CN111257325A - 一种光刻掩膜板缺陷检测方法及设备和芯片 - Google Patents

一种光刻掩膜板缺陷检测方法及设备和芯片 Download PDF

Info

Publication number
CN111257325A
CN111257325A CN202010061666.3A CN202010061666A CN111257325A CN 111257325 A CN111257325 A CN 111257325A CN 202010061666 A CN202010061666 A CN 202010061666A CN 111257325 A CN111257325 A CN 111257325A
Authority
CN
China
Prior art keywords
defect
mask plate
image distribution
mask
spatial image
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
Application number
CN202010061666.3A
Other languages
English (en)
Inventor
陈颖
韦亚一
董立松
陈睿
吴睿轩
粟雅娟
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.)
Institute of Microelectronics of CAS
Original Assignee
Institute of Microelectronics of CAS
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 Institute of Microelectronics of CAS filed Critical Institute of Microelectronics of CAS
Priority to CN202010061666.3A priority Critical patent/CN111257325A/zh
Publication of CN111257325A publication Critical patent/CN111257325A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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

Abstract

本发明公开了一种光刻掩膜板缺陷检测方法及设备和芯片，涉及光刻技术领域，以降低掩膜板的缺陷检测成本的同时，加快检测速度的同时，提高缺陷检测准确率。所述光刻掩膜板缺陷检测方法包括：获取待测掩膜板的光刻投影，所形成的空间图像分布；利用缺陷机器学习模型对所述待测掩膜板的空间图像分布进行检测，获得光刻掩膜板的缺陷信息。所述光刻掩膜板缺陷检测设备用于执行光刻掩膜板缺陷检测方法。本发明提供的光刻掩膜板缺陷检测方法用于检测掩膜板缺陷。

