[go: up one dir, main page]

WO2021085522A1 - 処理条件推定装置、方法及びプログラム - Google Patents

処理条件推定装置、方法及びプログラム Download PDF

Info

Publication number
WO2021085522A1
WO2021085522A1 PCT/JP2020/040589 JP2020040589W WO2021085522A1 WO 2021085522 A1 WO2021085522 A1 WO 2021085522A1 JP 2020040589 W JP2020040589 W JP 2020040589W WO 2021085522 A1 WO2021085522 A1 WO 2021085522A1
Authority
WO
WIPO (PCT)
Prior art keywords
processing
processing condition
condition estimation
measurement data
processing conditions
Prior art date
Application number
PCT/JP2020/040589
Other languages
English (en)
French (fr)
Inventor
明夫 石川
玉虫　秀一
Original Assignee
Ａｌｉｔｅｃｓ株式会社
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 Ａｌｉｔｅｃｓ株式会社 filed Critical Ａｌｉｔｅｃｓ株式会社
Priority to JP2021553677A priority Critical patent/JP7094594B2/ja
Publication of WO2021085522A1 publication Critical patent/WO2021085522A1/ja
Priority to US17/729,044 priority patent/US12148140B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Definitions

  • An embodiment of the present invention relates to a technique for estimating processing conditions from measurement data of an object processed by a processing apparatus without limiting the shape of the object.
  • the processing margin is becoming smaller and smaller as miniaturization occurs, so it is important to confirm that the objects processed by processing equipment such as exposure equipment are processed within a predetermined range. ing.
  • the optimum exposure conditions are determined by measuring a pattern shape such as a predetermined resist with a shape measuring device such as a scanning electron microscope (CD-SEM; Critical Measurement-Scanning Electron Microscope). In this case, not only the resist pattern shape but also the pattern shape after etching is measured, and both are confirmed.
  • a shape measuring device such as a scanning electron microscope (CD-SEM; Critical Measurement-Scanning Electron Microscope).
  • Patent Document 1 discloses a technique for obtaining the focal point of an exposure apparatus and the offset amount of the exposure amount from the deviation amount between the line width of the resist pattern shape and the reference value obtained by CD-SEM or the like.
  • the reference of the resist pattern shape is left to the simulation and is fixed. Further, there is a problem that the resist pattern, which is the object, can handle only a fixed shape such as a straight line pattern or a contact hole.
  • an object of the present invention is to provide a technique for estimating processing conditions without limiting the shape of an object.
  • the first invention is a processing condition estimation device that estimates processing conditions for processing an object, and an input unit for inputting measurement data acquired at a predetermined position of the object.
  • a processing condition including an estimation unit that estimates the processing condition for processing the object from the input measurement data based on the processing condition estimation function that inputs the measurement data and outputs the estimated value of the processing condition. It is an estimation device.
  • the second invention is a processing condition estimation method for estimating processing conditions for processing an object, in which measurement data acquired at a predetermined position of the object is input, and measurement data is input to estimate processing conditions.
  • This is a processing condition estimation method that estimates the processing conditions for processing the object from the input measurement data based on the processing condition estimation function that outputs a value.
  • a third invention is a processing condition estimation program that estimates processing conditions for processing an object, in which a step of inputting measurement data acquired at a predetermined position of the object and a process of inputting measurement data are performed.
  • This is a processing condition estimation program that causes a computer to execute a step of estimating a processing condition for processing the object from the input measurement data based on a processing condition estimation function that outputs an estimated value of.
  • FIG. 1 is a schematic configuration diagram of a semiconductor manufacturing system including a processing condition estimation device according to the present embodiment.
  • the semiconductor manufacturing system 100 includes an exposure apparatus 200, a central processing unit processing apparatus 300, and a shape measuring apparatus 400. Each device is connected by a wired or wireless communication network.
  • the central processing unit 300 corresponds to the processing condition estimation device according to the present embodiment.
  • the semiconductor manufacturing system 100 is an example to which the processing condition estimation device according to the present embodiment is applied.
  • the processing condition estimation device according to the present embodiment can be applied to, for example, a mask manufacturing system, an FPD (Flat Panel Display) manufacturing system, a printed circuit board manufacturing system, and the like.
  • FPD Full Panel Display
  • the exposure apparatus 200 is an exposure apparatus that exposes a pattern formed on a mask to a resist coated on a wafer.
  • the exposure apparatus 200 corresponds to a processing apparatus for processing an object according to the present embodiment.
  • the shape measuring device 400 is a scanning electron microscope (CD-SEM), and has a three-dimensional shape of a resist pattern formed on a wafer by using an exposure device 200 that exposes a resist applied on the wafer through a mask. Get information.
  • the shape measuring device 400 corresponds to a measuring device that measures measurement data according to the present embodiment.
  • the object to be measured is not limited to the resist pattern, but may be a pattern after etching, and is not limited to semiconductor manufacturing, but anything that processes the object such as mask manufacturing, FPD manufacturing, and printed circuit board manufacturing. Good.
  • the SEM image of the object is used as the measurement data, but the measurement data is not limited to the image of the object, but the measured values such as the line width of the linear pattern and the hole diameter of the contact hole, the optical image, the reflection spectrum, and the like. You may use the data obtained by measuring.
  • the central processing unit processing unit 300 is a processing condition estimation device that estimates the processing conditions for processing an object, and includes functional blocks such as an input unit, a feature amount calculation unit, and an estimation unit. ..
  • the input unit inputs the measurement data acquired at a predetermined position of the object.
  • the feature amount calculation unit calculates the feature amount from the input measurement data of the object.
  • the estimation unit inputs at least one of the measurement data and the feature amount and outputs the estimated value of the processing condition. Based on the processing condition estimation function, the estimation unit uses at least one of the input measurement data and the feature amount of the input object to output the estimated value of the processing condition. Estimate the processing conditions that processed.
  • the functions of the feature amount calculation unit and the estimation unit have been described separately, but it is not necessary to clearly separate the functions, and the feature amount calculation unit and the estimation unit may be implemented together as the estimation unit.
  • the estimation unit inputs the measurement data and outputs the estimated value of the processing condition. Based on the processing condition estimation function, the processing condition that processed the object from the input measurement data of the object. To estimate.
  • the processing condition estimation device 300 may further include a display unit that displays the estimated processing conditions.
  • the processing condition estimation device 300 is a functional block and is not limited to being implemented in hardware, but may be implemented in a computer as software such as a program, and its implementation form is not limited. For example, it may be installed and implemented on a dedicated server connected to a client terminal such as a personal computer and a wired or wireless communication line (Internet line, etc.), or it may be implemented using a so-called cloud service. Good.
  • FIG. 2 is a flowchart relating to (a) a processing condition estimation function creation method and (b) a processing condition estimation method according to the present embodiment.
  • FIG. 2A is a flowchart of a processing condition estimation function creation method.
  • the processing condition estimation function is a function that estimates the processing condition for processing the object from the measurement data of the object acquired by the measuring device, and the processing condition for which the input is the measurement data of the object and the output is the processing of the object. It is a function that is an estimate of.
  • the processing conditions (focal position and exposure amount) obtained by processing the object with the exposure apparatus are estimated from the image measured with the scanning electron microscope.
  • FIG. 3 is a diagram showing an example of image input according to the present embodiment.
  • the horizontal axis of this figure represents the focal position of the exposure apparatus 200, and the vertical axis represents the exposure amount. Then, a plurality of images measured in advance at the ratio shown in the figure are displayed.
  • the number of focal positions, exposure amounts, etc. is referred to as the number of processing condition types.
  • the number of processing condition types is two (focus position and exposure amount).
  • the exposure amount condition is changed in 3 ways (-8%, ⁇ 0%, + 8%), and the focal position condition is changed in 5 ways (-60 nm, -30 nm, ⁇ 0 nm, + 30 nm, + 60 nm).
  • the total number of processing conditions is 15.
  • the image contains many types of patterns and patterns that are sensitive to processing conditions.
  • the image under one processing condition may be a plurality of images acquired at a plurality of locations of the object instead of one image.
  • the processing conditions are not limited to the two types of the focal position and the exposure amount, and may be the film thickness of the object or the thin film formed on the object, the etching conditions, and the like. Further, when the processing conditions are conditions that cannot be changed in the wafer such as the film thickness of the thin film formed on the object, the etching processing time, the etching gas flow rate, and the etching RF power, a plurality of wafers are processed under different processing conditions. Images for each processing condition may be acquired from each wafer.
  • the feature amount of the input image is calculated.
  • FIG. 4 is a diagram showing an example for calculating the feature amount according to the present embodiment.
  • the line width of the solid line marked on the actual pattern image is measured as a feature amount.
  • FIG. 4B is a diagram in which only the border of the pattern image is displayed in order to display the line width to be measured in an easy-to-understand manner.
  • the measured line width is covered with an elliptical shape.
  • the measured line width is an example, and is not limited to this, and may be the edge position, edge inclination, curvature, area, or the like of the pattern.
  • each pixel value (including all pixel values) of the image input in S110 or a value calculated from each pixel value may be used.
  • the input unit sets a specific part of the input image data (for example, a pattern area or an area where the pattern edge is changed), and the size of the specific part is set.
