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

TWI835193B - 電腦實施的方法、電腦可讀儲存介質以及計算設備 - Google Patents

電腦實施的方法、電腦可讀儲存介質以及計算設備 Download PDF

Info

Publication number
TWI835193B
TWI835193B TW111125629A TW111125629A TWI835193B TW I835193 B TWI835193 B TW I835193B TW 111125629 A TW111125629 A TW 111125629A TW 111125629 A TW111125629 A TW 111125629A TW I835193 B TWI835193 B TW I835193B
Authority
TW
Taiwan
Prior art keywords
parameters
tunable
shape
value
clusters
Prior art date
Application number
TW111125629A
Other languages
English (en)
Other versions
TW202307893A (zh
Inventor
理查 艾倫 斯普林克
理查德 懷特
艾利克 唐納德 威爾森
雪恩 康利
安娜 薩莫洛夫
尼萊 Ａ 浦拉丹
Original Assignee
美商應用材料股份有限公司
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 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW202307893A publication Critical patent/TW202307893A/zh
Application granted granted Critical
Publication of TWI835193B publication Critical patent/TWI835193B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J3/00—Details of electron-optical or ion-optical arrangements or of ion traps common to two or more basic types of discharge tubes or lamps
    • H01J3/12—Arrangements for controlling cross-section of ray or beam; Arrangements for correcting aberration of beam, e.g. due to lenses
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36199—Laser cutting

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Electron Sources, Ion Sources (AREA)

Abstract

闡述電腦實施的方法、電腦可讀儲存介質以及計算設備。 可對期望的束形狀的特性進行定義。離子束產生器可包括與可調變參數相關聯的束成形元件，所述可調變參數可彼此結合地設定。對可能組合的搜索空間進行定義。對搜索空間中的一組探測點進行測量，且使用所述一組探測點基於回歸模型對大數目的插值點進行插值。可對與低置信度值相關聯的插值點進行測量。基於所測量的及所插值的點，可對可調變參數組合的叢集進行識別以用於進行評估。針對穩定性及敏感性對叢集進行評估，且基於所述評估而選擇叢集中的一者。可基於所選擇的叢集而對離子束產生器進行配置。

