用于机器学习辅助的光学邻近误差校正的训练方法技术

一种方法包括：获得用于训练设计图案(5000)的在空间上移位版本的光学邻近校正；和使用关于所述训练设计图案的在空间上移位版本的数据(5051；5053)以及基于用于所述训练设计图案的在空间上移位版本的光学邻近校正的数据(5041；5043)来训练机器学习模型(5200)，所述机器学习模型配置成针对设计图案预测光学邻近校正。学邻近校正。学邻近校正。

【技术实现步骤摘要】
用于机器学习辅助的光学邻近误差校正的训练方法
[0001]本申请是进入中国国家阶段日期为2020年3月6日的申请号为201880058150.4的专利技术名称为“用于机器学习辅助的光学邻近误差校正的训练方法”的专利申请(国际申请日为2018
‑
09
‑
05，国际申请号为PCT/EP2018/073914)的分案申请。


[0002]本文的描述涉及光刻设备和过程,且更特别地涉及用于对设计布局进行光学邻近误差校正的工具和方法。

技术介绍

[0003]光刻设备可以用于例如集成电路(IC)或其它器件的制造中。在这种情况下，图案形成装置(例如，掩模)可以包括或提供与器件的单层对应的图案(“设计布局”)，并且此图案可以通过诸如穿过所述图案形成装置上的所述图案来照射已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如硅晶片)上的目标部分(例如包括一个或更多个管芯)的方法，被转印到所述目标部分上。一般而言，单个衬底包括由所述光刻设备以一次一个目标部分的方式连续地将所述图案转印到其上的多个相邻目标部分。在一种类型的光刻设备中，整个图案形成装置上的图案被一次转印到一个目标部分上；这样的设备通常称作为步进器。在一种替代的设备(通常称为步进扫描设备)中，投影束沿给定的参考方向(“扫描”方向)在图案形成装置之上扫描，同时沿与所述参考方向平行或反向平行的方向同步地移动所述衬底。所述图案形成装置上的图案的不同部分被逐渐地转印到一个目标部分上。因为通常所述光刻设备将具有放大因数M(通常＜1)，所以所述衬底被移动的速度F将是所述投影束扫描所述图案形成装置的速度的M倍。
[0004]在器件制造过程中的将图案从所述图案形成装置转印至所述衬底的器件制作工序之前，所述衬底可能经历所述器件制造过程的各种器件制作工序，诸如涂底料、抗蚀剂涂覆以及软焙烤。在曝光之后，所述衬底可能经受器件制造过程的其它器件制作工序，诸如曝光后焙烤(PEB)、显影、和硬焙烤。这一系列的器件制作工序被用作为制造器件(例如IC)的单个层的基础。所述衬底之后可能经历器件制造过程的各种器件制作工序，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等，所有的这些工序都旨在最终完成所述器件的单个层。如果器件需要多个层，则针对每一层重复整个过程或其变形。最终，器件将存在于所述衬底上的每一目标部分中。如果存在多个器件，则之后通过诸如切片或锯割等技术，使这些器件彼此分离，据此单个的器件能够安装在载体上，连接至引脚，等等。
[0005]因此，制造器件(诸如半导体器件)典型地涉及使用多个制作过程来处理衬底(例如，半导体晶片)，以形成所述器件的各种特征和多个层。这些层和特征典型地使用例如沉积、光刻、蚀刻、化学机械抛光、和离子注入来制造和处理。可以在衬底上的多个管芯上制作多个器件，之后将它们分离成单独的器件。这种器件制造过程可被认为是图案化过程。图案化过程涉及图案化步骤，诸如使用光刻设备的光学和/或纳米压印光刻术，以将图案提供到衬底上，而且图案化过程典型地但可选地涉及一个或更多个相关的图案处理步骤，诸如通
过显影设备进行抗蚀剂显影、使用焙烤工具来焙烤所述衬底、使用蚀刻设备来蚀刻所述图案等。而且，所述图案化过程典型地涉及一个或更多个量测过程。

