CN110297401A - 极紫外光刻掩模多层膜相位型缺陷检测方法 - Google Patents
极紫外光刻掩模多层膜相位型缺陷检测方法 Download PDFInfo
- Publication number
- CN110297401A CN110297401A CN201910575004.5A CN201910575004A CN110297401A CN 110297401 A CN110297401 A CN 110297401A CN 201910575004 A CN201910575004 A CN 201910575004A CN 110297401 A CN110297401 A CN 110297401A
- Authority
- CN
- China
- Prior art keywords
- defect
- multilayer film
- aerial image
- phase type
- phase
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
- G01Q60/00—Particular types of SPM [Scanning Probe Microscopy] or microscopes; Essential components thereof
- G01Q60/24—AFM [Atomic Force Microscopy] or apparatus therefor, e.g. AFM probes
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/20—Exposure; Apparatus therefor
- G03F7/2002—Exposure; Apparatus therefor with visible light or UV light, through an original having an opaque pattern on a transparent support, e.g. film printing, projection printing; by reflection of visible or UV light from an original such as a printed image
- G03F7/2004—Exposure; Apparatus therefor with visible light or UV light, through an original having an opaque pattern on a transparent support, e.g. film printing, projection printing; by reflection of visible or UV light from an original such as a printed image characterised by the use of a particular light source, e.g. fluorescent lamps or deep UV light
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种极紫外光刻掩模多层膜相位型缺陷检测方法,包括建模和缺陷检测两阶段,在建模阶段,首先具有相同缺陷顶部形貌不同缺陷底部形貌的含多层膜相位型缺陷空白掩模的空间像。然后采用傅里叶叠层成像技术重建空间像的复振幅。最后采用卷积神经网络与多层感知器建立以空间像信息为输入,缺陷底部形貌参数为输出的缺陷检测模型。在缺陷检测阶段,首先采用原子力显微镜测量多层膜相位型缺陷表面形貌,空间像测量设备获取含缺陷空白掩模空间像,然后对含缺陷空白掩模空间像进行复振幅重建。最后采用卷积神经网络模型完成缺陷底部半高全宽检测,采用多层感知器模型完成缺陷底部高度检测。本发明可准确检测极紫外光刻掩模多层膜相位型缺陷形貌。
Description
技术领域
本发明涉及极紫外光刻掩模,特别是一种极紫外光刻掩模多层膜相位型缺陷检测方法。
背景技术
极紫外光刻掩模缺陷严重影响芯片生产的良率,并且目前尚无法实现无缺陷掩模的加工制造。因此对掩模缺陷进行检测并根据检测结果对掩模缺陷进行补偿具有重要意义。多层膜缺陷是极紫外光刻掩模中独有的缺陷,根据对掩模反射率影响的不同可分为振幅型缺陷与相位型缺陷,相位型缺陷位于多层膜底部,造成多层膜的变形,在不破坏多层膜结构的情况下,现有仪器难以检测其底部形貌。
