TWI782597B - 調整圖案化製程之系統、產品及方法 - Google Patents
調整圖案化製程之系統、產品及方法 Download PDFInfo
- Publication number
- TWI782597B TWI782597B TW110123502A TW110123502A TWI782597B TW I782597 B TWI782597 B TW I782597B TW 110123502 A TW110123502 A TW 110123502A TW 110123502 A TW110123502 A TW 110123502A TW I782597 B TWI782597 B TW I782597B
- Authority
- TW
- Taiwan
- Prior art keywords
- control
- machine learning
- training
- patterning process
- learning model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 491
- 230000008569 process Effects 0.000 title claims abstract description 372
- 238000000059 patterning Methods 0.000 title claims abstract description 282
- 238000010801 machine learning Methods 0.000 claims abstract description 314
- 238000012549 training Methods 0.000 claims abstract description 230
- 230000006399 behavior Effects 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 238000010438 heat treatment Methods 0.000 claims description 233
- 238000001459 lithography Methods 0.000 claims description 105
- 238000013528 artificial neural network Methods 0.000 claims description 54
- 230000033001 locomotion Effects 0.000 claims description 47
- 238000007689 inspection Methods 0.000 claims description 36
- 230000005855 radiation Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 30
- 239000007787 solid Substances 0.000 claims description 30
- 230000003287 optical effect Effects 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000036962 time dependent Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000010894 electron beam technology Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 7
- 210000001747 pupil Anatomy 0.000 claims description 6
- 238000007493 shaping process Methods 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 103
- 239000000758 substrate Substances 0.000 description 67
- 238000004519 manufacturing process Methods 0.000 description 41
- 238000005259 measurement Methods 0.000 description 26
- 230000000694 effects Effects 0.000 description 24
- 238000012937 correction Methods 0.000 description 19
- 230000015654 memory Effects 0.000 description 19
- 239000004065 semiconductor Substances 0.000 description 19
- 238000012545 processing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 10
- 230000000670 limiting effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 9
- 238000001816 cooling Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000005530 etching Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 239000011248 coating agent Substances 0.000 description 6
- 238000000576 coating method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000002955 isolation Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003278 mimic effect Effects 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001151 other effect Effects 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000112 cooling gas Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 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
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004049 embossing Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000000671 immersion lithography Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive 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
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010943 off-gassing Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000930 thermomechanical effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
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
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- 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
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- 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
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- 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
-
- 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
- G03F7/706841—Machine learning
-
- 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
- G03F7/708—Construction of apparatus, e.g. environment aspects, hygiene aspects or materials
- G03F7/70858—Environment aspects, e.g. pressure of beam-path gas, temperature
- G03F7/70866—Environment aspects, e.g. pressure of beam-path gas, temperature of mask or workpiece
- G03F7/70875—Temperature, e.g. temperature control of masks or workpieces via control of stage temperature
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Toxicology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Materials For Photolithography (AREA)
- Weting (AREA)
Abstract
本發明描述產生用於一圖案化製程的一控制輸出。接收一控制輸入。該控制輸入係用於控制該圖案化製程。該控制輸入包含用於該圖案化製程中的一或多個參數。該控制輸出係基於該控制輸入運用一經訓練機器學習模型產生。該機器學習模型係運用產生自該圖案化製程之模擬的訓練資料及/或實際製程資料進行訓練。該訓練資料包含：1)對應於該圖案化製程之複數個操作條件的複數個訓練控制輸入，其中該圖案化製程之該複數個操作條件與該圖案化製程隨時間之操作條件特定行為相關聯；及2)基於該等訓練控制輸入使用一實體模型產生的訓練控制輸出。
Description
本發明係關於用於調整一圖案化製程的系統、產品及方法。
微影設備為經建構以將所要圖案施加至基板上之機器。微影設備可用於(例如)積體電路(IC)之製造中。微影設備可例如將圖案化裝置(例如，遮罩)之圖案(亦常常稱作「設計佈局」或「設計」)投影至設置於基板(例如，晶圓)上之一層輻射敏感材料(抗蝕劑)上。
隨著半導體製造製程持續進步，幾十年來，電路元件之尺寸已繼續減小，而每裝置的諸如電晶體之功能元件之量已穩固地增加，此遵循通常稱為「莫耳定律(Moore's law)」之趨勢。為了遵循莫耳定律，半導體行業正追逐能夠產生愈來愈小特徵之技術。為了將圖案投影於基板上，微影設備可使用電磁輻射。此輻射之波長判定圖案化於基板上之特徵的最小大小。當前在使用中之典型波長為365nm(i線)、248nm、193nm及13.5nm。相比於使用例如具有193nm之波長之輻射的微影設備，使用具有在4nm至20nm之範圍內之波長(例如，6.7nm或13.5nm)之極紫外線(EUV)輻射的微影設備可用以在基板上形成較小特徵。
低k1微影可用於處理尺寸小於微影設備之經典解析度限值的特徵。在此製程中，可將解析度公式表達為CD=k1×λ/NA，其中λ為所使用輻射之波長，NA為微影設備中之投影光學件之數值孔徑，CD為「臨界尺寸」(通常為經印刷之最小特徵大小，但在此狀況下為半節距)且k1為經驗解析度因數。一般而言，k1愈小，則在基板上再生類似於由電路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，可將複雜精細調諧步驟應用於微影投影設備及/或設計佈局。此等步驟包括(例如)但不限於NA之最佳化、定製照明方案、使用相移圖案化裝置、諸如設計佈局中之光學近接校正(OPC，有時亦稱為「光學及製程校正」)之設計佈局的各種最佳化，或通常定義為「解析度增強技術」(RET)之其他方法。替代地，用於控制微影設備之穩定性之嚴格控制迴路可用以改良在低k1下之圖案之再生。
在微影製程中，頻繁地需要對所產生結構進行量測，例如用於製程控制及驗證。用以進行此類量測之工具通常被稱為度量衡工具或檢測工具。用於進行此類量測之不同類型的度量衡工具為吾人所知，包括掃描電子顯微鏡或各種形式之散射計度量衡工具。散射計為多功能器具，其允許藉由在光瞳或與散射計之接物鏡之光瞳共軛的平面中具有感測器來量測微影製程之參數(量測通常被稱作以光瞳為基礎之量測)，或藉由在影像平面或與影像平面共軛之平面中具有感測器來量測微影製程之參數，在此狀況下量測通常被稱作以影像或場為基礎之量測。以全文引用之方式併入本文中之專利申請案US2010/0328655、US2011/102753A1、US2012/0044470A、US2011/0249244、US2011/0026032或EP1,628,164A中進一步描述此類散射計及相關聯量測技術。前述散射計可使用來自軟x射
線及對近IR波長範圍可見的光來量測光柵。
實體模型可用以模型化設備之一或多個組件、製程及/或數個系列製程，及/或執行其他模型化。實體模型化可為計算上昂貴的，且在給定設備、組件及/或製程條件集合改變時通常需要調整。此類改變可包括隨時間改變的設備之一或多個組件之運動的改變、改變干擾力、不同的組件加熱及/或其他圖案化製程條件。實體模型化常常需要實體模型之準確性與計算費用之間的折衷。
因此，本發明之一目標為提供經組態以使隨時間改變的運動、干擾力、加熱及/或其他圖案化製程條件更準確地模型化的系統及方法。
與先前系統形成對比，本發明之系統及方法經組態用於運用經訓練機器學習模型產生用於圖案化製程的控制輸出。機器學習模型係運用訓練資料進行訓練，該訓練資料包含對應於圖案化製程之複數個操作條件的複數個訓練控制輸入。圖案化製程之複數個操作條件與圖案化製程隨時間之操作條件特定行為(例如，圖案化製程，諸如漂移隨時間之改變)相關聯。
在其他優勢當中，此情形增強模型的隨時間改變，具體而言關於運動、干擾力、加熱及/或其他圖案化製程條件的準確性。在半導體製造中，此情形可致使增強型裝置尺寸精確性、較高產率、減小之製程設定時間、更快產出率、更準確的疊對及/或其他製程控制量測，及/或具有其他效應。
考慮到至少以上內容，根據本發明之實施例，提供一種非
暫時性電腦可讀媒體，其上具有指令。該等指令在由一電腦執行時使該電腦接收一控制輸入。該控制輸入係用於控制一圖案化製程。該控制輸入包含用於該圖案化製程中的一或多個參數。該等指令使該電腦基於控制輸入運用經訓練機器學習模型產生圖案化製程的控制輸出。該機器學習模型係運用產生自該圖案化製程之模擬的訓練資料及/或實際製程資料進行訓練。訓練資料包含1)對應於圖案化製程之複數個操作條件的複數個訓練控制輸入。該圖案化製程之複數個操作條件與圖案化製程隨時間之操作條件特定行為相關聯。訓練資料包含2)基於訓練控制輸入及/或圖案化製程之複數個操作條件使用實體模型產生的訓練控制輸出。
在一實施例中，該控制輸出包含一或多個參數的調整。
在實施例中，該圖案化製程隨時間之該操作條件特定行為包含該圖案化製程隨時間之漂移。
在一實施例中，機器學習模型經進一步組態以藉由運用來自圖案化製程之新實際製程資料對機器學習模型進行重新訓練而隨時間更新。
在一實施例中，該重新訓練包含精細調諧。
在一實施例中，控制輸入係與監控及/或診斷圖案化製程相關聯。
在一實施例中，該機器學習模型包含一參數化模型。
在一實施例中，該機器學習模型包含一人工神經網路、一迴旋神經網路及/或一遞迴神經網路。
在一實施例中，該圖案化製程運用圖案化製程設備執行。該設備包含一半導體微影設備、一光學度量衡檢測工具或一電子束檢測工
具。該等指令進一步使該電腦至少部分地基於該控制輸出控制該圖案化製程設備。
在一實施例中，該一或多個參數包含一或多個微影設備、光學度量衡檢測工具，及/或電子束檢測工具參數，及/或關聯的微影及/或檢測製程參數。
在一實施例中，該控制輸入包含用於該圖案化製程中的一或多個參數。
在一實施例中，該控制輸入包含一繞射圖案影像、一運動設定點，或一晶圓及/或一倍縮光罩的一負載序列。
在一實施例中，控制輸出包含與圖案化製程設備之一或多個組件之運動控制相關聯的一或多個參數之調整。
在一實施例中，該圖案化製程設備之一或多個組件之運動控制包含經由如下一或兩者控制一掃描器的致動：1)控制掃描器之一晶圓及/或倍縮光罩載物台的移動，2)控制該掃描器之一透鏡中的撓曲波加熱元件，及/或3)控制該掃描器的一或多個鏡。鏡之實例為用於(可撓性地)界定光瞳形狀及/或場畸變輪廓中的鏡。
