插补器模型的配置制造技术

配置用于插补第二参数的插补器模型的设备和方法。所述方法包括将包括第一参数的值的第一数据集输入至所述插补器模型，并且评估所述插补器模型以获得包括所述第二参数的经插补值的第二数据集。所述方法还包括：获得包括第三参数的测量值的第三数据集，其中所述第三参数与所述第二参数相关；获得预测模型，所述预测模型被配置成基于输入所述第二参数的值来推断所述第三参数的值；将所述第二数据集输入至所述预测模型，并且评估所述预测模型以获得所述第三参数的推断值；以及基于所述第三参数的所述推断值与所述测量值的比较来配置所述插补器模型。述插补器模型。述插补器模型。

【技术实现步骤摘要】
【国外来华专利技术】插补器模型的配置
[0001]相关申请的交叉引用
[0002]本申请要求于2020年4月20日递交的欧洲申请20170366.7、于2020年5月19日递交的欧洲申请20175361.3、以及于2020年7月23日递交的欧洲申请20187387.4的优先权，并且这些欧洲申请的全部内容通过引用并入本文中。


[0003]本专利技术涉及用于配置用于对参数进行插补即缺失值插补(impute)的插补器(imputer)模型的设备和方法。特别地，所述模型可以基于第一参数来插补第二参数，并且所述模型的配置考虑与第二参数相关的第三参数。

技术介绍

[0004]光刻设备是被构造成将期望的图案施加至衬底上的机器。光刻设备可以用于例如集成电路(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(也经常被称为“设计布局”或“设计”)投影至被设置在衬底(例如晶片)上的辐射敏感材料(抗蚀剂)层上。
[0005]为了将图案投影于衬底上，光刻设备可以使用辐射。这种辐射的波长确定可以形成在衬底上的特征的最小大小。当前在使用中的典型波长是365nm(i线)、248nm、193nm和13.5nm。与使用例如具有约193nm的波长的辐射的光刻设备相比，使用具有在4nm至20nm的范围内(例如6.7nm或13.5nm)的波长的极紫外(EUV)辐射的光刻设备可以用于在衬底上形成较小特征。
[0006]低k1光刻可以用于处理尺寸小于光刻设备的经典分辨率极限的特征。在这样的过程中，可以将分辨率公式表达为CD＝k1r/>×
λ/NA，其中λ是所使用的辐射的波长、NA是光刻设备中的投影光学器件的数值孔径、CD是“临界尺寸”(通常是所印制的最小特征大小，但在这种情况下是半节距)且k1是经验分辨率因子。通常，k1越小，则在衬底上再现类似于由电路设计者规划的形状和尺寸以便实现特定电功能性和性能的图案变得越困难。为了克服这些困难，可以将复杂的微调步骤应用至光刻投影设备和/或设计布局。这些步骤包括例如但不限于：NA的优化、自定义照射方案、相移图案形成装置的使用、设计布局的各种优化，诸如设计布局中的光学邻近效应校正(OPC，有时也被称为“光学和过程校正”)，或通常被定义为“分辨率增强技术”(RET)的其它方法。替代地，用于控制光刻设备的稳定性的严格控制回路可以用于改善在低k1下的图案的再现。
[0007]光刻过程可以产生许多数据，这些数据可以被分析以监测和/或控制设备。数据可以由(例如)光刻设备自身中的传感器或对由光刻设备图案化的衬底执行的测量的量测数据产生。与复杂过程相关的这样的大量数据的处理可以涉及模型的使用。模型可以是机器学习模型，例如神经网络。模型可以基于所提供的输入估计输出。在所述模型可以提供输出之前，所述模型必须了解光刻过程。为了进行这种操作，需要训练机器学习模型。可以对训练数据集执行训练。训练数据集可以包括模型的输入和输出两者的已知(历史)值。获得训
练数据集可以是困难的，这是因为输出的数据值可能不是普遍可用的，和/或输出数据是可用的输入数据集可能不完整(例如一些输入数据值可能遗漏)。本文中所描述的方法和设备旨在解决发现合适的训练数据的挑战。

