阅读说明：本技术 扫描电子显微镜的物镜校准 (Objective calibration for scanning electron microscopes ) 是由 本庄一郎 C·西尔斯 杨河东 夏清 王建伟 徐惠那 于 2018-06-29 设计创作，主要内容包括：可使用所揭示技术及系统来获得运用较少图像采集对扫描电子显微镜复检工具进行的物镜对准。可基于图像确定用于所述扫描电子显微镜的两个不同X-Y电压对。基于第一X-Y电压对的第二图像可用于确定第二X-Y电压对。可将所述X-Y电压对施加在所述扫描电子显微镜的Q4透镜或其它光学组件处。(Objective alignment for a scanning electron microscope review tool with less image acquisition can be obtained using the disclosed techniques and systems. Two different X-Y voltage pairs for the scanning electron microscope can be determined based on the image. A second image based on the first X-Y voltage pairs may be used to determine second X-Y voltage pairs. The X-Y voltage pair may be applied at a Q4 lens or other optical component of the scanning electron microscope.)

扫描电子显微镜的物镜校准

相关申请案的交叉参考

本申请案主张2017年6月29日申请且转让给第62/526,804号美国申请案的临时专利申请案的优先权，所述案的揭示内容由此以引用方式并入。

技术领域

本发明涉及电子束系统中的校准。

背景技术

制造半导体装置(例如逻辑及存储器装置)通常包含使用大量半导体制造过程处理半导体晶片来形成半导体装置的各种特征及多个层级。例如，光刻是涉及将图案从主光罩转印到布置在半导体晶片上的光致抗蚀剂的半导体制造过程。半导体制造过程的额外实例包含但不限于化学机械抛光(CMP)、蚀刻、沉积及离子植入。可在单个半导体晶片上呈某个布置制造多个半导体装置且接着将其分离成个别半导体装置。

在半导体制造期间的各个步骤使用检查过程来检测晶片上的缺陷以促进制造过程中的较高良率及因此较高利润。检查始终为制造半导体装置(例如集成电路)的重要部分。然而，随着半导体装置尺寸减小，检查对于成功地制造可接受半导体装置变得甚至更为重要，因为较小缺陷可引起所述装置发生故障。例如，随着半导体装置尺寸减小，减小大小的缺陷的检测已成为必要，因为甚至相对小缺陷仍可引起半导体装置中的多余像差。

可在半导体制造期间使用扫描电子显微镜(SEM)来检测缺陷。SEM系统通常由三个成像相关子系统组成：电子源(或电子枪)、电子光学件(例如，静电透镜及/或磁透镜)及检测器。这些组件在一起形成SEM系统的柱。可执行柱校准以确保SEM系统中的恰当工作条件及良好图像质量，所述柱校准包含将柱中的各种组件与电子束对准。物镜对准(OLA)是一个此类校准任务。OLA通过调整射束对准以确保射束行进通过物镜(OL)的中心而将电子束与OL对准。在图1的SEM系统100中，电子源101生成电子束102(用虚线展示)，电子束102朝向平台106上的晶片105行进通过Q4透镜103及物镜104。

OLA通常使用安装在载台上的校准芯片作为对准目标。图2的图像200(具有对应电子束位置)中展示具有居中于图像视场(FOV)的目标图像的对准OL。如果OL未对准，那么射束中心将偏离透镜中心。因而，目标图像将呈现为偏离图像FOV的中心，如图2的图像201(具有对应电子束位置)中所见。图像偏移量与未对准量成正比。通过检测在X及Y上的偏移且将其转换为施加到射束对准器的X及Y电压(Vx、Vy)，可使目标图像回到中心，这可提供对准OL。

当前OLA是使用多个逐步变小的FOV的迭代程序。首先，控制软件将FOV设置为某个值且在摆动晶片偏置时调整射束对准器电压，这引起如果OL未对准那么FOV中的目标图案横向移位。图案匹配算法检测移位。使用查找表将像素的移位转换为电压且将所述电压发送到射束对准器以最小化移位。接着，将FOV降低到某个较小值且重复相同步骤。接着，进一步将FOV降低到甚至更小值且执行最后回合的调整以使图像稳定，从而完成对准。

