KR20230087492A - 디블러링 모델 및 디블러 이미지를 생성하는 장치 및 방법들 - Google Patents

Abstract

본 명세서에서, 디블러링 모델을 트레이닝하고, 디블러링 모델 및 패터닝된 기판의 다수 층들과 연계된 깊이 데이터를 사용하여 패터닝된 기판의 이미지(예를 들어, SEM 이미지)를 디블러링하는 방법 및 시스템이 설명된다. 상기 방법은 입력으로서 타겟 패턴을 사용하는 시뮬레이터를 통해, 기판의 시뮬레이션된 이미지를 얻는 단계 -타겟 패턴은 제 1 층에 형성될 제 1 타겟 피처, 및 제 1 층 아래에 위치된 제 2 층에 형성될 제 2 타겟 피처를 포함함- ; 기판의 다수 층들과 연계된 깊이 데이터에 기초하여, 기판의 피처들에 대한 에지 범위 데이터를 결정하는 단계; 및 트레이닝 데이터로서 시뮬레이션된 이미지 및 타겟 패턴과 연계된 에지 범위 데이터를 사용하여, 캡처된 이미지의 디블러 이미지를 위한 디블러링 모델을 생성하도록 베이스 모델의 파라미터들을 조정하는 단계를 포함한다.

Description

디블러링 모델 및 디블러 이미지를 생성하는 장치 및 방법들

본 출원은 2020년 10월 13일에 출원된 미국 출원 63/091,126의 우선권을 주장하며, 이는 본 명세서에서 그 전문이 인용참조된다.

본 명세서의 기재내용은 일반적으로 검사 또는 메트롤로지 툴에 의해 획득된 이미지들의 처리에 관한 것으로, 특히 기계 학습의 사용에 의한 이미지 디블러링(image deblurring)에 관한 것이다.

리소그래피 투영 장치는, 예를 들어 집적 회로(IC)의 제조 시에 사용될 수 있다. 이러한 경우, 패터닝 디바이스(예를 들어, 마스크)는 IC의 개별층에 대응하는 패턴("디자인 레이아웃")을 포함하거나 제공할 수 있으며, 패터닝 디바이스 상의 패턴을 통해 타겟부를 조사(irradiate)하는 것과 같은 방법들에 의해, 이 패턴이 방사선-감응재("레지스트")층으로 코팅된 기판(예를 들어, 실리콘 웨이퍼) 상의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부 상으로 전사(transfer)될 수 있다. 일반적으로, 단일 기판은 리소그래피 투영 장치에 의해 패턴이 한 번에 한 타겟부씩 연속적으로 전사되는 복수의 인접한 타겟부들을 포함한다. 일 형태의 리소그래피 투영 장치에서는 전체 패터닝 디바이스 상의 패턴이 한 타겟부 상으로 한 번에 전사되며; 이러한 장치는 통상적으로 스테퍼(stepper)라 칭해진다. 통상적으로 스텝-앤드-스캔(step-and-scan) 장치라 칭해지는 대안적인 장치에서는 투영 빔이 주어진 기준 방향("스캐닝" 방향)으로 패터닝 디바이스에 걸쳐 스캐닝하는 한편, 동시에 이 기준 방향과 평행하게 또는 역-평행하게(anti-parallel) 기판이 이동된다. 패터닝 디바이스 상의 패턴의 상이한 부분들이 점진적으로 한 타겟부에 전사된다. 일반적으로, 리소그래피 투영 장치가 축소율(M)(예를 들어, 4)을 갖기 때문에, 기판이 이동되는 속력(F)은 투영 빔이 패터닝 디바이스를 스캐닝하는 속력의 1/M 배가 될 것이다. 본 명세서에 서술된 바와 같은 리소그래피 디바이스들에 관련된 더 많은 정보는, 예를 들어 본 명세서에서 인용참조되는 US 6,046,792로부터 얻을 수 있다.

패터닝 디바이스로부터 기판으로 패턴을 전사하기에 앞서, 기판은 전처리(priming), 레지스트 코팅 및 소프트 베이크(soft bake)와 같은 다양한 절차들을 거칠 수 있다. 노광 이후, 기판은 노광-후 베이크(post-exposure bake: PEB), 현상, 하드 베이크(hard bake) 및 전사된 패턴의 측정/검사와 같은 다른 절차들("노광-후 절차들")을 거칠 수 있다. 이러한 일련의 절차들은 디바이스, 예컨대 IC의 개별층을 구성하는 기초로서 사용된다. 그 후, 기판은 에칭, 이온-주입(도핑), 금속화(metallization), 산화, 화학-기계적 연마 등과 같은 다양한 공정들을 거칠 수 있으며, 이는 모두 디바이스의 개별층을 마무리하도록 의도된다. 디바이스에서 여러 층이 요구되는 경우, 각각의 층에 대해 전체 과정 또는 그 변형이 반복된다. 최후에는, 디바이스가 기판 상의 각 타겟부에 존재할 것이다. 그 후, 이 디바이스들은 다이싱(dicing) 또는 소잉(sawing)과 같은 기술에 의해 서로 분리되며, 개개의 디바이스들은 핀에 연결되는 캐리어 등에 장착될 수 있다.

따라서, 반도체 디바이스들과 같은 디바이스들을 제조하는 것은 통상적으로 디바이스들의 다양한 피처(feature)들 및 다수 층들을 형성하기 위해 다수의 제작 공정들을 이용하여 기판(예를 들어, 반도체 웨이퍼)을 처리하는 것을 수반한다. 이러한 층들 및 피처들은 통상적으로, 예를 들어 증착, 리소그래피, 에칭, 화학-기계적 연마, 및 이온 주입을 이용하여 제조되고 처리된다. 다수 디바이스들은 기판의 복수의 다이들 상에 제작된 후, 개별적인 디바이스들로 분리될 수 있다. 이 디바이스 제조 공정은 패터닝 공정으로 간주될 수 있다. 패터닝 공정은 기판에 패터닝 디바이스 상의 패턴을 전사하기 위해 리소그래피 장치에서 패터닝 디바이스를 이용하는 광학 및/또는 나노임프린트(nanoimprint) 리소그래피와 같은 패터닝 단계를 수반하며, 통상적이지만 선택적으로 현상 장치에 의한 레지스트 현상, 베이크 툴을 이용한 기판의 베이킹, 에칭 장치를 이용한 패턴을 이용한 에칭 등과 같은 1 이상의 관련 패턴 처리 단계를 수반한다.

일 실시예에 따르면, 이미지들을 처리하기 위한 이미지 디블러링 모델을 트레이닝(train)하는 방법이 제공된다. 상기 방법은 기판 상의 패턴이 도출되는 타겟 패턴을 사용하는 시뮬레이터를 통해, 타겟 패턴에 대응하는 기판의 시뮬레이션된 이미지를 얻는 단계를 포함한다. 타겟 패턴은 기판 상의 제 1 층에 형성될 제 1 타겟 피처 및 기판 상의 제 2 층에 형성될 제 2 타겟 피처를 포함하며, 제 2 층은 기판 상의 제 1 층 아래에 위치된다. 또한, 상기 방법은 기판의 다수 층들과 연계된 깊이 데이터(depth data)에 기초하여, 타겟 패턴의 제 1 및 제 2 타겟 피처들에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터(edge range data)를 결정하는 단계를 더 포함한다. 깊이 데이터는 기판의 최상층으로부터의 각 피처의 깊이의 함수로서 기판 상의 피처 에지들의 블러링(blurring)을 특징짓는다. 또한, 상기 방법은 트레이닝 데이터로서 시뮬레이션된 이미지 및 기판의 에지 범위 데이터를 사용하여, 디블러링 모델을 생성하도록 베이스 모델의 파라미터들을 조정하는 단계를 더 포함한다. 디블러링 모델은 캡처된 이미지와 연계된 에지 범위 데이터를 사용하여 패터닝된 기판의 캡처된 이미지의 디블러 이미지(deblur image)를 생성하도록 구성된다.

일 실시예에서, 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법이 제공된다. 상기 방법은 패터닝된 기판의 각각의 층과 연계된 깊이 데이터 및 타겟 패턴에 기초하여 캡처된 이미지에서 피처들을 식별하는 단계; 및 타겟 패턴 및 깊이 데이터에 기초하여 피처들 각각을 디블러링함으로써 캡처된 이미지를 디블러링하는 단계를 포함한다.

일 실시예에서, 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법이 제공된다. 상기 방법은 패터닝된 기판의 캡처된 이미지 및 타겟 패턴과 연계된 에지 범위 데이터를 디블러링 모델에 입력하는 단계를 포함한다.

일 실시예에서, 패터닝된 기판의 이미지를 캡처하도록 구성되는 e-빔 광학기; 및 캡처된 이미지를 디블러링하도록 구성되는 1 이상의 프로세서를 포함하는 시스템이 제공된다. 1 이상의 프로세서는 패터닝된 기판의 캡처된 이미지 및 타겟 패턴과 연계된 에지 범위 데이터를 디블러링 모델에 입력하고 -디블러링 모델은 소정 깊이에서의 타겟 패턴의 피처들과 연계된 에지 범위 데이터에 기초하여 트레이닝됨- ; 디블러링 모델을 실행함으로써 캡처된 이미지를 디블러링하도록 구성된다.

일 실시예에서, 본 명세서의 방법들의 프로세스들에 대응하는 명령어들을 포함하는 1 이상의 비-일시적(non-transitory) 컴퓨터 판독가능한 매체가 제공된다. 일 실시예에서, 1 이상의 비-일시적 컴퓨터 판독가능한 매체는 디블러링 모델을 저장하기 위한 것이다. 일 실시예에서, 1 이상의 비-일시적 컴퓨터 판독가능한 매체는 저장된 디블러링 모델을 통해 디블러링된 이미지를 생성하도록 구성된다. 특히, 1 이상의 비-일시적 컴퓨터 판독가능한 매체는 1 이상의 프로세서에 의해 실행될 때 디블러링 모델을 제공하는 명령어들을 저장한다. 일 실시예에서, 디블러링 모델은 본 명세서의 방법의 프로세스들에 의해 생성된다. 예를 들어, 디블러링 모델을 생성하는 프로세스들은 기판 상의 패턴이 도출되는 타겟 패턴을 사용하는 시뮬레이터를 통해, 타겟 패턴에 대응하는 기판의 시뮬레이션된 이미지를 얻는 단계; 기판의 다수 층들과 연계된 깊이 데이터에 기초하여, 타겟 패턴의 제 1 및 제 2 타겟 피처들에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터를 결정하는 단계; 및 트레이닝 데이터로서 시뮬레이션된 이미지 및 기판의 에지 범위 데이터를 사용하여, 디블러링 모델을 생성하도록 베이스 모델의 파라미터들을 조정하는 단계를 포함한다. 디블러링 모델은 캡처된 이미지와 연계된 에지 범위 데이터를 사용하여 패터닝된 기판의 캡처된 이미지의 디블러 이미지를 생성하도록 구성된다.

본 발명의 실시예들에 따르면, 디블러링 모델은 시뮬레이터(예를 들어, 몬테카를로 기반 시뮬레이터)를 통해 디자인 패턴들로부터 변환되는 시뮬레이션된 이미지들 및 디자인 패턴들과 연계된 깊이 데이터를 사용함으로써 트레이닝된다. 시뮬레이션된 이미지들 및 깊이 데이터를 포함하는 트레이닝 데이터는 SEM-캡처된 이미지들보다 현저하게 및 충분히 더 많은 패턴들을 포괄할 수 있다. 개선된 패턴 커버리지는 유리하게는 디블러링 모델의 정확성 및 유효성을 크게 개선할 수 있다. 재트레이닝에 대한 요건이 훨씬 감소되거나 제거될 수도 있다.

앞선 실시형태들 및 다른 실시형태들 및 특징들은 첨부된 도면들과 함께 특정 실시예들의 다음 설명을 검토할 때 당업자에게 명백해질 것이다:
도 1은 일 실시예에 따른, 리소그래피 시스템의 다양한 서브시스템들의 블록 다이어그램;
도 2a는 일 실시예에 따른, 복수의 피처들(예를 들어, 접촉홀들)을 포함하는 타겟 패턴을 그림으로 도시하는 도면;
도 2b, 도 2c, 도 2d, 및 도 2e는 일 실시예에 따른, (도 2a의) 타겟 패턴이 패터닝된 기판의 제 1 층, 제 2 층, 제 3 층 및 제 4 층에 각각 프린트된, 패터닝된 기판의 흐릿한 이미지들을 나타내는 도면;
도 2f는 일 실시예에 따른, 이미지에 타겟 패턴(도 2a에 대응하는 점선 원들)이 겹쳐진 패터닝된 기판의 흐릿한 이미지 -흐릿한 이미지는 기판의 제 4 층의 이미지임- 를 나타내는 도면;
도 3은 일 실시예에 따른, 디블러링 모델을 트레이닝하는 방법의 흐름도;
도 4는 일 실시예에 따른, 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법의 흐름도;
도 5는 일 실시예에 따른, 패터닝된 기판의 캡처된 이미지를 디블러링하는 또 다른 방법의 흐름도;
도 6은 일 실시예에 따른, 패터닝된 기판의 캡처된 이미지를 디블러링하는 또 다른 방법의 흐름도;
도 7은 일 실시예에 따른, 타겟 패턴으로부터의 시뮬레이션된 이미지의 생성을 예시하는 도면;
도 8a는 일 실시예에 따른, 각각의 층이 상이한 타겟 피처와 연계되는 다수 층들 상에 패터닝될 타겟 패턴의 2D 이미지 표현을 나타내는 도면;
도 8b는 일 실시예에 따른, (도 8a의) 타겟 패턴의 각각의 피처에 대응하는 깊이 데이터에 기초하여 결정된 에지 범위 데이터의 2D 이미지 표현을 나타내는 도면;
도 9는 일 실시예에 따른, 잡음이 있는 시뮬레이션된 이미지의 생성을 예시하는 도면;
도 10은 일 실시예에 따른, 도 3의 트레이닝에 따라 구성되는 디블러링 모델의 구조를 그림으로 표현하는 도면;
도 11은 일 실시예에 따른, 입력으로서 깊이 데이터를 사용하는 디블러링 모델을 통해 시뮬레이션된 이미지의 디블러링된 이미지를 생성하는 일 예시를 나타내는 도면;
도 12는 일 실시예에 따른, 디블러링 모델 및 깊이 데이터를 사용하여 다층의 패터닝된 기판의 캡처된 이미지 -스캐닝 전자 현미경을 통해 얻어짐- 를 디블러링하는 일 예시를 나타내는 도면;
도 13은 일 실시예에 따른, 스캐닝 전자 현미경(SEM)의 일 실시예를 개략적으로 도시하는 도면;
도 14는 일 실시예에 따른, 전자 빔 검사 장치의 일 실시예를 개략적으로 도시하는 도면;
도 15는 일 실시예에 따른, 예시적인 컴퓨터 시스템의 블록 다이어그램;
도 16은 일 실시예에 따른, 리소그래피 투영 장치의 개략적인 다이어그램;
도 17은 일 실시예에 따른, 또 다른 리소그래피 투영 장치의 개략적인 다이어그램;
도 18은 일 실시예에 따른, 도 17의 장치의 더 상세한 도면; 및
도 19는 일 실시예에 따른, 도 17 및 도 18의 장치의 소스 컬렉터 모듈(SO)의 더 상세한 도면이다.

디바이스(예를 들어, 휴대폰, 랩톱, 컴퓨터 메모리 등)에 사용되는 집적 회로(IC) 칩은 복잡한 회로 패턴들을 포함한다. 이러한 회로 패턴들의 제조 동안, (기판이라고도 하는) 칩에 프린트되는 회로 패턴들의 이미지들을 캡처하여 원하는 회로 패턴들이 정확하게 프린트되었는지를 판단하는 것이 바람직하다. 흔히, 캡처된 이미지들은 흐릿하여 회로 패턴들의 개별 회로 피처들의 식별을 어렵게 한다. 일 예시에서, 회로 피처들은 서로 위에 배치되는 칩의 다수 층들에 형성되기 때문에, 캡처된 이미지의 디블러링이 유도된다. 이러한 것으로서, 캡처된 이미지는 개별 회로 피처들의 더 우수한 식별을 위해 디블러링된다. 캡처된 이미지는 이러한 복잡한 적용예들을 위해 특별히 트레이닝되는 디블러링 모델에 의해 디블러링된다.

프린트된 회로 패턴의 이미지를 캡처하는 한 가지 방식은 회로 패턴에 전자 빔을 투영하는 이미지 캡처 디바이스를 사용하는 것이다. 전자 빔의 전자들은 회로 패턴의 회로 피처가 형성되는 층의 속성들에 따라 상이한 방식으로 회절된다. 이미지를 디블러링하기 위해, 각각의 층의 깊이 정보가 본 명세서에서 사용된다. 깊이 정보는 상이한 층 깊이들에서의 디블러링 효과들의 정확한 모델링을 용이하게 한다. 예를 들어, 깊이 정보는 깊은 층들의 피처들이 최상층보다 더 흐릿하게 보일 것을 나타낼 수 있다. 이러한 것으로서, 상이한 깊이들에 위치되는 회로 패턴들의 피처들의 더 우수한 디블러링이 달성될 수 있으므로, 더 정확한 덜 흐릿한 이미지가 유도되어 개별 회로 피처들의 정확한 식별을 용이하게 할 수 있다.

본 명세서에서는, IC의 제조에 대하여 특히 언급되지만, 본 명세서의 기재내용은 다수의 다른 가능한 적용예들을 갖는다는 것을 명확히 이해하여야 한다. 예를 들어, 이는 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 액정 디스플레이 패널, 박막 자기 헤드 등의 제조 시에 채택될 수 있다. 당업자라면, 이러한 대안적인 적용예와 관련하여, 본 명세서의 "레티클", "웨이퍼" 또는 "다이"라는 용어의 어떠한 사용도 각각 "마스크", "기판" 및 "타겟부"라는 좀 더 일반적인 용어와 교환가능한 것으로 간주되어야 함을 이해할 것이다. 본 명세서에서 언급되는 기판은 노광 전후에, 예를 들어 트랙(전형적으로, 기판에 레지스트 층을 도포하고 노광된 레지스트를 현상하는 툴) 또는 메트롤로지 또는 검사 툴에서 처리될 수 있다. 적용가능하다면, 이러한 기판 처리 툴과 다른 기판 처리 툴에 본 명세서의 기재내용이 적용될 수 있다. 또한, 예를 들어 다층 IC를 생성하기 위하여 기판이 한 번 이상 처리될 수 있으므로, 본 명세서에 사용되는 기판이라는 용어는 이미 여러 번 처리된 층들을 포함하는 기판을 칭할 수도 있다.

디바이스의 임계 치수(CD)는 라인 또는 홀의 최소 폭, 또는 두 라인들 또는 두 홀들 간의 최소 간격을 지칭한다. 따라서, CD는 디자인된 디바이스의 전체 크기 및 밀도를 결정한다. 물론, 디바이스 제작의 목표들 중 하나는 원래 디자인 의도를 (패터닝 디바이스를 통해) 기판 상에 충실하게 재현하는 것이다.

본 명세서에서, "방사선" 및 "빔"이라는 용어는 (예를 들어, 365, 248, 193, 157 또는 126 nm의 파장을 갖는) 자외 방사선 및 EUV(예를 들어, 약 5 내지 100 nm 범위 내의 파장을 갖는 극자외 방사선)를 포함하는 모든 타입들의 전자기 방사선을 포괄하는 데 사용될 수 있다.

본 명세서에서 채택된 "마스크" 또는 "패터닝 디바이스"라는 용어는 기판의 타겟부에 생성될 패턴에 대응하여 입사하는 방사선 빔에 패터닝된 단면을 부여하는 데 사용될 수 있는 일반적인 패터닝 디바이스를 언급하는 것으로 폭넓게 해석될 수 있다; 또한, "광 밸브(light valve)"라는 용어가 이러한 맥락에서 사용될 수도 있다. 전형적인 마스크[투과형 또는 반사형; 바이너리(binary), 위상-시프팅, 하이브리드(hybrid) 등] 이외에, 다른 이러한 패터닝 디바이스의 예시들로 다음을 포함한다:

- 프로그램가능한 거울 어레이. 이러한 디바이스의 일 예시는 점탄성 제어층 및 반사 표면을 갖는 매트릭스-어드레서블 표면(matrix-addressable surface)이다. 이러한 장치의 기본 원리는, (예를 들어) 반사 표면의 어드레싱된 영역들은 입사 방사선을 회절 방사선으로서 반사시키는 반면, 어드레싱되지 않은 영역들은 입사 방사선을 비회절 방사선으로서 반사시킨다는 것이다. 적절한 필터를 사용하면, 반사된 빔 중에서 상기 비회절 방사선을 필터링하여, 회절 방사선만이 남게 할 수 있다; 이러한 방식으로 매트릭스-어드레서블 표면의 어드레싱 패턴에 따라 빔이 패터닝되게 된다. 필요한 매트릭스 어드레싱은 적절한 전자 수단을 이용하여 수행될 수 있다.

- 프로그램가능한 LCD 어레이. 이러한 구성의 일 예시는 미국 특허 제 5,229,872호에서 주어지며, 이는 본 명세서에서 인용참조된다.

간략한 도입부로서, 도 1은 예시적인 리소그래피 투영 장치(10A)를 나타낸다. 주요 구성요소들은 심자외선 엑시머 레이저 소스(deep-ultraviolet excimer laser source) 또는 극자외선(EUV) 소스를 포함한 다른 타입의 소스일 수 있는 방사선 소스(12A)(앞서 언급된 바와 같이, 리소그래피 투영 장치 자체가 방사선 소스를 가질 필요는 없음); 예를 들어, (시그마로서 표시된) 부분적 코히런스(partial coherence)를 정의하고, 소스(12A)로부터의 방사선을 성형하는 광학기(14A, 16Aa 및 16Ab)를 포함할 수 있는 조명 광학기; 패터닝 디바이스(18A); 및 기판 평면(22A) 상으로 패터닝 디바이스 패턴의 이미지를 투영하는 투과 광학기(16Ac)이다. 투영 광학기의 퓨필 평면에서의 조정가능한 필터 또는 어퍼처(aperture: 20A)가 기판 평면(22A) 상에 부딪치는 빔 각도들의 범위를 제한할 수 있으며, 이때 가능한 최대 각도는 투영 광학기의 개구수(numerical aperture) NA = n sin(Θ_max)를 정의하고, 여기서 n은 투영 광학기의 최종 요소와 기판 사이의 매질의 굴절률이며, Θ_max는 기판 평면(22A) 상에 여전히 충돌할 수 있는 투영 광학기로부터 나오는 빔의 최대 각도이다.

리소그래피 투영 장치에서, 소스는 패터닝 디바이스에 조명(즉, 방사선)을 제공하고, 투영 광학기는 패터닝 디바이스를 통해 기판 상으로 조명을 지향하고 성형한다. 투영 광학기는 구성요소들(14A, 16Aa, 16Ab 및 16Ac) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 세기 분포이다. 기판 상의 레지스트 층이 노광되고, 그 안에 잠재적인 "레지스트 이미지"(RI)로서 에어리얼 이미지가 레지스트 층으로 전사된다. 레지스트 이미지(RI)는 레지스트 층에서 레지스트의 용해도(solubility)의 공간 분포로서 정의될 수 있다. 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 레지스트 모델이 사용될 수 있으며, 이 예시는 본 명세서에서 그 전문이 인용참조되는 미국 특허 출원 공개공보 US 2009-0157360호에서 찾아볼 수 있다. 레지스트 모델은 레지스트 층의 속성들(예를 들어, 노광, PEB 및 현상 시 일어나는 화학 공정들의 효과들)에만 관련된다. 리소그래피 투영 장치의 광학적 속성들(예를 들어, 소스, 패터닝 디바이스 및 투영 광학기의 속성들)이 에어리얼 이미지를 좌우한다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스는 바뀔 수 있기 때문에, 패터닝 디바이스의 광학적 속성들을 적어도 소스 및 투영 광학기를 포함한 리소그래피 투영 장치의 나머지의 광학적 속성들과 분리하는 것이 바람직할 수 있다.

칩 제조(패터닝 공정 또는 반도체 제조라고도 함) 시, 칩의 타겟 패턴(예를 들어, 회로 패턴)은 예를 들어 기판 상의 다수 층들에 프린트될 수 있다. 각각의 층은 타겟 패턴(예를 들어, 회로 패턴)의 특정 피처[예를 들어, 라인, 접촉홀, 바아(bar) 등]를 갖는다. 이 피처들이 서로 연결될 때 칩 또는 회로의 원하는 전기적 또는 논리 기능을 제공한다. 피처들은 다수 층들을 통해 서로 연결되어 칩의 타겟 패턴을 형성할 수 있다.

흔히, 타겟 패턴의 프린팅 성능을 연구하기 위해 패터닝된 기판이 스캐닝 전자 현미경(SEM)을 사용하여 검사되거나 측정된다. SEM 이미지는 칩의 타겟 패턴이 피처들과 연계된 물리적 특성들의 허용가능한 임계치 한계 내에서 기판 상에 프린트될 것을 보장하도록 검사된다. 프린팅 성능이 허용가능한 임계치 한계 내에 있지 않은 경우, 칩 제조의 수율이 부정적인 영향을 받는다. 검사에 기초하여, 칩 제조의 1 이상의 공정이 조정되어 프린팅 성능 및 칩 제조의 수율을 개선할 수 있다.

통상적으로, 검사 및 메트롤로지를 목적으로 깊은 깊이(예를 들어, 최상층의 수직으로 아래에 위치된 제 3 또는 제 4 층)에서 패턴들을 측정하기 위해 SEM 툴의 높은 랜딩 에너지(HLE) 설정이 사용된다. HLE SEM 이미지 신호는 대부분 후방 산란 전자들(BSE)로부터 나온다. BSE 신호는 SEM 이미지에서 더 많은 블러를 야기한다. 예를 들어, BSE의 회절 특성들에 기초하여, SEM 이미지에서, 가장 밑에 있는 층(예를 들어, 기판의 최상부 표면으로부터 최대 깊이)에서의 피처들이 에지 블러링의 형태로 가장 많은 회절 효과를 보인다. 이러한 것으로서, 일부 디블러 알고리즘은 더 분명한 SEM 이미지를 얻는 데 사용될 수 있다. 예를 들어, 디블러 이미지는 여러 피처들 또는 피처 경계들이 흐릿한 이미지이다. 한편, 이미지를 디블러링한 후, 피처 경계들은 더 선명한 에지 또는 더 분명한 에지를 갖는다.

도 2a 내지 도 2f를 참조하면, 기판의 상이한 층들에 대하여 BSE 회절 효과로 인해 야기되는 블러링의 예시를 나타낸다. 도 2a는 복수의 피처들[예를 들어, 접촉홀(CH)(예를 들어, 설명 목적으로 소수의 홀들만이 표시됨)]을 포함하는 타겟 패턴(TP1)을 (예를 들어, GDS 포맷으로) 예시한다. 도 2b는 타겟 패턴(TP1)에 대응하는 제 1 패턴(L1)을 예시한다. 이 예시에서, 제 1 패턴(L1)은 기판의 제 1 층(예를 들어, 최상층)에 프린트된다. 제 1 패턴(L1)은 기판 상의 제 1 깊이(예를 들어, 0 nm)에 형성될 수 있다. 제 1 패턴(L1)에서의 접촉홀들의 경계들은 분명하다. 예를 들어, TP1의 접촉홀들이 제 1 패턴(L1)에 겹쳐질 때, 홀들의 경계에서 (L1 내) 픽셀의 세기들은 최소 변동 내지 변동 없음을 나타낸다. 이러한 것으로서, 제 1 패턴(L1)의 접촉홀들이 정확하게 식별될 수 있다. 하지만, 기판 상의 층의 깊이가 (예를 들어, 최상층 아래에 수직으로) 증가함에 따라, 피처들(예를 들어, 접촉홀)의 에지들은 점점 더 흐려진다. 예를 들어, 피처들의 에지에서의 픽셀 세기들은 크게 달라져 깊은 깊이들의 층들에서 피처들의 경계를 정확하게 파악하기 어렵게 한다. 증가된 깊이들에서의 예시적인 블러링이 도 2c, 도 2d, 및 도 2e에 예시되어 있다.

도 2c는 제 2 깊이(예를 들어, 제 1 층의 수직으로 2 nm 아래)의 제 2 층(L2) 상에 형성된 제 2 패턴(L2)을 예시한다. 피처들(어두운 원들)의 에지들은 제 1 패턴(L1)의 피처들의 에지들에 비해 더 흐릿한 것을 관찰할 수 있다. 도 2d는 제 3 깊이(예를 들어, 제 1 층의 수직으로 5 nm 아래)의 제 3 층(L3) 상에 형성된 제 3 패턴(L3)을 예시한다. 피처들(어두운 원들)의 에지들은 제 2 패턴(L2)의 피처들의 에지들에 비해 더 흐릿한 것을 관찰할 수 있다. 유사하게, 도 2e는 제 4 깊이(예를 들어, 제 1 층의 수직으로 8 nm 아래)의 제 4 층(L4) 상에 형성된 제 4 패턴(L4)을 예시한다. 피처들(어두운 원들)의 에지들은 제 3 패턴(L3)의 피처들의 에지들에 비해 더 흐릿한 것을 관찰할 수 있다. 이러한 것으로서, 도 2f의 이미지 L4-TP1을 참조하면, 타겟 패턴(TP1)이 제 4 패턴(L4)에 겹쳐질 때, L4의 피처들의 에지들은 실제로 어디에 있는지 불분명하다.

현재, HLE SEM 이미지의 디블러링 및 디노이징을 위한 방법들은 몇 가지 과제들이 있다. 예를 들어, 디블러링된 HLE SEM 이미지의 피처 경계들은 불분명하고 부정확하다. 또 다른 문제들은 에일리어싱(aliasing)으로, 이는 샘플들로부터 재구성된 신호가 원래 신호와 상이할 때 발생하여 부정확한 에지 결정을 야기하는 이미지의 왜곡을 지칭한다. 다층의 패터닝된 기판의 SEM 이미지들에서, BSE는 제 2 층의 제 2 깊이에서의 회절과 상이한 제 1 층의 제 1 깊이에서의 회절을 야기하며, 이는 에지 블러링을 더 복잡하게 만든다. 회절 효과들을 분석하는 데 사용되는 기존의 몬테카를로 시뮬레이션은 시간이 오래 걸린다. 분명하고 정확한 HLE SEM 이미지를 얻기가 어렵기 때문에, 패터닝 공정의 1 이상의 측면을 개선하기 위해, 예를 들어 피처 CD 결정과 관련된 프로세스 모델 정확성들을 개선하기 위해 사용될 수 있는 실측 이미지(ground truth image)들이 없다.

본 발명은 캡처된 이미지의 디블러링을 야기하는 깊이 데이터에 기초하여 캡처된 이미지들을 디블러링하는 방법을 제공한다. 일 실시예에서, 디블러링 모델은 패터닝될 기판의 최상층으로부터의 피처들의 깊이의 효과들을 사용하여 트레이닝된다. 예를 들어, 피처의 에지에서 피처의 깊이의 효과가 보일 수 있다. 피처가 최상층으로부터 더 깊을수록, BSE 신호들이 최상층으로부터의 BSE 신호에 비해 약하기 때문에 피처의 에지는 더 흐릿하다.

일 실시예에서, 트레이닝된 디블러링 모델은 1 이상의 리소그래피 및 메트롤로지 적용예에서 채택될 수 있다. 예를 들어, 메모리 회로 피처들을 갖는 실제 패터닝된 기판의 캡처된 이미지가 디블러링 모델을 통해 디블러링될 수 있다. 디블러링된 이미지로부터, 메모리 회로 피처들은 정확하게 식별되고 추출될 수 있다. 이러한 추출된 피처들이 리소그래피와 관련된 더 정확한 공정 모델들[예를 들어, 레지스트 모델들, 광 근접 보정(optical proximity correction: OPC) 관련 모델들 등]을 트레이닝하기 위해 더 제공될 수 있다. 또 다른 적용예에서, 패터닝된 기판의 디블러링된 이미지로부터 더 정확한 피처 지오메트리(예를 들어, 형상 및 크기)가 추출되기 때문에 메트롤로지 데이터의 정확성이 개선될 수 있다. 또한, 디블러링된 이미지는 패터닝된 기판의 검사 신뢰성을 개선할 수 있다.

도 3은 패터닝된 기판의 캡처된 이미지를 디블러링하도록 구성되는 디블러링 모델을 트레이닝하는 방법(300)의 흐름도이다. 상기 방법을 더 잘 이해하기 위해, 이 논의에서는 예를 들어 최상층으로부터의 피처의 깊이로 인해 영향을 받는 예시적인 특성으로서 피처의 에지들을 사용한다. 캡처된 이미지의 디블러링은 피처 특성(예를 들어, 피처 에지)의 더 정확한 식별을 가능하게 한다. 일 실시예에서, 디블러링 모델을 트레이닝하는 프로세스는 아래의 절차들 P301, P303 및 P305와 관련하여 더 상세히 논의된다.

프로세스 P301은 기판 상의 패턴이 도출되는 타겟 패턴(TP)을 사용하는 시뮬레이터를 통해, 타겟 패턴(TP)에 대응하는 기판에 대한 시뮬레이션된 이미지(302)를 얻는 것을 수반한다. 일 실시예에서, 타겟 패턴(TP)은 서로 수직으로 아래에 배치되는 기판의 복수의 층들로 형성될 수 있으며, 각각의 층이 타겟 패턴의 타겟 피처들에 대응하는 1 이상의 피처를 갖는다. 예를 들어, 제 1 타겟 피처는 기판의 제 1 층에 형성되고, 제 2 타겟 피처는 기판의 제 1 층 아래에 위치된 제 2 층에 형성된다.

일 실시예에서, 타겟 패턴(TP)은 다각형-기반 계층적 데이터 포맷의 형태로 제공된다. 예를 들어, 다각형-기반 데이터 포맷은 그래픽 데이터 시스템(GDS) 포맷, 컬러 이미지, 벡터 포맷 또는 다른 데이터 표현들일 수 있다. 일 실시예에서, 타겟 패턴(TP)은 제 1 타겟 피처 및 제 2 타겟 피처와 연계된 기하학적 데이터를 포함한다. 기하학적 데이터는, 예를 들어 제 1 타겟 피처 및 제 2 타겟 피처의 원하는 형상들, 및 타겟 패턴(TP) 내에서의 제 1 타겟 피처 및 제 2 타겟 피처 각각의 에지들의 타겟 위치들일 수 있다. 일 실시예에서, 각각의 타겟 피처는 그것이 형성될 수 있는 기판의 층과 연계된다.

일 실시예에서, 시뮬레이션된 이미지(302)는 이미지들의 밝기 또는 색상 정보의 무작위 변동과 같은 잡음을 포함한다. 일 실시예에서, 시뮬레이션된 이미지(302)를 얻는 것은 패터닝된 기판의 캡처된 이미지로부터 잡음을 추출하는 것; 및 시뮬레이션된 이미지(302)에 잡음을 추가하는 것을 더 포함한다. 캡처된 이미지 잡음은 예를 들어 이미지 캡처 디바이스에 특정적일 수 있다.

일 실시예에서, 시뮬레이터는 타겟 패턴(TP)이 프린트될 기판의 물리적 특성들의 함수인 모델을 포함한다. 시뮬레이터는 이미지 캡처 디바이스(예컨대, SEM)의 전자 빔의 BSE 특성을 조정함으로써 시뮬레이션된 이미지(302)를 생성하도록 구성된다. BSE 특성들의 조정 시, 타겟 패턴과 연계된 상이한 회절 효과들이 고려되어 기판의 각각의 층에서의 피처 특성들(예를 들어, 에지, 크기, 그레이 스케일 값 등)의 결정을 허용할 수 있다. 일 실시예에서, 기판의 물리적 특성은 특정 층의 재료, 특정 층의 두께, 레지스트 공정 파라미터, 에칭 공정 파라미터 또는 이들의 조합일 수 있다. 시뮬레이터에서 사용되는 모델은 회절, 특정 층에 의한 전자 흡수/회절의 물리적 현상 등을 모델링하는 물리 기반 모델일 수 있다. 모델은 BSE 데이터에 기초하여 피팅되는 통계적 모델일 수 있다.

일 실시예에서, 시뮬레이션된 이미지(302)를 얻는 것은 몬테카를로 시뮬레이션 프로세스를 통해, 시뮬레이션된 이미지(302)를 생성하는 모델을 시뮬레이션하는 것을 수반한다. 몬테카를로 시뮬레이션 프로세스 동안, 1 이상의 BSE 특성, 층의 깊이 등이 조정되어 시뮬레이션된 이미지(302)를 생성할 수 있다. 시뮬레이션된 이미지(302)는 이미지 캡처 디바이스(예컨대, SEM)를 통해 캡처된 패터닝된 기판의 실제 이미지를 나타낼 수 있다. 일 실시예에서, 시뮬레이션된 이미지(302)를 얻는 것은 깊이 데이터에 기초하여 시뮬레이션된 이미지(302)를 생성하도록 구성되는 더블 가우시안 모델을 시뮬레이션하는 것을 수반한다.

도 7은 타겟 패턴을 사용하여 시뮬레이터로부터 시뮬레이션된 이미지를 얻는 일 예시를 나타낸다. 예시적인 타겟 패턴(702)(예컨대, DRAM 회로 패턴)은 기판 상의 상이한 층들에 형성되는 복수의 피처들을 포함한다. 타겟 패턴(702)은 제 1 층에 형성될 제 1 타겟 피처들(F1)(예컨대, 수평 라인들), 제 2 층에 형성될 제 2 타겟 피처들(F2)(예컨대, 수직 라인들), 제 3 층에 형성될 제 3 피처들(F3)(예컨대, 기울어진 바아), 및 제 4 층에 형성될 제 4 피처들(F4)(예컨대, 원들)을 포함한다.

일 실시예에서, 타겟 패턴(702)은 실제 패터닝된 기판을 모방할 시뮬레이션된 이미지를 생성하도록 구성되는 시뮬레이터(704)에 입력된다. 예를 들어, 시뮬레이터(704)는 모델에 대한 몬테카를로 시뮬레이션을 포함한다. 모델은 기판의 상이한 층들에서의 회절 효과들의 함수로서 기판의 시뮬레이션된 이미지를 생성한다. 예를 들어, 일 실시예에서, 모델은 기판에 투영되는 전자들의 수를 할당/변경하도록 구성될 수 있다. 예를 들어, 전자들의 수는 대략 2000, 2500, 3000 등일 수 있다. 제 1 층에서 피처에 부딪칠 때, 모델은 후방 산란 전자들이 약 140 개일 수 있음을 예측한다. 또한, 모델은 전자들의 랜딩 에너지(예를 들어, 10 keV, 20 keV 등), 전자들의 밀도(예를 들어, 약 2.4)를 입력하도록 구성될 수 있다. 이러한 예시적인 설정 이외에, 시뮬레이터(704)는 타겟 피처에 부딪친 후 전자들의 회절에 영향을 미치는 추가적인 특성들을 포함하도록 구성될 수 있다.

일 실시예에서, 시뮬레이터(704)는 실제 패터닝된 기판의 이미지를 모방하는 시뮬레이션된 이미지(706)를 출력한다. 일 실시예에서, 시뮬레이션된 이미지(706)는 그레이 스케일 픽셀화된 이미지이고, 각각의 픽셀 세기는 예를 들어 시뮬레이터(704)가 BSE로부터의 신호를 예측한 결과이다. 시뮬레이션된 이미지들이 트레이닝 데이터세트로서 사용됨에 따라, 디블러 모델은 예를 들어 실제 SEM 이미지를 포함하는 트레이닝 데이터세트에 비해 많은 수의 패턴을 포함하도록 트레이닝될 수 있다. 이는 많은 수의 SEM 이미지들을 캡처하는 것이 패터닝된 기판을 손상시키고, 패터닝 공정의 수율에 영향을 미치며, 반도체 제조를 늦출 수 있기 때문이다.

도 9는 시뮬레이션된 이미지를 생성하는 또 다른 예시를 나타낸다. 본 예시에서, [앞서 논의된 바와 같이 시뮬레이터(예컨대, 몬테카를로 시뮬레이션)를 통해 생성되는] 시뮬레이션된 이미지(706)는 이미지 잡음(906)을 추가함으로써 수정된다. 예를 들어, 이미지 잡음(906)은 실제-SEM 이미지로부터 추출되거나 무작위 잡음으로서 정적으로 생성될 수 있다. 일 실시예에서, 잡음(906)은 실제-SEM 이미지에 잡음 필터를 적용함으로써 추출될 수 있다. 시뮬레이션된 이미지에 잡음을 추가할 때, 잡음이 있는 시뮬레이션된 이미지(706')가 생성된다. 일 실시예에서, 잡음이 있는 시뮬레이션된 이미지(706')는 시뮬레이션된 이미지(706)라고도 칭해질 수 있다. 본 발명에서, 잡음이 있는 시뮬레이션된 이미지(706')는 교환가능하게 시뮬레이션된 이미지(706)라고 칭해질 수 있다.

일 실시예에서, 트레이닝 데이터로서 (잡음을 포함하는) 시뮬레이션된 이미지(706')를 사용하는 것은 트레이닝된 디블러링 모델의 견고성을 개선한다. 예를 들어, 트레이닝된 디블러링 모델은 입력된 이미지(예컨대, 실제-SEM 이미지)가 상당한 잡음을 갖는 경우에도 신뢰할 수 있는 결과들을 생성할 것이다. 예를 들어, 잡음이 있는 이미지는 열악한 이미지 캡처 조건, 메트롤로지 설정 등으로 인한 것일 수 있다.

프로세스 P303은 기판의 각각의 층과 연계된 깊이 데이터(DEP)에 기초하여, 타겟 패턴(TP)의 제 1 타겟 피처 및 제 2 타겟 피처에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터(ERD)를 결정한다. 깊이 데이터(DEP)는 기판의 최상층으로부터의 각 피처의 깊이의 함수로서 기판 상의 피처들의 에지들의 블러링을 특징짓는다.

일 실시예에서, 깊이 데이터(DEP)는: 기판의 최상층으로부터의 피처의 깊이, 기판의 특정 층에 사용된 재료, 피처의 주어진 깊이에서의 회절 거동 중 적어도 하나를 포함한다. 예를 들어, 깊이 데이터(DEP)는 기판의 최상층으로부터 수직 하향 방향으로 위치되는 제 1 층의 제 1 깊이, 및 최상층으로부터 수직 하향 방향으로 위치되는 제 2 층의 제 2 깊이; 기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 또는 타겟 패턴(TP)의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동을 포함할 수 있다.

일 실시예에서, 에지 범위 데이터(ERD)는 타겟 패턴(TP) 내의 각각의 피처에 대응하는 기판 상의 피처들에 대한 에지 위치의 범위를 포함한다. 일 실시예에서, 에지 범위 데이터(ERD)를 결정하는 것은 기판 상에 프린트될 타겟 패턴(TP)의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 것을 수반한다. 일 실시예에서, 에지 범위 데이터(ERD)는 타겟 패턴(TP)의 각각의 피처의 에지 범위 데이터(ERD)가 보충된 타겟 패턴(TP)의 이미지로서 표현된다.

도 8a 및 도 8b는 예시적인 타겟 패턴 및 타겟 패턴 내의 피처들의 깊이와 연계된 대응하는 에지 범위 데이터를 나타낸다. 도 8a를 참조하면, 예시적인 타겟 패턴(702)(예컨대, DRAM 회로 패턴)은 기판 상의 상이한 층들에 형성되는 복수의 피처들을 포함한다. 앞서 설명된 바와 같이, 타겟 패턴(702)은 기판의 제 1 층에 형성될 제 1 타겟 피처들(F1)(예컨대, 수평 라인들), 기판의 제 2 층에 형성될 제 2 타겟 피처들(F2)(예컨대, 수직 라인들), 기판의 제 3 층에 형성될 제 3 피처들(F3)(예컨대, 기울어진 바아), 및 기판의 제 4 층에 형성될 제 4 피처들(F4)(예컨대, 원들)을 포함한다.

본 예시에서, 제 1 층은 최상층으로 간주될 수 있다. 제 2 층은 제 1 층의 수직으로 아래의 깊이(예를 들어, 5 nm)에 위치되는 층이다. 제 3 층은 제 1 층의 수직으로 아래의 깊이(예를 들어, 10 nm)에 위치되는 층이다. 제 4 층은 제 1 층의 수직으로 아래의 깊이(예를 들어, 15 nm)에 위치되는 층이다. 이에 따라, 피처들(F1, F2, F3, 및 F4)은 기판의 각 층들에 프린트될 것이다(도시되지 않음). 패터닝된 기판의 이미지를 캡처할 때, [예를 들어, 최대 깊이에서 피처들(F4)을 갖는] 가장 밑에 있는 층의 이미지는 BSE 후방 산란 전자 특성들로 인해 최고 회절 효과[예를 들어, 피처들(F4)의 에지들이 더 흐려질 것임]를 가질 것이다. 일 실시예에서, 특성의 변동은 예를 들어 각각의 피처(예를 들어, F1, F2, F3, F4)의 깊이에 기초하는 이러한 깊이 데이터와 관련된다. 각각의 피처의 깊이 데이터에 기초하여, 각각의 피처의 에지 범위 데이터가 결정될 수 있다. 에지 범위 데이터는 피처의 에지가 기판 위에 놓일 수 있는 범위를 특징짓는다.

도 8b는 타겟 패턴(702)에 대해 생성되는 에지 범위 데이터(702ER)를 그림으로 나타낸다. 에지 범위 데이터(702ER)에서, 각각의 피처의 두께는 그 피처의 범위를 나타낸다. 예를 들어, (피처 F1에 대응하는) 라인 E1, (피처 F2에 대응하는) 라인 E2, (피처 F3에 대응하는) 라인 E3, 및 (피처 F4에 대응하는) 라인 E4의 두께는 깊이 데이터로 인해 피처들(F1, F2, F3 및 F4)의 에지들에서의 회절이 영향을 받을 양을 나타낸다. 예를 들어, 라인 E4는 BSE 회절 신호의 최고 변동과 연계될 것이다. 이러한 에지 범위 데이터(E1, E2, E3, 및 E4)가 트레이닝 데이터 세트로서 사용되는 경우, 높은 블러 구역들에서 피처 에지들의 더 정확한 결정이 이루어질 수 있다.

일 실시예에서, 에지 범위 데이터(702ER)는 [예를 들어, 도 7과 관련하여 논의된 시뮬레이터(704)에서 사용된 것과 유사한] 모델을 사용하여 결정될 수 있다. 모델은 깊이 데이터, 예를 들어 각각의 층의 재료 데이터, 재료 및 깊이와 연계된 회절 특성 등에 기초하여 기판 상의 피처들에 대한 에지 범위 데이터를 결정하도록 구성된다. 예를 들어, 피처 F1의 재료는 크롬이고, 피처 F2의 재료는 구리이고, 피처 F3의 재료는 텅스텐이고, 피처 F4의 재료는 폴리 수지 재료이다. 본 명세서에서 논의된 재료는 단지 예시적인 것이며, 본 발명의 범위를 제한하지 않는다. 층의 재료는 반도체 제조에 사용되는 SiO, Si 또는 다른 재료들일 수 있다. 일 실시예에서, 모델은 에지 범위, 층의 깊이 및 층의 재료 사이의 함수(또는 매핑)일 수 있다. 이러한 함수(또는 매핑)는, 예를 들어 패터닝된 기판의 피처, 재료, 깊이의 상관관계 실제-데이터에 의해 확립될 수 있다.

프로세스 P305는 트레이닝 데이터로서 시뮬레이션된 이미지(302) 및 타겟 패턴(TP)에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터(ERD)를 사용하여, 디블러링 모델(DBM)을 생성하도록 베이스 모델의 파라미터들을 조정한다. 디블러링 모델(DBM)은 캡처된 이미지와 연계된 에지 범위 데이터(ERD)를 사용하여 패터닝된 기판의 캡처된 이미지의 디블러 이미지를 생성한다. 본 발명은, 입력으로서 에지 범위 데이터 및 캡처된 이미지를 수신하고 캡처된 이미지의 디블러링된 이미지를 생성하도록 구성되는 한, 특정 타입의 모델에 제한되지 않는다.

일 실시예에서, 베이스 모델 또는 디블러링 모델(DBM)은 모델 파라미터들로서 가중치 및 편향(bias)을 포함하는 기계 학습 모델이다. 트레이닝 프로세스 동안, 베이스 모델의 가중치들 및 편향들은 트레이닝 데이터에 기초하여 지속적으로 업데이트된다. 트레이닝이 끝나면, 베이스 모델은 디블러링 모델이라고 칭해진다. 일 실시예에서, 디블러링 모델(DBM)은 컨볼루션 뉴럴 네트워크(예를 들어, CNN), 딥 컨볼루션 네트워크(DCNN)이다. 모델 파라미터들은 딥 컨볼루션 네트워크의 1 이상의 층의 가중치들 및 편향들을 포함한다.

일 실시예에서, 디블러링 모델(DBM)은 타겟 패턴(TP)의 피처를 나타내는 값들을 포함하는 피처 벡터(feature vector), 및 기판 상에 프린트될 피처와 연계된 깊이와 관련되는 값들을 포함하는 어텐션 벡터(attention vector)를 포함하는 뉴럴 네트워크이며, 어텐션 벡터는 피처 벡터와 작용하도록 구성된다. 일 실시예에서, 어텐션 벡터는 0 내지 1의 범위 내의 여하한의 값들, 또는 이진 값들 0 또는 1을 포함한다.

일 실시예에서, 기계 학습 모델의 구조는 피처 벡터와 어텐션 벡터를 곱하여, 피처 벡터의 특정 피처의 에지에 어텐션 벡터에 의해 깊이 관련 가중치가 할당되도록 구성된다. 예를 들어, 기판의 제 1 층과 연계된 제 1 타겟 피처에는 기판의 제 2 층과 연계된 제 2 타겟 피처에 곱해진 어텐션 값에 비해 더 높은 어텐션 값이 곱해진다.

도 10은 이미지[예를 들어, 타겟 패턴(TP)의 SEM 또는 시뮬레이션된 이미지] 및 깊이 관련 데이터[예를 들어, 에지 범위 데이터(ERD)]를 수신하도록 구성되는 디블러링 모델(DBM)의 예시적인 구조를 그림으로 나타낸다. 나타낸 바와 같이, 각각의 입력은 피처 벡터(FV)로 표시될 수 있다. 예를 들어, 피처 벡터는 캡처된 이미지(예를 들어, 시뮬레이션된 이미지 또는 실제-SEM 이미지)의 벡터 표현일 수 있다. 일 실시예에서, 피처 벡터(FV)는 위치 및 픽셀들의 세기들과 같은 정보를 포함한다. 일 실시예에서, 세기 값들은 타겟 패턴(예를 들어, TP)의 피처를 나타낸다. 선택적으로, 피처 벡터의 통계 정보를 포함하는 또 다른 층이 제공된다.

일 실시예에서, 디블러링 모델은 또한 기판 상에 프린트될 피처와 연계된 깊이와 관련되는 값들을 포함하는 어텐션 벡터(AV)를 포함한다. 본 예시에서는, 하나의 층에서, 어텐션 벡터가 0 내지 1의 범위 내의 여하한의 값들(또는 다른 값들, 예를 들어 1 내지 100)을 포함한다. 예를 들어, 위에서 아래로 본 벡터 AV에서, 제 1 깊이에는 값 0.95가 할당되고, 제 2 깊이에는 값 0.8이 할당되고, 제 3 깊이에는 값 0.6이 할당되고, 제 4 깊이에는 값 0.5가 할당된다. 일 실시예에서, 에지 범위 데이터(예를 들어, ERD)는 어텐션 값들(또는 가중치들)을 생성하는 데 사용된 후, 피처 맵(예를 들어, CNN의 특정 층에서의 변환된 SEM 이미지)에 적용된다.

일 실시예에서, 시뮬레이션된 이미지 또는 캡처된 이미지의 피처 벡터는 [예를 들어, 에지 범위 데이터(ERD)로부터 생성된] 어텐션 벡터(AV)와 작용한다. 이러한 것으로서, 피처 벡터(FV)는 또 다른 벡터(FVX)로 변환된다. 이에 따라, 변환된 피처 벡터(FVX)는 깊이 데이터가 고려된다.

도 11은 (잡음이 있는) 시뮬레이션된 이미지(706') 및 타겟 패턴(TP)과 연계된 에지 범위 데이터(702ER)를 사용하여 디블러링 모델(DBM)을 트레이닝하는 예시를 나타낸다. 디블러링 모델(DBM)은 (도 11에 도시되지 않은) 타겟 패턴(TP)에서 피처의 경계들이 분명히 정의되어 있는 디블러링된 이미지(1101)를 생성한다. 피처 경계들이 분명히 구분가능함에 따라, 디블러링 모델(DBM)은 트레이닝된 것으로 간주된다.

도 4는 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법(400)의 흐름도이다. 예를 들어, 메트롤로지 툴(예를 들어, SEM 이미지)이 패터닝된 기판의 이미지를 캡처하는 데 사용될 수 있다. 상기 방법의 예시적인 구현은 프로세스 P401 및 P403을 포함한다. 프로세스들은 본 명세서에 설명된 컴퓨터 시스템의 1 이상의 프로세서를 통해 실행될 수 있다. 일 실시예에서, 프로세스들은 메트롤로지 툴(예를 들어, SEM 툴)의 프로세서에서 구현된다.

프로세스 P401은 패터닝된 기판의 캡처된 이미지(CI) 및 타겟 패턴과 연계된 에지 범위 데이터(ERD)를 디블러링 모델(DBM)에 입력하는 것을 수반한다. 앞서 논의된 바와 같이, 디블러링 모델(DBM)은 소정 깊이에서의 타겟 패턴의 피처들과 연계된 에지 범위 데이터(ERD)에 기초하여 트레이닝된다.

앞서 논의된 바와 같이, 타겟 패턴의 피처들에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터(ERD)는 기판 및 타겟 패턴과 연계된 깊이 데이터에 기초하여 결정된다. 깊이 데이터는 기판의 최상층으로부터 수직 하향 방향으로 위치되는 제 1 층의 제 1 깊이, 및 최상층으로부터 수직 하향 방향으로 위치되는 제 2 층의 제 2 깊이; 기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 타겟 패턴(TP)의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동; 또는 이들의 조합을 포함한다.

일 실시예에서, 에지 범위 데이터(ERD)는 타겟 패턴 내의 각각의 피처에 대응하는 기판 상의 피처들에 대한 에지 위치의 범위를 포함한다. 일 실시예에서, 에지 범위 데이터(ERD)를 결정하는 것은 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 것을 포함한다. 일 실시예에서, 에지 범위 데이터(ERD)는 타겟 패턴의 각각의 피처의 에지 범위 데이터(ERD)가 보충된 타겟 패턴의 이미지로서 표현된다.

프로세스 P403은 디블러링 모델을 실행함으로써 캡처된 이미지(CI)를 디블러링하는 것을 수반한다. 결과적인 디블러링된 이미지(DBCI)는 더 깊은 층들(예를 들어, 기판의 최상부로부터 10 nm, 20 nm, 30 nm 깊이)에서도 피처들의 더 분명한 에지들을 갖는다.

도 12는 실제 캡처된 SEM 이미지를 디블러링하는 방법의 일 예시를 나타낸다. 디블러링하는 것은 패터닝된 기판의 캡처된 이미지(SEM1) 및 타겟 패턴(예를 들어, 기판을 패터닝하는 데 사용되는 TP)과 연계된 에지 범위 데이터(702ER)를 디블러링 모델(DBM)에 입력하는 것을 수반한다. 앞서 논의된 바와 같이, 디블러링 모델(DBM)은 소정 깊이에서의 타겟 패턴의 피처들과 연계된 에지 범위 데이터(ERD)를 사용하여 트레이닝된다. 그 후, 캡처된 이미지는 디블러링 모델(DBM)을 실행함으로써 블러링된다. 디블러링 모델(DBM)은 디블러링된 이미지(dbSEM1)를 출력한다.

도 5는 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법(500)의 또 다른 흐름도이다. 이 실시예에서, 상기 방법은 아래에서 논의되는 바와 같이 프로세스 P501, P503, P505, 및 P507을 포함한다.

프로세스 P501은 패터닝된 기판의 캡처된 이미지(CI)를 수신하는 것을 수반한다. 예를 들어, 캡처된 이미지(CI)는 메트롤로지 툴(예를 들어, 도 13 및 도 14)을 통해 수신될 수 있다. 패터닝된 기판은 다층의 패터닝된 기판일 수 있다. 이러한 것으로서, 이미지 내의 다층 패턴들을 나타내는 이미지를 캡처하기 위해 높은 랜딩 에너지가 사용될 수 있다. 본 명세서에서 논의된 바와 같이, 후방 산란 전자들이 깊은 층들(예를 들어, 깊이 5 nm, 10 nm, 20 nm, 최저층 등)에 대해 약한 신호들을 가지므로, 캡처된 이미지(CI)가 흐릿할 것이다. 예를 들어, 깊은 층들에서의 피처들은 캡처된 이미지(CI)에서 흐릿하게 나타날 것이다. 이러한 것으로서, 캡처된 이미지(CI)의 디블러링이 수행된다.

프로세스 P503은 캡처된 이미지(CI)를 디블러링 모델에 입력하는 것을 수반한다. 디블러링 모델은 (도 3에서) 프로세스 P301, P303 및 P305에 의해 트레이닝된다. 프로세스 P505는 캡처된 이미지(CI) 및 패터닝된 기판의 피처들에 대한 에지 범위 데이터를 사용하여 디블러링 모델로부터 출력을 수신하는 것을 수반한다. 출력은 디블러링된 캡처된 이미지(CI)이다. 프로세스 P507은 사용자 인터페이스 상의 디스플레이를 위해, 캡처된 이미지(CI)의 디블러링된 버전을 생성하는 것을 수반한다. 일 실시예에서, 디블러링된 버전은 패터닝 공정과 관련된 다른 모델들에 입력될 수 있는 벡터로서 생성될 수 있다. 이러한 것으로서, 디블러링된 버전은 패터닝 공정의 1 이상의 측면을 개선하는 데 사용될 수 있다. 예를 들어, OPC, 도즈, 포커스 등을 개선한다.

도 6은 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법(600)의 또 다른 흐름도이다. 이 실시예에서, 상기 방법은 아래에서 논의되는 바와 같이 프로세스 P601 및 P603을 포함한다.

프로세스 P601은 타겟 패턴(TP6) 및 기판의 각각의 층과 연계된 깊이 데이터(DD)에 기초하여 캡처된 이미지(CI) 내의 피처들을 식별하는 것을 수반한다. 일 실시예에서, 깊이 데이터는 기판의 특정 깊이에서의 깊이, 재료 및 회절 특성과 같은 데이터를 포함한다. 일 실시예에서, 깊이 데이터(DD)는 깊이 데이터(DD)로부터 도출되는 피처 특성을 포함한다. 예를 들어, 피처 특성은 특정 층에서의 각각의 피처의 에지 범위일 수 있다. 프로세스 P603은 타겟 패턴(TP6) 및 깊이 데이터(DD6)에 기초하여 피처들 각각을 디블러링함으로써 캡처된 이미지(CI)를 디블러링하는 것을 수반한다. 디블러링 후, 캡처된 이미지(CI)의 디블러링된 이미지(DBCI)가 얻어진다. 예를 들어, 도 12는 디블러링된 이미지(dbSEM1)의 일 예시를 나타낸다.

본 명세서에서 논의된 바와 같이, 디블러링 모델의 일 예시는 기계 학습 모델이다. 비지도(unsupervised) 기계 학습 및 지도(supervised) 기계 학습 모델들이 둘 다 패터닝된 기판의 SEM 이미지들과 같은 입력된 잡음이 있는 이미지들로부터 디블러링된 이미지들을 생성하는 데 사용될 수 있다. 본 발명의 범위를 제한하지 않고, 지도 기계 학습 알고리즘들의 적용예들이 아래에서 설명된다.

지도 학습은 분류된(labeled) 트레이닝 데이터로부터 함수를 추론하는 기계 학습 작업이다. 트레이닝 데이터는 트레이닝 예시들의 세트를 포함한다. 지도 학습에서, 각각의 예시는 입력 객체(통상적으로, 벡터) 및 원하는 출력 값[감시 신호(supervisory signal)라고도 함]을 갖는 쌍이다. 지도 학습 알고리즘은 트레이닝 데이터를 분석하고, 추론된 함수를 생성하며, 이는 새로운 예시들을 매핑(map)하는 데 사용될 수 있다. 최적 시나리오는 알고리즘으로 하여금 보이지 않는 인스턴스(unseen instance)들에 대한 클래스 라벨(class label)들을 올바르게 결정하게 할 것이다. 이는 학습 알고리즘이 "합리적인" 방식으로 트레이닝 데이터로부터 보이지 않는 상황들까지 일반화할 것을 요구한다.

x_i가 i-번째 예시의 피처 벡터이고 y_i가 그 라벨(즉, 클래스)이도록 {(x₁,y₁),(x₂,y₂),…,(x_N,y_N)} 형태의 N 개의 트레이닝 예시들의 세트가 주어지면, 학습 알고리즘이 함수

를 찾으며, 이때 X는 입력 공간이고 Y는 출력 공간이다. 피처 벡터는 일부 객체를 나타내는 수치적 피처(numerical feature)들의 n-차원 벡터이다. 기계 학습에서의 많은 알고리즘들이 객체들의 수치적 표현을 필요로 하는데, 이는 이러한 표현들이 처리 및 통계 분석을 용이하게 하기 때문이다. 이미지들을 나타내는 경우, 피처 값들은 이미지의 픽셀들에 대응할 수 있고, 텍스트들을 나타내는 경우에는 아마도 용어 발생 빈도(term occurrence frequency)에 대응할 수 있다. 이 벡터들과 연계된 벡터 공간은 흔히 피처 공간이라고 한다. 함수 g는 통상적으로 가설 공간이라고 하는 가능한 함수들 G의 일부 공간의 요소이다. 때로는, 최고 스코어를 제공하는 y 값을 반환하는 것으로서 g가 정의되도록 스코어링 함수(scoring function)

를 사용하여 g를 나타내는 것이 편리하다:

. F가 스코어링 함수들의 공간을 나타낸다.

G 및 F는 여하한의 함수들의 공간일 수 있지만, 많은 학습 알고리즘들은 확률적 모델들일 수 있으며, 이 경우 g가 조건부 확률 모델의 형태 g(x) = P(y|x)를 취하거나, f가 동시 확률 모델의 형태 f(x,y) = P(x,y)를 취한다. 예를 들어, 나이브 베이즈(naive Bayes) 및 선형 판별 분석이 동시 확률 모델들인 반면, 로지스틱 회귀가 조건부 확률 모델이다.

f 또는 g를 선택하기 위한 2 개의 기본 접근법들: 경험적 위험 최소화 및 구조적 위험 최소화가 존재한다. 경험적 위험 최소화는 트레이닝 데이터에 가장 적합한 함수를 찾는다. 구조적 위험 최소화는 편향/분산 트레이드오프를 제어하는 페널티 함수를 포함한다.

두 경우 모두, 트레이닝 세트는 독립적이고 동일하게 분포된 쌍들(x_i,y_i)의 샘플을 갖는 것으로 가정된다. 함수가 트레이닝 데이터에 얼마나 잘 맞는지를 측정하기 위해, 손실 함수

가 정의된다. 트레이닝 예시 (x_i,y_i)에 대해, 값

을 예측하는 손실은 L(y_i,

)이다.

함수 g의 위험 R(g)은 g의 예상 손실로서 정의된다. 이는 트레이닝 데이터로부터

로서 추산될 수 있다.

지도 학습의 예시적인 모델들은 의사결정 나무, 앙상블[배깅(bagging), 부스팅, 랜덤 포레스트(random forest)], k-NN, 선형 회귀, 나이브 베이즈, 뉴럴 네트워크, 로지스틱 회귀, 퍼셉트론, SVM(support vector machine), RVM(relevance vector machine), 및 딥 러닝을 포함한다.

SVM은 지도 학습 모델의 일 예시이며, 이는 데이터를 분석하고 패턴들을 인식하며, 분류 및 회귀 분석에 사용될 수 있다. 두 카테고리 중 하나에 속하는 것으로 각각 표시되는 트레이닝 예시들의 세트가 주어지면, SVM 트레이닝 알고리즘은 새로운 예시들을 한 카테고리 또는 다른 카테고리에 할당하는 모델을 구축하여, 이를 비-확률적 이진 선형 분류기로 만든다. SVM 모델은 별도의 카테고리들의 예시들이 가능한 한 넓은 클리어 갭(clear gap)으로 나누어지도록 매핑되는, 공간 내의 지점들로서의 예시들의 표현이다. 그 후, 새로운 예시들이 그 동일한 공간으로 매핑되고 이들이 갭의 어느 쪽에 있는지에 기초하여 카테고리에 속하는 것으로 예측된다.

선형 분류를 수행하는 것에 추가하여, SVM은 그 입력들을 고차원 피처 공간들로 암시적으로 매핑하는, 커널 방법(kernel method)들이라고 하는 것을 이용하는 비-선형 분류를 효율적으로 수행할 수 있다.

커널 방법들은 사용자-지정 커널, 즉 원시 표현의 데이터 지점들의 쌍들에 걸친 유사도 함수를 수반한다. 커널 방법들은 그 이름이 커널 함수들의 사용으로 인한 것이며, 이는 그 공간 내의 데이터 좌표들을 연산하지 않고 단순히 피처 공간 내의 모든 데이터 쌍들의 이미지들 간의 내적들을 연산함으로써 이들이 고-차원의 암시적 피처 공간에서 작동할 수 있게 한다. 이 작업은 흔히 좌표들의 명시적 계산보다 계산 비용이 싸다. 이 접근법은 "커널 트릭(kernel trick)"이라고 한다.

SVM의 유효성은 커널의 선택, 커널 파라미터들, 및 소프트 마진 파라미터(C)에 의존한다. 통상적인 선택은 가우시안 커널이며, 이는 단일 파라미터 γ를 갖는다. C 및 γ의 가장 좋은 조합은 흔히 기하급수적으로 증가하는 시퀀스들의 C 및 γ, 예를 들어 C ∈ {2^-5, 2^-4, …, 2¹⁵, 2¹⁶}; γ ∈ {2^-15, 2^-14, …, 2⁴, 2⁵}로의 그리드 검색["파라미터 스윕(parameter sweep)"이라고도 함]에 의해 선택된다.

그리드 검색은 학습 알고리즘의 하이퍼파라미터(hyperparameter) 공간의 수동으로 지정된 서브세트를 통한 철저한 검색이다. 그리드 검색 알고리즘은, 통상적으로 트레이닝 세트에 대한 교차-검증 또는 보류된 검증 세트에 대한 평가에 의해 측정되는 일부 성능 메트릭에 의해 안내된다.

교차 검증을 이용하여 파라미터 선택들의 각각의 조합이 체크될 수 있으며, 가장 우수한 교차-검증 정확성을 갖는 파라미터들이 선택된다.

때로는 회전 추산(rotation estimation)이라 하는 교차-검증은 통계 분석의 결과들이 독립적인 데이터 세트로 일반화하는 방식을 평가하기 위한 모델 검증 기술이다. 이는 주로 목표가 예측인 설정들에서 사용되며, 예측 모델이 실제로 얼마나 정확하게 수행될지를 추산하려는 것이다. 예측 문제에서, 모델에는 통상적으로 트레이닝이 실행되는 알려진 데이터의 데이터세트(트레이닝 데이터세트) 및 모델이 테스트되는 알려지지 않은 데이터(또는 처음 본 데이터)의 데이터세트(테스팅 데이터세트)가 제공된다. 교차-검증의 목표는 오버피팅과 같은 문제들을 제한하고, 모델이 독립적인 데이터 세트(즉, 예를 들어 실제 문제로부터의 알려지지 않은 데이터세트)로 일반화하는 방식에 대한 통찰력을 제공하는 등을 위해 트레이닝 단계에서 모델을 "테스트"하는 데이터세트(즉, 검증 데이터세트)를 정의하는 것이다. 교차-검증의 한 라운드는 데이터의 샘플을 상보적인 서브세트(complementary subset)들로 분할하는 것, 한 서브세트(트레이닝 세트라고 함)에 대해 분석을 수행하는 것, 및 다른 서브세트(검증 세트 또는 테스팅 세트라고 함)에 대해 분석을 검증하는 것을 수반한다. 가변성을 감소시키기 위해, 교차-검증의 다수 라운드들이 상이한 분할들을 이용하여 수행되고, 검증 결과들은 라운드들에 걸쳐 평균된다.

그 후, 새로운 데이터를 테스트하고 분류하는 데 사용될 수 있는 최종 모델은 선택된 파라미터들을 사용하여 전체 트레이닝 세트에서 트레이닝된다.

지도 학습의 또 다른 예시는 회귀이다. 회귀는 종속 변수들의 값들 및 대응하는 독립 변수들의 값들의 세트로부터, 종속 변수와 1 이상의 독립 변수 간의 관계들을 추론한다. 회귀는 독립 변수들이 주어지는 종속 변수의 조건부 기댓값을 추산할 수 있다. 추론된 관계들은 회귀 함수라고 할 수 있다. 추론된 관계들은 확률적일 수 있다.

일 실시예에서, 시스템이 패터닝된 기판의 이미지들을 캡처한 후에 모델(DBM)을 사용하여 디블러 이미지들을 생성할 수 있는 시스템이 제공된다. 일 실시예에서, 시스템은 예를 들어 본 명세서에서 논의된 모델(DBM)을 포함하도록 구성되는 도 13의 SEM 툴 또는 도 14의 검사 툴일 수 있다. 예를 들어, 메트롤로지 툴은 패터닝된 기판의 이미지를 캡처하기 위한 e-빔 생성기; 및 디블러링 모델을 포함하는 1 이상의 프로세서를 포함한다. 1 이상의 프로세서는 캡처된 이미지의 디블러링된 이미지를 생성하기 위해 입력으로서 캡처된 이미지 및 타겟 패턴의 깊이 데이터(예를 들어, 에지 범위 데이터)를 사용하여 트레이닝된 모델을 실행하도록 구성된다. 앞서 언급된 바와 같이, 디블러링 모델(DBM)은 컨볼루션 뉴럴 네트워크일 수 있다.

또한, 일 실시예에서, 1 이상의 프로세서는 패터닝된 기판의 캡처된 이미지에 기초하여 디블러링 모델을 업데이트하도록 더 구성될 수 있다. 일 실시예에서, 디블러링 모델을 업데이트하는 것는 디블러링된 이미지를 생성하기 위해 캡처된 이미지를 사용하여 디블러링 모델을 실행하는 것; 및 디블러링된 이미지와 기준 디블러링된 이미지의 비교에 기초하여 디블러링 모델의 1 이상의 파라미터를 업데이트하는 것을 포함한다.

일 실시예에서, 디블러링된 이미지들은 패터닝 공정을 개선하는 데 사용될 수 있다. 예를 들어, 디블러링된 이미지들은 패터닝 공정의 시뮬레이션에서, 예를 들어 레지스트 및/또는 에칭된 이미지 내의 윤곽, CD, 에지 배치(예를 들어, 에지 배치 오차) 등을 예측하는 데 사용될 수 있다. 시뮬레이션의 목적은, 예를 들어 프린트된 패턴의 에지 배치, 및/또는 에어리얼 이미지 세기 기울기, 및/또는 CD 등을 정확하게 예측하는 것이다. 이 값들은, 예를 들어 패터닝 공정을 보정하고, 결함이 발생할 것으로 예측되는 곳을 식별하는 등을 위해 의도된 디자인과 비교될 수 있다. 의도된 디자인은 일반적으로 OPC-전 디자인 레이아웃으로서 정의되며, 이는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷 또는 다른 파일 포맷으로 제공될 수 있다.

일부 실시예들에서, 검사 장치 또는 메트롤로지 장치는 기판 상에 노광되거나 전사되는 구조체(예를 들어, 디바이스의 구조체의 일부 또는 전체)의 이미지를 산출하는 스캐닝 전자 현미경(SEM)일 수 있다. 도 13은 SEM 툴의 일 실시예를 도시한다. 전자 소스(ESO)로부터 방출되는 일차 전자 빔(EBP)이 집광 렌즈(CL)에 의해 수렴된 후, 빔 디플렉터(EBD1), E x B 디플렉터(EBD2), 및 대물 렌즈(OL)를 통과하여 포커스에서 기판 테이블(ST) 상의 기판(PSub)을 조사한다.

기판(PSub)이 전자 빔(EBP)으로 조사될 때, 기판(PSub)으로부터 이차 전자들이 생성된다. 이차 전자들은 E x B 디플렉터(EBD2)에 의해 편향되고 이차 전자 검출기(SED)에 의해 검출된다. 예를 들어, X 또는 Y 방향 중 다른 방향에서의 기판 테이블(ST)에 의한 기판(PSub)의 연속적인 이동과 함께, X 또는 Y 방향에서의 빔 디플렉터(EBD1)에 의한 전자 빔(EBP)의 반복적인 스캐닝 또는 빔 디플렉터(EBD1)에 의한 전자 빔의 2 차원 스캐닝과 동기화하여 샘플로부터 생성되는 전자들을 검출함으로써 2-차원 전자 빔 이미지가 얻어질 수 있다.

이차 전자 검출기(SED)에 의해 검출되는 신호는 아날로그/디지털(A/D) 변환기(ADC)에 의해 디지털 신호로 변환되고, 디지털 신호는 이미지 처리 시스템(IPU)으로 전송된다. 일 실시예에서, 이미지 처리 시스템(IPU)은 처리 유닛(PU)에 의한 처리를 위해 디지털 이미지들의 전부 또는 일부를 저장하는 메모리(MEM)를 가질 수 있다. 처리 유닛(PU)(예를 들어, 특별히 디자인된 하드웨어 또는 하드웨어 및 소프트웨어의 조합)은 디지털 이미지들을 디지털 이미지들을 나타내는 데이터세트들로 변환하거나 처리하도록 구성된다. 또한, 이미지 처리 시스템(IPU)은 참조 데이터베이스에 디지털 이미지들 및 대응하는 데이터세트들을 저장하도록 구성되는 저장 매체(STOR)를 가질 수 있다. 디스플레이 디바이스(DIS)가 이미지 처리 시스템(IPU)과 연결되어, 운영자가 그래픽 사용자 인터페이스의 도움으로 장비의 필요한 작동을 수행할 수 있도록 할 수 있다.

앞서 명시된 바와 같이, SEM 이미지들은 이미지에서 디바이스 구조체들을 나타내는 대상물들의 에지들을 설명하는 윤곽들을 추출하도록 처리될 수 있다. 그 후, 이 윤곽들은 CD와 같은 메트릭을 통해 정량화된다. 따라서, 통상적으로 디바이스 구조체들의 이미지들은 에지간 거리(CD) 또는 이미지들 간의 간단한 픽셀 차이들과 같은 단순한 메트릭을 통해 비교되고 정량화된다. CD를 측정하기 위해 이미지에서 대상물들의 에지들을 검출하는 통상적인 윤곽 모델(contour model)들은 이미지 기울기들을 사용한다. 실제로, 이러한 모델들은 강한 이미지 기울기들에 의존한다. 하지만, 실제로 이미지는 통상적으로 잡음이 많고 불연속 경계들을 갖는다. 평활화, 적응 임계화(adaptive thresholding), 에지-검출, 침식(erosion) 및 팽창(dilation)과 같은 기술들이 사용되어, 잡음이 많고 불연속적인 이미지들을 해결하도록 이미지 기울기 윤곽 모델들의 결과들을 처리할 수 있지만, 궁극적으로는 고분해능 이미지의 저분해능 정량화를 유도할 것이다. 따라서, 대부분의 경우, 잡음을 감소시키고 에지 검출을 자동화하는 디바이스 구조체들의 이미지들의 수학적 조작이 이미지의 분해능 손실을 유도하여, 정보의 손실을 유도한다. 결과적으로, 결과는 복잡한 고분해능 구조체의 단순한 표현에 해당하는 저분해능 정량화이다.

따라서, 예를 들어 구조체들이 잠재적 레지스트 이미지에 있든, 현상된 레지스트 이미지에 있든, 또는 예를 들어 에칭에 의해 기판 상의 층으로 전사되었든, 분해능을 보존하고 구조체들의 일반적인 형상을 설명할 수 있는 패터닝 공정을 사용하여 생성되거나 생성될 것으로 예상되는 구조체들[예를 들어, 회로 피처들, 정렬 마크 또는 메트롤로지 타겟부들(예를 들어, 격자 피처들) 등]의 수학적 표현을 갖는 것이 바람직하다. 리소그래피 또는 다른 패터닝 공정들의 맥락에서, 구조체는 제조되고 있는 디바이스 또는 그 일부일 수 있고, 이미지들은 구조체의 SEM 이미지들일 수 있다. 일부 경우에, 구조체는 반도체 디바이스, 예를 들어 집적 회로의 피처일 수 있다. 이 경우, 구조체는 반도체 디바이스의 복수의 피처들을 포함하는 패턴 또는 원하는 패턴이라고 칭해질 수 있다. 일부 경우에, 구조체는 대상물(예를 들어, 기판)의 또 다른 대상물(예를 들어, 패터닝 디바이스)과의 정렬을 결정하기 위해 정렬 측정 프로세스에서 사용되는 정렬 마크 또는 그 일부(예를 들어, 정렬 마크의 격자), 또는 패터닝 공정의 파라미터(예를 들어, 오버레이, 포커스, 도즈 등)를 측정하는 데 사용되는 메트롤로지 타겟 또는 그 일부(예를 들어, 메트롤로지 타겟의 격자)일 수 있다. 일 실시예에서, 메트롤로지 타겟은 예를 들어 오버레이를 측정하는 데 사용되는 회절 격자이다.

도 14는 검사 장치의 또 다른 실시예를 개략적으로 나타낸다. 시스템은 샘플 스테이지(88)에서 (기판과 같은) 샘플(90)을 검사하는 데 사용되며, 하전 입자 빔 생성기(81), 집광 렌즈 모듈(82), 프로브 형성 대물 렌즈 모듈(83), 하전 입자 빔 편향 모듈(84), 이차 하전 입자 검출기 모듈(85), 및 이미지 형성 모듈(86)을 포함한다.

하전 입자 빔 생성기(81)는 일차 하전 입자 빔(91)을 생성한다. 집광 렌즈 모듈(82)은 생성된 일차 하전 입자 빔(91)을 집광한다. 프로브 형성 대물 렌즈 모듈(83)은 집광된 일차 하전 입자 빔을 하전 입자 빔 프로브(92)로 포커스한다. 하전 입자 빔 편향 모듈(84)은 형성된 하전 입자 빔 프로브(92)를 샘플 스테이지(88)에 고정된 샘플(90) 상의 관심 영역의 표면에 걸쳐 스캐닝한다. 일 실시예에서, 하전 입자 빔 생성기(81), 집광 렌즈 모듈(82) 및 프로브 형성 대물 렌즈 모듈(83), 또는 이들의 동등한 디자인들, 대안예들 또는 여하한의 그 조합은 함께 스캐닝 하전 입자 빔 프로브(92)를 생성하는 하전 입자 빔 프로브 생성기를 형성한다.

이차 하전 입자 검출기 모듈(85)은 하전 입자 빔 프로브(92)에 의해 충격을 받을 때 (아마도 샘플 표면으로부터의 다른 반사되거나 산란된 하전 입자들과 함께) 샘플 표면으로부터 방출되는 이차 하전 입자들(93)을 검출하여, 이차 하전 입자 검출 신호(94)를 발생시킨다. 이미지 형성 모듈(86)(예를 들어, 컴퓨팅 디바이스)은 이차 하전 입자 검출기 모듈(85)과 커플링되어, 이차 하전 입자 검출기 모듈(85)로부터 이차 하전 입자 검출 신호(94)를 수신하고, 이에 따라 적어도 하나의 스캔 이미지를 형성한다. 일 실시예에서, 이차 하전 입자 검출기 모듈(85) 및 이미지 형성 모듈(86), 또는 이들의 동등한 디자인들, 대안예들 또는 여하한의 그 조합은 함께 하전 입자 빔 프로브(92)에 의해 충격을 받는 샘플(90)로부터 방출된 검출된 이차 하전 입자들로부터 스캔 이미지를 형성하는 이미지 형성 장치를 형성한다.

일 실시예에서, 모니터링 모듈(87)은 이미지 형성 장치의 이미지 형성 모듈(86)에 커플링되어, 이미지 형성 모듈(86)로부터 수신되는 샘플(90)의 스캔 이미지를 사용하여 패터닝 공정의 모니터링, 제어 등을 수행하고, 및/또는 패터닝 공정 디자인, 제어, 모니터링 등을 위한 파라미터를 도출한다. 따라서, 일 실시예에서, 모니터링 모듈(87)은 본 명세서에 설명된 방법의 실행을 야기하도록 구성되거나 프로그램된다. 일 실시예에서, 모니터링 모듈(87)은 컴퓨팅 디바이스를 포함한다. 일 실시예에서, 모니터링 모듈(87)은 본 명세서의 기능을 제공하고, 모니터링 모듈(87)을 형성하거나 이 안에 배치된 컴퓨터 판독가능한 매체에서 인코딩된 컴퓨터 프로그램을 포함한다.

일 실시예에서, 기판을 검사하기 위해 프로브를 사용하는 도 13의 전자 빔 검사 툴과 마찬가지로, 도 14의 시스템에서의 전류는 예를 들어 도 13에 도시된 바와 같은 CD SEM에 비해 상당히 더 크므로, 프로브 스폿이 충분히 커서 검사 속도가 빠를 수 있다. 하지만, 분해능은 큰 프로브 스폿으로 인해 CD SEM에 비해 높지 않을 수 있다. 일 실시예에서, 앞서 논의된 검사 장치는 본 발명의 범위를 제한하지 않고 단일 빔 또는 멀티-빔 장치일 수 있다.

예를 들어, 도 13 및/또는 도 14의 시스템으로부터의 SEM 이미지들은 이미지에서 디바이스 구조체들을 나타내는 대상물들의 에지들을 설명하는 윤곽들을 추출하도록 처리될 수 있다. 그 후, 이 윤곽들은 통상적으로 사용자-정의 커트-라인들에서 CD와 같은 메트릭들을 통해 정량화된다. 따라서, 통상적으로, 디바이스 구조체들의 이미지들은 추출된 윤곽들에서 측정되는 에지간 거리(CD) 또는 이미지들 간의 단순한 픽셀 차이들과 같은 메트릭들을 통해 비교되고 정량화된다.

일 실시예에서, 방법들(300, 400, 500 및/또는 600)의 1 이상의 절차는 컴퓨터 시스템의 프로세서[예를 들어, 컴퓨터 시스템(100)의 프로세서(104)]에서 명령어들(예를 들어, 프로그램 코드)로서 구현될 수 있다. 일 실시예에서, 절차들은 컴퓨팅 효율을 개선하기 위해 복수의 프로세서들(예를 들어, 병렬 연산)에 걸쳐 분산될 수 있다. 일 실시예에서, 비-일시적 컴퓨터 판독가능한 매체를 포함하는 컴퓨터 프로그램 제품은 명령어들이 기록되어 있으며, 명령어들은 컴퓨터 하드웨어 시스템에 의해 실행될 때, 본 명세서에 설명된 방법을 구현한다.

본 발명에 따르면, 개시된 요소들의 조합 및 서브-조합들은 별개의 실시예들을 구성한다. 예를 들어, 제 1 조합은 디자인 패턴들과 관련된 깊이 데이터에 기초하여 디블러링 모델을 결정하는 것을 포함한다. 서브-조합은 디블러링 모델을 사용하여 디블러링 이미지를 결정하는 것을 포함할 수 있다. 또 다른 조합에서, 디블러 이미지들은 검사 프로세스에서 채택되어, 모델-생성 분산 데이터에 기초하여 SMO 또는 OPC를 결정할 수 있다. 또 다른 예시에서, 조합은 디블러 이미지들에 기초한 검사 데이터에 기초하여, 패터닝 공정의 수율을 개선하도록 리소그래피 공정, 레지스트 공정, 또는 에칭 공정에 대한 공정 조정들을 결정하는 것을 포함한다.

도 15는 본 명세서에 개시된 방법들, 흐름들, 또는 장치를 구현하는 데 도움이 될 수 있는 컴퓨터 시스템(100)을 나타내는 블록 다이어그램이다. 컴퓨터 시스템(100)은 정보를 전달하는 버스(102) 또는 다른 통신 기구, 및 정보를 처리하는 버스(102)와 커플링된 프로세서(104)[또는 다중 프로세서들(104 및 105)]를 포함한다. 또한, 컴퓨터 시스템(100)은 프로세서(104)에 의해 실행될 정보 및 명령어들을 저장하는 RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 버스(102)에 커플링된 주 메모리(106)를 포함한다. 또한, 주 메모리(106)는 프로세서(104)에 의해 실행될 명령어들의 실행 시 임시 변수들 또는 다른 매개 정보(intermediate information)를 저장하는 데 사용될 수 있다. 컴퓨터 시스템(100)은 프로세서(104)에 대한 정적 정보 및 명령어들을 저장하는 버스(102)에 커플링된 ROM(read only memory: 108) 또는 다른 정적 저장 디바이스를 더 포함한다. 자기 디스크 또는 광학 디스크와 같은 저장 디바이스(110)가 제공되고 버스(102)에 커플링되어 정보 및 명령어들을 저장한다.

컴퓨터 시스템(100)은 버스(102)를 통해, 컴퓨터 사용자에게 정보를 보여주는 CRT(cathode ray tube) 또는 평판 또는 터치 패널 디스플레이(touch panel display)와 같은 디스플레이(112)에 커플링될 수 있다. 영숫자 및 다른 키들을 포함한 입력 디바이스(114)는 정보 및 명령 선택(command selection)들을 프로세서(104)로 전달하기 위해 버스(102)에 커플링된다. 또 다른 타입의 사용자 입력 디바이스는 방향 정보 및 명령 선택들을 프로세서(104)로 전달하고, 디스플레이(112) 상의 커서 움직임을 제어하기 위한 마우스, 트랙볼(trackball) 또는 커서 방향키들과 같은 커서 제어부(cursor control: 116)이다. 이 입력 디바이스는, 통상적으로 디바이스로 하여금 평면에서의 위치들을 특정하게 하는 2 개의 축선인 제 1 축선(예를 들어, x) 및 제 2 축선(예를 들어, y)에서 2 자유도를 갖는다. 또한, 입력 디바이스로서 터치 패널(스크린) 디스플레이가 사용될 수도 있다.

일 실시예에 따르면, 주 메모리(106)에 포함된 1 이상의 명령어들의 1 이상의 시퀀스를 실행하는 프로세서(104)에 응답하여 컴퓨터 시스템(100)에 의해 본 명세서에 설명된 1 이상의 방법의 부분들이 수행될 수 있다. 이러한 명령어들은 저장 디바이스(110)와 같은 또 다른 컴퓨터-판독가능한 매체로부터 주 메모리(106)로 읽혀질 수 있다. 주 메모리(106) 내에 포함된 명령어들의 시퀀스들의 실행은, 프로세서(104)가 본 명세서에 설명된 공정 단계들을 수행하게 한다. 또한, 주 메모리(106) 내에 포함된 명령어들의 시퀀스들을 실행하기 위해 다중 처리 구성(multi-processing arrangement)의 1 이상의 프로세서가 채택될 수 있다. 대안적인 실시예에서, 하드웨어에 내장된 회로(hard-wired circuitry)가 소프트웨어 명령어들과 조합하거나 그를 대신하여 사용될 수 있다. 따라서, 본 명세서의 기재내용은 하드웨어 회로와 소프트웨어의 여하한의 특정 조합에 제한되지 않는다.

본 명세서에서 사용된 "컴퓨터-판독가능한 매체"라는 용어는 실행을 위해 프로세서(104)에 명령어를 제공하는 데 관여하는 여하한의 매체를 칭한다. 이러한 매체는 비휘발성 매체(non-volatile media), 휘발성 매체 및 전송 매체를 포함하는 다수의 형태를 취할 수 있으며, 이에 제한되지는 않는다. 비휘발성 매체는, 예를 들어 저장 디바이스(110)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 주 메모리(106)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(102)를 포함하는 와이어들을 포함하여, 동축 케이블, 구리선 및 광섬유를 포함한다. 또한, 전송 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 시 발생되는 파장들과 같이 음파(acoustic wave) 또는 광파의 형태를 취할 수도 있다. 컴퓨터-판독가능한 매체의 보편적인 형태들은, 예를 들어 플로피 디스크, 플렉시블 디스크(flexible disk), 하드 디스크, 자기 테이프, 여하한의 다른 자기 매체, CD-ROM, DVD, 여하한의 다른 광학 매체, 펀치 카드, 종이 테이프, 홀(hole)들의 패턴을 갖는 여하한의 다른 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, 여하한의 다른 메모리 칩 또는 카트리지, 이후 설명되는 바와 같은 반송파, 또는 컴퓨터가 판독할 수 있는 여하한의 다른 매체를 포함한다.

다양한 형태의 컴퓨터 판독가능한 매체는 실행을 위해 1 이상의 명령어들의 1 이상의 시퀀스를 프로세서(104)로 전달하는 데 관련될 수 있다. 예를 들어, 명령어들은 초기에 원격 컴퓨터의 자기 디스크에 저장되어 있을 수 있다(bear). 원격 컴퓨터는 그 동적 메모리로 명령어들을 로딩하고, 모뎀을 이용하여 전화선을 통해 명령어들을 보낼 수 있다. 컴퓨터 시스템(100)에 로컬인 모뎀이 전화선 상에서 데이터를 수신하고, 적외선 송신기를 사용하여 상기 데이터를 적외선 신호로 전환할 수 있다. 버스(102)에 커플링된 적외선 검출기는 적외선 신호로 전달된 데이터를 수신하고, 상기 데이터를 버스(102)에 놓을 수 있다. 버스(102)는, 프로세서(104)가 명령어들을 회수하고 실행하는 주 메모리(106)로 상기 데이터를 전달한다. 주 메모리(106)에 의해 수신된 명령어들은 프로세서(104)에 의한 실행 전이나 후에 저장 디바이스(110)에 선택적으로 저장될 수 있다.

