CN111542916A

CN111542916A - 使用设计补偿扫描电子显微镜束的失真引起的计量误差

Info

Publication number: CN111542916A
Application number: CN201980007200.0A
Authority: CN
Inventors: H·S·帕特汉吉
Original assignee: KLA Tencor Corp
Current assignee: KLA Corp
Priority date: 2018-01-05
Filing date: 2019-01-03
Publication date: 2020-08-14
Anticipated expiration: 2039-01-03
Also published as: TW201939564A; CN111542916B; TWI781272B; WO2019136182A1; KR20200096990A; KR102463962B1; US20190214223A1; US10529534B2

Abstract

本发明揭示用于量化且校正用于计量操作的图像中的不均匀性的方法及系统。可使用晶片的计量区域图像及设计剪辑。所述计量区域图像可为扫描电子显微镜图像。所述设计剪辑可为所述晶片的所述设计剪辑或合成设计剪辑。可量化且校正包含电子束失真的工具失真。可将所述设计剪辑应用到所述计量区域图像以获得合成图像，使得一或多个工艺改变变化被抑制且一或多个工具失真被增强。

Description

使用设计补偿扫描电子显微镜束的失真引起的计量误差

相关申请案的交叉参考

本申请案主张2018年1月5日申请且指派为第201841000566号申请案的印度专利申请案及2018年2月26日申请且指派为第62/635,316号美国申请案的临时专利申请案的优先权，所述申请案的揭示内容特此以引用的方式并入本文中。

技术领域

本发明涉及半导体晶片计量。

背景技术

半导体制造行业的演进对良率管理及特定来说计量及检验系统提出更高要求。临界尺寸在缩小而晶片大小在增大。经济性在驱动行业缩短实现高良率、高价值生产的时间。最小化从检测到良率问题到解决它的总时间决定半导体制造商的投资报酬率。

制造例如逻辑及存储器装置的半导体装置通常包含使用大量制造工艺处理半导体晶片以形成半导体装置的各种特征及多个层级。举例来说，光刻是涉及将图案从光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。可在单个半导体晶片上的布置中制造多个半导体装置且接着将其分离为个别半导体装置。

在半导体制造期间的各种步骤使用计量过程来监测且控制工艺。计量过程与检验过程不同的处在于：不同于其中在晶片上检测缺陷的检验过程，计量过程用于测量无法使用现有的检验工具确定的晶片的一或多个特性。计量过程可用于测量晶片的一或多个特性，使得工艺的性能可从一或多个特性确定。举例来说，计量过程可测量在工艺期间形成于晶片上的特征的尺寸(例如，线宽、厚度等)。另外，如果晶片的一或多个特性是不可接受的(例如，在所述特性的预定范围之外)，那么可使用晶片的一或多个特性的测量来更改工艺的一或多个参数，使得由所述工艺制造的额外晶片具有可接受特性。

随着先进技术节点中的图案密度及复杂度增大，使用扫描电子显微镜(SEM)的自动化线内计量操作正主张先进工艺控制中的增大的份额。然而，使用SEM获得的图像容易受到跨视野(FOV)的特定不均匀性影响。这些不均匀性的大部分对于缺陷重检、分类或类似练习是可容忍或可忽略的。然而，FOV内或跨FOV的此类不均匀性可导致计量操作中的系统性或随机测量误差。

一些不均匀性可包含SEM束引发的失真，其源自束位置误差、束点大小误差、像散校正(stigmation)误差或其它原因。所成像的一些层还可归因于在FOV边缘处的主光束偏转而展现此行为。此类误差通常可引发在晶片的不同部分处的单个FOV内或跨多个FOV的图像失真。

图5到8是通过比较示范不均匀性或工艺系统性的示范性SEM图像。图5是不具有跨FOV的可见失真的清晰图像。图6是具有跨FOV的失真的失真图像。在图6的接触孔阵列区中，在FOV的边缘处的接触点归因于用于成像的未校准束而失真。失真接触孔的直径测量将归因于失真效应而受影响。

