机器学习中的光学计量以表征特征的制作方法

通过引用并入

pct申请表与本说明书同时提交，作为本申请的一部分。在同时提交的pct申请表中，本申请要求享有其权益或优先权的每个申请均通过引用全文并入本文。

背景技术：

诸如等离子体辅助蚀刻工艺之类的半导体器件制造操作的性能通常对于半导体器件处理工作流程的成功至关重要。然而，制造工艺和/或与之相关的工具(例如，蚀刻反应器、光刻掩模等)的优化或调整可能在技术上被证明是困难且耗时的，通常涉及技术人员手动调整蚀刻工艺参数或工具组件设计以生成所需的目标特征外形。计量工具应通过测量已制造或部分制造的器件上的特征来准确地评估蚀刻或沉积工艺的性能。当前，各种计量工具用于此目的。

此处所包含的背景和情境描述仅提供用于一般性呈现本公开的背景的目的。本公开的大部分呈现发明人的工作成果，且仅因为这样的成果背景部分描述或于此处其他地方作为背景呈现并不表示承认其为现有技术。

技术实现要素：

本公开的某些方面涉及确定经处理的衬底上的一个或多个特征的外形、临界尺寸和/或轮廓的方法。此类方法的特征可以在于以下特征：(a)在经处理的衬底上的一个或多个特征上进行光学计量，以产生光学计量输出；(b)将所述光学计量输出提供给已使用以下训练集训练的计量机器学习模型：(i)多个特征的外形、临界尺寸和/或轮廓，及(ii)所述多个特征的光学计量输出；及(c)从所述计量机器学习模型接收经处理的所述衬底上的所述一个或多个特征的外形、临界尺寸和/或轮廓。在一些实施方案中，该方法另外包括通过产生多个光学计量输出集来训练计量机器学习模型，每个光学计量输出集相对于光学计量装置针对测试特征的不同取向和/或位置而生成，以用于所述测试特征。在一些实施方案中，计量机器学习模型使用监督机器学习技术而产生。

在一些实施方案中，光学计量是散射测量技术。例如，光学计量输出可以包括反射光谱和/或椭圆偏振输出数据。

在一些实施方案中，该方法还包括在经处理的衬底上的一个或多个特征上执行图案识别；以及确定一个或多个特征的图案与期望的图案相符。在一些实施方案中，该方法还包括对经处理的衬底上的一个或多个特征执行光学计量，包括在经处理的衬底上光栅扫描。

在某些情况下，使用电子显微镜技术和/或cd-saxs获得训练集中多个特征的外形、临界尺寸和/或轮廓。

在一些实施方案中，该方法另外包括分解光学计量输出以产生减少的光学计量值的集，以及将减少的光学计量值的集提供给计量机器学习模型。在某些情况下，分解光学计量输出包括识别光学计量输出的主成分或将光学计量输出应用于自动编码器。

本公开的其他方面涉及可以由以下元素表征的计量系统：(a)光学计量工具，其包括光学探针源和光学检测器及处理器，所述处理器被配置为当光学探针被定向到经处理的衬底上的一个或多个特征上时根据由所述光学检测器产生的数据产生光学计量输出；(b)计量机器学习模型，其已使用以下训练集进行训练：(i)多个特征的外形、临界尺寸和/或轮廓，及(ii)多个特征的光学计量输出。在一些实施方案中，计量机器学习模型被配置为：接收来自光学计量工具的光学计量输出；及在经处理的衬底上输出一个或多个特征的外形、临界尺寸和/或轮廓。

在一些系统中，使用多个光学计量输出集来训练计量机器学习模型，每个光学计量输出集相对于测试光学计量装置针对测试特征的不同取向和/或位置而生成。在一些实施方案中，计量机器学习模型使用监督机器学习技术生成。

在一些实施方案中，光学计量工具是散射仪。在一些计量系统中，光学计量输出包括反射光谱和/或椭圆偏振输出数据。

一些计量系统还包括图案识别工具，该图案识别工具包括相机和处理器，该相机和处理器被配置为：在经处理的衬底上的一个或多个特征上执行图案识别；及确定一个或多个特征的图案与预期的图案相符。在一些计量系统中，光学计量工具被配置为光栅扫描经处理的衬底。

在一些计量系统中，使用电子显微镜技术和/或使用cd-saxs获得训练集中的多个特征的外形、临界尺寸和/或轮廓。

在一些实施方案中，计量机器学习模型还被配置为：分解光学计量输出以产生减少的光学计量值的集，并且将减少的光学计量值的集提供给计量机器学习模型。在一些这样的实施方案中，计量机器学习模型被配置为通过识别光学计量输出的主成分或通过将光学计量输出应用于自动编码器来分解光学计量输出。

