使用人工神经网络的运动控制制造技术

可变设定点和/或其它因素可能限制用于设备的移动部件的迭代学习控制。本公开描述一种被配置成控制设备的部件(ST)以至少一个指定运动进行移动的处理器。所述处理器被配置成接收诸如和/或包括可变设定点的控制输入(SP)。所述控制输入指示所述部件的所述至少一个指定运动。所述处理器被配置成利用经训练的人工神经网络(PM)基于所述控制输入(SP)来确定所述部件(ST)的控制输出。利用训练数据来训练所述人工神经网络，使得所述人工神经网络确定所述控制输出，而与所述控制输入是否落在所述训练数据之外无关。所述处理器至少基于所述控制输出来控制所述部件。输出来控制所述部件。输出来控制所述部件。

【技术实现步骤摘要】
【国外来华专利技术】使用人工神经网络的运动控制
[0001]相关申请的交叉引用
[0002]本申请要求于2020年7月09日递交的美国申请63/049,719的优先权，并且所述美国申请的全部内容通过引用而被合并入本文中。


[0003]本专利技术涉及一种设备、一种用于控制设备的部件的方法，和一种非暂时性计算机可读介质。

技术介绍

[0004]光刻设备是被构造成将期望的图案施加至衬底上的机器。光刻设备可以用于(例如)集成电路(IC)的制造中。光刻设备可以例如将图案形成装置(例如,掩模)的图案(也常常称作“设计布局”或“设计”)投影至设置于衬底(例如,晶片)上的一层辐射敏感材料(抗蚀剂)上。
[0005]随着半导体制造过程持续进步，几十年来，电路元件的尺寸已继续减小，而每器件的诸如晶体管之类的功能元件的量已稳固地增加，这遵循通常称为“摩尔定律”的趋势。为了遵循摩尔定律，半导体行业正追逐能够产生越来越小特征的技术。为了将图案投影于衬底上，光刻设备可以使用电磁辐射。这种辐射的波长确定图案化于衬底上的特征的最小大小。当前在使用中的典型波长是365nm(i线)、248nm、193nm和13.5nm。相比于使用例如具有193nm的波长的辐射的光刻设备，使用具有在4nm至20nm的范围内的波长(例如，6.7nm或13.5nm)的极紫外(EUV)辐射的光刻设备可以用于在衬底上形成较小特征。
[0006]低k1光刻术可以用于处理尺寸小于光刻设备的经典分辨率限值的特征。在这样的过程中，可以将分辨率公式表达为CD＝k1×
λ/NA，其中λ是所使用的辐射的波长，NA是光刻设备中的投影光学器件的数值孔径，CD是“临界尺寸”(通常是所印制的最小特征大小，但在这种情况下是半节距)且k1是经验分辨率因子。通常，k1越小，则在衬底上再现类似于由电路设计者规划的形状和尺寸以便实现特定电功能性和性能的图案变得越困难。
[0007]为了克服这些困难，可以将复杂的精细调谐步骤应用于光刻投影设备和/或设计布局。这些步骤包括(例如)但不限于NA的优化、定制照射方案、使用相移图案形成装置、诸如设计布局中的光学邻近效应校正(OPC，有时也称为“光学和过程校正”)的设计布局的各种优化，或通常定义为“分辨率增强技术”(RET)的其它方法。替代地，用于控制光刻设备的稳定性的严格控制回路可以用于改善在低k1下的图案的再现。
[0008]在光刻过程中，频繁地需要对所产生的结构进行测量，例如用于过程控制和验证。用于进行这样的测量的工具通常被称为量测工具或检查工具。用于进行这样的测量的不同类型的量测工具是众所周知的，包括扫描电子显微镜或各种形式的散射仪量测工具。散射仪是多功能仪器，其允许通过在光瞳或与散射仪的物镜的光瞳共轭的平面中具有传感器来测量光刻过程的参数(测量通常被称为基于光瞳的测量)，或通过在像平面或与像平面共轭的平面中具有传感器来测量光刻过程的参数，在这种情况下测量通常被称为基于图像或场
的测量。以全文引用的方式并入本文中的专利申请US2010/0328655、US2011/102753A1、US2012/0044470A、US2011/0249244、US2011/0026032或EP1,628,164A中进一步描述这样的散射仪和相关联的测量技术。前述散射仪可以使用来自软x射线和对近IR波长范围可见的光来测量光栅。

技术实现思路

[0009]对设备的部件的运动的成功的迭代学习控制(ILC)取决于用于部件的重复运动控制设定点、重复扰动力、控制下的系统的时间变化、和/或其它因素。扰动力可能是从如下各项产生的力：设备的各个部件的移动、在设备中所使用的部件的类型、设备的部位、部件磨损，和/或其它类似的因素。运动控制设定点可以规定设备的部件的运动。在半导体制造和/或其它应用中，设定点和扰动力通常不重复。这可能引起例如半导体制造设备的部件的移动的不准确性，甚至在由ILC系统控制时也如此。
[0010]如此，本专利技术的目的是提供被配置成在用于部件的运动设定点和/或扰动力不重复时更准确地控制设备部件的运动的系统和方法。
[0011]与先前的系统相比，本系统被配置成基于来自经训练的机器学习模型的输出来控制设备的部件的移动。例如，所述机器学习模型可以是人工神经网络。所述系统被配置成接收诸如可变运动设定点之类的控制输入。所述系统被配置成利用所述经训练的机器学习模型基于所述控制输入来确定所述部件的控制输出。所述机器学习模型利用训练数据来训练，使得所述机器学习模型确定所述控制输出，而与所述控制输入是否落在所述训练数据之外无关。所述系统接着至少基于所述控制输出来控制所述部件。相较于先前的系统，基于来自经训练的机器学习模型的控制输出来控制部件的移动增强了部件移动准确性(例如，所述部件更好地遵循在运动设定点中的指定运动)，以及其它优点。方便地，可以将这些特征添加至现有控制器。
[0012]至少考虑到以上内容，根据本专利技术的实施例，提供一种设备，包括：部件，所述部件被配置成以至少一个指定运动来移动；和处理器，所述处理器由机器可读指令来配置。所述处理器被配置成接收控制输入。所述控制输入指示所述部件的所述至少一个指定运动。所述处理器被配置成利用人工神经网络、基于所述控制输入来确定所述部件的前馈输出。利用训练数据来预训练所述人工神经网络，使得所述人工神经网络确定所述控制输出，而与所述控制输入是否落在所述训练数据集合之外无关。所述处理器被配置成至少基于所述控制输出来控制所述部件。
[0013]在一些实施例中，利用所述训练数据预训练所述人工神经网络。训练可以被离线地、在线地、或离线与在线组合地执行。所述训练数据包括基准训练控制输入和相对应的训练控制输出的多个对。在一些实施例中，所述训练控制输入包括用于所述部件的多个改变的目标参数。在一些实施例中，所述训练控制输出包括用于所述部件的、与所述多个改变的目标参数相对应的多个已知的力、扭矩、电流和/或电压。所述训练可以产生用于所述人工神经网络的一个或更多个系数。
[0014]在一些实施例中，所述控制输入(1)被预滤波、和/或(2)包括扫描运动设定点和/或步进运动设定点。在一些实施例中，所述控制输入包括指示所述部件的随时间推移的位置、所述位置的较高阶时间导数、速度或加速度中的一个或更多个的数字信号。在一些实施
例中，所述控制输入包括指示所述部件的随时间推移的位置的较高阶时间导数例如速度、或加速度中的一个或更多个、以及所述位置的数字信号。在一些实施例中，所述运动设定点包括用于所述部件的改变的目标参数。
[0015]在一些实施例中，所述设备包括半导体光刻设备、光学量测检查工具、电子束检查工具和/或其它系统。
[0016]在一些实施例中，所述部件包括配置成移入和/或移出用于光刻的一个或更多个位置的掩模版平台、晶片平台、反射镜、透镜元件和/或其它部件。
[0017]在一些实施例中，所述控制输出包括用于控制所述部件的移动的力、扭矩、电流、电压或电荷中的一种或更多种。
[0018]根据本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种设备，包括：部件，所述部件被配置成以至少一个指定运动来移动；和处理器，所述处理器由机器可读指令配置成：接收控制输入，所述控制输入指示所述部件的所述至少一个指定运动；利用经训练的人工神经网络、基于所述控制输入来确定所述部件的控制输出，其中利用训练数据来训练所述人工神经网络，使得所述人工神经网络确定所述控制输出，而与所述控制输入是否落在所述训练数据之外无关；和至少基于所述控制输出来控制所述部件。2.根据权利要求1所述的设备，其中，所述控制输入(1)被预滤波、和/或(2)包括扫描运动设定点和/或步进运动设定点。3.根据权利要求2所述的设备，其中，所述运动设定点包括用于所述部件的改变的目标参数。4.根据权利要求1至3中任一项所述的设备，其中，所述设备包括半导体光刻设备、光学量测检查工具或电子束检查工具。5.根据权利要求1至4中任一项所述的设备，其中，所述部件包括被配置成移入和/或移出用于光刻的一个或更多个位置的掩模版平台、晶片平台、反射镜或透镜元件。6.根据权利要求1至5中任一项所述的设备，其中，所述控制输入包括指示所述部件的随时间推移的位置、所述位置的较高阶时间导数、速度或加速度中的一个或更多个的数字信号。7.根据权利要求1至5中任一项所述的设备，其中，所述控制输入包括指示所述部件的随时间推移的位置的较高阶时间导数例如速度、或加速度中的一个或更多个、以及所述位置的数字信号。8.根据权利要求1至7中任一项所述的设备，其中，所述控制输出包括用于控制所述部件的移动的力、扭矩、电流、电压或电荷中的一种或更多种。9.根据权利要求1至8中任一项所述的设备，其中，利用所述训练数据预训练所述人工神经网络。10.根据权利要求9所述的设备，其中，离线地、在线地、或离线与在线组合地执行训练。11.根据权利要求9或10的设备，其中，所述训练数据包括基准训练控制输入和相对应的训练控制输出的多个对。12.根据权利要求11所述的设备，其中，训练控制输入包括用于所述部件的多个改变的目标参数。13.根据权利要求12所述的设备，其中，训练控制输出包括用于所述部件的、与所述多个改变的目标参数相对应的多个已知的力、扭矩、电流和/或电压。14.根据权利要求9至13中任一项所述的设备，其中，所述训练产生用于所述人工神经网络的一个或更多个系数。15.一种用于控制设备的部件的方法，所述方法包括：接收控制输入，所述控制输入指示所述部件的至少一个指定运动；利用经训练的人工神经网络、基于所述控制输入来确定所述部件的控制输出，其中利用训练数据来训练所述人工神经网络，使得所述人工神经网络确定所述控制输出，而与所
述控制输入是否落在所述训练数据之外无关；和至少基于所述控制输出来控制所述部件。16.根据权利要求15所述的方法，其中，所述控制输入(1)被预滤波、和/或(2)包括步进运动设定点和/或扫描运动设定点。17.根据权利要求16所述的方法，其中，所述运动设定点包括用于所述部件的改变的目标参数。18.根据权利要求15至17中任一项所述的方法，其中，所述设备包括半导体光刻设备、光学量测检查工具或电子束检查工具。19.根据权利要求15至18中任一项所述的方法，其中，所述部件包括被配置成移入和/或移出用于光刻的一个或更多个位置的掩模版平台、晶片平台、反射镜或透镜元件。20.根据权利要求15至19中任一项所述的方法，其中，所述控制输入包括指示所述部件的随时间推移的位置、所述位置的较高阶时间导数、速度或加速度中的一个或更多个的数字信号。21.根据权利要求15至19中任一项所述的方法，其中，所述控制输入包括指示所述部件的随时间推移的位置的较高阶时间导数例如速度、或加速度中的一个或更多个、以及所述位置的数字信号。22.根据权利要求15至21中任一项所述的方法，其中，所述控制输出包括用于控制所述部件的移动的力、扭矩、电流、电压或电荷中的一种或更多种。23.根据权利要求15至22中任一项所述的方法，其中，利用所述训练数据预训练所述人工神经网络。24.根据权利要求23所述的方法，其中，离线地、在线地、或离线与在线组合地执行训练。25.根据权利要求23或24所述的方法，其中，所述训练数据包括基准训练控制输入和相对应的训练控制输出的多个对。26.根据权利要求25所述的方法，其中，训练控制输入包括用于所述部件的多个改变的目标参数。27...

【专利技术属性】
技术研发人员：K，
申请(专利权)人：ASML荷兰有限公司，
类型：发明
国别省市：