用于基于图像的叠对测量的信号响应计量制造技术

本发明专利技术提出用于仅基于所测量的基于图像的训练数据来产生基于图像的测量模型的方法及系统。接着，所述经训练的基于图像的测量模型用于直接根据从其它晶片收集的测量图像数据来计算一或多个所关注参数的值。所述基于图像的测量模型直接接收图像数据作为输入，且提供所关注参数的值作为输出。在一些实施例中，所述基于图像的测量模型实现叠对误差的直接测量。在一些实施例中，从装置上结构的图像确定叠对误差。在一些其它实施例中，从专用目标结构的图像确定叠对误差。在一些实施例中，来自多个目标的图像数据、通过多个计量收集的图像数据或两者用于模型建立、训练及测量。在一些实施例中，优化算法自动化基于图像的测量模型建立及训练过程。

【技术实现步骤摘要】
【国外来华专利技术】相关申请案的交叉参考本专利申请案根据35U.S.C.§119规定主张在2014年2月20日申请的题为“用于基于装置上图像的叠对测量的信号响应计量(Signal Response Metrology For On-Device Image Based Overlay Measurements)”的第61/942,204号美国临时专利申请案的优先权，所述申请案的标的物的全部内容以引用的方式并入本文中。
所描述的实施例涉及计量系统及方法，且更特定地说涉及用于改进基于图像的测量的方法及系统。
技术介绍
通常通过应用于样本的一系列处理步骤制造半导体装置(例如逻辑及存储器装置)。通过这些处理步骤形成半导体装置的各种特征及多个结构层级。举例而言，光刻尤其是涉及产生半导体晶片上的图案的半导体制造工艺。半导体制造工艺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。多个半导体装置可制造在单个半导体晶片上，且接着分为个别半导体装置。在半导体制造工艺期间在各种步骤处使用计量过程来检测晶片上缺陷，以促进更高良率。光学计量技术提供实现高处理量的可能而无破坏样品的风险。包含散射测量及反射测量实施方案及相关联分析算法的数种基于光学计量技术常用于特征化临界尺寸、薄膜厚度、组成物、叠对及纳米尺度结构的其它参数。叠对误差是指晶片的不同层上结构的相对位置。叠对误差越大，结构未对准越多。如果叠对误差过大，那么可损及所制造的电子装置的性能。通常基于测量通过光刻工具形成于晶片上的各种位置处的专用目标结构来评估叠对误差。目标结构可采取许多形式，例如格中格(box in box)结构。在此形式中，格产生于晶片的一个层上且第二、更小格产生于另一层上。通过比较两个格中心之间的对准而测量局部叠对误差。在晶片上目标结构可用的位置处进行此类测量。基于图像的叠对误差测量通常涉及专用目标结构的图像的分析以估计叠对误差。图像分析通常涉及图像中特定目标特征(例如，线段、格等等)的辨识，且基于这些特征的相对位置计算叠对误差。专用目标结构通常特定于图像处理算法。举例来说，与叠对目标(例如，格中格目标、框中框目标、高级成像计量(AIM)目标)相关联的线段经特别设计以遵守算法的细节。为此，无法使用任意叠对目标或装置结构可靠地执行基于传统图像的叠对计量分析算法。另外，因为算法仅对图像的特定区域起作用，所以一些信息丢失。换句话来说，选择特定线边沿等等作为用于评估叠对误差的焦点忽略了图像中其它像素可作出的贡献。此外，基于传统图像的算法对于工艺变化、不对称性及光学系统误差敏感，这是这些算法缺少系统性方式来捕捉经捕捉的图像上的这些误差源的影响。未来叠对计量应用对计量提出挑战，这是归因于越来越小的解决方案需要及越来越高的晶片面积值。因此，需要用于改进的叠对测量的方法及系统。
技术实现思路
