检查和/或处理用于光刻的元件的装置和方法

摘要

本发明涉及一种用于用带电粒子束(170、1028)检查和/或处理用于光刻的元件(110、200)的装置(1000)，所述装置(1000)包括：(a)在将所述用于光刻的元件(110、200)暴露于所述带电粒子束(170、1028)时记录测量数据(330、440、450、460、470)的构件；以及(b)用训练的机器学习模型(800)和/或预测滤波器来预先确定所述带电粒子束(160、1028)相对于所述用于光刻的元件(110、200)的漂移(410、420、430、480)的构件，其中，所述训练的机器学习模型(800)和/或所述预测滤波器至少使用所述测量数据(330、440、450、460、470)作为输入数据(830)。

说明书

本申请要求德国专利申请DE 10 2018 209 562.0的优先权，其全部内容通过引用并入本文作为本公开的一部分。

1.技术领域

本发明涉及用于用带电粒子束检查和/或处理用于光刻的元件的装置和方法。特别地，本发明涉及在修复用于光刻的元件的缺陷期间预先确定相对于用于光刻的元件的带电粒子束的漂移的装置和方法。

2.背景技术

由于在半导体产业中的集成密度越来越高，光刻掩模不得不在晶片上成像越来越小的结构。生产成像到晶片上的小结构尺寸需要具有甚至更小的结构或图案元件的用于纳米压印光刻的光刻掩模或模板。因此，用于纳米压印光刻的光刻掩模和模板的生产过程变得越来越复杂，并且因此变得更加耗时且最终还更加昂贵。由于光刻掩模或模板的图案元件的微小结构尺寸，因此不可能排除在掩模或模板生产期间的误差。这些必须修复——只要可能。

光刻掩模、光掩模、曝光掩模或简单掩模的误差或缺陷通常由一个或多个过程来修复，或者例如在修复地点处提供前驱气体并且用电子束扫描缺陷。用于纳米压印光刻的光掩模和模板通常是电绝缘样品。因此，用电子扫描掩模会引起使电子束偏转的掩模的静电充电。此外，由于对掩模的缺陷区域进行反复局部扫描，后者可能会局部加热，从而带来光掩模的长度发生变化，并且因此带来掩模相对于扫描电子束的相对位移。

两种影响都以扫描区域或电子束的写入场的畸变和位移的形式体现，这导致由电子束捕获的图像的位移或写入的结构的位移。此外，这两种影响典型地导致扫描电子束的像场的畸变，例如以尺度改变的形式。

通常通过在电子束的图像或扫描区域中相对于参考标记来定义修复、通过图像处理方法在修复持续时间内跟踪参考标记的位置、且借助于偏移来移位电子束以供修复，来解决掩模与电子束之间相对位移的效应。作为示例，下面引用的文档关注了应用和检测参考标记的位置及其随时间的推移的位移：DE 25 59 209 A1、US 2002/0 122 992 A1、US2009/0 014 663 A1、US 2013/0 177 855 A1和US 2009/0 218 488 A1。

在新方法中，目前正在尝试借助机器学习(ML)模型来应对光掩模的质量评估中的许多挑战。作为示例，应为该过程引用以下文档：WO 2017/087 653 A1、WO 2017/117 568A1、WO 2017/120 253 A1、WO 2017/123 555 A1、WO 2017/123 561 A1、WO 2017/117 573A1、WO 2017/123 555 A1和WO 2017/205 537 A1。

虽然标记或参考标记在修复工艺的过程中会退化，但是它们所经受的条件与要修复的缺陷的条件相似。因此，尽可能不频繁地扫描标记。然而，该过程与尽可能准确地检测掩模与粒子束之间的位移以便尽可能快速和精确地补偿它的目的是矛盾的。

因此，本发明解决了指定以下装置和方法的问题，该装置和方法改进带电粒子束的漂移补偿且至少部分地避免如上所描述的缺点。

3.发明内容

根据本发明的一方面，该问题通过独立权利要求1中的装置和独立权利要求18中的方法解决。在第一实施例中，用于用带电粒子束检查和/或处理用于光刻的元件的装置包括：(a)在将用于光刻的元件暴露于带电粒子束时获取测量数据的构件；以及(b)用训练的机器学习模型和/或预测滤波器来预先确定带电粒子束相对于用于光刻的元件的漂移的构件，其中，训练的机器学习模型和/或预测滤波器至少使用测量数据作为输入数据。

或是用于光刻的元件的静电充电或是用于光刻的元件的热漂移和/或根据本发明的装置的热漂移都不是稳态过程。根据本发明的装置包括训练的机器学习模型(ML模型)和/或预测滤波器。基于测量数据，ML模型和/或预测滤波器可以预测带电粒子束与用于光刻的元件之间的漂移。这使得通过根据本发明的装置能够连续补偿漂移。因此，首先，可以相对于现有技术改进漂移校正或漂移补偿的程度，并且其次，可以显著地延长必须检验漂移补偿的间隔。此外，可以附随地估计漂移补偿的不确定性。因此，取决于应用条件，装置可以被设定为频繁实行非常可靠的漂移测量，或者较不频繁地实行较不可靠的漂移测量。

用于光刻的元件可以包括至少一个标记。

存在于用于光刻的元件上的标记或参考标记能够可靠且再现地确定带电粒子束相对于用于光刻的元件的漂移。

用于获取测量数据的构件可以包括：用于使带电粒子束在至少一个标记之上进行扫描的构件，以及用于检测二次带电粒子和/或从至少一个标记背向散射的带电粒子的检测器。

根据本发明的装置可以被配置为在开始检查和/或处理用于光刻的元件之前，通过扫描至少一个标记来确定至少一个标记的参考位置。

一个或多个标记的参考位置形成一位置，在检查过程或处理过程的过程中，(一个或多个)标记的(一个或多个)位置的改变参考该位置。标记的位置的改变可以以相对项来指定，即相对于参考位置，或者以绝对项来指定，即相对于用于光刻的元件的坐标系。

该装置可以被配置为用于确定至少一个标记相对于参考位置的位置改变。

在一时间间隔之后，用于获取测量数据的构件可以再次扫描一个或多个标记，以便确定标记的位移。一个或多个标记的新的或更新的位置形成用于ML模型和/或预测滤波器的更新的输入数据。基于更新的输入数据，ML模型和/或预测滤波器确定下一个时间间隔的带电粒子束相对于用于光刻的元件的漂移。

该装置可以被配置为确定关于至少一个标记的检测的确定性的度量。关于至少一个标记的检测的确定性的度量可以包括至少一个标记的坐标与用于光刻的元件的至少一个缺陷的互相关系数或至少两个标记的坐标之间的互相关系数。确定性的度量指示用于确定一个或多个标记的位置的测量值的可靠性。在确定下一次获取至少一个标记的测量数据的时间间隔时可以考虑该变量。

训练的机器学习模型可以配置为确定置信度的度量。

训练的机器学习模型和/或预测滤波器可以被配置为使用置信度的度量作为输入数据。

置信度的度量指示在下一个时间间隔预测一个或多个标记的位置的可靠性。借助于将该变量提供为机器学习模型和/或预测滤波器的输入数据，机器学习模型和/或预测滤波器可以预测应获取至少一个标记的新测量数据的时间范围。

该装置可以被配置为根据至少两个标记的位置位移来确定带电粒子束的扫描区域的畸变。

为了确定扫描区域的畸变，有利的是在带电粒子束的扫描区域内使用四个标记，并且将四个标记布置为使得四个标记大部分围绕带电粒子束的扫描区域。

训练的模型可以使用检查和/或处理的至少一个附加参数作为附加输入数据。

借助于以下事实，除了(一个或多个)标记的测量数据以外，一个或多个附加参数还用作机器学习模型和/或预测滤波器的输入数据，因此可以提高预先确定带电粒子束的漂移的精度。

至少一个附加参数可包括：在检查和/或处理区域中的温度，在检查和/或处理区域中的压力，在检查和/或处理区域中的空气湿度，用于光刻的元件的类型，用于光刻的元件的缺陷的类型，缺陷的大小，缺陷在用于光刻的元件上的位置，缺陷相对于至少一个标记的位置，用于缺陷校正的至少一个前驱气体，至少一个前驱气体的气体质量流动速率，至少一个前驱气体的作用时间，缺陷校正的持续时间，用于光刻的元件在装置中的驻留持续时间，带电粒子束的一个或多个扫描操作模式，在用于光刻的元件的检查和/或处理期间带电粒子束的驻留持续时间，在用于光刻的元件的处理期间至少一个前驱气体的若干切换过程，以及在用于光刻的元件的处理期间至少一个前驱气体的切换过程的时间点。

训练的机器学习模型和/或预测滤波器可以随时间的推移连续地预先确定至少一个标记的参考位置的位移。

根据本发明的装置的主要优点在于，ML模型和/或预测滤波器可以在任何时间点预先确定带电粒子束相对于用于光刻的元件的漂移。这使得根据本发明的装置能够连续地或以非常小的时间间隔来校正相对漂移，而不是以等同小的时间间隔来测量一个或多个标记的位置。这使得可以防止在检查过程和/或处理过程期间(一个或多个)标记过度退化。因此，可以很大程度上避免漂移对检查过程和/或处理过程的影响。

训练的机器学习模型可以输出来自以下组中的至少一个元件：直到重新获取测量数据之前的时间间隔的长度，漂移校正的置信度的度量，以及至少一个标记的下一次扫描的扫描区域。

除了连续预测至少一个标记的位置改变以外，ML模型还可以输出置信度的度量或预测准确度或预测敏锐度的度量。此外，ML模型可以指定时间间隔的长度，相对于该时间间隔的长度，旨在基于对一个或多个标记的重新测量来检验由模型预测的标记的位置改变与(一个或多个)标记的测量位置改变之差。这意味着ML模型以由情况管理的方式提出了由测量对预测的下一次检验的时间点。作为示例，可以基于预测准确度的度量来确定时间间隔。此外，ML模型可以输出一个或多个标记的下一次扫描的扫描区域，使得可以优化一个或多个标记的扫描。

训练的机器学习模型可以包括循环神经网络(RNN)。循环神经网络可以包括长短期记忆(LSTM)网络。

机器学习模型的训练数据可以包括至少一个标记的位置数据。此外，机器学习模型的训练数据可以包括至少一个标记的位置数据以及检查和/或处理的至少一个附加参数。此外，机器学习模型的训练数据可以包括至少一个标记的位置数据、检查和/或处理的至少一个附加参数以及关于检测至少一个标记的确定性的度量。机器学习模型的训练数据可以包括关于至少一个标记的(一个或多个)位置的预测的可靠性的置信度的度量。

机器学习模型的训练数据可以包括由两个或更多个装置获取的数据，即位置数据、至少一个附加参数、置信度的度量和/或确定性的度量。可以在装置的不同时间范围和/或不同设置环境中获取训练数据。此外，可以在装置的不同状态下获取训练数据。此外，可以在检查和/或处理用于光刻的元件期间获取训练数据。

预测滤波器可以包括来自以下组的元件：卡尔曼滤波器、粒子滤波器和具有有限脉冲响应的低通滤波器。卡尔曼滤波器可以包括考虑非线性运动的扩展的卡尔曼滤波器(EKF)。

滤波器可以被配置为将直到至少一个标记的下一次扫描的持续时间与由预测滤波器预先确定的不确定性耦合。

如果关于(一个或多个)标记的检测的确定性的度量超过预先确定的阈值，则预测滤波器可以被配置为丢弃至少两个标记的测量。

根据本发明的装置可以包括训练的机器学习模型和预测滤波器。

训练的ML模型可以与预测滤波器(例如粒子滤波器)一起使用，以便跟踪关于一个或多个标记的位置的改变具有对应的不确定性/确定性的多个假设，直到对至少一个标记的位置的下一次测量。为此，将采样多个假设，且每一个假设根据训练的ML模型前进。

预测滤波器和/或训练的机器学习模型可以被配置为预先确定至少两个标记的每个参考位置的位移和/或至少两个标记的形心的位移。

经训练的机器学习模型和/或预测滤波器可以被配置为预先确定带电粒子束的扫描区域的畸变参数。

根据本发明的装置可以被配置为基于训练的机器学习模型和/或预测滤波器的输出数据开始对至少一个标记的立即或延迟扫描。

如果训练的ML模型和/或预测滤波器的置信度的度量指示了至少一个标记的位置改变的预先确定的预测的不确定性，则可以开始标记的位置的测量以便消除或至少显著地降低预先确定的不确定性。

用于获取测量数据的构件可以包括：用于确定带电粒子束在用于光刻的元件上的作用时间的构件。

测量数据可以包括来自以下组的至少一个要素：带电粒子束的能量和带电粒子束的电流强度。

带电粒子的作用的持续时间与其束强度和带电粒子束的动能一起确定光刻掩模的静电充电。此外，这些参数对根据本发明的光掩模的局部温度改变和/或装置的局部温度变化具有影响。

用于获取测量数据的构件可以包括：用于确定带电粒子从用于光刻的元件中流出的构件。用于确定带电粒子从用于光刻的元件中流出的构件可以包括电流测量仪器或安培仪。

如上所解释的，用于光刻的元件的静电充电不是静态的。由于元件的暴露，其他电荷被输入到元件中，并且同时电荷从元件中流走。如果用于光刻的元件包括光刻掩模，则通过掩模的单独层的电导率或经由掩模的表面例如在表面上吸收的气体的支持下可以发生电荷流出。

该装置还可被配置为并行地实现训练的机器学习模型和预测滤波器。

根据本发明的装置还可以包括用于将至少一个标记沉积在用于光刻的元件上的构件。用于沉积至少一个标记的构件可以包括带电粒子束和形式为沉积气体的至少一个前驱气体。

此外，根据本发明的装置可以包括用于从用于光刻的元件移除至少一个标记的构件。用于移除至少一个标记的构件可以包括带电粒子束和形式为蚀刻气体的至少一个前驱气体。此外，用于移除至少一个标记的构件可以包括用于光刻的元件的清洁过程，特别是湿法化学清洁过程。

根据本发明的装置还可以包括用于借助于带电粒子束和至少一个前驱气体来校正用于光刻的元件的至少一个缺陷的构件。该缺陷可以包括用于光刻的元件的材料的缺失和/或过量的缺陷。可以通过使用带电粒子束和形式为沉积气体的前驱气体来处理缺失材料的缺陷。可以通过使用带电粒子束和形式为蚀刻气体的前驱气体来处理过量的材料的缺陷。

用于在用于光刻的元件上沉积标记的前驱气体可以包括选自以下组的至少一个元素：一氧化碳(CO)、二氧化碳(CO

蚀刻气体可以包括来自以下组的至少一个要素：二氟化氙(XeF

带电粒子束可以包括来自以下组的至少一个要素：电子束和离子束。

用于光刻的元件可以包括来自以下组的至少一个元件：光刻掩模，用于纳米压印光刻的模板以及晶片。

在第二实施例中，一种用于用带电粒子束检查和/或处理用于光刻的元件的方法包括以下步骤：(a)在将用于光刻的元件暴露于带电粒子束时获取测量数据；以及(b)用训练的机器学习模型和/或预测滤波器来预先确定带电粒子束相对于用于光刻的元件的至少一个漂移，其中，训练的机器学习模型和/或预测滤波器至少使用测量数据作为输入数据。

该方法可以被设计为由第一实施例的装置实行。

计算机程序可以包括指令，这些指令在由计算机系统执行时使根据第一实施例的装置实行第二实施例的方法的方法步骤。

4.附图说明

参考附图，以下详细的说明书描述了本发明的目前优选的示例性实施例，附图中：

图1图示了当用电子束检查和/或处理用于光刻的元件时的问题的一方面，该元件具有带电的表面。

图2a示意性地图示了光刻掩模的缺陷的第一示例性修复情况的俯视图；

图2b示意性地表示来自图2a的缺陷的修复情况的第二示例的俯视图；

图3示意性地呈现了根据现有技术的电子束相对于标记的——由静电充电引起的——漂移的补偿；

图4图示了在缺陷修复过程的过程中来自图2b的标记的测量的位移；

图5在图的上部部分表示来自图2b的缺陷的未畸变的修复形状，并且在图的下部部分呈现了由于用于补偿来自图2b的缺陷的电子束的漂移而畸变的修复形状；

图6表示了在修复来自图2a和2b的缺陷期间标记相对于x轴和y轴的位移；

图7示意性地图示了机器学习模型的训练过程；

图8示意性地图示了训练的机器学习模型的实现方式，该模型用于在来自图2a和2b的缺陷的校正过程期间预先确定电子束的漂移；

图9示意性地示出了借助于根据本发明的装置对电子束相对于标记的——由静电充电引起的——漂移的补偿；

图10示意性呈现了实行根据本发明的方法的装置的一些部件；

图11表示在来自图2a和2b的缺陷的修复过程中嵌入的根据本发明的方法的流程图；以及

图12图示了根据本发明的方法的流程图，该方法用于用带电粒子束检查和/或处理用于光刻的元件。

5.具体实施方式

下面基于检查光刻掩模和处理光刻掩模的缺陷，更加详细地解释根据本发明的装置和根据本发明的方法的目前优选的实施例。根据本发明的装置和根据本发明的方法可以用于检查和/或处理透射式和反射式光掩模的所有类型。此外，根据本发明的装置和根据本发明的方法还可以用于检查和/或处理用于纳米压印光刻和/或晶片的模板。然而，根据本发明的装置和根据本发明的方法不限于检查和/或处理用于光刻的元件。而是，它通常可以用于用带电粒子束来分析和/或处理不导电或导电性差的样品。

图1中的示意图100示出了穿过带电样品110和扫描电子显微镜160的输出165的示意性截面。样品110可以例如是光掩模的电绝缘基板。样品110可以是要处理的晶片，或者可以由晶片或晶片上的光致抗蚀剂来实现。样品110在其表面120上具有表面电荷的分布，该表面电荷的分布使得样品110的电势分布或静电充电。在图的左侧部分105上，样品表面120具有正充电140。在图的右侧部分195中，样品表面120示出了过量的负电荷150。在下文中，附图标记140和150用于表示样品表面120上的表面电荷的分布以及由带电表面引起的电势分布。

样品表面120的电荷140、150可以由带电粒子束170引起，例如扫描电子显微镜(SEM)160的电子束170。样品表面120的静电充电140、150可以在检查过程的情况下由样品110的扫描引起，或者可以由于处理过程而出现。作为示例，在用离子束对样品110进行处理和/或晶片上布置的光致抗蚀剂的处理过程期间，可以引起静电充电。此外，例如可以通过处理样品110来引起样品110的静电充电140、150。

在图1中的示意图100中表示的样品110的部分中，表面电荷140、150的分布具有均匀密度。然而，这并不表示在此讨论的装置和方法的应用的先决条件。而是，在本申请中提出的方法和装置也可以处理其电势在小的侧向距离内变化的静电充电。

在图1的示例中，偏转系统175偏转电子束170并且使电子束170在样品表面120之上进行扫描，以便确定样品110的结构元件130的尺寸。作为示例，结构元件130可以是光刻掩模的吸收体结构的图案元件。相似地，结构元件130可以是光掩模已经投射到光致抗蚀剂中的元件。在另一示例中，结构元件130是晶片的芯片的元件。

如示意图100的图的左侧部分105所图示，由于样品表面120的正电荷140的吸引作用，扫描结构元件130的电子束170在光轴172方向上在样品表面120的附近偏转且遵循轨迹174。在不存在电位分布140的情况下，电子束170将遵循路径176。在由电子束170生成的SEM图像中，扫描尺寸178呈现为大于结构元件130的实际尺寸180。

以此类推，图1中的图的右侧部分195图示了带负电荷150的样品表面120对电子束170的电子170的路径运动184的排斥作用。因为电子束170的附加偏转，所述附加偏转在样品表面120附近由于静电充电150而被指引远离束轴线172，因此从扫描数据生成的SEM图像中结构元件130的实际尺寸180呈现出比结构元件130的实际尺寸180更小的尺寸188。

通过电子束170或更一般地借助于带电粒子束170对结构元件130的扫描可能导致样品110的局部加热且因此导致样品110的范围改变。即使样品110的长度上的这些变化仅在纳米范围内，但是在样品110的处理过程中——如下所描述——仍应考虑这些变化，以便不会危及处理过程的成功。而且，SEM 160和/或样品110或样品安装件(图1中未示出)的热效应可能导致电子束170在样品110上的入射点作为时间的函数而再次在两位数的纳米范围内漂移。

图2a示出了光刻掩模200的俯视图的局部图205。光掩模200包括基板210。吸收条带形式的两个图案元件220和230布置在掩模200的基板210上。在图案元件220处，掩模200的缺陷290形式为过量的材料。为了校正缺陷290，在图2a所示的第一示例中，在扫描电子显微镜160的电子束170的扫描区域内，在缺陷290附近，将标记280施加到图案元件220。标记280用于在缺陷290的修复过程期间确定和补偿电子束170相对于缺陷290的漂移或位移。

在图2a的掩模200上，将标记280施加在图案元件220上。然而，还可以在光掩模200的基板210上施加标记280。然而，对于图案元件220、230包括吸收材料的光掩模220而言，在图案元件220或230上施加标记280是有利的。在吸收图案元件220和/或230上存在的标记280或标记280的残余物以比在基板210上施加的标记更小的程度对光掩模的操作进行干扰。

在标识缺陷290之后，例如借助于电子束诱导沉积(EBID)过程，即在掩模200上提供至少一个前驱气体或工艺气体，在掩模200上沉积标记280。选择一个或多个前驱气体是有利的，使得标记280具有与掩模200的图案元件220、230不同的材料成分。在SEM 160的图像中，除了拓扑术对比以外，标记280还借助于材料对比而突出。

图2b的示意图255再次示出了来自具有缺陷290的图2a的光刻掩模200的局部图205。为了校正缺陷290，在图2b中图示的第二示例中，在扫描电子显微镜160的电子束170的扫描区域内，将四个标记240、250、260和270以绕缺陷290的矩形形式施加在图案元件220和230上。标记240、250、260和270继而用于在缺陷290的修复过程期间确定和补偿电子束170相对于缺陷290的漂移或位移。

在掩模200上，在图2a的示例中施加一个标记280且在图2b的示例中绕缺陷290布置四个标记240、250、260和270。为了实行根据本发明的方法，不必在掩模200上施加一个标记280或四个标记240、250、260和270。而是，可以使用任何期望数目的标记来实行根据本发明的方法。

在替代的实施例中，还可以通过借助于电子束诱导蚀刻(EBIE)过程(即通过提供一个或多个蚀刻气体和电子束170)将一个或多个凹陷蚀刻到图案元件220、230和/或基板210中，来将一个或多个标记240、250、260、270、280施加在掩模200的图案元件220、230上。

通常，通过实行局部电子束诱导的蚀刻过程来从光掩模200的基板210移除过量的材料的缺陷290。为了修复缺陷290，为缺陷290确定修复形状，所述修复形状描述了在蚀刻过程期间聚焦的电子束170跨越缺陷290的扫描。缺陷290的修复形状考虑了由计量工具标识的缺陷290的拓扑。

根据本发明的装置以及相应地根据本发明的方法不限于校正过量的材料的缺陷290。而是，它们也可以用于校正一个或多个图案元件220、230的缺失材料的缺陷和/或光掩模200的基板210的缺失材料的缺陷(未在图2a和2b中示出)。

图3示意性地呈现了根据现有技术的在缺陷290的修复过程期间电子束170相对于标记240、250、260、270、280的漂移或位移的补偿。样品110(例如，光刻掩模200)的局部静电充电很难在数学上定义。这也适用于电子束170和标记240、250、260、270、280之间的热漂移。因此，相对于(一个或多个)标记240、250、260、270、280以周期性时间间隔来检测和校正样品110的静电充电和/或其相对于电子束170的入射点的位移的效应。图3中的实曲线310示意性地示出了在缺陷290的修复过程期间，作为时间的函数的标记240、250、260、270、280的改变、位移、变化或漂移。

在修复过程的开始时，确定标记240、250、260、270、280的参考位置330。可以相对于掩模200的参考标记或者相对于样品110或掩模200的坐标系以绝对项来指定参考位置330。第二步骤涉及相对于标记240、250、260、270、280定义修复形状的位置。然后开始修复缺陷290。为此，图2a和2b中的缺陷290的地点处，提供一个或多个蚀刻气体且在缺陷290之上扫描电子束170，如由修复形状所预先定义的那样。

修复过程以规律或不规律的时间间隔340中断，但不中断提供(一个或多个)前驱气体，以便用电子束170扫描标记240、250、260、270、280。(一个或多个)标记240、250、260、270相对于参考标记330或相对于(一个或多个)标记240、250、260、270、280的在先测量的位移350、漂移350或改变350是根据(一个或多个)标记240、250、260、270、280的SEM图像确定的。之后，基于标记的(一个或多个)改变，相对于(一个或多个)标记240、250、260、270、280以相对项或绝对项来校正修复形状的位置，并且继续进行缺陷290的修复过程。

图4呈现了在缺陷290的修复过程的过程中四个标记240、250、260、270的位移。位移或漂移可以表示图3中的测量350中的一个。通过由于静电充电和/或由于热漂移而从参考位置330到新位置440的位移410来位移标记240。标记250(由箭头420表示)从参考位置330漂移到其新位置450。如箭头430所图示，标记260将其原始位置330更改为新位置460。最后，标记270经历位移480或漂移480，并在新位置470处被找到。位移410、420、430和480或漂移410、420、430、480是样品110或光掩模200的表面120上的二维矢量。

在图4所图示的示例中，位移410、420、430、480对于所有标记240、250、260、270都不相同。因此，在参考位置330时的标记240、250、260、270的原始矩形变成具有顶点440、450、460和470的四边形。这意味着，为了尽可能好地补偿电子束170的漂移410、420、430、480，用于校正缺陷290的原始修复形状应适应于标记240、250、260、270的不同漂移410、420、430、480。

图5在图的上部部分中示出了在确定参考标记330的时间点处(即在缺陷290的修复过程开始时)的示例性修复形状500。图5中的图的下部部分呈现了畸变的修复形状550，其是基于从矩形到四边形畸变的标记240、250、260、270确定的，如图4所图示。与原始修复形状500相比，畸变的修复形状550更适合于缺陷290的进一步修复。

然而，在图4中标记240、250、260、270相对于参考位置330实质上仅经历一次位移也是可能的，使得在缺陷290的整个修复过程期间可以使用最初确定的修复形状500。

图6表示在缺陷290的修复过程期间标记240、250、260、270、280的位移或漂移的一个示例。图6中的示意图600的x轴上绘制了以任意单位表示的时间。在修复过程期间的标记240、250、260、270、280的测量数目也可以在示意图600的横坐标上表示。实行两个扫描过程之间的时间间隔可以在1秒到50秒的范围中。图6中所图示的示例指示近似1000秒的时间范围。相对于标记240、250、260、270、280的参考位置330的标记240、250、260、270、280以任意单位表示的总位移或漂移表示在示意图600的y轴上。作为示例，可以将漂移指定为在一个方向上电子束170的扫描像素的数目。取决于电子束的聚焦，像素的尺寸可以在0.1nm至10nm的范围中。示意图600的纵坐标涵盖近似120nm的位置改变。

标记240、250、260、270、280在x方向上的漂移610由示意图600中的曲线610表示，并且标记240、250、260、270、280在y方向上的位移620由曲线620表示。标记240、250、260、270、280的大的位置改变610、620或位置位移610、620是通过在两种工艺气体或前驱气体之间的切换而带来的。这由图6中的箭头640图示。由于在不同的修复形状500、550之间的切换以用于修复缺陷290，因此出现位置改变610、620的较小游逸。

为了补偿检查过程和/或处理过程(例如缺陷290的校正)期间标记240、250、260、270、280的漂移410、420、430、480、610、620，本申请中描述的装置和方法使用机器学习模型或预测滤波器。机器学习模型可以包括人工神经网络(ANN)。ANN可以以循环网络(RNN)的形式来实施，该循环网络特别适合于时序数据的处理。RNN具有内部状态、编码先前时序历史的一类记忆。除输入与时间有关的输入信号以外，RNN还可以附加地存取在先时间点的内部状态的状态，以便产生与当前或目前时间点相关联的输出并更新其自身的状态或内部状态。作为这种反馈的结果，RNN可以学习信号的动态行为。

实现RNN的一个可能性是使用LSTM(长短期记忆)，该LSTM可以用于当存在新的输入信号时改变内部状态。LSTM单元包括单元、输入门、输出门和遗忘门。LSTM门通常使用逻辑函数来计算激活。输入门控制新值进入单元的程度。输出门确定单元中的值用于计算LSTM单元的输出激活的程度，而遗忘门确定值保留在单元中的程度。因此，该模型即使在很长一段时间内也可以学会记住相关信息，以便能够对很长一段时间内扩展的依赖度进行建模。

至少将标记240、250、260、270和280的位移410、420、430、480，610、620的最后测量350提供为训练的机器学习模型的输入数据。优选地，使得从确定参考位置330开始的所有测量的历史都可用作训练的机器学习模型的输入数据。

此外，关于标记240、250、260、270、280的位置440、450、460、470的检测的确定性的度量可以被提供到训练的机器学习模型。确定性的度量可以包括确定标记240、250、260、270、280的位置440、450、460、470的协方差。协方差可以表示为例如标记240、250、260、270、280与缺陷290之间和/或两个标记240、250、260、270之间的互相关系数的形式。

此外，使得置信度的度量可用作训练的机器学习模型和/或预测滤波器的输入数据。训练的机器学习模型和/或预测滤波器可以使用置信度的度量来预测在应获取(一个或多个)标记240、250、260、270、280的新测量数据时的时间范围。

此外，对于机器学习模型的预测准确度，有利的是使得模型可用于作为输入数据的一个或多个参数，该一个或多个参数表征带电粒子束170的分析地点和/或处理地点的环境。表征分析地点和/或处理地点的环境的参数可以包括：温度、压力、空气湿度、带电粒子束(例如电子束170)的动能、带电粒子束的电流强度、扫描粒子显微镜(例如SEM 160)的曝光设定，用于光刻的元件的类型(例如，光刻掩模的类型)，用于光刻的元件的缺陷的类型(例如，掩模200的缺陷290)、缺陷的大小、缺陷在用于光刻的元件上的位置(例如，缺陷290相对于图案元件220和230的位置)、用于缺陷校正的至少一个前驱气体、至少一个前驱气体的气体质量流动速率、至少一个前驱气体的作用时间以及缺陷校正的持续时间。其他可能的参数是：掩模200在修复装置中的驻留持续时间，检查和/或处理装置的电子束170的一个或多个扫描操作模式，在检查和/或处理光掩模200的缺陷290期间电子束170的驻留持续时间，在修复缺陷290期间的一个或多个前驱气体的若干切换过程以及在修复缺陷290期间的(一个或多个)前驱气体的切换过程的时间点。

在通用机器学习模型可以用于预测标记240、250、260、270、280的位移410、420、430、480、610、620dx(t)和dy(t)之前，该模型必须基于大量的数据集合或训练数据集合针对该模型的任务进行训练。图7示意性地图示了训练通用机器学习模型的过程。图7中的示意图790呈现了具有输入层710和输出层720的机器学习模型700。通过使模型内部结构适应于要解决的问题(即预测标记240、250、260、270、280相对于参考位置330的漂移410、420、430、480、610、620)，从通用ML模型中产生机器学习模型700。

为了生成训练数据，使用SEM 160实现相同类型的长测量序列。在这种情况下，标记240、250、260、270、280的最后一次测量的位置数据440、450、460、470可用作机器学习模型700的训练数据的前半部分。这由图7中的框730表示。作为训练数据集合的第二部分、修复形状500、550的位移和/或畸变(其是根据标记240、250、260、270、280的漂移410、420、430、480确定的)经由输入层710被提供到机器学习模型700。训练机器学习模型700在其输出层720处输出对修复形状500、550的位移和/或畸变的预测。然后将修复形状500、550的计算的位移740和/或畸变740与预测的位移750和/或畸变750进行比较。其在图7中由双向箭头760图示。机器学习模型700的模型参数变化，以便使计算的位移740和预测的位移750和/或计算的畸变740和由模型700为修复形状500、550所预测的畸变750之间的差最小化。

图8中的图890示意性地示出了训练的机器学习模型800，其可以用于在光刻掩模200的缺陷290的处理过程期间预先确定修复形状500、550的漂移和/或畸变。经由输入层710，训练的机器学习模型800接收至少标记240、250、260、270、280的位置440、450、460、470的最后一次测量的形式的输入数据。此外，如上所描述的附加参数可以被提供作为模型的输入数据。训练的机器学习模型800从输入数据830确定带电粒子束160的漂移或者光刻掩模200的缺陷290的修复形状500、550的位移和/或畸变作为输出数据850。

图9示意性地呈现了在使用根据本发明的装置的情况下、在光掩模200的缺陷290的修复过程期间，对电子束170的漂移410、420、430、480或位移410、420、430、480或者修复形状500、550相对于标记240、250、260、270、280的位移和/或畸变的补偿。示意图900的实线310再现了图3的曲线310。后者描述了光刻掩模200的局部静电充电的效应。

根据本发明的装置包括训练的机器学习模型，例如训练的机器学习模型800。标记的漂移410、420、430、480的预测由图9中的虚线曲线920表示。如在图3的上下文中所解释的，在缺陷290的修复开始之前确定标记240、250、260、270、280的参考位置330。从示意图900可以看出，训练的机器学习模型800在掩模200的缺陷290的修复的相对较长时间范围930之上几乎完美地预测标记240、250、260、270、280的变化410、420、430、480。此外，在标记240、250、260、270、280的第二次测量940的情况下，测量的漂移310和预先确定的漂移920的偏差比图3中的情况小得多。

基于标记240、250、260、270、280的第二次测量940的数据作为输入数据830，训练的机器学习模型800可以再次在修复过程的相对较长的时间范围950预先确定位移或漂移410、420、430、480的轮廓。在标记240、250、260、270、280的第三次测量960的情况下，实际漂移310与预测的漂移410、420、430、480之间的偏差再次较小。在将标记240、250、260、270、280的更新位置440、450、460、470作为输入数据830输入到训练的模型800中之后，该训练的模型800可以在长的时间范围970以高准确度来预先确定标记240、250、260、270、280的漂移410、420、430、480。

除了对下一个处理间隔930、950、970的标记240、250、260、270、280的漂移或位移410、420、430、480dx(t)和dy(t)的预测以外，训练的机器学习模型800还可以被训练为预测间隔930、950、970的长度，直到标记240、250、260、270、280的下一次测量为止。此外，训练的机器学习模型800可以被设计为推荐标记240、250、260、270、280的下一次扫描过程的扫描区域。此外，训练的机器学习模型800可以被设计为对于下一个处理间隔930、950、970输出预测准确度的度量或置信度的度量。

此外，训练的机器学习模型800可以被设计为在其输出层720处提供修复形状500、550的位移和/或畸变。在训练的机器学习模型800的另一示例性实施例中，可以根据由训练的模型800供应的输出数据(即标记240、250、260、270、280的漂移410、420、430、480)，来确定修复形状500、550的畸变和/或位移。

如从图9显而易见的，训练的机器学习模型800的使用使得可以最小化标记240、250、260、270、280的实际位移310与预测的漂移410、420、430、480之间的误差。此外，训练的机器学习模型800的使用最小化标记240、250、260、270、280之上的扫描过程的数目。这具有两个有利的效果。首先，降低了标记240、250、260、270、280的退化，这有利于确定标记的位置的精度。其次，对于扫描标记240、250、260、270、280所节省的时间可以用于修复缺陷290。因此，缺陷修复过程的吞吐量增加。

代替借助训练的机器学习模型800来预测标记240、250、260、270、280的漂移410、420、430、480，预测滤波器也可以用于该目的。如上已经解释的，预测滤波器可以例如以卡尔曼滤波器、粒子滤波器或具有有限脉冲响应的低通滤波器的形式来实施。预测滤波器使用标记240、250、260、270、280的位置440、450、460、480的最后一次确定的数据作为输入数据。此外，标记240、250、260、270、280的较早测量同样可以可用作预测滤波器的输入数据。此外，可以使得关于标记240、250、260、270、280的检测的确定性的度量作为输入数据可用于预测滤波器。

根据输入数据，预测滤波器预测下一个处理间隔的标记240、250、260、270、280的漂移或位移410、420、430、480dx(t)和dy(t)。此外，预测滤波器可以被设计为确定预测的不确定性或置信度的度量，其可以用于调整扫描标记240、250、260、270、280的频率。此外，如果特别严重的漂移410、420、430、380、610、620被检测到和/或应该是由于外部参数的改变(例如由于前驱气体的切换和/或由于修复形状500、550之间切换)而预期的，则可以将预测滤波器重置到初始状态。

此外，关于(一个或多个)标记240、250、260、270、280作为运动模型的运动的可能假设或现有知识可以例如通过线性运动模型的规范来影响预测滤波器。如果没有现有知识可用，则可以——如上所解释——从可用数据中学习运动模型。

图10以截面示意性地示出了装置1000或测量装置1000的若干部件，其在真空腔1002中具有扫描粒子显微镜1020。在图10的示例中，扫描粒子显微镜1020是扫描电子显微镜(SEM)1020，例如图1的SEM 160。电子束作为粒子束的优点在于，样品110(例如掩模200)实质上不会受所述束损坏，或者仅可能轻微程度地损坏。然而，其他带电粒子束也是可能的，例如FIB(聚焦离子束)系统的离子束(图10中未图示)。

SEM 1020包括作为基本部件的粒子枪1022和柱1024，其中布置电子光学单元或束光学单元1026。电子枪1022生成电子束1028，并且电子或束光学单元1026聚焦电子束1028，并将电子束1028指引到在柱1024的输出处的样品110或掩模200。样品110或掩模200的表面120具有结构或图案元件130。掩模200上存在的表面电荷140、150未在图10中图示。

样品110或掩模200布置在样品台1005上。如图10由箭头所表示，样品台1005可以相对于SEM 1020的电子束1028在三个空间方向上移动。

光谱仪-检测器组合1040基于它们的能量对在测量点1035处从电子束1028生成的二次电子和/或由样品110背向散射的电子进行分辨，然后将它们转换为电测量信号。测量信号然后被传递到计算机系统1070的评估单元1076。

为了分离能量，光谱仪-检测器组合1040可以包含滤波器或滤波器系统，以便辨别能量中的电子(图10中未图示)。

像光谱仪-检测器组合1040一样，能量分辨光谱仪可以布置在SEM 1020的柱1024外部。但是，还可以在SEM 1020的柱1024中布置光谱仪和相关联的检测器。在图10所图示的示例中，将光谱仪1045和检测器1050并入SEM 1020的柱1024中。作为光谱仪-检测器组合1040的附加例或替代例，光谱仪1045和检测器1050可以用在装置1000中。

此外，图10中的装置1000可以可选地包括检测器1055，用于检测由入射电子束1028在测量点1035处生成的光子。检测器1055可以例如在光谱上分辨所生成的光子的能谱，从而允许得出关于表面120或靠近样品110的表面的层的成分的结论。

此外，测量装置1000可以包括离子源1060，该离子源1060在样品110或其表面120是电绝缘或半导体化且具有负表面电荷的情况下在测量点1035的区域中提供低能离子。借助于离子源1060，可以局部地并且以控制的方式减少样品表面120的负充电。

如果样品表面120具有不希望的正表面电荷140的分布(例如由样品110的处理引起)，则电子束1028可以用于减少样品表面120的电荷。

计算机系统1070包括扫描单元1072，其使电子束1028在样品110之上进行扫描，即对标记240、250、260、270、280和/或缺陷290进行扫描。扫描单元1072控制SEM 1020的柱1024中的偏转元件，这些偏转元件在图10中未图示。此外，计算机系统1070包括设定单元1074，以便设置和控制SEM1020的各种参数。可以由设定单元1074设定的参数例如可以是：放大率、电子束1028的焦点、消像散器的一个或多个设定、束的位移、电子源的位置和/或一个或多个光阑(图10中未图示)。

此外，计算机系统1070包括存储单元1076，其中存储机器学习模型700、训练的机器学习模型800和/或预测滤波器。计算机系统1070还可以包括处理器，该处理器被设计为实现用于训练目的的通用机器学习模型700以及训练的机器学习模型800以及用于预测目的的预测滤波器。例如，处理器可以包括强大的图形处理器。

图10中的计算机系统1070可以集成到装置400中，或者可以实施为专用设备。计算机系统1070可以使用硬件、软件、固件或组合来实施。

为了处理掩模200的缺陷290，图10中的装置1000优选地包括用于不同过程或前驱气体的多个不同贮存罐。在作为示例给出的装置1000中，图示两个贮存罐。然而，装置1000还可以包括用于处理样品110或掩模200的多于两个的贮存罐。第一贮存罐1052存储前驱体气体或沉积气体，其可以与SEM 1020的电子束1028配合用来沉积材料，以产生掩模200的标记240、250、260、270、280。此外，SEM 1030的电子束1028可以用于沉积样品110和/或掩模200的图案元件130、220和/或230中的一个的缺失的吸收材料。第二贮存罐1062包含可用于蚀刻样品表面120的蚀刻气体、结构元件130(例如图案元件220、230)和/或缺陷290。

每个贮存罐1052、1062分别装备有其自身的阀1054和1064，以控制每单位时间提供的气体粒子的量或样品110的表面120上电子束1028的入射位置1035处的气体流动速率。此外，两个贮存罐1052、1062具有它们自身的气体馈送件1056、1066，馈送件的末端是靠近电子束1028在样品110上的入射点1035的喷嘴1058、1068。在图10中作为示例图示的装置1000中，阀1054、1064合并入在贮存罐的附近。在替代的实施例中，阀1054和1064可以分别布置在对应的喷嘴1058和1068附近(图10中未示出)。每个贮存罐1052、1062可以具有其自身的元件，用于单独的温度设定和控制。温度设定为每个前驱气体促进冷却和加热二者。另外，气体馈送件1056、1066同样可以分别具有它们自身的元件，用于设定和监测在反应位置处提供的每个前驱气体的温度(同样未在图10中图示)。

图10中的装置1000可以包括产生和维持所需真空的泵系统。为了清楚起见，图10中未示出泵系统。此外，装置1000可以包括抽吸提取装置(同样在图10中未图示)。抽吸提取装置与泵或泵系统的组合使得以下成为可能，实质上在原点处可以从装置1000的真空腔1002中抽吸在前驱气体的分解期间所产生的且局部化学反应不需要的碎片或成分。因为不需要的气体成分在它们可能分布且停留在真空腔1002之前在电子束1028在样品110上的入射点处从装置1000的真空腔1002中被局部地抽出，因此防止污染真空腔1002。

图11中的流程图1100示出了将根据本发明的用于预测带电粒子束160、1028的漂移410、420、430、480的漂移的方法嵌入到常规方法中。在步骤1105中，方法开始。第一步骤1110涉及测量标记240、250、260、270、280的位置。在例如用于校正缺陷290的方法开始时，测量至少一个标记240、250、260、270、280的参考位置330。

在判定框1115中，采取的判定则是实行缺陷290的修复过程的装置1000是否具有预测可能性，即包括训练的ML模型800和/或预测滤波器。

如果不是这样的情况，在图3的上下文中解释的校正过程被执行。首先，在步骤1120中，基于参考位置330的测量来调整缺陷290的修复形状500。在步骤1125中确定用于实行缺陷290的部分修复过程的时间间隔340。然后在步骤1130中实行修复。判定框1135涉及不断检验确定的时间间隔340是否已经过去。如果是这样的情况，则该方法前进到判定框1140，该框涉及澄清缺陷290的校正过程是否已经完成。

如果修复已经完成，则该方法在步骤1145中结束。如果修复过程尚未完成，则该方法跳到框1110，在框1110处再次测量标记240、250、260、270、280的位置440、450、460、470。然后该方法前进到判定框1115。

如果判定框1115确立了标记240、250、260、270的漂移410、420、430、480的预测是可能的，则如在图9的讨论的上下文中所解释地实行该方法。步骤1150涉及定义时间间隔，在该时间间隔内可以可靠地预测标记240、250、260、270、280的漂移410、420、430、480。在框1155中，然后基于标记240、250、260、270、280的漂移410、420、430、480的预测来校正修复形状500、550。然后在框1160中实行缺陷290的修复。同时，在判定框1165中，进行检验以确立为框1150中的预测所定义的时间间隔是否仍在进行中或已经过去。

如果在时间间隔中定义的时间已经过去，则该方法前进到判定框1140。上面已经解释了该方法的其他进程。

最终，图12中的流程图1200呈现了用于用带电粒子束160、1028检查和/或处理用于光刻的元件的方法的基本步骤。在步骤1210中，方法开始。第一步骤1220涉及在将用于光刻的元件110、200暴露于带电粒子束160、1028时获取测量数据330、440、450、460、470。然后，框1230涉及用训练的机器学习模型800和/或预测滤波器来预先确定带电粒子束160、1028相对于用于光刻的元件110、200的至少一个漂移410、420、430、480，其中，机器学习模型800和/或预测滤波器至少使用测量数据330、440、450、460、470作为输入数据830。在框1240中，方法结束。