CN113892059B 用于确定图案化过程中的图案的方法 （Asml荷兰有限公司）

2021.09.26PCT/EP2020/0557852020.03.05WO2020/193095EN2020.10.01JP2009042275A,2009.02.26JP2009224409A,2009.10.01图案化过程模型被配置成预测将形成在图案化和所述第二参数集合的值以训练图案化过程模一模型和所述机器学习模型以协作地预测所述述第二参数集合的值以使得所述测量图案与所2期望的图案相关联iii）与所述图案化过程的第一方面相关联且为对所述图案化过程的所述第一方面进行建模的非机器学习模型的第一模型，所述第一模型包括第一参数集合，通过神经网络训练过程迭代地确定所述第一参数集合和所述第二参数集合的值以训使用所述图像数据来执行所述第一模型和所述机器学习模型以协作地预测所述衬底基于所述测量图案与所述图案化过程模型的预测图案，修改2.根据权利要求1所述的方法，其中在深度卷积神经网络框架中配置和训练所述第一确定所述测量图案与所述图案化过程模型的所述预测基于所述差的所述差分,由所述第一模型和所述机器学习模型的输出的后向传播来确4.根据权利要求1所述的方法，其中所述第一模型被连接至所述机器学习模型呈串联5.根据权利要求4所述的方法，其中所述第一模型和所述机器学习模型的的串联组合将所述第一模型的输出提供为至所述机器学习6.根据权利要求4所述的方法，其中所述第一模型和所述机器学习模型的的串联组合将所述机器学习模型的输出提供为至所述第一7.根据权利要求4所述的方法，其中所述第一模型和所述机器学习模型的并联组合包9.根据权利要求8所述的方法，其中抗蚀剂模型的第一参数集合对应于以下中的至少34[0002]本申请要求于2019年3月25日递交的美国申请62/823,029和于2019年12月20日递程模型和使用经训练的模型来确定在图案化过程中将印制于衬底上的装置上的电路图案一下子被转移到一个目标部分上，这样的设备通常称作为晶片步进机。具有放大率因子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速5来自深紫外照射源的照射将设计布局投影到衬底上，从而产生具有充分地低于100nm的尺复现图案(类似由电路设计者为获得特定的电功能和性能而设计的形状和尺寸)变得越困述图像数据来执行所述第一模型和所述机器学习模型以协作地预测所述衬底的印制图案；和修改所述第一参数集合和所述第二参数集合的值以使得所述测量图案与所述图案化过6分,由所述第一模型和所述机器学习模型的输出的后向传播来确定所述第一参数集合和所所述衬底上的预测图案来确定光学邻近效应校型产生模拟图像，所述模拟图像(i)最小化所述模拟图像与所述参考图像之间的强度差或一个或更多个处理器执行时引起包括以下的操作：获得(i)与待印制于衬底上的目标图案7(iii)抗蚀剂图案与形成在印制衬底上的蚀刻图案之间的测量偏差；和基于一个或更多个处理器执行时引起包括以下的操作：获得(i)图案上的多个测量部位处的测[0026]图3是根据实施例的用于训练图案化过程模型的方法的流程图，所述图案化过程模型被配置成预测将在图案化过程中形成的图[0028]图5是根据实施例的用于基于图3的经训练的图案化过程模型的预测图案来确定[0029]图6是根据实施例的用于训练机器学习模型以确定与蚀刻过程相关的蚀刻偏差的[0035]图12是根据实施例的用于基于与图案的轮廓形状(或廓形)相关的物理约束来校[0038]图14是根据实施例的用于基于其它物理约束来校准过程模型的另一方法的流程89的目标之一是如实地在衬底上(经由图案形成装置)复现用于为入射的辐射束赋以对应于将要在衬底的目标部分中产生的图案的图案化的横截面[0059]-可编程反射镜阵列。这样的器件的一个例子是具有粘弹性控制层和反射表面的可以是深紫外准分子激光源或包括极紫外(EUV)源在内的其它类型的源；源(如上所论述，中最大的可能的角度限定了投影光学元件的数值孔径NA＝sin(Θmax)。