提出用于仅基于所测量的基于图像的训练数据(例如，从实验设计(DOE)晶片收集的图像)产生基于图像的测量模型的方法及系统。接着，经训练的基于图像的测量模型用于直接根据从其它晶片收集的测量图像数据计算一或多个所关注参数值。一方面，本文描述的所述经训练的基于图像的测量模型接收图像数据直接作为输入且提供一或多个所关注参数的值作为输出。通过流线化所述测量过程，改进所述预测结果，以及缩减计算及用户时间。另一方面，可从装置上结构的图像确定所关注的参数值。在一些实施例中，装置上结构的图像用来训练基于图像的测量模型，如本文描述。接着，所述经训练的基于图像的测量模型用于直接根据从其它晶片收集的相同装置上结构的图像计算一或多个所关注参数的值。如本文描述，通过仅使用原始图像数据来产生所述基于图像的测量模型，减少与基于传统图像的计量方法相关联的所述误差及近似值。另外，所述基于图像的测量模型并不对系统误差、不对称性等等敏感，这是因为所述基于图像的测量模型基于从特定计量系统收集的图像数据进行训练且用于基于从相同计量系统收集的图像执行测量。在进一步方面，基于如本文描述从原始图像数据产生的基于图像的测量模型直接测量通过连续光刻工艺形成于衬底上的结构之间的叠对误差。基于具有已知叠对变化的图像集训练所述基于图像的测量模型。接着，使用所述经训练的基于图像的测量模型预测来自未知图像的叠对误差。一般来说，所述结构可定位于所述衬底的相同层上或定位于不同层上。在另一进一步方面，本文描述的所述方法及系统非仅限于叠对误差的测量。一般来说，前述基于图像的测量技术可应用于其它工艺、结构、分散参数或这些参数的任何组合的测量。举非限制性实例来说，可使用本文描述的技术测量临限尺寸、叠对误差、焦点及剂量中的任一者。在另一进一步方面，用于训练所述基于图像的测量模型的所述方法及系统包含优化算法来自动化到达经训练的基于图像的测量模型所需的任何或所有元素。在一进一步方面，针对模型建立、训练及测量而收集来自具有不同结构但由相同工艺条件形成的多个目标的图像数据。这增加了嵌入到所述模型中的所述信息且减少了与工艺或其它参数变化的所述叠对相关性。在另一进一步方面，针对模型建立、训练及测量而收集从通过多个、不同测量技术的组合执行的测量导出的图像数据。使用与多种不同测量技术相关联的测量数据增加了所述组合的信号集中的信息含量且减小了与工艺或其它参数变化的所述叠对相关性。在又另一方面，本文描述的所述基于图像的测量模型结果可用于提供主动反馈到工艺工具(例如，光刻工具、蚀刻工具、沉积工具等等)。前文是
技术实现思路
且，因此必要地含有细节的简化、一般化及省略；因此，所属领域技术人员将了解
技术实现思路
仅是说明性的且不以任何方式限制。将在本文提出的非限制性实施方式中了解本文描述的所述装置及/或过程的其它方面、专利技术特征及优点。附图说明图1是说明训练如本文描述的基于图像的测量模型的方法100的流程图。图2是说明使用由方法100产生的经训练的基于图像的测量模型测量所关注参数的方法110的流程图。图3描绘两个光栅的模拟图像120，所述光栅各自安置于半导体晶片的不同层上。图4说明从DOE晶片收集的图像的主成分映图的矩阵130，所述晶片包含叠对误差中的已知变化。图5描绘针对如参考图3描述的模拟指示y轴上实际叠对误差及x轴上对应预测叠对误差的模拟结果的标绘图120。图6描绘指示与在图5中描绘的每一测量点相关联的残余叠对误差值的标绘图121。图7描绘说明针对与训练图像相关联的测量点的在图6中描绘的残余值分布的标绘图122。图8描绘说明针对与未参与训练数据集的图像相关联的测量点的在图6中描绘的残余值分布的标绘图123。图9描绘两个光栅的模拟图像130，所述光栅各自安置在另一实施例中的半导体晶片的不同层上。图10描绘针对如参考图9描述的模拟指示y轴上实际叠对误差及x轴上对应预测叠对误差的模拟结果的标绘图131。图11描绘指示与在图10中描绘的每一测量点相关联的残余叠对误差值的标绘图132。图12描绘说明针对与训练图像相关联的测量点的在图11中描绘的残余值分布的标绘图133。图13描绘说明针对与未参与训练数据集的图像相关联的测量点的在图10中描绘的残余值分布的标绘图134。图14A到14D分别展现计量目标140到143，其可在一些实施例中有利于叠对误差的基于图像的测量。图15A到15B分别展现计量目标150到本文档来自技高网...

【技术保护点】
一种方法，其包括：接收与在具有至少一个所关注参数的已知值的半导体晶片的表面上的第一多个位点的图像相关联的第一量的图像数据，其中从通过至少一种计量技术执行的测量导出所述第一量的图像数据；基于所述第一量的图像数据的所述多个图像中的每一者的至少一部分来确定特征提取模型，其中所述特征提取模型减小所述第一量的图像数据的维度；及基于从所述多个图像提取的特征及所述至少一个所关注参数的所述已知值来训练基于图像的测量模型。

【技术特征摘要】
【国外来华专利技术】2014.02.20 US 61/942,204;2015.02.17 US 14/624,4851.一种方法，其包括：接收与在具有至少一个所关注参数的已知值的半导体晶片的表面上的第一多个位点的图像相关联的第一量的图像数据，其中从通过至少一种计量技术执行的测量导出所述第一量的图像数据；基于所述第一量的图像数据的所述多个图像中的每一者的至少一部分来确定特征提取模型，其中所述特征提取模型减小所述第一量的图像数据的维度；及基于从所述多个图像提取的特征及所述至少一个所关注参数的所述已知值来训练基于图像的测量模型。2.根据权利要求1所述的方法，其中所述图像是叠对图像，且所述所关注参数是叠对误差。3.根据权利要求1所述的方法，其中至少一个所关注参数的所述已知值中的每一者是工艺参数值、结构参数值、分散参数值及布局参数值中的任一者。4.根据权利要求1所述的方法，其中所述第一多个位点的所述图像是各自从实验设计晶片上的不同位置捕捉的。5.根据权利要求1所述的方法，进一步包括：对所述第一多个位点的所述图像中的每一者进行滤波。6.根据权利要求1所述的方法，其中所述特征提取模型是主成分分析PCA模型、独立成分分析ICA模型、核心PCA模型、非线性PCA模型、快速傅里叶变换FFT模型、离散余弦变换DCT模型及小波模型中的任一者。7.根据权利要求1所述的方法，其中所述基于图像的测量模型是线性模型、多项式模型、神经网络模型、支持向量机模型、决策树模型及随机森林模型中的任一者。8.根据权利要求1所述方法，其中所述第一量的图像数据包含通过相同工艺条件形成的多个不同计量目标的图像的组合。9.根据权利要求1所述的方法，其中所述第一量的图像数据包含通过多个不同计量技术获得的图像或图像组合。10.根据权利要求1所述的方法，其中所述第一量的图像数据包含与在所述第一多个位点中的任一者处的一个以上目标特征相关联的图像信号。11.根据权利要求1所述的方法，其中所述第一量的图像数据包含与通过一种以上计量技术的测量相关联的图像信号。12.根据权利要求1所述的方法，其中所述确定所述特征提取模型涉及：确定来自不同目标的图像的图像信号、通过不同计量技术获得的图像的图像信号，或其两者组合之间的差。13.根据权利要求1所述的方法，其中所述确定所述特征提取模型涉及：确定与来自不同目标的图像的图像信号、来自通过不同计量技术获得的图像的图像信号，或其两者组合拟合的模型的残余。14.根据权利要求1所述的方法，其中所述计量目标是装置上结构。15.根据权利要求1所述的方法，进一步包括：接收与第二多个计量目标的图像相关联的第二量的图像数据，其中从通过相同至少一种计量技术执行的测量导出所述第二量图像的数据；基于所述第二量的图像数据与所述经训练的基于图像的测量模型的拟合来确定与所述第二多个计量目标中的每一者相关联的...

【专利技术属性】
技术研发人员：S·I·潘戴夫，
申请(专利权)人：科磊股份有限公司，
类型：发明
国别省市：美国;US