  • W ⁇ H pixel values are output as measurement data. This means that the number of input dimensions of the first dimension reduction performed later is W ⁇ H dimension.
  • the pixel values of several pixels included in the specific portion may be output as measurement data.
  • the specific portion may be set to include an area that changes depending on the processing conditions. It is possible to reduce the amount of calculation processing in the feature amount calculation unit and the estimation unit by limiting the pixels of the entire input image data to the pixels of a specific part.
  • S130 is a learning step of the first dimension reduction method.
  • the number of dimensions of the feature amount obtained in S120 (17 dimensions because the line width is 17 places in this embodiment) is the number of dimensions of the number of processing condition types that processed the object (in this embodiment, 2 of the focal position and the exposure amount). Since it is a type, the dimension is reduced to 3 dimensions, which is intermediate with (2 dimensions), and a first projection function that performs such a first dimension reduction is learned and generated.
  • the number is reduced to three dimensions by adding one to the number of processing condition types, but the number is not limited to this, and may be between the number of dimensions of the feature quantity and the number of dimensions of the processing condition type.
  • the LLE Longcally Linear Embedding
  • this processing condition type is the processing condition estimated by the processing condition estimation device according to the present embodiment.
  • FIG. 5 is a diagram for explaining the first dimension reduction method according to the present embodiment.
  • the result after the first dimension reduction is displayed on the three-dimensional coordinates. That is, it means that the 17-dimensional learning data is projected on the curved surface on the third dimension.
  • each axis has no physical meaning.
  • the result of the first dimension reduction is insufficient (when the interval after the dimension reduction between the processing conditions is not sufficient)
  • the addition of the object measurement points, the increase / decrease of the feature amount, and the change of the dimension reduction conditions / methods. May be done.
  • the object measurement points may be increased in number by complementing the feature amount.
  • an evaluation value for evaluating the result of the first dimension reduction may be output.
  • the interval between the processing conditions after the dimension reduction may be corrected by the interval between the processing conditions before the dimension reduction, and the minimum value thereof may be output as the evaluation value of the dimension reduction.
  • S140 is a learning step of the second dimension reduction method.
  • the result of dimension reduction in S130 (first dimension reduction method) (three dimensions in the present embodiment) is reduced to the number of dimensions of the processing condition type (two dimensions in the present embodiment), and such a second dimension is reduced.
  • a second projection function that performs dimension reduction is learned and generated.
  • a dimension reduction method an LLE (Locally Linear Embedding) method or the like is used.
  • the object measurement points may be increased in number by complementing the feature amount.
  • FIG. 6 is a diagram for explaining a second dimension reduction method according to the present embodiment.
  • FIG. 6A shows the result after the second dimension reduction on the two-dimensional coordinates.
  • Each axis has no physical meaning because it is the second projection function that makes 3D into 2D.
  • FIG. 6B illustrates a function that maps the measurement data of an object processed under different processing conditions projected onto the two-dimensional coordinates after the second dimension reduction to the two-dimensional coordinates of the processed focal position and exposure amount. It is a figure for doing.
  • the mapping function maps the result of dimension reduction to the same dimension as the number of processing condition types to the actual processing condition value. Specifically, a function for converting the two-dimensional coordinate values obtained in S140 into the processed focal position and exposure amount is obtained. As a result, the focal position and the exposure amount can be calculated from the converted values.
  • the processing condition estimation function for estimating the processing condition may be created by another machine learning method, not limited to the dimension reduction method and the mapping method described above. Alternatively, it may be created by a neural network including deep learning.
  • the processing condition estimation function is used within the processing condition range where all the features can be calculated.
  • a plurality of processing condition estimation functions may be created, such as creating a processing condition estimation function in the entire processing condition range except for features that cannot be calculated. This is because the processing condition estimation is performed with a small number of features when the processing conditions are significantly deviated, and the processing condition estimation is performed with a large number of features when the processing conditions are close to the central condition. As described above, there may be a plurality of combinations of the feature amount and the processing condition estimation function.
  • FIG. 2B is a flowchart of the processing condition estimation method.
  • the input unit of the processing condition estimation device 300 inputs an image of the object whose processing condition should be actually estimated.
  • the input image is an image acquired at a predetermined position of the object by using the same method as the image input in S110.
  • the predetermined position of the object is not limited to the same coordinates in the object, but includes a position having a similar structure to the object. For example, if there is a pattern, the position of the same pattern is included, and if there is no pattern, the position of the same film composition is included.
  • the feature amount calculation unit of the processing condition estimation device 300 calculates the feature amount of the input image. Similar to S120, in this embodiment, 17 feature quantities are calculated.
  • the estimation unit of the processing condition estimation device 300 reduces the dimensions of S230 and S240.
  • the feature amount calculated in S220 (17 dimensions in this embodiment) is set between the number of dimensions of the feature amount and the number of processing condition types as in S130.
  • the first dimension reduction is performed in a certain dimension (three dimensions in the present embodiment). The result of performing the first dimension reduction is one point on the three-dimensional coordinates of FIG.
  • the estimation unit of the processing condition estimation device 300 uses the second projection function learned in S140 to reduce the dimensions in S230 (first dimension reduction method), and the result is the processing condition type (in this embodiment).
  • the second dimension is reduced to two dimensions (two types of focal position and exposure amount).
  • the result after the second dimension reduction is one point on the two-dimensional coordinates of FIG. 6A.
  • the estimation unit of the processing condition estimation device 300 maps the result after the second dimension reduction to the two-dimensional coordinates of the focal position and the exposure amount by the mapping function obtained in S150.
  • the result of mapping is one point of the two-dimensional coordinates in FIG. 6 (b). In this way, according to the present embodiment, it is possible to calculate the estimated value of the processing conditions of the focal position and the exposure amount.
  • the processing condition estimation value may be calculated by integrating the results of each.
  • the accuracy of the processing condition estimated value can be calculated between S230 (first dimension reduction method) and S240 (second dimension reduction method).
  • the accuracy is a value for evaluating the accuracy of the estimated processing conditions. For example, if the difference between the learning data and the data for which the processing conditions are estimated is large, it indicates that the estimated processing conditions may have a large error.
  • S230 first dimension reduction method
  • the distance between the point reduced in three dimensions and the curved surface obtained from the learning image as shown in FIG. 5 is output as the accuracy of the estimated value. In this case, the closer the accuracy (for example, Error Rate) is to 0, the higher the accuracy (that is, the higher the accuracy).
  • the accuracy A is expressed by the equation (1).
  • ⁇ j is a correction coefficient (constant).
  • the feature amount obtained from the learning image may be complemented and the number of processing conditions may be increased to perform high accuracy.
  • the accuracy A is expressed by the equation (2).
  • ⁇ j is a correction coefficient (constant).
  • the feature amount obtained with high accuracy by complementation may be used.
  • a pattern-shaped image is used as the measurement data of the object, but other than the image can be used as the measurement data.
  • the processing conditions processing time, gas flow rate, temperature, pressure, etc.
  • the processing conditions processing time, gas flow rate, temperature, pressure, etc.
  • the processing conditions can be estimated without limiting the shape of the object.
  • FIG. 7 is a flowchart relating to (a) a processing condition estimation function creation method and (b) a processing condition estimation method using a neural network according to another embodiment.
  • FIG. 7A is a flowchart of a processing condition estimation function creation method using a neural network. Since the processing condition estimation function and the like are described in FIG. 2 and the like, duplicate description will be omitted.
  • S310 as in S110 of FIG. 2, an image of a predetermined position of an object created in advance under different processing conditions is input. Also in the case of S310, an example of image input described with reference to FIG. 3 is used.
  • the feature amount of the input image is calculated.
  • an example for calculating the feature amount described with reference to FIG. 4 is used.
  • S330 is a learning step of a method for reducing the dimension of features.
  • the number of dimensions of the feature amount obtained in S320 (17 dimensions because the line width is 17 in the case of FIG. 4) is the number of dimensions of the number of processing condition types for processing the object (in the case of FIG. 3, the focal position and the exposure amount). Since there are two types, the dimension is reduced to 2 dimensions), and a projection function that performs such dimension reduction is learned and generated.
  • a neural network or the like is used as a dimension reduction method. Note that this processing condition type is the processing condition estimated by the processing condition estimation device according to the present embodiment.
  • FIG. 8 is a diagram for explaining an example of a configuration of a neural network that performs dimension reduction according to another embodiment.
  • there are three hidden layers and the nodes of the first and second layers are 32, and the nodes of the third layer are 16.
  • FIG. 8 is a processing condition estimation function that inputs 17 measurement data (here, 17 image features) and outputs estimated values of 2 processing conditions (here, focus position and exposure amount). Is shown as an example of constructing a neural network.
