使用目标图案和参考层图案以确定用于掩模的光学邻近校正的机器学习模型的制作方法

1.本文的描述涉及光刻设备和过程，更具体地涉及确定图案化掩模的校正。


背景技术：

2.光刻投影设备可以例如在集成电路(ic)的制造中使用。在这种情况下，图案形成装置(例如掩模)可以包含或提供与ic的单个层相对应的电路图案(“设计布局”)，并且通过诸如通过图案形成装置上的电路图案照射目标部分等方法，该电路图案可以被转印到衬底(例如硅晶片)上的目标部分(例如包括一个或多个管芯)上，该目标部分已经被涂有辐射敏感材料(“抗蚀剂”)层。通常，单个衬底包含多个相邻的目标部分，电路图案由光刻投影设备连续地转印到该目标部分，一次一个目标部分。在一种类型的光刻投影设备中，整个图案形成装置上的电路图案被一次转印到一个目标部分上；这种设备一般被称为晶片步进器。在一般称为步进扫描设备的替代设备中，投影束沿着给定参考方向(“扫描”方向)在图案形成装置上进行扫描，同时平行于或反平行于该参考方向同步移动衬底。图案形成装置上的电路图案的不同部分被逐渐转印到一个目标部分。通常，由于光刻投影设备将具有放大因子m(通常《1)，所以衬底被移动的速度f将是投影束扫描图案形成装置的因子m倍。关于本文描述的光刻装置的更多信息可以例如从us 6,046,792中收集，其通过引用并入本文。
3.在将电路图案从图案形成装置转印到衬底之前，衬底可能会经历各种程序，诸如涂覆、抗蚀剂涂层和软烘烤。在曝光后，衬底可以进行其他程序，诸如曝光后烘烤(peb)、显影、硬烘烤以及转印电路图案的测量/检查。该程序阵列被用作制造装置(例如ic)的单个层的基础。然后，衬底可以经历各种过程，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等，所有这些过程都旨在完成装置的单个层。如果装置中需要多层，那么整个程序或其变型针对每层重复。最终，装置将存在于衬底上的每个目标部分中。然后，这些装置通过诸如切割或锯切等技术彼此分离，从而单个装置可以被安装在载体上，连接至引脚等。
4.如所提到的，显微光刻是ic的制造中的中心步骤，其中在衬底上形成的图案限定了诸如微处理器、存储器芯片等ic的功能元件。类似的光刻技术也被用于平板显示器、微机电系统(mems)和其他装置的形成。
5.随着半导体制造过程的不断发展，遵循一般被称为
‘
摩尔定律’的趋势，功能元件的尺寸被不断减小，而几十年来每个装置的功能元件(诸如晶体管)的数量却稳定增加。在当前的技术水平下，装置的各层是使用光刻投影设备制造的，该光刻投影设备使用来自深紫外照射源的照射将设计布局投影到衬底上，从而创建尺寸远低于100nm(即，小于来自照射源(例如193nm照射源)的辐射波长的一半)的单个功能元件。
6.根据分辨率公式cd＝k1×
λ/na，尺寸小于光刻投影设备的经典分辨率限制的特征被印刷的过程一般被称为低k1光刻，其中λ是所采用的辐射的波长(当前大多数情况下为248nm或193nm)，na是光刻投影设备中的投影光学器件的数值孔径，cd是“临界尺寸”，通常是最小的印刷特征尺寸，并且k1是经验分辨率因子。通常，k1越小，就越难在衬底上再现与电
路设计者计划的形状和尺寸类似的图案，以实现特定的电气功能性和性能。为了克服这些困难，复杂的微调步骤被应用于光刻投影设备和/或设计布局。例如，这些包括但不限于na和光学相干设置的优化、定制照射方案、相移图案形成装置的使用、设计布局中的光学邻近校正(opc)或通常限定为“分辨率增强技术”(ret)的其他方法。


技术实现要素：

7.在一些实施例中，提供了一种具有指令的非瞬态计算机可读介质，指令在由计算机执行时使计算机执行用于使用目标图案和参考层图案的复合图像训练机器学习模型以预测光学邻近校正后图像，opc后图像，的方法，其中opc后图像被用于获得opc后掩模以在衬底上印刷目标图案。该方法包括：获得(a)目标图案数据，表示要在衬底上印刷的目标图案，以及(b)参考层数据，表示与目标图案相关联的参考层图案；从目标图案数据渲染目标图像，并且从参考层图案渲染参考层图案图像；通过组合目标图像和参考层图案图像来生成复合图像；以及用复合图像训练机器学习模型以预测opc后图像，直到预测的opc后图像与对应于复合图像的参考opc后图像之间的差异被最小化为止。
8.在一些实施例中，提供了一种具有指令的非瞬态计算机可读介质，指令在由计算机执行时使计算机执行用于生成光学邻近校正(opc)后图像的方法，其中opc后图像被用于生成opc后掩模图案，以在衬底上印刷目标图案。该方法包括：向机器学习模型提供输入，该输入表示(a)要在衬底上印刷的目标图案以及(b)与目标图案相关联的参考层图案的图像；以及使用机器学习模型，基于图像来生成opc后结果。
9.在一些实施例中，提供了一种具有指令的非瞬态计算机可读介质，指令在由计算机执行时使计算机执行用于生成光学邻近校正后图像，opc后图像，的方法，其中opc后图像被用于生成opc后掩模，以在衬底上印刷目标图案。该方法包括：向机器学习模型提供表示要在衬底上印刷的目标图案的第一图像以及表示与目标图案相关联的参考层图案的第二图像；以及使用机器学习模型，基于目标图案和参考层图案来生成opc后图像。
10.在一些实施例中，提供了一种具有指令的非瞬态计算机可读介质，指令在由计算机执行时使计算机执行用于生成光学邻近校正后图像，opc后图像，的方法，其中opc后图像被用于生成opc后掩模，以在衬底上印刷目标图案。该方法包括：向机器学习模型提供复合图像，该复合图像表示(a)要在衬底上印刷的目标图案，以及(b)与目标图案相关联的参考层图案；以及使用机器学习模型，基于目标图案和参考层图案来生成opc后图像。
11.在一些实施例中，提供了一种具有指令的非瞬态计算机可读介质，指令在由计算机执行时使计算机执行用于训练机器学习模型以生成光学邻近校正后图像，opc后图像，的方法。该方法包括：获得与(a)要在第一衬底上印刷的第一目标图案，(b)与第一目标图案相关联的第一参考层图案，以及(c)与第一目标图案相对应的第一参考opc后图像相关的输入；以及使用第一目标图案和第一参考层图案训练机器学习模型，使得机器学习模型的第一参考opc后图像和预测的opc后图像之间的差异被减小。
12.在一些实施例中，提供了一种用于生成光学邻近校正后图像，opc后图像，的方法，其中opc后图像被用于生成opc后掩模图案，以在衬底上印刷目标图案。该方法包括：向机器学习模型提供输入，该输入表示(a)要在衬底上印刷的目标图案以及(b)与目标图案相关联的参考层图案的图像；以及使用机器学习模型，基于图像来生成opc后结果。
13.在一些实施例中，提供了一种用于生成光学邻近校正后图像，opc后图像，的方法，其中opc后图像被用于生成opc后掩模，以在衬底上印刷目标图案。该方法包括：向机器学习模型提供表示要在衬底上印刷的目标图案的第一图像以及表示与目标图案相关联的参考层图案的第二图像；以及使用机器学习模型，基于目标图案和参考层图案来生成opc后图像。
14.在一些实施例中，提供了一种用于生成光学邻近校正后图像，opc后图像，的方法，其中opc后图像被用于生成opc后掩模，以在衬底上印刷目标图案。该方法包括：向机器学习模型提供复合图像，该复合图像表示(a)要在衬底上印刷的目标图案，以及(b)与目标图案相关联的参考层图案；以及使用机器学习模型，基于目标图案和参考层图案来生成opc后图像。
15.在一些实施例中，提供了一种用于训练机器学习模型以生成光学邻近校正后图像，opc后图像，的方法。该方法包括：获得与(a)要在第一衬底上印刷的第一目标图案，(b)与第一目标图案相关联的第一参考层图案，以及(c)与第一目标图案相对应的第一参考opc后图像相关的输入；以及使用第一目标图案和第一参考层图案训练机器学习模型，使得机器学习模型的第一参考opc后图像和预测的opc后图像之间的差异被减小。
16.在一些实施例中，提供了一种用于生成光学邻近校正后图像，opc后图像，的设备，其中opc后图像被用于生成opc后掩模图案，以在衬底上印刷目标图案。该设备包括：存储器，存储指令集；以及处理器，被配置为执行指令集以使设备执行方法，包括：向机器学习模型提供输入，该输入表示(a)要在衬底上印刷的目标图案以及(b)与目标图案相关联的参考层图案的图像；以及使用机器学习模型，基于图像来生成opc后结果。
附图说明
17.图1示出了光刻系统的各种子系统的框图。
18.图2示出了根据实施例的图案化模拟方法的流程。
19.图3示出了根据实施例的测量模拟方法的流程。
20.图4是根据一个或多个实施例的用于预测掩模的opc后图像的系统的框图。
21.图5是根据一个或多个实施例的用于从图案数据生成图案图像的系统的框图。
22.图6a是根据一个或多个实施例的用于从多个图案图像生成复合图像的系统的框图。
23.图6b是图示了根据一个或多个实施例的从目标图案和上下文层图案图像生成示例复合图像的系统的框图。
24.图7是根据一个或多个实施例的用于训练被配置为预测掩模的opc后图像的opc后图像生成器机器学习模型的系统。
25.图8是根据一个或多个实施例的训练被配置为预测掩模的opc后图像的opc后图像生成器的方法的流程图。
26.图9是根据一个或多个实施例的用于确定掩模的opc后图像的方法的流程图。
27.图10是图示了根据实施例的联合优化的示例方法的各个方面的流程图。
28.图11示出了根据实施例的另一优化方法的实施例。
29.图12a、12b和13示出了根据实施例的各种优化过程的示例流程图。
30.图14是根据实施例的示例计算机系统的框图。
31.图15是根据实施例的光刻投影设备的示意图。
32.图16是根据实施例的另一光刻投影设备的示意图。
33.图17是根据实施例的图16中的设备的更详细的视图。
34.图18是根据实施例的图16和17的设备的源收集器模块so的更详细视图。
35.图19示出了根据一个或多个实施例的重构曲线掩模图案的轮廓的水平集函数的方法。
具体实施方式
36.在光刻中，图案形成装置(例如掩模)可以提供对应于目标图案(例如目标设计布局)的掩模图案(例如掩模设计布局)，并且该掩模图案可以通过使光透射通过掩模图案而转印到衬底上。然而，由于各种限制，转印的图案可能会出现许多不规则性，因此与目标图案不类似。各种增强技术(诸如光学邻近校正(opc))被用于设计掩模图案，以补偿由于光刻中的衍射或其他过程效应引起的图像误差。机器学习(ml)模型可以被用于预测给定目标图案的opc后图案(例如经过opc过程的图案)，并且校正可以基于预测图案对例如掩模图案进行，以在衬底上获得期望图案。
37.根据本公开，参考层图案被并入主要层或目标层的opc机器学习预测中。这有利地将来自布局的一个或多个参考层的图案化效果引入到对目标层的opc校正，从而通过ml模型实现上下文感知的opc预测。参考层可以是目标层的相邻层。具体地，参考层是与目标图案层不同的设计层或衍生层，其可能会影响目标图案层的制造过程，从而影响opc过程中的目标图案层的校正。例如，参考层图案可以是上下文层图案或虚拟图案。上下文层图案可以是诸如在目标图案之下或之上的接触图案等图案，其为目标图案提供上下文，例如上下文层和目标图案之间的电连接性。上下文层图案可能与目标模式重叠，并且可能不可见。虚拟图案可能包括不在目标图案中的图案，但它们的存在可以使生产步骤更加稳定。虚拟图案通常远离目标图案和亚分辨率辅助特征(sraf)放置，以具有更均匀的图案密度。可以不那么显著地处置虚拟图案(例如与sraf图案或亚分辨率逆特征(srif)层图案相比)。
38.进一步地，在本公开中，图像基于目标图案、sraf图案、srif图案和参考层图案生成，并且被用作训练数据以训练ml模型，或者被用作训练的ml模型的输入数据以预测opc后图案。例如，目标图案图像可以通过获得目标图案并且从目标图案渲染目标图案图像来生成。sraf图像可以通过获得sraf图案并且从sraf图案渲染sraf图案图像来生成。srif图像可以通过获得srif图案并且从srif图案渲染srif图案图像来生成。类似地，参考层图案图像可以通过获得参考层图案(诸如上下文或虚拟图案)并且从参考层图案中的每个参考层图案渲染图像来生成。图像可以被单独输入到ml模型(例如通过输入的并发通道分离)，或者在被输入到ml模型进行训练或预测之前组合为单个复合图像。通过使用通过组合渲染的图案图像生成的复合图像作为训练数据，而不是使用从通过对不同图案执行布尔运算生成的组合图案数据渲染的图案图像，在生成训练数据时消耗计算资源可以被显著最小化，并且opc过程的准确度通过考虑参考层来提高。
39.图1图示了示例性光刻投影设备10a。主要部件是辐射源12a，其可以是深紫外准分子激光源或者其他类型的源，包括：极紫外(euv)源(如上面讨论的，光刻投影设备本身不需
要具有辐射源)；照射光学器件，其例如限定部分相干性(表示为σ)，并且可以包括对来自源12a的辐射进行整形的光学器件14a、16aa和16ab；图案形成装置18a；以及将图案形成装置图案的图像投影到衬底平面22a上的透射光学器件16ac。投影光学器件的光瞳平面处的可调整滤光片或孔径20a可能会限制撞击在衬底平面22a上的光束角度范围，其中最大可能角度定义了投影光学器件的数值孔径na＝nsin(θmax)，其中n是衬底与投影光学器件的最后一个元件之间的介质的折射率，并且θmax是从投影光学器件离开的光束的最大角度，该光束仍然可以撞击在衬底平面22a上。
