产生用于控制或监控生产过程的所预测的数据的制作方法

本申请要求于2017年1月23日递交的欧洲申请17152659.3的优先权，通过引用将其全文并入本发明中。

本发明涉及一种产生用于控制或监控生产过程的所预测的数据以改进例如可用在通过光刻技术进行的器件制造中感兴趣的参数的方法。本发明还涉及相关联的计算机程序和计算机程序产品，以及包括光刻设备和光刻单元的设备。

背景技术：

光刻设备是一种将所期望的图案施加到衬底上(通常施加到衬底的目标部分上)的机器。例如，可以将光刻设备用在集成电路(ic)的制造中。在这种情况下，可以将可选地称为掩模或掩模版的图案形成装置用于生成待形成于所述ic的单个层上的电路图案。可以将所述图案转印到衬底(例如，硅晶片)上的目标部分(例如，包括一部分管芯、一个或几个管芯)上。所述图案的转印通常通过将图案成像到设置于衬底上的辐射敏感材料(抗蚀剂)层来进行。通常，单个衬底将包括被连续地形成图案的相邻目标部分的网络。这些目标部分通常被称为“场”。

当前在光刻处理期间，产生许多情境数据。该情境数据为与测量和机器/过程设置相关联的一大组变量的值。以由一组性能参数的值组成的所谓的性能数据来表达光刻过程的品质。性能参数可以与临界尺寸(cd)控制、重叠控制(器件中的两个层的对准准确度)或基础参数(例如聚焦和剂量)相关。性能数据是非常受人关注的，这是因为该数据允许控制光刻过程。例如，重叠性能的知识将被用于采取校正性动作(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形(例如有助于过程控制且寻找超出范围情形的原因)。

常常，归因于获得性能数据所花费的相对大的努力而可得到有限的性能数据。这可能会干涉性能数据应当允许准确且具有鲁棒性的机器操作的要求。

常用的策略为利用模型以对性能数据进行插值以便获得与性能参数值的空间或时间分布相关联的较密集的采样方案。

常常被部署的另一策略为利用情境数据与性能数据之间的统计关系。由于情境数据的量常常非常大，因此这可以允许产生相当大的一组“虚拟”性能数据；性能数据从关于情境和性能数据的模型导出。

然而，问题在于：模型应当足够准确且相关以便使所产生的虚拟性能数据对于用于控制机器设置是最有用的。

部分标记的数据集在性能预测性模型化上提出挑战。当结合情境数据来分析产品上的性能测量结果时，产品上的性能测量结果的有限可用性施加使用尽可能少的测量结果的要求。然而，所导出的模型应当为准确的且计算上高效的。

性能测量结果对于分析并非具有同等的信息性。一般而言，相似曝光的测量结果可能并未具有那样的信息性，将更有效的是对于其它较有用的测量结果，花费任何剩余的测量时间。

技术实现要素：

本发明人已经设计出一种用于使用情境数据、所预测的数据和/或所测量的性能数据的不确定性和相关性信息使情境对性能的模型是动态的和自学习的方式。例如，该方式可以用于控制生产过程以改进感兴趣的参数，同时避免或至少减轻上文所提及的相关问题中一个或更多个。

在第一方面中，本发明提供了一种产生用于控制或监控生产过程以改进感兴趣的参数的所预测的数据的方法，所述方法包括以下步骤：

获得与所述生产过程的操作相关联的情境数据；

获得与所述生产过程的产品的性能相关联的性能数据；

提供情境对性能的模型以基于用性能数据对所述情境数据进行标记来产生所预测的性能数据；和

使用与所述情境数据的品质相关的预测信息来修改所述情境对性能的模型。

所述预测信息包括相关性信息，所述相关性信息与所述所获得的情境数据和/或所述所获得的性能数据与所述感兴趣的参数的相关性相关。可以使用效用模型以产生用于用性能数据对所述情境数据进行所述标记的标记，且所述相关性信息包括所述效用模型的不确定性。

所述预测信息可以包括模型不确定性信息，所述模型不确定性信息与所产生的所预测的性能数据的不确定性相关。使用机器学习算法以执行所述标记，且所述模型不确定性信息包括所述机器学习算法的不确定性。

