用于机器学习辅助的光学邻近效应误差校正的训练方法
阅读说明:本技术 用于机器学习辅助的光学邻近效应误差校正的训练方法 (Training method for machine learning assisted optical proximity effect error correction ) 是由 文载寅 于 2020-03-05 设计创作,主要内容包括:本文描述的是一种确定用于训练机器学习模型以预测光学邻近效应校正的代表图案的方法。所述方法包括:获得包括一组图案群组的设计布局,每个图案群组包括一个或更多个子群组;确定所述一组图案群组中的一组代表图案,所述代表图案是其实例出现于所述一组图案群组中的子群组;经由使用所述一组代表图案来模拟光学邻近效应校正过程,获得与所述一组代表图案相关联的参考光学邻近效应校正数据;和训练机器学习模型,以基于所述一组代表图案和所述一组参考光学邻近效应校正数据来预测针对所述设计布局的光学邻近效应校正。(Described herein is a method of determining a representative pattern for training a machine learning model to predict optical proximity correction. The method comprises the following steps: obtaining a design layout comprising a set of pattern groups, each pattern group comprising one or more subgroups; determining a set of representative patterns of the set of pattern groups, the representative patterns being subgroups of which instances occur in the set of pattern groups; obtaining reference optical proximity correction data associated with the set of representative patterns via simulating an optical proximity correction process using the set of representative patterns; and training a machine learning model to predict optical proximity correction for the design layout based on the set of representative patterns and the set of reference optical proximity correction data.)
相关申请的交叉引用
本申请要求于2019年3月21日提交的美国申请62/821,789的优先权,所述申请的全部内容通过引用并入本文中。
技术领域
本文的描述涉及光刻设备和过程,且更具体地涉及用于对设计布局进行光学邻近效应误差校正的工具和方法。
背景技术
光刻设备可以用于例如集成电路(IC)或其它器件的制造中。在这种情况下,图案形成装置(例如,掩模)可以包括或提供与器件的单层对应的图案(“设计布局”),并且此图案可以通过诸如穿过所述图案形成装置上的所述图案来照射已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如硅晶片)上的目标部分(例如包括一个或更多个管芯)的方法,被转印到所述目标部分上。一般而言,单个衬底包括由所述光刻设备以一次一个目标部分的方式连续地将所述图案转印到其上的多个相邻目标部分。在一种类型的光刻设备中,整个图案形成装置上的图案被一次转印到一个目标部分上;这样的设备通常称作为步进器。在一种替代的设备(通常称为步进扫描设备)中,投影束沿给定的参考方向(“扫描”方向)在图案形成装置之上扫描,同时沿与所述参考方向平行或反向平行的方向同步地移动所述衬底。所述图案形成装置上的图案的不同部分被逐渐地转印到一个目标部分上。因为通常所述光刻设备将具有放大因数M(通常<1),所以所述衬底被移动的速度F将是所述投影束扫描所述图案形成装置的速度的M倍。
在器件制造过程中的将图案从所述图案形成装置转印至所述衬底的器件制作工序之前,所述衬底可能经历所述器件制造过程的各种器件制作工序,诸如涂底料、抗蚀剂涂覆以及软焙烤。在曝光之后,所述衬底可能经受器件制造过程的其它器件制作工序,诸如曝光后焙烤(PEB)、显影、和硬焙烤。这一系列的器件制作工序被用作为制造器件(例如IC)的单个层的基础。所述衬底之后可能经历器件制造过程的各种器件制作工序,诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等,所有的这些工序都旨在最终完成所述器件的单个层。如果器件需要多个层,则针对每一层重复整个过程或其变形。最终,器件将存在于所述衬底上的每一目标部分中。如果存在多个器件,则之后通过诸如切片或锯割等技术,使这些器件彼此分离,据此单个的器件能够安装在载体上,连接至引脚,等等。
因此,制造器件(诸如半导体器件)典型地涉及使用多个制作过程来处理衬底(例如,半导体晶片),以形成所述器件的各种特征和多个层。这些层和特征典型地使用例如沉积、光刻、蚀刻、化学机械抛光、和离子注入来制造和处理。可以在衬底上的多个管芯上制作多个器件,之后将它们分离成单独的器件。这种器件制造过程可以被认为是图案化过程。图案化过程涉及图案化步骤,诸如使用光刻设备的光学和/或纳米压印光刻术,以将图案提供到衬底上,而且图案化过程典型地但可选地涉及一个或更多个相关的图案处理步骤,诸如通过显影设备进行抗蚀剂显影、使用焙烤工具来焙烤所述衬底、使用蚀刻设备来蚀刻所述图案等。而且,所述图案化过程典型地涉及一个或更多个量测过程。
发明内容
在实施例中,提供了一种确定用于训练机器学习模型以预测光学邻近效应校正的代表图案的方法。所述方法包括:获得包括一组图案群组的设计布局,每个图案群组包括一个或更多个子群组;确定所述一组图案群组中的一组代表图案,代表图案是其示例出现于所述一组图案中的子群组;经由使用所述一组代表图案来模拟光学邻近效应校正过程,获得与所述一组代表图案相关联的参考光学邻近效应校正数据;和训练机器学习模型,以基于所述一组代表图案和一组参考光学邻近效应校正数据来预测针对所述设计布局的光学邻近效应校正。
此外,在实施例中,提供了一种用于图案化过程的光刻设备。所述设备包括:与设计布局相关联的掩模;待使用所述掩模进行成像的衬底;以及处理器,所述处理器被配置成:获得(i)待印制于所述衬底上的设计布局的一组代表图案,以及(ii)与所述一组代表图案相关联的过程条件;和根据所述过程条件,经由所述光刻设备来控制所述图案化过程的参数。
此外,在实施例中,提供了一种计算机程序产品,包括具有记录在其上的指令的非暂时性计算机可读介质,所述指令在由计算机执行时实施根据上述权利要求中任一项所述的方法。
前面的说明性实施方式的一般描述及其以下详细描述仅仅为本公开的教导的示例性方面,且并非限定性的。
附图说明
随附附图被并入本说明书中并且构成本说明书一部分,其图示一个或更多个实施例,并且连同所述描述解释了这些实施例。附图未必按比例绘制。随附图和附图中图示的任何值的尺寸仅是图示目的,可以或可以不表示实际或优选的值或尺寸。在适用的情况下,一些或所有特征可能不会被图示以辅助描述下面的特征。在附图中:
图1是根据本公开的示例性实施例的光刻系统的各种子系统的框图。
图2示意性地描绘了根据本公开的示例性实施例的光刻单元或簇的实施例。
图3示意性地描绘了根据本公开的示例性实施例的将辅助特征(连接至主要特征的辅助特征或独立的辅助特征)放置至设计布局中的方法。
图4A是根据本发明示例性实施例的确定用于训练机器学习模型以对光学邻近效应校正进行预测的代表图案的方法的流程图。
图4B是根据本公开的示例性实施例的用于确定图4A的一组代表图案的流程图。
图4C根据本公开的示例性实施例的将给定子群组的实例分类为图4B的代表图案。
图5是根据本公开的示例性实施例的用于使用图4A的训练后的机器学习模型来确定图案化过程的一方面(例如,掩模图案)的方法的流程图。
图6图示了与根据本公开的示例性实施例的参考图案相对应的呈灰度图像(例如,CTM)形式的示例性参考数据。
图7A是示例性设计布局,且图7B是根据本公开的示例性实施例的设计布局图案群组。
图8图示了根据本发明的示例性实施例在图7A的设计布局中所识别的代表图案的实例。
图9是根据本公开的示例性实施例的训练机器学习模型和相关联数据的示例。
图10图示了根据本公开的示例性实施例的用于神经网络的示例起始块。
图11图示了根据本公开的示例性实施例的用于神经网络的示例残差块。
图12是根据本公开的示例性实施例的示例计算机系统的框图。
图13是根据本公开的示例性实施例的光刻投影设备的示意图。
图14是根据本公开的示例性实施例的另一光刻投影设备的示意图。
图15是根据本公开的示例性实施例的图13中的设备的更详细视图。
图16是根据实施例的图14和图15的设备的源收集器模块SO的更详细视图。
现将参考附图详细地描述实施例,所述附图被提供作为例示性示例以便使本领域技术人员能够实践所述实施例。值得注意地,以下的附图和示例并非意在将范围限于单一实施例,而是借助于所描述或所例示的元件中的一些或全部的互换而使其它实施例是可能的。在任何便利的情况下,将贯穿附图而使用相同附图标记来指代相同或相似部件。在能够使用已知部件来部分地或完全地实施这些实施例的某些元件的情况下,将仅描述这些已知部件的对于理解所述实施例而言必需的那些部分,且将省略这些已知组件的其它部分的详细描述以免使得所述实施例的描述不清楚。在本说明书中,示出单一部件的实施例不应被认为是限制性的;而是,除非本发明中另有明确陈述,否则范围预期涵盖包括多个相同部件的其它实施例,且反之亦然。此外,申请人并非意图使本说明书或权利要求书中的任何术语归结于不常见或特定意义,除非如此明确阐述。另外,范围涵盖本发明中借助于例示而提及的部件的当前和未来已知的等效物。
具体实施方式
在下文中结合附图所阐述的描述旨在作为对所公开的主题的各种实施例的描述,并且不必旨在表示仅所述的实施例。在某些情况下,出于提供对所公开的实施例的理解的目的,所述描述包括特定的细节。然而,本领域技术人员将清楚,所公开的实施例可以在没有这些特定细节的情况下实践。在一些情况下,众所周知的结构和部件可以以框图形式示出以便避免混淆所公开主题的构思。
随着半导体或其它器件制造过程继续进步,几十年来,功能元件的尺寸已经不断地减小的同时每一个器件的功能元件(诸如晶体管)的量已经在稳定地增加,这遵循着通常称为“摩尔定律(Moore’s law)”的趋势。在当前技术状态下,器件的层使用光刻设备制造,所述光刻设备使用来自深紫外线(例如193nm)照射源或极紫外线(例如13.52nm)照射源的照射将设计布局投影至衬底上,从而创建具有远低于30nm的尺寸的单独的功能元件。
其中具有尺寸小于光刻设备的经典分辨率极限的特征被印制的这种过程通常被称为低k1光刻术,它所依据的分辨率公式是CD=k1×λ/NA,其中,λ是所采用的辐射的波长(当前大多数情况下是248nm或193nm),NA是光刻设备中的投影光学器件的数值孔径,CD是“临界尺寸”(即通常是所印制的最小特征大小),并且k1是经验分辨率因子。通常,k1越小,在所述衬底上再现与由电路设计者规划的形状和尺寸类似(以便实现特定电学功能性和性能)的图案就变得越困难。为了克服这些困难,将复杂的精调步骤施加到所述光刻设备和/或设计布局。这些步骤包括例如但不限于:NA和光学相干性设定的优化、自定义照射方案、使用相移图案形成装置、所述设计布局中的光学邻近效应校正(OPC),或通常被定义为“分辨率增强技术”(RET)的其它方法。
作为RET的示例,OPC处理如下事实:投影于所述衬底上的设计布局的图像的最终大小和放置将与在图案形成装置上的所述设计布局的大小和放置不同,或简单地仅取决于在图案形成装置上的所述设计布局的大小和放置。应注意,术语“掩模”、“掩模版”、“图案形成装置”在本公开中可互换地使用。而且,本领域技术人员将认识到,术语“掩模”、“图案形成装置”和“设计布局”能够可互换地使用,因为在RET的情境下,未必使用物理的图案化过程,但设计布局能被用于表示物理的图案化过程。对于存在于某一设计布局上的小特征大小和高特征密度,给定特征的特定边缘的位置将在某种程度上受到其它邻近特征的存在或不存在影响。这些邻近效应源自从一个特征耦合至另一特征的微小量的辐射或诸如衍射和干涉之类的非几何光学效应。相似地,邻近效应可能源自在通常在光刻术之后的曝光后焙烤(PEB)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应。
为了增加所述设计布局的被投影的图像是根据给定目标电路设计的要求的机会,则可以使用设计布局的复杂数值模型、校正或预变形来预测和补偿邻近效应。论文“Full-Chip Lithography Simulation and Design Analysis-How OPC Is Changing ICDesign”(C.Spence,Proc.SPIE,第5751卷,第1至14页(2005年))提供当前“基于模型的”光学邻近效应校正过程的综述。在典型高端设计中,设计布局的几乎每一特征都具有某种修改,以便实现被投影的图像至所述目标设计的高保真度。这些修改可以包括边缘位置或线宽的移位或偏置,以及旨在辅助其它特征的投影的“辅助”特征的应用。
OPC的最简单形式中的一种形式是选择性偏置。在给出CD相对于节距曲线的情况下,可以至少在最佳聚焦和曝光处通过改变图案形成装置水平面处的CD,来迫使所有不同的节距产生相同的CD。因而,如果特征在衬底水平面处印制得过小,则图案形成装置水平面的特征将被偏置成稍微大于名义值,反之亦然。由于从图案形成装置水平面至衬底水平面的图案转印过程是非线性的,所以偏置的量并非仅仅是在最佳聚焦和曝光处所测量的CD误差乘以缩小比率,而是利用建模和实验,能够确定适当的偏置。选择性偏置是对邻近效应的问题的不完全解决方案,特别是如果其仅在名义过程条件的情况下予以施加。尽管原则上可以施加这种偏置以给出最佳聚焦和曝光处的均匀的CD相对于节距曲线,但一旦曝光过程从名义条件变化,则每条偏置的节距曲线就将作出不同的响应,从而导致针对不同特征的不同过程窗口。过程窗口是两个或更多个过程参数(例如所述光刻设备中的焦距和辐射剂量)的一定范围的值,在所述过程参数下,特征被足够准确地创建(例如所述特征的CD在诸如±10%或±5%的某一范围内)。因此,用以给出相同CD相对于节距的“最佳”偏置甚至可能对总过程窗口有负面影响,从而缩减(而非放大)所有目标特征在所期望的过程容许度内印制于所述衬底上的焦距和曝光范围。
已开发出其它更复杂的OPC技术用于超出以上的一维偏置示例的应用。二维邻近效应是线端缩短的。线端具有作为曝光和焦距的函数而从它们的所期望的端点部位“拉回”的倾向。在许多情况下,长线端的端部缩短的程度能够比对应的线窄化的程度大若干倍。如果线端没有完全跨越其预期覆盖的下层(诸如,源漏极区上方的多晶硅栅极层),则这种类型的线端拉回能够导致正被制造的器件发生严重故障。由于这种类型的图案对焦距和曝光极其敏感,所以仅仅使线端偏置成比设计长度更长是不够的,这是因为最佳聚焦和曝光处或在曝光不足的条件下的线将会是过长的,从而在被延长的线端接触相邻结构时导致短路,或如果在电路中的单独特征之间添加更多空间的情况下导致不必要大的电路大小。由于集成电路设计和制造的目标中的一个目标是最大化功能元件的数目,同时最小化每芯片所需的面积,所以添加过量间隔是不期望的解决方案。
二维OPC途径可以帮助解决线端拉回问题。诸如“锤头状线”或“配线(serif)”之类的额外结构(也被称为“辅助特征”)可以被添加至线端,以将所述线端有效地锚固于适当位置且提供在整个过程窗口上的有所缩减的拉回。甚至在最佳聚焦和曝光下,这些额外结构也仍未被分辨,而是它们在其自身没有被完全分辨的情况下更改了主要特征的外观。如本文中所使用的“主要特征”意思是在过程窗中的一些或全部条件下旨在印制于衬底上的特征。辅助特征能够呈现比添加至线端的简单的锤头状线更积极多样的形式,达到了所述图案形成装置上的图案不再仅是被放大了所述缩小比率的所期望的衬底图案的程度。诸如配线之类的辅助特征能够被施加于除了仅仅缩减线端拉回之外的更多的情形。内部配线或外部配线能够被施加到任何边缘(尤其是二维边缘),以缩减拐角部倒圆角或边缘挤压。在利用足够的选择性偏置和所有大小和极性的辅助特征的情况下,所述图案形成装置上的特征承受与所述衬底水平处所期望的最终图案越来越小的类似性。一般而言,所述图案形成装置图案变成所述衬底水平面图案的预变形的形式,其中所述变形旨在抵消或反转在制造过程期间将出现的图案变形,以在所述衬底上产生尽可能与由设计者所预期的图案相接近的图案。
代替连接到主要特征的那些辅助特征(例如,配线)或除连接到主要特征的那些辅助特征之外,另一OPC技术涉及使用完全独立的且不可分辨的辅助特征。此处术语“独立的”意思是这些辅助特征的边缘没有连接到主要特征的边缘。这些独立的辅助特征并不旨在或期望印制为在所述衬底上的特征,而是旨在修改附近主要特征的空间图像以提高所述主要特征的可印制性和过程容许度。这些辅助特征(经常被称为“散射条”或“SBAR”)可以包括子分辨率辅助特征(SRAF),其是主要特征的边缘外的特征;和子分辨率逆特征(SRIF),其是从主要特征的边缘内取出的特征。SBAR的存在为图案形成装置图案增加了又一层复杂度。使用散射条的简单示例是,在被隔离的线特征的两侧上都绘制了不可分辨的散射条的规则阵列,这从空间图像的观点看具有使被隔离的线看起来更能代表密集的线阵列内的单条线的效应,从而导致过程窗口的焦距和曝光容许度更接近于密集的图案的焦距和曝光容许度。与在图案形成装置水平面处隔离时绘制的特征相比,在这种被装饰的被隔离的特征与密集的图案之间的共同的过程窗口将具有对焦距和曝光变化更大的共同容许度。
辅助特征可以被视为在图案形成装置上的特征与在所述设计布局中的特征之间的差异。术语“主要特征”和“辅助特征”没有暗示在图案形成装置上的特定特征必须被标注为一个或另一个。
作为简要介绍,图1图示了示例性光刻投影设备10A。主要部件包括:照射光学器件,其限定部分相干性(被表示为西格玛或标准差)且其可以包括对来自辐射源12A的辐射进行成形的光学器件14A、16Aa和16Ab,所述辐射源可以是深紫外线准分子激光源或包括极紫外线(EUV)源的其它类型的源(如本文论述的,光刻投影设备自身无需具有所述辐射源);和光学器件16Ac,所述光学器件16A将图案形成装置18A的图案形成装置图案的图像投影到衬底平面22A上。在所述投影光学器件的光瞳平面处的可调整的滤光器或光阑20A可能会限制入射到所述衬底平面22A上的束角度的范围,其中最大可能的角度限定了投影光学器件的数值孔径NA=sin(Θmax)。
在光刻投影设备中,投影光学器件经由图案形成装置将来自源的照射引导并成形至衬底上。术语“投影光学器件”在这里被广泛地限定为包括可以改变辐射束的波前的任何光学部件。例如,投影光学器件可以包括部件14A、16Aa、16Ab和16Ac中的至少一些部件。空间图像(AI)是衬底水平面处的辐射强度分布。曝光了所述衬底上的抗蚀剂层,并且将空间图像转印到抗蚀剂层以在其中作为潜影“抗蚀剂图像”(RI)。可以将抗蚀剂图像(RI)定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。抗蚀剂模型能够被用于根据所述空间图像来计算抗蚀剂图像。抗蚀剂模型仅与抗蚀剂层的属性有关(例如是在曝光、曝光后焙烤(PEB)和显影期间出现的化学过程的效应)。所述光刻投影设备的光学属性(例如所述照射、所述图案形成装置和所述投影光学器件的属性)规定了所述空间图像,并能够被限定在光学模型中。由于用于所述光刻投影设备中的所述图案形成装置能被改变,所以期望使所述图案形成装置的光学属性与光刻投影设备的其余部分(至少包括所述源和所述投影光学器件)的光学属性分离。用于将设计布局变换成各种光刻图像(例如空间图像、抗蚀剂图像等)、使用那些技术和模型来施加OPC并且评估性能(例如在过程窗口方面)的技术和模型的细节被描述于美国专利申请公开号US 2008-0301620、US 2007-0050749、US 2007-0031745、US2008-0309897号、US 2010-0162197和US 2010-0180251中,每个的公开内容在此通过引用而整体并入本文。
如图2所示,所述光刻设备LA可以形成光刻单元LC(有时被称为光刻元或光刻簇)的一部分,光刻单元还包括用于在衬底上执行一个或更多曝光前和曝光后过程的设备。常规地,这些设备包括:用于沉积抗蚀剂层的一个或更多个旋涂机SC、用于对曝光后的抗蚀剂进行显影的一个或更多个显影机DE、一个或更多个激冷板CH和一个或更多个焙烤板BK。衬底输送装置或机器人RO从输入/输出端口I/O1、I/O2拾取衬底,在不同的过程装置之间移动衬底,然后将其传送到输送光刻设备的装载台LB。这些装置通常统称为涂覆显影系统或轨道(track),并且由涂覆显影系统控制单元TCU控制,所述涂覆显影系统控制单元TCU本身由管理控制系统SCS控制,所述管理控制系统SCS也经由光刻控制单元LACU来控制所述光刻设备。因而,可以操作不同的设备以最大化生产量(例如每单位时间处理的衬底)和处理效率。所述光刻单元LC还可以包括:用于蚀刻所述衬底的一个或更多个蚀刻装置;和配置成测量所述衬底的参数的一个或更多个测量装置。所述测量装置可以包括配置成测量所述衬底的物理参数的光学测量装置,诸如散射仪、扫描电子显微镜等。所述测量装置可以被合并于所述光刻设备LA中。本公开的实施例可以在所述管理控制系统SCS或所述光刻控制单元LACU中实施,或者与所述管理控制系统SCS或所述光刻控制单元LACU一起实施。例如,来自所述管理控制系统SCS或所述光刻控制单元LACU的数据可以被本公开的实施例使用,并且来自本公开的实施例的一个或更多个信号可以被提供至所述管理控制系统SCS或所述光刻控制单元LACU。
图3示意性地描绘了在设计布局中进行光学邻近效应校正的方法。所述设计布局可以是在施加RET之前的设计布局或在施加RET之后的设计布局。所述设计布局可以是二元的或连续的色调。在本公开中,集中于将辅助特征(连接至主要特征的辅助特征,或独立的辅助特征)放置于设计布局中作为示例光学邻近效应校正,本文中的技术能够施加于所述示例光学邻近效应校正。如将了解的,本文中的技术能够施加于除辅助特征以外的替代光学邻近效应校正(诸如偏置等),或施加于除了辅助特征之外的光学邻近效应校正(例如偏置和辅助特征的组合)。
计算模型或经验模型213能够用于施加一个或更多个光学邻近效应校正(例如,确定一个或更多个特性,诸如确定一个或更多个光学邻近效应校正的存在性、部位、类型、形状等),诸如一个或更多个辅助特征。模型213能够考虑器件制造过程的一个或更多个特性211(也被称为处理参数),或一个或更多个设计布局参数212,或两者。一个或更多个处理参数211是与所述器件制造过程相关联但不与所述设计布局相关联的一个或更多个参数。例如,所述一个或更多个处理参数211可以包括照射的特性(例如,强度、光瞳轮廓等)、所述投影光学器件的特性、剂量、焦距、抗蚀剂的特性、抗蚀剂的显影的特性、抗蚀剂的曝光后焙烤的特性、或蚀刻的特性。所述一个或更多个设计布局参数212可以包括在设计布局上的各种特征的一个或更多个形状、大小、相对部位或绝对部位,并且还可以包括在不同设计布局上的特征的重叠。在经验模型中,图像(例如,抗蚀剂图像、光学图像、蚀刻图像)未被模拟;替代地,所述经验模型基于在输入(例如,一个或更多个处理参数211和/或设计布局参数212)与光学邻近效应校正之间的相互关系来进行光学校正(例如,放置辅助特征)。在计算模型中,计算出图像的部分或特性,并且基于被计算的图像的部分或特性来施加光学邻近效应校正。
经验模型的示例是机器学习模型。无监督机器学习和有监督机器学习模型两者都可以用于进行光学邻近效应校正。在不限制本公开的范围的情况下,下文描述了有监督机器学习算法的应用。
有监督学习是根据被标注的训练数据推断函数的机器学习任务。训练数据包括训练示例的集合。在有监督学习中,每个示例是具有输入对象(典型地为向量)和期望的输出值(也称为监控信号)的对。有监督学习算法对所述训练数据进行分析并且产生能够用于映射新示例的推断出的函数。在实施例中,最佳情境将允许算法正确地确定用于未见过的示例的类别标签。这要求所述学习算法以“合理”的方式从所述训练数据概括/推广到未见过的情形。
在给出具有形式{(x1,y1),(x2,y2),...,(xN,yN)}的N个训练示例的集合使得xi是第i个示例的特征向量且yi是其标签(即类别)的情况下,学习算法寻求函数g:X→Y,其中X是输入空间且Y是输出空间。特征向量是表示某一对象的数值特征的n维向量。机器学习中的许多算法需要对象的数值表示,因为这些表示便利了处理和统计分析。当表示图像时,特征值可能对应于图像的像素,当表示文字时,特征值可能称为出现频率。与这些向量相关联的向量空间常常被称为特征空间。函数g是可能函数G的某些空间(经常被称为假设空间)的元素。有时以下操作是方便的:使用计分函数f:来表示g,使得g被定义为返回给出最高计分:g(x)=arg maxyf(x,y)的y值,其中F表示计分函数的空间。尽管G和F能够是函数的任何空间,但许多学习算法是概率模型,其中g采用条件概率模型g(x)=P(y|x)的形式,或f采用联合概率模型f(x,y)=P(x,y)的形式。例如,朴素贝叶斯(naive Bayes)和线性判别分析是联合概率模型,而逻辑回归是条件概率模型。
存在用以选择f或g的两种基本途径:经验风险最小化和结构风险最小化。经验风险最小化寻求对所述训练数据实现最佳拟合的函数。结构风险最小化包括控制偏置/方差取舍的惩罚函数。
在两种情况下,假定训练集合具有独立且相同分布的对(xi,yi)的样本。为了测量出函数对所述训练数据进行拟合的良好程度,通常会定义目标函数。例如,能够定义成本或损失函数L:在这种情形下,对于训练示例(xi,yi),预测值的损失是将函数g的风险R(g)定义为g的预期损失。这能够从所述训练数据而被估计为
有监督学习的示例性模型包括决策树、集成(装袋、增强、随机森林)、k-NN、线性回归、朴素贝叶斯、神经网络、逻辑回归、感知器(Perceptron)、支持向量机(SVM)、相关性向量机(RVM)和深度学习。
SVM是有监督学习模型的示例,其分析数据且识别图案,且能够用于分类和回归分析。在给出训练示例的集合的情况下,每个训练示例被标记为属于两个种类中的一个种类,SVM训练算法建立将新示例指派至一个种类或另一种类中的模型,使得其为非概率二元线性分类器。SVM模型是如空间中的点的示例的表示,其被映射使得分立的种类的示例由尽可能宽的清晰间隙分隔。接着将新示例映射至同一空间中,且基于其落在间隙的哪一侧来预测其属于的种类。除了执行线性分类以外,SVM也能够使用所谓的核心方法来有效地执行非线性分类,从而隐含地将它们的输入映射至高维特征空间中。
核心方法涉及使用者指定的核心,即,遍及原始表示中成对数据点的相似度函数。核心方法的名称是由于核心函数的使用,核心函数使它们能够在高维、隐式特征空间中操作而无需不断计算所述空间中的数据的坐标,而是通过简单地计算在特征空间中的所有成对数据的图像之间的内积。所述操作在计算上常常比坐标的显式计算代价更低。这种方式被称为“核心技巧(kernel trick)”。
SVM的有效性取决于对核心、核心的参数、以及软间隔(soft margin)参数C的选择。常见的选择是高斯核心,其具有单个参数γ。常常通过利用呈指数增长的C和γ的序列(例如C∈{2-5,2-4,...,215,216};γ∈{2-15,2-14,...,24,25}进行的网格搜索(也被称为“参数扫描”)来选择C与γ的最佳组合。
网格搜索是通过学习算法的超参数空间的手动指定子集进行的穷举搜索。网格搜索算法是由某一性能指标引导,所述性能指标典型地是通过对训练集合的交叉验证或对留存验证集合的评估来测量。
可以使用交叉验证来检查参数选择的每个组合,且选取具有最佳交叉验证准确度的参数。
交叉验证(有时被称为旋转估计)是用于评估统计分析的结果将如何一般化或推广成独立的数据集合的模型验证技术。其主要用在目标是预测且希望对预测模型在实践中将执行的准确程度进行估计的设定中。在预测问题中,经常向模型提供训练正在运行于的已知数据的数据集(训练数据集),和模型被测试所针对的未知数据(或首次看见的数据)的数据集(测试数据集)。交叉验证的目标是定义用于在训练阶段对模型进行“测试”的数据集合(即,验证数据集合),以便限制如过拟合之类的问题,给出对所述模型将如何一般化/概括成独立的数据集合(即,未知数据集合,例如来自真实问题)的见解等。交叉验证的一个回合涉及将数据的样本分割成互补子集、对一个子集(被称为训练集合)执行分析,和验证对另一子集(被称为验证集合或测试集合)的分析。为了降低变动性,使用不同分割来执行多个回合的交叉验证,且对所述回合的验证结果取平均值。
接着使用所选参数对整个训练集合训练能够用于测试且用于将新数据分类的最终模型。
有监督学习的另一示例是回归。回归从在因变量的值与自变量的对应值的集合推断出在因变量与一个或更多个自变量之间的关系。在给出自变量的情况下,回归可以估计所述因变量的条件期望值。推断出的关系可以被称为回归函数。推断出的关系可以是概率性的。
通常,一个设计布局有数十亿个图案,而且必须选择这些图案的样本用于确定图案化过程参数、训练过程模型,等等。因此,期望选择代表设计布局的多样化图案。然而,为了选择用于全芯片电路设计上的机器学习SRAF的样本,目前还没有用以系统地且有效地选择多样化样本(例如代表图案)用于学习的明确方法。在一种已知方法中,基于人类本能或关于电路设计的设计上的重要部位或已知热点的知识,从设计布局提取图案样本。在另一种方法中,定义了图案搜索算法以识别设计布局中的多个独特图案即多个唯一图案。在这种搜索算法中,定义与期望的图案相关联的期望的特性,并且所述搜索算法在所述设计布局内搜索满足这些期望的特性的图案。然而,这些搜索算法是不准确的,并且这些特性可能是用户定义的,且可能不是系统地定义的。
由于全芯片电路设计具有图案的很多多样性,因此可以选择(与存在于所述设计布局中的实际独特图案相比)相对较少的独特图案以供机器学习,从而导致欠拟合模型即拟合不足的模型(例如,机器学习模型)。在另一种情况下,可以选择相对较高数目的相似图案用于机器学习,这可能导致过拟合模型。此外,由于不存在用以从全芯片系统地捕获独特设计的明确方法,因此机器学习模型导致对全芯片设计的覆盖范围不良。在实施例中,覆盖范围指的是覆盖或表示大致整个设计布局(例如,具有数十亿个图案)的所选的一组图案(例如,500,000个;250,000个、100,000个或更少)。因此,在实施例中,高覆盖范围指示出所选的一组图案相对较高地覆盖了所有设计图案,而低覆盖范围指示出所选的一组图案覆盖了相对较低数目的设计图案。
图4A是确定用于训练机器学习模型以预测光学邻近效应校正的代表图案的方法400的流程图。这种代表图案确保训练后的机器学习模型不会过拟合或欠拟合(即拟合不足)。换句话说,使用所述代表图案来训练模型(例如,机器学习模型)确保了,训练数据既不包括相对较高数目的相似图案由此不会过拟合,也不会省略相异图案由此不会欠拟合。
在工序P402中,方法400涉及获得包括一组图案群组402的设计布局403,每个图案群组包括一个或更多个子群组401。图4C图示了包括一组图案群组402(例如{G1、G2、G3、G4、G5、G7、G8、G9、G10……})的设计布局403的示例。此外,所述图案群组包括一个或更多个子群组401,诸如群组G1包括子群组{sg1、sg2、sg3……}。在实施例中,所述一组图案群组被分散于所述设计布局403上的不同部位处。
在实施例中,所述图案群组被布置呈层级结构,其中每个图案群组包括一个或更多个图案子群组。因此,子群组(如图4C中的sg2)出现在多于一个群组中(如图4C中的G1和G3)。在实施例中,图案群组的层级结构是指用于表示所述图案群组的数据结构。在实施例中,所述层级结构包括一个或更多个图案子群组,这些图案子群组根据设计准则而在数据结构中被定位(例如,被排序)呈彼此叠置。例如,所述子群组可以基于图案子群组内的多个特征、图案子群组的临界程度、或其它准则而被布置呈层级结构。所述层级结构包括若干子级别,其中每个子级别包括一个或更多个图案子群组。例如,G1可以被视为顶部级别,且子群组sg1、sg2和sg3可以是G1的第一子级别的一部分。此外,子群组(例如,sg1)可以包括可以被视为所述第一子级别的子级别的另一子群组(例如,sg11、sg12、sg13等(未图示))。本公开不限于所述设计布局的特定层级结构。
在实施例中,所述层级结构被配置为使得可以在此结构内执行搜索以找出图案的特定子群组。在实施例中,可以产生围绕特定图案子群组的视觉标识或边界,以便可以在所述设计布局上标记所述特定子群组的一个或更多个部位。在实施例中,所述标识内的特征可以用于训练、产生OPC、或其它应用。在实施例中,这样的视觉标识可以使特定子群组能够与部位的临界程度相关联(例如,热点部位与其它部位相比是高度临界的)。在实施例中,与热点相关联的图案可以用于确定图案化过程的过程窗口(例如,剂量、焦距)、用以最大化所述过程窗口的OPC、和/或一个或更多个处理参数的值。
在实施例中,所述层级表示向所述设计布局提供系统数据结构,由此能够系统地搜索所述设计布局403的代表图案。
此外,工序P404涉及确定所述一组图案群组402中的一组代表图案404(以及通过扩展而言的所述设计布局401)。代表图案是其实例出现于所述一组图案群组中的子群组。例如,如图4C所示,一组代表图案是R,包括子群组sg1、sg2、sg3和sgx。如图所示,所述代表图案sg1具有多个实例,特别是在群组G1、G2和G4中的多个实例。如图所示,sg1的示例位于所述设计布局403上的不同部位处。在实施例中,可以围绕正在搜索的图案的每个实例的实例来绘制标识或边界。
图7A至图7B和图8以视觉方式图示了搜索的示例。图7A是示例设计布局700,且图7B中示出了图案群组701(例如,所述设计布局700的一部分)。在图案群组700中,图8示出了代表图案801的实例810。在图8中,也可以产生所述代表图案801周围的轮廓或标识,并将其提供给图像以供在显示屏上高亮显示所述代表图案。
在实施例中,如图4B的流程图所示,确定所述一组代表图案404是迭代过程。在工序P414中,迭代涉及在所述一组图案群组402(例如,G1至Gn)的层级结构内搜索给定的图案子群组412(例如,sg1)的实例。此外,工序P416涉及将给定子群组的实例(例如,如图4C所示)分类为代表图案416(例如,图4C中的R)。在实施例中,分类涉及创建一组代表图案404,其中所述一组代表图案404的元素是表示所搜索的子群组412的所有实例的一个图案。
此外,在实施例中,可以提取与所述代表图案相关的信息。例如,工序P418涉及从所述设计布局提取与所述代表图案(例如sg1)相关联的图案信息418。在实施例中,所述图案信息418包括所述代表图案的一个或更多个特性。在实施例中,所述一个或更多个特性包括几何特性(例如大小、形状,等等)、特征的相对于彼此的相对位置、所述设计布局内的所述代表图案的相对位置,或其它特性。
如先前所提及的,现有技术涉及基于图案搜索算法在设计布局内搜索图案。这种算法被配置成接收图案的某些特性作为输入,并且在所述设计布局(或其一部分)内搜索满足这些特性的图案。在实施例中,所述搜索涉及将图案形状、大小、特征之间的相对位置与所述输入特性进行比较。然而,搜索结果通常不准确,并且若干图案可能被不准确地归类为类似图案,从而导致某些独特图案的冗余或遗漏。此外,关于所述设计布局的数十亿个图案或甚至其一部分的这种基于特性的搜索是计算密集型的,且不是时间效率高的/具有时效性的。
另一方面,在本公开中,对图案子群组的搜索不直接将给定子群组的图案形状和大小与所述一组图案群组内的图案形状和大小进行比较。例如,搜索首先基于例如与图案子群组相关联的标识符(例如,名称或字母数字字符、字符串,等等)来进行搜索。例如,所述一组图案群组中的每个群组与第一标识符相关联,并且所述一个或更多个图案子群组与第二标识符相关联。
因此,可以修改P404的工序以基于标识符来确定一组代表图案。例如,过程P404涉及将与给定子群组相关联的第二标识符与所述一组图案中的每个群组的层级结构内的标识符进行比较;以及基于所述比较,识别所述一组图案群组内的具有相同的第二标识符的图案子群组的实例;以及将给定子群组的实例分类为代表图案。
尽管初始搜索不是基于图案特性的比较(例如,一个或更多个特征的形状和大小),但所述方法可以被进一步扩展以在所识别的图案的不同实例之间执行特性比较。与整个设计布局相比,所述比较是针对相对较小的一组图案来进行的,因此这种比较在强度和速度方面都计算较少。
返回参考图4A,工序P406中的所述方法400涉及经由使用所述一组代表图案404来模拟光学邻近效应校正过程从而获得与所述一组代表图案404相关联的参考光学邻近效应校正数据406。在实施例中,获得所述参考光学邻近效应校正涉及使用与代表图案相关联的图案信息来模拟所述光学邻近效应校正过程(例如,如关于图3所论述的),以及提供与用于图案化过程的代表图案相关联的光学邻近效应校正。
图6图示了呈与所述参考图案404对应的灰度图像(例如,CTM)形式的示例参考数据406。在此示例中,404的每个参考图案与参考CTM图像406相关联。在实施例中,404和406两者都可以是像素化图像,并且每个这样的图像的像素值可以被用于训练所述机器学习模型。以这种方式进行训练,所述机器学习模型在OPC与代表图案的特征之间建立相关性(例如,呈CNN的不同层的权重和偏差的值的形式)。在实施例中,这种相关性还可以用于预测任何图案的OPC。
本公开不限于特定参考数据,例如OPC。本领域技术人员可以修改所述方法400以产生与所述代表图案相关的其它特性数据,并使用这些特性数据来训练所述机器学习模型以预测与所述设计布局相关联的特性。
在实施例中,所述光学邻近效应校正包括放置与所述设计布局的期望的图案相关联的辅助特征。在实施例中,所述光学邻近效应校正呈图像的形式,并且所述训练基于图像或图像的像素数据。如先前(例如,在图3中)所提及的,图像是连续传输掩模(CTM)图像和/或辅助特征引导映射图,其中CTM图像和引导映射图提供与一组代表图案相关联的辅助特征的部位。在实施例中,通过基于模型的OPC模拟、或基于规则的OPC模拟来产生辅助特征引导映射图。
在实施例中,基于一个或更多个代表图案404或代表图案的一个或更多个特性,使用任何合适的方法来确定OPC的辅助特征的一个或更多个特性。例如,辅助特征的一个或更多个特性可以使用美国专利号9,111,062中描述的方法或Y.Shen等人的“Level-Set-BasedInverse Lithography For Photomask Synthesis(Optics Express,第17卷,第23690-23701页(2009年))(这些公开内容通过引用而整体并入本文)所描述的方法,和/或本文所描述的或通过引用并入本文中的任何文件中描述的任何其它技术来确定。例如,例如,参考OPC数据406可以包括所述一个或更多个特性,诸如辅助特征的一个或更多个几何特性(例如,绝对部位、相对部位、或形状)、辅助特征的一个或更多个统计特性(诸如辅助特征的几何尺寸的平均值或方差)、或辅助特征的参数化(例如,辅助特征的函数的一个或更多个值,诸如在某些基函数上的投影)或辅助特征的图像或图像数据(例如,像素化、二元曼哈顿、二元曲线、或连续色调图像和/或具有相关联部位的像素值)。
一旦训练数据(例如,代表图案404和参考数据406)是可用的,则工序P408涉及训练机器学习模型,所述机器学习模型被配置成基于所述一组代表图案404和所述参考光学邻近效应校正数据406来预测所述设计布局403的光学邻近效应校正410。
在实施例中,所述设计布局的代表图案404的一个或更多个特性、以及所述参考数据406的一个或更多个特性(例如,与辅助特征相关联)的值被包括在训练数据中作为样本。在实施例中,一个或更多个特性被包括在所述样本的特征向量(也被称为输入向量)中,且一个或更多个特性被包括为所述样本的参考(也被称为监控信号或应答向量)中。在工序P408中,使用训练数据来训练机器学习模型410,以使得目标函数(例如,损失或成本函数)可以在训练中被使用。所述目标函数可以是所述参考数据(例如OPC图像)与由所述机器学习模型使用所述代表图案作为输入而输出的预测数据(例如图像)之间的差异。
本公开具有若干应用。在实施例中,将多个代表图案404或者一个或更多个特性404作为输入被提供至训练后的机器学习模型中,且从所述训练后的机器学习模型410获得用于代表图案404的一个或更多个辅助特征的一个或更多个特性作为输出。所述一个或更多个特性可以包括辅助特征的一个或更多个几何特性(例如绝对部位、相对部位、或形状)。所述一个或更多个特性可以包括辅助特征的参数化,诸如在某些基函数上的投影。所述一个或更多个特性可以包括辅助特征的图像(像素化、二元曼哈顿、二元曲线、或连续色调)或图像数据(例如,具有相关联部位的像素值)。可以例如使用公开号US2008/0301620的美国专利申请中描述的方法来调整辅助特征的所述一个或更多个特性以避免它们之中的冲突,所述专利申请公开内容通过引用整体并入本文。
图9是根据本公开的示例性实施例的训练机器学习模型(例如,在过程P408中)和相关联数据的示例。在图9中,一个或更多个片段(诸如片段9001、9002、9003和9004)可以是来自全芯片图案9000的代表图案(例如404)。在这些示例中,片段对应于接触孔布置。如在全芯片图案9000中可以看出,可能存在数十亿个图案,且因此代表了在全芯片图案上准确地、一致地和快速地执行光学邻近效应校正的重大问题。如上所描述,例如,如在过程P404中所论述的,系统地获得代表图案。另一方面,现有方法基于例如经验丰富的芯片设计师的启发法即试探法,频率或频谱分析,或其组合。这些方法具有前面提到的缺点,导致过拟合或欠拟合的模型。
在实施例中,样本片段9001至9004能够被再现至诸如被再现的片段9011、9012、9013和9014之类的处理后的输入数据9011、9012、9013和9014中。在实施例中,这种再现并非是必要的。此处,二元片段9001、9002、9003和9004变换成灰度片段9011、9012、9013和9014。用于再现的额外或替代可能方案能够包括施加于片段的初始RET,例如,施加SMO、偏置所述片段中的一个或更多个特征,等等。
此外,所述训练过程获得对应于样本片段的光学邻近效应校正数据9021、9022、9023和9024,诸如CTM图9021至9024(如图9中所图示,其中邻近于暗特征的浅灰色对应于辅助特征,诸如SRAF),所述CTM图分别对应于样本片段9001至9004。数据9011至9014和对应的数据9021至9024接着用于训练所述机器学习模型(例如,如在图4中在过程P408中所论述的)。
在实施例中,所述机器学习模型可具体针对于特定图案形成装置图案。换句话说,所述机器学习模型可以针对不同的图案形成装置图案被重新训练。在一些实施例中,一个被训练的机器学习模型可以用于具有相似的片段图案的若干不同的图案形成装置图案。
在实施例中,所述机器学习模型具体针对于用于所述图案形成装置图案的特定器件制造过程。例如,所述器件制造过程可以在某种所使用的照射类型、某种所使用的抗蚀剂、某些投影系统设定等方面加以配置。那些器件制造过程参数中的一个或更多个可以用于产生“真实”数据,且因此所述机器学习模型可以具体针对于所述器件制造过程的特定配置。如将了解,产生“真实”数据可以涉及造成对过程参数中的一个或更多个的扰动的模拟,且因此所述机器学习模型可以扩展至器件制造过程的特定配置的变化。在实施例中,如果所述器件制造过程的特定配置在材料方面改变,则可能需要训练新的机器学习模型或可能需要重新训练之前相似的机器学习模型。
在实施例中,方法400可以与采用训练后的机器学习模型410来改善所述图案化过程的方法500协同实施。例如,改善所述图案化过程的一个或更多个方面,诸如过程窗口、OPC、良率,等等。
在实施例中,方法500涉及在过程P501中,经由执行训练后的机器学习模型410来确定与给定设计布局501相关联的掩模图案数据510。此外,所述过程P501可以包括输出将在图案化过程中用于对衬底进行成像的掩模图案数据510。例如,可以用例如GDS格式、文本文件、或其它适当格式来输出所述数据510。
在实施例中,所述掩模图案数据包括将在光刻过程中使用的掩模的一个或更多个特性。例如,所述一个或更多个特性可以是所述掩模图案的几何性质(例如,OPC、图案的形状/大小)、所述掩模的反射率、所述掩模的透射率,等等。在实施例中,所述掩模图案数据包括所述图案化过程对过程参数中的一个或更多个进行调整所针对的特性(例如,OPC),所述过程参数包括剂量、焦距、照射强度和/或照射光瞳。
在实施例中,所述掩模图案数据510可以由与所述图案化过程相关联的各种实体(例如,供应商、计算机系统,等等)使用。在实施例中,所述掩模图案数据510可以例如以数字形式(例如,GDS格式、文本文件、或与导入实体的计算机系统相兼容的其它适当格式)而被导出或提供给掩模制造商。因此,在实施例中,过程P510涉及使用待在光刻过程中使用掩模图案数据510,经由掩模制造设备来制造掩模520,以待在光刻过程中使用从而对衬底进行成像。因此,更快和更准确的掩模图案数据可以改善掩模制造过程以及由此产生的掩模。当这样的掩模继而用于所述图案化过程中时,例如经由光刻设备,则印制的图案将与期望的图案紧密地匹配。
在实施例中,可以提供所述掩模图案数据510,作为图案化过程或与图案化过程相关联的模型的模拟的输入。在实施例中,过程P530涉及经由与训练机器学习模型410协同的模拟过程模型(例如,光学模型、抗蚀剂模型、蚀刻模型,等等)来确定与给定设计布局的期望的图案相关联的过程条件530。在实施例中,所述处理条件530包括过程参数中的一个或更多个的值,所述过程参数包含剂量、焦距、照射强度和/或照射光瞳。
此外,过程P532涉及经由根据采用与所述设计布局501相对应的掩模525的过程条件530而配置的光刻设备来曝光衬底。在实施例中,根据前面论述的过程P510来制造所述掩模525。然而,所述掩模525(或其掩模图案数据)不限于特定掩模制造过程。例如,模拟步骤也可以接收根据现有过程模拟方法(例如,SMO、MO等)而产生的任何掩模图案数据。
如上文所提及,光学邻近效应校正修改了(例如高级逻辑器件的)所述设计布局,其目的在于例如提供用于在衬底上形成设计布局的充分的过程窗口(PW)。例如,辅助特征(作为OPC的示例),尤其是SRAF,能够以使得被隔离的特征表现为致密的方式来修改所述设计布局的被隔离的主要特征的环境,这能够通过提供充分的过程窗口(PW)来实现按比例缩小这种主要特征。因此,期望的是遍及全芯片中的充分、准确且不变的光学邻近效应校正。然而,光学邻近效应校正的运行时间应是快速的,以使得能够及时地将光学邻近效应校正施加于全芯片。
在光学邻近效应校正技术当中,基于模型的光学邻近效应校正途径能够递送具有良好准确度和一致性但经常以速度为代价的较大过程窗口(PW)。例如,SMO-MO是能够递送较大过程窗口(PW)的光学邻近效应校正技术。在实施例中,SMO-MO能够使用SMO过程以识别最佳照射和图案形成装置图案(所述优化可以在所使用的OPC校正的类型方面加以限定,例如,不施加辅助特征),且接着所述最佳照射用于在光学邻近效应校正方面进一步优化所述图案形成装置图案(例如施加辅助特征)。在实施例中,SMO-MO使用基于梯度的迭代途径以优化连续色调图案形成装置图案,使得相关联的成本函数最小化/最大化。在每一迭代中,计算出图案形成装置图案的梯度图且所述梯度图进一步用于引导优化的方向(例如施加OPC,诸如辅助特征的放置)。SMO-MO能够是极其准确的,并且可以产生最大过程窗口;然而,运行时间对于全芯片施加可能是过高的。
用于光学邻近效应校正的另一基于模型的途径是使用所谓的SRAF引导图(SGM)(参见例如公开号US2008-0301620的美国专利申请,其先前通过引用并入本文),所述途径相比于其它途径相对较快但可能无法递送最佳过程窗口。
其它全芯片光学邻近效应校正相比于SMO-MO是相对较快的但各自可能具有一些缺点。例如,基于规则的光学邻近效应校正途径涉及施加二维(2D)规则以施加光学邻近效应校正(诸如放置辅助特征)。然而,规则的确定和全面性可能难以实施且可能无法保证用于逻辑应用的2D规则的准确度。
在辅助特征的情境下,它们的放置典型地应具有比在光学邻近效应校正过程中所使用的图案形成装置图案的像素的大小更小的准确度,以使得所述过程能够及时地完成。例如,应在从0至约10nm范围内选择准确度。替代地或另外,非常期望辅助特征的放置的一致性和/或对称性。一致性指具有实质上相似的辅助特征放置的图案形成装置图案(例如全芯片图案形成装置图案)中的重复图案。辅助特征放置应理想地具有符合图案对称性和照射分布形状对称性(例如具有偶极或四极照射的对称性)的对称性。然而,现有的技术在全芯片水平可能不会提供这种准确度、一致性和/或对称性。
因此,在实施例中,且如上文在一程度上已经参考图3和图4所描述,机器学习过程能够有利于实现光学邻近效应校正(诸如辅助特征的放置)的准确且完整施加,且能够对于例如全芯片施加以快速方式实现。
虽然现有的深度学习结构可以用于图像识别,但本文中的机器学习技术在许多方面不同于这种图像识别,包括但不限于:提供至机器学习模型以用于训练且供被训练的机器学习模型使用的输入、来自所述机器学习模型的输出、所期望的分辨率、和/或用于训练所述机器学习模型的目标函数。
例如,为了将上文所描述的技术中之的一些(诸如SMO-MO)的过程窗口益处从片段水平面(其指全芯片图案化图案的一部分)传播至全芯片图案形成装置图案,本文中描述了基于机器学习的光学邻近效应校正技术,所述技术将来自例如片段水平面处的这些其它技术的数据作为训练数据以通过机器学习模型基于关于诸如全芯片图案的图案形成装置图案的数据来实现光学邻近效应校正的预测。根据实施例,使用由SMO-MO产生的训练数据来训练机器学习模型,且随后将被训练的模型施加于全芯片布局以用于光学邻近效应校正应用。
此外,在实施例中,深度学习能够施加于光学邻近效应校正预测(例如SRAF放置问题)。与传统机器学习技术相比,深度学习可以例如:1)不需要手动特征工程化,2)能够学习大量数据,和/或3)可以具有高的准确度。
在实施例中,本文中的技术可以顺畅地集成至诸如ASML超光速粒子OPC流程之类的全芯片OPC流程中。例如,被预测的光学邻近效应校正图(例如,辅助特征图)可以用于对设计图案(例如,SRAF提取)施加光学邻近效应校正且经受进一步OPC。另外,用户定义的掩模约束可以施加于光学邻近效应校正的应用和/或可以在过程条件下进行印制检查(例如使用ASML的LMC工具)。
在实施例中,本文中的机器学习技术可以扩展至OPC中的其它应用,其中期望实现图像预测,例如,高级逆计算光刻引擎的初始化。
对于光学邻近效应校正预测,期望使用目标设计图案(其可以是片段或全芯片)以针对所述目标设计图案来预测(优化的)光学邻近效应校正预测。然而,存在用于机器学习输入和输出的许多不同选项。在实施例中,目标设计图案和光学邻近效应校正设计图案典型地可以呈GDS(GDSII)、OASIS或其它相似的格式用于例如制造目的,这意味着它们是二元的。对于机器学习过程,图像可以用于预测光学邻近效应校正的图像。因此,在实施例中,呈GDS(GDSII)、OASIS或其它相似的格式的二元目标设计图案被转换为像素化图像。在第一可能方案中,目标设计图案被转换为二元像素化图像。在另一可能方案中,目标设计图案被转换为灰阶像素化图像。如上文所述,能够期望选择后一选项——灰阶像素化图像。选择后一选项的原因包括,例如:1)对于相同的给定像素尺寸(图像分辨率),由于取决于灰阶的数目的“连续”强度的额外自由度,则灰阶图像比二元图像具有多得多的信息。换句话说,为了保持与二元像素化图像相同量的信息,灰阶图像可以比二元像素化图像具有更大像素大小,且因而可加速计算;和/或2)先进掩模优化引擎(例如,SM0或iOPC软件工具、这种ASML的超光速粒子软件)可以直接针对给定目标设计图案提供CTM图像,所述CTM图像呈灰阶。
因此,在实施例中,对于机器学习输入图像,掩模模型可以用于将二元目标设计图案再现成灰阶目标设计图案图像。对于机器学习输出图像(包括用于机器学习的基准数据),可以使用CTM图像,其可以通过使用用于机器学习模型训练的CTM产生软件程序来产生。
然而,可能存在用于机器学习模型输入图像的某些其它可能方案。例如,灰阶目标设计图案图像可以与一个或更多个光学核心(例如,一个或更多个TCC核心)进行卷积以产生一个或更多个额外信号图像。在实施例中,单一灰阶目标设计图案图像可以产生多于一个信号图像,因为一模型中可以存在多个光学核心(例如,TCC核心)。在实施例中,所有信号图像可以用于机器学习模型训练中,或可以使用一系列的一个或更多个信号图像。作为另一示例,基于模型的SGM软件引擎的输出图像可以用作机器学习输入图像。在大多数的情况下,这种图像比由掩模模型创建的灰阶目标设计图案图像更接近于CTM图像。
利用所述机器学习输入图像,所述机器学习模型接着仅需要学习它们之间的差(或误差),从而可以使任务较容易。因此,总而言之,对于机器学习输入,可以存在若干可能方案,包括1)灰阶目标设计图案图像,2)一个或更多个信号图像,和/或3)SGM。由于机器学习可以包括具有相同大小的几个图像作为一个输入,因此它们中的一者或其混合可以被选择作为用于机器学习的输入。
已经针对深度学习任务设计了若干神经网络结构。作为示例,对于图像识别任务,多个架构包括例如AlexNet(参见例如A.Krizhevsky等人,“ImageNet Classificationwith Deep Convolutional Neural Networks”,Advances in Neural InformationProcessing Systems 25(NIPS 2012),其通过引用全文并入本文),GoogLeNet(参见例如C.Szegedy等人,“Going Deeper with Convolutions”,2015年IEEE Conference onComputer Vision and Pattern Recognition(CVPR),其通过引用全文并入本文),VGG(参见例如K.Simonyan等人,“Very Deep Convolutional Networks for Large-Scale ImageRecognition”,International Conference on Learning Representations(2015),其通过引用全文并入本文),和ResNet(参见例如K.He等人,“Deep Residual Learning forImage Recognition”,2016IEEE Conference on Computer Vision and PatternRecognition,其通过引用全文并入本文)。那些设计中的每一者具有其自身直觉和强度。然而,这些未必直接适用于针对如本文中所描述的设计图案来预测光学邻近效应校正,因为光学邻近效应校正预测显著不同于传统的深度学习任务。例如,典型的图像分类问题具有固定的输入和输出大小,而对于光学邻近效应校正预测,期望处理具有不同大小的图像。作为另一示例,常常使用汇聚层(pooling layer)(步幅大于1)来提供降维且改善局域不变性。然而,这趋向于不可以用于光学邻近效应校正预测,因为输入和输出图像对通常具有相同的大小。因此,在实施例中,下文描述新的神经网络作为用于光学邻近效应校正预测的机器学习模型。
在这一神经网络的实施例中,提供了一个或更多个基本搭建块,且接着通过堆叠一个或更多个基本块的示例来构造出深度网络。对于一个或更多个基本块,存在若干选项。第一类型的基本块为所属领域中已知的卷积层。另一类型的基本块为起始块(inceptionblock)。起始块由步幅为1的最大一个汇聚层与具有不同滤波器大小的两个或更多个卷积层组成。图10中呈现示例起始块。在图10中,块1610至1650和1670表示卷积层(例如,1x1卷积1610、1620、1640、1670,3x3卷积1630和5x5卷积1650,但可以提供不同的布置)。而且,块1660表示一个汇聚层(例如3x3最大汇聚),块1680表示滤波器(例如,滤波器级联),以及块1600通常指先前层(诸如另一起始块)。另一类型的基本块是残差块。残差块具有两个卷积层和用以直接连接残差块的输入和输出的额外路径。图11中呈现残差块的示例。块1700和1710表示卷积层,其在此情况下通常可以是输入x的函数F。线1720表示用以直接连接残差块的输入和输出的额外路径。在这一示例中,所述路径将输入连接至加法器以将值x与F(x)组合以产生F(x)=x。因此,为了创建深度神经网路,连接了这些基本块中的一个或更多个基本块的一个或更多个示例。在实施例中,一种类型的基本块可以用于整个神经网络。在实施例中,混合不同的基本块可以用于神经网络中。这些基本块的优点在于它们可以支持灵活的输入图像大小,因为基本上仅使用卷积和汇聚运算。最终的深度神经网络因此也支持灵活的输出图像大小。
在实施例中,光刻设备可以被配置成与代表图案(例如,404)和/或训练后的机器学习模型410协同地受控制。例如,所述光刻设备的处理器(例如,图1、图2、图14和图15)。
在实施例中,提供了一种用于图案化过程的光刻设备,所述光刻设备包括与设计布局相关联的掩模、待使用所述掩模来成像的衬底、以及被配置成控制所述光刻设备的处理器(例如,图13中的处理器104)。在实施例中,所述处理器被配置成获得(i)待印制于衬底上的设计布局(例如403或501)的一组代表图案(例如404)和(ii)与所述一组代表图案相关联的过程条件(例如530)。此外,所述处理器被配置成根据所述过程条件,经由所述光刻设备来控制所述图案化过程的参数。
如先前所提及的,在实施例中,所述设计布局(例如403)包括以层级方式而布置的一组图案群组(例如402)。
此外,如在方法400中所论述的,通过识别出其实例出现在所述设计布局的所述一组图案群组的层级结构中的一个或更多个图案子群组(例如403)来获得所述代表图案。
在实施例中,如先前所提及的,经由使用所述一组代表图案对图案化过程进行模拟来获得所述过程条件,从而改善所述光刻设备的性能指标。在实施例中,所述过程条件包括过程参数中的一个或更多个的值,所述过程参数包含剂量、焦距、照射强度、和/或照射光瞳在内的。在实施例中,所述性能指标是以下中的至少一个:代表图案的边缘放置误差、代表图案的临界尺寸、或良率。
图12是图示可以辅助实施本文所公开的方法和流程的计算机系统100的框图。计算机系统100包括用于通信信息的总线102或其它通信机构,和与总线102耦合以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100还可以包括耦合至总线102以用于储存或供应待由处理器104执行的信息和指令的主存储器106,诸如随机存取存储器(RAM)或其它动态储存装置。主存储器106可以用于在待由处理器104执行的指令的执行期间储存或供应暂时性变量或其它中间信息。计算机系统100还可以包括耦合至总线102以用于储存或供应用于处理器104的静态信息和指令的只读存储器(ROM)108或其它静态储存装置。可以设置诸如磁盘或光盘的储存装置110,且可以将所述储存装置耦合至总线102以用于储存或供应信息和指令。
计算机系统100可以经由总线102耦合至用于向计算机使用者显示信息的显示器112,诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母数字键和其它键的输入装置114可以耦合至总线102以用于将信息和命令选择通信至处理器104。另一类型的使用者输入装置可以是光标控制器116(诸如鼠标、轨迹球或光标方向键),用于将方向信息和命令选择通信至处理器104且用于控制显示器112上的光标移动。这种输入装置典型地在两个轴线(第一轴线(例如x)和第二轴线(例如y))上具有两个自由度,这允许所述装置指定平面中的位置。触摸面板(屏)显示器也可以用作输入装置。
根据实施例,本文描述的过程的部分可以由计算机系统100响应于处理器104执行包含在主存储器106中的一个或更多个指令的一个或更多个序列而被执行。这样的指令可以被从另一计算机可读介质(诸如储存装置110)读取到主存储器106中。包含在主存储器106中的指令的序列的执行使得处理器104执行本文描述的过程步骤。在多处理布置中的一个或更多个处理器可以被用于执行包含在主存储器106中的指令的序列。在可替代的实施例中,硬接线电路可以用于替代软件指令或与软件指令结合。因此,本文的描述不限于硬件电路和软件的任何特定的组合。
本文中使用的术语“计算机可读介质”是指参与向处理器104提供指令以供执行的任何介质。这样的介质可以采用很多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘,诸如储存装置110。易失性介质包括动态存储器,诸如主存储器106。传输介质包括同轴电缆、铜线和光纤,包括包含总线102的电线。传输介质还可以采用声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间产生的声波或光波。常见形式的计算机可读介质包括例如软盘、柔性盘、硬盘、磁带、任何其它磁性介质、CD-ROM、DVD、任何其它光学介质、穿孔卡、纸带、具有孔图案的任何其它物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或盒、如下文中所述的载波、或计算机可以从其进行读取的任何其它介质。
各种形式的计算机可读介质可以涉及将一个或更多个指令的一个或更多个序列传送到处理器104以供执行。例如,指令最初可以承载在远程计算机的磁盘或存储器上。远程计算机可以将指令加载到其动态存储器中,并且通过通信路径发送指令。计算机系统100可以接收来自所述路径的数据并将所述数据放置在总线102上。总线102将数据传送到主存储器106,处理器104从主存储器106检索并且执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后储存在储存装置110上。
计算机系统100可以包括耦合到总线102的通信接口118。通信接口118提供耦合到网络链路120的双向数据通信,所述网络链路连接到网络122。例如,通信接口118可以提供有线或无线数据通信连接。在任何这样的实施方式中,通信接口118发送和接收携带表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路120典型地通过一个或更多个网络提供到其它数据装置的数据通信。例如,网络链路120可以通过网络122提供到主计算机124或到由因特网服务提供商(ISP)126操作的数据设备的连接。ISP 126又通过现在通常称为“因特网”128的全球分组数据通信网络提供数据通信服务。网络122和因特网128两者都使用携带数字数据流的电信号、电磁信号或光信号。通过各种网络的信号和在网络链路120上并且通过通信接口118的信号(其将数字数据传送到计算机系统100和从计算机系统100传送数字数据)是输送信息的载波的示例性形式。
计算机系统100可以通过网络、网络链路120和通信接口118发送消息和接收数据,其包括程序代码。在因特网示例中,服务器130可以通过因特网128、ISP 126、网络122和通信接口118传输用于应用程序的所请求的代码。例如,一个这样的下载的应用可以提供实施本文中的方法的代码。所接收的代码可以在被接收时由处理器104执行,或储存在储存装置110或其它非易失性储存器中以供稍后执行。以这种方式,计算机系统100可以获取呈载波的形式的应用代码。
图13示意性地描绘了一种示例性的光刻投影设备。所述设备包括:
-照射系统IL,所述照射系统用于调节辐射束B。在这种特定情况下,照射系统还包括辐射源SO;
-第一物体台(例如掩模台)MT,所述第一物体台具有用于保持图案形成装置MA(例如,掩模版)的图案形成装置保持器并连接到用于相对于项PS来准确地定位图案形成装置的第一定位器PM;
-第二物体台(衬底台)WT,所述第二物体台具有用于保持衬底W(例如涂覆有抗蚀剂的硅晶片)的衬底保持器并连接到用于相对于项PS来准确地定位衬底的第二定位器PW;
-投影系统PS(例如,折射、反射或反射折射光学系统),所述投影系统用于将图案形成装置MA的被照射的部分成像到衬底W的目标部分C(例如包括一个或更多个管芯)上。
如本公开所描绘的,所述设备属于透射型(即,具有透射式掩模)。然而,一般而言,它也可以属于反射型(例如,采用反射式掩模)。替代地,所述设备可以采用另一种类的图案形成装置以作为使用经典掩模的替代;示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如汞灯或准分子激光器)产生辐射束。这个束直接地或在已穿越诸如扩束器的调节装置之后馈送至照射系统(照射器)IL中。照射器IL可以包括调整器AD,配置成设定束中的强度分布的外部径向范围或内部径向范围(通常分别被称作σ-外部和σ-内部)。另外,照射器IL通常会包括各种其它部件,诸如积光器IN和聚光器CO。这样,照射于图案形成装置MA上的束B在其横截面中具有期望的均匀性和强度分布。
关于图13,应注意,虽然源SO可以在光刻投影设备的外壳内(例如,这经常是当源SO为汞灯时的情况),但它也可以远离光刻投影设备,它所产生的辐射束被引导到所述设备中(例如,借助于适当的定向反射镜BD);后一情形经常是当源SO为准分子激光器(例如,基于KrF、ArF或F2激光作用)时的情况。
束B随后截断于被保持于图案形成装置台MT上的图案形成装置MA。在已穿越图案形成装置MA的情况下,束B穿过投影系统PS,所述投影系统PS将束B聚焦到衬底W的目标部分C上。借助于第二定位器PW(和干涉仪IF),可以准确地移动衬底台WT,例如以使不同的目标部分C定位于束B的路径中。类似地,第一定位器PM可以用于例如在从图案形成装置库机械地获取图案形成装置MA之后或在扫描期间相对于束B的路径来准确地定位图案形成装置MA。通常,将借助于未在图13中明确地描绘的长行程模块(粗定位)和短行程模块(精定位)来实现物体台MT、WT的移动。
可以通过使用图案形成装置对准标记M1、M2和衬底对准标记Pl、P2来对准图案形成装置(例如,掩模)MA和衬底W。尽管所图示的衬底对准标记占据了专用目标部分,但是它们可以位于多个目标部分之间的空间(这些公知为划线对准标记)中。类似地,在将多于一个的管芯设置在图案形成装置(例如,掩模)MA上的情况下,图案形成装置对准标记可以位于所述管芯之间。在期望小的对准标识尽可能小并且不需要与相邻特征不同的成像或过程条件的情况下,在器件特征之中,小的对准标识也可以被包括在管芯内。
图14示意性地描绘了另一种示例性的光刻投影设备LA。所述光刻投影设备LA包括:
-源收集器模块SO;
-照射系统(照射器)IL,所述照射系统配置成调节辐射束B(例如EUV辐射);
-支撑结构(例如掩模台)MT,所述支撑结构被构造成支撑图案形成装置(例如掩模或掩模版)MA,并与配置成准确地定位图案形成装置的第一定位器PM相连;
-衬底台(例如,晶片台)WT,所述衬底台被构造成保持衬底(例如,涂覆有抗蚀剂的晶片)W并且连接到第二定位器PW,所述第二定位器PW配置成准确地定位衬底;和
-投影系统(例如反射式投影系统)PS,所述投影系统被配置成将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或更多个管芯)上。
如此处所描绘,所述设备LA是反射型的(例如采用反射式掩模)。应注意的是,由于大多数材料在EUV波长范围内具有吸收性,所以图案形成装置可以具有包括例如钼和硅的多叠层的多层反射器。在一个示例中,多叠层反射器具有钼和硅的40个层对。可以利用X射线光刻术来产生甚至更小的波长。由于大多数材料在EUV和x射线波长下具有吸收性,所以图案形成装置形貌或拓扑(topography)上的图案化的吸收材料的薄片(例如,多层反射器的顶部上的TaN吸收体)限定特征将印制(正性抗蚀剂)或不印制(负性抗蚀剂)的地方。
参照图14,所述照射器IL接收从源收集器模块SO发出的极紫外(EUV)辐射束。用于产生EUV辐射的方法包括但不必限于将材料转换为等离子体状态,所述材料具有在EUV范围内具有一个或更多个发射线的至少一种元素(例如氙、锂或锡)。在通常称为激光产生等离子体(“LPP”)的一种这样的方法中,等离子体可以通过用激光束照射燃料来产生,所述燃料诸如是具有线发射元素的材料的液滴、束流或簇。源收集器模块SO可以是包括用于提供激发燃料的激光束的激光器(图14中未示出)的EUV辐射系统的一部分。所得到的等离子体发射输出辐射,例如EUV辐射,其通过使用设置在源收集器模块内的辐射收集器收集。激光器和源收集器模块可以是分立的实体,例如当使用CO2激光器提供用于燃料激发的激光束时。
在这些情况下,不会将激光器看作是构成光刻设备的一部分,并且借助于包括例如合适的定向反射镜或扩束器的束传递系统,辐射束被从激光器传递到源收集器模块。在其它情况下,所述源可以是源收集器模块的组成部分,例如,当所述源是放电产生等离子体EUV产生器(通常被称为DPP源)时。
所述照射器IL可以包括配置成调整所述辐射束的角强度分布的调整器。一般而言,可以调整照射器的光瞳平面中的强度分布的至少外部径向范围或内部径向范围(通常分别被称为σ-外部和σ-内部)。此外,所述照射器IL可以包括各种其它部件,诸如琢面场反射镜装置和光瞳反射镜装置。所述照射器可以用于调节所述辐射束,以在其横截面中具有所期望的均匀性和强度分布。
所述辐射束B入射到保持在支撑结构(例如,掩模台)MT上的所述图案形成装置(例如,掩模)MA上,并且通过所述图案形成装置来形成图案。已经被图案形成装置(例如,掩模)MA反射后,所述辐射束B穿过投影系统PS,所述投影系统将辐射束聚焦到所述衬底W的目标部分C上。借助于第二定位装器PW和位置传感器PS2(例如,干涉仪器件、线性编码器或电容传感器),可以准确地移动所述衬底台WT,例如以便将不同的目标部分C定位于所述辐射束B的路径中。类似地,可以将所述第一定位器PM和另一个位置传感器PS1用于相对于所述辐射束B的路径准确地定位图案形成装置(例如,掩模)MA。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如,掩模)MA和衬底W。
所描绘出的设备可以用于下列模式中的至少一种:
1.在步进模式中,在将支撑结构(例如掩模台)MT和衬底台WT保持为基本静止的同时,将赋予所述辐射束的整个图案一次投影到目标部分C上(即,单次静态曝光)。然后将所述衬底台WT沿X或Y方向移动,使得可以对不同目标部分C曝光。
2.在扫描模式中,在沿着给定方向(所谓的“扫描方向”)对支撑结构(例如掩模台)MT和衬底台WT同步地进行扫描的同时,将赋予所述辐射束的图案投影到目标部分C上(即,单次动态曝光)。衬底台WT相对于支撑结构(例如掩模台)MT的速度和方向可以通过所述投影系统PS的(缩小)放大率和图像反转特性来确定。
3.在另一模式中,将用于保持可编程图案形成装置的支撑结构(例如掩模台)MT保持为基本静止,并且在对所述衬底台WT进行移动或扫描的同时,将赋予所述辐射束的图案投影到目标部分C上。在这种模式中,通常采用脉冲辐射源,并且在所述衬底台WT的每一次移动之后、或在扫描期间的连续辐射脉冲之间,根据需要更新所述可编程图案形成装置。这种操作模式可以易于应用于利用可编程图案形成装置(诸如,上文所提及类型的可编程反射镜阵列)的无掩模光刻术中。
此外,光刻设备可以属于如下类型,所述类型具有两个或更多个台(例如,两个或更多个衬底台、两个或更多个图案形成装置台、或衬底台和没有衬底的台)。在这种“多平台”装置中,可以并行地使用附加的台,或可以在一个或更多个台上执行预备步骤的同时,将一个或更多个其它台用于曝光。
图15更详细地示出设备LA,包括源收集器模块SO、照射系统IL和投影系统PS。源收集器模块SO被构造和布置成将真空环境维持在源收集器模块SO的围封结构220中。发射EUV辐射的等离子体210可以由放电产生等离子体源形成。EUV辐射可以通过气体或蒸汽产生,例如氙气、锂蒸汽或锡蒸汽,其中产生极热的等离子体210以发射在电磁光谱的EUV范围内的辐射。通过例如放电造成至少部分电离的等离子体而产生极热的等离子体210。为了有效产生辐射,可能需要例如分压为10Pa的Xe、Li、Sn蒸汽或任何其它适当的气体或蒸汽。在实施例中,提供被激发的锡(Sn)的等离子体以产生EUV辐射。
由热等离子体210发射的辐射经由定位于源腔室211中的开口中或后方的可选的气体阻挡件或污染物截留器230(在一些情况下,也被称作污染物阻挡件或箔片阱)而从源腔室211传递到收集器腔室212中。污染物截留器230可以包括通道结构。污染物截留器230也可以包括气体阻挡件,或气体阻挡件与通道结构的组合。如本领域中已知的,本文中进一步示出的污染物截留器或污染物阻挡件230至少包括通道结构。
收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器CO。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。穿越收集器CO的辐射可以由光栅光谱滤光器240反射,然后沿着由点划线所指示的光轴“O”而聚焦在虚源点IF处。虚源点IF通常被称作中间焦点,并且源收集器模块被布置成使得中间焦点IF位于围封结构220中的开口221处或附近。虚源点IF是发射辐射的等离子体210的图像。
随后,辐射穿越照射系统IL,所述照射系统IL可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24,所述琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成提供在图案形成装置MA处具有期望的角分布的辐射束21,以及在图案形成装置MA处具有期望的均匀性的辐射强度。在辐射束21在由支撑结构MT保持的图案形成装置MA处反射之后,形成被图案化的束26,并且通过投影系统PS将被图案化的束26经由反射元件28、30而成像到由衬底台WT保持的衬底W上。
在照射光学器件单元IL和投影系统PS中通常可以存在比示出的元件更多的元件。取决于光刻设备的类型,可以可选地呈现光栅光谱滤光器240。此外,可以存在比图中示出的反射镜更多的反射镜,例如在投影系统PS中可以存在除了图15中示出的元件以外的1至6个附加的反射元件。
如图15所示的收集器光学器件CO被描绘为具有掠入射反射器253、254和255的巢状收集器,仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255设置成围绕光轴O呈轴对称的,并且这种类型的收集器光学器件CO期望地与经常被称作DPP源的放电产生等离子体源组合使用。
替代地,所述源收集器模块SO可以是LPP辐射系统的一部分,如图16中所示。激光器LA被布置成将激光能量淀积到燃料中,诸如氙(Xe)、锡(Sn)或锂(Li),从而产生具有几十eV电子温度的高度离子化的等离子体210。在这些离子的去激发和复合期间所产生的高能辐射从等离子体发射,由近正入射收集器光学器件CO收集并且被聚焦到在所述围封结构220中的开口221上。
还可以使用下列方面来进一步描述实施例:
1.一种确定用于训练机器学习模型以预测光学邻近效应校正的代表图案的方法,所述方法包括:
获得包括一组图案群组的设计布局,每个图案群组包括一个或更多个子群组;
确定所述一组图案群组中的一组代表图案,代表图案是其实例出现于所述一组图案群组中的子群组;
经由使用所述一组代表图案来模拟光学邻近效应校正过程,获得与所述一组代表图案相关联的参考光学邻近效应校正数据;和
训练机器学习模型,以基于所述一组代表图案和所述一组参考光学邻近效应校正数据来预测针对所述设计布局的光学邻近效应校正。
2.根据方面1所述的方法,其中所述图案群组被布置呈层级结构,其中每个图案群组包括一个或更多个图案子群组。
3.根据方面2所述的方法,其中确定所述一组代表图案是迭代过程,迭代包括:
在所述一组图案群组的层级结构中搜索给定图案子群组的实例;
将给定子群组的实例分类为所述代表图案;和
从所述设计布局提取与所述代表图案关联的图案信息。
4.根据方面1至3中任一项所述的方法,其中所述一组图案群组中的每个群组与第一标识符相关联,并且所述一个或更多个图案子群组与第二标识符相关联。
5.根据方面4所述的方法,其中确定所述一组代表图案包括:
将与所述给定子群组相关联的第二标识符与所述一组图案中的每个群组的所述层级结构内的标识符进行比较;和
基于所述比较,识别所述一组图案群组内的具有相同的第二标识符的图案子群组的示例;和
将给定子群组的实例分类为所述代表图案。
6.根据方面1至5中任一项所述的方法,其中获得所述参考光学邻近效应校正包括:
使用与所述代表图案相关联的图案信息来模拟所述光学邻近效应校正过程;和
提供与用于图案化过程的代表图案相关联的光学邻近效应校正。
7.根据方面1至6中任一项所述的方法,其中针对所述图案子群组的搜索未直接将给定子群组的图案形状和大小与所述一组图案群组内的图案形状和大小进行比较。
8.根据方面1至7中任一项所述的方法,其中所述光学邻近效应校正包括放置与所述设计布局的期望的图案相关联的辅助特征。
9.根据方面1至8中任一项所述的方法,其中所述光学邻近效应校正呈图像的形式,并且所述训练基于图像或图像的像素数据。
10.根据方面9所述的方法,其中所述图像是连续传输掩码(CTM)图像和/或辅助特征引导映射图,其中所述CTM图像和引导映射图提供与所述一组代表图案相关联的辅助特征的部位。
11.根据方面10所述的方法,其中所述辅助特征引导映射图由基于模型的OPC模拟、或基于规则的OPC模拟产生。
12.根据方面1至11中任一项所述的方法,还包括:
经由训练后的机器学习模型,确定与给定的设计布局相关联的掩模图案数据;
输出将在图案化过程中使用的掩模图案数据以对衬底进行成像。
13.根据方面12所述的方法,还包括:
使用所述掩模图案数据,经由掩模制作设备来制备掩模,以待在所述图案化过程中使用从而对所述衬底进行成像。
14.根据方面12至13中任一项所述的方法,其中所述掩模图案数据包括所述图案化过程对过程参数中的一个或更多个进行调整所针对的特性,所述过程参数包括剂量、焦距、照射强度和/或照射光瞳。
15.根据方面1至14中任一项所述的方法,还包括:
经由与所述训练机器学习模型协同来模拟过程模型,确定与所述给定设计布局的期望的图案相关联的过程条件;和
经由采用与所述设计布局对应的掩模的过程条件而配置的光刻设备,对衬底进行曝光。
16.根据方面15所述的方法,其中所述过程条件包括过程参数中的一个或更多个的值,所述过程参数包含剂量、焦距、照射强度和/或照射光瞳。
17.一种用于图案化过程的光刻设备,包括:
与设计布局相关联的掩模;
待使用所述掩模进行成像的衬底;和
处理器,所述处理器被配置成:
获得(i)待印制于所述衬底上的设计布局的一组代表图案,以及(ii)与所述一组代表图案相关联的过程条件;和
根据所述过程条件,经由所述光刻设备来控制所述图案化过程的参数。
18.根据方面17所述的光刻设备,其中所述设计布局包括以层级方式而布置的一组图案群组。
19.根据方面18所述的光刻设备,其中通过识别其实例出现于所述设计布局的所述一组图案群组的层级结构中的一个或更多个图案子群组来获得所述代表图案。
20.根据方面17至19中任一项所述的光刻设备,经由使用所述一组代表图案来模拟图案化过程来获得所述过程条件,从而改善所述光刻设备的性能指标。
21.根据方面20所述的光刻设备,其中所述过程条件包括过程参数中的一个或更多个的值,所述过程参数包含剂量、焦距、照射强度和/或照射光瞳。
22.根据方面20所述的光刻设备,其中性能指标以下中的至少一个:代表图案的边缘放置误差、代表图案的临界尺寸、或良率。
23.一种计算机程序产品,包括具有记录在其上的指令的非暂时性计算机可读介质,所述指令在由计算机执行时实施上述方面中任一项所述的方法。
本文使用的术语“投影系统”应被广义地解释为包括任何类型的投影系统,包括折射光学系统、反射光学系统、反射折射光学系统、磁性光学系统、电磁光学系统和静电光学系统或其任意组合,例如对于所使用的曝光辐射或者对于诸如浸没液体的使用或真空的使用之类的其它因素所适合的。
本文中所公开的构思可以适用于涉及光刻设备的任何器件制造过程,并且可以对能够产生具有越来越来小的大小的波长的新兴成像技术尤其有用。已经在使用中的新兴技术包括能够通过使用ArF激光器来产生193nm波长且甚至能够通过使用氟激光器来产生157nm波长的深紫外线(DUV)光刻术。此外,EUV光刻术能够产生在5至20nm的范围内的波长。
虽然本文公开的构思可以用于在衬底(诸如硅晶片)上制造的器件,但是应当理解,所公开的构思可以与任意类型的光刻成像系统一起使用,例如用于在除了硅晶片之外的衬底上成像的光刻成像系统。
上文所提及的图案形成装置包括或能够形成设计布局。所述设计布局能够利用计算机辅助设计(CAD)程序产生。这一过程常常称为电子设计自动化(EDA)。大多数CAD程序遵循一组预定的设计规则,以便产生功能设计布局/图案形成装置。这些规则通过处理和设计限制来设定。例如,设计规则限定电路器件(诸如栅极、电容器等)、或互连线之间的空间容许度,以便确保电路器件或线不以不被期望的方式彼此互相作用。设计规则限制典型地被称为“临界尺寸”(CD)。电路的临界尺寸可以被限定为线或孔的最小宽度,或者两条线或两个孔之间的最小空间。因此,CD决定了所设计的电路的整体尺寸和密度。当然,集成电路制造中的目标中的一个是在衬底上如实地再现原始电路设计(经由图案形成装置)。
如本文中所使用的术语“掩模”或“图案形成装置”可以被宽泛地解释为指可以用于将图案化的横截面赋予入射辐射束的通用图案形成装置,所述图案化的横截面对应于待在衬底的目标部分中产生的图案;术语“光阀”也可以用于这种情形中。除了经典掩模(透射式或反射式;二元式、相移式、混合式等)以外,其它此类图案形成装置的示例包括:
可编程反射镜阵列。这种装置的示例是具有黏弹性控制层和反射表面的矩阵可寻址表面。这种设备所依据的基本原理是(例如)反射表面的已寻址区域将入射辐射反射为衍射辐射,而未寻址区域将入射辐射反射为非衍射辐射。在使用适当的滤光器的情况下,可以从反射束滤除所述非衍射辐射,从而仅留下衍射辐射;这样,束根据矩阵可寻址表面的寻址图案而变成图案化的。可以使用适当的电子装置来执行所需的矩阵寻址。
可编程LCD阵列。
尽管本文已经具体参考了IC的制造,但是应明确理解,本文的描述具有许多其它可能的应用。例如,它可以用于集成光学系统的制造、磁畴存储器的引导和检测图案液晶显示面板、薄膜磁头等。本领域技术人员将理解,在这种替代应用的情境中,本文中任何使用的术语“掩模版”、“晶片”或“管芯”可以被认为分别与更上位的术语“掩模”、“衬底”或“目标部分”互换。
因此,如所提及的,微光刻术是制造器件(诸如IC)中的重要步骤,其中,形成于衬底上的图案限定IC的功能元件,诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(MEMS)和其它器件。
在本文中,术语“辐射”和“束”被用于涵盖全部类型的电磁辐射,包括紫外辐射(例如具有365nm、248nm、193nm、157nm或126nm的波长)和极紫外辐射(EUV,例如具有在5-20nm的范围内的波长)。
如本文中使用的术语“进行优化”和“优化”是指或意味着调整图案化过程设备、图案化过程的一个或更多个步骤等,使得那些图案化的结果和/或过程具有更为期望的特性,诸如衬底上的设计布局的转印的更高的准确度、更大的过程窗口等。因此,如本文中使用的术语“进行优化”和“优化”是指或意味着识别用于一个或更多个参数的一个或更多个值的过程,所述一个或更多个值与用于所述这些一个或更多个参数的一个或更多个值的初始集合相比提供到少一个相关指标的改善,例如局部最优化。“最优”和其它相关术语应相应地进行解释。在实施例中,可以迭代地施加优化步骤,以提供一个或更多个指标的进一步改善。
在框图中,虽然所图示的部分被描绘为离散功能框,但实施例不限于本文中所描述的功能性如图所示地那样组织的系统。由部件中的每一个提供的功能性可以由软件或硬件模块提供,所述模块以与当前所描绘的方式不同的方式组织,例如可以掺和、结合、复写、解散、分配(例如,在数据中心内或者按地区),或者以不同方式组织所述软件或硬件。本文中描述的功能性可以由执行储存于有形的非暂时性机器可读介质上的代码的一台或更多台计算机的一个或更多个处理器提供。在一些情况下,第三方内容分发网络可以是在网络上传送的一些或全部信息的主机,在这种情况下,在一定程度上信息(例如,内容)被认为被供给或以其它方式提供,所述信息可以通过发送指令从内容分发网络获取所述信息而被提供。
除非另有特定陈述,否则根据本论述明白,应理解的是,在整个说明书中,利用诸如“处理”、“用计算机计算(computing)”、“计算(calculating)”、“确定”等术语的论述是指特定设备(诸如专用目的计算机或类似的专用目的电子处理/计算装置)的动作或过程。
读者应明白的是,本申请描述了几个发明。没有将这些发明分开到多个独立的专利申请中,而是已将这些发明分组到单个文献中,这是由于其相关的主题可以在应用过程中适用于经济。然而,不应合并这些发明的相异优点和方面。在一些情况下,虽然实施例解决本文中所提到的所有不足,但应理解的是,所述发明是独立地有用的,并且一些实施例仅解决这些问题的子集或提供其它未提及的益处,这些益处对于查阅本公开的技术人员而言是清楚的。由于成本制约,当前可能不主张本文中公开的一些发明,并且可以在稍后的申请中(诸如接续申请或者通过修改本申请的权利要求书)主张这些发明。类似地,由于空间制约,本文中的“摘要”和“发明内容”部分都不应视为包含所有这些发明的全面列举或这些发明的所有方面。
应理解的是,说明书和附图不旨在将本公开限制为所公开的特定形式,而是相反,本发明覆盖落入由所附权利要求书所限定的本发明的精神和范围内的所有修改、等同物和替代方案。
鉴于本说明书,本领域技术人员将明白本发明的各个方面的修改和替代实施例。因此,本说明书和附图仅被解释为说明性的,并且是为了向本领域技术人员教导实施本发明的一般方式的目的。应理解的是,本文示出和描述的本发明的形式将被视为实施例的示例。元件和材料可以被用于替代本文所图示和所述的那些元件和材料,部件和过程可以被颠倒或省略,并且某些特征可以独立使用,所有这些对于本领域技术人员在获得本说明书的益处之后将是清楚的。在不背离由所附权利要求书所述的本发明的精神和范围的情况下,可以对本文所述的元件作出改变。本文使用的标题仅用于组织目的,并不意味着用于限制说明书的范围。
如整个本申请中所使用的,词语“可以或可能”以可许可的含义(即,意味着有潜在可能)而不是强制性含义(即,意味着必须)来使用。词语“包括(“include”,“including”和“includes”)”等意味着包括但不限于。如整个本申请中所使用的,单数形式“一”、“一个”和“所述”包括复数的表示,除非另外地有内容明确地说明。因此,例如,对“元件(an element和a element)”的提及包括两个或更多个元件的组合,尽管对于一个或更多个元件诸如“一个或更多个”使用了其它的术语和短语。术语“或”,除非另外说明,否则是非排它性的,即包含“和”和“或”。描述条件关系的术语,例如“响应于X,Y”、“在X时,Y”、“如果X,则Y”、“当X时,Y”等,包括因果关系,其中前提为必要的因果条件,前提为充分的因果条件,或前提是结果的促成因果条件,例如,“表述在条件Y获得时状态X发生”对于“仅在Y时X发生”和“在Y和Z时X发生”是上位的。“这样的条件关系并不限于立即在前提获得之后的结果,因为一些结果可能被延迟,并且在条件陈述中,前提与它们的结果相关联,例如前提与结果发生的可能性相关。其中多个属性或功能被映射到多个物体(例如,执行步骤A,B,C和D的一个或更多个处理器)的表述包含所有这些属性或功能被映射到所有这些物体和属性或功能的子集被映射到所述属性或功能的子集(例如,所有处理器每个执行步骤A-D,及其中处理器1执行步骤A、处理器2执行步骤B和步骤C的一部分、并且处理器3执行步骤C的一部分和步骤D的情况),除非另外说明。此外,除非另外说明,否则一个值或动作“基于”另一个条件或值的陈述涵盖其中所述条件或值是唯一因素的示例以及其中所述条件或值是多个因素中的一个因素的示例两者。除非另外说明,某些集合的“每个”示例具有某个属性的陈述不应被读出排除较大集合中的一些其它相同或相似部件不具有所述属性的情况,即,每个并不一定意味着每一个或任一个。
在以上描述中,流程图中的任何过程、描述或块应理解为表示代码的模块、区段或部分,其包括用于实施所述过程中的特定的逻辑功能或步骤的一个或更多个可执行指令,且替代实施方式包括于本发明的示例性实施例的范围内,其中功能可依赖于所涉及的功能性不按照所示或论述的次序执行,包括实质上同时或以相反次序执行,如本领域技术人员将理解的那样。
虽然已经描述某些实施例,但这些实施例已经仅通过示例来呈现,且并不旨在限制本公开的范围。实际上,本文中所描述的新方法、设备和系统可以以多种其它形式实施;此外,在不背离本公开的精神的情况下,可以对本文中所描述的方法、设备和系统的形式进行各种省略、替代和改变。随附权利要求书及其等效物旨在涵盖将属于本公开的范围和精神内的这类形式或修改。例如,这一技术可以被构造为用于云端计算,由此经由网络在多个设备之中协作地共享且处理单个功能。
- 上一篇:一种医用注射器针头装配设备
- 下一篇:层叠结构体、固化物、印刷电路板和电子部件