记录有指令的非瞬态计算机可读介质的制作方法

1.本文的描述大体上涉及改进量测测量和光刻相关过程。更具体地，用于为图案化过程中使用的量测测量值或训练模型评估图案集合的设备、方法和计算机程序产品。


背景技术：

2.光刻投影设备可以例如在集成电路(ic)的制造中使用。在这种情况下，图案形成装置(例如掩模)可以包含或提供与ic的单个层相对应的图案(“设计布局”)，并且通过诸如通过图案形成装置上的图案照射目标部分等方法，该图案可以被转印到衬底(例如硅晶片)上的目标部分(例如包括一个或多个管芯)上，该目标部分已经被涂有辐射敏感材料(“抗蚀剂”)层。通常，单个衬底包含多个相邻的目标部分，图案由光刻投影设备连续地转印至该目标部分，一次一个目标部分。在一种类型的光刻投影设备中，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；这种设备一般被称为步进器。在一般称为步进扫描设备的替代设备中，投影束沿着给定参考方向(“扫描”方向)在图案形成装置上进行扫描，同时平行于或反平行于该参考方向移动衬底。图案形成装置上的图案的不同部分被逐渐转印到一个目标部分。通常，由于光刻投影设备将具有缩小率m(例如4)，所以衬底被移动的速度f将是投影束扫描图案形成装置的1/m倍。关于光刻装置的更多信息可以例如从us 6,046,792中发现，其通过引用并入本文。
3.在将图案从图案形成装置转印到衬底之前，衬底可能会经历各种程序，诸如涂覆、抗蚀剂涂层和软烘烤。在曝光后，衬底可以进行其他程序(“曝光后程序”)，诸如曝光后烘烤(peb)、显影、硬烘烤以及转印图案的测量/检查。该程序阵列被用作制造装置(例如ic)的单个层的基础。然后，衬底可以经历各种过程，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等，所有这些过程都旨在完成装置的单个层。如果装置中需要多层，那么整个程序或其变型针对每层重复。最终，装置将存在于衬底上的每个目标部分中。然后，这些装置通过诸如切割或锯切等技术彼此分离，从而单个装置可以被安装在载体上，连接至引脚等。
4.因此，诸如半导体器件等制造装置通常涉及使用许多制造过程来处理衬底(例如半导体晶片)，以形成装置的各种特征和多层。这种层和特征通常使用例如沉积、光刻、蚀刻、化学机械抛光和离子注入来制造和处理。多个装置可以被制作在衬底上的多个管芯上，然后被分离为单独的装置。该装置制造过程可以被认为是图案化过程。图案化过程涉及图案形成步骤，诸如使用光刻设备中的图案形成装置进行光学和/或纳米印刷光刻，以将图案形成装置上的图案转印到衬底，并且通常但可选地涉及一个或多个相关的图案处理步骤，诸如由显影设备进行抗蚀剂显影，使用烘烤工具进行衬底的烘烤，使用蚀刻设备使用图案进行蚀刻等。


技术实现要素：

5.在实施例中，提供了一种用于评估来自设计布局的所选图案集合的方法，例如用于执行量测测量和/或为计算光刻机器学习模型生成训练数据集。使用量测工具对图案化
衬底进行测量是一个耗时的过程，并且会影响半导体制造过程的吞吐量(例如每小时制造的芯片数量)。通常，设计布局上可能有数百万个图案期望印刷在芯片上。在期望时间内测量所有这些图案以满足半导体制造过程的吞吐量规范是不切实际的。因此，通常减少的图案集合从设计布局中选择以进行测量。
6.这些测量可以用于与图案化过程相关的各种目的。在实施例中，测量可以被用于监测或调整半导体制造过程的图案化过程。在实施例中，测量可以被用于模型校准或与图案化过程相关的训练模型。因此，为量测测量选择的减少的图案集合可以被评估，因此即使使用减少的测量，对图案化过程的准确控制和调整也可以被实现。
7.附加地，即使使用减少的测量，准确的模型校准或模型训练也可以被实现。这也有助于减少模型校准或模型训练期间使用的计算时间和资源。
8.例如，如果所选图案集合代表设计布局的数百万个图案，或者该图案集合具有足够的图案覆盖，那么当这种图案集合的量测测量被用于训练与图案化过程相关的模型时，经训练的模型可以准确地预测图案化衬底的特性。本公开提供了一种用于评估一个或多个所选图案集合而不依赖其量测数据的机制。图案集合可以分别从图案选择过程中产生。通过这种方式，评估可以在耗时的量测测量之前被有利地执行。
9.根据实施例，提供了一种用于评估所选图案集合的方法。该方法包括：获得(i)由图案选择过程产生的第一图案集合，(ii)与第一图案集合相关联的第一图案数据，(iii)与第一图案数据相关联的特性数据，以及(iv)与第二图案集合相关联的第二图案数据。机器学习模型基于与第一图案相关联的特性数据来训练，其中机器学习模型被配置为预测输入到机器学习模型中的图案的图案数据。第二图案集合被输入到经训练的机器学习模型，以预测第二图案集合的第二图案数据。第一图案集合通过比较第二图案数据和预测的第二图案数据来评估。第一图案集合包括设计布局的第一多个图案，并且第二图案集合包括设计布局的第二多个图案。在实施例中，第二图案集合包括全芯片布局。
10.在实施例中，获得第一图案数据涉及：通过执行参考模型来生成第一轮廓或第一图像，该参考模型被配置为使用第一图案集合作为输入来模拟图案化过程。类似地，获得第二图案数据涉及：通过执行参考模型来生成第二轮廓或第二图像，该参考模型被配置为使用第二图案集合作为输入来模拟图案化过程。
11.在实施例中，第一图案集合可以是第二图案集合的子集。
12.在实施例中，评估第一图案集合涉及：计算第二图案数据与预测的第二图案数据之间的差异。在实施例中，绝对图案覆盖被确定为绝对误差的函数，该绝对误差与使用第一图案集合训练的经训练的机器学习模型相关联。在实施例中，相对图案覆盖可以被确定为相对误差的函数，该相对误差是与使用第一图案集合训练的经训练的机器学习模型相关联的第一误差范围和与另一图案集合相关联的第二误差范围之间的比较。
13.在实施例中，设计布局内的风险图案可以被确定。风险图案与违反期望误差阈值的模型预测误差相关联。这些风险图案可以被补充到第一图案集合以提高图案覆盖。
14.一旦评估出所选图案集合具有足够的覆盖，则所选图案集合可以被用于与图案化过程或量测过程相关的各种目的。例如，所选图案集合可以被用于经由量测工具捕获图案化衬底的测量值。有利地，所选图案提高了量测吞吐量。作为另一示例，所选图案集合可以被用于训练与图案化过程相关的ml模型。
15.根据实施例，提供了一种计算机系统，该计算机系统包括在其上记录有指令的非瞬态计算机可读介质。在由计算机执行时，这些指令实施以上方法步骤。
附图说明
16.被并入到本说明书中并且构成本说明书的一部分的附图示出了本文公开的主题的某些方面，并且连同描述帮助解释与所公开的实施例相关联的一些原理。在附图中，
17.图1是根据实施例的光刻投影设备的各种子系统的框图。
18.图2图示了根据实施例的用于在光刻投影设备中模拟光刻的示例性方法的流程图。
19.图3是根据实施例的设计布局的给定图案集合的评估过程的框图。
20.图4是根据实施例的用于评估设计布局的给定图案集合(例如图案子集)的方法的示例性流程图。
21.图5是根据实施例的与不同的所选图案集合相关联的轮廓到轮廓缺陷尺寸的箱线图。
22.图6图示了根据实施例的基于缺陷尺寸的绝对和相对图案覆盖检查，缺陷尺寸与从不同图案选择过程获得的不同图案集合相关联。
23.图7图示了根据实施例的基于轮廓到轮廓误差范围的不同图案集合的相对比较，其中不同的图案集合是从不同的图案选择过程中获得的。
24.图8图示了根据实施例的基于经训练的机器学习模型误差识别风险图案。
25.图9是根据实施例的示例计算机系统的框图。
26.图10是根据实施例的示例性极紫外(euv)光刻投影设备的示意图。
27.图11是根据实施例的另一光刻投影设备的示意图。
28.图12是根据实施例的图11中的示例性设备的更详细的视图。
29.图13是根据实施例的图11和图12的设备的源收集器模块的更详细的视图。
具体实施方式
30.尽管在本文中可以具体引用ic的制造，但应该明确理解的是，本文的描述还有许多其他可能的应用。例如，它可以被用于制造集成光学系统、用于磁畴存储器、液晶显示面板、薄膜磁头等的引导和检测图案。本领域技术人员将了解，在这种替代应用的上下文中，术语“掩模版”、“晶片”或“管芯”在本文中的任何使用应该被认为分别与更通用的术语“掩模”、“衬底”和“目标部分”可互换。
