CN111145162B - 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法 - Google Patents
一种基于迁移学习确定euv掩膜版缺陷尺寸的方法 Download PDFInfo
- Publication number
- CN111145162B CN111145162B CN201911388193.1A CN201911388193A CN111145162B CN 111145162 B CN111145162 B CN 111145162B CN 201911388193 A CN201911388193 A CN 201911388193A CN 111145162 B CN111145162 B CN 111145162B
- Authority
- CN
- China
- Prior art keywords
- defect size
- euv mask
- sample
- bump
- pit
- 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
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
Abstract
本发明的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,包括以下步骤,S1:针对两种缺陷,在已知的、不同的缺陷尺寸的情况下,通过光刻机投影得到空间像分布,分别收集大量bump样本和少量pit样本;S2:整理两种样本数据,分别分出名为训练集和测试集两部分数据;S3:针对bump样本,利用机器学习算法和训练集中的样本数据,建立并调试EUV掩膜版缺陷尺寸检测模型;S4:采用测试集中的bump样本数据,对EUV掩膜版缺陷尺寸检测模型进行测试,若测试失败则返回步骤S3,若测试通过进入下一步;S5:在S3和S4训练出的EUV掩膜版缺陷尺寸检测模型的基础上,采用pit样本的训练集数据,进一步调试EUV掩膜版缺陷尺寸检测模型,并采用pit样本测试集中的样本数据,对EUV掩膜版缺陷尺寸检测模型进行测试。
Description
技术领域
本发明涉及半导体制造和参数检测技术领域,具体涉及一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法。
背景技术
在图形转移光刻工艺中,掩膜版上存在的缺陷,会对最终光刻投影结果造成影响。掩膜版的缺陷类型主要为bump(隆块)缺陷以及pit(凹坑)缺陷。目前,已经发展到采用极紫外光刻技术(EUV)进行光刻。EUV采用的是短达13.5nm波长的光源,光学系统和掩模版均被迫采用反射式,且投影物镜也采用物方非远心的形式,受到缺陷的影响更为严重。在EUV掩膜版的制造过程中,缺陷的存在是不可避免的,缺陷的检测也一直是需要重点研究的问题。
现有技术的检测精度依赖昂贵的测试机台以及额外的工艺步骤进行辅助检测,会增加检测成本。
发明内容
为了克服现有技术中的不足,本发明提出一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,其通过现有的计算机算法建立数学模型,分别对bump样本以及pit样本分量测试数学模型,精确pit样本以及对bump样本的缺陷尺寸。
为了实现上述目的,本发明的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,其特征在于,包括以下步骤,S1:针对两种类型的EUV掩膜版缺陷,在已知的、不同的缺陷尺寸的情况下,通过光刻机投影得到空间像分布,分别收集大量bump样本和少量pit样本;S2:整理两种样本数据,针对bump样本和pit样本,分别分出名为训练集和测试集两部分数据;S3:针对bump样本,利用机器学习算法和训练集中的样本数据,建立并调试EUV掩膜版缺陷尺寸检测模型;S4:采用测试集中的bump样本数据,对EUV掩膜版缺陷尺寸检测模型进行测试,若测试失败则返回步骤S3,若测试通过进入下一步;S5:在S3和S4训练出的EUV掩膜版缺陷尺寸检测模型的基础上,采用pit样本的训练集数据,进一步调试EUV掩膜版缺陷尺寸检测模型,并采用pit样本测试集中的样本数据,对EUV掩膜版缺陷尺寸检测模型进行测试。
进一步的,S1中,在EUV掩膜版光板上分别设计bump和pit两种缺陷,并分别设置不同的缺陷尺寸大小,通过光刻机投影,收集在焦平面位置的空间像分布。
进一步的,S1中,共收集bump样本2000个,采用随机抽样的方式,选取1600个结果作为训练集,选取400个结果作为测试集;收集pit样本197个,采用随机抽样的方式,选取158个结果作为训练集,选取39个结果作为测试集。
进一步的,S4中,bump样本测试失败为,标准定义的检测值与真值的平均偏差率在5%以上,标准定义的检测值是利用数学模型,光刻空间像结果下得到的模型预测值;真值是该光刻空间像对应的真实缺陷尺寸。
进一步的,S5中,针对pit样本进行训练时,是在步骤S3和S4中得到的针对bump样本的尺寸预测模型的基础上,进行的调试训练,模型架构一致,初始参数为bump样本预测模型的参数。
进一步的,机器学习算法采用卷积神经网络实现,直接将空间像作为网络的输入,自动提取特征进行训练,卷积神经网络包括输入层、卷积层、池化层、全连接和输出层;输入层为训练集中的二维空间像结果,输出层为输入层二维结果所对应的掩膜版缺陷尺寸。
有益效果:一、在已有bump样本数据的情况下,减少了对于pit样本数量的依赖性,避免了额外的数据收集;
二、检测方法将迁移学习引入到了缺陷尺寸的预测中,在仅有少量pit样本数据的情况下,利用已有的bump样本数据信息,提升了pit样本缺陷尺寸的预测精度。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明首选实施方式的流程图;
图2是bump样本缺陷;
图3是bump样本缺陷对应的焦面位置相对于理想位置偏移量为0nm的光刻空间像示例图;
图4是pit样本缺陷;
图5是pit样本缺陷对应的焦面位置相对于理想位置偏移量为0nm的光刻空间像示例图;
图6是采用大量bump数据样本训练出的符合检测标准的尺寸预测结果示例图;
图7是测试结果平均误差率的比较,是利用bump信息(迁移学习)和未利用bump信息(无迁移学习)的预测结果的示例比较图;