在第二方面中，本发明提供了一种包括计算机可读指令的计算机程序，所述计算机可读指令当在合适的计算机设备上运行时使得所述计算机设备执行所述第一方面所述的方法。

在第三方面中，本发明提供了一种计算机程序产品，包括第二方面所述的计算机程序。

在第四方面中，本发明提供了一种设备，其被特定调适以执行第一方面所述的方法的所述步骤。所述设备可以被特定配置成用作可操作以执行光刻生产过程的光刻设备。所述设备可以被特定配置用作可操作以执行光刻生产过程的光刻单元。

附图说明

现将参照随附的附图，以举例的方式，描述本发明的实施例，其中：

图1描绘了其中可以使用根据本发明的方法的光刻单元或光刻簇。

图2示意性地示出了被部分标记的情境数据集和性能数据集的金字塔。

图3示意性地示出了根据本发明的实施例的交互式半监督学习。

图4为根据在先技术的虚拟量测的方法的流程图。

图5为根据本发明的实施例的产生用于控制生产过程以改进感兴趣的参数的所预测的数据的方法的流程图。

图6为示出了用于半导体制造设施(车间)和光刻过程优化的主动式半监督学习的使用的曲线图。

图7为示出了用于车间和光刻过程优化的主动式半监督学习的使用的另一曲线图。

图8示出了在实施本文中所公布的方法中有用的计算机系统硬件。

具体实施方式

在详细地描述本发明的实施例之前，提供本发明的实施例可以实施的示例环境是有指导意义的。

图1描绘了其中可以使用根据本发明的检查设备的光刻单元或光刻簇。

如图1所示，光刻设备la形成光刻单元lc(有时也称为光刻元或者光刻簇)的一部分，光刻单元lc还包括用以在衬底上执行曝光前和曝光后过程的设备。通常情况下，这些设备包括用以沉积抗蚀剂层的旋涂器sc、用以对曝光后的抗蚀剂显影的显影器de、激冷板ch和焙烤板bk。衬底处置装置或机械人ro从输入/输出口i/o1、i/o2拾取衬底，将它们在不同的过程设备之间移动，然后将它传递到光刻设备的进料台lb。经常统称为轨道的这些装置处在轨道控制单元tcu的控制之下，所述轨道控制单元tcu自身由管理控制系统scs控制，所述管理控制系统scs也经由光刻控制单元lacu控制光刻设备。因此，不同的设备可以被操作用于将生产量和处理效率最大化。

为了由光刻设备曝光的衬底被正确地和一致地曝光，期望检查曝光后的衬底以测量属性，诸如连续层之间的重叠误差、线厚度、临界尺寸(cd)等。因此，其中定位有光刻单元lc的制造设施也包括容纳已经在所述光刻单元中处理的衬底w中的一些或所有的量测系统met。量测结果被直接或间接地提供至所述管理控制系统scs。如果检测到误差，可以对后续衬底的曝光进行调整，尤其如果检查能够很快完成且足够迅速到使同一批次的其它衬底仍处于待曝光中。另外，已经曝光过的衬底也可以被剥离并被重新加工以提高良率，或可以被遗弃，由此避免在已知是有缺陷的衬底上进行进一步的处理。在衬底的仅仅一些目标部分是有缺陷的情况下，可以仅对是完好的那些目标部分进行进一步的曝光。

在量测系统met内，检查设备被用于确定衬底的属性，且尤其是用于确定不同的衬底或同一衬底的不同层的属性如何从层到层变化。检查设备可以被集成到光刻设备la或光刻单元lc中，或可以是独立的装置。为了能进行最迅速的测量，期望检查设备在曝光后立即测量经过曝光的抗蚀剂层中的属性。然而，抗蚀剂中的潜像具有很低的对比度(在经过辐射曝光的抗蚀剂部分和没有经过辐射曝光的抗蚀剂部分之间仅有很小的折射率差)，且并非所有的检查设备都具有足够的灵敏度以对潜像进行有效测量。因此，测量可以在曝光后焙烤步骤(peb)之后进行，所述曝光后焙烤步骤通常是在经过曝光的衬底上进行的第一步骤，且增加抗蚀剂的经过曝光的部分和未经曝光的部分之间的对比度。在该阶段，抗蚀剂中的图像可以被称为半潜的。也能够在抗蚀剂的曝光部分或者未经曝光部分已经被去除的点处，或者在诸如蚀刻等图案转印步骤之后，对经过显影的抗蚀剂图像进行测量。后一种可能性限制了有缺陷的衬底进行重新加工的可能性，但是仍旧可以提供有用的信息。

