CN115349109B 用于预测与过程相关联的过程度量的方法和设备 （Asml荷兰有限公司）

2022.09.28PCT/EP2021/05459720WO2021/197717EN2021.10.07用于预测与过程相关联的过程度量的方法输入过程数据来预测制造过程的过程度量的一或多个模型和/或一个或多个模型的模型配置，并且基于输入新的过程数据来确定在预测所述过程度量时所述一个或多个模型和/或模型配置2获得一个或多个模型，所述一个或多个模型被配置用于基于输入基于将新的过程数据输入到所述一个或多个模型，使用强化学或多个模型和/或所述一个或多个模型的模型配置，并且基于输入新的过程数据来确定在预测所述过程度量时所述一个或多个模型和/或模型配置的2.根据权利要求1所述的方法，其中所述过程度量与所述制造过程的产率或品质参数3.根据权利要求1所述的方法，其中所述配4.根据权利要求1所述的方法，其中所述过程数据和新的过程数据包括所述制造过程6.根据权利要求1所述的方法，其中预测所述过程度量时的所述性能基于将所述预测8.根据权利要求7所述的方法，其中所述过程度量指示经受所述制造过程的衬底的品11.根据权利要求10所述的方法，其中所述一个或多个模型至少包括基于监督学习的12.一种包括指令的计算机程序，所述指令在合适的设备上运行时能够操作以执行权3[0002]本申请要求于2020年4月2日提交的EP申请20167729.1和于2020年4月20日提交的[0004]制造过程(诸如图案化半导体衬底的过程)通常需要充分配准(registration)表于控制过程，诸如修改制造装置的操作参数和/或辅助在经受一个或多个过程步骤后对单[0011]预测过程度量可以包括将与过程特征相关联的值作为输入提供给具有所选模型4[0013]过程数据可以包括与该过程的单个特征或多个特征以及单个特性或多个特性相配置相关联的值可以包括使用先前选择的模型配置预测的先前预测的过程度量的准确性。[0022]模型类型可以表示模型架构的类型和/或算法的类型。模型参数可以表示在使用训练数据训练模型期间确定的参数。模型超参数可以表示通常在训练之前设置的模型参5以包括来自该方法的先前重复的存储值。数据集可以包括与过程特征相关联的先前测量[0029]获得过程数据，评估性能度量并且选择模型配置的步骤可以使用动作评述算法、[0030]获得过程数据并且评估性能度量的步骤可以由包括评述的一个或多个处理器执[0037]与过程的特征相关联的值可以由被布置为监测半导体制造过程的至少一部分的6程数据输入到一个或多个模型，使用强化学习框架来评估所述一个或多个模型和/或所述模型的模型配置，并且基于输入新的过程数据来确定预测过程度量时一个或多个模型和/[0047]过程数据和新的过程数据可以包括制造过程的特征。过多个特征和/或一个或多个特性相关联的值。新的过程数据可以是先前未被输入到模型的[0049]性能指示可以基于将预测的过程度量与以其他方式获得的过程度量的值进行比[0052]过程数据可以包括与制造过程中涉及的多个功能模块相关联的关键性能指标[0054]一个或多个模型可以至少包括基于监督学习的第一模型和基于无监督学习的第7[0062]-图4描绘了从多个模型配置中选择用于预测与过程相关联的过程度量的模型配模型可以被用于基于接收到的与环境相关联的数据来预测[0067]模型可以被用于预测一系列环境中的特性和/或这种环境内的过程。这种环境的8对环境进行不连续调整(例如制造设备的操作参数的变化、火山喷发或影响天气系统的太真实环境中的重复发生群体概念的示例是在工业机器中发生间歇性故障或者表现出红肿9[0076]为了提高在漂移事件之后预测环境中的特性的准确性，更新模型可能是有益[0079]图2描绘了可以被用于选择模型配置的模型选择模型200。模型选择模型200包括括与环境特征(例如天气系统中的温度、工业处理环境中的功率等)相关联的一个或多个任何类型的模型，例如它们可以包括可操作以预测环境中的特性的神经网络和/或强化学动作at可以是重新训练动作(其中更新模型的模型参数)和/或改变模型超参数(例如增加强化学习模型的贪婪)和/或选择不同的模型(例如从使用强化学习模型进行预测到使用神t可以包括使用所选模型配置做出的预测(例如预测的特性)的准确参数集合θ控制的策略π(θ)控制，并且具有关联的总奖励J(θ)。代理22旨在优化总奖励J如计算v.J(6).不同类型的强化学习技术可以被有益地使用。仅通过示例，动作评述算收与环境20的新状态st+1相关的信息，例如数据集D和模型配置集合M。评论者24由策略π如集成电路(IC)的制造中。光刻设备可以例如在图案化装置(例如掩模)处将图案(通常也6.7nm或13.5nm)的极紫外(EUV)辐射的光刻设备可以被[0093]当上述光刻图案化中的困难未被解决时，这可能会导致图案化过程的品质降[0094]图3示意性地描绘了光刻设备LA。光刻设备LA包括被配置为调节辐射束B(例如UV掩模)MA并且连接至第一定位器PM(被配置为根据某些参数准确地定位图案化装置MA)的掩模支撑件(例如掩模台)MT、被构造为保持衬底(例如抗蚀剂涂覆的晶片)W并且连接至第二定位器PW(被配置为根据某些参数准确地定位衬底支撑件)的衬底支撑件(例如晶片台)WT以及被配置为将通过图案化装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或多个管芯)上的投影系统(例如折射投影透镜系统)P镜阵列和可编程LCD阵列。[0099]光刻设备LA可以是其中衬底的至少一部分可以被具有相对较高的折射率的液体骤可以对位于衬底支撑件WT中的一个衬底支撑件WT上的衬底W执行，而其他衬底支撑件WT上的另一衬底W被用于在其他衬底W上曝光图保持传感器和/或清理装置。传感器可以被布置为测量投影系统PS的性质或辐射束B的性投影系统PS的一部分或提供浸没液的系统的一部分。当衬底支撑件WT远离投影系统PS时，置传感器(未在图1中明确描绘)可以被用于相对于辐射束B的路径准确地定位图案化装置例如对后续衬底的曝光或要在衬底W上执行的其他处理步骤进行校正。检查设备IA可以测的图像)上的特征，或显影的抗蚀剂图像(其中抗蚀剂的曝光或未曝光部分已被去除)上的如产率(例如衬底上充分发挥作用的元件的比例)。完美图案化的衬底(其中每个管芯都包[0107]光刻设备包括处理器P或其他处理装置。处理器P可操作以预测图案化过程的性证集和/或测试集。在第二步骤404中，性能指示针对模型配置集合M中的每个模型配置评程数据还包括在代理22做出的动作at(例如更新所选模型的模型参数)之后的先前时间t的选模型配置的模型被用于预测(在步骤408中)过程度量，例如产率。所述过程度量被输出从更新的环境接收的附加数据(例如每个动作(at、at+1...)之后的环境20的状态(st、st+[0114]当使用强化学习技术来执行方法400时，方法步骤可以作为无模型强化学习中被训练，通过它接收过程数据以及可选地来自数据集D的其他值和与模型配置相关联的数据来训练，例如来自数据集D的数据和/或来自另一模型选择模型的历史数据或模型参据可以通过例如监测与衬底相关联的特征并且基于监测的重叠测量值的变化确定漂移事代理22两者都可以随着时间的推移学习具体模型配置可以在对应的具体漂移事件之后产程度量的最准确预测很可能由与先前选择的模型(Mt‑1)相同的模型进行。该第一示例更可计算，以提高光刻设备LA和/或图案化过程的性能。校正的示例是对设备的光学部件的调P和应用所述校正的装置。可以选择选择性地应用校正，例如如果预测的过程度量超过阈导体晶片上的给定地点处的图案化过程的失败概率生成。给定所述一系列预测的过程度[0136]2.根据条项1所述的方法，其中与过[0141]7.根据条项6所述的方法，其中[0142]8.根据任何前述条项所述的方法，其中所述方法的步骤通过使用强化学习来执[0144]10.根据条项8或9中任一项所述的方置为执行半导体制造过程的半导体制造设备的光学和/或机械参数，或者改变半导体制造检查设备被布置为监测半导体制造过程的至少[0153]17.一种针对模型集合训练用于针对多个[0157]18.一种针对模型集合训练用于从多个模型配置中选择模型配置的选择模型的方或多个模型和/或所述一个或多个模型的模型配置，并且基于输入新的过程数据来确定预[0167]23.根据条项20至22中任一项所述的方[0168]24.根据条项20至23中任一项所述的[0169]25.根据条项20至24中任一项[0172]28.根据条项20至27中任一项所述的方[0173]29.根据条项20至28中任一项所述的方法[0174]30.根据条项29所述的方法，其中一个[0175]31.一种包括指令的计算机程[0178]尽管在本文中可以具体引用光刻设备