[go: up one dir, main page]

TW202431157A - 用於裝置計量之複合資料 - Google Patents

用於裝置計量之複合資料 Download PDF

Info

Publication number
TW202431157A
TW202431157A TW112123703A TW112123703A TW202431157A TW 202431157 A TW202431157 A TW 202431157A TW 112123703 A TW112123703 A TW 112123703A TW 112123703 A TW112123703 A TW 112123703A TW 202431157 A TW202431157 A TW 202431157A
Authority
TW
Taiwan
Prior art keywords
metrology data
data
composite
model
measured
Prior art date
Application number
TW112123703A
Other languages
English (en)
Inventor
邱浩東
陳琢
威茗 趙
李潔
景勝 史
沙山克 斯利瓦絲塔瓦
Original Assignee
美商昂圖創新公司
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 美商昂圖創新公司 filed Critical 美商昂圖創新公司
Publication of TW202431157A publication Critical patent/TW202431157A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/126—Microprocessor processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

使用複合計量資料的機器學習模型使用來自受測裝置的經測量計量資料來判定該裝置之至少一個參數。複合計量資料係藉由將來自參考裝置的經測量計量資料與自參考裝置之模型計算的合成計量資料合併而產生。複合計量資料可進一步基於自經修改參考裝置之模型計算的合成計量資料產生。經修改參考裝置可使用模型之至少一個參數的變化以擴展訓練範圍之參數空間而產生。

