CN119472189A 半导体器件几何方法和系统 （Asml荷兰有限公司）

202080061323.52020.07.31描述了用于预测与图案化过程相关联的衬形状信息和/或过程信息的输入信息；以及使用机器学习预测模型来预测多维输出衬底的几何差带和/或随机失效率。所述输入信息包括模拟或来自扫描器的与半导体器件制造相关联的数2利用所述一个或更多个处理器基于所述输入信息来确定与所述图案的一个或更多个利用所述一个或更多个处理器基于所述EPE指标来确定所述衬底上的所述图案的具有2.根据权利要求1所述的计算机可读介质，其中3.根据权利要求1或2所述的计算机可读介质机器学习预测模型的权重和/或参数促成对所述EPE指标的预测，无论所述EPE指标是对称4.根据权利要求3所述的计算机可读介质，其中所述不对称分布的训练数据包括根据6.根据权利要求1或2所述的计算机可读介质，7.根据权利要求6所述的计算机可读介质，其中个参数和/或指示所述参数中两个或更多个参数之间的交互9.根据权利要求1或2所述的计算机可读介质，其中基于目标EPE概率水平来确定所述EPE指标，所述一个或更多个处理器被配置使得由用户经由用户界面录入或选择所述目标上的所述图案的具有一个或更多个潜在缺陷的一个或更多个区域包括确定所述图案的给3本函数平衡可接受缺陷概率与用以检查所述一个或更多个区域的数目所需的资源，其中，所述可接受缺陷概率与所述衬底上的所述图案的具有作为用于检查的目标的所述一个或的所述图案的具有所述一个或更多个潜在缺陷的所述一个或更多个区域包括确定所述图其中所述图案概率图像包括一个或更多个特征的所预测的14.根据权利要求1或2所述的计算机可读介质，其中所述输入信息包括以下各项中的15.根据权利要求1或2所述的计算机可读介质，其中所述一个或更多个处理器包括计算光刻模型，并且其中确定所述EPE指标包括使用所述输入信息作为对所述计算光刻模型其中，所述几何形状信息包括所述图案的一个或更多个特征的大小和/或位置的一个4例如以引用的方式并入本文中的US6,046,792中找5[0008]其中具有尺寸小于光刻投影设备的经典分辨率极限的特征被印制的这种过程通要跨越整个过程窗提供有效的、鲁棒的并且准确的模型的针对这些光刻模型的校准工序。当前，校准是使用一定数目的一维和/或二维量规图形且利用晶片测量来完成的。更具体过程信息；和使用所述机器学习预测模型基于所述输入信息来预测多维输出衬底几何形状，所述预测包括基于所述输入信息和/或所述输出衬底几何形状来确定与所述图案的一[0011]在实施例中，所述EPE指标对于所述图案的所述一个或更多个特征是对称或不对练后的机器学习预测模型的权重和/或参数促成对所述对称或不对称的值相关联的多维概率图像而确定的不对称分布6所述图案的所述一个或更多个特征的二维衬底几何形状[0023]在实施例中，所述多维输出衬底几何形状与半导体器件中的衬底中的图案相关概率图像包括半导体器件中的一个或更多个通孔的预测二维几配置成使所述一个或更多个处理器使用所述图案概率图像用于半导体器件制造过程中的参数、以及来自不同非机器学习预测模型的相应的物理衬底测量结果和/或预测结果中的[0031]在实施例中，来自不同非机器学习预测模型的相应的物理衬底测量结果和/或预输出衬底几何形状来确定针对半导体器件制造设过程相关联的显影后检查尺寸和蚀刻后检验尺寸中的一者或两者来校准所述机器学习预7基于所述输入信息和/或所述输出衬底几何形状来确定与所述图案的一个或更多个特征相[0035]在实施例中，所述EPE指标对于所述图案的所述一个或更多个特征是对称或不对练后的机器学习预测模型的权重和/或参数促成对所述对称或不对称的E值相关联的多维概率图像而确定的不对称分布所述图案的所述一个或更多个特征的二维衬底几何形状底几何形状匹配所测量的随机边缘放置误