在一實施例中，控制輸出包含與圖案化製程設備之一或多個組件之熱膨脹相關聯的一或多個參數之調整。
在一實施例中，該控制輸出包含一晶圓加熱控制調整、一倍縮光罩加熱控制調整及/或一鏡加熱控制調整。
在一實施例中，判定該控制輸出包含預測一疊對指紋(fingerprint)及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定該晶圓加熱控制調整。
在一實施例中，判定該控制輸出包含預測該疊對指紋，且判定該晶圓加熱控制調整係基於該預測疊對指紋。
在一實施例中，該控制輸出包含一透鏡加熱控制調整。
在一實施例中，判定該控制輸出包含：預測與透鏡加熱相關聯的mu tau參數值、透鏡加熱前饋時間序列及/或透鏡加熱場時間序列；基於mu tau值、透鏡加熱前饋值及/或透鏡加熱場值來判定透鏡加熱成本函數；基於透鏡加熱成本函數判定機器學習模型參數權重；及基於藉由機器學習模型進行的透鏡加熱預測來判定透鏡加熱控制調整。
在一實施例中，判定該控制輸出包含預測一疊對指紋、一焦點指紋及/或一成像指紋，及基於該經預測疊對指紋、焦點指紋及/或成像指紋判定該透鏡加熱控制調整。
在一實施例中，控制輸出包含與圖案化製程設備之一或多個組件之摩擦-機械控制相關聯的一或多個參數之調整。
在一實施例中，判定該控制輸出包含預測一疊對指紋及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定晶圓、倍縮光罩、透鏡/鏡調整。
在一實施例中，運用來自該圖案化製程之經模擬及/或實際製程訓練資料訓練機器學習模型包含初始校準，其中機器學習模型經組態以藉由運用來自該圖案化製程的新的實際製程資料重新訓練機器學習模型來隨時間經更新，且其中重新訓練包含組態機器學習模型以運用一或多個漂移校準進行精細調諧，該一或多個漂移校準經組態以慮及隨時間發生於該圖案化製程中的漂移。
在一實施例中，訓練及/或更新經離線、線上或者離線及線
上組合地執行。
在一實施例中，經模擬訓練資料包含使用該實體模型產生的複數個基準訓練控制輸入及對應訓練控制輸出對。該機器學習模型經組態以基於一訓練控制輸入預測一預測控制輸出。機器學習模型經組態以使用訓練控制輸出作為回饋以更新機器學習模型的一或多個組態。一或多個組態係基於該訓練控制輸出與該預測控制輸出之間的比較而更新。
在一實施例中，該等指令進一步經組態以使該電腦組態該機器學習模型以藉由運用來自該圖案化製程之新的實際製程資料精細調諧該機器學習模型來隨時間更新，使得該機器學習模型經組態用於：運用該機器學習模型接收與一生產環境局部圖案化製程相關聯的局部實際製程資料以判定第一經更新的模型參數值；接收藉由至少部分運用外部訓練資料提供該機器學習模型獲得的第二經更新的模型參數值，該外部訓練資料指示圖案化製程設備間的變化；及藉由運用該等第一及/或第二經更新的模型參數值更新初始模型參數值來調整該機器學習模型。
在一實施例中，該調整慮及該局部圖案化製程隨時間之漂移。
根據另一實施例，提供一種用於產生用於一圖案化製程之一控制輸出之方法。方法包含接收一控制輸入。該控制輸入係用於控制一圖案化製程。該控制輸入包含用於該圖案化製程中的一或多個參數。方法包含基於控制輸入運用經訓練機器學習模型產生圖案化製程的控制輸出。該控制輸出包含一或多個參數的調整。該機器學習模型係運用產生自該圖案化製程之模擬的訓練資料及/或實際製程資料進行訓練。訓練資料包含1)對應於圖案化製程之複數個操作條件的複數個訓練控制輸入。該圖案化
製程之複數個操作條件與圖案化製程隨時間之操作條件特定行為相關聯。訓練資料包含2)基於訓練控制輸入及/或圖案化製程之複數個操作條件使用實體模型產生的訓練控制輸出。
在實施例中，該圖案化製程隨時間之該操作條件特定行為包含該圖案化製程隨時間之漂移。
在一實施例中，方法經進一步包含藉由運用來自圖案化製程之新實際製程資料對機器學習模型進行重新訓練而隨時間更新機器學習模型。
在一實施例中，該重新訓練包含精細調諧。
在一實施例中，控制輸入係與監控及/或診斷圖案化製程相關聯。
在一實施例中，該機器學習模型包含一參數化模型。
在一實施例中，該機器學習模型包含一人工神經網路、一迴旋神經網路及/或一遞迴神經網路。
在一實施例中，該圖案化製程運用圖案化製程設備執行。該設備包含一半導體微影設備、一光學度量衡檢測工具或一電子束檢測工具。該方法進一步包含至少部分地基於控制輸出控制圖案化製程設備。
在一實施例中，該一或多個參數包含一或多個微影設備、光學度量衡檢測工具，及/或電子束檢測工具參數，及/或關聯的微影及/或檢測製程參數。
在一實施例中，該控制輸入包含用於該圖案化製程中的一或多個參數。
在一實施例中，該控制輸入包含一繞射圖案影像、一運動
設定點，或一晶圓及/或一倍縮光罩的一負載序列。
在一實施例中，控制輸出包含與圖案化製程設備之一或多個組件之運動控制相關聯的一或多個參數之調整。
在一實施例中，該圖案化製程設備之一或多個組件之運動控制包含經由如下一或兩者控制一掃描器的致動：1)控制掃描器之一晶圓及/或倍縮光罩載物台的移動，2)控制該掃描器之一透鏡中的撓曲波加熱元件，及/或3)控制該掃描器的一或多個鏡。
在一實施例中，控制輸出包含與圖案化製程設備之一或多個組件之熱膨脹相關聯的一或多個參數之調整。
在一實施例中，該控制輸出包含一晶圓加熱控制調整、一倍縮光罩加熱控制調整及/或一鏡加熱控制調整。
在一實施例中，判定該控制輸出包含預測一疊對指紋及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定該晶圓加熱控制調整。
在一實施例中，判定該控制輸出包含預測該疊對指紋，且判定該晶圓加熱控制調整係基於該預測疊對指紋。
在一實施例中，該控制輸出包含一透鏡加熱控制調整。
在一實施例中，判定該控制輸出包含：預測與透鏡加熱相關聯的mu tau參數值、透鏡加熱前饋時間序列及/或透鏡加熱場時間序列；基於mu tau值、透鏡加熱前饋值及/或透鏡加熱場值來判定透鏡加熱成本函數；基於透鏡加熱成本函數判定機器學習模型參數權重；及基於藉由機器學習模型進行的透鏡加熱預測來判定透鏡加熱控制調整。
在一實施例中，判定該控制輸出包含預測一疊對指紋、一
焦點指紋及/或一成像指紋，及基於該經預測疊對指紋、焦點指紋及/或成像指紋判定該透鏡加熱控制調整。
在一實施例中，控制輸出包含與圖案化製程設備之一或多個組件之摩擦-機械控制相關聯的一或多個參數之調整。
在一實施例中，判定該控制輸出包含預測一疊對指紋及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定晶圓、倍縮光罩、透鏡/鏡調整。
在一實施例中，運用來自該圖案化製程之經模擬及/或實際製程訓練資料訓練機器學習模型包含初始校準，其中機器學習模型經組態以藉由運用來自該圖案化製程的新的實際製程資料重新訓練機器學習模型來隨時間經更新，且其中重新訓練包含組態機器學習模型以運用一或多個漂移校準進行精細調諧，該一或多個漂移校準經組態以慮及隨時間發生於該圖案化製程中的漂移。
在一實施例中，訓練及/或更新經離線、線上或者離線及線上組合地執行。
在一實施例中，經模擬訓練資料包含使用該實體模型產生的複數個基準訓練控制輸入及對應訓練控制輸出對。該機器學習模型經組態以基於一訓練控制輸入預測一預測控制輸出。該機器學習模型經組態以使用一訓練控制輸出作為回饋以更新該機器學習模型的一或多個組態，其中該一或多個組態係基於該訓練控制輸出與該預測控制輸出之間的一比較而更新。
在一實施例中，該方法進一步包含組態該機器學習模型以藉由運用來自該圖案化製程之新的實際製程資料精細調諧該機器學習模型
來隨時間更新，使得該機器學習模型經組態用於：運用該機器學習模型接收與一生產環境局部圖案化製程相關聯的局部實際製程資料以判定第一經更新的模型參數值；接收藉由至少部分運用外部訓練資料提供該機器學習模型獲得的第二經更新的模型參數值，該外部訓練資料指示圖案化製程設備間的變化；及藉由運用該等第一及/或第二經更新的模型參數值更新初始模型參數值來調整該機器學習模型。
在一實施例中，該調整慮及該局部圖案化製程隨時間之漂移。
根據另一實施例，提供一種用於訓練一機器學習模型之方法。方法包含藉由模擬圖案化製程來產生訓練資料。訓練資料包含複數個訓練控制輸入及對應訓練控制輸出。該訓練控制輸入包含用於圖案化製程中的一或多個參數，且訓練控制輸出包含一或多個參數的調整。方法包含提供該訓練控制輸入至一基本機器學習模型以產生預測控制輸出；及使用該訓練控制輸出作為回饋以更新該基本機器學習模型的一或多個組態。該一或多個組態係基於該訓練控制輸出與該預測控制輸出之間的一比較而更新，使得該機器學習模型經組態以基於新控制輸入產生新控制輸出。
在一實施例中，機器學習模型經組態以藉由運用來自圖案化製程之實際及/或模擬製程資料對機器學習模型進行重新訓練而隨時間更新。
在一實施例中，該圖案化製程運用實體模型模擬。
在一實施例中，該機器學習模型為一卷人工神經網路。
根據另一實施例，提供一種非暫時性電腦可讀媒體，其上具有指令。該等指令在由一電腦執行時使該電腦進行以下操作：接收複數
個控制輸入，該複數個控制輸入用於控制針對複數個對應操作條件的一圖案化製程，該等控制輸入中之每一者包含用於該圖案化製程中的一或多個參數；產生或接收與該一或多個參數之一或多個調整相關聯的複數個控制輸出，該複數個控制輸出係基於一實體模型之輸出，該實體模型用於服從於該複數個操作條件而模擬該圖案化製程之行為；及訓練一機器學習模型，該機器學習模型經組態以藉由輸入該接收到之複數個控制輸入及複數個產生或接收之控制輸出來推斷對應於一新控制輸入的一新控制輸出。
102:第一資料
104:資料選擇步驟
106:內容脈絡參數
112:實體模型
122:鑑別器模型(比較器)
132:映射/步驟/基於機器學習的預測/機器學習框架
134:機器學習模型/機器學習框架
142:程式庫
700:產生控制輸出用於圖案化製程的實例方法
702:訓練
704:接收
706:判定
708:控制
710:重新訓練
800:圖案化製程建立
802:大量生產
804:維護
806:時間
808:初始控制輸入及輸出
810:訓練
812:遍次
814:提供
816:經更新的輸入及輸出
818:更新/調諧/重新訓練
820:使用
900:系列
900a~900n:控制輸入參數
902:機器學習模型
904:代替模型化技術
906:模型化晶圓加熱校正
908:實體模型
1001:訓練
1003:更新/精細調諧/重新訓練
1005:機器學習模型
1007:轉移及/或聯合學習及虛擬計算平台
1009:控制輸入參數
1011:模型化晶圓加熱校正
1013:模型供應器/程式器
1015:本端用戶端製造環境
1100:基線動態透鏡加熱分析器模型
1102:經由模擬產生之訓練資料
1104:機器學習模型
1106:自動式透鏡加熱校準資料
1108:精細調諧
1121:本端掃描器資料
1123:本端度量衡資料
1125:層
1127:更深層
1200:深度迴旋神經網路
1202:繞射圖案影像
1204:mu/tau
1206:層
1300:框
1302:參考數字
1304:參考數字
1306:參考數字
1308:參考數字
ACT:致動器
B:輻射射束
BD:射束遞送系統
BF:基座框架
BM:平衡塊
BK:烘烤板
BS:匯流排
CC:游標控制件
CI:通信介面
CH:冷卻板
C:目標部分
CL:電腦系統
DS:顯示器
DE:顯影器
FF:前饋控制器
FB:回饋控制器
IS:隔振系統
IL:照明系統/照明器
IF:位置量測系統
ID:輸入裝置
INT:網際網路
I/O1:輸入/輸出埠
I/O2:輸入/輸出埠
HC:主機電腦
LA:微影設備
LC:微影單元
LB:裝載匣
LACU:微影控制單元
LAN:區域網路
M1:遮罩對準標記
M2:遮罩對準標記
MF:度量衡框架
MT:遮罩支撐件/遮罩台
MA:圖案化裝置/遮罩
MM:主記憶體
NDL:網路鏈路
P:設備
P1:基板對準標記
P2:基板對準標記
PCS:定位控制系統
PW:第二定位器
PS:投影系統
PM:第一定位器
PMS:位置量測系統
PEB:曝光後烘烤步驟
PRO:處理器
RO:基板處置器/機器人
ROM:唯讀記憶體
SC1:第一標度
SC2:第二標度
SC3:第三標度
SO:輻射源
SP:設定點產生器
SC:旋塗器
SCS:監督控制系統
SD:儲存裝置
TCU:塗佈顯影系統控制單元
WT:基板支撐件/晶圓台
W:基板
現將參看隨附示意性圖式僅藉助於實例來描述本發明之實施例，其中：
- 圖1描繪根據一實施例之微影設備之示意圖綜述。
- 圖2描繪根據實施例之圖1之微影設備的部分之詳細視圖。
- 圖3示意性地描繪根據一實施例之控制系統。
- 圖4示意性地描繪根據一實施例之微影單元之示意性綜述。
- 圖5為根據一實施例之整體微影之示意性表示，其表示用以最佳化半導體製造之三種關鍵技術之間的協作。
- 圖6為根據一實施例之實例電腦系統的方塊圖。
- 圖7說明根據實施例之用於產生圖案化製程之控制輸出的方法。
- 圖8說明根據實施例之初始訓練及漂移校準。
- 圖9說明根據實施例的用作用於運用實體模型使晶圓加熱校正模型化之代替模型化技術的本發明之機器學習模型。
- 圖10說明根據實施例的使用轉移及/或聯合學習及虛擬計算平台進行訓練及更新/精細調諧/重新訓練本發明的機器學習模型。
- 圖11說明根據實施例經由模擬產生之訓練資料可如何用以訓練本發明之機器學習模型以模仿基線動態透鏡加熱分析器模型，且自動式透鏡加熱校準資料(例如，來自實際圖案化製程的線上經量測資料)可如何用以執行轉移學習以精細調諧經訓練機器學習模型。
- 圖12說明根據實施例的形成為深度迴旋神經網路之本發明之機器學習的實例。
- 圖13說明根據實施例的基於預測mu tau及/或LHFF值判定透鏡加熱成本函數。
- 圖14說明用於藉由自比較機器學習模型及實體模型之輸出的鑑別器模型接收獎勵來訓練機器學習模型的方法。
前饋控制信號在控制設備之一或多個組件時使用。此類信號用於針對組件的許多控制系統中，該等組件包括晶圓載物台、倍縮光罩移動組件、透鏡、鏡及/或其他組件。準確前饋控制信號常常取決於運動設定點、干擾力、組件加熱及/或其他因素的模型化。組件加熱可能藉由輻射引起，該輻射接觸、穿過組件及/或在給定組件附近傳遞；及/或具有其他原因。干擾力可能為自如下各者產生的力：設備之各種組件的移動、用於設備中之組件的類型、設備之方位、組件磨損，及/或其他類似因素。舉例而言，干擾力可係關於馬達換向、電纜板坯、系統漂移等。運動設定點可描述設備之組件的規定運動。設定點可規定組件隨時間之運動的位置、速度、加速度及/或其他參數(例如，此類參數之較高階時間導數)。
在半導體製造圖案化製程中及/或其他應用中，組件加熱、運動設定點及干擾力常常隨時間改變。舉例而言，組件可能不在製程之後
針對製程日復一日地以相同方式加熱及/或冷卻。設定點由於若干原因可發生變化：諸如支援的不同場大小；針對疊對校正以校正晶圓加熱的即時或幾乎即時改變、倍縮光罩加熱及/或鏡/透鏡加熱；及/或其他原因。干擾力可在設備之間改變，及/或可基於用於設備中之組件的類型、設備之方位、組件磨損及/或其他類似因素而改變。
實務上，實體模型可用以模型化設備之一或多個組件、製程及/或數個系列製程，及/或執行其他模型化。實體模型係基於解算實體等式的模擬。在一些實施例中，實體模型可為及/或包括一或多個實體類等式、FEM、動態透鏡加熱分析器及/或其他實體模型。舉例而言，實體模型可用以產生用於給定設備、設備組件及/或製程條件的控制信號。然而，此類模型化為計算上昂貴的，且在給定設備、組件及/或製程條件集合改變時通常需要調整。如上文所述，此等事項隨時間改變。不幸的是，可能製程條件的數目對於個別地校準每一變化之實體模型為過大的(例如，因此為計算上昂貴的，此情形為超限的)，每一可能製程條件隨時間各自具有其自身的對應組件加熱、設定點、干擾力及/或其他變化。使合理量的個別變化(例如，條件)模型化同時自計算費用觀點可達成需要實體模型之準確性與計算費用之間的折衷。
與先前系統形成對比，本發明之系統及方法經組態用於接收控制輸入從而控制圖案化製程。基於控制輸入運用經訓練機器學習模型產生用於圖案化製程的控制輸出。該機器學習模型係運用產生自該圖案化製程之模擬的訓練資料及/或實際製程資料進行訓練。訓練資料包含對應於圖案化製程之複數個操作條件的複數個訓練控制輸入。圖案化製程之複數個操作條件通常為用於圖案化製程中之一或多個工具的設定，至少一些
延伸至的設定判定該圖案化製程隨時間之行為，例如如何漂移及加熱效應隨時間如何證明自身。訓練資料亦包含基於訓練控制輸入及/或圖案化製程之複數個操作條件使用實體模型產生的訓練控制輸出。
在其他優勢當中，此情形增強模型化，具體而言關於設定點、干擾力、組件加熱及/或隨時間改變之其他圖案化製程條件的準確性。準確性增強係關於對極大量的製程條件進行校準之可能性/能力。在半導體製造中，此情形可致使增強型裝置尺寸精確性、較高產率、減小之製程設定時間、更快產出率、更準確的疊對及/或其他製程控制量測，及/或具有其他效應。
藉由簡要介紹，在本文獻中，控制輸出之產生描述於積體電路及/或半導體製造的內容脈絡中。此並不意欲為限制性的。熟習此項技術者可在其他內容脈絡中應用本文中所描述的原理。
給出本內容脈絡情況下，術語「輻射」及「射束」用以涵蓋所有類型之電磁輻射，包括紫外輻射(例如，具有365、248、193、157或126nm的波長)及EUV(極紫外輻射，例如具有在約5至100nm之範圍內的波長)。如本文中所採用之術語「倍縮光罩」、「遮罩」或「圖案化裝置」可廣泛地解釋為係指可用於向入射輻射射束賦予圖案化橫截面之通用圖案化裝置，該圖案化橫截面對應於待在基板之目標部分中產生之圖案。在此內容脈絡文中，亦可使用術語「光閥」。除經典遮罩(透射或反射；二元、相移、混合式等)以外，其他此類圖案化裝置之實例亦包括可程式化鏡陣列及可程式化LCD陣列。
