所述衬底上的投影、所述抗蚀剂界面处的折射和抗蚀剂膜叠层中的多次反射。所述辐射强度分布(空间图像强度)通过对入射能量的吸收而被转变为潜隐的“抗蚀剂图像”,所述潜隐的“抗蚀剂图像”通过扩散过程和各种负载效应而被进一步修改。足够快以用于全芯片应用的高效模拟方法通过2维空间(和抗蚀剂)图像而近似所述抗蚀剂叠层中的实际3维强度分布。
在实施例中,可以将所述抗蚀剂图像用作至图案转印后过程模型模块1260的输入。图案转印后过程模型1260限定一个或更多个抗蚀剂显影后过程(例如蚀刻、显影等)的性能。
所述图案化过程的模拟可以例如预测在所述抗蚀剂和/或经蚀刻的图像中的轮廓、CD、边缘放置(例如边缘放置误差)等。因而,所述模拟的目标是准确地预测例如所印制的图案的边缘放置,和/或空间图像强度斜率,和/或CD等。可以将这些值与预期设计进行比较以例如校正所述图案化过程,识别何处被预测出现缺陷等。预期设计通常被定义为预OPC设计布局,所述预OPC设计布局可以被提供呈诸如GDSII或OASIS或其它文件格式之类的标准化数字文件格式。
因而,模型公式化描述了总体过程的大多数(如果不是全部)已知物理性质和化学方法,并且所述模型参数中每个模型参数期望地对应于不同的物理或化学效应。所述模型公式化因而设置了关于所述模型可以用以模拟总体制造过程的良好程度的上限。
在示例中,对所述光刻或蚀刻过程的计算分析采用预测模型(例如如上文关于图2所论述的),所述预测模型当被恰当地校准时可以产生对从所述光刻和/或所述蚀刻过程输出的尺寸的准确预测。通常基于经验测量而校准光刻或蚀刻过程的模型。这种校准包括利用不同过程参数运行测试晶片、在蚀刻过程之后测量得到的临界尺寸,和将所述模型校准至测量结果。在实践中,快速且准确的模型用以改善器件性能或产率、增强过程窗口或增加设计选择。本领域技术人员可以理解,本文中所描述的方法不限于所述光刻的特定模型。为了校准期望的模型,可以在任何半导体制作步骤之后获得图像。例如,空间图像、抗蚀剂图像、蚀刻图像、在化学机械抛光之后的图像,或与所述图案化过程的过程相关的其它图像。
在计算光刻模型中,由扫描电子显微镜(CD-SEM)所测量的临界尺寸(CD)量规通常用作输入数据以校准所述模型。光刻建模的目标是预测针对所述衬底上的每个部位的准确的抗蚀剂轮廓。然而,当使用激进模型形式或深度卷积中性网络时,所述校准产生遭受过度拟合的模型。当这样的过度拟合的模型用以预测例如所述抗蚀剂轮廓时,其可能偏离所述衬底上的印制轮廓,尤其是对于不具有可用CD量规的那些图案。
为了减轻这种过度拟合问题,本公开提供一种用以基于CD SEM原始图像来提取诸如边缘放置(EP)量规之类的量测量规以提供好得多的图案覆盖范围的方法。EP量规可以帮助覆盖复杂的2D图案(例如孔)。复杂的2D图案由至少2个维度(例如宽度和长度)限定,且放置CD切线可能不容易,且其可能不具有可靠的CD量测选配方案。此外,现有量测工具需要几天的额外数据处理时间,这可能难以适合的紧密的生产时间安排表。甚至更具有挑战性的是,由于扫描方向、阴影效应和/或充电效应,有时非常难以从SEM图像提取准确的2D轮廓。
如此,仅利用来自CD SEM量测的CD量规来产生计算光刻模型的方法存在若干限制。所述限制源自以下事实:光刻和等离子体蚀刻过程由复杂的物理和化学反应构成,所述物理和化学反应如此复杂以致于线性项可以仅在一定程度上对取决于图案的蚀刻偏置进行建模。然而,更复杂的高阶项或深度卷积中性网络易于达到过度拟合,其未能预测超出量测测量部位的实体结构的轮廓。为了防止利用CD SEM量测数据的过度拟合,需要用以扩展CD量测数据以提供较好数据覆盖范围且防止过度拟合的方法。
本公开的所述方法提供用于基于CD量规和模型产生诸如EP量规之类的量测量规以减轻模型过度拟合问题的方式。另外,提供一种用于修改模拟模型轮廓以匹配例如所印制的衬底的测量CD数据的方法。因而,使用本公开的量测量规所校准的模型可以提供较好的模型,其还可以提供准确的轮廓形状信息。
在实施例中,提供一种用于使用与所印制的衬底相关联的CD量规和与模型模拟相关联的EP量规以训练DCNN光刻和/或蚀刻模型的方法。
在实施例中,CD量测数据(例如来自CD-SEM)和实体模型用以产生与量测数据相匹配的经修改的模拟轮廓。另外,基于经修改的轮廓,产生模拟量测数据(例如EP量规)。与仅例如从CD-SEM所获得的CD量规相比,本模拟量测提供更多量测信息。
图3A是产生用于测量衬底上的结构的物理特性的量测量规(例如边缘放置量规、CD量规等)的方法的流程图。所述方法300产生用于对结构的物理特性进行测量的量测量规。在实施例中,可以使用量测工具来执行所述测量。在实施例中,可以将所述量测量规(例如呈GDS文件格式)导出至用于改善所述图案化过程的模型(例如OPC、蚀刻模型、抗蚀剂模型等)。此外,在实施例中,所述方法300也可以用以产生经修改的模拟轮廓且将这样的经修改的轮廓(例如呈GDS文件格式)导出至用于改善所述图案化过程的模型(例如蚀刻模型)。
在实施例中,术语“量规”或“量测量规”是指用于测量与衬底上的结构(例如存储器图案,或其它电路图案)的物理特性相关联的尺寸(例如大小、形状)的结构。在实施例中,所述量规可以是例如这样的信息的视觉标记或视觉显示器。在实施例中,用以测量边缘放置的所述量规(例如所述结构的轮廓处的点)被称为边缘放置(EP)量规。类似地,用以测量结构的临界尺寸(CD)的量规可以被称为CD量规。所述量规也与所述衬底上的部位相关联。所述部位可以是限定部位(例如用户限定的)或其它关注的部位,诸如具有与所述结构相关联的最小或最大尺寸的部位。例如,所述部位可以与线或栅条成形结构的最小CD值相关联。EP和CD量规是用作用以解释所述构思的示例。然而,本公开不限于用以测量与衬底的所述结构相关联的所述物理特性的量规。
工序P301包括获得(i)与印制于所述衬底上的所述结构的所述物理特性相关联的测量数据301,和(ii)所述结构的模拟轮廓的至少一部分302,所述模拟轮廓的所述部分与所述测量数据301相关联。在实施例中,所述模拟轮廓的所述部分是所述模拟轮廓的在与所述结构相关联的所述测量数据301周围的限定区内的部分。在实施例中,所述部分可以是整个模拟轮廓。
在实施例中,获得所述模拟轮廓的部分302包括在与所述测量数据301相关联的限定部位周围限定所述衬底的区;和在所述衬底的限定区内模拟图案化过程以获得所述结构的所述模拟轮廓的部分302。例如,限定部位可以是量测工具的视场(FOV)或所述结构的所述部分302周围的用户选择的区域。在实施例中,所述FOV是出于观测或测量目的而捕获的所述衬底上的有限区。例如,所述FOV是印制于所述衬底上的所述结构周围的区、测量所述结构的CD值的部位,或其它给定部位。在实施例中,限定部位(即,局部区域)大小可以被选择成使得在所述区域内,轮廓形状具有最优的实体保真度。当两个CD量规彼此非常接近时,区域可以被选择使得它们彼此不叠置。
在实施例中,经由量测工具获得所述测量数据301。在实施例中,所述量测工具是扫描电子显微镜(SEM)且所述测量数据301从SEM图像获得。在实施例中,所述SEM工具捕获印制于所述衬底上的所述结构的图像。可以使用FOV在给定部位处获取所述图像。
所述模拟轮廓是待印制于所述衬底上的所述结构的廓形。在实施例中,经由图案化过程模拟(例如图2)而获得了所述模拟轮廓。在实施例中,模拟过程可以被配置成仅关于特定部位执行(例如图2的)过程模型,而不是模拟整个衬底。与模拟整个衬底相比,模拟所述衬底的仅一部分允许较快速执行且减少计算资源。
图4A示出在部位(例如在SEM工具的FOV内)处的模拟轮廓401a和401b(共同地被称为401)和测量数据410的示例。在实施例中,经由通过执行一个或更多个过程模型(例如图2中)而模拟所述图案化过程来获得所述模拟轮廓401。在实施例中,所述测量数据410是与所述结构相关联的物理特性(例如CD、EPE等)。也可以从模拟轮廓401获得与所述物理特性相关联的值。然而,所述物理特性的模拟值可以显著地不同于所述物理特性的实际测量值。因此,如果测量是基于这种模拟轮廓,则所述测量最终将是不准确的且可能影响所述图案化过程的产率。本公开提供一种用以修改所述模拟轮廓且进一步基于经修改的轮廓产生所述量测量规(例如EP量规、CD量规)的方式。例如,工序P303是用以修改所述模拟轮廓的一种方式(作为示例)。图4B图示所述模拟轮廓401的经修改的轮廓(例如411a和411b)的示例。
在实施例中,所述测量数据410是与所述衬底上的所述给定部位处的所述结构相关联的CD值。在实施例中,CD值是在所述给定部位处的两个轮廓之间的距离。在实施例中,测量CD值大致不同于从模拟轮廓401获得的CD值。在实施例中,所述模拟轮廓401被修改使得测量CD值和模拟CD值是类似的。
工序P303包括基于所述测量数据301修改所述结构的所述模拟轮廓的部分302,由此产生所述模拟轮廓的经修改的轮廓304。关于图3B来论述用于修改所述模拟轮廓的步骤的示例实施方式。
工序P311包括基于所述模拟轮廓的部分302来确定与所述结构的所述模拟轮廓的所述物理特性相关联的模拟数据312。工序P313包括确定与所述结构的所述物理特性相关联的测量数据301与模拟数据312之间的差。工序P315包括基于差314修改所述模拟轮廓的部分302使得测量数据301与模拟数据312之间的差314减小。因而产生的经修改的轮廓304还可以用于与所述图案化过程相关的各种应用(例如改善图案、确定过程参数、OPC等)中。
如早先提及的,测量数据是与所述结构相关联的限定部位处的CD值。接着,所述模拟轮廓的部分302的修改是基于与所述结构相关联的模拟CD值与的测量CD值之间的差314。
图4B示出在给定部位(例如SEM工具的FOV内)处的与所述模拟轮廓401相关联的经修改的轮廓411以及测量数据410的示例。可以使用如本文中所论述的工序P311、P312和P315(或P317)获得经修改的轮廓411。例如,可以基于诸如CD值之类的测量数据410修改所述模拟轮廓401。在实施例中,所述模拟轮廓用以测量与所述测量数据相同部位处的CD值。例如,可以在所述模拟轮廓401a与401b之间测量模拟CD。接着,计算模拟CD值与测量CD值之间的差。基于所述CD差,在所述FOV内修改所述模拟轮廓使得最小化所述CD差。在实施例中,所述差是使得模拟轮廓的大小增大至经修改的轮廓411a和411b,使得减小(在实施例中,最小化)CD差。另外,基于经修改的轮廓411,产生量测量规。诸如EP量规之类的所产生量测量规还可以用以准确地测量所述衬底上的所述结构的特性。
在另一示例中,所述模拟轮廓的所述部分302的修改包括调整与获得所述模拟轮廓相关的阈值(例如用于在水平设定方法中以获得模拟轮廓)。例如,在实施例中,可以采用工序P311、P313和P315。工序P311包括基于所述模拟轮廓的所述部分302确定与所述结构所述的模拟轮廓的所述物理特性相关联的模拟数据312。工序P313包括确定与所述结构的所述物理特性相关联的模拟数据312与测量数据之间的差314。工序P317包括基于差314调整用以产生所述模拟轮廓的阈值,使得减小所述测量数据301与所述模拟数据312之间的差314,其中经调整的阈值修改所述模拟轮廓的所述部分302。因而产生经修改的轮廓304′且其还可以用于与所述图案化过程相关的不同应用(例如OPC)中,如早先提及的。
在实施例中,测量数据是特征的CD。在这样的情况下,在示例中,所述模拟轮廓的所述部分302的修改包括使用所述模拟轮廓的部分302来确定所述衬底上的获得测量CD值的限定部位处的模拟CD值;确定模拟CD值与测量CD值之间的差314;以及基于所述差314调整阈值使得减小CD值之间的差314,经调整的阈值修改所述模拟轮廓的部分302。
图5示出与模拟轮廓相关联的信号501以及用以产生经修改的轮廓的阈值的示例。信号可以被想像为呈3个维度(例如x、y和z)的山状轮廓。例如,图案化过程模拟可以涉及接收信号501(例如与模拟图案相关联的图像强度)的水平设定方法。此外,所述水平设定方法使用阈值510,例如呈跨越所述信号切割的平面的形式。接着,所述平面与所述信号的相交产生所述模拟轮廓。取决于所述阈值,可以产生不同的模拟轮廓。因而,根据本公开,测量数据与来自模拟轮廓的模拟数据之间的差可以用以调整所述阈值510至不同的阈值520。经调整的阈值520使得其产生所述模拟轮廓,所述模拟轮廓使得减小或最小化与所述物理特性相关联的测量数据与模拟数据之间的差。例如,可以关于模拟数据与测量数据之间的差来修改所述阈值510。
工序P305包括在所述模拟轮廓的经修改的部分上或附近产生所述量测量规(例如边缘放置量规),所述量测量规被放置以测量所述结构的所述模拟轮廓的所述物理特性。在实施例中,产生所述量测量规包括在所述模拟轮廓的经修改的部分上(或附近)指定诸如点之类的标记;以及导出所述点的部位作为所述量测量规(例如,所述边缘放置量规)。在实施例中,可以将所述部位导出或输出为文本文件、GDS文件或用于由计算机处理的其它格式。图4B图示了沿经修改的轮廓411所产生的示例边缘放置量规EP1、……、EP10、……、EPn。在实施例中,所述边缘放置量规是经修改的轮廓处或周围的点。在实施例中,可以通过在与经修改的轮廓垂直的方向上将线从所述模拟轮廓拖曳至经修改的轮廓从而产生所述边缘放置量规。
在实施例中,可以修改所述方法300以从模拟轮廓产生经修改的轮廓,经修改的轮廓正用于改善所述图案化过程。在实施例中,所述图案化过程的改善包括基于图案化过程模拟(例如参见图2)确定所述图案化过程的参数。
在实施例中,可以将所述方法300修改如下。如在工序P301中所解释的,所述方法包括获得(i)与印制于所述衬底上的所述结构的所述物理特性相关联的测量数据301,和(ii)所述结构的所述模拟轮廓的至少一部分302,所述模拟轮廓的所述部分302与所述测量数据相关联。另外,如关于工序P303所解释的,所述方法包括基于测量数据301产生所述结构的所述模拟轮廓的所述部分302的经修改的轮廓。在实施例中,可以通过基于所述测量数据301与所述模拟数据312之间的差314使所述模拟轮廓移位来产生经修改的轮廓(关于P303所论述的)。在实施例中,使所述模拟轮廓移位以减小例如在给定部位处的测量CD与模拟CD值之间的CD差。
另外,所述方法包括将经修改的轮廓提供至所述图案化过程的模型以确定所述图案化过程的参数。例如,可以将经修改的轮廓提供至图2的蚀刻模型或抗蚀剂模型以进一步改善模拟蚀刻轮廓或模拟抗蚀剂轮廓的准确度。