  • x 0 and z k, 0 are constants 1.
  • the nodes of each layer are calculated by the formulas (3) to (5).
  • Wi and jk are real numbers, i is an input number, j is a node number of each layer, and k is a hidden layer number.
  • f i and j are called activation functions, and sigmoid functions and hyperbolic tangent functions are used.
  • Learning is to optimize W i, the value of j k so that the processing conditions are output when the input feature values.
  • the gradient descent method, the quasi-Newton method, the momentum method, the Adam method, the LBFGS method (Limited-memory BFGS), the SGD (Stochastic Gradient Descent) method and the like are used.
  • the feature amount to be input may be normalized so as to be within a predetermined range as a preprocessing before input. When the process processing condition of the output value is normalized, the process of returning to the original process condition is performed as post-processing.
  • the feature amount extracted by the feature amount extraction unit is input to the estimation unit, but when the measurement data (here, image data) is directly input to the estimation unit instead of the feature amount extracted by the feature amount extraction unit.
  • the measurement data here, image data
  • the estimation unit instead of the feature amount extracted by the feature amount extraction unit.
  • CNN Convolutional Neural Network
  • S340 is a step of obtaining a feature amount estimation function for obtaining the feature amount input of S330 from the process processing conditions.
  • a case where the feature amount is estimated by using a neural network as in S330 will be described.
  • FIG. 9 is a diagram for explaining an example of a configuration of a neural network for estimating a feature amount according to another embodiment.
  • the nodes of the first and second layers are composed of eight, and the nodes of the third layer are composed of four.
  • y i is the process processing condition
  • x i is the estimated value of the feature quantity.
  • the number of features is 17, and the process conditions are two, the focal position and the exposure amount, the number of neural networks shown in FIG. 9 is 17.
  • Each parameter is the same as S330, and the learning method is the same.
  • the feature amount estimation function is constructed by a neural network, but other interpolation methods such as the Bi-Linear method and the Bi-Cubic method may be used. Note that S340 may be omitted when accuracy calculation, learning result evaluation, or the like is not performed.
  • the accuracy of the processing condition estimation function obtained in S330 and the feature amount estimation function obtained in S340 may be improved by repeatedly re-learning S330 using the feature amount estimated in S340.
  • FIG. 10 and 11 are graphs displaying values or errors estimated from the focal position and the exposure amount.
  • FIG. 10 shows the case where there is no re-learning
  • FIG. 11 shows the case where there is re-learning.
  • the coordinate axes of each graph are the focal position on the x-axis, the exposure amount on the y-axis, and the estimated value or error on the z-axis.
  • the graph of FIG. 10A is a plot of the focal position on the x-axis, the exposure amount on the y-axis, and the estimated focal position on the z-axis.
  • FIG. 10B is a plot of the focal position on the x-axis, the exposure amount on the y-axis, and the estimated exposure amount on the z-axis.
  • FIG. 10C is a plot of the focal position on the x-axis, the exposure amount on the y-axis, and the focal position estimation error on the z-axis.
  • the focal position estimation error is an absolute value of the difference between the focal position and the focal position estimated value.
  • FIG. 10D plots the focal position on the x-axis, the exposure amount on the y-axis, and the exposure amount estimation error on the z-axis.
  • the exposure amount estimation error is an absolute value of the difference between the exposure amount and the exposure amount estimation value.
  • the triangle marks indicate the focal position estimated value or the exposure amount estimated value estimated by the neural network learned in S330 from the feature amount extracted from the image used for learning.
  • the black circles are the focal position estimated value or the exposure amount estimated value estimated by the neural network learned in S330 from the feature amount estimated by the neural network learned in S340 from the exposure amount and the focal position.
  • the focal position estimation error or the exposure amount estimation error (triangle) estimated from the features used in the learning from FIGS. 10 (c) and 10 (d) is small, and the features estimated from the exposure amount and the estimated value by the neural network learned in S340. It can be seen from the quantity that the focal position estimation error or the exposure amount estimation error (black circle) estimated by the neural network learned in S330 is large.
  • the plots are divided for each estimation processing condition as shown in FIGS. 10 (c) and 10 (d), but each error may be multiplied by a correction coefficient and summed to form a single plot.
  • the estimation accuracy is high for the exposure amount and the focal position used for learning in S330, but the estimation accuracy is poor for other than that.
  • the learning result performed in S330 can be evaluated.
  • the learning results are evaluated using images of the target positions of a large number of samples with different processing conditions, but for that purpose, a large number of samples must be prepared and measured.
  • FIGS. 11 (a), 11 (b), (c), and (d) are the results estimated by the retrained neural network. Similar to FIGS. 10 (a), (b), (c), and (d), the x-axis is the focal position, the y-axis is the exposure amount, and the z-axis is the focal position estimated value, the exposure amount estimated value, and the focal position estimation, respectively. It is an error and an exposure amount estimation error.
  • the focal position estimation error and the exposure amount estimation error (black circles) estimated from the feature amount estimated in S340 are smaller than those before relearning (FIG. 10), and the estimation accuracy is improved. In this way, the estimation accuracy can be improved by re-learning S330 based on the feature amount estimated in S340.
  • the neural network configuration can be changed, the type of feature amount and extraction pattern can be changed, images with different processing conditions can be added to the training image, and images at different positions with the same processing conditions can be added. You may add it.
  • neural network used in S330 and S340 is not limited to the one shown here, and the number of layers, the number of nodes, the activation function, etc. may be changed.
  • FIG. 7B is a flowchart of the processing condition estimation method.
  • the input unit of the processing condition estimation device 300 inputs an image of an object whose processing condition should be actually estimated.
  • the input image is an image acquired at a predetermined position of the object by using the same method as the image input in S310.
  • the predetermined position of the object is not limited to the same coordinates in the object, but includes a position having a similar structure to the object. For example, if there is a pattern, the position of the same shape pattern is included, and if there is no pattern, the position of the same film configuration is included.
  • the feature amount calculation unit of the processing condition estimation device 300 calculates the feature amount of the input image. Similar to S320, in this embodiment, 17 feature quantities are calculated.
  • the estimation unit of the processing condition estimation device 300 reduces the dimension of S430.
  • S430 using the neural network learned in S330 (learned neural network), the feature quantity (17 dimensions in this case) calculated in S420 is converted into the number of processing condition types (here, 17 dimensions) in the same manner as in S330. Dimension reduction is performed in 2 dimensions). In this way, it is possible to calculate the estimated value of the processing conditions of the focal position and the exposure amount.
  • the normalized value When a normalized processing condition value is used as the output value of the neural network, the normalized value may be returned to the processing condition value as post-processing. Further, when there are combinations of a plurality of feature quantities and the processing condition estimation function, the processing condition estimation value may be calculated by integrating the results of each.
  • the accuracy of the processing condition estimated value can be calculated by S440 and S450.
  • the accuracy is a value for evaluating the accuracy of the estimated processing conditions. For example, if the difference between the learning data and the data for which the processing conditions are estimated is large, it indicates that the estimated processing conditions may have a large error.
  • each feature amount is estimated using the neural network (learned neural network) learned in S340 by inputting the processing condition estimated value obtained in S430.
  • the sum of squares of the difference between each feature amount estimated in S440 and the feature amount obtained from the input image calculated in S420 is output as the accuracy. In this case, the closer the accuracy is to 0, the higher the accuracy.
  • the pattern-shaped SEM image was used as the measurement data of the object, but other than the SEM image can be used as the measurement data.
  • the processing conditions processing time, gas flow rate, temperature, pressure, etc.
  • the accuracy is not limited to the above, and may be obtained as long as it is a value for evaluating the processing condition estimation accuracy.
  • the processing conditions can be estimated without limiting the shape of the object.
  • the present invention is not limited to the description of the embodiment of the above invention. Various modifications are also included in the present invention as long as those skilled in the art can easily conceive without departing from the description of the scope of claims.
  • the input unit may perform filter processing such as noise removal on the input image data.
  • the measurement data of the same location of the object created under different processing conditions may be acquired, and the feature amount may be extracted from this image.
  • the present invention is not limited to manifold learning such as LLE and neural networks, and other machine learning methods may be used.
  • the relationship between the extracted features and the processing conditions may be analyzed and a relationship rule may be generated.
  • the processing condition for performing the conditional swing may be only one of the focal position and the exposure amount of the exposure process.
  • the processing conditions for swinging the conditions may be any one or a combination of processing time such as etching and thin film growth, RF power, processing temperature, processing pressure, and gas flow rate.
  • the feature amount is either pixel value, line width, space width, pattern pitch, curvature, edge position, inclination, edge width, pattern area, space area, reflected light spectrum, etc. Or it may be a combination.
  • processing condition estimation device is applicable not only to semiconductor wafers but also to masks (photomasks, EUV masks, etc.), FPDs, interposers, and TSVs (Through-Silicon Vias) printed circuit boards.
  • Exposure device 100 Semiconductor manufacturing system 200 Exposure device 300 Central processing unit (processing condition estimation device) 400 Shape measuring device (CD-SEM)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)