圖1示意性地描繪微影設備LA。微影設備LA包括：照明系統(亦稱為照明器)IL，其經組態以調節輻射射束B(例如，UV輻射、DUV
輻射或EUV輻射)；遮罩支撐件(例如，遮罩台)MT，其經建構以支撐圖案化裝置(例如，遮罩)MA且連接至經組態以根據某些參數準確地定位圖案化裝置MA之第一定位器PM；基板支撐件(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且連接至經組態以根據某些參數準確地定位基板支撐件WT之第二定位器PW，及投影系統(例如，折射投影透鏡系統)PS，其經組態以藉由圖案化裝置MA將賦予至輻射射束B之圖案投影至基板W的目標部分C(例如，包含一或多個晶粒)上。
在操作中，照明系統IL例如經由射束遞送系統BD自輻射源SO接收輻射射束。照明系統IL可包括用於導向、塑形及/或控制輻射的各種類型之光學組件，諸如折射、反射、磁性、電磁、靜電及/或其他類型之光學組件，或其任何組合。照明器IL可用以調節輻射束B，以在圖案化裝置MA之平面處在其橫截面中具有所要空間及角強度分佈。
本文中所使用之術語「投影系統」PS應被廣泛地解譯為涵蓋適於所使用之曝光輻射及/或適於諸如浸潤液體之使用或真空之使用之其他因素的各種類型之投影系統，包括折射、反射、反射折射、合成、磁性、電磁及/或靜電光學系統或其任何組合。可認為本文中對術語「投影透鏡」之任何使用與更一般之術語「投影系統」PS同義。
微影設備LA可屬於一種類型，其中基板的至少一部分可由具有相對高折射率之例如水之液體覆蓋，以便填充投影系統PS與基板W之間的空間--此亦稱為浸潤微影。在以引用方式併入本文中之US6952253中給出關於浸潤技術之更多資訊。
微影設備LA亦可屬於具有兩個或兩個以上基板支撐件WT(又名「雙載物台」)之類型。在此「多載物台」機器中，可並行地使用基
板支撐件WT，及/或可對位於基板支撐件WT中之一者上的基板W進行準備基板W之後續曝光的步驟，同時將另一基板支撐件WT上之另一基板W用於在另一基板W上曝光圖案。
除了基板支撐件WT以外，微影設備LA亦可包含一量測載物台。量測載物台經配置以固持感測器及/或清潔裝置。感測器可經配置以量測投影系統PS之性質或輻射射束B之性質。量測載物台可固持多個感測器。清潔裝置可經配置以清潔微影設備之部分，例如，投影系統PS之部分或提供浸潤液體之系統的部分。量測載物台可在基板支撐件WT遠離投影系統PS時在投影系統PS之下移動。
在操作中，輻射射束B入射於被固持於遮罩支撐件MT上之圖案化裝置(例如，遮罩)MA上，且藉由存在於圖案化裝置MA上之圖案(設計佈局)而圖案化。在已橫穿圖案化裝置MA的情況下，輻射射束B穿過投影系統PS，該投影系統將該射束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置量測系統IF，可準確地移動基板支撐件WT，例如以便在聚焦且對準之位置處在輻射射束B之路徑中定位不同目標部分C。類似地，第一定位器PM及可能另一位置感測器(其未在圖1中明確地描繪)可用以相對於輻射射束B之路徑來準確地定位圖案化裝置MA。可使用遮罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置MA與基板W。儘管如所說明之基板對準標記P1、P2佔據專用目標部分，但其可位於目標部分之間的空間中。在基板對準標記P1、P2位於目標部分C之間時，此等基板對準標記稱為切割道對準標記。
為闡明本發明，使用笛卡爾座標系統。笛卡爾座標系統具有三個軸，亦即，x軸、y軸及z軸。三個軸中之每一者正交於其他兩個
軸。圍繞x軸之旋轉稱為Rx旋轉。圍繞y軸之旋轉稱為Ry旋轉。圍繞z軸之旋轉稱作Rz旋轉。x軸及y軸定義水平平面，而z軸處於豎直方向上。笛卡爾座標系統不限制本發明且僅用於闡明。實際上，另一座標系統，諸如圓柱形座標系統可用於闡明本發明。笛卡爾座標系統之定向可不同，例如，使得z軸具有沿著水平平面之分量。
圖2展示圖1之微影設備LA之一部分的更詳細視圖。微影設備LA可具備基座框架BF、平衡塊BM、度量衡框架MF及隔振系統IS。度量衡框架MF支撐投影系統PS。另外，度量衡框架MF可支撐位置量測系統PMS之部分。度量衡框架MF係由基座框架BF經由隔振系統IS支撐。隔振系統IS經配置以防止或減小自基座框架BF傳播至度量衡框架MF的振動。
第二定位器PW經配置以藉由在基板支撐件WT與平衡塊BM之間提供驅動力來加速基板支撐件WT。驅動力使基板支架WT在所要方向上加速。由於動量守恆，驅動力亦以相等的量值施加至平衡塊BM，但方向與所要方向相反。通常，平衡塊BM之質量顯著大於第二定位器PW之移動部分及基板支撐件WT之質量。
在一實施例中，第二定位器PW係由平衡塊BM支撐。舉例而言，其中第二定位器PW包含用以使基板支撐件WT懸浮於平衡塊BM上方之平面馬達。在另一實施例中，第二定位器PW係由基座框架BF支撐。舉例而言，其中第二定位器PW包含線性馬達且其中第二定位器PW包含用以使基板支撐件WT懸浮於基座框架BF上方之軸承，如氣體軸承。
微影設備LA可包含定位控制系統PCS，如圖3中示意性地描繪。位置控制系統PCS包含設定點產生器SP、前饋控制器FF及回饋控
制器FB。位置控制系統PCS將驅動信號提供至致動器ACT。致動器ACT可為第一定位器PM或第二定位器PW的致動器，及/或微影設備LA的其他移動組件。舉例而言，致動器ACT可驅動設備P，設備P可包含基板支撐件WT或遮罩支撐件MT。設備P之輸出為位置量，諸如位置或速度或加速度，或者位置的另一高階時間導數。位置量由位置量測系統PMS進行量測。位置量測系統PMS產生信號，該信號為表示設備P之定位量的定位信號。設定點產生器SP產生信號，該信號為表示設備P之所要位置量之參考信號。舉例而言，參考信號表示基板支撐件WT之所要軌跡。參考信號及位置信號之間的差形成回饋控制器FB之輸入。基於該輸入，回饋控制器FB向致動器ACT提供驅動信號之至少一部分。參考信號可形成前饋控制器FF之輸入。基於該輸入，前饋控制器FF向致動器ACT提供驅動信號之至少一部分。前饋控制器FF可使用關於設備P之動力特徵之資訊，諸如質量、硬度、共振模式及固有頻率。在下文描述圖3中所展示之該系統的額外細節。
如圖4中所展示，微影設備LA可形成微影單元LC(有時亦稱為微影單元(lithocell)或(微影)叢集)之部分，該微影單元LC通常亦包括用以對基板W進行曝光前製程及曝光後製程之設備。習知地，此等包括沈積抗蝕劑層之旋塗器SC、顯影經曝光之抗蝕劑的顯影器DE、例如用於調節基板W之溫度(例如，用於調節抗蝕劑層中之溶劑)的冷卻板CH及烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板W、在不同製程設備之間移動基板W且將基板W遞送至微影設備LA之裝載匣LB。微影單元中通常亦統稱為塗佈顯影系統之裝置通常處於塗佈顯影系統控制單元TCU之控制下，該塗佈顯影系統控制單元TCU自身可藉由監督控制系統SCS控制，該監督控制系統SCS亦可例如經由微影控制單元
LACU控制微影設備LA。
為了正確且一致地曝光由微影設備LA曝光之基板W，需要檢測基板以量測經圖案化結構之性質，諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD)等等。出於此目的，可在微影單元LC中包括檢測工具(未展示)。若偵測到誤差，則可對後續基板之曝光或對待對基板W執行之其他處理步驟進行例如調整，在同一批量或批次之其他基板W仍待曝光或處理之前進行檢測的情況下尤其如此。
亦可被稱作度量衡設備之檢測設備用以判定基板W之性質，且尤其係判定不同基板W之性質如何變化或與同一基板W之不同層相關聯之性質在層與層間如何變化。檢測設備可替代地經建構以識別基板W上之缺陷，且可例如為微影單元LC之一部分，或可整合至微影設備LA中，或可甚至為單機裝置。檢測設備可量測潛影(曝光之後抗蝕劑層中之影像)上之性質，或半潛影(在曝光後烘烤步驟PEB之後在抗蝕劑層中之影像)上之性質，或經顯影抗蝕劑影像(其中抗蝕劑之曝光部分或未曝光部分已被移除)上之性質，或甚至經蝕刻影像(在諸如蝕刻之圖案轉印步驟之後)上之性質。
通常，微影設備LA中之圖案化製程為在處理中之最具決定性步驟中的一者，其需要基板W上之結構之尺寸標定及置放的高準確性。為了確保此高準確性，可將三個系統組合於圖5中示意性地描繪之所謂「整體」控制環境中。此等系統中之一者係微影設備LA，其(虛擬地)連接至度量衡工具MT(第二系統)且連接至電腦系統CL(第三系統)。此「整體」環境之關鍵在於最佳化此等三個系統之間的合作以增強總體製程窗且提供嚴格控制迴路，從而確保由微影設備LA執行之圖案化保持在製程窗
內。製程窗界定一系列製程參數(例如，劑量、焦點、疊對)，在該等製程參數內，特定製造製程產生經界定結果(例如，功能半導體裝置)--通常在該經界定結果內，允許微影製程或圖案化製程中之製程參數變化。
電腦系統CL可使用待圖案化之設計佈局(之部分)以預測使用哪種解析度增強技術且執行計算微影模擬及演算以判定哪種遮罩佈局及微影設備設定達成圖案化製程之最大總體製程窗(在圖5中由第一標度SC1中之雙箭頭描繪)。通常，解析度增強技術經配置以匹配微影設備LA之圖案化可能性。電腦系統CL亦可用於偵測微影設備LA目前正在製程窗內何處操作(例如，使用來自度量衡工具MT之輸入)，以預測由於例如次佳處理而是否可存在缺陷(在圖5中由第二標度SC2中之指向「0」的箭頭描繪)。
度量衡工具MT可將輸入提供至電腦系統CL以實現準確模擬及預測，且可將回饋提供至微影設備LA以識別例如微影設備LA之校準狀態中的可能漂移(在圖3中由第三標度SC3中之多個箭頭描繪)。
如上文參看圖1至圖5所述，微影設備、度量衡工具及/或微影單元典型地包括用以相對於參考或另一組件定位樣品、基板、遮罩或感測器配置的複數個載物台系統。其實例為遮罩支撐件MT及第一定位器PM、基板支撐件WT及第二定位器PW，經配置以固持感測器及/或清潔裝置的量測載物台及用於檢測工具MT中的載物台，其中基板W相對於例如掃描電子顯微鏡或幾種散射計定位。此等設備可包括數種其他移動組件，諸如倍縮光罩載物台、晶圓載物台、鏡、透鏡元件、光源(例如，驅動雷射、EUV源等)、倍縮光罩遮蔽載物台、晶圓頂部冷卻器、晶圓及倍縮光罩處置器、隔振系統、載物台扭矩補償器、控制及/或包括此等組件的軟
體及/或硬體模組，及/或其他組件。此等實例並不意欲為限制性的。
圖6為根據一實施例之實例電腦系統CL的方塊圖。電腦系統CL可輔助實施本文中所揭示之方法、流程或設備。電腦系統CL包括用於傳達資訊之匯流排BS或其他通信機構，及與匯流排BS耦接以用於處理資訊之處理器PRO(或多個處理器)。電腦系統CL亦包括耦合至匯流排BS以用於儲存待由處理器PRO執行之資訊及指令的主記憶體MM，諸如隨機存取記憶體(RAM)或其他動態儲存裝置。主記憶體MM亦可用於在待由例如處理器PRO執行之指令的執行期間儲存暫時性變數或其他中間資訊。電腦系統CL包括耦接至匯流排BS以用於儲存用於處理器PRO之靜態資訊及指令的唯讀記憶體(ROM)ROM或其他靜態儲存裝置。提供諸如磁碟或光碟之儲存裝置SD，且將其耦接至匯流排BS以用於儲存資訊及指令。
電腦系統CL可經由匯流排BS耦接至用於向電腦使用者顯示資訊之顯示器DS，諸如陰極射線管(CRT)，或平板或觸控面板顯示器。包括文數字及其他按鍵之輸入裝置ID耦接至匯流排BS以用於將資訊及命令選擇傳達至處理器PRO。另一類型之使用者輸入裝置為用於將方向資訊及命令選擇傳達至處理器PRO且用於控制顯示器DS上之游標移動的游標控制件CC，諸如滑鼠、軌跡球或游標方向按鍵。此輸入裝置通常具有在兩個軸線(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，從而允許裝置指定平面中之位置。觸控面板(螢幕)顯示器亦可被用作輸入裝置。
在一些實施例中，本文中所描述之一或多種方法的數個部分可藉由電腦系統CL回應於處理器PRO執行主記憶體MM中所含有之一或多個指令的一或多個序列而執行。可將此等指令自另一電腦可讀媒體(諸如儲存裝置SD)讀取至主記憶體MM中。主記憶體MM中所含有之指令
序列的執行促使處理器PRO執行本文中所描述之程序步驟。呈多處理佈置之一或多個處理器亦可用於執行主記憶體MM中所含有之指令序列。在一些實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文中之描述不限於硬體電路及軟體之任何特定組合。
如本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器PRO以供執行之任何媒體。此媒體可採取許多形式，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SD。揮發性媒體包括動態記憶體，諸如主記憶體MM。傳輸媒體包括同軸纜線、銅線及光纖，包括包含匯流排BS之導線。傳輸媒體亦可採取聲波或光波之形式，諸如，在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體可為非暫時性的，例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣。非暫時性電腦可讀媒體可具有記錄於其上之指令。在由電腦執行時，指令可實施本文中所描述的特徵中之任一者。暫時性電腦可讀媒體可包括載波或其他傳播電磁信號。
可在將一或多個指令之一或多個序列攜載至處理器PRO以供執行中涉及電腦可讀媒體之各種形式。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內，且使用數據機經由電話線而發送指令。電腦系統CL本端之數據機可在電話線上接收資料，且使用紅外傳輸器將資料轉換為紅外信號。耦接至匯流排BS之紅外偵測器可接收紅外信號中所攜載之資料且將資料置放於匯流排
BS上。匯流排BS將資料攜載至主記憶體MM，處理器PRO自該主記憶體擷取且執行指令。由主記憶體MM接收之指令可視情況在由處理器PRO執行之前或之後儲存於儲存裝置SD上。
電腦系統CL亦可包括耦接至匯流排BS之通信介面CI。通信介面CI提供與網路鏈路NDL之雙向資料通信耦接，該網路鏈路NDL連接至區域網路LAN。舉例而言，通信介面CI可為整合服務數位網路(ISDN)卡或數據機以提供與相應類型之電話線的資料通信連接。作為另一實例，通信介面CI可為區域網路(LAN)卡以提供與相容LAN的資料通信連接。亦可實施無線鏈路。在任何此實施中，通信介面CI發送且接收電信號、電磁信號或光學信號，該等信號攜載表示各種類型之資訊的數位資料流。
網路鏈路NDL通常經由一或多個網路提供與其他資料裝置之資料通信。舉例而言，網路鏈路NDL可通過區域網路LAN提供與主電腦HC之連接。此可包括經由全球封包資料通信網路(現在通常稱為「網際網路」INT)而提供資料通信服務。區域網路LAN(網際網路)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資料鏈路NDL上且經由通信介面CI之信號為輸送資訊的例示性載波形式，該等信號將數位資料攜載至電腦系統CL且自該電腦系統攜載數位資料。
電腦系統CL可經由網路、網路資料鏈路NDL及通信介面CI發送訊息及接收資料，包括程式碼。在網際網路實例中，主機電腦HC可經由網際網路INT、網路資料鏈路NDL、區域網路LAN及通信介面CI傳輸用於應用程式之經請求程式碼。舉例而言，一個此經下載應用程式可提
供本文中所描述之方法的全部或部分。所接收程式碼可在接收其時由處理器PRO執行，及/或儲存於儲存裝置SD或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統CL可獲得呈載波之形式之應用程式碼。
圖7說明產生控制輸出用於圖案化製程的實例方法700。圖案化製程運用圖案化製程設備及/或其他設備執行。在一些實施例中，設備包含半導體微影設備，諸如掃描器；光學度量衡檢測工具，諸如散射計；電子束檢測工具，諸如掃描電子顯微，及/或其他設備。方法700包含訓練702諸如機器學習模型的參數化模型；接收704控制輸入；運用參數化模型判定706控制輸出；至少基於控制輸出控制708設備；更新、精細調諧及/或以其他方式重新訓練710模型，及/或其他操作。在一些實施例中，例如，方法700針對半導體製程(或作為其部分)執行。
下文呈現之方法700的操作意欲為說明性的。在一些實施例中，方法700可用未描述之一或多個額外操作及/或不用所論述之操作中之一或多者來實現。舉例而言，方法700可不要求訓練參數化(機器學習)模型(例如，模型可經預訓練)。作為另一個實例，方法700可或可不包括實際上控制708設備及/或更新710模型。另外，在圖7中說明及在下文描述方法700之操作所藉以的次序並不意欲為限制性的。
在一些實施例中，方法700之一或多個部分可(例如，藉由模擬、模型化等)實施於一或多個處理裝置(例如，一或多個處理器)中。一或多個處理裝置可包括回應於以電子方式儲存於電子儲存媒體上之指令而執行方法700之操作中之一些或所有的一或多個裝置。一或多個處理裝置可包括經由硬體、韌體及/或軟體組態之一或多個裝置，該硬體、韌體及/或軟體經專門設計用於執行例如方法700之操作中之一或多者。
如上文所述，方法700包含訓練702機器學習模型。機器學習模型可為任何參數化模型。在一些實施例中，機器學習模型可為及/或包括神經網路及/或其他機器學習模型。舉例而言，機器學習模型可為及/或包括一或多個人工神經網路，該神經網路具有輸入層、輸出層及一或多個中間或隱藏層。在一些實施例中，一或多個人工神經網路可為及/或包括深度神經網路(例如，在輸入層與輸出層之間具有一或多個中間或隱藏層的神經網路)。在一些實施例中，一或多個人工神經網路可包括一或多個迴旋神經網路(CNN)、一或多個遞迴神經網路(RNN)及/或其他神經網路。
