[go: up one dir, main page]

TW202411640A - 基於結構光譜的結構量測方法和系統 - Google Patents

基於結構光譜的結構量測方法和系統 Download PDF

Info

Publication number
TW202411640A
TW202411640A TW112126606A TW112126606A TW202411640A TW 202411640 A TW202411640 A TW 202411640A TW 112126606 A TW112126606 A TW 112126606A TW 112126606 A TW112126606 A TW 112126606A TW 202411640 A TW202411640 A TW 202411640A
Authority
TW
Taiwan
Prior art keywords
model
sub
output data
spectrum
data
Prior art date
Application number
TW112126606A
Other languages
English (en)
Inventor
金奎煥
金載潤
盧弦均
馬阿米
李成熙
張圭伯
全優寧
鄭載勳
Original Assignee
南韓商三星電子股份有限公司
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 南韓商三星電子股份有限公司 filed Critical 南韓商三星電子股份有限公司
Publication of TW202411640A publication Critical patent/TW202411640A/zh

Links

Images

Classifications

    • 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
    • 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
    • G01N21/84—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
    • 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)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明描述一種用於基於結構的光譜而量測結構的方法。方法包含以下各者。獲得基於模擬資料而訓練且包含第一子模型及接著第一子模型的第二子模型的第一模型。產生包含與第一子模型一致的第三子模型的第二模型。基於藉由量測樣本結構的光譜產生的樣本光譜資料而訓練第二模型。基於經訓練第二模型而自藉由量測結構的光譜產生的所量測光譜資料估計結構。

