用于制造过程参数估计的模块式自动编码器模型制造技术

描述一种模块式自动编码器模型。该模块式自动编码器模型包括：输入模型，该输入模型被配置成将一个或更多个输入处理成适于与其它输入组合的第一级维度；共同模型，该共同模型被配置成：降低所组合的经处理的输入的维度以在潜在空间中产生低维度数据；并且将该潜在空间中的该低维度数据扩展成适于产生一个或更多个不同的输出的该一个或更多个输入的一个或更多个扩展版本；输出模型，该输出模型被配置成使用该一个或更多个输入的该一个或更多个扩展版本来产生该一个或更多个不同的输出，该一个或更多个不同的输出是该一个或更多个输入的近似值；以及预测模型，该预测模型被配置成基于该潜在空间中的该低维度数据来估计一个或更多个参数。一个或更多个参数。一个或更多个参数。

【技术实现步骤摘要】
【国外来华专利技术】用于制造过程参数估计的模块式自动编码器模型
[0001]相关申请的交叉引用
[0002]本申请要求于2020年12月30日递交的欧洲申请20217886.9、2021年4月15日递交的欧洲申请21168585.4、2020年12月30日递交的欧洲申请20217883.6、于2021年4月18日递交的欧洲申请21169035.9、于2021年7月27日递交的欧洲申请21187893.9、于2020年12月30日递交的欧洲申请20217888.5、以及于2021年4月15日递交的欧洲申请21168592.0的优先权，这些欧洲申请的全部内容通过引用并入本文中。


[0003]本说明书涉及用于通过模块式自动编码器模型估计制造过程参数的方法和系统。

技术介绍

[0004]光刻设备是被构造成将期望的图案涂覆至衬底上的机器。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)处的图案(通常也称为“设计布局”或“设计”)投影至设置在衬底(例如，晶片)上的辐射敏感材料(抗蚀剂)层上。
[0005]为将图案投影至衬底上，光刻设备可以使用电磁辐射。这种辐射的波长确定可以形成在衬底上的特征的最小尺寸。当前使用的典型波长是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，可以使用具有介于4nm至20nm的范围内的波长(例如6.7nm或13.5nm)的极紫外(EUV)辐射的光刻设备在衬底上形成较小的特征。
[0006]低k1光刻可以用于处理尺寸小于光刻设备的典型分辨率限制的特征。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的尺寸，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，则越难以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。
[0007]为克服这些困难，可以将复杂的微调步骤施加至光刻投影设备和/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低k1下的图案的再现。

技术实现思路

[0008]自动编码器可以被配置成用于量测和/或用于参数推断和/或用于其它目的的其它解决方案。这种深度学习模型架构是通用的且可扩展至任意尺寸和复杂度。自动编码器被配置成将高维度信号(例如，半导体制造过程中的光瞳图像)压缩至同一信号的高效低维度表示。接着，从低维度表示针对已知标签的集合执行参数推断(即回归)。通过首先压缩信
号，与直接对高维度信号执行回归相比，所述推断问题被显著简化。
[0009]然而，通常难以理解典型的自动编码器内部的信息流。可以推理出位于输入处、经压缩的低维度表示的水平或级处、和输出处的信息。无法容易地解释这些点之间的信息。
[0010]与传统的整体自动编码器模型相比，本模块式自动编码器模型的刚性较小。本模块式自动编码器模型具有更大数目的可训练和/或以其他方式可调的组件。本模型的模块性使得本模型更易于解释、定义和扩展。本模型的复杂度易于被调整，并且足够高以对产生提供至所述模型的数据的过程进行建模，但足够低以避免对噪声或其它不想要的特性进行建模(例如，本模型被配置成避免过拟合所提供的数据)。由于产生数据的过程(或至少过程的方面)常常是未知的，因此选择适当的网络复杂度通常涉及一些直觉和试错法。出于这种原因，特别期望提供模块化的、易于理解的且在复杂度上易于按比例增加和减少的模型架构。
[0011]应注意，与本模块式自动编码器模型关联使用的术语“自动编码器”通常可以指配置成用于使用潜在空间进行部分监督学习以用于参数估计的一个或更多个自动编码器和/或其它自动编码器。这也可以包括例如使用半监督学习进行训练的单个自动编码器。
[0012]根据实施例，提供一种其上具有指令的非暂时性计算机可读介质。所述指令被配置成使得计算机执行用于参数估计的模块式自动编码器模型。所述模块式自动编码器模型包括一个或更多个输入模型，所述一个或更多个输入模型被配置成将一个或更多个输入处理成适于与其它输入组合的第一级维度。所述模块式自动编码器模型包括共同模型，所述共同模型被配置成：组合经处理的输入且降低所组合的经处理的输入的维度以在潜在空间中产生低维度数据，所述潜在空间中的所述低维度数据具有小于所述第一级维度的所得到的经降低的第二级维度；和将所述潜在空间中的所述低维度数据扩展成所述一个或更多个输入的一个或更多个扩展版本，所述一个或更多个输入的所述一个或更多个扩展版本与所述潜在空间中的所述低维度数据相比具有经增大的维度，所述一个或更多个输入的所述一个或更多个扩展版本适于产生一个或更多个不同的输出。(应注意，所述扩展版本不必近似所述共同模型的所述输入，这是由于对最终输出强制执行所述近似。)所述模块式自动编码器模型包括：一个或更多个输出模型，所述一个或更多个输出模型被配置成使用所述一个或更多个输入的所述一个或更多个扩展版本以产生所述一个或更多个不同的输出，所述一个或更多个不同的输出是所述一个或更多个输入的近似值，所述一个或更多个不同的输出与所述一个或更多个输入的所述扩展版本相比具有相同或经增大的维度。所述模块式自动编码器模型包括预测模型，所述预测模型被配置成基于所述潜在空间中的所述低维度数据和/或所述一个或更多个不同的输出来估计一个或更多个参数。在一些实施例中，所述模块式自动编码器模型(和/或本文中所描述的所述模型的所述单独的组件中的任一个)可以在看到训练数据之前和/或之后进行配置。
[0013]在一些实施例中，单独的输入模型和/或输出模型包括两个或更多个子模型，所述两个或更多个子模型与感测操作和/或制造过程的不同部分相关联。在一些实施例中，单独的输出模型包括所述两个或更多个子模型，并且所述两个或更多个子模型包括用于半导体传感器操作的传感器模型和堆叠模型。
[0014]在一些实施例中，所述一个或更多个输入模型、所述共同模型和所述一个或更多个输出模型彼此分开且对应于制造过程和/或感测操作的不同部分中的过程物理性质差
异，使得除所述模块式自动编码器模型中的其它模型之外，可以基于所述制造过程和/或感测操作的相应的部分的所述过程物理性质来一起和/或分开地训练、但单独地配置所述一个或更多个输入模型、所述共同模型和/或所述一个或更多个输出模型中的每个。
[0015]在一些实施例中，基于制造过程和/或感测操作的不同部分中的过程物理性质差异来确定所述一个或更多个输入模型的数量和所述一个或更多个输出模型的数量。
[0016]在一些实施例中，输入模型的数量与输出模型的数量是不同的。
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】1.一种其上具有指令的非暂时性计算机可读介质，所述指令被配置成使得计算机执行模块式自动编码器模型，所述模块式自动编码器模型用于通过基于来自光学量测平台的量测数据的可用通道使用多个输入模型的子集估计信息内容的可获取数量从来自光学量测平台的量测数据的所述可用通道的组合估计所关注的参数，所述指令引起包括以下项的操作：使所述多个输入模型基于所述可用通道而压缩多个输入，使得所述多个输入适于彼此组合；以及使共同模型组合经压缩的输入且基于所组合的经压缩的输入来在潜在空间中产生低维度数据，其中，所述低维度数据估计所述可获取数量，并且其中，所述潜在空间中的所述低维度数据被配置成被一个或更多个额外的模型使用以产生所述多个输入的近似值和/或基于所述低维度数据来估计参数。2.根据权利要求1所述的介质，所述指令引起包括以下项的其它操作：通过以下操作训练所述模块式自动编码器模型：迭代地改变通过所述共同模型被组合且用于产生低维度训练数据的经压缩的输入的子集；将基于所述低维度训练数据而产生或预测的训练参数、和/或一个或更多个训练近似值与相应的参考进行比较；以及基于所述比较来调整所述多个输入模型中的一个或更多、所述共同模型、和/或所述额外的模型中的一个或更多个，以减小或最小化所述一个或更多个训练近似值和/或所述训练参数与所述参考之间的差；使得所述共同模型被配置成组合经压缩的输入且产生所述低维度数据以用于产生所述近似值和/或被估计的参数，而不管所述多个输入中的哪些输入由所述共同模型组合。3.根据权利要求2所述的介质，其中，单独的迭代的变化是随机的，或其中，单独的迭代的变化是以统计学上有意义的方式变化的。4.一种用于通过基于来自光学量测平台的量测数据的可用通道使用模块式自动编码器模型的多个输入模型的子集估计信息内容的可获取数量，以从所述可用通道的组合估计所关注的参数的方法，所述方法包括：使所述多个输入模型基于所述可用通道来压缩多个输入，使得所述多个输入适于彼此组合；以及使所述模块式自动编码器模型的共同模型组合经压缩的输入且基于所组合的经压缩的输入来在潜在空间中产生低维度数据，其中，所述低维度数据估计所述可获取数量，并且其中，所述潜在空间中的所述低维度数据被配置成被一个或更多个额外的模型使用以产生所述多个输入的近似值和/或基于所述低维度数据来估计参数。5.根据权利要求4所述的方法，所述方法还包括：通过以下操作来训练所述模块式自动编码器模型：迭代地改变通过所述共同模型被组合且用于产生低维度训练数据的经压缩的输入的子集；将基于所述低维度训练数据而产生或预测的训练参数、和/或一个或更多个训练近似值与相应的参考进行比较；以及
基于所述比较来调整所述多个输入模型中的一个或更多、所述共同模型、和/或所述额外的模型中的一个或更多个，以减小或最小化所述一个或更多个训练近似值和/或所述训练参数与所述参考之间的差；使得所述共同模型被配置成组合经压缩的输入且产生所述低维度数据以用于产生所述近似值和/或被估计的参数，而不管所述多个输入中的哪些输入由所述共同模型组合。6.根据权利要求5所述的方法，其中，单独的迭代的变化是随机的，或其中，单独的迭代的变化是以统计学上有意义的方式变化的。7.根据权利要求5或6所述的方法，其中，单独的迭代...

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