图7是不具有工艺系统性的清晰图像。FOV中的接触点的平均直径是类似的。图8是具有工艺系统性的图像。FOV中的接触点的平均直径是不同的。就束失真来说，图8的图像可被标记为未失真清晰图像。

增加此问题的复杂度的是，跨多个帧对许多SEM图像求平均值。这些失真可不恒定贡献于个别帧。SEM图像可展现带电假影或展示所成像的结构的不实表示。

虽然这些失真对于重检或分类可能不是关键的，但计量操作的性能可通过量化且校正所述失真而改进。因此，需要半导体晶片计量的改进方法及系统。

发明内容

在第一实施例中，提供一种补偿扫描电子显微镜束的失真引起的计量误差的方法。在处理器处接收晶片的计量区域图像及来自存储媒体的设计剪辑(design clip)。使用所述处理器将所述设计剪辑应用于所述计量区域图像，借此获得合成图像。一或多个工艺改变变化被抑制且一或多个工具失真被增强。可对所述合成图像执行计量操作。

所述设计剪辑可为所述晶片的设计或合成设计剪辑。所述合成设计剪辑可凭借机器算法使用所述工艺改变变化且将所述合成设计剪辑传送到所述存储媒体而产生。产生所述合成设计剪辑可进一步包含在机器学习模块处接收来自一或多个工艺调制晶片的图像及数据且在所述机器学习模块处使用所述机器算法学习所述工艺改变变化。所述机器算法可为深度学习算法。

所述计量区域图像可为扫描电子显微镜图像或多个扫描电子显微镜图像的平均值。

所述存储媒体可为永久性、非暂时性存储媒体。

可使用扫描电子显微镜获得所述晶片的所述计量区域图像。

可基于所述计量操作调谐晶片计量工具的系统组件以减小失真。

在第二实施例中，提供一种补偿失真引起的计量误差的系统。所述系统包含：晶片计量工具，其经配置以产生计量区域图像；及处理器，其与所述晶片计量工具电子通信。所述处理器经配置以接收且应用设计剪辑到所述计量区域图像，使得一或多个工艺改变变化被抑制，且一或多个工具失真被增强，借此获得合成图像。所述晶片计量工具可为扫描电子显微镜。

所述系统可包含含有所述设计剪辑的电子数据存储媒体。所述电子数据存储媒体可与所述处理器电子通信。

所述处理器可经配置以对所述合成图像执行计量操作。

所述设计剪辑可为合成设计剪辑。在此例子中，所述系统包含机器学习模块，所述机器学习模块经配置以：接收来自一或多个工艺调制晶片的图像及数据；使用所述图像及数据学习所述工艺改变变化；及使用所述工艺改变变化产生所述合成设计剪辑。

在第三实施例中，提供一种非暂时性计算机可读存储媒体，其包括用于在一或多个计算装置上执行步骤的一或多个程序。所述步骤可包含：应用设计剪辑到计量区域图像，借此获得合成图像，使得一或多个工艺改变变化被抑制且一或多个工具失真被增强；及发送指令以对所述合成图像执行计量操作。

所述设计剪辑可为合成设计剪辑。在此例子中，所述步骤包含凭借机器算法使用所述工艺改变变化产生所述合成设计剪辑。所述机器算法可为深度学习算法。

附图说明

为更完全理解本发明的性质及目的，应参考结合附图进行的以下实施方式，其中：

图1说明示范性设计剪辑、示范性SEM图像、SEM平均图像上的设计剪辑的示范性叠加及示范性合成设计剪辑；

图2展示根据本发明的使用经存储合成设计剪辑来改进计量过程的方法的实施例；

图3展示根据本发明的产生且存储合成设计剪辑的方法的实施例；

图4是根据本发明的系统的实施例的框图；

图5及6是通过比较示范非均匀性的示范性SEM图像；及

图7及8是通过比较示范工具失真及工艺改变变化的示范性SEM图像。

具体实施方式

尽管依据特定实施例描述所主张的标的物，但其它实施例(包含未提供本文中阐述的全部益处及特征的实施例)还在本发明的范围内。可在不脱离本发明的范围的情况下做出各种结构、逻辑、过程步骤及电子改变。因此，仅参考所附发明权利要求书定义本发明的范围。