Abstract

対象物の形状などを制限することなく、処理条件を推定する技術を提供する。　対象物を処理した処理条件を推定する処理条件推定装置であって、前記対象物の所定の位置で取得した測定データを入力する入力部と、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定する推定部と、を備える処理条件推定装置。

Description

処理条件推定装置、方法及びプログラム
　本発明の実施形態は、処理装置が処理した対象物の測定データから、対象物の形状などを制限することなく、処理条件を推定する技術に関する。
　半導体デバイス製造では、微細化に伴い処理マージンがますます小さくなっているため、露光装置などの処理装置が処理した対象物が所定の範囲内で処理されていることを確認することが重要となっている。
　一般的には、最適な露光条件は、走査型電子顕微鏡（ＣＤ－ＳＥＭ；Ｃｒｉｔｉｃａｌ　Ｄｉｍｅｎｓｉｏｎ－Ｓｃａｎｎｉｎｇ　Ｅｌｅｃｔｒｏｎ　Ｍｉｃｒｏｓｃｏｐｅ）などの形状測定装置で所定のレジストなどのパターン形状を測定して決定される。この場合、レジストパターン形状だけでなく、エッチング後のパターン形状の測定も行い、両方の確認が行われる。
　特許文献１は、ＣＤ－ＳＥＭなどで求めた、レジストパターン形状の線幅と基準値とのずれ量から、露光装置の焦点及び露光量のオフセット量を求める技術を開示している。
特開２００７－２０８２４５号公報
　しかしながら、レジストパターン形状のどこを基準とするかは、シミュレーションに委ねられ、固定されている。また、対象物とされるレジストパターンも直線パターンやコンタクトホールなど決められた形状しか扱えないという問題がある。
　本発明は、このような課題に着目して鋭意研究され完成されたものであり、その目的は、対象物の形状などを制限することなく、処理条件を推定する技術を提供することにある。
　上記課題を解決するために、第１の発明は、対象物を処理した処理条件を推定する処理条件推定装置であって、前記対象物の所定の位置で取得した測定データを入力する入力部と、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定する推定部と、を備える処理条件推定装置である。
　第２の発明は、対象物を処理した処理条件を推定する処理条件推定方法であって、前記対象物の所定の位置で取得した測定データを入力し、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定する処理条件推定方法である。
　第３の発明は、対象物を処理した処理条件を推定する処理条件推定プログラムであって、前記対象物の所定の位置で取得した測定データを入力するステップと、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定するステップと、をコンピュータに実行させる処理条件推定プログラムである。
　本発明によれば、対象物の形状などを制限することなく、処理条件を推定する技術を提供することができる。
本発明の実施形態に係る処理条件推定装置を含む半導体製造システムの概略構成図である。 本発明の実施形態に係る（ａ）処理条件推定関数作成方法及び（ｂ）処理条件推定方法に関するフローチャートである。 本発明の実施形態に係る画像入力の一例を示す図である。 本発明の実施形態に係る特徴量を算出するための点の一例を示す図である。 本発明の実施形態に係る第１の次元削減方法を説明するための図である。 本発明の実施形態に係る第２の次元削減方法を説明するための図である。 本発明の他の実施形態に係る、ニューラルネットワークを用いた（ａ）処理条件推定関数作成方法及び（ｂ）処理条件推定方法に関するフローチャートである。 本発明の他の実施形態に係る、次元削減を行うニューラルネットワークの構成の一例を説明するための図である。 本発明の他の実施形態に係る、特徴量推定を行うニューラルネットワークの構成の一例を説明するための図である。 焦点位置及び露光量から推定した値又は誤差を表示するグラフ（その１：再学習無し）である。 焦点位置及び露光量から推定した値又は誤差を表示するグラフ（その２：再学習有り）である。
　図面を参照しながら本発明の実施の形態を説明する。ここで、各図において共通する部分には同一の符号を付し、重複した説明は省略する。
［Ａ．本実施形態の概要］
　図１は、本実施形態に係る処理条件推定装置を含む半導体製造システムの概略構成図である。半導体製造システム１００は、露光装置２００と、中央演算処理装置３００と、形状測定装置４００を備える。各装置は有線又は無線の通信ネットワークで接続されている。中央演算処理装置３００が、本実施形態に係る処理条件推定装置に相当する。なお、半導体製造システム１００は、本実施形態に係る処理条件推定装置が適用される一例である。本実施形態に係る処理条件推定装置は、例えば、マスク製造システムやＦＰＤ（Ｆｌａｔ　Ｐａｎｅｌ　Ｄｉｓｐｌａｙ）製造システムやプリント基板製造システムなどにも適用可能である。
　露光装置２００は、マスク上に形成されているパターンをウェハ上に塗布されたレジストに露光する露光装置である。露光装置２００が、本実施形態に係る対象物を処理する処理装置に相当する。
　形状測定装置４００は、走査型電子顕微鏡（ＣＤ－ＳＥＭ）であり、マスクを介してウェハ上に塗布されたレジストを露光する露光装置２００を用いてウェハ上に形成されたレジストパターンの立体形状の情報を取得する。形状測定装置４００が、本実施形態に係る測定データを測定する測定装置に相当する。ここで、測定する対象物はレジストパターンとは限らず、エッチング後のパターンなどでもよいし、半導体製造に限らずマスク製造やＦＰＤ製造やプリント基板製造など対象物に処理を行うものであれば何でもよい。
　ここでは、測定データとして対象物のＳＥＭ画像を用いるが、測定データとしては対象物の画像に限らず直線パターンの線幅やコンタクトホールの穴径などの測定値や光学画像や反射スペクトルなど対象物を測定して得られるデータを用いてもよい。
　中央演算処理装置（以下「処理条件推定装置」という）３００は、対象物を処理した処理条件を推定する処理条件推定装置であって、入力部、特徴量算出部、推定部という機能ブロックを備える。入力部は、対象物の所定の位置で取得した測定データを入力する。特徴量算出部は、入力された対象物の測定データから特徴量を算出する。推定部は、測定データ及び特徴量の少なくとも一方を入力して処理条件の推定値を出力する処理条件推定関数に基づいて、入力された対象物の測定データ及び特徴量の少なくとも一方から、対象物を処理した処理条件を推定する。ここで、特徴量算出部と推定部の機能を分けて説明したが、機能を明確に分離する必要はなく、特徴量算出部と推定部を合わせて推定部として実装してもよい。
　合せて実装する場合は、推定部は、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、入力された対象物の測定データから、対象物を処理した処理条件を推定する。なお、処理条件推定装置３００は、推定した処理条件を表示する表示部をさらに備えてもよい。
　処理条件推定装置３００は機能ブロックであり、ハードウェアでの実装に限られず、プログラム等のソフトウェアとしてコンピュータに実装されていてもよく、その実装形態は限定されない。例えば、パーソナルコンピュータ等のクライアント端末と有線又は無線の通信回線（インターネット回線など）に接続された専用サーバにインストールされて実装されていてもよいし、いわゆるクラウドサービスを利用して実装されていてもよい。
［Ｂ．処理条件推定方法］
　図２は、本実施形態に係る（ａ）処理条件推定関数作成方法及び（ｂ）処理条件推定方法に関するフローチャートである。
（ｂ１．処理条件推定関数作成方法のフローチャートの説明）
　図２（ａ）は、処理条件推定関数作成方法のフローチャートである。ここで、処理条件推定関数とは、測定装置で取得した対象物の測定データから対象物を処理した処理条件を推定する関数、入力が対象物の測定データで出力が対象物を処理した処理条件の推定値である関数のことである。本実施形態では、対象物を露光装置で処理した処理条件（焦点位置と露光量）を走査型電子顕微鏡で測定した画像から推定している。