또한, 컴퓨터 시스템(100)은 버스(102)에 커플링된 통신 인터페이스(118)를 포함할 수 있다. 통신 인터페이스(118)는 로컬 네트워크(122)에 연결되는 네트워크 링크(120)에 커플링하여 양방향(two-way) 데이터 통신을 제공한다. 예를 들어, 통신 인터페이스(118)는 ISDN(integrated services digital network) 카드 또는 대응하는 타입의 전화선에 데이터 통신 연결을 제공하는 모뎀일 수 있다. 또 다른 예시로서, 통신 인터페이스(118)는 호환성 LAN에 데이터 통신 연결을 제공하는 LAN(local area network) 카드일 수 있다. 또한, 무선 링크가 구현될 수도 있다. 여하한의 이러한 구현에서, 통신 인터페이스(118)는 다양한 타입의 정보를 나타내는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 송신하고 수신한다.

통상적으로, 네트워크 링크(120)는 1 이상의 네트워크를 통해 다른 데이터 디바이스에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(120)는 로컬 네트워크(122)를 통해 호스트 컴퓨터(124), 또는 ISP(Internet Service Provider: 126)에 의해 작동되는 데이터 장비로의 연결을 제공할 수 있다. 차례로, ISP(126)는 이제 보편적으로 "인터넷"(128)이라고 칭하는 월드와이드 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(122) 및 인터넷(128)은 둘 다 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 사용한다. 다양한 네트워크를 통한 신호들, 및 컴퓨터 시스템(100)에 또한 그로부터 디지털 데이터를 전달하는 통신 인터페이스(118)를 통한 네트워크 링크(120) 상의 신호들은 정보를 전달하는 반송파의 예시적인 형태들이다.

컴퓨터 시스템(100)은 네트워크(들), 네트워크 링크(120) 및 통신 인터페이스(118)를 통해 메시지들을 송신하고, 프로그램 코드를 포함한 데이터를 수신할 수 있다. 인터넷 예시에서는, 서버(130)가 인터넷(128), ISP(126), 로컬 네트워크(122) 및 통신 인터페이스(118)를 통해 어플리케이션 프로그램에 대한 요청된 코드를 전송할 수 있다. 하나의 이러한 다운로드된 어플리케이션은, 예를 들어 본 명세서에 설명된 방법의 일부 또는 전부를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(104)에 의해 실행될 수 있고, 및/또는 추후 실행을 위해 저장 디바이스(110) 또는 다른 비휘발성 저장소에 저장될 수 있다. 이 방식으로, 컴퓨터 시스템(100)은 반송파의 형태로 어플리케이션 코드를 얻을 수 있다.

도 16은 본 명세서에 설명된 기술들과 함께 이용될 수 있는 예시적인 리소그래피 투영 장치를 개략적으로 도시한다. 상기 장치는:

- 방사선 빔(B)을 컨디셔닝(condition)하는 조명 시스템(IL) -이러한 특정한 경우, 조명 시스템은 방사선 소스(SO)도 포함함- ;

- 패터닝 디바이스(MA)(예를 들어, 레티클)를 유지하는 패터닝 디바이스 홀더가 제공되고, 아이템(PS)에 대하여 패터닝 디바이스를 정확히 위치시키는 제 1 위치설정기에 연결되는 제 1 대상물 테이블(예를 들어, 패터닝 디바이스 테이블)(MT);

- 기판(W)(예를 들어, 레지스트-코팅된 실리콘 웨이퍼)을 유지하는 기판 홀더가 제공되고, 아이템(PS)에 대하여 기판을 정확히 위치시키는 제 2 위치설정기에 연결되는 제 2 대상물 테이블(기판 테이블)(WT); 및

- 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)의 조사된 부분을 이미징하는 투영 시스템("렌즈")(PS)[예를 들어, 굴절, 카톱트릭(catoptric) 또는 카타디옵트릭 광학 시스템]을 포함한다.

본 명세서에 도시된 바와 같이, 상기 장치는 투과형으로 구성된다(즉, 투과 패터닝 디바이스를 가짐). 하지만, 일반적으로 이는 예를 들어 (반사 패터닝 디바이스를 갖는) 반사형으로 구성될 수도 있다. 상기 장치는 전형적인 마스크로 상이한 종류의 패터닝 디바이스를 채택할 수 있다; 예시들로는 프로그램가능한 거울 어레이 또는 LCD 매트릭스를 포함한다.

소스(SO)[예를 들어, 수은 램프 또는 엑시머 레이저, LPP(레이저 생성 플라즈마) EUV 소스]는 방사선 빔을 생성한다. 예를 들어, 이 빔은 곧바로 또는 빔 익스팬더(beam expander: Ex)와 같은 컨디셔닝 수단을 가로지른 후 조명 시스템(일루미네이터)(IL)으로 공급된다. 일루미네이터(IL)는 상기 빔 내의 세기 분포의 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)를 설정하는 조정 수단(AD)을 포함할 수 있다. 또한, 이는 일반적으로 인티그레이터(IN) 및 콘덴서(CO)와 같은 다양한 다른 구성요소들을 포함할 것이다. 이러한 방식으로, 패터닝 디바이스(MA)에 입사하는 빔(B)은 그 단면에 원하는 균일성(uniformity) 및 세기 분포를 갖는다.

도 16과 관련하여, 소스(SO)는 [흔히 소스(SO)가, 예를 들어 수은 램프인 경우와 같이] 리소그래피 투영 장치의 하우징 내에 있을 수 있지만, 그것은 리소그래피 투영 장치로부터 멀리 떨어져 있을 수도 있으며, 그것이 생성하는 방사선 빔은 (예를 들어, 적절한 지향 거울들의 도움으로) 장치 내부로 들어올 수 있다는 것을 유의하여야 한다; 이 후자의 시나리오는 흔히 소스(SO)가 [예를 들어, KrF, ArF 또는 F₂ 레이징(lasing)에 기초한] 엑시머 레이저인 경우이다.

이후, 상기 빔(B)은 패터닝 디바이스 테이블(MT) 상에 유지되어 있는 패터닝 디바이스(MA)를 통과한다(intercept). 패터닝 디바이스(MA)를 가로질렀으면, 상기 빔(B)은 렌즈(PS)를 통과하며, 이는 기판(W)의 타겟부(C) 상에 상기 빔(B)을 포커싱한다. 제 2 위치설정 수단[및 간섭 측정 수단(IF)]의 도움으로, 기판 테이블(WT)은 예를 들어 상기 빔(B)의 경로 내에 상이한 타겟부(C)를 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정 수단은 예를 들어 패터닝 디바이스 라이브러리(patterning device library)로부터의 패터닝 디바이스(MA)의 기계적인 회수 후에 또는 스캔하는 동안, 상기 빔(B)의 경로에 대해 패터닝 디바이스(MA)를 정확히 위치시키는 데 사용될 수 있다. 일반적으로, 대상물 테이블들(MT, WT)의 이동은 장-행정 모듈(long-stroke module)(개략 위치설정) 및 단-행정 모듈(short-stroke module)(미세 위치설정)의 도움으로 실현될 것이며, 이는 도 16에 명확히 도시되지는 않는다. 하지만, (스텝-앤드-스캔 툴과는 대조적으로) 스테퍼의 경우, 패터닝 디바이스 테이블(MT)은 단-행정 액추에이터에만 연결되거나 고정될 수 있다.

도시된 툴은 두 가지 상이한 모드로 사용될 수 있다:

- 스텝 모드에서, 패터닝 디바이스 테이블(MT)은 기본적으로 정지 상태로 유지되며, 전체 패터닝 디바이스 이미지가 한 번에 [즉, 단일 "플래시(flash)"로] 타겟부(C) 상으로 투영된다. 그 후, 상이한 타겟부(C)가 빔(B)에 의해 조사될 수 있도록 기판 테이블(WT)이 x 및/또는 y 방향으로 시프트된다;

- 스캔 모드에서는, 주어진 타겟부(C)가 단일 "플래시"로 노광되지 않는 것을 제외하고는 기본적으로 동일한 시나리오가 적용된다. 그 대신에, 패터닝 디바이스 테이블(MT)은 v의 속도로 주어진 방향(소위 "스캔 방향", 예를 들어 y 방향)으로 이동가능하여, 투영 빔(B)이 패터닝 디바이스 이미지에 걸쳐 스캐닝하도록 유도된다; 동시발생적으로, 기판 테이블(WT)은 속도 V = Mv로 동일한 방향 또는 그 반대 방향으로 동시에 이동되며, 여기서 M은 렌즈(PS)의 배율이다(통상적으로, M = 1/4 또는 1/5). 이러한 방식으로, 분해능을 떨어뜨리지 않고도 비교적 넓은 타겟부(C)가 노광될 수 있다.

도 17은 본 명세서에 설명된 기술들과 함께 이용될 수 있는 또 다른 예시적인 리소그래피 투영 장치(LA)를 개략적으로 도시한다.

리소그래피 투영 장치(LA)는:

- 소스 컬렉터 모듈(SO);

- 방사선 빔(B)(예를 들어, EUV 방사선)을 컨디셔닝하도록 구성되는 조명 시스템(일루미네이터)(IL);

- 패터닝 디바이스(예를 들어, 마스크 또는 레티클)(MA)를 지지하도록 구성되고, 패터닝 디바이스를 정확히 위치시키도록 구성된 제 1 위치설정기(PM)에 연결되는 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT);

- 기판(예를 들어, 레지스트 코팅된 웨이퍼)(W)을 유지하도록 구성되고, 기판을 정확히 위치시키도록 구성된 제 2 위치설정기(PW)에 연결되는 기판 테이블(예를 들어, 웨이퍼 테이블)(WT); 및

- 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 투영하도록 구성되는 투영 시스템(예를 들어, 반사 투영 시스템)(PS)을 포함한다.

본 명세서에 도시된 바와 같이, 상기 장치(LA)는 (예를 들어, 반사 패터닝 디바이스를 채택하는) 반사형으로 구성된다. 대부분의 재료들이 EUV 파장 범위 내에서 흡수성이기 때문에, 패터닝 디바이스는 예를 들어 몰리브덴 및 실리콘의 다수-스택을 포함한 다층 반사기들을 가질 수 있다는 것을 유의하여야 한다. 일 예시에서, 다수-스택 반사기는 40 층의 몰리브덴 및 실리콘 쌍들을 갖고, 이때 각 층의 두께는 1/4 파장(quarter wavelength)이다. 훨씬 더 작은 파장들이 X-선 리소그래피로 생성될 수 있다. 대부분의 재료가 EUV 및 x-선 파장에서 흡수성이기 때문에, 패터닝 디바이스 토포그래피 상의 패터닝된 흡수성 재료의 박편(예를 들어, 다층 반사기 최상부 상의 TaN 흡수재)이 프린트되거나(포지티브 레지스트) 프린트되지 않을(네거티브 레지스트) 피처들의 위치를 정의한다.

도 17을 참조하면, 일루미네이터(IL)는 소스 컬렉터 모듈(SO)로부터 극자외 방사선 빔을 수용한다. EUV 방사선을 생성하는 방법들은 EUV 범위 내의 1 이상의 방출선을 갖는 적어도 하나의 원소, 예를 들어 크세논, 리튬 또는 주석을 갖는 재료를 플라즈마 상태로 전환하는 단계를 포함하며, 반드시 이에 제한되는 것은 아니다. 흔히 레이저 생성 플라즈마("LPP")라고 칭하는 이러한 한 방법에서, 플라즈마는 선-방출 원소를 갖는 재료의 액적(droplet), 스트림 또는 클러스터와 같은 연료를 레이저 빔으로 조사함으로써 생성될 수 있다. 소스 컬렉터 모듈(SO)은 연료를 여기시키는 레이저 빔을 제공하는 레이저(도 17에 도시되지 않음)를 포함한 EUV 방사선 시스템의 일부분일 수 있다. 결과적인 플라즈마는 출력 방사선, 예를 들어 EUV 방사선을 방출하며, 이는 소스 컬렉터 모듈에 배치된 방사선 컬렉터를 이용하여 수집된다. 예를 들어, CO2 레이저가 연료 여기를 위한 레이저 빔을 제공하는 데 사용되는 경우, 레이저 및 소스 컬렉터 모듈은 분리된 개체들일 수 있다.

이러한 경우, 레이저는 리소그래피 장치의 일부분을 형성하는 것으로 간주되지 않으며, 방사선 빔은 예를 들어 적절한 지향 거울들 및/또는 빔 익스팬더를 포함하는 빔 전달 시스템의 도움으로, 레이저로부터 소스 컬렉터 모듈로 통과된다. 다른 경우, 예를 들어 소스가 흔히 DPP 소스라고 칭하는 방전 생성 플라즈마 EUV 발생기인 경우, 소스는 소스 컬렉터 모듈의 통합부일 수 있다.

일루미네이터(IL)는 방사선 빔의 각도 세기 분포를 조정하는 조정기를 포함할 수 있다. 일반적으로, 일루미네이터의 퓨필 평면 내의 세기 분포의 적어도 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)가 조정될 수 있다. 또한, 일루미네이터(IL)는 패싯 필드 및 퓨필 거울 디바이스들(facetted field and pupil mirror devices)과 같이, 다양한 다른 구성요소들을 포함할 수도 있다. 일루미네이터는 방사선 빔의 단면에 원하는 균일성 및 세기 분포를 갖기 위해, 방사선 빔을 컨디셔닝하는 데 사용될 수 있다.

방사선 빔(B)은 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 상에 유지되어 있는 패터닝 디바이스(예를 들어, 마스크)(MA) 상에 입사되며, 패터닝 디바이스에 의해 패터닝된다. 패터닝 디바이스(예를 들어, 마스크)(MA)로부터 반사된 후, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 이는 기판(W)의 타겟부(C) 상으로 상기 빔을 포커스한다. 제 2 위치설정기(PW) 및 위치 센서(PS2)(예를 들어, 간섭계 디바이스, 리니어 인코더 또는 용량성 센서)의 도움으로, 기판 테이블(WT)은 예를 들어 방사선 빔(B)의 경로 내에 상이한 타겟부(C)들을 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정기(PM) 및 또 다른 위치 센서(PS1)는 방사선 빔(B)의 경로에 대해 패터닝 디바이스(예를 들어, 마스크)(MA)를 정확히 위치시키는 데 사용될 수 있다. 패터닝 디바이스(예를 들어, 마스크)(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크들(M1, M2) 및 기판 정렬 마크들(P1, P2)을 이용하여 정렬될 수 있다.

도시된 장치(LA)는 다음 모드들 중 적어도 하나에서 사용될 수 있다:

1. 스텝 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 기본적으로 정지 상태로 유지되는 한편, 방사선 빔에 부여되는 전체 패턴이 한 번에 타겟부(C) 상으로 투영된다[즉, 단일 정적 노광(single static exposure)]. 그 후, 기판 테이블(WT)은 상이한 타겟부(C)가 노광될 수 있도록 X 및/또는 Y 방향으로 시프트된다.

2. 스캔 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안에 동기적으로 스캐닝된다[즉, 단일 동적 노광(single dynamic exposure)]. 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT)에 대한 기판 테이블(WT)의 속도 및 방향은 투영 시스템(PS)의 확대(축소) 및 이미지 반전 특성에 의하여 결정될 수 있다.

3. 또 다른 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT)는 프로그램가능한 패터닝 디바이스를 유지하여 기본적으로 정지된 상태로 유지되며, 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안 기판 테이블(WT)이 이동되거나 스캐닝된다. 이 모드에서는, 일반적으로 펄스화된 방사선 소스(pulsed radiation source)가 채택되며, 프로그램가능한 패터닝 디바이스는 기판 테이블(WT)의 매 이동 후, 또는 스캔 중에 계속되는 방사선 펄스 사이사이에 필요에 따라 업데이트된다. 이 작동 모드는 앞서 언급된 바와 같은 타입의 프로그램가능한 거울 어레이와 같은 프로그램가능한 패터닝 디바이스를 이용하는 마스크없는 리소그래피(maskless lithography)에 용이하게 적용될 수 있다.

도 18은 소스 컬렉터 모듈(SO), 조명 시스템(IL), 및 투영 시스템(PS)을 포함하여 상기 장치(LA)를 더 상세히 나타낸다. 소스 컬렉터 모듈(SO)은 소스 컬렉터 모듈(SO)의 포위 구조체(enclosing structure: 220) 내에 진공 환경이 유지될 수 있도록 구성되고 배치된다. EUV 방사선 방출 플라즈마(210)가 방전 생성 플라즈마 소스에 의해 형성될 수 있다. EUV 방사선은 전자기 스펙트럼의 EUV 범위 내의 방사선을 방출하도록 초고온 플라즈마(very hot plasma: 210)가 생성되는 가스 또는 증기, 예를 들어 Xe 가스, Li 증기 또는 Sn 증기에 의해 생성될 수 있다. 초고온 플라즈마(210)는, 예를 들어 적어도 부분적으로 이온화된 플라즈마를 야기하는 전기적 방전에 의해 생성된다. 방사선의 효율적인 발생을 위해, Xe, Li, Sn 증기 또는 여하한의 다른 적절한 가스 또는 증기의, 예를 들어 10 Pa의 분압(partial pressure)이 필요할 수 있다. 일 실시예에서, EUV 방사선을 생성하기 위해 여기된 주석(Sn)의 플라즈마가 제공된다.

초고온 플라즈마(210)에 의해 방출된 방사선은, 소스 챔버(source chamber: 211)의 개구부 내에 또는 그 뒤에 위치되는 선택적인 가스 방벽 또는 오염물 트랩(contaminant trap: 230)(몇몇 경우에는, 오염물 방벽 또는 포일 트랩이라고도 함)을 통해, 소스 챔버(211)로부터 컬렉터 챔버(collector chamber: 212) 내로 통과된다. 오염물 트랩(230)은 채널 구조체를 포함할 수 있다. 또한, 오염물 트랩(230)은 가스 방벽, 또는 가스 방벽과 채널 구조체의 조합을 포함할 수 있다. 본 명세서에서 더 나타내는 오염물 트랩 또는 오염물 방벽(230)은 적어도 당업계에 알려진 바와 같은 채널 구조체를 포함한다.

컬렉터 챔버(212)는 소위 스침 입사 컬렉터(grazing incidence collector)일 수 있는 방사선 컬렉터(CO)를 포함할 수 있다. 방사선 컬렉터(CO)는 방사선 컬렉터 상류측(upstream radiation collector side: 251) 및 방사선 컬렉터 하류측(downstream radiation collector side: 252)을 갖는다. 컬렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(grating spectral filter: 240)로부터 반사되어, 점선 'O'로 나타낸 광축을 따라 가상 소스점(virtual source point: IF)에 포커스될 수 있다. 가상 소스점(IF)은 통상적으로 중간 포커스라고 칭해지며, 소스 컬렉터 모듈은 중간 포커스(IF)가 포위 구조체(220)에서의 개구부(221)에, 또는 그 부근에 위치되도록 배치된다. 가상 소스점(IF)은 방사선 방출 플라즈마(210)의 이미지이다.