Description

電腦實施的方法、電腦可讀儲存介質以及計算 設備
本揭露涉及離子束，更具體地，涉及用於離子束形狀匹配之可調變域識別方法、載體以及系統。
離子束是一種由離子束產生器生成的帶電粒子束。在許多領域中使用離子束來改變表面；例如，離子束常常用於電子裝置製造業。可使用離子束來將離子植入到材料中(被稱為“離子植入”)、對材料進行刻蝕、對經刻蝕表面進行清潔等。
在一個方面中，一種電腦實施的方法包括：接收離子束的期望的一個或多個束形狀參數以及被配置成產生離子束的離子束產生器的一個或多個可調變參數；在搜索空間內選擇一組探測點，搜索空間中的每一點表示可調變參數的值組合；對於探測點中的每一者，基於由相應探測點定義的可調變參數的值組合而接 收所測量束形狀參數；對回歸模型進行訓練，回歸模型被配置成提供探測點附近的插值點的所預測束形狀參數；基於所預測束形狀參數及所測量束形狀參數在搜索空間內對多個叢集進行定義；針對每一相應叢集內的可調變參數的穩定性或靈敏度中的至少一者來對所述多個叢集進行評估；基於評估而選擇所述多個叢集中的一者；以及輸出針對與所選擇的叢集對應的可調變參數組合的調變設定。
回歸模型可被配置成提供插值點中的每一者的置信度值，且還包括：對所述多個叢集中的與具有高於或低於預定閾值的置信度值的低置信度插值點相關聯的一者進行識別；以及使用由低置信度插值點定義的可調變參數的值組合而接收離子束的形狀的測量值。
對所述多個叢集進行評估可包括：選擇一叢集且對所選擇的叢集的可調變參數的值組合進行識別；對可調變參數中的第一個可調變參數的值進行調整；以及對所述調整對於離子束的形狀的值的影響進行識別。
基於評估而選擇所述多個叢集中的一者可包括選擇具有最大數目的可調變參數的叢集，所述最大數目的可調變參數具有已被鎖定到適當位置的值。
基於評估而選擇所述多個叢集中的一者可包括：識別出正在評估的叢集的第一個可調變參數對於束形狀參數中的第一個束形狀參數具有實質上線性的影響且對於束形狀參數中的第二個 束形狀參數具有實質上中性的影響；識別出正在評估的叢集的第二個可調變參數對於束形狀參數中的第一個束形狀參數具有實質上中性的影響且對於束形狀參數中的第二個束形狀參數具有實質上線性的影響；以及選擇正在評估的叢集。根據以下圖、說明及權利要求書，其他技術特徵對於所屬領域中的技術人員來說可能是顯而易見的。
對可調變參數中的所述第一個可調變參數進行調整可使得離子束的形狀的值實質上以非線性方式移動，且電腦實施的方法可還包括從考慮中放棄所選擇的叢集。
對可調變參數中的第一個可調變參數進行調整可使得離子束的形狀的值移動小於預定閾值量，或者使得離子束的形狀的值實質上以拋物線方式移動，且電腦實施的方法可還包括選擇可調變參數中的第一個可調變參數的值且將可調變參數中的第一個可調變參數鎖定在所選擇的值處。
這些技術可被實施為電腦實施的方法、以及儲存用於實行所述方法的指令的非暫時性電腦可讀介質、被配置成實行所述方法的設備等。根據以下圖、說明及權利要求書，其他技術特徵對於所屬領域中的技術人員來說可能是顯而易見的。
102:離子束產生器
104:離子源
106:離子選擇元件
108:開孔
110:束形狀提取器
112:成形離子束
114:束成形子系統
116:離子束
118:掃描偏置控制器
120:光學元件
122:焦點
124:軸操縱器
126:控制裝置
202、402:搜索空間
204:第一參數值
206:第二參數值
208:第一潛在解
210:第二潛在解
302:谷
304:二維熱圖
306:高度穩定解
308:高度不穩定解
310:理想解
404:第一參數值
406:第二參數值
408a、408b、408c、408d、408e、408f、408g、408h、408i、408j、408k、408l、408m、408n、408o、408p、408q、408r、408s、408t、408u、408v、408w、408x、408y、408z:所測量解
410:第一插值點
412:第二插值點
500:人工智慧/機器學習(AI/ML)環境
502:人工智慧/機器學習(AI/ML)系統
504:網路介面
506:處理器電路
508、512:訓練資料
510:儲存器
514:資料值
516:目標函數輸出
518:訓練演算法
520:模型超參數
522:AI/ML模型/模型
524:輸入結構
526:輸出結構
528:超參數優化邏輯
600:可調變參數識別邏輯
602:開始方塊
604、606、608、610、612、614、616、618、620、622、624、628、630、634、638、640、642、644、646、648、650、652、654、656:方塊
626、632:判定方塊
636:完成方塊
702:膝上型電腦
704:用戶端電腦/電腦
706:網路服務器
708:廣域網路/網路
710:資料伺服器
712:處理器
714:網路介面
716:隨機存取記憶體
718:唯讀記憶體
720:輸入/輸出介面
722:記憶體
724:作業系統軟體
726:控制邏輯/資料伺服器軟體控制邏輯
728:其他應用軟體
730:第二資料庫
732:第一資料庫
X、Y、Z:軸
為了容易識別對任何特定元素或動作的論述，參考編號中的一個或多個最高有效數字是指所述元素首次被引入的圖號。
圖1A是示出根據一個實施例的示例性離子束產生器的高級概述的方塊圖。
圖1B更詳細地繪示出根據一個實施例的圖1A所示離子束產生器的束成形子系統。
圖1C示出根據一個實施例的對圖1B所示束成形子系統的某些組件的改變如何影響離子束的形狀。
圖2繪示出根據一個實施例的二維搜索空間的簡化實例。
圖3繪示出根據一個實施例的搜索空間中的各點處的目標函數的值。
圖4A繪示出根據一個實施例的搜索空間中的目標函數的所測量探測值的實例。
圖4B繪示出根據一個實施例的所測量探測值附近的插值點的實例。
圖4C繪示出根據一個實施例的對具有低置信度值的插值點進行測量的實例。
圖5示出適用於示例性實施例的示例性人工智慧/機器學習(AI/ML)系統。
圖6A是繪示出根據示例性實施例的用於對可調變參數的配置進行識別的示例性邏輯的流程圖。
圖6B是繪示出根據示例性實施例的用於對可調變參數的配置進行識別的示例性邏輯的流程圖。
圖7繪示出可用于實踐本文中闡述的示例性實施例的例示性電腦系統架構。
不同的離子束產生器以不同的方式生成離子束及對離子束進行成形。因此，由不同的離子束產生器生成的束往往具有不同的形狀。特定離子束產生器的用戶可能希望複製由不同離子束產生器生成的形狀(例如，由於用戶具有不同離子束形狀的經驗，用於製程匹配目的等)。在其他情形中，用戶可能希望試驗新的離子束形狀以改善製程性能。
束形狀可以多種方式來闡述。可用于對束形狀進行定義的一些度量包括但不限於：●束包絡(beam envelope)(其中包含束的某個百分比(例如95%)的寬度及高度)；●垂直及水準束強度分佈(可在固定點和/或其中點被水準掃描的淨束(net beam)上測量)-實例包括全高，半最大值或“(full height,half max，FHHM)”值、束的平均值加標準差等；●垂直及水準束角度分佈(可在固定點和/或其中點被水準掃描的淨束上測量)-實例包括垂直裝置內角度(vertical within-device angle，vWIDA)、水準裝置內角度(horizontal within-device angle，hWIDA)、平均vWIDA或平均hWIDA((mean vWIDA，vWIDAM)或(mean hWIDA， hWIDAM))、vWIDA或hWIDA的標準差((standard deviation for the vWIDA，vWIDAS)或(standard deviation for the hWIDA，hWIDAS))等；以及●束的強度或平滑度的總體形狀變化，其可通過熱點的識別及定位(例如，通過最大最近鄰或“(max nearest neighbors，MNN)”技術)而作為束品質(點束與垂直及水準高斯橫截面的接近程度)來測量。
其他測量值可能不會直接影響束形狀，但可使用本文中闡述的技術進行調變。舉例來說，垂直/水準束角度平均值(beam angle mean，BAM)及束角度標準差(beam angle standard deviation，BAS)可能表示束中的非對稱性的量度，這可能是不期望的。示例性技術可用於操縱垂直BAM(vertical BAM，vBAM)、垂直BAS(vertical BAS，vBAS)、水準BAM(horizontal BAM，hBAM)及水準BAS(horizontal BAS，HBAS)，以對這些值進行最小化或校正，從而產生更對稱的束。
理想地，用戶可從多種可能性選擇期望的離子束形狀，以將離子束形狀定制成適於正在實行的特定任務。用戶可能希望：對特定的點束形狀進行配置，以匹配特定件裝備的淨製程結果；操縱三維結構如何被植入或刻蝕；和/或匹配影響所有裝置性能、良率或通量的複雜熱(或其他效應)；以及其他可能性。舉例來說，使用者可能需要寬而短的束，如果用戶試圖在晶片上賦予特定圖案並需要更精細的“點”，這可能是有用的──短的高度 使得植入能夠在垂直方向上顯著變化，同時植入大數目的離子。另一方面，窄而短的束使得用戶能夠控制束的水準變化及垂直變化二者。
另一考慮可能是點束內的電流分佈。舉例來說，可能期望高而窄的形狀來提供垂直交疊(統計平滑)且使得束的掃掠(sweep)方向能夠更快地反轉。在某些情形中，可能期望不均勻的電流分佈。舉例來說，示例性技術可用於產生同心環或其他非均勻植入，這可用於對抗賦予反均勻性的半導體製程(例如，拋光)。
在一些實施例中，這可能涉及對點束的形狀進行配置(例如，水準及垂直強度分佈、水準及垂直角度分佈、總寬度、高度、電流等)。本文中闡述的原理也可應用於改變其他類型的束(不同於點束)的配置。舉例來說，本文中闡述的技術可用於對帶狀離子束的高度進行調整。
此外，如果束的強度過於集中或不集中，則可能會發生複雜的相互作用。束可能會對下伏的矽基質產生熱量及損害。這種影響可能是期望的，也可能是不期望的，此取決於應用。
為了實現這些影響，需要在理解對這些機構進行調整將如何影響束形狀的情況下對針對產生器的束成形機構進行調整的控制器進行程式設計。然而，可通過對各種不同的束形狀參數中的任意者(例如，四元3磁體(quad 3 magnet)所使用的電流、掃描後抑制的量、聚焦的程度等)進行調整來變更離子束形狀。 這些參數中的每一者均可取大範圍的值，這意指離子束產生器有大量可能的配置。這些配置中只有一小部分可實現期望的形狀，同時還使得能夠對束的形狀進行調整。在一些配置中，對參數中的一者進行調整可使得束形狀不可預測地改變；在其他情況下，對參數進行調整可能對束形狀無任何影響。
任何給定的配置均為可測試的：可在配置中設定離子束產生器，且可對所得束形狀進行測量。然而，對配置進行測量需要時間。由於可能的配置數目龐大，因此對所有可能的配置進行測量是不切實際的。因此，用於對離子束產生器進行配置以實現期望的離子束形狀的現有解決方案往往相對慢且可能識別出次優配置。
本文中闡述的示例性實施例涉及用於對離子束產生器的可調變參數的配置進行識別的技術，可調變參數的所述配置是穩定的(僅需要改變可用可調變參數的相對小的子集來調整束形狀)，同時仍然對改變敏感(對可調變參數中的一者進行調整應使得束形狀以可預測的方式改變，優選地以線性方式改變，而不會改變得太快或太慢)。
在一個實施例中，系統可接收對離子束的期望形狀進行描述的參數。束形狀參數可根據角度、角度擴展(angle spread)、寬度、高度、強度、強度下降等來對束的形狀進行定義。
系統可還接收用於離子束產生器的可調變參數，所述離子束產生器被配置成產生離子束。可調變參數可表示對離子束產 生器的設定，所述設定可被調整以改變離子束的形狀。可調變參數可為離子束產生器的束成形子系統的特定子元件的設定(例如，施加到四極磁體(quadropole magnet)的電流、使開孔或提取操縱器移動的機械元件的位置、離子束所穿過的靜電場或電磁場的強度、聚焦電壓、掃描器偏置電壓、掃描後抑制電壓等)。
通過將這些可調變參數設定為特定值，產生特定形狀的離子束。示例性實施例的目標是對可產生期望的束形狀的可調變參數的值組合進行識別。
應注意，識別出實現特定束形狀的可調變參數的單一值組合可能並不理想。一旦實現束形狀，用戶可能仍然希望對束形狀的各方面進行調整(例如，改變束的高度、寬度或角度，同時保持其形狀)。一種配置可實現期望的形狀，但仍然可能是不穩定的：可調變參數中的一者的改變可能使得束形狀不規則地改變。因此，其餘的(未鎖定的)可調變參數應是可調整的，且當被調整時，應以可預測的方式、優選線性方式改變離子束的形狀。舉例來說，對未鎖定參數中的一者進行調整將使得離子束的寬度改變，其中寬度的增大或減少隨著對未鎖定參數的調整而以呈線性方式變化。
