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

TW202028849A - 產生特徵圖案與訓練機器學習模型之方法 - Google Patents

產生特徵圖案與訓練機器學習模型之方法 Download PDF

Info

Publication number
TW202028849A
TW202028849A TW108137244A TW108137244A TW202028849A TW 202028849 A TW202028849 A TW 202028849A TW 108137244 A TW108137244 A TW 108137244A TW 108137244 A TW108137244 A TW 108137244A TW 202028849 A TW202028849 A TW 202028849A
Authority
TW
Taiwan
Prior art keywords
pattern
model
training
characteristic
characteristic pattern
Prior art date
Application number
TW108137244A
Other languages
English (en)
Other versions
TWI846742B (zh
Inventor
馬克 克里斯多福 賽門斯
林晨希
伍健一
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202028849A publication Critical patent/TW202028849A/zh
Application granted granted Critical
Publication of TWI846742B publication Critical patent/TWI846742B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • 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
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本發明提供一種產生用於一圖案化程序之一特徵圖案與訓練一機器學習模型之方法。用於產生該特徵圖案之該方法包括：獲得一經訓練產生器模型，其經組態以產生一特徵圖案(例如，熱點圖案)及一輸入圖案；以及經由模擬該經訓練產生器模型(例如，CNN)，基於該輸入圖案產生該特徵圖案，其中該輸入圖案為一隨機向量、一圖案類別中之至少一者。