在先技术1(在先技术1:Pang L,Satake M,Li Y,et al.,“EUV multilayerdefect compensation(MDC)by absorber pattern modification,film deposition,andmultilayer peeling techniques.”Proc.of SPIE Vol.8679:86790U(2013))采用原子力显微镜测量缺陷表面形貌,将缺陷表面作为起始面计算表面下多层膜的生长情况并与透射电子显微镜测量结果标定,该计算过程可视为Stearn生长模型的反演过程,标定后模型可通过原子力显微镜测量的缺陷表面形貌重建多层膜形貌,但该模型未考虑沉积条件与沉积工具对多层膜生长的影响,仅可用于与透射电子显微镜校正数据沉积条件相同的情况。在先技术2(在先技术2:Upadhyaya M,Jindal V,Basavalingappa A,et al.,“Evaluatingprintability of buried native EUV mask phase defects through a modeling andsimulation approach.”,Proc.of SPIE Vol.9422:94220Q(2015))提出了一种通过绘制缺陷顶部形貌随缺陷底部形貌变化的等值线图,利用原子力显微镜测得缺陷顶部形貌反推缺陷底部形貌的方法,其中,等值线图通过水平集多层膜生长模型计算获得,该方法考虑了沉积条件对生长模型的影响,但需要针对不同的沉积工具与沉积条件分别建模与绘制等值线图,适应性不强。在先技术3(在先技术3:Xu D,Evanschitzky P,Erdmann A.,“Extremeultraviolet multilayer defect analysis and geometry reconstruction.”,Journalof Micro/Nanolithography,MEMS,and MOEMS,15(1):014002(2016))提出了一种基于空间像的缺陷参数重建方法,该方法采用强度传输方程恢复空间像相位,采用主成分分析的方法提取空间像特征值,并利用人工神经网络重建缺陷参数,该方法基于空间像对缺陷参数进行重建,可对采用不同沉积工具与沉积条件的多层膜缺陷进行重建,但该方法将缺陷底部高度与半峰全宽视作相同,缺陷的高度与宽度信息没有被完全表征,仅用一维数据对缺陷底部形貌进行描述是不充足的,导致检测精度不高。在先技术4(在先技术4:成维,李思坤,王向朝等,“极紫外光刻掩模多层膜相位型缺陷底部形貌检测方法”,CN109031894A(2018))利用傅里叶叠层成像技术对空间像进行相位恢复,利用人工神经网络拟合空间像信息与掩模多层膜相位型缺陷底部形貌参数之间的关系,但空间像振幅与相位均为2维数据,且空间像振幅分布的特征不统一,采用的人工神经网络需要过度依赖人为的特征提取,导致该技术鲁棒性较差。
发明内容
本发明的目的在于提供一种极紫外光刻掩模多层膜相位型缺陷检测方法。利用傅里叶叠层成像技术重建空间像复振幅,对缺陷底部半高全宽与缺陷底部高度的检测采用了不同的深度学习模型。采用卷积神经网络检测缺陷底部半峰全宽,采用多层感知机检测缺陷底部高度。主要针对极紫外光刻掩模缺陷中最难以检测的多层膜相位型缺陷的底部形貌,快速准确地检测掩模多层膜相位型缺陷底部形貌。
本发明的技术解决方案如下:
一种极紫外光刻掩模多层膜相位型缺陷检测方法,包括建模和缺陷检测两阶段。
第一阶段:建模阶段,具体步骤如下:
步骤1.设定训练集中含多层膜相位型缺陷空白掩模的缺陷底部形貌参数:
以高斯型缺陷参数表征掩模多层膜相位型缺陷的形貌,缺陷表面半高全宽为ωtop,高度为htop,缺陷底部半高全宽为ωbot,高度为hbot。选取m(m≥100)个缺陷底部高度hbot在0-50nm范围内,缺陷底部半高全宽ωbot在0-50nm范围内的缺陷表面形貌参数相同,且满足-10nm≤htop≤10nm,0nm≤ωtop≤100nm的含多层膜相位型缺陷空白掩模。
步骤2.仿真获取不同照明方向下含多层膜相位型缺陷空白掩模空间像的强度:
选取n(n≥9)个满足相邻两点光源照明下所成空间像频谱范围之间的重叠率大于60%的点光源,利用光刻仿真软件对含多层膜相位型缺陷空白掩模进行成像仿真,分别得到照明角度为l1,l2...ln时含多层膜相位型缺陷空白掩模空间像的强度Ilr1,Ilr2...Ilrn。
步骤3.重建含多层膜相位型缺陷空白掩模空间像的复振幅:
①设含多层膜相位型缺陷空白掩模空间像的复振幅为其中,Ih为空间像的强度,为空间像的相位,设定Ih的初始值为1,的初始值为0,对含多层膜相位型缺陷空白掩模空间像复振幅的初始值作傅里叶变换,将其转化为重建空间像傅里叶谱的估计值G(fx,fy);
②将重建空间像傅里叶谱的估计值G(fx,fy)平移得到照明角度为l1时对应的傅里叶谱的估计值用光瞳函数对进行低通滤波,然后对低通滤波后的傅里叶谱进行傅里叶逆变换产生照明角度为l1时空间像复振幅的估计值
