特開 2024-13219 深層学習を使用するＸ線散乱測定データの解析

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024013219

(43)【公開日】2024-01-31

(54)【発明の名称】深層学習を使用するＸ線散乱測定データの解析

(51)【国際特許分類】

   H01L 21/66 20060101AFI20240124BHJP

   G06T 7/00 20170101ALI20240124BHJP

【ＦＩ】

H01L21/66 J

G06T7/00 350C

【審査請求】未請求

【請求項の数】20

【出願形態】ＯＬ

【外国語出願】

(21)【出願番号】P 2023115767

(22)【出願日】2023-07-14

(31)【優先権主張番号】63/390,328

(32)【優先日】2022-07-19

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】63/482,599

(32)【優先日】2023-02-01

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】18/333,555

(32)【優先日】2023-06-13

(33)【優先権主張国・地域又は機関】US

(71)【出願人】

【識別番号】517006463

【氏名又は名称】ブルカー テクノロジーズ リミテッド

(74)【代理人】

【識別番号】100094569

【弁理士】

【氏名又は名称】田中 伸一郎

(74)【代理人】

【識別番号】100103610

【弁理士】

【氏名又は名称】▲吉▼田 和彦

(74)【代理人】

【識別番号】100109070

【弁理士】

【氏名又は名称】須田 洋之

(74)【代理人】

【識別番号】100067013

【弁理士】

【氏名又は名称】大塚 文昭

(74)【代理人】

【識別番号】100109335

【弁理士】

【氏名又は名称】上杉 浩

(74)【代理人】

【識別番号】100120525

【弁理士】

【氏名又は名称】近藤 直樹

(74)【代理人】

【識別番号】100139712

【弁理士】

【氏名又は名称】那須 威夫

(74)【代理人】

【識別番号】100141553

【弁理士】

【氏名又は名称】鈴木 信彦

(74)【代理人】

【識別番号】100196612

【弁理士】

【氏名又は名称】鎌田 慎也

(72)【発明者】

【氏名】アンドレイ バラノフスキー

(72)【発明者】

【氏名】インバー グリンバーグ

(72)【発明者】

【氏名】マイケル ジー グリーン

(72)【発明者】

【氏名】マシュー ウォーミントン

【テーマコード（参考）】

4M106

5L096

【Ｆターム（参考）】

4M106AA01

4M106CA39

4M106DH25

4M106DH34

4M106DJ20

5L096AA06

5L096BA03

5L096CA02

5L096DA02

5L096EA05

5L096GA51

5L096HA11

5L096KA04

5L096KA15

(57)【要約】

【課題】深層学習技術を使用するＸ線散乱測定データを解析するための方法及びシステムを提供する。
【解決手段】ＮＮを訓練する方法は、（ａ）（ｉ）入射Ｘ線ビームをサンプルに対してある角度に向けることに応答してサンプル内に形成された構造から回折したＸ線光子を示す回折画像と（ｉｉ）構造の少なくとも第１の特性を示す第１のパラメータと入射Ｘ線ビームの少なくとも第２の特性を示す第２のパラメータとを含むラベルとの複数の対と、（ｂ）複数のペアに対する複数の予め定められた出力とを含む訓練データセットを受け取る段階を含む。ＮＮは、（ｉ）ＮＮをペアのうちの少なくとも所与のペアに適用することにより、かつ（ｉｉ）ＮＮから所与のペアの推定出力を受け取ることに応答して所与のペアに対応する予め定められた出力のうちの所与の予め定められた出力をＮＮに提供することにより、予め定められた出力を取得するように訓練される。
【選択図】図１

【特許請求の範囲】

【請求項1】

ニューラルネットワーク（ＮＮ）を訓練するための方法であって、
（ａ）（ｉ）入射Ｘ線ビームをサンプルに対してある角度に向けることに応答して前記サンプル内に形成された１又は２以上の構造から回折したＸ線光子を示す回折画像と（ｉｉ）前記１又は２以上の構造の少なくとも第１の特性を示す第１のパラメータと前記入射Ｘ線ビームの少なくとも第２の特性を示す第２のパラメータとを含むラベルとの１又は２以上のペア、及び
（ｂ）それぞれ前記１又は２以上のペアに対する１又は２以上の予め定められた出力、
を含む訓練データセットを受け取る段階と、
（ｉ）前記ＮＮを前記ペアのうちの少なくとも所与のペアに適用することにより、かつ（ｉｉ）前記ＮＮから前記所与のペアの推定出力を受け取ることに応答して前記所与のペアに対応する前記予め定められた出力のうちの所与の予め定められた出力を前記ＮＮに提供することにより、前記予め定められた出力を取得するように前記ＮＮを訓練する段階と、
を含む、方法。

【請求項2】

前記１又は２以上のペアのうちの少なくとも１つの前記回折画像は、前記ラベルと経験的データとに基づいて生成された合成回折画像を含む、請求項１に記載の方法。

【請求項3】

前記１又は２以上の構造は、公称構造を有し、前記第１のパラメータは、前記公称構造からの構造変動を含む、請求項１に記載の方法。

【請求項4】

前記１又は２以上の構造は、（ａ）ラインとトレンチとの第１のアレイ及び（ｂ）孔の第２のアレイのうちの一方又は両方を含み、
前記構造変動は、（ｉ）幅と、（ｉｉ）深さと、（ｉｉｉ）傾斜と、（ｉｖ）粗度と、（ｖ）中心線シフト（ＣＬＳ）と、（ｖｉ）側壁の形状と、（ｖｉｉ）それぞれ第１及び第２の層のスタック内で互いの上に形成された少なくとも第１の及び第２の構造の間のジョイントシフト（ＪＳ）とで構成された変動のリストから選択される１又は２以上の変動を含む、請求項３に記載の方法。

【請求項5】

前記構造変動は、（ｉ）前記第１のアレイ内の前記ラインのうちの少なくとも２つの間、（ｉｉ）前記第１のアレイ内の前記トレンチのうちの少なくとも２つの間、及び（ｉｉｉ）前記第２のアレイ内の前記孔のうちの少なくとも２つの間のうちの少なくとも１つでの１又は２以上の変動を含む、請求項４に記載の方法。

【請求項6】

前記予め定められた出力は、（ｉ）前記入射Ｘ線ビームを向けるときの測定での前記構造のうちの少なくとも１つのサイズと（ｉｉ）その後の測定での前記入射Ｘ線ビームを前記サンプルに向けるための推奨角度とのうちの一方又は両方を含む、請求項１から請求項５のいずれか１項に記載の方法。

【請求項7】

前記回折画像は、前記入射Ｘ線ビームを前記角度に向けるときの第１の強度を有する第１の回折画像と、前記入射Ｘ線ビームを前記推奨角度に向けるときの前記第１の強度とは異なる第２の強度を有する第２の回折画像とを含む、請求項６に記載の方法。

【請求項8】

前記第１の回折画像は、第１の対称性を有し、前記第２の回折画像は、前記第１の対称性とは異なる第２の対称性を有する、請求項７に記載の方法。

【請求項9】

前記その後の測定での前記入射Ｘ線ビームを前記サンプルに向けるための前記推奨角度を決定するためにマルチサブショット技術を適用する段階を含む、請求項６に記載の方法。

【請求項10】

前記１又は２以上のペアのうちの少なくとも１つの前記回折画像は、合成回折画像を含み、
前記ラベルに基づいて前記合成回折画像を生成する段階と、運動学的散乱理論のボルン近似を適用する段階と、を含む、請求項１から請求項５のいずれか１項に記載の方法。

【請求項11】

ニューラルネットワーク（ＮＮ）を訓練するためのシステムであって、
（ａ）（ｉ）入射Ｘ線ビームをサンプルに対してある角度に向けることに応答して前記サンプル内に形成された１又は２以上の構造から回折したＸ線光子を示す回折画像と（ｉｉ）前記１又は２以上の構造の少なくとも第１の特性を示す第１のパラメータと前記入射Ｘ線ビームの少なくとも第２の特性を示す第２のパラメータとを含むラベルとの１又は２以上のペア、及び
（ｂ）それぞれ前記１又は２以上のペアに対する１又は２以上の予め定められた出力、
を含む訓練データセットを受け取るように構成されたインタフェースと、
プロセッサであって、（ｉ）前記ＮＮを前記ペアのうちの少なくとも所与のペアに適用することにより、かつ（ｉｉ）前記ＮＮから前記所与のペアの推定出力を受け取ることに応答して、前記プロセッサが前記所与のペアに対応する前記予め定められた出力のうちの所与の予め定められた出力を前記ＮＮに提供するように構成されることにより、前記予め定められた出力を取得するように前記ＮＮを訓練するように構成されたプロセッサと、
を備える、システム。

【請求項12】

Ｘ線解析を実行するための方法であって、
入射Ｘ線ビームをサンプルの面に対して第１の角度に向けることに応答して、第１の強度を有する第１の回折画像を受け取る段階であって、前記第１の回折画像は、前記サンプルの部位に形成された１又は２以上の構造から回折した第１のＸ線光子を示す、受け取る段階と、
１又は２以上の第２の回折画像に基づいて事前に訓練された訓練済みモデルを含むニューラルネットワーク（ＮＮ）を前記第１の回折画像に適用する段階と、
前記第１の回折画像と前記訓練済みモデルとに基づくものであり、かつその後の測定での前記入射Ｘ線ビームを前記部位に向けるための少なくとも推奨角度を示す１又は２以上の推論パラメータを前記ＮＮから受け取る段階と、
を含む、方法。

【請求項13】

前記推論パラメータを受け取る段階は、前記第１の回折画像に基づいて前記構造のうちの少なくとも１つの測定パラメータを受け取る段階を含む、請求項１２に記載の方法。

【請求項14】

前記入射Ｘ線ビームを前記推奨角度に向けるときの第１の測定品質が、前記入射Ｘ線ビームを前記第１の角度に向けるときの第２の測定品質よりも高い、請求項１２に記載の方法。

【請求項15】

前記第１の測定品質及び前記第２の測定品質の両方は、（ｉ）反復性、（ｉｉ）再現性、（ｉｉｉ）精度、及び（ｉｖ）感度のうちの少なくとも１つを含む、請求項１４に記載の方法。

【請求項16】

前記１又は２以上の推論パラメータを受け取る段階は、前記ＮＮを適用することに応答して、（ｉ）前記入射Ｘ線ビームを前記推奨角度に向けるときの第１の推論パラメータを第１の時間間隔内に受け取る段階と、（ｉｉ）前記入射Ｘ線ビームを前記第１の角度に向けるときの第２の推論パラメータを第２の時間間隔内に受け取る段階とを含み、
前記第１の時間間隔は、前記第２の時間間隔よりも短い、
請求項１２から請求項１５のいずれか１項に記載の方法。

【請求項17】

前記第１及び第２の回折画像は、半径方向相称性を有し、前記第１及び第２の回折画像の第１のセットが、直交座標内に生成され、前記第１及び第２の回折画像の第２のセットが、極座標内に生成され、前記ＮＮを適用する段階は、（ｉ）第１の数の畳み込み層を有する第１の畳み込みＮＮ（ＣＮＮ）を前記第１のセットに適用する段階と、（ｉｉ）前記第１の数とは異なる第２の数の畳み込み層を有する第２のＣＮＮを前記第２のセットに適用する段階とを含む、
請求項１２から請求項１５のいずれか１項に記載の方法。

【請求項18】

前記推論パラメータのうちの少なくとも１つが、測定パラメータを含み、前記サンプルは、互いに対面する第１及び第２の面を有し、前記構造のうちの少なくとも所与の構造が、前記第１及び第２の面の間に形成されてキャビティを定める１又は２以上の壁を有し、前記測定パラメータのうちの少なくとも１つの第１の特性が、前記１又は２以上の壁の形状を示す、
請求項１２から請求項１５のいずれか１項に記載の方法。

【請求項19】

前記所与の構造の前記キャビティは、前記第１及び第２の面の間を延びており、前記キャビティは、前記壁と平行に延びて前記壁から等距離に位置する中心線（ＣＬ）を有し、前記第２の回折画像は、（ｉ）前記入射Ｘ線ビームを第１の角度に向けることに応答して形成され、かつ所与の平面で予め定められたサイズを有する第１の画像と、（ｉｉ）前記入射Ｘ線ビームを前記第１の角度とは異なる第２の角度に向けることに応答して形成され、同じく前記所与の平面で前記予め定められたサイズを有する第２の画像とを含み、
（ｉ）それぞれ第１及び第２の層内に前記第１及び第２の画像を含み、かつ前記所与の平面で前記予め定められたサイズを有する多層回折画像を生成することにより、かつ（ｉｉ）前記多層回折画像に前記ＮＮを適用することにより、前記ＮＮを訓練する段階を含む、請求項１８に記載の方法。

【請求項20】

前記所与の構造の前記壁は、前記サンプルの軸線に沿って非対称であり、
前記ＮＮから１又は２以上の推論パラメータを受け取る段階は、ＣＬシフト（ＣＬＳ）の表示を受け取る段階を含む、請求項１９に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

〔関連出願への相互参照〕
この出願は、２０２２年７月１９日出願の米国仮特許出願第６３／３９０，３２８号及び２０２３年２月１日出願の米国仮特許出願第６３／４８２，５９９号の利益を主張するものである。両方の関連出願の開示は、引用によって本明細書に組み込まれている。

【0002】

本発明は、一般的にＸ線解析に関連し、具体的には、深層学習技術を使用するＸ線散乱測定データを解析するための方法及びシステムに関する。

【背景技術】

【0003】

半導体及び他の基板上に形成された構造の限界寸法（ＣＤ）を測定するための様々な技術は当業技術で公知である。そのような技術は、散乱測定とニューラルネットワークを使用するデータ解析とを備える場合がある。

【0004】

例えば、米国特許出願公開第２０１９／００４９６０２号明細書は、オンデバイス構造のＸ線散乱測定のための方法及びシステムを説明している。測定区域にわたる測定構造は、１又は２以上の構造の複数の部分構造への分解及び測定区域の複数の部分区域への分解又はその両方を含む。分解された構造、測定区域、又はその両方は、独立に模擬される。独立に模擬された分解構造のうちの各々の散乱寄与は、測定区域内の測定構造の実際の散乱を模擬するために組み合わされる。更に別の態様では、測定強度と１又は２以上の付帯構造を含むモデル強度とを使用して当該構造の測定が実行される。他の更に別の態様では、測定値分解を使用して測定モデルが訓練され、かつ特定の測定用途のための測定レシピが最適化される。

【0005】

米国特許出願公開第２０２０／０３３３２６７号明細書は、厚み方向に長い柱状散乱本体の傾斜角を容易に決定することができる微細構造決定方法を説明しており、提供されているのは、解析装置及びその解析プログラムである。厚み方向に長くて周期的に配置された柱状散乱本体を有するように形成されたプレート状サンプルの微細構造に対する解析方法が提供され、Ｘ線の透過を通じて発生されるプレート状サンプルからの散乱強度データを準備する段階と、準備された散乱強度データに基づいてプレート状サンプルの面がＸ線の入射方向に対して垂直である基準回転位置に対するプレート状サンプル内の散乱本体の傾斜角を決定する段階とを含む。

【0006】

米国特許出願公開第２０２２／０２５２３９５号明細書は、Ｘ線散乱測定に基づいて高アスペクト比半導体構造の面内歪曲形状を特徴付ける幾何学パラメータの値を推定するための方法及びシステムを説明している。パラメータ化幾何学モデルが、孔形状での面内非楕円形歪曲の散乱痕跡を取り込む。孔構造の面内形状を表すのに使用される独立パラメータの数を増大することにより、高アスペクト比構造の実際の形状へのモデル当て嵌めが改善される。一態様では、幾何学的にパラメータ化された測定モデルは、測定構造の面内形状を特徴付けるのに２よりも多い自由度を含む。一部の実施形態では、幾何学モデルは、３自由度又はそれ以上を有する閉曲線を含む。一部の実施形態では、幾何学モデルは、２又は３以上の円錐セクションの区分的アセンブリを含む。独立幾何学モデルパラメータは、構造を通した形状変動を取り込むために深さの関数として表される。

【0007】

米国特許出願公開第２０１４／０３１６７３０号明細書は、デバイス構造上で直接に半導体度量衡を実行するための方法及びシステムを説明している。測定モデルは、少なくとも１つのデバイス構造から収集される測定訓練データに基づいて生成される。訓練済み測定モデルは、他のウェーハのデバイス構造から収集された測定データから直接に処理パラメータ値、構造パラメータ値、又はその両方を計算するのに使用される。一部の例では、複数のターゲットからの測定データが、モデル構築、訓練、及び測定に関して収集される。一部の例では、複数のターゲットに関連付けられた測定データの使用は、測定結果での下層の効果を排除する又は有意に低減し、かつより正確な測定を可能にする。モデル構築、訓練、及び測定に関して収集される測定データは、複数の異なる測定技術の組合せによって実行された測定から導出される場合がある。