Description

產生特徵圖案與訓練機器學習模型之方法
本文之描述大體係關於圖案化程序及判定對應於一設計佈局之特徵圖案的設備及方法。
微影投影設備可用於(例如)積體電路(IC)製造中。在此類情況下，圖案化裝置(例如，光罩)可含有或提供對應於IC之個別層的圖案(「設計佈局」)，且此圖案可轉印至上基板(例如，矽晶圓)上已塗佈有一層輻射敏感材料(「抗蝕劑」)之目標部分(例如，包含一或多個晶粒)上(藉由諸如經由圖案化裝置上之圖案輻照該目標部分之方法)。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影投影設備順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影投影設備中，將整個圖案化裝置上之圖案一次性轉印至一個目標部分上；此設備通常稱為步進器。在通常稱為步進掃描設備之替代設備中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化裝置進行掃描，同時平行或反平行於此參考方向而同步地移動基板。圖案化裝置上之圖案之不同部分逐漸地轉印至一個目標部分。一般而言，由於微影投影設備將具有減小之比率M (例如，4)，因此移動基板之速度F將為投影光束掃描圖案化裝置之速度的1/M倍。可例如自以引用方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影裝置的更多資訊。
在將圖案自圖案化裝置轉印至基板之前，基板可經歷各種工序，諸如，上底漆、抗蝕劑塗佈，及軟烘烤。在曝光之後，基板可經受其他工序(「曝光後工序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤及對經轉印圖案之量測/檢測。此工序陣列係用作製造一裝置(例如，IC)之個別層的基礎。基板接著可經歷各種程序，諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等等，該等程序皆意欲精整裝置之個別層。若在裝置中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在裝置。接著藉由諸如切塊或鋸切之技術來使此等裝置彼此分離，據此，可將個別裝置安裝於載體上、連接至銷釘等。
因此，製造諸如半導體裝置之裝置通常涉及使用多個製造程序來處理基板(例如半導體晶圓)以形成該等裝置之各種特徵及多個層。通常使用(例如)沈積、微影、蝕刻、化學機械拋光及離子植入來製造及處理此等層及特徵。可在基板上之複數個晶粒上製作多個裝置，且接著將該等裝置分離成個別裝置。可將此裝置製造程序視為圖案化程序。圖案化程序涉及圖案化步驟，諸如使用微影設備中之圖案化裝置來將圖案化裝置上的圖案轉印至基板之光學及/或奈米壓印微影，且圖案化程序通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影設備進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻設備使用圖案進行蝕刻等。
如所提及，微影為在諸如IC之裝置之製造時的中心步驟，其中形成於基板上之圖案界定裝置之功能元件，諸如微處理器、記憶體晶片等。類似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他裝置。
隨著半導體製造程序持續進步，幾十年來，功能元件之尺寸已不斷地減小，而每裝置的諸如電晶體之功能元件之量已在穩定地增大，此遵循通常稱為「莫耳定律(Moore's law)」之趨勢。在當前技術狀態下，使用微影投影設備製造裝置之層，該等微影投影設備使用來自深紫外照明源之照明將對應於設計佈局之圖案投影至基板上，從而產生尺寸遠低於100 nm，即小於來自照明源(例如，193 nm照明源)之輻射的波長之一半，的個別功能元件。
供印刷尺寸小於微影投影設備之經典解析度限制之特徵的此程序根據解析度公式CD=k1 ×λ/NA而通常被稱為低k1 微影，其中λ為所使用輻射之波長(當前在大多數情況下為248奈米或193奈米)，NA為微影投影設備中之投影光學件之數值孔徑，CD為「臨界尺寸(critical dimension)」(通常為所印刷之最小特徵大小)，且k1 為經驗解析度因數。大體而言，k1 愈小，則在基板上再現類似於由設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，將複雜微調步驟應用至微影投影設備、設計佈局或圖案化裝置。此等微調步驟包括(例如，但不限於)：NA及光學相干設定之最佳化、定製照明方案、相移圖案化裝置之使用、設計佈局中之光學近接校正(OPC，有時亦稱為「光學及程序校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。如本文所使用之術語「投影光學件」應被廣泛地解譯為涵蓋各種類型之光學系統，包括(例如)折射光學件、反射光學件、孔隙及反射折射光學件。術語「投影系統」亦可包括用於集體地或單個地導向、塑形或控制投影輻射光束的根據此等設計類型中之任一者而操作之組件。術語「投影光學件」可包括微影投影設備中之任何光學組件，而不論光學組件位於微影投影設備之光學路徑上之何處。投影光學件可包括用於在來自源之輻射通過圖案化裝置之前塑形、調整及/或投影該輻射的光學組件，及/或用於在輻射通過圖案化裝置之後塑形、調整及/或投影該輻射的光學組件。投影光學件通常不包括源及圖案化裝置。
根據一實施例，提供一種產生用於一圖案化程序之一特徵圖案的方法。該方法包括：獲得一經訓練產生器模型，其經組態以產生一特徵圖案及一輸入圖案；以及經由模擬該經訓練產生器模型，基於該輸入圖案產生該特徵圖案，其中該輸入圖案為一隨機向量或一圖案類別中之至少一者。
在一實施例中，該特徵圖案為待印刷在經受該圖案化程序之一基板上的一圖案化裝置圖案。
在一實施例中，該輸入圖案係經由以一設計佈局作為導致熱點圖案之一輸入來模擬該圖案化程序之一程序模型而獲得。
在一實施例中，該程序模型包含一光學近接校正模型及一微影可製造性檢查模型。
在一實施例中，該方法進一步包括：將該特徵圖案轉換為一特徵輪廓表示；將一設計規則檢查應用於該特徵輪廓表示；以及基於該設計規則檢查修改該特徵輪廓表示以增大該特徵圖案可印刷之一可能性。
在一實施例中，該轉換該特徵圖案包含：提取該特徵圖案內的特徵之輪廓；以及將該等輪廓轉換為幾何形狀及/或使該特徵圖案曼哈頓化(Manhattanize)。
在一實施例中，該方法進一步包含：經由模擬該光學近接校正模型判定用於經修改特徵輪廓之光學近接校正；經由模擬該圖案化程序之該程序模型判定該基板之對應於該經修改特徵輪廓之一模擬圖案。
在一實施例中，該方法進一步包含：經由模擬該圖案化程序之該程序模型基於該特徵圖案及/或該經修改特徵輪廓判定該圖案化程序之設定。
在一實施例中，該圖案化程序之該等設定為包括劑量、焦點及/或光學參數之程序變數之值。
在一實施例中，該方法進一步包含：經由該微影設備應用該圖案化程序之該等設定將該特徵圖案印刷在該基板上。
在一實施例中，該經訓練產生器模型為一捲積神經網路。
在一實施例中，該經訓練產生器模型係根據稱作一生成對抗網路之一機器學習訓練方法而訓練。
在一實施例中，該特徵圖案及該輸入圖案為一像素化影像。
在一實施例中，該輸入圖案包括包括一熱點圖案之一設計佈局。
此外，本發明提供一種訓練用於產生一圖案化程序之一特徵圖案的一機器學習模型之方法。該方法包括：獲得一機器學習模型，其包含(i)一產生器模型，其經組態以產生待印刷在經受一圖案化程序之一基板上的一特徵圖案，及(ii)一鑑別器模型，其經組態以區分該特徵圖案與一訓練圖案；以及經由一電腦硬體系統基於包含該訓練圖案之一訓練集以一彼此協作方式訓練該產生器模型與該鑑別器模型，使得該產生器模型產生匹配該訓練圖案之該特徵圖案且該鑑別器模型將該特徵圖案識別為該訓練圖案，其中該特徵圖案及該訓練圖案包含一熱點圖案。
在一實施例中，該訓練為一反覆程序，一反覆包含：經由以一輸入向量模擬該產生器模型來產生該特徵圖案；評估與該產生器模型相關的一第一成本函數；經由該鑑別器模型區分該特徵圖案與該訓練圖案；評估與該鑑別器模型相關的一第二成本函數；以及調整該產生器模型之參數以改良該第一成本函數，且調整該鑑別器模型之參數以改良該第二成本函數。
在一實施例中，該輸入向量為一隨機向量及/或一晶種熱點影像。
在一實施例中，該晶種熱點影像係自以一設計佈局作為一輸入模擬微影程序而獲得。
在一實施例中，該區分包含：判定該特徵圖案為該訓練圖案之一機率；以及回應於該機率，將一標記指派至該特徵圖案，該標記指示該特徵圖案為一真實圖案還是一虛假圖案。
在一實施例中，回應於該機率突破一臨限值，將該特徵圖案標記為一真實圖案。
在一實施例中，該第一成本函數包含一第一對數-可能性項，其在給定該輸入向量的情況下判定該特徵圖案為一虛假圖案之一機率。
在一實施例中，該調整該產生器模型之參數使得該第一對數-可能性項最小化。
在一實施例中，該第二成本函數包括一第二對數-可能性項，其在給定該訓練圖案的情況下判定該特徵圖案為真實圖案之一機率。
在一實施例中，該調整第二模型參數使得該第二對數-可能性項最大化。
在一實施例中，該訓練圖案包括一熱點圖案。
在一實施例中，該訓練圖案係自模擬該圖案化程序之一程序模型、一經印刷基板之量度學資料及/或儲存印刷圖案之一資料庫而獲得。
在一實施例中，該特徵圖案包括類似於該訓練圖案之特徵。
在一實施例中，該特徵圖案及該訓練圖案進一步包含一非熱點圖案及/或一使用者定義之圖案。
在一實施例中，該方法進一步包含經由模擬該經訓練產生器模型產生包括一熱點圖案及/或一使用者定義之圖案的一設計圖案。
在一實施例中，該產生器模型及該鑑別器模型為捲積神經網路。
在詳細地描述實施例之前，有指導性的是呈現可供實施實施例之實例環境。
儘管在本文中可特定地參考IC製造，但應明確地理解，本文之描述具有許多其他可能應用。舉例而言，其可用於製造整合式光學系統、導引及偵測用於磁疇記憶體之圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者應瞭解，在此類替代應用之內容背景中，應認為在本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用可分別與更一般之術語「光罩」、「基板」及「目標部分」互換。
在本發明之文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如具有為365奈米、248奈米、193奈米、157奈米或126奈米之波長)及極紫外線輻射(EUV，例如具有在約5奈米至100奈米之範圍內之波長)。
圖案化裝置可包含或可形成一或多個設計佈局。可利用電腦輔助設計(computer-aided design；CAD)程式來產生設計佈局，此程序常常稱為電子設計自動化(electronic design automation；EDA)。大多數CAD程式遵循預定設計規則之集合，以便產生功能設計佈局/圖案化裝置。藉由處理及設計限制來設定此等規則。舉例而言，設計規則定義裝置(諸如閘、電容器等等)或互連線之間的空間容許度， 以便確保該等裝置或線彼此不會以不理想方式相互作用。設計規則限制中之一或多者可稱為「臨界尺寸」(CD)。可將裝置之臨界尺寸界定為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此，CD判定經設計裝置之總大小及密度。當然，裝置製造之目標中之一者為在基板上如實地再生原始設計意圖(經由圖案化裝置)。
作為一實例，圖案佈局設計可包括諸如光學接近校正(OPC)的解析度增強技術之應用。OPC處理如下事實：投影於基板上之設計佈局之影像的最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化裝置上之大小及置放。應注意，術語「光罩」、「倍縮光罩」、「圖案化裝置」在本文中可被互換地利用。又，熟習此項技術者將認識到，可互換地使用術語「光罩」、「圖案化裝置」及「設計佈局」，如在RET之內容背景中，未必使用實體圖案化裝置，而可使用設計佈局來表示實體圖案化裝置。對於存在於一些某一設計佈局上之小特徵大小及高特徵密度，給定特徵之特定邊緣之位置將在某種程度上受到其他鄰近特徵之存在或不存在影響。此等接近效應起因於自一個特徵耦接至另一特徵之微量的輻射或諸如繞射及干涉之非幾何光學效應。類似地，近接效應可起因於在通常繼微影之後的曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了增大設計佈局之經投影影像係根據給定目標電路設計之要求的機會，可使用設計佈局之複雜數值模型、校正或預失真來預測及補償接近效應。論文「Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design」(C. Spence，Proc. SPIE，第5751卷，第1至14頁(2005年))提供當前「以模型為基礎」之光學近接校正程序的綜述。在典型高端設計中，設計佈局之幾乎每一特徵皆具有一些某種修改，以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置，以及意欲輔助其他特徵之投影的「輔助」特徵之應用。
輔助特徵可被視為圖案化裝置上之特徵與設計佈局中之特徵之間的差異。術語「主特徵」及「輔助特徵」並不暗示圖案化裝置上之特定特徵必須被標註為主特徵或輔助特徵。
如本文中所使用之術語「光罩」或「圖案化裝置」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化裝置，經圖案化橫截面對應於待在基板之目標部分中產生之圖案；術語「光閥」亦可用於此內容背景中。除了經典光罩(透射或反射；二元、相移、混合式等等)以外，其他此等圖案化裝置之實例亦包括： -可程式化鏡面陣列。此裝置之實例為具有黏彈性控制層及反射表面之矩陣可定址表面。此設備所隱含之基本原理為(例如)：反射表面之經定址區域使入射輻射反射為繞射輻射，而未經定址區域使入射輻射反射為非繞射輻射。在使用適當濾光器之情況下，可自經反射光束濾出該非繞射輻射，從而僅留下繞射輻射；以此方式，光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適電子構件來執行所需矩陣定址。 -可程式化LCD陣列。在以引用方式併入本文中之美國專利第5,229,872號中給出此類構造之一實例。
作為簡要介紹，圖1說明例示性微影投影設備10A。主要組件為：輻射源12A，其可為深紫外準分子雷射源或包括極紫外線(EUV)源及照明光學件之其他類型源(如上文所論述，微影投影設備自身不必具有輻射源)，該等照明光學件例如界定部分同調性(表示為西格瑪)且可包括塑形來自源12A之輻射的光學件14A、16Aa及16Ab；圖案化裝置18A；及透射光學件16Ac，其將圖案化裝置之圖案之影像投影至基板平面22A上。在投影光學件之光瞳平面處的可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度限定投影光學件的數值孔徑NA=n sin(Θmax )，其中n為基板與投影光學件之最末元件之間的媒體之折射率，且Θmax 為自投影光學件射出的仍可照射於基板平面22A上之光束的最大角度。
在微影投影設備中，向圖案化裝置及投影光學件提供照明(亦即輻射)之源經由圖案化裝置將照明導向且塑形至基板上。投影光學件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為在基板位階處之輻射強度分佈。曝光基板上之抗蝕劑層，且將空中影像轉印至抗蝕劑層以在其中作為潛伏「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 2009-0157360號中找到此情形之實例。抗蝕劑模型僅與抗蝕劑層之屬性(例如在曝光、PEB及顯影期間發生之化學程序的效應)相關。微影投影設備之光學屬性(例如源、圖案化裝置及投影光學件之屬性)規定空中影像。由於可改變用於微影投影設備中之圖案化裝置，故可需要使圖案化裝置之光學屬性與至少包括源及投影光學件的微影投影設備之其餘部分之光學屬性分離。
