[go: up one dir, main page]

TWI796056B - 基於機器學習的顯影後或蝕刻後影像之影像產生 - Google Patents

基於機器學習的顯影後或蝕刻後影像之影像產生 Download PDF

Info

Publication number
TWI796056B
TWI796056B TW110147829A TW110147829A TWI796056B TW I796056 B TWI796056 B TW I796056B TW 110147829 A TW110147829 A TW 110147829A TW 110147829 A TW110147829 A TW 110147829A TW I796056 B TWI796056 B TW I796056B
Authority
TW
Taiwan
Prior art keywords
image
predicted
images
model
machine learning
Prior art date
Application number
TW110147829A
Other languages
English (en)
Other versions
TW202242557A (zh
Inventor
馬克辛 帕薩瑞可
奎索思托摩斯 巴提斯塔奇斯
史考特 安德森 米德雷布魯克斯
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
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 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202242557A publication Critical patent/TW202242557A/zh
Application granted granted Critical
Publication of TWI796056B publication Critical patent/TWI796056B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • 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
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Supply And Installment Of Electrical Components (AREA)
  • Manufacture Or Reproduction Of Printing Formes (AREA)
  • Manufacturing Of Printed Circuit Boards (AREA)
  • Drying Of Semiconductors (AREA)

Abstract

本發明提供一種用於訓練一機器學習模型之方法，其包括獲得與一基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像。該組中之每一AD影像係在該基板上與獲得該等AE影像中之任一者之位置不同的一位置處獲得。該方法進一步包括訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AE影像，其中該經預測AE影像對應於自其獲得該等AD影像之一輸入AD影像的一位置。

Description

基於機器學習的顯影後或蝕刻後影像之影像產生
本文提供之實施例係關於半導體製造，且更特定言之係關於檢測半導體基板。
微影設備為將所要圖案施加至基板上(通常施加至基板之目標部分上)之機器。微影設備可用於例如積體電路(IC)或其他裝置之製造中。在彼情況下，圖案化裝置(其替代地被稱作遮罩或倍縮光罩)可用以產生待形成於IC之個別層上之圖案。此圖案可轉印至基板(例如，矽晶圓)上之目標部分(例如，包括晶粒之部分、一個晶粒或若干晶粒)上。通常經由成像至提供於基板上之輻射敏感材料(抗蝕劑)層上而進行圖案之轉印。一般而言，單一基板將含有經順次地圖案化之相鄰目標部分之網路。已知微影設備包括：所謂的步進器，其中藉由一次性將整個圖案曝光至目標部分上來輻射每一目標部分；及所謂的掃描器，其中藉由在給定方向(「掃描」方向)上經由輻射光束而掃描圖案同時平行或反平行於此方向而同步地掃描基板來輻射每一目標部分。亦有可能藉由將圖案壓印至基板上而將圖案自圖案化裝置轉印至基板。
為了監視圖案化程序(亦即，涉及微影之裝置製造程序，包括例如抗蝕劑處理、蝕刻、顯影、烘烤等)之一或多個步驟，檢測經圖案化基板且判定經圖案化基板之一或多個參數。舉例而言，該一或多個參數可包括邊緣置放誤差(EPE)，其為形成於基板上之圖案之邊緣與該等圖案之所欲設計之對應邊緣之間的距離。可對產品基板自身之圖案及/或對提供於基板上之專用度量衡目標執行此量測。存在用於對在圖案化程序中形成之微觀結構進行量測的各種技術，包括使用掃描電子顯微鏡(SEM)及/或各種特殊化工具。
在一些實施例中，提供一種非暫時性電腦可讀媒體，其具有指令，該等指令在由一電腦執行時致使該電腦執行用於訓練一機器學習模型之一方法。該方法包括：獲得與一基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AE影像，其中該經預測AE影像對應於自其獲得該等AD影像之一輸入AD影像的一位置。
在一些實施例中，提供一種非暫時性電腦可讀媒體，其具有指令，該等指令在由一電腦執行時致使該電腦執行用於訓練一機器學習模型之一方法。該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以產生一經預測AE影像，其中該訓練包括：訓練該機器學習模型之一AE產生器模型以自該等AD影像之一輸入AD影像產生該經預測AE影像，使得基於該輸入AD影像及該經預測AE影像判定之一第一成本函數減少，及訓練該機器學習模型之一AD產生器模型以自該等AE影像之一參考AE影像產生一經預測AD影像，使得基於該參考AE影像及該經預測AD影像判定之一第二成本函數減少。
在一些實施例中，提供一種非暫時性電腦可讀媒體，其具有指令，該等指令在由一電腦執行時致使該電腦執行用於訓練一機器學習模型之一方法。該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AD影像，其中該經預測AD影像對應於自其獲得該等AE影像之一輸入AE影像的一位置。
在一些實施例中，提供一種非暫時性電腦可讀媒體，其具有指令，該等指令在由一電腦執行時致使該電腦執行用於訓練一機器學習模型之一方法。該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AE影像及一經預測AD影像，其中該經預測AE影像對應於自其獲得該等AD影像之一輸入AD影像的一位置，且其中該經預測AD影像對應於自其獲得該等AE影像之一輸入AE影像的一位置。
在一些實施例中，提供一種用於訓練一機器學習模型之方法。該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AE影像，其中該經預測AE影像對應於自其獲得該等AD影像之一輸入AD影像的一位置。
在一些實施例中，提供一種用於訓練一機器學習模型之方法。該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AD影像，其中該經預測AD影像對應於自其獲得該等AE影像之一輸入AE影像的一位置。
在一些實施例中，提供一種用於訓練一機器學習模型之方法。該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AE影像及一經預測AD影像，其中該經預測AE影像對應於自其獲得該等AD影像之一輸入AD影像的一位置，且其中該經預測AD影像對應於自其獲得該等AE影像之一輸入AE影像的一位置。
在一些實施例中，提供一種用於訓練一機器學習模型之設備。該設備包括：一記憶體，其儲存一指令集；及至少一個處理器，其經組態以執行該指令集以致使該設備執行一方法，該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AE影像，其中該經預測AE影像對應於自其獲得該等AD影像之一輸入AD影像的一位置。
在一些實施例中，提供一種用於訓練一機器學習模型之設備。該設備包括：一記憶體，其儲存一指令集；及至少一個處理器，其經組態以執行該指令集以致使該設備執行一方法，該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AD影像，其中該經預測AD影像對應於自其獲得該等AE影像之一輸入AE影像的一位置。
在一些實施例中，提供一種用於訓練一機器學習模型之設備。該設備包括：一記憶體，其儲存一指令集；及至少一個處理器，其經組態以執行該指令集以致使該設備執行一方法，該方法包括：獲得與一基板相關聯之一組不成對AD影像及AE影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得；及訓練該機器學習模型以基於該等AD影像及該等AE影像產生一經預測AE影像及一經預測AD影像，其中該經預測AE影像對應於自其獲得該等AD影像之一輸入AD影像的一位置，且其中該經預測AD影像對應於自其獲得該等AE影像之一輸入AE影像的一位置。
在一些實施例中，提供一種用於使用一機器學習模型自一第二影像產生一第一影像之設備。該設備包括：一記憶體，其儲存一指令集；及至少一個處理器，其經組態以執行該指令集以致使該設備執行一方法，該方法包括：獲得與一給定基板相關聯之一給定AD影像，其中該給定AD影像對應於該給定基板上之一給定位置；及經由一機器學習模型使用該給定AD影像產生一給定經預測AE影像，其中該給定經預測AE影像對應於該給定位置，其中該機器學習模型經訓練以使用與一基板相關聯之一組不成對AD影像及AE影像產生一經預測AE影像。
在一些實施例中，提供一種用於使用一機器學習模型自一第二影像產生一第一影像之設備。該設備包括：一記憶體，其儲存一指令集；及至少一個處理器，其經組態以執行該指令集以致使該設備執行一方法，該方法包括：獲得與一給定基板相關聯之一給定AE影像，其中該給定AE影像對應於該給定基板上之一給定位置；及經由一機器學習模型使用該給定AE影像產生一給定經預測AD影像，其中該給定經預測AD影像對應於該給定位置，其中該機器學習模型經訓練以使用與一基板相關聯之一組不成對AD影像及AE影像產生一經預測AD影像。
為了監測圖案化程序之一或多個步驟(亦即，涉及微影之裝置製造程序，包括例如用於將設計佈局(例如，目標圖案)轉印至基板上之抗蝕劑處理、蝕刻、顯影、烘烤等)，檢測經圖案化基板且判定經圖案化基板之一或多個參數。舉例而言，該一或多個參數可包括邊緣置放誤差(EPE)，其為形成於基板上之圖案之邊緣與該等圖案之所欲設計之對應邊緣之間的距離。基於此等參數，可調整設計佈局、圖案化程序或微影設備之一或多個態樣以最小化缺陷，且因此改良圖案化程序之總良率。
用於判定經圖案化基板之參數之一些檢測方法包括：獲得在圖案化程序(例如，顯影後及蝕刻後程序)之各個階段形成於基板上之圖案之影像(例如，使用掃描電子顯微鏡(SEM))；及分析該等影像以判定該等參數。一些方法包括在基板上之同一位置處獲得顯影後(AD)影像(其為在基板之顯影程序之後使用SEM獲得之影像)及蝕刻後(AE)影像(其為在基板之蝕刻程序之後獲得之影像)。此方法之缺陷在於：在同一位置處獲得影像係耗時的且運算資源密集的(例如，歸因於對準問題)及在顯影程序之後使位置成像可影響基板(例如，損壞抗蝕劑)，且此可影響在蝕刻程序之後執行之量測(例如，使位置成像)。為了克服此等缺陷，一些方法使用機器學習(ML)模型來產生給定AD影像之經預測或經模擬AE影像。然而，此類ML方法亦可具有與先前方法相同的缺陷。舉例而言，為產生給定AD影像之對應AE影像，或反之亦然，可能必須用數個成對AD及AE影像來訓練ML模型，其中每一對AD及AE影像自同一位置獲得。產生此訓練資料可不僅為耗時的且運算資源密集的，而且可影響在蝕刻程序之後量測的訓練資料。存在此等及其他缺點。
本發明之實施例促進使用不成對AD及AE影像作為訓練資料來訓練ML模型以產生給定AD影像之經預測AE影像。不成對AD及AE影像為其中自不同位置獲得AE影像及AD影像(例如，資料集中無兩個影像自基板上之同一位置獲得，或每一AE影像自與獲得AD影像之所有位置不同的位置獲得)之資料集。藉由使用不成對AD及AE影像以產生用於訓練ML模型之訓練資料集，使產生訓練資料集所消耗的時間最小化，且使歸因於顯影後影像之位置之成像效應的對蝕刻後影像之影響最小化，藉此改良量測基板上之與圖案相關聯的參數的精確度。
在詳細地描述實施例之前，呈現可供實施實施例之實例環境為指有導性的。
圖1示意性地描繪根據一或多個實施例之微影設備LA。設備包含： -  照射系統(照明器) IL，其經組態以調節輻射光束B (例如，UV輻射、DUV輻射或EUV輻射)； -  支撐結構(例如，遮罩台) MT，其經建構以支撐圖案化裝置(例如，遮罩) MA且連接至經組態以根據某些參數來精確地定位圖案化裝置之第一定位器PM； -  基板台(例如，晶圓台) WT，其經建構以固持基板(例如，經抗蝕劑塗佈之晶圓) W，且連接至經組態以根據某些參數來精確定位基板之第二定位器PW；及 -  投影系統(例如，折射投影透鏡系統) PL，其經組態以將由圖案化裝置MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如，包含一或多個晶粒)上，投影系統被支撐於參考框架(RF)上。
照射系統可包括用於導向、塑形或控制輻射的各種類型之光學組件，諸如折射、反射、磁性、電磁、靜電或其他類型之光學組件，或其任何組合。
支撐結構以取決於圖案化裝置之定向、微影設備之設計及其他條件(諸如，圖案化裝置是否被固持於真空環境中)的方式來支撐圖案化裝置。支撐結構可使用機械、真空、靜電或其他夾持技術以固持圖案化裝置。支撐結構可為例如框架或台，其可根據需要而固定或可移動。支撐結構可確保圖案化裝置(例如)相對於投影系統處於所要位置。可認為本文中對術語「倍縮光罩」或「遮罩」之任何使用皆與更一般術語「圖案化裝置」同義。
本文所使用之術語「圖案化裝置」應被廣泛地解譯為係指可用以在輻射光束之橫截面中向輻射光束賦予圖案以便在基板之目標部分中產生圖案的任何裝置。應注意，舉例而言，若被賦予至輻射光束之圖案包括相移特徵或所謂的輔助特徵，則該圖案可不確切地對應於基板之目標部分中之所要圖案。通常，被賦予至輻射光束之圖案將對應於目標部分中所產生之裝置(諸如，積體電路)中之特定功能層。
圖案化裝置可為透射的或反射的。圖案化裝置之實例包括遮罩、可程式化鏡面陣列及可程式化LCD面板。遮罩在微影中為吾人所熟知，且包括諸如二元、交變相移及衰減相移之遮罩類型，以及各種混合遮罩類型。可程式化鏡面陣列之一實例使用小鏡面之矩陣配置，該等小鏡面中之每一者可個別地傾斜，以便使入射輻射光束在不同方向上反射。傾斜鏡面在由鏡面矩陣反射之輻射光束中賦予圖案。
本文中所使用之術語「投影系統」應經廣泛地解譯為涵蓋適於所使用之曝光輻射或適於諸如浸潤液體之使用或真空之使用之其他因素的任何類型的投影系統，包括折射、反射、反射折射、磁性、電磁及靜電光學系統，或其任何組合。可認為本文中對術語「投影透鏡」之任何使用均與更通用之術語「投影系統」同義。
如此處所描繪，設備屬於透射類型(例如，使用透射性遮罩)。替代地，設備可屬於反射類型(例如，使用上文所提及之類型之可程式化鏡面陣列，或使用反射遮罩)。
微影設備可屬於具有兩個(雙載物台)或多於兩個台(例如，兩個或更多個基板台WTa、WTb、兩個或更多個圖案化裝置台、在無專用於(例如)促進量測及/或清潔等之基板的情況下在投影系統下方之基板台WTa及台WTb)之類型。在此類「多載物台」機器中，可並行地使用額外台，或可對一或多個台執行預備步驟，同時將一或多個其他台用於曝光。舉例而言，可進行使用對準感測器AS之對準量測及/或使用位階感測器LS之位階(高度、傾角等等)量測。
微影設備亦可屬於如下類型：其中基板之至少一部分可由具有相對高折射率之液體(例如，水)覆蓋，以便填充投影系統與基板之間的空間。亦可將浸潤液體施加至微影設備中之其他空間，例如圖案化裝置與投影系統之間的空間。浸潤技術在此項技術中被熟知用於增加投影系統之數值孔徑。本文中所使用之術語「浸潤」並不意謂諸如基板之結構必須浸沒於液體中，而是僅意謂液體在曝光期間位於投影系統與基板之間。
參看圖1，照明器IL自輻射源SO接收輻射光束。舉例而言，當該源為準分子雷射時，該源與微影設備可為分離實體。在此等狀況下，不認為該源形成微影設備之部分，且輻射光束係憑藉包含(例如)合適導向鏡面及/或擴束器之光束遞送系統BD而自該源SO傳遞至照明器IL。在其他情況下，例如當源為水銀燈時，源可為微影設備之整體部分。可將源SO及照明器IL連同光束遞送系統BD (必要時)稱作輻射系統。
照明器IL可包含經組態以調整輻射光束之角強度分佈之調整器AD。通常，可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。此外，照明器IL可包含各種其他組件，諸如積光器IN及聚光器CO。照明器可用以調節輻射光束，以在其橫截面中具有所要均一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如，遮罩台) MT上之圖案化裝置(例如，遮罩) MA上，且由該圖案化裝置而圖案化。在已橫穿圖案化裝置MA之情況下，輻射光束B傳遞通過投影系統PL，投影系統PL將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器IF (例如，干涉裝置、線性編碼器、2D編碼器或電容式感測器)，可精確地移動基板台WT，例如以便使不同目標部分C定位於輻射光束B之路徑中。類似地，第一定位器PM及其他位置感測器(其並未明確地在圖1中描繪)可用以例如在自遮罩庫機械擷取之後或在掃描期間相對於輻射光束B之路徑精確地定位圖案化裝置MA。一般而言，可憑藉形成第一定位器PM之部分之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現支撐結構MT之移動。類似地，可使用形成第二定位器PW之部分之長衝程模組及短衝程模組來實現基板台WT之移動。在步進器(相對於掃描器)之情況下，支撐結構MT可僅連接至短衝程致動器，或可固定。可使用圖案化裝置對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置MA與基板W。儘管如所說明之基板對準標記佔據專用目標部分，但該等標記可位於目標部分之間的空間中(此等標記稱為切割道對準標記)。類似地，在多於一個晶粒設置於圖案化裝置MA上之情形中，圖案化裝置對準標記可位於該等晶粒之間。
所描繪之設備可用於以下模式中之至少一者中： 1.在步進模式下，在將被賦予至輻射光束之整個圖案一次性投影至目標部分C上時，使支撐結構MT及基板台WT基本上保持靜止(即，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位，使得可曝光不同目標部分C。在步進模式下，曝光場之最大大小限制單次靜態曝光中所成像之目標部分C之大小。 2.在掃描模式下，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構MT及基板台WT (亦即，單次動態曝光)。可藉由投影系統PL之放大率(縮小率)及影像反轉特性來判定基板台WT相對於支撐結構MT之速度及方向。在掃描模式下，曝光場之最大大小限制單次動態曝光中之目標部分的寬度(在非掃描方向上)，而掃描運動之長度判定目標部分之高度(在掃描方向上)。 3.在另一模式下，在將被賦予至輻射光束之圖案投影至目標部分C上時，使支撐結構MT保持基本上靜止，從而固持可程式化圖案化裝置，且移動或掃描基板台WT。在此模式下，通常使用脈衝式輻射源，且在基板台WT之每一移動之後或在一掃描期間的順次輻射脈衝之間根據需要而更新可程式化圖案化裝置。此操作模式可易於應用於利用可程式化圖案化裝置(諸如上文所提及之類型的可程式化鏡面陣列)之無遮罩微影。
亦可使用上述使用模式之組合及/或變型或完全不同的使用模式。
如圖2中所展示，微影設備LA可形成微影單元LC (有時亦被稱作微影單元(lithocell)或群集)之部分，微影單元LC亦包括用以對基板執行曝光前程序及曝光後程序之設備。習知地，此等設備包括用以沈積一或多個抗蝕劑層之一或多個旋塗器SC、用以顯影經曝光抗蝕劑之一或多個顯影器DE、一或多個冷卻板CH及/或一或多個烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取一或多個基板，將其在不同程序設備之間移動且將其遞送至微影設備之裝載匣LB。通常統稱為塗佈顯影系統之此等設備由塗佈顯影系統控制單元TCU控制，塗佈顯影系統控制單元TCU自身受監督控制系統SCS控制，監督控制系統SCS亦經由微影控制單元LACU控制微影設備。因此，不同設備可經操作以最大化產出量及處理效率。
為了如此正確且一致地進行由微影設備圖案化之基板，需要檢測經圖案化基板以量測一或多個屬性，諸如EPE、線厚度、臨界尺寸(CD)等。因此，微影單元LC位於其中之製造設施通常亦包括度量衡系統MET，該度量衡系統收納已在微影單元中經處理之基板W中之一些或全部。度量衡系統MET可為微影單元LC之部分，例如，其可為微影設備LA之部分。
可將度量衡結果直接或間接地提供至監督控制系統SCS。若偵測到誤差，則可對後續基板之圖案化進行調整(尤其在可足夠迅速地且快速地完成檢測以使得批量之一或多個其他基板仍待圖案化的情況下)及/或對經圖案化基板之後續圖案化進行調整。又，已經圖案化之基板可被剝離及重工以改良產率，或被捨棄，藉此避免對已知有缺陷之基板執行進一步處理。在基板之僅一些目標部分有缺陷之狀況下，可僅對良好的彼等目標部分執行進一步圖案化。
在度量衡系統MET內，檢測設備用以判定基板之一或多個屬性，且詳言之，判定不同基板之一或多個屬性如何變化或同一基板之不同層在不同層間如何變化。檢測設備可整合至微影設備LA或微影單元LC中，或可為單獨裝置。為了實現快速量測，需要使檢測設備緊接在圖案化之後量測經圖案化抗蝕劑層中之一或多個屬性。然而，舉例而言，抗蝕劑中之潛影具有極低對比度——在已曝光至輻射的抗蝕劑之部分與尚未曝光至輻射的抗蝕劑之部分之間僅存在極小折射率差——且並非所有檢測設備皆具有足夠靈敏度來進行潛影之有用量測。因此，可在曝光後烘烤步驟(PEB)之後進行量測，曝光後烘烤步驟通常為對經曝光之基板進行之第一步驟且增加抗蝕劑之經曝光之部分與未經曝光之部分之間的對比度。在此階段，抗蝕劑中之影像可被稱作半潛影(semi-latent)。亦有可能對經顯影抗蝕劑影像進行量測——此時，抗蝕劑之經曝光部分或未經曝光部分已被移除——或在諸如蝕刻之圖案轉印步驟之後對經顯影抗蝕劑影像進行量測。後一可能性限制重工有缺陷基板之可能性，但仍可提供有用資訊。
圖案化程序中圖案化之基板之檢測可涉及捕捉基板之影像(例如，SEM影像)。可單獨自影像提取經圖案化基板之一些參數，但其他參數可需要與其他資料進行比較，其他資料諸如形成於基板上之圖案之設計佈局。
圖3說明根據實施例的用於模擬微影投影設備中之微影的例示性流程圖。源模型31表示照明之一或多個光學特性(包括輻射強度分佈及/或相位分佈)。投影光學器件模型32表示投影光學器件之一或多個光學特性(包括由投影光學器件引起之輻射強度分佈及/或相位分佈之改變)。圖案化裝置模型35表示圖案化裝置之一或多個光學特性(包括由圖案化裝置上所表示之給定設計佈局引起的輻射強度分佈及/或相位分佈之改變)。可自源模型31、投影光學器件模型32及圖案化裝置模型35模擬空中影像36。可使用抗蝕劑模型37而自空中影像36模擬抗蝕劑影像38。抗蝕劑模型37表示抗蝕劑之物理及化學屬性(例如，抗蝕劑在曝光、曝光後烘烤及顯影中之行為)。可使用蝕刻模型39而自抗蝕劑影像38模擬蝕刻影像40。蝕刻模型39表示基板之蝕刻程序之特性。
更具體言之，源模型31可表示照明之一或多個光學特性，其包括但不限於：數值孔徑設定、照明均方偏差(σ)設定及/或特定照明形狀(例如，諸如環形、四極、偶極等之離軸照明)。投影光學器件模型32可表示投影光學器件之一或多個光學特性，包括像差、失真、一或多個折射率、一或多個實體大小、一或多個實體尺寸等。圖案化裝置模型35可表示實體圖案化裝置之一或多個實體屬性，如例如以全文引用方式併入本文中之美國專利第7,587,704號中所描述。蝕刻模型39可表示蝕刻程序之一或多個特性，諸如氣體成份、(微波)功率、持續時間、基板之一或多個材料等。
源模型31、投影光學器件模型32、圖案化裝置模型35及蝕刻模型39可模型化圖案化程序對空中影像、抗蝕劑影像或經蝕刻影像與設計佈局之偏差之貢獻。圖案化裝置模型35可模型化RET及圖案化裝置之不精確度對空中影像、抗蝕劑影像或經蝕刻影像與設計佈局之偏差之貢獻。可自實驗資料至少部分地校準各種模型。
本發明描述用於訓練影像產生器模型以使用一或多個基板之不成對AD及AE影像作為訓練資料自基板之顯影後(AD)影像產生蝕刻後(AE)影像或反之亦然的實施例。在一些實施例中，微影程序基於例如目標圖案在基板上產生印刷圖案(例如，用於積體電路或電腦晶片之電路圖案)。可在程序之各個階段藉由捕捉基板之影像(例如，使用影像捕捉裝置，諸如圖12至圖13中所說明之SEM)來檢測經圖案化基板。在一些實施例中，AD及AE影像為此等影像之實例，其中該AD影像對應於在微影程序中之顯影階段之後所捕捉的基板之影像，且該AE影像對應於在微影程序中之蝕刻階段之後所捕捉的基板之影像。可分析藉由影像產生器模型預測之AD或AE影像以獲得各種量測或參數，諸如邊緣置放誤差(EPE)、局部EPE (局部EPE)、隨機EPE (SEPE)、CD、CD均一性(CDU)、局部CDU (LCDU)、線厚度或其他度量衡資料。在檢測基板之後，可基於經判定參數調整一或多個設計變數以最小化在基板上形成圖案時之缺陷。如本文所使用之術語「設計變數」包含微影投影設備或圖案化程序之參數集合，例如微影投影設備之使用者可調整之參數，或使用者可藉由調整彼等參數而調整之影像特性。應瞭解，微影投影程序之任何特性(包括源、圖案化裝置、投影光學器件之特性，及/或抗蝕劑特性)可在最佳化中之設計變數當中。
圖4A為根據一或多個實施例之用於產生經預測AE影像的影像產生器模型400之方塊圖。影像產生器模型400可經組態以自AD影像405產生經預測AE影像410。在一些實施例中，經預測AE影像410可為對應於AD影像405或與AD影像405成對之AE影像(例如，經預測AE影像410為當使用影像捕捉裝置在自其獲得AD影像405之位置處成像基板時，蝕刻後影像可看起來如何之預測)。在一些實施例中，影像產生器模型400可包括經訓練以使用AD影像產生經預測AE影像的一或多個ML模型。
雖然影像產生器模型400可自AD影像產生經預測AE影像，但影像產生器模型400亦可經組態以自AE影像產生經預測AD影像。圖4B為根據一或多個實施例之用於產生經預測AD影像之影像產生器模型400的方塊圖。影像產生器模型400可經組態以自AE影像415產生經預測AD影像420。在一些實施例中，經預測AD影像420可為對應於AE影像415或與AE影像成對之AD影像(例如，經預測AD影像420為當藉由影像捕捉裝置在自其獲得AE影像415之位置處成像時經圖案化基板在顯影階段之後可看起來如何之預測)。在一些實施例中，影像產生器模型400可包括經訓練以使用AE影像產生經預測AD影像的一或多個ML模型。
可使用多個AD影像及AE影像作為訓練資料來訓練影像產生器模型400以產生經預測AE影像410 (或經預測AD影像420)。圖5說明根據一或多個實施例之訓練資料集。訓練資料可包括不成對資料集510，其中AE影像535及AD影像525自不同位置獲得(例如，每一AE影像自不同於自其獲得AD影像之所有位置的位置獲得)。舉例而言，可自與獲得AD影像525中之任一者之位置不同的位置獲得AE影像536。在一些實施例中，訓練資料亦可包括成對影像資料集505，其中每一AD及AE影像對自基板上之同一位置獲得。舉例而言，影像對506中之AE影像及AD影像自基板上之同一位置獲得。如上文所描述，在一些實施例中，資料集505及510中之影像可使用影像捕捉裝置(諸如圖12至圖13中所說明之SEM)獲得。訓練影像產生器模型400以產生經預測AE影像410 (或經預測AD影像420)之細節在下文至少參看圖6A及圖6B加以詳細論述。
圖6A及圖6B為根據一或多個實施例之訓練影像產生器模型以預測AE影像或AD影像之方塊圖。在一些實施例中，影像產生器模型400為ML模型，諸如循環一致的生成對抗網路(循環GAN)，其可為生成對抗網路(GAN)之變化。GAN架構可包括以協作方式訓練之被稱為產生器模型及鑑別器模型的兩個不同的模型。舉例而言，使用來自產生器模型之輸出及來自目標域之影像(或來自目標域之複數個影像)或換言之待由產生器模型產生之影像來訓練鑑別器模型，該目標域為至產生器模型之輸入影像必須轉換至之域。鑑別器模型可經訓練以將輸入識別(例如，判定或分類)為「真實」或「虛假」。「真實」輸入為可能與目標域中之影像不可區分及/或具有滿足所指定準則之一或多個特徵的影像，且「虛假」輸入可為不與目標域中之影像中的任一者匹配且不滿足所指定準則之影像。通常，鑑別器經訓練以將來自目標域之影像分類為真實的且將並非來自目標域之影像(例如，由產生器模型產生之影像)分類為虛假的。產生器模型可經訓練以改良所產生影像，使得鑑別器模型可不將所產生影像分類為虛假，且可改良鑑別器模型以針對目標域中之影像鑑別所產生影像，使得不滿足所指定準則之影像並不被分類為「真實」。隨著訓練發展，鑑別器可能不再能夠區分所產生影像與目標域中之影像，且可因此判定所產生影像或將所產生影像分類為真實的。在一些實施例中，產生器模型及鑑別器模型可為兩個單獨的廻旋神經網路(CNN)。
在一些實施例中，在影像至影像轉譯神經網路中，目標可為使用對準影像對之訓練集學習輸入影像與輸出影像之間的映射。在成對訓練集中，將每一影像(比如來自輸入域A之「img A」)手動映射至某一影像(比如來自目標域B之「img B」)，使得其共用各種特徵。特徵可用以將影像(img A/img B)映射至其對應映射之對應物(img B/img A)。基本上，進行成對以使輸入及輸出共用一些共同特徵。此映射界定影像自一個域(例如，域A)至另一域(例如，域B)之有意義的變換。因此，當成對訓練資料集可用時，產生器可自域「D A」獲得輸入(比如「input A」)且將此影像映射至可接近於其映射對應物之輸出影像(比如「gen B」)。然而，對於許多任務，具有成對影像或對準影像之訓練資料集可能不可用，且因此，此預界定有意義的變換在不成對訓練資料集中不容易獲得。
在一些實施例中，循環GAN為一個神經網路架構，其在輸入影像與所產生影像之間產生此有意義的關係，其可用以運用不成對訓練資料集將影像自一個域轉譯至另一域。在一些實施例中，循環GAN具有兩個GAN且每一GAN具有其自身產生器及鑑別器對。在循環GAN中，第一產生器將使來自域D A之輸入影像(例如，「input A」)映射至目標域「D B」中之某一影像。第二產生器將由第一產生器產生之此輸出影像映射回至原始輸入。舉例而言，循環GAN將來自域D A(例如，圖6A中之輸入AD影像526)之影像input A(例如，AD影像525)輸入至第一產生器(例如，AE產生器模型455)，該第一產生器將影像input A在目標域D B(例如，AE影像535)中變換成影像gen B(例如，經預測AE影像605)。接著將此新的所產生影像gen B(例如，經預測AE影像605)饋送至第二產生器(例如，AD產生器模型465)，該第二產生器將其自原始域D A(例如，AD影像525)轉換回成AD影像cyclic A(例如，環狀AD影像626)。循環GAN繼續訓練第一產生器直至此輸出影像cyclic A(例如，環狀AD影像626)接近於原始輸入影像input A(例如，AD影像526)，以界定可用於使用不成對資料集將影像自一個域轉譯至另一域之有意義的映射。在cyclic A(例如，環狀AD影像626)接近原始輸入影像input A(例如，AD影像526)後，第一產生器被視為「經訓練」，且可用於針對來自域D A(例如，AD影像)之任何給定影像自域D B(例如，經預測AE影像)產生經預測影像。
影像產生器模型400可包括多個模型，例如AE產生器模型455、AE鑑別器460、AD產生器模型465及AD鑑別器470，該等模型中之每一者在一些實施例中可使用CNN來實施。可使用訓練資料集(例如，圖5中所說明)來訓練模型。應注意，雖然訓練資料集510中之AD影像及參考AE影像中的至少一些為不成對影像，但訓練資料集510亦可包括成對AD及AE影像。
圖6A為根據一或多個實施例之訓練影像產生器模型以預測AE影像之方塊圖。AE產生器模型455可將輸入AD影像526作為輸入且輸出經預測AE影像605。AE鑑別器460可將經預測AE影像605作為輸入且判定經預測AE影像605是否為真實或虛假。
在一些實施例中，AE鑑別器460亦可自經預測AE影像605獲得一或多個與程序相關之參數，且比較該等參數與輸入至AE鑑別器460之關鍵效能指示符(KPI) 650以判定經預測AE影像605是否為真實或虛假。舉例而言，KPI可包括與在基板上形成圖案相關聯之一或多個參數，諸如EPE、LEPE、SEPE、CD、CDU、LCDU、線厚度或其他度量衡資料。若AE鑑別器460不能夠將經預測AE影像605與AE影像535區分且一或多個程序相關參數滿足KPI，則AE鑑別器460可將經預測AE影像605判定為真實影像，否則可將經預測AE影像605判定為虛假影像。
在一些實施例中，AE鑑別器460可輸出指示真實或虛假影像之某一範圍(例如，0至1或-1至1)之數值。舉例而言，值「1」可指示真實影像且值「0」可指示虛假影像。在一些實施例中，值愈接近「1」，影像愈真實，且值愈接近「0」，影像愈虛假。在一些實施例中，高於指定臨限值(例如「0.7」)之值可指示真實影像，且低於指定臨限值可指示虛假影像。在一些實施例中，經預測AE影像605可輸入至AD產生器模型465以自經預測AE影像605返回產生AD影像，例如環狀AD影像626。環狀AD影像626可用於判定經預測AE影像605是否足夠精確以返回產生輸入AD影像526。在訓練期間，在一些實施例中，AE鑑別器460經訓練以將經預測AE影像605區分為虛假，且AE產生器模型455經訓練以產生經預測AE影像605，使得AE鑑別器460可不將經預測AE影像605區分為虛假且經預測AE影像605足夠精確以返回產生輸入AD影像526。隨著訓練進展(例如，處理愈來愈多的AD影像及/或參考AE影像)，AE產生器模型455可在產生無法與AE影像535區分之經預測AE影像605時成功，使得AE鑑別器460可不再將經預測AE影像605分類為虛假。
在一些實施例中，影像產生器模型400之訓練程序為反覆程序，且反覆可包括自AD影像集接收輸入AD影像(例如，來自AD影像525之輸入AD影像526)，產生經預測AE影像(例如，經預測AE影像605)，自經預測AE影像產生環狀AD影像(例如，環狀AD影像626)，運算與產生經預測AE影像相關聯之第一成本函數，及基於第一成本函數調整模型參數，諸如影像產生器模型400之權重及偏差。在一些實施例中，可將第一成本函數界定為將經預測AE影像判定為虛假，將AE影像535判定為真實，經預測AE影像是否滿足KPI 650及環狀AD影像626與輸入AD影像526之間的差之函數。舉例而言，第一成本函數可表示為：
Figure 02_image001
其中x為AD影像525之集合且y為AE影像535之集合，x ～
Figure 02_image003
及y ～
Figure 02_image005
表示該等影像之資料分佈，G X(x)表示將AD影像轉譯成AE影像之函數，
Figure 02_image007
表示用於區分經預測AE影像之鑑別函數；
Figure 02_image009
表示將經預測AE影像判定為虛假及將AE影像535判定為真實；且
Figure 02_image011
表示環狀AD影像626與輸入AD影像526之間的差，其亦被稱作前向循環一致性損失，對於每一AD影像x，影像轉譯循環應能夠將經預測AE影像605，G X(x)帶回原始影像(G Y(G X(x)))，亦即，x → G X(x) → G Y(G X(x)) ≈ x。
繼續訓練程序之反覆，例如AE鑑別器460可將經預測AE影像605判定為真實，但第三度量可指示環狀AD影像626與輸入AD影像526之間的匹配低於匹配臨限值。由於此為非所要結果，故AE鑑別器460之一或多個模型參數(例如，權重及偏差)可能必須經調整以使得經預測AE影像605區分為虛假。此外，AE產生器模型455之一或多個模型參數亦可必須經調整以改良經預測AE影像605之品質，使得環狀AD影像626與輸入AD影像526之間的差最小化。在一些實施例中，輸入AD影像526與環狀AD影像626之間的差愈小，經預測AE影像605愈精確。用於影像比較之各種方法中之任一者可用以量化兩個影像之間的差(例如，像素與像素比較)。在一些實施例中，基於第一成本函數來調整AE產生器模型455或AE鑑別器460之模型參數(例如，經調整以最小化第一成本函數之AE產生器模型455模型參數及經調整以最大化第一成本函數之AE鑑別器模型460模型參數)。
因此(例如，在用不同AD及AE影像重複反覆時)，第一成本函數可減少且AE產生器模型455將逐漸地產生愈來愈真實或類似於AE影像535之經預測AE影像(且滿足KPI 650)，且AE鑑別器460將逐漸較好地區分虛假影像(例如，經預測AE影像605)與真實影像(例如，AE影像535)。在一些實施例中，同時訓練AE產生器模型455及AE鑑別器460，直至AE產生器模型455及AE鑑別器460可能不會改良彼此。舉例而言，若第一成本函數被最小化或在另外反覆上實質上不改變，則該等模型彼此並不改良，且因此可被視為「經訓練」模型。經訓練AE產生器模型455可用於產生任何給定AD影像之經預測AE影像，如至少參考圖4A所描述。
類似地，參考圖6B，亦可訓練AD產生器模型465及AD鑑別器470以較好地自AE影像產生經預測AD影像。圖6B為根據一或多個實施例之訓練影像產生器模型以預測AD影像之方塊圖。在訓練程序中，AD產生器模型465接收AE影像(例如，來自AE影像535之參考AE影像536)作為輸入且產生經預測AD影像655作為輸出。AD鑑別器470接收經預測AD影像655作為輸入，且判定經預測AD影像655是否為虛假或真實。在一些實施例中，經預測AD影像655可輸入至AE產生器模型455以自經預測AD影像655返回產生AE影像，例如環狀AE影像636。環狀AE影像636可用於判定經預測AD影像655是否足夠精確以返回產生參考AE影像536。在訓練期間，在一些實施例中，AD鑑別器470經訓練以將經預測AD影像655判定或分類為虛假，且AD產生器模型465經訓練以產生經預測AD影像655，使得AD鑑別器470可不將經預測AD影像655判定或分類為虛假且經預測AD影像655足夠精確以返回產生參考AE影像536。隨著訓練進展(例如，處理愈來愈多的AD影像及/或參考AE影像)，AD產生器模型465可在產生類似於輸入AD影像525中之一或多者的經預測AD影像655時成功，使得AD鑑別器470可不再將經預測AD影像655區分為虛假。
如上文參考圖6A所描述，訓練AD產生器模型465及AD鑑別器470為反覆程序，且反覆可包括自AE影像集接收AE影像(例如，來自AE影像535之參考AE影像536)作為輸入，使用輸入AE影像產生經預測AD影像(例如，經預測AD影像655)，自經預測AD影像產生環狀AE影像(例如，環狀AE影像636)，運算與產生經預測AD影像相關聯之第二成本函數，及基於第二成本函數調整模型參數，諸如影像產生器模型400之權重及偏差。在一些實施例中，可將第二成本函數界定為(i)將經預測AD影像判定為虛假且將輸入AD影像525判定為真實，(ii)經預測AD影像655是否滿足KPI 650及(iii)環狀AE影像636與參考AE影像536之間的差之函數。舉例而言，第二成本函數可表示為：
Figure 02_image013
其中F(y)表示將AE影像轉譯成AD影像之函數，
Figure 02_image015
表示用於區分經預測AD影像之鑑別函數；
Figure 02_image017
表示將經預測AD影像判定為虛假及將輸入AD影像525判定為真實；且
Figure 02_image019
表示環狀AE影像636與參考AE影像536之間的差，其亦被稱作後向循環一致性損失，對於每一AE影像y，影像轉譯循環應能夠將經預測AD影像655，G Y(y)帶回原始影像(G X(G Y(y)))，亦即，y → G Y(y) → G X(G Y(y)) ≈ y。
當藉由調整模型參數以減小第二成本函數而用不同AD及AE影像重複反覆時，AD產生器模型465將逐漸地產生愈來愈真實或類似於輸入AD影像525之經預測AD影像(且滿足KPI 650)，且AD鑑別器470將逐漸較好地區分虛假影像(例如，經預測AD影像655)與真實影像(例如，輸入AD影像525)。在一些實施例中，同時訓練AD產生器模型465及AD鑑別器470，直至AD產生器模型465及AD鑑別器470可能不會改良彼此。舉例而言，若第二成本函數被最小化或在另外反覆上實質上不改變，則該等模型可不改良彼此，且因此可被視為「經訓練」模型。經訓練AD產生器模型465可用於產生任何給定AE影像之經預測AD影像，如至少參考圖4B所描述。
在一些實施例中，訓練影像產生器模型400可包括訓練AE產生器模型455、AE鑑別器460、AD產生器模型465或AD鑑別器470，直至最小化可為第一成本函數及第二成本函數之函數的總成本函數為止。作為實例，可將影像產生器模型400之總成本函數f表示為：
Figure 02_image021
其中λ為常數。
在一些實施例中，影像產生器模型400之總成本函數f (方程式3)為以上方程式(1)及(2)之組合。在一些實施例中，以協作方式訓練AE產生器模型455、AE鑑別器460、AD產生器模型465或AD鑑別器470，使得影像產生器模型400之總成本函數(方程式3)不再改良(例如，減小、最小化或低於指定臨限值)。舉例而言，若成本函數之值遍及另外反覆並不實質上改變，則影像產生器模型400被視為經訓練模型。 換言之，影像產生器模型400經組態以分別產生真實或相似於真實AE影像或AD影像，或滿足各別準則以被視為真實之經預測AE影像或經預測AD影像。經訓練影像產生器模型400接著可用以自給定AD影像或產生經預測AE影像，或自給定AE影像產生經預測AD影像。
雖然前述描述描述使用循環GAN ML模型實施之影像產生器模型400，但影像產生器模型400不限於循環GAN。影像產生器模型400可使用其他ML模型或預測模型(例如，統計模型或其他分析模型)來實施。
圖7示意性地描繪根據一或多個實施例之用於訓練影像產生器模型之訓練資料集的製備。在一些實施例中，微影程序之結果可跨越基板705而變化。因此，跨越基板變化可影像預測AD或AE影像。舉例而言，對於基板705上之第一位置，產生的經預測AE影像可為精確的，但對於第二位置，產生的另一經預測AE影像可不精確。為了最小化此跨越基板變化對影像預測之影響，可基於指定準則將基板705劃分成數個區，且可針對彼等區中之每一者訓練個別影像產生器模型。舉例而言，基板705可基於蝕刻變化(例如，第一區710及第二區720)劃分成數個區，使得區內之蝕刻變化最小(例如，低於指定臨限值)至無。可針對第一區710訓練第一影像產生器模型(例如，影像產生器模型400)，且可針對第二區720訓練第二影像產生器模型等等。可使用自第一區710內之各個位置715獲得的AD及AE影像(例如，不成對AD及AE影像)針對第一區710訓練第一影像產生器模型，且可使用自第二區內之各個位置獲得的AD及AE影像(例如，不成對AD及AE影像)針對第二區720訓練第二影像產生器模型。在一些實施例中，影像產生器模型可用於產生用於訓練影像產生器模型之基板705之區的經預測AD或AE影像。舉例而言，經訓練第一影像產生器模型可用於產生第一區710中之任何位置(例如，位置725)之經預測AD或AE影像，且經訓練第二影像產生器模型可用於產生第二區720中之任何位置之經預測AD或AE影像。在一些實施例中，在預測期間，可將區識別符(例如，區數目)提供至影像產生器模型以選擇適當模型(例如，對應於區之模型)以產生經預測AD或AE影像。
圖8為根據一或多個實施例之用於訓練經組態以產生經預測AE影像(及/或經預測AD影像)之影像產生器模型的程序之流程圖。在操作810處，獲得與基板相關聯之一組不成對AD及AE影像。舉例而言，不成對AE及AD影像(諸如不成對資料集510)為自不同位置獲得之影像(例如，每一AE影像自與自其獲得AD影像之所有位置不同的位置獲得)。然而，在一些實施例中，成對AD及AE影像(諸如資料集505)亦可與不成對AD及AE影像一起使用以用於訓練影像產生器模型。
在操作820處，使用該組不成對AD及AE影像訓練影像產生器模型以自輸入AD影像產生經預測AE影像。舉例而言，訓練影像產生器模型400以使用輸入AD影像526產生經預測AE影像605。在一些實施例中，經預測AE影像605為在藉由影像捕捉裝置在基板上自其獲得輸入AD影像526之位置處成像時蝕刻後影像可看起來如何之預測。至少參考圖9A至9C描述訓練程序之額外細節。
雖然以下描述聚焦於訓練影像產生器模型400以自輸入AD影像產生經預測AE影像，但應注意，至少在一些實施例中，訓練影像產生器模型400以產生經預測AE影像亦可訓練影像產生器模型400以自輸入AE影像產生經預測AD影像(例如，如上文至少參看圖6B所描述)。
圖9A為根據一或多個實施例之用於訓練影像產生器模型以產生經預測AE影像或經預測AD影像之另一程序的流程圖。在一些實施例中，執行圖9A之方法作為圖8之操作820之部分。
在操作910處，藉由影像產生器模型之AE產生器模型使用輸入AD影像產生經預測AE影像。舉例而言，執行AE產生器模型455以自輸入AD影像526產生經預測AE影像605。在一些實施例中，AE產生器模型455為獲取輸入向量(例如，輸入AD影像526)且產生輸出向量(例如，經預測AE影像605)之CNN。
在操作920處，影像產生器模型之AE鑑別器模型判定經預測AE影像是否為真實或虛假。舉例而言，AE鑑別器460將由AE產生器模型455產生之經預測AE影像605作為輸入且判定經預測AE影像605是否為真實或虛假。在一些實施例中，AE鑑別器460為獲取輸入向量(例如，經預測AE影像605、KPI 650)且產生指示影像是否為真實或虛假之輸出值(例如，「0」或「1」、在指定範圍「0」至「1」內之值)的CNN。在一些實施例中，若AE鑑別器460不能夠區分經預測AE影像與參考AE影像，且自經預測AE影像605導出之一或多個程序相關參數滿足KPI，則AE鑑別器460可判定經預測AE影像605為真實的，否則可判定經預測AE影像605為虛假的。
在操作930，執行影像產生器模型之AD產生器模型以自參考AE影像產生經預測AD影像。舉例而言，AD產生器模型465將參考AE影像536作為輸入且自參考AE影像536產生經預測AD影像655。在一些實施例中，經預測AD影像655為基板上自其獲得參考AE影像536之位置的顯影後影像在由影像捕捉裝置成像時可看起來如何之預測。在一些實施例中，AD產生器模型465為獲取輸入向量(例如，參考AE影像536)且產生輸出向量(例如，經預測AD影像655)之CNN。
在操作940，影像產生模型之AD鑑別器判定經預測AD影像是否為真實或虛假(例如，以類似於上文至少參考操作920所描述之AE鑑別器模型的方式)。舉例而言，AD鑑別器470將由AD產生器模型465產生之經預測AD影像655作為輸入，且判定經預測AD影像655是否為真實或虛假。在一些實施例中，AD鑑別器470為獲取輸入向量(例如，經預測AD影像655或輸入AD影像526)且產生指示影像是否為真實或虛假之輸出值(例如，「0」或「1」、在指定範圍「0」至「1」內之值)的CNN。
在操作950處，基於AE鑑別器460或AD鑑別器470之輸出，基於與影像產生器模型相關聯之成本函數調整影像產生器模型之模型參數。在一些實施例中，成本函數包括與經預測AE影像605之產生相關聯的第一成本函數，及與經預測AD影像655之產生相關聯的第二成本函數。
圖9B為根據一或多個實施例的用於最小化與產生經預測AE影像相關聯之第一成本函數之方法的流程圖。在一些實施例中，執行圖9B之方法作為圖9A之操作950之部分。
在操作951處，使用AD產生器模型465自經預測AE影像605返回產生AD影像(例如，環狀AD影像626)，該AD產生器模型可用以判定經預測AE影像605是否足夠精確以返回產生輸入AD影像526。
在操作952處，運算與產生經預測AE影像相關聯之第一成本函數。在一些實施例中，可將第一成本函數(例如，方程式1)界定為(i)將經預測AE影像判定為虛假且將AE影像535判定為真實，(ii)經預測AE影像是否滿足KPI 650及(iii)環狀AD影像626與輸入AD影像526之間的差之函數。
在操作953處，AE產生器模型455或AE鑑別器460之模型參數可基於第一成本函數而調整。舉例而言，若AE鑑別器460將經預測AE影像605判定為真實的，則第三度量可指示環狀AD影像626與輸入AD影像526之間的匹配低於匹配臨限值。由於此為非所要結果，故AE鑑別器460之一或多個模型參數(例如，權重及偏差)可必須經調整(例如，以最大化第一成本函數)，使得經預測AE影像605區分為虛假。此外，AE產生器模型455之一或多個模型參數亦可必須經調整(例如，以最小化第一成本函數)以改良經預測AE影像605之品質，使得環狀AD影像626與輸入AD影像526之間的差最小化。因此，AE產生器模型455或AE鑑別器460之模型參數可能必須基於第一成本函數而調整以使AE產生器模型455產生改良之經預測AE影像605，使得AE鑑別器460不再將經預測AE影像605判定為虛假。
圖9C為根據一或多個實施例之用於最小化與產生經預測AD影像相關聯之第二成本函數之方法的流程圖。在一些實施例中，執行圖9C之方法作為圖9A之操作950之部分。
在操作955處，使用AE產生器模型455自經預測AD影像655返回產生AE影像(例如，環狀AE影像636)，該AE產生器模型可用以判定經預測AD影像655是否足夠精確以返回產生參考AE影像536。
在操作956處，運算與產生經預測AD影像相關聯之第二成本函數。在一些實施例中，可將第二成本函數(例如，方程式2)界定為(i)將經預測AD影像判定為虛假且將輸入AD影像525判定為真實；(ii)經預測AD影像655是否滿足KPI 650及(iii)環狀AE影像636與參考AE影像536之間的差之函數。
在操作957處，AD產生器模型465或AD鑑別器470之模型參數可基於第二成本函數而調整。舉例而言，若AD鑑別器470判定所預測AD影像655為真實的，則第六度量可指示環狀AE影像636與參考AE影像536之間的匹配低於匹配臨限值。由於此為非所要結果，AD鑑別器470之一或多個模型參數(例如，權重及偏差)可能必須經調整(例如，以最大化第二成本函數)，使得將經預測AD影像655區分為虛假。此外，AD產生器模型465之一或多個模型參數亦可必須經調整(例如，以最小化第二成本函數)以改良經預測AD影像655之品質，使得環狀AE影像636與參考AE影像536之間的差最小化。因此，AD產生器模型465或AD鑑別器470之模型參數可能必須基於第二成本函數而調整以使AD產生器模型465產生改良之經預測AD影像655，使得AD鑑別器470不再將經預測AD影像655判定為虛假。
參看圖9A，操作910至950可用多個輸入AD影像525及參考AE影像535重複，其中AE產生器模型455、AE鑑別器460、AD產生器模型465或AD鑑別器470之模型參數的逐漸調整直至與影像產生器模型400相關之成本函數f (使用方程式3表示)最小化(在一些實施例中，低於指定臨限值)或不再顯著減少。
在完成反覆之後，影像產生器模型400被視為經訓練。經訓練影像產生器模型400接著可用以自給定AD影像產生經預測AE影像及/或自給定AE影像產生經預測AD影像，例如至少參考上文圖4A、圖4B或下文圖10所描述。
圖10為根據一或多個實施例之用於使用影像產生器模型產生經預測AE影像之程序的流程圖。在操作1010處，獲得與基板上之指定位置相關聯的AD影像。舉例而言，獲得與基板上之指定位置相關聯的AD影像405。在一些實施例中，AD影像405自訓練影像產生器模型400之基板之區中的位置獲得。在一些實施例中，AD影像使用諸如SEM工具之影像捕捉裝置獲得。可將AD影像405輸入至影像產生器模型400。
在操作1020，影像產生器模型之AE產生器模型使用輸入AD影像產生經預測AE影像。舉例而言，AE產生器模型455使用AD影像405產生經預測AE影像410。在一些實施例中，經預測AE影像410為當使用影像捕捉裝置在指定位置處成像基板時基板之蝕刻後影像可看起來如何之預測。
類似於上文所論述之程序，影像產生器模型400亦可用以藉由將AE影像(諸如AE影像415)作為輸入來產生經預測AD影像，諸如經預測AD影像420。AE影像415可為自基板上之指定位置之影像捕捉裝置產生的影像。經預測AD影像420為當使用影像捕捉裝置在指定位置處成像基板時基板之顯影後影像可看起來如何之預測。類似於產生經預測AE影像410，在一些實施例中，影像產生器模型400可使用僅一部分影像產生器模型400 (諸如AD產生器模型465)來產生經預測AD影像420。
圖11為根據一或多個實施例之實例電腦系統CS之方塊圖，該電腦系統CS可輔助實施本文中所揭示之方法、流程、模組、組件或設備。電腦系統CS包括用於傳達資訊之匯流排BS或其他通信機構及與匯流排BS耦接以供處理資訊之處理器PRO (或多個處理器)。電腦系統CS亦包括耦接至匯流排BS以用於儲存待由處理器PRO執行之資訊及指令的主記憶體MM，諸如隨機存取記憶體(RAM)或其他動態儲存裝置。主記憶體MM亦可用於在待由處理器PRO執行之指令之執行期間儲存暫時性變數或其他中間資訊。電腦系統CS進一步包括耦接至匯流排BS以用於儲存用於處理器PRO之靜態資訊及指令的唯讀記憶體(ROM) ROM或其他靜態儲存裝置。提供諸如磁碟或光碟之儲存裝置SD，且將其耦接至匯流排BS以用於儲存資訊及指令。
電腦系統CS可經由匯流排BS耦接至用於向電腦使用者顯示資訊之顯示器DS，諸如陰極射線管(CRT)，或平板或觸控面板顯示器。包括文數字及其他按鍵之輸入裝置ID耦接至匯流排BS以用於將資訊及命令選擇傳達至處理器PRO。另一類型之使用者輸入裝置為用於將方向資訊及命令選擇傳達至處理器PRO且用於控制顯示器DS上之游標移動的游標控制件CC，諸如滑鼠、軌跡球或游標方向按鍵。此輸入裝置通常具有在兩個軸(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，從而允許裝置指定平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入裝置。
根據一個實施例，本文中所描述之一或多種方法的部分可藉由電腦系統CS回應於處理器PRO執行主記憶體MM中所含有之一或多個指令的一或多個序列來執行。可將此等指令自另一電腦可讀媒體(諸如儲存裝置SD)讀取至主記憶體MM中。執行主記憶體MM中所含有之指令序列使得處理器PRO執行本文中所描述之程序步驟。呈處理配置之一或多個處理器亦可用於執行主記憶體MM中所含有之指令序列。在替代性實施例中，可代替或結合軟體指令而使用硬佈線電路。因此，本文中之描述不限於硬體電路及軟體之任何特定組合。
如本文中所使用，術語「電腦可讀媒體」係指參與將指令提供至處理器PRO以供執行之任何媒體。此媒體可採取許多形式，包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括例如光碟或磁碟，諸如儲存裝置SD。揮發性媒體包括動態記憶體，諸如主記憶體MM。傳輸媒體包括同軸纜線、銅線及光纖，包括包含匯流排BS之導線。傳輸媒體亦可採取聲波或光波之形式，諸如在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體可為非暫時性的，例如軟碟、軟性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡片、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣。非暫時性電腦可讀媒體可具有記錄於其上之指令。在由電腦執行時，指令可實施本文中所描述之特徵中之任一者。暫時性電腦可讀媒體可包括載波或其他傳播電磁信號。
可在將一或多個指令之一或多個序列攜載至處理器PRO以供執行時涉及電腦可讀媒體之各種形式。舉例而言，初始地可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體內，且使用數據機經由電話線而發送指令。在電腦系統CS本端之數據機可接收電話線上之資料，且使用紅外線傳輸器以將資料轉換為紅外線信號。耦接至匯流排BS之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排BS上。匯流排BS將資料攜載至主記憶體MM，處理器PRO自該主記憶體MM擷取且執行指令。由主記憶體MM接收之指令可視情況在由處理器PRO執行之前或之後儲存於儲存裝置SD上。
電腦系統CS亦可包括耦接至匯流排BS之通信介面CI。通信介面CI提供與網路鏈路NDL之雙向資料通信耦接，該網路鏈路NDL連接至區域網路LAN。舉例而言，通信介面CI可為整合服務數位網路(ISDN)卡或數據機以提供與相應類型之電話線的資料通信連接。作為另一實例，通信介面CI可為區域網路(LAN)卡以提供與相容LAN之資料通信連接。亦可實施無線鏈路。在任何此實施中，通信介面CI發送且接收攜載表示各種類型之資訊之數位資料流的電信號、電磁信號或光學信號。
網路鏈路NDL通常經由一或多個網路提供與其他資料裝置之資料通信。舉例而言，網路鏈路NDL可經由區域網路LAN提供與主機電腦HC之連接。此可包括經由全球封包資料通信網路(現在通常稱為「網際網路」INT)而提供資料通信服務。區域網路LAN (網際網路)皆使用攜載數位資料串流之電信號、電磁信號或光學信號。通過各種網路之信號及在網路資料鏈路NDL上且通過通信介面CI之信號為輸送資訊之例示性載波形式，該等信號將數位資料攜載至電腦系統CS且自該電腦系統攜載數位資料。
電腦系統CS可經由網路、網路資料鏈路NDL及通信介面CI發送訊息及接收資料(包括程式碼)。在網際網路實例中，主機電腦HC可經由網際網路INT、網路資料鏈路NDL、區域網路LAN及通信介面CI傳輸用於應用程式之經請求程式碼。舉例而言，一個此經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在接收其時由處理器PRO執行，及/或儲存於儲存裝置SD或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統CS可獲得呈載波之形式之應用程式碼。
根據本發明，所揭示元件之組合及子組合構成單獨實施例。舉例而言，用於產生經預測之經量測影像之方法及用於對準經量測影像與經預測之經量測影像之方法可包含單獨實施例，及/或此等方法可一起用於同一實施例中。
圖12示意性地描繪根據實施例之電子束檢測設備2320之實施例。在實施例中，檢測設備可為產生曝光或轉印於基板上之結構(例如，諸如積體電路之裝置之某一或全部結構)之影像的電子束檢測設備(例如，與掃描電子顯微鏡(SEM)相同或相似)。自電子源2322發射之初級電子束2324由聚光透鏡2326會聚且接著穿過光束偏轉器2328、E × B偏轉器2330及物鏡2332以在一焦點下輻照基板台2312上之基板2310。
當用電子束2324輻照基板2310時，自基板2310產生二次電子。該等二次電子由E × B偏轉器2330偏轉且由二次電子偵測器2334偵測。二維電子束影像可藉由以下操作獲得：偵測自樣本產生之電子，而與例如由光束偏轉器2328對電子束之二維掃描同步或與由光束偏轉器2328在X或Y方向上對電子束2324之重複掃描同步，以及由基板台2312在X或Y方向中之另一者上連續移動基板2310。因此，在實施例中，電子束檢測設備具有用於由角度範圍界定之電子束之視場，在該角度範圍內之電子束可由電子束檢測設備提供(例如，偏轉器2328可提供電子束2324所遍及之角度範圍)。因此，該視場之空間範圍為電子束之角度範圍可照射於表面上所達之空間範圍(其中該表面可為靜止的或可相對於該場移動)。
由二次電子偵測器2334偵測到之信號由類比/數位(A/D)轉換器2336轉換成數位信號，且將數位信號發送至影像處理系統2350。在實施例中，影像處理系統2350可具有記憶體2356以儲存數位影像之全部或部分以供處理單元2358處理。處理單元2358 (例如，經專門設計之硬體或硬體與軟體之組合或包含軟體之電腦可讀媒體)經組態以將數位影像轉換或處理成表示數位影像之資料集。在實施例中，處理單元2358經組態或經程式化以致使執行本文中所描述之方法。此外，影像處理系統2350可具有經組態以將數位影像及對應資料集儲存於參考資料庫中之儲存媒體2352。顯示裝置2354可與影像處理系統2350連接，使得操作者可藉助於圖形使用者介面進行設備之必需操作。
圖13示意性說明根據實施例之檢測設備之另外實施例。該系統用於檢測樣本載物台88上之樣本90 (諸如基板)且包含帶電粒子束產生器81、聚光器透鏡模組82、探針形成物鏡模組83、帶電粒子束偏轉模組84、二次帶電粒子偵測器模組85及影像形成模組86。
帶電粒子束產生器81產生初級帶電粒子束91。聚光透鏡模組82將所產生之初級帶電粒子束91聚光。探針形成物鏡模組83將經聚光初級帶電粒子束聚焦為帶電粒子束探針92。帶電粒子束偏轉模組84在緊固於樣本載物台88上之樣本90上的所關注區域之表面上掃描所形成之帶電粒子束探針92。在實施例中，帶電粒子束產生器81、聚光器透鏡模組82及探針形成物鏡模組83或其等效設計、替代方案或其任何組合一起形成產生掃描帶電粒子束探針92之帶電粒子束探針產生器。
二次帶電粒子偵測器模組85偵測在由帶電粒子束探針92轟擊後即自樣本表面發射之二次帶電粒子93 (亦可能與來自樣本表面之其他反射或散射帶電粒子一起)以產生二次帶電粒子偵測信號94。影像形成模組86 (例如，運算裝置)與二次帶電粒子偵測器模組85耦接以自二次帶電粒子偵測器模組85接收二次帶電粒子偵測信號94且相應地形成至少一個經掃描影像。在實施例中，二次帶電粒子偵測器模組85及影像形成模組86或其等效設計、替代方案或其任何組合一起形成影像形成設備，該影像形成設備自由帶電粒子束探針92轟擊之樣本90發射的偵測到之二級帶電粒子形成經掃描影像。
在實施例中，監測模組87耦接至影像形成設備之影像形成模組86以對圖案化程序進行監測、控制等，及/或使用自影像形成模組86接收到之樣本90的經掃描影像來導出用於圖案化程序設計、控制、監測等之參數。因此，在實施例中，監測模組87經組態或經程式化以致使執行本文中所描述之方法。在實施例中，監測模組87包含運算裝置。在實施例中，監測模組87包含用以提供本文中之功能性且經編碼於形成監測模組87或安置於監測模組87內之電腦可讀媒體上之電腦程式。
可使用以下條項來進一步描述實施例： 1.    一種非暫時性電腦可讀媒體，其具有指令，該等指令在由電腦執行時致使電腦執行用於訓練機器學習模型之方法，該方法包含： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AE影像，其中經預測AE影像對應於自其獲得AD影像之輸入AD影像的位置。 2.    如條項1之電腦可讀媒體，其中訓練機器學習模型為反覆程序，且其中每一反覆包括： 經由機器學習模型之AE產生器模型使用輸入AD影像產生經預測AE影像；及 經由機器學習模型之AE鑑別器模型判定經預測AE影像是否分類為真實或虛假影像。 3.    如條項2之電腦可讀媒體，其中判定經預測AE影像是否分類為真實或虛假影像包括： 運算指示經預測AE影像分類為虛假且AE影像分類為真實之第一成本函數，其中第一成本函數進一步基於一組程序相關參數來運算； 調整AE鑑別器模型之參數以最大化第一成本函數；及 調整AE產生器模型之參數以最小化第一成本函數。 4.    如條項3之電腦可讀媒體，其進一步包含： 經由機器學習模型之AD產生器模型使用經預測AE影像產生環狀AD影像； 運算指示環狀AD影像與輸入AD影像之間的差之第二成本函數；及 調整AD產生器模型或AE產生器模型之參數以最小化第二成本函數。 5.    如條項4之電腦可讀媒體，其中訓練包括在每一反覆中藉由不同AD影像及AE影像訓練機器學習模型，直至AE鑑別器模型判定經預測AE影像是否分類為真實影像為止。 6.    如條項5之電腦可讀媒體，其中AE鑑別器模型在第一成本函數或第二成本函數被最小化時判定經預測AE影像是否分類為真實影像。 7.    如條項3之電腦可讀媒體，其中該組程序相關參數包括與用於在基板上形成圖案之一或多個程序相關聯的參數。 8.    如條項2之電腦可讀媒體，其中反覆包括： 經由機器學習模型之AD產生器模型使用AE影像之參考AE影像產生經預測AD影像；及 經由機器學習模型之AD鑑別器模型判定經預測AD影像是否分類為真實或虛假影像。 9.    如條項8之電腦可讀媒體，其中判定經預測AD影像是否分類為真實或虛假影像包括： 運算指示經預測AD影像分類為虛假且AD影像分類為真實之第三成本函數，其中第三成本函數進一步基於一組程序相關參數來運算； 調整AD鑑別器模型之參數以最大化第三成本函數；及 調整AD產生器模型之參數以最小化第三成本函數。 10.      如條項9之電腦可讀媒體，其進一步包含： 經由AE產生器模型使用經預測AD影像產生環狀AE影像； 運算指示環狀AE影像與參考AE影像之間的差之第四成本函數；及 調整AD產生器模型或AE產生器模型之參數以最小化第四成本函數。 11.      如條項10之電腦可讀媒體，其中訓練包括在每一反覆中藉由不同AD影像及AE影像訓練機器學習模型，直至AD鑑別器模型判定經預測AD影像是否分類為真實影像為止。 12.      如條項11之電腦可讀媒體，其中AD鑑別器模型在第三成本函數或第四成本函數被最小化時判定經預測AD影像是否分類為真實影像。 13.      如條項5及10之電腦可讀媒體，其中訓練包括訓練機器學習模型直至(i)第一成本函數、第二成本函數、第三成本函數或第四成本函數被最小化，或(ii)AE鑑別器模型判定經預測AE影像是否分類為真實影像且AD鑑別器模型判定經預測AD影像是否分類為真實影像為止。 14.      如條項1之電腦可讀媒體，其中基板包括複數個區，且其中該組不成對AD及AE影像係自該等區之同一區獲得。 15.      如條項1之電腦可讀媒體，其進一步包含： 接收與基板相關聯之新的AD影像；及 經由AE產生器模型使用新的AD影像產生新的經預測AE影像。 16.      如條項15之電腦可讀媒體，其進一步包含： 基於新的經預測AE影像獲得一或多個參數，其中一或多個參數與用於在基板上形成圖案之設備或程序相關聯；及 基於一或多個參數調整設備或程序。 17.      如條項15之電腦可讀媒體，其中新的AD影像係自基板之自其獲得該組不成對AD影像及AE影像之同一區獲得以訓練機器學習模型。 18.      如條項1之電腦可讀媒體，其進一步包含： 接收與基板相關聯之新的AE影像；及 經由AD產生器模型使用新的AE影像產生新的經預測AD影像。 19.      如條項17之電腦可讀媒體，其中新的AE影像係自基板之自其獲得該組不成對AD影像及AE影像之同一區獲得以訓練機器學習模型。 20.      如條項1之電腦可讀媒體，其進一步包含： 藉由機器學習模型接收(a)與第一基板相關聯之新的AD影像及(b)與第二基板相關聯之AE影像；及 藉由機器學習模型使用新的AD影像產生新的經預測AE影像，及(b)使用新的AE影像產生新的經預測AD影像。 21.      如條項1之電腦可讀媒體，其中該組不成對AD影像及AE影像係自影像捕捉裝置獲得且對應於印刷於基板上之圖案。 22.      一種非暫時性電腦可讀媒體，其具有指令，該等指令在由電腦執行時致使電腦執行用於訓練機器學習模型之方法，該方法包含： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以產生經預測AE影像，其中訓練包括： 訓練機器學習模型之AE產生器模型以自AD影像之輸入AD影像產生經預測AE影像，使得基於輸入AD影像及經預測AE影像判定之第一成本函數減少，及 訓練機器學習模型之AD產生器模型以自AE影像之參考AE影像產生經預測AD影像，使得基於參考AE影像及經預測AD影像判定之第二成本函數減少。 23.      如條項22之電腦可讀媒體，其中訓練機器學習模型為反覆程序，且其中每一反覆包括： 藉由以下訓練AE產生器模型： 經由AE產生器模型使用輸入AD影像產生經預測AE影像，及 經由機器學習模型之AE鑑別器模型判定經預測AE影像是否分類為真實影像或虛假影像；及 藉由以下訓練AD產生器模型： 經由AD產生器模型使用參考AE影像產生經預測AD影像，及 經由機器學習模型之AD鑑別器模型判定經預測AD影像是否分類為真實影像或或虛假影像。 24.      如條項23之電腦可讀媒體，其中判定經預測AE影像是否分類為真實或虛假影像包括： 運算指示經預測AE影像分類為虛假且AE影像分類為真實之第一成本函數，其中第一成本函數進一步基於一組程序相關參數來運算； 調整AE鑑別器模型之參數以最大化第一成本函數；及 調整AE產生器模型之參數以最小化第一成本函數。 25.      如條項24之電腦可讀媒體，其進一步包含： 經由AD產生器模型使用經預測AE影像產生環狀AD影像； 進一步基於環狀AD影像與輸入AD影像之間的差運算第一成本函數；及 調整AD產生器模型或AE產生器模型之參數以最小化第一成本函數。 26.      如條項23之電腦可讀媒體，其中判定經預測AD影像是否分類為真實或虛假影像包括： 運算指示經預測AD影像分類為虛假且AD影像分類為真實之第二成本函數，其中第二成本函數進一步基於一組程序相關參數來運算； 調整AD鑑別器模型之參數以最大化第二成本函數；及 調整AD產生器模型之參數以最小化第二成本函數。 27.      如條項26之電腦可讀媒體，其進一步包含： 經由AE產生器模型使用經預測AD影像產生環狀AE影像； 進一步基於環狀AE影像與參考AE影像之間的差運算第二成本函數；及 調整AD產生器模型或AE產生器模型之參數以最小化第二成本函數。 28.      如條項23之電腦可讀媒體，其中訓練包括訓練機器學習模型，直至AE鑑別器模型判定經預測AE影像是否分類為真實影像或AD鑑別器模型判定經預測AD影像是否分類為真實影像為止。 29.      如條項22之電腦可讀媒體，其進一步包含： 接收與基板相關聯之新的AD影像；及 使用AD影像藉由AE產生器模型產生新的經預測AE影像。 30.      如條項22之電腦可讀媒體，其進一步包含： 接收與基板相關聯之新的AE影像；及 經由AD產生器模型使用新的AE影像產生新的經預測AD影像。 31.      一種非暫時性電腦可讀媒體，其具有指令，該等指令在由電腦執行時致使電腦執行用於訓練機器學習模型之方法，該方法包含： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AD影像，其中經預測AD影像對應於自其獲得AE影像之輸入AE影像的位置。 32.      一種非暫時性電腦可讀媒體，其具有指令，該等指令在由電腦執行時致使電腦執行用於訓練機器學習模型之方法，該方法包含： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AE影像及經預測AD影像，其中經預測AE影像對應於自其獲得AD影像之輸入AD影像的位置，且其中經預測AD影像對應於自其獲得AE影像之輸入AE影像的位置。 33.      如條項32之電腦可讀媒體，其中訓練機器學習模型為反覆程序，且其中每一反覆包括： 經由機器學習模型使用輸入AD影像產生經預測AE影像；及 經由機器學習模型判定經預測AE影像是否分類為真實或虛假影像。 34.      如條項33之電腦可讀媒體，其中判定經預測AE影像是否分類為真實或虛假影像包括： 運算指示經預測AE影像分類為虛假且AE影像分類為真實之第一成本函數，其中第一成本函數進一步基於一組程序相關參數來運算；及 基於第一成本函數調整機器學習模型之參數。 35.      如條項34之電腦可讀媒體，其進一步包含： 經由機器學習模型使用經預測AE影像產生環狀AD影像； 運算指示環狀AD影像與輸入AD影像之間的差之第二成本函數；及 調整機器學習模型之參數以最小化第二成本函數。 36.      如條項35之電腦可讀媒體，其中訓練包括在每一反覆中藉由不同AD影像及AE影像訓練機器學習模型，直至經預測AE影像分類為真實影像為止。 37.      如條項36之電腦可讀媒體，其中當第一成本函數或第二成本函數被最小化時機器學習模型判定經預測AE影像是否分類為真實影像。 38.      如條項34之電腦可讀媒體，其中該組程序相關參數包括與用於在基板上形成圖案之一或多個程序相關聯的參數。 39.      如條項35之電腦可讀媒體，其中反覆包括： 經由機器學習模型使用AE影像之參考AE影像產生經預測AD影像；及 經由機器學習模型基於輸入AD影像判定經預測AD影像是否分類為真實或虛假影像。 40.      如條項39之電腦可讀媒體，其中判定經預測AD影像是否分類為真實或虛假影像包括： 運算指示經預測AD影像分類為虛假且AD影像分類為真實之第三成本函數，其中第三成本函數進一步基於一組程序相關參數來運算；及 基於第三成本函數調整機器學習模型之參數。 41.      如條項40之電腦可讀媒體，其進一步包含： 經由機器學習模型使用經預測AD影像產生環狀AE影像； 運算指示環狀AE影像與參考AE影像之間的差之第四成本函數；及 調整機器學習模型之參數以最小化第四成本函數。 42.      如條項41之電腦可讀媒體，其中訓練包括在每一反覆中藉由不同AD影像及AE影像訓練機器學習模型，直至經預測AD影像分類為真實影像為止。 43.      如條項42之電腦可讀媒體，其中機器學習模型判定在第三成本函數或第四成本函數被最小化時經預測AD影像是否分類為真實影像。 44.      如條項32之電腦可讀媒體，其進一步包含： 接收與基板相關聯之新的AD影像；及 經由機器學習模型使用新的AD影像產生新的經預測AE影像。 45.      如條項44之電腦可讀媒體，其進一步包含： 基於新的經預測AE影像獲得一或多個參數，其中一或多個參數與用於在基板上形成圖案之設備或程序相關聯；及 基於一或多個參數調整設備或程序。 46.      如條項32之電腦可讀媒體，其進一步包含： 接收與基板相關聯之新的AE影像；及 經由機器學習模型使用新的AE影像產生新的經預測AD影像。 47.      一種用於訓練機器學習模型之方法，該方法包含： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AE影像，其中經預測AE影像對應於自其獲得AD影像之輸入AD影像的位置。 48.      如條項47之方法，其中訓練機器學習模型為反覆程序，且其中每一反覆包括： 經由機器學習模型之AE產生器模型使用輸入AD影像產生經預測AE影像；及 經由機器學習模型之AE鑑別器模型判定經預測AE影像是否分類為真實或虛假影像。 49.      如條項48之方法，其中判定經預測AE影像是否分類為真實或虛假影像包括： 運算指示經預測AE影像分類為虛假且AE影像分類為真實之第一成本函數，其中第一成本函數進一步基於一組程序相關參數來運算； 調整AE鑑別器模型之參數以最大化第一成本函數；及 調整AE產生器模型之參數以最小化第一成本函數。 50.      如條項49之方法，其進一步包含： 經由機器學習模型之AD產生器模型使用經預測AE影像產生環狀AD影像； 運算指示環狀AD影像與輸入AD影像之間的差之第二成本函數；及 調整AD產生器模型或AE產生器模型之參數以最小化第二成本函數。 51.      如條項50之方法，其中訓練包括在每一反覆中藉由不同AD影像及AE影像訓練機器學習模型，直至AE鑑別器模型判定經預測AE影像是否分類為真實影像為止。 52.      如條項51之方法，其中AE鑑別器模型在第一成本函數或第二成本函數被最小化時判定經預測AE影像是否分類為真實影像。 53.      如條項49之方法，其中該組程序相關參數包括與用於在基板上形成圖案之一或多個程序相關聯的參數。 54.      如條項48之方法，其中反覆包括： 經由機器學習模型之AD產生器模型使用AE影像之參考AE影像產生經預測AD影像；及 經由機器學習模型之AD鑑別器模型判定經預測AD影像是否分類為真實或虛假影像。 55.      如條項54之方法，其中判定經預測AD影像是否分類為真實或虛假影像包括： 運算指示經預測AD影像分類為虛假且AD影像分類為真實之第三成本函數，其中第三成本函數進一步基於一組程序相關參數來運算； 調整AD鑑別器模型之參數以最大化第三成本函數；及 調整AD產生器模型之參數以最小化第三成本函數。 56.      如條項55之方法，其進一步包含： 經由AE產生器模型使用經預測AD影像產生環狀AE影像； 運算指示環狀AE影像與參考AE影像之間的差之第四成本函數；及 調整AD產生器模型或AE產生器模型之參數以最小化第四成本函數。 57.      如條項56之方法，其中訓練包括在每一反覆中藉由不同AD影像及AE影像訓練機器學習模型，直至AD鑑別器模型判定經預測AD影像是否分類為真實影像為止。 58.      如條項57之方法，其中AD鑑別器模型在第三成本函數或第四成本函數被最小化時判定經預測AD影像是否分類為真實影像。 59.      如條項47之方法，其中基板包括複數個區，且其中該組不成對AD及AE影像係自該等區之同一區獲得。 60.      如條項47之方法，其進一步包含： 接收與基板相關聯之新的AD影像；及 經由AE產生器模型使用新的AD影像產生新的經預測AE影像。 61.      如條項60之方法，其進一步包含： 基於新的經預測AE影像獲得一或多個參數，其中一或多個參數與用於在基板上形成圖案之設備或程序相關聯；及 基於一或多個參數調整設備或程序。 62.      如條項60之方法，其中新的AD影像係自基板之自其獲得該組不成對AD影像及AE影像之同一區獲得以訓練機器學習模型。 63.      如條項47之方法，其進一步包含： 接收與基板相關聯之新的AE影像；及 經由AD產生器模型使用新的AE影像產生新的經預測AD影像。 64.      如條項63之方法，其中新的AE影像係自基板之自其獲得該組不成對AD影像及AE影像之同一區獲得以訓練機器學習模型。 65.      如條項47之方法，其進一步包含： 藉由機器學習模型接收(a)與第一基板相關聯之新的AD影像及(b)與第二基板相關聯之AE影像；及 藉由機器學習模型使用新的AD影像產生新的經預測AE影像，及(b)使用新的AE影像產生新的經預測AD影像。 66.      如條項47之方法，其中該組不成對AD影像及AE影像係自影像捕捉裝置獲得且對應於印刷於基板上之圖案。 67.      一種用於訓練機器學習模型之方法，該方法包含： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AD影像，其中經預測AD影像對應於自其獲得AE影像之輸入AE影像的位置。 68.      一種用於訓練機器學習模型之方法，該方法包含： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AE影像及經預測AD影像，其中經預測AE影像對應於自其獲得AD影像之輸入AD影像的位置，且其中經預測AD影像對應於自其獲得AE影像之輸入AE影像的位置。 69.      一種用於訓練機器學習模型之設備，該設備包含： 記憶體，其儲存指令集；及 至少一個處理器，其經組態以執行該指令集以致使設備執行如下方法： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AE影像，其中經預測AE影像對應於自其獲得AD影像之輸入AD影像的位置。 70.      如條項69之設備，其中訓練機器學習模型為反覆程序，且其中每一反覆包括： 經由機器學習模型之AE產生器模型使用輸入AD影像產生經預測AE影像；及 經由機器學習模型之AE鑑別器模型判定經預測AE影像是否分類為真實或虛假影像。 71.      如條項70之設備，其中判定經預測AE影像分類是否為真實或虛假影像包括： 運算指示經預測AE影像分類為虛假且AE影像分類為真實之第一成本函數，其中第一成本函數進一步基於一組程序相關參數來運算； 調整AE鑑別器模型之參數以最大化第一成本函數；及 調整AE產生器模型之參數以最小化第一成本函數。 72.      如條項71之設備，其進一步包含： 經由機器學習模型之AD產生器模型使用經預測AE影像產生環狀AD影像； 運算指示環狀AD影像與輸入AD影像之間的差之第二成本函數；及 調整AD產生器模型或AE產生器模型之參數以最小化第二成本函數。 73.      如條項72之設備，其中訓練包括在每一反覆中藉由不同AD影像及AE影像訓練機器學習模型，直至AE鑑別器模型判定經預測AE影像是否分類為真實影像為止。 74.      如條項73之設備，其中AE鑑別器模型在第一成本函數或第二成本函數被最小化時判定經預測AE影像是否分類為真實影像。 75.      如條項71之設備，其中該組程序相關參數包括與用於在基板上形成圖案之一或多個程序相關聯的參數。 76.      如條項70之設備，其中反覆包括： 經由機器學習模型之AD產生器使用AE影像之參考AE影像模型產生經預測AD影像；及 經由機器學習模型之AD鑑別器模型判定經預測AD影像是否分類為真實或虛假影像。 77.      如條項76之設備，其中判定經預測AD影像是否分類為真實或虛假影像包括： 運算指示經預測AD影像分類為虛假且AD影像分類為真實之第三成本函數，其中第三成本函數進一步基於一組程序相關參數來運算； 調整AD鑑別器模型之參數以最大化第三成本函數；及 調整AD產生器模型之參數以最小化第三成本函數。 78.      如條項77之設備，其進一步包含： 經由AE產生器模型使用經預測AD影像產生環狀AE影像； 運算指示環狀AE影像與參考AE影像之間的差之第四成本函數；及 調整AD產生器模型或AE產生器模型之參數以最小化第四成本函數。 79.      如條項78之設備，其中訓練包括在每一反覆中藉由不同AD影像及AE影像訓練機器學習模型，直至AD鑑別器模型判定經預測AD影像是否分類為真實影像為止。 80.      如條項79之設備，其中AD鑑別器模型在第三成本函數或第四成本函數被最小化時判定經預測AD影像是否分類為真實影像。 81.      如條項69之設備，其中基板包括複數個區，且其中該組不成對AD及AE影像係自該等區之同一區獲得。 82.      如條項69之設備，其進一步包含： 接收與基板相關聯之新的AD影像；及 經由AE產生器模型使用新的AD影像產生新的經預測AE影像。 83.      如條項82之設備，其進一步包含： 基於新的經預測AE影像獲得一或多個參數，其中一或多個參數與用於在基板上形成圖案之設備或程序相關聯；及 基於一或多個參數調整設備或程序。 84.      如條項82之設備，其中新的AD影像係自基板之自其獲得該組不成對AD影像及AE影像之同一區獲得以訓練機器學習模型。 85.      如條項69之設備，其進一步包含： 接收與基板相關聯之新的AE影像；及 經由AD產生器模型使用新的AE影像產生新的經預測AD影像。 86.      如條項85之設備，其中新的AE影像係自基板之自其獲得該組不成對AD影像及AE影像之同一區獲得以訓練機器學習模型。 87.      如條項69之設備，其進一步包含： 藉由機器學習模型接收(a)與第一基板相關聯之新的AD影像及(b)與第二基板相關聯之AE影像；及 藉由機器學習模型使用新的AD影像產生新的經預測AE影像，及(b)使用新的AE影像產生新的經預測AD影像。 88.      如條項69之設備，其中該組不成對AD影像及AE影像係自影像捕捉裝置獲得且對應於印刷於基板上之圖案。 89.      一種用於訓練機器學習模型之設備，該設備包含： 記憶體，其儲存指令集；及 至少一個處理器，其經組態以執行該指令集以致使設備執行如下方法： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AD影像，其中經預測AD影像對應於自其獲得AE影像之輸入AE影像的位置。 90.      一種用於訓練機器學習模型之設備，該設備包含： 記憶體，其儲存指令集；及 至少一個處理器，其經組態以執行該指令集以致使設備執行如下方法： 獲得與基板相關聯之一組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自基板上與獲得AE影像之所有位置不同的位置獲得；及 訓練機器學習模型以基於AD影像及AE影像產生經預測AE影像及經預測AD影像，其中經預測AE影像對應於自其獲得AD影像之輸入AD影像的位置，且其中經預測AD影像對應於自其獲得AE影像之輸入AE影像的位置。 91.      一種用於使用機器學習模型自第二影像產生第一影像之設備，該設備包含： 記憶體，其儲存指令集；及 至少一個處理器，其經組態以執行該指令集以致使設備執行如下方法： 獲得與給定基板相關聯之給定顯影後(AD)影像，其中給定AD影像對應於給定基板上之給定位置；及 經由機器學習模型使用給定AD影像產生給定經預測蝕刻後(AE)影像，其中給定經預測AE影像對應於給定位置，其中機器學習模型經訓練以使用與基板相關聯之一組不成對AD影像及AE影像產生經預測AE影像。 92.      如條項91之設備，其中該組不成對AD影像及AE影像中之每一AD影像係在基板上與獲得AE影像之所有位置不同的位置獲得。 93.      如條項91之設備，其中產生給定經預測AE影像包括： 藉由以下訓練機器學習模型： 經由機器學習模型使用AD影像之輸入AD影像產生經預測AE影像，及 經由機器學習模型判定經預測AE影像是否分類為真實影像或虛假影像。 94.      如條項93之設備，其中判定經預測AE影像是否分類為真實或虛假影像包括： 運算指示經預測AE影像分類為虛假且AE影像分類為真實之第一成本函數，其中第一成本函數進一步基於一組程序相關參數來運算；及 基於第一成本函數調整機器學習模型之參數。 95.      如條項94之設備，其進一步包含： 經由機器學習模型使用經預測AE影像產生環狀AD影像； 進一步基於環狀AD影像與輸入AD影像之間的差運算第一成本函數；及 基於第一成本函數調整機器學習模型之參數。 96.      如條項95之設備，機器學習模型藉由來自該組不成對AD及AE影像之不同AD影像及AE影像進行反覆訓練，直至經預測AE影像分類為真實影像為止或直至第一成本函數被最小化為止。 97.      一種用於使用機器學習模型自第二影像產生第一影像之設備，該設備包含： 記憶體，其儲存指令集；及 至少一個處理器，其經組態以執行該指令集以致使設備執行如下方法： 獲得與給定基板相關聯之給定蝕刻後(AE)影像，其中給定AE影像對應於給定基板上之給定位置；及 經由機器學習模型使用給定AE影像產生給定經預測顯影後(AD)影像，其中給定經預測AD影像對應於給定位置，其中機器學習模型經訓練以使用與基板相關聯之一組不成對AD影像及AE影像產生經預測AD影像。 98.      一種非暫時性電腦可讀媒體，其上記錄有指令，該等指令在由電腦執行時實施如以上條項中之任一項之方法。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上之成像，但應理解，所揭示概念可供與任何類型之微影成像系統一起使用，例如用於在除矽晶圓以外之的基板上之成像之微影成像系統。
雖然上文已描述特定實施例，但應瞭解，可以與所描述之方式不同的其他方式來實踐本發明。舉例而言，實施例可採取以下形式：電腦程式，其含有描述如上文所揭示之方法的機器可讀指令之一或多個序列；或非暫時性資料儲存媒體(例如，半導體記憶體、磁碟或光碟)，其中儲存有此電腦程式；或暫時性媒體，其中有此電腦程式。此外，機器可讀指令可實施於兩個或更多個電腦程式中。可將兩個或多於兩個電腦程式儲存於一或多個不同資料儲存媒體上。
出於清楚起見，圖式中之組件之相對尺寸可經放大。在圖式之描述內，相同或類似參考編號係指相同或類似組件或實體，且僅描述相對於個別實施例之差異。如本文中所使用，除非另外特定陳述，否則術語「或」涵蓋所有可能組合，除非不可行。舉例而言，若陳述組件可包括A或B，則除非另外特定陳述或不可行，否則組件可包括A，或B，或A及B。作為第二實例，若陳述組件可包括A、B或C，則除非另外具體陳述或不可行，否則組件可包括A，或B，或C，或A及B，或A及C，或B及C，或A及B及C。
應瞭解，本發明之實施例不限於已在上文所描述及在隨附圖式中所說明之確切構造，且可在不脫離本發明之範疇之情況下作出各種修改及改變。本發明已結合各種實施例進行描述，藉由考慮本文中所揭示之本發明之規格及實踐，本發明之其他實施例對於熟習此項技術者將為顯而易見的。意欲本說明書及實例僅視為例示性的，其中本發明之真正範疇及精神藉由以下申請專利範圍指示。
上方描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。
31:源模型 32:投影光學器件模型 35:圖案化裝置模型 36:空中影像 37:抗蝕劑模型 38:抗蝕劑影像 39:蝕刻模型 40:蝕刻影像 81:帶電粒子束產生器 82:聚光器透鏡模組 83:探針形成物鏡模組 84:帶電粒子束偏轉模組 85:二次帶電粒子偵測器模組 86:影像形成模組 87:監測模組 90:樣本 91:初級帶電粒子束 92:帶電粒子束探針 93:二次帶電粒子 94:二次帶電粒子偵測信號 400:影像產生器模型 405:AD影像 410:經預測AE影像 415:AE影像 420:經預測AD影像 505:成對影像資料集 506:影像對 510:不成對資料集 525:AD影像 526:AD影像 535:AE影像 536:AE影像 605:經預測AE影像 626:環狀AD影像 636:環狀AE影像 650:關鍵效能指示符 655:經預測AD影像 705:基板 710:第一區 715:位置 720:第二區 725:位置 810:操作 820:操作 910:操作 920:操作 930:操作 940:操作 950:操作 951:操作 952:操作 953:操作 955:操作 956:操作 957:操作 1010:操作 1020:操作 2310:基板 2312:基板台 2320:電子束檢測設備 2322:電子源 2324:初級電子束 2326:聚光透鏡 2328:光束偏轉器 2330:E×B偏轉器 2332:物鏡 2334:二次電子偵測器 2336:類比/數位轉換器 2350:影像處理系統 2352:儲存媒體 2354:顯示裝置 2356:記憶體 2358:處理單元 AD:調整器 AS:對準感測器 B:輻射光束 BD:光束遞送系統 BK:烘烤板 BS:匯流排 CC:游標控制件 CH:冷卻板 CI:通信介面 CO:聚光器 CS:電腦系統 DE:顯影器 DS:顯示器 HC:主機電腦 I/O1:輸入/輸出埠 I/O2:輸入/輸出埠 ID:輸入裝置 IF:位置感測器 IL:照射系統/照明器 IN:積光器 INT:網際網路 LA:微影設備 LACU:微影控制單元 LAN:區域網路 LB:裝載匣 LC:微影單元 LS:位階感測器 M1:圖案化裝置對準標記 M2:圖案化裝置對準標記 MA:圖案化裝置 MET:度量衡系統 MM:主記憶體 MT:支撐結構 NDL:網路資料鏈路 P1:基板對準標記 P2:基板對準標記 PM:第一定位器 PRO:處理器 PW:第二定位器 RF:參考框架 RO:機器人 ROM:唯讀記憶體 SC:旋塗器 SCS:監督控制系統 SD:儲存裝置 SO:輻射源 TCU:塗佈顯影系統控制單元 W:基板 WTa:基板台 WTb:基板台 X:方向 Y:方向 Z:方向
併入本說明書中且構成本說明書之一部分之隨附圖式展示本文中所揭示之主題的某些態樣，且與描述一起有助於解釋與所揭示實施例相關聯之一些原理。在圖式中，
圖1示意性地描繪根據一或多個實施例之微影設備LA。
圖2示意性地描繪根據一或多個實施例之微影單元或群集的實施例。
圖3說明根據一或多個實施例之用於微影投影設備中之模擬微影的流程圖。
圖4A為根據一或多個實施例之用於產生經預測蝕刻後(AE)影像的影像產生器模型之方塊圖。
圖4B為根據一或多個實施例之用於產生經預測顯影後(AD)影像之影像產生器模型的方塊圖。
圖5說明根據一或多個實施例之訓練資料集。
圖6A為根據一或多個實施例之訓練影像產生器模型以預測AE影像之方塊圖。
圖6B為根據一或多個實施例之訓練影像產生器模型以預測AD影像之方塊圖。
圖7示意性地描繪根據一或多個實施例之用於訓練影像產生器模型之訓練資料集的製備。
圖8為根據一或多個實施例之用於訓練經組態以產生經預測AE影像(及/或經預測AD影像)之影像產生器模型的程序之流程圖。
圖9A為根據一或多個實施例之用於訓練影像產生器模型以產生經預測AE影像或經預測AD影像之另一程序的流程圖。
圖9B為根據一或多個實施例的用於最小化與產生經預測AE影像相關聯之第一成本函數之方法的流程圖。
圖9C為根據一或多個實施例之用於最小化與產生經預測AD影像相關聯之第二成本函數之方法的流程圖。
圖10為根據一或多個實施例之用於使用影像產生器模型產生經預測AE影像之程序的流程圖。
圖11為根據一或多個實施例之實例電腦系統CS之方塊圖，該電腦系統CS可輔助實施本文中所揭示之方法、流程、模組、組件或設備。
圖12示意性地描繪根據一或多個實施例之電子束檢測設備的實施例。
圖13示意性地說明根據一或多個實施例之檢測設備的另外實施例。
400:影像產生器模型
526:AD影像
535:AE影像
536:AE影像
605:經預測AE影像
626:環狀AD影像
650:關鍵效能指示符

Claims (14)

  1. 一種非暫時性電腦可讀媒體，其具有指令，該等指令在由一電腦執行時致使該電腦執行用於訓練複數個機器學習模型之一第一及一第二機器學習模型之一方法，該方法包含：獲得與包含複數個區之一基板相關聯之一第一組及一第二組不成對顯影後(AD)影像及蝕刻後(AE)影像，其中每一AD影像係自該基板上與獲得該等AE影像之所有位置不同的一位置獲得，其中該第一組及該第二組之不成對AD及AE影像係分別自該複數個區之一第一區及一第二區獲得；及訓練該複數個機器學習模型之該第一機器學習模型及該第二機器學習模型以分別基於該等第一組及第二組不成對AD影像及AE影像之該等AD影像及該等AE影像產生一經預測AE影像，其中該經預測AE影像對應於自其獲得該等AD影像之一輸入AD影像的一位置。
  2. 如請求項1之電腦可讀媒體，其中訓練該機器學習模型為一反覆程序，且其中每一反覆包括：經由該機器學習模型之一AE產生器模型使用該輸入AD影像產生該經預測AE影像；及經由該機器學習模型之一AE鑑別器模型判定該經預測AE影像是否分類為一真實或虛假影像。
  3. 如請求項2之電腦可讀媒體，其中判定該經預測AE影像是否分類為一真實或虛假影像包括： 運算指示經預測AE影像分類為虛假且該等AE影像分類為真實之一第一成本函數，其中該第一成本函數進一步基於一組程序相關參數來運算；調整該AE鑑別器模型之參數以最大化該第一成本函數；及調整該AE產生器模型之參數以最小化該第一成本函數。
  4. 如請求項3之電腦可讀媒體，其進一步包含：經由該機器學習模型之一AD產生器模型使用該經預測AE影像產生一環狀AD影像；運算指示該環狀AD影像與該輸入AD影像之間的一差之一第二成本函數；及調整該AD產生器模型或該AE產生器模型之參數以最小化該第二成本函數。
  5. 如請求項4之電腦可讀媒體，其中該訓練包括在每一反覆中藉由一不同AD影像及一AE影像訓練該機器學習模型，直至該AE鑑別器模型判定該經預測AE影像是否分類為一真實影像為止。
  6. 如請求項5之電腦可讀媒體，其中該AE鑑別器模型在該第一成本函數或該第二成本函數被最小化時判定該經預測AE影像是否分類為一真實影像。
  7. 如請求項3之電腦可讀媒體，其中該組程序相關參數包括與用於在該基板上形成一圖案之一或多個程序相關聯的參數。
  8. 如請求項2之電腦可讀媒體，其中該反覆包括：經由該機器學習模型之一AD產生器模型使用該等AE影像之一參考AE影像產生一經預測AD影像；及經由該機器學習模型之一AD鑑別器模型判定該經預測AD影像是否分類為一真實或虛假影像。
  9. 如請求項8之電腦可讀媒體，其中判定該經預測AD影像是否分類為一真實或虛假影像包括：運算指示經預測AD影像分類為虛假且該等AD影像分類為真實之一第三成本函數，其中該第三成本函數進一步基於一組程序相關參數來運算；調整該AD鑑別器模型之參數以最大化該第三成本函數；及調整該AD產生器模型之參數以最小化該第三成本函數。
  10. 如請求項9之電腦可讀媒體，其進一步包含：經由該AE產生器模型使用該經預測AD影像產生一環狀AE影像；運算指示該環狀AE影像與該參考AE影像之間的一差之一第四成本函數；及調整該AD產生器模型或該AE產生器模型之參數以最小化該第四成本函數。
  11. 如請求項10之電腦可讀媒體，其中該訓練包括在每一反覆中藉由一 不同AD影像及一AE影像訓練該機器學習模型，直至該AD鑑別器模型判定該經預測AD影像是否分類為一真實影像為止。
  12. 如請求項11之電腦可讀媒體，其中該AD鑑別器模型在該第三成本函數或該第四成本函數被最小化時判定該經預測AD影像是否分類為一真實影像。
  13. 如請求項5之電腦可讀媒體，其中該訓練包括訓練該機器學習模型直至(i)該第一成本函數、該第二成本函數、該第三成本函數或該第四成本函數被最小化，或(ii)該AE鑑別器模型判定該經預測AE影像是否分類為一真實影像且該AD鑑別器模型判定該經預測AD影像是否分類為一真實影像為止。
  14. 一種用於自一第二影像產生一第一影像之設備，該設備包含：一記憶體，其儲存一指令集；及至少一個處理器，其經組態以執行該指令集以致使該設備執行如下一方法：獲得與一給定基板相關聯之一第一給定蝕刻後(AE)影像，其中該第一給定AE影像對應於該給定基板上之一第一給定位置；經由複數個機器學習模型之一第一機器學習模型使用該第一給定AE影像產生一第一給定經預測顯影後(AD)影像，其中該第一給定經預測AD影像對應於該第一給定位置，獲得與該給定基板相關聯之一第二給定AE影像，其中該第二給定AE影像對應於該給定基板上之一第二給定位置；及 經由該複數個機器學習模型之一第二機器學習模型使用該第二給定AE影像產生一第二給定經預測AD影像，其中該第二給定經預測AD影像對應於該第二給定位置，其中該等第一及第二機器學習模型經訓練以使用與包含複數個區之一基板相關聯之一第一組及一第二組不成對AD影像及AE影像產生若干經預測AD影像；其中該第一組及該第二組不成對AD影像及AE影像係分別自該複數個區之一第一區及一第二區獲得。
TW110147829A 2020-12-22 2021-12-21 基於機器學習的顯影後或蝕刻後影像之影像產生 TWI796056B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20216767.2 2020-12-22
EP20216767.2A EP4020085A1 (en) 2020-12-22 2020-12-22 Machine learning based image generation of after-development or after-etch images

Publications (2)

Publication Number Publication Date
TW202242557A TW202242557A (zh) 2022-11-01
TWI796056B true TWI796056B (zh) 2023-03-11

Family

ID=73856947

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110147829A TWI796056B (zh) 2020-12-22 2021-12-21 基於機器學習的顯影後或蝕刻後影像之影像產生

Country Status (6)

Country Link
US (1) US20240020961A1 (zh)
EP (1) EP4020085A1 (zh)
KR (1) KR20230123967A (zh)
CN (1) CN116685909A (zh)
TW (1) TWI796056B (zh)
WO (1) WO2022135923A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7596106B2 (ja) * 2020-09-28 2024-12-09 キヤノン株式会社 情報処理装置、検査方法、プログラム、露光装置、決定方法、及び物品の製造方法
JP2025527982A (ja) * 2022-07-25 2025-08-26 エーエスエムエル ネザーランズ ビー．ブイ． 予測データを生成するためのモデルの訓練
CN117518747B (zh) * 2024-01-05 2024-04-05 华芯程(杭州)科技有限公司 一种光刻量测强度的生成方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202032256A (zh) * 2018-12-28 2020-09-01 荷蘭商Ａｓｍｌ荷蘭公司 基於自印刷基板之測量回饋判定圖案排序

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007030704A2 (en) 2005-09-09 2007-03-15 Brion Technologies, Inc. System and method for mask verification using an individual mask error model
CN119963971A (zh) * 2018-02-23 2025-05-09 Asml荷兰有限公司 用于图案的语义分段的深度学习
CN118915395A (zh) * 2018-10-17 2024-11-08 Asml荷兰有限公司 用于生成特性图案和训练机器学习模型的方法
CN113454532A (zh) * 2019-02-21 2021-09-28 Asml荷兰有限公司 训练机器学习模型以确定掩模的光学邻近效应校正的方法
CN113454533B (zh) * 2019-02-25 2025-04-01 Asml荷兰有限公司 用于确定印刷图案的随机变化的方法
US12271114B2 (en) * 2019-04-04 2025-04-08 Asml Netherlands B.V. Method and apparatus for predicting substrate image

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202032256A (zh) * 2018-12-28 2020-09-01 荷蘭商Ａｓｍｌ荷蘭公司 基於自印刷基板之測量回饋判定圖案排序

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
期刊 Shao et al., "From IC Layout to Die Photograph: A CNN-Based Data-Driven Approach", IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, Volume 40, Number 5, 10 August 2020, pages 957 to 970
期刊 Zhu Et al., "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", Arxiv.org, Cornell University Library, 201 Olin Library Cornell University Ithaca, NY 14853, 30 March 2017, pages 2223 to 2232;期刊 Yi et al, "DualGAN: Unsupervised Dual Learning for Image-to-Image Translation", 2017 IEEE International Conference on Computer Vision （ICCV）, IEEE, 22 October 201, pages 2849 to 2857;期刊 Sim et al., "Automatic correction of lithography hotspots with a deep generative model", SPIE Proceedings, Volume 10961, 20 March 2019, pages 1096105-1 to 1096105-13;期刊 Shao et al., "From IC Layout to Die Photograph: A CNN-Based Data-Driven Approach", IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, Volume 40, Number 5, 10 August 2020, pages 957 to 970 *

Also Published As

Publication number Publication date
US20240020961A1 (en) 2024-01-18
EP4020085A1 (en) 2022-06-29
CN116685909A (zh) 2023-09-01
TW202242557A (zh) 2022-11-01
KR20230123967A (ko) 2023-08-24
WO2022135923A1 (en) 2022-06-30

Similar Documents

Publication Publication Date Title
US12500063B2 (en) Method and apparatus for inspection
TWI808901B (zh) 用於訓練圖案化製程之機器學習模型之方法及電腦程式產品
KR102803747B1 (ko) 시뮬레이션 시스템을 위한 웨이퍼 층의 에칭 프로파일을 결정하는 방법
TWI749386B (zh) 用於判定經組態以預測經受圖案化程序之基板上之圖案的特性的機率模型之方法及電腦程式產品
TWI691803B (zh) 量測方法及裝置
CN114026500B (zh) 在半导体制造过程中应用沉积模式的方法
CN113196173A (zh) 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法
TWI749355B (zh) 用於校正圖案化程序之度量衡資料之方法及相關的電腦程式產品
TW202134796A (zh) 基於機器學習的影像產生以用於模型基礎對準
TWI682473B (zh) 處理參數之間接判定
US10712672B2 (en) Method of predicting patterning defects caused by overlay error
TWI660235B (zh) 判定一經圖案化基板之一參數的方法及非暫時性電腦程式產品
TWI796056B (zh) 基於機器學習的顯影後或蝕刻後影像之影像產生
TW202020577A (zh) 基於晶圓量測判定熱點排序
TW201935312A (zh) 預掃描特徵判定之方法及系統
TWI807819B (zh) 確保橫越度量衡工具之參數量測匹配之系統與方法
TWI821797B (zh) 執行判定度量衡標記結構之方法的非暫時性電腦可讀媒體
TWI854239B (zh) 檢測資料篩選系統及方法
TWI834076B (zh) 用於測量圖案之裝置及相關的非暫時性電腦可讀媒體
TW202349130A (zh) 基於模板輪廓之自適應加權之影像分析