芯制造
ChipManufacturing.org
当前位置

【litho】OPC模型的建立流程

646
发表时间:2018-05-31 00:25作者:盖天洋来源:光刻人的世界

  基于模型的光学邻近效应修正的关键是建立精确的光刻工艺模型。可靠的OPC模型可以完整的描述包括光学系统、掩膜、光刻胶、刻蚀工艺在内的整个光刻过程。严格的光刻模型虽然精度高,但是对计算能力的要求也很高,现有的计算能力无法在市场要求的时间内完成芯片级的光刻工艺模拟。所以OPC使用的是半经验的简化光刻模型,它把原来模型中的复杂过程使用一些简化的经验公式来代替。经验公式中又包含许多参数,这些参数可以通过实验数据拟合来进行校准,最终使得简化光刻模型的计算结构与实验结果相吻合。OPC模型的校准周期可以概括为以下几个步骤:设计实验(design of experiment,DOE),进行实验,数据收集,校准模型并验证。

图片143.png

图1  OPC模型建立流程


测试图形生成

      DOE首先涉及校准结构或测试图形的建立。通常,测试图形集合被分为校准集合和验证集合两个部分,校准集合用于调整模型,而验证集合用于验证模型的拟合程度。验证集合包含校准集合中未使用的图形,为测试模型的外推预测能力,它还可以包含设计规则限制外的图形。

  模型校准的关键是其中所使用的实验数据。模型的精度取决于校准集合覆盖版图设计的能力。对于复杂的设计版图,测试图形越多样化,校准的模型越精确。同时较准集合内的测试图形要保证尽量少以减少测量和校准的时间。在这两个矛盾的目标下建立优质的校准集合是相当困难的。为保证较准集合的覆盖能力,现在有方法可以直接从版图设计中抽取测试图形。它可以从设计版图中寻找光刻困难和复杂的图形作为关键图形,然后把相似的图形归为一类,在同一类图形中选出具有代表性的作为测试图形放置在OPC测试掩膜上。

  在每个研发周期中,根据工艺参数确定下来的设计图形的数目是数十万量级,因为SEM测量的限制,工程师建立的较准集合只能是其中很小的一部分,这一过程中的图形数量通常要减小2到3个数量级。通过手动和半自动的方式进行这一过程十分困难,并且消耗的时间也很多。有人把这一过程转化为优化问题,对设计图形的覆盖进行建模,所期望的图形特征被定义为目标函数,不同图形类型的权重不同,在保证设计图形覆盖能力的前提下尽量减小校准集合的大小。这种方法比聚类的方式更能保证测试图形的质量。


  校准集合中的测试图形的设计必须考虑到测量设备的测试方式。对于CD-SEM,有以下一些关于设置测试图形的建议:

1、测试图形的中心应包含需要测试的特征

2、测试图形单元应以恒定的间距放置

3、测试图形的标签应尽量短,方便制造并且独一无二

4、测试图形的识别图形应方便制造并独一无二

图片144.png

图2  测试图形布局(左)  测试图形参数(右)


  测试图形和测试位置的命名也十分重要,在修正周期中建立命名规则是必要而且有益的,它方便了测试图形测量和数据收集的自动化。命名规则应该包含:

1、表明测试图形位置的标签

2、测试图形的类型

3、测试图形参数的名称和数值

例如可以设置如下的命名规则:

<cell>_<type>_<parameter><value>[_<parameter><value> …]


Tap out和曝光

      Tap out和曝光步骤中使用的许多信息在下面的测量环节中是十分重要的。为方便测量环节的自动化,建议保存以下信息:

1、测试图形框架布局

2、用于晶片对准(光刻对准和SEM对准)的标记图形的布局

3、设计图形和被测量的OPC后(post-OPC)的布局

  要按照事先选定的光照条件进行FEM曝光,FEM的中心能量,聚焦值以及步长都必须精心选择,以符合建模时实验数据的需要。


SEM菜单生成

      SEM菜单通过之前步骤保存的信息进行生成。通过前面保存的对准信息重建晶片图形的布局,并且需要计算出多个参数来描述测试图形的位置和类型。因为不同测试图形类型的测量算法有很大区别,所以必须要对CD-SEM提供测量图形的类型和特征,SEM才能确定测量的方式。


测量和收集数据

  数据测量通常使用高分辨率电子显微镜(CD-SEM),因为光刻胶在电子束的轰击下会收缩,测量得到的线宽与实际值有偏差。这一偏差可以采用其他测量手段来确定,例如基于椭偏仪原理的光学线宽测量方法(OCD)等。电子束导致的光刻胶线宽缩短与电子束的能量和轰击时间等因素有关,大量经验表明,一次CD-SEM会导致光刻胶线宽缩短4nm左右。


图片145.png

图3  从SEM图像中精确提取SEM轮廓


  仅用测量的线宽数据来校准模型是不足的,因为随着线宽的减小,许多二维图形的结构无法用线宽来描述。现在CD-SEM供应商已经建立了从SEM图像中精确提取SEM轮廓的能力,并确保与设计布局进行精确对准,所以可以使用边缘位置误差(EPE)来量化拐角的圆化。


  另外,随着特征尺寸的减小,一些密集分布的二维图形区域经常因为图形对比度的降低而出现问题,复杂图形的工艺窗口变得越来越难以监控。这时需要引入可靠的三维掩膜模型和三维光刻胶模型才能进行准确的OPC。这些模型的校准需要对光刻胶的三维轮廓特征进行采集,因此横截面扫描电子显微镜(X-SEM)和原子力显微镜(AFM)被引入到测量环节中以保证采集到足够的数据进行三维模型的校准。


图片146.png

图4  三维光刻胶模型所需实验数据的准备流程


在测量过程中,CD-SEM输出了多种类型的信息:

1、CD尺寸

2、SEM图像

3、扫描线

4、SEM轮廓,用于计算边缘位置误差(EPE)

  对这些信息的处理十分重要,首先是对数据的分类,需要根据测试图形的类型和特征进行分组,因为不同类型的测试图形的测量精确度不同,在模型校准时需要区别对待。其次是对数据的清洗,把不正常的数据用于模型校准会影响模型的精确度,通过对比重复的测试图形可以发现那些偏离平均值的不正常数据。


模型校准与验证

  尽管不同软件中的模型细节可能有所不同,但是都包含与光学系统,掩膜,光刻胶和刻蚀工艺模型相关的几种不同类型的参数。这些参数可以被分为以下三类:

  其中一类可以直接测量的被成为设计值(designed values),它们主要与掩膜和光学系统相关。掩膜模型中的参数包括CD偏差(CD bias),二维拐角圆化(2D corner rounding),三维几何细节(3D geometry details)等。光学系统参数包括光源的波长,掩膜膜层的厚度和折射率,数值孔径(NA),光源强度分布,光刻胶膜层的光学常数等。虽然这些测量值可以被直接输入到模型中,但是它们与工艺中的实际值有一定的偏差,无法达到足够的精度,所以在模型修正的过程中,这些值也可以在一定范围内进行优化。不过另一方面,要谨慎的处理远离设计值的参数,这可能会导致模型中的物理因素减少(less physical

model)。

  第二类参数是与物理过程相关的参数,它们无法被直接测量得到,而是通过模型中的参数进行表示,但是这些参数与具体的物理过程通常没有直接的对应关系。这些参数主要与光刻胶的烘烤(PEB)、显影过程和刻蚀工艺中的化学动力学过程相关,它们的物理过程十分复杂,无法用简单的理论模型进行精确描述。

  最后一类参数与OPC软件的设置有关,用来变更模型中近似值的选取。例如光学核心(optical kernels)的数目,光学直径(optical diameter),还有光刻胶和刻蚀模型的形式。这些参数通常可以控制模型的精度和速度。


图片147.png

图5  模型校准优化流程


   通常把OPC模型的校准过程转化为优化问题,通过成熟的优化算法来校准模型中的各类参数,使得OPC模型的计算结果与实验数据相吻合。验证的办法主要有两个:一是对比光刻胶图形的电镜照片和模型计算出来的图形;二是对比建模时没有使用过的实验数据即验证集合与模型计算的结果。验证可以发现软件中存在的缺陷(software bugs)和设计中的错误(design errors),并能找出可能存在的坏点(hotspots)。


模块化OPC模型

  随着技术节点的进步,为高级节点开发新OPC菜单的工作量越来越大。一些人提出building block recipes(BBR)来帮助OPC工程师在制造工艺中快速配置OPC模型的能力。因为每个工艺线都是独一无二的,在每个OPC菜单中都需要一定程度的定制。BBR可以帮助工程师以更高的精度来完成这些定制,同时方便其他工程师理解和变更这些设置。模块化编程强调将程序的功能(即OPC菜单)分离成独立的且容易互换的模块。每个模块包含某一预期功能所需的一切,并且容易与其他模块组合使用。把菜单中重要的用户级功能分解成模块提高了OPC模型的易用性,其他OPC工程师不需要过多的培训就可以很方便的理解和修改OPC流程。这种方式不再是对OPC模型技术细节上的改进,而是通过优化管理模式来提高工艺研发效率。这需要具有丰富编程经验的工程师,通过广泛的使用子模块,块结构和循环来完善OPC菜单,以避免低效率的“面条”式编程风格


参考文献

[1]韦亚一, 超大规模集成电路先进光刻理论与应用: 科学出版社, 2016.

[2]L.Wu, D. Kwa, J. Wan, T. Wang, M. St. John, S. Deeth, X. Chen, T. Cecil, X.Meng,and K. Lucas, "Building block style recipes for productivity improvementin OPC, RET and ILT flows." pp. 978116-978116-8.

[3]A.Burbine, J. Sturtevant, D. Fryer, and B. W. Smith, "Bayesian inference forOPC modeling." pp. 97800I-97800I-6.

[4]N.Casati, M. Gabrani, R. Viswanathan, Z. Bayraktar, O. Jaiswal, D. DeMaris, A.Y.Abdo, J. Oberschmidt, and A. Krause, "Automated sample plan selection for OPC modeling." pp. 90520J-90520J-12.

[5]A.Szucs, J. Planchot, V. Farys, E. Yesilada, L. Depre, S. Kapasi, C. Gourgon,M.Besacier, O. Mouraille, and F. Driessen, "Advanced OPC Mask-3D andResist-3Dmodeling." pp. 905208-905208-9.

[6]M.Drapeau, B. S. Ward, and B. Falch, "Automated OPC model collection,cleaning,and calibration flow." pp. 71221O-71221O-9.

[7]R.Viswanathan, O. Jaiswal, N. Casati, A. Abdo, J. Oberschmidt, J. Watts, andM.Gabrani, "Experiments using automated sample plan selection for OPCmodeling."pp. 94260W-94260W-10.