[go: up one dir, main page]

TW202043909A - 用於佈局圖案選擇之方法及設備 - Google Patents

用於佈局圖案選擇之方法及設備 Download PDF

Info

Publication number
TW202043909A
TW202043909A TW109100273A TW109100273A TW202043909A TW 202043909 A TW202043909 A TW 202043909A TW 109100273 A TW109100273 A TW 109100273A TW 109100273 A TW109100273 A TW 109100273A TW 202043909 A TW202043909 A TW 202043909A
Authority
TW
Taiwan
Prior art keywords
pattern
patterns
features
image
mask
Prior art date
Application number
TW109100273A
Other languages
English (en)
Other versions
TWI738169B (zh
Inventor
陳偉傑
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
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202043909A publication Critical patent/TW202043909A/zh
Application granted granted Critical
Publication of TWI738169B publication Critical patent/TWI738169B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design 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
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)

Abstract

本文中描述一種用於在一佈局圖案化程序中判定一訓練圖案的方法。該方法包含自一圖案集合中之圖案產生複數個特徵；基於該複數個所產生特徵之相似性將該圖案集合中之該等圖案分組成個別群組；及自該等個別群組選擇代表性圖案以判定該訓練圖案。在一些實施例中，該方法為用於在一佈局圖案化程序中訓練一機器學習模型的一方法。舉例而言，該方法可包括將來自該等個別群組之代表性圖案提供至該機器學習模型以訓練該機器學習模型預測用於該佈局圖案化程序中之光學近接校正(OPC)的連續透射遮罩(CTM)映圖。