的期望值(例如理想值)的偏差的加权均方根(RMS)；成本函数还可以是这些偏差的最大值计变量可以限制成有限的范围和/或是由于系统的实施的实用性而是相互依赖的。在光刻投影设备的情形中，这些约束通常与硬件的物理性质和特性(诸如可调节范围)和/或图案献的公开内容通过引用将其全部内容并入本文中。抗蚀剂模型仅与抗蚀剂层的性质(例如图案形成装置和投影光学元件的性质)规定了空间图像。因为可以改变在光刻投影设备中[0064]在图2中示出了光刻投影设备中的模拟光刻的示例性流程图。源模型31表示源的光学特性(包括辐射强度分布和/或相位分布)。投影光学模型32表示投影光学元件的光学特性(包括由投影光学元件所引起的辐射强度分布和/或相位分布的变化)。设计布局模型35表示设计布局33的光学特性(包括由给定的设计布局33所引起的辐射强度分布和/或相述期望的设计通常定义为预先OPC设计布局，其可以被提供成标准数字文件格式(诸如[0067]可以基于设计布局中已知的临界特征区域由客户先验地提供初始的较大组的片界特征区域的自动化的(诸如机器视觉)或手工的算法从整个设计布局提取所述初始的较[0068]图案化过程(例如抗蚀剂过程)的随机变化潜在地限制光刻(例如EUV光刻)，例如或折线/断线。与例如作为用于测量和调整所述图案化过程的性能的传统关注的指标的随测量来校准曝光后过程的图案化过程模型。所述校准过程涉及通过改变不同过程参数(例将所述图案化过程模型校准成测量结果。实际上，快速且准确模型用于改进器件性能(例所述过程的物理性质/化学性质进行描述的物理项(例如，与抗蚀剂过程相关联的参数)的对所述抗蚀剂中的酸碱扩散进行建模。这种均方偏差项通常不可以经由可调谐旋钮来调抗蚀剂)的效应进行建模的基于物理的方程(CNN)之类的机器学习模型被训练用于对(例如，曝光后)图案化过程的较不理解的方面进到与利用传统技术所产生的模型精度相当或具有更优的模型[0073]图3是用于训练图案化过程模型的方法的流程图，所述图案化过程模型被配置成一方面(例如，其效应可以由基于物理性质/化学性质的方程式来准确地建模)相关联的第其效应可能无法由基于物理性质/化学性质的方程式来准确地建模)相关联的机器学习模图案化过程模型被配置成预测所述图案化过程的一方面的效应或将被印制于所述衬底上[0081]在上述方程式中，R是基于物理项和与其相关联的系数(第一参数集合的示例)而[0083]在实施例中，所述方法还涉及迭代地确定所述第一参数集合307和所述第二参数集合308的值以训练所述图案化过程模型。在实施例中，迭代涉及执行过程P303、P305和机器学习模型以协作地预测所述衬底的图案。过程P305涉及确定所述测量图案304与所述图案化过程模型的预测图案305之间的差，并且进一步确定差被减小还是被最小化。过程P307涉及修改所述第一参数集合307和所述第二参数集合308的值以使得所述测量图案304与所述图案化过程模型的所述预测图案305之间下降法引导如何修改所述第一参数集合和所述第二参数集合的值以使得所述差的相对于次迭代)涉及确定诸如ci(其是与所述物理项相关的系数)之类的所述第一参数集合的值、的输出进行比较。期望的输出可以是经由例如SEM工具而测量的与所述期望的图案对应的解的物理效应两者的图案。合的初始值可以类似于开始所述训练过程以确定所述第一参数集合和所述第二参数集合[0090]图4C图示更一般的图案化过程模型，其中所述过程模型被配置成包括(i)一个或定模型中的每个模型的参数的值。可以例如使用如先前所论述的梯度下降法来确定所述案；确定所述图案化过程模型的所述测量图案与所述预测图案(例如，输出)之间的差(例iiii[0092]图5是用于确定针对图案化过程的光学邻近效应校正的方法的流程图。所述光学测将印制于所述衬底上的图案。