③用照明角度为l1时仿真得到的含缺陷空白掩模空间像的强度替代照明角度为l1时空间像复振幅的估计值中的得到对作傅里叶变换更新并用更新后替代傅里叶谱G(fx,fy)中对应位置的频谱,更新G(fx,fy);
④对于照明角度l2,l3...ln重复步骤②,③;
⑤设定当两次更新之间含多层膜相位型缺陷空白掩模空间像相位的差异的最大值小于C(0.00001≤C≤0.001)时,判定迭代收敛,重复步骤②-④直到两次更新之间的含多层膜相位型缺陷空白掩模空间像相位的差异的最大值小于C,停止迭代;
⑥重复步骤①-⑤直到得到m个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的复振幅即m个空间像的振幅和m个空间像的相位
步骤4.训练以缺陷底部半高全宽ωbot为输出的卷积神经网络:
以含多层膜相位型缺陷空白掩模空间像的振幅图像与相位图像作为卷积神经网络的输入,对应的掩模多层膜相位型缺陷底部半高全宽ωbot作为卷积神经网络的输出。采用的卷积神经网络第一层为具有32个3×3大小的卷积核的卷积层,第二层是核大小为2×2,步长为2的最大池化层,第三层为具有32个5×5大小的卷积核的卷积层,第四层是核大小为2×2,步长为2的最大池化层,随后将前四层结构重复一次,后接扁平化层,其后是两层含20个神经元的全连接层。
采用MSE(均方误差)作为损失函数,使用Adam优化算法对损失函数进行优化,以步骤3中获取的m个空间像的振幅和m个空间像的相位以及对应的m个缺陷底部半高全宽ωbot作为训练集,对训练集输入去均值,采用处理后训练集对卷积神经网络进行训练,得到训练后卷积神经网络。
步骤5.训练以缺陷底部高度hbot为输出的多层感知器:
以含多层膜相位型缺陷空白掩模空间像的振幅图像中心值Am,相位图像中心值Pm与对应的掩模多层膜相位型缺陷底部半高全宽ωbot作为多层感知器的输入,以对应的掩模多层膜相位型缺陷底部高度hbot作为多层感知器的输出。本文采用的多层感知器模型含6层隐藏层,每个隐藏层有50个神经元。
采用MSE(均方误差)作为损失函数,使用Adam优化算法对损失函数进行优化,以步骤3中获取的m个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的振幅图像的中心值Am与相位图像的中心值Pm以及对应的m个缺陷底部半高全宽ωbot与缺陷底部高度hbot作为训练集,将训练集的输入归一化,采用处理后训练集对多层感知器进行训练,得到训练后多层感知器。
第二阶段:缺陷检测阶段,具体步骤如下:
步骤6.极紫外光刻掩模多层膜相位型缺陷检测:
将待测含多层膜相位型缺陷空白掩模置于原子力显微镜式样台上作为待测样品,对样品进行扫描,通过光电二极管检测表面形貌导致的光斑位置的变化,获取待测含多层膜相位型缺陷空白掩模表面形貌。根据表面形貌选定对应缺陷检测模型。然后将待测含多层膜相位型缺陷空白掩模置于空间像测量装置掩模台上,像面的CCD图像传感器接收空间像。采用点光源照明,调整点光源的位置使得照明方向与仿真时采用的照明方向相同,获取步骤1中所述照明角度为l1,l2...ln时待测含缺陷空白掩模空间像的强度Ilr1,Ilr2...Ilrn。采用步骤2所述方式重建待测含缺陷空白掩模空间像复振幅获取空间像振幅与相位
将空间像振幅图像与相位图像去均值后输入训练后卷积神经网络,输出检测的多层膜相位型缺陷底部半高全宽ωbot。将输出的缺陷底部半高全宽ωbot与前述振幅图像的中心值Am,相位图像的中心值Pm归一化,然后输入训练后多层感知器,输出检测的多层膜相位型缺陷底部高度hbot,完成极紫外光刻掩模多层膜相位型缺陷检测。
与在先技术相比,本发明具有以下优点:
1.通过建立空间像与缺陷底部形貌之间的联系对难以直接进行测量的缺陷底部形貌进行分析,相对于建立缺陷沉积模型,通过缺陷顶部形貌推测底部形貌的方法更具有普适性,可以用于不同的沉积条件,以及不知沉积条件的情况。
2.根据相位型缺陷底部半峰全宽与高度对空间像影响的不同,对二者的检测采用了不同的深度学习模型,相较采用同种深度学习模型,在有效提高缺陷底部高度检测精度的同时,增强了相位型缺陷检测方法的普适性。
附图说明
图1为两种典型的极紫外光刻掩模含相位型缺陷多层膜的结构示意图,其中(a)为凸起型缺陷,(b)为凹陷型缺陷。
图2为傅里叶叠层成像技术重建空间像复振幅的示意图。
图3为本发明中采用的卷积神经网络的示意图。
图4为本发明中采用的多层感知器的示意图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应以此实施例限制本发明的保护范围。
具体步骤如下:
步骤1.设定训练集中含多层膜相位型缺陷空白掩模的缺陷底部形貌参数:
以高斯型缺陷参数表征掩模多层膜相位型缺陷的形貌,缺陷表面半高全宽为ωtop,高度为htop,缺陷底部半高全宽为ωbot,高度为hbot,两种典型的极紫外光刻掩模含相位型缺陷多层膜的结构如图1所示。由于掩模多层膜相位型缺陷表面形貌可由原子力显微镜测得,重建模型中可将表面形貌设定为已知参数,对5组已知缺陷表面形貌的凸起型缺陷,与5组已知缺陷表面形貌的凹陷型缺陷进行建模。每组训练集中,掩模多层膜相位型缺陷底部高度hbot在5nm到50nm之间,以5nm为间隔,取10个值,掩模多层膜相位型缺陷底部半高全宽ωbot在5nm和50nm之间,以5nm为间隔,取10个值,两两组合共设定100个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模。
步骤2.仿真获取不同照明方向下含多层膜相位型缺陷空白掩模空间像的强度:
利用光刻仿真软件仿真得到表1中9个照明角度l1,l2...l9下100个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模空间像的强度Ilr1,Ilr2...Ilr9。
光刻仿真软件仿真时参数设定为:空白掩模周期p=380nm,投影物镜数值孔径NA=0.33,采用点光源照明,照明光为波长λ=13.5nm的90°线偏振光,中心主入射角设定为6°,照明角度l1,l2...l9设定如表1所示,其中θr表示照明光与主入射光之间的夹角,表示方位角。
表1照明光角度设置
步骤3.重建含多层膜相位型缺陷空白掩模空间像的复振幅:
①设含多层膜相位型缺陷空白掩模空间像的复振幅为其中,Ih为空间像的强度,为空间像的相位,设定Ih的初始值为1,的初始值为0,对含多层膜相位型缺陷空白掩模空间像复振幅的初始值作傅里叶变换,将其转化为重建空间像傅里叶谱的估计值G(fx,fy);
②将重建空间像傅里叶谱的估计值G(fx,fy)平移得到照明角度为l1时对应的傅里叶谱的估计值用光瞳函数对进行低通滤波,然后对低通滤波后的傅里叶谱进行傅里叶逆变换产生照明角度为l1时空间像复振幅的估计值
③用照明角度为l1时仿真得到的含缺陷空白掩模空间像的强度替代照明角度为l1时空间像复振幅的估计值中的得到对作傅里叶变换更新并用更新后替代傅里叶谱G(fx,fy)中对应位置的频谱,更新G(fx,fy);
④对于照明角度l2,l3...ln重复步骤②,③;
⑤重复步骤②-④直到两次更新之间的含多层膜相位型缺陷空白掩模空间像的相位的差异的最大值不超过0.0001,停止迭代,此时的为含多层膜相位型缺陷空白掩模空间像的重建复振幅。
步骤4.训练以缺陷底部半高全宽ωbot为输出的卷积神经网络:
重复步骤3得到步骤1中所述100个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的复振幅其中为空间像的振幅,为空间像的相位。
以含多层膜相位型缺陷空白掩模空间像的振幅图像与相位图像作为卷积神经网络的输入,对应的掩模多层膜相位型缺陷底部半高全宽ωbot作为卷积神经网络的输出。采用的卷积神经网络第一层为具有32个3×3大小的卷积核的卷积层,第二层是核大小为2×2,步长为2的最大池化层,第三层为具有32个5×5大小的卷积核的卷积层,第四层是核大小为2×2,步长为2的最大池化层,随后将前四层结构重复一次,后接扁平化层,其后是两层含20个神经元的全连接层。
采用MSE(均方误差)作为损失函数,使用Adam优化算法对损失函数进行优化,以前述获取的100个空间像的振幅图像与相位图像以及对应的100个缺陷底部半高全宽ωbot作为训练集,对训练集输入去均值,采用处理后训练集对卷积神经网络进行训练,得到训练后卷积神经网络。
步骤5.训练以缺陷底部高度hbot为输出的多层感知器:
以含多层膜相位型缺陷空白掩模空间像的振幅图像中心值Am,相位图像中心值Pm与对应的掩模多层膜相位型缺陷底部半高全宽ωbot作为多层感知器的输入,以对应的掩模多层膜相位型缺陷底部高度hbot作为多层感知器的输出。本文采用的多层感知器模型含6层隐藏层,每个隐藏层有50个神经元。
采用MSE(均方误差)作为损失函数,使用Adam优化算法对损失函数进行优化,以步骤4中获取的100个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的振幅图像的中心值Am与相位图像的中心值Pm以及对应的100个缺陷底部半高全宽ωbot与缺陷底部高度hbot作为训练集,将训练集的输入归一化,采用处理后训练集对多层感知器进行训练,得到训练后多层感知器。
步骤6.检测掩模多层膜相位型缺陷底部形貌:
首先在5nm到50nm范围内随机选取20个值,作为掩模多层膜相位型缺陷底部高度hbot,然后在5nm到50nm范围内随机选取20个值,作为掩模多层膜相位型缺陷底部半高全宽ωbot,按照选取顺序两两组合组成20组缺陷底部形貌参数,作为待测含多层膜相位型缺陷空白掩模缺陷底部形貌参数。