儘管在本文中可特定地參考微影設備在IC製造中之使用，但應理解，本文中所描述的微影設備可具有其他應用，諸如製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示器(LCD)、薄膜磁頭等。熟習此項技術者應瞭解，在此等替代應用之內容背景中，可認為本文中對術語「晶圓」或「晶粒」之任何使用分別與更一般之術語「基板」或「目標部分」同義。可在曝光之前或之後在(例如)軌道(通常將抗蝕劑層施加至基板且顯影所曝光抗蝕劑之工具)或度量工具或檢測工具中處理本文所提及之基板。在適用情況下，可將本文中之揭示內容應用於此等及其他基板處理工具。此外，可將基板處理多於一次，(例如)以便產生多層IC，使得本文所使用之術語「基板」亦可指已經含有多個經處理層之基板。
本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外線(UV)輻射(例如，具有365、248、193、157或126 nm之波長)及極紫外線(EUV)輻射(例如，具有在5至20 nm之範圍內的波長)以及粒子束，諸如離子束或電子束。
圖案化裝置上或由圖案化裝置提供之各種可具有不同程序窗，亦即，將在規範內產生圖案所根據之處理變數的空間。關於潛在系統性缺陷之圖案規格之實例包括檢查頸縮、線拉回、線薄化、CD、邊緣置放、重疊、抗蝕劑頂部損耗、抗蝕劑底切及/或橋接。可藉由合併每一個別圖案之程序窗(例如，使該等程序窗重疊)來獲得圖案化裝置或其區上之所有圖案之程序窗。所有圖案之程序窗之邊界含有個別圖案中之一些之程序窗之邊界。換言之，此等個別圖案限制所有圖案之程序窗。此等圖案可被稱作「熱點」或「程序窗限制圖案(PWLP)」，「熱點」與「程序窗限制圖案(PWLP)」在本文中可互換地使用。當控制圖案化程序之一部分時，有可能且經濟的是集中於熱點。當熱點並無缺陷時，最有可能的是，所有圖案皆無缺陷。
在一實施例中，已開發出基於模擬的方法來在製造光罩之前校驗設計及光罩佈局之正確性。一個此類方法描述於標題為「System and Method for Lithography Simulation」的美國專利第7,003,758號中，該美國專利之標的物特此以全文引用之方式併入且在本文中稱為「模擬系統」。即使在RET實施及校驗可能最佳的情況下，仍不可能最佳化設計之每一特徵。一些結構常常由於技術限制、實施錯誤或與相鄰特徵之衝突而不會被恰當地校正。模擬系統可識別設計之特定特徵，該等特徵將導致不可接受地小的程序窗或在處理條件之通常預期距離內的過度臨界尺寸(CD)變化，諸如焦點及曝光變化。此等有缺陷的區必須在製作光罩之前進行校正。然而，即使在最佳設計中，亦將存在無法最佳地校正之結構或結構部分。儘管此等弱區域可能產生良好晶片，但其可具有最低限度地可接受程序窗，且可能處於裝置內將在變化的處理條件(由於晶圓處理條件、光罩處理條件或兩者的組合之變化)下最可能發生故障之處。此等弱區域在本文中稱為「熱點」。
圖案化程序之變數稱作「處理變數」。術語處理變數亦可以可互換地稱為「圖案化程序參數」或「處理參數」。圖案化程序可包括微影設備中之圖案之實際轉印上游及下游的程序。圖2展示處理變數370之實例類別。第一類別可為微影設備或用於微影程序中之任何其他設備的變數310。此類別之實例包括微影設備之照明件、投影系統、基板載物台等之變數。第二類別可為在圖案化程序中執行之一或多個工序之變數320。此類別之實例包括焦點控制或焦點量測、劑量控制或劑量量測、頻寬、曝光持續時間、顯影溫度、用於顯影中之化學成份等等。第三類別可為設計佈局及其在圖案化裝置中或使用圖案化裝置進行之實施之變數330。此類別之實例可包括輔助特徵之形狀及/或地點、藉由解析度增強技術(RET)而應用之調整、光罩特徵之CD等。第四類別可為基板之變數340。實例包括抗蝕劑層下方之結構之特性、抗蝕劑層之化學成份及/或實體尺寸等等。第五類別可為圖案化程序之一或多個變數之時間變化的特性350。此類別之實例包括高頻載物台移動(例如，頻率、振幅等)、高頻雷射頻寬改變(例如，頻率、振幅等)及/或高頻雷射波長改變之特性。此等高頻改變或移動為高於用以調整基礎變數(例如，載物台位置、雷射強度)之機構之回應時間的高頻改變或移動。第六類別可為微影設備中之圖案轉印上游或下游的程序之特性360，該等程序諸如旋塗、曝光後烘烤(PEB)、顯影、蝕刻、沈積、摻雜及/或封裝。
如應瞭解，此等變數中之許多變數(若非全部)將對圖案化程序之參數有影響且常常對所關注參數有影響。圖案化程序之參數之非限制性實例可包括臨界尺寸(CD)、臨界尺寸均一性(CDU)、焦點、疊對、邊緣位置或置放、側壁角、圖案移位等。常常，此等參數表達自標稱值(例如設計值、平均值等)之誤差。該等參數值可為個別圖案之特性之值或圖案群組之特性之統計量(例如，平均值、方差等)。
可藉由合適方法判定處理變數中之一些或全部或與其相關之參數的值。舉例而言，可自運用各種度量衡工具(例如基板度量衡工具)獲得之資料來判定該等值。可自圖案化程序中之設備之各種感測器或系統(例如，微影設備之諸如位階感測器或對準感測器的感測器、微影設備之控制系統(例如，基板或圖案化裝置台控制系統)、塗佈顯影系統工具中之感測器等)獲得該等值。該等值可來自圖案化程序之業者。
在圖3中說明用於模型化及/或模擬圖案化程序之部分的例示性流程圖。如將瞭解，該等模型可表示不同圖案化程序，且無需包含下文所描述之所有模型。源模型1200表示圖案化裝置之照明之光學特性(包括輻射強度分佈、頻寬及/或相位分佈)。源模型1200可表示照明之光學特性，包括但不限於數值孔徑設定、照明均方偏差(σ)設定以及任何特定照明形狀(例如，離軸輻射形狀，諸如環形、四極、偶極等等)，其中σ (或均方偏差)係照明器之外部徑向範圍。
投影光學件模型1210表示投影光學件之光學特性(包括由投影光學件引起的對輻射強度分佈及/或相位分佈之改變)。投影光學件模型1210可表示投影光學件之光學特性，其包括像差、失真、一或多個折射率、一或多個實體大小、一或多個實體尺寸等。
圖案化裝置/設計佈局模型模組1220擷取在圖案化裝置之圖案中佈置設計特徵之方式，且可包含如例如美國專利第7,587,704號中所描述之圖案化裝置之詳細實體屬性的表示，該美國專利以全文引用之方式併入本文中。在一實施例中，圖案化裝置/設計佈局模型模組1220表示設計佈局(例如，對應於集成電路、記憶體、電子裝置等等之特徵的裝置設計佈局)的光學特性(包括由給定設計佈局產生之輻射強度分佈及/或相位分佈的改變)，其係圖案化裝置上或由圖案化裝置形成之特徵配置的表示。由於可改變用於微影投影設備中之圖案化裝置，因此需要使圖案化裝置之光學屬性與至少包括照明及投影光學件的微影投影設備之其餘部分之光學屬性分離。模擬之目標常常為準確地預測例如邊緣置放及CD，可接著比較該等邊緣置放及CD與裝置設計。裝置設計通常被定義為預OPC圖案化裝置佈局，且將以諸如GDSII或OASIS之標準化數位檔案格式被提供。
可自源模型1200、投影光學件模型1210及圖案化裝置/設計佈局模型1220模擬空中影像1230。空中影像(AI)為在基板位階處之輻射強度分佈。微影投影設備之光學性質(例如，照明件、圖案化裝置及投影光學件之性質)決定空中影像。
基板上之抗蝕劑層係藉由空中影像曝光，且該空中影像經轉印至抗蝕劑層而作為其中之潛伏「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型1240自空中影像1230模擬抗蝕劑影像1250。可使用抗蝕劑模型以自空中影像計算抗蝕劑影像，可在全部揭示內容特此以引用方式併入之美國專利申請公開案第US 2009-0157360號中找到此情形之實例。抗蝕劑模型通常描述在抗蝕劑曝光、曝光後烘烤(PEB)及顯影期間出現的化學程序之效應，以便預測例如形成於基板上之抗蝕劑特徵之輪廓，且因此其通常僅與抗蝕劑層之此等屬性(例如在曝光、曝光後烘烤及顯影期間出現的化學程序之效應)相關。在一實施例中，可作為投影光學件模型1210之部分擷取抗蝕劑層之光學性質(例如，折射率、膜厚度、傳播及偏振效果)。
因此，一般而言，光學模型與抗蝕劑模型之間的連接為抗蝕劑層內之經模擬空中影像強度，其起因於輻射至基板上之投影、抗蝕劑界面處的折射及抗蝕劑膜堆疊中之多個反射。輻射強度分佈(空中影像強度)係藉由入射能量之吸收而變為潛伏「抗蝕劑影像」，其係藉由擴散程序及各種負載效應予以進一步修改。足夠快以用於全晶片應用之有效率模擬方法藉由2維空中(及抗蝕劑)影像而近似抗蝕劑堆疊中之實際3維強度分佈。
在一實施例中，可將抗蝕劑影像用作至圖案轉印後程序模型模組1260之輸入。圖案轉印後程序模型1260界定一或多個抗蝕劑顯影後程序(例如蝕刻、顯影等)之效能。
圖案化程序之模擬可例如預測抗蝕劑及/或經蝕刻影像中之輪廓、CD、邊緣置放(例如邊緣置放誤差)等。因此，模擬之目標為準確地預測例如印刷圖案之邊緣置放，及/或空中影像強度斜率，及/或CD等。可將此等值與預期設計進行比較以例如校正圖案化程序、識別預測出現缺陷之地點等。預期設計通常被定義為可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供之預OPC設計佈局。
因此，模型公式化描述總程序之大多數(若非全部)已知物理學及化學方法，且模型參數中每一者理想地對應於相異物理或化學效應。因此，模型公式化設定關於模型用來模擬總製造過序可達到的良好程度之上限。
圖4展示根據一實施例之用於判定微影程序中之缺陷之存在之方法的流程圖。在處理P411中，使用任何適合之方法根據圖案(例如圖案化裝置上之圖案)來識別熱點或其地點。舉例而言，可藉由使用經驗模型或運算模型來分析圖案上圖案來而識別熱點。在經驗模型中，不模擬圖案之影像(例如，抗蝕劑影像、光學影像、蝕刻影像)；實情為，經驗模型基於處理參數、圖案之參數與缺陷之間的相關性來預測缺陷或缺陷之機率。舉例而言，經驗模型可為分類模型或有缺陷傾向之圖案之資料庫。在運算模型中，計算或模擬影像之一部分或一特性，且基於該部分或該特性來識別缺陷。舉例而言，可藉由尋找太遠離所要地點之線端來識別線拉回缺陷；可藉由尋找兩條線不理想地接合之地點來識別橋接缺陷；可藉由尋找分離層上之不理想地重疊或不理想地未重疊之兩個特徵來識別重疊缺陷。經驗模型通常相比於運算模型通常運算上較不昂貴。有可能基於個別熱點之熱點地點及程序窗而判定熱點之程序窗及/或將熱點之程序窗編譯成圖 - 亦即，判定依據地點而變化之程序窗。此程序窗圖可特性化圖案之佈局特定敏感度及處理裕度。在另一實例中，可諸如藉由FEM晶圓檢測或合適度量衡工具而實驗上地判定熱點、其地點及/或其程序窗。缺陷可包括在顯影後檢測(ADI)(通常為光學檢測)中無法偵測之彼等缺陷，諸如，抗蝕劑頂部損耗、抗蝕劑底切，等等。習知檢測僅在不可逆地處理(例如，蝕刻)基板之後揭露此等缺陷，此時無法二次加工晶圓。因此，在草擬此文件時無法使用當前光學技術來偵測此等抗蝕劑頂部損耗缺陷。然而，模擬可用以判定可在何處發生抗蝕劑頂部損耗且嚴重性將達何種到什麼程度。基於此資訊，可決定使用更準確檢測方法(且通常更耗時)來檢測特定可能缺陷以判定缺陷是否需要重工，或可決定在進行不可逆處理(例如，蝕刻)之前重工特定抗蝕劑層之成像(移除具有抗蝕劑頂部損耗缺陷之抗蝕劑層且重新塗佈晶圓以重新進行該特定層之成像)。
在處理P412中，判定處理熱點(例如成像或蝕刻至基板上)所依據之處理參數。處理參數可為局域的 - 取決於熱點之地點、晶粒之地點，或此兩者。處理參數可為全域的 - 與熱點及晶粒之地點無關。一種用以判定處理參數之例示性方式為判定微影設備之狀態。舉例而言，可自微影設備量測雷射頻寬、焦點、劑量、源參數、投影光學件參數及此等參數之空間或時間變化。另一例示性方式為自對基板執行之度量衡獲得之資料或自處理設備之操作者推斷處理參數。舉例而言，度量衡可包括使用繞射工具(例如ASML YieldStar)、電子顯微鏡或其他合適的檢測工具來檢測基板。有可能獲得關於經處理基板上之任何地點(包括經識別熱點)之處理參數。可將處理參數編譯成依據地點而變化之圖 - 微影參數或程序條件。當然，其他處理參數可被表示為依據地點而變化，亦即，圖。在一實施例中，可在處理每一熱點之前且較佳緊接在處理每一熱點之前判定處理參數。
在處理P413中，使用處理熱點所依據之處理參數來判定熱點處之缺陷的存在、存在機率、特性或其組合。此判定可簡單地比較處理參數與熱點之程序窗 - 若處理參數落在程序窗內，則不存在缺陷；若處理參數落在程序窗外部，則將預期存在至少一缺陷。亦可使用合適經驗模型(包括統計模型)來進行此判定。舉例而言，分類模型可用以提供缺陷之存在機率。用以進行此判定之另一方式為使用運算模型以模擬在依據處理參數來模擬下之熱點之影像或所預期圖案化輪廓且量測影像或輪廓參數。在一實施例中，可緊接在處理圖案或基板之後(亦即，在處理圖案或下一基板之前)判定處理參數。缺陷之經判定存在及/或特性可用作用於處置(重工或接受)之決策之基礎。在一實施例中，處理參數可用以計算微影參數之移動平均值。移動平均值係用以捕捉微影參數之長期飄移，而不受到短期波動擾亂。
在一實施例中，基於基板上之圖案之模擬影像來偵測熱點。一旦完成對圖案化程序之模擬(例如包括程序模型此類OPC及可製造性檢查)，則可根據一或多個限定(例如特定法則、臨限值或度量值)來運算在設計中作為程序條件之函式的潛在弱點，亦即熱點。熱點可基於以下各者來判定：絕對CD值、CD與在模擬中變化之參數中之一或多者的變化率(「CD敏感度)」、空中影像強度之斜率或NILS (亦即「邊緣斜率」或「標準化影像對數斜率」，通常縮寫為「NILS」，其指示清晰度之缺失或影像模糊)，其中抗蝕劑特徵之邊緣為預期的(根據單個臨限值/偏置模型或較完整之抗蝕劑模型來運算)。或者，可基於諸如用於設計法則檢查系統中之彼等預定法則之集合來判定熱點，該等預定法則包括但不限於線端拉回、隅角圓化、與鄰近特徵之接近度、圖案頸縮或夾捏及相對於所要圖案之圖案變形的其他度量值。對光罩CD之較小改變的CD敏感度為尤其重要之微影參數，該參數已知為MEF (光罩誤差因素) MEEF (光罩誤差增強因素)。對MEF與聚焦及曝光之運算提供藉由晶圓程序變化捲積之光罩程序變化將導致特定圖案元件之不可接受的圖案劣化之機率的臨界度量值。亦可基於疊對誤差相對於底層或後續程序層之變化及CD變化，或藉由對多曝光程序中之曝光之間的疊對及/或CD之變化的敏感度來識別熱點。
隨著半導體製造進行至接下來的技術節點(例如，單數字nm節點)，使用設計圖案來驅動程序準確性、穩定性及可預測性之改良。製造設施始終尋找改良其製造IC之循環時間的方式。在顯影循環之早期階段，新節點處之全晶片設計並不存在，但將存在標準單元庫及極小的單元區塊。為了增大其圖案覆蓋，製造商經由設計縮減或某一自定義圖案建立方法而建立其自身的模型打樣圖案。在第一遍模型及圖案化程序配方產生之後，可形成熱點及非熱點圖案之早期理解。此類圖案對於驅動模擬模型、設計規則、OPC及校驗配方之改良以及源照明及光罩最佳化係有價值的。最終，製造商將具有更可能表示所要圖案或設計佈局之圖案集合，但可能要花費數年才能達到此目標。
製造商在早期程序開發循環中並不具有足夠的圖案資訊，從而阻礙其較快速地增大其學習及開發速率之能力。
用於在出現新技術節點之後不久產生圖案之現今方法導致許多不切實際的圖案以及在印刷真實基板時在基板上最終將遇到的圖案。經由現有方法產生的新圖案無法作為指導來僅產生熱點圖案或僅產生非熱點圖案，從而導致不利軟體處理額外負荷(例如，在時間、記憶體、資源，等方面)來恰當地確證新建立的圖案。
圖5為提供本文中所描述的基於機器學習的特徵圖案(例如，熱點圖案)產生方法之概述的說明。根據本發明之方法，訓練產生器模型以產生諸如熱點圖案之特徵圖案、區分特徵圖案為熱點圖案還是非熱點圖案，且進一步相對於設計規則檢查(DRC)驗證特徵圖案。驗證特徵圖案(例如，為熱點圖案)，且將其儲存於熱點資料庫中。熱點圖案在圖案化程序之早期階段期間可用於不同目的，特定言之，用於光罩佈局設計及判定圖案化程序之設備的最佳設定。
在一實施例中，可獲得包括熱點圖案501a及非熱點圖案501b之訓練集以用於本發明中稍後更詳細地論述的包含產生器模型及鑑別器模型之機器學習模型的初始訓練。訓練集可以GDS格式提供為特徵向量。在一實施例中，標記(例如，熱點、非熱點，等)亦可包括在訓練集中。
在處理P501中，將具有圖案501a及501b之訓練集輸入至機器學習模型。處理P501涉及訓練相對於圖6詳細論述的產生器模型及鑑別器模型。在訓練程序期間，可藉由產生器模型產生複數個特徵圖案。接著，鑑別器模型可將此等特徵圖案之一子集識別為熱點圖案，將另一子集識別為非熱點圖案，且又一子集可為待忽略之其他圖案。此外，處理P501涉及對特徵圖案之子集(例如，熱點圖案之子集)執行DRC規則檢查。在該子集內，僅特定圖案可滿足DRC (例如，510內標記有圓之圖案)，而一些圖案未通過檢查(例如，510內標記有叉號之圖案)。同時，一些其他圖案可忽略，此係因為其並無資格作為熱點圖案或非熱點圖案。