本发明的实施例提供一种用于量化且校正用于计量操作中的图像中的不均匀性的方法及系统。可量化工具失真。可考虑所述失真的帧级行为，且可酌情校正所述失真。在例子中，SEM图像及设计剪辑用于量化且校正FOV失真。

本文揭示的实施例可通过使用线内算法来校正可包含电子束失真的工具失真而改进计量操作。对计量操作的改进可基于经量化失真。

然而，并非所有失真是工具失真。特定来说，随机工艺可变性可引发图案保真度的改变，此产生工艺改变变化。因此，本文揭示的实施例还可将工具失真与工艺改变变化隔离。

参考图1，设计剪辑101含有设计多边形105。设计剪辑101可为进行计量测量的晶片的设计。图1还说明通过对多个个别帧求平均值而编译的SEM图像102、SEM图像102上方的设计多边形的叠加103，及合成图像104。这些仅是实例。其它装置设计、图像、叠加或合成图像是可能的。

图2展示使用设计剪辑来改进计量过程的方法200的实施例。方法200可补偿SEM束失真引发的计量误差。

在步骤201中接收晶片的计量区域图像(例如图1的SEM图像102)。计量区域图像可为SEM图像或多个SEM图像的平均值。在步骤203中，从电子数据存储媒体202接收设计剪辑，电子数据存储媒体202可为永久性、非暂时性存储媒体。设计剪辑可为晶片的设计。设计剪辑还可为如相对于图3描述的合成设计剪辑。

虽然揭示SEM图像，但还可使用透射电子显微术(TEM)图像。

在步骤204中，将设计剪辑应用到计量区域图像，使得工艺改变变化被抑制且工具失真被增强。举例来说，图7及8是示范工具失真的增强及工艺改变变化的抑制的示范性SEM图像。本文揭示的实施例可(例如)抑制图6中所见的失真同时保持图8中所见的改变。可需要识别或捕获这些改变。

可使用图像比较及呈现过程将设计剪辑应用到计量区域图像。这可确保设计剪辑与SEM图像尽可能接近地匹配。机器学习可协助图像比较及呈现。

返回参考图2，使用步骤204获得合成图像。在步骤205中，可对合成图像执行计量操作。举例来说，计量可用于量化且减除失真效应。可使用SEM图像来执行额外测量。

设计剪辑可用作量化计量区域图像中的失真的参考。如果计量区域图像及设计剪辑中的所有差异是由(例如)SEM束、SEM系统硬件或SEM系统软件引起，那么可隔离及/或量化失真。在隔离及/或量化失真之后，可在计量操作期间使用算法来校正失真。因此，可执行调谐。

图2的实施例可改进由检验工具产生的计量结果的准确度及精确度，这可促成更严格工艺控制数据。

计量区域图像可使用SEM获得，所述SEM还可执行计量操作。在另一例子中，不同计量系统可获得计量区域图像且执行进一步计量操作。

计量区域图像与设计剪辑之间的差异可能并非都来自SEM束、SEM系统硬件或SEM系统软件。随机工艺可变性可引发图案保真度的改变。在此类例子中，可需要隔离来源于工具失真及工艺改变的计量区域图像与设计剪辑之间的差异。来自工艺调制晶片的图像及数据可用于产生合成设计剪辑以解决此问题。

图3展示产生且存储合成设计剪辑的方法300的实施例。在机器学习模块处接收来自一或多个工艺调制晶片301的图像或图像及数据。数据可包含(例如)与对准过程及/或呈现相关的后设数据。在步骤302，可在机器学习模块处将图像或图像及数据输入到机器或深度学习算法中以学习工艺改变变化。这些工艺改变变化在步骤303中用来产生合成设计剪辑，其在步骤304中与电子数据存储媒体305通信及/或存储于电子数据存储媒体305中。可使用叠加及呈现过程产生设计剪辑。电子数据存储媒体305中的合成设计剪辑可接着用于一或多个计量或检验步骤中。合成设计剪辑可在多个训练周期内抑制跨FOV的工艺变化且增强束工具引发的失真。在训练周期的数目增加的情况下，机器学习可变得更好且更稳健，这是因为额外图像或数据可用于学习。