这种技术具有多个缺点。需要使用至少三个不同FOV来进行射束对准器调整且在每一FOV处必须采集多个图像。这是缓慢、繁琐的过程，因为存在许多电子束且必须周期性地对准每一电子束。此外，对于较高对准准确度，FOV需要低于3μm。然而，校准芯片上的最小目标约为0.5μm。当FOV低于3μm时，目标图像变得过大。另外，由于OLA的特殊扫描设置，仅射束中心周围的小区域(例如，近似0.2μm到0.3μm)对焦，这进一步减少有效FOV。因此，目标可能落在聚焦区域外部且变得不可见。这可使对准失败且限制可实现的对准准确度。

因此，需要一种用于校准的改善技术及系统。

发明内容

在第一实施例中，提供一种方法。在控制单元处接收第一图像。所述第一图像提供扫描电子显微镜系统中的物镜的对准信息。使用所述控制单元，基于所述第一图像确定第一X-Y电压对。所述第一X-Y电压对提供与所述第一图像中相比更靠近对准目标的中心的所述物镜的对准。使用所述控制单元将所述第一X-Y电压对传递到所述扫描电子显微镜系统。在所述控制单元处接收第二图像。所述第二图像提供所述物镜的对准信息，且所述第二图像是所述第一X-Y电压对的设置的结果。使用所述控制单元，基于所述第二图像确定第二X-Y电压对。所述第二X-Y电压对提供与所述第一X-Y电压对相比更靠近所述对准目标的所述中心的所述物镜的对准。使用所述控制单元将所述第二X-Y电压对传递到所述扫描电子显微镜系统。

所述第一X-Y电压对可为一种类别。

所述第二X-Y电压对可为连续值。

所述第二X-Y电压对可基于多个结果的平均值。

所述方法可进一步包含：在生成所述第二图像之前，将所述第一X-Y电压对施加到所述扫描电子显微镜的Q4透镜；及将所述第二X-Y电压对施加到所述扫描电子显微镜的所述Q4透镜。

确定所述第一X-Y电压对可使用第一深度学习神经网络。所述第一深度学习神经网络可包含分类网络。

确定所述第二X-Y电压对可使用第二深度学习神经网络。所述第二深度学习神经网络可包含回归网络系综。

所述第一图像及所述第二图像可为碳衬底的图像，其中碳衬底上具有镀金锡球。

在第二实施例中，提供一种存储程序的非暂时性计算机可读媒体。所述程序经配置以指示处理器：接收第一图像，其中所述第一图像提供扫描电子显微镜系统中的物镜的对准信息；基于所述第一图像确定第一X-Y电压对，其中所述第一X-Y电压对提供与所述第一图像中相比更靠近对准目标的中心的所述物镜的对准；传递所述第一X-Y电压对；接收第二图像，其中所述第二图像提供所述物镜的对准信息，且所述第二图像是所述第一X-Y电压对的设置的结果；基于所述第二图像确定第二X-Y电压对，其中所述第二X-Y电压对提供与所述第一X-Y电压对相比更靠近所述对准目标的所述中心的所述物镜的对准；及传递所述第二X-Y电压对。

所述第一X-Y电压对可为一种类别。

所述第二X-Y电压对可为连续值。

所述第二X-Y电压对可基于多个结果的平均值。

确定所述第一X-Y电压对可使用包含分类网络的第一深度学习神经网络。

确定所述第二X-Y电压对可使用包含回归网络系综的第二深度学习神经网络。

可将所述第一X-Y电压对及所述第二X-Y电压对传递到所述扫描电子显微镜系统。

在第三实施例中，提供一种系统。所述系统包括控制单元。所述控制单元包含处理器、存储器及与扫描电子显微镜系统电子通信的通信端口。所述控制单元经配置以：接收第一图像，其中所述第一图像提供所述扫描电子显微镜中的物镜的对准信息；基于所述第一图像确定第一X-Y电压对，其中所述第一X-Y电压对提供与所述第一图像中相比更靠近对准目标的中心的所述物镜的对准；将所述第一X-Y电压对传递到所述扫描电子显微镜系统；接收第二图像，其中所述第二图像提供所述物镜的对准信息，且所述第二图像是所述第一X-Y电压对的设置的结果；基于所述第二图像确定第二X-Y电压对，其中所述第二X-Y电压对提供与所述第一X-Y电压对相比更靠近所述对准目标的所述中心的所述物镜的对准；及将所述第二X-Y电压对传递到所述扫描电子显微镜系统。