在處理P503中，可將被識別為熱點圖案並且滿足DRC之特徵圖案之子集儲存於資料庫中。因此，建立可在圖案化程序中用於各種應用的熱點圖案資料庫。
圖6為產生用於圖案化程序之特徵圖案的方法之流程圖。該方法涉及：產生用於設計圖案、光罩圖案之早期設計及開發的特徵圖案(例如，熱點圖案)；及/或判定用於在圖案化程序中使用的一或多個設備之設定(例如，劑量、焦點等之最佳值)或圖案化程序之不同參數的值。在一實施例中，可使用經組態以產生特徵圖案(例如，光罩佈局)之經訓練產生器模型產生複數個特徵圖案。例如熱點圖案或一組非熱點圖案之此類特徵圖案例如在界定新技術節點(例如，小於10 nm)或界定新的較複雜的設計佈局時對於設定圖案化程序係至關重要的。在一實施例中，特徵圖案及輸入圖案可表示為像素化影像、表示像素化影像之每一像素的強度之向量，或在影像處理中使用的其他影像相關格式。
在處理P611中，該方法涉及獲得經組態以產生特徵圖案及輸入圖案603之經訓練產生器模型601。
在一實施例中，特徵圖案為可用於針對新技術節點在基板上設計圖案的任何圖案化裝置圖案(例如，光罩圖案)。在一實施例中，該特徵圖案為可潛在地印刷在經受圖案化程序之基板上的預測圖案。可基於例如設計佈局之縮減來判定(例如，經由模擬)預測圖案。在一實施例中，特徵圖案可為一或多個熱點圖案或類似於先前印刷在經受圖案化程序之基板上的熱點圖案之圖案。在一實施例中，特徵圖案可為在幾何形狀上不同於熱點圖案之一或多個圖案。在一實施例中，特徵圖案可為滿足設計規則檢查及/或微影可製造性檢查之圖案。
經訓練產生器模型601為經訓練以產生特徵圖案之機器學習模型。訓練可基於包含熱點圖案之一樣本(或複數個樣本)及/或指示特徵圖案為熱點圖案還是非熱點圖案之標記的訓練集。亦可訓練經訓練產生器模型601以標記所產生的圖案(亦即，特徵圖案)。標記可指示所產生的模型為熱點圖案、非熱點圖案、使用者定義之圖案，還是所關心之其他圖案類型(例如，具有最高密度、出現頻率之圖案、度量衡圖案)。
在一實施例中，經訓練產生器模型601為捲積神經網路(CNN)。捲積神經網路例如在權重及偏差值、層數目、成本函數及在CNN之訓練期間修改的其他模型參數方面受到約束。因此，CNN為基於包含例如熱點圖案之特定訓練資料組訓練的特定模型。取決於訓練方法，經訓練產生器模型601可具有不同結構、權重、偏差，等。關於圖6論述用於訓練機器學習模型(例如，CNN)之實例訓練方法。在一實施例中，經訓練產生器模型601係根據稱作生成對抗網路之訓練方法而訓練。基於生成對抗網路之訓練包含一起訓練之兩個機器學習模型，使得產生器模型逐漸地產生更準確且穩健之結果。
在一實施例中，經訓練產生器模型601可以例如具有熱點之設計佈局或隨機向量作為輸入，且產生呈以例如GDS格式表示的像素化影像之形式的圖案。
輸入圖案603可為隨機向量、特定圖案類別之圖案(例如，接觸孔、長條，或其組合)、設計佈局，及/或先前設計佈局之經縮減版本(例如，藉由按比例縮小先前設計佈局之一或多個特徵而獲得)。在一實施例中，該輸入圖案係經由以設計佈局作為導致熱點圖案之輸入來模擬圖案化程序之程序模型而獲得。因此，基於所關心之圖案類型，經訓練產生器模型可預測對應特徵圖案。在一實施例中，輸入圖案可為指示可供產生熱點圖案之圖案類別的任何輸入。
另外，在處理P613中，該方法涉及經由模擬經訓練產生器模型來基於輸入圖案產生特徵圖案613。在一實施例中，該輸入圖案為包括熱點圖案之設計佈局。在一實施例中，特徵圖案613對應於熱點圖案。在一實施例中，特徵圖案及相關輸入圖案可儲存於熱點圖案資料庫中。
在另一實施例中，可如下文所論述進一步修改、校驗及驗證特徵圖案，以確保特徵圖案在經受圖案化程序時滿足設計規範。驗證可基於使用特徵模型對圖案化程序之模擬。圖案化程序之模擬結果可為可印刷在基板上之模擬圖案。可相對於設計規則檢查及/或可製造性規則檢查來校驗模擬結果。以下處理論述額外方法步驟。
在一實施例中，在處理P615中，該方法包括將特徵圖案轉換為特徵輪廓表示。特徵輪廓表示係指特徵圖案內的圖案之輪廓(亦即，外形或幾何形狀)。將特徵圖案轉換為輪廓表示包括提取特徵圖案內的特徵之輪廓。可例如基於經組態以識別圖案之邊緣或大體形狀之影像處理來提取輪廓。一旦提取邊緣，即可將輪廓轉換為幾何形狀(例如，以GDS格式)以進行進一步分析，諸如設計規則檢查。
在一實施例中，在處理P616中，在分析輪廓或幾何形狀之前，可對自由形式輪廓(例如，曲線圖案)執行預處理。舉例而言，預處理可涉及使輪廓表示規則化以對自由形式輪廓進行「曼哈頓化」，使得在轉換成的多邊形中僅獲得水平及豎直延行的區段。
在處理P617中，對幾何形狀或特徵輪廓表示(例如，經曼哈頓化的多邊形)之分析涉及將設計規則檢查應用於特徵輪廓表示。設計規則檢查可為包括條件性語句(例如，若-則條件)之演算法，其界定特徵圖案是否可在設計規範內印刷。舉例而言，設計規則檢查可基於幾何形狀及維度。在一實施例中，特徵圖案(或輪廓)之一部分可能不滿足設計規則檢查。換言之，識別在印刷時可能具有缺陷或錯誤之特徵圖案部分。
可修改圖案之不滿足設計規則檢查的部分。舉例而言，在處理P619中，基於設計規則檢查修改特徵輪廓表示以增大特徵圖案可印刷之可能性。舉例而言，修改可涉及增大及/或減小特徵圖案內的特徵之CD。修改量可為預定規則或基於圖案化程序之模擬。
在一實施例中，光學近接校正(OPC)可應用於特徵圖案。舉例而言，處理P621涉及經由模擬光學近接校正模型來判定用於經修改特徵輪廓之光學近接校正。
另外，以OPC修改之特徵圖案可通過圖案化程序之模擬程序。舉例而言，在處理P623中，包括經由模擬圖案化程序之程序模型(例如，如先前所論述)來判定對應於經修改特徵輪廓的基板之模擬圖案。模擬圖案可用以校驗及驗證經修改特徵圖案。校驗可基於自對應於類似於特徵圖案的圖案之印刷基板獲得的缺陷資料之比較。校驗可指示特徵圖案是否對應於熱點圖案。
以上方法具有若干應用。舉例而言，上文獲得之特徵圖案(或經修改特徵圖案)可用於在處理P625中經由模擬圖案化程序之程序模型來基於特徵圖案及/或經修改特徵輪廓判定圖案化程序之設定。圖案化程序之設定可涉及圖案化程序之參數之最佳化。在一實施例中，該圖案化程序之該等設定為包括劑量、焦點及/或光學參數之程序變數之值。
基於特徵圖案而判定之設定可進一步用於在處理P627中經由微影設備將特徵圖案印刷在基板上。
圖7說明基於生成對抗網路架構的機器學習模型之訓練程序之概述。在一實施例中，產生器模型701接收呈像素化影像或向量形式之輸入圖案701a。在一實施例中，輸入圖案701a為100維向量，每一元素具有介於0與1之間的真實值。產生器模型701為具有多個層之捲積神經網路，如所說明。每一層可具有特定步幅長度及特定內核。產生器模型701之最後一層輸出特徵圖案705 (亦稱為虛假圖案705)。特徵圖案705藉由為另一CNN之鑑別器模型702接收。鑑別器模型702亦接收呈像素化影像形式之真實圖案706 (或一組真實圖案)。基於真實圖案706，鑑別器模型判定特徵圖案為虛假(例如，標記L1)還是真實(例如，標記L2)，且相應地指派標記。真實圖案之集合可為印刷晶圓之截割集合。因此，模型702之訓練係基於複數個真實圖案。因此，訓練係基於一批真實圖案連同一批虛假的所產生圖案。圖8在下文更詳細地論述訓練方法。
在一實施例中，輸入圖案701可為晶種熱點影像。可自以一或多個設計佈局作為輸入模擬微影程序來獲得晶種熱點影像。舉例而言，模擬可涉及OPC模擬以經由OPC模型及光罩模型模擬來判定光罩佈局。另外，可執行光學模型、抗蝕劑模型及可製造性檢查模擬以獲得模擬基板圖案。模擬圖案可為在OPC經校正設計佈局經受圖案化程序的情況下揭露缺陷是否可顯現在基板上之熱點圖案或非熱點圖案。
在一實施例中，可模擬複數個設計佈局，且設計佈局上觀察到熱點之地點可選擇為晶種熱點影像。
圖8為訓練上文所論述用於產生圖案化程序之特徵圖案的產生器模型之方法之流程圖。以下訓練方法係基於生成對抗網路(GAN)，其包括一起訓練(特定言之，彼此對抗)之兩個機器學習模型：產生器模型(例如，CNN)及鑑別器模型(例如，CNN)。產生器模型可以隨機向量(z)作為輸入，且輸出可被稱為虛假影像之影像。虛假影像為特定類別之影像(例如，熱點圖案)，其在之前從未實際上存在。另一方面，真實影像係指先前現有之影像(例如，用於經印刷基板之熱點圖案)，其可在訓練產生器模型及鑑別器模型期間使用。真實影像亦可稱為地面真相(ground truth)或訓練圖案。訓練目標為訓練產生器模型以產生緊密地類似於真實影像之虛假影像。舉例而言，虛假影像之特徵至少95%匹配真實影像之特徵。因此，經訓練產生器模型能夠以高度的準確性產生特定類別(例如，熱點、非熱點，等)之虛假影像(亦即，特徵圖案)。
在處理P801中，訓練方法涉及獲得機器學習模型，其包括經組態以產生特徵圖案之產生器模型及經組態以區分特徵圖案與訓練圖案之鑑別器模型。在訓練期間，產生器模型不瞭解訓練圖案(例如，熱點圖案)(亦即，真實圖案)看起來如何。另一方面，鑑別器模型瞭解訓練圖案。因此，在完成訓練程序之後，產生器模型係穩健的，且可以高準確性產生用於任何類型的圖案之特徵圖案。
在一實施例中，訓練圖案包括自先前經印刷基板獲得的熱點圖案或一組非熱點圖案。在一實施例中，可經由模擬圖案化程序程序模型(例如，如先前所論述)、經印刷基板之量度學資料及/或儲存印刷圖案之資料庫產生訓練圖案。訓練圖案可與諸如熱點之標記相關聯。在一實施例中，標記可為非熱點、圖案類型1、圖案類型2、真實圖案，等。圖案類型1及圖案類型2係指任何使用者定義之圖案。
在一實施例中，產生器模型(G)可為捲積神經網路。產生器模型(G)以隨機雜訊向量z為輸入，且產生影像。在一實施例中，影像可稱為虛假影像或特徵影像。虛假影像可表達為Xfake =G(z) 。在一實施例中，產生器模型可在訓練程序期間以諸如標記之補充資訊擴增。因此，經訓練產生器模型可按使用者之需要產生特定標記(例如，熱點圖案)之特徵影像。
產生器模型(G)可與第一成本函數相關聯。第一成本函數使得能夠調諧產生器模型之參數，使得成本函數得以改良(例如，最大化或最小化)。在一實施例中，該第一成本函數包含第一對數-可能性項，其在給定輸入向量的情況下判定特徵圖案為虛假圖案之機率。
第一成本函數之實例可由以下等式1來表達：
Figure 02_image001
在以上等式1中，運算條件性機率之對數可能性。在該等式中，S係指藉由鑑別器模型指派為虛假之源，且Xfake 為產生器模型之輸出，亦即虛假影像。因此，在一實施例中，訓練方法使第一成本函數(L)最小化。因此，產生器模型將產生虛假影像(亦即，特徵影像)，使得鑑別器模型將虛假影像實現為虛假之條件性機率為低。換言之，產生器模型將逐漸地產生愈來愈真實的影像或圖案。
在另一實例中，產生器模型可經組態以基於特定類別產生影像。在此情況下，第一成本函數(等式1中)可包括與類別c 之機率相關的額外項，如下：
Figure 02_image003
以上等式2指示產生器模型產生特定類別c 之影像的對數可能性。在一實施例中，標記c可為熱點圖案或非熱點圖案。在一實施例中，Lc 可最大化，以例如使產生熱點圖案之機率最大化。
在一實施例中，鑑別器模型(D)可為捲積神經網路。鑑別器模型(D)接收真實影像及虛假影像作為輸入，且輸出輸入為虛假影像或真實影像之機率。機率可表達為P(S|X)=D(X)。換言之，若藉由產生器模型產生的虛假影像並不良好(亦即，接近於真實影像)，則鑑別器模型將對於輸入影像輸出低機率值(例如，小於50%)。此指示輸入影像為虛假影像。隨著訓練進展，產生器模型產生的影像極其類似於真實影像，因此，最終，鑑別器模型可能不能夠區分輸入影像為虛假影像還是真實影像。
在一實施例中，鑑別器模型可與第二成本函數相關聯。第二成本函數使得能夠調諧鑑別器模型之參數，使得成本函數得以改良(例如，最大化)。在一實施例中，該第二成本函數包包括第二對數-可能性項，其在給定訓練圖案的情況下判定虛假圖案(亦即，特徵圖案)為真實圖案之條件性機率。虛假圖案與訓練圖案之間的機率性比較允許鑑別器模型在自真實影像識別虛假影像方面逐漸變得更好。
第二成本函數之實例可由以下等式3來表達：
Figure 02_image005
在以上等式中，運算條件性機率之對數可能性。在該等式中，S係指在輸入為真實影像Xreal 的情況下指派為真實之源，且在輸入影像為虛假影像Xfake (亦即，產生器模型之虛假影像)的情況下指派為虛假之源。在一實施例中，訓練方法使第二成本函數(等式3)最大化。因此，鑑別器模型在區分真實影像與虛假影像方面逐漸變得更好。
在另一實例中，鑑別器模型可經組態以基於特定類別將標記指派至影像。在此情況下，第二成本函數(等式3中)可包括與類別c 之機率相關的額外項，如下：
Figure 02_image007
以上等式4指示鑑別器模型指派特定類別c (例如，熱點或非熱點)之影像的對數可能性。
因此，產生器模型與鑑別器模型同時接受訓練，使得鑑別器模型就虛假影像之品質(亦即，虛假影像類似於真實影像之緊密程度)向產生器模型提供回饋。另外，虛假影像之品質變得更好，鑑別器模型需要在區分虛假影像與真實影像方面變得更好。目標為訓練該等模型，直至其不再彼此改良。舉例而言，該改良可藉由在進一步反覆時並不實質上改變的各別成本函數之值來指示。
另外，處理P803涉及基於包含訓練圖案之訓練集以協作方式(例如，以串聯方式)訓練產生器模型與鑑別器模型，使得產生器模型產生匹配訓練圖案之特徵圖案，且鑑別器模型將特徵圖案識別為訓練圖案。換言之，產生器模型與鑑別器模型協作地接受訓練，且反之亦然，以使得一個模型之輸出改良另一模型或自其之預測。
訓練為反覆程序，其中一反覆包括經由以輸入向量模擬產生器模型來產生特徵圖案，以及評估第一成本函數(例如，上文所論述的等式1或等式2)。在一實施例中，輸入向量可為n 維 隨機向量(例如，100維向量、100×100維向量)，其中向量之每一元素為隨機指派之值。舉例而言，輸入向量之每一元素可具有特定值或介於0與1之間的隨機值，例如表示機率值。舉例而言，輸入向量可為 [0，0.01，0.05，0.5，0.6，0.02…]。在一實施例中，隨機值可隨機地選自高斯機率分佈。
在一實施例中，輸入向量可為晶種熱點影像。晶種熱點影像可自以一或多個設計佈局作為輸入模擬微影程序來獲得，如先前相對於處理P611所論述。
在一實施例中，產生器模型產生包括類似於訓練圖案之特徵的特徵圖案。在一實施例中，特徵圖案及訓練圖案可包括非熱點圖案及/或使用者定義之圖案。
另外，在處理P803內的反覆中，特徵圖案由鑑別器模型接收以區分特徵圖案與對應的真實圖案或訓練圖案且評估第二成本函數。鑑別器模型瞭解真實圖案，因為其為出於訓練目的而輸入至鑑別器模型的輸入中的一者。
在一實施例中，區分涉及判定特徵圖案為訓練圖案之機率。舉例而言，使用等式3或4，其中給出真實圖案，且自產生器模型接收虛假圖案作為特徵圖案。回應於機率值，將標記指派至特徵圖案。標記指示特徵圖案為真實圖案還是虛假圖案。
在一實施例中，回應於該機率突破臨限值(例如，大於90%)，將該特徵圖案標記為真實圖案。
另外，訓練涉及調整產生器模型之參數以改良第一成本函數，且調整鑑別器模型之參數以改良第二成本函數。在一實施例中，調整參數可基於涉及經由機器學習模型之各種層反向傳播以更新模型參數之技術。在一實施例中，可在反向傳播期間運算成本函數之梯度，且可基於該梯度調整不同層之權重及偏差以例如減小(或最小化)成本函數。
在一實施例中，可減小(或最小化)第一成本函數以使得產生器模型產生的虛假影像緊密地類似於真實影像，如先前相對於等式1及2所論述。類似地，可增大(或最大化)第二成本函數以使得鑑別器模型可更好地區分虛假影像與真實影像，如先前相對於等式1及2所論述。
在訓練程序之若干反覆之後，產生器模型及鑑別器模型收斂。換言之，對各別模型之參數的調整並不改良各別成本函數。因此，產生器模型視為經訓練產生器模型810 (經訓練產生器模型601之實例)。現在，經訓練產生器模型810可用來基於例如對應於設計佈局之接種熱點影像直接判定特徵圖案。有效地，經由模擬該經訓練產生器模型產生包括熱點圖案及/或使用者定義之圖案的設計圖案。
圖9A為真實圖案901之實例，且圖9B為藉由經訓練產生器模型(例如，603或910)產生的特徵圖案902之實例。特徵圖案902包括實質上類似於真實圖案901之特徵的特徵。因此，經訓練產生器模型(例如，603或910)產生可匹配真實圖案之圖案。在一實施例中，特徵圖案內之若干特徵可能並不與真實圖案內之對應特徵完全匹配(例如，在形狀、大小、地點、定向等方面)。