因此，在搜索空間中識別一個穩定且敏感的特定點可能是不夠的；考慮搜索空間中的特定點周圍的區的穩定性及靈敏度(表示通過改變特定點處的值將實現的可調變參數值)可能也是重要的。這些附近的組合被稱為叢集(cluster)。如果一叢集既穩 定又敏感，則對未鎖定參數的值進行調整將使得束形狀以可預測的方式改變。
另一目標是對盡可能多的可用可調變參數的值進行鎖定。這些鎖定值不應隨著束形狀被調整而改變。這會簡化調整過程：可更快地對束形狀進行調整，此是由於只需要改變相對少數目的可調變參數來實現期望的影響。
對實現這些目標的可調變參數的值組合進行尋找要求搜索可用的組合，以找到可行的解決方案。這需要在合理的時間內完成，這通常會妨礙對所有可能的組合進行測量。在示例性實施例中，這種搜索可通過以下方式快速實行：(1)對搜索空間中的組合的相對小的探測子樣本實行選擇性測量；(2)基於測量值而對搜索空間的區進行識別以供進一步考慮；(3)使用機器學習(machine learning，ML)回歸模型在所識別的區中針對未測量的組合對束形狀進行插值；(4)通過對這些插值的束形狀進行測量來消除相對低置信度插值周圍的不確定性；(5)對可調變參數值的有希望的叢集進行評估；以及(6)選擇滿足上述目標的叢集。
示例性實施例可相對快速地獲得好的結果，此是由於僅對可能組合的小子集(原始探測子樣本、以及回歸模型對其具有最小置信度的插值點)進行測量。搜索空間中的其餘點在高速過程中被插值，這使得以高置信度對許多點進行探測。舉例來說，在一個測試中，通過以下方式來選擇可調變參數：對625個探測點進行測量；然後使用超過1,000,000個插值(模擬)點來擴展這 些探測點。
為此，示例性實施例可在搜索空間內選擇一組探測點。搜索空間可為n維搜索空間，其中n是對應於可調變參數數目的整數。搜索空間中的每一點可表示可調變參數的可能的值組合。
對於探測點中的每一者，可接收所測量束形狀參數。所測量束形狀參數可基於由相應探測點定義的可調變參數的值組合來產生且可使用由探測點定義的可調變參數的值組合來表示束形狀參數的測量值。
示例性實施例可對回歸模型進行訓練，回歸模型被配置成提供探測點附近的插值點的所預測束形狀參數。可使用任何合適的回歸模型；例如，可使用高斯過程(Gaussian process)、梯度提升(gradient boosting)或任何其他合適的回歸器。
在一些實施例中，回歸模型提供插值點中的每一者的置信度值。舉例來說，回歸模型可對給定點的多個可能的解(solution)進行識別且可創建置信區間(confidence interval)(例如，包含95%的預測的95%置信區間)。置信區間越寬，回歸模型在所選擇的解中的置信度可能越低。舉例來說，如果置信區間是+/-0.05(例如，包含0.95與1.05之間的值)，則回歸模型在此解中的置信度高於置信區間是+/-0.20(在以上實例中將包含0.8與1.2之間的值)的情況。作為另外一種選擇或附加地，回歸模型可提供置信度分數(例如，7.8或96%)。
示例性實施例可對所述多個叢集中的與具有高於或低於 預定閾值(例如，相對寬的95%置信度區間，或相對低的置信度分數)的置信度值的低置信度插值點相關聯的一者進行識別。
回應於確定出回歸模型在插值中不是高度可信的，示例性實施例可使得在所插值的資料點處對束形狀參數進行測量。對所述值進行測量使得插值點周圍的不確定性降至零。可將所測量的值回饋到回歸模型中且將所述值用於對回歸模型進行重新訓練，從而提高回歸模型的性能。然後，可將經重新訓練的回歸模型重新應用於其他低置信度插值點，從而潛在地提高相關聯的置信度值。可對仍然具有低置信度的插值點進行測量，且所述過程可重複。
示例性實施例可基於所預測束形狀參數及所測量束形狀參數在搜索空間內對多個叢集進行定義。這些叢集可表示可調變參數的值分組，例如搜索空間的處於所選擇點的預定範圍內的區域。在一些實施例中，可對目標函數進行定義，所述目標函數描述在任何給定點處由參數組合產生的束形狀與原始供應的束形狀參數的匹配程度。目標函數可將包括束形狀的一個或多個測量值的輸入映射到分數或值，所述分數或值隨著測量值越接近原始束形狀參數而增大。可對束形狀參數進行加權，使得其中一些參數被視為比其他參數更重要；與具有較低權重的參數相比，具有較高權重的參數可能對目標函數輸出的值貢獻更大。叢集可表示搜索空間中的目標函數的局部最大值周圍的區域。
示例性實施例可針對每一相應叢集內的可調變參數的穩 定性或靈敏度中的至少一者來對所述多個叢集進行評估。在一些實施例中，可對叢集進行選擇，且可對所選擇的叢集內的可調變參數的值組合進行識別。舉例來說，可對叢集中的中心點進行選擇以用於進行評估，或者可選擇相對穩定區的中心中的點。可對在叢集內選擇的特定點進行調整，以試圖更好地實現以下提到的對離子束的形狀的影響中的一者。
可對可調變參數中的第一個可調變參數的值進行調整，且可確定這種調整對離子束的形狀的影響。可以幾種不同的方式來測量對離子束的形狀的影響。在一些實施例中，上述目標函數的值的改變可用於確定影響。在一些實施例中，可獨立地考慮個別束形狀參數的改變，且束形狀參數中的每一者的值可用作表示對束形狀的影響的值。
對可調變參數中的第一個可調變參數進行調整對離子束的形狀具有一些可能的影響。在某些情形中，即使可調變參數改變相對大的量，束形狀也不會顯著改變。在此種情形中，已知此特定可調變參數對束形狀不具有影響，且因此它不提供對束形狀進行調變的能力。因此，可將此可調變參數安全地鎖定到穩定區中的特定值。
在某些情形中，束形狀可能圍繞所選擇點以拋物線方式改變。舉例來說，束形狀可隨著可調變參數的值接近所選擇點處的值而增大且可在所述值通過所選擇點之後減小。在此種情形中，可能可將可調變參數鎖定到拋物線的最小值/最大值處獲得的 值，這可能表示相對穩定的區。
在某些情形中，改變可調變參數的值可能使得束形狀的測量值不規則地、嘈雜地或以非線性方式改變。在此種情形中，當前叢集對於選擇而言可能不是一個很好的候選項。即使期望的束形狀可在叢集內實現，束形狀也可能不以可預測的方式進行調整；改變可調變參數的值可極大地改變束形狀，或者根本不改變束形狀。因此，可能不考慮所述叢集。
在其他情形中，對第一個可調變參數的值進行調整可使得束形狀的值以實質上線性的方式改變。換句話說，對可調變參數的值的調整可使得束形狀的值成比例地改變。這個結果意指束形狀相對於第一個可調變參數是穩定且敏感的。可調變參數因此可被標記為可自由調整。可基於叢集的穩定程度(例如，表示叢集中有多少可調變參數已被鎖定，具有更大數目的經鎖定參數的叢集具有更高的穩定性分數)來對叢集評分。還可基於束形狀對叢集中未鎖定參數的調整的敏感程度來對叢集進行評分。隨著束形狀的回應變得更加線性，靈敏度分數可增大。此外，可能可期望線性回應不要太陡或太淺。如果回應由具有陡斜率的線表示，則對可調變參數的小的調整可能導致對束形狀的線性但相對大的調整。類似地，如果斜率太淺，則在束形狀以期望的方式反應之前，可能有必要大量調整可調變參數。因此，可對線性回應的目標斜率進行定義，且靈敏度分數可隨著束形狀回應接近目標斜率而增大。
兩個或更多個可調變參數以正交方式影響束形狀也可為可能的。換句話說，可調變參數中的第一個可調變參數可影響束形狀的第一方面(以線性方式改變束形狀參數中的第一個束形狀參數)，但相對於束形狀的第二方面可為中性的(其中當對第一個可調變參數進行調整時，束形狀參數中的第二個束形狀參數保持穩定)。第二個可調變參數可以相反的方式表現：對第二個可調變參數進行調整可能不會導致第一個束形狀參數改變，但可以線性方式改變第二個束形狀參數。通過實例，可能的情形是可調變參數中的一者影響離子束的水準角度而不影響垂直角度，而第二個可調變參數影響垂直角度而不影響水準角度。
在此種情況下，可對第一個可調變參數的值進行優化(例如，通過尋找一值，在所述值附近離子束測量值對第一個可調變參數的改變具有良好的靈敏度)，同時將第二個可調變參數鎖定在其自己的值處。然後，可對第一個可調變參數的值進行鎖定且可對第二個可調變參數進行解鎖。然後可對第二個可調變參數的值進行優化。由於這種設定會提供附加的自由度，因此當對叢集進行評估時，具有正交可調變參數的叢集可能優於其他叢集。
示例性實施例可基於評估而選擇所述多個叢集中的一者。可選擇具有穩定性、靈敏度和/或兩者的加權組合的最高分數的叢集。
示例性實施例可輸出針對與所選擇的叢集對應的可調變參數組合的調變設定。調變設定可識別出例如哪些可調變參數應 被鎖定(以及它們應被鎖定的值)、實現期望的束形狀的針對未鎖定可調變參數的起始值、以及哪些參數是未鎖定的且因此可調整的標識。可選地，調變設定可針對未鎖定參數提供一系列可接受的值(例如，如果離子束形狀回應變得不穩定或者對超過某些值的可調變參數不敏感，則可識別這些值，且可防止可調變參數超過這些值)。
離子束產生器可使用調變設定自動配置。在一些實施例中，調變設定可儲存在庫中；當用戶希望將來使用規定的離子束形狀時，可從庫檢索離子束形狀的調變設定且將其應用於離子束產生器。
為了說明理解，在闡述以下實施方式的詳細說明之前，將首先呈現一系列實例。應注意，這些實例旨在僅為例示性的，且當前發明不限於所示實施例。
現在參照圖式，其中相同的參考編號始終用於指代相同的元件。在以下說明中，出於闡釋的目的，陳述許多具體細節，以提供對其的透徹理解。然而，可在不具有這些具體細節的條件下實踐新穎實施例。在其他情況下，為了有利於說明，以方塊圖形式示出公知的結構及裝置。意圖是涵蓋與所主張的主題一致的所有修改、等效物及替代物。
在圖及所附說明中，名稱“a”、“b”及“c”(以及類似的名稱)旨在成為表示任何正整數的變數。因此，例如，如果實施方式設定a=5的值，則被示出為組件122-1到122-a的元件122的 完整集合可包括元件122-1、122-2、122-3、122-4及122-5。實施例不限於此上下文。
圖1A繪示出根據示例性實施例的適用于產生成形離子束112的離子束產生器102的高級概述。離子束產生器102的實例包括由加利福尼亞州聖克拉拉的應用材料公司(Applied Materials,Inc.)生產的VIISta(R)系列離子植入機。離子束產生器可用於離子植入、刻蝕、清潔表面等。
離子束產生器102可包括離子源104。離子源104可為離子束產生離子。離子源104可使用任何合適的技術(例如，電子電離、化學電離、等離子體、放電等)來產生離子。
離子源104可產生各種不同類型的離子，其中只有一些離子期望用於成形離子束112中。因此，離子選擇元件106可用於過濾掉不期望的離子，同時允許期望的離子通過而進入離子束中。舉例來說，品質分離磁體可基於質量數及價態而分離出期望的離子，或者能量分離磁體可基於它們的能量而分離出期望的離子。
然後可將離子束116提供給束成形子系統114。束成形子系統114可包括用於將離子束116調整成期望形狀的一個或多個元件。所得的成形離子束112可具有對束的形狀進行定義的許多特性。此種特性的實例包括垂直或水準束角度分佈、垂直或水準強度分佈以及水準或垂直束範圍(其中包含電流的包絡)。
束的初始形狀可由束所穿過的開孔108界定。開孔108 的大小、形狀及位置可由機械元件控制。在穿過開孔108之後，離子束可由束形狀提取器110進行調整，束形狀提取器110可包括若干元件，其實例示出在圖1B中。
舉例來說，束成形子系統114可包括改變束的掃描原點的掃描偏置控制器118；例如，掃描偏置控制器可向內或向外移動束中心。舉例來說，在圖1C中示出改變掃描偏置對於束的影響，其中更負的掃描偏置與更寬、更短的束相關聯，所述束的中心向右偏移(在圖中)。
束成形子系統114可還包括光學元件120，光學元件120被配置成通過(例如)磁場或電場來對束進行調整。光學元件120的實例包括四元2磁體及四元3磁體。四元3磁體可例如被設定成四元模式或偶極模式。改變磁體模式的影響如圖1C中所示，其中四元模式用於控制束高度及形狀，此實例中的束與紅-綠-藍(red-green-blue，RGB)分量相關聯，紅-綠-藍(RGB)分量以逐漸變高但變細的形狀彼此交疊。偶極模式一般來說用於對束進行上下操縱──在圖1C中，偶極模式與更展開的類似大小及形狀的RGB分量相關聯。光學元件120常常用於對束高度及形狀、束的垂直角度的各個方面(垂直內裝置角度或“vWIDA”、垂直束角度平均值或“VBAM”、垂直束角度擴展或“VBAS”)、以及束傳輸特性(例如下游削波)進行調整。
用語“vWIDA”及“hWIDA”一般來說指常常用於對三維晶片結構的側的進行植入的垂直角度及水準角度的擴展。通過實 例，考慮從晶片的表面延伸的立方體。立方體具有頂部及四個側，且晶片表面可相對平整且可在與立方體頂部相同的平面中延伸。如果植入機束筆直向下延伸(不具有vWIDA或hWIDA)，則只有立方體的頂部及晶片表面可被植入──立方體的側不接收任何離子。然而，如果束被賦予垂直角度分佈(vWIDA)，則立方體的側中的一個或兩個側(垂直分佈被導向其中)可接收離子。同樣通過對hWIDA進行調整，立方體的另一側也可接收離子。