Description

一种光刻掩膜板缺陷检测方法及设备和芯片
技术领域
本发明涉及光刻技术领域，具体涉及一种光刻掩膜板缺陷检测方法及设备和芯片。
背景技术
集成电路制造过程中，图形转移光刻是其中的重点步骤。目前，已经发展到采用极紫外光刻技术(Extreme Ultraviolet Lithography，缩写为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。然而，在极紫外光刻掩膜板的制造过程中，极紫外光刻掩模缺陷缺存在是不可避免的，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。
现有技术对掩模缺陷的检测方法依赖昂贵的测试机台以及额外的工艺步骤进行辅助检测，大大增加检测成本，且检测效率低下。
发明内容
为解决上述的一个或多个技术问题，本发明提供了一种光刻掩膜板缺陷检测方法、检测设备、存储介质及芯片，以降低掩膜板的缺陷检测成本的同时，加快检测速度的同时，提高缺陷检测准确率。
第一方面，本发明提供了一种光刻掩膜板缺陷检测方法。该光刻掩膜板缺陷检测方法包括：获取待测掩膜板的光刻投影所形成的空间图像分布；利用缺陷机器学习模型对所述待测掩膜板的空间图像分布进行检测，获得光刻掩膜板的缺陷信息。
优选地，所述缺陷机器学习模型的训练集和测试集为针对掩膜板的缺陷信息仿真出的空间图像分布。
优选地，所述空间图像分布包括焦平面空间图像分布，或焦平面空间图像分布和离焦平面空间图像分布。
优选地，所述缺陷信息包括缺陷表面半高全宽，缺陷表面高度，缺陷底面半高全宽，缺陷底面高度中至少一个。
优选地，所述缺陷机器学习模型的缺陷检测偏差率小于5％；和/或，所述缺陷机器学习模型为基于卷积神经网络建立的缺陷机器学习模型。
与现有技术相比，本发明提供的光刻掩膜板缺陷检测方法，缺陷机器学习模型以待测掩膜板的空间图像分布为输入值，可以快速准确的检测待测掩膜板的缺陷信息。同时，由于采集光刻机投影或者利用光刻仿真软件对待测掩膜进行光刻仿真，均可以获得待测掩膜板的光刻投影所形成的空间图像分布，无需使用依赖昂贵的测试机台以及额外的工艺步骤辅助掩膜板缺陷检测，因此，相对于现有技术，本发明提供的光刻掩膜板缺陷检测方法的检测成本比较低。
第二方面，本发明还提供一种光刻掩膜板缺陷检测设备。该光刻掩膜板缺陷检测设备包括：通信单元，用于待测掩膜板的光刻投影所形成的空间图像分布；处理单元，用于利用缺陷机器学习模型对所述待测掩膜板的空间图像分布进行检测，获得光刻掩膜板的缺陷信息；
优选地，所述缺陷机器学习模型的训练集和测试集为针对掩膜板的缺陷信息仿真出的空间图像分布。
优选地，所述空间图像分布包括焦平面空间图像分布，或焦平面空间图像分布和离焦平面空间图像分布。
优选地，所述缺陷信息包括缺陷表面半高全宽，缺陷表面高度，缺陷底面半高全宽，缺陷底面高度中至少一个。
优选地，所述缺陷机器学习模型的缺陷检测偏差率小于5％；和/或，所述缺陷机器学习模型为基于卷积神经网络建立的缺陷机器学习模型。
与现有技术相比，本发明提供的光刻掩膜板缺陷检测设备的有益效果与上述光刻掩膜板缺陷检测方法的有益效果相同，在此不再赘述。
第三方面，本发明还提供一种计算机存储介质，所述计算机存储介质中存储有指令，当所述指令被运行时，实现所述的光刻掩膜板缺陷检测方法。
与现有技术相比，本发明提供的计算机存储介质的有益效果与上述光刻掩膜板缺陷检测方法的有益效果相同，在此不再赘述。
第四方面，本发明还提供了一种芯片，包括处理器以及与处理器耦合的通信接口，所述处理器用于运行计算机程序或指令，执行所述的光刻掩膜板缺陷检测方法。
与现有技术相比，本发明提供的芯片的有益效果与上述光刻掩膜板缺陷检测方法的有益效果相同，在此不再赘述。
附图说明
当结合附图进行阅读时，根据下面详细的描述可以最佳地理解本发明的各个方面。应该注意，根据工业中的标准实践，各种部件没有被按比例绘制。实际上，为了清楚地讨论，各个部件的尺寸可以任意地增加或减少。
图1是本发明提供的光掩膜板缺陷检测系统的结构框图示意图；
图2是本发明提供的光刻掩膜板缺陷检测方法流程图；
图3是本发明提供的缺陷机器学习模型建立方法流程图；
图4是本发明光刻掩膜板缺陷信息的表征示意图；
图5是本发明焦平面位置相对于理想位置偏移量为0nm的光刻空间图像示例图；
图6是本发明提供的一种缺陷信息测试结果平均误差率示例图；
图7是本发明测试结果在缺陷表面(startlayer)的高度预测值(Predict)和真值(Golden)的比较示例；