圖10說明實例缺陷及解決該等缺陷之實例方式。舉例而言，如圖10中所展示，對於諸如劑量/焦點之程序變數的某些設定，可觀測到基腳2402及頸縮2412類型之失效。在基腳情況下，可執行除渣以移除基板處之基腳2404。在頸縮2412情況下，可藉由移除頂部層2414來減小抗蝕劑厚度。因此，可以抗蝕劑為代價來改良基於缺陷之程序窗。在實施例中，可執行模型化/模擬以判定最佳厚度而不改變/損害程序窗(亦即，具有所要良率)，因此可觀測到較少缺陷(例如，頸縮/基腳)。
根據一實施例，提供一種產生用於一圖案化程序之一特徵圖案的方法。該方法包括：獲得一經訓練產生器模型，其經組態以產生一特徵圖案及一輸入圖案；以及經由模擬該經訓練產生器模型，基於該輸入圖案產生該特徵圖案，其中該輸入圖案為一隨機向量或一圖案類別中之至少一者。
在一實施例中，該特徵圖案為待印刷在經受該圖案化程序之一基板上的一圖案化裝置圖案。
在一實施例中，該輸入圖案係經由以一設計佈局作為導致熱點圖案之一輸入來模擬該圖案化程序之一程序模型而獲得。
在一實施例中，該程序模型包含一光學近接校正模型及一微影可製造性檢查模型。
在一實施例中，該方法進一步包括：將該特徵圖案轉換為一特徵輪廓表示；將一設計規則檢查應用於該特徵輪廓表示；以及基於該設計規則檢查修改該特徵輪廓表示以增大該特徵圖案可印刷之一可能性。
在一實施例中，該轉換該特徵圖案包含：提取該特徵圖案內的特徵之輪廓；以及將該等輪廓轉換為幾何形狀及/或使該特徵圖案曼哈頓化(Manhattanize)。
在一實施例中，該方法進一步包含：經由模擬該光學近接校正模型判定用於經修改特徵輪廓之光學近接校正；經由模擬該圖案化程序之該程序模型判定該基板之對應於該經修改特徵輪廓之一模擬圖案。
在一實施例中，該方法進一步包含：經由模擬該圖案化程序之該程序模型基於該特徵圖案及/或該經修改特徵輪廓判定該圖案化程序之設定。
在一實施例中，該圖案化程序之該等設定為包括劑量、焦點及/或光學參數之程序變數之值。
在一實施例中，該方法進一步包含：經由該微影設備應用該圖案化程序之該等設定將該特徵圖案印刷在該基板上。
在一實施例中，該經訓練產生器模型為一捲積神經網路。
在一實施例中，該經訓練產生器模型係根據稱作一生成對抗網路之一機器學習訓練方法而訓練。
在一實施例中，該特徵圖案及該輸入圖案為一像素化影像。
在一實施例中，該輸入圖案包括包括一熱點圖案之一設計佈局。
此外，本發明提供一種訓練用於產生一圖案化程序之一特徵圖案的一機器學習模型之方法。該方法包括：獲得一機器學習模型，其包含(i)一產生器模型，其經組態以產生待印刷在經受一圖案化程序之一基板上的一特徵圖案，及(ii)一鑑別器模型，其經組態以區分該特徵圖案與一訓練圖案；以及經由一電腦硬體系統基於包含該訓練圖案之一訓練集以一彼此協作方式訓練該產生器模型與該鑑別器模型，使得該產生器模型產生匹配該訓練圖案之該特徵圖案且該鑑別器模型將該特徵圖案識別為該訓練圖案，其中該特徵圖案及該訓練圖案包含一熱點圖案。
在一實施例中，該訓練為一反覆程序，一反覆包含：經由以一輸入向量模擬該產生器模型來產生該特徵圖案；評估與該產生器模型相關的一第一成本函數；經由該鑑別器模型區分該特徵圖案與該訓練圖案；評估與該鑑別器模型相關的一第二成本函數；以及調整該產生器模型之參數以改良該第一成本函數，且調整該鑑別器模型之參數以改良該第二成本函數。
在一實施例中，該輸入向量為一隨機向量及/或一晶種熱點影像。
在一實施例中，該晶種熱點影像係自以一設計佈局作為一輸入模擬微影程序而獲得。
在一實施例中，該區分包含：判定該特徵圖案為該訓練圖案之一機率；以及回應於該機率，將一標記指派至該特徵圖案，該標記指示該特徵圖案為一真實圖案還是一虛假圖案。
在一實施例中，回應於該機率突破一臨限值，將該特徵圖案標記為一真實圖案。
在一實施例中，該第一成本函數包含一第一對數-可能性項，其在給定該輸入向量的情況下判定該特徵圖案為一虛假圖案之一機率。
在一實施例中，該調整該產生器模型之參數使得該第一對數-可能性項最小化。
在一實施例中，該第二成本函數包括一第二對數-可能性項，其在給定該訓練圖案的情況下判定該特徵圖案為真實圖案之一機率。
在一實施例中，該調整第二模型參數使得該第二對數-可能性項最大化。
在一實施例中，該訓練圖案包括一熱點圖案。
在一實施例中，該訓練圖案係自模擬該圖案化程序之一程序模型、一經印刷基板之量度學資料及/或儲存印刷圖案之一資料庫而獲得。
在一實施例中，該特徵圖案包括類似於該訓練圖案之特徵。
在一實施例中，該特徵圖案及該訓練圖案進一步包含一非熱點圖案及/或一使用者定義之圖案。
在一實施例中，該方法進一步包含經由模擬該經訓練產生器模型產生包括一熱點圖案及/或一使用者定義之圖案的一設計圖案。
在一實施例中，該產生器模型及該鑑別器模型為捲積神經網路。
圖11為說明可輔助實施本文中所揭示之方法、流程或設備之電腦系統100的方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構，及與匯流排102耦接以用於處理資訊之處理器104 (或多個處理器104及105)。電腦系統100亦包括主記憶體106，諸如隨機存取記憶體(RAM)或其他動態儲存裝置，其耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令。主記憶體106在執行待由處理器104執行之指令期間亦可用於儲存暫時變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令之唯讀記憶體(ROM) 108或其他靜態儲存裝置。提供儲存裝置110 (諸如，磁碟或光碟)且將其耦接至匯流排102以用於儲存資訊及指令。
電腦系統100可經由匯流排102耦接至用於向電腦使用者顯示資訊之顯示器112，諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入裝置114耦接至匯流排102以用於將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入裝置為用於將方向資訊及命令選擇傳達至處理器104且用於控制顯示器112上之游標移動的游標控制件116，諸如，滑鼠、軌跡球或游標方向按鍵。此輸入裝置通常在兩個軸線(第一軸線(例如x)及第二軸線(例如y))中具有兩個自由度，該等自由度允許裝置在平面中指定位置。觸控面板(螢幕)顯示器亦可用作輸入裝置。
根據一個實施例，本文中所描述之一或多種方法的部分可藉由電腦系統100回應於處理器104執行主記憶體106中所含有之一或多個指令的一或多個序列而執行。可將此類指令自另一電腦可讀媒體(諸如儲存裝置110)讀取至主記憶體106中。主記憶體106中所含有之指令序列的執行促使處理器104執行本文中所描述之處理步驟。亦可使用多處理配置中之一或多個處理器，以執行含於主記憶體106中的指令序列。在一替代實施例中，可取代或結合軟體指令來使用硬連線電路。因此，本文中之描述不限於硬體電路與軟體之任何特定組合。
如本文所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104以供執行之任何媒體。此類媒體可呈許多形式，包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟，諸如儲存裝置110。揮發性媒體包括動態記憶體，諸如主記憶體106。傳輸媒體包括同軸電纜、銅線及光纖，包括包含匯流排102的線。傳輸媒體亦可呈聲波或光波之形式，諸如在射頻(RF)及紅外(IR)資料通信期間所產生之聲波或光波。電腦可讀媒體之常見形式包括(例如)軟性磁碟、可撓性磁碟、硬碟、磁帶、任何其他磁媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣、如下文所描述之載波，或可供電腦讀取之任何其他媒體。
各種形式之電腦可讀媒體可涉及將一或多個指令之一或多個序列攜載至處理器104以供執行。舉例而言，初始地可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線發送指令。在電腦系統100本端之數據機可接收電話線上之資料，且使用紅外線傳輸器以將資料轉換成紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中攜載之資料且將該資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自主記憶體擷取且執行指令。由主記憶體106接收之指令可視情況在由處理器104實行之前或之後儲存於儲存裝置110上。
電腦系統100亦可包括耦接至匯流排102之通信介面118。通信介面118提供對網路連結120之雙向資料通信耦接，該網路連結連接至區域網路122。舉例而言，通信介面118可為整合式服務數位網路(ISDN)卡或數據機以提供對對應類型之電話線之資料通信連接。作為另一實例，通信介面118可為區域網路(LAN)卡以提供至相容LAN之資料通信連接。亦可實施無線連結。在任何此類實施中，通信介面118發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光學信號。
網路連結120通常經由一或多個網路而向其他資料裝置提供資料通信。舉例而言，網路連結120可經由區域網路122提供與主機電腦124或與由網際網路服務提供者(ISP) 126操作之資料裝備之連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」 128)而提供資料通信服務。區域網路122及網際網路128皆使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路連結120上且經由通信介面118之信號為輸送資訊的例示性形式之載波，該等信號將數位資料攜載至電腦系統100且自該電腦系統攜載數位資料。
電腦系統100可經由網路、網路連結120及通信介面118發送訊息及接收資料(包括程式碼)。在網際網路實例中，伺服器130可經由網際網路128、ISP 126、區域網路122及通信介面118傳輸用於應用程式之所請求程式碼。舉例而言，一個此類經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在其被接收時由處理器104執行，及/或儲存於儲存裝置110或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統100可獲得呈載波形式之應用程式碼。
圖12示意性地描繪可結合本文中所描述之技術利用的例示性微影投影設備。該設備包含： - 照明系統IL，其用以調節輻射光束B。在此特定情況下，照明系統亦包含輻射源SO； - 第一物件台(例如，圖案化裝置台) MT，其具備用以固持圖案化裝置MA (例如，倍縮光罩)之圖案化裝置固持器，且連接至用以相對於項目PS來準確地定位該圖案化裝置之第一定位器； - 第二物件台(基板台) WT，其具備用以固持基板W (例如抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於項目PS來準確地定位該基板之第二定位器； - 投影系統(「透鏡」) PS (例如，折射、反射或反射折射光學系統)，其用以將圖案化裝置MA之經輻照部分成像至基板W之目標部分C (例如，包含一或多個晶粒)上。
如本文所描繪，該設備屬於透射類型(亦即，具有透射圖案化裝置)。然而，一般而言，其亦可屬於反射類型，例如(具有反射圖案化裝置)。該設備可使用與經典光罩不同種類之圖案化裝置；實例包括可程式化鏡面陣列或LCD矩陣。
源SO (例如，水銀燈或準分子雷射、雷射產生電漿(LPP) EUV源)產生輻射光束。舉例而言，此光束係直接地抑或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器) IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈的外部徑向範圍及/或內部徑向範圍(通常分別稱作σ-外部及σ-內部)。另外，照明器IL通常將包含各種其他組件，諸如，積光器IN及聚光器CO。以此方式，照射於圖案化裝置MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖12應注意，源SO可在微影投影設備之外殼內(此常常為當源SO為(例如)水銀燈時之情況)，但其亦可遠離微影投影設備，其所產生之輻射光束被導向至該設備中(例如，憑藉合適導向鏡面)；此後一情境常常為當源SO為準分子雷射(例如，基於KrF、ArF或F2 雷射作用)時之情況。
光束PB隨後截取被固持於圖案化裝置台MT上之圖案化裝置MA。橫穿圖案化裝置MA後，光束B穿過透鏡PL，透鏡PL將光束B聚焦至基板W之目標部分C上。藉助於第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT (例如)以便使不同目標部分C定位於光束PB之路徑中。類似地，第一定位構件可用以(例如)在自圖案化裝置庫對圖案化裝置MA之機械擷取之後或在掃描期間相對於光束B之路徑來準確地定位圖案化裝置MA。一般而言，將藉助於未在圖12中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。然而，在步進器(相對於步進掃描工具)之情況下，圖案化裝置台MT可僅連接至短衝程致動器，或可固定。
可在兩種不同模式中使用所描繪工具： - 在步進模式中，使圖案化裝置台MT保持基本上靜止，且將整個圖案化裝置影像一次性(亦即，單次「閃光」)投影至目標部分C上。接著使基板台WT在x及/或y方向上移位，使得不同目標部分C可由光束PB輻照； - 在掃描模式中，基本上相同情境適用，惟單次「閃光」中不曝光給定目標部分C除外。替代地，圖案化裝置台MT可以速度v在給定方向(所謂「掃描方向」，例如，y方向)上移動，使得投影光束B遍及圖案化裝置影像進行掃描；同時，基板台WT以速度V = Mv同時在相同或相反方向上移動，其中M為透鏡PL之放大率(通常M = 1/4或1/5)。以此方式，可在不必損害解析度的情況下曝光相對大目標部分C。
圖13示意性地描繪可結合本文中所描述之技術利用的另一例示性微影投影設備1000。
該微影投影設備1000包含： - 源收集器模組SO； - 照明系統(照明器) IL，其經組態以調節輻射光束B (例如，EUV輻射)； - 支撐結構(例如，圖案化裝置台) MT，其經建構以支撐圖案化裝置(例如，光罩或倍縮光罩) MA，且連接至經組態以準確地定位該圖案化裝置之第一定位器PM； - 基板台(例如，晶圓台) WT，其經建構以固持基板(例如，抗蝕劑塗佈晶圓) W，且連接至經組態以準確地定位該基板之第二定位器PW；及 - 投影系統(例如，反射性投影系統) PS，其經組態以藉由圖案化裝置MA將賦予輻射光束B之圖案投影至基板W之目標部分C (例如，包含一或多個晶粒)上。
如此處所描繪，設備1000屬於反射類型(例如，使用反射圖案化裝置)。應注意，由於大多數材料在EUV波長範圍內具吸收性，故圖案化裝置可具有包含例如鉬與矽之多堆疊的多層反射器。在一個實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度為四分之一波長。可運用X射線微影來產生更小波長。由於大部分材料在EUV及x射線波長下具吸收性，因此圖案化裝置構形上的圖案化吸收材料之薄件(例如，在多層反射器的頂部上之TaN吸收體)界定特徵將印刷(正性抗蝕劑)或不印刷(負性抗蝕劑)在何處。
參考圖13，照明器IL自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但不一定限於將材料轉換為電漿狀態，其具有的至少一種元素具有在EUV範圍中的一或多個發射譜線，例如氙、鋰或錫。在一種此類方法(常常被稱為雷射產生電漿(「LPP」))中，可藉由運用雷射光束來輻照燃料(諸如，具有譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖13中未展示)之EUV輻射系統之部件，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射，例如EUV輻射，該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO2雷射以提供用於燃料激發之雷射光束時，雷射及源收集器模組可為分離實體。