31.在本文档中，术语“辐射”和“束”可以被用于涵盖所有类型的电磁辐射，包括紫外辐射(例如波长为365、248、193、157或126nm)和euv(极紫外辐射，例如波长在约5至100nm的范围内)。
32.图案形成装置可以包括或可以形成一个或多个设计布局。设计布局可以使用cad(计算机辅助设计)程序来生成，该过程通常被称为eda(电子设计自动化)。大多数cad程序都遵循预定的设计规则集合，以创建功能设计布局/图案形成装置。这些规则是由处理和设计限制设置的。例如，设计规则定义了装置(诸如门、电容器等)或互连线之间的空间公差，以确保装置或线不会以不期望的方式彼此交互。一个或多个设计规则限制可以被称为“临
界尺寸”(cd)。装置的临界尺寸可以被定义为线或孔的最小宽度或者两个线或两个孔之间的最小空间。因此，cd确定了所设计装置的总尺寸和密度。当然，装置制作中的目标中的一个目标是如实地(经由图案形成装置)在衬底上再现原始设计意图。
33.本文中采用的术语“掩模”或“图案形成装置”可以被广义地解释为是指通用图案形成装置，它可以被用于向传入的辐射束赋予图案化的横截面，对应于要在衬底的目标部分中创建的图案；在该上下文中，术语“光阀”也可以被使用。除了经典的掩模(透射或反射的；二进制的、相移的、混合的等)以外，其他这种图案形成装置的示例还包括可编程反射镜阵列和可编程lcd阵列。
34.可编程反射镜阵列的示例可以是具有粘弹性控制层和反射表面的矩阵可寻址表面。这种设备背后的基础原理是(例如)反射表面的寻址区域将入射辐射反射为衍射辐射，而未寻址区域将入射辐射反射为未衍射辐射。使用适当的滤波器，所述未衍射辐射可以从反射束中滤出，仅留下衍射辐射；通过这种方式，束根据矩阵可寻址表面的寻址图案而被图案化。所需的矩阵寻址可以使用合适的电子部件来执行。
35.可编程lcd阵列的示例是在美国专利号5,229,872中给出的，其通过引用并入本文。
36.图1是根据实施例的光刻投影设备10a的各种子系统的框图。主要部件是辐射源12a，它可以是深紫外准分子激光源或者其他类型的源，包括：极紫外(euv)源(如上面讨论的，光刻投影设备本身不需要具有辐射源)；照射光学器件，它例如限定部分相干性(表示为σ)，并且可以包括对来自源12a的辐射进行整形的光学器件14a、16aa和16ab；图案形成装置18a；以及透射光学器件16ac，将图案形成装置的图案的图像投影到衬底平面22a上。投影光学器件的光瞳平面处的可调整滤光片或孔20a可能会限制撞击在衬底平面22a上的束角度范围，其中最大可能角度定义了投影光学器件的数值孔径na＝n sin(θ
max
)，其中n是衬底与投影光学器件的最后元件之间的介质的折射率，并且θ
max
是从投影光学器件离开的束的最大角度，该束仍然可以撞击在衬底平面22a上。
37.在光刻投影设备中，源向图案形成装置提供照射(即，辐射)，并且投影光学器件经由图案形成装置将照射导向和整形到衬底上。投影光学器件可以包括部件14a、16aa、16ab和16ac中的至少一些。空间图像(ai)是衬底水平的辐射强度分布。抗蚀剂模型可以被用于从空间图像计算抗蚀剂图像，其示例可以在美国专利申请公开号us2009-0157360中找到，其公开内容通过引用全部并入本文。抗蚀剂模型仅与抗蚀剂层的性质相关(例如在曝光、曝光后烘烤(peb)和显影期间发生的化学过程的影响)。光刻投影设备的光学性质(例如照射、图案形成装置和投影光学器件的性质)指定了空间图像，并且可以在光学模型中定义。由于在光刻投影设备中使用的图案形成装置可以被改变，因此期望将图案形成装置的光学性质与至少包括源和投影光学器件的光刻投影设备的其余部分的光学性质分离。用于将设计布局变换为各种光刻图像(例如空间图像、抗蚀剂图像等)、使用这些技术和模型应用opc并且评估性能(例如按照过程窗口)的技术和模型的细节是在美国专利申请公开号us 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197、2010-0180251中描述的，其中每一个的公开内容通过引用全部并入本文。
38.根据本公开的实施例，一个或多个图像可以利用与每个像素的像素值(例如强度值)相对应的各种类型的信号来生成。取决于图像内的像素的相对值，信号可以被称为例如
弱信号或强信号，如本领域的普通技术人员可以理解的。术语“强”和“弱”是基于图像内的像素的强度值的相对术语，并且强度的具体值可能不限制本公开的范围。在实施例中，强信号和弱信号可以基于所选阈值来识别。在实施例中，阈值可以是固定的(例如图像内的像素的最高强度和最低强度的中点)。在实施例中，强信号可以指值大于或等于整个图像的平均信号值的信号，而弱信号可以指值小于平均信号值的信号。在实施例中，相对强度值可以基于百分比。例如，弱信号可以是强度小于图像内的像素(例如对应于目标图案的像素可以被认为是具有最高强度的像素)的最高强度的50％的信号。此外，图像内的每个像素都可以被视为变量。根据本实施例，导数或偏导数可以相对于图像内的每个像素确定，并且每个像素的值可以根据成本函数的基于成本函数的评估和/或基于梯度的计算来确定或修改。例如，ctm图像可以包括像素，其中每个像素都是可以取任何实数值的变量。
39.图2图示了根据实施例的用于在光刻投影设备中模拟光刻的示例性流程图。源模型31表示源的光学特性(包括辐射强度分布和/或相位分布)。投影光学器件模型32表示投影光学器件的光学特性(包括由投影光学器件引起的辐射强度分布和/或相位分布的变化)。设计布局模型35表示设计布局的光学特性(包括由设计布局33引起的辐射强度分布和/或相位分布的变化)，这是在图案形成装置上形成或由图案形成装置形成的特征布置的表示。空间图像36可以通过设计布局模型35、投影光学器件模型32和设计布局模型35来模拟。抗蚀剂图像38可以使用抗蚀剂模型37从空间图像36模拟。光刻的模拟可以例如预测抗蚀剂图像中的轮廓和cd。
40.更具体地，注意到源模型31可以表示源的光学特性，包括但不限于数值孔径设置、照射西格玛(σ)设置以及任何特定照射形状(例如离轴辐射源，诸如环形、四极和偶极等)。投影光学器件模型32可以表示投影光学器件的光学特性，包括像差、失真、一个或多个折射率、一个或多个物理尺寸、一个或多个物理尺寸等。设计布局模型35可以表示物理图案形成装置的一个或多个物理性质，例如在美国专利号7,587,704中描述的，其通过引用全部并入本文。模拟的目的是准确地预测例如边缘放置、空间图像强度斜率和/或cd，然后可以与预期设计进行比较。预期设计通常被定义为opc前设计布局，它可以以标准化的数字文件格式(诸如gdsii或oasis或其他文件格式)提供。
41.通过该设计布局，一个或多个部分可以被识别，它被称为“剪辑”。在实施例中，剪辑集合被提取，它表示设计布局中的复杂图案(通常为大约50至1000个剪辑，尽管任何数量的剪辑可以被使用)。这些图案或剪辑表示设计的小部分(例如电路、小区或图案)，更具体地，剪辑通常表示需要特别注意和/或验证的小部分。换言之，剪辑可能是设计布局的一部分，或者可能与设计布局的部分类似或具有类似的行为，其中一个或多个关键特征通过经验(包括由客户提供的剪辑)、通过反复试验或通过运行全芯片模拟来识别。剪辑可以包含一个或多个测试图案或标准度量图案。
42.初始的较大剪辑集合可以由客户基于需要特定图像优化的设计布局中的已知关键特征区域来先验地提供。备选地，在另一实施例中，初始的较大剪辑集合可以通过使用识别一个或多个关键特征区域的某种自动(诸如机器视觉)或手动算法从整个设计布局中提取。这些剪辑或其中的减少的图案集合还可以被用于与图案化过程或量测测量相关的不同目的。
43.如本文使用的，术语“图案化过程”通常是指通过施加指定的光图案作为光刻过程
的一部分来创建蚀刻衬底的过程。然而，“图案化过程”也可以包括等离子体蚀刻，因为本文描述的许多特征可以为使用等离子体处理形成印刷图案提供益处。
44.如本文使用的，术语“设计图案”或“目标图案”是指将被蚀刻在衬底上的理想化图案。术语“目标布局”是指包括一个或多个目标图案的设计布局。
45.如本文使用的，术语“印刷图案”或“图案化衬底”是指在基于目标图案成像和/或蚀刻的衬底上的物理图案。印刷图案可以包括例如由光刻过程产生的沟槽、通道、凹陷、边缘或其他二维和三维特征。