束成形子系統114可還包括焦點122。焦點122可用於對束的緊密度進行調整；例如，焦點122常常用於對束的寬度及高度以及束傳輸特性進行調整。圖1C中示出改變焦點122的影響。
束成形子系統114可還包括軸操縱器124，軸操縱器124被配置成改變束的X軸、Y軸和/或Z軸的方面。圖1C中示出改變這些方面的影響。舉例來說，X軸操縱器可改變束的中心位置及水準束角度平均值。Y軸操縱器可改變束的垂直位置、束傳輸及垂直角度。Z軸操縱器可改變束的半寬、束焦點、掃描原點、中心位置及束角度平均值。
應注意，圖1B中所示的特定組件及圖1C中所示的影響僅用於例示目的。離子束產生器102可以不同的次序及不同的組合包括更多、更少或不同的成形元件。給定的成形元件對離子束的影響可能不同於圖1C中所示的成形元件。所使用的元件及其影響將取決於特定的離子束產生器102及其預期的應用。
回到圖1A，可通過改變束成形子系統114的元件的一個 或多個設定來對束成形子系統114的任何或所有元件進行調整。這些設定也可用作如下所述的可調變參數，包括(但不限於)對開孔108進行控制的機械元件的定位、聚焦量、磁電流、施加到力驅動光學元件的力的量、靜電光學元件電流、後掃描抑制、掃描器偏置、源壽命或胞元抑制(cell suppression)等。這些設定可由控制裝置126進行調整，控制裝置126可為與離子束產生器102介接的計算系統，或者是離子束產生器102本身上的控制器。
從以上論述可看出，束成形子系統114的元件中的每一者可與一個或多個可調變參數相關聯，所述一個或多個可調變參數可被改變以影響束的形狀，束的形狀本身可使用多個不同的束形狀參數來測量。識別可調變參數的哪些組合會影響束形狀參數、以及以何種方式進行影響是一項艱巨的任務。
目前，這是通過以下方法來實現：限制正在考慮的可調變參數數目(例如，一次兩個)，實際對這些可調變參數的改變對於束形狀的影響進行測量，且將結果視覺化，使得用戶可手動識別解。然而，這種方法存在若干問題。首先，通過限制正在考慮的可調變參數數目，這些解可能會忽略可能更好或更可調變的解(由於沒有考慮一些參數)。此外，由於參數一般來說一次只考慮兩個，因此這些解可能會遺漏參數中的沒有彼此結合考慮的一些參數之間的相互作用。再此外，實行測量需要時間，且對測量值進行視覺化及等待手動輸入需要更多時間。由於需要大量的時間，因此可僅考慮相對少數目的選擇。
如上所述，示例性實施例利用能夠快速搜索高維搜索空間的高效搜索策略來解決這些問題。這允許結合考慮更多可調變參數，從而得到更好的解，同時在合理的時間量內得到這些解。
圖2繪示出搜索空間202的簡化實例。為了易於例示，圖2所示搜索空間202是二維搜索空間，但實際上搜索空間202可為n維搜索空間(其中n是與可用可調變參數數目對應的整數)。搜索空間202的每一軸可與可調變參數中的一者的不同值對應；例如，搜索空間202包括第一參數值204的第一軸及第二參數值206的第二軸。
搜索空間中的每一點與可調變參數的特定值組合對應。舉例來說，圖2突出顯示第一潛在解208，其中第一參數值204相對較高(例如，“19”)且第二參數值206也相對較高(例如，“15”)。這可能對應於由元組(19,15)指定的點。在搜索空間中與第二潛在解210對應的第二點處，第一參數值204相對高(例如，“19”)，而第二參數值206相對低(例如，“1”)。這可能與由元組(19,1)指定的點對應。更高維度的空間可由具有更高維度的點來定義──5維空間中點的值的實例可為(19,15,6,22,5)。顯然，隨著更多維度的增加，可能組合的數目且因此搜索空間202的大小呈指數增長。
在搜索空間202中的每一點處，可調變參數的值組合與將產生特定束形狀的離子束產生器的設定對應。束形狀可能接近用戶尋求的期望的束形狀，或者可能不是特別接近。為了對特定 點處的束形狀與期望的束形狀的匹配程度進行評估，可對目標函數進行定義。目標函數可為例如品質因數(“figure of merit，FOM”)。
目標函數可接受一組所測量束形狀參數作為輸入，所述一組所測量束形狀參數已在基於特定點處的可調變參數對離子束產生器進行配置之後被測量。目標函數可將所測量束形狀參數映射到一值，所述值表示由所測量束形狀參數定義的束形狀與期望的束形狀的接近程度。隨著所測量束形狀接近期望的束形狀，目標函數的輸出可增加。可將束形狀參數中的每一者與映射中的權重相關聯，使得束形狀參數中的一些束形狀參數優先於其他束形狀參數。
舉例來說，如果正在考慮的束形狀參數是垂直裝置內角度平均值(“vWIDAM”)及垂直裝置內角度擴展(“vWIDAS”)，則目標函數可為：品質因數(FOM)=f(vWIDAM,vWIDAS) 式1
可通過以下方式針對搜索空間中的任何點計算目標函數：基於在點處定義的可調變參數的值組合來對離子束產生器進行配置，從而產生成形離子束；且然後使用計量裝置對成形離子束的特性進行測量。舉例來說，可將束提供給多圖元剖面儀以對束的劑量、束高度(Y-範圍、Y-西格瑪(sigma)及全高半最大值或“FHHM”)、束形狀(垂直強度)、束熱點(MNN)及陰影H角度進行測量。可將束提供給7杯XPVPS，以對束的垂直角度 (VBAS，VBAM)、每一垂直角度的標準差(vWIDA)、vWIDA的平均值(vWIDA平均值)及vWIDA的標準差(vWIDA西格瑪)進行測量。
可將測量的結果提供給目標函數，目標函數將所測量束形狀與期望的束形狀進行比較(基於指派給每一束形狀參數的權重對映射進行加權)且輸出一值。所述值越高，所產生的束越接近所期望的束形狀。
圖3繪示出相對於搜索空間中的點(沿著X軸及Y軸)映射的目標函數的值(沿著Z軸)的實例。可看出，在其中目標函數輸出低值的一些區域中存在谷302(其中所測量束形狀與目標束形狀不十分匹配)。在其中目標函數輸出高值的區域中存在峰(其中所測量束形狀與目標束形狀接近地匹配)。目標函數的輸出在此處示出為三維映射，所述三維映射基於目標函數在每一點的值處進行顏色編碼。也可將目標函數的輸出投影到二維熱圖304中以供查看。
為了易於例示，圖3繪示出在二維搜索空間中測量的目標函數的三維表示。在實踐中，示例性實施例可與二維搜索空間一起使用，但也能夠在更高維度下進行操作。
如上所述，對可調變參數的組合進行識別的一個目標是使束形狀盡可能接近地匹配期望的束形狀。因此，一個目標是在搜索空間中搜索目標函數處於局部最大值的點(例如，圖3中的峰)。
然而，從調變的角度來看，並非所有的峰均為同樣理想的。儘管給定的峰可能生成期望的束形狀，但所述峰可能存在不足，使得它不適合於調變目的。
舉例來說，圖3包括高度穩定解306(其中峰周圍的區是相對平整的平臺)。儘管這種解將產生期望的束形狀，但目標函數所輸出的值在高度穩定解306周圍的區域中保持為高的事實意指無法對高度穩定解306進行調整來改變束的形狀。因此，如果用戶希望(例如)加寬束，使用高度穩定解306作為起始點來改變調變參數將不會引起束寬度的很大改變。
圖3還繪示出高度不穩定解308。在高度不穩定解308周圍的區中，目標函數的輸出隨著可調變參數的值的改變而以非線性方式發生變化(如此區中的三維表示的高度不穩定性質所指示)。因此，如果用戶將離子束產生器設定到高度不穩定解308中，且然後對可調變參數中的一者進行調整，則離子束的所得形狀將是不可預測的且可能隨著參數的改變而變化很大。
更期望的解是理想解310。在理想解310周圍的區中，目標函數的輸出確實發生變化，這意指束的形狀確實回應可調變參數的值的改變而改變。此外，改變是平滑的及線性的──改變參數的值會以可預測的方式及成比例的方式改變束的形狀。
在此實例中，只使用了兩個可調變參數，且通過查看目標函數的圖，能夠相對容易地確定敏感解。在實踐中，當可對更多可調變參數進行調整時，所述參數可能會彼此影響且可能變得 更加難以對敏感解進行識別。因此，另一考慮是解的穩定性。在這方面，期望一些(但不是全部)參數為高度穩定的，使得這些參數的改變不會影響束形狀。可將這些參數鎖定到一穩定值且可針對靈敏度對其餘參數進行評估。這會有效地減少問題的維度，並允許使用者通過對相對少數目的可調變參數進行調整來改變束形狀。
因此，當對潛在解進行評估時，可考慮解的敏感性及其穩定性二者。高度不穩定解可能因不合適而被排除，而太穩定解也可能被排除。
可通過對搜索空間中各點處的束形狀參數進行測量來獲得目標函數的輸出。然而，實際上，可能組合的數目太多而無法及時實行這些測量。因此，示例性實施例對目標函數在非測量點處的值進行估計，以更好地瞭解目標函數在搜索空間之上的行為。圖4A到圖4C示出如何實現這一點的例示性實例。
如前所述，此實例包括簡化的搜索空間402，簡化的搜索空間402具有由第一參數值404定義的第一軸及由第二參數值406定義的第二軸。在搜索空間402內，對一數目的探測點進行定義及測量；這些點成為所測量解408a、408b、...408y。
如上所述，實行測量需要一定量的時間。可基於用於找到解的可用時間預算來選擇所使用的所測量解408a、408b、…408y的數目。作為另一種選擇或附加地，可選擇搜索點的數目，以在可調變參數的可能值之上獲得良好的覆蓋。
舉例來說，探測點的數目n可表示為值n=a num_params ，其中num_params是表示正在考慮的可調變參數數目的整數且a是每一參數要採樣的點數目。num_params的值一般來說將作為問題的定義的一部分來提供，且a可基於可用時間預算來選擇。舉例來說，給定可用時間預算，可確定出可測量不超過800個點(因此，n的最大可接受值是800)。然後，可將a的值計算為floor(n l/num_params )，或者在此實例中為5。因此，可知道，在此實例中，在時間預算內，每一可調變參數可對五個點進行採樣(產生總共625次測量)。優選地，探測點的測量次數將小於在時間預算內可實行的最大測量次數，以留出時間來對低置信度插值點進行測量，如下所述。
一旦確定出可調變參數的可測量值數目，系統便確定對哪些參數值實行測量。這可通過對離子束產生器參數進行掃掠以找到可接受的探測區域來實現。舉例來說，束成形子系統的不同元件可僅在值的一定範圍的內可調整(例如，開孔可在表示最小值的第一點與表示最大值的最後點之間移動)。參數的可用測量值數目可分佈在整個範圍內，以提供良好的覆蓋(例如，一個測量值在最小值附近，一個測量值在最大值附近，一個測量值在中心附近，一個測量值在最小值與中心之間，且一個測量值在中心與最大值之間)。可對可用可調變參數中的每一者重複此過程，且可將這些值組合在一起，以產生可調變參數的值的n個組合。然後可對這n個組合進行測量，以產生所測量解408a、408b、…408y。
如上所述，可對目標函數進行定義，目標函數將所測量解408a、408b、...408y映射到值或分數。基於目標函數的輸出，可對探測點中的每一者指派此值或分數。儘管可這種方式產生許多探測點，但其仍然僅表示搜索空間402中的點的小樣本。
為了補充探測點，示例性實施例實行如圖4B中所示的插值過程。在此實例中，正方形表示插值點。在插值點中的每一者處，機器學習回歸模型對目標函數值進行估計。可使用探測點來對回歸模型進行訓練，以對這些點處的可調變參數值與目標函數的對應輸出之間的關係進行識別。回歸模型的實例包括高斯過程、提升樹等。
回歸模型可提供圍繞探測點間隔開的預定數目的插值。舉例來說，在一次測試中，從625個所測量探測點產生了超過1,000,000個插值點。一旦被訓練，回歸模型便可使用可調變參數的一組值來實行簡單的查找且確定目標函數的估計值。這比實際測量要快得多，從而使得將產生許多插值點。
回歸模型可選地提供置信度的量度，指示回歸器認為插值的估計有多好。舉例來說，回歸模型可能提供表示分數或置信度百分比的數值，或者可能提供置信區間(值的範圍，值的回歸估計值的預定義百分比落在所述範圍內)。通過例示，高斯過程對符合資料的所有容許函數之上的概率分佈進行計算。因此，高斯過程充當資料篩檢程式，其中多個不同的可能解通過每一所測量資料點。在所測量資料點處，高斯過程的不確定性為零，但在所 測量資料點之外，不同的可能解基於統計分佈而發散。可能解的值的範圍可對未測量點的不確定性進行定義。
通過實例，圖4B示出第一插值點410，第一插值點410的值已被估計在+/-0.05內。這可能意指(例如)回歸模型計算了第一插值點410的插值IV且定義了可能解的值的範圍。發現預定量(例如，95%)的解符合置信區間(例如，95%的可能解落在IV-0.05與IV+0.05之間)。
