[go: up one dir, main page]

TWI899695B - 用於測量樣本上之三維（３ｄ）裝置的方法及用於其的設備 - Google Patents

用於測量樣本上之三維（３ｄ）裝置的方法及用於其的設備

Info

Publication number
TWI899695B
TWI899695B TW112143072A TW112143072A TWI899695B TW I899695 B TWI899695 B TW I899695B TW 112143072 A TW112143072 A TW 112143072A TW 112143072 A TW112143072 A TW 112143072A TW I899695 B TWI899695 B TW I899695B
Authority
TW
Taiwan
Prior art keywords
mueller matrix
parameter
parameters
asymmetry
elements
Prior art date
Application number
TW112143072A
Other languages
English (en)
Other versions
TW202429062A (zh
Inventor
佩芬 鄭
拉賈拉姆 阿土克爾 納達古佩爾
友賢 聞
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 TW202429062A publication Critical patent/TW202429062A/zh
Application granted granted Critical
Publication of TWI899695B publication Critical patent/TWI899695B/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0641—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of polarization
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/21—Polarisation-affecting properties
    • G01N21/211—Ellipsometry
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/21—Polarisation-affecting properties
    • G01N21/211—Ellipsometry
    • G01N2021/213—Spectrometric ellipsometry
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

使用穆勒矩陣成對非對角元素以產生半導體裝置之不對稱參數的機器學習預測、及基於一或多個穆勒矩陣元素及所述不對稱參數來判定尺寸參數，來測量該裝置中之複雜三維結構。該裝置之所述測量可在基於對所述不對稱參數及所述尺寸參數的靈敏度而選擇的不同方位角下執行。額外地，所述穆勒矩陣元素可基於在相隔開180°之方位角下執行的測量來產生，以消除來自測量工具的不對稱雜訊。該裝置之一或多個模型可與所述穆勒矩陣元素使用以產生尺寸參數資訊及可選地初步不對稱參數。所判定之不對稱參數可被前饋至一或多個模型，以用於判定所述尺寸參數以抑制該裝置之尺寸參數與不對稱參數之間的一相關性。

Description

用於測量樣本上之三維(3D)裝置的方法及用於其的設備
本文所描述之標的大致上係關於光學計量，且更具體而言係關於用於測量結構之組合式模型化及機器學習技術的使用。
〔相關申請案之交互參照〕
本申請案主張2022年11月11日申請之美國臨時專利申請案第63/424,808號且標題為「COMBINED MODELING AND MACHINE LEARNING IN OPTICAL METROLOGY」之優先權，其係讓與給本案之受讓人且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光學計量設備以提供樣本之非接觸式評估。使用光學計量，例如在單一波長或多個波長下用光照明受測試樣本。在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。
分析一般包括受測試結構之模型。模型可基於結構之材料及標稱參數(例如，膜厚度、線寬及空間寬度等)而產生。模型之一或多個參數可變化，並可基於模型例如使用嚴格耦合波分析(Rigorous Coupled Wave Analysis,RCWA)或其他類似技術而針對各參數變化計算預測資料。可例如在非線性迴歸 程序中比較測量資料及針對各參數變化的預測資料，直到在預測資料與測量資料之間達成良好擬合，此時，經擬合參數經判定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，尤其對於複雜特徵。
在本文討論的實施方案中，可例如使用光譜橢圓偏振術以獲得穆勒矩陣成對非對角元素(可從所述穆勒矩陣成對非對角元素產生半導體裝置之不對稱參數的機器學習預測、及從所述穆勒矩陣成對非對角元素基於一或多個穆勒矩陣元素及所述不對稱參數來產生尺寸參數)，來測量半導體裝置中之複雜三維(3D)結構。該裝置之測量可在基於對所述不對稱參數及所述尺寸參數的靈敏度而選擇的複數個方位角下執行。額外地，可使用在相隔開180°之方位角及所述穆勒矩陣元素來執行測量，所述穆勒矩陣元素基於在相隔開180°之方位角所執行的測量之一差而判定。該裝置之一或多個模型可與所述穆勒矩陣元素使用以產生尺寸參數資訊，且在一些實施方案中，產生不對稱參數資訊。所述所判定之不對稱參數可被前饋，以用於判定所述尺寸參數以抑制該裝置之尺寸參數與不對稱參數之間的一相關性。
在一個實施方案中，一種用於測量在一樣本上之一三維(3D)裝置的方法包括從該3D裝置之橢圓偏振術測量獲得複數個穆勒矩陣元素。基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測。額外地，基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之尺寸參數。
在一個實施方案中，一種用於測量在一樣本上之一三維(3D)裝置的設備包括用於從該3D裝置之橢圓偏振術測量獲得複數個穆勒矩陣元素的一構件。該設備可進一步包括用於基於來自該複數個穆勒矩陣元素之至少一個穆勒 矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測的一構件。額外地，該設備可進一步包括用於基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之尺寸參數的一構件。
在一個實施方案中，一種用於測量在一樣本上之一三維(3D)裝置的設備包括至少一個記憶體及一處理系統，該處理系統包含耦接至該至少一個記憶體的一或多個處理器。該處理系統配置以從該3D裝置之橢圓偏振術測量獲得複數個穆勒矩陣元素。該處理系統進一步配置以基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測。額外地，該處理系統進一步配置以基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之尺寸參數。
100:叉型片材裝置
110:奈米片材(NS)圖案化
120:介電質壁回蝕
130:功函數金屬(WFM)形成
200:光學計量裝置
201:樣本
202:光
204:偏振器/偏振元件
205a:旋轉補償器
205b:旋轉補償器
208:夾盤
209:台座
210:光源
212:分析器/偏振元件
214:透鏡
220:聚焦光學器件
230:聚焦光學器件
250:偵測器
260:運算系統
261:匯流排
262:處理器
264:記憶體
265:電腦可讀取程式碼
266:模型
267:機器學習(ML)
268:使用者介面
269:通訊埠
300:裝置結構
400:裝置結構
402:方位角
404:方位角
412:測量信號
414:測量信號
450:圖表
460:圖表
470:圖表
500:裝置結構
510:視圖
520:視圖
530:視圖
600:裝置結構
602:曲線
604:曲線
606:曲線
608:曲線
610:曲線
700:裝置結構
702:曲線
704:曲線
706:曲線
800:工作流程
802:方塊
810:機器學習臂
812:方塊
814:方塊
816:方塊
820:OCD模型化臂
822:方塊
824:方塊
825:方塊
828:方塊
829:方塊
850:流程圖
852:方塊
854:方塊
856:方塊
858:方塊
860:方塊
862:方塊
864:方塊
900:工作流程
902:方塊
904:方塊
906:方塊
908:方塊
912:方塊
914:方塊
916:方塊
1000:流程圖
1002:方塊
1004:方塊
1006:方塊
A:節距擺動
B:疊對
C:疊對
D:EPI生長率
E:WFM塗佈率
E1:塗層
E2:塗層
mm13:穆勒矩陣非對角元素
mm13+mm31:穆勒矩陣成對非對角元素
mm14:穆勒矩陣非對角元素
mm23:穆勒矩陣非對角元素
mm23+mm32:穆勒矩陣成對非對角元素
mm24:穆勒矩陣非對角元素
mm24-mm42:穆勒矩陣成對非對角元素
mm13:穆勒矩陣非對角元素
mm23:穆勒矩陣非對角元素
mm31:穆勒矩陣非對角元素
mm32:穆勒矩陣非對角元素
mm41:穆勒矩陣非對角元素
mm42:穆勒矩陣非對角元素
[圖1]繪示在製造複雜三維(3D)結構期間產生的程序引起之誤差的實例。
[圖2]繪示可用以從測試樣本產生計量資料及處理計量資料之光學計量裝置的示意圖。
[圖3A]及[圖3B]分別繪示在測量及判定關鍵參數之靈敏度期間的裝置結構的截面圖及俯視圖。
[圖4A]及[圖4B]分別繪示在相隔開180°之方位角測量之裝置結構及所得測量信號之實例的俯視圖。
[圖4C]繪示從穆勒矩陣成對非對角元素移除工具引起之移位。
[圖5A]及[圖5B]分別繪示複雜3D裝置結構的穆勒矩陣成對非對角元素信號 測量及相關聯之不對稱參數的圖表。
[圖6A]及[圖6B]分別繪示對於複雜3D裝置結構之尺寸參數的穆勒矩陣非對角元素信號測量及相關聯之尺寸參數的圖表。
[圖6C]繪示當模型係對稱的時，對於圖6B所示之複雜3D裝置結構之尺寸參數的穆勒矩陣成對非對角元素信號測量。
[圖6D]繪示當模型係不對稱的時，對於圖6B所示之複雜3D裝置結構之尺寸參數的穆勒矩陣成對非對角元素信號測量。
[圖7A]及[圖7B]分別繪示複雜3D裝置結構的穆勒矩陣非對角元素信號測量及相關聯之不對稱參數的圖表。
[圖8A]繪示根據第一實例情境用於判定不對稱參數及尺寸參數的工作流程。
[圖8B]係繪示用於訓練機器學習模型之程序的流程圖。
[圖9]繪示根據第二實例情境用於判定不對稱參數及尺寸參數的工作流程。
[圖10]係繪示用於測量在樣本上之三維(3D)裝置之方法的流程圖。
在半導體及類似裝置的製造期間，經常需要藉由非破壞性地測量裝置監測製程。光學計量可用於處理期間之樣本的非接觸式評估。隨著裝置結構大小減小且複雜性增加，準確的線內光學計量解決方案變得愈來愈重要。
舉實例而言，電晶體製造已從諸如FinFET的裝置進展至全環繞閘極(Gate-all-around,GAA)進展至叉型片材(Forksheet,FS)裝置，各者對製造期間的線內測量添加複雜度挑戰。例如，叉型片材係在比FinFET及GAA裝置更緊密之PMOS及NMOS間隔上具有關鍵縮放助推器(key scaling booster)的次世代邏輯裝置中之一者。使用叉型片材，PMOS及NMOS被虛置壁材料分離。因此，可藉由淺溝槽隔離(shallow trench isolation,STI)PMOS/NMOS臨界尺寸(critical dimension,CD)及壁介電質CD來判定叉型片材之裝置效能(其需要有效率且準確的線內計量解決方案)。複雜結構(諸如叉型片材裝置)之製造可導致圖案化程序誤差，如疊對、變動之磊晶(epitaxial,EPI)鍺(GE)百分比生長率、及功函數金屬(WFM)塗佈率(coat rate)，其他不對稱參數之節距擺動(pitch walk)。因此，實現準確地測量任何此類複雜結構的幾何參數(CD、HT、SWA)及程序引起之誤差尺寸兩者係所欲的。
可用以非破壞性特徵化複雜三維(3D)半導體裝置的一種計量技術係穆勒矩陣光譜橢圓偏振術(Mueller Matrix Spectroscopic Ellipsometry,MMSE)。MMSE或其他類似的計量裝置產生4×4方形穆勒矩陣(Mueller Matrix,MM)，其用以使樣本裝置之入射及反射光束的斯托克斯向量相關，其可用以測量幾何資訊，包括不對稱。結構之模型化可產生待與來自樣本之所測量資料相比較的預測資料(例如，MM信號)。模型中的可變參數(諸如層厚度、線寬、空間寬度、側壁角、材料性質等)可變化，並對各變化產生預測資料。可例如在非線性迴歸程序中將測量資料與針對各參數變化的預測資料相比較，直到達成良好擬合，此時，經擬合參數的值經判定為樣本參數的準確表示。
若複雜結構(諸如，叉型片材結構)由於程序引起之誤差而變得不對稱，MM信號可用以特徵化程序誤差。然而，使用MM信號來特徵化複雜3D裝置係具有挑戰性以同時區分尺寸參數(例如，高度、線寬、側壁角等)及不對稱參數(例如，疊對、奇數/偶數CD、節距擺動等)。MM信號例如同樣受到不對稱參數及尺寸參數的影響，其使得難以斷絕尺寸參數與不對稱參數之間相關性。
如本文所討論，光學計量技術可使用機器學習方法基於MM信號之光譜回應來測量不對稱參數，該機器學習方法可與模型化方法組合(例如，前饋)，該模型化方法用以進一步改善尺寸參數之測量準確度。前饋至該模型的 不對稱資料將抑制尺寸參數與不對稱參數之間的相關性，導致改善的模型準確度及更佳的裝置效能。例如，在一些實施方案中，可使用成對非對角MM元素以斷絕在裝置模型中尺寸參數與不對稱參數之間相關性，該裝置模型可與混合式機器學習及模型化計量技術組合以有效率且有效地改善準確度的有效率計量解決方案。
舉實例而言，圖1繪示在製造複雜結構期間的程序引起之誤差的實例。圖1繪示作為複雜結構之實例的叉型片材裝置100的製造，但應理解，可在其他複雜結構(包括finFET及GAA)之製造期間產生程序引起之誤差。本文所討論之計量技術有時參考叉型片材裝置及在叉型片材裝置之製造期間產生的程序引起之誤差，但計量技術不限於與叉型片材裝置使用，而是可與其中可係所欲的是斷絕尺寸參數與不對稱參數之間相關性的任何所欲裝置使用。
圖1繪示叉型片材裝置100的製造，其包括鰭片形成(其包括奈米片材(Nanosheet,NS)圖案化110)、介電質壁回蝕120、及功函數金屬(work function metal,WFM)形成130。在叉型片材裝置100的製造期間可發生數個圖案化程序誤差。例如，在NS圖案化110期間，可發生節距擺動(A)及疊對(B)的圖案化程序誤差。在介電質壁回蝕120期間，可發生疊對(C)程序誤差。在WFM形成130期間，可發生包括不同EPI生長率(D)及不同WFM塗佈率(E)的程序誤差。
舉實例而言，圖2繪示可用以從測試樣本產生計量資料及處理計量資料之光學計量裝置200的示意圖，在本文中所述。光學計量裝置200可配置以執行可如本文所討論分析的樣本201之測量。例如，光學計量裝置200可係單色或光譜計量裝置，諸如，例如橢圓偏振儀、光譜橢圓偏振儀、反射儀、光譜反射儀、散射儀、光譜散射儀等。光學計量裝置200可例如配置以產生部分或完整穆勒矩陣測量。應理解，光學計量裝置200係繪示為計量裝置的一個實例，且若係所欲，則可使用其他計量裝置，包括法線入射裝置等。
光學計量裝置200包括產生光202的一光源210。例如，光202具有例如在190nm與1700nm之間的波長之UV可見光或近紅外光。光源210所產生的光202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。光學計量裝置200包括聚焦光學器件220及230，其等聚焦及接收光，並引導光傾斜地入射在樣本201的頂部表面上。聚焦光學器件220、230可係折射、反射、或其組合，並可係物鏡。
反射光可由透鏡214聚焦並由偵測器250接收。偵測器250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250可係例如光譜儀，且偵測器250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光學計量裝置200的光束路徑中。例如，光學計量裝置200可包括在樣本201之前的光束路徑中之一或多個偏振元件(諸如偏振器204及旋轉補償器205a(或光彈性調變器))、及在樣本201之後的光束路徑中之一或多個偏振元件(諸如分析器212及旋轉補償器205b(或光彈性調變器))中之一或兩者。使用在偏振元件204與212與該樣本之間使用雙旋轉補償器205a及205b之光譜橢圓偏振儀，可測量完整4x4方形穆勒矩陣(MM)。
光學計量裝置200進一步包括一或多個運算系統260，其配置以使用本文所述之方法執行樣本201之一或多個參數的測量。一或多個運算系統260係耦接至偵測器250，以接收樣本201之結構測量期間由偵測器250所獲取的計量資料。資料之獲取可係後處理，以及預處理。例如，一或多個運算系統260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。一或多個運算系統260可配置以例如根據本文所述之方法基於光譜處理或特徵提取來執行光學計量，以消除或減少非所欲的光譜信號。
應理解，一或多個運算系統260可係單一電腦系統或多個分開或 經鏈結的電腦系統，其(等)在本文中可互換地稱為運算系統260、至少一個運算系統260、一或多個運算系統260。運算系統260可包括在光學計量裝置200中、或經連接至該光學計量裝置、或以其他方式與該光學計量裝置相關聯。光學計量裝置200之不同子系統可各自包括運算系統，其配置用於實行與相關聯子系統相關聯的步驟。例如，運算系統260可例如藉由控制經耦接至夾盤之台座209的移動來控制樣本201的定位。例如，台座209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260可進一步控制夾盤208的操作以固持或釋放樣本201。運算系統260可進一步控制或監測一或多個偏振元件(例如，偏振器204、分析器212、補償器205a、205b等)的旋轉。
運算系統260可以所屬技術領域中已知的任何方式通訊地耦接至偵測器250。例如，一或多個運算系統260可耦接至與偵測器250相關聯之分開的運算系統。運算系統260可配置以藉由可包括有線及/或無線部分的傳輸媒體從光學計量裝置200之一或多個子系統(例如，偵測器250，以及控制器偏振元件204、212、及(多個)補償器205a、205b等)接收及/或獲取計量資料或資訊。因此，傳輸媒體可作用為運算系統260與光學計量裝置200的其他子系統之間的資料鏈路。
運算系統260包括經由匯流排261通訊地耦接的具有與記憶體264耦接的至少一個處理器262以及使用者介面(user interface,UI)268。記憶體264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265，並可由運算系統260使用以用於使至少一運算系統260控制光學計量裝置200及執行包括本文所述之分析的功能，其包括執行機器學習技術及模型化技術，以特徵化3D裝置之不對稱參數及尺寸參數。例如，如所繪示，記憶體264可包括用於引起至少一個處理器262執行模型化(模型266)及機器學習(ML 267)兩者的指令，且 在一些實施方案中，可採用前饋及/或反饋，如本文所討論。用於自動地實施一或多個本實施方式中所述之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260)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264)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，且所述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。
如本文所述，運算系統260例如可配置以從3D裝置結構(諸如FinFET裝置、GAA裝置、叉型片材裝置、或其他複雜3D裝置結構)獲得測量(例如，光譜橢圓偏振測量)。運算系統260可配置以基於所述測量產生複數個穆勒矩陣元素。例如，運算系統260可產生一或多個穆勒矩陣元素及一或多個穆勒矩陣成對非對角元素。運算系統260可配置以：基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測；及基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數，例如使用光學臨界尺寸(Optical Critical Dimension,OCD)模型化及機器學習模型化，而產生該3D裝置之尺寸參數，如本文所討論。
來自資料分析之結果可經報告，例如，經儲存在與樣本201相關聯的記憶體264中及/或經由使用者介面(UI)268、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260可包括通訊埠269，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269可用以接收指令，所述指令係用以程式化運算系統260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。
橢圓偏振術一般檢查由從樣本反射或透射引起的光之p及s分量的變化。例如，具有已知偏振狀態之光經產生且入射在樣本上，且測量偏振狀態之所得變化。偏振狀態之變化一般寫出如下：
在方程式1中，Ep及Es係用於橢圓偏振入射光之各別平行及垂直分量的電向量，且E'p及E's分別係橢圓偏振反射光之平行及垂直分量，且Rp及Rs係用於光之平行及垂直分量的樣本之反射係數。
在一些實施方案中，使用來自由光學計量裝置200產生的穆勒矩陣之至少數個特定元素，可測量結構的不對稱性。穆勒矩陣M係描述所測量樣本之4×4矩陣，且可寫出如下。
穆勒矩陣與瓊斯矩陣J相關，其中J*係J之共軛複數，如下。
瓊斯矩陣描述樣本-光交互作用如下。
瓊斯矩陣取決於入射角、方位角、波長以及樣本之結構細節。對角元素描述極化正交(rss)及平行(rpp)於入射平面之複數反射率(振幅及相位)，該入射平面由照明及收集臂界定。非對角項rsp及rps係關於在樣本各向異性存在下s與p偏振狀態之間的偏振轉換。然而，瓊斯矩陣J元素不易於經實驗獲得。然而，4×4穆勒矩陣M之元素可經實驗導出。
方程式3中之矩陣T係用以自瓊斯矩陣J建構4×4穆勒矩陣，且由下列方程式給出：
穆勒矩陣由光學計量裝置200測量，且瓊斯矩陣係從給定樣本之第一原理計算。為了比較理論(計算)資料與實驗資料，需要將瓊斯矩陣轉換成穆勒矩陣。
穆勒矩陣M可依斯托克斯形式(Stokes formalism)寫出如下：
斯托克斯向量S描述如下：
使用具有偏振元件204、212及(多個)補償器205a、205b之光學計量裝置200，可如下測量完整穆勒矩陣。
光學計量裝置200(例如，運行以獲得穆勒矩陣)可用以特徵化複雜3D裝置。對於沿著入射平面(plane of incidence,POI)之平面對稱的結構，因為鏡像對稱，穆勒矩陣非對角元素(亦即，mm13、mm14、mm23、mm24、mm31、mm32、mm41、及mm42)係零，如方程式10所說明。
當對稱結構的鏡像對稱由於POI的選擇而被破壞時，穆勒矩陣非對角元素係非零，但穆勒矩陣成對非對角元素係零，如方程式11所說明。
另一方面，對於沿著入射平面(POI)之平面不對稱的結構，因為鏡像對稱性已被破壞，所以穆勒矩陣非對角元素係非零，而穆勒矩陣成對非對角元素將不是零，如方程式12所說明。
據此，穆勒矩陣成對非對角元素對結構不對稱性獨特靈敏，且可用以特徵化程序在不同對稱結構中產生不對稱性的程序相關誤差。例如，參考圖1，由於導因於節距擺動(A)的不相等節距、導因於疊對誤差(B)的不相等CD_1與CD_2、導因於疊對誤差(C)的空隙CD(AirVoidCD)未對準、導因於不同的EPI生長率(D)的不相等EPI維度、及導因於不同的WFM塗佈率(E)的不相等塗層，穆勒矩陣成對非對角信號將係非零。
藉由光學計量裝置200執行的散射測量測量來自複雜3D結構的 平均信號。使用由光學計量裝置200從複雜3D結構測量的穆勒矩陣，具有挑戰性的是同時區分尺寸參數(例如，高度、線寬、側壁角等)及不對稱參數(例如，節距擺動、疊對、奇數/偶數CD等)。穆勒矩陣非對角元素受到尺寸參數及不對稱參數兩者之變化影響，使得由於高相關性而難以使用習知模型化技術(有時稱為光學臨界尺寸(OCD)模型)來區分其等。如上文所討論，穆勒矩陣成對非對角信號(例如，在方程式11及12中所識別)主要由程序引起之不對稱參數所主導(除非尺寸參數與不對稱參數經程序相關)。
據此，如本文所討論，可使用機器學習方法，使用穆勒矩陣成對非對角信號的信號(例如，光譜)回應來測量不對稱參數，所述不對稱參數可饋送至一或多個OCD模型以進一步改善尺寸參數的測量準確度。利用不對稱參數的輸入，藉由抑制尺寸參數與不對稱參數的相關性將改善OCD模型的準確度。在複雜結構(諸如，叉型片材裝置)中，抑制相關性且準確地測量不對稱參數尤其實用，因為不對稱誤差可直接影響裝置效能。
當光學計量裝置200之光學路徑(入射平面)沿著一些方位角時(相較於其他方位角)，穆勒矩陣成對非對角元素可對關鍵參數更靈敏。例如，圖3A及圖3B分別繪示裝置結構300(諸如叉型片材裝置)之截面圖及俯視圖。模型對稱性係藉由光學對稱性(例如，入射平面(POI)與裝置結構之對準)以及裝置結構之幾何對稱性兩者判定。當幾何對稱性被破壞時或當光學路徑破壞模型對稱性時，存在不對稱信號。如圖3B所繪示，當光學路徑之方位角相對於裝置結構300沿著0°或90°時，存在光學對稱性。藉由選擇除了0°、90°、或180°之外之方位角(例如沿著θ)，該光學路徑破壞該模型對稱性。在一些實施方案中，靈敏度研究可在不同方位角下執行，以判定哪些方位角對關鍵參數靈敏，例如關於關鍵參數的最高靈敏度。該靈敏度研究可經實驗或透過模型化執行。
額外地，在一些實施方案中，消除穆勒矩陣成對非對角元素上的 工具引起之信號(tool-induced signal,TIS)係所欲的。例如，光學計量裝置200中的未對準可導致不對稱信號，所述不對稱信號可與裝置結構中的程序引起之不對稱參數所造成的不對稱信號混淆。藉由在兩個方位角(例如，具有180°之間隔)下執行測量，可移除TIS。
例如，圖4A及圖4B分別繪示在兩個不同方位角測量之裝置結構400及所得測量信號的俯視圖。如圖4A所繪示，裝置結構400的測量可在第一方位角402(例如，0°(以虛線箭頭繪示))及第二方位角404(例如，180°(以實線箭頭繪示))下執行。第一方位角402及第二方位角404係分開達180°，但可係具有180°間隔之任何所欲角度，例如基於靈敏度研究所選擇且不需要係0°及180°(如圖4A所繪示)。如圖4B所繪示，得自於第一方位角402的第一測量信號412(以虛線繪示)及得自於第二方位角404的第二測量信號414(以實線繪示)可因為TIS而不同。據此，測量資料可經預處理以基於第一測量信號412與第二測量信號414之間的差(等效於TIS)以移除TIS。
舉實例而言，圖4C以圖表450繪示對於穆勒矩陣成對非對角元素mm13+mm31在第一方位角(例如，0°)下產生的信號係回應於不對稱移位(例如，樣本傾斜)之信號及TIS的組合。圖表460類似地繪示對於穆勒矩陣成對非對角元素mm13+mm31在從第一方位角旋轉180°的第二方位角(例如，180°)下產生的信號亦係樣本傾斜及TIS的組合，其中相對於第一方位角產生的信號(以圖表450顯示)樣本傾斜信號反相，但TIS未反相。如圖表470所繪示，從第一方位角(例如，0°，以圖表450顯示)減去在第二方位角(例如，180°，以圖表460顯示)下所測量的穆勒矩陣成對非對角元素mm13+mm31(其係除以2)移除TIS，而僅留下回應於不對稱移位(例如，樣本傾斜)的信號。
例如，圖5A及圖5B繪示複雜3D裝置結構500之不對稱參數的測量實例。例如，圖5A繪示對於由程序引起之誤差所造成的不對稱參數的穆勒矩 陣成對非對角元素之信號，而圖5B繪示在裝置結構500(在此實例中，係叉型片材裝置)中的程序引起之不對稱參數。例如，在圖5B中，視圖510繪示導因於節距擺動的不相等節距之程序A誤差，視圖520繪示導因於疊對誤差的不相等CD_1與CD_2之程序B誤差，及視圖530繪示導因於疊對誤差的空隙CD未對準之程序C誤差。例如，圖5A繪示各穆勒矩陣成對非對角元素mm13+mm31、mm23+mm32、mm14-mm41、及mm24-mm42之信號的分開之圖表。在圖5A中，各圖表以曲線502繪示對於記錄程序(process of record,POR)的穆勒矩陣成對非對角元素係零，且以曲線506顯示由於導因於疊對誤差的不相等CD_1與CD_2(±1nm)之程序B誤差及以曲線504顯示由於導因於疊對誤差的空隙CD未對準(±1nm)之程序C誤差，穆勒矩陣成對非對角元素係非零。對於藉由程序A(不相等節距)及程序B(不相等CD_1及CD_2)的組合、或程序A(不相等節距)及程序C(空隙CD未對準)的組合所產生的不對稱參數，可產生類似的圖表(但圖5A中未圖示)。
例如，圖6A、圖6B、圖6C、及圖6D繪示複雜3D裝置結構600之尺寸參數的測量實例。例如，圖6A繪示對於尺寸參數的穆勒矩陣非對角元素之信號，且圖6B繪示裝置結構600(在此實例中，係叉型片材裝置)中的不同尺寸參數。例如，圖6A繪示對於各穆勒矩陣非對角元素mm13、mm14、mm23、mm24、mm31、mm32、mm41、及mm42之信號的分開之圖表及對平均值之偏差。在圖6A中，各圖表繪示POR、STI高度(HT)(±1nm)、CD(±1nm)、矽(Si)HT(±1nm)、Si鍺(Ge)HT(±1nm)、虛置SiGe HT(±1nm)、介電質CD(±1nm)、空氣CD(±1nm)、及壁凹槽HT(±1nm)的曲線，如圖6B所繪示。
圖6C繪示當模型係對稱時，對於圖6A及圖6B所示之複雜3D裝置結構600之尺寸參數的穆勒矩陣成對非對角元素之信號。如所繪示，對於對稱模型，在所選擇方位角(例如，135°)，穆勒矩陣成對非對角元素係0。另一方面，圖6D繪示當模型係不對稱時，對於圖6B所示之複雜3D裝置結構600之尺寸參數 的穆勒矩陣成對非對角元素之信號。對於不對稱模型，在所選擇方位角(例如，135°)，穆勒矩陣成對非對角元素受到尺寸參數及不對稱參數兩者的影響，但主要由不對稱參數主導。例如，圖6D繪示穆勒矩陣成對非對角元素的信號，並繪示POR的曲線602、含3nm之AirVoid未對準的一組尺寸參數(STI HT±1nm、CD±1nm、Si HT±1nm、SiGe HT±1nm、虛置SiGe HT±1nm、介電質CD±1nm、及壁凹槽HT±1nm)的曲線604、±1nm之空隙(AirVoid)未對準的曲線606、±2nm之空隙未對準的曲線608、及±3nm之空隙未對準的曲線610。當±3nm之空隙未對準存在時，尺寸參數之穆勒矩陣成對非對角元素係非零。然而，其與曲線610重疊，描繪信號由結構不對稱性(而非尺寸參數)所主導。
例如，圖7A及圖7B繪示複雜3D裝置結構700之不對稱參數的測量實例。例如，圖7A左側繪示穆勒矩陣非對角元素mm13、mm14、mm23、mm24、mm31、mm32、mm41、及mm42之信號的圖表，其繪示在存在圖7B所繪示之不相等塗層E1及E2時無明顯的信號差。圖7A右側進一步繪示穆勒矩陣成對非對角元素mm13+mm31、mm23+mm32、mm14-mm41、及mm24-mm42的圖表，其以曲線702、曲線704(E1±0.5nm)、及曲線706(E2±0.5nm)繪示POR的清楚不同之信號。
使用穆勒矩陣非對角元素，具有挑戰性的是在複雜3D裝置結構中同時區分尺寸參數(例如，高度、線寬、側壁角等)及不對稱參數(例如，疊對、奇數/偶數CD、節距擺動等)。雖然穆勒矩陣非對角元素獨特地由不對稱結構所產生，但一旦其等產生時，其等就亦同等地受到尺寸參數之影響。然而，如本文所繪示，穆勒矩陣成對非對角元素信號主要由程序引起之不對稱參數所主導。
據此，使用穆勒矩陣對角元素測量一裝置之不對稱參數及尺寸參數的一程序可：基於成對非對角穆勒矩陣元素而產生該裝置之不對稱參數的機 器學習預測；及例如基於穆勒矩陣元素及裝置之不對稱參數使用OCD模型及機器學習模型中之一或多者產生該裝置之尺寸參數。在一個實施方案中，例如，使用機器學習方法以穆勒矩陣成對非對角信號判定的不對稱參數係前饋至一或多個OCD模型，以進一步改善尺寸參數之測量準確度。將不對稱資料前饋至OCD模型抑制尺寸參數與不對稱參數之間的相關性，導致改善的模型準確度及更佳的裝置效能。在一個實施方案中，使用OCD模型判定的尺寸參數可視為初步尺寸參數且可提供至機器學習模型，以產生具有改善準確度之尺寸參數的機器學習預測。在另一實施方案中，一或多個OCD模型可經產生以基於穆勒矩陣成對非對角元素及複數個穆勒矩陣元素循序地判定裝置之不對稱參數及尺寸參數，且機器學習方法可用以基於OCD模型來預測該裝置之不對稱參數及尺寸參數。使用穆勒矩陣成對非對角元素信號再次斷絕尺寸參數與不對稱參數之間的相關性，從而簡化計量解決方案，且實現有效率且有效地改善準確度。
舉實例而言，圖8A繪示根據第一實例情境用於判定不對稱參數及尺寸參數的工作流程800。
如所繪示，從3D樣本(諸如FinFET裝置、GAA裝置、叉型片材裝置、或其他複雜3D裝置結構)獲得測量(方塊802)。可用圖2所示之光學計量裝置200或其他類似系統獲得所述測量。所述測量可係橢圓偏振測量，其可係單一波長或光譜、或可係可從其判定穆勒矩陣元素的任何其他類型之測量。此外，如參考圖3A及圖3B所討論，可在對待判定之關鍵參數靈敏的不同方位角下獲得所述測量。例如，可在與待用於判定裝置結構之尺寸參數的信號不同的方位角而獲得待用於判定裝置結構之不對稱參數的信號。可經由靈敏度研究判定用以獲取不同關鍵參數之信號的方位角，如圖3A及圖3B中所討論。額外地，如參考圖4A、圖4B、及圖4C所討論，可獲得在以180°間隔的兩個方位角下獲得的信號。例如，在第一方位角所獲取的各信號用於判定裝置結構之不對稱參數，在相對 於第一方位角旋轉180°的第二方位角下獲得第二信號。若需要，用於判定裝置結構之不對稱參數的信號可在複數個第一方位角連同對應之複數個第二方位角下獲得，各第二方位角相對於相關聯之第一方位角旋轉180°。若需要，可在複數個第三方位角下獲得用於判定裝置結構之尺寸參數的信號。在方塊802中獲得的測量可提供至工作流程800之機器學習臂810及OCD模型化臂820。
在機器學習臂810中，在高靈敏度方位角下所獲取的用於特徵化不對稱參數的信號可經預處理及用以產生一或多個穆勒矩陣成對非對角元素信號(例如，mm13+mm31、mm23+mm32、mm14-mm41、及mm24-mm42中之至少一者)(方塊812)。如圖4A、圖4B、及圖4C中所討論，所述信號可經預處理，例如以基於從相對方位角(例如，旋轉180°)獲取的信號而移除TIS。在一些實施方案中，可判定所有穆勒矩陣成對非對角元素信號，而在其他實施方案中，可判定少於全部穆勒矩陣成對非對角元素信號。
一或多個穆勒矩陣成對非對角元素信號係提供至一或多個經訓練機器學習模型(方塊814)。在一些實施方案中，可使用一個機器學習模型，且在其他實施方案中，可使用至多N個機器學習模型。一或多個機器學習模型可例如係類神經網路或深度學習模型或其組合。一或多個機器學習模型可經訓練以基於例如來自一或多個工具之成對非對角元素信號而預測裝置結構之一或多個不對稱參數。例如，各機器學習模型可經訓練以基於一或多個穆勒矩陣成對非對角元素信號的輸入資訊而預測一或多個不對稱參數(方塊816)。
額外地，在OCD模型化臂820中，在高靈敏度方位角下所獲取的用於特徵化尺寸參數的信號(方塊802)用以產生複數個穆勒矩陣元素信號(方塊822)。在一些實施方案中，可用16個穆勒矩陣元素產生完整穆勒矩陣，例如其中一個穆勒矩陣元素用以正規化剩餘15個穆勒矩陣元素以用於分析。在其他實施方案中，可產生少於完整穆勒矩陣。應理解，若使用相同方位角以獲取用 於特徵化不對稱參數及尺寸參數的信號，則來自方塊822的複數個穆勒矩陣元素信號可包括來自方塊812的穆勒矩陣成對非對角元素信號。然而，若使用不同方位角以獲取用於特徵化不對稱參數及尺寸參數的信號，則來自方塊822的複數個穆勒矩陣元素信號可不包括來自方塊812的穆勒矩陣成對非對角元素信號。
複數個穆勒矩陣元素信號經提供至一或多個OCD模型(方塊824)。額外地，不對稱參數的預測(方塊816)係前饋至一或多個OCD模型(方塊824)。在一些實施方案中，可使用一個OCD模型，且在其他實施方案中，可使用數目至多M個OCD模型。該裝置結構之一或多個OCD模型可用以基於與來自裝置結構之所測量穆勒矩陣元素相比較的使用OCD模型產生之模型化(亦即，所計算)穆勒矩陣元素來產生尺寸參數(方塊825)。OCD模型可基於來自方塊816所前饋的不對稱參數之預測的值來修正不對稱參數，而用於尺寸參數的模型之可變參數係變化及模型化針對各變化產生的資料。可例如在非線性迴歸程序中比較所測量穆勒矩陣元素信號與針對各參數變化的模型化資料，直到達成良好擬合，此時，經擬合尺寸參數的值經判定為裝置結構之尺寸參數的準確表示。在一些實施方案中，多個方位角配方可與例如用於不同方位角的不同OCD模型使用。此外，在一些實施方案中，可並行使用多個OCD模型以判定尺寸參數(方塊825)。在其他實施方案中，OCD模型可與從一個OCD模型前饋至後續OCD模型所判定之尺寸參數串列地使用，該後續OCD模型可在迴歸分析期間將對應之尺寸參數修正成尺寸參數之值。將從方塊816前饋至方塊824處的一或多個OCD模型的不對稱參數抑制尺寸參數與不對稱參數之間的相關性，導致尺寸參數的改善模型準確度(方塊825)及更佳的裝置效能。
在一些實施方案中，如藉由虛線所繪示，來自一或多個OCD模型(方塊824)的尺寸參數(方塊825)可係初步尺寸參數，所述初步尺寸參數提供至一或多個經訓練機器學習模型(方塊828)，其產生裝置結構之尺寸參數 的預測(方塊829)。在藉由虛線所繪示的一些實施方案中，在方塊828，來自方塊812的穆勒矩陣成對非對角元素信號、來自方塊816的所預測不對稱參數中之一或多者，或來自方塊812的穆勒矩陣成對非對角元素信號及來自方塊816的所預測不對稱參數中之一或多者兩者可係前饋至一或多個機器學習模型。一或多個機器學習模型可例如係類神經網路或深度學習模型或其組合。一或多個機器學習模型可經訓練以基於輸入資料而預測裝置結構之一或多個尺寸參數。例如，各機器學習模型可經訓練以基於來自方塊824的尺寸參數之輸入資訊以及來自方塊812的穆勒矩陣成對非對角元素信號及/或來自方塊816的所預測不對稱參數中之一或多者來預測一或多個尺寸參數(方塊829)。
圖8B係繪示用於訓練機器學習模型(例如，在圖8A中所顯示的工作流程800中之方塊814及828的訓練機器學習模型)之程序的流程圖850。
如所繪示，從參考樣本(諸如FinFET裝置、GAA裝置、叉型片材裝置、或其他複雜3D裝置結構)獲得測量(方塊852)。可使用與工作流程800使用的相同光學計量裝置或使用不同光學計量裝置或數個光學計量裝置來獲得測量。所述測量可係橢圓偏振測量，其可係單一波長或光譜、或可係可從其判定穆勒矩陣元素的任何其他類型之測量。可待與工作流程800使用的相同方位角獲取測量，但在一些實施方案中，可獲取在額外或不同方位角下的測量。在一些實施方案中，可以合成方式獲得測量。
從第三方計量工具(例如，穿透式電子顯微鏡(transmission electron microscope,TEM)、臨界尺寸掃描電子顯微鏡(critical dimension scanning electron microscope,CDSEM)、高電壓掃描電子顯微鏡(high voltage scanning electron microscope,HVSEM)等(方塊854))獲得參考資料。參考資料可包括可用以標記資料的不對稱參數及/或尺寸參數。在一個實施方案中，可使用預學習模型以合成方式來產生參考資料。
訓練資料係選自參考資料(方塊856)。基於訓練資料來訓練一或多個機器學習模型(例如，對應於在工作流程800之方塊814及/或方塊828中之機器學習模型)。在一些實施方案中，OCD模型輸入(方塊858)(例如，對應於工作流程800之方塊824中之OCD模型)可係可選地提供作為用於訓練機器學習模型(例如，特別是用於訓練工作流程800之方塊828中的機器學習模型)之輸入資料。
可使用選自參考資料(方塊854)的測試資料(方塊862)來測試機器學習模型(方塊860)。經訓練及經測試機器學習模型(方塊864)可用於工作流程800中的經訓練機器學習模型。
圖9繪示根據第二實例情境來判定不對稱參數及尺寸參數的工作流程900。
如所示，類似於圖8A中所示之方塊802，從3D樣本(諸如FinFET裝置、GAA裝置、叉型片材裝置、或其他複雜裝置結構)獲得測量(方塊902)。可用圖2所示之光學計量裝置200或其他類似裝置獲得所述測量。所述測量可係橢圓偏振測量，其可係單一波長或光譜、或可係可從其判定穆勒矩陣元素的任何其他類型之測量。此外，如參考圖3A及圖3B所討論，可在對待判定之關鍵參數靈敏的不同方位角下獲得所述測量。例如，可在與待用於判定裝置結構之尺寸參數的信號不同的方位角而獲得待用於判定裝置結構之不對稱參數的信號。可經由靈敏度研究判定用以獲取不同關鍵參數之信號的方位角，如圖3A及圖3B中所討論。額外地，如參考圖4A、圖4B、及圖4C所討論，可獲得在以180°間隔的兩個方位角下獲得的信號。例如，在第一方位角所獲取的各信號用於判定裝置結構之不對稱參數，在相對於第一方位角旋轉180°的第二方位角下獲得第二信號。若需要，用於判定裝置結構之不對稱參數的信號可在複數個第一方位角連同對應之複數個第二方位角下獲得，各第二方位角相對於相關聯之第一方位角 旋轉180°。若需要，可在複數個第三方位角下獲得用於判定裝置結構之尺寸參數的信號。
在高靈敏度方位角下所獲取的用於特徵化不對稱參數的信號可經預處理及用以產生一或多穆勒矩陣成對非對角元素信號(例如，mm13+mm31、mm23+mm32、mm14-mm41、及mm24-mm42中之至少一者)(方塊904)。如圖4A、圖4B、及圖4C中所討論，所述信號可經預處理，例如以基於從相對方位角(例如，旋轉180°)獲取的信號而移除TIS i〔。在一些實施方案中，可判定所有穆勒矩陣成對非對角元素信號。
額外地，在高靈敏度方位角下所獲得的用於特徵化尺寸參數的信號用於產生複數個穆勒矩陣元素信號(方塊906)。在一些實施方案中，可用16個穆勒矩陣元素產生完整穆勒矩陣，例如其中一個穆勒矩陣元素用以正規化剩餘15個穆勒矩陣元素以用於分析。在其他實施方案中，可產生少於完整穆勒矩陣。應理解，若使用相同方位角以獲取用於特徵化不對稱參數及尺寸參數的信號，則來自方塊906的複數個穆勒矩陣元素信號可包括來自方塊904的穆勒矩陣成對非對角元素信號。然而，若使用不同方位角以獲取用於特徵化不對稱參數及尺寸參數的信號，則來自方塊906的複數個穆勒矩陣元素信號可不包括來自方塊904的穆勒矩陣成對非對角元素信號。
來自方塊904之一或多個穆勒矩陣成對非對角元素信號及來自方塊906之複數個穆勒矩陣元素信號係提供至一或多個OCD模型(方塊908)。裝置結構之一或多個OCD模型可用以基於與來自裝置結構的所測量穆勒矩陣成對非對角元素信號及複數個穆勒矩陣元素相比較的使用OCD模型產生之模型化(亦即，所計算)穆勒矩陣成對非對角元素信號及穆勒矩陣元素來產生初步不對稱參數及初步尺寸參數。可例如在非線性迴歸程序中比較所測量穆勒矩陣元素信號與針對各參數變化的模型化資料，直到達成良好擬合，此時，經擬合參數的 值經判定為裝置結構之參數的準確初步表示。可在一系列OCD模型中循序判定初步不對稱參數及初步尺寸參數。例如，一或多個OCD模型可用以基於穆勒矩陣成對非對角元素信號(來自方塊904)產生初步不對稱參數，且所述初步不對稱參數可被前饋至可用以基於穆勒矩陣元素信號(來自方塊906)產生初步尺寸參數的一或多個OCD模型。
來自一或多個OCD模型的初步不對稱參數及初步尺寸參數(方塊908)可提供至一或多個經訓練機器學習模型(方塊912)。在一些實施方案中，經訓練機器學習模型可係可選的，且由OCD模型產生的初步不對稱參數及初步尺寸參數(方塊908)可用作最終不對稱參數及尺寸參數。在一些實施方案中，在方塊912，來自方塊904之穆勒矩陣成對非對角元素信號及/或來自方塊906之穆勒矩陣元素信號中之一或多者係前饋至一或多個機器學習模型。一或多個機器學習模型可例如係類神經網路或深度學習模型或其組合。一或多個機器學習模型可經訓練以基於輸入資料來預測裝置結構之一或多個不對稱參數(方塊914)及一或多個尺寸參數(方塊916)。一或多個機器學習模型的訓練可例如係圖8B中的流程圖850中討論之訓練程序。來自一或多個OCD模型(方塊908)及/或來自一或多個經訓練機器學習模型(方塊912)的所判定不對稱參數可用以抑制尺寸參數與不對稱參數之間的相關性，導致改善的模型準確度及較佳的裝置效能。
圖10係繪示用於測量在樣本上之三維(3D)裝置之方法的流程圖1000，如本文討論。例如，該方法判定3D裝置(亦即，複雜裝置結構，諸如FinFET裝置、GAA裝置、叉型片材裝置等)之不對稱參數及尺寸參數，例如，如本文所討論，且特別是參考圖8A所示的工作流程800及/或圖9所示的工作流程900。該方法可例如藉由圖2所示之光學計量裝置200或其他類似裝置執行。
在方塊1002，複數個穆勒矩陣元素係獲自3D裝置之橢圓偏振術測量，例如，如參考圖8A中之方塊802、812、822、及圖9中之方塊902、904、 及906所討論。在一些實施方案中，橢圓偏振術測量係光譜測量。用於從該3D裝置之橢圓偏振術測量獲得複數個穆勒矩陣元素的構件例如可係圖2所示之光學計量裝置200或其他類似裝置。
在方塊1004，基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測，例如，如參考圖8A中之方塊814及816、以及圖9中之方塊904、908、912、及914所討論。用於基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測的構件例如可分別係參考圖8A中之方塊814或圖9中之方塊912所討論的一或多個經訓練機器學習模型，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之機器學習(ML 267)的指令)的至少一個處理器262來實施。
在方塊1006，基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之尺寸參數，例如，如參考圖8A中之方塊824、825、828、及829、以及圖9中之方塊906、908、912、及916所討論。用於基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之尺寸參數的構件例如可係一或多個OCD模型，且在一些實施方案中可係經訓練機器學習模型，如參考圖8A中之方塊824、828或圖9中之方塊908、912所討論，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之機器學習(ML 267)的指令)的至少一個處理器262來實施。
在一些實施方案中，產生用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量係在相對於該3D裝置的不同方位角下執行，例如，如參考圖3A及圖3B、以及圖8A中之方塊802、812、822、及圖9中之方塊902、904、及906所討論。在一些實施方案中，產生用於該 3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量的第一一或多個方位角係基於對所述尺寸參數的靈敏度而選擇，例如，如參考圖3A及圖3B所討論。
在一些實施方案中，產生用於所述不對稱參數的該至少一個穆勒矩陣成對非對角元素的該3D裝置之所述橢圓偏振術測量係在相隔開180°之方位角下執行，且基於以相隔開180°之方位角執行的橢圓偏振術測量之間的一差而產生該複數個穆勒矩陣元素，例如，如參考圖4A及圖4B、以及圖8A中之方塊802、812、822、及圖9中之方塊902、904、及906所討論。用於基於以相隔開180°之方位角執行的橢圓偏振術測量之間的一差而產生該複數個穆勒矩陣元素的構件例如可係圖2所示之光學計量裝置200(包括台座209)或其他類似裝置。
在一些實施方案中，該3D裝置之不對稱參數的預測可經前饋，以用於預測該3D裝置之所述尺寸參數以抑制該3D裝置之尺寸參數與不對稱參數之間的一相關性，例如，如參考圖8A中之方塊814及824以及圖9中之方塊908及912所討論。
在一些實施方案中，藉由提供該至少一個穆勒矩陣成對非對角元素至一第一機器學習模型以產生該3D裝置之所述不對稱參數的所述機器學習預測，可基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測，例如，如參考圖8A中之方塊814所討論。用於提供該至少一個穆勒矩陣成對非對角元素至一第一機器學習模型以產生該3D裝置之所述不對稱參數的所述機器學習預測的構件例如可係參考圖8A所示之方塊814所討論的一或多個經訓練機器學習模型，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之機器學習(ML 267)及模型化(模型266)的指令)的至少一個處理器262來實施。額外地，在一些實施方案中，藉由使用至少部分穆勒矩陣及該3D裝置之所述不對稱參數來基 於一或多個光學臨界尺寸模型而產生初步尺寸參數，可基於該至少一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數，例如，如參考方塊824所討論。用於使用該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數來基於一或多個光學臨界尺寸模型而產生初步尺寸參數的構件例如可係參考圖8A所示之方塊824所討論的一或多個OCD模型，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之模型化(模型266)的指令)的至少一個處理器262來實施。額外地，在一些實施方案中，藉由進一步提供所述初步尺寸參數至第二一或多個機器學習模型(例如，如參考圖8A中之方塊824及828所討論)、提供該至少一個穆勒矩陣成對非對角元素及不對稱參數之所述機器學習預測中之至少一者至該第二一或多個機器學習模型(例如，如參考圖8A中之方塊812、816及828所討論)、及基於所述初步尺寸參數、以及該至少一個穆勒矩陣成對非對角元素及不對稱參數之所述機器學習預測中之至少一者而產生該3D裝置之所述尺寸參數的機器學習預測(例如，如參考圖8A之方塊828及829所討論)，可基於至少部分穆勒矩陣及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數。用於提供所述初步尺寸參數至第二一或多個機器學習模型的構件例如可係參考圖8A所示之方塊824所討論的一或多個OCD模型及參考方塊828所討論的一或多個經訓練機器學習模型，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之及模型化(模型266)及機器學習(ML 267)的指令)的至少一個處理器262來實施。用於提供該至少一個穆勒矩陣成對非對角元素及不對稱參數之所述機器學習預測中之至少一者至該第二一或多個機器學習模型的構件例如可係參考圖8A所示之方塊828所討論的一或多個經訓練機器學習模型，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之機器學習(ML 267)的指令)的至少一個處理器262來實施。用於基於所述初步尺寸參數、以及 該至少一個穆勒矩陣成對非對角元素及不對稱參數之所述機器學習預測中之至少一者而產生該3D裝置之所述尺寸參數的機器學習預測的構件例如可係參考圖8A中之方塊828所討論的一或多個經訓練機器學習模型，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之機器學習(ML 267)的指令)的至少一個處理器262來實施。
在一些實施方案中，可基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之所述不對稱參數的所述機器學習預測，且藉由使用該至少一個穆勒矩陣成對非對角元素及該一或多個穆勒矩陣元素來基於一或多個光學臨界尺寸模型而產生該3D裝置之初步不對稱參數及初步尺寸參數，可基於該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數，例如，如參考圖9之方塊908所討論。用於使用該至少一個穆勒矩陣成對非對角元素及該一或多個穆勒矩陣元素來基於一或多個光學臨界尺寸模型而產生該3D裝置之初步不對稱參數及初步尺寸參數的構件例如可係參考圖9所示之方塊908所討論的一或多個OCD模型，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之機器模型化(模型266)的指令)的至少一個處理器262來實施。額外地，所述初步不對稱參數及所述初步尺寸參數可被提供至一或多個機器學習模型以產生該3D裝置之所述不對稱參數的所述機器學習預測及所述尺寸參數的機器學習預測，例如，如參考圖9之方塊908、912、914、及916所討論。用於提供所述初步不對稱參數及所述初步尺寸參數至一或多個機器學習模型以產生該3D裝置之所述不對稱參數的所述機器學習預測及所述尺寸參數的機器學習預測的構件例如可係分別參考圖9所示之方塊908所討論的一或多個OCD模型以及參考方塊908及912所討論的一或多個經訓練機器學習模型，其可藉由具有專用硬體或實施記憶體264中之可執行碼或軟體指令(諸如用於在圖2中之模型化(模型266)及機器學習(ML 267)的指令)的至少一個處理器262來實施。
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。
1000:流程圖 1002:方塊 1004:方塊 1006:方塊

Claims (27)

  1. 一種用於測量樣本上之三維(3D)裝置的方法，其包括： 從該3D裝置之橢圓偏振術測量獲得複數個穆勒矩陣元素； 基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測，其中產生機器學習預測包括提供該至少一個穆勒矩陣成對非對角元素至第一機器學習模型，以產生該3D裝置之所述不對稱參數的所述機器學習預測；及 基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之尺寸參數。
  2. 如請求項1之方法，其中導致用於所述不對稱參數之該至少一個穆勒矩陣成對非對角元素、及導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量係光譜測量。
  3. 如請求項1之方法，其中導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量係在相對於該3D裝置的不同方位角實施。
  4. 如請求項3之方法，其中導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量的第一一或多個方位角係基於對所述尺寸參數的靈敏度而選擇。
  5. 如請求項1之方法，其中導致用於所述不對稱參數的該至少一個穆勒矩陣成對非對角元素的該3D裝置之所述橢圓偏振術測量係在相隔開180°之方位角實施，其中該方法進一步包括： 基於以相隔開180°之方位角實施的橢圓偏振術測量之間的差而產生該複數個穆勒矩陣元素。
  6. 如請求項1之方法，其中該3D裝置之不對稱參數的所述機器學習預測被前饋至用於產生該3D裝置之所述尺寸參數的一或多個光學臨界尺寸模型。
  7. 如請求項1之方法，其中基於該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數包括： 基於使用該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數的一或多個光學臨界尺寸模型而產生初步尺寸參數。
  8. 如請求項7之方法，其中基於該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數進一步包括： 提供所述初步尺寸參數至第二一或多個機器學習模型； 提供該至少一個穆勒矩陣成對非對角元素及不對稱參數之所述機器學習預測之至少一者至該第二一或多個機器學習模型；及 基於所述初步尺寸參數、以及該至少一個穆勒矩陣成對非對角元素及不對稱參數之所述機器學習預測之至少一者而產生該3D裝置之所述尺寸參數的機器學習預測。
  9. 如請求項1之方法，其中基於來自該複數個穆勒矩陣元素之該至少一個穆勒矩陣成對非對角元素而產生該3D裝置之所述不對稱參數的所述機器學習預測，且基於該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數包含： 使用該至少一個穆勒矩陣成對非對角元素及該一或多個穆勒矩陣元素來基於一或多個光學臨界尺寸模型而產生該3D裝置之初步不對稱參數及初步尺寸參數。
  10. 如請求項9之方法，其進一步包括： 提供所述初步不對稱參數及所述初步尺寸參數至一或多個機器學習模型，以產生該3D裝置之所述不對稱參數的所述機器學習預測及所述尺寸參數的機器學習預測。
  11. 如請求項1之方法，其中導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量係在相對於該3D裝置的不同方位角實施，其中不同方位角用以產生該不對稱參數的該機器學習預測及用於產生尺寸參數。
  12. 如請求項1之方法，其中在該3D裝置的對稱結構的鏡像對稱因為入射平面的選擇而破壞時，該穆勒矩陣成對非對角元素為零，且在該3D裝置的該結構沿入射平面為非對稱時，該穆勒矩陣成對非對角元素將不會是零。
  13. 一種用於測量樣本上之三維(3D)裝置的設備，其包括： 用於從該3D裝置之橢圓偏振術測量獲得複數個穆勒矩陣元素的構件； 用於基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測的構件，其中用於產生機器學習預測的該構件包括用於提供該至少一個穆勒矩陣成對非對角元素至第一機器學習模型以產生該3D裝置之所述不對稱參數的所述機器學習預測的構件；及 用於基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之尺寸參數的構件。
  14. 如請求項13之設備，其中導致用於所述不對稱參數之該至少一個穆勒矩陣成對非對角元素、及導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量係光譜測量。
  15. 如請求項13之設備，其中導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量係在相對於該3D裝置的不同方位角實施。
  16. 如請求項15之設備，其中導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量的第一一或多個方位角係基於對所述尺寸參數的靈敏度而選擇。
  17. 如請求項13之設備，其中導致用於所述不對稱參數的該至少一個穆勒矩陣成對非對角元素的該3D裝置之所述橢圓偏振術測量係在相隔開180°之方位角實施，其中該設備進一步包括： 用於基於以相隔開180°之方位角實施的橢圓偏振術測量之間的差而產生該複數個穆勒矩陣元素的構件。
  18. 如請求項13之設備，其中該3D裝置之不對稱參數的所述機器學習預測被前饋至用於產生該3D裝置之所述尺寸參數的一或多個光學臨界尺寸模型。
  19. 如請求項13之設備，其中用於基於該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數的該構件包括： 用於基於使用該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數的一或多個光學臨界尺寸模型而產生初步尺寸參數的構件。
  20. 如請求項19之設備，其中用於基於該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數的該構件包括： 用於提供所述初步尺寸參數至第二一或多個機器學習模型的構件； 用於提供該至少一個穆勒矩陣成對非對角元素及不對稱參數之所述機器學習預測中之至少一者至該第二一或多個機器學習模型的構件；及 用於基於所述初步尺寸參數、以及該至少一個穆勒矩陣成對非對角元素及不對稱參數之所述機器學習預測之至少一者而產生該3D裝置之所述尺寸參數的機器學習預測的構件。
  21. 如請求項13之設備，其中用於基於來自該複數個穆勒矩陣元素之該至少一個穆勒矩陣成對非對角元素而產生該3D裝置之所述不對稱參數的所述機器學習預測的該構件、及用於基於該一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之所述尺寸參數的該構件包括： 用於基於使用該至少一個穆勒矩陣成對非對角元素及該一或多個穆勒矩陣元素的一或多個光學臨界尺寸模型而產生該3D裝置之初步不對稱參數及初步尺寸參數的構件。
  22. 如請求項21之設備，其中該設備進一步包括： 用於提供所述初步不對稱參數及所述初步尺寸參數至一或多個機器學習模型以產生該3D裝置之所述不對稱參數的所述機器學習預測及所述尺寸參數的機器學習預測的構件。
  23. 如請求項13之設備，其中導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量係在相對於該3D裝置的不同方位角實施，其中不同方位角用以產生該不對稱參數的該機器學習預測及用於產生尺寸參數。
  24. 如請求項13之設備，其中在該3D裝置的對稱結構的鏡像對稱因為入射平面的選擇而破壞時，該穆勒矩陣成對非對角元素為零，且在該3D裝置的該結構沿入射平面為非對稱時，該穆勒矩陣成對非對角元素將不會是零。
  25. 一種用於測量樣本上之三維(3D)裝置的設備，其包括： 至少一個記憶體；及 一處理系統，其包括耦接至該至少一個記憶體的至少一個處理器，該處理系統配置以： 從該3D裝置之橢圓偏振術測量獲得複數個穆勒矩陣元素； 基於來自該複數個穆勒矩陣元素之至少一個穆勒矩陣成對非對角元素而產生該3D裝置之不對稱參數的機器學習預測；及 基於來自該複數個穆勒矩陣元素之一或多個穆勒矩陣元素及該3D裝置之所述不對稱參數而產生該3D裝置之尺寸參數，其中該處理系統配置以產生由配置以提供該至少一個穆勒矩陣成對非對角元素至第一機器學習模型之機器學習預測，以產生該3D裝置之所述不對稱參數的該機器學習預測。
  26. 如請求項25之設備，其中導致用於該3D裝置之所述尺寸參數的該一或多個穆勒矩陣元素的該3D裝置之所述橢圓偏振術測量係在相對於該3D裝置的不同方位角實施，其中不同方位角用以產生該不對稱參數的該機器學習預測及用於產生尺寸參數。
  27. 如請求項25之設備，其中在該3D裝置的對稱結構的鏡像對稱因為入射平面的選擇而破壞時，該穆勒矩陣成對非對角元素為零，且在該3D裝置的該結構沿入射平面為非對稱時，該穆勒矩陣成對非對角元素將不會是零。
TW112143072A 2022-11-11 2023-11-08 用於測量樣本上之三維（３ｄ）裝置的方法及用於其的設備 TWI899695B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202263424808P 2022-11-11 2022-11-11
US63/424,808 2022-11-11
US18/503,783 2023-11-07
US18/503,783 US20240159656A1 (en) 2022-11-11 2023-11-07 Combined modeling and machine learning in optical metrology

Publications (2)

Publication Number Publication Date
TW202429062A TW202429062A (zh) 2024-07-16
TWI899695B true TWI899695B (zh) 2025-10-01

Family

ID=91029096

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112143072A TWI899695B (zh) 2022-11-11 2023-11-08 用於測量樣本上之三維（３ｄ）裝置的方法及用於其的設備

Country Status (5)

Country Link
US (1) US20240159656A1 (zh)
KR (1) KR20250102083A (zh)
CN (1) CN120380300A (zh)
TW (1) TWI899695B (zh)
WO (1) WO2024102903A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12523968B2 (en) * 2022-12-14 2026-01-13 Kla Corporation System and method for estimating measurement uncertainty for characterization systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110080585A1 (en) * 2009-10-07 2011-04-07 Nanometrics Incorporated Scatterometry Measurement of Asymmetric Structures
US20130148130A1 (en) * 2011-12-11 2013-06-13 Tokyo Electron Limited Process control using ray tracing-based libraries and machine learning systems
US20190094711A1 (en) * 2017-09-27 2019-03-28 Kla-Tencor Corporation Detection And Measurement Of Dimensions Of Asymmetric Structures
TW202043716A (zh) * 2019-01-11 2020-12-01 美商科磊股份有限公司 基於高光譜成像之半導體度量

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9404872B1 (en) * 2011-06-29 2016-08-02 Kla-Tencor Corporation Selectably configurable multiple mode spectroscopic ellipsometry
US9255877B2 (en) * 2013-05-21 2016-02-09 Kla-Tencor Corporation Metrology system optimization for parameter tracking

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110080585A1 (en) * 2009-10-07 2011-04-07 Nanometrics Incorporated Scatterometry Measurement of Asymmetric Structures
US20130148130A1 (en) * 2011-12-11 2013-06-13 Tokyo Electron Limited Process control using ray tracing-based libraries and machine learning systems
US20190094711A1 (en) * 2017-09-27 2019-03-28 Kla-Tencor Corporation Detection And Measurement Of Dimensions Of Asymmetric Structures
TW202043716A (zh) * 2019-01-11 2020-12-01 美商科磊股份有限公司 基於高光譜成像之半導體度量

Also Published As

Publication number Publication date
KR20250102083A (ko) 2025-07-04
TW202429062A (zh) 2024-07-16
WO2024102903A1 (en) 2024-05-16
US20240159656A1 (en) 2024-05-16
CN120380300A (zh) 2025-07-25

Similar Documents

Publication Publication Date Title
TWI745640B (zh) 偵測一樣本上之一子解析度缺陷之方法及裝置
TWI603052B (zh) 產生最佳化量測配方之方法、系統及電腦可讀媒體
JP7579408B2 (ja) 高アスペクト比構造の測定のための中赤外分光法及びシステム
US9952140B2 (en) Small spot size spectroscopic ellipsometer
CN108463877B (zh) 用于扩展的红外线光谱椭偏测量的系统及方法
US20130245985A1 (en) Calibration Of An Optical Metrology System For Critical Dimension Application Matching
US9470639B1 (en) Optical metrology with reduced sensitivity to grating anomalies
US20190094711A1 (en) Detection And Measurement Of Dimensions Of Asymmetric Structures
KR102272697B1 (ko) 분광 타원편광 측정 시스템과 방법 및 데이터 분석 장치와 방법
US20180112968A1 (en) Hybrid Metrology For Patterned Wafer Characterization
TW201719113A (zh) 利用光學臨界尺寸(ocd)計量之結構分析用於光學參數模型之最佳化方法、非暫時性之機器可存取儲存媒體及用以產生所模擬繞射信號以利用光學計量判定用以在晶圓上製造結構之晶圓塗覆的程序參數之系統
TWI692617B (zh) 具有像素化相移光罩之干涉儀及執行干涉儀量測之方法
CN114467021A (zh) 干涉缺陷检查中的样品表面偏振修改
TWI899695B (zh) 用於測量樣本上之三維（３ｄ）裝置的方法及用於其的設備
KR20220050664A (ko) 패턴 특성의 예측을 위한 딥 러닝 모델의 학습 방법 및 반도체 소자 제조 방법
TWI823315B (zh) 用於經驗疊對測量之多層校準
US20230109008A1 (en) Spectroscopic Reflectometry And Ellipsometry Measurements With Electroreflectance Modulation
US20250105064A1 (en) Electrical Performance Prediction Based On Structural Measurements Of Partially Fabricated Semiconductor Devices
US20250370352A1 (en) Methods And Systems For Measurement Of Semiconductor Structures With Mechanical Stress Modulation
US20240418633A1 (en) Combination of multiwavelength raman and spectroscopic ellipsometry to measure a film stack