【先行技術文献】

【特許文献】

【0008】

【特許文献1】米国特許出願第２０１９／００４９６０２号明細書

【特許文献2】米国特許出願第２０２０／０３３３２６７号明細書

【特許文献3】米国特許出願第２０２２／０２５２３９５号明細書

【特許文献4】米国特許出願第２０１４／０３１６７３０号明細書

【特許文献5】米国特許第１０，６８４，２３８号明細書

【特許文献6】米国特許第６，３８１，３０３号明細書

【特許文献7】米国特許第６，８９５，０７５号明細書

【特許文献8】米国仮特許出願第６３／３９０，３２８号明細書

【非特許文献】

【0009】

【非特許文献1】Ｃｈａｒｌｅｓ Ｍ．著博士論文（２０１５年）「Ａｎ Ａｓｓｅｓｓｍｅｎｔ ｏｆ Ｃｒｉｔｉｃａｌ Ｄｉｍｅｎｓｉｏｎ Ｓｍａｌｌ Ａｎｇｌｅ Ｘ－ｒａｙ Ｓｃａｔｔｅｒｉｎｇ Ｍｅｔｒｏｌｏｇｙ ｆｏｒ Ａｄｖａｎｃｅｄ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ（高度半導体製造のための限界寸法小角Ｘ線散乱測定の評価）」、ニューヨーク州立大学オールバニー校

【発明の概要】

【課題を解決するための手段】

【0010】

本明細書に説明する本発明の実施形態は、ニューラルネットワーク（ＮＮ）を訓練する方法を提供し、本方法は、
（ａ）（ｉ）入射Ｘ線ビームをサンプルに対してある角度に向けること(directing)に応答してサンプル内に形成された１又は２以上の構造から回折したＸ線光子(X-ray photons)を示す回折画像(diffraction image)及び（ｉｉ）１又は２以上の構造の少なくとも第１の特性(property)を示す第１のパラメータと入射Ｘ線ビームの少なくとも第２の特性を示す第２のパラメータとを含むラベルの１又は２以上のペア、及び
（ｂ）それぞれ１又は２以上のペアに対する１又は２以上の予め定められた出力、
を含む訓練データセットを受け取る段階、
を含む。

【0011】

ＮＮは、
（ｉ）ペアのうちの少なくとも所与のペアにＮＮを適用することにより、かつ
（ｉｉ）ＮＮから所与のペアの推定出力を受け取ることに応答して、所与のペアに対応する予め定められた出力のうちの所与の予め定められた出力をＮＮに提供することとにより、
予め定められた出力を取得するように訓練される。

【0012】

一部の実施形態では、１又は２以上のペアのうちの少なくとも１つの回折画像は、ラベルと経験的データとに基づいて生成された合成回折画像(synthetic diffraction image)を含む。他の実施形態では、１又は２以上の構造は、公称構造(nominal structure)を有し、第１のパラメータは、公称構造からの構造変動(structural variation)を含む。更に他の実施形態では、１又は２以上の構造は、（ａ）ラインとトレンチとの第１のアレイ及び（ｂ）孔の第２のアレイのうちの一方又は両方を含み、構造変動は、（ｉ）幅、（ｉｉ）深さ、（ｉｉｉ）傾斜、（ｉｖ）粗度(roughness)、（ｖ）中心線シフト(center line shift)（ＣＬＳ）、（ｖｉ）側壁の形状、及び（ｖｉｉ）それぞれ第１及び第２の層のスタック内に互いの上に形成された少なくとも第１及び第２の構造の間のジョイントシフト（ＪＳ）で構成される変動のリストから選択された１又は２以上の変動を含む。

【0013】

一部の実施形態では、構造変動は、（ｉ）第１のアレイのラインのうちの少なくとも２つの間、（ｉｉ）第１のアレイ内のトレンチのうちの２つの間、及び（ｉｉｉ）第２のアレイの孔のうちの少なくとも２つの間のうちの少なくとも１つでの１又は２以上の変動を含む。他の実施形態では、予め定められた出力は、（ｉ）入射Ｘ線ビームを向ける時の測定での構造のうちの少なくとも１つのサイズ、及び（ｉｉ）その後の測定での入射Ｘ線ビームをサンプルに向けるための推奨角度のうちの一方又は両方を含む。更に他の実施形態では、回折画像は、入射Ｘ線ビームを上記角度に向ける時に第１の強度を有する第１の回折画像と、入射Ｘ線ビームを推奨角度に向ける時に第１の強度とは異なる第２の強度を有する第２の回折画像とを含む。

【0014】

一部の実施形態では、第１の回折画像は、第１の対称性を有し、第２の回折画像は、第１の対称性とは異なる第２の対称性を有する。他の実施形態では、本方法は、その後の測定での入射Ｘ線ビームをサンプルに向けるための推奨角度を決定するためにマルチサブショット技術を適用する段階を含む。

【0015】

一部の実施形態では、ＮＮは、畳み込みニューラルネットワーク（ＣＮＮ）を含む。他の実施形態では、ＣＮＮは、（ａ）１又は２以上の（ｉ）畳み込み層、（ｉｉ）第１、第２、及び第３のドロップアウト層、及びｉｉ）完全接続層を有する第１のＣＮＮ、又は（ｂ）（ｉ）１又は２以上の畳み込み層及び（ｉｉ）１又は２以上の完全接続層を有する第２のＣＮＮを含む。更に他の実施形態では、第１のＣＮＮは、（ｉ）第１のドロップアウト層、（ｉｉ）少なくとも第１及び第２の畳み込み層、及び少なくとも活性化関数を有する第１のブロックを含む。

【0016】

一部の実施形態では、（ａ）回折画像は、所与のサイズを有し、（ｂ）第１の畳み込み層は、この所与のサイズよりも小さい第１のサイズと、第１の数の畳み込みフィルタ（ＣＦ）とを有し、第２の畳み込み層は、第１のサイズよりも小さい第２のサイズと、第１の数のＣＦよりも多い第２の数のＣＦとを有する。他の実施形態では、第１のＣＮＮを適用する段階は、（ｉ）第１の出力を取得するために第１のドロップアウト層を回折画像に適用する段階、（ｉｉ）第２の出力を取得するために第１の畳み込み画像を第１の出力に適用する段階、（ｉｉｉ）第３の出力を取得するために活性化関数を第２の出力に適用する段階、（ｉｖ）第４の出力を取得するために第２の畳み込み画像を第３の出力に適用する段階、及び（ｖ）第５の出力を取得するために活性化関数を第４の出力に適用する段階を含む。更に他の実施形態では、第１のＣＮＮは、（ｉ）第２のドロップアウト層と、（ｉｉ）少なくとも第３及び第４の畳み込み層と、修正線形ユニット（ＲｅＬＵ）とを有する第２のブロックを含む。

【0017】

一部の実施形態では、本方法は、（ｉ）第６の出力を取得するために第２のドロップアウト層を第５の出力に適用する段階、（ｉｉ）第７の出力を取得するために第３の畳み込み画像を第６の出力に適用する段階、（ｉｉｉ）第８の出力を取得するためにＲｅＬＵを第７の出力に適用する段階、（ｉｖ）第９の出力を取得するために第４の畳み込み画像を第３の出力に適用する段階、及び（ｖ）第１０の出力を取得するためにＲｅＬＵを第９の出力に適用する段階を含む。他の実施形態では、第１のＣＮＮは、（ｉ）第３のドロップアウト層と、（ｉｉ）複数のチャネルを含む少なくとも１次元多層（１ＤＭＬ）と、ＲｅＬＵとを有する第３のブロックを含む。

【0018】

一部の実施形態では、本方法は、（ｉ）第１１の出力を取得するために第３のドロップアウト層を第１０の出力に適用する段階、（ｉｉ）第１２の出力を取得するために１ＤＭＬを第１１の出力に適用する段階、及び（ｉｉｉ）第１３の出力を取得するためにＲｅＬＵを第１２の出力に適用する段階を含む。他の実施形態では、回折画像は、直交座標(cartesian coordinates)を有し、第２のＣＮＮを訓練する段階は、放射状画像を取得するために直交座標を極座標に変換する段階と、その後に放射状出力を取得するために畳み込み層のうちの少なくとも１つを放射状画像に適用する段階とを含む。更に他の実施形態では、本方法は、修正線形ユニット（ＲｅＬＵ）を第１の放射状出力に適用する段階を含む。

【0019】

一部の実施形態では、回折画像は、極座標を有し、第２のＣＮＮを訓練する段階は、放射状出力を取得するために畳み込み層のうちの少なくとも１つを放射状画像に適用する段階を含む。他の実施形態では、本方法は、修正線形ユニット（ＲｅＬＵ）を放射状出力に適用する段階を含む。更に他の実施形態では、本方法は、ＮＮの訓練を完了するための少なくとも判断基準を示す１又は２以上の閾値を格納する段階を含む。

【0020】

一部の実施形態では、ＮＮを訓練する段階は、監視下訓練を適用する段階を含み、訓練の後に、ＮＮは、訓練済み深層学習モデルを含む。他の実施形態では、１又は２以上のペアのうちの少なくとも１つの回折画像は、合成回折画像を含み、かつラベルに基づいて合成回折画像を生成する段階と、運動学的散乱理論(kinematical scattering theory)のボルン近似(born approximation)を適用する段階とを含む。

【0021】

一部の実施形態では、本方法は、ＮＮ訓練の品質を改善するための１又は２以上の前処理段階(preprocessing steps)を各ペアの回折画像に適用する段階を含む。他の実施形態では、前処理段階のうちの少なくとも１つは、対数又は平方根変換を回折画像の強度レベルに適用する段階を含む。更に他の実施形態では、前処理段階のうちの少なくとも１つは、予め定められた強度閾値を適用することによってペアのうちの１又は２以上の回折画像を除去する段階を含む。

【0022】

一部の実施形態では、サンプルは、互いに対面する第１及び第２の面を有し、構造のうちの少なくとも所与の構造は、第１及び第２の面の間に形成されてキャビティを定める１又は２以上の壁を有し、予め定められた出力のうちの少なくとも１つの第１の特性は、１又は２以上の壁の形状を示す。

【0023】

一部の実施形態では、所与の構造のキャビティは、第１及び第２の面の間を延びており、キャビティは、壁と平行に延びて壁から等距離に位置する(located)中心線（ＣＬ）を有し、訓練データセットは、（ｉ）入射Ｘ線ビームを第１の角度に向けることに応答して形成されて所与の平面での予め定められたサイズを有する第１の回折画像、及び（ｉｉ）入射Ｘ線ビームを第１の角度とは異なる第２の角度に向けることに応答して形成されて同じく所与の平面での予め定められたサイズを有する第２の回折画像を含み、ＮＮを訓練する段階は、（ｉ）それぞれ第１及び第２の層内に第１及び第２の回折画像を含み、かつ所与の平面での予め定められたサイズを有する多層回折画像を生成する段階、及び（ｉｉ）多層回折画像にＮＮを適用する段階を含む。

【0024】

他の実施形態では、所与の構造の壁は、サンプルの軸線に沿って非対称であり、ＮＮに所与の予め定められた出力を提供する段階は、ＮＮにＣＬシフト（ＣＬＳ）の表示を提供する段階を含む。

【0025】

更に他の実施形態では、所与の構造は、第１のＣＬを有する第１のキャビティを含む第１の層と、第１の層にわたって形成されて第２のＣＬを有する第２のキャビティを含む第２の層とを含む多段構造を含み、第１及び第２のＣＬは、サンプルの上述の軸線に沿って位置合わせされるように意図され、ＮＮを訓練する段階は、（ｉ）所与の平面での予め定められたサイズを有する追加の多層回折画像を生成するためにそれぞれ入射Ｘ線ビームを複数の角度に向けることに応答して形成された複数の追加の回折画像を使用する段階、及び（ｉｉ）推定出力が（ａ）第１及び第２のＣＬのうちの少なくとも一方でのＣＬＳと（ｂ）第１及び第２の層の間のインタフェースに沿って測定された第１及び第２のＣＬの間の距離であるジョイントシフト（ＪＳ）とのうちの少なくとも一方を含むか否かを検査するためにＮＮを追加の多層回折画像に適用する段階を含む。

【0026】

これに加えて、本発明の実施形態により、ニューラルネットワーク（ＮＮ）を訓練するためのシステムを提供し、システムは、
（ａ）（ｉ）入射Ｘ線ビームをサンプルに対してある角度に向けることに応答してサンプル内に形成された１又は２以上の構造から回折したＸ線光子を示す回折画像と（ｉｉ）１又は２以上の構造の少なくとも第１の特性を示す第１のパラメータ及び入射Ｘ線ビームの少なくとも第２の特性を示す第２のパラメータを含むラベルとの１又は２以上のペア、及び
（ｂ）それぞれ１又は２以上のペアに対する１又は２以上の予め定められた出力、
を含む訓練データセットを受け取るように構成されたインタフェースと、
（ｉ）ＮＮを上記ペアのうちの少なくとも所与のペアに適用することにより、かつ（ｉｉ）ＮＮから所与のペアの推定出力を受け取ることに応答して、予め定められた出力を取得するようにＮＮを訓練するように構成され、所与のペアに対応する予め定められた出力のうちの所与の予め定められた出力をＮＮに提供するように構成されたプロセッサと、
を含む。

【0027】

更に、本発明の実施形態により、Ｘ線解析を実行する方法を提供し、本方法は、
入射Ｘ線ビームをサンプルの面に対して第１の角度に向けることに応答して、第１の強度を有し、サンプルの部位(site)に形成された１又は２以上の構造から回折した第１のＸ線光子を示す第１の回折画像を受け取る段階、
を含み、
１又は２以上の第２の回折画像に基づいて事前に訓練された訓練済みモデル(trained model)を含むニューラルネットワーク（ＮＮ）が、第１の回折画像に適用され、
第１の回折画像及び訓練済みモデルに基づくものであり、かつその後の測定で入射Ｘ線ビームを上記部位に向けるための少なくとも推奨角度を示す１又は２以上の推論パラメータ(inferred parameters)が、ＮＮから受け取られる。

【0028】

一部の実施形態では、推論パラメータを受け取る段階は、第１の回折画像に基づいて構造のうちの少なくとも１つの測定パラメータを受け取る段階を含む。他の実施形態では、入射Ｘ線ビームを推奨角度に向ける時の測定品質は、入射Ｘ線ビームを第１の角度に向ける時の測定品質よりも高い。更に他の実施形態では、測定品質は、（ｉ）反復性、（ｉｉ）再現性、（ｉｉｉ）精度、及び（ｉｖ）感度のうちの少なくとも１つを含む。

【0029】

一部の実施形態では、１又は２以上の推論パラメータを受け取る段階は、ＮＮを適用することに応答して、（ｉ）入射Ｘ線ビームを推奨角度に向ける時に第１の推論パラメータを第１の時間間隔内に受け取る段階、及び（ｉｉ）入射Ｘ線ビームを第１の角度に向ける時に第２の推論パラメータを第２の時間間隔内に受け取る段階を含み、第１の時間間隔は、第２の時間間隔よりも短い。

【0030】

他の実施形態では、第１及び第２の回折画像は、半径方向相称性(radial symmetry)を有し、第１及び第２の回折画像の第１のセットが、直交座標内で生成され、第１及び第２の回折画像の第２のセットが、極座標内で生成され、ＮＮを適用する段階は、（ｉ）第１の数の畳み込み層を有する第１の畳み込みＮＮ（ＣＮＮ）を第１のセットに適用する段階、及び（ｉｉ）第１の数とは異なる第２の数の畳み込み層を有する第２のＣＮＮを第２のセットに適用する段階を含む。

【0031】

更に他の実施形態では、推論パラメータのうちの少なくとも１つは、測定パラメータを含み、サンプルは、互いに対面する第１及び第２の面を有し、構造のうちの少なくとも所与の構造は、第１及び第２の面の間に形成されてキャビティを定める１又は２以上の壁を有し、測定パラメータのうちの少なくとも１つの第１の特性は、１又は２以上の壁の形状を示す。

【0032】

一部の実施形態では、所与の構造のキャビティは、第１及び第２の面の間を延び、キャビティは、壁と平行に延びて壁から等距離に位置する中心線（ＣＬ）を有し、第２の回折画像は、（ｉ）入射Ｘ線ビームを第１の角度に向けることに応答して形成されて所与の平面での予め定められたサイズを有する第１の画像と、（ｉｉ）入射Ｘ線ビームを第１の角度とは異なる第２の角度に向けることに応答して形成されて同じく所与の平面での予め定められたサイズを有する第２の画像とを含み、かつ（ｉ）それぞれ第１及び第２の層内に第１及び第２の画像を含んで所与の平面での予め定められたサイズを有する多層回折画像を生成することにより、かつ（ｉｉ）多層回折画像にＮＮを適用することにより、ＮＮを訓練する段階を含む。

【0033】

他の実施形態では、第１の回折画像は、第１の多層回折画像を含む。

【0034】

一部の実施形態では、所与の構造の壁は、サンプルの軸線に沿って非対称であり、ＮＮから１又は２以上の推論パラメータを受け取る段階は、ＣＬシフト（ＣＬＳ）の表示を受け取る段階を含む。

