▶ カール・ツァイス・エスエムティー・ゲーエムベーハーの特許一覧
特許7329036フォトリソグラフィプロセスの要素の検査において統計的に分布した測定値を評価するための方法およびデバイス
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-08-08
(45)【発行日】2023-08-17
(54)【発明の名称】フォトリソグラフィプロセスの要素の検査において統計的に分布した測定値を評価するための方法およびデバイス
(51)【国際特許分類】
G03F 1/84 20120101AFI20230809BHJP
G03F 7/20 20060101ALI20230809BHJP
H01L 21/027 20060101ALI20230809BHJP
H01L 21/66 20060101ALI20230809BHJP
G01B 21/02 20060101ALI20230809BHJP
【ＦＩ】
G03F1/84
G03F7/20 521
H01L21/30 502D
H01L21/66 J
G01B21/02
【請求項の数】
19
(21)【出願番号】P 2021500173
(86)(22)【出願日】2019-07-05
(65)【公表番号】
(43)【公表日】2021-11-11
(86)【国際出願番号】 EP2019068067
(87)【国際公開番号】W WO2020008021
(87)【国際公開日】2020-01-09
【審査請求日】2021-02-17
(31)【優先権主張番号】102018211099.9
(32)【優先日】2018-07-05
(33)【優先権主張国・地域又は機関】DE
(73)【特許権者】
【識別番号】503263355
【氏名又は名称】カール・ツァイス・エスエムティー・ゲーエムベーハー
(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】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】100086771
【弁理士】
【氏名又は名称】西島 孝喜
(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】100158469
【弁理士】
【氏名又は名称】大浦 博司
(72)【発明者】
【氏名】サイデル ディルク
(72)【発明者】
【氏名】フレイタグ アレクサンダー
(72)【発明者】
【氏名】ウォジェク クリスチャン
(72)【発明者】
【氏名】トプファー スザンネ
(72)【発明者】
【氏名】シュミット カーステン
(72)【発明者】
【氏名】ヒュースマン クリストフ
【審査官】今井 彰
(56)【参考文献】
【文献】米国特許出願公開第２０１４／０１９５１９４（ＵＳ，Ａ１）
【文献】特表２０１７－５３６５８４（ＪＰ，Ａ）
【文献】特開２００７－１０３８８２（ＪＰ，Ａ）
【文献】国際公開第２０１８／０７５８１４（ＷＯ，Ａ２）
【文献】米国特許出願公開第２００６／０１８９００９（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０１８／００６７９００（ＵＳ，Ａ１）
【文献】米国特許出願公開第２００８／０１５１２６８（ＵＳ，Ａ１）
【文献】国際公開第２０１８／０７２９８０（ＷＯ，Ａ１）
【文献】特開２００５－１７４９２９（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０３Ｆ １／２０－１／８６、７／２０－７／２４、９／００－９／０２
Ｈ０１Ｌ ２１／０２７、２１／３０
(57)【特許請求の範囲】
【請求項1】
フォトリソグラフィプロセスに関する要素（８１０）の検査において統計的に分布した測定値（１００、３００、３５０）を評価するための方法（９００）であって、以下：ａ．訓練された機械学習モデル（７００）において複数の特徴付けパラメータ（７３０）を使用するステップであって、前記特徴付けパラメータ（７３０）は前記測定値（１００、３００、３５０）の測定に割り当てられた時間期間内における測定環境（８８０）の状態を特徴付ける、使用するステップと、
ｂ．前記測定値（１００、３００、３５０）を評価するために、前記訓練された機械学習モデル（７００）を実行するステップであって、前記訓練された機械学習モデル（７００）は、特徴付けパラメータ（６３０）と前記特徴付けパラメータ（６３０）に関連付けられた品質基準（６４０）とを含む訓練データセットを用いて訓練されている、ステップと、を含む、方法（９００）。
【請求項2】
前記測定値（１００、３００、３５０）は品質基準（７４０）に基づいて評価される、請求項１に記載の方法（９００）。
【請求項3】
前記品質基準（７４０）は、以下の群：前記測定値（１００、３００、３５０）に割り当てられた統計的分布の期待値に関する閾値（３８０）、前記測定値（１００、３００、３５０）の前記統計的分布に関する事前に定められた複数の範囲のうちの１つの範囲への割り当て、および、前記統計的分布の前記期待値からの前記測定値（１００、３００、３５０）の偏差、のうちの、少なくとも１つの要素を含む、請求項２に記載の方法（９００）。
【請求項4】
前記訓練された機械学習モデル（７００）は、測定されるべき値の測定に割り当てられた時間期間の開始前に、複数の特徴付けパラメータ（７３０）を、品質基準（７４０）に関して前記測定されるべき値を評価するために用い、前記方法は、以下：前記測定されるべき値が前記品質基準（７４０）を前記測定されるべき値の測定に割り当てられた前記時間期間内に満たさない場合に、前記測定されるべき値の測定を行わないステップ、を更に含み、前記訓練された機械学習モデルは、前記測定されるべき値の測定に割り当てられた時間期間に対する前記品質基準（７４０）を予測する、請求項２に記載の方法（９００）。
【請求項5】
以下：前記測定されるべき値が前記品質基準（７４０）を前記測定されるべき値の測定に割り当てられた前記時間期間内に満たすまで、前記測定されるべき値の測定を保留するステップ、を更に含む、請求項４に記載の方法（９００）。
【請求項6】
前記測定値（１００、３００、３５０）はその測定後に評価され、以下：前記測定されるべき値が前記品質基準（７４０）を前記測定されるべき値の測定に割り当てられた前記時間期間内に満たさなかった場合は、前記測定値（１００、３００、３５０）を棄却するステップ、を更に含む、請求項２または３に記載の方法（９００）。
【請求項7】
