[go: up one dir, main page]

TW201937163A - 使用機械學習檢查光罩 - Google Patents

使用機械學習檢查光罩 Download PDF

Info

Publication number
TW201937163A
TW201937163A TW107146330A TW107146330A TW201937163A TW 201937163 A TW201937163 A TW 201937163A TW 107146330 A TW107146330 A TW 107146330A TW 107146330 A TW107146330 A TW 107146330A TW 201937163 A TW201937163 A TW 201937163A
Authority
TW
Taiwan
Prior art keywords
reticle
image
field
images
mask
Prior art date
Application number
TW107146330A
Other languages
English (en)
Other versions
TWI820070B (zh
Inventor
方浩任
阿布都拉罕 賽斯金納
瑞方 是
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201937163A publication Critical patent/TW201937163A/zh
Application granted granted Critical
Publication of TWI820070B publication Critical patent/TWI820070B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95676—Masks, reticles, shadow masks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本發明揭示用於檢查一光微影光罩之方法及裝置。基於自一設計資料庫產生之一光罩資料庫影像來經由一深度學習程序產生一近場光罩影像，且基於該近場光罩影像來經由一基於物理之程序模擬一檢查系統之一影像平面處之一遠場光罩影像。該深度學習程序包含基於最小化該等遠場光罩影像與藉由使由該設計資料庫製造之一訓練光罩成像來獲取之複數個對應訓練光罩影像之間的差異來訓練一深度學習模型，且此等訓練光罩影像根據圖案多樣性來選擇且係無缺陷的。經由一晶粒至資料庫程序來檢查由該設計資料庫製造之一測試光罩之一測試區域之缺陷，該晶粒至資料庫程序包含比較來自一參考遠場光罩影像之複數個參考影像與由該檢查系統自該測試光罩獲取之複數個測試影像。基於由該經訓練之深度學習模型產生之一參考近場光罩影像來模擬該參考遠場光罩影像。

