CN113366498B 用于性质联合插值和预测的设备和方法 （Asml荷兰有限公司）

2021.07.30PCT/EP2019/0849232019.12.12WO2020/156724EN2020.08.06US2018024968A1,2018.01.25WO2018072980A1,2018.04.26WO2018153711A1,2018.08.30中的每一个数据集包括与参数的跨越所述产品先前获得的多维对象和先前产品单元的性质所2获得多个数据集，其中所述多个数据集中的每一个数据集包将所述多个数据集中的每一个数据集表示为获得利用先前获得的多维对象和先前衬底的性质所训练的卷积将所述卷积神经网络模型应用于表示所述多个数据集的多个多其中所述卷积神经网络模型包括多个部分，所述多个部分包括3.根据权利要求2所述的方法，还包括将所述多个输入部分输出输入到所述合并部分个多维对象中的第一多维对象和所述多个多维对象中的第二多维对象相对应的输入部分在所述输入部分中，将一个或更多个第一滤波器应用于所述多在所述输入部分中，将一个或更多个第二滤波器应用于所述多其中，所述一个或更多个第一滤波器的应用和所述一个或更设置用以确定与所述多个多维对象中的第一多维对象和第二多维对象相对应的输入部分基于所获得的训练数据来训练所述卷积神经网络模型以预测所述多维对象内的与所8.根据权利要求1所述的方法，其中待预测的性质是目标参数的横跨所述衬底的空间3训练所述卷积神经网络以预测被包含在所述多个多维对所述对象结构与被包含在所述背景数据内的预定义结15.一种计算机程序，包括当在至少一个处理器上执行时使所述至少一个处理器执行获取多个数据集，其中，所述多个数据集中的每一个数据集包括与将所述多个数据集中的每一个数据集表示为获得利用先前获得的多维对象和先前衬底的性质所训练的卷积将所述卷积神经网络模型应用于表示所述多个数据集的多个多其中所述卷积神经网络模型包括多个部分，所述多个部分包括18.根据权利要求17所述的计算机程序，还包括配置成训练所述卷积神经网络以预测4[0002]本申请要求2019年1月30日提交的欧洲申请19154587.0和2019年3月20日提交的或更多个紧密控制回路可以用于改善低k1情况下所述5对象；获得利用先前获得的多维对象和先前产品单元的性质所训练的卷积神经网络模型；维对象中的第二多维对象相对应的输入部分输出具所述一个或更多个第二滤波器的应用被设置用以确定与所述多个多维对象中的第一多维对象和第二多维对象相对应的输入部分输出的公6多个特征内的数据特征。所述数据特征可以与被包括在所述训练数据内的预定义结构相象的特征内的对象结构，其中所述对象结构与被包含在所述背景数据内的预定义结构相所述方法还可以包括通过对所述模型输出执行一个或更多个处理步骤来预测理器被配置成根据本文中以上描述的方法来预7案包括与根据上述方法而预测的性质相关联的控制一个处理器上执行时使所述至少一个处理器执行上述[0049]图3描绘了整体光刻的示意图，表示用以优化半导体制造的三项关键技术之间的射镜阵列和可编程LCD阵列。8辐射束B在图形装置MA的平面处的其横截面中具有期望的空间和W用于对其它衬底W上的图案曝光。传感器和/或清洁装置。传感器可以被布置成测量所述投影系统PS的性质或辐射束B的性[0062]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（例如掩模的装置通常在涂覆显影系统控制单元或轨迹控制单元TCU的控制下，涂覆显影系统控制单[0064]为了使由光刻设备LA曝光的衬底W正确且一致地曝光，期望检查衬底以测量图案在衬底W上执行的其它处理步骤进行调整，特别是如果在同一批次或批量的其它衬底W仍待9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如何在层间发生变化。所述检查设备可以替代地被构造为识别所述衬底W上的缺陷，并且例如可以是光刻单元LC境的关键是优化这三个系统之间的协同工作以增强整个过程窗口并且提供紧密的控制回检测所述光刻设备LA当前在过程窗口内的何处进行操作（例如使用来自量测工具MT的输[0070]为了基于多个不同的量测来对性质进行预测，必须对不同量测的数据进行组测模型可能会不利地影响预测性能。插值数据可能会误报或忽略参数的一些实际测量数[0072]本文中所描述的是允许通过提供用以分离插值和预测步骤的替代方案以及通过括使用光刻设备的至少一种光刻成像技术的方法来提供所述一个或更多例如，ConvNet可以将输入分类为落入性能边界之内或落在性能边界之外。替代地或另外入提供至可以像处理图像一样处理所述数据的ConvNet，以便发现所述衬底上的不同量测产品单元的重叠数据也可以在第一方向和第二方向上以两个子集的形式横跨产品单元而获得多个数据集102。多个数据集中的每个数据集可以包括与参数的横跨产品单元的空间质来训练所述网络。将训练后的ConvNet应用106于多个多维对象以预测108与所述产品单[0080]所述多个数据集可以包括所述产品单元的对准AL数据、所述产品单元的调平LVL重叠指纹数据可以被理解为是特定于一个或更多个设备的由所述设备的性能特性引起的[0081]所述数据集和/或量测数据可能具有不同的分辨率，这取决于数据集的类型和可数据集可以具有与多个数据集中的至少一个其它数据集不同的分辨率。在某些实现方式据集表示为多维对象不需要插值。一个或更多个数据集可以具有与其它数据集不同的大[0083]与横跨所述产品单元的空间分布相关联的数据可以包括与所述产品单元上的多[0084]待根据所述方法预测的性质可以是目标参数的横跨所述产品单元上的空间分[0085]图5描述了适合于对产品单元的性质进行预测的卷积神经网络的结构。产品单元个多维对象具有与量测数据相对应的数据点的空间分布。所述多维对象可以就它们由ConvNet以类似于光学图像的方式进行处理的意义而言被称为图像，并且因此所述多维数可以包括被称为输入部分的由层L1至Li合并部分的由层Li至Lj-1组成的第二述潜在表示作为输入而被提供给所述ConvNet中的下一层。所述潜在表示可以例如包括一部分以及合并数据的另一部分的一个优点是，所述ConvNet可以单独地分析每个多维对象过将与不同数据集相关的数据组合为所述合并部分的一部分来实现隐式插值。因此，ConvNet的潜在优点可以是，这种隐式插值考虑作为隐式插值的一部分的多个数据集的组为所述ConvNet可以基于对数据集内的数据以及数据集之间的关系的考虑来估计性质。当数据集，这可能导致上述段落中所描述的插值数据的问题。使用ConvNet允许克服这些问[0090]所述输入部分可以接收ConvNet输入IN作为部分输入。所述输入部分可以产生输个潜在表示具有相同的大小。可以将所述输入部分输出作为输入而提供至所述合并部分。对所述ConvNet的输出OUT执行一个或更[0092]多个多维对象中的每一个多维对象可以被分别输入到所述输入部分的相应一个分区可以提供有调平数据的输入。所述ConvNet可以确定所述输入部分的每层中的三个潜合并部分输出可以作为输入而被提供至所述ConvNet的输出部分。所述输出部分可以确定[0094]所述输入部分、所述合并部分和所述输出部分中的一个或更多个可以包括多个[0095]所述输入部分包括多个分区，其中分区的数量可以由输入到所述ConvNet中的多的多个分立的潜在表示SLT可以是所述输入[0096]所述ConvNet所述的输入部分的多个分区中的每个分区可以包括至少一个卷积运[0097]所述合并部分可以接收所述输入部分输出并且在所述合并部分的第一层中一起括多个层，其中在所述合并部分的第一层之后的每一层接收合并的潜在表示MLT并且输出[0098]所述合并部分输出可以由所述ConvNet的输出部分的第一层接收。所述输出部分以包括产品单元类型、产品单元ID。背景数据CXTD也可以包括与影响所述产品单元的设备变量。背景数据可能包含所述输入数据中不存在的数据。如本文所描述的，可以在所述ConvNet的输出部分处添加背景数据CXTD。背景数据可以以矢量方式被级联并且添加到所述ConvNet。矢量可以通过将其与所述ConvNet中的一层的输出相组合来添加，并且通过所述ConvNet的其余层而被处理。例如，所述背景变量可以在所述输出部分中作为所述ConvNet的前馈部分的一部分而被添加。可以例如作为使用用于对衬底进行图案化的特定卡盘或设备的结果与存在于图案化衬底上的预定义结构相关。所述背景数据可能导致针对由ConvNet处理的所述多维对象的特征品单元可以具有与使用第二卡盘而被图案化的产品单元不同的性质。ConvNet可以被训练以基于所提供的背景数据来预测与所述预定[0101]多维对象可以包括一个或更多个通道的集合。所述通道可以与相同的数据集相述ConvNet中的层产生的潜在表示可以具有与所述输入类似的格式。ConvNet中的每个层可以被配置成接收一个或更多个输入通道，并且提供形成由所述层所输出的潜在表示的一个或更多个输出通道。潜在表示可以包括一个或更多个通道。潜在表示的通道可以是二维矩阵M的一部分和滤波器F的元素的乘积的总和，作为所述卷积运算的所述输出通道的元素。滤波器F可以在所述矩阵上滑动以确定所述输出通道的多个元素。促成所述输出通道的大[0106]所述ConvNet可以包括用于向层的输出添加非线性的非线性层。非线性层可以被[0107]所述ConvNet可以包括池化层。可以在ConvNet的卷积层任何卷积层可以之后紧随有非线性层和池化层中的一个或两者。在ConvNet中包括多个卷一个或更多个前馈层。ConvNet可以包括权重和偏置的一个或更多个完全连接的层或部分以包括一个或更多个前馈层。所述前馈层可以采用前一层的输出并且将其与权重矩阵相[0110]本说明书的先前段落针对所述ConvNet就其中包括或不包括不同层的情况提供了[0111]将ConvNet应用于多个多维对象可以确定模型输出。所述模型输出可以包括所预备LA中的一个或两个光刻设备在计算机系统CL上执行用于至少部分地基于所预测的性质来确定光刻设备LA的一个或更多个设定点的处理步骤。所述产品单元可以是半导体衬底。获取多个数据集可以包括从处理后的半导体衬底被包含在待提供给所述ConvNet的多维对象内的数据特征。所述数据特征可以与被包含在[0115]所述训练数据可以包括待提供给ConvNet的例如呈被表示为多维对象的多个数据能是使用较少的重叠量测或不使用重叠量测来获y作为输入IN数据集而被提供给ConvNet。对准数据和调平数据可以是从所述产品单元获得xyyn的输出OUT包括可以用于预测所述产品单元上的重叠OVL的空间分布的数据。数据来预测衬底上的管芯的良率；以及使用重叠数据和对准数据以基于所述衬底的重叠[0119]本文所描述的方法可以用于确定和/或更新用于控制光刻设备LA的一个或更多个对所述光刻设备内的衬底定位系统和衬底测量系统的坐标系中的一个或两一个处理器上执行所述计算机程序以便执行所述方法的步骤。所述方法可由计算机系统CL或光刻设备LA执行。所述计算机系统CL或光刻设备LA包括处理器，或者可以包括多个处理器。所述处理器可以被配置成根据本文所描述的方法来预测性质。所述处理器可以被连接到载体，所述载体可以被包括在计算机系统CL内或者与计算机系统CL相连接的另一设备控制设备执行如上所述的任何方法的指令。[0125]获得利用先前获得的多维对象和先前产品单元的性质所训练的卷积神经网络模对象中的第一多维对象和所述多个多维对象中的第二多维对象相对应的输入部分输出具用被设置用以确定与所