CN112561873B - 一种基于机器学习的cdsem图像虚拟测量方法 - Google Patents

一种基于机器学习的cdsem图像虚拟测量方法 Download PDF

Info

Publication number
CN112561873B
CN112561873B CN202011459003.3A CN202011459003A CN112561873B CN 112561873 B CN112561873 B CN 112561873B CN 202011459003 A CN202011459003 A CN 202011459003A CN 112561873 B CN112561873 B CN 112561873B
Authority
CN
China
Prior art keywords
image
cdsem
photoetching
neural network
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011459003.3A
Other languages
English (en)
Other versions
CN112561873A (zh
Inventor
李立人
时雪龙
燕燕
许博闻
周涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai IC R&D Center Co Ltd
Shanghai IC Equipment Material Industry Innovation Center Co Ltd
Original Assignee
Shanghai IC R&D Center Co Ltd
Shanghai IC Equipment Material Industry Innovation Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai IC R&D Center Co Ltd, Shanghai IC Equipment Material Industry Innovation Center Co Ltd filed Critical Shanghai IC R&D Center Co Ltd
Priority to CN202011459003.3A priority Critical patent/CN112561873B/zh
Publication of CN112561873A publication Critical patent/CN112561873A/zh
Priority to PCT/CN2021/134560 priority patent/WO2022121736A1/zh
Application granted granted Critical
Publication of CN112561873B publication Critical patent/CN112561873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

一种基于机器学习的CDSEM图像虚拟测量方法，其包括训练集和验证集的生成步骤、将光刻空间像图和CDSEM图像对齐步骤、采用神经网络模型，将所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的N1组所述光刻空间像图‑CDSEM图像数据对完成所述神经网络模型的训练；遍历验证集中的N2组所述光刻空间像图‑CDSEM图像数据对完成所述神经网络模型的验证。本发明通过建立OPC后光罩图案和光刻工艺后的CDSEM图像的映射，实现采用机器学习生成CDSEM图像，得到一个独立于OPC模型的验证模型，用于确认光刻后的图形的质量。