在此等情況下，雷射不被視為形成微影設備之部件，且輻射光束係憑藉包含(例如)適合引導鏡面及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他情況下，舉例而言，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部件。
照明器IL可包含用於調整輻射光束之角強度分佈的調整器。一般而言，可調整照明器之光瞳平面中之強度分佈之至少外部徑向範圍及/或內部徑向範圍(通常分別稱作σ-外部及σ-內部)。另外，照明器IL可包含各種其他組件，諸如琢面化場鏡面裝置及琢面化光瞳鏡面裝置。照明器可用以調節輻射光束，以在其橫截面中具有所要均一性及強度分佈。
輻射光束B入射於圖案化裝置(例如光罩) MA上，圖案化裝置MA固持於支撐結構(例如圖案化裝置台) MT上且由圖案化裝置圖案化。在自圖案化裝置(例如，光罩) MA 反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS將輻射光束B聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置感測器PS2 (例如，干涉量測裝置、線性編碼器或電容式感測器)，可精確地移動基板台WT，(例如)以便使不同目標部分C定位於輻射光束B之路徑中。類似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑準確地定位圖案化裝置(例如，光罩) MA。可使用圖案化裝置對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置(例如，光罩) MA及基板W。
所描繪設備1000可用於以下模式中之至少一者中：
1. 在步進模式中，在將被賦予至輻射光束之整個圖案一次性投影至目標部分C上的同時，使支撐結構(例如，圖案化裝置台) MT及基板台WT保存基本上靜止(亦即，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位，從而使得可曝光不同目標部分C。
2. 在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如，圖案化裝置台) MT及基板台WT (即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於支撐結構(例如，圖案化裝置台) MT之速度及方向。
3. 在另一模式中，支撐結構(例如，圖案化裝置台) MT保持基本上固定以固持可程式化圖案化裝置，且在將賦予輻射光束之圖案投影至目標部分C上的同時移動或掃描基板台WT。在此模式中，通常，使用脈衝式輻射源，且在基板台WT之每一移動之後或掃描期間的連續輻射脈衝之間根據需要更新可程式化圖案化裝置。此操作模式可易於應用於利用可程式化圖案化裝置(諸如上文所提及之類型的可程式化鏡面陣列)之無光罩微影。
圖14更詳細地展示設備1000，其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置以使得可將真空環境維持於源收集器模組SO之圍封結構220中。可藉由放電產生電漿源形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如，Xe氣體、Li蒸汽或Sn蒸汽)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜的EUV範圍內之輻射。舉例而言，藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之高效產生，可能需要例如10 Pa之分壓的Xe、Li、Sn蒸汽或任何其他合適的氣體或蒸汽。在一實施例中，提供經激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由定位於源腔室211中之開口中或後方的視情況選用的氣體障壁或污染物截留器230 (在一些情況下，亦稱為污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染物截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中已知，本文中進一步所指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室211可包括可為所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射，以沿著由點虛線「O」指示之光軸而聚焦在虛擬源點IF中。虛擬源點IF通常稱為中間焦點，且源收集器模組經配置成使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面裝置22及琢面化光瞳鏡面裝置24，琢面化場鏡面裝置22及琢面化光瞳鏡面裝置24經配置以提供在圖案化裝置MA處的輻射光束21之所要角分佈，以及在圖案化裝置MA處的輻射強度之所要均一性。在由支撐結構MT固持之圖案化裝置MA處的輻射光束21之反射後，就形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。
比所展示之元件更多的元件通常可存在於照明光學件單元IL及投影系統PS中。取決於微影設備之類型，可視情況存在光柵光譜濾光器240。另外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖14所展示之反射元件多1至6個的額外反射元件。
如圖14所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢狀收集器，僅僅作為收集器(或收集器鏡面)之一實例。掠入射反射器253、254及255安置為圍繞光軸O軸向對稱，且此類型之收集器光學件CO可與常常稱為DPP源之放電產生電漿源組合使用。
或者，源收集器模組SO可為如圖15中所展示之LPP輻射系統之部件。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特的電子溫度之高度離子化電漿210。在此等離子之去激發及再組合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口221上。
可以使用以下條項進一步描述實施例： 1.     一種產生用於一圖案化程序之一特徵圖案之方法，該方法包含： 獲得一經訓練產生器模型，其經組態以產生一特徵圖案及一輸入圖案；以及 經由模擬該經訓練產生器模型，基於該輸入圖案產生該特徵圖案，其中該輸入圖案為一隨機向量或一圖案類別中之至少一者。 2.     如條項1之方法，其中該特徵圖案為待印刷在經受該圖案化程序之一基板上的一圖案化裝置圖案。 3.     如條項1至2中任一項之方法，其中該輸入圖案係經由以一設計佈局作為導致熱點圖案之一輸入來模擬該圖案化程序之一程序模型而獲得。 4.     如條項3中任一項之方法，其中該程序模型包含一光學近接校正模型及一微影可製造性檢查模型。 5.     如條項1至4中任一項之方法，其進一步包含： 將該特徵圖案轉換為一特徵輪廓表示； 將一設計規則檢查應用於該特徵輪廓表示；以及 基於該設計規則檢查修改該特徵輪廓表示以增大該特徵圖案可印刷之一可能性。 6.     如條項5之方法，其中該轉換該特徵圖案包含： 提取該特徵圖案內的特徵之輪廓；以及 將該等輪廓轉換為幾何形狀及/或使該特徵圖案曼哈頓化。 7.     如條項4至6中任一項之方法，其進一步包含： 經由模擬該光學近接校正模型判定用於經修改特徵輪廓之光學近接校正； 經由模擬該圖案化程序之該程序模型判定該基板之對應於該經修改特徵輪廓之一模擬圖案。 8.     如條項1至7中任一項之方法，其進一步包含： 經由模擬該圖案化程序之該程序模型基於該特徵圖案及/或該經修改特徵輪廓判定該圖案化程序之設定。 9.     如條項8之方法，其中該圖案化程序之該等設定為包括劑量、焦點及/或光學參數之程序變數之值。 10.   如條項8至9中任一項之方法，其進一步包含： 經由該微影設備應用該圖案化程序之該等設定將該特徵圖案印刷在該基板上。 11.    如條項1至10中任一項之方法，其中該經訓練產生器模型為一捲積神經網路。 12.   如條項1至11中任一項之方法，其中該經訓練產生器模型係根據稱作一生成對抗網路之一機器學習訓練方法而訓練。 13.   如條項1至12中任一項之方法，其中該特徵圖案及該輸入圖案為一像素化影像。 14.   如條項1至3中任一項之方法，其中該輸入圖案包括包括一熱點圖案之一設計佈局。 15.   一種訓練用於產生一圖案化程序之一特徵圖案的一機器學習模型之方法，該方法包含： 獲得一機器學習模型，其包含(i)一產生器模型，其經組態以產生待印刷在經受一圖案化程序之一基板上的一特徵圖案，及(ii)一鑑別器模型，其經組態以區分該特徵圖案與一訓練圖案；以及 經由一電腦硬體系統基於包含該訓練圖案之一訓練集以一彼此協作方式訓練該產生器模型與該鑑別器模型，使得該產生器模型產生匹配該訓練圖案之該特徵圖案且該鑑別器模型將該特徵圖案識別為該訓練圖案， 其中該特徵圖案及該訓練圖案包含一熱點圖案。 16.   如條項15之方法，其中該訓練為一反覆程序，一反覆包含： 經由以一輸入向量模擬該產生器模型來產生該特徵圖案； 評估與該產生器模型相關的一第一成本函數； 經由該鑑別器模型區分該特徵圖案與該訓練圖案； 評估與該鑑別器模型相關的一第二成本函數；以及 調整該產生器模型之參數以改良該第一成本函數，且調整該鑑別器模型之參數以改良該第二成本函數。 17.   如條項15至16中任一項之方法，其中該輸入向量為一隨機向量及/或一晶種熱點影像。 18.   如條項17之方法，其中該晶種熱點影像係自以一設計佈局作為一輸入模擬微影程序而獲得。 19.   如條項16至18中任一項之方法，其中該區分包含： 判定該特徵圖案為該訓練圖案之一機率；以及 回應於該機率，將一標記指派至該特徵圖案，該標記指示該特徵圖案為一真實圖案還是一虛假圖案。 20.   如條項19之方法，其中回應於該機率突破一臨限值，將該特徵圖案標記為一真實圖案。 21.   如條項16至20中任一項之方法，其中該第一成本函數包含一第一對數-可能性項，其在給定該輸入向量的情況下判定該特徵圖案為一虛假圖案之一機率。 22.   如條項21之方法，其中該調整該產生器模型之參數使得該第一對數-可能性項最小化。 23.   如條項16至22中任一項之方法，其中該第二成本函數包括一第二對數-可能性項，其在給定該訓練圖案的情況下判定該特徵圖案為真實圖案之一機率。 24.   如條項23之方法，其中該調整第二模型參數使得該第二對數-可能性項最大化。 25.   如條項15至23中任一項之方法，該訓練圖案包括一熱點圖案。 26.   如條項15至25中任一項之方法，該訓練圖案係自模擬該圖案化程序之一程序模型、一經印刷基板之量度學資料及/或儲存印刷圖案之一資料庫而獲得。 27.   如條項15至26中任一項之方法，該特徵圖案包括類似於該訓練圖案之特徵。 28.   如條項15至27中任一項之方法，其中該特徵圖案及該訓練圖案進一步包含一非熱點圖案及/或一使用者定義之圖案。 29.   如條項15至28中任一項之方法，其進一步包含經由模擬該經訓練產生器模型產生包括一熱點圖案及/或一使用者定義之圖案的一設計圖案。 30.   如條項14至29中任一項之方法，其中該產生器模型及該鑑別器模型為捲積神經網路。
本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193奈米波長且甚至能夠藉由使用氟雷射來產生157奈米波長之極紫外線(EUV)、DUV微影。此外，EUV微影能夠藉由使用同步加速器或藉由運用高能電子來撞擊材料(固體或電漿)而產生在20奈米至5奈米之範圍內之波長，以便產生在此範圍內之光子。
雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如，用於在不同於矽晶圓的基板上之成像的微影成像系統。
以上描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。
10A:微影投影設備 12A:輻射源 14A:光學件 16Aa:光學件 16Ab:光學件 16Ac:透射光學件 18A:圖案化裝置 20A:可調整濾光器或孔徑 21:輻射光束 22:琢面化場鏡面裝置 22A:基板平面 24:琢面化光瞳鏡面裝置 26:經圖案化光束 28:反射元件 30:反射元件 100:電腦系統 102:匯流排 104:處理器 105:處理器 106:主記憶體 108:唯讀記憶體(ROM) 110:儲存裝置 112:顯示器 114:輸入裝置 116:游標控制件 118:通信介面 120:網路連結 122:區域網路 124:主機電腦 126:網際網路服務提供者(ISP) 128:網際網路 130:伺服器 210:極熱電漿 211:源腔室 212:收集器腔室 220:圍封結構 221:開口 230:污染物截留器 240:光柵光譜濾光器 251:上游輻射收集器側 252:下游輻射收集器側 253:掠入射反射器 254:掠入射反射器 255:掠入射反射器 310:變數 320:變數 330:變數 340:變數 350:特性 360:特性 370:處理變數 501a:熱點圖案 501b:非熱點圖案 601:經訓練產生器模型 603:輸入圖案 613:特徵圖案 701:產生器模型 701a:輸入圖案 702:鑑別器模型 705:特徵圖案/虛假圖案 706:真實圖案 810:經訓練產生器模型 901:真實圖案 902:特徵圖案 1200:源模型 1210:投影光學件模型 1220:圖案化裝置/設計佈局模型模組 1230:空中影像 1240:抗蝕劑模型 1250:抗蝕劑影像 1260:圖案轉印後程序模型 2402:基腳 2404:基腳 2412:頸縮 2414:頂部層 AD:調整構件 B:輻射光束 CO:輻射收集器/聚光器 IF:虛擬源點/中間焦點 IL:照明系統 IN:積光器 L1:標記 L2:標記 LA:雷射 M1:圖案化裝置對準標記 M2:圖案化裝置對準標記 MA:圖案化裝置 MT:圖案化裝置台 O:點虛線/光軸 P1:基板對準標記 P2:基板對準標記 P411:處理 P412:處理 P413:處理 P501:處理 P503:處理 P611:處理 P613:處理 P615:處理 P616:處理 P617:處理 P619:處理 P621:處理 P623:處理 P625:處理 P627:處理 P801:處理 P803:處理 PM:第一定位器 PS:投影系統 PS2:位置感測器 PW:第二定位器 SO:源收集器模組 W:基板 WT:基板台
對於一般熟習此項技術者而言，在結合隨附圖式審閱特定實施例之以下描述後，以上態樣及其他態樣及特徵就將變得顯而易見，在該等圖式中：
圖1展示根據一實施例之微影系統之各種子系統的方塊圖；
圖2展示根據一實施例之處理變數之實例類別；
圖3為根據一實施例之用於模型化及/或模擬圖案化程序之部分的流程圖；
圖4展示根據一實施例之用於判定微影程序中之缺陷之存在之方法的流程圖；
圖5為根據一實施例之基於機器學習的熱點圖案產生方法之概述；
圖6為根據一實施例之產生用於圖案化程序之特徵圖案的方法之流程圖；
圖7說明根據一實施例之基於生成對抗網路架構的機器學習模型之訓練程序之概述；
圖8為根據一實施例的訓練圖6之產生器模型的實例方法之流程圖；
圖9A為根據一實施例之印刷在基板上的真實圖案之實例；
圖9B為根據一實施例之對應於圖9A的藉由圖7之經訓練產生器模型產生的特徵圖案之實例；
圖10說明根據一實施例之實例缺陷及解決該等缺陷之實例方式；
圖11為根據一實施例之實例電腦系統之方塊圖；
圖12為根據一實施例之微影投影設備之示意圖；
圖13為根據一實施例之另一微影投影設備之示意圖；
圖14為根據一實施例之圖12中之設備的更詳細視圖；
圖15為根據一實施例的圖13及圖14之設備之源收集器模組SO的更詳細視圖。
601:經訓練產生器模型
603:輸入圖案
613:特徵圖案
P611:處理
P613:處理
P615:處理
P616:處理
P617:處理
P619:處理
P621:處理
P623:處理
P625:處理
P627:處理

