用于调整图案化过程的方法与流程

阅读：评论：0

用于调整图案化过程的方法
1.相关申请的交叉引用
2.本技术要求于2020年7月09日递交的pct申请pct/cn2020/101030和于2021年5月10日递交的欧洲申请21172961.1的优先权，这些申请的全部内容通过引用并入本文中。
技术领域
3.本公开涉及用于调整图案化过程的系统、产品和方法。

背景技术：

4.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。
5.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尺寸。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。
6.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。
7.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。
8.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。

技术实现要素：

9.物理模型可以用于对设备的一个或更多个部件、一过程和/或一系列过程进行建模，和/或执行其它建模。物理建模可以是计算昂贵的，并且在给定设备、部件、和/或过程条件集合改变时通常需要调整。这样的改变可以包括随时间改变的设备的一个或更多个部件的运动的改变、改变干扰力、不同的部件加热和/或其它图案化过程条件。物理建模常常需要物理模型的准确性与计算费用之间的折衷。
10.因此，本发明的目的是提供被配置成使随时间改变的运动、干扰力、加热、和/或其它图案化过程条件更准确地建模的系统和方法。
11.与先前系统形成对比，本系统和方法被配置用于利用经训练的机器学习模型来产生用于图案化过程的控制输出。所述机器学习模型利用训练数据来训练，所述训练数据包括与图案化过程的多个操作条件相对应的多个训练控制输入。所述图案化过程的多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为(例如，图案化过程的随时间变化的改变(诸如漂移等))相关联。
12.除了其它优势之外，这种情形增强了所述模型的准确性(具体地涉及随时间而改变的运动、干扰力、加热、和/或其它图案化过程条件)。在半导体制造中，这种情形可以导致增强的器件尺寸精确性、较高的产率、减小的过程设定时间、更快的吞吐量、更准确的重叠、和/或其它过程控制测量，和/或具有其它效应。
13.考虑到至少以上内容，根据本发明的实施例，提供一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令。所述指令在由计算机执行时使所述计算机接收控制输入。所述控制输入用于控制图案化过程。所述控制输入包括在所述图案化过程中使用的一个或更多个参数。所述指令使所述计算机利用经训练的机器学习模型，基于所述控制输入来产生用于所述图案化过程的控制输出。所述机器学习模型是利用从模拟所述图案化过程和/或实际过程数据所产生的训练数据来训练。所述训练数据包括1)与所述图案化过程的多个操作条件相对应的多个训练控制输入，所述图案化过程的所述多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为相关联。所述训练数据包括2)使用物理模型、基于所述训练控制输入和/或所述图案化过程的所述多个操作条件而产生的训练控制输出。
14.在实施例中，所述控制输出包括对所述一个或更多个参数的调整。
15.在实施例中，所述图案化过程的随时间变化的所述特定于操作条件的行为包括所述图案化过程的随时间变化的漂移。
16.在实施例中，所述机器学习模型还被配置成通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新。
17.在实施例中，所述重新训练包括精细调谐。
18.在实施例中，所述控制输入与监测和/或诊断所述图案化过程相关联。
19.在实施例中，所述机器学习模型包括参数化模型。
20.在实施例中，所述机器学习模型包括人工神经网络、卷积神经网络、和/或递归神经网络。
21.在实施例中，所述图案化过程利用图案化过程设备来执行。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。所述指令还使所述计算机至少部分地基于所述控制输出来控制所述图案化过程设备。
22.在实施例中，所述一个或更多个参数包括一个或更多个光刻设备参数、光学量测检查工具参数，和/或电子束检查工具参数，和/或相关联的光刻和/或检查过程参数。
23.在实施例中，所述控制输入包括用于所述图案化过程中的所述一个或更多个参数。
24.在实施例中，所述控制输入包括衍射图案图像、运动设定点，或晶片和/或掩模版的加载顺序。
25.在实施例中，所述控制输出包括对与图案化过程设备的一个或更多个部件的运动控制相关联的一个或更多个参数的调整。
26.在实施例中，所述图案化过程设备的一个或更多个部件的运动控制包括经由以下各项中的一个或两者来控制扫描器的致动：1)控制所述扫描器的晶片和/或掩模版平台的移动，2)控制所述扫描器的透镜中的挠曲波加热部件，和/或3)控制所述扫描器的一个或更多个反射镜。反射镜的示例是用于(可挠性地即灵活地)限定光瞳形状和/或场变形轮廓的反射镜。
27.在实施例中，所述控制输出包括与图案化过程设备的一个或更多个部件的热膨胀相关联的一个或更多个参数的调整。
28.在实施例中，所述控制输出包括晶片加热控制调整、掩模版加热控制调整、和/或反射镜加热控制调整。
29.在实施例中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；以及基于所预测的重叠特征标识和/或聚焦特征标识来确定所述晶片加热控制调整。
30.在实施例中，确定所述控制输出包括预测所述重叠特征标识，并且确定所述晶片加热控制调整基于所预测的重叠特征标识。
31.在实施例中，所述控制输出包括透镜加热控制调整。
32.在实施例中，确定所述控制输出包括：预测与透镜加热相关联的μτ参数值、透镜加热前馈时间序列、和/或透镜加热场时间序列；基于所述μτ值、透镜加热前馈值、和/或透镜加热场值来确定透镜加热成本函数；基于所述透镜加热成本函数来确定机器学习模型参数权重；和基于由所述机器学习模型进行的透镜加热预测来确定所述透镜加热控制调整。
33.在实施例中，确定所述控制输出包括：预测重叠特征标识、聚焦特征标识、和/或成像特征标识；和基于所预测的重叠特征标识、聚焦特征标识和/或成像特征标识确定所述透镜加热控制调整。
34.在实施例中，所述控制输出包括与图案化过程设备的一个或更多个部件的摩擦学-机械控制相关联的一个或更多个参数的调整。
35.在实施例中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；和基于所预测的重叠特征标识和/或聚焦特征标识来确定晶片、掩模版、透镜/反射镜调整。
36.在实施例中，利用来自所述图案化过程的所模拟的过程训练数据和/或实际过程
训练数据来训练所述机器学习模型包括初始校准，其中所述机器学习模型被配置成通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新，并且其中所述重新训练包括配置所述机器学习模型以利用一个或更多个漂移校准来精细调谐所述机器学习模型，所述一个或更多个漂移校准被配置成描述在所述图案化过程中随时间发生的漂移。
37.在实施例中，训练和/或更新被离线地、在线地、或者离线和在线组合地执行。
38.在实施例中，所模拟的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，所述相对应的训练控制输出是使用所述物理模型所产生的。所述机器学习模型被配置成基于训练控制输入来预测所预测的控制输出。所述机器学习模型被配置成使用训练控制输出作为反馈以更新所述机器学习模型的一个或更多个配置。所述一个或更多个配置是基于所述训练控制输出与所述预测的控制输出之间的比较来被更新的。
39.在实施例中，所述指令还被配置成使所述计算机配置所述机器学习模型以通过利用来自所述图案化过程的新的实际过程数据精细调谐所述机器学习模型以随时间更新，使得所述机器学习模型被配置用于：利用所述机器学习模型接收与生产环境局部图案化过程相关联的局部实际过程数据以确定第一经更新的模型参数值；接收通过至少部分地利用外部训练数据提供所述机器学习模型所获得的第二经更新的模型参数值，所述外部训练数据指示图案化过程设备间的变化；和通过利用所述第一经更新的模型参数值和/或第二经更新的模型参数值更新初始模型参数值来调整所述机器学习模型。
40.在实施例中，所述调整考虑所述局部图案化过程的随时间变化的漂移。
41.根据另一实施例，提供一种用于产生用于图案化过程的控制输出的方法。所述方法包括接收控制输入。所述控制输入用于控制图案化过程。所述控制输入包括在所述图案化过程中使用的一个或更多个参数。所述方法包括利用经训练的机器学习模型，基于所述控制输入来产生用于所述图案化过程的控制输出。所述控制输出包括对所述一个或更多个参数的调整。所述机器学习模型利用从模拟所述图案化过程和/或实际过程数据所产生的训练数据来训练。训练数据包括1)与所述图案化过程的多个操作条件相对应的多个训练控制输入。所述图案化过程的所述多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为相关联。所述训练数据包括2)使用物理模型、基于所述训练控制输入和/或所述图案化过程的所述多个操作条件而产生的训练控制输出。
42.在实施例中，所述图案化过程的随时间变化的所述特定于操作条件的行为包括所述图案化过程的随时间变化的漂移。
43.在实施例中，所述方法还包括通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新所述机器学习模型。
44.在实施例中，所述重新训练包括精细调谐。
45.在实施例中，所述控制输入与监测和/或诊断所述图案化过程相关联。
46.在实施例中，所述机器学习模型包括参数化模型。
47.在实施例中，所述机器学习模型包括人工神经网络、卷积神经网络、和/或递归神经网络。
48.在实施例中，所述图案化过程利用图案化过程设备来执行。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。所述方法还包括至少部分地基于所述控
制输出来控制所述图案化过程设备。
49.在实施例中，所述一个或更多个参数包括一个或更多个光刻设备参数、光学量测检查工具参数，和/或电子束检查工具参数，和/或相关联的光刻和/或检查过程参数。
50.在实施例中，所述控制输入包括用于所述图案化过程中的所述一个或更多个参数。
51.在实施例中，所述控制输入包括衍射图案图像、运动设定点，或晶片和/或掩模版的加载顺序。
52.在实施例中，所述控制输出包括对与图案化过程设备的一个或更多个部件的运动控制相关联的一个或更多个参数的调整。
53.在实施例中，所述图案化过程设备的一个或更多个部件的运动控制包括经由以下各项中的一个或两者来控制扫描器的致动：1)控制所述扫描器的晶片和/或掩模版平台的移动，2)控制所述扫描器的透镜中的挠曲波加热部件，和/或3)控制所述扫描器的一个或更多个反射镜。
54.在实施例中，所述控制输出包括与图案化过程设备的一个或更多个部件的热膨胀相关联的一个或更多个参数的调整。
55.在实施例中，所述控制输出包括晶片加热控制调整、掩模版加热控制调整、和/或反射镜加热控制调整。
56.在实施例中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；以及基于所预测的重叠特征标识和/或聚焦特征标识来确定所述晶片加热控制调整。
57.在实施例中，确定所述控制输出包括预测所述重叠特征标识，并且确定所述晶片加热控制调整基于所预测的重叠特征标识。
58.在实施例中，所述控制输出包括透镜加热控制调整。
59.在实施例中，确定所述控制输出包括：预测与透镜加热相关联的μτ参数值、透镜加热前馈时间序列、和/或透镜加热场时间序列；基于所述μτ值、透镜加热前馈值、和/或透镜加热场值来确定透镜加热成本函数；基于所述透镜加热成本函数来确定机器学习模型参数权重；和基于由所述机器学习模型进行的透镜加热预测来确定所述透镜加热控制调整。
60.在实施例中，确定所述控制输出包括：预测重叠特征标识、聚焦特征标识、和/或成像特征标识；和基于所预测的重叠特征标识、聚焦特征标识和/或成像特征标识确定所述透镜加热控制调整。
61.在实施例中，所述控制输出包括与图案化过程设备的一个或更多个部件的摩擦学-机械控制相关联的一个或更多个参数的调整。
62.在实施例中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；和基于所预测的重叠特征标识和/或聚焦特征标识来确定晶片、掩模版、透镜/反射镜调整。
63.在实施例中，利用来自所述图案化过程的所模拟的过程训练数据和/或实际过程训练数据来训练所述机器学习模型包括初始校准，其中所述机器学习模型被配置成通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新，并且其中所述重新训练包括配置所述机器学习模型以利用一个或更多个漂移校准来精细调谐所述机器学习模型，所述一个或更多个漂移校准被配置成描述在所述图案化过程中随时间发生的漂移。
64.在实施例中，训练和/或更新被离线地、在线地、或者离线和在线组合地执行。
65.在实施例中，所模拟的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，所述相对应的训练控制输出是使用所述物理模型所产生的。所述机器学习模型被配置成基于训练控制输入来预测所预测的控制输出。所述机器学习模型被配置成使用训练控制输出作为反馈以更新所述机器学习模型的一个或更多个配置，其中所述一个或更多个配置是基于所述训练控制输出与所述预测的控制输出之间的比较来被更新的。
66.在实施例中，所述方法还包括配置所述机器学习模型以通过利用来自所述图案化过程的新的实际过程数据精细调谐所述机器学习模型以随时间更新，使得所述机器学习模型被配置用于：利用所述机器学习模型接收与生产环境局部图案化过程相关联的局部实际过程数据以确定第一经更新的模型参数值；接收通过至少部分地利用外部训练数据提供所述机器学习模型所获得的第二经更新的模型参数值，所述外部训练数据指示图案化过程设备间的变化；和通过利用所述第一经更新的模型参数值和/或第二经更新的模型参数值更新初始模型参数值来调整所述机器学习模型。
67.在实施例中，所述调整考虑所述局部图案化过程的随时间变化的漂移。
68.根据另一实施例，提供一种用于训练机器学习模型的方法。所述方法所述训练数据包括多个训练控制输入和相对应的训练控制输出。所述训练控制输入包括在所述图案化过程中使用的一个或更多个参数，并且所述训练控制输出包括对一个或更多个参数的调整。方法包括将所述训练控制输入提供至基础机器学习模型以产生经预测的控制输出；和使用所述训练控制输出作为反馈以更新所述基础机器学习模型的一个或更多个配置。所述一个或更多个配置是基于所述训练控制输出与所述预测的控制输出之间的比较来被更新的；使得所述机器学习模型被配置成基于新的控制输入产生新的控制输出。
69.在实施例中，所述机器学习模型被配置成通过利用来自所述图案化过程的实际和/或模拟过程数据，对所述机器学习模型进行重新训练以随时间被更新。
70.在实施例中，所述图案化过程利用物理模型来模拟。
71.在实施例中，所述机器学习模型是人工神经网络。
