插补器模型的配置的制作方法

插补器模型的配置
1.相关申请的交叉引用
2.本技术要求于2020年4月20日递交的欧洲申请20170366.7、于2020年5月19日递交的欧洲申请20175361.3、以及于2020年7月23日递交的欧洲申请20187387.4的优先权，并且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.本发明涉及用于配置用于对参数进行插补即缺失值插补(impute)的插补器(imputer)模型的设备和方法。特别地，所述模型可以基于第一参数来插补第二参数，并且所述模型的配置考虑与第二参数相关的第三参数。


背景技术：

4.光刻设备是被构造成将期望的图案施加至衬底上的机器。光刻设备可以用于例如集成电路(ic)的制造中。光刻设备可以例如将图案形成装置(例如掩模)处的图案(也经常被称为“设计布局”或“设计”)投影至被设置在衬底(例如晶片)上的辐射敏感材料(抗蚀剂)层上。
5.为了将图案投影于衬底上，光刻设备可以使用辐射。这种辐射的波长确定可以形成在衬底上的特征的最小大小。当前在使用中的典型波长是365nm(i线)、248nm、193nm和13.5nm。与使用例如具有约193nm的波长的辐射的光刻设备相比，使用具有在4nm至20nm的范围内(例如6.7nm或13.5nm)的波长的极紫外(euv)辐射的光刻设备可以用于在衬底上形成较小特征。
6.低k1光刻可以用于处理尺寸小于光刻设备的经典分辨率极限的特征。在这样的过程中，可以将分辨率公式表达为cd＝k1
×
λ/na，其中λ是所使用的辐射的波长、na是光刻设备中的投影光学器件的数值孔径、cd是“临界尺寸”(通常是所印制的最小特征大小，但在这种情况下是半节距)且k1是经验分辨率因子。通常，k1越小，则在衬底上再现类似于由电路设计者规划的形状和尺寸以便实现特定电功能性和性能的图案变得越困难。为了克服这些困难，可以将复杂的微调步骤应用至光刻投影设备和/或设计布局。这些步骤包括例如但不限于：na的优化、自定义照射方案、相移图案形成装置的使用、设计布局的各种优化，诸如设计布局中的光学邻近效应校正(opc，有时也被称为“光学和过程校正”)，或通常被定义为“分辨率增强技术”(ret)的其它方法。替代地，用于控制光刻设备的稳定性的严格控制回路可以用于改善在低k1下的图案的再现。
7.光刻过程可以产生许多数据，这些数据可以被分析以监测和/或控制设备。数据可以由(例如)光刻设备自身中的传感器或对由光刻设备图案化的衬底执行的测量的量测数据产生。与复杂过程相关的这样的大量数据的处理可以涉及模型的使用。模型可以是机器学习模型，例如神经网络。模型可以基于所提供的输入估计输出。在所述模型可以提供输出之前，所述模型必须了解光刻过程。为了进行这种操作，需要训练机器学习模型。可以对训练数据集执行训练。训练数据集可以包括模型的输入和输出两者的已知(历史)值。获得训
练数据集可以是困难的，这是因为输出的数据值可能不是普遍可用的，和/或输出数据是可用的输入数据集可能不完整(例如一些输入数据值可能遗漏)。本文中所描述的方法和设备旨在解决发现合适的训练数据的挑战。


技术实现要素：

8.本发明的目标是提供用以配置用于插补第二参数的插补器模型的方法和设备。
9.根据本公开的第一方面，提供一种配置用于插补第二参数的插补器模型的方法，所述方法包括将包括第一参数的值的第一数据集输入至所述插补器模型。评估所述插补器模型以获得包括所述第二参数的经插补值的第二数据集。获得包括第三参数的测量值的第三数据集，其中所述第三参数与所述第二参数相关。获得预测模型，所述预测模型被配置成基于输入所述第二参数的值来推断所述第三参数的值。将所述第二数据集输入至所述预测模型，并且评估所述预测模型以获得所述第三参数的推断值。基于所述第三参数的所述推断值与所述测量值的比较来配置所述插补器模型。
10.可选地，所述方法还可以包括获得被配置成输出估计所接收的输入值为被插补的或为已知的掩模向量的分析模型。可以至少将所述第二数据集输入至所述分析模型。可以评估所述分析模型以获得具有所述第二数据集是否包括经插补数据的估计的掩模向量。还可以基于所述分析模型的所述输出来配置所述插补器模型。
11.可选地，至少将所述第二数据集输入至所述分析模型还可以包括输入所述第一数据集和所述第三数据集中的至少一种。
12.可选地，所述第一数据集可以包括多个参数。
13.可选地，所述第一参数、所述第二参数、和所述第三参数可以与光刻图案化过程有关。
14.可选地，所述第一数据集可以包括调平数据、对准数据、和/或重叠数据中的至少一种。
15.可选地，所述第二参数可以是重叠或临界尺寸中的一种。
16.可选地，所述第三参数可以是产率。
17.可选地，所述插补器模型可以配置成估计所述第二数据集以用于计算量测和产率感知预测中的至少一种。
18.可选地，可以同时训练所述预测模型和所述插补器模型。
19.可选地，所述模型中的至少一个可以是机器学习模型。
20.可选地，所述机器学习模型可以包括深度神经网络。
21.根据本发明的另一方面，提供一种确定对光刻设备的调整的方法。所述方法包括获得已使用如上文所描述的方法来配置的插补器模型。将与由所述光刻设备进行的先前光刻曝光有关的第一数据集输入至所述插补器模型，并且评估所述插补器模型以获得包括第二参数的估计值的第二数据集。将所述第二数据集输入至目标预测模型，并且评估所述目标预测模型以获得包括第三参数的推断值的第三数据集。基于所述第三参数的所述推断值来确定对所述光刻设备的所述调整。
22.可选地，所述方法还可以包括对所述光刻设备实施所确定的调整以用于后续光刻曝光。
23.所述目标预测模型可以是与用于配置所述插补器模型的方法中的预测模型相同的模型，或其可以是单独的模型。
24.根据本发明的另一方面，提供一种用于配置用于估计第二参数的插补器模型的设备，所述设备包括一个或更多个处理器以及非暂时性储存介质，所述非暂时性储存介质包括在被执行时使所述处理器执行上文所描述的方法的指令。
25.根据本发明的另一方面，提供一种设备，包括使用上文所描述的方法来配置的插补器模型。
26.根据本发明的另一方面，提供一种量测设备，包括如上文所描述的设备。
27.根据本发明的另一方面，提供一种光刻单元，包括如上文所描述的设备。
28.根据本发明的另一方面，提供一种计算机程序产品，包括被配置成进行以下操作的计算机可读指令：接收用于插补器模型的输入数据，所述插补器模型是机器学习模型且被配置成提供经插补数据；接收与经插补数据相关的目标数据；将经插补数据输入至预测模型以获得预测数据；以及基于所述预测数据与所述目标数据之间的比较来训练所述插补器模型。
29.根据本发明的另一方面，提供一种方法，包括：接收用于插补器模型的输入数据，所述插补器模型是机器学习模型且被配置成提供经插补数据；接收与经插补数据相关的目标数据；将经插补数据输入至预测模型以获得预测数据；以及基于比较所述预测数据与所述目标数据来训练所述插补器模型。