下文参考附图进一步说明这些以及其它方面。

附图说明

图1示出了根据本公开的某些方法实施方案的用于生成计量机器学习模型的流程图。

图2示出了根据本公开的某些方法实施方案的用于使用计量机器学习模型的流程图。

图3示出了可用于训练和/或运行光学计量机器学习模型的示例计算系统。

图4示出了计量系统的框图，该计量系统包括被配置为根据光学计量数据生成衬底特征的几何表示的模型，该衬底特征例如将使用电子显微镜来获得。

具体实施方式

当前评估半导体晶片和半导体工艺开发中使用的其他样品的方法采用诸如x-sem(x射线扫描电子显微镜)，stem(扫描透射电子显微镜)和cd-saxs(临界尺寸小角度x射线散射)等技术以用于横截面图像捕获。然后，当前的方法使用图像分析软件来提取受关注的特征。取样片通常用于代替完整的晶片，以研究蚀刻或其他制造工艺对图案化衬底的影响。取样片是测试样品或衬底，其通常具有与半导体器件制造操作中使用的那些材料和层相同或相似的材料和层。通常，试样比半导体晶片小。它们可以是圆形或多边形(例如矩形)，并且仅占据几平方厘米。

当前基于电子显微镜的方法有时尤其会遇到以下挑战。

1.x-sem和stem成本高，cd-saxs速度慢；

2.由于线边缘的粗糙度，每个x-sem/stem图像的误差条都很高；为了减少此误差，需要更多的横截面，这使成本更高。

3.特征是手动提取的，且容易出现操作员误差和/或操作员之间的差异。

4.stem和x-sem具有破坏性，因此需要重复所有先前的制造操作以准确地考虑每个蚀刻步骤，从而能够完全理解完整的蚀刻效果。但是，不能保证在不同步骤截取的多个试样是相同的。这些试样的微小差异，无论是来自进料条件还是蚀刻条件，都可能在工艺开发中造成较大的误差。

本文公开了用于监督机器学习的方法和系统，其使用从试样样本收集的光谱来生成模型，该模型可以容易且准确地预测通常由诸如电子显微镜(例如，x-sem和stem)之类的破坏性计量技术或通过其他耗时的处理(例如cd-saxs)获得的特征表征。在训练期间，可以根据定义的处理(例如，蚀刻或沉积)来处理许多样本，然后将其横向截取以提取对处理开发和/或处理监控有用的外形信息。使用该信息训练的模型可以接收来自光学计量工具(倾向于快速、便宜且无破坏性地操作)的光信号，并且可以输出由另一计量工具(它们往往会缓慢、昂贵且经常具有破坏性地操作)建立的特征的地面实况。

在某些情况下，由于从显微照片或其他图像的模糊轮廓中提取了特征，外形信息可能遭受不准确。如果使用足够大的训练集(例如，至少约20个样本，或至少约100个样本)，并且对受关注的特征使用电子显微镜(和/或cd-saxs)和光学计量(例如，进行x-sem和stem以及测量光谱)，则该方法可以实现可靠的监督训练。

在某些情况下，至少一些样品是在单个类型的特征至少占据由入射光在样品上产生的光斑的很大一部分的位置进行评估的。通常，所关注的特征的尺寸为几百纳米或更小，而光斑为约5-40微米。为了使单个特征对从计量工具获得的光信号有很大贡献，当光斑大小明显大于特征大小时，可能需要在入射光斑占据的区域上重复该特征。但是，这并不是训练集中使用的样本/位置的严格要求。许多机器学习技术足够稳健，使得至少一些训练集成员(或至少它们的光学计量信号)可以在光学信号中具有多种类型的特征。无论训练集的组成如何，使用可靠的剖析技术(例如x-sem、stem、cd-saxs或其他破坏性计量技术或慢计量技术)提取的光谱和cd、外形和/或轮廓信息的配对都可以实现监督训练。

注意，在破坏性计量技术(例如x-sem/stem)或其他慢外形技术提供用于识别与已知特征表征相对应的光信号特征的已知的特征表征(例如特征的外形、轮廓或关键尺寸(cd))的意义上监督训练。当提供有在用于训练模型的条件下收集的光学数据时，所得模型可以准确预测特征外形信息。在此处描述的方法和系统中，可能存在两个实施步骤-训练和测试。最终，可以在光学计量系统中采用生成并验证的计量机器学习模型，以直接提供有关特征外形、cd和/或轮廓的信息。

训练

在一些实施方案中，训练采用散射法以使用一定范围的光学信息来捕获反射光谱，该光学信息可以跨越入射角(法向入射角和斜入射角)，包括完整360度的方位角方向，波长(例如，包括可见光、红外线和/或紫外线)，及所关注的特征上的偏振的范围。在收集了该光学计量信息之后，通过x-sem、tem、cd-saxs等对试样进行分析。可以采用几个样本(例如，大于约20个样本或大于约100个样本)的累加。每个这样的样本可以生成一个或多个训练集成员。例如，可以使用多个光学计量设置(例如，入射角)来分析单个样本，每个设置产生单独的光学计量读数和相关的训练组成员。

以无误差的方式定位和/或定向试样可能是挑战。虽然计量工具被设计为微调具有标准尺寸的晶片的位置和方位，从而提供相对低的光学计量结果误差捕获，但是这些工具并未被设计为如此仔细地控制试样的位置和方位。试样经常具有与生产晶片的尺寸和形状有很大不同的尺寸和形状。因此，可能需要采取措施来解决由试样产生的光学计量信号中的可能误差。

在一些实施方案中，通过在光学计量工具的光束下以不同的方式平移、旋转和/或以其他方式重新定向样品并在所有这些不同的位置或方位上捕获光信号，来减小位置和/或旋转误差。对于光学计量工具的光束的光斑，每个不同的位置/方位可以存在相同的位置。总体而言，这些不同的位置使可能在不同的平移位置和/或方位的一小部分中发生的误差平均化。为了进行训练，在这些不同位置或方位捕获的每个不同光学信号与相同的x-sem、stem、cd-saxs或其他直接测量相关联。因此，样品(试样)上的给定位置可能会产生大量的训练集成员，每个成员使用相同的x-sem、stem或cd-saxs测量值，但使用在不同的平移位置或方位获得的不同的光学信号。总体而言，这些训练集成员的数量大到足以覆盖典型实验条件的实际误差。

显而易见，随后将经受光学计量的每个样本发送到x-sem设备、tem设备、cdsaxs设备或其他设备，以对通过所考虑的工艺产生的特征进行测量。破坏性工艺提供用于提取cd、外形、轮廓或其他特征表征的信息。

如上所述，可以通过非破坏性(或较小破坏性)技术(例如cd-saxs(临界尺寸小角度x射线散射)获得z方向解析的信息。cd-saxs是x射线散射技术，其可用于重建纳米结构薄膜的平面内和平面外结构。该技术涉及以各种样品旋转角度收集一系列透射小角度x射线散射图像。这些(qx，qy)图像可以被组合以重建3d倒数空间(例如，傅立叶变换)，特别是探测包含平面内和平面外(膜法线方向)信息的(qx，qz)切片。

训练可以使用例如约100对光谱和cd值、外形和/或轮廓开始。可以采用不同的监督学习技术(回归、决策树、支持向量器、神经网络等)来映射频谱与cd/外形/轮廓特征之间的关系。可以对超参数进行优化，以确保在测试之前获得最佳的验证结果。如果可获得和试样与试样之间变化有关的其他信息，例如层厚度和光学常数，那么它也可以用作监督学习的输入。

在一种实施方案中，监督训练方法利用降维技术/工具，例如主成分分析(pca)或自动编码器。降维技术可选地与产生神经网络或其他监督的机器学习模型结合使用。例如，与其他光信号表征相比，pca可以用来根据受到诸如特征临界尺寸之类的目标特征的相对强的影响的光计量信号识别光信号特性或光信号特性的组合。所得的主成分(受关注特征强烈影响的光信号特征向量)用于训练模型，并用作所得模型的输入。更一般地，可以采用分解或识别用于训练模型(以及作为随后生成的模型的输入)的光信号的方面的任何技术。任何这样的技术都可以接收n个光谱强度值(来自光学计量)，这些光谱强度值是由m个衬底特征变化源产生的，并标识了大约m个独特的光谱特征。n的值通常将比m的值大得多，例如，但是至少一个数量级。

在另一实施方案中，以不需要主成分提取步骤的方式来使用深度学习神经网络。与pca神经网络实现方式一样，一旦进行了训练以产生具有足够准确性以预测cd、外形和/或轮廓信息的深度学习模型，它就可以避开x-sem、stem、cd-saxs等直接报告上述信息(例如，特征外形或特征的几何特征)。

利用光学技术在大目标上的平均能力，该方法比多次x-sem，stem，cd-saxs等测量更有效地提供平均cd/外形/轮廓信息。周期性结构由于其平移不变性而最有用，但是该方法不限于周期性结构。

在一些实施方案中，训练可以用代表在光学计量获取信号并拍摄sem横截面的样品上的位置处的期望图案的图案数据来补充。可使用标准图案识别软件来拍摄此类位置的相机图像，并确定该位置是否具有预期的图案。如果该位置不具有预期的图案，则可能无法获取光学和显微镜数据，或者如果获取了该数据，则可以在模型训练中将其消除或赋予低的权重。

用于训练模型的非侵入性计量数据可以来自各种常规和非常规光学技术。这样的技术可以使用例如散射测量法和/或椭圆偏振法来捕获反射率和/或椭圆偏振光谱。

在一些实施方案中，训练可以用在试样或其他样品上通过光栅扫描来自计量工具的光束获得的光信号来补充。虽然在样品上一定范围的位置上收集了结果数据，但可以将其与样品上一个或多个特定位置上的特征外形(或其他几何特征)相关联。

用于训练的示例流程

图1示出了用于产生可被部署在光学计量工具或光学计量系统中的模型的示例性工艺流程101。如图所示，该工艺开始于操作103，其中将一组衬底(例如，试样)暴露于各种不同的工艺条件，以在衬底上产生各种不同的特征。这里的目标是在模型的预测范围内提供各种特征外形和/或形状。例如，将第一衬底暴露于第一组工艺条件(等离子体功率、等离子体频率和其他等离子体条件、工艺气体成分、反应器温度和压力、掩模几何形状等)，将第二衬底暴露于与第一组工艺条件不同的第二组工艺条件，将第三衬底暴露于与其他两组条件不同的第三组工艺条件，等等。在该操作结束时，多个衬底具有多个不同特征外形以及可选地具有多个不同轮廓、临界尺寸等。在替代的方法中，将相同的工艺条件(例如，记录的工艺条件)应用于每个衬底，但处理的固有可变性会在衬底上产生略有不同的特征结构(如外形、轮廓和/或cd所反映的)。这些内在差异可以用作训练集的基础。

接下来，在操作105，对在操作103中产生的测试衬底的特征进行光学计量。在每种情况下，尽管特征的外形或其他几何细节通常尚不清楚，所得的光信号可以与产生这些信号的衬底或特征相关联。应当理解，光信号可以不直接指示产生那些信号的特征的外形、临界尺寸、轮廓或其他几何特征。

可选地，在工艺操作107，该工艺在不同条件下(例如，不同的衬底取向、不同的探测束斑尺寸等)重复对特征进行光学计量。如所解释的，可以采用多种形式的光学计量，并且也可以采用多种执行单个计量的模式。这样的模式包括光学计量工具的特定设置，例如光束的方位角位置和入射角、光斑大小、衬底上的光斑位置、光栅扫描等。此外，可以使用图案识别预处理步骤来删除似乎与预期的特征图案不符的某些测量值。

接下来，在操作109中，该方法执行直接在测试衬底上生成特征的外形或其他几何特征的计量形式。如所指出的，这样的计量通常是缓慢的和/或破坏性的。实例包括各种形式的电子显微镜，包括各种形式的tem(例如stem)和sem(例如x-sem和cd-sem)以及cd-saxs。在操作105中以及可选地在操作107中，所得到的直接测量到的特征的几何表征与这些特征所产生的相应光学信号相关联。

此时，可获得完整训练集的信息，并且如操作111所示，该处理使用操作105和(可选)操作107中产生的光学计量信号以及在操作109中产生的相关的特征外形、轮廓、cd等训练计量模型。如操作113所示，结果模型被测试和/或验证。结果模型可以被安装在计量工具或系统中。

以下序列呈现了工艺流程的另一个示例。

1.提供具有使用正在考虑的工艺(例如，记录工艺)产生的特征的试样，并识别受关注特征所在的一个或多个位置。

(可选)在该位置执行图案识别。

2.从1中提供的试样中，获取受关注特征所在位置的光学计量数据。

3.从1中提供的试样中，在2中使用的位置使用x-sem，stem或提供几何表征的直接表示的其他破坏性技术或慢速技术(例如cd-saxs)，获取特征的外形或其他几何表征。

4.使用2和3中的数据来训练模型，该模型以2中产生的光学计量数据作为输入，并预测使用所考虑的工艺产生的几何表征。

测试

在测试中，通过使用与在训练期间捕获原始数据相同的光学计量技术(例如散射测量法)进行推断，然后将其输入到先前建立的监督学习模型中，以预测受关注的cd/外形特征。如果使用在多个平移位置和/或方向上进行的计量学进行训练，则可以采用这些位置/方向中的一些或全部来捕获输入到模型中的数据。此外，如果通过相机使用图案识别来进行训练，则可以采用相同的图案识别来过滤提供给模型的数据。更进一步，如果使用光学计量探针束的光栅扫描进行训练，则可以在测试期间进行相同的光栅扫描，并将得到的扫描数据提供给模型。当然，测试数据应在与训练数据不同的条件下生成。因此，通常，测试数据是在使用某些不同于生成训练数据所采用的制造工艺的衬底特征上生成的。例如，可以使用与用于生成任何训练数据的任何组合不同的蚀刻条件的组合来生成测试数据。