Description

使用機械學習檢查光罩
本發明大體上係關於半導體檢查(諸如光罩檢查)之領域。更特定言之，本發明係關於晶粒至資料庫檢查及其類似者。
一般而言，半導體製造業涉及使用經分層且圖案化至一基板上之半導體材料(諸如矽)來製造積體電路之高度複雜技術。一積體電路通常由複數個光罩製造。首先，電路設計者提供電路圖案資料或一設計資料庫(其描述一特定積體電路(IC)設計)至一光罩生產系統或光罩寫入器。電路圖案資料通常呈所製造之IC器件之實體層之一表示佈局之形式。表示佈局包含IC器件之各實體層之一表示層(例如閘極氧化物、多晶矽、鍍金屬等等)，其中各表示層由界定特定IC器件之一層之圖案化之複數個多邊形構成。光罩寫入器使用電路圖案資料來寫入(例如，通常使用一電子束寫入器或雷射掃描器來曝露一光罩圖案)稍後將用於製造特定IC設計之複數個光罩。
各光罩或光掩膜一般為含有至少透明及不透明區域及有時半透明及相移區域(其等一起界定諸如一積體電路之一電子器件中之共面特徵之圖案)之一光學元件。在光微影期間，使用光罩來界定用於蝕刻、離子植入或其他製程之一半導體晶圓之指定區域。
一光罩檢查系統可檢查可發生於光罩之生產期間或使用此等光罩來進行光微影之後之光罩之缺陷。歸因於大規模之積體電路化及半導體器件之減小尺寸，所製造之器件已變得對缺陷越來越敏感。即，引起器件出故障之缺陷變得越來越小。因此，需要不斷改良用於監測光罩之特性之檢查技術。
下文將呈現本發明之一簡化概要以提供本發明之特定實施例之一基本理解。此概要不是本發明之一詳細概述且其不識別本發明之關鍵/重要元件或界限本發明之範疇。其唯一目的係以一簡化形式呈現本文所揭示之一些概念作為稍後將呈現之更詳細描述之一前序。
在一實施例中，揭示用於檢查一光微影光罩之方法及裝置。基於自一設計資料庫產生之一光罩資料庫影像來經由一深度學習程序產生一近場光罩影像，且基於該近場光罩影像來經由一基於物理之程序模擬一檢查系統之一影像平面處之一遠場光罩影像。該深度學習程序包含基於最小化該等遠場光罩影像與藉由使由該設計資料庫製造之一訓練光罩成像來獲取之複數個對應訓練光罩影像之間的差異來訓練一深度學習模型，且此等訓練光罩影像根據圖案多樣性來選擇且係無缺陷的。經由一晶粒至資料庫程序來檢查由該設計資料庫製造之一測試光罩之一測試區域之缺陷，該晶粒至資料庫程序包含比較來自一參考遠場光罩影像之複數個參考影像與由該檢查系統自該測試光罩獲取之複數個測試影像。基於由該經訓練之深度學習模型產生之一參考近場光罩影像來模擬該參考遠場光罩影像。在一特定實施方案中，該測試光罩及該訓練光罩係一相同光罩且該等測試影像係自不同於獲取該等訓練影像之區域之此相同光罩之區域獲取。
在另一態樣中，該基於物理之程序係基於用於基於該近場光罩影像來產生該檢查工具之一影像平面上之該遠場光罩影像的霍普金斯(Hopkins)方法，且該深度學習程序包含將該光罩資料庫影像映射至將由與由該設計資料庫製造之一光罩交互作用之光產生之一近場光罩影像。在另一實施例中，該深度學習模型係未將光罩成像併入至該影像平面上之一卷積神經網路(CNN)。
在另一態樣中，該深度學習模型不包括模擬由該檢查工具中之場相依變化引起之該遠場光罩影像之擾動且獨立於該檢查工具。在另一態樣中，藉由調整該深度學習模型之複數個層之特定參數(其包含權重及/或偏離值)來訓練該深度學習模型以最小化該等遠場光罩影像與該等對應訓練光罩影像之間的差異。在一實施例中，其中發生調整之該等層包括具有非線性啟動之卷積層。在另一態樣中，在不調整用於降取樣操作之一或多個低通濾波層中之參數的情況下訓練該深度學習模型。
在一替代實施例中，該CNN包含用於抵消該光罩資料庫影像與由此光罩資料庫影像產生之一實體光罩之間的偏差之一或多個卷積層、用於產生複數個降取樣影像之一或多個層及用於實施近場解析之一稀疏表示之一或多個層。在另一實施方案中，該等測試影像與該等參考影像對準，且一動態補償程序相對於該等測試影像應用於該等參考影像以抵消該檢查工具之變動(其包含焦點波動及/或場相依變動)。
在一替代實施例中，本發明係關於一種用於檢查一光微影光罩之檢查系統。該系統包括經組態以執行上述操作之一或多者之至少一記憶體及至少一處理器。在另一態樣中，本發明係關於一種電腦可讀媒體，其上儲存有用於執行上述操作之一或多者之指令。
下文將參考圖式來進一步描述本發明之此等及其他態樣。
相關申請案之交叉參考
本申請案根據35 U.S.C.§119之規定主張由Hawren Fang等人於2017年12月28日申請之名稱為「Inspection of Reticles Using Machine Learning」之先前美國臨時申請案第62/611,321號之優先權，該申請案之全部內容為了所有目的以引用的方式併入本文中。
在以下描述中，闡述諸多具體細節以提供本發明之一透徹理解。可在無一些或所有此等具體細節之情況下實踐本發明。在其他例項中，未詳細描述熟知程序操作以免不必要地使本發明不清楚。儘管將結合特定實施例來描述本發明，但應瞭解，其不意欲使本發明受限於實施例。
可相對於任何適合類型之光罩或光掩膜來應用本文所描述之檢查技術。在一實例中，一極紫外線(EUV)微影程序使用經設計以促進EUV波長(諸如13.5 nm)處一晶圓上之圖案化之一EUV型光罩。一EUV光罩一般可包含一基板，諸如一低熱膨脹(LTE)或超低膨脹(ULE)玻璃板(諸如熔矽石)。基板由多層材料覆蓋以提供EUV波長處之中度反射率(例如60%至70%或更大)以在EUV波長處執行微影曝光。多層(ML)堆疊充當最大化EUV輻射之反射之一布拉格(Bragg)反射器，同時係EUV輻射之一不佳吸收器。反射一般發生於具有較高差異以引起更大反射率之不同折射率之材料之間的界面處。儘管曝露於極低波長之材料之折射率約等於1，但可透過使用具有不同折射率之交替層之多個層來達成顯著反射。ML堆疊包括低吸收特性，使得衝擊輻射被幾乎無損失反射。在特定實施例中，多個層包含依約7奈米節距配置之鉬(Mo)層及矽(Si)層之約30個至約40個(或40個至50個)之間的交替對。其他適合層可包含Mo2 C及Si、Mo及鈹(Be)、鉬釕(MoRu)及Be之交替層。
多個層可包含一封蓋層(諸如Ru)以防止氧化。在其他實施例中，一EUV光罩可包含一石英、抗反射塗層(ARC)及其他特徵。一圖案形成於安置於多個層上之一吸收器層中。例如，由一薄抗反射氧化物(諸如氧化鉭硼(TaBO))頂蓋之氮化鉭硼(TaBN)膜充當一EUV吸收器。用於光罩圖案之(若干)材料可經選擇以具有幾乎為零之蝕刻偏離以達成超精細解析特徵。
除一EUV型光罩之外，術語「光罩」及「光掩膜」亦可包含其上形成有之一層不透明材料之一透明基板，諸如玻璃、硼矽酸鹽玻璃、石英或熔矽石。不透明(或實質上不透明)材料可包含完全或部分阻擋光微影光(例如深UV)之任何適合材料。實例性材料包含鉻、矽化鉬(MoSi)、矽化鉭、矽化鎢、玻璃上覆不透明MoSi (OMOG)等等。一多晶矽膜亦可加於不透明層與透明基板之間以改良黏合性。一低反射膜(諸如氧化鉬(MoO2 )、氧化鎢(WO2 )、氧化鈦(TiO2 )或氧化鉻(CrO2 ))可形成於不透明材料上。
術語「光罩」可係指不同類型之光罩，其包含(但不限於)一明場光罩、一暗場光罩、一二元光罩、一相移掩膜(PSM)、一交變PSM、一衰減或半色調PSM、一三元衰減PSM及一無鉻相位微影PSM。一明場光罩具有透明之場或背景區域，且一暗場光罩具有不透明之場或背景區域。一二元光罩係具有透明或不透明之圖案化區域之一光罩。例如，可使用由具有由一鉻金屬吸收膜界定之一圖案之一透明熔矽石坯料製成之一光掩膜。二元光罩不同於相移掩膜(PSM)(其之一類型可包含僅部分透射光之膜)，且此等光罩可共同指稱半色調或嵌入式相移掩膜(EPSM)。若一相移材料放置於一光罩之交變明亮空間上，則光罩指稱一交變PSM、一ALT PSM或一利文森(Levenson) PSM。應用於任意佈局圖案之一類型之相移材料指稱可藉由將不透明材料替換為一部分透射或「半色調」膜來製造之一衰減或半色調PSM。一三元衰減PSM係亦包含完全不透明特徵之一衰減PSM。
返回參考EUV光微影程序，光源可產生適合與EUV光罩一起使用之任何適合輻射。例如，可利用約11 nm至約14 nm之間的EUV波長或較低軟x射線波長。在一特定實施方案中，產生約13.5 nm之一波長。在光微影期間，自一EUV之光罩之多個層反射之輻射被吸收於形成於一晶圓基板上之一光阻層中。所吸收之輻射產生光酸(H+)及放大光酸，當使光阻劑顯影時，光酸及放大光酸在對應於EUV光罩之吸收器圖案層之晶圓基板之光阻層中形成一曝露圖案。
從一程序良率管理之觀點看，界定印刷於矽晶圓上之圖案之EUV光掩膜之缺陷率控制起著至關重要的作用。然而，歸因於缺乏在相同於EUV掃描器使用之波長之波長(例如13.5 nm)處光學檢查光掩膜之一光化EUV光掩膜檢查器，缺陷偵測已被視為EUV微影顯影之一高風險區域。電子束檢查工具(其可能提供一良好靈敏度)通常具有比所要檢查產出率低幾個數量級之一檢查產出率且因此不是全掩膜檢查之一可行解決方案。當前及在可預見之將來，圖案化EUV光罩之檢查必須依靠在深UV (DUV)波長範圍(190 nm至260 nm)內操作之更易取得、較高產出率檢查工具。
一類型之檢查技術利用一晶粒至資料庫方法，其通常包含基於資料庫來計算一參考影像。資料庫含有待寫至光罩上之一系列多邊形形狀。計算參考影像通常可包含：(i)模型化多邊形藉由其來寫至光罩上之電子束微影；(ii)特徵化光罩檢查顯微鏡之光瞳照明圖案；(iii)計算照明如何與圖案化光罩交互作用以形成一繞射近場；及(iv)模型化繞射近場如何由一陣列感測器成像及記錄於影像平面處。
當使用一基於物理之方法(諸如霍普金斯方法)時，計算照明如何與圖案化光罩交互作用以形成一繞射近場係計算困難的。一般而言，霍普金斯方法係基於點源貢獻及繞射振幅上之積分順序之交換，其允許將具有固定照明、數值孔徑、散焦及其他像差之一給定光學系統描述為具有透射交叉係數(TCC)。TCC可僅被計算一次且其後重複用於由相同光學系統成像之不同掩膜圖案之重複影像模擬。一問題係將霍普金斯方法用於一極紫外線(EUV)光罩係計算上極其昂貴的。例如，已知方法無法在一實際檢查時間內嚴格解決整個光罩。計算照明如何與圖案化光罩交互作用之另一困難係光罩圖案之尺寸、蝕刻圖案之側壁之輪廓及光罩材料之光學性質存在一些不確定性。
本發明之特定實施例使用機器學習來將掩膜上之圖案映射至繞射場。在一特定實施方案中，一卷積神經網路(CNN)用於學習掩膜圖案至繞射場(指稱「掩膜近場」)之此映射。儘管主要在一CNN之背景下描述以下實例性實施例，但其他機器學習或神經網路程序可用於學習掩膜近場影像。
除照明與光罩之交互作用之外，可使用一基於物理之模型來準確特徵化及快速模擬影像形成。因此，用於產生光罩之一參考影像之方法保持基於物理之模型程序。即，學習程序(例如經由CNN)不將光罩影像形成併入至影像平面(例如檢查工具偵測器)上。