후속하여, 방사선은 조명 시스템(IL)을 가로지르며, 이는 패터닝 디바이스(MA)에서의 방사선 세기의 원하는 균일성뿐 아니라, 패터닝 디바이스(MA)에서의 방사선 빔(21)의 원하는 각도 분포를 제공하도록 배치되는 패싯 필드 거울 디바이스(22) 및 패싯 퓨필 거울 디바이스(24)를 포함할 수 있다. 지지 구조체(MT)에 의해 유지되어 있는 패터닝 디바이스(MA)에서의 방사선 빔(21)의 반사 시, 패터닝된 빔(26)이 형성되고, 패터닝된 빔(26)은 투영 시스템(PS)에 의하여 반사 요소들(28, 30)을 통해 기판 테이블(WT)에 의해 유지되어 있는 기판(W) 상으로 이미징된다.

일반적으로, 나타낸 것보다 더 많은 요소가 조명 광학기 유닛(IL) 및 투영 시스템(PS) 내에 존재할 수 있다. 격자 스펙트럼 필터(240)는 리소그래피 장치의 타입에 따라 선택적으로 존재할 수 있다. 또한, 도면들에 나타낸 것보다 더 많은 거울이 존재할 수 있으며, 예를 들어 도 18에 나타낸 것보다 1 내지 6 개의 추가적인 반사 요소들이 투영 시스템(PS) 내에 존재할 수 있다.

도 18에 예시된 바와 같은 컬렉터 광학기(CO)는 단지 컬렉터(또는 컬렉터 거울)의 일 예시로서, 스침 입사 반사기들(253, 254 및 255)을 갖는 네스티드 컬렉터(nested collector)로서 도시된다. 스침 입사 반사기들(253, 254 및 255)은 광축(O) 주위에 축대칭으로 배치되고, 이 타입의 컬렉터 광학기(CO)는 흔히 DPP 소스라고 하는 방전 생성 플라즈마 소스와 조합하여 사용될 수 있다.

대안적으로, 소스 컬렉터 모듈(SO)은 도 19에 나타낸 바와 같은 LPP 방사선 시스템의 일부분일 수 있다. 레이저(LAS)가 크세논(Xe), 주석(Sn) 또는 리튬(Li)과 같은 연료에 레이저 에너지를 축적(deposit)하도록 배치되어, 수십 eV의 전자 온도를 갖는 고이온화 플라즈마(highly ionized plasma: 210)를 생성한다. 이 이온들의 탈-여기(de-excitation) 및 재조합 동안 발생되는 강렬한 방사선(energetic radiation)은 플라즈마로부터 방출되어, 근수직 입사 컬렉터 광학기(near normal incidence collector optic: CO)에 의해 수집되고, 포위 구조체(220)의 개구부(221) 상에 포커스된다.

본 명세서에 개시된 개념들은 서브 파장 피처들을 이미징하는 여하한의 일반적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있으며, 특히 점점 더 짧은 파장들을 생성할 수 있는 신흥 이미징 기술들로 유용할 수 있다. 이미 사용중인 신흥 기술들로는 ArF 레이저를 사용하여 193 nm의 파장을 생성하고, 심지어 플루오린 레이저를 사용하여 157 nm의 파장도 생성할 수 있는 EUV(극자외), DUV 리소그래피를 포함한다. 또한, EUV 리소그래피가 이 범위 내의 광자들을 생성하기 위해 고에너지 전자들로 재료(고체 또는 플라즈마)를 가격(hit)하거나, 싱크로트론(synchrotron)을 이용함으로써 20 내지 5 nm 범위 내의 파장들을 생성할 수 있다.

본 실시예들은 다음 항목들을 이용하여 더 설명될 수 있다:

1. 패터닝된 기판의 캡처된 이미지를 디블러링하도록 구성되는 디블러링 모델을 저장하기 위한 비-일시적 컴퓨터 판독가능한 매체로서,

1 이상의 프로세서에 의해 실행될 때:

기판 상의 패턴이 도출되는 타겟 패턴을 사용하는 시뮬레이터를 통해, 타겟 패턴에 대응하는 기판의 시뮬레이션된 이미지를 얻는 것 -타겟 패턴은 기판 상의 제 1 층에 형성될 제 1 타겟 피처 및 기판 상의 제 2 층에 형성될 제 2 타겟 피처를 포함하고, 제 2 층은 기판 상의 제 1 층 아래에 위치됨- ;

기판의 다수 층들과 연계된 깊이 데이터에 기초하여, 타겟 패턴의 제 1 및 제 2 타겟 피처들에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터를 결정하는 것 -깊이 데이터는 기판의 최상층으로부터의 각 피처의 깊이의 함수로서 기판 상의 피처 에지들의 블러링을 특징지음- ; 및

트레이닝 데이터로서 시뮬레이션된 이미지 및 기판의 에지 범위 데이터를 사용하여, 디블러링 모델을 생성하도록 베이스 모델의 파라미터들을 조정하는 것 -디블러링 모델은 캡처된 이미지와 연계된 에지 범위 데이터를 사용하여 패터닝된 기판의 캡처된 이미지의 디블러 이미지를 생성하도록 구성됨-

을 포함한 작업들을 야기하는 명령어들을 저장하고 있는 비-일시적 컴퓨터 판독가능한 매체.

2. 1 항에 있어서, 타겟 패턴은 제 1 타겟 피처 및 제 2 타겟 피처와 연계된 기하학적 데이터를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

3. 2 항에 있어서, 기하학적 데이터는 제 1 타겟 피처 및 제 2 타겟 피처의 원하는 형상들, 및 타겟 패턴 내에서의 제 1 타겟 피처 및 제 2 타겟 피처 각각의 에지들의 타겟 위치들을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

4. 1 항 내지 3 항 중 어느 하나에 있어서, 깊이 데이터는:

기판의 최상층으로부터 수직 하향 방향으로 위치되는 제 1 층의 제 1 깊이, 및 최상층으로부터 수직 하향 방향으로 위치되는 제 2 층의 제 2 깊이;

기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 또는

타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동 중 적어도 하나를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

5. 1 항 내지 4 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴 내의 각각의 피처에 대응하는 기판 상의 에지 위치의 범위를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

6. 1 항 내지 5 항 중 어느 하나에 있어서, 에지 범위 데이터를 결정하는 것은 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 것을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

7. 1 항 내지 6 항 중 어느 하나에 있어서, 에지 범위 데이터는 기판 상에 프린트될 각각의 피처의 에지 범위 데이터가 보충된 타겟 패턴의 이미지로서 표현되는 비-일시적 컴퓨터 판독가능한 매체.

8. 1 항 내지 7 항 중 어느 하나에 있어서, 시뮬레이션된 이미지를 얻는 것은:

패터닝된 기판의 캡처된 이미지로부터 잡음을 추출하는 것; 및

시뮬레이션된 이미지에 잡음을 추가하는 것을 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.

9. 1 항 내지 8 항 중 어느 하나에 있어서, 디블러링 모델은 기계 학습 모델인 비-일시적 컴퓨터 판독가능한 매체.

10. 1 항 내지 9 항 중 어느 하나에 있어서, 디블러링 모델은 딥 컨볼루션 네트워크이며, 모델 파라미터들은 딥 컨볼루션 네트워크의 1 이상의 층의 가중치들 및 편향들을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

11. 1 항 내지 10 항 중 어느 하나에 있어서, 디블러링 모델은:

타겟 패턴의 피처를 나타내는 값들을 포함하는 피처 벡터, 및

기판 상에 프린트될 피처와 연계된 깊이와 관련되는 값들을 포함하는 어텐션 벡터를 포함하는 뉴럴 네트워크이며, 어텐션 벡터는 피처 벡터와 작용하도록 구성되는 비-일시적 컴퓨터 판독가능한 매체.

12. 11 항에 있어서, 어텐션 벡터는:

0 내지 1의 범위 내의 값들, 또는

0 또는 1의 값들을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

13. 12 항에 있어서, 기계 학습 모델은 피처 벡터와 어텐션 벡터를 곱하여, 피처 벡터의 특정 피처의 에지에 어텐션 벡터에 의해 깊이 관련 가중치가 할당되도록 구성되는 비-일시적 컴퓨터 판독가능한 매체.

14. 13 항에 있어서, 제 1 층과 연계된 제 1 타겟 피처에는 제 2 층과 연계된 제 2 타겟 피처에 곱해진 어텐션 값에 비해 더 높은 어텐션 값이 곱해지는 비-일시적 컴퓨터 판독가능한 매체.

15. 1 항 내지 14 항 중 어느 하나에 있어서, 시뮬레이터는 타겟 패턴이 프린트될 기판의 물리적 특성들의 함수인 모델을 포함하고, 시뮬레이션된 이미지를 생성하여 기판의 각각의 층에서의 피처 특성들의 결정을 허용하는 비-일시적 컴퓨터 판독가능한 매체.

16. 15 항에 있어서, 기판의 물리적 특성은: 특정 층의 재료, 특정 층의 두께, 레지스트 공정 파라미터, 또는 에칭 공정 파라미터 중 적어도 하나를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

17. 16 항에 있어서, 시뮬레이션된 이미지를 얻는 것은 몬테카를로 시뮬레이션 프로세스를 통해, 시뮬레이션된 이미지를 생성하는 모델을 시뮬레이션하는 것을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

18. 16 항에 있어서, 시뮬레이션된 이미지를 얻는 것은 깊이 데이터에 기초하여 시뮬레이션된 이미지를 생성하도록 구성되는 더블 가우시안 모델을 시뮬레이션하는 것을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

19. 1 항 내지 18 항 중 어느 하나에 있어서,

이미지 캡처 디바이스를 통해, 주어진 타겟 패턴을 사용한 다층의 패터닝된 기판의 이미지를 캡처하는 것;

주어진 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터를 결정하는 것;

에지 범위 데이터 및 캡처된 이미지를 디블러링 모델에 입력하여, 캡처된 이미지의 디블러링된 이미지를 생성하는 것을 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.

20. 19 항에 있어서, 캡처된 이미지는 다층의 패터닝된 기판의 이미지를 캡처하는 데 사용되는 고에너지 설정의 SEM을 통해 얻어진 스캐닝 전자 빔(SEM) 이미지인 비-일시적 컴퓨터 판독가능한 매체.

21. 1 항 내지 20 항 중 어느 하나에 있어서, 타겟 패턴은 다각형-기반 계층적 데이터 포맷의 형태인 비-일시적 컴퓨터 판독가능한 매체.

22. 21 항에 있어서, 다각형-기반 데이터 포맷은 GDS 포맷을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

23. 패터닝된 기판의 층들의 깊이들에 대한 데이터를 사용함으로써 스캐닝 전자 현미경(SEM)으로부터 얻어진 이미지들을 디블러링하기 위한 비-일시적 컴퓨터 판독가능한 매체로서,

1 이상의 프로세서에 의해 실행될 때:

패터닝된 기판의 캡처된 이미지를 수신하는 것:

캡처된 이미지를 디블러링 모델에 입력하는 것 -디블러링 모델은:

기판 상의 패턴이 도출되는 타겟 패턴을 사용하는 시뮬레이터를 통해, 타겟 패턴에 대응하는 기판의 시뮬레이션된 이미지를 얻고 --타겟 패턴은 기판 상의 제 1 층에 형성될 제 1 타겟 피처 및 기판 상의 제 2 층에 형성될 제 2 타겟 피처를 포함하고, 제 2 층은 기판 상의 제 1 층 아래에 위치됨-- ;

기판의 다수 층들과 연계된 깊이 데이터에 기초하여, 타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터를 결정하고 --깊이 데이터는 기판의 최상층으로부터의 각 피처의 깊이의 함수로서 기판 상의 피처 에지들의 블러링을 특징지음-- ; 및

트레이닝 데이터로서 시뮬레이션된 이미지 및 기판의 에지 범위 데이터를 사용하여, 디블러링 모델을 생성하도록 베이스 모델의 파라미터들을 조정함으로써 트레이닝됨- ;

캡처된 이미지 및 패터닝된 기판의 피처들과 연계된 에지 범위 데이터를 사용하여 디블러링 모델로부터 출력을 수신하는 것; 및

사용자 인터페이스 상의 디스플레이를 위해, 캡처된 이미지의 디블러링된 버전을 생성하는 것

을 포함한 작업들을 야기하는 명령어들을 저장하고 있는 비-일시적 컴퓨터 판독가능한 매체.

24. 23 항에 있어서, 타겟 패턴은 제 1 타겟 피처 및 제 2 타겟 피처와 연계된 기하학적 데이터를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

25. 24 항에 있어서, 기하학적 데이터는 제 1 타겟 피처 및 제 2 타겟 피처의 원하는 형상들, 및 타겟 패턴 내에서의 제 1 타겟 피처 및 제 2 타겟 피처 각각의 에지들의 타겟 위치들을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

26. 23 항 내지 25 항 중 어느 하나에 있어서, 깊이 데이터는:

기판의 최상층으로부터 수직 하향 방향으로 측정되는 제 1 층의 제 1 깊이, 및 최상층으로부터 수직 하향 방향으로 측정되는 제 2 층의 제 2 깊이;

기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 또는

타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동 중 적어도 하나를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

27. 23 항 내지 26 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴 내의 각각의 피처에 대응하는 기판 상의 피처들의 에지 위치의 범위를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

28. 23 항 내지 27 항 중 어느 하나에 있어서, 에지 범위 데이터를 결정하는 것은 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 것을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

29. 23 항 내지 28 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴의 각각의 피처의 에지 범위 데이터가 보충된 타겟 패턴의 이미지로서 표현되는 비-일시적 컴퓨터 판독가능한 매체.

30. 23 항 내지 29 항 중 어느 하나에 있어서, 디블러링 모델은 기계 학습 모델인 비-일시적 컴퓨터 판독가능한 매체.

31. 23 항 내지 30 항 중 어느 하나에 있어서, 디블러링 모델은 딥 컨볼루션 네트워크이며, 모델 파라미터들은 딥 컨볼루션 네트워크의 1 이상의 층의 가중치들 및 편향들을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

32. 23 항 내지 31 항 중 어느 하나에 있어서, 시뮬레이터는 타겟 패턴이 프린트될 기판의 물리적 특성들의 함수인 모델을 포함하고, 시뮬레이션된 이미지를 생성하여 기판의 각각의 층에서의 피처 특성들의 결정을 허용하는 비-일시적 컴퓨터 판독가능한 매체.

33. 23 항 내지 32 항 중 어느 하나에 있어서, 캡처된 이미지는 다층의 패터닝된 기판의 이미지를 캡처하는 데 사용되는 고에너지 설정의 SEM을 통해 얻어진 스캐닝 전자 빔(SEM) 이미지인 비-일시적 컴퓨터 판독가능한 매체.

34. 패터닝된 기판의 캡처된 이미지를 디블러링하기 위한 비-일시적 컴퓨터 판독가능한 매체로서,

1 이상의 프로세서에 의해 실행될 때:

패터닝된 기판의 캡처된 이미지 및 타겟 패턴과 연계된 에지 범위 데이터를 디블러링 모델에 입력하는 것 -디블러링 모델은 소정 깊이에서의 타겟 패턴의 피처들과 연계된 에지 범위 데이터에 기초하여 트레이닝됨- ; 및

디블러링 모델을 실행함으로써 캡처된 이미지를 디블러링하는 것

을 포함한 작업들을 야기하는 명령어들을 저장하고 있는 비-일시적 컴퓨터 판독가능한 매체.

35. 34 항에 있어서, 타겟 패턴의 피처들에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터는 기판 및 타겟 패턴과 연계된 깊이 데이터에 기초하여 결정되는 비-일시적 컴퓨터 판독가능한 매체.

36. 35 항에 있어서, 깊이 데이터는:

기판의 최상층으로부터 수직 하향 방향으로 측정되는 제 1 층의 제 1 깊이, 및 최상층으로부터 수직 하향 방향으로 측정되는 제 2 층의 제 2 깊이;

기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 또는

타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동 중 적어도 하나를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

37. 34 항 내지 36 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴 내의 각각의 피처에 대응하는 기판 상의 피처들에 대한 에지 위치의 범위를 포함하는 비-일시적 컴퓨터 판독가능한 매체.

38. 34 항에 있어서, 에지 범위 데이터를 결정하는 것은 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 것을 포함하는 비-일시적 컴퓨터 판독가능한 매체.

39. 34 항 내지 38 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴의 각각의 피처에 대응하는 에지 범위 데이터가 보충된 타겟 패턴의 이미지로서 표현되는 비-일시적 컴퓨터 판독가능한 매체.

40. 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법으로서,

타겟 패턴 및 패터닝된 기판의 다수 층들과 연계된 깊이 데이터에 기초하여 캡처된 이미지 내의 피처들을 식별하는 단계; 및

타겟 패턴 및 깊이 데이터에 기초하여 피처들 각각을 디블러링함으로써 캡처된 이미지를 디블러링하는 단계를 포함하는 방법.

41. 40 항에 있어서, 깊이 데이터는:

패터닝된 기판의 최상층으로부터의 제 1 층의 제 1 깊이, 및 최상층으로부터의 제 2 층의 제 2 깊이;

패터닝된 기판의 제 1 층 및 제 2 층의 재료 데이터; 또는

타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동 중 적어도 하나를 포함하는 방법.

42. 41 항에 있어서, 캡처된 이미지 내의 피처들을 식별하는 단계는 패터닝된 기판의 다수 층들과 연계된 깊이 데이터에 기초하여 패터닝된 기판 상의 피처들에 대한 에지 범위 데이터를 결정하는 단계를 포함하는 방법.

43. 42 항에 있어서, 에지 범위 데이터는 타겟 패턴 내의 각각의 피처에 대응하는 기판 상의 피처들의 에지 위치의 범위를 포함하는 방법.

44. 43 항에 있어서, 에지 범위 데이터를 결정하는 단계는 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 단계를 포함하는 방법.

45. 42 항 내지 44 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴의 각각의 피처에 대응하는 에지 범위 데이터가 보충된 타겟 패턴의 이미지로서 표현되는 방법.

46. 패터닝된 기판의 캡처된 이미지를 디블러링하는 디블러링 모델을 생성하는 방법으로서,

기판 상의 패턴이 도출되는 타겟 패턴을 사용하는 시뮬레이터를 통해, 타겟 패턴에 대응하는 기판의 시뮬레이션된 이미지를 얻는 단계 -타겟 패턴은 기판 상의 제 1 층에 형성될 제 1 타겟 피처 및 기판 상의 제 2 층에 형성될 제 2 타겟 피처를 포함하고, 제 2 층은 기판 상의 제 1 층 아래에 위치됨- ;

기판의 다수 층들과 연계된 깊이 데이터에 기초하여, 타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터를 결정하는 단계 -깊이 데이터는 기판의 최상층으로부터의 각 피처의 깊이의 함수로서 기판 상의 피처 에지들의 블러링을 특징지음- ; 및

트레이닝 데이터로서 시뮬레이션된 이미지 및 기판의 에지 범위 데이터를 사용하여, 디블러링 모델을 생성하도록 베이스 모델의 파라미터들을 조정하는 단계 -디블러링 모델은 캡처된 이미지와 연계된 에지 범위 데이터를 사용하여 패터닝된 기판의 캡처된 이미지의 디블러 이미지를 생성하도록 구성됨- 를 포함하는 방법.

47. 46 항에 있어서, 타겟 패턴은 제 1 타겟 피처 및 제 2 타겟 피처와 연계된 기하학적 데이터를 포함하는 방법.

48. 47 항에 있어서, 기하학적 데이터는 제 1 타겟 피처 및 제 2 타겟 피처의 원하는 형상들, 및 타겟 패턴 내에서의 제 1 타겟 피처 및 제 2 타겟 피처 각각의 에지들의 타겟 위치들을 포함하는 방법.

49. 46 항 내지 48 항 중 어느 하나에 있어서, 깊이 데이터는:

기판의 최상층으로부터 수직 하향 방향으로 위치되는 제 1 층의 제 1 깊이, 및 최상층으로부터 수직 하향 방향으로 위치되는 제 2 층의 제 2 깊이;

기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 또는

타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동 중 적어도 하나를 포함하는 방법.

50. 46 항 내지 49 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴 내의 각각의 피처에 대응하는 기판 상의 피처들에 대한 에지 위치의 범위를 포함하는 방법.

51. 46 항 내지 50 항 중 어느 하나에 있어서, 에지 범위 데이터를 결정하는 단계는 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 단계를 포함하는 방법.

52. 46 항 내지 51 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴의 각각의 피처에 대응하는 에지 범위 데이터가 보충된 타겟 패턴의 이미지로서 표현되는 방법.

53. 46 항 내지 52 항 중 어느 하나에 있어서, 시뮬레이션된 이미지를 얻는 단계는:

패터닝된 기판의 캡처된 이미지로부터 잡음을 추출하는 단계; 및

시뮬레이션된 이미지에 잡음을 추가하는 단계를 더 포함하는 방법.

54. 46 항 내지 53 항 중 어느 하나에 있어서, 디블러링 모델은 기계 학습 모델인 방법.

55. 46 항 내지 54 항 중 어느 하나에 있어서, 디블러링 모델은 딥 컨볼루션 네트워크이며, 모델 파라미터들은 딥 컨볼루션 네트워크의 1 이상의 층의 가중치들 및 편향들을 포함하는 방법.

56. 46 항 내지 55 항 중 어느 하나에 있어서, 디블러링 모델은:

타겟 패턴의 피처를 나타내는 값들을 포함하는 피처 벡터, 및

기판 상에 프린트될 피처와 연계된 깊이와 관련되는 값들을 포함하는 어텐션 벡터를 포함하는 뉴럴 네트워크이며, 어텐션 벡터는 피처 벡터와 작용하도록 구성되는 방법.

57. 56 항에 있어서, 어텐션 벡터는:

0 내지 1의 범위 내의 값들, 또는

0 또는 1의 값들을 포함하는 방법.

58. 57 항에 있어서, 기계 학습 모델은 피처 벡터와 어텐션 벡터를 곱하여, 피처 벡터의 특정 피처의 에지에 어텐션 벡터에 의해 깊이 관련 가중치가 할당되도록 구성되는 방법.

59. 58 항에 있어서, 기판의 제 1 층과 연계된 제 1 타겟 피처에는 기판의 제 2 층과 연계된 제 2 타겟 피처에 곱해진 어텐션 값에 비해 더 높은 어텐션 값이 곱해지는 방법.

60. 46 항 내지 59 항 중 어느 하나에 있어서, 시뮬레이터는 타겟 패턴이 프린트될 기판의 물리적 특성들의 함수인 모델을 포함하고, 시뮬레이션된 이미지를 생성하여 기판의 각각의 층에서의 피처 특성들의 결정을 허용하는 방법.

61. 60 항에 있어서, 기판의 물리적 특성은: 특정 층의 재료, 특정 층의 두께, 레지스트 공정 파라미터, 또는 에칭 공정 파라미터 중 적어도 하나를 포함하는 방법.

62. 61 항에 있어서, 시뮬레이션된 이미지를 얻는 단계는 몬테카를로 시뮬레이션 프로세스를 통해, 시뮬레이션된 이미지를 생성하는 모델을 시뮬레이션하는 단계를 포함하는 방법.

63. 62 항에 있어서, 시뮬레이션된 이미지를 얻는 단계는 깊이 데이터에 기초하여 시뮬레이션된 이미지를 생성하도록 구성되는 더블 가우시안 모델을 시뮬레이션하는 단계를 포함하는 방법.

64. 46 항 내지 63 항 중 어느 하나에 있어서,

이미지 캡처 디바이스를 통해, 주어진 타겟 패턴을 사용한 다층의 패터닝된 기판의 이미지를 캡처하는 단계;

주어진 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들에 대한 에지 범위 데이터를 결정하는 단계;

에지 범위 데이터 및 캡처된 이미지를 디블러링 모델에 입력하여, 캡처된 이미지의 디블러링된 이미지를 생성하는 단계를 더 포함하는 방법.

65. 64 항에 있어서, 캡처된 이미지는 다층의 패터닝된 기판의 이미지를 캡처하는 데 사용되는 고에너지 설정의 SEM을 통해 얻어진 스캐닝 전자 빔(SEM) 이미지인 방법.

66. 46 항 내지 65 항 중 어느 하나에 있어서, 타겟 패턴은 다각형-기반 계층적 데이터 포맷의 형태인 방법.

67. 66 항에 있어서, 다각형-기반 데이터 포맷은 GDS 포맷을 포함하는 방법.

68. 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법으로서,

패터닝된 기판의 캡처된 이미지 및 타겟 패턴과 연계된 에지 범위 데이터를 디블러링 모델에 입력하는 단계 -디블러링 모델은 소정 깊이에서의 타겟 패턴의 피처들과 연계된 에지 범위 데이터에 기초하여 트레이닝됨- ; 및

디블러링 모델을 실행함으로써 캡처된 이미지를 디블러링하는 단계를 포함하는 방법.

69. 68 항에 있어서, 타겟 패턴의 피처들에 대응하는 패터닝된 기판 상의 피처들에 대한 에지 범위 데이터는 기판 및 타겟 패턴과 연계된 깊이 데이터에 기초하여 결정되는 방법.

70. 69 항에 있어서, 깊이 데이터는:

기판의 최상층으로부터 수직 하향 방향으로 위치되는 제 1 층의 제 1 깊이, 및 최상층으로부터 수직 하향 방향으로 위치되는 제 2 층의 제 2 깊이;

기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 또는

타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동 중 적어도 하나를 포함하는 방법.

71. 68 항 내지 70 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴 내의 각각의 피처에 대응하는 기판 상의 피처들에 대한 에지 위치의 범위를 포함하는 방법.

72. 68 항에 있어서, 에지 범위 데이터를 결정하는 것은 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 것을 포함하는 방법.

73. 68 항 내지 72 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴의 각각의 피처에 대응하는 에지 범위 데이터가 보충된 타겟 패턴의 이미지로서 표현되는 방법.

74. 패터닝된 기판의 캡처된 이미지를 디블러링하는 시스템으로서,

타겟 패턴에 기초하여 패터닝되는 패터닝된 기판의 이미지를 캡처하도록 구성되는 전자 빔 광학기; 및

1 이상의 프로세서를 포함하고, 상기 프로세서는:

패터닝된 기판의 캡처된 이미지 및 타겟 패턴과 연계된 에지 범위 데이터를 디블러링 모델에 입력하고 -디블러링 모델은 소정 깊이에서의 타겟 패턴의 피처들과 연계된 에지 범위 데이터에 기초하여 트레이닝됨- ;

디블러링 모델을 실행함으로써 캡처된 이미지를 디블러링하도록 구성되는 시스템.

75. 74 항에 있어서, 타겟 패턴의 피처들에 대응하는 패터닝된 기판 상의 피처들에 대한 에지 범위 데이터는 기판 및 타겟 패턴과 연계된 깊이 데이터에 기초하여 결정되는 시스템.

76. 75 항에 있어서, 깊이 데이터는:

기판의 최상층으로부터 수직 하향 방향으로 위치되는 제 1 층의 제 1 깊이, 및 최상층으로부터 수직 하향 방향으로 위치되는 제 2 층의 제 2 깊이;

기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 또는

타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동 중 적어도 하나를 포함하는 시스템.

77. 74 항 내지 76 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴 내의 각각의 피처에 대응하는 기판 상의 피처들에 대한 에지 위치의 범위를 포함하는 시스템.

78. 77 항에 있어서, 에지 범위 데이터를 결정하는 것은 타겟 패턴의 각각의 피처에 대응하는 기판 상의 피처들의 에지 변동들을 연산하도록 구성되는 모델을 실행하는 것을 포함하는 시스템.

79. 74 항 내지 78 항 중 어느 하나에 있어서, 에지 범위 데이터는 타겟 패턴의 각각의 피처에 대응하는 에지 범위 데이터가 보충된 타겟 패턴의 이미지로서 표현되는 시스템.

본 명세서에 개시된 개념들은 실리콘 웨이퍼와 같은 기판 상에 이미징하기 위해 사용될 수 있지만, 개시된 개념들은 여하한 타입의 리소그래피 이미징 시스템들, 예를 들어 실리콘 웨이퍼들 이외의 기판들 상에 이미징하는 데 사용되는 것들로 사용될 수도 있다는 것을 이해하여야 한다.

본 명세서에서 사용되는 바와 같이, 달리 특정적으로 명시되지 않는 한, "또는(or)"이라는 용어는 실행불가능한 경우를 제외하고 모든 가능한 조합들을 포괄한다. 예를 들어, 데이터베이스가 A 또는 B를 포함할 수 있다고 언급되는 경우, 달리 특정적으로 명시되거나 실행불가능하지 않는 한, 데이터베이스는 A, 또는 B, 또는 A와 B를 포함할 수 있다. 두 번째 예시로서, 데이터베이스가 A, B, 또는 C를 포함할 수 있다고 언급되는 경우, 달리 특정적으로 명시되거나 실행불가능하지 않는 한, 데이터베이스는 A, 또는 B, 또는 C, 또는 A와 B, 또는 A와 C, 또는 B와 C, 또는 A와 B와 C를 포함할 수 있다.

상기 서술내용은 예시를 위한 것이지, 제한하려는 것이 아니다. 따라서, 당업자라면 아래에 설명되는 청구항들의 범위를 벗어나지 않고 서술된 바와 같이 변형예가 행해질 수도 있음을 이해할 것이다.

Claims (15)

1. 패터닝된 기판의 캡처된 이미지를 디블러링(deblur)하도록 구성되는 디블러링 모델을 저장하기 위한 비-일시적(non-transitory) 컴퓨터 판독가능한 매체로서,
   1 이상의 프로세서에 의해 실행될 때:
   기판 상의 패턴이 도출되는 타겟 패턴을 사용하는 시뮬레이터를 통해, 상기 타겟 패턴에 대응하는 상기 기판의 시뮬레이션된 이미지를 얻는 것 -상기 타겟 패턴은 상기 기판 상의 제 1 층에 형성될 제 1 타겟 피처(target feature) 및 상기 기판 상의 제 2 층에 형성될 제 2 타겟 피처를 포함하고, 상기 제 2 층은 상기 기판 상의 제 1 층 아래에 위치됨- ;
   상기 기판의 다수 층들과 연계된 깊이 데이터(depth data)에 기초하여, 상기 타겟 패턴의 제 1 및 제 2 타겟 피처들에 대응하는 상기 기판 상의 피처들에 대한 에지 범위 데이터(edge range data)를 결정하는 것 -상기 깊이 데이터는 상기 기판의 최상층으로부터의 각 피처의 깊이의 함수로서 상기 기판 상의 피처들의 에지들의 블러링(blurring)을 특징지음- ; 및
   트레이닝 데이터(training data)로서 상기 시뮬레이션된 이미지 및 상기 기판의 에지 범위 데이터를 사용하여, 상기 디블러링 모델을 생성하도록 베이스 모델의 파라미터들을 조정하는 것 -상기 디블러링 모델은 상기 캡처된 이미지와 연계된 에지 범위 데이터를 사용하여 상기 패터닝된 기판의 캡처된 이미지의 디블러 이미지를 생성하도록 구성됨-
   을 포함한 작업들을 야기하는 명령어들을 저장하고 있는, 비-일시적 컴퓨터 판독가능한 매체.
2. 제 1 항에 있어서,
   상기 타겟 패턴은 상기 제 1 타겟 피처 및 상기 제 2 타겟 피처와 연계된 기하학적 데이터를 포함하는, 비-일시적 컴퓨터 판독가능한 매체.
3. 제 2 항에 있어서,
   상기 기하학적 데이터는 상기 제 1 타겟 피처 및 상기 제 2 타겟 피처의 원하는 형상(desired shape)들, 및 상기 타겟 패턴 내에서의 제 1 타겟 피처 및 제 2 타겟 피처 각각의 에지들의 타겟 위치들을 포함하는, 비-일시적 컴퓨터 판독가능한 매체.
4. 제 1 항에 있어서,
   상기 깊이 데이터는:
   상기 기판의 최상층으로부터 수직 하향 방향으로 위치되는 상기 제 1 층의 제 1 깊이, 및 상기 최상층으로부터 수직 하향 방향으로 위치되는 상기 제 2 층의 제 2 깊이;
   상기 기판의 제 1 층 및 제 2 층과 연계된 재료 데이터; 또는
   상기 타겟 패턴의 제 1 타겟 피처 및 제 2 타겟 피처에 각각 대응하는 상기 기판 상의 제 1 피처 및 제 2 피처와 연계된 회절 거동(diffraction behavior) 중 적어도 하나를 포함하는, 비-일시적 컴퓨터 판독가능한 매체.
5. 제 1 항에 있어서,
   상기 에지 범위 데이터는 상기 타겟 패턴 내의 각각의 피처에 대응하는 상기 기판 상의 에지 위치의 범위를 포함하는, 비-일시적 컴퓨터 판독가능한 매체.
6. 제 1 항에 있어서, 상기 에지 범위 데이터를 결정하는 것은:
   상기 타겟 패턴의 각각의 피처에 대응하는 상기 기판 상의 피처들의 에지 변동들을 연산(compute)하도록 구성되는 모델을 실행하는 것을 포함하는, 비-일시적 컴퓨터 판독가능한 매체.
7. 제 1 항에 있어서,
   상기 에지 범위 데이터는 상기 기판 상에 프린트될 각각의 피처의 에지 범위 데이터가 보충된 상기 타겟 패턴의 이미지로서 표현되는, 비-일시적 컴퓨터 판독가능한 매체.
8. 제 1 항에 있어서,
   상기 시뮬레이션된 이미지를 얻는 것은:
   패터닝된 기판의 캡처된 이미지로부터 잡음을 추출하는 것; 및
   상기 시뮬레이션된 이미지에 상기 잡음을 추가하는 것을 더 포함하는, 비-일시적 컴퓨터 판독가능한 매체.
9. 제 1 항에 있어서,
   상기 디블러링 모델은 기계 학습 모델인, 비-일시적 컴퓨터 판독가능한 매체.
10. 제 1 항에 있어서,
    상기 디블러링 모델은 딥 컨볼루션 네트워크이며, 모델 파라미터들은 상기 딥 컨볼루션 네트워크의 1 이상의 층의 가중치들 및 편향(bias)들을 포함하는, 비-일시적 컴퓨터 판독가능한 매체.
11. 제 1 항에 있어서,
    상기 디블러링 모델은:
    상기 타겟 패턴의 피처를 나타내는 값들을 포함하는 피처 벡터(feature vector), 및
    상기 기판 상에 프린트될 피처와 연계된 깊이와 관련되는 값들을 포함하는 어텐션 벡터(attention vector)를 포함하는 뉴럴 네트워크이며, 상기 어텐션 벡터는 상기 피처 벡터와 작용(operate)하도록 구성되는, 비-일시적 컴퓨터 판독가능한 매체.
12. 제 11 항에 있어서,
    상기 어텐션 벡터는:
    0 내지 1의 범위 내의 값들, 또는
    0 또는 1의 값들을 포함하는, 비-일시적 컴퓨터 판독가능한 매체.
13. 제 12 항에 있어서,
    기계 학습 모델은 상기 피처 벡터와 상기 어텐션 벡터를 곱하여, 상기 피처 벡터의 특정 피처의 에지에 상기 어텐션 벡터에 의해 깊이 관련 가중치가 할당되도록 구성되는, 비-일시적 컴퓨터 판독가능한 매체.
14. 제 13 항에 있어서,
    상기 제 1 층과 연계된 제 1 타겟 피처에는 상기 제 2 층과 연계된 제 2 타겟 피처에 곱해진 어텐션 값에 비해 더 높은 어텐션 값이 곱해지는, 비-일시적 컴퓨터 판독가능한 매체.
15. 패터닝된 기판의 캡처된 이미지를 디블러링하는 방법으로서,
    타겟 패턴 및 상기 패터닝된 기판의 다수 층들과 연계된 깊이 데이터에 기초하여 상기 캡처된 이미지 내의 피처들을 식별하는 단계; 및
    상기 타겟 패턴 및 상기 깊이 데이터에 기초하여 상기 피처들 각각을 디블러링함으로써 상기 캡처된 이미지를 디블러링하는 단계
    를 포함하는, 방법.

Images