Description

一种基于机器学习的CDSEM图像虚拟测量方法
技术领域
本发明属于半导体集成电路生产制造领域，涉及一种基于机器学习的 CDSEM图像虚拟测量方法。
背景技术
在半导体集成电路制造的光刻工艺流程中，对于给定的图案，在光刻机聚焦和剂量确定的情况下，晶圆上光刻胶的光刻空间像图(Aerial Image) 也得到确定，在光刻胶确定的情况下，光刻胶显影后的三维结构得到确定，此时通过扫描电子显微镜(ScanningElectronic Microscope，SEM)拍摄出的CDSEM图像便也确定了，该CDSEM图像通常以此来确认最终经过光刻的图形质量。
通常，在光刻工艺中，为了提高光刻工艺的图形的质量，就需要对用于制造光罩的图形先做光学邻近效应修正(Optical Proximity Correction， OPC)。基于模型的光学邻近效应修正重要的是建立精确的OPC模型，该模型包含一系列参数，这些参数需要通过测试图形(例如，CDSEM图像) 实验数据来校准OPC模型，实验数据越多，模型越精确。
然而，测试图形不可能覆盖全部种类，且OPC模型并不是完全基于物理原理，模型中有经验的组成部分，所以OPC模型的精确度无法保证。目前，在OPC后的测试图形质量是通过用相同的OPC模型的仿真结果作为验证手段，因此，验证质量取决于OPC模型本身对所有图形的准确性。
本领域技术人员清楚，OPC模型本身对所有图形的准确性是无法保证的。因此，业界非常需要独立于OPC模型的其它模型为新的验证手段来确保OPC后的图形数据质量。
此外，光刻机分为紫外光源(UV)、深紫外光源(DUV)、极紫外光源 (EUV)。在光刻的缺陷检测中，由随机效应导致的随机缺陷是一个很大的问题，尤其是在EUV光刻中。并且，由于分辨率的限制，EUV光刻后的图形需要用电子束扫描机(E-beam)来扫描晶圆上光刻工艺后的图形是否存在缺陷，而由于电子束扫描机设计约束的原因，电子束扫描机不能通过die-to-die芯片间检测模式来检测缺陷，只能通过die-to-database芯片到数据库检测模式来检测缺陷。也就是说，目前的EUV的缺陷检测，通过比较 CDSEM图像和OPC目标几何图形来实现的,这样的实现不是最好的方法。
光刻工艺中，光刻条件的稳定性对于光刻后的晶圆上图像质量的稳定起到关键作用。具体来说，在光刻工艺流程中，对于给定的图案，在光刻机聚焦和剂量确定的情况下，晶圆上光刻胶的光刻空间像图(Aerial Image)也得到确定，在光刻胶确定的情况下，光刻胶显影后的三维结构得到确定，此时通过扫描电子显微镜拍摄出的CDSEM图像便也确定了。
发明内容
鉴于以上光刻条件稳定性的监控技术的问题所在，本发明提出了一种基于机器学习的CDSEM图像虚拟测量方法，通过建立OPC后光罩图案和光刻工艺后的CDSEM图像的映射，实现采用机器学习生成CDSEM图像，得到一个独立于OPC模型的验证模型，用于确认光刻后的图形的质量。
为实现上述目的，本发明的技术方案如下：
一种基于机器学习的CDSEM图像虚拟测量方法，其包括如下步骤：
步骤S1：训练集和验证集的生成步骤；其包括：
步骤S11：提供晶圆，并预设光刻工艺次数为K次；其中，K为大于等于1的正整数；
步骤S12：在所述晶圆上完成一次光刻工艺流程，使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描，得到的Mi张CDSEM图像；其中，Mi为大于等于10的正整数，i为1,2,3…K中的一个值；
步骤S13：计算与所述CDSEM图像相同坐标的光刻空间像图，将一张所述CDSEM图像与对应的光刻空间像图组成一组光刻空间像图-CDSEM 图像数据对，最终得到M组所述光刻空间像图-CDSEM图像数据对，其中，所述光刻空间像图包括至少一张光刻胶不同深度处的二维图像；
步骤S14：判断所述光刻空间像图-CDSEM图像数据对的组数是否等于N，如果否，执行步骤S12；如果是，执行步骤S15；其中：
Figure RE-GDA0002944591000000031
步骤S15：将N组所述光刻空间像图-CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集；其中，所述训练集和验证集中所述光刻空间像图-CDSEM图像数据对的组数比例为N1:N2， N＝N1+N2；
步骤S2：将所述光刻空间像图和所述CDSEM图像对齐；