在一實施例中，使用實際光罩及其由檢查工具獲取之實際影像來訓練一卷積神經網路。在此操作模式中，藉由最小化偵測器上之最終模擬影像與由工具獲取之實際影像之間的差異來執行訓練。
光學系統之性質可隨時間及成像場中之不同位置而變動。有利地，一旦自CNN程序獲知由光罩繞射之場，則可使用一基於物理之模型來計算影像相對於光學系統之變化之擾動。因此，CNN不背負此任務，使得訓練程序比偵測器影像由CNN學習時簡化很多。與一基於物理之方法相比，一神經網路程序提供近場光罩影像之一顯著更準確計算。另外，神經網路程序係高效率的，因為神經網路之輸入及輸出影像彼此無顯著不同且學習任務被簡化。此效率藉由不使神經網路程序學習遠場影像來完成。總結言之，組合用於計算一近場光罩影像之一準確神經網路方法與用於自近場光罩影像計算光罩影像之一基於物理之方法導致一更高效更敏感檢查程序。
圖1係根據本發明之一實施例之用於自一設計資料庫獲得參考光罩影像之一程序100之一圖解表示。首先，將一資料庫影像102提供給一深度學習模型104。可基於用於製造待檢查之光罩之設計資料庫來提供資料庫影像。例如，使用任何適合技術來使二元光罩影像由設計資料庫之多邊形描述再現。即，暗及亮強度值可分別賦予吸收器及多層區域，或反之亦然。
深度學習模型104經組態以經由輸入資料庫光罩影像102之一學習模型來產生一近場光罩影像。在訓練期間，一近場光罩影像由深度學習模型104輸出且輸入至基於基於物理之模型化參數108之一基於物理之模擬程序106。例如，基於物理之方法涉及用於模擬自光罩近場影像通過檢查工具之收集路徑而至此工具之偵測器上之一遠場影像之光之霍普金斯方法。基於物理之模型化參數可包含預計算自近場穿過檢查系統而至偵測器之光行為之透射交叉係數(TCC)。基於物理之模擬程序106輸出一模擬光學光罩影像，其輸入至最佳化光學光罩影像與藉由使由設計資料庫製造之一光罩成像來獲取之一無缺陷訓練光學影像112之間的差異之一訓練最佳化器110。
在一實施例中，查核一光罩之一小區域(例如小於0.01%)且驗證或假定其為無缺陷。自光罩之此無缺陷部分獲取影像且將其用作為訓練影像。在訓練模型之後，可使用來自訓練模型之輸出來檢查光罩之剩餘部分(例如其他99.99%)。
深度學習模型與訓練最佳化器110一起工作以訓練一厚掩膜繞射模型以基於無缺陷訓練光學影像112來自資料庫光罩影像輸出近場光罩影像。即，最佳化器訓練或調整深度學習模型參數，同時使基於物理之模型化參數108保持恆定。
任何適合深度學習模型可用於判定光罩近場。在一特定實施方案中，可使用一卷積神經網路(CNN)。CNN係最常用於分析視覺意象使得其非常適合於分析光罩資料庫影像之一類深度前饋神經網路。一般而言，CNN包含「神經元」之多個互連層，且各神經元經設計以模仿視覺皮質，因為各神經元僅接收及變換一小輸入域(例如光罩資料庫影像之一小部分)。一神經元之輸入區域稱為其接受域。在一卷積層中，接受域小於整個先前層。圖2繪示根據本發明之一實例性實施方案之具有用於接收光罩資料庫影像202之一接受域202a之神經元204a之一卷積層204之一圖解表示。層204亦將包含用於光罩資料庫影像202之其他接受域之其他神經元(圖中未展示)。
一神經網路中之各神經元將某一功能應用於來自其先前層中之接受域之輸入值且計算一組輸出值。應用於輸入值之功能可由一權重向量及一偏離(通常為實數)指定。一神經網路中之學習藉由使偏離及權重遞增調整來進步。在一卷積層中，權重向量及偏離可指稱一濾波器，且卷積層之一明顯特徵係諸多神經元可共用相同濾波器。濾波器之此共用減少記憶體佔據面積，因為可在所有接受域中使用一單一濾波器，而非各接受域在一全連接層中具有其自身偏離及權重向量。
在神經網路中，各神經元自先前層中之某數目個位置接收輸入。在一全連接層中，各神經元自先前層之每個元件接收輸入。在一卷積層中，神經元僅自先前層之一受限子區域接收輸入。甚至一小影像(諸如100×100個像素)之一全連接層將需要使用10000個權重用於接收層中之各神經元。相反地，使用一卷積層減少自由參數之數目以允許網路使用較少參數來進入更深層次。例如，大小5×5之拼接區域可各使用相同共用權重(例如僅25個可學習參數)。
CNN通常將具有局部及完全連接之不同類型之層，其等經堆疊以形成CNN。此等堆疊層可用於使一準確光罩近場影像由一光罩資料庫影像形成。例如，Chao Dong等人之「Learning a Deep Convolutional Network for Image Super-Resolution」(在2014年歐洲電腦視覺會議(ECCV)之會報中，該論文以引用的方式併入本文中)中進一步描述使用CNN來學習一準確影像之若干技術。一般而言，光罩資料庫影像將輸入至CNN層以產生一近場影像，接著使用該近場影像作為輸出一模擬光罩遠場影像(例如在檢查偵測器處)之一基於物理之模型之輸入。
圖3繪示根據本發明之一實施例之用於自一光罩資料庫影像302產生一光罩近場影像312之一簡化CNN程序300。在此實例中，CNN通常將包含額外層及各層處之額外濾波器及映射，其等未展示於說明圖中以簡化描述。
首先，光罩資料庫影像302可由一區塊提取層314a接收以自光罩資料庫影像302提取及表示區塊。區塊可重疊。例如，區塊提取層314a可包含濾波器304，其呈應用於各像素之一權重核心之形式。各濾波器具有一大小f1 ×f1 。在所繪示之實例中，濾波器304係相對於光罩資料庫影像302之各像素卷積之一9×9核心。即，9×9核心在整個光罩資料庫影像中步進以每次一個地將各像素放置於核心之中心中。在當前實例中，濾波器304展示為應用於光罩資料庫影像302之像素302b及其相鄰像素302a。此像素302b及其相鄰像素上之濾波器304之輸出將為(陣列306之)一值306a。將存在應用於各像素以導致各像素之一n1 值陣列(例如陣列306)之額外濾波器(圖中未展示)。一般可執行各核心濾波器之權重與各自重疊光罩資料庫影像之間的一點積以導致特定像素之一值。具有相同於光罩資料庫影像之一大小之一所得影像自經步進且應用於整個光罩資料庫影像中之核心產生。未展示應用於所有光罩資料庫影像像素之區塊提取層之所有濾波器之輸出陣列以簡化本發明。
接著，如圖中所展示，來自區塊提取層之輸出可輸入至下一層。如圖中所展示，一非線性映射層314b可應用於區塊提取層314a之輸出。接著，如圖中所展示，光罩像素302b之卷積結果n1 (306)可輸入至輸出映射非線性結果n2 (308)之一非線性映射層。任何適合數目及類型之非線性映射層可由CNN使用。舉例而言，一sigmoid(x)、一tanh(x)、ReLU (整流線性單元)、漏溢ReLU等等。ReLU函數應用非飽和啟動函數f(x)={max(0,x)}，其用於在不影響卷積層之接受域之情況下增加決策函數及整個網路之非線性性質。
在光罩資料庫之所有像素通過區塊提取及非線性映射層之後，一重建程序314c可藉由組合濾波器及非線性映射結果來重建一光罩近場影像結果312。更精確而言，重建程序可聚集各像素之f3 ×f3 相鄰區塊。所得近場影像可表示地表實況近場影像。然而，如本文將進一步描述，使用一基於物理之方法來對近場影像執行額外處理以模擬最終光罩遠場影像，其預期類似於易於取得之地表實況遠場光罩影像。
如本文所提及，CNN將可能包含任何數目及類型之卷積層及/或其他層。圖4繪示根據本發明之一特定實施方案之用於自一光罩資料庫影像產生光罩近場影像之一詳細CNN程序400。首先，光罩資料庫影像可包括多個影像402。例如，光罩資料庫影像402可包含由設計資料庫光柵化之一影像、由|gradx(DB)|表示之一絕對值X梯度影像及由|grady(DB)|表示之一絕對值Y梯度影像。在此實例中，「DB」係光罩資料庫影像。X方向上之梯度影像|gradx(DB)|可由有限差分近似實施，有限差分近似由應用於經受縮放之DB之列之一卷積濾波器[-1 0 1]執行。接著，可逐元素應用絕對值函數以形成|gradx(DB)|。同樣地，可獲得Y方向上之絕對值梯度影像|grady(DB)|。
CNN可包含用於抵消設計資料庫影像與實體掩膜之間的偏差之一或多個卷積層。例如，一1×1核心可在所有光罩資料庫影像402中卷積以導致特徵影像404，特徵影像404接著可輸入至另一卷積層以產生藉由將多個濾波器應用於各特徵影像404來增加影像之數目之一組特徵影像406。即，一個以上濾波器可應用於經抵消影像404之各像素以產生比輸入特徵影像404多之特徵影像406。
在一般抵消實例中，加總光罩資料庫影像及經縮放|gradx(DB)|影像具有改變垂直線-空間圖案之CD (關鍵尺寸)之效應。|gradx(DB)|及|grady(DB)|亦可用於放寬等距映射(例如，x及y方向上之CD變化可不同)。此係因為電子束掩膜寫入器不完美且所得掩膜可略微不同於設計。例如，若設計具有100 nm CD，則歸因於掩膜寫入器之不完美，實體掩膜實際上可具有95 nm CD。此偏差通常稱為「掩膜偏離」。因此，第一卷積層可用於抵消此掩膜偏離。實際上，此層係相關於(但非等效於)學習掩膜偏離。在此實例中，此層經組態以提供有助於學習之(若干)特徵影像且因此提高預測近場光罩影像之所得準確度。
接著，特徵影像406可輸入至一低通濾波程序以接著將特徵影像406降取樣至一組較小特徵影像408。例如，特徵影像406可具有一4X大小，且所得特徵影像408具有一2X大小。一般而言，輸入影像缺乏灰階且幾乎為二元的(大多數像素係全亮或全暗)，而預期近場及遠場影像將呈現精細灰階(作為預期地表實況影像)。因此，當可在整個CNN中降取樣輸入以達成一最終輸出時，具有像素大小55/4 nm2 之較高解析度特徵影像(4X)係具有像素大小55 nm2 之1X。此第一降取樣層可經組態以藉由自信號處理應用一低通濾波器且接著降取樣來將像素大小55/4 nm2 改變為55/2 nm2 (4X至2X)。即，不同於平均池化(其在電腦視域中較為流行)。
CNN 400之隨後層422可實施一近場解析之一稀疏表示。此神經網路技術已應用於上文所引用之Chao Dong論文及圖3中之影像超解析。例如，一組之9×9個濾波器各在所有特徵影像408中卷積以導致特徵影像410。由於此階段中之9×9個濾波器具有比輸入特徵影像408高之一數目，所以輸出特徵影像410 (或輸出通道)亦具有比輸入特徵影像408高之一數目。由各層輸出之通道之數目可經選擇以提供與保存處理資源及一般化平衡之顯著提高準確度(即，更多通道趨向於導致較高準確度)。例如，若一較高通道數目導致極少提高及增加處理，則其可不被選擇；但若較高數目個通道導致顯著準確度提高(即使增加處理負擔)，則其被選擇。濾波器數目選擇可基於經驗結果。輸出特徵影像410可因僅使用「有效」區域以不包括光暈區域而較小。與光罩資料庫影像大小4X相比，CNN之降取樣層可促成像素大小減小以達成最終1X大小。
