用于确定半导体测量的质量的方法及系统与流程

所描述实施例涉及计量系统及方法，且更特定来说，涉及用于半导体结构的经改进测量的方法及系统。

背景技术：

1、通常通过适用于样本的一序列处理步骤来制作例如逻辑及存储器装置的半导体装置。通过这些处理步骤来形成半导体装置的各种特征及多个结构层级。举例来说，其它处理步骤当中的光刻是一种涉及在半导体晶片上产生图案的半导体制作过程。半导体制作过程的额外实例包含但不限于化学机械抛光、蚀刻、沉积及离子植入。可在单个半导体晶片上制作多个半导体装置，并且然后将所述多个半导体装置分离成个别半导体装置。

2、在半导体制造过程期间，在各个步骤处使用计量工艺来检测晶片上的缺陷以促成较高合格率。光学计量技术及基于x射线的计量技术提供高吞吐量而不具有样品损毁的风险的可能性。通常使用包含散射测量、反射测量及椭圆偏光测量实施方案及相关联分析算法的若干种基于计量的技术来表征临界尺寸、膜厚度、组合物、叠对及纳米尺度结构的其它参数。

3、许多计量技术是测量被测量样本的物理性质的间接方法。在大多数情形中，原始测量信号无法用来直接确定样本的物理性质。而是，基于原始测量信号，采用测量模型来估计一或多个所关注参数的值。举例来说，椭圆偏光测量是测量被测量样本的物理性质的间接方法。一般来说，基于原始测量信号(例如，αmeas及βmeas)，需要基于物理的测量模型或基于机器学习的测量模型来确定样本的物理性质。

4、在一些实例中，基于一或多个模型参数的所假定值，创建试图预测原始测量信号(例如，αmeas及βmeas)的基于物理的测量模型。如方程式(1)及(2)中所图解说明，测量模型包含与计量工具自身相关联的参数(例如，机器参数(pmachine))及与被测量样本相关联的参数。当对所关注参数进行求解时，一些样本参数被视为固定值(pspec-fixed)且其它所关注样本参数是浮动的(pspec-float)，即，基于原始测量信号进行解析。

5、amodel＝f(pmachine，pspec-fixed，pspec-float)           (1)

6、βmodel＝g(pmachine，pspec-fixed，pspec-float)    (2)

7、机器参数是用来表征计量工具(例如，椭圆偏光计101)的参数。示范性机器参数包含入射角度(aoi)、分析器角度(a0)、偏光器角度(p0)、照射波长、数值孔径(na)、补偿器或波板(如果存在)等。样本参数是用来表征样本的参数(例如，表征被测量结构的材料及几何参数)。对于薄膜样本，示范性样本参数包含折射率、介电函数张量、所有层的标称层厚度、层序列等。对于cd样本，示范性样本参数包含与不同层相关联的几何参数值、与不同层相关联的折射率等。出于测量目的，机器参数及样本参数中的许多者被视为已知固定值参数。然而，样本参数中的一或多者的值被视为未知的所关注浮动参数。

8、在一些实例中，通过产生理论预测与实验数据之间的最佳拟合的迭代过程(例如，回归)来解析所关注浮动参数的值。未知的所关注浮动参数的值会发生变化，并且模型输出值(例如，αmodel及βmodel)经计算并以迭代方式与原始测量数据进行比较，直到确定导致模型输出值与以试验方式测量的值(例如，αmeas及βmeas)之间的充分接近匹配的一组样本参数值为止。在一些其它实例中，通过在经预运算解决方案库中进行搜索以找出最接近匹配来解析浮动参数。

9、在一些其它实例中，基于原始测量数据，采用基于经训练机器学习的测量模型来直接估计所关注参数的值。在这些实例中，基于机器学习的测量模型采取原始测量信号作为模型输入并产生所关注参数的值作为模型输出。

10、必须训练基于物理的测量模型及基于机器学习的测量模型两者，以产生针对特定测量应用的所关注参数的有用估计。一般来说，模型训练是基于从具有所关注参数的已知值的样本收集的原始测量信号(即，实验设计(doe)数据)。

11、通过若干个权重参数将基于机器学习的测量模型参数化。传统上，通过回归过程(例如，普通最小二乘回归)来训练基于机器学习的测量模型。基于所测量原始测量信号，迭代地调整权重参数的值以最小化所关注参数的已知参考值与所关注参数的通过基于机器学习的测量模型估计的值之间的差。

12、如上文中所描述，通过若干个机器参数及样本参数将基于物理的测量模型参数化。传统上，也通过回归过程(例如，普通最小二乘回归)来训练基于物理的测量模型。迭代地调整机器参数及样本参数中的一或多者以最小化原始测量数据与模型化测量数据之间的差。对于每一迭代，使所关注特定样本参数的值维持在已知doe值下。

13、基于测量数据，基于经训练机器学习的测量模型及基于物理的模型两者对所关注参数值进行估计。估计的准确度取决于测量数据。举例来说，在模型训练阶段期间观察到的测量数据的域之外的测量数据可由于外推法而导致大的预测误差。

14、传统上，已探索出数种技术来量化与每一测量位点相关联的输出不确定性。这些技术包含使用变分推断及马尔可夫链蒙特卡罗(markov chain monte carlo(mcmc))方法的贝叶斯(bayesian)回归(例如，线性过程回归、高斯过程回归等)、作为贝叶斯神经网络的蒙特卡罗丢弃(monte carlo dropout)、自助重抽采样(bootstrap sampling)、来自不同超参数组合的输出差异、估计样品到训练集的中心的距离等。

15、不幸地，这些传统技术已遭遇有限的实际成功。前文所提及技术中的每一者表示未连接到经训练测量模型的系综平均值预测。系综平均值预测与经最佳训练的测量模型的预测不同。因此，系综平均值预测未能准确估计测量不确定性且未能直接测量出测量模型的质量。另外，贝叶斯回归及自助重抽采样是计算上昂贵的且实际上不适合于作为高容量半导体制作设施的一部分的实施方案。最终，未将前文所提及技术正规化。在未进行正规化的情况下，无法跨越不同测量变因或被测量结构来一致地解释结果。

16、归因于越来越小的分辨率需要、多参数相关性、越来越复杂的几何结构及不透明材料的越来越多的使用，未来计量应用针对计量提出挑战。因此，期望用于经改进测量质量评估的方法及系统。

技术实现思路

1、本文中呈现用于估计指示半导体测量的一或多个性能特性的质量度量的值的方法及系统。质量度量是依据基于实际测量数据、所模拟测量数据或者两者及参考测量数据训练的质量度量模型来确定的。一旦经训练，质量度量模型就在不使用参考计量的情况下使得能够基于在每一测量位点处从直排式晶片收集的测量数据而计算指示特定测量变因的测量质量的定量质量度量。将质量度量的值正规化以确保跨越宽广范围的测量方案的适用性。

2、在一些实施例中，在测量推断期间确定每一测量样品的质量度量的值。在一些实施例中，经训练测量模型是经训练以对来自测量数据的缺陷进行检测及分类的缺陷分类模型。

3、一般来说，质量度量可用于各种其它目的。具体来说，可采用质量度量来表征与所测量所关注参数、缺陷分类等相关联的不确定性。在一些其它实例中，质量度量被用作过滤器以检测测量离群值。在一些其它实例中，质量度量被用作触发器以调整半导体过程。类似地，在一些实例中，采用质量度量值来检测不在制造规范内的晶片。在这些实例中的一些实例中，采用质量度量值来检测测量工具偏差何时已漂离规范。在其它实例中，采用质量度量值来检测测量误差偏差何时已漂离规范。

4、在一个方面中，通过训练数据重构模型的参数来训练质量度量模型。数据重构模型基于测量数据集的其它特征来重构测量数据集的每一特征并基于测量数据集来重构通过经训练测量模型估计的一或多个所关注参数的值。

5、在另一方面中，基于所述量的测量数据，采用经训练质量度量模型来确定与特定测量相关联的质量度量的值。

6、在又一方面中，将所述原始质量度量值正规化以放宽所述质量度量值对多种变因、工具、层、使用情形等的所述适用性。以这一方式，所述经正规化质量度量是宽泛范围的测量方案的测量性能指标。

7、在另一方面中，从晶片上位于紧密接近处的多个目标，对用来训练并使用如本文中所描述的质量度量模型的训练数据及测量数据进行模拟，从实际测量收集所述训练数据及测量数据，或者进行两者。在一些实施例中，如本文中所描述的被测量的测量目标可以是实际装置结构而非专用计量目标。

8、在另一方面中，通过多个不同计量系统，从一或多个目标收集用来训练并使用如本文中所描述的质量度量模型的训练数据及测量数据。

9、在一些实施例中，用来收集测量数据以估计所关注参数的计量系统与用来收集测量数据以估计质量度量的值的计量系统不同。

10、在再一方面中，测量多个不同所关注参数，并且评估每一不同所关注参数的对应质量度量。在一些实施例中，采用与多个不同所关注参数相关联的质量度量来更清楚地识别与特定测量变因相关联的测量不确定性、更清楚地识别何时需要进行过程参数的改变，或者两者。

11、在另一方面中，采用与紧密接近于测量目标的结构相关联的所关注参数的值、对应质量度量值或者两者来更清楚地识别何时需要进行过程参数的改变。

12、在再一方面中，本文中所描述的测量结果可用来提供对过程工具(例如，光刻工具、蚀刻工具、沉积工具等)的主动反馈。

13、前述内容是
技术实现要素：
且因此必然含有细节的简化、概述及省略；因此，所属领域的技术人员将了解，发明内容仅是说明性的且不以任何方式为限制性的。在本文中所陈述的非限制性具体实施方式中，本文中所描述的装置及/或过程的其它方面、发明性特征及优点将变得显而易见。