TWI891479B - 有信號污染下之結構測量 - Google Patents

Abstract

由測量光點入射到目標及非目標區所造成的非目標信號對計量資料的污染可使用基於局部梯度的混合建模或一機器學習模型加以降低或消除。該基於局部梯度的混合建模方法使用一混合模型，其係基於該目標區的一模型、及所測量信號之該局部梯度的一項，其可從掃描資料來判定。該機器學習方法自相對於該目標的複數個位置獲得混合計量資料。該混合計量資料係來自該目標的目標信號與來自一非目標區的非目標信號的一混合，且係由一經訓練的機器學習模型使用，以判定目標計量資料，該目標計量資料包括來自該目標的目標信號而不含這些非目標信號，且係用以判定該目標的關注參數。

Description

有信號污染下之結構測量

相關申請案之交互參照

本申請案主張2023年10月26日所提交之美國臨時專利申請案第18/495,247號且標題為「MEASUREMENTS OF STRUCTURES IN PRESENCE OF SIGNAL CONTAMINATIONS」之優先權，該案轉讓本案之受讓人，並以全文引用之方式併入本文中。

本文所述之標的大致上係關於計量，且更具體而言係關於結構之測量，其中一計量裝置的一測量光點尺寸係大於目標區。

半導體及其他類似產業經常在處理期間使用光學計量設備以提供基材之非接觸式評估。一般而言，光學計量技術（諸如橢圓偏振技術及反射量測術）係藉由利用電磁輻射之探測光束照射一樣本，且隨後檢測及分析所反射及/或所傳輸的能量。探測光束可係偏振或非偏振的輻射，且可包括一或多種波長的輻射。一般而言，橢圓偏振技術測量與樣本相互作用之後反射光束之偏振狀態的變化，而反射量測術則測量反射光束之強度大小的變化。

例如，對於光學計量，所欲的是，由一光學計量裝置所產生的測量光點能夠完全入射至待測樣本的一目標區之內，以便改善測量的準確度及精確度。若測量光點的尺寸係大於目標區的尺寸，則所得的光信號將會被來自該目標區之外的區域的信號污染，這可能使得所欲的結構難以被準確測量。測量光點的尺寸通常係由光學計量裝置之光學系統所判定，但重新設計光學系統來降低測量光點尺寸是一項昂貴且耗時的任務，且最終可能不足以準確測量越來越小的幾何形狀。據此，除了光學系統重新設計之外的補償信號污染的技術係所欲的。

大於該目標區、或未對準該目標區的一測量光點可能會從該目標區及非目標區獲取計量資料，造成所得的計量資料會受到來自非目標區的信號污染。受到來自非目標區的信號污染的該計量資料可使用一基於局部梯度的混合模型或一機器學習模型加以降低或消除。該基於局部梯度的混合模型包括該目標區的一模型、及所測量信號之該局部梯度的一項，該梯度項可由掃描資料判定。來自該目標的計量資料可藉由將參數擬合在目標區之模型中、及擬合用於該局部梯度的至少一係數而擬合至該基於局部梯度的混合模型。在另一方法中，基於從一參考目標的不同位置所獲得的計量資料之圖案中的變化來訓練一機器學習模型。在測量期間，一目標混合計量資料（其係來自該目標的目標信號與來自一非目標區的非目標信號的一混合）係從相對於該目標的複數個不同位置所獲得，且係提供作為該經訓練的機器學習模型的輸入資料。該機器學習模型基於該輸入資料來判定目標計量資料，該目標計量資料包括不含非目標信號的目標信號。隨後，該目標計量資料可用以判定目標區的關注參數，例如將該目標計量資料擬合至該目標的建模資料。

在一個實施方案中，一種用於測量一樣本上的一目標的關注參數之方法包括：利用一計量裝置獲得該目標的計量資料，該計量資料係來自該目標的目標信號與來自一非目標區的非目標信號的一混合。該計量資料係擬合至一混合模型，該混合模型含有該目標的一模型、及所測量信號的一局部梯度。該目標的關注參數係基於該混合模型對該計量資料的擬合來判定。

在一個實施方案中，一種經配置以用於測量在一樣本上之一目標之關注參數的計量裝置包括：一源，其係經配置以產生待入射在該樣本上之該裝置上的輻射；至少一偵測器，其係經配置以偵測回應於入射在該裝置上的該輻射而由該裝置產生的輻射；及至少一處理器，其經耦接至該至少一偵測器。該至少一處理器係經配置以利用一計量裝置來獲得該目標的計量資料。該計量資料係來自該目標的目標信號與來自一非目標區的非目標信號的一混合。該至少一處理器係進一步經配置以將該計量資料擬合至一混合模型，該混合模型含有該目標的一模型、及所測量信號的一局部梯度。該至少一處理器係進一步經配置以基於該混合模式對該計量資料的擬合來判定該目標的關注參數。

在一個實施方案中，一種用於測量一樣本上的一目標的關注參數之方法包括：利用一計量裝置在相對於該目標的複數個不同位置獲得混合的計量資料，其中來自各不同位置的該混合計量資料係來自該目標的目標信號與來自一非目標區的非目標信號的一混合。該方法進一步包括：基於該目標的混合計量資料使用一經訓練的機器學習模型來判定目標計量資料，其中該目標計量資料包括不含來自該非目標區的非目標信號的來自該目標的目標信號；及基於該目標計量資料來判定該目標的關注參數。

在一個實施方案中，一種經配置以用於測量在一樣本上之一目標之關注參數的計量裝置包括：一源，其係經配置以產生待入射在該樣本上之該裝置上的輻射；至少一偵測器，其係經配置以偵測回應於入射在該裝置上的該輻射而由該裝置產生的輻射；及至少一處理器，其經耦接至該至少一偵測器。該至少一處理器係經配置以利用一計量裝置在相對於該目標的複數個不同位置獲得混合的計量資料，其中來自各不同位置的該混合計量資料係來自該目標的目標信號與來自一非目標區的目標信號的一混合。該至少一處理器係進一步經配置以：基於該混合計量資料使用一經訓練的機器學習模型來判定目標計量資料，其中該目標計量資料包括來自該目標的目標信號而不含來自該非目標區的非目標信號；及基於該目標的該目標計量資料來判定該目標的關注參數。

在半導體裝置及類似裝置之製造期間，經常需要藉由非破壞性地測量裝置來監測製造程序。一種可用於在處理期間對樣本進行非破壞性測量的計量係光學計量，其可使用垂直或斜向入射的輻射，且可使用一單一波長或多個波長。光學計量的實例可包括橢圓偏振技術、反射量測術、傅立葉變換紅外線光譜(Fourier Transform infrared spectroscopy, FTIR)等。亦可使用其他類型的計量，包括X射線計量、光聲計量、電子束(E-beam)計量等。

計量裝置（用於例如薄膜計量及光學關鍵尺寸(Optical Critical Dimension, OCD)計量、及其他類型的測量）係利用電磁輻射的一探測光束來照射一樣本，且檢測及分析所反射的或所傳輸的信號。測量光點係在樣本之表面上的區域，光係從該區域反射（或傳輸），並隨後由該光學計量裝置的偵測器所接收。探測光束通常不會產生具有銳利邊緣或邊界的一測量光點；而是，該探測光束具有一強度分布，使得總光束功率係侷限在一小區域（亦即，測量光點）內。

由光學計量裝置所測量的目標區可係一專門設計的目標（例如，放置於基板上之經處理的多個晶粒之間的切割道之內），或可係裝置內的（例如，在晶粒之內的一特定區域）。目標區可藉由在處理期間所產生的樣本之結構或特徵來判定。目標區可係一界定的區域（例如，存在於樣本上的一實體方框或區域，其有時係稱作裝置墊），或可僅僅是待測量的樣本上的一未界定的區域。

為了準確度且精確度，入射的探測光束應在樣本上產生完全侷限至目標區的一測量光點。若測量光點的尺寸大於目標區，則所得的光信號將會被來自目標區之外的區域的信號污染，使得難以獲得準確的測量。在半導體及類似產業中，隨著裝置的幾何形狀及用於裝置的對應目標區不斷縮小，要能夠產生空間上侷限至目標區的測量光點變得越來越困難。此等與測量光點尺寸大於目標區相關聯的問題，特別是針對先進裝置的測量，係一嚴峻的挑戰。

一種可能的解決方案係降低測量光點尺寸，使其小於目標區，使所得的信號僅來自目標區。然而，降低實際測量光點尺寸需要重新設計當前工具的光學系統，這是一項昂貴且耗時的任務。此外，降低實際測量光點尺寸在物理上也受到限制，這可能使得該光學系統的重新設計不適合某些裝置尺寸。

另一解決方案係使用一非相干混合模型，其係基於此等訊號在強度域中係非相干地混合的假設，而對來自目標區及周圍區域的混合信號進行建模。然而，非相干信號混合的假設不一定有效，因為亦可能發生相干的信號混合。此外，非相干混合模型取決於周圍區域的結構性資訊，然而其一般係未知的且經常係不規則的（例如，非週期性的、具有任意缺陷），且因此要建模即使不是不可能，也很困難。

如本文中所討論，可降低或消除來自非目標區的信號之污染以產生準確的測量結果。可基於一建模方法或一機器學習方法而消除或降低信號之污染。建模方法使用一混合模型，其係基於純目標模型連同所測量信號之局部梯度的一項，其可用以吸收來自周圍非目標區的信號污染。機器學習方法使用複數個光譜的圖案中之變化來預測來自目標區的信號，而不受來自周圍非目標區的污染。任一種方法都不需要對計量系統重新設計，且據此可使用從現有工具所收集的資料。另外，本文所討論之方法不限於大測量光點及小目標區的使用情況，還可應用於任何包含一不變的目標區及一變化未知的非目標區的情況。

基於局部梯度的混合模型方法及機器學習方法兩者皆使用局部信號作為直接輸入，使得它們可應用於任何類型的資料，諸如：橢圓偏振測量資料，像是穆勒矩陣(Muller matrix, MM)、瓊斯矩陣(Jones matrix)、振幅比與相位變化(psi & delta)資料；反射測量資料，像是在不同偏振器角度所收集的反射率；干涉測量資料；傅立葉轉換紅外線光譜(Fourier-Transform Infrared Spectroscopy, FTIR)資料等。

圖1顯示一計量裝置100的示意圖，其包括一頭102，其係耦接至一計算系統160，該計算系統係經配置以降低或消除來自非目標區的信號污染，如本文中所討論。圖1中所繪示之計量裝置100係一法線入射系統，且可係例如一反射計、光譜反射計、FTIR、或任何其他法線入射的計量裝置。若為所欲，多個頭（亦即，不同的計量裝置）可組合在計量裝置100中。計算系統160可經配置以分析由計量裝置100從樣本130所獲得的資料，以及經由致動器121及/或頭102來控制一載台120（其固持樣本130）的移動。載台120可係能夠在笛卡兒（亦即，X及Y）座標（如由箭頭123及124所指示）、或極（亦即，R及θ）座標中之任一者或兩者的某種組合中水平運動。載台120及/或頭102亦可能夠垂直運動，例如用於聚焦。

頭102可包括一光學系統104，其包括：一光源106（諸如氙弧燈及/或氘燈），其產生入射至目標上的光；及一偵測器116（諸如包括一波長色散元件及攝影機的一光譜儀），其偵測回應於光入射在目標上而產生的來自目標的光。在操作中，由光源106所產生的光可（例如，經由分光器110）沿著一光學軸108而被引導朝向包含一目標區132的樣本130。目標區132可係一專門設計的目標（例如，裝置墊），或可係裝置本身的一部分。一物鏡112將光聚焦至目標區132上，並接收從目標區132反射的光。反射光可穿過分光器110，並利用透鏡114聚焦至偵測器116上。偵測器116向計算系統160提供一資料信號。物鏡112、分光器110、透鏡114、及偵測器116僅僅是可使用的典型光學元件的說明。若為所欲，可使用額外的光學元件，諸如偏振器、及/或分析器。此外，在光學系統104中通常可存在額外的光學元件，諸如視場光闌、透鏡等。

光學系統104在樣本130的表面上產生一測量光點。測量光點具有一光點尺寸，其係受到光學系統104之組件限制。如所討論的，所欲的是測量光點尺寸能夠小於目標區132的尺寸，使得由光學系統104所接收的反射光僅來自目標區132，且不包括從目標鄰域（亦即，在樣本130上之目標區之外及周圍的區域）所反射的光。在半導體及類似產業中，隨著裝置的幾何形狀不斷縮小，目標的尺寸也以類似方式降低，使得要產生比目標更小的測量光點尺寸變得更加困難。據此，在一些情況下，例如若測量光點尺寸大於目標區132的尺寸、或若測量光點未正確對準目標區132，則由光學系統104所接收的反射光可能不但會從目標區132反射，而且會從非目標區反射。

計算系統160係耦接至頭102並接收來自偵測器116的一信號（其可能受到非目標區之污染），且可基於一建模方法或一機器學習方法來降低或消除信號污染，如本文中所討論，以執行樣本130的至少一參數之測量。例如，計算系統160可係一工作站、一個人電腦、中央處理單元、或其他適當的電腦系統、或多個系統。應理解，計算系統160可係一單一電腦系統、或多個分開或連結的電腦系統，該（等）系統在本文中係可互換地稱作計算系統160、至少一計算系統160、一或多個計算系統160。計算系統160可包括在計量裝置100中、或是連接至計量裝置、或以其他方法與計量裝置相關聯。計量裝置100之不同子系統可各自包括運算系統，其經配置用於實行與相關聯子系統相關聯的步驟。計算系統160可以任何所屬技術領域中已知的方式通訊地耦接至偵測器116。例如，計算系統160可耦接至與偵測器116相關聯之一分開的計算系統。計算系統160可經配置以藉由一傳輸媒體（其可包括有線及/或無線部分）從計量裝置100之一或多個子系統（例如，偵測器116）接收及/或獲取計量資料或資訊。因此，傳輸媒體可作為在計算系統160與計量裝置100的其他子系統之間的一資料鏈路。

計算系統160包括至少一個處理器162與記憶體164以及使用者介面(UI) 168，其等經由匯流排161通訊地耦接。記憶體164或其他非暫時性電腦可用儲存媒體包括其所體現的電腦可讀取程式碼166，且可由計算系統160用於使該一或多個計算系統160控制計量裝置100，並執行本文中所討論之功能，包括基於一建模方法或一機器學習方法消除或降低信號污染。例如，如所繪示，記憶體164可包括電腦可讀程式碼166或指令用於使處理器162執行建模166m或機器學習(ML) 166ml，如本文中所討論。應理解，處理器162可經配置以僅執行建模166m及機器學習166ml中之一者，或可經配置以執行建模166m及機器學習166ml兩者。

另外，計算系統160可經配置以分析所獲取的資料，並判定待測樣本130的一或多個參數。可以報告資料之分析（例如，特徵化一待測裝置結構之參數）結果（例如，儲存在與樣本130相關聯的記憶體164中、及/或經由UI 168、警報器、或其他輸出裝置向一使用者指示）。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，計算系統160可包括一通訊埠169，其可係任何類型的通訊連接（諸如至網際網路或任何其他電腦網路）。通訊埠169可用以接收用以程式化計算系統160的指令，以執行本文所述之功能中之任一者或多者，及/或在一前饋或回饋程序中匯出（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一製造程序步驟相關聯的一製程參數。

鑑於本揭露，所屬技術領域中具有通常知識者可實施在此實施方式中所描述之用於自動實施一或多個行為的資料結構及軟體碼，並將其儲存在例如一電腦可用儲存媒體（例如，記憶體164）中，其可能是任何可儲存碼及/或資料以供計算系統160使用的裝置或媒體。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，且這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。

圖2顯示可耦接至計算系統160的另一計量裝置200的示意圖，計算系統係經配置以降低或消除來自非目標區的信號污染，如本文中所討論。圖2中所繪示之計量裝置200可係一斜向入射系統，且可係例如一橢圓偏光儀、光譜橢圓偏光儀、穆勒矩陣橢圓偏光儀等。若為所欲，多個頭（亦即，不同的計量裝置）可組合在同一計量裝置200中。計算系統160降低或消除來自非目標區的信號污染的操作可類似於上面在圖1中所討論的，但當耦接至計量裝置200時，計算系統160係進一步經配置以分析由計量裝置200（例如，橢圓偏光儀）所獲取的資料，並判定待測樣本的一或多個參數。

計量裝置200係繪示成包括：一寬頻光源202、及具有一偏振器204及一旋轉補償器205的一偏振狀態產生器203、以及一透鏡系統206，透鏡系統係使照明光211聚焦至的一樣本230的表面上的一測量光點中，該樣本係定位在一載台208上。由於偏振器204及旋轉補償器205，入射的照明光211具有已知的偏振狀態。由樣本230所反射的光之偏振狀態係由一偏振狀態分析器215來分析，例如藉由在穿過另一透鏡系統210之後，使反射光213穿過另一偏振器（通常稱作分析器212）。在穿過分析器212之後，反射光213係由一透鏡系統214聚焦在一偵測器216（例如，光譜儀）上，偵測器係耦接至計算系統160。在使用中，一待測樣本將會改變入射光的偏振狀態，這將會改變從偵測器216的所得信號之振幅及相位。使用強度及相位上的變化，可判定樣本230的材料特性，這係橢圓偏振技術的本質，且係本領域中所熟知的。

光譜計量裝置200的光學系統在樣本230的表面（其包括目標區232）上產生一測量光點。同樣地，測量光點的尺寸係受到計量裝置200的系統之組件的限制。在一些情況下，例如，測量光點尺寸可能大於目標區232的尺寸，或測量光點可能未正確對準目標區232，且因此，反射光可能不但會從目標區232，而且會從偏離目標區反射。經耦接以接收來自偵測器216的信號（其可能受到非目標區之污染）的計算系統160可經配置以基於一建模方法或一機器學習方法來降低或消除信號污染，如本文中所討論，以執行樣本230的至少一參數的測量。

應理解，雖然本文具體討論一光譜式反射計及光譜式橢圓偏光儀，但用來降低或消除來自非目標區的信號污染的程序不限於此。降低或消除來自非目標區的信號污染（如本文中所討論）可適用於任何所欲的光學計量裝置。

圖3A繪示位在一樣本301的表面上的一測量光點310，其係由法線入射的照明302所產生，諸如由圖1中的計量裝置100所產生的測量光點。測量光點310係繪示成是利用一折射透鏡304所產生，但也可使用一反射透鏡。如所繪示，測量光點310係入射至一目標區306上，為了清楚起見，該目標區係以交叉影線、且以相對於樣本301更誇大的尺寸來顯示。目標區306可由樣本301的結構或特徵來判定，且可係樣本上的一實體指定區域（例如，一裝置墊，其可係在樣本的表面上所製造的一正方形或方框），或者它可能僅僅是待測量的樣本上的一未界定的區域。測量光點310的光點尺寸係由計量裝置的光學系統（例如，由透鏡304表示）來判定。如在圖3A中所見，測量光點310的光點尺寸係繪示成大於目標區306。因此，由計量裝置所接收的信號將會包括從目標區306反射的光、以及從非目標區307（亦即，在目標區306以外的周圍位置）反射的光的一混合。然而，可透過使用一建模方法（其使用基於一目標模型連同局部光譜梯度的一項一起的一混合模型）、或透過使用一機器學習方法（其使用複數個光譜的圖案中之變化來預測來自目標區的信號）來降低或消除由非目標區對信號的污染。

類似於圖3A，圖3B顯示可由斜向照明303所產生的一測量光點312，諸如由圖2中的計量裝置200所產生的測量光點。測量光點312係繪示成是利用一反射透鏡314所產生，但若為所欲，可使用一折射透鏡。測量光點312的光點尺寸係例如由透鏡314所判定，且係繪示成大於目標區306。另外，如所繪示，斜向照明303係斜向入射在樣本301的表面上，產生一放大的橢圓形測量光點312。可透過使用一建模方法（其使用基於一目標模型連同一局部光譜梯度的一項一起的一混合模型）、或透過使用一機器學習方法（其使用複數個光譜的圖案中之變化來預測來自目標區的信號），降低或消除來自非目標區（亦即，在目標區306之外）之所得的信號之污染。

圖3C繪示由一計量裝置所產生並在圖3A中所繪示的測量光點310的俯視圖。測量光點310係繪示於圖3C中，且其中心（以十字圖案320繪示）係對齊目標區306的中心。測量光點310係繪示成大於目標區306，使得測量光點310至少覆蓋一部分偏離的目標位置，例如非目標區307。

圖3D係一圖表，其繪示由測量光點310所產生之所測量光譜322Y(λ)。測量光點310至少係部分偏離目標（亦即，包括非目標區307），且據此，所測量光譜322係由來自目標區306的信號與由非目標區307所產生的信號混合而產生。作為比較，「真實」目標光譜324亦繪示於圖3D中，其中真實目標光譜324係倘若測量光點310僅照射目標區306（即，僅覆蓋一正中目標的位置）時將會產生的光譜。由來自目標區306及周圍非目標區307的混合信號所產生的所測量光譜322係不同於真實目標頻譜324，且據此，使用所測量光譜322判定的目標區306的參數將會不準確。

在光學計量期間，所測量的資料（例如，所測量光譜322）一般係與用於待測結構的建模資料進行比較。建模資料可使用基於物理的技術來計算，諸如嚴格耦合波分析(Rigorous Coupled Wave Analysis, RCWA)、時域有限差分(Finite-Difference Time-Domain, FDTD)、或有限元素法(Finite Element Method, FEM)，此等技術需要詳細了解待測結構。例如，建模需要關於樣本的初步結構及材料資訊是已知的，以便產生樣本的一準確的代表性模型，其可包括一或多個可變的參數。樣本的初步結構及材料的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、側壁角度等）的標稱值連同此等參數所在的範圍可變化。樣本可進一步包括一或多個樣本參數，其等係不可變的，亦即在製造期間預期不會有顯著的變化量。一般而言，可預先產生用於模型中的複數個參數變化的一建模資料庫，以增加測量通量，但在一些情況下，可即時計算建模資料。例如，在一非線性迴歸程序中，將測量資料與各參數變化的建模資料進行比較，直到建模資料與所測量資料之間達到一良好擬合為止，例如其可基於均方誤差(means square error, MSE)來判定。當所測量資料與建模資料之間達到一良好擬合時，對應於建模資料的模型參數可視為是待測結構的參數的一準確表示。

待測結構的代表性模型一般不包括非目標區的結構性或材料的資訊。例如，非目標區的結構性資訊一般係未知的，且可能是不規則的（例如，非週期性的、具有任意缺陷），且理論上可能難以或不可能建模。據此，當所測量資料受到來自非目標區的信號污染（例如，如圖3D中之所測量光譜322中所繪示）、且係使用來判定目標區的參數時，擬合優良程度可能會受到影響，導致測量中的準確度及精確度下降。

圖4A繪示複數個目標（其標記為墊_A、墊_B、墊_C、墊_D、及墊_E）的俯視圖，其各自具有一不同尺寸，例如分別為40x40 µm、35x35 µm、30x30 µm、25x25 µm、20x20 µm。一測量光點410係繪示成具有一中心（以十字圖案412繪示），其係位在該複數個目標中之各者的中心。例如，測量光點410可具有35 µm的光點尺寸直徑，且據此，當正確居中時，完全地擬合在目標墊_A及墊_B中，但係大於目標墊_C、墊_D、及墊_E，且因此包括非目標區。

圖4B係一圖表，其繪示擬合從測量光點410所獲得的所測量資料與這些目標墊_A、墊_B、墊_C、墊_D、及墊_E中之各者的建模資料所達到的MSE。從目標墊_A及墊_B所獲得的信號純粹是來自目標，且因此可藉由這些目標的模型而良好地擬合（亦即，低MSE）。對於小於測量光點410的目標墊_C、墊_D、及墊_E，所獲得的信號係受到來自非目標區的信號污染，且據此，這些信號無法良好地擬合至僅針對目標的一模型。此外，可看出，對於相對小於測量光點410的目標，擬合品質（例如，MSE）係較差。

可降低或消除來自非目標區的信號污染（例如，由測量光點尺寸大於目標區所造成的、及/或由測量光點未對準目標區所造成的）來改善測量結果的準確度及精確度。在一種方法中，可基於一混合模型方法來消除或降低信號的污染，混合模型方法基於一純目標模型（亦即，僅針對目標區的一模型）連同來自目標區之局部信號梯度(LG)的一項來一起對目標區進行建模，其中信號可係一光譜信號，亦即局部信號梯度可係一局部光譜梯度，包括穆勒矩陣(MM)、瓊斯矩陣(Jones matrix)、振幅比與相位變化(psi & delta)資料、反射測量資料、干涉測量資料、傅立葉轉換紅外線光譜(FTIR)資料等，或任何其他所測量信號，包括X射線計量、光聲計量、電子束(E-beam)計量等。

在基於線性非相干信號混合的一簡單混合模型方法中，從一目標區所獲得的混合信號(S)係來自目標區的信號(S _tgt)與來自周圍非目標區的信號(S _srd)的一線性非相干混合。線性非相干混合信號(S)可寫成如下： S=f*S _tgt+ (1-f)*S _srd方程式1 其中f係目標信號的一分率。

只有在目標區及周圍非目標區兩者的資訊係已知時，基於方程式1的一非相干混合模型才可用來產生建模資料。然而，周圍非目標區的資訊一般係未知的，且經常係不規則的（例如，非週期性的、任意缺陷等）。據此，產生一準確的非相干混合模型係不切實際的。

基於局部梯度的一混合模型可基於重新格式化方程式1來產生，使其包含針對純目標信號(S _tgt)的一個項、及針對目標區與周圍非目標區的信號差異(S _srd– S _tgt)的另一項，如下： S= S _tgt+ (1-f)*(S _srd– S _tgt)              方程式2

方程式2中的第二項（亦即，目標區與周圍非目標區的信號差異(S _srd– S _tgt)）可藉由局部信號梯度來估計，局部信號梯度係從含有不同比例的目標區信號與非目標信號的一組所測量信號（例如，從所收集的掃描資料）連同一適當的係數c而一起判定的，例如，如下。 (1-f)*(S _srd– S _tgt) ≈ c*LG.              方程式3

據此，基於局部梯度的混合模型可寫成如下： S= S _tgt+ c*LG.                              方程式4

在一些實施方案中，局部梯度可使用額外或不同的係數，諸如更高階的係數。在分析（例如將所測量信號與基於方程式4所判定之經計算信號進行比較）的期間，係數c係浮動的，亦即係一可變參數，連同目標結構性參數一起浮動，以吸收來自周圍非目標區的污染。局部梯度(LG)項係直接由來自一參考目標的所測量信號所判定，且據此，基於局部梯度的混合模型不需要周圍非目標區的結構性資訊。

圖5A及圖5B繪示藉由在一目標區502上方移動一測量光點510來對該目標區502進行線掃描測量（分別由圖5A及圖5B中的箭頭504及514所繪示）同時收集資料的俯視圖。圖5A繪示沿x軸的一掃描，而圖5B繪示沿y軸的一線性掃描。舉實例來說，目標區502可係一30x30 µm目標墊，且測量光點尺寸可係35 µm。可在測量光點移入（或移出）目標區時收集資料，其中在掃描期間，資料是以例如每1 µm步來收集。在線掃描測量期間，當測量光點510移動穿過目標區502時，所收集的資料將包含來自目標區502及周圍非目標區503兩者的信號，其中其比例隨著測量光點510移動而變化。替代地，掃描資料收集可具有一些其他樣式，包括棋盤樣式或網格樣式，其中局部梯度可藉由從其平均值的差異、或在任意兩個位置之間的差異、或擬合至具有目標與非目標信號之不同程度混合的多個計量資料來判定。

圖6係一圖表600，其繪示當一測量光點係線性掃描一目標區時（例如，如圖5A中所繪示）所收集的不同光譜信號的一實例。例如，圖表600繪示穆勒矩陣m12的絕對穆勒矩陣(Mueller matrix, MM)測量。

所測量信號之局部梯度可判定成沿著一點掃描從不同位置所測量的信號之一導數或變化率，其能夠捕捉光譜變化。所測量信號之局部梯度可係固定的、或可係與波長相關的。所測量信號之局部梯度可判定成從兩個不同位置（例如，相鄰或附近的位置，例如，S _n、S _n+1）所收集的頻譜之間的一差異，其中n係掃描序號。 方程式5

所測量信號之局部梯度可由目標區的一左側掃描、目標的一右側掃描、或兩者來產生。所測量信號之局部梯度可在兩個位置之間、或從多個位置來判定。兩個或更多個位置係彼此靠近，以定義局部梯度的「局部性」，且例如在掃描期間可以（但非必要）是相鄰的。例如，可基於兩個位置之間的差異來判定所測量信號的一單一局部梯度，或可基於多個位置之間的差異來判定所測量信號的多個局部梯度，且所測量信號的多個局部梯度可一起使用在混合模型中或可經組合（例如，平均）以產生在混合模型中所使用的所測量信號的一單一局部梯度。此外，為了更清楚表示目標區與周圍非目標區之間的信號差異，可從多個掃描方向的掃描資料判定所測量信號的一局部梯度，例如，從X方向（如圖5A中所繪示）來產生LG_X、及Y方向（如圖5B中所繪示）來產生LG_Y、或從任何其他方向。基於局部梯度的混合模型可包含所測量信號的一或多個局部梯度。當所測量信號之局部梯度與純目標模型組合在一基於局部梯度的混合模型中時，所測量信號之局部梯度能夠吸收來自周圍非目標區的信號，從而讓測量更接近真實的值，例如沒有來自非目標區的信號組合。

在基於局部梯度的混合模型的一個實施方案中，可針對各目標區或針對各晶粒來執行局部梯度判定。測量各目標區或晶粒的局部梯度之方法的一個缺點在於局部梯度需要測量來自多個位置的信號，這會降低通量。若局部梯度在所有目標區上均顯示良好的相似性，則來自一單一參考目標區的局部梯度可用以代表其他目標區的局部梯度。同樣地，若局部梯度在所有晶粒上均顯示良好的相似性，則來自在一參考晶粒之內的多個目標區的局部梯度可用以代表在其他晶粒中的對應的多個目標區的局部梯度。例如，批次結果中之良好匹配表明使用一參考目標區或參考晶粒的可行性。

參考目標區可係一專門設計的參考墊，或可係一待測目標區。例如，可掃描正在進行測量的一第一目標區來測量來自多個位置的信號，其等係用以判定第一目標區的所測量信號之局部梯度。在一些實施方案中，為了判定第一目標區的一或多個參數，來自第一目標區的一所測量信號可選自該掃描，並用以擬合至基於局部梯度的混合模型（其包括目標區的一模型、及針對第一目標區所判定的所測量信號之局部梯度）。在其他目標區的測量期間，第一目標區可作為參考目標區，亦即針對第一目標區所判定的所測量信號之局部梯度係用於其他目標區。

圖7根據一些實施方案顯示一說明性流程圖，其描繪用於使用一基於局部梯度的混合模型來測量一樣本上的一目標的關注參數的一實例方法700。在一些實施例中，實例方法700可由一計量裝置（諸如計量裝置100或200）利用具有一或多個處理器（例如，諸如處理器162）的一計算系統160來執行，該處理器可經配置以執行本文討論的功能，包括基於該基於局部梯度的混合模型方法來消除或降低信號的污染。

在702中，目標的計量資料係利用計量裝置而獲得，計量資料係來自目標的目標信號與來自一非目標區的非目標信號的一混合，例如，如參照圖1、圖2、及圖3A至圖3D所討論。例如，計量裝置使用入射在一測量區域上方之樣本上的輻射，且目標的計量資料利用計量裝置而自一位置獲得，在其中測量區域包括目標及非目標區兩者。測量區域係可在至少一維度上大於目標。在一些實施方案中，目標的計量資料可係光譜資料。用於獲得目標的計量資料的構件可係例如計量裝置100或200，包括具有處理器162的計算系統160，處理器係經配置以作為建模，如圖1及圖2中所繪示。

在704中，計量資料係擬合至一混合模型，混合模型含有目標的一模型、及所測量信號的一局部梯度，例如，如參照圖5A、圖5B、及圖6至圖8所討論。例如，含有目標的模型及所測量信號之局部梯度的混合模型係一基於局部梯度的混合模型，如本文中所討論。例如，將計量資料擬合至含有目標的模型及所測量信號之局部梯度的混合模型可包括：浮動目標的模型中的關注參數、及浮動所測量信號之局部梯度的至少一係數。混合模型可包含一或多個局部梯度。局部梯度可係固定的、或可係與波長相關的。用於將計量資料擬合至含有目標的一模型及所測量信號的一局部梯度的一混合模型的構件可係例如計量裝置100或200，其包括具有處理器162的計算系統160，處理器係經配置以執行作為建模，如圖1及圖2中所示。

在706中，目標的關注參數係基於混合模型對計量資料的擬合來判定，例如，如參照圖5A、圖5B、及圖6至圖8所討論。用於基於混合模型對計量資料的擬合來判定目標的關注參數的構件可係例如計量裝置100或200，其包括具有處理器162的計算系統160，處理器係經配置以執行作為建模，如圖1及圖2中所示。

在一些實施方案中，方法進一步可包括：藉由獲取來自不同位置的複數個所測量信號來獲得一局部梯度計量資料集，其中來自各不同位置的所測量信號係目標信號與非目標信號的一不同混合，例如，如參照圖5A、圖5B、及圖6至圖8所討論。用於藉由來自不同位置的複數個所測量信號來獲得一局部梯度計量資料集的構件（其中來自各不同位置的所測量信號係目標信號與非目標信號的一不同混合）可係例如計量裝置100或200，其包括具有處理器162的計算系統160，處理器係經配置以執行作為建模，如圖1及圖2中所示。方法進一步可包括：基於在局部梯度計量資料集中之來自不同位置的所測量信號中的一差異來判定所測量信號之局部梯度，例如，如參照圖5A、圖5B、及圖6至圖8所討論。用於基於在局部梯度計量資料集中之來自不同位置的所測量信號中的一差異來判定所測量信號之局部梯度的構件可係例如計量裝置100或200，其包括具有處理器162的計算系統160，處理器係經配置以執行作為建模，如圖1及圖2中所示。

在一些實施方案中，局部梯度計量資料集可從待測目標獲取。例如，目標的計量資料可係選自局部梯度計量資料集的一種資料。

在一些實施方案中，局部梯度計量資料集可獲取自一參考目標。例如，參考目標可與目標具有相同的關注參數的標稱值。例如，參考目標可與目標一起位在樣本上。例如，參考目標可位在與目標不同的樣本上。例如，不同的樣本可在與目標相同的條件下製造。

在一些實施方案中，目標的局部梯度計量資料集可藉由沿著至少一維度中的至少一掃描獲取來自不同位置的複數個所測量信號而獲得。

在另一方法中，可基於機器學習方法來消除或降低信號的污染，該機器學習方法使用複數個信號的圖案中的變化來預測來自目標區的信號，而不會受到來自周圍非目標區的信號污染。

當測量光點從測量光點部分入射到目標區的一位置移動至測量光點完全入射到目標區的位置時，產生複數個信號的圖案中的變化。當測量光點掃描整個目標區時，收集到的信號將會展示一形狀良好的圖案，其係由測量光點從部分入射到目標區至完全入射到目標區的移動來控制，這可用實驗控制。因此，可建立一機器學習模型來識別由測量光點的移動所引起之信號圖案的變化。當測量光點在掃描目標區時，可利用在相對於目標區的複數個位置所收集的信號（例如光譜或其他測量資料）來訓練機器學習模型。例如，信號可在測量光點以固定步距移動時收集。經訓練的機器學習模型可用以預測測量光點的下一個（或任何其他所欲的）移動步的信號。最終所預測的信號將會代表準確的信號，彷彿它係利用測量光點完全入射在測量目標上收集的。

圖8A繪示一目標區802的線掃描測量的俯視圖，其係藉由在收集資料的同時在目標區802上方移動一測量光點810（由箭頭804及虛線所繪示）來進行。圖8A將測量光點810繪示成一橢圓形，例如，如由計量裝置200的傾斜入射光所產生，但若由計量裝置100的法向入射光所產生的話，可係圓形。如所繪示，測量光點810可至少在一維度上係大於目標區802，這將導致一信號（亦即，所測量光譜）受到來自周圍非目標區803的信號污染。例如，目標區802可係一30x30 µm目標墊，且測量光點尺寸沿一個軸可係40 µm。測量光點810可以一致的步距（例如，每步1 µm）來掃描整個目標區802。圖8A進一步繪示由測量光點810在其掃描目標區802（例如，如圖8A中所繪示）時所收集的光譜信號的圖表820。所收集的信號係來自目標區1002的目標信號與來自非目標區803的非目標信號的一混合。當測量光點810掃描整個目標區802時，圖表820中的光譜信號中的變化係以箭頭824繪示。

可基於在複數個位置上所收集的混合信號來訓練機器學習模型，其中經訓練的機器學習模型基於先前所測量的位置來預測測量光點的下一（或其他所欲的）步的信號。例如，可藉由執行迴歸來訓練機器學習模型，以最小化以下方程式的兩側之間的差異： f(Mi , Mj) = M­k 方程式6 其中，i、j、及k係代表測量光點沿目標區掃描的不同位置的索引，M代表所測量信號，且f(·)代表機器學習模型。

舉實例而言，圖8B顯示目標區802的俯視圖的複數個圖示，其中不同百分比的測量光點810（例如60%、70%、80%、90%、及100%）覆蓋目標區802。應理解，測量光點810與目標區802的相對尺寸係誇大的，且測量光點810可大於目標區802，如圖8B中所繪示。應進一步理解，測量光點810對目標區802的覆蓋百分比係相當於測量光點810相對於目標區802的位置。

作為實例，基於方程式6並參照圖8B，可藉由執行迴歸來訓練機器學習模型，以最小化以下方程式的兩側之間的差異： f(M60%, M70% ) = M80% 方程式7 f(M70%, M80% ) = M90% 方程式8

一旦訓練完成，機器學習模型可預測僅從目標區802所產生的目標信號，亦即彷彿所測量信號僅從目標獲取，使得目標信號不包括來自周圍非目標區的非目標信號(M100%)，如： f(M80%, M90% ) = M100%.        方程式9

因此，即使測量光點810係大於目標區802，機器學習模型亦可訓練來預測目標區802的準確信號(M100%)，例如，如由測量光點810所產生而沒有由周圍非目標區域污染信號。

機器學習模型可進一步用於動態降噪。例如，雖然可基於方程式7及8來訓練機器學習模型，以改善準確度，但當方程式右側的動態精確度信號可用時，資料可藉由取多個循環(cy1, cy2 … cyk)的平均頻譜來進一步處理，其隨後可用作用於機器學習模型訓練的訓練標籤，如下所繪示： M80%_mean = (M80%_cy1 + M80%_cy2 + , …, + M80%_cyk) / k.      方程式10

可藉由執行迴歸來訓練機器學習模型，以最小化以下所有方程式的兩側之間的差異。 f(M60%_cy1, M70%_cy1 ) = M80%_mean, f(M60%_cy2, M70%_cy2 ) = M80%_mean, …, f(M60%_cyk, M70%_cyk ) = M80%_mean                方程式11 M80%_mean = M80%_cy1+M80%_cy2+ … +M80%_cyk) / k               方程式12 f(M70%_cy1, M80%_cy1 ) = M90%_mean, f(M70%_cy2, M80%_cy2 ) = M90%_mean, …, f(M70%_cyk, M80%_cyk ) = M90%_mean                方程式13 M90%_mean = M90%_cy1+M90%_cy2+ … +M90%_cyk) / k               方程式14

一良好訓練的機器學習模型可預測信號，而不會受到周圍非目標區的信號污染，並降低動態噪聲，如下： f(M80%_cy1, M90%_cy1 ) = M100%_cy1, f(M80%_cy2, M90%_cy2 ) = M100%_cy2 , …, f(M80%_cyk, M90%_cyk ) = M100%_cyk                 方程式15 M100%_mean = M100%_cy1+M100%_cy2+ … +M100%_cyk) / k        方程式16

在一些實施方案中，可使用用於信號收集的複數個測量目標來訓練一機器學習模型。從複數個測量目標所收集的信號可用以產生用於機器學習模型的訓練資料，但可能不需要其他參考計量。例如，複數個測量目標可涵蓋裝置的典型程序條件。一般而言，所收集的信號愈多且所使用的測量目標愈多，則機器學習模型的效果就愈好。可使用一掃描（例如，如圖8A中所繪示）從各測量目標收集信號，其中測量光點係以一已知的步距、且在一些實施方案中係以一固定的步距（例如1 µm）來移動。機器學習模型一旦經過訓練，可隨後部署在計量裝置上。

圖9繪示使用一經訓練的機器學習模型920來測量一目標區902的關注參數，以消除或降低來自周圍非目標區903的所測量信號的污染。複數個測量的混合信號係使用一測量光點910從不同位置獲得，測量光點910的光點尺寸可在至少一維度上係大於目標區902的尺寸，及/或可能未對準目標區902。各混合信號係來自目標區902的目標信號與來自非目標區903的非目標信號的一混合。測量光點910係以虛線繪示，其中測量光點中心（以十字圖案繪示）係位於不同位置，以繪示從許多個不同位置獲得所測量信號M。在圖9中，不同的位置係基於測量光點910覆蓋目標區902的百分比來識別，且從每個各別位置所獲得的對應的所測量信號M係相應地標記，例如M90%、M80%、M70%、及M60%。可藉由以一已知且在一些實施方案中一固定步距（例如，1 µm）移動測量光點，來從待測量的目標區收集所測量信號，其中固定步距可與用來產生機器學習模型的訓練資料的步距相同。獲得所測量信號的這些位置中之一者應係目標區902上提供最準確信號（例如，M90%）的位置。可獲得最準確信號的位置可由在訓練期間所獲得的線掃描信號來判定。若為所欲，例如為了增加通量，所測量信號可僅從兩個位置獲得。

所測量的混合信號中的至少兩個（其可包括最準確的信號）係提供作為經訓練的機器學習模型920的輸入資料。機器學習模型920接收所測量的混合信號，例如M80%及M90%，並輸出一善的信號M100%，改善的信號降低或消除來自非目標區903的非目標信號。因此，機器學習模型920判定目標的一目標信號，例如，彷彿測量光點910係僅入射在目標區902上且未入射在周圍的非目標區903上，從而降低或消除來自非目標區的信號污染。就功能上來說，改善的信號M100%係相當於來自僅入射在目標區902上的一較小測量光點930的一所測量信號，如圖9中所繪示。例如，在判定改善的信號之後，改善的信號可用以判定目標區的一或多個參數，例如藉由將改善的信號擬合至目標區的建模資料，直到達到一良好擬合為止。

圖10根據一些實施方案顯示一說明性流程圖，其描繪一實例方法1000，其係用於使用一機器學習模型來測量一樣本上的一目標的關注參數。在一些實施例中，實例方法1000可由一計量裝置（諸如計量裝置100或200）來執行，計量裝置具有一計算系統160，其具有一或多個處理器（例如處理器162），處理器可經配置以執行本文中所討論之功能，包括基於一機器學習模型方法來消除或降低信號的污染。

如所繪示，在1002中，混合計量資料係利用一計量裝置在相對於目標的複數個不同位置獲得，其中來自各不同位置的混合計量資料係來自目標的目標信號與來自一非目標區的非目標信號的一混合，例如，如參照圖9所討論。在一些實施方案中，計量裝置使用入射在一測量區域上方之樣本上的輻射，且測量區域係大於目標，例如，如圖8A、圖8B、及圖9中所繪示。例如，目標的計量資料可係光譜資料。用於利用一計量裝置在相對於目標的複數個不同位置獲得混合計量資料的構件（其中來自各不同位置的混合計量資料係來自目標的目標信號與來自一非目標區的非目標信號的一混合）可係例如計量裝置100或200，其包括具有處理器162的計算系統160，處理器係經配置以執行作為機器學習建模，如圖1及圖2中所示。

在1004中，目標計量資料係基於混合計量資料使用一經訓練的機器學習模型來判定，其中目標計量資料包括來自目標的目標信號，而沒有來自非目標區的非目標信號，例如，如參照圖9所討論。用於基於混合計量資料使用一經訓練的機器學習模型來判定目標計量資料的構件（其中目標計量資料包括來自目標的目標信號，而沒有來自非目標區的非目標信號）可係例如計量裝置100或200，其包括具有處理器162的計算系統160，處理器係經配置以執行作為機器學習建模，如圖1及圖2中所示，及參照圖8A、圖8B、及圖9所討論之機器學習模型。

在1006中，目標的關注參數係基於目標的目標計量資料來判定，例如，如參照圖9所討論。用於基於目標的目標計量資料來判定目標的關注參數的構件可係例如計量裝置100或200，其包括具有處理器162的計算系統160，處理器係經配置以執行作為機器學習建模，如圖1及圖2中所示。

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。

100:計量裝置 102:頭 104:光學系統 106:光源 108:光學軸 110:分光器 112:物鏡 114:透鏡 116:偵測器 120:載台 121:致動器 123:箭頭 124:箭頭 130:樣本 132:目標區 160:計算系統 161:匯流排 162:處理器 164:記憶體 166:程式碼 166m:建模 166ml:機器學習 168:使用者介面(UI) 169:通訊埠 200:計量裝置 202:寬頻光源 203:偏振狀態產生器 204:偏振器 205:旋轉補償器 206:透鏡系統 208:載台 210:透鏡系統 211:照明光 212:分析器 213:反射光 214:透鏡系統 215:偏振狀態分析器 216:偵測器 230:樣本 232:目標區 301:樣本 302:照明 303:照明 304:透鏡 306:目標區 307:非目標區 310:測量光點 312:測量光點 314:透鏡 320:十字圖案 322:所測量光譜 324:真實目標光譜 410:測量光點 412:十字圖案 502:目標區 503:非目標區 504:箭頭 510:測量光點 514:箭頭 600:圖表 700:方法 702:步驟 704:步驟 706:步驟 802:目標區 803:非目標區 804:箭頭 810:測量光點 820:圖表 824:箭頭 902:目標區 903:非目標區 910:測量光點 920:機器學習模型 930:測量光點 1000:方法 1002:步驟 1004:步驟 1006:步驟

[圖1]顯示一計量裝置的示意圖，其係經配置以降低或消除來自非目標區的信號污染。 [圖2]顯示一計量裝置的示意圖，其係經配置以降低或消除來自非目標區的信號污染。 [圖3A]及[圖3B]各別繪示在一樣本之表面上由法線入射及斜向入射照明所產生的測量光點。 [圖3C]及[圖3D]各別繪示由一計量裝置所產生的測量光點的俯視圖、及所測量光譜相對於該真實光譜的圖表。 [圖4A]繪示複數個不同尺寸的目標及一測量光點的俯視圖。 [圖4B]係一圖表，其繪示從圖4A中所繪示之多個目標區上的多個測量光點所獲得的信號所達到的擬合之均方誤差。 [圖5A]及[圖5B]繪示一目標區之線掃描測量的俯視圖，其係各別藉由在目標區上方沿著X軸及Y軸移動一測量光點來進行。 [圖6]係一圖表，其繪示當一測量光點如圖5A中所繪示線性掃描一目標區時收集不同光譜信號的一實例。 [圖7]根據一些實施方案顯示一說明性流程圖，其描繪用於使用一基於局部梯度的混合模型來測量一樣本上的一目標的關注參數的一實例方法。 [圖8A]繪示一目標區之線掃描測量的俯視圖，其係藉由在該目標區上方移動一測量光點來進行。 [圖8B]繪示該目標區的俯視圖，其中該測量光點係位於不同位置且覆蓋不同百分比的該目標區。 [圖9]繪示使用一經訓練的機器學習模型來測量一目標區的關注參數。 [圖10]根據一些實施方案顯示一說明性流程圖，其描繪用於使用一機器學習模型來測量一樣本上的一目標的關注參數的一實例方法。

700:方法 702:步驟 704:步驟 706:步驟

Claims (29)

1. 一種用於測量樣本上的目標的關注參數之方法，其包含：利用計量裝置獲得該目標的計量資料，該計量資料係來自該目標的目標信號與來自非目標區的非目標信號的混合；將該計量資料擬合至混合模型，該混合模型含有該目標的模型及所測量信號的局部梯度；及基於該混合模型對該計量資料的擬合來判定該目標的關注參數。
2. 如請求項1之方法，其中該計量裝置使用入射在測量區域上方之該樣本上的輻射，且該目標的計量資料係利用該計量裝置而自位置獲得，在其中該測量區域包括該目標及該非目標區兩者。
3. 如請求項2之方法，其中該測量區域在至少維度上係大於該目標。
4. 如請求項1之方法，其進一步包含：藉由獲取來自不同位置之複數個所測量信號來獲得局部梯度計量資料集，其中來自各不同位置的所測量信號係目標信號與非目標信號的不同混合；及基於在該局部梯度計量資料集中之來自這些不同位置的所測量信號中的差異，判定所測量信號之該局部梯度。
5. 如請求項4之方法，其中該局部梯度計量資料集係獲取自該目標。
6. 如請求項5之方法，其中該目標的計量資料係選自該局部梯度計量資料集。
7. 如請求項4之方法，其中該局部梯度計量資料集係獲取自參考目標。
8. 如請求項7之方法，其中該參考目標係同該目標一起位在該樣本 上。
9. 如請求項7之方法，其中該參考目標係位在與該目標不同的樣本上。
10. 如請求項4之方法，其中該目標的該局部梯度計量資料集係藉由沿著至少一維度中的至少一掃描獲取來自不同位置的該複數個所測量信號而獲得。
11. 如請求項1之方法，其中將該計量資料擬合至含有該目標的模型與所測量信號之該局部梯度的該混合模型包含：浮動該目標的模型中的這些關注參數及浮動所測量信號之該局部梯度的至少一係數。
12. 如請求項1之方法，其中該混合模型含有所測量信號的一或多個局部梯度。
13. 如請求項1之方法，其中所測量信號之該局部梯度係固定的、或係與波長相關的。
14. 如請求項1之方法，其中該目標的計量資料包含光譜資料。
15. 一種計量裝置，其係經配置以測量樣本上的目標的關注參數，該計量裝置包含：源，其係經配置以產生待入射在該樣本上之該目標上的輻射；至少一偵測器，其係經配置以偵測回應於入射在該目標上之該輻射而產生的來自該目標的輻射；及至少一個處理器，其經耦接至該至少一個偵測器，其中該至少一個處理器經配置以：利用該至少一個偵測器獲得該目標的計量資料，該計量資料係來自該目標的目標信號與來自非目標區的非目標信號的混合；將該計量資料擬合至混合模型，該混合模型含有該目標的模型及所測 量信號的局部梯度；及基於該混合模型對該計量資料的擬合來判定該目標的關注參數。
16. 如請求項15之計量裝置，其中該輻射係入射在測量區域上方的該樣本上的該裝置上，且該目標的目標計量資料係自位置獲得，在其中該測量區域包括該目標及該非目標區兩者。
17. 如請求項16之計量裝置，其中該測量區域在至少一維度上係大於該目標。
18. 如請求項15之計量裝置，其中該至少一處理器係進一步經配置以：藉由獲取來自不同位置之複數個所測量信號來獲得局部梯度計量資料集，其中來自各不同位置的所測量信號係目標信號與非目標信號的不同混合；及基於在該局部梯度計量資料集中之來自這些不同位置的所測量信號中的差異，判定所測量信號之該局部梯度。
19. 如請求項18之計量裝置，其中該局部梯度計量資料集係獲取自該目標。
20. 如請求項19之計量裝置，其中該目標的計量資料係選自該局部梯度計量資料集。
21. 如請求項18之計量裝置，其中該局部梯度計量資料集係獲取自參考目標。
22. 如請求項21之計量裝置，其中該參考目標係同該目標一起位在該樣本上。
23. 如請求項21之計量裝置，其中該參考目標係位在與該目標不同的樣本上。
24. 如請求項15之計量裝置，其中該目標的該局部梯度計量資料集 係藉由沿著至少一維度中的至少一線掃描獲取來自不同位置的該計量資料而獲得。
25. 如請求項15之計量裝置，其中該至少一處理器係進一步經配置以將該目標計量資料擬合至含有該目標的模型與所測量信號之該局部梯度的該混合模型，其係藉由經配置以浮動該目標的模型中的這些關注參數及浮動所測量信號之該局部梯度的至少一係數來進行。
26. 如請求項15之計量裝置，其中該混合模型含有所測量信號的一或多個局部梯度。
27. 如請求項15之計量裝置，其中所測量信號之該局部梯度係固定的、或係與波長相關的。
28. 如請求項15之計量裝置，其中該目標的計量資料包含光譜資料。
29. 一種用於測量樣本上的目標的關注參數之方法，其包含：利用計量裝置在相對於該目標的複數個不同位置獲得混合計量資料，其中來自各不同位置之該混合計量資料係來自該目標的目標信號與來自非目標區的非目標信號的混合；基於該混合計量資料，使用經訓練的機器學習模型來判定目標計量資料，其中該目標計量資料包含來自該目標的這些目標信號而不含來自該非目標區的這些非目標信號；及基於該目標計量資料來判定該目標的關注參數。