测量二维结构元件的阵列的局部临界尺寸均匀性的制作方法

测量二维结构元件的阵列的局部临界尺寸均匀性
1.交叉引用
2.本技术要求于2020年2月23日提交的序列号为62/980,335的美国临时专利的优先权，该专利通过引用结合于此。


背景技术：

3.半导体装置是通过高度复杂的制造工艺制造的，该制造工艺包括光刻阶段，在光刻阶段期间，光致抗蚀剂层被暴露于极紫外(euv)辐射，从而在光致抗蚀剂中形成图案。图案化的光致抗蚀剂可以用作蚀刻掩模，用于形成纳米尺度的结构元件。
4.结构元件(例如通孔)的二维阵列应当包括彼此相同的结构元件。然而，光刻阶段(以及任何其它制造阶段，例如蚀刻)并不理想，并且结构元件可能彼此偏离。
5.局部临界尺寸均匀性(lcdu)表示不同结构元件之间的临界尺寸(cd)变化，并且是结构元件平均cd的标准偏差的三倍。
6.lcdu可能会显著影响制造工艺的产量，并且应密切监测。
7.可以使用cd扫描电子显微镜(cd-sem)来测量lcdu，以单独测量一些结构元件的cd，然后估计lcdu。这一工艺非常冗长，并且在实践中仅限于在高放大率下测量少数结构元件-这可能降低lcdu测量的准确性，并且还可能损坏被测样品。
8.越来越需要提供一种用于测量二维结构元件的阵列的lcdu的安全且准确的方法。


