特表 2024-525238 エキシマレーザのエネルギーモデルを識別する方法、及び装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-07-11

(54)【発明の名称】エキシマレーザのエネルギーモデルを識別する方法、及び装置

(51)【国際特許分類】

   H01S 3/10 20060101AFI20240704BHJP

   G06N 3/0442 20230101ALI20240704BHJP

   G03F 7/20 20060101ALI20240704BHJP

【ＦＩ】

H01S3/10

G06N3/0442

G03F7/20 502

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023553674

(86)(22)【出願日】2021-08-17

(85)【翻訳文提出日】2023-09-26

(86)【国際出願番号】 CN2021112947

(87)【国際公開番号】W WO2022183690

(87)【国際公開日】2022-09-09

(31)【優先権主張番号】202110224539.5

(32)【優先日】2021-03-01

(33)【優先権主張国・地域又は機関】CN

(81)【指定国・地域】

(71)【出願人】

【識別番号】516281137

【氏名又は名称】北京科益虹源光電技術有限公司

(74)【代理人】

【識別番号】100179969

【弁理士】

【氏名又は名称】駒井 慎二

(72)【発明者】

【氏名】馮 沢斌

(72)【発明者】

【氏名】梁 賽

(72)【発明者】

【氏名】徐 向宇

(72)【発明者】

【氏名】江 鋭

(72)【発明者】

【氏名】劉 広義

(72)【発明者】

【氏名】劉 斌

(72)【発明者】

【氏名】曹 沛

【テーマコード（参考）】

2H197

5F172

【Ｆターム（参考）】

2H197CA08

2H197DA02

2H197DA03

2H197DB05

2H197DB33

2H197HA03

5F172AD06

5F172EE22

5F172NN22

(57)【要約】

【解決手段】
本発明は、エキシマレーザのエネルギーモデルを識別する方法および装置を開示する。この方法は、エキシマレーザのエネルギーモデルを認識するためのゲートループ・ネットワークを構築するステップ、複数のプリセットされた時間内に、単一のレーザパルス方式でエネルギー収集条件を設定し、エキシマレーザのエネルギーモデルを認識するための訓練データセットを収集するステップ、および前記訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練し、訓練終了条件に達すると、訓練を終了し、エキシマレーザのエネルギーモデルを得るステップを含む。本発明によって提供される方法を使用すると、認識されたエキシマレーザ・エネルギーモデルによって生成されたパルス・エネルギーと実際のパルス・エネルギーとの間の最大誤差が１．５％以下になり、エキシマレーザのエネルギー特性制御のシミュレーション要件を満たすことができる。
【選択図】図１

【特許請求の範囲】

【請求項1】

エキシマレーザのエネルギーモデルを識別する方法であって、
エキシマレーザのエネルギーモデルを認識するためのゲートループ・ネットワークを構築するステップＳ１、
複数のプリセットされた時間内に、単一のレーザパルス方式でエネルギー収集条件を設定し、エキシマレーザのエネルギーモデルを認識するための訓練データセットを収集するステップＳ２、および
前記訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練し、訓練終了条件に達すると、訓練を終了し、エキシマレーザのエネルギーモデルを得るステップＳ３を含むことを特徴とするエキシマレーザのエネルギーモデルを識別する方法。

【請求項2】

前記ゲートループ・ネットワークは、複数の時系列に対応するゲートループ・ユニットを備え、
各前記ゲートループ・ユニットは、入力層、隠れ層および出力層を備え、
前記入力層は前記隠れ層に接続され、前記隠れ層は前記出力層に接続され、また、隣接する前記ゲートループ・ユニットの隠れ層が接続されることを特徴とする請求項１に記載のエキシマレーザのエネルギーモデルを識別する方法。

【請求項3】

前記エネルギー収集条件は、単一のレーザパルスの時間間隔と放電高電圧値であり、単一の前記レーザパルスの時間間隔は、前のレーザパルスから現在のレーザパルスまでの時間間隔であることを特徴とする請求項１に記載のエキシマレーザのエネルギーモデルを識別する方法。

【請求項4】

各ゲートループ・ユニットの隠れ層は、リセットゲート_ｂｒ（ｔ）、更新ゲート_ｂｚ（ｔ）および隠れ層状態の候補

【数1】

（_ｂｈ（バー）（ｔ）と記す。）を備え（下付きｂに続くアルファベットは太字である。以下同様。）、
前記更新ゲート_ｂｚ（ｔ）は、前の瞬間の状態によってこの瞬間にもたらされた情報量を表し、次の式で示され、

【数2】

上式において、σはシグモイド（ｓｉｇｍｏｉｄ）関数である活性化関数を表し、_ｂＷ_ｚは前記更新ゲートの入力重み行列を表し、_ｂｘ（ｔ）は現在のゲートループ・ネットワークの入力変数を表し、_ｂＵ_ｚは前記更新ゲートの隠れ層状態の伝達行列を表し、_ｂｈ（ｔ－１）は前の瞬間の隠れ層状態を表し、
前記リセットゲート_ｂｒ（ｔ）は、現在の状態が前の瞬間の状態を無視する度合いを表し、次の式で示され、

【数3】

上式において、_ｂＷ_ｒは前記リセットゲートの入力重み行列を表し、_ｂＵ_ｒは前記リセットゲートの隠れ層状態の伝達行列を表し、
前記隠れ層状態の候補_ｂｈ（バー）（ｔ）は、隠れ層状態_ｂｈ（ｔ）の計算を補助するために用いられ、次の式で示され、

【数4】

上式において、_ｂＷは前記隠れ層状態の候補の入力重み行列を表し、_ｂＵは前の瞬間の隠れ層状態に対する、前記隠れ層状態の候補の伝達行列を表し、

【数5】

はアダマール積を表し、
現在の瞬間の隠れ層状態_ｂｈ（ｔ）は、次のように示されることを特徴する請求項１に記載のエキシマレーザのエネルギーモデルを識別する方法。

【数6】

【請求項5】

前記ゲートループ・ユニットの出力層は、以下の式に基づいて、現在の瞬間のエキシマレーザのパルス・エネルギーＥ（ｔ）を取得し、

【数7】

上式において、ｙ（ｔ）は現在の瞬間のパルス・エネルギーのエネルギー因子を表し、_ｂＷ_ｙは隠れ層状態から出力層への重み行列を表し、Ｗ_Ｅは出力スケールの変換係数を表すことを特徴とする請求項４に記載のエキシマレーザのエネルギーモデルを識別する方法。

【請求項6】

前記訓練データセットは、各放電高電圧下で、対応する各レーザバーストモードにおける同じ位置にある実際のレーザパルス・エネルギーの平均値であり、
各放電高電圧下で、対応する各レーザバーストモードにおけるすべての実際のレーザパルス・エネルギーは、前記単一のレーザパルス方式でエネルギー収集条件を設定した後、プリセットされた時間内に収集した実際のレーザパルス・エネルギーであることを特徴とする請求項１に記載のエキシマレーザのエネルギーモデルを識別する方法。