图8是本发明测试结果在缺陷表面(startlayer)的半高全宽预测值(Predict)和真值(Golden)的比较示例；
图9是本发明测试结果在缺陷底面(endlayer)的高度预测值(Predict)和真值(Golden)的比较示例；
图10是本发明测试结果在缺陷底面(endlayer)的半高全宽预测值(Predict)和真值(Golden)的比较示例；
图11是本发明提供的一种光刻掩膜板缺陷检测设备示意图；
图12本发明提供的一种芯片的结构示意图。
具体实施方式
下面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作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。
本实施例中提到的“示例性的”或者“例如”等词用于表示作例子、例证或说明，旨在以具体方式呈现相关概念，不应被解释为比其他实施例或设计方案更优选或更具优势。
本申请实施例提供的方法应用于光掩膜板缺陷检测系统。如图1所示，该掩膜板缺陷检测系统包括光刻机100、采集设备200和终端设备300。
上述光刻机100可以配合掩膜板使用，以形成集成电路中的各种图案化结构。例如：可以使用极紫外光刻(Extreme Ultraviolet Lithography，缩写为EUVL)机和掩膜板相配合，用以形成集成电路中70nm～30nm特征尺寸的图案化结构。
上述采集设备200用于采集待测掩膜板的光刻投影所形成的空间图像分布，可以为电荷藕合器件图像传感器charge coupled device，缩写为CCD)或内置有光刻仿真软件的终端设备。
上述终端设备300用于检测掩膜板缺陷，可以为台式电脑、平板电脑等具有数据处理功能的终端设备。
如图2所示，本发明实施例提供一种光刻掩膜板缺陷检测方法。该方法不仅可以用于检测极紫外光刻掩膜板的缺陷，也可以检测其他掩膜板的缺陷。该方法可以由终端设备或应用于终端设备的芯片执行。该检测方法包括以下步骤：
S101，终端设备获取待测掩膜板的光刻投影所形成的空间图像分布。
S102，终端设备利用缺陷机器学习模型对待测掩膜板的空间图像分布进行检测，获得光刻掩膜板的缺陷信息。
上述待测掩膜板的光刻投影所形成的空间图像分布是指利用光刻仿真软件对含有相位型缺陷的掩膜板进行成像仿真或通过光刻机对含有相位型缺陷的掩膜板进行投影，获得空间图像分布的强度分布的结果图。此时，对待测掩膜板的缺陷进行检测时，无需使用依赖昂贵的测试机台以及额外的工艺步骤辅助掩膜板缺陷检测，从而降低本发明提供的光刻掩膜板缺陷检测方法的检测成本。并且，本发明实施例提供的光刻掩膜板缺陷检测方法，以待测掩膜板的空间图像分布为缺陷机器学习模型的输入值，可以快速准确的检测待测掩膜板的缺陷信息。
由上可见，本发明实施例提供的光刻掩膜板缺陷检测方法由于空间图像分布通过仿真软件或光刻机投影即可得到，输入值获取方便简单，避免了额外工序及其他机台引入的高昂成本；采用机器学习建立模型，将机器学习引入到了缺陷尺寸的预测中，在保证预测精度的同时，提升了预测速度。上述综合说明，本发明实施例提供的光刻掩膜板缺陷检测方法具有模型建立速度快、精度高，具有普适性和可移植性的优点。
在一个具体实施例中，步骤S101中，待测掩膜板的光刻投影所形成的空间图像分布，主要是通过光刻机对待测掩膜板进行投像，在焦平面位置获得的待测掩膜板的焦平面空间图像分布，或在焦平面位置和离焦平面位置均获得的待测掩膜板的空间图像分布。将焦平面空间图像分布作为输入值，或者将焦平面空间图像分布和离焦平面空间图像分布均作为输入值，相当于增加了更多的输入特征信息，有助于测试结果精度的提升。
在另一个具体实施例中，步骤S102中，先建立缺陷机器学习模型，缺陷机器学习模型的训练集和测试集为针对掩膜板的缺陷信息仿真出的空间图像分布。这里需要说明的是，掩膜板的缺陷信息主要包括缺陷表面半高全宽，缺陷表面高度，缺陷底面半高全宽，缺陷底面高度中至少一个。空间图像分布为通过仿真获得的与缺陷信息对应的焦平面空间图像分布，或焦平面空间图像分布和离焦平面空间图像分布。缺陷机器学习模型建立时，以焦平面空间图像分布，或焦平面空间图像分布和离焦平面空间图像分布为输入值，输出对应的缺陷信息。当采用焦平面空间图像分布和离焦平面空间图像分布为输入值时，相当于增加了更多的输入特征信息，有助于训练模型精度的提升。
进一步地，作为上述实施例的一个优选方案，所述缺陷机器学习模型为基于卷积神经网络建立的缺陷机器学习模型。本发明建立的缺陷机器学习模型的缺陷检测偏差率小于5％。