图6是用于确定衬底上的热斑部位的方法600的流程图。所述方法600可以是诸如EP量规或CD量规之类的量测量规的应用。例如,由P305所产生的EP量规可以用以确定热斑部位。所述热斑检测算法可以使用EP量规(例如EP1、……、EPn)以确定所述热斑的图案和部位。在实施例中,热斑是过程窗口限制图案或在成像在所述衬底上之后最可能失效的图案。利用工序P601、P603和P605来解释确定热斑的示例方法。然而,可以在被配置成基于量测量规和模拟轮廓来确定热斑的任何其它热斑检测算法中使用所述量测量规。
工序P601包括:获得(i)与一个或更多个图案相关联的模拟轮廓601,所述模拟轮廓601与印制于所述衬底上的一个或更多个图案的物理特性的测量数据相关联,和(ii)与所述模拟轮廓601相关联的量测量规602(例如边缘放置量规和/或CD量规)。
在实施例中,获得所述量测量规602包括:经由使用所述测量数据对图案化过程进行模拟来确定与一个或更多个图案相关联的所述模拟轮廓601;基于与所述一个或更多个图案相关联的测量数据来修改所述模拟轮廓601的至少一部分;以及在所述模拟轮廓601的经修改的部分上或处产生所述量测量规602。例如,所述方法300可以用以修改所述模拟轮廓601且进一步产生诸如EP量规之类的所述量测量规602。
工序P603包括基于所述量测量规602来确定与所述一个或更多个图案相关联的所述物理特性的值604。在实施例中,确定所述物理特性的值604包括了在量测量规602中的一个或更多个量测量规处测量所述物理特性的值604。在实施例中,所述量测量规602可以用以相对于参考图案(例如目标图案)、CD量规或其它物理特性来测量模拟轮廓的边缘放置误差(EPE)。
工序P605包括基于物理特性值604来确定所述衬底上的热斑606或热斑部位606,其中热斑或热斑部位是指所述衬底上的物理特性值小于与所述一个或更多个图案相关联的热斑阈值的图案或部位。
在实施例中,确定所述热斑部位606包括:确定与所述一个或更多个图案相关联的所述物理特性的值是否突破所述热斑阈值;以及响应于突破所述阈值,识别所述量测量规602的与突破所述阈值相关联的部位。例如,所述热斑阈值可以是待印制于所述衬底上的特征的最小CD或EPE值。
图7是用于训练与图案化过程相关联的模型的方法700的流程图。所述方法700是使用本文中的所述方法300所产生的量测量规702的示例应用。因为所述量测量规702是较准确的,所以与基于量测量规702所训练的所述图案化过程相关的过程模型将提供较准确的结果(例如与测量数据紧密地匹配)。所述模型的结果还可以用以确定所述图案化过程的改善的参数,由此导致来自实际图案化过程的较高产率。所述方法700中所涉及的示例工序在下文中详细论述。
工序P701包括:获得(i)与印制于所述衬底上的所述结构的所述物理特性相关联的测量数据701,和(ii)与待印制于衬底上的结构的模拟轮廓相关联的量测量规702(例如EP量规或CD量规),所述模拟轮廓与所述衬底上的测量所述物理特性的限定部位相关联。
工序P703包括使用所述测量数据701和所述量测量规702来训练所述模型704使得围绕所述衬底上的所述限定部位改进了所述图案化过程的性能指标,所述性能指标是所述量测量规702和所述物理特性的函数。在完成所述训练过程之后,所述模型被称为经训练的模型704。
在实施例中,对所述模型的训练是迭代过程。迭代包括:经由执行所述模型来确定待印制于所述衬底上的所述结构的模拟轮廓和与所述结构的所述模拟轮廓的所述物理特性相关联的模拟数据;确定模拟数据与所述测量数据701之间的第一差,和沿所述模拟轮廓的点与量测量规702之间的第二差;以及基于具有图案化过程的参数的性能指标的梯度,确定模型参数以使得最小化所述性能指标,所述性能指标是所述第一差和所述第二差的函数。
图8图示了诸如包括多个层的卷积神经网络(CNN)的示例模型,每个层与诸如权重和偏差之类的模型参数相关联。当输入(例如特征矢量)传递通过这些层时,根据针对每个层所指派的值来对所述输入进行加权和偏置,且产生输出(例如模拟轮廓和图案化过程参数的输出矢量)。
如早先提及的,诸如CNN 800的所述机器学习模型的训练是迭代过程。迭代包括:初始化CNN 800的模型参数;预测与所述衬底相关联的所述物理特性的值;以及调整CNN800的模型参数值使得减小成本函数。
在实施例中,调整所述模型参数值基于所述成本函数的梯度下降。在实施例中,使所述成本函数最小化。在实施例中,调整CNN 800的所述模型参数值包括确定根据所述模型参数而变化的第一成本函数的梯度映射或梯度图。接着,基于所述梯度映射,确定所述模型参数值使得最小化所述成本函数。
在实施例中,调整所述模型参数值包括调整以下的值: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或偏置、CNN的超参数和/或CNN的层的数目。在实施例中,层数目是CNN的超参数,其可以被预先选择且在所述训练过程期间可以不被改变。在实施例中,可以在可以修改层数目的情况下执行一系列训练过程。
在实施例中,所述成本函数是测量数据与模拟数据(例如由CNN 800预测)之间的差。通过修改CNN模型参数(例如权重、偏差、步幅等)的值来减小所述差。在实施例中,对应于所述差的梯度可以是dcost/dparameter,其中可以基于方程式(例如参数=参数-learning_rate*梯度)来更新cnn_parameters值。在实施例中,所述参数可以是权重和/或偏差,并且learning_rate即学习速率可以是用以调谐所述训练过程的超参数且可以由用户或计算机选择以改善所述训练过程的收敛(例如较快速收敛)。
在实施例中,所述模型是所述过程模型中的至少一个过程模型,诸如被配置成预测蚀刻图像的蚀刻模型;或被配置成预测抗蚀剂图像的抗蚀剂模型。
对蚀刻过程的计算分析采用了可以预测由所述蚀刻过程所产生的经蚀刻的结构的尺寸的经校准的预测模型。如本文中提及的,可以基于经验测量来校准与所述蚀刻过程相关的模型。所述校准过程包括:利用不同过程参数来图案化测试晶片、在所述蚀刻过程之后测量测试晶片上的图案的临界尺寸(CD),和基于测量CD来校准所述模型。在实践中,快速且准确的模型可以用以改善图案化设备的性能、图案化产率、所述图案化过程的过程窗口,或增加与例如确定掩模图案相关的设计选择。
在所述蚀刻过程之后,蚀刻图案的蚀刻轮廓偏离所述衬底上的抗蚀剂图案的对应的抗蚀剂轮廓。所述偏离是取决于图案的。可能不将恒定偏差施加至所述抗蚀剂轮廓以产生所述蚀刻轮廓。在蚀刻建模中,所述抗蚀剂轮廓可以用作输入,并且目标是预测待施加至所述抗蚀剂轮廓上的不同点的蚀刻偏置值。在现有建模方法中,通过线性方程式来建模取决于图案的蚀刻偏置值,所述线性方程式使用描述图案特性的多个线性项。
存在关于使用所述线性方程式对取决于图案的偏置值进行建模的若干限制。所述限制源自以下事实:蚀刻过程(例如使用干式蚀刻)包括复杂的化学反应和物理粒子轰击,它们如此复杂使得线性项可以仅在有限范围内对取决于图案的蚀刻偏置值进行建模。如此,不能由线性项准确地建模的蚀刻效应应被认为产生较准确的蚀刻模型。在实施例中,所述蚀刻模型还可以用于与光刻相关的各种应用中。例如,所述蚀刻模型可以用以确定例如与掩模图案相关的OPC以便改善图案化性能或产率。
当前,通过在所述抗蚀剂轮廓的不同点处施加偏置值(例如由所述蚀刻模型确定)来产生蚀刻轮廓。在局部法线方向上将偏置值施加至抗蚀剂轮廓。然而,这种方法趋向于导致在高曲率点处的偏置值的过度计算,并且得到的蚀刻轮廓可以展现非物理行为(例如如图10A至图10C中所示出的鱼嘴状形状或不合理地尖锐的端部)。本公开描述了用以确定蚀刻轮廓和偏置方向以解决与所述蚀刻轮廓相关的前述问题的方法。
图9是根据本公开的实施例的用于训练与图案化过程相关联的机器学习模型的示例性过程900。所述训练基于与显影后图像(ADI)和蚀刻后图像(AEI)相关的测量数据。在训练之后,经训练的模型可以确定可以被施加至ADI轮廓以产生蚀刻轮廓的偏置值。示例性过程900包括以下详细论述的不同工序。
工序P901包括:获得(i)衬底上的显影后图像(ADI)图案的轮廓数据901、(ii)印制于所述衬底上的蚀刻后图像(AEI)图案的测量数据902,和(iii)基于所述ADI图案的轮廓数据901和所述AEI图案的测量数据902两者的参考偏置值903。例如,基于所述ADI图案与所述AEI图案的测量值之间的差来确定所述参考偏置值903。
在实施例中,可以用与所述ADI图案的一个或更多个特征相关联的轮廓的图像形式来表示所述轮廓数据901。在实施例中,从模拟ADI图案的模拟轮廓产生所述图像。在实施例中,获得所述轮廓数据901涉及使用待印制于所述衬底上的设计图案作为输入来执行与所述图案化过程相关联的一个或更多个过程模型以产生模拟ADI图案。所述图案化过程包括抗蚀剂过程或用以模拟所述抗蚀剂过程的抗蚀剂模型。从所述模拟ADI图案,可以提取ADI轮廓。每个轮廓是所述模拟ADI图案内的特征的轮廓。在实施例中,一个或更多个过程模型包括以下各项中的至少一个:被配置成确定空间图像的光学器件模型,和被配置成确定抗蚀剂图像的抗蚀剂模型。关于图2论述了采用与所述图案化过程相关的不同模型的示例模拟过程。
在实施例中,可以从量测设备(例如SEM)获得所述图像,所述测量设备被配置成在对所述衬底的抗蚀剂过程之后捕获所述衬底的图像。在示例中,所述轮廓可以是可以从抗蚀剂图像(例如印制于所述衬底上的所述抗蚀剂图案的SEM图像)所提取的抗蚀剂轮廓。
在实施例中,在指定量测量规处获得测量数据902。如早先提及的,所述量测量规可以是边缘放置量规、与所述AEI图案相关联的临界尺寸(CD)量规,或这两者。例如,所述量测量规处的所述测量数据902包括与印制于所述衬底上的所述AEI图案的轮廓相关联的边缘放置量规的部位;和/或与印制于所述衬底上的所述AEI图案相关联的CD值。
在实施例中,当所述量测量规是CD量规时,经由被配置成确定与给定CD量规相关联的偏置值的校准过程来获得所述参考偏置值903。偏置值指示了待施加至所述ADI图案以产生所述AEI图案的CD减小量。在实施例中,在给定CD量规的端部处提供所述偏置值。两个端部处的偏置值可能不相等。换句话说,所述偏置值可能关于CD量规的中心不对称。
在实施例中,所述校准过程包括将偏置模型确定为表征图案的多个项的线性组合。所述偏置模型可以确定在一个特定抗蚀剂轮廓点处的偏置值。由以下线性模型给出示例偏置模型。
在以上方过程中,Term_biasi是与所述ADI轮廓的点i相关联的模型项,并且ci是与点i处的Term_bias相关联的系数。在实施例中,所述模型项可以是线性表达式,或与所述图案化过程的一方面相关的物理项(例如CD、剂量、聚焦、MSD、抗蚀剂厚度)。在实施例中,所述偏置模型可以结合光刻模拟过程(例如图2)来实施。在实施例中,接着使用所述模型预测的偏置值在法线方向上使抗蚀剂轮廓偏置,以获得对应的蚀刻轮廓。
在实施例中,所述偏置模型中的项可以用CD表示,并且点i是指CD量规的第一端部或第二端部(例如为了测量所述轮廓的CD而跨越轮廓所绘制的水平线或竖直线)。因此,在实施例中,所述偏置模型可以确定在CD量规的端部处的偏置值。当与CD量规一起工作时,偏置值被分割成CD量规的两个端部,这是由于所述偏置相对于量规中心不总是对称的。分割针对CD量规的所述偏置的方法使用上述经校准的偏置模型,其可以在给定CD量规处产生不对称的偏置值。在实施例中,将量规中心用作参考,并且将所述偏置值同等地分割成两个CD量规端部。经分割的CD偏置值接着用以训练CNN模型。在实施例中,当使用边缘放置(EP)量规时,不存在对偏置值的不对称分割。针对每个EP量规确定所述偏置值且这样的偏置值可以直接地用以训练所述CNN模型。
在实施例中,可首先将所述ADI图案或从其提取的ADI轮廓变换成不同图像格式,之后使用所述ADI图案或从其提取的ADI轮廓来训练模型。例如,所述图像格式可以包括经滤波的降采样抗蚀剂图像即经滤波的下采样抗蚀剂图像(FDRI)。例如,所述FDRI可以是通过将低通滤波器应用至从ADI图案所提取的轮廓而产生的低通滤波器图像。在实施例中,所述轮廓可以是二元图像,如果其直接地用于训练所述模型,则与使用所述FDRI相比,所述训练过程可能非常缓慢。另外,FDRI是灰阶图像,其提供在所述训练过程期间修改每个像素值的较大灵活性,使得模型输出以较快速率收敛至期望的结果。在实施例中,可以通过以偏置模型项变换所述ADI轮廓或所述ADI轮廓的其它数学变换来产生所述图像。所述变换可能造成所述偏置模型项与蚀刻过程的较好的相关性。
工序P903包括使用所述测量数据902和所述轮廓数据901作为训练数据来训练所述机器学习模型以确定待施加至ADI轮廓的偏置值。在所述训练过程之后,产生经训练的模型905。所述经训练的模型905还可以被应用至所述图案化过程的一个或更多个方面以改善例如光刻性能、图案化产率、所述图案化过程的调整参数等。
在实施例中,对所述模型的训练包括调整所述机器学习模型的模型参数以使得所述偏置值将在基于所述参考偏置值903而确定的指定范围内。例如,可以对模型(例如卷积神经网络(CNN))的权重和偏差的值进行调整以导致所述模型产生在所述指定范围内的偏置值。在实施例中,所述指定范围指示了所述模型所产生的偏置值收敛至所述参考偏置值903。例如,所述指定范围可以被限定为在ADI图案的给定部位处(例如参考偏置值±0.1nm)。在实施例中,所述指定范围可以被定义为在每个参考偏置值的0至5%内偏离的值。
在实施例中,对所述机器学习模型的所述训练是迭代过程。迭代包括:(a)使用所述测量数据902、所述轮廓数据901、以及所述模型参数的给定值来执行所述机器学习模型以产生与所述轮廓数据901相关联的偏置映射,所述偏置映射包括偏置值;(b)基于所述基于模型的偏置值与所述参考偏置值903之间的差的梯度,来调整所述机器学习模型的所述模型参数使得减小所述差;以及(c)执行步骤(a)至(b)直到最小化所述差为止。
在实施例中,所述模型参数是所述模型的权重和偏差。调整所述模型的一个或更多个层的权重和偏差会导致所述模型产生与所述参考偏置值903近似相同的偏置值。在实施例中,所述模型产生的偏置值与所述参考偏置值903之间的差的梯度指导对所述模型参数的值的调整。例如,所述梯度可以是所述差相对于所述模型参数的导数的映射。所述映射包括波峰和波谷,其中波谷指示最小化的点。在实施例中,所述训练过程包括调整所述模型参数的值使得最小化所述差。这种最小化可以与所述梯度映射的波谷相关联。例如,通过在波谷的谷值方向上改变所述模型参数值来达到所述最小化。
在实施例中,所述机器学习模型被配置成产生针对所述ADI轮廓的偏置映射的表示。在实施例中,可以将所述偏置映射表示为像素化图像,每个像素指示偏置值。另外,像素部位可以与目标布局的坐标、或所述ADI图案的坐标相关。在实施例中,所述偏置值可以是正、负或零。正偏置值指示了应减小所述ADI轮廓且负偏置值可以指示应增大所述ADI轮廓,或反之亦然。