采用光刻仿真软件仿真得到表1中9个照明角度l1,l2...l9下20个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模所成空间像的强度Ilr1,Ilr2...Ilr9。
重复步骤3得到20个具有不同缺陷底部形貌参数的待测含多层膜相位型缺陷空白掩模的空间像的复振幅其中为含多层膜相位型缺陷空白掩模的空间像的振幅,为含多层膜相位型缺陷空白掩模的空间像的相位。
将空间像振幅图像与相位图像去均值后输入训练后卷积神经网络,输出重建的多层膜相位型缺陷底部半高全宽ωbot。将输出的缺陷底部半高全宽ωbot与前述振幅图像的中心值Am,相位图像的中心值Pm归一化,然后输入训练后多层感知器,输出重建的多层膜相位型缺陷底部高度hbot。将掩模多层膜相位型缺陷底部半高全宽ωbot与底部高度hbot的检测结果与设定值对比,检测的均方根误差如表2所示,对凹陷型缺陷ωbot重建的均方根误差RMSE为0.4285nm,hbot的均方根误差RMSE为1.7272nm;对于凸起型缺陷ωbot重建的均方根误差RMSE为0.5112nm,hbot的均方根误差RMSE为3.3535nm。由表2可知,本发明对5组表面形貌不同的凸起型缺陷与凹陷型缺陷均有较好的检测结果,且适用于不同的沉积条件,鲁棒性与适应性相较在先技术均得到改善。
表2掩模多层膜相位型缺陷底部参数检测结果
Claims (3)
1.一种极紫外光刻掩模多层膜相位型缺陷检测方法,特征在于包括建模和缺陷检测两阶段,
第一阶段:建模阶段,具体步骤如下:
步骤1.设定训练集中含多层膜相位型缺陷空白掩模的缺陷底部形貌参数:
以高斯型缺陷参数表征掩模多层膜相位型缺陷的形貌,缺陷表面半高全宽为ωtop,高度为htop,缺陷底部半高全宽为ωbot,高度为hbot,选取m个缺陷底部高度hbot在0-50nm范围内,缺陷底部半高全宽ωbot在0-50nm范围内的,缺陷表面形貌参数相同,且满足-10nm≤htop≤10nm,0nm≤ωtop≤100nm的含多层膜相位型缺陷空白掩模;
步骤2.仿真获取不同照明方向下含多层膜相位型缺陷空白掩模空间像的强度:
选取n个满足相邻两点光源照明下所成空间像频谱范围之间的重叠率大于60%的点光源,利用光刻仿真软件对含多层膜相位型缺陷空白掩模进行成像仿真,分别得到照明角度为l1,l2...ln时含多层膜相位型缺陷空白掩模空间像的强度Ilr1,Ilr2...Ilrn;
步骤3.重建含多层膜相位型缺陷空白掩模空间像的复振幅:
①设含多层膜相位型缺陷空白掩模空间像的复振幅为其中,Ih为空间像的强度,为空间像的振幅,为空间像的相位,设定Ih的初始值为1,的初始值为0,对含多层膜相位型缺陷空白掩模空间像复振幅的初始值作傅里叶变换,转化为重建空间像傅里叶谱的估计值G(fx,fy);
②将重建空间像傅里叶谱的估计值G(fx,fy)平移得到照明角度为l1时对应的傅里叶谱的估计值用光瞳函数对进行低通滤波,然后对低通滤波后的傅里叶谱进行傅里叶逆变换产生照明角度为l1时空间像复振幅的估计值
③用照明角度为l1时仿真得到的含缺陷空白掩模空间像的强度替代照明角度为l1时空间像复振幅的估计值中的得到对作傅里叶变换更新并用更新后替代傅里叶谱G(fx,fy)中对应位置的频谱,更新G(fx,fy);
④对于照明角度l2,l3...ln重复步骤②,③;
⑤设定当两次更新之间含多层膜相位型缺陷空白掩模空间像相位的差异的最大值小于C(0.00001≤C≤0.001)时,判定迭代收敛,重复步骤②-④直到两次更新之间的含多层膜相位型缺陷空白掩模空间像相位的差异的最大值小于C,停止迭代;
⑥重复步骤①-⑤直到得到m个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的复振幅即m个空间像的振幅和m个空间像的相位
步骤4.训练以缺陷底部半高全宽ωbot为输出的卷积神经网络:
以含多层膜相位型缺陷空白掩模空间像的振幅图像与相位图像作为卷积神经网络的输入,对应的掩模多层膜相位型缺陷底部半高全宽ωbot作为卷积神经网络的输出,采用MSE作为损失函数,使用Adam优化算法对损失函数进行优化,以步骤3中获取的m个空间像的振幅和m个空间像的相位以及对应的m个缺陷底部半高全宽ωbot作为训练集,对训练集输入去均值,采用处理后训练集对卷积神经网络进行训练,得到训练后卷积神经网络;
步骤5.训练以缺陷底部高度hbot为输出的多层感知器:
