CN107633103A - 一种cmp模型参数优化方法和装置 - Google Patents
一种cmp模型参数优化方法和装置 Download PDFInfo
- Publication number
- CN107633103A CN107633103A CN201610561883.2A CN201610561883A CN107633103A CN 107633103 A CN107633103 A CN 107633103A CN 201610561883 A CN201610561883 A CN 201610561883A CN 107633103 A CN107633103 A CN 107633103A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- parameter
- chip
- optimized
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 238000000227 grinding Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 47
- 230000003628 erosive effect Effects 0.000 claims description 16
- 241000208340 Araliaceae Species 0.000 claims description 9
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 9
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 9
- 235000008434 ginseng Nutrition 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Mechanical Treatment Of Semiconductor (AREA)
Abstract
本申请公开一种CMP模型参数优化方法和装置。该方法首先确定CMP模型的待优化参数,进而基于该CMP模型预测研磨芯片的芯片参数,得到芯片预测参数并获取与芯片预测参数对应的实测参数,从而确定PMO优化算法的目标函数,以基于该目标函数,按照PMO优化算法对所述CMP型中的待优化参数进行优化,得到所述CMP模型的优化参数。与现有技术相比,本发明基于研磨芯片的预测参数和实测参数,利用PMO优化算法对CMP模型的待优化参数进行优化,无需基于历史数据进行查找,提高了模型参数的精确度。
Description
技术领域
本申请涉及半导体领域,更具体地说,涉及一种CMP模型参数优化方法和装置。
背景技术
CMP(Chemical Mechanical Planarization,化学机械研磨)技术作为可制造性设计工艺解决方案的关键环节,是目前超大规模集成电路制造中唯一能够实现全局平坦化的广泛应用技术,现已广泛用于集成电路芯片、微型机械系统等表面的平整化。
一个科学合理、准确可靠的CMP工艺模型,可以帮助工艺工程师严格控制工艺条件,尽可能减少研磨后的蝶形和侵蚀,使得半导体金属栅表面平坦性达到光刻聚焦深度水平的要求。
当前,CMP模型的模型参数大多现有文献数据库中查阅得到,其模型参数的精确度较低。
发明内容
有鉴于此,本申请提供一种CMP模型参数的优化方法和装置,以对CMP模型的模型参数进行优化,提高模型参数的精确度。
为了实现上述目的,现提出的方案如下:
一种CMP模型参数优化方法,包括:
建立CMP模型,确定所述CMP模型的待优化参数;
基于所述CMP模型预测研磨芯片的芯片参数,得到芯片预测参数;
获取研磨芯片的芯片实测参数;
基于所述芯片实测参数和所述芯片预测参数,确定PMO优化算法的目标函数;
基于所述目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的优化参数。
优选的,所述预测参数包括:芯片表面形貌高度预测参数、蝶形值预测参数以及侵蚀值预测参数;
所述实测参数包括:芯片表面形貌高度实测参数、蝶形值实测参数以及侵蚀值实测参数。
优选的,所述目标函数为:
其中,ai≤pi≤bi为常数约束条件,Cj≤Wj≤Dj为函数约束条件,p1,p2,...,pM表示待优化参数,H表示芯片表面高度、D表示蝶形值,E表示侵蚀值,QSi表示芯片预测参数,Qi表示芯片实测参数,w,s分别表示研磨芯片的工艺参数线宽和间距。
优选的,所述获取研磨芯片的实测参数,包括:获取研磨芯片的多组实测参数;
所述得到所述CMP模型的优化参数,包括:得到所述CMP模型的多组优化参数;
所述得到所述CMP模型的多组优化参数之后还包括:从所述多组优化参数中选择所述CMP模型的最优化参数。
一种CMP模型参数优化装置,包括:
模型建立单元,用于建立CMP模型,确定所述CMP模型的待优化参数;
参数预测单元,用于基于所述CMP模型预测研磨芯片的芯片参数,得到芯片预测参数;
参数采集单元,用于获取研磨芯片的芯片实测参数;
目标函数建立单元,用于基于所述芯片实测参数和所述芯片预测参数,确定PMO优化算法的目标函数;
参数优化单元,用于基于所述目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的优化参数。
优选的,所述预测参数包括:芯片表面形貌高度预测参数、蝶形值预测参数以及侵蚀值预测参数;
