KR20220123301A - 물리적 모델링과 머신 학습 결합 - Google Patents

Abstract

참조 파라미터 수신하는 단계, 측정된 스캐터로메트리 데이터의 복수 세트 수신하는 단계, 그리고 패턴 파라미터 세트에 따라 모델 스캐터로메트리 데이터 세트 하나 이상을 생성하도록 설계된 광학 모델을 수신하는 단계, 트레이닝 동안, 참조 파라미터 세트를 포함하는 타겟 특징을 적용하고 그리고 측정된 스캐터로메트리 데이터 및 모델 스캐터로메트리 데이터의 세트를 포함하는 입력 특징을 적용함으로써 머신 학습 모델을 트레이닝시켜서, 트레이닝된 머신 학습 모델이 이후에 측정된 스캐터로메트리 데이터 세트로부터 새로운 웨이퍼 패턴 파라미터를 추정할 수 있도록하는 단계를 포함하는, OCD 계측 시스템 및 방법.

Description

물리적 모델링과 머신 학습 결합

본 발명은 일반적으로 집적 회로 웨이퍼 패턴의 광학 검사 분야, 특히 웨이퍼 패턴 파라미터의 측정을 위한 알고리즘에 관한 것이다.

집적 회로(IC)는 웨이퍼의 적층 구조에 쌓이는 얇은 층을 증착, 변경 및 제거하는 여러 단계를 통해 반도체 웨이퍼 상에 생성된다. 이러한 적층 구조 또는 "스택"은 일반적으로 회절 격자와 같이 광학 특성을 갖는 반복적인 패턴으로 형성된다. 이러한 패턴의 임계 치수(CD) 및 재료 특성을 측정하기 위한 최신 계측 방법은 이러한 광학 특성을 이용한다. 이하, CD 및 재료 특성을 "패턴 파라미터" 또는 간단히 "파라미터"라고도 한다. 이러한 파라미터에는 스택의 높이, 너비 및 피치가 포함될 수 있다. 디시트(Dixit) 등이 설명하는 바, 본원 명세서에서 참조로 포함된 "Mueller 매트릭스 분광 타원 측정법 기반 광학 임계 치수 계측을 사용한 28nm 피치 실리콘 핀의 감도 분석 및 라인 에지 거칠기 측정" J. Micro/Nanolith. MEMS MOEMS. 14(3), 031208 (2015)에서, 패턴 파라미터는 측벽 각도(SWA), 스페이서 너비, 스페이서 풀다운, 에피택셜 근접성, 푸팅/언더컷, 2차원(HKMG), 3차원 프로파일(FinFET) 및 라인 에지 거칠기(LER) 오버필/언더필을 포함할 수도 있다.

광학 임계 치수(OCD) 계측은 스캐터로메트리 데이터, 즉 패턴의 광학 특성을 나타내는 반사광 복사를 측정하기 위해 스캐터로메트리 방법을 사용한다. 스캐터로메트리 데이터의 측정 세트(스캐터로메트리 시그니처라고도 불릴 수 있음)는 반사된 0차 방사조도(irradiance) 대 방사선의 입사각의 데이터 포인트를 포함할 수 있다. 대안적으로 또는 추가적으로, 스캐터로메트리 데이터는 파장 또는 주파수 범위에 걸쳐 반사된 복사 강도의 측정치인 스펙트로그램을 포함할 수 있다. 당업계에 공지된 추가 유형의 스캐터로메트리 데이터가 OCD 계측에서도 적용될 수 있다.

Scheiner 및 Machavariani에게 허여된 미국 특허 제6,476,920호, "패턴화된 구조의 측정을 위한 방법 및 장치"는 본 명세서에 참고로 포함되며, "광학 모델"("물리적 모델"이라고도 함)의 개발을 설명한다. 즉, 광학 모델은 반사된 방사선과 웨이퍼의 물리적 구조 사이의 관계를 정의하는 함수(즉, 알고리즘 세트)이다. 즉, 광학 모델은 알려진 파라미터 패턴으로부터 빛이 반사되는 방식에 대한 이론적인 모델이다. 따라서 이러한 광학 모델은 알려진 패턴 파라미터 세트로부터 분광학적 테스트 동안 측정될 스캐터로메트리 데이터의 추정치를 생성하는 데 적용될 수 있다. 광학 모델은 측정된 스캐터로메트리 데이터를 기반으로 패턴 파라미터를 추정하는 컨버스(또는 "인버스") 기능을 수행하도록 설계될 수도 있다.

광학 모델은 IC 생산 중 OCD 계측에 일반적으로 적용되어, 스캐터로메트리 측정을 기반으로 웨이퍼 패턴이 올바른 파라미터로 제조되고 있는지 여부를 측정하도록 한다. 주어진 웨이퍼의 패턴 각각은 각 패턴의 파라미터가 설계 사양 또는 평균값으로부터 얼마나 변하는지를 결정하기 위해 측정될 수 있다.

광학 모델링에 대한 대안으로서, 머신 학습(ML) 기술이 스캐터로메트리 데이터에 기초하여 패턴 파라미터를 추정하기 위해 적용될 수 있다. 예를 들어, Rothstein 등의 PCT 특허출원 WO 2019/239380(본원에 참조로 포함됨)에 설명된 바와 같이, 머신 학습 모델은 측정된 스캐터로메트리 데이터와 아래에 설명된 방법에 의해 측정된 참조 파라미터 간의 대응 관계를 식별하도록 트레이닝될 수 있다. ML 모델이 스캐터로메트리 데이터로부터 파라미터를 추정하도록 트레이닝된 후, IC 생산 중에 이러한 파라미터를 추정하는 데 적용될 수 있다.

스캐터로메트리 데이터(예를 들어, 스펙트로그램)를 측정(획득)하기 위한 예시적인 스캐터로메트리 툴은 분광 타원계(SE), 분광 반사계(SR), 편광 스펙트럼 반사계뿐만 아니라 다른 광학 임계 치수(OCD) 계측 도구를 포함할 수 있다. 이러한 툴은 현재 사용 가능한 OCD 계측 시스템에 통합되어 있다. 이러한 OCD 계측 시스템 중 하나는 이스라엘 Rehovot의 Nova Measuring Instruments Ltd.로부터 상업적으로 입수할 수 있는 NOVA T600<®OCD 계측 툴이며, 지정된 테스트 사이트 또는 "인-다이(in-die)"에 있을 수 있는 패턴 파라미터를 측정한다. 임계 치수(CD)를 측정하는 추가 방법에는 간섭계, X선 라만 분광계(XRS), X선 회절(XRD), 펌프 프로브 툴 등이 있다. 이러한 툴의 일부 예는 PCT 특허 W02018/211505, 미국 특허 제10,161,885호, 미국 특허 제10,054,423호, 미국 특허 제9,184,102호 및 미국 특허 제10,119,925호에 개시되어 있으며, 이들 모두는 출원인에게 양도되고 그 전체가 참조로 본원 명세서에 포함된다.

위에서 설명한 광학 모델에 의존하지 않는 패턴 파라미터를 측정하는 고정밀 방법에는 CD 주사 전자 현미경(CD-SEM), 원자간력 현미경(AFM), 단면 터널링 전자 현미경(TEM) 또는 X선 계측 툴과 같은 장비를 사용한 웨이퍼 측정이 포함된다. 이러한 방법은 일반적으로 광학 및 ML 모델링 방법보다 비용과 시간이 많이 소요된다. 그러나 광학 및 ML 모델링에도 단점이 있다. 광학 모델링에 사용되는 기하학적 모델은 실제 패턴 파라미터의 이상화이고, 비선형 스캐터링 방정식을 수치적으로 푸는 것이 어렵기 때문에, 특히 패턴 파라미터의 치수(dimensions)가 계속 수축하기 때문에, 광학 모델링도 시간이 많이 걸리고 오류가 발생하기 쉽다. 반면에, 물리학 기초의 기반으로 인해, 광학 모델링은 일반적으로 신뢰할 수 있다. 또한 물리적 파라미터와 이론적 광학 특성 간의 직접적인 연관성은 광학 모델 결과가 일반적으로 ML 결과보다 더 쉽게 해석될 수 있음을 의미한다. 반면에 ML 모델링은 시간이 많이 소요되는 광학 모델링의 장애물을 피하면서 일반적으로 트레이닝을 위한 참조 파라미터 및 스캐터로메트리 데이터의 큰 데이터 세트를 필요로 하며, 이러한 파라미터를 획득하려면 값비싸고, 시간 소모적인 계측 장비를 필요로 한다. 하기에 개시되는 본 발명의 실시 예는 이들 방법 모두의 단점을 극복하는 데 도움이 된다.

본 발명의 실시예는 측정된 스캐터로메트리 데이터와 알려진 광학 모델 모두를 활용하는 OCD 머신 학습 모델을 생성하기 위한 시스템 및 방법을 제공하며, 광학 모델은 물리 법칙에 따라 설계되었다. 다음을 포함하는 방법이 제공된다: 복수의 개별 웨이퍼 패턴으로부터 복수의 참조 파라미터 세트를 수신하고 상기 복수의 개별 웨이퍼 패턴으로부터 측정된 복수의 대응하는 측정된 스캐터로메트리 데이터 세트를 수신하는 단계; 광학 모델로 제공된 패턴 파라미터로부터 모델 스캐터로메트리 데이터 세트를 계산하도록 설계된 광학 모델을 수신하는 단계; 트레이닝 동안, 참조 파라미터 세트를 포함하는 타겟 특징을 적용하고 그리고 측정된 스캐터로메트리 데이터 및 모델 스캐터로메트리 데이터의 세트를 포함하는 입력 특징을 적용함으로써 머신 학습 모델을 트레이닝시켜서, 트레이닝된 머신 학습 모델이 이후에 측정된 스캐터로메트리 데이터 세트로부터 새로운 웨이퍼 패턴 파라미터를 추정할 수 있도록하는 단계.

일정 실시 예에서, 상기 광학 모델(OM)은 스캐터로메트리 데이터 세트로부터 모델 패턴 파라미터를 계산하는 역함수를 수행하도록 더욱 설계되고, 상기 ML 모델의 트레이닝은: 측정된 스캐터로메트리 데이터 세트 각각에 대해 대응하는 모델 패턴 파라미터 세트를 계산하기 위해 광학 모델을 적용함으로써 복수의 모델 패턴 파라미터 세트를 계산하는 단계; 대응하는 모델 스캐터로메트리 데이터 세트를 생성하기 위해 대응하는 모델 패턴 파라미터 세트 각각으로 광학 모델을 적용함으로써 복수의 모델 스캐터로메트리 데이터 세트를 계산하는 단계; 복수의 측정된 스캐터로메트리 데이터 세트 각각에 대해, 측정된 스캐터로메트리 데이터 세트, 대응하는 모델 패턴 파라미터, 및 대응하는 모델 스캐터로메트리 데이터 세트를 결합된 특징 벡터로 결합함에 의해, 결합된 특징 벡터를 생성하는 단계; 그리고 상기 트레이닝의 타겟 특징으로서 상기 참조 파라미터를 사용하고 입력 특징으로서 상기 결합된 특징 벡터를 사용하여, ML 모델을 트레이닝하는 단계를 포함할 수 있다.

또 다른 실시 예에서, 상기 ML 모델은 전달 신경망(NN)이고, 상기 ML 모델의 트레이닝은 제1 NN 및 상기 전달 NN을 트레이닝함을 포함하며, 상기 제1 NN 및 상기 전달 NN을 트레이닝하는 단계가: 복수의 시뮬레이션된 패턴 파라미터 세트를 생성하는 단계; 시뮬레이션된 패턴 파라미터 세트 각각에 대한 모델 스캐터로메트리 데이터 세트를 생성하기 위해 광학 모델을 적용함으로써 복수의 모델 스캐터로메트리 데이터 세트를 생성하는 단계; 상기 복수의 시뮬레이션된 패턴 파라미터 세트를 포함하는 제1 타겟 세트 및 상기 모델 스캐터로메트리 데이터 세트를 포함하는 제1 입력 특징으로 제1 NN을 트레이닝하는 단계; 그리고 제1 NN으로부터 전송된 초기 레이어를 사용하여 전송 NN을 트레이닝함을 포함하도록 한다. 복수의 참조 파라미터 세트가 타겟 특징으로서 세트되며, 대응하는 입력 특징으로서 복수의 측정된 스캐터로메트리 데이터 세트를 사용한다.

또 다른 실시 예에서, 상기 ML 모델을 트레이닝하는 단계가 패턴 파라미터의 참조 세트에 대한 손실 함수를 최소화하는 단계를 포함하고, 상기 손실 함수는 평균 제곱 오차(MSE) 함수이다. 상기 참조 파라미터 세트가 CD 스캐닝 전자 현미경(CD-SEM), 원자력 현미경(AFM), 단면 터널링 전자 현미경( TEM) 또는 X선 계측 툴 중 하나 이상에 의해 고정밀 계측으로 측정된다. 상기 복수의 웨이퍼 패턴 각각은 하나 이상의 웨이퍼 상에 위치될 수 있다. 상기 복수의 측정된 스캐터로메트리 데이터 세트가 2개 이상의 측정 채널에 의해 측정될 수 있다.

본 발명의 실시 예에 의해, 비 일시적 메모리(non-transient memory)를 갖는 프로세서를 포함하는 OCD 계측 시스템으로서, 상기 메모리가 상기 프로세서에 의해 실행되는 때, 상기 프로세서가: 복수의 개별 웨이퍼 패턴으로부터 복수의 참조 파라미터 세트를 수신하고 상기 복수의 개별 웨이퍼 패턴으로부터 측정된 복수의 대응하는 측정된 스캐터로메트리 데이터 세트를 수신하는 단계; 광학 모델로 제공된 패턴 파라미터로부터 모델 스캐터로메트리 데이터를 계산하도록 설계된 광학 모델을 수신하는 단계; 그리고 트레이닝 동안, 참조 파라미터 세트를 포함하는 타겟 특징을 적용하고 그리고 측정된 스캐터로메트리 데이터 및 모델 스캐터로메트리 데이터의 세트를 포함하는 입력 특징을 적용함으로써 머신 학습 모델을 트레이닝시켜서, 트레이닝된 머신 학습 모델이 이후에 측정된 스캐터로메트리 데이터 세트로부터 새로운 웨이퍼 패턴 파라미터를 추정할 수 있도록하는 단계를 구현하도록 하는 명령을 포함하는, OCD 계측 시스템이 더욱 제공된다.

본 발명의 다양한 실시 예의 더 나은 이해를 위해 그리고 그것이 어떻게 실행될 수 있는지를 보여주기 위해, 예로서 첨부 도면을 참조한다. 본 발명의 구조적 세부사항은 본 발명의 기본적인 이해를 제공하기 위해 도시되어 있으며, 도면과 함께 취해진 설명은 본 발명의 여러 형태가 실제로 구현될 수 있는 방법을 당업자에게 명백하게 한다.
도 1은 본 발명의 일 실시 예에 따른, 분광기 데이터와 광학 OCD 모델 모두를 이용하여, OCD 계측을 위한 머신 학습 모델을 생성하기 위한 시스템의 개략도이다.
도 2는 본 발명의 일 실시 예에 따른, 분광기 데이터와 광학 OCD 모델 모두를 이용하여, OCD 계측을 위한 제1 머신 학습 모델을 생성하기 위한 프로세스를 도시하는 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른, 제1 머신 학습 모델을 구현하는 신경망의 개략도이다.
도 4는 본 발명의 일 실시 예에 따른, 분광기 데이터와 광학 OCD 모델 모두를 이용하여, OCD 계측을 위한 제2 머신 학습 모델을 생성하기 위한 프로세스를 도시하는 흐름도이다.
도 5는 본 발명의 일 실시 예에 따른, 제2 머신 학습 모델을 구현하는 신경망의 개략도이다.
도 6 및 7은 본 발명의 실시 예에 따라, 측정된 스캐터로메트리 데이터 및 광학 모델에 의해 생성된 모델 스캐터로메트리 데이터 둘 모두로 트레이닝된 ML 모델과 대조적으로, 스캐터로메트리 데이터(종래 기술)로 트레이닝된 머신 학습(ML) 모델의 정확도를 나타내는 그래프이다.

본 발명의 실시 예는 공지된 광학 OCD 모델(본원 명세서에서 "광학 모델"로 지칭됨)을 이용함으로써 광학 임계 치수(OCD) 모니터링을 위한 머신 학습(ML) 모델을 생성하기 위한 시스템 및 방법을 제공한다. 실제 측정값으로만 트레이닝하지 않고, 광학 모델(즉, "모델" 스캐터로메트리 데이터 사용)에 의해 생성된 적어도 일부 스캐터로메트리 데이터로 ML 모델을 트레이닝함에 의해, 결과가 개선되고 비용이 절감될 수 있다.

도 1은 본 발명의 일 실시 예에 따른, 분광기 데이터와 광학 모델 모두를 사용하여 OCD 계측을 위한 머신 학습 모델을 생성하기 위한 시스템(10)의 개략도 이다.

시스템(10)은 웨이퍼(12)의 생산 및 모니터링을 위한 생산 라인(도시되지 않음) 내에서 작동할 수 있다. 표시된 바와 같이, 웨이퍼(12)는 패턴(14)을 포함한다. 이러한 패턴은 패턴 확대(14a)에 표시된 바와 같이, 높이("h"), 폭(" w"), 및 피치("p")뿐만 아니라 상기 배경기술에서 설명된 다른 파라미터와 같은, 파라미터를 갖는다.일반적으로 웨이퍼에는 동일한 패턴을 갖도록 설계된 다중 영역 또는 세그먼트가 있다(즉, 모든 패턴을 제조하기 위해 동일한 패턴 디자인이 사용됨). 패턴 각각에 대해 여러 파라미터를 측정할 수 있다. 이하에서는, 주어진 패턴으로부터의 다중 파라미터들의 세트가 또한 패턴 벡터로 지칭된다.

제조 변경은 웨이퍼들 사이 및 단일 웨이퍼에 걸친 패턴의 파라미터 내에서 약간의 변경을 야기하며, 변경은 측정된 스캐터로메트리 데이터의 변경에 의해 표시된다.

시스템(10)은 미리 결정된 파장 범위의 광 빔(22)을 생성하는 광원(20)을 포함한다. 광 빔(22)은 웨이퍼 패턴(14)(반사된, 또는 "스캐터된" 광(24)으로 표시됨)으로부터 분광광도계 검출기(26)를 향해 반사된다. 일부 구성에서, 광원 및 분광광도계 검출기는 OCD 계측 시스템(30)(예를 들어, 엘립소미터 또는 분광 광도계)에 포함된다. 계측 시스템(30)의 구성 및 작동은, 예를 들어, 미국 특허 제5,517,312호, "박막 두께 측정 장치", Finarov에 개시된 것과 같은, 임의의 공지된 종류일 수 있으며, 이 같은 공지 기술은 본원 명세서에서 참조로 인용한다. 일반적으로 계측 시스템(30)은 대물 렌즈, 빔 스플리터 및 미러를 갖는 빔 편향기를 포함할 수 있는 광 지향 광학계와 같은 도시되지 않은 추가 구성요소를 포함한다. 이러한 시스템의 추가 구성 요소에는 이미징 렌즈, 편광 렌즈, 가변 조리개 조리개 및 모터가 포함될 수 있다. 이러한 구정 요소의 작동은 일반적으로 I/O 장치를 포함할 수 있고 스캐터로메트리 데이터(32) 생성과 같은 데이터 처리 작업을 수행하도록 구성될 수도 있는 컴퓨터 컨트롤러에 의해 자동화된다.

계측 시스템(30)에 의해 생성된 스캐터로메트리 데이터(32)는 일반적으로 벡터 형태(예를 들어, 데이터 포인트가 상이한 광 파장에서 반사광 강도의 측정값인 스펙트로그램)로 표현될 수 있는 다양한 유형의 플롯된 데이터(34)를 포함한다. 위에서 설명한 바와 같이, 측정된 스캐터로메트리 데이터 세트들 간의 변경은 패턴 파라미터의 차이를 나타낸다. 일반적인 OCD 계측에서, 측정되는 빛의 범위는 가시광선 스펙트럼을 커버할 수 있으며, 자외선 및 적외선 영역의 파장도 포함할 수 있다. OCD 계측을 위한 일반적인 스펙트로그램 출력에는 200~970nm의 파장 범위를 커버하는 245개의 데이터 포인트가 있을 수 있다.

본 발명의 실시 예에서, 본원 명세서에서 ML 모델링 시스템(40)으로 지칭되는 당업계에 공지된 ML 툴을 포함하는 컴퓨터 시스템은 OCD 계측을 위한 ML 모델을 트레이닝하도록 구성될 수 있다. ML 모델링 시스템에 의해 사용되는 입력 트레이닝 특징 벡터는 측정된 스캐터로메트리 데이터(34)의 세트와 광학 모델(42)에 의해 생성된 스캐터로메트리 데이터, 즉 "모델 스캐터로메트리 데이터"를 모두 포함할 수 있다. 참조 파라미터(44)("패턴 파라미터 벡터"로 표시됨)는 ML 트레이닝을 위한 타겟 특징 세트로 사용될 수 있다. 참조 파라미터는 위에서 설명된 것과 같은 당업계에 알려진 고 정밀 수단(예를 들면, CD-SEM, AFM, TEM, X선 계측, 또는 광학에 의존하는 고정밀 OCD 분광법)에 의해 하나 이상의 웨이퍼의 패턴으로부터 획득될 수 있다. 트레이닝 후, ML 모델은 측정된 스캐터로메트리 데이터를 기반으로 패턴 파라미터를 예측하는 데 사용되며, 이 프로세스는 예를 들어 웨이퍼 생산 모니터링에서 적용될 수 있다.

ML 모델링 시스템(40)은 계측 시스템(30)과는 독립적으로 동작하거나 계측 시스템과 통합될 수 있다.

이하에서, 측정된 스캐터로메트리 데이터 및 모델 스캐터로메트리 데이터 둘 모두에 기초한 트레이닝 특징 벡터의 사용을 이용하는 ML 트레이닝을 위한 프로세스가 설명된다. 측정된 데이터와 광학적 방법 모두에 대한 지식을 통합함에 의해, 상대적으로 작은 트레이닝 데이터 세트에 의존하더라도 ML 모델이 더욱 정확하게 만들어질 수 있다. 특히, 이러한 ML 트레이닝의 2개의 예, 도 2 및 도 3에 대해 설명된 프로세스(200), 그리고 도 4 및 도 5에 대해 설명된 프로세스(400)에 대해 설명된다. 이하, 프로세스(200)는 결합된 특징 벡터 방법이라고도 칭하고, 프로세스(400)는 전이 학습 신경망 방법이라고도 한다.

프로세스(200 및 400)의 설명은 다음 명명법을 사용한다. 단일 패턴으로부터 OCD 계측에 의해 측정된 스캐터로메트리 데이터는 스캐터로메트리 데이터 세트(즉, "단일" 세트)라고 하며 측정된 스캐터로메트리 벡터

로 나타낼 수 있다. 한 세트의 패턴 파라미터(즉, "모델 스캐터로메트리 데이터 세트")로부터 광학 모델에 의해 계산된 이론적인 스캐터로메트리 데이터 세트는 스캐터로메트리 벡터

.로 표시될 수 있다. 한 세트의 참조 파라미터, 즉 광학 모델 없이 웨이퍼로부터 직접 측정된 파라미터는 참조 파라미터 벡터

로 표시될 수 있지만, 광학 모델에 따라 스캐터로메트리 데이터 세트로부터 생성된 파라미터는 모델 파라미터 벡터

로 표시될 수 있다.

광학 모델 자체는 한 세트의 파라미터

(측정된 파라미터이거나 자체가 모델 파라미터인)로부터 스캐터로메트리 벡터

를 예측(또는 "생성")하거나, 또는 컨버스 기능을 수행하여, 한 세트의 스캐터로메트리 데이터

(광학 모델에 의해 측정되거나 생성될 수 있는)로부터

을 예측하는 함수로 표시될 수 있다. 광학 모델의 컨버스 함수는 동 함수의 "의사 인버스(pseudo-inverse)" 버전, 즉 함수가

로 기록되고 상기 의사 인버스가

로 기록될 수도 있다. 따라서 수학적으로 상기 정의는 다음과 같이 기록될 수 있다:

), 그리고

).

도 2는 본 발명의 일 실시 예에 따라, 스캐터로메트리 데이터와 광학 모델 모두를 활용하여 OCD 계측을 위한 머신 학습 모델을 생성하기 위한 컴퓨터 구현 프로세스(200)를 도시하는 흐름도이다. 프로세스(200)는 위에서 설명된 ML 모델링 시스템(40)에 의해 구현될 수 있다.

프로세스(200)는 모델링 시스템에 외부 데이터 및 알고리즘이 제공되는 한 세트 단계(210)로 시작한다. 제1 단계(212)는 복수의 참조 파라미터 세트, 즉 복수의 파라미터 벡터를 수신하는 단계를 포함한다:

.

이러한 파라미터 벡터는 각 참조 패턴으로부터 측정된다. 참조 파라미터의 각 세트에는 하나 이상의 데이터 포인트(예를 들면, 높이, 너비, 피치 등)가 포함된다.각 세트는 이후에 아래에 설명된 대로 ML 트레이닝 중 스캐터로메트리 데이터 세트와 상관된다. 기준 웨이퍼 패턴은 일반적으로 전체 웨이퍼의 일부이며, 웨이퍼 표면에 걸쳐 반복되는 부분이다. 참조 파라미터는 높은 정밀도의 OCD 계측으로 측정될 수 있다. 상술한 바와 같이, 고 정밀 OCD 계측은 CD-SEM, AFM, TEM, X선 계측, 또는 광학 모델링에 의존하는 고 정밀 OCD 분광 법을 포함할 수 있다. 측정된 참조 파라미터 세트의 수는 아래 설명된 대로 트레이닝 데이터 세트의 크기를 정의한다.

단계(214)는 측정된 스캐터로메트리 데이터의 복수 세트를 수신함을 포함한다:

.

스캐터로메트리 데이터 세트 각각은 대응하는 파라미터 벡터(즉, 대응하는 "파라미터 세트")가 또한 측정되는 각각의 웨이퍼 패턴으로부터 측정된다.

측정된 스캐터로메트리 데이터 및 참조 파라미터 세트에 추가하여, 광학 OCD 모델 및 그 역함수(즉,

)가 단계(216)에서 수신된다. 전술한 바와 같이, 광학 OCD 모델은 광학 장치의 물리 법칙의 적용으로부터 생성된다. 단계(210)의 세트는 임의의 순서로 또는 병렬로 수행될 수 있고, 특히 측정된 스캐터로메트리 데이터는 패턴 파라미터 이전에 획득될 수 있음을 이해해야 한다(이 같은 옵션은 패턴 파라미터를 획득하기 위해 파괴적인 계측 툴이 사용되는 때 요구 조건이다).

다음으로, 단계(220)에서, 측정된 스캐터로메트리 데이터 세트

각각에 대하여, 광학 모델,

은 모델 패턴 파라미터

세트를 계산하기 위해 적용된다. 즉,

이다.

그런 다음 광학 모델

이 모델 패턴 파라미터

세트 각각에 적용되며 대응하는 모델 스캐터로메트리 데이터 세트, 즉, 모델 스캐터로메트리 벡터

를 생성하도록 한다. 즉,

다음에 측정된 스캐터로메트리 데이터 세트

각각(측정된 스캐터로메트리 데이터의 모든 세트에 대한 일반화를 위해 인덱스 k 제거)은 파라미터의 해당 모델 세트

및 스캐터로메트리 데이터 해당 모델 세트

와 결합되어서, 본원 명세서에서

로 칭하여 지는, 단일 결합 벡터로 결합된다:

.

예시적인 시나리오에서, 상기 벡터,

,

둘 모두는 245개의 데이터 포인트를 포함한다. 벡터,

는 일반적으로 1~10개의 데이터 포인트를 갖는다. 예시적인 벡터

는 따라서 245 + 245 + 10 = 500개의 데이터 포인트를 포함할 수 있다.

단계(230)에서, 결합된 특징 벡터들

각각을 패턴 파라미터의 해당 참조 세트

와 상관시키는 머신 학습 모델이 트레이닝 된다(트레이닝에 대한 입력 및 출력 특징은 출력 특징을 측정하기 위해, 그리고 입력 특징과 결합된 벡터

의 측정된 스캐터로메트리 벡터

를 측정하기 위해 사용되어온 동일한 웨이퍼 패턴

을 기반으로 하여 매치된다).

도 3은 입력 특징 벡터를 예시적인 벡터

로 표시하고, 출력 특징 벡터

로 표시하는 신경망(NN)(300)으로서의 ML 모델의 개략적인 예를 도시한다. ML 모델의 입력 노드는 노드(320)로서 표시되며 출력 노드는 노드(322)로서 표시된다. ML 모델의 입력 노드는 노드(320)로 표시되고 출력 노드는 (322)로 표시된다. 입력 노드의 수는 일반적으로 입력 벡터의 크기로 조정되며, 이는 위에서 설명한 예에 대해 500개의 입력 노드가 있음을 의미한다(이는

각각에서 추가 데이터 포인트를 외삽함에 의해, 2의 거듭제곱으로 반올림될 수 있음, 즉, 512개 노드).

출력 노드의 수는 패턴 파라미터 세트 각각의 파라미터 수에 해당한다. 신경망(300)이 나타내는 바와 같이, 신경망은 완전히 연결되도록 설계될 수 있다. 측정된 스캐터로메트리 데이터 세트의 수(즉, 트레이닝 데이터 세트의 크기)에 따라,은닉 레이어(340)가 NN(300)에 추가될 수 있다. (측정된 스캐터로메트리 데이터 세트의 제한된 수의 경우, 은닉 레이어는 정확도를 개선하지 못한다.) 트레이닝은 일반적으로 예를 들어 L2 정규화를 포함할 수 있는 표준 ML 트레이닝 방법에 따라 수행된다. 입력 및 출력 특징 벡터 간의 상관 관계는 평균 제곱 오차(MSE) 손실 함수로 정의될 수 있다. 바람직하게는, 결합된 특징 벡터의 검증 데이터 세트는 트레이닝 데이터 세트에서 사용된 것과는 다른 웨이퍼로부터 획득된 측정된 스캐터로메트리 데이터 세트로부터 생성될 것이다.

도 2를 다시 참조하면, ML 모델이 트레이닝된 후, 패턴 파라미터를 모니터링하기 위해 IC 웨이퍼 생산 동안 적용될 수 있다(단계 240). 생산 단계에서, 스캐터로메트리 데이터는 웨이퍼 패턴으로부터 측정된다. 그런 다음 위에서 설명한 바와 같이, 결합된 특징 벡터가 측정된 스캐터로메트리 데이터 세트로부터 생성된다. 그런 다음 상기 결합된 특징 벡터가 트레이닝된 ML 모델에 적용되어서, 웨이퍼 패턴의 파라미터를 예측(즉, 추정)한다.

도 4는 본 발명의 일 실시 예에 따라, 분광기 데이터와 광학 OCD 모델 모두를 활용하여 OCD 계측을 위한 머신 학습 모델을 생성하기 위한 컴퓨터 구현 프로세스(400)를 도시하는 흐름도이다. 프로세스(200)와 같은 프로세스(400)는 도 1과 관련하여 위에서 설명된 ML 모델링 시스템(40)에 의해 구현될 수 있다. 프로세스(200)와 마찬가지로, 프로세스(400)는 측정된 데이터와 모델 스캐터로메트리 데이터 모두를 사용하여 ML 모델을 트레이닝하고, 모델 스캐터로메트리 데이터가 광학 모델에 의해 생성된다. 프로세스(200)와 대조적으로, 프로세스(400)는 전달 학습을 갖는 2단계 ML 트레이닝 프로세스(즉, 아래에서 설명되는 단계 430)를 포함한다.

프로세스(400)는 모델링 시스템에 외부 데이터 및 알고리즘이 제공되는 단계(410) 세트로 시작한다. 제1 단계(212)는 각각의 참조 패턴으로부터 측정되는, 복수의 참조 파라미터 세트, 예를 들면 파라미터 벡터

를 수신함을 포함한다. 단계(214)는 복수의 측정된 스캐터로메트리 데이터, 예를 들면,

를 수신함을 포함하며, 측정된 세트 각각은 대응하는 참조 파라미터 세트가 또한 측정되는 각각의 참조 패턴으로부터 측정된다.

측정된 스캐터로메트리 데이터 및 참조 파라미터 세트에 추가하여,

로 정의되는 광학 OCD 모델,

은 단계(416)에서 수신된다. 프로세스(200)의 단계(410) 세트와 단계(210)의 병렬 세트 사이의 차이점은 프로세스(400)가 인버스 작용을 요구하지 않기 때문에, 병렬 단계(216)와는 대조적으로 단계(416)가 인버스 광학 모델의 획득을 필요로 하지 않는다는 점이다. 또한 ML 트레이닝에 필요한 데이터를 수신하거나 생성하는 단계는 임의의 순서로 수행될 수 있다. 특히, 광학 모델은 다른 단계 이전에, 예를 들어 ML 모델링 시스템을 초기화하는 단계에서 획득될 수 있다.

단계(420)에서, 복수의 시뮬레이션된 패턴 파라미터 세트, 예를 들면,

가 생성된다. 상기 시뮬레이션된 파라미터는 이와 같은 파라미터의 일반적인 제조 변형을 반영하는 분포를 갖도록 생성된다.

단계(422)에서, 광학 모델

)은 시뮬레이션된 패턴 파라미터

세트 각각으로 적용되어서 모델 스캐터로메트리 데이터

의 세트를 생성하도록 한다. 일부 실시 예에서, 스캐터로메트리 데이터 세트는 예를 들어 245개의 데이터 포인트를 가질 수 있는 스펙트로그램일 수 있다.

단계(430)에서, 신경망은 2개의 트레이닝 단계, 제1 단계(432) 및 전달 단계(434)를 포함하는 전달 학습에 의해 트레이닝된다.

제1 단계(432)에서, 제1 신경망(NN)은 완전 지도 학습의 형태로 트레이닝되며, 생성된 모델 스캐터로메트리 데이터

세트 각각은 입력 특징 벡터로서 ML 모델로 적용되며, 입력

각각에 대한 출력 특징 벡터가 시뮬레이션된 패턴 파라미터

의 대응하는세트이다.

ML 트레이닝의 두 번째 단계(단계 432)에서, 첫 번째 단계 NN의 초기 레이어(즉, 초기 레이어 노드를 연결하는 활성화 함수)는 본원 명세서에서 "트랜스퍼 트레이닝 단계"의 "트랜스퍼 NN"으로 참조되는 ML 트레이닝의 두 번째 단계로 전달된다. 그런 다음 전달 NN은 입력 특징으로서 측정된 스캐터로메트리 데이터 세트로 트레이닝 되며, 출력 특징으로서 대응하는참조 파라미터 세트로 트레이닝 된다. ML 모델이 트레이닝 되고 검증된 후에는, 프로세스(200)의 단계(240)와 유사한 단계 (440)로 표시된 바와 같이, 프로덕션에서 사용될 수 있다.

도 5a 및 도 5b는 상기 설명한 ML 트레이닝의 2개의 개별 단계, 즉 제1 단계(500)(도 5a) 및 전달 트레이닝 단계(510)(도 5b)의 개략적인 예를 도시한다. 예시적인 실시 예에서, 제1 단계에서, 입력 노드(520), 은닉 레이어(522), 및 출력 레이어(524)는 입력 특징에 대해 시뮬레이션된 파라미터 벡터

로부터 그리고 출력 특징에 대해 대응하는시뮬레이션된 파라미터 벡터

로부터 생성된 벡터

를 사용하여 트레이닝 된다. 즉, 트레이닝은

각각을

각각과 연관시키며, 이로부터 트레이닝이 생성된다.

전달 트레이닝 단계는 첫 번째 트레이닝 단계에서 계산된 동일한 활성화 함수 및 히든 노드를 적용하는 한편, 최종 활성화 레이어(530)(백색 노드로 표시된)를 재트레이닝한다. 전달 NN의 트레이닝은 입력 특징에 대해 벡터

를 사용하고, 출력 특징에 대해 단계 410에서 획득한 대응하는참조 파라미터

를 사용한다. 즉, 트레이닝은

각각을 동일한 패턴으로부터 측정된

각각관 연관시킨다.

일반적으로 입력 노드의 수는 벡터

의 크기에 상응한다. ML 모델링의 두 단계는 하나의 예시적인 구현에서 490 크기인 입력 레이어가 있는 완전 연결된 신경망으로서 구성될 수 있다. 490 노드의 입력 레이어가 적용되어서, 245 데이터 포인트를 갖는 두 개의 스캐터로메트리 데이터 벡터를 결합시키는 입력 특징 벡터를 수용할 수 있다. 서로 다른 "채널"로부터, 즉 주어진 패턴에 대한 서로 다른 측정 구성으로부터 두 개의 스캐터로메트리 데이터 벡터를 가져올 수 있다. 예를 들어, 입사 광 각도 또는 광 편광을 변경하여 동일한 패턴에 대한 정보를 제공하는 두 개의 서로 다른 스캐터로메트리 데이터 벡터를 생성할 수 있다. 입력 레이어 다음에는 크기가 16인 두 개의 히든 레이어가 뒤 따를 수 있으며, 제2히든 레이어에는 ReLU(Rectified Linear Activation Function) 활성화 함수, 그리고 패턴 파라미터 예시적인 세트 내의 파라미터 수에 상응하는, 크기 3인 선형 출력 레이어가 뒤따른다. .

도 6은 본 발명자들에 의해 테스트된 종래 기술의 방법들과는 달리, 본 발명의 실시 예들에 따른, 광학 모델에 의해 생성된 측정된 스캐터로메트리 데이터 및 모델 스캐터로메트리 데이터 모두로 트레이닝된 ML 모델의 정확도를 나타내는 그래프이다. 선행 기술 방법에는 스캐터로메트리 데이터로만 트레이닝되는 ML 모델(예를 들면, Rothstein 등의 위에 언급된 PCT 특허 출원 WO 2019/239380 참조) 및 광학 모델을 사용하여 패턴 파라미터를 추정하는 것에만 기초한 비ML 방법(예를 들어, Scheiner 및 Machavariani의 상기 언급된 미국 특허 6,476,920 참조)이 있다. 도 6의 그래프에 나타난 바와 같이, 참조 파라미터와 모델에 의해 예측된 파라미터 사이의 표준 편차는 본원 명세서에서 설명된 방법에 의해 개발된 ML 모델에 대해 더 낮은 것으로 나타났다(즉, 정확도가 더 우수함). ML 모델 출력

의 표준 편차(std)는 일반적으로 다음과 같이 계산된다:

도 7은 본원 명세서에서 개시된 프로세스(200, 400)의 정확도와, "ML 벤치마크(Benchmark)"로 표시된, 상기 설명한 종래 기술의 ML 방법과의 대비를 나타내는 그래프이다. ML 벤치마크는 단일 트레이닝 단계로 트레이닝되었으며, 측정된 스캐터로메트리 데이터는 입력 특징으로, 대응하는참조 파라미터는 출력 특징으로 사용했다. 프로세스(200)는 결합된 특징 벡터("결합된 FV") 방법으로 표시되고 프로세스(400)는 전달 NN 방법으로 표시된다. 그래프 결과를 표시하는 오차 막대로 표시된 다양한 크기의 트레이닝 데이터 세트는 여러 번 대규모 풀에서 무작위로 추출되었다. 그래프에 표시된 오차 막대는 이 같은 재샘플링으로 인한 1-시그마 불확실성이다. 그래프에서 표시된 바와 같이, 본 발명의 방법은 5 또는 10보다 많은 측정의 트레이닝 데이터 세트에 대해 벤치마크보다 훨씬 더 나은 정확도를 나타낸다. 커널 주 성분 분석(kernel PCA)과 같은 차원 축소 방법은 측정된 데이터 전체 세트와 비교하여 적합도를 향상시키지 못했다.

그래프에 도시된 바와 같이, 프로세스(200) 및 프로세스(400)는 둘 다 ML 벤치마크 방법보다 더 정확한 ML 모델을 생성하였다.

본원 명세서에서 보여지거나 설명된 처리 요소는 바람직하게는 컴퓨터 버스 또는 대체 연결 장치를 통해 연결된 컴퓨터 프로세서, 메모리, I/O 장치 및 네트워크 인터페이스를 사용하는 것과 같은 종래기술에 따라, 컴퓨터 하드웨어 및/또는 비일시적 컴퓨터 판독 가능 매체에서 구현된 컴퓨터 소프트웨어의 하나 이상의 컴퓨터에 의해 구현된다는 것을 이해해야 한다. 달리 설명되지 않는 한, "프로세서" 및 "장치"라는 용어는 예를 들어 CPU(중앙 처리 장치) 및/또는 기타 처리 회로(예를 들면, GPU)를 포함하는 것과 같은 임의의 처리 장치를 포함하도록 의도되며, 둘 이상의 처리 장치를 참조할 수 있다. 처리 장치와 관련된 다양한 요소는 다른 처리 장치에 의해 공유될 수 있다.

본 명세서에 사용된 용어 "메모리"는 예를 들어 RAM, ROM, 고정 메모리 장치(예를 들면, 하드 드라이브), 제거 가능한 메모리 장치(예를 들면, 디스켓, 테이프), 플래시 메모리 등과 같은 프로세서 또는 CPU와 관련된 메모리를 포함하도록 의도된다. 이러한 메모리는 컴퓨터 판독 가능 저장 매체로 간주될 수 있다.

또한, "입력/출력 장치" 또는 "I/O 장치"라는 문구는 처리 장치에 데이터를 입력하기 위한 하나 이상의 입력 장치(예를 들면, 키보드, 마우스, 스캐너, HUD 등) 및/또는 처리 장치와 관련된 결과를 제공하기 위한 하나 이상의 출력 장치(예를 들면, 스피커, 디스플레이, 프린터, HUD, AR, VR 등)를 포함할 수 있다.

본 발명의 실시 예는 시스템, 방법, 및/또는 컴퓨터 프로그램 제품을 포함할 수 있다. 컴퓨터 프로그램 제품은 프로세서로 하여금 본 발명의 특징을 수행하게 하기 위한 컴퓨터 판독가능 프로그램 명령을 갖는 컴퓨터 판독가능 저장 매체(또는 매체)를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 명령어 실행 장치에 의해 사용하기 위한 명령어를 보유하고 저장할 수 있는 유형의 장치일 수 있다. 컴퓨터 판독 가능 저장 매체는 예를 들어 전자 저장 장치, 자기 저장 장치, 광학 저장 장치, 전자기 저장 장치, 반도체 저장 장치, 또는 이들의 임의의 적절한 조합일 수 있지만 이들로 제한되지 않는다. 컴퓨터 판독 가능한 저장 매체의 더욱 구체적인 예의 목록은 다음을 포함하지만 완전한 목록은 아니다: 휴대용 컴퓨터 디스켓, 하드 디스크, RAM(Random Access Memory), ROM(Read-Only Memory), 지울 수 있는 프로그램 가능한 판독- 전용 메모리(EPROM 또는 플래시 메모리), 정적 랜덤 액세스 메모리(SRAM), 휴대용 컴팩트 디스크 읽기 전용 메모리(CD-ROM), 디지털 다목적 디스크(DVD), 블루-레이, 자기 테이프, 홀로그램 메모리, 메모리 스틱, 플로피 디스크, 펀치 카드 또는 명령어가 기록된 그루브 내의 융기 구조와 같은 기계적 인코딩된 장치, 및 이들의 임의의 적절한 조합. 본 명세서에 사용된 컴퓨터 판독 가능 저장 매체는 무선 전파 또는 기타 자유롭게 전파하는 전자기파, 도파관 또는 기타 전송 매체를 통해 전파하는 전자기파(예를 들면, 광섬유 케이블을 통과하는 광선 펄스) 또는 전선을 통해 전송되는 전기 신호와 같은 일시적인 신호 자체인 것으로 간주되지 않는다.

본 명세서에 기술된 컴퓨터 판독 가능 프로그램 명령은 컴퓨터 판독 가능 저장 매체로부터 각각의 컴퓨팅/처리 장치로, 또는 네트워크, 예를 들어, 인터넷, 근거리 통신망, 광역 네트워크 및/또는 무선 네트워크를 통해 외부 컴퓨터 또는 외부 저장 장치로 다운로드될 수 있다. 상기 네트워크는 구리 전송 케이블, 광 전송 섬유, 무선 전송, 라우터, 방화벽, 스위치, 게이트웨이 컴퓨터 및/또는 에지 서버를 포함할 수 있다. 컴퓨팅/처리 장치 각각의 네트워크 어댑터 카드 또는 네트워크 인터페이스는 네트워크로부터 컴퓨터 판독 가능 프로그램 명령을 수신하고 각각의 컴퓨팅/처리 장치 내의 컴퓨터 판독 가능 저장 매체 내에 저장하기 위해 컴퓨터 판독 가능 프로그램 명령을 포워드 한다.

본 발명의 동작을 수행하기 위한 컴퓨터 판독가능 프로그램 명령은 어셈블러 명령, 명령 세트 아키텍처(ISA) 명령, 머신 명령, 머신 종속 명령, 마이크로코드, 펌웨어 명령, 상태 설정 데이터, 또는 소스 코드, 또는 Java, Smalltalk, C++ 등과 같은 객체 지향 프로그래밍 언어 및 "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어와 같은 기존의 절차적 프로그래밍 언어를 포함하는 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성된 객체 코드 중 하나일 수 있다. 컴퓨터 판독 가능한 프로그램 명령은 사용자의 컴퓨터에서 전적으로 사용자의 컴퓨터에서, 부분적으로 사용자의 컴퓨터에서, 독립실행형 소프트웨어 패키지로서, 부분적으로 사용자의 컴퓨터에서, 부분적으로 원격 컴퓨터에서, 또는 원격 컴퓨터 또는 서버에서 전적으로 실행할 수 있다. 후자의 시나리오에서 원격 컴퓨터는 LAN(Local Area Network) 또는 WAN(Wide Area Network)을 포함한 모든 유형의 네트워크를 통해 사용자의 컴퓨터에 연결되거나, 상기 연결이 외부 컴퓨터로 이어질 수 있다(예를 들어 인터넷 서비스 공급자를 사용하여 인터넷을 통해). 일부 실시 예에서, 예를 들어 프로그램 가능 논리 회로, FPGA(field-programmable gate arrays), 또는 PLA(programmable logic arrays)를 포함하는 전자 회로는 본 발명의 특징을 수행하기 위한 전자 회로를 개인화하기 위해 컴퓨터 판독 가능 프로그램 명령의 상태 정보를 활용함으로써 컴퓨터 판독 가능 프로그램 명령을 실행할 수 있다.

본 발명의 실시 예에 따른 방법, 장치(시스템), 및 컴퓨터 프로그램 제품의 흐름도, 예시 및/또는 블록도와 관련하여 본 발명의 특징이 본원 명세서에서 설명되며, 흐름도 블록 각각 및/또는 블록도, 그리고 흐름도 및/또는 블록 도 내 블록 조합은 컴퓨터 판독 가능 프로그램 명령에 의해 구현될 수 있다.

이러한 컴퓨터 판독 가능 프로그램 명령은 범용 컴퓨터, 특수 목적 컴퓨터 또는 기타 머신을 생산하기 위한 프로그램 가능한 데이터 처리 장치의 프로세서에 제공될 수 있으며, 컴퓨터 프로세서 또는 다른 프로그램 가능한 데이터 처리 장치를 통해 실행되는 명령이, 흐름도 및/또는 블록도 블록 또는 블록들 내에 명시된 기능/동작을 구현하기 위한 수단을 생성하도록 한다. 이들 컴퓨터 판독가능 프로그램 명령은 또한 컴퓨터, 프로그램가능 데이터 처리 장치, 및/또는 특정 방식으로 작동하기 위한 다른 장치를 지시할 수 있는 컴퓨터 판독가능 저장 매체에 저장될 수 있으며, 이와 같이 저장된 명령을 갖는 컴퓨터 판독가능 저장 매체가 흐름도 및/또는 블록도 블록 또는 블록들 내에 명시된 작용/행위의 특징을 구현하는 명령을 포함하는 제조 물품을 포함한다.

컴퓨터 판독 가능 프로그램 명령은 또한 컴퓨터, 다른 프로그램 가능한 데이터 처리 장치, 또는 다른 장치에 로드(load)되어 일련의 동작 단계가 컴퓨터, 다른 프로그램 가능한 장치 또는 컴퓨터 구현 프로세스를 제공하기 위한 다른 장치에서 수행되어, 컴퓨터, 기타 프로그램 가능한 장치 또는 기타 장치에서 실행되는 명령이 흐름도 및/또는 블록도 블록 또는 블록들에 명시된 작용/동작을 구현하도록 한다. 본원 명세서에서 포함된 임의의 흐름도 및 블록도는 본 발명의 다양한 실시 예에 따른 시스템, 방법 및 컴퓨터 프로그램 제품의 가능한 구현의 아키텍처, 작용 및 동작을 예시한다. 이와 관련하여, 흐름도 또는 블록도의 각 블록은 특정 논리 작용(들)을 구현하기 위한 하나 이상의 실행 가능한 명령을 포함하는 모듈, 세그먼트, 또는 명령의 일부를 나타낼 수 있다. 일부 대안적인 구현에서, 블록에 언급된 작용은 본원 명세서에서 도시된 순서와 다르게 발생할 수 있다. 예를 들어, 연속적으로 도시된 2개의 블록은 실제로 실질적으로 동시에 실행될 수 있거나 관련된 작용에 따라 블록이 때때로 역순으로 실행될 수 있다. 또한 블록 다이어그램 및/또는 흐름도 설명의 각 블록과 블록 다이어그램 및/또는 흐름도 설명의 블록 조합은 지정된 작용 또는 동작을 수행하는 특수 목적 하드웨어 기반 시스템에 의해 구현될 수 있으며, 특수 목적 하드웨어와 컴퓨터 명령의 조합을 수행한다.

본 발명의 다양한 실시 예에 대한 설명은 예시의 목적으로 제시되었지만, 본원 명세서에서 개시된 실시 예로 완전하거나 제한되도록 의도된 것은 아니다. 본원 명세서에서 기술된 실시 예의 범위 및 사상을 벗어나지 않으면서 많은 수정 및 변형이 당업자에게 명백할 것이다. 본 명세서에서 사용된 용어는 실시 예의 원리, 시장에서 발견되는 기술에 대한 실질적인 응용 또는 기술적 개선을 가장 잘 설명하거나, 또는 당업자가 본 본원 명세서에 개시된 실시 예를 이해할 수 있게 하기 위해 선택되었다.

Claims (14)

1. 복수의 개별 웨이퍼 패턴으로부터 복수의 참조 파라미터 세트를 수신하고 상기 복수의 개별 웨이퍼 패턴으로부터 측정된 복수의 대응하는 측정된 스캐터로메트리 데이터 세트를 수신하는 단계;
   광학 모델로 제공된 패턴 파라미터로부터 모델 스캐터로메트리 데이터를 계산하도록 설계된 광학 모델을 수신하는 단계 - 상기 광학 모델은 물리 법칙에 따라 설계됨 -; 그리고
   트레이닝 동안, 복수의 참조 파라미터 세트를 포함하는 타겟 특징을 적용하고 그리고 측정된 스캐터로메트리 데이터 및 모델 스캐터로메트리 데이터의 복수 세트를 포함하는 입력 특징을 적용함으로써 머신 학습 모델을 트레이닝시켜서, 트레이닝된 머신 학습 모델이 이후에 측정된 스캐터로메트리 데이터로부터 새로운 웨이퍼 패턴 파라미터를 추정할 수 있도록하는 단계를 포함하는, OCD 계측 방법:
2. 제1항에 있어서, 상기 광학 모델은 스캐터로메트리 데이터 세트로부터 모델 패턴 파라미터를 계산하는 역함수를 수행하도록 더욱 설계되고, 상기 머신 학습 모델의 트레이닝은:
   측정된 스캐터로메트리 데이터 세트 각각에 대해 대응하는 모델 패턴 파라미터 세트를 계산하기 위해 광학 모델을 적용함으로써 복수의 모델 패턴 파라미터 세트를 계산하는 단계;
   대응하는 모델 스캐터로메트리 데이터 세트를 생성하기 위해 대응하는 모델 패턴 파라미터 세트 각각으로 광학 모델을 적용함으로써 복수의 모델 스캐터로메트리 데이터 세트를 계산하는 단계;
   복수의 측정된 스캐터로메트리 데이터 세트 각각에 대해, 측정된 스캐터로메트리 데이터 세트, 대응하는 모델 패턴 파라미터, 및 대응하는 모델 스캐터로메트리 데이터를 결합된 특징 벡터로 결합함에 의해, 결합된 특징 벡터를 생성하는 단계; 그리고
   상기 트레이닝의 타겟 특징으로서 상기 참조 파라미터를 사용하고 입력 특징으로서 상기 결합된 특징 벡터를 사용하여, 머신 학습 모델을 트레이닝하는 단계를 포함하는, 방법.
3. 제1항에 있어서, 상기 머신 러닝 모델은 전달 신경망(NN)이고, 상기 머신 학습 모델의 트레이닝은 제1 NN 및 상기 전달 NN을 트레이닝함을 포함하며, 상기 제1 NN 및 상기 전달 NN을 트레이닝하는 단계가:
   복수의 시뮬레이션된 패턴 파라미터 세트를 생성하는 단계;
   시뮬레이션된 패턴 파라미터 세트 각각에 대한 모델 스캐터로메트리 데이터 세트를 생성하기 위해 광학 모델을 적용함으로써 복수의 모델 스캐터로메트리 데이터 세트를 생성하는 단계;
   상기 복수의 시뮬레이션된 패턴 파라미터 세트를 포함하는 제1 타겟 세트 및 상기 모델 스캐터로메트리 데이터 세트를 포함하는 제1 입력 특징으로 제1 NN을 트레이닝하는 단계; 그리고
   제1 NN으로부터 전송된 초기 레이어를 사용하여 전송 NN을 트레이닝하여, 타겟 특징으로서 복수의 참조 파라미터 세트와 대응하는 입력 특징으로서 복수의 측정된 스캐터로메트리 데이터 세트를 사용함에 의해, 전송 NN의 하나 이상의 최종 레이어를 트레이닝하는 단계를 포함하는, 방법.
4. 제1항에 있어서,상기 머신 학습 모델을 트레이닝하는 단계가 패턴 파라미터의 참조 세트에 대한 손실 함수를 최소화하는 단계를 포함하고, 상기 손실 함수는 평균 제곱 오차(MSE) 함수인, 방법.
5. 제1항에 있어서, 상기 참조 파라미터 세트가 CD 스캐닝 전자 현미경(CD-SEM), 원자력 현미경(AFM), 단면 터널링 전자 현미경( TEM) 또는 X선 계측 툴 중 하나 이상에 의해 고정밀 계측으로 측정되는, 방법.
6. 제 1 항에 있어서,상기 복수의 웨이퍼 패턴 각각은 하나 이상의 웨이퍼 상에 위치되는, 방법.
7. 제1항에 있어서, 상기 복수의 측정된 스캐터로메트리 데이터 세트가 2개 이상의 측정 채널에 의해 측정되는, 방법.
8. 비 일시적 메모리(non-transient memory)를 갖는 프로세서를 포함하는 OCD 계측 시스템으로서, 상기 메모리가 상기 프로세서에 의해 실행되는 때, 상기 프로세서가:
   복수의 개별 웨이퍼 패턴으로부터 복수의 참조 파라미터 세트를 수신하고 상기 복수의 개별 웨이퍼 패턴으로부터 측정된 복수의 대응하는 측정된 스캐터로메트리 데이터 세트를 수신하는 단계;
   광학 모델로 제공된 패턴 파라미터로부터 모델 스캐터로메트리 데이터 세트를 계산하도록 설계된 광학 모델을 수신하는 단계 - 상기 광학 모델은 물리 법칙에 따라 설계됨 -; 그리고
   트레이닝 동안, 참조 파라미터 세트를 포함하는 타겟 특징을 적용하고 그리고 측정된 스캐터로메트리 데이터 및 모델 스캐터로메트리 데이터의 세트를 포함하는 입력 특징을 적용함으로써 머신 학습 모델을 트레이닝시켜서, 트레이닝된 머신 학습 모델이 이후에 측정된 스캐터로메트리 데이터 세트로부터 새로운 웨이퍼 패턴 파라미터를 추정할 수 있도록하는 단계를 구현하도록 하는 명령을 포함하는, OCD 계측 시스템:
9. 제8항에 있어서, 상기 광학 모델은 스캐터로메트리 데이터 세트로부터 모델 패턴 파라미터를 계산하는 역함수를 수행하도록 더욱 설계되고, 상기 머신 학습 모델의 트레이닝은:
   측정된 스캐터로메트리 데이터 세트 각각에 대해 대응하는 모델 패턴 파라미터 세트를 계산하기 위해 광학 모델을 적용함으로써 복수의 모델 패턴 파라미터 세트를 계산하는 단계;
   대응하는 모델 스캐터로메트리 데이터 세트를 생성하기 위해 대응하는 모델 패턴 파라미터 세트 각각으로 광학 모델을 적용함으로써 복수의 모델 스캐터로메트리 데이터 세트를 계산하는 단계;
   복수의 측정된 스캐터로메트리 데이터 세트 각각에 대해, 측정된 스캐터로메트리 데이터 세트, 대응하는 모델 패턴 파라미터, 및 대응하는 모델 스캐터로메트리 데이터를 결합된 특징 벡터로 결합함에 의해, 결합된 특징 벡터를 생성하는 단계; 그리고
   상기 트레이닝의 타겟 특징으로서 상기 참조 파라미터를 사용하고 입력 특징으로서 상기 결합된 특징 벡터를 사용하여, 머신 학습 모델을 트레이닝하는 단계를 포함하는, 시스템.
10. 제8항에 있어서, 상기 머신 러닝 모델은 전달 신경망(NN)이고, 상기 머신 학습 모델의 트레이닝은 제1 NN 및 상기 전달 NN을 트레이닝함을 포함하며, 상기 제1 NN 및 상기 전달 NN을 트레이닝하는 단계가:
    복수의 시뮬레이션된 패턴 파라미터 세트를 생성하는 단계;
    시뮬레이션된 패턴 파라미터 세트 각각에 대한 모델 스캐터로메트리 데이터 세트를 생성하기 위해 광학 모델을 적용함으로써 복수의 모델 스캐터로메트리 데이터 세트를 생성하는 단계;
    상기 복수의 시뮬레이션된 패턴 파라미터 세트를 포함하는 제1 타겟 세트 및 상기 모델 스캐터로메트리 데이터 세트를 포함하는 제1 입력 특징으로 제1 NN을 트레이닝하는 단계; 그리고
    제1 NN으로부터 전송된 초기 레이어를 사용하여 전송 NN을 트레이닝하여, 타겟 특징으로서 복수의 참조 파라미터 세트와 대응하는 입력 특징으로서 복수의 측정된 스캐터로메트리 데이터 세트를 사용함에 의해, 전송 NN의 하나 이상의 최종 레이어를 트레이닝하는 단계를 포함하는, 시스템.
11. 제8항에 있어서,상기 머신 학습 모델을 트레이닝하는 단계가 패턴 파라미터의 참조 세트에 대한 손실 함수를 최소화하는 단계를 포함하고, 상기 손실 함수는 평균 제곱 오차(MSE) 함수인,시스템.
12. 제8항에 있어서, 고정밀도로 측정된 상기 참조 파라미터 세트가 CD 스캐닝 전자 현미경(CD-SEM), 원자력 현미경(AFM), 단면 터널링 전자 현미경( TEM) 또는 X선 계측 툴 중 하나 이상에 의해 측정되는, 시스템.
13. 제 8 항에 있어서,상기 복수의 웨이퍼 패턴 각각은 하나 이상의 웨이퍼 상에 위치되는, 시스템.
14. 제8항에 있어서, 상기 복수의 측정된 스캐터로메트리 데이터 세트가 2개 이상의 측정 채널에 의해 측정되는, 시스템.
    

Images