光刻设备(例如扫描器)曝光的情境参数(诸如曝光能量和图像尺寸)可能以线性和非线性的方式影响扫描器性能(且因此也影响产品上性能，即，产品晶片上的图案形成性能，比如重叠或临界尺寸)。归因于光刻步骤的复杂性，以足够的准确度模型化与扫描器相关的和非扫描器的情境参数在图案形成性能上的效果需要对大量的曝光的全密集性能测量。另外，使比如图像尺寸的一些参数“固定”，或可以使一些参数仅变化极小(的曝光能量)，因此，在实践中甚至并没有完成为了完整的洞察所需的曝光。这些全密集性能测量是耗时的(因此是昂贵的)且因此是极不可用的。同时，情境参数是更易于访问的且可用于大量的曝光。归因于全密集性能测量的成本，情境参数仅偶尔与扫描器和图案形成性能联系。

在机器学习情境中，表示情境参数的多维数据点在对应的全密集性能测量可用时被称为“被标记的”，否则被称为未标记的。该类型的部分标记的数据集在制造中频繁地出现，且对预测性模型化提出挑战。例如，预测器件性能的模型可能需要电学测量(例如，使用专门的测试结构，比如环形振荡器)，该电学测量相比于性能测量甚至更难以获得。这导致了越来越多的部分标记的数据集。我们在图2中示出这些数据集，其中每一方框表示一组测量结果。每一方框的尺寸表示为每一类型的测量可用的信息量。一般而言，关于器件(芯片)性能的测量信息越多，成本就可能越高。

图2示出了部分标记的情境数据集和性能数据集的金字塔。

从左到右，获得数据的代价更大，但是同时所述数据与实际的器件性能更加直接相关。半导体制造设施(车间)和光刻情境数据204包括车间情境参数、晶片(例如形状)以及掩模参数204。其也包括曝光参数206。光刻过程性能208包括扫描器量测数据210。产品上性能212包括量测数据214和电气性能218，诸如运用cd-sem或昂贵的电压对比度测量来获得。器件性能也包括器件良率220。

为了进一步图示部分标记的数据在光刻术中的出现率，我们提供部分标记的数据集的两个示例的例子。

第一示例涉及归因于掩模版加热的产品上重叠。掩模版加热造成重叠损失，其由一组掩模版加热参数捕获。在曝光期间，将掩模版加热反映至掩模版对准参数，诸如y上的掩模版放大率。因此，与诸如图像尺寸的曝光设定组合的掩模版对准参数可以模型化重叠上的掩模版加热参数损失。仅使用掩模版对准参数来预测重叠上的掩模版加热参数损失的模型可以在曝光期间校准扫描器。因此，可以最小化由掩模版加热引起的重叠。与广泛地可用的掩模版对准参数不同，确定掩模版加热参数需要代价高的全密集测量。

第二示例涉及晶片对准对重叠。可以在一批次中的每一晶片的晶片对准期间，针对四种颜色和不同的顺序来测量晶片对准的位置偏差和信号强度。通常仅使用一批次中的晶片的子集对不同布局上测量重叠量测。一些重叠贡献也可以存在于晶片对准测量中(比如标识或晶片变形图案)。因此，重叠可以被看作对扫描器量测的相关性反馈(为数据实例提供标记)。

本发明的实施例可以使用昂贵的信息测量以逐渐地标记较不昂贵的且信息较少的情境数据(例如扫描器测量结果、扫描器设定、车间情境信息)。如果情境参数、光刻过程参数与量测之间的映射对用户(例如现场工程师或半导体制造商)来说是可视化的，则相对于对标记或所述映射自身的需要，来自用户的相关性反馈可以被用作所述映射的增量数据收集和标记以及学习的部分。

为了克服性能被标记的数据的缺乏，实施例使用交互式的数据驱动方法来执行与产品上性能相关的预测和分类任务。主动式半监督学习算法仅使用对于其学习任务最具信息性的测量来返回从情境参数到产品上性能的地图。

图3示出了根据本发明的实施例的交互式半监督学习。与图2中所示出的特征相同的特征具有相同的附图标记。

来自昂贵的测量结果210、214、218、220的高度信息性的数据被用于训练效用模型304，所述效用模型根据扫描器数据与实际器件性能的相关性来标记所述扫描器数据。所述效用模型304又被用于产生用于(部分地)标记数据集且用于确定待请求的下一数据样本(来自情境、扫描器、量测或来自用户)的标记。情境对性能的模型306又被用于推断与产品上性能相关的情境关系，且向当前车间和光刻过程流程建议优化选择308。这些特征可以更加通常地被描述为相关性确定310、主动式学习312以及情境优化314。

信息性测量经由用户302的交互来获得。输入数据集包含未经标记的数据点，即描述扫描器和产品/过程相关的设定(“曝光情境”)以及部分标记的数据(例如具有重叠量测)的数据点。主动式学习机器经由用户相关性反馈机制来构建经标记的数据集，且提供用于下一最具信息性的性能测量的情境。

可以例如在2d中(经由降维(dimensionalityreduction)技术)将高维输入空间可视化。在该可视化中，将经标记的数据和未经标记的数据两者用它们的标记(白色圆圈)的指示来表示。该可视化将高维数据集变成由人类可解析的绘图，且因此其能够实现用户的交互。该可视化的示例呈现在图6和图7中。用户在呈现的数据观察非平凡的图案和簇，并且通过选择未经标记的区域(或数据点)来请求测量结果。例如，虽然一批次正被曝光，但其曝光参数以2d可视化的方式呈现。用户观察它们在绘图上的相对位置，且具有决定该位置是否是具有信息性的选择权。根据用户的请求，在该批次的曝光之后对该批次应用专用的测量。当用户并未提供相关性的反馈时，半监督学习算法决定将被测量的下一批次。在具有新的测量结果之后，效用模型将原始的测量数据变成从其导出所述标记的有用的信息。主动式学习机器更新其的被标记的数据集且计算新的预测结果。

用户可以通过提供对经选择的特征与结果准确度的相关性的反馈来主动地参与分析。用户的反馈经由交互式接口给算法提供额外的信息。可替代地，可以使用上文所建议的方法交互式地促使来自例如量测系统的额外测量结果。学习机器所考虑的特征可以使用降维技术来可视化，如其在图6和图7中所表示的。

可以在执行下一测量之前定义信息性。基于基础的情境数据，可以在早期识别很可能在特定簇中结束的晶片批次。我们可以优化我们将测量包含特定指纹(交叉晶片变化的图案)的批次的可能性。因此，本发明的方法补充常规的样本方案优化。

数据驱动的模型强调与被标记的数据相关的情境参数。如果缺乏数据、标记或性能信息，则我们可以包括用户的主观判断以便产生有意义的定制化的情境对性能的模型。

图4为常规虚拟量测的方法的流程图。参见图4，所述常规方法开始于获得与生产过程404的操作相关联的情境数据402。

对生产过程404的产品406执行量测/测试408，由此获得与产品406的性能相关联的性能数据410。

提供情境对性能的模型422以产生所预测的性能数据426。所预测的性能数据426被用于推断优化生产过程404的设定。

图5为根据本发明的实施例的产生用于控制生产过程以改进感兴趣的参数的所预测的数据的方法的流程图。感兴趣的参数可以为特定性能参数。半监督主动式学习基于预测信息(相关性和/或模型不确定性信息)。图5中具有点线边界的流程图方框对应于图4中所示出的方框。

参见图5，所述方法开始于获得与生产过程504的操作相关联的情境数据502。

对生产过程504的产品506执行量测/测试508，由此获得与产品506的性能相关联的性能数据510。

提供情境对性能的模型以基于用性能数据标记情境数据502来产生所预测的性能数据526。这是半监督学习的示例。所述情境对性能的模型包括执行半监督标记的学习机器522。

使用与情境数据和/或性能数据的品质相关的预测信息来修改所述情境对性能的模型。

预测信息可以包括相关性信息，所述相关性信息涉及所获得的情境数据和/或所获得的性能数据与感兴趣的参数的相关性。通过使用相关性信息，经由主动式学习来扩充标记(在情境对性能的模型的输出处)。这使得能够确定准确地预测感兴趣的性能标记的情境对性能的映射。这避免了情境数据的大部分由于其未被标记而未充分使用的问题。

预测信息可以包括与所产生的所预测的性能数据526的不确定性相关的模型不确定性信息。通过使用模型不确定性信息，经由主动式学习来扩充情境数据(在至情境对性能的模型的输入处)。这使得能够确定用复杂的情境良好地归纳的情境对性能的映射。这避免了将映射偏置至情境空间的小的潜在不相关部分的问题。

在这个示例中，使用效用模型512和可视化模块516来实施修改。效用模型512产生用于根据相关性和不确定性来标记情境数据的标记。在这样的情形下，相关性信息包括效用模型的不确定性。效用模型基于相关性信息产生标记，所述标记被用于用所预测的性能数据标记情境数据。因此，半监督标记基于相关性。使用效用模型使得能够确定对于优化感兴趣的参数(例如，良率等)是相关的情境对性能的映射。

可视化模块516执行特征选择和特征提取，且经提取的特征被用于修改情境对性能的模型。

基于特征选择和提取，可视化模块516向显示器518输出用性能数据标记的情境数据的可视化。用户查看显示器且证实可视化和特征选择。用户可以直接地标记情境数据和/或可以将模型不确定性信息增加至效用模型。

用户输入模块520接收由用户输入的相关性信息和/或模型不确定性信息。修改情境对性能的模型的步骤可以包括基于相关性信息选择用于模型化的情境数据。用户输入响应于数据可视化，避免了昂贵的基于数据的相关性标记。该用户输入也采用用户可能具有的知识。

在该示例中，情境对性能的模型包括学习机器522，其为使用由效用模型产生的标记和来自可视化模块的特征而自动执行半监督标记的机器学习算法。可以基于由用户520输入至效用模型512的相关性信息来训练自动标记。在这样的情形下，模型不确定性信息包括机器学习算法522的不确定性。

可以基于将与第一组情境数据相关联的所预测的性能数据和与第二组情境数据相关联的所预测的性能数据的不确定性进行比较来确定与第一组情境数据相关联的相关性信息。

可以基于相关性信息来识别514除了所获得的性能数据以外的额外性能数据，这可以减小所产生的所预测的性能数据的不确定性和/或改进所获得的情境数据与感兴趣的参数的相关性。可以由效用模型512请求额外的测量结果来触发所述识别。可以由用户520请求新的性能数据点来触发所述识别。

为了获得额外的性能数据，将控制信号输出至量测/测试508。控制信号可以为引起新的性能测量的信号。控制信号可以为用于扩展性能数据的数据库或域的信号。

计算524模型不确定性信息。可以基于以下来计算模型不确定性信息：所预测的性能数据的分布；比较所预测的性能数据与在先产生的所预测的性能数据；和/或比较所获得的性能数据与所预测的性能数据。可以将所计算的模型不确定性信息反馈至效用模型512。所计算的模型不确定性信息可以用于识别额外的性能数据点514。这可以通过请求额外的性能数据测量结果或通过选择尚未用作至效用模型512的输入的现有的性能数据点来完成。

基于模型不确定性信息，可以请求额外的情境数据点。之后，可以识别530除了所获得的情境数据以外的额外的情境数据，这减小了所产生的所预测的性能数据的不确定性和/或改进了所获得的情境数据与感兴趣的参数的相关性。

为了获得额外的情境数据，输出控制信号。可以将控制信号输出至生产过程504以使得产生额外的生产过程设定。可以输出控制信号以拓展情境数据的数据库或域。

所预测的性能数据526被用于推断优化生产过程504的设定。

图6为示出用于车间和光刻过程优化的主动式半监督学习的使用的曲线图。

图6为由邻域保持映射产生的8维光刻过程数据可视化。在所述曲线图中的每一点表示一个晶片批次，对于所述晶片批次，可得到额外的情境信息。黑色点仅基于曝光数据。正方形和圆圈表示具有性能测量结果(分别为归因于掩模版加热的高重叠和低重叠)的被标记的批次。因此，用性能数据来部分地标记数据集。簇被称为c1至c5。