差底几何形状对应于或匹配根据光学邻近效应校正模型或光刻过程可制造性检查模型而进[0047]在实施例中，所述多维输出衬底几何形状与半导体器件中的衬底中的图案相关概率图像包括半导体器件中的一个或更多个通孔的预测二维几还包括使用所述图案概率图像用于半导体器件制造过程中的光刻可制造性检查和/或图案8预测模型的相应的物理衬底测量结果和/或预测结果中的一种[0055]在实施例中，来自不同非机器学习预测模型的相应的物理衬底测量结果和/或预寸和蚀刻后检验尺寸中的一者或两者来校准所述机器述输入信息包括衬底上的图案的几何形状信息和/或图案化过程信息；利用所述一个或更多个处理器基于所述输入信息来确定与所述图案的一个或更多个特征相关联的边缘放置所述图案的具有一个或更多个潜在缺陷的一个或更多个[0059]在实施例中，所述EPE指标对于所述图案的所述一个或更多个特征是对称或不对训练数据来训练所述机器学习预测模型，使得训练后的机器学习预测模型的权重和/或参值相关联的多维概率图像而确定的不对称分布[0064]在实施例中，所述EPE指标与产率相关，所述产率与所述衬底上的所述图案相关用所述一个或更多个处理器基于所述输入信息来确定与所述图案的一个或更多个特征相定所述衬底上的所述图案的具有一个或更多个潜在缺陷的一个或更多9[0068]在实施例中，所述EPE指标对于所述图案的所述一个或更多个特征是对称或不对训练数据来训练所述机器学习预测模型，使得训练后的机器学习预测模型的权重和/或参值相关联的多维概率图像而确定的不对称分布[0073]在实施例中，所述EPE指标与产率相关，所述产率与所述衬底上的所述图案相关[0076]在实施例中，基于所述参数中的一个或更多个参数和/或指示所述参数中的两个器被配置使得由用户经由用户界面录入或选择所述目标EP[0080]在实施例中，基于所述EPE指标来确定所述衬底上的所述图案的具有一个或更多个潜在缺陷的一个或更多个区域包括确定所述图案的给定特征占据所述衬底上的给定部[0081]在实施例中，基于所述EPE指标来确定所述衬底上的所述图案的具有一个或更多上的所述图案的具有作为用于检查的目标的所述一个或更多个潜在缺陷的所述一个或更[0082]在实施例中，基于所述EPE指标确定所述衬底上的所述图案的具有所述一个或更多个潜在缺陷的所述一个或更多个区域包括确定所述图案的一个或更多个特征的图案概个潜在缺陷的所述一个或更多个区域来确定对半导体器件制造设指标包括使用所述输入信息作为对所述计算光刻模型的输入[0088]在实施例中，所述几何形状信息包括所述图案的一个或更多个特征的大小和/或上的图案的几何形状信息和/或图案化过程信息；基于所述输入信息来确定与所述图案的底上的所述图案的具有一个或更多个潜在缺陷的一个[0091]在实施例中，所述EPE指标对于所述图案的所述一个或更多个特征是对称或不对分布的训练数据来训练所述机器学习预测模型，使得训练后的机器学习预测模型的权重值相关联的多维概率图像而确定的不对称分布[0096]在实施例中，所述EPE指标与产率相关，所述产率与所述衬底上的所述图案相关邻近效应校正、光刻可制造性检查、和/或与半导体器件相关联的制造流程的设计的一部[0102]在实施例中，基于所述EPE指标来确定所述衬底上的所述图案的具有一个或更多个潜在缺陷的一个或更多个区域包括确定给定特征占据所述衬底上的给[0103]在实施例中，基于所述EPE指标来确定所述衬底上的所述图案的具有一个或更多案的具有一个或更多个潜在缺陷的一个或更多个区域的数目与用以检查所述一个或更多[0104]在实施例中，基于所述EPE指标确定所述衬底上的所述图案的具有所述一个或更多个潜在缺陷的所述一个或更多个区域包括确定所述图案的一个或更多个特征的图案概计算机可读介质储存机器学习预测模型和指令，所述指令当由一个或更多个处理器执