[发明专利]提供经过训练的神经网络以及确定实体系统的特性

说明书

一种确定具有材料结构的实体系统的特性的方法，所述特性例如为光学响应，所述材料结构诸如为薄膜多叠置层或其它光学系统，所述方法具有以下步骤：提供(1430)神经网络(1440)，其中基于由所述材料结构沿辐射的路径对所述辐射进行散射的模型(1420)来配置所述神经网络的网络架构；训练(1450)和使用(1460)所述神经网络以确定所述实体系统的所述特性。可以基于所述模型通过对参数进行配置来配置所述网络架构，所述参数包括每个隐藏层的单元的数目、隐藏层的数目、层互连和丢弃。

相关申请的交叉引用

本申请要求2018年9月28日递交的欧洲申请18197556.6的优先权，所述欧洲申请的全部内容通过引用并入本文中。

技术领域

本发明涉及提供经过训练的神经网络的方法、确定实体系统的特性的方法、数据处理设备、检查设备、量测设备、光刻单元和计算机程序产品。

背景技术

光刻设备是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)处的图案(也经常被称作“设计布局”或“设计”)投影至被设置在衬底(例如，晶片)上的辐射敏感材料(抗蚀剂)层上。

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可以形成在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的特征。

低k₁光刻可以用于处理具有小于光刻设备的经典分辨率极限的尺寸的特征。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的图案以便实现特定电功能性和性能变得越困难。为了克服这些困难，可以将复杂的微调步骤应用至光刻投影设备和/或设计布局。这些步骤包括例如但不限于：NA的优化、自定义照射方案、相移图案形成装置的使用、设计布局的各种优化，诸如设计布局中的光学邻近效应校正(OPC，有时也被称作“光学和过程校正”)，或通常被定义为“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图案的在低k₁下的再现。

人工神经网络和深度学习模型近来归因于其优于在缺陷识别、机器翻译、语音识别、音频信号处理等多样化领域中的具体模型的能力而受到许多关注。它们学习有用信息以用于非常多样化的问题的集合的能力已在其在半导体行业中的使用方面产生了兴趣。鉴于人工神经网络和深度学习的(近来)兴起，已经对应用数据驱动方法感兴趣，所述数据驱动方法用于执行针对不同的半导体制造应用的从输入至输出的映射，用于例如半导体制造过程中所制造的临界尺寸(CD)轮廓的薄膜多叠置层参数(作为输入)至散射仪的物镜的光瞳(作为输出)。

常规地，不论何时执行这种映射，都必须经由耗时的过程来调谐神经网络架构(例如，网络中的层的数目、每个层中的隐藏单元的数目)。检测超参数的不同组合(例如，层的数目、每层的隐藏单元的数目等)(例如5个层和每层4个隐藏单元)，以评估哪个组合给出最佳总体性能(例如，关于测试数据的最低训练数据误差、最低均方误差)。寻找针对特定应用的最佳架构的这种过程涉及许多尝试错误法，伴随计算时间以及人类专家时间两者的损失。

机器学习模型的关注点是泛化，即，对模型在训练期间还未看到的数据的正确预测。提出最佳架构，使得网络良好地泛化至新数据也是机器学习相关研究中的基本开放问题。

发明内容