在实施例中,经由经训练的机器学习模型所产生的所述偏置映射包括待施加至抗蚀剂轮廓以确定将被印制于所述衬底上的蚀刻轮廓的蚀刻偏置值。在实施例中,所述偏置映射包括与整个晶片或管芯相关联的坐标。每个坐标系与偏置值相关联。在实施例中,在局部法线方向上将所述蚀刻偏置值施加至所述抗蚀剂轮廓。所述局部法线方向是在所述抗蚀剂轮廓上的给定点处垂直于所述抗蚀剂轮廓的方向。因而,所述抗蚀剂轮廓上的每个点将具有不同的法线方向。在实施例中,所述偏置映射是像素化图像,每个像素具有指示偏置值的强度值。
在实施例中,如早先提及的,在局部法线方向上将所述偏置值施加至所述ADI轮廓可能造成不切实际的蚀刻轮廓。图10A至图10C图示了现有偏置方法和相关问题的示例。
在图10A中,可以将偏置值b1、b2、b3、b4和b5施加于抗蚀剂轮廓1001的不同部位处。在法线方向上施加所述偏置值b1至b5以产生蚀刻轮廓1020。在所述偏置值b1至b5是足够大的情况下,这些偏置值可能造成在所述蚀刻轮廓1020中的鱼嘴状不规则形状1021。这种鱼嘴形状1021是所述蚀刻图案的不切实际的表示。
如图10B中示出,所述偏置值在曲率区域1030处相交。偏置的这种相交导致了所述鱼嘴1021。在实施例中,可以不相交的大的偏置值可以产生尖锐的线端(例如,如图10C中示出)。图10C示出抗蚀剂轮廓1050,所述偏置值b10、b11和b12可以被施加至所述抗蚀剂轮廓以产生蚀刻轮廓1060。所述偏置值b10和b11足够大以产生刀尖状的尖锐线端。因此,在局部法线方向上以由经校准的偏置模型而计算出的偏置值来移动ADI轮廓可能不会得到准确的AEI轮廓。因而,在图11中提供一种用以确定可以被施加至例如抗蚀剂轮廓的偏置矢量的方法。
图11是根据本公开的实施例的用于确定与显影后图像(ADI)图案相关联的偏置矢量的示例性过程1100。在实施例中,所述偏置矢量包括偏置方向,所述偏置方向将偏置值指向当受偏置时不会造成轮廓曲率相交的方向。在实施例中,所述方法1100包括在下文详细论述的以下工序。在实施例中,可以根据被配置成针对任何给定图案产生偏置值的经训练的模型(例如905)、所述方法1100的偏置矢量、用户定义的偏置值、或其它偏置确定算法或方法,来获得所述偏置值。
工序P1101包括:获得(i)衬底上的ADI图案内的粒子沉积的概率分布函数1101(PDF)和(ii)表征与所述ADI图案相关联的ADI轮廓的轮廓函数1102。
在实施例中,基于所测量的衬底数据来确定或校准粒子沉积的PDF 1101。所测量的衬底数据可以包括所述粒子的沉积数据、和所测量的蚀刻图案。在实施例中,所述粒子的PDF 1101表征与所述ADI轮廓接触的所述粒子的净沉积效应或净蚀刻效应。本文中,通过使用术语“沉积”或“沉积速率”来详细描述实施例,其中通过从原始轮廓向内施加偏置来导出所得到的轮廓。然而,应了解,确定所述偏置方向的所披露机制也可以被扩展至可以通过从所述原始轮廓向外施加偏置且通过使用负沉积速率来导出所得到的轮廓的应用。在实施例中,PDF 1101可以是高斯分布。然而,这仅仅是示例性的;可以在不背离本公开的范围的情况下使用函数的任何其它合适的形式。在实施例中,获得所述PDF 1101包括确定对所述测量数据进行拟合的所述高斯分布的方差或标准差(σ)。稍后在本文中关于图13和图14A至图14B来论述所述高斯分布的所述方差如何对所述偏置方向和所述蚀刻轮廓造成影响的示例。
工序P1103包括基于在所述ADI轮廓的区域上的所述粒子的所述PDF 1101和所述轮廓函数1102的组合,来确定所述粒子在所述ADI轮廓上的指定部位处的沉积速率1103。在实施例中,所述沉积速率1103可以是正的(例如,对应于轮廓的收缩)或负的(例如,对应于轮廓的扩展)。在实施例中,确定所述粒子的沉积速率1103包括对所述轮廓函数1102与所述粒子的所述PDF 1101进行卷积,并且在所述ADI轮廓的区域上进行积分。
图12图示了粒子对由轮廓函数R(x,y)所表示的抗蚀剂轮廓的示例影响。如所示出,在实施抗蚀剂轮廓上的点P处,偏置方向指向粒子部位(由星形标记)。在实施例中,粒子部位由所述粒子的浓度来表征。在实施例中,粒子将沉积于抗蚀剂壁上,因此所述抗蚀剂轮廓将朝向所述粒子的方向减小。在实施例中,抗蚀剂沟槽将包括由例如高斯分布G(r)来表征其散布的蚀刻粒子。在实施例中,所述抗蚀剂轮廓R(x,y)与在所述抗蚀剂轮廓的区域上的所有粒子整合考虑,以发现最终蚀刻轮廓E(x,y)。换句话说,所述蚀刻轮廓不是由仅一个粒子决定,而由抗蚀剂沟槽中的所有粒子决定。
在实施例中,可以基于以下方程确定所述沉积速率1103,例如D(x,y):
D(x,y)=k∫∫R(u,v)G(x-u,y-v)dudv
在以上方过程中,R(u,v)是用以表征在ADI中的轮廓(例如抗蚀剂轮廓)的几何形状的轮廓函数;并且G(x-u,y-v)是在与抗蚀剂壁相距一定距离r的沟槽内的粒子的沉积速率函数。在实施例中,所述沉积速率函数是由平均值和方差来表征的高斯函数。在实施例中,可以基于测量数据(例如所印制的衬底上的蚀刻轮廓)来确定所述高斯函数的所述方差。在实施例中,G(x-u,y-v)充当对所述偏置值的方向的指导。例如,图14A和图14B图示示出改变所述高斯函数的方差影响偏置方向和最终蚀刻轮廓。
工序P1105包括基于所述沉积速率1103来确定与所述ADI图案相关联的偏置矢量1105。所述偏置矢量1105当被施加至所述ADI图案的所述ADI轮廓时产生蚀刻后图像(AEI)轮廓。在实施例中,所述偏置矢量1105包括所述ADI轮廓的特定部位处的偏置方向。在实施例中,所述方法还可以包括沿所述偏置方向施加偏置值以产生所述AEI轮廓的步骤。例如,所述偏置矢量包括可以在抗蚀剂轮廓上的特定部位处施加偏置值所沿的偏置方向,如本文中所论述(例如参见图14A至图14B)。
在实施例中,确定所述偏置矢量1105包括确定所述沉积速率1103相对于所述ADI图案的第一方向和第二方向的梯度。例如,所述第一方向(例如沿x轴)和所述第二方向(例如沿y轴)彼此垂直。
在实施例中,针对以上的所述沉积速率D(x,y),基于以下方程来确定所述沉积速率1103的梯度:
在以上方过程中,将所述沉积速率的梯度表达为所述沉积速率的在给定方向上的x分量和y分量的组合。
在实施例中,所述ADI轮廓上的每个指定部位处的所述偏置方向与偏置值相关联。当将不同部位处的所述偏置值施加至所述ADI轮廓时,不同部位处的所述偏置矢量1105彼此不相交。在实施例中,所述偏置矢量1105的所述偏置方向包括与所述ADI轮廓不垂直的方向。在实施例中,所述粒子的所述高斯分布的所述方差引起所述偏置矢量1105发生改变。如此,在实施例中,所述方差可以被调整以产生当施加偏置值时不会造成ADI轮廓相交的所述偏置矢量1105。
在实施例中,当所述ADI图案包括多个轮廓时,针对每个ADI轮廓单独地确定一组偏置矢量1105。例如,所述ADI图案可以包括第一层上和所述第一层的顶部上的第二层上的特征。在一个示例中,一个特征可以由所述ADI图案的相邻特征包围。在示例中,可以合并相邻特征的密度或紧密度以计算所述偏置值。然而,无论所述相邻特征的密度如何,在施加所述偏置值之后,所述偏置矢量都不会造成ADI轮廓相交。
图13图示了在所述抗蚀剂轮廓上的不同点处在法线方向上将偏置值施加至抗蚀剂轮廓RC1以产生偏置轮廓EC1(也被称为蚀刻轮廓EC1)的示例。注意,在所述抗蚀剂轮廓RC1的曲率的情况下,所述偏置矢量在区R1中彼此相交。如早先提及的,这种相交引起所述蚀刻轮廓EC1的不规则的或非物理行为。例如,以所述偏置值移动所述抗蚀剂轮廓RC1以导致所述偏置轮廓EC1在所述区R1中具有鱼嘴或尖锐的线端。
在实施例中,所述偏置轮廓EC1可以类似于通过应用上文所论述的所述方法1100所产生的轮廓。例如,可以通过将所述高斯函数的方差设置成大致为零来产生所述偏置轮廓EC1。在图14A和图14B中进一步图示所述高斯函数的方差改变的效应。
图14A和图14B是分别使用具有例如30和60的方差的所述高斯函数来应用方法1100的示例结果。在实施例中,所述方法1100基于具有第一方差的高斯函数来确定偏置矢量且基于具有相对高于所述第一方差的第二方差的高斯函数确定另一偏置矢量。当所述偏置矢量被施加至所述抗蚀剂轮廓RC1时,其不会造成所述偏置值相交,且产生了偏置轮廓EC2和EC3。
当所述高斯函数的方差增大时,偏置值(与所述抗蚀剂轮廓相关)的相交点向左移动。例如,区R3中的相交点在区R2中的相交点的相对左侧。在实施例中,所述相交点指示抗蚀剂沟槽内的粒子的相对较高浓度。因此,所述偏置值指向所述相交点。
比较所述偏置轮廓EC2和EC3示出了R2和R3内的轮廓部分不具有尖锐边缘或鱼嘴状形状。另外,所述偏置轮廓EC2的(在R2内的)部分与所述偏置轮廓EC3的(在R3内的)部分相比是相对地更尖锐的(更尖)。
在实施例中,可以基于测量数据(例如所印制的衬底的蚀刻轮廓数据)来校准所述高斯函数的方差值,如早先所论述的。使用经校准的高斯函数,可以使用所述方法1100来确定偏置方向。例如,确定了所述梯度另外,使用例如使用经训练的模型905(例如CNN)所确定的所述偏置值、以及抗蚀剂轮廓的每个点处的偏置方向可以产生所述蚀刻轮廓。
在实施例中,方法900和1100可以用于与所述图案化过程相关的各种应用。示例应用包括但不限于SMO、OPC、热斑检测、缺陷检测、在制造过程期间调整光刻设备的参数、调整光刻后过程的参数、和其它相关应用。
例如,在OPC应用中,掩模图案可以用以产生抗蚀剂轮廓。将使用所述抗蚀剂轮廓作为至经训练的模型905的输入,可以确定所述偏置值。可以将所述偏置值施加至所述抗蚀剂轮廓以确定蚀刻轮廓。在实施例中,可以在法线方向或由方法1100所确定的偏置方向上施加所述偏置值。此外,取决于所述蚀刻轮廓与待印制于衬底上的目标轮廓之间的差,可以确定对所述掩模图案的光学邻近效应校正。在实施例中,可以重复前述步骤直到最小化所述蚀刻轮廓与所述目标轮廓之间的差为止。
在实施例中,方法1100不限于图案化过程。所述方法1100可以被扩展以确定用于其它应用的偏置轮廓。在示例中,所述方法1100的修改被论述如下。
在实施例中,图15是用于确定针对轮廓的偏置矢量的示例性过程1500的流程图。所述方法1500包括以下工序。
工序P1501包括获得(i)与待对所述轮廓执行的过程对应的概率分布函数1501(PDF),和(ii)表征所述轮廓的形状的轮廓函数1502。例如,所述PDF 1501可以表示以下各项的行为:经由机加工工具的处理过程、经由量测工具的测量过程、如本文中所论述的光刻相关过程、沿轮廓引导机器人器件、或涉及基于轮廓的操作的其它过程。在示例中,所述轮廓可以是与待加工的部件相关的几何形状。在另一示例中,所述轮廓可以表征在机加工过程期间的工具行进路径、在测量过程期间的工具行进路径、机器人运动路径、或与轮廓相关的其它性质的各自极限。在实施例中,所述PDF 1501可以表示在所述过程中所使用的工具的性质。例如,可以针对具有在机加工操作期间所使用的指定尺寸、蚀刻、机器人部件尺寸、或当对所述轮廓执行所述过程时影响所述轮廓的其它性质的特定工具来指定所述PDF1501。
工序P1503包括在所述轮廓的区域上对所述轮廓函数1502与所述PDF 1501进行卷积以确定所述轮廓上的指定部位处的过程速率1503。在实施例中,所述过程导致对形成所述轮廓的材料的添加或移除,所述添加或所述移除导致所述轮廓的形状的改变。在实施例中,所述过程速率表征了形成所述轮廓的材料的添加或移除的行为。例如,在机加工过程期间材料的添加或移除,或在与光刻相关的蚀刻过程期间材料的添加或移除。所述过程的所述PDF 1501可以是基于与对所述轮廓所执行的所述过程相关的测量数据而拟合的高斯函数。
工序P1505包括基于所述过程速率1503来确定待施加至所述轮廓的偏置矢量1505,以供产生指示被应用于所述轮廓上的所述过程的所述效应的偏置轮廓。例如,所述偏置矢量1505包括相对于所述轮廓向内或向外施加以产生所述偏置轮廓的偏置值。例如,在移除过程中,可以在向内方向上施加所述偏置值。在添加过程中,可以在向外方向上施加所述偏置值。本文中所论述的过程,例如机加工、蚀刻、机器人移动等对于对所述构思进行解释是示例性的且没有限制本发明的范围。
图16A和图16B图示了基于轮廓的过程的示例。例如,图16A图示了经由机加工工具(例如研磨工具)对管芯所执行的机加工操作。所述部件包括在执行机加工过程之前的轮廓1601。在机加工之后,获得经机加工的轮廓1602。这样的经机加工轮廓1602表示了经由表征使用指定尺寸的工具进行的所述机加工过程的PDF所确定的偏置轮廓。
图16B图示了基于轮廓的过程的另一示例。例如,轮廓1611表示部件的待经由工具MT1机加工(或扫描)的初始轮廓。在机加工之后,获得所述偏置轮廓1612。在实施例中,基于所述轮廓1611和所述偏置轮廓1612,可以确定工具路径(由所述偏置轮廓1612内部的水平线和虚线表示)。如所示出,工具MT1是具有指定半径和机加工速度的圆形,用以产生或追踪所述偏置轮廓1612。可以理解,本公开不限于特定工具。所述过程中所使用的工具可以是机加工工具、蚀刻工具、扫描工具、或与用以产生或追踪所述偏置轮廓的光刻过程相关的其它工具。
在实施例中,方法300、600、700、900、1100和1500的一个或更多个工序可以被实施于计算机系统的一个或更多个处理器上。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实施时执行上述方法的一个或更多个工序。
例如,在实施例中,一种非暂时性计算机可读介质包括在由一个或更多个处理器执行时造成包括以下各项的操作的指令:获得(i)与在衬底上的显影后图像(ADI)图案内所沉积的粒子对应的概率分布函数(PDF),和(ii)表征与所述ADI图案相关联的ADI轮廓的轮廓函数;基于在所述ADI轮廓的区域上的所述轮廓函数以及所述粒子的所述PDF的组合,确定所述粒子的在所述ADI轮廓上的指定部位处的沉积速率;以及基于所述沉积速率来确定与所述ADI图案相关联的偏置矢量,所述偏置矢量在被施加至所述ADI图案的所述ADI轮廓时产生蚀刻后图像(AEI)轮廓。
在实施例中,在所述非暂时性计算机可读介质中,获得粒子的所述概率分布函数(PDF)是基于所测量的衬底数据,所述所测量的衬底数据包括粒子的沉积数据、和所测量的蚀刻图案。在实施例中,获得所述PDF包括确定对所述测量数据进行拟合的高斯分布的方差。