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述,更加清楚、完整地阐述本发明的技术方案。
一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,包括以下步骤:
S1:针对两种类型的EUV掩膜版缺陷,在已知的、不同的缺陷尺寸的情况下,通过光刻机投影得到空间像分布,分别收集大量bump样本和少量pit样本;
S2:整理两种样本数据,针对bump样本和pit样本,分别分出名为训练集和测试集两部分数据;
S3:针对bump样本,利用机器学习算法和训练集中的样本数据,建立并调试EUV掩膜版缺陷尺寸检测模型;
S4:采用测试集中的bump样本数据,对EUV掩膜版缺陷尺寸检测模型进行测试,若测试失败则返回步骤S3,若测试通过进入下一步;
S5:在S3和S4训练出的EUV掩膜版缺陷尺寸检测模型的基础上,采用pit样本的训练集数据,进一步调试EUV掩膜版缺陷尺寸检测模型,并采用pit样本测试集中的样本数据,对EUV掩膜版缺陷尺寸检测模型进行测试。
具体的,在S1中,首先设置EUV掩膜版上的缺陷类别和缺陷尺寸的大小。对于EUV掩膜版上的缺陷来说,它是埋藏在EUV多层掩膜版中的,共有bump缺陷和pit缺陷两类,针对各自的缺陷类型,共有顶层高度,顶层宽度,底层高度和底层宽度四个尺寸参数。为了构建大量bump样本数据和少量pit样本数据的情况,在掩膜版光板上,针对bump缺陷,设置不同的尺寸,通过光刻机投影收集对应的光刻空间像,此示例采用专业仿真软件来完成此操作,并收集在理想焦面位置得到的光刻空间像结果图。同时,针对pit缺陷,采用同样的操作,收集少量的数据样本。Bump缺陷和pit缺陷和对应的空间像分别如图2和图3所示。
在S2中,首先对步骤S1获得的光刻空间像结果进行整理,S1中收集到的bump样本数据共有2000个,采用随机抽样的方式,选取1600个结果作为训练集,剩余的400个结果作为测试集。收集到的pit样本数据共有197个,采用随机抽样的方式,选取158个结果作为训练集,剩余的39个结果作为测试集。
S3:在步骤S3中,机器学习算法采用卷积神经网络实现,它不需要对数据进行特征提取和数据重建,可以直接将光强分布作为网络的输入,自动提取特征(样本的数组矩阵)。卷积神经网络的组成分为输入层、卷积层、池化层、全连接和输出层。卷积层通过一块块的卷积核在原始图像上平移来提取特征,每一个特征就是一个特征映射(函数操作,得到下一层的特征);而池化层通过汇聚特征后稀疏参数来减少要学习的参数,降低网络的复杂度。在本实施例的机器学习算法中,输入层为训练集中的空间像的二维结果,而输出层为这些二维结果对应的缺陷尺寸。
在S4中,测试通过或者测试失败的标准可以根据不同的场景加以不同的定义,本实施例中的测试通过的标准定义为检测值与真值的平均偏差率在5%以下。其中真值表示标定系统中光刻空间像结果对应的真实缺陷尺寸(前述预设的、已知的缺陷尺寸),而检测值表示利用该检测模型,在与前述相同的光刻空间像结果下得到的模型预测值。本实施例中利用大量bump样本数据所训练的模型对于尺寸的预测结果如图4所示。
在S5中,采用pit样本的训练集数据,以得到的bump模型为起始点,对该模型进行参数调试,以得到适应于pit缺陷的尺寸预测模型。通过比较有无bump数据样本(是否迁移学习)的结果,发现在利用迁移学习的情况下,在同等pit训练数据样本个数的情况下,可以将测试误差率由20.03%降低到8.16%,共优化了11.87%。这证明了该方法的潜力和可用性,该比较结果如图5所示。
上述具体实施方式仅仅对本发明的优选实施方式进行描述,而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下,本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进,均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。
Claims (6)
1.一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,其特征在于,包括以下步骤,
S1:针对两种类型的EUV掩膜版缺陷,在已知的、不同的缺陷尺寸的情况下,通过光刻机投影得到空间像分布,分别收集2000个bump样本和197个pit样本;
S2:整理两种样本数据,针对bump样本和pit样本,分别分出名为训练集和测试集两部分数据;
S3:针对bump样本,利用机器学习算法和训练集中的样本数据,建立并调试EUV掩膜版缺陷尺寸检测模型;
S4:采用测试集中的bump样本数据,对EUV掩膜版缺陷尺寸检测模型进行测试,若测试失败则返回步骤S3,若测试通过进入下一步;
S5:在S3和S4训练出的EUV掩膜版缺陷尺寸检测模型的基础上,采用pit样本的训练集数据,进一步调试EUV掩膜版缺陷尺寸检测模型,并采用pit样本测试集中的样本数据,对EUV掩膜版缺陷尺寸检测模型进行测试。
2.根据权利要求1所述的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,其特征在于,所述S1中,在EUV掩膜版光板上分别设计bump和pit两种缺陷,并分别设置不同的缺陷尺寸大小,通过光刻机投影,收集在焦平面位置的空间像分布。
3.根据权利要求1所述的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,其特征在于,所述S2中,针对bump样本,采用随机抽样的方式,选取1600个结果作为训练集,选取400个结果作为测试集;针对pit样本,采用随机抽样的方式,选取158个结果作为训练集,选取39个结果作为测试集。
4.根据权利要求1所述的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,其特征在于,所述S4中,bump样本测试失败为,标准定义的检测值与真值的平均偏差率在5%以上,所述标准定义的检测值是利用数学模型,光刻空间像结果下得到的模型预测值;所述真值是该光刻空间像对应的真实缺陷尺寸。
5.根据权利要求2所述的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,其特征在于,所述S5中,针对pit样本进行训练时,是在步骤S3和S4中得到的针对bump样本的尺寸预测模型的基础上,进行的调试训练,模型架构一致,初始参数为bump样本预测模型的参数。