Description

用於佈局圖案選擇之方法及設備
本文中之描述大體上係關於遮罩製造及圖案化程序。更特定言之，該描述係關於用於佈局圖案選擇以訓練機器學習模型之方法及設備。
微影投影設備可用於(例如)積體電路(IC)之製造中。在此情況下，圖案化器件(例如，遮罩)可含有或提供對應於IC之個別層的圖案(「設計佈局」)，且此圖案可藉由諸如經由圖案化器件上之圖案來輻照目標部分的方法而轉印至基板(例如矽晶圓)上之目標部分(例如包含一或多個晶粒)上，該目標部分已經塗佈有一層輻射敏感材料(「抗蝕劑」)。一般而言，單一基板含有藉由微影投影設備順次地將圖案轉印至其上的複數個鄰近目標部分，一次一個目標部分。在一種類型之微影投影設備中，在一個操作中將整個圖案化器件上之圖案轉印至一個目標部分上。此設備通常被稱作步進器。在通常稱為步進掃描設備之替代設備中，投影光束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描，同時平行或反平行於此參考方向而同步地移動基板。圖案化器件上之圖案之不同部分逐漸地轉印至一個目標部分。一般而言，由於微影投影設備將具有減小比率M (例如，4)，所以移動基板之速度F將為投影光束掃描圖案化器件之速度的1/M倍。可例如自以引用方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影器件的更多資訊。
在將圖案自圖案化器件轉印至基板之前，基板可經受各種工序，諸如，上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後，基板可經受其他工序(「曝光後工序」)，諸如曝光後烘烤(PEB)、顯影、硬烘烤及對經轉印圖案之量測/檢測。此工序陣列係用作製造器件(例如，IC)之個別層的基礎。基板接著可經受諸如蝕刻、離子植入(摻雜)、金屬化、氧化、化學機械研磨等各種程序，該等程序皆意欲精整器件之個別層。若在器件中需要若干層，則針對每一層來重複整個工序或其變體。最終，在基板上之每一目標部分中將存在器件。接著藉由諸如切塊或鋸切之技術來使此等器件彼此分離，使得可將個別器件安裝於載體上、連接至銷釘，等等。
製造諸如半導體器件之器件通常涉及使用多個製作程序來處理基板(例如半導體晶圓)以形成該等器件之各種特徵及多個層。通常使用(例如)沈積、微影、蝕刻、化學機械研磨及離子植入來製造及處理此等層及特徵。可在基板上之複數個晶粒上製作多個器件，且接著將該等器件分離成個別器件。此器件製造程序可被視為圖案化程序。圖案化程序涉及圖案化步驟，諸如使用微影設備中之圖案化器件來將圖案化器件上的圖案轉印至基板之光學或奈米壓印微影，且圖案化程序通常但視情況涉及一或多個相關圖案處理步驟，諸如藉由顯影設備進行抗蝕劑顯影、使用烘烤工具來烘烤基板、使用蝕刻設備使用圖案進行蝕刻等。另外，通常在圖案化程序中涉及一或多個度量衡程序。
如所提及，微影為在諸如IC之器件之製造時的中心步驟，其中形成於基板上之圖案界定器件之功能元件，諸如微處理器、記憶體晶片等。類似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。
隨著半導體製造程序繼續進步，幾十年來，功能元件之尺寸已不斷地減小，而每器件的諸如電晶體之功能元件之數目已在穩固地增加，此遵循通常被稱作「莫耳定律(Moore's law)」之趨勢。在當前技術狀態下，使用微影投影設備來製造器件之層，該等微影投影設備使用來自深紫外線照明源之照明將設計佈局投影至基板上，從而產生尺寸充分低於100 nm，亦即小於來自照明源(例如193 nm照明源)之輻射的波長之一半的個別功能元件。
供印刷尺寸小於微影投影設備之經典解析度限制之特徵的此程序根據解析度公式CD=k1 ×λ/NA而通常被稱為低k1 微影，其中λ為所使用輻射之波長(當前在大多數情況下為248奈米或193奈米)，NA為微影投影設備中之投影光學器件之數值孔徑，CD為「臨界尺寸(critical dimension)」(通常為所印刷之最小特徵大小)，且k1 為經驗解析度因數。一般而言，k1 愈小，則在基板上再生類似於由設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，將複雜微調步驟應用於微影投影設備、設計佈局或圖案化器件。此等步驟包括例如但不限於NA及光學相干設定之最佳化、定製照明方案、相移圖案化器件之使用、設計佈局中之光學近接校正(OPC，有時亦被稱作「光學及程序校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。如本文所使用之術語「投影光學器件」應被廣泛地解譯為涵蓋各種類型之光學系統，包括(例如)折射光學器件、反射光學器件、孔隙及反射折射光學器件。術語「投影光學器件」亦可包括根據此等設計類型中之任一者操作從而集體地或單獨地導向、塑形或控制投影輻射光束的組件。術語「投影光學器件」可包括微影投影設備中之任何光學組件，而不管光學組件定位於微影投影設備之光學路徑上之何處。投影光學器件可包括用於在來自源之輻射通過圖案化器件之前塑形、調節及/或投影該輻射的光學組件，及/或用於在該輻射通過圖案化器件之後塑形、調節及/或投影該輻射的光學組件。投影光學器件通常不包括源及圖案化器件。
根據一實施例，提供一種用於為一晶圓圖案化程序訓練一機器學習模型的方法。該方法包含為一圖案集合中之每一圖案產生複數個特徵；基於該複數個所產生特徵之相似性將該圖案集合中之該等圖案分組成個別群組；及將來自該等個別群組之代表性圖案提供至一晶圓圖案化程序之計算型微影應用。該等應用可包括源遮罩最佳化(SMO)、光學近接校正(OPC)、微影可製造性檢查(LMC)等。
在一實施例中，自該圖案集合中之該等圖案產生之該複數個特徵為除了已包括於該圖案集合中的幾何資訊及/或頂點資訊之外的資訊。在一實施例中，SMO包含在該晶圓圖案化程序中用於一晶圓之全晶片佈局的一源及遮罩共同最佳化。在一實施例中，OPC包含在該晶圓圖案化程序中用於一晶圓之一全晶片OPC。在一實施例中，LMC包含在該晶圓圖案化程序中用於一晶圓之一全晶片佈局的一微影可製造性及微影效能檢查。在一實施例中，該複數個所產生特徵包含幾何特徵及微影感知特徵。在一實施例中，基於該複數個所產生特徵之該等相似性將該圖案集合中之該等圖案分組成個別群組包含使用一機器學習群集方法來基於該複數個所產生特徵之該等相似性使該圖案集合中之該等圖案群集至個別群組中。
根據另一實施例，提供一種用於為一晶圓圖案化程序判定一訓練圖案的方法。該方法包含自一圖案集合中之圖案產生複數個特徵；基於該複數個所產生特徵之相似性將該圖案集合中之該等圖案分組成個別群組；及自該等個別群組選擇代表性圖案以判定該訓練圖案。
在一實施例中，該複數個所產生特徵包含幾何特徵及微影感知特徵。該等幾何特徵包含目標遮罩影像、頻率映圖、圖案密度映圖或獨特圖案在該圖案集合中之圖案出現率中之一或多者。該微影感知特徵包含子解析度輔助特徵導引映圖(SGM)、繞射階或該圖案集合中之該等圖案的繞射圖案中之一或多者。在一實施例中，自該圖案集合中之該等圖案產生之該複數個特徵為除了已包括於該圖案集合中的幾何資訊及/或頂點資訊之外的資訊。
在一實施例中，基於該複數個所產生特徵將該圖案集合中之該等圖案分組成群組係使用無監督機器學習執行。在一實施例中，基於該複數個所產生特徵之該等相似性將該圖案集合中之該等圖案分組成個別群組包含基於該複數個所產生特徵之該等相似性使該圖案集合中之該等獨特圖案群集至個別群組中。該群集包含使用不同群集步驟之該複數個所產生特徵中之不同者而執行的一系列依序群集步驟，該系列依序群集步驟在該圖案集合中形成該等圖案之子群以使得該等代表性圖案係選自該等子群以判定該訓練圖案。在一實施例中，該群集包含一機器學習群集方法(例如，k均值群集)。
在一實施例中，該系列依序群集步驟包含使用一給定步驟之一給定特徵執行的交叉驗證步驟。該等交叉驗證步驟包括調節將哪些圖案包括於一給定子群中。
在一實施例中，自該等個別群組選擇代表性圖案以判定該訓練圖案包含選擇目標數目個代表性圖案。該目標數目個代表性圖案係基於停止準則而判定。該等停止準則經組態以促進該訓練圖案之變化。在一實施例中，該方法進一步包含判定該訓練圖案之變化的一量。在一實施例中，該等停止準則進一步經組態以確保該訓練圖案之變化的該量突破一變化量臨限值。
在一實施例中，該目標數目個代表性圖案係隨機地選自該等個別群組。在一實施例中，該目標數目個代表性圖案回應於該訓練圖案之變化的該量未突破該變化量臨限值而重新隨機選擇。
在一實施例中，自該等個別群組選擇代表性圖案以判定該訓練圖案包含自每一個別群組選擇一最中心圖案。該最中心圖案為相對於一個別群組中之其他圖案最接近於該個別群組之一指定特徵空間的一質心的圖案。在一實施例中，該指定特徵空間為一目標遮罩影像特徵空間、一頻率映圖特徵空間、一圖案密度映圖特徵空間、一圖案出現特徵空間、一SGM特徵空間、一繞射階特徵空間或一繞射圖案特徵空間。
在一實施例中，該方法進一步包含將該訓練圖案提供至一深度卷積神經網路以訓練該深度卷積神經網路。在一實施例中，該方法進一步包含使用經訓練深度卷積神經網路執行光學近接校正作為一晶圓圖案化程序之部分。
根據另一實施例，提供一種電腦程式產品，其包含上面記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施以上所描述之該方法。
自全晶片圖形資料庫系統(GDS)檔案(例如，GDSII檔案)執行圖案選擇為具挑戰性之任務。訓練圖案用於訓練深度卷積神經網路(DCNN)及/或其他機器學習模型(其為全晶片光學近接校正(OPC)應用、源遮罩最佳化(SMO)應用、微影可製造性檢查(LMC)應用之部分)，及/或用於其他目的。若使用者針對佈局圖案產生具有不完全為代表性或另外不充分之圖案的訓練圖案集合，且將此類訓練資料提供至機器學習模型(例如，DCNN)以用於訓練，則準確CTM映圖將並不由用於全晶片OPC應用之機器學習模型(例如，DCNN)預測。不準確的CTM映圖導致微影熱點及製程窗限制，及/或在試圖滿足微影效能規格時造成後續遮罩校正操作期間的困難。當前，使用者手動地自全晶片GDS選擇訓練圖案。手動選擇需要使用者的有效工作，且佈局圖案選擇(例如，各種圖案之代表性涵蓋範圍)係取決於使用者之體驗及關於全晶片GDS設計之先驗知識。有利地，本發明方法及設備系統地分析全晶片GDS圖案且選擇代表性圖案以建構機器學習模型訓練集，其中圖案涵蓋範圍恰當表示跨全晶片GDS檔案之目標佈局圖案。
作為簡要介紹，儘管在本文中可特定地參考IC製造，但應明確地理解，本文中之描述具有許多其他可能應用。舉例而言，該描述可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。在此等替代應用中，熟習此項技術者應瞭解，在此等替代應用之上下文中，本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為分別可與更一般之術語「遮罩」、「基板」及「目標部分」互換。另外，應注意，本文中所描述之方法在多樣化領域中可具有許多其他可能的應用，該等領域諸如，語言處理系統、自動駕駛汽車、醫療成像及診斷、語意分段、去雜訊、晶片設計、電子設計自動化等。本發明方法可應用於其中量化機器學習模型預測中之不確定性係有利的任何領域中。
在本發明之文件中，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(例如具有為365 nm、248 nm、193 nm、157 nm或126 nm之波長)及極紫外線輻射(EUV，例如具有在約5 nm至100 nm之範圍內之波長)。
圖案化器件可包含或可形成一或多個設計佈局。可利用電腦輔助設計(computer-aided design；CAD)程式來產生設計佈局。此程序常常被稱作電子設計自動化(EDA)。大多數CAD程式遵循預定設計規則集合，以便產生功能設計佈局/圖案化器件。基於處理及設計限制而設定此等規則。舉例而言，設計規則定義器件(諸如閘極、電容器等)或互連線之間的空間容許度，以確保器件或線不會以不合意的方式彼此相互作用。設計規則限制中之一或多者可被稱作「臨界尺寸」(CD)。器件之臨界尺寸可被定義為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此，CD調節經設計器件之總大小及密度。器件製作中之目標中之一者係在基板上如實地再生原始設計意圖(經由圖案化器件)。
本文中所使用之術語「遮罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件，該經圖案化橫截面對應於待在基板之目標部分中產生之圖案。在此上下文中亦可使用術語「光閥」。除經典遮罩(透射或反射；二元、相移、混合式等等)以外，其他此類圖案化器件之實例亦包括可程式化鏡面陣列。此器件之實例為具有黏彈性控制層及反射表面之矩陣可定址表面。此設備所隱含之基本原理為(例如)：反射表面之經定址區域使入射輻射反射為繞射輻射，而未經定址區域使入射輻射反射為非繞射輻射。在使用適當濾波器的情況下，可自反射光束濾出該非繞射輻射，從而僅留下繞射輻射；以此方式，光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用適合之電子構件來執行所需矩陣定址。其他此類圖案化器件之實例亦包括可程式化LCD陣列。在以引用方式併入本文中之美國專利第5,229,872號中給出此構造之一實例。
圖1說明例示性微影投影設備10A。主要組件為輻射源12A，其可為深紫外(DUV)準分子雷射源或包括極紫外線(EUV)源之其他類型的源(如本文中所論述，微影投影設備自身不一定具有輻射源)；照明光學器件，其例如定義部分相干(表示為均方偏差(sigma))且可包括塑形來自源12A之輻射的光學器件14A、16Aa及16Ab；圖案化器件18A；及透射光學器件16Ac，其將圖案化器件圖案之影像投影至基板平面22A上。在投影光學器件之光瞳平面處的可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍，其中最大可能角度界定投影光學器件之數值孔徑NA=n sin(Θmax )，其中n為基板與投影光學器件之最後元件之間的介質之折射率，且Θmax 為自投影光學器件射出的仍可照射於基板平面22A上之光束的最大角度。
在微影投影設備中，源將照明(亦即，輻射)提供至圖案化器件，且投影光學器件經由該圖案化器件將該照明導向至基板上且塑形該照明。投影光學器件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為在基板層級處之輻射強度分佈。抗蝕劑模型可用以根據空中影像來計算抗蝕劑影像，此情形之一實例可發現於美國專利申請公開案第US 2009-0157630號中，該美國專利申請公開案之揭示內容特此以其全文引用之方式併入。抗蝕劑模型與抗蝕劑層之屬性(例如，在曝光、曝光後烘烤(PEB)及顯影期間發生的化學程序之效應)相關。微影投影設備之光學屬性(例如，照明、圖案化器件及投影光學器件之屬性)指明空中影像且可定義於光學模型中。由於可改變用於微影投影設備中之圖案化器件，所以需要使圖案化器件之光學屬性與至少包括源及投影光學器件的微影投影設備之其餘部分之光學屬性分離。用於將設計佈局變換成各種微影影像(例如，空中影像、抗蝕劑影像等)之技術及模型、使用彼等技術及模型應用光學近接校正(OPC)且評估效能(例如，就製程窗而言)的細節描述於美國專利申請公開案第US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197及2010-0180251號中，各美國專利申請公開案之揭示內容特此以其全文引用之方式併入。
光學近接校正(OPC)藉由補償在處理期間發生之失真而增強積體電路圖案化程序。失真在處理期間發生，此係因為印刷於晶圓上之特徵小於用於圖案化及印刷程序中之光的波長。OPC校驗識別OPC後晶圓設計中之OPC誤差或弱點，其可潛在地導致晶圓上之圖案化缺陷。舉例而言，ASML迅子微影可製造性檢查(LMC)為OPC校驗產品。
OPC解決如下事實：投影於基板上之設計佈局的影像之最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化器件上之大小及置放。在諸如OPC之解析度增強技術(RET)的上下文中，不必使用實體圖案化器件，但設計佈局可用於表示實體圖案化器件。對於存在於某一設計佈局上之小特性大小及高特性密度，給定特性之特定邊緣之位置將在某種程度上受到其他鄰近特性之存在或不存在影響。此等近接效應起因於自一個特徵耦接至另一特徵的微小量之輻射或諸如繞射及干涉之非幾何光學效應。相似地，近接效應可起因於在通常跟隨微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了增加設計佈局之經投影影像係根據給定目標電路設計之要求之機會，可使用設計佈局之複雜數值模型、校正或預失真來預測及補償近接效應。論文「Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design」(C. Spence，Proc. SPIE，第5751卷，第1至14頁(2005年))提供當前「以模型為基礎」之光學近接校正程序的綜述。在典型高端設計中，設計佈局之幾乎每一特性皆具有某種修改，以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣位置或線寬之移位或偏置，以及意欲輔助其他特性之投影的「輔助」特性之應用。
