[发明专利]从数据集提取特征

说明书

一种从数据集提取特征的方法包括：基于数据集内所包括的残差图案的可视化(238)从数据集提取特征(244)，其中特征不同于在先前迭代中提取的特征，并且残差图案的可视化使用在先前迭代中提取的特征。使用在先前迭代中提取的特征可视化(234)数据集可以包括：生成属性数据的与目标数据相关的残差图案。使用在先前迭代中提取的特征可视化(234)数据集可以涉及：基于在先前迭代中提取的特征，将集群约束添加到数据集。附加地或备选地，使用在先前迭代中提取的特征可视化(234)数据集可以涉及：定义以在先前迭代中提取的特征为条件的条件概率。

相关申请的交叉引用

本申请要求于2019年3月6日提交的EP申请19160933.8的优先权，其通过引用全部并入本文。

背景技术

发明领域

本发明涉及一种从数据集提取特征的方法，例如可用于由光刻技术制造器件过程中。本发明还涉及关联的计算机程序和计算机程序产品以及一种包括光刻设备和光刻单元的设备。

光刻设备是将期望图案施加到衬底上(通常施加到衬底的目标部分上)的机器。光刻设备可以被用于例如集成电路(IC)的制造中。在该实例中，图案化装置(备选地被称为掩模或掩模版)可以被用于生成要被形成在IC的单个层上的电路图案。该图案可以被转印到衬底(例如硅晶片)上的目标部分(例如包括部分管芯、一个或多个管芯)上。图案的转印通常经由成像到在衬底上提供的辐射敏感材料(抗蚀剂)层上。通常，单个衬底将包含被连续图案化的相邻目标部分的网络。这些目标部分一般被称为“场”。

当前在光刻处理期间，许多上下文数据被生成。该上下文数据是与测量值和机器/过程设置和传感器读数相关联的变量值的大的集合。光刻过程的质量以由性能参数的值集组成的所谓性能数据表达。性能参数可能与CD(关键尺寸)控制、重叠控制(装置中的两层对准的准确性)或底层参数(例如聚焦和剂量)相关。性能数据是非常关注的，因为该数据允许光刻过程的控制。例如，重叠性能的知识将被用于采取校正动作(例如通过改变机器设置)。同时，性能数据的知识有助于触发超出范围的情况(例如用于过程控制和找到超出范围情况的原因)。

光刻设备(诸如扫描仪)和处理工具的上下文参数以非线性方式影响产品衬底上的图案化性能。由于光刻步骤的复杂性，准确建模以预测这些参数对扫描仪性能的影响需要对底层物理过程有很好的理解。上下文参数可以包括硬件设置和传感器测量值。上下文参数易于访问，并且可用于大量曝光。因此，对高维数据集的访问被提供，导致了挑战预测问题(诸如层到层重叠预测或通过图像对缺陷进行分类)。领域专家花费大量时间来处理该数据。例如，这种处理包括选择用于诊断的相关特征、手动特征工程、找到稳定信号等。

在本公开中，我们将上下文数据集中的原始输入参数和信号称为属性(例如所应用的自动过程控制环路校正或晶片台空气温度)。这些可以是直接从扫描仪中的传感器获得的参数。属性可以被选择作为特征。被构造和/或设计、变换属性的参数和信号也被称为特征(例如机器指纹)。机器学习领域的技术人员可以使用术语属性和特征来指代对应的实体。因此，特征可以通过特征选择过程从属性中选择。而且，特征可以通过特征提取过程从属性的变换或组合来构造。

在定义预测模型(在本文中也称为学习机)之前，有多种方式来处理高维数据集。这种方法包括：

1.一种途径包括作为建模过程的一部分的数据处理。在一些学习机中，特征提取和特征选择是建模过程的一部分。例如，针对人工神经网络(ANN)，特征提取/构造是ANN的建模过程中的步骤。ANN中的“隐藏层”学习输入数据(例如人脸图像的像素)的各种表示(即，特征)，这些表示与输出值(例如情感)的预测相关。

2.一种途径包括建模之前的数据处理。针对大多数学习机(例如决策树、线性回归等)，特征选择和特征提取是预处理步骤。这种预处理可以使用以下技术中的一种或多种来完成：