行时使一个或更多个处理器执行：接收输入信息，所述输入信息包括用于半导体器件制造过程的几何形状信息和/或图案化过程信息；使用所述机器学习预测模型基于所述输入信息来预测输出半导体器件几何形状，所述输出半导体器件几何形状包括呈多维的图案概率表示，所述预测包括基于所述输入信息和/或所述输出半导体器件几何形状来确定与图案的程的调整而确定的新输入信息，所述调整基于所述输出半导体器件几何形状而确定；和使用所述机器学习模型（i）基于新的输入信息来预测更新后的输出半导体器件几何形状，（ii）包括基于所述新的输入信息和/或更新后的输出半导体器件几何形状确定更新后的EPE指标。所述图案的一个或更多个特征的预测二维衬底[0109]在实施例中，所述输入信息包括模拟空间图像和模拟抗蚀剂图像中的一者或两[0110]被并入本说明书中并且构成本说明书的部分的附图图示[0114]图4图示出了根据实施例的接收输入信息、使用机器学习预测模型来预测多维输[0117]图7图示出了根据实施例，由所述机器学习预测模型针对各种剂量和聚焦条件预定的变化过程参数，或对于没有被用于模型拟合或校准的新的或不同的图案类型和形状，像中导出特定参数（例如，图像对数斜率并且在校准期间将这些导出的参数与测量的相关联的衬底几何形状的新方法（和/或被配置成预测与图案化过程相关联的衬底几何形一些实施例中，所述预测包括基于所述输入信息和/或所述输出衬底几何形状来确定与所学习的预测模型被配置成将模拟空间图像强度分布和/或其它信息作为输入，并且预测二变化带和/或总图案变化性的预测能力。本公开的实施例可以有利地提供针对随机图案失[0139]使用具有相对较小的用以预测热斑的能力的这些单独的KPI，可能会导致较低的问题和/或需要更广泛的晶片上缺陷/热斑检查和验证，接下来是较多的过程优化循环。使用具有相对较小的用以预测热斑的能力的这些单独的KPI，也可能导致较长的加速工作和/或其它因素的EPE贡献因子的组合来确定所述E镜阵列和/或可编程LCD阵列。[0147]可编程反射镜阵列的示例可以是具有黏弹性控制层和反射表面的矩阵可寻址表入本文的美国专利号5,229,872中给出了可编程LCD阵列的置图案的图像投影至衬底平面22A上。在投影光学器件的光瞳平面处的可调整滤光器或孔器件的数值孔径NA=nsin(Θmax)，其所述图案形成装置将照射引导且成形至衬底上。投影光学器件可以包括部件14A、16Aa、此并入本文的美国专利申请公开号US2009_0157630中找到这种情形的示例。所述抗蚀剂[0155]可能期望使用一个或更多个工具以产生例如可以用以对所述图案化过程进行设[0156]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。照射模型31表示所述照射的光学特性(包括辐射强度分布和/或相件的光学特性(包括由投影光学器件所引布局模型35表示设计布局33的光学特性(包括由给定的设计布局所引起的辐射强度分布布局模型35的光学性质分离。可以在通过引用而被全文并入本文的美国专利号8,200,468中找到。所述抗蚀剂模型典型如机器视觉)或手工的算法从整个设计布局提取所述初始的[0161]例如，模拟和建模可以被用于配置所述图案形成装置图案的一个或更多个特征化（SMO所述源掩模优化涉及将所述图案化器件图案的一个或更多个特征与所述照射的这些约束通常与硬件的物理性质和特性(诸如f变量(z1,z2,…,zw)的函数，诸如针对(z1,z2,…,zw)的设计变量的一组值的特性的实际f如，所述特性可以是在所述边缘上的给定点处所测量的图案的边缘的位置。不同的fff并且CF(z1,z2,…,z)可以呈任何其它合适的形式。