一种残膜回收机防缠绕挑膜装置的制 一种秧草收获机用电力驱动行走机构

调整用于光刻过程的模型的方法和相关联的设备与流程

2022-09-15 07:14:35 来源:中国专利 TAG:

调整用于光刻过程的模型的方法和相关联的设备
1.相关申请的交叉引用
2.本技术要求于2020年2月12日递交的欧洲申请20156986.0和于2020年6月03日递交的欧洲申请20178091.3的优先权,这些欧洲申请的全部内容通过引用并入本文中。
技术领域
3.本发明涉及用于例如通过光刻技术进行器件制造的方法和装置,并且涉及使用光刻技术来制造器件的方法。


背景技术:

4.光刻设备是将期望的图案施加至衬底上(通常施加至衬底的目标部分上)的机器。光刻设备可以用于例如集成电路(ic)的制造中。在那种情况下,图案形成装置(该图案形成装置替代地被称为掩模或掩模版)可以用于产生待形成在ic的单独的层上的电路图案。可以将这种图案转印至衬底(例如,硅晶片)上的目标部分(例如,包括管芯的部分、一个管芯或若干管芯)上。通常经由成像至被设置在衬底上的辐射敏感材料(抗蚀剂)层上来进行图案的转印。通常,单个衬底将包含被连续地图案化的相邻目标部分的网络。这些目标部分通常被称为“场”。
5.在复杂器件的制造中,通常执行许多光刻图案化步骤,由此在衬底上的连续层中形成功能性特征。因此,光刻设备的性能的关键方面是能够(通过相同的设备或不同的光刻设备)相对于置于先前层中的特征恰当且准确地放置所施加的图案。出于这种目的,衬底设置有一组或更多组对准标记。每个标记为稍后可以使用位置传感器(通常是光学位置传感器)测量其位置的结构。光刻设备包括一个或更多个对准传感器,可以通过所述传感器准确地测量衬底上的标记的位置。根据不同的制造商和同一制造商的不同的产品得知不同类型的标记和不同类型的对准传感器。
6.光刻设备包括投影系统。投影系统包括光学元件,诸如,例如,透镜。光学像差可以由光学元件中的缺陷产生。光学像差也可以由投影效应产生,诸如,例如,在光刻曝光期间发生的光学元件的加热。投影系统模型用于确定可以对投影系统的光学元件进行的一个或更多个调整。所确定的调整可以具有减小投影系统内的光学像差的效应。
7.可能期望提供例如对投影系统建模方法的校准、调整和/或使用的方面的改善,这避免或减轻了无论是在本文中或在别处所识别的现有技术的问题中的一个或更多个问题。


技术实现要素:

8.在第一方面中,本发明提供一种调整用于特定图案形成装置的光刻过程的方法,所述方法包括:获得与光刻设备的物镜相关的波前数据,所述波前数据是在使用所述特定图案形成装置进行的衬底上的图案的曝光之后被测量的;根据所述波前数据和参考波前确定特定于图案的波前贡献,所述特定于图案的波前贡献与所述特定图案形成装置有关;以及使用所述特定于图案的波前贡献来调整用于所述图案形成装置的所述光刻过程。
9.还公开了光刻设备,所述光刻设备包括可操作以执行所述第一方面的方法。
10.将根据以下所描述的示例的考虑来理解本发明的以上和其它方面。
附图说明
11.现在将参考随附附图而仅作为示例来描述本发明的实施例,在所述附图中:
12.图1描绘光刻设备;
13.图2示意性地图示图1的设备中的测量和曝光过程;
14.图3图示(a)用于确定透镜加热校正的已知经验方法;和(b)用于确定透镜加热校正的已知计算方法;
15.图4是图3(b)的方法的详细流程图;
16.图5是根据本发明的第一实施例的方法的流程图;以及
17.图6是根据本发明的第二实施例的方法的流程图。
具体实施方式
18.在详细地描述本发明的实施例之前,呈现可以用于实施本发明的实施例的示例环境是有指导性的。
19.图1示意性地描绘光刻设备la。所述设备包括:照射系统(照射器)il,所述照射系统被配置成调节辐射束b(例如,uv辐射或duv辐射);图案形成装置支撑件或支撑结构(例如,掩模台)mt,所述图案形成装置支撑件或支撑结构被构造成支撑图案形成装置(例如,掩模)ma,并且连接至被配置成根据某些参数来准确地定位所述图案形成装置的第一定位器pm;两个衬底台(例如,晶片台)wta和wtb,所述两个衬底台分别被构造成保持衬底(例如,涂覆有抗蚀剂的晶片)w,并且分别被连接至被配置成根据某些参数来准确地定位所述衬底的第二定位器pw;以及投影系统(例如,折射型投影透镜系统)ps,所述投影系统被配置成将由图案形成装置ma赋予至辐射束b的图案投影至衬底w的目标部分c(例如,包括一个或更多个管芯)上。参考框架rf连接各种部件,并且用作用于设置和测量图案形成装置和衬底的位置的参考以及用于设置和测量所述图案形成装置和衬底上的特征的位置的参考。
20.照射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部件,诸如,折射型、反射型、磁性型、电磁型、静电型或其它类型的光学部件,或其任何组合。
21.图案形成装置支撑件mt以依赖于图案形成装置的定向、光刻设备的设计和其它条件(诸如,例如,图案形成装置是否被保持在真空环境中)的方式来保持图案形成装置。图案形成装置支撑件可以使用机械、真空、静电或其它夹持技术以保持图案形成装置。图案形成装置支撑件mt可以是例如框架或台,所述框架或台可以根据需要而是固定或可移动的。图案形成装置支撑件可以确保图案形成装置例如相对于投影系统处于期望的位置。
22.本文中所使用的术语“图案形成装置”应被广义地解释为是指可以用于在辐射束的横截面中向辐射束赋予图案以便在衬底的目标部分中产生图案的任何装置。应注意,例如,如果被赋予至辐射束的图案包括相移特征或所谓的辅助特征,则所述图案可以不准确地对应于衬底的目标部分中的期望的图案。通常,被赋予至辐射束的图案将对应于目标部分中所产生的器件(诸如集成电路)中的特定功能层。
23.如这里所描绘的,设备属于透射类型(例如,使用透射图案形成装置)。替代地,设
备可以属于反射类型(例如,使用如上文提及的类型的可编程反射镜阵列,或使用反射掩模)。图案形成装置的示例包括掩模、可编程反射镜阵列,和可编程lcd面板。可以认为本文中对术语“掩模版”或“掩模”的任何使用都与更上位的术语“图案形成装置”是同义的。术语“图案形成装置”也可以被解释为是指以数字形式储存图案信息以用于控制这样的可编程图案形成装置的装置。
24.本文中所使用的术语“投影系统”应该被广义地解释为涵盖适于所使用的曝光辐射或适于诸如浸没液体的使用或真空的使用之类的其它因素的任何类型的投影系统,包括折射型、反射型、反射折射型、磁性型、电磁型和静电型光学系统,或其任何组合。可以认为本文中对术语“投影透镜”的任何使用都与更上位的术语“投影系统”是同义的。
25.光刻设备也可以属于如下类型:其中衬底的至少一部分可以由具有相对较高折射率的液体(例如,水)覆盖,以便填充投影系统与衬底之间的空间。也可以将浸没液体施加至光刻设备中的其它空间,例如,掩模与投影系统之间的空间。浸没技术在本领域中被众所周知的用于增加投影系统的数值孔径。
26.在操作中,照射器il从辐射源so接收辐射束。例如,当源是准分子激光器时,源和光刻设备可以是分立的实体。在这些情况下,不认为源形成光刻设备的部分,并且辐射束借助于包括例如合适的定向反射镜和/或扩束器的束传递系统bd而从源so传递至照射器il。在其它情况下,例如,当源是汞灯时,源可以是光刻设备的组成部分。源so和照射器il连同束传递系统bd在需要时可以被称为辐射系统。
27.照射器il可以例如包括用于调整辐射束的角强度分布的调整器ad、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一性和强度分布。
28.辐射束b入射到被保持在图案形成装置支撑件mt上的图案形成装置ma上,并且是通过所述图案形成装置被图案化。在已横穿图案形成装置(例如掩模)ma的情况下,辐射束b穿过投影系统ps,投影系统ps将所述束聚焦至衬底w的目标部分c上。借助于第二定位器pw和位置传感器if(例如,干涉装置、线性编码器、2-d编码器或电容性传感器),可以准确地移动衬底台wta或wtb,例如,以便将不同的目标部分c定位在辐射束b的路径中。类似地,第一定位器pm和另一位置传感器(该另一位置传感器未在图1中明确地描绘)可以用于例如在从掩模库的机械获取之后或在扫描期间相对于辐射束b的路径来准确地定位图案形成装置(例如掩模)ma。
29.可以使用掩模对准标记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。虽然如所图示的衬底对准标记占据专用目标部分,但所述衬底对准标记可以位于目标部分之间的空间中(这些标记被称为划线对准标记)。类似地,在多于一个的管芯被设置在图案形成装置(例如,掩模)ma上的情形中,掩模对准标记可以位于所述管芯之间。较小的对准标记也可以在器件特征当中被包括在管芯内,在这种情况下,期望使标识尽可能地小且无需与邻近特征相比不同的任何成像或过程条件。下文进一步描述检测对准标识的对准系统。
30.可以在多种模式中使用所描绘的设备。在扫描模式中,在将被赋予至辐射束的图案投影至目标部分c上时,同步地扫描图案形成装置支撑件(例如,掩模台)mt和衬底台wt(即,单次动态曝光)。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衬底台wt相对于图案形成装置支撑件(例如,掩模台)mt的速度和方向。在扫描模式中,曝光场的
最大尺寸限制单次动态曝光中的目标部分(在非扫描方向上)的宽度,而扫描运动的长度确定目标部分(在扫描方向上)的高度。如在本领域中众所周知的,其它类型的光刻设备和操作模式是可能的。例如,步进模式是已知的。在所谓的“无掩模”光刻术中,使可编程图案形成装置保持静止,但具有改变的图案,并且移动或扫描衬底台wt。
31.也可以使用上文所描述的使用模式的组合和/或变化或完全不同的使用模式。
32.光刻设备la属于所谓的双平台类型,该双平台类型具有两个衬底台wta、wtb以及两个站-曝光站exp和测量站mea-在所述两个站之间可以交换所述衬底台。在曝光站处曝光一个衬底台上的衬底的同时,可以在测量站处将另一衬底装载至另一衬底台上且进行各种预备步骤。这种情形实现设备的生产量的相当大的增加。所述预备步骤可以包括使用水平传感器ls来映射衬底的表面高度轮廓,和使用对准传感器as来测量衬底上的对准标识的位置。如果位置传感器if在其处于测量站以及处于曝光站时不能够测量衬底台的位置,则可以提供第二位置传感器以使能够在两个站处追踪衬底台相对于参考框架rf的位置。代替所示出的双平台布置,其它布置是已知的和可用的。例如,提供衬底台和测量台的其它光刻设备是众所周知的。这些衬底台和测量台在执行预备测量时对接在一起,并且接着在衬底台经历曝光时分离。
33.光刻设备la还包括波前传感器ws;例如,位于每个衬底台wta、wtb上的波前传感器ws。这种传感器可以测量波前图像的品质,以及任何像差且因此实现贯穿投影狭缝的光学像差的(例如,并行)测量,因而实现(例如)较准确的对准、改善的掩模版加热校正和运行中的透镜加热校正。波前传感器可以包括干涉波前测量系统且可以对高达高阶的透镜像差执行静态测量。干涉波前测量系统可以被实施为用于系统初始化和校准的集成测量系统。替代地,干涉波前测量系统可以用于“根据需求”监测和再校准。因而,波前传感器可以能够依赖于其设计,以每批次或每晶片为基础来测量透镜像差。
34.图2图示用于将目标部分(例如,管芯)曝光于图1的双平台设备中的衬底w上的步骤。在虚线框内的左侧是在测量站mea处执行的步骤,而右侧示出在曝光站exp处执行的步骤。有时,衬底台wta、wtb中的一个衬底台将位于曝光站处,而另一衬底台位于测量站处,如上文所描述的。出于这种描述的目的,假定衬底w已经被装载至曝光站中。在步骤200处,通过图中未示出的机构将新的衬底w’装载至设备。并行地处理这两个衬底以便增加光刻设备的生产量。
35.首先参考新近装载的衬底w’,这个衬底可以是先前未被处理的衬底,这个衬底利用用于设备中的第一次曝光的新的光致抗蚀剂制备。然而,通常,所描述的光刻过程将仅仅是一系列曝光和处理步骤中的一个步骤,使得衬底w’已经通过这种设备和/或其它光刻设备若干次,并且也可以经历后续过程。特别针对改善重叠性能的问题,任务是确保新的图案被准确地施加于已经经受图案化和处理的一个或更多个循环的衬底上的正确位置中。这些处理步骤逐渐地在衬底中引入变形,所述变形必须被测量和校正以实现令人满意的重叠性能。
36.可以在其它光刻设备中执行先前和/或后续的图案化步骤(如刚才提及的),并且甚至可以在不同类型的光刻设备中执行先前和/或后续的图案化步骤。例如,器件制造过程中的在诸如分辨率和重叠之类的参数上要求非常高的一些层相比于要求较不高的其它层可以在更先进的光刻工具中来执行。因此,一些层可以曝光于浸没类型光刻工具中,而其它
层曝光于“干式”工具中。一些层可以曝光于在duv波长下工作的工具中,而使用euv波长辐射来曝光其它层。
37.在202处,使用衬底标记p1等和图像传感器(图中未示出)的对准测量被用于测量和记录衬底相对于衬底台wta/wtb的对准。另外,将使用对准传感器as来测量在整个衬底w’上的若干对准标记。在一个实施例中,这些测量被用于建立“晶片栅格”,所述晶片栅格非常准确地映射在整个衬底上的标记的分布,包括相对于名义矩形栅格的任何变形。
38.在步骤204处,也使用水平传感器ls来测量相对于x-y位置的晶片高度(z)的图或映射。通常,高度映射或高度图仅被用于实现曝光后的图案的准确聚焦。可以另外出于其它目的使用高度映射。
39.当装载衬底w’时,接收选配方案数据206,所述选配方案数据定义待执行的曝光,并且也定义晶片和先前产生的图案和待产生于晶片上的图案的性质。将在202、204处获得的晶片位置、晶片栅格和高度映射的测量被添加至这些选配方案数据,使得可以将完整的一组选配方案和测量数据208传递至曝光站exp。对准数据的测量例如包括以与产品图案(产品图案是光刻过程的产品)成固定或名义固定关系而形成的对准目标的x位置和y位置。在曝光之前刚刚获得的这些对准数据用于产生对准模型,对准模型具有将模型拟合至数据的参数。这些参数和对准模型将在曝光操作期间被用于校正当前光刻步骤中所施加的图案的位置。所使用的模型在所测量的位置之间对位置偏差进行内插。常规的对准模型可能包括四个、五个或六个参数,所述参数一起以不同的尺寸限定“理想”栅格的平移、旋转和缩放。使用更多的参数的进阶模型是众所周知的。
40.在210处,调换晶片w’与w,使得所测量的衬底w’变成进入曝光站exp的衬底w。在图1的示例设备中,通过交换设备内的支撑件wta与wtb来执行这种调换,使得衬底w、w’保持被准确地夹持且定位在那些支撑件上,以保持衬底台与衬底自身之间的相对对准。因此,一旦已经调换所述台,为了利用用于衬底w(以前为w’)的测量信息202、204以控制曝光步骤,就必需确定投影系统ps与衬底台wtb(以前为wta)之间的相对位置。在步骤212处,使用掩模对准标记m1、m2来执行掩模版对准。在步骤214、216、218中,将扫描运动和辐射脉冲施加于在整个衬底w上的连续目标位置处,以便完成多个图案的曝光。
41.通过在执行曝光步骤中使用在测量站处所获得的对准数据和高度映射,使这些图案相对于期望的位置准确地对准,并且具体地,相对于先前放置于同一衬底上的特征准确地对准。在步骤220处从设备卸载的现在被标注为w”的曝光后的衬底,以根据曝光后的图案使其经历蚀刻或其它过程。
42.本领域技术人员将知晓上述描述是真实制造情形的一个示例中所涉及的多个非常详细步骤的简化概述。例如,常常将存在使用相同或不同标记的粗略测量和精细测量的分立的阶段,而不是在单个行程中测量对准。可以在高度测量之前或之后执行、或交错地执行粗略和/或精细对准测量步骤。
43.本文中所公开的概念涉及使用波前传感器,诸如以上所描述的波前传感器ws。这样的波前传感器可以用于测量波前误差或像差,所述波前误差或像差通常被描述是被称为泽尼克多项式的一系列2d数学函数中的系数。这些波前误差或像差可以被重新分组以描述一些众所周知的光学像差,诸如球面、彗形像差和像散。
44.通常,不能使用波前传感器来直接测量基于产品结构的波前。然而,对于已经通过
曝光而加热的透镜,波前信号将承载被曝光的产品特征(图案或掩模版、照射和剂量特定波前贡献)的“存储器”或“伪影”。这是因为当产品特征被曝光时,透镜(即,光学柱)基于由与掩模版上的产品特征组合的照射模式引发的衍射来在光瞳平面中加热。紧接在曝光结束之后,可以使用波前传感器来测量波前数据;这种传感器将观测到相对于变冷时的透镜的波前的改变,所述波前的改变由产品特征的形状以及照射设置引起且描述产品特征的形状以及照射设置。随着透镜材料中的热扩散,这种形状将逐渐减弱。提出利用这种现象且针对多个不同应用使用这种波前数据(例如,包括热透镜波前测量与参考波前(例如,冷透镜波前测量)的差异的差异波前)。在实施例中,本文中所描述的概念提出使用原始波前传感器信号,所述原始波前传感器信号是例如在无泽尼克分解的情况下由波前传感器相机捕获以确定特定于图案的波前贡献的像素化图像。这种原始波前数据可以是在物镜的整个出射光瞳平面上的波前误差(标量)的映射表示,而不是将波前向量化至泽尼克系数。替代地,可以以常规方式根据被处理成泽尼克多项式的波前数据确定特定于图案的波前贡献。
45.在影响重叠和焦距漂移的因素当中,透镜加热是图像品质劣化的主要因素,特别是对于常常使用的非常局部的照射源(诸如偶极照射)。透镜上的这些局部热分布可能导致对成像波前的不期望的影响。归因于在曝光期间的透镜加热,在批次曝光期间的像差漂移是不可避免的。透镜中的光的累积吸收最终可能导致成像缺陷,所述成像缺陷为透镜加热引发的波前误差的直接结果。因此,在第一实施例中,提出这种原始波前数据用于改善透镜加热控制,并且尤其用于改善用于透镜加热的预测的透镜加热模型的校准和/或检核。在这样的第一实施例的其它变化形式中,不使用原始波前数据,并且使用另一掩模版描述来代替所述原始波前数据。
46.因此,透镜加热(lh)控制对于维持成像品质是重要的。lh控制的重要步骤是准确预测透镜加热的能力。在一些系统上使用当前系统,被称为特定于应用的校准(ascal)方法,以通过测量波前漂移(例如使用如上所描述的波前传感器ws)来预测透镜加热效应。可以通过ascal在不同狭缝位置上和在不同晶片数目下测量在批次曝光期间的前述泽尼克系数,以有助于理解和预测lh演化行为。接着可以通过可以用于现代扫描器上的许多lh校正选项中的一个或更多个来校正所预测的lh行为,诸如(例如)图像调整器透镜调整控制。例如,ascal在其针对扫描器上的器件层的校准工序结束时产生透镜加热前馈(lhff)数据集。将这种lhff数据集应用至目标扫描器和层以校正lh引发的波前漂移。
47.图3(a)图示在线ascal流程的主要步骤。使用可以包括例如掩模版数据、剂量数据和场尺寸数据的曝光选配方案300以确定扫描器设置。这些扫描器设置用于对扫描器执行校准测试310且使用波前传感器来测量波前的步骤中。基于得到的测量数据(例如可以呈泽尼克系数的形式的波前或像差测量数据),将模型参数320拟合至通用(例如,基于物理性质的黑箱)模型。针对每个应用(例如,每个层、选配方案等)重复步骤300至320且将得到的所拟合的特定于应用的模型参数值储存在数据库330中。
48.ascal是用于降低透镜加热的效应的有效的方法。然而,ascal需要每层至少1至2小时的专用工具时间,并且为了在线监测和校正(例如,在扫描器内),需要针对每个新的掩模版曝光和测量测试批次。就扫描器上所需的时间而言,这是巨大的开销。
49.为了解决该时间问题,在模拟测量的情况下,已经使用替代策略。这种方法被称为计算ascal或cascal。例如,在beak等人的“通过计算方法进行的透镜加热影响分析和针对
关键的器件层的控制(lens heating impact analysis and controls for critical device layers by computational method)”(国际光学工程学会(the international society for optical engineering,spie)的会议记录,2014年3月)中描述了cascal,该文献以引用方式并入本文中。与基于所测量的数据产生lhff数据集的ascal形成对比,cascal在仅计算模拟中产生lhff数据集。这导致巨大的扫描器时间节省且因此没有扫描器可用性损失。
50.图3(b)图示cascal流程的主要步骤。使用可以包括掩模版布局数据、光学设置和照射条件(例如,照射光瞳数据)的应用数据340,以计算方式计算对应的衍射图案350。基于这种所模拟的衍射图案和用于所使用透镜的透镜加热模型,模拟透镜加热响应。所模拟的透镜加热响应用于确定特定于应用的模型参数值360,所述特定于应用的模型参数值被储存在数据库370中。如前所述针对每个应用重复这种操作。
51.图4是描述用于cascal的lh工作流程的流程图。将掩模版描述400(掩模版描述400可以呈图形数据库系统或gds档案的形式)与照射数据410组合以便获得衍射图案420。通用透镜模型430(例如针对特定透镜族或透镜类型)经历第一调整步骤440以使模型参数针对特定透镜调整以获得特定于透镜的模型445。这个步骤可以是由扫描器制造商在安装扫描器之前执行的一次性步骤。接着在第二调整步骤450中使用衍射图案420,所述第二调整步骤包括模拟和预测特定于透镜的模型445上的透镜加热。这种第二调整步骤的结果为特定于应用的模型455。所有这些步骤是计算的且不需要物理晶片的曝光和读出。可以针对掩模版/层来执行所述方法以获得用于每个层的特定于应用的模型库455。在稍后的阶段,当曝光对应的特定于应用的模型时使用每个特定于应用的模型455以在生产460期间计算/预测透镜加热(lh)和对其的校正。
52.关于以上所描述的cascal构架的问题是:cascal构架不与所测量的ascal构架一样准确。另一问题是:掩模版数据(gds档案)不总是可以用于计算衍射图案。
53.因此提出通过限定机器学习(例如,数据驱动)模型以在生产期间(即,实时地)预测透镜加热来解决这些问题中的一者或两者。模型可以是神经网络,诸如深度人工神经网络dann(但可以使用任何其它合适的机器学习模型)。这种神经网络模型可以补强目前用于cascal中的基于物理性质的特定于透镜的模型,使得其预测通过神经网络(例如,通过调整神经网络的模型参数)被改进。
54.在实施例中,这种神经网络不需要针对每个新掩模版/层的训练集,也不需要针对每个新掩模版/层的特定初始训练;替代地,这种神经网络将在扫描器操作时在生产期间改善和学习(实时训练)。这可以通过使用来自波前传感器的实时数据(来自波前传感器的实时数据通常在曝光每个晶片之前用于掩模版对准)来实现,并且例如将其维持尽可能接近于目标值(最小化与目标的偏差)。
55.替代地,神经网络的训练可以在初始训练阶段中,例如在实际生产数据(例如,来自先前批次的历史数据)上进行。训练神经网络意味着改变存在于神经网络中的权重。这意味着当训练时,神经网络的输出可以改变,而不管输入是否是相同的。当扫描器操作时,可以优选地使用在其性能方面可预测的模型。因此,可以在生产数据上训练神经网络,但可以优选地在训练期间仅在神经网络经训练时才不将这种神经网络的“输出”(透镜模型的调整)用于生产中。因此一旦训练完成且性能令人满意,则可以使用这种网络的输出。
56.图5是根据实施例的改善的方法的流程图。步骤/项目500至560对应于图4的方法的相应的步骤/项目400至460。差异在于:波前传感器数据(例如,像差数据)565在批次生产560期间被收集且用于训练神经网络(或第二模型)570以调整550主透镜模型(或透镜加热模型)或第一模型545的参数;例如以获得特定于应用的模型555使得波前传感器数据改善如由波前传感器测量的像差性能。神经网络570因此针对特定层/掩模版(由掩模版数据500定义)和在使用所述掩模版的生产期间的应用来调整透镜模型545。换句话说,这种神经网络570可以被视为紧接着当前的前馈控制而被创建且适于当前在生产中的层的额外的前馈控制。
57.图6是根据另一实施例的改善的方法的流程图,其中波前传感器665的输出,例如原始像素化传感器数据(图像数据)而不是泽尼克分解数据,与照射光瞳610一起被用于计算衍射图案(或相关特性,诸如透射率曲线或透镜加热曲线)620。如已经提及的,不总是可以得到掩模版数据400、500。以这种方式,原始波前数据665用于解决掩模版特定的lh分量,并且第一模型655和/或第二模型670(单独或组合地)不依赖于任何掩模版(设计)数据,也不依赖于任何耗时的晶片曝光和读出。用于计算衍射图案的波前数据665可以包括在曝光步骤之后与在曝光步骤之前的差异波前。
58.这允许对透镜模型参数的更智能的且动态更新的控制。例如,神经网络670可以使用原始传感器波前665以针对特定层训练未调整的透镜模型645,使得调整后的透镜模型655基于波前信息665更好地预测透镜漂移特性。
59.如已经解释的,在批次曝光期间所执行的波前测量包括关于(近光瞳平面)透镜元件的加热曲线的有价值的信息,并且因此指示掩模版衍射图案。这是因为掩模版上的图案布局的细节由其在扫描器的投影透镜的出射光瞳中的衍射图案来反映。因此,掩模版特征布局(和透射率)在很大程度上确定投影透镜如何被加热(例如,其光学表面处的空间强度分布),并且因此确定其加热引发的波前误差如何演化。可以使用一个或更多个波前传感器来测量在时间上的波前误差演化(像素化波前),并且由于上述内容,在时间上的波前误差演化指示掩模版特定的透镜加热分量。因此,通常,在不存在掩模版设计数据的情况下,原始(例如,像素化)波前数据可以用于确定/调整lhff模型参数。通常,在每个晶片的曝光之前在掩模版对准期间测量波前。
60.步骤/元件610至670对应于图5的流程图的相应的步骤/元件510至570。然而,应注意,掩模版数据500无等效物,这是因为在这种实施例中不使用掩模版数据(例如,gds文件或类似物)。因而,计算衍射图案620的步骤使用来自波前传感器的原始波前数据665(例如,差异波前)以及照射数据610来计算lhff模型参数650。可以在曝光每个晶片之前获得的所计算的衍射图案620和/或波前数据665(例如,原始图像和/或处理后的像差数据)用于训练第二模型670,以针对特定应用(层或掩模版)调整第一模型645从而获得特定于应用的模型655。
61.如所提及的,图5或图6的这种流程可以被改变,使得在历史数据上进行神经网络的训练,并且在实际生产期间不进行这种网络的进一步训练;而是,(固定的)训练后的神经网络用于生产中以在生产数据上调整透镜模型。
62.所有以上方法(例如,如图5和图6中所描述的)可以包括用于训练第三模型580、680(例如,机器学习、神经网络或dann)的初始训练步骤,所述第三模型针对特定透镜训练
初始通用透镜模型530、630(例如,对一种类型的透镜建模,其中这样的透镜模型可以由透镜供货商供应)(例如,作为可以在安装扫描器之前执行的扫描器设置阶段的部分)。因而,第三模型580、680可以执行上文所描述的流程图的步骤540、640。在给定特定透镜类型的情况下,使用例如来自在设置期间针对所述特定透镜的透镜加热测试的测试数据575、675来补强通用透镜模型530、630。在这样的测试数据575、675上训练的神经网络580、680可以专门针对每个透镜类型而产生;例如使用若干(例如,类似的)掩模版的输入。同样,这种第三模型580、680可以补强第一模型530、630(和第二模型570、670)。基于物理性质的透镜模型530、630可以通过对于每个透镜类型特定的神经网络580、680和通过实时操作的另一神经网络570、670补强,所述神经网络570、670适于当前正在被印制的层。
63.虽然以上实施例公开了关于透镜加热校正的概念,但这些概念不限于此且不应被如此解释。例如,相同的概念可以被应用于预测和校正掩模版加热和晶片加热。在这样的情况下,第一模型在适当时是掩模版加热模型或晶片加热模型。在这样的实施例中,工作流程的输出(来自如通过至少第二模型补强的第一模型的前馈校正)可以分别被用于致动晶片和/或掩模版平台。因此,这可以改善在许多水平下的lh预测:例如,晶片间、场间和/或场内。
64.在另一实施例中,原始波前数据可以用于透镜设置步骤中,所述透镜设置步骤将透镜模型从其初始校准状态(通常已对冷透镜执行)变为针对特定掩模版/层优化的起点。
65.透镜模型的目标是优化光刻系统内的透镜的像差。在一些情况下,优化目标可以是零像差,否则优化目标可能是例如常常以泽尼克系数表示的另一区别特征。透镜品质和透镜设置优化针对给定系统确定实现优化目标的良好程度。优化目标可以通过由项的集合构成的评价函数来限定,所述项的集合具有主要最小平方项,常常使用与奇数和/或偶数(较低和/或较高阶)泽尼克多项式的系数相关联的权重的值(例如,等于(1,1.2,0.5))而被表示为泽尼克系数的加权和。这可以适用于透镜设置(例如,使用校准透镜模型)和生产期间(例如,使用驱动器透镜模型)两者。这样的选择可以基于简单且定性的考虑因素。可以针对所有机器将透镜校准和生产性能优化至同一目标。虽然泽尼克系数是独立的多项式,但目前的技术状态改变可能以损害一些其它泽尼克系数为代价明确地迫使优化方法最小化一些泽尼克系数。这是由于透镜(以及透镜元件)可以以不同方式影响多于一个泽尼克系数。
66.以引用的方式并入本文中的us2019227441a1描述这种方法。这种方法可以包括:接收包括模型参数和权重的初始集合的初始评价函数;和执行从模型参数和权重的初始集合开始的优化算法以确定包括模型参数和权重的第二集合的第二评价函数。优化算法基于使用具有模型参数和权重的所述集合的评价函数,根据透镜模型的输出而调整的投影系统的投影系统特性,来对模型参数和权重的不同集合打分。当使用第二评价函数来执行时,可以使用由透镜模型输出的光学元件调整来调整投影系统。优化算法可以在第一评价函数与第二评价函数之间产生其它评价函数。所述方法可以用于在透镜模型的整个复杂解空间上进行彻底搜索,以便寻找改善透镜模型的性能的合适的模型参数和权重。模型参数的集合可以对应于透镜模型特性中的至少一些透镜模型特性。模型参数的集合可以对应于透镜模型约束,例如透镜模型中所使用的算法或数学技术中所涉及的迭代的截止值,诸如,例如,单值分解。
67.以上所描述的优化是使用有限数目个泽尼克多项式(通常是64个)来确定的,所述有限数目个泽尼克多项式不允许透镜区别特征的完整表示。因此,本文中提出使用原始波前传感器数据来设置和调整透镜。这使得能够捕获所有的透镜区别特征内容且相应地对所有的透镜区别特征内容进行校正。这种方法可以以软件实施(例如,在扫描器或离线处理设备上运行),所述软件可以被周期性地提供原始波前传感器数据且连续地评估波前。
68.所述方法可以包括用于确定对校准后的透镜的特定于层的校正的第一调整阶段。基于加热曲线,可以使用本文中已经公开的方法推断出产品掩模版特性(例如,从其得到的衍射图案)。加热曲线可以描述随着透镜加热演化的波前演化;例如,冷透镜与热透镜或当曝光掩模版时测量的相对较冷透镜与较热透镜之间的波前差异。这种衍射图案可以用于确定针对透镜模型的特定于产品的初始透镜校正(例如,校正子选配方案);例如可以随后将衍射图案或所确定的掩模版特性与被测量的波前组合,并且执行优化以确定这种特定于产品的初始透镜校正。可以将特定于产品的初始透镜校正应用至校准后的透镜模型。因而,这种特定于产品的初始透镜校正的应用将使透镜从初始校准状态变为针对印制给定层(例如,针对特定掩模版)被优化的初始(起始)状态。这可以接着被用于使用所述掩模版来朝向目标波前(例如,零像差或以其它方式)优化子选配方案。
69.这种实施例可以使用评价函数来定义基于图像而不是基于多项式的优化目标。优化算法可以是具有适应度函数的演化算法或遗传算法,所述适应度函数被配置成执行对模型参数和权重的不同集合的打分。在其它实施例中,ann或dann可以用于确定子选配方案。优化可以确定将被测量的波前校正至目标波前的透镜校正。除了对原始波前(图像)数据执行而不是对泽尼克分解执行优化和评价函数之外,优化和评价函数可以类似于以上所描述的优化和评价函数(例如,如us2019227441a1中所描述的)。
70.可以离线地(例如,使用历史数据)执行这种第一阶段以确定用于掩模版的静态的特定于产品的初始透镜校正或子选配方案。可以针对产品的所有掩模版重复这种操作,使得可以产生子选配方案库,每个子选配方案库对应于不同的掩模版。以这种方式,在生产期间,用于每个掩模版的对应的子选配方案可以在使用掩模版曝光之前被应用于透镜模型。
71.在变形例中,代替根据波前数据确定掩模版特性,将掩模版文件或(在更基本的水平下)掩模版透射因子(例如,由掩模版透射的光的百分比)和所提出照射设置与被测量的波前数据组合,并且执行基于图像的优化以确定特定于产品的初始透镜校正。
72.第二阶段在生产中的相同层的曝光期间可以包括监测波前数据以检查透镜是否从使用子选配方案所达到的优化状态漂移。如果漂移,则原位校准可以(例如,经由透镜操控器)校正透镜设置。这可以包括另一(基于图像的)优化,该另一(基于图像的)优化基于根据原始波前数据和透镜特性(即,致动器约束)确定的掩模版衍射图案来优化波前。
73.以这种方式,复杂的优化技术可以用于实现透镜操控器设置至目标波前的快速收敛。
74.可以扩展以上概念,以便在优化中另外使用每场对准和/或水平传感器数据以便确定每场的最优透镜设置。这种方法可以包括基于原始波前数据和每场数据执行每场的透镜优化,以便实现实时最佳焦距和重叠(例如,对焦距和重叠的实时校正)。
75.可以将相似的工序应用于设置透镜,与以上的唯一差异在于设置点:代替使用产品掩模版(如上文)以确定特定于产品的初始透镜校正,使用测试掩模版来执行以上过程。
76.这种实施例可以结合图5或图6的实施例来执行;例如,以提供用于生产步骤560、660和可选地监测步骤的改善的起点。替代地,可以单独实施这种实施例。
77.调整后的透镜模型的输出可以包括存在于投影系统中的残余光学像差,在这种情况下,可以通过优化算法向导致较低残余光学像差的模型参数和权重给出更好的打分。投影系统特性无需为光学像差且可以替代地或另外地为重叠误差、均方根波前误差、焦距误差、光学元件调整约束和本领域技术人员根据本文中的教导将明白的其它特性。现在将描述聚焦示例。
78.在另一实施例中,将描述与上文紧接的透镜设置优化类似的方法以用于改善用于透镜模型的焦距校准和测量。
79.目前,使用焦距测试来确定焦距校准(例如,以校准与主(特征独立)散焦泽尼克系数相关联的泽尼克系数4和5)。特殊的掩模版可以用于在测试衬底上在不同焦距偏移下曝光多个验证场,所述验证场中的每个验证场包括多个聚焦标记(例如,大约250个标记)。掩模版上的这些聚焦标记在衬底上产生对应的标记,所述标记可以被读取(例如,使用对准传感器)以便在所述曝光期间推断焦距设置。因为这种测试包括晶片的曝光,所以这种测试是耗时的。使用波前传感器校准剩余的焦距(偶数)泽尼克系数:其信号通常分解成如已经描述的前64个泽尼克系数。在生产期间,针对使用波前传感器数据的泽尼克分解来测量且校正掩模版对准和焦距漂移。如已经描述的,这种多项式表示因为其被截断为64或100个泽尼克系数而不允许透镜的区别特征的完整表示。
80.因而,提出利用基于在不同聚焦水平下执行的一系列原始波前测量的方法来补充或替换用于如上文所描述的焦距测量(例如,在设置中和/或在生产期间)的当前方法。这些测量使得能够以较精确且高效的方式估计焦距。
81.在设置阶段中,提出使用升温或热透镜的被测量的波前(或如所描述的差异波前)以确定用于待成像的特定掩模版或产品特征的最佳焦距。所述方法包括重复地曝光产品特征以使透镜升温,并且随后测量(原始)波前,每个重复是在不同聚焦水平下执行的(例如,覆盖包括预期最佳焦距值的焦距范围)。每个测量将导致不同的波前,所述不同的波前可以用于经由优化确定最佳焦距;例如,针对优选的或特定的波长的最佳焦距。
82.优化可以类似于先前实施例中所描述的优化方法(例如,ann或演化算法),先前实施例中所描述的优化方法优化原始波长数据而不是泽尼克表示(或将原始波长数据而不是泽尼克表示用作输入)。主要差异在于:先前实施例的优化是在优化波前像差(并且因此透镜操控器校正)方面来描述的,并且这种优化特定地优化焦距,并且因此优化掩模版与衬底平台之间的在z方向上(即,垂直于衬底平面)的最优相对平台位置。可以独自执行这种优化或除了前述针对透镜子选配方案的优化以外还执行这种优化(并且可选地与图5和图6的方法组合)。替代地,如果用于优化中的波前数据涉及不同的聚焦水平,则可以执行用于透镜设置(特定于产品的初始透镜校正)和最佳焦距的共同优化。
83.除了在设置期间执行测试以移除对执行本焦距测试的需要以外,上述方法也可以用于生产中以实时确定最佳焦距且监测最佳焦距漂移,以便改善掩模版对准。所述方法可以包括重复地执行包括与每个新晶片相关的新波前数据的相同优化,以确定最佳焦距是否由于设置而已经漂移,并且如果是,则确定新的焦距校正。作为特定示例,为了检查最佳焦距是否漂移,可以(即,通过热透镜)在曝光每个晶片之后执行三个(或更多个)波前传感器
测量或捕获:一个波前传感器测量或捕获位于当前的最佳焦距处,一个波前传感器测量或捕获在当前的最佳焦距处具有在第一方向上的较小移位,并且一个波前传感器测量或捕获在当前的最佳焦距处具有在第二方向上的较小移位。可以比较这些测量以确定最佳焦距是否已漂移;如果是,则可以相应地调整最佳焦距或最佳焦距。
84.在另一实施例中,提出使用原始波前数据的透镜匹配方法。如已经陈述的,透镜设置的目标应为优化光刻系统内的透镜像差:例如,优化至透镜像差可以为零的目标。透镜品质和透镜设置优化针对给定的系统确定实现目标的良好程度。每个透镜具有不同的透镜区别特征(lfp),因此性能具有群体分布(population distribution)。群体的散布直接与匹配机器重叠(mmo)相关。对于稍后的透镜模型,存在群体的平均lfp的改变。为了保持平均lfp相对于先前机器不变,引入等于先前群体平均值的非零目标。因此,目前的技术状态是针对给定类型的所有透镜使用单个目标透镜区别特征。
85.所选的目标可以基于在透镜制造商处所测量的所选透镜的最佳平均性能。这种目标可以不同于在光刻制造商处测量的平均群体且也不同于在特定晶圆厂处的群体。用于所有使用者和晶圆厂的所有机器被设置至相同的目标,因此统计数据和群体分析不区分每使用者的群体。
86.使用者仅具有与全世界范围内的透镜群体的群体平均值通常不同的群体平均值的有限的机器集合。因此有意义的是将给定使用者的自身群体平均值而不是全球群体平均值作为目标。以全球群体平均值为目标的当前方法减小了机器对机器的场内区别特征匹配的可能性。
87.此外,并且最重要地,当前的扫描器匹配测试使用测试掩模版。如果接着在使用产品掩模版时利用测试掩模版来测量,则两个扫描器的匹配性能可能相当不同。通常,出于以下原因,本机器匹配性能相对于生产环境是不理想的:
88.·
在冷透镜上执行匹配;
89.·
如果在热透镜上执行匹配,则所使用的掩模版不是生产掩模版;
90.·
一次在一个层上执行匹配(冷或热),并且所述匹配不考虑不同层(即,掩模版)上的透镜行为。
91.因此,提出使用原始波前数据来预测扫描器针对特定产品层(掩模版)匹配的良好程度。这可以通过以下操作来实现:曝光不同的机器上的相同的产品掩模版(例如,每机器一个调整批次/25个调整晶片);在曝光每个晶片之前记录波前;以及利用这种掩模版校正这些机器的动态透镜行为使得匹配被优化(例如,使得在该掩模版曝光于这两个或更多个机器上时最大化产率)。
92.应了解,这不同于利用由图5和图6所描述的第一实施例中所描述的原始波前数据执行的单透镜加热校准。所述实施例旨在在那时使透镜加热对一个扫描器的(例如,重叠)效应最小化。这种实施例旨在匹配同一掩模版上的两个(或更多个)不同的扫描器的动态行为;这不通过分别校准第一扫描器的透镜加热行为并且接着校准第二扫描器以尽可能接近地匹配于第一扫描器的动态行为来实现。替代地,所述方法包括共同优化以匹配不同扫描器的动态行为以便尽可能地接近(例如,以最大化产率或其它性能参数)。
93.这种方法可以包括使用匹配模型或算法,诸如演化或遗传算法,所述匹配模型或算法操作以基于在使用特定(例如,生产)掩模版的曝光期间获得的波前数据来调整透镜模
型和/或对调整所述透镜模型的模型进行调整。
94.因而,匹配模型可以在设置或匹配操作期间直接在透镜模型上操作,从而以与上文所公开的“第二模型”类似的方式但以共同优化的方法来调整透镜模型。这种共同优化的方法可以提供用于每个透镜模型的共同优化调整(例如,模型权重/系数的共同优化调整),所述共同优化调整优化性能指示器,诸如针对在匹配的扫描器中的两者(或全部)上产生的产品的产率。可以了解,虽然透镜模型中的任一透镜模型都不能“感知到”另一透镜模型,但匹配模型或算法感知到这两者以提供共同优化调整。
95.替代地,匹配模型或算法可以对用于每个透镜的对应的第二模型进行熟练地操作。这些第二模型(例如,ann)中的每个第二模型专用于其对应的透镜模型且(如已经描述的)针对所使用的特定掩模版调整这种透镜模型。因而,每个第二模型没有察觉到另外的一个或更多个第二模型。匹配模型可以对这些第二模型熟练地操作以便以共同优化的方式调整这些第二模型,以提供针对每个第二模型的共同优化调整(例如,模型权重/系数的共同优化调整)。例如,匹配模型可以接收训练后的第二模型作为输入且试图寻找用于新的或调整后的一个或更多个第二模型(一个或更多个神经网络)的权重。这种新的神经网络的目的是在该新的神经网络产生时匹配扫描器。理想地,新的神经网络能够对匹配后的扫描器的性能进行匹配,使得可以在没有性能差异的情况下将层曝光于这些扫描器中的任一扫描器上。在这种实施例中,可以使用与用于训练早先(不匹配的)神经网络的数据相同的数据来训练所述新的神经网络。
96.为了提供特定示例,假定,例如,同一类型的5个不同的透镜。理论上,在给出相同掩模版、剂量和照射曲线的情况下,接着这5个透镜应以非常相同的方式表现(唯一差异为5个透镜的物理差异)。利用相同的剂量、掩模版和照射曲线来执行相同类型的透镜的设置。这意味着在使用这种数据的情况下,可能训练能够针对这种剂量、掩模版和照射曲线预测这些透镜类型的行为的神经网络。现在设想这种5个透镜被安装在晶圆厂中。使用生产数据(被分离成不同的透射因子、剂量和照射曲线),可能补强(即,进一步调整)能够预测这样的透镜的行为的神经网络,以便获得不同的神经网络,所述神经网络中的每个神经网络被训练至透射因子、剂量和照射曲线的特定组合。如果在使用相同的5个机器的情况下,期望曝光具有透射因子、剂量或照射曲线的某些差异的层(例如,针对具有新的透射因子但以相同的剂量和照射曲线曝光的掩模版),则匹配模型可以针对先前所使用的透射因子、剂量和照射曲线使用针对这些透镜所产生的神经网络且产生对于新的透射因子、剂量和照射曲线表现良好的另一神经网络,而不需要根据数据训练这种新的神经网络。换句话说,如果存在用于透射因子、剂量和照射曲线的神经网络库,则可能在没有任何训练数据的情况下产生新的神经网络(针对新的透射因子、剂量或照射曲线)。
97.这种匹配模型可以仅用于初始匹配步骤中,以便基于使用产品掩模版而曝光的初始调整晶片来调整透镜模型或第二模型。在这样的匹配步骤期间,匹配模型可以接收其正在调整的模型的对应的模型权重以及波前数据以评估匹配。基于此,优化可以调整模型权重以改善用于所述特定掩模版的匹配性能。
98.一旦机器被匹配,就不再需要匹配模型/算法且在生产期间使用调整后的透镜模型或第二模型。
99.在第二模型由匹配模型调整的情况下,这些第二模型将已经被训练或优化以调整
其对应的透镜模型(实时地),使得基于在生产期间被测量的波前数据针对在两个扫描器两者(或全部)上曝光的掩模版来最大化产率(或优化其它所关注的参数)。
100.类似的技术可以用于匹配曝光于同一扫描器上的两个(或更多个)不同的层以便改善重叠。可以曝光一些层的测试批次,同时在针对每个层曝光每个晶片之前记录波前。优化可以接着优化用于不同层上的被改善的动态透镜行为的模型权重,以便改善,例如,重叠或其它所关注的参数。
101.应注意,在上文所描述的使用原始波前数据的所有实施例中,替代地在本公开的范围内使用泽尼克分解数据。原始数据的优点在于:原始数据包含所有泽尼克系数,而被分解的数据仅包含达到有限数目的泽尼克系数(通常是64或100)。因而,上文所描述的所有优化(透镜设置、确定最佳焦距、机器匹配,
……
)可以使用原始数据或泽尼克分解数据。可以预期使用原始数据将产生更好的优化。这是因为(粗略地说)在原始数据的情况下,在优化(后验)期间进行关于考虑哪个(哪些)泽尼克系数的决策。如果仅使用泽尼克分解数据,则在开始时(先验地)进行关于考虑哪个(哪些)泽尼克系数的决策。
102.在以下被编号的方面的后续清单中公开另外的实施例:
103.1.一种确定用于对光刻设备执行的光刻过程的校正的方法,所述方法包括:
104.获得第一加热模型,所述第一加热模型对在所述光刻过程期间对部件的加热的效应进行建模;
105.获得在所述光刻过程期间测量的与所述光刻设备的物镜相关的被测量的波前数据;以及
106.使用所述第一加热模型和所述被测量的波前数据来确定用于所述光刻过程的校正,以校正所述加热。
107.2.根据方面1所述的方法,包括:
108.计算在所述光刻过程中使用的图案形成装置的特性;
109.其中,所述第一模型使用被计算的衍射图案以确定所述校正。
110.3.根据方面2所述的方法,其中,所述图案形成装置的所述特性包括以下各项中的一个或更多个:衍射图案、透镜加热曲线和所述物镜的透射率曲线。
111.4.根据方面2或3所述的方法,其中,计算所述图案形成装置的特性的步骤使用如从所述图案形成装置的描述获得的图案形成装置数据。
112.5.根据方面2或3所述的方法,其中,计算所述图案形成装置的特性的步骤使用所述被测量的波前数据来计算所述衍射图案,所述被测量的波前数据至少部分地依赖于图案形成装置布局。
113.6.根据方面5所述的方法,其中,用于计算所述图案形成装置的所述特性的所述被测量的波前数据包括原始波前传感器数据,所述原始波前传感器数据包括像素化图像。
114.7.根据任一前述方面所述的方法,其中,所述被测量的波前数据涉及在曝光步骤之后与在曝光步骤之前的差异波前。
115.8.根据任一前述方面所述的方法,其中,确定校正的步骤包括:
116.获得第二模型;
117.使用所述图案形成装置的所述被测量的波前数据和/或特性来训练所述第二模型,以调整用于所述光刻过程的所述第一模型。
118.9.根据方面8所述的方法,其中,所述第二模型调整用于正在被执行的所述光刻过程的所述第一模型。
119.10.根据方面8或9所述的方法,其中,所述第二模型是机器学习模型。
120.11.根据方面10所述的方法,其中,所述第二模型是神经网络。
121.12.根据任一前述方面所述的方法,其中,所述第一模型是基于物理性质的模型。
122.13.根据任一前述方面所述的方法,其中,所述第一模型对于多个不同的光刻过程是通用的。
123.14.根据方面13所述的方法,其中,所述多个不同的光刻过程与多个不同的图案形成装置相关。
124.15.根据任一前述方面所述的方法,其中,所述第一模型是透镜加热模型。
125.16.根据方面15所述的方法,其中,通过第三模型进一步补强所述第一模型,所述第三模型已被训练以针对所使用的所述特定投影透镜调整所述第一模型。
126.17.根据方面16所述的方法,其中,所述第三模型是机器学习模型。
127.18.根据方面17所述的方法,其中,所述第三模型是神经网络。
128.19.根据方面16、17或18的方法,包括基于来自透镜加热测试的训练数据来训练用于所述特定投影透镜的所述第三模型的初始步骤。
129.20.根据方面1至14中任一项所述的方法,其中,所述第一模型是图案形成装置加热模型或衬底加热模型中的一者。
130.21.根据任一前述方面所述的方法,其中,所述校正包括前馈校正。
131.22.根据任一前述方面所述的方法,包括使用所述校正以校正所述光刻过程。
132.23.一种能够操作以执行根据任一前述方面所述的方法的设备,包括:
133.波前传感器,所述波前传感器能够操作以测量所述波前数据;和
134.处理器设备,所述处理器设备能够操作以执行所述方法的其它步骤。
135.24.一种光刻设备,包括根据方面23所述的设备。
136.25.根据方面24所述的光刻设备,包括:
137.用于提供测量照射的照射系统;
138.所述投影光学器件;
139.用于支撑图案形成装置的图案形成装置支撑件;以及
140.用于支撑衬底的衬底支撑件。
141.26.一种调整用于特定图案形成装置的光刻过程的方法,所述方法包括:获得与光刻设备的物镜相关的波前数据,所述波前数据是在使用所述特定图案形成装置进行的衬底上的图案的曝光之后被测量的;根据所述波前数据和参考波前确定特定于图案的波前贡献,所述特定于图案的波前贡献与所述特定图案形成装置有关;以及使用所述特定于图案的波前贡献来调整用于所述特定图案形成装置的所述光刻过程。
142.27.根据方面26所述的方法,其中,基于包括作为在所述物镜的整个出射光瞳平面上的波前误差的映射的标量表示的原始波前数据进行所述调整。
143.28.根据方面26或27所述的方法,其中,所述波前数据中的至少一些波前数据与目标波前相关。
144.29.根据方面28所述的方法,其中,所述目标波前是涉及在衬底的曝光之前的波前
与在衬底的曝光之后的波前之间的差异的差异目标波前。
145.30.根据方面26至29中任一项所述的方法,其中,所述特定于图案的波前贡献包括在所述曝光之后的所述波前数据的被测量的波前与所述参考波前之间的差异。
146.31.根据方面30所述的方法,其中,所述参考波前包括在所述曝光之前已经被测量的被测量的波前。
147.32.根据方面26至31中任一项所述的方法,其中,所述调整步骤包括使用所述波前数据调整与所述光刻设备的部件相关的第一模型,使得针对所述特定图案形成装置调整所述第一模型。
148.33.根据方面32所述的方法,其中,所述使用所述波前数据包括使用所述波前数据以训练第二模型且使用训练后的第二模型以调整所述第一模型。
149.34.根据方面33所述的方法,包括:
150.使用所述特定于图案的波前贡献以计算在所述光刻过程中使用的所述特定图案形成装置的特性;以及
151.在利用所述第二模型调整所述第一模型的所述步骤中使用所述特定图案形成装置的所述特性。
152.35.根据方面34所述的方法,其中,所述特定图案形成装置的所述特性包括以下各项中的一个或更多个:衍射图案、透镜加热曲线和所述物镜的透射率曲线。
153.36.根据方面33至35中任一项所述的方法,其中,使用与所述生产衬底的曝光相关的所述波前数据在所述生产衬底上实时地执行所述调整步骤。
154.37.根据方面33至36中任一项所述的方法,其中,所述第二模型是机器学习模型。
155.38.根据方面37所述的方法,其中,所述第二模型是神经网络。
156.39.根据方面33至38中任一项所述的方法,其中,所述方法包括:
157.获得匹配模型或算法;并且
158.其中,存在至少一个另外的第一模型和至少一个另外的第二模型,所述至少一个另外的第一模型中的每个与不同的光刻设备相关,所述至少一个另外的第二模型用于调整其对应的第一模型;以及
159.所述调整步骤包括:在最大化使用所述光刻设备中的每个光刻设备所曝光的衬底的产率或关于所述产率的性能参数的方面,针对所述特定图案形成装置,使用所述匹配模型或算法和所述特定于图案的波前贡献,来执行所述第一模型和/或其对应的第二模型中的每个模型的共同优化调整。
160.40.根据方面39所述的方法,其中,所述匹配模型或算法包括演化算法或遗传算法。
161.41.根据方面32至38中任一项所述的方法,其中,所述方法包括:
162.获得匹配模型或算法;其中,存在至少一个另外的第一模型,所述至少一个另外的第一模型中的每个与不同的光刻设备相关;并且所述调整步骤包括使用所述匹配模型或算法和所述特定于图案的波前贡献,以针对所述特定图案形成装置来执行所述第一模型中的每个第一模型的共同优化调整。
163.42.根据方面41所述的方法,其中,在最大化使用所述光刻设备中的每个光刻设备所曝光的衬底的产率或关于所述产率的性能参数的方面,执行所述共同优化调整。
164.43.根据方面32至42中任一项所述的方法,包括获得层匹配模型或算法;
165.其中,存在待在所述同一设备上曝光以曝光共同衬底上的同一器件的不同层的至少两个图案形成装置;以及
166.所述调整步骤包括使用所述层匹配模型或算法和所述特定于图案的波前贡献,以针对所述图案形成装置执行所述第一模型中的每个第一模型的共同优化调整。
167.44.根据方面41、42或43的方法,其中,在最大化所述共同衬底的产率或关于所述产率的性能参数的方面执行所述共同优化调整。
168.45.根据方面41至44中任一项所述的方法,其中,所述匹配模型或算法和/或层匹配模型或算法包括演化算法或遗传算法。
169.46.根据方面32至45中任一项所述的方法,包括使用所述第一模型和所述波前数据确定对所述光刻过程的校正。
170.47.根据方面46所述的方法,其中,所述校正包括前馈校正。
171.48.根据方面46或47所述的方法,包括使用所述校正以校正所述光刻过程。
172.49.根据方面32至48中任一项所述的方法,其中,通过第三模型进一步补强所述第一模型,所述第三模型已被训练以将所述第一模型从用于所述部件的类型的通用模型调整至用于所述特定部件的特定模型。
173.50.根据方面49所述的方法,其中,所述第三模型是机器学习模型。
174.51.根据方面50所述的方法,其中,所述第三模型是神经网络。
175.52.根据方面49、50或51所述的方法,包括基于与所述特定部件相关的训练数据来训练用于所述特定部件的所述第三模型的初始步骤。
176.53.根据方面32至52中任一项所述的方法,其中,所述第一模型是基于物理性质的模型。
177.54.根据方面32至53中任一项所述的方法,其中,所述第一模型是以下各项中的一个:
178.透镜加热模型,所述部件是透镜系统或所述透镜系统的透镜,图案形成装置加热模型,所述部件是图案形成装置;或
179.衬底加热模型,所述部件是衬底。
180.55.根据方面32至54中任一项所述的方法,其中,所述调整步骤包括确定用于所述第一模型的特定于过程的初始透镜校正,所述特定于过程的初始透镜校正将所述第一模型调整至专用于所述图案形成装置的初始状态。
181.56.根据方面55所述的方法,其中,所述确定特定于过程的初始透镜校正包括使用所述特定于图案的波前贡献对所述波前数据执行优化,以将所述波前优化至目标波前。
182.57.根据方面56所述的方法,其中,使用演化算法、遗传算法或第二模型来执行所述优化步骤,所述第二模型包括机器学习模型。
183.58.根据方面56或57所述的方法,其中,所述优化步骤还使用每场的对准数据和/或水平测量数据以确定每场的最优透镜设置。
184.59.根据方面56、57或58所述的方法,其中,所述波前数据包括与在多个不同聚焦水平下使用温暖透镜执行的曝光相关的波前数据;并且所述优化步骤还包括使用所述图案形成装置确定用于曝光的最佳焦距值。
185.60.根据方面55至59中任一项所述的方法,其中,所述方法包括根据所述特定于图案的波前贡献确定所述图案形成装置的特性,以及
186.在确定特定于产品的初始透镜校正的步骤中使用所述图案形成装置的所述特性。
187.61.根据方面55至60中任一项所述的方法,其中,所述确定特定于过程的初始透镜校正在初始设置阶段中执行,并且所述方法还包括:
188.在曝光期间在生产衬底上使用所述图案形成装置:
189.监测与所述生产衬底相关的波前数据以监测所述波前数据是否已从使用所述特定于过程的初始透镜校正所达到的优化状态漂移;以及
190.在认为有必要时基于所述监测步骤确定校正。
191.62.根据方面26至54中任一项所述的方法,其中,所述波前数据包括与在多个不同的聚焦水平下使用温暖透镜执行的曝光相关的波前数据;并且所述调整步骤包括使用所述图案形成装置确定用于曝光的最佳焦距值。
192.63.根据方面62所述的方法,其中,所述确定最佳焦距值包括使用所述特定于图案的波前贡献对所述波前数据执行优化以便优化相对于焦距的所述波前。
193.64.根据方面63所述的方法,其中,使用演化算法、遗传算法或机器学习模型来执行所述优化步骤。
194.65.根据方面62、63或64所述的方法,其中,
195.在设置阶段中执行所述调整和/或使用所述图案形成装置在生产衬底上进行曝光期间,根据与所述生产衬底相关的波前数据实时地执行所述调整。
196.66.根据方面62至65中任一项所述的方法,包括在生产期间通过以下操作来监测所述最佳焦距是否漂移:
197.在衬底的曝光之后进行三个或更多个波前传感器测量,一个所述测量是在当前最佳焦距值下,一个所述测量是在所述当前最佳焦距处具有在第一方向上的焦距漂移,并且一个所述测量是在所述当前最佳焦距处具有在第二方向上的焦距漂移;
198.比较这三个测量能够确定最佳焦距是否已漂移;以及
199.如果最佳焦距已漂移,则将所述最佳焦距值调整至更新后的当前最佳焦距值。
200.67.一种设备,所述设备能够操作以执行根据方面26至66中任一项所述的方法,所述设备包括:
201.波前传感器,所述波前传感器能够操作以测量所述波前数据;和
202.处理器设备,所述处理器设备能够操作以执行所述方法的其它步骤。
203.68.一种光刻设备,包括根据方面67所述的设备。
204.69.根据方面68所述的光刻设备,包括:
205.用于提供测量照射的照射系统;
206.所述投影光学器件;
207.用于支撑图案形成装置的图案形成装置支撑件;以及
208.用于支撑衬底的衬底支撑件。
209.70.一种计算机程序,包括用于执行根据方面26至66中任一项所述的方法的指令。
210.71.一种处理器设备,所述处理器设备能够操作以执行根据方面70所述的计算机程序。
211.72.一种能够操作以调整用于特定图案形成装置的光刻过程的处理器设备,所述设备被配置成:获得与光刻设备的物镜相关的波前数据,所述波前数据是在使用所述图案形成装置进行的衬底上的图案的曝光之后被测量的;根据所述波前数据和参考波前确定特定于图案的波前贡献,所述特定于图案的波前贡献与所述图案形成装置有关;以及使用所述特定于图案的波前贡献来调整用于所述图案形成装置的所述光刻过程。
212.虽然上文可以具体地参考在光学光刻术的情境下对本发明的实施例的使用,但应了解,本发明的实施例可以用于其它应用(例如,压印光刻术)中,并且在情境允许时不限于光学光刻术。在压印光刻术中,图案形成装置中的形貌限定产生于衬底上的图案。可以将图案形成装置的形貌压入被供应至衬底的抗蚀剂层中,在衬底上,抗蚀剂通过施加电磁辐射、热、压力或其组合而固化。在抗蚀剂固化之后,将图案形成装置移出抗蚀剂,从而在抗蚀剂中留下图案。
213.本文中所使用的术语“辐射”和“束”涵盖所有类型的电磁辐射,包括紫外(uv)辐射(例如,具有为或约为365nm、355nm、248nm、193nm、157nm或126nm的波长)和极紫外(euv)辐射(例如,具有在1nm至100nm的范围内的波长),以及粒子束,诸如离子束或电子束。
214.术语“透镜”在情境允许时可以指各种类型的光学部件中的任一光学部件或其组合,包括折射、反射、磁性、电磁和静电型光学部件。反射部件很可能用于在uv和/或euv范围内操作的设备中。
215.因此,本发明的广度和范围不应受上述示例性实施例中的任一示例性实施例限制,而应仅根据随附权利要求及其等效物来限定。
再多了解一些

本文用于企业家、创业者技术爱好者查询,结果仅供参考。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表

相关文献