[go: up one dir, main page]

TWI811015B - 用於低維度資料分析之資料映射之方法及電腦程式 - Google Patents

用於低維度資料分析之資料映射之方法及電腦程式 Download PDF

Info

Publication number
TWI811015B
TWI811015B TW111126012A TW111126012A TWI811015B TW I811015 B TWI811015 B TW I811015B TW 111126012 A TW111126012 A TW 111126012A TW 111126012 A TW111126012 A TW 111126012A TW I811015 B TWI811015 B TW I811015B
Authority
TW
Taiwan
Prior art keywords
data
dimensional
dimensional data
substrate
dimensional representation
Prior art date
Application number
TW111126012A
Other languages
English (en)
Other versions
TW202309759A (zh
Inventor
凱迪爾 穆罕默德 阿達爾
瑞莎 沙雷伊恩
迪傑克 里昂 保羅 凡
哈倫 理查 喬哈奈 法蘭西卡斯 凡
阿布 尼亞姆 Ｍｄ 穆西非庫爾 哈克
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from EP21189299.7A external-priority patent/EP4130880A1/en
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202309759A publication Critical patent/TW202309759A/zh
Application granted granted Critical
Publication of TWI811015B publication Critical patent/TWI811015B/zh

Links

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—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
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21347—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using domain transformations

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明提供用於將與一微影設備、蝕刻工具、度量衡工具或檢測工具相關之高維度資料映射至該資料之一較低維度表示的方法、系統及設備。獲得與該設備相關之高維度資料。該高維度資料具有大於二之第一維度N。獲得已經訓練以將高維度資料之一訓練集映射至一較低維度表示上之一非線性參數模型。該較低維度表示具有第二維度M，其中M小於N。已使用經組態以使該映射保持高維度資料之該訓練集中之局部相似性的一成本函數來訓練該模型。使用該模型將所獲得高維度資料映射至該對應之較低維度表示。

Description

用於低維度資料分析之資料映射之方法及電腦程式
本發明係關於用於將與在半導體製造製程中使用之設備相關之高維度資料映射至較低維度表示及所得映射的使用之電腦實施方法及電腦程式。特定言之，其係關於使用非線性參數模型進行映射，同時保持資料中之局部相似性。
微影設備為經建構以將所要圖案塗覆至基板上之機器。 微影設備可用於例如積體電路(IC)之製造中。微影設備可例如將圖案化裝置(例如遮罩)處之圖案(通常亦稱為「設計佈局」或「設計」)投影至設置於基板(例如晶圓)上之輻射敏感材料(抗蝕劑)層上。
為了將圖案投影於基板上，微影設備可使用電磁輻射。此輻射之波長判定可形成於基板上之特徵的最小大小。當前使用之典型波長為365 nm (i線)、248 nm、193 nm及13.5 nm。相較於使用例如具有193 nm之波長之輻射的微影設備，使用具有在4 nm至20 nm之範圍內之波長(例如6.7 nm或13.5 nm)之極紫外線(EUV)輻射的微影設備可用於在基板上形成較小特徵。
低k 1微影可用於處理尺寸小於微影設備之典型解析度極限的特徵。在此類製程中，可將解析度公式表達為CD = k 1×λ/NA，其中λ為所採用輻射之波長，NA為微影設備中之投影光學器件之數值孔徑，CD為「關鍵尺寸」(通常為經印刷之最小特徵大小，但在此狀況下為半節距)，且k 1為經驗解析度因數。一般而言，k 1愈小，則愈難以在基板上再生類似於由電路設計者規劃之形狀及尺寸以便達成特定電功能性及性能的圖案。為克服此等困難，可將複雜微調步驟施加至微影投影設備及/或設計佈局。此等步驟包括例如但不限於NA之最佳化、定製照明方案、使用相移圖案化裝置、諸如設計佈局中之光學近接校正(optical proximity correction；OPC，有時亦稱為「光學及製程校正」)之設計佈局的各種最佳化，或通常經限定為「解析度增強技術」(resolution enhancement technique；RET)之其他方法。替代地，用於控制在基板之圖案化中使用之微影設備或其他設備(諸如蝕刻工具)的穩定性之嚴格控制環路可用於改良在低k1下之圖案再生。
半導體製造製程為複雜的，且導致大量度量衡資料之產生。歸因於涉及微影程序之複雜性質及大量變數，在分析微影程序以理解及改良彼等程序時存在許多挑戰。此等挑戰中之一些包括如何得到足夠資料，及如何快速處理大量資料及/或減少運算負荷。
根據本發明之一態樣，提供一種電腦實施方法，其用於將與在半導體製造製程中使用之一或多個設備相關之高維度資料映射至該資料的一較低維度表示，其中該一或多個設備為以下中之一或多者：一微影設備、一蝕刻工具、一度量衡設備或一檢測設備。該方法包含獲得與該一或多個設備有關之高維度資料，該高維度資料具有大於2之第一維度N。獲得已經訓練以將高維度資料之一訓練集映射至一較低維度表示上之一非線性參數模型。該較低維度表示具有第二維度M，其中M小於N。已使用經組態以使該映射保持高維度資料之該訓練集中之局部相似性的一成本函數來訓練該模型。使用該模型將所獲得高維度資料映射至對應較低維度表示。
視情況，該非線性參數模型可為一神經網路。
視情況，該映射可包含針對該高維度資料中之各資料點之至該較低維度表示中的一對應資料點之一映射。
視情況，保持局部相似性可包含最小化該高維度資料中之資料點與該較低維度表示中之對應資料點之間的成對相似性差異。
視情況，該成本函數可基於一對稱成對相似性度量。
視情況，該成本函數C可為 其中KL為一庫貝克-李柏散度(Kullback-Leibler divergence)，S為由高維度空間中之成對相似性s ij組成之一相似性矩陣，且Q為較低維度表示空間中之成對相似性q ij之一相似性矩陣。
視情況，該所獲得高維度資料可包含對準資料。
視情況，該說獲得高維度資料可包含疊對資料。
視情況，該所獲得高維度資料可包含調平資料。
視情況，該方法可進一步包含識別該對應較低維度表示中之一群集及判定與該群集相關聯之一或多個第一維度。該群集可與該高維度資料中之該等局部相似性相關聯。
視情況，該方法可進一步包含基於該較低維度表示判定執行該一或多個設備之維護。
視情況，該方法可進一步包含輸出一警示以使得執行該維護。
視情況，該方法可進一步包含基於該較低維度表示判定該一或多個設備之設定之一調整。
視情況，該方法可進一步包含控制該一或多個設備以使得進行該調整。
視情況，該方法可進一步包含基於該較低維度表示判定一微影曝光配方之一調整。
視情況，該方法可進一步包含基於該較低維度表示判定一刻蝕配方之一調整。
視情況，該方法可進一步包含實施對該微影設備之設定之一或多個改變以使得該微影曝光配方的該調整。
根據本揭露之另一態樣，提供一種經組態以執行如上文所描述之方法的電腦程式。
根據本揭露之另一態樣，提供一種包含一處理器及一記憶體之設備，該記憶體包含在由該處理器執行時使得該處理器執行如上文所描述之一方法之指令。
根據本揭露之另一態樣，提供一種微影設備，其包含如上述段落中所描述之一設備。
根據本揭露之另一態樣，提供一種蝕刻工具，其包含如上述段落中所描述之一設備。
根據本揭露之另一態樣，提供一種微影單元，其包含根據如上述段落中所描述之一設備。
在本文件中，術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射，包括紫外線輻射(例如具有約365、248、193、157或126 nm之波長)及極紫外線(EUV輻射，例如具有在5至100 nm之範圍內之波長)。
如本文中所採用之術語「倍縮光罩」、「遮罩」或「圖案化裝置」可廣泛地解釋為指代可用於向入射輻射光束賦予經圖案化橫截面之通用圖案化裝置，該經圖案化橫截面對應於待在基板之目標部分中產生的圖案。在此上下文中，亦可使用術語「光閥」。除典型遮罩(透射性或反射性、二元、相移、混合式等)以外，其他此類圖案化裝置之實例包括可程式化鏡面陣列及可程式化LCD陣列。
圖1示意性地描繪微影設備LA。微影設備LA包括：照射系統(亦稱為照明器) IL，其經組態以調節輻射光束B (例如UV輻射、DUV輻射或EUV輻射)；遮罩支撐件(例如遮罩台) T，其經建構以支撐圖案化裝置(例如遮罩) MA且連接至經組態以根據某些參數準確地定位圖案化裝置MA之第一定位器PM；基板支撐件(例如晶圓台) WT，其經建構以固持基板(例如抗蝕劑塗佈晶圓) W且連接至經組態以根據某些參數準確地定位基板支撐件之第二定位器PW；及投影系統(例如折射投影透鏡系統) PS，其經組態以將由圖案化裝置MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如包含一或多個晶粒)上。
在操作中，照射系統IL例如經由光束遞送系統BD自輻射源SO接收輻射光束。照射系統IL可包括用於導向、塑形及/或控制輻射光束之各種類型之光學組件，諸如折射、反射、磁性、電磁、靜電及/或其他類型之光學組件或其任何組合。照明器IL可用於調節輻射光束B，以在圖案化裝置MA之平面處在其橫截面中具有所要空間及角強度分佈。
本文所使用之術語「投影系統」PS應被廣泛地解釋為涵蓋適於所使用之曝光輻射及/或適於諸如浸潤液體之使用或真空之使用之其他因素的各種類型之投影系統，包括折射、反射、反射折射、合成、磁性、電磁及/或靜電光學系統或其任何組合。可認為本文中對術語「投影透鏡」之任何使用均與更一般術語「投影系統」PS同義。
微影設備LA可屬於一種類型，其中基板之至少一部分可由具有相對較高折射率之液體(例如，水)覆蓋，以便填充投影系統PS與基板W之間的空間--此亦稱為浸潤微影。在以引用之方式併入本文中之US6952253中給出關於浸潤技術之更多資訊。
微影設備LA亦可屬於具有兩個或更多個基板支撐件WT (亦稱為「雙載物台」)之類型。在此類「多載物台」機器中，可並行地使用基板支撐件WT，及/或可對位於基板支撐件WT中之一者上的基板W進行製備基板W之後續曝光的步驟，同時將另一基板支撐件WT上之另一基板W用於在該另一基板W上曝光圖案。
除基板支撐件WT以外，微影設備LA亦可包含量測載物台。量測載物台經配置以固持感測器及/或清潔裝置。感測器可經配置以量測投影系統PS之屬性及/或輻射光束B之屬性。量測載物台可固持多個感測器。清潔裝置可經配置以清潔微影設備之部分，例如投影系統PS之一部分或系統之提供浸潤液體的一部分。量測載物台可在基板支撐件WT遠離投影系統PS時在投影系統PS下方移動。
在操作中，輻射光束B入射於固持在遮罩支撐件T上之圖案化裝置MA (例如，遮罩)上，且藉由圖案化裝置MA上存在之圖案(設計佈局)而圖案化。橫穿遮罩MA後，輻射光束B穿過投影系統PS，投影系統PS將光束聚焦在基板W之目標部分C上。憑藉第二定位器PW及位置量測系統IF，基板支撐件WT可準確地移動，例如，以便在聚焦及對齊位置處在輻射光束B之路徑中定位不同的目標部分C。類似地，第一定位器PM及可能的另一位置感測器(其未在圖1中明確地描繪)可用於相對於輻射光束B之路徑來準確地定位圖案化裝置MA。可使用遮罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置MA及基板W。雖然如所說明之基板對準標記P1、P2佔用專屬目標部分，該等基板對準標記P1、P2可位於目標部分之間的空間中。在基板對準標記P1、P2定位於目標部分C之間時，此等基板對準標記稱為切割道對準標記。
如圖2中所展示，微影設備LA可形成微影單元LC (有時亦稱為微影單元(lithocell)或(微影)群集)之部分，其常常亦包括對基板W執行曝光前及曝光後程序之設備。習知地，此等設備包括沈積抗蝕劑層之旋塗器SC、顯影曝光之抗蝕劑的顯影器DE、冷卻板CH及烘烤板BK (例如用於調節基板W之溫度，例如用於調節抗蝕劑層中之溶劑)。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板W、在不同程序設備之間移動基板W，且將基板W遞送至微影設備LA之裝載區LB。微影單元中通常亦統稱為塗佈顯影系統之裝置通常處於塗佈顯影系統控制單元TCU之控制下，該塗佈顯影系統控制單元TCU自身可藉由監督控制系統SCS控制，該監督控制系統SCS亦可例如經由微影控制單元LACU控制微影設備LA。
為了正確且一致地曝光由微影設備LA曝光之基板W，需要檢測基板以量測經圖案化結構之屬性，諸如後續層之間的疊對誤差、線厚度、關鍵尺寸(CD)等。出於此目的，檢測工具(未展示)可包括於微影單元LC中。若偵測到誤差，則可對後續基板之曝光或對待對基板W執行之其他處理步驟例如進行調整，尤其在同一批量或批次之其他基板W仍待曝光或處理之前進行檢測的情況下。
亦可稱為度量衡設備之檢測設備用於判定基板W之屬性，且尤其判定不同基板W之屬性何變化或與同一基板W之不同層相關聯之屬性在層與層之間如何變化。檢測設備可替代地經建構以識別基板W上之缺陷，且可例如為微影單元LC之部分，或可整合至微影設備LA中，或可甚至為獨立裝置。檢測設備可量測潛影(在曝光之後在抗蝕劑層中之影像)上之屬性，或半潛影(在曝光後烘烤步驟PEB之後在抗蝕劑層中之影像)上之屬性，或經顯影抗蝕劑影像(其中抗蝕劑之曝光部分或未曝光部分已經移除)上之屬性，或甚至經蝕刻影像(在諸如蝕刻之圖案轉印步驟之後)上之屬性。
通常，微影設備LA中之圖案化程序為處理中之最關鍵步驟中之一者，其要求基板W上之結構之尺度標示及置放之高準確度。為保證此高準確度，可將三個系統組合於圖3中示意性地描繪之所謂「整體」控制環境中。此等系統中之一者係微影設備LA，其(實際上)連接至度量衡工具MT (第二系統)且連接至電腦系統CL (第三系統)。此「整體」環境之關鍵在於最佳化此等三個系統之間的合作以增強總體製程窗且提供嚴格控制環路，以確保由微影設備LA執行之圖案化保持在製程窗內。製程窗限定製程參數(例如劑量、焦距、疊對)之範圍，在該範圍內，特定製造製程產生限定結果(例如功能性半導體裝置)--通常在該經限定結果內，允許微影程序或圖案化程序中之程序參數變化。
電腦系統CL可使用待圖案化之設計佈局(之部分)來預測使用哪些解析度增強技術，且執行運算微影模擬及計算以判定哪些遮罩佈局及微影設備設定實現圖案化程序之最大總體製程窗(藉由第一標度SC1中之雙箭頭描繪於圖3中)。通常，解析度增強技術經配置以匹配微影設備LA之圖案化可能性。電腦系統CL亦可用於偵測微影設備LA當前正在製程窗內之何處操作(例如使用來自度量衡工具MT之輸入)以預測是否可能存在由例如次佳處理引起之缺陷(藉由第二標度SC2中指向「0」之箭頭描繪於圖3中)。
度量衡工具MT可將輸入提供至電腦系統CL以實現準確模擬及預測，且可將回饋提供至微影設備LA以識別例如在微影設備LA之校準狀態下的可能漂移(藉由第三標度SC3中之多個箭頭描繪於圖3中)。
在微影程序中，需要頻繁地對所產生之結構進行量測，例如，以用於程序控制及驗證。用以進行此類量測之工具通常稱為度量衡工具MT。用於進行此類量測之不同類型之度量衡工具MT已為吾人所知，包括掃描電子顯微鏡或各種形式之散射計度量衡工具MT。散射計為多功能器具，其允許藉由在光瞳或與散射計之接物鏡之光瞳共軛的平面中具有感測器來量測微影程序之參數，量測通常被稱為以光瞳為基礎之量測，或藉由在影像平面或與影像平面共軛之平面中具有感測器來量測微影程序之參數，在此情況下量測通常被稱為以影像或場為基礎之量測。以全文引用之方式併入本文中之專利申請案US20100328655、US2011102753A1、US20120044470A、US20110249244、US20110026032或EP1,628,164A中另外描述此類散射計及相關聯量測技術。前述散射計可使用來自軟x射線及對近IR波長範圍可見的光來量測光柵。
在第一實施例中，散射計MT為角解析散射計。在此散射計中，重建構方法可應用於經量測信號以重建構或計算光柵之屬性。此重建構可例如由模擬散射輻射與目標結構之數學模型之相互作用且比較模擬結果與量測之結果引起。調整數學模型之參數直至經模擬相互作用產生類似於自真實目標觀測到之繞射圖案的繞射圖案為止。
在第二實施例中，散射計MT為一光譜散射計MT。在此光譜散射計MT中，由輻射源發射之輻射經導向至目標上且來自目標之反射或散射輻射經導向至光譜儀偵測器上，該光譜儀偵測器量測鏡面反射輻射之光譜(亦即隨波長而變化之強度之量測值)。根據此資料，可例如藉由嚴密耦合波分析(Rigorous Coupled Wave Analysis)及非線性回歸或藉由與經模擬光譜庫進行比較來重建構產生偵測到之光譜的目標之結構或輪廓。
在第三實施例中，散射計MT為橢圓量測散射計。橢圓量測散射計允許藉由針對各偏振狀態量測散射輻射來判定微影程序之參數。此度量衡設備藉由在度量衡設備之照明區段中使用例如適當偏振濾光器來發射偏振光(諸如線性、圓形或橢圓)。適合於度量衡設備之源極亦可提供偏極輻射。在以全文引用之方式併入本文中之美國專利申請案11/451,599、11/708,678、12/256,780、12/486,449、12/920,968、12/922,587、13/000,229、13/033,135、13/533,110及13/891,410中描述現有橢圓量測散射計的各種實施例。
已知散射計之實例通常依賴於專用度量衡目標之供應，諸如，填充不足之目標(呈簡單光柵或不同層中之重疊光柵之形式的目標，其足夠大以使得量測光束產生小於光柵之光點)或填充過度之目標(藉以照明光點部分地或完全地含有該目標)。另外，使用度量衡工具(例如，照明諸如光柵之填充不足之目標的角解析散射計)允許使用所謂的重建構方法，其中可藉由模擬散射輻射與目標結構之數學模型的相互作用且對模擬結果與量測之結果進行比較來計算光柵之屬性。調整模型之參數直至經模擬相互作用產生類似於自真實目標觀測到之繞射圖案的繞射圖案為止。
在散射計MT之一個實施例中，散射計MT適用於藉由量測反射光譜及/或偵測組態中之不對稱性(該不對稱性與疊對之範圍有關)來量測兩個未對準光柵或週期性結構之疊對。可將兩個(通常重疊)光柵結構施加於兩個不同層(未必為連續層)中，且該兩個光柵結構可形成為處於晶圓上實質上相同的位置。散射計可具有如例如在共同擁有之專利申請案EP1,628,164A中所描述之對稱偵測組態，以使得任何不對稱性可清楚地辨識。此提供用以量測光柵中之未對準之直截了當的方式。可在全文係以引用方式併入本文中之PCT專利申請申請案第WO 2011/012624號或美國專利申請案第US 20160161863號中找到關於含有作為目標之週期性結構之兩個層之間的疊對誤差經由該等週期性結構之不對稱性予以量測的另外實例。
其他所關注參數可為焦距及劑量。可藉由如以全文引用之方式併入本文中之美國專利申請案US2011-0249244中所描述的散射量測(或替代地藉由掃描電子顯微法)同時判定焦距及劑量。可使用具有針對焦距能量矩陣(FEM，亦稱為焦距曝光矩陣)中之各點的關鍵尺寸及側壁角量測之唯一組合的單一結構。若可獲得關鍵尺寸及側壁角度之此等唯一組合，則可自此等量測唯一地判定焦距及劑量值。
一度量衡目標可為藉由微影程序主要在抗蝕劑中形成且亦在例如蝕刻程序之後形成的複合光柵的一集合。通常，光柵中之結構之節距及線寬很大程度上取決於量測光學器件(尤其光學器件之NA)以能夠捕捉來自度量衡目標之繞射階。如較早已指出，繞射信號可用於判定兩個層之間的移位(亦稱為『疊對』)或可用於重建構如由微影程序產生之原始光柵之至少部分。此重建構可用於提供微影程序之品質的導引，且可用於控制微影程序之至少部分。目標可具有經組態以模仿目標中之設計佈局之功能性部分之尺寸的較小子分段。歸因於此子分段，目標將表現得更類似於設計佈局之功能性部分，使得總體製程參數量測更類似於設計佈局之功能性部分。可在填充不足模式中或在填充過度模式中量測目標。在填充不足模式中，該量測光束產生小於該總體目標之光點。在填充過度模式中，該量測光束產生大於該總體目標之一光點。在此填充過度模式中，亦有可能同時量測不同目標，因此同時判定不同處理參數。
使用特定目標之微影參數之總體量測品質至少部分地由用於量測此微影參數的量測配方來判定。術語「基板量測配方」可包括量測自身之一或多個參數、經量測之一或多個圖案之一或多個參數，或此兩者。舉例而言，若用於基板量測配方中之量測為基於繞射的光學量測，則量測之參數中的一或多者可包括輻射之波長、輻射之偏振、輻射相對於基板之入射角度、輻射相對於基板上之圖案的定向等。用以選擇量測配方之準則中之一者可例如為量測參數中之一者對於處理變化之敏感度。在以全文引用方式併入本文中之美國專利申請案US2016-0161863及已公開之美國專利申請案US 2016/0370717A1中描述更多實例。
在圖4中描繪諸如散射計SM1之度量衡設備。該散射計SM1包含將輻射5投影至基板『W』上之寬頻(白光)輻射投影器2。將經反射或經散射之輻射10傳遞至光譜儀偵測器4，該光譜儀偵測器4量測鏡面反射輻射之光譜6 (亦即量測隨波長λ而變化之強度INT)。根據此資料，可藉由處理單元PU，例如藉由嚴密耦合波分析及非線性回歸，或藉由與如圖4之底部處所展示之經模擬光譜庫進行比較來重建構產生所偵測之光譜的結構或輪廓8。一般而言，對於重建構，已知結構之一般形式，且根據結構之製作程序的知識來假定一些參數，從而僅留下結構之幾個參數係根據散射量測資料判定。此散射計可經組態為正入射散射計或斜入射散射計。
構形量測系統、位階感測器或高度感測器(且其可整合於微影設備中)經配置以量測基板(或晶圓)之頂部表面的構形。基板之構形之映射(亦稱為高度圖)可由指示隨基板上之位置而變化之基板之高度的此等量測產生。此高度圖隨後可用於在將圖案轉印於基板上期間校正基板之位置，以便在基板上之恰當聚焦位置中提供圖案化裝置的空中影像。應理解，「高度」在此上下文中係指相對於基板大體上在平面外之維度(亦稱為Z軸)。通常，位階或高度感測器在固定位置(相對於其自身光學系統)處執行量測，且基板與位階或高度感測器之光學系統之間的相對移動跨越基板在各位置處產生高度量測。
圖5中示意性地展示如此項技術中已知之位階或高度感測器LS之實例，其僅說明操作原理。在此實例中，位階感測器包含光學系統，該光學系統包括投影單元LSP及偵測單元LSD。投影單元LSP包含提供輻射光束LSB之輻射源LSO，該輻射光束LSB由投影單元LSP之投影光柵PGR賦予。輻射源LSO可為例如窄帶或寬頻輻射源(諸如超連續光譜光源)，偏振或非偏振、脈衝或連續，諸如偏振或非偏振雷射光束。輻射源LSO可包括具有不同顏色或波長範圍之複數個輻射源，諸如複數個LED。位階感測器LS之輻射源LSO不限於可見光輻射，但可另外地或替代地涵蓋UV及/或IR輻射及適合於自基板之表面反射的任何波長範圍。
投影光柵PGR為包含週期性結構之週期性光柵，該週期性結構產生具有週期性變化強度之輻射光束BE1。具有週期性變化強度之輻射光束BE1係相對於垂直於入射基板表面的軸線(Z軸)，以在0度與90度之間，通常在70度與80度之間的入射角ANG經導向基板W上之量測位置MLO。在量測位置MLO處，圖案化輻射光束BE1由基板W反射(藉由箭頭BE2指示)且經導向偵測單元LSD。
為了判定量測位置MLO處之高度位階，位階感測器進一步包含偵測系統，該偵測系統包含偵測光柵DGR、偵測器DET及用於處理偵測器DET之輸出信號的處理單元(未展示)。偵測光柵DGR可與投影光柵PGR相同。偵測器DET產生偵測器輸出信號，該偵測器輸出信號指示所接收之光，例如指示所接收之光之強度，諸如光偵測器，或表示所接收之強度之空間分佈，諸如攝影機。偵測器DET可包含一或多種偵測器類型之任何組合。
藉助於三角量測技術，可判定量測位置MLO處之高度位階。偵測到的高度位階通常與如藉由偵測器DET所量測之信號強度有關，該信號強度具有尤其取決於投影光柵PGR之設計及(傾斜)入射角ANG的週期性。
投影單元LSP及/或偵測單元LSD可沿著投影光柵PGR與偵測光柵DGR之間的經圖案化輻射光束之路徑(未展示)而包括其他光學元件，諸如透鏡及/或鏡面。
在實施例中，可省略偵測光柵DGR，且可將偵測器DET置放於偵測光柵DGR所在的位置處。此組態提供對投影光柵PGR之影像之較直接偵測。
為了有效地覆蓋基板W之表面，位階感測器LS可經組態以將量測光束BE1之陣列投影至基板W之表面上，藉此產生覆蓋較大量測範圍之量測區域MLO或光點的陣列。
一般類型之各種高度感測器揭示於例如以引用方式併入之US7265364及US7646471兩者中。使用UV輻射代替可見或紅外輻射之高度感測器揭示於以引用之方式併入的US2010233600A1中。在以引用之方式併入的WO2016102127A1中，描述使用多元件偵測器來偵測及辨別光柵影像之位置而無需要偵測光柵的緊湊型高度感測器。
在複雜裝置之製造中，通常執行許多微影圖案化步驟，藉此在基板上之連續層中形成功能性特徵。因此，微影設備之效能的關鍵態樣為能夠相對於置於先前層中(藉由相同設備或不同微影設備)之特徵恰當且準確地置放經施加圖案。出於此目的，基板具備一或多個標記集合。各標記為可稍後使用位置感測器(典型地為光學位置感測器)量測其位置之結構。位置感測器可稱為「對準感測器」，且標記可稱為「對準標記」。
微影設備可包括可藉以準確地量測提供於基板上之對準標記之位置的一或多個(例如，複數個)對準感測器。對準(或位置)感測器可使用諸如繞射及干涉之光學現象以自形成於基板上之對準標記獲得位置資訊。用於當前微影設備中之對準感測器的實例係基於如US6961116中所描述之自參考干涉計。已開發出位置感測器之各種增強及修改，例如如US2015261097A1中所揭示。所有此等公開案之內容係以引用之方式併入本文中。
標記或對準標記可包含形成於設置於基板上之層上或層中或(直接)形成於基板中的一系列長條。該等長條可規則地隔開且充當光柵線，使得標記可被視為具有熟知空間週期(節距)之繞射光柵。取決於此等光柵線之定向，標記可經設計成允許量測沿著X軸或沿著Y軸(其實質上垂直於X軸定向)之位置。包含以相對於X軸及Y軸兩者成+45度及/或-45度配置的長條之標記允許使用如以引用之方式併入的US2009/195768A中所描述之技術進行組合之X及Y量測。
對準感測器利用輻射光點光學地掃描各標記，以獲得週期性變化信號，諸如正弦波。分析此信號之相位以判定標記之位置，且因此判定基板相對於對準感測器之位置，該對準感測器又相對於微影設備之參考框架固定。可提供與不同(粗略及精細)標記尺寸有關之所謂的粗略及精細標記，以使得對準感測器可區分週期性信號之不同循環，以及在循環內之確切位置(相位)。亦可出於此目的而使用不同節距之標記。
量測標記之位置亦可提供關於提供有例如呈晶圓柵格之形式的標記之基板之變形的資訊。基板之變形可藉由例如將基板靜電夾持至基板台及/或當基板暴露於輻射時加熱基板而出現。
圖6為諸如例如在US6961116中所描述且以引用方式併入之已知對準感測器AS之實施例的示意性方塊圖。輻射源RSO提供具有一或多個波長之輻射光束RB，該輻射光束RB藉由轉向光學器件而轉向至標記(諸如位於基板W上之標記AM)上作為照明光點SP。在此實例中，轉向光學器件包含光點鏡面SM及物鏡OL。藉以照明標記AM之照明光點SP之直徑可稍微小於標記自身之寬度。
由標記AM繞射之輻射準直(在此實例中經由物鏡OL)成資訊攜載光束IB。術語「繞射」意欲包括來自標記之零階繞射(其可稱為反射)。例如上文所提及之US6961116中所揭示之類型的自參考干涉計SRI以其自身干涉光束IB，其後光束由光偵測器PD接收。可包括額外光學器件(未展示)以在由輻射源RSO產生多於一個波長之情況下提供個別光束。光偵測器可為單個元件，或其視需要可包含數個像素。光偵測器可包含感測器陣列。
在此實例中包含光點鏡面SM之轉向光學器件亦可用以阻擋自標記反射之零階輻射，以使得資訊攜載光束IB僅包含來自標記AM之高階繞射輻射(此對於量測並非必需，但改良信雜比)。
強度信號SI經供應至處理單元PU。藉由區塊SRI中進行之光學處理與在單元PU中進行之運算處理的組合來輸出基板相對於參考框架之X位置及Y位置的值。
所說明類型之單個量測僅將標記之位置固定在對應於該標記之一個節距的某一範圍內。結合此量測來使用較粗略量測技術，以識別正弦波之哪一週期為含有經標記位置之週期。可在不同波長下重複較粗略及/或較精細層級下之同一程序，以用於增加準確度及/或用於穩固地偵測標記，而無關於製成標記之材料及供標記提供於上方及/或下方之材料。可光學地多工及解多工該等波長以便同時地處理該等波長，及/或可藉由分時或分頻而多工該等波長。
在此實例中，對準感測器及光點SP保持靜止，而基板W移動。因此，對準感測器可剛性地且準確地安裝至參考框架，同時在與基板W之移動方向相對之方向上有效地掃描標記AM。基板W在此移動中係藉由其安裝於基板支撐件及控制基板支撐件之移動之基板定位系統來控制。基板支撐件位置感測器(例如干涉計)量測基板支撐件之位置(未展示)。在實施例中，一或多個(對準)標記提供於基板支撐件上。對設置於基板支撐件上之標記之位置的量測允許校準如由位置感測器所判定之基板支撐件的位置(例如相對於對準系統所連接之框架)。對設置於基板上之對準標記之位置的量測允許判定基板相對於基板支撐件之位置。
微影設備可在微影圖案化程序之前、在微影圖案化程序期間及/或在微影圖案化程序之後使用度量衡工具MT以用於量測基板、圖案及設備之屬性。度量衡工具MT可使用掃描器度量衡來量測例如基板(也稱為晶圓)對準、調平映射等。對準AL及調平LVL量測資料可例如用於在例如晶圓台夾盤之晶圓台上之基板的準確定位。諸如對準AL及調平LVL之掃描器度量衡資料可用於由微影設備曝光之各基板。掃描器度量衡資料可用於基板上之各曝光層。相比之下，可僅對基板群組中之基板子集(例如批次25)量測一些屬性(例如疊對)。由於可用於各經暴露基板，因此可使用對準及/或調平資料以縮減基板上之圖案化層之間的疊對誤差。由於掃描器度量衡資料之可用性，其可適用於對基板之全面分析。舉例而言，分析可旨在發現隱藏指紋源用於基板及/或用於檢測展現自預期結果之偏移的基板。指紋可為資料值中之獨特特性或獨特特性集合，其允許識別微影設備及/或程序之任何態樣。諸如機器學習模型之包括所謂「深」機器學習模型(例如含有多於一個隱藏層之模型)之模型可提供發現及識別隱藏指紋源的構件。有利地，模型可以無監督方式自未標記度量衡資料達成此發現及識別。一或多個隱藏指紋源之識別可進一步使得能夠開發用於與微影設備相關之不同應用的特定預測模型(例如用於微影之虛擬疊對度量衡預測)及/或分類模型(例如偏移偵測)。此等應用可例如包括預測性維護、更新配方設定等。
除微影設備以外，用於半導體製造製程之蝕刻工具亦可使用來自度量衡資料之輸入，諸如在經受蝕刻步驟之後在基板上量測之疊對，以分析其是否經恰當地組態。舉例而言，疊對資料可用於組態或監視用於控制或監視蝕刻工具之參數，諸如在蝕刻腔室內分佈之溫度、電壓偏置、與導向電漿蝕刻方向相關聯之電場特性或在蝕刻程序期間使用之電漿組件之化學濃度。以全文引用之方式併入本文中之國際專利申請案WO2018099690提供關於在監視及組態蝕刻工具中之度量衡資料的使用之更多資訊。因此，蝕刻工具內之內部感測器亦可視為對基板特性具有明顯效應之潛在相關度量衡資料，諸如：疊對、CD、邊緣置放誤差(EPE)、對準標記之幾何形狀等等。此類蝕刻工具相關度量衡資料之實例為蝕刻腔室溫度量測、電場特性、電漿濃度參數、蝕刻劑或其他物質之(部分)壓力。類比至微影設備，一或多個隱藏指紋源之識別可進一步使得能夠開發用於與蝕刻工具相關之不同應用的特定預測模型(例如，用於蝕刻步驟之虛擬疊對度量衡預測)及/或分類模型(例如，偏移偵測)。此等應用可例如包括預測性維護、更新蝕刻工具配方設定等。
來自微影設備或蝕刻工具或度量衡工具或檢測工具之度量衡資料可為高維度的。亦即，其可遞送包含複數個不同參數之大量資料，各參數表示不同維度。舉例而言，度量衡資料可具有大約10個或更多維度，例如24個維度或更多。分析高維度資料可需要可以簡潔及可解譯方式表示高維度資料之已知模型，或將高維度資料映射至較低維度(2D或3D)空間之方式。與較高維度表示相比較，資料之較低維度表示可更適合於人類之解釋及分析。此外，在自動化分析中使用較低維度表示資料可在運算上更便宜及/或更快。
諸如主成分分析(PCA)之維度縮減技術為吾人所知，且可通常用於將高維度映射至用於指紋分析之低維度表示中。然而，諸如PCA之線性方法在捕捉存在於高維度資料中之非線性結構時未必總是良好。然而，對於許多診斷應用，識別隱藏及複雜指紋源可尤其有益。舉例而言，在給出在經微影曝光基板之特定層堆疊處搜集之度量衡資料的情況下，識別(例如，使用PCA或甚至觀測)由彼層處所使用之掃描器及夾盤引起的指紋可相對直接。然而，在處理晶圓之若干層堆疊時來自若干氧化-夾盤組合之指紋貢獻可係複雜的且難以藉由PCA來捕捉。
作為PCA之替代方案，非線性嵌入技術可能夠模型化及顯露高維度資料中之複雜結構。因此，非線性嵌入技術可允許在高維度資料中識別微妙指紋。然而，學習可準確地捕捉高維度資料中之複雜非線性關係之參數模型為具挑戰性的問題。此外，諸如t-分佈隨機鄰域嵌入(t-Distributed Stochastic Neighbor Embedding；tSNE)之現有當前最新技術非線性嵌入技術不提供將新近獲取晶圓資料映射至已學習映射的顯函數。顯式映射函數對於在需要即時分析之製造環境中應用經訓練模型係特別有益的。舉例而言，在微影製造環境中可連續地處理基板，且可需要即時地進行對各晶圓之推斷。另一挑戰可為例如使用深機器學習模型創建非線性嵌入功能函數可涉及運算上昂貴的操作。在使用先前技術之情況下，可花費數天來訓練此類模型，此可致使此類模型對於諸如與微影設備相關之連續運行應用之一些使用(諸如預測性維護、配方更新等)不切實際。另外，簡化運算複雜度之近似值常常導致次佳結果。
為克服上文所提及之挑戰中之至少一些，本文中提議使用非線性參數模型將高維度資料映射至較低維度空間上。非線性參數模型之實例可為深度神經網路(DNN)模型，此係因為DNN模型能夠使用可以無監督方式提取之階層式特徵成功地模型化廣泛多種複雜功能。一旦經訓練，DNN模型亦可為適合的且易於部署至生產環境中。
圖7描繪用於將與設備有關之高維度資料映射至資料之較低維度表示的方法之流程圖。獲得與設備相關之高維度資料702。高維度資料具有第一維度N，其中N大於2。獲得非線性參數模型704，該模型已經訓練以將高維度資料之訓練集映射至較低維度表示上。該較低維度表示具有第二維度M，其中M小於N。已使用經組態以使該映射保持高維度資料之該訓練集中之局部相似性的一成本函數來訓練該模型。訓練演算法可為反向傳播演算法。在步驟706中，使用模型將所獲得高維度資料映射至對應較低維度表示。
高維度資料中之各資料點可具有在較低維度表示中之對應資料點。藉由訓練模型映射可包含針對高維度表示中之各資料點之至較低維度表示中的其對應資料點之映射。資料點亦可稱為樣本。
可判定資料點對之間的成對相似性。可針對高維度資料點及較低維度表示資料點兩者計算此等成對相似性。一旦已計算成對相似性之兩個集合，則保持局部相似性可包含最小化高維度資料與低維度資料之成對相似性之間的差異。此判定可使用成本函數且使用例如反向傳播來訓練模型來進行。
為了捕捉資料集合之資料點中之類似高維度值，非線性嵌入技術可涉及使用例如歐幾里得距離之距離度量(儘管可使用其他距離量測)來運算新近捕捉資料點之間的成對相似性。可在資料點之所有樣本對之間計算距離度量。可在新近捕捉高維度資料及該資料之低維度表示兩者中計算距離度量。一旦已計算距離度量，就可最佳化目標或使用距離度量之成本函數。目標/成本函數可最小化高維度量測與低維度表示之經運算成對相似性之間的差異。
一般而言，可在具有或不具有可捕捉自高維度至低維度空間之變換之函數的情況下最佳化成本函數。若其在無函數之情況下經最佳化，則如在諸如tSNE之技術中進行，接著新近獲取量測併入至現有映射中。另一方面，若最佳化連同模型化變換之函數一起進行，諸如非線性參數模型(例如DNN)，則一旦經訓練，函數就可用於將新資料合併至現有映射中。應注意，可在兩種情況下最佳化同一目標函數。因此，上文所描述之方法之優勢為該模型提供在學習映射中包括新近獲取之高維資料的顯式方式。
實例非線性參數模型為深度神經網路DNN。儘管DNN可實現模型化任何非線性嵌入函數，但其亦可在藉由較大數目個資料點訓練時造成額外複雜度。在DNN模型訓練反覆期間，可規則地混洗訓練樣本，以便減小最佳化演算法陷入成本函數之不良局部最小值之風險。此混洗樣本可需要重新運算所有混洗樣本對之成對相似性，抑或創建一查找表以提取先前運算之值。兩種方法在計算上皆係昂貴的，尤其在訓練樣本較大(亦即在資料點具有高維度之情況下)時。在一些實例實施中，本文所描述之模型能夠在數小時中有效地訓練，同時亦能夠捕捉高維度相似性且將其維持在較低維度表示中。此優勢可藉由用至少快一個數量級之簡單線性運算替換計算上昂貴之運算(諸如重新運算成對相似性)來達成。一旦經訓練，模型進一步提供如下優勢：其可創建自高維度資料至較低維度表示之映射函數，此有利於即時製造鏈接之應用。具有可在數小時中訓練之模型的另一優勢可為：當資料變成可用時,可重新訓練模型。歸因於快速訓練時間，新資料之效應可在提供/產生資料之後快速地(訓練持續時間，亦即數小時)付諸實施。此可允許模型在設備運行時考量資料(例如，設備之特徵隨著時間推移而緩慢改變)之漂移。
歸因於較快訓練程序，可在較快時間量中訓練較複雜(例如具有較多層之深神經網路)模型。歸因於非線性參數性質及/或模型之增加之深度/複雜度，模型可較佳地能夠保持局部相似性。因此，較低維度表示可能能夠識別資料中之較小差異。DNN對差異之此增加識別的實例係關於下文圖8及圖9描述。
上文所描述之所提議基於DNN之參數非線性嵌入技術旨在保持樣本對之間的局部相似性。因此，其可涉及所有訓練樣本對之間的親和性或相似性矩陣之運算。對於 N個訓練樣本，可運算 N×N個相似性矩陣。經最佳化成本函數可藉由下式給出： 在上式中， S 及 Q 可分別表示高維度及低維度表示中之所有樣本對之間的成對相似性。s ij可表示高維度空間中之樣本I與樣本j之間的成對相似性。q ij可表示較低表示空間中之樣本I與樣本j之間的成對相似性。KL可表示庫貝克-李柏散度。此成本函數並非凸型的，且為降低最佳化演算法陷入不良局部最小值之風險，可在DNN訓練期間規則地應用訓練樣本之隨機混洗。此進而可需要再次重新運算相似性矩陣 S 或在混洗之後查找成對相似性中之各者。此可為耗時的及/或計算上昂貴的程序。準確地及高效地訓練所提議的基於DNN之非線性嵌入的技術之導出在下文中闡述。可關於本文所描述之非線性參數模型之訓練而使用此技術。
讓 X 為 N個 m維度訓練資料點之集合之矩陣表示， 且 S 為由在兩個樣本i與j之間的在高維空間中之成對相似性 組成的相似性矩陣，可寫成 其中 且 為樣本 i與 j之間的成對歐幾里得距離之平方
對稱成對相似性矩陣 S 之項可因此以由成對歐幾里得距離 判定。對於所有樣本，成對歐幾里得距離為由下式給出之具有 N×N之對稱矩陣
成對歐幾里得距離 D 可自高維度樣本如下運算 其中 為 N個項1之向量。
當樣本經混洗時，成對歐幾里得距離保持相同；然而其在 D 中之相對位置改變。在數學上，混洗樣本等同於將左側之高維度資料點矩陣 乘以如下置換矩陣 P 其中置換矩陣 P為恰好具有各列及行中之1之一個項的正方形矩陣。交換前兩個樣本之實例置換矩陣將為單位矩陣，其中前兩列交換如下
在樣本藉由 P混洗之後，藉由以下給出新(混洗)成對歐幾里得距離 使用置換矩陣之屬性 ，等式5亦可寫為 亦應注意
將等式7代入至等式6且應用矩陣因式分解，可將新成對平方歐幾里得距離矩陣簡化為
因此，對於所有樣本對， D (及相似性矩陣 S )有可能僅準確地運算一次。該結果可在DNN訓練期間藉由與隨機產生混洗矩陣 P進行簡單矩陣乘法操作來重複使用。不同於將訓練樣本分成批次且運算各批次之相似性，上文所描述之技術可準確地捕捉所有樣本對之間的總體相似性。此可加速基於DNN之非線性模型訓練，其中樣本在各反覆中經混洗。
可在本文所描述之方法中之一些中應用用以解決此等挑戰的準確且計算上高效方法，其作為實例，在下文進行更詳細地描述。總而言之，可藉由使用計算上不太昂貴之線性運算子模型化樣本混洗步驟來改良樣本混洗。此等線性運算子在各反覆中可為可管理的。此可使得計算上昂貴之運算能夠在開始時僅進行一次，且可允許在後續反覆中再使用該等結果。涉及來自17,100個基板之資料之實驗已展示：此方法可實現計算時間在各反覆中縮減19倍(亦即，4秒對75秒)。
上文所描述之方法可經應用以捕捉關於自微影設備及/或蝕刻工具搜集之量測資料的隱藏指紋源。該資料可包含例如大量生產基板(例如，大約17, 000個)之對準殘餘資料。量測資料可已在不同掃描器上予以處理。舉例而言，對準資料可已對三個氟化氬(ArF)及兩個氟化氪(KrF)掃描器進行處理以分別圖案化淺溝槽隔離(STI)及植入(IMPL)層。可已自各基板上之複數個目標獲得量測資料。各目標讀取可表示用於特定基板之資料之不同維度N。在本文中所論述之實例中，對準量測可在IMPL層經曝光時自24個目標位置讀取，藉此產生24維度映射。亦可針對基板獲得其他資料，例如調平資料及/或對準資料。此等資料可用於分析及/或控制分析程序。
圖8描繪根據不同方法處理之高維度資料之較低維度表示。具體而言，高維度資料可為例如如上文所描述之微影基板之24維度對準量測。
在圖8(a)及圖8(b)中，基於PCA之線性嵌入技術為用於判定較低維度表示。如所展示，高維度資料之24維度已減小至2維度空間，且以圖形方式表示。軸線可表示較低維度，其未必需要具有實體上有意義的解譯。在圖8(a)中，可清晰地區分兩個個別群集802與804。此群集可表示對應於高維度資料中之最大變化的第一指紋貢獻，該第一指紋貢獻已保持於2D表示中。此最大變化可例如由使用KrF掃描器中之一者中的2個差異夾盤所導致。如所預期，最大變化能夠藉由基於PCA之線性嵌入技術捕捉。然而，第二變化掃描器之第二指紋貢獻未被良好地捕捉。在圖8(b)中，對應於3個不同ArF掃描器之資料點806、808及810並未被識別為分離群集。此說明基於PCA之線性嵌入技術在識別複雜指紋時之侷限性。
在圖8(c)及圖8(d)中，非線性參數模型用於將高維度資料映射至較低維度(在此實例中，2D)表示上。模型可為基於DNN之非線性嵌入技術。如可見，可自較低維度表示識別第一指紋貢獻(群集812及814)及第二指紋貢獻(群集816、818、820)兩者。在此特定實例之上下文中，第一組群集812及814係關於KrF掃描器中之不同夾盤，且第二組群集係關於不同ArF掃描器。此說明非線性參數模型可較敏感，且較佳能夠保持高維度資料中之複雜指紋貢獻。
在圖9中，展示除了上文關於圖8所描述之指紋源之外亦可識別另一指紋貢獻的實例。曲線圖表示藉由如本文所描述之非線性參數模型映射之較低維度表示。在圖9(a)中，群集912及914經標記，其可識別第一指紋貢獻。第一指紋貢獻可對應於用於KrF掃描器中之兩個不同夾盤導致之變化(與展示為圓點之夾盤1相關的資料及與展示為方塊之夾盤2相關的資料)。在圖9(b)中，群集916、918及920經標記，其可識別第二指紋貢獻。第二指紋貢獻可對應於由用於基板上之不同ArF掃描器導致的變化(與展示為圓點之掃描器A相關的資料、與展示為方塊之掃描器B相關的資料及與展示為較小方塊之掃描器相關的資料)。使用所提議非線性參數模型可另外能夠隨著時間推移顯露第三指紋變化(參見圖9(c))。此第三指紋貢獻可由群集922及924表示。群集922可含有自3月(圓點)獲得之資料點，而群集924可含有自4月(方塊)、5月(較小方塊)及6月(較小圓點)獲得之資料點。此可指示在3月中獲得之資料與在稍後幾個月中獲得之資料之間的時間中，程序中某物發生改變。此掃描器指紋隨時間推移之改變可歸因於若干因素。其可例如出現在掃描器維護之後，或可由於隨時間推移之程序漂移而出現。模型之此識別可用於觸發後續量測，諸如漂移偵測機制，以考慮隨時間推移之指紋改變。
儘管上文所展現及描述之改良係基於對準量測，但本發明亦可應用於其他高維度掃描器資料，例如調平資料映射，及/或來自其他度量衡工具之量測。此外，就機率或除了歐幾里得距離之外的其他距離度量而言，亦可併有局部相似性度量。
基於以上關於圖8及圖9所描述之實例，本文中所描述之方法可進一步包含識別較低維度表示中之兩個或更多個群集之群集。對於經識別群集中之各者，可識別與群集中相關聯的高維度資料之一或多個維度。群集可與高維度資料之相關聯經識別維度中的局部相似性相關聯。
較低維度表示/指紋之分析可由一或多個人執行。替代地或另外，分析可藉由一或多個其他模型執行。基於對經識別指紋之分析，可相對於高維度資料相關之微影程序採取一或多個動作。動作可例如包含執行微影設備之維護的決策。可使用經識別群集來判定何時執行維護。所識別維度可用於判定對設備之哪些部分執行維護。在另一實例中，動作可包含對設備之設定作出調整。基於較低維度表示及/或相關所識別指紋，方法可包含判定對微影設備及/或蝕刻工具之設定的調整及/或用於蝕刻或曝光基板之配方設定。方法可包含回應於分析輸出警示以執行動作，例如輸出警示執行對設備之維護或對設備之設定作出調整。方法可進一步包含控制設備執行動作，例如對設備實施經判定調整。
圖10描繪用於微影製造應用中之非線性參數模型1004之所提議前饋使用的示意性綜述。具體而言，具有如上文所描述之成本函數之非線性DNN嵌入模型1004可獲得與一或多個微影設備及/或微圖案化基板相關之高維度資料w 1…w N1002。w 1…w N可為具有N個維度之高維度基板掃描器度量衡資料1002，其中N顯著大於2。可將高維度資料作為輸入提供至模型1004。模型1004可處理高維度資料1004以判定較低維度表示1006。較低維度表示可具有M個維度。M可例如為2或3。M=2或M=3為有利選擇，且其適合於適合於由人類分析員解譯之圖形表示。基於較低維度表示1006，可識別高維度資料1002內之指紋1008。指紋1008可經由對較低維度表示之分析而識別，其中分析可包括例如由人類分析員進行之分析或藉由一或多個模型進行之處理。可能在高維資料1002旁邊將指紋1008提供至預測及/或分類模型1010，及/或與資料相關之任何其他應用。
儘管本文中關於微影設備進行描述，但應理解，本文中所描述之方法可關於與其他設備及系統(例如蝕刻工具、度量衡工具及(缺陷)檢測工具)相關之高維資料加以使用。
儘管可在本文中特定地參考在IC製造中對微影設備之使用，但應理解，本文中所描述之微影設備可具有其他應用。可能其他應用包括製造整合式光學系統、用於磁域記憶體之導引及偵測圖案、平板顯示器、液晶顯示器(LCD)、薄膜磁頭等。
儘管可在本文中特定地參考在微影設備之上下文中的本發明之實施例，但本發明之實施例可用於其他設備。本發明之實施例可形成遮罩檢測設備、度量衡設備或量測或處理諸如晶圓(或其他基板)或遮罩(或其他圖案化裝置)之物件之任何設備的部分。此等設備可通常稱為微影工具。此類微影工具可使用真空條件或環境(非真空)條件。
儘管上文可能已經特定地參考在光學微影之上下文中對本發明之實施例的使用，但應瞭解，在上下文允許之情況下，本發明不限於光學微影，且可用於例如壓印微影之其他應用中。
在下文經編號條項之清單中揭示本揭示之其他實施例： 1. 一種電腦實施方法，其用於將與一微影、蝕刻、度量衡或檢測設備中之一或多者相關之高維度資料映射至該資料之一較低維度表示，該方法包含：獲得與該設備相關之高維度資料，該高維度資料具有大於2之第一維度N；獲得已經訓練以將高維度資料之一訓練集映射至一較低維度表示上之一非線性參數模型，該較低維度表示具有第二維度M，其中M小於N，且其中該模型已使用經組態以使該映射保持高維度資料中之該訓練集中之局部相似性的一成本函數訓練；及使用該模型將所獲得高維度資料映射至對應較低維度表示。 2. 如條項2之方法，其中該非線性參數模型為一神經網路。 3. 如前述條項中任一項之方法，其中該映射包含針對該高維度資料中之各資料點之至該較低維度表示中的一對應資料點之一映射。 4. 如前述條項中任一項之方法，其中保持局部相似性包含最小化該高維度資料中之資料點與該較低維度表示中之對應資料點之間的成對相似性差異。 5. 如前述條項中任一項之方法，其中該成本函數係基於一對稱成對相似性度量。 6. 如條項5之方法，當取決於條項3時，其中該成本函數C為 其中KL為一庫貝克-李柏散度，S為由高維度空間中之成對相似性s ij組成之一相似性矩陣，且Q為較低維度表示空間中之成對相似性q ij之一相似性矩陣。 7. 如前述條項中任一項之方法，其中該設備為半導體製造工業中之一設備。 8. 如條項3之方法，其中該設備為一微影設備、經組態以蝕刻一基板之一設備、一度量衡設備或一檢測設備中之一者。 9. 如條項8之方法，其中該所獲得高維度資料包含以下中之一或多者：對準資料、調平資料、蝕刻腔室電場資料、蝕刻腔室溫度資料、蝕刻腔室電漿濃度資料。 10.    如條項8至9中任一項之方法，其中該所獲得高維度資料包含疊對資料。 11.    如條項8至10中任一項之方法，其中該所獲得高維度資料包含調平資料。 12.    如前述條項中任一項之方法，其進一步包含：識別該對應較低維度表示中之一群集；及判定與該群集相關聯之一或多個第一維度，其中該群集與該高維度資料中之該等局部相似性相關聯。 13.    如前述條項中任一項之方法，其進一步包含：基於該較低維度表示判定執行該設備之維護。 14.    如條項13之方法，其進一步包含：輸出一警示以使得執行該維護。 15.    如前述條項中任一項之方法，其進一步包含：基於該較低維度表示判定對該設備之設定的一調整。 16.    如條項15之方法，其進一步包含：控制該設備以使得進行該調整。 17.    如條項8之方法，其進一步包含：基於該較低維度判定一微影曝光配方或蝕刻工具配方之一調整。 18.    如條項17之方法，其進一步包含：實施對用於導致該微影曝光配方或蝕刻工具配方之該調整的該設備之設定之一或多個改變。 19.    一種電腦程式，其經組態以執行如條項1至18中任一項之一方法。 20.    一種設備，其包含一處理器及一記憶體，該記憶體包含在由該處理器執行時導致該處理器執行如條項1至18中任一項之方法的指令。 21.    一種微影設備或蝕刻工具，其包含如條項20之一設備。 22.    一種微影單元，其包含如條項20至21中任一項之一設備。
雖然上文已描述本發明之特定實施例，但應瞭解，可以與所描述方式不同之其他方式來實踐本發明。上述描述意欲為說明性的，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡述之申請專利範圍之範疇的情況下對如所描述之本發明進行修改。
雖然特定地參考「度量衡設備/工具/系統」或「檢測設備/工具/系統」，但此等術語可指相同或類似類型之工具、設備或系統。舉例而言，包含本發明之一實施例的檢測或度量衡設備可用於判定基板上或晶圓上之結構的特性。例如，包含本發明之實施例的檢測設備或度量衡設備可用於偵測基板之缺陷或基板上或晶圓上之結構的缺陷。在此實施例中，基板上之結構的所關注特性可能係關於結構中之缺陷、結構之特定部分的不存在或基板上或晶圓上之非所要結構之存在。
2:寬頻(白光)輻射投影器 4:光譜儀偵測器 5:輻射 6:光譜 8:結構/輪廓 10:輻射 702:步驟 704:步驟 706:步驟 802:群集 804:群集 806:資料點 808:資料點 810:資料點 812:群集 814:群集 816:群集 818:群集 820:群集 912:群集 914:群集 916:群集 918:群集 920:群集 922:群集 1002:高維度資料 1004:非線性參數模型 1006:較低維度表示 1008:指紋 1010:預測及/或分類模型 AL:對準 AM:標記 ANG:入射角 AS:對準感測器 B:輻射光束 BD:光束遞送系統 BE1:輻射光束 BE2:箭頭 BK:烘烤板 C:目標部分 CH:冷卻板 CL:電腦系統 DE:顯影器 DET:偵測器 DGR:偵測光柵 I/O1:輸入/輸出埠 I/O2:輸入/輸出埠 IB:資訊攜載光束 IF:位置量測系統 IL:照射系統/照明器 INT:強度 LA:微影設備 LACU:微影控制單元 LB:裝載區 LC:微影單元 LS:高度感測器/位階感測器 LSB:輻射光束 LSD:偵測單元 LSO:輻射源 LSP:投影單元 LVL:調平 M1:遮罩對準標記 M2:遮罩對準標記 MA:圖案化裝置 MLO:量測位置 MT:度量衡工具 OL:物鏡 P1:基板對準標記 P2:基板對準標記 PD:光偵測器 PEB:曝光後烘烤步驟 PGR:投影光柵 PM:第一定位器 PS:投影系統 PU:處理單元 PW:第二定位器 RB:輻射光束 RO:機器人 RSO:輻射源 SC:旋塗器 SC1:第一標度 SC2:第二標度 SCS:監督控制系統 SI:強度信號 SM:光點鏡面 SM1:散射計 SO:輻射源 SP:照明光點 SRI:自參考干涉計 T:遮罩支撐件 TCU:塗佈顯影系統控制單元 W:基板 WT:基板支撐件 X:軸 Y:軸 Z:軸 λ:波長
現在將參看隨附示意性圖式僅藉由實例來描述本發明之實施例，在該等隨附示意性圖式中： -  圖1描繪微影設備之示意圖綜述； -  圖2描繪微影單元之示意性綜述； -  圖3描繪整體微影之示意性表示，其表示最佳化半導體製造之三種關鍵技術之間的合作； -  圖4描繪散射計之示意性表示； -  圖5描繪位階感測器之示意性表示； -  圖6描繪對準感測器之示意性表示； -  圖7描繪用於將與設備有關之高維度資料映射至資料之較低維度表示的方法之流程圖； -  圖8(a)至圖8(d)描繪高維度資料之實例圖形較低維度表示； -  圖9(a)至圖9(c)描繪高維度資料之實例圖形較低維度表示；及 -  圖10描繪用於微影製造應用中之非線性參數模型之示意性綜述。
702:步驟
704:步驟
706:步驟

Claims (15)

  1. 一種電腦實施方法，其用於將與在一半導體製造製程中使用之一或多個設備相關之高維度資料映射至該資料的一較低維度表示，其中該一或多個設備為以下中之一或多者：一微影設備、一蝕刻工具、一度量衡設備或一檢測設備，該方法包含： 獲得與該一或多個設備相關之高維度資料，該高維度資料具有大於2之第一維度N； 獲得已經訓練以將高維度資料之一訓練集映射至一較低維度表示上之一非線性參數模型，該較低維度表示具有第二維度M，其中M小於N，且其中該模型已使用經組態以使該映射保持高維度資料之該訓練集中之局部相似性的一成本函數訓練；及 使用該模型將所獲得高維度資料映射至該對應之較低維度表示。
  2. 如請求項1之方法，其中該非線性參數模型為一神經網路。
  3. 如請求項1之方法，其中該映射包含針對該高維度資料中之各資料點之至該較低維度表示中的一對應資料點之一映射。
  4. 如請求項1之方法，其中保持局部相似性包含最小化該高維度資料中之資料點與該較低維度表示中之對應資料點之間的成對相似性差異。
  5. 如請求項3之方法，其中該成本函數係基於一對稱成對相似性度量。
  6. 如請求項5之方法，其中該成本函數C為 其中KL為一庫貝克-李柏散度(Kullback-Leibler divergence)，S為由高維度空間中之成對相似性s ij組成之一相似性矩陣，且Q為較低維度表示空間中之成對相似性q ij之一相似性矩陣。
  7. 如請求項1之方法，其中該所獲得高維度資料包含以下中之一或多者：在該蝕刻工具之一蝕刻腔室中執行之量測、對準資料、疊對資料或調平資料。
  8. 如請求項1之方法，其進一步包含：識別該對應之較低維度表示中之一群集；及判定與該群集相關聯之一或多個第一維度，其中該群集與該高維度資料中之該等局部相似性相關聯。
  9. 如請求項1之方法，其進一步包含： 基於該較低維度表示判定是否對該一或多個設備執行一維護動作。
  10. 一種電腦程式，其用於將與在一半導體製造製程中使用之一或多個設備相關之高維度資料映射至該資料的一較低維度表示，其中該一或多個設備為以下中之一或多者：一微影設備、一蝕刻工具、一度量衡設備或一檢測設備，該電腦程式包含經組態以進行以下操作之機器可讀指令： 獲得與該一或多個設備相關之高維度資料，該高維度資料具有大於2之第一維度N； 獲得已經訓練以將高維度資料之一訓練集映射至一較低維度表示上之一非線性參數模型，該較低維度表示具有第二維度M，其中M小於N，且其中該模型已使用經組態以使該映射保持高維度資料之該訓練集中之局部相似性的一成本函數訓練；及 使用該模型將該所獲得高維度資料映射至該對應之較低維度表示。
  11. 如請求項10之電腦程式，其中該非線性參數模型為一神經網路。
  12. 如請求項10之電腦程式，其中該映射包含針對該高維度資料中之各資料點之至該較低維度表示中的一對應資料點之一映射。
  13. 如請求項10之電腦程式，其中保持局部相似性包含最小化該高維度資料中之資料點與該較低維度表示中之對應資料點之間的成對相似性差異。
  14. 如請求項12之電腦程式，其中該成本函數係基於一對稱成對相似性度量。
  15. 如請求項11之電腦程式，其進一步包含經組態以進行以下操作之指令：識別該對應之較低維度表示中之一群集；及判定與該群集相關聯之一或多個第一維度，其中該群集與該高維度資料中之該等局部相似性相關聯。
TW111126012A 2021-07-20 2022-07-12 用於低維度資料分析之資料映射之方法及電腦程式 TWI811015B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP21186555 2021-07-20
EP21186555.5 2021-07-20
EP21189299.7A EP4130880A1 (en) 2021-08-03 2021-08-03 Methods of data mapping for low dimensional data analysis
EP21189299.7 2021-08-03

Publications (2)

Publication Number Publication Date
TW202309759A TW202309759A (zh) 2023-03-01
TWI811015B true TWI811015B (zh) 2023-08-01

Family

ID=82446520

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111126012A TWI811015B (zh) 2021-07-20 2022-07-12 用於低維度資料分析之資料映射之方法及電腦程式

Country Status (5)

Country Link
US (1) US20240369943A1 (zh)
EP (1) EP4374226A1 (zh)
KR (1) KR20240035804A (zh)
TW (1) TWI811015B (zh)
WO (1) WO2023001463A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7209835B2 (ja) * 2018-11-30 2023-01-20 エーエスエムエル ネザーランズ ビー．ブイ． 機械学習モデル予測における不確実性を減少させる方法
WO2025036636A1 (en) * 2023-08-16 2025-02-20 Asml Netherlands B.V. Remaining useful lifetime estimation using multivariate signals

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190206041A1 (en) * 2017-12-28 2019-07-04 Kla-Tencor Corporation Inspection of reticles using machine learning
US20200020092A1 (en) * 2018-07-13 2020-01-16 Asml Netherlands B.V. Pattern grouping method based on machine learning
TW202121067A (zh) * 2017-12-19 2021-06-01 荷蘭商Ａｓｍｌ荷蘭公司 基於計算度量衡之校正和控制

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60319462T2 (de) 2002-06-11 2009-03-12 Asml Netherlands B.V. Lithographischer Apparat und Verfahren zur Herstellung eines Artikels
JP3977324B2 (ja) 2002-11-12 2007-09-19 エーエスエムエル ネザーランズ ビー．ブイ． リソグラフィ装置
KR100606502B1 (ko) 2003-01-14 2006-08-02 에이에스엠엘 네델란즈 비.브이. 리소그래피 장치용 레벨센서
US7265364B2 (en) 2004-06-10 2007-09-04 Asml Netherlands B.V. Level sensor for lithographic apparatus
US7791727B2 (en) 2004-08-16 2010-09-07 Asml Netherlands B.V. Method and apparatus for angular-resolved spectroscopic lithography characterization
NL1036245A1 (nl) 2007-12-17 2009-06-18 Asml Netherlands Bv Diffraction based overlay metrology tool and method of diffraction based overlay metrology.
NL1036476A1 (nl) 2008-02-01 2009-08-04 Asml Netherlands Bv Alignment mark and a method of aligning a substrate comprising such an alignment mark.
NL1036734A1 (nl) 2008-04-09 2009-10-12 Asml Netherlands Bv A method of assessing a model, an inspection apparatus and a lithographic apparatus.
NL1036857A1 (nl) 2008-04-21 2009-10-22 Asml Netherlands Bv Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method.
WO2010040696A1 (en) 2008-10-06 2010-04-15 Asml Netherlands B.V. Lithographic focus and dose measurement using a 2-d target
EP2228685B1 (en) 2009-03-13 2018-06-27 ASML Netherlands B.V. Level sensor arrangement for lithographic apparatus and device manufacturing method
JP5545782B2 (ja) 2009-07-31 2014-07-09 エーエスエムエル ネザーランズ ビー．ブイ． リソグラフィ装置の焦点測定方法、散乱計、リソグラフィシステム、およびリソグラフィセル
NL2007176A (en) 2010-08-18 2012-02-21 Asml Netherlands Bv Substrate for use in metrology, metrology method and device manufacturing method.
US9606442B2 (en) 2012-07-30 2017-03-28 Asml Netherlands B.V. Position measuring apparatus, position measuring method, lithographic apparatus and device manufacturing method
CN110553602B (zh) 2014-11-26 2021-10-26 Asml荷兰有限公司 度量方法、计算机产品和系统
JP6462883B2 (ja) 2014-12-22 2019-01-30 エーエスエムエル ネザーランズ ビー．ブイ． レベルセンサ、リソグラフィ装置、及びデバイス製造方法
EP3311224B1 (en) 2015-06-17 2022-11-16 ASML Netherlands B.V. Recipe selection based on inter-recipe consistency
KR102312245B1 (ko) 2016-12-02 2021-10-13 에이에스엠엘 네델란즈 비.브이. 에치 파라미터를 변화시키는 방법
US10885627B2 (en) * 2018-04-03 2021-01-05 Nec Corporation Unsupervised neighbor-preserving embedding for image stream visualization and anomaly detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202121067A (zh) * 2017-12-19 2021-06-01 荷蘭商Ａｓｍｌ荷蘭公司 基於計算度量衡之校正和控制
US20190206041A1 (en) * 2017-12-28 2019-07-04 Kla-Tencor Corporation Inspection of reticles using machine learning
TW201937163A (zh) * 2017-12-28 2019-09-16 美商克萊譚克公司 使用機械學習檢查光罩
CN111480179A (zh) * 2017-12-28 2020-07-31 科磊股份有限公司 使用机器学习检验光罩
US20200020092A1 (en) * 2018-07-13 2020-01-16 Asml Netherlands B.V. Pattern grouping method based on machine learning

Also Published As

Publication number Publication date
TW202309759A (zh) 2023-03-01
KR20240035804A (ko) 2024-03-18
WO2023001463A1 (en) 2023-01-26
US20240369943A1 (en) 2024-11-07
EP4374226A1 (en) 2024-05-29

Similar Documents

Publication Publication Date Title
US20240412067A1 (en) Metrology Apparatus And Method For Determining A Characteristic Of One Or More Structures On A Substrate
TWI791889B (zh) 校準複數個度量衡設備的方法、判定所關注參數的方法及度量衡設備
US11106142B2 (en) Metrology recipe selection
CN111656282B (zh) 确定衬底栅格的测量设备和方法
KR101457030B1 (ko) 오버레이 오차를 결정하는 장치 및 방법
US8908147B2 (en) Method and apparatus for determining an overlay error
JP5739988B2 (ja) 基板上の構造の測定
KR20200111814A (ko) 기판 상의 하나 이상의 구조체의 특성을 결정하기 위한 계측 장치 및 방법
KR102522444B1 (ko) 트레이닝된 뉴럴 네트워크 제공 및 물리적 시스템의 특성 결정
TW201706723A (zh) 度量衡方法及設備、電腦程式及微影系統
TWI811015B (zh) 用於低維度資料分析之資料映射之方法及電腦程式
JP4828499B2 (ja) 検査方法および装置、リソグラフィ装置、リソグラフィ処理セルおよびデバイス製造方法
TWI643028B (zh) 二維或三維形狀之階層式表示
KR102821159B1 (ko) 측정 레시피를 결정하기 위한 방법 및 연관된 장치들
US20210097665A1 (en) Model based reconstruction of semiconductor structures
CN120641821A (zh) 用于根据图像数据预测过程信息的方法和系统
EP4130880A1 (en) Methods of data mapping for low dimensional data analysis
CN118265953A (zh) 获得表征制造过程的参数