　Ｓ１１０では、異なる処理条件により予め作成された対象物の所定の位置の画像を入力する。
　図３は、本実施形態に係る画像入力の一例を示す図である。この図の横軸は、露光装置２００の焦点位置を表し、縦軸は露光量を表す。そして、図に示す割合で予め測定した複数の画像が表示されている。ここで、焦点位置や露光量などの数を処理条件種類数という。図３の場合、処理条件種類数は２つ（焦点位置と露光量）である。また、露光量の条件を３通り（－８％、±０％、＋８％）に振り、焦点位置の条件を５通り（－６０ｎｍ、－３０ｎｍ、±０ｎｍ、＋３０ｎｍ、＋６０ｎｍ）に振っているため、全体の処理条件数は１５になる。ここで、画像には多種類のパターンや処理条件に敏感なパターンが多く含まれていることが望ましい。また、１処理条件の画像は、1枚ではなく対象物の複数箇所で取得した複数画像でもよい。
　また、処理条件は、焦点位置と露光量の２種類に限られず、対象物の、または、対象物上に形成された薄膜の膜厚、エッチング条件などでもよい。また、処理条件が対象物上に形成された薄膜の膜厚やエッチング処理時間やエッチングガス流量やエッチングＲＦパワーなどウェハ内で変えられない条件である場合、複数のウェハを異なる処理条件で処理しそれぞれの処理条件に対する画像をそれぞれのウェハから取得してもよい。
　Ｓ１２０では、入力した画像の特徴量を算出する。
　図４は、本実施形態に係る特徴量を算出するための一例を示す図である。図４（ａ）は実際のパターン画像に印した実線の線幅を特徴量として測定する。この実線の部分は１７個あり、１７個の線幅を特徴量として算出したことになる。図４（ｂ）は、測定する線幅をわかりやすく表示するために、パターン画像の枠線だけを表示した図である。測定した線幅の部分を楕円形状で覆っている。ここで、測定した線幅は一例であり、これに限定されず、パターンのエッジ位置やエッジ傾斜や曲率や面積などでもよい。また、特徴量としてＳ１１０で入力した画像の各画素値（全画素値を含む）や各画素値から算出される値を用いてもよい。例えば、画像の特定部分の画素値を特徴量とする場合は、入力部は入力した画像データの特定部分（例えば、パターン領域やパターンエッジが変化している領域）を設定し、特定部分の大きさが幅Ｗ画素、高さＨ画素の矩形領域の場合はＷ×Ｈ個の画素値を測定データとして出力する。これは、後で行う第１の次元削減の入力次元数がＷ×Ｈ次元であることを意味する。また、特定部分の大きさが矩形ではない領域の場合は、特定部分に含まれる画素数個の画素値を測定データとして出力してもよい。このような場合、特定部分が、処理条件に依存して変化する領域を含むように設定してもよい。入力した画像データ全体の画素を用いるのではなく、特定部分の画素に限定することによって、特徴量算出部や推定部での計算処理量を低減することが可能である。
　Ｓ１３０は、第１の次元削減方法の学習ステップである。Ｓ１２０で求めた特徴量の次元数（本実施形態では１７か所の線幅なので１７次元）を、対象物を処理した処理条件種類数の次元数（本実施形態では焦点位置と露光量の２種類なので２次元）との中間である３次元にまで次元削減し、このような第１の次元削減を行う第１の射影関数を学習生成する。ここでは、処理条件種類数に１加えた３次元に削減したが、これに限られず特徴量の次元数と処理条件種類の次元数の間であればよい。次元削減方法として、ここでは多様体学習法の一つであるＬＬＥ（Ｌｏｃａｌｌｙ　Ｌｉｎｅａｒ　Ｅｍｂｅｄｄｉｎｇ）法などを用いる。なお、この処理条件種類が、本実施形態に係る処理条件推定装置が推定する処理条件である。
　図５は、本実施形態に係る第１の次元削減方法を説明するための図である。第１の次元削減後の結果を３次元座標上に表示したものである。すなわち、１７次元の学習データが３次元上の曲面に投影されていることを意味する。また、１７次元を３次元にする第１の射影関数のため、各軸には物理的な意味は無い。ここで、第１の次元削減の結果が不十分な場合（処理条件間の次元削減後間隔が十分でない場合）は、対象物測定点の追加や特徴量の増減や次元削減条件・方法の変更を行ってもよい。また、対象物測定点は特徴量を補完して点数を増加させてもよい。
　ここで、第１の次元削減の結果を評価する評価値を出力してもよい。例えば、次元削減後の各処理条件間の間隔を次元削減前の各処理条件間の間隔で補正して、その最小値を次元削減の評価値として出力してもよい。
　Ｓ１４０は、第２の次元削減方法の学習ステップである。Ｓ１３０（第１の次元削減方法）で次元削減した結果（本実施形態では３次元）を、処理条件種類の次元数（本実施形態では２次元）にまで次元削減し、このような第２の次元削減を行う第２の射影関数を学習生成する。ここでは、次元削減方法として、ＬＬＥ（Ｌｏｃａｌｌｙ　Ｌｉｎｅａｒ　Ｅｍｂｅｄｄｉｎｇ）法などを用いる。ここで、第２の次元削減の結果が不十分な場合（処理条件間の次元削減後間隔が十分でない場合）は、対象物測定点の追加や特徴量の増減や次元削減条件・方法の変更を行ってもよい。また、対象物測定点は特徴量を補完して点数を増加させてもよい。
　図６は、本実施形態に係る第２の次元削減方法を説明するための図である。図６（ａ）は第２の次元削減後の結果を２次元座標上に表示したものである。３次元を２次元にする第２の射影関数のため、各軸には物理的な意味は無い。
　Ｓ１５０では、マッピング関数を算出する。図６（ｂ）は、第２の次元削減後の２次元座標に投影した異なる処理条件で処理した対象物の測定データを、処理した焦点位置と露光量の２次元座標にマッピングする関数を説明するための図である。
　マッピング関数は、処理条件種類数と同じ次元まで次元削減した結果を実際の処理条件値にマッピングする。具体的には、Ｓ１４０で求めた２次元座標値を処理した焦点位置と露光量に変換する関数を求める。これによって、変換後の値から焦点位置と露光量を算出することができる。
　Ｓ１３０及びＳ１４０の学習ステップとＳ１５０のマッピング関数算出では、上述した次元削減方法やマッピング方法に限らず、他の機械学習法によって、処理条件を推定するための処理条件推定関数を作成してもよいし、また、ディープ・ラーニングを含むニューラルネットワークによって作成してもよい。
　また、一部の特徴量を算出できない処理条件が存在する場合（例えば、パターン欠損や隣接パターンと結合している場合など）、全ての特徴量を算出可能な処理条件範囲で処理条件推定関数を作成し、算出できない特徴量を除いて全ての処理条件範囲で処理条件推定関数を作成するなど、複数の処理条件推定関数を作成してもよい。これは、処理条件が大きく外れている場合は少ない特徴量で処理条件推定を行い、処理条件が中心条件に近い場合は多くの特徴量でより正確な処理条件推定を行うためである。このように特徴量と処理条件推定関数との組合せは複数でもよい。
（ｂ２．処理条件推定方法のフローチャートの説明）
　図２（ｂ）は、処理条件推定方法のフローチャートである。
　Ｓ２１０では、Ｓ１１０と同様に、処理条件推定装置３００の入力部が、実際に処理条件を推定すべき対象物の画像を入力する。ここで、入力される画像は、Ｓ１１０で入力した画像と同様の方法を用いて、対象物の所定の位置で取得した画像である。対象物の所定の位置とは対象物内の同一座標とは限らず対象物の同様な構造を有する位置を含む。例えば、パターンがある場合は同じパターンの位置、パターンがない場合は同じ膜構成の位置を含む。
　Ｓ２２０では、処理条件推定装置３００の特徴量算出部が、入力した画像の特徴量を算出する。Ｓ１２０と同様に、本実施形態では１７個の特徴量を算出する。
　処理条件推定装置３００の推定部が、Ｓ２３０及びＳ２４０の次元削減を行う。Ｓ２３０では、Ｓ１３０で学習した第１の射影関数を用いて、Ｓ２２０で算出した特徴量（本実施形態では、１７次元）を、Ｓ１３０と同様に特徴量の次元数と処理条件種類数の中間である次元（本実施形態では、３次元）に第１の次元削減を行う。第１の次元削減を行った結果は図５の３次元座標上の１点となる。
　Ｓ２４０では、処理条件推定装置３００の推定部が、Ｓ１４０で学習した第２の射影関数を用いて、Ｓ２３０（第１の次元削減方法）で次元削減した結果を、処理条件種類（本実施形態では焦点位置と露光量の２種類）の２次元にまで第２の次元削減を行う。第２の次元削減後の結果は、図６（ａ）の２次元座標上の１点となる。