46.如本文使用的，术语“过程模型”是指包括模拟图案化过程的一个或多个模型的模型。例如，过程模型可以包括光学模型(例如对用于在光刻过程中传递光的透镜系统/投影系统进行建模，并且可以包括对进入光刻胶的光的最终光学图像进行建模)、抗蚀剂模型(例如模拟抗蚀剂的物理效应，诸如由于光引起的化学效应)和opc模型(例如可以被用于修改目标图案以包括亚分辨率抗蚀剂特征(sraf)等)。
47.通常，在训练图案化过程模型、控制图案化过程或其他应用或者其他半导体制造相关过程中，设计布局的图案子集被选择和使用以提高量测测量的吞吐量。作为示例，减少的图案集合减少了量测测量或建模时间并且提高了吞吐量。例如，为了改进图案化过程和图案化准确性，过程模型使用目标图案、掩模图案、衬底图像等来训练。opc过程可以包括一个或多个训练模型以生成更好的掩模图案，诸如光学模型、掩模模型、抗蚀剂模型、蚀刻模型等。例如，由机器学习辅助的opc显著提高了全芯片辅助特征(例如sraf)放置的准确性，同时在控制下保持掩模设计的一致性和运行时间。深度卷积神经网络(dcnn)可以使用其中的目标布局或目标图案以及对应的连续透射掩模(ctm)图像来训练。这些ctm图像使用逆掩模优化模拟过程进行优化。然后cnn生成的sraf引导图被用于将sraf放置在全芯片设计布局上。
48.当选择图案集合用于训练时，期望选择将为模型提供最多信息的图案集合。当前，有多种方法可用于图案选择。例如，图案散列技术可能很快，但在精确匹配中效果最好，而不是捕获图案相似性。在另一示例中，基于无监督图像的图案成像技术(例如基于自动编码器)可以在更高的多维潜在空间中捕获图案相似性。在基于模型模拟的图案分类和选择技术中，从模型模拟角度结合相似性的空间图像或抗蚀剂图像参数空间可以被使用。
49.本公开提供了一种在收集晶片量测数据之前评估由设计布局的所选图案集合或减少的图案集合实现的性能的机制。该评估可以被用于验证图案覆盖，评估图案选择过程，比较不同的所选图案集合或提高图案覆盖。有利地，评估所选图案集合可以提供关于所选图案集合是否具有设计布局的足够好的图案覆盖，、是否更多图案应该被添加以提高图案覆盖或改进图案化过程或计量过程的其他方面的见解。作为示例，提高图案覆盖反过来会使量测测量更加有效。作为另一示例，提高图案覆盖将改进训练时间以及由经训练的过程模型做出的预测的质量。例如，经训练的过程模型可以准确预测整个设计布局的图案化衬底的轮廓。
50.在本实施例中，提供了用于评估设计布局的所选图案集合的机制。例如，图3是根据实施例的通过训练和执行机器学习模型来评估设计布局的给定图案的过程的框图。
51.在实施例中，设计布局的图案子集可以通过任何合适的方式获得。例如，设计布局的图案子集可以由用户提供或使用图案选择过程来选择。设计布局的图案子集可以被称为
设计布局的给定图案集合gp1、第一图案集合gp1或减少的图案集合gp1。参考模型可以被应用于给定图案集合gp1，以生成或提取用于训练机器学习(ml)模型的图案数据。例如，图案数据可以包括模拟轮廓、用于测量图案特性的标准度量、与图案的物理特性相关联的统计数据、图案的各个位置、图案与其他图案的相对位置或者可以被用于训练ml模型的其他图案相关数据。经训练的ml模型可以被用于与图案化过程相关的不同应用。
52.在实施例中，参考模型可以生成给定图案集合gp1的模拟轮廓，标准度量数据从中导出。然后标准度量数据被用作训练ml模型的训练数据。然后经训练的ml模型被应用于第二图案集合，以生成或提取第二图案数据(例如轮廓或其他预测结果)。第二图案集合不同于给定图案集合gp1，并且可以是比给定图案gp1大得多的图案集合，例如全芯片数据集。参考模型也被应用于第二图案集合，以生成对应的第一图案数据。由两个模型产生的第一图案数据被比较，并且差异被用于相对于ml模型训练评估给定图案集合gp1。在一些实施例中，两个模型都被配置为预测第二图案集合的轮廓。两个模型之间的第二数据集的轮廓到轮廓比较被用于图案覆盖评估。
53.更具体地，如图3所示，在操作301中，与图案化过程相关联的参考模型refm1可以被应用于给定图案gp1，以生成给定图案gp1的模拟轮廓。本公开不被限于模型的任何具体形式的输入数据。取决于refm1的实施方式和配置，输入数据可以是目标图案的多边形或图案集合gp1的渲染图像。参考模型refm1可以包括但不限于光学模型、掩模模型、抗蚀剂模型、蚀刻模型等中的一种或多种。参考模型可以是经训练的机器学习模型或校准的非机器学习模型(例如基于物理的模型或经验模型)。在一些其他实施例中，在301中，给定图案gp1的轮廓可以从在测量先前图案化的衬底期间捕获的量测数据(例如图像)获得，并且量测数据被存储在数据库中。
54.在操作303中，标准度量被配置为提取与图案相关联的特性数据。例如，标准度量可以是边缘放置(ep)标准度量或放置在轮廓处的点，例如表征轮廓的形状和/或尺寸。作为另一示例，标准度量可以是临界尺寸标准度量(cd标准度量)、被配置为测量间距、空间、曲率或图案的其他物理特性的标准度量。
55.在操作305中，标准度量可以被用于训练ml模型，使得经训练的ml模型紧密匹配参考数据，诸如参考模型refm1的输出。机器学习模型可以是卷积神经网络或者任何其他合适的模型配置。本公开不被限于特定的机器学习模型。机器学习模型可以使用ml算法进行训练，诸如有监督或无监督学习。作为示例，ml模型(例如cnn或dcnn)通过使用模拟的ep标准度量数据进行训练。换言之，经训练的ml被配置为模仿参考模型refm1的输出。
56.在操作308中，经训练的ml模型可以被应用于预测不同于gp1的第二图案集合的轮廓。在不脱离本公开的范围的情况下，第二数据集包括任何数量的图案。在一些实施例中，它可以显著大于gp1。在一些实施例中，第二图案集合可以是全芯片布局。而且，参考模型refm1可以被应用于为第二图案集合生成第二轮廓集合。ml预测轮廓可以与参考模型生成的轮廓进行比较，以评估机器学习模型的性能，该机器学习模型被用作给定图案集合gp1的性能评估。例如，参考模型生成的轮廓和经训练的ml模型生成的轮廓之间的全芯片轮廓到轮廓(c2c)比较被用于表征gp1的图案覆盖。
57.作为示例，如果给定图案集合gp1具有良好的图案覆盖特性，那么经训练的ml模型可以为给定图案集合中未包括的设计布局的新图案提供良好的预测。例如，如果设计布局
包括超过100万个图案，而给定的图案集合gp1包括代表100万个图案的10,000个图案，那么经训练的ml模型可以为100万个图案做出良好的预测(例如可以在衬底上图案化的轮廓)。换言之，经训练的ml模型的预测将与低误差值相关联。例如，误差值可以通过ml预测轮廓和参考轮廓(例如由参考模型refm1生成的)之间的c2c差异来表征。误差值可以通过均方根(rms)、标准偏差、范围(例如在最小值和最大值之间)、误差值的分布或表征与模型预测相关联的误差的其他方式来表征。
58.另一方面，如果给定图案集合gp1具有较差的图案覆盖，那么经训练的ml模型可能会为第一图案集合中未包括的新图案提供较差的预测。换言之，参照参考模型预测，经训练的ml模型的预测将与高误差值相关联。例如，ml预测轮廓和参考轮廓之间的c2c差异会很大。
59.图5图示了当不同的ml模型使用不同的给定图案训练时表征图案覆盖的示例性指标。该指标可以是全芯片组的c2c差异、误差值的rms、标准偏差等。在本讨论中，c2c差异被用作示例，而不将本公开的范围限制为特定指标。第一给定图案集合501可以被用于训练ml模型。当经训练的ml模型被应用于全芯片布局时，c2c差异(例如ml预测轮廓和参考轮廓之间的差异)可能很大。该曲线图提供了异常值的可视化。在实施例中，显著偏离平均值的值可能是异常值。例如，值大于1或小于-2.5。这些异常值可能对应于第一给定图案集合501中未包括的图案。因此，指示给定图案集合501没有足够的图案覆盖，并且附加图案应该被包括在内以提高图案覆盖。类似地，不同的ml模型可以分别使用图案集合503、505和507来训练，并且相应的c2c差异可以被评估以确定相应图案集合的图案覆盖性能。在一些实施例中，ml模型的评估结果被比较以选择对应的最优图案集合。
60.在实施例中，c2c结果还可以识别与高模型误差相关联的异常值图案。这些已识别的c2c异常值图案可以被添加到给定图案gp1作为训练数据，用于重新训练ml模型或训练新的ml模型。给定图案集合gp1或第一图案集合的评估相对于图4至8进一步详细讨论。