图7为示出用于车间和光刻优化的主动式半监督学习的使用的另一曲线图。

通过将重叠用作对于曝光参数的相关性反馈，我们决定寻找将图6的簇c5(具有高重叠误差而提供低性能)与四个其它簇进行区分的情境变量x。情境变量为在x方向上的图像尺寸。这为在ic生产中的进一步优化提供了明确的线索：对于具有小的图像尺寸x的情形的专用掩模版加热校准。

上文已示出，本发明的实施例通过使用情境数据、所预测的数据和/或所测量的性能数据的模型不确定性和相关性信息来使得情境对性能的模型是动态的且是自学习的。

相关性信息与情境或性能参数的相关程度相关联(例如当采用单个曝光过程时，与重叠强烈相关联的情境数据对于产品性能可以是不相关的)。用户可以基于情境和性能数据对于某个感兴趣的参数(例如良率、生产量、cd控制等)的相关程度来主动地参与选择情境和性能数据。

不确定性信息与使用可用的情境信息预测感兴趣的性能参数的模型的良好程度相关。不确定性等级可以被计算出(通过分析性能数据的分布)、根据所预测的数据与已经模型化的数据进行基准测试而导出、根据比较所测量的性能数据与所预测的数据而导出、或由用户基于数据的可视化来确定。这样的可视化的示例为使得情境数据的聚集，其中增加性能数据作为标记。性能数据的高不确定性可以将自身揭露为横越簇的不一致行为。在一个小簇内，性能数据剧烈地变化，这可以表示可以被分配(通过映射)给子优化模型的很大程度的不确定性。用户可以主动地参与选择对于哪个情境数据缺乏相关的性能数据，且因此，基于用户的洞察，触发导致模型的不确定性的所期望的减小的数据测量。这具有以下明确的益处：仅执行减小不确定性的测量，从而防止浪费宝贵的测量时间。

基于不确定性的等级和/或情境和性能数据的相关性，模型确定为了最小化不确定性等级和最大化相关性等级(优选地以最小的努力)将需要包括哪个额外数据。例如，相比于昂贵的测量数据，情境数据更加容易获得。这样额外的数据可以是新测量的性能数据、新的情境数据或最初经选择的数据集之外的数据(例如数据库的拓展、合并新的域)。

因此，模型主动地控制用于预测性能数据的数据，且因此模型随时间得以改进。

实施例可以提供交互式地采用半导体制造商的数据相关性和聚集行为的知识的方式。实施例提供用于从半导体制造商用户或情境数据采样/请求可以被用于逐渐地改进所学习的映射的新测量结果的方式。实施例提供用于使昂贵的测量结果(例如关于量测、电气性能或甚至器件良率)与便宜的扫描器和光刻过程情境参数和测量结果相关的方式。

在实施例中，算法可以学习用户通常提供何种类型的测量结果且根据哪一种算法提供推荐来构建用户分布图。

可以在不精确指定工具或步骤的性质的情况下，执行过程工具使用与晶片指纹之间的映射的主动式学习。通过使用相关性反馈，参与在晶片上产生特定重叠或cd图案的处理工具的可能的集合可以基于相关性反馈而减小至相关的子集。

可以通过改进映射和所得的聚集且因此改进的光刻过程情境参数的贡献的确定来实现改进的根本原因分析。

监控生产过程的用户可能想要理解哪些测量结果从它们的“大数据”集合遗漏掉。这将显著促进较好地理解在数据集中的多变量关系。特别地，这将促使较准确地寻找真正(truepositive)且避免假正(falsepositive)。继续诊断真正，用户可能想要知道可以前瞻性地完成哪些测量，以便于最大化以尽可能少的额外测量寻找根本原因的机会。

如果学习对准与重叠之间的半监督映射，则可以将未来的对准测量用作在线批次处置机制或用作用于根本原因分析的基础。例如，可能会在晶片对准测量中使用所有四种颜色且使用额外的量测系统x孔径测量，以用于在控制设定中进行不对称性抑制。因此，可以获得重叠性能测量的各种组合。由于调查所有可能的组合的数量是不切实际的，因此可以仅对检测到颜色至颜色的和量测系统x孔径上的显著差别的这些组合完成选择性测量。

本发明的实施例因此提供对情境和曝光信息的最优的利用，从而使能够改进根本原因调查。

本发明的实施例可以提供用于目标测量的线索。可以请求新的曝光数据以便提供最多的信息。可以请求新的量测数据或新的测量结果，以便通过比较一批次的车间/曝光情境与最多信息的情境区域，从而提供关于映射的标记或预测性的最多信息。

本发明的实施例可以使用计算机程序来实施，所述计算机程序包含描述产生如以上所描述的所预测的数据的方法的机器可读指令的一个或更多个序列。该计算机过程可以例如在图1中的控制单元lacu，或一些其它控制器内被执行。也可以提供在其中储存有这样的计算机程序的数据储存介质(例如半导体存储器、磁盘或光盘)。

该控制单元lacu可以包括如图8中所示的计算机组件。所述计算机组件可以在根据本发明的组件的实施例中是以控制单元的形式的专用计算机，或可替代地为控制光刻投影设备的中央计算机。所述计算机组件可以被布置用于装载包括计算机可执行代码的计算机程序产品。这可以使得所述计算机组件能够在下载计算机程序产品时用水平传感器ls和对准传感器as的实施例控制光刻设备的上述使用。

连接至处理器827的存储器829可以包括许多个存储器部件，比如硬盘861、只读存储器(rom)862、电可擦可编程只读存储器(eeprom)863以及随机存取存储器(ram)864。不需要提供所有的上述存储器部件。此外，上述存储器组件并非必需物理地紧邻处理器827或彼此紧邻。它们可以被定位成相隔一距离。

处理器827也可以连接至某一类型的用户接口，例如键盘865或鼠标866。也可以使用本领域技术人员已知的触摸屏、轨迹球、语音转换器或其它接口。

处理器827可以连接至读取单元867，所述读取单元867被布置以从数据载体读取呈例如计算机可执行代码的形式的数据，且在一些情况下将数据储存在数据载体(比如固态驱动器868或cdrom869)上。也可以使用本领域技术人员已知的dvd或其它数据载体。

处理器827也可以连接至打印机870以在纸张上打印出输出数据，以及连接至本领域技术人员已知的任何其它类型显示器的显示器871，例如监控器或液晶显示器(lcd)。

处理器827可以借助于负责输入/输出(i/o)的发射器/接收器873而连接至通信网络872，例如公用交换电话网络(pstn)、局域网(lan)、广域网(wan)等。处理器827可以被布置成经由通信网络872与其它通信系统通信。在本发明的实施例中，外部计算机(未示出)(例如操作者的个人计算机)可以经由通信网络872登录至处理器827中。

处理器827可以被实施用作单个系统或被实施用作并行地操作的许多个处理单元，其中每一处理单元被布置以执行较大程序的子任务。也可以将处理单元分成具有多个子处理单元的一个或更多个主处理单元。处理器827的一些处理单元可以甚至被定位成与其它处理单元相隔一距离且经由通信网络872通信。模块之间的连接可以制成是有线连接的或无线连接的。

计算机系统可以为具有布置成执行这里所讨论的功能的模拟和/或数字和/或软件技术的任何信号处理系统。

对特定实施例的上述描述将如此充分地揭露本发明的一般性质使得：在不背离本发明的整体构思的情况下，其他人可以通过应用本技术领域的知识针对各种应用而容易地修改和/或调适这些特定的实施例，而无需进行过度的实验。因此，基于本文中所给出的教导和指导，这种调适和修改意欲在所公开的实施例的等同物的含义和范围内。应该理解，这里的措辞或术语是为了举例描述的目的，而不是限制性的，使得本说明书的术语或措辞由本领域技术人员根据教导和指导进行解释。

在下文被编号的实施例的列表中公开了本发明的另外的实施例：

1.一种产生用于控制或监控生产过程以改进感兴趣的参数的所预测的数据的方法，所述方法包括以下步骤：

获得与所述生产过程的操作相关联的情境数据；

获得与所述生产过程的产品的性能相关联的性能数据；

提供情境对性能的模型以基于用性能数据对所述情境数据进行标记来产生所预测的性能数据；和

使用与所述情境数据和/或所述性能数据的品质相关的预测信息来修改所述情境对性能的模型。

2.如实施例1所述的方法，其中所述预测信息包括相关性信息，所述相关性信息与所述所获得的情境数据和/或所述所获得的性能数据与所述感兴趣的参数的相关性相关。

3.如实施例2所述的方法，其中使用效用模型以产生用于用性能数据对所述情境数据进行所述标记的标记，且所述相关性信息包括所述效用模型的不确定性。

4.如实施例2或实施例3所述的方法，其中修改所述情境对性能的模型的所述步骤包括以下步骤：

输出所述情境数据和所述性能数据的可视化；和

接收由用户输入的所述相关性信息。

5.如实施例2-4中任一个所述的方法，其中修改所述情境对性能的模型的所述步骤包括基于所述相关性信息选择用于模型化的情境数据。

6.如实施例2-5中任一个所述的方法，其中修改所述情境对性能的模型的所述步骤包括基于所述相关性信息用所预测的性能数据对所述情境数据进行所述标记。

7.如实施例6所述的方法，其中自动地执行所述标记。

8.如实施例7所述的方法，其中基于由用户输入的相关性信息训练自动标记。

9.如实施例2-8中任一个所述的方法，还包括基于将与第一组情境数据相关联的所预测的性能数据的不确定性和与第二组情境数据相关联的所预测的性能数据的不确定性进行比较来确定与所述第一组情境数据相关联的所述相关性信息的步骤。

10.如任一上述实施例所述的方法，还包括以下步骤：

基于所述相关性信息来识别除了所述所获得的性能数据以外的额外的性能数据，所述识别额外的性能数据的步骤：

减小所述所产生的所预测的性能数据的不确定性；和/或

改进所述所获得的情境数据与所述感兴趣的参数的相关性；和

输出用于获得所述额外的性能数据的控制信号。

11.如实施例10所述的方法，其中所述控制信号包括用于引起新的性能测量的信号。

12.如实施例10或实施例11所述的方法，其中所述控制信号包括用于拓展所述性能数据的数据库或域的信号。

13.如任一上述实施例所述的方法，其中所述预测信息包括与所述所产生的所预测的性能数据的不确定性相关的模型不确定性信息。

14.如实施例13所述的方法，其中机器学习算法被用于执行所述标记，且所述模型不确定性信息包括所述机器学习算法的不确定性。

15.如实施例13或实施例14所述的方法，其中修改所述情境对性能的模型的所述步骤包括以下步骤：

输出所述情境数据和所述性能数据的可视化；和

接收由用户输入的所述模型不确定性信息。

16.如实施例13-15中任一个所述的方法，还包括基于所预测的性能数据的分布来计算所述模型不确定性信息的步骤。

17.如实施例13-16中任一个所述的方法，还包括基于比较所预测的性能数据与在先所产生的所预测的性能数据来计算所述模型不确定性信息的步骤。

18.如实施例13-17中任一个所述的方法，还包括基于比较所述所获得的性能数据与所述所预测的性能数据来计算所述模型不确定性信息的步骤。

19.如实施例13-18中任一个所述的方法，还包括基于所述模型不确定性信息来识别除了所述所获得的情境数据以外的额外的情境数据的步骤，所述识别额外的情境数据的步骤：

减小所述所产生的所预测的性能数据的不确定性；和/或

改进所述所获得的情境数据与所述感兴趣的参数的相关性。

20.如实施例19所述的方法，还包括输出用于获得所述额外的情境数据的控制信号的步骤。

21.如实施例20所述的方法，其中所述控制信号包括用于引起额外的生产过程设定的信号。

22.如实施例20或实施例21所述的方法，其中所述控制信号包括用于拓展所述情境数据的数据库或域的信号。

23.一种计算机程序，所述计算机程序包括计算机可读指令，所述计算机可读指令当在合适的计算机设备上运行时使得所述计算机设备执行如实施例1-22中任一个所述的方法。

24.一种计算机程序产品，包括如实施例23所述的计算机程序。

25.一种被特定地调适以执行如实施例1-22中任一个所述的方法的所述步骤的设备。

26.根据实施例25所述的设备，被特定地配置用作可操作以执行光刻生产过程的光刻设备。

27.根据实施例25所述的设备，被特定地配置用作可操作以执行光刻生产过程的光刻单元。

本发明的覆盖度和范围不应该受到上述的示例性实施例中的任一个实施例限制，而应该仅根据随附的权利要求及其等同物进行限定。