据点之间的最佳拟合的线。如图12B中所说明，对于CD的跟踪性能较差。图12C说明指示采用通过抗蚀剂损失、SWA及⑶参数化的度量模型的SWA的2-D BPR测量的跟踪性能的图式140。线141指示其中经估计的参数值与实际参数值相同的完美跟踪。线142为表示经说明的数据点之间的最佳拟合的线。如图12C中所说明，对于SWA的跟踪性能较差。
[0069]图13A到13C分别说明与采用经整合测量模型的抗蚀剂损失、⑶及SWA的2_D BPR测量相关联的跟踪性能，其中由抗蚀剂损失、CD及SWA参数化的所述度量模型由过程模型限制(即，抗蚀剂损失、CD及SWA由聚焦及曝光限制)。图13A说明指示采用通过抗蚀剂损失、SWA及CD参数化的经整合测量模型的抗蚀剂损失的2-D BPR测量的跟踪性能的图式150。线151指示其中经估计的参数值与实际参数值相同的完美跟踪。线152为表示所说明的数据点之间的最佳拟合的线。如图13A中所说明，对于抗蚀剂损失的跟踪性能较好。图13B说明指示采用通过抗蚀剂损失、SWA及⑶参数化的经整合测量模型的⑶的2-D BPR测量的跟踪性能的图式160。线161指示其中经估计的参数值与实际参数值相同的完美跟踪。线162为表示所说明的数据点之间的最佳拟合的线。如图13B中所说明，对于CD的跟踪性能与图12B中说明的跟踪性能相比经改善。图13C说明指示采用通过抗蚀剂损失、SWA及⑶参数化的经整合测量模型的SWA的2-D BPR测量的跟踪性能的图式170。如图13C中所说明，对于SWA的跟踪性能保持较差。
[0070]图14A到14B分别说明当采用其中经整合测量模型由聚焦及曝光参数化的所述模型时与聚焦及曝光的2-D BPR度量相关联的跟踪性能。图14A说明指示采用通过聚焦及曝光参数化的经整合测量模型的聚焦的2-D BPR测量的跟踪性能的图式180。线181指示其中经估计的参数值与实际参数值相同的完美跟踪。线182为表示所说明的数据点之间的最佳拟合的线。如图14A中所说明，对于聚焦的跟踪性能较好。类似地，图14B说明指示采用通过聚焦及曝光参数化的经整合测量模型的曝光的2-D BPR测量的跟踪性能的图式190。线191指示其中经估计的参数值与实际参数值相同的完美跟踪。线192为表示所说明的数据点之间的最佳拟合的线。如图14B中所说明，对于曝光的跟踪性能较好。如图11中的表110中所说明，聚焦与曝光之间的相关性显著小于SWA与⑶之间的相关性。因此，2-D BPR测量能够比⑶及SWA更成功地解决聚焦及曝光。
[0071]以此方式，使用经整合测量模型以精确测量所关注的过程参数(例如，聚焦深度、曝光、蚀刻时间、沉积时间等)。此方法显著增加在测量信号与经测量的过程参数之间传送的信息，改善精确性及测量时间。
[0072]在另一实例中，基于过程模拟结果建构经整合测量模型。通常，基于度量的目标模型为实际目标的简单近似法。举例来说，用于抗蚀剂线测量的度量模型通常为其中SWA、CD及H经测量的简单梯形。这是归因于过程变化(例如，聚焦及曝光中的变化)的目标几何的实际变化的显著近似。结果，基于来自高度简化度量模型的测量结果表征聚焦及曝光的试图可证实是无结果的，这是因为不同过程参数值的实际几何影响未由测量捕获。
[0073]通过实例，图16说明具有聚焦曝光矩阵中的复杂侧壁形状的目标轮廓。如果使用高度简化度量模型，那么损失图16中说明的过程变化信息的一部分。然而，在一些实例中，包含更复杂几何参数化的经整合测量模型有效捕获过程引起的形状轮廓。以此方式，可有效分析测量信号以确定过程参数值。
[0074]图15说明用于捕获过程变化引起的形状变化的离散10陷阱(12DOF)模型。所述模型包含在不同高度的11个⑶。经测量的⑶反映过程变动且可比通过⑶、SWA及HT参数化的单一梯形几何模型更精确预测聚焦深度及曝光。以此方式，经整合测量模型为基于图16中说明的过程模型模拟结果建构的图15中说明的度量模型。然而，侧壁形状变化在图16中经说明且由图15中说明的模型捕获，可考虑其它形状变化(例如，抗蚀剂线拓扑改变等)。
[0075]在一些实例中，使用经整合测量模型以连续测量过程参数值。经整合测量模型包含用作测量分析的部分以确定来自测量数据的几何参数值的基于度量的目标模型。经整合测量模型还包含基于过程的模型以确定来自几何参数值的过程参数值。