OPC之最簡單形式中之一者為選擇性偏置。在給定CD與間距曲線之情況下，可至少在最佳聚焦及曝光處藉由在圖案化器件層級處改變CD而迫使所有不同間距產生相同CD。因此，若特徵在基板層級處列印過小，則圖案化器件層級特徵將偏置為稍微大於標稱，且反之亦然。由於自圖案化器件層級至基板層級之圖案轉印程序係非線性的，故偏置之量並非僅僅為在最佳焦點及曝光處之經量測CD誤差乘以縮減比率，而是運用模型化及實驗，可判定適當偏置。選擇性偏置為對近接效應之問題的不完整解決方案，特別是在其僅應用於標稱程序條件下的情況下。儘管此偏置原則上可應用以給出最佳焦點及曝光處之均一CD相對於間距曲線，但一旦曝光程序自標稱條件變化，每一偏置間距曲線就將作出不同的回應，從而引起用於不同特徵之不同製程窗。製程窗為足夠適當地產生特徵(例如特徵之CD在某一範圍，諸如±10%或±5%內)所根據之兩個或多於兩個程序參數(例如微影設備中之焦點及輻射劑量)之值範圍。因此，為給出相同CD相對於節距之「最佳」偏置甚至可具有對總製程窗之負面影響，從而縮減(而非放大)所有目標特徵在所要程序容許度內印刷於基板上之焦點及曝光範圍。
已開發供超出以上之一維偏置實例之應用的其他更複雜OPC技術。二維近接效應係線端縮短的。線端趨向於依據曝光及焦點而自其所要端點部位「拉回」。在許多情況下，長線端之末端縮短程度可比對應線窄化大若干倍。此類型之線端拉回可在線端不能完全橫越其意欲覆蓋之底層(諸如，源極-汲極區上方之多晶矽閘極層)的情況下導致所製造的器件發生嚴重失效。因為此類型之圖案對焦點及曝光高度敏感，所以使線端簡單地偏置成長於設計長度不充分，此係因為最佳焦點及曝光處或在曝光不足條件下之線將過長，從而在延伸型線端觸摸相鄰結構時引起短路，或在電路中之個別特徵之間添加更多空間的情況下引起不必要大的電路大小。由於積體電路設計及製造之目標中之一者為最大化功能元件之數目，同時最小化每晶片所需之面積，故添加過量間隔係非所要的解決方案。
二維OPC途徑可有助於解決線端拉回問題。諸如「錘頭」或「襯線」之額外結構(亦被稱為「輔助特徵」)可添加至線端以將該等線端有效地錨定於適當位置且提供遍及整個製程窗之縮減之拉回。即使在最佳焦點及曝光處，此等額外結構仍未被解析，但其更改主要特徵之外觀，而未被獨自完全解析。如本文中所使用之「主特徵」意謂在製程窗中之一些或所有條件下意欲印刷於基板上之特徵。輔助特徵可呈現比添加至線端之簡單錘頭更有攻擊性之形式，而達圖案化器件上之圖案不再簡單地為大小增加縮減比率的所要基板圖案之程度。諸如襯線之輔助特徵可應用於比簡單地縮減線端拉回更多的情形。內襯線或外襯線可被應用至任何邊緣(尤其是二維邊緣)，以縮減角落圓化或邊緣擠壓。在運用足夠選擇性偏置以及所有大小及極性之輔助特徵的情況下，圖案化器件上之特徵承受與基板層級處所要之最終圖案愈來愈小的類似性。一般而言，圖案化器件圖案變為基板層級圖案之經預失真版本，其中失真意欲抵消或反轉在製造程序期間將出現的圖案變形以在基板上產生儘可能接近於設計者所預期之圖案的圖案。
代替使用連接至主特徵之彼等輔助特徵(例如，襯線)或除了使用連接至主特徵之彼等輔助特徵(例如，襯線)以外，另一OPC技術涉及亦使用完全獨立且不可解析之輔助特徵。此處之術語「獨立」意謂此等輔助特徵之邊緣不連接至主特徵之邊緣。此等獨立輔助特徵不意欲或希望作為特徵列印於基板上，而係意欲修改附近主要特徵之空中影像以增強彼主要特徵之可列印性及程序容許度。此等輔助特徵(常常被稱作「散射桿體」或「SBAR」)可包括：子解析度輔助特徵(SRAF)，其為主特徵之邊緣外部之特徵；及子解析度逆特徵(SRIF)，其為自主特徵之邊緣內部取出之特徵。SBAR之存在向圖案化器件圖案添加又一層之複雜度。散射長條之使用之簡單實例為：其中在經隔離線特徵之兩個側上拖曳不可解析散射長條之規則陣列，此具有自空中影像之觀點使經隔離線呈現為更表示緻密線陣列內之單一線之效應，從而引起製程窗在焦點及曝光容許度方面更接近於緻密圖案之焦點及曝光容許度。此經裝飾隔離特徵與密集圖案之間的共同製程窗相比於如在圖案化器件層級處隔離而拖曳之特徵之情形將具有對焦點及曝光變化之更大的共同容許度。
輔助特徵可被視為圖案化器件上之特徵與設計佈局中之特徵之間的差異。術語「主要特徵」及「輔助特徵」並不暗示圖案化器件上之特定特徵必須標註為主要特徵或輔助特徵。
理解微影程序之另一態樣係理解輻射與圖案化器件之相互作用。在輻射通過圖案化器件之後的輻射之電磁場可自在輻射到達圖案化器件之前的輻射之電磁場及特性化該相互作用之函數予以判定。此函數可稱為遮罩透射函數(其可用於描述透射圖案化器件及/或反射圖案化器件之相互作用)。
遮罩透射函數可具有多種不同形式。一種形式為二元。二元遮罩透射函數在圖案化器件上之任何給定部位處具有兩個值(例如零及正常數)中之任一者。呈二元形式之遮罩透射函數可被稱作二元遮罩。另一形式為連續的。亦即，圖案化器件之透射率(或反射率)的模數係圖案化器件上之部位的連續函數。透射率(或反射率)之相位亦可為圖案化器件上之部位的連續函數。呈連續形式之遮罩透射函數可稱為連續色調遮罩或連續透射遮罩(CTM)。舉例而言，可將CTM表示為像素化影像，其中可向每一像素指派介於0與1之間的值(例如0.1、0.2、0.3等)來代替0或1之二元值。在一實施例中，CTM可為像素化灰階影像，其中每一像素具有若干值(例如在範圍[-255, 255]內、在範圍[0, 1]或[-1, 1]或其他適當範圍內之正規化值)。
薄遮罩近似(亦稱為克希荷夫(Kirchhoff)邊界條件)廣泛地用於簡化對輻射與圖案化器件之相互作用之判定。薄遮罩近似假定圖案化器件上之結構之厚度與波長相比極小，且遮罩上的結構之寬度與波長相比極大。因此，薄遮罩近似假定在圖案化器件之後的電磁場為入射電磁場與遮罩透射函數之乘積。然而，當微影程序使用具有愈來愈短之波長的輻射，且圖案化器件上之結構變得愈來愈小時，對薄遮罩近似之假定可分解。舉例而言，由於結構(例如頂面與側壁之間的邊緣)之有限厚度，輻射與結構之相互作用(「遮罩3D效應」或「M3D」)可變得重要。在遮罩透射函數中涵蓋此散射可使得遮罩透射函數能夠較佳捕捉輻射與圖案化器件之相互作用。在薄遮罩近似下之遮罩透射函數可被稱作薄遮罩透射函數。涵蓋M3D的遮罩透射函數可稱為M3D遮罩透射函數。
圖2為用於自影像(例如，連續透射遮罩影像、二元遮罩影像、曲線遮罩影像等)判定圖案化器件圖案(或下文中之遮罩圖案)之方法200的流程圖，該影像對應於待經由涉及微影程序之圖案化程序印刷於基板上的目標圖案。在一實施例中，設計佈局或目標圖案可為二元設計佈局、連續色調設計佈局，或另一合適形式之設計佈局。
方法200為反覆程序，其中初始影像(例如，增強型影像、自CTM影像初始化之遮罩變數等)經漸進地修改以根據本發明之不同程序產生不同類型之影像，以最終產生包含進一步用以製作/製造遮罩之遮罩圖案或影像(例如，對應於最終曲線遮罩之遮罩變數)的資訊。初始影像之反覆修改可係基於成本函數，其中在反覆期間，初始影像可經修改，使得成本函數經減小，在一實施例中經最小化。在一實施例中，方法200亦可被稱作二進位化CTM程序，其中初始影像為經優化CTM影像，該經優化CTM影像進一步根據本發明處理以產生曲線遮罩圖案(例如，曲線遮罩或曲線圖案之幾何形狀或多邊形表示形狀)。在一實施例中，初始影像可為CTM影像之增強型影像)。曲線遮罩圖案可呈向量、表、數學方程式之形式或表示幾何/多邊形形狀之其他形式。
在一實施例中，程序P201可涉及獲得初始影像(例如，CTM影像或經優化CTM影像，或二元遮罩影像)。在一實施例中，初始影像201可為藉由CTM產生程序基於待印刷於基板上之目標圖案產生的CTM影像。可接著藉由程序P201接收CTM影像。在一實施例中，程序P201可經組態以產生CTM影像。舉例而言，在CTM產生技術中，將逆微影問題公式化為最佳化問題。變數與遮罩影像中之像素值相關，且諸如EPE或旁瓣印刷之微影度量係用作成本函數。在優化之反覆中，自變數建構遮罩影像且接著應用程序模型(例如迅子模型)以獲得光學或抗蝕劑影像且計算成本函數。成本計算接著給出梯度值，該等梯度值用於最佳化求解程序中以更新變數(例如，像素強度)。在優化期間之若干次反覆之後，產生最終遮罩影像，其另外用作用於圖案提取之導引映圖(例如如實施於迅子SMO軟體中)。此初始影像(例如CTM影像)可包括對應於待經由圖案化程序印刷於基板上的目標圖案之一或多個特徵(例如目標圖案之特徵、SRAF、SRIF等)。
在一實施例中，CTM影像(或CTM影像之增強型版本)可用以初始化可用作初始影像201之遮罩變數，該初始影像如下文所論述經反覆修改。
程序P201可涉及基於初始影像201產生增強型影像202。增強型影像202可為初始影像201內之某些選定像素經放大的影像。選定像素可為初始影像201內具有相對較低值(或弱信號)的像素。在一實施例中，選定像素為具有信號值之像素，該等信號值低於例如貫穿初始影像之像素的平均強度或給定臨限值。換言之，初始影像201內具有較弱信號之像素經放大，因此增強初始影像201內之一或多個特徵。舉例而言，目標特徵周圍之二階SRAF可具有弱信號，其可經放大。因此，增強型影像202可突出顯示或識別可包括於遮罩影像(在方法中稍後產生)內之額外特徵(或結構)。在判定遮罩影像之習知方法(例如，CTM方法)中，初始影像內之弱信號可被忽略，且因而遮罩影像可不包括可由初始影像201中之弱信號形成的特徵。
增強型影像202之產生涉及應用諸如濾波器(例如，邊緣偵測濾波器)之影像處理操作以放大初始影像201內之弱信號。替代地或另外，影像處理操作可為去模糊、平均化及/或特徵提取或其他類似操作。邊緣偵測濾波器之實例包括普瑞維特(Prewitt)運算子、拉普拉斯(Laplacian)運算子、高斯拉普拉斯(LoG)濾波器等。產生步驟可進一步涉及在修改或不修改初始影像201之原始強信號的情況下組合初始影像201之經放大信號與初始影像201之原始信號。舉例而言，在一實施例中，對於橫越初始影像201之一或多個部位處(例如，接觸孔處)的一或多個像素值，原始信號可為相對強的(例如，高於某臨限值諸如150或低於-50)，則該一或多個部位處(例如，接觸孔處)的原始信號可能並不經修改或與彼部位之經放大信號組合。
在一實施例中，初始影像201中之雜訊(例如，亮度或顏色或像素值之隨機變化)亦可被放大。因此，替代地或另外，可應用平滑化程序以減小經組合影像中之雜訊(例如，亮度或顏色或像素值的隨機變化)。影像平滑化方法之實例包括高斯模糊、流動平均值、低通濾波器等。
在一實施例中，可使用邊緣偵測濾波器來產生增強型影像202。舉例而言，可將邊緣偵測濾波器應用至初始影像201以產生經濾波影像，該經濾波影像突出顯示初始影像201內之一或多個特徵的邊緣。所得經濾波影像可與原始影像(亦即，初始影像201)進一步組合以產生增強型影像202。在一實施例中，初始影像201與在邊緣濾波之後獲得之影像的組合可涉及僅修改初始影像201之具有弱信號的彼等部分而不修改具有強信號之區，且組合程序可基於信號強度經加權。在一實施例中，放大弱信號亦可放大經濾波影像內之雜訊。因此，根據實施例，可對經組合影像執行平滑化程序。影像之平滑化可指近似函數，其試圖捕捉影像中之重要圖案(例如，目標圖案、SRAF)，同時省去雜訊或其他精細尺度結構/快速現象。在平滑化中，信號之資料點可經修改，使得個別點(大致由於雜訊)可減小，且可能低於鄰近點之點可增大，從而導致更平滑信號或更平滑影像。因此，在平滑化操作之後，根據本發明之一實施例，可獲得具有減小之雜訊的增強型影像202之進一步平滑版本。
在程序P203中，該方法可涉及基於增強型影像202產生遮罩變數203。在第一反覆中，增強型影像202可用以初始化遮罩變數203。在稍後反覆中，可反覆地更新遮罩變數203。
n 個實變數之實數值函數f 之輪廓提取為如下形式之集合：
Figure 02_image001
在二維空間中，該集合定義表面上之函數f 等於給定值c 的點。在二維空間中，函數f 能夠提取將向遮罩影像呈現之閉合輪廓。
在以上方程式中，x1 ,x2 ,…xn 指諸如個別像素之強度之遮罩變數，其判定曲線遮罩邊緣以給定恆定值c 存在之部位(例如，在如以下程序P205中論述之臨限平面)。
在一實施例中，在一反覆處，遮罩變數203之產生可涉及基於例如初始化條件或梯度圖(其可在該方法中隨後產生)修改增強型影像202內之變數之一或多個值(例如一或多個部位處之像素值)。舉例而言，可增大或減低一或多個像素值。換言之，可增大或減低增強型影像202內之一或多個信號之振幅。信號之此類經修改振幅使得能夠取決於信號之振幅的改變量而產生不同曲線圖案。因此，曲線圖案逐漸地演變，直至成本函數減小，在一實施例中經最小化。在一實施例中，可對位準遮罩變數203執行進一步平滑化。
此外，程序P205涉及基於遮罩變數203產生曲線遮罩圖案205 (例如，具有以向量形式表示之多邊形形狀)。曲線遮罩圖案205之產生可涉及遮罩變數203之臨限值設定以自遮罩變數203追蹤或產生曲線(或彎曲)圖案。舉例而言，可使用具有固定值的與遮罩變數203之信號相交的臨限平面(例如，x-y平面)來執行臨限值設定。臨限平面與遮罩變數203之信號的相交產生跡線或輪廓(亦即，彎曲多邊形形狀)，該等跡線或輪廓形成充當曲線遮罩圖案205之曲線圖案的多邊形形狀。舉例而言，遮罩變數203可與平行於(x,y)平面之零平面相交。因此，曲線遮罩圖案205可為如上產生的任何曲線圖案。在一實施例中，自遮罩變數203追蹤或產生之曲線圖案取決於增強型影像202之信號。因此，影像增強程序P203促進針對最終曲線遮罩圖案產生之圖案的改良。最終曲線遮罩圖案可藉由遮罩製造商進一步使用以製造用於微影程序中之遮罩。
程序P207可涉及呈現曲線遮罩圖案205以產生遮罩影像207。呈現為對曲線遮罩圖案執行之操作，其係與將矩形遮罩多邊形轉換為離散灰階影像表示類似的程序。此程序大體上可被理解為將連續座標(多邊形)之框函數(box function)取樣成影像像素之每一點處之值。
方法進一步涉及使用程序模型進行圖案化程序之前向模擬，該等程序模型基於遮罩影像207產生或預測可印刷於基板上之圖案209。舉例而言，程序P209可涉及使用遮罩影像207作為輸入執行及/或模擬程序模型及在基板上產生程序影像209 (例如，空中影像、抗蝕劑影像、蝕刻影像等)。在一實施例中，程序模型可包括耦接至光學器件模型之遮罩透射模型，該光學器件模型進一步耦接至抗蝕劑模型及/或蝕刻模型(例如，如下文所描述)。程序模型之輸出可為在模擬程序期間用不同程序變化因數表示的程序影像209。程序影像可藉由例如追蹤程序影像內之圖案的輪廓來進一步用以判定圖案化程序之參數(例如，EPE、CD、疊對、旁瓣等)。參數可進一步用以定義成本函數，該成本函數進一步用以最佳化遮罩影像207，使得成本函數減小，或在一實施例中經最小化。
在程序P211中，可基於程序模型影像209 (亦被稱作經模擬基板影像或基板影像或晶圓影像)來評估成本函數。因此，成本函數在圖案化程序變化的情況下可被認為係程序感知的，從而使得能夠產生考量圖案化程序之變化的曲線遮罩圖案。舉例而言，成本函數可為邊緣置放誤差(EPE)、旁瓣、均方誤差(MSE)、圖案置放誤差(PPE)、正規化影像對數或基於程序影像中之圖案輪廓所定義之其他適當變數。EPE可為與一或多個圖案相關聯之邊緣置放誤差及/或與程序模型影像209之所有圖案及對應目標圖案相關之所有邊緣置放誤差的總和。在一實施例中，成本函數可包括可同時減小或最小化之多於一個條件。舉例而言，除了MRC違反機率以外，亦可包括缺陷之數目、EPE、疊對、CD或其他參數，且可同時減小(或最小化)全部條件。
此外，一或多個梯度圖可基於成本函數(例如，EPE)產生，且遮罩變數可基於此類梯度圖來修改。遮罩變數(MV)指ϕ 之強度。因此，梯度計算可表示為dEPE/dϕ ，且藉由捕捉自遮罩影像(MI)至曲線遮罩多邊形至遮罩變數之逆數學關係來更新梯度值。因此，可相對於遮罩影像自遮罩影像至曲線遮罩多邊形及自曲線遮罩多邊形至遮罩變數計算成本函數之導數鏈，此允許修改遮罩變數處之遮罩變數之值。
在一實施例中，影像正則化可經添加以減小可產生之遮罩圖案的複雜度。此類影像正則化可為遮罩規則檢查(MRC)。MRC係指遮罩製造程序或設備之限制條件。因此，成本函數例如基於EPE及MRC違反懲罰而可包括不同分量。懲罰可為成本函數之項，其取決於違反量，例如遮罩量測值與給定MRC或遮罩參數(例如，遮罩圖案寬度與所允許(例如，最小或最大)遮罩圖案寬度)之間的差。因此，根據本發明之一實施例，遮罩圖案可經設計，且對應遮罩可不僅基於圖案化程序之前向模擬而且另外基於遮罩製造設備/程序之製造限制來製作。因此，可獲得依據例如EPE或印刷圖案上之疊對產生高良率(亦即，最小缺陷)及高準確度的可製造曲線遮罩。
對應於程序影像之圖案應與目標圖案確切地相同，然而，此類確切目標圖案可能並非可行的(例如，通常為尖銳隅角)，且歸因於該圖案化程序自身中之變化及/或圖案化程序之模型中的近似而引入一些衝突。在方法之第一反覆中，遮罩影像207可能並不產生類似於目標圖案之圖案(在抗蝕劑影像中)。抗蝕劑影像(或蝕刻影像)中印刷圖案之準確性或接受度的判定可係基於諸如EPE之成本函數。舉例而言，若抗蝕劑圖案之EPE高，則其指示使用遮罩影像207之印刷圖案係不可接受的且遮罩變數203中之圖案必須經修改。
為了判定遮罩影像207是否為可接受的，程序P213可涉及判定成本函數是否減小或經最小化，或給定反覆數目是否達到。舉例而言，先前反覆之EPE值可與當前反覆之EPE值比較以判定EPE是否已減小、最小化或收斂(亦即，未觀測到印刷圖案中之實質改良)。當成本函數經最小化時，方法可停止，且產生之曲線遮罩圖案資訊被視為最佳化結果。
然而，若成本函數並未經減小或最小化，則可更新遮罩相關變數或增強型影像相關變數(例如，像素值)。在一實施例中，更新可係基於以梯度為基礎之方法。舉例而言，若成本函數未減小，則方法200前進至在執行指示如何進一步修改遮罩變數203之程序P215及P217之後產生遮罩影像的下一反覆。
程序P215可涉及基於成本函數而產生梯度圖215。梯度圖可為成本函數之導數及/或偏導數。在一實施例中，可相對於遮罩影像之像素判定成本函數之偏導數，且可將導數進一步鏈接以判定相對於遮罩變數203之偏導數。此類梯度計算可涉及判定遮罩影像207與遮罩變數203之間的逆關係。此外，必須考慮在程序P205及P203中執行之任何平滑化操作(或函數)的逆關係。