以下：前記測定値（１００、３００、３５０）に関する信頼度ステートメントを生成するステップ、を更に含み、前記信頼度ステートメントは、前記訓練された機械学習モデル（７００）がその出力データを信頼性に関してどのように評価するかを反映しており、前記訓練された機械学習モデル（７００）は、前記特徴付けパラメータ（７３０）と前記関連付けられた品質基準（７４０）に基づき信頼度ステートメントを予測する、請求項２～６のいずれか１項に記載の方法（９００）。
【請求項8】
前記特徴付けパラメータ（７３０）はそれらの数値の時間的推移を含む、請求項１～７のいずれか１項に記載の方法（９００）。
【請求項9】
前記測定値（１００、３００、３５０）の測定は複数の測定記録を含み、前記複数の測定記録は少なくとも１つの特徴付けパラメータ（７３０）についての繰り返しの測定を含む、請求項１～８のいずれか１項に記載の方法（９００）。
【請求項10】
前記複数の測定記録は、少なくとも１つの特徴付けパラメータ（７３０）の変更を含む、請求項９に記載の方法（９００）。
【請求項11】
前記特徴付けパラメータ（７３０）のうちの少なくとも１つは、前記測定値（１００、３００、３５０）に関する前記複数の測定記録の間の、その統計的分布の少なくとも１つの特性変数を含む、請求項１０に記載の方法（９００）。
【請求項12】
前記機械学習モデル（６００、７００）は、以下の群：カーネル密度推定量、統計的モデル、決定木、線形モデル、時間不変モデル、最近傍分類、およびｋ最近傍アルゴリズム、ならびに非線形特徴変換によるそれらの非線形拡張のうちの、少なくとも１つの要素を含む、請求項１～１１のいずれか１項に記載の方法（９００）。
【請求項13】
前記機械学習モデル（６００）は、前記群のうちの機械学習モデルのタイプの異なる２つ以上のモデルを含む、請求項１２に記載の方法（９００）。
【請求項14】
前記機械学習モデル（６００）を訓練するための訓練データセットは、データ対：前記フォトリソグラフィプロセスの前記要素（８１０）のｊ番目の位置におけるｉ番目の測定値（１００、３００、３５０）の特徴付けパラメータ（６３０）および前記フォトリソグラフィプロセスの前記要素（８１０）の前記ｊ番目の位置における前記ｉ番目の測定値（１００、３００、３５０）の品質基準（６４０）、を含む、請求項１～１３のいずれか１項に記載の方法（９００）。
【請求項15】
コンピュータシステムによって実行されると前記コンピュータシステムに請求項１～１４のいずれか１項に記載の方法ステップを実行させる命令を備える、コンピュータプログラム。
【請求項16】
フォトリソグラフィプロセスに関する要素（８１０）の検査において統計的に分布した測定値（１００、３００、３５０）を評価するためのデバイス（８００）であって、ａ．訓練された機械学習モデル（７００）において複数の特徴付けパラメータ（７３０）を使用するための手段であって、前記特徴付けパラメータ（７３０）は前記測定値（１００、３００、３５０）の測定に割り当てられた時間期間内における測定環境（８８０）の状態を特徴付ける、使用するための手段と、
ｂ．前記測定値（１００、３００、３５０）を評価するために、前記訓練された機械学習モデル（７００）を実行するための手段であって、前記訓練された機械学習モデル（７００）は、特徴付けパラメータ（６３０）と前記特徴付けパラメータ（６３０）に関連付けられた品質基準（６４０）とを含む訓練データセットを用いて訓練されている、手段と、を備える、デバイス（８００）。
【請求項17】
前記測定を行うための手段を更に備える、請求項１６に記載のデバイス（８００）。
【請求項18】
前記測定を行うための前記手段は、粒子線の生成源（８２５）と、前記フォトリソグラフィプロセスの前記要素（８１０）が発する粒子を検出するための検出器（８３５）と、を備える、請求項１７に記載のデバイス（８００）。
【請求項19】
前記特徴付けパラメータ（７３０）を決定するための手段および／または前記特徴付けパラメータ（７３０）を変更するための手段を更に備える、請求項１６～１８のいずれか１項に記載のデバイス（８００）。
【発明の詳細な説明】
【技術分野】
【0001】
本願は２０１８年７月５日に出願された独国特許出願第ＤＥ １０ ２０１８ ２１１ ０９９．９号の優先権を主張し、その内容の全体を本開示の一部として参照により本明細書に組み込む。
【0002】
本発明は、半導体産業の分野で使用される測定デバイスの測定正確度を改善するための方法およびデバイスに関する。特に、本発明は、フォトリソグラフィプロセスの要素の検査において統計的に分布した測定値を評価するための方法およびデバイスに関する。
【背景技術】
【0003】
半導体産業における集積密度の上昇の結果、フォトリソグラフィマスクがウエハ上に結像（ｉｍａｇｅ）すべき構造はますます小さくなってきている。ウエハ上の、およびしたがってまた、例えばナノインプリントリソグラフィ用のフォトリソグラフィマスクまたはテンプレートなどの、ウエハの露光に使用されるパターン具備要素上の、構造の小型化の進行は、パターン具備要素の検査、計測、および検証に、広範な影響を及ぼす。フォトリソグラフィマスク、テンプレート、および／またはウエハの製造プロセス中にそれらのモニタリングおよび修復に使用される、現在の測定デバイスまたはツールは、半導体産業における正確度からくる極めて厳しい要件に対処するために、非常に複雑である。
【0004】
フォトリソグラフィマスク、フォトマスク、または単にマスクを製造するためのプロセス用のそのような測定デバイスの例として、フォトマスク上に存在する欠陥を検出するための検査ツール、パターン要素の限界寸法（ＣＤ）および位置決め誤差を測定するための計測ツール（例えばＷＬＣＤツールまたはＰＲＯＶＥ（登録商標）ツール）、ウエハ上でマスクの欠陥が視認できるかを判定するための検証ツール（例えばＡＩＭＳＴＭ（商標）ツール）、マスク修復ツール（例えばＭｅＲｉＴ（登録商標）ツール）、および位相測定ツールが挙げられる。
【0005】
新しい手法として現在、フォトマスクの品質評価におけるいくつかの困難に機械学習（ＭＬ）モデルを援用して対処する取り組みが行われている。この手法に関して、以下の文献を例として引用するものとする：ＷＯ２０１７／０８７６５３Ａ１、ＷＯ２０１７／１１７５６８Ａ１、ＷＯ２０１７／１２０２５３Ａ１、ＷＯ２０１７／１２３５５５Ａ１、ＷＯ２０１７／１２３５６１Ａ１、ＷＯ２０１７／１１７５７３Ａ１、ＷＯ２０１７／１２３５５５Ａ１、およびＷＯ２０１７／２０５５３７Ａ１。
【0006】
特許明細書ＤＥ１０ ２００７ ９２４ Ｂ４には、適正でない測定値をそれらの測定の直後に品質係数を用いて自動的に検出するための方法が記載されている。検出された適正でない測定値は棄却され、品質係数を満たす新しい測定値によって置換される。
【0007】