所述系统可进一步包含电子束源、具有Q4透镜及所述物镜的电子光学柱、及检测器。所述控制单元可与所述Q4透镜及所述检测器电子通信。

所述第一图像及所述第二图像可为碳衬底的图像，其中碳衬底上具有镀金锡球。

附图说明

为更全面地理解本发明的性质及目的，应参考结合附图所作的下文详细描述，在附图中：

图1是说明在操作期间的实例性SEM系统中的柱的框图；

图2是包含具有对准OL及未对准OL两者的Q4透镜的框图的俯视图及对应侧视图；

图3是分辨率标准的视图；

图4是指示适当对准物镜的居中分辨率标准的视图；

图5是指示未对准物镜的未居中分辨率标准的视图；

图6是根据本发明的对准实施例的流程图；及

图7是根据本发明的系统的实施例的框图。

具体实施方式

尽管将根据某些特定实施例描述所主张主题，但其它实施例(包含未提供本文中所阐述的所有优点及特征的实施例)也在本发明的范围内。可在不脱离本发明的范围的情况下进行各种结构、逻辑、过程步骤及电子改变。因此，本发明的范围仅参考所附权利要求书定义。

本文中所揭示的实施例可运用较少图像采集实现SEM系统的OLA的高灵敏度。自动校准方法更可靠，实现更高对准准确度且减少校准时间。因此，提供更快速且更准确的射束对准估计。

图3是分辨率标准的视图。分辨率标准可用作对准目标。分辨率标准可为其表面上随机地沉积有镀金锡球的碳衬底。图4是指示适当对准物镜的居中分辨率标准的视图。图5是指示未对准物镜的未居中分辨率标准的视图。注意图4与图5之间的镀金锡球的位置差异。未对准物镜并未居中。

虽然可使用其它目标来代替具有镀金锡球的分辨率标准，但分辨率标准提供小特征。例如，球的直径可为从近似20nm到100nm。球可分布在延伸区域(例如，20mm²)中，因此任何FOV的聚焦区域内可存在球。这可在不损失准确度的情况下提供更快速的精细物镜对准(FOLA)。

图6是对准方法300的流程图。在方法300中，在301，在控制单元处接收第一图像。第一图像提供物镜的对准信息。例如，第一图像可为图2中的图像200或图5中的图像。

使用控制单元，基于第一图像确定302第一X-Y电压对。第一X-Y电压对提供物镜的更佳对准。与第一图像中相比，所述对准可更靠近对准目标的中心。第一图像中的对焦区域的中心位置(X,Y)对应于X-Y电压。换句话说，(V_x,V_y)＝f(x,y)。可在训练期间通过神经网络习得这种关系。在运行时间，网络可接收第一图像且基于图像中的(X,Y)信息输出对应电压。

确定302第一X-Y电压对可使用分类网络，所述分类网络可为深度学习神经网络。分类网络可将输入图像分格成许多类别中的一者，所述类别中的每一者对应于一个射束对准器电压。分类网络可尝试最小化实况电压与估计电压之间的差。分类网络将基于图像生成对应X及Y电压，这可用于使射束更佳地居中。

如果使用每个可能电压的所有图像来训练分类网络，那么分类网络可习得所有分格电压。然而，为降低训练任务的复杂度，分类网络可经训练以使用在粗略电压网格处采集的图像输出粗略电压。在运行时间，当接收图像时，这个分类网络可生成落在其图像用于训练的粗略网格点中的一者上的电压对。由于运行时间图像可来自粗略网格点之间的电压，但分类网络输出是最靠近的粗略网格点，所以分类网络的准确度可为粗略网格间距的一半。