6.根据权利要求1所述的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法,其特征在于,所述机器学习算法采用卷积神经网络实现,直接将空间像作为网络的输入,自动提取特征进行训练,所述卷积神经网络包括输入层、卷积层、池化层、全连接和输出层;所述输入层为训练集中的二维空间像结果,所述输出层为输入层二维结果所对应的掩膜版缺陷尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911388193.1A CN111145162B (zh) | 2019-12-30 | 2019-12-30 | 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911388193.1A CN111145162B (zh) | 2019-12-30 | 2019-12-30 | 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145162A CN111145162A (zh) | 2020-05-12 |
CN111145162B true CN111145162B (zh) | 2023-04-18 |
Family
ID=70521517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911388193.1A Active CN111145162B (zh) | 2019-12-30 | 2019-12-30 | 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145162B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6295574B2 (ja) * | 2012-10-03 | 2018-03-20 | 凸版印刷株式会社 | Euvマスクの欠陥評価方法及びeuvマスクの製造方法 |
EP3355115B1 (en) * | 2017-01-26 | 2022-08-31 | Shin-Etsu Chemical Co., Ltd. | Methods and system for defect inspection, sorting and manufacturing photomask blanks |
US10599951B2 (en) * | 2018-03-28 | 2020-03-24 | Kla-Tencor Corp. | Training a neural network for defect detection in low resolution images |
CN109031894B (zh) * | 2018-08-13 | 2019-12-20 | 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 |
CN110111297B (zh) * | 2019-03-15 | 2021-03-30 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
CN110187609B (zh) * | 2019-06-05 | 2020-08-21 | 北京理工大学 | 一种计算光刻的深度学习方法 |
CN110297401B (zh) * | 2019-06-28 | 2020-05-05 | 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检测方法 |
-
2019
- 2019-12-30 CN CN201911388193.1A patent/CN111145162B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111145162A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7122386B2 (ja) | 低解像度画像における欠陥検出のためのニューラルネットワークのトレーニング | |
JP7268031B2 (ja) | 機械学習を用いたレティクルの検査 | |
US11935722B2 (en) | Machine learning on wafer defect review | |
JP6893514B2 (ja) | ハイブリッドインスペクタ | |
US8516405B2 (en) | System and method for lithography simulation | |
CN111886606A (zh) | 用于图案的语义分段的深度学习 | |
JP2022507543A (ja) | 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用 | |
US9892503B2 (en) | Monitoring changes in photomask defectivity | |
US20200096862A1 (en) | Dispositioning defects detected on extreme ultraviolet photomasks | |
KR20160044568A (ko) | 마이크로리소그래피를 위한 패턴의 자격인정 | |
CN111145162B (zh) | 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法 | |
CN101419411B (zh) | 用于平板印刷仿真的系统和方法 | |
EP4086703A1 (en) | Method for determining a stochastic metric relating to a lithographic process | |
KR20230075369A (ko) | 반도체 시편 제조를 위한 마스크 검사 | |
EP4327082A1 (en) | Defect detection for multi-die masks | |
CN111257325A (zh) | 一种光刻掩膜板缺陷检测方法及设备和芯片 |
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 |