(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011459003.3
(22)申请日 2020.12.11
(71)申请人 上海集成电路装备材料产业创新中
心有限公司
地址 201800 上海市嘉定区叶城路1288号6
幢JT2216室
申请人 上海集成电路研发中心有限公司
(72)发明人 李立人 时雪龙 燕燕 许博闻
周涛
(74)专利代理机构 上海天辰知识产权代理事务
所(特殊普通合伙) 31275
代理人 吴世华 陈慧弘
(51)Int.Cl.
G06T 7/00(2017.01)
G06T 7/13(2017.01)
G06T 7/60(2017.01)G06N 3/08(2006.01)
(54)发明名称一种基于机器学习的CDSEM图像虚拟测量方法(57)摘要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。权利要求书2页 说明书6页 附图2页CN 112561873 A 2021.03.26
C N 112561873
A
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
M i 处不同坐标进行扫描，得到的M
i
张CDSEM图像；其中，M
i
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：
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。
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，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。
6.根据权利要求5所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，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。
7.根据权利要求6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包括：
S51：获取所述虚拟CDSEM图像轮廓，通过所述轮廓到关键尺寸；
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。
8.根据权利要求5所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，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。
9.根据权利要求8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’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。
10.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。
一种基于机器学习的CDSEM图像虚拟测量方法
技术领域
[0001]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
[0002]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(Scanning Electronic 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。
[0003]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。
[0004]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。
[0005]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。[0006]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。
[0007]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
[0008]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。
[0009]为实现上述目的，本发明的技术方案如下：
[0010]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：
[0011]步骤S1：训练集和验证集的生成步骤；其包括：
[0012]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；
[0013]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M i 处不同坐标进行扫描，得到的M i 张CDSEM图像；其中，M i 为大于等于10的正整数，i为1,2,3…K中的一个值；
[0014]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；
[0015]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：
[0016]
[0017]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；
[0018]步骤S2：将所述光刻空间像图和所述CDSEM图像对齐；
[0019]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。
[0020]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：
[0021]步骤S31：提供所述神经网络模型；
[0022]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；
[0023]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；
[0024]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。
[0025]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。
[0026]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
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议