生成粗略电压的另一选项是使用迭代程序，所述迭代程序使用多个逐步变小的FOV。

使用控制单元，将第一X-Y电压对传递303到例如SEM系统，所述SEM系统可将第一X-Y电压对施加在Q4透镜或其它光学组件中。

在304，在控制单元处接收第二图像。第二图像提供物镜的对准信息，且第二图像是第一X-Y电压对的设置的结果。因此，将设置改变为第一X-Y电压对且获得第二图像。

使用控制单元，基于第二图像确定305第二X-Y电压对。第二X-Y电压对提供与第一X-Y电压对相比更靠近对准目标的中心的物镜的对准。可使用与用于确定第一X-Y电压对相同的方法或不同方法来确定这个第二X-Y电压对。

确定305第二X-Y电压对可使用回归网络系综，所述回归网络系综可为深度学习神经网络。运用多个回归网络的系综，每一回归网络可取得输入图像且生成在每一轴上的某个范围内的一个X-Y电压对。

回归网络可与分类网络类似。一个差异是网络的最后一层。回归网络生成连续输出，而分类网络使用软性极大层，所述软性极大层生成表示输入属于特定类别的概率的多个输出。另一差异是用于训练的成本函数。回归网络趋于使用L2范数或实况值与网络输出值之间的某种距离度量作为成本函数，而分类网络通常使用对数似然性作为成本函数。

在实例中，第二X-Y电压对是基于多个结果的平均值。例如，多个回归网络可各自提供X-Y电压对，且平均化所得X-Y电压对以生成第二X-Y电压对。

使用控制单元，将第二X-Y电压对传递306到例如SEM系统，所述SEM系统可将第二X-Y电压对施加在Q4透镜或其它光学组件中。

在实例中，第一X-Y电压对是一种类别，且第二X-Y电压对是连续值。

因此，在实例中，可使用分类网络来找到第一X-Y电压对，且可使用回归网络来找到第二X-Y电压对。

本发明的实施例可使用深度学习神经网络来对准SEM系统中的光学组件。基于深度学习的方法可使图像与电压直接相关，从而消除对查找表的需要，所述查找表如果未恰当生成那么可带来额外误差。因此，图像本身可用于确定电压设置。

第一图像及第二图像可为碳衬底的图像，其中碳衬底或某个其它衬底上具有镀金锡球。

步骤301到303可称为粗略过程。步骤304到306可称为精细过程。粗略过程的优点在于其缩减执行精细过程所需的计算时间。

代替使用与多个图像匹配的模板，方法300可使用基于深度学习的算法，所述算法直接从单个分辨率标准图像以较高准确度估计射束对准器电压。粗略到精细方法还可减少以某个间距覆盖整个射束对准器X-Y电压空间所需的训练图像的数量。在无粗略步骤的情况下，可能存在回归网络将需要学习的过多射束对准器点(例如，图像)。运用粗略到精细方法，减少分类及回归网络一起学习的总数射束对准器点。

分类器的另一优点是可提供与每种类别标签输出相关联的可信度分数，这可用于滤除不良位点或模糊图像。由分类网络生成的可信度分数是输入图像属于特定电压网格点(或类别)的概率。所述网络输出每一输入图像的N个可信度分数(N种类别)。将最高分数的类别指派到输入图像，这还将对应电压指派到图像。低可信度分数可意味着网络不确定应将输入图像指派到哪个电压网格点。如果从分辨率标准上锡球缺失或损坏之处的区域采集图像，那么可发生这种情况，在所述情况中，低可信度分数可告知系统跳过所述区域且移动到另一区域以抓取新图像。

可训练分类网络及回归网络(或回归网络中的每一者)。施加X-Y电压对且获得所得图像。X电压及Y电压在多个X-Y电压对中变化且重复所述过程。这些图像各自与特定X-Y电压对相关联且可用于训练算法。

除X-Y电压以外，焦点还可变化使得对于训练采集的图像可能包含不太清晰的图像。这可训练网络以与未完美对焦的图像一起工作。

本文中所描述的实施例可包含系统(例如图7的系统400)或在所述系统中执行。系统400包含具有至少能源及检测器的输出采集子系统。输出采集子系统可为基于电子束的输出采集子系统。例如，在一个实施例中，引导到晶片404的能量包含电子，且从晶片404检测到的能量包含电子。以这种方式，能源可为电子束源402。在图7中展示的一个此类实施例中，输出采集子系统包含电子光学柱401，电子光学柱401耦合到控制单元407。控制单元407可包含一或多个处理器408及一或多个存储器409。每一处理器408可与存储器409中的一或多者电子通信。在实施例中，一或多个处理器408通信地耦合。在这方面，一或多个处理器408可接收晶片404的图像且将图像存储在控制单元407的存储器409中。控制单元407还可包含与至少一个处理器408电子通信的通信端口410。控制单元407可为SEM本身的部分或可与SEM分离(例如，独立控制单元或在集中式质量控制单元中)。

也如图7中所展示，电子光学柱401包含电子束源402，电子束源402经配置以生成由一或多个元件403聚焦到晶片404的电子。电子束源402可包含发射器，且一或多个元件403可包含例如枪透镜、阳极、射束限制孔隙、闸阀、射束电流选择孔隙、物镜、Q4透镜及/或扫描子系统。电子柱401可包含所属领域中已知的任何其它适合元件。虽然仅说明一个电子束源402，但系统400可包含多个电子束源402。

从晶片404返回的电子(例如，二次电子)可由一或多个元件405聚焦到检测器406。一或多个元件405可包含例如扫描子系统，所述扫描子系统可为包含在(若干)元件403中的相同扫描子系统。电子柱401可包含所属领域中已知的任何其它适合元件。

尽管图7中将电子柱401展示为经配置使得电子成倾斜入射角引导到晶片404且成另一倾斜角从晶片散射，但应了解，电子束可成任何适合角度引导到晶片且从晶片散射。另外，基于电子束的输出采集子系统可经配置以使用多种模式来生成晶片404的图像(例如，成不同照明角度、收集角度等)。基于电子束的输出采集子系统的多种模式可在输出采集子系统的任何图像生成参数方面不同。

控制单元407可与检测器406或系统400的其它组件电子通信。检测器406可检测从晶片404的表面返回的电子，由此形成晶片404的电子束图像。电子束图像可包含任何适合电子束图像。控制单元407可根据本文中所描述的实施例中的任一者配置。控制单元407还可经配置以使用检测器406的输出及/或电子束图像来执行其它功能或额外步骤。例如，控制单元407可经编程以执行图6的一些或所有步骤。

应明白，实际上可通过硬件、软件及固件的任何组合来实施控制单元407。而且，如本文中所描述的控制单元407的功能可由一个单元执行或在不同组件当中划分，继而可通过硬件、软件及固件的任何组合来实施所述组件中的每一者。控制单元407实施各种方法及功能的程序码或指令可存储在控制器可读存储媒体(例如控制单元407内、控制单元407外部的存储器409或其组合)中。

应注意，本文中提供图7以大体上说明基于电子束的输出采集子系统的配置。本文中所描述的基于电子束的输出采集子系统配置可经更改以优化输出采集子系统的性能，如通常在设计商用输出采集系统时所执行。另外，本文中所描述的系统或其组件可使用现存系统来实施(例如，通过将本文中所描述的功能性添加到现存系统)。对于一些此类系统，本文中所描述的方法可作为系统的任选功能性提供(例如，除所述系统的其它功能性以外)。

虽然被揭示为缺陷复检系统的部分，但本文中所描述的控制单元407或方法可经配置以与检查系统一起使用。在另一实施例中，本文中所描述的控制单元407或方法可经配置以与计量系统一起使用。因此，如本文中所揭示的实施例描述可对于具有不同成像能力且或多或少适于不同应用的系统以数种方式定制的一些分类配置。

特定来说，本文中所描述的实施例可安装在计算机节点或计算机集群上，所述计算机节点或计算机集群是检测器406的组件或耦合到检测器406，或其是缺陷复检工具、掩模检查器、虚拟检查器或其它装置的另一组件。以这种方式，本文中所描述的实施例可生成可用于多种应用的输出，所述应用包含但不限于晶片检查、掩模检查、电子束检查及复检、计量或其它应用。可如上文所描述般基于样本来修改图7中所展示的系统400的特性，系统400将对于所述样本生成输出。

本文中所描述的控制单元407、(若干)其它系统或(若干)其它子系统可采取各种形式，包含个人计算机系统、工作站、图像计算机、主计算机系统、工作站、网络器具、互联网器具、平行处理器或其它装置。一般来说，术语“控制单元”可广义地定义为涵盖具有执行来自存储器媒体的指令的一或多个处理器的任何装置。(若干)子系统或(若干)系统还可包含所属领域中已知的任何适合处理器，例如并行处理器。另外，(若干)子系统或(若干)系统可包含具有高速处理及软件的平台，作为独立工具或联网工具。

如果系统包含一个以上子系统，那么可将不同子系统彼此耦合使得可在子系统之间发送图像、数据、信息、指令等。例如，一个子系统可通过任何适合传输媒体(其可包含所属领域中已知的任何适合有线及/或无线传输媒体)耦合到(若干)额外子系统。此类子系统中的两者或更多者还可由共享计算机可读存储媒体(未展示)有效地耦合。

在另一实施例中，控制单元407可以所属领域中已知的任何方式通信地耦合到系统400的各种组件或子系统中的任一者。此外，控制单元407可经配置以通过传输媒体(其可包含有线及/或无线部分)接收及/或采集来自其它系统的数据或信息(例如，来自例如宽带等离子体(BBP)工具的检查系统的检查结果、包含设计数据的远程数据库等)。以这种方式，传输媒体可用作控制单元407与系统400的其它子系统或系统400外部的系统之间的数据链路。

控制单元407可以任何适合方式(例如，经由一或多个传输媒体，其可包含有线及/或无线传输媒体)耦合到系统400的组件，使得控制单元407可接收由系统400生成的输出。控制单元407可经配置以使用输出执行数种功能。在另一实例中，控制单元407可经配置以在未对输出执行缺陷复检的情况下将输出发送到存储器409或另一存储媒体。控制单元407可如本文中所描述般进一步配置。

额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在控制器上执行以执行用于对准SEM系统的计算机实施方法，如本文中所揭示。特定来说，如图7中所展示，控制单元407可包含具有可在控制单元407上执行的程序指令的存储器409或具非暂时性计算机可读媒体的其它电子数据存储媒体。计算机实施方法可包含本文中所描述的(若干)任何方法的(若干)任何步骤。存储器409或其它电子数据存储媒体可为存储媒体，例如磁盘或光盘、磁带或所属领域中已知的任何其它适合非暂时性计算机可读媒体。

可以各种方式中的任一者实施程序指令，尤其包含基于程序的技术、基于组件的技术及/或面向对象技术。例如，可按需使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、SSE(串流SIMD延伸)、或其它技术或方法论来实施程序指令。

在一些实施例中，通过以下中的一或多者来实行本文中所揭示的系统400及方法的各种步骤、功能及/或操作：电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控件/开关、微控制器或计算系统。可通过载体媒体传输实施例如本文中所描述的方法的方法的程序指令，或将所述程序指令存储在载体媒体上。载体媒体可包含存储媒体，例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带等。载体媒体可包含传输媒体，例如导线、电缆或无线传输链路。例如，可通过单个控制单元407(或计算机系统)或多个控制单元407(或多个计算机系统)来实行贯穿本发明所描述的各种步骤。此外，系统400的不同子系统可包含一或多个计算系统或逻辑系统。因此，上文描述不应被解释为限制本发明，而是仅仅说明本发明。

可如本文中所描述般执行方法步骤中的每一者。所述方法还可包含由本文中所描述的控制单元及/或(若干)计算机子系统或(若干)系统执行的(若干)任何其它步骤。所述步骤可由一或多个计算机系统来执行，所述一或多个计算机系统可根据本文中所描述的实施例中的任一者来配置。另外，可通过本文中所描述的系统实施例中的任一者来执行上文所描述的方法。

尽管已关于一或多个特定实施例描述本发明，但将了解，可在不脱离本发明的范围的情况下制作本发明的其它实施例。因此，本发明被视为仅受限于所附权利要求书及其合理解释。