机器算法可为深度学习算法。深度学习算法可为具有一组权重的深度学习神经网络，所述组权重根据已被馈送给所述深度学习神经网络来训练它的数据来对世界建模。神经网络可大体上被定义为基于松散地模型化生物大脑使用通过轴突连接的生物神经元的相对大群集解决问题的方式的神经单元的相对大集合的运算方法。每一神经单元与许多其它神经单元连接，且连结可强制执行或抑制其对经连接神经单元的激发状态的效应。这些系统是自我学习且被训练而非明确编程且可在解决方案或特征检测难以在传统计算机程序中表达的领域中具有优势。深度学习是具有多个神经层的概率图模型(通常被称为深度架构)。深度学习技术以阶层方式处理信息(例如图像、文字、语音或其它输入)。在本发明中使用深度学习时，可使用学习数据自动完成特征提取。这比基于专家对一组图像的理解提取特征的先前方法更有利。

神经网络通常由多个层构成，且信号路径从前部横越到后部。神经网络的目标是以与人脑相同的方式解决问题。神经网络项目通常结合数千到数百万个神经单元及数百万连接工作。神经网络可具有所属领域中已知的任何适当架构及/或配置。

存在取决于概率规格及网络架构的具有深度架构的神经网络的许多变体，其包含但不限于深度信任网络(DBN)、受限玻尔兹曼机(RBM)、自动编码器或卷积神经网络(CNN)。实际实施方案可取决于可得信息、所提供的信息的大小及问题的性质而变化。

当然，可使用其它类型的机器学习算法。这些仅作为实例列出。

在例子中，机器算法可学习多边形形状且在SEM图像与设计剪辑之间逐像素映射。

图1中的合成图像104到SEM图像102的叠加可意味着差异主要基于工具且非基于设计。

机器或深度学算法302可在连续过程中重复以不断精细化所述算法以更好地忽略随机变化或工艺改变变化，且因此，更好地隔离且校正工具引发的失真。在重复学习周期内，模型可变得更能感知工艺。

机器或深度学习算法可与基于设计的工具引发的失真减小集成以用于工具上SEM计量操作。这可改进由SEM系统产生的计量结果的准确度及精确度，且因此促成更严格工艺控制数据。

在本发明的另一实施例中且参考图2及图3，电子数据存储媒体202及电子数据存储媒体305是指相同电子数据存储媒体或不同电子数据存储媒体。

在实施例，图2或图2及3中说明的方法的结果可用作用于工具调谐的反馈回路。举例来说，可识别SEM系统中造成失真的系统组件。可基于结果调谐或以其它方式调整这些系统组件。可在校准期间减小或消除失真。

图4是用于补偿SEM束失真引发的计量误差的系统400的实施例的框图。系统400包含经配置以产生计量区域图像的晶片计量工具。晶片计量工具可为SEM或另一类型的计量工具。

晶片计量工具包含输出获取子系统，所述输出获取子系统包含至少能量源及检测器。输出获取子系统可为基于电子束的输出获取子系统。举例来说，在一个实施例中，引导到晶片404的能量包含电子，且从晶片404检测的能量包含电子。以此方式，能量源可为电子束源。在图4中展示的一个此实施例中，输出获取子系统包含耦合到计算机子系统402的电子柱401。

还如图4中展示，电子柱401包含电子束源403，电子束源403经配置以产生由一或多个元件405聚焦到晶片404的电子。电子束源403可包含例如阴极源或发射器尖端。一或多个元件405可包含例如枪透镜、阳极、光束限制孔隙、闸阀、光束电流选择孔隙、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类合适元件。

可通过一或多个元件406将从晶片404返回的电子(例如，二次电子)聚焦到检测器407。一或多个元件406可包含例如扫描子系统，所述扫描子系统可为包含于元件405中的相同扫描子系统。