在实施例中,在所述非暂时性计算机可读介质中,所述确定所述粒子的所述沉积速率包括如下指令:用以对所述粒子的所述PDF与所述轮廓函数进行卷积;以及在所述ADI轮廓的所述区域上进行积分。在所述非暂时性计算机可读介质中,所述确定所述偏置矢量包括确定所述沉积速率的相对于所述ADI图案的第一方向和第二方向的梯度,所述第一方向和所述第二方向彼此垂直。
在实施例中,在所述非暂时性计算机可读介质中,所述偏置矢量包括:所述ADI轮廓的部位处的偏置方向,并且还包括沿施加偏置值以产生所述AEI轮廓。在实施例中,在所述非暂时性计算机可读介质中,所述偏置方向被确定为使得当不同部位处的所述偏置值被施加至所述ADI轮廓时,不同部位处的所述偏置矢量彼此不相交。在实施例中,在所述非暂时性计算机可读介质中,所述偏置方向包括:不垂直于所述ADI轮廓的方向。
在实施例中,在所述非暂时性计算机可读介质中,所述粒子的所述PDF表示所述ADI轮廓上的所述粒子的沉积或蚀刻过程,并且其中所述沉积速率是正的或负的。在实施例中,在所述非暂时性计算机可读介质中,所述偏置值是从被配置成产生针对给定抗蚀剂图案的偏置映射的经训练的机器学习模型获得的。在实施例中,在所述非暂时性计算机可读介质中,当所述ADI图案包括多个轮廓时,针对每个ADI轮廓单独地确定一组偏置矢量。
在实施例中,提供一种非暂时性计算机可读介质,包括在由一个或更多个处理器执行时导致包括以下各项的操作的指令:获得(i)与待对轮廓执行的过程对应的概率分布函数(PDF),和(ii)表征所述轮廓的形状的轮廓函数;在所述轮廓的区域上对所述轮廓函数与所述PDF进行卷积以确定所述轮廓上的指定部位处的过程速率;以及基于所述过程速率来确定待施加至所述轮廓的偏置矢量,以供产生指示所述过程的被应用于所述轮廓上的效应的偏置轮廓。
在实施例中,在所述非暂时性计算机可读介质中,所述过程导致对形成所述轮廓的材料的添加或移除,所述添加或所述移除导致所述轮廓的形状的改变。在实施例中,在所述非暂时性计算机可读介质中,所述过程速率表征形成所述轮廓的所述材料的所述添加或所述移除的行为。
在实施例中,经训练的机器学习模型可以用于与所述图案化过程相关的各种应用以改善所述图案化过程的产率。例如,方法300还包括:经由经训练的机器学习模型来预测针对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。在实施例中,OPC模拟包括经由使用所述设计布局的几何形状和与多个片段相关联的校正的对图案化过程模型进行模拟,来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减小模拟图案与设计布局之间的差异。在实施例中,确定光学邻近校正是迭代过程。迭代包括调整设计布局的主特征和/或一个或更多个辅助特征的几何形状的形状和/或大小使得减小所述图案化过程的性能指标。在实施例中,从机器学习模型的预测OPC图像提取一个或更多个辅助特征。
在一些实施例中,所述检查设备可以是产生被曝光或转印于上述衬底上的结构(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17描绘SEM工具的实施例。从电子源ESO发射的初级电子束EBP由聚光透镜CL会聚且接着传递穿过束偏转器EBD1、E×B偏转器EBD2、和物镜OL以在焦距处照射衬底台ST上的衬底PSub。
在利用电子束EBP照射上述衬底PSub时,二次电子从所述衬底PSub产生。所述二次电子由E×B偏转器EBD2偏转且由二次电子检测器SED检测。二维电子束图像可以通过以下操作获得:与例如在X或Y方向上由束偏转器EBD1对电子束进行的二维扫描或与由束偏转器EBD1对电子束EBP进行的重复扫描同步地检测从所述样本产生的电子,以及在X或Y方向中的另一方向上由所述衬底台ST连续移动所述衬底PSub。
由二次电子检测器SED所检测的信号由模拟/数字(A/D)转换器ADC转换成数字信号,并且所述数字信号被发送至图像处理系统IPU。在实施例中,所述图像处理系统IPU可以具有存储器MEM以储存数字图像的全部或部分以供由处理单元PU处理。所述处理单元PU(例如被专门设计的硬件、或硬件和软件的组合)被配置成将数字图像转换成或处理成表示所述数字图像的数据集。另外,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可以与所述图像处理系统IPU相连接,使得操作者可以借助于图形用户接口进行装备的必需操作。
如上文所提及的,可以处理SEM图像以提取所述图像中对表示器件结构的物体的边缘进行描述的轮廓。接着经由诸如CD之类的指标来量化这些轮廓。因而,通常经由诸如边缘之间距离(CD)或图像之间的简单像素差之类的过分简单化(simplistic)指标来比较和量化器件结构的图像。检测图像中的物体的边缘以便对CD进行测量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,图像通常有噪声且具有不连续边界。诸如平滑化、自适应定阈值、边缘检测、侵蚀和膨胀的技术可以用于处理图像梯度轮廓模型的结果以寻址有噪声且不连续图像,但将最终导致高分辨率图像的低分辨率量化。因而,在大多数实例中,对器件结构的图像的数学处理以减少噪声以及自动化边缘检测会导致图像的分辨率的损失,由此导致信息的损失。因此,结果是相当于对复杂的高分辨率结构的过分简单化表示的低分辨率量化。
因此,期望具有可以保留分辨率且还可以对使用图案化过程而产生的或预期产生的结构(例如电路特征、对准标记或量测目标部分(例如光栅特征)等)的一般形状进行描述所述结构的数学表示,而不论例如所述结构是在潜在抗蚀剂图像中、在经显影的抗蚀剂图像或例如通过蚀刻而转印至衬底上的层中。在光刻或其它图案化过程的情境下,结构可以是正在制造的器件或其部分,并且图像可以是所述结构的SEM图像。在一些情况下,所述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所述半导体器件的多个特征的图案或期望的图案。在一些情况下,结构可以是在对准测量过程中使用以确定物体(例如衬底)与另一物体(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),或为用于测量所述图案化过程的参数(例如重叠、焦距、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,量测目标是用于测量(例如)重叠的衍射光栅。
图18示意性地图示检查设备的另一实施例。所述系统用于检查样本平台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、二次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。聚光透镜模块82将所产生的初级带电粒子束91聚光。探针形成物镜模块83将经会聚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跨越于在紧固于样本平台88上的样本90上的关注的区域的表面上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或它们的等效设计、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。
二次带电粒子检测器模块85检测在由带电粒子束探针92轰击后即从样本表面发射的二次带电粒子93(也可以能与来自样本表面的其它反射或散射带电粒子一起)以产生二次带电粒子检测信号94。图像形成模块86(例如计算装置)与二次带电粒子检测器模块85耦合以从二次带电粒子检测器模块85接收二次带电粒子检测信号94,并且相应地形成至少一个扫描图像。在实施例中,二次带电粒子检测器模块85和图像形成模块86或它们的等效设计、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所发射的所检测的二次带电粒子形成扫描图像。
在实施例中,监测模块87联接至图像形成设备的图像形成模块86以对图案化过程进行监测、控制等和/或使用从图像形成模块86所接收的样本90的扫描图像来导出针对图案化过程设计、控制、监测等的参数。因此,在实施例中,监测模块87被配置或编程以导致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包括用以提供本文中的功能性且在形成上述监测模块87或设置于上述监测模块87内的计算机可读介质上被编码的计算机程序。
在实施例中,类似于使用探针来检查衬底的图17的电子束检查工具,图18的系统中的电子电流与例如诸如图17中描绘的CD SEM相比是显著更大的,使得探测斑足够大使得检查速度可以较快速。然而,由于大探测斑,分辨率可能不是与CD SEM相比那样高。在实施例中,在不限制本公开的范围的情况下,上文论述的检查设备可以是单束设备或多束设备。
可以处理来自例如图17和/或图18的系统的SEM图像以提取图像中对于对象的边缘(表示器件结构)进行描述的轮廓。随后通常在用户定义的切线处经由诸如CD之类的指标来量化这些轮廓。因而,通常经由诸如对所提取的轮廓所测量的边缘间距离(CD)或图像之间的简单像素差之类的指标来比较和量化器件结构的图像。
图19是图示可以辅助实施本文中所公开的方法、流程或装置的计算机系统100的框图。计算机系统100包括用于通信信息的总线102或其它通信机构,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以用于储存将要由处理器104执行的信息和指令的主存储器106,诸如随机存取存储器(RAM)或其它动态储存器件。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以用于储存用于处理器104的静态信息和指令的只读存储器(ROM)108或其它静态储存器件。提供诸如磁盘或光盘的储存器件110,并且储存器件110耦接至总线102以用于储存信息和指令。
计算机系统100可以由总线102而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通信至处理器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通信至处理器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。这种输入装置通常具有在两个轴线:第一轴线(例如x)和第二轴线(例如y)中的两个自由度,其允许所述装置指定在平面中的位置。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,可以通过计算机系统100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来执行过程的部分。可以将这样的指令从另一计算机可读介质(诸如储存器件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处理器104执行本文中所描述的过程步骤。呈多处理布置的一个或更多个处理器也可以用以执行主存储器106中包含的指令序列。在替代实施例中,可代替或结合软件指令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和软件的任何特定组合。
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以供执行的任何介质。这种介质可以采取许多形式,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,储存器件110。易失性介质包括易失存储器,诸如主存储器106。传输介质包括同轴缆线、铜线和光纤,其包括包含总线102的电线。传输介质也可以采取声波或光波的形式,诸如,在射频(RF)和红外(IR)数据通信期间产生的声波或光波。计算机可读介质的常见形式包括例如软盘、可挠性磁盘、硬盘、磁带、任何其它磁性介质、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实体介质、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。
可以在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以供执行时涉及计算机可读介质的各种形式。例如,最初可以将所述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易失存储器中,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以将数据转换成红外信号。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获取和执行指令。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器件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提供对网络链路120的双向数据通信耦合,网络链路120连接至局域网122。例如,通信接口118可以是综合业务数字网(ISDN)卡或调制解调器以提供至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)卡以提供对兼容LAN的数据通信连接。也可以实施无线链路。在任何这样的实施中,通信接口118发送且接收承载表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路120通常经由一个或更多个网络而向其它数据装置提供数据通信。例如,网络链路120可以由局域网122而向主计算机124或向由因特网服务提供商(ISP)126操作的数据装备提供连接。ISP 126又经由全球封包数据通信网络(现在通常被称为“因特网”)128来提供数据通信服务。局域网122和因特网128两者都使用承载数字数据流的电信号、电磁信号或光信号。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性形式。