所述实测参数包括:芯片表面形貌高度实测参数、蝶形值实测参数以及侵蚀值实测参数。
优选的,所述目标函数为:
其中,ai≤pi≤bi为常数约束条件,Cj≤Wj≤Dj为函数约束条件,p1,p2,...,pM表示待优化参数,H表示芯片表面高度、D表示蝶形值,E表示侵蚀值,QSi表示芯片预测参数,Qi表示芯片实测参数,w,s分别表示研磨芯片的工艺参数线宽和间距。
优选的,所述参数采集单元具体用于获取研磨芯片的多组实测参数。
所述目标函数建立单元,具体用于基于所述多组芯片实测参数和所述芯片预测参数,确定PMO优化算法的多个目标函数;
所述参数优化单元,具体用于分别基于所述多个目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的多组优化参数
所述装置还包括:最优参数筛选单元,用于从所述多组优化参数中选择所述CMP模型的最优化参数。
经由上述技术方案可知,本申请公开一种CMP模型参数优化方法和装置。该方法首先确定CMP模型的待优化参数,进而基于该CMP模型预测研磨芯片的芯片参数,得到芯片预测参数并获取与芯片预测参数对应的实测参数,从而确定PMO优化算法的目标函数,以基于该目标函数,按照PMO优化算法对所述CMP型中的待优化参数进行优化,得到所述CMP模型的优化参数。与现有技术相比,本发明基于研磨芯片的预测参数和实测参数,利用PMO优化算法对CMP模型的待优化参数进行优化,无需基于历史数据进行查找,提高了模型参数的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1示出了本发明一个实施了公开的一种CMP模型参数优化方法的流程示意图;
图2示出了本发明另一个实施了公开的一种CMP模型参数优化装置的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1示出了本发明一个实施了公开的一种CMP模型参数优化方法的流程示意图
由图1可知,本发明包括:
S101:建立CMP模型,确定所述CMP模型的待优化参数。
截止目前,CMP建模主要包含晶圆-粒子-研磨垫之间接触机理分析和金属、电介质和研磨液间的物理化学反应两大方向,接触建模可分为直接接触力学建模、流体力学建模、粒子动力学建模以及混合润滑建模四类,其主要涉及到的学科门类包括接触力学、摩擦学、流体传质、弹性力学、偏微分方程、分子(动)力学及化学反应动力学等。
在建立CMP工艺模型过程中,研磨去除率(MRR)作为描述芯片表面高度变化快慢的重要指标,在CMP的模型机理分析中成为广泛关注和研究的重点,一旦获取MRR,即可进一步将其用于计算研磨芯片表面的瞬时高度变化,给出芯片表面的实时轮廓和特征,并可将计算结果用于版图设计、电特性分析等应用流程,因此,如何获取准确可靠的研磨去除率计算公式成为HKMGCMP模型机理分析的重点。
这里把研磨去除率拆分为两部分:机械部分MRRContact和化学部分MRRChemical,即MRR=MRRContact+MRRChemical,其中MRRContact一般为接触压力P,转速V,研磨垫弹性模量E,泊松比μ,粗糙峰半径R,硬度Hp,晶圆硬度Hw等参数的函数,即MRRContact=fco(P,V,E,μ,R,Hp,Hw,...)。MRRChemical一般为研磨液各成分初始浓度Ci,i=1,...,n,研磨粒子大小分布Sa,研磨粒子质量浓度Ca,温度T,pH值pH等,研磨液流动速率U等参数的函数,即MRRChemical=fch(Ci,Sa,Ca,T,H,U,...)。
为了反映芯片表面CMP后形貌变化,还需求解研磨去除速率方程:
其中,H为芯片表面形貌高度,是位置和时间的函数。
S102:基于所述CMP模型预测研磨芯片的芯片参数,得到芯片预测参数。
可选的,所述芯片预测参数包括:芯片表面形貌高度预测参数、蝶形值预测参数以及侵蚀值预测参数。
S103:获取研磨芯片的芯片实测参数,其中所述芯片预测参数与所述芯片实测参数对应。
需要说明的是,芯片实测参数片CMP机理模型参数提取、验证及校正中具有重要作用,实测数据的准确程度将在很大程度上影响模型的精确度和预测功能。因此,测试芯片数据整理与分析是获取CMP模型参数的关键和实现机理模型进一步推广应用的前提。
基于原子力显微镜(AFM)对CMP工艺的表面扫描结果,可以获得反映芯片表面平坦性特征的金属层的蝶形值实测参数和介质层的侵蚀值实测参数的测量值。由于HKMG器件线宽较小,应用基于光学或电学机理的测试设备很难得到精确的芯片表面形貌高度实测参数。因此,可采用SEM切片量测芯片表面形貌高度实测参数。
另外,在本发明中所述芯片预测参数与所述芯片实测参数相对应,具体表现为芯片预测参数与芯片实测参数均可采用的线宽w和间距s表示。不同的线宽w和间距s的芯片对应的芯片预测参数和芯片实测参数不同。
S104:基于所述芯片实测参数和所述芯片预测参数,确定PMO优化算法的目标函数。
在CMP机理模型中,由于MRR中部分模型参数可以通过工艺参数及相关文献获得,因此,将剩余的模型参数统一表示为pi(i=1,...,M),其中M为剩余待定模型参数个数。据此,可以建立如下PMO目标函数:
其中,ai≤pi≤bi为常数约束条件,Cj≤Wj≤Dj为函数约束条件,p1,p2,...,pM表示待优化参数,H表示芯片表面高度、D表示蝶形值,E表示侵蚀值,QSi表示芯片预测参数,Qi表示芯片实测参数,w,s分别表示研磨芯片的工艺参数线宽和间距。
S105:基于所述目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的优化参数。
该过程具体包括:
1)确定初始复形顶点:
由于待优化参数的个数为M个,因而这里复形共有2M个顶点,设初始复形第一个顶点坐标P(1)=(p11,p21,...,pM1)满足常数约束条件,其余2M-1个顶点为P(j)=(p1j,p2j,...,pMj),j=2,...,2M,其中各分量为pij=ai+R(bi-ai),i=1,...,M,j=2,...,2M,R为[0,1]之间的伪随机数。可见,各顶点满足常数约束条件,关于函数约束条件需要进行调整。
假定前j-1个顶点满足函数约束条件,而第j个顶点不满足函数约束条件,则令:
该过程持续至满足所有函数约束条件为止。相应地,各顶点处目标函数值为F(j)=F(P(j)),j=1,...,2M。
2)确定最坏及次坏目标值
其中P(R)为最坏点。
3)计算最坏点的对称点
其中α为反射系数,通常取1.3左右。
4)产生新的顶点替代最坏点构成新复形
若F(PT)>F(G),则令:
直到F(PT)≤F(G)为止;
检查PT是否满足所有约束条件,若某个分量PT(j)不满足常数约束条件,即PT(j)<aj或PT(j)>bj,则令:
PT(j)=aj+δ或PT(j)=bj-δ,其中δ为很小的正常数,可取δ=10-6,重复4)。
若PT不满足函数约束条件,则令:
重复4),直到F(PT)≤F(G)且PT满足所有约束条件,并令P(R)=PT,F(R)=F(PT)。
重复2)到4),直至各顶点距离dij小于预先设定精度ε。
此时各个顶点的位置大体相同,确定顶点的位置坐标,从而得到CMP模型的优化参数。
由以上实施例可知,本申请公开一种CMP模型参数优化方法。该方法首先确定CMP模型的待优化参数,进而基于该CMP模型预测研磨芯片的芯片参数,得到芯片预测参数并获取与芯片预测参数对应的实测参数,从而确定PMO优化算法的目标函数,以基于该目标函数,按照PMO优化算法对所述CMP型中的待优化参数进行优化,得到所述CMP模型的优化参数。与现有技术相比,本发明基于研磨芯片的预测参数和实测参数,利用PMO优化算法对CMP模型的待优化参数进行优化,无需基于历史数据进行查找,提高了模型参数的精确度。
可选的,在本发明公开的其他实施例中需要对得到的优化参数进行校正,以确定最优化参数。
具体的,获取多组芯片实测参数,基于上述多组芯片实测参数进行CMP模型参数的优化,得到多组CMP模型优化参数,将优化优化获得的多组模型参数带入寻优目标函数中,计算芯片预测参数和实测参数均方根误差,从所有均方根误差中选取最小者所对应的模型参数作为最优化参数。
参见图2示出了本发明另一个实施例公开的一种CMP模型参数优化装置的结构示意图。
该装置包括:模型建立单元1、参数预测单元2、参数采集单元3、目标函数建立单元4、参数优化单元5。
其中,模型建立单元,用于建立CMP模型,确定所述CMP模型的待优化参数;
参数预测单元,用于基于所述CMP模型预测研磨芯片的芯片参数,得到芯片预测参数;
参数采集单元,用于获取研磨芯片的芯片实测参数,其中所述芯片预测参数与所述芯片实测参数对应;
目标函数建立单元,用于基于所述芯片实测参数和所述芯片预测参数,确定PMO优化算法的目标函数;
参数优化单元,用于基于所述目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的优化参数。
实际应用中,为了提高优化参数的精确度,所述参数采集单元具体用于获取研磨芯片的多组实测参数。
所述目标函数建立单元,具体用于基于所述多组芯片实测参数和所述芯片预测参数,确定PMO优化算法的多个目标函数;
所述参数优化单元,具体用于分别基于所述多个目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的多组优化参数
所述装置还包括:最优参数筛选单元6,用于从所述多组优化参数中选择所述CMP模型的最优化参数。
需要说明的是该系统实施例与方法实施例相对应,其执行过程和执行原理相同,在此不作赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种CMP模型参数优化方法,其特征在于,包括:
建立CMP模型,确定所述CMP模型的待优化参数;
基于所述CMP模型预测研磨芯片的芯片参数,得到芯片预测参数;
获取研磨芯片的芯片实测参数,其中所述芯片预测参数与所述芯片实测参数对应;
基于所述芯片实测参数和所述芯片预测参数,确定PMO优化算法的目标函数;
基于所述目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的优化参数。
2.根据权利要求1所述的方法,其特征在于,所述预测参数包括:芯片表面形貌高度预测参数、蝶形值预测参数以及侵蚀值预测参数;
所述实测参数包括:芯片表面形貌高度实测参数、蝶形值实测参数以及侵蚀值实测参数。
3.根据权利要求2所述的方法,其特征在于,所述目标函数为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
</mrow>
</munder>
<mrow>
<mo>{</mo>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>}</mo>
</mrow>
<mo>=</mo>
<munder>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
</mrow>
</munder>
<mrow>
<mo>{</mo>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>Q</mi>
<mo>=</mo>
<mi>H</mi>
<mo>,</mo>
<mi>D</mi>
<mo>,</mo>
<mi>E</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>S</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>s</mi>
<mo>;</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>s</mi>
<mo>;</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>W</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>K</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,ai≤pi≤bi为常数约束条件,Cj≤Wj≤Dj为函数约束条件,p1,p2,...,pM表示待优化参数,H表示芯片表面高度、D表示蝶形值,E表示侵蚀值,QSi表示芯片预测参数,Qi表示芯片实测参数,w,s分别表示研磨芯片的工艺参数线宽和间距。
4.根据权利要求3所述的方法,其特征在于,所述获取研磨芯片的实测参数,包括:获取研磨芯片的多组实测参数;
所述得到所述CMP模型的优化参数,包括:得到所述CMP模型的多组优化参数;
所述得到所述CMP模型的多组优化参数之后还包括:从所述多组优化参数中选择所述CMP模型的最优化参数。
5.一种CMP模型参数优化装置,其特征在于,包括:
模型建立单元,用于建立CMP模型,确定所述CMP模型的待优化参数;
参数预测单元,用于基于所述CMP模型预测研磨芯片的芯片参数,得到芯片预测参数;
参数采集单元,用于获取研磨芯片的芯片实测参数,其中所述芯片预测参数与所述芯片实测参数对应;
目标函数建立单元,用于基于所述芯片实测参数和所述芯片预测参数,确定PMO优化算法的目标函数;
参数优化单元,用于基于所述目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的优化参数。
6.根据权利要求5所述的装置,其特征在于,所述预测参数包括:芯片表面形貌高度预测参数、蝶形值预测参数以及侵蚀值预测参数;
所述实测参数包括:芯片表面形貌高度实测参数、蝶形值实测参数以及侵蚀值实测参数。
7.根据权利要求5所述的装置,其特征在于,所述目标函数为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
</mrow>
</munder>
<mrow>
<mo>{</mo>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>}</mo>
</mrow>
<mo>=</mo>
<munder>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
</mrow>
</munder>
<mrow>
<mo>{</mo>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>Q</mi>
<mo>=</mo>
<mi>H</mi>
<mo>,</mo>
<mi>D</mi>
<mo>,</mo>
<mi>E</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>S</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>s</mi>
<mo>;</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>s</mi>
<mo>;</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>W</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>M</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>K</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,ai≤pi≤bi为常数约束条件,Cj≤Wj≤Dj为函数约束条件,p1,p2,...,pM表示待优化参数,H表示芯片表面高度、D表示蝶形值,E表示侵蚀值,QSi表示芯片预测参数,Qi表示芯片实测参数,w,s分别表示研磨芯片的工艺参数线宽和间距。
8.根据权利要求7所述的装置,其特征在于,所述参数采集单元具体用于获取研磨芯片的多组实测参数;
所述目标函数建立单元,具体用于基于所述多组芯片实测参数和所述芯片预测参数,确定PMO优化算法的多个目标函数;
所述参数优化单元,具体用于分别基于所述多个目标函数,按照PMO优化算法对所述CMO模型中的待优化参数进行优化,得到所述CMP模型的多组优化参数
所述装置还包括:最优参数筛选单元,用于从所述多组优化参数中选择所述CMP模型的最优化参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610561883.2A CN107633103A (zh) | 2016-07-15 | 2016-07-15 | 一种cmp模型参数优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610561883.2A CN107633103A (zh) | 2016-07-15 | 2016-07-15 | 一种cmp模型参数优化方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107633103A true CN107633103A (zh) | 2018-01-26 |
Family
ID=61112729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610561883.2A Pending CN107633103A (zh) | 2016-07-15 | 2016-07-15 | 一种cmp模型参数优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633103A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112136135A (zh) * | 2018-04-06 | 2020-12-25 | 朗姆研究公司 | 使用关键尺寸扫描型电子显微镜的工艺仿真模型校正 |
CN113792514A (zh) * | 2021-09-18 | 2021-12-14 | 上海交通大学 | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1535196A (zh) * | 2001-06-19 | 2004-10-06 | 应用材料有限公司 | 化学机械抛光垫的调节的前馈和反馈控制 |
US20080237487A1 (en) * | 2000-04-18 | 2008-10-02 | Kla Tencor | Multiple directional scans of test structures on semiconductor integrated circuits |
US20090057834A1 (en) * | 2007-08-30 | 2009-03-05 | Dupont Air Products Nanomaterials Llc | Method for Chemical Mechanical Planarization of Chalcogenide Materials |
CN103020383A (zh) * | 2012-12-27 | 2013-04-03 | 中国科学院微电子研究所 | 一种铝栅cmp协同计算模型的仿真及优化方法 |
CN103123922A (zh) * | 2012-12-21 | 2013-05-29 | 中国科学院微电子研究所 | 确定铝金属栅芯片表面形貌的方法和系统 |
CN104123428A (zh) * | 2014-08-14 | 2014-10-29 | 中国科学院微电子研究所 | Cmp工艺仿真方法及其仿真系统 |
CN104155914A (zh) * | 2014-09-01 | 2014-11-19 | 湘潭大学 | 一种用于硬质合金刀片抛光的cmp工艺智能决策系统 |
CN105426648A (zh) * | 2016-01-26 | 2016-03-23 | 中国科学院微电子研究所 | 一种可制造性设计仿真器设计方法及系统 |
-
2016
- 2016-07-15 CN CN201610561883.2A patent/CN107633103A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080237487A1 (en) * | 2000-04-18 | 2008-10-02 | Kla Tencor | Multiple directional scans of test structures on semiconductor integrated circuits |
CN1535196A (zh) * | 2001-06-19 | 2004-10-06 | 应用材料有限公司 | 化学机械抛光垫的调节的前馈和反馈控制 |
US20090057834A1 (en) * | 2007-08-30 | 2009-03-05 | Dupont Air Products Nanomaterials Llc | Method for Chemical Mechanical Planarization of Chalcogenide Materials |
CN103123922A (zh) * | 2012-12-21 | 2013-05-29 | 中国科学院微电子研究所 | 确定铝金属栅芯片表面形貌的方法和系统 |
CN103020383A (zh) * | 2012-12-27 | 2013-04-03 | 中国科学院微电子研究所 | 一种铝栅cmp协同计算模型的仿真及优化方法 |
CN104123428A (zh) * | 2014-08-14 | 2014-10-29 | 中国科学院微电子研究所 | Cmp工艺仿真方法及其仿真系统 |
CN104155914A (zh) * | 2014-09-01 | 2014-11-19 | 湘潭大学 | 一种用于硬质合金刀片抛光的cmp工艺智能决策系统 |
CN105426648A (zh) * | 2016-01-26 | 2016-03-23 | 中国科学院微电子研究所 | 一种可制造性设计仿真器设计方法及系统 |
Non-Patent Citations (3)
Title |
---|
QINZHI XU ET AL: ""A chemical mechanical planarization model for aluminum gate structures"", 《MICROELECTRONIC ENGINEERING》 * |
RUAN WENBIAO ET AL: ""Optimization of a Cu CMP process modeling parameters of nanometer integrated circuits"", 《JOURNAL OF SEMICONDUCTORS》 * |
樊世燕: ""智能优化技术在CMP铜抛光材料与工艺参数优化中的应用研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112136135A (zh) * | 2018-04-06 | 2020-12-25 | 朗姆研究公司 | 使用关键尺寸扫描型电子显微镜的工艺仿真模型校正 |
CN113792514A (zh) * | 2021-09-18 | 2021-12-14 | 上海交通大学 | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 |
CN113792514B (zh) * | 2021-09-18 | 2023-11-24 | 上海交通大学 | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102799793B (zh) | 化学机械研磨去除率计算的方法及设备 | |
US5665199A (en) | Methodology for developing product-specific interlayer dielectric polish processes | |
Sellin et al. | Behaviour of meandering two-stage channels. | |
CN103226627B (zh) | 一种芯片表面形貌仿真的方法及装置 | |
Wang et al. | Study on the double-sided grinding of sapphire substrates with the trajectory method | |
CN105069271B (zh) | 一种锥齿轮齿面加工误差修正方法 | |
CN101331378B (zh) | 在光学计量中为重复结构选择单位元配置 | |
CN106547969A (zh) | 一种基于t样条曲面的三维打印切片方法 | |
CN101133297A (zh) | 用于重复结构的光测量优化 | |
CN115388817B (zh) | 基于图像处理分析实现铸造件打磨质量检测的方法 | |
CN102945304B (zh) | 计算晶圆表面研磨去除率的方法 | |
CN101947750A (zh) | 用于测定工件形状的方法 | |
CN104123428A (zh) | Cmp工艺仿真方法及其仿真系统 | |
CN103020383B (zh) | 一种铝栅cmp协同计算模型的仿真及优化方法 | |
CN107633103A (zh) | 一种cmp模型参数优化方法和装置 | |
Tao et al. | The material removal and surface generation mechanism in ultra-precision grinding of silicon wafers | |
CN102522354B (zh) | 一种提取互连线方块电阻的方法和装置 | |
Sahay et al. | Understanding surface quality: beyond average roughness (Ra) | |
Jesson et al. | Modeling flow in an open channel with heterogeneous bed roughness | |
CN103700601A (zh) | 用于测量晶圆表面铜膜厚度的标定方法和测量方法及装置 | |
Gao | Pipe roughness estimation in water distribution networks using head loss adjustment | |
CN105954821A (zh) | 一种用于数值大气模式的典型降雨事件选取方法 | |
Kane et al. | On the study of polishing of road surface under traffic load | |
US20060047485A1 (en) | Parametric outlier detection | |
CN106122430A (zh) | 一种基于特征图像的小模数齿轮边缘检测精度计算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180126 |