作為一實例，一或多個人工神經網路可基於大的神經單元(或人工神經元)集合。該一或多個神經網路可不嚴格地模仿生物大腦工作之方式(例如，經由由軸突連接之大的生物神經元簇)。人工神經網路之每一神經元可與該神經網路之許多其他神經單元連接。此類連接可加強或抑制其對所連接之神經元之活動狀態之影響。在一些實施例中，每一個別神經元可具有將所有其輸入之值組合在一起之求和函數。在一些實施例中，每一連接(或神經元自身)可具有定限功能，使得信號在其經允許傳播至其他神經元之前必須超出臨限值。此等神經網路系統可為自學習及經訓練的，而非經明確程式化，且與傳統電腦程式相比，可在某些問題解決領域中顯著更佳地進行。在一些實施例中，一或多個人工神經網路可包括多個層(例如，其中信號路徑自前端層橫穿至後端層)。在一些實施例中，可由人工神經網路利用反向傳播技術，其中使用前向刺激以對「前端」神經單元重設權重及/或偏置。在一些實施例中，對一或多個神經網路之刺激及抑制可更自由流動，其中連接以較混亂且複雜之方式相互作用。在一些實
施例中，一或多個人工神經網路的中間層包括一或多個迴旋層、一或多個遞迴層及/或其他層。藉助於非限制性實例，人工神經網路可具有分佈於輸入層、隱藏層及輸出層之間的多個神經元。此人工神經網路可具有足夠自由度以擷取多個尺寸上的非線性，且以適合於典型計算系統(例如，膝上型電腦)上之圖案化製程的取樣速率計算控制信號。
一或多個神經網路可使用訓練資料之集合予以訓練(亦即，其參數予以判定)(例如，如本文所描述)。訓練資料可包含複數個訓練控制輸入及對應訓練控制輸出對。訓練資料可包括一組訓練樣本。每一樣本可為包含如下兩者的一對：輸入目標(常常格式化為一向量，該向量可被稱作特徵向量)，及所要輸出值(亦被稱作監督信號)。神經網路(例如，機器學習模型)經組態以使用訓練控制輸出作為回饋以更新機器學習模型的一或多個組態，其中一或多個組態係基於訓練控制輸出與預測控制輸出之間的比較而更新。
訓練演算法分析訓練資料且藉由基於訓練資料調整人工神經網路之參數(例如，一或多個層的權重、偏置等及/或其他參數)調整人工神經網路的行為。舉例而言，在給定呈{(x1,y1),(x2,y2),...,(xN,yN)}形式之N個訓練樣本之集合使得xi為第i實例之特徵向量且yi為其監督信號之情況下，訓練演算法尋求神經網路g：X→Y，其中X為輸入空間且Y為輸出空間。特徵向量為數值特徵之n維向量，該等數值特徵表示某物件(例如，諸如一或多個圖案化製程參數的控制輸入、繞射圖案影像、運動設定點、晶圓及/或倍縮光罩等的負載序列，或諸如前饋信號的控制輸出等)。與此等向量相關聯之向量空間常常稱為特徵或潛在空間。在訓練之後，神經網路可用於使用新樣本(例如，不同圖案化製程參數、繞射圖案影像、設定點、負
載序列及/或其他控制輸入)進行預測。
在一些實施例中，控制輸入用於控制圖案化製程。在一些實施例中，控制輸入係與監控及/或診斷圖案化製程相關聯。舉例而言，控制輸入可包含用以控制圖案化製程之一或多個參數、用以監視圖案化製程的度量衡參數、用以診斷該圖案化製程的誤差(例如，回饋)參數，及/或其他資訊。一或多個參數可能界定及/或以其他方式與以下各者相關聯：繞射圖案影像、晶圓加熱、透鏡加熱、鏡加熱、運動設定點、針對晶圓及/或倍縮光罩的負載序列，及/或圖案化製程的其他態樣。在一些實施例中，一或多個參數可包含一或多個微影設備、光學度量衡檢測工具、電子束檢測工具及/或其他設備參數，及/或關聯的微影及/或檢測製程參數，例如臨界尺寸、疊對、焦點、波前像差及/或其他參數。
訓練控制輸入對應於該圖案化製程的複數個操作條件。圖案化製程之複數個操作條件係與特定組態、模式、設定及圖案化製程的狀態相關聯，從而隨時間產生圖案化製程的特定行為(改變)。此情形可係關於製程漂移、設備組件加熱及/或冷卻、設備組件方位、移動及/或變形，及/或其他改變及/或行為。在一些實施例中，訓練控制輸入可經組態以表示製程端值、彼等製程端值隨時間改變的方式及/或其他資料。在一些實施例中，實際製程參數、量測值及/或其他資料可針對不同時間點針對圖案化製程收集，且用作訓練控制輸入，使得實際製程參數、量測及/或其他資料表示圖案化製程隨時間之操作條件特定行為(例如，圖案化製程隨時間之改變)。在一些實施例中，訓練控制輸入可經模擬(例如，基於已知的先前圖案化製程資訊)。在一些實施例中，訓練控制輸入可能由使用者(例如，經由作為如本文所描述之計算系統之部分包括的使用者介面)鍵入
及/或選擇。
訓練控制輸出包含產生自圖案化製程之模擬的資料、實際製程資料及/或其他資訊。舉例而言，用以產生訓練資料的圖案化製程之模擬可運用實體模型來執行。模擬係基於訓練控制輸入，使得給定控制輸入及模擬控制輸出形成如上文所述的訓練對。在另一實例中，模擬係基於圖案化製程之操作條件的瞭解。在一些實施例中，模擬藉由圖案化製程之實體模型來執行。在一些實施例中，實體模型可純粹地基於操作條件輸入來模擬控制輸出。
在一些實施例中，包含基於運用給定控制輸入的圖案化製程之之前執行進行的量測及/或其他判定之實際製程資料可替代模擬控制輸出及/或除經模擬控制輸出外使用。訓練控制輸出可包含處理設備之一或多個組件的模擬行為、模擬前饋信號及/或其他資訊。此等可包括如下各者及/或基於如下各者產生：設備之一或多個組件之複數個模擬加熱及/或冷卻特性；組件的對應於複數個運動設定點(例如，改變目標參數)的模擬力、力矩、電流、電荷、電壓及/或其他資訊；及/或其他資訊。
經訓練機器學習模型經組態以基於控制輸入判定圖案化製程的控制輸出。機器學習模型係運用訓練資料進行訓練，使得機器學習模型判定控制輸出而無關於控制輸入是否落於訓練資料外部。舉例而言，此意謂，機器學習模型可插入於已知控制輸入與對應控制輸出之間，及/或外插超出已知控制輸入與輸出。此情形亦實際上促進處理條件之間的內插及/或外插(例如，若模型針對倍縮光罩A、C及D校準，則機器學習模型可能(無實體模型化)基於倍縮光罩B的預期控制輸出推斷控制輸入)。
方法700包含接收704控制輸入用於控制圖案化製程。如上
文所述，控制輸入可包含用於該圖案化製程中的一或多個參數及/或其他資訊。在一些實施例中，控制輸入係與監控及/或診斷圖案化製程的參數相關聯。舉例而言，一或多個參數可界定及/或以其他方式與以下各者相關聯：繞射圖案影像、晶圓加熱、透鏡加熱、鏡加熱、運動設定點、晶圓及/或倍縮光罩的負載序列，及/或圖案化製程的其他態樣。在一些實施例中，例如，控制輸入包含繞射圖案影像、運動設定點、晶圓及/或倍縮光罩的負載序列，及/或其他控制輸入。在一些實施例中，控制輸入可指示設備組件的規定移動。控制輸入可自與圖案化製程相關聯之設備及/或計算系統電子地接收(例如，基於先前處理判定)，藉由使用者(例如，經由作為如本文所描述之計算系統之部分包括的使用者介面)鍵入及/或選擇，及/或以其他方式接收。
方法700包含運用機器學習模型產生706圖案化製程的控制輸出。控制輸出係基於控制輸入及/或其他資訊運用經訓練機器學習模型來判定。控制輸出可為及/或包括一或多個圖案化製程參數的調整，及/或其他資訊。在一些實施例中，控制輸出包含與監控及/或診斷圖案化製程相關聯之一或多個參數的調整。此情形可包括調整哪些度量衡參數予以量測，量測度量衡參數的方式，量測度量衡參數的時間及/或其他調整。在一些實施例中，例如，控制輸出可包含前饋信號。舉例而言，前饋信號可指定一或多個參數的調整。此情形可包括如下指令：參數的值自一個位準改變至另一位準(例如，劑量、功率等)、改變設備之一或多個組件的移動(例如，夾、載物台、透鏡等的位置、速度、加速度等；鏡配置等)、改變製程及/或移動程式庫(例如，改變包括哪些步驟)及/或其他調整。舉例而言，在一些實施例中，控制輸出包含與圖案化製程設備之一或多個組件之
運動控制相關聯的一或多個參數之調整。
在一些實施例中，控制輸出可為及/或包括圖案化製程及/或圖案化製程設備(及/或包括於其中的一或多個組件)基於控制輸入如何改變的指示。舉例而言，控制輸出可為及/或包括透鏡、晶圓及/或其他組件如何隨時間加熱及/或依據不同控制輸入如何不同地加熱的指示。
方法700包含至少部分地基於控制輸出控制708圖案化製程設備。控制708圖案化製程設備可包括產生前饋信號及/或其他電子信號。控制708圖案化製程設備可包括傳輸前饋信號及/或其他電子信號至圖案化製程設備(及/或一或多個個別組件，諸如設備的致動器)。如本文中所描述，機器學習模型可判定控制輸出而不管控制輸入是否落於訓練資料外部。諸如人工神經網路的機器學習模型在內插及外插下為有效的。
方法700包括更新及/或精細調諧710機器學習模型。此情形包括藉由運用來自圖案化製程之新的實際製程資料對機器學習模型進行重新訓練而隨時間更新及/或精細調諧機器學習模型。舉例而言，運用來自圖案化製程之經模擬及/或實際製程訓練資料訓練702機器學習模型可被視為初始校準。重新訓練包含組態機器學習模型以運用一或多個漂移校準予以精細調諧，該一或多個漂移校準經組態以慮及在圖案化製程中隨時間發生的漂移。訓練702及/或更新/精細調諧710可產生機器學習模型的一或多個係數。一或多個係數可包括層及/或個別神經元權重及/或偏置，例如，及/或其他係數。此等係數回應於模型藉由使用者及/或其他操作重新訓練/更新/調諧、人工調整而隨時間改變。
在一些實施例中，訓練702及/或更新/精細調諧710為離線、線上或者組合地為離線及線上的。離線訓練可包含與圖案化製程及/
或圖案化製程設備分離地發生的程序。此意謂，機器(設備)生產(例如，半導體製造)在訓練及/或更新機器學習模型同時並不需要被中斷。線上訓練包含在生產製造在進行中同時運用機器(設備)進行訓練。此情形可要求生產被中斷，此係由於機器(設備)被要求執行訓練運動。
在一些實施例中，機器學習模型經組態以藉由運用來自圖案化製程之新的實際製程資料對機器學習模型進行精細調諧而隨時間更新。在一些實施例中，機器學習模型經組態用於：運用機器學習模型接收與生產環境局部圖案化製程相關聯的局部實際製程資料以判定第一經更新模型參數值；接收藉由至少部分運用外部訓練資料提供機器學習模型獲得的第二經更新模型參數值，外部訓練資料指示圖案化製程設備間的變化；及藉由運用第一及/或第二經更新的模型參數值更新初始模型參數值來調整機器學習模型。舉例而言，局部實際製程資料可藉由在局部位點執行圖案化製程的製造廠來產生。隨著新的局部實際製程資料被產生，新的局部實際製程資料可被饋送至機器學習模型以促進模型的重新訓練(例如，更新/精細調諧)。舉例而言，此情形可包括產生第一經更新模型參數。此外，機器學習模型可經組態以自最初產生模型的外部供應器或程式接收包含第二經更新模型參數的更新。舉例而言，此等參數可基於局部位點外部產生的資料來判定。
方法700之操作及/或本發明之機器學習模型的特定實例及/或應用描述於下文論述的實例及圖中。
實例1-運動設定點及漂移
有利地，本發明之機器學習模型經組態以基於各種控制輸入經訓練(如本文所描述)以慮及參數空間中之設定點及干擾力的有關變
化，該參數空間包括位置、速度及加速度(例如，晶圓及/或倍縮光罩載物台等的)；及又微影設備(例如，掃描器)步進、熱漂移、長期漂移、冷卻罩效應、浸潤護板效應、摩擦-機械控制效應及/或與圖案化製程相關聯之效應的相關變化。
舉例而言，於在諸如掃描器之圖案化製程設備中步進期間的反作用力激勵機構動力學，該等機構動力學在掃描開始時，尤其在目標為零穩定時間時並未充分衰減。此效應可藉由步進加速度(亦即，量值)及步進時間(亦即，相位)來表示，前述兩者可包括於用以訓練機器學習模型的控制輸入參數中。致動回應(例如，掃描器中之致動器及/或其他組件的)在加熱時可漂移，該漂移可藉由致動器之冷卻水返回通道中的溫度感測器觀測到。冷卻水返回通道中水的溫度可包括於用於訓練機器學習模型的控制輸入參數中。圖案化製程設備回應歸因於諸如磨損及雜質的老化效應隨時間(例如，長期)改變。此等效應通常與步進掃描運動(亦即，磨損)之數目及曝光晶圓(亦即，藉由抗蝕劑排氣污染)的數目相關，前述各者可包括於用以訓練機器學習模型的控制輸入參數中。冷卻罩之壓力使晶圓變形，尤其在電子銷(e-pin)孔及/或其他類似特徵附近，且影響晶圓載物台控制。此效應可藉由冷卻罩壓力設定點表示，該冷卻罩壓力設定點可包括於用於訓練機器學習模型的控制輸入參數中。一或多個浸潤罩控制輸入端參數亦可用以訓練機器學習模型。摩擦機械控制輸入參數可包括關於晶圓滑動、倍縮光罩滑動、晶圓負載柵格、倍縮光罩負載柵格的參數及/或其他參數。此等實例並不意欲為限制性的。一或多個其他控制輸入參數可係關於：晶圓/倍縮光罩負載之數目及類似於速度及壓力量變曲線的晶圓負載參數，前述各者皆係關於晶圓/倍縮光罩負載控制及磨損(漂移)。
一旦運用此等及/或其他控制輸入參數(及對應訓練控制輸出)進行訓練，機器學習模型便經組態以產生用於新控制輸入的對應控制輸出。此類控制輸出(例如，調整此等及/或其他參數中之一或多者)可用以圖案化製程設備之一或多個組件的增強型運動控制。舉例而言，此情形可包含藉由控制如下各者來控制掃描器的致動：掃描器之晶圓及/或倍縮光罩載物台的移動、與圖案化製程設備之一或多個組件之摩擦-機械控制相關聯之一或多個參數的調整，及/或其他運動控制(此等為許多可能的其他實例中之非限制性實例)。
在此實例中，訓練可經劃分成初始訓練(例如，圖7中所展示的702)及漂移校準(例如，圖7中所展示的更新/精細調諧/重新訓練710)。圖8中說明此情形。圖8說明隨時間806的圖案化製程建立800、大量生產802、維護804及持續大量生產802。初始控制輸入及輸出808(例如，此實例中之反覆學習控制資料)經提供至機器學習模型以訓練810機器學習模型。機器學習模型接著為運用初始機器學習模型參數的大量生產802期間的遍次812。來自大量生產802之實際資料連同初始輸入及輸出808及經更新的輸入及輸出816提供814至機器學習模型以更新/調諧/重新訓練818機器學習模型。接著可使用820經更新/調諧/重新訓練的機器學習模型以用於繼續的大量生產802。在初始訓練或校準810中，例如，機器學習模型的效能-臨界參數在藉由用戶端進行的大量生產之前經校準。更新/調諧/重新訓練818可包含漂移校準，其中機器學習模型參數在大量生產週期之後經重新校準。舉例而言，此情形在定期維護期間可出現。
如圖8中所展示，機器學習模型可運用先前資料、新資料、運用漂移參數及/或其他資訊進行訓練。漂移參數之實例包括關於以
下各者的參數：1)磨損及污染對摩擦性質從而引起夾持疊對懲罰指紋的影響(例如，與固持晶圓之晶圓台相關的參數)，該夾持疊對懲罰指紋隨時間「發展」從而引起疊對問題，2)歸因於膠連接之變形的感測器漂移(由於大部分膠在經受具有變化之濕度位準之空氣時變形)，3)熱漂移(依據日/夜循環或機器-熱-源)，及/或其他實例。此等參數可隨時間使用效能資料(即，疊對)且視需要漂移-引發變數(諸如溫度、功率位準)的直接量測資料估計。
使用此類訓練資料，機器學習模型可學習以預測繼續大量生產中的漂移。在一些實施例中，取決於應用，漂移可藉由獨立機器學習模型來模型化，或使用與諸如彼等上述漂移之彼等漂移相關的不同參數集合整合於如上文所述的初始模型中。在一些實施例中，除了圖8中所展示的「離線」訓練外及/或替代「離線」訓練，訓練可如上文所述「線上」完成。
實例2-晶圓加熱校正
在一些實施例中，控制輸出包含與圖案化製程設備之一或多個組件之熱膨脹相關聯的一或多個參數的調整。在一些實施例中，控制輸出包含晶圓加熱控制調整，其中判定控制輸出包含預測疊對指紋及/或焦點指紋，且基於預測疊對指紋及/或焦點指紋判定晶圓加熱控制調整。
舉例而言，晶圓加熱效應辨識為顯著促成因素以疊對且聚焦指紋於晶圓上，該促成因素量值通常高達10nm。曝光期間改變晶圓(及夾)的熱變形藉由EUV及IR輻射由晶圓(及夾)之吸收以及晶圓(及夾)藉由通過冷卻通道之冷卻氣體的連續流及水流進行的冷卻來引起。指紋取決於設計佈局、選路(越過晶圓之掃描運動的特定圖案)及若干機器特定參數(例
如，輻射為IR/EUV、源功率、自夾至冷卻水的熱傳遞係數、切線瘤節硬度等)以及其他產品特定參數(例如，產品堆疊、晶圓塗層、倍縮光罩傳輸參數、劑量等)。
實體模擬模型之若干型式已經開發以便預測疊對及焦點指紋。此等晶圓加熱校正模型採取上述參數作為輸入，且藉由經由掃描器致動調整前饋信號以補償且校正晶圓加熱效應有助於減輕疊對及焦點影響。
典型晶圓加熱校正模型估計輸入熱量負載，且計算晶圓及夾之溫度的演進。此情形用以估計晶圓(及夾)之熱機械變形以最終預測對疊對以及焦點的影響(例如，藉由預測相關參數)。每曝露之校正(CPE)接著用以判定所要求掃描器致動前饋信號調整。
基於實體(例如，實體)晶圓加熱控制模型之最有意義的準確版本具有範圍為每晶圓幾秒至幾小時的不平凡計算成本。另外，自實體模型晶圓加熱控制模擬的預測在一些狀況下可大小相差約二nm。
舉例而言，在線上晶圓加熱前饋校正(WHFF)操作中，對於給定動態地改變熱負荷，解算熱差等式，且晶圓之對應機械形變經由昂貴矩陣乘法來獲得，其中大的變形矩陣予以預計算。此所謂的C-矩陣取決於瘤節(例如，晶圓支撐件)硬度，且具有~9k×12k的尺寸。新/不同計算為每一晶圓所需要。
作為另一個實例，對於晶圓加熱校準模型，使用高透射倍縮光罩及低透射倍縮光罩的組合運用預定選路對固定佈局進行曝光。此測試試圖使用疊對資料判定為機器且夾特定的實體模型參數。此情形有助於判定熱演變與晶圓變形之間的關係，此情形接著用於線上晶圓加熱前饋校正中。此等機器及夾特定參數使用曝露疊對資料經由最小平方最佳化來獲
得。此最佳化為計算上昂貴的，從而常常花費超出30分鐘以上來彙聚至最佳參數。
作為第三實例，晶圓加熱校準模型之準確性的改良可藉由詳述較多製程實體性質及/或藉由FEM模擬上的更好數值解析度來達成。此情形顯著添加模擬的計算費用。