技术实现思路

[0006]在实施例中，提供了一种方法，包括：获得训练数据集合，所述训练数据集合包括与训练设计图案的在空间上移位版本对应的光学邻近校正；和由硬件计算机系统使用关于所述训练设计图案的在空间上移位版本的数据和基于针对所述训练设计图案的在空间上移位版本的光学邻近校正的数据来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
[0007]在实施例中，提供了一种方法，包括：获得设计图案的一个或更多个在空间上移位版本和用于一个或更多个移位的设计图案中的每一个的光学邻近校正图像的对应的在空间上移位版本；由硬件计算机系统选择具有符合或超过阈值的过程窗口指标的一个或更多个移位的设计图案的一个或更多个光学邻近校正图像；和由所述硬件计算机系统使用包括关于所述设计图案的一个或更多个在空间上移位版本的数据和关于所选择的一个或更多个光学邻近校正图像的数据的训练数据来训练机器学习模型。
[0008]在实施例中，提供了一种方法，包括：获得加权函数或数据以向设计图案的光学邻近校正的区指派与其另外的区不同的权重；和由硬件计算机系统，通过基于加权数据相对于所述设计图案的基准光学邻近校正对设计图案的由机器学习模型预测的光学邻近校正进行评估来训练所述机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
[0009]在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正；由硬件计算机系统使用机器学习模型产生设计图案的被预测的光学邻近校正；由所述硬件计算机系统，在被预测的光学邻近校正和/或基准光学邻近校正的一部分处指派相对高的权重；和由所述硬件计算机系统，使用对加权后的被预测的光学邻近校正和/或基准光学邻近校正进行评估的目标函数来训练机器学习模型。
[0010]在实施例中，提供了一种方法，包括：由硬件计算机系统，将二值化函数施加于设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以产生其各自的二值化的版本；和由硬件计算机系统，通过基于被预测的光学邻近校正和/或基准光学邻近校正的二值化的版本相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
[0011]在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正图像；由硬件计算机系统使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正图像；由所述硬件计算机系统使用二值化函数将被预测的光学邻近校正图像和基准光学邻近校正图像变换成各自的二元图像；由所述硬件计算机系统相对于被预测的光学邻近校正图像的二元图像的数据对基准光学邻近校正图像的二元图像的数据进行评估；和由所述硬件计算机系统基于所述评估来调整所述机器学习模型的参数。
[0012]在实施例中，提供了一种方法，包括：由硬件计算机系统处理设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以识别
光学邻近校正的边缘部位；和由硬件计算机系统，通过基于来自被识别的边缘部位的数据相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
[0013]在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正图像；由硬件计算机系统使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正图像；由所述硬件计算机系统，识别被预测的光学邻近校正图像和基准光学邻近校正图像内的特征的边缘部位；由所述硬件计算机系统，相对于被预测的光学邻近校正图像的被识别的边缘部位处的数据来评估所述基准光学邻近校正图像的被识别的边缘部位处的数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：获得设计图案的一个或更多个在空间上移位版本和针对一个或更多个移位的设计图案中的每一个的对应的光学邻近校正图像；由硬件计算机系统，选择具有符合或超过阈值的过程窗口指标的一个或更多个移位的设计图案的一个或更多个光学邻近校正图像；和由所述硬件计算机系统，使用包括关于所述设计图案的一个或更多个在空间上移位版本的数据和关于所选择的一个或更多个光学邻近校正图像的数据的训练数据来训练机器学习模型，其中，所述光学邻近校正图像是连续透射掩模图像。2.一种方法，包括：获得加权函数或数据以向设计图案的光学邻近校正的区指派与其另外的区不同的权重；和由硬件计算机系统，通过基于加权数据相对于所述设计图案的基准光学邻近校正对设计图案的由机器学习模型预测的光学邻近校正进行评估来训练所述机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。3.根据权利要求2所述的方法，其中，将所述加权函数或数据施加于被预测的光学邻近校正、所述基准光学邻近校正、和/或在被预测的光学邻近校正与基准光学邻近校正之间的差。4.根据权利要求2或权利要求3所述的方法，其中，所述加权函数或数据向邻近于所述设计图案的主要特征的区指派比所述区外部的区更高的权重。5.根据权利要求4所述的方法，其中，所述区涵盖用于所述主要特征的光学邻近校正，但排除用于所述主要特征的另外的光学邻近校正。6.根据权利要求2所述的方法，其中，所述加权函数或数据向光学邻近校正的边缘指派比所述光学邻近校正的内部和/或所述设计图案的另一部分更高的权重。7.根据权利要求2所述的方法，其中，所述加权函数或数据包括配置成使所述权重作为根据与所述设计图案的主要特征相距的距离而衰减的加权函数。8.根据权利要求2所述的方法，其中，光学邻近校正图像是连续透射掩模图像。9.一种方法，包括：获得针对设计图案的基准光学邻近校正；由硬件计算机系统，使用机器学习模型产生所述设计图案的被预测的光学邻近校正；由所述硬件计算机系统，在被预测的光学邻近校正和/或基准光学邻近校正的一部分处指派相对高的权重；和由所述硬件计算机系统，使用对加权后的被预测的光学邻近校正和/或基准光学邻近校正进行评估的目标函数来训练所述机器学习模型。10.根据权利要求9所述的方法，其中，在所述光学邻近校正的边缘处指派相对高的权重。11.根据权利要求9或权利要求10所述的方法，其中，向所述设计图案的主要特征的第一光学邻近校正指派不同于所述主要特征的第二光学邻近校正的权重。12.根据权利要求9所述的方法，其中，光学邻近校正图像是连续透射掩模图像。13.一种方法，包括：
由硬件计算机系统，将二值化函数施加于设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以产生其各自的二值化的版本；和由硬件计算机系统，通过基于被预测的光学邻近校正和/或基准光学邻近校正的二值化的版本相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。14.根据权利要求13所述的方法，其中，所述二值化函数是S型函数。15.根据权利要求13所述的方法，其中，光学邻近校正图像是连续透射掩模图像。16.一种方法，包括：获得针对设计图案的基准光学邻近校正图像；由硬件计算机系统，使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正；由所述硬件计算机系统，使用二值化函数将被预测的光学邻近校正图像和基准光学邻近校正图像变换成各自的二元图像；由所述硬件计算机系统，相对于被预测的光学邻近校正图像的二元图像的数据来评估基准光学邻近校正图像的二元图像的数据；和由所述硬件计算机系统基于所述评估来调整所述机器学习模型的参数。17.根据权利要求16所述的方法，其中，所述二值化函数是S型函数。18.根据权利要求16所述的方法，其中，所述光学邻近校正图像是连续透射掩模图像。19.一种方法，包括：由硬件计算机系统处理设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以识别...

【专利技术属性】
技术研发人员：苏静，卢彦文，罗亚，
申请(专利权)人：ASML荷兰有限公司，
类型：发明
国别省市：