透過高階修正來改善重合疊對控制和掃描機台的使用率
Smixer Chiu, Hung Ming Lin, Benjamin Lin, James Wu, 力晶半導體公司(PSC)
Chin-Chou Kevin Huang, James Manka, Desmond Goh, Healthy Huang, David Tien, 科磊(KLA-Tencor)公司
當半導體產業持續邁向50nm以及未來的技術節點量產時，為了要嚴謹地控制重合疊對到足以符合越來越小重合疊對控制窗口的嚴格要求，難以克服的阻礙不只來自於技術面、同時也來自於經濟面的挑戰。
在本篇論文中，作者將針對50nm節點製程說明重合疊對誤差的潛在根源，並且詳細介紹一種能準確地定位出根本誤差來源的方法，可運用來降低動態隨機存取記憶體(DRAM)/快閃記憶體(FLASH)量產的重合疊對誤差，進而促進新製程技術的蓬勃發展。
簡而言之，基於一系列的實驗和分析，作者證明出高階殘值的主要貢獻歸因於掃描機台的混搭(mix-and-match)組合。反過來說，使用來自重合疊對量測系統所產生的以及來自先進製程控制(APC)系統所迴饋的高階校準，其重合疊對控制方法將可以有效地減少混搭式的高階殘值誤差。
序言
在處於新的技術節點蓬勃發展階段之際，經常遭遇到高階重合疊對殘值誤差，殘值誤差是量測重合疊對誤差中未被模式化的部份。傳統上，線性的(第一階)模式被使用在掃描機台的運轉上來量化系統性的誤差，應用線性項次的數值來修正掃描機台是常見的產業慣例。明顯地，如果有可能應用更高階的誤差修正的話[1,2,3,4]，那麼將可以減少殘值並且改善重合疊對的特性。來自線性模式化中的殘值是第二、第三、和更高階的系統性作用與隨機作用的組合，沒有更進一步的分析，改善的機會就不太顯著。因此，我們建立了一套殘值分析和高階修正的方法，針對改善重合疊對的特性其超越了傳統線性修正所可能達到的地步。這套方法論被設計來達到以下的目標：(1)辨別出高階殘值的根本原因，而因此辨識出改善重合疊對特性的最佳的機會；(2)以較有成本效益的方式來改善重合疊對特性；以及(3)在量產的環境中證實此方法是有效的。
測量與晶圓製程
1.測量製程
所有的量測均使用35μm無分割(non-segmented)，且具有間距大小2.4μm和45% duty cycle的AIM target，以及KLA-Tencor Archer AIM+機臺，target影像如圖一所顯示。
圖一：重合疊對AIM target影像，size= 35μm平方，pitch= 2.4μm，duty cycle= 45%。
2.量測取樣和佈線(layout)
對於高階分析而言密集的量測取樣計畫是必要的：在晶圓上所有有效的場域(field)，每個場域取5個target(中間和四端)。取樣和佈線的圖例如圖二所顯示。
圖二：密集的取樣和佈線圖示。
3.晶圓製程資訊
在現今重要的微影製程對於本層對前層的曝光通常只在單一機台被使用，來達到最佳的重合疊對控制，然而，對於某些層別而言因為成本的考量，前層可以在比較低成本的曝光機台(例如KrF掃描機台)上曝光，而本層則可在比較昂貴的曝光機台(例如ArF掃描機台)上曝光。在50nm或以下的製程中，這先前非關鍵的重合疊對層現在變成了關鍵性的曝光層，此牽連到對元件非常重要的重合疊對控制。在今日和未來先進的製程節點中為了維持最低的製造成本，混搭掃描機台的方案被利用來製造本層，而我們將研究並決定出一種最佳化的解決方案來維持最低的製造成本、同時維持嚴謹的重合疊對控制以滿足50nm元件的設計需求。
在本研究的本層是以ArF掃描機台來曝光，此層對準到使用KrF掃描機台曝光的參考層，在本層曝照之前，晶圓也經過了熱處理的製程。
資料模式化及殘值解析(decomposition)
1.重合疊對模式化(一般)
重合疊對模型描述出在整個晶圓與曝光場域之間重合疊對誤差對應於其重合疊對target位置的空間相依性關係。
2.傳統的線性模式化
傳統的線性模型在二維空間X和Y中分別針對晶圓和場域的作用量化其系統性的偏移(offset)、比率(scale)、以及旋轉(rotation)，典型的傳統線性模型用的方程式如圖三和圖四所顯示。
圖三：傳統的線性重合疊對模型(晶圓成份)(wafer component)。xOVL、yOVL：分別為在x和y上的總系統性重合疊對誤差。X、Y：在晶圓格架上場域的座標。K1、K2、K3等等：晶圓項次數值(x補償、y補償、x比率等等)
圖四：傳統的線性重合疊對模型(場域成份)(Field component)。xOVL、yOVL：分別為在x和y上的總系統性重合疊對誤差。X、Y：在場域中target座標。k1、k2、k3等等：場域項次數值(x補償、y補償、x比率等等)
針對所有測量的target經過線性模式化後的殘值計算如圖五所顯示。
圖五：殘值計算。左手邊向量圖表示用重合疊對機台所測量到的原始重合疊對誤差，中間的向量圖表示經過用迴歸(regression)計算模型項次數值後的模型所預測的重合疊對誤差，右手邊向量圖則表示殘值。對於在討論中的target而言，每一項殘值向量是原始的和模式化向量之間的差值。
殘值的3個標準差(sigma)是26.7nm(x)與27.3nm(y)，甚至在用線性修正來減少系統性誤差之後，大部份的重合疊對預算(30nm)將會被更高階和隨機作用所耗盡。明顯地，對於此製程來說，減少殘值將會改善重合疊對的控制。
3.高階模式化
對於晶圓成份(wafer component)來說，使用這個方法論的高階模型所定義的項次可到三階，高階晶圓模型所用的方程式顯示在圖六中。
圖六：高階(三階)重合疊對模型(晶圓成份)(wafer component)。xOVL、yOVL：分別為在x和y上的總系統性重合疊對誤差。X、Y：在晶圓格架上場域的座標。K1、K2、K3等等：晶圓項次數值(x補償、y補償、x比率等等)
因為場域的取樣被限制在每個場域5個點，所以傳統的線性模型被使用在場域的成份(Field component)中，線性的場域成份(Field component)所用的方程式如圖七所顯示。
圖七：線性的重合疊對模型(場域成份)(Field component)。xOVL、yOVL：分別為在x和y上的總系統性重合疊對誤差。X、Y：在場域中target座標。k1、k2、k3等等：晶圓項次數值(x補償、y補償、x比率等等)
4.線性的對應於高階的模式化
線性模式化殘值與高階的模式化殘值的比較顯示出，如果在掃描機台上所有經由高階模型所特徵化的系統性誤差都可以被修正的話，那麼就可能達到最大的改善。圖八顯示出其比較。
圖八：線性模式化殘值與高階的模式化殘值的比較。左手邊向量圖表示用重合疊對機台所測量到的原始重合疊對誤差，中間的向量圖表示經由模型所預測的重合疊對誤差，右手邊向量圖則表示殘值。透過縮減殘值3個標準差來量化此改善。
我們使用殘值解析來辨識殘值的主要貢獻成份，而非試圖要應用所有的模型項次數值來修正掃描機台。
5.殘值解析
經由變因(source-of-variance)分析，總殘值可以被解析為子成份(sub components)，如圖九中所示。
圖九：變因分析。總殘值3個標準差可以被解析成表示為總殘值變異量(σ2)的成份，等於個別系統性和隨機成份(random component)變異量的總和。
應用這項解析到實驗的數據上所得到的解析值顯示在圖十中。
圖十：殘值3個標準差的成份(左手邊圖表)被疊置成變異量等效值(右手邊圖表)，在變異量圖表(右手邊圖表)中紅色的線表示在垂直軸向上變異量數值的殘值3個標準差等效值。
變異量分析的原始資料顯示出30nm的重合疊對預算幾乎完全被總殘值所耗盡，晶圓等級(wafer level)的高階(二階和三階)成份，如淺綠色線所示，顯然是重合疊對殘值主要的根源－單單消除這一項成份將會減少殘值到20nm以下。明顯地，晶圓等級(wafer level)的高階作用是線性模式化殘值的主要貢獻者。
這個結果允許我們針對辨識這項高階成份的根本原因來設計一項實驗。
6.實驗
記錄程序(POR)為：前層使用KrF掃描機台來曝照，並以高溫熱製程來處理晶圓，接著使用ArF掃描機台來曝照本層。我們假設高階晶圓等級(high order wafer level)的殘值有以下可能的根本原因：批次對批次的變異、經過熱處理後的晶圓變形、以及/或掃描機台的匹配。為了測試這些假設，我們準備並量測以下的批次：
兩批不同的POR批次，來檢視批次對批次的變異
一批不用熱處理，來檢視經過熱處理的晶圓變形
一批具有匹配用的格架修正(Grid Correction for Matching，GCM)，來檢視在掃描機台掃描機台運轉時間中來自高階晶圓等級(high order wafer level)修正的改善(在台掃描機台對準的步驟以GCM量測整個的晶圓取樣，然後應用從對準量測所計算出來的高階晶圓等級(high order wafer level)修正)。
一批的前層和本層用兩台不同的KrF掃描機台來曝照，以比較混合式掃/uploads/SSTT/82/29-11.jpg描機台模型的批次
一批都用一台KrF掃描機台來曝照前層和本層，做為掃描機台匹配比較的控制之用
經由解離分析所解出的殘值顯示在圖十一中。
圖十一：經由根源分類所解析出來實驗批次的線性模式化殘值3個標準差
不同實驗批次中變異最多的成份是高階晶圓等級(high order wafer level)的成份，因此將其本身成份的結果以圖表顯示出來是有用的，如圖十二所示。
圖十二：線性模式化殘值3個標準差－高階晶圓等級成份(high order wafer level component)
批次對批次：在殘值上的變異影響很小－最前面的兩個長條圖(POR批次)顯示出非常類似的結果。
熱處理：在殘值上的影響很小－第三個長條圖顯示出和前兩個長條圖(POR批次)有非常類似的結果。
掃描機台匹配：不同掃描機台的組合在殘值上的影響很大。前三個長條圖，標示為POR掃描機台混用，全部都有大的高階晶圓等級(high order wafer level)殘值。混用相同型號(KrF)的兩台掃描機台可以明顯地減少殘值，如第四個長條圖所示。對於掃描機台混搭來說(在前層與本層用單一KrF)，最好的案例情況顯示在第六個長條圖。使用具有POR掃描機台混搭的GCM可以非常明顯地改善高階晶圓等級(high order wafer level)的殘值，如第四個長條圖所示。
7.結論
這項實驗清楚地辨識出高階晶圓等級(high order wafer level)殘值的根本原因在於不同掃描機台模型之間的不匹配，有了根本原因的確認，就可以集中心力專注在結合了高階的修正的特定解決方案上，而能以最低的成本和最快速的週期時間在重合疊對上達到最大的改善。
8.未來的考量
實驗結果所顯示的解決方案是GCM，當改善的程度很大時，在掃描機台運轉的時間上要量測充分的對準取樣所花費的額外時間大大地增加了每一批次的工作時間，造成這方案比較不具吸引力來做為一實際的解決方案。對於未來實驗方法我們的計畫包括了對量產的掃描機台研究其靜態的高階修正，為了辨識高階晶圓等級(high order wafer level)的修正項次來當做模型項次，針對這個目的來看我們相信殘值解析技術是有其價值的，透過修正迴饋這是最有可能來改善重合疊對的特性。 SST-AP/Taiwan
參考文獻
S. Wakamoto, Y. Ishii, K. Yasukawa, A. Sukegawa, S. Maejima, A. Kato, J. C. Robinson, B. J. Eichelberger, P. Izikson, and M. Adel, “Improved overlay control through automated high-order compensation” Proc. SPIE 6518, 65180J (2007).
Dongsub Choi, Andreas Jahnke, Karl Schumacher, and Max Hoepfl, “Overlay Improvement by Non-linear Error Correction and Non-linear Error Control by APC” Proc. SPIE 6152, 61523W (2006).
Y.H. Shih, G. Huang., C.C. Yu, M. Adel, C.C. Huang, P. Izikson, E. Kassel, S. Mathur, C. J. Huang, D. Tien, Y. Avrahamov, “45 nm design rule in-die overlay metrology on immersion lithography process”, Proc. SPIE Vol. 6518, 651831 (2007).
T. Arita, “Feasibility Study of μAIM Technique for 45nm Node and Beyond”, YMS-Japan 2007.
|