[go: up one dir, main page]

TWI739343B - 用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品 - Google Patents

用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品 Download PDF

Info

Publication number
TWI739343B
TWI739343B TW109108370A TW109108370A TWI739343B TW I739343 B TWI739343 B TW I739343B TW 109108370 A TW109108370 A TW 109108370A TW 109108370 A TW109108370 A TW 109108370A TW I739343 B TWI739343 B TW I739343B
Authority
TW
Taiwan
Prior art keywords
pattern
patterns
representative
optical proximity
design layout
Prior art date
Application number
TW109108370A
Other languages
English (en)
Other versions
TW202040259A (zh
Inventor
文載寅
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 TW202040259A publication Critical patent/TW202040259A/zh
Application granted granted Critical
Publication of TWI739343B publication Critical patent/TWI739343B/zh

Links

Images

Classifications

    • 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
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • 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
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • 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
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • 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
    • G03F7/70533—Controlling abnormal operating mode, e.g. taking account of waiting time, decision to rework or rework flow
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06N3/04—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

本文描述一種判定代表性圖案以用於訓練一機器學習模型以預測光學近接校正之方法。該方法包括：獲得包含一組圖案群組之一設計佈局，每一圖案群組包括一或多個子群組；判定該組圖案群組之一組代表性圖案，一代表性圖案為例項出現於該組群組圖案中的一子群組；經由使用該組代表性圖案模擬一光學近接校正程序而獲得與該組代表性圖案相關聯的參考光學近接校正資料；及基於該組代表性圖案及該組參考光學近接校正資料訓練一機器學習模型以預測用於該設計佈局之光學近接校正。

Description

用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品
本文中之本說明書係關於微影裝置及程序，且更特定言之，係關於一種用以進行設計佈局之光學近接誤差校正之工具及方法。
微影裝置可用於例如積體電路(IC)或其他器件之製造中。在此狀況下，圖案化器件(例如光罩)可含有或提供對應於器件(「設計佈局」)之個別層之圖案，且可藉由諸如經由圖案化器件上之圖案來輻照已經塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)之方法而將此圖案轉印至該目標部分上。一般而言，單一基板含有複數個鄰近目標部分，圖案係由微影裝置順次地轉印至該複數個鄰近目標部分，一次一個目標部分。在一種類型之微影裝置中，將整個圖案化器件上之圖案一次性轉印至一個目標部分上；此裝置通常被稱作步進器。在通常被稱作步進掃描裝置(step-and-scan apparatus)之替代裝置中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描，同時平行或反平行於此參考方向而同步地移動基板。圖案化器件上之圖案之不同部分逐漸地轉印至一個目標部分。一般而言，由於微影裝置將具有放大因數M(通常<1)，因此基板被移動之速度F將為投影光束掃 描圖案化器件之速度的因數M倍。
在將圖案自圖案化器件轉印至器件製造程序之基板之器件製作工序之前，基板可經歷器件製造程序之各種器件製作工序，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受器件製造程序之其他器件製作工序，諸如曝光後烘烤(PEB)、顯影，及硬烘烤。此器件製作工序陣列係用作製造器件(例如IC)之個別層之基礎。基板可接著經歷器件製造程序之各種器件製作工序，諸如，蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等，該等工序皆意欲精整器件之個別層。若在器件中需要若干層，則針對每一層來重複整個程序或其變體。最終，在基板上之每一目標部分中將存在一器件。若存在複數個器件，則接著藉由諸如切塊或鋸切之技術將此等器件彼此分離，據此，可將個別器件安裝於載體上、連接至銷釘，等。
因此，製造諸如半導體器件之器件通常涉及使用數個製作程序來處理基板(例如半導體晶圓)以形成該等器件之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械研磨及離子植入來製造及處理此等層及特徵。可在一基板上之複數個晶粒上製作多個器件，且接著將其分離成個別器件。此器件製造程序可被認為係圖案化程序。圖案化程序涉及圖案化步驟，諸如使用微影裝置之光學或奈米壓印微影，以在基板上提供圖案且通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影裝置之抗蝕劑顯影、使用烘烤工具烘烤基板、使用蝕刻裝置使用圖案進行蝕刻等。另外，通常在圖案化程序中涉及一或多個度量衡程序。
在一實施例中，提供一種判定代表性圖案以用於訓練一機 器學習模型以預測光學近接校正之方法。該方法包括：獲得包含一組圖案群組之一設計佈局，每一圖案群組包括一或多個子群組；判定該組圖案群組之一組代表性圖案，一代表性圖案為例項出現於該組群組圖案中的一子群組；經由使用該組代表性圖案模擬一光學近接校正程序而獲得與該組代表性圖案相關聯的參考光學近接校正資料；及基於該組代表性圖案及該組參考光學近接校正資料訓練一機器學習模型以預測用於該設計佈局之光學近接校正。
此外，在一實施例中，提供一種用於一圖案化程序之微影裝置。該裝置包括：與一設計佈局相關聯之一光罩；待使用該光罩而成像之一基板；及一處理器，其經組態以：獲得(i)待印刷於該基板上之該設計佈局之一組代表性圖案，及(ii)與該組代表性圖案相關聯之程序條件；及經由該微影裝置根據該等程序條件控制該圖案化程序之參數。
此外，在一實施例中，提供一種電腦程式產品，其包含其上經記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施如以上技術方案中任一項之方法。
說明性實施之前述一般描述及其以下詳細描述僅僅為本揭示之教示的例示性態樣，且並非限定性的。
10A:微影投影裝置
12A:輻射源
14A:光學件/組件
16Aa:光學件/組件
16Ab:光學件/組件
16Ac:光學件/組件
18A:圖案化器件
20A:可調整濾光器或孔徑
21:輻射光束
22:琢面化場鏡面器件
22A:基板平面
24:琢面化光瞳鏡面器件
26:經圖案化光束
28:反射元件
30:反射元件
100:電腦系統
102:匯流排
104:處理器
105:處理器
106:主記憶體
108:唯讀記憶體(ROM)
110:儲存器件
112:顯示器
114:輸入器件
116:游標控制件
118:通信介面
120:網路鏈路
122:網路
124:主機電腦
126:網際網路服務提供者(ISP)
128:網際網路
130:伺服器
210:EUV輻射發射電漿/極熱電漿
211:特性/處理參數/源腔室
212:設計佈局參數/收集器腔室
213:計算或經驗模型
214:光學近接校正
220:圍封結構
221:開口
230:選用氣體障壁或污染物截留器/污染截留器/污染物障壁
240:光柵光譜濾光器
251:上游輻射收集器側
252:下游輻射收集器側
253:掠入射反射器
254:掠入射反射器
255:掠入射反射器
400:方法
401:子群組
402:圖案群組
403:設計佈局
404:代表性圖案/參考圖案
406:參考光學近接校正資料/參考CTM影像
410:光學近接校正
412:圖案/子群組
414:例項
416:代表性圖案
418:圖案資訊
501:設計佈局
510:光罩圖案資料
520:光罩
525:光罩
530:程序條件
700:設計佈局
701:圖案群組
801:代表性圖案
810:例項
1600:區塊
1610:1×1迴旋
1620:1×1迴旋
1630:3×3迴旋
1640:1×1迴旋
1650:5×5迴旋
1660:區塊
1670:1×1迴旋
1680:區塊
1700:區塊
1710:區塊
9000:全晶片圖案
9001:二進位化剪輯
9002:二進位化剪輯
9003:二進位化剪輯
9004:二進位化剪輯
9011:經呈現剪輯
9012:經呈現剪輯
9013:經呈現剪輯
9014:經呈現剪輯
9021:光學近接校正資料
9022:光學近接校正資料
9023:光學近接校正資料
9024:光學近接校正資料
AD:調整器
B:輻射光束
BD:光束遞送系統
BK:烘烤板
C:目標部分
CO:聚光器/收集器光學件
CH:冷卻板
G1:群組
G2:群組
G3:群組
G4:群組
G5:群組
G7:群組
G8:群組
G9:群組
G10:群組
Gn:群組
IF:干涉計/虛擬源點/中間焦點
IL:照明系統/照明器/照明光學件單元
IN:積光器
I/O1:輸入/輸出埠
I/O2:輸入/輸出埠
LA:微影投影裝置
LACU:微影控制單元
LB:裝載匣
LC:微影製造單元
M1:圖案化器件對準標記
M2:圖案化器件對準標記
MA:圖案化器件
MT:第一物件台/圖案化器件台/支撐結構
O:光軸
P1:基板對準標記
P2:基板對準標記
PM:第一定位器
PS:項目/投影系統
PS2:位置感測器
PW:第二定位器
P402:工序
P404:工序
P406:工序
P408:工序
P414:工序
P416:工序
P418:工序
P501:程序
P510:程序
P530:程序
P532:程序
R:一組代表性圖案
RO:基板處置器或機器人
SC:旋塗器
SCS:監督控制系統
sg1:子群組/代表性圖案
sg2:子群組
sg3:子群組
sgx:子群組
SO:源收集器模組
TCU:塗佈顯影系統控制單元
W:基板
WT:第二物件台/基板台
併入本說明書中且構成本說明書之一部分的隨附圖式說明一或多個實施例且連同本說明書一起解釋此等實施例。隨附圖式未必按比例繪製。隨附圖式及圖中所說明之任何值尺寸係僅出於說明之目的且可能或可能不表示實際或較佳值或尺寸。適用時，可能不會說明一些或全部特徵來輔助描述基礎特徵。在該等圖式中：
圖1為根據本發明之一例示性實施例的微影系統之各種子系統的方塊圖。
圖2示意性地描繪根據本發明之一例示性實施例的微影製造單元或叢集之實施例。
圖3示意性地描繪根據本發明之一例示性實施例的將輔助特徵(連接至主要特徵之輔助特徵或獨立輔助特徵)置放至設計佈局中之方法。
圖4A為根據本發明之一例示性實施例的用於判定代表性圖案以用於訓練機器學習模型以預測光學近接校正之方法的流程圖。
圖4B為根據本發明之一例示性實施例的用於判定圖4A之一組代表性圖案的流程圖。
圖4C為根據本發明之一例示性實施例的將給定子群組之例項分類為圖4B之代表性圖案。
圖5為根據本發明之一例示性實施例的用於使用圖4A之經訓練機器學習模型判定圖案化程序之態樣(例如光罩圖案)之方法的流程圖。
圖6說明根據本發明之一例示性實施例的呈對應於參考圖案之灰階影像(例如CTM)之形式的實例參考資料。
圖7A為實例設計佈局，及圖7B為根據本發明之一例示性實施例的設計佈局之圖案群組。
圖8說明根據本發明之一例示性實施例的在圖7A之設計佈局中所識別之代表性圖案的例項。
圖9為根據本發明之一例示性實施例的訓練機器學習模型 及關聯資料的實例。
圖10說明根據本發明之一例示性實施例的用於神經網路之實例起始區塊。
圖11說明根據本發明之一例示性實施例的用於神經網路之實例殘餘區塊。
圖12為根據本發明之一例示性實施例的實例電腦系統之方塊圖。
圖13為根據本發明之一例示性實施例的微影投影裝置之示意圖。
圖14為根據本發明之一例示性實施例的另一微影投影裝置之示意圖。
圖15為根據本發明之一例示性實施例的圖13中之裝置的更詳細視圖。
圖16為根據一實施例的圖14及圖15之裝置之源收集器模組SO的更詳細視圖。
現在將參看圖式詳細地描述實施例，該等圖式被提供為說明性實例以便使熟習此項技術者能夠實踐該等實施例。值得注意地，以下之諸圖及實例不意欲將範疇限於單一實施例，而是借助於所描述或所說明元件中之一些或全部之互換而使其他實施例係可能的。在任何方便之處，將遍及該等圖式使用相同元件符號來指相同或類似部件。在可部分地或完全地使用已知組件來實施此等實施例之某些元件的情況下，將僅描述理解該等實施例所必需之此等已知組件之彼等部分，且將省略此等已知組件之其他部分之詳細描述以便不混淆對該等實施例之描述。在本說明書中，展 示單數組件之實施例不應被視為限制性的；實情為，除非本文中另有明確陳述，否則範疇意欲涵蓋包括複數個相同組件之其他實施例，且反之亦然。此外，申請人不意欲使本說明書或申請專利範圍中之任何術語歸結於不常見或特殊涵義，除非如此明確闡述。另外，範疇涵蓋本文中借助於說明而提及之組件的目前及未來已知等效者。
在下文中結合隨附圖式所闡述之描述意欲作為對所揭示之主題之各種實施例之描述且不必意欲表示僅有的實施例。在某些情況下，描述包括出於提供所揭示實施例之理解之目的的特定細節。然而，對於熟習此項技術者將顯而易見，可在無彼等特定細節之情況下實踐所揭示實施例。在一些情況下，熟知之結構及組件可以方塊圖形式展示以便避免混淆所揭示主題之概念。
隨著半導體或其他器件製造程序繼續進步，幾十年來，功能元件之尺寸已不斷地縮減，而每器件的諸如電晶體之功能元件之量已在穩固地增加，此遵循通常被稱作「莫耳定律(Moore's law)」之趨勢。在目前先進技術下，使用微影裝置來製造器件層，該等微影裝置使用來自深紫外線(例如193nm)照明源或極紫外線(例如13.52nm)照明源之照明將設計佈局投影至基板上，從而產生尺寸充分地低於30nm之個別功能元件。
供印刷尺寸小於微影裝置之經典解析度極限之特徵的此程序根據解析度公式CD=k1×λ/NA而通常被稱為低k1微影，其中λ為所使用輻射之波長(當前在大多數狀況下為248nm或193nm)，NA為微影裝置中之投影光學件之數值孔徑，CD為「臨界尺寸」(通常為所印刷之最小特徵大小)，且k1為經驗解析度因數。一般而言，k1愈小，則在基板上再生類 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變得愈困難。為了克服此等困難，將複雜微調步驟應用於微影裝置或設計佈局。此等步驟包括例如但不限於：NA及光學相干性設定之最佳化、自訂照明方案、使用相移圖案化器件、設計佈局中之光學近接校正(OPC)，或通常被定義為「解析度增強技術」(RET)之其他方法。
作為RET之實例，OPC處理如下事實：投影於基板上之設計佈局的影像之最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化器件上之大小及置放。應注意，可在本文中互換地利用術語「光罩」、「倍縮光罩」、「圖案化器件」。又，熟習此項技術者將認識到，可互換地使用術語「光罩」、「圖案化器件」及「設計佈局」，如在RET之內容背景中，未必使用實體圖案化器件，而可使用設計佈局來表示實體圖案化器件。對於存在於某一設計佈局上之小特徵大小及高特徵密度，給定特徵之特定邊緣之位置將在某種程度上受到其他鄰近特徵之存在或不存在影響。此等近接效應起因於自一個特徵耦接至另一特徵的微小量之輻射或諸如繞射及干涉之非幾何光學效應。相似地，近接效應可起因於在通常跟隨微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了增加設計佈局之經投影影像係根據給定目標電路設計之要求之機會，可使用設計佈局之複雜數值模型、校正或預失真來預測及補償近接效應。論文「Full-Chip Lithography Simulation and Design Analysis-How OPC Is Changing IC Design」(C.Spence，Proc.SPIE，第5751卷，第1至14頁(2005年))提供當前「以模型為基礎」之光學近接校正程序的綜述。在典型高端設計中，設計佈局之幾乎每一特徵皆具有某種 修改，以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置，以及意欲輔助其他特徵之投影的「輔助」特徵之應用。
OPC之最簡單形式中之一者為選擇性偏置。在給出CD相對於節距曲線的情況下，可至少在最佳焦點及曝光處藉由改變圖案化器件位階處之CD而迫使所有不同節距產生相同CD。因此，若特徵在基板位階處過小地印刷，則圖案化器件位階特徵將偏置成稍微大於標稱，且反之亦然。由於自圖案化器件位階至基板位階之圖案轉印程序係非線性的，故偏置之量並非僅僅為在最佳焦點及曝光處之經量測CD誤差乘以縮減比率，而是運用模型化及實驗，可判定適當偏置。選擇性偏置為對近接效應之問題的不完整解決方案，特別是在其僅應用於標稱程序條件下的情況下。儘管此偏置原則上可應用以給出最佳焦點及曝光處之均一CD相對於節距曲線，但一旦曝光程序自標稱條件變化，每一偏置節距曲線就將作出不同的回應，從而引起用於不同特徵之不同程序窗。程序窗係足夠適當地產生特徵所根據兩個或多於兩個程序參數(例如，微影裝置中之焦點及輻射劑量)的值範圍(例如，特徵之CD處於諸如±10%或±5%之某一範圍內)。因此，為給出相同CD相對於間距之「最佳」偏置甚至可對總程序窗有消極影響，從而縮減(而非放大)所有目標特徵在所要程序容許度內印刷於基板上之焦點及曝光範圍。
已開發供超出以上之一維偏置實例之應用的其他更複雜OPC技術。二維近接效應係線端縮短的。線端具有依據曝光及焦點而自其所要端點部位「拉回」之傾向。在許多狀況下，長線端之末端縮短程度可比對應線窄化大若干倍。此類型之線端拉回可在線端不能完全橫越其意欲 覆蓋之底層(諸如，源極-汲極區上方之多晶矽閘極層)的情況下引起所製造的器件發生嚴重故障。由於此類型之圖案對焦點及曝光高度敏感，因此使線端簡單地偏置成長於設計長度不適當，此係因為最佳焦點及曝光處或在曝光不足條件下之線將過長，從而在延伸之線端觸摸相鄰結構時引起短路，或在電路中之個別特徵之間添加更多空間的情況下引起不必要大的電路大小。由於積體電路設計及製造之目標中之一者為最大化功能元件之數目，同時最小化每晶片所需之面積，因此添加過量間距係非所要的解決方案。
二維OPC途徑可有助於解決線端拉回問題。諸如「錘頭」或「襯線」之額外結構(亦被稱為「輔助特徵」)可添加至線端以將該等線端有效地錨定於適當位置且提供遍及整個程序窗之縮減之拉回。即使在最佳焦點及曝光處，此等額外結構仍未被解析，但其變更主特徵之外觀，而未被獨自完全解析。如本文中所使用之「主特徵」意謂在程序窗中之一些或全部條件下意欲印刷於基板上之特徵。輔助特徵可呈現比添加至線端之簡單錘頭更有攻擊性之形式，而達圖案化器件上之圖案不再簡單地為大小增加縮減比率的所要基板圖案之程度。諸如襯線之輔助特徵可應用於比簡單地縮減線端拉回更多的情形。內襯線或外襯線可被施加至任何邊緣，尤其是二維邊緣，以縮減隅角圓化或邊緣擠壓。在運用足夠選擇性偏置以及所有大小及極性之輔助特徵的情況下，圖案化器件上之特徵承受與基板位階處所要之最終圖案愈來愈小的類似性。一般而言，圖案化器件圖案變為基板位階圖案之經預失真版本，其中失真意欲抵消或反轉在製造程序期間將出現的圖案變形以在基板上產生儘可能接近於設計者所預期之圖案的圖案。
代替使用連接至主特徵之彼等輔助特徵(例如，襯線)或除了使用連接至主特徵之彼等輔助特徵(例如，襯線)以外，另一OPC技術涉及亦使用完全獨立且不可解析之輔助特徵。此處之術語「獨立」意謂此等輔助特徵之邊緣並不連接至主特徵之邊緣。此等獨立輔助特徵不意欲或希望作為特徵印刷於基板上，而是意欲修改附近主特徵之空中影像以增強彼主特徵之可印刷性及程序容許度。此等輔助特徵(常常被稱作「散射長條」或「SBAR」)可包括：次解析度輔助特徵(SRAF)，其為主特徵之邊緣外部之特徵；及次解析度逆特徵(SRIF)，其為自主特徵之邊緣內部取出之特徵。SBAR之存在向圖案化器件圖案添加了又一層之複雜度。散射長條之使用之簡單實例為：其中在經隔離線特徵之兩個側上拖曳不可解析散射長條之規則陣列，此具有自空中影像之觀點使經隔離線呈現為更表示緻密線陣列內之單一線之效應，從而引起程序窗在焦點及曝光容許度方面更接近於緻密圖案之焦點及曝光容許度。此經裝飾隔離特徵與緻密圖案之間的共同程序窗相比於如在圖案化器件位階處隔離而拖曳之特徵之情形將具有對焦點及曝光變化之更大的共同容許度。
輔助特徵可被視為圖案化器件上之特徵與設計佈局中之特徵之間的差異。術語「主特徵」及「輔助特徵」並不暗示圖案化器件上之特定特徵必須被標註為主特徵或輔助特徵。
作為簡要介紹，圖1說明例示性微影投影裝置10A。主要組件包括：照明光學件，其定義部分相干性(被表示為均方偏差)，且可包括：塑形來自輻射源12A之輻射的光學件14A、16Aa及16Ab，該輻射源12A可為深紫外線準分子雷射源或包括極紫外線(EUV)源的其他類型之源(如本文所論述，微影投影裝置自身無需具有輻射源)；及光學件16Ac，其 將圖案化器件18A之圖案化器件圖案之影像投影至基板平面22A上。投影光學件之光瞳平面處之可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度定義投影光學件之數值孔徑NA=sin(Θmax)。
在微影投影裝置中，投影光學件經由圖案化器件而導向來自源之照明且將該照明導向至基板上且塑形該照明。此處，術語「投影光學件」被廣泛地定義為包括可變更輻射光束之波前的任何光學組件。舉例而言，投影光學件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為基板位階處之輻射強度分佈。曝光基板上之抗蝕劑層，且將空中影像轉印至抗蝕劑層以在其中作為潛伏「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。抗蝕劑模型可用以自空中影像演算抗蝕劑影像。抗蝕劑模型僅與抗蝕劑層之屬性(例如，在曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應)有關。微影投影裝置之光學屬性(例如，照明、圖案化器件及投影光學件之屬性)規定空中影像且可被定義於光學模型中。由於可改變用於微影投影裝置中之圖案化器件，因此需要使圖案化器件之光學屬性與至少包括源及投影光學件的微影投影裝置之其餘部分之光學屬性分離。美國專利申請公開案第US 2008-0301620號、第2007-0050749號、第2007-0031745號、第2008-0309897號、第2010-0162197號及第2010-0180251號中描述了用以將設計佈局變換成各種微影影像(例如空中影像、抗蝕劑影像等)、使用技術及模型來應用OPC且評估效能(例如依據程序窗)的彼等技術及模型之細節，該等公開案中之每一者之揭示內容之全文特此係以引用方式併入。
如圖2中所展示，微影裝置LA可形成微影製造單元LC(有 時亦被稱作微影製造單元(lithocell)或微影叢集(lithocluster))之部分，微影製造單元LC亦包括用以對基板執行一或多個曝光前程序及曝光後程序之裝置。通常，此等裝置包括用以沈積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/O2拾取基板、在不同程序器件之間移動基板，且將基板遞送至微影裝置之裝載匣LB。常常被集體地稱作塗佈顯影系統(track)之此等器件係在塗佈顯影系統控制單元TCU之控制下，塗佈顯影系統控制單元TCU自身受到監督控制系統SCS控制，監督控制系統SCS亦經由微影控制單元LACU而控制微影裝置。因此，不同裝置可經操作以最大化產出率(例如每單位時間處理之基板)及處理效率。微影製造單元LC可進一步包含用以蝕刻基板之一或多個蝕刻器，及經組態以量測基板之參數之一或多個量測器件。量測器件可包含經組態以量測基板之實體參數之光學量測器件，諸如，散射計、掃描電子顯微鏡等。量測器件可併入於微影裝置LA中。本發明之一實施例可在監督控制系統SCS或微影控制單元LACU中實施或運用監督控制系統SCS或微影控制單元LACU來實施。舉例而言，來自監督控制系統SCS或微影控制單元LACU之資料可由本發明之一實施例使用，且可將來自本發明之一實施例之一或多個信號提供至監督控制系統SCS或微影控制單元LACU。
圖3示意性地描繪在設計佈局中進行光學近接校正214之方法。設計佈局可為在應用RET之前的設計佈局或在應用RET之後的設計佈局。設計佈局可為二元或連續色調。在本發明中，集中於將輔助特徵(連接至主要特徵之輔助特徵或獨立輔助特徵)置放至設計佈局中作為實例光 學近接校正，本文中之技術可應用於該實例光學近接校正。如應瞭解，本文中之技術可應用於除輔助特徵以外之替代光學近接校正(諸如偏置等)或應用於除了輔助特徵之外的光學近接校正(例如偏置及輔助特徵之組合)。
計算或經驗模型213可用以應用諸如一或多個輔助特徵之一或多個光學近接校正(例如判定一或多個光學近接校正之一或多個特性，諸如存在、部位、類型、形狀等)。模型213可考量器件製造程序之一或多個特性211(亦被稱作處理參數)或一或多個設計佈局參數212，或此兩者。一或多個處理參數211為與器件製造程序相關聯但不與設計佈局相關聯的一或多個參數。舉例而言，一或多個處理參數211可包括照明之特性(例如強度、光瞳剖面等)、投影光學件之特性、劑量、焦點、抗蝕劑之特性、抗蝕劑之顯影之特性、抗蝕劑之曝光後烘烤之特性，或蝕刻之特性。一或多個設計佈局參數212可包括一設計佈局上之各種特徵之一或多個形狀、大小、相對部位或絕對部位，且亦包括不同設計佈局上之特徵之重疊。在經驗模型中，影像(例如抗蝕劑影像、光學影像、蝕刻影像)未經模擬；取而代之，經驗模型基於輸入(例如一或多個處理參數211或設計佈局參數212)與光學近接校正之間的相關性進行光學校正(例如置放輔助特徵)。在計算模型中，演算影像之部分或特性，且基於所演算影像之部分或特性應用光學近接校正。
經驗模型之一實例係機器學習模型。無監督機器學習模型與監督機器學習模型兩者可用以進行光學近接校正(例如輔助特徵之置放)。在不限制本發明之範疇的情況下，在下文描述對監督機器學習演算法之應用。
監督學習為自經標註訓練資料推斷函數之機器學習任務。 訓練資料包括一組訓練實例。在監督學習中，每一實例為具有輸入物件(通常為向量)及所要輸出值(亦被稱為監督信號)之一對。監督學習演算法分析訓練資料且產生可用於映射新實例之經推斷函數。在一實施例中，最佳情境將允許演算法正確地判定用於未見過的例項之類別標籤。此需要學習演算法以「合理」方式自訓練資料一般化成未見過的情形。
在給出形式為{(x1,y1),(x2,y2),…,(xN,yN)}之一組N個訓練實例使得xi為第i個實例之特徵向量且yi為其標籤(亦即，類別)的情況下，學習演算法尋求函數g：X→Y，其中X為輸入空間且Y為輸出空間。特徵向量為表示某一物件之數值特徵之n維向量。機器學習中之許多演算法需要物件之數值表示，此係由於此等表示促進處理及統計分析。當表示影像時，特徵值可能對應於影像之像素，當表示文字時，特徵值可能稱為出現頻率。與此等向量相關聯之向量空間常常被稱為特徵空間。函數g為可能函數G之某一空間(通常被稱作假設空間)之要素。有時使用計分函數f：X×Y→
Figure 109108370-A0305-02-0016-6
表示g係合宜的，使得g被定義為返回給出最高計分：
Figure 109108370-A0305-02-0016-5
之y值，其中F表示計分函數之空間。儘管G及F可為函數之任何空間，但許多學習演算法係機率模型，其中g採取條件機率模型g(x)=P(y|x)之形式，或f採取聯合機率模型f(x,y)=P(x,y)之形式。舉例而言，樸素貝葉斯(naive Bayes)及線性判別分析為聯合機率模型，而邏輯迴歸為條件機率模型。
存在用以選擇f或g之兩種基本途徑：經驗風險最小化及結構風險最小化。經驗風險最小化尋求最佳擬合訓練資料之函數。結構風險最小化包括控制偏差/方差取捨之懲罰函數。
在兩種狀況下，假定訓練集具有獨立且相同分配的對 (xi,yi)之樣本。為了量測函數擬合訓練資料之良好程度，通常定義目標函數。為此，可定義成本或損失函數L：Y×Y→
Figure 109108370-A0305-02-0017-1
。在此情形下，對於訓練實例(xi,yi)，預測值
Figure 109108370-A0305-02-0017-2
之損失為
Figure 109108370-A0305-02-0017-3
。將函數g之風險R(g)定義為g之預期損失。此可自訓練資料估計為
Figure 109108370-A0305-02-0017-4
。
監督學習之例示性模型包括決策樹、系集(裝袋、增強、隨機森林)、k-NN、線性迴歸、樸素貝葉斯、神經網路、邏輯迴歸、感知器(perceptron)、支援向量機(SVM)、相關性向量機(RVM)及深度學習。
SVM為監督學習模型之一實例，其分析資料且辨識圖案，且可用於分類及迴歸分析。在給出一組訓練實例(其各自被標記為屬於兩個種類中之一者)的情況下，SVM訓練演算法建置將新實例指派至一個種類或另一種類中之模型，使得其為非機率二進位線性分類器。SVM模型為如空間中之點之實例的表示，其經映射使得單獨種類之實例由儘可能寬的清晰間隙分隔。接著將新實例映射至同一空間中，且基於其落在間隙之哪一側來預測其屬於的種類。除了執行線性分類以外，SVM亦可使用被稱為核心方法來有效地執行非線性分類，從而隱含地將其輸入映射至高維特徵空間中。
核心方法涉及使用者指定之核心，亦即，遍及原始表示中之資料點對之相似度函數。核心方法之名字歸功於核心函數之使用，核心函數使其能夠在高維、隱式特徵空間中操作而無需不斷計算彼空間中之資料的座標，而是簡單地計算特徵空間中之所有資料對之影像之間的內積。此操作在計算上常常比座標之顯式計算更省事。此途徑被稱作「核心技巧(kernel trick)」。
SVM之有效性取決於對核心、核心參數及軟裕度參數C之 選擇。常見選擇為高斯核心，其具有單一參數γ。常常藉由運用按指數律成比例生長之C及γ之序列，例如C
Figure 109108370-A0305-02-0018-7
{2-5,2-4,...,215,216}；γ
Figure 109108370-A0305-02-0018-8
{2-15,2-14,...,24,25}，進行的格點搜尋(亦被稱為「參數掃掠」)來選擇C與γ之最佳組合。
格點搜尋為經由學習演算法之超參數空間之手動指定子集的詳盡搜尋。格點搜尋演算法係由某一效能度量導引，該效能度量通常藉由對訓練集之交叉驗證或對留存驗證集合之評估來量測。
可使用交叉驗證檢查參數選擇之每一組合，且拾取具有最佳交叉驗證準確度之參數。
交叉驗證(有時被稱為旋轉估計)為用於評估統計分析之結果將如何一般化成獨立資料集的模型驗證技術。其主要用於目標為預測的設定中，且吾人希望估計預測模型實務上將執行之準確度。在預測問題中，通常向模型提供執行訓練之已知資料的資料集(訓練資料集)，及模型經測試所對照之未知資料(或首次所見資料)之資料集(測試資料集)。交叉驗證之目標為定義用以在訓練階段「測試」模型的資料集(亦即，驗證資料集)，以便限制比如過度擬合之問題，給出對模型將如何一般化成獨立資料集(亦即，未知資料集，例如來自真實問題)之理解等。交叉驗證之一個回合涉及將資料樣本分割成互補子集、對一個子集(被稱為訓練集)執行分析，及驗證對另一子集(被稱為驗證集合或測試集合)之分析。為了縮減可變性，使用不同分割執行多個回合之交叉驗證，且遍及該等回合來平均化驗證結果。
接著使用選定參數在整個訓練集上訓練可用於測試及用於將新資料分類之最終模型。
監督學習之另一實例為迴歸。迴歸自一組因變數值與對應自變數值推斷一因變數與一或多個自變數之間的關係。在給出自變數的情況下，迴歸可估計因變數之條件期望值。所推斷出之關係可被稱為迴歸函數。所推斷出之關係可為機率性的。
通常，設計佈局具有數十億個圖案且選擇許多此類圖案之樣本以判定圖案化程序參數、訓練程序模型等。因此，需要選擇表示設計佈局之多樣化圖案。然而，為了選擇用於全晶片電路設計上之機器學習SRAF之樣本，當前不存在用以系統地及有效地選擇用於學習之多樣化樣本(例如代表性圖案)之明確方式。在一種已知途徑中，基於人類本能或關於電路設計之設計上的重要部位或已知熱點之知識自設計佈局提取圖案樣本。在另一途徑中，定義圖案搜尋演算法以識別設計佈局中之獨特圖案。在此搜尋演算法中，定義與所要圖案相關聯之所要特性，且搜尋演算法搜尋在設計佈局內滿足此類所要特性的圖案。然而，此類搜尋演算法並不準確且特性可為使用者定義的且可未經系統地定義。
由於全晶片電路設計在圖案中具有許多分集，因此可選擇相對較少的獨特圖案(比存在於設計佈局中之實際獨特圖案少)以用於機器學習，此導致模型(例如機器學習模型)擬合不足。在另一狀況下，可選擇相對較高數目個相似圖案以用於機器學習，此可導致模型過度擬合。又，由於不存在用以自全晶片系統地捕捉獨特設計之明確方法，因此機器學習模型導致對全晶片設計之覆蓋範圍不良。在一實施例中，覆蓋範圍係指覆蓋或表示大致整個設計佈局(例如具有數十億個圖案)之一組選定圖案(例如500,000；250,000，100,000或更少)。因此，在一實施例中，高覆蓋範圍指示所有設計圖案由一組選定圖案覆蓋的程度相對較高，而不良覆蓋範 圍指示相對較低數目個設計圖案由一組選定圖案覆蓋。
圖4A為判定代表性圖案以用於訓練機器學習模型以預測光學近接校正之方法400的流程圖。此類代表性圖案確保經訓練機器學習模型並未擬合過度或擬合不足。換言之，使用代表性圖案以訓練模型(例如機器學習模型)會確保訓練資料不包括相對較高數目個相似圖案，藉此無擬合過度，訓練資料亦不會省略不同圖案，藉此無擬合不足。
在工序P402中，該方法400涉及獲得包含一組圖案群組402之設計佈局403，每一圖案群組包括一或多個子群組401。圖4C說明包含一組圖案群組402(例如{G1,G2,G3,G4,G5,G7,G8,G9,G10...})的設計佈局403之實例。另外，該圖案群組包括一或多個子群組401，諸如包括子群組{sg1,sg2,sg3…}之群組G1。在一實施例中，該組圖案群組在設計佈局403上之不同部位處散佈。
在一實施例中，圖案群組以階層配置，在該階層中，每一圖案群組包括一或多個圖案子群組。因此，子群組(例如圖4C中之sg2)出現於多於一個群組(例如圖4C中之G1及G3)中。在一實施例中，圖案群組之階層係指用以表示該圖案群組之資料結構。在一實施例中，階層包括根據設計準則在資料結構內一個在另一個上定位(例如順位)的一或多個圖案子群組。舉例而言，子群組可基於圖案之子群組內之特徵之數目、圖案之子群組之臨界性或其他準則而以階層配置。階層包含若干個子層級，其中每一子層級包括圖案之一或多個子群組。舉例而言，G1可被認為係頂部層級，且子群組sg1、sg2及sg3可為G1之第一子層級之部分。另外，子群組(例如sg1)可包括可被認為係第一子層級之子層級的另一子群組(例如sg11、sg12、sg13等(未說明))。本發明不限於設計佈局之特定階層結 構。
在一實施例中，階層結構經組態成使得可執行此結構內之搜尋以尋找圖案之特定子群組。在一實施例中，可產生圖案之特定子群組周圍的視覺標記物或邊界，使得可在設計佈局上標記該特定子群組之一或多個部位。在一實施例中，標記物內之特徵可用於訓練、產生OPC或其他應用。在一實施例中，此視覺標記物可使能夠將特定子群組與部位之臨界性相關聯(例如，熱點部位與其他部位相比係高度臨界的)。在一實施例中，與熱點相關聯之圖案可用於判定圖案化程序之程序窗(例如劑量、焦點)、用以最大化程序窗之OPC及/或一或多個處理參數之值。
在一實施例中，階層表示將系統性資料結構提供至設計佈局，藉此實現對設計佈局403之代表性圖案之系統性搜尋。
另外，工序P404涉及判定一組圖案群組402(及擴展而言設計佈局403)之一組代表性圖案404。代表性圖案為例項出現於該組群組圖案中的子群組。舉例而言，如圖4C中所展示，一組代表性圖案為包含子群組sg1、sg2、sg3及sgx之R。如所展示，代表性圖案sg1具有複數個例項，尤其在群組G1、G2及G4中。如所展示，sg1之例項位於設計佈局403上之不同部位處。在一實施例中，可在被搜尋之圖案例項中之每一者的例項周圍繪製標記物或邊界。
圖7A至圖7B及圖8中在視覺上說明搜尋之實例。圖7A為實例設計佈局700，且圖7B中說明圖案群組701(例如設計佈局700之一部分)。在圖案群組700內，代表性圖案801之例項810展示於圖8中。在圖8中，亦可產生代表性圖案801周圍之輪廓或標記物且將其提供至影像以用於在顯示螢幕上突顯代表性圖案。
在一實施例中，如圖4B之流程圖所展示，判定一組代表性圖案404係反覆程序。反覆涉及在工序P414中，在一組圖案群組402(例如G1至Gn)之階層內搜尋圖案412(例如sg1)之給定子群組之例項414。另外，工序P416涉及將該給定子群組之例項(例如圖4C中所說明)分類為代表性圖案416(例如圖4C中之R)。在一實施例中，分類涉及產生一組代表性圖案404，其中該組之要素為表示所搜尋子群組412之所有例項的一個圖案。
另外，在一實施例中，可提取與代表性圖案相關之資訊。舉例而言，工序P418涉及自設計佈局提取與代表性圖案(例如sg1)相關聯之圖案資訊418。在一實施例中，圖案資訊418包含代表性圖案之一或多個特性。在一實施例中，該一或多個特性包括幾何特性(例如大小、形狀等)、特徵相對於彼此之相對位置、設計佈局內之代表性圖案之相對位置，或其他特性。
如早先所提及，現有技術涉及基於圖案搜尋演算法在設計佈局內搜尋圖案。此演算法經組態以接收圖案之某些特性作為輸入，且在設計佈局(或其一部分)內搜尋滿足此等特性的圖案。在一實施例中，搜尋涉及比較特徵之間的圖案化形狀、大小、相對位置與輸入特性。然而，搜尋結果通常不準確且若干圖案可被不準確地分類為相似圖案，從而導致某些獨特圖案冗餘或遺漏。此外，基於此設計佈局或甚至其一部分之數十億個圖案的搜尋之此特性在計算上係密集的且時間上不高效。
另一方面，在本發明中，搜尋圖案之子群組不直接比較給定子群組之圖案形狀及大小與一組圖案群組內之圖案形狀及大小。舉例而言，搜尋首先例如基於與圖案之子群組相關聯之識別符(例如名稱或字母 數字字符、字符串等)進行搜尋。舉例而言，一組圖案群組中之每一群組係與第一識別符相關聯，且圖案之一或多個子群組係與第二識別符相關聯。
因此，可修改工序P404以基於識別符判定一組代表性圖案。舉例而言，工序P404涉及比較與給定子群組相關聯之第二識別符與一組圖案之每一群組之階層內的識別符；及基於該比較識別該組圖案群組內具有相同第二識別符的圖案之子群組之例項；及將該給定子群組之例項分類為代表性圖案。
儘管初始搜尋並不基於圖案特性(例如一或多個特徵之形狀及大小)之比較，但該方法可進一步擴展以執行經識別圖案之不同例項之間的特性比較。與整個設計佈局相比在一相對較小組圖案上進行該比較，因此，此比較將在計算上較不密集且快速。
返回參看圖4A，在工序P406中，該方法400涉及經由使用一組代表性圖案404模擬光學近接校正程序而獲得與該組代表性圖案404相關聯的參考光學近接校正資料406。在一實施例中，獲得參考光學近接校正涉及：使用與代表性圖案相關聯之圖案資訊來模擬光學近接校正程序(例如關於圖3所論述)，且針對圖案化程序提供與該代表性圖案相關聯之該等光學近接校正。
圖6說明呈對應於參考圖案404之灰階影像(例如CTM)之形式的實例參考資料406。在此實例中，每一參考圖案404係與一參考CTM影像406相關聯。在一實施例中，404及406兩者可為像素化影像，且每個此類影像之像素值可用於訓練機器學習模型。以此方式進行訓練，機器學習模型建立代表性圖案與OPC之特徵之間的相關性(例如呈不同CNN層之 權重及偏差之值之形式)。在一實施例中，此相關性可進一步用以預測針對任何圖案之OPC。
本發明不限於例如OPC之特定參考資料。熟習此項技術者可修改方法400以產生與代表性圖案相關之其他特性資料，且使用此特性資料以用於訓練機器學習模型以預測與設計佈局相關聯之特性。
在一實施例中，光學近接校正包含置放與設計佈局之所要圖案相關聯的輔助特徵。在一實施例中，光學近接校正呈影像之形式且訓練係基於該等影像或該等影像之像素資料。如早先所提及(例如在圖3中)，該等影像為連續透射光罩(CTM)影像，及/或輔助特徵導引映圖，其中該等CTM影像及該等導引映圖提供與一組代表性圖案相關聯的輔助特徵之部位。在一實施例中，輔助特徵導引映圖係藉由以模型為基礎之OPC模擬或以規則為基礎之OPC模擬來產生。
在一實施例中，使用任何適合之方法基於代表性圖案404或代表性圖案之一或多個特性中的一或多者來判定OPC之輔助特徵之一或多個特性。舉例而言，輔助特徵之一或多個特性可使用美國專利第9,111,062號中所描述之或Y.Shen等人之Level-Set-Based Inverse Lithography For Photomask Synthesis(Optics Express，第17卷，第23690至23701頁(2009年))所描述之方法(該等案之揭示內容之全文特此係以引用方式併入)及/或本文中或以引用方式併入本文中之任何文件中所描述的任何其他技術來判定。舉例而言，參考OPC資料406可包括一或多個特性，諸如輔助特徵之一或多個幾何特性(例如絕對部位、相對部位或形狀)、輔助特徵之一或多個統計特性(諸如輔助特徵之幾何尺寸之平均值或方差)、輔助特徵之參數化(例如輔助特徵之函數之一或多個值，諸如關於 某些基底函數之投影)或輔助特徵之影像或影像資料(例如像素化、二進位曼哈頓(Manhattan)、二進位曲線或連續色調影像及/或關於關聯部位之像素值)。
一旦訓練資料(例如代表性圖案404及參考資料406)可用，工序P408就涉及基於一組代表性圖案404及參考光學近接校正資料406來判定經組態以預測用於設計佈局403之光學近接校正410之機器學習模型。
在一實施例中，設計佈局之代表性圖案404之一或多個特性及(例如與輔助特徵相關聯之)參考資料406之一或多個特性的值作為樣本包括於訓練資料中。在一實施例中，一或多個特性包括於樣本之特徵向量(亦被稱為輸入向量)中，且包括一或多個特性作為樣本之參考(亦被稱為監督信號或應答向量)。在工序P408中，使用訓練資料訓練機器學習模型410使得可在訓練中使用目標函數(例如損失或成本函數)。目標函數可為參考資料(例如OPC影像)與由機器學習模型將代表性圖案用作輸入所輸出之經預測資料(例如影像)之間的差。
本發明具有若干應用。在實施例中，將代表性圖案404或404之一或多個特性作為輸入提供至經訓練機器學習模型中，且獲得如自經訓練機器學習模型410輸出的用於代表性圖案404之一或多個輔助特徵之一或多個特性。一或多個特性可包括輔助特徵之一或多個幾何特性(例如絕對部位、相對部位或形狀)。一或多個特性可包括輔助特徵之參數化，諸如在某些基底函數上之投影。一或多個特性可包括輔助特徵之影像(像素化、二進位曼哈頓、二進位曲線或連續色調)或影像資料(例如關於關聯部位之像素值)。可例如使用美國專利申請公開案第2008/0301620號 中所描述之方法來調整輔助特徵之一或多個特性以避免其中的衝突，該公開案之揭示內容之全文係以引用方式併入。
圖9為根據本發明之一例示性實施例的訓練機器學習模型(例如在程序P408中)及關聯資料的實例。在圖9中，一或多個剪輯，諸如剪輯9001、9002、9003及9004可為來自全晶片圖案9000之代表性圖案(例如404)。在此等實例中，該等剪輯對應於接觸孔配置。如可在全晶片圖案9000中看出，可存在數十億個圖案且因此表示對全晶片圖案準確地、一致地且快速地執行光學近接校正之重要問題。如上文所描述，系統地獲得代表性圖案，例如在程序P404中所論述。另一方面，現有途徑係基於例如有經驗的晶片設計者之試探法、頻率或頻譜分析或其組合。此類途徑具有如早先所提及之缺點，從而導致擬合過度或擬合不足之模型。
在一實施例中，可將樣本剪輯9001至9004呈現至諸如經呈現剪輯9011、9012、9013及9014之經處理輸入資料9011、9012、9013及9014中。在一實施例中，此呈現並非必需的。此處，二進位化剪輯9001、9002、9003及9004變換成灰階剪輯9011、9012、9013及9014。用於呈現之額外或替代可能性可包括應用於剪輯之初始RET，例如，應用SMO、使剪輯中之一或多個特徵偏置等。
另外，訓練程序獲得對應於樣本剪輯之光學近接校正資料9021、9022、9023及9024，諸如分別對應於樣本剪輯9001至9004之CTM映圖9021至9024(如圖9中所說明，其中鄰近深色特徵之淺灰色對應於輔助特徵，諸如SRAF)。接著使用資料9011至9014及對應資料9021至9024以訓練機器學習模型(例如圖4中之程序P408中所論述)。
在一實施例中，機器學習模型可特定用於特定圖案化器件 圖案。換言之，可針對不同圖案化器件圖案重新訓練機器學習模型。在一些實施例中，一個經訓練機器學習模型可用於具有相似剪輯圖案之若干不同圖案化器件圖案。
在一實施例中，機器學習模型特定針對於用於圖案化器件圖案之特定器件製造程序。舉例而言，器件製造程序可在某一所使用照明類型、某所使用抗蝕劑、某些投影系統設定等方面加以組態。彼等器件製造程序參數中之一或多者可用於產生「真實」資料且因此機器學習模型可特定針對於器件製造程序之特定組態。如應瞭解，產生「真實」資料可涉及考量對程序參數中之一或多者之擾動的模擬，且因此機器學習模型可延伸至器件製造程序之特定組態之變化。在一實施例中，若器件製造程序之特定組態在材料方面改變，則可能需要訓練新的機器學習模型或可能需要重新訓練先前相似的機器學習模型。
在一實施例中，方法400可與使用經訓練機器學習模型410之方法500合作地實施以改良圖案化程序。舉例而言，改良圖案化程序之態樣中之一或多者，諸如程序窗、OPC、良率等。
在一實施例中，方法500涉及在程序P501中，經由執行經訓練機器學習模型410判定與給定設計佈局501相關聯的光罩圖案資料510。另外，程序P501可包含輸出光罩圖案資料510以用於圖案化程序中以對基板進行成像。舉例而言，可以例如GDS格式、正文檔案或其他適當格式輸出資料510。
在一實施例中，光罩圖案資料包含待用於微影程序中之光罩之一或多個特性。舉例而言，該一或多個特性可為光罩圖案之幾何屬性(例如圖案之OPC、形狀/大小)、光罩之反射率、光罩之透射率等。在一實 施例中，光罩圖案資料包含圖案化程序調整包括劑量、焦點、照明強度及/或照明光瞳之程序參數中之一或多者所關於之特性(例如OPC)。
在一實施例中，光罩圖案資料510可由與圖案化程序相關聯的各個實體(例如供應商、電腦系統等)使用。在一實施例中，可匯出光罩圖案資料510或以例如數位形式(例如GDS格式、正文檔案，或與匯入實體之電腦系統相容之其他適當格式)將該光罩圖案資料510提供給光罩製造商。因此，在一實施例中，程序P510涉及經由使用光罩圖案資料510之光罩製造裝置來製作待用於微影程序中以對基板進行成像之光罩520。因此，較快速及較準確光罩圖案資料可改良光罩製造程序且亦改良自其產生之光罩。當此光罩又例如經由微影裝置用於圖案化程序中時，經印刷圖案將與所要圖案接近地匹配。
在一實施例中，可提供光罩圖案資料510作為至圖案化程序或與圖案化程序相關聯之模型之模擬的輸入。在一實施例中，程序P530涉及經由與訓練機器學習模型410合作地模擬程序模型(例如光學件模型、抗蝕劑模型、蝕刻模型等)判定與給定設計佈局之所要圖案相關聯的程序條件530。在一實施例中，程序條件530包含包括劑量、焦點、照明強度及/或照明光瞳之程序參數中之一或多者的值。
另外，程序P532涉及經由根據程序條件530而組態的使用對應於設計佈局501之光罩525的微影裝置來曝光基板。在一實施例中，根據早先所論述之程序P510來製作光罩525。然而，光罩525(或其光罩圖案資料)不限於特定光罩製作程序。舉例而言，模擬步驟亦可接收根據現有程序模擬方法(例如SMO、MO等)所產生的任何光罩圖案資料。
如上文所提及，光學近接校正修改(例如進階邏輯器件之) 設計佈局，其目的在於例如提供足夠程序窗(PW)以用於在基板上形成設計佈局。舉例而言，輔助特徵(作為OPC之一實例)，尤其SRAF，可以使得經隔離特徵顯現得緻密之方式修改設計佈局之經隔離主要特徵之環境，其可藉由提供足夠程序窗(PW)而使得能夠按比例縮小此類主要特徵。因此，需要貫穿整個全晶片足夠、準確且一致的光學近接校正。然而，光學近接校正之運行時間應為快速的，從而使得能夠以及時方式將光學近接校正應用於全晶片。
在光學近接校正技術當中，以模型為基礎之光學近接校正途徑可以良好準確度及一致性但常常以速度為代價遞送大的程序窗(PW)。舉例而言，SMO-MO為可遞送大程序窗(PW)之光學近接校正技術。在一實施例中，SMO-MO可使用SMO程序以識別最佳照明及圖案化器件圖案(該最佳化可在所使用之OPC校正的類型方面加以約束，例如，不應用輔助特徵)，且接著彼最佳照明用以在光學近接校正方面進一步最佳化圖案化器件圖案(例如應用輔助特徵)。在一實施例中，SMO-MO使用以梯度為基礎之反覆途徑以最佳化連續色調圖案化器件圖案，使得最小化/最大化關聯成本函數。在每一反覆中，演算圖案化器件圖案之梯度圖且該梯度圖進一步用以導引最佳化方向(例如應用OPC，諸如輔助特徵之置放)。SMO-MO可高度準確且可產生最大程序窗；然而，運行時間對於全晶片應用可能過高。
用於光學近接校正之另一以模型為基礎之途徑係使用所謂的SRAF導引圖(SGM)(參見例如美國專利申請公開案第US 2008-0301620號，其先前以引用方式併入本文中)，該途徑相比於其他途徑相對較快但可能無法遞送最佳程序窗。
其他全晶片光學近接校正相比於SMO-MO相對較快但各自可能具有一些缺點。舉例而言，以規則為基礎之光學近接校正途徑涉及應用二維(2D)規則以應用光學近接校正(諸如輔助特徵之置放)。然而，規則之判定及全面性可能難以實施且可能不保證用於邏輯應用之2D規則的準確度。
在輔助特徵之內容背景中，其置放通常應具有小於在光學近接校正程序中使用的圖案化器件圖案之像素之大小的準確度，以使該程序能夠以及時方式完成。舉例而言，準確度應選自0至約10nm之範圍。替代地或另外，高度需要輔助特徵之置放的一致性及/或對稱性。一致性係指具有實質上相似輔助特徵置放之圖案化器件圖案(例如全晶片圖案化器件圖案)中之重複圖案。輔助特徵置放應合乎需要地具有遵從圖案對稱性及照明分佈形狀對稱性(例如具有偶極或四極照明之對稱性)的對稱性。然而，現有技術在全晶片位階處可能不會提供此類準確度、一致性及/或對稱性。
因此，在一實施例中且如已經在上文關於圖3及圖4在一定程度上所描述，機器學習程序可有利於實現光學近接校正之準確及完整應用(諸如輔助特徵之置放)，且可以快速方式針對例如全晶片應用進行此操作。
雖然現有深度學習結構可用於影像辨識，但本文中之機器學習技術在許多態樣中不同於此類影像辨識，該等態樣包括但不限於提供至機器學習模型以用於訓練且供經訓練機器學習模型使用之輸入、來自機器學習模型之輸出、所要解析度及/或用於訓練機器學習模型之目標函數。
舉例而言，為了將上文所描述之技術中之一些(諸如SMO-MO)之程序窗益處自剪輯位階(其係指全晶片圖案化圖案之一部分)傳播至全晶片圖案化器件圖案，本文中描述以機器學習為基礎之光學近接校正技術，該技術將來自例如剪輯位階處之此類其他技術的資料作為訓練資料以藉由機器學習模型基於關於諸如全晶片圖案之圖案化器件圖案的資料實現光學近接校正之預測。根據一實施例，使用由SMO-MO產生的訓練資料訓練機器學習模型，且隨後將經訓練模型應用於全晶片佈局以用於光學近接校正應用。
另外，在一實施例中，深度學習可應用於光學近接校正預測(例如SRAF置放問題)。相較於傳統機器學習技術，深度學習可例如：1)不需要手動特徵工程化，2)能夠學習大量資料，及/或3)可具有高準確度。
在一實施例中，本文中之技術可無縫地整合至諸如ASML迅子OPC流程之全晶片OPC流程中。舉例而言，經預測光學近接校正映圖(例如輔助特徵映圖)可用以對設計圖案(例如SRAF獲取)應用光學近接校正且經受進一步OPC。另外，使用者定義之光罩約束可應用於光學近接校正之應用及/或可在程序條件下進行印刷檢查(例如使用ASML之LMC工具)。
在一實施例中，本文中之機器學習技術可延伸至OPC中之其他應用，其中需要影像預測，例如，進階逆計算微影引擎之初始化。
為了光學近接校正預測，需要使用目標設計圖案(其可為剪輯或全晶片)以針對彼目標設計圖案預測(最佳化)光學近接校正預測。然而，存在用於機器學習輸入及輸出之許多不同選項。在一實施例中，目標 設計圖案及光學近接校正設計圖案通常可以GDS(GDSII)、OASIS或其他相似格式用於例如製造目的，此意謂其為二進位的。對於機器學習程序，影像可用以預測光學近接校正之影像。因此，在一實施例中，呈GDS(GDSII)、OASIS或其他相似格式之二元目標設計圖案經轉換成像素化影像。在第一可能性中，目標設計圖案經轉換成二元像素化影像。在另一可能性中，目標設計圖案轉換成灰階像素化影像。如上文所提及，可需要選擇後一選項-灰階像素化影像。此原因包括例如：1)對於相同給定像素尺寸(影像解析度)，由於取決於灰階之數目的「連續」強度之額外自由度，灰階影像比二元影像具有多得多的資訊。換言之，為了保持與二元像素化影像相同量之資訊，灰階影像可比二元像素化影像具有更大像素大小且因此可加速計算；及/或2)進階光罩最佳化引擎(例如SMO或iOPC軟體工具、諸如ASML之迅子軟體)可直接為給定目標設計圖案提供CTM影像，該CTM影像處於灰階。
因此，在一實施例中，對於機器學習輸入影像，光罩模型可用以將二元目標設計圖案呈現成灰階目標設計圖案影像。對於機器學習輸出影像(包括用於機器學習之基準資料)，可使用CTM影像，其可使用用於機器學習模型訓練之CTM產生軟體程式產生。
然而，可存在用於機器學習模型輸入影像之一些其他可能性。舉例而言，灰階目標設計圖案影像可與一或多個光學核心(例如一或多個TCC核心)進行迴旋以產生一或多個額外信號影像。在一實施例中，單一灰階目標設計圖案影像可產生多於一個信號影像，此係因為在一模型中可存在眾多光學核心(例如TCC核心)。在一實施例中，所有信號影像可用於機器學習模型訓練中或可使用一系列一或多個信號影像。作為另一實 例，以模型為基礎之SGM軟體引擎的輸出影像可用作機器學習輸入影像。在大多數狀況下，此影像比由光罩模型產生之灰階目標設計圖案影像更接近於CTM影像。
運用機器學習輸入影像，機器學習模型接著僅需要學習其之間的差(或誤差)，此可使得任務更容易。因此，概述言之，對於機器學習輸入，可存在若干可能性，包括1)灰階目標設計圖案影像，2)一或多個信號影像，及/或3)SGM。由於機器學習可包括具有相同大小之若干影像作為一個輸入，因此其中之一者或其混合可經選擇作為用於機器學習之輸入。
已經針對深度學習任務設計了若干神經網路結構。作為一實例，對於影像辨識任務，架構包括例如AlexNet(參見例如A.Krizhevsky等人，「ImageNet Classification with Deep Convolutional Neural Networks」，神經資訊處理系統之進展25(Advances in Neural Information Processing Systems 25)(NIPS 2012)，其之全文係以引用方式併入本文中)，GoogLeNet(參見例如C.Szegedy等人，「Going Deeper with Convolutions」，關於電腦視覺及圖案辨識(CVPR)之2015 IEEE會議(2015 IEEE Conference on Computer Vision and Pattern Recognition)，其之全文係以引用方式併入本文中)，VGG(參見例如K.Simonyan等人，「Very Deep Convolutional Networks for Large-Scale Image Recognition」，關於學習表示之國際會議(International Conference on Learning Representations(2015)，其之全文係以引用方式併入本文中)，及ResNet(參見例如K.He等人，「Deep Residual Learning for Image Recognition」，關於電腦視覺及圖案辨識(CVPR)之2016 IEEE會議(2016 IEEE Conference on Computer Vision and Pattern Recognition)，其之全文係以引用方式併入本文中)。彼等設計中之每一者具有其自身直覺及強度。然而，此等未必直接適用於預測針對如本文中所描述之設計圖案之光學近接校正，此係因為光學近接校正預測顯著不同於傳統深度學習任務。舉例而言，典型的影像分類問題具有固定輸入及輸出大小，而對於光學近接校正預測，需要處理具有不同大小之影像。作為另一實例，常常使用彙集層(其中步幅大於1)來提供降維且改良局部不變性。然而，此趨向於不可用於光學近接校正預測，此係由於輸入及輸出影像對通常具有相同大小。因此，在一實施例中，下文描述作為機器學習模型以用於光學近接校正預測之新的神經網路。
在此神經網路之一實施例中，提供一或多個基本建置區塊且接著藉由堆疊一或多個基本區塊之例項來建構深網路。對於一或多個基本區塊，存在若干選項。如在此項技術中已知，基本區塊之第一類型為迴旋層。基本區塊之另一類型為起始區塊。起始區塊由步幅為1的最大一個彙集層與具有不同濾波器大小之兩個或多於兩個迴旋層組成。圖10中實例起始區塊。在圖10中，區塊1610至1650及1670表示迴旋層(例如1×1迴旋1610、1620、1640、1670，3×3迴旋1630及5×5迴旋1650，但可提供不同配置)。另外，區塊1660表示一個彙集層(例如3×3最大彙集)，區塊1680表示濾波器(例如濾波器序連)且區塊1600通常係指前一層(諸如另一起始區塊)。另一類型之基本區塊為殘餘區塊。殘餘區塊具有兩個迴旋層及用以直接連接殘餘區塊之輸入及輸出之額外路徑。圖11中呈現殘餘區塊之實例。區塊1700及1710表示迴旋層，其在此狀況下通常可為輸入x之函數F。線1720表示用以直接連接殘餘區塊之輸入及輸出之額外路徑。在此實 例中，該路徑將輸入連接至加法器以將值x與F(x)組合以得到F(x)=x。因此，為了產生深度神經網路，連接此等基本區塊中之一或多者之一或多個例項。在一實施例中，一種類型之基本區塊可用於整個神經網路。在一實施例中，混合不同基本區塊可用於神經網路中。此等基本區塊之優點為：其可支援靈活的輸入影像大小，此係因為基本上僅使用迴旋及彙集操作。最終深度神經網路因此亦支援靈活的輸出影像大小。
在一實施例中，微影裝置可經組態以與代表性圖案(例如404)及/或經訓練機器學習模型410合作地受控制。舉例而言，微影裝置(例如圖1、圖2、圖14及圖15)之處理器。
在一實施例中，提供用於圖案化程序之微影裝置，其包括：與設計佈局相關聯之光罩、待使用該光罩而成像之基板，及經組態以控制微影裝置之處理器(例如圖13中之處理器104)。在一實施例中，該處理器經組態以獲得：(i)待印刷於基板上之設計佈局(例如403或501)之一組代表性圖案(例如404)；及(ii)與該組代表性圖案相關聯之程序條件(例如530)。另外，該處理器經組態以經由微影裝置根據程序條件控制圖案化程序之參數。
如早先所提及，在一實施例中，設計佈局(例如403)包含以階層方式配置之一組圖案群組(例如402)。
此外，如在方法400中所論述，藉由識別例項出現於設計佈局之一組群組圖案之階層中的圖案(例如403)之一或多個子群組來獲得代表性圖案。
在一實施例中，如早先所提及，經由使用一組代表性圖案模擬圖案化程序來獲得程序條件使得改良微影裝置之效能度量。在一實施 例中，程序條件包含包括劑量、焦點、照明強度及/或照明光瞳之一或多個程序參數之值。在一實施例中，效能度量為以下各者中之至少一者：代表性圖案之邊緣置放誤差、代表性圖案之臨界尺寸或良率。
圖12為說明可輔助實施本文所揭示之方法及流程之電腦系統100的方塊圖。電腦系統100包括用以傳達資訊之一匯流排102或其他通信機構，及與匯流排102耦接以處理資訊之一處理器104(或多個處理器104及105)。電腦系統100亦可包括耦接至匯流排102以儲存或供應待由處理器104執行之資訊及指令的主記憶體106，諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106可用於在待由處理器104執行之指令之執行期間儲存或供應暫時性變數或其他中間資訊。電腦系統100可進一步包括耦接至匯流排102以儲存或供應用於處理器104之靜態資訊及指令的唯讀記憶體(ROM)108或其他靜態儲存器件。可提供諸如磁碟或光碟之儲存器件110，且可將諸如磁碟或光碟之儲存器件110耦接至匯流排102以儲存或供應資訊及指令。
電腦系統100可經由匯流排102而耦接至用以向電腦使用者顯示資訊之顯示器112，諸如，陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字及其他按鍵之輸入器件114可耦接至匯流排102以將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件可為用以將方向資訊及命令選擇傳達至處理器104且控制顯示器112上之游標移動的游標控制件116，諸如，滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線(第一軸線(例如x)及第二軸線(例如y))中之兩個自由度，其允許該器件指定在平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
根據一項實施例，可由電腦系統100回應於處理器104執行主記憶體106中含有的一或多個指令之一或多個序列而執行本文中所描述之程序之部分。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中所含有之指令序列之執行使處理器104執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器可用以執行主記憶體106中所含有之指令序列。在一替代實施例中，可代替或結合軟體指令而使用硬連線電路系統。因此，本文之描述不限於硬體電路及軟體之任何特定組合。
本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104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，儲存器件110。揮發性媒體包括動態記憶體，諸如主記憶體106。傳輸媒體包括同軸纜線、銅線及光纖，其包括包含匯流排102之電線。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。電腦可讀媒體之常見形式包括例如軟碟、可撓性磁碟、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、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、如下文所描述之載波，或可供電腦讀取之任何其他媒體。
可在將一或多個指令之一或多個序列攜載至處理器104以供執行時涉及電腦可讀媒體之各種形式。舉例而言，最初可將該等指令承載於遠端電腦之磁碟或記憶體上。遠端電腦可將該等指令載入至其動態記憶體中，且經由通信路徑發送該等指令。電腦系統100可自路徑接收資料 且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自該主記憶體106擷取及執行指令。由主記憶體106接收之指令可視情況在由處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100可包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦合，網路鏈路120連接至網路122。舉例而言，通信介面118可提供有線或無線資料通信連接。在任何此類實施中，通信介面118發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光信號。
網路鏈路120通常經由一或多個網路而向其他資料器件提供資料通信。舉例而言，網路鏈路120可經由網路122而向主機電腦124或向由網際網路服務提供者(ISP)126操作之資料設備提供連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」)128而提供資料通信服務。網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號(該等信號將數位資料攜載至電腦系統100及自電腦系統100攜載數位資料)為輸送資訊的載波之例示性形式。
電腦系統100可經由網路、網路鏈路120及通信介面118而發送訊息且接收資料(包括程式碼)。在網際網路實例中，伺服器130可能經由網際網路128、ISP 126、網路122及通信介面118而傳輸用於應用程式之所請求程式碼。舉例而言，一個此類經下載應用程式可提供用以實施本文之方法之程式碼。所接收程式碼可在其被接收時由處理器104執行，或儲存於儲存器件110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100可獲得呈載波之形式的應用程式碼。
圖13示意性地描繪例示性微影投影裝置。該裝置包含：- 照明系統IL，其用以調節輻射光束B。在此特定狀況下，照明系統亦包含輻射源SO；- 第一物件台(例如，光罩台)MT，其具備用以固持圖案化器件MA(例如，倍縮光罩)之圖案化器件固持器，且連接至用以相對於項目PS來準確地定位該圖案化器件之第一定位器PM；- 第二物件台(基板台)WT，其具備用以固持基板W(例如，抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於項目PS來準確地定位該基板之第二定位器PW；- 投影系統PS(例如，折射、反射或反射折射光學系統)，其用以將圖案化器件MA之經輻照部分成像至基板W之目標部分C(例如，包含一或多個晶粒)上。
如本文中所描繪，該裝置屬於透射類型(亦即具有透射光罩)。然而，一般而言，其亦可屬於例如反射類型(具有反射光罩)。替代地，裝置可使用另一種類之圖案化器件作為對經典光罩之使用的替代例；實例包括可程式化鏡面陣列或LCD矩陣。
源SO(例如，水銀燈或準分子雷射)產生輻射光束。此光束直接地或在已橫穿諸如光束擴展器之調節器之後經饋入至照明系統(照明器)IL中。照明器IL可包含經組態以設定光束中之強度分佈之外部徑向範圍或內部徑向範圍(通常分別被稱作σ外部及σ內部)之調整器AD。另外，照明器IL通常將包含各種其他組件，諸如，積光器IN及聚光器CO。以此方式，照射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖13應注意，源SO可在微影投影裝置之外殼內(此常常為源SO為(例如)水銀燈時之狀況)，但其亦可遠離微影投影裝置，其產生之輻射光束經導引至該裝置中(例如，憑藉合適導向鏡BD)；此後一情境常常為當源SO為準分子雷射(例如，基於KrF、ArF或F2雷射作用)時之狀況。
光束B隨後截取被固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA之情況下，光束B傳遞通過投影系統PS，投影系統PS將該光束B聚焦至基板W之目標部分C上。憑藉第二定位器PW(及干涉計IF)，可準確地移動基板台WT，例如以便使不同目標部分C定位於光束B之路徑中。相似地，第一定位器PM可用以(例如)在自圖案化器件庫對圖案化器件MA之機械擷取之後或在掃描期間相對於光束B之路徑來準確地定位圖案化器件MA。一般而言，將憑藉未在圖13中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。
可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如，光罩)MA及基板W。儘管如所說明之基板對準標記佔據專用目標部分，但該等基板對準標記可位於目標部分之間的空間中(此等標記被稱為切割道對準標記)。相似地，在多於一個晶粒提供於圖案化器件(例如，光罩)MA上之情形中，圖案化器件對準標記可位於該等晶粒之間。小對準標記物亦可包括於器件特徵當中之晶粒內，在此狀況下，需要使標記物儘可能地小且無需與鄰近特徵不同的任何成像或程序條件。
圖14示意性地描繪另一例示性微影投影裝置LA。微影投 影裝置LA包括：- 源收集器模組SO；- 照明系統(照明器)IL，其經組態以調節輻射光束B(例如，EUV輻射)；- 支撐結構(例如，光罩台)MT，其經建構以支撐圖案化器件(例如，光罩或倍縮光罩)MA，且連接至經組態以準確地定位該圖案化器件之第一定位器PM；- 基板台(例如，晶圓台)WT，其經建構以固持基板(例如，抗蝕劑塗佈晶圓)W，且連接至經組態以準確地定位該基板之第二定位器PW；及- 投影系統(例如，反射投影系統)PS，其經組態以將由圖案化器件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。
如此處所描繪，裝置LA屬於反射類型(例如使用反射光罩)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化器件可具有包含(例如)鉬與矽之多堆疊的多層反射器。在一項實例中，多堆疊反射器具有鉬及矽之40層對。可運用X射線微影來產生甚至更小波長。由於大多數材料在EUV及x射線波長下具吸收性，因此圖案化器件構形(topography)上之經圖案化吸收材料薄片段(例如，多層反射器之頂部上之TaN吸收器)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。
參看圖14，照明器IL自源收集器模組SO接收極紫外線(EUV)輻射光束。用以產生EUV輻射之方法包括但未必限於：運用在EUV範圍內之一或多個發射譜線將具有至少一個元素(例如氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿「LPP」) 中，可藉由運用雷射光束來輻照燃料(諸如具有譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖14中未繪示)之EUV輻射系統之部件，該雷射用以提供用以激發燃料之雷射光束。所得電漿發射輸出輻射，例如EUV輻射，該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO2雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為單獨實體。
在此等狀況下，不認為雷射形成微影裝置之部分，且輻射光束係憑藉包含(例如)合適導向鏡或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他狀況下，舉例而言，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部件。
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。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或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。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，光罩台)MT上之圖案化器件(例如，光罩)MA上，且係由該圖案化器件而圖案化。在自圖案化器件(例如，光罩)MA反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS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PS2(例如，干涉器件、線性編碼器或電容性感測器)，可準確地移動基板台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。相似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化器件(例如，光罩)MA。可使用圖 案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如光罩)MA及基板W。
所描繪裝置可用於以下模式中之至少一者中：
1.在步進模式中，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(例如光罩台)MT及基板台WT保持基本上靜止(亦即，單次靜態曝光)。接著，使基板台WT在X或Y方向上移位，使得可曝光不同目標部分C。
2.在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，在給定方向(所謂「掃描方向」)上同步地掃描支撐結構(例如，光罩台)MT及基板台WT(亦即，單次動態曝光)。可藉由投影系統PS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(例如，光罩台)MT之速度及方向。
3.在另一模式中，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(例如，光罩台)MT保持基本上靜止，從而固持可程式化圖案化器件，且移動或掃描基板台WT。在此模式中，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掃描期間之順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如，上文所提及之類型之可程式化鏡面陣列)之無光罩微影。
另外，微影裝置可屬於具有兩個或多於兩個台(例如兩個或多於兩個基板台、兩個或多於兩個圖案化器件台或一基板台及不具有基板之一台)之類型。在此等「多載物台」器件中，可並行地使用額外台，或可在一或多個台上進行預備步驟，同時將一或多個其他台用於曝光。
圖15更詳細地展示裝置LA，其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置成使得可將真空環境維持於源收集器模組SO之圍封結構220中。可由放電產生電漿源形成EUV輻射發射電漿210。可藉由氣體或蒸氣(例如，Xe氣體、Li蒸氣或Sn蒸氣)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了高效地產生輻射，可需要為(例如)10帕斯卡之分壓之Xe、Li、Sn蒸氣或任何其他合適氣體或蒸氣。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用氣體障壁或污染物截留器230(在一些狀況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染截留器230亦可包括氣體障壁，或氣體障壁與通道結構之組合。如在此項技術中已知，本文中進一步指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室212可包括可為所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置以使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24，琢面化場鏡面器件22及琢面化光 瞳鏡面器件24經配置以提供在圖案化器件MA處輻射光束21之所要角度分佈，以及在圖案化器件MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化器件MA處的輻射光束21之反射後，即形成經圖案化光束26，且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。
比所展示元件多的元件通常可存在於照明光學件單元IL及投影系統PS中。取決於微影裝置之類型，可視情況存在光柵光譜濾光器240。另外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖15所展示之反射元件多1至6個的額外反射元件。
如圖15所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器，僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱，且此類型之收集器光學件CO理想地結合放電產生電漿源(常常被稱為DPP源)予以使用。
替代地，源收集器模組SO可為如圖16所展示之LPP輻射系統之部件。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集，且聚焦至圍封結構220中之開口221上。
可使用以下條項進一步描述實施例：
1.一種判定代表性圖案以用於訓練一機器學習模型以預測光學近接校正之方法，該方法包含： 獲得包含一組圖案群組之一設計佈局，每一圖案群組包括一或多個子群組；判定該組圖案群組之一組代表性圖案，一代表性圖案為例項出現於該組群組圖案中的一子群組；經由使用該組代表性圖案模擬一光學近接校正程序而獲得與該組代表性圖案相關聯的參考光學近接校正資料；及基於該組代表性圖案及該組參考光學近接校正資料訓練一機器學習模型以預測用於該設計佈局之光學近接校正。
2.如條項1之方法，其中該圖案群組以一階層配置，在該階層中，每一圖案群組包括圖案之該一或多個子群組。
3.如條項2之方法，其中該判定該組代表性圖案係一反覆程序，一反覆包含：在該組圖案群組之該階層內搜尋圖案之一給定子群組之例項；將該給定子群組之該等例項分類為該代表性圖案；及自該設計佈局提取與該代表性圖案相關聯之圖案資訊。
4.如條項1至3中任一項之方法，其中該組圖案群組中之每一群組係與一第一識別符相關聯，且圖案之該一或多個子群組係與一第二識別符相關聯。
5.如條項4之方法，其中該判定該組代表性圖案包含：比較與該給定子群組相關聯之該第二識別符與該組圖案之每一群組之該階層內之識別符；及基於該比較識別該組圖案群組內具有該相同第二識別符的圖案之子群組之例項；及 將該給定子群組之該等例項分類為該代表性圖案。
6.如條項1至5中任一項之方法，其中該獲得該參考光學近接校正包含：使用與該代表性圖案相關聯之該圖案資訊來模擬該光學近接校正程序；及針對一圖案化程序提供與該代表性圖案相關聯之該等光學近接校正。
7.如條項1至6中任一項之方法，其中該搜尋圖案之該子群組不直接比較該給定子群組之圖案形狀及大小與該組圖案群組內之圖案形狀及大小。
8.如條項1至7中任一項之方法，其中該等光學近接校正包含置放與該設計佈局之一所要圖案相關聯之輔助特徵。
9.如條項1至8中任一項之方法，其中該等光學近接校正呈影像之形式且該訓練係基於該等影像或該等影像之像素資料。
10.如條項9之方法，其中該等影像為連續透射光罩(CTM)影像，及/或輔助特徵導引映圖，其中該等CTM影像及該等導引映圖提供與該組代表性圖案相關聯的輔助特徵之部位。
11.如條項10之方法，其中該等輔助特徵導引映圖係藉由以模型為基礎之OPC模擬或以規則為基礎之OPC模擬來產生。
12.如條項1至11中任一項之方法，其進一步包含：經由該訓練機器學習模型判定與一給定設計佈局相關聯之光罩圖案資料；輸出該光罩圖案資料以用於一圖案化程序中以對一基板進行成像。
13.如條項12之方法，其進一步包含：經由使用該光罩圖案資料之一光罩製造裝置來製作待用於該圖案化程序中以對該基板進行成像之一光罩。
14.如條項12至13中任一項之方法，其中該光罩圖案資料包含該圖案化程序調整包括劑量、焦點、照明強度及/或照明光瞳之程序參數中之一或多者所關於之特性。
15.如條項1至14中任一項之方法，其進一步包含：經由與該訓練機器學習模型合作地模擬一程序模型，判定與該給定設計佈局之一所要圖案相關聯的一程序條件；及經由根據該程序條件而組態的使用對應於該設計佈局之一光罩之一微影裝置來曝光一基板。
16.如條項15之方法，其中該程序條件包含包括劑量、焦點、照明強度及/或照明光瞳之程序參數中之一或多者的值。
17.一種用於一圖案化程序之微影裝置，其包含：與一設計佈局相關聯之一光罩；待使用該光罩而成像之一基板；及一處理器，其經組態以：獲得(i)待印刷於該基板上之該設計佈局之一組代表性圖案，及(ii)與該組代表性圖案相關聯之程序條件；及經由該微影裝置根據該等程序條件控制該圖案化程序之參數。
18.如條項17之微影裝置，其中該設計佈局包含以一階層方式配置之一組圖案群組。
19.如條項18之微影裝置，其中該代表性圖案係藉由識別例項出現於 該設計佈局之該組群組圖案之該階層中的圖案之一或多個子群組來獲得。
20.如條項17至19中任一項之微影裝置，該等程序條件係經由使用該組代表性圖案模擬一圖案化程序來獲得，使得該微影裝置之一效能度量得以改良。
21.如條項20之微影裝置，其中該等程序條件包含包括劑量、焦點、照明強度及/或照明光瞳之一或多個程序參數之值。
22.如條項20之微影裝置，其中該效能度量為以下各者中之至少一者：一代表性圖案之一邊緣置放誤差、該代表性圖案之一臨界尺寸或良率。
23.一種電腦程式產品，其包含其上經記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施如以上條項中任一項之方法。
本文所使用之術語「投影系統」應被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之投影系統，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。
本文中所揭示之概念可適用於涉及微影裝置之任何器件製造程序，且可對能夠產生具有愈來愈小大小之波長之新興成像技術尤其有用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193nm波長且甚至能夠藉由使用氟雷射來產生157nm波長之深紫外線(DUV)微影。此外，EUV微影能夠產生在5nm至20nm之範圍內之波長。
雖然本文所揭示之概念可用於在諸如矽晶圓之基板上之器件製造，但應理解，所揭示概念可供任何類型之微影成像系統使用，例如，用於在除了矽晶圓以外的基板上之成像之微影成像系統。
上文所提及之圖案化器件包含或可形成設計佈局。可利用電腦輔助設計(CAD)程式來產生設計佈局。此程序常常被稱作電子設計自動化(EDA)。大多數CAD程式遵循一組預定設計規則，以便產生功能設計佈局/圖案化器件。藉由處理及設計限制而設定此等規則。舉例而言，設計規則定義電路器件(諸如閘、電容器等)或互連線之間的空間容許度，以便確保電路器件或線彼此不會以非所要方式相互作用。設計規則限制通常被稱作「臨界尺寸」(CD)。電路之臨界尺寸可被定義為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此，CD判定經設計器件之總大小及密度。當然，積體電路製作中之目標中之一者係在基板上如實地再生原始電路設計(經由圖案化器件)。
如本文中所使用之術語「光罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件，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；術語「光閥」亦可用於此內容背景中。除了經典光罩(透射或反射；二元、相移、混合式等)以外，其他此等圖案化器件之實例亦包括：
- 可程式化鏡面陣列。此器件之實例為具有黏彈性控制層及反射表面之矩陣可定址表面。此裝置所隱含之基本原理為(例如)：反射表面之經定址區域將入射輻射反射為繞射輻射，而未經定址區域將入射輻射反射為非繞射輻射。在使用適當濾光器的情況下，可自反射光束濾出該非繞射輻射，從而僅留下繞射輻射；以此方式，光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適電子構件來執行所需矩陣定址。
- 可程式化LCD陣列。
儘管在本文中可特定地參考IC之製造，但應明確理解，本 文中之描述具有許多其他可能應用。舉例而言，本文中之描述可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者應瞭解，在此等替代應用之內容背景中，在本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為是可分別與更一般之術語「光罩」、「基板」及「目標部分」互換。
因此，如所提及，微影蝕刻術(microlithography)為在諸如IC之器件之製造中的重要步驟，在微影蝕刻術中形成於基板上之圖案界定IC之功能元件，諸如微處理器、記憶體晶片等。相似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。
在本文件中，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365nm、248nm、193nm、157nm或126nm之波長)，及極紫外線輻射(EUV，例如，具有在5nm至20nm之範圍內之波長)。
如本文中所使用之術語「最佳化(optimizing/optimization)」係指或意謂調整圖案化程序裝置、圖案化程序之一或多個步驟等，使得圖案化之結果及/或程序具有更合乎需要之特性，諸如設計佈局在基板上之轉印之較高準確度、較大程序窗等。因此，如本文所使用之術語「最佳化(optimizing/optimization)」係指或意謂識別用於一或多個參數之一或多個值的程序，該一或多個值相比於用於彼等一或多個參數之一或多個值之初始集合提供至少一個相關度量之改良，例如局部最佳。應相應地解釋「最佳」及其他相關術語。在一實施例中，可反覆地應用最佳化步驟，以提供一或多個度量之進一步改良。
在方塊圖中，所說明之組件被描繪為離散功能區塊，但實 施例不限於本文中所描述之功能性如所說明來組織之系統。由組件中之每一者提供之功能性可由軟體或硬體模組提供，該等模組以與目前所描繪之方式不同之方式組織，例如，可摻和、結合、複寫、解散、分配(例如，在資料中心內或按地區)，或另外以不同方式組織此軟體或硬體。本文中所描述之功能性可由執行儲存於有形的、非暫時性機器可讀媒體上之程式碼之一或多個電腦之一或多個處理器提供。在一些狀況下，第三方內容遞送網路可主控經由網路傳達之資訊中的一些或全部，在此狀況下，在據稱供應或以另外方式提供資訊(例如，內容)之情況下，可藉由發送指令以自內容遞送網路擷取彼資訊提供該資訊。
除非另外特定陳述，否則如自論述顯而易見，應瞭解，貫穿本說明書，利用諸如「處理」、「計算」、「演算」、「判定」或其類似者之術語的論述係指諸如專用電腦或相似專用電子處理/計算器件之特定裝置的動作或程序。
讀者應瞭解，本申請案描述若干發明。已將此等發明分組成單一文件，而非將彼等發明分離成多個單獨的專利申請案，此係因為該等發明之相關主題在應用程序中有助於經濟發展。但不應合併此等發明之相異優點及態樣。在一些狀況下，實施例解決本文中所提及之所有缺陷，但應理解，該等發明係獨立地有用，且一些實施例僅解決此等問題之子集或提供其他未提及之益處，該等益處對於檢閱本發明之熟習此項技術者將顯而易見。歸因於成本約束，目前可不主張本文中所揭示之一些發明，且可在稍後申請案(諸如接續申請案或藉由修正本技術方案)中主張該等發明。相似地，歸因於空間約束，本發明文件之[發明摘要]及[發明內容]章節皆不應被視為含有所有此等發明之全面清單或此等發明之所有態樣。
應理解，本說明書及圖式並不意欲將本發明限於所揭示之特定形式，而正相反，意欲涵蓋屬於如由所附申請專利範圍界定之本發明之精神及範疇的所有修改、等效者及替代方案。
鑒於本說明書，本發明之各種態樣之修改及替代實施例對於熟習此項技術者而言將顯而易見。因此，本說明書及圖式應被理解為僅為說明性的且係出於教示熟習此項技術者進行本發明之一般方式之目的。應理解，本文中所展示且描述之本發明之形式應視為實施例的實例。元件及材料可替代本文中所說明及描述之元件及材料，部分及程序可被反轉或被省略，可獨立利用某些特徵，且可組合實施例或實施例之特徵，此皆如對熟習此項技術者在獲得本說明書之益處之後將顯而易見的。可在不脫離如在以下申請專利範圍中所描述之本發明之精神及範疇的情況下對本文中所描述之元件作出改變。本文中所使用之標題僅為達成組織性目的，且不意欲用以限制本說明書之範疇。
如貫穿本申請案所使用，詞語「可」係在許可之意義(亦即，意謂有可能)而非強制性之意義(亦即，意謂必須)下予以使用。詞「包括(include/including/includes)」及其類似者意謂包括但不限於。如貫穿本申請案所使用，單數形式「a/an/the」包括複數個參照物，除非內容另有明確地指示。因此，舉例而言，對「元件(an element/a element)」之參考包括兩個或多於兩個元件之組合，儘管會針對一或多個元件使用其他術語及片語，諸如「一或多個」。除非另有指示，否則術語「或」係非獨占式的，亦即，涵蓋「及」與「或」兩者。描述條件關係之術語，例如「回應於X，而Y」、「在X後，即Y」、「若X，則Y」、「當X時，Y」及其類似者涵蓋因果關係，其中前提為必要的因果條件，前提為充分的因果條 件，或前提為結果的貢獻因果條件，例如，「在條件Y獲得後，即出現狀態X」對於「僅在Y後，才出現X」及「在Y及Z後，即出現X」為通用的。此等條件關係不限於即刻遵循前提而獲得之結果，此係因為可延遲一些結果，且在條件陳述中，前提連接至其結果，例如，前提係與出現結果之似然性相關。除非另有指示，否則複數個特質或功能經映射至複數個物件(例如，執行步驟A、B、C及D之一或多個處理器)之陳述涵蓋所有此等特質或功能經映射至所有此等物件及特質或功能之子集經映射至特質或功能之子集兩者(例如，所有處理器各自執行步驟A至D，及其中處理器1執行步驟A，處理器2執行步驟B及步驟C之一部分，且處理器3執行步驟C之一部分及步驟D之狀況)。另外，除非另有指示，否則一個值或動作係「基於」另一條件或值之陳述涵蓋條件或值為單獨因子之情況及條件或值為複數個因子當中之一個因子之情況兩者。除非另有指示，否則某一集合之「每一」個例具有某一屬性之陳述不應被解讀為排除較大集合之一些以其他方式相同或相似成員不具有該屬性(亦即，每一者未必意謂每個都)之狀況。
在以上描述中，流程圖中之任何程序、描述或區塊應理解為表示程式碼之模組、片段或部分，其包括用於實施該程序中之特定邏輯功能或步驟之一或多個可執行指令，且替代實施包括於本發明之例示性實施例之範圍內，其中功能可取決於所涉及之功能性而不按照所展示或論述之次序執行，包括實質上同時或以相反次序執行，如熟習此項技術者將理解。
雖然已描述某些實施例，但此等實施例僅作為實例來呈現，且並不意欲限制本發明之範疇。實際上，本文中所描述之新穎方法、 裝置及系統可以多種其他形式體現；此外，在不脫離本發明之精神的情況下，可對本文中所描述之方法、裝置及系統的形式進行各種省略、替代及改變。隨附申請專利範圍及其等效者意欲涵蓋將屬於本發明之範疇及精神內的此類形式或修改。舉例而言，此技術可經構造以用於雲端計算，藉此經由網路在複數個裝置當中協作地共用且處理單個功能。
400:方法
401:子群組
402:圖案群組
403:設計佈局
404:代表性圖案/參考圖案
406:參考光學近接校正資料/參考CTM影像
410:光學近接校正
P402:工序
P404:工序
P406:工序
P408:工序

Claims (15)

  1. 一種判定代表性圖案以用於訓練一機器學習模型以預測光學近接校正之方法，該方法包含：獲得包含一組圖案群組之一設計佈局，每一圖案群組包括一或多個子群組；判定該組圖案群組之一組代表性圖案，每一代表性圖案為例項(instances)出現於該組圖案群組中的一子群組；經由使用該組代表性圖案模擬一光學近接校正程序而獲得與該組代表性圖案相關聯的參考光學近接校正資料；及基於該組代表性圖案及該組參考光學近接校正資料訓練一機器學習模型以預測用於該設計佈局之光學近接校正。
  2. 如請求項1之方法，其中該圖案群組以一階層(hierarchy)配置，在該階層中，每一圖案群組包括圖案之該一或多個子群組。
  3. 如請求項2之方法，其中該判定該組代表性圖案係一反覆程序，一反覆包含：在該組圖案群組之該階層內搜尋圖案之一給定子群組之例項；將該給定子群組之該等例項分類為該代表性圖案；及自該設計佈局提取與該代表性圖案相關聯之圖案資訊。
  4. 如請求項3之方法，其中該組圖案群組中之每一群組係與一第一識別 符相關聯，且圖案之該一或多個子群組係與一第二識別符相關聯。
  5. 如請求項4之方法，其中該判定該組代表性圖案包含：比較與該給定子群組相關聯之該第二識別符與該組圖案之每一群組之該階層內之識別符；及基於該比較識別該組圖案群組內具有該相同第二識別符的圖案之子群組之例項；及將該給定子群組之該等例項分類為該代表性圖案。
  6. 如請求項5之方法，其中該獲得該參考光學近接校正資料包含：使用與該代表性圖案相關聯之該圖案資訊來模擬該光學近接校正程序；及針對一圖案化程序提供與該代表性圖案相關聯之該等光學近接校正。
  7. 如請求項3之方法，其中該搜尋圖案之該給定子群組之例項不直接比較該給定子群組之圖案形狀及大小與該組圖案群組內之圖案形狀及大小。
  8. 如請求項1之方法，其中該等光學近接校正包含置放與該設計佈局之一所要圖案相關聯之輔助特徵。
  9. 如請求項1之方法，其中該等光學近接校正呈影像之形式且該訓練係基於該等影像或該等影像之像素資料。
  10. 如請求項9之方法，其中該等影像為連續透射光罩(CTM)影像，及/或輔助特徵導引映圖，其中該等CTM影像及該等導引映圖提供與該組代表性圖案相關聯的輔助特徵之部位，及/或其中該等輔助特徵導引映圖係藉由以模型為基礎之OPC模擬或以規則為基礎之OPC模擬來產生。
  11. 如請求項1之方法，其進一步包含：經由該訓練機器學習模型判定與一給定設計佈局相關聯之光罩圖案資料；輸出該光罩圖案資料以用於一圖案化程序中以對一基板進行成像。
  12. 如請求項11之方法，其進一步包含：經由使用該光罩圖案資料之一光罩製造裝置來製作待用於該圖案化程序中以對該基板進行成像之一光罩，及/或其中該光罩圖案資料包含該圖案化程序調整包括劑量、焦點、照明強度及/或照明光瞳之程序參數中之一或多者所關於之特性。
  13. 如請求項11之方法，其進一步包含：經由與該訓練機器學習模型合作地模擬一程序模型，判定與該給定設計佈局之一所要圖案相關聯的一程序條件；及經由根據該程序條件而組態的使用對應於該設計佈局之一光罩之一微影裝置來曝光一基板。
  14. 如請求項13之方法，其中該程序條件包含包括劑量、焦點、照明強度及/或照明光瞳之程序參數中之一或多者的值。
  15. 一種電腦程式產品，其包含其上經記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施如請求項1之方法。
TW109108370A 2019-03-21 2020-03-13 用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品 TWI739343B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962821789P 2019-03-21 2019-03-21
US62/821,789 2019-03-21

Publications (2)

Publication Number Publication Date
TW202040259A TW202040259A (zh) 2020-11-01
TWI739343B true TWI739343B (zh) 2021-09-11

Family

ID=69784421

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109108370A TWI739343B (zh) 2019-03-21 2020-03-13 用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品

Country Status (5)

Country Link
US (1) US11815820B2 (zh)
KR (1) KR102812093B1 (zh)
CN (1) CN113614638B (zh)
TW (1) TWI739343B (zh)
WO (1) WO2020187578A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US12142454B2 (en) 2017-04-13 2024-11-12 Fractilla, LLC Detection of probabilistic process windows
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
US11380516B2 (en) 2017-04-13 2022-07-05 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
WO2021175570A1 (en) * 2020-03-03 2021-09-10 Asml Netherlands B.V. Machine learning based subresolution assist feature placement
KR20220051868A (ko) * 2020-10-19 2022-04-27 삼성전자주식회사 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치
US20230393458A1 (en) * 2020-10-23 2023-12-07 Asml Netherlands B.V. Method for generating mask pattern
KR102763937B1 (ko) * 2020-12-29 2025-02-05 삼성전자주식회사 엣칭 모델링 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법
WO2022179802A1 (en) * 2021-02-23 2022-09-01 Asml Netherlands B.V. A machine learning model using target pattern and reference layer pattern to determine optical proximity correction for mask
CN113093470B (zh) * 2021-02-25 2025-01-10 锐立平芯微电子(广州)有限责任公司 基于平面型全耗尽绝缘体上硅器件的图形解析能力的提升方法
US11710228B2 (en) * 2021-03-05 2023-07-25 Applied Materials, Inc. Detecting an excursion of a CMP component using time-based sequence of images and machine learning
CN113238460B (zh) * 2021-04-16 2022-02-11 厦门大学 一种基于深度学习的用于超紫外的光学邻近校正方法
CN115373225A (zh) * 2021-05-17 2022-11-22 联华电子股份有限公司 光学邻近修正操作方法与光学邻近修正操作装置
KR20240064651A (ko) * 2021-09-22 2024-05-13 에이에스엠엘 네델란즈 비.브이. 패턴 선택 시스템들 및 방법들
CN115457350B (zh) * 2022-11-08 2023-04-18 华芯程(杭州)科技有限公司 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法
CN116819911B (zh) * 2023-08-31 2023-10-31 光科芯图(北京)科技有限公司 掩模图案的优化方法、装置、曝光设备及存储介质
WO2025103701A1 (en) * 2023-11-14 2025-05-22 Asml Netherlands B.V. Method and system for clustering patterns for optical proximity correction verification process
WO2025223790A1 (en) * 2024-04-26 2025-10-30 Asml Netherlands B.V. Method and system for performance cost-based training dataset generation for mask prediction

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201901285A (zh) * 2017-05-26 2019-01-01 荷蘭商Ａｓｍｌ荷蘭公司 基於機器學習之輔助特徵置放
WO2019048506A1 (en) * 2017-09-08 2019-03-14 Asml Netherlands B.V. METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4006013B2 (ja) * 1995-12-22 2007-11-14 株式会社東芝 光近接効果補正方法
CN101258498B (zh) 2005-08-08 2011-04-13 Asml荷兰有限公司 用于形成光刻工艺的焦点曝光模型的系统和方法
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
US7694267B1 (en) 2006-02-03 2010-04-06 Brion Technologies, Inc. Method for process window optimized optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US7707538B2 (en) 2007-06-15 2010-04-27 Brion Technologies, Inc. Multivariable solver for optical proximity correction
WO2010059954A2 (en) 2008-11-21 2010-05-27 Brion Technologies Inc. Fast freeform source and mask co-optimization method
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
US10310386B2 (en) * 2014-07-14 2019-06-04 Asml Netherlands B.V. Optimization of assist features and source
CN107438842A (zh) * 2014-12-18 2017-12-05 Asml荷兰有限公司 通过机器学习的特征搜索
US10197908B2 (en) * 2016-06-21 2019-02-05 Lam Research Corporation Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework
US20180046072A1 (en) * 2016-08-10 2018-02-15 Globalfoundries Inc. Automated full-chip design space sampling using unsupervised machine learning
US10546085B2 (en) * 2017-04-12 2020-01-28 Anchor Semiconductor Inc. Pattern centric process control
US10386726B2 (en) * 2017-09-29 2019-08-20 Globalfoundries Inc. Geometry vectorization for mask process correction
CN107908071B (zh) 2017-11-28 2021-01-29 上海集成电路研发中心有限公司 一种基于神经网络模型的光学邻近校正方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201901285A (zh) * 2017-05-26 2019-01-01 荷蘭商Ａｓｍｌ荷蘭公司 基於機器學習之輔助特徵置放
WO2019048506A1 (en) * 2017-09-08 2019-03-14 Asml Netherlands B.V. METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP

Also Published As

Publication number Publication date
TW202040259A (zh) 2020-11-01
CN113614638B (zh) 2025-04-01
US11815820B2 (en) 2023-11-14
CN113614638A (zh) 2021-11-05
KR102812093B1 (ko) 2025-05-23
KR20210127984A (ko) 2021-10-25
WO2020187578A1 (en) 2020-09-24
US20220155695A1 (en) 2022-05-19

Similar Documents

Publication Publication Date Title
TWI739343B (zh) 用於機器學習輔助光學近接誤差校正之訓練方法及相關電腦程式產品
TWI699627B (zh) 機器學習輔助光學接近誤差校正的訓練方法
TWI681250B (zh) 獲得輔助特徵之特性的方法及電腦程式產品
TWI724279B (zh) 藉由機器學習來判定製程模型之方法
TWI639887B (zh) 用於辨識熱點之方法及電腦程式產品
TWI584142B (zh) 基於機器學習之最佳化
TWI575395B (zh) 良率評估及控制
TW202024773A (zh) 基於可製造性判定圖案化器件圖案之方法
WO2022083977A1 (en) Method for generating mask pattern