Description

用於裝置計量之複合資料
本文所述之標的大致上係關於計量，且更具體而言係關於訓練及使用機器學習模型以用於特徵化裝置結構之至少一個參數。
［相關申請案之交互參照］
本申請案依據35 U.S.C. §119主張於2022年9月30日申請之美國臨時申請案第63/412,339號之標題為「ENHANCED MACHINE LEARNING RECIPE」以及於2023年4月26日申請之美臨時申請案第63/498,474號之標題為「COMPOSITE DATA FOR OPTICAL METROLOGY」之優先權，該兩案均已讓與給本文之受讓人，並以全文引用之方式併入本文。
半導體及其他類似產業經常在處理期間使用光學計量（諸如光學計量或X射線計量）以提供樣本之非接觸式評估。使用光學計量，例如以單一波長或多個波長之光照明例如受測樣本。在光與樣本交互作用之後，偵測並分析所得光以判定樣本之至少一個特性。
用於程序改良、監測、及控制的各種類型之計量（諸如裝置結構之光學臨界尺寸(OCD)）一般會採用受測結構之模型化。例如，模型可基於結構之材料及標稱參數（例如，膜厚度、線及空間寬度等）產生。縮小的臨界尺寸及更小的誤差範圍加上漸趨複雜的結構（諸如3D NAND）正挑戰著當前的模型化能力。
基於機器學習的OCD計量解決方案（及其他類似計量解決方案）在與參考計量資料匹配時可係有用的，但限於線內(inline)程序條件類似於存在於模型訓練之程序條件中者的情況下。然而，對基於機器學習的解決方案而言，穩健性是一項挑戰，因為可用於訓練機器學習配方之參考計量資料的量一般而言十分有限。例如，特別是在早期開發階段，程序變化可能削弱用於訓練機器學習配方之參考計量資料的效用。當在製造程序的修正之後從樣本收集的原始光譜資料顯示出與先前收集且用於模型訓練之資料的某種程度偏離時，此效應更加明顯。此問題的可行解決方案係：在程序修正之後獲得額外的參考計量資料並重新訓練機器學習模型。然而，獲得更新的參考計量資料以用於重新訓練機器學習模型係沒效率的，因為參考計量資料的測量可係過於昂貴的，且機器學習模型重新訓練可係耗時的。此外，回應於程序修正而獲得額外的參考計量資料並重新訓練機器學習模型並未將任何進一步的程序修正納入考量，且必須迭代地執行。因此，改良係所欲的。
可採用使用複合計量資料所訓練之機器學習模型來執行裝置結構的計量。複合計量資料例如可藉由將來自參考裝置的經測量計量資料與自參考裝置之模型計算的合成計量資料合併而產生。複合計量資料可進一步基於自經修改參考裝置之模型計算的合成計量資料產生。經修改參考裝置係使用模型之至少一個參數的變化以擴展訓練範圍之參數空間而產生。該複合計量資料可例如藉由基於一變化修改自該經修改參考裝置之該模型計算的該合成計量資料而生成，該變化係例如來自一參考裝置的該經測量計量資料與該參考模型之一模型之該合成計量資料之間的一失配或光譜轉換。在另一實施方案中，該複合計量資料可藉由基於一變化修改來自該參考裝置之該經測量計量資料而生成，該變化係例如自該參考裝置之一模型計算的該合成計量資料與自該經修改參考裝置之該模型計算的該合成計量資料之間的差異。可採用使用包括至少該複合計量資料的一訓練資料集所訓練之機器學習模型來執行裝置結構的計量。
在一個實施方案中，一種用於特徵化一樣本上之一裝置的方法包括：獲得來自該裝置的經測量計量資料；及採用使用複合計量資料的一機器學習模型基於該經測量計量資料來判定該裝置之至少一個參數。各複合計量資料包含針對一參考裝置測量的一計量資料與該參考裝置之一第一模型的一第一合成計量資料的一合併。
在一個實施方案中，一種經組態用於支援特徵化一樣本上之一裝置的計量系統包括：一輻射源，其經組態以產生待入射於該樣本上之該裝置上的輻射；至少一個偵測器，其經組態以偵測回應於入射於該裝置上的該輻射而生成之來自該裝置的輻射；及至少一個處理器，其經耦接至該至少一個偵測器。該至少一個處理器經組態以獲得來自該裝置的經測量計量資料，並採用使用複合計量資料的一機器學習模型基於該經測量計量資料來判定該裝置之至少一個參數。各複合計量資料包含針對一參考裝置測量的一計量資料與該參考裝置之一第一模型的一第一合成計量資料的一合併。
在一個實施方案中，一種經組態用於支援特徵化一樣本上之一裝置的系統包括：用於獲得來自該裝置的經測量計量資料之構件；及用於採用使用複合計量資料的一機器學習模型基於該經測量計量資料來判定該裝置之至少一個參數之構件。各複合計量資料包含針對一參考裝置測量的一計量資料與該參考裝置之一第一模型的一第一合成計量資料的一合併。
在一個實施方案中，一種用於特徵化一樣本上之一裝置的方法包括獲得該裝置之一參考裝置的經測量計量資料。該方法進一步包括：產生該參考裝置之一第一模型的一第一組合成計量資料；及產生相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二組合成計量資料。複合計量資料係針對該經修改參考裝置生成。各複合計量資料係藉由將一經測量計量資料、一第一合成計量資料、與一第二合成計量資料合併而生成，且至少該複合計量資料經儲存作為一訓練資料集。
在一個實施方案中，一種經組態用於支援特徵化一樣本上之一裝置的電腦系統包括至少一個處理器，該至少一個處理器組態以獲得該裝置之一參考裝置的經測量計量資料。該至少一個處理器進一步經組態以產生該參考裝置之一第一模型的一第一組合成計量資料，並產生相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二組合成計量資料。該至少一個處理器進一步經組態以生成該經修改參考裝置之複合計量資料。各複合計量資料係藉由將一經測量計量資料、一第一合成計量資料、與一第二合成計量資料合併而生成，且以儲存至少該複合計量資料作為一訓練資料集。
在一個實施方案中，一種經組態用於支援特徵化一樣本上之一裝置的系統包括用於獲得該裝置之一參考裝置的經測量計量資料之構件。該系統進一步包括：用於產生該參考裝置之一第一模型的一第一組合成計量資料之構件；及用於產生相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二組合成計量資料之構件。複合計量資料係針對該經修改參考裝置生成。各複合計量資料係藉由將一經測量計量資料、一第一合成計量資料、與一第二合成計量資料合併而生成，且至少該複合計量資料經儲存作為一訓練資料集。
在一個實施方案中，一種用於特徵化一樣本上之一裝置的方法包括獲得該裝置之一參考裝置的經測量光學計量資料並生成複合光學計量資料，其中各複合光學計量資料係藉由將該參考裝置之一經測量光學計量資料與該參考裝置之一第一模型的一第一合成光學計量資料合併而生成。該方法進一步包括使用包含至少該複合光學計量資料的該訓練資料集來訓練一機器學習模型，以使用來自該裝置的經測量光學計量資料特徵化該裝置。
在一個實施方案中，一種經組態用於支援特徵化一樣本上之一裝置的電腦系統包括：至少一個記憶體，其經組態以儲存經測量光學計量資料及複合光學計量資料；及至少一個處理器，其經耦接至該至少一個記憶體。該至少一個處理器經組態以獲得該裝置之一參考裝置的經測量光學計量資料並生成複合光學計量資料，其中各複合光學計量資料係藉由將該參考裝置之一經測量光學計量資料與該參考裝置之一第一模型的一第一合成光學計量資料合併而生成。該至少一個處理器進一步經組態以使用包含至少該複合光學計量資料的該訓練資料集來訓練一機器學習模型以使用來自該裝置的經測量光學計量資料特徵化該裝置。
在一個實施方案中，一種用於特徵化一樣本上之一裝置的電腦系統包括用於獲得該裝置之一參考裝置的經測量光學計量資料之構件、及用於生成複合光學計量資料之構件，其中各複合光學計量資料係藉由將該參考裝置之一經測量光學計量資料與該參考裝置之一第一模型的一第一合成光學計量資料合併而生成。該電腦系統進一步包括用於使用包含至少該複合光學計量資料的該訓練資料集來訓練一機器學習模型以使用來自該裝置的經測量光學計量資料特徵化該裝置之構件。
在半導體裝置及類似裝置的製造期間，時常需要藉由非破壞性地測量該些裝置來監測製造程序。一種在處理期間可用於樣本之非破壞性測量的計量類型係光學計量，其可使用單一波長或多個波長，且可包括例如橢圓測量、反射測量、傅立葉轉換紅外光譜測量(Fourier Transform infrared spectroscopy, FTIR)等。亦可使用其他類型之計量，包括X射線計量、光聲計量、電子束（E射束）計量等。
光學計量（諸如薄膜計量及光學臨界尺寸(OCD)計量）及其他類型之計量有時會使用裝置結構的物理模型化，例如在本文中有時稱為OCD模型化、或使用一OCD模型，或簡稱為模型化或使用一模型。可針對使用嚴格耦合波分析(rigorous coupled-wave analysis, RCWA)、時域有限差分(Finite-Difference Time-Domain, FDTD)、或有限元素法(Finite Element Method, FEM)、或其他類似技術的物理模型來計算模擬計量資料（例如，模擬光學資料）。物理模型中的可變參數（諸如層厚度、線寬、空間寬度、側壁角度、材料性質等）可經調整，並對各變化計算模擬資料。可例如在非線性迴歸程序中將自裝置結構測量的資料與針對各參數變化的模擬資料相比較，直到達成良好擬合，此時，經擬合參數的值經判定為裝置結構之參數的準確表示。然而，由於模擬計量資料需要計算，故使用物理模型化的技術具有高運算成本。隨著裝置結構變得更複雜，由於達成解決方案的時間緩慢及模型準確度的限制，故此類技術變得較不適用。
機器學習係可用於裝置結構之各種參數的計量以用於程序改良、監測、及控制的另一技術。不同於模型化，機器學習不使用物理模型。替代地，訓練資料係從參考樣本獲得，並用以訓練機器學習模型。例如，訓練資料可包括光譜信號以及來自參考樣本之所關注結構參數的值。機器學習模型係基於訓練資料來自動地「訓練」，以找出相關光譜特徵，並學習輸入與輸出特徵之間的內在關係及連接，以便針對新資料作出決策及預測。
使用機器學習之計量的挑戰之一係機器學習訓練的穩健性。例如，可用於訓練機器學習模型之參考資料的量通常有限，此本質上使可由機器學習模型產生的預測受到限制。例如，訓練資料可基於來自至少一個參考裝置的經測量資料而獲得。然而，經測量資料受限於可用的參考裝置之數目，且因此在以此方式獲取的訓練資料中，對於可能存在的來自參考裝置之參數變化存在實際限制。此外，製造程序修正可能隨時間推移發生（例如，當發展裝置結構時），其可能減少從較早獲取之測量獲得的訓練資料之相關性。雖然額外訓練資料可藉由基於程序修正及使用新獲取的訓練資料所重新訓練之機器學習模型而生成並測量額外參考裝置來獲得，但由於參考計量資料的測量係昂貴的且耗費重新訓練時間，因此此程序係沒效率的。另外，獲得新訓練資料及重新訓練機器學習模型的程序可能需要針對各程序修正來迭代地執行。
另一挑戰係：待測量的一些關鍵參數（諸如疊對(overlay)）可能具有低靈敏度。因此，由於關鍵參數之信號大小及/或訓練資料集中的系統雜訊，可能發生訓練資料的問題。此外，非關鍵參數（例如，具有較強信號）可能與關鍵參數高度相關。例如，疊對破壞裝置中之結構對稱性，導致穆勒矩陣之非對角組分中的光譜回應；然而，此等非對角組分之量值係低的。此外，當存在結構不對稱時，非關鍵參數（諸如傾斜）可與疊對高度相關。因此，僅以一OCD模型使用習知光譜擬合來測量疊對可能具有挑戰性。雖然機器學習可用於測量，但機器學習配方的穩健性係與實驗設計(design of experiment, DOE)及訓練資料集之參考的品質及數量密切相關。例如，常見的失效模式係與程序變化有關。當處理變化不包括在DOE中且受影響的參數與疊對具有強相關性時，機器學習配方會將此類程序變化的光譜回應歸因於疊對而表現變差，從而導致不準確的預測且需要配方重新工作。
可使用自物理模型計算的合成（模擬）資料來增強訓練資料。例如，物理模型化技術（諸如OCD模型化）可用以產生物理模型中之至少一個參數之變化的合成計量資料，其可用以增加訓練樣本參數空間以達到更好的程序變化覆蓋。然而，合成計量資料具有如訓練資料的有限效用。例如，無法直接地採用合成訓練資料以用於使用具有低靈敏度之關鍵參數（諸如疊對測量）的應用中。例如，在具有相對較小的關鍵參數信號的應用中，物理模型需要極度準確以產生有用的合成計量資料。此外，經測量資料含有系統雜訊，其可因系統、晶圓、環境、及測量時間而變化。難以判定由模擬關鍵參數的物理模型產生的合成計量資料是否準確、或過度擬合系統雜訊。此外，合成計量資料不包括系統雜訊。因此，當合成計量資料及經測量資料分別收集在一起作為訓練資料時，機器學習模型可能無法從二者提取正確的測量資訊，且可能把其中一個視為異常值(outlier)。
如本文所論述，為了克服僅使用經測量資料、或將經測量資料及分開的合成計量資料收集作為訓練資料之限制，可產生複合計量資料並用作訓練資料。複合計量資料係經測量計量資料與合成計量資料之混合。因此，取代僅將經測量計量資料及合成計量資料分開地收集至訓練資料集中，將經測量計量資料與合成計量資料合併在一起以形成複合計量資料。複合計量資料可包括在訓練資料集中。在一些實施方案中，複合計量資料及經測量計量資料可包括在訓練資料集中。為了參考，用以生成複合計量資料的計量資料有時在本文係描述為光學資料或具體地光譜資料，但應理解，可使用其他類型之計量資料，諸如X射線資料、光聲資料、及E射束資料。
複合計量資料係利用以下產生：來自參考裝置的經測量計量資料、來自參考裝置之第一模型的第一組合成計量資料（例如，在擬合至經測量計量資料之後的準確模型）、及來自經修改參考裝置之第二模型的第二組合成計量資料（例如，第一模型之至少一個參數經變化以生成經修改參考裝置之第二模型）。在一些實施方案中，例如，第二組合成計量資料可基於經測量計量資料與第一組合成計量資料之間的變化而修改，而在其他實施方案中，經測量計量資料可基於第一組合成計量資料與第二組計量資料之間的變化而修改。
在一些實施方案中，經變化以生成經修改參考裝置之第二模型的第一模型之至少一個參數可包括關鍵參數，這將增加訓練資料集之參數空間。與複合計量資料相關聯的複合參考資料可例如藉由將參考參數、經擬合參數、與經改變參數之值合併而產生，且用作訓練資料集中的標記。
在一些實施方案中，經變化以生成經修改參考裝置之第二模型的第一模型之至少一個參數可係非關鍵參數。例如，非關鍵參數可係與關鍵參數呈強相關的參數。因此，複合計量資料可基於經測量計量資料以及自高度相關的非關鍵參數之變化產生的合成計量資料而生成。複合計量資料可與作為訓練資料集中之標記的關鍵參數之參考值相關聯。
因此，在使用複合計量資料之情況下，機器學習配方能夠承受各種程序變化，而不需要機器學習配方建立之廣泛程序覆蓋便能製備實際晶圓。
舉實例而言，圖1繪示計量裝置100之示意圖，該計量裝置可用以產生計量資料以生成用於訓練機器學習模型的參考資料及/或使用經訓練機器學習模型生成實驗資料以特徵化受測裝置結構之參數，如本文所描述。計量裝置100係繪示為光學計量裝置，但可使用其他類型之計量裝置，諸如X射線、光聲、或E射束計量裝置。光學計量裝置100可經組態以執行樣本101之例如光譜反射測量、光譜橢圓測量（包括穆勒矩陣橢圓測量）、光譜散射測量、疊對散射測量、干涉測量、或FTIR測量。例如，樣本101可包括待測量之至少一個裝置結構。應理解，光學計量裝置100係繪示為計量裝置的一個實例，且若係所欲，則可使用其他計量裝置，包括法線入射裝置、非偏振裝置等。
計量裝置100包括源110，其生成入射於樣本上的輻射。圖1中的計量裝置100係繪示為光學計量裝置100，且因此，源係生成光102的光源110，但其他類型之計量裝置可使用生成其他類型之輻射的源，諸如X射線或E射束。光源110所生成的光102可包括一波長範圍（亦即，連續範圍）或複數個離散波長，例如，具有例如200 nm與1000 nm之間的波長的UV可見光；或者可係單一波長。光學計量裝置100包括聚焦光學器件120及130，其等聚焦及接收光，並引導光傾斜地入射在樣本101的頂部表面上。光學器件120、130可係折射、反射、或其組合，並可係物鏡。
反射光可由透鏡114聚焦並由偵測器150接收。偵測器150可係習知的電荷耦合裝置(charge coupled device, CCD)、光二極體陣列、CMOS、或類似類型的偵測器。若使用寬頻光，偵測器150可係例如光譜儀，且偵測器150可產生依據波長而變動的光譜信號。光譜儀可用以跨偵測器像素陣列將所接收的光之全光譜分散成光譜分量。一或多個偏振元件可在光學計量裝置100的光束路徑中。例如，光學計量裝置100可包括在樣本101前的光束路徑中之一或多個偏振元件104以及在樣本101後的光束路徑中之一偏振元件（分析器）112中之一或兩者（或無），且可包括一或多個額外元件105a及105b（諸如補償器或光彈性調變器），其可在樣本101之前、之後、或之前及之後兩者。在偏振元件104及112與樣本之間採用使用雙旋轉補償器之光譜橢圓偏光計的情況下，可測量完整穆勒矩陣。
光學計量裝置100進一步包括一或多個運算系統160，其經組態以使用本文所述之方法執行樣本101之至少一個參數的測量。一或多個運算系統160係耦接至偵測器150，以接收樣本101之結構測量期間由偵測器150所獲取的計量資料。資料之獲取可產生來自一或多個參考裝置的參考資料，以用於訓練一機器學習模型，及/或用於產生來自一受測裝置的實驗資料以特徵化該裝置之至少一個參數。例如，一或多個運算系統160可係工作站、個人電腦、中央處理單元、或其他適當的電腦系統、或多個系統。一或多個運算系統160可經組態以例如根據本文所述之方法基於光譜處理或基於處理任何其他所欲類型之光學計量資料或其他計量資料來執行光學計量。
應理解，一或多個運算系統160可係單一電腦系統或多個分開或經鏈結的電腦系統，其（等）在本文中可互換地稱為運算系統160、至少一個運算系統160、一或多個運算系統160。運算系統160可包括在光學計量裝置100中、或經連接至該光學計量裝置、或以其他方式與該光學計量裝置相關聯。光學計量裝置100之不同子系統可各自包括運算系統，其經組態用於實行與相關聯子系統相關聯的步驟。例如，運算系統160可例如藉由控制經耦接至夾盤之台座109的移動來控制樣本101的定位。例如，台座109可能夠在笛卡兒（亦即，X及Y）座標或極（亦即，R及θ）座標的任一者或兩者的某一組合中水平運動。台座亦可能夠沿著Z座標垂直運動。運算系統160可進一步控制夾盤108的操作以固持或釋放樣本101。運算系統160可進一步控制或監測一或多個偏振元件104、112、或元件105a及105b（其等可係補償器或光彈性調變器等）的旋轉。
運算系統160可以所屬技術領域中已知的任何方式通訊地耦接至偵測器150。例如，一或多個運算系統160可耦接至與偵測器150相關聯之分開的運算系統。運算系統160可經組態以藉由可包括有線及/或無線部分的傳輸媒體從光學計量裝置100之一或多個子系統（例如，偵測器150以及控制器偏振元件104、112、及元件105a、105b等）接收及/或獲取計量資料或資訊。因此，傳輸媒體可作用為運算系統160與光學計量裝置100的其他子系統之間的資料鏈路。
運算系統160包括至少一個處理器162與記憶體164以及使用者介面(UI) 168，其等經由匯流排161通訊地耦接。記憶體164或其他非暫時性電腦可用儲存媒體包括其經體現的電腦可讀程式碼166，並可由運算系統160使用以用於使一或多個運算系統160控制光學計量裝置100及執行包括以下中之任一或多者如本文所述的功能：產生複合計量資料、使用複合計量資料來訓練機器學習模型、或使用以複合計量資料所訓練之機器學習模型來特徵化一裝置結構之參數。例如，如所繪示，記憶體164可包括用於致使處理器162執行物理模型化及機器學習(ML)兩者的指令，如本文所論述。用於自動地實施本實施方式中所述之一或多個行為的資料結構及軟體碼可鑑於本揭露由所屬技術領域中具有通常知識者實施，並儲存在例如可係可儲存用於由電腦系統（諸如運算系統160）使用之碼及/或資料之任何裝置或媒體的電腦可用儲存媒體（例如，記憶體164）上。電腦可用儲存媒體可係但不限於包括唯讀記憶體、隨機存取記憶體、磁性及光學儲存裝置（諸如磁碟機、磁帶等）。額外地，本文所述之功能可整體或部分地體現於特定應用積體電路(application specific integrated circuit, ASIC)或可程式化邏輯裝置(programmable logic device, PLD)之電路系統內，且該些功能可以電腦可理解之描述符語言予以體現，該電腦可理解之描述符語言可用來建立如本文所述般操作的ASIC或PLD。
例如，運算系統160可經組態以獲得來自一或多個樣本（例如，校準或訓練樣本）上之複數個測量位點的光學計量資料。各測量位點包括裝置結構，且光學計量資料可包括光譜信號或其他類型之光學計量資料。如本文所論述，運算系統160可經組態以產生用於裝置結構之光學測量的計量解決方案，包括使用模型化及機器學習以產生用於訓練機器學習模型的複合計量資料。在一些實施方案中，不同的運算系統及/或不同的光學計量裝置可用以獲取來自訓練樣本的參考資料、產生複合計量資料、使用複合計量資料來訓練機器學習模型、或使用以複合計量資料訓練的機器學習模型來特徵化受測裝置結構之至少一個參數。參考資料、包括複合計量資料的訓練資料集、或經訓練之機器學習模型可例如經由非暫時性電腦可用儲存媒體（諸如記憶體164）上的電腦可讀程式碼166而提供至運算系統160。
參考資料、包括複合計量資料的訓練資料集、或經訓練之機器學習模型可儲存於記憶體164中。資料分析（例如，特徵化受測裝置結構之參數）之進一步結果可經報告，例如，儲存在與樣本101相關聯的記憶體164中及/或經由UI 168、警報、或其他輸出裝置向使用者指示。此外，來自分析的結果可經報告及前饋或反饋至程序設備，以調整適當的製造步驟來補償製造程序中之任何經偵測的差異。例如，運算系統160可包括通訊埠169，其可係諸如至網際網路或任何其他電腦網路之任何類型的通訊連接。通訊埠169可用以接收指令，該些指令係用以程式化運算系統160以執行本文所述之功能的任何一或多者，及/或在前饋或反饋程序中匯出例如具有測量結果及/或指令的信號至另一系統（諸如外部程序工具），以基於測量結果調整與樣本之製造程序步驟相關聯的程序參數。
舉實例而言，圖2繪示如本文所論述之基於訓練資料集的離線配方建立及線內推斷的工作流程200。如所繪示，在學習階段210期間，提供計量資料之訓練集212。計量資料之訓練集212例如可包括基於理論上計算之計量資料（合成計量資料）與使用光學計量裝置100從一或多個參考結構獲得的實驗測量之計量資料（經測量計量資料）之組合所產生的複合計量資料，如本文所論述。例如，各複合計量資料係經測量計量資料與合成計量資料之組合。合成計量資料可涵蓋比經測量計量資料更廣泛的程序條件變化。計量資料之訓練集212可進一步包括實驗測量之資料，例如從一或多個參考結構測量的計量資料。計量資料之訓練集212的至少一部分可基於關鍵參數參考值來標記。
如所繪示，訓練214係基於計量資料之訓練集212而執行。例如，該訓練可包括特徵提取、迴歸、分類、及其他技術以產生機器學習模型216。例如，訓練214可使用任何所欲的機器學習演算法，該機器學習演算法可使用複合計量資料作為計量資料之訓練集212的至少部分。例如，機器學習演算法可係監督式或非監督式學習演算法。
如本文所論述，使用包括複合計量資料之訓練資料集所訓練之機器學習模型216可用於測量受測裝置之至少一個參數。在使用複合計量資料以訓練機器學習模型216的情況下，機器學習模型216比以下情況更能夠承受各種程序變化：在計量資料之訓練集212中僅有經測量計量資料、僅有純合成計量資料、或具有經測量計量資料與純合成計量資料之組合。在一些實施方案中，可使用機器學習模型216測量的至少一個參數可包括具有低靈敏度（諸如疊對）的關鍵參數，因為複合計量資料會減少或消除由關鍵參數之信號大小及訓練資料集中的系統雜訊所造成的問題。
在推斷階段220期間，測試資料222（例如，光學計量資料）係例如使用圖1所示的光學計量裝置100從受測裝置結構獲得。例如，測試資料222可係在計量資料之訓練集212中所使用之相同類型的計量資料。使用測試資料222作為輸入資料的經訓練之機器學習模型216可用以推斷或預測(224)並輸出226所欲特徵之值，例如，受測裝置結構之所關注參數。因為機器學習模型216係在暴露於程序條件之較廣變化的複合計量資料上訓練，所以若複合計量資料更佳地表示程序修正之後的實驗計量資料，則模型預測可在程序修正之情況下具有較佳的計量效能。
圖3係繪示使用機器學習之計量的參數空間的圖300。圖300中所繪示的參數空間包括兩個參數，沿著X軸的參數1、及沿著Y軸的參數2。如使用圖300中的黑色圓圈所繪示，具有參數變化的參考目標經測量以生成數個訓練樣本312，其定義參數空間中的訓練範圍310。具有在訓練範圍310內之參數的受測裝置之測量將係相對準確的，但當參數落於訓練範圍310外時，準確度下降。例如，如使用白色圓圈所繪示，由具有落於訓練範圍310外之參數的測量裝置所產生之測試樣本322將導致下降的準確度。例如，具有落於訓練範圍310外之參數的裝置可能由於在獲得初始訓練樣本312之後發生的製造程序變化而生成。
為了延伸訓練範圍，可獲得額外的訓練資料。如灰色圓圈所繪示，可獲得複合訓練樣本332，從而生成延伸的訓練範圍330。如所繪示，延伸的訓練範圍330包括測試樣本322，且因此足以生成測試樣本322的可接受準確度。各複合訓練樣本332係基於經測量計量資料與合成計量資料之組合而產生。合成計量資料例如可藉由將一些擾動包括至參考資料（例如，訓練樣本312）而產生。合成計量資料接著與參考資料（例如，用於生成具有落於訓練範圍310外之參數的複合訓練樣本332的訓練樣本312）組合。因此，由複合訓練樣本所定義之參數空間係從初始訓練範圍310擴增。
機器學習模型可使用複合資料（亦即，包括訓練範圍310及延伸的訓練範圍330兩者的訓練資料集）來訓練，且因此比僅在訓練範圍310上訓練的情況下暴露於更廣泛的程序條件變化。因此，例如，若複合計量資料係經測量資料在程序修正之後的較佳表示，則來自訓練機器學習模型的預測可在程序修正之情況下具有較佳的計量效能。
圖4A繪示基於將經測量計量資料與合成計量資料合併而產生待包括在訓練資料中之複合計量資料的工作流程400。複合計量資料係基於經測量計量資料與合成計量資料之組合而產生。為了參考，本文所論述的計量資料（例如，複合計量資料、經測量計量資料、及合成計量資料）有時係描述為光學計量資料（且具體地，光譜資料），但應理解可使用其他類型之計量資料。
如方塊410所繪示，經測量計量資料係從具有第一組參數的參考裝置獲得，其可表示程序條件A1（實驗光譜A1）。例如，參考裝置可使用與待測試裝置相同的製造程序來產生（程序條件A1），但可具有自其標稱值刻意地改變的至少一個參數。來自方塊410的經測量計量資料可例如藉由圖1所示之光學計量裝置100從一參考裝置獲得。
在方塊420，將經測量計量資料（實驗光譜A1）擬合至一物理模型。例如，第一模型（例如，OCD模型）可基於參考裝置之至少一個參數的值而生成，其可例如基於CD-SEM或其他類似類型之參考結構或其他類似參考結構的測量而係已知的。使用模型化技術（諸如RCWA、FDTA、FEM等）針對物理模型產生經計算計量資料，其經擬合至經測量計量資料。例如，物理模型之各種參數可經調整，且將針對各變化生成的經計算計量資料在例如非線性迴歸程序中與經測量計量資料相比較，直到達成良好擬合為止。一旦達成良好擬合，將物理模型之經擬合參數的值視為參考裝置之參數的準確表示。
在方塊422，將對應於與來自方塊420之經測量計量資料的最佳擬合的經計算計量資料生成作為參考裝置之第一組合成計量資料，其中第一組參數表示程序條件A1（例如，經計算光譜A1）。
另外，如方塊430所繪示，第二模型係使用相對於第一模型的改變而生成，以模擬一經修改參考裝置。例如，來自方塊420的第一模型之至少一個參數可經改變以生成第二模型。例如，對第二模型之至少一個參數的改變例如可能大於在表示程序條件A1的參考裝置中發現之參數的變化之任一者。在一些實施方案中，針對第二模型改變的至少一個參數可係經改變以模擬由預期修正程序條件B1造成之改變的幾何參數及光學常數，其可從使用者輸入或透過程序模擬獲得，如方塊425所繪示。
例如，易受由程序條件改變造成之變化影響的OCD模型參數可因一些擾動而改變，其可針對參數P定義如下： P Perturbed= P OCD_Fit+ random_perturbation( P OCD_Fit )    方程式1
其中 P Perturbed 係在擾動之後的參數P， P OCD_Fit 係在使用實驗光譜A1擬合OCD模型（在方塊420）之後的參數P的結果。依據 P OCD_Fit 而變動的 random perturbation可定義如下： random_perturbation(P OCD_Fit) = B + factor *std_dev(P OCD_Fit)*rand_num 方程式2
其中 B對應於併入實驗設計(DOE)條件的偏項(bias term)， factor係控制隨機擾動之變化的乘法因數且可在例如0.1與10之間， std_dev係標準偏差，且 rand_num係一隨機數，其可在例如-0.5與0.5之間，但可使用任何所欲範圍，諸如-1與1、0.1與10等。
變化的一或多個參數可係關鍵參數、非關鍵參數、或關鍵參數及非關鍵參數兩者。在一些實施方案中，模型之關鍵參數可保持靜態，且在物理模型中僅非關鍵參數可變化。例如，若關鍵參數係疊對，則可在第一模型及第二模型中使用相同的疊對值，但其他非關鍵參數可變化。非關鍵參數可與關鍵參數呈強相關。例如，在一些裝置結構中，結構中的位元線傾斜參數可能與疊對呈強相關，例如，傾斜變化在光學計量資料中生成與疊對變化類似的改變。可與疊對相關的參數的其他實例可係層厚度或臨界尺寸。
在方塊432，使用模型化技術（諸如RCWA、FDTD、FEM等）的經計算計量資料可使用第二組參數針對第二模型而產生作為經修改參考裝置之第二組合成計量資料，其可表示程序條件B1（例如，經計算光譜B1）。
如所繪示，基於來自方塊410的經測量計量資料（實驗光譜A1）、來自方塊422的第一組合成計量資料（經計算光譜A1）、與來自方塊432的第二組合成計量資料（經計算光譜B1）之組合，可生成複合計量資料（複合光譜）。舉實例而言，在一些實施方案中，可判定經測量計量資料（實驗光譜A1）與第一組合成計量資料（經計算光譜A1）之間的變化，其可接著與第二組合成計量資料（計算光譜B1）組合，以生成複合計量資料（複合光譜）。例如，變化可能係經測量計量資料與合成計量資料之間的失配，或可能係經測量計量資料與合成計量資料之間的光譜轉換。在其他實施方案中，可判定第一組合成計量資料（經計算光譜A1）與第二組合成計量資料（經計算光譜B1）之間的變化，其可接著與經測量計量資料（實驗光譜A1）組合，以生成複合計量資料（複合光譜）。例如，第一組合成計量資料與第二組合成計量資料之間的變化可能係合成計量資料之間的差異。
因此，方塊450的所得複合計量資料類似於來自方塊410的經測量計量資料，但包括將訓練範圍延伸之參數空間改變，例如，如圖3中之延伸的訓練範圍330所繪示。
圖4A所繪示之產生複合計量資料的程序可針對各單獨的經測量計量資料執行，例如，從具有不同參數值的不同參考裝置獲得經測量資料，且可針對不同的參數變化而重複，以產生複數個複合計量資料。複合計量資料（在一些實施方案中，則係經測量計量資料）可經組合以形成計量資料之訓練集212（顯示於圖2中）。
因此，複合計量資料係基於經測量計量資料，但亦包括藉由至少一個參數之變化引入的計量資料中的模擬變化。因此，機器學習模型216（顯示於圖2中）係使用複合計量資料來訓練以延伸參數空間，從而增加效用。此外，與經測量計量資料組合的合成資訊可用以幫助機器學習模型破壞非關鍵參數之計量資料相關性，但不建立任何新的關鍵參數資料。因此，使用複合計量資料所訓練之所得機器學習模型216將係穩健的，且能夠承受各種程序變化，而不需要大量的經測量參考資料。
圖4B繪示基於經測量計量資料與合成計量資料的合併而產生複合計量資料以生成訓練資料之實施方案的工作流程402。工作流程402類似於圖4A中所示之工作流程400，相似元件符號之元件相同。
類似於圖4A中所示之工作流程400，在方塊410，經測量計量資料係從具有第一組參數的參考裝置獲得，其可表示程序條件A1（實驗光譜A1）。在方塊420，將經測量計量資料（實驗光譜A1）擬合至物理模型，且在方塊422，將對應於與經測量計量資料的最佳擬合的經計算計量資料生成作為參考裝置之第一組合成計量資料，其中第一組參數表示程序條件A1（例如，經計算光譜A1）。
在方塊430，藉由模擬經修改參考裝置來生成第二模型（例如，相對於來自方塊420的第一模型中使用之參數而改變一或多個參數），且在方塊432，經計算計量資料係使用第二組參數針對第二模型而產生作為經修改參考裝置之第二組合成計量資料，其可表示程序條件B1（例如，經計算光譜B1）。
如圖4B在方塊440所繪示，在方塊410的經測量計量資料（實驗光譜A1）與來自方塊422的第一組合成計量資料（經計算光譜A1）之間的變化可經判定為經測量計量資料（實驗光譜A1）與第一組合成計量資料（經計算光譜A1）之間的失配。例如，失配光譜可經判定為： 失配光譜 =實驗光譜 A1 – OCD最佳擬合光譜（程序條件 A1）       方程式3
其中OCD最佳擬合光譜係經計算光譜A1。
來自方塊430的失配（其係基於來自方塊410的經測量計量資料及來自方塊422的第一組合成計量資料）可添加至來自方塊432的第二組合成計量資料，以在方塊450生成表示程序條件B1的複合計量資料。
圖4C繪示基於將經測量計量資料與合成計量資料之組合合併而產生複合計量資料以生成訓練資料之實施方案的工作流程404。工作流程404類似於圖4A中所示之工作流程400，相似元件符號之元件相同。
類似於圖4A中所示之工作流程400，在方塊410，經測量計量資料係從具有第一組參數的參考裝置獲得，其可表示程序條件A1（實驗光譜A1）。在方塊420，將經測量計量資料（實驗光譜A1）擬合至物理模型，且在方塊422，將對應於與經測量計量資料的最佳擬合的經計算計量資料生成作為參考裝置之第一組合成計量資料，其中第一組參數表示程序條件A1（例如，經計算光譜A1）。
在方塊430，藉由模擬經修改參考裝置來生成第二模型（例如，相對於來自方塊420的第一模型中使用之參數而改變一或多個參數），且在方塊432，經計算計量資料係使用第二組參數針對第二模型而產生作為經修改參考裝置之第二組合成計量資料，其可表示程序條件B1（例如，經計算光譜B1）。
如圖4C在方塊442所繪示，在方塊410的經測量計量資料（實驗光譜A1）與來自方塊422的第一組合成計量資料（經計算光譜A1）之間的變化可經判定為經測量計量資料（實驗光譜A1）與第一組合成計量資料（經計算光譜A1）之間的光譜轉換。例如，產生數學模型以將第一組合成計量資料（經計算光譜A1）轉換成程序條件A1的經測量計量資料（實驗光譜A1）。
在方塊442中判定的轉換（其係基於來自方塊410的經測量計量資料及來自方塊422的第一組合成計量資料）可接著施用至來自方塊432的第二組合成計量資料，以在方塊450生成表示程序條件B1的複合計量資料。
圖4D繪示基於將經測量計量資料與合成計量資料合併而產生複合計量資料以生成訓練資料之實施方案的工作流程406。工作流程406類似於圖4A中所示之工作流程400，相似元件符號之元件相同。
類似於圖4A中所示之工作流程400，在方塊410，經測量計量資料係從具有第一組參數的參考裝置獲得，其可表示程序條件A1（實驗光譜A1）。在方塊420，將經測量計量資料（實驗光譜A1）擬合至物理模型，且在方塊422，將對應於與經測量計量資料的最佳擬合的經計算計量資料生成作為參考裝置之第一組合成計量資料，其中第一組參數表示程序條件A1（例如，經計算光譜A1）。
在方塊430，藉由模擬經修改參考裝置來生成第二模型（例如，相對於來自方塊420的第一模型中使用之參數而改變一或多個參數），且在方塊432，經計算計量資料係使用第二組參數針對第二模型而產生作為經修改參考裝置之第二組合成計量資料，其可表示程序條件B1（例如，經計算光譜B1）。
如圖4D在方塊444所繪示，來自方塊422的第一組合成計量資料（經計算光譜A1）與來自方塊432的第二組合成計量資料（經計算光譜B1）之間的變化可經判定為光譜差。例如，光譜差可經判定為： 光譜差 = OCD最佳擬合光譜（程序條件 A1） - OCD光譜（程序條件 B1）     方程式4
其中OCD最佳擬合光譜係經計算光譜A1，且OCD光譜係經計算光譜B1。
來自方塊444的光譜差（其係基於來自方塊422的第一組合成計量資料及來自方塊432的第二組合成計量資料）可添加至來自方塊410的經測量計量資料，以在方塊450生成表示程序條件B1的複合計量資料。
圖4E繪示圖4D所示之工作流程406的更詳細視圖，該工作流程係用於基於將經測量計量資料與合成計量資料合併而產生複合計量資料以生成訓練資料之實施方案，其中使用第一組合成計量資料與第二組合成計量資料之間的光譜差。
如圖4E所繪示，在方塊422，獲得第一組合成計量資料（經計算計量資料）。來自方塊422的經計算計量資料例如可基於將來自方塊410的經測量計量資料擬合至第一物理模型（如圖4D在方塊420所繪示）而獲得。物理模型（例如，OCD模型）可用以基於參考結構之關鍵參數的值（及任何其他參數）而產生，其可例如基於CD-SEM或其他類似類型之參考結構的測量而係已知的。經計算計量模型係針對物理模型而產生，並在非線性迴歸程序中擬合至經測量資料，直到達成良好擬合，此時，物理模型之經擬合參數的值經判定為參考結構之參數的準確表示。
如所繪示，在方塊432a、432b、432c、及432d（有時統稱為方塊432），針對第二物理模型中之一或多個非關鍵參數的變化（如圖4D在方塊430所繪示）產生第二組合成計量資料（經計量資料），亦即，使用在第一模型中使用的關鍵參數的相同參考值。例如，若關鍵參數係疊對，則相同疊對值係使用於第一物理模型中以產生方塊422中的經計算計量資料，且使用於第二物理模型中以產生方塊432中的經計算光學計量資料。可使用用以產生方塊422中的經計算計量資料的相同模型化技術（例如，RCWA、FDTD、FEM等）來針對第二物理模型產生方塊432中的經計算計量資料。在一些實施方案中，經變化以產生方塊432中的經計算計量資料的非關鍵參數可與關鍵參數呈強相關。如同上文所論述的實例，在一些裝置結構中，結構中的位元線傾斜參數可能與疊對呈強相關，例如，傾斜變化在計量資料中生成與疊對變化類似的改變。可與疊對相關的參數的其他實例可係層厚度或臨界尺寸。圖4E繪示作為一實例之分別針對具有值-0.2、-0.1、+0.1、及+0.2的非關鍵參數之四個變化所判定的來自方塊432a、432b、432c、及432d的經計算計量資料。應理解，可使用額外或較少的變化，且變化的值可不同，且可取決於變化的非關鍵參數類型及變化數目。
計算來自方塊422的來自第一模型的第一組合成計量資料與來自方塊432的第二組合成計量資料之間的差異，以在方塊444a、444b、444c、及444d（有時統稱為方塊444）產生差異（I、II、III、及IV）。在方塊444判定的差異表示由非關鍵參數變化造成的計量資料改變（其中關鍵參數的值係固定的）。
如所繪示，可基於來自方塊444的差異修改來自方塊410的經測量計量資料，以在方塊450a、450b、450c、及450d（有時統稱為方塊450）產生針對非關鍵參數之各變化的複合計量資料。例如，來自方塊444的差異之各者可添加至來自方塊410的經測量計量資料，其係用於擬合以生成來自方塊422的經計算計量資料的經測量計量資料，且具有如用於來自方塊422的第一組合成計量資料及來自方塊432的第二組合成計量資料的關鍵參數的相同參考值。因此，方塊450中的所得複合計量資料類似於來自方塊410的經測量計量資料，因為其具有針對關鍵參數及系統雜訊的相同參考值，但包括由非關鍵參數變化造成的計量資料改變。
如圖4D及圖4E所繪示之產生複合計量資料的程序可針對各單獨經測量計量資料執行（例如，具有不同的關鍵參數值），以針對各經測量計量資料產生複數個複合計量資料。複合計量資料（在一些實施方案中，則係相關聯的經測量計量資料）可經組合以形成計量資料之訓練集212（顯示於圖2中）。
因此，複合計量資料係基於經測量計量資料，但包括藉由非關鍵參數之變化引入的計量資料中的模擬差異（其在一些實施方案中可能與關鍵參數高度相關）。因此，機器學習模型216（顯示於圖2中）係使用具有與經測量計量資料相同的關鍵參數參考值的複合計量來訓練。複合計量資料（其將合成資訊與測量資訊併入）可用以幫助機器學習模型破壞非關鍵參數之計量資料相關性，但不建立任何新的關鍵參數資料。因此，物理模型不需要針對關鍵參數擬合，這會減少或消除與信號靈敏度相關聯的問題，該些問題與關鍵參數以及存在於參考資料但不存在於合成計量資料中的系統雜訊相關聯。因此，使用複合資料所訓練之所得機器學習模型216將係穩健的，且能夠承受各種程序變化，而不需要大量的經測量參考資料。
圖5繪示基於將來自參考裝置的參數值與來自參考裝置及經修改參考裝置之模型的參數值合併而產生複合參考資料之實施方案的工作流程500。工作流程500生成可與訓練資料（例如，圖2中之計量資料之訓練集212）連同複合計量資料（例如，若關鍵參數分別如參考圖4A、圖4B、及圖4C中之工作流程400、402、及404所論述地在第二模型中變化）包括在一起的複合參考資料。若關鍵參數未如參考圖4D及圖4E中之工作流程406所論述地在第二模型中變化，則藉由工作流程500生成的複合參考資料可不必然被包括在訓練資料中。
在方塊510，類似於圖4A中之方塊410，經測量計量資料係從具有第一組參考參數的參考裝置獲得，其可表示程序條件A1（實驗光譜A1）。來自參考裝置的參考參數係繪示於方塊512（參考A1）。參考參數之值可例如基於CD-SEM或其他類似類型之參考結構或其他類似參考結構的測量而係已知的。
在方塊520，將經測量計量資料（實驗光譜A1）擬合至物理模型，且可係在圖4B中之方塊420執行的相同程序，例如藉由使用非線性迴歸程序來將經測量計量資料擬合至經計算計量資料及調整物理模型之參數，直到達成良好擬合為止。一旦達成良好擬合，將物理模型之經擬合參數的值視為參考裝置之參數的準確表示。在方塊520中之來自擬合程序的所得參數值係生成作為在方塊522的參考裝置之第一模型的第一組關鍵參數值（A1之經擬合關鍵參數值）。
如方塊530所繪示，第二模型係使用關鍵參數之相對於第一模型的改變而生成，以藉由改變來自方塊520之第一模型的一或多個關鍵參數的值來模擬一經修改參考裝置（例如基於施用表示裝置之估計程序變化的改變，其可從使用者輸入或透過程序模擬獲得，如方塊525所繪示），其可表示程序條件B1。應理解，非關鍵參數亦可相對於表示裝置之可能程序變化的第一模型而改變。在方塊530所生成之第二模型的產生可係在圖4B中之方塊430執行的相同程序。在方塊532，生成第二模型之參數值作為第二模型的第二組關鍵參數值（B1之經改變關鍵參數值）。
在方塊540，基於來自方塊522的第一組關鍵參數值及來自方塊532的第二組關鍵參數值而判定關鍵參數偏差。例如，參數偏差係預期參數值與實際參數值之間的差異。因此，在方塊540中，關鍵參數偏差可經判定為來自方塊522的第一組關鍵參數值與來自方塊532的第二組關鍵參數值之間的差異。接著，將關鍵參數偏差與來自方塊512的參考參數組合，以在方塊550產生複合參考。複合參考資料可在訓練資料集中用作程序B1的標記。
舉實例而言，圖6A及圖6B係繪示數個穆勒矩陣元素（分別係M33及M34）之複合光譜資料與經測量光譜資料的比較的圖。「實驗訓練」曲線係從程序條件A下之參考產生的實驗光譜，且「實驗測試」曲線係從程序條件B下之參考產生的實驗光譜。「複合」曲線係在如本文所述地施用表示程序條件A與程序條件B之間之改變的改變之後產生的複合光譜資料。
舉實例而言，圖7A係繪示在機器學習模型之訓練期間僅使用經測量參考光學計量資料（光譜）的效能且繪示訓練模型之訓練及測試（驗證）的圖。圖7B繪示來自圖7A之機器學習模型的盲測。如所繪示，盲測導致0.763之準確度(R 2)、以及0.609之斜率與0.53之均方根誤差(RMSE)。
相對地，圖8A係繪示在機器學習模型之訓練期間使用複合光學計量資料（光譜）及經測量參考光學計量資料（光譜）的效能且繪示訓練模型之訓練及測試（驗證）的圖。圖8B繪示來自圖8A之機器學習模型的盲測。如所繪示，盲測導致比圖7B所示更高的準確度，其具有0.91之準確度(R 2)、以及0.991之斜率與0.33之均方根誤差(RMSE)。
如上文所論述，複合計量資料對於具有低靈敏度之關鍵參數（諸如疊對）的測量可係有用的，因為複合計量資料會減少或消除由關鍵參數之信號大小及訓練資料集中的系統雜訊所造成的問題。例如，疊對破壞結構對稱性，導致穆勒矩陣之非對角組分中的光譜回應；然而，彼等非對角組分之量值係低的。此外，當存在結構不對稱時，若干參數可與疊對高度相關。
舉實例而言，圖9A繪示可使用計量技術（諸如本文論述者）測量之具有低靈敏度之關鍵參數的裝置結構900的實例。裝置結構900係繪示為包括與下層結構904對準的複數個位元線902的簡化DRAM閘。例如，圖9A使用虛線繪示對於位元線902之疊對及傾斜的程序預期。舉實例而言，圖9B繪示類似於裝置結構900但具有位元線952之非零疊對(OVL)誤差及非零傾斜(non-zero tilt)的裝置結構950的實例。例如，疊對誤差OVL可係用於經由光學計量來特徵化裝置結構的關鍵參數。位元線952之傾斜或其他參數（諸如，臨界尺寸或厚度）可係非關鍵參數，但可與疊對誤差OVL呈強相關。換言之，非關鍵參數（諸如傾斜）的變化可強烈地影響用以判定疊對誤差OVL的相同光學計量資料，使其難以測量疊對。
舉實例而言，圖10A係繪示數個穆勒矩陣元素（亦即，M12、M13、M14、M22、M23、M24、M33、M34、及M44）之樣本光譜及模型化光譜的圖，其中已使用習知物理模型化技術達成樣本光譜與模型光譜之間的良好擬合以測量厚度及OCD參數。相對地，圖10B繪示來自對應於疊對及傾斜之非對角穆勒矩陣組分的不對稱信號。如圖10B中可見，疊對及傾斜之信號的靈敏度顯著地低於如圖10A所繪示之可透過物理模型化技術達成的擬合。
在使用複合計量資料之情況下，如本文所論述，圖2所示之機器學習模型216可使用包括複合計量資料之訓練資料集（以用於測量具有低靈敏度（諸如疊對）之關鍵參數）來訓練，因為複合計量資料會減少或消除由關鍵參數之信號大小及訓練資料集中的系統雜訊所造成的問題。因此，在使用複合計量資料之情況下，機器學習模型216比在計量資料之訓練集212中將純合成計量資料與經測量資料一起使用的情況下更能夠承受各種程序變化。
圖11顯示描繪根據一些實施方案之用於支援特徵化樣本上之裝置的實例操作1100的說明性流程圖。在一些實施方案中，實例操作1100可藉由具有一或多個處理器（例如，諸如圖1之運算系統160中的處理器162）的計量裝置（諸如計量裝置100）而執行。
一或多個處理器可獲得來自裝置的經測量計量資料(1102)。例如，用於獲得來自裝置的經測量計量資料之構件可係計量裝置100，並與顯示於圖1之運算系統160中之處理器162介接。例如，經測量計量資料可係圖2中所示之測試資料222。
一或多個處理器可採用使用複合計量資料的機器學習模型基於經測量計量資料來判定裝置之至少一個參數。各複合計量資料包括針對參考裝置測量的計量資料與參考裝置之第一模型的第一合成計量資料的合併(1104)，例如，如對於圖2中所示之學習階段210及推斷階段220以及圖4A至圖4E中之工作流程400、402、404、及406中所繪示之訓練資料的產生所論述。用於採用使用複合計量資料的機器學習模型基於經測量計量資料來判定裝置之至少一個參數之構件（其中各複合計量資料包含針對參考裝置測量的計量資料與參考裝置之第一模型的第一合成計量資料的合併）可係例如計量裝置100，該計量裝置包括具有經組態以由電腦可讀程式碼166執行為機器學習模型之處理器162的運算系統160，如圖1所顯示。在一些可選的實施方案中，如使用虛線所繪示，各複合計量資料可包含計量資料與第一合成計量資料的合併，且進一步包含相對於第一模型改變的經修改參考裝置之第二模型的第二合成計量資料(1106)，例如，如對於圖2中所示之學習階段210及推斷階段220以及圖4A至圖4E中之工作流程400、402、404、及406中所繪示之訓練資料的產生所論述。
一或多個處理器可提供（例如，報告）裝置之至少一個參數以特徵化樣本上之該裝置。例如，用於提供裝置之至少一個參數以特徵化樣本上之該裝置之構件可係計量裝置100，並與顯示於圖1之運算系統160中之處理器162及記憶體164以及UI 168介接。
在一些實施方案中，經修改參考裝置之第二模型具有相對於第一模型變化的至少一個參數，例如，如圖4A至圖4E之方塊430中所論述。
在一些實施方案中，機器學習模型可基於參考裝置之參考參數、針對第一模型產生的第一組關鍵參數值、與針對第二模型產生的第二組關鍵參數值的合併而進一步使用經修改參考裝置之複合參考參數，例如，如圖5之方塊540、512、及550所論述。
在一些實施方案中，第一模型可藉由將自參考裝置測量的計量資料擬合至第一模型之合成光學計量資料而生成，例如如圖4A至圖4E中之方塊420所論述。
在一些實施方案中，經修改參考裝置之第二模型可藉由改變第一模型之至少一個參數而生成，例如如圖4A至圖4E中之方塊430所論述。
在一些實施方案中，經修改參考裝置之第二模型的第二合成計量資料可基於自參考裝置測量的計量資料與第一模型的第一合成計量資料之間的化而產生，例如如參考圖4A所論述，以及如圖4B及圖4C中之方塊440、442、及450所繪示。自參考裝置測量的計量資料與第一模型的第一組合成計量資料之間的變化例如可係計量資料與第一合成計量資料之間的失配（如圖4B中之方塊440所論述）、或計量資料與第一合成計量資料之間的光譜轉換（如圖4C中之方塊442所繪示）。
在一些實施方案中，複合計量資料可藉由使用第一模型的第一合成計量資料與經修改參考裝置之第二模型的第二合成計量資料之間的一經判定差異來修改自參考裝置測量的計量資料而產生，例如如參考圖4A所論述，以及如圖4D及圖4E中之方塊444及450所繪示。
在一些實施方案中，複合計量資料可包括對應的複數個經修改參考裝置之複數組複合計量資料。
在一些實施方案中，經測量計量資料包括經測量光譜，且複合計量資料包括複合光譜。
圖12顯示描繪根據一些實施方案之用於支援特徵化樣本上之裝置的實例操作1200的說明性流程圖。在一些實施方案中，實例操作1200可藉由具有至少一個處理器（例如，諸如圖1之運算系統160中的處理器162）的計量裝置（諸如計量裝置100）而執行。
至少一個處理器可獲得裝置之參考裝置的經測量計量資料(1202)。例如，用於獲得參考裝置的經測量計量資料之構件可係計量裝置100，並與顯示於圖1之運算系統160中之處理器162介接。經測量計量資料例如可係具有已知關鍵參數（諸如疊對）之值的參考資料。經測量疊對計量資料例如可係來自圖4A至圖4E所示之方塊410以及圖5所示之方塊510的經測量計量資料。
至少一個處理器可產生參考裝置之第一模型的第一組合成計量資料(1204)。例如，第一組合成計量資料可係圖4A至圖4E之方塊422所示的經計算計量資料。用於產生參考裝置之第一模型的第一組合成計量資料之構件可係計量裝置100，該計量裝置包括具有由圖1所示之電腦可讀程式碼166組態之處理器162的運算系統160。
至少一個處理器可產生相對於第一模型改變的經修改參考裝置之第二模型的第二組合成計量資料(1206)。例如，第二組合成計量資料可係圖4A至圖4E之方塊432所示的經計算計量資料。用於產生相對於第一模型改變的經修改參考裝置之第二模型的第二組合成計量資料之構件可係計量裝置100，該計量裝置包括具有由圖1所示之電腦可讀程式碼166組態之處理器162的運算系統160。
至少一個處理器可生成經修改參考裝置之複合計量資料，各複合計量資料係藉由將經測量計量資料、第一合成計量資料、與第二合成計量資料合併而生成(1208)。例如，複合計量資料可係圖4A至圖4E中之方塊450所示的經生成複合計量資料。用於生成經修改參考裝置之複合計量資料之構件（各複合計量資料係藉由將經測量計量資料、第一合成計量資料、與第二合成計量資料合併而生成）可係計量裝置100，該計量裝置包括具有由圖1所示之電腦可讀程式碼166組態之處理器162的運算系統160。
至少一個處理器可例如在圖1所示之記憶體164中儲存至少複合計量資料作為訓練資料集(1210)。訓練資料集例如可係圖2所示及參考圖4A至圖4E所論述的計量資料之訓練集212。用於可儲存至少複合計量資料作為訓練資料集之構件可係計量裝置100，該計量裝置包括圖1所示之具有由電腦可讀程式碼166組態之處理器162的運算系統160、及運算系統160中之記憶體164。
在一些可選的實施方案中，至少一個處理器可使用包括至少複合計量資料的訓練資料集來進一步訓練一機器學習模型，以使用來自裝置的經測量計量資料特徵化裝置(1212)，例如，如藉由使用圖2所示之計量資料之訓練集212來訓練214機器學習模型216所繪示。
在一些實施方案中，至少一個處理器可藉由將經測量計量資料擬合至第一模型的第一組合成計量資料而產生第一模型，例如如圖4A至圖4E中之方塊420所論述。
在一些實施方案中，至少一個處理器可藉由改變第一模型之至少一個參數來產生經修改參考裝置之第二模型，例如如圖4A至圖4E中之方塊430所論述。
在一些實施方案中，至少一個處理器可藉由判定經測量計量資料與第一組合成計量資料之間的變化來生成經修改參考裝置之複合計量資料，例如如參考圖4A所論述，以及如圖4B及圖4C中之方塊440及442所繪示。至少一個處理器可使用經測量計量資料與第一組合成計量資料之間的變化來進一步修改第二組合成計量資料，如參考圖4A所論述，以及如圖4B及圖4C中之方塊440、442、及450所繪示。經測量計量資料與第一組合成計量資料之間的變化例如可係經測量計量資料與第一組合成計量資料之間的失配（如圖4B中之方塊440所論述）、或經測量計量資料與第一組合成計量資料之間的光譜轉換（如圖4C中之方塊442所繪示）。
在一些實施方案中，至少一個處理器可藉由判定第一組合成計量資料與第二組合成計量資料之間的差異來生成經修改參考裝置之複合計量資料，例如如參考圖4A所論述，以及如圖4D及圖4E中之方塊444所繪示。至少一個處理器可使用第一組合成計量資料與第二組合成計量資料之間的差異來進一步修改經測量計量資料，如參考圖4A所論述，以及如圖4D及圖4E中之方塊444及450所繪示。
在一些實施方案中，至少一個處理器可進一步生成對應的複數個經修改參考裝置之複數組複合計量資料，並儲存複數組複合計量資料作為訓練資料集。
經測量計量資料例如可係經測量光譜，且第一組合成計量資料及第二組合成計量資料可係合成光譜。
在一些實施方案中，至少一個處理器可進一步產生參考裝置之第一模型的第一組關鍵參數值，例如如圖5之方塊522所論述。至少一個處理器可進一步產生第二模型的第二組關鍵參數值，例如如圖5之方塊532所論述。至少一個處理器可藉由將參考參數、第一組關鍵參數值、與第二組關鍵參數值合併來生成經修改參考裝置之複合參考參數，例如如方塊512、540、及550所論述。至少一個處理器可將具有複合計量資料的複合參考參數儲存作為訓練資料集，例如在圖1所示之記憶體164中。例如，經修改參考資裝置之複合參考參數可藉由判定第一組關鍵參數值與第二組關鍵參數值之間的關鍵參數偏差（例如，如圖5之方塊540所論述）並使用該關鍵參數偏差來修改參考參數（例如，如圖5之方塊550所論述）而生成。
圖13顯示描繪根據一些實施方案之用於支援特徵化樣本上之裝置的實例操作1300的說明性流程圖。在一些實施方案中，實例操作1300可藉由具有至少一個處理器（例如，諸如圖1之運算系統160中的處理器162）的計量裝置（諸如計量裝置100）而執行。
至少一個處理器可獲得裝置之參考裝置的經測量計量資料(1302)。例如，用於獲得參考裝置的經測量計量資料之構件可係計量裝置100，並與顯示於圖1之運算系統160中之處理器162介接。經測量計量資料例如可係具有已知關鍵參數（諸如疊對）之值的參考資料。經測量疊對計量資料例如可係來自圖4A至圖4E所示之方塊410以及圖5所示之方塊510的經測量計量資料。
至少一個處理器可生成複合計量資料，各複合計量資料係藉由將參考裝置之經測量計量資料與參考裝置之第一模型的第一合成計量資料合併而生成(1304)。例如，複合計量資料可係圖4A至圖4E中之方塊450所示的經生成複合計量資料。在一些實施方案中，第一組合成計量資料可係圖4A至圖4E之方塊422所示的經計算計量資料。用於生成複合計量資料之構件（各複合計量資料係藉由將參考裝置之經測量計量資料與參考裝置之第一模型的第一合成計量資料合併而生成）可係計量裝置100，該計量裝置包括具有由圖1所示之電腦可讀程式碼166組態之處理器162的運算系統160。在一些可選的實施方案中，如使用虛線所繪示，各複合計量資料可包含計量資料與第一合成計量資料的合併，且進一步包含相對於第一模型改變的經修改參考裝置之第二模型的第二合成計量資料(1306)，且複合計量資料可係用於經修改參考裝置，例如，如對於圖2中所示之學習階段210及推斷階段220以及圖4A至圖4E中之工作流程400、402、404、及406中所繪示之訓練資料的產生所論述。在一些實施方案中，第二組合成計量資料可係圖4A至圖4E之方塊432所示的經計算計量資料。
至少一個處理器使用包括至少複合計量資料的訓練資料集來訓練一機器學習模型，以使用來自裝置的經測量計量資料特徵化裝置(1308)，例如如藉由使用圖2所示之計量資料之訓練集212來訓練214機器學習模型216所繪示。用於使用包括至少複合計量資料的訓練資料集來訓練一機器學習模型以使用來自裝置的經測量計量資料特徵化裝置之構件可係例如計量裝置100，該計量裝置包括具有由圖1所示之電腦可讀程式碼166組態之處理器162的運算系統160。
在一些實施方案中，至少一個處理器可藉由將經測量計量資料擬合至第一模型的第一組合成計量資料而產生第一模型，例如如圖4A至圖4E中之方塊420所論述。
在一些實施方案中，至少一個處理器可藉由改變第一模型之至少一個參數來產生經修改參考裝置之第二模型，例如如圖4A至圖4E中之方塊430所論述。
在一些實施方案中，至少一個處理器可藉由判定經測量計量資料與第一組合成計量資料之間的變化來生成經修改參考裝置之複合計量資料，例如如參考圖4A所論述，以及如圖4B及圖4C中之方塊440及442所繪示。至少一個處理器可使用經測量計量資料與第一組合成計量資料之間的變化來進一步修改第二組合成計量資料，如參考圖4A所論述，以及如圖4B及圖4C中之方塊440、442、及450所繪示。經測量計量資料與第一組合成計量資料之間的變化例如可係經測量計量資料與第一組合成計量資料之間的失配（如圖4B中之方塊440所論述）、或經測量計量資料與第一組合成計量資料之間的光譜轉換（如圖4C中之方塊442所繪示）。
在一些實施方案中，至少一個處理器可藉由判定第一組合成計量資料與第二組合成計量資料之間的差異來生成經修改參考裝置之複合計量資料，例如如參考圖4A所論述，以及如圖4D及圖4E中之方塊444所繪示。至少一個處理器可使用第一組合成計量資料與第二組合成計量資料之間的差異來進一步修改經測量計量資料，如參考圖4A所論述，以及如圖4D及圖4E中之方塊444及450所繪示。
在一些實施方案中，至少一個處理器可進一步生成對應的複數個經修改參考裝置之複數組複合計量資料，並儲存複數組複合計量資料作為訓練資料集。
經測量計量資料例如可係經測量光譜，且第一組合成計量資料及第二組合成計量資料可係合成光譜。
在一些實施方案中，至少一個處理器可進一步產生參考裝置之第一模型的第一組關鍵參數值，例如如圖5之方塊522所論述。至少一個處理器可進一步產生第二模型的第二組關鍵參數值（若使用），例如如圖5之方塊532所論述。至少一個處理器可藉由將參考參數、第一組關鍵參數值、與第二組關鍵參數值（若使用）合併來生成經修改參考裝置之複合參考參數，例如如方塊512、540、及550所論述。至少一個處理器可將具有複合計量資料的複合參考參數儲存作為訓練資料集，例如在圖1所示之記憶體164中。例如，經修改參考資裝置之複合參考參數可藉由判定第一組關鍵參數值與第二組關鍵參數值之間的關鍵參數偏差（例如，如圖5之方塊540所論述）並使用該關鍵參數偏差來修改參考參數（例如，如圖5之方塊550所論述）而生成。
上文描述係意欲為說明性且非限制性。例如，上述實例（或其一或多個態樣）可彼此組合使用。可諸如藉由所屬技術領域中具有通常知識者檢視上文敘述來使用其他實施方案。此外，各種特徵可分組在一起，且可使用少於具體揭示之實施方案的所有特徵。因此，下列態樣特此作為實例或實施方式併入至上文說明中，其中各態樣獨立地作為一單獨實施方案，且預期此類實施方案可在各種組合或排列中與彼此組合。因此，隨附申請專利範圍之精神及範疇不應限於前述說明。
100:計量裝置/光學計量裝置 101:樣本 102:光 104:偏振元件 105a:額外元件/元件 105b:額外元件/元件 108:夾盤 109:台座 110:源/光源 112:偏振元件（分析器） 114:透鏡 120:聚焦光學器件/光學器件 130:聚焦光學器件/光學器件 150:偵測器 160:運算系統 161:匯流排 162:處理器 164:記憶體 166:電腦可讀程式碼 168:使用者界面(UI) 169:通訊埠 200:工作流程 210:學習階段 212:計量資料之訓練集 214:訓練 216:機器學習模型 220:推斷階段 222:測試資料 224:推斷或預測 226:輸出 300:圖 310:訓練範圍 312:訓練樣本 322:測試樣本 330:訓練範圍 332:複合訓練樣本 400:工作流程 402:工作流程 404:工作流程 406:工作流程 410:方塊 420:方塊 422:方塊 425:方塊 430:方塊 432:方塊 432a:方塊 432b:方塊 432c:方塊 432d:方塊 440:方塊 442:方塊 444:方塊 444a:方塊 444b:方塊 444c:方塊 444d:方塊 450:方塊 450a:方塊 450b:方塊 450c:方塊 450d:方塊 500:工作流程 510:方塊 512:方塊 520:方塊 522:方塊 525:方塊 530:方塊 532:方塊 540:方塊 550:方塊 900:裝置結構 902:位元線 904:下層結構 950:裝置結構 952:位元線 1100:實例操作 1102:步驟 1104:步驟 1106:步驟 1200:實例操作 1202:步驟 1204:步驟 1206:步驟 1208:步驟 1210:步驟 1212:步驟 1300:實例操作 1302:步驟 1304:步驟 1306:步驟 1308:步驟 ML:機器學習 OVL:疊對/疊對誤差 TILT:傾斜 UI:使用者介面
[圖1]繪示計量裝置之示意圖，該計量裝置可用以產生計量資料以生成用於訓練機器學習模型的參考資料及/或使用經訓練機器學習模型生成實驗資料以特徵化受測裝置結構之參數，如本文所描述。 [圖2]繪示如本文所論述之基於包括複合計量資料之訓練資料集的離線配方建立及線內推斷的工作流程。 [圖3]係繪示使用機器學習之計量的參數空間的圖。 [圖4A]繪示基於將經測量計量資料與合成計量資料合併而產生待包括在訓練資料中之複合計量資料的工作流程。 [圖4B]繪示用於藉由組合針對經修改參考裝置計算的合成計量資料、與來自參考裝置的經測量計量資料與針對參考裝置計算的合成計量資料之間的變化來產生複合計量資料的工作流程。 [圖4C]繪示用於藉由組合針對經修改參考裝置計算的合成計量資料、與來自參考裝置的經測量計量資料與針對參考裝置計算的合成計量資料之間的變化來產生複合計量資料的另一工作流程。 [圖4D]繪示用於藉由組合來自參考裝置的經測量計量資料、與針對參考裝置計算的合成計量資料與針對經修改參考裝置計算的合成計量資料之間的變化來產生複合計量資料的工作流程。 [圖4E]繪示用於藉由組合來自參考裝置的經測量計量資料、與針對參考裝置計算的合成計量資料與針對經修改參考裝置計算的合成計量資料之間的變化來產生複合計量資料的另一工作流程。 [圖5]繪示基於將來自參考裝置的參數值與來自參考裝置及經修改參考裝置之模型的參數值合併而產生複合參考資料的工作流程。 [圖6A]及[圖6B]繪示顯示不同穆勒矩陣元素之複合光譜資料與經測量光譜資料的比較的圖。 [圖7A]及[圖7B]係繪示僅使用經測量光譜所訓練之機器學習模型的訓練及測試的圖。 [圖8A]及[圖8B]係繪示使用複合計量光譜及經測量光譜所訓練之機器學習模型的訓練及測試的圖。 [圖9A]及[圖9B]繪示具有與待特徵化之裝置結構的關鍵參數呈強相關的非關鍵參數之裝置結構的實例。 [圖10A]繪示顯示數個穆勒矩陣元素之樣本光譜及模型化光譜的圖。 [圖10B]繪示顯示來自對應於不對稱參數之非對角穆勒矩陣組分的信號的圖。 [圖11]顯示描繪根據本文所述之實施方案之用於支援特徵化樣本上之裝置的實例操作的說明性流程圖。 [圖12]顯示描繪根據本文所述之實施方案之用於支援特徵化樣本上之裝置的實例操作的說明性流程圖。 [圖13]顯示描繪根據本文所述之實施方案之用於支援特徵化樣本上之裝置的實例操作的說明性流程圖。
1100:實例操作
1102:步驟
1104:步驟
1106:步驟

Claims (46)

  1. 一種用於特徵化一樣本上之一裝置的方法，其包含： 獲得來自該裝置的經測量計量資料；及 採用使用複合計量資料的一機器學習模型、基於該經測量計量資料來判定該裝置之至少一個參數，其中各複合計量資料包含針對一參考裝置測量的一計量資料、與該參考裝置之一第一模型的一第一合成計量資料的一合併。
  2. 如請求項1之方法，其中該第一模型係藉由將自該參考裝置測量的計量資料擬合至該第一模型之合成計量資料而生成。
  3. 如請求項1之方法，其中各複合計量資料包含該計量資料與該第一合成計量資料的該合併，且進一步包含相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二合成計量資料。
  4. 如請求項3之方法，其中該經修改參考裝置之該第二模型具有相對於該第一模型變化的至少一個參數。
  5. 如請求項3之方法，其中該機器學習模型基於該參考裝置之參考參數、針對該第一模型產生的一第一組關鍵參數值、與針對該第二模型產生的一第二組關鍵參數值的一合併，而進一步使用該經修改參考裝置之複合參考參數。
  6. 如請求項3之方法，其中該經修改參考裝置之該第二模型係藉由改變該第一模型之至少一個參數而生成。
  7. 如請求項3之方法，其中該經修改參考裝置之該第二模型的第二合成計量資料，係基於自該參考裝置測量的計量資料、與該第一模型的第一合成計量資料之間的一變化而產生。
  8. 如請求項3之方法，其中該複合計量資料係藉由使用該第一模型的第一合成計量資料、與該經修改參考裝置之該第二模型的第二合成計量資料之間的一經判定差異，來修改自該參考裝置測量的計量資料而產生。
  9. 如請求項3之方法，其中該複合計量資料包含對應的複數個經修改參考裝置之複數組複合計量資料。
  10. 如請求項1之方法，其中該經測量計量資料包含經測量光譜，且該複合計量資料包含複合光譜。
  11. 一種經組態用於支援特徵化一樣本上之一裝置的計量系統，其包含： 一源，其經組態以產生待入射於該樣本上之該裝置上的輻射； 至少一個偵測器，其經組態以偵測回應於入射於該裝置上的該輻射而生成之來自該裝置的輻射；及 至少一個處理器，其經耦接至該至少一個偵測器，其中該至少一個處理器經組態以： 獲得來自該裝置的經測量計量資料；及 採用使用複合計量資料的一機器學習模型、基於該經測量計量資料來判定該裝置之至少一個參數，其中各複合計量資料包含針對一參考裝置測量的一計量資料、與該參考裝置之一第一模型的一第一合成計量資料的一合併。
  12. 如請求項11之計量系統，其中該第一模型係藉由將自該參考裝置測量的計量資料擬合至該第一模型之合成計量資料而生成。
  13. 如請求項11之計量系統，其中各複合計量資料包含該計量資料與該第一合成計量資料的該合併，且進一步包含相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二合成計量資料。
  14. 如請求項13之計量系統，其中該經修改參考裝置之該第二模型具有相對於該第一模型變化的至少一個參數。
  15. 如請求項13之計量系統，其中該機器學習模型基於該參考裝置之參考參數、針對該第一模型產生的一第一組關鍵參數值、與針對該第二模型產生的一第二組關鍵參數值的一合併，而進一步使用該經修改參考裝置之複合參考參數。
  16. 如請求項13之計量系統，其中該經修改參考裝置之該第二模型係藉由改變該第一模型之至少一個參數而生成。
  17. 如請求項13之計量系統，其中該經修改參考裝置之該第二模型的第二合成計量資料，係基於自該參考裝置測量的計量資料、與該第一模型的第一合成計量資料之間的一變化而產生。
  18. 如請求項13之計量系統，其中該複合計量資料係藉由使用該第一模型的第一合成計量資料、與該經修改參考裝置之該第二模型的第二合成計量資料之間的一經判定差異，來修改自該參考裝置測量的計量資料而產生。
  19. 如請求項13之計量系統，其中該複合計量資料包含對應的複數個經修改參考裝置之複數組複合計量資料。
  20. 如請求項11之計量系統，其中該經測量計量資料包含經測量光譜，且該複合計量資料包含複合光譜。
  21. 一種經組態用於支援特徵化一樣本上之一裝置的計量系統，其包含： 用於獲得來自該裝置的經測量計量資料之構件；及 用於採用使用複合計量資料的一機器學習模型、基於該經測量計量資料來判定該裝置之至少一個參數之構件，其中各複合計量資料包含針對一參考裝置測量的一計量資料、與該參考裝置之一第一模型的一第一合成計量資料的一合併。
  22. 如請求項21之計量系統，其中各複合計量資料包含該計量資料與該第一合成計量資料的該合併，且進一步包含相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二合成計量資料。
  23. 一種用於特徵化一樣本上之一裝置的方法，其包含： 獲得該裝置之一參考裝置的經測量光學計量資料； 生成複合光學計量資料，其中各複合光學計量資料係藉由將該參考裝置之一經測量光學計量資料、與該參考裝置之一第一模型的一第一合成光學計量資料合併而生成；及 使用包含至少該複合光學計量資料的一訓練資料集來訓練一機器學習模型，以使用來自該裝置的經測量光學計量資料特徵化該裝置。
  24. 如請求項23之方法，其進一步包含藉由將該經測量光學計量資料擬合至該第一模型之該第一組合成光學計量資料而產生該第一模型。
  25. 如請求項23之方法，其中各複合計量資料包含該計量資料與該第一合成計量資料的一合併，且進一步包含相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二合成計量資料。
  26. 如請求項25之方法，其進一步包含藉由改變該第一模型之至少一個參數來產生該經修改參考裝置之該第二模型。
  27. 如請求項25之方法，其中生成該經修改參考裝置之該複合光學計量資料包含： 判定該經測量光學計量資料與該第一組合成光學計量資料之間的一變化；及 使用該經測量光學計量資料與該第一組合成光學計量資料之間的該變化來修改一第二組合成光學計量資料。
  28. 如請求項27之方法，其中該經測量光學計量資料與該第一組合成光學計量資料之間的該變化包含：該經測量光學計量資料與該第一組合成光學計量資料之間的一失配、或該經測量光學計量資料與該第一組合成光學計量資料之間的一光譜轉換。
  29. 如請求項25之方法，其中生成該經修改參考裝置之該複合光學計量資料包含： 判定該第一組合成光學計量資料與一第二組合成光學計量資料之間的一差異；及 使用該第一組合成光學計量資料與該第二組合成光學計量資料之間的該差異來修改該經測量光學計量資料。
  30. 如請求項23之方法，其進一步包含： 生成對應的複數個經修改參考裝置之複數組複合光學計量資料，其中該訓練資料集包含該複數組複合光學計量資料。
  31. 如請求項23之方法，其中該經測量光學計量資料包含經測量光譜，且其中該第一組合成光學計量資料。
  32. 如請求項25之方法，其中該參考裝置具有參考參數，該方法進一步包含： 產生該參考裝置之該第一模型的一第一組關鍵參數值； 產生該第二模型的一第二組關鍵參數值；及 藉由將該些參考參數、該第一組關鍵參數值、與該第二組關鍵參數值合併來生成該經修改參考裝置之複合參考參數，其中該訓練資料集包含具有該複合光學計量資料的該些複合參考參數。
  33. 如請求項32之方法，其中生成該經修改參考裝置之該些複合參考參數包含： 判定該第一組關鍵參數值與該第二組關鍵參數值之間的一關鍵參數偏差；及 使用該關鍵參數偏差來修改該些參考參數。
  34. 一種經組態用於支援特徵化一樣本上之一裝置的電腦系統，其包含： 至少一個記憶體，其經組態以儲存經測量光學計量資料及複合光學計量資料；及 至少一個處理器，其經耦接至該至少一個記憶體，其中該至少一個處理器經組態以： 獲得該裝置之一參考裝置的經測量光學計量資料； 生成複合光學計量資料，其中各複合光學計量資料係藉由將該參考裝置之一經測量光學計量資料、與該參考裝置之一第一模型的一第一合成光學計量資料合併而生成；及 使用包含至少該複合光學計量資料的一訓練資料集來訓練一機器學習模型，以使用來自該裝置的經測量光學計量資料特徵化該裝置。
  35. 如請求項34之電腦系統，其中該至少一個處理器進一步經組態以藉由將該經測量光學計量資料擬合至該第一模型之該第一組合成光學計量資料而產生該第一模型。
  36. 如請求項34之電腦系統，其中各複合計量資料包含該計量資料與該第一合成計量資料的一合併，且進一步包含相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二合成計量資料。
  37. 如請求項36之電腦系統，其中該至少一個處理器進一步經組態以藉由改變該第一模型之至少一個參數來產生該經修改參考裝置之該第二模型。
  38. 如請求項36之電腦系統，其中該至少一個處理器經組態以藉由經組態以執行下列來生成該經修改參考裝置之該複合光學計量資料： 判定該經測量光學計量資料與該第一組合成光學計量資料之間的一變化；及 使用該經測量光學計量資料與該第一組合成光學計量資料之間的該變化來修改一第二組合成光學計量資料。
  39. 如請求項38之電腦系統，其中該經測量光學計量資料與該第一組合成光學計量資料之間的該變化包含：該經測量光學計量資料與該第一組合成光學計量資料之間的一失配、或該經測量光學計量資料與該第一組合成光學計量資料之間的一光譜轉換。
  40. 如請求項36之電腦系統，其中該至少一個處理器經組態以藉由經組態以執行下列來生成該經修改參考裝置之該複合光學計量資料： 判定該第一組合成光學計量資料與一第二組合成光學計量資料之間的一差異；及 使用該第一組合成光學計量資料與該第二組合成光學計量資料之間的該差異來修改該經測量光學計量資料。
  41. 如請求項34之電腦系統，其中該至少一個處理器進一步經組態以： 生成對應的複數個經修改參考裝置之複數組複合光學計量資料，其中該訓練資料集包含該複數組複合光學計量資料。
  42. 如請求項34之電腦系統，其中該經測量光學計量資料包含經測量光譜，且其中該第一組合成光學計量資料。
  43. 如請求項36之電腦系統，其中該參考裝置具有參考參數，其中該至少一個處理器進一步經組態以： 產生該參考裝置之該第一模型的一第一組關鍵參數值； 產生該第二模型的一第二組關鍵參數值；及 藉由將該些參考參數、該第一組關鍵參數值、與該第二組關鍵參數值合併來生成該經修改參考裝置之複合參考參數，其中該訓練資料集包含具有該複合光學計量資料的該些複合參考參數。
  44. 如請求項43之電腦系統，其中該至少一個處理器經組態以藉由經組態以執行下列來生成該經修改參考裝置之該些複合參考參數： 判定該第一組關鍵參數值與該第二組關鍵參數值之間的一關鍵參數偏差；及 使用該關鍵參數偏差來修改該些參考參數。
  45. 一種用於特徵化一樣本上之一裝置的電腦系統，其包含： 用於獲得該裝置之一參考裝置的經測量光學計量資料之構件； 用於生成複合光學計量資料之構件，其中各複合光學計量資料係藉由將該參考裝置之一經測量光學計量資料、與該參考裝置之一第一模型的一第一合成光學計量資料合併而生成；及 用於使用包含至少該複合光學計量資料的一訓練資料集來訓練一機器學習模型以使用來自該裝置的經測量光學計量資料特徵化該裝置之構件。
  46. 如請求項45之電腦系統，其中各複合計量資料包含該計量資料與該第一合成計量資料的一合併，且進一步包含相對於該第一模型改變的一經修改參考裝置之一第二模型的一第二合成計量資料。
TW112123703A 2022-09-30 2023-06-26 用於裝置計量之複合資料 TW202431157A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US202263412339P 2022-09-30 2022-09-30
US63/412,339 2022-09-30
US202363498474P 2023-04-26 2023-04-26
US63/498,474 2023-04-26
US18/339,982 US20240111256A1 (en) 2022-09-30 2023-06-22 Composite data for device metrology
US18/339,982 2023-06-22

Publications (1)

Publication Number Publication Date
TW202431157A true TW202431157A (zh) 2024-08-01

Family

ID=90470515

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112123703A TW202431157A (zh) 2022-09-30 2023-06-26 用於裝置計量之複合資料

Country Status (7)

Country Link
US (1) US20240111256A1 (zh)
EP (1) EP4594965A1 (zh)
JP (1) JP2025534391A (zh)
KR (1) KR20250057895A (zh)
CN (1) CN119998738A (zh)
TW (1) TW202431157A (zh)
WO (1) WO2024072515A1 (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109073568B (zh) * 2016-04-29 2022-01-11 Asml荷兰有限公司 用于确定结构的特性的方法和装置、器件制造方法
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
US11562289B2 (en) * 2018-12-06 2023-01-24 Kla Corporation Loosely-coupled inspection and metrology system for high-volume production process monitoring
US11531875B2 (en) * 2019-05-14 2022-12-20 Nasdaq, Inc. Systems and methods for generating datasets for model retraining
EP3809220B1 (en) * 2019-10-14 2023-01-18 Honda Research Institute Europe GmbH Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
US11670425B2 (en) * 2019-12-09 2023-06-06 Medtronic Minimed, Inc. Translation modeling methods and systems for simulating sensor measurements
US12265978B2 (en) * 2020-10-20 2025-04-01 Zhejiang University Customized product performance prediction method based on heterogeneous data difference compensation fusion
US12124961B2 (en) * 2020-12-23 2024-10-22 International Business Machines Corporation System for continuous update of advection-diffusion models with adversarial networks
CN117136318A (zh) * 2021-03-22 2023-11-28 吉奥奎斯特系统公司 自动地表下性质模型构建和验证
US11901203B2 (en) * 2021-06-10 2024-02-13 Applied Materials, Inc. Substrate process endpoint detection using machine learning
EP4120019A1 (en) * 2021-07-12 2023-01-18 ASML Netherlands B.V. Method of determining a correction for at least one control parameter in a semiconductor manufacturing process

Also Published As

Publication number Publication date
WO2024072515A1 (en) 2024-04-04
US20240111256A1 (en) 2024-04-04
CN119998738A (zh) 2025-05-13
EP4594965A1 (en) 2025-08-06
JP2025534391A (ja) 2025-10-15
KR20250057895A (ko) 2025-04-29

Similar Documents

Publication Publication Date Title
US20240412067A1 (en) Metrology Apparatus And Method For Determining A Characteristic Of One Or More Structures On A Substrate
US11556060B2 (en) Method of calibrating a plurality of metrology apparatuses, method of determining a parameter of interest, and metrology apparatus
US20240385531A1 (en) Metrology method and apparatus, computer program and lithographic system
US10030965B2 (en) Model-based hot spot monitoring
US20220163320A1 (en) Monitoring system and method for verifying measurements in pattened structures
US20210165398A1 (en) Measurement Recipe Optimization Based On Probabilistic Domain Knowledge And Physical Realization
CN116018512B (zh) 用于确定半导体测量的质量的方法及系统
TW201732979A (zh) 光學晶粒對資料庫檢查
KR102522444B1 (ko) 트레이닝된 뉴럴 네트워크 제공 및 물리적 시스템의 특성 결정
TW201633419A (zh) 分析及利用景觀
US10345095B1 (en) Model based measurement systems with improved electromagnetic solver performance
TW202431157A (zh) 用於裝置計量之複合資料
US20240231233A9 (en) Methods and apparatus for characterizing a semiconductor manufacturing process
EP4361726A1 (en) Inference model training
US20250355365A1 (en) Inference model training
US20240320508A1 (en) Transfer learning for metrology data analysis
US10429746B2 (en) Estimation of data in metrology
TW202534306A (zh) 單晶圓定向工具引發偏移清潔
CN118265953A (zh) 获得表征制造过程的参数