[go: up one dir, main page]

TWI733296B - 性質結合內插及預測之設備及方法 - Google Patents

性質結合內插及預測之設備及方法 Download PDF

Info

Publication number
TWI733296B
TWI733296B TW109100143A TW109100143A TWI733296B TW I733296 B TWI733296 B TW I733296B TW 109100143 A TW109100143 A TW 109100143A TW 109100143 A TW109100143 A TW 109100143A TW I733296 B TWI733296 B TW I733296B
Authority
TW
Taiwan
Prior art keywords
data
output
input
substrate
dimensional
Prior art date
Application number
TW109100143A
Other languages
English (en)
Other versions
TW202043929A (zh
Inventor
法赫 哈希比
迪傑克 里昂 保羅 凡
邁倫 拉蕊娜嘉
亞力山大 伊瑪
哈倫 理查 喬哈奈 法蘭西卡斯 凡
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
Priority claimed from EP19164072.1A external-priority patent/EP3712817A1/en
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202043929A publication Critical patent/TW202043929A/zh
Application granted granted Critical
Publication of TWI733296B publication Critical patent/TWI733296B/zh

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

根據本發明之一態樣，提供一種用於預測與一產品單元相關聯之一性質之方法。該方法可包含：獲得複數個資料集，其中該複數個資料集中之每一者包含與一參數橫跨該產品單元之一空間分佈相關聯的資料；將該複數個資料集中之每一者表示為一多維目標；獲得藉由先前獲得之多維目標及先前產品單元之性質訓練的一廻旋神經網路模型；及將該廻旋神經網路模型應用於表示該複數個資料集之該複數個多維目標，以預測與該產品單元相關聯之該性質。

Description

性質結合內插及預測之設備及方法
本發明係關於用於預測與產品單元相關聯之性質之方法及設備。具體言之，本發明係關於使用廻旋神經網路基於複數個多維資料集預測性質。
微影設備為經建構以將所要圖案塗覆至基板上之機器。微影設備可用於例如積體電路(IC)之製造中。微影設備可例如將圖案化裝置(例如光罩)處之圖案(亦通常被稱作「設計佈局」或「設計」)投影至提供於基板(例如晶圓)上之輻射敏感材料(抗蝕劑)層上。
低k1微影可用以處理尺寸小於微影設備之典型解析度極限的特徵。在此製程中，可將解析度公式表示為CD=k1×λ/NA，其中λ為所使用輻射之波長，NA為微影設備中之投影光學件之數值孔徑，CD為「臨界尺寸」(通常為經印刷之最小特徵大小，但在此情況下為半間距)且k1為經驗解析度因數。一般而言，k1愈小，則愈難以在基板上再生類似於由電路設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案。為克服此等困難，可將複雜微調步驟應用於微影投影設備及/或設計佈局。此等步驟包括例如(但不限於)最佳化NA、定製照明流程、使用相移 圖案化裝置，設計佈局之各種最佳化，諸如設計佈局中之光學近接校正(OPC，有時亦被稱作「光學及製程校正」)或一般定義為「解析度提高技術」(RET)之其他方法。替代地，用於控制微影設備之穩定性之嚴格控制廻路可用以改良在低k1下之圖案之再生。
為改良微影設備之效能，可使用來自藉由微影設備投影至基板上之圖案的度量衡資料。度量衡資料可例如用以調整微影設備之一或多個圖案化參數，以改良來自圖案設計之實際圖案之再生。度量衡資料可例如用以預測基板上之圖案的性質。
不同微影度量衡可具有不同空間佈局。舉例而言，不同度量衡可已在橫跨基板之不同位置處經量測，或可已在基板上以不同解析度進行量測。基於複數個度量衡來預測圖案之性質係可能的。組合此等不同度量衡之當前方法已涉及將該等度量衡轉換為目標空間佈局，使得不同度量衡可呈相同空間佈局組合。然而，使用轉換資料用於性質預測可對預測之品質具有不利的影響。本發明涉及改良預測之品質且避免將度量衡資料轉換為目標佈局之步驟。
根據隨附申請專利範圍，本發明提供一種用於預測與一產品單元相關聯之一性質之方法；一種用於執行該方法之微影設備；一種用於根據該方法控制一微影設備之配方；一種包含用於執行該方法之指令之電腦程式以及一種含有該電腦程式之載體。
根據本發明之一態樣，提供一種用於預測與一產品單元相關聯之一性質之方法。該方法可包含：獲得複數個資料集，其中該複數個資料集中之每一者包含與一參數橫跨該產品之一空間分佈相關聯的資料； 將該複數個資料集中之每一者表示為一多維目標；獲得藉由先前獲得之多維目標及先前產品單元之性質訓練的一廻旋神經網路模型；及將該廻旋神經網路模型應用於表示該複數個資料集之該複數個多維目標，以預測與該產品單元相關聯之該性質。
視情況，該廻旋神經網路模型可包含複數個部分，該複數個部分包含一輸入部分、一合併部分及一輸出部分。
視情況，該輸入部分可包含複數個區段，每一區段經組態以接收該複數個該等多維目標中之每一者。該方法可進一步包含將該等多維目標中之每一者單獨地輸入至一各別一個區段，其中每一區段判定該各別多維目標之一輸入部分輸出。
視情況，每一部分可包含至少一種廻旋運算。
視情況，該方法可包含將該複數個輸入部分輸出輸入至該合併部分以判定一合併部分輸出。
視情況，該複數個多維目標中之一第一者及一第二者關於彼此具有不同佈局，且該輸入部分轉換該等不同佈局使得對應於該複數個多維目標中之該第一者及該複數個多維目標中之第二者之該等輸入部分輸出具有一共同佈局。
視情況，該方法可進一步包含：在該輸入部分中將一或多個第一濾波器應用於該複數個多維目標中之該第一者且在該輸入部分中將一或多個第二濾波器應用於該複數個多維目標中之該第二者；其中該一或多個第一濾波器之該應用及該一或多個第二濾波器之該應用經設定為判定對應於該複數個多維目標中之該第一者及第二者之該等輸入部分輸出之該共同佈局。
視情況，該不同佈局可包含不同大小。
視情況，該等輸入部分輸出可包含具有相同大小之複數個潛伏表示。
視情況，該複數個多維目標中之一第一者及一第二者可關於彼此具有不同佈局。對應於該等第一及第二多維目標之該等輸入部分輸出可具有一共同佈局。
視情況，該方法可進一步包含在該輸入部分中將一或多個第一濾波器應用於該複數個多維目標中之該第一者，且將一或多個第二濾波器應用於該複數個多維目標中之該第二者。該一或多個第一濾波器之該等大小及該一或多個第二濾波器之該等大小可經設定以判定對應於該複數個多維目標中之該第一者及第二者之該等輸入部分輸出之該共同佈局。
視情況，該方法可進一步包含將該合併部分輸出輸入至該輸出部分以判定該廻旋神經網路模型之一模型輸出。
視情況，每一部分可包含複數個層。
視情況，該複數個層中之至少一者可為一集區層。
視情況，該方法可進一步包含：獲得與該產品單元相關聯之訓練資料；基於該所獲得訓練資料訓練該廻旋神經網路模型，以預測包含於該等多維目標之一或多個特徵內之一資料特徵。該資料特徵可與包含於該訓練資料內之一預定義結構相關。
視情況，該訓練資料可包含用以圖案化一產品單元之一設備的一或多個性質。
視情況，一資料集中之該資料可為與資料點橫跨該產品單元之一空間分佈相關聯的度量衡資料。
視情況，該複數個資料集可包含該產品單元之對準資料、該產品單元之調平資料及用以圖案化該產品單元之一設備的疊對指紋特徵(overlay fingerprint)資料中之一或多者。
視情況，待預測之該性質可為一目標參數橫跨該產品單元之一空間分佈。
視情況，該目標參數可為疊對。
視情況，該性質可包含該產品單元之一分類。
視情況，該複數個資料集中之一者可具有與該複數個資料集中之至少另一者不同的解析度。
視情況，與一空間分佈相關聯之該資料可包含對應於該產品單元上之複數個位置的複數個資料點。該複數個資料集中之一第一者之該複數個位置可與該複數個資料集中之一第二者之該複數個位置不同。
視情況，該方法可進一步包含獲得對應於該複數個資料集之內容脈絡資料。該方法可進一步包含將該內容脈絡資料提供至該廻旋神經網路模型。
視情況，該方法可進一步包含訓練該廻旋神經網路以預測包含於該等多維目標之特徵內之一目標結構，其中該目標結構與包含於該內容脈絡資料內之一預定義結構相關。
視情況，將該廻旋神經網路模型應用於該複數個多維目標可判定一模型輸出，其中該模型輸出可包含該性質或一分類。
視情況，將該廻旋神經網路模型應用於該複數個多維目標可判定一模型輸出，其中該方法可進一步包含藉由對該模型輸出執行一或多個處理步驟來預測該性質。
視情況，其中該分類為識別以下中之一或多者之一分類標籤：根據該等產品單元之一性質之一組產品單元；一二元指示符，其表示該資料在一預定分類內之位置。
視情況，該方法可進一步包含將該經預測性質提供至一微影設備以判定該設備之一或多個設定點。
視情況，與一產品單元相關聯之該性質可為使用一微影設備在該產品單元上形成的一圖案之一性質。
視情況，該產品單元可為一半導體基板。獲得複數個資料集可包含自一經處理半導體基板獲得度量衡資料。
根據本發明之另一態樣，提供一種微影設備，其包含經組態以根據上文及本文所描述之一方法預測一性質之一處理器。
視情況，該微影設備可進一步經組態以基於該經預測性質判定該微影設備之一或多個設定點。
根據本發明之另一態樣，提供一種用於控制一微影設備之配方，其包含與根據上文所述的一方法預測之一性質相關聯的一控制參數之一或多個設定點。
視情況，該控制參數可與控制該微影設備之一疊對誤差相關聯。
根據本發明之另一態樣，提供一種包含指令的電腦程式，該等指令當在至少一個處理器上執行時使得該至少一個處理器執行上文所述的一方法之步驟。
根據本發明之另一態樣，提供一種含有上文所述的該電腦程式的載體，其中該載體可為一電子信號、光學信號、無線電信號或非暫 時性電腦可讀儲存媒體中之一者。
102:步驟
104:步驟
106:步驟
108:步驟
AL:對準資料
ALX:第一通道
ALY:第二通道
B:輻射光束
BD:光束遞送系統
BK:烘烤板
C:目標部分
CH:冷卻板
CL:電腦系統
CTXD:內容脈絡資料
DE:顯影器
F:濾波器
IN:輸入
IF:位置量測系統
IL:照明系統
I/O1:輸入/輸出埠
I/O2:輸入/輸出埠
L1:層
Li:層
Li-1:層
Lj:層
Lk:層
Ln:層
LA:微影設備
LACU:微影控制單元
LB:裝載匣
LC:微影單元
LVL:調平資料
LVLZ:二維矩陣
M:矩陣
M1:光罩對準標記
M2:光罩對準標記
MA:圖案化裝置
MLT:合併潛伏表示
MT:光罩支撐件/度量衡工具
OUT:輸出
OVL:疊對指紋特徵資料
OVLx:第一通道
OVLY:第二通道
P1:基板對準標記
P2:基板對準標記
PEB:曝光後烘烤步驟
PM:第一定位器
PW:第二定位器
PS:投影系統
RO:機器人
SC:旋塗器
SCS:監督控制系統
SC1:第一標度
SC2:第二標度
SC3:第三標度
SLT:潛伏表示
SO:輻射源
TCU:塗佈顯影系統控制單元
W:基板
WT:基板支撐件
現在將參看隨附示意性圖式而僅藉助於實例來描述本發明之實施例，在該等圖式中：圖1描繪微影設備之示意性綜述；圖2描繪微影單元之示意性綜述；圖3描繪整體微影之示意圖，其表示最佳化半導體製造之三種關鍵技術之間的合作；圖4描繪根據本發明之一實施例之方法的流程圖；圖5描繪廻旋網路模型之結構之示意圖；圖6描繪應用於矩陣之一實例廻旋濾波器；及圖7描繪使用輸入度量衡資料之廻旋網路模型之結構的示意圖。
在本發明之文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如具有為365nm、248nm、193nm、157nm或126nm之波長)及極紫外線輻射(EUV，例如具有在約5nm至100nm之範圍內之波長)。
如本文中所採用之術語「倍縮光罩」、「光罩」或「圖案化裝置」可廣泛地解譯為係指可用於向入射光束賦予經圖案化橫截面之通用圖案化裝置，經圖案化橫截面對應於待在基板之目標部分中產生之圖案。在此上下文中亦可使用術語「光閥」。除經典遮罩(透射或反射、二元、相移、混合式等)以外，其他此類圖案化裝置之實例包括可程式化鏡面陣列 及可程式化LCD陣列。
圖1示意性地描繪微影設備LA。微影設備LA包括：照明系統(亦被稱作照明器)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)；光罩支撐件(例如光罩台)MT，其經建構以支撐圖案化裝置(例如光罩)MA且連接至經組態以根據某些參數來準確地定位該圖案化裝置MA之第一定位器PM；基板支撐件(例如晶圓臺)WT，其經建構以固持基板(例如抗蝕劑塗佈晶圓)W且連接至經組態以根據某些參數來準確地定位該基板支撐件之第二定位器PW；及投影系統(例如折射投影透鏡系統)PS，其經組態以將藉由圖案化裝置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。
在操作中，照射系統IL例如經由光束遞送系統BD自輻射源SO接收輻射光束。照明系統IL可包括用於導引、塑形及/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、靜電及/或其他類型之光學組件或其任何組合。照明器IL可用以調節輻射光束B，以在圖案化裝置MA之平面處在其橫截面中具有所要之空間及角強度分佈。
本文所使用之術語「投影系統」PS應被廣泛地解譯為涵蓋適於所使用之曝光輻射及/或適於諸如浸潤液體之使用或真空之使用之其他因素的各種類型之投影系統，包括折射、反射、反射折射、合成、磁性、電磁及/或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」之任何使用均與更一般術語「投影系統」PS同義。
微影設備LA可屬於一種類型，其中基板之至少一部分可被具有相對較高折射率之例如水之液體覆蓋，以便填充投影系統PS與基板W之間的空間--此亦稱為浸潤微影。在以引用之方式併入本文中的 US6952253中給出關於浸潤技術之更多資訊。
微影設備LA亦可屬於具有兩個或大於兩個基板支撐件WT(又名「雙載物台」)之類型。在此「多載物台」機器中，可並行地使用基板支撐件WT，及/或可對位於基板支撐件WT中之一者上的基板W執行準備基板W之後續曝光的步驟，同時將另一基板支撐件WT上之另一基板W用於在另一基板W上曝光圖案。
除基板支撐件WT以外，微影設備LA亦可包含量測載物台。該量測載物台經配置以固持感測器及/或清潔裝置。感測器可經配置以量測投影系統PS之性質或輻射光束B之性質。量測載物台可固持多個感測器。清潔裝置可經配置以清潔微影設備之部分，例如投影系統PS之部分或提供浸潤液體之系統之部分。量測載物台可在基板支撐件WT遠離投影系統PS時在投影系統PS下方移動。
在操作中，輻射光束B入射於固持在光罩支撐件MT上的圖案化裝置(例如光罩)MA，且藉由呈現於圖案化裝置MA上的圖案(設計佈局)進行圖案化。在已橫穿光罩MA之情況下，輻射光束B穿過投影系統PS，該投影系統將該光束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置量測系統IF，可準確地移動基板支撐件WT，例如以便在聚焦且對準之位置處在輻射光束B之路徑中定位不同目標部分C。類似地，第一定位器PM及可能的另一位置感測器(其未在圖1中明確地描繪)可用於關於輻射光束B之路徑來準確地定位圖案化裝置MA。可使用光罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置MA及基板W。儘管如所說明之基板對準標記P1、P2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。在基板對準標記P1、P2位於目標部分C之間時，此 等基板對準標記P1、P2稱為切割道對準標記。
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((微影)叢集)之部分，該微影單元LC通常亦包括用以對基板W執行曝光前製程及曝光後製程之設備。習知地，此等包括沈積抗蝕劑層之旋塗器SC、顯影經曝光之抗蝕劑的顯影器DE、例如用於調節基板W之溫度(例如用於調節抗蝕劑層中之溶劑)的冷卻板CH及烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板W，在不同製程設備之間移動該等基板且將基板W遞送至微影設備LA之裝載匣LB。微影單元中通常亦統稱為塗佈顯影系統之裝置通常處於塗佈顯影系統控制單元TCU之控制下，該塗佈顯影系統控制單元TCU自身可藉由監督控制系統SCS控制，該監督控制系統SCS亦可例如經由微影控制單元LACU控制微影設備LA。
為了正確且一致地曝光藉由微影設備LA曝光之基板W，需要檢測基板以量測經圖案化結構之性質，諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD)等等。出於此目的，可在微影單元LC中包括檢測工具(未展示)。若偵測到誤差，則可例如對後續基板之曝光或對待對基板W執行之其他處理步驟進行調整，尤其在同一批量或批次的其他基板W仍待曝光或處理之前進行檢測的情況下。
亦可被稱作度量衡設備之檢測設備用以判定基板W之性質，且詳言之，判定不同基板W之性質如何變化或與同一基板W之不同層相關聯之性質在層與層間如何變化。檢測設備可替代地經建構以識別基板W上之缺陷，且可例如為微影單元LC之部分，或可整合至微影設備LA中，或可甚至為獨立裝置。檢測設備可量測潛影(曝光之後在抗蝕劑層中 之影像)上之性質，或半潛影(曝光後烘烤步驟PEB之後在抗蝕劑層中之影像)上之性質，或經顯影抗蝕劑影像(其中抗蝕劑之曝光部分或未曝光部分已被移除)上之性質，或甚至經蝕刻影像(在諸如蝕刻之圖案轉印步驟之後)上之性質。
典型地，微影設備LA中之圖案化製程係在處理中之最關鍵步驟中的一者，其需要基板W上之結構之尺寸標定及置放的高準確度。為確保此高準確度，可將三個系統組合於所謂的「整體」控制環境中，如圖3中示意性地描繪。此等系統中之一者為微影設備LA，其(實際上)連接至度量衡工具MT(第二系統)且連接至電腦系統CL(第三系統)。此「整體」環境之關鍵在於最佳化此等三個系統之間的合作以增強總體製程窗且提供嚴格控制廻路，以確保藉由微影設備LA執行之圖案化保持在製程窗內。製程窗定義特定製造製程產生經定義結果(例如功能性半導體裝置)內--典型地允許微影製程或圖案化製程中之製程參數變化內--的一系列製程參數(例如劑量、聚焦、疊對)。
電腦系統CL可使用待圖案化之設計佈局(之部分)以預測使用哪種解析度增強技術且執行計算微影模擬及計算以判定哪種光罩佈局及微影設備設定達成圖案化製程之最大總體製程窗(藉由第一標度SC1中之雙箭頭在圖3中描繪)。典型地，解析度增強技術經配置以匹配微影設備LA之圖案化可能性。電腦系統CL亦可用以偵測微影設備LA當前正在製程窗內何處操作(例如，使用來自度量衡工具MT之輸入)以預測歸因於例如次佳處理是否可存在缺陷(在圖3中藉由第二標度SC2中之指向「0」之箭頭描繪)。
度量衡工具MT可將輸入提供至電腦系統CL以實現準確模 擬及預測，且可將回饋提供至微影設備LA以識別例如微影設備LA之校準狀態中的可能漂移(在圖3中藉由第三標度SC3中之多個箭頭描繪)。
亦可被稱作參數之藉由度量衡工具MT量測的性質的實例為與基板W上之圖案相關的對準AL、疊對OVL及調平LVL資料。不同度量衡設備可用以量測不同參數。對於不同度量衡參數，所得度量衡資料可不同。舉例而言，相較於疊對OVL及調平LVL量測，對準AL量測可能較稀少。判定量測密度之因素可例如包括獲得量測所需之時間，及量測標記於基板W上之可用性，可在該基板W上執行對於彼參數之量測。為了預測性質或藉由機器校準控制性質，可使用彼性質之度量衡資料。舉例而言，為了校準微影設備LA以得到投影至基板W上之圖案中之改良疊對OVL資料，可使用來自先前圖案之疊對OVL度量衡資料。然而，自其他量測參數，例如對準AL度量衡及/或調平LVL度量衡獲得與性質(例如疊對OVL)相關之資訊亦可為可能的。
為了基於複數個不同度量衡預測性質，必須組合不同度量衡之資料。若度量衡具有不同空間佈局，換言之，在橫跨基板W之不同位置處進行量測，則組合資料之一種可能方式為將度量衡中之每一者轉換為目標佈局。可基於目標佈局進行組合，其中為每一經量測參數提供相同的資料空間分佈。將度量衡佈局轉換為目標佈局可涉及內插資料，例如可使用已知技術將用於對準之稀疏度量衡佈局內插至密集佈局。所內插目標佈局資料可隨後用於預測性質。
使用內插資料用於預測存在多個問題。內插資料為實際度量衡資料之估計，且可包含未在內插資料中展現的不確定度。未將不確定度併入至用於性質之所得預測模型中可不利地影響預測效能。內插資料可 誤傳或省略參數之實際量測資料中之一些，其可降低所得預測之品質。此外，內插資料可能不正確，例如在將極稀疏資料內插至極密集佈局時，或在考慮關於量測資料之例如由變形量測標記所引起的並不準確表示橫跨基板W之參數的問題時。
本文中描述使得藉由提供分離內插及預測步驟之替代且藉由有效地結合地執行內插及預測克服上文所述的問題之方法及設備。
該方法可使用廻旋神經網路(可被稱為廻旋神經網路模型(ConvNet))實現。ConvNet可用以預測產品單元上之性質。產品單元可為基板(例如半導體晶圓)，其包含提供於其上的一或多個圖案或特徵。該一或多個圖案或特徵可藉由包括採用微影設備之至少一種微影成像技術的方法提供。
如本文中所描述，可將微影圖案化基板之度量衡資料提供至ConvNet。廻旋神經網路為可用於影像及圖案辨識之深度學習算法類別。廻旋神經網路可用於藉由柵格狀拓樸，例如表示參數值橫跨晶圓之空間分佈的晶圓映射來處理資料。ConvNet可包含輸入層、輸出層，且可包含一或多個額外層，該等額外層可被稱為隱藏層。ConvNet將至少一種廻旋運算應用於輸入或基於輸入之潛伏表示。影像可作為輸入提供至ConvNet，且ConvNet可藉由訓練經組態以基於輸入提供輸出。該輸出可為分類，換言之，將輸入置放於複數種可能類別中之一者。舉例而言，ConvNet可將輸入分類在效能邊界內或外。可替代地或另外，ConvNet可提供連續輸出，換言之，該輸出可為連續量，例如圖案及/或基板W之性質的預測，諸如(例如)參數值。
在本文中所描述之方法中，可將微影圖案化基板之度量衡 資料作為輸入提供至可處理類似於影像之資料的ConvNet，以發現基板上之不同度量衡點之間的相關性。為不同經量測性質提供度量衡資料可允許輸入資料(例如基板影像)而不需要內插，此係因為空間分佈可表現稀疏資料與密集資料之間的關係。
產品單元上之參數之度量衡可表示為產品單元之影像且作為輸入提供至ConvNet。ConvNet可接收複數個影像作為輸入。作為輸入提供之影像可為二維影像，其表示參數橫跨產品單元之空間分佈，其中該空間分佈可為所獲得度量衡資料之空間分佈。與所量測參數相關之度量衡資料可被稱為度量衡資料集。度量衡資料集可包含橫跨產品單元之空間分佈的多個資料子集。舉例而言，對準資料可已在第一子集中獲得，其表示在X方向上的對準，且在第二子集中獲得，其表示在Y方向上的對準。因此，第一方向及第二方向可彼此垂直。替代地，第一方向及第二方向可為非垂直且非平行的。產品單元之疊對資料亦可以兩個子集形式提供於橫跨產品單元之第一方向及第二方向上。包含產品單元之高度的空間分佈之表示的調平資料可包含單一通道。資料集之多個子集之空間分佈可在多維目標中表示。多維目標可分離成複數個子影像，其中每一子影像表示度量衡資料集之子集的空間分佈。子集及子集之子影像可被稱為通道。
本文中描述一種用於預測與產品單元相關聯之性質之方法，其中該方法包含獲得複數個資料集102。複數個資料集中之每一者可包含與參數橫跨產品單元之空間分佈相關聯的資料。複數個資料集中之每一者可表示為多維目標。該方法進一步包含獲得廻旋神經網路104(ConvNet)，其中該網路已使用先前獲得之多維目標及先前產品單元之性質進行訓練。將經訓練ConvNet應用106於複數個多維目標以預測108與產 品單元相關聯之性質，其中多維目標中之每一者表示複數個資料集中之對應一者。
如本文中所描述，度量衡資料可用以指代量測資料，例如一種量測，一組相關量測，不相關量測之集合等等。術語度量衡資料集可用以指代與經量測參數相關之度量衡資料，例如對準資料集。資料集可用以指代可表示為多維目標之一組資料。資料集可為度量衡資料集，但並非必須限於此，且亦可包含經計算或估計資料及/或度量衡及非度量衡資料之組合。
上文所提及之一或多個資料集可為度量衡資料集。度量衡資料集可包含與資料點橫跨產品單元之空間分佈相關聯的度量衡資料。資料集可基於度量衡資料，但可已經處理，例如以正規化度量衡資料，以調整度量衡資料之單位，或以自度量衡資料移除任何資料誤差。
複數個資料集可包含產品單元之對準AL資料、產品單元之調平LVL資料及用以圖案化產品單元之設備的疊對OVL指紋特徵資料中之一或多者。疊對指紋特徵資料可經理解為特定針對於一或多種設備之疊對，其由該一或多種設備之效能特性引起。
取決於資料集之類型及可獲得資料之速度，資料集及/或度量衡資料可具有不同解析度。複數個資料集可具有相同或不同解析度。該複數個資料集中之一個資料集可具有與該複數個資料集中之至少一個其他資料集不同的解析度。在一些實施方案中，所有資料集可具有不同解析度。解析度可經理解為橫跨產品單元提供的資料點之量。在一個實例實施方案中，對準AL資料集可具有第一解析度，該第一解析度低於調平LVL資料集之第二解析度，如圖5中所說明。具有不同解析度之資料集可表示 為相同大小之多維目標，其中相較於具有較高解析度之資料集，具有較低解析度之資料集可包含更多空值，亦即不存在資料值之值。替代地，相較於表示具有較低解析度之資料集之多維目標，具有較高解析度之資料集可表示為較大多維目標。
經提供至ConvNet之資料集可具有不同解析度。將具有不同解析度之複數個資料集提供至ConvNet之優點為不同資料集在可用於處理預測與產品單元相關聯之性質之前並不需要內插步驟。ConvNet可接收呈多維目標形式之資料集，其中將資料集表示為多維目標並不需要內插。資料集中之一或多者可具有與其他資料集不同的大小，因此可將不同大小之複數個多維目標提供至ConvNet。如上文所提及，此為有利的，此係因為可另外需要之內插步驟可減小資料內之資訊損耗，其將降低預測性質之品質。
與橫跨產品單元之空間分佈相關聯的資料可包含對應於產品單元上之複數個位置的複數個資料點。複數個資料集中之第一資料集之資料點的位置可與第二資料集之資料點的位置不同。因此，兩個資料集具有相同解析度但具有不同位置集合係可能的。資料集之空間分佈可用以包含資料集之解析度及位置兩者。在作為多維目標之資料集之表示中擷取此資訊。
待根據該方法預測之性質可為目標參數橫跨產品單元之空間分佈。目標參數可為產品單元上之疊對或任一其他參數，該任一其他參數可適用於判定產品單元之產生相關特性。可替代地或另外，性質包含產品單元之分類。待藉由廻旋神經網路執行之實例分類包括根據例如良率或疊對之性質對產品單元進行分組。ConvNet之輸出可為表示群組ID之分類 標籤。另一實例分類係針對ConvNet以提供二元輸出(0/1，是/否，真實/錯誤)作為對於二元問題之回應。舉例而言，ConvNet可判定是否疊對參數(例如放大率)在預定臨限值及/或目標值內。藉由ConvNet輸出之分類標籤亦可例如基於產品單元之疊對性質將產品單元分配至一或多個群組中。作為一實例，分類標籤可判定是否產品單元「的確」或「不」具有可接受之疊對誤差。此在一些方面類似於可用以識別影像之分類(諸如狗或貓)且分配分類標籤(諸如例如「貓」或「無貓」)之習知ConvNet分類。
圖5描繪適用於預測產品單元之性質的廻旋神經網路的結構。產品單元之性質可與產品單元之參數相關，且/或可包含用於產品單元之分類標籤。圖5之影像展示包含複數個層L1至Ln之ConvNet。將呈多維目標形式之輸入IN提供至ConvNet，該等多維目標各自具有對應於度量衡資料之資料點的空間分佈。多維目標可被稱為意為由ConvNet以類似於光學影像之方式處理的影像，且亦由於多維資料可表示呈光學影像形式之度量衡資料。多維目標可包含單一影像，或其可包含複數個子影像。子影像可被稱為與ConvNet相關之通道。就包含單一影像之多維目標而言，此影像可被稱為與ConvNet相關之通道。
圖5中所描繪之ConvNet包含複數個層，標記為L1至Ln，其中n為正整數。ConvNet可包含被稱作輸入部分之由層L1至Li-1組成的第一部分。ConvNet可進一步包含被稱作合併部分之由層Li至Lj-1組成的第二部分。ConvNet亦可包含被稱作輸出部分之由層Lj至Ln組成的第三部分。輸出部分包含層Lk，可在該層Lk處將內容脈絡資料CTXD新增至ConvNet。ConvNet之最終層Ln的輸出提供輸出OUT。在ConvNet中，每一層接收層輸入，且處理該層輸入以產生層輸出。除最終層Ln以外之 ConvNet之層輸出可被稱為潛伏表示，此係因為將通常不在ConvNet外部提供或使用該輸出。將藉由層輸出之潛伏表示作為輸入提供至ConvNet中之下一層。潛伏表示可例如包含一或多個二維目標。ConvNet之輸入部分將複數個單獨潛伏表示SLT作為輸出提供用於每一層。合併部分及輸出部分提供合併潛伏表示MLT作為輸出。
如關於上文圖5所提及，ConvNet可包含輸入部分、合併部分及輸出部分。可以上文列出的順序串聯地置放該等部分。執行關於分離多維目標之分析之部分及合併資料之另一部分的優點為ConvNet可分析呈隔離形式之每一多維目標之特徵以及可基於資料之組合及資料之間的關係發現的影響。ConvNet能夠接收輸入資料且預測性質而不需要內插輸入資料。
ConvNet之合併製程並不受上文所述的內插之問題影響。然而，ConvNet可藉由將與不同資料集相關之資料組合為合併部分之部分實現隱式內插。ConvNet之潛在優點可因此為這暗示內插考慮多個資料集之組合之性質作為暗示內插之部分，替代獨立於其他資料集處理一資料集。此可改良所得預測之品質，此係因為ConvNet可能夠基於考慮資料集內之資料以及資料集之間的關係估計性質。當在估計製程前執行內插作為單獨計算時，內插係基於一個資料集，且不考慮其他資料集，其可引起上文段落中所描述之內插資料的問題。使用ConvNet使得克服此等問題。
在輸入部分中，可單獨地處理多維目標。此操作之優點為一個多維目標之資料佈局不一定必須為匹配另一多維目標之資料佈局或被視為與另一多維目標之資料佈局相關。作為輸入部分之部分，用於不同多維目標之資料佈局可經處理使得每一多維目標具有帶共同佈局之SLT，該 SLT待作為輸入提供至合併部分。將不同多維目標處理成共同佈局實現合併部分中之不同多維目標的組合。因此，在輸入層期間且在合併部分之前由ConvNet進行之處理將多維目標轉換為共同佈局，藉此移除單獨地內插度量衡資料之需要。當輸入部分輸出將相同大小之潛伏表示作為輸入提供至合併部分時，相同濾波器可應用於所有潛伏表示且因此表示可經合併。
輸入部分可接收ConvNet輸入IN作為部分輸入。輸入部分可產生輸入部分輸出。輸入部分輸出可包含複數個單獨潛伏表示。輸入部分可處理輸入IN以判定相同大小之潛伏表示。輸入部分輸出可包含複數個潛伏表示，其中潛伏表示中之每一者具有相同大小。可將輸入部分輸出作為輸入提供至合併部分。合併部分可產生合併部分輸出。合併部分輸出可包含合併潛伏表示。可將合併部分輸出作為輸入提供至輸出部分，以產生輸出。可提供輸出部分之輸出作為ConvNet之輸出OUT。在將輸出外部地提供例如至使用者或設備之前，可對ConvNet之輸出OUT執行一或多個處理操作。
在ConvNet之輸入部分中，可單獨地處理表示資料集之每一多維目標。為了實現多維目標之單獨處理，輸入部分可包含複數個區段。該複數個區段可為平行的區段。每一區段可經組態以接收多維目標中之一者。每一區段可具備有不同資料集，該不同資料集可包含已獲自已經分析的產品單元之度量衡資料。
可將複數個多維目標中之每一者單獨地輸入至輸入部分中之各別一個區段。區段中之每一者可判定輸入區段之每一層的單獨潛伏表示。每一單獨潛伏表示可基於多維目標中之一不同者。每一區段可基於多維目標中之所接收的各別一者判定一個輸入部分輸出。作為一實例， ConvNet可包含三個平行的區段：第一區段可具備有對準資料之輸入；第二區段可具備有疊對資料之輸入，且第三區段可具備有調平資料之輸入。ConvNet可判定輸入區段之每一層中之三個潛伏表示(即每一區段一個潛伏表示)及對應輸入資料集。
合併部分可接收由輸入部分之區段提供的輸入部分輸出，且將該等輸出合併使得可組合地處理該等輸出。合併部分可組合所有輸入部分輸出，以便產生合併部分輸出。合併部分輸出可基於多維目標中之每一者，藉此合併複數個資料集。可將合併部分輸出作為輸入提供至ConvNet之輸出部分。輸出部分可判定ConvNet之輸出，其亦可被稱作模型輸出。舉例而言，ConvNet之輸出可包含產品單元之估計特徵的度量衡映射，將度量衡資料作為輸入提供至該產品單元。
輸入部分、合併部分及輸出部分中之一或多者可包含複數個層。在一些情況下，部分中之每一者包含複數個層。若部分包含複數個層，則部分中之一者可為集區層。將在下文更詳細地描述集區層。
輸入部分包含複數個區段，其中可藉由輸入至ConvNet中之多維目標的量判定區段之量。區段之量可等於提供為輸入之多維目標之量。輸入部分可包含複數個層。每一層可包含相同的區段量。輸入部分之每一層中可能存在對應區段。層之每一區段可判定單獨潛伏表示SLT。可將區段之單獨表示作為輸入提供至輸入部分之下一層的對應區段。由輸入部分之最終層(Li-1)輸出之複數個單獨潛伏表示SLT可為輸入部分輸出。
ConvNet之輸入部分的複數個區段中之每一區段可包含至少一種廻旋運算。可在用於區段中之每一者的相同層中執行廻旋運算。其中執行廻旋運算之層可被稱為廻旋層。輸入部分中之廻旋層可對每一區段 執行廻旋運算，換言之，在每一區段之相同的一或多個層中執行廻旋運算。將在下文更詳細地描述廻旋層。
合併部分可接收輸入部分輸出且在合併部分之第一層中一同處理該等輸出。合併部分之第一層的輸出可為合併潛伏表示MLT。合併部分可包含複數個層，其中合併部分之第一層後之每一層接收合併潛伏表示MLT且輸出合併潛伏表示MLT。藉由合併部分之最終層(Lj-1)輸出之合併潛伏表示可為合併部分輸出。合併部分可包含一或多個廻旋層。
合併部分輸出可由ConvNet之輸出部分的第一層接收。輸出部分可包含多個層。輸出部分可包含一或多個廻旋層。輸出部分之除最終層Ln以外的每一層接收合併潛伏表示MLT作為輸入，且判定合併潛伏表示MLT作為輸出，以作為輸入提供至下一層。在輸出部分之層中之一者，額外資料可輸入至ConvNet，被稱作內容脈絡資料。可以除輸入IN之多維目標以外的格式提供此資料。內容脈絡資料CTXD可例如為純量或向量且可表示並不呈影像形式之產品單元的特徵或性質。
內容脈絡資料可與產品單元及/或影響產品單元之製程相關。舉例而言，內容脈絡資料CXTD可包含產品單元類型、產品單元ID。內容脈絡資料CXTD亦可包含與影響產品單元之設備(例如微影設備LA)相關之資料，例如設備ID、設備參數。內容脈絡資料CXTD亦可包含與由設備執行之用於圖案化產品單元之製程相關的度量衡資料，例如獲得溫度、壓力、時間/日期輸入資料。內容脈絡資料可以二元形式表示，例如表示是否使用或不使用特定產品特徵(例如夾盤)之位元。內容脈絡資料可包含一或多個整數值，例如表示曝光時間或其他處理變量。內容脈絡資料可含有不存在於輸入資料中之資料。如本文中所描述，可在ConvNet之輸出部 分處新增內容脈絡資料CXTD。內容脈絡資料可經串接呈向量形式且經新增至ConvNet。向量可藉由將其與ConvNet中之一個層之輸出組合進來新增且藉由ConvNet之剩餘層處理。舉例而言，可新增上下文變量作為輸出部分中之ConvNet之前饋部分的部分。
內容脈絡資料可固持不存在於分佈資料中之一些資訊且可幫助預測。舉例而言，每一設備及夾盤可具有影響多維資料之獨特指紋特徵。舉例而言，知曉晶圓經暴露於特定設備或夾盤上可幫助模型更佳地擷取所關注參數，例如疊對。內容脈絡資料可例如由於使用用於圖案化基板的特定夾盤或設備而與存在於經圖案化基板上的預定義結構相關。內容脈絡資料可產生用於由ConvNet處理之多維目標的特徵空間之分段，其中分段考慮內容脈絡資料之內容。舉例而言，使用第一夾盤圖案化之產品單元可與使用第二夾盤圖案化之產品單元具有不同性質。ConvNet可經訓練以基於所提供內容脈絡資料預測產品單元上之目標結構，該目標結構與預定義結構相關。
多維目標可包含一或多個通道之集合。該等通道可與相同資料集相關，但可表示資料之不同子類別或子集。舉例而言，多維目標可為色彩影像，且可包含用於紅色、綠色及藍色色彩資訊之三個通道。在另一實例中，多維目標可表示呈n維空間之資料，且可包含n個通道，一個通道用於n個維度中之每一者。舉例而言，對準資料可表示呈二維空間(n=2)以在X方向及Y方向上對準，其中多維目標包含兩個通道，其分別地展示X方向及Y方向上之對準之空間分佈。多維目標可包含矩陣集合，其中一矩陣表示一通道。通道可為二維矩陣。通道矩陣中之元素可為純量值。ConvNet可經組態以能夠接收呈預定格式之輸入。舉例而言，ConvNet可 能夠接收呈一或多個通道形式的多維目標。由ConvNet中之層產生之潛伏表示可具有與輸入類似的格式。ConvNet中之每一層可經組態以接收一或多個輸入通道，且提供形成由彼層輸出之潛伏表示之一或多個輸出通道。潛伏表示可包含一或多個通道。潛伏表示之通道可為二維矩陣。一層之輸入通道的量可與一層之輸出通道的量不同。
廻旋層可對至彼層之輸入執行廻旋運算。圖6說明在矩陣M上使用濾波器F之實例廻旋運算。在此實例中，矩陣M可表示輸入通道。如圖6中所說明，可提供濾波器F之元素之產物及一部分矩陣M的總和作為廻旋運算之輸出通道的元素。濾波器F可在矩陣內滑動以判定輸出通道之多個元素。可促進輸出通道的大小之因素包括濾波器F之大小、矩陣M之大小、濾波器在矩陣M內滑動之步驟大小(步幅)。此等因素可經設定作為ConvNet之組態之部分。舉例而言，在圖6中，濾波器F在矩陣M內之兩個維度中之步驟大小為一個元素，產生2×2輸出矩陣。
藉由選擇濾波器大小用於輸入部分中之每一矩陣，可使進入至合併部分中之每一區段的輸出成為相同大小。層的輸出之大小亦可藉由廻旋運算之一或多個其他超參數，例如濾波器F之步幅或新增至矩陣之填補(例如新增至矩陣之零行及/或列)判定。對於輸入至ConvNet之每一多維目標，濾波器F大小及其他超參數可經設定使得輸入部分對於每一區段之輸出為大小K之潛伏表示，其中K對於每一區段為相同的。多個濾波器可應用於ConvNet中之複數個層上方之多維目標及/或其潛伏表示。輸入部分輸出之大小K可由複數個層之大小及/或其他超參數判定。
以此方式，輸入層可獲得呈不同大小之多維目標形式之輸入資料且使用濾波器及超參數之正確選擇以將該資料轉換為可合併之相同 大小的潛伏表示。因此，當輸入晶圓映射具有不同大小/佈局時，濾波器大小(及廻旋運算之其他超參數，諸如填補及步幅)改變，使得輸入部分對於所有輸入資料之輸出大小為相同大小。
在廻旋層中，將至少一個濾波器應用於每一輸入通道。可將一個濾波器應用於輸入以判定一個輸出通道。若存在多個輸入通道，則可將相同濾波器應用於一或多個輸入通道中之每一者，或可將不同濾波器應用於不同輸入通道。輸出通道可包含具有不同輸入通道之濾波器之廻旋的結果之總和。總和可為加權總和。為了獲得多個輸出通道，不同濾波器可處理相同的一或多個輸入通道。舉例而言，採用具有一個輸入通道之一層，可將第一濾波器應用於輸入通道以獲得第一輸出通道。可將第二濾波器應用於輸入通道以獲得獨立於第一輸出通道之第二輸出通道。
ConvNet可包含非線性層以將非線性新增至層之輸出。非線性層可經置放作為緊接在廻旋層之後的層。使用非線性層可改良ConvNet之學習效能。非線性層可例如為整流線性單元以自輸出通道移除負值。其他實例非線性層包括S型函數層及雙曲正切函數層。
ConvNet可包含集區層。可將集區層插入在ConvNet之廻旋層後。舉例而言，ConvNet可包含廻旋層，接著整流層接著集區層。廻旋層、整流層及集區層可為緊接連續層。集區層可用以減小通道之大小。通道之大小可由通道中之元素的數目定義。集區層可例如藉由將輸入通道分裂成單獨片段以實現通道大小的減小，其中每一片段包含輸入通道之複數個元素。集區層可隨後判定每一單獨片段之輸出，其中對於每一片段輸出之元素的量小於片段中之元素的量。因此，輸出通道小於輸入通道。可藉由對片段應用函數來執行對於每一片段之輸出之判定。實例函數可包括 計算平均值，選擇片段中之最高值(最大集區)，選擇片段中之最低值等等。使用集區層之優點為其可減少ConvNet內部處理之資料的量。
輸入部分可包含至少一個廻旋層。輸入部分可例如包含一或多個廻旋層。合併部分及輸出部分中之一或兩者亦可包含廻旋層。ConvNet中之廻旋層中之任一者可接著非線性層及集區層中之一或兩者。在ConvNet中包括複數個廻旋層之優點為其可提供階層式方式，其中後續層學習輸入之特徵。第一廻旋層可識別通道之更多重要特徵，例如通道內之邊緣或梯度。後續廻旋層可分析通道之更多抽象特徵。
ConvNet可包含除廻旋層、非線性層或集區層以外的層。ConvNet可包含一或多個前饋層。ConvNet可包含權重及偏差之一或多個完全連接層或部分連接層。舉例而言，在ConvNet之輸出包含分類標籤之情況下，ConvNet之輸出部分可包含一或多個前饋層。前饋層可獲得前一層之輸出且將該輸出乘以權重矩陣。前饋層之輸出可為單一矩陣。可將內容脈絡資料(例如微影設備LA及/或度量衡工具MT之識別資料)新增至前饋層。
描述之先前段落就ConvNet中可或可不包括不同層而言為ConvNet提供各種選項。將瞭解，選擇利用哪一層將為特殊應用且工作模型將需要一定最佳化以提供來自輸出的所需結果。因此，特定ConvNet可或可不包括一或多個非線性層或集區層，且此等層可存在於ConvNet之不同部分中。
將ConvNet應用於複數個多維目標可判定模型輸出。模型輸出可包含經預測性質。在一些情況下，可在模型輸出上執行一或多個處理步驟。該一或多個處理步驟可用以根據模型輸出判定經預測性質。與產 品單元相關聯之經預測性質可為使用微影設備LA形成於產品單元上之圖案之性質。舉例而言，預測性質可尤其關於用於特定處理方法或設備之基板上之特徵的疊對或對準。可將預測性質提供至微影設備LA以判定微影設備LA之一或多個設定點。用於至少部分地基於經預測性質判定微影設備LA之一或多個設定點的處理步驟可由電腦系統CL或微影設備LA中之一或兩者執行。產品單元可為半導體基板。獲得複數個資料集可包含自經處理半導體基板獲得度量衡資料。
為了提供可根據其預測性質之所需輸出，使用已知資料來訓練ConvNet。訓練ConvNet可包含獲得與產品單元(例如複數個經處理基板)相關聯之訓練資料，其中性質(亦即ConvNet之所需輸出(諸如疊對))已使用其他方法確立。因此，可基於所獲得訓練資料訓練ConvNet，以預測產品單元之性質，諸如與產品單元相關之參數(例如對準、疊對及/或調平)及/或產品單元之分類。參數可為包含於待提供至ConvNet之多維目標內之資料特徵。資料特徵可與包含於訓練資料內之預定義資料特徵，例如施加至產品單元之圖案相關。資料特徵可與所關注參數相關，該參數例如施加至產品單元之圖案的疊對、對準及/或調平資料。
在一個實例中，ConvNet係使用1800個產品單元之訓練資料集，使用所關注組合及處理方法進行訓練。80%的訓練資料用於訓練ConvNet，且20%用於測試經訓練ConvNet。一旦ConvNet經訓練且測試，則其可用以判定除訓練資料以外之資料的輸出，例如模型未見之產品單元上之輸出，諸如可在製造回合或作為校準練習之部分期間產生的彼等產品單元。
在一些實例中，可能有必要週期性地重新訓練模型。若用 以產生產品單元之處理方法及/或設備改變或隨時間改變，則此重新訓練尤其需要。重新訓練可為自修改處理方法或設備獲得之新訓練資料所需的。
訓練資料可包含待提供至ConvNet之例如呈表示為多維目標之複數個資料集形式的輸入資料。訓練資料可包含用以圖案化產品單元的設備之一或多個性質，其中性質待經量測。訓練資料中之預定義結構可包含與輸入資料相關之度量衡資料。度量衡資料可表示待由ConvNet估計之參數。
圖7說明將ConvNet應用於與基板之微影圖案化相關之資料，以預測基板之性質。性質可為疊對橫跨基板之空間分佈。經預測疊對分佈可用於例如調整後續圖案化曝光之配方參數以改良圖案化品質。疊對可能難以量測，此係因為量測為耗時的且需要在該基板上標記以進行量測。因此，圖7中所說明之ConvNet之優點可為使用較少或不使用疊對度量衡獲得疊對性質。
如圖7中所展示，可將產品單元之對準資料AL、調平資料LVL及疊對指紋特徵資料OVL作為輸入IN資料集提供至ConvNet。對準資料及調平資料可為自產品單元獲得的度量衡資料。疊對指紋特徵資料可包括圖案化產品單元之設備的平均化疊對資料。可提供對準資料及疊對資料用於兩個方向，X方向及Y方向。用於每一方向之對準資料可表示為二維矩陣，其表示一通道。此等兩個維度可對應於在各別X方向及Y方向上之兩個單獨對準量測。方向可為垂直的，或任何其他兩個非平行的方向。資料集經表示為多維目標。具體言之，對準及疊對多維目標各自包含兩個二維矩陣(形成一個多維目標之2個通道)，用於X方向之第一通道(ALx, OVLx)及用於Y方向之第二通道(Aly,OVLy)。調平多維目標包含高度輪廓橫跨產品單元之空間分佈且表示為單一二維矩陣(LVLz)。三個多維目標可具有不同大小及/或空間佈局。在輸入部分層L1至Li-1中，單獨地處理對準、疊對及調平通道。每一層可提供兩個潛伏表示通道作為輸出。在層L1至Li-1上方，三個區段將不同資料集映射至相同目標佈局上。輸入部分輸出可例如包含6個相同大小的二維矩陣。在層Li中，6個二維矩陣經合併以基於對準AL、疊對OVL及調平LVL資料之組合產生潛伏表示。應用其他層Li+1至Ln以處理合併產品單元圖案化資料。層Ln之輸出OUT包含可用以預測疊對OVL在產品單元上之空間分佈的資料。
儘管圖7表示作為輸入IN提供至ConvNet之疊對指紋特徵OVL、對準AL及調平LVL資料之組合，但根據本發明亦可使用輸入資料集之其他組合，包括疊對OVL、對準AL及調平LVL及/或其他參數之子集。用於預測與產品單元相關聯之性質之ConvNet的實例應用包括使用稀疏對準資料及密集調平資料來預測密集對準資料；使用對準資料、調平資料及疊對資料來預測基板上之晶粒之良率；及使用疊對資料及對準資料以基於基板之疊對及/或良率將群組分配至基板。
本文中所描述之方法可用以判定及/或更新一或多個控制參數及/或配方以控制微影設備LA。一或多個參數及/或配方可與根據本文中所描述之方法預測的性質相關聯。配方可包含與根據上文所描述的方法預測的性質相關聯之控制參數之複數個設定點，該性質與產品單元相關聯。控制參數可與藉由微影設備LA之曝光之疊對誤差的控制相關聯。複數個設定點可提供為度量衡映射。複數個設定點可提供為描述橫跨基板之定位誤差之高階模型的係數。配方可用以校準微影設備LA。可週期性地執行 基於配方之校準。微影設備LA之校準可包含微影設備內之基板定位系統的座標系統及基板量測系統中之一或兩者的校準。
本文中所描述之方法可以包含於電腦程式中之指令之形式提供。可在至少一個處理器上執行電腦程式以執行該方法之步驟。該方法可藉由電腦系統CL或微影設備LA執行。電腦系統CL或微影設備LA包含處理器或可包含複數個處理器。處理器可經組態以根據本文中所描述之方法預測性質。可將處理器連接至載體，該載體可包含於電腦系統CL或連接至電腦系統CL之另一設備內，例如度量衡工具MT。載體可為電子信號、光學信號、無線電信號或非暫時性電腦可讀儲存媒體中之一者，例如記憶體。載體包含在處理器上執行時使處理器控制設備以執行如上文所描述之方法中之任一者的指令。
在以下經編號條項之清單中揭示了本發明之其他態樣：
1.一種用於預測與一產品單元相關聯之一性質之方法，該方法包含：獲得複數個資料集，其中該複數個資料集中之每一者包含與一參數橫跨該產品單元之一空間分佈相關聯的資料；將該複數個資料集中之每一者表示為一多維目標；獲得藉由先前獲得之多維目標及先前產品單元之性質訓練之一廻旋神經網路模型；將該廻旋神經網路模型應用於表示該複數個資料集之該複數個多維目標，以預測與該產品單元相關聯之該性質。
2.如條項1之方法，其中該廻旋神經網路模型包含複數個部分，該複數個部分包含一輸入部分、一合併部分及一輸出部分。
3.如條項2之方法，其中每一部分包含至少一種廻旋運算。
4.如條項2或3中任一項之方法，其中該輸入部分包含複數個區段，每一區段經組態以接收該複數個該等多維目標中之一者，該方法進一步包含將該等多維目標中之每一者單獨地輸入至一各別一個區段，其中每一區段判定用於該各別多維目標之一輸入部分輸出。
5.如條項4之方法，其進一步包含將該複數個輸入部分輸出輸入至該合併部分以判定一合併部分輸出。
6.如條項5之方法，其中該複數個多維目標中之一第一者及一第二者關於彼此具有不同佈局，且該輸入部分轉換該等不同佈局使得對應於該複數個多維目標中之該第一者及該複數個多維目標中之第二者之該等輸入部分輸出具有一共同佈局。
7.如條項6之方法，其中該方法包含：在該輸入部分中將一或多個第一濾波器應用於該複數個多維目標中之該第一者，及在該輸入部分中將一或多個第二濾波器應用於該複數個多維目標中之該第二者；其中該一或多個第一濾波器之該應用及該一或多個第二濾波器之該應用經設定以判定對應於該複數個多維目標中之該第一者及第二者之該等輸入部分輸出之該共同佈局。
8.如條項6或條項7之方法，其中該等不同佈局包含不同大小。
9.如條項8之方法，其中該等輸入部分輸出包含具有相同大小之複數個潛伏表示。
10.如條項5至9中任一項之方法，其進一步包含將該合併部分輸出 輸入至該輸出部分以判定該廻旋神經網路模型之一模型輸出。
11.如條項2至10中任一項之方法，其中每一部分包含複數個層。
12.如條項11之方法，其中該複數個層中之至少一者為一集區層。
13.如前述條項中任一項之方法，其進一步包含：獲得與該產品單元相關聯之訓練資料；及基於該所獲得訓練資料訓練該廻旋神經網路模型以預測在該等多維目標內且與該參數相關之一資料特徵；其中該資料特徵與包含於該訓練資料內之一預定義資料特徵相關。
14.如條項13之方法，其中該訓練資料包含用以圖案化該產品單元之一設備的一或多個性質。
15.如前述條項中任一項之方法，其中一資料集中之該資料為與資料點橫跨該產品單元之一空間分佈相關聯的度量衡資料。
16.如前述條項中任一項之方法，其中該複數個資料集包含以下中之一或多者：該產品單元之對準資料；該產品單元之調平資料；及用以圖案化該產品單元之一設備之疊對指紋特徵資料。
17.如前述條項中任一項之方法，其中待預測之該性質為一目標參數橫跨該產品單元之一空間分佈。
18.如條項17之方法，其中該目標參數為疊對。
19.如前述條項中任一項之方法，其中該複數個資料集中之一者相較於該複數個資料集中之至少另一者具有一不同解析度。
20.如前述條項中任一項之方法，其中與一空間分佈相關聯之該資 料包含對應於該產品單元上之複數個位置之複數個資料點，其中該複數個資料集中之一第一者之該複數個位置與該複數個資料集中之一第二者之該複數個位置不同。
21.如前述條項中任一項之方法，其進一步包含：獲得對應於該複數個資料集之內容脈絡資料；及將該內容脈絡資料提供至該廻旋神經網路模型。
22.如條項21之方法，其進一步包含訓練該廻旋神經網路以預測包含於該複數個多維目標之特徵內之一目標結構，其中該目標結構與包含於該內容脈絡資料內之一預定義結構相關。
23.如前述條項中任一項之方法，其中將該廻旋神經網路模型應用於該複數個多維目標判定一模型輸出，其中該模型輸出包含該性質或一分類。
24.如條項1至23中任一項之方法，其中該方法進一步包含藉由在該模型輸出上執行一或多個處理步驟來預測該性質。
25如條項23及24中任一者之方法，其中該分類為識別以下中之一或多者之一分類標籤：根據該等產品單元之一性質之一組產品單元；一二元指示符，其表示在一預定分類內該資料之位置。
26.如前述條項中任一項之方法，其進一步包含將該性質提供至一微影設備以判定該設備之一或多個設定點。
27.如前述條項中任一項之方法，其中與一產品單元相關聯之該性質為使用一微影設備在該產品單元上形成之一圖案之一性質。
28.如前述條項中任一項之方法，其中該產品單元為一半導體基 板，且獲得複數個資料集包含自一經處理半導體基板獲得度量衡資料。
29.一種微影設備，其包含：一處理器，其經組態以根據條項1至28中任一項之方法預測一性質。
30.如條項29之微影設備，其中該微影設備進一步經組態以基於該性質判定該微影設備之一或多個設定點。
31.一種用於控制一微影設備之配方，其包含與如條項1至28中任一項之方法預測的一性質相關聯之一控制參數之一或多個設定點。
32.如條項31之配方，其中該控制參數與該微影設備之一疊對誤差之控制相關聯。
33.一種電腦程式，其包含指令，該等指令當在至少一個處理器上執行時使得該至少一個處理器執行如條項1至28中任一項之方法之該等步驟。
34.一種載體，其含有如條項33之電腦程式，其中該載體為一電子信號、光學信號、無線電信號或非暫時性電腦可讀儲存媒體中之一者。
儘管可在本文中特定地參考在IC製造中微影設備之使用，但應理解，本文中所描述之微影設備可具有其他應用。可能之其他應用包括製造整合式光學系統、用於磁域記憶體之導引及偵測圖案、平板顯示器、液晶顯示器(LCD)、薄膜磁頭等等。
儘管可在本文中特定地參考在微影設備之上下文中之本發明之實施例，但本發明之實施例可用於其他設備中。本發明之實施例可形成光罩檢測設備、度量衡設備或量測或處理諸如晶圓(或其他基板)或光罩(或其他圖案化裝置)之物件之任何設備之部分。此等設備可通常被稱為微影工具。此類微影工具可使用真空條件或環境(非真空)條件。
儘管上文可具體參考在光學微影之上下文中對本發明之實施例的使用，但應瞭解，本發明在上下文允許之情況下不限於光學微影且可用於其他應用(例如壓印微影)中。
雖然上文已描述本發明之特定實施例，但應瞭解，可以與所描述方式不同之其他方式來實踐本發明。以上描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者而言將顯而易見，可在不脫離下文所陳述之申請專利範圍之範疇的情況下對如所描述之本發明進行修改。
AL:對準資料
CTXD:內容脈絡資料
IN:輸入
L1:層
Li:層
Lj:層
Lk:層
Ln:層
LVL:調平資料
MLT:合併潛伏表示
OUT:輸出
OVL:疊對指紋特徵資料
SLT:潛伏表示

Claims (15)

  1. 一種用於預測與一基板相關聯之一性質之方法，該方法包含：獲得複數個資料集，其中該複數個資料集中之每一者包含與橫跨該基板之一參數之一空間分佈(spatial distribution)相關聯的資料；將該複數個資料集中之每一者表示為一多維目標(multidimensional object)；獲得藉由先前獲得之多維目標及先前基板之性質訓練的一廻旋神經(convolutional neural)網路模型；將該廻旋神經網路模型應用於表示該複數個資料集之該複數個多維目標，以預測與該基板相關聯之該性質。
  2. 如請求項1之方法，其中該廻旋神經網路模型包含複數個部分(sections)，該複數個部分包含一輸入部分、一合併部分及一輸出部分。
  3. 如請求項2之方法，其中該輸入部分包含複數個區段(divisions)，每一區段經組態以接收該複數個多維目標中之一者，該方法進一步包含將該等多維目標中之每一者單獨地輸入至一各別一個區段(respective one division)，其中每一區段判定用於該各別多維目標之一輸入部分輸出(input section output)。
  4. 如請求項3之方法，其進一步包含將該複數個輸入部分輸出輸入至該合併部分以判定一合併部分輸出。
  5. 如請求項4之方法，其中該複數個多維目標中之一第一者及一第二者關於彼此具有不同佈局，且該輸入部分轉換該等不同佈局使得對應於該複數個多維目標中之該第一者及該複數個多維目標中之第二者之該等輸入部分輸出具有一共同佈局。
  6. 如請求項5之方法，其中該方法包含：在該輸入部分中將一或多個第一濾波器應用於該複數個多維目標中之該第一者，及在該輸入部分中將一或多個第二濾波器應用於該複數個多維目標中之該第二者；其中該一或多個第一濾波器之該應用及該一或多個第二濾波器之該應用經設定以判定對應於該複數個多維目標中之該第一者及第二者之該等輸入部分輸出之該共同佈局。
  7. 如請求項1之方法，其進一步包含：獲得與該基板相關聯之訓練資料；及基於該所獲得訓練資料訓練該廻旋神經網路模型，以預測在該等多維目標內且與該參數相關之一資料特徵；其中該資料特徵與包含於該訓練資料內之一預定義資料特徵相關。
  8. 如請求項1之方法，其中該複數個資料集包含以下中之一或多者：該基板之對準資料； 該基板之調平資料；及用以圖案化該基板之一設備之疊對指紋特徵資料。
  9. 如請求項1之方法，其中待預測之該性質為橫跨該基板之一目標參數之一空間分佈。
  10. 如請求項9之方法，其中該目標參數為疊對。
  11. 如請求項1之方法，其中該複數個資料集中之一者相較於該複數個資料集中之至少另一者具有一不同解析度。
  12. 如請求項1之方法，其進一步包含：獲得對應於該複數個資料集之內容脈絡資料(context data)；及將該內容脈絡資料提供至該廻旋神經網路模型。
  13. 如請求項12之方法，其進一步包含：訓練該廻旋神經網路以預測包含於該複數個多維目標之特徵內之一目標結構，其中該目標結構與包含於該內容脈絡資料內之一預定義結構相關。
  14. 如請求項1之方法，其中將該廻旋神經網路模型應用於該複數個多維目標判定一模型輸出，其中該模型輸出包含該性質或一分類。
  15. 如請求項14之方法，其中該分類為識別以下中之一或多者之一分類 標籤：根據該等基板之一性質之一組基板；一二元指示符，其表示在一預定分類內該資料之位置。
TW109100143A 2019-01-30 2020-01-03 性質結合內插及預測之設備及方法 TWI733296B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP19154587.0 2019-01-30
EP19154587 2019-01-30
EP19164072.1 2019-03-20
EP19164072.1A EP3712817A1 (en) 2019-03-20 2019-03-20 Apparatus and method for property joint interpolation and prediction

Publications (2)

Publication Number Publication Date
TW202043929A TW202043929A (zh) 2020-12-01
TWI733296B true TWI733296B (zh) 2021-07-11

Family

ID=68808410

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109100143A TWI733296B (zh) 2019-01-30 2020-01-03 性質結合內插及預測之設備及方法

Country Status (5)

Country Link
US (1) US12254392B2 (zh)
KR (1) KR102794911B1 (zh)
CN (1) CN113366498B (zh)
TW (1) TWI733296B (zh)
WO (1) WO2020156724A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180024968A1 (en) * 2016-07-22 2018-01-25 Xerox Corporation System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization
WO2018072980A1 (en) * 2016-10-21 2018-04-26 Asml Netherlands B.V. Methods of determining corrections for a patterning process
WO2018153711A1 (en) * 2017-02-22 2018-08-30 Asml Netherlands B.V. Computational metrology
TW201901286A (zh) * 2017-05-01 2019-01-01 美商蘭姆研究公司 透過邊緣放置誤差預測之設計佈局圖案近接校正

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3977324B2 (ja) 2002-11-12 2007-09-19 エーエスエムエル ネザーランズ ビー．ブイ． リソグラフィ装置
WO2016096309A1 (en) * 2014-12-15 2016-06-23 Asml Netherlands B.V. Optimization based on machine learning
US10282509B2 (en) * 2016-10-28 2019-05-07 Toshiba Memory Corporation Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus
WO2018125220A1 (en) * 2016-12-30 2018-07-05 Intel Corporation Systems, methods, and apparatuses for implementing opc modeling via machine learning on simulated 2d optical images for sed and post sed processes
EP3382606A1 (en) 2017-03-27 2018-10-03 ASML Netherlands B.V. Optimizing an apparatus for multi-stage processing of product units

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180024968A1 (en) * 2016-07-22 2018-01-25 Xerox Corporation System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization
WO2018072980A1 (en) * 2016-10-21 2018-04-26 Asml Netherlands B.V. Methods of determining corrections for a patterning process
WO2018153711A1 (en) * 2017-02-22 2018-08-30 Asml Netherlands B.V. Computational metrology
TW201901286A (zh) * 2017-05-01 2019-01-01 美商蘭姆研究公司 透過邊緣放置誤差預測之設計佈局圖案近接校正

Also Published As

Publication number Publication date
CN113366498B (zh) 2025-05-02
US20220083834A1 (en) 2022-03-17
WO2020156724A1 (en) 2020-08-06
US12254392B2 (en) 2025-03-18
CN113366498A (zh) 2021-09-07
KR20210102976A (ko) 2021-08-20
KR102794911B1 (ko) 2025-04-10
TW202043929A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
US11714357B2 (en) Method to predict yield of a device manufacturing process
TWI729918B (zh) 判定程序之校正
US12055904B2 (en) Method to predict yield of a device manufacturing process
TWI722699B (zh) 用於判定與半導體製程的效能度量有關之校正之方法、獲得用於判定與微影程序之效能度量有關的校正之至少一個經訓練模型的方法、電腦程式、及相關聯之非暫時性電腦程式載體及處理裝置
TW202119135A (zh) 用於控制微影設備之方法
TWI791321B (zh) 用於組態採樣架構產生模型之方法及電腦程式
TWI803186B (zh) 預測半導體製程之度量衡偏移之方法及電腦程式
EP3712817A1 (en) Apparatus and method for property joint interpolation and prediction
TWI733296B (zh) 性質結合內插及預測之設備及方法
TW202036167A (zh) 用以根據來自處理站之個別貢獻來特徵化後處理資料的方法
TW202244999A (zh) 將基板區域之量測資料模型化的方法及其相關設備
TW202143084A (zh) 插補模型組態
WO2025214673A1 (en) A method of lithography and associated apparatuses
TW202236025A (zh) 對基板區域上的量測資料進行模型化的方法及相關設備