【0035】

他の実施形態では、所与の構造は、第１のＣＬを有する第１のキャビティを含む第１の層と、第１の層にわたって形成されて第２のＣＬを有する第２のキャビティを含む第２の層とを含む多段構造を含み、第１及び第２のＣＬは、サンプルの上述の軸線に沿って位置合わせされるように意図され、かつ（ｉ）所与の平面での予め定められたサイズを有する追加の多層回折画像を生成するためにそれぞれ入射Ｘ線ビームを複数の角度に向けることに応答して形成された複数の追加の回折画像を使用する段階、及び（ｉｉ）推論パラメータのうちの少なくとも１つが（ａ）第１及び第２のＣＬのうちの少なくとも一方でのＣＬＳと（ｂ）第１及び第２の層の間のインタフェースに沿って測定された第１及び第２のＣＬの間の距離であるジョイントシフト（ＪＳ）とのうちの少なくとも一方を含むか否かを検査するためにＮＮを追加の多層回折画像に適用する段階を含む。

【0036】

これに加えて、本発明の実施形態により、Ｘ線解析を実行するためのシステムを提供し、システムは、
入射Ｘ線ビームをサンプルの面に対して第１の角度に向けることに応答して、第１の強度を有し、サンプルの部位に形成された１又は２以上の構造から回折した第１のＸ線光子を示す第１の回折画像を受け取るように構成されたインタフェースと、
（ｉ）１又は２以上の第２の回折画像に基づいて事前に訓練された訓練済みモデルを含むニューラルネットワーク（ＮＮ）を第１の回折画像に適用し、かつ（ｉｉ）第１の回折画像と訓練済みモデルとに基づいてその後の測定で入射Ｘ線ビームを上記部位に向けるための少なくとも推奨角度を示す１又は２以上の推論パラメータをＮＮから受け取るように構成されたプロセッサと、
を含む。

【0037】

更に、本発明の実施形態により、Ｘ線解析を実行する方法を提供し、本方法は、入射Ｘ線ビームをサンプルの面に対して第１の角度に向けることに応答して、第１の強度を有し、サンプルの部位に形成された１又は２以上の構造から回折した第１のＸ線光子を示す第１の回折画像を受け取る段階を含む。入射Ｘ線ビームをサンプルの面に対して１又は２以上の角度に向けることに応答して、それぞれ得られた１又は２以上の第２の回折画像に基づいて事前に訓練された訓練済みモデルを含むニューラルネットワーク（ＮＮ）が、第１の回折画像に適用される。第１の回折画像と訓練済みモデルとに基づくものであり、かつ第１の回折画像に基づいて構造のうちの少なくとも１つの１又は２以上の測定パラメータを示す１又は２以上の推論パラメータが、ＮＮから受信される。

【0038】

一部の実施形態では、１又は２以上の推論パラメータの測定品質は、１又は２以上の測定パラメータの（ｉ）反復性、（ｉｉ）再現性、（ｉｉｉ）精度、及び（ｉｖ）感度のうちの少なくとも１つを含む。他の実施形態では、サンプルは、互いに対面する第１及び第２の面を有し、構造のうちの少なくとも所与の構造は、第１及び第２の面の間に形成されてキャビティを定める１又は２以上の壁を有し、測定パラメータのうちの少なくとも１つの第１の特性は、１又は２以上の壁の形状を示す。

【0039】

一部の実施形態では、所与の構造のキャビティは、第１及び第２の面の間を延びており、キャビティは、壁と平行に延びて壁から等距離に位置する中心線（ＣＬ）を有し、第２の回折画像は、（ｉ）入射Ｘ線ビームを第１の角度に向けることに応答して形成されて所与の平面での予め定められたサイズを有する第１の画像と、（ｉｉ）入射Ｘ線ビームを第１の角度とは異なる第２の角度に向けることに応答して形成されて同じく所与の平面での予め定められたサイズを有する第２の画像とを含み、本方法は、（ｉ）それぞれ第１及び第２の層内に第１及び第２の画像を含んで所与の平面での予め定められたサイズを有する多層回折画像を生成することにより、かつ（ｉｉ）多層回折画像にＮＮを適用することにより、ＮＮを訓練する段階を含む。

【0040】

他の実施形態では、第１の回折画像は、第１の多層回折画像を含む。一部の実施形態では、所与の構造の壁は、サンプルの軸線に沿って非対称であり、ＮＮから１又は２以上の推論パラメータを受け取る段階は、ＣＬシフト（ＣＬＳ）の表示を受け取る段階を含む。

【0041】

更に他の実施形態では、所与の構造は、第１のＣＬを有する第１のキャビティを含む第１の層と、第１の層にわたって形成されて第２のＣＬを有する第２のキャビティを含む第２の層とを含む多段構造を含み、第１及び第２のＣＬは、サンプルの上述の軸線に沿って位置合わせされるように意図され、本方法は、（ｉ）入射Ｘ線ビームを複数の角度に向けることに応答して所与の平面での予め定められたサイズを有する追加の多層回折画像を生成するためにそれぞれ形成された複数の追加の回折画像を使用する段階、及び（ｉｉ）推論パラメータのうちの少なくとも１つが（ａ）第１及び第２のＣＬのうちの少なくとも一方でのＣＬＳと（ｂ）第１及び第２の層の間のインタフェースに沿って測定された第１及び第２のＣＬの間の距離であるジョイントシフト（ＪＳ）とのうちの少なくとも一方を含むか否かを検査するためにＮＮを追加の多層回折画像に適用する段階を含む。

【0042】

更に、本発明の実施形態により、Ｘ線解析を実行するためのシステムを提供し、システムは、
入射Ｘ線ビームをサンプルの面に対して第１の角度に向けることに応答して、第１の強度を有し、サンプルの部位に形成された１又は２以上の構造から回折した第１のＸ線光子を示す第１の回折画像を受け取るように構成されたインタフェースと、
１又は２以上の第２の回折画像に基づいて事前に訓練された訓練済みモデルを含むニューラルネットワーク（ＮＮ）を第１の回折画像に適用し、かつ（ｉｉ）第１の回折画像と訓練済みモデルとに基づくものであり、第１の回折画像に基づいて構造のうちの少なくとも１つの測定パラメータを示す１又は２以上の推論パラメータをＮＮから受け取るように構成されたプロセッサと、
を含む。

【0043】

以下の本発明の実施形態の詳細説明を図面と共に解釈することで本発明をより完全に理解されるであろう。

【図面の簡単な説明】

【0044】

【図1】本発明の実施形態による小角Ｘ線散乱（ＳＡＸＳ）システムの重要な要素の概略図である。

【図2】本発明の実施形態による入射Ｘ線ビームをサンプルに向けることに応答して生成された回折画像の概略図である。

【図3】本発明の実施形態による図２のサンプルのＸ線解析を改善するためにニューラルネットワーク（ＮＮ）を訓練し、その後にＮＮを使用するための処理シーケンスを概略で例示するブロック図である。

【図4】本発明の実施形態による図３のＮＮの構造の概略図である。

【図5】本発明の別の実施形態による図３に使用された代替的ＮＮの構造の概略図である。

【図6】本発明の実施形態による図２のサンプルのＸ線解析を改善するために図３のＮＮを訓練し、その後にＮＮを使用する方法を概略で例示する流れ図である。

【図7】本発明の実施形態による孔及び他の多段構造の垂直寸法に沿う変動を図４又は図５のＮＮをそれぞれの構造の多層回折画像に適用することによって解析する方法の概略図である。

【発明を実施するための形態】

【0045】

概要
散乱測定技術は、様々なタイプの半導体素子及び試験構造内又は上に形成された１又は２以上の周期アレイ内の特徴部の幾何学寸法を測定するのに使用することができる。小角Ｘ線散乱（ＳＡＸＳ）のようなＸ線技術は、一般的に、オングストローム程度の波長を有するＸ線を照射し、全てが半導体ウェーハ内に作り込まれたあらゆる適切なサイズ及び形状を有するＨＡＲ孔、ライン間のトレンチ、又はいずれかの他のタイプのＨＡＲ構造のような高アスペクト比（ＨＡＲ）特徴部を測定するのに適している。特徴部の幾何学特性を測定する段階は、本明細書では回折画像とも記すサンプルから散乱されたＸ線の強度を解析することに基づく推定技術を使用して実行される。

【0046】

原理的には、位置合わせ手順が必要である。この位置合わせ処理は、ウェーハ内に形成された当該のＨＡＲ構造の最良の測定及び／又はＸ線解析をもたらすことができる最適な回折画像を取得するためにウェーハを入射ビームに対する複数の角度に傾斜させる段階と、入射Ｘ線ビームとウェーハ面の間の好ましい角度を決定する段階を含む。

【0047】

以下の説明では、明瞭化の目的で、「測定(measure)」という用語と、「決定(determine)」という用語と、「推定(estimate)」という用語とを交換可能に使用する。更に、「トレンチ(trench)」という用語と「ライン(line)」という用語とを交換可能に用い、これらの用語は、１又は２以上の周期アレイで配置されたＨＡＲライン及びＨＡＲトレンチを意味する。

【0048】

言い換えれば、（ｉ）ＨＡＲラインとＨＡＲトレンチとは、周期アレイ内の少なくとも第１のアレイ内で交互に配置され、（ｉｉ）ＨＡＲ孔は、周期アレイ内の少なくとも第２のアレイで周期構造に配置される。典型的なデバイスでは、第１のアレイは、デバイスの第１の層内に形成され、第２のアレイは、第１の層とは異なるデバイスの第２の層内に形成されることに注意されたい。しかし、３次元（３Ｄ）ＮＡＮＤフラッシュメモリデバイス等であるがこれに限定されない一部のデバイスでは、１又は２以上の層は、ＨＡＲ構造を有する（ｉ）ライン及びトレンチと（ｉｉ）孔との組合せを含む場合がある。

【0049】

位置合わせ処理に加えて、ＨＡＲ構造の公称特徴（例えば、層状構造及び他の特徴部の寸法）と、様々な入力パラメータの範囲を定める定められた処理窓とに基づいて回帰モデルが生成される（一般的に、専門技術者により）。更に、専門技術者には、Ｘ線解析を実行するのに使用されるＸ線システムの製造レシピ内に上述の回帰モデルを組み込むことが必要である。

【0050】

一般的に、Ｘ線解析システムは、（ｉ）入射Ｘ線ビームとウェーハ（そのＨＡＲ構造）の間の物理的相互作用に応答してウェーハから放出された（一般的に、周期アレイから回折、すなわち、散乱した）光子を示す信号を１又は２以上のＸ線検出器から受信し、（ｉｉ）散乱強度値の２Ｄアレイから構成される回折画像を生成し、かつ（ｉｉｉ）Ｘ線解析の出力（例えば、１又は２以上のＨＡＲ構造の１又は２以上の測定値）を受け取るために回折画像に回帰モデルを適用するプロセッサを備える。

【0051】

上述した処理（例えば、位置合わせ、回帰モデルの生成、及び出力の解析）は、少なくとも専門技術者及び／又はオペレータと、Ｘ線システムの時間、当該の処理窓に対応するＨＡＲ構造を有するウェーハ等であるがこれに限定されない高価な運用リソースとを必要とすることに注意されたい。

【0052】

更に、出力は、予想外の処理変動と、Ｘ線システム及び入射ビームとサンプルの間の相互作用、例えば、システムのスリット又はサンプルの下層構造からの背景散乱に関する望ましくないノイズとに起因して歪曲されたデータを含む場合がある。そのような場合に、ＨＡＲ構造内の物理的歪曲、又はシステムの望ましくないアーチファクト及び／又はシステムとウェーハの間の望ましくないアーチファクトによって引き起こされる歪曲のいずれを出力が反映するか否かを決定するために追加のリソースが必要である。

【0053】

下記で説明する本発明の実施形態は、ＳＡＸＳシステムと、畳み込みＮＮ（ＣＮＮ）のようなニューラルネットワーク（ＮＮ）に実施された訓練済みモデル（例えば、深層学習アルゴリズム）とを使用するＸ線解析の自動化、スループット、及び品質を改善するための技術を提供する。更に、本発明の開示する技術は、Ｘ線解析システムで上述のようなレシピを開発及び運用することに関する上述したリソースを低減する。

【0054】

一部の実施形態では、Ｘ線解析システムは、（ｉ）Ｘ線ソース及び問題のＨＡＲ構造を有するウェーハに入射（Ｘ線）ビームを向けるように構成された光学系と、（ｉｉ）ウェーハを入射ビームに対して移動及び回転させるように構成された適切なマウント（例えば、ステージ及びチャック）と、（ｉｉｉ）入射ビームと当該のＨＡＲ構造の間の物理的相互作用に応答してウェーハから回折された光子の強度分布を示す信号を生成するように構成された検出器アセンブリと、（ｉｖ）プロセッサ、インタフェース、メモリ、及び他のコンピュータ機能を含む処理ユニットとを含む。本発明の開示及び特許請求の範囲の状況では、プロセッサという用語は、処理ユニットの作動を実施するエンティティを説明する（簡潔に）のに使用する。Ｘ線解析システムの上述の構成要素及び作動に対しては、下記で図１に詳細に説明する。

【0055】

一部の実施形態では、システムは、本明細書で簡略化の目的でＮＮとも記す畳み込みニューラルネットワーク（ＣＮＮ）を含む。２つの適切なＣＮＮの構造及び作動は、下記で図４及び図５で詳細に説明することに注意されたい。

【0056】

一部の実施形態では、プロセッサは、このシステムによって解析することが意図されたＨＡＲ構造のモデルを生成するように構成される。更に、プロセッサは、合成データ、実（例えば、測定に基づく）データ、及びその組合せを含むことができるＮＮ訓練のための１又は２以上のデータセットを発生するように構成される。基本的に、データセットは、（ｉ）ＨＡＲ構造の公称特徴のモデル化及び模擬と、（ｉｉ）Ｘ線システム及び他の適切なタイプの測定システム及び模擬システム（例えば、フォーカスイオンビームの透過電子顕微鏡、及び走査電子顕微鏡）を使用するＨＡＲ構造のサンプルの測定と、（ｉｉｉ）（ａ）ＨＡＲ構造の構造変動、（ｂ）システム及びそれとウェーハの間の相互作用、並びに他のノイズソースに関するノイズ等であるがこれらに限定されない系統的及びランダムなノイズソースのモデル化及び模擬とに基づいて生成される。訓練データセットを発生するための技術に関しては、下記で例えば図２及び図３で詳細に説明する。

【0057】

一部の実施形態では、プロセッサは、訓練ステージ(training stage)中にＣＮＮから要求される精度レベルを示す１又は２以上の閾値を格納するように構成される。これらの閾値に対しては、下記で図３及び図６で詳細に説明する。ＣＮＮが１又は２以上の変換基準を満足する（例えば、上述の閾値を使用する）と、訓練が完了し、プロセッサは、ＣＮＮが十分に訓練されて処理工学と生産環境の両方での推論ステージ(inference stage)に向けて待機していることを保証するための検証段階(verification step)を実施することができる。

【0058】

一部の実施形態では、プロセッサは、検出器アセンブリから受信した信号に基づいて、上述した技術を使用する第１の強度分布を有する第１の回折画像を生成するように構成される。第１の回折画像は、ウェーハの予め定められた部位にある１又は２以上のＨＡＲ構造から回折した第１のＸ線光子を示し、第１のＸ線光子は、ウェーハの面に対する定められた（本明細書では第１と記す）角度に入射Ｘ線ビームを向けることに応答して回折されることに注意されたい。

【0059】

一部の実施形態では、プロセッサは、訓練済みＮＮを第１の回折画像に適用し、従って、第１の回折画像と訓練済み（例えば、深層学習）ＮＮモデルとに基づく１又は２以上の推論パラメータをＮＮから受け取るように構成される。

【0060】

一部の実施形態では、推論パラメータは、（ｉ）第１の角度とは異なる第２の推奨角度、及び（ｉｉ）ＨＡＲ構造の特徴部のうちの１又は２以上の測定値のうちの少なくとも１つを示している。第２の角度は、その後の第２の回折画像の品質を改善し、それによって当該のＨＡＲ構造に対して実行されるＸ線解析（例えば、測定）の品質を改善するためにその後の測定で入射Ｘ線ビームをウェーハの同じ部位に向けることに関して推奨されるものである。

【0061】

（ｉ）Ｘ線解析の品質（例えば、測定の正確性又は精度）、（ｉｉ）訓練ステージ又は推論ステージのスループット、（ｉｉｉ）ＨＡＲ構造の垂直軸線に沿う変動の解析、（ｉｖ）スタックＨＡＲ構造間の重複の解析を改善することに関する更に別の実施形態、及び他の実施形態を下記の詳細説明の図２～図７で詳細に説明する。