　Ｓ２５０では、処理条件推定装置３００の推定部が、Ｓ１５０で求めたマッピング関数によって、第２の次元削減後の結果を焦点位置と露光量の２次元座標にマッピングする。マッピングした結果は図６（ｂ）の２次元座標の１点となる。このようにして、本実施形態によれば、焦点位置と露光量の処理条件の推定値を算出することができる。
　複数の特徴量と処理条件推定関数との組合せがある場合は、それぞれの結果を総合して処理条件推定値を算出してもよい。
　また、本実施形態では、Ｓ２３０（第１の次元削減方法）とＳ２４０（第２の次元削減方法）の間に、処理条件推定値の確度を算出することができる。確度とは推定された処理条件の正確性を評価する値である。例えば、学習データと処理条件を推定したデータとの違いで、学習データとの違いが大きければ、推定した処理条件は誤差が大きい可能性があることを示している。これは、Ｓ２３０（第１の次元削減方法）が、特徴量の次元数と処理条件種類の次元数との中間の次元数に設定しているために、処理条件推定値の確度を算出することができる。例えば、Ｓ２３０（第１の次元削減方法）の後に、図５のように３次元に次元削減された点と学習画像から求められた曲面との距離を推定値の確度として出力する。この場合、確度（例えばＥｒｒｏｒ　Ｒａｔｅ）は０に近いほど確度が高い（すなわち、正確性が高くなる）ことになる。
（ｂ３．確度算出方法１：次元削減を２段階で行う場合）
　図２（ｂ）で説明した２段階の次元削減（Ｓ２３０、Ｓ２４０）の場合の、確度算出（Ｓ２６０）方法について説明する。ｉ番目の学習画像から求めた第１の次元削減（Ｓ２３０）の結果をＰi,jとする。ここでは、ｊは第１の次元削減後の次元を表す。また、推定する対象物から求めた第１の次元削減結果をＳｊとする。
　確度Ａは、式（１）で表される。
Figure JPOXMLDOC01-appb-M000001
 　ここで、σjは補正係数（定数）である。また、学習画像から求めた特徴量を補完して処理条件数を増やして高精度に行ってもよい。
（ｂ４．確度算出方法１：次元削減を１段階で行う場合）
　次元削減は、２段階で行うことが必須ではなく、１段階で行ってもよい。２段階次元削減のように次元削減の中間結果が存在しない場合、処理条件推定後に、確度Ａを求めればよい。ここでは、推定する対象物から求めたj番目の特徴量をSjとする。また、推定した処理条件に最も近い学習画像のj番目の特徴量をPjとする。
　確度Ａは、式（２）で表される。
Figure JPOXMLDOC01-appb-M000002
 　ここで、σjは補正係数（定数）である。また、推定した処理条件に最も近い学習画像の特徴量は、補完により高精度に求めた特徴量を用いてもよい。
　本実施形態では対象物の測定データとしてパターン形状の画像を用いたが、測定データとしては画像以外を用いることもできる。例えば、対象物の反射光スペクトルを測定データとして対象物上に形成された薄膜の処理条件（処理時間やガス流量や温度や圧力など）を推定してもよい。
［Ｃ．作用効果］
　上述した通り、本実施形態によれば、対象物の形状などを制限することなく、処理条件を推定することができる。
［Ｄ．他の処理条件推定方法］
　ここからは、他の処理条件推定方法について説明する。図７は、他の実施形態に係るニューラルネットワークを用いた（ａ）処理条件推定関数作成方法及び（ｂ）処理条件推定方法に関するフローチャートである。
（ｄ１．処理条件推定関数作成方法のフローチャートの説明）
　図７（ａ）は、ニューラルネットワークを用いた処理条件推定関数作成方法のフローチャートである。処理条件推定関数などについては、図２などで説明しているため、重複した説明は省略する。
　Ｓ３１０では、図２のＳ１１０と同様、異なる処理条件により予め作成された対象物の所定の位置の画像を入力する。Ｓ３１０の場合も、図３で説明した画像入力の一例を用いる。
　Ｓ３２０では、入力した画像の特徴量を算出する。Ｓ３２０の場合も、図４で説明した特徴量を算出するための一例を用いる。
　Ｓ３３０は、特徴量の次元削減方法の学習ステップである。Ｓ３２０で求めた特徴量の次元数（図４の場合、１７か所の線幅なので１７次元）を、対象物を処理した処理条件種類数の次元数（図３の場合、焦点位置と露光量の２種類なので２次元）にまで次元削減し、このような次元削減を行う射影関数を学習生成する。次元削減方法として、ニューラルネットワークなどを用いる。なお、この処理条件種類が、本実施形態に係る処理条件推定装置が推定する処理条件である。
　図８は、他の実施形態に係る次元削減を行うニューラルネットワークの構成の一例を説明するための図である。ここでは、３層の隠れ層があり、１層目と２層目のノードは３２個、３層目のノードは１６個で構成されている。
　ｘｉはＳ３２０で算出した特徴量、ｙｉはプロセス処理条件の推定値である。ここでは、特徴量は１７個、プロセス条件は焦点位置と露光量の２個である。すなわち、図８は、１７個の測定データ（ここでは１７個の画像の特徴量）を入力し、２個の処理条件（ここでは焦点位置と露光量）の推定値を出力する処理条件推定関数をニューラルネットワークで構成した例を表している。
　また、ｘ０やｚｋ，０は定数１である。各層のノードは、数式（３）～（５）で計算される。
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
Figure JPOXMLDOC01-appb-M000005
　ここで、Ｗｉ，ｊ ｋは実数であり、ｉは入力番号、ｊは各層のノード番号、ｋは隠れ層の番号である。ｆｉ，ｊは活性化関数とよばれ、シグモイド関数や双曲線正接関数などが使用される。学習とは、特徴量を入力したときに処理条件が出力されるようにＷｉ，ｊ ｋの値を最適化することである。この最適化には勾配降下法、準ニュートン法、モーメンタム法、Ａｄａｍ法、ＬＢＦＧＳ法（Limited-memory BFGS）、ＳＧＤ（Stochastic Gradient Descent）法などを用いる。入力する特徴量は入力前に前処理として所定の範囲内となるように正規化を行ってもよい。出力値のプロセス処理条件に正規化を行った場合、後処理として元のプロセス条件に戻す処理を行う。
　ここでは、特徴量抽出部で抽出した特徴量を推定部への入力としたが、特徴量抽出部で抽出した特徴量ではなく、測定データ（ここでは画像データ）を直接推定部へ入力する場合は、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）などを用いて処理条件推定関数を構成してもよい。また、計算処理量を削減するため、入力する画像データの特定部分としてパターン領域やパターンエッジが変化している領域のみを使用してもよい。
　Ｓ３４０はプロセス処理条件からＳ３３０の入力とした特徴量を求める特徴量推定関数を求めるステップである。ここでは、Ｓ３３０と同様にニューラルネットワークを用いて特徴量を推定する場合を説明する。
　図９は、他の実施形態に係る特徴量推定を行うニューラルネットワークの構成の一例を説明するための図である。ここでは、３層の隠れ層があり、１層目と２層目のノードは８個、３層目のノードは４個で構成されている。ｙｉはプロセス処理条件、ｘｉは特徴量の推定値である。ここでは、特徴量は１７個、プロセス条件は焦点位置と露光量の２個であるため、図９で示されるニューラルネットワークは１７個となる。各パラメータはＳ３３０と同様で、学習方法は同様な方法で行う。ここでは、特徴量推定関数をニューラルネットワークで構成したが、他の補間方法、例えばBi-Linear法やBi-Cubic法などを用いてもよい。なお、Ｓ３４０は確度算出や学習結果評価等を行わない場合、省略してもよい。
　また、Ｓ３４０で推定した特徴量を用いてＳ３３０を再学習するなど繰り返して行うことにより、Ｓ３３０で求めた処理条件推定関数とＳ３４０で求めた特徴量推定関数の精度を向上させてもよい。
　図１０及び図１１は、焦点位置及び露光量から推定した値又は誤差を表示するグラフである。図１０は、再学習が無い場合を、図１１は再学習が有る場合を示している。