72.根据另一实施例，提供一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令。所述指令在由计算机执行时使所述计算机进行以下操作：接收多个控制输入，所述多个控制输入用于针对多个相对应的操作条件控制图案化过程，所述控制输入中的每个控制输入包括在所述图案化过程中使用的一个或更多个参数；产生或接收与对所述一个或更多个参数的一个或更多个调整相关联的多个控制输出，所述多个控制输出基于在模拟所述图案化过程的经受所述多个操作条件的行为中所使用的物理模型的输出；和训练机器学习模型，所述机器学习模型被配置成通过输入所接收的所述多个控制输入、以及所产生或所接收的多个控制输出来推断与新的控制输入相对应的新的控制输出。
附图说明
73.现将参考随附示意性附图仅借助于示例来描述本发明的实施例，其中：
[0074]-图1描绘根据实施例的光刻设备的示意图概略图。
[0075]-图2描绘根据实施例的图1的光刻设备的部分的详细视图。
[0076]-图3示意性地描绘根据实施例的控制系统。
[0077]-图4示意性地描绘根据实施例的光刻单元的示意性概略图。
[0078]-图5是根据实施例的整体光刻的示意性表示，其表示用于优化半导体制造的三种关键技术之间的协作。
[0079]-图6是根据实施例的示例计算机系统的框图。
[0080]-图7图示根据实施例的用于产生图案化过程的控制输出的方法。
[0081]-图8图示根据实施例的初始训练和漂移校准。
[0082]-图9图示根据实施例的用作用于利用物理模型对晶片加热校正进行建模的替代建模技术的本机器学习模型。
[0083]-图10图示根据实施例的使用转移和/或联合学习和虚拟计算平台进行训练和更新/精细调谐/重新训练本机器学习模型。
[0084]-图11图示根据实施例、经由模拟而产生的训练数据可以如何用于训练本机器学习模型以模仿基线动态透镜加热分析器模型，并且自动式透镜加热校准数据(例如，来自实际图案化过程的在线测量数据)可以如何用于执行迁移学习以精细调谐经训练的机器学习模型。
[0085]-图12图示根据实施例的被形成为深度卷积神经网络的本机器学习的示例。
[0086]-图13图示根据实施例的基于预测μτ(即mu-tau)和/或lhff值来确定透镜加热成本函数。
[0087]-图14图示用于通过从比较机器学习模型和物理模型的输出的判别器模型接收回报来训练机器学习模型的方法。
具体实施方式
[0088]
在对设备的一个或更多个部件进行控制时使用前馈控制信号。这样的信号用于针对部件的许多控制系统中，所述部件包括晶片平台、掩模版移动部件、透镜、反射镜、和/或其它部件。准确的前馈控制信号常常取决于运动设定点、干扰力、部件加热和/或其它因素的建模。部件加热可以通过辐射引起，所述辐射接触部件、传递穿过部件和/或在给定部件附近传递；和/或具有其它原因。干扰力可能是从如下各项产生的力：设备的各种部件的移动、用于设备中的部件的类型、设备的部位、部件磨损，和/或其它类似因素。例如，干扰力可能涉及马达换向、电缆板(cable slab)、系统漂移，等等。运动设定点可以描述设备的部件的规定运动。设定点可以规定部件随时间的运动的位置、速度、加速度、和/或其它参数(例如，这样的参数的较高阶时间导数，等等)。
[0089]
在半导体制造图案化过程中和/或其它应用中，部件加热、运动设定点、和干扰力常常随时间改变。例如，部件可能不针对一个接一个的过程日复一日地以相同方式加热和/或冷却。设定点由于若干原因可能发生变化，诸如支持不同的场尺寸；针对重叠校正以校正晶片加热的实时或几乎实时的改变、掩模版加热、和/或反射镜/透镜加热；和/或其它原因。干扰力可以在设备之间改变，和/或可以基于用于设备中的部件的类型、设备的部位、部件磨损、和/或其它类似因素而改变。
[0090]
在实践中，物理模型可以用于对设备的一个或更多个部件、一过程和/或一系列过程进行建模，和/或执行其它建模。物理模型基于求解物理方程式的模拟。在一些实施例中，物理模型可以是和/或包括一个或更多个基于物理的方程式、fem、动态透镜加热分析器、
和/或其它物理模型。例如，物理模型可以用于产生用于给定设备、设备部件、和/或过程条件的控制信号。然而，这样的建模是计算上昂贵的，并且在给定设备、部件、和/或过程条件集合改变时通常需要调整。如上文所描述的，这些事情随时间改变。不幸的是，可能的过程条件的数目太大以致无法单独地校准针对每个变化的物理模型(例如，因此是计算上昂贵的，这种情形是禁止的)，每个可能的过程条件各自随时间具有其自身的对应的部件加热、设定点、干扰力、和/或其它变化。在对合理量的多个单独的变化(例如，条件)进行建模的同时从计算费用视角仍能够实现需要物理模型的准确性与计算费用之间的折衷。
[0091]
与先前系统形成对比，本系统和方法被配置用于接收控制输入以供控制图案化过程。基于所述控制输入利用经训练的机器学习模型来产生用于图案化过程的控制输出。利用从所述图案化过程的模拟所产生的训练数据和/或实际过程数据来训练所述机器学习模型。所述训练数据包括与图案化过程的多个操作条件相对应的多个训练控制输入。所述图案化过程的多个操作条件典型地是用于图案化过程中的一个或更多个工具的设定，所述设定至少在一定程度上确定所述图案化过程的随时间变化的行为，例如如何漂移以及加热效应随时间如何显现自身。所述训练数据也包括基于训练控制输入和/或图案化过程的多个操作条件，使用物理模型而产生的训练控制输出。
[0092]
除了其它优势之外，这增强了建模的准确性，具体地关于设定点、干扰力、部件加热、和/或随时间改变的其它图案化过程条件的准确性。准确性增强涉及对非常大量的过程条件进行校准的可能性/能力。在半导体制造中，这种情形可能导致增强的器件尺寸准确性、较高的产率、减小的过程设定时间、较快的吞吐量、较准确的重叠、和/或其它过程控制测量，和/或具有其它效应。
[0093]
通过简要介绍，在本文档中，在集成电路和/或半导体制造的情境中描述控制输出的产生。这并非旨在是限制性的。本领域技术人员可以在其它情境中应用本文中所描述的原理。
[0094]
给出本情境情况下，术语“辐射”和“射束”用于涵盖所有类型的电磁辐射，包括紫外辐射(例如，具有365nm、248nm、193nm、157nm或126nm的波长)和euv(极紫外辐射，例如具有在约5nm至100nm的范围内的波长)。如本文中所采用的术语“掩模版”、“掩模”或“图案形成装置”可以广义地解释为是指可以用于向入射辐射射束赋予图案化横截面的通用图案形成装置，所述图案化横截面对应于待在衬底的目标部分中产生的图案。在这样的情境文中，也可以使用术语“光阀”。除经典掩模(透射或反射；二元、相移、混合式等)以外，其它这样的图案形成装置的示例也包括可编程镜阵列和可编程lcd阵列。
[0095]
图1示意性地描绘光刻设备la。光刻设备la包括：照射系统(也称为照射器)il，所述照射系统被配置成调节辐射射束b(例如，uv辐射、duv辐射或euv辐射)；掩模支撑件(例如，掩模台)mt，所述掩模支撑件被构造成支撑图案形成装置(例如，掩模)ma且连接至被配置成根据某些参数准确地定位图案形成装置ma的第一定位器pm；衬底支撑件(例如，晶片台)wt，所述衬底支撑件被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)w且连接至被配置成根据某些参数准确地定位衬底支撑件wt的第二定位器pw；和投影系统(例如，折射型投影透镜系统)ps，所述投影系统被配置成通过图案形成装置ma将赋予至辐射射束b的图案投影至衬底w的目标部分c(例如，包括一个或更多个管芯)上。
[0096]
在操作中，照射系统il例如经由射束传递系统bd从辐射源so接收辐射射束。照射
系统il可以包括用于引导、成形和/或控制辐射的各种类型的光学部件，诸如折射型、反射型、磁性型、电磁型、静电型和/或其它类型的光学部件，或其任何组合。照射器il可以用于调节辐射束b，以在图案形成装置ma的平面处在其横截面中具有期望的空间和角强度分布。
[0097]
本文中所使用的术语“投影系统”ps应被广义地解释为涵盖适于所使用的曝光辐射和/或适于诸如浸没液体的使用或真空的使用之类的其它因素的各种类型的投影系统，包括折射型、反射型、反射折射型、变形型、磁性型、电磁型和/或静电型光学系统或其任何组合。可以认为本文中对术语“投影透镜”的任何使用与更上位的术语“投影系统”ps同义。
[0098]
光刻设备la可以属于这样的类型：其中衬底的至少一部分可以由具有相对高折射率的例如水的液体覆盖，以便填充投影系统ps与衬底w之间的空间
‑‑
这也称为浸没光刻术。在以引用方式并入本文中的us6952253中给出关于浸没技术的更多信息。
[0099]
光刻设备la也可以属于具有两个或两个以上衬底支撑件wt(又名“双平台”)的类型。在这样的“多平台”机器中，可以并行地使用衬底支撑件wt，和/或可以对位于衬底支撑件wt中的一个衬底支撑件上的衬底w进行准备衬底w的后续曝光的步骤，同时将另一衬底支撑件wt上的另一衬底w用于在另一衬底w上曝光图案。
[0100]
除了衬底支撑件wt以外，光刻设备la也可以包括测量平台。测量平台被布置成保持传感器和/或清洁装置。传感器可以被布置成测量投影系统ps的性质或辐射射束b的性质。测量平台可以保持多个传感器。清洁装置可以被布置成清洁光刻设备的部分，例如，投影系统ps的部分或提供浸没液体的系统的部分。测量平台可以在衬底支撑件wt远离投影系统ps时在投影系统ps下方移动。
[0101]
在操作中，辐射射束b入射到被保持在掩模支撑件mt上的图案形成装置(例如，掩模)ma上，并且通过存在于图案形成装置ma上的图案(设计布局)而被图案化。在已横穿图案形成装置ma的情况下，辐射射束b穿过投影系统ps，所述投影系统将所述射束聚焦至衬底w的目标部分c上。借助于第二定位器pw和位置测量系统if，可以准确地移动衬底支撑件wt，例如以便在聚焦且对准的位置处在辐射射束b的路径中定位不同的目标部分c。类似地，第一定位器pm和可能的另一位置传感器(其未在图1中明确地描绘的)可以用于相对于辐射射束b的路径来准确地定位图案形成装置ma。可以使用掩模对准标记m1、m2和衬底对准标记p1、p2来对准图案形成装置ma与衬底w。虽然如所图示的衬底对准标记p1、p2占据专用目标部分，但其可以位于目标部分之间的空间中。在衬底对准标记p1、p2位于目标部分c之间时，这些衬底对准标记称为划线对准标记。
[0102]
为阐述本发明，使用笛卡尔坐标系。笛卡尔坐标系具有三个轴，即，x轴、y轴和z轴。三个轴中的每个正交于其它两个轴。围绕x轴的旋转称为rx旋转。围绕y轴的旋转称为ry旋转。围绕z轴的旋转称作rz旋转。x轴和y轴定义水平平面，而z轴处于竖直方向上。笛卡尔坐标系不限制本发明且仅用于阐述。实际上，另一坐标系，诸如圆柱坐标系可以用于阐述本发明。笛卡尔坐标系的方向可以不同，例如，使得z轴具有沿水平平面的分量。
[0103]
图2示出图1的光刻设备la的一部分的更详细的视图。光刻设备la可以设置有基座框架bf、平衡块bm、量测框架mf和振动隔离系统is。量测框架mf支撑投影系统ps。另外，量测框架mf可以支撑位置测量系统pms的部分。量测框架mf由基座框架bf经由振动隔离系统is支撑。振动隔离系统is被布置成防止或减小从基座框架bf传播至量测框架mf的振动。
[0104]
第二定位器pw被布置成通过在衬底支撑件wt与平衡块bm之间提供驱动力来加速
衬底支撑件wt。驱动力使衬底支架wt在期望的方向上加速。由于动量守恒，驱动力也以相等的量值施加至平衡块bm，但方向与期望的方向相反。通常，平衡块bm的质量显著大于第二定位器pw的移动部分和衬底支撑件wt的质量。
[0105]
在实施例中，第二定位器pw由平衡块bm支撑。例如，其中第二定位器pw包括用于使衬底支撑件wt悬浮于平衡块bm上方的平面马达。在另一实施例中，第二定位器pw由基座框架bf支撑。例如，其中第二定位器pw包括线性马达并且其中第二定位器pw包括用于使衬底支撑件wt悬浮于基座框架bf上方的轴承，如气体轴承。
[0106]
光刻设备la可以包括位置控制系统pcs，如图3中示意性地描绘的。位置控制系统pcs包括设定点产生器sp、前馈控制器ff和反馈控制器fb。位置控制系统pcs将驱动信号提供至致动器act。致动器act可以是第一定位器pm或第二定位器pw的致动器，和/或光刻设备la的其它移动部件。例如，致动器act可以驱动设施p，设施p可以包括衬底支撑件wt或掩模支撑件mt。设施p的输出为位置量，诸如位置或速度或加速度，或者位置的另一高阶时间导数。利用位置测量系统pms来测量位置量。所述位置测量系统pms产生信号，所述信号是表示设施p的位置量的位置信号。设定点产生器sp产生信号，所述信号是表示设施p的期望的位置量的参考信号。例如，参考信号表示衬底支撑件wt的期望的轨迹。参考信号与位置信号之间的差形成针对反馈控制器fb的输入。基于所述输入，反馈控制器fb将驱动信号的至少一部分提供至致动器act。参考信号可以形成针对前馈控制器ff的输入。基于所述输入，前馈控制器ff将驱动信号的至少一部分提供至致动器act。前馈ff可以使用关于设备p的动态特性的信息，诸如质量、刚度、共振模式和固有频率。在下文描述图3中示出的所述系统的额外细节。
[0107]
如图4中示出的，光刻设备la可以形成光刻单元lc(有时也称为光刻元(lithocell)或(光刻)簇)的部分，所述光刻单元lc通常也包括用于对衬底w进行曝光前过程和曝光后过程的设备。常规地，这些包括沉积抗蚀剂层的旋涂器sc、显影经曝光的抗蚀剂的显影器de、例如用于调节衬底w的温度(例如，用于调节抗蚀剂层中的溶剂)的激冷板ch和焙烤板bk。衬底输送装置或机器人ro从输入/输出端口i/o1、i/o2拾取衬底w、在不同过程设备之间移动衬底w且将衬底w传递至光刻设备la的进料台lb。光刻单元中通常也统称为轨道或涂覆显影系统的装置通常处于轨道或涂覆显影系统控制单元tcu的控制下，所述轨道或涂覆显影系统控制单元tcu自身可以通过管理控制系统scs控制，所述管理控制系统scs也可以例如经由光刻控制单元lacu控制光刻设备la。
[0108]
为了正确且一致地曝光由光刻设备la曝光的衬底w，期望检查衬底以测量经图案化的结构的性质，诸如后续层之间的重叠误差、线厚度、临界尺寸(cd)等等。出于这种目的，可以在光刻单元lc中包括检查工具(未示出)。如果检测到误差，则可以对后续衬底的曝光或对待对衬底w执行的其它处理步骤进行例如调整，在同一批量或批次的其它衬底w仍待曝光或处理之前进行检查的情况下尤其如此。
[0109]
检查设备(也可以被称为量测设备)用于确定衬底w的性质，并且尤其是确定不同衬底w的性质如何变化或与同一衬底w的不同层相关联的性质在层与层间如何变化。检查设备替代地构造成识别衬底w上的缺陷，并且可以例如为光刻单元lc的一部分，或可以集成至光刻设备la中，或甚至可以是单独的装置。检查设备可以测量潜像(曝光之后抗蚀剂层中的图像)上的性质，或半潜像(在曝光后焙烤步骤peb之后在抗蚀剂层中的图像)上的性质，或
经显影的抗蚀剂图像(其中抗蚀剂的曝光部分或未曝光部分已被移除)上的性质，或甚至经蚀刻的图像(在诸如蚀刻的图案转印步骤之后)上的性质。
[0110]
通常，光刻设备la中的图案化过程是在处理中的最关键的步骤之一，其需要衬底w上的结构的尺寸标定和放置的高准确性。为了确保这种高准确性，可以将三个系统组合于图5中示意性地描绘的所谓“整体”控制环境中。这些系统中的一个系统是光刻设备la，其(虚拟地)连接至量测工具mt(第二系统)且连接至计算机系统cl(第三系统)。这种“整体”环境的关键在于优化这三个系统之间的协作以增强总体过程窗口且提供严格控制回路，从而确保由光刻设备la执行的图案化保持在过程窗口内。过程窗口限定一系列过程参数(例如，剂量、焦距、重叠)，在所述过程参数内，特定制造过程产生经限定的结果(例如，功能半导体器件)
‑‑
通常在所述经限定的结果内，允许光刻过程或图案化过程中的过程参数变化。
[0111]