Description

基於結構光譜的結構量測方法和系統
[相關申請案的交叉參考]
本申請案基於且根據35 U.S.C. §119主張2022年7月19日在韓國智慧財產局申請的韓國專利申請案第10-2022-0089031號的優先權，所述申請案的揭露內容以全文引用的方式併入本文中。
本發明概念是關於結構量測，且更尤其是關於一種用於基於結構的光譜而量測結構的方法及系統。
由於半導體製程的發展，積體電路可具有高整合度且可包含複雜結構。為了驗證由半導體製程製造的積體電路，量測包含於積體電路中的結構可需要大量時間及高成本，且可能夠需要毀壞積體電路。因此，有效地量測包含於積體電路中的結構而不毀壞積體電路的方法可為有益的。
本發明概念提供一種用於基於結構的光譜而有效地量測結構的方法及系統。
根據本發明概念的態樣，提供一種用於基於結構的光譜而量測結構的方法。方法包含以下各者。獲得基於模擬資料而訓練且包含第一子模型及接著第一子模型的第二子模型的第一模型。產生第二模型，使得第二模型包含自第一子模型的至少一部分產生的第三子模型。基於藉由量測樣本結構的光譜產生的樣本光譜資料而訓練第二模型。基於經訓練第二模型自藉由量測結構的光譜產生的所量測光譜資料而估計結構。
根據本發明概念的另一態樣，提供一種系統，所述系統包含：至少一個處理器；以及非暫時性儲存媒體，儲存在由至少一個處理器執行時指示至少一個處理器基於結構的光譜而執行結構的量測的指令。結構的量測包含：獲得基於模擬資料而訓練的第一模型，第一模型包含第一子模型及接著第一子模型的第二子模型；產生第二模型，使得第二模型包含自第一子模型的至少一部分產生的第三子模型；以及基於經訓練第二模型而自藉由量測結構的光譜產生的所量測光譜資料估計結構。
根據本發明概念的另一態樣，提供一種非暫時性儲存媒體，所述非暫時性媒體儲存在由至少一個處理器執行時指示至少一個處理器基於結構的光譜而執行結構的量測的指令，其中結構的量測包含：獲得基於模擬資料而訓練的第一模型，第一模型包含第一子模型及接著第一子模型的第二子模型；產生第二模型使得第二模型包含自第一子模型的至少部分產生的第三子模型；基於藉由量測樣本結構的光譜產生的樣本光譜資料而訓練第二模型；以及基於經訓練第二模型而自藉由量測結構的光譜產生的所量測光譜資料估計結構。
根據本發明概念的另一態樣，提供一種用於基於光譜而量測結構的方法，所述方法包含以下各者。獲得基於模擬資料而訓練且包含第一子模型及接著第一子模型的第二子模型的第一模型。基於第一模型而產生第二模型。基於藉由量測樣本結構的光譜產生的樣本光譜資料而訓練第二模型。基於第一模型的輸出資料及經訓練第二模型的輸出資料而驗證經訓練第二模型。基於經驗證第二模型自藉由量測結構的光譜產生的所量測光譜資料而估計結構。
現將詳細參考實施例，所述實施例的實例在附圖中示出，其中相同附圖標號在全文中指代相同元件。就此而言，本實施例可具有不同形式且不應被解釋為限於本文中所闡述的描述。因此，下文僅藉由參考諸圖描述實施例以解釋態樣。如本文中所使用，術語「及/或」包含相關聯的所列項目中的一或多者的任何及所有組合。當在元件清單之前時，諸如「……中的至少一者」的表達修飾元件的整個清單，且並不修飾清單的個別元件。當術語「約」或「實質上」在本說明書中結合數值使用時，相關聯數值意欲包含所陳述數值周圍的製造容限（例如±10%）。此外，不管數值是否經修改為「約」或「實質上」，應理解，此等值應解釋為包含所陳述數值周圍的製造或操作容限（例如±10%）。
圖1為示出根據至少一個實施例的結構量測10的方塊圖。在結構量測10中，可基於自（或藉由）投影至物件或入射至物件的光束量測的光譜而量測物件。在圖1的結構量測10中，可量測包含於晶圓W中的多個晶粒中的至少一者的結構。現將主要描述量測晶粒的結構的實例，但實施例的實例不限於此，且可包含例如其他及/或替代電子裝置。在本文中，晶圓W及晶粒可統稱為積體電路。
晶圓W可藉由半導體製程製造且可包含多個晶粒。隨著半導體製程發展，晶粒的大小可減小及/或包含於晶粒中的裝置的整合度可增加。因此，晶粒可包含小型結構及/或可包含複雜結構。為了驗證晶粒（例如，為了判定藉由半導體製程製造的晶粒是否具有經設計結構），可量測包含於晶粒中的結構。舉例而言，晶粒可包含諸如電晶體的裝置，且可量測電晶體的閘極（及/或類似者）。晶粒可包含分別形成於多個佈線層上的圖案，且例如可量測圖案的寬度及圖案之間的間隔。在至少一個實例中，半導體製程可經設計使得包含於晶圓W中的所有晶粒具有相同結構，但變化可由於各種因素出現於晶圓之間且可出現於包含於晶圓W中的晶粒之間。
藉由使用例如掃描電子顯微鏡（scanning electron microscope；SEM）或透射電子顯微鏡（transmission electron microscope；TEM）直接量測晶粒的結構可花費大量時間且累積高成本，且因此可減弱半導體製程的效率。另外，量測包含於晶粒內的結構可能需要損壞晶粒。光譜可用以有效地量測包含於晶粒中的結構且執行非損壞性測試。舉例而言，光束可輻射至晶圓W，且可基於由經輻射光束產生的光譜而估計包含於晶粒中的結構。機器學習可用於自光譜估計結構，且基於光譜的結構量測10的準確度可取決於機器學習的準確度。
在至少一個實施例中，光譜獲取設備12可用光束輻照晶圓W且可獲得由所述光束產生的光譜。根據至少一個實施例，光譜獲取設備12可獲取自晶圓W反射的光譜及/或可獲取穿透晶圓W的光譜。光譜獲取設備12可例如包含光源（例如，雷射、多個雷射、發光二極體、紫外線（ultraviolet；UV）源等）及感光器（例如，光電二極體、攝影機等）。如圖1中所繪示，光譜獲取設備12可將表示所獲取光譜的光譜資料SPC提供至量測系統14。根據至少一個實施例，光譜獲取設備12可安裝於例如經組態以用於製造晶圓W的半導體處理設備中。根據至少一個實施例，光譜獲取設備12可分別產生對應於晶圓W的中心部分的光譜資料SPC及對應於晶圓W的邊緣的光譜資料SPC。根據至少一個實施例，光譜獲取設備12可產生對應於晶圓W的所要特定位置的光譜資料SPC。
量測系統14可自光譜獲取設備12接收光譜資料SPC且可產生表示對應於光譜資料SPC的光譜的結構的維度資料DIM。舉例而言，維度資料DIM可包含表示包含於晶粒中的結構的大小的值。根據至少一個實施例，量測系統14可藉由隨後將參考圖13及圖14描述的計算系統（或稱為電腦系統）實施。舉例而言，圖式中所示出的功能區塊可對應於硬體、軟體或硬體與軟體的組合，所述硬體與軟體的組合包含於計算系統中。根據至少一個實施例，硬體可包含以下中的至少一者：可程式化組件，諸如中央處理單元（central processing unit；CPU）、數字信號處理器（digital signal processor；DSP）或圖形處理單元（graphics processing unit；GPU），可重組態組件，諸如場可程式化閘陣列（field programmable gate array；FPGA），以及提供固定功能的組件，諸如智慧財產權（intellectual property；IP）區塊。根據至少一個實施例，軟體可包含可由可程式化組件執行的一系列指令及可由編譯器轉換成一系列指令的程式碼中的至少一者，且可儲存於例如非暫時性儲存媒體中。在本文中，基於機器學習的模型可簡單地稱為模型。
參考圖1，量測系統14可包含機器學習模型ML。機器學習模型ML可例如具有例如可用訓練資料訓練的結構。舉例而言，機器學習模型可包含人工類神經網路、決策樹、支援向量機、貝氏（Bayesian）網路、基因演算法及/或類似者。現將藉由主要參考人工類神經網路描述機器學習模型ML，但實施例不限於此。人工類神經網路的非限制性實例可包含卷積類神經網路（convolutional neural network；CNN）、基於區域的卷積類神經網路（region based convolutional neural network；R-CNN）、區域建議網路（region proposal network；RPN）、遞回神經網路（recurrent neural network；RNN）、基於堆疊的深度類神經網路（stacking-based deep neural network；S-DNN）、狀態空間動態神經網路（state-space dynamic neural network；S-SDNN）、去卷積網路、深度信念網路（deep belief network；DBN）、受限玻爾茲曼機（restricted Boltzmann machine；RBM）、完全卷積網路、長短期記憶體（long short-term memory；LSTM）網路、分類網路及/或類似者。
機器學習模型ML可用於自光譜資料SPC產生維度資料DIM。舉例而言，可藉由處理（例如，變換及/或解譯）機器學習模型ML的輸出資料來產生的維度資料DIM。在本文中，包含於量測系統14中的機器學習模型ML可稱為第二模型。如上文所描述，量測晶粒可需要大量時間及高成本，且因此用於訓練機器學習模型ML的經量測資料可受限。
如隨後將參考圖式描述，可基於基於模擬資料而訓練的模型而產生及訓練機器學習模型ML。機器學習模型ML亦可經訓練使得輸出資料遵循結構的物理學。因此，可提供用於自光譜準確地估計晶粒的結構的機器學習模型ML，可在不毀壞晶粒的情況下準確地量測結構，且可改良積體電路的可靠性。另外，半導體製程可由於有效所量測結構而易於調整或重新設計，且因此可改良積體電路的生產率。根據至少一個實施例，量測系統14的產生及訓練可藉由隨後將參考圖13及圖14描述的計算系統來實施。
圖2為根據至少一個實施例的用於量測結構的方法的流程圖。如圖2中所繪示，用於量測結構的方法可包含多個操作S200、操作S400、操作S600以及操作S800。現將參考圖1描述圖2。
參考圖2，在操作S200中，可獲得第一模型。第一模型可用於產生及訓練隨後將描述的第二模型（亦即，圖1的機器學習模型ML）。舉例而言，第一模型可具有基於模擬資料D22而訓練的狀態。模擬資料D22可包含界定虛擬結構的資料，且可包含界定由模擬工具自虛擬結構產生的虛擬光譜的資料。與上文參考圖1所描述的所量測資料不同，模擬資料D22可容易由模擬工具產生，且因此第一模型可容易經訓練以自界定虛擬光譜的資料輸出表示虛擬結構的資料。隨後將參考圖3及圖4以及類似者描述第一模型的實例，且隨後將參考圖5描述操作S200的實例。
在操作S400中，可產生第二模型。如上文參考圖1所描述，第二模型可用於自所量測光譜估計結構。根據至少一個實施例，第二模型可具有與第一模型相同的結構。根據至少一個實施例，第二模型可包含與第一模型的已完成訓練的部分相同的部分。隨後將參考圖3及圖4描述第二模型的實例，且隨後將參考圖6描述操作S400的實例。
在操作S600中，可訓練第二模型。舉例而言，如圖2中所繪示，可基於樣本資料D24而訓練在操作S400中產生的第二模型。樣本資料D24可包含藉由量測樣本結構產生的所量測結構資料（或樣本結構資料）及藉由獲得樣本結構的光譜產生的所量測光譜資料（或樣本光譜資料）。如上文所描述，在操作S400中，可自第一模型產生第二模型的至少一部分。根據至少一個實施例，第一模型的輸出資料以及樣本資料D24可用於訓練第二模型。因此，可限制包含所量測資料的樣本資料D24，但可成功地訓練第二模型以自光譜量測結構。隨後將參考圖8描述操作S600的實例。
在操作S800中，可估計結構。舉例而言，如圖2中所繪示，可基於所量測資料D26而使用在操作S600中訓練的第二模型來估計結構。所量測資料D26可包含表示自晶圓W獲得的光譜的所量測光譜資料，例如圖1的光譜資料SPC。在操作S600中訓練的第二模型可自所量測資料D26產生表示結構的輸出資料，且可基於輸出資料而估計結構。
圖3為根據至少一個實施例的第一模型31及第二模型32的方塊圖。如上文參考圖2所描述，第二模型32可用於量測結構，且第一模型31可用於產生及訓練第二模型32。如圖3中所繪示，第一模型31可接收虛擬光譜資料D32且可產生輸出資料D33。第二模型32可接收所量測光譜資料D36且可產生輸出資料D37。
如圖3中所繪示，第一模型31可包含第一子模型ML1及接著第一子模型ML1的第二子模型ML2。第一子模型ML1可接收並處理虛擬光譜資料D32。根據至少一個實施例，第一子模型ML1可藉由處理虛擬光譜資料D32擷取特徵且將表示特徵的資料提供至接著第一子模型ML1的第二子模型ML2。
第二子模型ML2可處理自第一子模型ML1接收的資料且可產生輸出資料D33。舉例而言，第二子模型ML2可充當用於自由第一子模型ML1提供的資料指示的特徵估計結構的回歸自變數。因此，輸出資料D33可包含關於虛擬結構的資訊，例如指示虛擬結構的大小的值。根據至少一個實施例，輸出資料D33可用於訓練第二模型32，如隨後將參考圖9以及類似者描述。
如圖3中所繪示，第二模型32可包含第三子模型ML3及第四子模型ML4。第三子模型ML3可接收並處理所量測光譜資料D36。根據至少一個實施例，第三子模型ML3可藉由處理所量測光譜資料D36擷取特徵且將表示特徵的資料提供至接著第三子模型ML3的第四子模型ML4。根據至少一個實施例，第三子模型ML3可具有與第一模型31的第一子模型ML1相同的結構。根據至少一個實施例，如隨後將參考圖7以及類似者描述，第二模型32的第三子模型ML3可與第一模型31的第一子模型ML1一致。隨後將參考圖4描述第三子模型ML3的實例。
第四子模型ML4可處理自第三子模型ML3接收的資料且可產生輸出資料D37。舉例而言，第四子模型ML4可充當用於自由第三子模型ML3提供的資料指示的特徵估計結構的回歸自變數。因此，輸出資料D37可包含關於結構的資訊，例如指示結構的大小的值。根據至少一個實施例，第四子模型ML4可具有與第一模型31的第二子模型ML2相同的結構。隨後將參考圖4描述第四子模型ML4的實例。
圖4為示出根據至少一個實施例的機器學習模型的圖。根據至少一個實施例，第一模型31及第二模型32中的各者可具有與圖4的模型40相同的結構。如圖4中所繪示，模型40可自光譜資料產生輸出資料。現將參考圖3描述圖4。
參考圖4，模型40可包含卷積層及接著卷積層的全連接層。卷積層可自光譜資料擷取特徵，且卷積層的輸出資料可對應於表示光譜的特徵的表示。根據至少一個實施例，卷積層可包含與圖4中所繪示的層的數目不同的層的數目。全連接層可藉由對對應於表示的資料進行分類或使所述資料回歸來產生輸出資料。根據至少一個實施例，全連接層可包含與圖4中所繪示的層的數目不同的層的數目。
根據至少一個實施例，圖3的第一子模型ML1及第三子模型ML3中的各者可包含卷積層。根據至少一個實施例，圖3的第二子模型ML2及第四子模型ML4中的各者可包含全連接層。如上文所描述，卷積層可自光譜資料產生表示，且因此經訓練以自虛擬光譜資料產生表示的第一子模型ML1可用作第二模型32中的第三子模型ML3。可基於所量測光譜資料而訓練第四子模型ML4，且因此經訓練第二模型32可自所量測光譜資料產生表示結構的輸出資料D37，而不管受限的所量測光譜資料D36。
圖5為根據至少一個實施例的用於量測結構的方法的流程圖。舉例而言，圖5的流程圖示出圖2的操作S200的實例。如上文參考圖2所描述，在圖5的操作S200'中，可獲得第一模型31。如圖5中所繪示，操作S200'可包含多個操作S220、操作S240、操作S260以及操作S280。現將參考圖3描述圖5。
參考圖5，在操作S220中，可產生虛擬光譜。舉例而言，可界定多個虛擬結構，且可將界定多個虛擬結構的資料（例如，虛擬結構資料）提供至模擬工具。模擬工具可估計分別對應於多個虛擬結構的多個虛擬光譜，且可產生界定多個虛擬光譜的資料（例如，虛擬光譜資料）。根據至少一個實施例，多個虛擬結構可包含與實際結構相同或類似的虛擬結構，例如包含於圖1的晶圓W中的晶粒的經設計結構。
在操作S240中，可訓練第一模型31。舉例而言，可將在操作S220中產生的虛擬光譜資料提供至第一模型31，且可基於例如第一模型31的輸出資料D33及虛擬結構資料而訓練第一模型31。根據至少一個實施例，第一模型31可經訓練以減小輸出資料D33與虛擬結構資料之間的誤差。舉例而言，可定義與輸出資料D33與虛擬結構資料之間的誤差成比例的損失函數，且可訓練第一模型31使得損失函數的值減小。
在操作S260中，可驗證第一模型31。舉例而言，可基於輸出資料D33與虛擬結構資料之間的誤差而驗證第一模型31。根據至少一個實施例，可定義與輸出資料D33與虛擬結構資料之間的誤差成比例的損失函數，且當損失函數的值減小至不超過預定義（或以其他方式判定）臨限值時，第一模型31的驗證可成功。
在操作S280中，可判定第一模型31的驗證是否已成功抑或失敗。如圖5中所繪示，在至少一個實施例中，當第一模型31的驗證成功時，可結束操作S200'，且可隨後執行圖2的操作S400。另一方面，當第一模型31的驗證失敗時，可隨後執行操作S240。根據至少一個實施例，不同與圖5中所繪示內容，當第一模型31的驗證失敗時，可隨後執行操作S220。
圖6為根據至少一個實施例的用於量測結構的方法的流程圖。舉例而言，圖6的流程圖示出圖2的操作S400。如上文參考圖2所描述，在圖6的操作S400'中，可產生第二模型32。如圖6中所繪示，操作S400'可包含操作S420及操作S440。現將參考圖3描述圖6。
參考圖6，在操作S420中，可產生第三子模型ML3。如上文參考圖3所描述，第二模型32可包含第三子模型ML3及第四子模型ML4，且第三子模型ML3可處理所量測光譜資料D36。根據至少一個實施例，可藉由複製包含於經訓練（或經驗證）第一模型31中的第一子模型ML1來產生第三子模型ML3，且因此第三子模型ML3可具有與第一子模型ML1相同的結構及值（例如，權重）。根據至少一個實施例，第三子模型ML3的值可固定，而第二模型32在圖2的操作S600中訓練，所述操作S600在操作S400'之後執行。隨後將參考圖7描述在操作S420中產生的第三子模型ML3的實例。
在操作S440中，可產生第四子模型ML4。如上文參考圖3所描述，第四子模型ML4可處理自第三子模型ML3接收的資料且可產生輸出資料D37。根據至少一個實施例，第四子模型ML4可具有與包含於第一模型31中的第二子模型ML2相同的結構。根據至少一個實施例，第四子模型ML4可具有第二子模型ML2的值（例如權重）作為初始值，且可改變第四子模型ML4的值，而在圖2的操作S600中訓練第二模型32，所述操作S600在操作S400'之後執行。
圖7為示出根據至少一個實施例的子模型的實例的圖。舉例而言，圖7示出包含於圖3的第一模型31中的第一子模型ML1及包含於圖3的第二模型32中的第三子模型ML3。如上文參考圖6所描述，第三子模型ML3可具有與包含於經訓練第一模型31中的第一子模型ML1相同的結構及值。
參考圖7，經訓練第一子模型ML1可自虛擬光譜資料D61產生特徵資料D62。根據至少一個實施例，如上文參考圖4所描述，第一子模型ML1可包含卷積層，且可產生表示虛擬光譜資料D61的特徵的特徵資料D62。在所示出實例中，並未自資料D61'發現特定規則，虛擬頻譜資料D61經由t-分佈隨機鄰域嵌入（t-distributed stochastic neighbor embedding；t-SNE）轉化為資料D61'，而可自資料D62'發現特定規則，特徵資料D62經由t-SNE資料轉化為所述資料D62'。換言之，特徵資料D62可表示虛擬光譜的表示。
用於自虛擬光譜擷取表示的第一子模型ML1可用於自所量測光譜擷取表示。舉例而言，如圖7中所繪示，第三子模型ML3可自第一子模型ML1產生且可具有與第一子模型ML1相同（或實質上類似）的結構及值。舉例而言，如圖7中所繪示，自另一模型的至少一部分產生模型的至少一部分可稱為轉移學習或轉移訓練。根據至少一個實施例，可轉移訓練第三子模型ML3以包含類似第一子模型ML1的卷積層且可產生表示所量測光譜資料D63的特徵的特徵資料D64。如稍後將參考圖8描述，第三子模型ML3可固定而第二模型32經訓練。
圖8為根據至少一個實施例的用於量測結構的方法的流程圖。舉例而言，圖8的流程圖示出圖2的操作S600的實例。如上文參考圖2所描述，在圖8的操作S600'中，可訓練第二模型32。如圖8中所繪示，操作S600'可包含多個操作S620、操作S640、操作S660以及操作S680。現將參考圖3及圖7描述圖8。
參考圖8，在操作S620中，可固定第三子模型ML3。如上文參考圖6及圖7所描述，第三子模型ML3可與包含於經訓練第一模型31中的第一子模型ML1相同（或實質上類似），且特徵資料D64可自所量測光譜資料D63產生。因此，可自第三子模型ML3恰當地擷取光譜的特徵而不管受限所量測資料，且在訓練第二模型32的同時可固定第三子模型ML3的值（例如權重）。
在操作S640中，可訓練第四子模型ML4。如上文參考圖6所描述，第四子模型ML4可具有與第一模型31的第二子模型ML2相同（或實質上類似）的結構。不同於在操作S620中固定的第三子模型ML3，可基於所量測資料而訓練第四子模型ML4。根據至少一個實施例，第四子模型ML4可包含包含於經訓練第一模型31的第二子模型ML2中的值作為初始值。根據至少一個實施例，可訓練第二模型32（或第四子模型ML4）以減小輸出資料D37與所量測結構資料之間的誤差。舉例而言，可定義與輸出資料D37與所量測結構資料之間的誤差成比例的損失函數，且可訓練第二模型32使得損失函數的值減小。根據至少一個實施例，第二模型32可經訓練以遵循如稍後將參考圖9描述的物理學，且為此目的，可定義隨著第二模型32的輸出資料D37偏離物理學而增加的損失函數。
在操作S660中，可驗證第二模型32。根據至少一個實施例，可基於所量測資料而驗證第二模型32。根據至少一個實施例，可基於第一模型31的輸出資料D33而驗證第二模型32。隨後將參考圖9描述操作S660的實例。
在操作S680中，可判定第二模型32的驗證是否成功抑或失敗。如圖8中所繪示，當第二模型32的驗證成功時，可結束操作S600'，且圖2的操作S800可隨後執行；及/或當第二模型32的驗證失敗時，可隨後重複操作S630（或執行）。
圖9為根據至少一個實施例的用於量測結構的方法的流程圖。舉例而言，圖9的流程圖示出圖8的操作S660的實例。如上文參考圖8所描述，在圖9的操作S660'中，可驗證第二模型32。如圖9中所繪示，操作S660'可包含操作S662及操作S664。現將參考圖3描述圖9。
參考圖9，在操作S662中，可基於所量測結構資料而驗證第二模型32。舉例而言，可基於所量測資料而訓練第二模型32，且所量測資料可包含藉由量測樣本結構產生的所量測結構資料及藉由獲得自樣本結構產生的光譜產生的所量測光譜資料。根據至少一個實施例，可定義與輸出資料D37與所量測結構資料之間的誤差成比例的損失函數，且當損失函數減小的值至不超過預定義臨限時，在操作S662中第二模型32的驗證可成功。舉例而言，損失函數L 0可如以下方程式1中定義，且可訓練第二模型32以減小損失函數L 0。 [方程式1]
在方程式1中，g指示第二模型32，x HW指示所量測光譜資料，y HW指示所量測結構資料，且MSE指示均方誤差。
在操作S664中，可基於第一模型31的輸出資料D33而驗證第二模型32。當基於損失函數而訓練第二模型32時，諸如方程式1，如隨後將參考圖10描述，經訓練第二模型32的輸出資料D33可不符合物理學。模擬資料可由基於物理學而執行模擬的模擬工具產生，且基於模擬資料而訓練的第一模型31可具有經訓練以符合物理學的狀態。因此，可基於第一模型31的輸出資料D33而驗證及訓練第二模型32，且可具有經訓練以符合物理學的狀態。因此，訓練模型以符合物理學可稱為物理學引導學習。隨後將參考圖11描述操作S664的實例。在實例中，可基於經訓練第二模型32的輸出資料D33及第一模型31的輸出資料D33及所量測結構資料中的至少一者而驗證第二模型32。
圖10為繪示根據至少一個實施例的模型的輸出資料的實例的表。舉例而言，圖10示出第一模型的輸出資料、驗證已失敗的第二模型的輸出資料以及驗證已通過的第二模型的輸出資料。圖10將輸出資料繪示為根據主成份分析（principal component analysis；PCA）變換的分佈。
參考圖10，第一模型的輸出資料可具有某一規則。舉例而言，如圖10中所繪示，第一模型的PCA分佈可沿著具有負斜率的對角線變化。驗證已失敗的第二模型的PCA分佈可沿著具有正斜率的對角線變化，然而驗證已通過的第二模型的PCA分佈可沿著具有負斜率的對角線變化，如第一模型。隨後將參考圖11描述訓練第二模型使得第二模型通過驗證的方法的實例。
圖11為根據至少一個實施例的用於量測結構的方法的流程圖。舉例而言，圖11的流程圖示出圖9的操作S664的實例。如上文參考圖9所描述，在操作S664'中，可基於第一模型31的輸出資料D33而驗證第二模型32。如圖11中所繪示，操作S664'可包含多個操作S664_1至操作S664_6。現將參考圖3描述圖11。
參考圖11，在操作S664_1中，可自模擬資料擷取第一樣本及第二樣本。舉例而言，可自包含於模擬資料中的虛擬結構資料擷取對應於不同虛擬結構的第一樣本及第二樣本。
在操作S664_2中，可自第一模型31獲得第一輸出資料及第二輸出資料。舉例而言，可將第一樣本提供至第一模型31，且第一模型31可產生對應於第一樣本的第一輸出資料。可將第二樣本提供至第一模型31，且第一模型31可產生對應於第二樣本的第二輸出資料。
在操作S664_3中，可識別第一輸出資料與第二輸出資料之間的第一關係。當在操作S664_1中擷取的第一樣本及第二樣本具有特定關係時，第一輸出資料及第二輸出資料（分別對應於第一樣本及第二樣本）可具有第一關係以便符合物理學。舉例而言，第一關係可意謂第二輸出資料大於第一輸出資料，如在以下方程式2中。 [方程式2]
在方程式2中，f指示第一模型31，x i指示第一樣本且x j指示第二樣本。如隨後將描述，可基於自第二模型32識別的第二關係是否對應於第一關係而驗證第二模型32。
在操作S664_4中，可自第二模型32獲得第三輸出資料及第四輸出資料。舉例而言，可將第一樣本提供至第二模型32，且第二模型32可產生對應於第一樣本的第三輸出資料。可將第二樣本提供至第二模型32，且第二模型32可產生對應於第二樣本的第四輸出資料。
在操作S664_5中，可識別第三輸出資料與第四輸出資料之間的第二關係。舉例而言，第二關係可為第三輸出資料與第四輸出資料之間的關係。
在操作S664_6中，可基於第一關係及第二關係而驗證第二模型32。舉例而言，當第一關係及第二關係具有相同（或實質上類似）性質時，第二模型32的驗證可判定為已成功，且當第一關係及第二關係並不具有相同（或實質上類似）性質時，可判定第二模型32的驗證已失敗。舉例而言，當第一關係識別為在方程式2中，且第二關係如以下方程式3定義時，可判定第二模型32的驗證在操作S664'中成功。 [方程式3]
根據至少一個實施例，第二模型32可經訓練以符合物理學。舉例而言，第二模型32可經訓練使得與第一關係與第二關係之間的誤差成比例的損失（例如，第二關係偏離第一關係的程度）減小。舉例而言，當第二模型32的輸出資料D37並不符合物理學時，損失函數可定義為增加。根據至少一個實施例，用於訓練第二模型32的損失函數L可如以下方程式4中定義，且第二模型32可經訓練以減小損失函數L。 [方程式4]
在方程式4中，λ指示權重且為小於1（0＜λ＜1）的正實數，且當g(xi)-g(xj)為零或負時，整流線性單元（rectified Linear Unit；ReLU）函數的值可為0，且當g(xi)-g(xj)為正時，所述值可為g(xi)-g(xj)。因此，當第二關係遵從第一關係時，ReLU函數的值可為零，然而當第二關係不遵從第一關係時，ReLU函數可具有與第二關係偏離第一關係的程度成比例的值。
圖12為根據至少一個實施例的用於量測結構的方法的流程圖。舉例而言，圖12的流程圖示出製造積體電路的方法。如圖12中所繪示，製造積體電路的方法可包含操作S920及操作S940。根據至少一個實施例，圖12的操作S920及操作S940可在圖2的操作S800之後執行。現將參考圖1及圖2描述圖12。
用於製造晶圓W的半導體製程可包含一系列子製程。舉例而言，前段製程（front-end-of-line；FEOL）可包含平坦化及清潔晶圓的操作、形成溝槽的操作、形成井的操作、形成閘極電極的操作以及形成源極及汲極的操作等，且個別裝置（諸如，電晶體、電容器、電阻器及/或類似者）可根據FEOL形成於基底上。後段製程（back-end-of-line；BEOL）可包含矽化閘極區、源極區以及汲極區的操作、添加介電質的操作、平坦化操作、形成孔的操作、添加金屬層的操作、形成通孔的操作以及形成鈍化層的操作等，且個別裝置（諸如，電晶體、電容器、電阻器及/或類似者）可根據BEOL彼此連接。根據至少一個實施例，中段製程（middle-end-of-line；MEOL）可在FEOL與BEOL之間執行，且接點可形成於個別裝置上。多個晶粒可與晶圓W分離，且多個晶粒中的各者可封裝至半導體封裝中且用作各種應用的組件。
參考圖12，在操作S920中，可調整至少一個子製程。舉例而言，當在圖2的操作S800中估計的結構不同於經設計結構時，可調整包含於用於製造晶圓W的半導體製程中的一系列子製程中的至少一者。舉例而言，可重新製造用於圖案化的遮罩，可改變氣體的組成物及/或濃度，可改變暴露時間，可改變溫度及/或壓力等。
在操作S940中，可經由半導體製程製造積體電路。舉例而言，半導體製程可包含在操作S920中調整的至少一個子製程，且因此積體電路可經製造以具有經設計結構。
圖13為根據至少一個實施例的電腦系統130的方塊圖。根據至少一個實施例，圖13的電腦系統130可執行用於上文參考圖式所描述的結構量測的機器學習模型的訓練，且可稱為量測系統或訓練系統。
電腦系統130可指包含通用及/或專用計算系統的系統。舉例而言，電腦系統130可包含個人電腦（personal computer；PC）、伺服器電腦、膝上型電腦、器具產品及/或類似者。參考圖13，電腦系統130可包含至少一個處理器131、記憶體132、儲存系統133、網路配接器134、輸入/輸出（input/output；I/O）介面135以及顯示器136。
至少一個處理器131可執行包含可由電腦系統執行的指令的程式模組。程式模組可包含例如常式、程式、物件、組件、邏輯、資料結構等，其基於輸入、命令及/或類似者而執行某一操作或實施某一資料格式。記憶體132可包含諸如隨機存取記憶體（random-access memory；RAM）的揮發性記憶體類型的電腦系統可讀媒體。至少一個處理器131可存取記憶體132且可執行載入至記憶體132中的指令。儲存系統133可非揮發地儲存資訊，且根據至少一個實施例，可包含至少一個程式產品，所述程式產品包含經組態以執行訓練用於上文參考圖式所描述的結構量測的機器學習模型的程式模組。程式的非限制性實例可包含作業系統（operating system；OS）、至少一個應用、其他程序模組以及其他程式資料。記憶體132及/或儲存系統133可為（或包含）例如非暫時性電腦可讀媒體。如本文中所使用，術語「非暫時性」為媒體自身（例如，如有形的，而非信號）的描述，所述描述與對資料儲存持久化（例如，RAM與ROM）的限制相對。舉例而言，電腦可讀記錄媒體可為可將程式儲存或包含於指令執行系統、設備或裝置中或連接至指令執行系統、設備或裝置的任何有形媒體。
網路配接器134可提供對包括其他電腦系統的網路的存取。舉例而言，網路配接器134可提供對區域網路（local area network；LAN）、廣域網路（wide area network；WAN）、公用網路（例如網際網路）及/或類似者的存取。I/O介面135可提供用於與諸如鍵盤、指標裝置及/或音訊系統及/或類似者的周邊裝置通信的通信通道。顯示器136可輸出用於使用者檢查的資訊的各種片段。
根據至少一個實施例，訓練用於上文參考圖式所描述的結構量測的機器學習模型可實施為電腦程式產品。電腦程式產品可包含非暫時性電腦可讀媒體（或儲存媒體），其包含用於允許至少一個處理器131執行影像處理及/或模型訓練的電腦可讀程式指令。電腦可讀指令可包含例如組合程式指令、指令集架構（instruction set architecture；ISA）指令、機器指令、機器相依指令、微碼、韌體指令、狀態設定資料、以至少一個程式語言寫入的原始碼或目標碼及/或類似者。
電腦可讀媒體可為用於非暫時保持且儲存由至少一個處理器131或任意指令可執行裝置執行的指令的一種類型的媒體。舉例而言，電腦可讀媒體可為但不限於電子儲存裝置、磁性儲存裝置、光學儲存裝置、電磁儲存裝置、半導體儲存裝置、其組合及/或類似者。舉例而言，電腦可讀媒體可為攜帶型電腦磁碟、硬碟、RAM、唯讀記憶體（read-only memory；ROM）、電可抹除唯讀記憶體（electrically erasable read only memory；EEPROM）、快閃記憶體、靜態RAM（static RAM；SRAM）、光碟（compact disk；CD）、數位光碟(DVD)、記憶棒、軟碟、機械編碼裝置（諸如穿孔卡）或其組合。
圖14為根據至少一個實施例的系統140的方塊圖。根據至少一個實施例，可由系統140執行根據至少一個實施例的結構量測。
參考圖14，系統140可包含至少一個處理器141、記憶體143、人工智慧（artificial intelligence；AI）加速器145以及硬體（hardware；HW）加速器147，且至少一個處理器141、記憶體143、AI加速器145以及硬體加速器147可經由匯流排149彼此通信。根據至少一個實施例，至少一個處理器141、記憶體143、AI加速器145以及硬體加速器147可包含於一個半導體晶片中。根據至少一個實施例，至少一個處理器141、記憶體143、AI加速器145以及硬體加速器147中的至少兩者可包含於安裝於板上的兩個或大於兩個半導體晶片中的各者中。
至少一個處理器141可執行指令。舉例而言，至少一個處理器141可執行儲存於記憶體143中的指令以執行OS或在OS上執行的應用。根據至少一個實施例，至少一個處理器141可執行指令以指示AI加速器145及/或硬體加速器147執行操作，且自AI加速器145及/或硬體加速器147獲得操作的效能結果。根據至少一個實施例，至少一個處理器141可為出於某一目的而定製的特殊應用指令集處理器（application specific instruction set processor；ASIP）且可支援專用指令集。
記憶體143可具有經組態以儲存資料的結構。舉例而言，記憶體143可包含諸如動態RAM（dynamic RAM；DRAM）及SRAM的揮發性記憶體裝置，且此外，可包含諸如快閃記憶體及電阻RAM（resistive RAM；RRAM）的非揮發性記憶體裝置及/或類似者。至少一個處理器141、AI加速器145以及硬體加速器147可經由匯流排149將資料儲存於記憶體143中或可自記憶體143讀取資料。
AI加速器145可指經設計用於AI應用的硬體。根據至少一個實施例，AI加速器145可包含用於實施神經形態結構的神經處理單元（neural processing unit；NPU），且可藉由處理自至少一個處理器141及/或硬體加速器147提供的輸入資料產生輸出資料，且可將輸出資料提供至至少一個處理器141及/或硬體加速器147。根據至少一個實施例，AI加速器145可為可程式化的且可由至少一個處理器141及/或硬體加速器147程式化。
硬體加速器147可稱作經設計以高速執行某一操作的硬體。舉例而言，硬體加速器147可經設計以高速執行諸如解調、調變、編碼、解碼等的資料轉換。硬體加速器147可為可程式化的且可由至少一個處理器141及/或硬體加速器147程式化。
根據至少一個實施例，AI加速器145可執行上文參考圖式所描述的機器學習模型。舉例而言，AI加速器145可執行上文所描述的層中的各者。AI加速器145可處理輸入參數、特徵映射及/或類似者以產生包含有用資訊的輸出。根據至少一個實施例，由AI加速器145執行的模型中的至少一些可由至少一個處理器141及/或硬體加速器147程式化。
儘管本發明概念已參考其一些實施例具體地繪示及描述，但應理解，可在不脫離以下申請專利範圍的精神及範圍的情況下在其中作出形式及細節的各種改變。
10:結構量測 12:光譜獲取設備 14:量測系統 31:第一模型 32:第二模型 40:模型 130:電腦系統 131、141:處理器 132、143:記憶體 133:儲存系統 134:網路配接器 135:輸入/輸出介面 136:顯示器 140:系統 145:AI加速器 147:硬體加速器 149:匯流排 D22:模擬資料 D24:樣本資料 D26:所量測資料 D32、D61:虛擬光譜資料 D33、D37:輸出資料 D36、D63:所量測光譜資料 D61'、D62':資料 D62、D64:特徵資料 DIM:維度資料 ML:機器學習模型 ML1:第一子模型 ML2:第二子模型 ML3:第三子模型 ML4:第四子模型 S200、S200'、S220、S240、S260、S280、S400、S400'、S420、S440、S600、S600'、S620、S640、S660、S660'、S662、S664、S664'、S664_1、S664_2、S664_3、S664_4、S664_5、S664_6、S680、S800、S920、S940:操作 SPC:光譜資料 W:晶圓
自結合隨附圖式進行的以下詳細描述將更清楚地理解實施例。 圖1為根據至少一個實施例的結構量測的方塊圖。 圖2為根據至少一個實施例的用於量測結構的方法的流程圖。 圖3為根據至少一個實施例的第一模型及第二模型的方塊圖。 圖4為示出根據至少一個實施例的機器學習模型的圖。 圖5為根據至少一個實施例的用於量測結構的方法的流程圖。 圖6為根據至少一個實施例的用於量測結構的方法的流程圖。 圖7為示出根據至少一個實施例的子模型的實例的圖。 圖8為根據至少一個實施例的用於量測結構的方法的流程圖。 圖9為根據至少一個實施例的用於量測結構的方法的流程圖。 圖10為繪示根據至少一個實施例的模型的輸出資料的實例的表。 圖11為根據至少一個實施例的用於量測結構的方法的流程圖。 圖12為根據至少一個實施例的用於量測結構的方法的流程圖。 圖13為根據至少一個實施例的電腦系統的方塊圖。 圖14為根據至少一個實施例的系統的方塊圖。
D22:模擬資料
D24:樣本資料
D26:所量測資料
S200、S400、S600、S800:操作

Claims (20)

  1. 一種用於基於結構的光譜而量測結構的方法，所述方法包括： 獲得基於模擬資料而訓練的第一模型，所述第一模型包括第一子模型及接著所述第一子模型的第二子模型； 產生第二模型，使得所述第二模型包括自所述第一子模型的至少一部分產生的第三子模型； 基於藉由量測樣本結構的光譜產生的樣本光譜資料而訓練所述第二模型；以及 基於所述經訓練第二模型而自藉由量測所述結構的所述光譜產生的所量測光譜資料估計所述結構。
  2. 如請求項1所述的用於基於結構的光譜而量測結構的方法，其中獲得所述第一模型包括： 藉由模擬虛擬結構產生虛擬光譜，其中所述模擬資料表示所述虛擬結構及所述虛擬光譜。
  3. 如請求項2所述的用於基於結構的光譜而量測結構的方法，其中獲得所述第一模型包括： 基於所述第一模型的輸出資料與所述模擬資料之間的誤差而驗證所述第一模型。
  4. 如請求項1所述的用於基於結構的光譜而量測結構的方法，其中 所述第二模型更包括接著所述第三子模型的第四子模型，以及 訓練所述第二模型包括在固定所述第三子模型使得所述第三子模型未經訓練的同時基於所述樣本光譜資料而訓練所述第四子模型。
  5. 如請求項4所述的用於基於結構的光譜而量測結構的方法，其中 所述第一子模型及所述第三子模型中的各者包括卷積網路，以及 所述第二子模型及所述第四子模型中的各者包括全連接網路。
  6. 如請求項1所述的用於基於結構的光譜而量測結構的方法，更包括： 基於所述第二模型的輸出資料與所述樣本結構的所量測結構資料之間的誤差而驗證所述第二模型。
  7. 如請求項1所述的用於基於結構的光譜而量測結構的方法，更包括基於所述第一模型的輸出資料及所述第二模型的輸出資料而驗證所述第二模型，其中驗證所述第二模型包括： 自所述模擬資料擷取第一樣本及第二樣本， 獲得所述第一模型的第一輸出資料及第二輸出資料，所述第一輸出資料及所述第二輸出資料分別對應於所述第一樣本及所述第二樣本， 獲得所述第二模型的第三輸出資料及第四輸出資料，所述第三輸出資料及所述第四輸出資料分別對應於所述第一樣本及所述第二樣本，以及 基於所述第一輸出資料與所述第二輸出資料之間的第一關係及所述第三輸出資料與所述第四輸出資料之間的第二關係而驗證所述第二模型。
  8. 如請求項7所述的用於基於結構的光譜而量測結構的方法，其中訓練所述第二模型包括： 訓練所述第二模型使得與所述第一關係與所述第二關係之間的誤差成比例的損失減小。
  9. 如請求項1所述的用於基於結構的光譜而量測結構的方法，更包括： 基於所述經估計結構而調整至少一個子製程；以及 經由包括所述經調整至少一個子製程的半導體製程來製造積體電路。
  10. 一種用於基於結構的光譜而量測結構的系統，包括： 至少一個處理器，以及 非暫時性儲存媒體，儲存在由所述至少一個處理器執行時指示所述至少一個處理器基於所述結構的光譜而執行結構的量測的指令，其中所述結構的所述量測包括： 獲得基於模擬資料而訓練的第一模型，所述第一模型包括第一子模型及接著所述第一子模型的第二子模型； 產生第二模型，使得所述第二模型包括自所述第一子模型的至少一部分產生的第三子模型； 基於藉由量測樣本結構的光譜產生的樣本光譜資料而訓練所述第二模型；以及 基於所述經訓練第二模型而自藉由量測所述結構的所述光譜產生的所量測光譜資料估計所述結構。
  11. 如請求項10所述的用於基於結構的光譜而量測結構的系統，其中獲得所述第一模型包括： 藉由模擬虛擬結構產生虛擬光譜，其中所述模擬資料表示所述虛擬結構及所述虛擬光譜。
  12. 如請求項11所述的用於基於結構的光譜而量測結構的系統，其中獲得所述第一模型包括： 基於所述第一模型的輸出資料與所述模擬資料之間的誤差而驗證所述第一模型。
  13. 如請求項10所述的用於基於結構的光譜而量測結構的系統，其中 所述第二模型更包括接著所述第三子模型的第四子模型，以及 訓練所述第二模型包括在固定所述第三子模型使得所述第三子模型未經訓練的同時基於所述樣本光譜資料而訓練所述第四子模型。
  14. 如請求項13所述的用於基於結構的光譜而量測結構的系統，其中 所述第一子模型及所述第三子模型中的各者包括卷積網路，以及 所述第二子模型及所述第四子模型中的各者包括全連接網路。
  15. 如請求項10所述的用於基於結構的光譜而量測結構的系統，其中所述結構的所述量測更包括： 基於所述第二模型的輸出資料與所述樣本結構的所量測結構資料之間的誤差而驗證所述第二模型。
  16. 如請求項10所述的用於基於結構的光譜而量測結構的系統，其中所述結構的所述量測更包括： 基於所述第一模型的輸出資料及所述第二模型的輸出資料而驗證所述第二模型，以及 驗證所述第二模型包括： 自所述模擬資料擷取第一樣本及第二樣本， 獲得所述第一模型的第一輸出資料及第二輸出資料，所述第一輸出資料及所述第二輸出資料分別對應於所述第一樣本及所述第二樣本， 獲得所述第二模型的第三輸出資料及第四輸出資料，所述第三輸出資料及所述第四輸出資料分別對應於所述第一樣本及所述第二樣本，以及 基於所述第一輸出資料與所述第二輸出資料之間的第一關係及所述第三輸出資料與所述第四輸出資料之間的第二關係而驗證所述第二模型。
  17. 如請求項16所述的用於基於結構的光譜而量測結構的系統，其中訓練所述第二模型包括訓練所述第二模型使得與所述第一關係與所述第二關係之間的誤差成比例的損失減小。
  18. 一種用於基於結構的光譜而量測結構的方法，所述方法包括： 獲得基於模擬資料而訓練的第一模型，所述第一模型包括第一子模型及接著所述第一子模型的第二子模型； 基於所述第一模型而產生第二模型； 基於藉由量測樣本結構的光譜產生的樣本光譜資料而訓練所述第二模型； 基於所述第一模型的輸出資料及所述經訓練第二模型的輸出資料而驗證所述經訓練第二模型，以及 基於所述經驗證第二模型而自藉由量測所述結構的所述光譜產生的所量測光譜資料估計所述結構。
  19. 如請求項18所述的用於基於結構的光譜而量測結構的方法，其中驗證所述第二模型包括： 自所述模擬資料擷取第一樣本及第二樣本； 獲得所述第一模型的第一輸出資料及第二輸出資料，所述第一輸出資料及所述第二輸出資料分別對應於所述第一樣本及所述第二樣本； 獲得所述第二模型的第三輸出資料及第四輸出資料，所述第三輸出資料及所述第四輸出資料分別對應於所述第一樣本及所述第二樣本，以及 基於所述第一輸出資料與所述第二輸出資料之間的第一關係及所述第三輸出資料與所述第四輸出資料之間的第二關係而驗證所述第二模型。
  20. 如請求項19所述的用於基於結構的光譜而量測結構的方法，其中訓練所述第二模型包括訓練所述第二模型使得與所述第一關係與所述第二關係之間的誤差成比例的損失減小。
TW112126606A 2022-07-19 2023-07-17 基於結構光譜的結構量測方法和系統 TW202411640A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0089031 2022-07-19
KR1020220089031A KR20240011514A (ko) 2022-07-19 2022-07-19 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템

Publications (1)

Publication Number Publication Date
TW202411640A true TW202411640A (zh) 2024-03-16

Family

ID=87245525

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (5)

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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021140502A1 (en) * 2020-01-06 2021-07-15 Nova Measuring Instruments Ltd. Combining physical modeling and machine learning
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
EP4310444A1 (en) 2024-01-24
US20240028814A1 (en) 2024-01-25
KR20240011514A (ko) 2024-01-26

Similar Documents

Publication Publication Date Title
JP7122386B2 (ja) 低解像度画像における欠陥検出のためのニューラルネットワークのトレーニング
US20190147134A1 (en) Method of post optical proximity correction (opc) printing verification by machine learning
US7523429B2 (en) System for designing integrated circuits with enhanced manufacturability
US8510689B1 (en) Method and system for implementing context simulation
IL260101A (en) Simulated output production for example
TW201124871A (en) Method of pattern selection for source and mask optimization
JP4420878B2 (ja) 異なるリソグラフィ・システム間のｏｐｅ整合を提供するために、レジスト・プロセスの較正／最適化、およびｄｏｅ最適化を実行する方法
TW202230197A (zh) 預測難以修復之設計規則檢查違規的方法
US12112116B2 (en) Machine learning based model builder and its applications for pattern transferring in semiconductor manufacturing
US9672300B2 (en) Pattern generation method
TW202136924A (zh) 用參數化模型預測製程資訊之方法和系統
TWI833664B (zh) 用於產生消除雜訊模型之裝置及方法
US20080141211A1 (en) Opc verification using auto-windowed regions
JP2019159836A (ja) 学習プログラム、学習方法および学習装置
TW202028852A (zh) 半導體元件的光罩的製造方法
CN115885284A (zh) 电子设计自动化（eda）应用中基于机器学习的热点预测
US10386714B2 (en) Creating knowledge base for optical proximity correction to reduce sub-resolution assist feature printing
KR20230063688A (ko) 3차원 모델링을 위한 방법 및 시스템
JP5395340B2 (ja) プロセスモデル作成方法、プロセスモデル作成プログラム及びパターン補正方法
Kareem et al. Layout pattern synthesis for lithography optimizations
KR20240121880A (ko) 오버레이를 결정하기 위한 장치 및 방법
TW202411640A (zh) 基於結構光譜的結構量測方法和系統
TW202001637A (zh) 修正電線佈線布置的佈圖的方法
KR20160007434A (ko) 포토레지스트 프로필 모델링 방법
US20240037897A1 (en) Feature extraction method for extracting feature vectors for identifying pattern objects