40.在光刻投影设备中，源向图案形成装置提供照射(即，辐射)，并且投影光学器件经由图案形成装置将照射导向并整形到衬底上。投影光学器件可以包括部件14a、16aa、16ab和16ac中的至少一些。空间图像(ai)是衬底级别的辐射强度分布。抗蚀剂模型可以被用于从空间图像计算抗蚀剂图像，其示例可以在美国专利申请公开号us2009-0157360中找到，其公开内容通过引用全部并入本文。抗蚀剂模型仅与抗蚀剂层的特性相关(例如在曝光、曝光后烘烤和/或显影期间发生的化学过程的影响)。光刻投影设备的光学特性(例如照射、图案形成装置和投影光学器件的特性)指定了空间图像，并且可以在光学模型中定义。由于在光刻投影设备中使用的图案形成装置可以被改变，因此期望将图案形成装置的光学特性与至少包括源和投影光学器件的光刻投影设备的其余部分的光学特性分开。用于将设计布局变换为各种光刻图像(例如空间图像、抗蚀剂图像等)，使用这些技术和模型应用opc并且评估性能(例如按照过程窗口)的技术和模型的细节是在美国专利申请公开号us 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197、2010-0180251中描述的，其中每一个的公开内容通过引用全部并入本文。
41.图案形成装置可以包括或可以形成一个或多个设计布局。设计布局可以使用cad(计算机辅助设计)程序来生成，该过程通常被称为eda(电子设计自动化)。大多数cad程序都遵循预定的设计规则集合，以创建功能设计布局/图案形成装置。这些规则是由处理和设计限制设置的。例如，设计规则定义了装置(诸如门、电容器等)或互连线之间的空间公差，以确保装置或线不会以不期望的方式彼此交互。一个或多个设计规则限制可以被称为“临界尺寸”(cd)。装置的临界尺寸可以被定义为线或孔的最小宽度或者两个线或两个孔之间的最小空间。因此，cd确定了所设计装置的总尺寸和密度。当然，装置制作中的目标中的一个目标是如实地(经由图案形成装置)在衬底上再现原始设计意图。
42.本文中采用的术语“掩模”或“图案形成装置”可以被广义地解释为是指通用图案形成装置，其可以被用于向传入的辐射束赋予图案化的横截面，对应于要在衬底的目标部分中创建的图案；在该上下文中，术语“光阀”也可以被使用。除了经典的掩模(透射或反射掩模；二进制、相移、混合掩模等)以外，其他这种图案形成装置的示例包括：
[0043]-可编程反射镜阵列。这种装置的示例是具有粘弹性控制层和反射表面的矩阵可寻址表面。这种设备背后的基础原理是(例如)反射表面的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未衍射辐射。使用适当的滤光片，所述未衍射辐射可以从反射束中滤出，仅留下衍射辐射；通过这种方式，光束根据矩阵可寻址表面的寻址图案而被图案化。所需的矩阵寻址可以使用合适的电子部件来执行。
[0044]-可编程lcd阵列。这种构造的示例是在美国专利号5,229,872中给出的，其通过引用并入本文。
[0045]
理解光刻过程的一个方面是理解辐射与图案形成装置的相互作用。辐射经过图案形成装置之后的辐射的电磁场可以通过在辐射到达图案形成装置之前的辐射的电磁场以及表征相互作用的函数来确定。该函数可以被称为掩模透射函数(其可以被用于描述由透射图案形成装置和/或反射图案形成装置进行的相互作用)。
[0046]
图案化过程的变量被称为“处理变量”。图案化过程可以包括光刻设备中的图案的实际转印的上游和下游过程。第一类别可以是光刻设备或在光刻过程中使用的任何其他设备的变量。该类别的示例包括光刻设备的照射、投影系统、衬底台等的变量。第二类别可以是在图案化过程中执行的一个或多个程序的变量。该类别的示例包括聚焦控制或聚焦测量、剂量控制或剂量测量、带宽、曝光持续时间、显影温度、显影中使用的化学成分等。第三类别可能是设计布局的变量及其在图案形成装置中或使用图案形成装置的实施方式。该类别的示例可以包括辅助特征的形状和/或位置、通过分辨率增强技术(ret)应用的调整、掩模特征的cd等。第四类别可以是衬底的变量。示例包括抗蚀剂层下的结构的特性、抗蚀剂层的化学成分和/或物理尺寸等。第五类别可以是图案化过程的一个或多个变量的时间变化的特性。该类别的示例包括高频载物台移动(例如频率、幅度等)、高频激光带宽变化(例如频率、幅度等)和/或高频激光波长变化的特性。这些高频变化或移动高于调整基础变量(例如载物台位置、激光强度)的机制的响应时间。第六类别可以是光刻设备中的图案转印上游或下游的过程特性，诸如旋涂、曝光后烘烤(peb)、显影、蚀刻、沉积、掺杂和/或封装。
[0047]
如将了解的，如果不是所有这些变量，许多变量将影响图案化过程的参数并且通常是感兴趣的参数。图案化过程的参数的非限制性示例可以包括临界尺寸(cd)、临界尺寸均匀性(cdu)、聚焦、重叠、边缘位置或放置、侧壁角度、图案偏移等。通常，这些参数表达与名义值(例如设计值、平均值等)的误差。参数值可以是单个图案的特性值或一组图案的特性的统量测(例如平均值、方差等)。
[0048]
一些或所有处理变量的值或与其相关的参数可以通过合适的方法来确定。例如，这些值可以从用各种量测工具(例如衬底量测工具)获得的数据确定。这些值可以从图案化过程中的设备的各种传感器或系统(例如光刻设备的传感器(诸如水平传感器或对准传感器)、光刻设备的控制系统(例如衬底或图案形成装置台控制系统)、轨道工具中的传感器等)获得。这些值可以来自图案化过程的操作者。
[0049]
用于建模和/或模拟部分图案化过程的示例性流程图在图2中图示。如将了解的，模型可以表示不同的图案化过程，并且不需要包括下面描述的所有模型。源模型1200可以表示图案形成装置的照射的光学特性(包括辐射强度分布、带宽和/或相位分布)。源模型1200可以表示照射的光学特性，其包括但不限于数值孔径设置、照射西格玛(σ)设置以及任何特定的照射形状(例如离轴辐射形状，诸如环形、四极、偶极等)，其中σ(或西格玛)是照射器的外部径向范围。
[0050]
投影光学器件模型1210表示投影光学器件的光学特性(包括由投影光学器件引起的辐射强度分布和/或相位分布的变化)。投影光学器件模型1210可以表示投影光学器件的光学特性，包括像差、失真、一种或多种折射率、一种或多种物理尺寸、一种或多种物理尺寸等。
[0051]
图案形成装置/设计布局模型模块1220捕获设计特征如何在图案形成装置的图案中布置，并且可以包括图案形成装置的详细物理特性的表示，例如在美国专利号7,587,704
中所描述的，其通过引用全部并入本文。在实施例中，图案形成装置/设计布局模型模块1220表示设计布局(例如与集成电路、存储器、电子装置等的特征相对应的装置设计布局)的光学特性(包括由给定设计布局引起的辐射强度分布和/或相位分布的变化)，这是图案形成装置上或由图案形成装置形成的特征布置的表示。由于在光刻投影设备中使用的图案形成装置可以被改变，因此期望将图案形成装置的光学特性与至少包括照射和投影光学器件的光刻投影设备的其余部分的光学特性分开。模拟的目的通常是准确地预测例如边缘放置和cd，然后可以与装置设计进行比较。装置设计通常被定义为opc前图案形成装置布局，并且将以标准化的数字文件格式(诸如gdsii或oasis)提供。
[0052]
空间图像1230可以由源模型1200、投影光学器件模型1210和图案形成装置/设计布局模型1220模拟。空间图像(ai)是衬底级别的辐射强度分布。光刻投影设备的光学特性(例如照射、图案形成装置和投影光学器件的特性)指定了空间图像。
[0053]
衬底上的抗蚀剂层被空间图像曝光，并且空间图像作为其中的潜在“抗蚀剂图像”(ri)被转印到抗蚀剂层。抗蚀剂图像(ri)可以被定义为抗蚀剂在抗蚀剂层中的溶解度的空间分布。抗蚀剂图像1250可以使用抗蚀剂模型1240从空间图像1230模拟。抗蚀剂模型可以被用于从空间图像计算抗蚀剂图像，其示例可以在美国专利申请公开号us2009-0157360中找到，其公开内容全部通过引用并入本文。抗蚀剂模型通常描述在抗蚀剂曝光、曝光后烘烤(peb)和显影期间发生的化学过程的影响，以便例如预测在衬底上形成的抗蚀剂特征的轮廓，因此通常仅与抗蚀剂层的这种特性(例如在曝光、曝光后烘烤和显影期间发生的化学过程的影响)相关。在实施例中，抗蚀剂层的光学特性(例如折射率、膜厚度、传播和偏振效应)可以被捕获为投影光学器件模型1210的一部分。
[0054]
因此，通常，光学模型和抗蚀剂模型之间的连接是抗蚀剂层内的模拟空间图像强度，其是由辐射投影到衬底上、抗蚀剂界面处的折射和抗蚀剂膜叠层中的多次反射产生的。通过吸收入射能量，辐射强度分布(空间图像强度)被转变为潜在的“抗蚀剂图像”，并且通过扩散过程和各种加载效应被进一步修改。针对全芯片应用而言，足够快的有效模拟方法通过二维空间(和抗蚀剂)图像逼近抗蚀剂叠层中的实际3维强度分布。
[0055]
在实施例中，抗蚀剂图像可以被用作图案转印后过程模型模块1260的输入。图案转印后过程模型1260定义一个或多个抗蚀剂显影后过程(例如蚀刻、显影等)的性能。
[0056]
图案化过程的模拟可以例如预测在抗蚀剂和/或蚀刻图像中的轮廓、cd、边缘放置(例如边缘放置误差)等。因此，模拟的目的是例如准确地预测印刷图案的边缘放置和/或空间图像强度斜率和/或cd等。这些值可以与预期设计进行比较，以例如校正图案化过程，识别预计将发生缺陷的位置等。预期设计通常被定义为opc前设计布局，其可以以标准化的数字文件格式(诸如gdsii或oasis)或其他文件格式提供。
[0057]
因此，模型公式化描述了整个过程中大多数(如果不是全部)已知的物理和化学过程，并且模型参数中的每个模型参数都期望对应于不同的物理或化学效应。因此，模型公式化设置了模型可以被用于模拟整个制造过程的良好程度的上限。
[0058]
用于建模和/或模拟量测过程的示例性流程图在图3中图示。如将了解的，以下模型可以表示不同的量测过程，并且不需要包括下面描述的所有模型(例如一些可以被组合)。源模型1300表示量测目标的照射的光学特性(包括辐射强度分布、辐射波长、偏振等)。源模型1300可以表示照射的光学特性，其包括但不限于波长、偏振、照射西格玛(σ)设置(其
中σ(或西格玛)是照射器中的照射径向范围)、任何特定的照射形状(例如离轴辐射形状，诸如环形、四极、偶极等)等。
[0059]
量测光学器件模型1310表示量测光学器件的光学特性(包括由量测光学器件引起的辐射强度分布和/或相位分布的变化)。量测光学器件1310可以表示量测光学器件对量测目标的照射的光学特性以及从量测目标向量测设备检测器传送重定向辐射的光学特性。量测光学器件模型可以表示涉及目标照射和重定向辐射从量测目标向检测器传送的各种特性，包括像差、失真、一种或多种折射率、一种或多种物理尺寸、一种或多种物理尺寸等。
[0060]
量测目标模型1320可以表示被量测目标重定向的照射的光学特性(包括由量测目标引起的照射辐射强度分布和/或相位分布的改变)。因此，量测目标模型1320可以对量测目标将照射辐射转换为重定向辐射进行建模。因此，量测目标模型可以模拟来自量测目标的重定向辐射的所得照射分布。量测目标模型可以表示涉及目标照射和从量测创建重定向辐射的各种特性，包括一种或多种折射率、量测的一种或多种物理尺寸、量测目标的物理布局等。由于所使用的量测目标可以被改变，因此期望将量测目标的光学特性与量测设备的其余部分的光学特性分开，该量测设备至少包括照射和投影光学器件以及检测器。模拟的目的通常是准确地预测例如强度、相位等，然后可以被用于推导图案化过程中感兴趣的参数，诸如重叠、cd、聚焦等。
[0061]
光瞳或空间图像1330可以由源模型1300、量测光学器件模型1310和量测目标模型1320模拟。光瞳或空间图像1330是检测器级别的辐射强度分布。量测光学器件和量测目标的光学特性(例如照射、量测目标和量测光学器件的特性)指定了光瞳或空间图像。
[0062]
量测设备的检测器被曝光于光瞳或空间图像，并且检测光瞳或空间图像的一个或多个光学特性(例如强度、相位等)。检测模型模块1340表示来自量测光学器件的辐射如何被量测设备的检测器检测。检测模型可以描述检测器如何检测光瞳或空间图像，并且可以包括信噪比、对检测器上的入射辐射的灵敏度等。因此，通常，量测光学器件模型和检测器模型之间的连接是模拟的光瞳或空间图像，这是由光学器件对量测目标的照射、目标对辐射的重定向以及将重定向的辐射传送到检测器而产生的。通过在检测器上吸收入射能量，辐射分布(光瞳或空间图像)被转变为检测信号。
[0063]
例如，量测过程的模拟可以预测检测器处的空间强度信号、空间相位信号等或来自检测系统的其他计算值，诸如基于光瞳或空间图像的检测器的检测的重叠、cd等值。因此，模拟的目的是准确地预测例如检测器信号或导出的值，诸如对应于量测目标的重叠、cd。这些值可以与预期的设计值进行比较，例如以校正图案化过程，识别预测会发生缺陷的位置等。
[0064]
因此，模型公式化描述了整个量测过程中大多数(如果不是全部)已知的物理和化学过程，并且模型参数中的每个模型参数都期望对应于量测过程中不同的物理和/或化学效应。
[0065]
在本公开中，公开用于基于目标图案、sraf图案、srif图案和参考层图案生成图像并且使用它们作为输入来预测opc后图案的方法和系统。图像可以被单独输入到ml模型，或者在被输入到ml模型进行训练之前组合为单个复合图像。在ml模型被训练之后，训练的ml模型可以被用于预测目标图案、sraf图案、srif图案和参考层图案的任何给定图像的opc后图案。
[0066]
图4是根据一个或多个实施例的用于生成掩模的opc后图像的系统400的框图。系统400包括opc后图像生成器450，其被配置为基于输入402生成掩模图案的opc后图像412，该输入402表示(a)要在衬底上印刷的目标图案，(b)与目标模式相关联的sraf或srif图案，以及(c)与目标图案相关联的参考层图案(例如要在opc过程中考虑的上下文图案，以确保这些上下文图案的覆盖范围或电连接性)。在一些实施例中，opc后图像412可以是对应于目标图案的掩模图案的渲染图像的预测。在一些实施例中，预测的opc后图像412可以是掩模图案的重构图像的预测。在一些实施例中，掩模图案可以在重构为图像之前修改或预处理，例如平滑角部。在一些实施例中，重构图像是通常使用水平集方法由掩模图案的初始图像重构以匹配给定图案的图像，即，在某个恒定值取阈值时，重构图像定义了非常接近输入掩模图案的掩模。在一些实施例中，图像重构可以涉及直接求解水平集方法的逆或通过迭代求解器/优化。opc后图像412可以被用作掩模中的掩模图案，并且该掩模图案可以通过使光通过掩模透射而转印到衬底上。
[0067]
输入402可以以各种格式提供给opc后图像生成器450。例如，输入402可以包括具有目标图案的图像、sraf图案图像或srif图案图像和参考层图案的图像(例如上下文层图案图像、虚拟图案图像)的图像410的汇集。即，如果存在目标图案的一个图像、一个sraf图案图像和参考层图案的两个图像，则四个图像可以作为输入402提供给opc后图像生成器450。生成或渲染图案的图像410的细节至少参照下面的图5来描述。sraf或srif可以包括与目标特征分离但辅助其印刷的特征，而它们本身不被印刷在衬底上。
[0068]
在另一示例中，输入402可以是作为目标图案图像和参考层图案图像的组合的复合图像420，并且该单个复合图像420可以被输入到opc后图像生成器450。生成复合图像420的细节在下面至少参照图6a描述。
[0069]
在一些实施例中，opc后图像生成器450可以是机器学习模型(例如深度卷积神经网络(cnn))，其被训练以预测掩模图案的opc后图像。本公开不限于机器学习模型的任何具体类型的神经网络。opc后图像生成器450可以使用每个图案的多个图像(例如诸如图像512和514a至514n)作为训练数据或者使用多个复合图像来训练。在一些实施例中，opc后图像生成器450使用复合图像来训练，因为与使用多个输入相比，使用单个输入来构建或训练机器学习模型可能不那么复杂，并且耗时更少。在预测过程期间提供给opc后图像生成器450的输入类型可以类似于在训练过程期间提供的输入类型。例如，如果opc后图像生成器450使用复合图像作为输入402来训练，那么针对预测，输入402也是复合图像。相对于训练过程的附加细节在下面至少参照下面的图7和8来描述。
[0070]
图5是根据一个或多个实施例的用于由图案数据渲染图案图像的系统500的框图。系统500包括图像渲染器550，其由图案数据或opc前图案渲染图案图像。例如，图像渲染器550由目标图案数据502渲染目标图案图像512。目标图案数据502(也称为“opc前设计布局”)包括要在衬底上印刷的目标特征或主要特征。类似地，图像渲染器550基于与sraf或srif相关联的图案数据渲染sraf、srif的图案图像，并且基于与那些参考层相关联的图案数据(也称为“参考层图案数据”)，渲染参考层中的每个参考层的图案图像，诸如上下文层、虚拟图案或其他参考层。例如，图像渲染器550基于sraf图案数据504a生成sraf图案图像514a，基于上下文层图案数据504b生成上下文层图案图像514b，基于虚拟图案数据504c生成虚拟图案图像514c等。
[0071]
在一些实施例中，图像512和514a至514n中的每个图像是包括多个像素的像素化图像，每个像素具有表示图案特征的像素值。图像渲染器550可以对图案数据中的每个特征或形状进行采样以生成图像。在一些实施例中，由图案数据渲染图像涉及获得设计布局的几何形状(例如多边形形状，诸如正方形、矩形或圆形等)并且经由图像处理由设计布局的几何形状中生成图案图像。在一些实施例中，图像处理包括基于几何形状的光栅化操作。例如，将几何形状(例如向量图形格式)转换为像素化图像的光栅化操作。在一些实施例中，光栅化还可以涉及应用低通滤波器，以清晰地识别特征形状并且减少噪声。参照由图案数据渲染图像的附加细节在pct专利公开号wo2020169303中描述，该专利通过引用全部并入。
[0072]
在一些实施例中，目标图案数据502和参考层图案数据504可以由存储系统获得，该存储系统以数字文件格式(例如gdsii或其他格式)存储图案数据。
[0073]
图6a是根据一个或多个实施例的用于由多个图案图像生成复合图像的系统600的框图。系统600包括将多个图像组合为单个图像的图像混合器605。例如，目标图案图像512、sraf图案图像514a以及诸如上下文层图案图像514b、虚拟图案图像514c等参考层图案图像和其他图像可以作为输入提供给图像混合器605，该图像混合器605将其组合为单个复合图像420。复合图像420可以包括所有组合图像的信息或数据。
[0074]
图像混合器605可以以各种方式组合图像512和514a-514n以生成复合图像420。在一些实施例中，复合图像420可以被表示为各个图像的函数，其可以被表达为：
[0075]icomposite
＝f(i
main
,i
sraf
,i
srif
,i
context
,i
dummy
,i
others
)
…
(1)
[0076]
其中i
composite
表示复合图像420，i
main
表示目标图案图像512，i
sraf
表示sraf图案图像514a，i
srif
表示srif图案图像，i
context
表示上下文层图案图像514b，i
dummy
表示虚拟图案图像514c，并且i
others
表示其他参考层图案图像。该函数可以是任何合适的形式而不脱离本公开的范围。
[0077]
作为示例，图像可以使用线性函数进行组合，其可以被表达为：
[0078]icomposite
＝c
main i
main
c
sraf i
sraf
c
srif i
srif
c
context i
context
c
dummy i
dummy
c
others i
others
…
(2)
[0079]
其中c
main
、c
sraf
和c
srif
可以是线性系数(例如可以分别具有值1、1、-1或其他值)，c
context
、c
dummy
和c
others
可以是各个图案图像的线性组合系数。
[0080]
图6b是图示了根据一个或多个实施例的由目标图案和上下文层图案图像生成示例复合图像的系统600的框图。第一图像652和上下文层图案图像654作为输入提供给图像混合器605，该图像混合器605将其组合为单个复合图像660。复合图像660可以包括组合的两个图像的信息或数据。例如，在复合图像660中，上下文层图案图像654的部分被重叠在第一图像652的部分上。在一些实施例中，第一图像652可以类似于目标图案图像512或者可以是目标图案图像512、sraf图案图像514a或一个或多个参考层图案图像(诸如虚拟图案图像514c)的组合。上下文层图案图像654可以类似于上下文层图案图像514b，并且不涵盖在第一图像652中。在一些实施例中，复合图像660类似于复合图像420。
[0081]
以下描述参照图7和8图示了opc后图像生成器450的训练。图7是根据一个或多个实施例的用于训练opc后图像生成器450机器学习模型以预测掩模的opc后图像的系统700。图8是根据一个或多个实施例的训练opc后图像生成器450以预测掩模的opc后图像的过程800的流程图。训练基于与opc前布局相关联的图像(例如要在衬底上印刷的目标图案的设
计布局)、sraf图案、srif图案和参考层图案，诸如上下文层图案、虚拟图案或其他参考层图案。在一些实施例中，opc前数据和参考层图案数据可以作为单独的数据(例如作为不同的图像，诸如图像410的集合)或作为组合数据(例如单个复合图像，诸如复合图像420)输入。该模型被训练以预测与参考图像(例如重构图像)紧密匹配的opc后图像。以下训练方法是参照输入数据为复合图像来描述的，但输入数据也可以是单独的图像。
[0082]
在操作p801中，作为目标图案图像、任何sraf图案图像或srif图案图像以及参考层图案图像的组合的复合图像702a被获得。在一些实施例中，复合图像702a可以通过将要在衬底上印刷的目标图案的图像与sraf图案或srif图案的任何图像以及参考层图案的图像(例如上下文层图案图像、虚拟图案图像或其他参考层图案图像)组合来生成，如至少参照图6a描述的。
[0083]
进一步地，对应于复合图像702a的参考opc后图像712a被获得，例如用作用于训练的地面实况opc后图像。在一些实施例中，参考opc后图像712a可以是对应于目标图案的opc后掩模图案的图像。在一些实施例中，参考opc后图像712a的获得涉及对由opc过程或使用目标图案的源掩模优化过程产生的起始掩模执行掩模优化过程。示例opc过程相对于图10至13进一步讨论。
[0084]
在一些实施例中，参考opc后图像可以是对应于目标图案的opc后掩模图案的渲染图像，如pct专利公开号wo2020169303中描述的，该专利通过引用全部并入。渲染opc后掩模图案的图像可以使用与渲染opc前(pre-opc)图案的图像相同的渲染技术，如上面更详细地描述的。然而，本公开不被限于此。在一些实施例中，参考opc后图像712a可以由被训练以生成opc后掩模图案的图像的ml模型获得。
[0085]
在一些其他实施例中，参考opc后图像712a可以是掩模图案的重构图像。在一些实施例中，重构图像是通常使用水平集方法由掩模图案的初始图像重构以匹配掩模图案的图像。生成掩模图案的重构图像的附加细节在下面至少参照图19来描述。
[0086]
以下段落描述了通过重构曲线掩模图案的轮廓的水平集函数来生成重构图像。在一些实施例中，为了找到曲线掩模图案的水平集函数使得水平集定义轮廓或多边形集合，当解释为边界处的特征的掩模图案时，产生与目标图案相比几乎没有失真和伪影的晶片图案。晶片图案由使用本文获得的掩模图案的光刻过程产生。由水平集函数定义的轮廓集合的最优程度是基于性能指标计算的，诸如预测晶片图案和目标图案之间的边缘放置误差的差异被减小。
[0087]
给定曲线掩模多边形p(或轮廓)，例如我们想要重构图像它近似于多边形p的水平集函数/图像，这意味着与图像相对应的多边形非常接近原始多边形，p
′
≈p。此处c是轮廓追踪的阈值。
[0088][0089]
图19示出了根据一个或多个实施例的重构曲线掩模图案的轮廓的水平集函数的方法1900。换言之，从轮廓进行逆映射(粗略地说)以生成输入水平集图像。方法1900可以被用于生成图像以在补丁边界附近的区域中初始化ctm 优化。
[0090]
在过程p1901中，该方法包括获得(i)曲线掩模图案1901和阈值c，(ii)初始图像
1902，例如由曲线掩模图案1901渲染的掩模图像。在实施例中，掩模图像1902是包括多个像素的像素化图像，每个像素具有表示掩模图案特征的像素值。图像1902可以是曲线掩模图案1901的渲染掩模图像。
[0091]
在过程p1903中，该方法涉及经由处理器(例如处理器104)通过迭代地修改图像像素，使得曲线掩模图案的每个点上的内插值与阈值之间的差异被减小来生成水平集函数。这可以由成本函数表示，如下面给出的：
[0092][0093]
在实施例中，水平集函数的生成涉及识别沿着曲线掩模图案的位置集合，使用在该位置集合处内插的初始图像的像素值来确定水平集函数值，计算这些值和阈值c之间的差异，并且修改图像的像素的一个或多个像素值，使得差异(例如上面的成本函数f)被减小。
[0094]
返回参照图8，在操作p802中，复合图像702a和参考opc后图像712a作为输入提供给opc后图像生成器450。opc后图像生成器450基于复合图像702a来生成预测的opc后图像722a。在一些实施例中，opc后图像生成器450是机器学习模型。在一些实施例中，机器学习模型被实施为神经网络(例如深度cnn)。
[0095]
在操作p803中，opc后图像生成器450的指示预测的opc后图像与参考opc后图像之间的差异的成本函数803被确定。
[0096]
在操作p804中，opc后图像生成器450的参数(例如机器学习模型的权重或偏置)被调整，使得成本函数803被降低。参数可以以各种方式调整。例如，参数可以基于梯度下降法调整。在一些实施例中，复合图像702a的输入数据、参考opc后图像712a实际上可以是包括不同剪辑/位置的多个图像的集合。
[0097]
在操作p805中，确定训练条件是否被满足。如果训练条件未被满足，则过程800使用相同图像或下一复合图像702b以及来自复合图像702和参考opc后图像712的集合的参考opc后图像712b再次执行。过程800使用相同或不同的复合图像集合和参考后opc图像迭代地执行，直到训练条件被满足为止。当成本函数803被最小化，成本函数803减小的速率低于阈值，过程800(例如操作p801至p804)被执行预定迭代次数或者其他这种条件时，训练条件可以被满足。当训练条件被满足时，过程800可以结束。
[0098]
在训练过程结束时(例如当训练条件被满足时)，opc后图像生成器450可以被用作经过训练的opc后图像生成器450，并且可以被用于预测opc后图像以用于任何看不见的复合图像。
[0099]
使用经过训练的opc后图像生成器的示例方法在下面相对于图9讨论。
[0100]
图9是根据一个或多个实施例的用于确定掩模的opc后图像的方法900的流程图。在操作p901中，表示(a)要在衬底上印刷的目标图案和(b)与目标图案相关联的参考层图案的输入402被获得，并且提供给经过训练的opc后图像生成器450。在一些实施例中，输入402可以包括图像集合410，其具有目标图案的图像、sraf图案图像、srif图案图像和参考层图案中的每个参考层图案的图像(例如上下文层图案图像、虚拟图案图像)，如至少参照图4和5描述的。在一些实施例中，输入402可以是复合图像420，其是目标图案图像、sraf图案图
像、srif图案图像和参考层图案图像的组合，如至少参照图6a描述的。
[0101]
在操作p903中，掩模的opc后图像412通过使用输入402执行经过训练的opc后图像生成器450来生成。在一些实施例中，预测的opc后图像412可以是对应于目标图案的掩模图案的图像。在一些实施例中，预测的opc后图像412可以是掩模图案的重构图像。
[0102]
在实施例中，根据方法900生成的opc后图像可以被用于优化图案化过程或调整图案化过程的参数。在实施例中，预测的opc后图像将被用于确定目标图案的边缘或解剖边缘移动量，以制作opc后图案，而确定的掩模图案可以被直接用作opc后掩模，或具有进一步的opc过程以改进性能以获得到最终的opc后掩模。这将有助于减少获得布局的opc后掩模所需的计算资源。作为示例，opc解决了以下事实：投影到衬底上的设计布局的图像的最终尺寸和放置将与图案形成装置上的设计布局的尺寸和放置不相同，或仅取决于设计布局的尺寸和放置。要注意的是，术语“掩模”、“掩模版”、“图案形成装置”在本文中可互换使用。而且，本领域技术人员将认识到，特别是在光刻模拟/优化的上下文中，术语“掩模”/“图案形成装置”和“设计布局”可以互换使用，因为在光刻模拟/优化中，物理图案形成装置不一定被使用，但是设计布局可以被用于表示物理图案形成装置。针对某个设计布局上存在的小特征尺寸和高特征密度，给定特征的特定边缘的位置将在一定程度上受到其他相邻特征的存在或不存在的影响。这些邻近效应是由从一个特征耦合至另一特征的微量辐射和/或非几何光学效应(诸如衍射和干涉)引起的。类似地，邻近效应可能是由曝光后烘烤(peb)、抗蚀剂显影以及通常在光刻之后进行的蚀刻期间的扩散和其他化学效应引起的。
[0103]
为了确保设计布局的投影图像根据给定目标电路设计的要求，邻近效应需要使用复杂的数值模型、设计布局的校正或预失真来预测和补偿。c.spence在2005年的proc.spie的第5751卷第1至14页发表的文章“full-chip lithography simulation and design analysis-how opc is changing ic design(全芯片光刻模拟和设计分析-opc如何改变ic设计)”提供了当前的“基于模型”的光学邻近校正过程的概述。在典型的高端设计中，几乎设计布局的每个特征都有一些修改，以实现投影图像对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偏移或偏置以及旨在辅助其他特征投影的“辅助”特征的应用。
[0104]
鉴于芯片设计中通常存在数百万个特征，将基于模型的opc应用于目标设计涉及良好的过程模型和大量的计算资源。然而，应用opc通常不是“精确的科学”，而是一种经验的迭代过程，并不总是能补偿所有可能的邻近效应。因此，opc的效应(例如在应用opc和任何其他ret后的设计布局)需要通过设计检查来验证，即，使用校准的数字过程模型进行密集的全芯片模拟，以最小化设计缺陷进入图案形成装置图案的可能性。这是由制造高端图案形成装置的巨大成本驱动的，这些装置运行在数百万美元的范围内，以及由在实际图案形成装置被制造后返工或修理对周转时间的影响驱动。
[0105]
opc和全芯片ret验证可以基于数字建模系统和方法，例如在美国专利申请号10/815,573以及y.cao等人在2005年的proc.spie的第5754卷第405页发表的标题为“optimized hardware and software for fast,full chip simulation(为快速、全芯片模拟优化的硬件和软件)”的文章中描述的。
[0106]
一个ret与调整设计布局的全局偏置相关。全局偏置是设计布局中的图案与打算印刷在衬底上的图案之间的差异。例如，通过设计布局中直径为50nm的图案或者在设计布局中直径为20nm但是高剂量的图案，直径为25nm的圆形图案可以被印刷在衬底上。
[0107]
除了优化设计布局或图案形成装置(例如opc)，照射源也可以被优化，与图案形成装置优化联合或单独优化，以提高总体光刻保真度。术语“照射源”和“源”在本文档中可互换使用。自1990年代以来，诸如环形、四极、偶极等许多离轴照射源被引入，并且为opc设计提供了更大的自由，从而提高成像效果。众所周知，离轴照射是已证实的解决图案形成装置中所包含的精细结构(即，目标特征)的方法。然而，与传统照射源相比，离轴照射源通常为空间图像(ai)提供的辐射强度较小。因此，期望尝试优化照射源以实现更精细的分辨率和降低的辐射强度之间的最优平衡。
[0108]
许多照射源优化方法可以在例如rosenbluth等人于2002年的微光刻杂志微制造微系统1(1)第13至20页发表的标题为“optimum mask and source patterns to print a given shape(用于印刷给定形状的最优掩模和源图案)”的文章中找到。源被划分为多个区域，每个区域对应于光瞳光谱的某个区域。然后，假设每个源区域中的源分布是均匀的，并且每个区域的亮度针对过程窗口被优化。然而，每个源区域中的源分布均匀的这种假设并不总是有效的，因此这种方法的有效性受到影响。在granik于2204年的微光刻杂志微制造微系统3(4)第509至522页发表的标题为“source optimization for image fidelity and throughput(图像保真度和吞吐量的源优化)”的文章中陈述的另一示例中，多种现有的源优化方法被概述，并且将源优化问题转换为一系列非负最小二乘优化的基于照射器像素的方法被提出。尽管这些方法已经证实了一些成功，但它们通常需要多次复杂的迭代才能收敛。另外，可能难以确定一些额外参数的适当/最优值，诸如granik方法中的γ，其指定了优化衬底图像保真度的源与源的平滑度要求之间的权衡。
[0109]
针对低k1光刻，源和图案形成装置的优化对于确保关键电路图案投影的可行过程窗口非常有用。一些算法(例如socha等人在2005年的proc.spie第5853卷第180页发表的)在空间频域中将照射离散为独立的源点并且将掩模离散为衍射级，并且基于过程窗口指标(诸如曝光纬度)单独制定成本函数(被定义为所选设计变量的函数)，其可以由光学成像模型通过源点强度和图案形成装置衍射级预测。本文使用的术语“设计变量”包括光刻投影设备或光刻过程的参数集，例如光刻投影设备的用户可以调整的参数，或者用户可以通过调整那些参数来调整的图像特性。应该了解的是，光刻投影过程的任何特性(包括源、图案形成装置、投影光学器件的那些特性和/或抗蚀剂特性)都可以是优化中的设计变量。成本函数通常是设计变量的非线性函数。然后标准优化技术被用于最小化成本函数。
[0110]
相关地，不断减少的设计规则的压力驱动半导体芯片制造商利用现有的193nm arf光刻更深入地移动到低k1光刻时代中。朝着较低k1的光刻对ret、曝光工具和光刻友好设计的需求提出了很高的要求。1.35arf超数值孔径(na)曝光工具将来可能会使用。为了帮助确保电路设计可以在具有可行过程窗口的衬底上产生，源图案形成装置优化(本文中称为源掩模优化或smo)正在成为2x nm节点的重要ret。
[0111]
允许使用成本函数在没有约束的情况下并且在可用时间量内同时优化源和图案形成装置的源和图案形成装置(设计布局)优化方法和系统在共同转让的国际专利申请号pct/us2009/065359中描述，该申请于2009年11月20日提交并且作为wo2010/059954发布，标题为“fast freeform source and mask co-optimization method(快速自由源和掩模协同优化方法)”，其通过引用全部并入本文。
[0112]
涉及通过调整源的像素来优化源的另一源和掩模优化方法和系统在共同转让的
美国专利申请号12/813456中描述，该申请于2010年6月10日提交并且作为美国专利申请出版物号2010/0315614发布，标题为“source-mask optimization in lithographic apparatus(光刻设备中的源掩模优化)”，其通过引用全部并入本文。
[0113]
作为示例，在光刻投影设备中，成本函数被表达为
[0114][0115]
其中(z1,z2,
…
,zn)是n个设计变量或其值。f
p
(z1,z2,
…
,zn)可以是设计变量(z1,z2,...,zn)的函数，诸如(z1,z2,...,zn)的设计变量的值集合的评估点处的特性的实际值和预期值之间的差异。w
p
是与f
p
(z1,z2,...,zn)相关联的权重常数。比其他更关键的评估点或图案可以被分配有更高的w
p
值。出现次数较多的图案和/或评估点也可以被分配有更高的w
p
值。评估点的示例可以是衬底上的任何物理点或图案、虚拟设计布局上的任何点或抗蚀剂图像或空间图像或其组合。f
p
(z1,z2,...,zn)也可以是一个或多个随机效应的函数，诸如lwr，它们是设计变量(z1,z2,...,zn)的函数。成本函数可以表示光刻投影设备或衬底的任何合适的特性，例如特征的故障率、聚焦、cd、图像偏移、图像失真、图像旋转、随机效应、吞吐量、cdu或其组合。cdu是局部cd变化(例如局部cd分布的标准偏差的三倍)。cdu可以被互换地称为lcdu。在一个实施例中，成本函数表示(即，是其函数)cdu、吞吐量和随机效应。在一个实施例中，成本函数表示(即，是其函数)epe、吞吐量和随机效应。在一个实施例中，设计变量(z1,z2,...,zn)包括剂量、图案形成装置的全局偏置、来自源的照射形状或其组合。由于抗蚀剂图像通常指定衬底上的电路图案，因此成本函数通常包括表示抗蚀剂图像的一些特性的函数。例如，这种评估点的f
p
(z1,z2,...,zn)可以简单地是抗蚀剂图像中的点与该点的预期位置之间的距离(即，边缘放置误差epe
p
(z1,z2,...,zn))。设计变量可以是任何可调整参数，诸如源、图案形成装置、投影光学器件的可调整参数、剂量、聚焦等。投影光学器件可以包括统称为“波前操纵器”的部件，这些部件可以被用于调整波前的形状和强度分布和/或辐射束的相移。投影光学器件优选地可以在沿着光刻投影设备的光路的任何位置处调整波前和强度分布，诸如在图案形成装置之前、靠近光瞳平面、靠近图像平面、靠近焦平面。投影光学器件可以被用于校正或补偿由例如源、图案形成装置、光刻投影设备中的温度变化、光刻投影设备的部件的热膨胀引起的波前和强度分布的某些失真。调整波前和强度分布可以改变评估点和成本函数的值。这种变化可以由模型中模拟或实际测量。当然，cf(z1,z2,...,zn)不被限于方程1中的形式。cf(z1,z2,...,zn)可以是任何其他合适的形式。
[0116]
应该注意的是，f
p
(z1,z2,...,zn)的正常加权均方根(rms)被定义为因此，最小化f
p
(z1,z2,...,zn)的加权rms相当于最小化在方程1中定义的成本函数因此，为了符号的简单性，f
p
(z1,z2,...,zn)和方程1的加权rms在本文中可以互换地使用。
[0117]
进一步地，如果考虑最大化过程窗口(pw)，可以将来自不同pw条件的相同物理位置视为(方程1)中的成本函数中的不同评估点。例如，如果考虑n个pw条件，那么可以根据其pw条件对评估点进行分类，并且将成本函数写为：
[0118][0119]
其中在第u个pw条件u＝1,...,u下是f
p
(z1,z2,...,zn)的值。当f
p
(z1,z2,...,zn)是epe时，那么最小化上面的成本函数就相当于最小化各种pw条件下的边缘偏移，从而导致最大化pw。具体地，如果pw也由不同的掩模偏置组成，那么最小化上面的成本函数还包括meef(掩模误差增强因子)的最小化，其被定义为衬底epe与引起的掩模边缘偏置之间的比率。
[0120]
设计变量可能具有约束，其可以被表达为(z1,z2,...,zn)∈z，其中z是设计变量的可能值的集合。对设计变量的一种可能约束可以由光刻投影设备的期望吞吐量强加。期望吞吐量可能会限制剂量，因此会对随机效应具有影响(例如对随机效应施加下限)。更高的吞吐量通常会导致更低的剂量、更短的曝光时间和更大的随机效应。由于随机效应是设计变量的函数，因此考虑衬底吞吐量以及随机效应的最小化可能会约束设计变量的可能值。在没有由期望吞吐量强加的这种约束的情况下，优化可能会产生不切实际的设计变量值的集合。例如，如果剂量在设计变量中，没有这种约束，则优化可能会产生剂量值，这使得吞吐量在经济上是不可能的。然而，约束的有用性不应被解释为必要性。吞吐量可能会受到基于故障率的图案化过程参数调整的影响。期望在维持高吞吐量的同时具有较低的特征故障率。吞吐量也可能受到抗蚀剂化学物质的影响。较慢的抗蚀剂(例如需要较高光量才能正确曝光的抗蚀剂)会导致较低的吞吐量。因此，基于涉及由于抗蚀剂化学物质或波动而导致的特征故障率的优化过程，以及更高吞吐量的剂量要求，图案化过程的适当参数可以被确定。
[0121]
因此，优化过程在约束(z1,z2,...,zn)∈z下寻找设计变量值的集合，其最小化成本函数，即，寻找
[0122][0123]
根据实施例，优化光刻投影设备的一般方法在图10中图示。该方法包括定义多个设计变量的多变量成本函数的步骤s1202。设计变量可以包括选自照射源(1200a)的特性(例如光瞳填充率，即，穿过光瞳或孔径的源的辐射的百分比)、投影光学器件(1200b)的特性和设计布局(1200c)的特性的任何合适组合。例如，设计变量可以包括照射源(1200a)的特性和设计布局(1200c)的特性(例如全局偏置)，但不包括导致smo的投影光学器件(1200b)的特性。备选地，设计变量可以包括照射源(1200a)的特性、投影光学器件(1200b)的特性和设计布局(1200c)的特性，这导致源-掩模-透镜优化(smlo)。在步骤s1204中，设计变量被同时调整，使得成本函数向收敛移动。在步骤s1206中，确定预定义的终止条件是否被满足。预定义终止条件可以包括各种可能性，即，成本函数可以被最小化或最大化，根据所使用的数值技术的要求，成本函数的值已经等于阈值或已经超过阈值，成本函数的值已达到预设误差限制内，或预设迭代次数被达到。如果步骤s1206中的任一条件被满足，则该方法结束。如果步骤s1206中没有条件被满足，则步骤s1204和s1206被迭代地重复，直到期望的结果被获得。优化不一定会导致设计变量值的单个集合，因为可能存在由诸如故障率、光瞳填充因子、抗蚀剂化学物质、吞吐量等因素引起的物理限制。优化可以提供用于设计变量和关联性能特性(例如吞吐量)的多个值集合，并且允许光刻设备的用户选择一个或多个
集合。
[0124]
在光刻投影设备中，源、图案形成装置和投影光学器件可以被备选地优化(称为替代优化)或同时优化(称为同时优化)。如本文使用的，术语“同时”、“同时地”、“联合”和“联合地”是指源、图案形成装置、投影光学器件的特性的设计变量和/或任何其他设计变量被允许在同一时间改变。如本文使用的，术语“替代的”和“备选地”意味着并非所有设计变量都被允许同时改变。
[0125]
在图11中，所有设计变量的优化被同时执行。这种流程可以被称为同时流程或协同优化流程。备选地，所有设计变量的优化被备选地执行，如图11所图示的。在该流程中，在每个步骤中，一些设计变量是固定的，而其他设计变量被优化以最小化成本函数；然后在下一步骤中，不同的变量集合是固定的，而其他变量被优化以最小化成本函数。这些步骤被备选地执行，直到收敛或某些终止条件被满足为止。
[0126]
如图11的非限制性示例流程图所示，首先设计布局(步骤s1302)被获得，然后源优化步骤在步骤s1304中被执行，其中照射源的所有设计变量被优化(so)以最小化成本函数，而所有其他设计变量都是固定的。然后在下一步骤s1306中，掩模优化(mo)被执行，其中图案形成装置的所有设计变量被优化以最小化成本函数，而所有其他设计变量是固定的。这两个步骤被备选地执行，直到某些终止条件在步骤s1308中满足为止。各种终止条件可以被使用，诸如成本函数的值变得等于阈值，成本函数的值超过阈值，成本函数的值达到预设的误差限制内，或预设的迭代次数被达到等。要注意的是，so-mo替代优化被用作替代流程的示例。替代流程可以采用许多不同的形式，诸如so-lo-mo替代优化，其中so、lo(透镜优化)被执行，并且mo备选地且迭代地执行；或者首先smo可以被执行一次，然后备选地且迭代地执行lo和mo；等等。最后优化结果的输出在步骤s1310中获得，并且过程停止。
[0127]
如以前讨论的，图案选择算法可以与同时或替代优化集成在一起。例如，当替代优化被采用时，首先全芯片so可以被执行，
‘
热点’和/或
‘
温点’被识别，然后mo被执行。鉴于本公开，为了实现期望的优化结果，子优化的多种排列和组合是可能的。
[0128]
图12a示出了一种示例性的优化方法，其中成本函数被最小化。在步骤s502中，设计变量的初始值被获得，如果有的话，包括其调谐范围。在步骤s504中，多变量成本函数被设置。在步骤s506中，成本函数在第一迭代步骤(i＝0)的设计变量的起始点值周围的足够小的邻域内扩展。在步骤s508中，标准的多变量优化技术被应用于最小化成本函数。要注意的是，优化问题可以在s508的优化过程期间或优化过程的后期阶段应用约束，诸如调谐范围。步骤s520指示每次迭代针对已经被选择以优化光刻过程的已识别评估点的给定测试图案(也称为“量规”)进行。在步骤s510中，光刻响应被预测。在步骤s512中，步骤s510的结果与在步骤s522中获得的期望或理想的光刻响应值进行比较。如果终止条件在步骤s514中满足，即，优化生成足够接近期望值的光刻响应值，然后设计变量的最终值在步骤s518中输出。输出步骤还可以包括使用设计变量的最终值输出其他函数，诸如输出光瞳平面(或其他平面)处的波前像差调整图、优化的源图和优化的设计布局等。如果终止条件未被满足，那么在步骤s516中，设计变量的值用第i次迭代的结果更新，并且过程返回到步骤s506。图12a的过程在下面详细阐明。
[0129]
在示例性优化过程中，假设或近似设计变量(z1,z2,...,zn)和f
p
(z1,z2,...,zn)之
间没有关系，除非f
p
(z1,z2,...,zn)足够平滑(例如一阶导数存在)，这通常在光刻投影设备中有效。诸如高斯牛顿算法、levenberg-marquardt算法、梯度下降算法、模拟退火、遗传算法等算法可以被应用于寻找
[0130]
此处，高斯牛顿算法被用作示例。高斯牛顿算法是适用于一般非线性多变量优化问题的迭代方法。在第i次迭代中，其中设计变量(z1,z2,...,zn)取值为(z
1i
,z
2i
,...,z
ni
)，高斯牛顿算法在(z
1i
,z
2i
,...,z
ni
)附近线性化f
p
(z1,z2,...,zn)，然后在给出cf(z1,z2,...,zn)的最小值的(z
1i
,z
2i
,...,z
ni
)附近计算值(z
1(i 1)
,z
2(i 1)
,...,z
n(i 1)
)。设计变量(z1,z2,...,zn)采用第(i 1)次迭代中的(z
1(i 1)
,z
2(i 1)
,...,z
n(i 1)
)的值。该迭代一直持续到收敛(即，cf(z1,z2,...,zn)不再进一步减少)或预设的迭代次数被达到为止。
[0131]
具体地，在第i次迭代中，在(z
1i
,z
2i
,...,z
ni
)附近，
[0132][0133]
在方程3的近似下，成本函数变为：
[0134][0135]
这是设计变量(z1,z2,...,zn)的二次函数。除了设计变量(z1,z2,...,zn)外，每项都是常数。
[0136]
如果设计变量(z1,z2,...,zn)不受任何约束，则(z
1(i 1)
,z
2(i 1)
,
…
,z
n(i 1)
)可以通过求解n个线性方程导出：
[0137]
其中n＝1,2,
…
n。
[0138]
如果针对j＝1,2,...j，设计变量(z1,z2,...,zn)受j不等式(例如(z1,z2,...,zn)的调谐范围)以及针对k＝1,2,...k，k等式(例如设计变量之间的相互依赖性)形式的约束；优化过程变成了经典的二次规划问题，其中a
nj
、bj、c
nk
、dk是常数。附加的约束可以针对每次迭代施加。例如，“阻尼因子”δd可以被引入以限制(z
1(i 1)
,z
2(i 1)
,...,z
n(i 1)
)和(z
1i
,z
2i
,...,z
ni
)之间的差异，使得方程3的近似值成立。这样的约束可以被表达为z
ni-δd≤zn≤z
ni
δd。(z
1(i 1)
,z
2(i 1)
,...,z
n(i 1)
)可以使用例如jorge nocedal和stephen j.wright(纽约柏林：vandenberghe剑桥大学出版社)在数值优化(第二版)中描述的方法得出。
[0139]
优化过程可以最小化评估点与其预期值之间的最大偏差(最坏缺陷)的幅度，而不
是最小化f
p
(z1,z2,...,zn)的rms。在这种方法中，成本函数备选地可以被表达为
[0140][0141]
其中cl
p
是f
p
(z1,z2,...,zn)的最大允许值。该成本函数表示评估点中最差的缺陷。使用该成本函数进行优化最小化了最坏缺陷的幅度。迭代贪婪算法可以被用于该优化。
[0142]
方程5的成本函数可以被近似为：
[0143][0144]
其中q是偶数正整数，诸如至少为4，优选地至少为10。方程6模仿方程5的行为，同时允许优化通过使用诸如最深下降法、共轭梯度法等方法来分析地执行和加速。
[0145]
最小化最坏缺陷尺寸也可以与线性化f
p
(z1,z2,...,zn)结合。具体地，f
p
(z1,z2,...,zn)近似于方程3。然后最坏缺陷尺寸的约束被写为不等式e
lp
≤f
p
(z1,z2,...,zn)≤e
up
，其中e
lp
和e
up
是两个常数，指定f
p
(z1,z2,...,zn)的最小和最大允许偏差。插入方程3，针对p＝1,
…
p，这些约束被变换为
[0146][0147]
以及
[0148][0149]
由于方程3通常仅在(z
1i
,z
2i
,...,z
ni
)附近有效，以防期望的约束e
lp
≤f
p
(z1,z2,...,zn)≤e
up
无法在这种附近实现，这可以由不等式之间的任何冲突来确定，常量e
lp
和e
up
可以被放宽，直到约束可实现为止。该优化过程最小化了(z
1i
,z
2i
,...,z
ni
)附近的最坏缺陷尺寸。然后每个步骤逐渐减小最坏缺陷尺寸，并且每个步骤被迭代执行，直到一定的终止条件被满足为止。这将导致最坏缺陷尺寸的最优减少。
[0150]
最小化最坏缺陷的另一方式是在每次迭代中调整权重w
p
。例如，在第i次迭代之后，如果第r个评估点是最坏缺陷，则wr可以在第(i 1)次迭代中增大，使得降低该评估点的缺陷尺寸被赋予更高的优先级。
[0151]
另外，方程4和方程5中的成本函数可以通过引入拉格朗日乘子来修改，以实现缺陷尺寸的rms优化和最坏缺陷尺寸的优化之间的权衡，即，
[0152][0153]
其中λ是预设常数，它指定了缺陷尺寸的rms优化和最坏缺陷尺寸的优化之间的权衡。具体地，如果λ＝0，那么这变成了方程4，并且仅缺陷尺寸的rms被最小化；而如果λ＝1，那么这变成了方程5，并且仅最坏缺陷尺寸被最小化；如果0《λ《1，那么在优化中考虑两者。这种优化可以使用多种方法解决。例如，每次迭代中的加权可以被调整，类似于先前描述
的。备选地，类似于从不等式中最小化最坏缺陷尺寸，方程6’和6”的不等式可以被视为二次规划问题求解期间的设计变量的约束。然后，最坏缺陷尺寸的界限可以被逐步放宽或逐步增加最坏缺陷尺寸的权重，计算每个可实现的最坏缺陷尺寸的成本函数值，并且选择最小化总成本函数的设计变量值作为下一步骤的初始点。通过迭代地这样做，这个新成本函数的最小化可以被实现。
[0154]
优化光刻投影设备可以扩展过程窗口。更大的过程窗口为过程设计和芯片设计提供了更大的灵活性。过程窗口可以被定义为聚焦和剂量值的集合，其中抗蚀剂图像在抗蚀剂图像的设计目标的特定限制内。要注意的是，此处讨论的所有方法也可以被延伸到广义的过程窗口定义，除了曝光剂量和散焦之外，该定义还可以通过不同或附加的基础参数来建立。这些可以包括但不限于光学设置，诸如抗蚀剂层的na、σ、像差、偏振或光学常数。例如，如早前描述的，如果pw也由不同的掩模偏置组成，那么优化包括meef(掩模误差增强因子)的最小化，其被定义为衬底epe与引起的掩模边缘偏置之间的比率。在聚焦和剂量值上定义的过程窗口仅用作本公开中的示例。根据实施例的最大化过程窗口的方法在下面描述。
[0155]
在第一步骤中，从过程窗口中的已知条件(f0,ε0)开始，其中f0是名义聚焦，并且ε0是名义剂量，最小化(f0±
δf,ε0±
δε)附近的以下成本函数中的一个成本函数：
[0156][0157]
或者
[0158][0159]
或者
[0160][0161]
如果名义聚焦f0和名义剂量ε0被允许偏移，则它们可以与设计变量(z1,z2,...,zn)联合优化。在下一步骤中，如果(z1,z2,...,zn,f,ε)的值集合可以被找到，使得成本函数在预设限制内，则(f0±
δf,ε0±
δε)作为过程窗口的一部分被接受。
[0162]
备选地，如果聚焦和剂量不被允许偏移，则设计变量(z1,z2,...,zn)被优化，聚焦和剂量固定为名义聚焦f0和名义剂量ε0。在替代实施例中，如果(z1,z2,...,zn)的值集合可以被找到，使得成本函数在预设限制内，则(f0±
δf,ε0±
δε)作为过程窗口的一部分被接受。
[0163]
早前在本公开中描述的方法可以被用于最小化方程7、7’或7”的相应成本函数。如果设计变量是投影光学器件的特性，诸如泽尼克系数，那么最小化方程7、7’或7”的成本函数导致基于投影光学优化(即，lo)的过程窗口最大化。如果设计变量是除了投影光学器件的特性外的源和图案形成装置的特性，那么最小化方程7、7’或7”的成本函数导致基于smlo的过程窗口最大化，如图11所图示的。如果设计变量是源和图案形成装置的特性，那么最小化方程7、7’或7”的成本函数导致基于smo的过程窗口最大化。方程7、7’或7”的成本函数还
可以包括至少一个f
p
(z1,z2,...,zn)，诸如方程7或方程8中的，这是一个或多个随机效应的函数，诸如2d特征的lwr或局部cd变化以及吞吐量。
[0164]
图13示出了同时smlo过程可以如何使用高斯牛顿算法进行优化的一个具体示例。在步骤s702中，设计变量的起始值被识别。每个变量的调谐范围也可以被识别。在步骤s704中，成本函数使用设计变量来定义。在步骤s706中，成本函数围绕设计布局中的所有评估点的起始值扩展。在可选步骤s710中，全芯片模拟被执行，以覆盖全芯片设计布局中的所有关键图案。期望的光刻响应指标(诸如cd或epe)在步骤s714中获得，并且在步骤s712中与那些量的预测值进行比较。在步骤s716中，过程窗口被确定。步骤s718、s720和s722类似于相对于图12a描述的对应步骤s514、s516和s518。如以前提及的，最终输出可能是光瞳平面中的波前像差图，经过优化以产生期望的成像性能。最终输出也可以是优化的源图和/或优化的设计布局。
[0165]
图12b示出了优化成本函数的示例性方法，其中设计变量(z1,z2,...,zn)包括可能仅假设离散值的设计变量。
[0166]
该方法通过定义照射源的像素组和图案形成装置的图案形成装置图块来开始(步骤s802)。通常，像素组或图案形成装置图块也可以被称为光刻过程部件的分部。在一种示例性方法中，照射源被分为“117”个像素组，并且“94”个图案形成装置图块针对图案形成装置定义，基本上如上所述，导致总共“211”个分部。
[0167]
在步骤s804中，光刻模型被选择作为光刻模拟的基础。光刻模拟产生的结果被用于计算光刻指标或响应。特定的光刻指标被定义为要被优化的性能指标(步骤s806)。在步骤s808中，照射源和图案形成装置的初始(预优化)条件被设置。初始条件包括照射源的像素组和图案形成装置的图案形成装置图块的初始状态，使得可以参照初始照射形状和初始图案形成装置图案。初始条件还可以包括掩模偏置、na和聚焦斜坡范围。尽管步骤s802、s804、s806和s808被描绘为顺序步骤，但是要了解的是，在本发明的其他实施例中，这些步骤可以以其他顺序执行。
[0168]
在步骤s810中，像素组和图案形成装置图块被排列。像素组和图案形成装置图块可以在排列中交错。各种排列方式可以被采用，包括：顺序地(例如从像素组“1”到像素组“117”并且从图案形成装置图块“1”到图案形成装置图块“94”)、随机地、根据像素组和图案形成装置图块的物理位置(例如将更靠近照射源中心的像素组排列更高)以及根据像素组或图案形成装置图块的更改如何影响性能指标。
[0169]
一旦像素组和图案形成装置图块被排列，照射源和图案形成装置被调整以改进性能指标(步骤s812)。在步骤s812中，像素组和图案形成装置图块中的每一个按照排列的顺序分析，以确定像素组或图案形成装置图块的更改是否将导致改进的性能指标。如果确定性能指标将得到改进，那么像素组或图案形成装置图块被相应地更改，并且所得的改进性能指标和修改后的照射形状或修改后的图案形成装置图案形成用于比较的基线，以用于较低排列的像素组和图案形成装置图块的后续分析。换言之，改进性能指标的更改被保留。随着像素组和图案形成装置图块的状态的更改被进行和保留，初始照射形状和初始图案形成装置图案相应地改变，使得修改后的照射形状和修改后的图案形成装置图案由步骤s812中的优化过程产生。
[0170]
在其他方法中，图案形成装置多边形形状调整和像素组和/或图案形成装置图块
的成对轮询也在s812的优化过程内执行。
[0171]
在替代实施例中，交错的同时优化程序可以包括更改照射源的像素组，并且如果性能指标的改进被发现，则剂量被逐步增加和减少以寻找进一步改进。在又一替代实施例中，剂量或强度的逐步增加和减少可以被图案形成装置图案的偏置变化所代替，以寻找同时优化程序的进一步改进。
[0172]
在步骤s814中，确定性能指标是否已经收敛。例如，如果对性能指标的改进很少或没有改进已经在步骤s810和s812的最后几次迭代中见证，则可以认为该性能指标已经收敛。如果性能指标没有收敛，那么s810和s812的步骤在下一迭代中重复，其中来自当前迭代的修改后的照射形状和修改后的图案形成装置被用作下一迭代的初始照射形状和初始图案形成装置(步骤s816)。
[0173]
上述优化方法可以被用于增加光刻投影设备的吞吐量。例如，成本函数可以包括作为曝光时间的函数的f
p
(z1,z2,...,zn)。这种成本函数的优化优选地受随机效应的度量或其他指标的约束或影响。具体地，用于增加光刻过程的吞吐量的计算机实施方法可以包括优化作为光刻过程的一个或多个随机效应的函数和衬底的曝光时间的函数的成本函数，以最小化曝光时间。
[0174]
在一个实施例中，成本函数包括作为一个或多个随机效应的函数的至少一个f
p
(z1,z2,...,zn)。随机效应可能包括特征故障、在图3的方法中确定的测量数据(例如sepe)或者2d特征的lwr或局部cd变化。在一个实施例中，随机效应包括抗蚀剂图像特性的随机变化。例如，这种随机变化可能包括特征的故障率、线边缘粗糙度(ler)、线宽粗糙度(lwr)和临界尺寸均匀性(cdu)。在成本函数中包括随机变化允许找到最小化随机变化的设计变量的值，从而降低由于随机效应导致的缺陷风险。
[0175]
图14是图示了可以辅助实施本文公开的系统和方法的计算机系统100的框图。计算机系统100包括总线102或用于传递信息的其他通信机制以及与总线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还包括主存储器106，诸如随机存取存储器(ram)或其他动态存储装置，其被耦合至总线102，以用于存储信息和要由处理器104执行的指令。主存储器106也可以被用于在要由处理器104执行的指令执行期间存储临时变量或其他中间信息。计算机系统100还包括只读存储器(rom)108或其他静态存储装置，其被耦合至总线102，以用于存储针对处理器104的静态信息和指令。诸如磁盘或光盘等存储装置110被提供，并且被耦合至总线102以用于存储信息和指令。
[0176]
计算机系统100可以经由总线102被耦合至显示器112，诸如阴极射线管(crt)或平板或触摸板显示器，以用于向计算机用户显示信息。包括字母数字键和其他键的输入装置114被耦合至总线102，以用于将信息和命令选择传递给处理器104。另一类型的用户输入装置是光标控件116，诸如鼠标、轨迹球或光标方向键，以用于将方向信息和命令选择传递给处理器104，并且控制显示器112上的光标移动。该输入装置通常在两个轴(第一轴(例如x)和第二轴(例如y))上具有两个自由度，其允许装置指定平面中的位置。触摸板(屏幕)显示器也可以被用作输入装置。
[0177]
根据一个实施例，响应于处理器104执行主存储器106中所包含的一个或多个指令的一个或多个序列，优化过程的部分可以由计算机系统100执行。这种指令可以从诸如存储装置110等另一计算机可读介质被读取到主存储器106中。主存储器106中所包含的指令序
列的执行使处理器104执行本文描述的过程步骤。多处理布置中的一个或多个处理器也可以被采用，以执行主存储器106中所包含的指令序列。在替代实施例中，硬连线电路系统可以代替软件指令使用或与软件指令组合使用。因此，本文的描述不被限于硬件电路系统和软件的任何具体组合。
[0178]
本文使用的术语“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。这种介质可以采取许多形式，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，诸如存储装置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，包括构成总线102的电线。传输介质也可以采用声波或光波的形式，诸如在射频(rf)和红外(ir)数据通信期间生成的那些声波或光波。计算机可读介质的常见形式包括例如软盘、可折叠磁盘、硬盘、磁带、任何其他磁性介质、cd-rom、dvd、任何其他光学介质、穿孔卡片、纸带、具有孔洞图案的任何其他物理介质、ram、prom和eprom、闪存eprom、任何其他存储器芯片或者存储器匣、下文描述的载波或者计算机可以从中读取的任何其他介质。
[0179]
各种形式的计算机可读介质可以涉及将一个或多个指令的一个或多个序列携带到处理器104以供执行。例如，指令最初可能被承载在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中，并且使用调制解调器通过电话线发送指令。计算机系统100本地的调制解调器可以在电话线上接收数据，并且使用红外发送器将数据转换为红外信号。耦合至总线102的红外检测器可以接收红外信号中携带的数据，并且将数据放置在总线102上。总线102将数据携带到主存储器106，处理器104从主存储器106取回并执行指令。在由处理器104执行之前或之后，由主存储器106接收的指令可以可选地被存储在存储装置110上。
[0180]
优选地，计算机系统100还包括耦合至总线102的通信接口118。通信接口118提供耦合至网络链路120的双向数据通信，该网络链路120被连接至本地网络122。例如，通信接口118可以是集成服务数字网络(isdn)卡或调制解调器，以提供与对应类型的电话线的数据通信连接。作为另一示例，通信接口118可以是局域网(lan)卡，以提供与兼容lan的数据通信连接。无线链路也可以被实施。在任何这种实施方式中，通信接口118发送和接收电信号、电磁信号或光学信号，其携带表示各种类型的信息的数字数据流。
[0181]
网络链路120通常通过一个或多个网络向其他数据装置提供数据通信。例如，网络链路120可以通过本地网络122向主机计算机124或由互联网服务提供方(isp)126操作的数据装置提供连接。isp 126又通过全球分组数据通信网络(现在一般称为“互联网”128)提供数据通信服务。本地网络122和互联网128都使用携带数字数据流的电信号、电磁信号或光学信号。通过各种网络的信号以及在网络链路120上并且通过通信接口118的信号(将数字数据携带到计算机系统100并且由计算机系统100携带数字数据)是输送信息的载波的示例性形式。
[0182]
计算机系统100可以通过(多个)网络、网络链路120和通信接口118发送消息并且接收数据，包括程序代码。在互联网示例中，服务器130可以通过互联网128、isp 126、本地网络122和通信接口118传输针对应用程序的请求代码。例如，一个这种下载应用可以提供实施例的照射优化。接收到的代码可以在被接收到时由处理器104执行，和/或被存储在存储装置110或其他非易失性存储设备中，以供稍后执行。通过这种方式，计算机系统100可以
获得载波形式的应用代码。
[0183]
图15示意性地描绘了示例性光刻投影设备，其照射源可以利用本文描述的方法进行优化。该设备包括：
[0184]
照射系统il，以调节辐射束b。在这种特定情况下，照射系统还包括辐射源so；
[0185]
第一载物台(例如掩模台)mt，其被提供有图案形成装置保持器以保持图案形成装置ma(例如掩模版)，并且被连接至第一定位器以相对于物品ps准确地定位图案形成装置；
[0186]
第二载物台(衬底台)wt，其被提供有衬底保持器以保持衬底w(例如涂有抗蚀剂的硅晶片)，并且被连接至第二定位器以相对于物品ps准确地定位衬底；
[0187]
投影系统(“透镜”)ps(例如折射、反射或反射折射光学系统)，以将图案形成装置ma的辐射部分成像到衬底w的目标部分c(例如包括一个或多个管芯)上。
[0188]
如本文描绘的，该设备是透射型的(例如具有透射掩模)。然而，通常，它也可以是反射型的，例如(具有反射掩模)。备选地，该设备可以采用另一种类的图案形成装置作为使用经典掩模的替代方案；示例包括可编程反射镜阵列或lcd矩阵。
[0189]
源so(例如汞灯或准分子激光器)产生辐射束。例如，该光束直接地或者在遍历诸如扩束器ex等调节部件之后被馈送到照射系统(照射器)il中。照射器il可以包括调整部件ad，以用于设置光束中的强度分布的外部和/或内部径向范围(一般分别称为σ外部和σ内部)。另外，它通常将包括各种其他部件，诸如积分器in和聚光器co。通过这种方式，撞击在图案形成装置ma上的光束b在其横截面中具有期望的均匀性和强度分布。
[0190]
关于图15应该注意的是，源so可以在光刻投影设备的外壳内(例如当源so是汞灯时通常是这种情况)，但是它也可以远离光刻投影设备，其产生的辐射束被引入设备中(例如借助于合适的导向镜)；当源so是准分子激光器(例如基于krf、arf或f2激光照射)时，该后一种场景通常是这种情况。
[0191]
光束pb随后拦截图案形成装置ma，该图案形成装置ma被保持在图案形成装置台mt上。在遍历图案形成装置ma之后，光束pb穿过透镜pl，其将光束b聚焦到衬底w的目标部分c上。借助于第二定位部件(和干涉测量部件if)，衬底台wt可以被准确地移动，例如以将不同的目标部分c定位在光束pb的路径中。类似地，例如在从图案形成装置库机械地取回图案形成装置ma之后或在扫描期间，第一定位部件可以被用于相对于光束b的路径准确地定位图案形成装置ma。通常，载物台mt、wt的移动将借助于长行程模块(粗略定位)和短行程模块(精细定位)来实现，这在图15中未被明确描绘。然而，在晶片步进器(与步进扫描工具相反)的情况下，图案形成装置台mt可以仅被连接至短行程致动器，或者可以是固定的。
[0192]
所描绘的工具可以在两种不同的模式下使用：
[0193]-在步进模式下，图案形成装置台mt基本上保持静止，并且整个图案形成装置图像一次(即，单次“闪光”)被投影到目标部分c上。衬底台wt然后在x和/或y方向上偏移，使得不同的目标部分c可以由光束pb辐射；
[0194]-在扫描模式下，基本上相同的场景适用，除了给定的目标部分c不在单次“闪光”中曝光之外。相反，图案形成装置台mt以速度v在给定方向(所谓的“扫描方向”，例如y方向)上可移动，使得投射束b被用于在图案形成装置图像上扫描；并发地，衬底台wt同时在相同或相反方向上以速度v＝mv移动，其中m是透镜pl的放大率(典型地，m＝1/4或1/5)。通过这种方式，相对较大的目标部分c可以被曝光，而不必牺牲分辨率。
[0195]
图16示意性地描绘了另一示例性光刻投影设备la，其照射源可以利用本文描述的方法进行优化。
[0196]
光刻投影设备la包括：
[0197]-源收集器模块so
[0198]-照射系统(照射器)il，被配置为调节辐射束b(例如euv辐射)。
[0199]-支撑结构(例如掩模台)mt，被构造为支撑图案形成装置(例如掩模或掩模版)ma，并且被连接至被配置为准确地定位图案形成装置的第一定位器pm；
[0200]-衬底台(例如晶片台)wt，被构造为保持衬底(例如涂有抗蚀剂的晶片)w，并且被连接至被配置为准确地定位衬底的第二定位器pw；以及
[0201]-投影系统(例如反射投影系统)ps，被配置为将由图案形成装置ma赋予辐射束b的图案投影到衬底w的目标部分c(例如包括一个或多个管芯)上。
[0202]
如此处描绘的，设备la是反射型的(例如采用反射掩模)。要注意的是，因为大多数材料在euv波长范围内是吸收性的，所以掩模可以具有多层反射器，该多层反射器包括例如钼和硅的多叠层。在一个示例中，多叠层反射器具有钼和硅的40层对，其中每层的厚度为四分之一波长。甚至更小的波长可以用x射线光刻产生。由于大多数材料在euv和x射线波长处都是吸收性的，因此在图案形成装置形貌上的图案化吸收材料的薄片(例如多层反射器顶部的tan吸收剂)定义了特征将在何处印刷(正性抗蚀剂)或不印刷(负性抗蚀剂)。
[0203]
参照图16，照射器il从源收集器模块so接收极紫外辐射束。产生euv辐射的方法包括但不必限于将材料转换为具有至少一种元素(例如氙、锂或锡)的等离子态，其在euv范围内具有一个或多个发射线。在一种这样的方法中，通常称为激光产生等离子体(“lpp”)，等离子体可以通过用激光束照射燃料(诸如具有谱线发射元素的材料微滴、流或簇)来产生。源收集器模块so可以是euv辐射系统的一部分，该euv辐射系统包括未在图16中示出的激光器，以用于提供激发燃料的激光束。所得的等离子体发射输出辐射，例如euv辐射，其使用设置在源收集器模块中的辐射收集器来收集。激光器和源收集器模块可以是单独的实体，例如当co2激光器被用于提供激光束以进行燃料激发时。
[0204]
在这种情况下，激光器不被认为形成光刻设备的一部分，并且借助于包括例如合适的导向镜和/或扩束器的光束递送系统，辐射束从激光器传递到源收集器模块。在其他情况下，源可能是源收集器模块的集成部分，例如当源是放电产生的等离子体euv发生器时，通常被称为dpp源。
[0205]
照射器il可以包括调整器，以用于调整辐射束的角强度分布。通常，照射器的光瞳平面中的强度分布的至少外部和/或内部径向范围(一般分别称为σ外部和σ内部)可以被调整。另外，照射器il可以包括各种其他部件，诸如琢面场和光瞳反射镜装置。照射器可以被用于调节辐射束，以在其横截面中具有期望的均匀性和强度分布。
[0206]
辐射束b被入射到图案形成装置(例如掩模)ma上，并且由图案形成装置图案化，该图案形成装置ma被保持在支撑结构(例如掩模台)mt上。在从图案形成装置(例如掩模)ma反射之后，辐射束b穿过投影系统ps，该投影系统ps将光束聚焦到衬底w的目标部分c上。借助于第二定位器pw和位置传感器ps2(例如干涉装置、线性编码器或电容传感器)，衬底台wt可以被准确地移动，例如以在辐射束b的路径中定位不同的目标部分c。类似地，第一定位器pm和另一位置传感器ps1可以被用于相对于辐射束b的路径准确地定位图案形成装置(例如掩
模)ma。图案形成装置(例如掩模)ma和衬底w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。
[0207]
所描绘的设备la可以被用于以下模式中的至少一种：
[0208]
1.在步进模式下，在赋予辐射束的整个图案一次被投影到目标部分c上(即，单次静态曝光)时，支撑结构(例如掩模台)mt和衬底台wt基本上保持静止。然后，衬底台wt在x和/或y方向上偏移，使得不同的目标部分c可以被曝光。
[0209]
2.在扫描模式下，在赋予辐射束的图案被投影到目标部分c上(即，单次动态曝光)时，支撑结构(例如掩模台)mt和衬底台wt被同步地扫描。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投影系统ps的放大率(缩小率)和图像反转特性来确定。
[0210]
3.在另一模式下，在赋予辐射束的图案被投影到目标部分c上的同时，支撑结构(例如掩模台)mt基本上保持静止，从而保持可编程图案形成装置，并且衬底台wt被移动或扫描。在这种模式下，通常脉冲式辐射源被采用，并且在衬底台wt的每次移动之后或者在扫描期间的连续辐射脉冲之间，可编程图案形成装置根据需要来更新。这种操作模式可以容易地被应用于无掩模光刻，其利用可编程图案形成装置(诸如上面引用类型的可编程反射镜阵列)。
[0211]
图17更详细地示出了设备la，其包括源收集器模块so、照射系统il和投影系统ps。源收集器模块so被构造和布置为使得真空环境可以在源收集器模块so的封闭结构220中维持。euv辐射发射等离子体210可以由放电产生的等离子体源形成。euv辐射可以由气体或蒸气产生，例如氙气、锂蒸气或锡蒸气，其中非常热的等离子体210被创建，以发射电磁谱的euv范围内的辐射。非常热的等离子体210是由例如放电创建的，该放电引起至少部分地电离的等离子体。为了有效地生成辐射，可能需要例如10pa的xe、li、sn蒸气或任何其他合适的气体或蒸气的分压。在实施例中，激发锡(sn)的等离子体被提供，以产生euv辐射。
[0212]
经由被定位在源室211中的开口中或后面的可选气体阻挡部或污染物陷阱230(在一些情况下也被称为污染物阻挡部或翼片阱)，由热等离子体210发射的辐射从源室211传递到收集器室212中。污染物陷阱230可以包括通道结构。污染物陷阱230还可以包括气体阻挡部或者气体阻挡部和通道结构的组合。如本领域已知的，本文进一步指示的污染物陷阱或污染物阻挡部230至少包括通道结构。
[0213]
收集器室212可以包括辐射收集器co，其可以是所谓的掠入射收集器。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。遍历收集器co的辐射可以从光栅光谱滤光片240反射出来，以沿着由点虚线
‘
o’指示的光轴被聚焦在虚拟源点if中。虚拟源点if一般被称为中间焦点，并且源收集器模块被布置为使得中间焦点if位于封闭结构220中的开口221处或附近。虚拟源点if是辐射发射等离子体210的图像。
[0214]
随后，辐射遍历照射系统il，该照射系统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，其被布置为在图案形成装置ma处提供辐射束21的期望角分布以及在图案形成装置ma处提供辐射强度的期望均匀性。在由支撑结构mt保持的图案形成装置ma处反射辐射束21时，图案化光束26被形成，并且图案化光束26由投影系统ps经由反射元件28、30成像到由衬底台wt保持的衬底w上。
[0215]
比所示更多的元件通常可以存在于照射光学单元il和投影系统ps中。取决于光刻设备的类型，光栅光谱滤光片240可以可选地存在。进一步地，可能存在比附图中所示的更
多的反射镜，例如与图17所示的相比，投影系统ps中可能存在1至6个附加反射元件。
[0216]
如图17所图示的，收集器光学器件co被描绘为具有掠入射反射器253、254和255的嵌套收集器，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围绕光轴o轴向对称地设置，并且优选地，这种类型的收集器光学器件co可以与通常称为dpp源的放电产生的等离子体源组合使用。
[0217]
备选地，源收集器模块so可以是图18所示的lpp辐射系统的一部分。激光器la被布置为将激光能量沉积到诸如氙(xe)、锡(sn)或锂(li)等燃料中，从而创建电子温度为数十ev的高度电离的等离子体210。在这些离子的去激发和重组期间生成的带能辐射从等离子体发射，由近于法向入射的收集器光学器件co收集并且聚焦到封闭结构220中的开口221上。
[0218]
本文公开的概念可以模拟或数学建模任何通用成像系统，以用于对亚波长特征进行成像，并且对于能够产生越来越短的波长的新兴成像技术可能尤其有用。已经使用的新兴技术包括euv(极紫外)、duv光刻，该技术能够使用arf激光器产生193nm的波长，甚至使用氟激光器产生157nm的波长。而且，通过使用同步加速器或通过用高能电子撞击材料(固体或等离子体)以产生在该范围内的光子，euv光刻能够产生在20至5nm范围内的波长。
[0219]
尽管本文公开的概念可以被用于在诸如硅晶片等衬底上成像，但是应该理解的是，所公开的概念可以与任何类型的光刻成像系统一起使用，例如用于在除硅晶片之外的衬底上成像的那些光刻成像系统。
[0220]
本文使用的术语“优化(optimizing)”和“优化(optimization)”是指或意味着调整图案化设备(例如光刻设备)、图案化过程等，使得结果和/或过程具有更期望的特性，诸如将设计图案投影到衬底上的更高的准确度、更大的过程窗口等。因此，本文使用的术语“优化(optimizing)”和“优化(optimization)”是指或意指识别一个或多个参数的一个或多个值的过程，这些参数提供与用于那些一个或多个参数的一个或多个值的初始集合相比在至少一个相关指标中的改进，例如局部最优。“最优”和其他相关术语应作相应解释。在实施例中，优化步骤可以被迭代地应用，以提供对一个或多个指标的进一步改进。
[0221]
本发明的各个方面可以以任何方便的形式实施。例如，实施例可以通过一个或多个适当的计算机程序来实施，该计算机程序可以被携带到适当的载体介质上，该载体介质可以是有形载体介质(例如磁盘)或无形载体介质(例如通信信号)。本发明的实施例可以使用合适的设备来实施，该设备可以具体地采取运行计算机程序的可编程计算机的形式，该计算机程序被布置为实施本文描述的方法。因此，本公开的实施例可以在硬件、固件、软件或其任何组合中实施。本发明的实施例还可以被实施为存储在机器可读介质上的指令，该指令可以由一个或多个处理器读取和执行。机器可读介质可以包括用于以由机器(例如计算装置)可读的形式存储或传输信息的任何机制。例如，机器可读介质可以包括只读存储器(rom)；随机存取存储器(ram)；磁盘存储介质；光学存储介质；闪存装置；电气、光学、声学或其他形式的传播信号(例如载波、红外信号、数字信号等)和其他。进一步地，固件、软件、例程、指令在本文中可以被描述为执行某些动作。然而，应该了解的是，这种描述仅仅是为了方便，并且这种动作事实上是由执行固件、软件、例程、指令等的计算装置、处理器、控制器或其他装置引起的。
[0222]
在框图中，所图示的部件被描绘为离散的功能块，但是实施例不被限于本文描述
的功能性如图示那样组织的系统。由部件中的每个部件提供的功能性可以由与当前描绘的以不同方式组织的软件或硬件模块提供，例如这种软件或硬件可以被掺杂、联合、复制、分解、分布(例如在数据中心内或地理上)，或以不同方式组织。本文描述的功能性可以由一个或多个计算机的一个或多个处理器提供，这些处理器执行存储在有形、非瞬态的机器可读介质上的代码。在一些情况下，第三方内容递送网络可以托管通过网络传达的一些或所有信息，在这种情况下，在信息(例如内容)被认为是供应或以其他方式提供的范围内，信息可以通过发送从内容递送网络取回该信息的指令来提供。
[0223]
除非另有特别陈述，如从讨论中显而易见的，要了解的是，贯穿本说明书，使用诸如“处理”、“计算(computing)”、“计算(calculating)”、“确定”等术语的讨论是指具体设备的动作或过程，诸如专用计算机或类似的专用电子处理/计算装置。
[0224]
读者应该了解，本技术描述了多个发明。这些发明被分组为单个文档，而不是将这些发明分为多个隔离的专利申请，因为其相关主题有助于在申请过程中节省成本。但是这种发明的不同优点和方面不应该被合并。在一些情况下，实施例解决了本文提到的所有缺陷，但应该理解的是，本发明是独立有用的，并且一些实施例仅解决了这种问题的子集或提供其他未提及的益处，这些益处对审查本公开的本领域技术人员来说是显而易见的。由于成本约束，本文公开的一些发明目前可能未被要求保护，并且可能在稍后的归档中要求保护，诸如继续申请或通过修正当前的权利要求。类似地，由于空间限制，本文档的摘要和发明内容章节均不应被视为包含所有这种发明或这种发明的所有方面的综合列表。
[0225]
应该理解的是，描述和附图并非旨在将本公开限制为所公开的特定形式，而是相反，其意图是覆盖落入本发明的精神和范围内的所有修改、等效物和替代方案，如由所附权利要求定义的。
[0226]
鉴于该描述，本发明的各个方面的修改和替代实施例对于本领域技术人员来说将是显而易见的。因此，该描述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执行本发明的一般方式。要理解的是，本文示出和描述的本发明的形式将被视为实施例的示例。元素和材料可以替代本文图示和描述的那些元素和材料，部分和过程可以被颠倒或省略，某些特征可以被独立使用，并且实施例或实施例的特征可以被组合，在受益于本描述之后，所有这些对于本领域技术人员来说都是显而易见的。在不脱离以下权利要求中描述的本发明的精神和范围的情况下，改变可以在本文描述的元件中进行。本文使用的标题仅用于组织目的，并且并不意味着被用于限制描述的范围。
[0227]
如在本技术中使用的，词语“可以”是在许可意义上使用的(即，意味着有潜力)，而不是强制性意义上(即，意味着必须)。词语“包括(include)”、“包括(including)”和“包括(includes)”等表示包括但不限于。如在本技术中使用的，单数形式“一”、“一个”和“该”包括复数指示物，除非内容另有明确指示。因此，例如对“一”元素或“一个”元素的引用包括两个或多个元素的组合，尽管对于一个或多个元素使用了其他术语和短语，诸如“一个或多个”。如本文使用的，除非另有特别陈述，否则术语“或者”涵盖所有可能的组合，除了不可行以外。例如，如果陈述部件可以包括a或b，那么除非另有特别陈述或不可行，否则该部件可以包括a或b或a和b。作为第二示例，如果陈述部件可以包括a、b或c，那么除非另有特别陈述或不可行，否则该部件可以包括a或b或c或a和b或a和c或b和c或a和b和c。