计算机系统100可以由网络、网络链路120和通信接口118发送消息和接收数据,包括程序代码。在因特网示例中,服务器130可能经由因特网128、ISP 126、局域网122和通信接口118来传输用于应用程序的经请求程序代码。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/或储存在储存器件110或其它非易失性储存器中以供稍后执行。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20示意性地描绘可以结合本文中所描述的技术利用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、反射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的辐照部分成像至衬底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,设备属于透射类型(即具有透射图案形成装置)。然而,通常,所述设备也可以属于例如反射类型(具有反射图案形成装置)。所述设备可以使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,这种束被直接地或在已横穿诸如扩束器Ex的调节装置之后馈入至照射系统(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径向范围和/或内部径向范围(通常分别被称为σ-外部和σ-内部)。另外,照射器IL通常将包括各种其它部件,诸如积分器IN和聚光器CO。以这种方式,照射到图案形成装置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20应注意,源SO可以在光刻投影设备的外壳内(这种常常是源SO为例如汞灯的情况),但所述源也可以远离光刻投影设备,所述源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);这种后情境常常是源SO为准分子激光器(例如基于KrF、ArF或F2激光作用)时的情况。
束PB随后截取被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穿过透镜PL,所述透镜将所述束B聚焦至衬底W的目标部分C上。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,第一定位装置可以用以(例如)在从图案形成装置库机械地获取图案形成装置MA之后或在扫描期间相对于束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20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”)。接着使衬底台WT在x方向和/或y方向上移位,使得可以由束PB辐照不同的目标部分C;
-在扫描模式中,基本上适用相同的情境,除了单次“闪光”中不曝光给定目标部分C之外。替代地,图案形成装置台MT可以以速度v在给定方向(所谓的“扫描方向”,例如y方向)上移动,使得使投影束B在整个图案形成装置图像上进行扫描;并行地,衬底台WT以速度V=Mv在相同方向或相反方向上同时地移动,其中M为透镜PL的放大率(通常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目标部分C。
图21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,并且连接至被配置成准确地定位所述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,并且连接至被配置成准确地定位所述衬底的第二定位器PW;以及
-投影系统(例如,反射投影系统)PS,所述投影系统被配置成将由图案形成装置MA赋予至辐射束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,设备1000属于反射类型(例如,使用反射掩模)。应注意,因为大多数材料在EUV波长范围内具吸收性,所以图案形成装置可以具有包括例如钼与硅的多叠置层的多层反射器。在一个示例中,多重叠层反射仪器有钼与硅的40个层对,其中每个层的厚度为四分之一波长。可以利用X射线光刻来产生更小波长。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经图案化吸收材料的薄件(例如多层反射器的顶部上的TaN吸收体)限定特征将印制(正型抗蚀剂)或不印制(负型抗蚀剂)之处。
参考图21,照射器IL从源收集器模块SO接收极紫外辐射束。用以产生EUV辐射的方法包括但不必限于利用在EUV范围内的一个或更多个发射谱线将具有至少一个元素(例如氙、锂或锡)的材料转换成等离子体状态。在一种这样的方法(常常被称为激光产生等离子体“LPP”)中,可以通过利用激光束来辐照燃料(诸如,具有所述谱线发射元素的材料小滴、串流或簇)而产生等离子体。源收集器模块SO可以是包括激光器(图21中未图示)的EUV辐射系统的部件,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,激光器与源收集器模块可以是分立的实体。
在这样的情况下,不认为激光器形成光刻设备的部件,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(常常被称为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径向范围和/或内部径向范围(通常分别被称为σ-外部和σ-内部)。另外,照射器IL可以包括各种其它元件,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入射到被保持在支撑结构(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而图案化。在从图案形成装置(例如掩模)MA反射之后,辐射束B穿过投影系统PS,投影系统PS将所述束聚焦至衬底W的目标部分C上。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。
所描绘设备1000可以用于以下模式中的至少一种模式中:
1.在步进模式中,在被赋予至辐射束的整个图案一次性投影至目标部分C上时,使支撑结构(例如掩模台)MT和衬底台WT保持基本上静止(即单次静态曝光)。接着,使衬底台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,在将被赋予至辐射束的图案投影至目标部分C上时,同步地扫描支撑结构(例如掩模台)MT和衬底台WT(即单次动态曝光)。衬底台WT相对于支撑结构(例如掩模台)MT的速度和方向可以通过投影系统PS的放大率(缩小率)和图像反转特性来确定。
3.在另一模式中,在将被赋予至辐射束的图案投影至目标部分C上时,使支撑结构(例如掩模台)MT保持基本上静止,从而保持可编程图案形成装置,并且移动或扫描衬底台WT。在这种模式中,通常使用脉冲辐射源,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(诸如上文提及的类型的可编程反射镜阵列)的无掩模光刻术。
图22更详细地示出设备1000,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将真空环境维持于源收集器模块SO的围封结构220中。可以由放电产生等离子体辐射源形成EUV辐射发射等离子体210。可以通过气体或蒸气(例如,Xe气体、Li蒸气或Sn蒸气)而产生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,通过造成至少部分离子化等离子体的放电来产生非常热的等离子体210。为了辐射的高效产生,可能需要为例如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,提供受激发锡(Sn)等离子体以产生EUV辐射。
由热等离子体210发射的辐射是经由被定位在源腔室211中的开口中或后方的可选的气体屏障或污染物阱230(在一些情况下,也被称为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。如在本领域中已知,本文中进一步所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的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波器240反射以沿由点虚线“O”指示的光轴而聚焦于虚拟源点IF中。虚拟源点IF通常被称为中间焦点,并且源收集器模块被布置以使得中间焦点IF位于围封结构220中的开口221处或附近。虚拟源点IF为辐射发射等离子体210的图像。
随后,辐射横穿照射系统IL,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被布置以提供在图案形成装置MA处辐射束21的期望的角分布,以及在图案形成装置MA处的辐射强度的期望的均一性。在由支撑结构MT保持的图案形成装置MA处的辐射束21的反射后,就形成图案化束26,并且由投影系统PS将图案化束26经由反射元件28、30而成像至由衬底台WT保持的衬底W上。
比所示出的元件更多的元件通常可以存在于照射光学器件单元IL和投影系统PS中。取决于光刻设备的类型,可以可选地存在光栅光谱滤波器240。另外,可以存在比各图所示出的反射镜多的反射镜,例如,在投影系统PS中可以存在比图22所示出的反射元件多1至6个的额外反射元件。
如图22中所图示的收集器光学器件CO被描绘是具有掠入射反射器253、254和255的嵌套式收集器,仅仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255经设置为围绕光轴O轴向对称,并且这种类型的收集器光学器件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23所示出的LPP辐射系统的构件。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)的燃料中,从而产生具有数十电子伏特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产生的高能辐射是从等离子体发射、由近正入射收集器光学器件CO收集,并且聚焦至围封结构220中的开口221上。
本公开的实施例在以下方面中进一步描述。
1.一种产生用于测量印制于衬底上的结构的物理特性的量测量规的方法,所述方法包括:
获得(i)与印制于所述衬底上的所述结构的所述物理特性相关联的测量数据,和(ii)所述结构的模拟轮廓的至少一部分,所述模拟轮廓的所述部分与所述测量数据相关联;
基于所述测量数据修改所述结构的所述模拟轮廓的所述部分;和
在所述模拟轮廓的经修改的部分上或附近产生所述量测量规,所述量测量规被放置以测量所述结构的所述模拟轮廓的所述物理特性。
2.根据方面1所述的方法,其中所述模拟轮廓的所述部分是所述模拟轮廓的、在与所述结构相关联的所述测量数据周围的限定区内的部分。
3.根据方面1所述的方法,其中获得所述模拟轮廓的所述部分包括:
将所述衬底的一区域限定在与所述测量数据相关联的限定部位周围;和
在所述衬底的限定的所述区域内模拟图案化过程以获得所述结构的所述模拟轮廓的所述部分。
4.根据方面1至3中任一项所述的方法,其中修改所述模拟轮廓的所述部分包括:
基于所述模拟轮廓的所述部分确定与所述结构的所述模拟轮廓的所述物理特性相关联的模拟数据;
确定与所述结构的所述物理特性相关联的所述测量数据与所述模拟数据之间的差;和
基于所述差修改所述模拟轮廓的所述部分使得所述测量数据与所述模拟数据之间的所述差减小。
5.根据方面1至4中任一项所述的方法,其中所述测量数据是与所述结构相关联的限定部位处的CD值。
6.根据方面5中任一项所述的方法,其中对所述模拟轮廓的所述部分的修改是基于与所述结构相关联的模拟CD值与测量CD值之间的差进行的。
7.根据方面1至6中任一项所述的方法,其中修改所述模拟轮廓的所述部分包括:
基于所述模拟轮廓的所述部分确定与所述结构的所述模拟轮廓的所述物理特性相关联的模拟数据;
确定与所述结构的所述物理特性相关联的所述测量数据与所述模拟数据之间的差;以及
基于所述差调整用以产生所述模拟轮廓的阈值,使得所述测量数据与所述模拟数据之间的所述差减小,其中经调整的阈值修改所述模拟轮廓的所述部分。
8.根据方面1至7中任一项所述的方法,其中修改所述模拟轮廓的所述部分包括:
使用所述模拟轮廓的所述部分确定在与测量CD值相关联的限定部位处的模拟CD值;
确定所述模拟CD值与所述测量CD值之间的差;和
基于所述差调整所述阈值使得所述模拟CD值与所述测量CD值之间的差减小,经调整的阈值修改所述模拟轮廓的所述部分。
9.根据方面1至8中任一项所述的方法,其中产生所述量测量规包括:
沿所述模拟轮廓的经修改的所述部分指定点;以及
将所述点的部位导出为所述量测量规。
10.根据方面1至9中任一项所述的方法,其中经由量测工具获得所述测量数据。
11.根据方面9所述的方法,其中所述量测工具是扫描电子显微镜(SEM)且从SEM图像获得所述测量数据。
12.根据方面1至11中任一项所述的方法,其中所述量测量规是边缘放置量规和/或CD量规。
13.一种用于确定与衬底相关联的热斑部位的方法,所述方法包括:
获得(i)与一个或更多个图案相关联的模拟轮廓,所述模拟轮廓与印制于所述衬底上的所述一个或更多个图案的物理特性的测量数据相关联,和(ii)与所述模拟轮廓相关联的量测量规;
基于所述量测量规确定与所述一个或更多个图案相关联的所述物理特性的值;以及
基于物理特性值确定所述衬底上的所述热斑部位,其中热斑部位是所述衬底上的物理特性值小于与所述一个或更多个图案相关联的热斑阈值的部位。
14.根据方面13所述的方法,其中获得所述量测量规包括:
经由使用所述测量数据模拟图案化过程来确定与所述一个或更多个图案相关联的模拟轮廓;
基于与所述一个或更多个图案相关联的所述测量数据修改所述模拟轮廓的至少一部分;和
沿所述模拟轮廓的经修改的部分产生所述量测量规。
15.根据方面13至14中任一项所述的方法,其中确定所述物理特性的值包括:
在所述量测量规中的一个或更多处测量所述物理特性的值。
16.根据方面15所述的方法,其中确定所述热斑部位包括:
确定与所述一个或更多个图案相关联的所述物理特性的值是否突破所述热斑阈值;
响应于突破所述阈值,识别与突破所述阈值相关联的所述量测量规的部位。