【0062】

本発明の開示する技術は、Ｘ線解析システムによって実行されるＸ線解析処理の品質及び生産率を改善する。更に、本発明の開示する技術は、半導体素子及び他の適切なタイプのデバイスの構造を解析するのに使用される他の適切なタイプの測定システム及び解析システムに必要な変更を加えた上で適用することができる。

【0063】

システムの説明
図１は、本発明の実施形態による小角Ｘ線散乱（ＳＡＸＳ）システム２０の概略図である。一部の実施形態では、システム２０は、サンプル上の構造の寸法を下記で説明するように散乱測定技術を使用して測定するように構成される。

【0064】

一部の実施形態では、サンプルは、取りわけ、ウェーハ２２の中にエッチングされた又はその上に形成された高アスペクト比（ＨＡＲ）又は他の特徴部のアレイを有する半導体ウェーハ２２を含む場合がある。代替実施形態では、システム２０は、ウェーハ２２上に形成された適切な構造の寸法を測定するように更に構成される。本発明の開示及び特許請求の範囲の状況では、「高アスペクト比（ＨＡＲ）」という用語は、一般的に、例えば、動的ランダムアクセスメモリ（ＤＲＡＭ）では約１０よりも高いアスペクト比を意味し、３次元（３Ｄ）ＮＡＮＤフラッシュメモリデバイスでは、アスペクト比は、約５０：１及び約１００：１それぞれよりも高い場合がある。

【0065】

一部の実施形態では、システム２０は、一般的に、高電圧電源ユニット（ＰＳＵ）２６によって駆動されるＸ線ソース２４のような励起ソースを含む。一部の実施形態では、Ｘ線ソース２４は、ウェーハ２２を貫通するのに適切なエネルギを有するＸ線ビーム３１を放出する。この例では、Ｘ線ビーム３１は、それをウェーハ２２の面の小領域２９上に入射するように向けるように構成された結晶、多層ミラー、又は開口（スリット）のような適切な回折要素を含むことができるＸ線光学系２８を通過する。システム２０のようなＳＡＸＳシステムの追加の構成要素及び特性は、例えば、上述の米国特許第１０，６８４，２３８号明細書に詳細に説明されており、この文献の開示内容は、引用によって本明細書に組み込まれている。

【0066】

実施形態では、ウェーハ２２は、それをＸ線ビーム３１に対してＸ方向とＹ方向とに移動し、更に、ウェーハ２２の面に対して法線方向の軸線（例えば、Ｚ軸線）の周りの回転φ（図示せず）と、ウェーハのＹ軸線の周りの回転χと、ウェーハのＸ軸線の周りの回転ωとを加えるように構成されたＸ－Ｙ－χ－ωステージ４０のような移動可能プラットフォーム上に装着される。上述のように、χとωは、両方共にウェーハ２２の面と平行であるが、互いに直交し、それに対してφは、ウェーハ２２の面に対する法線の周りに回転することに注意されたい。

【0067】

実施形態では、ステージ４０は、上述のように入射ビーム３１が領域２９でウェーハ２２の面上に直接入射するように開放フレームとして設計される。より具体的には、ウェーハ２２のエッジに可能な限り近い測定を可能にし、それによってエッジ除外領域のサイズを最小にするために、支持されたウェーハ２２の大部分にわたってそれに被さる材料が存在せず、ウェーハ２２のエッジの所々にいくつかの限局部位が存在する。ビームは、ウェーハ２２の下面（Ｘ線ソース２４に向く）を通過し、ウェーハ２２の上面（下面と反ペアの）内に形成された高アスペクト比（ＨＡＲ）構造のアレイから散乱する。

【0068】

一部の実施形態では、入射ビーム３１は、ウェーハ２２の下面に対して法線方向に又はいずれかの他の適切な角度で領域２９上に入射することができる。一般的に、入射ビーム３１の一部分は、サンプルを横断お吸収され、透過ビーム３５が、入射ビームと同じ方向にウェーハ２２の上面を射出する。追加のビーム３３が、上述の構造のアレイから散乱し、図１に示すようにウェーハ２２の上面から放出される（回折する）。

【0069】

一部の実施形態では、システム２０は検出器アセンブリ３２を含み、検出器アセンブリ３２は、その面上の１又は２以上の領域３０に入射するビーム３３のＸ線強度分布を検出するように構成される。一部の実施形態では、システム２０は、ウェーハ２２とアセンブリ３２の間に位置し、ビーム３５の少なくとも一部分が検出器アセンブリ３２を照射することを遮蔽するように構成されたＸ線不透過又は部分不透過の材料から製造されたビームストッパー４２を含む。ビームストッパー４２の例示的実施は、例えば、Ｋｒｏｋｈｍａｌ他に付与された米国特許第１０，６８４，２３８号明細書に詳細に説明されており、この文献の開示内容は、引用によって本明細書に組み込まれている。

【0070】

一部の実施形態では、検出器アセンブリ３２は平坦形状を有することができ、又はビーム３３及び３５に向くように角度付けされた円弧のようないずれかの他の適切な形状を有することができる。検出器アセンブリ３２は、単一検出器又はあらゆる適切な構成で配置された検出器アレイを含むことができる。ビーム検出器は、２次元（２Ｄ）構成又は１次元（１Ｄ）構成を有することができ、Ｘ線光子を計数する機能を有する。検出器アセンブリ３２は、検出Ｘ線光子の数と、検出器アセンブリ３２の面上での各検出光子の場所とを示す信号（例えば、電気信号）を生成するように更に構成され、システム２０は、この信号を信号処理ユニット３８に伝達する。検出器は、例えば、Ｘ線蛍光発光及び宇宙線からの背景ノイズを低減するためにある一定のエネルギ範囲のＸ線光子のみを測定する機能を有することができる。

【0071】

一部の実施形態では、信号処理ユニット３８は、アセンブリ３２から受信した信号を処理するように構成されたプロセッサ３４と、電気信号をアセンブリ３２とプロセッサ３４との間で交換するためのインタフェース３６とを含む。

【0072】

一部の実施形態では、プロセッサ３４は、アセンブリ３２の検出器によって取り込まれたＸ線光子の散乱強度分布を決定するためにアセンブリ３２からデータを取得するように構成される。一部の実施形態では、プロセッサ３４は、１又は２以上の入射ビーム角度で測定された強度分布を使用してウェーハ２２上の１又は２以上の幾何学構造の寸法及び向きを推定するように構成される。この実施形態では、プロセッサ３４は、測定強度分布と計算強度分布の間の数値差を最小にするように自動的に絞り込まれる高さ及び幅のような幾何学パラメータ（本明細書では限界寸法ＣＤとも記す）を有する特徴部の構造モデルから強度分布を計算するように構成される。隣接特徴部間の距離（ピッチ）のようなアレイ内の特徴部の配置を表す追加のパラメータを適切な構造モデルを使用して推定することができる。

【0073】

一般的に、プロセッサ３４は、本明細書に説明する機能を実施するようにソフトウエアでプログラムされた汎用コンピュータ又はコンピュータネットワークを含む。ソフトウエアは、例えば、ネットワーク上で電子形態でコンピュータにダウンロードすることができ、これに代えて又はこれに加えて、磁気メモリ、光学メモリ、又は電子メモリのような非一時的有形媒体上で提供する及び／又はその上に格納することができる。

【0074】

一部の実施形態では、プロセッサ３４は、あらゆる適切なタイプの中央演算処理装置（ＣＰＵ）、グラフィック処理ユニット（ＧＰＵ）、テンソル処理ユニット（ＴＰＵ）、又はいずれかの他の適切なタイプの特定用途向け集積回路（ＡＳＩＣ）を含むことができる。上記全ての処理ユニットは、取りわけ、下記で説明するニューラルネットワーク内で深層学習作動負荷を加速させるように構成される。これに加えて又はこれに代えて、システム２０は、あらゆる適切なタイプのＡＳＩＣ、デジタル信号プロセッサ（ＤＳＰ）、及び／又はシステム２０でのデータ処理の少なくとも一部を実施するように構成されたいずれかの他の適切なタイプの処理ユニットを含むことができる。

【0075】

実施形態では、ソフトウエアは、検出器アセンブリ３２の制御、並びにデータの取得及び解析のような複数のタスクを実施するように構成される。

【0076】

図１の例では、ステージ４０は、ウェーハ２２の領域２９を走査して解析するために、（ｉ）ＸＹＺ座標系のＸ方向、Ｙ方向、（及び任意的なＺ方向）のうちの少なくとも１つに移動することができ、（ｉｉ）χ方向及びω方向に回転させることができる。代替実施形態では、領域２９をＸ線ビーム３１によって走査するのに、ウェーハ２２が、適切な静止固定具（ステージ４０の代わりに）上に装着され、それに対してＸ線ソース２４、光学系２８、及びアセンブリ３２が移動される。

【0077】

これに加えて又はこれに代えて、システム２０は、ウェーハ２２から散乱したＸ線を反射及び／又は回折のような他のビーム－ウェーハ相互作用を使用して取り込むように更に構成される。そのような多機能システムは、例えば、米国特許第６，３８１，３０３号明細書及び第６，８９５，０７５号明細書に説明されており、これらの文献は、引用によって本明細書に組み込まれている。

【0078】

図１の例は、Ｘ線システムの特定の構成に関する。しかし、この構成は、純粋に概念の明瞭化の目的で選択したものである。例えば、システム２０は、領域２９へのステージ４０のナビゲーション及びウェーハ２２上の構造の精査を支援するための光学顕微鏡（図示せず）のような追加のモジュールを更に含むことができる。代替実施形態では、本発明の開示する技術は、様々な他のタイプのＸ線システムで必要な変更を加えた上で使用することができ、又はあらゆる適切な励起ソース、電源、フォーカス光学系、及び検出システムを含む当業技術で公知の解析モジュールを本明細書に説明する方法を実施するのに使用することができる。

【0079】

高アスペクト比（ＨＡＲ）特徴部から散乱した光子に基づく回折画像の生成
図２は、本発明の実施形態による入射Ｘ線ビーム３１をウェーハ２２に向けることに応答して生成された回折画像５０及び５１の概略図である。この例では、Ｘ線ビーム３１は、ウェーハ２２の上面４１及び下面３９に対して垂直な軸線７に対して角度４７にある軸線３７に沿って向けられる。一般的に、面３９と４１は、互いにほぼ平行であり、入射Ｘ線ビーム３１は、面３９及び４１に対して垂直な軸線７に対してほぼ平行である（又はある程度の意図する変動を有する）ことに注意されたい。従って、角度４７は、典型的に鋭角である。

【0080】

本発明の開示及び特許請求の範囲の状況では、いずれかの相対的又は絶対的な数値又は数値範囲に対する「約」又は「近似的」という用語は、構成要素の一部又は集合が本明細書に説明する意図する目的に合うように機能することを可能にする適切な寸法公差を示している。

【0081】

一部の実施形態では、ウェーハ２２は、ライン又はトレンチ（図示せず）のような繰り返し２次元（２Ｄ）ＨＡＲ構造、又は名目上ほぼ円筒形状を有する孔４４又は柱のような３次元（３Ｄ）ＨＡＲ構造のアレイを含む。本発明の開示及び特許請求の範囲の状況では、「アスペクト比」という用語は、問題の特徴部、例えば、孔４４の深さと幅（例えば、円形の孔の場合は直径）の間の比を意味する。

【0082】

例えば、（ｉ）ＨＡＲ構造を有する上述のライン及びトレンチは、周期アレイ内の少なくとも第１のアレイで交互に配置され、（ｉｉ）孔４４（上述のように同じくＨＡＲ構造を有する）は、周期アレイ内の少なくとも第２のアレイで周期構造に配置される。図２の例では、第２の層しか示されていないが、他の例では、別の層は、周期アレイで配置されたＨＡＲの（ｉ）ライン及びトレンチと（ｉｉ）孔とのあらゆる適切な組合せを含むことができる。

【0083】

一部の実施形態では、一般的に、孔４４の各アレイは、少なくとも一部が下記で説明する構造変動を有する可能性がある数千個又は数百万個の孔４４を含む。一般的に、孔４４間の構造変動は、アレイ間ではアレイの範囲と比較して異なる性質を有する可能性があることに注意されたい。より具体的には、構造変動は、一般的に、アレイの範囲（すなわち、内部）（例えば、同じ周期アレイ内にある孔４４のうちの少なくとも２つの間）では平均値付近のランダムな変動を含み、それに対して同じタイプの構造の異なるアレイ間の構造変動は、より系統的である場合がある。アレイの範囲の構造変動が、例えば、問題の構造（例えば、孔４４）のリソグラフィマスク内への構造の直接書込処理の変動に起因して系統的な成分を有する可能性もあるが、一般的に、系統的成分は、例えば、リソグラフィ及びマスク製造を含む殆どの処理段階(process step)での処理変動に起因してアレイ間で実質的に大きいことに注意されたい。上記に基づいて、隣接孔４４間の不均一性は、異なるアレイの孔４４間のより大きい不均一性と比較して所与のアレイの範囲の隣接間では一般的に小さめである。

【0084】

図２の例では、アレイのうちの一部は、不連続符号２１によって分離される。下記で説明する構造変動は、一例として提供するものであり、一般的に、単一ウェーハ内では以下の変動のうちの１つ又は２つしか発生しない可能性があることに注意されたい。図２は、ウェーハ２２の孔４４の公称構造を示す孔４４ｂを提供する。孔４４ｂは、公称直径４５ｂを有し（例えば、面４１のＸＹ平面に有し、提示するＸＺ平面外にあることを示すためにＹ軸線を破線表示することに注意されたい）、孔４４ｂの軸線４３ａと面４１の間に直角４８を有する（すなわち、軸線４３ａは、面４１に対してほぼ垂直であり、上述した軸線７と平行である）。

【0085】

一部の実施形態では、孔４４を生成する間に不適切に発生する可能性がある上述の構造変動の一部の例を提供するために孔４４ａ、４４ｃ、４４ｄ、４４ｅ、及び４４ｆを例示している。これらの孔は単なる例であり、他のタイプの系統的及び統計的な構造変動が発生する可能性があることに注意されたい。更に、上述のように、同じウェーハ２２上では、一般的に、そのような構造変動のうちの１つ又は２つしか発生しない場合がある。

【0086】

より具体的には、（ｉ）孔４４ａは、公称直径（例えば、直径４５ｂ）とは異なる（それよりも大きい）直径４５ａを有し、（ｉｉ）孔４４ｃは、孔４４ｂとは異なる樽形状又はいずれかの他の形状を有する。構造変動の追加の特定の例は、（ｉｉｉ）孔４４ｄが台形形状を有し、上側直径４５ｃと下側直径４６の間に実質的に差を有することができ、これらの直径４５ｃ及び４６のうちの少なくとも一方が、上述した公称直径とは異なる可能性があること、及び（ｉｖ）孔４４ｆが直径４５ｄを有することを含む場合がある。公称孔（例えば、孔４４ｂ）が台形形状を有する可能性もあり、変動は、例えば、下記でより詳細に説明する中心線シフト（ＣＬＳ）をもたらす可能性がある孔４４ｄの側壁２５の非対称性に起因して発生する可能性があることに注意されたい。更に、構造変動の別の特定の例は、（ｉｖ）孔の高さ又は深さ、例えば、孔４４ｅの高さ５２が孔４４ｂとは異なる（例えば、それよりも小さい）こと、（ｖ）軸線４３ｂと７の間に定められる角度４９に傾斜され、従って、面４１に対して垂直ではない長手軸線４３ｂを有する孔４４ｆを含む場合がある。本発明の開示及び特許請求の範囲の状況では、高さという用語と深さという用語とを交換可能に使用する。これに加えて又はこれに代えて、ウェーハ２２は、孔４４の側壁に沿う（例えば、ｚ軸線に沿う）及び／又は周方向の（例えば、ＸＹ面内の）凹凸、楕円性、及び角度方向のような他の構造変動を有する場合があり、これらのうちのいずれも、特徴部に沿って深さと共に変化する場合がある。

【0087】

本発明の開示及び特許請求の範囲の状況では、孔４４又はトレンチの「高さ」という用語と「深さ」という用語とを交換可能に用い、これらの用語は、サンプル、例えば、ウェーハ２２のＺ軸線に沿うそれぞれのトレンチ又は孔のサイズを意味することに注意されたい。更に、「孔」という用語は、真円及び／又は楕円等であるがこれらに限定されない閉じた輪郭のあらゆる適切な形状を意味する。従って、「直径」という用語と「幅」という用語とを交換可能に用い、これらの用語は、サンプルのいずれかの選択ＸＹ平面での孔の寸法を意味する。更に、「トレンチ」及び「孔」という用語を本明細書では「キャビティ」又はその文法的変形とも記し、孔は、２次元（２Ｄ）キャビティを含み、トレンチは、一般的に、１次元（１Ｄ）キャビティを含む。