接著，特徵影像410由實施一降維程序之一非線性層接收以輸出具有比輸入特徵影像410少之一數目(通道)之一組特徵影像412。在此實例中，大小1×1之濾波器在所有特徵影像410中卷積以輸出具有相同於輸入影像之大小之減少通道/特徵影像412。
接著，上文所描述之一重建層可應用於特徵影像412以輸出一組近場殘留影像414。(非線性)降維層之輸出可指稱「基本影像」。為重建近場殘留影像之實部及虛部之各者，一5×5可訓練濾波器可應用於各基本影像；加總所有經濾波基本影像；接著非線性啟動函數以輸出近場殘值(實部或虛部)。基於經驗結果來選擇濾波器大小5×5以達成一預界定準確度位準，但其他應用可選擇其他大小。
實際上，1個CNN網路可用於預測2個近場影像以提高計算效率。在此實例中，近場影像係可由兩個實值特徵影像表示之複合影像。影像之數目可對應於針對不同檢查工具設定來產生之影像之任何數目及類型。在當前實例中，X及Y兩種偏振模擬影像可由一個CNN產生以用於與由購自Milpitas, CA之KLA-Tencor公司之Teron 640e工具獲取之X及Y偏振光學影像一起使用。因此，總共存在4個最終光罩實值影像來形成2個近場影像。接著，如圖中所展示，近場殘留影像414可加至克希何夫(Kirchoff)場(近場之一線性近似)以產生一組之4個預測實值影像416來形成用於兩個偏振(X及Y偏振)之2個近場影像。
克希何夫場大體上係近場之一線性近似(快速但不準確)。為促進訓練，CNN可首先預測近場殘留影像(所要近場與克希何夫場之間的差異)。接著，可藉由使殘值與克希何夫場加總來獲得預測近場影像。在所繪示之實例中，近場殘留影像414加至克希何夫場以形成由一低通濾波器處理之2X近場殘留影像416，其中結果經降取樣以產生1X處之預測近場影像418。
不管特定CNN組態如何，預測近場影像可用於產生遠場光罩影像，遠場光罩影像接著用於訓練CNN，如相對於圖1所描述。例如，預測近場影像(NF)可接著輸入至基於基於物理之模型化參數108之基於物理之模擬程序106。在一實施方案中，一部分同調模型(PCM)經組態以藉由以下方程式來產生遠場影像：
方程式[1]
其中x, y係像素指數，NF係掩膜之複數近場，且φ1 、φ2 、…、φn 係檢查工具之物理參數。
最佳化器10接收所產生之模型影像Imodel 及對應訓練影像Itraining (112)(其等預先被篩選為無缺陷的(經由獨立量測))。可使用諸如隨機梯度下降(SGD)、RMSProp、動量、Adam、K-FAC等等之任何適合最佳化程序。最佳化器110一般可經組態以藉由相對於深度學習模型104調整某些可訓練參數來最小化此等訓練影像Itraining (112)與模擬遠場影像Imodel 之間的差異。在一特定實施方案中，可最小化一損失函數，諸如以下方程式[2]中所界定之差異影像之平方之和：
方程式[2]
在以上方程式[2]中，「|| ||F 」係弗羅貝尼烏斯(Frobenius)範數。即，調整深度學習模型之可訓練參數，直至最小化方程式[2]之(例如)損失函數，此後深度學習模型被視為針對特定光罩訓練。在深度學習模型中，除具有未被訓練之固定參數之低通濾波器層之外，卷積層之參數係可調整可訓練參數。在特定實施例中，深度學習模型可在製造光罩之後即時被訓練且在用於一光微影程序之前被視為無缺陷的。訓練資料可由一有經驗之工程師選擇及篩選以達成無缺陷圖案之一充分覆蓋。
一旦針對一特定光罩訓練深度學習模型，則深度學習模型可用作為整個缺陷偵測程序之部分，其包含抵消平移偏移之影像對準及抵消光學波動及場相依性之一動態補償(DC)機制。圖5繪示根據本發明之一實施例之一缺陷偵測程序500。為了完整，設計資料庫多邊形可首先由產生光罩4X資料庫(DB)影像之一DB光柵影像再現程序502接收，4X DB影像接著由包含輸出預測近場影像之一深度學習模型504 (諸如上文所描述之一經訓練CNN)之深度學習程序接收。
一光學模型影像再現程序506接收近場光罩影像且經組態以產生遠場影像。一影像對準程序508經組態以使自檢查工具獲取之測試影像對準於再現遠場影像。具體而言，相對於遠場影像移動測試影像，直至兩組影像之間的差異極小。
自一光罩之檢查區域獲得測試影像。再者，當一入射光束掃描光罩之各區塊時，一EUV檢查工具可操作以偵測及收集多個偏振之反射光影像。在非EUV光罩檢查器中，可利用透射光(及/或反射光)且本文所描述之技術可經組態用於此等檢查器。一入射光束可掃描各包括複數個區塊之光罩行跡。回應於此入射光束而自各區塊之複數個點或子區域收集光。
檢查工具一般可操作以將此偵測光轉換為對應於強度值之偵測信號。偵測信號可呈一電磁波形之形式，該電磁波形具有對應於光罩之不同位置處之不同強度值之振幅值。偵測信號亦可呈強度值及相關聯光罩點座標之一簡單列表之形式。偵測信號亦可呈一影像之形式，該影像具有對應於光罩上之不同位置或掃描點之不同強度值。一光罩影像可在掃描光罩之所有位置且偵測光之後產生一光罩影像，或可在掃描各光罩部分時產生一光罩影像之部分。一般而言，來自一光罩之特定區塊之測試影像可由檢查工具產生。
在特定實施例中，一動態補償(DC)程序512亦可實施於由光學模型影像再現程序506產生之遠場影像及對準測試影像上。動態補償程序可經組態以抵消特定工具變動(諸如焦點波動及/或場相依變動)以產生動態補償(DC)光罩影像。動態補償(DC)之前及DC之後之遠場影像分別稱為DC先及DC後影像。
在此實例中，DC前影像可由以下方程式界定：
方程式[3]
其中NF係掩膜之複數近場，特徵對(λ2 ,φ2 )、(λ2 ,φ2 )、…、(λ2 ,φ2 )係檢查工具之物理參數。
接著，動態補償可包括另一損失函數之最小化。例如，線性最小平方係：
其中由極小元λ1 、λ2 、…λn 而非原始特徵值形成之影像Imodel 稱為DC後影像。
接著，可藉由比較DC後光罩影像與測試影像來執行缺陷偵測(510)且接著獲得一檢查報告。接著，可由(例如)一缺陷分類程序或高解析度工具複查差異。例如，一SEM可用於複查缺陷區域以判定關鍵尺寸(CD)是否超規格。複查可包含使有害缺陷與可能將影響使用此光罩來產生之最終晶圓上之器件之功能之「真實」缺陷分離。舉例而言，可判定特定光罩有害缺陷不可能導致晶圓上之印刷缺陷，而其他光罩有害缺陷可導致影響器件功能之印刷缺陷。
一超規格CD (或其他缺陷)可導致光罩無法通過檢查。若光罩無法通過檢查，則可捨棄或修復光罩(若可能)。例如，特定缺陷可自光罩清除。在修復或清除之後，可對經修復或清除之光罩執行一新檢查且重複程序。替代地，可調整光罩製程或光罩設計且製造一新光罩。
一般而言，一EUV光罩之吸收器及多層材料形成經設計及形成有關鍵尺寸(CD)寬度之圖案結構。一特定CD值一般會影響一特定光罩特徵在光微影程序中轉移至晶圓之方式，且此CD經選擇以最佳化此轉移程序。換言之，若一特定光罩特徵之CD值係在一指定CD範圍內，則此CD值將導致允許適當操作所得積體電路之一對應晶圓特徵之製造，如由電路設計者所預期。特徵通常形成有亦導致操作電路之最小尺寸以節省積體晶片面積。
一新製造之光罩可包含CD (或其他膜或圖案特性)缺陷問題。例如，光罩可具有缺陷CD區域。一光罩可隨時間依諸多不同方式受損。一些類型之CD劣化可由光罩特徵(MoSi)與曝光光之間的化學反應、清除程序、污染等等引起。此等物理效應亦會不利地影響光罩隨時間之關鍵尺寸(CD)。
由於此劣化，特徵CD值會顯著改變以影響整個光罩之CD均勻性且不利地影響晶圓良率。例如，掩膜之部分中之掩膜特徵寬度會顯著大於原始線寬CD。例如，可存在CD非均勻性之一徑向圖案，其中光罩之中心具有不同於光罩之邊緣之CD。
可產生一光罩之一關鍵尺寸均勻性(CDU)圖以促進此光罩之CD監測。此等CDU圖對於一半導體晶片製造者理解將源自使用光罩之程序窗而言係很重要的。一CDU圖可允許一晶片製造者判定使用光罩、對微影程序中之誤差施加補償抑或改良一光罩之製造以形成一改良之下一光罩。
可使用各種技術來產生一CDU圖。在一晶粒至資料庫檢查方法中，可比較測試及參考影像之對應區域之間的平均強度值以獲得一差量強度值。接著，整個光罩之差量強度值可有效形成一差量強度圖，其接著可校準為一全CDU圖。儘管檢查技術被描述為基於強度型信號，但其他類型之信號可用於本發明之替代實施例中。
本發明之特定實施例提供用於藉由自設計資料庫提供一高效率且準確再現之參考光罩影像來顯著提高DUV檢查工具之EUV光罩缺陷敏感度之裝置及技術。藉由比較，可在不到90分鐘內完成用於產生一準確近場影像之深度學習技術與用於產生一遠場光罩影像之一基於物理之模型化程序之組合，而使用一基於物理之嚴格模擬方法來產生一近場影像將要數年時間。吾人已發現，與其他技術相比，使用深度學習及基於物理之模型化之組合來獲得之結果已根據最終模型化光罩影像與無缺陷影像之間的差異來顯著提高準確度。為減少散粒雜訊之效應，可應用全為1之一2×2卷積濾波器且可量測量值之最大差以估計模型誤差。在具有2D圖案之一2K×1K區塊影像之一實例中，使用一深度學習方法之DC前影像與測試影像之間的最大卷積差係51灰階，而使用一習知方法之最大卷積差係109灰階。就相同區塊影像而言，發現使用一深度學習方法之DC後影像與測試影像之間的最大88灰階卷積差與使用習知方法之40卷積差相對。理想地，用於產生近場光罩影像之一深度學習程序獨立於檢查工具。
本發明之技術可實施於硬體及/或軟體之任何適合組合中。圖6係可實施本發明之技術之一實例性檢查系統600之一圖解表示。檢查系統600可自一檢查工具或掃描器(圖中未展示)接收輸入602。檢查系統亦可包含用於分佈所接收之輸入602之一資料分佈系統(例如604a及604b)、用於處理所接收之輸入602之特定部分/區塊之一強度信號(或區塊)處理系統(例如區塊處理器及記憶體606a及606b)、用於學習近場光罩影像之一深度學習系統(例如深度學習GPU及記憶體612a)、一遠場模型化及學習支援系統(例如遠場模型化及學習支援處理器及記憶體612b)、用於允許檢查系統組件之間的通信之一網路(例如交換網路608)、一選用大容量儲存器件616及用於複查圖之一或多個檢查控制及/或複查站(例如610)。檢查系統600之各處理器通常可包含一或多個微處理器積體電路且亦可含有介面及/或記憶體積體電路且可另外耦合至一或多個共用及/或全域記憶體器件。在一特定實施方案中，深度學習模型(例如CNN)實施於一圖形處理單元(GPU)上以提高訓練程序之速度及處理能力，而用於產生一DC後或DC前光罩影像之其他程序(基於物理之模型化、訓練最佳化、動態補償等等)由一或多個CPU及記憶體實施。
用於產生輸入資料602之掃描器或資料獲取系統(圖中未展示)可呈用於獲得一光罩之強度信號或影像之任何適合儀器(例如本文將進一步描述)之形式。例如，掃描器可構造一光學影像或基於反射、透射或依其他方式導引至一或多個光感測器之偵測光之一部分來產生光罩之一部分之強度值。接著，掃描器可輸出強度值或影像可自掃描器輸出。