梯度圖215可提供關於以使得成本函數減小(在一實施例中經最小化)之方式增大或減低遮罩變數之值的建議。在一實施例中，可將最佳化演算法應用於梯度圖215以判定遮罩變數值。在一實施例中，最佳化求解程序可用以執行基於梯度之計算(在程序P217中)。
在一實施例中，對於反覆，遮罩變數可改變，而臨限平面可保持固定或不變以便逐漸減小或最小化成本函數。因此，所產生之曲線圖案可在反覆期間逐漸發展，使得成本函數減小，或在一實施例中最小化。在另一實施例中，遮罩變數以及臨限平面兩者可皆改變以達成最佳化程序的更快收斂。在成本函數之幾次反覆及/或最小化後可能產生最終二進位化CTM結果集合(亦即，增強型影像、遮罩影像或曲線遮罩之經修改版本)。
在本發明之一實施例中，自藉由灰階影像進行之CTM最佳化至藉由曲線遮罩進行之二進位化CTM最佳化的轉變可藉由用不同程序替換臨限值設定程序(亦即，P203及P205)來簡化，在該不同程序處，S型變換應用於增強型影像202，且執行梯度計算之對應改變。增強型影像202之S型變換產生經變換影像，該經變換影像在最佳化程序(例如，最小化成本函數)期間逐漸地演變成曲線圖案。在反覆或最佳化步驟期間，與S型函數相關之變數(例如，陡度及/或臨限值)可基於梯度計算來修改。由於S型變換在連續反覆期間變得更陡(例如，S型變換之斜率之陡度增大)，故可達成自CTM影像至最終二進位化CTM影像之逐漸轉變，從而允許藉由曲線遮罩圖案進行之最終二進位化CTM最佳化之改良的結果。
在本發明之一實施例中，額外步驟/程序可插入至最佳化之反覆的循環中，以加強結果從而具有所選或所要屬性。舉例而言，可藉由添加平滑化步驟來確保平滑度，或可使用其他濾波器以加強影像以有利於水平/豎直結構。
本發明方法具有若干特徵或態樣。舉例而言，使用藉由影像增強方法進行之最佳化的CTM遮罩影像來改良信號，該信號可進一步用作最佳化流程中的接種。在另一態樣中，使用藉由CTM技術進行之臨限值設定方法(被稱作二進位化CTM)使得能夠產生曲線遮罩圖案。在又一態樣中，梯度計算之完整公式化(亦即，封閉迴路公式化)允許使用基於梯度之求解程序以用於遮罩變數最佳化。二進位化CTM結果可用作局部解決方案(作為熱點修復)或用作全晶片解決方案。二進位化CTM結果可連同機器學習一起用作輸入。此可允許使用機器學習以加速二進位化CTM。在又一態樣中，方法包括影像正則化方法以改良結果。在另一態樣中，方法涉及連續最佳化階段以達成自灰階影像CTM至二元曲線遮罩二進位化CTM之更平滑轉變。方法允許調諧最佳化之臨限值以改良結果。方法包括至最佳化之反覆的額外變換以加強結果之良好屬性(要求二進位化CTM影像中之平滑度)。
隨著微影節點不斷縮小，需要愈來愈複雜之遮罩。可運用DUV掃描器、EUV掃描器及/或其他掃描器在關鍵層中使用本發明方法。根據本發明之方法可包括於包括源遮罩最佳化(SMO)、遮罩最佳化及/或OPC之遮罩最佳化程序的不同態樣中。
如上文所描述，常常需要能夠以計算方式判定圖案化程序將如何在基板上產生所要圖案。因此，可提供模擬以模擬程序之一或多個部分。舉例而言，需要能夠模擬在抗蝕劑顯影之後將圖案化器件圖案轉印至基板之抗蝕劑層上以及彼抗蝕劑層中產生之圖案上的微影程序。
圖3中說明用於模擬微影投影設備中之微影的例示性流程圖。照明模型331表示照明之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學器件模型332表示投影光學器件之光學特徵(包括由投影光學器件引起的輻射強度分佈及/或相位分佈之改變)。設計佈局模型335表示設計佈局之光學特性(包括由給定設計佈局造成的對輻射強度分佈及/或相位分佈之改變)，該設計佈局為在圖案化器件上或由圖案化器件形成之特徵之配置的表示。可使用照明模型331、投影光學器件模型332及設計佈局模型335來模擬空中影像336。可使用抗蝕劑模型337而自空中影像336模擬抗蝕劑影像338。微影之模擬可例如預測抗蝕劑影像中之輪廓及/或CD。
更具體言之，照明模型331可表示照明之光學特性，該等光學特性包括但不限於NA-均方偏差(σ)設定，以及任何特定照明形狀(例如，離軸照明，諸如環形、四極、偶極等)。投影光學器件模型332可表示投影光學器件之光學特性，包括例如像差、失真、折射率、實體大小或尺寸等。設計佈局模型335亦可表示實體圖案化器件之一或多個物理屬性，如例如以全文引用的方式併入本文中之美國專利第7,587,704號中所描述。與微影投影設備相關聯之光學屬性(例如照明、圖案化器件及投影光學器件之屬性)規定空中影像。由於微影投影設備中使用之圖案化器件可改變，故需要將圖案化器件之光學屬性與至少包括照明及投影光學器件之微影投影設備之其餘部分的光學屬性分離(因此設計佈局模型335)。
抗蝕劑模型337可用以根據空中影像來計算抗蝕劑影像，此情形之一實例可發現於美國專利第8,200,468號中，該美國專利特此以其全文引用之方式併入。抗蝕劑模型與抗蝕劑層之屬性(例如，在曝光、曝光後烘烤及顯影期間發生的化學程序之效應)相關。
模擬之目標係準確地預測(例如)邊緣置放、空中影像強度斜率及/或CD，可接著將該等邊緣置放、空中影像強度斜率及/或CD與預期設計進行比較。預期設計通常被定義為預OPC設計佈局，其可以諸如GDSII、OASIS或另一檔案格式之標準化數位檔案格式而提供。
自該設計佈局，可識別被稱作「剪輯」之一或多個部分。在一實施例中，提取剪輯集合，其表示設計佈局中之複雜圖案(例如，圖案集合) (通常為約50個至1000個剪輯，但可使用任何數目個剪輯)。如熟習此項技術者應瞭解，此等圖案或剪輯表示設計之小部分(例如，電路、單元等)，該等小部分需要特定關注及/或校驗(例如，圖案集合)。換言之，剪輯可為設計佈局之部分，或可相似或具有臨界特徵係藉由經驗而識別(包括由客戶提供之剪輯)、藉由試誤法而識別或藉由執行全晶片模擬而識別的設計佈局之部分的相似行為。剪輯通常含有一或多個測試圖案或量規圖案。可由客戶基於設計佈局中要求特定影像最佳化之已知臨界特徵區域而先驗地提供初始較大剪輯集合。替代地，在另一實施例中，可藉由使用下文描述之識別臨界特徵區域之程序而自整個設計佈局提取初始較大剪輯集合。
在一些實例中，可使用模擬及模型化來組態圖案化器件圖案之一或多個特徵(例如，執行光學近接校正)、照明之一或多個特徵(例如，改變照明之空間/角強度分佈之一或多個特性，諸如改變形狀)，及/或投影光學器件之一或多個特徵(例如，數值孔徑等等)。此組態通常可分別被稱作遮罩最佳化、源最佳化及投影最佳化。可獨立地執行或以不同組合形式組合此最佳化。一個此類實例為源-遮罩最佳化(source-mask optimization；SMO)，其涉及組態圖案化器件圖案之一或多個特徵連同照明之一或多個特徵。最佳化技術可聚焦於剪輯中之一或多者。最佳化可使用本文中所描述之機器學習模型以預測各種參數(包括影像等)之值。
在一些實施例中，照明模型331、投影光學器件模型332、設計佈局模型335、抗蝕劑模型337、SMO模型及/或與積體電路製造程序相關聯及/或在積體電路製造程序中所包括之其他模型可為執行本文中所描述之方法之操作的經驗模型。該經驗模型可基於各種輸入(例如，遮罩或晶圓影像之一或多個特性、設計佈局之一或多個特性、圖案化器件之一或多個特性、微影程序中所使用之照明之一或多個特性，諸如波長，等)之間的相關性預測輸出。
作為一實例，經驗模型可為機器學習模型。在一些實施例中，機器學習模型可為及/或包括數學方程式、演算法、標繪圖、圖表、網路(例如神經網路)，及/或其他工具及機器學習模型組件。舉例而言，機器學習模型可為及/或包括具有輸入層、輸出層及一或多個中間或隱藏層之一或多個神經網路。在一些實施例中，一或多個神經網路可為及/或包括深度神經網路(例如，在輸入層與輸出層之間具有一或多個中間或隱藏層的神經網路)。
作為一實例，該一或多個神經網路可基於神經單元(或人工神經元)之大集合。該一或多個神經網路可不嚴格地模仿生物大腦工作之方式(例如，經由由軸突連接之大的生物神經元簇)。神經網路之每一神經單元可與該神經網路之許多其他神經單元連接。此類連接可加強或抑制其對所連接之神經單元之激活狀態之影響。在一些實施例中，每一個別神經單元可具有將所有其輸入之值組合在一起之求和函數。在一些實施例中，每一連接(或神經單元自身)可具有臨限值函數使得信號在其被允許傳播至其他神經單元之前必須超出臨限值。此等神經網路系統可為自學習及經訓練，而非經明確程式化，且與傳統電腦程式相比，可在某些問題解決領域中顯著更佳地執行。在一些實施例中，一或多個神經網路可包括多個層(例如，其中信號路徑自前端層橫穿至後端層)。在一些實施例中，可由神經網路利用反向傳播技術，其中使用前向刺激以對「前端」神經單元重設權重。在一些實施例中，對一或多個神經網路之刺激及抑制可更自由流動，其中連接以較混亂且複雜之方式相互作用。在一些實施例中，一或多個神經網路之中間層包括一或多個卷積層、一或多個重現層及/或其他層。
可使用訓練資料之集合來訓練一或多個神經網路(亦即判定其之參數)。訓練資料可包括訓練樣本之集合。每一樣本可為包含輸入物件(通常為向量，其可被稱為特徵向量)及所要輸出值(亦被稱為監督信號)之對。訓練演算法分析訓練資料，且藉由基於訓練資料調整神經網路之參數(例如一或多個層之權重)來調整神經網路的行為。舉例而言，在給出形式為
Figure 02_image003
之N個訓練樣本之集合使得xi 為第i實例的特徵向量且yi 為其監督信號之情況下，訓練演算法尋找神經網路g:X→Y，其中X為輸入空間且Y為輸出空間。特徵向量為表示某一目標(例如，如以上實例中之晶圓設計)之數值特徵之n維向量。與此等向量相關聯之向量空間常常被稱作特徵空間。在訓練之後，神經網路可用於使用新樣本來進行預測。
舉例而言，如上文所描述，為訓練DCNN及/或其他機器學習模型以預測CTM映圖，需要使用者產生CTM影像作為訓練資料(例如，經由ASML迅子產品)。然而，選擇全晶片GDS中之圖案的適當代表性部分作為經設定以訓練DCNN之訓練圖案從而預測CTM映圖係困難的。手動選擇需要使用者具有關於全晶片GDS設計之有效預先知識，且對選擇程序投入數小時。儘管隨機選擇相對於手動選擇並非費時的，但與隨機選擇相關聯之不明確圖案涵蓋範圍及低穩定性使得隨機選擇在現實世界應用中為不可行的。
為解決先前系統之此等及其他劣勢，本發明方法及設備為使用者提供自全晶片GDS檔案自動執行訓練圖案選擇的有效工具。本發明方法及設備經組態以在與先前技術系統相比更少的時間內自圖案集合自動選擇代表性圖案。
圖4說明用於在晶圓圖案化程序中判定訓練圖案之本發明方法400之操作的概述。圖4中所展示之方法為用於在晶圓圖案化程序(例如，如本文中所描述)中訓練機器學習模型之方法或該方法之部分。操作包括自圖案集合443中之獨特圖案產生441 (例如，藉由特徵產生引擎)複數個特徵以形成具有額外特徵之增強型圖案集合445；基於複數個所產生特徵之相似性將增強圖案集合445中之圖案分組442 (例如，藉由圖案群集引擎)成個別群組447；及自個別群組447選擇444 (例如，藉由圖案選擇引擎)代表性圖案448以判定訓練圖案449。來自個別群組447之所選代表性圖案448 (例如，其形成訓練圖案449)可經提供至機器學習模型(例如，DCNN，圖4中未展示)以訓練機器學習模型預測用於晶圓圖案化程序中之光學近接校正(OPC)的連續透射遮罩(CTM)映圖，及/或可經提供用於其他應用。舉例而言，圖案集合443中之圖案可為基於全晶片佈局GDS檔案453藉由例如迅子PRO (圖案辨識及最佳化)產品(及/或其他類似產品)中之自佈局收集圖案(pattern collector from layout；PCL)功能451產生的獨特圖案庫446及/或為其部分。
在操作441中，複數個所產生特徵包含幾何特徵、微影感知特徵及/或其他特徵。幾何特徵包含以下中之一或多者：目標遮罩影像、頻率映圖、圖案密度映圖、獨特圖案在圖案集合中之圖案出現率，及/或其他幾何特徵。微影感知特徵包含以下中之一或多者：子解析度輔助特徵導引映圖(SGM)、繞射階、圖案集合中之獨特圖案的繞射圖案，及/或其他微影感知特徵。針對圖案集合中之圖案中之每一者產生幾何特徵及微影感知特徵。在一實施例中，針對(集合443中之)每一圖案產生特徵集合(包括幾何及/或微影感知特徵)。自圖案集合中之圖案產生之複數個特徵為除了已包括於圖案集合中的幾何資訊及/或頂點資訊之外的資訊。
舉例而言，藉由PCL 451產生之圖案集合446 (例如，圖案庫(PLIB))可包括含有與個別獨特圖案相關之幾何資訊。然而，僅個別圖案之頂點資訊可儲存為圖案集合446之部分以表示特定圖案設計。舉例而言，頂點資訊易於用於精確圖案匹配，但頂點資訊不足以導引圖案分組方法充分地分組類似圖案(其並不完全相同)，此係因為此程序為模糊匹配程序。為改良操作442中之圖案分組的穩健性，操作441包括產生用於個別圖案之額外特徵(例如，除了頂點幾何資訊之外)，包括幾何及微影感知特徵兩者。如上文所描述，幾何特徵包含以下中之一或多者：目標遮罩影像、頻率映圖、圖案密度映圖、獨特圖案在圖案集合中之圖案出現率，及/或其他幾何特徵。微影感知特徵包含以下中之一或多者：子解析度輔助特徵導引映圖(SGM)、繞射階、圖案集合中之獨特圖案的繞射圖案，及/或其他微影感知特徵。然而，本說明書並不意欲為限制性的。操作441可由使用者定製以延伸至根據使用者之規範產生的額外及/或不同特徵。
圖5說明圖4中所展示之特徵產生操作441的態樣。如圖5中所展示，操作441包括產生幾何特徵502及微影感知特徵504。針對圖案集合443 (圖4)中之圖案501中之每一者產生幾何特徵502及微影感知特徵504以使得針對每一圖案501產生特徵502、504之集合。作為操作441之部分(例如，藉由特徵產生引擎)產生之幾何特徵502的實例包括目標遮罩影像506、頻率映圖508、圖案密度映圖510及圖案在圖案集合中之圖案出現率(計數) 512。作為操作441之部分(例如，藉由特徵產生引擎)產生之微影感知特徵504的實例包括SGM映圖514、繞射階516及繞射圖案518。此等特徵僅為實例，且並不意欲為限制性的。
返回至圖4，在操作442中，將增強型圖案集合445中之圖案分組成個別群組係基於複數個所產生特徵(例如，在操作441處產生)之相似性。使用無監督機器學習執行操作442。在一實施例中，分組包含群集及/或其他分組操作。群集包含一系列依序群集步驟455、457、459，其使用不同群集步驟455、457、459之複數個所產生特徵中之不同者而執行。在圖4中所展示之實例中，群集步驟455可基於第一特徵執行，群集步驟457可基於第二特徵執行，且群集步驟459 (及/或任何其他中間群集步驟)可基於第n特徵執行。該系列依序群集步驟455、457、459形成圖案集合中之獨特圖案的對應子群461、463、465，使得代表性圖案448 (操作444)係選自子群461、463、465以判定訓練圖案449。
圖6說明與圖4中所展示之操作442相關的額外細節。舉例而言，圖6說明基於複數個所產生特徵(例如，在圖4中所展示之操作441處藉由例如特徵產生引擎產生)之相似性將增強型圖案集合445中的圖案群集至個別群組中。由於圖案呈現多維特徵，可基於個別特徵執行群集。可藉由無監督機器學習對每一圖案執行圖6中所展示之群集，以逐步方式考慮每一圖案之多個特徵以將共用多維特徵之類似性的圖案分組在一起(例如，如圖6中所展示形成群組的分支及子分支)。舉例而言，使用者可定義應將哪些特徵用於群集圖案，及用於群集之特徵的序列。在圖6中所展示之實例中，群集包含一系列依序群集步驟455、457、459，其使用不同群集步驟455、457、459之複數個所產生特徵中的不同者(例如，其標識及次序由使用者定義)而執行。舉例而言，群集步驟455可基於第一特徵執行，群集步驟457可基於第二特徵執行，且群集步驟459 (及/或任何其他中間群集步驟)可基於第n特徵執行。該系列依序群集步驟455、457、459形成獨特圖案之對應子群461 (例如，群組A及B)、463 (例如，群組A-a、A-b、B-a、B-b、B-c)，及465 (例如，A-a-n、A-b-n、B-a-n、B-b-n、B-c-n等)。舉例而言，圖6中所展示之層級的第n層中之群組中的圖案(群集步驟459)共用n種特徵之類似性。
在一實施例中，該系列依序群集步驟455、457、459包含使用給定步驟之給定特性執行的交叉驗證步驟。交叉驗證步驟包括調節在個別群集步驟455、457、459處群集之群組的數目，判定及/或調節將哪些獨特圖案包括於給定子群中，及/或其他交叉驗證操作。在一實施例中，交叉驗證步驟包括最佳化在個別群集步驟455、457、459處群集之群組的數目，及最佳化將哪些獨特圖案包括於給定子群中，及/或其他交叉驗證操作。
在一實施例中，群集及/或交叉驗證包含機器學習群集方法，諸如k均值群集及/或其他群集方法。k均值群集經組態以將n個觀測結果分割成k個叢集，其中每一觀測結果屬於具有最接近均值之叢集，其充當叢集之代表性實例。此導致資料空間分割成沃羅諾伊(Voronoi)單元。給定圖案集合(x1 , x2 , …, xn )及其對應特徵中之一者，特徵可視為d維實向量，使得k均值群集經組態以將n個觀測結果分割成k (≤n)個集合S = {S1 , S2 , …, Sk }以最小化叢集內平方和。形式上，目標為找出：
Figure 02_image005
其中μi 為Si 中之點的均值。
儘管k均值群集為高效群集方法，但其缺點之一為要求多個叢集k在群集發生之前被指定。為了解決對預先選擇每一k均值群集程序之多個叢集的需求，本發明設備及方法經組態以藉由肘部方法進行k次交叉驗證檢查以判定k之值(例如，最佳值)。肘部方法包含在用於k值範圍(例如，k為自1至14，此並不意欲為限制性的)之資料集上運行k均值群集，且針對每一k值，判定平方誤差和(SSE)。在判定SSE之後，針對每一k值繪製SSE之線型圖。
圖7說明SSE 702對k值704之實例線型曲線圖700。若線型曲線圖700看起來類似於手臂，則該手臂上之「肘部」706對應於最佳k值。原則上，相對較小SSE為較佳的，但SSE趨向於隨著k增大而減小到零(當k等於資料集中之資料點的數目時SSE為0，此係因為每一資料點為其自身叢集，且資料點與其叢集之中心之間不存在誤差)。本發明方法及設備經組態以判定仍具有低SSE之較小k值，且線型曲線圖700中之「肘部」706對應於線型曲線圖700中遞增之k產生遞減收益之部位。舉例而言，在圖7中，「肘部」706位於k=5處，指示對於此實例資料集，最佳k為5。隨著k增大為高於5，SSE 702隨著接近於零而愈來愈小地改變。
本發明方法及設備經組態以使得對於判定每一k值之平方誤差和，執行k次交叉驗證檢查。在k次交叉驗證中，將原始樣本隨機地分割成p個相等大小的子樣本。將p個子樣本中之單個子樣本保留為用於判定平方誤差和之驗證資料，且將剩餘的p-1個子樣本用作k均值群集之訓練資料。隨後將交叉驗證程序p次，其中p個子樣本中之每一者作為驗證資料使用恰好一次。p個結果接著可經平均化以產生平方誤差和之單個估計。經由重複隨機子取樣之此方法的優勢在於將個別觀測結果用於訓練及驗證兩者，且將個別觀測結果用於驗證恰好一次。
藉助於非限制性實例，圖8說明k次交叉驗證，其中k = 4。如圖8中所展示，原始樣本800隨機地分割成p個相等大小的子樣本802 (例如，每一子樣本802中之五個點)。在圖8中，在樣本800中存在p = 4個子樣本。將p = 4個子樣本中之單個子樣本804保留為用於判定平方誤差和之驗證資料806，且將剩餘的p-1個子樣本802用作k均值群集之訓練資料808。隨後將交叉驗證程序p次，其中p個子樣本中之每一者作為驗證資料(例如，810、812、814)使用恰好一次。p個結果接著可經平均化以產生平方誤差和之單個估計。
返回至圖4，自個別群組447選擇444代表性圖案448以判定訓練圖案105包含自對應數目個群組447 (例如，群組G(1)、G(2)…G(M))選擇目標數目467 (「M」)個代表性圖案448。在一實施例中，自目標數目467個個別群組447選擇代表性圖案448以判定訓練圖案449包含自目標數目467個(G(1)、G(2)…G(M))個別群組447選擇最中心圖案469 (如圖4中所展示之CP(1)、CP(2)…CP(M))。
在一實施例中，來自給定群組(CP(1)、CP(2)…CP(M))之最中心圖案469為相對於個別分組中之其他圖案最接近於個別分組之指定特徵空間的質心的圖案。舉例而言，指定特徵空間可為目標遮罩影像特徵空間、頻率映圖特徵空間、圖案密度映圖特徵空間、圖案出現特徵空間、SGM特徵空間、繞射階特徵空間、繞射圖案特徵空間，及/或其他特徵空間。在一實施例中，本發明方法及設備可經組態成使得預設目標遮罩影像特徵空間用於選擇中心樣本。然而，由於增強型圖案集合(例如，圖4中之445)中的每一樣本包括多維特徵(例如，頻率映圖、圖案密度映圖等)，本發明方法及設備可經組態成使得使用者可因此基於目標特徵指定特徵空間及/或選擇中心樣本。
本發明方法及設備經組態成使得假定存在總數為(N)之個別群組447，且回應於N大於代表性圖案448之目標數目M 467，自N個群組選擇M個圖案作為設定成用作訓練圖案449之代表性實例圖案。M個所選圖案經組態以最大化給定(例如，使用者選定)特徵空間(例如，預設之目標遮罩影像特徵空間)中之訓練圖案449的變化。
圖9說明用以形成代表性實例圖案集合以供用作訓練圖案(例如，圖4中之449)之自n個群組900 (例如，圖9中之「n」類似於上文描述的「N」)的圖案選擇。群組900係由影像901 (例如，剪輯) C1 902、C2 904…Cn 906形成。如圖9中所展示，對於包括n個樣本(例如，不同圖案之n個影像(或剪輯)的圖案集合，具有H個像素乘以W個像素(例如，H×W)之樣本影像大小，Cj Pi 指示第j該影像(剪輯)中之第i個像素，其中j ϵ [1,n]，i ϵ [1,H*W]。對於像素Pi ，Pi 沿不同影像之變化如下給出：
Figure 02_image007
對於上式中之每一項(Pij - Pi )2 ，相同像素位置之n個影像當中的第j像素的變化經判定，且所有H×W像素之像素變化經求和以表示自N個群組選擇M個圖案作為代表性實例圖案集合的準則，其中選擇準則經組態以最大化訓練圖案之變化。
返回至圖4，如上文所描述，本發明方法及設備經組態以自N個候選者選擇M個樣本(M＜N)以最大化(例如，目標遮罩影像特徵空間中之)訓練圖案449的變化。在一實施例中，判定訓練圖案449可包括跨所有N個候選者執行全球搜尋方法以使得訓練圖案449具有最大量之變化。全球搜尋方法包含遍歷候選圖案及群組之所有排列，以此作為無梯度搜尋。排列之總數目為：
Figure 02_image011
一般而言，M及N兩者通常大於數百或甚至數千。因此，排列之總數目為一極大數目。此使得難以在受限及可行時間量內遍歷所有排列。
在一實施例中，不同方法可用於自N個候選者選擇M個樣本。在一實施例中，代表性圖案448之目標數目467係基於停止準則及/或其他資訊而判定。停止準則經組態以促進訓練圖案449之變化。停止準則可係基於來自先前訓練圖案之資訊而判定，藉由使用者鍵入及/或選擇，在製造本發明設備處判定，及/或以其他方式判定。在一實施例中，方法400包含判定訓練圖案449之變化的量。在一實施例中，停止準則經組態以確保訓練圖案449之變化量突破變化量臨限值。變化量臨限值可基於來自先前訓練圖案之資訊而判定，藉由使用者鍵入及/或選擇，在製造本發明設備處判定，及/或以其他方式判定。
在一實施例中，自總數目(N)個個別群組447隨機地選擇目標數目467個代表性圖案448 (例如，自M個群組隨機地選擇圖案)。在一實施例中，回應於訓練圖案之變化量未突破變化量臨限值、回應於隨後選擇之訓練圖案449的變化量相對於訓練圖案449之緊前反覆而增大，及/或出於其他原因而重新隨機選擇目標數目個代表性圖案。舉例而言，可在自來自總數目N個群組之M個群組隨機選擇圖案的反覆之後判定訓練圖案449之變化量。若當前反覆之變化大於先前一者(例如，由於需要增加之變化)，則訓練圖案449可更新(例如，構成訓練圖案449之隨機選擇的圖案可經隨機重新選擇)。停止準則可為及/或包括最大數目個反覆(例如，N_iter ＞ max_iter)、突破臨限值之變化量(例如，變化＞=臨限值)、最大反覆時間之突破，及/或其他停止準則。此搜尋方法為時間可行的且能夠用(例如，足夠好之)變化驅動訓練集。
在一實施例中，方法400進一步包含將訓練圖案449 (圖4中未展示)提供至深度卷積神經網路及/或其他機器學習模型以訓練深度卷積神經網路。在一實施例中，方法400進一步包含使用經訓練深度卷積神經網路執行(圖4中亦未展示)光學近接校正作為晶圓圖案化程序之部分。舉例而言，訓練圖案449 (例如，基於如本文中所描述之全晶片GDS產生)可經提供以訓練深度卷積神經網路及/或其他機器學習模型以預測CTM映圖。舉例而言，訓練圖案449 (例如，連續透射遮罩(CTM)影像)為代表性圖案集合，其被提供至機器學習模型(例如，DCNN)以用於訓練，使得將藉由用於全晶片OPC應用之機器學習模型(例如，DCNN)預測準確CTM映圖。此更準確CTM映圖導致較少微影熱點及較少製程窗限制，及/或在試圖滿足微影效能規格(例如，與空中影像、抗蝕劑影像等相關)時減少後續遮罩校正操作期間的困難。預期方法400之其他應用。
圖10為說明可輔助實施本文中所揭示之方法、流程或設備的電腦系統100之方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構以及與匯流排102耦接以用於處理資訊之處理器104 (或多個處理器104及105)。電腦系統100亦包括耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令的主記憶體106，諸如隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106亦可用於在待由處理器104執行之指令之執行期間儲存暫時性變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令的唯讀記憶體(ROM) 108或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件110，且該儲存器件110耦接至匯流排102以用於儲存資訊及指令。
電腦系統100可經由匯流排102耦接至用於向電腦使用者顯示資訊之顯示器112，諸如陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件114耦接至匯流排102以用於將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器104且用於控制顯示器112上之游標移動的游標控制件116，諸如，滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線(第一軸(例如，x)及第二軸(例如，y))上之兩個自由度，從而允許該器件指定平面中之位置。觸控面板(螢幕)顯示器亦可被用作輸入器件。
根據一個實施例，本文中所描述之一或多種方法的部分可藉由電腦系統100回應於處理器104執行主記憶體106中所含之一或多個指令的一或多個序列而執行。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中所含之指令序列的執行促使處理器104執行本文中所描述之程序步驟。亦可使用呈多處理配置之一或多個處理器以執行主記憶體106中所含之指令序列。在一替代性實施例中，可代替或結合軟體指令而使用硬連線電路。因此，本文中之描述不限於硬體電路系統與軟體之任何特定組合。
如本文所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104以供執行之任何媒體。此媒體可呈許多形式，包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括(例如)光碟或磁碟，諸如儲存器件110。揮發性媒體包括動態記憶體，諸如主記憶體106。傳輸媒體包括同軸纜線、銅線及光纖，其包括包含匯流排102之電線。傳輸媒體亦可採取聲波或光波之形式，諸如在射頻(RF)及紅外線(IR)資料通信期間所產生之聲波或光波。電腦可讀媒體之常見形式包括(例如)軟碟、軟性磁碟、硬碟、磁帶、任何其他磁媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣、如下文所描述之載波，或可供電腦讀取之任何其他媒體。
各種形式之電腦可讀媒體可涉及將一或多個指令之一或多個序列攜載至處理器104以供執行。舉例而言，初始地可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中，且使用數據機經由電話線來發送指令。在電腦系統100本端之數據機可接收電話線上之資料，且使用紅外線傳輸器將資料轉換為紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106，處理器104自該主記憶體106擷取並執行指令。由主記憶體106接收之指令可視情況在由處理器104實行之前或之後儲存於儲存器件110上。
電腦系統100亦可包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦合，該網路鏈路120連接至區域網路122。舉例而言，通信介面118可為整合式服務數位網路(ISDN)卡或數據機以提供與對應類型之電話線的資料通信連接。作為另一實例，通信介面118可為區域網路(LAN)卡以提供至相容LAN之資料通信連接。亦可實施無線鏈路。在任何此實施中，通信介面118發送且接收攜載表示各種類型之資訊之數位資料流的電信號、電磁信號或光學信號。
網路鏈路120通常經由一或多個網路將資料通信提供至其他資料器件。舉例而言，網路連結120可經由區域網路122提供至主機電腦124或至由網際網路服務提供者(ISP) 126操作之資料設備之連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」128)而提供資料通信服務。區域網路122及網際網路128皆使用攜載數位資料流之電信號、電磁信號或光學信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號為輸送資訊的例示性形式之載波，該等信號將數位資料攜載至電腦系統100且自電腦系統100攜載數位資料。
電腦系統100可經由網路、網路鏈路120及通信介面118發送訊息且接收包括程式碼之資料。在網際網路實例中，伺服器130可經由網際網路128、ISP 126、區域網路122及通信介面118傳輸用於應用程式之所請求程式碼。舉例而言，一個此類經下載應用程式可提供本文中所描述之方法的全部或部分。所接收程式碼可在其被接收時由處理器104執行，及/或儲存於儲存器件110或其他非揮發性儲存器中以供稍後執行。以此方式，電腦系統100可獲得呈載波形式之應用程式碼。
圖11示意性地描繪可結合本文中所描述之技術利用的例示性微影投影設備。該設備包含： -照明系統IL，其用以調節輻射光束B。在此特定情況下，照明系統亦包含輻射源SO； -第一物件台(例如，圖案化器件台) MT，其具有用以固持圖案化器件MA (例如，倍縮光罩)之圖案化器件固持器，且連接至用以相對於項目PS來準確地定位圖案化器件之第一定位器； -第二物件台(基板台) WT，其具備用以固持基板W (例如抗蝕劑塗佈矽晶圓)之基板固持器，且連接至用以相對於項目PS來準確地定位該基板之第二定位器；及 -投影系統(「透鏡」)PS (例如，折射、反射或反射折射光學系統)，其用以將圖案化器件MA之經輻照部分成像至基板W之目標部分C (例如，包含一或多個晶粒)上。
如本文所描繪，該設備屬於透射類型(亦即，具有透射圖案化器件)。然而，一般而言，其亦可屬於反射類型，例如(具有反射圖案化器件)。該設備可相對於經典遮罩使用不同種類之圖案化器件；實例包括可程式化鏡面陣列或LCD矩陣。
源SO (例如，水銀燈或準分子雷射、雷射產生電漿(LPP) EUV源)產生輻射光束。舉例而言，此光束係直接地抑或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器) IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈的外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。另外，照明器IL通常將包含各種其他組件，諸如，積光器IN及聚光器CO。以此方式，入射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖10應注意到，源SO可係在微影投影設備之外殼內(此常常為源SO為例如汞燈之情況)，但亦可遠離微影投影設備，其產生之輻射光束導入至設備(例如，藉助於合適導向鏡)；此後一情境常常為源SO為準分子雷射(例如，基於KrF、ArF或F2 發出雷射)的狀況。
光束PB隨後截取被固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA的情況下，光束B穿過透鏡PL，該透鏡PL將光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF)，可準確地移動基板台WT，例如，以便使不同目標部分C定位於光束PB之路徑中。類似地，第一定位構件可用以(例如)在自圖案化器件庫對圖案化器件MA之機械擷取之後或在掃描期間相對於光束B之路徑來準確地定位圖案化器件MA。一般而言，將憑藉未在圖11中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。然而，在步進器(與步進掃描工具相反)之情況下，圖案化器件台MT可僅連接至短衝程致動器，或可經固定。
可在兩種不同模式中使用所描繪工具： -在步進模式中，將圖案化器件台MT保持基本上靜止，且將整個圖案化器件影像一次性投影(亦即，單次「閃光」)至目標部分C上。接著在x及/或y方向上使基板台WT移位，從而使得不同目標部分C可由光束PB輻照； -在掃描模式中，基本上相同情境適用，惟單次「閃光」中不曝光給定目標部分C除外。取而代之，圖案化器件台MT可在給定方向(所謂「掃描方向」，例如，y方向)上以速度v移動，使得造成投影光束B遍及圖案化器件影像進行掃描；同時，基板台WT以速度V=Mv在相同或相對方向上同時地移動，其中M為透鏡PL之放大率(通常，M=1/4或=1/5)。以此方式，可在不必損害解析度的情況下曝光相對大目標部分C。
圖12示意性地描繪可結合本文中所描述之技術利用的另一例示性微影投影設備1000。
微影投影設備1000包含： -源收集器模組SO -照明系統(照明器) IL，其經組態以調節輻射光束B (例如，EUV輻射). -支撐結構(例如，圖案化器件台) MT，其經建構以支撐圖案化器件(例如，遮罩或倍縮光罩) MA且連接至經組態以準確地定位該圖案化器件之第一定位器PM； -基板台(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，且連接至經組態以準確地定位該基板之第二定位器PW；及 -投影系統(例如，反射性投影系統) PS，其經組態以將藉由圖案化器件MA賦予給輻射光束B之圖案投影於基板W的目標部分C (例如，包含一或多個晶粒)上。
如圖12中所描繪，設備1000屬於反射類型(例如，使用反射圖案化器件)。應注意，因為大多數材料在EUV波長範圍內具吸收性，所以圖案化器件可具有包含(例如)鉬與矽之多堆疊的多層反射器。在一個實例中，多堆疊反射器具有鉬與矽之40個層對，其中每一層之厚度層為四分之一波長。可藉由X射線微影來產生甚至更小的波長。由於大部分材料在EUV及x射線波長下具吸收性，因此圖案化器件構形上的圖案化吸收材料之薄件(例如，在多層反射器的頂部上之TaN吸收器)定義特徵將在何處印刷(正性抗蝕劑)或不印刷(負性抗蝕劑)。
照明器IL自源收集器模組SO接收極紫外線(EUV)輻射光束。用以產生EUV輻射之方法包括但不一定限於藉由EUV範圍中之一或多個發射譜線將材料轉換成具有至少一個元素之電漿狀態，元素例如氙、鋰或錫。在一種此類方法(常常被稱為雷射產生電漿「LPP」)中，可藉由運用雷射光束來輻照燃料(諸如，具有該譜線發射元素之材料小液滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖12中未展示)的EUV輻射系統之部件，該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射，例如EUV輻射，該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言，當使用CO2 雷射以提供用於燃料激發之雷射光束時，雷射與源收集器模組可為單獨實體。
在此類情況下，雷射不被視為形成微影設備之部件，且輻射光束係憑藉包含(例如)適合導向鏡面及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他情況下，舉例而言，當源為放電產生電漿EUV產生器(常常被稱為DPP源)時，源可為源收集器模組之整體部件。在一實施例中，可使用DUV雷射源。
照明器IL可包含用於調整輻射光束之角強度分佈之調整器。一般而言，可調整照明器之光瞳平面中之強度分佈之至少外部徑向範圍及/或內部徑向範圍(通常分別稱作σ外部及σ內部)。另外，照明器IL可包含各種其他組件，諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束，以在其橫截面中具有所需均一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如，圖案化器件台) MT上之圖案化器件(例如，遮罩) MA上，且係由該圖案化器件圖案化。在自圖案化器件(例如，遮罩) MA反射之後，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。藉助於第二定位器PW及位置感測器PS2 (例如，干涉量測器件、線性編碼器或電容式感測器)，可精確地移動基板台WT，(例如)以便使不同目標部分C定位於輻射光束B之路徑中。相似地，第一定位器PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化器件(例如，遮罩) MA。可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如，遮罩) MA及基板W。
可在以下模式中之至少一者中使用所描繪設備1000：
在步進模式中，在將被賦予至輻射光束之整個圖案一次性投影至目標部分C上時，使支撐結構(例如，圖案化器件台) MT及基板台WT保持基本上靜止(亦即，單次靜態曝光)。接著，使基板台WT在X及/或Y方向上移位，以使得可曝光不同目標部分C。
在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描支撐結構(例如，圖案化器件台) MT及基板台WT (亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於支撐結構(例如，圖案化器件台) MT之速度及方向。
在另一模式下，使固持可程式化圖案化器件之支撐結構(例如圖案化器件台) MT保持基本上靜止，且移動或掃描基板台WT，同時將賦予至輻射光束之圖案投射至目標部分C上。在此模式中，通常採用脈衝式輻射源，且在基板平台WT之每一移動之後或在掃描期間之順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如上文所提及之類型的可程式化鏡面陣列)之無遮罩微影。
圖13更詳細地展示設備1000，其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置以使得可將真空環境維持於源收集器模組SO之圍封結構220中。可由放電產生電漿源形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如，Xe氣體、Li蒸汽或Sn蒸汽)而產生EUV輻射，其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言，藉由產生至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之高效產生，可需要為(例如) 10帕斯卡之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一實施例中，提供受激發錫(Sn)電漿以產生EUV輻射。
由熱電漿210發射之輻射係經由定位於源腔室211中之開口中或後方的視情況選用的氣體障壁或污染物截留器230 (在一些情況下，亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染物截留器230亦可包括氣體障壁或氣體障壁與通道結構之組合。如此項技術中已知，本文中進一步指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室211可包括可係所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射以沿著由點虛線「O」指示之光軸聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點，且源收集器模組經配置以使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為輻射發射電漿210之影像。
隨後，輻射橫穿照明系統IL，該照明系統可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24，琢面化場鏡面器件22及琢面化光瞳鏡面器件24經配置以提供在圖案化器件MA處的輻射光束21之所要角分佈，以及在圖案化器件MA處的輻射強度之所要均一性。在由支撐結構MT固持之圖案化器件MA處反射輻射光束21後，隨即形成經圖案化光束26，且經圖案化光束26藉由投影系統PS經由反射元件28、30成像至由基板台WT固持之基板W上。
比所展示元件多的元件通常可存在於照明光學器件單元IL及投影系統PS中。取決於微影設備之類型，可視情況存在光柵光譜濾光器240。此外，可存在比諸圖所展示之鏡面多的鏡面，例如，在投影系統PS中可存在比圖13中所展示之反射元件多1至6個的額外反射元件。
如圖14所說明之收集器光學器件CO被描繪為具有掠入射反射器253、254及255之巢狀收集器，僅作為收集器(或收集器鏡面)之一實例。掠入射反射器253、254及255經安置為圍繞光軸O軸向對稱，且此類型之收集器光學器件CO可與常常稱為DPP源之放電產生電漿源組合使用。
替代地，源收集器模組SO可為如圖14中所展示之LPP輻射系統之部分。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中，從而形成具有數10 eV之電子溫度的高度離子化電漿210。在此等離子之去激發及再結合期間所產生之高能輻射自電漿發射，由近正入射收集器光學器件CO收集，且聚焦至圍封結構220中的開口221上。
可使用以下條項進一步描述實施例： 1.     一種用於為一佈局圖案化程序訓練一機器學習模型之方法，該方法包含： 自一圖案集合中之圖案產生複數個特徵； 基於該複數個所產生特徵之相似性將該圖案集合中之該等圖案分組成個別群組；及 將來自該等個別群組之代表性圖案提供至該機器學習模型以訓練該機器學習模型預測用於該佈局圖案化程序之光學近接校正(OPC)的連續透射遮罩(CTM)映圖。 2.     如條項1之方法，其中自該圖案集合中之該等圖案產生之該複數個特徵為除了已包括於該圖案集合中的幾何資訊及/或頂點資訊之外的資訊。 3.     如條項1或2之方法，其中該OPC包含在該佈局圖案化程序中用於一晶圓之一全晶片OPC。 4.     如條項1至3中任一項之方法，其中該複數個所產生特徵包含幾何特徵及微影感知特徵。 5.     如條項1至4中任一項之方法，其中基於該複數個所產生特徵之該等相似性將該圖案集合中之該等圖案分組成個別群組包含使用一機器學習群集方法來基於該複數個所產生特徵之該等相似性將該圖案集合中之獨特圖案群集至個別群組中。 6.     一種用於為一佈局圖案化程序判定一訓練圖案之方法，該方法包含： 自一圖案集合中之圖案產生複數個特徵； 基於該複數個所產生特徵之相似性將該圖案集合中之該等圖案分組成個別群組；及 自該等個別群組選擇代表性圖案以判定該訓練圖案。 7.     如條項6之方法，其中該複數個所產生特徵包含幾何特徵及微影感知特徵。 8.     如條項7之方法，其中該等幾何特徵包含目標遮罩影像、頻率映圖、圖案密度映圖或獨特圖案在該圖案集合中之圖案出現率中之一或多者。 9.     如條項7或8中任一項之方法，其中該等微影感知特徵包含子解析度輔助特徵導引映圖(SGM)、繞射階或該圖案集合中之獨特圖案的繞射圖案中之一或多者。 10.   如條項6至9中任一項之方法，其中自該圖案集合中之該等圖案產生之該複數個特徵為除了已包括於該圖案集合中的幾何資訊及/或頂點資訊之外的資訊。 11.    如條項6至10中任一項之方法，其中基於該複數個所產生特徵將該圖案集合中之該等圖案分組成群組係使用無監督機器學習執行。 12.   如條項6至11中任一項之方法，其中基於該複數個所產生特徵之該等相似性將該圖案集合中之該等圖案分組成個別群組包含基於該複數個所產生特徵之該等相似性將該圖案集合中之該等圖案群集至個別群組中。 13.   如條項12之方法，其中該群集包含使用不同群集步驟之該複數個所產生特徵中之不同者而執行的一系列依序群集步驟，該系列依序群集步驟在該圖案集合中形成獨特圖案之子群以使得該等代表性圖案係選自該等子群以判定該訓練圖案。 14.   如條項12或13之方法，其中該群集包含一機器學習群集方法。 15.   如條項13或14之方法，其中該系列依序群集步驟包含使用一給定步驟之一給定特徵執行的交叉驗證步驟，交叉驗證包括調節將哪些圖案包括於一給定子群中。 16.   如條項6至15中任一項之方法，其中自該等個別群組選擇代表性圖案以判定該訓練圖案包含選擇目標數目個代表性圖案。 17.   如條項16之方法，其中該目標數目個代表性圖案係基於停止準則而判定，該等停止準則經組態以促進該訓練圖案之變化。 18.   如條項17之方法，其進一步包含判定該訓練圖案之變化的一量。 19.   如條項18之方法，其中該等停止準則進一步經組態以確保該訓練圖案之變化的該量突破一變化量臨限值。 20.   如條項19之方法，其中該目標數目個代表性圖案係隨機地選自該等個別群組。 21.   如條項20之方法，其中該目標數目個代表性圖案回應於該訓練圖案之變化的該量未突破該變化量臨限值而重新隨機選擇。 22.   如條項6至21中任一項之方法，其中自該等個別群組選擇代表性圖案以判定該訓練圖案包含自每一個別群組選擇一最中心圖案，該最中心圖案相對於一個別群組中之其他圖案最接近於該個別群組之一指定特徵空間的一質心。 23.   如條項22之方法，其中該指定特徵空間為一目標遮罩影像特徵空間、一頻率映圖特徵空間、一圖案密度映圖特徵空間、一圖案出現特徵空間、一SGM特徵空間、一繞射階特徵空間或一繞射圖案特徵空間。 24.   如條項6至23中任一項之方法，其進一步包含將該訓練圖案提供至一深度卷積神經網路以訓練該深度卷積神經網路。 25.   如條項24之方法，其進一步包含使用經訓練深度卷積神經網路執行光學近接校正作為一晶圓圖案化程序之部分。 26.   一種電腦程式產品，其包含其上經記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施如條項1至25中任一項之方法。
本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統，且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193 nm波長且甚至能夠藉由使用氟雷射來產生157 nm波長之極紫外線(EUV)、DUV微影。此外，EUV微影能夠藉由使用同步加速器或藉由用高能電子撞擊材料(固體或電漿中任一者)來產生在20 nm至5 nm之範圍內的波長，以便產生在此範圍內之光子。
雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像，但應理解，所揭示之概念可與任何類型之微影成像系統一起使用，例如，用於在不同於矽晶圓的基板上之成像的微影成像系統。
以上描述意欲為說明性，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明之申請專利範圍之範疇的情況下如所描述一般進行修改。
10A:微影投影設備 12A:輻射源 14A:光學器件 16Aa:光學器件 16Ab:光學器件 16Ac:透射光學器件 18A:圖案化器件 20A:孔徑 21:輻射光束 22:琢面化場鏡面器件 22A:基板平面 24:琢面化光瞳鏡面器件 26:經圖案化光束 28:反射元件 30:反射元件 100:電腦系統 102:匯流排 104:處理器 105:處理器 106:主記憶體 108:唯讀記憶體 110:儲存器件 112:顯示器 114:輸入器件 116:游標控制件 118:通信介面 120:網路鏈路 122:區域網路 124:主機電腦 126:網際網路服務提供者 128:網際網路 130:伺服器 200:方法 201:初始影像 202:增強型影像 203:遮罩變數 205:曲線遮罩圖案 207:遮罩影像 209:圖案 210:離子化電漿 211:源腔室 212:收集器腔室 215:梯度圖 220:圍封結構 221:開口 230:污染物截留器 240:光柵光譜濾光器 251:上游輻射收集器側 252:下游輻射收集器側 253:掠入射反射器 254:掠入射反射器 255:掠入射反射器 331:照明模型 332:投影光學器件模型 335:設計佈局模型 336:空中影像 337:抗蝕劑模型 338:抗蝕劑影像 400:方法 441:操作 442:操作 443:圖案集合 444:操作 445:增強型圖案集合 446:獨特圖案庫 447:個別群組 448:代表性圖案 449:訓練圖案 451:迅子PRO產品 453:全晶片佈局GDS檔案 455:群集步驟 457:群集步驟 459:群集步驟 461:子群 463:子群 465:子群 467:目標數目(M) 469:最中心圖案 501:圖案 502:幾何特徵 504:微影感知特徵 506:目標遮罩影像 508:頻率映圖 510:圖案密度映圖 512:圖案出現率 514:SGM映圖 516:繞射階 518:繞射圖案 700:線型曲線圖 702:SSE 704:k值 706:肘部 800:原始樣本 802:子樣本 806:驗證資料 808:訓練資料 810:驗證資料 812:驗證資料 814:驗證資料 900:群組 901:影像 902:C1 904:C2 906:Cn 1000:設備 AD:調整構件 B:光束 C:目標部分 CO:輻射收集器 Ex:光束擴展器 IF:虛擬源點 IL:照明系統 IN:積光器 M1:圖案化器件對準標記 M2:圖案化器件對準標記 MA:圖案化器件 MT:支撐結構 P1:基板對準標記 P2:基板對準標記 P201:程序 P203:程序 P205:程序 P207:程序 P209:程序 P211:程序 P213:程序 P215:程序 P217:程序 PM:第一定位器 PS:投影系統 PS1:位置感測器 PS2:位置感測器 PW:第二定位器 SO:源收集器模組 W:基板 WT:基板台
併入於本說明書中且構成本說明書之一部分的附圖說明一或多個實施例且連同本說明書解釋此等實施例。現在將參考隨附示意性圖式而僅作為實例來描述本發明之實施例，在該等圖式中，對應元件符號指示對應部件，且在該等圖式中：
圖1展示根據一實施例的微影系統之各種子系統的方塊圖。
圖2為根據一實施例的用於自影像(例如，連續透射遮罩影像、二元遮罩影像、曲線遮罩影像等)判定圖案化器件圖案(或遮罩圖案)之方法的流程圖，該影像對應於待經由涉及微影程序之圖案化程序印刷於基板上之目標圖案。
圖3說明根據一實施例的用於模擬微影投影設備中之微影的例示性流程圖。
圖4說明根據一實施例的用於在晶圓圖案化程序中判定訓練圖案之本發明方法之操作的概述。
圖5說明根據一實施例之特徵產生的態樣。
圖6說明根據一實施例的基於針對獨特圖案產生之複數個特徵的相似性使圖案集合中之圖案群集至個別群組中。
圖7說明根據一實施例的為群集驗證操作之部分的平方誤差之總和對k值之實例曲線圖。
圖8說明根據一實施例的k次交叉驗證。
圖9說明根據一實施例的用以形成代表性實例圖案集合以供用作訓練圖案之圖案選擇。
圖10為根據一實施例之實例電腦系統的方塊圖。
圖11為根據一實施例之微影投影設備的示意圖。
圖12為根據一實施例之另一微影投影設備的示意圖。
圖13為根據一實施例之圖12中之設備的更詳細視圖。
圖14為根據一實施例的圖12及圖13之設備的源收集器模組SO之更詳細視圖。
400:方法
441:操作
442:操作
443:圖案集合
444:操作
445:增強型圖案集合
446:獨特圖案庫
447:個別群組
448:代表性圖案
449:訓練圖案
451:迅子PRO產品
453:全晶片佈局GDS檔案
455:群集步驟
457:群集步驟
459:群集步驟
461:子群
463:子群
465:子群
467:目標數目(M)
469:最中心圖案

Claims (15)

  1. 一種用於為一佈局圖案化程序判定一訓練圖案之方法，該方法包含： 自一圖案集合中之圖案產生複數個特徵； 基於該複數個所產生特徵之相似性將該圖案集合中之該等圖案分組成個別群組；及 自該等個別群組選擇代表性圖案以判定該訓練圖案。
  2. 如請求項1之方法，其中該複數個所產生特徵包含幾何特徵及微影感知特徵。
  3. 如請求項2之方法，其中該等幾何特徵包含目標遮罩影像、頻率映圖、圖案密度映圖或獨特圖案在該圖案集合中之圖案出現率中之一或多者。
  4. 如請求項2之方法，其中該等微影感知特徵包含子解析度輔助特徵導引映圖(SGM)、繞射階或該圖案集合中之該等圖案的繞射圖案中之一或多者。
  5. 如請求項1之方法，其中自該圖案集合中之該等圖案產生之該複數個特徵為除了已包括於該圖案集合中的幾何資訊及/或頂點資訊之外的資訊。
  6. 如請求項1之方法，其中基於該複數個所產生特徵將該圖案集合中之該等圖案分組成群組係使用無監督機器學習執行。
  7. 如請求項1之方法，其中基於該複數個所產生特徵之該等相似性將該圖案集合中之該等圖案分組成個別群組包含：基於該複數個所產生特徵之該等相似性將該圖案集合中之該等圖案群集至個別群組中。
  8. 如請求項7之方法，其中該群集包含使用不同群集步驟之該複數個所產生特徵中之不同者而執行的一系列依序群集步驟，該系列依序群集步驟在該圖案集合中形成獨特圖案之子群以使得該等代表性圖案係選自該等子群以判定該訓練圖案。
  9. 如請求項7之方法，其中該群集包含一機器學習群集方法，及/或其中該系列依序群集步驟包含使用一給定步驟之一給定特徵執行的交叉驗證步驟，交叉驗證包括調節將哪些圖案包括於一給定子群中。
  10. 如請求項1之方法，其中自該等個別群組選擇代表性圖案以判定該訓練圖案包含選擇目標數目個代表性圖案，及/或其中該目標數目個代表性圖案係基於停止準則而判定，該等停止準則經組態以促進該訓練圖案之變化。
  11. 如請求項10之方法，其進一步包含判定該訓練圖案之變化的一量，及/或其中該等停止準則進一步經組態以確保訓練圖案之變化的該量突破一變化量臨限值，及/或其中該目標數目個代表性圖案係隨機地選自該等個別群組，及/或其中該目標數目個代表性圖案回應於該訓練圖案之變化的該量未突破該變化量臨限值而重新隨機選擇。
  12. 如請求項1之方法，其中自該等個別群組選擇代表性圖案以判定該訓練圖案包含自每一個別群組選擇一最中心圖案，該最中心圖案相對於一個別群組中之其他圖案最接近於該個別群組之一指定特徵空間的一質心。
  13. 如請求項12之方法，其中該指定特徵空間為一目標遮罩影像特徵空間、一頻率映圖特徵空間、一圖案密度映圖特徵空間、一圖案出現特徵空間、一SGM特徵空間、一繞射階特徵空間或一繞射圖案特徵空間。
  14. 如請求項1之方法，其進一步包含將該訓練圖案提供至一深度卷積神經網路以訓練該深度卷積神經網路。
  15. 一種電腦程式產品，其包含其上記錄有指令之一非暫時性電腦可讀媒體，該等指令在由一電腦執行時實施如請求項1之方法。
TW109100273A 2019-01-29 2020-01-06 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品 TWI738169B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019073714 2019-01-29
WOPCT/CN2019/073714 2019-01-29

Publications (2)

Publication Number Publication Date
TW202043909A true TW202043909A (zh) 2020-12-01
TWI738169B TWI738169B (zh) 2021-09-01

Family

ID=69232820

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109100273A TWI738169B (zh) 2019-01-29 2020-01-06 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品

Country Status (6)

Country Link
US (1) US11755814B2 (zh)
JP (1) JP7362744B2 (zh)
KR (1) KR102668168B1 (zh)
CN (1) CN113366388B (zh)
TW (1) TWI738169B (zh)
WO (1) WO2020156777A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI813192B (zh) * 2021-03-08 2023-08-21 荷蘭商Ａｓｍｌ荷蘭公司 依據微影設備或製程特徵所特徵化之表示選擇圖案
TWI833241B (zh) * 2021-06-18 2024-02-21 荷蘭商Ａｓｍｌ荷蘭公司 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體
TWI863288B (zh) * 2022-05-18 2024-11-21 聯發科技股份有限公司 基於學習的靈活電路塊的佈局

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
US11380516B2 (en) 2017-04-13 2022-07-05 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US12142454B2 (en) 2017-04-13 2024-11-12 Fractilla, LLC Detection of probabilistic process windows
EP4200671A1 (en) * 2020-08-19 2023-06-28 ASML Netherlands B.V. Systems, products, and methods for image-based pattern selection
CN112382351B (zh) * 2020-10-30 2022-03-25 华南理工大学 基于计算机模拟可控生成缺陷网状骨架材料模型的方法
EP4001902A1 (en) * 2020-11-23 2022-05-25 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method and system for simulating an optical image of a photonic and/or electronic device
KR102763937B1 (ko) * 2020-12-29 2025-02-05 삼성전자주식회사 엣칭 모델링 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법
JP7532288B2 (ja) * 2021-03-04 2024-08-13 キオクシア株式会社 検査結果分析装置および検査結果分析プログラム
US20220301128A1 (en) * 2021-03-16 2022-09-22 Samsung Electronics Co., Ltd. Method and device for deep guided filter processing
US11714951B2 (en) * 2021-05-13 2023-08-01 Taiwan Semiconductor Manufacturing Co., Ltd. Geometric mask rule check with favorable and unfavorable zones
CN115373225A (zh) * 2021-05-17 2022-11-22 联华电子股份有限公司 光学邻近修正操作方法与光学邻近修正操作装置
CN117355795A (zh) * 2021-05-21 2024-01-05 美商新思科技有限公司 针对源掩模优化的用于选择初始源形状的机器学习
WO2023023366A1 (en) 2021-08-19 2023-02-23 Rehrig Pacific Company Imaging system with unsupervised learning
WO2023060505A1 (zh) * 2021-10-14 2023-04-20 中国科学院光电技术研究所 一种表面等离子体近场光刻掩模拓扑优化的方法及系统
EP4469862A1 (en) 2022-01-28 2024-12-04 D2S, Inc. Method and system for reticle enhancement technology
US11755888B1 (en) * 2023-01-09 2023-09-12 Fudan University Method and system for accelerating score-based generative models with preconditioned diffusion sampling
WO2025031711A1 (en) * 2023-08-10 2025-02-13 Asml Netherlands B.V. Mask pattern optimization
CN117010318B (zh) * 2023-09-27 2023-12-22 全芯智造技术有限公司 用于版图处理的方法、设备和介质

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
WO1997033205A1 (en) 1996-03-06 1997-09-12 Philips Electronics N.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
EP1920369A2 (en) 2005-08-08 2008-05-14 Brion Technologies, Inc. System and method for creating a focus-exposure model of a lithography process
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
JP4954211B2 (ja) 2005-09-09 2012-06-13 エーエスエムエル ネザーランズ ビー．ブイ． 個別マスクエラーモデルを使用するマスク検証を行うシステムおよび方法
US7694267B1 (en) 2006-02-03 2010-04-06 Brion Technologies, Inc. Method for process window optimized optical proximity correction
US20080077907A1 (en) * 2006-09-21 2008-03-27 Kulkami Anand P Neural network-based system and methods for performing optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US7707538B2 (en) 2007-06-15 2010-04-27 Brion Technologies, Inc. Multivariable solver for optical proximity correction
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
NL2003702A (en) 2008-11-10 2010-05-11 Brion Tech Inc Pattern selection for lithographic model calibration.
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
NL2005523A (en) * 2009-10-28 2011-05-02 Asml Netherlands Bv Selection of optimum patterns in a design layout based on diffraction signature analysis.
JP5279745B2 (ja) * 2010-02-24 2013-09-04 株式会社東芝 マスクレイアウト作成方法、マスクレイアウト作成装置、リソグラフィ用マスクの製造方法、半導体装置の製造方法、およびコンピュータが実行可能なプログラム
US8453075B2 (en) 2011-09-02 2013-05-28 International Business Machines Corporation Automated lithographic hot spot detection employing unsupervised topological image categorization
US20140358830A1 (en) * 2013-05-30 2014-12-04 Synopsys, Inc. Lithographic hotspot detection using multiple machine learning kernels
US10409165B2 (en) * 2014-12-15 2019-09-10 Asml Netherlands B.V. Optimization based on machine learning
WO2016096308A1 (en) * 2014-12-18 2016-06-23 Asml Netherlands B.V. Feature search by machine learning
JP2016145887A (ja) 2015-02-06 2016-08-12 株式会社ニューフレアテクノロジー 検査装置および検査方法
NL2016614A (en) 2015-05-07 2016-11-10 Asml Netherlands Bv Metrology method and apparatus, computer program and lithographic system.
US20180046072A1 (en) * 2016-08-10 2018-02-15 Globalfoundries Inc. Automated full-chip design space sampling using unsupervised machine learning
US10198550B2 (en) * 2017-04-04 2019-02-05 Globalfoundries Inc. SRAF insertion with artificial neural network
US10386726B2 (en) * 2017-09-29 2019-08-20 Globalfoundries Inc. Geometry vectorization for mask process correction
KR20190048491A (ko) 2017-10-31 2019-05-09 삼성전자주식회사 식각 효과 예측 방법 및 입력 파라미터 결정 방법
CN107797391B (zh) * 2017-11-03 2020-04-24 上海集成电路研发中心有限公司 光学邻近校正方法
CN108228981B (zh) * 2017-12-19 2021-07-20 上海集成电路研发中心有限公司 基于神经网络的opc模型生成方法及实验图案的预测方法
WO2019162346A1 (en) 2018-02-23 2019-08-29 Asml Netherlands B.V. Methods for training machine learning model for computation lithography
WO2019190566A1 (en) 2018-03-30 2019-10-03 Intel Corporation Multilayer optical proximity correction (opc) model for opc correction

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI813192B (zh) * 2021-03-08 2023-08-21 荷蘭商Ａｓｍｌ荷蘭公司 依據微影設備或製程特徵所特徵化之表示選擇圖案
TWI833241B (zh) * 2021-06-18 2024-02-21 荷蘭商Ａｓｍｌ荷蘭公司 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體
TWI863288B (zh) * 2022-05-18 2024-11-21 聯發科技股份有限公司 基於學習的靈活電路塊的佈局

Also Published As

Publication number Publication date
KR102668168B1 (ko) 2024-05-23
US20220100935A1 (en) 2022-03-31
JP2022518156A (ja) 2022-03-14
JP7362744B2 (ja) 2023-10-17
WO2020156777A1 (en) 2020-08-06
CN113366388B (zh) 2025-03-04
TWI738169B (zh) 2021-09-01
US11755814B2 (en) 2023-09-12
CN113366388A (zh) 2021-09-07
KR20210108456A (ko) 2021-09-02

Similar Documents

Publication Publication Date Title
TWI738169B (zh) 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品
US20240403536A1 (en) Machine learning based inverse optical proximity correction and process model calibration
JP6906058B2 (ja) 機械学習によるプロセスモデルの決定方法
TWI711877B (zh) 用於圖案化裝置之判定曲線圖案之方法
TWI617933B (zh) 藉由機器學習之特徵搜尋
TW201939365A (zh) 用於計算微影之機器學習模型的訓練方法
WO2020200993A1 (en) Method and apparatus for predicting substrate image
KR102610060B1 (ko) 제조성에 기초한 패터닝 디바이스 패턴을 결정하기 위한 방법
TW202117575A (zh) 用於在參數化模型預測中提高確定性的方法
TWI808444B (zh) 用於產生消除雜訊模型之裝置及方法
KR102683050B1 (ko) 회절 패턴 유도 소스 마스크 최적화를 위한 장치 및 방법
TWI778722B (zh) 用於選擇資訊模式以訓練機器學習模型之設備及方法
CN114746806A (zh) 使用非均匀照射强度分布进行优化
TWI732209B (zh) 用於判定與運算微影光罩模型相關聯之電磁場的方法
TWI667553B (zh) 判定圖案之特性之方法
CN115729052A (zh) 记录有指令的非瞬态计算机可读介质
TW202240316A (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
CN115668203A (zh) 验证掩模设计的自由曲线特征
TW202307722A (zh) 蝕刻系統、模型、及製造程序