技术实现要素：

9.可以提供一种系统、方法和存储用于测量二维(2d)结构元件的阵列的lcdu的指令的非暂时性计算机可读介质。
附图说明
10.为了理解本发明并了解其在实践中如何实施，现将参照附图仅通过非限制性示例来描述优选实施方式。
11.图1示出了一种方法的示例；
12.图2示出了一种方法的示例；
13.图3示出了系统和通孔的阵列的一部分的示例；
14.图4示出了通孔的阵列的示例，并且还示出了十六个通孔；
15.图5示出了不同阵列、光学光谱分析光谱、各种平均cd测量和lcdu测量、实施机器学习过程的处理器以及由机器学习过程生成的映射。
具体实施方式
16.在以下详细说明中，阐述了许多具体细节，以提供对本发明的全面理解。然而，本领域的技术人员将理解，本发明可以在没有这些具体细节的情况下实施。在其它情况下，没有详细描述公知的方法、工艺和组件，以免使本发明不清楚。
17.本说明书的结论部分特别指出并明确要求保护被视为本发明的主题。然而，本发明的组织和操作方法，以及其目的、特征和优点，最好通过参考以下详细描述并结合附图来理解。
18.可以理解，为使图示简单明了，图中所示元件不一定按比例绘制。例如，为了清楚起见，一些元件的尺寸可能相对于其它元件被放大。此外，在认为适当的情况下，附图标记可以在附图中重复以指示对应或类似的元件。
19.本说明书中对系统、方法和非暂时性计算机可读介质中的任何一个的任何引用应加以必要的变更后适用于任何其他系统、方法和非暂时性计算机可读介质。例如，对系统的任何引用应加以必要的变更而适用于可由该系统执行的方法以及可存储可由该系统执行的指令的非暂时性计算机可读介质。
20.由于本发明所示的至少一个实施方式在很大程度上可使用本领域技术人员已知的电子组件和电路来实现，为了理解和评价本发明的基本概念并且为了不混淆或偏离本发明的教导，因此将仅以上述示出认为必要的程度来解释细节。
21.以下所示的任何数字或值应视为非限制性示例。
22.短语“基于b的a”可表示a仅基于b，或a基于b和一个或多个其他元件和/或参数和/或信息。基于意味着a的计算受b的影响和/或a的值是b的值的函数。
23.术语“获得”可包括生成、接收等。例如-接收二维(2d)结构元件的阵列的光学光谱分析光谱，或生成阵列的光学光谱分析光谱(例如通过用宽带辐射照射阵列，收集由于照射而从阵列发射的信号，并处理信号)。
24.说明书和/或附图可涉及处理器。处理器可以是处理电路、处理电路的一部分、虚拟机核心等。处理电路可以被实现为中央处理单元(cpu)、图形处理电路(gpu)和/或一个或多个其它集成电路，例如专用集成电路(asic)、现场可编程门阵列(fpga)、全定制集成电路等，或这些集成电路的组合。
25.可提供说明书和/或附图中所示的任何方法的任何步骤的任何组合。
26.可提供任何权利要求的任何主题的任何组合。
27.可提供说明书和/或附图中所示的系统、单元、部件、处理器、传感器的任何组合。
28.说明书和附图中提到的一些示例涉及通孔。通孔是2d结构元件的非限制性示例。线路可以被视为一维结构元素。
29.可提供一种用于测量二维结构元件的阵列的lcdu的快速且准确的方法。
30.方法可用于大批量制造(hvm)期间的自动工艺控制(apc)，用于可包括euv光刻和/或etch工艺的制造工艺。
31.方法可包括使用机器学习过程，机器学习过程被训练以将2d结构元件的阵列的光学光谱分析光谱映射至阵列的平均cd和lcdu值。
32.训练过程可包括获得由cd-sem测量的不同阵列的平均cd和lcdu值。不同阵列可以根据它们的制造工艺条件(例如-诸如剂量、焦点、照射方向和/或任何其它制造工艺条件的照射条件的差异)而彼此不同-以便提供对在各种制造工艺条件下制造的阵列有效的映射。
33.对于每一个阵列-测量应包括测量阵列的显著数量(例如，至少100、150、200、300、400等)的2d结构元件的cd。显著数量超过了仅确定平均cd所需的数量-因为需要测量以捕获沿着结构元件平均cd的标准偏差的整三倍跨越的cd值。
34.对显著数量的2d结构元件的cd的测量弥补了通过cd-sem(在合理的时间段内)测量的2d结构元件的数量(通常仅少数)与通过光学光谱分析测量其cd的2d结构元件的巨大数量(甚至数百、数千、数万及更多)之间的差距。
35.在计算cd平均值和lcdu之前，可对结构元件的cd值进行过滤(例如，通过执行异常值去除)。
36.异常值可为不规则轮廓(例如-假设通孔的轮廓为圆形，则实质上偏离圆形的轮廓可视为具有不规则轮廓)，以及在cd-sem图像中合并的通孔。
37.异常值的去除显著提高了方法的准确性-因为lcdu对异常值高度敏感。在统计学中，异常值是指与其他观测值显著不同的数据点。可以以任何方式确定和/或定义什么是异常值和/或什么导致差异显著性。
38.对机器学习过程进行训练，以基于cd-sem测量的不同阵列的平均cd和lcdu值以及(b)不同阵列的光学光谱分析光谱来建立模型。
39.训练过程可以是监督训练过程，其中，不同阵列的光学光谱分析光谱作为输入馈送至机器学习过程-而平均cd和lcdu值作为机器学习过程的期望输出提供。
40.训练过程可在离线和/或在实验设计(doe)晶圆上执行。
41.无论是在独立(sa)还是在im(集成计量系统)上，可通过hvm获得光学光谱分析光谱。
42.在训练机器学习过程(以提供经训练的机器学习过程)之后，2d结构元件的测量阵列的平均cd和lcdu可由以下来确定：(a)获得所获取的2d结构元件的测量阵列的光学光谱分析光谱，(b)将2d结构元件的测量阵列的光学光谱分析光谱馈送至经训练的机器学习过程，以及(c)从经训练的机器学习过程接收2d结构元件的测量阵列的平均cd和lcdu。
43.与需要计算2d结构元件的测量阵列的高精度模型的已知基于模型的光学光谱分析法相比，所建议的方法预计更准确、更快速-因为该模型很难计算，并且对阵列内不同cd值的2d结构元件的位置(是未知的)也非常敏感。例如-假设阵列包括n行和m列通孔-并且通孔具有k个不同的cd值-则这k个不同cd值的通孔的位置可以影响基于模型的光学光谱分析的输出。
44.以下方法可由计算机或光谱分析仪、可包括光谱分析仪的系统、具有照射和收集路径的系统等执行。
45.图1显示了用于测量2d结构元件的阵列的lcdu的方法100的示例。
46.方法100可从步骤110开始，获得阵列的光学光谱分析光谱。
47.步骤110之后可为步骤120，将所获取的阵列的光学光谱分析光谱馈送至经训练的机器学习过程，其中，经训练的机器学习过程被训练以将光学光谱分析光谱映射至平均临界尺寸(cd)和局部临界尺寸均匀性(lcdu)值。
48.步骤120之后可为步骤130，通过经训练的机器学习过程输出阵列的平均cd和lcdu。
49.图2说明了训练机器学习过程的方法160。
50.方法160可从步骤170和180开始。
51.步骤170可包括获得不同阵列的光学光谱分析光谱。
52.步骤180可包括获得不同阵列的平均cd和lcdu值，平均cd和lcdu值通过cd扫描电
子显微镜(cd-sem)测量。
53.可在去除阵列的异常cd值后，计算不同阵列的阵列平均cd和lcdu值。
54.步骤170和180之后可进行步骤190，通过机器学习过程建立光学光谱分析光谱与平均cd和lcdu值之间的映射(或映射的模型)。
55.步骤190可包括多次迭代，每次迭代可包括：
56.a.选择多个阵列中的一个阵列。
57.b.向机器学习过程馈送该阵列的光学光谱分析光谱。
58.c.生成与该阵列相关的机器学习过程输出。
59.d.将与该阵列相关的机器学习过程输出与该阵列的平均cd和lcdu值进行比较(或应用代价或误差函数)。平均cd和lcdu值通过cd扫描电子显微镜(cd-sem)测量。
60.e.根据步骤(c)的结果配置机器学习过程，并跳到步骤(a)以选择新的阵列。
61.阵列的光学光谱分析光谱可被馈送作为机器学习过程的输入，并且平均cd和lcdu值可被提供作为机器学习过程的期望输出。
62.lcdu精度可能需要获得具有显著数量的2d结构元件的阵列的平均cd和lcdu。
63.图2示出了系统100、样品90和通孔阵列部分200的大约三十个通孔。
64.系统100可为光谱分析仪，并包括用宽带照射(其可以包括不同频率或不同“颜色”的辐射)来照射样品90的照射路径-如从宽带源102发射的不同类型的箭头所看到的，穿过照射光学器件(例如透镜104和透镜106)，并冲击通孔阵列(参见阵列部分200-该部分包括通孔202(1，1)-202(5，6))。
65.宽带辐射通过收集光学器件(如透镜112和透镜114)从阵列反射和/或返回和/或散射到颜色分离器116上，颜色分离器116分离不同的颜色，使得不同颜色的辐射冲击检测器120的不同像素。
66.光谱分析仪的非限制性示例可为，例如，nova measuring instruments ltd.制造的光谱分析仪，并可为(或可包括在)(例如)集成计量系统，如astera、nova i570、nova i550、nova i500等和/或独立系统：nova t500、nova t550、nova t600等。美国专利第6657736号中示出了光谱分析仪的一个示例，该专利通过引用结合于此。
67.检测信号形成光学光谱分析光谱(或经处理以提供光学光谱分析光谱)，其被馈送至处理器122，处理器122可实施机器学习过程以提供阵列的平均cd和lcdu。
68.图4示出了通孔的阵列211的示例-其中示出了16个通孔(4
×
4通孔)，并表示为211(5，5)-211(5，8)、211(6，5)-211(6，8)、211(7，5)-211(7，8)和211(8，5)-211(8，8)。
69.通孔211(5，6)和211(7，7)为异常值-并且如果阵列211用于训练机器学习过程-它们的cd在计算阵列211的平均cd和lcdu时被忽略。
70.在图4中，通孔的cd是通孔的x轴cd(例如cdx 231(5，6)、cdx231(5，8)和cdx 231(7，7))与通孔的y轴cd(例如cdy 232(5，6)、cdy 232(5，8)和cdy 232(7，7))之间的平均值。
71.图5示出了训练过程，在该过程期间，机器学习过程220基于n个阵列211(1)-211(n)的n个光学光谱214(1)-214(n)，并基于n个平均cd 212(1)-212(n)，以及n个阵列211(1)-211(n)的n个lcdu 213(1)-213(n)建立映射222。
72.用于实现相同功能的任何组件布置有效地“关联”以便实现所需功能。因此，在此被组合以实现特定功能的任何两个组件可以被视为彼此“关联”，使得实现期望的功能，而
与架构或中间组件无关。同样地，如此关联的任何两个组件也可以被视为彼此“可操作地连接”或“可操作地耦合”以实现期望的功能。
73.此外，本领域技术人员将认识到，上述操作之间的边界仅是说明性的。可以将多个操作组合成单个操作；单个操作可以分布在另外的操作中，并且操作可以在时间上至少部分重叠地执行。此外，替代实施方式可以包括操作的多个实例，并且在各种其他实施方式中可以改变操作的顺序。
74.此外，例如，在一个实施方式中，所示示例可实现为位于单个集成电路上或同一装置内的电路。可替换地，这些示例可以被实现为以适当方式彼此互连的任何数量的单独的集成电路或单独的设备。
75.此外，例如，所述示例或其部分可实现为物理电路的软件或代码表示，或可转换为物理电路的逻辑表示，例如，以任何适当类型的硬件描述语言实现。
76.但是，其他修改、变化和替代也是可能的。因此，说明书和附图被认为是说明性的而不是限制性的。
77.在权利要求中，括号中的任何参考符号不应被解释为限制权利要求。词语“包括”不排除除了权利要求中列出的元件或步骤之外的其它元件或步骤的存在。此外，本文所使用的术语“一”或“一个”被定义为一个或多于一个。此外，在权利要求书中使用“至少一个”和“一个或多个”等介绍性短语，不应被解释为暗示通过不确定的冠词“一”或“一个”引入另一个权利要求词，将包含这种引入的权利要求词的任何特定权利要求词限制为只包含一个这样的发明，即使同一权利要求书中包含了介绍性短语“一个或多个”或“至少一个”和不确定的冠词，如“一”或“一个”。定冠词的使用也是如此。除非另有说明，诸如“第一”和“第二”的术语用于任意区分这些术语所描述的元素。因此，这些术语不一定旨在指示这些元素的时间或其他优先级。在相互不同的权利要求中叙述某些措施的事实并不表示不能有利地使用这些措施的组合。
78.虽然本文已对本发明的某些特征进行了说明和描述，但本领域普通技术人员现在将想到许多修改、替换、变化和等同物。因此，应理解，所附权利要求旨在涵盖落入本发明的真实精神内的所有此类修改和变化。
79.术语“包括”、“包含”、“具有”、“组成”和“基本上由
……
组成”可相互替换。例如，任何方法可以至少包括附图和/或说明书中所包括的步骤，仅包括附图和/或说明书中所包括的步骤。