本發明之機器學習模型可被用作用於運用實體模型使晶圓加熱校正模型化的代替模型化技術。此說明於圖9中。圖9說明控制輸入參數900a...900n(例如，劑量、EUV或IR輻射之指明、一設計佈局、選路、瘤節硬度等)的系列900且使用本發明之機器學習模型902而非使用實體模型908作為用於模型化晶圓加熱校正(例如，EUV晶圓加熱疊對指紋)906的代替904模型化技術。實體模型908在經組態用於高度準確預測時為計算上昂貴的。相比之下，機器學習模型902為計算上相對低廉的，且相較於本發明之實體模型提供類似或更好準確性。本發明之機器學習模型相較於實體模型啟用模型化速度及準確性的改良，且開放進一步改良且精細調諧模型化效能的若干可能性。
本發明之機器學習模型經訓練以儘可能緊密地仿真實體模型的行為，同時計算上顯著低廉地操作。本發明之機器學習模型仍為實體相容方法，此係由於本發明之機器學習模型係使用藉由實體模型產生之模擬資料及/或如上文所述的實際製程資料進行訓練。在此實例中，機器學習模型藉由學習控制輸入(圖案化製程參數)與控制輸出(例如，在此實例中的疊對/焦點預測)之間的關係來學習晶圓加熱問題的相關實體性質。
有利地，機器學習模型提供可撓性極高的模型化方法，該方法可經訓練以忠實地重複極廣範圍的控制輸入及輸出。同時，由於來自
機器學習模型之預測涉及(大數目)矩陣計算、經由非線性(啟用)函數進行調變，因此控制輸出之產生通常以實體模型之計算成本的微小分率達成。為了概述，機器學習方法提供針對此類模型之極大種類(關係)的輸入-輸出關係之極快計算。
如上文所述，在一些實施例中，機器學習模型可為及/或包括具有許多隱藏層的人工神經網路(ANN)。此網路的架構(亦即，數個層、每一層中的數個節點、層之間的連接等)取決於問題(例如，在此實例中晶圓加熱校正)來判定。為了確保機器學習模型精確地預測晶圓加熱實體性質，機器學習模型可使用許多模擬的訓練控制輸入/輸出對實例進行訓練，該控制輸入/輸出對實例至少部分使用實體模型產生。訓練控制輸入/輸出對在空間填充隨機設計(亦即，在參數空間中無大的間隙)中越過相關圖案化製程參數空間而產生。
一旦經訓練，自機器學習模型的預測可藉由比較預測與來自實體模擬之彼等預測(例如，如上文所述-參見圖7中所說明之操作710)來在相同參數空間上越過隨機選擇的點來驗證。
如上文所述，訓練機器學習模型之製程涉及兩個主要步驟：使用至少部分地基於實體模擬產生的控制輸入/輸出對初始地訓練機器學習模型，及更新/精細調諧/重新訓練模型以增強模型參數(例如，以甚至更準確地進行模型預測)。訓練/更新/精細調諧/重新訓練可為離線(例如，例如用高效能計算平台及/或雲計算平台(例如，Google雲端))、線上或組合地離線及線上的。在一些實施例中，更新/精細調諧/重新訓練可使用來自製造環境的實際圖案化製程資料及/或其他資料來執行。
製造環境特定(例如，晶圓鑄錠、抗蝕劑、塗層性質等)的
晶圓加熱問題的一些態樣可能並非足夠良好知曉的，或可能並非在製造環境外部可共用的(例如，用戶端可能不想要與供應商及/或其他用戶端共用資料)。此外，與晶圓加熱問題相關的至少一些實體性質可能過於複雜以在高準確度情況下經充分良好地模擬(使得實際製程資料對於訓練機器學習模型為有幫助的)。
在一些實施例中，傳送學習可用以更新/精細調諧/重新訓練機器學習模型。傳送學習促進在無共用敏感資訊情況下準確模型化。舉例而言，本發明之機器學習模型可經組態使得僅對應於入工神經網路之隨後幾個層的模型參數使用實際(例如，局部)製程資料(例如，運用已發送至用戶端用於更新/精細調諧/重新訓練的機器學習模型)訓練，同時對應於機器學習模型之其他層的模型參數(例如，模型化經模擬的實體關係)保持固定。
在一些實施例中，聯合學習可用以更新/精細調諧/重新訓練機器學習模型。與實際製程資料經更新至中心位置(例如，用於模型供應器/程序員以用以訓練模型)的方法形成對比，聯合學習力圖在模型供應器/程序員與其顧客之間交換僅模型參數，以對本端用戶端資料進行訓練。跨越掃描器之寬基礎的聯合學習跨越顧客產生足夠資料以賦予掃描器效能上的有意義改進(例如，借助於如本文所描述訓練的機器學習模型)。
在一些實施例中，轉移及/或聯合學習可使用位於遠端方位中(例如，用戶端位點處)的虛擬計算平台。虛擬計算平台為可調式且高可用性的大型資料就緒軟體平台，該軟體平台支援且催化晶圓製造廠應用的採用以用於高量製造環境(HVM)中。此情形使用虛擬計算平台促進機器學習模型在遠端方位處的重新訓練。藉由使用虛擬計算平台，精細調諧模
型之效能可經進一步監視，且當需要時可運用新的局部資料來重新訓練(例如，自用戶端程序、晶圓台交換動作等的改變)。類似地，對於聯合學習方法，機器學習模型之有關參數可與用戶端交換，且在虛擬的計算平台中對用戶端資料進行訓練。經更新的參數可接著與模型供應器/程式器反向共用。
圖10說明使用轉移及/或聯合學習及虛擬計算平台1007來訓練1001(例如，圖7中所展示的操作702)及更新/精細調諧/重新訓練1003(例如，圖7中所展示的操作710)的本發明之機器學習模型1005。圖10說明訓練1001，該訓練包含提供控制輸入參數1009至機器學習模型1005從而模型化晶圓加熱校正(例如，EUV晶圓加熱疊對指紋)1011。此情形可發生於與模型供應器/程式器1013相關聯的位點(例如，相對於用戶端製造環境的遠端或外部位點)處及/或其他方位處。模型1005可經由如本文所描述之虛擬計算平台1007在本端用戶端製造環境1015中經更新/精細調諧/重新訓練(例如，個人化)1003。更新/精細調諧/重新訓練1003可基於本端掃描器資料1121、本端度量衡資料1123(例如，晶圓加熱控制殘餘物)及/或其他本端資訊來執行。如圖10中所展示，在一些實施例中，轉移及/或聯合學習可用以更新/精細調諧/重新訓練機器學習模型。藉由使用虛擬計算平台，機器學習模型之相關參數(例如，與相對於更深層1127最靠近於輸出層的層1125相關聯之參數)可在虛擬計算平台中及/或運用其他計算資源對本端用戶端資料進行訓練。
應注意，儘管晶圓加熱描述於上述實例中，但相同或類似原理可適用於倍縮光罩加熱及/或其他圖案化製程設備組件之加熱的準確模型化。
實例3-動態透鏡加熱
動態透鏡加熱模型通常為用以基於透鏡類型預測透鏡加熱的實體模型。動態透鏡加熱模型可用以模擬原始透鏡加熱參數(例如，mu、tau及/或其他參數)用於在針對具有對應透鏡類型之掃描器之給定熱負荷情況下的給定使用狀況。按場階數經由時間的模擬像差可藉由mu及tau參數來參數化。在一些實施例中，mu參數為暗示當透鏡經飽和時大型透鏡加熱可係何方式的比例因數。Tau參數為暗示透鏡可如何快速經加熱或冷卻的時間常數。在一些實施例中，其他原始透鏡加熱參數可經模擬並且按Zernike且按場階數擬合至mu/tau值。此等mu/tau值可用於掃描器透鏡加熱前饋控制以在曝光期間補償透鏡加熱的效應。準確實體動態透鏡加熱模型出於包括如下事實的許多原因為計算上昂貴的：(EUV)透鏡加熱為高度非線性的。
相比之下，本發明之機器學習模型計算上為相對低廉的。本發明之機器學習模型可用以改良透鏡加熱參數預測精確性、減小針對其他透鏡加熱實體模型顯影及/或針對其他目的要求的開發時間。如本文所描述，機器學習模型可運用模擬及/或實際訓練資料(例如，對應訓練控制輸入及輸出)進行訓練，且接著運用來自圖案化製程的實際資料及/或其他資訊來經更新/精細調諧/重新訓練。在此實例中，訓練資料可針對準確動態透鏡加熱參數模型化(例如，包括對此類參數及/或基於此類參數的模型化調整)定製。
在此實例中，訓練資料可運用實體動態透鏡加熱分析器(DyLHan)模型來產生。對於具有其自身之可用之DyLHan模型的透鏡類型，訓練資料可運用該DyLHan模型來產生。對於無其自身的經校準之
DyLHan模型的透鏡類型，訓練資料可針對具有類似透鏡設計之另一透鏡類型運用已知DyLHan模型來產生。對於具有相同透鏡類型的透鏡，若考慮到透鏡間變化，則透鏡特定資料可運用DyLHan+透鏡特定校準(LSC)模型來產生。
在此實例中，經由模擬產生之訓練資料可用以對機器學習模型進行預訓練以模擬基線DyLHan模型。在一些實施例中，繞射圖案影像(及/或關於繞射圖案影像之參數)可被用作機器學習模型控制輸入，且機器學習模型可輸出mu/tau參數值(其可如下文所描述予以使用)、其他參數及/或對此等參數的調整。在一些實施例中，繞射圖案影像及歷史透鏡加熱序列(及/或關於此資料之參數)可被用作輸入，且機器學習模型可輸出原始透鏡加熱行為參數、mu/tau參數、其他參數及/或對此等參數的調整。在此實例中，機器學習模型可包含深度迴旋神經網路、遞迴神經網路及/或其他神經網路中的一或多者。
在一些實施例中，自動化透鏡加熱校準資料(例如，來自實際圖案化製程之線上經量測資料)可用以執行轉移學習以精細調諧經訓練機器學習模型。如本文所描述，此情形改良模型預測與量測現實之間的匹配。在一些實施例中，來自單一圖案化製程設備(例如，掃描器)之量測值資料可用以精細調諧模型用於該特定圖案化製程設備。在一些實施例中，來自多重圖案化製程設備(例如，掃描器)之量測值資料可用以精細調諧機器學習模型。若考慮到透鏡間變化，則透鏡特定資料可運用DyLHan+透鏡特定校準(LSC)模型來產生且用於精細調諧。
藉助於非限制性實例，圖11說明經由模擬產生之訓練資料1102可如何用以訓練本發明之機器學習模型1104以模仿基線動態透鏡加
熱分析器模型1100，且自動式透鏡加熱校準資料1106(例如，來自實際圖案化製程的線上經量測資料)可如何用以執行轉移學習以精細調諧1108經訓練機器學習模型。藉助於第二非限制性實例，圖12說明形成為深度迴旋神經網路1200的本發明之機器學習的實例。如圖12中所展示，深度迴旋神經網路模型可用以藉由mu/tau 1204(例如，運用藉由模型輸出之mu/tau參數)參數化的按場階數將繞射圖案影像1202映射至透鏡加熱行為。神經網路1200可具有任何數目個層1206及/或每層的任何數目個節點(例如，如圖12中每一層中所提及)，該等節點允許機器學習模型如本文所描述起作用。
在一些實施例中，經訓練機器學習模型可用以產生包含透鏡加熱控制調整的控制輸出。此情形可包括與透鏡加熱相關聯之成本函數的一或多個參數及/或其他控制輸出之調整。作為一實例，控制輸出可包含與控制掃描器之透鏡中之撓曲波加熱元件相關聯的一或多個參數之調整及/或其他調整。在一些實施例中，判定此類控制輸出包含：預測與透鏡加熱相關聯的mu tau參數值、透鏡加熱前饋時間序列及/或透鏡加熱場時間序列；基於mu tau值、透鏡加熱前饋值及/或透鏡加熱場值來判定透鏡加熱成本函數；基於透鏡加熱成本函數判定機器學習模型參數權重；基於藉由機器學習模型進行的透鏡加熱預測來判定透鏡加熱控制調整，及/或其他操作。在一些實施例中，成本函數用以判定機器學習模型中的權重。精細調諧在該模型訓練已彙聚之後基於最終模型預測來執行。
舉例而言，圖13說明基於mu tau及/或透鏡加熱前饋(LHFF)值來判定透鏡加熱成本函數。在此實例中，機器學習模型經組態以預測針對個別Zernike/場階數組合的mu/tau參數值。mu tau及/或基於透
鏡加熱前饋的成本函數可經實施以減輕擬合偽影的影響。實例初始函數展示於圖13的框1300中。此實例基於針對50個晶圓具有總計100個時間步階的圖案化製程之一部分產生(從而慮及晶圓曝光的開始及結束)。在此等式中，LHFF表示預測透鏡加熱前饋控制信號，Zn_m表示越過縫隙經由場方位自Zn係數(第n Zernike多項式)分解的每一場階數。舉例而言，Z5_0、Z5_1、Z5_2及Z5_3表示偏移、傾斜、曲率且經由場方位自Z5進行三階分解。True表示地面實況，其自實體(例如，動態透鏡分析器)模型來計算。Pred表示來自機器學習透鏡加熱模型的預測。Start表示各晶圓曝露的開始。End表示各晶圓曝露的結束。LHFF成本中之預測LHFF可撰寫為mu1、mu2、tau1及tau2的顯式函數。此等式以參考數字1302展示於圖13中。在一些實施例中，針對LHFF映射之mu、tau的退化本質可導致針對基於mu/tau之成本函數之機器學習模型的次佳訓練。在一些實施例中，加權因數可經添加至成本函數且經調諧以與原始基於mu/tau之成本項相對地對LHFF成本項進行加權。此情形藉由圖13中之參考數字1304、1306及1308展示。具體而言，根據等式，運用mu/tau作為輸出，超出基於mu/tau之成本函數的混合式成本函數在針對LHFF項的最佳權重情況下經引入以有效地減小模型誤差： Cost total ( Z n_m )= Cost mu_tau ( Z n_m )+ w ＊ Cost LHFF ( Z n_m )
其中Costmu tau(Znm)為與經預測mu tau值相關聯的成本，w為權重項，且CostLHFF(Znm)為與透鏡加熱前饋控制信號相關聯的成本。
在一些實施例中，模型可經組態以直接使用遞迴神經網路方法來預測LHFF場階數時間序列或原始LHFF場資料穿縫時間序列。在此實施例中，例如，成本函數僅包括第二項(純LHFF項)。
應注意，儘管透鏡加熱描述於以上實例中，但相同或類似原理可適用於鏡加熱、倍縮光罩加熱及/或其他圖案化製程設備組件之加熱的準確模型化。
在另一實例中，揭示使用於(前饋)控制倍縮光罩加熱引起之干擾中的參數最佳化之方法。
當前前饋控制機構置放於適當位置以校正圖案化裝置(倍縮光罩)的加熱誘發之變形以減輕歸因於該加熱誘發之變形的潛在疊對誤差。當前方法及時地基於倍縮光罩之加熱歷史及使用倍縮光罩之其他內容脈絡；例如倍縮光罩之透射、在曝光序列期間照明倍縮光罩的光點之強度及照明倍縮光罩的光點之大小(場大小)基於預定倍縮光罩變形模式的預期演進使用前饋機構。幾何(平面內)變形模式可解譯為加熱誘發之變形幾何佈置的主要模式，該等模式可例如藉由執行經受針對所關注倍縮光罩之相關內容脈絡的所關注倍縮光罩之曝光序列的基於有限元素法(FEM)之模擬來判定。本質上，當前倍縮光罩加熱前饋校正機構係基於藉由倍縮光罩加熱製程之實體(FEM)模型化獲得的變形模式。前饋校正框架可進一步包含與變形模式中每一者的時間相依行為相關的(輸出)參數，例如每一變形模式的tau/mu值及加權因數。基於實體模型之輸出參數，微影設備可控制將倍縮光罩加熱效應考慮在內的曝光製程。
實際上，已觀測到，該基於實體模型之倍縮光罩加熱變形模式的準確度歸因於以下各者的限制受限：實體模型參數、關於倍縮光罩加熱歷史的不確定性，及所採用內容脈絡參數的準確性(場大小、光強度、倍縮光罩透射)。此外，倍縮光罩之如其初始溫度的初始狀態常常並非已知的，且可顯著限制倍縮光罩加熱製程之任何實體模型化的準確性。
所有此等因素可顯著地減小判定之倍縮光罩加熱變形模式的準確性，且因此減小假定倍縮光罩加熱誘發之變形演進的準確性(在一或多個曝光序列期間)。倍縮光罩加熱誘發之變形演進的準確性可顯著地平衡疊對準確性，此是由於前饋校正機構將遭受所誘發之不準確性。
對上文提及之不準確性問題的一種解決方案可包括資料驅動方法以補充實體上模型化之變形演進。此類資料之實例可實際上為所量測之Reticle Align(RA)資料，該所量測之Reticle Align(RA)資料包含倍縮光罩上之所選擇度量衡標記相對於參考座標系統(典型地與用於曝光倍縮光罩中之微影工具相關聯)的位置資料。在足夠長的曝光序列期間以多個時間間隔獲得RA資料可提供對與某倍縮光罩及某內容脈絡(參數集合)相關聯之倍縮光罩加熱誘發之變形模式的實際演進及實際幾何形狀的詳述(實驗上憑經驗)的深刻理解。
在此文獻中提議之該資料驅動方法的實施涉及使用機器學習(ML)模型。(基於神經網路(NN)，例如根據自動編碼器或生成對抗網路(GAN)組態的模型)連同實體模型的使用。
在所提議之組態中，實體模型使用初始模型(開始點)，實體模型可進一步係基於使用該RA資料來精細調諧模型參數以確保實體上模型化倍縮光罩加熱行為(例如，變形模式)與所量測倍縮光罩加熱行為的一致性。
關於ML模型，基於機器學習之模型化的部分為針對基於NN之產生器/自動編碼器演算法提供輸入的特徵空間之定義。基於NN之演算法經訓練至(有限)集合的歷史特徵及倍縮光罩加熱參數資料，倍縮光罩加熱參數例如為複數個變形模式，與倍縮光罩加熱製程相關聯的一或多
個時間常數或任何其他參數特性化加熱誘發之倍縮光罩變形。實體模型及ML模型皆產生倍縮光罩加熱參數資料。基於實體模型之參數資料及基於ML之參數資料兩者與指示倍縮光罩加熱誘發之倍縮光罩變形的RA或任何其他量度學資料(晶圓對準、晶圓疊對、倍縮光罩對準資料)進行比較。
比較通常藉由鑑別器模型執行，此操作判定基於實體模型之參數預測或基於ML之預測與基於度量衡資料的倍縮光罩變形資料是否更一致。鑑別器模型可為經訓練以基於輸入實體模型資料來預測基於倍縮光罩加熱之倍縮光罩變形(參數)的神經網路或另一模型。鑑別器模型可例如使用歷史RA及基於實體模型之倍縮光罩變形預測資料進行訓練。
圖14以圖形方式描繪本發明之一實施例。獲得第一資料102，資料102較佳表示經受倍縮光罩加熱誘發之圖案置放變化(晶圓間、場間)之一或多個批次的晶圓。視需要，第一資料102包含並非表示其用途的資料，且資料選擇步驟104經執行以獨佔地確保與某相關倍縮光罩加熱行為相關聯的資料經選擇。步驟104可例如僅自數個批次的晶圓選擇資料，該步驟以冷的倍縮光罩開始(例如，倍縮光罩在批次之曝光經起始之前冷卻達某要求的最小位準)。在可選資料準備步驟104之後，包含以下兩者的代表資料集為可用的：所量測的倍縮光罩加熱誘發之倍縮光罩變形資料(例如，基於倍縮光罩對準量測的資料)及通常用作針對倍縮光罩加熱行為之前饋預測之輸入的內容脈絡參數106。內容脈絡參數106之實例為：一批次之曝光的時間、所關注倍縮光罩之透射、倍縮光罩上藉由微影工具照明的區域之大小，及在倍縮光罩之該照明期間使用之輻射的強度。
內容脈絡參數106充當至實體模型112的輸入且充當至機器學習模型134的訓練輸入。機器學習模型134可為組態為生成對抗網路
(GAN)或基於編碼器-解碼器之框架內之產生器的神經網路。實體模型112經組態以在給定加熱特性情況下模型化倍縮光罩加熱誘發之變形，且加熱歷史對應於如藉由內容脈絡參數106描述的組態。模型化通常係基於有限元素模型化(FEM)且遞送描述倍縮光罩歸因於加熱之平面內變形之一或多個幾何佈置的一或多個變形模式。更通常而言，實體模型用以藉由導出描述倍縮光罩(平面內)變形之參數特性化倍縮光罩加熱誘發的變形。
機器學習模型134使用內容脈絡參數106來界定包含於資料集102內之各種內容脈絡參數值經投影至的潛在空間。該等內容脈絡參數106接著表示於潛在空間內，且接著藉由為編碼器-解碼器框架或產生器內之解碼器網路的神經網路來映射132至特性化倍縮光罩加熱誘發之倍縮光罩變形的一或多個參數。一或多個參數可例如為先前描述的幾何變形模式。
在模型134之訓練期間，步驟132中提供之預測參數藉由鑑別器模型(比較器)122與藉由實體模型112獲得的參數進行比較。鑑別器模型122評定基於機器學習之參數或基於實體模型之參數是否例如藉由如下操作最準確地描述倍縮光罩加熱行為：比較藉由兩個模型提供之變形模式與包含於資料集102內的量測值資料(例如，自倍縮光罩對準量測值獲得的變形資料)。鑑別器122可經組態以進一步儲存參數，較佳地程式庫142中的倍縮光罩變形模式，該程式庫可針對將來使用予以考慮。
鑑別器122可進一步經組態以充當代理，該代理經組態以在預測132有利地與基於實體模型112之預測比較的狀況下獎勵機器學習模型134。預期到，初始地基於實體模型112之預測為更準確的，但在充分訓練模型134之後，平衡將逐漸地移位至基於機器學習的預測132。觀
察到，基於機器學習之預測常常在預測行為上變得更好，此係由於其在時間上變得更通用；例如，經更好地裝備以提取發源於內容脈絡參數及常常並未藉由實體模型經準確地模型化的其他環境參數之微小變化的行為。
在一實施例中，資料102包含內容脈絡參數資料106及表示觀測到之加熱行為的經量測資料兩者。資料102及內容脈絡參數106在半導體製造製程(諸如，微影圖案化製程)之操作期間連續地供應。在操作期間，機器學習模型134之連續訓練與加熱行為(諸如，倍縮光罩、透鏡或基板加熱)的基於機器學習(132)之特性化與基於實體模型(112)之特性化的連續比較122組合。兩個模型之輸入為包含於資料102內的內容脈絡參數資料。機器學習模型基於資料102經連續地訓練。倘若機器學習模型相較於實體模型112提供更準確的預測加熱行為，機器學習模型自執行比較步驟122的代理接收獎勵。
僅在模型134之足夠訓練之後，機器學習框架132、134勝過實體模型112。在該足夠訓練之後，新的內容脈絡資料106可直接藉由模型執行基於機器學習之預測132來使用以提供所要參數，諸如變形模式，而非依賴於基於實體模型的加熱預測。
甚至通常在機器學習模型的足夠訓練之後，將繼續對新提供的加熱相關資料、內容脈絡資料訓練及藉由實體模型產生的資料(若需要)，因此通常所提議之機器學習實施為連續訓練的實施。
除了加熱行為外，又其他漂移相關現象，諸如機械漂移、磨損效應、緩慢震盪或引起效能參數之時間相依行為的任何其他效應可根據如上文所述的模型化框架經模型化。
在一實施例中，提供一種非暫時性電腦可讀媒體，其上具
有指令，該等指令在由一電腦執行時使該電腦執行以下操作：在時間相依行為期間接收與製程之時間相依行為相關聯的所量測參數資料及與製程之狀態相關聯的內容脈絡資料；基於將內容脈絡資料輸入至製程之實體模型來判定特性化時間相依行為的一或多個參數之第一值；藉由提供內容脈絡資料至機器學習模型來判定一或多個參數的第二值，機器學習模型對歷史所量測參數資料及歷史內容脈絡資料進行訓練；判定一或多個參數之第一值抑或第二值更好地對應於所量測的參數資料；及在一或多個參數的第二值相較於一或多個參數的第一值更好地對應於所量測參數資料情況下，使用所量測參數資料及內容脈絡資料訓練機器學習模型。
在一實施例中，用於判定一或多個參數之第一值抑或第二值更好地對應於所量測之參數資料的指令經組態以類似於機器學習模型的代理起作用，在一或多個參數的第二值相較於一或多個參數的第一值更好地對應於所量測參數資料情況下，代理對機器學習模型進行獎勵。
在一實施例中，用於判定一或多個參數的第一值抑或第二值更好地對應於所量測參數資料的指令實施為其他機器學習模型。
在一實施例中，其他機器學習模型經組態以為針對該機器學習模型的代理，且該代理經組態以：i)使用第一及第二值及所量測的參數資料作為輸入，及ii)在一或多個參數之第二值相較於一或多個參數的第一值更好地對應於所量測的參數資料情況下提供獎勵至機器學習模型。
在一實施例中，機器學習模型及其他機器學習模型係基於神經網路架構。
在一實施例中，機器學習模型組態為生產分支，且其他機器學習模型組態為生成對抗網路(GAN)的鑑別分支。
在一實施例中，機器學習模型包含以下各者中之一者：迴旋神經網路(CNN)或基於編碼器-解碼器之模型。
在一實施例中，編碼器-解碼器模型包含：編碼器，其經組態以將內容脈絡資料映射至潛在空間；及解碼器，其經組態以基於映射內容脈絡資料重構一或多個參數。
在一實施例中，所量測參數資料及時間相依行為係與蝕刻設備或微影設備內之加熱誘發之行為相關聯，且內容脈絡資料係與微影或蝕刻設備的狀態及/或設定相關聯。
在一實施例中，加熱誘發之行為係與藉由微影設備照明之圖案化裝置的加熱相關聯，且該微影設備之狀態及/或設定對應於內容脈絡資料情況下，一或多個參數特性化藉由圖案化裝置之該加熱引起的圖案化裝置之幾何變形。
在一實施例中，一或多個參數包含與幾何變形及內容脈絡資料相關聯的一或多個變形模式。
在一實施例中，內容脈絡資料包含以下各項中之一或多者：處理經受製程之基板的歷史、圖案化裝置之藉由微影設備照明之區域的大小、在一或多個基板之處理期間藉由圖案化裝置上的區域接收之強度或劑量，圖案化裝置的傳輸。
在一實施例中，所量測參數資料包含與提供至圖案化裝置之複數個特徵相關聯的位置資料。
在一實施例中，一或多個參數的第一值係至少部分地基於歷史所量測參數資料。
在一實施例中，提供其他指令，該等指令用於依據一或多
個參數之第一值抑或第二值更好地對應於所量測參數資料來儲存一或多個參數的第一值或第二值於資料庫結構中。
在一實施例中，提供用於基於一或多個參數之第一值或第二值組態用於執行製程中之設備的其他指令。
在一實施例中，設備為微影設備，且製程為半導體製造製程。
在一實施例中，用於接收所量測參數資料的指令進一步包含用於基於對其對應內容脈絡資料的要求過濾所接收所量測參數資料的指令，且其中機器學習模型係使用經過濾之所量測參數資料進行訓練。
如上文所述之機器學習框架可包含機器學習模型，及在訓練該機器學習模型時充當代理的其他機器學習模型。在訓練階段期間，機器學習框架可接收對應於與複數個操作條件相關聯之複數個訓練控制輸入的訓練控制輸出。操作條件可包含於內容脈絡資料，諸如場大小、強度、倍縮光罩透射內，該等操作條件通常充當至微影設備之輸入以控制微影製程。訓練控制輸出可是基於製程，例如在加熱時倍縮光罩之一或多個模型化變形模式的實體模型化。機器學習框架產生(使用訓練控制輸入)複數個機器學習產生的控制輸出，該等控制輸出(使用例如其他機器學習模型)與藉由實體模型產生之所接收訓練控制輸出進行比較。機器學習產生之控制輸出與基於實體模型之控制輸出的比較為本發明之重要態樣，此係由於此情形允許機器學習模型的改良之訓練。
在一實施例中，提供一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦進行以下操作：接收控制輸入，控制輸入用於控制圖案化製程，控制輸入包含用於圖案化製程中的一
或多個參數；及運用經訓練機器學習模型基於控制輸入產生用於圖案化製程的控制輸出，機器學習模型已運用產生自實際製程資料的訓練資料進行訓練，其中訓練資料包含：1)對應於圖案化製程之複數個操作條件的複數個訓練控制輸入，圖案化製程的複數個操作條件與圖案化製程隨時間之操作條件特定行為相關聯；及2)基於訓練控制輸入及/或圖案化製程之複數個操作條件使用實體模型產生的訓練控制輸出。
在一實施例中，訓練控制輸入包含操作條件。
在一實施例中，訓練控制輸入為以下各項中之一或多者：用於圖案化製程中之倍縮光罩的透射、用於照明倍縮光罩之微影設備的場大小、用於照明倍縮光罩之輻射的強度。
在一實施例中，訓練控制輸出為特性化圖案化製程之時間相依行為的一或多個參數之值。
在一實施例中，一或多個參數特性化倍縮光罩在微影設備之狀態及/或設定對應於操作條件的狀況下藉由倍縮光罩之加熱引起之幾何變形。
在以下經編號條項之清單中揭示本發明之其他實施例：
1.一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦進行以下操作：接收一控制輸入，該控制輸入用於控制一圖案化製程，該控制輸入包含用於該圖案化製程中的一或多個參數；及運用一經訓練機器學習模型基於該控制輸入產生用於該圖案化製程的一控制輸出，該機器學習模型已運用產生自該圖案化製程之模擬的訓練資料及/或實際製程資料進行訓練，其中該訓練資料包含：1)對應於該圖
案化製程之複數個操作條件的複數個訓練控制輸入，該圖案化製程之該複數個操作條件與該圖案化製程隨時間之操作條件特定行為相關聯；及2)使用一實體模型基於該等訓練控制輸入產生的訓練控制輸出。
2.如條項1之媒體，其中該圖案化製程隨時間之該操作條件特定行為包含該圖案化製程隨時間之漂移。
3.如條項1或2之媒體，其中該機器學習模型經進一步組態以藉由運用來自該圖案化製程之新實際製程資料對該機器學習模型進行重新訓練而隨時間更新。
4.如條項3之媒體，其中該重新訓練包含精細調諧。
5.如條項1至4中任一項之媒體，其中該控制輸入係與監控及/或診斷該圖案化製程相關聯。
6.如條項1至5中任一項之媒體，其中該機器學習模型包含一參數化模型。
7.如條項1至6中任一項之媒體，其中該機器學習模型包含一人工神經網路、一迴旋神經網路及/或一遞迴神經網路。
8.如條項1至7中任一項之媒體，其中該圖案化製程運用一圖案化製程設備執行，該設備包含一半導體微影設備、一光學度量衡檢測工具或一電子束檢測工具，該等指令進一步使該電腦至少部分地基於該控制輸出來控制該圖案化製程設備。
9.如條項1至8中任一項之媒體，其中該一或多個參數包含一或多個微影設備、光學度量衡檢測工具，及/或電子束檢測工具參數，及/或關聯的微影及/或檢測製程參數。
10.如條項1至9中任一項之媒體，其中該控制輸入包含用於該圖
案化製程中的該一或多個參數。
11.如條項1至10中任一項之媒體，其中該控制輸入包含一繞射圖案影像、一運動設定點，或一晶圓及/或一倍縮光罩的一負載序列。
12.如條項1至11中任一項之媒體，其中該控制輸出包含與一圖案化製程設備之一或多個組件之運動控制相關聯的一或多個參數之一調整。
13.如條項12之媒體，其中該圖案化製程設備之一或多個組件之運動控制包含經由以下各項中之一者或兩者來控制一掃描器的致動：1)控制該掃描器之一晶圓及/或倍縮光罩載物台的移動，2)控制該掃描器之一透鏡中的撓曲波加熱元件，及/或3)控制該掃描器的一或多個鏡，諸如用於光瞳塑形及/或場畸變控制中的可移動鏡。
14.如條項1至13中任一項之媒體，其中該控制輸出包含與一圖案化製程設備之一或多個組件之熱膨脹相關聯的一或多個參數之一調整。
15.如條項14之媒體，其中該控制輸出包含一晶圓加熱控制調整、一倍縮光罩加熱控制調整及/或一鏡加熱控制調整。
16.如條項15之媒體，其中判定該控制輸出包含預測一疊對指紋及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定該晶圓加熱控制調整。
17.如條項16之媒體，其中判定該控制輸出包含預測該疊對指紋，且判定該晶圓加熱控制調整係基於該預測疊對指紋。
18.如條項14之媒體，其中該控制輸出包含一透鏡加熱控制調整。
19.如條項18之媒體，其中判定該控制輸出包含：預測與透鏡加熱相關聯的mu tau參數值、一透鏡加熱前饋時間序列
及/或一透鏡加熱場時間序列；基於該等mu tau值、透鏡加熱前饋值及/或透鏡加熱場值來判定一透鏡加熱成本函數；基於該透鏡加熱成本函數判定機器學習模型參數權重；及基於藉由該機器學習模型進行之一透鏡加熱預測來判定該透鏡加熱控制調整。
20.如條項18之媒體，其中判定該控制輸出包含預測一疊對指紋、一焦點指紋及/或一成像指紋，及基於該經預測疊對指紋、焦點指紋及/或成像指紋判定該透鏡加熱控制調整。
21.如條項1至20中任一項之媒體，其中該控制輸出包含與一圖案化製程設備之一或多個組件之摩擦-機械控制相關聯的一或多個參數之一調整。
22.如條項21之媒體，其中判定該控制輸出包含預測一疊對指紋及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定晶圓、倍縮光罩、透鏡/鏡調整。
23.如條項1至22中任一項之媒體，其中運用來自該圖案化製程之經模擬及/或實際製程訓練資料訓練該機器學習模型包含一初始校準，其中該機器學習模型經組態以藉由運用來自該圖案化製程之新實際製程資料對該機器學習模型進行重新訓練而隨時間更新，且其中該重新訓練包含組態該機器學習模型以運用一或多個漂移校準予以精細調諧，該一或多個漂移校準經組態以慮及在該圖案化製程中隨時間發生的漂移。
24.如條項1至23中任一項之媒體，其中訓練及/或更新經離線、線
上或者離線及線上組合地執行。
25.如條項1至24中任一項之媒體，其中：經模擬訓練資料包含使用該實體模型產生的複數個訓練控制輸入及對應訓練控制輸出對；該機器學習模型經組態以基於一訓練控制輸入預測一預測控制輸出；且該機器學習模型經組態以使用一訓練控制輸出作為回饋以更新該機器學習模型的一或多個組態，其中該一或多個組態係基於該訓練控制輸出與該預測控制輸出之間的一比較而更新。
26.如條項1至25中任一項之媒體，其中該等指令進一步經組態以使該電腦組態該機器學習模型以藉由運用來自該圖案化製程之新的實際製程資料精細調諧該機器學習模型來隨時間更新，使得該機器學習模型經組態用於：運用該機器學習模型接收與一生產環境局部圖案化製程相關聯的局部實際製程資料以判定第一經更新的模型參數值；接收藉由至少部分運用外部訓練資料提供該機器學習模型獲得的第二經更新的模型參數值，該外部訓練資料指示圖案化製程設備間的變化；及藉由運用該等第一及/或第二經更新的模型參數值更新初始模型參數值來調整該機器學習模型。
27.如條項26之媒體，其中該調整慮及該局部圖案化製程隨時間之漂移。
28.一種用於產生用於一圖案化製程之一控制輸出之方法，該方
法包含：接收一控制輸入，該控制輸入用於控制一圖案化製程，該控制輸入包含用於該圖案化製程中的一或多個參數；及運用一經訓練機器學習模型基於該控制輸入產生用於該圖案化製程的一控制輸出，該機器學習模型已運用產生自該圖案化製程之模擬的訓練資料及/或實際製程資料進行訓練，其中該訓練資料包含：1)對應於該圖案化製程之複數個操作條件的複數個訓練控制輸入，該圖案化製程之該複數個操作條件與該圖案化製程隨時間之操作條件特定行為相關聯；及2)使用一實體模型基於該等訓練控制輸入產生的訓練控制輸出。
29.如條項28之方法，其中該圖案化製程隨時間之該操作條件特定行為包含該圖案化製程隨時間之漂移。
30.如條項28或29之方法，其進一步包含藉由運用來自該圖案化製程之新實際製程資料對該機器學習模型進行重新訓練而隨時間更新該機器學習模型。
31.如條項30之方法，其中該重新訓練包含精細調諧。
32.如條項28至31中任一項之方法，其中該控制輸入係與監控及/或診斷該圖案化製程相關聯。
33.如條項28至32中任一項之方法，其中該機器學習模型包含一參數化模型。
34.如條項28至33中任一項之方法，其中該機器學習模型包含一人工神經網路、一迴旋神經網路及/或一遞迴神經網路。
35.如條項28至34中任一項之方法，其中該圖案化製程運用一圖案化製程設備執行，該設備包含一半導體微影設備、一光學度量衡檢測工
具或一電子束檢測工具，該方法進一步至少部分地基於該控制輸出來控制該圖案化製程設備。
36.如條項28至35中任一項之方法，其中該一或多個參數包含一或多個微影設備、光學度量衡檢測工具，及/或電子束檢測工具參數，及/或關聯的微影及/或檢測製程參數。
37.如條項28至36中任一項之方法，其中該控制輸入包含用於該圖案化製程中的該一或多個參數。
38.如條項28至37中任一項之方法，其中該控制輸入包含一繞射圖案影像、一運動設定點，或一晶圓及/或一倍縮光罩的一負載序列。
39.如條項28至38中任一項之方法，其中該控制輸出包含與一圖案化製程設備之一或多個組件之運動控制相關聯的一或多個參數之一調整。
40.如條項39之方法，其中該圖案化製程設備之一或多個組件之運動控制包含經由如下一或兩者控制一掃描器的致動：1)控制掃描器之一晶圓及/或倍縮光罩載物台的移動，2)控制該掃描器之一透鏡中的撓曲波加熱元件，及/或3)控制該掃描器的一或多個鏡。
41.如條項28至40中任一項之方法，其中該控制輸出包含與一圖案化製程設備之一或多個組件之熱膨脹相關聯的一或多個參數之一調整。
42.如條項41之方法，其中該控制輸出包含一晶圓加熱控制調整、一倍縮光罩加熱控制調整及/或一鏡加熱控制調整。
43.如條項42之方法，其中判定該控制輸出包含預測一疊對指紋及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定該晶圓加熱控制調整。
44.如條項43之方法，其中判定該控制輸出包含預測該疊對指紋，且判定該晶圓加熱控制調整係基於該預測疊對指紋。
45.如條項41之方法，其中該控制輸出包含一透鏡加熱控制調整。