为了进一步说明本发明的目的，本发明实施例提供了一个具体场景，进一步说明缺陷机器学习模型的建立过程，如图3所示，该缺陷机器学习模型的建立包括如下步骤：
S1021，终端设备设置含有若干缺陷的光刻掩膜板。其中，设置的掩膜板的若干缺陷优选为尺寸不同的缺陷。
在实际应用中，对于掩膜板的缺陷来说，其埋藏在多层掩膜板中。图4示出本实施例还提供了一个具体的掩膜板的缺陷尺寸示意图。如图4所示，掩膜板的缺陷尺寸主要包括缺陷表面半高全宽ωtop，缺陷表面高度htop，缺陷底面半高全宽ωbot，缺陷底面高度hbot中的至少一种。
S1022，终端设备通过仿真软件，对含有若干缺陷的光刻掩膜板进行仿真处理，仿真出光刻机照射掩膜板光板时在焦平面位置得到的若干与不同的缺陷尺寸相对应的空间图像分布的结果图。当然，空间图像分布的结果图不限于焦平面位置的空间图像分布的结果图，也可以是离焦平面的空间图像分布的结果图。在本实施例中，主要以仿真得到的焦平面位置得到的空间图像分布为例，图5示出本实施例中仿真得到的一个缺陷信息对应的焦平面位置的空间图像分布的结果图，其可以作为训练模型的一个输入信息，进行训练模型的训练。
步骤1023，终端设备建立缺陷机器学习模型的训练集和测试集。
为了建立缺陷机器学习模型的训练集和测试集，需要以含有多个缺陷尺寸的掩膜板为采样集，采样得到多个与缺陷尺寸相对应的空间图像分布。这里所说的多个可以理解为实现本发明目的所需要的任意数量。例如：本实施例中优选为采用上述方法得到的2000个空间图像分布结果图，然后采用随机抽样的方式选择训练集与测试集。其中，训练集中空间图像分布的结果图与测试集中空间图像分布的结果图的数量比可以为任意满足缺陷机器学习模型建立的比值，例如训练集中空间图像分布的结果图的数量与测试集中空间图像分布的结果图的数量比值可以为2:1，或3:1，或4:1，或5:1，当然甚至也可以选择为1：1。本实施例中优选1600个空间图像分布的结果图作为训练集，剩余的400个空间图像分布的结果图作为测试集。
S1024，终端设备以训练集中空间图像分布的结果图的强度信息为输入值，采用卷积神经网络学习算法，获得以对应得缺陷信息为输出信息的训练模型。具体地，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空间图像分布的原始图像上平移来提取特征，例如在诸如图5所示的空间图像分布的结果图上平移提取特征，每一个特征就是一个特征映射；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图像分布的二维结果，而输出层为这些二维结果对应的缺陷信息。本发明实施例采用卷积神经网络实现，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。
这里需要进一步说明的是，训练模型建立时，需要对训练结果输出的缺陷信息与真值信息进行比较，控制训练模型的输出值的平均偏差率符合标准规定值，通常该标准规定值可以根据不同的场景加以不同的定义。本实施例中确定的标准规定值定义为训练结果输出的检测值与真值的平均偏差率在5％以下。当然，为了提高训练模型的精度，训练模型建立时，训练模型的标准规定值还可以定义为训练结果输出的检测值与真值的平均偏差率低于5％以下。其中，真值表示标定系统中空间图像分布结果对应的真实缺陷尺寸，而检测值表示训练模型中的以空间图像分布为输入值，在与前述相同的空间图像分布的结果下提取到的缺陷信息。
S1025，终端设备采用所述训练模型对测试集中若干所述空间图像分布的光亮强度信息进行测试，获得测试集中对应的若干缺陷信息的测试结果；将所述测试结果与真值进行对比，测试通过则完成缺陷机器学习模型的建立；测试失败则执行步骤1024，继续进行训练模型的调试，直至测试结果与真值的平均偏差率在标准范围内。
这里需要进一步说明的是，测试通过的标准可以根据不同的场景加以不同的定义，本实施例中的通过标准定义为测试结果的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空间图像分布结果对应的真实缺陷尺寸，而检测值表示利用训练模型，以测试集中的空间图像分布为输入值，在与前述相同的光刻空间图像分布的结果下得到的模型预测值。
进一步地，为了保证训练模型和测试模型的准确性，还将训练模型的平均偏差率与测试模型的平均偏差率的差值作为检测训练模型准确与否的标准。当然，训练模型的平均偏差率与测试模型的平均偏差率的差值可以根据不同的场景加以不同的定义，本实施例中规定训练模型的平均偏差率与测试模型的平均偏差率的差值在5％以下时，符合模型的通过标准。
经过仿真测试，训练集和测试集内的模型训练结果如图6中表格所示。由图6可知，以训练集中空间图像分布为输入值，进行模型训练，输出的缺陷信息与真值之间的训练误差如下：缺陷底面高度平均误差为3.51％，缺陷底面半高全宽平均误差为1.27％，缺陷表面高度平均误差为3.97％，缺陷表面半高全宽平均误差为1.43％，训练模型的平均偏差率为2.54％，平均偏差率小于5％；采用训练模型，以测试集中空间图像分布为输入值，输出的缺陷信息与真值之间的测试误差如下，缺陷底面高度平均误差为5.85％，缺陷底面半高全宽平均误差为1.67％，缺陷表面高度平均误差为6.77％，缺陷表面半高全宽平均误差为1.77％，测试模型的平均偏差率为4.02％，平均偏差率小于5％；且训练误差的平均偏差率与测试误差的平均偏差率的差距在5％以下，符合模型的通过标准。各参数的预测值和真值的比较分别如图7，8，9，10所示。
本发明还提供了一个具体场景，进一步说明采用缺陷机器学习模型对待测掩膜板的缺陷信息进行预测的方法，具体包括如下步骤：
S201，终端设备接收图像采集设备发送的待测掩膜板对应的空间图像分布的结果图。例如：利用光刻机对待测掩膜板进行投影，图像采集设备对投影进行采集，获得待测掩膜板对应的空间图像分布的结果图。
S202，终端设备将待测掩膜板的空间图像分布的光强作为缺陷机器学习模型的输入值，缺陷机器学习模型通过模型算法比较，自动提取出与空间图像分布的光强特征对应的缺陷信息。
采用上述预测方法，缺陷机器学习模型的的缺陷检测偏差率小于5％，对待测掩膜板的缺陷信息进行预测，得到缺陷信息的检测值。本发明的光刻掩膜板缺陷检测方法，输入值获取方便简单，避免了额外工序及其他机台引入的高昂成本，缺陷机器学习模型的检测精度高，提升了预测速度。
上述主要从终端设备的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。
在采用集成单元的情况下，图11示出一种光刻掩膜板缺陷检测设备。该光刻掩膜板缺陷检测设备可以为上述终端设备或应用于终端设备的芯片。该光刻掩膜板缺陷检测设备400包括通信单元401和处理单元402。
通信单元401用于支持光刻掩膜板缺陷检测设备执行上述实施例中由终端设备执行的S101。
处理单元402用于支持光刻掩膜板缺陷检测设备执行上述实施例中由终端设备执行的S102。
在一种可能的实现方式中，处理单元402具体用于支持光刻掩膜板缺陷检测设备执行上述实施例中由终端设备执行的S1021-S1025。
在一种可能的实现方式中，通信单元401具体用于支持光刻掩膜板缺陷检测设备执行上述实施例中由终端设备执行的S201。
处理单元402具体用于支持光刻掩膜板缺陷检测设备执行上述实施例中由终端设备执行的S202。
所述缺陷机器学习模型的训练集和测试集为针对掩膜板的缺陷信息仿真出的空间图像分布。
在一种可能的实现方式中，所述空间图像分布包括焦平面空间图像分布或焦平面空间图像分布和离焦平面空间图像分布。
在一种可能的实现方式中，所述缺陷信息包括缺陷表面半高全宽ωtop，缺陷表面高度htop，缺陷底面半高全宽ωbot，缺陷底面高度hbot中至少一个。
在一种可能的实现方式中，所述缺陷机器学习模型的缺陷检测偏差率小于5％。
在一种可能的实现方式中，所述缺陷机器学习模型为基于卷积神经网络建立的缺陷机器学习模型。
其中，处理单元402可以是处理器或控制器，例如可以是中央处理器(CentralProcessing Unit，CPU)，通用处理器，数字信号处理器(Digital Signal Processor，DSP)，专用集成电路(Application-Specific Integrated Circuit，ASIC)，现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理单元也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。通信单元可以是收发器、收发电路或通信接口等。存储单元可以是存储器。
以上通信单元401可以是该设备的一种通信接口，用于从其它设备接收信号。例如，当该设备以芯片的方式实现时，该通信单元401是该芯片用于从其它芯片或装置接收信号或发送信号的通信接口。
图12示出一种芯片的结构示意图。如图12所示，该芯片500包括一个或两个以上(包括两个)处理器501和通信接口502。
在一种可能的实现方式中，如图12所示，通信接口502用于支持上述芯片执行上述实施例中的终端设备的接收的步骤。处理器501用于支持上述芯片执行上述实施例中的终端设备的处理的步骤。
上述处理器501还可以称为中央处理单元(central processing unit，CPU)。
上述芯片还包括存储器503。存储器503可以包括只读存储器和随机存取存储器，并向处理器501提供操作指令和数据。存储器503的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，NVRAM)。
在一种可能的实现方式中，存储器503存储了如下的元素，执行模块或者数据结构，或者他们的子集，或者他们的扩展集。
上述存储器503包括只读存储器和随机存取存储器，并向处理器503提供指令和数据。存储器503的一部分还可以包括NVRAM。例如应用中处理器501、通信接口502以及存储器503通过总线系统504耦合在一起，其中总线系统504除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图12中将各种总线都标为总线系统504。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的方法、设备和芯片，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请实施例各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种光刻掩膜板缺陷检测方法，其特征在于，包括：
获取待测掩膜板的光刻投影所形成的空间图像分布；
利用缺陷机器学习模型对所述待测掩膜板的空间图像分布进行检测，获得光刻掩膜板的缺陷信息。
2.根据权利要求1所述的光刻掩膜板缺陷检测方法，其特征在于，所述缺陷机器学习模型的训练集和测试集为针对掩膜板的缺陷信息仿真出的空间图像分布。
3.根据权利要求1或2所述的光刻掩膜板缺陷检测方法，其特征在于，所述空间图像分布包括焦平面空间图像分布，或焦平面空间图像分布和离焦平面空间图像分布。
4.根据权利要求1或2所述的光刻掩膜板缺陷检测方法，其特征在于，所述缺陷信息包括缺陷表面半高全宽，缺陷表面高度，缺陷底面半高全宽，缺陷底面高度中至少一个。
5.根据权利要求1～4任一项所述的光刻掩膜板缺陷检测方法，其特征在于，所述缺陷机器学习模型的缺陷检测偏差率小于5％；和/或，
所述缺陷机器学习模型为基于卷积神经网络建立的缺陷机器学习模型。
6.一种光刻掩膜板缺陷检测设备，其特征在于，包括：
通信单元，用于获取待测掩膜板的光刻投影所形成的空间图像分布；
处理单元，用于利用缺陷机器学习模型对所述待测掩膜板的空间图像分布进行检测，获得光刻掩膜板的缺陷信息。
7.根据权利要求6所述的光刻掩膜板缺陷检测设备，其特征在于，所述缺陷机器学习模型的训练集和测试集为针对掩膜板的缺陷信息仿真出的空间图像分布。
8.根据权利要求6或7所述的光刻掩膜板缺陷检测设备，其特征在于，所述空间图像分布包括焦平面空间图像分布，或焦平面空间图像分布和离焦平面空间图像分布。
9.根据权利要求6或7所述的光刻掩膜板缺陷检测设备，其特征在于，所述缺陷信息包括缺陷表面半高全宽，缺陷表面高度，缺陷底面半高全宽，缺陷底面高度中至少一个。
10.根据权利要求6～9任一所述的光刻掩膜板缺陷检测设备，其特征在于，所述缺陷机器学习模型的缺陷检测偏差率小于5％；和/或，
所述缺陷机器学习模型为基于卷积神经网络建立的缺陷机器学习模型。
11.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，当所述指令被运行时，实现如权利要求1-5任一项所述的光刻掩膜板缺陷检测方法。
12.一种芯片，其特征在于，包括处理器以及与处理器耦合的通信接口，所述处理器用于运行计算机程序或指令，执行如权利要求1-5任一项所述的光刻掩膜板缺陷检测方法。
CN202010061666.3A 2020-01-19 2020-01-19 一种光刻掩膜板缺陷检测方法及设备和芯片 Pending CN111257325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010061666.3A CN111257325A (zh) 2020-01-19 2020-01-19 一种光刻掩膜板缺陷检测方法及设备和芯片