【0088】

一部の実施形態では、回折画像５０及び５１は、孔４４ｂ及び孔４４ｆをそれぞれ有する区域にＸ線ビーム３１を向けることに応答してシステム２０によって生成される。この例では、回折画像５０は、回折画像５１と比較して異なる一般的にそれよりも高い強度及び対称性を有し、これは、（ｉ）上述した構造変動及び（ｉｉ）角度４７と角度４８と角度４９の間の差を例示している。より具体的には、本発明者は、測定ターゲットの孔の軸線（例えば、軸線４３ａ及び４３ｂ）が入射ビーム３１の軸線３７と平行な時に得られたそれぞれの回折画像の強度が異なる（一般的にはより高い）時に改善された測定性能（例えば、最良の精度及び／又は感度）が得られることを見出した。

【0089】

ニューラルネットワークを使用する画像取得及び測定性能の改善
図３は、本発明の実施形態によるウェーハ４４内の孔４４のＸ線解析を改善するためにニューラルネットワーク（ＮＮ）５５を訓練し、その後にＮＮ５５を使用するための処理シーケンス５４を概略で例示するブロック図である。

【0090】

一部の実施形態では、ＮＮ５５は、下記で図４及び図５それぞれで詳細に説明する構造及び機能性を有する畳み込みＮＮ（ＣＮＮ）５５及び７７等であるがこれらに限定されないあらゆる適切なタイプのＮＮを含む。ＣＮＮ５５及び７７は、システム２０に接続された又はそこに含まれる処理ユニット３８又はいずれかの他の適切なコンピュータ（図示せず）に実施されたプロセッサ３４及び／又は他の処理デバイス（図示せず）に実施することができる。本発明の開示の状況では、ニューラルネットワークという用語は、ハードウエア、ソフトウエア、又はその適切な組合せに実施された深層学習（ＤＬ）アルゴリズム及び／又は機械学習（ＭＬ）アルゴリズム等であるがこれらに限定されないあらゆる適切な人工知能技術を意味する。

【0091】

一部の実施形態では、処理シーケンス５４は、本明細書に説明する１又は２以上の作動を各々が含む主要段階１、２、及び３を含む。以下の説明では、作動は、プロセッサ３４によって実行されるが、他の実施形態では、処理シーケンス５４の作動のうちの１又は２以上を上述したいずれかの他の適切なタイプの処理デバイス及びソフトウエアを使用して実施することができる。

【0092】

データ発生段階１では、プロセッサ３４は、基準データ５６、例えば、（ｉ）１又は２以上のウェーハ２２又は適切な基準ウェーハの孔４４から得られたＸ線パターン、（ｉｉ）孔４４の断面に基づくデータ、及び（ｉｉｉ）いずれかの他の適切なソースから受信される他のタイプの基準データを受け取るように構成される。プロセッサ３４は、基準データ５６の少なくとも一部を受け取る及び／又は検出器アセンブリ３２から受信した信号に基づいて生成するように構成されることに注意されたい。

【0093】

一部の実施形態では、プロセッサ３４は、（ｉ）システム２０（及びその信号取得パラメータ）、（ｉｉ）孔４４を有する１又は２以上のウェーハ２２（又は他の適切なウェーハ）に対してシステム２０が実施する測定、及び（ｉｉｉ）孔４４の構造パラメータ（例えば、直径、高さ、及び粗度）のパラメータ５７を示し、関連のラベル６０を生成する。

【0094】

一部の実施形態では、上述したデータ発生段階は、例えば、全ての訓練データ（例えば、基準データ５６及びラベル６０）が完全な合成データであり、適切な模擬を使用して生成される場合は任意的なものとすることができる。

【0095】

一部の実施形態では、プロセッサ３４は、米国カリフォルニア州ＣＡ９５０３５、ミルピタス、バックアイドライブ１５５０のＯｎｔｏ Ｉｎｎｏｖａｔｉｏｎによって供給されている一般的にソフトウエアの製品である製品ＸＣＤ（ＮＤＸ）のためのＮａｎｏＤｉｆｆｒａｃｔ等であるがこれに限定されず、本明細書ではＸ線ソルバー５８と記す適切なタイプの合成データ発生器（ＳＤＧ）にパラメータ５７の少なくとも一部を適用するように構成される。Ｘ線ソルバー５８は、物理モデルからの回帰を適用する。一部の実施形態では、パラメータ５７に基づいて、Ｘ線ソルバー５８は、ＮＮ５５の中に訓練データ及び／又は検証データ(validation data)６２として挿入される任意的に実データであり、一般的に、合成データであるＸ線散乱データ５９を生成するように構成される。一部の実施形態では、ＮＮ５５を訓練するためにラベル６０を使用することができる。

【0096】

一部の実施形態では、実際の合成データ発生処理は、以下の作動を含むことができる：
（ａ）ウェーハ２２内に形成された孔４４（例えば、孔４４ｂ）の公称のレイアウト及び構造を表す複数の孔４４の合成アレイ６３を生成する作動。この例では、アレイ６３の構造は、３Ｄ ＮＡＮＤデバイスの孔の公称アレイに基づくが、他の実施形態では、複数の孔４４のアレイ６３は、適切なタイプのＤＲＡＭデバイスのようないずれかの他のデバイスの（公称又はいずれかの他の）構造に基づく場合がある。この例では、アレイ６３の約１２個の孔４４が、１又は２以上のウェーハ２２上に生成された実構造をモデル化する（上述した系統的及びランダムな構造変動を含めて）ためにプロセッサ３４によって使用されることになる。
（ｂ）基準データ５６に基づいて、プロセッサ３４は、２又は３以上の孔径の変動、上述した粗度、及び下記でより詳細に以下に説明する中心線シフト等であるがこれらに限定されない構造変動（例えば、欠陥）の境界を決定するように構成される。
（ｃ）その後に、プロセッサ３４は、ＮＮ５５に対する訓練データセットを発生するように構成される。訓練データセットは、それぞれの（例えば、３Ｄ ＮＡＮＤ）デバイスの孔４４を生成するための定められた処理窓内に収まる公称輪郭を含む。同時に、プロセッサ３４は、生成パラメータをラベル付けするために公称輪郭（上述の図２の傾斜角４９等であるがこれに限定されない）の変動パラメータを使用するように構成することができる。一部の実施形態では、プロセッサ３４は、実回折パターンを取得するために構造変動（本明細書では構造ノイズとも記す）の境界を使用してアレイ６３の全ての孔４４の公称輪郭の各パラメータをランダムに歪曲させるように構成される。更に、プロセッサ３４は、Ｘ線光子を計数する段階の個別的性質から発生する物理ノイズであるシステム関連ノイズを推定するように構成される。このノイズを本明細書ではシステム２０のポアソンノイズ又はショットノイズ及び計器アーチファクト（例えば、システム２０のスリットからの背景散乱、並びにシステム２０内の他のタイプの電気的及び／又は電気機械的な相互作用によって引き起こされるノイズ）とも記し、このシステム関連ノイズを追加することによって実データ発生処理が完了する。例えば、ショットノイズは、入射ビーム３１の強度の変動からもたらされる場合があり、プロセッサ３４によって追加され、例えば、入射ビーム３１の強度変動のポアソン分布に従う回折画像６１ｂに示す回折パターンが得られる。

【0097】

図３の例では、データ５９は、回折画像６１ｂを含むデータ５９ｂのような合成データを含む。更に、データ５９は、回折画像６１ａを含むデータ５９ａのような実データを含むことができる。検証処理では、本発明者は、類似の構造変動及びノイズを使用して生成した孔４４の実回折画像と模擬（合成）回折画像との間で比較を行い、回折画像６１ａと６１ｂとの間のような実回折画像と模擬回折画像との間で高い忠実度を得た。平均幅、深さによって変動する傾斜角（下記で図７でより詳細に以下に説明する）、及び同じアレイの範囲の孔毎の変動のようないくつかのパラメータは、アレイ内で、アレイ間で、更にウェーハ２２上の様々な場所では異なる変動程度を有する可能性があることに注意されたい。一部の実施形態では、Ｘ線ソルバー５８は、孔４４及び他のタイプの問題のＨＡＲ構造の合成回折画像を生成する間にこれらのパラメータをモデル化に組み込むように構成される。

【0098】

一部の実施形態では、模擬合成回折画像は、孔４４の幅、深さ、並びに傾斜角のｘ成分及びｙ成分等であるがこれらに限定されない多数のパラメータの変動を含む可能性がある大きい処理窓にわたってＮＮ５５を訓練するのに使用することができる。パラメータの少なくとも一部は、ウェーハ２２内又は３Ｄ ＮＡＮＤデバイス、ＤＲＡＭデバイス、又は当該のＨＡＲ構造を有するいずれかの他の適切なタイプのデバイスの構造を有する別のウェーハ内に生成することができる他の適切なＨＡＲ構造に必要な変更を加えた上で適用可能であることに注意されたい。

【0099】

一部の実施形態では、プロセッサ３４は、複数の不同の孔４４の合成アレイを生成するように構成され、各孔４４の幾何学形状は、独立に異なることが可能である。この例では、模擬アレイ内の孔４４の数は、Ｘ線ビーム３１によって照射され、既知の断面積を有する実ウェーハ２２の干渉体積内に含まれる孔４４の数にほぼ等しい。

【0100】

一部の実施形態では、回折画像のうちの少なくとも１つ、一般的には全ては、それぞれのラベル６０に基づいて生成される合成回折画像を含み、運動学的散乱理論に基づいてボルン近似を使用して計算される。運動学的散乱理論をＣＤ輪郭解析（ＸＣＤ）に適用する一例は、ニューヨーク州立大学オールバニー校のＣｈａｒｌｅｓ Ｍ．Ｓｅｔｔｅｎｓの博士論文（２０１５年）である「Ａｎ Ａｓｓｅｓｓｍｅｎｔ ｏｆ Ｃｒｉｔｉｃａｌ Ｄｉｍｅｎｓｉｏｎ Ｓｍａｌｌ Ａｎｇｌｅ Ｘ－ｒａｙ Ｓｃａｔｔｅｒｉｎｇ Ｍｅｔｒｏｌｏｇｙ ｆｏｒ Ａｄｖａｎｃｅｄ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ（高度半導体製造のための限界寸法小角Ｘ線散乱測定の評価）」に説明されており、この開示内容は、引用によって本明細書に組み込まれている。

【0101】

ＮＮの訓練及び検証の段階(NN training and validation step)２では、プロセッサ３４は、ＮＮ５５を訓練するために回折画像６１ａ及び６１ｂ及びラベル６０のような訓練データ６２を使用するように構成される。例えば、プロセッサ３４は、（ｉ）回折画像６１ａ及び６１ｂを入力パラメータとして挿入することと、（ｉｉ）ＮＮ５５によって推定された孔４４の幅測定値のような出力パラメータをＮＮ５５から受け取ることと、（ｉｉｉ）対応する孔４４のラベルに基づいて、対応するラベル６０内に記録されている孔４４の幅測定値をＮＮ５５にフィードバックすることによって監視下学習を実施することとによってＮＮ５５のＤＬアルゴリズムを訓練及び検証するように構成される。訓練処理のこの例は、訓練データ６２と対応するラベル６０との各セットに関してＮＮ５５が訓練され、それによってＮＮ５５からの推定出力が対応するラベル６０の出力に近づくように順次実行される。言い換えれば、ＮＮ５５の精度は、訓練処理に従って改善される。訓練処理の安定性は、通常は訓練データに１０／９０として関連付けられる検証データ６２及びラベル６０を使用して制御される。

【0102】

ラベル６０と訓練データ６２とのセットの数は、ＣＩＦＡＲ－１０及びＭＮＩＳＴのような当業技術で公知の適切なデータセットと同じく３０，０００と７０，０００との間とすることができることに注意されたい。訓練セットの最小数(minimal number)は、アプリケーションの複雑さ、ＮＮ５５の構造（下記で図４及び図５では以下に説明する）の深さ、入力パラメータ及び／又は出力パラメータの数、訓練セットの品質、及び他の要件に依存することに注意されたい。

【0103】

例示的実施形態では、出力パラメータは、軸線３７と軸線７の間の面４１に対して垂直な角度４７を含むことができ、入力パラメータは、回折画像を含むことができる。この例では、訓練段階中に、プロセッサ３４は、（ｉ）回折画像の各入力に関して角度４７の実際値を推定し、（ｉｉ）それぞれの回折画像での最大強度を取得するのに必要とされる最適な角度４７を含む出力をシステム２０のユーザに提供するようにＮＮ５５を訓練するように構成される。言い換えれば、ＮＮ５５は、それぞれの回折画像の強度を高め、それによってＸ線解析（例えば、それぞれの孔４４の直径及び／又は高さの測定）の品質を改善するために入射ビーム３１の軸線３７の方向を調節することをユーザに推奨するように構成される。

【0104】

一部の実施形態では、プロセッサ３４は、訓練段階、例えば、上述のＮＮの訓練及び検証の段階２を完了するためにＮＮ５５から要求される精度レベルを示す１又は２以上の閾値を格納するように構成される。

【0105】

ＮＮの訓練及び検証の段階２を完了させた後に実施される推論段階(inference step)３では、プロセッサ３４は、検出器アセンブリ３２から受信した測定データ６５（例えば、１又は２以上の回折画像）をＮＮ５５の訓練及び検証を完了させた後に取得した訓練済み深層学習モデル６６に入力するように構成される。その後に、測定データ６５を受け取ることに応答して、訓練済み深層学習モデル６６は、１又は２以上の推論パラメータ６７を出力するように構成される。例えば、推論パラメータ６７は、（ｉ）それぞれの孔４４の直径及び／又は高さの測定値、及び／又は（ｉｉ）それぞれの孔４４の各々の回折画像では最大強度を取得するのに必要とされる最適な角度４７を含むことができる。プロセッサ３４は、最適角度を取得するためにウェーハをχ方向及びω方向のうちの少なくとも一方に（すなわち、χ軸線及びω軸線のうちの少なくとも一方の周りに）回転させるようにステージ４０を制御するように構成されることに注意されたい。これらのパラメータは、処理をモニタするのに使用すること、物理モデル化ソフトウエアの中に入れる１又は２以上の開始パラメータ値として使用することができ、又はその後の測定の前に図２のＳＡＸＳシステムを制御し、すなわち、位置合わされるのに使用することができる。

【0106】

処理シーケンス５４を示すブロック図は、一例としてかつ概念の明瞭化の目的で提示しており、このブロック図は、他の用途では必要な変更を加えた上で適用することができる。更に、処理シーケンス５４は、様々な環境で処理を実行するように調節することができ、又は付加的及び／又は代わりの段階及び作動を含むことができる。処理シーケンス５４の更なる詳細は、例えば、Ｂａｒａｎｏｖｓｋｉｙ他に付与された米国仮特許出願第６３／３９０，３２８号明細書（２０２２年７月１９日出願）に説明されており、この文献の開示内容は、引用によって本明細書に組み込まれている。

【0107】

図４は、本発明の実施形態によるＮＮ５５の構造の概略図である。

【0108】

一部の実施形態では、ＮＮ５５は、検出器アセンブリ３２から受信され、あらゆる適切なサイズ、この例では約１５０×１５０ピクセルを有する入力回折画像５３を受け取るように構成された畳み込みニューラルネットワーク（ＣＮＮ）を含む。

【0109】

一部の実施形態では、ＮＮ５５は、そのニューロンのうちの一部を無効にするように構成されたドロップアウト層７０を含む複数の層のブロック６８を含む。例えば、ドロップアウト層７０は、ＮＮ５５のニューロンのうちでランダムに選択した約２０％の出力をゼロに設定し、それによって回折画像５３のピクセルのうちの約２０％にゼロ値（例えば、グレーレベルの）を設定する。同時に、ドロップアウトレベルは、画像のサイズを変動させず、出力は、入力の同じサイズのものである。この例では、ドロップアウト層７０を回折画像５３に適用した後に、ピクセル数は、縦横１５０ピクセルに留まり、このサイズは、入力画像のサイズである。そのような実施形態では、本発明の開示のＮＮのドロップアウト層は、入力データの高ノイズ性を相殺するために適用される。

【0110】

一部の実施形態では、ブロック６８は、画像の１５０ピクセル×１５０ピクセルに適用される約３２個の異なるタイプの畳み込みフィルタ（ＣＦ）を有する畳み込み層７１を含み、従って、畳み込み層７１の出力は、１３６×１３６×３２のサイズを有する。この例では、畳み込み層７１の各ＣＦは、約１５ピクセル×１５ピクセルのアレイを有し、このアレイは、（ｉ）上述の１５０ピクセル×１５０ピクセルに沿い、それを通して１ピクセルのステップ幅で移動され、（ｉｉ）画像の１５０ピクセル×１５０ピクセルに適用される。言い換えれば、入力画像（例えば、１５０×１５０ピクセルの）は、定められた畳み込みカーネル（本明細書では第１の行列とも記す）であるそれぞれのＣＦのサイズを有するパッチ（例えば、本明細書では第１の行列とも記す１５ピクセル×１５ピクセルの）に分割される。その後に、第１の行列と第２の行列との要素毎の乗法及び加法が、それぞれの畳み込み層の出力に適用される。

【0111】

一部の実施形態では、層７１は、その各ＣＦの後に出力に適用される双曲線正接活性化関数（ｔａｎｈ）等であるがこれに限定されない適切な活性化関数を含む。ｔａｎｈは、シグモイド活性化関数と似ており、従って、いずれかの実際値を入力として取得し、－１と１の間である値を出力する。更に、シグモイドニューロンの隠れ層、それに続く正の線形ニューロンの出力層を表すために、双曲線正接シグモイド伝達関数及び正の線形伝達関数が使用される。ｔａｎｈ活性化関数の出力はゼロ中心であり、従って、ＮＮ５５は、畳み込まれた回折画像の最も有意な特徴を識別するのにＣＦのうちのどれがより重要であるかを識別するために出力値を強い負、中間、又は強い正として容易にマップするように構成されることに注意されたい。層７１の全てのＣＦ及びｔａｎｈ関数の適用後に、画像のサイズは、約１５０ピクセル×１５０ピクセルから約１３６ピクセル×１３６ピクセルまで低減する。

【0112】

一部の実施形態では、ブロック６８は、低減したサイズの画像の約１３６ピクセル×１３６ピクセルに適用される約６４個の異なるタイプのＣＦを有する追加の畳み込み層７２を含み、従って、畳み込み層７２の出力は、１２６×１２６×６４のサイズを有する。この例では、畳み込み層７２の各ＣＦは、約１１ピクセル×１１ピクセルのアレイを有し、このアレイは、（ｉ）上述の１３６ピクセル×１３６ピクセルに沿い、それを通して１ピクセルのステップ幅で移動され、（ｉｉ）画像の１３６ピクセル×１３６ピクセルに適用される。層７２も、上述したｔａｎｈ関数を含み、従って、各ＣＦを適用した後に、上記で層７１で説明したものと同じ技術を使用してｔａｎｈ関数が１２６ピクセル×１２６ピクセルに適用される。層７１の全てのＣＦ及びｔａｎｈ関数の適用後に、画像のサイズは、約１３６ピクセル×１３６から約１２６ピクセル×１２６ピクセルまで低減する。

【0113】

一部の実施形態では、ブロック６８は、低減したサイズの画像の１２６ピクセル×１２６ピクセルに適用される約１２８個の異なるタイプのＣＦを有する追加の畳み込み層７３を含み、従って、畳み込み層７２の出力は、１２０×１２０×１２８のサイズを有する。この例では、畳み込み層７２の各ＣＦは、約７ピクセル×７ピクセルのアレイを有し、このアレイは、（ｉ）上述の１２６ピクセル×１２６ピクセルに沿い、それを通して１ピクセルのステップ幅で移動され、（ｉｉ）画像の１２０ピクセル×１２０に適用される。層７３も、上述したｔａｎｈ関数を含み、従って、各ＣＦを適用した後に、上記で層７１で説明したものと同じ技術を使用してｔａｎｈ関数が１２０ピクセル×１２０ピクセルに適用される。

【0114】

一部の実施形態では、ＮＮ５５は、そのニューロンのうちの一部を上記でドロップアウト層７０で説明した技術を使用して無効にするように構成されたドロップアウト層７４を有する複数の層のブロック６９を含む。従って、ドロップアウト層７４は、層７３のニューロンのうちでランダムに選択した約２０％の出力をドロップアウト層７４の出力が約１２０ピクセル×１２０ピクセルになるように設定する。

【0115】

一部の実施形態では、ブロック６９は、畳み込み層７５及び７６を含む。畳み込み層７５は、ドロップアウト層７４の画像の１２０ピクセル×１２０ピクセルに適用される約１２８個の異なるタイプのＣＦを含み、従って、畳み込み層７５の出力は、１１８×１１８×１２８のサイズを有する。この例では、畳み込み層７５の各ＣＦは、約３ピクセル×３ピクセルのアレイを有し、このアレイは、（ｉ）上述の１２０ピクセル×１２０ピクセルに沿い、それを通して１ピクセルのステップ幅で移動され、（ｉｉ）ドロップアウト層７４の画像の１２０ピクセル×１２０ピクセルに適用される。上記で層７１で説明したものと同じ技術を使用する入力画像（例えば、１２０ピクセル×１２０ピクセルの）は、定められた畳み込みカーネルであるそれぞれのＣＦのサイズを有するパッチ（例えば、３ピクセル×３ピクセルの）に分割される。その後に、パッチとそれぞれのＣＦとの要素毎の行列乗法及び行列加法が、それぞれの畳み込み層の出力に適用される。

【0116】

一部の実施形態では、ｔａｎｈ関数の代わりに、ＮＮ５５の畳み込み層７５及び７６の各々は、層７５及び７６の各ＣＦの後に出力に適用される修正線形ユニット（ＲｅＬＵ）を含む。ＲｅＬＵは、入力が負の場合にゼロ値を戻す活性化関数であるが、いずれの正値ｘに対してもその値を戻す。従って、ＲｅＬＵは、ｆ（ｘ）＝ｍａｘ（０，ｘ）と書くことができる。

【0117】

一部の実施形態では、畳み込み層７５及びＲｅＬＵを１２０×１２０×１２８層に適用した後に、ピクセルの出力数は１１８ピクセル×１１８ピクセルまで低減し、約１２８個のＣＦを有する畳み込み層７６は、上記で層７１で説明した技術を使用して１１８ピクセル×１１８ピクセルに適用される。更に、ＲｅＬＵは、層７６の各ＣＦの後の出力にも上述のように適用される。

【0118】

一部の実施形態では、ＮＮ５５は、例えば、上記でドロップアウト層７０で説明した技術を使用して層７６のニューロンのうちの一部を無効にするように構成されたドロップアウト層７８を含む複数の層のブロック８１を含む。従って、ドロップアウト層７８は、層７６のニューロンのうちでランダムに選択した約２０％の出力をドロップアウト層７８の出力が１１６×１１６×１２８になるように設定するように構成される。

【0119】

一部の実施形態では、ブロック８１は、約１１６ピクセル×１ピクセルの畳み込みカーネルサイズを有する約２５６個の異なるタイプのＣＦを有する本明細書で多層７９と記す約２５６個の畳み込み層を含む。従って、２５６個のチャネルを有する２次元（２Ｄ）層の代わりに、多層７９は、１×１１６×２５６のサイズを有する１次元（１Ｄ）層を含む。

【0120】

一部の実施形態では、ブロック８１は、２５６個のチャネルからのデータを単一チャネルに変換するように構成された１×１の畳み込みサイズを有する層８０を含む。従って、層８０は、単一列に沿って約１１６個のニューロンを含み、１×１１６×１の出力サイズを有する。ＲｅＬＵは、上述のように層８０の１１６個のニューロンの各々の後の出力にも適用される。

【0121】

一部の実施形態では、層７９は、ＮＮ５５を孔４４の傾斜を評価することにより着目するための統合層として働きをする。従って、層７９は、ｘ傾斜に関してｙ方向の長さに等しく、ｙ傾斜に関してｘ方向の長さに等しいカーネルサイズを有する畳み込み層を含む。このようにして、ＣＮＮは、完全に位置合わせされた孔からの回折パターン５０と特別な方向に傾斜した孔からの回折パターン５１の間の対称性の変動が露出した特徴部により集中するように強いられる。更に、これは、第１の完全接続層（ＦＣ）８３内のニューロン毎の重みの数が低減し、計算時間が短縮し、ＮＮが過適合から保護される。

【0122】

深層学習は、問題の画像の最も重要な特徴部（又は他の物体）を識別して学習するのにどのタイプの畳み込みがそれぞれのＣＮＮを支援するかを識別するために多数の畳み込み層を必要とすることに注意されたい。

【0123】

一部の実施形態では、ＮＮ５５は、全接続（ＦＣ）層のセットを含むブロック８２を含む。完全接続層（本明細書では高密度層とも記す）内では、全てのニューロンが、直前の層内の対応する単一ニューロンからの入力を入手することに注意されたい。このアーキテクチャは、各ニューロンが、上述した畳み込みカーネル内のニューロンからしか情報を取得しない上述の畳み込み層とは異なる。

【0124】

この例では、ブロック８２は、約７５０個のニューロンを有するＦＣ層８３と、各々が約３００個のニューロンを有するＦＣ層８４、８５、及び８６と、約１５０個のニューロンを有するＦＣ層８７と、約１５０個のニューロンを有するＦＣ層８９とを含む。一部の実施形態では、ＲｅＬＵは、各ＦＣ層８４～８７及びＦＣ層８９の出力に適用される。

【0125】

一部の実施形態では、ブロック８２は、約１５０個のニューロンを有するＦＣ層９０と、ブロック８２及びＮＮ５５の最後の層であり、ＮＮ５５の出力を提供する単一ニューロンを有するＦＣ層９１とを更に含む。ＮＮ５５の出力は、上述の図３で上述したように１又は２以上の推論パラメータ６７を含む。例えば、推論パラメータ６７は、上述の図２に示したパラメータ、すなわち、（ｉ）軸線３７と軸線７の間の面４１に対して垂直な角度４７、（ｉｉ）直径４５ｂ、４５ｃ、４６、及び４５ｄのような１又は２以上の直径の測定値、（ｉｉｉ）高さ５２のような高さの測定値、及び（ｉｖ）孔４４及び／又はウェーハ２２の他の構造及び層（図示せず）に関する他のパラメータのうちの少なくとも１つを含むことができる。

【0126】

一部の実施形態では、上記でｔａｎｈ関数に関して上述したように、約－１と１の間の値を有するＮＮ５５の出力を受け取るためにｔａｎｈ関数がＦＣ層９０及び９１の各々の出力に適用される。

【0127】

ＦＣ層内では、より多数のニューロンは、ＮＮ５５の学習精度を改善することができるが、学習所要時間がより長く、データの過適合（不測のデータに対するＮＮの不安定又は不正確な作用）をもたらす可能性があることに注意されたい。

【0128】

代替実施形態では、ＮＮ５５は、ｔａｎｈの代わりに又はそれに加えて、必要な変更を加えた上でＮＮ５５に実施されたいずれかの他の適切なタイプの活性化関数を含むことができる。

【0129】

この例では、ＮＮ５５は、ＨＡＲ孔４４の周期アレイの合成回折画像に適用されたものである。他の実施形態では、ＮＮ５５は、上記で概要及び図１で詳細に説明したように（ｉ）ＨＡＲ構造を有するライン及びトレンチの周期アレイ、及び（ｉｉ）（ａ）孔４４と（ｂ）全てが単層に配置されたＨＡＲライン及びＨＡＲトレンチとの適切な組合せを含む周期アレイのうちの少なくとも一方に必要な変更を加えた上で適用することができる。

【0130】

そのような実施形態では、ＮＮ５５は、（ｉ）第１のアレイ内のＨＡＲラインのうちの少なくとも２つの間、（ｉｉ）第１のアレイ内のＨＡＲトレンチのうちの少なくとも２つの間、及び（ｉｉｉ）第２のアレイ内のＨＡＲ孔４４（図２の例に示す）のうちの少なくとも２つのうちの間のうちの少なくとも１つの１又は２以上の変動を示す１又は２以上のＸ線解析を出力するように構成される。

【0131】

ＮＮのこの特定の構成は、本発明の実施形態によって対処されるある一定の問題を示し、そのようなＣＮＮの性能を改善することへのこれらの実施形態の適用を明らかにするために例示的に示したものである。しかし、本発明の実施形態は、この特定のタイプの例示的ＮＮに決して限定されず、本明細書に説明する原理は、他のタイプのニューラルネットワークに同じく適用することができる。

【0132】

図５は、本発明の別の実施形態によるニューラルネットワーク（ＮＮ）７７の構造の概略図である。ＮＮ７７は、例えば、上述の図３のＮＮ５５を置換することができる。

【0133】

メモリデバイスのＨＡＲ孔からの回折画像は、一般的に、半径方向相称性を有する六角格子で配置されるが、ある程度の変動を有する可能性があることに注意されたい。変動は、孔４４の構造変動（上述の図２に示し、詳細に説明した）及びシステム２０から発生するポアソンノイズ又は他のノイズ（上述の図３で詳細に説明した）のようないくつかのソースによって引き起こされる場合がある。

【0134】

ここで回折画像５３に適用され、かつその上に提示される畳み込みフィルタ（ＣＦ）１１及び１２を示す挿入図１０を参照する。一部の実施形態では、プロセッサ３４は、回折画像５３の上にＣＦ１１及び１２を表示する又はしない場合があり、従って、ＣＦ１１及び１２の提示は、概念の明瞭化の目的で示したものである。

【0135】

この例では、ＣＦ１１及び１２は、約１５０ピクセル×１５０ピクセルの寸法を有する回折画像５３にあらゆる適切な畳み込みカーネル（例えば、平均化又はエッジフィルタリング）を適用するように構成される。挿入図１０の例では、（ｉ）ＣＦ１１は、上述の図４で詳細に説明したＣＦのような直交座標に基づくＣＦを含み、（ｉｉ）ＣＦ１２は、円形ＣＦ（ＣＣＦ）を含み、従って、本明細書ではＣＣＦ１２とも記す。原理的には、ＣＣＦ１２を回折画像５３に適用することができるが、そのような適用は、回折画像５３のような直交座標画像に適用するには複雑な場合がある。一部の実施形態では、ＣＦ１１のような適切な直交座標に基づくＣＦを極座標への回折画像５３の変換に適用することができる。

【0136】

ここで再度図５の全体図を参照する。一部の実施形態では、プロセッサ３４は、回折画像５３を極座標（ＰＣ）に変換し、それによってこの例では約３６０度を有し、更に約０個の検出器ピクセルと７５個の検出器ピクセルの間に半径Ｒを有するＰＣに基づく回折画像（ＰＣＤＩ）８８を生成するように構成される。

【0137】

次に、水平軸線に角度θを有し、更に垂直軸線に半径Ｒを有するグラフの上に示されるＰＣＤＩ８８を示す挿入図１４を参照する。一部の実施形態では、挿入図１０のＣＦ１２に対応するＣＦ１３は、ＰＣＤＩ８８に適用され、任意的にＰＣＤＩ８８の上に示されている。直交座標から極座標への変換に起因してＣＦ１２と１３は、（ｉ）回折画像５３（挿入図１０）と（ｉｉ）ＰＣＤＩ８８（挿入図１４）とで別様に見えることに注意されたい。

【0138】

一部の実施形態では、ＮＮ７７は、ＣＦ１３をＲ軸線に沿って移動することによってＣＦ１３をＰＣＤＩ８８に適用するように構成され、それに対して挿入図１０の回折画像５３では、ＮＮ７７は、回折画像５３の全区域を網羅するために回折画像５３の両方の軸線に沿ってＣＦ１１を適用するように構成される。

【0139】

そのような実施形態では、ＣＦ１３及びその走査は、挿入図１０に示す回折画像５３にＣＦ１２によって適用されるものと同じ畳み込みカーネルをＰＣＤＩ８８に適用するために極座標に対して適応される。

【0140】

ここで再度図５の全体図を参照する。一部の実施形態では、ＮＮ７７は、約３ピクセル×３ピクセルの畳み込みカーネルサイズを各々が有する約１６個の畳み込み層を有する多層ＣＦ９２を含み、従って、多層ＣＦ９２は、１６×３×３のサイズを有する。ＣＦ１３をＰＣＤＩ８８に適用し（上述のように）、所与の出力（本明細書では放射状出力とも記す）を受信した後に、ＮＮ７７は、多層ＣＦ９２をこの所与の出力に適用するように構成される。更に、多層ＣＦ９２の各層を適用した後に、それぞれの出力（例えば、多層ＣＦ９２の１６個の層の各々を適用した後の）にＲｅＬＵが適用される。

【0141】

一部の実施形態では、ＮＮ７７は、多層ＣＦ９２及びＲｅＬＵ（上述した）の出力に（ｉ）３ピクセル幅とＣＦ９２の畳み込みからの出力の全長（３×３５８）とのうちの一方（挿入図７７に示す）又はいくつかのＣＦ及び（ｉｉ）全長畳み込みの各々の後のＲｅＬＵを適用するように構成された多層ＣＦ９３を含む。そのような畳み込みは、上述の挿入図１４に示し、上述のように円形畳み込みを直交座標内で適用することに対応することに注意されたい。

【0142】

一部の実施形態では、ＮＮ７７は、１２８個、１２８個、６４個、及び１個のニューロンをそれぞれ有する全接続（ＦＣ）層９４、９５、９６、及び９７を含むブロック９９を含む。

【0143】

画像５３及びＰＣＤＩ８８の回折パターンの半径方向相称性を利用するために、多層ＣＦ９３は、ブロック９９のＦＣ層を多層ＣＦ９２及び９３、並びにそれぞれのＲｅＬＵの出力に適用する前に統合層として機能することができることに注意されたい。

【0144】

一部の実施形態では、９４、９５、９６、及び９７の各々を適用した後に得られた出力にＦＣ層９７の出力が正数を含むようにＲｅＬＵが適用される。例えば、ＦＣ層９７の後のＮＮ７７の出力が孔４４の直径を示される場合に、ＮＮ７７の出力がゼロよりも大きいことを保証するために、ＲｅＬＵは、ＦＣ層９７を適用した後の出力に適用しなければならない。これに加えて又はこれに代えて、ＮＮ７７の出力は、その後の測定での入射Ｘ線ビーム３１をウェーハ２２の予め定められた部位に向けるための推奨角度４７を示すことができる。そのような実施形態では、ＮＮ７７の出力が、上述の図２に示した軸線３７と面４１との位置合わせ角度の全ての可能な値を網羅することを保証するために、ＦＣ層９７を適用した後の出力にｔａｎｈ又は線形ユニットを適用することができる。

【0145】

一部の実施形態では、回折画像５３のような半径方向相称性を有するあらゆる適切な画像を極座標に変換することにより、それぞれのＣＮＮを簡素化することができる。この例では、ＮＮ５５とＮＮ７７の両方は、孔４４を解析する（例えば、その直径を測定する）ように訓練され、その後に使用されるように構成される。従って、ＮＮ７７は、ＮＮ５５よりもかなり単純であるように見え、従って、ＮＮ７７の訓練は、短めであることが予想される。例えば、ＮＮ７７は、収束させる際に実質的により小さい数の訓練設定しか必要としない（ＮＮ５５と比較して）。本発明の開示の状況では、収束という用語は、例えば、上述の図３でも上述のように、ＮＮ７７の出力と対応する訓練セットの出力の間の計算上の差が所与の閾値よりも小さい時又はこの差が飽和に達した時に、すなわち、訓練の増加と共に変動しない時に、上述の図３に説明した訓練済みモデルを取得することを意味する。

【0146】

これに加えて又はこれに代えて、上述の図４に説明したＮＮ５５と比較してＮＮ７７及び図５に説明した技術を適用する時に、各訓練セットを達成するための訓練所要時間は、図４に記載と比較すると約２桁短い。更に、放射相称画像の推論ステージでは、ＮＮ７７を使用する時に、推論ステージの所要時間は、ＮＮ５５又は直交座標で示される回折画像に適用されるように構成されたいずれかの他の適切なＮＮを使用する時と比較して実質的に短い。

【0147】

一部の実施形態では、画像５３及びＰＣＤＩ８８の回折パターンの半径方向相称性を利用することにより、ＮＮ７７は、約５０，０００個よりも多い訓練可能パラメータを必要としない場合がある。それと比較して、ＡｌｅｘＮｅｔ（Ａｌｅｘ ＫｒｉｚｈｅｖｓｋｙがＩｌｙａ Ｓｕｔｓｋｅｖｅｒ及びＧｅｏｆｆｒｅｙ Ｈｉｎｔｏｎと協働で供給している）のような広く使用されるＣＮＮアーキテクチャを選択した同じ用途では、実質的に多数の訓練可能パラメータ、例えば、上述の５０，０００個よりも約３桁多い訓練可能パラメータが必要である。そのような少なめの量の所要訓練可能パラメータは、それぞれのＮＮ（例えば、ＮＮ７７）のより単純な構造、少なめの量の訓練データをもたらし、それによって上述した訓練ステージと推論ステージの両方の時間を短縮することに注意されたい。

【0148】

言い換えれば、平均ＣＤの評価に関して訓練ステージ及び推論ステージのスループットを数桁だけ改善することができる。このアーキテクチャ及び技術は、物理モデルに基づくＸ線回折パターンの輪郭解析に典型的な精度及び精度を維持することも可能にすることに注意されたい。更に、そのような解析は、例えば、モデルの開発及び利用最中に適格なオペレータによる監視を必要とする、物理モデルに基づく回帰とは対照的に監視なしで自動的に実施することができる。ＮＮに基づく解析の場合に、監視者による検証及び／又は調節を必要とする全てのパラメータは、Ｘ線ソルバー５８を使用して合成データ５９及び訓練ＮＮ（挿入図５４）を生成する基準データ解析５６中に検証及び調節される。

【0149】

本発明の開示及び特許請求の範囲の状況では、本明細書ではＮＮ７７を放射状ネットとも記し、放射状ネットは、極座標への回折画像５３の変換であるＰＣＤＩ８８に適用することを目的としたものである。

【0150】

一部の実施形態では、本発明の開示する技術は、半径方向相称性を有することが予想されるあらゆる画像に一般化することができる。そのような実施形態では、本発明の開示する技術は、取りわけ、画像を本明細書では放射状画像とも記す極座標に変換する段階と、その後に、放射状ネットを訓練して１又は２以上の放射状画像セットに適用する段階を含む。これらの技術は、訓練段階で訓練処理を簡素化し、及び／又は推論段階で精度を改善することができる。

【0151】

次に、本明細書では検出器アセンブリ３２ａ及び３２ｂと記すＸ線検出器アセンブリ３２の外面の２つの任意的な構成を示す挿入図１７を参照する。

【0152】

一部の実施形態では、検出器アセンブリ３２ａ内で孔４４から回折したＸ線光子を検出するように構成された外面は、四角形（例えば、正方形）のセル１８のアレイを含む。例えば、セル１８のアレイは、所与のセル１８によって検出されるＸ線光子の数が回折像５３内の対応するピクセルのグレーレベルを示すような約１５０セル×１５０セルを含むことができる。この構成では、プロセッサ３４は、入射Ｘ線ビーム３１をウェーハ２２に照射することに応答してセル１８によって検出されたＸ線光子に基づいて回折像５３を生成するように構成される。

【0153】

他の実施形態では、検出器アセンブリ３２ｂ内で孔４４から回折したＸ線光子を検出するように構成された外面は、放射相称に配置された六角形セル９８及び／又は得られピクセルの六角形アレイを含む。例えば、仮想円１６の全ての点は、それぞれ六角形セル９８の上に収まる。この構成では、プロセッサ３４は、入射Ｘ線ビーム３１をウェーハ２２に照射することに応答してセル９８によって検出されたＸ線光子に基づいてＰＣＤＩ８８を生成するように構成される。言い換えれば、検出器アセンブリ３２は、適切な形状（例えば、六角形形状）を各々が有するセル（例えば、セル９８）のアレイを含むことができる。この構成では、セルは、円（例えば、仮想円１６）又は半径方向相称性を有するいずれかの構造の外周に沿って配置することができる。すなわち、検出器アセンブリ３２から受信した信号に基づいて、プロセッサ３４は、直接極座標で回折画像（例えば、ＰＣＤＩ８８）を生成するように構成される。更に、半径方向相称性を有する画像（例えば、ＰＣＤＩ８８）を解析するために、典型的に小さめで訓練するのが速い放射状ＮＮ（例えば、ＮＮ７７）を使用することができる。

【0154】

ＮＮ７７のこの特定の構成は、本発明の実施形態によって対処されるある一定の問題を示し、そのようなＣＮＮの性能を改善することへのこれらの実施形態の適用を明らかにするために例示的に示したものである。しかし、本発明の実施形態は、この特定のタイプの例示的ＮＮに決して限定されず、本明細書に説明する原理は、他のタイプのニューラルネットワークに同じく適用することができる。

【0155】

更に、検出器アセンブリ３２ａの形状、並びにセル９８の形状及びアレイは、円形幾何学形状（例えば、円１６の）を完成させ、それによって極座標を有する回折画像を取得するための例として提示したものである。しかし、本発明の実施形態は、セルのこの特定のタイプの例示的形状及びアレイに決して限定されず、本明細書に説明する原理は、検出器アセンブリの他の適切な構成に同じく適用することができる。

【0156】

図６は、本発明の実施形態による孔４４のＸ線解析を改善するためにＮＮ５５を訓練し、その後に、ＮＮ５５を使用する方法を概略で例示する流れ図である。

【0157】

一部の実施形態では、本方法は、訓練ステージと、推論ステージと、これらのステージの間に実施される判断段階とを含む。この例では、コンピュータ作動及びデータ配置作動は、その全てがプロセッサ３４を使用して実行されるかのように説明する。他の実施形態では、本方法に説明する作動のうちの少なくとも１つは、システム２０の一部又は外部とすることができるいずれかの他の処理ユニットを使用して実施することができる。

【0158】

以下の段階は、本方法を開始する訓練ステージ中に実施される。データセット生成段階１００では、プロセッサ３４は、角度４７のような入射角を含むデータセットを発生するように構成される。これに加えて又はこれに代えて、データセットは、孔アレイ４４ａ、４４ｂ、及び４４ｄそれぞれの第１の直径セット４５ａ、４５ｂ、及び４５ｃ等であるがこれらに限定されない測定結果出力を含むことができる。図３で詳細に説明したように、データセットは、Ｘ線ビーム３１を対応する入射角（例えば、角度４７）に向けることに応答して生成された回折パターンの合成画像及び任意的な実画像（例えば、回折画像６１ｂ及び６１ａ）を更に含む。これに加えて又はこれに代えて、上述の回折画像は、孔アレイ４４ａ、４４ｂ、及び４４ｄに対応することができる。合成画像は、ビーム３１とウェーハ２２の孔４４の間の相互作用模擬に基づいて生成されることに注意されたい。

【0159】

更に、プロセッサ３４は、訓練ステージの所要時間を短縮し、下記で詳細に以下に説明するその後の推論ステージでのＮＮ５５の精度を低減するための前処理作動をデータセットに対して実施するように構成される。例えば、前処理は、対数又は平方根のようなあらゆる適切な変換を使用して回折画像の強度値を変換する段階、及び／又は強度フィルタよりも弱い強度を有する回折画像及び／又は画像内のノイズレベルが定められたノイズ閾値よりも高い回折画像を除去するために強度フィルタを適用する段階を含むことができる。これに加えて又はこれに代えて、前処理は、入射ビーム３１の強度又は最大強度値に対する回折画像の強度値の修正を含むことができる。これらの前処理技術は、データをニューラルネットワークの中に入力として提供する前にデータを加工するための任意的な技術である。前処理を実行する段階は、いずれかのパラメータ推論の感度を改善するようにデータを変換する段階を含むことに注意されたい。前処理は、解析下の構造に関する有利な情報を提供せず、例えば、強度でのいずれかの非線形性及びデータのノイズによって引き起こされる可能性があるランダム変動を除去するのに必要とされる場合がある。

【0160】

第１の訓練段階１０２では、プロセッサ３４は、孔４４の第１の回折パターンの第１の合成画像（例えば、回折画像６１ｂ）をＮＮ５５に提供するように構成される。図２及び図３、並びに上述の段階１００で上述のように、回折画像６１ｂは、第１の入射角（例えば、角度４７）のＸ線ビーム３１とウェーハ２２の孔４４の１又は２以上の特定のアレイの間の相互作用（例えば、線ビーム３１の回折）の模擬に対応する。

【0161】

第２の訓練段階１０４では、ＮＮ５５を回折画像６１ｂに適用することに応答して、プロセッサ３４は、第１の入射角とは異なる第２の入射角を含む段階１０２の出力をＮＮ５５から受け取るように構成される。第１の入射角と第２の入射角の間の差は、訓練ステージ中のＮＮ５５の不十分な精度に起因することに注意されたい。一部の実施形態では、プロセッサ５５は、第１の入射角をＮＮ５５に提供することによって監視下訓練を実施するように構成される。

【0162】

これに加えて又はこれに代えて、ＮＮ５５を回折画像６１ｂに適用することに応答して、プロセッサ３４は、第１の直径セット４５ａ、４５ｂ、及び４５ｃとは異なる第２の直径セット４５ａ、４５ｂ、及び４５ｃを含む段階１０２の出力をＮＮ５５から受け取るように構成される。第１の直径セットと第２の直径セットの間の差は、訓練ステージ中のＮＮ５５の不十分な精度に起因することに注意されたい。一部の実施形態では、プロセッサ５は、第１の直径セット４５ａ、４５ｂ、及び４５ｃをＮＮ５５に提供することによって監視下訓練を実施するように構成される。

【0163】

第３の訓練段階１０６では、プロセッサ３４は、上記で段階１０２及び１０４、並びに図４に説明した反復処理でＮＮ５５を訓練するためにデータセットの（ｉ）追加の合成（例えば、回折）画像と、（ｉｉ）対応する入射角及び／又は直径とを使用するように構成される。

【0164】

一部の実施形態では、プロセッサ３４は、訓練ステージ中のＮＮ５５の所要の精度を示す１又は２以上の閾値、例えば、（ｉ）（ａ）データセットに格納された孔４４の所与のアレイの直径と（ｂ）訓練ステージ中にＮＮ５５から受け取る孔４４の所与のアレイの出力直径との差を示す第１の閾値、及び（ｉｉ）（ａ）データセットに格納された入射ビーム３１の角度と（ｂ）訓練ステージ中にＮＮ５５をデータセットの対応する回折画像に適用することに応答して受け取る角度との差を示す第２の閾値を格納するように構成される。

【0165】

原理的には、実回折画像を生成する時に、ＳＮ比（ＳＮＲ）は、信号取得時間を増大することにより、例えば、ビーム３１を測定部位に約１０秒間にわたって照射し、相応に散乱したＸ線光子を検出する時に改善される。しかし、ビーム３１を単一入射角で照射する時に、変動に対する測定の感度は高く、それによってそれぞれの測定の精度（例えば、反復性及び再現性）の低減がもたらされる場合がある。

【0166】

一部の実施形態では、回折画像（例えば、回折画像６１のうちの１又は２以上）は、実際及び／又は模擬の複数のサブショットを使用して生成することができる。例えば、単一回折画像を生成するために約１０秒の単一取得時間（本明細書ではショットとも記す）を使用する代わりに、プロセッサ３４は、約２秒の取得時間（すなわち、ショット所要時間）を各々が有する約５枚の回折画像を生成するように構成される。（実際及び／又は模擬の）５つの２秒ショットに基づいて、プロセッサ３４は、５枚の回折画像６１をそれぞれ生成するように構成される。その後に、プロセッサ３４は、ＮＮ５５を５枚の回折画像６１に適用し、相応に入射Ｘ線ビーム３１を向けるためのウェーハ２２の面３９及び４１に対する５つの推奨角度をＮＮ５５から受け取るように構成される。この技術を本明細書ではマルチサブショット技術とも記す。

【0167】

一部の実施形態では、５つの推奨角度に基づいて、プロセッサ３４は、入射Ｘ線ビーム３１を向けるためのウェーハ２２の面３９及び４１に対する最終推奨角度を決定するように構成される。例えば、５つの推奨角度に基づいて、プロセッサ３４は、いずれかの他の適切な計算及び／又は基準を使用して平均入射角を計算するか又は最終推奨角度を決定するように構成される。

【0168】

一部の実施形態では、ウェーハ２２の面３９及び４１に対する孔４４の平均角度を決定するために、この決定は、Ｘ線ビーム３１に対する孔４４の角度を決定し、次に、面３９及び４１に対する法線と入射Ｘ線ビーム３１の間の角度関係を更に知ることによって行われる。

【0169】

一部の実施形態では、マルチサブショット技術を適用することにより、全取得時間が一定（例えば、約１０秒）に留まるので、プロセッサ３４は、ビーム３１推奨入射角の決定を最適化し、それによってスループットを損なうことなく測定精度を改善するように構成される。

【0170】

一部の実施形態では、上述の段階１００～１０６は、訓練ステージ中に上述した反復処理を使用して実行される。判断段階１０８では、プロセッサ３４は、例えば、各反復回の後に訓練が完了したか否かを検査するように構成される。例えば、プロセッサ３４は、各反復回の後に、直径及び／又は入射角の差が第１及び／又は第２の閾値よりもそれぞれ小さいか否かを比較するように構成される。差のうちの少なくとも１つが対応する閾値よりも大きかった場合に、訓練は完了しておらず、本方法は、ループして段階１０６に戻り、訓練ステージを続ける。これに代えて、全ての出力パラメータ（例えば、直径と入射角の両方）が対応する閾値よりも小さかった場合に、訓練は完了しており、本方法は、推論ステージに進行する。

【0171】

言い換えれば、プロセッサ３４は、ＮＮ５５が十分に訓練されており、推論ステージに向けて待機していることを保証するために検証段階を実施するように構成される。

【0172】

以下の段階は、推論ステージ中に実施される。入力段階１１０では、プロセッサ３４は、訓練ステージ中にＮＮ５５に供給されなかった本明細書では新しい回折画像とも記す実回折画像（ある回折パターンの）であるその後の回折画像をＮＮ５５に提供するように構成される。新しい回折パターンは、Ｘ線ビーム３１をウェーハ２２内の孔４４のアレイに向け、孔４４の各々のアレイから回折したＸ線光子を示す信号を検出器アセンブリ３２から受け取ることに応答してプロセッサ３４によって生成される。一部の実施形態では、ビーム３１は、軸線３７と面４１と（両方共に上述の図２に示す）の間の第３の入射角で向けられる。更に、この例では、ビーム３１は、第１の平均直径を有する孔４４のアレイに向けられる。