46.如條項45之方法，其中判定該控制輸出包含：預測與透鏡加熱相關聯的mu tau參數值、一透鏡加熱前饋時間序列及/或一透鏡加熱場時間序列；基於該等mu tau值、透鏡加熱前饋值及/或透鏡加熱場值來判定一透鏡加熱成本函數；基於該透鏡加熱成本函數判定機器學習模型參數權重；及基於藉由該機器學習模型進行之一透鏡加熱預測來判定該透鏡加熱控制調整。
47.如條項45之方法，其中判定該控制輸出包含預測一疊對指紋、一焦點指紋及/或一成像指紋，及基於該經預測疊對指紋、焦點指紋及/或成像指紋判定該透鏡加熱控制調整。
48.如條項28至47中任一項之方法，其中該控制輸出包含與一圖案化製程設備之一或多個組件之摩擦-機械控制相關聯的一或多個參數之一調整。
49.如條項48之方法，其中判定該控制輸出包含預測一疊對指紋及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定晶圓、倍縮光罩、透鏡/鏡調整。
50.如條項28至49中任一項之方法，其中運用來自該圖案化製程之經模擬及/或實際製程訓練資料訓練該機器學習模型包含一初始校準，
其中該機器學習模型經組態以藉由運用來自該圖案化製程之新實際製程資料對該機器學習模型進行重新訓練而隨時間更新，且其中該重新訓練包含組態該機器學習模型以運用一或多個漂移校準予以精細調諧，該一或多個漂移校準經組態以慮及在該圖案化製程中隨時間發生的漂移。
51.如條項28至50中任一項之方法，其中訓練及/或更新經離線、線上或者離線及線上組合地執行。
52.如條項28至51中任一項之方法，其中：經模擬訓練資料包含使用該實體模型產生的複數個訓練控制輸入及對應訓練控制輸出對；該機器學習模型經組態以基於一訓練控制輸入預測一預測控制輸出；且該機器學習模型經組態以使用一訓練控制輸出作為回饋以更新該機器學習模型的一或多個組態，其中該一或多個組態係基於該訓練控制輸出與該預測控制輸出之間的一比較而更新。
53.如條項28至52中任一項之方法，其進一步包含組態該機器學習模型以藉由運用來自該圖案化製程之新實際製程資料精細調諧該機器學習模型隨時間予以更新，使得該機器學習模型經組態用於進行以下操作：運用該機器學習模型接收與一生產環境局部圖案化製程相關聯的局部實際製程資料以判定第一經更新的模型參數值；接收藉由至少部分運用外部訓練資料提供該機器學習模型獲得的第二經更新的模型參數值，該外部訓練資料指示圖案化製程設備間的變化；及藉由運用該等第一及/或第二經更新的模型參數值更新初始模型參數
值來調整該機器學習模型。
54.如條項53之方法，其中該調整慮及該局部圖案化製程隨時間之漂移。
55.一種用於訓練一機器學習模型之方法，該方法包含：藉由模擬一圖案化製程產生訓練資料，該訓練資料包含複數個訓練控制輸入及對應訓練控制輸出，該等訓練控制輸入包含用於該圖案化製程中的一或多個參數，且該訓練控制輸出包含一或多個參數的調整；提供該訓練控制輸入至一基本機器學習模型以產生預測控制輸出；及使用該訓練控制輸出作為回饋以更新該基礎機器學習模型的一或多個組態，其中該一或多個組態係基於該訓練控制輸出與該預測控制輸出之間的一比較而更新；使得：該機器學習模型經組態以基於新控制輸入產生新控制輸出。
56.如條項55之方法，其中該機器學習模型經組態以藉由運用來自該圖案化製程之實際及/或模擬製程資料對該機器學習模型進行重新訓練而隨時間更新。
57.如條項55之方法，其中該圖案化製程運用一實體模型予以模擬。
58.如條項55至57中任一項之方法，其中該機器學習模型為一人工神經網路。
59.一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦進行以下操作：接收複數個控制輸入，該複數個控制輸入用於控制針對複數個對應操作條件的一圖案化製程，該等控制輸入中之每一者包含用於該圖案化製
程中的一或多個參數；產生或接收與該一或多個參數之一或多個調整相關聯的複數個控制輸出，該複數個控制輸出係基於一實體模型之輸出，該實體模型用於服從於該複數個操作條件而模擬該圖案化製程之行為；及訓練一機器學習模型，該機器學習模型經組態以藉由輸入該接收到之複數個控制輸入及複數個產生或接收之控制輸出來推斷對應於一新控制輸入的一新控制輸出。
60.如條項1至54中任一項之暫時性電腦可讀媒體或方法，其中該等控制輸出包含一或多個參數的一調整。
61.一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦進行以下操作：在一製程之一時間相依行為期間，接收與該時間相依行為相關聯的所量測參數資料及與該製程之狀態相關聯的內容脈絡資料；基於將該內容脈絡資料輸入至該製程之一實體模型判定一或多個參數的第一值，該等第一值特性化該時間相依行為；藉由提供內容脈絡資料至對歷史所量測參數資料及歷史內容脈絡資料訓練的一機器學習模型來判定該一或多個參數的第二值；判定該一或多個參數之該等第一值抑或該等第二值更好地對應於該所量測的參數資料；及在該一或多個參數之該等第二值相較於該一或多個參數的該等第一值更好地對應於該所量測的參數資料情況下，使用該所量測的參數資料及內容脈絡資料訓練該機器學習模型。
62.如條項61之電腦可讀媒體，其中用於判定該一或多個參數之第一值抑或第二值更好地對應於所量測的參數資料的指令經組態以類似於機器學習模型的代理起作用，在一或多個參數的第二值相較於一或多個參
數的第一值更好地對應於所量測參數資料情況下，代理對機器學習模型進行獎勵。
63.如條項61或62之電腦可讀媒體，其中用於判定該一或多個參數之該等第一值抑或第二值更好地對應於所量測的參數資料的指令被實施為另一機器學習模型。
64.如條項63之電腦可讀媒體，其中另一機器學習模型經組態以為針對該機器學習模型的代理，且該代理經組態以：i)使用第一值及第二值及所量測的參數資料作為輸入，及ii)在一或多個參數之第二值相較於一或多個參數的第一值更好地對應於所量測的參數資料情況下提供獎勵至機器學習模型。
65.如條項63或64之電腦可讀媒體，其中機器學習模型及另一機器學習模型係基於神經網路架構。
66.如條項65之電腦可讀媒體，其中機器學習模型組態為生產分支，且另一機器學習模型組態為生成對抗網路(GAN)的鑑別分支。
67.如條項61至66中任一項之電腦可讀媒體，其中機器學習模型包含以下各者中的一者：一迴旋神經網路(CNN)或一基於編碼器-解碼器之模型。
68.如條項67之電腦可讀媒體，其中該編碼器-解碼器模型包含：編碼器，其經組態以將內容脈絡資料映射至潛在空間；及解碼器，其經組態以基於映射內容脈絡資料重構一或多個參數。
69.如條項61至68中任一項之電腦可讀媒體，其中所量測參數資料及時間相依行為係與蝕刻設備或微影設備內之加熱誘發之行為相關聯，且內容脈絡資料係與微影或蝕刻設備的狀態及/或設定相關聯。
70.如條項69之電腦可讀媒體，其中加熱誘發之行為係與藉由微影設備照明之圖案化裝置的加熱相關聯，且該微影設備之狀態及/或設定對應於內容脈絡資料情況下，一或多個參數特性化藉由圖案裝置之該加熱引起的圖案化裝置之幾何變形。
71.如條項70之電腦可讀媒體，其中一或多個參數包含與幾何變形及內容脈絡資料相關聯的一或多個變形模式。
72.如條項70或71之電腦可讀媒體，其中內容脈絡資料包含以下各項中之一或多者：處理經受製程之基板的歷史、圖案化裝置上藉由微影設備照明之區域的大小、在一或多個基板之處理期間藉由圖案化裝置上的區域接收之強度或劑量，圖案化裝置的透射。
73.如條項72之電腦可讀媒體，其中所量測的參數資料包含與提供至圖案化裝置之複數個特徵相關聯的位置資料。
74.如條項61至73中任一項之電腦可讀媒體，其中一或多個參數的第一值係至少部分地基於歷史所量測參數資料。
75.如條項61至74中任一項之電腦可讀媒體，其進一步包含用於依據一或多個參數之第一值抑或第二值更好地對應於所量測參數資料來儲存一或多個參數的第一值或第二值於資料庫結構中的指令。
76.如條項61至75中任一項之電腦可讀媒體，其進一步包含用於基於一或多個參數之第一值或第二值組態用於執行製程中之設備的指令。
77.如條項76之電腦可讀媒體，其中該設備為微影設備，且製程為半導體製程。
78.如條項61至77中任一項之電腦可讀媒體，其中用於接收所量測參數資料的指令進一步包含用於基於對其對應內容脈絡資料的要求過濾
所接收的所量測參數資料的指令，且其中機器學習模型係使用經過濾之所量測參數資料進行訓練。
79.如條項61至78中任一項之電腦可讀媒體，其進一步包含使用一或多個參數的第一值及/或第二值作為微影設備之控制輸入的指令。
80.如條項61至79中任一項之電腦可讀媒體，其進一步包含使用一或多個參數之第一值及/或第二值來預測微影設備之控制輸出的指令。
81.一種方法，該方法包含：在一製程之一時間相依行為期間，接收與該時間相依行為相關聯的所量測參數資料及與該製程之狀態相關聯的內容脈絡資料；基於將該內容脈絡資料輸入至該製程之一實體模型判定一或多個參數的第一值，該等第一值特性化該時間相依行為；藉由提供內容脈絡資料至對歷史所量測參數資料及歷史內容脈絡資料訓練的一機器學習模型來判定該一或多個參數的第二值；判定該一或多個參數之該等第一值抑或該等第二值更好地對應於該所量測的參數資料；及在該一或多個參數之該等第二值相較於該一或多個參數的該等第一值更好地對應於該所量測的參數資料情況下，使用該所量測的參數資料及內容脈絡資料訓練該機器學習模型。
82.如條項81之方法，其中用於判定該一或多個參數之第一值抑或第二值更好地對應於所量測的參數資料的指令經組態以類似於機器學習模型的代理起作用，在一或多個參數的第二值相較於一或多個參數的第一值更好地對應於所量測參數資料情況下，代理對機器學習模型進行獎勵。
83.如條項81或82之方法，其中該判定該一或多個參數之該等第一值抑或該等第二值更好地對應於所量測的參數資料使用另一機器學習模型。
84.如條項83之方法，其中另一機器學習模型經組態以為針對該機器學習模型的代理，且該代理經組態以：i)使用該等第一值及第二值及所量測的參數資料作為輸入，及ii)在一或多個參數之第二值相較於一或多個參數的第一值更好地對應於所量測的參數資料情況下提供獎勵至機器學習模型。
85.如條項83或84之方法，其中機器學習模型及另一機器學習模型係基於神經網路架構。
86.如條項85之方法，其中機器學習模型組態為生產分支，且另一機器學習模型組態為生成對抗網路(GAN)的鑑別分支。
87.如條項81至86中任一項之方法，其中機器學習模型包含以下各者中之一者：一迴旋神經網路(CNN)或一基於編碼器-解碼器的模型。
88.如條項87之方法，其中該編碼器-解碼器模型包含：編碼器，其經組態以將內容脈絡資料映射至潛在空間；及解碼器，其經組態以基於映射內容脈絡資料重構一或多個參數。
89.如條項81至88中任一項之方法，其中所量測參數資料及時間相依行為係與蝕刻設備或微影設備內之加熱誘發之行為相關聯，且內容脈絡資料係與微影或蝕刻設備的狀態及/或設定相關聯。
90.如條項89之方法，其中加熱誘發之行為係與藉由微影設備照明之圖案化裝置的加熱相關聯，且該微影設備之狀態及/或設定對應於內容脈絡資料情況下，一或多個參數特性化藉由圖案裝置之該加熱引起的圖案化裝置之幾何變形。
91.如條項90之方法，其中一或多個參數包含與幾何變形及內容脈絡資料相關聯的一或多個變形模式。
92.如條項90或91之方法，其中內容脈絡資料包含以下各項中之一或多者：處理經受製程之基板的歷史、圖案化裝置上藉由微影設備照明之區域的大小、在一或多個基板之處理期間藉由圖案化裝置上的區域接收之強度或劑量，圖案化裝置的透射。
93.如條項92之方法，其中所量測的參數資料包含與提供至圖案化裝置之複數個特徵相關聯的位置資料。
94.如條項81至93中任一項之方法，其中一或多個參數的第一值係至少部分地基於歷史所量測參數資料。
95.如條項81至94中任一項之方法，其進一步包含：依據一或多個參數之第一值抑或第二值更好地對應於所量測參數資料來儲存一或多個參數的第一值或第二值於資料庫結構中。
96.如條項81至95中任一項之方法，其進一步包含：基於一或多個參數之第一值或第二值組態用於執行製程中之設備。
97.如條項96之方法，其中該設備為微影設備，且製程為半導體製程。
98.如條項81至97中任一項之方法，其中接收所量測參數資料進一步包含基於對其對應內容脈絡資料的要求過濾所接收的所量測參數資料，且其中機器學習模型係使用經過濾之所量測參數資料進行訓練。
99.如條項1至54中任一項之暫時性電腦可讀媒體或方法，其中訓練控制輸入包含操作條件。
100.如條項99之暫時性電腦可讀媒體或方法，其中該等訓練控制輸入為以下各項中之一或多者：用於該圖案化製程中之一倍縮光罩的一透射、用於照明該倍縮光罩之一微影設備的一場大小、用於照明該倍縮光罩
之輻射的一強度。
101.如條項99或100之暫時性電腦可讀媒體或方法，其中訓練控制輸出為特性化該圖案化製程之時間相依行為的一或多個參數之值。
102.如條項101之暫時性電腦可讀媒體或方法，其中一或多個參數特性化在微影設備之狀態及/或設定對應於操作條件的狀況下藉由倍縮光罩之加熱引起的倍縮光罩之幾何變形。
儘管可在本文中特定地參考微影設備在IC製造中的使用，但應理解，本文中所描述之微影設備可具有其他應用。可能的其他應用包括製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、平板顯示器、液晶顯示器(LCD)、薄膜磁頭等等。
儘管可在本文中特定地參考在微影設備之內容背景中之本發明之實施例，但本發明之實施例可用於其他設備中。本發明之實施例可形成遮罩檢測設備、度量衡設備或者量測或處理諸如晶圓(或其他基板)或遮罩(或其他圖案化裝置)之物件之任何設備的部分。此等設備可一般被稱作微影工具。此微影工具可使用真空條件或周圍(非真空)條件。
儘管上文可能已經特定地參考在光學微影之上下文中對本發明之實施例的使用，但應瞭解，在上下文允許之情況下，本發明不限於光學微影，且可用於其他應用(例如，壓印微影)中。
在上下文允許之情況下，可以硬體、韌體、軟體或其任何組合實施本發明之實施例。本發明之實施例亦可被實施為儲存於機器可讀媒體上之指令，該等指令可由一或多個處理器讀取及執行。如本文所描述，機器可讀媒體可包括用於儲存或傳輸以可由機器(例如，計算裝置)讀取之形式之資訊的任何機構。舉例而言，機器可讀媒體可包括：唯讀記憶
體(read only memory；ROM)；隨機存取記憶體(random access memory；RAM)；磁性儲存媒體；光學儲存媒體；快閃記憶體裝置；電學、光學、聲學或傳播信號之其他形式(例如，載波、紅外信號、數位信號等)及其他。另外，韌體、軟件、常式、指令可在本文中被描述為執行某些動作。然而，應瞭解，此等描述僅僅為方便起見，且此等動作事實上係由計算裝置、處理器、控制器或執行韌體、軟體、常式、指令等等之其他裝置引起；且如此進行可使致動器或其他裝置與實體世界互動。
雖然上文已描述了本發明之特定實施例，但將瞭解，可以與所描述之方式不同的其他方式來實踐本發明。以上描述意欲為說明性，而非限制性的。由此，對於熟習此項技術者將顯而易見的是，可在不脫離下文所闡述之申請專利範圍之範疇的情況下對所描述之本發明進行修改。
700:產生控制輸出用於圖案化製程的實例方法
702:訓練
704:接收
706:判定
708:控制
710:重新訓練
Claims (20)
- 一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦進行以下操作：接收一控制輸入，該控制輸入用於控制一圖案化製程，該控制輸入包含用於該圖案化製程中的一或多個參數；及運用一經訓練機器學習模型基於該控制輸入產生用於該圖案化製程的一控制輸出，該機器學習模型已運用產生自該圖案化製程之模擬的訓練資料及/或實際製程資料進行訓練，其中該訓練資料包含：1)對應於該圖案化製程之複數個操作條件的複數個訓練控制輸入，該圖案化製程之該複數個操作條件與該圖案化製程隨時間之操作條件特定行為(operational condition specific behavior)相關聯；及2)對應於該複數個訓練控制輸入之複數個訓練控制輸出，其中每一訓練控制輸出係使用一實體模型(physical model)產生，該實體模型具有一對應訓練控制輸入作為一輸入。
- 如請求項1之媒體，其中該圖案化製程隨時間之該操作條件特定行為包含該圖案化製程隨時間之漂移。
- 如請求項1之媒體，其中該機器學習模型包含一人工神經網路、一迴旋神經網路及/或一遞迴神經網路。
- 如請求項1之媒體，其中該一或多個參數包含以下各項中之一或多者：一微影設備、光學度量衡檢測工具，及/或電子束檢測工具參數，及/ 或關聯的微影及/或檢測製程參數。
- 如請求項1之媒體，其中該控制輸入包含一繞射圖案影像、一運動設定點，或一晶圓及/或一倍縮光罩的一負載序列。
- 如請求項1之媒體，其中該控制輸出包含與一圖案化製程設備之一或多個組件之運動控制相關聯的一或多個參數之一調整。
- 如請求項6之媒體，其中該圖案化製程設備之一或多個組件之運動控制包含經由以下各項中之一者或兩者控制一微影設備的致動：1)控制該微影設備之一晶圓及/或倍縮光罩載物台的移動，2)控制該微影設備之一透鏡中的撓曲波加熱元件，及/或3)控制該微影設備之一或多個鏡，諸如用於光瞳塑形及/或曝光場失真控制中之可移動鏡。
- 如請求項1之媒體，其中該控制輸出包含與一圖案化製程設備之一或多個組件之熱膨脹相關聯的一或多個參數之一調整。
- 如請求項8之媒體，其中該控制輸出包含一晶圓加熱控制調整、一倍縮光罩加熱控制調整及/或一鏡加熱控制調整。
- 如請求項9之媒體，其中判定該控制輸出包含預測一疊對指紋及/或一焦點指紋，及基於該經預測疊對指紋及/或焦點指紋判定該晶圓加熱控制調整。