以含多层膜相位型缺陷空白掩模空间像的振幅图像中心值Am,相位图像中心值Pm与对应的掩模多层膜相位型缺陷底部半高全宽ωbot作为多层感知器的输入,以对应的掩模多层膜相位型缺陷底部高度hbot作为多层感知器的输出,采用MSE作为损失函数,使用Adam优化算法对损失函数进行优化,以步骤3中获取的m个具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的振幅图像的中心值Am与相位图像的中心值Pm以及对应的m个缺陷底部半高全宽ωbot与缺陷底部高度hbot作为训练集,将训练集的输入归一化,采用处理后训练集对多层感知器进行训练,得到训练后多层感知器;
第二阶段:缺陷检测阶段,具体步骤如下:
步骤6.极紫外光刻掩模多层膜相位型缺陷检测:
将待测含多层膜相位型缺陷空白掩模置于原子力显微镜式样台上作为待测样品,对样品进行扫描,通过光电二极管检测表面形貌导致的光斑位置的变化,获取待测含多层膜相位型缺陷空白掩模表面形貌,根据表面形貌选定对应的训练后卷积神经网络和训练后多层感知器,然后将待测含多层膜相位型缺陷空白掩模置于空间像测量装置掩模台上,像面的CCD图像传感器接收空间像,采用点光源照明,调整点光源的位置,使得照明方向与仿真时采用的照明方向相同,获取步骤1中所述照明角度为l1,l2...ln时待测含缺陷空白掩模空间像的强度Ilr1,Ilr2...Ilrn,采用步骤2所述方式重建待测含缺陷空白掩模空间像复振幅获取空间像振幅与相位
将空间像振幅图像与相位图像去均值后输入训练后卷积神经网络,输出检测的多层膜相位型缺陷底部半高全宽ωbot,将输出的缺陷底部半高全宽ωbot与前述振幅图像的中心值Am,相位图像的中心值Pm归一化,然后输入训练后多层感知器,输出检测的多层膜相位型缺陷底部高度hbot,完成极紫外光刻掩模多层膜相位型缺陷检测。
2.根据权利要求1所述的极紫外光刻掩模多层膜相位型缺陷检测方法,其特征在于,m≥100。
3.根据权利要求1或2所述的极紫外光刻掩模多层膜相位型缺陷检测方法,其特征在于,n≥9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910575004.5A CN110297401B (zh) | 2019-06-28 | 2019-06-28 | 极紫外光刻掩模多层膜相位型缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910575004.5A CN110297401B (zh) | 2019-06-28 | 2019-06-28 | 极紫外光刻掩模多层膜相位型缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110297401A true CN110297401A (zh) | 2019-10-01 |
CN110297401B CN110297401B (zh) | 2020-05-05 |
Family
ID=68029336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910575004.5A Active CN110297401B (zh) | 2019-06-28 | 2019-06-28 | 极紫外光刻掩模多层膜相位型缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297401B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145162A (zh) * | 2019-12-30 | 2020-05-12 | 南京诚芯集成电路技术研究院有限公司 | 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法 |
CN111260556A (zh) * | 2020-01-16 | 2020-06-09 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度卷积神经网络的傅里叶叠层显微重建方法 |
CN111257325A (zh) * | 2020-01-19 | 2020-06-09 | 中国科学院微电子研究所 | 一种光刻掩膜板缺陷检测方法及设备和芯片 |
CN112578646A (zh) * | 2020-12-11 | 2021-03-30 | 上海集成电路装备材料产业创新中心有限公司 | 一种基于图像的离线的光刻工艺稳定性控制方法 |
WO2021073994A1 (en) * | 2019-10-15 | 2021-04-22 | Carl Zeiss Smt Gmbh | Method for determining an optical phase difference of measurement light of a measurement light wavelength over a surface of a structured object |
CN117092876A (zh) * | 2023-10-16 | 2023-11-21 | 浙江大学 | 一种基于光子筛的极紫外光刻掩模板缺陷检测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110043811A1 (en) * | 2009-08-18 | 2011-02-24 | Takeshi Yamane | Mask defect measurement method, mask quality determination method, and manufacturing method of semiconductor device |
CN104238282A (zh) * | 2014-09-23 | 2014-12-24 | 中国科学院上海光学精密机械研究所 | 极紫外光刻含缺陷掩模衍射谱的快速严格仿真方法 |
CN104880915A (zh) * | 2015-05-26 | 2015-09-02 | 中国科学院上海光学精密机械研究所 | 极紫外光刻含相位型缺陷接触孔掩模衍射谱的快速仿真方法 |
US20180164207A1 (en) * | 2016-12-12 | 2018-06-14 | Carl Zeiss Smt Gmbh | Method and apparatus for examining an element of a photolithographic mask for the euv range |
CN109031894A (zh) * | 2018-08-13 | 2018-12-18 | 中国科学院上海光学精密机械研究所 | 极紫外光刻掩模多层膜相位型缺陷底部形貌检测方法 |
-
2019
- 2019-06-28 CN CN201910575004.5A patent/CN110297401B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110043811A1 (en) * | 2009-08-18 | 2011-02-24 | Takeshi Yamane | Mask defect measurement method, mask quality determination method, and manufacturing method of semiconductor device |
CN104238282A (zh) * | 2014-09-23 | 2014-12-24 | 中国科学院上海光学精密机械研究所 | 极紫外光刻含缺陷掩模衍射谱的快速严格仿真方法 |
CN104880915A (zh) * | 2015-05-26 | 2015-09-02 | 中国科学院上海光学精密机械研究所 | 极紫外光刻含相位型缺陷接触孔掩模衍射谱的快速仿真方法 |
US20180164207A1 (en) * | 2016-12-12 | 2018-06-14 | Carl Zeiss Smt Gmbh | Method and apparatus for examining an element of a photolithographic mask for the euv range |
CN109031894A (zh) * | 2018-08-13 | 2018-12-18 | 中国科学院上海光学精密机械研究所 | 极紫外光刻掩模多层膜相位型缺陷底部形貌检测方法 |
Non-Patent Citations (1)
Title |
---|
成维等: "基于空间像的极紫外光刻掩模相位型缺陷形貌检测方法", 《第十七届全国光学测试学术交流会摘要集》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073994A1 (en) * | 2019-10-15 | 2021-04-22 | Carl Zeiss Smt Gmbh | Method for determining an optical phase difference of measurement light of a measurement light wavelength over a surface of a structured object |
CN111145162A (zh) * | 2019-12-30 | 2020-05-12 | 南京诚芯集成电路技术研究院有限公司 | 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法 |
CN111260556A (zh) * | 2020-01-16 | 2020-06-09 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度卷积神经网络的傅里叶叠层显微重建方法 |
