[发明专利]基于机器学习的测量配方优化的动态控制

说明书

本文中描述用于在动态控制多个性能目标的收敛轨迹时训练及实施计量配方的方法及系统。采用性能度量以正则化在测量模型训练、基于模型的回归或两者期间采用的优化过程。在模型训练期间动态控制与模型优化的损失函数中的所述性能目标中的每一者相关联的加权值。以此方式，控制每一性能目标的收敛及所述损失函数的多个性能目标之间的权衡以按稳定、平衡方式得到经训练测量模型。采用经训练测量模型以基于具有一或多个所关注参数的未知值的结构的测量来估计所关注参数的值。另一方面，动态控制与测量模型上的基于模型的回归中的所述性能目标中的每一者相关联的加权值。

相关申请的交叉引用

本专利申请根据35 U.S.C.§119规定要求在2020年10月9日申请的题为“通过动态控制训练进行机器学习配方优化的方法(Method for Machine Learning RecipeOptimization by Dynamic Control of The Training)”的第63/089,550号美国临时专利申请的优先权，所述案的主题以引用的方式全部并入本文中。

技术领域

所描述实施例涉及计量系统及方法，且更特定来说，涉及用于半导体结构的改进测量的方法及系统。

背景技术

通常通过应用于样品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。例如，光刻术尤其是涉及在半导体晶片上产生图案的一种半导体制造工艺。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离成个别半导体装置。

在半导体制造工艺期间的各个步骤使用计量工艺来检测晶片上的缺陷以促进更高良率。基于光学及X射线的计量技术提供高处理量的可能性而无样本破坏的风险。通常使用数种基于计量的技术(包含散射测量、反射测量及椭偏测量实施方案及相关联分析算法)来特性化纳米级结构的临界尺寸、膜厚度、组合物、覆盖及其它参数。

许多计量技术是测量被测量样品的物理学性质的间接方法。在大多数情况中，原始测量信号无法用于直接确定样品的物理学性质。代替地，采用测量模型以基于原始测量信号来估计一或多个所关注参数的值。例如，椭偏测量是测量被测量样品的物理学性质的间接方法。一般来说，需要基于物理学的测量模型或基于机器学习的测量模型以基于原始测量信号(例如，α_meas及β_meas)确定样品的物理学性质。

在一些实例中，创建基于物理学的测量模型，其尝试基于一或多个模型参数的假设值来预测原始测量信号(例如，α_meas及β_meas)。如等式(1)及(2)中说明，测量模型包含与计量工具本身相关联的参数(例如，机器参数(P_machine))及与被测量样品相关联的参数。在求解所关注参数时，一些样品参数被视为固定值(P_spec-fixed)且其它所关注样品参数是浮动(P_spec-float)，即，基于原始测量信号进行解析。

α_model＝f(P_machine，P_spec-fixed，P_spec-float)            (1)

β_model＝g(P_machine，P_spec-fixed，P_spec-float)            (2)