- 如請求項9之媒體，其中該控制輸出包含一透鏡加熱控制調整，其中判定該控制輸出包含以下各項中之一者：預測與透鏡加熱相關聯的mu tau參數值、一透鏡加熱前饋時間序列及/或一透鏡加熱場時間序列；基於該等mu tau值、透鏡加熱前饋值及/或透鏡加熱場值來判定一透鏡加熱成本函數；基於該透鏡加熱成本函數判定機器學習模型參數權重；及基於藉由該機器學習模型進行之一透鏡加熱預測來判定該透鏡加熱控制調整。
- 如請求項1之媒體，其中運用來自該圖案化製程之經模擬及/或實際製程訓練資料訓練該機器學習模型包含一初始校準，其中該機器學習模型經組態以藉由運用來自該圖案化製程之新實際製程資料對該機器學習模型進行重新訓練而隨時間更新，且其中該重新訓練包含組態該機器學習模型以運用一或多個漂移校準予以精細調諧，該一或多個漂移校準經組態以慮及在該圖案化製程中隨時間發生的漂移。
- 如請求項1之媒體，其中：該訓練資料包含使用該實體模型產生的複數個訓練控制輸入及對應訓練控制輸出對；該機器學習模型經組態以基於一訓練控制輸入預測一預測控制輸 出；且該機器學習模型經組態以使用一訓練控制輸出作為回饋以更新該機器學習模型的一或多個組態，其中該一或多個組態係基於該訓練控制輸出與該預測控制輸出之間的一比較而更新。
- 如請求項1之媒體，其中該等訓練控制輸入包含該等操作條件。
- 如請求項14之媒體，其中該等訓練控制輸入為以下各項中之一或多者：用於該圖案化製程中之一倍縮光罩的一透射、用於照明該倍縮光罩之一微影設備的一場大小、用於照明該倍縮光罩之輻射的一強度。
- 如請求項14或15之媒體，其中該等訓練控制輸出為特性化該圖案化製程之該時間相依行為的一或多個參數之值。
- 如請求項16之媒體，其中該一或多個參數特性化該倍縮光罩在該微影設備之狀態及/或設定對應於該等操作條件的狀況下藉由該倍縮光罩之加熱引起之一幾何變形。
- 一種用於產生用於一圖案化製程之一控制輸出之方法，該方法包含：接收一控制輸入，該控制輸入用於控制一圖案化製程，該控制輸入包含用於該圖案化製程中的一或多個參數；及運用一經訓練機器學習模型基於該控制輸入產生用於該圖案化製程 的一控制輸出，該機器學習模型已運用產生自該圖案化製程之模擬的訓練資料及/或實際製程資料進行訓練，其中該訓練資料包含：1)對應於該圖案化製程之複數個操作條件的複數個訓練控制輸入，該圖案化製程之該複數個操作條件與該圖案化製程隨時間之操作條件特定行為相關聯；及2)對應於該複數個訓練控制輸入之複數個訓練控制輸出，其中每一訓練控制輸出係使用一實體模型產生，該實體模型具有一對應訓練控制輸入作為一輸入。
- 如請求項18之方法，其中該等訓練控制輸入包含該等操作條件且為以下各項中之一或多者：用於該圖案化製程中之一倍縮光罩的一透射、用於照明該倍縮光罩之一微影設備的一場大小、用於照明該倍縮光罩之輻射的一強度，且其中該等訓練控制輸出為特性化該圖案化製程之該時間相依行為的一或多個參數之值。
- 一種非暫時性電腦可讀媒體，其上具有指令，該等指令在由一電腦執行時使該電腦進行以下操作：接收複數個控制輸入，該複數個控制輸入用於控制針對複數個對應操作條件的一圖案化製程，該等控制輸入中之每一者包含用於該圖案化製程中的一或多個參數；產生或接收與該一或多個參數之一或多個調整相關聯的複數個控制輸出，該複數個控制輸出係基於一實體模型之輸出，該實體模型用於服從於該複數個操作條件而模擬該圖案化製程之行為；及訓練一機器學習模型，該機器學習模型經組態以藉由輸入該接收到 之複數個控制輸入及複數個產生或接收之控制輸出來推斷對應於一新控制輸入的一新控制輸出。
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2020101030 | 2020-07-09 | ||
| WOPCT/CN2020/101030 | 2020-07-09 | ||
| EP20186710.8A EP3944020A1 (en) | 2020-07-20 | 2020-07-20 | Method for adjusting a patterning process |
| EP20186710.8 | 2020-07-20 | ||
| EP21172961.1 | 2021-05-10 | ||
| EP21172961 | 2021-05-10 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202209095A TW202209095A (zh) | 2022-03-01 |
| TWI782597B true TWI782597B (zh) | 2022-11-01 |
Family
ID=76422011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110123502A TWI782597B (zh) | 2020-07-09 | 2021-06-28 | 調整圖案化製程之系統、產品及方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20230273529A1 (zh) |
| JP (1) | JP7523601B2 (zh) |
| KR (1) | KR20230023789A (zh) |
| CN (1) | CN115777085A (zh) |
| TW (1) | TWI782597B (zh) |
| WO (1) | WO2022008174A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4216106A1 (en) * | 2022-01-19 | 2023-07-26 | ASML Netherlands B.V. | Method for controlling a production system and method for thermally controlling at least part of an environment |
| EP4261618A1 (en) * | 2022-04-14 | 2023-10-18 | ASML Netherlands B.V. | A method of determining a correction for control of a lithography and/or metrology process, and associated devices |
| CN117313640B (zh) * | 2022-06-14 | 2024-09-20 | 腾讯科技（深圳）有限公司 | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 |
| WO2024132326A1 (en) * | 2022-12-19 | 2024-06-27 | Asml Netherlands B.V. | Method to infer and estimate reticle temperature based on reticle shape measurements |
| WO2024132447A1 (en) * | 2022-12-23 | 2024-06-27 | Asml Netherlands B.V. | Methods and systems for determining reticle deformations |
| WO2024132448A1 (en) * | 2022-12-23 | 2024-06-27 | Asml Netherlands B.V. | Methods and systems for determining reticle deformations |
| WO2024132427A1 (en) * | 2022-12-23 | 2024-06-27 | Asml Netherlands B.V. | Methods and systems for determining reticle deformations |
| WO2024141236A1 (en) * | 2022-12-27 | 2024-07-04 | Asml Netherlands B.V. | Methods and systems for determining reticle deformation |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020099011A1 (en) * | 2018-11-14 | 2020-05-22 | Asml Netherlands B.V. | Method for obtaining training data for training a model of a semiconductor manufacturing process |
| WO2020114686A1 (en) * | 2018-12-03 | 2020-06-11 | Asml Netherlands B.V. | Method to predict yield of a semiconductor manufacturing process |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3977324B2 (ja) | 2002-11-12 | 2007-09-19 | エーエスエムエル ネザーランズ ビー．ブイ． | リソグラフィ装置 |
| US7791727B2 (en) | 2004-08-16 | 2010-09-07 | Asml Netherlands B.V. | Method and apparatus for angular-resolved spectroscopic lithography characterization |
| NL1036245A1 (nl) | 2007-12-17 | 2009-06-18 | Asml Netherlands Bv | Diffraction based overlay metrology tool and method of diffraction based overlay metrology. |
| NL1036734A1 (nl) | 2008-04-09 | 2009-10-12 | Asml Netherlands Bv | A method of assessing a model, an inspection apparatus and a lithographic apparatus. |
| NL1036857A1 (nl) | 2008-04-21 | 2009-10-22 | Asml Netherlands Bv | Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method. |
| KR101295203B1 (ko) | 2008-10-06 | 2013-08-09 | 에이에스엠엘 네델란즈 비.브이. | 2차원 타겟을 이용한 리소그래피 포커스 및 조사량 측정 |
| NL2007176A (en) | 2010-08-18 | 2012-02-21 | Asml Netherlands Bv | Substrate for use in metrology, metrology method and device manufacturing method. |
| KR102521159B1 (ko) | 2014-11-25 | 2023-04-13 | 피디에프 솔루션즈, 인코포레이티드 | 반도체 제조 공정을 위한 개선된 공정 제어 기술 |
| NL2017882A (en) | 2015-12-17 | 2017-06-26 | Asml Netherlands Bv | Optical metrology of lithographic processes using asymmetric sub-resolution features to enhance measurement |
| KR102485767B1 (ko) | 2017-02-22 | 2023-01-09 | 에이에스엠엘 네델란즈 비.브이. | 전산 계측 |
| JP7137943B2 (ja) | 2018-03-20 | 2022-09-15 | 株式会社日立ハイテク | 探索装置、探索方法及びプラズマ処理装置 |
-
2021
- 2021-06-14 JP JP2022580736A patent/JP7523601B2/ja active Active
- 2021-06-14 US US18/012,222 patent/US20230273529A1/en active Pending
- 2021-06-14 KR KR1020237001600A patent/KR20230023789A/ko not_active Application Discontinuation
- 2021-06-14 CN CN202180048684.0A patent/CN115777085A/zh active Pending
- 2021-06-14 WO PCT/EP2021/065947 patent/WO2022008174A1/en active Application Filing
- 2021-06-28 TW TW110123502A patent/TWI782597B/zh active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020099011A1 (en) * | 2018-11-14 | 2020-05-22 | Asml Netherlands B.V. | Method for obtaining training data for training a model of a semiconductor manufacturing process |
| WO2020114686A1 (en) * | 2018-12-03 | 2020-06-11 | Asml Netherlands B.V. | Method to predict yield of a semiconductor manufacturing process |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230273529A1 (en) | 2023-08-31 |
| KR20230023789A (ko) | 2023-02-17 |
| WO2022008174A1 (en) | 2022-01-13 |
| JP7523601B2 (ja) | 2024-07-26 |
| JP2023533491A (ja) | 2023-08-03 |
| CN115777085A (zh) | 2023-03-10 |
| TW202209095A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI782597B (zh) | 調整圖案化製程之系統、產品及方法 | |
| US11994845B2 (en) | Determining a correction to a process | |
| CN108431695B (zh) | 控制图案形成过程的方法、器件制造方法、用于光刻设备的控制系统以及光刻设备 | |
| EP3382606A1 (en) | Optimizing an apparatus for multi-stage processing of product units | |
| KR102087310B1 (ko) | 패터닝 프로세스 오차를 정정하기 위한 방법 및 장치 | |
| KR20180072768A (ko) | 패터닝 공정 오차를 보정하는 장치 및 방법 | |
| KR20180069053A (ko) | 패터닝 공정 오차를 보정하는 장치 및 방법 | |
| KR20240047375A (ko) | 기판 영역에 걸쳐 측정 데이터를 모델링하는 방법 및 관련 장치 | |
| JP2024125314A (ja) | 人工ニューラルネットワークを使用する動き制御 | |
| TWI777678B (zh) | 概念漂移減輕之方法及設備 | |
| TWI791321B (zh) | 用於組態採樣架構產生模型之方法及電腦程式 | |
| EP3944020A1 (en) | Method for adjusting a patterning process | |
| TWI857455B (zh) | 用於控制生產系統之電腦實施方法及其相關電腦系統 | |
| EP4216106A1 (en) | Method for controlling a production system and method for thermally controlling at least part of an environment | |
| TW202347035A (zh) | 用於判定半導體製造程序中之至少一控制參數之校正之方法 | |
| JP2024531218A (ja) | 基板領域上の測定データをモデル化する方法および関連装置 | |
| WO2022200014A1 (en) | Digital holographic microscope and associated metrology method |