光罩一般分成自其獲得來自多個點之多個強度值之複數個區塊部分。可掃描光罩之區塊部分以獲得此強度資料。取決於特定系統及應用要求，區塊部分可為任何大小及形狀。一般而言，可藉由依任何適合方式掃描光罩來獲得各區塊部分之多個強度值。舉例而言，可藉由光柵掃描光罩來獲得各區塊部分之多個強度值。替代地，可藉由使用任何適合圖案(諸如一圓形或螺旋圖案)掃描光罩來獲得影像。當然，感測器必須經不同配置(例如以一圓形圖案)及/或光罩可在掃描期間不同移動(例如旋轉)以掃描來自光罩之一圓形或螺旋形狀。
在下文將繪示之實例中，當光罩移動通過感測器時，光由光罩之一矩形區域(本文指稱「行跡」)偵測且此偵測光轉換為各區塊中之多個點處之多個強度值。在此實施例中，掃描器之感測器以一矩形圖案配置以接收自光罩反射及/或透射之光且自其產生對應於光罩之區塊之一行跡之一組強度資料。在一特定實例中，各行跡可為約1百萬至約2百萬像素寬及約1000至約2000像素高，而各區塊可為約2000像素寬及約1000像素高。
可使用依任何適合方式設置之一光學檢查工具來獲得各區塊之強度值。光學工具一般使用一組操作參數或對於不同檢查操作而言實質上相同之一「方案」來設置以獲得強度值。方案設定可包含以下設定之一或多者：用於以一特定圖案、像素大小掃描光罩之一設定、用於自單一信號分組相鄰信號之一設定、一焦點設定、偏振設定、一照明或偵測孔徑設定、一入射光束角及波長設定、一偵測器設定、反射或透射光量之一設定、空中模型化參數等等。
強度或影像資料602可由資料分佈系統經由網路608接收。資料分佈系統可與用於保存所接收之資料602之至少一部分之一或多個記憶體器件(諸如RAM緩衝器)相關聯。較佳地，總內存足以保存資料之整個行跡。例如，1吉位元組之記憶體非常適合於每偏振及焦點之設定為1百萬×1000像素或點之一行跡。
資料分佈系統(例如604a及604b)亦可控制所接收之輸入資料602之部分至區塊處理器(例如606a及606b)之分佈。例如，資料分佈系統可路由一第一區塊之資料至一第一區塊處理器606a，且可路由一第二區塊之資料至區塊處理器606b。多個區塊之多組資料亦可路由至各區塊處理器。分佈系統亦可控制模型化DC前或DC後光罩影像(「參考光罩影像」)之部分至區塊處理器(例如606及606b)之分佈。
區塊處理器可接收強度值或對應於光罩之至少一部分或區塊之一影像。區塊處理器亦可各耦合至一或多個記憶體器件(圖中未展示)(諸如提供本端記憶體功能(諸如保存所接收之資料部分)之DRAM器件)或與該一或多個記憶體器件整合。較佳地，記憶體足以保存對應於光罩之一區塊之資料。例如，8百萬位元組之記憶體非常適合於強度值或對應於係512×1024個像素之一區塊之一影像。區塊處理器亦可共用記憶體。
各組輸入資料602可對應於光罩之一行跡。一或多組資料可儲存於資料分佈系統之記憶體中。此記憶體可由資料分佈系統內之一或多個處理器控制，且記憶體可分成複數個分區。例如，資料分佈系統可將對應於一行跡之一部分之資料接收至一第一記憶體分區(圖中未展示)中，且資料分佈系統可將對應於另一行跡之另一資料接收至一第二記憶體分區(圖中未展示)中。較佳地，資料分佈系統之各記憶體分區僅保存將路由至與此記憶體分區相關聯之一處理器之資料之部分。例如，資料分佈系統之第一記憶體分區可保存第一資料且路由第一資料至區塊處理器606a，且第二記憶體分區可保存第二資料且路由第二資料至區塊處理器606b。
入射光或偵測光可通過任何適合空間孔隙以依任何適合入射角產生任何入射或偵測光輪廓。舉例而言，可程式化照明或偵測孔隙可用於產生一特定光束輪廓，諸如偶極、四極、類星體、環形等等。在一特定實例中，可實施源掩膜最佳化(SMO)或任何像素化照明技術。
資料分佈系統可基於資料之任何適合參數來界定及分佈資料之各組資料。例如，可基於光罩上之區塊之對應位置來界定及分佈資料。在一實施例中，各行跡與對應於行跡內之像素之水平位置之行位置之一範圍相關聯。例如，行跡之行0至256可對應於一第一區塊，且此等行內之像素將包括路由至一或多個區塊處理器之第一影像或強度值組。同樣地，行跡之行257至512可對應於一第二區塊，且此等行中之像素將包括路由至不同區塊處理器之第二影像或強度值組。
圖7提供根據特定實施例之一實例性檢查系統750之一示意圖，檢查系統750具有包含一成像透鏡(其在一光罩平面752處具有一相對較大數值孔徑751b)之照明光學器件751a。所描繪之檢查系統750包含偵測光學器件753a及753b，其等包含經設計以提供(例如) 60X至200X或更大放大率以加強檢查之顯微鏡放大光學器件。例如，檢查系統之光罩平面752處之數值孔徑751b可明顯大於微影系統之光罩平面處之數值孔徑701，其將導致測試檢查影像與實際印刷影像之間的差異。儘管所繪示之檢查器包含反射光組件及透射光組件兩者(用於檢查非EUV光罩)，但一EUV光罩檢查將僅利用反射光。
本文所描述之檢查技術可實施於各種特別組態之檢查系統(諸如圖7中所示意性繪示之檢查系統)上。所繪示之系統750包含一照明源760，其產生被導引穿過照明光學器件751a而至光罩平面752中之一光掩膜M上之一光束。光源之實例包含雷射或過濾燈。在一實例中，源係一193 nm雷射。如上文所闡釋，檢查系統750可在光罩平面752處具有可大於對應微影系統之一光罩平面數值孔徑之一數值孔徑751b。待檢查之光掩膜M放置於光罩平面752處之一掩膜載物台上且曝露於源。
自掩膜M導引圖案化影像穿過光學元件753a之一集合，光學元件753a之集合將圖案化影像投射至一感測器754a上。在一反射系統中，光學元件(例如分束器776及偵測透鏡778)導引及擷取反射光至感測器754b上。適合感測器包含電荷耦合器件(CCD)、CCD陣列、時間延遲積分(TDI)感測器、TDI感測器陣列、光電倍增管(PMT)及其他感測器。
照明光學柱可相對於掩膜載物台移動及/或載物台藉由任何適合機構來相對於一偵測器或攝影機移動以掃描光罩之區塊。例如，一馬達機構可用於移動載物台。舉例而言，馬達機構可由一螺桿傳動及步進馬達、具有回饋位置之線性驅動裝置或帯致動器及步進馬達形成。
由各感測器(例如754a及/或754b)擷取之信號可由一電腦系統773或更一般而言，由一或多個信號處理器件(其等可各包含經組態以將來自各感測器之類比信號轉換為用於處理之數位信號之一類比轉數位轉換器)處理。電腦系統773通常具有經由適當匯流排或其他通信機構來耦合至輸入/輸出埠及一或多個記憶體之一或多個處理器。
電腦系統773亦可包含用於提供使用者輸入(諸如改變焦點及其他檢查方案參數)之一或多個輸入器件(例如一鍵盤、滑鼠、操縱桿)。電腦系統773亦可連接至載物台以控制(例如)一樣本位置(例如聚焦及掃描)且連接至其他檢查系統組件以控制此等檢查系統組件之其他檢查參數及組態。
電腦系統773可經組態(例如使用程式化指令)以提供一使用者介面(例如一電腦螢幕)來顯示所得強度值、影像及其他檢查結果。電腦系統773可經組態以分析反射及/或透射感測光束之強度變化、相位及/或其他特性。電腦系統773可經組態(例如使用程式化指令)以提供一使用者介面(例如在一電腦螢幕上)來顯示所得強度值、影像及其他檢查特性。在特定實施例中，電腦系統773經組態以實施上文所詳述之檢查技術。
因為此等資訊及程式指令可實施於一特別組態之電腦系統上，所以此一系統包含可儲存於一電腦可讀媒體上之用於執行本文所描述之各種操作之程式指令/電腦碼。機器可讀媒體之實例包含(但不限於)：磁性媒體，諸如硬碟、軟碟及磁帶；光學媒體，諸如CD-ROM磁碟；磁光媒體，諸如光碟；及硬體器件，其經特別組態以儲存及執行程式指令，諸如唯讀記憶體器件(ROM)及隨機存取記憶體(RAM)。程式指令之實例包含以下兩者：機器碼，其諸如由一編譯器產生；及檔案，其含有可由電腦使用一解譯器來執行之較高階碼。
在特定實施例中，用於檢查一光掩膜之一系統包含經組態以執行本文所描述之技術之至少一記憶體及至少一處理器。一檢查系統之一實例包含可購自Milpitas, California之KLA-Tencor之一特別組態之TeraScanTM DUV檢查系統。
儘管已為了清楚理解而詳細描述本發明，但應明白，可在隨附申請專利範圍之範疇內實踐特定改變及修改。應注意，存在實施本發明之程序、系統及裝置之諸多替代方式。因此，本發明實施例應被視為具繪示性而非限制性，且本發明不受限於本文所給定之細節。
100‧‧‧程序
102‧‧‧資料庫影像
104‧‧‧深度學習模型
106‧‧‧基於物理之模擬程序
108‧‧‧基於物理之模型化參數
110‧‧‧訓練最佳化器
112‧‧‧無缺陷訓練光學影像
202‧‧‧光罩資料庫影像
202a‧‧‧接受域
204‧‧‧卷積層
204a‧‧‧神經元
300‧‧‧簡化卷積神經網路(CNN)程序
302‧‧‧光罩資料庫影像
302a‧‧‧像素
302b‧‧‧光罩像素
304‧‧‧濾波器
306‧‧‧陣列/卷積結果n1
306a‧‧‧值
308‧‧‧非線性結果n2
312‧‧‧光罩近場影像
314a‧‧‧區塊提取層
314b‧‧‧非線性映射層
314c‧‧‧重建程序
400‧‧‧詳細CNN程序
402‧‧‧光罩資料庫影像
404‧‧‧特徵影像
406‧‧‧特徵影像
408‧‧‧特徵影像
410‧‧‧特徵影像
412‧‧‧特徵影像
414‧‧‧近場殘留影像
416‧‧‧預測實值影像
422‧‧‧層
500‧‧‧缺陷偵測程序
502‧‧‧資料庫(DB)光柵影像再現程序
504‧‧‧深度學習模型
506‧‧‧光學模型影像再現程序
508‧‧‧影像對準程序
510‧‧‧缺陷偵測
512‧‧‧動態補償(DC)程序
600‧‧‧檢查系統
602‧‧‧輸入
604a‧‧‧資料分佈系統
604b‧‧‧資料分佈系統
606a‧‧‧區塊處理器及記憶體
606b‧‧‧區塊處理器及記憶體
608‧‧‧交換網路
610‧‧‧檢查控制及/或複查站
612a‧‧‧深度學習圖形處理單元(GPU)及記憶體
612b‧‧‧遠場模型化及學習支援處理器及記憶體
616‧‧‧大容量儲存器件
701‧‧‧數值孔徑
750‧‧‧檢查系統
751a‧‧‧照明光學器件
751b‧‧‧數值孔徑
752‧‧‧光罩平面
753a‧‧‧偵測光學器件
753b‧‧‧偵測光學器件
754a‧‧‧感測器
754b‧‧‧感測器
760‧‧‧照明源
773‧‧‧電腦系統
776‧‧‧分束器
778‧‧‧偵測透鏡
M‧‧‧光掩膜
圖1係根據本發明之一實施例之用於自一設計資料庫獲得參考光罩影像之一程序之一圖解表示。
圖2繪示根據本發明之一實例性實施方案之用於接收光罩資料庫影像之一接受域之一卷積層之一神經元之一圖解表示。
圖3繪示根據本發明之一實施例之用於自一光罩資料庫影像產生一光罩近場影像之一卷積神經網路(CNN)程序。
圖4繪示根據本發明之一特定實施方案之用於自一光罩資料庫影像產生光罩近場影像之一詳細CNN程序。
圖5繪示根據本發明之一實施例之一缺陷偵測程序。
圖6係可實施本發明之技術之一實例性檢查系統之一圖解表示。
圖7提供根據特定實施例之一光掩膜檢查裝置之一示意圖。

Claims (21)

  1. 一種檢查一光微影光罩之方法，該方法包括： 基於自一設計資料庫產生之一光罩資料庫影像來經由一深度學習程序產生一近場光罩影像； 基於該近場光罩影像來經由一基於物理之程序模擬一檢查系統之一影像平面處之一遠場光罩影像， 其中該深度學習程序包含基於最小化該等遠場光罩影像與藉由使由該設計資料庫製造之一訓練光罩成像來獲取之複數個對應訓練光罩影像之間的差異來訓練一深度學習模型，且此等訓練光罩影像根據圖案多樣性來選擇且係無缺陷的；及 經由一晶粒至資料庫程序來檢查由該設計資料庫製造之一測試光罩之一測試區域之缺陷，該晶粒至資料庫程序包含比較來自一參考遠場光罩影像之複數個參考影像與由該檢查系統自該測試光罩獲取之複數個測試影像， 其中係基於由該經訓練之深度學習模型產生之一參考近場影像來模擬該參考遠場光罩影像。
  2. 如請求項1之方法，其中該測試光罩及該訓練光罩係一相同光罩且該等測試影像係自不同於獲取該等訓練影像之區域之此相同光罩之區域獲取。
  3. 如請求項1之方法，其中該基於物理之程序係基於用於基於該近場影像來產生該檢查工具之一影像平面上之該遠場光罩影像之霍普金斯(Hopkins)方法，且其中該深度學習程序包含將該光罩資料庫影像映射至將由與由該設計資料庫製造之一光罩交互作用之光產生之一近場影像。
  4. 如請求項1之方法，其中該深度學習模型係未將光罩影像形成併入至該影像平面上之一卷積神經網路(CNN)。
  5. 如請求項4之方法，其中該深度學習模型不包括模擬由該檢查工具中之場相依變化引起之該遠場光罩影像之擾動且獨立於該檢查工具。
  6. 如請求項4之方法，其中藉由調整該深度學習模型之複數個層之特定參數來訓練該深度學習模型以最小化該等遠場光罩影像與該等對應訓練光罩影像之間的差異，該等特定參數包含權重及/或偏離值。
  7. 如請求項6之方法，其中發生調整之該等層包括具有非線性啟動之卷積層。
  8. 如請求項7之方法，其中在不調整用於降取樣操作之一或多個低通濾波層之參數的情況下訓練該深度學習模型。
  9. 如請求項4之方法，其中該CNN包含用於抵消該光罩資料庫影像與由此光罩資料庫影像產生之一實體光罩之間的偏差之一或多個卷積層、用於產生複數個降取樣影像之一或多個層及用於實施近場解析之一稀疏表示之一或多個層。
  10. 如請求項1之方法，其進一步包括： 使該等測試影像與該等參考影像對準；及 使一動態補償程序相對於該等測試影像應用於該等參考影像以抵消該檢查工具中包含焦點波動及/或場相依變動之變動。
  11. 一種用於檢查一光微影光罩之檢查系統，該系統包括經組態以執行以下操作之至少一記憶體及至少一處理器： 基於自一設計資料庫產生之一光罩資料庫影像來經由一深度學習程序產生一近場光罩影像； 基於該近場影像來經由一基於物理之程序模擬該檢查系統之一影像平面處之一遠場光罩影像， 其中該深度學習程序包含基於最小化該等遠場光罩影像與藉由使由該設計資料庫製造之一訓練光罩成像來獲取之複數個對應訓練光罩影像之間的差異來訓練一深度學習模型，且此等訓練光罩影像根據圖案多樣性來選擇且係無缺陷的；及 經由一晶粒至資料庫程序來檢查由該設計資料庫製造之一測試光罩之一測試區域之缺陷，該晶粒至資料庫程序包含比較來自一參考遠場光罩影像之複數個參考影像與由該檢查系統自該測試光罩獲取之複數個測試影像， 其中係基於由該經訓練之深度學習模型產生之一參考近場影像來模擬該參考遠場光罩影像。
  12. 如請求項11之系統，其中該測試光罩及該訓練光罩係一相同光罩且該等測試影像係自不同於獲取該等訓練影像之區域之此相同光罩之區域獲取。
  13. 如請求項11之系統，其中該基於物理之程序係基於用於基於該近場影像來產生該檢查工具之一影像平面上之該遠場光罩影像之霍普金斯方法，且其中該深度學習程序包含將該光罩資料庫影像映射至將由與由該設計資料庫製造之一光罩交互作用之光產生之一近場影像。
  14. 如請求項11之系統，其中該深度學習模型係未將光罩影像形成併入至該影像平面上之一卷積神經網路(CNN)。
  15. 如請求項14之系統，其中該深度學習模型不包括模擬由該檢查工具中之場相依變化引起之該遠場光罩影像之擾動且獨立於該檢查工具。
  16. 如請求項14之系統，其中藉由調整該深度學習模型之複數個層之特定參數來訓練該深度學習模型以最小化該等遠場光罩影像與該等對應訓練光罩影像之間的差異，該等特定參數包含權重及/或偏離值。
  17. 如請求項16之系統，其中發生調整之該等層包括具有非線性啟動之卷積層。
  18. 如請求項7之系統，其中在不調整用於降取樣操作之一或多個低通濾波層之參數的情況下訓練該深度學習模型。
  19. 如請求項14之系統，其中該CNN包含用於抵消該光罩資料庫影像與由此光罩資料庫影像產生之一實體光罩之間的偏差之一或多個卷積層、用於產生複數個降取樣影像之一或多個層及用於實施近場解析之一稀疏表示之一或多個層。
  20. 如請求項11之系統，其中該至少一記憶體及該至少一處理器經進一步組態以： 使該等測試影像與該等參考影像對準；及 使一動態補償程序相對於該等測試影像應用於該等參考影像以抵消該檢查工具中包含焦點波動及/或場相依變動之變動。
  21. 一種電腦可讀媒體，其上儲存有用於執行以下操作之指令： 基於自一設計資料庫產生之一光罩資料庫影像來經由一深度學習程序產生一近場光罩影像； 基於該近場影像來經由一基於物理之程序模擬一檢查系統之一影像平面處之一遠場光罩影像， 其中該深度學習程序包含基於最小化該等遠場光罩影像與藉由使由該設計資料庫製造之一訓練光罩成像來獲取之複數個對應訓練光罩影像之間的差異來訓練一深度學習模型，且此等訓練光罩影像根據圖案多樣性來選擇且係無缺陷的；及 經由一晶粒至資料庫程序來檢查由該設計資料庫製造之一測試光罩之一測試區域之缺陷，該晶粒至資料庫程序包含比較來自一參考遠場光罩影像之複數個參考影像與由該檢查系統自該測試光罩獲取之複數個測試影像， 其中係基於由該經訓練之深度學習模型產生之一參考近場影像來模擬該參考遠場光罩影像。
TW107146330A 2017-12-28 2018-12-21 使用機械學習檢查光罩 TWI820070B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762611321P 2017-12-28 2017-12-28
US62/611,321 2017-12-28
US16/201,788 US11257207B2 (en) 2017-12-28 2018-11-27 Inspection of reticles using machine learning
US16/201,788 2018-11-27