上述した高精度測定デバイスに関する測定値の品質係数の確立は複雑なプロセスであるが、その理由は、高精度の複雑なツールに関して、品質要因とその関連する測定値との間の関係が、一般に知られていないからである。
【0008】
本発明はしたがって、測定デバイスの測定正確度を向上させ上記した欠点を少なくとも部分的に回避する方法およびデバイスを明確にする、という課題に対処する。
【発明の概要】
【0009】
本発明の一態様によれば、この課題は、請求項１に記載するような方法および請求項１７に記載するようなデバイスによって解決される。一実施形態では、フォトリソグラフィプロセスに関する要素の検査において統計的に分布した測定値を評価するための方法は、以下：（ａ）訓練された機械学習モデルにおいて複数のパラメータを使用することであって、パラメータは測定値の測定に割り当てられた時間期間内における測定環境の状態を特徴付ける、使用するステップと、（ｂ）測定値を評価するために、訓練された機械学習モデルを実行するステップと、を含む。
【0010】
本発明に係る方法によって、測定環境を特徴付けるパラメータに基づいて、測定前、測定中、または測定後に、計画された測定値または記録された測定値が、その統計的分布においてどのようになるか、またはどのように配置されているかを、自動的に示すことが可能になる。こうして測定の重要度を、上記の測定値の測定前に予め、測定中に、または測定の直後に、評価することができる。適当な対策を開始することによって、本発明に係る方法はこのように、高精度の複雑な測定デバイスの測定正確度の大きな向上を可能にする。
【0011】
本発明に係る方法では、測定データと測定環境を特徴付けるパラメータとの間の任意の未知の関係を検出し、それらを測定値の評価のために利用することができる。これはここに示す方法の決定的な利点であるが、その理由は、非常に正確で複雑な測定デバイスの場合、そもそもの測定データと、測定環境を特徴付けるパラメータとの間の因果関係が、一般に未知であるからである。
【0012】
測定値および測定環境を特徴付けるパラメータは理想的には、同じ「時点」で測定されるべきである。実際の測定デバイスにおいては、測定値の測定は１つの時点ではなく、むしろある時間間隔内で行われる。このことは、時間期間が測定もしくは測定値の記録に割り当てられる、または、測定または測定値の記録が時間期間と相関していることを意味する。特徴付けパラメータは、測定に割り当てられた時間期間内の測定環境を特徴付けるものとされる。しかしながら、このことは、あらゆる特徴付けパラメータについて相関する時間期間内に測定を行わなければならないことを意味しない。急な変化を示す特徴付けパラメータには、計画された測定に割り当てられた時間期間内に、１回または場合によっては複数回の測定を行うべきである。対照的に、遅いドリフトしか示さない特徴付けパラメータの場合、計画された測定に割り当てられた時間期間よりも大きい時間間隔内で測定を行えば十分な場合がある。
【0013】
測定値は品質基準に基づいて評価できる。品質基準は、以下の群：測定値に割り当てられた統計的分布の期待値に関する閾値、測定値の統計的分布に関する事前に定められた複数の範囲のうちの１つの範囲への割り当て、および、統計的分布の期待値からの測定値の偏差のうちの、少なくとも１つの要素を含み得る。
【0014】
品質基準によって測定値を分類することができる。測定値の分類は二値であってもよい、すなわち、測定値は要件を満たすか満たさないかである。測定値の二値分類は閾値に基づいて行うことができる。ただし、分類は測定値の多クラス割り当ても含み得る、すなわち、測定値は例えば、品質基準を非常に良好に満たす場合、または普通に良好に満たす場合、または満たさない場合がある。更に、品質基準は、品質パラメータを連続関数の形態で定義することが可能である。品質パラメータは正規化されても正規化されなくてもよい。
【0015】
測定の相対的な反復精度についての予測を可能にすることが、本発明に係る方法の目的である。
【0016】
計画された測定の前に測定値を評価することができ、本発明に係る方法は以下を更に含み得る：測定値の計画された測定に割り当てられた時間期間内に品質基準が満たされない場合に、計画された測定値の測定を行わないステップ。
【0017】
測定が行われる前に予め、測定のために計画された時点において、測定環境が測定を行うのに好ましい状態にあるか否かを決定できることは、本願に記載する方法の重要な利点である。このことにより、デバイスの測定正確度を高めること、および同時に測定の複雑さの上昇はごく僅かにすることが可能になり、後から棄却すべき測定値はそもそも生成すらされない。
【0018】
上で規定した方法は以下を更に含む：測定値の計画された測定に割り当てられた時間期間内に品質基準が満たされるまで、計画された測定を保留するステップ。
【0019】
効率上の理由から、後から使用不可能な測定値を識別し、それらを棄却しそれらを新しい測定で置換する代わりに、使用可能な測定だけを行うのがより好ましい。
【0020】
測定値はその測定後に評価することができ、本発明に係る方法は、以下：品質基準が測定値の計画された測定に割り当てられた時間期間内に満たされなかった場合は、測定値を棄却するステップ、を更に含み得る。
【0021】
本願に提示する方法を、まず測定を行いその後記録された測定値を分析または評価するように実装することも可能である。
【0022】
訓練された機械学習モデルは、測定デバイスの測定またはデータの記録を追跡すること、および、全ての必須の特徴付けパラメータを常時モニタする、すなわち測定することができる。特徴付けパラメータは訓練された機械学習モデルに入力データとして提供され、訓練されたモデルは品質基準に関する値または数値を予測する。次いで訓練されたモデルのステートメントを使用して、測定値の測定を開始または保留することができる。機械学習モデルによって品質基準を出力することは、直前に記録された測定値を測定デバイスが棄却し、更新された測定または繰り返しの測定を行う、という効果を有し得る。
【0023】
本発明に係る方法は以下を更に含み得る：測定値に関する信頼度ステートメント（ｃｏｎｆｉｄｅｎｃｅ ｓｔａｔｅｍｅｎｔ）を生成するステップ。信頼度ステートメントは、測定デバイスの測定値と一緒に伝達することができる。
【0024】
信頼度ステートメントは、ＭＬモデルがその出力データを信頼性に関してどのように評価するかを反映している。例として、９５％の信頼度ステートメントを有して外れ値として評価される測定値であれば、この測定値が棄却される結果となるであろう。対照的に、測定値が品質基準を５１％の度合まで満たすとの評価であれば、用途に応じてそれが維持または新しく測定される結果となるであろう。本発明に係る方法は、品質基準が満たされているまたは満たされていないことについてのステートメント、および、品質基準に関する信頼度ステートメントの、両方を予測することができる。ただし、信頼度ステートメントを、後から機械学習モデルの外部で、その出力データから決定することも可能である。
【0025】
フォトリソグラフィプロセスに関する要素の特徴としては、フォトマスクのもしくはウエハのパターン要素、および／または、フォトマスクのもしくはウエハの位置合わせマーキングを挙げることができる。
【0026】
測定値の信頼度ステートメントは例えば、測定の基礎となる特徴の照射のタイプに依存し得る。このことは、反射の場合（すなわち反射光を使用する）または透過の場合（すなわち透過光を使用する）における、パターン要素のおよび／またはフォトマスクの位置合わせマーキングの測定が、測定されるパターン要素のおよび／または測定される位置合わせマーキングの信頼度ステートメントに影響を与えることを意味する。
【0027】
また更に、測定値の信頼度ステートメントは、照射強度および／またはフォトリソグラフィプロセス用の要素上の測定位置から、独立したものであり得る。
【0028】
更に、本発明に係る方法は、以下を含み得る：１つまたは複数の測定値の信頼度ステートメントに起因して、測定デバイスによって警告および／またはエラーメッセージを生成するステップ。ＭＬモデルはその場合、ＭＬモデルが状況を高い信頼度で評価できないことを示し得る。出力された警告および／またはエラーメッセージを受けて、専門の人員がプロセスに介入してもよい。
【0029】
本発明に係る方法は以下を含み得る：１つまたは複数の測定値の信頼度ステートメントに起因して測定デバイスを停止させるステップ。測定デバイスによるそれ以上の測定データの記録を終了することによって、無価値の測定値の生成を回避することが可能である。
【0030】
特徴付けパラメータは、以下の群のうちの２つ以上の要素を含み得る：測定環境の温度、測定環境の圧力、測定環境の空気湿度、測定環境の屈折率、測定値を測定するためのデバイスの焦点位置、デバイスの光学系の波長、デバイスの光学系の露光強度、デバイスの光学系の露光設定、デバイスの光学系のコヒーレンス度、デバイスの検出器設定、デバイスの１つまたは複数の干渉計の設定、デバイスの１つまたは複数のダンピングシステムの設定、および１つまたはデバイスの複数の駆動装置の設定。
【0031】
測定環境を特徴付けるパラメータは、測定場所におけるまたは測定場所の直接の近傍における周囲条件と、測定を行う測定デバイスの設定と、を含む。
【0032】
特徴付けパラメータはそれらの数値の時間的推移を含み得る。
【0033】
特徴付けパラメータは、測定に割り当てられた時間範囲内の測定値または数値を含むだけではなく、それらの数値の最近の推移を上で説明した方法に導入することができる。特徴付けパラメータの数値の時間的推移を考慮することは、既存の測定値のおよび／またはこれから測定される測定値の評価の改善に寄与し得る。
【0034】
測定値は複数の測定記録を含み得る。複数の測定記録は、少なくとも１つの変更された特徴付けパラメータを含み得る。
【0035】
測定値は、例えばパターン要素の位置の、および／または、フォトリソグラフィマスクの特定の場所における限界寸法（ＣＤ）の、繰り返される測定を含み得る。次いで漸進的な測定または測定記録の測定データを組み合わせて、測定値または測定点を形成する。測定値が複数の測定記録を含む場合、測定と相関するまたは測定に割り当てられた時間範囲は通常、測定値が単一の測定に基づく場合の、測定値に割り当てられたまたは測定値と相関する時間範囲と比較して、有意に大きい。
【0036】
繰り返される測定は、実質的に同一の条件下で、すなわち、測定環境を特徴付けるパラメータのうちの１つを意図的に変更することなく、実施できる。ただし、特徴付けパラメータのうちの１つまたは複数を、個々の測定記録について定められた方法で変更することも可能である。例として、露光設定、焦点設定、および／またはフォトマスクの場所の露光のコヒーレンス度を、個々の測定記録について個別に設定することができる。
【0037】
複数の測定記録は、フォーカススタック（ｆｏｃｕｓ ｓｔａｃｋ：焦点スタック）を測定することを含み得る。また更に、フォーカススタックの測定値の信頼度ステートメントは、そのフォーカススタックの記録の数から独立したものであり得る。
【0038】
特徴付けパラメータのうちの少なくとも１つは、測定値に関する複数の測定記録の間の、その静的分布（ｓｔａｔｉｃ ｄｉｓｔｒｉｂｕｔｉｏｎ）の少なくとも１つの特性変数を含み得る。
【0039】
上記したように、測定値を記録することが変数を繰り返し測定することを含む場合、特徴付けパラメータは測定記録が行われる時間期間内で、統計的変動に曝される。特徴付けパラメータを測定記録の時間期間内の主要な点としてのみ決定する代わりに、特徴付けパラメータを時間間隔内で繰り返し、例えば周期的に測定すること、および、時間間隔内で測定される数値の統計的分布を決定することもまた、可能である。結果的に、特徴付けパラメータの正確度が向上され得る。
【0040】
機械学習モデルは、以下の群のうちの少なくとも１つの要素を含み得る：カーネル密度推定量、統計的モデル、決定木、線形モデル、時変モデル、最近傍分類、およびｋ最近傍アルゴリズム、ならびに非線形特徴変換によるそれらの非線形拡張。
【0041】
カーネル密度推定量（ＫＤＥと呼ばれる）によって、無作為抽出に基づく未知の確率分布の連続的な推定が可能になる。カーネル密度推定量は、例えば、ガウスカーネル、コーシーカーネル、ピカードカーネル、またはＥｐａｎｅｃｈｎｉｋｏｖカーネルを含むことができ、機械学習モデルに含まれているカーネルパラメータ、例えば帯域幅を、例えば、全ての入力パラメータについて個別にまたは集合的に割り当てるまたは推定することができる。一般に、存在する入力パラメータを有効なカーネル関数に導く、任意の相似関数を使用することが可能である。
【0042】
統計的モデルは少なくとも１つの混合分布を含み得る。混合分布は、以下の群のうちのある要素を含み得る：ガウス混合分布（Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｄｉｓｔｒｉｂｕｔｉｏｎ）（ＧＭＭ、ガウス混合モデル）、多変量正規分布、およびカテゴリカル混合分布（ｃａｔｅｇｏｒｉｃａｌ ｍｉｘｔｕｒｅ ｄｉｓｔｒｉｂｕｔｉｏｎ）。混合分布の好適な数は存在するデータによって決まり、検証データセットを援用して最適化され得る。
【0043】
決定木（ＤＴ）は、以下の群のうちの少なくとも１つの要素を含み得る：従来の決定木（ＤＴ）、ランダム決定木（ｒａｎｄｏｍｉｚｅｄ ｄｅｃｉｓｉｏｎ ｔｒｅｅ）（ＲＤＴ）、ならびに決定森（ｄｅｃｉｓｉｏｎ ｆｏｒｅｓｔ）（ＤＦ）、および決定森のランダム版（ｒａｎｄｏｍｉｚｅｄ ｖａｒｉａｎｔ）（ＲＤＦ）。ＲＤＴおよびＲＤＦでは、ランダム化の程度または「レベル」は様々であり得る。各ノードに対し、訓練（トレーニング）において、可能な決定の全てが、またはそこから無作為に選択したもののみが、存在し得る。決定木の各葉に対して、その時点までに存在する訓練例の全てまたは一部のみを使用できる。
【0044】
線形モデルは、以下の群のうちの少なくとも１つの要素を含み得る：潜在的ディリクレ配分法（ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ ａｌｌｏｃａｔｉｏｎ）（ＬＤＡ）、サポートベクトルマシン（ＳＶＭ）、ロジスティック回帰、最小二乗法（最小二乗推定）、ラッソ回帰（Ｌａｓｓｏ ｒｅｇｒｅｓｓｉｏｎ）、リッジ回帰（Ｒｉｄｇｅ ｒｅｇｒｅｓｓｉｏｎ）、およびパーセプトロン（ｐｅｒｃｅｐｔｒｏｎ）。線形モデルを有利に適用するには、入力データおよび訓練データの正規化が必要である。
【0045】
機械学習モデルは、カーネルサポートベクトルマシンの形態のＳＶＭの非線形拡張を含み得る。更に、機械学習モデルは、ガウス過程回帰の形態のガウス混合分布の非線形拡張を含み得る。機械学習モデルは、深層ニューラルネットワーク（ＤＮＮ）を更に含み得る。
【0046】
時変（ｔｉｍｅ－ｖａｒｉａｎｔ：時間変化）モデルは以下の群のうちの少なくとも１つの要素を含み得る：回帰型ニューラルネットワークおよび隠れマルコフモデル。代替の例示的な実施形態では、時間不変モデルが早期の測定のパラメータを入力データとして利用可能となっていることにより、時間不変モデルによって時変モデルをシミュレーションすることができる。
【0047】
時変または時間依存機械学習モデルは、測定環境を特徴付けるパラメータの時間プロファイルを考慮することが可能である。
【0048】
回帰型ニューラルネットワーク（ＲＮＮ）では、ある層の出力が、それよりも後の時点の追加の出力として同じ層に組み込まれる。ＲＭＭの１つの好ましい実施形態は、ＬＳＴＭ（長短期記憶）ネットワークである。
【0049】
更に、機械学習モデルは、上で指定した群のうちのタイプの異なる２つ以上の機械学習モデルを含み得る。様々なタイプの複数のモデルまたは複数の学習アルゴリズムの集合体または群を使用する機械学習モデルは一般に、単一のタイプのモデルまたは学習アルゴリズムに基づくＭＬモデルよりも、良好な結果を達成できる。このいくつかのタイプの異なるモデルの結果の計算は通常、単一のタイプのＭＬモデルの評価よりも時間がかかる。ただしその見返りに、１つのタイプのＭＬモデルまたは１つの学習アルゴリズムを有するＭＬモデルに対応する結果が、より小さい演算深度で予め達成され得る。
【0050】
この組合せの様々な構成要素の予測は、等しく重み付けされた様式で機械学習モデルの予測に寄与し得る。様々なタイプのＭＬモデルの予測は、重み付けされた様式で機械学習モデルの予測に寄与し得る。
【0051】
様々なタイプのＭＬモデルの群を含む機械学習モデルを、訓練フェーズにおいて、特に、群中の先行するモデルのタイプでは予測できないかまたは不十分にしか予測できない訓練データを与えられた、群に新たに追加される各タイプのモデルによって、漸増的に構築することができる。
【0052】
機械学習モデルの２つ以上の異なるＭＬモデルのタイプを、自動機械学習（Ａｕｔｏｍａｔｅｄ Ｍａｃｈｉｎｅ ＬｅａｒｎｉｎｇまたはＡｕｔｏＭＬ）を援用して選択することができる。
【0053】
機械学習モデルおよび／または機械学習モデルの様々なＭＬモデルのタイプのハイパーパラメータは、自動機械学習を援用して同様に最適化され得る。機械学習モデルのハイパーパラメータは、機械学習モデルのための訓練フェーズの開始前に定義されるモデルパラメータである。
【0054】
機械学習モデルを訓練するための訓練データセットは、データ対：ｉ番目の測定値の特徴付けパラメータおよびｉ番目の測定値の品質基準、を含み得る。
【0055】
機械学習モデルを訓練するための訓練データセットは、データ対：フォトリソグラフィプロセスの要素のｊ番目の位置におけるｉ番目の測定値の特徴付けパラメータおよびフォトリソグラフィプロセスの要素のｊ番目の位置におけるｉ番目の測定値の品質基準、を含み得る。
【0056】
上で既に説明したように、品質基準は、測定値、１つの範囲もしくは複数の範囲のクラスへの測定値の割り当て、または連続関数の数値に関する、閾値条件を満足することを含み得る。
【0057】
本発明に係る方法は以下を更に含み得る：訓練された機械学習モデルを測定を行う測定デバイスの修正に適合させるステップ。
【0058】
測定デバイスの部品の保守および／または交換後、訓練された機械学習モデルを、新しいまたは第２の訓練データセットを用いた再学習プロセスによって、その修正された測定デバイスに適合させることができる。
【0059】
更に、本発明に係る方法は以下を含み得る：訓練された機械学習モデルを測定デバイスの位置特異的な設置に適合させるステップ。
【0060】
訓練されるモデルを、第２の訓練データセットを援用して、測定デバイスの位置特異的な設置に適合させることができる。適合プロセスまたは再学習プロセスの複雑さは、機械学習モデルの具現化の選択に依存する。例として、適合プロセスの場合、ストレージに最初の訓練データセットの訓練データを有し、再学習プロセスがそれらを利用できるようにすることも必要な場合がある。更に、複雑さまたは演算の複雑さは、機械学習モデルの具現化の選択に依存する。
【0061】
コンピュータプログラムは、コンピュータシステムによって実行されるとコンピュータシステムに上記した方法のうちの１つの方法ステップを実行させる命令を備え得る。
【0062】
一実施形態では、フォトリソグラフィプロセスに関する要素の検査において統計的に分布した測定値を評価するためのデバイスは、（ａ）訓練された機械学習モデルにおいて複数のパラメータを使用するための手段であって、パラメータは測定値の測定に割り当てられた時間期間内における測定環境の状態を特徴付ける、使用するための手段と、（ｂ）測定値を評価するために、訓練された機械学習モデルを実行するための手段と、を備える。
【0063】
本発明に係るデバイスは、測定を行うための手段を更に備え得る。
【0064】
測定を行うための手段は、粒子線の生成源と、フォトリソグラフィプロセスの要素の要素が発する粒子を検出するための検出器と、を備え得る。
【0065】
粒子線は、以下の群：光子線、電子線、イオン線、原子線、および分子線のうちの、少なくとも１つの要素を含むことができ、かつ／または、検出器は、以下の群：光電子増倍管、光ダイオード、アバランシェ光ダイオード、ＣＣＤカメラ、およびｘ線検出器のうちの、少なくとも１つの要素を含み得る。
【0066】
本発明に係るデバイスは、特徴付けパラメータを決定するための手段および／または特徴付けパラメータを変更するための手段を更に備え得る。
【0067】
更に、本発明に係るデバイスは、計画された測定を保留するための手段および／または測定値を棄却するための手段を備え得る。
【0068】
フォトリソグラフィプロセスの要素は、以下の群：フォトリソグラフィマスク、ナノプリントリソグラフィ用のテンプレート、およびウエハのうちの、少なくとも１つの要素を含み得る。
【0069】
以下の詳細な説明では、本発明の現時点で好ましい例示的な実施形態について、以下の図面を参照して記載する。
【図面の簡単な説明】
【0070】
【図1】フォトリソグラフィプロセスの要素上のある位置における測定値の、例示的な統計的分布を表す図である。
【図6】機械学習モデルの訓練プロセスを概略的に示す図である。
【図7】機械学習モデルの実行を概略的に示す図である。
【図8】測定デバイスのいくつかの構成要素を概略的に提示する図である。
【図9】フォトリソグラフィプロセスに関する要素の検査において統計的に分布した測定値を評価するための方法のフロー図である。
【発明を実施するための形態】
【0071】
本発明に係る方法のおよび本発明に係るデバイスの現時点で好ましい実施形態が、フォトリソグラフィマスクの測定値の評価に基づいて、以下でより詳細に説明されている。本発明に係る方法および本発明に係るデバイスは、あらゆるタイプの透過型および反射型のフォトマスクの測定値を評価するために使用できる。更に、本発明に係る方法および本発明に係るデバイスはまた、ナノプリントリソグラフィ用のテンプレートおよび／またはウエハから得られる測定値を評価するためにも使用できる。ただし、本発明に係る方法および本発明に係るデバイスは、フォトリソグラフィプロセスに関する要素への適用に制限されない。むしろそれらは一般に、機械学習モデルの訓練に使用できるように、大量の測定データを生み出す高精度測定デバイスの測定値を評価するのに使用できる。
【0072】
図１は、フォトリソグラフィマスクの特定の位置における測定値１００の統計的分布の一例を示す。詳細には、図１には、フォトマスクのｊ番目の場所において測定点１００の測定を１０００回繰り返したものが提示されており、すなわちＮ＝１０００である。例として、フォトマスクにわたって２００個の測定場所を分布させることができ、すなわちＭ＝２００である。Ｍ個の測定点をフォトリソグラフィマスクを覆う規則的な格子内に分布させることができる。しかしながら、パターン要素および／またはフォトマスクの位置合わせマーキングの間にＭ個の測定点を分布させる方が都合が良い。図１に示す例では、フォトマスクにわたって分布させたＭ個の測定点が連続的に測定される。全Ｍ個の測定点を１回測定した後で、この手順をＮ回繰り返す。図１における横座標はしたがって、測定プロセス中の、フォトリソグラフィマスクのｊ番目の場所における測定値１００の時間的推移を表している。
【0073】
図１における縦座標は、ｊ番目の位置における測定値１００ ｓj（ｉ）を、統計的分布の期待値または平均値＜ｓj＞との差として提示している。図１に示す例では以下が成り立つ：１≦ｉ≦Ｎ＝１０００および１≦ｊ≦Ｍ＝２００。更に、測定値１００ ｓj（ｉ）は、期待値または平均値＜ｓj＞から標準偏差σ＝ｓj（ｉ）－＜ｓj＞へと正規化した様式で、すなわちｓj,N（ｉ）＝（ｓj（ｉ）－＜ｓj＞）／σで提示されている。
【0074】
図２は、測定値１００ｓj（ｉ）またはｓj,N（ｉ）の統計的分布から導出したヒストグラムを示す。３σ＝３という３σの値、すなわち全測定値１００の９９．７３％が正規分布している統計的分布の間隔が、図２から導出できる。
【0075】
図３では、±２σの正規化した偏差に関して描写された点線３８０と共に、図１を再び示す。点線３８０は、測定値１００ｓj（ｉ）またはｓj,N（ｉ）に関する閾値条件を具現化している。±２σの間隔内にある統計的分布の測定値１００は、使用可能な測定値３００と見なされ、および±２σの間隔外にある測定値１００は、外れ値３５０と見なされて棄却される。１つの手順では、正規分布が存在する場合、全ての測定値１００の９５．４５％が「良好」として分類され、点線の外側にある測定値の４．５５％が「不良」として分類される。図３に示す例では、１０００個の測定値１００のうち４９個の測定値３５０が±２σの範囲または間隔の外側にある。
【0076】
図４には、図１からの測定値１００ｓj（ｉ）の統計的分布の、±２σの範囲内にある測定値３００に関するヒストグラムが提示されている。測定値３００ｓj（ｉ）またはｓi,N（ｉ）の最大測定誤差は、外れ値３５０を除外することによって、図１の３σ＝３から図３の３σ＝２へと減少した。
【0077】
図１～図４は、測定後に、全ての測定値１００の統計的分析に基づいて、記録された測定値１００ ｓj（ｉ）の統計的分布において外れ値３５０となるものを判定すること、ならびに、こうして測定の評価およびしたがって測定デバイスの正確度を最適化することが、常に可能であることを示す。本願に記載する方法はその場合、計画された測定を行う前に予め、または測定中に、計画された測定が「良好」な測定値３００、すなわち使用可能な測定値３００を生み出すのか、それとも「不良」の測定値３５０、すなわち外れ値３５０を生み出すのかを、判定できるようにする、という利点を有する。この結果、測定デバイスの測定正確度が、測定デバイスのスループットを明白に損なうことなく、大きく向上し得る。
【0078】
図５には、図１に示す測定値ｓj（ｉ）の統計的分布に属する特徴付けパラメータＰj（ｉ）のセットが提示されている。図５には、特徴付けパラメータＰj（ｉ）の可能な時間プロファイルの一例が提示されている。特徴付けパラメータＰj（ｉ）のセットのうち、図５の外れ値３５０は図３の場合と同様に、「正方形」によって識別されている。
【0079】
図５から理解できるように、測定値ｓj（ｉ）またはｓj,N（ｉ）の測定中の測定環境を特徴付けるパラメータＰj（ｉ）は全て、「良好」、すなわち±２σの間隔内にあるか、または「不良」、すなわちこの範囲外にあるものとして、識別または注記されている。品質基準、すなわち図４の例において「良好」および「不良」の測定値を分けるのに使用される閾値条件は、非常に少ない測定値だけが外れ値として特徴付けられるように選ぶことができる。この結果、測定デバイスの測定正確度はごく僅かにだけ改善され、この見返りとして、デバイスが測定を行うための継続時間がごく僅かだけ増加する。しかしながら、測定デバイスの測定正確度が大きく向上し得るように、品質基準を定義することも可能である。この改善は、測定値ｓj（ｉ）の統計的分布の測定のための測定継続時間を犠牲にして実現される。
【0080】
閾値条件、すなわち二分値類に加えて、図１～図５に示すように、品質基準には多クラス分類（図３には示されていない）も含めることができる。更に、品質基準は連続関数の形態で実現することができる（図３には示されていない）。機械学習モデルおよび品質基準の両方を、解決すべき問題に適合させるのが有利である。
【0081】
図６のダイアグラム６９０は、機械学習モデルの６００のまたはＭＬモデル６００の訓練を概略的に示す。ＭＬモデル６００が測定環境を特徴付けるパラメータからその統計的分布内の測定点１００、３００、３５０の位置を予測できるようになる前に、この目的用の広範なデータセットまたは訓練データセットを用いて、ＭＬモデル６００を訓練しなければならない。訓練データは、測定デバイスとタイプが同一の長い一連の測定を実施することによって生成される。例として、フォトマスクまたはウエハを測定するために、測定デバイス、例えばレジストレーション（記録）ツール（例えばＰＲＯＶＥ（登録商標））が同じ方式で繰り返しｎ回使用され、この場合ｎは、測定プロセス中に測定デバイスの関連する特徴付けパラメータが有意に変化するような大きさを有するように選択しなければならない。更に、可能な限り代表的な訓練目的のデータベースを生成するために、測定環境を、およびしたがって特徴付けパラメータを、訓練データの記録中に系統的に変更することが可能である。
【0082】
訓練データセットは、訓練に使用される特徴付けパラメータ６３０と、訓練に使用される特徴付けパラメータ６３０と関連付けられた品質基準６４０と、を含む。訓練データは、入力層６１０において訓練中のＭＬモデル６００に提供される。品質基準６４０は、訓練に使用される特徴付けパラメータ６３０の分類を示す、すなわち、最も単純なケースでは、訓練に使用される特徴付けパラメータ６３０が閾値条件３８０を満たすかそれとも満たさないかを示す。訓練フェーズ中、訓練中または学習中のＭＬモデル６００は、訓練用の特徴付けパラメータ６３０および関連する品質基準６４０から、品質基準６４０に関する予測６５０を生成する。予測された品質基準６５０は、測定に割り当てられた品質基準６４０と比較される。このことが、図６において両矢印６６０で示されている。訓練中のＭＬモデル６００はその出力層６２０において、予測される品質基準６５０を提供する。
【0083】
選択されるＭＬモデル６００に応じて、訓練フェーズにおいてＭＬモデル６００のパラメータを適合させるための様々な方法が存在する。例として、ＤＮＮ（深層ニューラルネットワーク）に関して、典型的には複数のパラメータを有する、逐次的技法の「確率的勾配降下法」が確立されている。この場合、訓練データは学習中のＭＬモデル６００に繰り返し「提出される（ｓｕｂｍｉｔｔｅｄ）」、すなわち、ＭＬモデル６００は、訓練に使用される特徴付けパラメータ６３０から、その現在のパラメータセットを用いて、品質基準６４０に関する予測６５０を計算する。上で検討した比較は、後から行われる。品質基準６４０の予測６５０と品質基準６４０の実際の値の間で偏差が生じる場合、学習ＭＬモデル６００のパラメータを適合させる。訓練フェーズは、局所的な最適が達成されると、すなわち、予測される品質基準６５０と実際の品質基準６４０の偏差がそれ以上変化しなくなると、またはさもなければ、学習中もしくは訓練中のＭＬモデル６００の訓練サイクル用の所定の時間割当を使い切ると、終了する。
【0084】
ほとんどの線形機械学習モデルについて、モデルパラメータの最適な割り当てのための、閉じた（ｃｌｏｓｅｄ）計算仕様が存在する、すなわち、これらのモデルのモデルパラメータの決定は逐次近似に基づくものではない。決定木のモデルパラメータを決定するために、例えば情報利得などの、様々な分割基準を選択できる。また更に、決定木はまた、例えば最大深さに合わせておよび／または１つの葉あたりの最大多様性に合わせて、後から剪定することもできる。期待値最大化方法またはアルゴリズムは通常、混合モデル、例えばガウス混合モデルに関して使用される。最近傍モデルの場合、ならびにパルツェン密度推定およびカーネル回帰の場合、モデルパラメータを推定する必要はなく、むしろカーネル関数のハイパーパラメータが最適化される。
【0085】
訓練に使用される特徴付けパラメータ６３０は、光学測定デバイス、例えば図８の文脈で検討することになる測定デバイス８００で生成され得る。ただし、本願に記載する方法を、フォトリソグラフィプロセスの要素を結像する（ｉｍａｇｉｎｇ）ために一般に粒子線を使用する任意の測定デバイスに使用することも可能である。特に、ここで説明される方法は、走査型電子顕微鏡、および／または、フォトマスクもしくはウエハを結像する（ｉｍａｇｉｎｇ）ためにイオン線を使用する測定デバイスに使用できる。
【0086】
図７のダイアグラム７９０は訓練されたＭＬモデル７００の実行を概略的に示しており、このＭＬモデルは、測定デバイスによって測定された特徴付けパラメータ７３０およびその特徴付けパラメータ７３０に割り当てられた品質基準７４０を、その測定デバイスにおいて計画される測定の測定値１００、３００、３５０の予測される品質基準７５０に変換する。特徴付けパラメータ７３０および品質基準７４０の割り当てられた値は、入力層７１０を介して訓練されたＭＬモデル７００に提供される。訓練された機械学習モデル７００は、出力層７２０において、測定デバイスに関して計画された測定の測定値１００の、３００、３５０の品質基準７５０の予測を生み出す。
【0087】
ＭＬモデル７００は、「発明の概要」の項目に記載したモデルのうちの１つを含み得る。利用可能な複数の包括的なＭＬモデルから、解決すべき課題に適合されるモデルを選択するのが有利である。更に、選択された包括的なＭＬモデル７００を、解決すべき課題に、および品質基準７５０の必要な予測正確度に適合させるのが、都合がよい。ＭＬモデル７００は、例えばＭＬモデル７００のカーネル関数の複雑さの適合によって、適合され得る。ＭＬモデルがエンコーダ－デコーダのアーキテクチャを有する場合、これは例えば、ＭＬモデルにおける層の数を相応に選択することで実行できる。上記した混合体の形態で実現されたＭＬモデル７００の場合、例えば、例えばＤＴにおける葉の数ＲまたはＲＤＦにおける木の数を、解決すべき課題に適合させることができる。
【0088】
図８は、デバイス８００のまたは測定デバイス８００の概略図を通る断面を示しており、このデバイスは、フォトマスクのおよび／もしくはウエハの構造またはパターン要素の位置決め誤差、マスクおよび／もしくはウエハのパターン要素の限界寸法、すなわちそのＣＤ（限界寸法）、ならびに／または、マスクスタックのマスクの位置合わせ時のオーバーレイ誤差を測定するために使用できる。フォトリソグラフィプロセスのフォトリソグラフィマスク８１０またはより一般的に要素８１０は、高精度測定ステージ８０５またはステージ８０５によって保持される。図８に示す例では、フォトマスク８１０は反射型マスク、例えば極端紫外線（ＥＵＶ）波長範囲用のマスクである。ただし、測定デバイス８００は、透過型フォトマスク８１０を測定することもできる。測定ステージ８０５は位置決めユニット８１５によって全６自由度で能動的に制御され、図８に示す例では測定デバイス８００の唯一の可動部である。以下でｘｙ平面と呼ぶ、フォトマスク８１０の平面内の測定ステージ８０５の位置は、１つまたは複数の干渉計８２０によって、例えば１つまたは複数のレーザ干渉計によって検出される。また更に、干渉計８２０を使用して、ｚ方向（図８には示されていない）における測定ステージ８０５の位置を判定することができる。
【0089】
測定デバイス８００における光源８２５として、ＤＵＶ（深紫外）波長範囲の光を生成するエキシマレーザ、例えば１９３ｎｍの範囲内の波長で出射されるＡｒＦ（フッ化アルゴン）レーザが使用される。図８に示す例では、レンズ８３０は０．６の開口数（ＮＡ）を有する。ただし、測定デバイス８００の分解能を上げるために、測定デバイス８００においてより大きいＮＡを有するレンズ８３０を使用することが可能である。光源８２５のレーザ放射は、測定ステージ８０５を垂直方向またはｚ方向に移動させることによって、マスク８１０の表面に集光される。マスク８１０がレンズ８３０に対面する面であるマスク８１０の上面は、パターン要素を有するが、図８には示されていない。
【0090】
ＣＣＤ（電荷結合デバイス）センサ８３５は、測定デバイス８００の空間分解検出器を形成する。ＣＣＤセンサ８３５は、マスク８１０によって局所的に反射される光を測定する。典型的には、ＣＣＤセンサ８３５は、例えば１０００・１０００ピクセルの、二次元ピクセル構成またはピクセルアレイを備える。ＣＣＤセンサ８３５はその測定信号を信号処理ユニット８４０に送信し、このユニット８４０が、ＣＣＤセンサ８３５によって検出された信号から画像を計算する。必須の構成要素として光源８２５とレンズ８３０とを有する露光システム８２７と、検出器８３５とで、測定デバイス８００の光学系８８５が形成される。
【0091】
コンピュータシステム８５０は、信号処理ユニット８４０によって計算された画像を表示することができる、ならびに／または、測定されデータを生データとしておよび／もしくは画像データとして、不揮発性メモリ８５５に格納することができる。明晰さの理由から、図８にはコンピュータシステム８５０のディスプレイは示していない。コンピュータシステム８５０のメモリ８５５には、機械学習モデル６００および／または訓練されたＭＬモデル７００を格納することができる。また更に、メモリ８５５には、訓練に使用される特徴付けパラメータ６３０および品質基準６４０の割り当てられた値を格納することができる。コンピュータシステム８５０は、ＭＬモデル６００を訓練するおよび／または訓練されたＭＬモデル７００を実行する、１つまたは複数のプロセッサ８６０を備える。プロセッサは例えば、１つまたは複数の強力なＧＰＵ（グラフィック処理ユニット）の形態で具現化され得る。
【0092】
コンピュータシステム８５０の最適化ユニット８６０は、信号処理ユニット８４０に、測定デバイス８００の光学系８８５による測定値１００、３００、３５０の計画された測定を行わせるか、または保留させる。
【0093】
最後に、分析ユニット８６５は、測定デバイス８００の測定値を分析して、測定値の統計的分布の特性変数を決定することができる。更に、コンピュータシステム８５０の分析ユニット８６５は、計画された測定値と既に測定された測定値を分類することができる。
【0094】
コンピュータシステム８５０は、図８の例に示すように、別個のユニットとして具現化され得る。ただし、コンピュータシステム８５０および／または信号処理ユニット８４０を測定デバイス８００に組み込むことも可能である（図８には示されていない）。
【0095】
コンピュータシステム８５０は、測定ステージ８０５の位置決めユニット８１５、１つまたは複数の干渉計８２０、光源８２５、レンズ８３０、ＣＣＤセンサ８３５、信号処理ユニット８４０、分析ユニット８６５、および最適化ユニット８６０を、モニタおよび／または制御することができる。
【0096】
フォトリソグラフィマスク８１０の表面は、僅かに傾斜させることができる。更に、マスク８１０がその固有の重量によって僅かに曲がることによって、最良の焦点条件が変化する。したがって、測定デバイス８００は、斜めのグリッドに基づく自動焦点（ＡＦ）システム８７０を有する（図８には示されていない）。傾斜したミラー８７５と部分透過型ミラー８８０とによって、レーザビームがレンズ８３０上へと導かれる。更に、図８の例示的な測定デバイス８００は、レンズ８３０とフォトマスクの８１０パターン要素を大まかに位置合わせするための、補助光学系８９０を備える。
【0097】
マスク８１０が透明なマスクである場合、光源８２５は第２のレンズによって下方からフォトマスク８１０上へと導かれ、レンズ８３０はフォトマスク８１０の表面から放たれるレーザ放射を集束させる（図８には示されていない）。
【0098】
また更に、測定デバイス８００は、測定環境８８０（図８には示されていない）における例えば圧力、温度、および／または空気湿度を測定する、センサを備える。
【0099】
最後に、図９は、フォトリソグラフィプロセスに関する要素８１０の検査において統計的に分布した測定値１００、３００、３５０を評価するための方法のフロー図９００を表す。方法はステップ９１０から開始する。１番目のステップ９２０では、測定値１００、３００、３５０の測定に割り当てられた時間期間内における測定環境８８０の状態を特徴付ける複数のパラメータ７３０が、訓練された機械学習モデル７００において使用される。次いで２番目のステップ９３０は、測定値１００、３００、３５０を評価するために、訓練された機械学習モデル７００を実行することを含む。最後に方法はステップ９４０で終了する。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】