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010061666.3A CN111257325A (zh) 2020-01-19 2020-01-19 一种光刻掩膜板缺陷检测方法及设备和芯片

Publications (1)

Publication Number Publication Date
CN111257325A true CN111257325A (zh) 2020-06-09

Family

ID=70950774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010061666.3A Pending CN111257325A (zh) 2020-01-19 2020-01-19 一种光刻掩膜板缺陷检测方法及设备和芯片

Country Status (1)

Country Link
CN (1) CN111257325A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100149505A1 (en) * 2008-12-17 2010-06-17 Asml Holding N.V. EUV Mask Inspection System
CN103424985A (zh) * 2012-05-18 2013-12-04 中国科学院微电子研究所 极紫外光刻掩模缺陷检测系统
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
CN110297401A (zh) * 2019-06-28 2019-10-01 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
CN110570396A (zh) * 2019-08-07 2019-12-13 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100149505A1 (en) * 2008-12-17 2010-06-17 Asml Holding N.V. EUV Mask Inspection System
CN103424985A (zh) * 2012-05-18 2013-12-04 中国科学院微电子研究所 极紫外光刻掩模缺陷检测系统
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
CN110297401A (zh) * 2019-06-28 2019-10-01 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
CN110570396A (zh) * 2019-08-07 2019-12-13 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
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

Similar Documents

Publication Publication Date Title
KR102424804B1 (ko) 광학 다이 대 데이터베이스 검사
US9177372B2 (en) Defect estimation device and method and inspection system and method
US8516405B2 (en) System and method for lithography simulation
US10712672B2 (en) Method of predicting patterning defects caused by overlay error
CN106158679B (zh) 结合晶圆实体测量与数位模拟以改善半导体元件制程方法
US20150185626A1 (en) Method and apparatus for design of a metrology target
JP7344203B2 (ja) マイクロリソグラフィのためのマスクの認定のための方法
TW202129225A (zh) 用於計量之信號域適應
CN111257325A (zh) 一种光刻掩膜板缺陷检测方法及设备和芯片
CN116385346A (zh) 掩模版关键尺寸数据分析处理方法及装置
US10282509B2 (en) Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus
CN111145162B (zh) 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法
US20100167190A1 (en) Pattern-correction supporting method, method of manufacturing semiconductor device and pattern-correction supporting program
CN110794645B (zh) 确定合适的opc修正程序的方法及装置、掩膜版及优化方法
CN116306452B (zh) 一种光刻胶参数获取方法及装置、电子设备
JP7236435B2 (ja) クリティカルディメンション測定用の検査ガイド付きクリティカルサイト選択
JP2023524095A (ja) フォトマスクを製造するシステム、方法、及びプログラム製品
CN117950280A (zh) 建立光学邻近效应修正模型的方法、电子设备和存储介质

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

Application publication date: 20200609

RJ01 Rejection of invention patent application after publication