Claims (14)

  1. 一種訓練用於產生一圖案化程序之一特徵圖案的一機器學習模型之方法，該方法包含： 獲得一機器學習模型，其包含(i)一產生器模型，其經組態以產生待印刷在經受一圖案化程序之一基板上的一特徵圖案，及(ii)一鑑別器模型，其經組態以區分該特徵圖案與一訓練圖案；以及 經由一電腦硬體系統基於包含該訓練圖案之一訓練集以一彼此協作方式訓練該產生器模型與該鑑別器模型，使得該產生器模型產生匹配該訓練圖案之該特徵圖案且該鑑別器模型將該特徵圖案識別為該訓練圖案， 其中該特徵圖案及該訓練圖案包含一熱點圖案。
  2. 如請求項1之方法，其中該訓練為一反覆程序，一反覆包含： 經由以一輸入向量模擬該產生器模型來產生該特徵圖案； 評估與該產生器模型相關的一第一成本函數； 經由該鑑別器模型區分該特徵圖案與該訓練圖案； 評估與該鑑別器模型相關的一第二成本函數；以及 調整該產生器模型之參數以改良該第一成本函數，且調整該鑑別器模型之參數以改良該第二成本函數。
  3. 如請求項1之方法，其中該輸入向量為一隨機向量及/或一晶種熱點影像。
  4. 如請求項3之方法，其中該晶種熱點影像係自以一設計佈局作為一輸入模擬微影程序而獲得。
  5. 如請求項2之方法，其中該區分包含： 判定該特徵圖案為該訓練圖案之一機率；以及 回應於該機率，將一標記指派至該特徵圖案，該標記指示該特徵圖案為一真實圖案還是一虛假圖案，及/或 其中回應於該機率突破一臨限值，將該特徵圖案標記為一真實圖案。
  6. 如請求項2之方法，其中該第一成本函數包含一第一對數-可能性項，其在給定該輸入向量的情況下判定該特徵圖案為一虛假圖案之一機率。
  7. 如請求項6之方法，其中該調整該產生器模型之參數使得該第一對數-可能性項最小化。
  8. 如請求項2之方法，其中該第二成本函數包括一第二對數-可能性項，其在給定該訓練圖案的情況下判定該特徵圖案為真實圖案之一機率，及/或 其中該調整第二模型參數使得該第二對數-可能性項最大化。
  9. 如請求項1之方法，該訓練圖案包括一熱點圖案。
  10. 如請求項1之方法，該訓練圖案係自模擬該圖案化程序之一程序模型、一經印刷基板之量度學資料及/或儲存印刷圖案之一資料庫而獲得。
  11. 如請求項1之方法，該特徵圖案包括類似於該訓練圖案之特徵。
  12. 如請求項1之方法，其中該特徵圖案及該訓練圖案進一步包含一非熱點圖案及/或一使用者定義之圖案。
  13. 如請求項1之方法，其進一步包含經由模擬該經訓練產生器模型產生包括一熱點圖案及/或一使用者定義之圖案的一設計圖案。
  14. 如請求項1之方法，其中該產生器模型及該鑑別器模型為捲積神經網路。
TW108137244A 2018-10-17 2019-10-16 產生特徵圖案與訓練機器學習模型之方法 TWI846742B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862746784P 2018-10-17 2018-10-17
US62/746,784 2018-10-17