回歸模型對此值的置信度比對第二插值點412處的值高，在第二插值點412處，不確定性的範圍是+/-0.2。由於第二插值點412與相對低的置信度值相關聯，因此它被認為是低置信度插值點。從圖4B中可看出，在第二插值點412周圍的區中，置信度也相對低(+/-0.17及+/-0.22)。這指示此區將是測量的良好候選項，這將減少所述區中的不確定性，如圖4C中所示。
在此實例中，第二插值點412已被發送到離子束產生器進行測量。因此，第二插值點412已被轉換成所測量解408z。可能可選地使用此新資訊對回歸模型進行重新訓練；這種重新訓練可能特別有益，此是由於它在回歸模型的預測高度不確定的位置中精確地提高了回歸模型的預測能力。可重新應用經重新訓練的回歸模型來對一些或所有的插值點進行重新插值。在一些實施例中，經重新訓練的回歸模型可僅對先前與相對低的置信度分數相關聯的那些點(例如，低於預定的最小閾值，或者具有高於特定大小的估計範圍)進行重新插值。
從圖4C中可看出，所測量解408z的不確定性已被減小到零，且附近區的不確定性也已減小(即，附近的插值點現在與+/-0.03及+/-0.06的範圍相關聯)。
如上所述，示例性實施例可利用回歸模型形式的人工智慧/機器學習(AI/ML)。圖5繪示出適用於示例性實施例的AI/ML環境500。
首先，注意到圖5繪示出特定的AI/ML環境500，且結合特定類型的回歸模型進行論述。然而，也存在其他AI/ML系統，且所屬領域中的普通技術人員將認識到，可使用任何合適的技術來實施除了所繪示AI/ML環境之外的AI/ML環境。
AI/ML環境500可包括AI/ML系統502，例如應用AI/ML模型522來學習可調變參數的值組合與目標函數的輸出之間的關係的計算裝置，目標函數將與所述組合相關聯的束形狀與期望的束形狀或目標束形狀進行比較。AI/ML系統502可包括處理器電路506。
AI/ML系統502可利用訓練資料508。回歸模型可使用訓練資料508來學習上述關係。根據示例性實施例，訓練資料508可為來自探測點和/或被測量的任何低置信度插值點的所測量資料。訓練資料508可包括例如表示可調變參數值的組合的資料值514及表示由目標函數基於資料值514輸出的值的目標函數輸出516。
AI/ML系統502可包括儲存器510，儲存器510可包括硬 碟驅動器、固態驅動機和/或隨機存取記憶體(random access memory，RAM)。在一些情形中，訓練資料508可遠離AI/ML系統502儲存在資料庫、庫、儲存庫等中。並且可通過網路介面504進行存取。訓練資料508也可為或作為另外一種選擇為與AI/ML系統502並置的訓練資料512(例如，儲存在AI/ML系統502的儲存器510中)，或者可為本地資料與遠端資料的組合。
可將訓練資料512應用於對模型522進行訓練。根據特定的應用而定，可能適合使用不同類型的模型522。舉例來說，高斯過程可能特別適合於學習資料值514與目標函數輸出516的關聯。高斯過程的一個特別的益處是，高斯過程產生置信區間作為預測過程的一部分，因此允許系統容易地對低置信度插值點進行重新評估，如本文中所述。
根據設計者的目標、可用的資源、可用的輸入資料量等而定，其他類型的模型522或非基於模型的系統也可很好地適用于本文中闡述的任務。
可使用任何合適的訓練演算法518對模型522進行訓練。儘管如此，圖5中所示的實例可能特別適合於監督訓練演算法。對於監督訓練演算法，AI/ML系統502可應用資料值514作為輸入資料，所得目標函數輸出516可被映射到輸入資料，以學習輸入與標籤之間的關聯。在此種情形中，目標函數輸出516可用作資料值514的標籤。
可使用處理器電路506來應用訓練演算法518，處理器電 路506可包括對儲存器510中的邏輯及結構進行操作的合適的硬體處理資源。訓練演算法518和/或訓練模型522的開發可至少部分根據模型超參數520而定。舉例來說，高斯過程可利用對兩點之間的相似性進行估計的高斯核函數(Gaussian kernel function)。核函數與多個參數相關聯，所述多個參數可被調整以影響模型522學習關聯的程度及速度。
在示例性實施例中，可基於超參數優化邏輯528而自動地選擇模型超參數520，超參數優化邏輯528可包括適合於所選擇的模型522及要使用的訓練演算法518的任何已知的超參數優化技術。舉例來說，採用高斯過程的示例性實施例可利用交叉驗證、貝葉斯(Bayesian)、梯度下降(gradient-descent)、擬牛頓(quasi-Newton)或蒙特卡羅技術(Monte-Carlo technique)。
可選地，可隨著時間而對模型522進行重新訓練。舉例來說，當收集新的所測量資料值時(例如，當對低置信度插值點進行測量時)，可將新的測量值提供給訓練演算法518以更新模型522。
在一些實施例中，可使用訓練資料512中的一些訓練資料512來對模型522進行初始訓練，且可將一些訓練資料512保留作為驗證子集。可使用訓練資料512的不包括驗證子集的部分來對模型522進行訓練，而可將驗證子集保留並用於對經訓練的模型522進行測試，以驗證模型522能夠將其預測推廣到新資料。
一旦模型522被訓練，模型522便可(由處理器電路506) 應用於新的輸入資料。新的輸入資料可包括尚未測量的可調變參數的值組合。可根據預定義的輸入結構524來對模型522的此輸入進行格式化，預定義的輸入結構524反映出訓練資料512被提供給模型522的方式。模型522可產生輸出結構526，輸出結構526可為例如要被應用於無標籤輸入的目標函數輸出516的預測。
以上說明涉及特定種類的AI/ML系統502，AI/ML系統502在給定具有輸入/結果對的可用訓練資料的情況下應用監督學習技術。然而，本發明不限於使用特定的AI/ML範例，且可使用其他類型的AI/ML技術。
圖6A及圖6B是繪示出示例性可調變參數識別邏輯600的流程圖，示例性可調變參數識別邏輯600用於對穩定的(只有可用可調變參數的相對小的子集需要被改變以對束形狀進行調整)、同時仍然對改變敏感(對可調變參數中的一者進行調整應使得束形狀以可預測的方式及線性方式改變)的可調變參數的配置進行識別。可調變參數識別邏輯600可被實施為電腦實施的方法，和/或儲存在電腦可讀介質上的指令(被配置成由處理器執行)。邏輯可由被配置成實行以下闡述的動作的合適的計算系統來實施。
處理可在開始方塊602處開始。當系統接收到指令以對給定離子束產生器(實現由束形狀參數測量的規定束形狀)的配置進行識別時，可啟動開始方塊602。可明確地(例如，用戶可基於規定的束形狀參數的目標值來定義問題)或隱含地(例如，用戶可對離子束的期望形狀及一般特性進行定義，且系統可自動確 定實現期望的形狀或特性需要束形狀參數的哪種組合)對束形狀參數進行規定。
指令可對可用於進行調整的可調變參數進行識別，所述可調變參數可包括離子束產生器上可用的所有可調變參數或可調變參數的子集。在一些實施例中，可基於正在考慮的離子束產生器的類型而自動地對可調變參數進行識別。
在方塊604處，系統可對可調變參數的探測區域進行識別。探測區域可表示可調變參數可採取的值的範圍。在一些實施例中，探測區域可被預定義並儲存在資料庫中。在其他情況下，系統可能能夠向離子束產生器查詢探測區域。在又一些實施例中，系統可通過以下方式來確定探測區域：指示與將被調整的可調變參數相關聯的子元件且基於離子束產生器的輸出來確定可調變參數何時達到最小值或最大值。
在方塊606處，系統可對探測區域進行分段，以針對可調變參數中的每一者選擇多個值。優選地，可對探測區域進行分段，以對與探測區域相關聯的可調變參數的可用值的整個範圍提供良好的覆蓋。如上所述，可基於時間預算及正在考慮的可調變參數數目來實行對探測區域進行分段。可將可調變參數中的每一者的值組合在一起，以創建表示搜索空間中的探測點的一數目個組合。
在方塊608處，系統可將權重指派給期望的形狀特性(即，在開始方塊602處接收的束形狀參數)。權重可為用戶基於 束形狀的哪些特性對用戶最重要而規定的，或者可為自動產生的。舉例來說，可能的情形是，可以一數目種不同的方式實現規定的束形狀，但需要特定的束形狀參數(或者比其他束形狀參數更多地用於實現期望的束形狀)。在此種情形中，系統可自動指派權重，所述權重會增加更關鍵參數的重要性。
在對束形狀參數進行加權之後，可對目標函數進行定義，目標函數將束形狀映射到表示束形狀與經加權束形狀參數的匹配程度的分數或值。目標函數的實例是品質因數(FOM)。
在方塊610處，系統可確定用於對束形狀進行測量的測量要求。如前所述，決定搜索空間可被探測到何種程度的限制因素是實行測量所需的時間量。然而，可能沒有必要對束的每一特性進行測量。如果在開始方塊602處提供的期望的束形狀參數允許消除某些測量(例如，如果期望的束形狀主要依賴于水準角度測量而不是垂直角度測量)，則可避免實行垂直角度測量中的一些垂直角度測量，從而減少實行每一測量所需的時間量且允許實行更多的測量。
可在方塊612處對方塊606處中定義的探測點進行採樣。舉例來說，系統可對特定的探測點進行存取，讀取可調變參數的相關聯的值，且基於所述值對離子束產生器進行配置。離子束產生器然後可使用所述配置產生成形離子束，且一個或多個計量裝置可對成形離子束的特性進行測量。可將這些測量值可應用於目標函數，以確定目標函數在探測點處的值。
在對探測點中的每一者進行採樣之後，在方塊614處，可對回歸器進行訓練。舉例來說，系統可使用基於所測量值的目標函數的輸出作為訓練資料來對高斯過程(或其他回歸模型)進行訓練。如上所述，可應用回歸模型來產生預定數目的插值點。
在方塊616處，系統可基於在方塊608處接收的權重來對插值點進行評估。舉例來說，可基於由插值點定義的可調變參數對束形狀參數的預期貢獻來重新計算目標函數的估計輸出。
在方塊618處，系統可基於每一點的經加權目標函數的值對所評估點進行分類。在方塊620處，可將最高評級的點分類到叢集中。叢集中的每一者可表示不同的局部最優值(local optimum)(可實現期望的束形狀)。系統可基於影像處理或用於識別類似分組或模式的類似技術來識別叢集。
在方塊622處，系統可選擇如方塊620中定義的下一個(或第一個)叢集進行考慮。在方塊624處，可針對不確定性來對叢集進行評估。舉例來說，可選擇與叢集相關聯的局部最優值，且可對局部最優值的不確定性進行識別。如果局部最優值表示所測量點，則不確定性可能為零或接近零。然而，假設插值點比所測量點多得多，則局部最優值將更有可能落在插值點上。如上所述，當對插值點進行計算時，回歸模型可輸出不確定性值。此不確定性值可被用作對叢集的不確定性的估計。在一些實施例中，可對來自叢集內的點的多個不確定性測量值進行組合(例如，平均)以確定叢集的不確定性。
在判定方塊626處，系統判斷叢集的不確定性是否超過預定閾值。舉例來說，預定閾值可為最小置信度分數或百分比，或者可為置信區間的值範圍的大小。如果在判定方塊626處的判定為“是”(不確定性相對高)，則處理可進行到方塊630，且可以與上述探測點相同的方式對插值點的束形狀進行測量。
在一些實施例中，系統基於叢集的不確定性對叢集進行分類且選擇預定數目的最低置信度叢集進行測量。
可使用所測量點對回歸模型進行重新訓練。在一些實施例中，系統可等待對多個不同的測量值進行分批且使用所述批測量值來對模型進行重新訓練。然後，處理可進行到判定方塊632。
如果在判定方塊626處的判定為“否”(不確定性相對低)，則在方塊628處，系統可確定使用叢集的預測值。然後，處理可進行到判定方塊632。
在判定方塊632處，系統判斷是否有更多的叢集用於進行評估。如果是，則處理返回到方塊622且選擇下一個叢集進行考慮。如果沒有，則處理進行到方塊634。
從方塊634(圖6B)，處理進行到方塊638且再次一次一個地考慮叢集。在這個階段處，所有的叢集應是相對高置信度叢集。
在方塊640處，系統選擇可調變參數中的與叢集相關聯的一者(例如，在叢集的局部最優值處指派的參數值)。在方塊642處，可對參數進行調整以觀察參數對束形狀的影響。
為此，系統可再次利用回歸模型。已被訓練來基於可調變參數值對目標函數的輸出進行預測，系統可對所選擇的叢集點的值進行改變且預測出目標函數的輸出將如何改變為結果。舉例來說，如果叢集點規定x kV的聚焦電壓值，則系統可查詢回歸模型，以查看目標函數在x+0.2kV、x+5kV、x+10kV等的聚焦電壓下如何改變。
在所選擇的參數被調整之後，系統可確定目標函數的所得預測改變。如果目標函數輸出不改變(穩定)或以拋物線方式改變，則在方塊644處，可將參數值鎖定到穩定區中的值或拋物線的最大值或最小值處。如果目標函數輸出以實質上線性方式發生變化，則在方塊646處，可將參數標記為可調變參數且可保持未鎖定。如果目標函數輸出發生變化，但以非線性方式發生變化，則在方塊650處，可從考慮中移除叢集(由於叢集可能無法用於可預測的調變)。