61.图4是根据实施例的用于评估设计布局的所选图案集合相对于机器学习模型训练的性能的方法400的示例性流程图。在实施例中，评估基于ml模型的训练，以预测任何输入图案的特性(例如轮廓)。讨论方法400的示例实施方式的过程p401、p403、p405和p407。
62.过程p401涉及获得与将被用于训练ml模型的第一图案集合ps1相关联的数据。第一图案集合ps1是要被评估的图案。在实施例中，过程p401涉及获得由图案选择过程产生的第一图案集合ps1以及与第一图案集合ps1相关联的第一图案数据(例如第一轮廓cs1)。本讨论使用轮廓作为示例性图案数据来解释本公开的概念。然而，本公开的范围不被限于轮廓，并且其他形式的图案数据(例如图像)可以被使用。为图案的集合/图案集合生成或提取的图案数据可能取决于ml模型的输入和输出的配置。图案数据(轮廓、标准度量数据或图像)可以从掩模图像、空间图像、蚀刻后图像或由对应模拟或建模产生的显影后图像导出。
63.在实施例中，过程p401还可以涉及获得与第一轮廓cs1相关联的特性数据chd1。在实施例中，特性数据chd1可以被用于训练ml模型。在实施例中，过程p401还可以涉及获得与第二图案集合ps2(例如全芯片布局)相关联的第二图案数据(例如第二轮廓cs2)。在实施例中，第一图案集合ps1和第二图案集合ps2选自相同的设计布局。然而，在一些其他实施例中，图案集合ps1和ps2可以被包括在不同的设计布局中。
64.在实施例中，第一图案集合ps1可以是选自设计布局的第二图案集合ps2的子集。
在实施例中，第一图案集合ps1和第二图案集合ps2可以包括选自设计布局的几个公共图案。在实施例中，第一图案集合ps1可以不同于第二图案集合ps2，但是两个集合都选自设计布局。在实施例中，第一图案集合ps1包括设计布局的第一多个图案，并且第二图案集合ps2包括设计布局的第二多个图案。在实施例中，第二图案集合ps2包括比第一图案集合ps1更多的图案。在实施例中，第二图案集合ps2包括全芯片布局。
65.在实施例中，获得第一轮廓cs1涉及：通过执行参考模型refm1来生成第一轮廓cs1，该参考模型refm1被配置为使用第一图案集合ps1作为输入来模拟图案化过程。在实施例中，获得第二轮廓cs2涉及：通过执行参考模型refm1来生成第二轮廓cs2，该参考模型refm1被配置为使用第二图案集合ps2作为输入来模拟图案化过程。
66.在实施例中，参考模型refm1包括表征图案化过程的一个或多个组成模型。例如，参考模型refm1可以包括但不限于光学器件模型、掩模模型、抗蚀剂模型、蚀刻模型、ml抗蚀剂模型、ml蚀刻模型等。相应地，第一轮廓cs1和第二轮廓cs2例如可以是衬底水平的抗蚀剂轮廓或蚀刻轮廓。在实施例中，第一轮廓cs1和第二轮廓cs2可以是空间图像轮廓、掩模图像轮廓。如本文提及的，本公开的范围不被限于轮廓，并且其他类型的图案数据可以为图案集合生成或提取。在实施例中，参考模型refm1可以是非机器学习模型，诸如基于物理和/或经验的模型。
67.在另一实施例中，获得第一轮廓cs1和第二轮廓cs2涉及：从先前由量测工具捕获并且存储在数据库中的先前图案化衬底的图像获得轮廓。在实施例中，这种先前图案化的衬底可以包括设计布局的第一图案集合ps1和第二图案集合ps2。
68.在实施例中，特性数据chd1可以是从第一轮廓cs1生成的标准度量。在实施例中，标准度量可以被配置为量化图案的一个或多个物理特性。例如，标准度量可以是沿着第一轮廓cs1的轮廓位于多个位置处的边缘放置标准度量；被配置为测量第一轮廓cs1的cd值的临界尺寸(cd)标准度量；被配置为测量线的标准度量；被配置为测量空间的标准度量；被配置为测量尖端到尖端结构的标准度量；和/或被配置为测量轮廓差异的标准度量。
69.过程p403涉及：基于与第一轮廓cs1相关联的特性数据chd1训练ml模型。ml模型被配置为响应于图案输入来预测轮廓。在实施例中，现有的机器学习算法(例如有监督或无监督学习技术)可以被用于训练ml模型。ml模型可以是但不限于卷积神经网络(cnn或dcnn)。例如，cnn的训练可以使用成本函数来确定cnn的不同层的权重。作为示例，成本函数可以是ep标准度量的函数。在训练过程期间，ep标准度量或给定的图案集合可以被输入到cnn，并且cnn生成预测轮廓。基于预测轮廓，诸如预测轮廓和参考轮廓之间的边缘放置误差等成本函数可以被评估，并且权重可以被调整以最小化(或最大化)成本函数。在训练ml模型之后，ml模型可以被称为经训练的ml模型tml1。
70.过程p405涉及：通过将第二图案集合ps2输入到经训练的ml模型tml1来生成第二图案集合ps2的预测的第二轮廓pcs2。
71.过程p407涉及：通过比较第二轮廓cs2和预测的第二轮廓pcs2来评估第一图案集合ps1。在实施例中，评估第一图案集合ps1涉及：计算第二轮廓cs2与预测的第二轮廓pcs2之间的差异。在实施例中，第二轮廓cs2可以与全芯片布局相关联，并且预测的第二轮廓pcs2可以通过将全芯片布局输入到经训练的ml模型tml1来预测。基于这些轮廓，第一图案集合ps1可以例如基于与轮廓cs2和pcs2之间的c2c差异相关联的统计数据(例如异常值、变
化、平均值、中值、分布等)来评估。
72.在实施例中，第一图案集合ps1的评估涉及：确定差异是否违反差异阈值(例如用户定义的或基于统计的)；并且响应于差异不违反差异阈值，将第一图案集合ps1分类为具有良好的图案覆盖。因此，第一图案ps1可以被认为可接受执行量测以节省量测时间，同时获得良好的量测测量以改进图案化过程。
73.在实施例中，第一图案集合ps1的评估涉及：确定绝对图案覆盖作为与使用第二图案集合ps2直接训练的经训练的机器学习模型相关联的绝对误差的函数。在实施例中，第一图案集合ps1的评估涉及：将相对图案覆盖确定为相对误差的函数。例如，相对误差可以是与使用第一图案集合ps1训练的经训练的机器学习模型相关联的第一误差范围和与使用另一图案集合的另一经训练的机器学习模型相关联的第二误差范围之间的比较。
74.图6图示了根据实施例的基于c2c误差的绝对和相对图案覆盖检查，其中c2c误差与从不同图案选择过程获得的不同图案集合相关联。在图6中，条形tm1对应于与经训练的机器学习模型(例如tml1)相关联的基线模型误差。在实施例中，基线模型误差是指当全芯片模式集被用于训练ml模型时ml模型预测中的误差。例如，全芯片图案可以被用作参考模型的输入，以生成模拟轮廓和对应的标准度量。这些标准度量可以被用于训练ml模型。经训练的ml模型还可以被应用于全芯片图案，以预测可以被印刷在衬底上的轮廓。当预测轮廓和模拟轮廓(来自参考模型)之间的c2c差异被计算时，理想情况下，差异应该为零。然而，可能存在小的非零c2c差异，这被称为基线模型误差。在本示例中，条形tm1对应于这种基线模型误差。
75.在图6所图示的示例中，当第一图案集合被用于训练ml模型时，第一条形sp1对应于经训练的ml模型预测轮廓和参考轮廓之间的c2c差异。例如，第一图案集合可以包括从dram设计布局的1500个图案中选择的大约200个图案(使用第一图案选择方法)。类似地，当第二图案集合被用于训练ml模型时，第二条形sp2对应于经训练的ml模型预测轮廓和参考轮廓之间的c2c差异。例如，第二图案集合可以包括从dram设计布局的1500个图案中选择(使用第二图案选择方法)的大约200个图案。类似地，第三条形sp3、第四条形sp4、第五条形sp5和第六条形sp6中的每一个对应于在不同图案集合被用于训练ml模型时经训练的ml模型预测轮廓和参考轮廓之间的c2c差异。使用不同方法选择的图案集合中的每个图案集合可以包括相同或不同数量的图案。
76.在实施例中，分别对应于图案集合sp1、sp2、sp3、sp4、sp5和sp6的c2c差异v1、v2、v3、v4、v5和v6的绝对值可以指示与相应图案集合相关联的绝对误差。低绝对误差(例如接近基线模型误差)是期望的，因为它指示良好的图案覆盖由该特定图案集合提供。在实施例中，阈值误差值可以被设置用于与各个模型误差进行比较，以评估特定图案集合是否提供良好的图案覆盖。
77.在实施例中，值v1至v6中的每个值可以与基线模型误差v7进行比较，以评估相对于基线模型误差的与特定图案相关联的相对误差。在实施例中，与接近基线模型误差的误差值相关联的图案集合指示该图案集合提供了良好的图案覆盖。例如，第四图案集合(对应于条形sp4)与误差值v4相关联，该误差值v4基本上接近值v7。因此，第四图案集合可以被认为提供了良好的图案覆盖。在实施例中，值v1至v6之间的相对误差可以被分析。在不同的图案集合中，与其他相比误差相对较低的图案集合可以被认为具有更好的图案覆盖。
78.图7图示了基于误差范围来评估所选图案集合的绝对和相对图案覆盖特性的另一方式。与图6中的讨论类似，与使用全芯片图案训练的经训练的ml模型相关联的参考误差范围(例如c2c差异范围)可以被确定。例如，参考误差范围可以被表示为图7中的er1。在实施例中，误差范围是正的最大误差值和负的最大误差值之间的范围。与每个不同的所选图案集合相关联的误差范围可以被确定。例如，误差范围可以基于训练模型预测轮廓和参考轮廓之间的c2c差异来计算。例如，图案集合sp11可以与误差范围er11相关联，另一图案集合sp12可以与误差范围er12相关联，而再一图案集合sp13可以与误差范围er13相关联。图7图示了与范围er11和er12相比，误差范围er13更小，指示图案集合sp13与其他图案集合相比提供了更好的图案覆盖。误差范围er13也基本上接近误差范围er1，指示图案集合sp13可能为全芯片图案提供足够的图案覆盖。
79.返回参照图4，根据实施例，在过程407中，第一图案集合ps1的评估涉及确定设计布局内的风险图案。在实施例中，风险图案是指易于被参考模型、基线ml模型或与图案化过程相关的其他模型预测误差的图案。在实施例中，风险图案可以被标记为异常值(例如与违反风险阈值的差异值相关联)。在实施例中，这种风险图案可以被包括在第一图案集合中以提高图案覆盖。
80.图8图示了根据实施例的基于由经训练的机器学习模型产生的误差识别风险图案。在实施例中，风险图案是指易于被参考模型、基线ml模型或与图案化过程相关的其他模型预测误差的图案。在实施例中，异常值误差值可以通过参考轮廓和ml预测轮廓之间的c2c差异来表征。在实施例中，异常值误差值可以基于标准偏差，将值与平均值(示例阈值)进行比较或其他统计方式来识别，以确定数据集中的异常值。
81.在图8中，经训练的ml模型生成的轮廓和参考轮廓之间的c2c差异被绘制用于视觉参考。如本文讨论的，c2c差异可以使用经训练的ml模型来计算，该ml模型使用诸如sp21、sp22、sp23、sp24、sp25或sp26等所选图案集合进行训练。针对每个所选图案集合sp21至sp26，不同的ml模型可以被训练。经训练的ml模型然后被用于预测设计布局的轮廓并且确定c2c差异。
82.c2c差异曲线图提供了可以被识别的异常值的视觉表示。然而，本领域技术人员将了解，在一些实施例中，异常值可以在没有视觉表示的情况下识别。对应于这种异常值的图案可能是风险图案。基于被用于训练ml模型的所选图案集合，不同的风险图案可以被识别。例如，当sp21被用于训练ml模型时，风险图案rp1从设计布局中识别。类似地，风险图案rp2和rp3可以从设计布局中识别。
83.在实施例中，方法400涉及基于第一图案集合ps1识别要由量测工具检查的图案列表(例如风险图案、热点等)。在实施例中，与图案列表相关的测量数据还可以被用于训练或校准与图案化过程相关的ml模型。
84.在实施例中，方法400涉及识别第二图案集合ps2的对应于差异阈值的违反(breach)的位置，用与所识别的位置相关联的一个或多个图案补充第一图案集合ps1；并且使用补充的第一图案集合ps1训练另一机器学习模型。在实施例中，与第一图案集合ps1相比，补充的第一图案集合ps1对应于更高的图案覆盖。
85.在实施例中，量测工具确定量测测量值，包括但不限于与在衬底上图案化的设计布局的第一图案集合ps1或补充的第一图案集合相关联的临界尺寸、重叠和边缘放置误差。
这些测量值还可以被用于控制光刻过程，训练机器学习模型以生成掩模图案(例如缺陷检测模型、蚀刻模型、抗蚀剂模型、opc、smo等)，训练机器学习模型以预测设计图案的测量值或者其他光刻或量测相关应用。由于本文的评估过程确保给定的图案集合具有足够的设计布局覆盖，因此可以只进行减少的测量，从而节省大量的量测时间。因此，图案化过程的吞吐量可以被提高。
86.在实施例中，本文讨论的方法可以作为一个或多个计算机程序产品或在其上记录有指令的非瞬态计算机可读介质提供，在由计算机执行时，这些指令实施上面讨论的方法400的操作。例如，图9中的示例计算机系统cs包括非瞬态计算机可读介质(例如存储器)，它包括指令，当由一个或多个处理器(例如104)执行时，该指令实现用于评估设计布局的任何给定图案集合的操作。例如，评估用户提供的图案集合或者使用不同图案选择方法选择的图案集合。
87.根据本公开，所公开元件的组合和子组合构成单独的实施例。例如，第一组合包括通过使用所选图案集合训练机器学习模型来评估所选图案集合。子组合可以包括为图案覆盖评估所选图案。在另一组合中，基于c2c差异确定风险图案。子组合可以包括采用参考模型来确定c2c差异。
88.图9是根据实施例的示例计算机系统cs的框图。计算机系统cs包括总线bs或用于传递信息的其他通信机制以及与总线bs耦合以用于处理信息的处理器pro(或多个处理器)。计算机系统cs还包括主存储器mm，诸如随机存取存储器(ram)或其他动态存储装置，它被耦合至总线bs以用于存储信息和要由处理器pro执行的指令。主存储器mm还可以被用于在执行要由处理器pro执行的指令期间存储临时变量或其他中间信息。计算机系统cs还包括只读存储器(rom)rom或被耦合至总线bs的其他静态存储装置，以用于存储静态信息和处理器pro的指令。诸如磁盘或光盘等存储装置sd被提供并且耦合至总线bs，以用于存储信息和指令。
89.计算机系统cs可以经由总线bs被耦合至显示器ds，诸如阴极射线管(crt)或者平板或触摸板显示器，以用于向计算机用户显示信息。包括字母数字键和其他键的输入装置id被耦合至总线bs，以用于将信息和命令选择传递给处理器pro。另一类型的用户输入装置是光标控件cc，诸如鼠标、轨迹球或光标方向键，以用于将方向信息和命令选择传递给处理器pro并且控制显示器ds上的光标移动。该输入装置通常在两个轴(第一轴(例如x)和第二轴(例如y))上具有两个自由度，允许装置指定平面中的位置。触摸板(屏幕)显示器也可以被用作输入装置。
90.根据一个实施例，响应于处理器pro执行主存储器mm中所包含的一个或多个指令的一个或多个序列，本文描述的一种或多种方法的部分可以由计算机系统cs被执行。这种指令可以从另一计算机可读介质(诸如存储装置sd)读取到主存储器mm中。执行主存储器mm中所包含的指令序列导致处理器pro执行本文描述的过程步骤。多处理布置中的一个或多个处理器也可以被采用，以执行主存储器mm中所包含的指令序列。在替代实施例中，硬连线电路系统可以代替软件指令使用或与软件指令组合使用。因此，本文的描述不被限于硬件电路系统和软件的任何具体组合。
91.本文使用的术语“计算机可读介质”是指参与向处理器pro提供指令以供执行的任何介质。这种介质可以采取许多形式，包括但不限于非易失性介质、易失性介质和传输介
质。非易失性介质包括例如光盘或磁盘，诸如存储装置sd。易失性介质包括动态存储器，诸如主存储器mm。传输介质包括同轴电缆、铜线和光纤，包括构成总线bs的电线。传输介质还可以采用声波或光波的形式，诸如在射频(rf)和红外(ir)数据通信期间生成的那些。计算机可读介质可以是非瞬态的，例如软盘、可折叠磁盘、硬盘、磁带、任何其他磁性介质、cd-rom、dvd、任何其他光学介质、穿孔卡片、纸带、具有孔洞图案的任何其他物理介质、ram、prom和eprom、闪存eprom、任何其他存储器芯片或者存储器匣。非瞬态计算机可读介质可以在其上记录有指令。在由计算机执行时，指令可以实施本文描述的任何特征。瞬态计算机可读介质可以包括载波或其他传播电磁信号。
92.各种形式的计算机可读介质可以涉及将一个或多个指令的一个或多个序列携带到处理器pro以供执行。例如，指令最初可能被承载在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中，并且使用调制解调器通过电话线发送指令。计算机系统cs本地的调制解调器可以在电话线上接收数据，并且使用红外发送器将数据转换为红外信号。被耦合至总线bs的红外检测器可以接收红外信号中携带的数据，并且将数据放置在总线bs上。总线bs将数据携带到主储存器mm，处理器pro从该主储存器mm取回和执行指令。在由处理器pro执行之前或之后，由主存储器mm接收的指令可以可选地被存储在存储装置sd上。
93.计算机系统cs还可以包括被耦合至总线bs的通信接口ci。通信接口ci提供与被连接至本地网络lan的网络链路ndl的双向数据通信耦合。例如，通信接口ci可以是集成服务数字网络(isdn)卡或调制解调器，以提供与对应类型的电话线的数据通信连接。作为另一示例，通信接口ci可以是局域网(lan)卡，以提供与兼容lan的数据通信连接。无线链路也可以被实施。在任何这种实施方式中，通信接口ci发送和接收电信号、电磁信号或光学信号，这些信号携带表示各种类型的信息的数字数据流。
94.网络链路ndl通常通过一个或多个网络向其他数据装置提供数据通信。例如，网络链接ndl可以通过本地网络lan提供与主机计算机hc的连接。这可以包括通过全球分组数据通信网络(现在通常称为“互联网”int)提供的数据通信服务。本地网络lan(互联网)都使用携带数字数据流的电信号、电磁信号或光学信号。通过各种网络的信号以及在网络数据链路ndl上并且通过通信接口ci的信号(将数字数据携带到计算机系统cs并且从计算机系统cs携带数字数据)是输送信息的载波的示例性形式。
95.计算机系统cs可以通过(多个)网络、网络数据链路ndl和通信接口ci发送消息并且接收数据，包括程序代码。在互联网示例中，主机计算机hc可以通过互联网int、网络数据链路ndl、本地网络lan和通信接口ci来传输应用程序的请求代码。例如，一个这种下载应用可以提供本文描述的方法的全部或部分。接收到的代码可以在被接收到时由处理器pro执行，和/或被存储在存储装置sd或其他非易失性存储设备中，以供稍后执行。通过这种方式，计算机系统cs可以获得载波形式的应用代码。
96.图10是根据实施例的光刻投影设备的示意图。
97.光刻投影设备可以包括照射系统il、第一载物台mt、第二载物台wt和投影系统ps。
98.照射系统il可以调节辐射束b。在这种特定情况下，照射系统还包括辐射源so。
99.第一载物台(例如图案形成装置台)mt可以被提供有图案形成装置保持器以保持图案形成装置ma(例如掩模版)，并且被连接至第一定位器以相对于物品ps准确地定位图案
形成装置。
100.第二载物台(衬底台)wt可以被提供有衬底保持器以保持衬底w(例如涂有抗蚀剂的硅晶片)，并且被连接至第二定位器以相对于物品ps准确地定位衬底。
101.投影系统(“透镜”)ps(例如折射、反射或反射折射光学系统)可以将图案形成装置ma的辐射部分成像到衬底w的目标部分c(例如包括一个或多个管芯)上。
102.如本文描绘的，该设备可以是透射型的(即，具有透射式图案形成装置)。然而，通常，它也可以是反射型的，例如(具有反射式图案形成装置)。该设备可以采用与经典掩模不同种类的图案形成装置；示例包括可编程反射镜阵列或lcd矩阵。
103.源so(例如汞灯或准分子激光器、lpp(激光产生的等离子体)euv源)产生辐射束。例如，该束直接地或者在遍历诸如扩束器ex等调节部件之后被馈送到照射系统(照射器)il中。照射器il可以包括调整部件ad，以用于设置束中的强度分布的外部和/或内部径向范围(一般分别称为σ外部和σ内部)。另外，它通常将包括各种其他部件，诸如积分器in和聚光器co。通过这种方式，撞击在图案形成装置ma上的束b在其横截面中具有期望的均匀性和强度分布。
104.在一些实施例中，源so可以在光刻投影设备的外壳内(例如当源so是汞灯时通常是这种情况)，但是它也可以远离光刻投影设备，它产生的辐射束被引入设备中(例如借助于合适的导向镜)；当源so是准分子激光器(例如基于krf、arf或f2激光照射)时，该后一种场景可以是这种情况。
105.束pb随后可以拦截图案形成装置ma，该图案形成装置ma被保持在图案形成装置台mt上。在遍历图案形成装置ma之后，束pb可以穿过透镜pl，它将束b聚焦到衬底w的目标部分c上。借助于第二定位部件(和干涉测量部件if)，衬底台wt可以被准确地移动，例如以将不同的目标部分c定位在束pb的路径中。类似地，例如在从图案形成装置库机械地取回图案形成装置ma之后或在扫描期间，第一定位部件可以被用于相对于束b的路径准确地定位图案形成装置ma。通常，借助于长冲程模块(粗略定位)和短冲程模块(精细定位)，载物台mt、wt的移动可以被实现。然而，在步进器(与步进扫描工具相对)的情况下，图案形成装置台mt可以被恰好连接至短冲程致动器，或者可以是固定的。
106.所描绘的工具可以被用于两种不同的模式：步进模式和扫描模式。在步进模式下，图案形成装置台mt基本上保持静止，并且整个图案形成装置图像被一次(即，单次“闪光”)投影到目标部分c上。衬底台wt可以在x和/或y方向上偏移，使得不同的目标部分c可以由束pb辐射。
107.在扫描模式下，基本上相同的场景适用，除了给定的目标部分c不在单次“闪光”中曝光之外。相反，图案形成装置台mt以速度v在给定方向(所谓的“扫描方向”，例如y方向)上可移动，使得投射束b被用于在图案形成装置图像上扫描；并发地，衬底台wt同时在相同或相反方向上以速度v＝mv移动，其中m是透镜pl的放大率(典型地，m＝1/4或1/5)。通过这种方式，相对较大的目标部分c可以被曝光，而不必牺牲分辨率。
108.图11是根据实施例的另一光刻投影设备(lpa)的示意图。
109.lpa可以包括源收集器模块so、被配置为调节辐射束b(例如euv辐射)的照射系统(照射器il)、支撑结构mt、衬底台wt和投影系统ps。
110.支撑结构(例如图案形成装置台)mt可以被构造为支撑图案形成装置(例如掩模或
掩模版)ma，并且被连接至被配置为准确地定位图案形成装置的第一定位器pm；
111.衬底台(例如晶片台)wt可以被构造为保持衬底(例如涂有抗蚀剂的晶片)w，并且被连接至被配置为准确地定位衬底的第二定位器pw。
112.投影系统(例如反射式投影系统)ps可以被配置为将由图案形成装置ma赋予辐射束b的图案投影到衬底w的目标部分c(例如包括一个或多个管芯)上。
113.如此处描绘的，lpa可以是反射型的(例如采用反射式图案形成装置)。要注意的是，因为大多数材料在euv波长范围内是吸收性的，所以图案形成装置可以具有多层反射器，该多层反射器包括例如钼和硅的多叠层。在一个示例中，多叠层反射器具有钼和硅的40层对，其中每层的厚度为四分之一波长。甚至更小的波长可以用x射线光刻产生。由于大多数材料在euv和x射线波长处都是吸收性的，因此在图案形成装置形貌上的图案化吸收材料的薄片(例如多层反射器顶部的tan吸收剂)限定了特征将在何处印刷(正性抗蚀剂)或不印刷(负性抗蚀剂)。
114.照射器il可以接收来自源收集器模块so的极紫外辐射束。产生euv辐射的方法包括但不必限于将材料转换为具有至少一种元素(例如氙、锂或锡)的等离子态，它在euv范围内具有一个或多个发射线。在一种这样的方法中，通常称为激光产生等离子体(“lpp”)，等离子体可以通过用激光束照射燃料(诸如具有谱线发射元素的材料微滴、流或集群)来产生。源收集器模块so可以是euv辐射系统的一部分，该euv辐射系统包括激光器(未在图11中示出)，以用于提供激发燃料的激光束。所得的等离子体发射输出辐射，例如euv辐射，它使用设置在源收集器模块中的辐射收集器来收集。激光器和源收集器模块可以是单独的实体，例如当co2激光器被用于提供激光束以进行燃料激发时。
115.在这种情况下，激光器可以不被认为形成光刻设备的一部分，并且借助于包括例如合适的导向镜和/或扩束器的束传递系统，辐射束可以从激光器传递到源收集器模块。在其他情况下，源可能是源收集器模块的集成部分，例如当源是放电产生的等离子体euv生成器时，通常称为dpp源。
116.照射器il可以包括调整器，以用于调整辐射束的角强度分布。通常，照射器的光瞳平面中的强度分布的至少外部和/或内部径向范围(一般分别称为σ外部和σ内部)可以被调整。另外，照射器il可以包括各种其他部件，诸如琢面场和光瞳反射镜装置。照射器可以被用于调节辐射束，以在其横截面中具有期望的均匀性和强度分布。
117.辐射束b可以被入射到图案形成装置(例如掩模)ma上，并且由图案形成装置图案化，该图案形成装置被保持在支撑结构(例如图案形成装置台)mt上。在从图案形成装置(例如掩模)ma反射之后，辐射束b穿过投影系统ps，该投影系统ps将束聚焦到衬底w的目标部分c上。借助于第二定位器pw和位置传感器ps2(例如干涉装置、线性编码器或电容传感器)，衬底台wt可以被准确地移动，例如以在辐射束b的路径中定位不同的目标部分c。类似地，第一定位器pm和另一位置传感器ps1可以被用于相对于辐射束b的路径准确地定位图案形成装置(例如掩模)ma。图案形成装置(例如掩模)ma和衬底w可以使用图案形成装置对准标记m1、m2和衬底对准标记p1、p2来对准。
118.所描绘的设备lpa可以被用于以下模式中的至少一种：步进模式、扫描模式和静止模式。
119.在步进模式下，在赋予辐射束的整个图案被一次投影到目标部分c上(即，单次静
态曝光)时，支撑结构(例如图案形成装置台)mt和衬底台wt基本上保持静止。然后，衬底台wt在x和/或y方向上偏移，使得不同的目标部分c可以被曝光。
120.在扫描模式下，在赋予辐射束的图案被投影到目标部分c上(即，单次动态曝光)时，支撑结构(例如图案形成装置台)mt和衬底台wt被同步地扫描。衬底台wt相对于支撑结构(例如图案形成装置台)mt的速度和方向可以通过投影系统ps的放大率(缩小率)和图像反转特性来确定。
121.在静止模式下，在赋予辐射束的图案被投影到目标部分c上时，支撑结构(例如图案形成装置台)mt基本上保持静止，从而保持可编程图案形成装置，并且衬底台wt被移动或扫描。在这种模式下，通常脉冲式辐射源被采用，并且在衬底台wt的每次移动之后或者在扫描期间的连续辐射脉冲之间，可编程图案形成装置根据需要来更新。这种操作模式可以被容易地应用于无掩模光刻，它利用可编程图案形成装置(诸如上面引用类型的可编程反射镜阵列)。
122.图12是根据实施例的光刻投影设备的详细视图。
123.如所示，lpa可以包括源收集器模块so、照射系统il和投影系统ps。源收集器模块so被构造和布置为使得真空环境可以被维持在源收集器模块so的封闭结构220中。euv辐射发射等离子体210可以由放电产生的等离子体源形成。euv辐射可以由气体或蒸汽产生，例如氙气、锂蒸汽或锡蒸汽，其中非常热的等离子体210被创建，以发射电磁谱的euv范围内的辐射。非常热的等离子体210是由例如放电创建的，该放电导致至少部分电离的等离子体。为了有效地生成辐射，可能需要例如10pa的xe、li、sn蒸汽或任何其他合适的气体或蒸汽的分压。在实施例中，激发锡(sn)的等离子体被提供，以产生euv辐射。
124.经由被定位在源室211中的开口中或后面的可选气体阻挡部或污染物陷阱230(在一些情况下也称为污染物阻挡部或翼片阱)，由热等离子体210发射的辐射从源室211传递到收集器室212中。污染物陷阱230可以包括通道结构。污染物陷阱230还可以包括气体阻挡部或者气体阻挡部和通道结构的组合。如本领域已知的，本文进一步指示的污染物陷阱或污染物阻挡部230至少包括通道结构。
125.收集器室211可以包括辐射收集器co，它可以是所谓的掠入射收集器。辐射收集器co具有上游辐射收集器侧251和下游辐射收集器侧252。遍历收集器co的辐射可以从光栅光谱滤光片240反射出来，以沿着由点虚线
‘
o’指示的光轴聚焦在虚拟源点if中。虚拟源点if一般被称为中间焦点，并且源收集器模块被布置为使得中间焦点if位于封闭结构220中的开口221处或附近。虚拟源点if是辐射发射等离子体210的图像。
126.随后，辐射遍历照射系统il，该照射系统il可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24，它被布置为在图案形成装置ma处提供辐射束21的期望角分布以及在图案形成装置ma处提供辐射强度的期望均匀性。在由支撑结构mt保持的图案形成装置ma处反射辐射束21时，图案化束26被形成，并且图案化束26由投影系统ps经由反射元件28、30成像到由衬底台wt保持的衬底w上。
127.比所示更多的元件通常可以存在于照射光学器件单元il和投影系统ps中。取决于光刻设备的类型，光栅光谱滤光片240可以可选地存在。进一步地，可能存在比附图中所示的更多的反射镜，例如与图12所示的相比，投影系统ps中可能存在1至6个附加反射元件。
128.如图12所图示的，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
嵌套收集器，仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255围绕光轴o轴向对称地设置，并且这种类型的收集器光学器件co可以与通常称为dpp源的放电产生的等离子体源组合使用。
129.图13是根据实施例的光刻投影设备lpa的源收集器模块so的详细视图。
130.源收集器模块so可以是lpa辐射系统的一部分。激光器la可以被布置为将激光能量沉积到燃料中，诸如氙(xe)、锡(sn)或锂(li)，从而创建电子温度为几十ev的高度电离的等离子体210。在这些离子的去激发和重组期间生成的带能辐射从等离子体发射，由近于法向入射的收集器光学器件co收集并且聚焦到封闭结构220中的开口221上。
131.本文公开的概念可以模拟或数学建模任何通用成像系统，以用于对亚波长特征进行成像，并且对于能够产生越来越短的波长的新兴成像技术可能尤其有用。已经使用的新兴技术包括euv(极紫外)、duv光刻，该技术能够使用arf激光器产生193nm的波长，甚至使用氟激光器产生157nm的波长。而且，通过使用同步加速器或通过用高能电子撞击材料(固体或等离子体)以产生在该范围内的光子，euv光刻能够产生在20至50nm范围内的波长。
132.本公开的实施例可以通过以下条款进一步描述：
133.1.一种在其上记录有指令的非瞬态计算机可读介质，该指令在由计算机执行时被实施用于评估所选图案集合的方法，该方法包括：
134.获得(i)由图案选择过程产生的第一图案集合，(ii)与第一图案集合相关联的第一图案数据，(iii)与第一图案数据相关联的特性数据，以及(iv)与第二图案集合相关联的第二图案数据；
135.基于与第一图案相关联的特性数据来训练机器学习模型，该机器学习模型被配置为预测输入到机器学习模型中的图案的图案数据；
136.通过将第二图案集合输入到经训练的机器学习模型，生成第二图案集合的预测的第二图案数据；以及
137.通过比较第二图案数据和预测的第二图案数据，评估第一图案集合。
138.2.根据条款1的介质，其中获得第一图案数据包括：
139.通过执行参考模型来生成第一轮廓或第一图像，该参考模型被配置为使用第一图案集合作为输入来模拟图案化过程。
140.3.根据条款1的介质，其中获得第一图案数据和第二图案数据包括：
141.从包括第一图案集合和第二图案集合的图案化衬底的量测图像获得轮廓或图像。
142.4.根据条款1的介质，其中第一图案集合包括设计布局的第一多个图案，并且第二图案集合包括设计布局的第二多个图案。
143.5.根据条款4的介质，其中第一图案集合是第二图案集合的子集。
144.6.根据条款1的介质，其中第二图案数据包括通过使用第二图案集合作为输入执行参考模型来生成的第二轮廓或第二图像，其中参考模型被配置为模拟图案化过程。
145.7.根据条款1的介质，其中第二图案集合包括比第一图案集合多的图案。
146.8.根据条款1的介质，其中第二图案集合包括全芯片布局。
147.9.根据条款1的介质，其中特性数据包括从第一图案数据生成的标准度量的数据，该标准度量被配置为量化图案的一个或多个物理特性。
148.10.根据条款9的介质，其中标准度量包括：
149.边缘放置标准度量，沿着第一图案数据的轮廓位于多个位置处；
150.临界尺寸(cd)标准度量，被配置为测量第一图案集合的cd值；
151.被配置为测量第一图案集合中的线的标准度量；
152.被配置为测量第一图案集合的特征之间的空间的标准度量；
153.被配置为测量尖端到尖端结构的标准度量；和/或
154.被配置为测量模型预测轮廓与设计轮廓之间的轮廓差异的标准度量。
155.11.根据条款1的介质，其中评估第一图案集合包括：
156.计算第二图案数据与预测的第二图案数据之间的差异。
157.12.根据条款11的介质，其中评估第一图案集合包括：
158.确定该差异是否违反差异阈值；以及
159.响应于差异未违反差异阈值，将第一图案集合分类为可接受执行量测。
160.13.根据条款12的介质，其中评估第一图案集合包括：
161.将绝对图案覆盖确定为绝对误差的函数，该绝对误差与使用第一图案集合训练的经训练的机器学习模型相关联。
162.14.根据条款12的介质，其中评估第一图案集合包括：
163.将相对图案覆盖确定为相对误差的函数，该相对误差是与使用第一图案集合训练的经训练的机器学习模型相关联的第一误差范围和与另一图案集合相关联的第二误差范围之间的比较。
164.15.根据条款12的介质，还包括：
165.基于评估，确定设计布局内的风险图案，该风险图案与违反期望误差阈值的模型预测误差相关联；
166.用风险图案补充第一图案集合。
167.16.根据条款12的介质，还包括：
168.基于第一图案集合，识别要由量测工具检查的图案列表。
169.17.根据条款16的介质，其中量测工具确定包括以下至少一项的量测测量值：与在衬底上图案化的第一图案集合相关联的临界尺寸、重叠和边缘放置误差。
170.18.根据条款12的介质，还包括：
171.识别第二图案集合中的与差异阈值的违反相对应的位置，
172.用与所识别的位置相关联的一个或多个图案补充第一图案集合，与第一图案集合相比，补充的第一图案集合具有更高的图案覆盖；以及
173.使用补充的第一图案集合来训练另一机器学习模型。
174.19.根据条款1的介质，其中机器学习模型是卷积神经网络。
175.20.根据条款2的介质，其中参考模型包括表征图案化过程的一个或多个模型。
176.21.根据条款20的介质，其中参考模型包括源模型、光学器件模型、抗蚀剂模型、蚀刻模型或其组合。
177.22.根据条款21的介质，其中第一图案数据、第二图案数据和预测的第二图案数据包括以下至少一项：
178.从其提取的空间图像或轮廓，
179.从其提取的掩模图像或轮廓，
180.从其提取的抗蚀剂图像或抗蚀剂轮廓；以及
181.从其提取的蚀刻图像或轮廓。
182.23.根据条款22的介质，其中参考模型是校准的非机器学习模型。
183.24.根据条款1的介质，还包括：
184.经由经训练的机器学习模型，确定图案化过程的改进。
185.25.根据条款24的介质，其中确定改进包括：
186.经由使用经训练的机器学习模型来模拟图案化过程，确定与图案化过程相关联的掩模图案的光学邻近效应校正；
187.经由使用经训练的机器学习模型来模拟图案化过程，确定与图案化过程相关联的源掩模优化；和/或
188.经由使用经训练的机器学习模型来模拟图案化过程，提高印刷在衬底上的图案与设计布局的图案的图案保真度匹配。
189.26.一种用于评估所选图案集合的方法，该方法包括：
190.获得(i)由图案选择过程产生的第一图案集合，(ii)与第一图案集合相关联的第一图案数据，(iii)与第一图案数据相关联的特性数据，以及(iv)与第二图案集合相关联的第二图案数据；
191.基于与第一图案相关联的特性数据来训练机器学习模型，该机器学习模型被配置为预测输入到机器学习模型中的图案的图案数据；
192.通过将第二图案集合输入到经训练的机器学习模型，生成第二图案集合的预测的第二图案数据；以及
193.通过比较第二图案数据和预测的第二图案数据，评估第一图案集合。
194.27.根据条款26的方法，其中获得第一图案数据包括：
195.通过执行参考模型来生成第一轮廓或第一图像，该参考模型被配置为使用第一图案集合作为输入来模拟图案形成过程。
196.28.根据条款26的方法，其中获得第一图案数据和第二图案数据包括：
197.从包括第一图案集合和第二图案集合的图案化衬底的量测图像获得轮廓或图像。
198.29.根据条款26的方法，其中第一图案集合包括设计布局的第一多个图案，并且第二图案集合包括设计布局的第二多个图案。
199.30.根据条款29的方法，其中第一图案集合是第二图案集合的子集。
200.31.根据条款26的方法，其中获得第二图案数据包括：
201.通过执行参考模型来生成第二轮廓或第二图像，该参考模型被配置为使用第二图案集合作为输入来模拟图案化过程。
202.32.根据条款26的方法，其中第二图案集合包括比第一图案集合多的图案。
203.33.根据条款26的方法，其中第二图案集合包括全芯片布局。
204.34.根据条款26的方法，其中特性数据包括从第一图案数据生成的被配置为量化图案的一个或多个物理特性的标准度量。
205.35.根据条款34的方法，其中标准度量包括：
206.边缘放置标准度量，沿着第一图案数据的轮廓位于多个位置处；
207.临界尺寸(cd)标准度量，被配置为测量第一图案集合的cd值；
208.被配置为测量第一图案集合中的线的标准度量；
209.被配置为测量第一图案集合的特征之间的空间的标准度量；
210.被配置为测量尖端到尖端结构的标准度量；和/或
211.被配置为测量模型预测轮廓与设计轮廓之间的轮廓差异的标准度量。
212.36.根据条款26的方法，其中评估第一图案集合包括：
213.计算第二图案数据与预测的第二图案数据之间的差异。
214.37.根据条款36的方法，其中评估第一图案集合包括：
215.确定该差异是否违反差异阈值；以及
216.响应于差异未违反差异阈值，将第一图案集合分类为可接受执行量测。
217.38.根据条款37的方法，其中评估第一图案集合包括：
218.将绝对图案覆盖确定为绝对误差的函数，该绝对误差与使用第一图案集合训练的经训练的机器学习模型相关联。
219.39.根据条款37的方法，其中评估第一图案集合包括：
220.将相对图案覆盖确定为相对误差的函数，该相对误差是与使用第一图案集合训练的经训练的机器学习模型相关联的第一误差范围和与另一图案集合相关联的第二误差范围之间的比较。
221.40.根据条款37的方法，其中评估第一图案集合包括：
222.确定设计布局内的风险图案，该风险图案与违反期望误差阈值的模型预测误差相关联；
223.用风险图案补充第一图案集合。
224.41.根据条款37的方法，还包括：
225.基于第一图案集合，识别要由量测工具检查的图案列表。
226.42.根据条款41的方法，其中量测工具确定包括以下至少一项的量测测量值：与在衬底上图案化的第一图案集合相关联的临界尺寸、重叠和边缘放置误差。
227.43.根据条款37的方法，还包括：
228.识别第二图案集合中的与差异阈值的违反相对应的位置，
229.用与所识别的位置相关联的一个或多个图案补充第一图案集合，与第一图案集合相比，补充的第一图案集合具有更高的图案覆盖；以及
230.使用补充的第一图案集合来训练另一机器学习模型。
231.44.根据条款26的方法，其中机器学习模型是卷积神经网络。
232.45.根据条款27的方法，其中参考模型包括表征图案化过程的一个或多个模型。
233.46.根据条款45的方法，其中参考模型包括源模型、光学器件模型、抗蚀剂模型、蚀刻模型或其组合。
234.47.根据条款46的方法，其中第一图案数据和第二图案数据包括以下至少一项：
235.从其提取的空间图像或轮廓，
236.从其提取的掩模图像或轮廓，
237.从其提取的抗蚀剂图像或抗蚀剂轮廓；以及
238.从其提取的蚀刻图像或轮廓。
239.48.根据条款47的方法，其中参考模型是非机器学习模型。
240.49.根据条款26的方法，还包括：
241.经由经训练的机器学习模型，确定图案化过程的改进。
242.50.根据条款49的方法，其中确定改进包括：
243.经由使用经训练的机器学习模型来模拟图案化过程，确定与图案化过程相关联的掩模图案的光学邻近校正；
244.经由使用经训练的机器学习模型来模拟图案化过程，确定与图案化过程相关联的源掩模优化；和/或
245.经由使用经训练的机器学习模型来模拟图案化过程，提高印刷在衬底上的图案与设计布局的图案的图案保真度匹配。
246.尽管本文公开的概念可以被用于在诸如硅晶片等衬底上成像，但是应该理解的是，所公开的概念可以与任何类型的光刻成像系统一起使用，例如用于在除硅晶片之外的衬底上成像的那些光刻成像系统。本文的描述旨在是说明性的，而不是限制性的。因此，对于本领域技术人员将显而易见的是，在不偏离下面陈述的权利要求的范围的情况下，修改可以如所描述的那样进行。