[0228]
描述了条件关系的术语(例如“响应于x、y”、“在x、y时”、“如果x、y”、“当x、y时”等)
涵盖前因是必要因果条件，前因是充分因果条件或者前因是结果的促成因果条件的因果关系，例如“在条件y获得时，发生状态x”对“x仅在y时发生”和“x在y和z时发生”来说是通用的。这种条件关系不被限于紧接前因获得的结果，因为一些结果可能会被延迟，并且在条件语句中，前因被连接至其结果，例如前因与结果发生的可能性相关。除非另有指示，否则多个属性或功能被映射到多个对象的语句(例如一个或多个处理器执行步骤a、b、c和d)涵盖被映射到所有这种对象的所有这种属性或功能以及被映射到属性或功能的子集的属性或功能的子集(例如所有处理器分别执行步骤a至d，以及处理器1执行步骤a，处理器2执行步骤b和部分步骤c，并且处理器3执行部分步骤c和步骤d的情况)。进一步地，除非另有指示，否则一个值或动作“基于”另一条件或值的语句涵盖该条件或值是唯一因素的实例以及该条件或值是多个因素中的一个因素的实例。除非另有指示，否则某个集合的“每个”实例具有某个特性的语句不应该被读取为排除较大集合的一些其他相同或类似的成员不具有该特性的情况，即，每个并不一定意味着每一个。对范围选择的引用包括范围的端点。
[0229]
在以上描述中，流程图中的任何过程、描述或框都应该被理解为表示模块、分段或部分代码，其包括用于实施过程中的具体逻辑功能或步骤的一个或多个可执行指令，并且交替实施方式被包括在本进展的示例性实施例的范围内，其中功能可以如示出或讨论的那样乱序执行，取决于所涉及的功能性，包括基本上并发地或以相反的顺序，如本领域技术人员所理解的。
[0230]
本公开的实施例可以通过以下条款进一步描述。
[0231]
1.一种具有指令的非瞬态计算机可读介质，在由计算机执行时，指令使计算机执行用于使用目标图案和参考层图案的复合图像训练机器学习模型以预测光学邻近校正(opc)后图像的方法，其中opc后图像被用于获得opc后掩模以在衬底上印刷目标图案，该方法包括：
[0232]
获得(a)目标图案数据，表示要在衬底上印刷的目标图案，以及(b)参考层数据，表示与目标图案相关联的参考层图案；
[0233]
从目标图案数据渲染目标图像，并且从参考层图案渲染参考层图案图像；
[0234]
通过组合目标图像和参考层图案图像来生成复合图像；以及
[0235]
用复合图像训练机器学习模型以预测opc后图像，直到预测的opc后图像与对应于复合图像的参考opc后图像之间的差异被最小化为止。
[0236]
2.一种具有指令的非瞬态计算机可读介质，在由计算机执行时，指令使计算机执行用于生成光学邻近校正(opc)后图像的方法，其中opc后图像被用于生成opc后掩模图案，以在衬底上印刷目标图案，该方法包括：
[0237]
向机器学习模型提供输入，该输入表示(a)要在衬底上印刷的目标图案以及(b)与目标图案相关联的参考层图案的图像；以及
[0238]
使用机器学习模型，基于图像来生成opc后结果。
[0239]
3.根据条款2的计算机可读介质，其中提供输入包括：
[0240]
基于目标图案来渲染第一图像；
[0241]
基于参考层图案来渲染第二图像；以及
[0242]
向机器学习模型提供第一图像和第二图像。
[0243]
4.根据条款2的计算机可读介质，其中提供输入包括：
[0244]
提供复合图像，该复合图像是与目标图案相对应的第一图像和与参考层图案相对应的第二图像的组合。
[0245]
5.根据条款4的计算机可读介质，其中提供复合图像包括：
[0246]
基于目标图案来渲染第一图像；
[0247]
基于参考层图案来渲染第二图像，以及
[0248]
组合第一图像和第二图像以生成复合图像。
[0249]
6.根据条款4的计算机可读介质，其中将第一图像与第二图像组合包括：组合第一图像、第二图像、与亚分辨率辅助特征(sraf)相对应的第三图像和与亚分辨率逆特征(srif)相对应的第四图像，以生成复合图像。
[0250]
7.根据条款4的计算机可读介质，其中第一图像和第二图像使用线性函数来组合，以生成复合图像。
[0251]
8.根据条款2的计算机可读介质，其中opc后结果包括：
[0252]
掩模图案的经过渲染的opc后图像，其中掩模图案对应于要在衬底上印刷的目标图案。
[0253]
9.根据条款2的计算机可读介质，其中opc后图像包括：
[0254]
掩模图案的重构图像，其中掩模图案对应于要在衬底上印刷的目标图案。
[0255]
10.根据条款2的计算机可读介质，其中参考层图案是与目标图案不同的设计层或衍生层的图案，其中参考层图案影响opc过程中的目标图案的校正准确度。
[0256]
11.根据条款2的计算机可读介质，其中参考层图案包括上下文层图案或虚拟图案。
[0257]
12.根据条款2的计算机可读介质，还包括：
[0258]
使用opc后结果执行图案化步骤，以经由光刻过程在衬底上印刷与目标图案相对应的图案。
[0259]
13.根据条款2的计算机可读介质，其中生成opc后结果包括：训练机器学习模型，以基于输入生成opc后结果。
[0260]
14.根据条款13的计算机可读介质，其中训练机器学习模型包括：
[0261]
获得与(a)要在第一衬底上印刷的第一目标图案，(b)与第一目标图案相关联的第一参考层图案，以及(c)与第一目标图案相对应的第一参考opc后结果相关的输入，以及
[0262]
使用第一目标图案和第一参考层图案训练机器学习模型，使得机器学习模型的第一参考opc后结果和预测的opc后结果之间的差异被减小。
[0263]
15.根据条款14的计算机可读介质，其中训练是迭代过程，迭代包括：
[0264]
向机器学习模型提供输入，
[0265]
使用机器学习模型生成预测的opc后结果，
[0266]
计算成本函数，该成本函数指示预测的opc后结果和第一参考opc后结果之间的差异，以及
[0267]
调整机器学习模型的参数，使得预测的opc后结果和第一参考opc后结果之间的差异被减小。
[0268]
16.根据条款15的计算机可读介质，其中差异被最小化。
[0269]
17.根据条款16的计算机可读介质，其中第一参考opc后结果的获得包括：
[0270]
使用第一目标图案执行掩模优化过程或者源掩模优化过程，以生成第一参考opc后结果。
[0271]
18.根据条款17的计算机可读介质，其中第一参考opc后结果是与第一目标图案相对应的掩模图案的重构图像。
[0272]
19.根据条款18的计算机可读介质，其中掩模图案是在重构图像被生成之前修改的。
[0273]
20.根据条款14的计算机可读介质，其中输入包括第一目标图案的图像和第一参考层图案的图像。
[0274]
21.根据条款14的计算机可读介质，其中输入包括复合图像，其中复合图像是与第一目标图案相对应的图像和与第一参考层图案相对应的图像的组合。
[0275]
22.一种具有指令的非瞬态计算机可读介质，在由计算机执行时，指令使计算机执行用于生成光学邻近校正(opc)后图像的方法，其中opc后图像被用于生成opc后掩模，以在衬底上印刷目标图案，该方法包括：
[0276]
向机器学习模型提供表示要在衬底上印刷的目标图案的第一图像以及表示与目标图案相关联的参考层图案的第二图像；以及
[0277]
使用机器学习模型，基于目标图案和参考层图案来生成opc后图像。
[0278]
23.根据条款22的计算机可读介质，还包括：
[0279]
使用opc后图像生成opc后掩模，该opc后掩模被用于在衬底上印刷目标图案。
[0280]
24.根据条款22的计算机可读介质，其中opc后图像是掩模图案的图像或者掩模图案的重构图像，其中掩模图案对应于要在衬底上印刷的目标图案。
[0281]
25.一种具有指令的非瞬态计算机可读介质，在由计算机执行时，指令使计算机执行用于生成光学邻近校正(opc)后图像的方法，其中opc后图像被用于生成opc后掩模，以在衬底上印刷目标图案，该方法包括：
[0282]
向机器学习模型提供复合图像，该复合图像表示(a)要在衬底上印刷的目标图案以及(b)与目标图案相关联的参考层图案；以及
[0283]
使用机器学习模型，基于目标图案和参考层图案来生成opc后图像。
[0284]
26.根据条款25的计算机可读介质，还包括：
[0285]
使用opc后图像生成opc后掩模，该opc后掩模被用于在衬底上印刷目标图案。
[0286]
27.根据条款25的计算机可读介质，其中复合图像是与目标图案相对应的第一图像和与参考层图案相对应的第二图像的组合。
[0287]
28.根据条款25的计算机可读介质，其中提供复合图像包括：
[0288]
基于目标图案来渲染第一图像，
[0289]
基于参考层图案来渲染第二图像，以及
[0290]
组合第一图像和第二图像以生成复合图像。
[0291]
29.根据条款25的计算机可读介质，其中第一图像和第二图像使用线性函数来组合，以生成复合图像。
[0292]
30.一种具有指令的非瞬态计算机可读介质，在由计算机执行时，指令使计算机执行用于训练机器学习模型以生成光学邻近校正(opc)后图像的方法，该方法包括：
[0293]
获得与(a)要在第一衬底上印刷的第一目标图案，(b)与第一目标图案相关联的第
一参考层图案，以及(c)与第一目标图案相对应的第一参考opc后图像相关的输入；以及
[0294]
使用第一目标图案和第一参考层图案训练机器学习模型，使得机器学习模型的第一参考opc后图像和预测的opc后图像之间的差异被减小。
[0295]
31.根据条款30的计算机可读介质，其中训练是迭代过程，迭代包括：
[0296]
向机器学习模型提供输入，
[0297]
使用机器学习模型生成预测的opc后图像，
[0298]
计算成本函数，该成本函数指示预测的opc后图像和第一参考opc后图像之间的差异，以及
[0299]
调整机器学习模型的参数，使得预测和参考图像之间的差异被减小。
[0300]
32.根据条款31的计算机可读介质，其中差异被最小化。
[0301]
33.根据条款30的计算机可读介质，其中获得第一参考opc后结果包括：
[0302]
使用第一目标图案执行掩模优化过程或者源掩模优化过程，以生成第一参考opc后结果。
[0303]
34.根据条款30的计算机可读介质，其中第一opc后结果包括掩模图案的图像或者掩模图案的重构图像，其中掩模图案对应于第一目标图案。
[0304]
35.一种用于生成光学邻近校正(opc)后图像的方法，其中opc后图像被用于生成opc后掩模图案，以在衬底上印刷目标图案，该方法包括：
[0305]
向机器学习模型提供输入，该输入表示(a)要在衬底上印刷的目标图案以及(b)与目标图案相关联的参考层图案的图像；以及
[0306]
使用机器学习模型，基于图像来生成opc后结果。
[0307]
36.一种用于生成光学邻近校正(opc)后图像的方法，其中opc后图像被用于生成opc后掩模，以在衬底上印刷目标图案，该方法包括：
[0308]
向机器学习模型提供表示要在衬底上印刷的目标图案的第一图像以及表示与目标图案相关联的参考层图案的第二图像；以及
[0309]
使用机器学习模型，基于目标图案和参考层图案来生成opc后图像。
[0310]
37.一种用于生成光学邻近校正(opc)后图像的方法，其中opc后图像被用于生成opc后掩模，以在衬底上印刷目标图案，该方法包括：
[0311]
向机器学习模型提供复合图像，该复合图像表示(a)要在衬底上印刷的目标图案以及(b)与目标图案相关联的参考层图案；以及
[0312]
使用机器学习模型，基于目标图案和参考层图案来生成opc后图像。
[0313]
38.一种用于训练机器学习模型以生成光学邻近校正(opc)后图像的方法，该方法包括：
[0314]
获得与(a)要在第一衬底上印刷的第一目标图案，(b)与第一目标图案相关联的第一参考层图案，以及(c)与第一目标图案相对应的第一参考opc后图像相关的输入；以及
[0315]
使用第一目标图案和第一参考层图案训练机器学习模型，使得机器学习模型的第一参考opc后图像和预测的opc后图像之间的差异被减小。
[0316]
39.一种用于生成光学邻近校正(opc)后图像的设备，其中opc后图像被用于生成opc后掩模图案，以在衬底上印刷目标图案，该设备包括：
[0317]
存储器，存储指令集；以及
[0318]
处理器，被配置为执行指令集以使设备执行以下方法：
[0319]
向机器学习模型提供输入，该输入表示(a)要在衬底上印刷的目标图案以及(b)与目标图案相关联的参考层图案的图像；以及
[0320]
使用机器学习模型，基于图像来生成opc后结果。
[0321]
在某些美国专利、美国专利申请或其他材料(例如文章)已通过引用并入的范围内，这种美国专利、美国专利申请和其他材料的文本仅在这种材料与本文陈述的语句和附图之间不存在冲突的范围内通过引用并入。在这种冲突的情况下，这种通过引用并入的美国专利、美国专利申请和其他材料中的任何这种冲突文本明确地不通过引用并入本文。
[0322]
尽管某些实施例已经被描述，但是这些实施例仅通过示例的方式呈现，并且不旨在限制本公开的范围。实际上，本文描述的新颖方法、设备和系统可以以多种其他形式实施；此外，在不脱离本公开的精神的情况下，本文描述的方法、设备和系统的形式的各种省略、替换和改变可以被进行。所附权利要求及其等效物旨在覆盖落入本公开的范围和精神内的这种形式或修改。