如果從考慮中移除叢集(處理經過方塊644或方塊646)，則在方塊648處，系統可判斷是否存在其餘的附加參數要評估。如果是，則處理返回到方塊640且選擇叢集的下一個參數用於進行評估。
如果不存在其餘的參數要評估，或者如果在方塊650處從考慮中排除叢集，則處理進行到方塊652，在方塊652處，系統判斷是否存在其餘的附加叢集要評估。如果是，則處理返回到方塊638且選擇下一個叢集。如果否，則處理進行到方塊654。
在方塊654處，針對靈敏度及穩定性對尚未從考慮中排除的叢集進行評估。作為穩定性的量度，系統可考慮叢集中有多少參數已被鎖定(方塊644)；更多被鎖定參數可能表示更穩定的配置，儘管至少一些參數需要保持未鎖定以用於調變目的。作為靈敏度的量度，系統可考慮使用保持未鎖定的可調變參數能夠操縱多少束形狀參數、以及這些參數可被改變到什麼程度。系統可考慮可調變參數與完美的線性擬合的接近程度，且可考慮線性擬合是否具有相對陡的斜率(其中對可調變參數的小調整可能使得束形狀成比例但較大地發生改變，從而使得難以實現精細調整)、相對淺的斜率(需要大的調整來影響束形狀，使得難以對束形狀產生顯著的改變)、或者接近預定值的斜率(指示期望的可調變性，所述可調變性允許精細調變，而且允許每次調整的合理改變量)。
可基於敏感度及穩定性度量對叢集進行評分。此外，具有正交可調變參數(如上所述)的叢集可能相比於不具有正交可調變參數的叢集獲得更高的分數。
在方塊656處，可選擇來自方塊654的具有最佳評估(例如，最高分數)的叢集作為最可調變配置。可對任何鎖定的參數進行標記，且可對所述參數被鎖定的值進行識別，且可將任何可調變參數設定為實現期望的束形狀的預設值(例如，對叢集進行定義的局部最優值的值)。可將這些值可保存到設定檔中且可將這些值應用於離子束產生器。在一些實施例中，可將設定檔保存在 庫中，使得可重新使用束形狀；用戶可從庫中選擇設定檔，以使用由設定檔定義的束形狀來對離子束產生器進行配置。
然後，處理可前進到完成方塊636並終止。
圖7示出系統架構及資料處理裝置的一個實例，系統架構及資料處理裝置可用於在獨立和/或聯網環境中實施本文中闡述的一個或多個例示性方面。各種網路節點(例如資料伺服器710、網路服務器706、電腦704及膝上型電腦702)可通過廣域網路708(wide area network，WAN)(例如網際網路)互連。也可使用或作為另外一種選擇使用其他網路，包括專用內聯網、公司網路、局域網(local area network，LAN)、都會區網路(metropolitan area network，MAN)無線網路、個人網路(personal network，PAN)及類似網路。網路708是為了例示的目的且可使用更少或附加的電腦網路來代替。局域網(LAN)可具有任何已知的LAN拓撲中的一種或多種且可使用多種不同協定中的一種或多種(例如乙太網)。裝置資料伺服器710、網路服務器706、電腦704、膝上型電腦702及其他裝置(未示出)可通過雙絞線、同軸纜線、光纖(fiber optics)、無線電波或其他通信介質連接到網路中的一個或多個網路。
電腦軟體、硬體及網路可在各種不同的系統環境中被利用，所述系統環境包括獨立的、聯網的、遠端存取的(也被稱為遠端桌面)、虛擬化的和/或基於雲的環境、及其他環境。
本文中使用的及圖式中繪示的用語“網路”不僅指其中遠 端存放裝置通過一個或多個通信路徑耦合在一起的系統，還指有時可耦合到具有儲存能力的這種系統的獨立裝置。因此，用語“網路”不僅包括“實體網路”，還包括“內容網路”，“內容網路”由駐留在所有實體網路上的資料(可歸因於單個實體)構成。
元件可包括資料伺服器710、網路服務器706及用戶端電腦704、膝上型電腦702。資料伺服器710提供資料庫及控制軟體的總體存取、控制及管理，以用於實行本文中闡述的一個或多個例示性方面。資料伺服器710可連接到網路服務器706，使用者通過網路服務器706與所請求的資料交互並獲得所請求的資料。作為另外一種選擇，資料伺服器710可用作網路服務器本身且直接連接到互聯網。資料伺服器710可通過網路708(例如，互聯網)、經由直接或間接連接或者經由一些其他網路連接到網路服務器706。使用者可使用遠端電腦704、膝上型電腦702與資料伺服器710交互，例如，使用網路流覽器經由網路服務器706所託管的外部暴露的一個或多個網站連接到資料伺服器710。用戶端電腦704、膝上型電腦702可與資料伺服器710協同使用，以存取儲存在其中的資料，或者可用於其他目的。舉例來說，從用戶端電腦704，使用者可使用現有技術中已知的互聯網流覽器，或者通過執行通過電腦網路(例如互聯網)與網路服務器706和/或資料伺服器710通信的軟體應用來存取網路服務器706。
伺服器與應用可組合在相同的實體機器上，並留存單獨的虛擬或邏輯位址，或者可駐留在單獨的實體機器上。圖7僅示 出可使用的網路架構的一個實例，且所屬領域中的技術人員將理解，所使用的特定網路架構及資料處理裝置可變化，且對於它們提供的功能來說是次要的，如本文中所進一步闡述。舉例來說，可將由網路服務器706提供的服務與由資料伺服器710提供的服務組合在單個伺服器上。
每一元件資料伺服器710、網路服務器706、電腦704、膝上型電腦702可為任何類型的已知電腦、伺服器或資料處理裝置。資料伺服器710例如可包括對資料伺服器710的整體操作進行控制的處理器712。資料伺服器710可還包括RAM 716、唯讀記憶體(Read Only Memory，ROM)718、網路介面714、輸入/輸出介面720(例如，鍵盤、滑鼠、顯示器、印表機等)、以及記憶體722。輸入/輸出介面720可包括各種介面單元及驅動器，以用於對資料或檔進行讀取、寫入、顯示和/或列印。記憶體722還可儲存用於對資料伺服器710的整體操作進行控制的作業系統軟體724、用於指示資料伺服器710實行本文中闡述的方面的控制邏輯726、以及提供輔助、支援和/或其他功能(可結合或不結合本文中闡述的方面使用)的其他應用軟體728。控制邏輯在本文中也可被稱為資料伺服器軟體控制邏輯726。資料伺服器軟體的功能可指基於被編碼到控制邏輯中的規則而自動做出的操作或決定、由使用者向系統提供輸入而手動做出的操作或決定、和/或基於用戶輸入(例如，查詢、資料更新等)的自動處理的組合。
記憶體722可還對在實行本文中闡述的一個或多個方面 時使用的資料進行儲存，包括第一資料庫732及第二資料庫730。在一些實施例中，第一資料庫可包括第二資料庫(例如，作為單獨的表格、報告等)。也就是說，根據系統設計而定，資訊可儲存在單個資料庫中，或者分離到不同的邏輯、虛擬或實體資料庫中。網路服務器706、電腦704、膝上型電腦702可具有與針對資料伺服器710闡述的類似或不同的架構。所屬領域中的技術人員將理解，本文中闡述的資料伺服器710(或網路服務器706、電腦704、膝上型電腦702)的功能可散佈在多個資料處理裝置上，例如，在多個電腦上分配處理負載，基於地理位置、使用者存取級別、服務品質(quality of service，QoS)等來分離事務。
一個或多個方面可實施在電腦可用或電腦可讀資料和/或電腦可執行指令中，例如實施在由一個或多個電腦或本文所述的其他裝置執行的一個或多個程式模組中。一般來說，程式模組包括常式、程式、物件、元件、資料結構等(其在由電腦或其他裝置中的處理器執行時實行特定的任務或實施特定的抽象資料類型)。模組可以隨後被編譯用於執行的原始程式碼程式設計語言來寫，或者可以例如(但不限於)HTML或XML等指令碼語言來寫。電腦可執行指令可儲存在例如非易失性儲存裝置等電腦可讀介質上。可利用任何合適的電腦可讀儲存介質，包括硬碟、光碟-ROM(Compact Disc-ROM，CD-ROM)、光學儲存裝置、磁性儲存裝置和/或它們的任何組合。另外，如本文中闡述的表示資料或事件的各種傳輸(非儲存)介質可以電磁波的形式行進經過信號傳導 介質(例如金屬線、光纖和/或無線傳輸介質(例如，空氣和/或空間))而在源與目的地之間傳送。本文中闡述的各個方面可被實施為方法、資料處理系統或電腦程式產品。因此，各種功能可全部或部分地實施在軟體、固件和/或硬體或者硬體等效物(例如積體電路、現場可程式設計閘陣列(field programmable gate array，FPGA)及類似裝置)中。特定的資料結構可用於更有效地實施本文中闡述的一個或多個方面，且這種資料結構被認為處於本文中闡述的電腦可執行指令及電腦可用資料的範圍內。
可使用分立電路系統、專用積體電路(application specific integrated circuit，ASIC)、邏輯門和/或單晶片架構的任意組合來實施上述裝置的元件及特徵。此外，在適當的情況下，可使用微控制器、可程式設計邏輯陣列和/或微處理器或者前述裝置的任何組合來實施裝置的特徵。注意，硬體、固件和/或軟體元件在本文中可被統被稱為或個別地被稱為“邏輯”或“電路”。
應理解，上述方塊圖中所示的示例性裝置可表示許多潛在實施方式的一個功能闡述性實例。因此，附圖中繪示的方塊功能的劃分、省略或包括並不暗指用於實施這些功能的硬體元件、電路、軟體和/或元件必須被劃分、省略或包括在實施例中。
至少一個電腦可讀儲存介質可包括指令，所述指令在被執行時使得系統實行本文中闡述的電腦實施的方法中任何電腦實施的方法。
可使用表達“一個實施例”或“實施例”及其派生詞來闡述 一些實施例。這些用語意指結合實施例闡述的特定特徵、結構或特性包括在至少一個實施例中。說明書中不同地方出現的短語“在一個實施例中”不一定都指同一實施例。此外，除非另有提及，否則上述特徵被認為可以任何組合一起使用。因此，除非提及特徵彼此不相容，否則單獨論述的任何特徵可彼此結合採用。
一般參照本文中使用的符號及術語，本文中的詳細說明可按照在電腦或電腦網路上執行的程式過程來呈現。所屬領域中的技術人員使用這些程式性說明及表示來向所屬領域中其他技術人員最有效地傳達他們工作的實質。
程式在此處一般來說被認為是引發期望結果的自洽的操作序列。這些操作是需要對物理量進行物理操縱的操作。經常地，儘管不是必須地，這些量採取能夠被儲存、傳送、組合、比較及以其他方式操縱的電信號、磁性信號或光學信號的形式。將這些信號稱為位元、值、元素、符號、字元、用語、數位等有時被證明是方便的，主要是出於通用的原因。然而，應注意，所有這些及類似的用語都與適當的物理量相關聯且僅為應用於那些量的方便的標籤。
此外，所實行的操縱常常被稱為例如添加或比較等用語，這些用語通常與人類操作員所實行的腦力操作相關聯。在本文中闡述的形成一個或多個實施例的一部分的操作中的任何操作中，人類操作員的這種能力在大多數情況下是不必要的或不期望的。相反，這些操作是機器操作。用於實行各種實施例的操作的 有用機器包括通用數位電腦或類似裝置。
一些實施例可使用表達“耦合”及“連接”以及它們的派生詞來闡述。這些用語不一定旨在作為彼此的同義詞。舉例來說，一些實施例可使用用語“連接”和/或“耦合”來闡述，以指示兩個或更多個元件彼此直接實體接觸或電接觸。然而，用語“耦合”也可意指兩個或更多元件彼此不直接接觸，但仍然彼此協作或交互。
各種實施例還涉及用於實行這些操作的設備或系統。此設備可為所需目的而專門構造，或者此設備可包括如由儲存在電腦中的電腦程式選擇性地啟動或重新配置的通用電腦。本文中呈現的程式並不固有地與特定的電腦或其他設備相關。各種通用機器可與根據本文中的教示寫的程式一起使用，或者可證明構造更專用的設備來實行所需的方法步驟是方便的。各種這些機器所需結構將從給出的說明顯現出來。
需要強調的是，提供本公開的摘要是為了使讀者能夠快速確定本技術公開的性質。提交摘要是基於這樣的理解：即它將不被用來解釋或限制權利要求書的範圍或含義。另外，在前面的具體實施方式中，可看出，出於簡化本公開的目的，在單個實施例中將各種特徵組合在一起。這種公開方法不應被解釋為反映出所主張的實施例需要比每一權利要求中所明確敘述多的特徵的意圖。相反，如以上權利要求書所反映，發明主題不在於單個所公開實施例的所有特徵。因此，以上權利要求書由此被結合到具體實施方式中，每一權利要求本身作為單獨的實施例。在所附權利 要求書中，用語“包括”及“其中”分別用作相應用語“包括”及“其中”的簡明英語等效物。此外，用語“第一”、“第二”、“第三”等僅用作標記，且並不旨在對其物件強加數位要求。
以上已闡述的內容包括所公開架構的實例。當然，不可能闡述元件和/或方法的每個可能的組合，但所屬領域中的普通技術人員可認識到許多進一步的組合及置換是可能的。因此，新穎架構旨在涵蓋落入所附權利要求書的精神及範圍內的所有此種變更、修改及變化。
118:掃描偏置控制器
120:光學元件
122:焦點
124:軸操縱器
X、Y、Z:軸

