用晶圆与掩模SEM轮廓，通过加权评估改进OPC模型质量

        引言
日立高新技术公司(Hitachi High-Technologies)一直在开发“用扫描电镜(SEM)轮廓提取方法以改进光学邻近校准(OPC)模型质量的技术”。表1和参考文献1~5中给出了主要的挑战。所开发的先进SEM轮廓提取技术结合了无关键尺寸(CD)间隙轮廓提取(参考文献4)、精密SEM边缘(FSE)技术(参考文献3)、任意结构的对准与均化方法(参考文献3)，以及全景式掩模SEM轮廓提取技术等。



2011年的SPIE先进光刻技术研讨会上提出了一种先进的混合式OPC建模方法，它采用CD-SEM做1D CD测量，而用先进SEM轮廓提取技术与全景掩模SEM轮廓做2D轮廓创建，结果对1D和2D都表现出了高可预测性，虽然在1D和2D校准之间存在着权衡的关系。在混合校准情况下，OPC模型质量的关键是优化1D和2D数据的权重，因为在模型的可预测性方面，1D和2D数据的权重设定是一种取舍的关系。
不过，我们并不知道哪种1D与2D权重比可以获得最佳的OPC模型质量。Calibre ContourCal中的加权功能在评估时使用的是SPIE2011中相同的OPC数据集，以确定在增加了2D权重的情况下，CD和轮廓errRMS(均方根误差值)是否得到了改进，拐角拟合是否得到了改进。本文将重点讨论加权评估的结果。


       
混合建模的加权功能采用混合技术的OPC模型校准
图1给出了针对1D和2D结构的CD数据与轮廓数据的OPC模型校准特性。1D结构的校准可以用给出的值作为CD数据，因为1D结构包含的是直线部分。因此从产量的角度而言，对1D结构用CD法要优于轮廓法。另一方面，基于CD的校准无法获得精确的2D结果，因为2D结构有任意的形状，包括圆形拐角。不过，基于轮廓的数据具有关于形状的丰富信息，可以同时校准直线与圆角部分。因此，轮廓法在校准2D结构时要比CD法更精确。



现已开发出兼具CD测量与SEM轮廓的混合技术，它能提供更精确的OPC模型，减少OPC校准的运行时间。SEM轮廓用于2D，而CD点则提供了高精度的1D测量。为保持这种1D的精度，可采用混合的校准技术，在OPC校准中同时包含CD与SEM轮廓。很多文献(参考文献1、2)都讨论了采用混合技术校准方法的优点与挑战。


       
Calibre ContourCal的加权功能
1D结构使用CD测量，而2D结构使用SEM轮廓。Calibre ContourCal的加权功能可针对CD测量和轮廓分别设定，见图2。每次OPC校准运行时，加权参数可以设为0至1.0的变量，步长为0.1。式(1)用于计算CDerror。而所有OPC建模结构的ErmsCD计算则用式(2)。





轮廓误差的计算是通过比较SEM轮廓与OPC模型的预测轮廓进行的，如图3所示(参考文献3)。首先，在Calibre ContourCal上将预测轮廓与SEM轮廓对准。对SEM轮廓的每个点，SEM轮廓都能在预测轮廓上找到最接近的点，反之从预测轮廓到SEM轮廓也是一样。预测轮廓与SEM轮廓之间的距离Di由式(3)确定。所有偏差的RMS ErmsContour由（4）式计算。








       
评估OPC模型质量的实验方法OPC模型的校准与验证结构
imec(校际微电子研究中心)采用一个6%衰减的相移掩模(PSM)测试掩模原版(reticle),用ASML XT:1900Gi做了一个晶圆的曝光(使用NA=135，σouter/σinner=0.96/0.60，XY极化的cQuad20照明)。我们定义了一个积极的22nm随机逻辑多模型的结构集，它包括了不同结构的最大变化，选自于数量有限的结构。校准数据包括63个CD和228个轮廓块。验证数据包括227个CD和136个轮廓块。CD数据在多种跨节距密线(through pitch dense line)、2杆和3杆结构上进行测量。图4给出了用于OPC建模的一些2D结构的例子。



晶圆与掩模轮廓提取流程
图5给出了基于设计的计量综合系统，用于包含CG4500(掩模CD-SEM)、CG4100 (晶圆CD-SEM)，以及RecipeDirector的SEM图像轮廓提取。RecipeDirector用于自动地创建CD-SEM配方(recipe)， 而DesignGauge-Analyzer则用于创建SEM轮廓。首先，要准备OPC建模的设计数据，以及包含有测量信息的HSS (日立数据表)。把设计数据与HSS输入到RecipeDirector中，就自动生成了CD-SEM配方。然后，CD-SEM配方被输出给CG4500和CG4100。用FSE(精密SEM边缘)功能获取SEM图像。最后，获得的SEM图像被输出给DesignGauge-Analyzer。然后，用相同算法，从掩模SEM图像和晶圆SEM图像中提取出SEM轮廓。



在SEM轮廓提取的同时， DesignGauge-Analyzer中完成SEM轮廓的对准与均化。在对准与均化以后，可以将晶圆SEM轮廓创建为MBAC(基于测量的平均轮廓)，而MBAC以GDSII格式，送入Mentor Graphics模型校准流程。另一方面，掩模SEM轮廓则创建为全景型FOV(视场)的MBC(基于测量的轮廓)，同样，MBC以GDSII格式送入Mentor Graphics模型校准流程。


       
OPC校准与验证流程
OPC模型由CD测量数据、晶圆MBAC及2D全景掩模MBC进行校准，2D全景掩模MBC用来代替表2所示的设计数据。



图6给出了实验流程。首先，由CG4500和CG4100获得的SEM图像，用DesignGauge-Analyzer(日立高新技术)创建1D CD测量、2D晶圆MBAC以及2D掩模MBC，并输入到Calibre ContourCal(Mentor Graphics)中。其次，使用Calibration数据集，做OPC模型的校准。在本次研究中，权重W的选择范围从0.1至0.9，输出9个OPC模型。然后用9个校准后的模型，为验证结构生成预测轮廓。再次，获取验证结构的SEM图像，并为验证结构生成验证MBAC。最后，为了比较模型的质量，用CD和轮廓验证数据集做9个OPC模型拟合良好性的评估。验证的权重设为恒定的W=0.5。另一方面，每个预测轮廓拐角拟合要与验证MBAC作比较。




       
实验建模的结果OPC模型校准结果
OPC模型的校准结果见附图1，OPC模型的验证结果见附图2。在这些附图中， 蓝线代表CD errRMS，红线代表轮廓errRMS。



在OPC模型校准和验证结果中，轮廓施加较高权重有助于改善轮廓的errRMS， 但本实验并未确认CD errRMS与权重之间的相关性。此现象可解释为，本实验使用无CD偏移的轮廓。由于自顶向下的CD 与所提取SEM轮廓测得的CD值之间的偏差小到可忽略不计，即使采用了较大的权重，CD errRMS也几乎不受影响。
本实验建模中还可以确认，0.6至0.7 的权重可提供良好的CD与轮廓errRMS。


       
结论
本文研究了加权功能在OPC建模中的作用。结果证明，具有用先进轮廓提取系统所获轮廓数据的、包含加权功能的混合模型校准是一种有效的方案。这种方案具有良好的2D可预测性，而几乎不影响1D可预测性。本文还确证了采用较高权重可改善拐角的拟合。
由于无CD偏移的轮廓不会影响CD的可预测性，在先进的结点上，采用轮廓做OPC建模即为一种有效而重要的技术。
除OPC建模以外，还有很多应用可以使用SEM轮廓，例如开发光刻工艺。我们相信，先进的SEM轮廓技术应非常适合于开发计算光刻中的LSI制造工艺。

参考文献
1. Y. Granik, I. Kusnadi, “Challenges of OPC Model Calibration from SEM Contours”, Proc. of SPIE 6922, 69221H- 1 (2008)
2. P. Filitchkin, T. Do, I. Kusunadi, J.L. Sturtevant, P. De Bisschop, J. Van de Kerkhove, “Contour Quality Assessment for OPC Model Calibration”, Proc. of SPIE 7272, 72722Q-1-7 (2009)
3. D. Hibino, H. Shindo, Y. Abe, Y. Hojyo, G. Fenger, T. Do, I. Kusnadi, J.L. Sturtevant, P. De Bisschop, J. Van de Kerkhove, “High accuracy OPC-modeling by using Advanced CD-SEM Based Contours in the next generation lithography”, Proc. of SPIE 7638, 76381X-1-11 (2010)
4. T. Shibahara, T. Minakawa, M. Oikawa, H. Shindo, H. Sugahara, Y. Hojyo “A CD-gap-free contour extraction technique for OPC model calibration”, Metrology, Inspection, and Process Control for Microlithography XXV,Proc. of SPIE 7971, 79710O-1-8 (2011)
5. D. Hibino, H. Shindo, Y. Hojyo, T. Do, Aasutosh Dave, Timothy Lin, I. Kusnadi, J. L. Sturtevant, “The assessment of the impact of mask pattern shape variation on the OPC-modeling by using SEM-Contours from wafer and mask”, Proc. of SPIE 7971, 79712G-1-9 (2011)