【0173】

推論ステージ及び本方法を完了する出力段階１１２では、プロセッサ３４は、孔４４のアレイの測定値であって、第１の平均直径からの差が上述の訓練ステージで説明した第１の閾値よりも小さい第２の平均直径を有する上記測定値を示す出力をＮＮ５５の訓練済みモデル（例えば、深層訓練モデル）から受け取る。これに加えて又はこれに代えて、プロセッサ３４は、改善された直径測定精度を達成するために推奨される本明細書では推奨角度とも記す第４の入射角を示す出力をＮＮ５５の訓練済みモデルから受け取る。例えば、上述の図２を参照すると、孔４４ｆのアレイを測定する時に、回折画像５１の最も高い強度は、ビーム３１の軸線３７が孔４４ｆの軸線４３ｂとほぼ平行である時に得られる。この例では、ＮＮ５５によって推奨された入射角でビーム３１をウェーハ２２に向ける時に、孔４４ｆの測定品質、例えば、（ｉ）反復性、（ｉｉ）再現性、（ｉｉｉ）精度、及び（ｉｖ）測定感度のうちの少なくとも１つが改善される。

【0174】

この例では、ＮＮ７７を（ｉ）訓練ステージ中のＨＡＲ孔４４の周期アレイの合成回折画像、及び（ｉｉ）上述の図２に示したアレイのうちの少なくとも１つのような実ＨＡＲ孔４４の周期アレイからシステム２０内で取得した回折画像に適用した。

【0175】

場合により、ＮＮ７７は、他のタイプのアレイに必要な変更を加えた上で適用することができることに注意されたい。しかし、ＮＮ７７を成功裏に適用してＸ線解析（構造変動の測定）の所要の品質を達成するために、そのようなアレイの回折画像（例えば、ＰＣＤＩ８８）は、一般的に半径方向相称性を有するべきである。言い換えれば、ＮＮ７７の訓練ステージ及び推論ステージは、半径方向相称性を有する回折画像に適用する時にＮＮ５５と比較して実質的により短く、より有効である可能性があるが、回折画像のうちの少なくとも１つが半径方向相称性を持たない場合に、ユーザは、Ｘ線解析（例えば、構造変動の測定）の所要の品質を達成するために回折画像にＮＮ５５を適用するように考慮することができる。

【0176】

図６のこの特定の方法は、本発明の実施形態によって対処されるある一定の問題を示し、システム２０の性能を改善することへのこれらの実施形態の適用を明らかにするために例示的に示したものである。しかし、本発明の実施形態は、この特定のタイプの例示的方法及びＮＮに決して限定されず、本明細書に説明する原理は、他のタイプのシステム及びニューラルネットワークに同じく適用することができる。更に、図６の方法は、例えば、上述の図５で詳細に説明したＰＣＤＩ８８を取得した後に、上述の図５のＮＮ７７に必要な変更を加えた上で適用することができることに注意されたい。

【0177】

ニューラルネットワークを多層画像に適用することによる孔の垂直寸法に沿う変動の解析
図７は、本発明の実施形態によるＮＮ５５又はＮＮ７７を孔４４の多層回折画像１１１に適用することによって孔４４及び／又は多段構造の垂直寸法に沿う変動を解析する方法の概略図である。

【0178】

本発明の開示及び特許請求の範囲の状況では、多段構造という用語は、多層構造を有する２層又は３層以上のスタックで生成された構造を意味する。

【0179】

ここで、ウェーハ２２の垂直軸線（例えば、Ｚ軸線）に沿う孔４４ｂ、４４ｄ、及び４４ｆそれぞれのプロファイル１５１、１５２、及び１５３を参照する。プロファイル１５１～１５３は、ウェーハ２２のＸ軸線及びＺ軸線に沿う孔４４ｂ、４４ｄ、及び４４ｆの寸法（例えば、ナノメートルを単位とする）を有するそれぞれのグラフ上に表示されている。

【0180】

この例では、プロファイル１５１、１５２、及び１５３は、孔４４ｂ、４４ｄ、及び４４ｆそれぞれの側壁の形状によって決定された向きを有するそれぞれＣＬ１２１、１２３、及び１２５と記した仮想中心線（ＣＬ）を有する。より具体的には、（ｉ）プロファイル１５１は、側壁２３ａと２３ｂの間に定められた上側直径４５ｂと下側直径１１３とを有し、（ｉｉ）プロファイル１５２は、側壁２５ａと２５ｂの間に定められた上側直径４５ｃと下側直径４６とを有し、（ｉｉｉ）プロファイル１５３は、側壁２７ａと２７ｂの間に定められた上側直径４５ｃと下側直径１１５とを有する。

【0181】

プロファイル１５１の例では、側壁２３ａと２３ｂとは、Ｚ軸線に関して対称であり、従って、直径４５ｂと１１３とは同心であり、ＣＬ１２１は、Ｚ軸線と平行である。

【0182】

プロファイル１５２の例では、側壁２５ａと２５ｂは、Ｚ軸線に関して対称ではなく、従って、直径４５ｃと４６は同心ではなく、ＣＬ１２３は、Ｚ軸線と平行ではない。側壁２３ａと２３ｂの非対称性に起因して、ＣＬ１２３は、場所１１４で僅かな線形シフトを有する。孔４４ｄのこの種の垂線の変動を本明細書では線形中心線シフト（ＣＬＳ）とも記す。

【0183】

プロファイル１５３の例では、側壁２５ａと２５ｂは、Ｚ軸線に関して同じく対称ではなく、従って、直径４５ｄと１１５は同心ではなく、ＣＬ１２５は、Ｚ軸線に沿って非線形ＣＬＳを有する。この非線形ＣＬＳを場所１１６に示している。

【0184】

一部の実施形態では、プロセッサ３４は、ウェーハ２２の面に対して法線方向の軸線（例えば、ウェーハ２２のＺ軸線）の周りの回転φと、ウェーハのＹ軸線の周りの回転χと、ウェーハのＸ軸線の周りの回転ωとを加えるなどでウェーハ２２をあらゆる適切な方向に傾斜させるようにステージ４０を制御するように構成される。上述のように、χとωは、両方共にウェーハ２２の面と平行であるが、互いに直交し、それに対してφは、ウェーハ２２の面に対する法線の周りに回転することに注意されたい。この例では、位置１３１、１３２、及び１３３では、ウェーハ２２は、それぞれ約００、－０．４０、及び＋０．４０のωに回転されているが、他の実施形態では、これに加えて又はこれに代えて、ＨＡＲ構造（上述の図１で定めた）では約－２．００と＋２．００の間のω（又はいずれかの他の適切な角度ω及び／又はあらゆる適切な角度χ）、低アスペクト比構造（約１０：１よりも低いアスペクト比を有する）に使用される場合に、角度ω及び角度χの一方又は両方に関して約－２０．００と＋２０．００の間のようないずれかの他の適切な角度に回転される。

【0185】

一部の実施形態では、位置１３１、１３２、及び１３３にある孔４４ｆに対してビーム３１を向け、検出器アセンブリ３２から受信される対応する信号を受け取ることに応答して、プロセッサ３４は、回折画像１４１、１４２、及び１４３をそれぞれ生成するように構成される。これに加えて又はこれに代えて、プロセッサ３４は、合成回折画像のセット（例えば、１４１、１４２、及び１４３と類似）と、これらの合成回折画像に対応する例えば上述の図３で詳細に説明した適切なラベルとを生成するように構成される。

【0186】

一部の実施形態では、プロセッサ３４は、（ｉ）回折画像１４１、１４２、及び１４３に基づいて多層回折画像１１１を生成し、その後に（ｉｉ）訓練ステージ、推論ステージのうちの少なくとも一方の実行中に図４～図６で詳細に説明した技術を使用してＮＮ５５又はＮＮ７７を多層回折画像１１１に適用するように構成される。

【0187】

回折画像１４１、１４２、及び１４３の各々は、１５０×１５０×１のサイズを有し（すなわち、１５０ピクセル×１５０ピクセルの１枚の画像である）、それに対して多層回折画像１１１のサイズは、１５０×１５０×３である（すなわち、各々が１５０ピクセル×１５０ピクセルの３枚の画像である）ことに注意されたい。更に、多層回折画像１１１のＸＹ方向のサイズは、上述の図４及び図５に説明した回折画像５３と類似のままに留まるので、一般的に、プロセッサ３４は、ＮＮ５５及びＮＮ７７の構造を変動させることなくＮＮ５５及び／又は７７を多層回折画像１１１に適用することができる。

【0188】

言い換えれば、１つのオプションは、約１５０ピクセル×１５０ピクセルよりも大きいサイズを有する回折画像を含むＮＮへの入力を生成することである。しかし、このオプションは、異なるサイズの入力に適用されるように構成されたＮＮの新しいアーキテクチャを必要とする。本発明の開示する技術を使用するプロセッサ３４は、（ｉ）回折画像（例えば、画像１４１、１４２、及び１４３）の同じサイズの各個々の層を有する１枚の多層回折画像（例えば、多層回折画像１１１）を生成し、その後に多層回折画像の全ての層（例えば、回折画像１４１、１４２、及び１４３）にＮＮ５５及び／又は７７を同時に（又はいずれかの他の適切なシーケンスを使用して）適用するように構成される。

【0189】

他の実施形態では、プロセッサ３４は、ウェーハ２２のあらゆる適切な数（３個以外）の傾斜位置を使用して生成された対応する数の回折画像に基づいて別の多層回折画像を生成するように構成される。回折画像は、システム２０（又はいずれかの他の適切なＸ線解析システム）及び／又は回折画像の適切な模擬を使用して生成することができることに注意されたい。

【0190】

ウェーハ２２又はいずれかの他の適切なタイプのウェーハ上に生成されたデバイス１６１の積み重ね孔１４４と１４５の間の本明細書でジョイントシフト（ＪＳ）とも記す重ね合わせ誤差を示す挿入図１６０を参照する。

【0191】

孔１４４及び１４５の各々は、一例として提示したものであり、例えば、上述の図２の複数の孔４４のうちのいずれか又はウェーハ２２内又はシステム２０によって解析することが意図されたいずれかの他のウェーハ内に生成することができるいずれかの他の適切なＨＡＲ構造（例えば、トレンチ）に置き換わることができることに注意されたい。更に、図２の例では、これらの孔４４は、例えば、当業技術で公知のフォトリソグラフィ処理及びエッチング処理を使用して同じ層内に形成され、それに対して孔１４４及び１４５は、例えば、当業技術で公知の堆積処理及び／又は研磨処理を使用してそれぞれのウェーハ内に生成されたデバイス１６１の２つのスタック内に形成される。例えば、孔１４５は、ウェーハ２２の基板の中に又はウェーハ２２の基板の上に形成されたスタックの中にエッチングすることによって形成される。次に、孔１４５には、いずれかの容易に取り外し可能な材料を充填することができ、その後に、孔１４５が形成された層にわたって１又は２以上の追加の層が形成される。次に、１又は２以上の追加の層は、孔１４４を形成するようにパターン化及びエッチングされ、このエッチング処理中又はその後の処理で１４５内の充填材が除去される。代替例では、デバイス１６１の構造は、孔１４４と１４５の間を接続するライン又はパッドを含むことができる。

【0192】

この例では、孔１４４の中心線１６４は、孔１４４の深さ１５４に沿ってウェーハのＺ軸線に対する角度１７４に傾斜される。更に、孔１４５の中心線１６５は、孔１４５の深さ１５５に沿ってウェーハのＺ軸線に対する角度１７５に傾斜される。

【0193】

傾斜の結果として、孔１４４と１４５の間のインタフェース区域１７８にジョイントシフト（ＪＳ）１７７が不適切に形成される。より具体的には、ＪＳ １７７は、インタフェース区域１７８でのＣＬ１６４と１６５の間の距離によって決定される。言い換えれば、ジョイントシフト１７７のサイズは、ＣＬ１６４と１６５との望ましくない傾斜（及び／又は孔１４４の位置と孔１４５の位置の間の相対シフト）によって引き起こされる重ね合わせ誤差のレベルを示している。重ね合わせ誤差のレベルの仕様は、それぞれのデバイスの設計規則内で決定され、孔１４４及び１４５を含むデバイスの加工処理の処理制御限界に適用される。

【0194】

孔１４４及び１４５の高アスペクト比に起因して、ＪＳ １７７のサイズを測定する段階は、それぞれのデバイスの加工中に測定を行うために適用される技術に関係なく一般的に困難である。

【0195】

原理的には、デバイス１６１を含むウェーハ上の全ての点に関してＸ方向とＹ方向との様々な回転角でのいくつかのＸ線回折パターンを収集することによって挿入図１６０の多段構造（又はいずれかの他の適切なタイプの多段構造）の限界寸法の輪郭解析（本明細書ではＣＤ輪郭解析又はＸＣＤとも記す）を実施することが可能である。次に、これらのセットは、本発明の開示の出願人とＯｎｔｏ Ｉｎｎｏｖａｔｉｏｎ（米国マサチューセッツ州０１８８７、ウィルミントン、ジョンスピンロード６）とが共同開発したＸＣＤのためのＮａｎｏＤｉｆｆｒａｃｔ等であるがこれに限定されない非線形回帰エンジンを使用して自動的に調節されるパラメータを有する構造モデルを利用するソフトウエアによって解析される。そのような解析は、システム２０と回帰を実施する時間との両方に関して時間を消費する場合がある。更に、そのような構造モデル構築は、システム２０の適格なユーザの監視を必要とする。

【0196】

一部の実施形態では、プロセッサ３４は、プロファイル１５３のＣＬ１２５の非線形ＣＬＳを解析するのに必要な変更を加えたものに使用される技術をデバイス１６１に適用することによってＪＳ １７７の測定を実行するように構成される。より具体的には、プロセッサ３４は、（ｉ）入射ビーム３１に対するいくつかの（例えば、５つの）回転角（例えば、約０⁰、－０．３⁰、＋０．３⁰、－０．６⁰、及び＋０．６⁰のω、又は約－２０．０⁰と＋２０．０⁰の間の範囲のいずれかの他の角度）までデバイス１６１のウェーハを傾斜させることによって（例えば、５枚の）回折画像のセットを生成し、（ｉｉ）上記で（例えば、図２、図３、及び図７で）説明した技術を使用して訓練データセットを発生し、（ｉｉｉ）上述の図２～図５で詳細に説明したようにＮＮ５５及び／又はＮＮ７７を訓練するために訓練データセットを用い、（ｉｖ）上述の段階（ｉ）の５つの回折画像を使用して多層回折画像（図７の画像１１１のような）を生成し、かつ（ｖ）デバイス１６１の孔アレイ内に位置する孔１４４と１４５との複数のスタックペアに対してＪＳ １７７の平均測定を実行するためにＮＮ５５及び／又はＮＮ７７を多層回折画像に適用するように構成される。

【0197】

他の実施形態では、デバイス１６１の孔１４４及び１４５を含む構造のような多段構造に適切なＣＮＮ（例えば、ＮＮ５５及び／又はＮＮ７７）を適用する時に、プロセッサ３４は、ビーム３１のあらゆる適切な数（例えば、約２と１１の間）の入射角を使用して追加の従属パラメータ、例えば、平均傾斜からの非線形偏位（例えば、ＣＬＳ）、並びに多段構造の２又は３以上の構成要素の間の相対的な傾斜及び／又はシフトを取得することができる。例えば、孔の高さ、最大ＣＤ（例えば、幅）、最大ＣＤ（例えば、幅）の深さが単段構造の場合であっても、いくつか（約２と１１の間）の入射角の使用を必要とする可能性もある。

【0198】

（ｉ）プロファイル１５３のＣＬ１２５の非線形ＣＬＳ及び（ｉｉ）デバイス１６１のＪＳ １７７を測定するための構造及び技術は、本発明の実施形態によって対処されるある一定の問題を示し、システム２０の性能を改善することへのこれらの実施形態の適用を明らかにするために例示的に示したものである。しかし、本発明の実施形態は、この特定のタイプの例示的多段構造、方法、及び特定のＮＮに決して限定されず、本明細書に説明する原理は、あらゆる適切なタイプのＸ線解析システム、ニューラルネットワーク、並びに訓練及び推論の技術を使用して他のタイプのＨＡＲ構造に同じく適用することができる。

【0199】

すなわち、上述した実施形態は例示的に列挙したものであり、本発明が上記で具体的に図示して説明したものに限定されないことは認められるであろう。限定ではなく、本発明の範囲は、上述の様々な特徴の組合せ及び部分結合と、以上の説明を読解した上で当業者に想起されると考えられる従来技術に開示されていないこれらの特徴の変形及び修正との両方を含む。本特許出願に引用によって組み込まれている文献は、いずれかの用語が本明細書で明示的及び示唆的に行う定義と矛盾する形でこれらの組み込まれた文献内で定められる場合に本明細書での定義のみで鑑みることを除いて、この出願の一体部分と見なさなければならない。

【符号の説明】

【0200】

２０ 小角Ｘ線散乱（ＳＡＸＳ）システム
２２ 半導体ウェーハ
２４ Ｘ線ソース
２９ ウェーハの面の小領域
３１ Ｘ線ビーム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【外国語明細書】