应用

如本文所述生成的计量机器学习模型具有各种应用。任何给定模型的应用范围至少部分取决于该模型的适用范围；与其他模型相比，某些模型在可以有效预测特征表征的工艺的数量方面更为通用。例如，可以为特定工艺生成模型。例如，采用特定化学方法以产生特定设计布局的图案的各向异性蚀刻工艺。

在有效地训练模型之后，该方法可以大大降低与执行破坏性测试(例如stem和x-sem)相关的成本。如果要重复使用相同类型的样本(例如>100个试样样本)来调整处理，这将非常有用。

这种方法还带来了更好的试样与试样的一致性，因为cd/外形/轮廓上的随机误差和ler/lwr(线条边缘粗糙度和线条宽度粗糙度)被光学信号在空间上平均。这里利用机器学习来映射频谱与受关注特征的cd/外形/轮廓之间的复杂关系。当误差得到良好控制时，该工作流程可能无需操作员。测量的无损性质也允许试样结果的多蚀刻步骤一致性。单个试样的每个蚀刻步骤可以产生多个推断结果和多个特征，使其价值最大化。

经训练的计量模型可以用作用于确定经受器件制造工艺的衬底上的一个或多个特征的外形、cd、轮廓或其他几何特征的工艺或相关系统的一部分。该模型和相关的计量系统可以在工艺开发、工艺监控和/或工艺修改期间使用。取决于应用，经受计量和分析的衬底可以是测试试样或晶片，具有部分制造的器件的生产晶片，具有完全制造的器件的生产晶片等。

在图2中描绘了用于使用计量机器学习模型的示例性工艺流程。如图所示，工艺201开始于在已训练的计量机器学习模型的工艺条件下处理衬底。参见操作203。

在对衬底进行处理以在衬底上产生或修改特征之后，对特征中的一个或多个进行光学计量。参见操作205。光学计量技术与模型的训练集中使用的技术相同。在一些实施方案中，通过在衬底上的多个位置上移动束或点来执行操作205。例如，光束可以在经处理的衬底上光栅扫描。

对于正常操作，光学计量技术产生具有由衬底上的特征所决定的表征的光信号。光信号可以是例如根据波长、偏振态、方位角位置等提供的反射率值。不管其信息内容如何，将所得的光信号提供给计量机器学习模型，该模型可以如上所述被训练。参见操作207。使用光信号，机器学习模型输出识别一个或多个特征的一个或多个几何特征的信息。参见操作209。

在一些实施方案中，仅在首先在经处理的衬底上的一个或多个特征执行图案识别之后才执行操作205。图案识别工艺可以确定一个或多个特征的图案与预期图案相符。如果图案不符，则可以省略光学计量操作。

术语

术语“半导体晶片”、“晶片”、“衬底”、“晶片衬底”和“经部分制造的集成电路”可以互换使用。本领域普通技术人员理解，术语“经部分制造的集成电路”可以指在其上进行集成电路制造的许多阶段中的任一阶段期间的半导体晶片。半导体器件工业中使用的晶片或衬底的直径通常为200mm或300mm或450mm。该详细说明内容假定在晶片上实现本实施方案。然而，本公开内容不限于此。工件可以具有各种形状、尺寸和材料。除了半导体晶片之外，可以利用本公开实施方案的其他工件包括例如印刷电路板、磁记录介质、磁记录感器、镜子、光学元件、微机械装置等各种物品。此外，术语“试样”有时在本文中通常用于描述任何衬底，通常包括用于测试处理和/或用于生成模型训练集数据的那些衬底。

如本文所使用的“半导体器件制造操作”是在半导体器件的制造期间执行的单元操作。通常，整个制造工艺包括多个半导体器件制造操作，每个操作在其自身的半导体制造工具中执行，半导体制造工具例如蚀刻和/或沉积等离子体反应器、电镀池、化学机械平面化工具、湿法蚀刻工具等。半导体器件制造操作的类别包括诸如蚀刻工艺和平坦化工艺之类的减法工艺，以及诸如沉积工艺之类的材料添加工艺。在蚀刻工艺的背景中，衬底蚀刻工艺包括蚀刻掩模层的工艺，或更一般而言，包括蚀刻先前在衬底表面上沉积和/或以其他方式驻留的任何材料层的工艺。这样的蚀刻工艺可以蚀刻衬底中的层的堆叠。本文描述的模型可以用于用任何类型的半导体器件制造操作的非破坏性光学计量技术代替破坏性计量技术。

如本文所使用的，“计量结果”是指至少部分地通过测量经处理的衬底的特征而产生的结果。可以在以工艺参数值的集合进行操作的反应室中进行半导体器件制造操作的同时或之后进行测量。在一些实施方案中，测量经处理的衬底的特征产生外形坐标。在这样的实施方案中，测量经处理的衬底的特征可以包括执行显微镜检查(例如，sem，x-sem，tem，stem，cd-sem，cd-saxs，rem，afm)。可以例如通过表征经处理的衬底中的特征的几何形状(例如，临界尺寸、侧壁角度、深度等)的几何外形参数的集合采用这样的技术来直接或间接地产生外形坐标。

光学计量结果使用光学计量在经处理的衬底的特征上产生。在一些实施方案中，通过在经处理的衬底上执行反射法、圆顶散射法、角分辨散射法、小角x射线散射法和/或椭圆偏振法来产生光学计量结果。光学计量输出可以包括从光学计量工具中的检测器获得的各种值中的任何一个。示例包括反射率值，可选地在一定波长(反射谱)范围内，偏振信息，有关检测到的光信号的角度/位置信息(例如，相对于衬底或检测器的平面的角度或相对于入射角的角度)。当使用光学计量时，系统可以通过使用本文所述的计量机器学习模型通过从测得的光学计量信号中计算外形坐标来获得外形坐标。

在一些实施方案中，计量结果被提供为测量的几何外形、反射率或椭圆偏振数据或衬底特征的外形参数的时间序列。这些测量的计量结果是在半导体器件制造操作的不同持续时间下产生的。

关于特征的几何信息可以采取各种形式。可以将其提供为二维或三维尺寸的外形坐标和/或更全局的参数(例如沟槽深度、侧壁角度等)。对于重复结构，可以提供一维信息，例如间距、临界尺寸等。在二维表示的情况下，特征的几何信息可以是外形(在x-z平面中视为衬底的横截面)或轮廓(在x-y平面中从衬底的平面上方观察)。

机器学习模型-机器学习模型是一种经训练的计算模型，其可获取光学计量输出或数据(例如，散射测量数据)并预测样品上一个或多个特征的几何特征。机器学习模型的示例包括随机森林模型(包括深度随机森林)，神经网络(包括递归神经网络和卷积神经网络)，受限玻尔兹曼机器，递归张量网络和梯度提升树。这些模型中的每一个都具有本领域技术人员公知的结构和相关联的逻辑操作序列(算法)。例如，神经网络包括按层组织的多个计算节点，这些层被配置为在逐个节点的基础上将计算结果从一层连续传递到下一层。给定节点可以具有与上游层中的一个或多个节点的连接以及与下游层中的一个或多个模式的连接。这些层可以组织为输入层、输出层和一个或多个隐藏层。神经网络的输入侧可以以实现卷积神经网络的方式构造。隐藏层或输出层中的节点从上游层中的一个或其他节点接收输入。每个节点通过功能(有时是激活功能)在其输入上进行操作，以生成输出以传输到下一个连续层中的一个或多个下游节点。训练将权重应用于上游和下游节点之间的各个连接。术语“分类器”(或分类模型)有时用于描述所有形式的分类模型，包括深度学习模型(例如，具有多层的神经网络)以及随机森林模型。有关更多详细信息，请参见“hands-onmachinelearningwithscikit-learnandtensorflow:concepts,tools,andtechniquestobuildintelligentsystems,”1^stedition,bya.geron,o’reillymedia,inc.(2017)；和deeplearningbygoodfellowetal.,mitpress(2016)，通过引用将其全部内容并入本文。

深度学习模型—本文使用的深度学习模型是分类模型的形式。它也是机器学习模型的形式。可以以各种形式来实现它，诸如通过神经网络(例如，卷积神经网络)等来实现。通常，尽管不是必须的，它包括多层。每个这样的层包括多个处理节点，并且这些层按顺序处理，其中较接近模型输入层的层的节点在较接近模型输出的层的节点之前进行处理。在各种实施方案中，一层馈送给下一层，等等。输出层可以包括代表各种分类的节点。在某些实施方案中，深度学习模型是仅需很少预处理即可获取数据的模型。

在各种实施方案中，深度学习模型具有显著的深度(例如，五层或更多层或十层或更多层)，并且可以对光学计量数据的大集合或异构集合进行分类。在某些情况下，术语“深度”表示模型具有两个以上(或三个以上、四个以上或五个以上)处理节点层，这些处理节点层从先前的层(或作为直接输入)接收值，并输出值到后续层(或最终输出)。内部节点通常被“隐藏”，意指在其输入和输出值在模型外部不可见。在各种实施方案中，在操作期间不监视或记录隐藏节点的操作。

无需重新设计深度学习模型的节点和连接的数量、布置、与图像输入的接口等，就可以对其进行训练和重新训练。

如所指示的，在各种实施方案中，尽管许多深度学习模型具有其他结构和格式，节点层可以共同形成神经网络。深度学习模型的一些实施方案不具有分层结构，在这种情况下，具有多个层的“深度”的上述表征不相关。

公开的计算实施方案的上下文

本文公开的一些实施方案涉及用于生成和/或使用本文公开的计量模型的系统。本文公开的一些实施方案涉及用于生成和/或使用在这样的系统上实现的模型的方法。可以将用于生成模型的系统配置为分析数据，以校准或优化用于表示衬底上半导体器件制造操作的作用的表达式或关系。用于使用模型的编程系统可以被配置为(i)接收诸如光学计量数据之类的输入，及(ii)执行确定衬底上的特征的表征的指令。用于使用模型的编程系统可以配置为(i)接收针对多个特征获得的光学计量数据，(ii)接收针对相同多个特征的sem、tem和/或cd-saxs数据，及(iii)执行用于使用(i)和(ii)中的数据训练计量机器学习模型的指令。

具有多种计算机体系结构中的任何一种的许多类型的计算系统可以用作所公开的用于实现模型的系统，以及用于生成、使用和/或优化这种模型的算法。例如，系统可包含在一个或一个以上通用处理器或经特殊设计的处理器(例如，可编程逻辑设备(例如，现场可编程门阵列(fpga))上执行的软件组件。此外，该系统可以在单个设备上实现或分布在多个设备上。计算元件的功能可以彼此合并或进一步分成多个子模块。

在一些实施方案中，在适当编程的系统上的模型的生成或执行期间执行的代码可以以软件元件的形式体现，该软件元件可以存储在非易失性存储介质(例如光盘、闪存设备、移动硬盘等)，包括用于制造计算机设备(例如个人计算机、服务器、网络设备等)的多个指令。

在一个层次上，软件元素被实现为程序员/开发人员准备的命令集。但是，可以由计算机硬件执行的模块软件是使用从设计在硬件处理器中的特定机器语言指令集或“本机指令”中选择的“机器码”提交给存储器的可执行代码。机器语言指令集或本机指令集是硬件处理器已知的，并且基本上内置于硬件处理器。这是系统和应用软件与硬件处理器进行通信的“语言”。每个本机指令是处理体系结构可识别的离散代码，且离散代码可以针对算术、寻址或控制功能指定特定的寄存器；特定的存储位置或偏移量；及用于解释操作数的特定寻址模式。通过组合这些简单的本机指令可以建立更复杂的操作，这些指令可以依次执行，也可以由控制流指令执行。

可执行软件指令和硬件处理器之间的相互关系是结构性的。换言之，指令本身是一系列符号或数值。它们本质上不传达任何信息。正是处理器在设计上已预先配置为解释符号/数字值，从而赋予指令以含义。

本文中使用的模型可以被配置为在单个位置的单个机器上，在单个位置的多个机器上或在多个位置的多个机器上执行。当使用多台机器时，可以针对其特定任务定制各个机器。例如，可以在大型和/或固定机器上实现需要大代码块和/或大量处理能力的操作。

另外，一些实施方案涉及包括用于执行各种计算机实现的操作的程序指令和/或数据(包括数据结构)的有形的和/或非暂时性的计算机可读介质或计算机程序产品。计算机可读介质的示例包括但不限于半导体存储设备，相变设备，诸如磁盘驱动器、磁带之类的磁性介质，诸如cd之类的光学介质，磁光介质以及特别配置为存储和执行程序指令的硬件设备，例如只读存储设备(rom)和随机存取存储器(ram)。计算机可读介质可以由终端用户直接控制，或者介质可以由终端用户间接控制。直接控制的介质的示例包括位于用户设施处的介质和/或未与其他实体共享的介质。间接受控介质的示例包括用户可以通过外部网络和/或通过提供共享资源(例如“云”)的服务间接访问的介质。程序指令的示例包括机器代码(例如由编译器生成的机器代码)和包含可以由计算机使用解释器执行的更高级代码的文件。

在各种实施方案中，以电子格式提供在所公开的方法和装置中采用的数据或信息。这样的数据或信息可以包括设计布局、固定参数值、浮动参数值、特征外形、计量结果等。在某些情况下，以电子格式提供的指令集合定义了用于执行计量机器学习模型(例如神经网络)的算法。如本文所使用的，以电子格式提供的数据或其他信息可用于在机器上的存储以及机器之间的传输。常规上，电子格式的数据以数字形式提供，并且可以在各种数据结构、列表、数据库等中存储为位和/或字节。该数据可以以电子、光学等方式体现。

在一些实施方案中，模型可各自被视为与用户和系统软件接口的应用软件的形式。系统软件通常与计算机硬件和关联的存储器接口。在一些实施方案中，系统软件包括操作系统软件和/或固件，以及安装在系统中的任何中间件和驱动程序。系统软件提供了计算机的基本非任务特定功能。相反，模块和其他应用软件用于完成特定任务。模块的每个本机指令都存储在存储器设备中，并由数值表示。

图3中描绘了示例计算机系统800。如图所示，计算机系统800包括输入/输出子系统802，其可以根据应用实现用于与人类用户和/或其他计算机系统交互的界面。本发明的实施方案可以在系统800上的程序代码中实现，其中i/o子系统802用于从人类用户(例如，经由gui或键盘)接收输入程序语句和/或数据，并将它们显示回给用户。i/o子系统802可以包括例如键盘、鼠标、图形用户界面、触摸屏或用于输入的其他界面，以及例如led或其他平面显示器或用于输出的其他界面。本公开内容的实施方案的其他元件，例如用于解释计量数据的结果模型的训练系统，可以用与计算机系统800类似的计算机系统来实现，但是没有i/o。

程序代码可以被存储在诸如永久性存储器810或存储器808或两者的非暂时性介质中。一个或多个处理器804从一个或多个非暂时性介质读取程序代码并执行该代码以使计算机系统能够完成本文的实施方案所执行的方法，例如涉及如本文所述的生成或使用处理仿真模型的那些。本领域技术人员应理解，处理器可以接受源代码，例如用于执行训练和/或解释操作的语句，并将源代码解释或编译为在处理器的硬件门级可以理解的机器代码。总线耦合i/o子系统802、处理器804、外围设备806、存储器808和持久性存储器810。在一些实施方案中，至少一些计算机系统特征，例如处理器804、存储器808、存储器810和/或存储装置810在物理上与i/o子系统(如果有的话)不同的云或边缘网络中实现。在一些实施方案中，一些计算机系统特征，例如，处理器804、存储器808和/或存储器810，被分布在多个物理设备上。

计量工具实施方案的上下文

在各种实施方案中，计量系统包括光学计量工具和计量机器学习模型，例如使用本文所述的训练处理产生的模型。光学计量工具可以包括各种配置，但是通常包括光源和用于检测从被探测的衬底上的特征反射、透射和/或散射的光的检测器。光源可以是单色的或多色的。产生的波长可以在红外、可见、紫外或x射线范围内。它可以是非偏振的、线性偏振的、圆偏振的等。光学计量工具可以另外包括用于将光引导到衬底特征上和/或收集和/或直接与衬底特征相互作用的光的一个或多个光学元件。光学计量工具可以另外包括一个或多个处理器或其他处理元件以捕获和/或解释来自检测器的信号。

在一些实施方案中，光学计量工具包括计量/反射光谱发生器，其是诸如从荷兰veldhoven的asmlnetherlandsb.v.获得的yieldstar^tm散射仪产品之类的工具的一部分。参见，例如crameretal.,“high-naopticalcdmetrologyonsmallin-celltargetsenablingimprovedhigherorderdosecontrolandprocesscontrolforlogic,”proceedingsofspie,10145,metrology,inspection,andprocesscontrolformicrolithographyxxxi,101451b(28march2017)，其全部内容通过引用合并于此。

图4示出了示例性计量系统401的框图。如图所示，该系统包括光学计量工具407，该光学计量工具407被配置为探测诸如具有特征405的衬底403之类的衬底。光学计量工具407从特征405收集光学信息并生成光学计量输出(例如，反射强度与波长或光学临界尺寸信息)。计量机器学习模型409接收光学计量输出，并生成有关特征的几何信息；例如，特征外形、cd、轮廓等。参见输出411。在一些实施方案中，机器学习模型409被实现为神经网络。

诸如计量系统401之类的系统可以使用直接从测试样品中获取的光学信息来确定特征的蚀刻外形，例如在ocd测量的情况下，然后通过本文所述的模型或关系来处理该数据。

结论

在描述中，阐述了许多具体细节以提供对所呈现的实现方式的透彻理解。可以在没有这些具体细节中的一些或所有的情况下实践所公开的实现方案。在其他情况下，没有详细描述众所周知的处理操作，以免不必要地使所公开的实现方案不清楚。尽管结合具体实现方案描述了所公开的实现方案，但是应当理解，其并不旨在限制所公开的实现方案。