步骤S3：采用神经网络模型，将所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的N1组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的训练；遍历验证集中的 N2组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的验证。
进一步地，所述的基于机器学习的CDSEM图像虚拟测量方法，步骤 S3包括：
步骤S31：提供所述神经网络模型；
步骤S32：以所述训练集中的所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的所述光刻空间像图 -CDSEM图像数据对，对所述神经网络模型进行训练；
步骤S33：遍历所述验证集中的所述光刻空间像图-CDSEM图像数据对，对所述神经网络模型进行验证，并计算所述验证集的损失函数；
步骤S34：判断所述损失函数是否小于设定值，如果是，停止对所述神经网络模型的训练，得到最终神经网络模型；如果不是，重复执行步骤S15 至S34；其中，所述神经网络模型体现了光刻空间像图与所述CDSEM图像之间的映射。
进一步地，所述神经网络模型为以卷积为主的深度卷积神经网络DCNN 模型或者生成式对抗网络GAN模型，使用ReLU为激活函数；如果所述神经网络模型采用所述深度卷积神经网络DCNN模型，所述损失函数为均方误差损失函数，如果所述神经网络模型采用所述生成式对抗网络GAN模型，所述损失函数为交叉熵损失函数。
进一步地，所述训练集中所述光刻空间像图-CDSEM图像数据对的组数 N1是7的倍数，所述验证集中所述光刻空间像图-CDSEM图像数据对的组数N2为3的倍数。
进一步地，所述的基于机器学习的CDSEM图像虚拟测量方法还包括：
步骤S4：基于所述最终神经网络模型，当新的光刻空间像图输入时，所述最终神经网络模型生成与之对应的虚拟CDSEM图像。
进一步地，所述的基于机器学习的CDSEM图像虚拟测量方法，还包括步骤S5：检测所述最终神经网络模型生成的所述虚拟CDSEM图像的关键尺寸，并根据所述关键尺寸确定所述OPC光学模型是否需要进行校准修正。
进一步地，所述的基于机器学习的CDSEM图像虚拟测量方法，所述步骤S5包括：
S51：获取所述虚拟CDSEM图像轮廓，通过所述轮廓找到关键尺寸；
S52：判断所述关键尺寸是否符合工艺要求，若不符合则对所述OPC光学模型进行校准修正。
进一步地，所述的基于机器学习的CDSEM图像虚拟测量方法，其还包括步骤S5’：判断一次光刻工艺的随机效应是否可以接受。
进一步地，所述的基于机器学习的CDSEM图像虚拟测量方法中的所述步骤S5’包括：
S51’用所述新的光刻空间像图对应的光刻工艺条件进行一次光刻工艺流程，测量得到一张实际CDSEM图像；
S52’将所述最终神经网络模型生成的所述虚拟CDSEM图像与实际CDSEM图像作比较，若两者像素值的均方误差满足精度要求，则判定本次光刻工艺的随机效应可以接受。
进一步地，所述光刻空间像图和CDSEM图像的图像大小和分辨率相同。
从上述技术方案可以看出，本发明的一种基于机器学习的CDSEM图像虚拟测量方法的有益效果为，其建立了OPC后光罩图案和光刻工艺后的 SEM图像的映射，通过机器学习生成SEM图像，从而达到确认光刻后的图形的质量的目的，相当于建立了一个独立于OPC模型的验证模型，即建立了一个可以从OPC后的几何数据生成虚拟参考SEM图像的模型。
附图说明
图1所示为本发明实施例中基于机器学习的CDSEM图像虚拟测量方法的流程示意图
图2所示为本发明实施例中基于机器学习建立光刻工艺后CDSEM图像的架构框图
图3所示为本发明实施例中对OPC后光罩图案通过严格的光学模型计算得到光刻空间像图的示意图
图4所示为本发明实施例中OPC后光罩图案光刻后的实验CDSEM图像示意图
图5所示为本发明实施例中学习后的深度学习模型生成的虚拟CDSEM 图像示意图
具体实施方式
下面结合附图1-5，对本发明的具体实施方式作进一步的详细说明。
需要说明的是，本发明公开的一种基于机器学习的CDSEM图像虚拟测量方法，其光刻工艺中，光刻机通过EUV或UV等将掩膜版上的图案映射到涂有光刻胶的晶圆(Wafer)上，在实际的光刻工艺流程中，当光刻机中光刻工艺参数(焦深和剂量)确定后，晶圆上的图案也相应确定下来，此时，通过扫描电子显微镜拍摄出的CDSEM图像也得到确定。因此，在工艺流程确定的情况下，CDSEM图像和光刻工艺参数之间存在一定的对应关系。
请参阅图1，图1所示为本发明实施例中基于机器学习的CDSEM图像虚拟测量方法的流程示意图。如图1所示，该种基于机器学习的CDSEM图像虚拟测量方法，其可以包括如下步骤：
步骤S1：训练集和验证集的生成步骤；其包括：
步骤S11：提供晶圆，并预设光刻工艺次数为K次；其中，K为大于等于1的正整数；
步骤S12：在所述晶圆上完成一次光刻工艺流程，使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描，得到的Mi张CDSEM图像；其中，Mi为大于等于10的正整数，i为1,2,3…K中的一个值；
步骤S13：计算与所述CDSEM图像相同坐标的光刻空间像图，将一张所述CDSEM图像与对应的光刻空间像图组成一组光刻空间像图-CDSEM 图像数据对，最终得到M组所述光刻空间像图-CDSEM图像数据对，其中，所述光刻空间像图包括至少一张光刻胶不同深度处的二维图像；
步骤S14：判断所述光刻空间像图-CDSEM图像数据对的组数是否等于N，如果否，执行步骤S12；如果是，执行步骤S15；其中：
Figure RE-GDA0002944591000000061
步骤S15：将N组所述光刻空间像图-CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集；其中，所述训练集和验证集中所述光刻空间像图-CDSEM图像数据对的组数比例为N1:N2， N＝N1+N2。
步骤S2：在进行模型训练之前，将所述光刻空间像图和所述CDSEM 图像对齐；
步骤S3：采用神经网络模型，将所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的N1组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的训练；遍历验证集中的N2组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的验证。
也就是说，请参阅图2，图2所示为本发明实施例中基于图像的离线的光刻工艺稳定性控制功能框图。如图2所示，用于模型训练的训练集和用于验证模型的验证集均是从多次的实际光刻工艺中得到的(例如进行5次光刻，每次扫描的晶圆坐标分别为200处，300处，50处，150处和300处，则最终会得到1000张CDSEM图像，即N＝1000)。N组所述光刻空间像图-CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集；所述训练集和验证集的比例为N1:N2，N＝N1+N2。较佳地，可以是按训练集和验证集的比例为7:3进行，其中，训练集包括700组所述光刻空间像图-CDSEM图像数据对，验证集包括300组所述光刻空间像图-CDSEM图像数据对。
在本发明的实施例中，有了所述光刻空间像图-SEM图像数据对以后，针对两者之间的映射关系，可以通过深度卷积神经网络(DCNN：deep convolutional neuralnetworks)或者生成式对抗网络(GAN：Generative adversarial networks)等方式进行推导。
请参阅图3、图4和图5，图3所示为本发明实施例中对OPC后光罩图案通过严格的光学模型计算得到光刻空间像图的示意图，图4所示为本发明实施例中OPC后光罩图案光刻后的实验CDSEM图像示意图，图5所示为本发明实施例中学习后的深度学习模型生成的虚拟CDSEM图像示意图。
在本发明的实施例中，由于实际光刻后图形的坐标与掩模版上对应的图形坐标可能有偏差，在进行模型训练之前，还需执行步骤S2：将所述光刻空间像图和所述CDSEM图像对齐，并且，较佳地，所述光刻空间像图和所述 CDSEM图像的图像大小和分辨率相同。图像大小视具体情况而定，本次示例中可以是512*512。
步骤S3：采用神经网络模型，将所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的N1组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的训练；遍历验证集中的 N2组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的验证。
具体地，通过图像到图像(Image To Image)的方法，主要方式是基于曝光后光刻胶中光刻空间像图去生成对应的CDSEM图像，将光刻空间像图作为神经网络模型的输入，与之对应的CDSEM图像作为神经网络模型的目标输出，通过对神经网络模型不断的训练和验证，并进行神经网络模型参数的调节，最终完成光刻空间像图到CDSEM图像之间的映射。
在本发明的实施例中，所述基于机器学习的CDSEM图像虚拟测量方法的步骤S3具体包括：
步骤S31：提供所述神经网络模型；
步骤S32：以所述训练集中的所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的所述光刻空间像图 -CDSEM图像数据对，对所述神经网络模型进行训练；
步骤S33：遍历所述验证集中的所述光刻空间像图-CDSEM图像数据对，对所述神经网络模型进行验证，并计算所述验证集的损失函数；
步骤S34：判断所述损失函数是否小于设定值，如果是，停止对所述神经网络模型的训练，得到最终神经网络模型；如果不是，重复执行步骤S15 至S34；其中，所述神经网络模型体现了光刻空间像图与所述CDSEM图像之间的映射。
进一步地，所述神经网络模型为以卷积为主的深度卷积神经网络DCNN 模型或者生成式对抗网络GAN模型，使用ReLU为激活函数；如果所述神经网络模型采用所述深度卷积神经网络DCNN模型，所述损失函数为均方误差损失函数，如果所述神经网络模型采用所述生成式对抗网络GAN模型，所述损失函数为交叉熵损失函数。
进一步地，所述深度卷积神经网络DCNN模型可以包括一输入层、13 个中间层和一输出层，所述中间层的结构相同，卷积核大小为3*3，每层的宽度是64个或128个特征映射，每个卷积层后有批归一化，所述输入层只进行卷积和激活操作，输出层只进行卷积操作。
有了上述神经网络模型，就可以执行步骤S4，即于所述最终神经网络模型，当新的光刻空间像图输入时，所述最终神经网络模型生成与之对应的虚拟CDSEM图像。
步骤S4：基于训练好的所述神经网络模型，当新的光刻空间像图输入时，所述神经网络模型生成与之对应的虚拟CDSEM图像；其中，所述光刻空间像图为根据EUV掩膜版图形和工艺参数计算出的与所述CDSEM图像相同坐标处的光刻空间像图，或者，所述光刻空间像图为所述晶圆通过OPC光学模型计算得到OPC后光罩图案与所述CDSEM图像相同坐标处的光刻空间像图。
在本发明的实施例中，当新的光刻空间像图为对所述晶圆在OPC后光罩图案通过光学模型计算得到与所述CDSEM图像相同坐标处的光刻空间像图时，还包括步骤S5：检测所述最终神经网络模型生成的所述虚拟CDSEM 图像的关键尺寸，并根据所述关键尺寸确定所述OPC光学模型是否需要进行校准修正。
进一步地，所述步骤S5可以包括：
检测所述最终神经网络模型生成的所述虚拟CDSEM图像的关键尺寸，并根据所述关键尺寸确定所述OPC光学模型是否需要进行校准修正。
在本发明的另一个实施例中，当新的光刻空间像图为根据EUV掩膜版图形和工艺参数计算出的与所述CDSEM图像相同坐标处的光刻空间像图时，还包括步骤S5’：对EUV掩膜版的光刻空间像图，使用上述生成的神经网络模型生成虚拟的CDSEM图像，作为电子束缺陷扫描的参考CDSEM 图像，用所述参考CDSEM图像对比EUV光刻后的CDSEM图像；当光刻后的CDSEM图像与参考CDSEM图像的像素值均方误差满足精度要求时，判定所述EUV光刻后生成的光刻图形的几何数据不存在问题，否则为判定所述EUV光刻后生成的光刻图形的几何数据具有随机缺陷。
具体地，所述步骤S5’可以包括：
S51’用所述新的光刻空间像图对应的光刻工艺条件进行一次光刻工艺流程，测量得到一张实际CDSEM图像；
S52’将所述最终神经网络模型生成的所述虚拟CDSEM图像与实际 CDSEM图像作比较，若两者像素值的均方误差满足精度要求，则判定本次光刻工艺的随机效应可以接受。
也就是说，在模型应用阶段，输入光刻空间像图(Aerial image)，模型输出对应的光刻后的CDSEM虚拟图像，该CDSEM虚拟图像可作为一种独立于OPC模型的标准，与OPC模型模拟得到的光刻后的图像进行比较，比较得到的均方误差小于预设精度的OPC模型即为可接受的OPC模型，否则将利用更多的实验数据重新校准OPC模型。
以上所述的仅为本发明的优选实施例，所述实施例并非用以限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (7)