电子柱还可包含所属领域中已知的任何其它合适元件。

尽管电子柱401在图4中展示为经配置使得电子按倾斜入射角引导到晶片404且按另一倾斜角从晶片404散射，但应了解电子束可按任何合适角引导到晶片404且从晶片404散射。另外，基于电子束的输出获取子系统可经配置以使用多个模式来产生晶片404的图像(例如，用不同照明角、收集角等)。基于电子束的输出获取子系统的多个模式可在输出获取子系统的任何图像产生参数方面不同。

计算机子系统402可如上文描述那样耦合到检测器407。检测器407可检测从晶片404的表面返回的电子，借此形成晶片404的电子束图像。电子束图像可包含任何合适电子束图像。计算机子系统402可经配置以使用检测器407的输出及/或电子束图像来执行本文中描述的功能中的任一者。计算机子系统402可经配置以执行本文中描述的任何额外步骤。包含图4中展示的输出获取子系统的系统400可如本文中描述那样进一步配置。

应注意，本文中提供图4以大体上说明可用于本文中描述的实施例中的基于电子束的输出获取子系统的配置。如通常在设计商业输出获取系统时执行，本文中描述的基于电子束的输出获取子系统配置可经更改以优化输出获取子系统的性能。另外，本文中描述的系统可使用现有系统实施(例如，通过将本文中描述的功能性添加到现有系统)。对于一些此类系统，本文中描述的方法可被提供为系统的选用功能性(例如，除系统的其它功能性之外)。替代地，本文中描述的系统可被设计为全新系统。

尽管输出获取子系统在上文被描述为基于电子束的输出获取子系统，但输出获取子系统可为基于离子束的输出获取子系统。可如图4中展示那样配置此输出获取子系统，唯可用所属领域中已知的任何合适离子束源替换电子束源除外。另外，输出获取子系统可为任何其它合适基于离子束的输出获取子系统，例如包含于市售聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及二次离子质谱仪(SIMS)系统中的基于离子束的输出获取子系统。

计算机子系统402包含处理器408、电子数据存储媒体409及机器学习模块410。处理器408可包含微处理器、微控制器或其它装置。机器学习模块410经说明为与处理器408分离，但可在处理器408上运行或以其它方式作为处理器408的部分。处理器408及/或电子数据存储媒体409任选地可与晶片检验工具或晶片重检工具(未说明)电子通信以接收额外信息。

计算机子系统402可以任何适当方式(例如，经由一或多个传输媒体，其可包含有线及/或无线传输媒体)耦合到系统400的组件，使得处理器408可接收输出。处理器408可经配置以使用输出来执行数个功能。

本文中描述的计算机子系统402、其它系统或其它子系统可为各种系统的部分，包含个人计算机系统、图像计算机、主机计算机系统、工作站、网络设备、因特网设备或其它装置。子系统或系统还可包含所属领域中已知的任何合适处理器，例如平行处理器。另外，子系统或系统可包含作为单独或网络化工具的具有高速处理及软件的平台。

处理器408及电子数据存储单元409可安置于系统400或另一装置中或以其它方式作为系统400或另一装置的部分。在实例中，处理器408及电子数据存储单元409可为单独控制单元的部分或在集中式质量控制单元中。可使用多个处理器408或电子数据存储单元409。

在实践中，处理器408可通过硬件、软件及固件的任何组合实施。同样地，如本文中描述的其功能可通过一个单元执行，或在不同组件间划分，所述组件中的每一者可又通过硬件、软件及固件的任何组合实施。处理器408实施各种方法及功能的程序代码或指令可存储于可读存储媒体(例如电子数据存储单元409中的存储器或其它存储器)中。

如果系统400包含一个以上计算机子系统402，那么不同子系统可彼此耦合，使得可在子系统之间发送图像、数据、信息、指令等。举例来说，一个子系统可通过任何合适传输媒体耦合到额外子系统，所述传输媒体可包含所属领域中已知的任何合适有线及/或无线传输媒体。此类子系统中的两者或两者以上还可通过共用计算机可读存储媒体(未展示)有效耦合。

处理器408可经配置以使用系统400的输出或其它输出来执行数个功能。例如，处理器408可经配置以发送指令以对晶片404执行计量。在另一实例中，处理器408可经配置以发送输出到电子数据存储单元409或另一存储媒体。可如本文中描述那样进一步配置处理器408。

处理器408或计算机子系统402可为缺陷重检系统、检验系统、计量系统或某其它类型的系统的部分。因此，本文中揭示的实施例描述可针对具有或多或少适合于不同应用的不同能力的系统以数个方式定制的一些配置。

处理器408可根据本文中描述的实施例中的任一者配置。处理器408还可经配置以使用系统400的输出或使用来自其它源的图像或数据执行其它功能或额外步骤。

在另一实施例中，处理器408可以所属领域中已知的任何方式通信地耦合到系统400的各种组件或子系统中的任一者。此外，处理器408可经配置以通过可包含有线及/或无线部分的传输媒体接收及/或获取来自其它系统的数据或信息(例如，来自例如重检工具的检验系统的检验结果、包含设计数据的远程数据库及类似物)。以此方式，传输媒体可充当处理器408与系统400的其它子系统或系统400外部的系统之间的数据链路。

在一些实施例中，系统400的各种步骤、功能及/或操作及本文中揭示的方法由以下中的一或多者实行：电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控制/开关、微控制器或运算系统。实施方法(例如本文中描述的方法)的程序指令可通过载体媒体传输或存储于载体媒体上。载体媒体可包含存储媒体，例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及类似物。载体媒体可包含传输媒体，例如电线、电缆或无线传输链路。例如，贯穿本发明描述的各种步骤可由单个处理器408(或计算机子系统402)或替代地多个处理器408(或多个计算机子系统402)实行。此外，系统400的不同子系统可包含一或多个运算或逻辑系统。因此，上文描述不应被解释为对本发明的限制而仅为图解。

在实施例中，处理器408经配置以接收且应用设计剪辑到计量区域图像，使得一或多个工艺改变变化被抑制，且一或多个工具失真被增强，借此获得合成图像。处理器408可经配置以对所述合成图像执行计量操作或发送指令以对所述合成图像执行计量操作。

电子数据存储媒体409可含有合成设计剪辑。

设计剪辑可为由机器学习模块410产生的合成设计剪辑。机器学习模块410可经配置以：接收来自一或多个工艺调制晶片的图像及数据；使用所述图像及数据学习工艺改变变化；及使用工艺改变变化产生合成设计剪辑。

额外实施例涉及一种非暂时性计算机可读媒体，其存储可在处理器上执行的程序指令。特定来说，处理器(例如处理器408)可经耦合到具有包含可执行程序指令的非暂时性计算机可读媒体的电子数据存储媒体(例如电子数据存储媒体409)中的存储器。计算机实施方法可包含本文中描述的任何方法的任何步骤。举例来说，处理器408可经编程以执行图2或图3的一些或所有步骤。电子数据存储媒体409中的存储器可为存储媒体，例如磁盘或光盘、磁带或技术中已知的任何其它适当非暂时性计算机可读媒体。

程序指令可以各种方式中的任一者实施，尤其包含基于程序的技术、基于组件的技术及/或面向对象技术。举例来说，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式SIMD扩展(SSE)或其它技术或方法实施程序指令。

在实施例中，一或多个程序包含于非暂时性计算机可读存储媒体上。一或多个程序用于在一或多个计算装置上执行步骤。所述步骤可包含：将设计剪辑应用到计量区域图像，借此获得合成图像；及传送指令以对所述合成图像执行计量操作。在获得所述合成图像时一或多个工艺改变变化被抑制且一或多个工具失真被增强。所述计量区域图像可为扫描电子显微镜图像或多个扫描电子显微镜图像的平均值。

所述设计剪辑可为合成设计剪辑。在此例子中，所述步骤包含使用机器算法使用所述工艺改变变化产生所述合成设计剪辑。机器算法可为深度学习算法。

可如本文中描述那样执行所述方法的步骤中的每一者。所述方法还可包含可通过本文中描述的处理器及/或计算机子系统或系统执行的任何其它步骤。通过一或多个计算机系统执行步骤，所述一或多个计算机系统可根据本文中描述的实施例中的任一者配置。另外，可通过本文中描述的系统实施例中的任一者执行上文描述的方法。

尽管已参考一或多个特定实施例描述本发明，但将理解，可在不脱离本发明的范围的情况下制作本发明的其它实施例。因此，本发明被视为仅受所附发明权利要求书及其合理解释限制。

Claims

1.一种补偿扫描电子显微镜束的失真引起的计量误差的方法，其包括：

在处理器处接收晶片的计量区域图像；

在所述处理器处接收来自存储媒体的设计剪辑；

使用所述处理器将所述设计剪辑应用到所述计量区域图像，借此获得合成图像，其中一或多个工艺改变变化被抑制且一或多个工具失真被增强；及

对所述合成图像执行计量操作。

2.根据权利要求1所述的方法，其中所述设计剪辑是所述晶片的设计。

3.根据权利要求1所述的方法，其中所述设计剪辑是合成设计剪辑，且其中所述合成设计剪辑是通过方法产生，所述方法包括：

凭借机器算法使用所述工艺改变变化产生所述合成设计剪辑；及

将所述合成设计剪辑传送到所述存储媒体。

4.根据权利要求3所述的方法，其中所述合成设计剪辑是通过方法产生，所述方法进一步包括：

在机器学习模块处接收来自一或多个工艺调制晶片的图像及数据；及

在所述机器学习模块处使用所述机器算法学习所述工艺改变变化。

5.根据权利要求3所述的方法，其中所述机器算法是深度学习算法。

6.根据权利要求1所述的方法，其中所述计量区域图像是扫描电子显微镜图像。

7.根据权利要求1所述的方法，其中所述计量区域图像是多个扫描电子显微镜图像的平均值。

8.根据权利要求1所述的方法，其中所述存储媒体是永久性、非暂时性存储媒体。

9.根据权利要求1所述的方法，其进一步包括使用扫描电子显微镜获得所述晶片的所述计量区域图像。

10.根据权利要求1所述的方法，其进一步包括基于所述计量操作调谐晶片计量工具的系统组件以减小失真。

11.一种用于补偿失真引起的计量误差的系统，其包括：

晶片计量工具，其经配置以产生计量区域图像；及

处理器，其与所述晶片计量工具电子通信，其中所述处理器经配置以接收且应用设计剪辑到所述计量区域图像，使得一或多个工艺改变变化被抑制，且一或多个工具失真被增强，借此获得合成图像。

12.根据权利要求11所述的系统，其中所述晶片计量工具是扫描电子显微镜。

13.根据权利要求11所述的系统，其进一步包括含有所述设计剪辑的电子数据存储媒体，其中所述电子数据存储媒体与所述处理器电子通信。

14.根据权利要求11所述的系统，其中所述处理器经进一步配置以对所述合成图像执行计量操作。

15.根据权利要求11所述的系统，其中所述设计剪辑是合成设计剪辑，且其中所述系统包含机器学习模块，所述机器学习模块经配置以：

接收来自一或多个工艺调制晶片的图像及数据；

使用所述图像及数据学习所述工艺改变变化；及

使用所述工艺改变变化产生所述合成设计剪辑。

16.一种非暂时性计算机可读存储媒体，其包括用于在一或多个计算装置上执行下列步骤的一或多个程序：

将设计剪辑应用到计量区域图像，借此获得合成图像，其中一或多个工艺改变变化被抑制且一或多个工具失真被增强；及

发送指令以对所述合成图像执行计量操作。

17.根据权利要求16所述的非暂时性计算机可读存储媒体，其中所述设计剪辑是合成设计剪辑，且其中所述步骤包含凭借机器算法使用所述工艺改变变化产生所述合成设计剪辑。

18.根据权利要求17所述的非暂时性计算机可读存储媒体，其中所述机器算法是深度学习算法。

19.根据权利要求16所述的非暂时性计算机可读存储媒体，其中所述计量区域图像是扫描电子显微镜图像。

20.根据权利要求16所述的非暂时性计算机可读存储媒体，其中所述计量区域图像是多个扫描电子显微镜图像的平均值。