[0076]在一个实例中，通过在维拉?潘德夫(Stilian Pandev)的第2013/0110477号美国专利公开案中描述的基于过程的主要成分分析(PCA)参数化而参数化基于度量的目标模型，所述案的标的物以全文引用的方式并入本文中。基于过程的PCA参数化有效减小基于度量的模型的自由度的数目，使得可从测量数据有效解出模型参数而无测量信息的过度损失。在一个实例中，执行模型减小以约束过程变化空间内的图15中说明的几何离散模型。将经测量的几何形状(例如，图15的CD)提供为到预测聚焦及曝光的过程模型的输入。在一个实例中，将神经网络用作过程模型。神经网络模型基于经测量的⑶预测聚焦及曝光参数值。
[0077]在进一步方面中，通过过程模型数据训练神经网络模型。更具体来说，使用通过PROLITH模拟器(例如图16中说明的所述模拟器)产生的形状轮廓训练神经网络模型。以此方式，将聚焦及曝光参数值表示为侧壁形状参数CDl-CDn及HT的函数，允许由神经网络模型捕获更多过程信息。与利用具有三个参数(即，CD、SWA及HT)的单梯形模型相比，这减小从目标测量到聚焦及曝光估计测量的信息损失。
[0078]图17A说明用作存在于过程变化(聚焦及曝光)中的过程信息内容的指示的主要成分分析的结果。图17A说明过程变化信息经传送到12D0F几何模型且信息由两个或三个PCA成分有效捕获。
[0079]图17B说明用作存在于测量信号(例如，α、β )中的过程信息内容的指示的主要成分分析的结果。传送到信号或几何模型的信息越多，度量/过程模型可越好提取且分离过程参数(例如，聚焦及曝光)。
[0080]在一些实例中，使用经整合测量模型以从测量信号直接测量过程参数值。
[0081]举例来说，如上文中所讨论，可将过程参数代入基于度量的目标模型。以此方式，从测量数据直接解出过程参数值。
[0082]在一些其它实例中，经整合测量模型为接收测量信号且直接确定聚焦及曝光参数值的神经网络模型。使用通过过程模型产生的形状轮廓(例如，通过PROLITH产生的且在图16中说明的形状参数)及通过测量模型产生的对应测量光谱训练神经网络模型。在神经网络训练期间，使用过程模拟器(例如，PROLITH)以针对给定过程变动产生目标轮廓。通过RCWA引擎产生对应于各个形状轮廓的测量光谱。使用经产生的光谱训练神经网络。对所产生的光谱执行PCA以减小自由度的数目。
[0083]在测量期间，通过分析引擎接收测量光谱且通过在训练期间使用的PCA转换将经测量的光谱转换到主要成分(PC)。经训练的神经网络模型接收PC且直接确定聚焦及曝光参数。
[0084]在另一实例中，可基于来自DOE(FEM)晶片的经测量的光谱训练神经网络。在此实例中，不需要过程模拟器或模块。这减小来自RCWA引擎及过程模拟器的错误但增加对于DOE晶片中的过程变化的需要。
[0085]通过采用经整合测量模型以从测量信号直接测量过程参数值，通过消除中间模型(例如，几何、材料或估计测量系统的其它模型)而减小信息损失。另外，通过消除回归操作减小测量时间。
[0086]在另一方面中，可基于度量模型改善过程模型。在一些实例中，使用从度量模型获得的信息改善过程模型的校准。在一个实例中，几何轮廓与过程变动之间的预表征关系可用于过程配方产生。另外，可按训练度量模型的方式校准过程模型。
[0087]甚至更一般来说，过程及度量模型的使用与一个模型完全整合，所述模型提供输入到另一模型。
[0088]在又一方面中，可在多目标模型化的内容中采用所揭示的方法及系统。在一些实例中，经整合测量模型允许对多个目标的组合分析，其中使用测量模型参数解决一些目标同时使用过程参数解决其它目标。另外，可使用从过程模式导出的约束以使不同目标的参数关联。
[0089]虽然在前文中参考光刻过程模型及相关联的聚焦及曝光度量来描述若干实例，但本文中描述的方法及系统可涉及其它过程模型(例如，蚀刻或沉积制造)及其它度量(例如，蚀刻及沉积度量)。本文中描述的方法及系统还可涉及其它参考度量技术(例如，SHM、TEM、AFM、X光)。此外，在本文中描述的方法及系统是参考光学度量系统(例如，光谱椭圆偏光计、反射计、BPR系统等)论述也但可应用到其它基于模型的度量(例如，重叠、CD-SAXS、XRR 等)。
[0090]在又一方面中，跨晶片过程变化模型可与目标结构的基于过程的模型组合。通常过程影响产生跨晶片过程特定图案的整个晶片。在一个实例中，通常观察到膜沉积过程通常导致具有跨晶片的径向对称图案的膜厚度。
[0091]在一些实例中，跨晶片过程信息与编码于单一目标中的过程变化信息组合使用，以建立精确的经整合测量模型。在一个实例中，下伏膜的一或多个跨晶片膜模块与基于通过PROLITH建立的过程变化参数化的10陷阱模型组合。通过约束光栅到过程空间中的变化且约束下伏膜到