【請求項7】

前記ゲートループ・ネットワークの損失関数は、

【数8】

であり、
上式において、Ｅ_ｔ（ｔ）は、現在の瞬間の訓練サンプルの、放電高電圧下でのレーザバーストモードにおける同じ位置にある実際のレーザパルス・エネルギーの平均値を表し、Ｅ（ｔ）は、前記ゲートループ・ネットワークから出力されるエキシマレーザのパルス・エネルギー系列を表し、ｎは具体的な瞬間を表すことを特徴とする請求項１に記載のエキシマレーザのエネルギーモデルを識別する方法。

【請求項8】

前記訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練するステップは、
訓練データセットから訓練サンプルをランダムに選択し、この訓練サンプルにおけるすべての実際のレーザパルス・エネルギーの平均値に対応するエネルギー収集条件を、ゲートループ・ネットワークに１つずつ入力することによって、ゲートループ・ネットワークが設定バーストモード下でパルス・エネルギーの系列を得るように訓練するステップＳ３１、
現在の選択された訓練サンプルに対応するゲートループ・ネットワークの損失関数を計算し、前記損失関数に基づいて、前記ゲートループ・ネットワークの訓練パラメータを更新するステップＳ３２、
前記ゲートループ・ネットワークの現在出力されるバーストモード下でのパルス・エネルギー系列と現在の訓練サンプルとの間の誤差を計算するステップＳ３３、および
訓練終了条件に達するまでステップＳ３１～Ｓ３３を循環して実行した後、訓練を終了し、前記エキシマレーザのエネルギーモデルを得るステップＳ３４を含むことを特徴とする請求項１に記載のエキシマレーザのエネルギーモデルを識別する方法。

【請求項9】

前記ゲートループ・ネットワークの訓練終了条件は、所定の訓練回数、またはステップＳ３１～Ｓ３３を循環して実行する所定回数であり、ゲートループ・ネットワークが各回に出力するバーストモードのパルス・エネルギー系列における各パルス・エネルギーと訓練サンプル中の同じ位置にあるパルス・エネルギーとの間の最大誤差が０．１５ｍＪ以下であることを特徴とする請求項８に記載のエキシマレーザのエネルギーモデルを識別する方法。

【請求項10】

エキシマレーザのエネルギーモデルを認識する装置であって、
プロセッサおよびメモリを備え、前記プロセッサは、前記メモリ内のコンピュータ・プログラムまたは命令を読み取り、以下の動作、
エキシマレーザのエネルギーモデルを認識するためのゲートループ・ネットワークを構築し、その入力変数を決定する動作、
複数のプリセットされた時間内に、単一のレーザパルスの方式でエネルギー収集条件を設定し、エキシマレーザのエネルギーモデルを認識するための訓練データセットを収集する動作、および
前記訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練し、訓練終了条件に達すると、訓練を終了し、エキシマレーザのエネルギーモデルを得る動作を実行することを特徴とするエキシマレーザのエネルギーモデルを認識する装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、レーザ技術分野に属し、レーザエネルギーモデルを識別する方法、特に、ゲートループ・ネットワークに基づくエキシマレーザのエネルギーモデルを識別する方法に関し、同時に、対応するエキシマレーザのエネルギーモデルを認識する装置に関する。

【背景技術】

【0002】

レーザ技術の急速な発展に伴い、レーザ技術は様々な分野で広く利用されている。その中で、エキシマレーザは、その短波長、高出力、狭い線幅の特性により、産業、医療、科学研究等の分野で広く使用されている。特に、希ガスハライド・エキシマレーザは、その出力レーザのピークパワーが高いこと、単一パルス・エネルギーが大きいこと、波長が紫外域にあること等の特徴から、現在の半導体リソグラフィー業界では最も主要なレーザ光源となっている。エキシマレーザのエネルギー特性は、リソグラフィー用エキシマレーザの３つの重要な指標（エネルギー、線幅、波長）の１つであり、半導体リソグラフィー装置の加工精度、収率および主要寸法を直接決定する。したがって、エキシマレーザのエネルギーモデル（すなわち、エキシマレーザ出光エネルギーモデル）の構築は、レーザエネルギー特性の研究・制御の基礎となっている。

【0003】

エキシマレーザの出光エネルギーの研究においては、使用するエキシマレーザのエネルギーモデルが、実際の出光エネルギー法則に近いほど研究に有利である。しかし、エキシマレーザのエネルギーモデルは複雑な非線形モデルであり、理論的な導出から正確なモデルを得ることは困難である。

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明が解決しようとする第１の技術的課題は、エキシマレーザのエネルギーモデルを認識する方法を提供することである。

【0005】

本発明が解決しようとする他の技術的課題は、エキシマレーザのエネルギーモデルを認識する装置を提供することである。

【課題を解決するための手段】

【0006】

上記の目的を達成するために、本発明は以下の技術的解決手段を採用する。

【0007】

本発明の実施形態の第１の態様により、エキシマレーザのエネルギーモデルを識別する方法は、
エキシマレーザのエネルギーモデルを認識するためのゲートループ・ネットワークを構築するステップＳ１、
複数のプリセットされた時間内に、単一のレーザパルス方式でエネルギー収集条件を設定し、エキシマレーザのエネルギーモデルを認識するための訓練データセットを収集するステップＳ２、および
前記訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練し、訓練終了条件に達すると、訓練を終了し、エキシマレーザのエネルギーモデルを得るステップＳ３を含む。

【0008】

好ましくは、前記ゲートループ・ネットワークは、複数の時系列に対応するゲートループ・ユニットを備える。各前記ゲートループ・ユニットは、入力層、隠れ層および出力層を備える。前記入力層は前記隠れ層に接続され、前記隠れ層は前記出力層に接続され、また、隣接する前記ゲートループ・ユニットの隠れ層が接続される。

【0009】

好ましくは、前記エネルギー収集条件は、単一のレーザパルスの時間間隔と放電高電圧値であり、単一の前記レーザパルスの時間間隔は、前のレーザパルスから現在のレーザパルスまでの時間間隔である。

【0010】

好ましくは、各ゲートループ・ユニットの隠れ層は、リセットゲート

【0011】

【数1】

（以下、太字であることをアルファベットの前に「_ｂ」を付加して示し、_ｂｒ（ｔ）のように記すものとする。）、更新ゲート_ｂｚ（ｔ）および隠れ層状態の候補

【0012】

【数2】

（以下、適宜、_ｂｈ（バー）（ｔ）と記す。）を備える。

【0013】

前記更新ゲート_ｂｚ（ｔ）は、前の瞬間の状態によってこの瞬間にもたらされた情報量を表し、次の式で示される。

【0014】

【数3】

【0015】

上式において、σはシグモイド（ｓｉｇｍｏｉｄ）関数である活性化関数を示し、_ｂＷ_Ｚは前記更新ゲートの入力重み行列を表し、_ｂｘ（ｔ）は現在のゲートループ・ネットワークの入力変数を表し、_ｂＵ_Ｚは前記更新ゲートの隠れ層状態の伝達行列を表し、_ｂｈ（ｔ－１）は前の瞬間の隠れ層状態を表す。

【0016】

前記リセットゲート_ｂｒ（ｔ）は、現在の状態が前の瞬間状態を無視する度合いを表し、次の式で示される。

【0017】

【数4】

【0018】

上式において、_ｂＷ_ｒは前記リセットゲートの入力重み行列を表し、_ｂＵ_ｒは前記リセットゲートの隠れ層状態の伝達行列を表す。

【0019】

前記隠れ層状態の候補_ｂｈ（バー）（ｔ）は、隠れ層状態_ｂｈ（ｔ）の計算を補助するために用いられ、次の式で示される。

【0020】

【数5】

【0021】

上式において、_ｂＷは前記隠れ層状態の候補の入力重み行列を表し、_ｂＵは前の瞬間の隠れ層状態に対する、前記隠れ層状態の候補の伝達行列を表し、

【0022】

【数6】

はアダマール積を表す。

【0023】

現在の瞬間の隠れ層状態_ｂｈ（ｔ）は、次のように示される。

【0024】

【数7】

【0025】

好ましくは、前記ゲートループ・ユニットの出力層は、以下の式に基づいて、現在の瞬間のエキシマレーザのパルス・エネルギーＥ（ｔ）を取得する。

【0026】

【数8】

【0027】

上式において、ｙ（ｔ）は、現在の瞬間のパルス・エネルギーのエネルギー因子を表し、_ｂＷ_ｙは隠れ層状態から出力層への重み行列を表し、Ｗ_Ｅは出力スケールの変換係数を表す。

【0028】

好ましくは、前記訓練データセットは、各放電高電圧下で、対応する各レーザバーストモードにおける同じ位置にある実際のレーザパルス・エネルギーの平均値である。

【0029】

ここで、各放電高電圧下で、対応する各レーザバーストモードにおけるすべての実際のレーザパルス・エネルギーは、前記単一のレーザパルス方式でエネルギー収集条件を設定した後、プリセットされた時間内に収集した実際のレーザパルス・エネルギーである。

【0030】

好ましくは、前記ゲートループ・ネットワークの損失関数は、

【0031】

【数9】

である。

【0032】

上式において、Ｅ_ｔ（ｔ）は、現在の瞬間の訓練サンプルの、放電高電圧下でのレーザバーストモードにおける同じ位置にある実際のレーザパルス・エネルギーの平均値を表し、Ｅ（ｔ）は、前記ゲートループ・ネットワークから出力されるエキシマレーザのパルス・エネルギー系列を表し、nは具体的な瞬間を表す。

【0033】

好ましくは、構築されたゲートループ・ネットワークは、前記訓練データセットを用いて訓練し、次のステップを含む。

【0034】

ステップＳ３１：訓練データセットから訓練サンプルをランダムに選択し、この訓練サンプルにおけるすべての実際のレーザパルス・エネルギーの平均値に対応するエネルギー収集条件を、ゲートループ・ネットワークに１つずつ入力することによって、ゲートループ・ネットワークが設定バーストモード下でパルス・エネルギーの系列を得るように訓練する。

【0035】

ステップＳ３２：現在の選択された訓練サンプルに対応するゲートループ・ネットワークの損失関数を計算し、前記損失関数に基づいて、前記ゲートループ・ネットワークの訓練パラメータを更新する。

【0036】

ステップＳ３３：前記ゲートループ・ネットワークの現在出力されるバーストモード下でのパルス・エネルギー系列と訓練サンプルとの間の誤差を計算する。

【0037】

ステップＳ３４：訓練終了条件に達するまでステップＳ３１～Ｓ３３を循環して実行した後、訓練を終了し、前記エキシマレーザのエネルギーモデルを得る。

【0038】

好ましくは、前記ゲートループ・ネットワークの訓練終了条件は、所定の訓練回数、またはステップＳ３１～Ｓ３３を循環して実行する所定回数であり、ゲートループ・ネットワークが各回に出力するバーストモードのパルス・エネルギー系列における各パルス・エネルギーと、訓練サンプル中の同じ位置にあるパルス・エネルギーとの間の最大誤差が０．１５ｍＪ以下である。

【0039】

本発明の実施形態の第２の態様により、プロセッサおよびメモリを備えるエキシマレーザのエネルギーモデルを認識する装置を提供する。前記プロセッサは、前記メモリ内のコンピュータ・プログラムまたは命令を読み取り、以下の動作を実行する。

【0040】

エキシマレーザのエネルギーモデルを認識するためのゲートループ・ネットワークを構築し、その入力変数を決定する。

【0041】

複数のプリセットされた時間内に、単一のレーザパルスの方式でエネルギー収集条件を設定し、エキシマレーザのエネルギーモデルを認識するための訓練データセットを収集する。

【0042】

前記訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練し、訓練終了条件に達すると、訓練を終了し、エキシマレーザのエネルギーモデルを得る。

【発明の効果】

【0043】

本発明によって提供されるエキシマレーザのエネルギーモデルを識別する方法及び装置は、ゲートループ・ネットワークを通じて、比較的正確にエキシマレーザのエネルギーモデルを識別することができる。このエキシマレーザのエネルギーモデルは、レーザのエネルギー特性制御のシミュレーション要件を満たすために、実際のパルス・エネルギーとの間の最大誤差は１．５％未満のパルス・エネルギーの生成を検証することができる。このエキシマレーザのエネルギーモデルは、エキシマレーザのエネルギー制御方法のシミュレーション研究と解析を容易にし、実験時間を短縮することによって、エキシマレーザーのエネルギー安定性制御と線量精度の制御の改善に大きな意義がある。

【図面の簡単な説明】

【0044】

【図1】本発明の実施形態によって提供される、エキシマレーザのエネルギーモデルを識別する方法のフローチャートである。

【図2】本発明の実施形態によって提供される、エキシマレーザのエネルギーモデルを識別する方法において、ゲートループ・ネットワークの隠れ層のネットワーク構造図である。

【図3】定放電高電圧動作モードにおけるエキシマレーザの単一パルス・エネルギー変化規則を示す図である。

【図4】本発明の実施形態によって提供される、エキシマレーザのエネルギーモデルを識別する方法において、各放電電圧下でエキシマレーザ・エネルギーモデルから得られたパルス・エネルギーと実際のパルス・エネルギーとの間の最大誤差を示す図である。

【図5】本発明の実施形態によって提供される、エキシマレーザのエネルギーモデルを識別する方法において、ゲートループ・ネットワークの訓練過程における最大パルス・エネルギー誤差の変化を示す曲線図である。

【図6a】本発明の実施形態によって提供される、エキシマレーザのエネルギーモデルを識別する方法において、放電電圧が１５５０Ｖである場合、エキシマレーザ・エネルギーモデルによって生成された、単一パルス・エネルギーと実際の単一パルス・エネルギーとの比較図である。

【図6b】本発明の実施形態によって提供される、エキシマレーザのエネルギーモデルを識別する方法において、放電電圧が１５５０Ｖである場合、エキシマレーザ・エネルギーモデルによって生成された、単一パルス・エネルギーと実際の単一パルス・エネルギーとの比較図である。

【図6c】本発明の実施形態によって提供される、エキシマレーザのエネルギーモデルを識別する方法において、放電電圧が１５５０Ｖである場合、エキシマレーザ・エネルギーモデルによって生成された、単一パルス・エネルギーと実際の単一パルス・エネルギーとの比較図である。

【図7a】本発明の実施形態によって提供されるエキシマレーザのエネルギーモデルを識別する方法において、定放電高電圧が１５００Ｖの動作条件ある場合、再周波数が１ＫＨｚ～４ＫＨｚであるレーザの実際のパルス・エネルギーと、モデルによって生成されたパルス・エネルギーとの比較図である。

【図7b】本発明の実施形態によって提供されるエキシマレーザのエネルギーモデルを識別する方法において、定放電高電圧が１５００Ｖの動作条件ある場合、再周波数が１ＫＨｚ～４ＫＨｚであるレーザの実際のパルス・エネルギーと、モデルによって生成されたパルス・エネルギーとの比較図である。

【図8】本発明の実施形態によって提供されるエキシマレーザのエネルギーモデルを識別する方法において、定放電高電圧が１５００Ｖの動作条件である場合、再周波数が１ＫＨｚ～４ＫＨｚであるレーザの実際のパルス・エネルギーと、モデルによって生成されたパルス・エネルギーとの最大誤差を示す図である。

【図9】本発明の実施形態によって提供されるエキシマレーザのエネルギーモデルを認識する装置の構造を示す概略図である。

【発明を実施するための形態】

【0045】

以下、本発明の技術内容について、添付図面と具体的な実施形態とを組合わせて更に詳細に説明する。

【0046】

従来のエキシマレーザのエネルギーモデルによって生成された、パルス・エネルギー系列と実際のエキシマレーザ出光エネルギー系列との間に、大きな差がある問題を解決するために、図１に示すように、本発明の実施形態では、主に以下のステップを含む、エキシマレーザのエネルギーモデルを識別する方法をまず提供する。

【0047】

ステップＳ１：エキシマレーザのエネルギーモデルを認識するためのゲートループ・ネットワークを構築する。

【0048】

本発明の実施形態において、ゲートループ・ネットワーク認識を用いて、エキシマレーザエネルギーモデルが得られる。このゲートループ・ネットワークは、複数の時系列に対応するゲートループ・ユニットを含み、各ゲートループ・ユニットは入力層、隠れ層および出力層を備える。入力層は隠れ層に接続され、隠れ層は出力層に接続され、また、隣接するゲートループ・ユニットの隠れ層が接続される。

【0049】

ここで、現在の時系列に対応するゲートループ・ユニットの入力層は、現在の瞬間の入力変数を受信し、この入力変数を前記ゲートループ・ユニットの隠れ層に入力する。この隠れ層は、受信された前の瞬間の隠れ層状態および入力変数に基づいて、現在の瞬間の隠れ層状態を取得し、この隠れ層状態は、一方ではこのゲートループ・ユニットの出力層に入力され、現在の瞬間のエキシマレーザのパルス・エネルギーを取得し、他方では、次の時系列に対応するゲートループ・ユニットの隠れ層に入力され、入力として使用される。ここで、各瞬間は、１つの時系列に対応する。

【0050】

具体的には、エキシマレーザの出光エネルギーの特性分析を通じて、エキシマレーザの出光エネルギーに直接影響する条件変数は、単一のレーザパルスの時間間隔と放電高電圧値であることが分かる。ここで、単一のレーザパルスの時間間隔は、前のレーザパルスから現在のレーザパルスまでの時間間隔である。したがって、ゲートループ・ネットワークの入力変数は、式（１）に示すように、単一のレーザパルスの時間間隔と放電高電圧値を選択する。

【0051】

【数10】

【0052】

上式において、_ｂｘ（ｔ）は瞬間ｔにおけるゲートループ・ネットワークの入力変数を表し、ＨＶ（ｔ）は瞬間ｔにおけるエキシマレーザのレーザパルスの放電高電圧値を表し、Δｔ（ｔ）は瞬間ｔにおけるエキシマレーザのレーザパルスの時間間隔を表し、_ｂＷ_ｉｎは入力スケールの変換行列を表す。

【0053】

図２に示すように、各ゲートループ・ユニットの隠れ層は、リセットゲート_ｂｒ（ｔ）、更新ゲート_ｂｚ（ｔ）および隠れ層状態の候補_ｂｈ（バー）（ｔ）を備える。隠れ層は、前の瞬間の隠れ層状態_ｂｈ（ｔ－１）と現在の瞬間の入力変数_ｂｘ（ｔ）を入力とし、現在の瞬間の隠れ層状態_ｂｈ（ｔ）は、前の瞬間の隠れ層状態を利用する場合、前の瞬間の隠れ層状態を処理することによって取得する。

【0054】

ここで、更新ゲート_ｂｚ（ｔ）は前の瞬間の状態によってこの瞬間にもたらされた情報量を表し、時系列の長期的な依頼関係を捉まえるために用いられ、その表現式は、式（２）に示すとおりである。

【0055】

【数11】

【0056】

上式において、σはシグモイド関数である活性化関数を表し、_ｂＷ_ｚは更新ゲートの入力重み行列を表し、_ｂｘ（ｔ）は現在の瞬間のゲートループ・ネットワークの入力変数を表し、_ｂＵ_ｚは更新ゲートの隠れ層状態の伝達行列を表し、_ｂｈ（ｔ－１）は前の瞬間の隠れ層状態を表す。

【0057】

リセットゲート_ｂｒ（ｔ）は、現在の状態が前の瞬間の状態を無視する度合いを表し、時系列における短期的な依存関係を捕捉するために用いられ、リセットゲート_ｂｒ（ｔ）の活性化関数はシグモイド（ｓｉｇｍｏｉｄ）関数を選択して使用し、σと表示し、その表現式は、式（３）に示すとおりである。

【0058】

【数12】

【0059】

上式において、_ｂＷ_ｒはリセットゲートの入力重み行列を表し、_ｂｘ（ｔ）は現在の瞬間のゲートループ・ネットワークの入力変数を表し、_ｂＵ_ｒはリセットゲートの隠れ層状態の伝達行列を表し、_ｂｈ（ｔ－１）は前の瞬間の隠れ層状態を表す。

【0060】

隠れ層状態の候補_ｂｈ（バー）（ｔ）は、隠れ層状態_ｂｈ（ｔ）の計算を補助するために用いられ、隠れ層状態の候補の活性化関数は、ｔａｎｈ関数を選択して使用し、その表現式は、式（４）に示すとおりである。

【0061】

【数13】

【0062】

上式において、_ｂＷは隠れ層状態の候補の入力重み行列を表し、_ｂｘ（ｔ）は現在の瞬間のゲートループ・ネットワークの入力変数を表し、_ｂＵは前の瞬間の隠れ層状態に対する、隠れ層状態の候補の伝達行列を表し、

【0063】

【数14】

はアダマール積（Ｈａｄａｍａｒｄ ｐｒｏｄｕｃｔ）を表し、_ｂｈ（ｔ－１）は前の瞬間の隠れ層状態を表す。

【0064】

現在の瞬間の隠れ層状態_ｂｈ（ｔ）の表現式は、式（５）に示すとおりである。

【0065】

【数15】

【0066】

上式において、_ｂｚ（ｔ）は更新ゲートを表し、_ｂｈ（ｔ－１）は前の瞬間の隠れ層状態を表し、_ｂｈ（バー）（ｔ）は隠れ層状態の候補_ｂｈ（バー）（ｔ）を表し、

【0067】

【数16】

はアダマール積を表す。

【0068】

ゲートループ・ユニットの出力層は、現在の瞬間の隠れ層状態_ｂｈ（ｔ）に基づいて、現在の瞬間のエキシマレーザのパルス・エネルギーＥ（ｔ）を取得するために用いられ、このパルス・エネルギーは、式（６）および式（７）に基づいて得られる。具体的には、式（６）により現在の瞬間のパルス・エネルギーのエネルギー因子ｙ（ｔ）を得、エネルギー因子ｙ（ｔ）の活性化関数は、シグモイド関数を選択して使用し、σと表示される。

【0069】

【数17】

【0070】

上式において、_ｂＷ_ｙは隠れ層状態から出力層までの重み行列を表し、_ｂｈ（ｔ）は現在の瞬間の隠れ層状態を表す。

【0071】

現在の瞬間のパルス・エネルギーのエネルギー因子ｙ（ｔ）および式（７）に基づいて、現在の瞬間のエキシマレーザのパルス・エネルギー系列Ｅ（ｔ）を得る。

【0072】

【数18】

【0073】

上式において、Ｗ_Ｅは出力スケールの変換係数を表し、ｙ（ｔ）は現在の瞬間のパルス・エネルギーのエネルギー因子を表す。

【0074】

式（１）～（７）を組合わせることにより、本発明の実施形態では、エキシマレーザのエネルギーモデルを認識するゲートループ・ネットワークを構築する。

【0075】

ステップＳ２：複数のプリセットされた時間内に、単一のレーザパルス方式でエネルギー収集条件を設定し、エキシマレーザのエネルギーモデルを認識するための訓練データセットを収集する。

【0076】

単一のパルスのエネルギーの収集条件は、単一のレーザパルスの時間間隔と放電高電圧値を意味する。すなわち、前のレーザパルスから現在のレーザパルスまでの時間間隔と、現在のレーザパルスに対応する放電高電圧である。

【0077】

エキシマレーザのエネルギーモデルを認識するために用いられる訓練データセットは、各放電高電圧下で、各レーザのＢｕｒｓｔモードに対応する同じ位置にある実際のレーザパルス・エネルギーの平均値である。すなわち、１つの放電高電圧は、その各レーザのＢｕｒｓｔモードの同じ位置にある実際のレーザパルス・エネルギーの平均値に対応する。ここで、各放電高電圧下で、各レーザのＢｕｒｓｔモードに対応するすべての実際のレーザパルス・エネルギーは、プリセットされた時間内に、単一のレーザパルス方式でエネルギー収集条件を設定した後、収集した実際のレーザパルス・エネルギーである。

【0078】

ここで、訓練データセットの各放電高電圧下で、各レーザのＢｕｒｓｔモード対応する同じ位置にある実際のレーザパルス・エネルギーの平均値は、Ｂｕｒｓｔモードにおける実際のレーザパルス・エネルギーの平均値の系列を構成し、訓練データセットにおける訓練サンプルとして使用される。

【0079】

エキシマレーザのエネルギーモデルを認識するために用いられるテストデータセットは、少なくとも１つの放電高電圧下で、各レーザのＢｕｒｓｔモードに対応する同じ位置にある実際のレーザパルス・エネルギーの平均値である。各放電高電圧下で、各レーザのＢｕｒｓｔモードに対応するすべての実際のレーザパルス・エネルギー収集方法は、訓練データセットの収集方法と同じである。ここで、テストデータセットの各放電高電圧下で、各レーザのＢｕｒｓｔモードに対応する同じ位置にある実際のレーザパルス・エネルギーの平均値は、Ｂｕｒｓｔモードにおける実際のレーザパルス・エネルギーの平均値系列を構成し、テストデータセットにおけるテストサンプルとして使用される。

【0080】

具体的には、半導体リソグラフィ用途では、エキシマレーザはＢｕｒｓｔモードで動作するため、各瞬間を各時系列に対応させ、各時系列をＢｕｒｓｔモードに対応させることができる。Ｂｕｒｓｔモードで収集したエキシマレーザのパルス・エネルギー系列は、図３に示すとおりである。図から、各Ｂｕｒｓｔモードで収集したパルス・エネルギー系列において、最初のいくつかのパルス・エネルギー（例えば、図３におけるＥ_ｍ，１、Ｅ_ｍ，２、Ｅ_{ｍ＋１，１}およびＥ_{ｍ＋１，２}）には、異なる大きさのオーバーシュートが現れると共に、Ｂｕｒｓｔモードの後ろの安定領域でも、エネルギーの変動（例えば、図３におけるＥ_ｍ，ｉおよびＥ_{ｍ＋１，ｊ}）があることが分かる。放電高電圧が一定である場合、エキシマレーザのパルス・エネルギーは、それがＢｕｒｓｔモードで収集したパルス・エネルギー系列における位置と大きな関係があるため、エキシマレーザのエネルギーの特性を分析する場合、Ｂｕｒｓｔモードで収集したパルス・エネルギー系列において、異なる位置にあるパルス・エネルギーを個別に分析する。

【0081】

Ｂｕｒｓｔモードで収集したレーザパルス・エネルギー系列のパルス・エネルギーに含まれているノイズを除去するために、式（８）を用いて、各Ｂｕｒｓｔモードで収集したレーザパルス・エネルギー系列において、異なる位置にあるパルス・エネルギーの平均値を取る。

【0082】

【数19】

【0083】

ここで、

【0084】

【数20】

は各Ｂｕｒｓｔモードで収集したレーザパルス・エネルギー系列において、ｉ番めのレーザパルス・エネルギーの平均値を表し、Ｅ_ｍ，ｉはｍ番めのＢｕｒｓｔモードで収集したレーザパルス・エネルギー系列において、ｉ番めのレーザパルスのエネルギーを表し、Ｎはプリセットされた時間内に収集したＢｕｒｓｔモードにおけるレーザパルス・エネルギー系列の数を表す。

【0085】

エキシマレーザのエネルギーモデルを認識するための訓練データセットを収集する場合、２４８ｎｍ波長を発生するＫｒＦエキシマレーザを例とする。エキシマレーザの波長は、収集された実際のパルス・エネルギーデータにも影響を与えるため、実験過程において、フィードバック技術を用いて波長を２４８．３２７ｎｍに制御する。エキシマレーザは１ＫＨｚの再周波数で動作し、各レーザパルスにその時間間隔と放電高電圧値を設定し、エネルギー検出器を用いて、それぞれ１４００Ｖ、１４５０Ｖ、１５５０Ｖおよび１６００Ｖの放電高電圧下でのレーザのパルスレーザ・エネルギーを各１分間収集する。エネルギー検出器は１分間で、エキシマレーザの各放電高電圧下での１００個のＢｕｒｓｔモードにおける実際のパルス・エネルギー系列を収集し、各Ｂｕｒｓｔモードにおける実際のパルス・エネルギー系列は２５０個のパルス・エネルギーを含む。ここで、各Ｂｕｒｓｔモードにおける実際のパルス・エネルギー系列において、各パルス・エネルギーに対応するパルスの間の時間間隔は再周波数の逆数であり、単位はｍｓであってもよい。各放電高電圧下での１００個のＢｕｒｓｔモードにおける実際のパルス・エネルギー系列に対して、式（８）に基づいて、各Ｂｕｒｓｔモードにおける実際のパルス・エネルギー系列の最初のパルス・エネルギーから初めて、各放電高電圧下でのレーザのＢｕｒｓｔモードにおける同じ位置にある実際のレーザパルス・エネルギーの平均値をそれぞれ計算し、各放電高電圧に対応する１つのＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列を得る。任意の放電高電圧下でのレーザのＢｕｒｓｔモードにおける最初の位置にある実際のレーザパルス・エネルギーの平均値を計算することを例とする。１００個のＢｕｒｓｔモードにおけるパルス・エネルギー系列の最初の実際のパルス・エネルギーを加算した後、１００で割ればよい。

【0086】

したがって、エキシマレーザのエネルギーモデルを認識するための訓練データセットは、１４００Ｖ、１４５０Ｖ、１５５０Ｖおよび１６００Ｖの放電高電圧に対応するＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列から構成される。すなわち、Ｂｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列は４個あり、各放電高電圧は、Ｂｕｒｓｔモード下での実際のパルス・エネルギーの平均値系列に対応する。

【0087】

エキシマレーザのエネルギーモデルを認識するためにデータセットをテストする場合、同様に、２４８ｎｍ波長を生成するＫｒＦエキシマレーザを例とする。エキシマレーザは１ＫＨｚの再周波数で動作し、各レーザパルスにその時間間隔と放電高電圧値を設定し、エネルギー検出器を用いて、１５５０Ｖの放電高電圧下でのレーザのパルスレーザ・エネルギーを１分間収集し、データセットの訓練と同じ方法で、この放電高電圧下でのレーザのＢｕｒｓｔモードの同じ位置にある実際のレーザパルス・エネルギーの平均値を計算し、この放電高電圧に対応する１つのＢｕｒｓｔモードにおけるパルス・エネルギーの平均値系列を得る。実際の要件に応じて、エキシマレーザのエネルギーモデルを認識するためのテストデータセットは、単一の固定動作再周波数または異なる動作再周波数で、レーザパルスごとにその時間間隔と放電高電圧値を設定し、プリセットされた時間における複数の前処理を行った放電高電圧に対応するＢｕｒｓｔモードでの実際のパルス・エネルギーの平均値系列を収集することを含むことができる。例えば、訓練データセットを取得するのと同じ方法を用いて、エキシマレーザ動作の再周波数がそれぞれ１ＫＨｚ、２ＫＨｚ、３ＫＨｚおよび４ＫＨｚである場合、１５００Ｖの放電高電圧に対応するレーザのＢｕｒｓｔモードにおける同じ位置にある実際のレーザパルス・エネルギーの平均値を得ることができる。

【0088】

ステップＳ３：訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練し、訓練終了条件に達すると、訓練を終了し、エキシマレーザのエネルギーモデルを得る。

【0089】

エキシマレーザのエネルギーモデルを認識するために構築されたゲートループ・ネットワークの各重み行列は、学習によって取得する必要がるため、ゲートループ・ネットワークを訓練する必要がある。実際の用途において、採用される訓練方法は、時間逆伝播アルゴリズム（ＢＰＴＴ）である。

【0090】

ゲートループ・ネットワークは、Ｂｕｒｓｔモードを時系列として、ネットワーク全体の損失関数を式（９）に示すように定義することで、エキシマレーザのエネルギーモデルの認識に適用される。

【0091】

【数21】

【0092】

上式において、Ｅ_ｔ（ｔ）は現在の瞬間の訓練サンプルの放電高電圧下でのレーザのＢｕｒｓｔモードの同じ位置にある実際のレーザパルス・エネルギーの平均値を表し、Ｅ（ｔ）はゲートループ・ネットワークから出力されるエキシマレーザのパルス・エネルギー系列を表し、ｎは具体的な瞬間を表す。

【0093】

活性化関数の入力を

【0094】

【数22】

とすると、

【0095】

【数23】

であり、
以下を取得することができ、

【0096】

【数24】

上式において、σ’（ｎｅｔ_ｙ（ｔ））はσ（ｎｅｔ_ｙ（ｔ））の微分係数を表す。

【0097】

ｔ＝ｎである場合、

【0098】

【数25】

が有り、
ｔ＜ｎである場合、

【0099】

【数26】

が有り、ここで、

【0100】

【数27】

である。

【0101】

式（１２）～（１６）で分かるように、ｔ＜ｎである場合、

【0102】

【数28】

は、

【0103】

【数29】

に関する再帰式なので、ゲートループ・ネットワークは、訓練する際、ｔ＝ｎから始めて

【0104】

【数30】

を逆に計算し、これと同時に

【0105】

【数31】

を計算することができる。

【0106】

活性化関数の入力を

【0107】

【数32】

とすると、_ｂＷ_ｚの勾配に対して、

【0108】

【数33】

があり、
_ｂＵ_ｚの勾配に対して、

【0109】

【数34】

があり、
上式において、ｄｉａｇ（・）は対角行列を表し、ｎｅｔ_ｚｉ（ｔ）は_ｂｎｅｔ_ｚ（ｔ）のｉ番めの成分を表す。

【0110】

活性化関数の入力を

【0111】

【数35】

とすると、_ｂＷの勾配に対して、

【0112】

【数36】

があり、
_ｂＵの勾配に対して、

【0113】

【数37】

があり、
上式において、ｔａｎｈ’（・）はｔａｎｈ（・）の微分係数を表し、

【0114】

【数38】

は

【0115】

【数39】

のｉ番めの成分を表す。

【0116】

活性化関数の入力を

【0117】

【数40】

とすると、_ｂＷ_ｒの勾配に対して、

【0118】

【数41】

があり、
_ｂＵ_ｒの勾配に対して、

【0119】

【数42】

があり、
上式において、ｎｅｔ_ｒｉ（ｔ）は_ｂｎｅｔ_ｒ（ｔ）のｉ番めの成分を表す。

【0120】

式（９）～（２２）により、式（２３）～（２９）に示すようなゲートループ・ネットワークの訓練パラメータの更新方法を得ることができる。

【0121】

【数43】

【0122】

上式において、_ｂＷ_ｙ（ｉ＋１）は現在の隠れ層状態から出力層への重み行列を表し、_ｂＷ_ｙ（ｉ）は前回の隠れ層状態から出力層への重み行列を表す。_ｂＷ_ｚ（ｉ＋１）は現在の更新ゲートの入力重み行列を表し、_ｂＷ（ｉ）は前回の更新ゲートの入力重み行列を表す。_ｂＵ_ｚ（ｉ＋１）は現在の更新ゲートの隠れ層状態の伝達行列を表し、_ｂＵ_ｚ（ｉ）は前回の更新ゲートの隠れ層状態の伝達行列を表す。_ｂＷ（ｉ＋１）は現在の隠れ層状態の候補の入力重み行列を表し、_ｂＷ（ｉ）は前回の隠れ層状態の候補の入力重み行列を表す。_ｂＵ（ｉ＋１）は現在の隠れ層状態の候補の、その前の瞬間の隠れ層状態に対する伝達行列を表し、_ｂＵ（ｉ）は前回の隠れ層状態の候補の、その前回の瞬間の隠れ層状態に対する伝達行列を表す。_ｂＷ_ｒ（ｉ＋１）は現在のリセットゲートの入力重み行列を表し、_ｂＷ_ｒ（ｉ）は前回のリセットゲートの入力重み行列を表す。_ｂＵ_ｒ（ｉ＋１）は現在のリセットゲートの隠れ層状態の伝達行列を表し、_ｂＵ_ｒ（ｉ）は前回のリセットゲートの隠れ層状態の伝達行列を表し、λは学習ステップ長さを表す。

【0123】

訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練し、以下のステップを含む。

【0124】

ステップＳ３１：訓練データセットから訓練サンプルをランダムに選択し、この訓練サンプルにおけるすべての実際のレーザパルス・エネルギーの平均値に対応するエネルギー収集条件を、ゲートループ・ネットワークに１つずつ入力することによって、ゲートループ・ネットワークがバーストモード下でのパルス・エネルギーの系列を得るように訓練する。

【0125】

ゲートループ・ネットワークは、データを充分に活用するために、訓練ごとに、訓練データセットから訓練サンプルをランダムに選択し、例えば、放電高電圧１４００Ｖ、１４５０Ｖ、１５５０Ｖおよび１６００Ｖに対応するＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列から、エキシマレーザのエネルギーモデルを認識するための訓練データセット（４個のＢｕｒｓｔモードにおける実際のパルス・エネルギー系列）を構成する。１６００Ｖの放電高電圧のＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列をランダムに選択し、このＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列の中で、各実際のパルス・エネルギーの平均値に対応するエネルギー収集条件（単一のレーザパルスの時間間隔と放電高電圧値）は、ゲートループ・ネットワークに１つずつ入力され、ゲートループ・ネットワークの訓練を経た後、１つのバーストモードでのパルス・エネルギー系列を出力する。

【0126】

ステップＳ３２：現在の選択された訓練サンプルに対応するゲートループ・ネットワークの損失関数を計算し、前記損失関数に基づいて、前記ゲートループ・ネットワークの訓練パラメータを更新する。

【0127】

１６００Ｖの放電高電圧を取得するＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列と、ゲートループ・ネットワークを訓練した後に、出力される１６００Ｖの放電高電圧に対応するバーストモード下でのパルス・エネルギー系列を式（９）に代入し、ゲートループ・ネットワークの損失関数を計算し、この損失関数に基づいて、式（２３）～（２９）を組合わせることにより、ゲートループ・ネットワークの訓練パラメータを更新することができる。

【0128】

ステップＳ３３：ゲートループ・ネットワークの現在出力されるバーストモード下でのパルス・エネルギー系列と現在の訓練サンプルとの間の誤差を計算する。

【0129】

ゲートループ・ネットワークによって現在出力される１６００Ｖの放電高電圧のバーストモードにおけるパルス・エネルギー系列中の各パルス・エネルギーと、訓練サンプル（１６００Ｖの放電高電圧のＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列）中の同じ位置にあるパルス・エネルギーとを減算し、ゲートループ・ネットワークによって現在出力されるバーストモードにおけるパルス・エネルギー系列中の各パルス・エネルギーと訓練サンプル中の同じ位置にあるパルス・エネルギーとの間の誤差を得る。

【0130】

ステップＳ３４：訓練終了条件に達するまでステップＳ３１～Ｓ３３を循環して実行した後、訓練を終了し、エキシマレーザのエネルギーモデルを得る。

【0131】

ゲートループ・ネットワークの訓練終了条件は、所定の訓練回数（例えば、１０万回）またはステップＳ３１～Ｓ３３を所定の回数で循環して実行することであってもよい。ゲートループ・ネットワークによって出力されるある放電高電圧下でのバーストモードのパルス・エネルギー系列における各パルス・エネルギーと、訓練サンプルの中で同じ位置にあるパルス・エネルギーとの間の最大誤差は、各回０．１５ｍＪ以下である（図４に示すように、各放電高電圧におけるＢｒｕｓｔモードのパルス・エネルギー誤差は、いずれも０．１５ｍＪ以下であり、エネルギー中心値が１０ｍＪであるため、相対誤差は１．５％以下である）。

【0132】

最終的なエキシマレーザのエネルギーモデルの訓練パラメータ_ｂＷ_ｙ，_ｂＷ_ｚ，_ｂＵ_ｚ，_ｂＷ，_ｂＵ，_ｂＷ_ｒ，_ｂＵ_ｒは、ゲートループ・ネットワークを訓練することによって得ることができ、式（１）～（７）に基づいて、エキシマレーザのエネルギーモデルを生成する。

【0133】

ゲートループ・ネットワークを訓練する過程において、その出力するある放電高電圧下におけるＢｒｕｓｔモードのパルス・エネルギーの最大誤差の変化は、図５に示すとおりである。横座標のステップ長さはゲートループ・ネットワークを訓練する回数であり、縦座標はゲートループ・ネットワークから出力されるパルス・エネルギー誤差の絶対値である。図５から分かるように、ゲートループ・ネットワークから出力されるパルス・エネルギーの最大誤差は、０．１５ｍＪ以下になるまで、徐々に減少する。これにより、本発明により構築され、エキシマレーザのエネルギーモデルを認識するためのゲートループ・ネットワークは、訓練過程において収束することが証明された。

【0134】

ステップＳ４：テストデータセットを用いて、エキシマレーザのエネルギーモデルの精度を検証する。

【0135】

エキシマレーザエネルギーモデルの精度は、単一の固定動作周波数または異なる動作周波数で収集された複数の前処理後の放電高電圧に対応するＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列を用いて検証する。

【0136】

例えば、１５５０Ｖの放電高電圧のＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列を選択して、エキシマレーザのエネルギーモデルを検証する。このＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列において、各実際のパルス・エネルギーの平均値に対応するエネルギー収集条件（単一のレーザパルスの時間間隔と放電高電圧値）を、ゲートループ・ネットワークに１つずつ入力すると、エキシマレーザ・エネルギーモデルは、１つのバーストモードにおけるパルス・エネルギー系列を出力する。

【0137】

エキシマレーザのエネルギーモデルから出力される放電高電圧１５５０Ｖのバーストモードにおけるパルス・エネルギー系列中の各パルス・エネルギーと、この放電高電圧１５５０ＶのＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列中の同じ位置にあるパルス・エネルギーとを減算することによって、エキシマレーザのエネルギーモデルから出力されるバーストモードにおけるパルス・エネルギー系列の各パルス・エネルギーと実際のパルス・エネルギーとの間の誤差を得る。図６ａ～６ｃに示すように、ここで、図６ｂは、放電高電圧１５５０ＶのＢｕｒｓｔモードにおける実際のパルス・エネルギーの変化を示し、図６ｃは、エキシマレーザのエネルギーモデルから出力される放電高電圧１５５０ＶのＢｕｒｓｔモードにおけるパルス・エネルギーの変化を示し、図６ａは、エキシマレーザのエネルギーモデルから出力される放電高電圧１５５０ＶのＢｕｒｓｔモードにおけるパルス・エネルギー変化と、その実際のパルス・エネルギーの変化との重なりを示す。図から、エキシマレーザのエネルギーモデルによって得られたパルス・エネルギー変化は、実際のパルス・エネルギー変化とよく重なっていることが分かる。

【0138】

別の例として、図７ａおよび図７ｂに示すように、１５００Ｖの放電高電圧下での１ＫＨｚ～４ＫＨｚのＢｕｒｓｔモードにおける実際のパルス・エネルギーの平均値系列をそれぞれ選択して、エキシマレーザのエネルギーモデルを検証する。ここで、図７ａは、放電高電圧１５００Ｖで１ＫＨｚ～４ＫＨｚのＢｕｒｓｔモードにおける実際のパルス・エネルギー変化を示し、図７ｂは、エキシマレーザのエネルギーモデルから出力される１５００Ｖの放電高電圧下で１ＫＨｚ～４ＫＨｚのＢｕｒｓｔモードにおけるパルス・エネルギー変化を示す。図７ａと図７ｂを比較すると、異なる再周波数でエキシマレーザのエネルギーモデルによって得られたパルス・エネルギーは、Ｂｕｒｓｔモードにおけるレーザ・エネルギー変化が実際に測定して得られたレーザのエネルギーの傾向と一致していることが分かる。その最大誤差は図８に示すように、図を見ると分かるように、異なる再周波数で最大誤差は０．１３ｍＪ以下、すなわち１．５％以下である。

【0139】

線量精度とエネルギー安定性の関係に基づいて、リソグラフィ用の線量精度０．５％を満たす場合、エネルギー安定性の最大誤差は２．７４％であり、本発明によって提供されるエキシマレーザのエネルギーモデルによって生成されるパルス・エネルギーの誤差は、エネルギー安定性の制御精度の誤差よりも小さいため、このモデルは、レーザ・エネルギー特性制御のためのシミュレーション要件を満たすと結論づけることができる。

【0140】

また、図９に示すように、本発明の実施形態では、プロセッサ３２およびメモリ３１を備え、実際の必要に応じて通信コンポネント、センサコンポーネント、電源コンポーネント、マルチメディア・コンポーネント及び入力／出力インターフェースをさらに備えることができる、エキシマレーザのエネルギーモデルを認識する装置をさらに提供する。ここで、通信コンポーネント、センサコンポーネント、電源コンポーネント、マルチメディア・コンポーネントおよび入力／出力インターフェースは、いずれも前記プロセッサ３２に接続される。前述したように、メモリ３１は、静的ランダムアクセスメモリ（ＳＲＡＭ）、電気的に消去可能なプログラマブル読み取り専用メモリ（ＥＥＰＲＯＭ）、消去可能なプログラマブル読み取り専用メモリ（ＥＰＲＯＭ）、プログラマブル読み取り専用メモリ（ＰＲＯＭ）、読み取り専用メモリ（ＲＯＭ）、磁気メモリ、フラッシュメモリなどであってもよい。プロセッサ３２は、中央処理装置（ＣＰＵ）、グラフィックス・プロセッサ（ＧＰＵ）、フィールドプログラマブル・ロジックゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、デジタル信号処理（ＤＳＰ）チップなどであってもよい。その他の通信コンポーネント、センサーコンポーネント、電源コンポーネント、マルチメディア・コンポーネントなどは、いずれも従来のスマートフォンに搭載されている一般的な部品を用いて実装することが可能であり、本明細書では特に説明しない。

【0141】

また、本発明の実施形態では、プロセッサ３２とメモリ３１とを備えるエキシマレーザのエネルギーモデルを認識する装置を提供する。プロセッサ３２は、以下の動作を実行するために、前記メモリ３１内のコンピュータ・プログラムまたは命令を読み取る。

【0142】

エキシマレーザのエネルギーモデルを認識するためのゲートループ・ネットワークを構築する。

【0143】

複数のプリセットされた時間内に、単一のレーザパルスの方式でエネルギー収集条件を設定し、エキシマレーザのエネルギーモデルを認識するための訓練データセットを収集する。

【0144】

訓練データセットを用いて、構築されたゲートループ・ネットワークを訓練し、訓練終了条件に達すると、訓練を終了し、エキシマレーザのエネルギーモデルを取得する。

【0145】

また、本発明の実施形態では、コンピュータ読み取り可能な記憶媒体をさらに提供する。前記読み取り可能な記憶媒体には、コンピュータ上で実行された際、前記コンピュータに、前記図１に記載されたようなエキシマレーザのエネルギーモデルを認識する方法を実行させる命令がその上に記憶されており、その具体的な実施態様については、本明細書で繰り返さない。

【0146】

また、本発明の実施形態では、コンピュータ上で実行されると、前記コンピュータに、前記図１に記載されたようなエキシマレーザのエネルギーモデルを認識する方法を実行させる命令が含まれている、コンピュータプログラム製品をさらに提供するが、その具体的な実施態様については、本明細書で繰り返さない。

【0147】

本発明の実施形態によって提供されるエキシマレーザのエネルギーモデルを識別する方法および装置は、ゲートループ・ネットワークによって、比較的正確にエキシマレーザのエネルギーモデルを識別することができる。このエキシマレーザのエネルギーモデルは、レーザのエネルギー特性制御のシミュレーション要件を満たすために、実際のパルス・エネルギーとの間の最大誤差は１．５％未満のパルス・エネルギーの生成を検証することができる。このエキシマレーザのエネルギーモデルは、エキシマレーザのエネルギー制御方法のシミュレーション研究と解析を容易にし、実験時間を短縮することによって、エキシマレーザーのエネルギー安定性制御と線量精度の制御の改善に大きな意義がある。

【0148】

以上、本発明によって提供されるエキシマレーザのエネルギーモデルを識別する方法および装置について、詳細に説明した。当業者にとっては、本発明の実質的な内容から逸脱することなく、本発明に対して行われるいかなる明白な変更は、いずれも本発明の特許権の保護範囲に属する。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6a】

【図6b】

【図6c】

【図7a】

【図7b】

【図8】

【図9】

【国際調査報告】