计算机系统cl可以使用待图案化的设计布局(的部分)以预测使用哪种分辨率增强技术且执行计算光刻模拟和计算以确定哪种掩模布局和光刻设备设定实现图案化过程的最大总体过程窗口(在图5中由第一标尺sc1中的双箭头描绘)。通常，分辨率增强技术被布置成匹配光刻设备la的图案化可能性。计算机系统cl也可以用于检测光刻设备la目前正在过程窗口内何处操作(例如，使用来自量测工具mt的输入)，以预测是否可能存在由于例如次优处理而导致的缺陷(在图5中由第二标尺sc2中的指向“0”的箭头描绘)。
[0112]
量测工具mt可以将输入提供至计算机系统cl以实现准确模拟和预测，并且可以将反馈提供至光刻设备la以识别例如所述光刻设备la的校准状态中的可能漂移(在图3中由第三标尺sc3中的多个箭头描绘)。
[0113]
如上文参考图1至图5所提到的，光刻设备、量测工具和/或光刻单元典型地包括用于相对于参考或另一部件定位样品、衬底、掩模或传感器布置的多个平台系统。其示例是掩模支撑件mt和第一定位器pm、衬底支撑件wt和第二定位器pw，被布置成保持传感器和/或清洁装置的测量平台、以及用于检查工具mt中的平台，其中衬底w相对于例如扫描电子显微镜或几种散射仪而被定位。这些设备可以包括若干其它移动部件，诸如掩模版平台、晶片平台、反射镜、透镜元件、光源(例如，驱动激光器、euv源，等等)、掩模版遮蔽平台、晶片顶部冷却器、晶片和掩模版输送装置、振动隔离系统、平台扭矩补偿器、控制和/或包括这些部件的软件和/或硬件模块，和/或其它部件。这些示例并非旨在是限制性的。
[0114]
图6是根据实施例的示例计算机系统cl的框图。计算机系统cl可以辅助实施本文中所公开的方法、流程或设备。计算机系统cl包括用于通信信息的总线bs或其它通信机构，和与总线bs联接以用于处理信息的处理器pro(或多个处理器)。计算机系统cl也包括联接至总线bs以用于储存将要由处理器pro执行的信息和指令的主存储器mm，诸如随机存取存储器(ram)或其它动态存储。主存储器mm也可以用于在将要由例如处理器pro执行的指令的执行期间储存暂时性变量或其它中间信息。计算机系统cl包括联接至总线bs以用于储存用于处理器pro的静态信息和指令的只读存储器(rom)rom或其它静态储存装置。提供诸如磁盘或光盘的储存装置sd，并且将其联接至总线bs以用于储存信息和指令。
[0115]
计算机系统cl可以由总线bs联接至用于向计算机用户显示信息的显示器ds，诸如阴极射线管(crt)，或平板或触控面板显示器。包括字母数字和其它按键的输入装置id联接至总线bs以用于将信息和命令选择通信至处理器pro。另一类型的用户输入装置是用于将方向信息和命令选择通信至处理器pro且用于控制显示器ds上的光标移动的光标控制件
cc，诸如鼠标、轨迹球或光标方向按键。这种输入装置通常具有在两个轴线(第一轴(例如，x)和第二轴(例如，y))上的两个自由度，从而允许装置指定平面中的位置。触控面板(屏幕)显示器也可以被用作输入装置。
[0116]
在一些实施例中，本文中所描述的或多种方法的一定数目个部分可以通过计算机系统cl响应于处理器pro执行主存储器mm中所包括的一个或更多个指令的一个或更多个序列来执行。可以将这些指令从另一计算机可读介质(诸如储存装置sd)读取至主存储器mm中。主存储器mm中所包括的指令序列的执行促使处理器pro执行本文中所描述的过程步骤。呈多处理布置的一个或更多个处理器也可以用于执行主存储器mm中所包括的指令序列。在一些实施例中，可以代替或结合软件指令来使用硬连线电路系统。因此，本文中的描述不限于硬件电路和软件的任何特定组合。
[0117]
如本文中所使用的术语“计算机可读介质”是指参与将指令提供至处理器pro以供执行的任何介质。这种介质可以采取许多形式，包括(但不限于)非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘，诸如储存装置sd。易失性介质包括易失存储器，诸如主存储器mm。传输介质包括同轴缆线、铜线和光纤，包括包含总线bs的导线。传输介质也可以采取声波或光波的形式，诸如，在射频(rf)和红外(ir)数据通信期间产生的声波或光波。计算机可读介质可以是非暂时性的，例如软盘、可挠性磁盘、硬盘、磁带、任何其它磁性介质、cd-rom、dvd、任何其它光学介质、打孔卡、纸带、具有孔图案的任何其它实体介质、ram、prom和eprom、flash-eprom、任何其它存储器芯片或卡匣。非暂时性计算机可读介质可以具有记录于其上的指令。在由计算机执行时，指令可以实施本文中所描述的特征中的任一特征。暂时性计算机可读介质可以包括载波或其它传播电磁信号。
[0118]
可以在将一个或更多个指令的一个或更多个序列承载至处理器pro以供执行中涉及计算机可读介质的各种形式。例如，初始地可以将所述指令承载于远程计算机的磁盘上。远程计算机可以将指令加载至其易失存储器内，并且使用调制解调器经由电话线来发送指令。计算机系统cl本地的调制解调器可以在电话线上接收数据，并且使用红外传输器将数据转换为红外信号。联接至总线bs的红外检测器可以接收红外信号中所承载的数据且将数据放置于总线bs上。总线bs将数据承载至主存储器mm，处理器pro从所述主存储器获取且执行指令。由主存储器mm接收的指令可以可选地在由处理器pro执行之前或之后储存在储存装置sd上。
[0119]
计算机系统cl也可以包括联接至总线bs的通信接口ci。通信接口ci提供与网络链路ndl的双向数据通信联接，所述网络链路ndl连接至局域网lan。例如，通信接口ci可以是集成服务数字网络(isdn)卡或调制解调器以提供与相应类型的电话线的数据通信连接。作为另一示例，通信接口ci可以是局域网(lan)卡以提供与兼容lan的数据通信连接。也可以实施无线链路。在任何这种实施中，通信接口ci发送且接收电信号、电磁信号或光学信号，所述信号承载表示各种类型的信息的数字数据流。
[0120]
网络链路ndl通常经由一个或更多个网络提供与其它数据装置的数据通信。例如，网络链路ndl可以通过局域网lan提供与主计算机hc的连接。这可以包括经由全球封包数据通信网络(现在通常称为“因特网”int)来提供数据通信服务。局域网lan(因特网)都使用承载数字数据流的电信号、电磁信号或光学信号。经由各种网络的信号和在网络数据链路ndl上且经由通信接口ci的信号为输送信息的示例性载波形式，所述信号将数字数据承载至计
算机系统cl且从所述计算机系统承载数字数据。
[0121]
计算机系统cl可以由网络、网络数据链路ndl和通信接口ci发送消息和接收数据，包括程序代码。在因特网示例中，主计算机hc可以由因特网int、网络数据链路ndl、局域网lan和通信接口ci传输用于应用程序的经请求程序代码。例如，一个这种被下载的应用程序可以提供本文中所描述的方法的全部或部分。接收到的代码可以在接收其时由处理器pro执行，和/或储存在储存装置sd或其它非易失性储存器中以供稍后执行。以这种方式，计算机系统cl可以获得呈载波的形式的应用代码。
[0122]
图7图示了产生用于图案化过程的控制输出的示例方法700。利用图案化过程设备和/或其它设备来执行所述图案化过程。在一些实施例中，设备包括半导体光刻设备，诸如扫描器；光学量测检查工具，诸如散射仪；电子束检查工具，诸如扫描电子显微镜，和/或其它设备。方法700包括训练702诸如机器学习模型之类的参数化模型；接收704控制输入；利用参数化模型来确定706控制输出；至少基于控制输出来控制708设备；更新、精细调谐、和/或以其它方式重新训练710模型，和/或其它操作。在一些实施例中，例如，方法700针对半导体过程(或作为其部分)而被执行。
[0123]
下文呈现的方法700的操作旨在是说明性的。在一些实施例中，可以用未描述的一个或更多个额外的操作和/或不用所论述的操作中的一个或更多个操作来实现方法700。例如，方法700可以不要求训练所述参数化(机器学习)模型(例如，模型可以被预训练)。作为另一示例，方法700可以或可以不包括实际上控制708设备、和/或更新710模型。另外，在图7中图示和在下文中描述的方法700的操作的顺序并非旨在是限制性的。
[0124]
在一些实施例中，方法700的一个或更多个部分可以(例如，通过模拟、建模，等等)而被实施于一个或更多个处理装置(例如，一个或更多个处理器)中。一个或更多个处理装置可以包括响应于以电子方式储存在电子储存介质上的指令来执行方法700的操作中的一些或所有操作的一个或更多个装置。一个或更多个处理装置可以包括经由硬件、固件和/或软件而被配置的一个或更多个装置，所述硬件、固件和/或软件被专门设计用于执行例如方法700的操作中的一个或更多个。
[0125]
如上文所描述的，方法700包括训练702机器学习模型。机器学习模型可以是任何参数化模型。在一些实施例中，机器学习模型可以是和/或包括神经网络和/或其它机器学习模型。例如，机器学习模型可以是和/或包括一个或更多个人工神经网络，所述神经网络具有输入层、输出层和一个或更多个中间或隐藏层。在一些实施例中，一个或更多个人工神经网络可以是和/或包括深度神经网络(例如，在输入层与输出层之间具有一个或更多个中间或隐藏层的神经网络)。在一些实施例中，一个或更多个人工神经网络可以包括一个或更多个卷积神经网络(cnn)、一个或更多个递归神经网络(rnn)和/或其它神经网络。
[0126]
作为示例，一个或更多个人工神经网络可以基于大的神经单元(或人工神经元)集合。所述一个或更多个神经网络可以不严格地模仿生物大脑工作的方式(例如，经由由轴突连接的大的生物神经元簇)。人工神经网络的每个神经元可以与所述神经网络的许多其它神经单元连接。这样的连接可以加强或抑制其对所连接的神经元的活动状态的影响。在一些实施例中，每个单独的神经元可以具有将所有其输入的值组合在一起的求和函数。在一些实施例中，每个连接(或神经元自身)可以具有阈值设置功能，使得信号在其经允许传播至其它神经元之前必须超出阈值。这些神经网络系统可以是自学习和经训练的，而不是被
明确地编程，并且与传统计算机程序相比，可以在某些问题解决领域中显著更好地进行。在一些实施例中，一个或更多个人工神经网络可以包括多个层(例如，其中信号路径从前端层横穿至后端层)。在一些实施例中，可以由人工神经网络利用反向传播技术，其中使用前向刺激以对“前端”神经单元重设权重和/或偏置。在一些实施例中，对一个或更多个神经网络的刺激和抑制可能更自由流动，其中连接以较混乱且复杂的方式相互作用。在一些实施例中，一个或更多个人工神经网络的中间层包括一个或更多个卷积层、一个或更多个递归层和/或其它层。借助于非限制性示例，人工神经网络可以具有分布于输入层、隐藏层和输出层之间的多个神经元。这种人工神经网络可以具有足够自由度以获取多个尺寸上的非线性，并且以适于典型计算系统(例如，膝上型计算机)上的图案化过程的采样率计算控制信号。
[0127]
一个或更多个神经网络可以使用训练数据的集合来训练(即，其参数来确定)(例如，如本文中所描述的)。训练数据可以包括多个训练控制输入和相应的训练控制输出对。训练数据可以包括一组训练样本。每个样本可以是包括如下两者的对：输入目标(常常被格式化为向量，所述向量可以被称为特征向量)，和期望的输出值(也被称为管理信号)。神经网络(例如，机器学习模型)被配置成使用训练控制输出作为反馈以更新机器学习模型的一个或更多个配置，其中一个或更多个配置基于训练控制输出与预测控制输出之间的比较来更新。
[0128]
训练算法分析训练数据且通过基于训练数据调整人工神经网络的参数(例如，一个或更多个层的权重、偏置等和/或其它参数)调整人工神经网络的行为。例如，在给定呈{(x1,y1),(x2,y2),
…
,(xn,yn)}形式的n个训练样本的集合使得xi为第i示例的特征向量且yi为其管理信号的情况下，训练算法寻求神经网络g:x
→
y，其中x为输入空间且y为输出空间。特征向量为数值特征的n维向量，所述数值特征表示某一对象(例如，诸如一个或更多个图案化过程参数的控制输入、衍射图案图像、运动设定点、晶片和/或掩模版等的加载顺序，或诸如前馈信号的控制输出等)。与这些向量相关联的向量空间常常被称为特征或潜在空间。在训练之后，神经网络可以用于使用新样本(例如，不同的图案化过程参数、衍射图案图像、设定点、加载顺序和/或其它控制输入)来预测。
[0129]
在一些实施例中，控制输入被用于控制图案化过程。在一些实施例中，所述控制输入与监测和/或诊断所述图案化过程相关联。例如，控制输入可以包括用于控制所述图案化过程的一个或更多个参数、用于监测所述图案化过程的量测参数、用于诊断所述图案化过程的误差(例如，反馈)参数，和/或其它信息。所述一个或更多个参数可能限定和/或以其它方式与以下各项相关联：衍射图案图像、晶片加热、透镜加热、反射镜加热、运动设定点、针对晶片和/或掩模版的加载顺序、和/或图案化过程的其它方面。在一些实施例中，所述一个或更多个参数可以包括一个或更多个光刻设备、光学量测检查工具、电子束检查工具、和/或其它设备参数，和/或相关联的光刻和/或检查过程参数，例如临界尺寸、重叠、聚焦、波前像差、和/或其它参数。
[0130]
训练控制输入对应于所述图案化过程的多个操作条件。所述图案化过程的所述多个操作条件是与特定配置、模式、设置和图案化过程的状态相关联，从而随时间产生所述图案化过程的特定行为(改变)。这种情形可以涉及过程漂移、设备部件加热和/或冷却、设备部件部位、移动、和/或变形，和/或其它改变和/或行为。在一些实施例中，训练控制输入可
以被配置成表示过程极值、那些过程极值随时间改变的方式、和/或其它数据。在一些实施例中，实际过程参数、测量值、和/或其它数据可以针对不同时间点针对图案化过程而被收集，并且用作训练控制输入，使得实际过程参数、测量、和/或其它数据表示所述图案化过程的随时间变化的特定于操作条件的行为(例如，所述图案化过程的随时间变化的改变)。在一些实施例中，训练控制输入可以被模拟(例如，基于已知的先前图案化过程信息)。在一些实施例中，训练控制输入可能由使用者(例如，经由作为如本文中所描述的计算系统的部分而被包括的用户接口即用户界面)录入和/或选择。
[0131]
训练控制输出包括从对所述图案化过程的模拟所产生的数据、实际过程数据、和/或其它信息。例如，可以利用物理模型来执行对用于产生训练数据的所述图案化过程的模拟。模拟基于训练控制输入，使得给定控制输入和模拟控制输出形成如上文所描述的训练对。在另一示例中，所述模拟基于对图案化过程的操作条件的了解。在一些实施例中，通过所述图案化过程的物理模型来执行所述模拟。在一些实施例中，所述物理模型可以仅基于操作条件输入来模拟所述控制输出。
[0132]
在一些实施例中，可以替代模拟控制输出而使用、和/或除所模拟的控制输出之外而使用包括基于利用给定控制输入的所述图案化过程的先前执行而进行的测量和/或其它确定的实际过程数据。训练控制输出可以包括处理设备的一个或更多个部件的模拟行为、模拟前馈信号、和/或其它信息。这些可以包括如下各项和/或基于如下各项而被产生：设备的一个或更多个部件的多个模拟加热和/或冷却特性；部件的与多个运动设定点(例如，改变目标参数)相对应的模拟力、力矩、电流、电荷、电压和/或其它信息；和/或其它信息。
[0133]
经训练的机器学习模型被配置成基于控制输入来确定所述图案化过程的控制输出。利用训练数据来训练所述机器学习模型，使得机器学习模型确定所述控制输出而不管控制输入是否落入训练数据之外。例如，这意味着，所述机器学习模型可以内插到已知控制输入与相对应的控制输出之间，和/或外插到已知控制输入与输出之外。这种情形实际上也促成了处理条件之间的内插和/或外插(例如，如果模型针对掩模版a、c和d而被校准，则机器学习模型可能(在没有物理建模的情况下)基于掩模版b的预期控制输出来推断控制输入)。
[0134]