技术实现思路

[0008]本专利技术的目标是提供用以配置用于插补第二参数的插补器模型的方法和设备。
[0009]根据本公开的第一方面，提供一种配置用于插补第二参数的插补器模型的方法，所述方法包括将包括第一参数的值的第一数据集输入至所述插补器模型。评估所述插补器模型以获得包括所述第二参数的经插补值的第二数据集。获得包括第三参数的测量值的第三数据集，其中所述第三参数与所述第二参数相关。获得预测模型，所述预测模型被配置成基于输入所述第二参数的值来推断所述第三参数的值。将所述第二数据集输入至所述预测模型，并且评估所述预测模型以获得所述第三参数的推断值。基于所述第三参数的所述推断值与所述测量值的比较来配置所述插补器模型。
[0010]可选地，所述方法还可以包括获得被配置成输出估计所接收的输入值为被插补的或为已知的掩模向量的分析模型。可以至少将所述第二数据集输入至所述分析模型。可以评估所述分析模型以获得具有所述第二数据集是否包括经插补数据的估计的掩模向量。还可以基于所述分析模型的所述输出来配置所述插补器模型。
[0011]可选地，至少将所述第二数据集输入至所述分析模型还可以包括输入所述第一数据集和所述第三数据集中的至少一种。
[0012]可选地，所述第一数据集可以包括多个参数。
[0013]可选地，所述第一参数、所述第二参数、和所述第三参数可以与光刻图案化过程有关。
[0014]可选地，所述第一数据集可以包括调平数据、对准数据、和/或重叠数据中的至少一种。
[0015]可选地，所述第二参数可以是重叠或临界尺寸中的一种。
[0016]可选地，所述第三参数可以是产率。
[0017]可选地，所述插补器模型可以配置成估计所述第二数据集以用于计算量测和产率感知预测中的至少一种。
[0018]可选地，可以同时训练所述预测模型和所述插补器模型。
[0019]可选地，所述模型中的至少一个可以是机器学习模型。
[0020]可选地，所述机器学习模型可以包括深度神经网络。
[0021]根据本专利技术的另一方面，提供一种确定对光刻设备的调整的方法。所述方法包括获得已使用如上文所描述的方法来配置的插补器模型。将与由所述光刻设备进行的先前光刻曝光有关的第一数据集输入至所述插补器模型，并且评估所述插补器模型以获得包括第二参数的估计值的第二数据集。将所述第二数据集输入至目标预测模型，并且评估所述目标预测模型以获得包括第三参数的推断值的第三数据集。基于所述第三参数的所述推断值来确定对所述光刻设备的所述调整。
[0022]可选地，所述方法还可以包括对所述光刻设备实施所确定的调整以用于后续光刻曝光。
[0023]所述目标预测模型可以是与用于配置所述插补器模型的方法中的预测模型相同的模型，或其可以是单独的模型。
[0024]根据本专利技术的另一方面，提供一种用于配置用于估计第二参数的插补器模型的设备，所述设备包括一个或更多个处理器以及非暂时性储存介质，所述非暂时性储存介质包括在被执行时使所述处理器执行上文所描述的方法的指令。
[0025]根据本专利技术的另一方面，提供一种设备，包括使用上文所描述的方法来配置的插补器模型。
[0026]根据本专利技术的另一方面，提供一种量测设备，包括如上文所描述的设备。
[0027]根据本专利技术的另一方面，提供一种光刻单元，包括如上文所描述的设备。
[0028]根据本专利技术的另一方面，提供一种计算机程序产品，包括被配置成进行以下操作的计算机可读指令：接收用于插补器模型的输入数据，所述插补器模型是机器学习模型且被配置成提供经插补数据；接收与经插补数据相关的目标数据；将经插补数据输入至预测模型以获得预测数据；以及基于所述预测数据与所述目标数据之间的比较来训练所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算机程序产品，包括被配置成进行以下操作的计算机可读指令：接收用于插补器模型的输入数据，所述插补器模型是机器学习模型且被配置成提供经插补数据；接收与经插补数据相关的目标数据；将经插补数据输入至预测模型以获得预测数据；以及基于所述预测数据与所述目标数据之间的比较来训练所述插补器模型。2.根据权利要求1所述的计算机程序，还包括用以基于所述比较来配置所述预测模型的指令。3.根据权利要求2所述的计算机程序，其中，用以配置所述预测模型的所述指令提供基于所述比较对所述预测模型的训练。4.根据权利要求1所述的计算机程序，还包括用于进行以下操作的指令：获得识别经插补数据内的经插补条目和非经插补条目的第一列表；将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补条目与非经插补条目，并且输出识别经插补条目和非经插补条目的第二列表；以及基于所述第一列表与所述第二列表之间的比较来训练所述插补器模型。5.根据权利要求4所述的计算机程序，还包括用以基于所述第一列表与所述第二列表之间的所述比较来配置所述分析器模型的指令。6.根据权利要求4或5所述的计算机程序，其中，所述插补器模型和分析器模型被配置成为生成对抗网络(GAN)。7.根据权利要求4所述的计算机程序，其中，被配置成将经插补数据输入至所述分析模型的所述指令还包括被配置成输入所述输入数据和所述目标数据中的至少一种的指令。8.一种方法，包括：接收用于插补器模型的输入数据，所述插补器模型是机器学习模型且被配置成提供经插补数据；接收与经插补数据相关的目标数据；将经插补数据输入至预测模型以获得预测数据；以及基于比较所述预测数据与所述目标数据来训练所述插补器模型。9.根据权利要求8所述的方法，还包括基于所述比较来配置所述预测模型。10.根据权利要求8或9所述的方法，还包括：获得识别经插补数据内的经插补条目和非经插补条目的第一列表；将经插补数据输入至分析器模型，所述分析器模型被配置成辨别经插补条目与非经插补条目，并且输出识别经插补条目和非经插补条目的第二列表；以及基于比较所述第...

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