计量方法和设备、计算机程序和光刻系统与流程

计量方法和设备、计算机程序和光刻系统
1.相关申请的交叉引用
2.本技术要求于2019年3月14日提交的ep申请19162808.0和于2019年6月5日提交的ep申请19178432.1的优先权，其全部内容通过引用并入本文。
技术领域
3.本发明涉及可用于例如通过光刻技术制造器件的计量的方法和设备。


背景技术：

4.光刻设备是一种将期望图案施加到衬底上(通常是施加到衬底的目标部分上)的机器。光刻设备可以用于例如集成电路(ic)的制造中。在这种情况下，可以使用图案化装置(其备选地称为掩模或掩模版)生成要被形成在ic的单个层上的电路图案。该图案可以被转印到衬底(例如，硅晶片)上的目标部分(例如，包括一个或若干管芯的部分)上。图案的转印通常是经由成像到在衬底上设置的辐射敏感材料(抗蚀剂)层上来进行的。通常，单个衬底将包含被连续图案化的相邻目标部分的网络。在光刻工艺中，经常需要对所创建的结构进行测量，例如，用于工艺控制和验证。用于进行这样的测量的各种工具是已知的，包括通常用于测量临界尺寸(cd)的扫描电子显微镜、以及用于测量重叠(器件中的两个层的对准精度的测量)的专用工具。重叠可以在两个层之间的未对准程度方面来描述，例如对经测量的1nm的重叠的引用可以描述两个层未对准1nm的情况。
5.最近，各种形式的散射仪已被开发用于光刻领域。这些设备将辐射束引导到目标上，并且测量散射辐射的一个或多个特性——例如，作为波长的函数的单个反射角处的强度；作为反射角的函数的一个或多个波长处的强度；或者作为反射角的函数的偏振——以获取衍射图像或图案，可以根据该衍射图像或图案来确定目标的感兴趣特性。
6.为了使撞击到衬底上的辐射被衍射，具有特定形状的对象被印刷到衬底上并且通常被称为散射测量目标或简称为目标。如上所述，散射测量对象的实际形状可以使用横截面扫描电子显微镜等来确定。然而，这涉及大量时间、精力和专用设备，并且不太适合生产环境中的测量，因为需要单独的专用设备与例如光刻单元中的普通设备一致。
7.感兴趣特性的确定可以通过各种技术来执行：例如，重构。重构(被定义为基于测量数据而对给定参数化的推理)使用迭代求解器来找到逆问题的解(例如，强度经由反射率到参数化)。rcwa是前向模型(参数化经由反射率到强度)，其可以仿真模型对光的响应；但是，它不能单独用于推理向后参数化。
8.为了执行这样的重构，可以使用在多个参数方面定义被测量的结构的形状的轮廓。为了使轮廓更健壮，应当选择描述参数的良好标称值(表示整个数据)的重构方案。
9.希望提供一种可以帮助定义重构方案的方法。


技术实现要素：

10.本发明在第一方面提供了一种确定重构方案的方法，该重构方案至少描述用于在
描述目标的参数化的重构中使用的标称值；该方法包括：获取与至少一个衬底上的多个目标的测量相关的第一测量数据，所述测量数据与一个或多个获取设置相关；通过使成本函数最小化来执行优化，成本函数基于所述多个目标中的每个目标的经重构的参数化来使第一测量数据与经仿真的测量数据之间的差异最小化；其中成本函数上的约束基于分层先验而被施加。
11.本发明在第二方面提供了一种构建混合模型的方法，用于提供用于在结构的参数重构中使用的经仿真的数据，该方法包括：获取可操作以提供经仿真的粗略数据的粗略模型；以及训练数据驱动的模型以校正所述经仿真的粗略数据以确定所述经仿真的数据。
12.本发明在第三方面提供了一种计量设备，该计量设备可操作以执行第一和/或第二方面的方法。本发明在第四方面提供了一种包括第三方面的计量设备的光刻系统。
13.本发明还提供了一种包括处理器可读指令的计算机程序，该处理器可读指令当在合适的经处理器控制的设备上运行时引起经处理器控制的设备执行第一和/或第二方面的方法，并且本发明还提供了一种包括这样的计算机程序的计算机程序载体。经处理器控制的设备可以包括第三方面的计量设备或第四方面的光刻系统。
14.下面参考附图详细描述本发明的另外的特征和优点、以及本发明的各种实施例的结构和操作。注意，本发明不限于本文中描述的特定实施例。这样的实施例在本文中仅出于说明的目的而呈现。基于本文中包含的教导，其他实施例对于相关领域的技术人员将是很清楚的。
附图说明
15.现在将参考附图仅通过示例的方式描述本发明的实施例，其中：
16.图1描绘了光刻设备；
17.图2描绘了光刻单元；
18.图3描绘了第一散射仪；
19.图4描绘了第二散射仪；
20.图5是描绘了根据散射仪测量来重构结构的第一示例过程的流程图；
21.图6是描绘了根据散射仪测量来重构结构的第二示例过程的流程图；
22.图7描绘了根据本发明的实施例的分层求解器的输入数据；
23.图8是描绘了根据本发明的实施例的方法的流程图；
24.图9是描绘了单目标重构与分层求解器匹配的流程图；
25.图10是描绘了根据本发明的实施例的混合模型的训练的流程图；
26.图11是由图10的混合模型的粗略模型和数据驱动模型定义的参数空间的抽象可视化；
27.图12是描绘了根据本发明的实施例的备选混合模型的训练的流程图；
28.图13是其中参数推理基于产品内和产品外目标的测量的方法的示意图；
29.图14是用于计量推理的去相关库的第一示例的示意图；
30.图15是用于计量推理(包括参数旁路)的去相关库的第二示例的示意图；
31.图16是用于计量推理(包括一个或多个参数的直接推理)的去相关库的第三示例的示意图；
32.图17是用于计量推理(包括一个或多个参数的直接推理的另一示例)的去相关库的第四示例的示意图；
33.图18是用于计量推理(包括用于不同类别参数的并行瓶颈层)的去相关库的第五示例的示意图；以及
34.图19是用于计量推理(包括重新映射库)的去相关库的第六示例的示意图；
35.图20是根据本发明的一个实施例的多项式模型和作为波长的函数的材料特性的相关联的sigmoid的示意图。
具体实施方式
36.在详细描述本发明的实施例之前，呈现可以实现本发明的实施例的示例环境是有益的。
37.图1示意性地描绘了光刻设备la。该设备包括：被配置为调节辐射束b(例如，uv辐射或duv辐射)的照射光学系统(照射器)il；被构造为支撑图案化装置(例如，掩模)ma并且连接到第一定位器pm的图案化装置支撑件或支撑结构(例如，掩模台)mt，第一定位器pm被配置为根据某些参数准确地定位图案化装置；被构造为保持衬底(例如，涂覆有抗蚀剂的晶片)w并且连接到第二定位器pw的衬底台(例如，晶片台)wt，第二定位器pw被配置为根据某些参数准确地定位衬底；以及被配置为将通过图案化装置ma赋予辐射束b的图案投射到衬底w的目标部分c(例如，包括一个或多个管芯)上的投射光学系统(例如，折射投射透镜系统)ps。
38.照射光学系统可以包括用于引导、成形或控制辐射的各种类型的光学组件，诸如折射、反射、磁、电磁、静电或其他类型的光学组件、或它们的任何组合。
39.图案化装置支撑件以取决于图案化装置的取向、光刻设备的设计和其他条件(例如，图案化装置是否被保持在真空环境中)的方式来保持图案化装置。图案化装置支撑件可以使用机械、真空、静电或其他夹持技术来保持图案化装置。图案化装置支撑件可以是例如可以根据需要而固定或可移动的框架或工作台。图案化装置支撑件可以确保图案化装置处于期望定位，例如相对于投射系统。本文中对术语“掩模版”或“掩模”的任何使用可以被视为与更通用的术语“图案化装置”同义。
40.本文中使用的术语“图案化装置”应当广义地解释为是指可以用于向辐射束的横截面赋予图案以在衬底的目标区域中产生图案的任何装置。应当注意，例如，如果图案包括相移特征或所谓的辅助特征，则赋予辐射束的图案可能不完全对应于衬底的目标部分中的期望图案。通常，赋予辐射束的图案将与在诸如集成电路的目标部分中产生的器件中的特定功能层相对应。
41.图案化装置可以是透射性的或反射性的。图案化装置的示例包括掩模、可编程反射镜阵列和可编程lcd面板。掩模在光刻中是众所周知的，并且包括诸如二进制、交替相移和衰减相移以及各种混合掩模类型的掩模类型。可编程反射镜阵列的示例采用小反射镜的矩阵布置，小反射镜中的每个小反射镜可以被单独地倾斜，以便在不同方向上反射入射的辐射束。倾斜的反射镜在辐射束中赋予图案，该辐射束被反射镜矩阵反射。
42.如本文中描绘的，该设备是透射型的(例如，采用透射掩模)。备选地，该设备可以是反射型的(例如，采用上述类型的可编程反射镜阵列，或采用反射掩模)。
43.光刻设备也可以是如下类型：其中衬底的至少部分可以被具有相对较高折射率的液体(例如，水)覆盖，以填充投射系统与衬底之间的空间。浸液也可以被施加到光刻设备中的其他空间，例如掩模与投射系统之间。用于增加投射系统的数值孔径的浸没技术在本领域中是众所周知的。本文中使用的术语“浸没”并不表示诸如衬底的结构必须被淹没在液体中，而仅表示液体在曝光期间位于投射系统与衬底之间。
44.参考图1，照射器il从辐射源so接收辐射束。源和光刻设备可以是分开的实体，例如当源是准分子激光器时。在这种情况下，源不被认为形成光刻设备的部分，并且辐射束在束传送系统bd的帮助下从源so传递到照射器il，束传送系统bd包括例如合适的定向反射镜和/或扩束器。在其他情况下，例如当源是汞灯时，源可以是光刻设备的组成部分。如果需要，源so和照射器il连同束传送系统bd可以被称为辐射系统。
45.照射器il可以包括用于调节辐射束的角强度分布的调节器ad。通常，至少可以调节照射器的光瞳平面中的强度分布的外部和/或内部径向范围(通常分别称为外部σ和内部σ)。此外，照射器il可以包括各种其他组件，诸如积分器in和聚光器co。照射器可以用于调节辐射束，以在其横截面中具有期望的均匀性和强度分布。
46.辐射束b入射在被保持在图案化装置支撑件(例如，掩模台mt)上的图案化装置(例如，掩模)ma上，并且由图案化装置图案化。在穿过图案化装置(例如，掩模)ma之后，辐射束b穿过投射光学系统ps，投射光学系统ps将束聚焦到衬底w的目标部分c上，从而将图案的图像投射到目标部分c上。借助于第二定位器pw和定位传感器if(例如，干涉测量装置、线性编码器、2d编码器或电容传感器)，衬底台wt可以准确地移动，例如，以便在辐射束b的路径中定位不同目标部分c。类似地，例如，在从掩模库机械检索之后或者在扫描期间，第一定位器pm和另一定位传感器(未在图1中明确描绘)可以用于相对于辐射束b的路径准确地定位图案化装置(例如，掩模)ma。
47.可以使用掩模对准标记ml、m2和衬底对准标记pl、p2来对准图案化装置(例如，掩模)ma和衬底w。尽管如图所示的衬底对准标记占据专用的目标部分，但它们可以位于目标部分之间的空间中(这些被称为划道对准标记)。类似地，在图案化装置(例如，掩模)ma上提供有多于一个的管芯的情况下，掩模对准标记可以位于管芯之间。小对准标记也可以被包括在管芯内，在器件特征中，在这种情况下，希望标记尽可能小并且不需要与相邻特征不同的成像或工艺条件。下面进一步描述检测对准标记的对准系统。
48.在该示例中的光刻设备la是所谓的双阶段类型，其具有两个衬底台wta、wtb和两个站(曝光站和测量站)，衬底台可以在这两个站之间交换。当一个衬底台上的一个衬底在曝光站处被曝光时，另一衬底可以在测量站处被加载到另一衬底台上并且执行各种制备步骤。制备步骤可以包括使用水平传感器ls来映射衬底的表面控制以及使用对准传感器as来测量衬底上的对准标记的定位。这使得能够显著增加设备的生产量。
49.所描绘的设备可以以多种模式(包括例如步进模式或扫描模式)使用。光刻设备的构造和操作对于本领域技术人员来说是众所周知的并且不需要为了理解本发明而进一步描述。
50.如图2所示，光刻设备la形成光刻系统的部分，称为光刻单元(lithographic cell)lc或光刻单元(lithocell)。光刻单元lc还可以包括用于在衬底上执行曝光前和曝光后工艺的设备。通常这些包括用于沉积抗蚀剂层的旋涂机sc、用于显影经暴露的抗蚀剂的
显影器de、冷却板ch和烘烤板bk。衬底处理器或机器人(ro)从输入/输出端口i/o1、i/o2拾取衬底，将它们在不同处理设备之间移动，然后传送到光刻设备的加载台lb。这些设备(通常统称为轨道)在轨道控制单元tcu的控制之下，tcu本身由监督控制系统scs控制，监督控制系统scs也经由光刻控制单元lacu控制光刻设备。因此，不同设备可以被操作以使生产量和处理效率最大化。
51.为了正确并且一致地曝光由光刻设备曝光的衬底，需要检查被曝光的衬底以测量诸如后续层之间的重叠误差、线厚度、临界尺寸(cd)等的特性。如果检测到误差，则可以对后续衬底的曝光进行调节，特别是在检查可以不久被完成并且足够快以使得同一批次的其他衬底仍要曝光的情况下。此外，已经曝光的衬底可以被剥离和返工(以提高良率)或被丢弃，从而避免在已知有缺陷的衬底上执行曝光。在衬底的只有一些目标部分有缺陷的情况下，可以仅对良好的目标部分执行进一步的曝光。
52.检测设备用于确定衬底的特性，特别是不同衬底或同一衬底的不同层的特性如何在层之间变化。检查设备可以集成到光刻设备la或光刻单元lc中或者可以是独立装置。为了能够进行最快速的测量，期望检查设备在曝光之后立即测量经曝光的抗蚀剂层中的特性。然而，抗蚀剂中的潜像具有非常低的对比度——已经暴露于辐射的抗蚀剂的部分与未暴露于辐射的部分之间的折射率的差异很小——并且并非所有检测设备都具有足够的灵敏度来对潜像进行有用的测量。因此，测量可以在曝光后烘烤步骤(peb)之后进行，该peb通常是在经曝光的衬底上进行的第一步骤，并且增加了抗蚀剂的曝光和未曝光部分之间的对比度。在这个阶段，抗蚀剂中的图像可以被称为半潜伏的。也可以测量经显影的抗蚀剂图像——此时，抗蚀剂的曝光或未曝光部分已经被去除——或在诸如蚀刻的图案转移步骤之后。后者可能性限制了对缺陷衬底进行返工的可能性，但仍可以提供有用信息。
53.图3描绘了可以用于本发明的散射仪。它包括将辐射投射到衬底w上的宽带(白光)辐射投射仪2。经反射的辐射被传递到光谱仪检测器4，光谱仪检测器4测量镜面反射辐射的光谱10(作为波长的函数的强度)。根据该数据，例如通过严格耦合波分析(rigorous coupled wave analysis)和非线性回归或通过与图3的底部所示的仿真光谱库的比较，产生检测到的频谱的结构或轮廓可以由处理单元pu重构。一般来说，针对重构，结构的一般形式是已知的，并且一些参数根据结构被制造的过程的知识而被假定，仅留下结构的几个参数根据散射测量数据而被确定。这种散射仪可以被配置为垂直入射散射仪或斜入射散射仪。
54.可以与本发明一起使用的另一散射仪在图4中示出。在该装置中，由辐射源2发射的辐射使用透镜系统12被准直并且透射通过干涉滤光器13和偏振器17，被反射表面16部分反射，并且经由显微镜物镜15聚焦到衬底w上，显微镜物镜15具有高数值孔径(na)，优选地至少为0.9，更优选地至少为0.95。浸入式散射仪甚至可以具有数值孔径大于1的透镜。经反射的辐射然后通过部分反射表面16透射到检测器18中，以便检测散射光谱。检测器可以位于背面投射的光瞳平面11中，背面投射的光瞳平面11在透镜系统15的焦距处，然而，光瞳平面可以替代地利用辅助光学器件(未示出)重新成像到检测器上。光瞳平面是其中辐射的径向定位定义入射角并且角定位定义辐射的方位角的平面。检测器优选地是二维检测器，从而可以测量衬底目标30的二维角散射光谱。检测器18可以是例如ccd或cmos传感器阵列，并且可以使用例如每帧40毫秒的积分时间。
55.参考束经常用于例如测量入射辐射的强度。为此，当辐射束入射到分束器16上时，它的部分通过分束器作为参考束朝向参考镜14被透射。然后，参考束被投射到同一检测器18的不同部分上或备选地投射到不同检测器(未示出)上。
56.一组干涉滤光器13可以用于在例如405
‑
790nm或甚至更低(诸如200
‑
300nm)的范围内选择感兴趣波长。干涉滤光器可以是可调的，而不是包括一组不同的滤光器。可以使用光栅代替干涉滤波器。
57.检测器18可以测量单个波长(或窄波长范围)的散射光的强度、单独的多个波长的强度或在波长范围内积分的强度。此外，检测器可以分别测量横向磁偏振光和横向电偏振光的强度和/或横向磁偏振光与横向电偏振光之间的相位差。
58.可以使用宽带光源(即，具有宽范围的光频率或波长——因此具有颜色的光源)，这提供了大的光展度，允许多个波长的混合。宽带中的多个波长优选地各自具有δλ的带宽和至少2δλ的间隔(即，带宽的两倍)。若干辐射“源”可以是扩展辐射源的不同部分，这些不同部分已经使用光纤束被分开。以这种方式，可以在多个波长处并行测量角分辨散射光谱。可以测量3d光谱(波长和两个不同的角度)，3d光谱比2d光谱包含更多信息。这允许测量更多信息，从而提高计量过程的稳健性。
59.衬底w上的目标30可以是1
‑
d光栅，该1
‑
d光栅被印刷使得在显影之后，条由固体抗蚀剂线形成。目标30可以是2
‑
d光栅，该2
‑
d光栅被印刷使得在显影之后，光栅由抗蚀剂中的固体抗蚀剂柱或过孔形成。条、柱或过孔可以备选地被蚀刻到衬底中。该图案对光刻投射设备(尤其是投射系统pl)中的色像差敏感，并且照射对称性和该像差的存在将在被印刷的光栅的变化中自己表现出来。因此，被印刷的光栅的散射测量数据用于重构光栅。根据印刷步骤和/或其他散射测量过程的知识，1
‑
d光栅的参数(诸如线宽和形状)或2
‑
d光栅的参数(诸如柱或过孔宽度或长度或形状)可以被输入到由处理单元pu执行的重构过程。
60.如上所述，目标在衬底的表面上。该目标通常采用光栅中的一系列线的形状或2
‑
d阵列的基本矩形结构。计量中严格的光学衍射理论的目的是有效地计算从目标反射的衍射光谱。换言之，目标形状信息是针对cd(临界尺寸)均匀性和重叠或聚焦计量而获取的。重叠计量是一种测量系统，其中测量两个目标的重叠以确定衬底上的两个层是否对准。聚焦计量确定在形成目标时使用的聚焦量(和/或剂量)设置。cd均匀性只是对光谱上的光栅的均匀性的测量，以确定光刻设备的曝光系统如何工作。具体地，cd或临界尺寸是“写入”在衬底上的对象的宽度，并且是光刻设备物理上能够在衬底上写入的极限。
61.基于重构的散射测量——背景
62.使用散射仪(诸如上面结合诸如目标30的目标结构及其衍射特性的建模而描述的)，结构的形状和其他参数的测量可以以多种方式被执行。在由图5表示的第一类型过程中，基于目标形状(第一候选结构)的第一估计的衍射图案被计算并且与观察到的衍射图案进行比较。然后系统地改变模型的参数，并且在一系列迭代中重新计算衍射，以生成新的候选结构，从而达到最佳拟合。在第二类型过程中，如图6所示，预先计算很多不同候选结构的衍射光谱，以创建衍射光谱的“库”。然后将根据测量目标而观察到的衍射图案与计算出的光谱库进行比较，以找到最佳拟合。这两种方法可以一起使用：粗略拟合可以从库被获取，然后通过迭代过程以找到最佳拟合。
63.在图5和图6的整个描述中，将在使用图3或图4的散射仪的假定上使用术语“衍射
图像”。衍射图像是在本公开的上下文内的检查数据元素的示例。本领域技术人员可以很容易地使教导适应于不同类型的散射仪，甚至其他类型的测量仪器。
64.图5是被概括地描述的目标形状和/或材料特性的测量的方法的步骤的流程图。步骤如下，并且然后被更详细地描述：
65.402
‑
测量衍射图像；
66.403
‑
定义模型方案；
67.404
‑
估计形状参数θ0；
68.406
‑
计算模型衍射图像；
69.408
‑
比较经测量的图像和计算出的图像；
70.410
‑
计算优值函数；
71.412
‑
生成经修正的形状参数θ1；
72.414
‑
报告最终形状参数
73.对于本说明书，将假定目标仅在1个方向上是周期性的(1
‑
d结构)。实际上，它可以在2个方向(二维结构)上是周期性的，并且处理将被相应地适配。
74.402：衬底上的实际目标的衍射图像使用散射仪(诸如上述散射仪)来测量。该经测量的衍射图像被转发到诸如计算机的计算系统。计算系统可以是上述处理单元pu，也可以是单独的设备。
75.403：建立轮廓，该轮廓在多个参数θ方面定义目标结构的参数化模型。例如，在1
‑
d周期结构中，这些参数可以表示侧壁的角度、特征的高度或深度、特征的宽度。目标材料和底层的特性也由诸如折射率(在散射测量辐射束中存在的特定波长处)的参数表示。下面将给出具体的示例。重要的是，虽然目标结构可以由描述其形状和材料特性的很多参数定义，但轮廓会将参数中的许多参数定义为具有固定值，而将其他参数定义为可变或“浮动”参数，用于以下过程步骤的目的。此外，将介绍其中参数可以被允许变化而不是完全独立的浮动参数的方式。为了描述图5，仅将可变参数视为参数θ。该轮廓还定义了给定目标结构的测量辐射设置以及如何通过将检查数据拟合到模型来估计参数值。
76.404：通过针对浮动参数设置初始值θ0来估计模型目标形状。每个浮动参数将在特定预定范围内生成，如方案中所定义的。
77.406：表示经估计的形状的参数连同模型的不同元素的光学特性一起用于计算散射特性，例如使用严格的光学衍射方法，诸如rcwa或maxwell等式的任何其他求解器。这给出了所估计的目标形状的经估计的或模型衍射图像。
78.408、410：然后比较所测量的衍射图像和模型衍射图像，并且使用它们的相似性和差异来计算模型目标形状的“优值函数”。
79.412：假定优值函数指示模型在其准确表示实际目标形状之前需要改进，新参数θ1被估计等并且被迭代地反馈到步骤406。重复步骤406
‑
412。
80.为了辅助搜索，步骤406中的计算还可以生成优值函数的偏导数，指示在参数空间中的这个特定区域中增加或减少参数将增加或减少优值函数的灵敏度。优值函数的计算和导数的使用是本领域公知的，并且在此不再赘述。
81.414：当优值函数指示该迭代过程已经收敛在具有期望精度的解上时，当前经估计的参数被报告作为实际目标结构的测量。
82.该迭代过程的计算时间主要由所使用的前向衍射模型确定，即，使用来自所估计的目标结构的严格光学衍射理论的所估计的模型衍射图像的计算。如果需要更多参数，则存在更多自由度。在406处计算的所估计的或模型衍射图像可以以各种形式表示。如果计算出的图像以与在步骤402中生成的测量图像相同的形式(例如，光谱、光瞳图像)表示，则比较被简化。
83.图6是被概括地描述的测量目标形状和/或材料特性的备选方法的步骤的流程图。在该方法中，不同的经估计的目标形状(候选结构)的多个模型衍射图像被预先计算并且被存储在库中，用于与实际测量进行比较。基本原理和术语与图5的过程相同。步骤如下，并且然后被更详细地描述：
84.502
‑
生成库；
85.503
‑
定义模型方案；
86.504
‑
样本形状参数θ0，
……
；
87.506
‑
计算和存储模型衍射图像；
88.508
‑
新的样本形状参数θ1；
89.510
‑
测量衍射图像；
90.512
‑
比较经测量的图像与库图像；
91.514
‑
报告最终形状参数；
92.516
‑
优化形状参数。
93.502：生成库的过程开始。可以为每种类型的目标结构生成单独的库。该库可以由测量设备的用户根据需要生成，也可以由该设备的供应商预先生成。
94.503：建立轮廓，该轮廓在多个参数θ方面定义目标结构的参数化模型。考虑与迭代过程的步骤503中的那些类似。
95.504：例如通过生成所有参数的随机值，每个值在其预期值范围内，生成第一组参数θ0等。
96.506：计算模型衍射图像并且将其存储在库中，模型衍射图像表示根据由参数表示的目标形状而预期的衍射图像。
97.508：生成一组新的形状参数θ1等。步骤506至508被重复数十次、数百次或甚至数千次，直到包括所有存储的建模衍射图像的库被判断为足够完整。每个存储的图像表示多维参数空间中的一个样本点。库中的样本应当以足够的密度填充样本空间，使得任何真实衍射图像可以被足够紧密地表示。
98.510：在生成库之后(尽管它可以在之前)，将真实目标30放置在散射仪中并且测量其衍射图像。
99.512：将测量图像与存储在库中的建模图像进行比较，以找到最佳匹配图像。可以对库中的每个样本进行比较，或者可以采用更系统的搜索策略，以减少计算负担。
100.514：如果找到匹配，则可以将用于生成匹配库图像的经估计的目标形状确定为近似对象结构。与匹配样本相对应的形状参数被输出作为所测量的形状参数。匹配过程可以直接在模型衍射信号上执行，也可以在为快速评估而优化的备选模型上执行。
101.516：可选地，使用最近的匹配样本作为起点，并且使用细化过程以获取用于报告的最终参数。例如，该细化过程可以包括非常类似于图5所示的迭代过程。
102.是否需要细化步骤516是实现者的选择问题。如果库的采样非常密集，则可能不需要迭代细化，因为总会找到良好匹配。另一方面，这样的库可能太大而无法实际使用。因此，一种实用的解是使用库搜索粗略的一组参数，然后使用优值函数进行一次或多次迭代以确定一组更准确的参数，从而以期望准确度报告目标衬底的参数。在执行附加迭代的情况下，可以选择将计算出的衍射图像和相关联的细化参数集作为新条目添加到库中。以这种方式，最初可以使用基于相对少量的计算工作量的库，但是使用细化步骤516的计算工作将其构建成更大的库。无论使用哪种方案，还可以基于多个候选结构的匹配的良好度来获取所报告的可变参数中的一个或多个的值的进一步细化。例如，最终报告的参数值可以通过在两个或更多个候选结构的参数值之间进行插值来产生，假定这些候选结构中的两个或全部具有高匹配得分。
103.该迭代过程的计算时间主要由步骤406和506处的前向衍射模型确定，即，根据所估计的目标结构形状使用严格的光学衍射理论的所估计的模型衍射图像的计算。
104.轮廓的创建涉及轮廓的多次细化，其中逐渐调节物理模型以最好地表示检查数据。检查数据可以包括检查数据元素。检查数据元素可以是图像、衍射图像(如果使用基于衍射的散射仪)、光谱或光瞳图像；或者可以是从这样的衍射图像等获取的经重构的参数值。例如，使用诸如上述散射仪，检查数据元素中的每个检查数据元素可以通过检查对应目标结构来获取。这些检查数据元素中的每个检查数据元素可以由多个强度值来描述。调节通常基于重构的结果。如所描述的，重构使模型适合检查数据，从而将检查数据元素转换为参数值。在该过程开始时，重构可能会失败，因为不确定性可能很大。因此，仅重构一个或几个测量而不是完整的数据集可能更有效。
105.为了使轮廓更加稳健，应当很好地选择轮廓的标称参数值。理想情况下，为了正确估计这些标称参数值，应当重构很多目标结构。
106.根据第一次测量数据；例如，散射光的强度i
m
的测量，参数推理通常以两种不同方式进行：
107.基于逆模型的推论：用叠层参数被参数化的叠层结构通过电磁(em)仿真被建模并且其响应与所测量的强度数据i
m
匹配。在这种方法中，只有从参数θ到测量强度i
m
的直接映射是已知的。该解可以通过求解包括数据项和在成本函数中编码的先验知识的优化任务来找到。在简化视图中，推理迭代地将θ映射到强度i(θ)直到i(θ)≈i
m
。
108.通常，优化任务具有以下一般形式：
[0109][0110]
其中f(θ)是通用先验(例如，l2范数)，它对目标应当属于同一工艺/工艺窗口的先验信息进行编码，例如：其中θ
*
描述标称参数化。这里v和w是(例如，对角)缩放矩阵。应当理解，对角矩阵和全缩放矩阵都是可能的。
[0111]
数据驱动推理：使用先验假定和实验数据构建的经验、近似直接映射。先验假定可以包括例如关于参数的线性度、用于将所测量的强度转换成更易于使用的形式的预处理(例如，诸如使用对称性或反对称性)。然后可以将映射用于直接预测。在简化视图中，推理从i
m
映射到θ。
[0112]
本文中(以下)另外公开了结合数据驱动和基于模型的解的第三种混合方法。
[0113]
针对基于混合或传统模型的推理方法，当前工作方式涉及使用叠层信息的轮廓创建和根据方案创建流程建立方案。最终目标是具有在拟合和匹配的良好度(工具之间，使用参考工具)方面符合规范的方案。
[0114]
分层和数据驱动的方案创建
[0115]
用于创建和验证基于模型的推理方案的当前方法包括大量步骤，这些步骤可以被称为方案创建流程(rcf)。方案的创建涉及以前馈方式使用多种工具，而无需任何反馈，以满足期望的关键性能指标(kpi)；例如在指纹匹配(fpm)方面。这样的流程可以分解为三个独立(非通信)块：材料特性优化、轮廓验证和轮廓优化。
[0116]
由于缺乏自动化并且在整个过程中需要超级用户输入，所以方案创建可能是非常劳动密集型的。需要用户体验以得出满足准确性/匹配要求的轮廓。通常，方案创建流程包括(例如，固定/浮动、标称)参数的任意调节，这使得重现创建流程变得不可能。
[0117]
为了改进如上所述的方案创建流程，现在将描述自动化的优化驱动的解。这种方法可以以最少的用户交互产生有效的方案。主要概念包括执行重构，该重构组合所有或大量可能信息通道(例如，多个目标和多个波长)，并且包括其他计量工具的观察，以便提供设置方案所需要的所有统计量(平均值、变化、固定/浮动)。
[0118]
所提出的方法包括使用与成本函数中的数据驱动的先验耦合的分层先验，其通过多个波长将来自大量目标的测量联系在一起。数据驱动的先验信息可以根据任何合适的可用计量数据(例如，cd
‑
sem数据、材料特性的椭偏数据)而被获取，并且确保方案与该工具(即，参考工具)匹配。它还为推理添加了更多信息，并且有助于参数关联。所得到的大规模优化任务耦合、自动化并且改进当前方案控制流程方法的手动步骤。
[0119]
等式2是可以形成所提出的方法的基础的分层和数据驱动的成本函数的示例。所提出的方法可以被视为多层推理任务，称为大型优化任务：
[0120][0121][0122]
等式2包括数据保真度项，该数据保真度项组合了以多个波长λ获取的多个目标t的测量。(例如，对角或全)缩放矩阵v缩放数据保真度项，以便对影响测量数据的(例如，高斯)噪声的方差的统计假定进行编码。如果使用除l2范数之外的范数，则可以对其他噪声分布进行编码。此处假定机器已经正确校准并且剩余的其余流程呈正态分布。求解成本函数的目的是恢复每个目标的参数化θ
t
，θ
t，λ
，这基于每个目标t的某个参数化θ
t
，θ
t，λ
而使测量强度i
t，λ
与计算强度之间的差异最小化；其中θ
t
是波长(或更一般地，是获取设置和目标)无关参数，θ
t，λ
是波长和目标相关参数。
[0123]
另一项是先验项，先验项设置固定浮动和标称参数化(λ下标再次区分波长相关参数)，其中设置正则化强度。对角缩放矩阵q和s对关于参数的尺度的先验信息进
行编码，例如假定侧壁角度的物理变化为2至3度，高度的变化为200nm，正则化应当以相同的相对强度惩罚这两者。
[0124]
固定浮动相对于数据驱动的标称参数化而被施加。这被执行以降低问题的维数，以便更快地进行在线评估并且通过在结构上打破参数相关性来使解稳定。l1范数促进了相对于标称值的解稀疏性。
[0125]
等式2通过约束实验数据可用的参数以遵循跨目标的相同趋势来提供关于参考工具的自动匹配。斜率项s
(k)
和偏移项c
(k)
将晶片上的目标的特定轮廓参数化的每个参数项联系到参考工具的(即，来自实验先验数据dat
exp
)等效参数项这些项可以用于确保参考工具“看到”目标与当前工具不同的情况得到类似处理(例如，其中参考工具测量top
‑
cd，而当前参数化是关于mid
‑
cd).