　各グラフの座標軸は、図１０（ａ）に一例を示す通り、ｘ軸が焦点位置、ｙ軸が露光量、ｚ軸が推定した値又は誤差である。図１０(a)のグラフは、x軸に焦点位置、y軸に露光量、z軸に推定した焦点位置をプロットしたものである。図１０（ｂ）は、x軸に焦点位置、y軸に露光量、z軸に推定した露光量をプロットしたものである。図１０（ｃ）は、x軸に焦点位置、y軸に露光量、z軸に焦点位置推定誤差をプロットしたものである。ここで、焦点位置推定誤差としては、焦点位置と焦点位置推定値との差の絶対値としている。図１０（ｄ）は、x軸に焦点位置、y軸に露光量、z軸に露光量推定誤差をプロットしたものである。ここで、露光量推定誤差としては、露光量と露光量推定値との差の絶対値としている。
　図１０の各グラフで、三角印は、学習に用いた画像から抽出した特徴量からＳ３３０で学習したニューラルネットワークで推定した焦点位置推定値または露光量推定値を示す。黒丸印は、露光量と焦点位置からＳ３４０で学習したニューラルネットワークで推定した特徴量を、Ｓ３３０で学習したニューラルネットワークで推定した焦点位置推定値または露光量推定値である。図１０（ｃ）および（ｄ）から学習で用いた特徴量から推定した焦点位置推定誤差または露光量推定誤差（三角）は小さく、Ｓ３４０で学習したニューラルネットワークで露光量と推定値から推定した特徴量からＳ３３０で学習したニューラルネットワークで推定した焦点位置推定誤差または露光量推定誤差（黒丸）は大きくなっていることがわかる。ここでは、図１０（ｃ）、（ｄ）のように推定処理条件毎に分けてプロットしたが、各誤差に補正係数を掛けて和をとることにより、１つのプロットにまとめてもよい。
　このようにＳ３３０で学習に用いた露光量と焦点位置に対しては推定精度が高いが、それ以外に対しては推定精度が悪くなっていることがわかる。学習に用いた画像からの推定値以外の処理条件に対する推定結果を求めることにより、Ｓ３３０で行った学習結果の評価を行うことができる。学習結果の評価は、多数の処理条件の異なるサンプルの対象位置の画像を用いても行うのが理想的であるが、そのためには多数のサンプル作成と測定が必要となる。
特に、半導体製造では多数の異なる処理条件のサンプルを作成すること、さらに多数のサンプルの対象位置のサンプル画像を取得することは、非常にコストが掛かり困難であるため、推定した特徴量を用いて処理条件推定学習結果の評価を行うことは有用である。
　処理条件推定学習結果の評価で推定誤差が大きい場合など、Ｓ３３０で行った学習にＳ３４０で露光量と焦点位置から推定した特徴量を追加してＳ３３０の再学習を行ってもよい。図１１(a)、(b)、(c)、(d)は再学習したニューラルネットワークで推定した結果である。図１０(a)、(b)、(c) 、(d)と同様にx軸は焦点位置、y軸は露光量、z軸はそれぞれ、焦点位置推定値、露光量推定値、焦点位置推定誤差、露光量推定誤差である。再学習前（図１０）と比較してＳ３４０で推定した特徴量から推定した焦点位置推定誤差および露光量推定誤差（黒丸）が小さくなり、推定精度が向上していることがわかる。このように、Ｓ３４０で推定した特徴量によりＳ３３０を再学習することにより推定精度を向上させることができる。
また、推定誤差が大きい場合、ニューラルネットワークの構成を変更したり、特徴量の種類や抽出パターンを変更したり、学習画像に処理条件の異なる画像追加したり、同一処理条件の異なる位置の画像を追加してもよい。
　また、Ｓ３３０及びＳ３４０で用いたニューラルネットワークはここで示されたものに限られるのではなく、層数やノード数や活性化関数など変更してもよい。
（ｄ２．処理条件推定方法のフローチャートの説明）
　図７（ｂ）は、処理条件推定方法のフローチャートである。
　Ｓ４１０では、Ｓ３１０と同様に、処理条件推定装置３００の入力部が、実際に処理条件を推定すべき対象物の画像を入力する。ここで、入力される画像は、Ｓ３１０で入力した画像と同様の方法を用いて、対象物の所定の位置で取得した画像である。対象物の所定の位置とは対象物内の同一座標とは限らず対象物の同様な構造を有する位置を含む。例えば、パターンがある場合は同一形状パターンの位置、パターンがない場合は同じ膜構成の位置を含む。
　Ｓ４２０では、処理条件推定装置３００の特徴量算出部が、入力した画像の特徴量を算出する。Ｓ３２０と同様に、本実施形態では１７個の特徴量を算出する。
　処理条件推定装置３００の推定部が、Ｓ４３０の次元削減を行う。Ｓ４３０では、Ｓ３３０で学習したニューラルネットワーク（学習済みのニューラルネットワーク）を用いて、Ｓ４２０で算出した特徴量（ここでは、１７次元）を、Ｓ３３０と同様に処理条件種類数である次元（ここでは、２次元）に次元削減を行う。このようにして、焦点位置と露光量の処理条件の推定値を算出することができる。
　また、ニューラルネットワークの出力値として正規化した処理条件値を使用した場合は、後処理として正規化した値を処理条件値に戻す処理を行ってもよい。また、複数の特徴量と処理条件推定関数との組合せがある場合は、それぞれの結果を総合して処理条件推定値を算出してもよい。
　また、Ｓ４４０とＳ４５０によって、処理条件推定値の確度を算出することができる。確度とは、推定された処理条件の正確性を評価する値である。例えば、学習データと処理条件を推定したデータとの違いで、学習データとの違いが大きければ、推定した処理条件は誤差が大きい可能性があることを示している。
　Ｓ４４０では、Ｓ４３０で求めた処理条件推定値を入力としてＳ３４０で学習したニューラルネットワーク（学習済みのニューラルネットワーク）を用いて各特徴量を推定する。Ｓ４５０では、Ｓ４４０で推定された各特徴量とＳ４２０で算出された入力画像から求めた特徴量との差の２乗和を確度として出力する。この場合、確度は０に近いほど確度が高いことになる。
（ｄ３．確度算出方法：次元削減を行う場合）
　次元削減をニューラルネットワークで行う場合、処理条件推定後に、式（２）で表される確度Ａを求めればよい。ここでは、推定する対象物から取得した画像から求めたj番目の特徴量をＳｊとする。また、推定した処理条件からＳ４４０で推定したｊ番目の特徴量をＰｊとする。なお、σｊは補正係数（定数）である。
　ここでは、対象物の測定データとしてパターン形状のＳＥＭ画像を用いたが、測定データとしてはＳＥＭ画像以外を用いることもできる。例えば、対象物の反射光スペクトルを測定データとして対象物上に形成された薄膜の処理条件（処理時間やガス流量や温度や圧力など）を推定してもよい。また、確度は上記に限らず処理条件推定精度を評価する値であればどのように求めてもよい。
（ｄ４．作用効果）
　このように、他の実施形態も、対象物の形状などを制限することなく、処理条件を推定することができる。
　以上、本発明の実施形態について説明してきたが、これらのうち、２つ以上の実施例を組み合わせて実施しても構わない。あるいは、これらのうち、１つの実施例を部分的に実施しても構わない。
　また、本発明は、上記発明の実施形態の説明に何ら限定されるものではない。特許請求の範囲の記載を逸脱せず、当業者が容易に想到できる範囲で種々の変形態様もこの発明に含まれる。例えば、入力部は、入力された画像データに対して、ノイズ除去などのフィルタ処理を行ってもよい。また、異なる処理条件で作成された対象物の同一箇所の測定データを取得し、この画像から特徴量を抽出してもよい。また、ＬＬＥなどの多様体学習やニューラルネットワークに限られず、他の機械学習法を用いてもよい。
　また、抽出された特徴量と処理条件との関係を解析し、関係ルールを生成してもよい。条件振りを行う処理条件が露光処理の焦点位置と露光量の片方だけであってもよい。また、条件振りを行う処理条件がエッチングや薄膜成長などの処理時間、ＲＦパワー、処理温度、処理圧力、ガス流量のいずれか、または、組み合わせであってもよい。特徴量が画素値、線幅、スペース幅、パターン・ピッチ、曲率、エッジ位置、傾斜、エッジ幅、パターン面積、スペース面積、反射光スペクトルなど対象物測定データと測定データから抽出されるデータのいずれか、または、組み合わせであってもよい。また、本実施形態に係る処理条件推定装置は、半導体ウェハに限らず、マスク（フォトマスク、ＥＵＶマスクなど）やＦＰＤやインターポーザやＴＳＶｓ（Ｔｈｒｏｕｇｈ－Ｓｉｌｉｃｏｎ　Ｖｉａｓ）プリント基板にも適用可能である。
１００　半導体製造システム
２００　露光装置
３００　中央演算処理装置（処理条件推定装置）
４００　形状測定装置（ＣＤ－ＳＥＭ）

Claims (14)

  1. 　対象物を処理した処理条件を推定する処理条件推定装置であって、
    　前記対象物の所定の位置で取得した測定データを入力する入力部と、
    　測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定する推定部と、
    を備える処理条件推定装置。
  2. 　前記推定部は、前記入力された測定データから特徴量を算出する請求項１に記載の処理条件推定装置。
  3. 　前記推定部は、前記処理条件の種類数と同じ次元数まで前記測定データの次元削減を行う請求項１に記載の処理条件推定装置。
  4. 　前記推定部は、前記推定した処理条件の確度を算出する請求項１に記載の処理条件推定装置。
  5. 　前記処理条件推定関数はニューラルネットワークで構成される請求項１に記載の処理条件推定装置。
  6. 　前記入力部は、前記測定データの特定部分を設定し、
    　前記処理条件推定関数は、前記特定部分を入力して前記処理条件の推定値を出力する関数である、請求項１に記載の処理条件推定装置であって、
    　前記推定部は、前記処理条件推定関数に基づいて、前記特定部分から、前記処理条件を推定する請求項１に記載の処理条件推定装置。
  7. 　前記特定部分は、前記処理条件に依存して変化する領域を含む請求項６に記載の処理条件推定装置。
  8. 　前記処理条件推定関数を再学習する請求項１に記載の処理条件推定装置。
  9. 　前記推定した処理条件を表示する表示部をさらに備える請求項１に記載の処理条件推定装置。
  10. 　前記測定データが画像である請求項１に記載の処理条件推定装置。
  11. 　前記処理条件は、露光装置の焦点位置及び露光量のいずれかまたは両方である請求項１に記載の処理条件推定装置。
  12. 　前記処理条件は、前記対象物上に形成する薄膜の膜厚形成条件及びエッチング条件のいずれかまたは両方である請求項１に記載の処理条件推定装置。
  13. 　対象物を処理した処理条件を推定する処理条件推定方法であって、
    　前記対象物の所定の位置で取得した測定データを入力し、
    　測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定する処理条件推定方法。
  14. 　対象物を処理した処理条件を推定する処理条件推定プログラムであって、
    　前記対象物の所定の位置で取得した測定データを入力するステップと、
    　測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定するステップと、
    をコンピュータに実行させる処理条件推定プログラム。

     
PCT/JP2020/040589 2019-10-30 2020-10-29 処理条件推定装置、方法及びプログラム WO2021085522A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021553677A JP7094594B2 (ja) 2019-10-30 2020-10-29 処理条件推定装置、方法及びプログラム
US17/729,044 US12148140B2 (en) 2019-10-30 2022-04-26 Process condition estimating apparatus, method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-197402 2019-10-30
JP2019197402 2019-10-30

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/729,044 Continuation US12148140B2 (en) 2019-10-30 2022-04-26 Process condition estimating apparatus, method, and program

Publications (1)

Publication Number Publication Date
WO2021085522A1 true WO2021085522A1 (ja) 2021-05-06

Family

ID=75716316

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/040589 WO2021085522A1 (ja) 2019-10-30 2020-10-29 処理条件推定装置、方法及びプログラム

Country Status (4)

Country Link
US (1) US12148140B2 (ja)
JP (1) JP7094594B2 (ja)
TW (1) TWI846977B (ja)
WO (1) WO2021085522A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119002168B (zh) * 2024-10-23 2025-02-07 华芯程(杭州)科技有限公司 掩膜制造方法、装置、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011044592A (ja) * 2009-08-21 2011-03-03 Nec Corp 信頼度判断装置、信頼度判断方法、及び信頼度判断用コンピュータプログラム
JP2019165123A (ja) * 2018-03-20 2019-09-26 株式会社日立ハイテクノロジーズ 探索装置、探索方法及びプラズマ処理装置

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05190458A (ja) * 1991-11-15 1993-07-30 Fuji Electric Co Ltd 学習予測・指示機能付半導体製造装置
US7444616B2 (en) * 1999-05-20 2008-10-28 Micronic Laser Systems Ab Method for error reduction in lithography
JP2004021898A (ja) * 2002-06-20 2004-01-22 Ricoh Co Ltd 金型改造の見積りシステム及び見積りプログラム
US20050185174A1 (en) * 2004-02-23 2005-08-25 Asml Netherlands B.V. Method to determine the value of process parameters based on scatterometry data
JP4898419B2 (ja) 2006-01-05 2012-03-14 キヤノン株式会社 露光量のおよびフォーカス位置のオフセット量を求める方法、プログラムおよびデバイス製造方法
WO2007102484A1 (ja) * 2006-03-07 2007-09-13 Nikon Corporation デバイス製造方法、デバイス製造システム及び測定検査装置
NL2003699A (en) * 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
CN103649883B (zh) * 2011-07-11 2017-09-08 富士胶片株式会社 导电片及其制造方法、触摸屏以及显示装置
JP5809117B2 (ja) * 2011-10-05 2015-11-10 富士フイルム株式会社 導電シート、タッチパネル、表示装置
JP5781886B2 (ja) * 2011-10-05 2015-09-24 富士フイルム株式会社 導電シート、タッチパネル及び表示装置
US10151986B2 (en) * 2014-07-07 2018-12-11 Kla-Tencor Corporation Signal response metrology based on measurements of proxy structures
US9262819B1 (en) * 2014-09-26 2016-02-16 GlobalFoundries, Inc. System and method for estimating spatial characteristics of integrated circuits
JP2017049047A (ja) * 2015-08-31 2017-03-09 大日本印刷株式会社 測定システム、測定方法、センサ選定装置、及びプログラム
CA3012049A1 (en) * 2016-01-20 2017-07-27 Ez3D, Llc System and method for structural inspection and construction estimation using an unmanned aerial vehicle
US11276160B2 (en) * 2017-10-02 2022-03-15 Applied Materials Israel Ltd. Determining a critical dimension variation of a pattern
JP7017985B2 (ja) * 2018-06-05 2022-02-09 株式会社日立製作所 システム及び処理条件の決定方法
JP7206961B2 (ja) * 2019-01-30 2023-01-18 日立金属株式会社 半導体製造装置の管理システム及びその方法
JP6898371B2 (ja) * 2019-02-28 2021-07-07 ファナック株式会社 加工条件調整装置及び加工条件調整システム
JP6872670B2 (ja) * 2019-07-04 2021-05-19 株式会社日立ハイテク 寸法計測装置、寸法計測プログラム及び半導体製造システム
US11530915B2 (en) * 2019-08-07 2022-12-20 Hitachi High-Tech Corporation Dimension measuring device, dimension measuring method, and semiconductor manufacturing system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011044592A (ja) * 2009-08-21 2011-03-03 Nec Corp 信頼度判断装置、信頼度判断方法、及び信頼度判断用コンピュータプログラム
JP2019165123A (ja) * 2018-03-20 2019-09-26 株式会社日立ハイテクノロジーズ 探索装置、探索方法及びプラズマ処理装置

Also Published As

Publication number Publication date
US20220254009A1 (en) 2022-08-11
US12148140B2 (en) 2024-11-19
JPWO2021085522A1 (ja) 2021-05-06
TW202117467A (zh) 2021-05-01
JP7094594B2 (ja) 2022-07-04
TWI846977B (zh) 2024-07-01

Similar Documents

Publication Publication Date Title
JP7004826B2 (ja) 寸法計測装置、寸法計測方法及び半導体製造システム
KR101855803B1 (ko) 식각 근접 보정방법
WO2022121736A1 (zh) 一种基于机器学习的cdsem图像虚拟测量方法
US7844939B2 (en) Mask pattern correction program and system
US20230118656A1 (en) Machine learning based model builder and its applications for pattern transferring in semiconductor manufacturing
TWI596423B (zh) 決定或使用積體電路製造製程模型的方法、決定或使用此模型的電腦程式、及半導體製造設備
JP7094594B2 (ja) 処理条件推定装置、方法及びプログラム
TWI575307B (zh) 資料補正裝置，描繪裝置，資料補正方法及描繪方法
JP2016021008A (ja) マルチパターニング用マスクのパターン評価方法およびパターン評価装置
CN112258468A (zh) 一种套刻标识图像处理方法及装置
JPH095981A (ja) マスクパターンの作成方法
WO2020154979A1 (zh) 一种图形图像联合优化的光刻掩模优化方法、装置及电子设备
TWI617899B (zh) 經由匹配程序決定施加至積體電路製造過程之劑量校正的方法
US9262819B1 (en) System and method for estimating spatial characteristics of integrated circuits
TWI741541B (zh) 影像分析系統及影像分析方法
JP7211627B2 (ja) パターン測定装置、方法及びプログラム、並びに、パターン検査装置、方法及びプログラム
US10564554B2 (en) System and method for analyzing printed masks for lithography based on representative contours
CN114049342A (zh) 一种去噪模型生成方法、系统、设备及介质
US6456741B1 (en) Structure-guided image measurement method
CN117518736B (zh) 套刻误差量测的方法、装置、系统及存储介质
Zhu et al. Machine learning-enhanced model-based optical proximity correction by using convolutional neural network-based variable threshold method
Xie et al. Quantitative Comparison of Simulation and Experiment Enabling a Lithography Digital Twin
CN113554585B (zh) 影像分析系统及影像分析方法
CN110068986B (zh) 修整图形的方法、介质、服务器及光学掩模的制造方法
CN119358486A (zh) 用于opc模型的方法、电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20883223

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021553677

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20883223

Country of ref document: EP

Kind code of ref document: A1