f和/或与集成电路制造过程相关联和/或被包括在集成电路制造过程中的其它模型可以是度神经网络（例如，在输入层和输出层之间具有一个或更多个中间层或隐藏层的神经网样本使得xi是第i个示例的特征向量且yi是xi的管理信号，一个训练算法寻找一个神经网[0172]根据本公开的实施例的示例性方法包括：接收包括图案的几何形状信息和/或过机器学习的预测模型将来自已创建的空间图像模拟模型的模拟空间图像强度分布和/或其指示了在半导体器件中的衬底中的特征，并且所述图案化过程包括半导体器件制造过程。在一些实施例中，方法300包括基于根据所述模型的预测来调整310制造过程参数和/或制机器学习预测模型400预测306多维输出衬底几何形状、以及执行308LMC402和/或PFM经网络406所预测的所述多维输出衬底几何形状可以包括图案概率图像416和/或其它信练所述模型的所述训练信息可以包括成对的或一组输入对象以及相应的所测量的或期望及根据不同非机器学习预测模型的相应的物理衬底测量结果和/或预测结果。来自不同非机器学习预测模型的相应的物理衬底测量结果和/或预测结果包括训练（例如，先前确定特征的给定几何形状占据衬底上给定部位的概率的更多个特征的所预测的二维衬底几何形状。在图5中示出的示例中，所述特征是多个通孔于来自所述图案的周围的不同部位的相同的一个或更多个单元（这些单元彼此堆叠在一[0182]这在衬底510的包括通孔502A的一部分的视图520中被进一步图示。视图520中的通孔502A为大致椭圆形，在所述椭圆形的中间部分522处或附近具有相对较暗的阴影516。通孔502的暗阴影516从所述椭圆形的中间部分522向外延伸，并且然后在所述椭圆形的外将存在通孔502A、或通孔502A的一部分的可能性越来越小。在所述椭圆形以外的位置518这些不常见或不频繁的类型的图案失效可能如此不频繁地发生以至于在典型的制造过程对图案中的特征和/或特征边缘的可能部位进610图示了预测图案概率图像604的部分中的部位612和竖直轴614，所述竖直轴614示出了以是和/或包括这些参数和/或其它指示的组合。所述EPE指标也可以从任何方向上的2D图其它信息来预测图案概率图像706。图7也图示了针对每个剂量和焦距组合的通孔701的二[0191]概率条708也包括针对很可能有缺陷的通孔722和很可能无缺陷的通孔724的对于或PFM可以包括针对可制造性和/或出于其它原因来检查预测图案和/或预测图案尺寸。针对可制造性来检查预测图案和/或图案尺寸可以包括确定光刻和/或其它制造过程操作是它特性。在一些实施例中，来自校准后的机器学习模型的输出可以被馈送到LMC中以用于[0193]在一些实施例中，方法300包括调整310半导体器件制造过程参数和/或半导体器件制造设备。调整所述半导体器件制造过程参数可以与调整所述半导体器件制造过程相[0194]在一些实施例中，所确定的和/或调整后的半导体器件制造过程参数包括掩模设预测来将所述掩模设计从第一掩模设计调整几何形状匹配诸如所测量的随机边缘放置误差带或所测量的失效率之类的EPE指标。在一一半导体器件制造过程相关联的其它信息来调整和/或以其它方式校准所述机器学习预测训练信息来训练或重新训练所述机器学习预测模型，所述额外的训练信息包括新的和/或的与目标位置相距的相对位移。图8图示了具有各个特征804和节距806的图案802。在图8好且更有效地预测和/或检测热斑。基于主要EPE贡献因素的组合（包括以上列举的因素，相关联的EPE指标、基于EPE指标来确定906所述衬底的所述图案的具有一个或更多个潜在述的一个或更多个额外的操作，和/或在没有所论述的一个或更多个操作的情况下实现方与本文描述的所述计算系统和/或所述光刻设备类似和述图案中的一个或更多个特征的目标和/或实际尺寸布局、图案中一个或更多个特征的对可以包括哪些制造过程已经被执行或将要被执行的指示、制造过程的设定点和/或其它参基于所测量的和/或所预测的EPE贡献因子而被确定的。例如，可以基于以下各项来确定所图案移位LER、LPE等的影响，所述影响可以利用模拟的扫描器对比度和校准后的抗蚀剂模差）可以与抗蚀剂模型1058、蚀刻模型1060、模型本身的结构、和/或相关联的运行时间数中的两个或更多个参数之间的交互的值，以数学方式对所述EPE指标进行计算和/或预测指标：示邻近偏差平均值误差，LWR表示局部CD效应，OVL表示重叠误差，并且CDU表示全局CD变使用所述输入信息和/或其它输入信息作为对所述计算光刻模型的输入来预测所述EPE指的一部分）录入或选择，或通过执行计算机实施的程序来自动地产生。可以基于每个管芯述衬底上的所述图案的具有一个或更多个潜在缺陷的一个或更多个区域[0209]在一些实施例中，基于所述EPE指标来确定所述衬底上的所述图案的具有一个或更多个潜在缺陷的一个或更多个区域包括确定所述图案的给定特征占据所述衬底上的给[0210]在一些实施例中，基于所述EPE指标来确定所述衬底上的所述图案的具有一个或概率与所述衬底上的所述图案的具有作为用于检查的目标的所述一个或更多个潜在缺陷案的所述一个或更多个特征为基本上相同的和/或均匀地分布的EPE指标。在一些实施例中，对称EPE指标包括中值预测的EPE指标的任一侧上的可能EPE指标的均匀分布范围。例型，使得训练后的机器学习预测模型的权重和/或参数促成确定对称的或不对称的EPE指一些实施例中，所述不对称分布的训练数据包括根据与不对称分布的CD值和/或其它信息相关联的多维概率图像所确定的不对称分布的EPE指标。不对称分布的CD值指示了CD值被的图像作为输入训练数据。一旦训练，则被配置用于预测和/或以其它方式确定不对称的EPE指标的机器学习模型可以用于光刻可制造性检查、对光学邻近效应校正结果的验证、[0215]作为非限制性示例，图12图示了对称1200和不对称1202预测的或测量的EPE（例用SEM量测直接测量对称EPE1200，或以其它方式基于根据高斯CD12或者以其它方式基于根据非高斯CD1203分布1206和/或其它信息而创建的图案概率图像或测量的概率轮廓。对于对称EPE1200，轮廓1210和1212两者均定位成偏离中值1214为一些实施例中，对称EPE指标如何包括在所述中值经预测EPE指标的任一侧上的可能EPE指报告所述对称或不对称EPE。所述2D图案概率图像包括在宽范围的概率中以及沿着所述图[0217]图13是可以被用于本文所描述的一个或更多个操作的示例计算机系统CS的示意置。主存储器MM还可以用于在由处理器PRO对指令的执行期间储存暂时性变量或其它中间信息。计算机系统CS还包括联接至总线BS以用于储存用于处理器PRO的静态信息和指令的[0218]计算机系统CS可以经由总线BS联接至用于向计算机使用者装置ID联接至总线BS以用于将信息和命令选择通信至处理器PRO。另一类型的使用者输入于处理器PRO执行包含在主存储器MM中的一个或更多个指令的一个或更多个序列而被执包括在主存储器MM中的指令的序列的执行使得处理器PRO执行本文描述的过程步骤（操本文的描述不限于硬件电路和软件的任何特性计算机可读介质可以包括载波或其它传播[0221]各种形式的计算机可读介质可以涉及将一个或更多个指令的一个或更多个序列统CS本地的调制解调器可以在电话线上接收数据并且使用红外发射器将数据转换成红外存储器MM接收的指令可以可选地在由处理器PRO执行之前或之后储存在储存[0223]网络链路NDL典型地通过一个或更多个网络提供到其它数据装置的数据通信。例链路NDL上并且通过通信接口CI的信号（其将数字数据携带到计算机系统CS和从计算机系[0224]计算机系统CS可以通过网络、网络数据链路NDL和通信接口CI发送消息和接收数可以提供本文中所描述的方法的所有部分。所接收的代码可以在被接收时由处理器PRO执（例如涂覆有抗蚀剂的硅晶片）的衬底保持器并连接到用于相对于项PS来准确地定位衬底系统可以将图案形成装置MA的被辐射部分成像到衬底W的目标部分C（例如包括一个或更案装置MA和衬底W。装置MA上的束B在其横截面中具有期望的均一性和[0229]束B随后可以截取被保持于图案形成装置台MT上的图案形成装置MA。在已横穿图库机械地检索图案形成装置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[0231]图15是可以被用于、和/或促成本文中所描述的一个或更多个操作的另一光刻投[0233]照射器IL可以接收来自源收集器模块SO的极紫外辐射束。用于产生EUV辐射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范围内具有一个或更多光器看作是构成光刻设备的一部分，并且借助于包括例如合适的定向反射镜和/或扩束器照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围（通常分别被称得可以将真空环境维持在源收集器模块SO的围封结构220中。发射EUV辐射的等离子体210[0238]由所述热等离子体210发射的辐射经由定位于源腔室211中的开口中或后方的可入射收集器的辐射收集器CO。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器中间焦点IF位于围封结构220中的开口221处或附近。虚源点IF是辐射发射等离子体210的持的衬底W上。在照射光学器件单元IL和投影系统PS中通常可以存在比示出的元件更多的[0240]如图16中示出的收集器光学器件CO被描绘为具有掠入射反射器253、254和255的源收集器模块SO可以是LPA辐射系统的一部分。激光器LA可以被布置成将激光能量沉积到离的等离子体210。在这些离子的去激发和再结合或复合期间产生的高能辐射从等离子体[0242]本文中所公开的构思可以模拟或以数学方法对用于使亚波长特征成像的任何通更多个操作和/或与本文中所描述的一个或更多个操作相关联）的实施例。在一些实施例[0244]当利用电子束1324照射所述衬底1310时，从衬底1310产生次级电子或二次电[0247]次级带电粒子检测器模块85检测一旦由所述带电粒子束探针92轰击以产生次级子检测器模块85联接以从所述次级带电粒子检测器模块85接收所述次级带电粒子检测信粒子束探针92轰击的样本90发射的检测到的次级带电粒子形形成模块86接收的样本90的扫描图像来监测、控制等图案化过程和/或导出用于图案化过[0251]1.一个或更多个非暂时性计算[0252]接收输入信息，所述输入信息包括用于半导体器件制造过程的几何形状信息和/[0253]使用所述机器学习预测模型基于所述输入信息来预测输息和/或所述输出半导体器件几何形状来确定与图案的一个或更多个特征相关联的边缘放何形状ii）包括基于所述新的输入信息和/或更新后的输出半导体器件几何形状确定更[0257]3.根据方面1至2中任一项所述表示包括半导体器件中一个或更多个通孔的预测[0258]4.根据方面1至3中任一项所述的[0259]5.根据方面1至4中任一项所述[0260]6.一个或更多个非暂时性计算机可述预测包括基于所述输入信息和/或所述输出衬底几何形状来确定与所述图案的一个或更[0263]7.根据方面6所述的非暂时性计算机可读介[0264]8.根据方面7所述的非暂时性计算机可读介[0265]9.根据方面7至8中任一项所述的非暂时布的训练数据来训练所述机器学习预测模型，使得训练后的机器学习预测模型的权重和/[0266]10.根据方面9所述的非暂时性[0267]11.根据方面6至10中任一项所[0268]12.根据方面6至11中任一项所述[0269]13.根据方面6至12中任一项所述的[0272]16.根据方面6至15中任一项所述的[0273]17.根据方面6至16中任一项所述几何形状匹配所测量的随机边缘放置误差带或所[0274]18.根据方面6至17中任一项所述的非几何形状对应于或匹配根据光学邻近效应校正模型或光刻过程可制造性检查模型而进行[0276]20.根据方面6至19中任一项所述的[0277]21.根据方面6至20中任一项所器使用所述图案概率图像用于半导体器件制造过程中的光刻可制造性检查和/或图案保真[0278]22.根据方面6至21中任一项所述[0279]23.根据方面6至22中任一项所[0280]24.根据方面6至23中任一项所述的[0281]25.根据方面6至24中任一项所息包括针对半导体器件而执行的一个或更多个制造[0282]26.根据方面6至25中任一项所述的测模型的相应的物理衬底测量结果和/或预测结果中测模型的相应的物理衬底测量结果和/或预测结[0284]28.根据方面6至27中任一项所述的非被配置成使所述一个或更多个处理器基于所预测的多维输出衬底几何形状来确定针对半[0285]29.根据方面6至28中任一项所述的非被配置成使一个或更多个处理器基于与半导体器件制造过程相关联的显影后检查尺寸和蚀刻后检验尺寸中的一者或两者来校准所述机器学测包括基于所述输入信息和/或所述输出衬底几何形状来确定与所述图案的一个或更多个[0289]31.根据方面30所述的方法，其中所练所述机器学习预测模型，使得训练后的机器学习预测模型的权重和/或参数促成对所述使得所述多维输出衬底几何形状匹配所测量的随机边缘放置误差带使得所述多维输出衬底几何形状对应于或匹配根据光学邻近效应校正模型或光刻过程可[0305]47.根据方面30至46中任一项所述的方法，其中所述输入信息包括多个空间图来自不同非机器学习预测模型的相应的物理衬底测量结果和/或预测结果中的一种或更多[0314]利用所述一个或更多个处理器基于所述输入信息来确定与所述图案的一个或更[0315]利用所述一个或更多个处理器基于所述EPE指标来确定所述衬底上的所述图案的[0316]55.根据方面54所述的方法，其中所述的机器学习预测模型的权重和/或参数促成对所述EPE指标的预测，无论所述EPE指标是对述一个或更多个潜在缺陷的所述一个或更多个区域[0326]利用所述一个或更多个处理器基于所述输入信息来确定与所述图案的一个或更[0327]利用所述一个或更多个处理器基于所述EPE指标来确定所述衬底上的所述图案的[0328]64.根据方面63所述的过程，其中所述练后的机器学习预测模型的权重和/或参数促成对所述EPE指标的预测，无论所述EPE指标有所述一个或更多个潜在缺陷的所述一个或更[0335]71.根据方面70所述的制造过程，参数和/或指示所述参数中两个或更多个参数之间的[0336]72.根据方面71所述的制造过程，其中或指示所述参数中的两个或更多个参数之间的所述交互的值，以数学方式对所述EPE指标[0337]73.根据方面63至72中任一项所[0338]74.根据方面63至73中任一项所述的定所述EPE指标，所述一个或更多个处理器被配置使得由用户经由用户界面录入或选择所述EPE指标、和确定所述衬底上的所述图案的具有一个或更多个潜在缺陷的所述一个或更[0341]76.根据方面63至75中任一项所述的制述衬底上的所述图案的具有一个或更多个潜在缺陷的一个或更多个区域包括确定所述图[0342]77.根据方面63至76中任一项所述的述衬底上的所述图案的具有一个或更多个潜在缺陷的一个或更多个区域是基于成本函数，所述成本函数平衡可接受缺陷概率与用以检查所述一个或更多个区域的数目所需的资源，个或更多个潜在缺陷的所述一个或更多个区域的数[0343]78.根据方面63至77中任