Publications (2)

Publication Number Publication Date
TW201937163A true TW201937163A (zh) 2019-09-16
TWI820070B TWI820070B (zh) 2023-11-01

Family

ID=67059823

Family Applications (2)

Application Number Title Priority Date Filing Date
TW112137763A TWI867774B (zh) 2017-12-28 2018-12-21 檢查一光微影光罩之方法及系統，以及非暫時性電腦可讀媒體
TW107146330A TWI820070B (zh) 2017-12-28 2018-12-21 使用機械學習檢查光罩

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW112137763A TWI867774B (zh) 2017-12-28 2018-12-21 檢查一光微影光罩之方法及系統，以及非暫時性電腦可讀媒體

Country Status (7)

Country Link
US (2) US11257207B2 (zh)
EP (1) EP3721408A4 (zh)
JP (1) JP7268031B2 (zh)
KR (2) KR20240155981A (zh)
CN (2) CN111480179B (zh)
TW (2) TWI867774B (zh)
WO (1) WO2019133285A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI759906B (zh) * 2020-10-15 2022-04-01 維曙智能科技有限公司 基於深度學習之階層式圖片分類系統及其方法
TWI786799B (zh) * 2020-12-07 2022-12-11 南亞科技股份有限公司 電子系統及樣品鑑定方法
TWI811015B (zh) * 2021-07-20 2023-08-01 荷蘭商Ａｓｍｌ荷蘭公司 用於低維度資料分析之資料映射之方法及電腦程式
TWI828109B (zh) * 2019-09-24 2024-01-01 美商應用材料股份有限公司 用於組織分割之機器學習模型的交互式訓練
TWI862826B (zh) * 2020-06-08 2024-11-21 日商濱松赫德尼古斯股份有限公司 半導體檢查方法及半導體檢查裝置
US12340504B2 (en) 2020-06-08 2025-06-24 Hamamatsu Photonics K.K. Semiconductor inspecting method and semiconductor inspecting device

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037330B2 (en) 2017-04-08 2021-06-15 Intel Corporation Low rank matrix compression
US11257207B2 (en) 2017-12-28 2022-02-22 Kla-Tencor Corporation Inspection of reticles using machine learning
JP6927950B2 (ja) * 2018-11-30 2021-09-01 パナソニック液晶ディスプレイ株式会社 表示装置
US11151707B2 (en) * 2018-12-07 2021-10-19 Kla Corporation System and method for difference filter and aperture selection using shallow deep learning
KR102617197B1 (ko) 2018-12-28 2023-12-27 에이에스엠엘 네델란즈 비.브이. 프린트된 기판으로부터의 측정 피드백에 기초한 패턴 랭킹 결정
US11061318B2 (en) * 2019-02-28 2021-07-13 Taiwan Semiconductor Manufacturing Co., Ltd. Lithography model calibration
JP6896036B2 (ja) * 2019-09-30 2021-06-30 キヤノン株式会社 情報処理装置、判定方法、インプリント装置、リソグラフィシステム、物品の製造方法及びプログラム
US11762283B2 (en) 2019-12-13 2023-09-19 Synopsys, Inc. Inverse lithography and machine learning for mask synthesis
CN113139911B (zh) * 2020-01-20 2024-11-01 北京迈格威科技有限公司 图像处理方法及装置、图像处理模型的训练方法及装置
US11675340B2 (en) * 2020-04-08 2023-06-13 Nanya Technology Corporation System and method for controlling semiconductor manufacturing apparatus
US11232550B2 (en) * 2020-06-29 2022-01-25 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
KR20220014526A (ko) 2020-07-29 2022-02-07 주식회사 만도 조향 제어 시스템, 조향 제어 장치 및 방법
US11307150B2 (en) * 2020-08-17 2022-04-19 Applied Materials Israel Ltd. Automatic optimization of an examination recipe
US20220075916A1 (en) * 2020-09-07 2022-03-10 Kla Corporation System and method for accelerating physical simulation models during microelectronic device fabrication
US12372864B2 (en) 2020-10-22 2025-07-29 D2S, Inc. Methods and systems to determine shapes for semiconductor or flat panel display fabrication
US12372881B2 (en) 2020-12-03 2025-07-29 Applied Materials, Inc. Deep learning based adaptive alignment precision metrology for digital overlay
JP6961846B1 (ja) * 2021-01-08 2021-11-05 レーザーテック株式会社 Ｅｕｖマスク検査装置、ｅｕｖマスク検査方法、ｅｕｖマスク検査プログラム及びｅｕｖマスク検査システム
KR20240038020A (ko) 2021-07-19 2024-03-22 온투 이노베이션 아이엔씨. 저대비 비참조 결함 검출
KR20240023167A (ko) 2021-07-23 2024-02-20 디2에스, 인코포레이티드 반도체 또는 플랫 패널 디스플레이 제조를 위한 기생들을 결정하기 위한 방법들 및 시스템들
US12340495B2 (en) * 2021-08-06 2025-06-24 D2S, Inc. Method for computational metrology and inspection for patterns to be manufactured on a substrate
US11868689B2 (en) 2021-10-11 2024-01-09 KLA Corp. Systems and methods for setting up a physics-based model
US20230229844A1 (en) 2022-01-19 2023-07-20 D2S, Inc. Interactively presenting for minimum overlap shapes in an ic design
CN114880511B (zh) * 2022-04-26 2025-12-02 中国科学院微电子研究所 一种透明样品亚表面标准缺陷数据库的创建方法及装置
US20240161270A1 (en) * 2022-11-14 2024-05-16 Kla Corporation System and method for enhancing defect detection in optical characterization systems using a digital filter
US20250123555A1 (en) * 2023-10-16 2025-04-17 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system to for rapid inspection of photolithography reticle

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08334889A (ja) * 1995-06-02 1996-12-17 Sony Corp フォトマスクに形成されたパターンの欠陥検査方法
US6466315B1 (en) * 1999-09-03 2002-10-15 Applied Materials, Inc. Method and system for reticle inspection by photolithography simulation
US7353114B1 (en) 2005-06-27 2008-04-01 Google Inc. Markup language for an interactive geographic information system
JP4973478B2 (ja) * 2007-12-11 2012-07-11 ソニー株式会社 撮像素子および撮像装置
US20120010995A1 (en) 2008-10-23 2012-01-12 Savnor Technologies Web content capturing, packaging, distribution
US8468471B2 (en) * 2011-09-23 2013-06-18 Kla-Tencor Corp. Process aware metrology
US9430824B2 (en) * 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
US9778205B2 (en) * 2014-03-25 2017-10-03 Kla-Tencor Corporation Delta die and delta database inspection
TWI644169B (zh) * 2014-05-06 2018-12-11 美商克萊譚克公司 用於使用近場復原之光罩檢測之電腦實施方法、非暫時性電腦可讀媒體及系統
US9478019B2 (en) * 2014-05-06 2016-10-25 Kla-Tencor Corp. Reticle inspection using near-field recovery
US9547892B2 (en) * 2014-05-06 2017-01-17 Kla-Tencor Corporation Apparatus and methods for predicting wafer-level defect printability
US20170346140A1 (en) 2015-03-13 2017-11-30 Martin Koebler Jump box for lithium-based starter battery
US10012599B2 (en) * 2015-04-03 2018-07-03 Kla-Tencor Corp. Optical die to database inspection
US10395361B2 (en) * 2015-08-10 2019-08-27 Kla-Tencor Corporation Apparatus and methods for inspecting reticles
EP3210189B1 (en) * 2015-08-10 2022-03-23 KLA - Tencor Corporation Apparatus and methods for predicting wafer-level defect printability
JP6527808B2 (ja) * 2015-10-27 2019-06-05 株式会社ニューフレアテクノロジー 検査方法および検査装置
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US9915625B2 (en) * 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
US10648924B2 (en) 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
WO2017171891A1 (en) * 2016-04-02 2017-10-05 Intel Corporation Systems, methods, and apparatuses for modeling reticle compensation for post lithography processing using machine learning algorithms
US10395356B2 (en) * 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
US11257207B2 (en) 2017-12-28 2022-02-22 Kla-Tencor Corporation Inspection of reticles using machine learning

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI828109B (zh) * 2019-09-24 2024-01-01 美商應用材料股份有限公司 用於組織分割之機器學習模型的交互式訓練
TWI862826B (zh) * 2020-06-08 2024-11-21 日商濱松赫德尼古斯股份有限公司 半導體檢查方法及半導體檢查裝置
US12340504B2 (en) 2020-06-08 2025-06-24 Hamamatsu Photonics K.K. Semiconductor inspecting method and semiconductor inspecting device
TWI759906B (zh) * 2020-10-15 2022-04-01 維曙智能科技有限公司 基於深度學習之階層式圖片分類系統及其方法
TWI786799B (zh) * 2020-12-07 2022-12-11 南亞科技股份有限公司 電子系統及樣品鑑定方法
US12019032B2 (en) 2020-12-07 2024-06-25 Nanya Technology Corporation Electronic system and method of specimen qualification
TWI811015B (zh) * 2021-07-20 2023-08-01 荷蘭商Ａｓｍｌ荷蘭公司 用於低維度資料分析之資料映射之方法及電腦程式

Also Published As

Publication number Publication date
US20190206041A1 (en) 2019-07-04
TWI867774B (zh) 2024-12-21
KR20240155981A (ko) 2024-10-29
WO2019133285A1 (en) 2019-07-04
CN118644473A (zh) 2024-09-13
TW202405414A (zh) 2024-02-01
US20220084179A1 (en) 2022-03-17
TWI820070B (zh) 2023-11-01
US11257207B2 (en) 2022-02-22
EP3721408A1 (en) 2020-10-14
CN111480179B (zh) 2024-07-30
EP3721408A4 (en) 2021-09-01
US12094101B2 (en) 2024-09-17
KR20200094218A (ko) 2020-08-06
JP2021509208A (ja) 2021-03-18
KR102721565B1 (ko) 2024-10-23
JP7268031B2 (ja) 2023-05-02
CN111480179A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
TWI867774B (zh) 檢查一光微影光罩之方法及系統，以及非暫時性電腦可讀媒體
JP7422208B2 (ja) モデルベースの限界寸法測定の方法およびシステム
JP7440580B2 (ja) レチクルを検査する装置および方法
TWI618976B (zh) 於微影製程中使圖案合格
JP4940056B2 (ja) リソグラフィマスク用の検査方法及び装置
US10395361B2 (en) Apparatus and methods for inspecting reticles
KR102424804B1 (ko) 광학 다이 대 데이터베이스 검사
CN107851315B (zh) 用于预测晶片级缺陷可印性的设备及方法
WO2018156442A1 (en) Inspection of photomasks by comparing two photomasks
JP2016148747A (ja) 画像作成方法、検査方法および画像作成装置
CN120813899A (zh) 产生光刻掩模的空间像的计算机实施方法、计算机可读介质、计算机程序产品和相应系统