Publications (2)

Publication Number Publication Date
TW202028849A true TW202028849A (zh) 2020-08-01
TWI846742B TWI846742B (zh) 2024-07-01

Family

ID=68289914

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108137244A TWI846742B (zh) 2018-10-17 2019-10-16 產生特徵圖案與訓練機器學習模型之方法

Country Status (5)

Country Link
US (1) US20210357566A1 (zh)
KR (1) KR102585137B1 (zh)
CN (2) CN118915395A (zh)
TW (1) TWI846742B (zh)
WO (1) WO2020078762A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI800767B (zh) * 2020-11-16 2023-05-01 財團法人工業技術研究院 具有生成對抗網路架構之異常偵測裝置和異常偵測方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11635699B2 (en) * 2018-12-28 2023-04-25 Asml Netherlands B.V. Determining pattern ranking based on measurement feedback from printed substrate
KR20220001262A (ko) * 2020-06-29 2022-01-05 삼성전자주식회사 반도체 공정의 근접 보정 방법
KR20220050664A (ko) * 2020-10-16 2022-04-25 삼성전자주식회사 패턴 특성의 예측을 위한 딥 러닝 모델의 학습 방법 및 반도체 소자 제조 방법
KR20220051868A (ko) * 2020-10-19 2022-04-27 삼성전자주식회사 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치
EP4020085A1 (en) * 2020-12-22 2022-06-29 ASML Netherlands B.V. Machine learning based image generation of after-development or after-etch images
US11966156B2 (en) * 2022-08-16 2024-04-23 Kla Corporation Lithography mask repair by simulation of photoresist thickness evolution
CN116339081B (zh) * 2023-05-24 2023-09-12 合肥晶合集成电路股份有限公司 一种光学邻近校正模型的建模方法、装置、设备及介质

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
JP4075966B2 (ja) 1996-03-06 2008-04-16 エーエスエムエル ネザーランズ ビー．ブイ． 差分干渉計システム及びこのシステムを具えたリソグラフステップアンドスキャン装置
US7003758B2 (en) 2003-10-07 2006-02-21 Brion Technologies, Inc. System and method for lithography simulation
JP4954211B2 (ja) 2005-09-09 2012-06-13 エーエスエムエル ネザーランズ ビー．ブイ． 個別マスクエラーモデルを使用するマスク検証を行うシステムおよび方法
US8126255B2 (en) * 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
NL1036189A1 (nl) * 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
JP6208552B2 (ja) * 2013-11-14 2017-10-04 株式会社デンソーアイティーラボラトリ 識別器、識別プログラム、及び識別方法
KR101924487B1 (ko) * 2013-12-17 2018-12-03 에이에스엠엘 네델란즈 비.브이. 수율 추산 및 제어
US20170357911A1 (en) * 2014-12-18 2017-12-14 Asml Netherlands B.V. Feature search by machine learning
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
KR102376200B1 (ko) * 2016-05-12 2022-03-18 에이에스엠엘 네델란즈 비.브이. 기계 학습에 의한 결함 또는 핫스폿의 식별
US10606975B2 (en) * 2018-05-31 2020-03-31 International Business Machines Corporation Coordinates-based generative adversarial networks for generating synthetic physical design layout patterns
US10706200B2 (en) * 2018-06-05 2020-07-07 International Business Machines Corporation Generative adversarial networks for generating physical design layout patterns of integrated multi-layers
US10699055B2 (en) * 2018-06-12 2020-06-30 International Business Machines Corporation Generative adversarial networks for generating physical design layout patterns
US10539881B1 (en) * 2018-09-24 2020-01-21 International Business Machines Corporation Generation of hotspot-containing physical design layout patterns
US11093683B2 (en) * 2018-10-31 2021-08-17 Taiwan Semiconductor Manufacturing Co., Ltd. Test pattern generation systems and methods
JP7316867B2 (ja) * 2019-07-25 2023-07-28 キオクシア株式会社 半導体画像処理装置
CN114402342A (zh) * 2019-09-16 2022-04-26 Asml荷兰有限公司 用于生成特性图案以及训练机器学习模型的方法
US11250199B1 (en) * 2020-09-16 2022-02-15 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for generating shape data for electronic designs
KR20230131715A (ko) * 2022-03-07 2023-09-14 삼성전자주식회사 딥러닝 기반 opc 패턴의 코너 라운딩 방법, 및 그 코너 라운딩 방법을 포함한 opc 방법과 마스크 제조방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI800767B (zh) * 2020-11-16 2023-05-01 財團法人工業技術研究院 具有生成對抗網路架構之異常偵測裝置和異常偵測方法

Also Published As

Publication number Publication date
CN118915395A (zh) 2024-11-08
WO2020078762A1 (en) 2020-04-23
US20210357566A1 (en) 2021-11-18
TWI846742B (zh) 2024-07-01
CN112889005A (zh) 2021-06-01
KR102585137B1 (ko) 2023-10-06
CN112889005B (zh) 2024-07-30
KR20210057807A (ko) 2021-05-21

Similar Documents

Publication Publication Date Title
TWI698723B (zh) 基於機器學習的逆光學接近校正及製程模型校準
TWI753517B (zh) 半導體裝置幾何方法及系統
TWI724279B (zh) 藉由機器學習來判定製程模型之方法
CN112889005B (zh) 用于生成特性图案和训练机器学习模型的方法
TWI806002B (zh) 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體
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
CN114402342A (zh) 用于生成特性图案以及训练机器学习模型的方法
US20230107556A1 (en) Machine learning based subresolution assist feature placement
KR20230167453A (ko) 제조성에 기초한 패터닝 디바이스 패턴을 결정하기 위한 방법
TW201809905A (zh) 模型化曝光後製程
US20230267711A1 (en) Apparatus and method for selecting informative patterns for training machine learning models
TWI851912B (zh) 用於圖案選擇之非暫時性電腦可讀媒體
TWI725325B (zh) 缺陷預測
CN111492317B (zh) 用于减少抗蚀剂模型预测误差的系统和方法
EP3531206A1 (en) Systems and methods for improving resist model predictions
TW202307722A (zh) 蝕刻系統、模型、及製造程序
TWI820723B (zh) 光罩規則檢查（ｍｒｃ）之方法及相關聯非暫時性電腦可讀媒體
US20240184213A1 (en) Method of pattern selection for a semiconductor manufacturing related process
TW202333079A (zh) 產生擴增資料以訓練機器學習模型以保持物理趨勢
TW202419964A (zh) 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體
WO2023016752A1 (en) Match the aberration sensitivity of the metrology mark and the device pattern