[0126]
影响测量数据的统计误差通过允许不精确匹配来考虑，该解被限制为大小为∈
p
的l
p
球，其中p是由误差分布(例如，由参考工具产生的误差的统计分布)产生的。通常，假定误差为正态分布，从而产生l2球。假如约束保持凸规划，可以合并更复杂的误差统计。
[0127]
施加最小最大约束以约束感兴趣区域。叠层参数的范围被限制在有效的物理参数化范围内。可以针对高度相关的参数(诸如针对材料特性(与几何特性相反))施加交叉目标一致性。以这种方式，多个目标可以在假定它们具有相同参数值的情况下被分组，例如，虽然未知，但是跨特定晶片的硅特性是恒定的，并且因此目标可以以这种方式对每个晶片被分组和约束。
[0128]
等式2的解涉及迭代算法解并且先验是(被选择为)凸规划以确保算法易处理。一种可能的解是采用近似分裂算法，例如适当的可变度量预条件近端分裂算法，该算法将数据保真度项与剩余项分裂。可变度量方法(拟牛顿步骤)被执行在数据保真度项上。相对于(虽然复合并且非平凡的)剩余项所得到的近端步骤产生凸规划成本函数，并且它的解可以通过子迭代来找到，例如通过使用近端分裂原始对偶求解器。
[0129]
图7是用于方案创建的数据的示意图。这里示出了来自n个晶片(w1
‑
wn)的一组测量数据i
t，λ
‑
w1
...i
t，λ
‑
wn
，涉及已经使用若干获取设置或波长(两个波长示出为λ1、λ2)而捕获的多个目标t(示出了六个目标t1至t6——为了清楚起见，仅标记了t1和t2)。除了波长之外的不同的获取设置可以包括不同的偏振设置、晶片旋转、相位延迟器旋转(单独变化或以不同组合变化)。在大部分描述中使用波长作为示例，应当理解，它总是可以推广到获取设置。
[0130]
该测量数据连同实验先验数据dat
exp
(参考工具数据，例如cd
‑
sem数据)被馈送到求解等式(2)的分层优化求解器sol。优化求解器sol的输出包括每目标解θ
t
，θ
t，λ
、标称解以及相对于参考工具的偏移项c
(k)
和斜率差异s
(k)
。该概念适用于任何数目的晶片/波长，包括仅单个波长和/或单个晶片。注意，等式2可扩展为任何合适的附加凸规划项。
[0131]
方案创建的主要信息流
[0132]
图8示出了用于方案创建的方法流程。提出了解决由等式2描述的分层问题，其中(第一)正则化项的正则化强度在每个解之间变化800，使得针对多个正则化强度求解分层问题。然后使用分层求解器sol输出作为单目标重构的方案，例如非线性最小二乘(nlsq)单目标重构。nlsq重构的正则化先验被迭代地配置，使得两个求解器(分层求解器sol和单目标重构805)之间的解统计量(均值、方差和/或协方差)跨所使用的测量被匹配。
[0133]
分层求解器sol接收所测量的强度i
t，λ
、实验先验数据dat
exp
和(例如，以加快计算时间)库数据lib。由等式2描述的建议的优化任务的解将生成以下信息以作为单目标重构的方案rec进行传输，例如单/双波长、非线性、基于最小二乘的在线推理框架：
[0134]
·
标称值是搜索逆问题解的起点，也用作正则化点。这定义了光刻工艺窗口的质心。
[0135]
·
用于在一个或多个方案创建训练数据集中修复不敏感或恒定参数的策略。这种固定/浮动策略根据优化任务而动态地产生，并且在工艺窗口内有效。
[0136]
·
多目标重构θ
t
，θ
t，λ
，将感兴趣参数与第三方测量(经由偏移项c
(k)
和斜率差s
(k)
)在这些测量的置信区域内匹配。基于该解，正则化策略针对单目标重构而被定义，使得没有分层/数据驱动的先验的重构产生相同的经推理的参数分布。
[0137]
来自分层求解器sol的方案rec输出然后例如由nlsq求解器在单目标重构805中使用。两个求解器的输出的统计特性被比较810，并且如果还没有被(充分)匹配，则正则化强度被更新820并且两个求解器再次运行。当被匹配时，感兴趣参数值830被返回。感兴趣参数值对照相关kpi(例如，fpm)被检查840，并且具有最佳kpi的方案被报告850。
[0138]
可以围绕找到的标称将参数范围降低到它们覆盖使用nlsq的单目标重构的求解器路径的程度。求解器轨迹可以通过对多个晶片执行重构来实验评估。
[0139]
用于将一些参数固定为标称值并且在所得到的流形上搜索解的选择根据等式2由l1范数先验而被隐式地生成。先验试图利用相对于标称值而改变的最少数目的参数来解释数据。精确的固定浮动策略需要对解进行后处理，以标识与标称没有显著变化的参数。
[0140]
元问题可以被定义为匹配来自两个求解器(nlsq和分层求解器)的解的统计特性(均值和/或方差)。等式1中的正则化项的缩放的选择可以经由迭代求解来确定。等式1可以改写为：
[0141][0142]
因此，可以被视为第二正则化项，h可以被视为正则化的方向依赖缩放。为了匹配解分布，应当找到和h的适当值。h可以是对角或全缩放。例如，h的一种选择是分层解的方差或协方差矩阵的逆的矩阵平方根。
[0143]
这导致来自分层求解器的参数分布与由针对多个目标求解等式3而产生的单目标解分布之间的kullback
‑
leibler散度的最小化。这可以表述为非凸规划优化问题：
[0144][0145]
这涉及针对所有目标求解由等式3定义的多个优化子问题以产生统计量
[0146]
可以设计一种更简单的启发式方法来解决它，如图9的流程所示。用于h的第一选择可以被设置作为方差或协方差矩阵的逆的矩阵平方根。为了找到在步骤900处确定(从求解器810输出的感兴趣参数值830的)组合参数变化是否大于分层优化解的组合参数变化。如果是，则被增加910；否则被减少920。这个循环重复n次(其中n是目标的总数)。设置h的单独值可能会改进解，但它会使启发式解更加复杂。
[0147]
因此，公开了包括分层优化任务的方案创建流程。该方法包括跨越(可选地)多个晶片上的多个目标的多次测量。方案创建流程进一步将参考工具数据直接耦合到方案创建流程中。它直接在优化问题中提供对固定浮动策略、范围和标称的数据驱动搜索。还描述了从分层求解器到单目标nlsq求解器的方案转换，其中解之间具有统计特性匹配。备选标准(基本上是使关于参考工具值的误差最小化)也产生良好结果。
[0148]
因此，所描述的方法使整个rcf流程自动化并且去除了广泛的人机交互。它为方案创建提供了一种建设性和可重复的方法，该方法受限于与参考工具的匹配，并且允许在方案创建阶段与单目标/工具上推理之间进行自动方案传输。
[0149]
混合推理系统
[0150]
已经描述了重构倾向于分为两类数据驱动方法和基于模型的推理方法。然而，这两种方法都有固有的缺点。数据驱动方法缺乏稳健性，因为它们依赖于有限的训练数据，而这些数据的获取成本高昂并且会产生显著的系统和随机误差。纯数据驱动方法只能在与训练它们的相同的工艺窗口中可靠地工作。如果过程漂移或改变，则需要适配推理模型(方案)。实验晶片一般需要被生产和测量。当前用于基于模型的推理的方法复杂且信息量大，包括计算要求非常高并且em仿真很复杂。它们需要构建库以为目标em响应创建备选模型。该模型需要准确，并且因此需要大量客户(敏感)信息。模型误差将对推理产生重大影响。
[0151]
为了解决这个问题，提出了一种混合推理系统，该系统弥合了基于模型的推理与数据驱动的推理之间的差距。所提出的方法从粗略模型开始，然后以数据驱动方法细化模型。它可以依赖于可选的辅助信息，诸如由其他工具执行的测量(例如，cd
‑
sem数据)，这些测量可以与散射测量相耦合。
[0152]
图10是所提出的方法的高级示意图。混合模型hm包括固定的粗略模型cm和数据驱动模型ddm，后者需要训练。θ表示叠层参数化，其中估计θ
e
表示仿真强度i
s
在训练迭代中以给定程度拟合测量强度i
m
的参数的值。r
c
表示由粗略模型cm产生的粗略反射率，r表示由数据驱动模型ddm产生的反射率。从反射率空间r到仿真强度i
s
的映射(即，校准模型)利用来表示。
[0153]
数据驱动模型ddm的训练和逆问题解sol的搜索一起使测量强度i
m
与仿真强度i
s
之间的差异最小化，(可选地具有附加先验)。目标是共同找到模型校正和解参数化θ(其中θ是通用参数化，是特定目标i的参数化)。
[0154]
叠层的粗略模型cm可以以类似于当前叠层重构的方式构建，但允许高度不准确性。这可以包括在确定粗略模型时不使用叠层参数的精确材料特性、精确范围或标称值。它在混合推理期间被认为是固定的。原则上，小的模型误差(缺少不敏感层、叠层的不敏感区域的不准确参数化)也是可以容忍的。粗略模型可以使用渐进式库功能来准确快速地近似。例如，该库创建了代理模型，代理模型可以在参数化、wl和入射角/像素位置之间映射到叠层的反射率。它是通过针对单独像素(不是完整光瞳)评估大量配置中的叠层响应来构建的。神经网络模型被训练以学习映射。粗略模型可以被视为为其构建库的粗略轮廓。数据驱动模型ddm附加在粗略模型之上以校正粗略反射率r
c
，使得所测量的强度匹配，同时还找到适当的参数化θ。
[0155]
混合模型hm的训练是基于大量(n个)目标的测量的迭代过程。它还可以使用任何可用辅助信息(例如，目标的子集的cd
‑
sem数据)作为先验p。数据驱动模型ddm由神经网络
或其他机器学习模型定义。最初，表示恒等映射，即r＝r
c
。
[0156]
现在将描述训练示例，其由重复直到收敛的两个步骤组成：
[0157]
第一步骤包括针对构成所测量的强度数据i
m
的所有波长(如果使用多个波长测量)，针对与所有n个可用测量求解与模型参数推理相关联的逆问题。假定存在粗略em模型cm并且为其构建库。可以基于由f(θ
e
)定义的参数(例如，cd
‑
sem数据)中的一些的测量来施加先验信息p。
[0158]
在第二步骤，使用所得到的解θ
e
更新神经网络的模型，使得所测量的强度i
m
更好地拟合模型输出(即，仿真强度i
s
对应于反射率r)。函数g(w，b)表示通用正则化。训练应当被很好地规范化以避免过度拟合。在这点上，可以假定粗略反射率r
c
相当准确，因此，可以强制准确反射率r保持相当接近粗略反射率r
c
。例如，这可以通过来施加，其中κ表示该假定的强度。
[0159]
根据方案(即，根据下面的算法1)的迭代产生在估计和由神经网络权重和偏差w，b定义的模型校正方面收敛的解。
[0160]
算法1：
[0161]
针对t＝1，迭代
[0162]
其中，针对某个i，
[0163][0164]
结束
[0165]
其中(
·
)表示函数的参数，原则上它们可以是或或取决于建模选择(图10和图12中的混合模型hm)。它们在两个等式之间应当是一致的。
[0166]
通常，为了产生稳健的方案，应当在训练数据之外进行外推。这确保了使所需要的方案更新之间的时间最大化。在所提出的混合方法中，可以认为粗略模型表示信号/模型所在的参数值的扩展粗略流形θ
c
。观察到的测量仅量化该粗略参数空间的子集θ
e
，因为晶片上的变化量仅限于给定工艺窗口(即，工艺窗口定义子集θ
e
)。图11中描绘了可视化表示。应当理解，数据驱动模型的训练只能被保证在θ
e
所在的小的区域内是准确的。
[0167]
为了确保泛化能力，可以对整个粗略流形θ
c
施加附加约束。对于任何给定的小的差异δ，这样的约束可以是r
c
δ≈r。对允许的δ施加界限可以确保校正后的反射率r不会发散到所见工艺窗口之外。在这种情况下，如果可能，数据驱动模型校正将泛化；即，如果存在用于工艺窗口的校正函数在工艺窗口之外仍然是通用的。在最坏情况下，当所见工艺窗口之外的校正不正确时，模型只会从粗略模型略微降级。在整个粗略流形上对δ施加附加约束以确保一致性。
[0168]
上面提到，外部数据(诸如cd
‑
sem数据或参数值中的一些的其他估计)可以用作先验信息p，以指导解朝向适当估计例如，如果cd参数数据可用，即，已知，可以将其添加在项中(例如，在算法1的第一步骤中)。
[0169]
另外，可以添加多个先验p以在例如晶片级和/或批次级上耦合估计参数。它们可
以联系到数据(例如，在某些参数的测量数据可用的情况下)，也可以是物理驱动的，即，强制跨晶片的高度不能以高频变化，以便在相邻目标之间发生剧烈变化，或者假定晶片的所有目标的材料特性相同。
[0170]
如果神经网络模型用于为粗略模型生成库，则可以应用转移学习技术来扩充相同的库以构建数据驱动模型。
[0171]
上述过程假定校准模型是正确的，或者至少比目标模型更准确。如果不是这种情况，则混合模型将学习校准系统并且也尝试校正这些。所得到的准确模型将不独立于机器，并且需要不同校准的其他机器的精度将降低。具有在训练期间来自多个机器的测量可以改进匹配。当前，使用jones模型，并且校准精度可能造成误差。特别地，针对小的点/目标，存在显著的校准和模型误差。在这种情况下，所提出的方法构建考虑了校准系统的改进模型。
[0172]
图12示出了图10所示的混合模型流程的变化。在图10的示例中，数据驱动模型ddm根据所输入的粗略反射率r
c
输出校正后的/更准确的反射率r。相比之下，在该变化中，数据驱动模型ddm基于参数化估计θ
e
来输出粗略反射率r
c
的附加(或以其他方式组合的)校正。
[0173]
一旦被训练，混合模型可以用于代替更常规的模型推理所测量的目标/结构的参数化；即，以生成仿真强度并且最小化仿真强度与测量强度之间的差异以推理结构参数化。
[0174]
因此，该部分公开了em叠层模型(以及它的简化以便需要较少敏感数据)与数据驱动技术的耦合。描述了先验(数据先验或物理动机先验)的使用，以帮助学习模型和潜在的叠层参数化。需要有限的敏感信息，如果叠层响应对它们不敏感并且不需要材料特性，则可以容忍不准确的几何形状。准确模型从数据中被学习，建立在粗略模型和可选的其他工具测量(cd
‑
sem数据、设定值)的基础上。如果校准不良，则数据驱动模型也可以校正校准，但代价是变得特定于机器。该模型可以在影子模式下运行以跟踪校准变化。该模型可以用于对小目标测量的干扰效应进行建模。
[0175]
可以组合以上概念(方案创建和混合模型)。因此，方案创建方法可以用于创建方案以用作使用如上所述构建的混合模型而执行的重构中的起点。为了针对多个目标生成目标参数化可以使用分层方法。
[0176]
组合的器件内和器件外推理
[0177]
对于基于模型的推理(包括使用本文中所公开的分层求解器的基于模型的推理)和/或本文中所公开的混合推理，当前方法涉及基于用户叠层信息和/或第三方测量(例如，cd
‑
sem数据)来创建轮廓。特别地，为了重构材料特性，需要从用户(即，ic制造商)获取的特殊实验设计(doe)晶片。
[0178]
通常，用户不愿意提供关于他们的制造过程的大量信息，因此，可用的叠层描述细节是有限的，并且通常不包括适当的材料特性。此外，用于推理材料特性的doe晶片的生成成本很高，而所得到的晶片没有生产价值。如果不使用doe晶片，则光学材料特性可能具有很大的不确定性，并且可能与第三方实验测量得出的特性不匹配。此外，针对某些材料，光学特性是应用于晶片的处理的函数，并且默认的第三方测量将不准确或不可用。因此，轮廓信息将是不准确的，从而导致用于参数化的范围很宽。这对于材料参数来说尤其麻烦，因为它们对叠层响应的影响很大。
[0179]
由于很多现有计量传感器只能测量低阶衍射，因此每次测量中的信息内容不足以
推理大量参数(即，进行全轮廓计量)。同样令人感兴趣的是测量器件内结构的可能性，该器件内结构被设计用于实现最终产品的最佳性能，而不是最佳可测量性。
[0180]
因此，没有办法控制关于光学计量测量的信号强度和相关性。通常，针对给定特征，几何和材料参数被传感器观察作为它们的组合等效电学量，这在关于单独参数变化的响应之间引入了显著的相关性。这显著降低了信号的可区分性。
[0181]
在本节中，提出了器件内和器件外结构的组合推理。这样的提议可以使用如本文中所公开的基于混合或分层框架的推理或这两者的组合。此外，在这样的实施例中也可以利用已在“混合推理系统”部分中所描述的库的使用。在一个实施例中，还提出了针对来自大量这样的器件内和器件外目标的参数值进行建模和求解。
[0182]
特别地，提出了根据一个或多个专门设计的器件外目标的测量与器件内结构(例如，器件内专门设计的计量目标和/或实际产品结构)的一个或多个测量来执行组合推理。器件外目标可以例如包括划道目标。划道目标可以针对可测量性被优化(一般而言，或者在一个或多个特定参数或参数类别方面，其中例如一个类别的参数可以包括材料特性参数)。可以针对不同参数/参数类别来优化不同划道目标。这种提议能够更有效地利用跨晶片存在的物理相关性(例如，跨晶片趋于稳定的材料光学参数；可以跨晶片平滑变化的高度或cd参数)。
[0183]
在划道内，专门的目标只需要遵循可印刷性规则。因此，例如，划道目标可以被设计为提供信号增强。以这种方式，通过将器件外、高信号目标与器件内测量相结合，可以推理出附加参数，尤其是材料特性。因此，如果某些感兴趣参数在器件内和器件外目标之间是通用的，则来自这两类目标的联合推理将丰富信号空间，从而实现更准确的测量。可以理解，材料特性是这样的通用参数的良好示例。
[0184]
图13示意性地示出了该原理。它示出了包括两个场f1、f2的衬底s的部分，每个场具有器件区域dev1、dev2和划道区域sl1、sl2(当然，划道可以在相邻场之间被共享)。测量数据可以包括由i
d，λ
表示的器件内测量和器件外(或划道目标)测量它们来自x场(f1
‑
fx，示出了两个场f1、f2)并且在m个获取设置或波长λ处(示出了两个波长λ1、λ2)。除了波长之外的不同的获取设置可以包括不同的偏振设置、晶片旋转、相位延迟器旋转(单独变化或以不同组合变化)。以类似于所描述的分层求解器方法的方式，每个场的器件内和器件外测量的各种不同组合是可能的。因此，所测量的结构的位置和/或类型可以针对不同场而变化。波长/获取设置也可以因目标和/或场而异。
[0185]
包括测量数据i
d，λ
的器件内测量meas
dev
和包括测量数据的器件外(划道)测量meas
sl
由求解器sol使用以执行多模型混合/基于模型的优化。
[0186]
在一个实施例中，假定，针对由λ索引的m个波长/获取设置，器件内模型/混合模型在λ
d，λ
中被参数化。例如，可以假定，几何参数跨波长是通用的，而材料特性则取决于波长。这里建议使用n个目标的附加集合(例如，器件外或划道目标)，其中模型由参数化，以增加在这些划道目标与(多个)器件内结构之间被共享/相似的性质之间的信号可区分性。
[0187]
形式上，这例如可以表述为等式5的优化任务，其中第一项是器件内数据保真度项(m个波长)，第二项是器件外数据保真度项(m个波长，n个目标)，第三项是正则化成本项。这里，θ
c
表示参数化的公共部分，f(
·
)表示对附加先验/正则化进行编码的通用函数，例如，
以类似于上述等式2的方式。可以注意到，根据设计和结构，并非所有目标都必须共享相同的共同特性，例如，划道目标可以被设计为在它们之间共享相似的几何特性，而这些几何特性不与器件内结构共享，而整体材料特性可以跨整个晶片被共享。
[0188][0189]
等式5的成本函数允许与基于混合/分层模型的推理方案类似的解。此外，还支持组合多个器件内目标(如图13的域f2所示)。
[0190]
以这种方式，描述了多模型计量推理方案，该方案耦合器件内测量和器件外测量，同时使得器件外目标能够被设计以关于公共参数(即，在(多个)器件内和器件外结构之间共享的参数)来优化信号强度和可区分性。这消除了对制造昂贵且耗时的实验晶片的需要，并且还允许使用(多个)定制目标设计，这可以优化对不敏感和/或与器件内结构高度相关的参数(例如，材料特性)的可测量性。
[0191]
在另外的实施例中，可以将跨波长联系材料特性(折射和消光系数)的低复杂度的机器学习模型添加到本段中描述的器件内和器件外推理，但是它也可以在混合推理系统内独立工作或与逆问题推理方案(例如，rcwa)一起工作。如果器件内或器件外的衬底中或上存在诸如非晶碳或非晶硅的工艺相关材料，则可以考虑这种低复杂度的机器学习模型。工艺相关材料的光学特性可能会在晶片加工过程中发生变化，并且需要在相同条件下进行表征。使用将跨波长的材料特性联系在一起的低复杂度的机器学习模型可以减少对实验晶片和/或客户信息的需求。
[0192]
低复杂度的机器学习模型可以被定义为通过将要建模的参数k表示为在每个获取波长λ
i
处的来联系跨所有波长λ的参数化该模型可以由类似sigmoid的激活函数σ
λi
组成，该函数是广义逻辑函数，被应用在跨波长低复杂度的模型上，例如以波长作为输入并且以关于波长的多项式作为输出的小型神经网络。这将产生材料参数的模型在方案创建期间，模型θ
k
的参数化是通过经由逆问题拟合数据来决定的，例如，如在器件内和器件外推理中执行的。sigmoidσ的形状可以与波长相关以及与参数k相关。
[0193]
优选地，广义逻辑函数可以针对p的宽范围的物理值被定义为线性，并且随着p接近不被认为是物理的区域而快速向渐近值c
m
和c
m
饱和。优选将线性范围扩展到更长范围以调谐或减少渐近线处的饱和度的影响。
[0194]
该函数有利地被设计为连续的。连续性是有利的，因为不连续函数可能会给模型的学习带来问题。它可以被缩放使得其覆盖适当的物理范围。这种范围可以是波长依赖的，在这种情况下，每个波长的缩放不同，如图20所示。在图20中，将材料特性m和物理范围p的多项式模型以及相关联的sigmoid绘制为波长λ的函数。
[0195]
可以构建库来对假定物理范围内的材料特性p
k
和变化的几何参数g
k
进行采样。然后在逆问题推理期间应用元函数以创建波长变化依赖的参数化拟合。新的推
理问题基于几何参数和所施加的材料模型的参数化θ
k
。
[0196]
非线性参数去相关
[0197]
如已经提到的，数据驱动的、混合的和基于模型的解都受到感兴趣参数之间的相关性的负面影响，例如，由于参数的物理耦合。大部分强度信号主要携带描述叠层的不同特征的电学量的信息，而不是特定的高度、cd或侧壁角度。对于数据驱动的解，这会限制有效的信号的可区分性，例如，如果相同的实验响应可以通过改变高度、cd或这两者的组合来生成，则该解变得不适定并且难以生成实验数据。这对传感器能力设置了基本限制。针对混合和基于模型的解，这种相关性在解中引入不稳定性，因为问题的条件数目变大。这会减慢收敛，甚至会触发不稳定行为。这种相关性的部分的原因是由于传感器能力的基本限制。然而，由于叠层的完整/粗略模型只能在几何描述方面而不是在各种特征的电学量方面来表达，因该混合/完整模型的不良参数化引入了附加相关性。
[0198]
在本节中，提出了一种方法以用于减轻由模型的错误参数化而引起的混合和基于模型的解的相关性引发的问题。该提议使用代理模型以朝向最小充分统计量表示来创建叠层的重新参数化。此外，备选模型可以用于通过经由库提供电磁仿真的近似来加速解(该库可以在“混合推理系统”部分中公开)。
[0199]
在大多数当前用例中，要测量的叠层非常复杂，并且推理所有参数θ的全轮廓计量既不实用也不必要；只需要估计一个或多个感兴趣的特定叠层参数。因此建议使用叠层的数据驱动机器学习重新参数化，该参数化试图为所有参数的组合构建最小充分统计量，同时确保感兴趣参数在最小的充分统计量内保持可区分。
[0200]
在一个实施例中，提出使用神经网络来对高达给定准确度水平的叠层反射率响应r进行建模，同时还学习到低维空间的映射，这消除了参数化中的任何冗余(这表示相关性)。主要特征是在架构中引入了瓶颈，这限制了信息流，以便学习到低维子空间的映射。注意，在构建自动编码器的非常不同的上下文中发现了瓶颈结构的类似使用。库的训练是标准的，并且表示最小化均方误差成本，例如其中表示估计/近似值。这可以通过使用随机求解器来训练从θ到r的映射来实现。
[0201]
图14是根据第一示例的该概念的示意图，并且示出了包括多个层的去相关库或去相关网络，多个层包括一个或多个去相关层dl、一个或多个瓶颈层bl和一个或多个建模层ml。输入参数θ被映射到由p参数化的更低维的非线性子空间，其中p表示到更低维或受限参数空间的重新参数化。注意，受限参数空间p不仅仅是包含相同参数中的一些的输入参数化θ的适当子集，而是在完全不同的参数方面的全新的更小的参数化。该映射经由至少一个去相关层dl和瓶颈层bl实现，其中这些层可以包括神经网络层或类似的人工智能网络层。示意图中层的高度指示该层中神经元(节点)的数目；即，瓶颈层bl的神经元比去相关层dl少。在这里所示的示例中，有两个去相关层dl，尽管这纯粹是示例性的并且去相关层dl(和瓶颈层bl)的数目可以与所示的不同。
[0202]
然后，使用包括一个或多个建模层ml(例如，重新参数化的叠层模型层或重新参数化的库层)的反射率建模库rml或反射率模型来学习如何根据受限参数空间p对建模的反射率进行建模。再一次，这些层可以包括神经网络或类似人工智能网络的层。在这里所示的示例中，有四个建模层ml，尽管这纯粹是示例性的并且建模层ml的数目可以与所示的不
同。
[0203]
瓶颈层bl的大小(即，神经元的数目)决定了可用于建模层ml的信息内容。可以针对若干尺寸的瓶颈层bl来确定和评估关于建模反射率的训练误差和隐式精度。瓶颈层bl的大小影响建模反射率的可预测性。可以证明，瓶颈的大小是问题依赖的，并且通常可以从1到上限n
p
而变化。这背后的基本原理是，如果保持原始参数化θ，即p＝θ，则映射将是完全准确的(一对一)。如果响应相对于参数化θ没有相关性，则只有在丢失某些信息时才可以具有更小的受限参数化p。如果存在相关性，则应当存在受限参数化p可以利用更小的尺寸对相同的响应进行建模。
[0204]
如前一节所述，当前工作方式包括将θ映射到r并且使用光学模型将反射率r映射到强度i(例如，使用琼斯模型)，以求解等式1。这样的方法不会消除各种参数之间可能存在的相关性。
[0205]
在该方法中，提出了在由p参数化的等效低维空间中解决问题；例如，通过求解下式：
[0206][0207]
其中g类似地表示先验信息项。
[0208]
在下文中，将描述图14所示的主要概念的几个实施例。注意，通常可以将这些实施例中的两个或更多个组合成更复杂的结构。与前面的示例一样，层的数目(无论哪种类型的层)纯粹是示例性的并且可以变化。
[0209]
图15示出了图14的布置的变化，其合并了用于旁路一个或多个被旁路的参数θ
b
的瓶颈旁路(其中被旁路的参数θ
b
包括全叠层参数化的子集)。通常以高置信度知道一个或多个叠层响应参数(例如，照射的波长和/或入射角)。在这种情况下，被旁路的参数θ
b
可以包括这些已知参数，并且在重构/参数推理期间可以被认为是固定的，例如，固定为在测量时决定的值。然而，已知参数仍应用于反射率模型库rml的训练，因为实际值是在测量期间决定的(例如，以获取跨波长模型/库)。因此，建议，将这些已知参数作为旁路参数θ
b
转发，使得它们旁路瓶颈层bl(和去相关层dl)并且在构建反射率模型库rml时直接用作输入。
[0210]
旁路瓶颈层的参数的另一原因是，如果它属于给定叠层的“感兴趣参数”类(例如，如果它是被测量的参数，使得该参数的值是主动寻求的)。例如，如果cd是感兴趣参数，则建议不通过瓶颈层重新参数化cd参数。相反，这些感兴趣参数中的一个或多个可以作为旁路参数θ
b
被转发，例如作为瓶颈层bl之外的独立参数。在这种情况下，被旁路的参数将是要优化的参数。因此，旁路参数θ
b
可以包括一个或多个这样的感兴趣参数，作为已知参数的备选或补充。
[0211]
图16和图17示出了另一实施例的示例，其中除了建模反射率之外，去相关库直接提供前向参数预测(例如，针对特定感兴趣参数θ
p
)。针对这些感兴趣参数θ
p
，确保推理可行的一种方法是训练库或模型以直接推理这些参数。这使得这些参数θ
p
能够传递通过瓶颈层bl。以这种方式，模型可以最大限度地将这些参数与剩余的叠层参数θ去相关。例如，这种方法可以备选瓶颈旁路。在输出处匹配参数的要求确保了可以存在从受限参数空间p到实际感兴趣参数θ
p
的映射，如图16所示。这里，感兴趣参数是通过直接预测来推理的。图17示出了一种方法，其中受限参数化p允许经由求解逆问题而不是经由建模层ml来推理感
兴趣参数。
[0212]
图18示出了包括多个(平行)参数瓶颈层bl1、bl2的布置。当解决逆问题时，通常将多个先验放在解上(其示例在上述分层先验和混合推理实施例中描述)。在某些情况下，可以有用的是，对特定参数进行分组(例如，根据参数θ1，θ2的特定类别)并且创建多个独立瓶颈层以允许引入更强先验(例如，适用于相应类别/针对相应类别被优化)。参数的两个特定类别的示例可以包括几何参数和材料参数(多于两个类别是可能的，具有对应数目的平行去相关层和瓶颈层)。在这里的具体示例中，针对参数θ1，θ2的每个类别存在两个并行路径(神经网络)，每个路径包括去相关层dl1、dl2和一个瓶颈层bl1、bl2。以这种方式，可以将不同的相应先验放在两个类别的参数θ1，θ2上，并且两个瓶颈bl1、bl2确保了两个类别的参数化(例如，几何与材料)保持可分离。
[0213]
图19示出了一种方法，其中使用去相关库或模型来确定参数可区分性度量。去相关库(例如，重新映射库)可以用于推理参数与另一参数或一组其他参数之间的相关性，例如推理定义体积的参数之间的相关性度量。因此，相关度量可以描述任何两个参数之间的相关程度。这可以通过尝试反转/重新映射瓶颈层引起的低维映射来实现。这样的任务通常是不适定的，并且恢复的准确性可以被看作是相关性的指标。因此，在训练如图14所示的类似布置之后，从而创建去相关库，可以训练附加组件或重新映射库reml，这会尝试反转该映射。应当注意，虽然图19示出了基于图14的去相关结构的布置，但是可以使用任何先前描述的去相关结构，例如，在该实施例中的图14至图18所示的结构中的任何一种。
[0214]
训练可以使得重新映射库reml被训练以找到近似解其中p是由已经训练的去相关库生成的。从重新参数化p中恢复单独参数的能力是与剩余参数之间的相关性水平的直接指示。相关性水平(相关度量)可以通过改变瓶颈大小并且评估在预测反射率时产生的误差以及参数化重新映射的误差来推理。
[0215]
作为具体示例，考虑如下情况：其中目的是量化响应与定义光栅体积的三个参数(例如，高度、宽度和侧壁角度)的相关性。这可以应用于任何叠层，其中所有其他参数均旁路瓶颈层bl。在这种情况下，可以训练两个库，每个库具有相应的瓶颈层。两个库的误差水平(例如，由确定)为每个瓶颈层的叠层提供建模能力的度量。如果对数据的拟合达到库精度，则重新映射库的误差水平定义了参数中的每个的可区分性水平。
[0216]
因此，本节描述了自动去相关/重新参数化技术，该技术通过减少条件数目并且降低有效参数的数目来加速推理。这消除了参数化的专家用户设计产生稳定/一致的模型行为的需要，并且引入了一种系统性的方法来分析由叠层响应所携带的信息。这种方法可以用于提高基于混合/模型(包括使用分层先验的任何模型)的推理的稳健性，并且提高逆问题求解器的收敛速度。不同参数之间的相关性度量可以通过将可实现的反射率精度与瓶颈层的大小联系来定义。
[0217]
上述实施例中的任何一个中的目标和目标结构可以是为测量目的而专门设计和形成的计量目标结构、或者作为形成在衬底上的器件的功能部分的目标结构。术语目标不应当限于任何特定结构或结构类型，而是包括任何可测量的结构。
[0218]
与如在衬底和图案化装置上实现的目标结构的物理光栅结构相关联，实施例可以包括计算机程序，该计算机程序包含机器可读指令的一个或多个序列，该机器可读指令描
述测量衬底上的目标结构的方法和/或分析测量以获取关于光刻工艺的信息。该计算机程序可以例如在图3或图4的装置中的单元pu和/或图2的控制单元lacu内执行。还可以提供其中储存有这样的计算机程序的数据存储介质(例如，半导体存储器、磁盘或光盘)。在例如图3或图4所示类型的现有的计量设备已经投入生产和/或使用的情况下，本发明可以通过提供更新后的计算机程序产品以使处理器执行如以上和权利要求所述的这些方法来实现。
[0219]
根据本发明的其他实施例在以下编号的条款中描述：
[0220]
1.一种确定重构方案的方法，所述重构方案至少描述用于在描述目标的参数化的重构中使用的标称值；包括：
[0221]
获取与至少一个衬底上的多个目标的测量相关的第一测量数据，所述测量数据与一个或多个获取设置相关；
[0222]
通过使成本函数最小化来执行优化，所述成本函数基于所述多个目标中的每个目标的重构参数化来使所述第一测量数据与经仿真的测量数据之间的差异最小化；
[0223]
其中成本函数上的约束基于分层先验而被施加。
[0224]
2.根据条款1的方法，其中分层先验对关于参数的尺度的先验信息进行编码。
[0225]
3.根据条款1或2的方法，其中分层先验对所述经重构的参数化中的参数值与由参考工具而获取的对应的经实验测量的参数值的差异施加约束。
[0226]
4.根据条款3的方法，其中对所述经重构的参数化中的参数值与对应的经实验获取的参数值的差异的所述约束允许不精确匹配以考虑统计误差，该统计误差影响第一测量数据。
[0227]
5.根据条款3或4中任一项的方法，其中所述方法还输出工具匹配数据，该工具匹配数据描述第一测量数据相对于来自参考工具的对应的经实验获取的测量数据之间的关系。
[0228]
6.根据前述条款中任一项的方法，其中第一正则化被施加在所述分层先验上。
[0229]
7.根据条款6的方法，其中第一正则化通过优选具有最小数目的变化参数的解来确定固定浮动策略。
[0230]
8.根据条款6或7的方法，其中所述第一正则化是l1范数正则化。
[0231]
9.根据条款6、7或8的方法，包括针对所述第一正则化的不同强度使成本函数最小化。
[0232]
10.根据前述条款中任一项的方法，包括将成本函数的解的统计特性与单目标重构的解的统计特性相匹配，其中对单目标重构施加的第二正则化的强度被迭代地确定。
[0233]
11.根据条款10的方法，其中所述确定第二正则化的强度包括使多个目标上的单目标重构的解的参数分布与成本函数的解的参数分布之间的差异最小化。
[0234]
12.根据条款10或11的方法，其中描述来自经匹配的单目标重构的参数值的性能的一个或多个性能指标被评估，并且与最佳性能指标相对应的重构方案被选择作为所述经确定的重构方案。
[0235]
13.根据前述条款中任一项的方法，其中分层先验施加有利于感兴趣区域的约束，该感兴趣区域描述有效物理参数化。
[0236]
14.根据前述条款中任一项的方法，其中分层先验施加一致性约束，该一致性约束有利于针对多个目标上的高度相关参数的一致性。
[0237]
15.根据条款14的方法，其中一致性约束至少与材料特性参数相关，其中能够假定材料特性在目标之间将不显著变化。
[0238]
16.根据前述条款中任一项的方法，其中成本函数包括针对所述多个目标而求解的至少一个数据保真度项。
[0239]
17.根据条款16的方法，其中针对多个获取设置，数据保真度项针对所述多个目标中的每个目标而被求解。
[0240]
18.根据条款16或17的方法，其中至少一个数据保真度项包括针对所述多个目标的第一子集而求解的第一数据保真度项和针对所述多个目标的第二子集而求解的第二数据保真度项，所述第一子集位于衬底的产品区域内，所述第二子集位于衬底的器件区域之外。
[0241]
19.根据条款18的方法，其中所述多个目标的第二子集位于衬底的划道区域内。
[0242]
20.根据条款18或19的方法，其中所述多个目标的第二子集一般地针对可测量性和/或在一个或多个参数方面而被设计和/或优化。
[0243]
21.根据条款18、19或20的方法，其中所述多个目标的第一子集包括一个或多个产品结构。
[0244]
22.根据条款18至21中任一项的方法，其中所述第一数据保真度项在与所述多个目标的所述第一子集相关的第一参数方面被参数化，所述第二数据保真度项在与所述多个目标的所述第二子集相关的第二参数方面被参数化，并且所述第一数据保真度项和所述第二数据保真度项中的每个包括与所述多个目标的所述第一子集和所述第二子集两者相关的单独处理的公共参数化。
[0245]
23.一种构建混合模型的方法，用于提供用于在结构的参数重构中使用的仿真数据，该方法包括：
[0246]
获取可操作以提供仿真粗略数据的粗略模型；以及
[0247]
训练数据驱动模型以校正所述仿真粗略数据，以便确定所述仿真数据。
[0248]
24.根据条款23的方法，其中仿真粗略数据包括仿真粗略反射率数据。
[0249]
25.根据条款23或24的方法，其中数据驱动模型可操作以确定用于与所述仿真粗略数据组合的校正。
[0250]
26.根据条款23或24的方法，其中数据驱动模型可操作以从所述仿真粗略数据导出所述仿真数据。
[0251]
27.根据条款23至26中任一项的方法，其中至少数据驱动模型是机器学习神经网络模型。
[0252]
28.根据条款27的方法，其中混合模型是机器学习神经网络模型并且包括具有比一个或多个在前层更少的节点的瓶颈层。
[0253]
29.根据条款28的方法，其中所述瓶颈层和所述一个或多个在前层一起学习到关于输入参数化的受限参数空间的映射。
[0254]
30.根据条款29的方法，其中所述混合模型包括所述在前层中的一个或多个在前层，所述在前层包括去相关层。
[0255]
31.根据条款29或30的方法，其中所述受限参数空间表示用于所述输入参数化的所有参数的组合的最小充分统计量。
[0256]
32.根据条款29、20或31的方法，其中所述混合模型包括在所述瓶颈层之后的一个或多个建模层，所述一个或多个建模层对来自所述受限参数空间的仿真数据进行建模。
[0257]
33.根据条款32的方法，其中所述一个或多个建模层可操作以直接推理一个或多个直接推理参数的一个或多个参数值。
[0258]
34.根据条款33的方法，其中所述一个或多个直接推理参数包括一个或多个感兴趣参数。
[0259]
35.根据条款29至34中任一项的方法，其中一个或多个参数被旁路所述瓶颈层。
[0260]
36.根据条款35的方法，其中被旁路的所述一个或多个参数包括值已知的一个或多个已知参数和/或一个或多个感兴趣参数。
[0261]
37.根据条款29至36中任一项的方法，包括至少两个并行瓶颈层，每个瓶颈层用于所述输入参数化的相应子集。
[0262]
38.根据条款37的方法，其中所述并行瓶颈层中的每个并行瓶颈层使得能够对所述输入参数化的所述子集中的每个子集施加相应先验。
[0263]
39.根据条款28至38中任一项的方法，包括训练附加模型，该附加模型可操作以反转和/或重新映射所述瓶颈层引起的映射；以及
[0264]
使用所述附加模型来确定用于描述参数与一个或多个其他参数之间的相关性的相关性度量。
[0265]
40.根据条款23至39中任一项的方法，其中训练步骤包括执行以下各项的迭代：
[0266]
基于测量数据和所述仿真数据，确定粗略模型的参数值估计；以及
[0267]
使用所确定的参数值估计来更新数据驱动模型，使得所述测量数据和所述仿真数据是更好的匹配。
[0268]
41.根据条款40的方法，其中测量数据包括与多个目标相关的强度数据。
[0269]
42.根据条款41的方法，其中所述多个目标包括第一目标子集和第二目标子集，所述第一子集位于衬底的产品区域内，所述第二子集位于衬底的器件区域之外。
[0270]
43.根据条款42的方法，其中第二目标子集位于衬底的划道区域内。
[0271]
44.根据条款42或43的方法，其中第二目标子集一般地针对可测量性和/或在一个或多个参数方面被优化。
[0272]
45.根据条款42、43或44的方法，其中第一目标子集包括一个或多个产品结构。
[0273]
46.根据条款42至45中任一项的方法，其中所述混合模型在与所述第一目标子集相关的第一参数方面、在与所述第二目标子集相关的第二参数方面被参数化，并且另外地，单独处理的公共参数化与所述第一目标子集和所述第二目标子集两者相关。
[0274]
47.根据条款40至46中任一项的方法，其中测量数据包括与多个获取设置相关的强度数据。
[0275]
48.根据条款40至47中任一项的方法，其中描述已知参数值的先验信息用于约束参数值估计的所述确定。
[0276]
49.根据条款40至48中任一项的方法，其中基于仿真粗略数据和仿真数据不太相似的假定，对更新所述数据驱动模型的步骤施加正则化。
[0277]
50.根据条款23至49中任一项的方法，包括在计量操作中的结构的参数重构中使用所述混合模型。
[0278]
51.根据条款50的方法，还包括使用根据条款1至22中任一项所述的方法来确定用于所述参数重构的重构方案的初始步骤。
[0279]
52.一种计量方法，包括：
[0280]
获取与至少一个衬底上的多个目标的测量相关的第一测量数据，其中所述多个目标包括第一目标子集和第二目标子集，所述第一子集位于所述衬底的产品区域内，所述第二子集位于所述衬底的器件区域之外；
[0281]
求解成本函数，所述成本函数基于所述多个目标中的每个目标的经重构的参数化来使所述第一测量数据与仿真测量数据之间的差异最小化；
[0282]
其中所述成本函数在与所述第一目标子集相关的第一参数方面、在与所述第二目标子集相关的第二参数方面被参数化，并且另外地，单独处理的公共参数化与所述第一目标子集和所述第二目标子集两者相关。
[0283]
53.根据条款52的计量方法，其中所述测量数据与一个或多个获取设置相关。
[0284]
54.根据条款52或53的计量方法，其中所述第二目标子集位于所述衬底的划道区域内。
[0285]
55.根据条款52、53或54的计量方法，其中所述第二目标子集一般地针对可测量性和/或在一个或多个参数方面被优化。
[0286]
56.根据条款52至55中任一项的计量方法，其中所述第一目标子集包括一个或多个产品结构。
[0287]
57.根据条款52至56中任一项的计量方法，其中所述成本函数包括在所述第一参数方面被参数化的第一数据保真度项、在所述第二参数方面被参数化的第二数据保真度项，所述第一数据保真度项和所述第二数据保真度项中的每个包括所述单独处理的公共参数化。
[0288]
58.一种构建去相关模型的方法，所述去相关模型用于推理描述被测量的结构的一个或多个参数的一个或多个值，所述方法包括：
[0289]
训练所述去相关模型以学习到关于输入参数化的受限参数空间的映射；
[0290]
59.根据条款58的方法，还包括训练所述去相关模型以基于所述受限参数空间来仿真响应。
[0291]
60.根据条款59的方法，其中所述响应包括反射率响应。
[0292]
61.根据条款58、59或60所述的方法，其中所述去相关模型包括具有比一个或多个在前层更少的节点的瓶颈层。
[0293]
62.根据条款61的方法，其中所述瓶颈层和所述一个或多个在前层一起学习到关于输入参数化的受限参数空间的映射。
[0294]
63.根据条款62的方法，其中所述在前层包括去相关层。
[0295]
64.根据条款62或63的方法，其中所述去相关模型包括在所述瓶颈层之后的一个或多个建模层，所述一个或多个建模层对来自所述受限参数空间的所述仿真数据进行建模。
[0296]
65.根据条款64的方法，其中所述一个或多个建模层可操作以直接推理一个或多个直接推理参数的一个或多个参数值。
[0297]
66.根据条款65的方法，其中所述一个或多个直接推理参数包括一个或多个感兴
趣参数。
[0298]
67.根据条款62至66中任一项的方法，其中一个或多个参数被旁路所述瓶颈层。
[0299]
68.根据条款67的方法，其中被旁路的所述一个或多个参数包括值已知的一个或多个已知参数和/或一个或多个感兴趣参数。
[0300]
69.根据条款62至68中任一项的方法，包括至少两个并行瓶颈层，每个瓶颈层用于所述输入参数化的相应子集。
[0301]
70.根据条款69的方法，其中所述并行瓶颈层中的每个并行瓶颈层使得能够对所述输入参数化的所述子集中的每个子集施加相应先验。
[0302]
71.根据条款62至70中任一项的方法，包括训练附加模型，所述附加模型可操作以反转和/或重新映射所述瓶颈层引起的映射；以及
[0303]
使用所述附加模型来确定用于推理参数与一个或多个其他参数之间的相关性的相关性度量。
[0304]
72.根据条款58至71中任一项的方法，其中所述受限参数空间表示用于所述输入参数化的所有参数的组合的最小充分统计量。
[0305]
73.根据条款58至72中任一项的方法，包括在计量操作中的结构的参数重构中使用所述去相关模型
[0306]
74.一种计量设备，可操作以执行根据条款1至73中任一项所述的方法。
[0307]
75.根据条款74的计量设备，包括：
[0308]
支撑件，用于其上具有多个目标结构的衬底；
[0309]
光学系统，用于测量每个目标结构；以及
[0310]
处理器，被布置为执行根据条款1至73中任一项所述的方法。
[0311]
76.一种光刻系统，包括：
[0312]
光刻设备，包括：
[0313]
照射光学系统，被布置为照射图案；
[0314]
投射光学系统，被布置为将所述图案的检查投射到衬底上；以及
[0315]
根据条款74或75中任一项所述的计量设备。
[0316]
77.一种计算机程序，包括处理器可读指令，所述处理器可读指令当在合适的经处理器控制的设备上运行时使所述经处理器控制的设备执行根据条款1至73中任一项所述的方法。
[0317]
78.一种计算机程序载体，包括根据条款77所述的计算机程序。
[0318]
尽管上面已经具体参考了本发明的实施例在光学光刻的上下文中的使用，但是应当理解，本发明可以在其他应用中使用，例如压印光刻，并且在上下文允许的情况下不仅限于光学光刻。在压印光刻中，图案化装置中的形貌限定了在衬底上产生的图案。可以将图案化装置的形貌压入提供给衬底的抗蚀剂层中，然后通过施加电磁辐射、热、压力或其组合来使抗蚀剂固化。在抗蚀剂固化之后，将图案化装置移出抗蚀剂，从而在其中留下图案。
[0319]
本文中使用的术语“辐射”和“光束”涵盖所有类型的电磁辐射，包括紫外线(uv)辐射(例如，波长为或约为365、355、248、193、157或126nm)和极紫外(euv)辐射(例如，波长在5
‑
20nm的范围内)以及粒子束(诸如离子束或电子束)。
[0320]
在上下文允许的情况下，术语“透镜”可以指代各种类型的光学组件中的任何一种
或组合，包括折射、反射、磁性、电磁和静电光学组件。
[0321]
具体实施例的前述描述将如此充分地揭示本发明的一般特性，使得其他人可以在不脱离本发明的一般概念的情况下通过应用本领域技术内的知识来容易地修改和/或适配这些具体实施例的各种应用，而无需过度实验。因此，基于本文中呈现的教导和指导，这样的适配和修改旨在处于所公开的实施例的等效物的含义和范围内。应当理解，本文中的措辞或术语是为了通过示例进行描述的目的，而非限制性的，使得本说明书的术语或措辞将由本领域技术人员根据教导和指导来解释。
[0322]
本发明的广度和范围不应当受上述示例性实施例中的任何一个的限制，而应当仅根据以下权利要求及其等效物来限定。