17.一种用于训练与图案化过程相关联的模型的方法,所述方法包括:
获得(i)与印制于所述衬底上的结构的物理特性相关联的测量数据,和(ii)与待印制于衬底上的结构的模拟轮廓相关联的量测量规,所述模拟轮廓与所述衬底上的测量所述物理特性的限定部位相关联;和
使用所述测量数据和所述量测量规训练所述模型使得围绕所述衬底上的所述限定部位改善所述图案化过程的性能指标,所述性能指标是所述量测量规和所述物理特性的函数。
18.根据方面17所述的方法,其中所述训练所述模型是迭代过程,迭代包括:
经由执行所述模型确定待印制于所述衬底上的所述结构的模拟轮廓和与所述结构的所述模拟轮廓的所述物理特性相关联的模拟数据;
确定所述模拟数据与所述测量数据之间的第一差,和沿所述模拟轮廓的点与所述量测量规之间的第二差;和
基于具有所述图案化过程的参数的所述性能指标的梯度,确定模型参数使得最小化所述性能指标,所述性能指标是所述第一差和所述第二差的函数。
19.根据方面18所述的方法,其中所述模型为以下各项中的至少一个:
被配置成预测蚀刻图像的蚀刻模型;或
被配置成预测抗蚀剂图像的抗蚀剂模型。
20.一种产生用于测量衬底上的结构的物理特性的量测量规的方法,所述方法包括:
获得(i)与印制于所述衬底上的所述结构的所述物理特性相关联的测量数据,和(ii)所述结构的模拟轮廓的至少一部分,所述模拟轮廓的所述部分与所述测量数据相关联;
基于所述测量数据产生所述结构的所述模拟轮廓的所述部分的经修改的轮廓;以及
将经修改的轮廓提供至所述图案化过程的模型以确定所述图案化过程的参数。
21.根据方面20所述的方法,其中所述产生所述模拟轮廓的所述部分的经修改的轮廓包括:
基于所述模拟轮廓的所述部分确定与所述结构的所述模拟轮廓的所述物理特性相关联的模拟数据;
确定与所述结构的所述物理特性相关联的所述测量数据与所述模拟数据之间的差;和
基于所述差修改所述模拟轮廓的所述部分使得所述测量数据与所述模拟数据之间的所述差减小。
22.一种计算机程序产品,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根据以上方面中任一项所述的方法。
23.一种训练与图案化过程相关联的机器学习模型的方法,所述方法包括:
获得(i)衬底上的显影后图像(ADI)图案的轮廓数据、(ii)印制于所述衬底上的蚀刻后图像(AEI)图案的测量数据,和(iii)基于所述ADI图案的所述轮廓数据和所述AEI图案的所述测量数据获得参考偏置值;和
使用所述测量数据和所述轮廓数据作为训练数据来训练所述机器学习模型以确定待施加至ADI轮廓的偏置值。
24.根据方面23所述的方法,其中所述训练包括:
调整所述机器学习模型的模型参数以使所述偏置值在基于所述参考偏置值而确定的指定范围内。
25.根据方面23所述的方法,其中所述机器学习模型被配置成产生针对所述ADI轮廓的偏置映射的表示。
26.根据方面23所述的方法,其中所述轮廓数据表示与所述ADI图案的一个或更多个特征相关联的轮廓的图像。
27.根据方面26所述的方法,其中所述图像是从模拟ADI图案的模拟轮廓产生,和/或从量测设备获得,所述量测设备被配置成在所述衬底上预成型抗蚀剂过程之后捕获所述衬底的图像。
28.根据方面23至27中任一项所述的方法,其中获得所述轮廓数据包含:
使用待印制于所述衬底上的设计图案作为输入来执行与所述图案化过程相关联的一个或更多个过程模型以产生所述模拟ADI图案,所述图案化过程包括抗蚀剂过程;和
从所述模拟ADI图案提取轮廓,每个轮廓是所述模拟ADI图案内的特征的轮廓。
29.根据方面28所述的方法,其中所述一个或更多个过程模型包括以下各项中的至少一个:
被配置成确定空间图像的光学器件模型;和
被配置成确定抗蚀剂图像的抗蚀剂模型。
30.根据方面23至29中任一项所述的方法,其中所述测量数据是在量测量规处获得的,所述量测量规是边缘放置量规,和/或与所述AEI图案相关联的临界尺寸(CD)量规。
31.根据方面28所述的方法,其中所述量测量规处的所述测量数据包含:
与印制于所述衬底上的所述AEI图案的轮廓相关联的所述边缘放置量规的部位;和/或
与印制于所述衬底上的所述AEI图案相关联的CD值。
32.根据方面28所述的方法,其中当所述量测量规是CD量规时,所述参考偏置值是经由校准过程而获得的,所述校准过程被配置成确定与给定CD量规相关联的偏置值,偏置值指示待施加至所述ADI图案以产生所述AEI图案的CD减小量。
33.根据方面32所述的方法,其中在所述给定CD量规的端部处提供所述偏置值,所述偏置值关于所述CD量规的中心不相等或不对称。
34.根据方面23至33中任一项所述的方法,其中所述训练所述机器学习模型是迭代过程,迭代包括:
(a)使用所述测量数据、所述轮廓数据和所述模型参数的给定值执行所述机器学习模型以产生与所述轮廓数据相关联的偏置映射,所述偏置映射包括偏置值;
(b)基于所述基于模型的偏置值与所述参考偏置值之间的差的梯度,调整所述机器学习模型的所述模型参数使得减小所述差;和
(c)执行步骤(a)至(b)直到最小化所述差。
35.根据方面23至34所述的方法,其中经由经训练的机器学习模型所产生的所述偏置映射包括待施加至抗蚀剂轮廓以确定将印制于所述衬底上的蚀刻轮廓的蚀刻偏置值。
36.根据方面35所述的方法,其中所述蚀刻偏置值在局部法线方向上被施加至所述抗蚀剂轮廓。
37.根据方面23至36中任一项所述的方法,其中所述偏置映射是像素化图像,每个像素具有指示偏置值的强度值。
38.一种用于确定与显影后图像(ADI)图案相关联的偏置矢量的方法,所述方法包括:
获得(i)与被沉积于衬底上的所述ADI图案内的粒子对应的概率分布函数(PDF),和(ii)表征与所述ADI图案相关联的ADI轮廓的轮廓函数;
基于在所述ADI轮廓的区域上的所述粒子的所述PDF以及所述轮廓函数的组合,确定所述ADI轮廓上的指定部位处的所述粒子的沉积速率;以及
基于所述沉积速率确定与所述ADI图案相关联的偏置矢量,所述偏置矢量在被施加至所述ADI图案的所述ADI轮廓时产生蚀刻后图像(AEI)轮廓。
39.根据方面38所述的方法,其中所述获得粒子的所述概率分布函数(PDF)是基于所测量的衬底数据,所述所测量的衬底数据包括粒子的沉积数据和所测量的蚀刻图案。
40.根据方面39所述的方法,其中获得所述PDF包括确定拟合所述测量数据的高斯分布的方差。
41.根据方面38至40中任一项所述的方法,其中所述确定所述粒子的所述沉积速率包括:
对所述粒子的所述PDF与所述轮廓函数进行卷积;和
在所述ADI轮廓的所述区域上进行积分。
42.根据方面38至41中任一项所述的方法,其中确定所述偏置矢量包括:
确定所述沉积速率相对于所述ADI图案的第一方向和第二方向的梯度,所述第一方向和所述第二方向彼此垂直。
43.根据方面38所述的方法,其中所述偏置矢量包括:所述ADI轮廓的部位处的偏置方向,并且所述方法还包括沿施加偏置值以产生所述AEI轮廓。
44.根据方面43所述的方法,其中所述偏置方向被确定为使得当不同部位处的所述偏置值被施加至所述ADI轮廓时,不同部位处的所述偏置矢量彼此不相交。
45.根据方面44所述的方法,其中所述偏置方向包括:不垂直于所述ADI轮廓的方向。
46.根据方面38至45中任一项所述的方法,其中所述粒子的所述PDF表示所述ADI轮廓上的所述粒子的沉积或蚀刻过程,并且其中所述沉积速率是正的或负的。
47.根据方面43至46中任一项所述的方法,其中从被配置成产生用于给定抗蚀剂图案的偏置映射的经训练的机器学习模型获得所述偏置值。
48.根据方面38至47中任一项所述的方法,其中当所述ADI图案包括多个轮廓时,针对每个ADI轮廓单独地确定一组偏置矢量。
49.一种用于确定针对轮廓的偏置矢量的方法,所述方法包括:
获得(i)与待对所述轮廓执行的过程对应的概率分布函数(PDF),和(ii)表征所述轮廓的形状的轮廓函数;
在所述轮廓的区域上对所述轮廓函数与所述PDF进行卷积以确定所述轮廓上的指定部位处的过程速率;和
基于所述过程速率确定待施加至所述轮廓的偏置矢量,以产生指示所述过程的被应用于所述轮廓上的效应的偏置轮廓。
50.根据方面49所述的方法,其中所述过程导致对形成所述轮廓的材料的添加或移除,所述添加或所述移除导致所述轮廓的形状的改变。
51.根据方面50所述的方法,其中所述过程速率表征形成所述轮廓的所述材料的所述添加或所述移除的行为。
52.一种非暂时性计算机可读介质,包括在由一个或更多个处理器执行时导致包括以下各项的操作的指令:
获得(i)衬底上的显影后图像(ADI)图案的轮廓数据、(ii)印制于所述衬底上的蚀刻后图像(AEI)图案的测量数据,和(iii)基于所述ADI图案的所述轮廓数据和所述AEI图案的所述测量数据获得参考偏置值;和
使用所述测量数据和所述轮廓数据作为训练数据来训练所述机器学习模型以确定待施加至ADI轮廓的偏置值。
53.根据方面52所述的非暂时性计算机可读介质,其中所述训练包括:
调整所述机器学习模型的模型参数以使所述偏置值在基于所述参考偏置值而确定的指定范围内。
54.根据方面52所述的非暂时性计算机可读介质,其中所述机器学习模型被配置成产生针对所述ADI轮廓的偏置映射的表示。
55.根据方面52所述的非暂时性计算机可读介质,其中所述轮廓数据表示与所述ADI图案的一个或更多个特征相关联的轮廓的图像。
56.根据方面55所述的非暂时性计算机可读介质,其中所述图像是从模拟ADI图案的模拟轮廓产生,和/或从量测设备获得,所述量测设备被配置成在所述衬底上预成型抗蚀剂过程之后捕获所述衬底的图像。
57.根据方面52至56中任一项所述的非暂时性计算机可读介质,其中获得所述轮廓数据包含:
使用待印制于所述衬底上的设计图案作为输入来执行与所述图案化过程相关联的一个或更多个过程模型以产生所述模拟ADI图案,所述图案化过程包括抗蚀剂过程;和
从所述模拟ADI图案提取轮廓,每个轮廓是所述模拟ADI图案内的特征的轮廓。
58.根据方面57所述的非暂时性计算机可读介质,其中所述一个或更多个过程模型包括以下各项中的至少一个:
被配置成确定空间图像的光学器件模型;和
被配置成确定抗蚀剂图像的抗蚀剂模型。
59.根据方面52至58中任一项所述的非暂时性计算机可读介质,其中所述测量数据是在量测量规处获得的,所述量测量规是边缘放置量规,和/或与所述AEI图案相关联的临界尺寸(CD)量规。
60.根据方面57所述的非暂时性计算机可读介质,其中所述量测量规处的所述测量数据包含:
与印制于所述衬底上的所述AEI图案的轮廓相关联的所述边缘放置量规的部位;和/或
与印制于所述衬底上的所述AEI图案相关联的CD值。
61.根据方面57所述的非暂时性计算机可读介质,其中当所述量测量规是CD量规时,所述参考偏置值是经由校准过程而获得的,所述校准过程被配置成确定与给定CD量规相关联的偏置值,偏置值指示待施加至所述ADI图案以产生所述AEI图案的CD减小量。
62.根据方面61所述的非暂时性计算机可读介质,其中在所述给定CD量规的端部处提供所述偏置值,所述偏置值关于所述CD量规的中心不相等或不对称。
63.根据方面52至62中任一项所述的非暂时性计算机可读介质,其中所述训练所述机器学习模型是迭代过程,迭代包括:
(a)使用所述测量数据、所述轮廓数据和所述模型参数的给定值执行所述机器学习模型以产生与所述轮廓数据相关联的偏置映射,所述偏置映射包括偏置值;
(b)基于所述基于模型的偏置值与所述参考偏置值之间的差的梯度,调整所述机器学习模型的所述模型参数使得减小所述差;和
(c)执行步骤(a)至(b)直到最小化所述差。
64.根据方面52至63所述的非暂时性计算机可读介质,其中经由经训练的机器学习模型所产生的所述偏置映射包括待施加至抗蚀剂轮廓以确定将印制于所述衬底上的蚀刻轮廓的蚀刻偏置值。
65.根据方面64所述的非暂时性计算机可读介质,其中所述蚀刻偏置值在局部法线方向上被施加至所述抗蚀剂轮廓。
66.根据方面52至66中任一项所述的非暂时性计算机可读介质,其中所述偏置映射是像素化图像,每个像素具有指示偏置值的强度值。
67.一种非暂时性计算机可读介质,包括在由一个或更多个处理器执行时导致包括以下各项的操作的指令:
获得(i)与被沉积于衬底上的显影后图像(ADI)图案内的粒子对应的概率分布函数(PDF),和(ii)表征与所述ADI图案相关联的ADI轮廓的轮廓函数;
基于在所述ADI轮廓的区域上的所述粒子的所述PDF以及所述轮廓函数的组合,确定所述ADI轮廓上的指定部位处的所述粒子的沉积速率;以及
基于所述沉积速率确定与所述ADI图案相关联的偏置矢量,所述偏置矢量在被施加至所述ADI图案的所述ADI轮廓时产生蚀刻后图像(AEI)轮廓。
68.根据方面67所述的非暂时性计算机可读介质,其中所述获得粒子的所述概率分布函数(PDF)是基于所测量的衬底数据,所述所测量的衬底数据包括粒子的沉积数据和所测量的蚀刻图案。
69.根据方面68所述的非暂时性计算机可读介质,其中获得所述PDF包括确定拟合所述测量数据的高斯分布的方差。
70.根据方面67至69中任一项所述的非暂时性计算机可读介质,其中所述确定所述粒子的所述沉积速率包括:
对所述粒子的所述PDF与所述轮廓函数进行卷积;和
在所述ADI轮廓的所述区域上进行积分。
71.根据方面67至70中任一项所述的非暂时性计算机可读介质,其中确定所述偏置矢量包括:
确定所述沉积速率相对于所述ADI图案的第一方向和第二方向的梯度,所述第一方向和所述第二方向彼此垂直。
72.根据方面67所述的非暂时性计算机可读介质,其中所述偏置矢量包括:所述ADI轮廓的部位处的偏置方向,并且所述方法还包括沿施加偏置值以产生所述AEI轮廓。
73.根据方面72所述的非暂时性计算机可读介质,其中所述偏置方向被确定为使得当不同部位处的所述偏置值被施加至所述ADI轮廓时,不同部位处的所述偏置矢量彼此不相交。
74.根据方面73所述的非暂时性计算机可读介质,其中所述偏置方向包括:不垂直于所述ADI轮廓的方向。
75.根据方面67至74中任一项所述的非暂时性计算机可读介质,其中所述粒子的所述PDF表示所述ADI轮廓上的所述粒子的沉积或蚀刻过程,并且其中所述沉积速率是正的或负的。
76.根据方面67至75中任一项所述的非暂时性计算机可读介质,其中从被配置成产生用于给定抗蚀剂图案的偏置映射的经训练的机器学习模型获得所述偏置值。
77.根据方面67至76中任一项所述的非暂时性计算机可读介质,其中当所述ADI图案包括多个轮廓时,针对每个ADI轮廓单独地确定一组偏置矢量。
78.一种非暂时性计算机可读介质,包括在由一个或更多个处理器执行时导致包括以下各项的操作的指令:
获得(i)与待对轮廓执行的过程对应的概率分布函数(PDF),和(ii)表征所述轮廓的形状的轮廓函数;
在所述轮廓的区域上对所述轮廓函数与所述PDF进行卷积以确定所述轮廓上的指定部位处的过程速率;和
基于所述过程速率确定待施加至所述轮廓的偏置矢量,以产生指示所述过程的被应用于所述轮廓上的效应的偏置轮廓。
79.根据方面78所述的非暂时性计算机可读介质,其中所述过程导致对形成所述轮廓的材料的添加或移除,所述添加或所述移除导致所述轮廓的形状的改变。
80.根据方面79所述的非暂时性计算机可读介质,其中所述过程速率表征形成所述轮廓的所述材料的所述添加或所述移除的行为。
本文中所公开的概念可以对用于使子波长特征成像的任何通用成像系统进行模拟或数学建模,并且尤其可以供能够产生具有越来越小的大小的波长的新兴成像技术使用。已经在使用中的新兴技术包括极紫外(EUV)光刻,其能够通过使用ArF激光器来产生193nm的波长且甚至能够通过使用氟激光器来产生157nm的波长。此外,EUV光刻能够通过使用同步加速器或通过利用高能电子来射到材料(固体或等离子体)而产生在20nm至5nm的范围内的波长,以便产生这里范围内的光子。
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,用于在不同于硅晶片的衬底上的成像的光刻成像系统。
虽然可以在本文中具体地参考在IC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可能应用。例如,其可以用于制造集成光学系统、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(MEM)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”的任何使用可以被认是分别与更上位的术语“图案形成装置”、“衬底”或“目标部分”同义或可以与它们互换。可以在曝光之前或之后在(例如)轨道(通常将抗蚀剂层施加至衬底且显影曝光后的抗蚀剂的工具)或量测或检测工具中处理本文中提及的衬底。适用时,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,可以将衬底处理多于一次(例如)以便产生多层IC,以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。
在本文献中,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(例如具有介于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/optimization)”是指或意味着调整图案化设备(例如光刻设备)、图案化过程等使得结果和/或过程具有较期望的特性,诸如设计图案于衬底上的较高投影准确度、较大过程窗口等。因此,如本文中所使用的术语“优化(optimizing/optimization)”是指或意味着识别用于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相比于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。
可以任何方便形式来实施本发明的方面。例如,实施例可以由一个或更多个适当计算机程序实施,所述一个或更多个适当计算机程序可以在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)的适当载体介质上进行。可以使用可以具体地采取可编程计算机的形式的合适的装置来实施本发明的实施例,所述可编程计算机执行被配置以实施如本文中所描述的方法的计算机程序。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被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以可以由机器(例如计算装置)读取的形式的信息的任何机构。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、光、声或其它形式的传播信号(例如,载波、红外信号、数字信号等等)等等。另外,固件、软件、例程、指令可以在本文中被描述为执行某些动作。然而,应了解,这些描述仅仅是出于方便起见,并且这些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、指令等等的其它器件引起。
在框图中,所图示的部件被描绘为离散功能区块,但实施例不限于本文中所描述的功能性如所图示来组织的系统。由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,可混合、结合、复写、分解、分配(例如,在数据中心内或按地区),或另外以不同方式组织这种软件或硬件。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)的情况下,可以通过发送指令以从内容分发网络获取所述信息来提供所述信息。
除非另外具体陈述,否则如根据论述明白,应了解,在整个本说明书中,利用诸如“处理”、“计算”、“计算”、“确定”等等的术语的论述是指诸如专用计算机或类似专用电子处理/计算装置的特定设备的动作或过程。
读者应了解,本申请描述若干发明。已将这些发明分组成单个文件,而不是将那些发明分离成多个单独的专利申请,这是因为所述发明的相关主题在应用程序中有助于经济发展。但不应合并这些发明的不同的优点和方面。在一些情况下,实施例解决本文中提及的所有缺陷,但应理解,所述发明是独立地有用,并且一些实施例仅解决这些问题的子集或提供其它未提及的益处,检阅本公开的本领域技术人员将明白所述益处。归因于成本约束,目前可以不主张本文中所公开的一些发明,并且可以在稍后申请(诸如继续申请或通过修正本技术方案)中主张所述发明。类似地,归因于空间约束,本文献的说明书摘要和发明内容章节都不应被视为包含所有这些发明的全面清单或这些发明的所有方面。
应理解,本说明书和附图不意图将本发明限于所公开的特定形式,而正相反,意图涵盖属于如由所附权利要求限定的本发明的精神和范围的所有修改、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种方面的修改和替代实施例。因此,本说明书和附图应被理解为仅是说明性的且是出于教导本领域技术人员进行本发明的一般方式的目的。应理解,本文中示出且描述的本发明的形式应被视为实施例的示例。元件和材料可以替代本文中所图示和描述的元件和材料,部分和过程可以被反转或被省略,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,如对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。可以在不背离如在随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元件作出改变。本文中所使用的标题仅是实现组织性目的,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,词语“可或可以”是以许可的意义(即,意味着可能)而不是强制的意义(即,意味着必须)来使用。词“包括(include/including/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“a/an/the”包括多个参照物,除非内容另有明确地指示。因此,例如,对“元件(an element/a element)”的参考包括两个或更多个元件的组合,虽然会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”与“或”两者。描述条件关系的术语,例如“响应于X,而Y”、“在X后,即Y”、“如果X,则Y”、“当X时,Y”等等涵盖因果关系,其中前提是必要的因果条件,前提是充分的因果条件,或前提是结果的贡献因果条件,例如,“在条件Y获得后,即出现状态X”对于“仅在Y后,才出现X”和“在Y和Z后,即出现X”是通用的。这些条件关系不限于立即遵循前提而获得的结果,这是因为一些结果可以被延迟,并且在条件陈述中,前提连接至其结果,例如,前提是与出现结果的可能性相关。除非另有指示,否则多个性质或功能被映射至多个对象(例如,执行步骤A、B、C和D的一个或更多个处理器)的陈述涵盖所有这些性质或功能被映射至所有这些对象和性质或功能的子集被映射至性质或功能的子集两者(例如,所有处理器各自执行步骤A至D,并且其中处理器1执行步骤A,处理器2执行步骤B和步骤C的一部分,并且处理器3执行步骤C的一部分和步骤D的情况)。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为单独因子的情况和条件或值为多个因子当的因子的情况两者。除非另有指示,否则某一集合的“每个”实例具有某一性质的陈述不应被解读为排除较大集合的一些以其它方式相同或类似成员不具有所述性质(即,每个不必意味着每一个)的情况。对从范围选择的提及包括所述范围的端点。
在以上描述中,流程图中的任何过程、描述或区块应被理解为表示程序代码的模块、区段或部分,其包括用于实施所述过程中的特定的逻辑功能或步骤的一个或更多个可执行指令,并且替代实施方案被包括在本进展的示例性实施例的范围内,其中功能可以取决于所涉及的功能性不按照所示出或论述的次序执行,包括大体上同时或以相反次序执行,如本领域技术人员应理解的。
在某些美国专利、美国专利申请或其它材料(例如论文)已以引用方式并入的范围内,这些美国专利、美国专利申请和其它材料的文字仅在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内并入。在存在这样的冲突的情况下,在这样的以引用方式并入的美国专利、美国专利申请和其它材料中的任何这样的冲突文字不特定地以引用方式并入本文中。
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将属于本公开的范围和精神内的这样的形式或修改。
Claims (13)
1.一种量测方法,包括:
获得(i)与印制于衬底上的结构的物理特性相关联的测量数据,和(ii)所述结构的模拟轮廓的至少一部分,所述模拟轮廓的所述部分与所述测量数据相关联;
基于所述测量数据修改所述结构的所述模拟轮廓的所述部分;和
在所述模拟轮廓的经修改的所述部分上或附近产生量测量规,所述量测量规被放置以测量所述结构的所述模拟轮廓的所述物理特性,
其中所获得的所述测量数据是与所述结构相关联的限定部位处的CD值;并且
其中所产生的所述量测量规是边缘放置量规。
2.根据权利要求1所述的方法,其中所述模拟轮廓的所述部分是所述模拟轮廓的、在与所述结构相关联的所述测量数据周围的限定区内的部分。
3.根据权利要求2所述的方法,其中获得所述模拟轮廓的所述部分包括:
将所述衬底的一区域限定在与所述测量数据相关联的限定部位周围;和
在所述衬底的限定的所述区域内模拟图案化过程以获得所述结构的所述模拟轮廓的所述部分。
4.根据权利要求1所述的方法,其中修改所述模拟轮廓的所述部分包括:
基于所述模拟轮廓的所述部分确定与所述结构的所述模拟轮廓的所述物理特性相关联的模拟数据;
确定与所述结构的所述物理特性相关联的所述测量数据与所述模拟数据之间的差;和
基于所述差修改所述模拟轮廓的所述部分使得所述测量数据与所述模拟数据之间的所述差减小。
5.根据权利要求1所述的方法,其中对所述模拟轮廓的所述部分的修改是基于与所述结构相关联的模拟CD值与测量CD值之间的差进行的。
6.根据权利要求1所述的方法,其中修改所述模拟轮廓的所述部分包括:
基于所述模拟轮廓的所述部分确定与所述结构的所述模拟轮廓的所述物理特性相关联的模拟数据;
确定与所述结构的所述物理特性相关联的所述测量数据与所述模拟数据之间的差;以及
基于所述差调整用以产生所述模拟轮廓的阈值,使得所述测量数据与所述模拟数据之间的所述差减小,其中经调整的阈值修改所述模拟轮廓的所述部分。
7.根据权利要求6所述的方法,其中修改所述模拟轮廓的所述部分包括:
使用所述模拟轮廓的所述部分确定在与测量CD值相关联的限定部位处的模拟CD值;
确定所述模拟CD值与所述测量CD值之间的差;和
基于所述差调整所述阈值使得所述模拟CD值与所述测量CD值之间的差减小,经调整的阈值修改所述模拟轮廓的所述部分。
8.根据权利要求1所述的方法,其中产生所述量测量规包括:
沿所述模拟轮廓的经修改的所述部分指定点;以及
将所述点的部位导出为所述量测量规。
9.根据权利要求1所述的方法,其中经由量测工具获得所述测量数据。
10.根据权利要求9所述的方法,其中所述量测工具是扫描电子显微镜(SEM)且从SEM图像获得所述测量数据。
11.根据权利要求1所述的方法,还包括:
将经修改的轮廓提供至图案化过程的模型以确定所述图案化过程的参数。
12.根据权利要求3所述的方法,还包括训练与图案化过程相关联的机器学习模型,所述方法包括:
使用所述测量数据和所述量测量规训练所述机器学习模型使得在所述衬底上的所述限定部位周围所述图案化过程的性能指标得到改善,所述性能指标是所述量测量规和所述物理特性的函数,其中所述机器学习模型是蚀刻模型或抗蚀剂模型。
13.一个或更多个非暂时性计算机可读介质,所述一个或更多个非暂时性计算机可读介质具有其上记录的指令,所述指令在由一个或更多个处理器执行时促使所述一个或更多个处理器实施根据权利要求1至12中任一项所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962889248P | 2019-08-20 | 2019-08-20 | |
US62/889,248 | 2019-08-20 | ||
CN2020085643 | 2020-04-20 | ||
CNPCT/CN2020/085643 | 2020-04-20 | ||
PCT/EP2020/071742 WO2021032448A1 (en) | 2019-08-20 | 2020-08-01 | Methods for improving process based contour information of structure in image |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202411022511.3A Division CN118963068A (zh) | 2019-08-20 | 2020-08-01 | 用于改善图像中的结构的基于过程的轮廓信息的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114286964A CN114286964A (zh) | 2022-04-05 |