CN111260556B (zh) * | 2020-01-16 | 2021-09-28 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度卷积神经网络的傅里叶叠层显微重建方法 |
CN111257325A (zh) * | 2020-01-19 | 2020-06-09 | 中国科学院微电子研究所 | 一种光刻掩膜板缺陷检测方法及设备和芯片 |
CN112578646A (zh) * | 2020-12-11 | 2021-03-30 | 上海集成电路装备材料产业创新中心有限公司 | 一种基于图像的离线的光刻工艺稳定性控制方法 |
CN117092876A (zh) * | 2023-10-16 | 2023-11-21 | 浙江大学 | 一种基于光子筛的极紫外光刻掩模板缺陷检测系统及方法 |
CN117092876B (zh) * | 2023-10-16 | 2024-03-22 | 浙江大学 | 一种基于光子筛的极紫外光刻掩模板缺陷检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110297401B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297401A (zh) | 极紫外光刻掩模多层膜相位型缺陷检测方法 | |
KR102424804B1 (ko) | 광학 다이 대 데이터베이스 검사 | |
JP7170037B2 (ja) | 大オフセットダイ・ダイ検査用複数段階画像整列方法 | |
TW202026859A (zh) | 校準複數個度量衡設備的方法、判定所關注參數的方法及度量衡設備 | |
JP6901565B2 (ja) | 画像融合のための畳込みニューラルネットワークベースのモード選択および欠陥分類 | |
CN109031894B (zh) | 极紫外光刻掩模多层膜相位型缺陷底部形貌检测方法 | |
WO2019162204A1 (en) | Deep learning for semantic segmentation of pattern | |
WO2019233738A1 (en) | Metrology apparatus and method for determining a characteristic of one or more structures on a substrate | |
CN108428231B (zh) | 一种基于随机森林的多参数零件表面粗糙度学习方法 | |
TWI451513B (zh) | 蝕刻顯著污染光罩缺陷之晶圓平面偵測 | |
CN108463874A (zh) | 基于图像的样品过程控制 | |
KR20190004000A (ko) | 반도체 애플리케이션을 위한 신경망 및 순방향 물리적 모델을 포함하는 방법 및 시스템 | |
US11774859B2 (en) | Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process | |
CN107123107A (zh) | 基于神经网络深度学习的布匹缺陷检测方法 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
WO2016086138A1 (en) | Improved process control techniques for semiconductor manufacturing processes | |
TWI706228B (zh) | 量測結構的方法 | |
CN107533995A (zh) | 以模型为基础的热点监测 | |
TW200845263A (en) | Controlling a fabrication tool using support vector machine | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN112669230B (zh) | 基于卷积神经网络的点云数据去噪方法 | |
WO2020182468A1 (en) | Metrology method and apparatus, computer program and lithographic system | |
CN117670789A (zh) | 对半导体样本的缺陷检查 | |
CN113256576A (zh) | 基于偏振成像和机器学习的光学元件自动检测系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |