[go: up one dir, main page]

TWI867591B - 用於使用物理模型化及機器學習進行多個信號來源之混合計量的方法和系統以及利用其之電腦系統 - Google Patents

用於使用物理模型化及機器學習進行多個信號來源之混合計量的方法和系統以及利用其之電腦系統 Download PDF

Info

Publication number
TWI867591B
TWI867591B TW112123702A TW112123702A TWI867591B TW I867591 B TWI867591 B TW I867591B TW 112123702 A TW112123702 A TW 112123702A TW 112123702 A TW112123702 A TW 112123702A TW I867591 B TWI867591 B TW I867591B
Authority
TW
Taiwan
Prior art keywords
sample
data
physical model
machine learning
parameters
Prior art date
Application number
TW112123702A
Other languages
English (en)
Other versions
TW202401303A (zh
Inventor
李潔
威茗 趙
佩芬 鄭
景勝 史
Original Assignee
美商昂圖創新公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商昂圖創新公司 filed Critical 美商昂圖創新公司
Publication of TW202401303A publication Critical patent/TW202401303A/zh
Application granted granted Critical
Publication of TWI867591B publication Critical patent/TWI867591B/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • 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
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G03F7/706841—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Insulated Gate Type Field-Effect Transistor (AREA)
  • Junction Field-Effect Transistors (AREA)

Abstract

物理模型化及機器學習模型化經組合以分析來自多個資料來源之信號，包括自不同工具集或在不同程序步驟獲取的計量資料，以及與處理設備相關的資料，諸如感測器資料、程序參數、進階程序控制(APC)參數、脈絡資料等。至少一個物理模型經產生且用以分析來自計量工具之計量信號，以提取針對在一樣本上之一結構的關鍵及非關鍵參數之測量結果。至少一個機器學習模型經建立且訓練以基於該些所提取測量結果以及額外資料而預測所關注參數，包括原始所測量信號、參考資料及/或實驗設計(DOE)資料、及來自不同工具集或與用於物理模型化之相同工具的資料。

Description

用於使用物理模型化及機器學習進行多個信號來源之混合計量的方法和系統以及利用其之電腦系統
本文所述之標的大致上係關於計量，且更具體而言係關於使用多個資料來源及物理模型化與機器學習之組合來模型化及測量結構。
〔相關申請案之交互參照〕
本申請案依據35 U.S.C.§119主張於2022年6月23日申請之美國臨時專利申請案第63/355,053號標題為「METROLOGY SOLUTIONS FOR GATE-ALL-AROUND TRANSISTORS」及於2023年4月26日申請之美國臨時專利申請案第63/498,475號標題為「MULTIPLE SOURCES OF SIGNALS FOR HYBRID METROLOGY USING PHYSICAL MODELING AND MACHINE LEARNING」之優先權，該兩案讓渡予本案之受讓人，並以全文引用之方式併入本文中。
半導體及其他類似產業經常在處理期間使用計量(諸如光學計量或X射線計量)以提供樣本之非接觸式評估。使用光學計量，例如以單一波長或多個波長之光照明例如受測樣本。在光與樣本交互作用之後，偵測並分析所得光以判定樣本之一或多個特性。
分析一般包括模型化受測結構。模型可基於結構之物理性質(諸如結構之材料及標稱參數(例如，膜厚度)、材料之光學性質、線及空間寬度等)而產生，且因此有時稱為物理模型。模型之一或多個參數可變化，且可例如使用嚴格耦合波分析(Rigorous Coupled Wave Analysis,RCWA)或其他類似技術，基於模型來計算各參數變化的預測資料。可例如在非線性迴歸程序中比較所測量資料及針對各參數變化的預測資料，直到在預測資料與所測量資料之間達成良好擬合，此時，經擬合參數視為受測結構之參數的準確表示。然而，模型化可係耗時及運算密集的，且昂貴，尤其對於小的複雜特徵。
物理模型化及機器學習模型化經組合以分析來自用於混合計量及生態系統的多個資料來源之信號。來自資料來源之信號包括可自不同工具集或在不同程序步驟獲取的計量資料，以及與處理設備相關的額外資料，諸如感測器資料、程序參數(process parameter)、進階程序控制(Advanced Process Control,APC)參數、脈絡資料等。機器學習之預測能力透過來自多個資料來源之信號的資料探勘和資料融合而改善。至少一個物理模型經產生且用以分析來自一或多個計量工具之計量信號，以提取針對在一樣本上之一結構的關鍵及非關鍵參數之測量結果。此外，至少一個機器學習模型經建立且訓練以基於該些所提取測量結果以及額外資料而預測所關注參數。用於機器學習模型之輸入資料例如包括額外資料，諸如由該一或多個物理模型所使用之原始所測量信號、參考資料及/或實驗設計(design of experiment,DOE)資料、及來自不同工具集或與用於物理模型化之相同工具的資料，諸如程序參數、進階程序控制(APC)參數、脈絡資料、及來自生產設備的感測器資料。
在一個實施方案中，一種特徵化在一樣本上之一結構的方法包 括：從一第一計量裝置獲得針對在該樣本上之該結構的所測量信號；及基於該些所測量信號從用於在該樣本上之該結構的一第一物理模型提取測量結果。該方法進一步包括基於從該第一物理模型提取之該些測量結果而用一機器學習模型判定針對在該樣本上之該結構的所關注參數。該機器學習模型可進一步基於下列中之至少一者來判定該些所關注參數：未用於從該第一物理模型提取該些測量結果的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對在該樣本上之該結構所獲得的第二所測量信號；用以產生在該樣本上之該結構的程序參數；用以產生在該樣本上之該結構的進階程序控制(APC)參數；用於在該樣本上之該結構的脈絡資料；及用以產生在該樣本上之該結構的來自生產設備的感測器資料。
在一個實施方案中，一種經組態用於特徵化在一樣本上之一結構的電腦系統包括至少一個處理器，其中該至少一個處理器經組態以：從一第一計量裝置獲得針對在該樣本上之該結構的所測量信號；及基於該些所測量信號從用於在該樣本上之該結構的一第一物理模型提取測量結果。該至少一個處理器進一步經組態以基於從該第一物理模型提取之該些測量結果而用一機器學習模型判定針對在該樣本上之該結構的所關注參數。該機器學習模型可進一步基於下列中之至少一者來判定該些所關注參數：未用於從該第一物理模型提取該些測量結果的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對在該樣本上之該結構所獲得的第二所測量信號；用以產生在該樣本上之該結構的程序參數；用以產生在該樣本上之該結構的進階程序控制(APC)參數；用於在該樣本上之該結構的脈絡資料；及用以產生在該樣本上之該結構的來自生產設備的感測器資料。
在一個實施方案中，一種經組態用於特徵化在一樣本上之一結構的系統包括：用於從一第一計量裝置獲得針對在該樣本上之該結構的所測量信 號的構件；及用於基於該些所測量信號從用於在該樣本上之該結構的一第一物理模型提取測量結果的構件。該系統進一步包括用於基於從該第一物理模型提取之該些測量結果而用一機器學習模型判定針對在該樣本上之該結構的所關注參數的構件。該機器學習模型可進一步基於下列中之至少一者來判定該些所關注參數：未用於從該第一物理模型提取該些測量結果的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對在該樣本上之該結構所獲得的第二所測量信號；用以產生在該樣本上之該結構的程序參數；用以產生在該樣本上之該結構的進階程序控制(APC)參數；用於在該樣本上之該結構的脈絡資料；及用以產生在該樣本上之該結構的來自生產設備的感測器資料。
在一個實施方案中，一種特徵化在一樣本上之一結構的方法包括：在一前程序步驟，針對在該樣本上之該結構從一計量裝置獲得前程序步驟所測量信號；及在一後程序步驟，針對在該樣本上之該結構從該計量裝置獲得後程序步驟所測量信號。該方法進一步包括：基於該些後程序步驟所測量信號來從用於在該樣本上之該結構的一後程序物理模型提取後程序測量結果；及至少基於該些前程序步驟所測量信號而產生前程序步驟資料。該方法進一步包括：基於從該後程序物理模型提取的該些後程序測量結果及該前程序步驟資料而用一機器學習模型判定針對在該樣本上之該結構的所關注參數。
在一個實施方案中，一種經組態用於特徵化在一樣本上之一結構的電腦系統包括至少一個處理器，其中該至少一個處理器經組態以：在一前程序步驟，針對在該樣本上之該結構從一計量裝置獲得前程序步驟所測量信號；及在一後程序步驟，針對在該樣本上之該結構從該計量裝置獲得後程序步驟所測量信號。該至少一個處理器進一步經組態以：基於該些後程序步驟所測量信號來從用於在該樣本上之該結構的一後程序物理模型提取後程序測量結果；及至少基於該些前程序步驟所測量信號而產生前程序步驟資料。該至少一個處理器進一 步經組態以：基於從該後程序物理模型提取的該些後程序測量結果及該前程序步驟資料而用一機器學習模型判定針對在該樣本上之該結構的所關注參數。
在一個實施方案中，一種經組態用於特徵化在一樣本上之一結構的系統包括：用於在一前程序步驟針對在該樣本上之該結構從一計量裝置獲得前程序步驟所測量信號的構件；及用於在一後程序步驟針對在該樣本上之該結構從該計量裝置獲得後程序步驟所測量信號的構件。該系統進一步包括：用於基於該些後程序步驟所測量信號來從用於在該樣本上之該結構的一後程序物理模型提取後程序測量結果的構件；及用於至少基於該些前程序步驟所測量信號而產生前程序步驟資料的構件。該系統進一步包括：用於基於從該後程序物理模型提取的該些後程序測量結果及該前程序步驟資料而用一機器學習模型判定針對在該樣本上之該結構的所關注參數的構件。
在一個實施方案中，一種特徵化在一樣本上之一結構的方法包括：從一第一計量裝置獲得針對用於該結構的一或多個參考樣本之所測量信號；及產生一第一物理模型以提取針對在該樣本上之該結構的測量結果，其中該第一物理模型係基於來自該第一計量裝置的該一或多個參考樣本之該些所測量信號而產生。該方法進一步包括產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數。該機器學習模型係基於由該第一物理模型提取之該些測量結果及參考資料與實驗設計資訊中之至少一者而產生。該機器學習模型可進一步基於下列中之至少一者而產生：未用於產生該第一物理模型的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號；用以產生該一或多個參考樣本的程序參數；用以產生該一或多個參考樣本的進階程序控制(APC)參數；用於該一或多個參考樣本的脈絡資料；及用以產生該一或多個參考樣本的來自生產設備的感測器資料。
在一個實施方案中，一種經組態用於特徵化在一樣本上之一結構 的電腦系統包括至少一個處理器，其中該至少一個處理器經組態以：從一第一計量裝置獲得針對用於該結構的一或多個參考樣本之所測量信號；及產生一第一物理模型以提取針對在該樣本上之該結構的測量結果，其中該第一物理模型係基於來自該第一計量裝置的該一或多個參考樣本之該些所測量信號而產生。該至少一個處理器進一步經組態以產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數。該機器學習模型係基於由該第一物理模型提取之該些測量結果及參考資料與實驗設計資訊中之至少一者而產生。該機器學習模型可進一步基於下列中之至少一者而產生：未用於產生該第一物理模型的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號；用以產生該一或多個參考樣本的程序參數；用以產生該一或多個參考樣本的進階程序控制(APC)參數；用於該一或多個參考樣本的脈絡資料；及用以產生該一或多個參考樣本的來自生產設備的感測器資料。
在一個實施方案中，一種經組態用於特徵化在一樣本上之一結構的系統包括：用於從一第一計量裝置獲得針對用於該結構的一或多個參考樣本之所測量信號的構件；及用於產生一第一物理模型以提取針對在該樣本上之該結構的測量結果的構件，其中該第一物理模型係基於來自該第一計量裝置的該一或多個參考樣本之該些所測量信號而產生。該系統進一步包括用於產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數的構件。該機器學習模型係基於由該第一物理模型提取之該些測量結果及參考資料與實驗設計資訊中之至少一者而產生。該機器學習模型可進一步基於下列中之至少一者而產生：未用於產生該第一物理模型的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號；用以產生該一或多個參考樣本的程序參數；用以產生該一或多個參考樣本的進階程序控制(APC)參數；用於該一或多個參考樣本的脈絡資料；及用以產生該一或多個 參考樣本的來自生產設備的感測器資料。
在一個實施方案中，一種特徵化在一樣本上之一結構的方法包括：在一前程序步驟，針對用於該結構的一或多個參考樣本從一計量裝置獲得前程序步驟所測量信號；及在一後程序步驟，針對用於該結構的該一或多個參考樣本從該計量裝置獲得後程序步驟所測量信號。該方法進一步包括：產生一後程序物理模型以提取針對在該參考樣本上之該結構的後程序測量結果，其中該後程序物理模型係基於該些後程序步驟所測量信號而產生；及至少基於該些前程序步驟所測量信號而產生前程序步驟資料。該方法進一步包括產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數。該機器學習模型係基於由該後程序物理模型提取之該些後程序測量結果、及參考資料與實驗設計資訊中之至少一者、及前程序步驟資料而產生。
在一個實施方案中，一種經組態用於特徵化在一樣本上之一結構的電腦系統包括至少一個處理器，其中該至少一個處理器經組態以：在一前程序步驟，針對用於該結構的一或多個參考樣本從一計量裝置獲得前程序步驟所測量信號；及在一後程序步驟，針對用於該結構的該一或多個參考樣本從該計量裝置獲得後程序步驟所測量信號。該至少一個處理器進一步經組態以：產生一後程序物理模型以提取針對在該參考樣本上之該結構的後程序測量結果，其中該後程序物理模型係基於該些後程序步驟所測量信號而產生；及至少基於該些前程序步驟所測量信號而產生前程序步驟資料。該至少一個處理器進一步經組態以產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數。該機器學習模型係基於由該後程序物理模型提取之該些後程序測量結果及參考資料與該實驗設計資訊中之至少一者、及前程序步驟資料而產生。
在一個實施方案中，一種經組態用於特徵化在一樣本上之一結構的系統包括：用於在一前程序步驟針對用於該結構的一或多個參考樣本從一計 量裝置獲得前程序步驟所測量信號的構件；及用於在一後程序步驟針對用於該結構的該一或多個參考樣本從該計量裝置獲得後程序步驟所測量信號的構件。該系統進一步包括：用於產生一後程序物理模型以提取針對在該參考樣本上之該結構的後程序測量結果的構件，其中該後程序物理模型係基於該些後程序步驟所測量信號而產生；及用於至少基於該些前程序步驟所測量信號而產生前程序步驟資料的構件。該系統進一步包括用於產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數的構件。該機器學習模型係基於由該後程序物理模型提取之該些後程序測量結果、及參考資料與實驗設計資訊中之至少一者、及前程序步驟資料而產生。
100:計量裝置
101:第一計量工具；計量工具
102:光
103:樣本
104:偏振元件
105a:額外元件
105b:額外元件
108:夾盤
109:台座
110:光源
112:偏振元件(分析器)
114:透鏡
120:光學器件
130:光學器件
150:偵測器
160:運算系統
161:匯流排
162:處理器
164:記憶體
164pm:物理模型
164ml:機器學習模型
166:電腦可讀程式碼
168:使用者介面(UI)
169:通訊埠
170:第二計量工具；第二法線入射計量工具
200:工作流程
202:所測量信號
204:所測量信號
206:所測量信號
208:資料
209:資料信號
212:第一物理模型
214:第二物理模型
222:機器學習模型
223:擬合優度
225:所關注參數
227:機器學習測量指標
300:工作流程
302:所測量信號
304:所測量信號；額外信號
306:所測量信號；額外信號
309:額外資料信號
312:第一物理模型
314:第二物理模型
322:機器學習模型
323:擬合優度
325:所關注參數
327:機器學習測量指標
400:工作流程
402:後程序步驟所測量信號
404:前程序步驟所測量信號
405:預調節信號
406:第二測量墊
408:資料
409:故障偵測墊
412:後程序物理模型
414:前程序物理模型
422:機器學習模型
423:擬合優度
425:所關注參數
427:機器學習測量指標
500:工作流程
502:後程序步驟所測量信號
504:前程序步驟所測量信號
505:預調節信號
506:第二測量墊
509:故障偵測墊
512:後程序物理模型
514:前程序物理模型
522:機器學習模型
523:擬合優度
525:所關注參數
527:機器學習測量指標
600:方法
602:方塊
604:方塊
606方塊
700:方法
702:方塊
704:方塊
706:方塊
708:方塊
710:方塊
800:方法
802:方塊
804:方塊
806:方塊
900:方法
902:方塊
904:方塊
906:方塊
908:方塊
910:方塊
[圖1]繪示如本文所論述之可用以特徵化樣本的計量裝置的示意圖。
[圖2]繪示用於使用從多個資料來源(包括不同的工具及/或來源)收集的信號根據第一實例情境進行離線配方建立的工作流程。
[圖3]繪示用於使用從多個資料來源(包括不同的工具及/或來源)收集的信號根據第一實例情境進行線內測量的工作流程。
[圖4]繪示用於用從多個資料來源(包括不同的製造程序步驟)收集的信號根據第二實例情境進行離線配方建立的工作流程。
[圖5]繪示用於使用從多個資料來源(包括不同的製造程序步驟)收集的信號根據第二實例情境進行線內測量的工作流程。
[圖6]至[圖9]繪示描繪用於特徵化在一樣本上之一結構的方法的流程圖。
在半導體裝置及類似裝置製造期間，通常需要藉由非破壞性地測量該裝置來監測製造程序。處理期間可用於非破壞性測量樣本的一種類型計量係光學計量，其可使用單個波長或多個波長，且可包括例如橢圓偏振儀、反射測量儀、傅立葉變換紅外光譜儀(Fourier Transform infrared spectroscopy,FTIR)等。亦可使用其他類型之計量，包括X射線計量、光聲計量、電子束計量等。
光學計量技術(諸如薄膜計量及光學臨界尺寸(Optical Critical Dimension,OCD)計量)及其他類型的計量有時使用物理模型化技術以產生與來自樣本之所測量資料相比較的樣本之預測資料。利用物理模型化技術，產生包括關鍵及非關鍵參數的樣本之模型。模型可基於樣本之標稱參數，且可包括一或多個可變參數，諸如層厚度、線寬、空間寬度、側壁角度、材料性質等，可變參數可例如取決於用以製造在受測樣本之程序參數而在所欲範圍內變化。模型可進一步包括與工具集相關的參數，例如，由計量裝置所使用的光學系統之特性。預測資料可基於物理模型之參數而計算，包括可變參數之變化、使用分析或半分析方法的計量裝置之特性，諸如有效介質理論(effective medium theory,EMT)、時域有限差分(finite-difference time-domain,FDTC)、轉移矩陣法(transfer matrix method,FMM)、傅立葉模態法(Fourier modal method,FMM)/嚴格耦合波分析(rigorous coupled-wave analysis,RCWA)、有限元素方法(finite element method,FMM)等。例如在非線性迴歸程序中，比較由計量裝置從樣本所獲得的所測量資料與不同參數變化之預測資料，直到達成最佳擬合，此時，經擬合參數之值視為樣本之參數的準確表示。
習知地，模型化需要關於樣本的初步結構及材料資訊已知以產生樣本之準確的代表模型，其包括一或多個可變參數。例如，樣本的初步結構及材料資訊可包括結構的類型及樣本的實體描述，其中各種參數(諸如層厚度、線寬、空間寬度、側壁角度、材料性質等)的標稱值連同此等參數所在的範圍可變化。 模型可進一步包括一或參數，其等係不可變的，亦即，在製造期間不預期樣本有顯著的變化量。調整模型之可變參數，且可在非線性迴歸程序期間即時產生預測資料，或可預產生模型庫(library)。因此，模型化在分析中施加物理限制，且因此提供測量結果之高保真度。然而，由於產生預測資料所需的物理計算，模型化具有高運算成本。例如，模型化複雜3D結構遭受緩慢的求解時間(time to solution,TTS)，且模型化準確度會由於難以擬合複雜結構的資料而劣化。
可用以基於由一計量裝置獲自樣本之所測量資料而產生樣本之預測資料的另一技術係機器學習。可用於計量的機器學習演算法可包括但不限於線性迴歸、神經網路、深度學習、卷積神經網路(convolution neural-network,CNN)、集體法(ensemble method)、支援向量機(support vector machine,SVM)、隨機森林等，或以循序模式及/或平行模式的多個模型之組合。機器學習不需要樣本之物理模型。而是，參考資料(例如，由計量裝置從一或多個參考樣本所獲取之所測量資料)連同所關注結構參數之值經獲取並且用以產生及訓練機器學習模型。機器學習模型係使用參考資料及已知的結構參數值來自動訓練，以找出相關資料特徵，並學習在輸入與輸出特徵之間的內在關係及連接，以進行決定及預測新資料。使用機器學習的好處是快速的求解時間(TTS)及最小運算資源需求。然而，機器學習需要大量參考資料，獲取這些參考資料既昂貴又耗時。在無大量參考資料的情況下，機器學習模型會由於缺乏物理限制而遭受過度擬合。
隨著半導體裝置繼續縮小，計量預算變得更緊張。此外，更頻繁採用複雜3D結構，以實現持續裝置縮放。半導體技術進步，諸如使用複雜3D結構，由於增加的模型化複雜性及參數相關性，及降低的靈敏度，給計量帶來額外的挑戰。例如，來自單一計量工具或來源的信號可不具有足夠的靈敏度，以準確地測量所關注參數以供進行半導體製程品質控制。最終可能沒有單一計量工具，其可處理大部分先進半導體裝置的所有計量要求。
如本文所論述，使用從多個資料來源(例如，從多個工具集及/或程序步驟)收集之資料，且使用從計量及/或生產設備收集的與樣本相關之額外資料(諸如感測器資料)，運算效率資料分析方法可融合多個資料來源且產生比任何個別資料來源提供之更準確且一致的測量結果。分析方法可係靈活的以適應各式各樣不同本質的資料，而同時對於各類型的資料來源最大化現有良好開發技術(諸如物理模型化或機器學習)的使用，以及協同加強個別度量技術的強度。
如本文所論述，物理模型化及機器學習經組合以分析用於混合計量及生態系統之多個資料來源。本文所述之方法透過來自多個資料來源(例如，多個計量工具集)的資料探勘和資料融合、來自多個程序步驟之樣本資料、計量設備參數、及生產設備參數而建立預測能力。舉實例而言，至少一個物理模型可用以分析來自一或多個計量工具之計量信號(諸如光譜橢圓偏振儀、光譜反射測量儀、X射線計量、光聲計量、傅立葉變換紅外光譜(FTIR)、電子束計量等)以提取樣本之關鍵及非關鍵參數的測量結果。此外，至少一個機器學習模型可經建立且訓練以預測所關注參數。機器學習模型可使用來自下列之一或多者的輸入資料：來自一或多個物理模型的測量結果(關鍵及非關鍵參數)；用於一或多個物理模型及可選地不擬合之原始信號；來自不同工具集或相同工具的資料來源，但不包括在物理模型化中；程序參數、進階程序控制(APC)參數、脈絡資料；及來自生產設備的感測器資料。樣本之線內測量(in-line measurement)使用一或多個物理模型，及經訓練之機器學習模型以基於從多個資料來源獲得的資料來預測所關注樣本參數。
所提議之技術可用以在可控制的運算成本及軟體與模型化複雜性的情況下，以協同加強物理模型化及機器學習的高效且靈活之方式組合和分析多個資料來源，因此使最可行的解決方案具備可管理的求解時間(TTS)以及改 善的最終結果及整體計量效能。該方法亦為通用且可應用於測量任何裝置、OCD、薄膜或其他類型之目標。
舉實例而言，圖1繪示可用以特徵化樣本上之結構的計量裝置100的示意圖，如本文所述。計量裝置100可經組態以執行樣本103的一或多種類型之測量，例如，諸如光譜反射測量儀、光譜橢圓偏振儀(包括穆勒矩陣橢圓偏振儀)、光譜散射儀、疊對散射測量儀、干涉測量儀、光聲計量、電子束計量、X射線計量、FTIR測量等。例如，計量裝置100可包括第一計量工具101及第二計量工具170，但可包括額外的計量工具，或可經耦接以接收由分開之計量工具測量的樣本資料。應理解，計量裝置100經繪示為用於計量裝置之一個實例組態，且若所欲，可使用其他組態及其他計量裝置。
計量裝置100包括一傾斜入射之計量工具101，其包括產生光102的光源110。例如，光102可係具有例如在200nm與1000nm之間的波長之UV可見光。光源110所產生的光102可包括一波長範圍(亦即，連續範圍)或複數個離散波長，或者可係單一波長。計量裝置100包括聚焦光學器件120及130，其等聚焦及接收光，並引導光傾斜地入射在樣本103的頂部表面上。光學器件120、130可係折射、反射、或其組合，並可係物鏡。
反射光可由透鏡114聚焦並由偵測器150接收。偵測器150可係習知的電荷耦合裝置(charge coupled device,CCD)、光二極體陣列、CMOS、或類似類型的偵測器。若使用寬頻光，偵測器150可係例如光譜儀，且偵測器150例如可產生依據波長而變動的光譜信號。光譜儀可用以跨偵測器像素陣列將所接收的光之全光譜分散成光譜分量。一或多個偏振元件可在計量裝置100的光束路徑中。例如，計量裝置100可包括在樣本103前的光束路徑中之一或多個偏振元件104、及在樣本103後的光束路徑中之一偏振元件(分析器)112中之一或兩者(或無)，且可包括一或多個額外元件105a及105b(諸如補償器或光彈性調變器)，其 可在樣本103之前、之後、或之前及之後兩者。在偏振元件104及112與樣本之間使用光譜橢圓偏振儀(其使用雙旋轉補償器)的情況下，可測量完整穆勒矩陣。
計量裝置100可包括或可耦接至額外計量裝置。例如，如所繪示，計量裝置100可包括第二法線入射計量工具170。舉實例而言，第二計量工具170可經組態用於光譜反射測量儀、光譜散射測量儀、疊對散射測量儀、干涉測量儀、電子束計量、X射線計量、FTIR測量等。在一些實施方案中，計量裝置100可包括額外工具，例如第三(或更多)計量工具。在一些實施方案中，額外計量工具可與計量裝置100分開。
計量裝置100進一步包括至少一個運算系統160，其經組態以使用本文所述之方法特徵化樣本103之一或多個參數。至少一個運算系統160經耦接至第一計量工具101(例如，偵測器150)、及第二計量工具170、及任何額外計量工具(若存在)，以接收在測量樣本103之結構期間所獲得的計量資料。資料之獲取可在前程序製造步驟以及後程序製造步驟期間執行。例如，至少一個運算系統160可係工作站、個人電腦、中央處理單元、或其他適當的電腦系統、或多個系統。
應理解，至少一個運算系統160可係單一電腦系統或多個分開或經鏈接的電腦系統，其在本文中可互換地稱為運算系統160、或至少一個運算系統160。運算系統160可包括於計量裝置100及任何額外計量工具中.或連接至計量裝置及任何額外計量工具中，或以其他方式與計量裝置及任何額外計量工具相關聯。計量裝置100之不同子系統可各自包括運算系統，其經組態用於實行與相關聯子系統相關聯的步驟。例如，運算系統160可例如藉由控制經耦接至夾盤之台座109的移動來控制樣本103的定位。例如，台座109可能夠在笛卡兒(亦即，X及Y)座標或極(亦即，R及θ)座標的任一者或兩者的某一組合中水平運動。台座亦可能夠沿著Z座標垂直運動。運算系統160可進一步控制夾盤108的操作以 固持或釋放樣本103。運算系統160可進一步控制或監測一或多個偏振元件104、112、或額外元件105a、105b等的旋轉。
運算系統160可以所屬技術領域中已知之任何方式通訊地耦接至第一計量工具101中之偵測器150及第二計量工具170(若存在)中之偵測器中。例如，至少一個運算系統160可耦接至與偵測器150相關聯的分開之運算系統。運算系統160可經組態以經由傳輸媒體(可包括有線及/或無線部分)例如從偵測器150以及控制器偏振元件104、112及額外元件105a、105b等、以及第二計量工具170之組件接收及/或獲取計量資料。因此，傳輸媒體可作用為運算系統160與計量裝置100的其他子系統之間的資料鏈路。運算系統160可進一步經組態以例如從使用者介面(UI)168或經由傳輸媒體(可包括有線及/或無線部分)接收及/或獲取關於樣本以及第一計量工具101及生產設備之一或多個子系統的額外資訊。
運算系統160包括經由匯流排161通訊地耦接的具有記憶體164之至少一個處理器162及UI 168。記憶體164或其他非暫時性電腦可用儲存媒體包括其經體現的電腦可讀取程式碼166，並可由運算系統160使用以用於使至少一個運算系統160控制計量裝置100及執行包括本文所述之技術及分析的功能。例如，如所繪示，記憶體164可包括用於引起處理器162執行模型化及機器學習兩者的指令，且在一些實施方案中，可採用前饋及/或反饋，如本文所論述。用於自動地實施本實施方式中所述之一或多個行為的資料結構及軟體碼可鑑於本揭露由所屬技術領域中具有通常知識者實施，並儲存在例如可係可儲存用於由電腦系統(諸如運算系統160)使用之碼及/或資料之任何裝置或媒體的電腦可用儲存媒體(例如，記憶體164)上。電腦可使用之儲存媒體可係但不限於唯讀記憶體、隨機存取記憶體、磁性及光學儲存裝置，諸如磁碟機、磁帶等。額外地，本文所述之功能可整體或部分地體現於特定應用積體電路(application specific integrated circuit,ASIC)或可程式化邏輯裝置(programmable logic device,PLD)之電路系統 內，且該些功能可以電腦可理解之描述符語言予以體現，該電腦可理解之描述符語言可用來建立如本文所述般操作的ASIC或PLD。
例如，運算系統160可經組態以獲得來自多個資料來源之參考樣本的資料，包括來自計量工具101及170中之一或兩者以及任何所欲額外計量工具的資料，以及與樣本相關的資料(諸如參考資料及/或DOE資料)、及與計量工具及/或處理設備相關的資料(諸如程序參數、進階參數控制(APC)參數、脈絡資料、及來自生產設備的感測器資料)。運算系統160可經組態以：基於來自一或多個參考樣本之所測量資料及可選地與樣本及/或處理設備相關的額外資訊而產生用於樣本的一或多個物理模型(模型164pm)；及基於從一或多個物理模型及資料提取之測量結果，產生及訓練一或多個機器學習模型(ML 164 ml)，如本文所論述。在一些實施方案中，不同的運算系統及/或不同的計量裝置可用以取得計量資料及來自訓練樣本的額外資訊，並產生一或多個物理模型(模型164pm)及/或產生及訓練一或多個機器學習模型(ML 164 ml)，且所得的物理模型及/或經訓練之機器學習模型(或其部分)可提供至運算系統160，例如，經由非暫時性電腦可用儲存媒體(諸如記憶體164)上的電腦可讀程式碼166。
運算系統160可額外地或替代地用以從多個資料來源獲得來自測試樣本的資料。資料可係用以產生物理模型以及產生及訓練上文所論述之(多個)機器學習模型的相同類型，且測試樣本具有與參考樣本相同的結構。運算系統160可經組態以使用來自多個來源及一或多個物理模型(模型164pm)及一或多個經訓練機器學習模型(ML 164 ml)的資料來判定樣本的一或多個所關注參數，如本文所論述。
來自資料分析之結果可經報告，例如，經儲存在與樣本103相關聯的記憶體164中及/或經由UI 168、警報、或其他輸出裝置向使用者指示。此外，來自分析的結果可經報告及前饋或反饋至程序設備，以調整適當的製造步驟來 補償製造程序中之任何經偵測的差異。例如，運算系統160可包括通訊埠169，其可係諸如至網際網路或任何其他電腦網路之任何類型的通訊連接。通訊埠169可用以接收指令，該些指令係用以程式化運算系統160以執行本文所述之功能的任何一或多者，及/或在前饋或反饋程序中匯出例如具有測量結果及/或指令的信號至另一系統(諸如外部程序工具)，以基於測量結果調整與樣本之製造程序步驟相關聯的程序參數。
如本文所論述，為了特徵化樣本，(1)至少一個以物理為基礎的模型經建立以分析來自一個工具或多個工具(諸如光譜橢圓偏振儀(SE)、光譜反射測量儀(SR)、X射線、電子束、光聲計量資料、傅立葉變換紅外光譜(FTIR)等)及來自一或多個來源的計量信號，以提取針對關鍵及非關鍵參數之測量結果。此外，(2)至少一個機器學習模型經建立且訓練以預測所關注參數。機器學習模型可採用以下資料中之一或多者作為輸入：a)來自(1)之(多個)物理模型的測量結果(關鍵及非關鍵參數)；b)來自(1)之(多個)物理模型及可選地不擬合之原始信號；來自不同工具集或(1)中之相同工具的資料來源，但不包括在物理模型化中；程序參數、APC參數、脈絡資料；及來自生產設備的感測器資料。另外，(3)可使用(多個)物理模型及離線建立且訓練的(多個)機器學習模型來執行樣本之線內測量，以基於來自多個資料來源的資料來預測所關注參數。
舉實例而言，圖2繪示根據使用從多個資料來源(例如，不同的工具及/或來源)收集的資料之第一實例情境用於離線配方建立(例如，產生一或多個物理模型及一或多個機器學習模型)的工作流程200。在圖2中，實線黑色箭頭指示在工作流程200中使用的程序，虛線黑色箭頭指示可選的但至少一者存在的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從第一來源或工具(來源1)收集來自一或多個參考樣本之所測量信號202。可從任何所欲的計量裝置(諸如圖1所示之計量工具101) 或從任何其他所欲類型的計量裝置收集所測量信號202。
此外，從一或多個額外資料來源獲取資料。例如，在一些實施方案中，可從一或多個額外來源或工具(例如，繪示為第二來源或工具(來源2)及一第三來源或工具(來源3))收集來自一或多個參考樣本之所測量信號204及206。例如，可從與來源1不同的計量裝置(諸如，圖1中所示之計量工具170)或從任何其他所欲類型的計量裝置收集額外所測量信號204，且可從與來源1及來源2不同的計量裝置(諸如，與計量工具101或170中任一者不同類型的測量)或從任何其他所欲類型的計量裝置收集所測量信號206。與參考樣本相關的額外資料208可經收集且用作為一或多個機器學習模型222的訓練資料，如黑色箭頭所繪示。例如，額外資料208可包括用於樣本的參考資料及DOE資料。例如，參考資料可係由計量裝置從一或多個參考樣本所獲得的所測量信號，連同一般由CD-AFM(原子力顯微鏡)、CD-SEM(掃描電子顯微鏡)、或TEM(透射電子顯微鏡)提供的所關注結構參數之值。例如，DOE資料可係來自在經故意引入偏斜條件下所處理的一組參考樣本的所測量資料，使得藉由具有已知模式的偏斜程序條件而使所關注結構參數變化。參考資料及/或DOE資料可用作為訓練資料集以訓練機器學習模型以找出相關資料特徵，且學習在輸入與輸出特徵之間的內在關係及連接，以進行決定及預測新資料。在一些實施方案中，與參考樣本相關的額外資料208可進一步包括晶圓條件、準確度、工具匹配資料等。例如，準確度資料係從相同工具例項多次從相同目標重複測量的資料。準確度度量係另一個計量關鍵效能指標(key performance indicator,KPI)，其指示來自相同樣本多次執行的所測量結果之一致性。例如，工具匹配資料係來自相同工具類型之多個工具例項的來自相同目標之所測量資料。工具匹配度量係指示來自相同類型之不同工具針對相同樣本的所測量結果之一致性的另一計量KPI。測量準確度(藉由匹配從CD-AFM、CD-SEM、TEM等所提供之參考值及/或與DOE條件之一致性而評估)、 精確度、及工具匹配係典型的計量KPI。若提供精確度及工具匹配資料，則物理模型化或機器學習模型可經最佳化以不僅密切匹配參考值，而且亦用來自相同工具或來自相同類型之不同工具多次執行的所測量信號來預測相同樣本的一致結果。
此外，在一些實施方案中，額外資料信號209可用作為用於物理模型的輸入或用於機器學習模型的輸入特徵。可獲得例如可與來源(例如，來源1、來源2、及來源3)相關的額外資料信號209，諸如程序參數、進階程序控制(APC)參數、脈絡資料、及來自生產設備的感測器資料。舉實例而言，一些程序控制參數(例如，基材溫度及用於濕式蝕刻之化學濃度)可影響蝕刻速率(多快地從晶圓之表面移除材料)，且蝕刻速率係判定蝕刻深度及CD輪廓的重要因素之一者。一些此等參數(諸如溫度)係藉由來自生產設備之感測器而測量。其他參數(諸如蝕刻時間、蝕刻室名稱)係使用者控制之參數。蝕刻室名稱是脈絡資料的實例。由於各蝕刻室本身具有跨晶圓的蝕刻輪廓之特性分布，因此知道此資訊可有助於機器學習預測正確晶圓圖。APC參數之一實例係在含有相關資訊(例如，所關注結構的非關鍵參數)的不同程序步驟從相同樣本所測量的原子力顯微鏡(AFM)結果。添加非關鍵參數作為機器學習輸入特徵可有助於改善對預測關鍵參數的機器學習穩健性。添加所有此等相關參數作為機器學習輸入特徵可提供有助於判定由此等程序參數及條件所控制之所關注結構參數的額外資訊。
來自多個資料來源之所測量信號及資料可用以產生一或多個物理模型。例如，如用實線黑色箭頭所繪示，來自第一來源(來源1)的所測量信號202可用以產生樣本的第一物理模型212。例如，基於結構之已知幾何、標稱值、及材料來建立樣本之物理模型。藉由提供從其提取測量結果的資料來使用所測量信號202產生第一物理模型212，且第一物理模型212可經調整及最佳化使得所計算信號良好地擬合至所測量信號，且達成所提取測量結果與參考樣本之已知 參數之間的良好匹配。在一些實施方案中，額外資料可用以輔助產生第一物理模型212。例如，如用點線灰色箭頭所繪示，額外資料208(諸如參考資料及/或DOE)及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生第一物理模型212。此外，如用點線灰色箭頭所繪示，資料信號209可用以輔助產生第一物理模型212。在另一實例中，如用點線灰色箭頭所繪示，來自第二來源(來源2)之所測量信號204可用以輔助產生樣本之第一物理模型212。在一些實施方案中，額外資料208及所測量信號204均可用以輔助產生第一物理模型212。
在一些實施方案中，可產生多個物理模型。例如，如用灰色點線箭頭及灰色點線框所繪示，可基於來自第二來源(來源2)的所測量信號204來產生第二物理模型214。在一些實施方案中，額外資料可用以產生第二物理模型214。例如，如藉由點線灰色箭頭所繪示，額外資料208(諸如參考資料及/或DOE)及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生第二物理模型214。在另一實例中，如用點線灰色箭頭所繪示，來自第三來源(來源3)之所測量信號206可用以輔助產生樣本之第二物理模型214。在一些實施方案中，額外資料208及所測量信號206均可用以輔助產生第二物理模型214。此外，如用灰色點線箭頭所繪示，資料信號209可用以輔助產生第二物理模型214。此外，多個物理模型可經獨立地最佳化或共最佳化。例如，在一些實施方案中，如用灰色點線所繪示，第一物理模型212及第二物理模型214可經鏈接使得可跨物理模型212及214耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。第一物理模型212及可選地第二物理模型214可經組態以提供物理模型化之擬合優度223。
一或多個機器學習模型222係使用多個資料來源建立且訓練以預測所關注參數225。機器學習測量指標227可經發展且連同來自物理模型化之擬合優度223一起報告，以指示從物理模型化及機器學習協同加強的配方之測量品 質。如用實線黑色箭頭所繪示，使用由第一物理模型212提取的測量結果作為輸入特徵來建置機器學習模型222。如用虛線黑色箭頭所指示，機器學習模型222之輸入特徵可額外地包括從第二來源(來源2)所收集的來自一或多個參考樣本之所測量信號204、從第三來源(來源3)所收集的來自一或多個參考樣本之所測量信號206、額外資料信號209、由第二物理模型214提取之測量結果中之至少一者、或其等之任何組合。在一些實施方案中，如用點線灰色箭頭所繪示，機器學習模型222之輸入特徵可選地可包括從第一來源(來源1)所收集的來自一或多個參考樣本之所測量信號202。在一些實施方案中，來自所測量信號202的輸入特徵可包括未用於產生第一物理模型212的來自所測量信號的資料(諸如至少一個資料通道或至少一個資料塊)。例如，一般而言，資料通道可係由能量源(諸如光源)、由光學部件導引之光學路徑、偵測器、或其組合中之至少一者所界定之一測量子系統，而資料塊可係來自由資料通道提供之一完整資料集的波長(例如，如用於光譜計量)、頻率(例如，如用於頻率解析計量)、角度(例如，如用於角度解析計量)、時間跨度(例如，如用於時間解析計量)、或上述之任何組合。例如，第一計量裝置可收集法線入射信號及傾斜入射光譜橢圓偏振(SE)信號。SE信號可用以產生第一物理模型212，但可能不使用法線入射信號，因為其可能難以擬合法線入射信號。因此，除了從不同資料通道產生的物理模型化結果(例如，SE信號)以外，法線入射信號可係用作為機器學習模型222輸入特徵之資料的資料通道。在另一實例中，相同資料通道可分割成多個資料塊(例如，來自不同波長範圍的信號)，且一些資料塊可能難以使用物理模型化進行擬合，但可用作為機器學習模型222輸入特徵的資料。
使用資料208之至少一個部分(諸如參考資料及/或DOE)、及可選地晶圓條件、精確度、及工具匹配資料來訓練機器學習模型222。資料208係訓練資料且用於離線訓練。例如，參考資料可係具有標籤(例如，由其他計量系統 (諸如CD-SEM、TEM CD-AFM)提供的關鍵參數之值)的一組信號(例如，包括來自第一物理模型212之測量結果、所測量信號204、所測量信號206、額外資料信號209、及所測量信號202中之任一者)。在訓練機器學習模型222期間，來自參考資料的該組信號用作為機器學習輸入特徵，且基於此等輸入特徵，機器學習模型222預測關鍵參數。機器學習模型222經訓練以學習及預測匹配參考資料之標籤的關鍵參數。來自資料208之DOE係從用經故意引入偏斜條件下所處理的參考樣本所測量的一組信號(例如，包括來自第一物理模型212之測量結果、所測量信號204、所測量信號206、額外資料信號209、及所測量信號202中之任一者)。在機器學習訓練期間，機器學習模型222採用來自DOE資料的信號作為輸入特徵，並預測關鍵參數。機器學習模型222經訓練使得預測的關鍵參數值基於程序偏斜條件而遵循預期的偏斜模式。來自資料208之精確度資料係來自相同樣本但從相同計量工具多次執行的所測量信號(例如，包括來自第一物理模型212之測量結果、所測量信號204、所測量信號206、額外資料信號209、及所測量信號202中之任一者)。類似地，來自資料208之工具匹配資料係來自相同樣本但從相同類型計量工具之不同例項所測量的信號(例如，包括來自第一物理模型212之測量結果、所測量信號204、所測量信號206、額外資料信號209、及所測量信號202中之任一者)。機器學習模型222採用精確度及工具匹配資料作為輸入特徵且進行預測。機器學習模型222經訓練使得來自相同樣本但從不同執行或不同工具所測量的信號之關鍵參數之預測值一致。機器學習模型222可經訓練使得若在訓練期間提供所有此等資料，則同時符合所有準則、與參考值匹配、DOE偏斜條件、高精確度、及一致的工具匹配。
舉實例而言，圖3繪示根據使用從多個資料來源(例如，不同的工具及/或來源)收集的信號之第一實例情境用於線內測量(例如，基於一或多個物理模型及一或多個機器學習模型來特徵化一樣本)的工作流程300。例如， 可如參考圖2所論述而產生一或多個物理模型及一或多個機器學習模型。在圖3中，實線黑色箭頭指示在工作流程300中使用的程序，虛線黑色箭頭指示可選的但至少一者存在的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從第一資料來源或工具(來源1)收集來自樣本之所測量信號302。可從任何所欲的計量裝置(諸如圖1所示之計量工具101)或從任何其他所欲類型的計量裝置收集所測量信號302，且可從與圖2中之來源1所使用的相同計量裝置或相同類型的計量裝置收集所測量信號。
此外，從一或多個額外資料來源獲取資料。例如，在一些實施方案中，可從一或多個額外來源或工具(例如，繪示為第二來源或工具(來源2)及一第三來源或工具(來源3))收集所測量信號304及306。例如，可從與來源1不同的計量裝置(諸如，圖1中所示之計量工具170)或從任何其他所欲類型的計量裝置收集額外所測量信號304，且可從與如圖2中之來源2所使用的相同計量裝置或相同類型的計量裝置收集額外所測量信號。可從與來源1及來源2不同的計量裝置(諸如，計量工具101或170中任一者的不同類型測量)或從任何其他所欲類型的計量裝置收集所測量信號306，且可從與圖2中之來源3所使用的相同計量裝置或相同類型的計量裝置收集所測量信號。進一步地，在一些實施方案中，可獲得例如可與來源(例如，來源1、來源2、及來源3)相關的額外資料信號309，諸如程序參數、APC參數、脈絡資料；及來自生產設備的感測器資料。
來自多個資料來源的信號及資料可用以從一或多個物理模型提取測量結果。例如，如用實線黑色箭頭所繪示，來自第一來源(來源1)的所測量信號302可用以從第一物理模型312(其可與圖2中之第一物理模型212相同)提取針對該樣本之測量結果。在一些實施方案中，額外資料可用以輔助從第一物理模型312提取測量結果。例如，如用點線灰色箭頭所繪示，來自第二來源(來源2)的所測量信號304可用以輔助從樣本的第一物理模型312提取測量結果。此外， 如點線灰色箭頭所繪示，額外資料信號309可用以輔助從第一物理模型312提取針對該樣本之測量結果。
在一些實施方案中，多個物理模型可用以提取針對該樣本之測量結果。例如，如用灰色點線箭頭及灰色點線框所繪示，第二物理模型314可用以基於來自第二來源(來源2)的所測量信號304來提取針對該樣本之測量結果。例如，第二物理模型314可與圖2中之第二物理模型214相同。在一些實施方案中，額外資料可用以輔助從第二物理模型314提取測量結果。例如，如用點線灰色箭頭所繪示，來自第三來源(來源3)的所測量信號306可用以輔助從第二物理模型314提取針對該樣本之測量結果。另外，如點線灰色箭頭所繪示，額外資料信號309可用以輔助從第二物理模型314提取針對該樣本之測量結果。此外，多個物理模型可經獨立地最佳化或共最佳化。例如，在一些實施方案中，如用灰色點線所繪示，第一物理模型312及第二物理模型314可經鏈接使得可跨物理模型312及314耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。第一物理模型312及可選地第二物理模型314可經組態以提供物理模型化之擬合優度323。
一或多個經訓練之機器學習模型322用以基於多個資料來源來預測所關注參數325。可報告來自物理模型化的機器學習測量指標327及擬合優度323，以指示來自物理模型化及機器學習的經協同加強配方之測量品質。經訓練之機器學習模型322在已受訓練之後可例如，與圖2之機器學習模型222相同。如實線黑色箭頭所繪示，經訓練之機器學習模型322使用由第一物理模型312提取的測量結果作為輸入特徵。如虛線黑色箭頭所指示，經訓練之機器學習模型322可進一步使用包括下列中之至少一者的輸入特徵：從第二來源(來源2)收集的來自樣本之所測量信號304、從第三來源(來源3)收集的來自樣本之所測量信號306、額外資料信號309、基於額外信號304及/或306及可選地額外資料信號309而 由第二物理模型314提取的測量結果、或其任何組合。在一些實施方案中，如用點線灰色箭頭所繪示，經訓練之機器學習模型322可選地可進一步使用包括從第一來源(來源1)收集的來自樣本之所測量信號302的輸入特徵。在一些實施方案中，來自所測量信號302的機器學習輸入特徵可包括未用於從第一物理模型312提取測量結果的來自所測量信號的資料(諸如至少一個資料通道或至少一個資料塊)，如參考圖2所討論。
舉實例而言，圖4繪示根據使用從多個資料來源(例如，不同的製造程序步驟)收集的信號之第二實例情境用於離線配方建立(例如，產生一或多個物理模型及一或多個機器學習模型)的工作流程400。在圖4中，實線黑色箭頭指示在工作流程400中使用的程序，虛線黑色箭頭指示可選的但至少一者存在的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從計量裝置測量來自一或多個參考樣本的後程序步驟所測量信號402。例如，參考樣本可係OCD目標墊或半導體裝置，且在樣本之所欲製造步驟完成之後獲得後程序步驟所測量信號402。可從任何所欲的計量裝置(諸如圖1所示之計量工具101)或從任何其他所欲類型的計量裝置收集後程序步驟所測量信號402。
另外，來自一或多個參考樣本之前程序步驟所測量信號404係使用計量裝置(例如，與用於獲取後程序步驟所測量信號402相同或不同的計量裝置)測量，且用以產生前程序步驟資料。例如，在樣本之所欲製造步驟完成之前獲得前程序步驟所測量信號404。在一些實施方案中，後程序步驟所測量信號402及前程序步驟所測量信號404可經組合(例如，藉由加法、減法、乘法、或除法組合)以形成預調節信號405。此外，可收集與參考樣本相關的資料408，諸如樣本之參考資料，實驗設計(DOE)。在一些實施方案中，與參考樣本相關的額外資料408可進一步包括晶圓條件、精確度、工具匹配資料等。此外，資料可從其他 來源(諸如，從第二測量墊406、故障偵測墊409、或其任何組合)獲得。雖然在圖2及圖3中之第一實例情境強調從不同計量裝置收集的多個資料來源，但第二實例情境例如，繪示多個資料來源可來自不同的測量墊，或在不同程序步驟的相同墊。可從相同或不同的計量裝置測量不同的測量墊。可在經設計的OCD目標或裝置上測量前程序步驟所測量信號404及後程序步驟所測量信號402。例如，第二測量墊406係指來自未針對前程序步驟所測量信號404及後程序步驟所測量信號402測量的測量墊的前程序步驟測量及/或後程序步驟測量。例如，若在OCD目標上測量前程序步驟所測量信號404及後程序步驟所測量信號402，則第二測量墊406可指來自裝置墊的輔助信號，或反之亦然。
來自多個資料來源之信號及資料可用以產生一或多個物理模型。例如，如用實線黑色箭頭所繪示，來自計量裝置的後程序步驟所測量信號402可用以產生樣本的後程序物理模型412。在一些實施方案中，額外資料可用以輔助產生後程序物理模型412。例如，如用點線灰色箭頭所繪示，額外資料408(諸如參考資料及/或DOE)及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生後程序物理模型412。在另一實例中，如用點線灰色箭頭所繪示，預調節信號405可用以輔助產生樣本之後程序物理模型412。在另一實例中，如用點線灰色箭頭所繪示，來自第二測量墊406的信號可用以輔助產生樣本的後程序物理模型412。在另一實例中，如用點線灰色箭頭所繪示，來自故障偵測墊409之信號可用以輔助產生樣本之後程序物理模型412。在一些實施方案中，資料408的全部或任何組合及來自不同測量墊(例如，第二測量墊406及/或故障偵測墊409)的信號可用以輔助產生後程序物理模型412。
在一些實施方案中，可產生多個物理模型。例如，如用灰色點線箭頭及灰色點線框所繪示，可基於來自計量裝置的前程序步驟所測量信號404來產生前程序物理模型414。在一些實施方案中，額外資料可用以產生前程序物理 模型414。例如，如由點線灰色箭頭所繪示，額外資料408(諸如參考資料及/或DOE)及可選地晶圓條件、精確度、及工具匹配資料亦可用以輔助產生前程序物理模型414。在另一實例中，如用點線灰色箭頭所繪示，來自第二測量墊406的信號可用以輔助產生樣本之前程序物理模型414。在另一實例中，如用點線灰色箭頭所繪示，來自故障偵測墊409之信號可用以輔助產生樣本之前程序物理模型414。在一些實施方案中，資料408之全部或任何組合、及來自第二測量墊406及故障偵測墊409之信號可用以輔助產生前程序物理模型414。此外，多個物理模型可經獨立地最佳化或共最佳化。例如，在一些實施方案中，如用灰色點線所繪示，後程序物理模型412及前程序物理模型414可經鏈接使得可跨後程序物理模型412及前程序物理模型414耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。後程序物理模型412及可選地前程序物理模型414可經組態以提供物理模型化之擬合優度423。
一或多個機器學習模型422係使用多個資料來源建立且訓練以預測所關注參數425。機器學習測量指標427可經發展且連同來自物理模型化之擬合優度423一起報告，以指示從物理模型化及機器學習協同加強的配方之測量品質。如用實線黑色箭頭所繪示，使用由後程序物理模型412提取的後程序測量結果作為輸入特徵來建置機器學習模型422。如虛線黑色箭頭所指示，機器學習模型422之輸入特徵另外包括基於前程序步驟所測量信號404所產生的前程序步驟資料。可以多種方式基於前程序步驟所測量信號404來產生前程序步驟資料。例如，如圖4所繪示，可以三種不同方式(標記為1、2、及3)從前程序步驟所測量信號404產生前程序步驟資料，其中使用(1)、(2)、或(3)中之至少一者或其任何組合。如用針對前程序步驟所測量信號404的標籤1所繪示，可藉由組合前程序步驟所測量信號404與後程序步驟所測量信號402來產生前程序步驟資料，以形成預調節信號405。如圖4中所描述，在一些實施方案中，若預調節信號405經產生， 則預調節信號405可(A)提供至後程序物理模型412，且至少部分地基於由後程序物理模型412提取的後程序測量結果來建置機器學習模型422；或(B)預調節信號405經提供至機器學習模型422，且至少部分地基於預調節信號405來建置機器學習模型422。另外，如圖4中進一步描述，在一些實施方案中，(A)或(B)中之至少一者可搭配工作流程400一起使用。如用針對前程序步驟所測量信號404的標籤2所繪示，可藉由將前程序步驟所測量信號404提供至前程序物理模型414來產生前程序步驟資料，且至少部分地基於由前程序物理模型414提取的前程序測量結果來建置機器學習模型422。如用針對前程序步驟所測量信號404的標籤3所繪示，可藉由將前程序步驟所測量信號404提供至機器學習模型422來產生前程序步驟資料，且至少部分地基於前程序步驟所測量信號404來建置機器學習模型422。
另外，如用虛線黑色箭頭所指示，使用額外資料來建置機器學習模型422，該額外資料包括前程序步驟資料(亦即，針對前程序步驟所測量信號404的(1)、(2)、或(3)中之至少一者，或其任何組合)、來自第二測量墊406之信號、及來自故障偵測墊409之信號中之至少一者、或其任何組合。在一些實施方案中，如點線灰色箭頭所繪示，可選地可進一步使用後程序步驟所測量信號402、預調節信號405、由前程序物理模型414提取的測量結果、或其一些組合來建置機器學習模型422。
使用資料408之至少一個部分(諸如參考資料及/或DOE)、及可選地晶圓條件、精確度、及工具匹配資料來訓練機器學習模型422。
舉實例而言，圖5繪示根據使用從多個資料來源(例如，不同的製造程序步驟)收集的信號之第二實例情境用於線內測量(例如，基於一或多個物理模型及一或多個機器學習模型來特徵化一樣本)的工作流程500。例如，可如參考圖4所論述而產生一或多個物理模型及一或多個機器學習模型。在圖5中， 實線黑色箭頭指示在工作流程500中使用的程序，虛線黑色箭頭指示可選的但至少一者存在的程序，而點線灰色箭頭指示可選的程序。
如所繪示，從計量裝置收集來自樣本的後程序步驟所測量信號502。例如，樣本可係OCD目標墊或半導體裝置，且在樣本之所欲製造步驟完成之後獲得後程序步驟所測量信號502。可從任何所欲的計量裝置(諸如圖1所示之計量工具101)或從任何其他所欲類型的計量裝置收集後程序步驟所測量信號502，且可從與用以獲取圖4中之後程序步驟所測量信號402的相同計量裝置或相同類型的計量裝置收集後程序步驟所測量信號。
此外，使用例如與用於獲取後程序步驟所測量信號502相同或不同的計量裝置，及與用以獲取圖4中之前程序步驟所測量信號404的相同計量裝置或相同類型的計量裝置，收集來自樣本的前程序步驟所測量信號504。前程序步驟所測量信號504用以產生前程序步驟資料。例如，在樣本之所欲製造步驟完成之前獲得前程序步驟所測量信號504。在一些實施方案中，後程序步驟所測量信號502及前程序步驟所測量信號504可經組合(例如，藉由加法、減法、乘法、或除法組合)以形成預調節信號505。此外，可從其他來源(諸如，從第二測量墊506、從故障偵測墊509、或其任何組合)獲得資料。可在經設計的OCD目標或裝置上測量前程序步驟所測量信號504及後程序步驟所測量信號502。例如，第二測量墊506係指來自未針對前程序步驟所測量信號504及後程序步驟所測量信號502測量的測量墊的前程序步驟測量及/或後程序步驟測量。例如，若在OCD目標上測量前程序步驟所測量信號504及後程序步驟所測量信號502，則第二測量墊506可指來自裝置墊的輔助信號，或反之亦然。
來自多個資料來源的信號及資料可用以從一或多個物理模型提取測量結果。例如，如用實線黑色箭頭所繪示，後程序步驟所測量信號502可用以從後程序物理模型512(其可與在圖4中之後程序物理模型412相同)提取針對 該樣本之測量結果。在一些實施方案中，額外資料可用以輔助從後程序物理模型512提取測量結果。例如，如用點線灰色箭頭所繪示，預調節信號505可用以輔助從樣本之後程序物理模型512提取測量結果。在另一實例中，如用點線灰色箭頭所繪示，來自第二測量墊506的信號可用以輔助從樣本之後程序物理模型512提取測量結果。在另一實例中，如用點線灰色箭頭所繪示，來自故障偵測墊509之信號可用以輔助從樣本之後程序物理模型512提取測量結果。在一些實施方案中，來自第二墊506及故障偵測墊509之信號之全部或任何組合可用以輔助從樣本之後程序物理模型512提取測量結果。
在一些實施方案中，多個物理模型可用以提取針對該樣本之測量結果。例如，如用灰色點線箭頭及灰色點線框所繪示，前程序物理模型514可用以基於前程序步驟所測量信號504提取針對該樣本之測量結果。前程序物理模型514可與圖4中之前程序物理模型414相同。在一些實施方案中，額外資料可用以輔助從前程序物理模型514提取測量結果。例如，如用點線灰色箭頭所繪示，來自第二測量墊506的信號可用以輔助從樣本之前程序物理模型514提取測量結果。在另一實例中，如用點線灰色箭頭所繪示，來自故障偵測墊509之信號可用以輔助從樣本之前程序物理模型514提取測量結果。在一些實施方案中，來自第二墊506及故障偵測墊509之信號之全部或任何組合可用以輔助從樣本之前程序物理模型514提取測量結果。此外，多個物理模型可經獨立地最佳化或共最佳化。例如，在一些實施方案中，如用灰色點線所繪示，後程序物理模型512及前程序物理模型514可經鏈接使得可跨後程序物理模型512及前程序物理模型514耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。後程序物理模型512及可選地前程序物理模型514可經組態以提供物理模型化之擬合優度523。
一或多個經訓練之機器學習模型522用以基於多個資料來源來預 測所關注參數525。機器學習測量指標527可經發展且連同來自物理模型化之擬合優度523一起報告，以指示從物理模型化及機器學習協同加強的配方之測量品質。如實線黑色箭頭所繪示，經訓練之機器學習模型522使用由後程序物理模型512提取的後程序測量結果作為輸入資料，以及基於前程序步驟所測量信號504產生的前程序步驟資料。
可以多種方式基於前程序步驟所測量信號504來產生前程序步驟資料。例如，如圖5所繪示，可以三種不同方式(標記為1、2、及3)從前程序步驟所測量信號504產生前程序步驟資料，其中使用(1)、(2)、或(3)中之至少一者或其任何組合。如用針對前程序步驟所測量信號504的標籤1所繪示，可藉由組合前程序步驟所測量信號504與後程序步驟所測量信號502來產生前程序步驟資料，以形成預調節信號505。如圖5中所描述，在一些實施方案中，若預調節信號505經產生，則預調節信號505可(A)提供至後程序物理模型512，且經訓練之機器學習模型522接收呈由後程序物理模型512提取的後程序測量結果之形式的輸入資料，或(B)預調節信號505經提供給經訓練之機器學習模型522作為輸入資料。另外，如圖5中進一步描述，在一些實施方案中，(A)或(B)中之至少一者可搭配工作流程500一起使用。如用針對前程序步驟所測量信號504的標籤2所繪示，可藉由將前程序步驟所測量信號504提供至前程序物理模型514來產生前程序步驟資料，且經訓練之機器學習模型522使用由前程序物理模型514提取的測量結果作為輸入資料。如用針對前程序步驟所測量信號504的標籤3所繪示，可藉由將前程序步驟所測量信號504提供至經訓練之機器學習模型522作為輸入資料而產生前程序步驟資料。
在一些實施方案中，如點線灰色箭頭所繪示，經訓練之機器學習模型522可選地可進一步使用包括後程序步驟所測量信號502的輸入資料。
在一些實施方案中，主要資料(例如，在物理模型化及在一些實 施方案中在機器學習模型中所使用的所測量信號)、及輔助資料(例如，在機器學習模型中及在一些實施方案中在物理模型化使用之補充資料)可源自不同工具集，或可源自相同工具集但不同資料通道，或可源自相同工具集及相同資料通道但來自不同波長範圍、時間跨度等。不同的資料來源可從相同的程序步驟或不相同的程序步驟收集來自相同晶圓之相同樣本位點(例如，OCD目標或在裝置上)的資料。不同資料來源可從相同或不同程序步驟收集來自相同晶圓之不同樣本位點的資料(例如，當下伏結構具有相關參數時)，使得分析經組合資料可改善整體效能。如所繪示，至少一個物理模型可經建立以分析來自至少一個資料來源的所測量信號。此外，若使用多於一個物理模型，則多個物理模型可經獨立地最佳化或共最佳化，例如，物理模型可經鏈接使得可跨物理模型耦合至少一些參數，且可搜尋經組合參數空間以擬合來自一或多個資料來源之所測量信號。主要資料及輔助資料可具有不同的本質，例如，一些資料可係從工具集收集的計量資料，而其他資料可係來自程序設備的感測器資料，或晶圓程序參數，諸如氣流速率、APC參數、或脈絡資料，諸如特定程序工具。此外，可在將來自所有來源之資料提供至機器學習模型之前應用特徵工程及信號預處理，以用於訓練及預測。例如，機器學習演算法可包括但不限於線性迴歸、神經網路、深度學習、卷積神經網路(CNN)、集體法、支援向量機(SVM)、隨機森林等，或以循序模式及/或平行模式的多個模型之組合。
所繪示之工作流程有效地組合各種測量技術及透過協同加強物理模型化及機器學習來使用多個資料來源，以產生比由個別測量技術或單一資料來源所提供者更實用的資訊。可使用先前建立良好的模型化解決方案來用所欲測量裝置來執行物理模型化，且物理模型化結果可與其他難以或不可能將資料模型化者(其可稱為輔助資料)組合，以用於機器學習訓練及預測。因此，所得程序提供具有物理模型化及機器學習兩者之優勢的可行解決方案，同時控制 運算成本，實現可接受之生產TTS，且易於在實踐中實施和使用。此外，可透過使用透過資料探勘及資料融合而與計量資料組合的資料(諸如程序參數及來自生產設備的感測器資料)增加預測能力，如本文所論述。所提議之方法係靈活的以適應各式各樣不同本質的信號，而同時對於各類型的資料來源最大化現有良好開發演算法的使用。此外，本文所論述之方法具有通用應用，且例如可應用於測量任何裝置、OCD、或薄膜或其他類型之目標。
圖6展示根據一些實施方案描繪用於特徵化在一樣本上之一結構的實例方法600的說明性流程圖。在一些實施方案中，實例方法600可由至少一個記憶體(諸如記憶體164)執行，該至少一個記憶體經組態以儲存所測量信號、測量結果、一或多個物理模型、一或多個機器學習模型、及針對結構的所關注參數，且耦接至一或多個處理器，例如諸如，在圖1中之運算系統160中之處理器162，從而實施在圖3中繪示的工作流程300。
一或多個處理器可從一第一計量裝置獲得針對在該樣本上之該結構的所測量信號(602)。例如，可由圖1中所示之計量裝置100獲得針對在該樣本上之該結構的所測量信號。例如，針對在該樣本上之該結構的所測量信號可係圖3中所示之所測量信號302。用於從一第一計量裝置獲得針對在該樣本上之該結構的所測量信號的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
一或多個處理器可基於該些所測量信號從用於在該樣本上之該結構的一第一物理模型提取測量結果(604)。例如，第一物理模型可係圖3中所示之第一物理模型312。用於基於該些所測量信號從用於在該樣本上之該結構的一第一物理模型提取測量結果的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164pm之指令而實施一或多個物理模型。
一或多個處理器可基於從該第一物理模型提取之該些測量結果且進一步基於下列中之至少一者，而用一機器學習模型判定針對在該樣本上之該結構的所關注參數：未用於從該第一物理模型提取該些測量結果的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對在該樣本上之該結構所獲得的第二所測量信號；用以產生在該樣本上之該結構的程序參數；用以產生在該樣本上之該結構的進階程序控制(APC)參數；用於在該樣本上之該結構的脈絡資料；及用以產生在該樣本上之該結構的來自生產設備的感測器資料(606)。例如，機器學習模型可係經訓練之機器學習模型322，其接收從圖3中之第一物理模型312提取的測量結果。此外，從一第二計量裝置針對該樣本上之該結構所獲得的第二所測量信號可係所測量信號304，且用以產生在該樣本上之該結構的程序參數、用以產生在該樣本上之該結構的APC參數、用於在該樣本上之該結構的脈絡資料、及用以產生在該樣本上之該結構的來自生產設備的感測器資料可係圖3所示之額外資料信號309。用於用一機器學習模型判定針對在該樣本上之該結構的所關注參數的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164 ml之指令而實施一或多個物理模型，該判定係基於從該第一物理模型提取之該些測量結果且進一步基於下列中之至少一者：未用於從該第一物理模型提取該些測量結果的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對在該樣本上之該結構所獲得的第二所測量信號；用以產生在該樣本上之該結構的程序參數；用以產生在該樣本上之該結構的進階程序控制(APC)參數；用於在該樣本上之該結構的脈絡資料；及用以產生在該樣本上之該結構的來自生產設備的感測器資料。
在一些實施方案中，來自所測量信號的該資料可係下列中之一者：至少一個資料通道，其可係由能量源(諸如光源)、由光學部件導引之光學 路徑、偵測器、或其組合中之至少一者所界定之一測量子系統；及至少一個資料塊，其可係例如來自由該至少一個資料通道提供之一完整資料集的波長、頻率、角度、時間跨度、或上述之任何組合之一子集，例如，如參考圖3中之從所測量信號302提供至機器學習模型322的資料所討論。
在一些實施方案中，該機器學習模型係基於針對用於該結構的一或多個參考樣本由該第一物理模型提取之測量結果及參考資料與實驗設計資訊中之至少一者而產生，例如，如由圖2中之從第一物理模型212至機器學習模型222的黑色箭頭及從額外資料208至機器學習模型的黑色箭頭所繪示。該機器學習模型可進一步基於下列中之至少一者而產生：未用於產生該第一物理模型之來自所測量信號的資料；從該第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號；用以產生該一或多個參考樣本的程序參數；用以產生該一或多個參考樣本的APC參數；用於該一或多個參考樣本的脈絡資料；及用以產生該一或多個參考樣本的來自生產設備的感測器資料，如由圖2中之從所測量信號204及額外資料信號209至機器學習模型222的黑色虛線所繪示。
在一些實施方案中，可進一步基於來自該第二計量裝置針對在該樣本上之該結構的該些第二所測量信號，針對在該樣本上之該結構從該第一物理模型提取該些測量結果，例如，如由圖3所示之從所測量信號304至第一物理模型312的灰色點線所繪示。
在一些實施方案中，可進一步基於該些程序參數、該些APC參數、該脈絡資料、及來自生產設備的該感測器資料中之至少一者針對在該樣本上之該結構從該第一物理模型提取該些測量結果，例如，如由圖3中之從額外資料信號309至第一物理模型312的灰色點線所繪示。
在一些實施方案中，一或多個處理器可進一步基於來自該第二計量裝置的該些第二所測量信號而針對在該樣本上之該結構從一第二物理模型提 取第二測量結果，且該機器學習模型進一步基於從該第二物理模型提取的該些第二測量結果來判定針對在該樣本上之該結構的該些所關注參數，例如，如由圖3中之第二物理模型314、及從所測量信號304至第二物理模型314的灰色點線、及從第二物理模型314至經訓練之機器學習模型322的灰色點線所繪示。舉實例而言，在一些實施方案中，進一步基於來自一第三計量裝置針對在該樣本上之該結構的第三所測量信號，針對在該樣本上之該結構從該第二物理模型提取該些第二測量結果，例如，如由圖3中之從所測量信號306至第二物理模型314的灰色點線所繪示。舉實例而言，在一些實施方案中，可進一步基於該些程序參數、該些APC參數、該脈絡資料、及來自生產設備的該感測器資料中之至少一者，針對在該樣本上之該結構從該第二物理模型提取該些第二測量結果，例如，如由圖3中之從額外資料信號309至第二物理模型314的黑色虛線所繪示。用於基於來自該第二計量裝置的該些第二所測量信號而針對在該樣本上之該結構從一第二物理模型提取第二測量結果(其中該機器學習模型進一步基於從該第二物理模型提取的該些第二測量結果來判定針對在該樣本上之該結構的該些所關注參數)的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164pm之指令而實施一或多個物理模型。
在一些實施方案中，該機器學習模型進一步基於來自該第二計量裝置的該些第二所測量信號且進一步基於來自一第三計量裝置針對在該樣本上之該結構的第三所測量信號，判定針對在該樣本上之該結構的該些所關注參數，例如，如由圖3中之從所測量信號304及所測量信號306至經訓練之機器學習模型322的黑色虛線所繪示。
圖7展示根據一些實施方案描繪用於特徵化在一樣本上之一結構的實例方法700的說明性流程圖。在一些實施方案中，實例方法700可由至少一個 記憶體(諸如記憶體164)執行，該至少一個記憶體經組態以儲存所測量信號、測量結果、一或多個物理模型、一或多個機器學習模型、及針對結構的所關注參數，且耦接至一或多個處理器，例如諸如，在圖1中之運算系統160中之處理器162，從而實施在圖5中繪示的工作流程500。
一或多個處理器可在一前程序步驟，針對在該樣本上之該結構從一計量裝置獲得前程序步驟計量信號(702)。例如，前程序步驟所測量信號可藉由圖1所示之計量裝置100而獲得。例如，前程序步驟所測量信號可係圖5中所示之前程序步驟所測量信號504。用於在一前程序步驟針對在該樣本上之該結構從一計量裝置獲得前程序步驟計量信號的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
一或多個處理器可在一後程序步驟，針對在該樣本上之該結構從該計量裝置獲得後程序步驟所測量信號(704)。例如，後程序步驟所測量信號可藉由圖1所示之計量裝置100而獲得。例如，針對在該樣本上之該結構的後程序步驟所測量信號可係圖5中所示之後程序步驟所測量信號502。用於在一後程序步驟針對在該樣本上之該結構從該計量裝置獲得後程序步驟所測量信號的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
一或多個處理器可基於該些後程序步驟所測量信號來從用於該樣本的一後程序物理模型提取後程序測量結果(706)。例如，後程序物理模型可係圖5所示之後程序物理模型512。用於基於該些後程序步驟所測量信號來從用於該樣本的一後程序物理模型提取後程序測量結果的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164pm之指令而實施一或多個 物理模型。
一或多個處理器可至少基於該些前程序步驟所測量信號而產生前程序步驟資料(708)。例如，至少基於該些前程序步驟所測量信號而產生的該前程序步驟資料可係來自圖5所示之前程序步驟所測量信號504的標籤1、2、及3中之任一者。用於至少基於該些前程序步驟所測量信號而產生前程序步驟資料的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
一或多個處理器可基於從該後程序物理模型提取的該些後程序測量結果及該前程序步驟資料而用一機器學習模型判定針對該樣本的所關注參數(710)。例如，經訓練之機器學習模型可係經訓練之機器學習模型522，其接收由後程序物理模型512提取的後程序測量結果，及前程序步驟資料，例如，圖5所示之來自前程序步驟所測量信號504的標籤1、2、及3中之任一者。用於基於從該後程序物理模型提取的該些後程序測量結果及該前程序步驟資料而用一機器學習模型判定針對該樣本的所關注參數的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示的記憶體164)上的電腦可讀取程式碼166的模型164 ml之指令而實施一或多個物理模型。
在一些實施方案中，機器學習模型進一步基於該些前程序步驟所測量信號、從一測量墊獲得的第二所測量信號、及從一故障偵測墊獲得的第三所測量信號中之至少一者，判定針對在該樣本上之該結構的該些所關注參數，例如，如由圖5所示之從前程序步驟所測量信號504、來自第二測量墊506之信號、及從故障偵測墊509至機器學習模型522的黑色虛線箭頭所繪示。該些前程序步驟所測量信號、從一測量墊獲得的第二所測量信號、及從一故障偵測墊獲得的第三所測量信號可源自不同的測量墊，或源自在不同程序步驟之相同墊、或可從相同或不同的計量裝置測量。
在一些實施方案中，進一步基於來自該測量墊的該些第二所測量信號、及來自該故障偵測墊的該些第三所測量信號之至少一者，從該後程序物理模型提取該些後程序測量結果，例如，如由從第二測量墊506及故障偵測墊509至後程序物理模型512的灰色點線箭頭所繪示。
在一些實施方案中，該前程序步驟資料可包括基於該些前程序步驟所測量信號及該些後程序步驟所測量信號的一組合所產生的一預調節信號，例如，如由圖5所示之預調節信號505、及從預調節信號505至機器學習模型522的灰色點線所繪示。
在一些實施方案中，一或多個處理器可進一步基於該些前程序步驟所測量信號及該些後程序步驟所測量信號的一組合而產生一預調節信號，其中進一步基於該預調節信號而從該後程序物理模型提取該些後程序測量結果，例如，如由圖5所示之預調節信號505及從預調節信號505至後程序物理模型512的灰色點線所繪示。用於基於該些前程序步驟所測量信號及該些後程序步驟所測量信號的一組合而產生一預調節信號(其中進一步基於該預調節信號而從該後程序物理模型提取該些後程序測量結果)的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
在一些實施方案中，一或多個處理器可進一步基於該些前程序步驟所測量信號而從一前程序物理模型提取前程序測量結果，其中該前程序步驟資料包括從該前程序物理模型提取的該些前程序測量結果，例如，如由圖5所示之前程序物理模型514及從前程序步驟所測量信號504至前程序物理模型514的灰色點線及從前程序物理模型514至機器學習模型522的灰色點線所繪示。用於基於該些前程序步驟所測量信號而從一前程序物理模型提取前程序測量結果(其中該前程序步驟資料包括從該前程序物理模型提取的該些前程序測量結 果)的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164pm之指令而實施一或多個物理模型。
舉實例而言，在一些實施方案中，進一步基於從一測量墊獲取的第二所測量信號及從一故障偵測墊獲取的第三所測量信號中之至少一者，從該前程序物理模型提取該些前程序測量結果，例如，如由圖5所示之從第二測量墊506至前程序物理模型514的灰色點線及從故障偵測墊509至前程序物理模型514的灰色點線所繪示。
在一些實施方案中，該前程序步驟資料可包括該些前程序步驟所測量信號，例如，如由圖5所示之從前程序步驟所測量信號504至機器學習模型522的黑色虛線所繪示。
圖8展示根據一些實施方案描繪用於特徵化在一樣本上之一結構的實例方法800的說明性流程圖。在一些實施方案中，實例方法800可由至少一個記憶體(諸如記憶體164)執行，該至少一個記憶體經組態以儲存所測量信號、測量結果、一或多個物理模型、一或多個機器學習模型、及針對結構的所關注參數，且耦接至一或多個處理器，例如諸如，在圖1中之運算系統160中之處理器162，從而實施在圖2中繪示的工作流程200。
一或多個處理器可從一第一計量裝置獲得針對用於該結構的一或多個參考樣本之所測量信號(802)。例如，可由圖1中所示之計量裝置100獲得用於一或多個參考樣本之所測量信號。例如，用於一或多個參考樣本之所測量信號可係圖2中所示之所測量信號202。用於從一第一計量裝置獲得針對用於該結構的一或多個參考樣本之所測量信號的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
一或多個處理器可產生一第一物理模型以提取針對在該樣本上之該結構的測量結果，其中該第一物理模型係基於來自該第一計量裝置的該一或多個參考樣本之該些所測量信號而產生(804)。例如，基於來自該第一計量裝置的該一或多個參考樣本之該些所測量信號產生的該第一物理模型可係圖2中所示之第一物理模型212。用於產生一第一物理模型以提取針對在該樣本上之該結構的測量結果(其中該第一物理模型係基於來自該第一計量裝置的該一或多個參考樣本之該些所測量信號而產生)的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164pm之指令而實施一或多個物理模型。
一或多個處理器可產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數，其中該機器學習模型係基於由該第一物理模型提取之該些測量結果及參考資料與實驗設計資訊中之至少一者，且進一步基於下列中之至少一者而產生：未用於產生該第一物理模型的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號；用以產生該一或多個參考樣本的程序參數；用以產生該一或多個參考樣本的進階程序控制(APC)參數；用於該一或多個參考樣本的脈絡資料；及用以產生該一或多個參考樣本的來自生產設備的感測器資料(806)。例如，用以預測針對在該樣本上之該結構的所關注參數的該機器學習模型可係機器學習模型222，其係基於由第一物理模型212提取之該些測量結果及在圖2所示之額外資料208中的參考資料與實驗設計資訊中之至少一者而產生。此外，來自所測量信號的資料可係未被第一物理模型212使用的來自該第一計量裝置的至少一個資料通道或至少一個資料塊，從一第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號可係所測量信號204，且用以產生該一或多個參考樣本的該程序參數、用以產生該一或多個參考樣本的APC參數、用於該一或多個參考樣本的脈 絡資料、及來自生產設備的感測器資料可係圖2所示之額外資料信號209。用於產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數的構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164 ml之指令而實施一或多個物理模型，其中該機器學習模型係基於由該第一物理模型提取之該些測量結果及參考資料與實驗設計資訊中之至少一者，且進一步基於下列中之至少一者而產生：未用於產生該第一物理模型的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號；用以產生該一或多個參考樣本的程序參數；用以產生該一或多個參考樣本的進階程序控制(APC)參數；用於該一或多個參考樣本的脈絡資料；及用以產生該一或多個參考樣本的來自生產設備的感測器資料。
在一些實施方案中，來自所測量信號的該資料可係下列中之一者：至少一個資料通道，其可係由能量源(諸如光源)、由光學部件導引之光學路徑、偵測器、或其組合中之至少一者所界定之一測量子系統；及至少一個資料塊，其可係例如來自由該至少一個資料通道提供之一完整資料集的波長、頻率、角度、時間跨度、或上述之任何組合之一子集，例如，如參考圖2中之從所測量信號202提供至機器學習模型222的資料所討論。
在一些實施方案中，可進一步基於來自該第二計量裝置針對該一或多個參考樣本的該些第二所測量信號而產生該第一物理模型，例如，如由圖2所示之從所測量信號204至第一物理模型212的灰色點線所繪示。
在一些實施方案中，可進一步基於該些程序參數、該些APC參數、該脈絡資料、及來自生產設備的該感測器資料中之至少一者產生該第一物理模型，例如，如由圖2中之從額外資料信號209至第一物理模型212的灰色點線所繪示。
在一些實施方案中，一或多個處理器可進一步產生一第二物理模型以提取針對在該樣本上之該結構的第二測量結果，其中基於來自該第二計量裝置的該一或多個參考樣本之該些第二所測量信號而產生該第二物理模型，且可進一步基於由該第二物理模型提取的該些第二測量結果而產生該機器學習模型，例如，如由圖2中之第二物理模型214、及從所測量信號204至第二物理模型214的灰色點線、及從第二物理模型214至機器學習模型222的灰色點線所繪示。舉實例而言，在一些實施方案中，進一步基於來自一第三計量裝置針對該一或多個參考樣本的第三所測量信號而產生該第二物理模型，例如，如藉由圖2中之從所測量信號206至第二物理模型214的灰色點線所繪示。舉實例而言，在一些實施方案中，進一步基於該些程序參數、該些APC參數、該脈絡資料、及來自生產設備的該感測器資料中之至少一者產生該第二物理模型，例如，如由圖2中之從額外資料信號209至第二物理模型214的灰色點線所繪示。用於產生一第二物理模型以提取針對在該樣本上之該結構的第二測量結果(其中該第二物理模型係基於來自該第二計量裝置的該一或多個參考樣本之該些第二所測量信號而產生，且可進一步基於由該第二物理模型提取的該些第二測量結果而產生該機器學習模型)的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164pm之指令而實施一或多個物理模型。
在一些實施方案中，該機器學習模型可進一步基於來自該第二計量裝置的該些第二所測量信號且進一步基於來自一第三計量裝置針對該一或多個參考樣本的第三所測量信號而產生，例如，如由圖2中之從由所測量信號204及所測量信號206至機器學習模型222的黑色虛線所繪示。
圖9展示根據一些實施方案描繪用於特徵化在一樣本上之一結構的實例方法900的說明性流程圖。在一些實施方案中，實例方法900可由至少一個 記憶體(諸如記憶體164)執行，該至少一個記憶體經組態以儲存所測量信號、測量結果、一或多個物理模型、一或多個機器學習模型、及針對結構的所關注參數，且耦接至一或多個處理器，例如諸如，在圖1中之運算系統160中之處理器162，從而實施在圖4中繪示的工作流程400。
一或多個處理器可在一前程序步驟，針對用於該結構的一或多個參考樣本從一計量裝置獲得前程序步驟所測量信號(902)。例如，可由圖1中所示之計量裝置100獲得用於一或多個參考樣本之前程序步驟所測量信號。例如，用於一或多個參考樣本之前程序步驟所測量信號可係圖4中所示之前程序步驟所測量信號404。用於在一前程序步驟針對用於該結構的一或多個參考樣本從一計量裝置獲得前程序步驟所測量信號的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
一或多個處理器可在一後程序步驟針對該一或多個參考樣本從該計量裝置獲得後程序步驟所測量信號(904)。例如，可由圖1中所示之計量裝置100獲得用於一或多個參考樣本之後程序步驟所測量信號。例如，用於一或多個參考樣本之後程序步驟所測量信號可係圖4中所示之後程序步驟所測量信號402。用於在一後程序步驟針對該一或多個參考樣本從該計量裝置獲得後程序步驟所測量信號的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
一或多個處理器可產生一後程序物理模型以提取針對該一或多個參考樣本的後程序測量結果，其中該後程序物理模型係基於該些後程序步驟所測量信號而產生(906)。例如，基於後程序步驟所測量信號所產生的後程序物理模型可係圖4所示之後程序物理模型412。用於產生一後程序物理模型以提取針對該一或多個參考樣本的後程序測量結果(其中該後程序物理模型係基於該 些後程序步驟所測量信號而產生)的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164pm之指令而實施一或多個物理模型。
一或多個處理器可至少基於該些前程序步驟所測量信號而產生前程序步驟資料(908)。例如，至少基於該些前程序步驟所測量信號而產生的該前程序步驟資料可係來自圖4所示之前程序步驟所測量信號404的標籤1、2、及3中之任一者。用於至少基於該些前程序步驟所測量信號而產生前程序步驟資料的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
一或多個處理器可產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數，其中該機器學習模型係基於由該後程序物理模型提取之該些後程序測量結果及參考資料與實驗設計資訊中之至少一者及該前程序步驟資料而產生(910)。例如，機器學習模型可係機器學習模型422，其係基於由後程序物理模型412提取的後程序測量結果、及在圖4所示之額外資料408中的參考資料與實驗設計資訊中之至少一者、及前程序步驟資料(例如，來自圖4所示之前程序步驟所測量信號404的標籤1、2、及3中之任一者)而產生。用於產生一機器學習模型以預測針對在該樣本上之該結構的所關注參數(其中該機器學習模型係基於由該後程序物理模型提取之該些後程序測量結果及參考資料與實驗設計資訊中之至少一者、及該前程序步驟資料而產生)的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示的記憶體164)上的電腦可讀取程式碼166的模型164 ml之指令而實施一或多個物理模型。
在一些實施方案中，機器學習模型進一步基於該些前程序步驟所測量信號、從一測量墊獲得的第二所測量信號、及從一故障偵測墊獲得的第三所 測量信號中之至少一者而產生，例如，如由圖4所示之從前程序步驟所測量信號404、從第二測量墊406、及從故障偵測墊409至機器學習模型422的黑色虛線箭頭所繪示。該些前程序步驟所測量信號、從一測量墊獲得的第二所測量信號、及從一故障偵測墊獲得的第三所測量信號可源自不同的測量墊，或源自在不同程序步驟之相同墊，及可從相同或不同的計量裝置測量。
在一些實施方案中，可進一步基於來自該測量墊的該些第二所測量信號及來自該故障偵測墊的該些第三所測量信號而產生該後程序物理模型，例如，如由圖4所示之從第二測量墊406及故障偵測墊409至後程序物理模型412的灰色點線箭頭所繪示。
在一些實施方案中，該前程序步驟資料可包括基於該些前程序步驟所測量信號及該些後程序步驟所測量信號的一組合所產生的一預調節信號，例如，如由圖4所示之預調節信號405、及從預調節信號405至機器學習模型422的灰色點線所繪示。
在一些實施方案中，一或多個處理器可進一步基於該些前程序步驟所測量信號及該些後程序步驟所測量信號的一組合而產生一預調節信號，其中進一步基於該預調節信號而產生該後程序物理模型，例如，如由圖4所示之預調節信號405及從預調節信號405至後程序物理模型412的灰色點線所繪示。用於基於該些前程序步驟所測量信號及該些後程序步驟所測量信號的一組合而產生一預調節信號(其中進一步基於該預調節信號而產生該後程序物理模型)的一構件可係例如圖1中所展示之計量裝置100，及圖1中所展示之運算系統160中的至少一個記憶體164及至少一個處理器162。
在一些實施方案中，一或多個處理器可進一步產生一前程序物理模型以提取針對該樣本之前程序測量結果，其中該前程序物理模型係基於針對該一或多個參考樣本之該些前程序步驟所測量信號而產生，且該前程序步驟資 料包括從該前程序物理模型提取的該些前程序測量結果，例如，如由圖4所示之前程序物理模型414及從前程序步驟所測量信號404至前程序物理模型414的灰色點線及從前程序物理模型414至機器學習模型422的灰色點線所繪示。用於產生一前程序物理模型以提取針對該樣本之前程序測量結果(其中該前程序物理模型係基於針對該一或多個參考樣本之該些前程序步驟所測量信號而產生，且該前程序步驟資料包括從該前程序物理模型提取的該些前程序測量結果)的一構件可係例如至少一個處理器162，其經組態以例如基於來自在非暫時性電腦可用儲存媒體(諸如圖1所示之記憶體164)上的電腦可讀取程式碼166的模型164pm之指令而實施一或多個物理模型。
舉實例而言，在一些實施方案中，可進一步基於從一測量墊獲取的第二所測量信號及從一故障偵測墊獲取的第三所測量信號中之至少一者而產生該前程序物理模型，例如，如由圖4所示之從第二測量墊406至前程序物理模型414的灰色點線及從故障偵測墊409至前程序物理模型414的灰色點線所繪示。
在一些實施方案中，該前程序步驟資料可包括該些前程序步驟所測量信號，例如，如由圖4所示之從前程序步驟所測量信號404至機器學習模型422的黑色虛線所繪示。
上文描述係意欲為說明性且非限制性。例如，上述實例(或其一或多個態樣)可彼此組合使用。可諸如藉由所屬技術領域中具有通常知識者檢視上文敘述來使用其他實施方案。此外，各種特徵可分組在一起，且可使用少於具體所揭示實施方案之所有特徵。因此，下列態樣特此作為實例或實施方式併入至上文描述中，其中各態樣獨立地作為一單獨實施方案，且預期此類實施方案可在各種組合或排列中與彼此組合。因此，隨附申請專利範圍之精神及範疇不應限於前述說明。
300:工作流程
302:所測量信號
304:所測量信號；額外信號
306:所測量信號；額外信號
309:額外資料信號
312:第一物理模型
314:第二物理模型
322:機器學習模型
323:擬合優度
325:所關注參數
327:機器學習測量指標

Claims (20)

  1. 一種特徵化在一樣本上之一結構的方法，其包含： 從一第一計量裝置獲得針對在該樣本上之該結構的所測量信號； 基於該些所測量信號從用於在該樣本上之該結構的一第一物理模型提取測量結果；及 基於從該第一物理模型提取之該些測量結果，且進一步基於下列中之至少一者，而用一機器學習模型判定針對在該樣本上之該結構的所關注參數：未用於從該第一物理模型提取該些測量結果的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對在該樣本上之該結構所獲得的第二所測量信號；用以產生在該樣本上之該結構的程序參數；用以產生在該樣本上之該結構的進階程序控制(Advanced Process Control, APC)參數；用於在該樣本上之該結構的脈絡資料；及用以產生在該樣本上之該結構的來自生產設備的感測器資料。
  2. 如請求項1之方法，其中來自所測量信號的該資料包含下列中之一者：至少一個資料通道，其包含由一光源、由光學部件導引之一光學路徑、一偵測器、或其組合中之至少一者所界定之一測量子系統；及至少一個資料塊，其包含來自由該至少一個資料通道提供之一完整資料集的波長、頻率、角度、時間跨度、或其任何組合之一子集。
  3. 如請求項1之方法，其中該機器學習模型係基於針對用於該結構的一或多個參考樣本由該第一物理模型提取之測量結果、及參考資料與實驗設計資訊中之至少一者，及下列中之至少一者而產生：未用於產生該第一物理模型之來自所測量信號的資料；從該第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號；用以產生該一或多個參考樣本的程序參數；用以產生該一或多個參考樣本的APC參數；用於該一或多個參考樣本的脈絡資料；及用以產生該一或多個參考樣本的來自生產設備的感測器資料。
  4. 如請求項1之方法，其中進一步基於來自該第二計量裝置針對在該樣本上之該結構的該些第二所測量信號，針對在該樣本上之該結構從該第一物理模型提取該些測量結果。
  5. 如請求項1之方法，其中針對在該樣本上之該結構從該第一物理模型提取的該些測量結果，係進一步基於該些程序參數、該些APC參數、該脈絡資料、及來自生產設備的該感測器資料中之至少一者。
  6. 如請求項1之方法，其進一步包含基於來自該第二計量裝置的該些第二所測量信號而針對在該樣本上之該結構從一第二物理模型提取第二測量結果，其中該機器學習模型進一步基於從該第二物理模型提取的該些第二測量結果，來判定針對在該樣本上之該結構的該些所關注參數。
  7. 如請求項6之方法，其中進一步基於來自一第三計量裝置針對在該樣本上之該結構的第三所測量信號，針對在該樣本上之該結構從該第二物理模型提取該些第二測量結果。
  8. 如請求項6之方法，其中進一步基於該些程序參數、該些APC參數、該脈絡資料、及來自生產設備的該感測器資料中之至少一者，針對在該樣本上之該結構從該第二物理模型提取該些第二測量結果。
  9. 如請求項1之方法，其中該機器學習模型進一步基於來自該第二計量裝置的該些第二所測量信號，且進一步基於來自一第三計量裝置針對在該樣本上之該結構的第三所測量信號，判定針對在該樣本上之該結構的該些所關注參數。
  10. 一種經組態用於特徵化在一樣本上之一結構的電腦系統，其包含： 至少一個記憶體，其經組態儲存所測量信號、測量結果、一第一物理模型、一機器學習模型、及用於該結構的所關注參數；及 至少一個處理器，其耦接至該至少一個記憶體，其中該至少一個處理器經組態以： 從一第一計量裝置獲得針對在該樣本上之該結構的所測量信號； 基於該些所測量信號從用於在該樣本上之該結構的一第一物理模型提取測量結果；及 基於從該第一物理模型提取之該些測量結果，且進一步基於下列中之至少一者，而用一機器學習模型判定針對在該樣本上之該結構的所關注參數：未用於從該第一物理模型提取該些測量結果的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對在該樣本上之該結構所獲得的第二所測量信號；用以產生在該樣本上之該結構的程序參數；用以產生在該樣本上之該結構的進階程序控制(APC)參數；用於在該樣本上之該結構的脈絡資料；及用以產生在該樣本上之該結構的來自生產設備的感測器資料。
  11. 如請求項10之電腦系統，其中來自所測量信號的該資料包含下列中之一者：至少一個資料通道，其包含由一光源、由光學部件導引之一光學路徑、一偵測器、或其組合中之至少一者所界定之一測量子系統；及至少一個資料塊，其包含來自由該至少一個資料通道提供之一完整資料集的波長、頻率、角度、時間跨度、或其任何組合之一子集。
  12. 如請求項10之電腦系統，其中該機器學習模型係基於針對用於該結構的一或多個參考樣本由該第一物理模型提取之測量結果、及參考資料與實驗設計資訊中之至少一者，及下列中之至少一者而產生：未用於產生該第一物理模型之來自所測量信號的資料；從該第二計量裝置針對該一或多個參考樣本所獲得的第二所測量信號；用以產生該一或多個參考樣本的程序參數；用以產生該一或多個參考樣本的APC參數；用於該一或多個參考樣本的脈絡資料；及用以產生該一或多個參考樣本的來自生產設備的感測器資料。
  13. 如請求項10之電腦系統，其中進一步基於來自該第二計量裝置針對在該樣本上之該結構的該些第二所測量信號，針對在該樣本上之該結構從該第一物理模型提取該些測量結果。
  14. 如請求項10之電腦系統，其中針對在該樣本上之該結構從該第一物理模型提取的該些測量結果，係進一步基於該些程序參數、該些APC參數、該脈絡資料、及來自生產設備的該感測器資料中之至少一者。
  15. 如請求項10之電腦系統，其中該至少一個處理器進一步經組態以基於來自該第二計量裝置的該些第二所測量信號而針對在該樣本上之該結構從一第二物理模型提取第二測量結果，其中該機器學習模型進一步基於從該第二物理模型提取的該些第二測量結果，來判定針對在該樣本上之該結構的該些所關注參數。
  16. 如請求項15之電腦系統，其中進一步基於來自一第三計量裝置針對在該樣本上之該結構的第三所測量信號，針對在該樣本上之該結構從該第二物理模型提取該些第二測量結果。
  17. 如請求項15之電腦系統，其中進一步基於該些程序參數、該些APC參數、該脈絡資料、及來自生產設備的該感測器資料中之至少一者，針對在該樣本上之該結構從該第二物理模型提取該些第二測量結果。
  18. 如請求項10之電腦系統，其中該機器學習模型進一步基於來自該第二計量裝置的該些第二所測量信號，且進一步基於來自一第三計量裝置針對在該樣本上之該結構的第三所測量信號，判定針對在該樣本上之該結構的該些所關注參數。
  19. 一種經組態用於特徵化在一樣本上之一結構的系統，其包含： 用於從一第一計量裝置獲得針對在該樣本上之該結構的所測量信號的構件； 用於基於該些所測量信號從用於在該樣本上之該結構的一第一物理模型提取測量結果的構件；及 用於基於從該第一物理模型提取之該些測量結果，且進一步基於下列中之至少一者，而用一機器學習模型判定針對在該樣本上之該結構的所關注參數的構件：未用於從該第一物理模型提取該些測量結果的來自該第一計量裝置之來自所測量信號的資料；從一第二計量裝置針對在該樣本上之該結構所獲得的第二所測量信號；用以產生在該樣本上之該結構的程序參數；用以產生在該樣本上之該結構的進階程序控制(APC)參數；用於在該樣本上之該結構的脈絡資料；及用以產生在該樣本上之該結構的來自生產設備的感測器資料。
  20. 如請求項19之系統，其進一步包含用於基於來自該第二計量裝置的該些第二所測量信號而針對在該樣本上之該結構從一第二物理模型提取第二測量結果的構件，其中該機器學習模型進一步基於從該第二物理模型提取的該些第二測量結果，來判定針對在該樣本上之該結構的該些所關注參數。
TW112123702A 2022-06-23 2023-06-26 用於使用物理模型化及機器學習進行多個信號來源之混合計量的方法和系統以及利用其之電腦系統 TWI867591B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US202263355053P 2022-06-23 2022-06-23
US63/355,053 2022-06-23
US202363498475P 2023-04-26 2023-04-26
US63/498,475 2023-04-26
US18/339,973 US20230418995A1 (en) 2022-06-23 2023-06-22 Multiple sources of signals for hybrid metrology using physical modeling and machine learning
US18/339,973 2023-06-22

Publications (2)

Publication Number Publication Date
TW202401303A TW202401303A (zh) 2024-01-01
TWI867591B true TWI867591B (zh) 2024-12-21

Family

ID=89323027

Family Applications (4)

Application Number Title Priority Date Filing Date
TW112123702A TWI867591B (zh) 2022-06-23 2023-06-26 用於使用物理模型化及機器學習進行多個信號來源之混合計量的方法和系統以及利用其之電腦系統
TW113146079A TW202512025A (zh) 2022-06-23 2023-06-26 用於使用物理模型化及機器學習進行多個信號來源之混合計量的方法和系統以及利用其之電腦系統
TW112123701A TWI861959B (zh) 2022-06-23 2023-06-26 用於進行所關注複雜結構之計量解決方案的方法和系統以及使用其之電腦系統
TW113139131A TWI897680B (zh) 2022-06-23 2023-06-26 用於進行所關注複雜結構之計量解決方案的方法和系統以及使用其之電腦系統

Family Applications After (3)

Application Number Title Priority Date Filing Date
TW113146079A TW202512025A (zh) 2022-06-23 2023-06-26 用於使用物理模型化及機器學習進行多個信號來源之混合計量的方法和系統以及利用其之電腦系統
TW112123701A TWI861959B (zh) 2022-06-23 2023-06-26 用於進行所關注複雜結構之計量解決方案的方法和系統以及使用其之電腦系統
TW113139131A TWI897680B (zh) 2022-06-23 2023-06-26 用於進行所關注複雜結構之計量解決方案的方法和系統以及使用其之電腦系統

Country Status (7)

Country Link
US (2) US20230417682A1 (zh)
EP (2) EP4544263A4 (zh)
JP (2) JP2025523488A (zh)
KR (1) KR20250025465A (zh)
CN (2) CN119731506A (zh)
TW (4) TWI867591B (zh)
WO (2) WO2023250152A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9606519B2 (en) * 2013-10-14 2017-03-28 Applied Materials, Inc. Matching process controllers for improved matching of process
US12368503B2 (en) 2023-12-27 2025-07-22 Quantum Generative Materials Llc Intent-based satellite transmit management based on preexisting historical location and machine learning
US20250224344A1 (en) * 2024-01-04 2025-07-10 Kla Corporation Measurements Of Semiconductor Structures Based On Data Collected At Prior Process Steps
EP4647837A1 (en) * 2024-05-07 2025-11-12 ASML Netherlands B.V. Metrology method and associated apparatus
EP4657161A1 (en) * 2024-05-29 2025-12-03 ASML Netherlands B.V. Method and system for predicting metrology data using a neural network

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200110852A1 (en) * 2018-10-09 2020-04-09 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
US20200193290A1 (en) * 2018-12-12 2020-06-18 Korea Advanced Institute Of Science And Technology Thickness prediction network learning method, semiconductor device manufacturing method, and semiconductor material deposition equipment
TWI715773B (zh) * 2016-06-01 2021-01-11 美商克萊譚克公司 針對半導體應用整合神經網路及前向物理模型之系統及方法
WO2021140502A1 (en) * 2020-01-06 2021-07-15 Nova Measuring Instruments Ltd. Combining physical modeling and machine learning

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI276802B (en) * 2002-08-13 2007-03-21 Lam Res Corp Process endpoint detection method using broadband reflectometry
US7065423B2 (en) * 2004-07-08 2006-06-20 Timbre Technologies, Inc. Optical metrology model optimization for process control
US10502694B2 (en) * 2013-08-06 2019-12-10 Kla-Tencor Corporation Methods and apparatus for patterned wafer characterization
US9760018B2 (en) * 2013-08-13 2017-09-12 Asml Netherlands B.V. Method and inspection apparatus and computer program product for assessing a quality of reconstruction of a value of a parameter of interest of a structure
US9412673B2 (en) * 2013-08-23 2016-08-09 Kla-Tencor Corporation Multi-model metrology
KR102429847B1 (ko) * 2016-04-29 2022-08-04 에이에스엠엘 네델란즈 비.브이. 구조체의 특성을 결정하는 방법 및 장치, 디바이스 제조 방법
US10712145B2 (en) * 2016-10-20 2020-07-14 Kla-Tencor Corporation Hybrid metrology for patterned wafer characterization
US11156548B2 (en) * 2017-12-08 2021-10-26 Kla-Tencor Corporation Measurement methodology of advanced nanostructures
US10895541B2 (en) * 2018-01-06 2021-01-19 Kla-Tencor Corporation Systems and methods for combined x-ray reflectometry and photoelectron spectroscopy
US11990380B2 (en) * 2019-04-19 2024-05-21 Kla Corporation Methods and systems for combining x-ray metrology data sets to improve parameter estimation
US11415898B2 (en) * 2019-10-14 2022-08-16 Kla Corporation Signal-domain adaptation for metrology
US11610297B2 (en) * 2019-12-02 2023-03-21 Kla Corporation Tomography based semiconductor measurements using simplified models
US12443840B2 (en) * 2020-10-09 2025-10-14 Kla Corporation Dynamic control of machine learning based measurement recipe optimization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI715773B (zh) * 2016-06-01 2021-01-11 美商克萊譚克公司 針對半導體應用整合神經網路及前向物理模型之系統及方法
US20200110852A1 (en) * 2018-10-09 2020-04-09 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
US20200193290A1 (en) * 2018-12-12 2020-06-18 Korea Advanced Institute Of Science And Technology Thickness prediction network learning method, semiconductor device manufacturing method, and semiconductor material deposition equipment
WO2021140502A1 (en) * 2020-01-06 2021-07-15 Nova Measuring Instruments Ltd. Combining physical modeling and machine learning

Also Published As

Publication number Publication date
TW202401303A (zh) 2024-01-01
TW202507657A (zh) 2025-02-16
KR20250023564A (ko) 2025-02-18
TW202403675A (zh) 2024-01-16
JP2025523488A (ja) 2025-07-23
US20230417682A1 (en) 2023-12-28
EP4544263A1 (en) 2025-04-30
KR20250025465A (ko) 2025-02-21
EP4544262A1 (en) 2025-04-30
CN119731506A (zh) 2025-03-28
US20230418995A1 (en) 2023-12-28
EP4544263A4 (en) 2025-10-15
JP2025523487A (ja) 2025-07-23
WO2023250151A1 (en) 2023-12-28
TW202512025A (zh) 2025-03-16
WO2023250152A1 (en) 2023-12-28
EP4544262A4 (en) 2025-10-15
TWI861959B (zh) 2024-11-11
TWI897680B (zh) 2025-09-11
CN119731507A (zh) 2025-03-28

Similar Documents

Publication Publication Date Title
TWI867591B (zh) 用於使用物理模型化及機器學習進行多個信號來源之混合計量的方法和系統以及利用其之電腦系統
TWI589836B (zh) 用於半導體結構分析之方法、系統及非暫時性機器可存取儲存媒體
JP6097300B2 (ja) 計量学のためのプロセス変動ベースのモデル最適化の方法
KR102758970B1 (ko) 하이브리드 계측 방법 및 시스템
US20130158957A1 (en) Library generation with derivatives in optical metrology
TW202109023A (zh) 用於半導體結構中應變測量之基於散射測量的方法及系統
KR101888722B1 (ko) 광 임계 치수(ocd) 계측을 위한 레일리 파장의 개구수 적분
KR20160015299A (ko) 광학적 계측을 위한 자동 파장 또는 각도 프루닝
KR102917781B1 (ko) 물리적 모델링 및 기계 학습을 사용하는 하이브리드 계측을 위한 다수의 신호 소스
US10190868B2 (en) Metrology system, method, and computer program product employing automatic transitioning between utilizing a library and utilizing regression for measurement processing
KR20260014706A (ko) 물리적 모델링 및 기계 학습을 사용하는 하이브리드 계측을 위한 다수의 신호 소스
US20240111256A1 (en) Composite data for device metrology
KR20250163955A (ko) 계측 데이터 분석을 위한 전이 학습
KR20250112148A (ko) 광학 측정 시스템에서 시료의 파라미터를 예측하는 방법 및 컴퓨터 프로그램, 그리고 이를 구현하기 위한 컴퓨터 프로그램이 저장된 기록 매체
TW202514092A (zh) 用以測量膜堆疊之多波長拉曼和光譜橢偏之結合