CN114286964B true CN114286964B (zh) | 2024-08-13 |
Family
ID=71948572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080058841.1A Active CN114286964B (zh) | 2019-08-20 | 2020-08-01 | 用于改善图像中的结构的基于过程的轮廓信息的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220299881A1 (zh) |
KR (1) | KR20220034900A (zh) |
CN (1) | CN114286964B (zh) |
TW (3) | TWI796585B (zh) |
WO (1) | WO2021032448A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12122053B2 (en) * | 2019-10-10 | 2024-10-22 | Nvidia Corporation | Generating computer simulations of manipulations of materials based on machine learning from measured statistics of observed manipulations |
KR20220158146A (ko) * | 2021-05-20 | 2022-11-30 | 삼성전자주식회사 | 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치 |
US20240272543A1 (en) * | 2021-06-07 | 2024-08-15 | Asml Netherlands B.V. | Determining rounded contours for lithography related patterns |
WO2022268434A1 (en) * | 2021-06-23 | 2022-12-29 | Asml Netherlands B.V. | Etch simulation model including a correlation between etch biases and curvatures of contours |
EP4242904A3 (en) * | 2021-07-02 | 2023-11-01 | Comet AG | Method for machine learning a detection of at least one irregularity in a plasma system |
US20230037918A1 (en) * | 2021-08-06 | 2023-02-09 | D2S, Inc. | Method for computational metrology and inspection for patterns to be manufactured on a substrate |
US12056431B2 (en) * | 2021-08-31 | 2024-08-06 | Taiwan Semiconductor Manufacturing Company, Ltd. | Methods of preparing photo mask data and manufacturing a photo mask |
WO2023088649A1 (en) * | 2021-11-17 | 2023-05-25 | Asml Netherlands B.V. | Determining an etch effect based on an etch bias direction |
KR20240105405A (ko) * | 2021-11-28 | 2024-07-05 | 디2에스, 인코포레이티드 | 전자 설계 자동화를 위한 상호작용적 압축 툴 |
WO2024170211A1 (en) * | 2023-02-13 | 2024-08-22 | Asml Netherlands B.V. | Method and system for identifying a center of a pattern using automatic thresholding |
CN115906543B (zh) * | 2023-03-08 | 2023-08-04 | 苏州培风图南半导体有限公司 | 一种基于光刻建模仿真的参数获取方法 |
Family Cites Families (21)
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. |
CN102057330B (zh) * | 2008-06-03 | 2013-07-17 | Asml荷兰有限公司 | 基于模型的扫描器调节方法 |
US8516401B2 (en) * | 2008-11-19 | 2013-08-20 | Mentor Graphics Corporation | Mask model calibration technologies involving etch effect and exposure effect |
JP5400882B2 (ja) * | 2009-06-30 | 2014-01-29 | 株式会社日立ハイテクノロジーズ | 半導体検査装置及びそれを用いた半導体検査方法 |
US8607168B2 (en) * | 2010-02-16 | 2013-12-10 | Mentor Graphics Corporation | Contour alignment for model calibration |
US20110202893A1 (en) * | 2010-02-16 | 2011-08-18 | Ir Kusnadi | Contour Self-Alignment For Optical Proximity Correction Model Calibration |
JP5081276B2 (ja) * | 2010-06-02 | 2012-11-28 | 株式会社日立ハイテクノロジーズ | パターン計測装置、パターン計測方法、およびプログラム |
US20120117520A1 (en) * | 2010-11-08 | 2012-05-10 | NGR, Inc. | Systems And Methods For Inspecting And Controlling Integrated Circuit Fabrication Using A Calibrated Lithography Simulator |
KR20120101197A (ko) * | 2011-02-08 | 2012-09-13 | 삼성전자주식회사 | 포토 마스크의 제조 방법 |
JP5957357B2 (ja) * | 2012-10-15 | 2016-07-27 | 株式会社日立ハイテクノロジーズ | パターン検査・計測装置及びプログラム |
JP5868462B2 (ja) * | 2014-08-07 | 2016-02-24 | 株式会社日立ハイテクノロジーズ | パターン形状評価装置 |
WO2017114662A1 (en) * | 2015-12-31 | 2017-07-06 | Asml Netherlands B.V. | Selection of measurement locations for patterning processes |
WO2017144379A1 (en) * | 2016-02-22 | 2017-08-31 | Asml Netherlands B.V. | Separation of contributions to metrology data |
US10134124B2 (en) * | 2016-08-18 | 2018-11-20 | Dongfang Jingyuan Electron Limited | Reference image contour generation |
EP3291007A1 (en) * | 2016-08-30 | 2018-03-07 | ASML Netherlands B.V. | Patterning stack optimization |
KR102582665B1 (ko) * | 2016-10-07 | 2023-09-25 | 삼성전자주식회사 | 집적 회로의 패턴들을 평가하는 시스템 및 방법 |
US10495967B2 (en) * | 2017-09-28 | 2019-12-03 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of mask simulation model for OPC and mask making |
CN115935854A (zh) * | 2017-12-04 | 2023-04-07 | Asml荷兰有限公司 | 用于预测层变形的系统和方法 |
WO2019145278A1 (en) * | 2018-01-26 | 2019-08-01 | Asml Netherlands B.V. | Pre-scan feature determination methods and systems |
US11379647B2 (en) * | 2018-03-30 | 2022-07-05 | Intel Corporation | Multilayer optical proximity correction (OPC) model for OPC correction |
-
2020
- 2020-08-01 WO PCT/EP2020/071742 patent/WO2021032448A1/en active Application Filing
- 2020-08-01 KR KR1020227005626A patent/KR20220034900A/ko not_active Application Discontinuation
- 2020-08-01 US US17/636,103 patent/US20220299881A1/en active Pending
- 2020-08-01 CN CN202080058841.1A patent/CN114286964B/zh active Active
- 2020-08-07 TW TW109126796A patent/TWI796585B/zh active
- 2020-08-07 TW TW112105478A patent/TWI823777B/zh active
- 2020-08-07 TW TW112142155A patent/TW202409746A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US20220299881A1 (en) | 2022-09-22 |
KR20220034900A (ko) | 2022-03-18 |
WO2021032448A1 (en) | 2021-02-25 |
CN114286964A (zh) | 2022-04-05 |
TW202113501A (zh) | 2021-04-01 |
TWI823777B (zh) | 2023-11-21 |
TW202321835A (zh) | 2023-06-01 |
TWI796585B (zh) | 2023-03-21 |
TW202409746A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
TWI782317B (zh) | 用於改良圖案化程序之程序模型的方法以及改良圖案化程序之光學近接校正模型的方法 | |
CN114402262A (zh) | 半导体器件几何方法和系统 | |
CN113661447A (zh) | 用于预测衬底图像的方法和设备 | |
EP3789826A1 (en) | Method for determining defectiveness of pattern based on after development image | |
TWI783392B (zh) | 執行用於訓練機器學習模型以產生特性圖案之方法的非暫時性電腦可讀媒體 | |
TWI808444B (zh) | 用於產生消除雜訊模型之裝置及方法 | |
TWI838628B (zh) | 用於判定輔助特徵之列印機率之系統、方法和產品及其應用 | |
CN114981724A (zh) | 用于改善掩模图案生成一致性的方法 | |
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 | |
US20240310718A1 (en) | Method for generating mask pattern | |
CN115917438A (zh) | 用于从原始图像自动选择高品质图像的设备和方法 | |
US20240264539A1 (en) | Inspection data filtering systems and methods | |
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 | |
WO2022078740A1 (en) | Apparatus and methods to generate deblurring model and deblur image | |
CN115047719A (zh) | 基于由光刻设备或过程特性表征的图案表示来选择该图案 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |