[go: up one dir, main page]

KR20240011514A - 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템 - Google Patents

스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템 Download PDF

Info

Publication number
KR20240011514A
KR20240011514A KR1020220089031A KR20220089031A KR20240011514A KR 20240011514 A KR20240011514 A KR 20240011514A KR 1020220089031 A KR1020220089031 A KR 1020220089031A KR 20220089031 A KR20220089031 A KR 20220089031A KR 20240011514 A KR20240011514 A KR 20240011514A
Authority
KR
South Korea
Prior art keywords
model
sub
output data
sample
data
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
KR1020220089031A
Other languages
English (en)
Inventor
김규환
김재윤
노현균
마아미
이성희
장규백
전우영
정재훈
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020220089031A priority Critical patent/KR20240011514A/ko
Priority to CN202310826022.2A priority patent/CN117420077A/zh
Priority to US18/348,469 priority patent/US20240028814A1/en
Priority to EP23184723.7A priority patent/EP4310444A1/en
Priority to TW112126606A priority patent/TW202411640A/zh
Publication of KR20240011514A publication Critical patent/KR20240011514A/ko
Pending legal-status Critical Current

Links

Images

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
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G01B11/0625—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 absorption or reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

스펙트럼에 기초하여 구조를 측정하기 위한 방법은, 제1 서브 모델 및 제1 서브 모델에 후속하는 제2 서브 모델을 포함하고, 시뮬레이션 데이터에 기초하여 트레이닝된, 제1 모델을 획득하는 단계, 제1 서브 모델과 동일한 제3 서브 모델을 포함하는 제2 모델을 생성하는 단계, 샘플 구조들의 스펙트럼들을 측정함으로써 생성된 샘플 스펙트럼 데이터에 기초하여 제2 모델을 트레이닝하는 단계, 및 트레이닝된 제2 모델에 기초하여, 구조의 스펙트럼을 측정함으로써 생성된 실측 스펙트럼 데이터로부터 구조를 추정하는 단계를 포함할 수 있다.

Description

스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템{METHOD AND SYSTEM FOR MEASURING STRUCTURE BASED ON SPECTRUM}
본 개시의 기술적 사상은 구조 측정에 관한 것으로서, 자세하게는 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템에 관한 것이다.
반도체 공정의 발전에 기인하여, 집적 회로는 높은 집적도를 가질 수 있고, 복잡한 구조를 포함할 수 있다. 반도체 공정에 의해서 제조되는 집적 회로의 검증을 위하여, 집적 회로에 포함된 구조를 측정하는 것은 많은 시간 및 비용을 요구할 수 있고, 집적 회로의 파괴를 요구될 수도 있다. 이에 따라 집적 회로를 파괴하지 아니하고 집적 회로에 포함된 구조를 효과적으로 측정하는 방법이 요구될 수 있다.
본 개시의 기술적 사상은, 스펙트럼에 기초하여 구조를 효과적으로 측정하는 방법 및 시스템을 제공한다.
본 개시의 기술적 사상의 일측면에 따라, 스펙트럼에 기초하여 구조를 측정하기 위한 방법은, 제1 서브 모델 및 제1 서브 모델에 후속하는 제2 서브 모델을 포함하고, 시뮬레이션 데이터에 기초하여 트레이닝된, 제1 모델을 획득하는 단계, 제1 서브 모델과 동일한 제3 서브 모델을 포함하는 제2 모델을 생성하는 단계, 샘플 구조들의 스펙트럼들을 측정함으로써 생성된 샘플 스펙트럼 데이터에 기초하여 제2 모델을 트레이닝하는 단계, 및 트레이닝된 제2 모델에 기초하여, 구조의 스펙트럼을 측정함으로써 생성된 실측 스펙트럼 데이터로부터 구조를 추정하는 단계를 포함할 수 있다.
본 개시의 기술적 사상의 일측면에 따른 시스템은, 적어도 하나의 프로세서, 및 적어도 하나의 프로세서에 의해서 실행시, 적어도 하나의 프로세서로 하여금 스펙트럼에 기초하여 구조 측정을 수행하도록 명령어들을 저장하는 비일시적 저장매체를 포함할 수 있고, 구조 측정은, 제1 서브 모델 및 제1 서브 모델에 후속하는 제2 서브 모델을 포함하고, 시뮬레이션 데이터에 기초하여 트레이닝된, 제1 모델을 획득하는 단계, 제1 서브 모델과 동일한 제3 서브 모델을 포함하는 제2 모델을 생성하는 단계, 샘플 구조들의 스펙트럼들을 측정함으로써 생성된 샘플 스펙트럼 데이터에 기초하여 제2 모델을 트레이닝하는 단계, 및 트레이닝된 제2 모델에 기초하여, 구조의 스펙트럼을 측정함으로써 생성된 실측 스펙트럼 데이터로부터 구조를 추정하는 단계를 포함할 수 있다.
본 개시의 기술적 사상의 일측면에 따라, 적어도 하나의 프로세서에 의해서 실행시, 적어도 하나의 프로세서로 하여금 스펙트럼에 기초하여 구조 측정을 수행도록 명령어들을 저장하는 비일시적 저장매체로서, 구조 측정은, 제1 서브 모델 및 제1 서브 모델에 후속하는 제2 서브 모델을 포함하고, 시뮬레이션 데이터에 기초하여 트레이닝된, 제1 모델을 획득하는 단계, 제1 서브 모델과 동일한 제3 서브 모델을 포함하는 제2 모델을 생성하는 단계, 샘플 구조들의 스펙트럼들을 측정함으로써 생성된 샘플 스펙트럼 데이터에 기초하여 제2 모델을 트레이닝하는 단계, 및 트레이닝된 제2 모델에 기초하여, 구조의 스펙트럼을 측정함으로써 생성된 실측 스펙트럼 데이터로부터 구조를 추정하는 단계를 포함할 수 있다.
본 개시의 기술적 사상의 일측면에 따라, 스펙트럼에 기초하여 구조를 측정하기 위한 방법은, 제1 서브 모델 및 제1 서브 모델에 후속하는 제2 서브 모델을 포함하고, 시뮬레이션 데이터에 기초하여 트레이닝된, 제1 모델을 획득하는 단계, 제1 모델에 기초하여 제2 모델을 생성하는 단계, 샘플 구조들의 스펙트럼들을 측정함으로써 생성된 샘플 스펙트럼 데이터에 기초하여 제2 모델을 트레이닝하는 단계, 제1 모델의 출력 데이터 및 트레이닝된 제2 모델의 출력 데이터에 기초하여, 제2 모델을 검증하는 단계, 및 검증된 제2 모델에 기초하여, 구조의 스펙트럼을 측정함으로써 생성된 실측 스펙트럼 데이터로부터 구조를 추정하는 단계를 포함할 수 있다.
본 개시의 예시적 실시예에 따른 방법 및 시스템에 의하면, 제한된 실측 데이터에도 불구하고, 스펙트럼으로부터 집적 회로의 구조를 정확하게 추정하기 위한 모델이 제공될 수 있다.
또한, 본 개시의 예시적 실시예에 따른 방법 및 시스템에 의하면, 집적 회로를 파괴하지 아니하고서 집적 회로의 구조가 정확하게 측정될 수 있고, 집적 회로의 신뢰도가 향상될 수 있다.
또한, 본 개시의 예시적 실시예에 따른 방법 및 시스템에 의하면, 효율적으로 측정된 구조에 기인하여 반도체 공정이 용이하게 조정될 수 있고, 이에 따라 집적 회로의 생산성이 향상될 수 있다.
본 개시의 예시적 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 아니하며, 언급되지 아니한 다른 효과들은 이하의 설명으로부터 본 개시의 예시적 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시의 예시적 실시예들을 실시함에 따른 의도하지 아니한 효과들 역시 본 개시의 예시적 실시예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
도 1은 본 개시의 예시적 실시예에 따른 구조 측정을 나타내는 블록도이다.
도 2는 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다.
도 3은 본 개시의 예시적 실시예에 따른 제1 모델 및 제2 모델을 나타내는 블록도이다.
도 4는 본 개시의 예시적 실시예에 따른 기계 학습 모델을 나타내는 도면이다.
도 5는 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다.
도 6은 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다.
도 7은 본 개시의 예시적 실시예에 따른 서브 모델의 예시들을 나타내는 도면이다.
도 8은 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다.
도 9는 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다.
도 10은 본 개시의 예시적 실시예들에 따른 모델의 출력 데이터의 예시들을 나타내는 도면이다.
도 11은 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다.
도 12는 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다.
도 13은 본 개시의 예시적 실시예에 따른 컴퓨터 시스템을 나타내는 블록도이다.
도 14는 본 개시의 예시적 실시예에 따른 시스템을 나타내는 블록도이다.
도 1은 본 개시의 예시적 실시예에 따른 구조 측정(10)을 나타내는 블록도이다. 구조 측정(10)은 대상에 입사된 광선에 의해서 측정되는 스펙트럼에 기초하여 대상을 측정할 수 있다. 도 1의 구조 측정(10)은, 웨이퍼(W)에 포함된 복수의 다이(die)들 중 적어도 하나의 구조를 측정할 수 있다. 이하에서, 다이의 구조를 측정하는 예시들이 주로 설명될 것이나, 본 개시의 실시예들이 이에 제한되지 아니하는 점이 유의된다. 본 명세서에서, 웨이퍼(W) 및 다이는 집적 회로로서 총괄적으로 지칭될 수 있다.
웨이퍼(W)는 반도체 공정에 의해서 제조될 수 있고, 복수의 다이들을 포함할 수 있다. 반도체 공정이 발달함에 따라 다이의 크기가 감소하거나 다이에 포함된 소자들의 집적도가 증가할 수 있다. 이에 따라, 다이는 작은 크기의 구조를 포함할 수 있고, 복잡한 구조를 포함할 수 있다. 다이를 검증하기 위하여, 즉 반도체 공정에 의해서 제조된 다이가 설계된 구조를 가지는지 여부를 확인하기 위하여 다이에 포함된 구조가 측정될 수 있다. 예를 들면, 다이는 트랜지스터와 같은 소자를 포함할 수 있고, 트랜지스터의 게이트 등이 측정될 수 있다. 또한, 다이는 복수의 배선층들에 각각 형성된 패턴들을 포함할 수 있고, 패턴의 폭, 패턴들 사이 간격 등이 측정될 수 있다. 반도체 공정은 웨이퍼(W)에 포함된 모든 다이들이 동일한 구조를 가지도록 설계되나, 다양한 요인들에 기인하여 웨이퍼들 사이에 변이(variation)가 발생할 수 있고, 웨이퍼(W)에 포함된 다이들 사이에 변이가 발생할 수도 있다.
SEM(scanning electron microscope) 혹은 TEM(transmission electron microscopy) 등을 사용하여 다이의 구조를 직접 측정하는 것은 많은 시간 및 비용을 소요할 수 있고, 이에 따라 반도체 공정의 효율을 저해할 수 있다. 또한, 다이의 내부에 포함된 구조를 측정하는 것은 다이의 파괴를 요구할 수 있다. 다이에 포함된 구조를 효율적으로 측정하고 비파괴 검사를 위하여, 스펙트럼이 활용될 수 있다. 예를 들면, 웨이퍼(W)에 광선이 조사될 수 있고, 조사된 광선에 의해서 발생하는 스펙트럼에 기초하여 다이에 포함된 구조가 추정될 수 있다. 스펙트럼으로부터 구조를 추정하기 위하여 기계 학습이 사용될 수 있고, 스펙트럼에 기초한 구조 측정(10)의 정확도는 기계 학습의 정확도에 의존할 수 있다.
스펙트럼 취득 장비(12)는 웨이퍼(W)에 광선을 조사할 수 있고, 광선에 의해서 발생한 스펙트럼을 취득할 수 있다. 일부 실시예들에서, 스펙트럼 취득 장비(12)는 웨이퍼(W)로부터 반사되는 스펙트럼을 취득할 수도 있고, 웨이퍼(W)를 투과한 스펙트럼을 취득할 수도 있다. 도 1에 도시된 바와 같이, 스펙트럼 취득 장비(12)는 취득된 스펙트럼을 나타내는 스펙트럼 데이터(SPC)를 측정 시스템(14)에 제공할 수 있다. 일부 실시예들에서, 스펙트럼 취득 장비(12)는 웨이퍼(W)를 제조하는 반도체 공정에 설치될 수 있다. 일부 실시예들에서, 스펙트럼 취득 장비(12)는 웨이퍼(W)의 중심부에 대응하는 스펙트럼 데이터(SPC) 및 웨이퍼(W)의 가장자리에 대응하는 스펙트럼 데이터(SPC)를 각각 생성할 수 있다. 일부 실시예들에서, 스펙트럼 취득 장비(12)는 웨이퍼(W)의 원하는 특정 위치에 대응하는 스펙트럼 데이터(SPC)를 생성할 수 있다.
측정 시스템(14)은 스펙트럼 취득 장비(12)로부터 스펙트럼 데이터(SPC)를 수신할 수 있고, 스펙트럼 데이터(SPC)의 스펙트럼에 대응하는 구조를 나타내는 치수 데이터(DIM)를 생성할 수 있다. 예를 들면, 치수 데이터(DIM)는 다이에 포함된 구조의 크기를 나타내는 값을 포함할 수 있다. 일부 실시예들에서, 측정 시스템(14)은, 도 13 및 도 14를 참조하여 후술되는 컴퓨팅 시스템에 의해서 구현될 수 있다. 예를 들면, 본 명세서의 도면들에 도시된 블록들 각각은 컴퓨팅 시스템에 포함된 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합에 대응할 수 있다. 일부 실시예들에서, 하드웨어는, CPU(central processing unit), DSP(digital signal processor), GPU(graphics processing unit)와 같은 프로그램가능(programmable) 컴포넌트, FPGA(field programmable gate array)와 같은 재구성가능(reconfigurable) 컴포넌트 및 IP(intellectual property) 블록과 같은 고정된 기능을 제공하는 컴포넌트 중 적어도 하나를 포함할 수 있다. 일부 실시예들에서, 소프트웨어는, 프로그램가능 컴포넌트에 의해서 실행가능한 일련의 명령어들 및 컴파일러 등에 의해서 일련의 명령어들로 변환가능한 코드 중 적어도 하나를 포함할 수 있고, 비일시적(non-transitory) 저장 매체에 저장될 수 있다. 본 명세서에서, 기계 학습에 기초한 모델은 단순하게 모델로서 지칭될 수도 있다.
도 1을 참조하면, 측정 시스템(14)은 기계 학습 모델(ML)을 포함할 수 있다. 기계 학습 모델(ML)은 스펙트럼 데이터(SPC)로부터 치수 데이터(DIM)를 생성하는데 사용될 수 있다. 예를 들면, 기계 학습 모델(ML)의 출력 데이터를 처리(예컨대, 변환 및/또는 해석)함으로써 치수 데이터(DIM)가 생성될 수 있다. 본 명세서에서, 측정 시스템(14)에 포함되는 기계 학습 모델(ML)은 제2 모델로 지칭될 수 있다. 전술된 바와 같이, 다이를 측정하는 것은 많은 시간 및 비용을 요구할 수 있고, 이에 따라 기계 학습 모델(ML)을 트레이닝하기 위한 실측(measured) 데이터가 제한될 수 있다.
도면들을 참조하여 후술되는 바와 같이, 기계 학습 모델(ML)은 시뮬레이션 데이터에 기초하여 트레이닝된 모델에 기초하여 생성되고 트레이닝될 수 있다. 또한, 기계 학습 모델(ML)은 출력 데이터가 구조의 물리적 현상(physics)을 따르도록 트레이닝될 수 있다. 이에 따라, 스펙트럼으로부터 다이의 구조를 정확하게 추정하기 위한 기계 학습 모델(ML)이 제공될 수 있고, 다이를 파괴하지 아니하고서도 구조가 정확하게 측정될 수 있으며, 집적 회로의 신뢰도가 향상될 수 있다. 또한, 효율적으로 측정된 구조에 기인하여 반도체 공정이 용이하게 조정되거나 재설계될 수 있고, 이에 따라 집적 회로의 생산성이 향상될 수 있다. 일부 실시예들에서, 기계 학습 모델(ML)의 생성 및 트레이닝은, 도 13 및 도 14를 참조하여 후술되는 컴퓨팅 시스템에 의해서 구현될 수 있다.
도 2는 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다. 도 2에 도시된 바와 같이, 구조를 측정하기 위한 방법은 복수의 단계들(S200, S400, S600, S800)을 포함할 수 있다. 이하에서, 도 2는 도 1을 참조하여 설명될 것이다.
도 2를 참조하면, 단계 S200에서 제1 모델이 획득될 수 있다. 제1 모델은 후술되는 제2 모델, 즉 도 1의 기계 학습 모델(ML)을 생성하고 트레이닝하는데 사용될 수 있다. 예를 들면, 제1 모델은 시뮬레이션 데이터(D22)에 기초하여 트레이닝된 상태를 가질 수 있다. 시뮬레이션 데이터(D22)는 가상의 구조들을 정의하는 데이터를 포함할 수 있고, 가상의 구조들로부터 시뮬레이션 툴에 의해서 생성된 가상 스펙트럼들을 정의하는 데이터를 포함할 수 있다. 도 1을 참조하여 전술된 실측 데이터와 상이하게, 시뮬레이션 데이터(D22)는 시뮬레이션 툴에 의해서 용이하게 생성될 수 있고, 이에 따라 제1 모델은 가상 스펙트럼을 정의하는 데이터로부터 가상 구조를 나타내는 데이터를 출력하도록 용이하게 트레이닝될 수 있다. 제1 모델의 예시들이 도 3 및 도 4 등을 참조하여 후술될 것이고, 단계 S200의 예시가 도 5를 참조하여 후술될 것이다.
단계 S400에서, 제2 모델이 생성될 수 있다. 도 1을 참조하여 전술된 바와 같이, 제2 모델은 실측 스펙트럼으로부터 구조를 추정하는데 사용될 수 있다. 일부 실시예들에서, 제2 모델은 제1 모델과 동일한 구조를 가질 수 있다. 일부 실시예들에서, 제2 모델은 트레이닝이 완료된 제1 모델의 일부와 동일한 일부를 포함할 수 있다. 제2 모델의 예시들이 도 3 및 도 4를 참조하여 후술될 것이고, 단계 S400의 예시가 도 6을 참조하여 후술될 것이다.
단계 S600에서, 제2 모델이 트레이닝될 수 있다. 예를 들면, 도 2에 도시된 바와 같이, 단계 S400에서 생성된 제2 모델은 샘플 데이터(D24)에 기초하여 트레이닝될 수 있다. 샘플 데이터(D24)는 샘플 구조를 측정함으로써 생성된 실측 구조 데이터(또는 샘플 구조 데이터) 및 샘플 구조의 스펙트럼을 취득함으로써 생성된 실측 스펙트럼 데이터(또는 샘플 스펙트럼 데이터)를 포함할 수 있다. 전술된 바와 같이, 단계 S400에서 제2 모델의 적어도 일부가 제1 모델로부터 생성될 수 있다. 또한, 일부 실시예들에서 샘플 데이터(D24)뿐만 아니라 제1 모델의 출력 데이터가 제2 모델의 트레이닝에 사용될 수 있다. 이에 따라. 실측된 데이터를 포함하는 샘플 데이터(D24)는 제한적일 수 있으나, 제2 모델은 스펙트럼으로부터 구조를 측정하도록 성공적으로 트레이닝될 수 있다. 단계 S600의 예시가 도 8을 참조하여 후술될 것이다.
단계 S800에서, 구조가 추정될 수 있다. 예를 들면, 도 2에 도시된 바와 같이, 실측 데이터(D26)에 기초하여 단계 S600에서 트레이닝된 제2 모델을 사용하여 구조가 추정될 수 있다. 실측 데이터(D26)는 웨이퍼(W)로부터 취득된 스펙트럼을 나타내는 실측 스펙트럼 데이터, 예컨대 도 1의 스펙트럼 데이터(SPC)를 포함할 수 있다. 단계 S600에서 트레이닝된 제2 모델은 실측 데이터(D26)로부터 구조를 나타내는 출력 데이터를 생성할 수 있고, 출력 데이터에 기초하여 구조가 추정될 수 있다.
도 3은 본 개시의 예시적 실시예에 따른 제1 모델(31) 및 제2 모델(32)을 나타내는 블록도이다. 도 2를 참조하여 전술된 바와 같이, 제2 모델(32)은 구조를 측정하는데 사용될 수 있고, 제1 모델(31)은 제2 모델(32)을 생성하고 트레이닝하는데 사용될 수 있다. 도 3에 도시된 바와 같이, 제1 모델(31)은 가상 스펙트럼 데이터(D32)를 수신할 수 있고, 출력 데이터(D33)를 생성할 수 있다. 제2 모델(32)은 실측 스펙트럼 데이터(D36)를 수신할 수 있고, 출력 데이터(D37)를 생성할 수 있다.
도 3에 도시된 바와 같이, 제1 모델(31)은 제1 서브 모델(ML1) 및 제1 서브 모델(ML1)에 후속하는 제2 서브 모델(ML2)을 포함할 수 있다. 제1 서브 모델(ML1)은 가상 스펙트럼 데이터(D32)를 수신할 수 있고, 가상 스펙트럼 데이터(D32)를 처리할 수 있다. 일부 실시예들에서, 제1 서브 모델(ML1)은 가상 스펙트럼 데이터(D32)를 처리함으로써 피처(feature)를 추출할 수 있고, 피처를 나타내는 데이터를 후속하는 제2 서브 모델(ML2)에 제공할 수 있다.
제2 서브 모델(ML2)은 제1 서브 모델(ML1)로부터 제공된 데이터를 처리할 수 있고, 출력 데이터(D33)를 생성할 수 있다. 예를 들면, 제2 서브 모델(ML2)은 제1 서브 모델(ML1)이 제공한 데이터가 나타내는 피처로부터 구조를 추정하는 회귀모델(regressor)로 기능할 수 있다. 이에 따라, 출력 데이터(D33)는 가상 구조에 대한 정보, 예컨대 가상 구조의 크기를 나타내는 값을 포함할 수 있다. 일부 실시예들에서, 출력 데이터(D33)는 도 9 등을 참조하여 후술되는 바와 같이, 제2 모델(32)을 트레이닝하는데 사용될 수 있다.
도 3에 도시된 바와 같이, 제2 모델(32)은 제3 서브 모델(ML3) 및 제4 서브 모델(ML4)을 포함할 수 있다. 제3 서브 모델(ML3)은 실측 스펙트럼 데이터(D36)를 수신할 수 있고, 실측 스펙트럼 데이터(D36)를 처리할 수 있다. 일부 실시예들에서, 제3 서브 모델(ML3)은 실측 스펙트럼 데이터를 처리함으로써 피처를 추출할 수 있고, 피처를 나타내는 데이터를 후속하는 제4 서브 모델(ML4)에 제공할 수 있다. 일부 실시예들에서, 제3 서브 모델(ML3)은 제1 모델(31)의 제1 서브 모델(ML1)과 동일한 구조를 가질 수 있다. 일부 실시예들에서, 도 7 등을 참조하여 후술되는 바와 같이, 제2 모델(32)의 제3 서브 모델(ML3)은 제1 모델(31)의 제1 서브 모델(ML1)과 일치할 수 있다. 제3 서브 모델(ML3)의 예시가 도 4를 참조하여 후술될 것이다.
제4 서브 모델(ML4)은 제3 서브 모델(ML3)로부터 제공된 데이터를 처리할 수 있고, 출력 데이터(D37)를 생성할 수 있다. 예를 들면, 제4 서브 모델(ML4)은 제3 서브 모델(ML3)이 제공한 데이터가 나타내는 피처로부터 구조를 추정하는 회귀모델로 기능할 수 있다. 이에 따라, 출력 데이터(D37)는 구조에 대한 정보, 예컨대 구조의 크기를 나타내는 값을 포함할 수 있다. 일부 실시예들에서, 제4 서브 모델(ML4)은 제1 모델(31)의 제2 서브 모델(ML2)과 동일한 구조를 가질 수 있다. 제4 서브 모델(ML4)의 예시가 도 4를 참조하여 후술될 것이다.
도 4는 본 개시의 예시적 실시예에 따른 기계 학습 모델을 나타내는 도면이다. 일부 실시예들에서, 도 3의 제1 모델(31) 및 제2 모델(32) 각각은 도 4의 모델(40)과 동일한 구조를 가질 수 있다. 도 4에 도시된 바와 같이, 모델(40)은 스펙트럼 데이터로부터 출력 데이터를 생성할 수 있다. 이하에서, 도 4는 도 3을 참조하여 설명될 것이다.
도 4를 참조하면, 모델(40)은 합성곱(convolution) 레이어들 및 합성곱 레이어들에 후속하는 완전 연결(fully connected) 레이어들을 포함할 수 있다. 합성곱 레이어들은 스펙트럼 데이터로부터 피처를 추출할 수 있고, 합성곱 레이어들의 출력 데이터는 스펙트럼의 피처를 나타내는 표현형(representation)에 대응할 수 있다. 일부 실시예들에서, 합성곱 레이어들은 도 4에 도시된 바와 상이한 개수의 레이어들을 포함할 수 있다. 완전 연결 레이어들은 표현형에 대응하는 데이터를 분류(classification) 혹은 회귀(regression)함으로써 출력 데이터를 생성할 수 있다. 일부 실시예들에서, 완전 연결 레이어들은 도 4에 도시된 바와 상이한 개수의 레이어들을 포함할 수 있다.
일부 실시예들에서, 도 3의 제1 서브 모델(ML1) 및 제3 서브 모델(ML3) 각각은 합성곱 레이어들을 포함할 수 있다. 또한, 일부 실시예들에서, 도 3의 제2 서브 모델(ML2) 및 제4 서브 모델(ML4) 각각은 완전 연결 레이어들을 포함할 수 있다. 전술된 바와 같이, 합성곱 레이어들은 스펙트럼 데이터로부터 표현형을 생성할 수 있고, 이에 따라 가상 스펙트럼 데이터로부터 표현형을 생성하도록 트레이닝된 제1 서브 모델(ML1)이 제3 서브 모델(ML3)로서 제2 모델(32)에 채용될 수 있다. 또한, 제4 서브 모델(ML4)은 실측 스펙트럼 데이터에 기초하여 트레이닝될 수 있고, 이에 따라 트레이닝된 제2 모델(32)은 제한된 실측 스펙트럼 데이터(D36)에도 불구하고, 구조를 나타내는 출력 데이터(D37)를 실측 스펙트럼 데이터로부터 생성할 수 있다.
도 5는 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다. 구체적으로, 도 5의 순서도는 도 2의 단계 S200의 예시를 나타낸다. 도 2를 참조하여 전술된 바와 같이, 도 5의 단계 S200'에서 제1 모델(31)이 획득될 수 있다. 도 5에 도시된 바와 같이, 단계 S200'은 복수의 단계들(S220, S240, S260, S280)을 포함할 수 있다. 이하에서, 도 5는 도 3을 참조하여 설명될 것이다.
도 5를 참조하면, 단계 S220에서 가상 스펙트럼들이 생성될 수 있다. 예를 들면, 복수의 가상 구조들이 정의될 수 있고, 복수의 가상 구조들을 정의하는 데이터, 즉 가상 구조 데이터가 시뮬레이션 툴에 제공될 수 있다. 시뮬레이션 툴은 복수의 가상 구조들 각각에 대응하는 복수의 가상 스펙트럼들을 추정할 수 있고, 복수의 가상 스펙트럼들을 정의하는 데이터, 즉 가상 스펙트럼 데이터를 생성할 수 있다. 일부 실시예들에서, 복수의 가상 구조들은 실제 구조, 예컨대 도 1의 웨이퍼(W)에 포함된 다이의 설계 구조와 동일하거나 유사한 가상 구조를 포함할 수 있다.
단계 S240에서, 제1 모델(31)이 트레이닝될 수 있다. 예를 들면, 단계 S220에서 생성된 가상 스펙트럼 데이터가 제1 모델(31)에 제공될 수 있고, 제1 모델(31)의 출력 데이터(D33) 및 가상 구조 데이터에 기초하여 제1 모델(31)이 트레이닝될 수 있다. 일부 실시예들에서, 제1 모델(31)은 출력 데이터(D33) 및 가상 구조 데이터 사이 오차가 감소하도록 트레이닝될 수 있다. 예를 들면, 출력 데이터(D33) 및 가상 구조 데이터 사이 오차에 비례하는 손실 함수(loss function)가 정의될 수 있고, 제1 모델(31)은 손실 함수의 값이 감소하도록 트레이닝될 수 있다.
단계 S260에서, 제1 모델(31)이 검증될 수 있다. 예를 들면, 제1 모델(31)은 출력 데이터(D33) 및 가상 구조 데이터 사이 오차에 기초하여 검증될 수 있다. 일부 실시예들에서, 출력 데이터(D33) 및 가상 구조 데이터 사이 오차에 비례하는 손실 함수가 정의될 수 있고, 손실 함수의 값이 미리 정의된 문턱값 이하로 감소하는 경우 제1 모델(31)의 검증이 성공할 수 있다.
단계 S280에서, 제1 모델(31)의 검증의 성공 여부가 판정될 수 있다. 도 5에 도시된 바와 같이, 제1 모델(31)의 검증이 성공한 경우 단계 S200'이 종료할 수 있고, 도 2의 단계 S400이 후속하여 수행될 수 있다. 다른 한편으로, 제1 모델(31)의 검증이 실패한 경우 단계 S240이 후속하여 수행될 수 있다. 일부 실시예들에서, 도 5에 도시된 바와 상이하게, 제1 모델(31)의 검증이 실패한 경우, 단계 S220이 후속하여 수행될 수도 있다.
도 6은 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다. 구체적으로, 도 6의 순서도는 도 2의 단계 S400의 예시를 나타낸다. 도 2를 참조하여 전술된 바와 같이, 도 6의 단계 S400'에서 제2 모델(32)이 생성될 수 있다. 도 6에 도시된 바와 같이, 단계 S400'은 단계 S420 및 단계 S440을 포함할 수 있다. 이하에서, 도 6은 도 3을 참조하여 설명될 것이다.
도 6을 참조하면, 단계 S420에서 제3 서브 모델(ML3)이 생성될 수 있다. 도 3을 참조하여 전술된 바와 같이, 제2 모델(32)은 제3 서브 모델(ML3) 및 제4 서브 모델(ML4)을 포함할 수 있고, 제3 서브 모델(ML3)은 실측 스펙트럼 데이터(D36)를 처리할 수 있다. 일부 실시예들에서, 트레이닝된 (또는 검증된) 제1 모델(31)에 포함된 제1 서브 모델(ML1)을 복제함으로써 제3 서브 모델(ML3)이 생성될 수 있고, 이에 따라 제3 서브 모델(ML3)은 제1 서브 모델(ML1)과 동일한 구조 및 값들(예컨대, 가중치들)을 가질 수 있다. 일부 실시예들에서, 제3 서브 모델(ML3)의 값들은 단계 S400'에 후속하여 수행되는 도 2의 단계 S600에서 제2 모델(32)이 트레이닝되는 동안 고정될 수 있다. 단계 S420에 따라 생성된 제3 서브 모델(ML3)의 예시가 도 7을 참조하여 후술될 것이다.
단계 S440에서, 제4 서브 모델(ML4)이 생성될 수 있다. 도 3을 참조하여 전술된 바와 같이, 제4 서브 모델(ML4)은 제3 서브 모델(ML3)이 제공한 데이터를 처리할 수 있고, 출력 데이터(D37)를 생성할 수 있다. 일부 실시예들에서, 제4 서브 모델(ML4)은 제1 모델(31)에 포함된 제2 서브 모델(ML2)과 동일한 구조를 가질 수 있다. 일부 실시예들에서, 제4 서브 모델(ML4)은 제2 서브 모델(ML2)의 값들(예컨대, 가중치들)을 초기값들로 가질 수 있고, 단계 S400'에 후속하여 수행되는 도 2의 단계 S600에서 제2 모델(32)이 트레이닝되는 동안 제4 서브 모델(ML4)의 값들이 변동할 수 있다.
도 7은 본 개시의 예시적 실시예에 따른 서브 모델의 예시들을 나타내는 도면이다. 구체적으로, 도 7은 도 3의 제1 모델(31)에 포함되는 제1 서브 모델(ML1) 및 제2 모델(32)에 포함되는 제3 서브 모델(ML3)을 나타낸다. 도 6을 참조하여 전술된 바와 같이, 제3 서브 모델(ML3)은 트레이닝된 제1 모델(31)에 포함된 제1 서브 모델(ML1)과 동일한 구조 및 값들을 가질 수 있다.
도 7을 참조하면, 트레이닝된 제1 서브 모델(ML1)은 가상 스펙트럼 데이터(D61)로부터 피처 데이터(D62)를 생성할 수 있다. 일부 실시예들에서, 도 4를 참조하여 전술된 바와 같이, 제1 서브 모델(ML1)은 합성곱 레이어들을 포함할 수 있고, 가상 스펙트럼 데이터(D61)의 피처를 나타내는 피처 데이터(D62)를 생성할 수 있다. 가상 스펙트럼 데이터(D61)를 t-SNE(t-distributed stochastic neighbor embedding)로 변환한 데이터(D61')에서는 특정한 규칙이 발견되지 아니하는 반면, 피처 데이터(D62)를 t-SNE로 변환한 데이터(D62')에서는 특정한 규칙이 발견될 수 있다. 즉, 피처 데이터(D62)는 가상 스펙트럼의 표현형을 나타낼 수 있다.
가상 스펙트럼으로부터 표현형을 추출하는 제1 서브 모델(ML1)은 실측 스펙트럼으로부터 표현형을 추출하는데 사용될 수 있다. 예를 들면, 도 7에 도시된 바와 같이, 제3 서브 모델(ML3)은 제1 서브 모델(ML1)로부터 생성될 수 있고, 제1 서브 모델(ML1)과 동일한 구조 및 값들을 포함할 수 있다. 도 7에 도시된 바와 같이, 다른 모델의 적어도 일부로부터 모델의 적어도 일부를 생성하는 것은 전이 학습(transfer learning)으로 지칭될 수 있다. 일부 실시예들에서, 제3 서브 모델(ML3)은 제1 서브 모델(ML1)과 같이 합성곱 레이어들을 포함할 수 있고, 실측 스펙트럼 데이터(D63)의 피처를 나타내는 피처 데이터(D64)를 생성할 수 있다. 도 8을 참조하여 후술되는 바와 같이, 제3 서브 모델(ML3)은 제2 모델(32)이 트레이닝되는 동안 고정될 수 있다.
도 8은 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다. 구체적으로, 도 8의 순서도는 도 2의 단계 S600의 예시를 나타낸다. 도 2를 참조하여 전술된 바와 같이, 도 8의 단계 S600'에서 제2 모델(32)이 트레이닝될 수 있다. 도 8에 도시된 바와 같이, 단계 S600'은 복수의 단계들(S620, S640, S660, S680)을 포함할 수 있다. 이하에서, 도 8은 도 3 및 도 7을 참조하여 설명될 것이다.
도 8을 참조하면, 단계 S620에서 제3 서브 모델(ML3)이 고정될 수 있다. 도 6 및 도 7을 참조하여 전술된 바와 같이, 제3 서브 모델(ML3)은 트레이닝된 제1 모델(31)에 포함된 제1 서브 모델(ML1)과 동일할 수 있고, 실측 스펙트럼 데이터(D63)로부터 피처 데이터(D64)를 생성할 수 있다. 이에 따라, 제한된 실측 데이터에도 불구하고 제3 서브 모델(ML3)로부터 스펙트럼의 피처가 적절하게 추출될 수 있고, 제3 서브 모델(ML3)의 값들(예컨대, 가중치들)은 제2 모델(32)이 트레이닝되는 동안 고정될 수 있다.
단계 S640에서, 제4 서브 모델(ML4)이 트레이닝될 수 있다. 도 6을 참조하여 전술된 바와 같이, 제4 서브 모델(ML4)은 제1 모델(31)의 제2 서브 모델(ML2)과 동일한 구조를 가질 수 있다. 단계 S620에서 고정된 제3 서브 모델(ML3)과 상이하게, 제4 서브 모델(ML4)은 실측 데이터에 기초하여 트레이닝될 수 있다. 일부 실시예들에서, 제4 서브 모델(ML4)은, 트레이닝된 제1 모델(31)의 제2 서브 모델(ML2)에 포함된 값들을 초기값들로서 포함할 수 있다. 일부 실시예들에서, 제2 모델(32)(또는 제4 서브 모델(ML4))은 출력 데이터(D37) 및 실측 구조 데이터 사이 오차가 감소하도록 트레이닝될 수 있다. 예를 들면, 출력 데이터(D37) 및 실측 구조 데이터 사이 오차에 비례하는 손실 함수가 정의될 수 있고, 제2 모델(32)은 손실 함수의 값이 감소하도록 트레이닝될 수 있다. 일부 실시예들에서, 제2 모델(32)은 도 9 등을 참조하여 후술되는 바와 같이, 물리적 현상을 따르도록 트레이닝될 수 있고, 이를 위하여 제2 모델(32)의 출력 데이터(D37)가 물리적 현상에서 벗어날수록 증가하는 손실 함수가 정의될 수 있다.
단계 S660에서, 제2 모델(32)이 검증될 수 있다. 일부 실시예들에서, 제2 모델(32)은 실측 데이터에 기초하여 검증될 수 있다. 일부 실시예들에서, 제2 모델(32)은 제1 모델(31)의 출력 데이터(D33)에 기초하여 검증될 수 있다. 단계 S660의 예시가 도 9를 참조하여 후술될 것이다.
단계 S680에서, 제2 모델(32)의 검증의 성공 여부가 판정될 수 있다. 도 8에 도시된 바와 같이, 제2 모델(32)의 검증이 성공한 경우 단계 S600'이 종료할 수 있고, 도 2의 단계 S800이 후속하여 수행될 수 있다. 일부 실시예들에서, 도 8에 도시된 바와 상이하게, 제2 모델(32)의 검증이 실패한 경우, 단계 S620이 후속하여 수행될 수도 있다.
도 9는 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다. 구체적으로, 도 9의 순서도는 도 8의 단계 S660의 예시를 나타낸다. 도 8을 참조하여 전술된 바와 같이, 도 9의 단계 S660'에서 제2 모델(32)이 검증될 수 있다. 도 9에 도시된 바와 같이, 단계 S660'은 단계 S662 및 단계 S664를 포함할 수 있다. 이하에서, 도 9는 도 3을 참조하여 설명될 것이다.
도 9를 참조하면, 단계 S662에서 실측 구조 데이터에 기초하여 제2 모델(32)이 검증될 수 있다. 예를 들면, 제2 모델(32)은 실측 데이터에 기초하여 트레이닝될 수 있고, 실측 데이터는 샘플 구조를 측정하여 생성된 실측 구조 데이터 및 샘플 구조로부터 생성된 스펙트럼을 취득하여 생성된 실측 스펙트럼 데이터를 포함할 수 있다. 일부 실시예들에서, 출력 데이터(D37) 및 실측 구조 데이터 사이 오차에 비례하는 손실 함수가 정의될 수 있고, 손실 함수의 값이 미리 정의된 문턱값 이하로 감소하는 경우, 단계 S662에서 제2 모델(32)의 검증이 성공할 수 있다. 예를 들면, 손실 함수 L0는 아래 [수학식 1]과 같이 정의될 수 있고, 제2 모델(32)은 손실 함수 L0가 감소하도록 트레이닝될 수 있다.
[수학식 1]에서, g는 제2 모델(32)을 나타내고, xHW는 실측 스펙트럼 데이터를 나타내고, yHW는 실측 구조 데이터를 나타내며, MSE는 평균 제곱 오차(mean squared error)를 나타낸다.
단계 S664에서, 제1 모델(31)의 출력 데이터(D33)에 기초하여 제2 모델(32)이 검증될 수 있다. [수학식 1]과 같은 손실 함수에 기초하여 제2 모델(32)이 트레이닝되는 경우, 도 10을 참조하여 후술되는 바와 같이, 트레이닝된 제2 모델(32)의 출력 데이터(D33)는 물리적 현상을 벗어날 수 있다. 시뮬레이션 데이터는 물리적 현상에 기초하여 시뮬레이션을 수행하는 시뮬레이션 툴에 의해서 생성될 수 있고, 시뮬레이션 데이터에 기초하여 트레이닝되는 제1 모델(31)은 물리적 현상을 준수하도록 트레이닝된 상태를 가질 수 있다. 이에 따라, 제2 모델(32)은 제1 모델(31)의 출력 데이터(D33)에 기초하여 검증하고 트레이닝될 수 있고, 물리적 현상을 준수하도록 트레이닝된 상태를 가질 수 있다. 이와 같이, 물리적 현상을 준수하도록 모델을 트레이닝하는 것은 물리 규제 학습(physics guided learning)으로 지칭될 수 있다. 단계 S664의 예시가 도 11을 참조하여 후술될 것이다.
도 10은 본 개시의 예시적 실시예들에 따른 모델의 출력 데이터의 예시들을 나타내는 도면이다. 구체적으로, 도 10은 제1 모델의 출력 데이터, 검증에 실패한 제2 모델의 출력 데이터 및 검증을 통과한 제2 모델의 출력 데이터를 각각 나타낸다. 도 10은 출력 데이터를 PCA(principal component analysis)에 따라 변환된 분포들로 나타낸다.
도 10을 참조하면, 제1 모델의 출력 데이터는 일정한 규칙을 가질 수 있다. 예를 들면, 도 10에 도시된 바와 같이, 제1 모델의 PCA 분포는 음의 기울기를 가지는 대각선을 따라 변동할 수 있다. 검증에 실패한 제2 모델의 PCA 분포는 양의 기울기를 가지는 대각선을 따라 변동할 수 있는 한편, 검증을 통과한 제2 모델의 PCA 분포는 제1 모델과 같이, 음의 기울기를 가지는 대각선을 따라 변동할 수 있다. 검증을 통과하도록 제2 모델을 트레이닝하는 방법의 예시가 도 11을 참조하여 후술될 것이다.
도 11은 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다. 구체적으로, 도 11의 순서도는 도 9의 단계 S664의 예시를 나타낸다. 도 9를 참조하여 전술된 바와 같이, 도 11의 단계 S664'에서 제1 모델(31)의 출력 데이터(D33)에 기초하여 제2 모델(32)이 검증될 수 있다. 도 11에 도시된 바와 같이, 단계 S664'는 복수의 단계들(S664_1 내지 S664_6)을 포함할 수 있다. 이하에서, 도 11은 도 3을 참조하여 설명될 것이다.
도 11을 참조하면, 단계 S664_1에서 시뮬레이션 데이터로부터 제1 샘플 및 제2 샘플이 추출될 수 있다. 예를 들면, 시뮬레이션 데이터에 포함된 가상 구조 데이터로부터 상이한 가상 구조들에 대응하는 제1 샘플 및 제2 샘플이 추출될 수 있다.
단계 S664_2에서, 제1 모델(31)로부터 제1 출력 데이터 및 제2 출력 데이터가 획득될 수 있다. 예를 들면, 제1 샘플이 제1 모델(31)에 제공될 수 있고, 제1 모델(31)은 제1 샘플에 대응하는 제1 출력 데이터를 생성할 수 있다. 또한, 제2 샘플이 제1 모델(31)에 제공될 수 있고, 제1 모델(31)은 제2 샘플에 대응하는 제2 출력 데이터를 생성할 수 있다.
단계 S664_3에서, 제1 출력 데이터 및 제2 출력 데이터 사이 제1 관계가 식별될 수 있다. 단계 S664_1에서 추출된 제1 샘플 및 제2 샘플이 특정 관계를 가지는 경우, 제1 샘플 및 제2 샘플에 각각 대응하는 제1 출력 데이터 및 제2 출력 데이터는 물리적 현상을 준수하기 위하여 제1 관계를 가질 수 있다. 예를 들면, 제1 관계는 아래 [수학식 2]와 같이 제2 출력 데이터가 제1 출력 데이터보다 큰 것을 의미할 수 있다.
[수학식 2]에서 f는 제1 모델(31)을 나타내고, xi는 제1 샘플을 나타내며, xj는 제2 샘플을 나타낸다. 후술되는 바와 같이, 제2 모델(32)로부터 식별된 제2 관계가 제1 관계에 대응하는지 여부에 기초하여 제2 모델(32)이 검증될 수 있다.
단계 S664_4에서, 제2 모델(32)로부터 제3 출력 데이터 및 제4 출력 데이터가 획득될 수 있다. 예를 들면, 제1 샘플이 제2 모델(32)에 제공될 수 있고, 제2 모델(32)은 제1 샘플에 대응하는 제3 출력 데이터를 생성할 수 있다. 또한, 제2 샘플이 제2 모델(32)에 제공될 수 있고, 제2 모델(32)은 제2 샘플에 대응하는 제4 출력 데이터를 생성할 수 있다.
단계 S664_5에서, 제3 출력 데이터 및 제4 출력 데이터 사이 제2 관계가 식별될 수 있다. 예를 들면, 제2 관계는 제3 출력 데이터 및 제4 출력 데이터의 대소 관계일 수 있다.
단계 S664_6에서, 제1 관계 및 제2 관계에 기초하여 제2 모델(32)이 검증될 수 있다. 예를 들면, 제1 관계 및 제2 관계가 동일한 성질을 가지는 경우, 제2 모델(32)의 검증 성공이 판정될 수 있는 한편, 제1 관계 및 제2 관계가 동일한 성질을 가지지 아니하는 경우, 제2 모델(32)의 검증 실패가 판정될 수 있다. 예를 들면, 제1 관계가 [수학식 2]와 같이 식별되고 제2 관계가 아래 [수학식 3]과 같은 경우, 단계 S664'에서 제2 모델(32)의 검증 성공이 판정될 수 있다.
일부 실시예들에서, 제2 모델(32)은 물리적 현상을 준수하도록 트레이닝될 수 있다. 예를 들면, 손실 함수는 제2 모델(32)의 출력 데이터(D37)가 물리적 현상을 준수하지 아니하는 경우 증가하도록 정의될 수 있다. 일부 실시예들에서, 제2 모델(32)을 트레이닝하기 위한 손실 함수 L은 아래 [수학식 4]와 같이 정의될 수 있고, 제2 모델(32)은 손실 함수 L이 감소하도록 트레이닝될 수 있다.
[수학식 4]에서, λ는 가중치로서 1보다 작은 양의 실수이고(0<λ<1), ReLU 함수는 g(xi)-g(xj)이 영(zero) 또는 음수인 경우 영일 수 있고, g(xi)-g(xj)이 양수인 경우 g(xi)-g(xj)일 수 있다. 따라서, 제2 관계가 제1 관계를 따르는 경우, ReLU 함수는 영일 수 있는 한편, 제2 관계가 제1 관계를 따르지 아니하는 경우 ReLU 함수는 제2 관계가 제1 관계로부터 벗어난 정도에 비례하는 값을 가질 수 있다.
도 12는 본 개시의 예시적 실시예에 따라 구조를 측정하기 위한 방법을 나타내는 순서도이다. 구체적으로, 도 12의 순서도는 집적 회로를 제조하는 방법을 나타낸다. 도 12에 도시된 바와 같이, 집적 회로를 제조하는 방법은 단계 S920 및 단계 S940을 포함할 수 있다. 일부 실시예들에서, 도 12의 단계 S920 및 단계 S940은 도 2의 단계 S800에 후속하여 수행될 수 있다. 이하에서, 도 12는 도 1 및 도 2를 참조하여 설명될 것이다.
웨이퍼(W)를 제조하는 반도체 공정은 일련의 서브 공정들을 포함할 수 있다. 예를 들면, FEOL(front-end-of-line)은, 예컨대 웨이퍼를 평탄화(planarization)하고 세정(cleaning)하는 단계, 트랜치(trench)를 형성하는 단계, 웰(well)을 형성하는 단계, 게이트(gate) 전극을 형성하는 단계, 소스 및 드레인을 형성하는 단계를 포함할 수 있고, FEOL에 의해서, 개별 소자들, 예컨대 트랜지스터, 캐패시터, 저항 등이 기판에 형성될 수 있다. 또한, BEOL(back-end-of-line)은, 예컨대 게이트, 소스 및 드레인 영역을 실리사이드화(silicidation)하는 단계, 유전체를 부가하는 단계, 평탄화 단계, 홀을 형성하는 단계, 금속층을 부가하는 단계, 비아를 형성하는 단계, 패시베이션(passivation)층을 형성하는 단계 등을 포함할 수 있고, BEOL에 의해서, 개별 소자들, 예컨대 트랜지스터, 캐패시터, 저항 등이 상호연결될 수 있다. 일부 실시예들에서, FEOL 및 BEOL 사이에 MEOL(middle-end-of-line)이 수행될 수 있고, 개별 소자들 상에 컨택들이 형성될 수 있다. 웨이퍼(W)로부터 복수의 다이들이 분리될 수 있고, 복수의 다이들 각각은 반도체 패키지에 패키징될 수 있고, 다양한 어플리케이션들의 부품으로서 사용될 수 있다.
도 12를 참조하면, 단계 S920에서 적어도 하나의 서브 공정이 조정될 수 있다. 예를 들면, 도 2의 단계 S800에서 추정된 구조가 설계된 바와 상이한 경우, 웨이퍼(W)를 제조하는 반도체 공정에 포함된 일련의 서브 공정들 중 적어도 하나가 조정될 수 있다. 예를 들면, 패터닝에 사용되는 마스크가 다시 제작될 수도 있고, 가스의 조성 및/또는 농도가 변경될 수도 있고, 노광 시간이 변경될 수도 있고, 온도 및/또는 압력이 변경될 수도 있다.
단계 S940에서, 반도체 공정을 통해서 집적 회로가 제조될 수 있다. 예를 들면, 반도체 공정은 단계 S920에서 조정된 적어도 하나의 서브 공정을 포함할 수 있고, 이에 따라 집적 회로는 설계된 구조를 가지도록 제조될 수 있다.
도 13은 본 개시의 예시적 실시예에 따른 컴퓨터 시스템(130)을 나타내는 블록도이다. 일부 실시예들에서, 도 13의 컴퓨터 시스템(130)은 도면들을 참조하여 전술된 구조 측정에 사용된 기계 학습 모델들의 트레이닝을 수행할 수 있고, 측정 시스템 또는 트레이닝 시스템 등으로 지칭될 수 있다.
컴퓨터 시스템(130)은 범용 또는 특수 목적 컴퓨팅 시스템을 포함하는 임의의 시스템을 지칭할 수 있다. 예를 들면, 컴퓨터 시스템(130)은 퍼스널 컴퓨터, 서버 컴퓨터, 랩탑 컴퓨터, 가전 제품 등을 포함할 수 있다. 도 13에 도시된 바와 같이, 컴퓨터 시스템(130)은, 적어도 하나의 프로세서(131), 메모리(132), 스토리지 시스템(133), 네트워크 어댑터(134), 입출력 인터페이스(135) 및 디스플레이(136)를 포함할 수 있다.
적어도 하나의 프로세서(131)는, 컴퓨터 시스템 실행가능 명령어를 포함하는 프로그램 모듈을 실행할 수 있다. 프로그램 모듈은 특정 작업을 수행하거나 특정 추상 데이터 유형을 구현하는, 루틴들, 프로그램들, 객체들, 컴포넌트들, 로직, 데이터 구조 등을 포함할 수 있다. 메모리(132)는 RAM(random access memory)와 같은 휘발성 메모리 형태의 컴퓨터 시스템 판독 가능 매체를 포함할 수 있다. 적어도 하나의 프로세서(131)는 메모리(132)에 액세스할 수 있고, 메모리(132)에 로딩된 명령어들을 실행할 수 있다. 저장 시스템(133)은 비휘발적으로 정보를 저장할 수 있고, 일부 실시예들에서 도면들을 참조하여 전술된 구조 측정을 위한 기계 학습 모델들의 트레이닝을 수행하도록 구성된 프로그램 모듈을 포함하는 적어도 하나의 프로그램 제품을 포함할 수 있다. 프로그램은 비제한적인 예시로서, 운영 체제(operating system), 적어도 하나의 어플리케이션, 기타 프로그램 모듈들 및 프로그램 데이터를 포함할 수 있다.
네트워크 어댑터(134)는, LAN(local area network), WAN(wide area network) 및/또는 공용 네트워크(예컨대, 인터넷) 등에 대한 접속을 제공할 수 있다. 입출력 인터페이스(135)는, 키보드, 포인팅 장치, 오디오 시스템 등과 같은 주변장치와의 통신 채널을 제공할 수 있다. 디스플레이(136)는 사용자가 확인할 수 있도록 다양한 정보를 출력할 수 있다.
일부 실시예들에서, 도면들을 참조하여 전술된 구조 측정을 위한 기계 학습 모델들의 트레이닝은 컴퓨터 프로그램 제품으로 구현될 수 있다. 컴퓨터 프로그램 제품은 적어도 하나의 프로세서(131)가 이미지 처리 및/또는 모델들의 트레이닝을 수행하게하기 위한 컴퓨터 판독가능 프로그램 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체(또는 저장 매체)를 포함할 수 있다. 컴퓨터 판독가능 명령어는 비제한적인 예시로서, 어셈블러 명령어, ISA(instruction set architecture) 명령어, 기계 명령어, 기계 종속 명령어, 마이크로 코드, 펌웨어 명령어, 상태 설정 데이터, 또는 적어도 하나의 프로그래밍 언어로 작성된 소스 코드 또는 객체 코드일 수 있다.
컴퓨터 판독가능 매체는, 적어도 하나의 프로세서(131) 또는 임의의 명령어 실행가능 장치에 의해서 실행되는 명령어들을 비일시적으로 보유하고 저장할 수 있는 임의의 유형의 매체일 수 있다. 컴퓨터 판독가능 매체는, 전자 저장 장치, 자기 저장 장치, 광학 저장 장치, 전자기 저장 장치, 반도체 저장 장치, 또는 이들의 임의의 조합일 수 있으나, 이에 제한되지 아니한다. 예를 들면, 컴퓨터 판독가능 매체는, 휴대용 컴퓨터 디스켓, 하드 디스크, RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable read only memory), 플래시 메모리, SRAM(static random access memory), CD, DVD, 메모리 스틱, 플로피 디스크, 펀치 카드와 같이 기계적으로 인코딩된 장치 또는 이들의 임의의 조합일 수 있다.
도 14는 본 개시의 예시적 실시예에 따른 시스템(140)을 나타내는 블록도이다. 일부 실시예들에서, 본 개시의 예시적 실시예에 따른 구조 측정은 시스템(140)에서 실행될 수 있다.
도 14를 참조하면, 시스템(140)은 적어도 하나의 프로세서(141), 메모리(143), AI(Artificial Intelligence) 가속기(145) 및 하드웨어 가속기(147)를 포함할 수 있고, 적어도 하나의 프로세서(141), 메모리(143), AI 가속기(145) 및 하드웨어 가속기(147)는 버스(149)를 통해서 상호 통신할 수 있다. 일부 실시예들에서, 적어도 하나의 프로세서(141), 메모리(143), AI 가속기(145) 및 하드웨어 가속기(147)는 하나의 반도체 칩에 포함될 수도 있다. 또한, 일부 실시예들에서, 적어도 하나의 프로세서(141), 메모리(143), AI 가속기(145) 및 하드웨어 가속기(147) 중 적어도 2개는 기판(board)에 장착된 2이상의 반도체 칩들에 각각 포함될 수도 있다.
적어도 하나의 프로세서(141)는 명령어들을 실행할 수 있다. 예를 들면, 적어도 하나의 프로세서(141)는 메모리(143)에 저장된 명령어들을 실행함으로써 운영 체제(operating system)를 실행할 수도 있고, 운영 체제 상에서 실행되는 어플리케이션들을 실행할 수도 있다. 일부 실시예들에서, 적어도 하나의 프로세서(141)는 명령어들을 실행함으로써, AI 가속기(145) 및/또는 하드웨어 가속기(147)에 작업을 지시할 수 있고, AI 가속기(145) 및/또는 하드웨어 가속기(147)로부터 작업의 수행 결과를 획득할 수도 있다. 일부 실시예들에서, 적어도 하나의 프로세서(141)는 특정한 용도를 위하여 커스텀화된 ASIP(Application Specific Instruction set Processor)일 수 있고, 전용의 명령어 세트(instruction set)를 지원할 수도 있다.
메모리(143)는 데이터를 저장하는 임의의 구조를 가질 수 있다. 예를 들면, 메모리(143)는, DRAM(Dynamic Random Access Memory), SRAM(Static Random Access Memory) 등과 같은 휘발성 메모리 장치를 포함할 수도 있고, 플래시 메모리, RRAM(Resistive Random Access Memory) 등과 같은 비휘발성 메모리 장치를 포함할 수도 있다. 적어도 하나의 프로세서(141), AI 가속기(145) 및 하드웨어 가속기(147)는 버스(149)를 통해서 메모리(143)에 데이터를 저장하거나 메모리(143)로부터 데이터를 독출할 수 있다.
AI 가속기(145)는 AI 어플리케이션들을 위해 설계된 하드웨어를 지칭할 수 있다. 일부 실시예들에서, AI 가속기(145)는 뉴로모픽(neuromorphic) 구조를 구현하기 위한 NPU(Neural Processing Unit)를 포함할 수 있고, 적어도 하나의 프로세서(141) 및/또는 하드웨어 가속기(147)로부터 제공된 입력 데이터를 처리함으로써 출력 데이터를 생성할 수 있고, 적어도 하나의 프로세서(141) 및/또는 하드웨어 가속기(147)에 출력 데이터를 제공할 수 있다. 일부 실시예들에서, AI 가속기(145)는 프로그램가능할 수 있고, 적어도 하나의 프로세서(141) 및/또는 하드웨어 가속기(147)에 의해서 프로그램될 수 있다.
하드웨어 가속기(147)는 특정 작업을 고속으로 수행하기 위하여 설계된 하드웨어를 지칭할 수 있다. 예를 들면, 하드웨어 가속기(147)는 복조, 변조, 부호화, 복호화 등과 같은 데이터 변환을 고속으로 수행하도록 설계될 수 있다. 하드웨어 가속기(147)는 프로그램가능할 수 있고, 적어도 하나의 프로세서(141) 및/또는 하드웨어 가속기(147)에 의해서 프로그램될 수 있다.
일부 실시예들에서, AI 가속기(145)는 도면들을 참조하여 전술된 기계 학습 모델들을 실행할 수 있다. 예를 들면, AI 가속기(145)는 전술된 레이어들 각각을 실행할 수 있다. AI 가속기(145)는 입력 파라미터, 피처 맵 등을 처리함으로써 유용한 정보를 포함하는 출력을 생성할 수 있다. 또한, 일부 실시예들에서 AI 가속기(145)가 실행하는 모델들 중 적어도 일부는, 적어도 하나의 프로세서(141) 및/또는 하드웨어 가속기(147)에 의해서 실행될 수도 있다.
이상에서와 같이 도면과 명세서에서 예시적인 실시예들이 개시되었다. 본 명세서에서 특정한 용어를 사용하여 실시예들을 설명되었으나, 이는 단지 본 개시의 기술적 사상을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 개시의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.

Claims (20)

  1. 스펙트럼에 기초하여 구조를 측정하기 위한 방법으로서,
    제1 서브 모델 및 상기 제1 서브 모델에 후속하는 제2 서브 모델을 포함하고, 시뮬레이션 데이터에 기초하여 트레이닝된, 제1 모델을 획득하는 단계;
    상기 제1 서브 모델과 동일한 제3 서브 모델을 포함하는 제2 모델을 생성하는 단계;
    샘플 구조들의 스펙트럼들을 측정함으로써 생성된 샘플 스펙트럼 데이터에 기초하여 상기 제2 모델을 트레이닝하는 단계; 및
    트레이닝된 상기 제2 모델에 기초하여, 상기 구조의 스펙트럼을 측정함으로써 생성된 실측 스펙트럼 데이터로부터 상기 구조를 추정하는 단계를 포함하는 방법.
  2. 청구항 1에 있어서,
    상기 제1 모델을 획득하는 단계는,
    가상 구조들을 시뮬레이션함으로써 가상 스펙트럼들을 생성하는 단계;
    상기 가상 구조들 및 상기 가상 스펙트럼들을 나타내는 상기 시뮬레이션 데이터에 기초하여, 상기 제1 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는 방법.
  3. 청구항 2에 있어서,
    상기 제1 모델을 획득하는 단계는, 상기 제1 모델의 출력 데이터 및 상기 시뮬레이션 데이터 사이 오차에 기초하여 상기 제1 모델을 검증하는 단계를 포함하는 것을 특징으로 하는 방법.
  4. 청구항 1에 있어서,
    상기 제2 모델은, 상기 제3 서브 모델에 후속하는 제4 서브 모델을 더 포함하고,
    상기 제2 모델을 트레이닝하는 단계는, 상기 제3 서브 모델을 고정하고, 상기 샘플 스펙트럼 데이터에 기초하여 상기 제4 서브 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는 방법.
  5. 청구항 4에 있어서,
    상기 제1 서브 모델 및 상기 제3 서브 모델 각각은, 합성곱 네트워크(convolution network)이고,
    상기 제2 서브 모델 및 상기 제4 서브 모델 각각은, 완전 연결 네트워크(fully connected network)인 것을 특징으로 하는 방법.
  6. 청구항 1에 있어서,
    상기 제2 모델의 출력 데이터 및 상기 샘플 구조의 실측 구조 데이터 사이 오차에 기초하여 상기 제2 모델을 검증하는 단계를 더 포함하는 방법.
  7. 청구항 1에 있어서,
    상기 제1 모델의 출력 데이터 및 상기 제2 모델의 출력 데이터에 기초하여, 상기 제2 모델을 검증하는 단계를 더 포함하고,
    상기 제2 모델을 검증하는 단계는,
    상기 시뮬레이션 데이터로부터 제1 샘플 및 제2 샘플을 추출하는 단계;
    상기 제1 샘플 및 상기 제2 샘플에 각각 대응하는 상기 제1 모델의 제1 출력 데이터 및 제2 출력 데이터를 획득하는 단계;
    상기 제1 샘플 및 상기 제2 샘플에 각각 대응하는 상기 제2 모델의 제3 출력 데이터 및 제4 출력 데이터를 획득하는 단계; 및
    상기 제1 출력 데이터 및 상기 제2 출력 데이터 사이 제1 관계 및 상기 제3 출력 데이터 및 상기 제4 출력 데이터 사이 제2 관계에 기초하여, 상기 제2 모델을 검증하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  8. 청구항 7에 있어서,
    상기 제2 모델을 트레이닝하는 단계는, 상기 제1 관계 및 상기 제2 관계 사이 오차에 비례하는 손실이 감소하도록, 상기 제2 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는 방법.
  9. 청구항 1에 있어서,
    추정된 상기 구조에 기초하여, 적어도 하나의 서브 공정을 조정하는 단계; 및
    조정된 상기 적어도 하나의 서브 공정을 포함하는 반도체 공정을 통해서 집적 회로를 제조하는 단계를 더 포함하는 방법.
  10. 적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 의해서 실행시, 상기 적어도 하나의 프로세서로 하여금 스펙트럼에 기초하여 구조 측정을 수행도록 명령어들을 저장하는 비일시적 저장매체를 포함하고,
    상기 구조 측정은,
    제1 서브 모델 및 상기 제1 서브 모델에 후속하는 제2 서브 모델을 포함하고, 시뮬레이션 데이터에 기초하여 트레이닝된, 제1 모델을 획득하는 단계;
    상기 제1 서브 모델과 동일한 제3 서브 모델을 포함하는 제2 모델을 생성하는 단계;
    샘플 구조들의 스펙트럼들을 측정함으로써 생성된 샘플 스펙트럼 데이터에 기초하여 상기 제2 모델을 트레이닝하는 단계; 및
    트레이닝된 상기 제2 모델에 기초하여, 상기 구조의 스펙트럼을 측정함으로써 생성된 실측 스펙트럼 데이터로부터 상기 구조를 추정하는 단계를 포함하는 것을 특징으로 하는 시스템.
  11. 청구항 10에 있어서,
    상기 제1 모델을 획득하는 단계는,
    가상 구조들을 시뮬레이션함으로써 가상 스펙트럼들을 생성하는 단계;
    상기 가상 구조들 및 상기 가상 스펙트럼들을 나타내는 상기 시뮬레이션 데이터에 기초하여, 상기 제1 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는 시스템.
  12. 청구항 11에 있어서,
    상기 제1 모델을 획득하는 단계는, 상기 제1 모델의 출력 데이터 및 상기 시뮬레이션 데이터 사이 오차에 기초하여 상기 제1 모델을 검증하는 단계를 포함하는 것을 특징으로 하는 시스템.
  13. 청구항 10에 있어서,
    상기 제2 모델은, 상기 제3 서브 모델에 후속하는 제4 서브 모델을 더 포함하고,
    상기 제2 모델을 트레이닝하는 단계는, 상기 제3 서브 모델을 고정하고, 상기 샘플 스펙트럼 데이터에 기초하여 상기 제4 서브 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는 시스템.
  14. 청구항 13에 있어서,
    상기 제1 서브 모델 및 상기 제3 서브 모델 각각은, 합성곱 네트워크(convolution network)이고,
    상기 제2 서브 모델 및 상기 제4 서브 모델 각각은, 완전 연결 네트워크(fully connected network)인 것을 특징으로 하는 시스템.
  15. 청구항 10에 있어서,
    상기 구조 측정은, 상기 제2 모델의 출력 데이터 및 상기 샘플 구조의 실측 구조 데이터 사이 오차에 기초하여 상기 제2 모델을 검증하는 단계를 더 포함하는 시스템.
  16. 청구항 10에 있어서,
    상기 구조 측정은, 상기 제1 모델의 출력 데이터 및 상기 제2 모델의 출력 데이터에 기초하여, 상기 제2 모델을 검증하는 단계를 더 포함하고,
    상기 제2 모델을 검증하는 단계는,
    상기 시뮬레이션 데이터로부터 제1 샘플 및 제2 샘플을 추출하는 단계;
    상기 제1 샘플 및 상기 제2 샘플에 각각 대응하는 상기 제1 모델의 제1 출력 데이터 및 제2 출력 데이터를 획득하는 단계;
    상기 제1 샘플 및 상기 제2 샘플에 각각 대응하는 상기 제2 모델의 제3 출력 데이터 및 제4 출력 데이터를 획득하는 단계; 및
    상기 제1 출력 데이터 및 상기 제2 출력 데이터 사이 제1 관계 및 상기 제3 출력 데이터 및 상기 제4 출력 데이터 사이 제2 관계에 기초하여, 상기 제2 모델을 검증하는 단계를 더 포함하는 것을 특징으로 하는 시스템.
  17. 청구항 16에 있어서,
    상기 제2 모델을 트레이닝하는 단계는, 상기 제1 관계 및 상기 제2 관계 사이 오차에 비례하는 손실이 감소하도록, 상기 제2 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는 시스템.
  18. 스펙트럼에 기초하여 구조를 측정하기 위한 방법으로서,
    제1 서브 모델 및 상기 제1 서브 모델에 후속하는 제2 서브 모델을 포함하고, 시뮬레이션 데이터에 기초하여 트레이닝된, 제1 모델을 획득하는 단계;
    상기 제1 모델에 기초하여 제2 모델을 생성하는 단계;
    샘플 구조들의 스펙트럼들을 측정함으로써 생성된 샘플 스펙트럼 데이터에 기초하여 상기 제2 모델을 트레이닝하는 단계;
    상기 제1 모델의 출력 데이터 및 트레이닝된 상기 제2 모델의 출력 데이터에 기초하여, 상기 제2 모델을 검증하는 단계; 및
    검증된 상기 제2 모델에 기초하여, 상기 구조의 스펙트럼을 측정함으로써 생성된 실측 스펙트럼 데이터로부터 상기 구조를 추정하는 단계를 포함하는 방법.
  19. 청구항 18에 있어서,
    상기 제2 모델을 검증하는 단계는,
    상기 시뮬레이션 데이터로부터 제1 샘플 및 제2 샘플을 추출하는 단계;
    상기 제1 샘플 및 상기 제2 샘플에 각각 대응하는 상기 제1 모델의 제1 출력 데이터 및 제2 출력 데이터를 획득하는 단계;
    상기 제1 샘플 및 상기 제2 샘플에 각각 대응하는 상기 제2 모델의 제3 출력 데이터 및 제4 출력 데이터를 획득하는 단계; 및
    상기 제1 출력 데이터 및 상기 제2 출력 데이터 사이 제1 관계 및 상기 제3 출력 데이터 및 상기 제4 출력 데이터 사이 제2 관계에 기초하여, 상기 제2 모델을 검증하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  20. 청구항 19에 있어서,
    상기 제2 모델을 트레이닝하는 단계는, 상기 제1 관계 및 상기 제2 관계 사이 오차에 비례하는 손실이 감소하도록, 상기 제2 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는 방법.
KR1020220089031A 2022-07-19 2022-07-19 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템 Pending KR20240011514A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020220089031A KR20240011514A (ko) 2022-07-19 2022-07-19 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템
CN202310826022.2A CN117420077A (zh) 2022-07-19 2023-07-06 用于基于光谱测量结构的方法和系统
US18/348,469 US20240028814A1 (en) 2022-07-19 2023-07-07 Method and system for measuring structure based on spectrum
EP23184723.7A EP4310444A1 (en) 2022-07-19 2023-07-11 Method and system for measuring structure based on spectrum
TW112126606A TW202411640A (zh) 2022-07-19 2023-07-17 基於結構光譜的結構量測方法和系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220089031A KR20240011514A (ko) 2022-07-19 2022-07-19 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20240011514A true KR20240011514A (ko) 2024-01-26

Family

ID=87245525

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220089031A Pending KR20240011514A (ko) 2022-07-19 2022-07-19 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템

Country Status (5)

Country Link
US (1) US20240028814A1 (ko)
EP (1) EP4310444A1 (ko)
KR (1) KR20240011514A (ko)
CN (1) CN117420077A (ko)
TW (1) TW202411640A (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114930117A (zh) * 2020-01-06 2022-08-19 诺威有限公司 结合物理建模与机器学习
CN111595812B (zh) * 2020-05-29 2021-06-22 复旦大学 基于动量空间色散关系的关键参数的量测方法和系统

Also Published As

Publication number Publication date
CN117420077A (zh) 2024-01-19
TW202411640A (zh) 2024-03-16
US20240028814A1 (en) 2024-01-25
EP4310444A1 (en) 2024-01-24

Similar Documents

Publication Publication Date Title
US7523429B2 (en) System for designing integrated circuits with enhanced manufacturability
US8139844B2 (en) Methods and systems for determining a defect criticality index for defects on wafers
US8681326B2 (en) Method and apparatus for monitoring mask process impact on lithography performance
US9928316B2 (en) Process-metrology reproducibility bands for lithographic photomasks
Xiao et al. Directed self-assembly (DSA) template pattern verification
US20080066047A1 (en) System and method for employing patterning process statistics for ground rules waivers and optimization
US20240176945A1 (en) Hard-to-fix (htf) design rule check (drc) violations prediction
JP2010506336A (ja) 電子設計自動化における特性
KR20220045499A (ko) 웨이퍼 상의 결함을 추론하는 시스템 및 방법
US20160378717A1 (en) Parameter generation for modeling of process-induced semiconductor device variation
WO2005081910A2 (en) Generalization of the photo process window and its application to opc test pattern design
US20230229845A1 (en) Machine learning-based hotspot prediction in electronic design automation (eda) applications
US20160110859A1 (en) Inspection method for contact by die to database
KR20240011514A (ko) 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템
KR102438831B1 (ko) 포토레지스트 프로파일 모델링 방법
US20220309222A1 (en) Semiconductor layout context around a point of interest
US10733354B2 (en) System and method employing three-dimensional (3D) emulation of in-kerf optical macros
CN115917550A (zh) 电路设计的候选热点位置的基于机器学习的淘汰选择
US10401837B2 (en) Generating risk inventory and common process window for adjustment of manufacturing tool
US11270054B1 (en) Method and system for calculating printed area metric indicative of stochastic variations of the lithographic process
Cho et al. Integrated Test Pattern Extraction and Generation for Accurate Lithography Modeling
KR20220161491A (ko) 가상 제조 환경에서 국부적 CDU (critical dimension uniformity) 모델링 및 제어를 수행하기 위한 시스템 및 방법
KR20220051868A (ko) 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치
CN112446185A (zh) 具有有噪测量的对象的排名
US20230230348A1 (en) Method and system performing pattern clustering

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20220719

PG1501 Laying open of application