方法700包括接收704控制输入用于控制图案化过程。如上文所描述的，控制输入可以包括在所述图案化过程中使用的一个或更多个参数和/或其它信息。在一些实施例中，所述控制输入与监测和/或诊断所述图案化过程的参数相关联。例如，所述一个或更多个参数可以限定和/或以其它方式与以下各项相关联：衍射图案图像、晶片加热、透镜加热、反射镜加热、运动设定点、晶片和/或掩模版的加载顺序，和/或图案化过程的其它方面。在一些实施例中，例如，所述控制输入包括衍射图案图像、运动设定点、晶片和/或掩模版的加载顺序，和/或其它控制输入。在一些实施例中，控制输入可以指示设备部件的规定移动。所述控制输入可以从与所述图案化过程相关联的设备和/或计算系统以电子方式接收(例如，基于先前的处理而被确定)，由使用者(例如，经由作为如本文中所描述的计算系统的部分而被包括的用户接口即用户界面)录入和/或选择，和/或以其它方式接收。
[0135]
方法700包括利用机器学习模型产生706所述图案化过程的控制输出。基于所述控制输入和/或其它信息利用经训练的机器学习模型来确定所述控制输出。所述控制输出可以是和/或包括一个或更多个图案化过程参数的调整，和/或其它信息。在一些实施例中，所
述控制输出包括与监测和/或诊断图案化过程相关联的一个或更多个参数的调整。这可以包括调整哪些量测参数被测量、对量测参数进行测量的方式、对量测参数进行测量的时间，和/或其它调整。在一些实施例中，例如，控制输出可以包括前馈信号。例如，所述前馈信号可以指定一个或更多个参数的调整。这可以包括如下指令：参数的值从一个水平改变至另一水平(例如，剂量、功率等)、改变设备的一个或更多个部件的移动(例如，夹具、平台、透镜等的位置、速度、加速度等；反射镜布置等)、改变过程和/或移动选配方案(例如，改变包括哪些步骤)和/或其它调整。例如，在一些实施例中，所述控制输出包括对与图案化过程设备的一个或更多个部件的运动控制相关联的一个或更多个参数的调整。
[0136]
在一些实施例中，所述控制输出可以是和/或包括图案化过程和/或图案化过程设备(和/或被包括在其中的一个或更多个部件)基于控制输入如何改变的指示。例如，控制输出可以是和/或包括透镜、晶片和/或其它部件如何随时间加热、和/或取决于不同的控制输入如何不同地加热的指示。
[0137]
方法700包括至少部分地基于所述控制输出来控制708图案化过程设备。控制708所述图案化过程设备可以包括产生前馈信号和/或其它电子信号。控制708所述图案化过程设备可以包括将前馈信号和/或其它电子信号传输至所述图案化过程设备(和/或一个或更多个单独的部件，诸如设备的致动器)。如本文中所描述的，所述机器学习模型可以确定所述控制输出而不管所述控制输入是否落入训练数据之外。诸如人工神经网络之类的机器学习模型在内插和外插的情况下是有效的。
[0138]
方法700包括更新和/或精细调谐710所述机器学习模型。这包括通过利用来自所述图案化过程的新的实际过程数据、对机器学习模型进行重新训练，来随时间更新和/或精细调谐所述机器学习模型。例如，利用来自所述图案化过程的所模拟的过程训练数据和/或实际过程训练数据来训练702所述机器学习模型可以被视为初始校准。所述重新训练包括配置所述机器学习模型以利用一个或更多个漂移校准来精细调谐所述机器学习模型，所述一个或更多个漂移校准被配置成描述在所述图案化过程中随时间发生的漂移。训练702和/或更新/精细调谐710可以产生所述机器学习模型的一个或更多个系数。所述一个或更多个系数可以包括层和/或单独的神经元权重和/或偏置，例如，和/或其它系数。这些系数响应于所述模型被重新训练/更新/调谐、由用户进行的人工调整、和/或其它操作而随时间改变。
[0139]
在一些实施例中，训练702和/或更新/精细调谐710是离线的、在线的、或离线和在线相组合的。离线训练可以包括与图案化过程和/或图案化过程设备分离地发生的工序。这意味着，机器(设备)生产(例如，半导体制造)在训练和/或更新所述机器学习模型同时不需要被中断。在线训练包括在生产制造在进行中同时利用机器(设备)进行训练。这可能要求生产被中断，因为机器(设备)被要求执行训练运动。
[0140]
在一些实施例中，所述机器学习模型被配置成通过利用来自所述图案化过程的新的实际过程数据，对机器学习模型进行精细调谐而随时间更新。在一些实施例中，所述机器学习模型被配置用于：利用所述机器学习模型接收与生产环境局部图案化过程相关联的局部实际过程数据以确定第一经更新的模型参数值；接收通过至少部分地利用外部训练数据提供机器学习模型而获得的第二经更新的模型参数值，所述外部训练数据指示图案化过程设备间的变化；和通过利用第一经更新的模型参数值和/或第二经更新的模型参数值对初
始模型参数值进行更新来调整所述机器学习模型。例如，可以通过在局部位点处运行所述图案化过程的制造厂来产生所述局部实际过程数据。随着新的局部实际过程数据被产生，新的局部实际过程数据可以被馈送至所述机器学习模型以促成对所述模型的重新训练(例如，更新/精细调谐)。例如，这种情形可以包括产生第一经更新的模型参数。此外，所述机器学习模型可以被配置成从最初产生所述模型的外部供应者或编程者接收包括第二经更新的模型参数的更新。例如，可以基于局部位点外部所产生的数据来确定这些参数。
[0141]
方法700的操作和/或本机器学习模型的特定示例和/或应用被描述于下文论述的示例和图中。
[0142]
示例1-运动设定点和漂移
[0143]
有利地，本机器学习模型被配置成基于各种控制输入而被训练(如本文中所描述的)以考虑参数空间中的设定点和干扰力的有关变化，所述参数空间包括(例如，晶片和/或掩模版平台等的)位置、速度、和加速度，并且也包括光刻设备(例如，扫描器)步进、热漂移、长期漂移、冷却罩效应、浸没罩效应、摩擦学-机械控制效应、和/或与图案化过程相关联的效应中的相关变化。
[0144]
例如，在诸如扫描器之类的图案化过程设备中步进期间的反作用力激励了在扫描开始时、尤其在目标是零稳定时间(zero settling time)时并没有被充分衰减的动态。这种效应可以通过步进加速度(即，量值)和步进时间(即，相位)来表示，其可以被包括在用于训练所述机器学习模型的控制输入参数中。(例如，扫描器中的致动器和/或其它部件的)致动响应在加热时可能漂移，所述漂移可以通过所述致动器的冷却水返回通道中的温度传感器观测到。在冷却水返回通道中的水的温度可以被包括在用于训练所述机器学习模型的控制输入参数中。所述图案化过程设备响应由于诸如磨损和杂质即污染物之类的老化效应而随时间(例如，长期)改变。这些效应通常与步进扫描运动(即，磨损)的数目和经曝光晶片(即，通过抗蚀剂排气而产生的污染)的数目相关，其可以被包括在用于训练所述机器学习模型的控制输入参数中。冷却罩的压力使所述晶片变形，尤其在e销即顶针孔和/或其它类似的特征附近，并且影响晶片平台控制。这种效应可以通过冷却罩压力设定点来表示，所述冷却罩压力设定点可以被包括在用于训练所述机器学习模型的控制输入参数中。一个或更多个浸没罩控制输入端参数也可以用于训练所述机器学习模型。摩擦学机械控制输入参数可以包括与晶片滑移、掩模版滑移、晶片负载栅格、掩模版负载栅格有关的参数，和/或其它参数。这些示例并非旨在是限制性的。一个或更多个其它控制输入参数可以涉及：晶片/掩模版加载的数目和晶片加载参数(如速度和压力轮廓即分布曲线)，其涉及晶片/掩模版加载控制和磨损(漂移)。
[0145]
一旦利用这些和/或另外的控制输入参数(和相对应的训练控制输出)来训练，则所述机器学习模型就被配置成产生用于新的控制输入的相对应的控制输出。这样的控制输出(例如，调整这些和/或其它参数中的一个或更多参数)可以用于所述图案化过程设备的一个或更多个部件的增强的运动控制。例如，这可以包括通过控制如下各项来控制扫描器的致动：扫描器的晶片和/或掩模版平台的移动、与图案化过程设备的一个或更多个部件的摩擦学-机械控制相关联的一个或更多个参数的调整，和/或其它运动控制(这些是许多可能的其它示例中的非限制性示例)。
[0146]
在这个示例中，训练可以被划分成初始训练(例如，图7中示出的702)和漂移校准
(例如，图7中示出的更新/精细调谐/重新训练710)。这在图8中图示。图8图示随时间806的图案化过程设置/建立800、大批量生产802、维护804、和持续大批量生产802。初始控制输入和输出808(例如，这种示例中的迭代学习控制数据)被提供至所述机器学习模型以训练810所述机器学习模型。所述机器学习模型接着是利用初始机器学习模型参数在大批量生产802期间的运行812。来自大批量生产802的实际数据连同初始输入和输出808以及经更新的输入和输出816被提供814至所述机器学习模型以更新/调谐/重新训练818所述机器学习模型。接着可以使用820经更新/调谐/重新训练的机器学习模型以用于持续的大批量生产802。在初始训练或校准810中，例如，所述机器学习模型的性能-临界参数在由客户所进行的大批量生产之前被校准。更新/调谐/重新训练818可以包括漂移校准，其中所述机器学习模型参数在一周期的大批量生产之后被重新校准。例如，这在定期维护期间可能发生。
[0147]
如图8中示出的，可以利用先前的数据、新的数据、利用漂移参数、和/或其它信息来训练所述机器学习模型。漂移参数的示例包括关于以下各项的参数：1)磨损和污染对摩擦学性质(例如，与保持所述晶片的晶片台相关的参数)的影响，从而引起夹持重叠惩罚特征标识，所述夹持重叠惩罚特征标识随时间“演进”从而引起重叠问题，2)由于胶连接的变形而导致的传感器漂移(由于大部分胶在经受具有变化的湿度水平的空气时变形)，3)热漂移(取决于日/夜循环、或机器-热-源)，和/或其它示例。这些参数可以随时间使用性能数据(即，重叠)、和可选地使用对漂移-引发的变量(诸如温度、功率水平)的直接测量数据来估计。
[0148]
使用这样的训练数据，上述机器学习模型可以学习以预测在持续的大批量生产中的漂移。在一些实施例中，取决于应用，漂移可以通过单独的机器学习模型来建模，或使用与(诸如上文描述的)那些漂移相关的不同参数集合而被集成于如上文描述的初始模型中。在一些实施例中，除了图8中示出的“离线”训练之外和/或替代“离线”训练，训练可以如上文所描述的那样“在线”完成。
[0149]
示例2-晶片加热校正
[0150]
在一些实施例中，所述控制输出包括与图案化过程设备的一个或更多个部件的热膨胀相关联的一个或更多个参数的调整。在一些实施例中，所述控制输出包括晶片加热控制调整，其中确定所述控制输出包括预测重叠特征标识和/或聚焦特征标识，以及基于所预测的重叠特征标识和/或聚焦特征标识来确定晶片加热控制调整。
[0151]
例如，晶片加热效应被识别为对晶片上的聚焦特征标识和重叠的显著贡献因素，所述贡献因素的量值通常高达10nm。通过由晶片(和夹具)对euv和ir辐射所进行的吸收、以及由穿过冷却通道的连续的冷却气体流和水流所进行的对晶片(和夹具)的冷却而引起了曝光期间改变所述晶片(和夹具)的热变形。特征标识取决于设计布局、路由(跨越整个所述晶片的扫描运动的特定图案)、以及取决于若干特定于机器的参数(例如，辐射是否为ir/euv、源功率、从夹具至冷却水的热传递系数、切向突节刚度，等等)、以及其它特定于产品的参数(例如，产品堆叠、晶片涂覆、掩模版透射参数、剂量，等等)。
[0152]
物理模拟模型的若干版本已经被开发以预测重叠和聚焦特征标识。这些晶片加热校正模型采取上述参数作为输入，并且通过经由扫描器致动对前馈信号进行调整以补偿并且校正晶片加热效应而有助于减轻重叠和聚焦影响。
[0153]
典型的晶片加热校正模型估计输入热负载，并且计算晶片和夹具的温度的演化。
这被用于估计晶片(和夹具)的热机械变形以(例如，通过预测相关参数)最终预测对重叠以及聚焦两者的影响。每曝光的校正(cpe)接着被用于确定所需的扫描器致动前馈信号调整。
[0154]
基于物理的(例如，实体的)晶片加热控制模型的最有意义的准确版本具有范围为每晶片几秒至几小时的不平凡的即并非不关紧要的计算成本。另外，来自物理模型晶片加热控制模拟的预测在一些情况下可能偏离即相差约2nm。
[0155]
例如，在一种在线晶片加热前馈校正(whff)操作中，对于给定的动态地改变的热负荷，求解热微分方程式，并且所述晶片的相对应的机械变形经由昂贵的矩阵乘法来获得，其中大的变形矩阵被预计算。这种所谓的c-矩阵取决于突节(例如，晶片支撑件)刚度，并且具有～9k
×
12k的尺寸。每个晶片需要新的/不同的计算。
[0156]
作为另一示例，对于晶片加热校准模型，使用高透射掩模版和低透射掩模版的组合，利用预定路由对固定布局进行曝光。这种测试试图使用重叠数据来确定特定于机器和夹具的物理模型参数。这有助于确定热演变与晶片变形之间的关系，然后被用于在线晶片加热前馈校正中。这些特定于机器和夹具的参数使用经曝光的重叠数据经由最小二乘优化来获得。这种优化是计算上昂贵的，从而常常花费超过30分钟以收敛至最优参数。
[0157]
作为第三示例，晶片加热校准模型的准确性的改善可以通过详细描述较多过程物理性质、和/或通过fem模拟上的较好的数值分辨率来实现。这显著地增加了模拟的计算费用。
[0158]
本机器学习模型可以被用作用于利用物理模型对晶片加热校正进行建模的替代建模技术。这在图9中图示。图9图示出控制输入参数900a
……
900n(例如，剂量、euv或ir辐射的指定、设计布局、路由、突节刚度，等等)的一系列900且使用本机器学习模型902而不是使用物理模型908来对晶片加热校正(例如，euv晶片加热重叠特征标识)906进行建模的替代904建模技术。物理模型908在被配置用于高度准确的预测时是在计算方面昂贵的。相比之下，机器学习模型902是计算上相对便宜的，并且相较于本物理模型，提供类似的或更好的准确性。本机器学习模型相较于物理模型实现建模速度和准确性的改善，并且开启了进一步改善以及精细调谐建模性能的若干可能性。
[0159]
本机器学习模型被训练以尽可能紧密地模拟物理模型的行为，而同时在计算上显著更便宜地来操作。本机器学习模型仍是物理兼容的方法，这是由于使用由物理模型所产生的模拟数据、和/或如上文所描述的实际过程数据来训练本机器学习模型。在这个示例中，所述机器学习模型通过学习控制输入(图案化过程参数)与控制输出(例如，在这个示例中的重叠/聚焦预测)之间的关系来学习晶片加热问题的相关物理性质。
[0160]
有利地，所述机器学习模型提供非常灵活的建模方法，这种建模方法可以被训练以忠实地重复非常宽范围的控制输入和输出。同时，由于来自所述机器学习模型的预测涉及经由非线性(激活)函数来调制的(大数目)矩阵计算，则控制输出的产生通常以物理模型的计算成本的很小一部分来实现。为了概述，机器学习方法提供针对一大类这样的模型(关系)的输入-输出关系的非常快的计算。
[0161]
如上文所描述的，在一些实施例中，所述机器学习模型可以是和/或包括具有许多隐藏层的人工神经网络(ann)。这种网络的架构(即，一定数目个层、每个层中的一定数目个节点、层之间的连接，等等)取决于问题(例如，在这个示例中晶片加热校正)而被确定。为了确保机器学习模型准确地预测晶片加热物理性质，可以使用许多经模拟的训练控制输入/
输出对示例来训练所述机器学习模型，至少部分地使用物理模型产生所述控制输入/输出对示例。在空间填充随机设计(即，在参数空间中没有大间隙)中跨越相关图案化过程参数空间而产生训练中的控制输入/输出对。
[0162]
一旦被训练，则可以通过比较预测与来自物理模拟的那些预测(例如，如上文所描述的-参见图7中所图示的操作710)，在相同参数空间上跨越随机选择的点来验证来自所述机器学习模型的预测。
[0163]
如上文所描述的，训练所述机器学习模型的过程涉及两个主要步骤：使用至少部分地基于物理模拟而产生的控制输入/输出对来初始地训练所述机器学习模型，以及更新/精细调谐/重新训练所述模型以增强模型参数(例如，以甚至更准确地进行模型预测)。训练/更新/精细调谐/重新训练可以是离线的(例如，采用高性能计算平台、和/或云计算平台(例如，google云端))、在线的、或离线与在线相组合的。在一些实施例中，可以使用来自制造环境的实际图案化过程数据和/或其它数据来执行更新/精细调谐/重新训练。
[0164]
特定于制造环境(例如，晶片锭、抗蚀剂、涂层性质等)的晶片加热问题的一些方面可能不是足够良好地已知的，或可能不是能够在制造环共享的(例如，客户可能不想与供货商和/或其它客户共享数据)。此外，与晶片加热问题相关的至少一些物理性质可能太复杂以致于不能以高准确度被充分良好地模拟(使得实际过程数据，对于训练所述机器学习模型是有帮助的)。
