XiaoMi-AI文件搜索系统
World File Search SystemEUVL
2022 年下半年的 EUV 光刻胶筛选活动
EUV 光刻胶材料对于实现下一代光刻技术至关重要，该技术旨在实现 5 nm 以下节点的大批量制造 (HVM)。在本研究中，我们报告了 EUV 光刻胶的广泛性能表征，用于未来的高 NA EUV 光刻。我们在 Paul Scherrer 研究所和 ASML 合作的框架内，使用瑞士光源 (SLS) 的 EUV 干涉光刻工具研究了各种光刻胶的性能。本文介绍了 2022 年下半年开展的工作的主要成果。本研究考虑的重要性能特征是分辨率或半节距 (HP)、剂量与尺寸比 (DtS) 和线宽粗糙度 (LWR)。为了评估光刻胶的整体性能，我们使用了 Z 因子。我们研究了化学放大光刻胶 (CAR) 和非 CAR 材料。两家供应商的 CAR 实现了低至 11 nm 半节距的分辨率，而多触发光刻胶 (MTR) 达到了 13 nm 的分辨率。相比之下，MTR 由于其高灵敏度而表现出更好的 Z 因子值。此外，我们研究了底层对金属有机光刻胶 (MOR) 性能的影响。最后，我们讨论了近年来光刻胶性能的总体进展。我们观察到多个光刻胶平台的稳步改进，这对全球 EUV 光刻胶向高 NA EUVL 的发展是令人鼓舞的。
高NA光刻
euv抗材料在启用高量制造（HVM）的高级光刻技术方面起着至关重要的作用，该技术针对低于5 nm的节点。在这项研究中，我们报告了对未来高NA EUV光刻术的可用EUV光孔师的广泛性能表征。，我们使用Paul Scherrer Institute和ASML合作的框架内使用EUV干扰光源工具（SLS）在瑞士光源（SLS）上调查了各种抵抗的性能。本文强调了我们在2023年观察到的主要改进，并提出了最佳性能的6种不同供应商的半票（HP）14及以下。本研究中考虑的重要性能特征是分辨率或HP，剂量到大小（DTS）和线宽度粗糙度（LWR）。为了评估抵抗的整体绩效，我们使用了z因子。我们研究了化学放大的抵抗（CAR）和非车材料。来自两个供应商的汽车达到了一个低至11 nm的分辨率，而多触发器抵抗（MTR）达到了13 nm的分辨率。新的金属有机抗（MOR）的分辨率低至11 nm。MTR和一辆汽车材料达到了迄今为止最低的Z因子。此外，我们研究了卧式对MOR性能的影响，并将新MOR的性能与前身进行了比较。，我们最终讨论了近年来抵抗性能的总体进展。我们观察到了几个抗性平台的稳定改善，这对于全球EUV抗性向高NA EUVL的发展令人鼓舞。
在线空模式中的缺陷识别通过深度学习的帮助
处理步骤，但对于带有可变音调的打印图案，它的灵活性较小。此外，将DSA应用于高量制造的主要挑战之一是观察到的缺陷密度，该缺陷密度分别大于所需的缺陷密度为1和0.01缺损cm 2用于记忆和逻辑应用。最常见的缺陷是桥梁和位错。，即使EUVL也没有缺陷问题，如先前的工作4、5所述，并且被证明会导致桥梁缺陷。为了解决大型缺陷密度的关注，尤其是在DSA中，采用各种过程的选择步骤来确定可以减少整体缺陷密度的重要因素；优化步骤包括不同的退火条件，表面模式的周期性，指南线的宽度，模式的地形以及背景化学等。对于列出的处理步骤的每一个组合，进行扫描电子显微镜（SEM）图像的缺陷检查以评估处理条件的性能是必不可少的。这涉及为统计目的收集足够数量的SEM图像，并手动执行缺陷检测或使用图像处理工具。随着处理步骤的不同组合的数量增加，缺陷的手动标记效率低下。解决方案之一是使用新兴的深度学习算法来检测和分类不同类型的缺陷。在材料科学领域，已经应用了许多算法来从给定的图像集中学习复杂的缺陷特征。例如，（1）Xie等。6使用多级支持向量机算法来检测印刷电路板和晶圆中最常见的缺陷。这些缺陷涉及环，半圆，簇和划痕。（2）Zheng和Gu 7采用了学习算法的机器，以检测具有高准确性的石墨烯中多个空缺数量。（3）Tabernik等。8报道了一项研究，在该研究中，他们利用基于细分的深度学习体系结构从某些工业应用的角度来检测成品中的表面异常。对缺陷的深度学习辅助识别不仅限于材料科学领域，因此已在其他各个领域中用于诸如下水道管道9、10和水果缺陷检测中的缺陷检测。11我们认为，使用这种自动化方法来计算不同类型的缺陷，并指定其在线路和空间（L/S）模式中的位置，可以帮助过程工程师快速收集足够的统计数据，并提供更准确，更一致的方法来评估每个处理条件的组合。通常，需要大量培训样本以确保网络的高精度。不幸的是，如前所述，由于人类的努力和专业知识所需的负载，因此要求SEM图像中存在的缺陷标记的时间耗时的过程。这为收集足够的数据构成了深度学习网络所需的精度的障碍。13，14另一种数据增强方法是通过执行模拟来扩展数据集。数据增强是一种可行的选择，可以通过利用原始数据集中的更多信息来夸大培训数据集。如Shorten和Khoshgoftaar的评论论文所讨论的，12个增强策略包括几何和颜色变换，随机擦除和特征空间扩展。翻转图像是最简单，最便宜的策略之一，结合了其他几何形状转换，旋转和缩放的几何变换可提高深度学习算法的准确性。在Carrasco-Davis等人的天文事件的分类中探索了这种策略，15，其中作者依靠基于物理的模型来生成模拟数据集。参考。16，如Holtzman等人所述，使用点散射模型生成的模拟数据集为雷达图像模拟。17与真实的数据集混合在一起，可以提高船舶合成孔径雷达图像中目标识别的准确性。在这项工作中，使用最小的SEM数据集进行培训[O（100）图像]，我们使用了一个受良好版本3的启发的对象分类和检测网络。在剪切 - 索尔沃退火条件下使用圆柱体组成共聚物进行实验后，收集了SEM数据集。19网络中的卷积层和过滤器的数量已针对网络的准确性进行了优化。实施了各种激活功能和不同损失功能的进一步检查。使用两种策略夸大了具有有限数量SEM图像的初始数据集：（1）几何转换