Claims (20)

  1. 一種電腦實施的方法，包括：接收離子束的一個或多個期望的束形狀參數以及被配置成產生所述離子束的離子束產生器的一個或多個可調變參數；在搜索空間內選擇一組的探測點，所述搜索空間中的每一點表示所述一個或多個可調變參數的值組合；對於所述探測點中的每一者，基於由相應的所述探測點定義的所述一個或多個可調變參數的所述值組合而接收所測量束形狀參數；對回歸模型進行訓練，所述回歸模型被配置成提供所述探測點附近的插值點的所預測束形狀參數；基於所述所預測束形狀參數及所述所測量束形狀參數在所述搜索空間內對多個叢集進行定義；針對所述多個叢集中的每一相應叢集內的所述一個或多個可調變參數的穩定性或靈敏度中的至少一者來對所述多個叢集進行評估；基於所述評估而選擇所述多個叢集中的一者；以及輸出針對與所選擇的所述叢集對應的所述一個或多個可調變參數的所述值組合的調變設定。
  2. 如請求項1所述的電腦實施的方法，其中所述回歸模型還被配置成提供所述插值點中的每一者的置信度值，且還包括：對所述多個叢集中的與具有高於或低於預定閾值的置信度值的低置信度插值點相關聯的一者進行識別；以及 使用由所述低置信度插值點定義的所述一個或多個可調變參數的所述值組合而接收所述離子束的形狀的測量值。
  3. 如請求項1所述的電腦實施的方法，其中對所述多個叢集進行評估包括：選擇一叢集且對所選擇的所述叢集的所述一個或多個可調變參數的所述值組合進行識別；對所述一個或多個可調變參數中的第一個可調變參數的值進行調整；以及對所述調整對於所述離子束的形狀的值的影響進行識別。
  4. 如請求項3所述的電腦實施的方法，其中對所述一個或多個可調變參數中的所述第一個可調變參數進行調整使得所述離子束的所述形狀的所述值以非線性方式移動，且還包括從考慮中放棄所選擇的所述叢集。
  5. 如請求項3所述的電腦實施的方法，其中對所述一個或多個可調變參數中的所述第一個可調變參數進行調整使得所述離子束的所述形狀的所述值移動小於預定閾值量，或者使得所述離子束的所述形狀的所述值以拋物線方式移動，且還包括選擇所述一個或多個可調變參數中的所述第一個可調變參數的值且將所述一個或多個可調變參數中的所述第一個可調變參數鎖定在所選擇的所述值處。
  6. 如請求項1所述的電腦實施的方法，其中基於所述評估而選擇所述多個叢集中的一者包括選擇具有最大數目的可調變 參數的叢集，所述最大數目的可調變參數具有已被鎖定到適當位置的值。
  7. 如請求項1所述的電腦實施的方法，其中基於所述評估而選擇所述多個叢集中的一者包括：識別出正在評估的叢集的第一個可調變參數對於所述一個或多個期望的束形狀參數中的第一個束形狀參數具有線性的影響且對於所述一個或多個期望的束形狀參數中的第二個束形狀參數具有中性的影響；識別出正在評估的所述叢集的第二個可調變參數對於所述一個或多個期望的束形狀參數中的所述第一個束形狀參數具有中性的影響且對於所述一個或多個期望的束形狀參數中的所述第二個束形狀參數具有線性的影響；以及選擇正在評估的所述叢集。
  8. 一種非暫時性的電腦可讀儲存介質，所述電腦可讀儲存介質包括指令，所述指令在由電腦執行時使所述電腦：接收離子束的一個或多個期望的束形狀參數以及被配置成產生所述離子束的離子束產生器的一個或多個可調變參數；在搜索空間內選擇一組的探測點，所述搜索空間中的每一點表示所述一個或多個可調變參數的值組合；對於所述探測點中的每一者，基於由相應的所述探測點定義的所述一個或多個可調變參數的所述值組合而接收所測量束形狀參數； 對回歸模型進行訓練，所述回歸模型被配置成提供所述探測點附近的插值點的所預測束形狀參數；基於所述所預測束形狀參數及所述所測量束形狀參數在所述搜索空間內對多個叢集進行定義；針對所述多個叢集中的每一相應叢集內的所述一個或多個可調變參數的穩定性或靈敏度中的至少一者來對所述多個叢集進行評估；基於所述評估而選擇所述多個叢集中的一者；以及輸出針對與所選擇的所述叢集對應的所述一個或多個可調變參數的所述值組合的調變設定。
  9. 如請求項8所述的電腦可讀儲存介質，其中所述回歸模型還被配置成提供所述插值點中的每一者的置信度值，且其中所述指令還將所述電腦配置成：對所述多個叢集中的與具有高於或低於預定閾值的置信度值的低置信度插值點相關聯的一者進行識別；以及使用由所述低置信度插值點定義的所述一個或多個可調變參數的所述值組合而接收所述離子束的形狀的測量值。
  10. 如請求項8所述的電腦可讀儲存介質，其中對所述多個叢集進行評估包括：選擇一叢集且對所選擇的所述叢集的所述一個或多個可調變參數的所述值組合進行識別；對所述一個或多個可調變參數中的第一個可調變參數的值進行調整；以及 對所述調整對於所述離子束的形狀的值的影響進行識別。
  11. 如請求項10所述的電腦可讀儲存介質，其中對所述一個或多個可調變參數中的所述第一個可調變參數進行調整使得所述離子束的所述形狀的所述值以非線性方式移動，且其中所述指令還將所述電腦配置成從考慮中放棄所選擇的所述叢集。
  12. 如請求項10所述的電腦可讀儲存介質，其中對所述一個或多個可調變參數中的所述第一個可調變參數進行調整使得所述離子束的所述形狀的所述值移動小於預定閾值量，或者使得所述離子束的所述形狀的所述值以拋物線方式移動，且其中所述指令還將所述電腦配置成選擇所述一個或多個可調變參數中的所述第一個可調變參數的值且將所述一個或多個可調變參數中的所述第一個可調變參數鎖定在所選擇的所述值處。
  13. 如請求項8所述的電腦可讀儲存介質，其中基於所述評估而選擇所述多個叢集中的一者包括選擇具有最大數目的可調變參數的叢集，所述最大數目的可調變參數具有已被鎖定在適當位置的值。
  14. 如請求項8所述的電腦可讀儲存介質，其中基於所述評估而選擇所述多個叢集中的一者包括：識別出正在評估的叢集的第一個可調變參數對於所述一個或多個期望的束形狀參數中的第一個束形狀參數具有線性的影響且對於所述一個或多個期望的束形狀參數中的第二個束形狀參數具有中性的影響； 識別出正在評估的所述叢集的第二個可調變參數對於所述一個或多個期望的束形狀參數中的所述第一個束形狀參數具有中性的影響且對於所述一個或多個期望的束形狀參數中的所述第二個束形狀參數具有線性的影響；以及選擇正在評估的所述叢集。
  15. 一種計算設備，包括：處理器；以及記憶體，儲存指令，所述指令在由所述處理器執行時將所述計算設備配置成：接收離子束的一個或多個期望的束形狀參數以及被配置成產生所述離子束的離子束產生器的一個或多個可調變參數；在搜索空間內選擇一組的探測點，所述搜索空間中的每一點表示所述一個或多個可調變參數的值組合；對於所述探測點中的每一者，基於由相應的所述探測點定義的所述一個或多個可調變參數的所述值組合而接收所測量束形狀參數；對回歸模型進行訓練，所述回歸模型被配置成提供所述探測點附近的插值點的所預測束形狀參數；基於所述所預測束形狀參數及所述所測量束形狀參數在所述搜索空間內對多個叢集進行定義；針對所述多個叢集中的每一相應叢集內的所述一個或多個可調變參數的穩定性或靈敏度中的至少一者來對所述多個叢集進行評估；基於所述評估而選擇所述多個叢集中的一者；以及 輸出針對與所選擇的所述叢集對應的所述一個或多個可調變參數的所述值組合的調變設定。
  16. 如請求項15所述的計算設備，其中所述回歸模型還被配置成提供所述插值點中的每一者的置信度值，且其中所述指令還將所述計算設備配置成：對所述多個叢集中的與具有高於或低於預定閾值的置信度值的低置信度插值點相關聯的一者進行識別；以及使用由所述低置信度插值點定義的所述一個或多個可調變參數的所述值組合而接收所述離子束的形狀的測量值。
  17. 如請求項15所述的計算設備，其中對所述多個叢集進行評估包括：選擇一叢集且對所選擇的所述叢集的所述一個或多個可調變參數的所述值組合進行識別；對所述一個或多個可調變參數中的第一個可調變參數的值進行調整；以及對所述調整對於所述離子束的形狀的值的影響進行識別。
  18. 如請求項17所述的計算設備，其中對所述一個或多個可調變參數中的所述第一個可調變參數進行調整使得所述離子束的所述形狀的所述值以非線性方式移動，且其中所述指令還將所述計算設備配置成從考慮中放棄所選擇的所述叢集。
  19. 如請求項17所述的計算設備，其中： 對所述一個或多個可調變參數中的所述第一個可調變參數進行調整使得所述離子束的所述形狀的所述值移動小於預定閾值量，或者使得所述離子束的所述形狀的所述值以拋物線方式移動，所述指令還將所述計算設備配置成選擇所述一個或多個可調變參數中的所述第一個可調變參數的值且將所述一個或多個可調變參數中的所述第一個可調變參數鎖定在所選擇的所述值處，且基於所述評估而選擇所述多個叢集中的一者包括選擇具有最大數目的可調變參數的叢集，所述最大數目的可調變參數具有已被鎖定在適當位置的值。
  20. 如請求項15所述的計算設備，其中基於所述評估而選擇所述多個叢集中的一者包括：識別出正在評估的叢集的第一個可調變參數對於所述一個或多個期望的束形狀參數中的第一個束形狀參數具有線性的影響且對於所述一個或多個期望的束形狀參數中的第二個束形狀參數具有中性的影響；識別出正在評估的所述叢集的第二個可調變參數對於所述一個或多個期望的束形狀參數中的所述第一個束形狀參數具有中性的影響且對於所述一個或多個期望的束形狀參數中的所述第二個束形狀參數具有線性的影響；以及選擇正在評估的所述叢集。
TW111125629A 2021-07-14 2022-07-08 電腦實施的方法、電腦可讀儲存介質以及計算設備 TWI835193B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/375,488 US20230013095A1 (en) 2021-07-14 2021-07-14 Methods, mediums, and systems for identifying tunable domains for ion beam shape matching
US17/375,488 2021-07-14

Publications (2)

Publication Number Publication Date
TW202307893A TW202307893A (zh) 2023-02-16
TWI835193B true TWI835193B (zh) 2024-03-11

Family

ID=84892277

Family Applications (2)

Application Number Title Priority Date Filing Date
TW111125629A TWI835193B (zh) 2021-07-14 2022-07-08 電腦實施的方法、電腦可讀儲存介質以及計算設備
TW113104841A TW202422610A (zh) 2021-07-14 2022-07-08 電腦實施的方法以及離子植入機

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW113104841A TW202422610A (zh) 2021-07-14 2022-07-08 電腦實施的方法以及離子植入機

Country Status (6)

Country Link
US (1) US20230013095A1 (zh)
JP (1) JP2024528621A (zh)
KR (1) KR20240015719A (zh)
CN (1) CN117597760A (zh)
TW (2) TWI835193B (zh)
WO (1) WO2023287561A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003021630A1 (en) * 2001-08-30 2003-03-13 Varian Semiconductor Equipment Associates, Inc. Method and apparatus for tuning ion implanters
US20060284114A1 (en) * 2005-05-24 2006-12-21 Varian Semiconductor Equipment Associates, Inc. Technique for uniformity tuning in an ion implanter system
US20080245957A1 (en) * 2007-04-03 2008-10-09 Atul Gupta Tuning an ion implanter for optimal performance
TW201734955A (zh) * 2016-01-11 2017-10-01 克萊譚克公司 為樣品產生模擬輸出
TW201942769A (zh) * 2018-02-23 2019-11-01 荷蘭商Ａｓｍｌ荷蘭公司 用於圖案語意分割之深度學習

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6960774B2 (en) * 2003-11-03 2005-11-01 Advanced Micro Devices, Inc. Fault detection and control methodologies for ion implantation processes, and system for performing same
US20070224840A1 (en) * 2006-03-21 2007-09-27 Varian Semiconductor Equipment Associates, Inc. Method of Plasma Processing with In-Situ Monitoring and Process Parameter Tuning
KR102449586B1 (ko) * 2017-02-24 2022-10-04 에이에스엠엘 네델란즈 비.브이. 기계 학습에 의해 공정 모델들을 결정하는 방법들
JP2019078578A (ja) * 2017-10-23 2019-05-23 株式会社日立ハイテクノロジーズ パターン計測方法、パターン計測装置、及びコンピュータープログラム
US11462385B2 (en) * 2019-03-25 2022-10-04 Nissin Ion Equipment Co., Ltd. Ion beam irradiation apparatus and program therefor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003021630A1 (en) * 2001-08-30 2003-03-13 Varian Semiconductor Equipment Associates, Inc. Method and apparatus for tuning ion implanters
US20060284114A1 (en) * 2005-05-24 2006-12-21 Varian Semiconductor Equipment Associates, Inc. Technique for uniformity tuning in an ion implanter system
US20080245957A1 (en) * 2007-04-03 2008-10-09 Atul Gupta Tuning an ion implanter for optimal performance
TW201734955A (zh) * 2016-01-11 2017-10-01 克萊譚克公司 為樣品產生模擬輸出
TW201942769A (zh) * 2018-02-23 2019-11-01 荷蘭商Ａｓｍｌ荷蘭公司 用於圖案語意分割之深度學習

Also Published As

Publication number Publication date
CN117597760A (zh) 2024-02-23
TW202307893A (zh) 2023-02-16
KR20240015719A (ko) 2024-02-05
US20230013095A1 (en) 2023-01-19
JP2024528621A (ja) 2024-07-30
WO2023287561A1 (en) 2023-01-19
TW202422610A (zh) 2024-06-01

Similar Documents

Publication Publication Date Title
US12002194B2 (en) Training an artificial neural network using simulated specimen images
US20210287354A1 (en) Self-measurement of semiconductor image using deep learning
WO2022179241A1 (zh) 一种缺失条件下的高斯混合模型聚类机器学习方法
Peng et al. A population diversity maintaining strategy based on dynamic environment evolutionary model for dynamic multiobjective optimization
US11227193B2 (en) Automated image measurement for process development and optimization
JP3512954B2 (ja) パターン近接効果補正方法、プログラム、及び装置
US10950508B2 (en) Ion depth profile control method, ion implantation method and semiconductor device manufacturing method based on the control method, and ion implantation system adapting the control method
CN110674940B (zh) 一种基于神经网络的多指标异常检测方法
Wright et al. Quantum inspired evolutionary algorithms with improved rotation gates for real-coded synthetic and real world optimization problems
TWI835193B (zh) 電腦實施的方法、電腦可讀儲存介質以及計算設備
Vargas et al. General subpopulation framework and taming the conflict inside populations
US20220172105A1 (en) Efficient and scalable computation of global feature importance explanations
CN108549936A (zh) 基于深度学习的自组织神经网络拓扑保持的增强方法
Zhang et al. Color clustering using self-organizing maps
Ma et al. A multiplicative maximin-based evaluation approach for evolutionary many-objective optimization
Tareq et al. A new density-based method for clustering data stream using genetic algorithm
Mandal et al. Analysis of various transfer functions for binary owl search algorithm in feature selection problem
WO2019244596A1 (ja) データ処理装置、データ処理方法、データ処理プログラム、及び非一時的記録媒体
Edwards et al. Comparing particle swarm optimisation and genetic algorithms for nonlinear mapping
Chen et al. Footprinting the Behaviour of Particle Swarm Optimization with Increasing Dimensionality
Jin et al. An Improved Algorithm of Quantum Particle Swarm Optimization.
Igarashi Visualization of optimal solutions using self-organizing maps in computational electromagnetism
Zhao et al. Parallel Clustering Algorithm for High-dimensional Data Combining Improved Fruit Fly Optimization and Density Peak Clustering
Zhao et al. An Improved Cooperative RDPSO Algorithm Based on Search History Decision
Kassim et al. Development of an evolutionary cost sensitive decision tree induction algorithm