[0165]
在一些实施例中，迁移学习可以用于更新/精细调谐/重新训练所述机器学习模型。迁移学习促成了在不共享敏感信息情况下的准确建模。例如，本机器学习模型可以被配置使得使用实际(例如，局部)过程数据(例如，利用已被发送至客户以供更新/精细调谐/重新训练的机器学习模型)来训练仅与人工神经网络的最后几个层相对应的模型参数，而同时与机器学习模型的其它层对应的模型参数(例如，对所模拟的物理关系进行建模)被保持固定。
[0166]
在一些实施例中，联合学习可以用于更新/精细调谐/重新所述训练机器学习模型。与实际过程数据被上载至中心部位(例如，用于模型供应者/程序员以用来训练所述模型)的方法形成对比，联合学习寻求在模型供应者/程序员与其客户之间仅交换所述模型的参数，以对本地客户数据进行训练。跨越扫描器的宽基础的联合学习跨越整个客户端产生足够的数据以赋予扫描器性能方面的有意义的改善(例如，借助于如本文中所描述的那样训练的机器学习模型)。
[0167]
在一些实施例中，转移和/或联合学习可以使用位于远程部位中(例如，位于客户位点处)的虚拟计算平台。所述虚拟计算平台是可扩展的且高可用性的大数据就绪软件平台，所述大数据就绪软件平台支持且催化采用晶片厂应用以用于大批量制造环境(hvm)中。这使用所述虚拟计算平台促成了所述机器学习模型在远程部位处的重新训练。通过使用虚拟计算平台，精细调谐模型的性能还可以被监测，并且当需要时可以利用(例如，来自客户过程、晶片台交换动作等的改变的)新的局部数据来重新训练。类似地，对于联合学习方法，所述机器学习模型的有关参数可以与客户交换，并且在所述虚拟计算平台中对客户数据进行训练。经更新的参数可以接着与模型供应者/程序员反向共享。
[0168]
图10图示了使用转移和/或联合学习以及虚拟计算平台1007来训练1001(例如，图7中示出的操作702)和更新/精细调谐/重新训练1003(例如，图7中示出的操作710)的本机
器学习模型1005。图10图示了训练1001，所述训练包括将控制输入参数1009提供至机器学习模型1005以供对晶片加热校正(例如，euv晶片加热重叠特征标识)进行建模1011。这可能发生于与模型供应者/程序员1013相关联的位点(例如，相对于客户制造环境的远程或外部位点)处和/或其它部位中。可以经由如本文中所描述的虚拟计算平台1007在本地客户制造环境1015中更新/精细调谐/重新训练(例如，个性化)1003模型1005。更新/精细调谐/重新训练1003可以基于本地扫描器数据1121、本地量测数据1123(例如，晶片加热控制残差)、和/或其它本地信息来执行。如图10中示出的，在一些实施例中，转移和/或联合学习可以用于更新/精细调谐/重新训练所述机器学习模型。通过使用虚拟计算平台，所述机器学习模型的相关参数(例如，与较深的层1127相反的最靠近于输出层的层1125相关联的参数)可以在所述虚拟计算平台中、和/或利用其它计算资源对本地客户数据来训练。
[0169]
应注意，虽然在上文的示例中描述了晶片加热，但相同或类似的原理可以适用于对掩模版加热、和/或其它图案化过程设备部件的加热的准确建模。
[0170]
示例3-动态透镜加热
[0171]
动态透镜加热模型通常是用于基于透镜类型来预测透镜加热的物理模型。动态透镜加热模型可以用于模拟原始透镜加热参数(例如，μ、τ、和/或其它参数)用于在针对具有相对应的透镜类型的扫描器的给定热负荷情况下的给定使用情况。按场阶数经由时间的模拟像差可以通过μ和τ参数而被参数化。在一些实施例中，μ参数是表示当透镜被饱和时大型透镜加热的大小程度的缩放因子。τ参数是表示透镜可以被加热或冷却的快速程度的时间常数。在一些实施例中，其它原始透镜加热参数可以被模拟并且按zernike且按场阶数而被拟合至μ/τ值。这些μ/τ值可以用于扫描器透镜加热前馈控制以在曝光期间补偿透镜加热的效应。准确的物理动态透镜加热模型出于包括如下事实在内的许多原因而是在计算方面昂贵的：(euv)透镜加热是高度非线性的。
[0172]
相比之下，本机器学习模型是在计算方面相对便宜的。本机器学习模型可以用于改善透镜加热参数预测精确性、减小针对另外的透镜加热物理模型开发和/或针对其它目的所要求的开发时间。如本文中所描述的，所述机器学习模型可以利用所模拟的和/或实际训练数据(例如，相对应的训练控制输入和输出)来训练，并且接着利用来自图案化过程的实际数据、和/或其它信息来更新/精细调谐/重新训练。在这个示例中，训练数据可以针对准确的动态透镜加热参数建模(例如，包括对这样的参数和/或基于这样的参数的建模调整)而被定制。
[0173]
在这个示例中，训练数据可以利用物理动态透镜加热分析器(dylhan)模型来产生。对于具有其自身的可用的dylhan模型的透镜类型，训练数据可以利用所述dylhan模型来产生。对于没有其自身的经校准的dylhan模型的透镜类型，训练数据可以针对具有类似的透镜设计的另一透镜类型利用已知dylhan模型来产生。对于具有相同透镜类型的透镜，如果考虑到透镜间变化，则特定于透镜的数据可以利用dylhan+特定于透镜的校准(lsc)模型来产生。
[0174]
在这个示例中，经由模拟所产生的训练数据可以用于对机器学习模型进行预训练以模拟基线dylhan模型。在一些实施例中，衍射图案图像(和/或关于衍射图案图像的参数)可以被用作机器学习模型控制输入，并且机器学习模型可以输出μ/τ参数值(其可以如下文所描述的那样来使用)、其它参数、和/或对这些参数的调整。在一些实施例中，衍射图案图
像和历史透镜加热序列(和/或关于这种数据的参数)可以被用作输入，并且机器学习模型可以输出原始透镜加热行为参数、μ/τ参数、其它参数、和/或对这些参数的调整。在这个示例中，所述机器学习模型可以包括深度卷积神经网络、递归神经网络、和/或其它神经网络中的一个或更多个。
[0175]
在一些实施例中，自动化透镜加热校准数据(例如，来自实际图案化过程的在线测量数据)可以用于执行迁移学习以精细调谐经训练的机器学习模型。如本文中所描述的，这改善了模型预测与测量现实之间的匹配。在一些实施例中，来自单个图案化过程设备(例如，扫描器)的测量数据可以用于精细调谐模型以用于所述特定图案化过程设备。在一些实施例中，来自多个图案化过程设备(例如，扫描器)的测量数据可以用于精细调谐所述机器学习模型。如果考虑到透镜间变化，则特定于透镜的数据可以利用dylhan+特定于透镜的校准(lsc)模型来产生且用于精细调谐。
[0176]
作为非限制性示例，图11图示了经由模拟所产生的训练数据1102可以如何用于训练本机器学习模型1104以模仿基线动态透镜加热分析器模型1100，并且自动式透镜加热校准数据1106(例如，来自实际图案化过程的在线测量数据)可以如何用于执行迁移学习以精细调谐1108经训练的机器学习模型。作为第二非限制性示例，图12图示了被形成为深度卷积神经网络1200的本机器学习的示例。如图12中示出的，所述深度卷积神经网络模型可以用于通过μ/τ1204(例如，利用由模型所输出的μ/τ参数)而被参数化的按场阶数将衍射图案图像1202映射至透镜加热行为。神经网络1200可以具有任何数目个层1206和/或每层的任何数目个节点(例如，如图12中每个层中提及的)，这允许机器学习模型如本文中所描述的那样起作用。
[0177]
在一些实施例中，经训练的机器学习模型可以用于产生包括透镜加热控制调整的控制输出。这可以包括对与透镜加热相关联的成本函数的一个或更多个参数、和/或其它控制输出的调整。作为示例，所述控制输出可以包括与控制扫描器的透镜中的挠曲波加热元件相关联的一个或更多个参数的调整、和/或其它调整。在一些实施例中，确定这样的控制输出包括：预测与透镜加热相关联的μτ参数值、透镜加热前馈时间序列、和/或透镜加热场时间序列；基于μτ值、透镜加热前馈值、和/或透镜加热场值来确定透镜加热成本函数；基于透镜加热成本函数来确定机器学习模型参数权重；基于通过机器学习模型进行的透镜加热预测来确定透镜加热控制调整，和/或其它操作。在一些实施例中，所述成本函数用于确定机器学习模型中的权重。精细调谐在所述模型训练已收敛之后基于最终模型预测来执行。
[0178]
例如，图13图示了基于μτ和/或透镜加热前馈(lhff)值来确定透镜加热成本函数。在这个示例中，所述机器学习模型被配置成预测针对单独的zernike/场阶数组合的μ/τ参数值。μτ和/或基于透镜加热前馈的成本函数可以被实施以减轻拟合伪影的影响。示例初始函数示出于图13的框1300中。这种示例基于针对50个晶片具有总计100个时间步的图案化过程的一部分而被产生(从而考虑晶片曝光的开始和结束)。在这个方程式中，lhff表示经预测的透镜加热前馈控制信号，z
n_m
表示跨越整个所述狭缝穿过场部位从zn系数(第n个zernike多项式)分解的每场阶数。例如，z5_0、z5_1、z5_2和z5_3表示偏移、倾斜、曲率以及穿过场部位从z5进行三阶分解。true(即“真实”)表示基准真相即基准真值，其从物理(例如，动态透镜分析器)模型来计算。pred(即“预测”)表示来自机器学习透镜加热模型的预测。start(即“开始”)表示每个晶片曝光的开始。end(即“结束”)表示每个晶片曝光的结束。
lhff成本中的所预测的lhff可以被写为mu1、mu2、tau1和tau2(即μ1、μ2、τ1和τ2)的显式函数。这个方程式以附图标记1302示出于图13中。在一些实施例中，针对lhff映射的μ、τ的劣化性质可能导致针对基于μ/τ成本函数的对于所述机器学习模型的次优训练。在一些实施例中，加权因子可以被添加至所述成本函数且被调谐以相对于原始的基于μ/τ的成本项，来对lhff成本项进行加权。这通过图13中的附图标记1304、1306和1308示出。具体地，根据下列方程式，利用μ/τ作为输出，则超出基于μ/τ的成本函数的混合式成本函数在针对lhff项的最优权重情况下被引入以有效地减小模型误差：
[0179]
cost
total
(z
n_m
)＝cost
mu_tau
(z
n_m
)+w*costlhff(z
n_m
)
[0180]
其中cost
μτ
(z
nm
)是与所预测的μτ值相关联的成本，w是权重项，并且cost
lhff
(z
nm
)是与透镜加热前馈控制信号相关联的成本。
[0181]
在一些实施例中，所述模型可以被配置成直接地使用递归神经网络方法来预测lhff场阶数时间序列或原始lhff场数据穿过狭缝的时间序列。在这个实施例中，例如，成本函数仅包括第二项(纯lhff项)。
[0182]
应注意，虽然在以上示例中描述了透镜加热，但相同或类似的原理可以适用于对反射镜加热、掩模版加热和/或其它图案化过程设备部件的加热的准确建模。
[0183]
在另一示例中，披露了一种对于被用以对掩模版加热所引起的干扰的(前馈)控制中的参数进行优化的方法。
[0184]
在当前，前馈控制机构被放置于适当的位置即就位以校正图案形成装置(掩模版)的加热所引发的变形从而减轻由于所述加热所引发的变形的潜在重叠误差。当前方法使用前馈机构，所述前馈机构基于预定掩模版变形模式的预期演化，所述预定掩模版变形模式的预期演化及时地基于掩模版的加热历史和使用掩模版的另外的情境；例如掩模版的透射率、在曝光序列期间照射所述掩模版的光斑的强度和照射所述掩模版的光斑的尺寸(场尺寸)。几何(平面内)变形模式可以被解释为加热所引发的变形几何形状的主要模式，所述模式可以例如通过执行经受针对所关注的掩模版的相关情境的所关注的掩模版的曝光序列的基于有限元法(fem)的模拟来确定。本质上，当前掩模版加热前馈校正机构基于通过掩模版加热过程的物理(fem)建模所获得的变形模式。前馈校正架构还可以包括与多个变形模式中每个变形模式的依赖于时间的行为相关的(输出)参数，例如每个变形模式的τ/μ值和加权因子。基于所述物理模型的输出参数，所述光刻设备可以控制将掩模版加热效应考虑在内的曝光过程。
[0185]
实际上，已观测到，所述基于物理模型的掩模版加热变形模式的准确度由于以下各项的限制而受限：物理模型参数、关于掩模版加热历史的不确定性、和所采用的情境参数的准确性(场尺寸、光强度、掩模版透射)。此外，掩模版的如其初始温度的初始状态常常不是已知的，并且可能显著地限制掩模版加热过程的任何物理建模的准确性。所有这些因素可能显著地降低确定的掩模版加热变形模式的准确性，并且因此降低假定掩模版加热所引发的变形演化的准确性(在一个或更多个曝光序列期间)。掩模版加热所引发的变形演化的准确性可以显著地折衷重叠准确性，这是由于前馈校正机构将遭受所引发的不准确性。
[0186]
对上文提及的不准确性问题的一种解决方案可以包括数据驱动方法以补充经物理建模的变形演化。这样的数据的示例实际上可以是所测量的reticle align(ra)数据，所测量的reticle align(ra)数据包括所述掩模版上的所选量测标记相对于参考坐标系(典
型地与用于曝光所述掩模版中的光刻工具相关联)的位置数据。在足够长的曝光序列期间以多个时间间隔获得ra数据可以提供对与某一掩模版和某一情境(参数集合)相关联的掩模版加热所引发的变形模式的实际演化和实际几何形状的详尽的(以实验方式、凭经验方式)的深刻理解。
[0187]
本文档中所提出的所述数据驱动方法的实施方式涉及使用机器学习(ml)模型。(基于神经网络(nn)，例如根据自动编码器或生成式对抗网络(gan)配置的模型)连同物理模型的使用。
[0188]
在所提出的配置中，所述物理模型被使用为初始模型(开始点)，所述物理模型还可以基于使用所述ra数据来精细调谐模型参数以确保经物理建模的掩模版加热行为(例如，变形模式)与所测量的掩模版加热行为的一致性。
[0189]
关于ml模型，基于机器学习的建模的部分是针对基于nn的产生器/自动编码器算法提供输入的特征空间的定义。基于nn的算法被训练至(有限)集合的历史特征和掩模版加热参数数据，所述掩模版加热参数例如是多个变形模式，与掩模版加热过程相关联的一个或更多个时间常数、或表征加热所引发的掩模版变形的任何其它参数。物理模型和ml模型都产生掩模版加热参数数据。基于物理模型的参数数据和基于ml的参数数据两者与指示掩模版加热所引发的掩模版变形的ra或任何其它量测数据(晶片对准、晶片重叠、掩模版对准数据)进行比较。
[0190]
比较通常由判别器模型来执行，这确定基于物理模型的参数预测还是基于ml的预测是与基于量测数据的掩模版变形数据更一致的。所述判别器模型可以是被训练以基于输入物理模型数据来预测基于掩模版加热的掩模版变形(参数)的神经网络或另一模型。可以例如使用历史ra和基于物理模型的掩模版变形预测数据来训练所述判别器模型。
[0191]
图14以图形方式描绘本发明的实施例。获得第一数据102，数据102优选地表示经受掩模版加热引发的图案放置变化(晶片间、场间)的一个或更多个批次的晶片。可选地，所述第一数据102包括不表示其目的的数据，并且数据选择步骤104被执行以独占地确保与某一相关掩模版加热行为相关联的数据被选择。步骤104可以例如是仅从多个批次的晶片选择数据，所述步骤从冷的掩模版开始(例如，所述掩模版在所述批次的曝光开始之前被冷却达某一所需的最小水平)。在可选的数据准备步骤104之后，包括以下两者的代表数据集是可用的：所测量的掩模版加热所引发的掩模版变形数据(例如，基于掩模版对准测量的数据)、和通常用作针对掩模版加热行为的前馈预测的输入的情境参数106。情境参数106的示例是：一批次的曝光的时间、所关注的掩模版的透射率、掩模版上由光刻工具照射的区域的尺寸、和在掩模版的所述照射期间所使用的辐射的强度。
[0192]
所述情境参数106用作至物理模型112的输入且用作至机器学习模型134的训练输入。所述机器学习模型134可以是配置为生成式对抗网络(gan)或基于编码器-解码器的架构内的产生器的神经网络。所述物理模型112被配置成在给定加热特性情况下对掩模版加热所引发的变形进行建模，并且加热历史对应于如通过情境参数106所描述的配置。建模通常基于有限元建模(fem)且传递描述所述掩模版的由于加热而导致的平面内变形的一个或更多个几何形状的一个或更多个变形模式。更通常地，所述物理模型用于通过导出描述掩模版(平面内)变形的参数来表征掩模版加热引发的变形。
[0193]
所述机器学习模型134使用情境参数106来限定被包括在数据集102内的各种情境
参数值被投影至的潜在空间。所述情境参数106接着被表示在潜在空间内，并且接着由神经网络(作为例如编码器-解码器架构或产生器内的解码器网络)来映射132至表征掩模版加热所引发的掩模版变形的一个或更多个参数。所述一个或更多个参数可以例如是先前描述的几何变形模式。
[0194]
在所述模型134的训练期间，步骤132中所提供的预测参数通过判别器模型(比较器)122与通过物理模型112所获得的参数进行比较。所述判别器模型122例如通过比较通过由两个模型所提供的变形模式与被包括在数据集102内的测量数据(例如，从掩模版对准测量值所获得的变形数据)，来评估基于机器学习的参数还是基于物理模型的参数最准确地了描述掩模版加热行为。判别器122可以被配置成进一步储存参数，优选地为库142中的掩模版变形模式，所述库142可以针对将来的使用而被考虑。
[0195]
判别器122还可以被配置成充当代理，所述代理被配置成在预测132有利地与基于物理模型112的预测相比较的情况下回报所述机器学习模型134。预期到的是，初始地基于物理模型112的预测是较准确的，但在充分训练所述模型134之后，平衡将逐渐地移位至基于机器学习的预测132。观察到，基于机器学习的预测常常在预测行为方面变得更好，这是由于其在时间上变得更通用；例如，被更好地装备以提取源自情境参数和常常并未由物理模型准确地建模的其它环境参数中的微小变化的行为。
[0196]
在实施例中，所述数据102包括情境参数数据106和表示所观测到的加热行为的所测量的数据两者。数据102和情境参数106在半导体制造过程(诸如，光刻图案化过程)的操作期间被连续地供应。在操作期间，所述机器学习模型134的连续训练与加热行为(诸如，掩模版、透镜或衬底加热)的基于机器学习(132)的表征与基于物理模型(112)的表征的连续比较122相组合。两个模型的输入是被包括在数据102内的情境参数数据。基于数据102来连续地训练所述机器学习模型。如果所述机器学习模型相较于物理模型112提供更准确的预测加热行为，则所述机器学习模型从执行比较步骤122的代理来接收回报。
[0197]
仅在所述模型134的足够的训练之后，所述机器学习架构132、134胜过所述物理模型112。在所述足够的训练之后，可以直接地由所述模型执行基于机器学习的预测132来使用新的情境数据106以提供期望的参数，诸如变形的模式，而不是依赖于基于物理模型的加热预测。
[0198]
甚至通常在所述机器学习模型的足够的训练之后，将继续对新提供的加热相关数据、情境数据、以及通过物理模型所产生的数据(如果需要)进行训练，因此通常所提议的机器学习实现方式是连续训练的实现方式。
[0199]
除了加热行为之外，又一其它漂移相关现象，诸如机械漂移、磨损效应、缓慢震荡或引起性能参数的取决于时间的行为的任何其它效应都可以根据如上文所描述的建模架构来建模。
[0200]
在实施例中，提供一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令，所述指令在由计算机执行时使所述计算机进行以下操作：在过程的依赖于时间的行为期间，接收与所述依赖于时间的行为相关联的所测量的参数数据和与所述过程的状态相关联的情境数据；基于将所述情境数据输入至所述过程的物理模型来确定一个或更多个参数的第一值，所述第一值表征所述依赖于时间的行为；通过将情境数据提供至对历史测量的参数数据和历史情境数据进行训练的机器学习模型来确定所述一个或更多个参
数的第二值；确定所述一个或更多个参数的所述第一值还是所述第二值更好地对应于所测量的参数数据；和在所述一个或更多个参数的所述第二值相较于所述一个或更多个参数的所述第一值更好地对应于所测量的参数数据情况下，使用所测量的参数数据和情境数据来训练所述机器学习模型。
[0201]
在实施例中，用于确定所述一个或参数的所述第一值还是所述第二值更好地对应于所测量的参数数据的指令被配置成如机器学习模型的代理那样起作用，在所述一个或更多个参数的所述第二值相较于所述一个或更多个参数的所述第一值更好地对应于所测量的参数数据情况下，所述代理对所述机器学习模型进行回报。
[0202]
在实施例中，用于确定所述一个或参数的所述第一值还是所述第二值更好地对应于所测量的参数数据的指令被实施为另外的机器学习模型。
[0203]
在实施例中，所述另外的机器学习模型被配置为针对所述机器学习模型的代理，并且所述代理被配置成：i)使用所述第一值和所述第二值以及所测量的参数数据作为输入，和ii)在所述一个或更多个参数的所述第二值相较于一个或更多个参数的第一值更好地对应于所测量的参数数据情况下将回报提供至所述机器学习模型。
[0204]
在实施例中，所述机器学习模型和所述另外的机器学习模型基于神经网络架构。
[0205]
在实施例中，所述机器学习模型被配置为生成型分支，并且所述另外的机器学习模型被配置为生成式对抗网络(gan)判别型分支。
[0206]
在实施例中，所述机器学习模型包括以下各项中的一个：卷积神经网络(cnn)或基于编码器-解码器的模型。
[0207]
在实施例中，所述编码器-解码器模型包括：编码器，所述编码器被配置成将所述情境数据映射至潜在空间；和解码器，所述解码器被配置成基于经映射的情境数据重构所述一个或更多个参数。
[0208]
在实施例中，所测量的参数数据和依赖于时间的行为与蚀刻设备或光刻设备内的加热引发的行为相关联，并且所述情境数据与所述光刻设备或所述蚀刻设备的状态和/或设定相关联。
[0209]
在实施例中，加热引发的行为与由所述光刻设备照射的图案形成装置的加热相关联，并且在所述光刻设备的状态和/或设定对应于所述情境数据的情况下，所述一个或更多个参数表征由所述图案装置的所述加热引起的所述图案形成装置的几何变形。
[0210]
在实施例中，所述一个或更多个参数包括与所述几何变形和所述情境数据相关联的一个或更多个变形模式。
[0211]
在实施例中，所述情境数据包括以下各项中的一个或更多个：衬底的经受所述过程的处理历史、所述图案形成装置上的由所述光刻设备照射的区域的尺寸、在一个或更多个衬底的处理期间由所述图案形成装置上的所述区域所接收的强度或剂量、所述图案形成装置的透射率。
[0212]
在实施例中，所测量的参数数据包括与被提供至所述图案形成装置的多个特征相关联的位置数据。
[0213]
在实施例中，所述一个或更多个参数的所述第一值至少部分地基于历史测量的参数数据。
[0214]
在实施例中，提供另外的指令，所述另外的指令用于依据所述一个或更多个参数
的所述第一值还是所述第二值更好地对应于所测量的参数数据，将所述一个或更多个参数的所述第一值或所述第二值存储于数据库结构中。
[0215]
在实施例中，提供另外的指令以用于基于所述一个或更多个参数的所述第一值还是所述第二值来执行所述过程中所使用的设备。
[0216]
在实施例中，所述设备是光刻设备，并且所述过程是半导体制造过程。
[0217]
在实施例中，用于接收所测量的参数数据的指令还包括用于基于对它的相对应的情境数据的要求来过滤所接收到的所测量的参数数据的指令，并且其中所述机器学习模型使用经过滤的所测量的参数数据来训练。
[0218]
如上文所述的机器学习架构可以包括机器学习模型，和在训练所述机器学习模型时充当代理的另外的机器学习模型。在所述训练阶段期间，所述机器学习架构可以接收对应于与多个操作条件相关联的多个训练控制输入的训练控制输出。所述操作条件可以被包括在情境数据(诸如场尺寸、强度、掩模版透射率)内，所述操作条件通常用作通往所述光刻设备的输入以控制所述光刻过程。所述训练控制输出可以基于对所述过程(例如在加热时掩模版的一个或更多个经建模的变形模式)的物理建模。所述机器学习架构产生(使用所述训练控制输入)多个机器学习产生的控制输出，所述控制输出(使用例如另外的机器学习模型)与由物理模型所产生的接收到的训练控制输出进行比较。机器学习产生的控制输出与基于物理模型的控制输出的比较是本发明的重要方面，这是由于这允许机器学习模型的经改善的训练。
[0219]
在实施例中，提供一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令，所述指令在由计算机执行时使所述计算机进行以下操作：接收控制输入，所述控制输入用于控制图案化过程，所述控制输入包括在所述图案化过程中使用的一个或更多个参数；和利用经训练的机器学习模型，基于所述控制输入来产生用于所述图案化过程的控制输出，所述机器学习模型已利用从实际过程数据所产生的训练数据来训练，其中所述训练数据包括：利用经训练的机器学习模型，基于所述控制输入来产生用于图案化过程的控制输出，机器学习模型已利用从实际过程数据所产生的训练数据来训练，其中所述训练数据包括：1)与所述图案化过程的多个操作条件相对应的多个训练控制输入，所述图案化过程的所述多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为相关联；和2)使用物理模型、基于训练控制输入和/或所述图案化过程的多个操作条件而产生的训练控制输出。
[0220]
在实施例中，所述训练控制输入包括所述操作条件。
[0221]
在实施例中，所述训练控制输入是以下各项中的一个或更多个：在所述图案化过程中使用的掩模版的透射率、光刻设备的在照射所述掩模版时使用的场尺寸、在照射所述掩模版时使用的辐射的强度。
[0222]
在实施例中，所述训练控制输出是表征所述图案化过程的依赖于时间的行为的一个或更多个参数的值。
[0223]
在实施例中，所述一个或更多个参数表征在所述光刻设备的状态和/或设定对应于所述操作条件的情况下由对掩模版的加热所引起的所述掩模版的几何变形。
[0224]
在以下被编号方面的列表中披露另外的实施例：
[0225]
1.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令，所
述指令在由计算机执行时使所述计算机进行以下操作：
[0226]
接收控制输入，所述控制输入用于控制图案化过程，所述控制输入包括在所述图案化过程中使用的一个或更多个参数；和
[0227]
利用经训练的机器学习模型，基于所述控制输入来产生用于所述图案化过程的控制输出，所述机器学习模型是已利用从模拟所述图案化过程和/或实际过程数据产生的训练数据而被训练的，其中所述训练数据包括：1)与所述图案化过程的多个操作条件相对应的多个训练控制输入，所述图案化过程的所述多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为相关联；和2)使用物理模型、基于所述训练控制输入而产生的训练控制输出。
[0228]
2.根据方面1所述的非暂时性计算机可读介质，其中，所述图案化过程的随时间变化的所述特定于操作条件的行为包括所述图案化过程的随时间变化的漂移。
[0229]
3.根据方面1或2所述的非暂时性计算机可读介质，其中，所述机器学习模型还被配置成通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新。
[0230]
4.根据方面3所述的非暂时性计算机可读介质，其中，所述重新训练包括精细调谐。
[0231]
5.根据方面1至4中任一项所述的非暂时性计算机可读介质，其中，所述控制输入与监测和/或诊断所述图案化过程相关联。
[0232]
6.根据方面1至5中任一项所述的非暂时性计算机可读介质，其中，所述机器学习模型包括参数化模型。
[0233]
7.根据方面1至6中任一项所述的非暂时性计算机可读介质，其中，所述机器学习模型包括人工神经网络、卷积神经网络、和/或递归神经网络。
[0234]
8.根据方面1至7中任一项所述的非暂时性计算机可读介质，其中，所述图案化过程利用图案化过程设备来执行，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，所述指令还使所述计算机至少部分地基于所述控制输出来控制所述图案化过程设备。
[0235]
9.根据方面1至8中任一项所述的非暂时性计算机可读介质，其中，所述一个或更多个参数包括一个或更多个光刻设备参数、光学量测检查工具参数，和/或电子束检查工具参数，和/或相关联的光刻和/或检查过程参数。
[0236]
10.根据方面1至9中任一项所述的非暂时性计算机可读介质，其中，所述控制输入包括用于所述图案化过程中的所述一个或更多个参数。
[0237]
11.根据方面1至10中任一项所述的非暂时性计算机可读介质，其中，所述控制输入包括衍射图案图像、运动设定点，或晶片和/或掩模版的加载顺序。
[0238]
12.根据方面1至11中任一项所述的非暂时性计算机可读介质，其中，所述控制输出包括对与图案化过程设备的一个或更多个部件的运动控制相关联的一个或更多个参数的调整。
[0239]
13.根据方面12所述的非暂时性计算机可读介质，其中，所述图案化过程设备的一个或更多个部件的运动控制包括经由以下各项中的一个或两者来控制扫描器的致动：1)控制所述扫描器的晶片和/或掩模版平台的移动，2)控制所述扫描器的透镜中的挠曲波加热
部件，和/或3)控制所述扫描器的一个或更多个反射镜，诸如在光瞳成形和/或场变形控制中所使用的可移动反射镜。
[0240]
14.根据方面1至13中任一项所述的非暂时性计算机可读介质，其中，所述控制输出包括与图案化过程设备的一个或更多个部件的热膨胀相关联的一个或更多个参数的调整。
[0241]
15.根据方面14所述的非暂时性计算机可读介质，其中，所述控制输出包括晶片加热控制调整、掩模版加热控制调整、和/或反射镜加热控制调整。
[0242]
16.根据方面15所述的非暂时性计算机可读介质，其中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；以及基于所预测的重叠特征标识和/或聚焦特征标识来确定所述晶片加热控制调整。
[0243]
17.根据方面16所述的非暂时性计算机可读介质，其中，确定所述控制输出包括预测所述重叠特征标识，并且确定所述晶片加热控制调整基于所预测的重叠特征标识。
[0244]
18.根据方面14所述的非暂时性计算机可读介质，其中，所述控制输出包括透镜加热控制调整。
[0245]
19.根据方面18所述的非暂时性计算机可读介质，其中，确定所述控制输出包括：
[0246]
预测与透镜加热相关联的μτ参数值、透镜加热前馈时间序列、和/或透镜加热场时间序列；
[0247]
基于所述μτ值、透镜加热前馈值、和/或透镜加热场值来确定透镜加热成本函数；
[0248]
基于所述透镜加热成本函数来确定机器学习模型参数权重；和
[0249]
基于由所述机器学习模型进行的透镜加热预测来确定所述透镜加热控制调整。
[0250]
20.根据方面18所述的非暂时性计算机可读介质，其中，确定所述控制输出包括：预测重叠特征标识、聚焦特征标识、和/或成像特征标识；和基于所预测的重叠特征标识、聚焦特征标识和/或成像特征标识确定所述透镜加热控制调整。
[0251]
21.根据方面1至20中任一项所述的非暂时性计算机可读介质，其中，所述控制输出包括与图案化过程设备的一个或更多个部件的摩擦学-机械控制相关联的一个或更多个参数的调整。
[0252]
22.根据方面21所述的非暂时性计算机可读介质，其中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；和基于所预测的重叠特征标识和/或聚焦特征标识来确定晶片、掩模版、透镜/反射镜调整。
[0253]
23.根据方面1至22中任一项所述的非暂时性计算机可读介质，其中，利用来自所述图案化过程的所模拟的过程训练数据和/或实际过程训练数据来训练所述机器学习模型包括初始校准，
[0254]
其中所述机器学习模型被配置成通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新，并且
[0255]
其中所述重新训练包括配置所述机器学习模型以利用一个或更多个漂移校准来精细调谐所述机器学习模型，所述一个或更多个漂移校准被配置成描述在所述图案化过程中随时间发生的漂移。
[0256]
24.根据方面1至23中任一项所述的非暂时性计算机可读介质，其中，训练和/或更新被离线地、在线地、或者离线和在线组合地执行。
[0257]
25.根据方面1至24中任一项所述的非暂时性计算机可读介质，其中：
[0258]
所模拟的训练数据包括训练控制输入和相对应的训练控制输出的多个对，所述相对应的训练控制输出是使用所述物理模型所产生的；
[0259]
所述机器学习模型被配置成基于训练控制输入来预测所预测的控制输出；并且
[0260]
所述机器学习模型被配置成使用训练控制输出作为反馈以更新所述机器学习模型的一个或更多个配置，其中所述一个或更多个配置是基于所述训练控制输出与所述预测的控制输出之间的比较来被更新的。
[0261]
26.根据方面1至25中任一项所述的非暂时性计算机可读介质，其中，所述指令还被配置成使所述计算机配置所述机器学习模型以通过利用来自所述图案化过程的新的实际过程数据精细调谐所述机器学习模型以随时间更新，使得所述机器学习模型被配置用于：
[0262]
利用所述机器学习模型接收与生产环境局部图案化过程相关联的局部实际过程数据以确定第一经更新的模型参数值；
[0263]
接收通过至少部分地利用外部训练数据提供所述机器学习模型所获得的第二经更新的模型参数值，所述外部训练数据指示图案化过程设备间的变化；和
[0264]
通过利用所述第一经更新的模型参数值和/或第二经更新的模型参数值更新初始模型参数值来调整所述机器学习模型。
[0265]
27.根据方面26所述的非暂时性计算机可读介质，其中，所述调整考虑所述局部图案化过程的随时间变化的漂移。
[0266]
28.一种用于产生用于图案化过程的控制输出的方法，所述方法包括：
[0267]
接收控制输入，所述控制输入用于控制图案化过程，所述控制输入包括在所述图案化过程中使用的一个或更多个参数；和
[0268]
利用经训练的机器学习模型，基于所述控制输入来产生用于所述图案化过程的控制输出，所述机器学习模型是已利用从模拟所述图案化过程和/或实际过程数据产生的训练数据而被训练的，其中所述训练数据包括：1)与所述图案化过程的多个操作条件相对应的多个训练控制输入，所述图案化过程的所述多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为相关联；和2)使用物理模型、基于所述训练控制输入而产生的训练控制输出。
[0269]
29.根据方面28所述的方法，其中，所述图案化过程的随时间变化的所述特定于操作条件的行为包括所述图案化过程的随时间变化的漂移。
[0270]
30.根据方面28或29的方法，还包括通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新所述机器学习模型。
[0271]
31.根据方面30所述的方法，其中，所述重新训练包括精细调谐。
[0272]
32.根据方面28至31中任一项所述的方法，其中，所述控制输入与监测和/或诊断所述图案化过程相关联。
[0273]
33.根据方面28至32中任一项所述的方法，其中，所述机器学习模型包括参数化模型。
[0274]
34.根据方面28至33中任一项所述的方法，其中，所述机器学习模型包括人工神经网络、卷积神经网络、和/或递归神经网络。
[0275]
35.根据方面28至34中任一项所述的方法，其中，所述图案化过程利用图案化过程设备来执行，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，所述方法还包括至少部分地基于所述控制输出来控制所述图案化过程设备。
[0276]
36.根据方面28至35中任一项所述的方法，其中，所述一个或更多个参数包括一个或更多个光刻设备参数、光学量测检查工具参数，和/或电子束检查工具参数，和/或相关联的光刻和/或检查过程参数。
[0277]
37.根据方面28至36中任一项所述的方法，其中，所述控制输入包括用于所述图案化过程中的所述一个或更多个参数。
[0278]
38.根据方面28至37中任一项所述的方法，其中，所述控制输入包括衍射图案图像、运动设定点，或晶片和/或掩模版的加载顺序。
[0279]
39.根据方面28至38中任一项所述的方法，其中，所述控制输出包括对与图案化过程设备的一个或更多个部件的运动控制相关联的一个或更多个参数的调整。
[0280]
40.根据方面39所述的方法，其中，所述图案化过程设备的一个或更多个部件的运动控制包括经由以下各项中的一个或两者来控制扫描器的致动：1)控制所述扫描器的晶片和/或掩模版平台的移动，2)控制所述扫描器的透镜中的挠曲波加热部件，和/或3)控制所述扫描器的一个或更多个反射镜。
[0281]
41.根据方面28至40中任一项所述的方法，其中，所述控制输出包括与图案化过程设备的一个或更多个部件的热膨胀相关联的一个或更多个参数的调整。
[0282]
42.根据方面41所述的方法，其中，所述控制输出包括晶片加热控制调整、掩模版加热控制调整、和/或反射镜加热控制调整。
[0283]
43.根据方面42所述的方法，其中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；以及基于所预测的重叠特征标识和/或聚焦特征标识来确定所述晶片加热控制调整。
[0284]
44.根据方面43所述的方法，其中，确定所述控制输出包括预测所述重叠特征标识，并且确定所述晶片加热控制调整基于所预测的重叠特征标识。
[0285]
45.根据方面41所述的方法，其中，所述控制输出包括透镜加热控制调整。
[0286]
46.根据方面45所述的方法，其中，确定所述控制输出包括：
[0287]
预测与透镜加热相关联的μτ参数值、透镜加热前馈时间序列、和/或透镜加热场时间序列；
[0288]
基于所述μτ值、透镜加热前馈值、和/或透镜加热场值来确定透镜加热成本函数；
[0289]
基于所述透镜加热成本函数来确定机器学习模型参数权重；和
[0290]
基于由所述机器学习模型进行的透镜加热预测来确定所述透镜加热控制调整。
[0291]
47.根据方面45所述的方法，其中，确定所述控制输出包括：预测重叠特征标识、聚焦特征标识、和/或成像特征标识；和基于所预测的重叠特征标识、聚焦特征标识和/或成像特征标识确定所述透镜加热控制调整。
[0292]
48.根据方面28至47中任一项所述的方法，其中，所述控制输出包括与图案化过程设备的一个或更多个部件的摩擦学-机械控制相关联的一个或更多个参数的调整。
[0293]
49.根据方面48所述的方法，其中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；和基于所预测的重叠特征标识和/或聚焦特征标识来确定晶片、掩模版、
透镜/反射镜调整。
[0294]
50.根据方面28至49中任一项所述的方法，其中，利用来自所述图案化过程的所模拟的过程训练数据和/或实际过程训练数据来训练所述机器学习模型包括初始校准，
[0295]
其中所述机器学习模型被配置成通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新，并且
[0296]
其中所述重新训练包括配置所述机器学习模型以利用一个或更多个漂移校准来精细调谐所述机器学习模型，所述一个或更多个漂移校准被配置成描述在所述图案化过程中随时间发生的漂移。
[0297]
51.根据方面28至50中任一项所述的方法，其中，训练和/或更新被离线地、在线地、或者离线和在线组合地执行。
[0298]
52.根据方面28至51中任一项所述的方法，其中：
[0299]
所模拟的训练数据包括训练控制输入和相对应的训练控制输出的多个对，所述相对应的训练控制输出是使用所述物理模型所产生的；
[0300]
所述机器学习模型被配置成基于训练控制输入来预测所预测的控制输出；并且
[0301]
所述机器学习模型被配置成使用训练控制输出作为反馈以更新所述机器学习模型的一个或更多个配置，其中所述一个或更多个配置基于所述训练控制输出与所述预测的控制输出之间的比较而被更新。
[0302]
53.根据方面28至52中任一项所述的方法，还包括配置所述机器学习模型以通过利用来自所述图案化过程的新的实际过程数据精细调谐所述机器学习模型以随时间更新，使所述机器学习模型被配置用于：
[0303]
利用所述机器学习模型接收与生产环境局部图案化过程相关联的局部实际过程数据以确定第一经更新的模型参数值；
[0304]
接收通过至少部分地利用外部训练数据提供所述机器学习模型所获得的第二经更新的模型参数值，所述外部训练数据指示图案化过程设备间的变化；和
[0305]
通过利用所述第一经更新的模型参数值和/或第二经更新的模型参数值更新初始模型参数值来调整所述机器学习模型。
[0306]
54.根据方面53所述的方法，其中，所述调整考虑所述局部图案化过程的随时间变化的漂移。
[0307]
55.一种用于训练机器学习模型的方法，所述方法包括：
[0308]
通过模拟图案化过程产生训练数据，所述训练数据包括多个训练控制输入和相对应的训练控制输出，所述训练控制输入包括在所述图案化过程中使用的一个或更多个参数，并且所述训练控制输出包括对一个或更多个参数的调整；
[0309]
将所述训练控制输入提供至基础机器学习模型以产生经预测的控制输出；和
[0310]
使用所述训练控制输出作为反馈以更新所述基础机器学习模型的一个或更多个配置，其中所述一个或更多个配置是基于所述训练控制输出与所述预测的控制输出之间的比较来被更新的；使得：
[0311]
所述机器学习模型被配置成基于新控制输入产生新的控制输出。
[0312]
56.根据方面55所述的方法，其中，所述机器学习模型被配置成通过利用来自所述图案化过程的实际和/或模拟过程数据，对所述机器学习模型进行重新训练以随时间被更
新。
[0313]
57.根据方面55所述的方法，其中，所述图案化过程利用物理模型来模拟。
[0314]
58.根据方面55至57中任一项所述的方法，其中，所述机器学习模型是人工神经网络。
[0315]
59.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令，所述指令在由计算机执行时使所述计算机进行以下操作：
[0316]
接收多个控制输入，所述多个控制输入用于针对多个相对应的操作条件控制图案化过程，所述控制输入中的每个控制输入包括在所述图案化过程中使用的一个或更多个参数；
[0317]
产生或接收与对所述一个或更多个参数的一个或更多个调整相关联的多个控制输出，所述多个控制输出基于在模拟所述图案化过程的经受所述多个操作条件的行为中所使用的物理模型的输出；和
[0318]
训练机器学习模型，所述机器学习模型被配置成通过输入所接收的所述多个控制输入、以及所产生或所接收的多个控制输出来推断与新的控制输入相对应的新的控制输出。
[0319]
60.根据方面1至54中任一项所述的暂时性计算机可读介质或方法，其中，所述控制输出包括对一个或更多个参数的调整。
[0320]
61.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令，所述指令在由计算机执行时使所述计算机进行以下操作：在过程的依赖于时间的行为期间，接收与所述依赖于时间的行为相关联的所测量的参数数据和与所述过程的状态相关联的情境数据；基于将所述情境数据输入至所述过程的物理模型来确定一个或更多个参数的第一值，所述第一值表征所述依赖于时间的行为；通过将情境数据提供至对历史测量的参数数据和历史情境数据进行训练的机器学习模型来确定所述一个或更多个参数的第二值；确定所述一个或更多个参数的所述第一值还是所述第二值更好地对应于所测量的参数数据；和在所述一个或更多个参数的所述第二值相较于所述一个或更多个参数的所述第一值更好地对应于所测量的参数数据情况下，使用所测量的参数数据和情境数据来训练所述机器学习模型。
[0321]
62.根据方面61所述的计算机可读介质，其中，用于确定所述一个或参数的所述第一值还是所述第二值更好地对应于所测量的参数数据的指令被配置成如机器学习模型的代理那样起作用，在所述一个或更多个参数的所述第二值相较于所述一个或更多个参数的所述第一值更好地对应于所测量的参数数据情况下，所述代理对所述机器学习模型进行回报。
[0322]
63.根据方面61或62的计算机可读介质，其中，用于确定所述一个或参数的所述第一值还是所述第二值更好地对应于所测量的参数数据的指令被实施为另外的机器学习模型。
[0323]
64.根据方面63所述的计算机可读介质，其中，所述另外的机器学习模型被配置为针对所述机器学习模型的代理，并且所述代理被配置成：i)使用所述第一值和所述第二值以及所测量的参数数据作为输入，和ii)在所述一个或更多个参数的所述第二值相较于一个或更多个参数的第一值更好地对应于所测量的参数数据情况下将回报提供至所述机器
学习模型。
[0324]
65.根据方面63或64的计算机可读介质，其中，所述机器学习模型和所述另外的机器学习模型基于神经网络架构。
[0325]
66.根据方面65所述的计算机可读介质，其中，所述机器学习模型被配置为生成型分支，并且所述另外的机器学习模型被配置为生成式对抗网络(gan)判别型分支。
[0326]
67.根据方面61至66中任一项所述的计算机可读介质，其中，所述机器学习模型包括以下各项中的一个：卷积神经网络(cnn)或基于编码器-解码器的模型。
[0327]
68.根据方面67所述的计算机可读介质，其中，所述编码器-解码器模型包括：编码器，所述编码器被配置成将所述情境数据映射至潜在空间；和解码器，所述解码器被配置成基于经映射的情境数据重构所述一个或更多个参数。
[0328]
69.根据方面61至68中任一项所述的计算机可读介质，其中，所测量的参数数据和依赖于时间的行为与蚀刻设备或光刻设备内的加热引发的行为相关联，并且所述情境数据与所述光刻设备或所述蚀刻设备的状态和/或设定相关联。
[0329]
70.根据方面69所述的计算机可读介质，其中，加热引发的行为与由所述光刻设备照射的图案形成装置的加热相关联，并且在所述光刻设备的状态和/或设定对应于所述情境数据的情况下，所述一个或更多个参数表征由所述图案装置的所述加热引起的所述图案形成装置的几何变形。
[0330]
71.根据方面70所述的计算机可读介质，其中，所述一个或更多个参数包括与所述几何变形和所述情境数据相关联的一个或更多个变形模式。
[0331]
72.根据方面70或71的计算机可读介质，其中，所述情境数据包括以下各项中的一个或更多个：衬底的经受所述过程的处理历史、所述图案形成装置上的由所述光刻设备照射的区域的尺寸、在一个或更多个衬底的处理期间由所述图案形成装置上的所述区域所接收的强度或剂量、所述图案形成装置的透射率。
[0332]
73.根据方面72所述的计算机可读介质，其中，所测量的参数数据包括与被提供至所述图案形成装置的多个特征相关联的位置数据。
[0333]
74.根据方面61至73中任一项所述的计算机可读介质，其中，所述一个或更多个参数的所述第一值至少部分基于历史测量的参数数据。
[0334]
75.根据方面61至74中任一项所述的计算机可读介质，还包括用于依据所述一个或更多个参数的所述第一值还是所述第二值更好地对应于所测量的参数数据，将所述一个或更多个参数的所述第一值或所述第二值存储于数据库结构中的指令。
[0335]
76.根据方面61至75中任一项所述的计算机可读介质，还包括用于配置在基于所述一个或更多个参数的所述第一值还是所述第二值来执行所述过程中所使用的设备的指令。
[0336]
77.根据方面76所述的计算机可读介质，其中，所述设备是光刻设备，并且所述过程是半导体制造过程。
[0337]
78.根据方面61至77中任一项所述的计算机可读介质，其中，用于接收所测量的参数数据的指令还包括用于基于对它的相对应的情境数据的要求来过滤所接收到的所测量的参数数据的指令，并且其中所述机器学习模型使用经过滤的所测量的参数数据来训练。
[0338]
79.根据方面61至78中任一项所述的计算机可读介质，还包括使用所述一个或更
多个参数的所述第一值和/或所述第二值作为光刻设备的控制输入的指令。
[0339]
80.根据方面61至79中任一项所述的计算机可读介质，还包括使用所述一个或更多个参数的所述第一值和/或所述第二值来预测光刻设备的控制输出的指令。
[0340]
81.一种方法，所述方法包括：在过程的依赖于时间的行为期间，接收与所述依赖于时间的行为相关联的所测量的参数数据和与所述过程的状态相关联的情境数据；基于将所述情境数据输入至所述过程的物理模型来确定一个或更多个参数的第一值，所述第一值表征所述依赖于时间的行为；通过将情境数据提供至对历史测量的参数数据和历史情境数据进行训练的机器学习模型来确定所述一个或更多个参数的第二值；确定所述一个或更多个参数的所述第一值还是所述第二值更好地对应于所测量的参数数据；和在所述一个或更多个参数的所述第二值相较于所述一个或更多个参数的所述第一值更好地对应于所测量的参数数据情况下，使用所测量的参数数据和情境数据来训练所述机器学习模型。
[0341]
82.根据方面81所述的方法，其中，用于确定所述一个或参数的所述第一值还是所述第二值更好对应于所测量的参数数据的指令被配置成如机器学习模型的代理那样起作用，在所述一个或更多个参数的所述第二值相较于所述一个或更多个参数的所述第一值更好地对应于所测量的参数数据情况下，所述代理对所述机器学习模型进行回报。
[0342]
83.根据方面81或82的方法，其中，所述确定所述一个或参数的所述第一值还是所述第二值更好地对应于所测量的参数数据使用另外的机器学习模型。
[0343]
84.根据方面83所述的方法，其中，所述另外的机器学习模型被配置为针对所述机器学习模型的代理，并且所述代理被配置成：i)使用所述第一值和所述第二值以及所测量的参数数据作为输入，和ii)在所述一个或更多个参数的所述第二值相较于一个或更多个参数的第一值更好地对应于所测量的参数数据情况下将回报提供至所述机器学习模型。
[0344]
85.根据方面83或84的方法，其中，所述机器学习模型和所述另外的机器学习模型基于神经网络架构。
[0345]
86.根据方面85所述的方法，其中，所述机器学习模型被配置为生成型分支，并且所述另外的机器学习模型被配置为生成式对抗网络(gan)判别型分支。
[0346]
87.根据方面81至86中任一项所述的方法，其中，所述机器学习模型包括以下各项中的一个：卷积神经网络(cnn)或基于编码器-解码器的模型。
[0347]
88.根据方面87所述的方法，其中，所述编码器-解码器模型包括：编码器，所述编码器被配置成将所述情境数据映射至潜在空间；和解码器，所述解码器被配置成基于经映射的情境数据重构所述一个或更多个参数。
[0348]
89.根据方面81至88中任一项所述的方法，其中，所测量的参数数据和依赖于时间的行为与蚀刻设备或光刻设备内的加热引发的行为相关联，并且所述情境数据与所述光刻设备或所述蚀刻设备的状态和/或设定相关联。
[0349]
90.根据方面89所述的方法，其中，加热引发的行为与由所述光刻设备照射的图案形成装置的加热相关联，并且在所述光刻设备的状态和/或设定对应于所述情境数据的情况下，所述一个或更多个参数表征由所述图案装置的所述加热引起的所述图案形成装置的几何变形。
[0350]
91.根据方面90所述的方法，其中，所述一个或更多个参数包括与所述几何变形和所述情境数据相关联的一个或更多个变形模式。
[0351]
92.根据方面90或91的方法，其中，所述情境数据包括以下各项中的一个或更多个：衬底的经受所述过程的处理历史、所述图案形成装置上的由所述光刻设备照射的区域的尺寸、在一个或更多个衬底的处理期间由所述图案形成装置上的所述区域所接收的强度或剂量、所述图案形成装置的透射率。
[0352]
93.根据方面92所述的方法，其中，所测量的参数数据包括与被提供至所述图案形成装置的多个特征相关联的位置数据。
[0353]
94.根据方面81至93中任一项所述的方法，其中，所述一个或更多个参数的所述第一值至少部分地基于历史测量的参数数据。
[0354]
95.根据方面81至94中任一项所述的方法，还包括：依据所述一个或更多个参数的所述第一值还是所述第二值更好地对应于所测量的参数数据，将所述一个或更多个参数的所述第一值或所述第二值存储于数据库结构中。
[0355]
96.根据方面81至95中任一项所述的方法，还包括：配置在基于所述一个或更多个参数的所述第一值还是所述第二值来执行所述过程中所使用的设备。
[0356]
97.根据方面96所述的方法，其中，所述设备是光刻设备，并且所述过程是半导体制造过程。
[0357]
98.根据方面81至97中任一项所述的方法，其中，接收所测量的参数数据还包括基于对它的相对应的情境数据的要求来过滤所接收到的所测量的参数数据，并且其中所述机器学习模型使用经过滤的所测量的参数数据来训练。
[0358]
100.根据方面1至54中任一项所述的暂时性计算机可读介质或方法，其中，所述训练控制输入包括所述操作条件。
[0359]
101.根据方面100所述的暂时性计算机可读介质或方法，其中，所述训练控制输入是以下各项中的一个或更多个：在所述图案化过程中使用的掩模版的透射率、光刻设备的在照射所述掩模版时使用的场尺寸、在照射所述掩模版时使用的辐射的强度。
[0360]
102.根据方面100或101所述的暂时性计算机可读介质或方法，其中，所述训练控制输出是表征所述图案化过程的依赖于时间的行为的一个或更多个参数的值。
[0361]
103.根据方面102所述的暂时性计算机可读介质或方法，其中，所述一个或更多个参数表征在所述光刻设备的状态和/或设定对应于所述操作条件的情况下由对掩模版的加热所引起的所述掩模版的几何变形。
[0362]
虽然可以在本文中具体地参考光刻设备在ic制造中的使用，但应理解，本文中所描述的光刻设备可以具有其它应用。可能的其它应用包括制造集成光学系统、用于磁畴存储器的引导和检测图案、平板显示器、液晶显示器(lcd)、薄膜磁头等等。
[0363]
虽然可以在本文中具体地参考在光刻设备的情境下的本发明的实施例，但本发明的实施例可以用于其它设备中。本发明的实施例可以形成掩模检查设备、量测设备或者测量或处理诸如晶片(或其它衬底)或掩模(或其它图案形成装置)之类的对象的任何设备的部分。这些设备一般可以被称为光刻工具。这种光刻工具可以使用真空条件或环境(非真空)条件。
[0364]
虽然上文可能已经具体地参考在光学光刻术的情境下对本发明的实施例的使用，但应了解，在情境允许的情况下，本发明不限于光学光刻术，并且可以用于其它应用(例如，压印光刻术)中。
[0365]
在情境允许的情况下，可以以硬件、固件、软件或其任何组合实施本发明的实施例。本发明的实施例也可以被实施为储存在机器可读介质上的指令，所述指令可以由一个或更多个处理器读取和执行。如本文中所描述的，机器可读介质可以包括用于储存或传输以可以由机器(例如，计算装置)读取的形式的信息的任何机构。例如，机器可读介质可以包括：只读存储器(rom)；随机存取存储器(ram)；磁性储存介质；光学储存介质；闪存装置；电学、光学、声学或传播信号的其它形式(例如，载波、红外信号、数字信号等)等等。另外，固件、软件、例程、指令可以在本文中被描述为执行某些动作。然而，应了解，这些描述仅仅是方便起见，并且这些动作实际上由计算装置、处理器、控制器或执行固件、软件、例程、指令等等的其它装置引起；并且在这样做时可以使致动器或其它装置与实体世界相互作用。
[0366]
虽然上文已描述了本发明的具体实施例，但将了解，可以以与所描述的方式不同的其它方式来实践本发明。以上描述意图是说明性的，而不是限制性的。由此，本领域技术人员将明白，可以在不背离下文所阐述的权利要求的范围的情况下对所描述的本发明进行修改。

技术特征：

1.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令，所述指令在由计算机执行时使所述计算机进行以下操作：接收控制输入，所述控制输入用于控制图案化过程，所述控制输入包括在所述图案化过程中使用的一个或更多个参数；和利用经训练的机器学习模型，基于所述控制输入来产生用于所述图案化过程的控制输出，所述机器学习模型是已利用从模拟所述图案化过程和/或实际过程数据产生的训练数据而被训练的，其中所述训练数据包括：1)与所述图案化过程的多个操作条件相对应的多个训练控制输入，所述图案化过程的所述多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为相关联；和2)与所述多个训练控制输入相对应的多个训练控制输出，其中每个训练控制输出是使用物理模型而被产生的，所述物理模型具有相对应的训练控制输入作为输入。2.根据权利要求1所述的非暂时性计算机可读介质，其中，所述图案化过程的随时间变化的所述特定于操作条件的行为包括所述图案化过程的随时间变化的漂移。3.根据权利要求1所述的非暂时性计算机可读介质，其中，所述机器学习模型包括人工神经网络、卷积神经网络、和/或递归神经网络。4.根据权利要求1所述的非暂时性计算机可读介质，其中，所述一个或更多个参数包括以下各项中的一个或更多个：光刻设备参数、光学量测检查工具参数，和/或电子束检查工具参数，和/或相关联的光刻和/或检查过程参数。5.根据权利要求1所述的非暂时性计算机可读介质，其中，所述控制输入包括衍射图案图像、运动设定点，或晶片和/或掩模版的加载顺序。6.根据权利要求1所述的非暂时性计算机可读介质，其中，所述控制输出包括对与图案化过程设备的一个或更多个部件的运动控制相关联的一个或更多个参数的调整。7.根据权利要求6所述的非暂时性计算机可读介质，其中，所述图案化过程设备的一个或更多个部件的运动控制包括经由以下各项中的一个或两者来控制光刻设备的致动：1)控制所述光刻设备的晶片平台和/或掩模版平台的移动，2)控制所述光刻设备的透镜中的挠曲波加热部件，和/或3)控制所述光刻设备的一个或更多个反射镜，如在光瞳成形和/或曝光场变形控制中所使用的可移动反射镜。8.根据权利要求1所述的非暂时性计算机可读介质，其中，所述控制输出包括与图案化过程设备的一个或更多个部件的热膨胀相关联的一个或更多个参数的调整。9.根据权利要求8所述的非暂时性计算机可读介质，其中，所述控制输出包括晶片加热控制调整、掩模版加热控制调整、和/或反射镜加热控制调整。10.根据权利要求9所述的非暂时性计算机可读介质，其中，确定所述控制输出包括：预测重叠特征标识和/或聚焦特征标识；以及基于所预测的重叠特征标识和/或聚焦特征标识来确定所述晶片加热控制调整。11.根据权利要求9所述的非暂时性计算机可读介质，其中，所述控制输出包括透镜加热控制调整，其中确定所述控制输出包括以下各项中的一个：预测与透镜加热相关联的μτ参数值、透镜加热前馈时间序列、和/或透镜加热场时间序列；基于所述μτ值、透镜加热前馈值、和/或透镜加热场值来确定透镜加热成本函数；
基于所述透镜加热成本函数来确定机器学习模型参数权重；和基于由所述机器学习模型进行的透镜加热预测来确定所述透镜加热控制调整。12.根据权利要求1所述的非暂时性计算机可读介质，其中，利用来自所述图案化过程的所模拟的过程训练数据和/或实际过程训练数据来训练所述机器学习模型包括初始校准，其中所述机器学习模型被配置成通过利用来自所述图案化过程的新的实际过程数据，对所述机器学习模型进行重新训练以随时间被更新，并且其中所述重新训练包括配置所述机器学习模型以利用一个或更多个漂移校准来精细调谐所述机器学习模型，所述一个或更多个漂移校准被配置成描述在所述图案化过程中随时间发生的漂移。13.根据权利要求1所述的非暂时性计算机可读介质，其中：所述训练数据包括训练控制输入和相对应的训练控制输出的多个对，所述相对应的训练控制输出是使用所述物理模型所产生的；所述机器学习模型被配置成基于训练控制输入来预测所预测的控制输出；并且所述机器学习模型被配置成使用训练控制输出作为反馈以更新所述机器学习模型的一个或更多个配置，其中所述一个或更多个配置是基于所述训练控制输出与所述预测的控制输出之间的比较来被更新的。14.根据权利要求1所述的非暂时性计算机可读介质，其中，所述训练控制输入包括所述操作条件。15.根据权利要求14所述的非暂时性计算机可读介质，其中，所述训练控制输入是以下各项中的一个或更多个：在所述图案化过程中使用的掩模版的透射率、光刻设备的在照射所述掩模版时使用的场尺寸、在照射所述掩模版时使用的辐射的强度。16.根据权利要求14或15所述的非暂时性计算机可读介质，其中，所述训练控制输出是表征所述图案化过程的依赖于时间的行为的一个或更多个参数的值。17.根据权利要求16所述的非暂时性计算机可读介质，其中，所述一个或更多个参数表征在所述光刻设备的状态和/或设定对应于所述操作条件的情况下由对掩模版的加热所引起的所述掩模版的几何变形。18.一种用于产生用于图案化过程的控制输出的方法，所述方法包括：接收控制输入，所述控制输入用于控制图案化过程，所述控制输入包括在所述图案化过程中使用的一个或更多个参数；和利用经训练的机器学习模型，基于所述控制输入来产生用于所述图案化过程的控制输出，所述机器学习模型是已利用从模拟所述图案化过程和/或实际过程数据产生的训练数据而被训练的，其中所述训练数据包括：1)与所述图案化过程的多个操作条件相对应的多个训练控制输入，所述图案化过程的所述多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为相关联；和2)与所述多个训练控制输入相对应的多个训练控制输出，其中每个训练控制输出是使用物理模型而被产生的，所述物理模型具有相对应的训练控制输入作为输入。19.根据权利要求18所述的方法，其中，所述训练控制输入包括所述操作条件，并且是以下各项中的一个或更多个：在所述图案化过程中使用的掩模版的透射率、光刻设备的在
照射所述掩模版时使用的场尺寸、在照射所述掩模版时使用的辐射的强度，并且其中，所述训练控制输出是表征所述图案化过程的依赖于时间的行为的一个或更多个参数的值。20.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质上具有指令，所述指令在由计算机执行时使所述计算机进行以下操作：接收多个控制输入，所述多个控制输入用于针对多个相对应的操作条件控制图案化过程，所述控制输入中的每个控制输入包括在所述图案化过程中使用的一个或更多个参数；产生或接收与对所述一个或更多个参数的一个或更多个调整相关联的多个控制输出，所述多个控制输出基于在模拟所述图案化过程的经受所述多个操作条件的行为中所使用的物理模型的输出；和训练机器学习模型，所述机器学习模型被配置成通过输入所接收的所述多个控制输入、以及所产生或所接收的多个控制输出来推断与新的控制输入相对应的新的控制输出。

技术总结

描述了产生用于图案化过程的控制输出。接收控制输入。所述控制输入用于控制所述图案化过程。所述控制输入包括在所述图案化过程中使用的一个或更多个参数。利用经训练的机器学习模型，基于所述控制输入来产生所述控制输出。所述机器学习模型是利用从模拟所述图案化过程和/或实际过程数据所产生的训练数据来训练。所述训练数据包括1)与所述图案化过程的多个操作条件相对应的多个训练控制输入，其中所述图案化过程的所述多个操作条件与所述图案化过程的随时间变化的特定于操作条件的行为相关联；和2)使用物理模型、基于所述训练控制输入而产生的训练控制输出。输入而产生的训练控制输出。输入而产生的训练控制输出。