CN116758012A 确定与在衬底上的结构相关的感兴趣的特性的方法、掩模版、衬底 （Asml荷兰有限公司）

201980038174.82019.05.17确定与在衬底上的结构相关的感兴趣的特公开了一种确定与衬底上的结构相关的感2像在衬底上以在所述衬底上形成相应的目标结构时对感兴趣的特性具3[0003]本申请要求2018年6月8日递交的欧洲申请1817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4[0010]目的是提供解决上文论述的问题或限制中的一个或更多个问题或限制的检查或感兴趣的特性的不同值和所述感兴趣的特性的相应的已知值来获得校准结构的第一训练图像；和使用所述第一训练图像和所述感兴趣的特性的相应的已知值来训练所述神经网5[0024]图5包括(a)用于使用第一对照射孔、根据本发明的实施例来测量目标的暗场散用于基于衍射的重叠测量时提供另外的照射模式的第二对照射孔，和(d)将第一对孔与第[0025]图6示意性地描绘根据本发明的实[0026]图7描绘衬底上的多重光栅目标的已知形式[0028]图9示意性地描绘根据本发明的实施例或形成本发明的实施例的一部分的校准方[0031]图12示意性地描绘根据本发明的实施例的可以形成图11的多敏感度目标的部分[0032]图13示意性地描绘根据本发明的实施例的可以形成图11的多敏感度目标的部分如掩模台)MT，所述掩模支撑件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(例如晶片据某些参数来准确地定位衬底支撑件的第二定位器PW；和投影系统(例如折射投影透镜系6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的在以引用的方式并入本文中的US6952253中给出撑件WT上的另一衬底W用于在其它衬底W上曝光[0041]在操作中，辐射束B入射至保持在掩模支撑件MT上的图案形成装置MA(例如，掩感器(其在图1中未明确地描绘的)可以用于相对于辐射束B的路径来准确地定位图案形成[0042]如图2中示出的，光刻设备LA可以形成有时也被称作光刻元或(光刻)簇的光刻单统控制单元TCU的控制下，所述涂覆显影系统控制单元自身可以通过管理控制系统SCS控7[0043]为了由光刻设备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化[0044]也可以被称作量测设备的检查设备用于确定衬底W的属性，并且尤其确定不同的衬底W的属性如何发生变化或与同一衬底W的不同层相关联的属性在不同层间如何发生变后在抗蚀剂层中的图像)的属性，或关于半潜像(在曝光后焙烤步骤PEB之后在抗蚀剂层中上)连接至量测工具MT(第二系统)和连接至计算机系统CL(第三系统)的光刻设备LA。这种“整体”环境的关键在于优化这些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。过程窗口定义过程参数 性半导体器件)典型地允许光刻过程或图案化过程中的过程参数在所述范围内变化。[0046]计算机系统CL可以使用待图案化的设计布局(的部分)以预测使用哪些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定实现图案化过程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的漂移(在图3中由呈目标(呈简单光栅或不同层中的叠置光栅的形式的目标，其足够大使得测量束产生小于光栅的斑)或填充过度的目标(从而照射斑部分或完全包含所述目标)。另外，使用量测工具中可以通过模拟散射辐射与目标结构的数学模型的相互作用且比较模拟结果与测量的结8基于图像或场的测量。以全文引用的方式并入本文中的专利申请US20100328655、步描述这样的散射仪和相关联的测量技术。前述散射仪可以在一个图像中使用从软x射线和可见光至近IR波范围的光测量来自多个光[0050]诸如散射仪之类的量测设备描绘在图4中。其包括将辐射5投影至衬底W上的宽带数据，产生所检测的光谱的结构或轮廓8可以例如由严格耦合波分析和非线性回归或通过详细地图示目标T和用以照射所述目标的测量辐射的衍射射线。所图示的量测设备具有被支撑件(没有图示)支撑。与轴线O成角度而照射到目标T上的测量辐射射线I引起一个零阶况下，这些射线仅仅为覆盖包括量测目标T和其它特征的衬底区域的许多平行射线中的一9[0053]由衬底W上的目标T衍射的至少0阶和+1阶由物镜16收集，并且通过分束器15引导过使用零阶衍射束和一阶衍射束在第一传感器19(例如，CCD或CMOS传感器)上形成目标的对比若干阶。由传感器19捕获的光瞳平面图像可以用于聚焦量测设备和/或归一化所述一[0056]图5中示出的孔板13和场光阑21的特定形式仅作为示例。在本发明的另一个实施或13S可以仅用于测量在一个方向(依赖于设定而是X或Y方向)上定向的光栅。为了测量正提及的先前已公布的申请中描述这些设备的使用以及所述设备的许多其它变化和[0058]图6示出根据其它实施例的被提供用于测量形成在衬底W上的量测目标T的属性的的EUV量测设备244的示例。由EUV量测设备使用的照射辐射可以包括在0.1nm至100nm统332提供由射线304表示的EUV照射辐射束，所述EUV照射辐射束在目标T上形成聚焦辐照[0060]提供额外的致动器(图中未示出)以将每个目标T带入至聚焦辐射斑S所在的位置[0061]由目标T和衬底W反射的辐射在其射到频谱检测器313上之前分隔成具有不同波长[0064]在将这种EUV光谱反射测量计应用至半导体制造中的量测的情况下，可以使用小[0065]在散射仪MT的一个实施例中，散射仪MT适用于通过测量反射光谱和/或检测配置中的不对称性(所述不对称性与重叠的程度有关)来测量两个未对准光栅或周期性结构的测量光栅中的未对准的直接方式。可以在全文以引用方式并入本文中的PCT专利申请公开号WO2011/012624或美国专利申请号US20160161863中找到经由所述周期性结构的不对称性测量包含作为目标的周期性结构的两个层之间的重叠误差的另外的括通过光刻过程而主要在抗蚀剂中且也在例如蚀刻过程之后形成的复合光栅或子目标32、比较针对每个周期性结构32至35的+1和_1阶(或其它互补的较高阶)获得的强度值以识别[0068]更具体地，使用例如在全文以引用方式并入本文中的PCT专利申请公开号WO2011/012624或美国专利申请US20160161863中所描述的方法，包含子目标32至35的两个可以通过在0°和180°衬底方向下进行测量而移除工具引发的伪像，如工具引发的移位(TIS)。接着例如通过计算每个子目标的衍射图案内的强度水平的差来比较[0070]下文将论述的本发明的实施例可以实施于上文论述的量测设备或检查设备中的因为其中的许多要求和期望的特征将对传感器光学器件强加竞争要求以维持足够低的像[0074]具体地，结合大的视野(＞50μm)，期望促进较大的波长范围，例如，200nm至差将对图像品质产生不可接受的影响，除非进行了一些事情以补偿这些光学像差的效应。对较低品质的)强度测量来执行相位获取，其依据电场振幅和相位描述目标与照射辐射的相互作用。这种方法例如公开于2017年11月2日申请的欧洲专利申请EP17199764议可以包括使用深度神经网络来直接从使用低成本的成像传感器获取的低品质图像提取提议一种用于确定与通过光刻过程形成的衬底上的至少一个结构相关的感兴趣的特性的量测系统，所述量测设备包括训练后的神经网络(其可以包括保存在数据储存介质上的数(或代表性的几个传感器)的检核期间按传感器的类别(例如，在量测工具生产设施处)执第一训练图像905的那些量测目标相对应的量测目标的一个或更多个校准结构的)第二训[0080]第一训练图像905可以包括使用量测工具获取的相对低品质的图像，所述量测工具包括简化的相对较低品质的光学器件(本文中被称作计算成像传感器，这是由于其被设述常规量测工具包括具有最小像差的高品质光学器件。步骤910与诸如重叠之类的感兴趣用以形成目标的光刻设备(扫描器)获得实际聚焦和剂量设定而可以被替换(即，可能不要量的情况下仍可以被执行以测量考虑了实际聚焦/剂量从扫描器设定的漂移的参考聚焦/[0081]在也获取第二训练图像915的情况下，第二训练图像915应对应于第一训练图像可以用以从第二训练图像915提取黄金参考值。黄金参考算法可以是用于从量测图像确定重叠(例如，所述图像的不对称性)的任何已知算法。例如，可以使用诸如描述于WO2015/1)的强度与通过目标衍射的辐射的相应的负衍射阶(例如，_1)的强度之间的差(或其它比参考算法(例如，使用诸如柏桑(Bossung)曲线分析或基于衍射的聚焦的已知技术)从第二训练图像915确定。第二训练图像915连同其相关联的重叠/聚焦值可以储存在数据库中以供将来使用930。使用简化的光学传感器获取的第一训练图像905连同在步骤920中确定的相应的重叠和/或聚焦值接着馈送940至网络。网络的深层接着学习950如何从诸如第一训背景下，与结构的3D重构相关的一个或更多个其它参数可以描述目前使用重构技术确定/[0083]在完成这种校准阶段之后，包括训练后的网络960的算法准备好使用(例如，运的具体光刻步骤的网络的最终层。迁移学习是用于训练仅神经网络的最后几个层(或输出层)以便使神经网络专用于特定图像的已知技术。训练图像可以包括与神经网络正专攻的非总是必要的。阶段1010是否被执行将依赖于将通过量测工具监测的相关过程的难度/复相关神经网络的产品可以用以执行量测1020，作为(例如)光刻过程监测应用程序的部分。量测1020可以包括获得衬底上正被测量的结构(例如，目标)的输入图像1030。输入图像练后的网络(步骤1040)。输入图像1030可以包括整个图像(所有信息)而不是仅感兴趣的对感兴趣的特性的黄金参考可以使用准确的参考设备/方法，诸如扫描电子显微法(SEM，[0087]●作为对选择从计算成像传感器和如先前实施例中所描述的相关神经网络获得入和/或信息可以被供应至深度神经网络。额外的信息可以例如是衬底上的目标(训练样本)的相应的部位和/或基于与相邻目标相对应的图像的正则化(regularization)(例如，[0089]应了解，本文中所述的神经网络中的任一神经网络可以包括深度残差神经网性的图像提取可辨别特征的良好候选者，这是由于常规的更深度的神经网络将更难以训可以接着替代图9中的第二训练图像使用，例如使用黄金参考算法分析以确定关联的感兴定获得的低品质图像(在使用任何可能的数学/信号处理装置来改良所述低品质图像之[0092]上文所描述的本发明的实施例通过神经网络的输出是单个感兴趣的特性的事实来表征。在另一个实施例中，神经网络的输出可以包括从如所测量的低品质图像外加一个 兴趣的特性信息。编码也可以用以投影或解码为较高品质的超级分辨率图像。这种网络通特性的值)外加图像对：来自第一训练图像和第二训练图像的多对相应的图像，如关于图9多个感兴趣的参数(例如，重叠和聚焦两者)且另外的输出直接对应于所确定的参数值的取技术的替代例。的算法的替代例，以从高品质图像提取重叠和/或聚焦信息(或其它感兴趣的特性)。具体[0097]诸如WO2015/018625(用于测量重叠)的方法或用于测量聚焦的类似方法描述了基[0101]因此提议使用来自多个参考示例(参考几何形状和/或叠层，不管是模拟的和/或[0106]借助于示例，深度神经网络可以使用大量不同的目标几何形状对一个或更多个的神经网络可以用以从每个测量方向仅具有单个光栅对(不同层中的光栅)的测量目标估增益(相较于当前方法)，并且对于各种过程效应和/或目标/传感器不对称性是显著鲁棒[0112]诸如神经网络或推断模型之类的机器学习技术的其它应用基于衬底上的不同特征中的多于两个的特征(并且特别地，显著地超出两个特征)来确定感兴趣的特性(更具体[0113]从特征测量聚焦(即，形成特征的光刻设备的聚焦设定)常常通过测量特征(例如线/空间周期性特征)的临界尺寸(CD)来执行，这是由于CD随着聚焦可预测地发生变化(这间周期性特征测量来聚焦会提供比理想结果更少的结果，特别是当已使用EUV光刻技术来同敏感度的多于二十个的特征，或对于感兴趣的特性具有不同敏感度的多于三十个的特征。在实施例中，具有不同敏感度的周期性特征中的全部(或一些)特征可以对于第二(例于前述实施例中的技术类似的技术(例如，基于光刻设备的已知设定)来校准神经网络(或[0118]提议，用于这种实施例中的多敏感度目标的目标量测使用扫描电子显微法(SEM)合适的量测/成像技术能够分别测量多敏感度目标的不同区处的局部CD或图案移位。应注方法可以通过也改变剂量(即将多敏感度目标曝光于聚焦曝光矩阵(FEM)中)来改善。除聚[0120]一旦已获得了校准图像，就可以使用校准图像连同已知的聚焦/剂量值(和像差特征变化相关联(虽然所述子分辨率特征低于光刻设备的分辨率极限，并且因此将不被印[0126]本文中所描述的机器学习/神经网络技术的进一步应用以确定针对特定测量应用[0129]训练阶段可以使用关于模拟或参考叠层的模拟训练的测量数据以产生参考测量数据与模拟输出数据(且被包括在数据集中的任何测量数据)与相应的设定重叠值之间的地选择其自身偏好。加权得分和/或手动选择两者可以考虑其它因子和/或偏好，诸如(例如)量测努力和/或时间(或任何其它相关的KPI)和/或测量准确性与测量敏感度的优选平趣的参数(例如，重叠)的神经网络可以用作神经网络的输入和/或形成神经网络的部分从最佳选配方案选择的设定分量的组合后的神经网络(或网络对)在后者可以在设定校准阶段被训练的情况下可以用以从输入图像/测量确定重叠且也可以用以从相同的(或不同的)输入图像/测量结果寻找最准确的重叠测量结果[0147]针对所述感兴趣的特性的不同值和所述感兴趣的特性的相应的已知值来获得校[0148]使用所述第一训练图像和所述感兴趣的特性的相应的已知值来训练所述神经网[0153]7.根据方面3所述的方法，其[0161]训练扩展的神经网络以处理与针对测量照射的不同照射特性对所述校准结构进[0162]使用所述扩展的神经网络作为参考以从已使用多个照射特性获得的所述输入图[0166]16.根据前述权利要求中任[0167]17.根据前述方面中任一项所述的方法，[0171]针对所述感兴趣的特性的不同值、针对不同测量设定和针对其它结构和/或叠层[0172]使用所述训练测量数据和所述感兴趣的特性的相应的已知值来训练所述神经网[0173]20.根据方面19所述的方法，其中所述训练测[0174]21.根据方面18至20中任一项所述的方法[0175]22.根据方面21所述的方法，其中所述每个候选测量选配方案设定的得分，每个候选测量选配方案设定描述测量设定的候选组[0178]25.根据前述方面中任一项所述的方成粗略神经网络和精细神经网络以对可获得的数据量与估计品[0182]27.根据方面26所述的方法，其[0183]28.根据方面26或27所述的方法，其中所述[0185]30.根据方面26至29中任一项所述状描述用于测量重叠的形成在两个层中的每个[0187]32.根据前述方面中任一项所述的方敏感度目标具有对所述感兴趣的特性具有不同[0189]34.根据方面33所述的方法，其中[0190]35.根据方面33所述的方法，其中[0191]36.根据方面33至35中任一项所述的[0192]37.根据方面33至36中任一项所述[0194]39.根据方面37或38所述的方法，其中[0195]40.根据方面39所述的方法，其中所述[0197]42.根据方面41所述的方法，其中包征在成像在衬底上以在所述衬底上形成相应的目标结构时对感兴趣的特性具有不同的敏上以在所述衬底上形成相应的目标结构时对感兴趣的特上以在所述衬底上形成相应的目标结构时对感兴趣的特[0201]46.根据方面43至45中任一项所述[0202]47.根据方面43至46中任一项所[0204]49.根据方面47或48所述[0206]51.根据方面50所[0207]52.一种包括目标结构的衬底[0208]53.一种用于确定与通过光刻过程形成的衬底上的结构相关的感兴趣的特性的方[0214]56.根据方面54或55所述的方法，其中[0216]针对所述感兴趣的特性的不同值和所述感兴趣的特性的相应的已知值来获得校[0217]使用从所述校准图像和所述感兴趣的特性的相应的已知值获得的指标值来训练所述神经网络或推断模型以从所述校准图像推断所[0218]58.根据方面54或55所述的方法，其中[0220]针对所述感兴趣的特性的不同值和所述感兴趣的特性的相应的已知值来获得校[0222]确定所述n维校准曲线以使所述指标值中的差异与所述感兴趣的特性的差异相[0223]60.根据方面59所述的方法，其中所[0224]61.一种用于确定与通过光刻过程形成的[0230]针对感兴趣的特性的不同值和所述感兴趣的特性的相应的已知值获得校准结构[0231]使用所述第一训练图像和所述感兴趣的特性的相应的已知值来训练所述神经网[0232]63.根据方