如先前在方法300中所论述的，经训练的图案化过程模型310包括所述图案化过程的第一方面的第一模型和所述图案化过程的第二方面的机器学习对所述图案化过程的具有相对较少的基于物理性质的理解的所述第二方面进[0094]基于所述预测图案，过程P505涉及确定光学邻近效应校正和/或缺陷。在实施例中，所述确定光学邻近效应校正涉及调整期望的图案和/或将辅助特征置于期望的图案周谐旋钮)相关联的且可以经由所述可以调谐参数调谐，由此经由所述可调谐旋钮能够实现之后对所述抗蚀剂中的酸碱扩散进行建模。这种均方偏差项通常不能经由可调谐旋钮调[0098]图6是用于训练机器学习模型以确定与蚀刻过程相关的蚀刻偏差的方法600的流[0099]工序P601包括获得(i)与待印制于衬底上的目标图案相关联的抗蚀剂图案数据例如，所述测量偏差606可以是形成在所述衬底上的抗蚀剂图案与形成在印制衬底上的蚀及使用待印制于所述衬底上的所述目标图案来执行包括所述图案化过程的抗蚀剂模型的相关的项。型包括所述蚀刻项中的一个或更多个蚀刻项以及针对所述蚀刻项中的相应一个或更多个个像素强度指示对与所述目标图案相关联的所述抗蚀剂图案的物理效应。图7至图10图示度蚀刻方法(CEM)而被校准。CEM方法在所述抗蚀剂沟槽704的边缘上使用等离子体加载以位边缘长度上的等离子体加载，并且CR0被定义为源于在蚀刻开始处来自抗蚀剂区域(例图像810可以用于表征来自邻近效应的蚀刻偏差。这种示例蚀刻偏差是被施加至所述抗蚀成最终酸密度分布图像901时的酸和碱的反应和扩散。多个截断项表示曝光后焙烤期间的[0108]返回参考图6，工序P603包括基于所述抗蚀剂图案数据602、所述物理效应数据模型603。在所述图案化过程中可以采用这种经训练的机器学习模型603以改善性能指标，所述过程参数可以被调整以使得图案的失效的数目减少由此改接收所述抗蚀剂图案数据602，并且所述物理效应数据604在机器学习模型603的最后一层过使用所述抗蚀剂图案数据602作为输入来执行所述机器学习模型603而预测的所述蚀刻[0111]在实施例中，所述机器学习模型603的最后一层的输出是从其中提取所述蚀刻偏来执行所述机器学习模型603以输出蚀刻偏差图，其中所述蚀刻偏差图包括偏置的抗蚀剂用所述抗蚀剂图案数据602和所述物理效应数据604作为输入来执行所述机器学习模型603用所述梯度作为引导来调整模型参数值以使得所述测量偏差606与所述预测蚀刻偏差之间中所述大小在蚀刻之前比在蚀刻之后更小。在实施例中，所述蚀刻模型采用校准/检查量以用于LMC/OPC应用。例如，LMC可以确定AEI轮廓是否满足与所述目标图案相关的大小约或滤波器来对所述抗蚀剂轮廓进行卷积运算)来确定。另一物理项可以是使用具有第二参数集合(例如，在100至200nm之间的均方偏差)的高斯核或滤波器而确定的中间阶段加载。底上的所述器件图案在蚀刻之前被有效地被调整以补偿预期在所述蚀刻期间出现的蚀刻化允许在(经调整的)光刻之后由所述蚀刻过程而产生的实际特征更接近于期望的产品规效应模型来确定表征所述蚀刻过程对所述衬底的效应的物理效应数据604；使用所述抗蚀剂图案和所述物理效应数据604作为输入来执行经训练的机器学习模型603以确定所述蚀述测量偏差606与所确定的蚀刻偏差之间[0122]在实施例中，经训练的机器学习模型603是包括特定权重和偏差的卷积神经网络关联的物理效应数据604、以及与每个抗蚀剂图案相关联的测量偏差606来确定CNN的权重所述半导体过程设备的机制来改变所述一个或更多个参数的当前值；(b)经由所述半导体过程设备获得印制于所述衬底上的所述抗蚀剂图案；(c)经由使用所述抗蚀剂图案执行经训练的机器学习模型603来确定所述蚀刻偏差，并且通过将所述蚀刻偏差施加至所述抗蚀剂图案来进一步确定所述蚀刻图案；(d)基于所述蚀刻图案来确定所述图案化过程的产率述蚀刻图案来确定所述蚀刻过程的蚀刻选配方案，使得所述图案化过程的所述产率被改生通常可能不期望被印制于衬底上的不规则[0126]用于解决过拟合问题或预测相关问题的当前方法是在模型校准期间具有更多的[0128]图12是用于基于与图案的轮廓形状(或轮廓)相关的物理约束来用于校准过程模的距离在由远离轮廓1110(或1120)指向的箭头所示出的方向上被测量。取决于轮廓1110/[0132]在另一示例中，图13B图示了产生不满足物理约束的模拟轮廓1120的经校准的模拟合所述测量数据(例如，EPE或CD值)以使得与所述模拟轮廓1120相关联的误差的总和最[0133]返回参考图12，工序P2003涉及通过调整所述过程模型的模型参数的值来校准所代处是随机值并且在后续迭代处是经调整的值；(c)确定测量部位中的每个测量部位处的模拟轮廓的切线；(d)确定在测量部位中的每个测量部位处的测量数据2002的角度与切线之间的切线角；(e)确定切线角在多个测量部位中的一个或更多个测量部位处是否在垂直[0137]在实施例中，所述过程模型2003是包括经验模型和/或机器学习模型的数据驱动修改或调适以供用于所述图案化过程的任何过程而确定)施加至所述抗蚀剂轮廓来产生蚀刻[0139]图14是用于基于物理约束来校准过程模型的另一方法3000的流程图。在实施例[0141]工序P3003涉及校准所述过程模型3003以使得所述过程模型3003产生模拟图像，所述模拟图像(i)最小化所述模拟图像与所述参考图像3002之间的强度差或频率差，和图像3002与所述模拟图像之间的相似性可以用于量化抗蚀剂模型稳定性以了解过拟合风行所述过程模型以产生所述模拟图像；(b)确定所述模拟图像与所述参考图像3002的强度值之间的强度差，和/或经由傅立叶变换将所述模拟图像和所述参考图像3002变换到频域内且确定与所述模拟图像和所述参考图像3002相关的频率之间的频率差；(c)确定所述模拟轮廓是经由使用目标图案来执行所述过程模型而确定的模迭代处是随机值且在后续迭代处是经调整的值；(c)确定测量部位中的每个测量部位处的模拟轮廓的切线；(d)确定测量部位中的每个测量部位处的测量数据2002的角度与切线之权重和偏差。模型以使得所述过程模型产生模拟图像，所述模拟图像(i)最小化模拟图像与参考图像用目标图案来执行过程模型以产生模拟图像；(b)确定模拟图像与参考图像3002的强度值之间的强度差，和/或经由傅立叶变换将模拟图像和参考图像3002变换到频域内且确定与模拟图像和参考图像3002相关的频率之间的频率差；(c)确定模拟图像中的信号的模拟梯或更多个处理器执行时引起包括以下的操作：获得(i)与待印制于衬底上的目标图案相关联的抗蚀剂图案数据602，(ii)表征蚀刻过程对目标图案的效应的物理效应数据604，和或更多个处理器执行时引起包括以下的操作：获得(i)图案上的多个测量部位处的测量数生模拟图像，所述模拟图像(i)最小化所述模拟图像与所述参考图像3002之间的强度差或[0166]在一些实施例中，扫描电子显微镜(SEM)得到被曝光或转印于衬底上的结构(例电子束202由聚光器透镜203会聚且接着穿过束偏转器204、E×B偏转器205和物镜206以在检测从样本产生的电子而获得：例如通过束偏转器204来二维扫描电子束或通过束偏转器204在X方向或Y方向上重复扫描电子束202，以及通过衬底台101在X方向或Y方向中的另一[0168]由二次电子检测器207检测的信号通过模拟/数字(A/D)转换器208转换为数字信门设计的硬件或硬件与软件的组合)被配置成将数字图像转换成或处理成表示数字图像的[0171]二次带电粒子检测器模块85检测在由带电粒子束探针92轰击后即从样本表面发射的二次带电粒子93(也可以能与来自样本表面的其它反射或散射带电粒子一起)以产生探针92轰击的样本90所发射的所检测的二次带电粒子[0172]如上文所提及的，可以处理SEM图像以提取所述图像中对表示器件结构的物体的缘之间距离(CD)或图像之间的简单像素差之类的过分简单化(simplistic)指标来比较和廓模型的结果以寻址有噪声且不连续图像，但将最终导致高分辨率图像的低分辨率量化。中使用以确定物体(例如衬底)与另一物体(例如图案形成装置)的对准的对准标记或其部题是被投影到衬底上的设计布局的图像的最终尺寸和定位将不与图案形成装置上的设计存在的影响。这些邻近效应由于从一个特征耦合至另一特征的微小量的光而产生和/或由SimulationandDesignAnalysis-howOPCIsChangingICDesign”(C.Spence，[0176]在芯片设计中通常存在数百万个特征的情况下，将基于模型的OPC应用至目标设过程模型的密集型全芯片模拟的设计检查来验证OPC的效应，例如在应用OPC和任何其它引用的方式并入本文中的美国专利申请号10/815,573和Y.Cao等人的题为“OptimizedHardwareandSoftwareForFast,FullC[0178]一种RET与设计布局的全局偏差的调节有关。全局偏差为设计布局中的图案与打者与图案形成装置优化一起进行优化或单独地进行优化，致力于改善整体的光刻保真度。[0180]例如，在Rosenbluth等题目为“Optimu过程窗口度量(诸如曝光宽容度)独立地用公式表达成本函数(其被定义为所选择的设计变量的函数)，所述过程窗口度量可以通过光学成像模型由源点强度和图案形成装置衍射级蚀剂特性中的这些特性)在优化中可以在设计变量之中。成本函数通常是设计变量的非线有已有的193nmArF光刻术的低k1光刻术时代。朝向较低的k1的光刻术对分辨率增强技术[0183]源和图案形成装置(设计布局)优化方法和系统允许使用成本函数没有约束地且在实际可行的时间量内同时优化源和图案形成装置，其在共同转让的于2009年11月20日申请的国际专利申请No.PCT/US2009/065359、并且公开号为WO2010/059954的题目为其全部内容并入本文中。让的于2010年6月10日申请的美国专利申请No.12/813456、并且美国专利申请公开号为p更临界的评估点或图案指派较高w值。也可以向具有较大出现次数的图案和/或评估点指ppppp相移的形状。投影光学器件优选地可以调整沿光刻投影设备的光学路径的任何部位处(诸分布可以改变评估点和成本函数的值。可以从模型模拟这些变化或实际上测量这些变化。,...,zN)的正常加权均方根(RMS)被定义为p本函数也包括最小化掩模误差增强因子(MEEF)，所述掩模误差增强因子被定义为衬底EPE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的特性学器件的特性(1200B)和设计布局的特性(1200C)，这种情形导致源-掩模-透镜优化光学器件的特性的设计变量和/或任何其它设计变量被允许同时改变。如本文中所使用的在步骤S1304中执行源优化的步骤，其中优化了照射源(SO)的所有设计变量以最小化成本骤S520指示出针对用于已被选择用于对所述光刻过程进行优化的所识别的评估点的给定[0201]在示例性优化过程中，没有假定或近似所述设计变量(z1,z2,...,zN)与fp(z1,)之外，其通常在光刻投影设备中有效。可以应用诸如高斯-牛顿算法在(z1i,z2i,...,zNi)的邻域中线性化fp(z1,z2,...,zN)，并且接着计算(z1i,[0209]如果设计变量(z1,z2,...,zN)是在呈J个不等式(例如，(z1,z2,...,zN)的调谐范jnkp情况下，则可以放宽常数ELp和EUp直到可实现所述约束为止。这种优化过程最小化(z1i,pp[0224]其中λ是指定对缺陷大小的RMS的优化与对最差缺陷大小的优化之间的折衷的预量和散焦以外的不同或额外的基参数而建立的广义过程窗定义。这些基参数可以包括(但本函数也可以包括至少一个fp(z1,z2,...,zN)，诸如在方程式7或方程式8中的fp(z1,[0235]图21示出同时SMLO过程可以如何将高斯-牛顿算法用于优化的一个特定示例。在中比较期望的光刻响应指标与那些量的预测值。在步骤S716中，确定过程窗。步骤S718、也可以是经优化的源映射和/或经优化的设[0237]所述方法通过限定照射源的像素组和图案形成装置的图案形成装置图案块来开光刻指标或响应的结果。将特定光刻指标限定为待优化的性能指标(步骤S806)。在步骤和图案形成装置图案块的实体部位(例如，将与照射源的中心较接近的像素组排序较高)，和根据所述像素组或图案形成装置图案块的变更如何影[0241]在其它方法中，也在S812的优化过程内执行像素组和/或图案形成装置图案块的干次迭代中已见证性能指标的几乎没有改进或没有改善，则性能指标可以被认为已收敛。改的照射形状和经修改的图案形成装置被用作用于下次迭代的初始照射形状和初始图案法可以包括优化作为光刻过程的一个或更多个随机效应的函数且作为衬底的曝光时间的pp机变化。例如，这些随机变化可以包括特性的失效率、线边缘粗糙度(LER)、线宽粗糙度[0246]图22为图示计算机系统100的方块图，其可以辅助执行本文公开的优化方法和流被处理器104执行的信息和指令。主存储器106还可以用于在由处理器104执行的指令的执[0247]计算机系统100可以经由总线102联接至显示器112(诸如阴极射线管(CRT)或平板键)联接至总线102用于将信息和命令选择与处理器104通信。另一类型的使用者输入装置器104通信和用于控制显示器112上的光标移动。这一输入装置典型地在两个轴线(第一轴[0248]根据本发明的一个实施例，优化过程的部分可以由计算机系统100响应于用于执行包含在主储存器106中的一个或更多的指令的一个或更多的序列的处理器104而被执行。布置中的一个或更多的处理器也可以被用于执行包含在主存储器106中的指令的序列。在[0250]各种形式的计算机可读介质可能涉及将一个或更多的指令的一个或更多的序列系统100本地的调制解调器可以接收电话线上的数据，且使用红外发送器将数据转换成红外信号。联接至总线102的红外探测器可以接收在红外信号中携带的数据和将数据置于总由主存储器106接收的指令可以可选择地在处理器104的执行之前或之后被储存在储存装118可以是综合业务数字网(ISDN)卡或调制解调器，用于提供数据通信连接至对应类型的如，网络链路120可以通过本地网络122提供连接至主机124或由网络服务商(ISP)126操作种网络的信号和网络链路120上和通过通信接口118的信号将数字数据传送至计算机系统接口118为应用程序发送请求码。一个这样的被下载的应用程序可提供用于例如实施例的[0256]-第一载物台(例如掩模台)MT，其具备用于保持图案形成装置MA(例如掩模版)的案形成装置MA的被照射部分成像到衬底W的目标部分C(例如以用于设定束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称作σ外部及图案形成装置MA上的束B在其横截面中具有期望的均一性和强度分[0261]关于图23应该注意的是，源SO可以在光刻投影设备的外壳内(源SO是例如汞灯时设备中(例如借助于适当的引导镜)；这后一种情形经常是源SO为准分子激光器(例如基于2激光作用)时的情况。地获得图案形成装置MA之后或在扫描期间相对于束B的路径来准确地定位图案形成装置[0270]-支撑结构(例如掩模台)MT，构造用于支撑图案形成装置(例如掩模或掩模版)MA并与配置用于精确地定位图案形成装置的第一[0272]-投影系统(例如反射式投影系统)PS，所述投影系统PS配置用于将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或的吸收材料的薄片定义了特征将印制(正性抗蚀剂)或不印制(负性抗的方法包括但不必限于将材料转换为等离子体状态，该材料具有在EUV范围内具有一个或燃料的激光束的激光器(在图11中未示出)的EUV辐射系统的一部分。所形成的等离子体发射器的光瞳平面中的强度分布的至少所述外部和/或内部径向范围(一般分别称为σ-外部支撑结构(例如掩模台)MT的速度和方向可以通过所述投影系统PS的(缩小)放大率和图像这种操作模式可易于应用于利用可编程图案形成装置(例如，如上所述类型的可编程反射收集器模块SO构造并布置成使得在源收集器模块SO的包围结构220内保持真空环境。用于发射EUV辐射的等离子体210可以通过放电产生等离子体源形成。EUV辐射可以通过气体或谱的EUV范围内的辐射。通过例如引起至少部分离子化的等离子体的放电来形成极高温等[0283]由高温等离子体210发射的辐射从源腔211经由可选的定位在源腔211内的开口内或其后面的气体阻挡件或污染物阱230(在某些情况下被称为污染物阻挡件或翼片阱)被传气体阻挡件和通道结构的组合。此处进一步示出的污染物阱或污染物阻挡件230至少包括中间焦点，并且该源收集器模块布置成使得中间焦点IF位于包围结构220的开口处或其附辐射束21的期望的角分布以及在图案形成装置MA处提供期望的辐射强度均匀性的琢面场[0286]在照射光学装置单元IL和投影系统PS中通常可以存在比图示的元件更多的元出的反射镜更多的反射镜，例如在投影系统PS中可以存在在图25中示出的元件以外的1-6温度的高度离子化的等离子体210。在这些离子的去激发和复合期间生成的高能辐射由等[0289]此处所披露的构思可以模拟用于使亚波长特征成像的任何一般性成像系统或在断变短的波长的成像技术的出现是特别有用的。已经使用的现有的技术包括EUV(极紫外外，EUV光刻术能够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)来[0293]迭代地确定所述第一参数集合和所述第二参数集合的值[0294]使用所述图像数据来执行所述第一模型和所述机器学习模型以协作地预测所述[0295]修改所述第一参数集合和所述第二参数集合的值以使得所述测量图案与所述图[0296]2.根据方面1所述的方法，其中在深度卷[0301]基于所述差的所述差分,由所述第一模型和所述机[0312]9.根据方面8所述的方法，其中[0325]10.根据方面1至9中任一项所[0327]12.根据方面1至9中任一项所述的方过程的具有相对较少的基于物理性质的理解的第二方面进[0330]15.根据方面1至14中任一项所述的方法，其中所述曝光后过程的所述第一方面[0333]使用所述图像数据来执行经训练的图案化过程模型以预测将印制于衬底上的图[0334]使用将印制于经受所述图案化过程的所述衬底上的预测图案来确定光学邻近效[0336]18.根据方面16所述的方法，其中[0337]19.根据方面18所述的方法，其中所[0338]20.根据方面16至19中任一项所述曝光后过程的所述第一方面的物理性质进行准确地[0339]21.根据方面16至20中任一项所述[0340]22.根据方面16至21中任一项所述的程的具有相对较少的基于物理性质的理解的所述第二方面进[0342]调整期望的图案和/或将辅助特征置于期望的图案周围以使得所述预测图案与期[0345]25.一种用于训练机器学习模型的方法，[0346]获得(i)与待印制于衬底上的目标图案相关联的抗蚀剂图案数据，(ii)表征所述蚀刻过程对所述目标图案的效应的物理效应数据，和(iii)抗蚀剂图案与形成在印制衬底[0348]26.根据方面25所述的方法，其中所述[0350]28.根据方面27所述的方法，其中[0351]使用所述抗蚀剂图案数据作为输入来执行所述机器学习[0353]29.根据方面28所述的方法，其中所述机型的所述第一层处接收所述抗蚀剂图案数据和所述物理[0355](a)经由使用事实上抗蚀剂图案数据和所述物理效应数据作为输入来执行所述机[0358](d)使用所述梯度作为引导来调整模型参数值以使得所述测量偏差与所述预测蚀[0362]使用待印制于所述衬底上的所述目标图案来执行包括所述图案化过程的抗蚀剂[0363]32.根据方面25至31中任一项所述[0364]33.根据方面25至32中任一项所述的方法，[0367]通过利用具有指定模型参数的高斯核来对所述抗蚀剂图案进行卷积运算而确定针对所述蚀刻项中的相应一个或更多个蚀刻项而指[0374]35.根据方面25至34中任一项所述的[0382]使用所述抗蚀剂图案和所述物理效应数据作为输入来执行经训练的机器学习模[0385]39.根据方面37至38中任一项所述[0388]41.根据方面40所述的系统[0391](c)经由使用所述抗蚀剂图案执行经训练的机器学习模型来确定所述蚀刻偏差，并且通过将所述蚀刻偏差施加至所述抗蚀剂图案来进一步确定所述[0392](d)基于所述蚀刻图案来确定所述图案化过程的产率是否在期望的产率范围内；和[0397]基于所述蚀刻图案来确定所述蚀刻过程的蚀刻选配方案以使得所述图案化过程[0398]43.根据方面37至42中任一项所述的越整个所述衬底上的满足设计规格的蚀刻图案[0401]获得(i)图案上的多个测量部位处的测量数据，和(ii)基于所述测量数据指定的[0403]46.根据方面45所述的方法，其中所[0405]48.根据方面47所述的方法，其中每个测量[0406]49.根据方面45至48中任一项所述的[0407]50.根据方面45至49中任一项所述[0408](a)使用所述模型参数的给定值来执行所述过程模型以产生所述模拟轮廓，其中给定值在第一迭代处是随机值且在后续迭代处是[0410](d)确定在测量部位中的每个测量部位处的测量数据的角度与切线之间的切线[0411](e)确定所述切线角在测量部位中的一个或更多个测量部位处是否在垂直范围[0414]52.根据方面45至51中任一项所述的方[0418]获得(i)与所述目标图案相关联的参考图像，和(ii)相对于所述参考图像指定的[0419]校准所述过程模型以使得所述过程模型产生模拟图像，所述模拟图像(i)最小化变换将所述模拟图像和所述参考图像变换到频域内且确定与所述模拟图像和所述参考图[0423](c)确定所述模拟图像中的信号的模拟梯度，其中所述信号是沿穿过所述模拟图骤(a)至(d)直到满足条件(i)和(ii)[0426]57.根据方面55至56中任一项所述[0427]58.根据方面55至57中任一项所述的方[0431]60.根据方面55至59中任一项所述[0433]61.根据方面55至60中任[0437]62.根据方面55至61中任一项所述的方[0438]63.根据方面55至62中任一项所述的拟轮廓是经由使用所述目标图案来执行所述过程模型而确定的模[0443]65.根据方面64所述的系统，其中多[0445]67.根据方面66所述的系统，其中每轮廓与所述目标轮廓之间的边缘放置误差被确定[0446]68.根据方面64至67中任一项所述的系的所述模拟轮廓的切线与所述给定部位处的[0447]69.根据方面64至68中任一项所述的[0448](a)使用模型参数的给定值来执行所述过程模型以产生所述模拟轮廓，其中给定值在第一迭代处是随机值且在后续迭代处是[0450](d)确定在测量部位中的每个测量部位处的所述测量数据的角度与所述切线之间[0451](e)确定所述切线角在测量部位中的一个或更多个测量部位处是否在垂直范围[0452](f)响应于所述切线角不在垂直范围内，调整所述模型参数的值，并且执行步骤[0454]71.根据方面64至70中任一项所述[0456]73.根据方面64至72中任一所述扫描电子显微镜被配置成从印制衬底上的图案的捕获图像识别和提[0462]校准所述过程模型以使得所述过程模型产生模拟图像，所述模拟图像(i)最小化变换将所述模拟图像和所述参考图像变换到频域内且确定与所述模拟图像和所述参考图[0466](c)确定所述模拟图像中的信号的模拟梯度，其中所述信号是沿穿过模拟图像的骤(a)至(d)直到满足条件(i)和(ii[0469]