30.根据本发明的另一方面，提供一种计算机程序产品，包括被配置成进行以下操作的计算机可读指令：接收用于插补器模型的输入数据以获得经插补数据，其中经插补数据至少包括所述输入数据的子集；获得识别经插补数据内的经插补数据条目和非经插补数据条目的第一列表；将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补数据的经插补数据条目和非经插补数据条目，并且输出识别经插补数据的经插补数据条目和非经插补数据条目的第二列表；以及基于比较所述第一列表与所述第二列表来配置所述插补器模型。
31.根据本发明的另一方面，提供一种方法，包括：接收用于插补器模型的输入数据以获得经插补数据，其中经插补数据至少包括所述输入数据的子集；获得识别经插补数据内的经插补数据条目和非经插补数据条目的第一列表；将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补数据的经插补数据条目和非经插补数据条目，并且输出识别经插补数据的经插补数据条目和非经插补数据条目的第二列表；以及基于比较所述第一列表与所述第二列表来配置所述插补器模型。
附图说明
32.现在将参考随附示意性附图，仅通过举例来描述本发明的实施例，在随附附图中：
[0033]-图1描绘光刻设备的示意性概略图；
[0034]-图2描绘光刻单元的示意性概略图；
[0035]-图3描绘整体光刻的示意性表示，表示用于优化半导体制造的三种关键技术之间的协作；
[0036]-图4描绘配置插补器模型的方法中的步骤的流程图；
[0037]-图5描绘用于产率预测的插补器模型的示例应用的示意图；
[0038]-图6描绘包括预测模型的插补器模型的训练配置的示意图；
[0039]-图7描绘包括预测模型和分析模型的插补器模型的训练配置的示意图；
[0040]-图8(a)描绘示出使用本文中所描述的产率感知训练方法、使用插补器模型的测量产率与预测产率的比较的曲线图；
[0041]-图8(b)描绘示出使用在没有产率感知训练的情况下所训练的插补器模型的测量产率与预测产率的比较的曲线图。
具体实施方式
[0042]
在本文献中，术语“辐射”和“束”用于涵盖所有类型的电磁辐射，包括紫外辐射(例如，具有为365nm、248nm、193nm、157nm或126nm的波长)和极紫外辐射(euv，例如，具有在约5nm至100nm的范围内的波长)。
[0043]
如本文中所采用的的术语“掩模版”、“掩模”或“图案形成装置”可以被广义地解释为是指可以用于向入射辐射束赋予被图案化的横截面的通用图案形成装置，所述被图案化的横截面对应于待在衬底的目标部分中产生的图案。在这样的情境下，也可以使用术语“光阀”。除经典掩模(透射或反射；二元、相移、混合式等)以外，其它这样的图案形成装置的示例包括可编程反射镜阵列和可编程lcd阵列。
[0044]
图1示意性地描绘光刻设备la。所述光刻设备la包括：照射系统(也被称为照射器)il，所述照射系统被配置成调节辐射束b(例如uv辐射、duv辐射或euv辐射)；掩模支撑件(例如掩模台)mt，所述掩模支撑件被构造成支撑图案形成装置(例如掩模)ma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ma的第一定位器pm；衬底支撑件(例如晶片台)wt，所述衬底支撑件被构造成保持衬底(例如涂覆有抗蚀剂的晶片)w且连接至被配置成根据某些参数来准确地定位衬底支撑件的第二定位器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。
[0045]
在操作中，照射系统il例如经由束传递系统bd从辐射源so接收辐射束。照射系统il可以包括用于引导、成形和/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、静电型和/或其它类型的光学部件，或其任何组合。照射器il可以用于调节辐射束b，以在图案形成装置ma的平面处在其横截面中具有期望的空间和角强度分布。
[0046]
本文中所使用的术语“投影系统”ps应被广义地解释为涵盖适于所使用的曝光辐射和/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各种类型的投影系统，包括折射型、反射型、反射折射型、变形型、磁性型、电磁型和/或静电型光学系统，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”ps同义。
[0047]
光刻设备la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ps与衬底w之间的空间-这也被称为浸没光刻。以引用方式并入本文中的us6952253中给出关于浸没技术的更多信息。
[0048]
光刻设备la也可以属于具有两个或更多个衬底支撑件wt(又名“双平台”)的类型。在这样的“多平台”机器中，可以并行地使用衬底支撑件wt，和/或可以对位于衬底支撑件wt
中的一个衬底支撑件上的衬底w进行准备衬底w的后续曝光的步骤，同时将另一衬底支撑件wt上的另一衬底w用于在所述另一衬底w上曝光图案。
[0049]
除了衬底支撑件wt以外，光刻设备la也可以包括测量平台。测量平台被布置成保持传感器和/或清洁装置。传感器可以被布置成测量投影系统ps的性质或辐射束b的性质。测量平台可以保持多个传感器。清洁装置可以被布置成清洁光刻设备的部分，例如投影系统ps的部分或提供浸没液体的系统的部分。测量平台可以在衬底支撑件wt远离投影系统ps时在投影系统ps下方移动。
[0050]
在操作中，辐射束b入射到被保持在掩模支撑件mt上的图案形成装置(例如掩模)ma上，并且由存在于图案形成装置ma上的图案(设计布局)而图案化。在已横穿掩模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和位置测量系统if，可以准确地移动衬底支撑件wt，例如以便使不同的目标部分c在辐射束b的路径中定位在经聚焦且对准的位置处。类似地，第一定位器pm和可能的另一位置传感器(其未在图1中明确地描绘的)可以用于相对于辐射束b的路径来准确地定位图案形成装置ma。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ma和衬底w。虽然如所图示的衬底对准标记p1、p2占据专用目标部分，但所述标记可以位于目标部分之间的空间中。当衬底对准标记p1、p2位于目标部分c之间时，这些衬底对准标记p1、p2被称为划线对准标记。
[0051]
如图2中示出，光刻设备la可以形成光刻单元lc(有时也被称为光刻元或(光刻)簇)的部分，光刻单元lc经常也包括用于对衬底w执行曝光前过程和曝光后过程的装置。通常，这些装置包括用于沉积抗蚀剂层的旋涂器sc、用于显影曝光后的抗蚀剂的显影器de、例如用于调节衬底w的温度(例如用于调节抗蚀剂层中的溶剂)的激冷板ch和焙烤板bk。衬底输送装置或机器人ro从输入/输出端口i/o1、i/o2拾取衬底w、在不同过程设备之间移动衬底w且将衬底w传递至光刻设备la的进料台lb。光刻单元中常常也被统称为轨道或涂覆显影系统的装置通常是在轨道或涂覆显影系统控制单元tcu的控制下，轨道或涂覆显影系统控制单元tcu自身可能受到管理控制系统scs控制，管理控制系统scs也可以例如经由光刻控制单元lacu来控制光刻设备la。
[0052]
为了正确且一致地曝光由光刻设备la曝光的衬底w，期望检查衬底以测量被图案化的结构的性质，诸如后续层之间的重叠误差、线厚度、临界尺寸(cd)等。出于这种目的，可以在光刻单元lc中包括检查工具(图中未示出)。如果检测到误差，则可以对后续衬底的曝光或对待对衬底w执行的其它处理步骤进行例如调整，尤其是在同一批量或批次的其它衬底w仍待曝光或处理之前进行检查的情况下。
[0053]
也可以被称为量测设备的检查设备用于确定衬底w的性质，并且尤其确定不同衬底w的性质如何变化或与同一衬底w的不同层相关联的性质在不同层间如何变化。检查设备替代地构造成识别衬底w上的缺陷，并且可以例如为光刻单元lc的部分，或可以集成至光刻设备la中，或甚至可以是单独的装置。检查设备可测量潜像(在曝光之后在抗蚀剂层中的图像)上的性质，或半潜像(在曝光后焙烤步骤peb之后在抗蚀剂层中的图像)上的性质，或显影后的抗蚀剂图像(其中抗蚀剂的曝光部分或未曝光部分已被移除)上的性质，或甚至蚀刻后的图像(在诸如蚀刻的图案转印步骤之后)上的性质。
[0054]
通常光刻设备la中的图案化过程是在处理中的最关键的步骤之一，其需要衬底w
上的结构的尺寸标定和放置的高准确度。为了确保这种高准确度，可以将三个系统组合于所谓的“整体”控制环境中，如图3中示意性地描绘的，这些系统中的一个系统是光刻设备la，所述光刻设备(实际上)连接至量测工具mt(第二系统)且连接至计算机系统cl(第三系统)。这种“整体”环境的关键在于优化这种三个系统之间的协作以增强总体过程窗口且提供严格控制回路，从而确保由光刻设备la执行的图案化保持在过程窗口内。过程窗口限定过程参数(例如剂量、焦距、重叠)的范围，在所述过程参数范围内特定制造过程得到所限定的结果(例如功能半导体器件)-通常在所述过程参数范围内，光刻过程或图案化过程中的过程参数被允许变化。
[0055]
计算机系统cl可以使用待图案化的设计布局(的部分)以预测使用哪种分辨率增强技术且执行计算光刻模拟和计算以确定哪种掩模布局和光刻设备设置实现图案化过程的最大总体过程窗口(在图3中由第一刻度sc1中的双箭头描绘)。通常，分辨率增强技术被布置成匹配于光刻设备la的图案化可能性。计算机系统cl也可以用于检测在过程窗口内何处光刻设备la当前正操作(例如使用来自量测工具mt的输入)以预测归因于例如次优处理是否可以存在缺陷(在图3中由第二刻度sc2中的指向“0”的箭头描绘)。
[0056]
量测工具mt可以将输入提供至计算机系统cl以实现准确模拟和预测，并且可以将反馈提供至光刻设备la以识别例如光刻设备la的校准状态中的可能漂移(在图3中由第三刻度sc3中的多个箭头描绘)。
[0057]
量测工具mt可以在光刻图案化过程的不同阶段期间测量衬底。可以出于不同目的使用衬底的测量。衬底的量测可以(例如)用于监测和/或更新光刻过程设置、误差检测、随时间推移对设备的分析、品质控制等。一些测量相比于其它测量更容易获得。例如，一些测量可能需要存在于衬底上的特定目标结构。一些测量相比于其它测量可花费相对较长时间来执行。长的测量可以在昂贵量测工具mt中占据许多时间。这可以使那些测量就设备使用和时间是昂贵的。因此，可以较不频繁地执行这些测量。这可以意味着仅稀疏测量数据可以用于一些参数，和/或可能不对每个衬底执行测量。
[0058]
针对一些参数的测量数据的有限可用性可能造成问题。可以出于上文所描述的目的中的一些来使用这样的测量数据。作为示例，获得用于重叠的量测数据可能是昂贵的。因此，对于一些或全部被图案化的衬底，重叠可以仅稀疏地可用。重叠可以是用于用作用于光刻过程设置的品质指示器和/或用于预测衬底上的产率的有用参数。特别地，相比于可以从例如调平数据的可用量测数据更直接获得的一些其它参数，重叠可以是品质或产率的更优选的指示器。
[0059]
为了解决诸如重叠之类的参数的有限可用性，模型可以用于基于其它可用量测数据来估计所述参数的值。在示例中，可以基于调平数据和/或对准数据估计衬底上的重叠。用于估计参数值的模型可以是数据驱动的。数据驱动模型可以用于估计和/或预测衬底的参数值和其它性质(例如产率)以及光刻图案化过程的其它方面。模型可以例如用于光刻设备la的计算量测、产率感知控制和/或衬底水平控制中。模型可以使用测量数据作为输入。测量数据可以包括例如重叠ovl、水平测量lvl、对准al、厚度、临界尺寸cd、剂量映射、焦距映射和/或过程情境数据中的一个或更多个。测量的示例包括重叠和/或水平测量的显影后检查(adi)、蚀刻后检查(aei)和/或清洁后检查(aci)测量。
[0060]
关于上文所描述的模型的问题可以是：这些模型依赖于输入参数的可用性。模型
可以预期用于每个评估的类似量和类型的输入。然而，不同类型和密度的测量可以用于不同衬底。例如，当生产量斜升时，每衬底的测量容量可以减小。在一些情况下，可以仅对所有被图案化的衬底的子集执行一些测量以测试生产量的样本。结果，不同量和/或类型的测量数据可以用于不同衬底。已知若干方法来应对参数数据的可用性的差异。第一选项是忽略不具有所有所需数据值的衬底。替代地或另外，为了适用于用于较多衬底的数据集，模型可以被设计为接收较小量的输入数据，使得较多衬底数据集包括用于模型的所需输入数据。然而，这可能意味着用于一些衬底的大量可用数据保持未被使用，这可能导致较不准确的预测/估计。模型可以应对用于一些衬底的可用数据的限制的第二选项是使用统计或模型(例如)基于集合中的可用数据来估计遗漏数据。这可以是(例如)计算量测中的情况。例如，可以提供模型以基于其它可用数据来估计跨越整个衬底的密集重叠，所述其它可用数据包括调平数据、对准数据和稀疏重叠数据中的一个或更多个。紧接于统计和建模，也可以使用内插以估计参数值的增加的密度。在又一示例中，例如来自先前曝光后的衬底的参数的历史数据可以用作当前衬底的参数的近似。
[0061]
在一个示例中，可以旨在使用目标预测模型(例如产率预测模型)来预测光刻图案化过程的目标，例如产率损失。重叠ovl可以是用于进行产率损失预测所基于的良好指示器。也可以使用临界尺寸cd，这是因为其可以具有与衬底的产率的高相关性。为了对衬底进行精确且准确的预测，产率预测模型可能需要用于所述衬底的重叠数据和临界尺寸数据两者。为了提供较准确预测，可以针对衬底上的至少一些层需要密集重叠数据。然而，针对衬底上的所有所需层，重叠测量可能不可用。此外，临界尺寸cd数据可以仅稀疏地可以用和/或具有粗略分辨率。针对不同衬底，用于不同参数的不同量的测量数据可能可以用。如果产率预测模型预期用于每个评估的输入参数数据的相同类型和量(例如，重叠和临界尺寸数据的特定密度)，则通过产率预测模型无法评估仅参数数据中的一些可用的衬底。因此，可以提供单独的模型以推断数据值不用于每个衬底的一个或更多个参数的值。这种单独的模型可以是被配置成基于一个或更多个其它参数的已知值来推断遗漏参数的值的插补器模型。改善用于估计应用程序的遗漏参数的插补器模型的性能可能导致针对所述应用程序的改善的结果。
[0062]
模型输出的性能可以依赖于提供至模型的输入的品质。输出的品质也可以依赖于模型自身的品质。模型的品质可能受到模型的训练影响。即，可以基于训练数据集来配置模型。模型可以学习使用训练过程，基于输入来预测输出。训练集可以包括输入的数据值和输出的数据值。在训练期间，模型可以估计输出，可以将所述输出与输出的已知数据值进行比较。所估计的输出值与已知输出值的比较可以被视为输出品质的指示器。可以将比较的结果作为反馈提供至可以更新后的模型。这种过程可以被迭代以训练模型。改善对模型的训练可能导致其性能在估计输出时的改善。
[0063]
关于使用上文所描述的训练方法来训练插补器模型的问题可能在于：所述模型是目标不可知的。即，在预测目标的过程的步骤中使用插补器模型，但这种目标在训练期间不被考虑。因为插补器模型的输出用于目标预测，所以输出与目标可相关。本发明人已意识到，输出与目标之间的相关性可以是相关的且信息性的。在插补器模型的训练过程中使用来自这种相关性的可用信息可以提供训练过程的改善。此外，输出参数与目标参数之间的相关性可以仅是部分的。即，所述(所述)输出参数的一些方面可以对所述(所述)目标参数
没有影响或影响有限。例如，衬底的一些层或区域中的重叠可以比衬底上的其它层或区域中的重叠更不重要。如果插补器模型被配置成确定输出，所述输出又用于估计目标，则可以有益的是使用插补器模型的容量来估计与目标相关和/或影响目标的输出参数的那些方面。
[0064]
训练和使用如上文所描述的插补器模型的另一问题在于，一些参数可能难以基于已知参数值进行估计。例如，临界尺寸cd可能与衬底的产率强相关。然而，所述临界尺寸仅可能微弱地依赖于已知参数值。因此，可能难以训练插补器模型以基于可用输入参数来估计临界尺寸cd。
[0065]
可以在光刻过程的操作期间使用本文中所描述的插补器模型。提供输出可能是时间敏感的，例如，可能期望在开始对下一光刻衬底进行图案化之前获得用于当前光刻图案化衬底的输出。可能期望尽可能快地获得插补器模型输出，例如使得输出的结果可以用于改善未来的光刻曝光。然而，在模型的训练期间，这种受时间限制的数据元素不存在。可以在训练过程期间采用时间敏感元素的移除。这可以通过在模型的训练中使用衬底的测量数据来实现，所述测量数据在模型的常规使用期间不可用作输入。本文中描述使用模型的输出与不被包括在模型的输入中的参数之间的相关性以用于训练模型的方法。
[0066]
图4描绘示出训练/配置插补器模型的方法中的步骤的流程图。插补器模型可以用于插补待由所述模型提供为输出的参数。在步骤400中，将包括第一参数的值的第一数据集输入至插补器模型。第一参数也可以被称为输入参数。在步骤402中，评估所述插补器模型以获得包括输出参数的经插补值的第二数据集。输出参数也可以被称为第二参数，这是因为基于第一参数来进行对它的确定。第二数据集可以类似地被称为输出数据集。在步骤404中，可获得第三数据集。第三数据集包括第三参数的测量值。第三参数与第二参数相关。在步骤406中，获得预测模型。预测模型不同于插补器模型。预测模型可以被配置成接收第二参数的值作为输入。基于所接收输入，预测模型可以提供第三参数的推断值作为输出。在步骤408中，将第二数据集输入至预测模型，并且评估预测模型以获得第三参数的推断值。在步骤410中，基于第三参数的推断值与测量值的比较来配置插补器模型。
[0067]
关于图4所描述的方法的优点为，该方法可以使用被包括在第三参数内的信息来训练插补器模型。该方法可以采用输出参数与第三参数之间的现有相关性，以通过使用第三参数的已知值来估计输出参数的值。由于输出参数与第三参数之间的相关性，可以改善对插补器模型的训练，这是因是在训练过程中使用与输出参数相关的更多数据。
[0068]
能够依赖于第三参数中所包括的信息以用于估计输出参数的优点可以是：可以使用具有较少可用数据值的输入数据集。例如，具有较稀疏数据值分布的输入数据集可以用于训练，这是因为所述输入数据集可以包括与第三数据集相组合的足够信息以用于提供对第二参数的估计。这可以使得可能使用较大数据集来训练插补器模型。替代地或另外，由于对可用输入数据的密度的较不严格的要求，可能较易于获得用于配置插补器模型的训练数据集。
[0069]
第三参数可以是不作为输入提供至插补器模型的参数。第三参数可能不可用作针对插补器模型的输入。这可以例如因为在正常使用期间在评估插补器模型时第三参数可能不易于可用。第三参数可以是输出参数的目标参数。即，在插补器模型的正常预期使用期间，输出参数的目的可以是估计所述第三参数。
[0070]
插补器模型可以用于插补没有测量数据可用或稀疏测量数据可用的参数的值。输入参数可以是许多数据值可用的参数。所述数据可以针对多个衬底呈跨越整个衬底的密集分布。输出参数可被称为遗漏参数，这是因为其可以被插补以解决量测数据中的参数的有限可用性。
[0071]
可以通过被配置成进行以下操作的计算机程序来实施如图4中描绘的方法：1)通过将包括输入参数(第一参数)的值的输入数据输入至插补器模型来获得经插补数据(包括第二参数的值)；2)获得目标数据(包括第三参数的值)，所述目标数据例如为与经插补数据相关的产率数据；以及3)将经插补数据输入至预测模型以获得预测数据；以及4)基于预测数据与目标数据的比较来配置插补器模型。
[0072]
现在将关于对衬底的光刻图案化过程更详细地描述所述方法。然而，所述方法也可以应用于其中具有如上文所阐述的关系和相关性的参数数据集可用的其它过程和领域。图5描绘其中可以使用本文中所描述的插补器模型的示例应用的附图。示例应用可以包括预测使用光刻设备la来图案化的衬底的产率。可以将包括一个或更多个输入参数502的值的输入数据集(也被称为第一数据集)提供至插补器模型500。输入参数502可以是光刻图案化过程的制造过程参数。插补器模型500可以提供包括一个或更多个输出参数504的估计值的输出数据集(也被称为第二数据集)。输出数据集504作为输入提供至目标预测模型506(也被称为产率预测模型)。产率预测模型506可以预测一个或更多个目标参数508的目标数据集(也被称为第三数据集)。目标参数可以(例如)包括衬底的产率。第一数据集、第二数据集和第三数据集可以包括光刻设备la、量测工具mt、或与光刻图案化过程相关的其它设备或过程的参数的值。目标预测模型可以是与用于配置插补器模型的预测模型相同的模型。目标预测模型可以是与用于配置插补器模型的预测模型不同的模型。
[0073]
目标预测模型可能优选使用插补器模型的一个或更多个输出参数，这是因为所述一个或更多个输出参数是目标参数的良好指示。在特定示例中，输入参数502可以包括调平数据、对准数据、和/或稀疏重叠数据。输出参数504可以包括密集重叠数据。参数504可以包括临界尺寸cd。目标预测模型506可以是产率预测模型。进入产率预测模型的输入可以包括由插补器模型500估计的临界尺寸cd和/或密集重叠ovl。进入产率预测模型的输入可以例如还包括临界剂量数据值。产率预测模型的输出可以包括提供输入数据502所针对的衬底上的成品管芯的所估计的产率。
[0074]
在一个实施例中，输入数据集可以包括一个或更多个输出参数的值的稀疏分布。在另一实施例中，输入数据集可以不包括输出参数的值。在两个实施例中，输出参数的值被认为是遗漏的。紧接于一个或更多个输出参数，进入所述目标预测模型的输入可以包括其它数据值。模型输出可以提供待待用于应用程序中的遗漏参数的估计值。
[0075]
图6描绘根据本发明的实施例的训练配置的示意性概略图。在训练期间，可以将输入数据602的第一数据集提供至插补器模型600。插补器模型可以估计包括第二参数604的第二数据集的输出。如模型的标准训练一样，所估计的输出604可以与第二参数的已知训练值相比。可以将所述比较的结果反馈至插补器模型600，以用于更新所述插补器模型600。包括第二数据集604的插补器模型600的输出还可以作为输入提供至预测模型606。预测模型606还可以将输入数据集602作为输入。基于所接收第二数据集604，所述预测模型可推断包括第三参数的值的第三数据集608。如上文提及的，第三参数与第二参数是相关的。可以接
着比较所估计的第三参数与第三参数610的已知测量值，所述已知测量值也在训练过程期间与预测模型一起被提供。所述比较可以被视为提供至预测模型606的所估计的第二参数的品质的量度。所推断的第三参数值与所测量的第三参数值之间的比较结果可以作为反馈612提供至插补器模型600。来自预测模型的这种反馈可以与至已知输出的所估计的输出的结果一起使用以更新所述插补器模型。可以将这种过程重复多次以配置插补器模型600。
[0076]
如上文所描述的，可以由预测模型606来测试待训练的插补器模型600的输出。所述预测模型使用由插补器模型600输出的第二参数604与第三参数之间的相关性。通过反馈612被提供至预测模型606的对第二数据集604的品质的评估，将第二参数与第三参数之间的相关性引入至插补器模型600的训练过程中。这允许使用第二参数与第三参数之间的相关性来训练插补器模型600，而第三参数不被包括在插补器模型自身中。
[0077]
在一些情况下，可以同时训练插补器模型600和预测模型608。在其它情况下，预测模型可以在用于插补器模型600的训练过程之前被单独地训练。预测模型606的单独的训练过程可能对插补器模型600有影响。一起训练预测模型606和插补器模型600可以具有避免这样的潜在负面影响的优点。这可能是因为预测模型606的训练被包括在反馈过程中以优化插补器模型600。
[0078]
可以由如先前在配置插补器模型的情境下所描述的计算机程序来实施对预测模型的训练。先前所描述的计算机程序可以被扩展，使得其包括用以基于预测数据与目标数据的比较来配置预测模型的其它指令。
[0079]
紧接于预测模型，或代替预测模型，可以提供分析模型作为插补器模型的配置过程的部分。分析模型可以接收多个数据值作为输入。所述分析模型可以提供包括掩模向量的输出，所述掩模向量具有数据值是被插补的或已知的(例如，所测量的)估计。所述多个数据值可以属于与一个或更多个参数相关的一个或更多个数据集。图7描绘其中包括了分析模型707的训练配置的示意性概略图。许多设置类似于图6的设置。可以将输入数据702的第一数据集提供至待训练的插补器模型700。插补器模型700可以输出具有第二参数704的估计值的第二数据集。将这种输出704与输入数据702一起作为输入提供至预测模型706。可以推断第三数据集708且将其与第三参数的已知值710比较，如上文所描述的。也可以将第二数据集704作为输入提供至分析模型707。分析模型707还可以接收第一数据集702作为输入。分析模型707也可以接收已知第三参数值710作为输入。可以评估所述分析模型以提供具有关于所接收数据集中的值是被插补或已知的估计的掩模向量。可以将这种输出与已知训练数据进行比较。即，可以评估分析模型707是否准确地估计第二数据值是否被插补。分析模型707是否可以识别第二数据集704是否被插补可以被视为对所估计的第二数据集的品质的指示。分析模型执行得越差，插补器模型700的性能越好。这与预测模型706形成对比，其中预测模型706的较好性能可以指示插补器模型700的较好性能。可以将预测模型706和分析模型707的输出708、709提供为对插补器模型700的反馈712。
[0080]
如预测模型706一样，在一些实施例中，分析模型707可以与插补器模型700同时被训练。在其它情况下，在分析模型用于对插补器模型700的配置过程之前，可以已单独地训练所述分析模型。所有插补器模型700、预测模型706、和分析模型707都可以被单独地训练，或插补器模型700、预测模型706、和分析模型707中的两个或更多个可以同时被一起训练。如上文所描述的，训练所述分析模型707和预测模型706连同插补器模型700可以具有对它
们的训练被包括在对插补器模型700的优化过程中的优点。这可以避免对预测模型706和/或分析模型707的单独的训练过程的潜在负面影响。结果，将模型一起训练可能导致插补器模型700的较好性能。
[0081]
第一数据集602、702可以包括一个或更多个参数的数据值。例如，第一数据集可以包括调平数据、对准数据、和/或稀疏重叠数据中的至少一种的值。第二数据集604、704可以包括一个或更多个参数的数据值。例如，第二数据集可以包括密集重叠数据和/或临界尺寸数据中的至少一种的值。第三数据集610、710可以包括一个或更多个参数的数据值。例如，第三数据集可以包括产率数据和/或聚焦数据中的至少一种的数据值。
[0082]
插补器模型600、700、预测模型606、706和分析模型707中的一些或全部可以是机器学习模型。机器学习模型中的一个或更多个可以包括神经网络，诸如深度神经网络。插补器模型600、700和分析模型606、707可以被配置成为生成对抗网络(gan)，其中插补器模型600、700充当生成网络且分析模型606、707充当辨别网络。即，插补器模型600、700可以产生第二数据集，并且分析模型707可以评估所产生的第二数据集。所述评估可以被提供为对用于训练的插补器模型600、700的反馈。预测模型606、706可以是参数模型。分析模型707可以是参数模型。
[0083]
在实施例中，用于配置如先前所描述的插补器模型的计算机程序被扩展以包括被配置成进行以下操作的另外的指令：1)获得关于经插补数据集内的条目的状态的第一信息(例如，第一列表)(被插补或未被插补，后者意味着条目被包括在原始输入数据集内)；2)将经插补数据输入至分析器模型以获得根据分析器模型的输出关于经插补数据集内的项目的状态的第二信息(例如被布置成第二列表)；以及3)通过比较第一信息与第二信息来配置插补器模型。
[0084]
在插补器模型仅基于它的与分析器模型的相互作用(例如没没有预测模型可用)来配置的情况下，配置插补器模型的方法可以由计算机程序实施，所述计算机程序包括被配置成进行以下操作的指令：1)接收用于插补器模型的输入数据以获得经插补数据；2)获得识别经插补数据条目和非经插补数据条目的第一信息(第一列表)；3)将经插补数据输入至分析器模型，以获得根据分析器模型识别经插补数据条目和非经插补数据条目的第二信息(第二列表)；以及4)基于比较所述第一信息与所述第二信息来配置插补器模型。
[0085]
如上文所描述的，一旦插补器模型经训练，则插补器模型就可以用于与对光刻图案化过程的分析和控制有关的应用中。由插补器模型所输出的数据集可以用于计算量测中。例如，插补器模型可以输出重叠数据集，所述重叠数据集可以用于使用计算量测来估计衬底产率。这可以用于(例如)产率感知预测中。响应于对被图案化的衬底的产率的估计或预测，可以调整光刻图案化过程的一个或更多个设置以供后续曝光使用。
[0086]
用于基于输入参数和不是模型输入的部分的产率数据来估计重叠和/或临界尺寸的插补器模型的配置可以被称为插补器模型的目标感知训练、或产率感知训练。插补器模型的产率感知训练可能导致其中使用插补器模型的产率预测应用的总体更佳的性能。图8(a)和图8(b)描绘随着时间推移，关于衬底的测量产率与预测产率的比较的曲线图。特别地，曲线图绘制随时间推移的产率损失。在图8(a)和图8(b)的两个曲线图中的测量产率(底部曲线)相同。在图8(a)中绘制所估计的产率，其中使用利用产率感知的插补器模型的方法来估计所述产率。在图8(b)中，绘制所估计的产率，所述所估计的产率经由不使用产率感知
插补器模型的方法来获得。从所述两个曲线图显而易见的是，使用目标感知插补器模型的产率预测的方法导致较好的预测结果。
[0087]
在以下编号方面的列表中披露了其它实施例：
[0088]
1.一种配置用于插补第二参数的插补器模型的方法，所述方法包括：
[0089]
将包括第一参数的值的第一数据集输入至所述插补器模型，并且评估所述插补器模型以获得包括所述第二参数的经插补值的第二数据集；
[0090]
获得包括第三参数的测量值的第三数据集，其中所述第三参数与所述第二参数相关；
[0091]
获得预测模型，所述预测模型被配置成基于输入所述第二参数的值来推断所述第三参数的值；
[0092]
将所述第二数据集输入至所述预测模型，并且评估所述预测模型以获得所述第三参数的推断值；以及
[0093]
基于所述第三参数的所述推断值与所述测量值的比较来配置所述插补器模型。
[0094]
2.根据方面1所述的方法，还包括：
[0095]
获得被配置成输出估计所接收的输入值为被插补的或为已知的掩模向量的分析模型；和
[0096]
至少将所述第二数据集输入至所述分析模型，并且评估所述分析模型以获得具有所述第二数据集是否包括经插补数据的估计的掩模向量；并且
[0097]
其中进一步基于所述分析模型的所述输出来配置所述插补器模型。
[0098]
3.根据方面2所述的方法，其中，至少将所述第二数据集输入至所述分析模型还包括输入所述第一数据集和所述第三数据集中的至少一种。
[0099]
4.根据前述方面中任一项所述的方法，其中，所述第一数据集包括多个参数。
[0100]
5.根据前述方面中任一项所述的方法，其中，所述第一参数、所述第二参数、和所述第三参数与光刻图案化过程有关。
[0101]
6.根据方面5所述的方法，其中，所述第一数据集包括调平数据、对准数据、和/或重叠数据中的至少一种。
[0102]
7.根据方面5至6中任一项所述的方法，其中，所述第二参数是重叠或临界尺寸中的一种。
[0103]
8.根据方面5至7中任一项所述的方法，其中，所述第三参数是产率。
[0104]
9.根据方面5至8中任一项所述的方法，其中，所述插补器模型被配置成估计所述第二数据集以用于计算量测和产率感知预测中的至少一种。
[0105]
10.根据前述方面中任一项所述的方法，其中，同时训练所述预测模型和所述插补器模型。
[0106]
11.根据前述方面中任一项所述的方法，其中，所述模型中的至少一个为机器学习模型。
[0107]
12.根据方面11所述的方法，其中，所述机器学习模型包括深度神经网络。
[0108]
13.一种确定对光刻设备的调整的方法，所述方法包括：
[0109]
获得已使用根据方面1至12中任一项所述的方法来配置的插补器模型；
[0110]
将与由所述光刻设备进行的先前光刻曝光有关的第一数据集输入至所述插补器
模型，并且评估所述插补器模型以获得包括第二参数的估计值的第二数据集；
[0111]
将所述第二数据集输入至目标预测模型，并且评估所述目标预测模型以获得包括第三参数的推断值的第三数据集；以及
[0112]
基于所述第三参数的所述推断值来确定对所述光刻设备的所述调整。
[0113]
14.根据方面13所述的方法，还包括对所述光刻设备实施所确定的调整以用于后续光刻曝光。
[0114]
15.一种用于配置用于估计第二参数的插补器模型的设备，所述设备包括一个或更多个处理器以及非暂时性储存介质，所述非暂时性储存介质包括在被执行时使所述处理器执行根据方面1至14中任一项所述的方法的指令。
[0115]
16.一种设备，包括使用根据方面1至14中任一项所述的方法来配置的插补器模型。
[0116]
17.一种量测设备，包括根据方面15至16中任一项所述的设备。
[0117]
18.一种光刻单元，包括根据方面15至16中任一项所述的设备。
[0118]
19.根据方面2所述的方法，其中，所述分析模型和所述插补器模型被配置成为生成对抗网络(gan)，其中所述插补器模型被配置成为生成网络且所述分析模型被配置成为辨别网络。
[0119]
20.根据方面2所述的方法，其中，所述预测模型和所述分析模型是参数模型。
[0120]
21.一种计算机程序产品，包括被配置用以进行以下操作的计算机可读指令：
[0121]
接收用于插补器模型的输入数据以获得经插补数据；
[0122]
接收与经插补数据相关的目标数据；
[0123]
将经插补数据输入至预测模型以获得预测数据；以及
[0124]
基于比较所述预测数据与所述目标数据来配置所述插补器模型。
[0125]
22.根据方面21所述的计算机程序，还包括用以基于所述比较来配置所述预测模型的指令。
[0126]
23.根据方面22或21所述的计算机程序，还包括用以进行以下操作的指令：
[0127]
获得识别经插补数据内的经插补条目和非经插补条目的第一列表；
[0128]
将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补条目与非经插补条目，并且输出识别经插补条目和非经插补条目的第二列表；以及
[0129]
基于比较所述第一列表与所述第二列表来配置所述插补器模型。
[0130]
24.根据方面23所述的计算机程序，还包括用以基于比较所述第一列表与所述第二列表来配置所述分析器模型的指令。
[0131]
25.根据方面24所述的计算机程序，其中，所述插补器模型和分析器模型被配置成为生成对抗网络(gan)。
[0132]
26.根据方面23至25中任一项所述的计算机程序，其中，将经插补数据输入至所述分析模型还包括输入所述输入数据集和所述目标数据中的至少一种。
[0133]
27.一种计算机程序产品，包括用以进行以下操作的计算机可读指令：
[0134]
接收用于插补器模型的输入数据以获得经插补数据，其中所述经插补数据至少包括所述输入数据的子集；
[0135]
获得识别经插补数据内的经插补数据条目和非经插补数据条目的第一列表；
[0136]
将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补数据的经插补数据条目和非经插补数据条目，并且输出识别经插补数据的经插补数据条目和非经插补数据条目的第二列表；以及
[0137]
基于比较所述第一列表与所述第二列表来配置所述插补器模型。
[0138]
28.根据方面27所述的计算机程序，其中，所述插补器模型和分析器模型被配置成为生成对抗网络(gan)。
[0139]
29.根据方面21至28中任一项所述的计算机程序，其中，所述输入数据包括多个参数。
[0140]
30.根据方面21至29中任一项所述的计算机程序，其中，所述输入数据、经插补数据、和所述目标数据与光刻图案化过程有关。
[0141]
31.根据方面30所述的计算机程序，其中，所述输入数据包括调平数据、对准数据、和/或重叠数据中的至少一种。
[0142]
32.根据方面31所述的计算机程序，其中，经插补数据包括以下各项中的一个或更多个：重叠、临界尺寸、边缘放置误差。
[0143]
33.根据方面32所述的计算机程序，其中，所述目标数据包括产率数据。
[0144]
34.根据方面21至33中任一项所述的计算机程序，其中，所述插补器模型被配置成估计用于虚拟/混合/计算量测和产率感知预测中的至少一种的经插补数据。
[0145]
35.一种方法，包括：
[0146]
接收用于插补器模型的输入数据以获得经插补数据；
[0147]
接收与经插补数据相关的目标数据；
[0148]
将经插补数据输入至预测模型以获得预测数据；以及
[0149]
基于比较所述预测数据与所述目标数据来配置所述插补器模型。
[0150]
36.根据方面35所述的方法，还包括基于所述比较来配置所述预测模型。
[0151]
37.根据方面35或36所述的方法，还包括：
[0152]
获得识别经插补数据内的经插补条目和非经插补条目的第一列表；
[0153]
将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补条目与非经插补条目，并且输出识别经插补条目和非经插补条目的第二列表；以及
[0154]
基于比较所述第一列表与所述第二列表来配置所述插补器模型。
[0155]
38.根据方面37所述的方法，还包括基于比较所述第一列表与所述第二列表来配置所述分析器模型。
[0156]
39.根据方面38所述的方法，其中，所述插补器模型和分析器模型被配置成为生成对抗网络(gan)。
[0157]
40.一种方法，包括：
[0158]
接收用于插补器模型的输入数据以获得经插补数据，其中所述经插补数据至少包括所述输入数据的子集；
[0159]
获得识别经插补数据内的经插补数据条目和非经插补数据条目的第一列表；
[0160]
将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补数据的经插补数据条目和非经插补数据条目，并且输出识别经插补数据的经插补数据条目和非经插补数据条目的第二列表；以及
[0161]
基于比较所述第一列表与所述第二列表来配置所述插补器模型。
[0162]
41.根据方面40所述的方法，其中，所述插补器模型和分析器模型被配置成为生成对抗网络(gan)。
[0163]
42.根据方面37至39中任一项所述的方法，其中，将经插补数据输入至所述分析模型还包括输入所述输入数据和所述目标数据中的至少一种。
[0164]
43.根据方面34至42中任一项所述的方法，其中，所述输入数据包括多个参数。
[0165]
44.根据方面34至43中任一项所述的方法，其中，所述输入数据、经插补数据、和所述目标数据与光刻图案化过程有关。
[0166]
45.根据方面44所述的方法，其中，所述输入数据包括调平数据、对准数据、和/或重叠数据中的至少一种。
[0167]
46.根据方面45所述的方法，其中，经插补数据包括以下各项中的一个或更多个：重叠、临界尺寸、边缘放置误差。
[0168]
47.根据方面46所述的方法，其中，所述目标数据包括产率数据。
[0169]
48.根据方面34至47中任一项所述的方法，其中，所述插补器模型被配置成估计用于虚拟/混合/计算量测和产率感知预测中的至少一种的经插补数据。
[0170]
49.一种配置插补器模型的方法，所述方法包括：
[0171]
使用所述插补器模型获得用于第一参数的经插补值；
[0172]
获得与所述第一参数相关的第二参数的测量值；
[0173]
获得预测模型，所述预测模型被配置成根据所述第一参数的值预测所述第二参数的值；
[0174]
将经插补值输入至所述预测模型以获得预测值；以及
[0175]
基于所述预测值与所述测量值的比较来配置所述插补器模型。
[0176]
50.根据方面49所述的方法，还包括基于所述比较来配置所述预测模型。
[0177]
51.根据方面50所述的方法，其中，同时进行对预测模型的所述配置和对所述插补器模型的所述配置。
[0178]
52.根据方面49、50或51的方法，还包括：
[0179]
获得被配置成估计输入值是否被插补的分析模型；和
[0180]
将经插补值输入至所述分析模型以获得经插补值是否被插补的估计，
[0181]
其中还基于输入值是否被插补的所述估计来配置所述插补器模型。
[0182]
53.根据方面52所述的方法，其中，所述插补器模型和所述分析模型被配置成为生成对抗网络(gan)。
[0183]
54.一种计算机程序产品，包括被配置成进行以下操作的计算机可读指令：
[0184]
接收用于插补器模型的输入数据，所述插补器模型是机器学习模型且被配置成提供经插补数据；
[0185]
接收与经插补数据相关的目标数据；
[0186]
将经插补数据输入至预测模型以获得预测数据；以及
[0187]
基于所述预测数据与所述目标数据之间的比较来训练所述插补器模型。
[0188]
55.根据方面54所述的计算机程序，还包括用以基于所述比较来配置所述预测模型的指令。
[0189]
56.根据方面55所述的计算机程序，其中，用以配置所述预测模型的所述指令提供基于所述比较对所述预测模型的训练。
[0190]
57.根据方面54所述的计算机程序，还包括用于进行以下操作的指令：
[0191]
获得识别经插补数据内的经插补条目和非经插补条目的第一列表；
[0192]
将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补条目与非经插补条目，并且输出识别经插补条目和非经插补条目的第二列表；以及
[0193]
基于所述第一列表与所述第二列表之间的比较来训练所述插补器模型。
[0194]
58.根据方面57所述的计算机程序，还包括用以基于所述第一列表与所述第二列表之间的所述比较来配置所述分析器模型的指令。
[0195]
59.根据方面57或58所述的计算机程序，其中，所述插补器模型和分析器模型被配置成为生成对抗网络(gan)。
[0196]
60.根据方面57所述的计算机程序，其中，被配置成将经插补数据输入至所述分析模型的所述指令还包括被配置成输入所述输入数据集和所述目标数据中的至少一种的指令。
[0197]
61.一种方法，包括：
[0198]
接收用于插补器模型的输入数据，所述插补器模型是机器学习模型且被配置成提供经插补数据；
[0199]
接收与经插补数据相关的目标数据；
[0200]
将经插补数据输入至预测模型以获得预测数据；以及
[0201]
基于比较所述预测数据与所述目标数据来训练所述插补器模型。
[0202]
62.根据方面61所述的方法，还包括基于所述比较来配置所述预测模型。
[0203]
63.根据方面61或62所述的方法，还包括：
[0204]
获得识别经插补数据内的经插补条目和非经插补条目的第一列表；
[0205]
将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补条目与非经插补条目，并且输出识别经插补条目和非经插补条目的第二列表；以及
[0206]
基于比较所述第一列表与所述第二列表来配置所述插补器模型。
[0207]
64.根据方面63所述的方法，还包括基于比较所述第一列表与所述第二列表来配置所述分析器模型。
[0208]
65.根据任一方面61所述的方法，其中，所述输入数据、经插补数据、和所述目标数据与光刻图案化过程有关。
[0209]
66.根据方面65所述的方法，其中，所述输入数据包括调平数据、对准数据、和/或重叠数据中的至少一种。
[0210]
67.根据方面66所述的方法，其中，经插补数据包括以下各项中的一个或更多个：重叠、临界尺寸、边缘放置误差。
[0211]
68.根据方面67所述的方法，其中，所述目标数据包括产率数据。
[0212]
69.一种计算机程序产品，包括被配置成进行以下操作的计算机可读指令：
[0213]
接收用于插补器模型的输入数据以获得经插补数据，其中所述经插补数据至少包括所述输入数据的子集；
[0214]
获得识别经插补数据内的经插补数据条目和非经插补数据条目的第一列表；
[0215]
将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补数据的经插补数据条目和非经插补数据条目，并且输出识别经插补数据的经插补数据条目和非经插补数据条目的第二列表；以及
[0216]
基于比较所述第一列表与所述第二列表来配置所述插补器模型。
[0217]
70.根据方面69所述的计算机程序，其中，所述插补器模型和分析器模型被配置成为生成对抗网络(gan)。
[0218]
71.一种方法，包括：
[0219]
接收用于插补器模型的输入数据以获得经插补数据，其中所述经插补数据至少包括所述输入数据的子集；
[0220]
获得识别经插补数据内的经插补数据条目和非经插补数据条目的第一列表；
[0221]
将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补数据的经插补数据条目和非经插补数据条目，并且输出识别经插补数据的经插补数据条目和非经插补数据条目的第二列表；以及
[0222]
基于比较所述第一列表与所述第二列表来配置所述插补器模型。
[0223]
72.根据方面71所述的方法，其中，所述插补器模型和分析器模型被配置成为生成对抗网络(gan)。
[0224]
73.根据方面71所述的方法，其中，将经插补数据输入至所述分析模型还包括输入所述输入数据和所述目标数据中的至少一种。
[0225]
本文中所描述的方法可以使用一个或更多个处理器执行，所述一个或更多个处理器执行储存在可以由处理器存取的存储器中的指令。处理器可以形成计算机系统cl的部分或部件，所述计算机系统cl形成整体光刻系统的部分或部件。替代地或另外，可以对与光刻系统分离的计算机系统执行所述方法。
[0226]
虽然可以在本文中具体地参考在ic制造中光刻设备的使用，但应理解，本文中所描述的光刻设备可以具有其它应用。可能的其它应用包括制造集成光学系统、用于磁畴存储器的引导和检测、平板显示器、液晶显示器(lcd)、薄膜磁头等。
[0227]
虽然可以在本文中具体地参考在光刻设备的情境下的本发明的实施例，但本发明的实施例可以用于其它设备中。本发明的实施例可以形成掩模检查设备、量测设备或测量或处理诸如晶片(或其它衬底)或掩模(或其它图案形成装置)的物体的任何设备的部分或部件。这些设备通常可以被称为光刻工具。这种光刻工具可以使用真空条件或周围(非真空)条件。
[0228]
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，本发明在情境允许的情况下不限于光学光刻术且可以用于其它应用(例如压印光刻术)中。
[0229]
虽然上文已描述本发明的具体实施例，但应了解，可以以与所描述的方式不同的其它方式来实践本发明。以上描述意图是说明性的，而不是限制性的。因此，本领域技术人员将明白，可以在不背离下文所阐述的权利要求的范围的情况下对所描述的本发明进行修改。