1.一种基于机器学习的CDSEM图像虚拟测量方法，其特征在于，包括如下步骤：
步骤S1：训练集和验证集的生成步骤；其包括：
步骤S11：提供晶圆，并预设光刻工艺次数为K次；其中，K为大于等于1的正整数；
步骤S12：在所述晶圆上完成一次光刻工艺流程，使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描，得到的Mi张CDSEM图像；其中，Mi为大于等于10的正整数，i为1,2,3…K中的一个值；
步骤S13：计算与所述CDSEM图像相同坐标的光刻空间像图，将一张所述CDSEM图像与对应的光刻空间像图组成一组光刻空间像图-CDSEM图像数据对，最终得到M组所述光刻空间像图-CDSEM图像数据对，其中，所述光刻空间像图包括至少一张光刻胶不同深度处的二维图像；
步骤S14：判断所述光刻空间像图-CDSEM图像数据对的组数是否等于N，如果否，执行步骤S12；如果是，执行步骤S15；其中：
Figure FDA0003847937560000011
步骤S15：将N组所述光刻空间像图-CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集；其中，所述训练集和验证集中所述光刻空间像图-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2；
步骤S2：将所述光刻空间像图和所述CDSEM图像对齐；
步骤S3：采用神经网络模型，将所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的N1组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的训练；遍历验证集中的N2组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的验证；
步骤S4：基于所述神经网络模型，当新的光刻空间像图输入时，所述最终神经网络模型生成与之对应的虚拟CDSEM图像；
步骤S5：检测所述神经网络模型生成的所述虚拟CDSEM图像的关键尺寸，并根据所述关键尺寸确定OPC光学模型是否需要进行校准修正；或者，判断一次光刻工艺的随机效应是否可以接受。
2.根据权利要求1所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，步骤S3包括：
步骤S31：提供所述神经网络模型；
步骤S32：以所述训练集中的所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的所述光刻空间像图-CDSEM图像数据对，对所述神经网络模型进行训练；
步骤S33：遍历所述验证集中的所述光刻空间像图-CDSEM图像数据对，对所述神经网络模型进行验证，并计算所述验证集的损失函数；
步骤S34：判断所述损失函数是否小于设定值，如果是，停止对所述神经网络模型的训练，得到最终神经网络模型；如果不是，重复执行步骤S15至S34；其中，所述神经网络模型体现了光刻空间像图与所述CDSEM图像之间的映射。
3.根据权利要求2所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，所述神经网络模型为以卷积为主的深度卷积神经网络DCNN模型或者生成式对抗网络GAN模型，使用ReLU为激活函数；如果所述神经网络模型采用所述深度卷积神经网络DCNN模型，所述损失函数为均方误差损失函数，如果所述神经网络模型采用所述生成式对抗网络GAN模型，所述损失函数为交叉熵损失函数。
4.根据权利要求1所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，所述训练集中所述光刻空间像图-CDSEM图像数据对的组数N1是7的倍数，所述验证集中所述光刻空间像图-CDSEM图像数据对的组数N2为3的倍数。
5.根据权利要求1所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，所述步骤S5中的检测所述神经网络模型生成的所述虚拟CDSEM图像的关键尺寸，并根据所述关键尺寸确定OPC光学模型是否需要进行校准修正步骤包括：
S51：获取所述虚拟CDSEM图像轮廓，通过所述轮廓找到关键尺寸；
S52：判断所述关键尺寸是否符合工艺要求，若不符合则对所述OPC光学模型进行校准修正。
6.根据权利要求1所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，所述步骤S5中的判断一次光刻工艺的随机效应是否可以接受包括：
S51’用所述新的光刻空间像图对应的光刻工艺条件进行一次光刻工艺流程，测量得到一张实际CDSEM图像；
S52’将所述最终神经网络模型生成的所述虚拟CDSEM图像与实际CDSEM图像作比较，若两者像素值的均方误差满足精度要求，则判定本次光刻工艺的随机效应可以接受。
7.根据权利要求1所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，所述光刻空间像图和CDSEM图像的图像大小和分辨率相同。
CN202011459003.3A 2020-12-11 2020-12-11 一种基于机器学习的cdsem图像虚拟测量方法 Active CN112561873B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011459003.3A CN112561873B (zh) 2020-12-11 2020-12-11 一种基于机器学习的cdsem图像虚拟测量方法
PCT/CN2021/134560 WO2022121736A1 (zh) 2020-12-11 2021-11-30 一种基于机器学习的cdsem图像虚拟测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011459003.3A CN112561873B (zh) 2020-12-11 2020-12-11 一种基于机器学习的cdsem图像虚拟测量方法

Publications (2)

Publication Number Publication Date
CN112561873A CN112561873A (zh) 2021-03-26
CN112561873B true CN112561873B (zh) 2022-11-25

Family

ID=75062324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011459003.3A Active CN112561873B (zh) 2020-12-11 2020-12-11 一种基于机器学习的cdsem图像虚拟测量方法

Country Status (2)

Country Link
CN (1) CN112561873B (zh)
WO (1) WO2022121736A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561873B (zh) * 2020-12-11 2022-11-25 上海集成电路装备材料产业创新中心有限公司 一种基于机器学习的cdsem图像虚拟测量方法
CN114841378B (zh) * 2022-07-04 2022-10-11 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质
CN117669473B (zh) * 2024-01-29 2024-04-19 全智芯(上海)技术有限公司 用于模型校准的方法、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1862383A (zh) * 2006-04-04 2006-11-15 上海微电子装备有限公司 光刻机成像光学***像差现场测量方法
CN101042526A (zh) * 2004-02-23 2007-09-26 株式会社东芝 掩膜数据的修正方法、光掩膜和光学像的预测方法
CN101877016A (zh) * 2009-04-30 2010-11-03 新思科技有限公司 对临界尺寸(cd)扫描电镜的cd提取进行建模
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
CN108228981A (zh) * 2017-12-19 2018-06-29 上海集成电路研发中心有限公司 基于神经网络的opc模型生成方法及实验图案的预测方法
CN108475417A (zh) * 2016-01-04 2018-08-31 科磊股份有限公司 针对半导体应用由低分辨率图像产生高分辨率图像
CN111310407A (zh) * 2020-02-10 2020-06-19 上海集成电路研发中心有限公司 基于机器学习进行逆向光刻最优特征向量设计的方法
CN111386500A (zh) * 2017-11-22 2020-07-07 卡尔蔡司Smt有限责任公司 鉴定微光刻的掩模的方法
CN111985611A (zh) * 2020-07-21 2020-11-24 上海集成电路研发中心有限公司 基于物理特征图与dcnn机器学习逆向光刻解的计算方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017171891A1 (en) * 2016-04-02 2017-10-05 Intel Corporation Systems, methods, and apparatuses for modeling reticle compensation for post lithography processing using machine learning algorithms
US11222415B2 (en) * 2018-04-26 2022-01-11 The Regents Of The University Of California Systems and methods for deep learning microscopy
DE102018207880A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
KR20230141891A (ko) * 2018-06-15 2023-10-10 에이에스엠엘 네델란즈 비.브이. 기계 학습 기반 역 광 근접 보정 및 공정 모델 캘리브레이션
WO2020135988A1 (en) * 2018-12-28 2020-07-02 Asml Netherlands B.V. Determining pattern ranking based on measurement feedback from printed substrate
US11061318B2 (en) * 2019-02-28 2021-07-13 Taiwan Semiconductor Manufacturing Co., Ltd. Lithography model calibration
CN112561873B (zh) * 2020-12-11 2022-11-25 上海集成电路装备材料产业创新中心有限公司 一种基于机器学习的cdsem图像虚拟测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042526A (zh) * 2004-02-23 2007-09-26 株式会社东芝 掩膜数据的修正方法、光掩膜和光学像的预测方法
CN1862383A (zh) * 2006-04-04 2006-11-15 上海微电子装备有限公司 光刻机成像光学***像差现场测量方法
CN101877016A (zh) * 2009-04-30 2010-11-03 新思科技有限公司 对临界尺寸(cd)扫描电镜的cd提取进行建模
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
CN108475417A (zh) * 2016-01-04 2018-08-31 科磊股份有限公司 针对半导体应用由低分辨率图像产生高分辨率图像
CN111386500A (zh) * 2017-11-22 2020-07-07 卡尔蔡司Smt有限责任公司 鉴定微光刻的掩模的方法
CN108228981A (zh) * 2017-12-19 2018-06-29 上海集成电路研发中心有限公司 基于神经网络的opc模型生成方法及实验图案的预测方法
CN111310407A (zh) * 2020-02-10 2020-06-19 上海集成电路研发中心有限公司 基于机器学习进行逆向光刻最优特征向量设计的方法
CN111985611A (zh) * 2020-07-21 2020-11-24 上海集成电路研发中心有限公司 基于物理特征图与dcnn机器学习逆向光刻解的计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Sem-GAN: Semantically-Consistent Image-to-Image Translation;Anoop Cherian;《arXiv》;20180712;全文 *
基于卷积神经网络的复材射线图像孔缺陷识别;张逸;《光学与光电技术》;20200630;第18卷(第3期);全文 *
基于卷积神经网络的晶圆缺陷检测与分类算法;邡鑫，史峥;《计算机工程》;20180831;第44卷(第8期);全文 *

Also Published As

Publication number Publication date
CN112561873A (zh) 2021-03-26
WO2022121736A1 (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
CN112561873B (zh) 一种基于机器学习的cdsem图像虚拟测量方法
KR100596760B1 (ko) 시각 검사 및 검증 시스템
US7518110B2 (en) Pattern measuring method and pattern measuring device
KR102441582B1 (ko) Mpc 검증 방법 및 그 검증 방법을 포함한 마스크 제조방법
TWI780470B (zh) 用於微影製程效能判定之方法及設備
US8121387B2 (en) Mask pattern verifying method
US20040225488A1 (en) System and method for examining mask pattern fidelity
TW201721280A (zh) 用於圖案校正及驗證之方法與裝置
KR20200015708A (ko) 측정 방법 및 장치
TW201732450A (zh) 量規圖案選擇之改良
CN111430261A (zh) 一种工艺检测方法及装置
KR102294369B1 (ko) 변동을 측정하는 방법, 검사 시스템, 컴퓨터 프로그램, 및 컴퓨터 시스템
CN106033171B (zh) 用于晶圆上坏点的失效分析的方法
CN111771167B (zh) 光刻工艺中的对齐标记定位
CN117289543A (zh) 基于深度学习的光刻模型生成方法以及掩模制造方法
US20220283496A1 (en) Photomask and method for inspecting photomask
US20060206853A1 (en) Method of producing mask inspection data, method of manufacturing a photo mask and method of manufacturing a semiconductor device
TWI794312B (zh) 包括多個微影光罩的組、用於確定光罩之結構之影像的邊緣位置的方法、用於實施此方法的系統、此方法的用途、用於確定多個微影光罩的重疊誤差或相對邊緣放置誤差的方法、用於生產微結構或奈米結構部件的方法、以及根據此方法生產的部件
CN112541545A (zh) 基于机器学习预测刻蚀工艺后cdsem图像的方法
KR20210046459A (ko) 멀티-opc 모델을 이용한 opc 방법, 및 그 opc 방법을 이용한 마스크 제조방법
US20230132893A1 (en) Mask layout correction methods based on machine learning, and mask manufacturing methods including the correction methods
TWI788783B (zh) 光罩測量方法
CN112099310B (zh) 光强阈值的获取方法以及辅助图形显影情况的检测方法
JP7492389B2 (ja) 画像検査装置および画像検査方法
TW202407638A (zh) 半導體樣品製造的遮罩檢查

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant