CN111595812A - 基于动量空间色散关系的关键参数的量测方法和系统 - Google Patents
基于动量空间色散关系的关键参数的量测方法和系统 Download PDFInfo
- Publication number
- CN111595812A CN111595812A CN202010474340.3A CN202010474340A CN111595812A CN 111595812 A CN111595812 A CN 111595812A CN 202010474340 A CN202010474340 A CN 202010474340A CN 111595812 A CN111595812 A CN 111595812A
- Authority
- CN
- China
- Prior art keywords
- target
- measured
- dispersion relation
- relation pattern
- dispersion
- 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
- 239000006185 dispersion Substances 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 63
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims description 39
- 230000010287 polarization Effects 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 238000012876 topography Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 15
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 13
- 229910052710 silicon Inorganic materials 0.000 description 13
- 239000010703 silicon Substances 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 12
- 239000013598 vector Substances 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 10
- 238000005530 etching Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 229910052709 silver Inorganic materials 0.000 description 4
- 239000004332 silver Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000001507 sample dispersion Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/21—Polarisation-affecting properties
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- 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
- G01N21/9501—Semiconductor wafers
-
- 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
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- 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
- G03F7/706835—Metrology information management or control
- G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
- G03F7/706841—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本公开的实施例涉及一种基于动量空间色散关系的关键参数的量测方法和系统,该方法包括:根据入射光参数和所述待测目标的形貌模型,建立与待测目标的动量空间的色散曲线有关的模拟数据集;基于所述模拟数据集,训练基于神经网络的预测模型;基于入射光对待测目标的实际测量,获得待测目标在动量空间的色散关系图案,其中色散关系图案至少指示与待测目标的所述关键参数有关的色散曲线;以及基于色散关系图案,经由经训练的预测模型,从色散关系图案中提取与色散曲线有关的特征,以便确定与待测目标的至少一个关键参数有关的估计值。根据本公开的方法,可以更为高效、经济、准确地进行至少一个关键参数的度量。
Description
技术领域
本公开的各实施例涉及量测领域,更具体地涉及确定待测目标的关键参数的量测方法、系统、计算设备和存储介质。
背景技术
光学关键参数(Optical Critical-Dimension,OCD)测量是当前半导体微纳制程中的一项重要测量。
随着半导体工业向微纳技术节点持续推进,集成电路器件尺寸不断缩小,器件结构设计愈加复杂,特别是三维器件的出现,使得工艺控制在半导体制备工艺中越来越重要。生产过程中,通过严格的工艺控制才能获得功能完整的电路和高速工作的器件。因此,如何准确且高效地测量光学关键参数越来越成为一个挑战。
传统的关键参数的测量方法例如是基于待测目标的衍射光谱(或反射光谱)进行的,其中衍射光谱(或反射光谱)可以随波长、衍射角和/或偏振的变化而变化,其中需要利用库搜索的方式来进行光谱比对,以确定关键参数。
发明内容
本公开提出了一种全新的关键参数的量测方法,其可以应用于微纳制程的检测,并且更为高效、准确且经济地实现对关键参数的度量。
根据本公开的第一方面,其提供了一种确定待测目标的关键参数的量测方法。该方法包括根据入射光参数和所述待测目标的形貌模型,建立与待测目标的动量空间的色散曲线有关的模拟数据集,其中所述形貌模型由若干个关键参数表征;基于所述模拟数据集,训练基于神经网络的预测模型;基于入射光对待测目标的实际测量,获得待测目标在动量空间的色散关系图案,其中色散关系图案至少指示与待测目标的所述关键参数有关的色散曲线;以及基于色散关系图案,经由经训练的预测模型,从色散关系图案中提取与色散曲线有关的特征,以便确定与待测目标的至少一个关键参数有关的估计值。
本公开的该方法首次提出了使用动量空间的色散关系图案来估计关键参数的值,并且利用经由训练的神经网络预测模型来高效地确定待测目标的至少一个关键参数。由于动量空间的色散关系图案中反映丰富的入射光和待测目标结构的信息,因此基于上述色散关系图案来度量待测目标的光学关键参数,可以有利地提高度量的准确性,而且能够度量结构相对复杂的待测目标的光学关键参数。另外,由于利用经由训练的神经网络预测模型,基于所提取的与所述色散曲线有关的特征来度量待测目标的光学关键参数,其计算过程主要为矩阵乘法,其所需存储的是主要是数据规模较小的网络参数和网络结构,因此相较于传统的基于衍射光谱和库搜索比对的关键参数的测量方法而言,本公开可移植性更强,能够更加快速地对关键参数进行计算。因此,本公开的技术方案完全不同于现有技术的光谱比对和库搜索的原理,是一种全新的微纳结构测量的技术路径。利用本公开的方法,可以更为高效、准确地且经济地获得待测目标的关键参数的度量。
在一些实施例中,经由经训练的所述神经网络的预测模型,从所述色散关系图案中提取与所述色散曲线有关的特征,以便确定与所述待测目标的至少一个关键参数有关的估计值包括:经由所述神经网络输出所述至少一个关键参数的估计概率密度分布。在该些实施例中,估计概率密度分布可以用于度量关键参数值,其精度对于半导体的测量是足够的。在一些实施例中,所述预测模型可以是神经网络的回归模型。
在一些实施例中,基于入射光对所述待测目标的实际测量,获得所述待测目标在动量空间的色散关系图案包括:利用s偏振光和p偏振光中的至少之一对所述待测目标进行实际测量,以获得所述待测目标的动量空间的s光偏振色散关系图案和p光偏振色散关系图案中的相应至少之一。在进一步的实施例中,可以在单次确定关键参数的计算中,同时将s光偏振色散关系图案和p光偏振色散关系图案两者输入到神经网络中,以获得与所述待测目标的至少一个关键参数有关的估计值。以这种方式获得色散关系图案,可以更为准确地提取与色散关系图案中的色散曲线的特征值。
尽管这里使用了s偏振光和p偏振光,但本公开的技术方案可以不限于使用s、p偏振光入射,在其他实施例中,自然光,圆偏振,乃至椭圆偏振入射都是可行的。
在一些实施例中,获得所述模拟数据集包括通过改变以下参数中的一者或多者,来获得所述模拟数据集:入射光的入射角度;入射光的波长;入射光的偏振;和所述形貌模型的关键参数。以这种方式,可以获得大量的模拟数据集,避免了昂贵的实际测量和数据收集的时间成本。
在一些实施例中,该方法还可以包括在至少部分所述模拟数据集中加入与光强有关的噪声,以获得模拟潜在测量噪音的经增强的模拟数据集;以及基于所述经增强的模拟数据集,来训练所述神经网络。以这种方式,可以实现对光强干扰的鲁棒性,从而获得更为精确的关键参数测量。作为示例,与光强有关的上述噪声可以包括低频扰动、高斯噪声以及柏林噪声中的一种或多种。
在一些实施例中,可以使用角分辨光谱仪对所述待测目标进行实际测量,并且以例如拍照或者扫描的形式获得所述待测目标的动量空间的色散关系图案。以这种方式,可以轻易地获得动量空间的作为图片的色散关系图案。
在一些实施例中,所述角分辨光谱仪的测量角度选择在-60度至60度的范围内,以及测量波长为900nm-1700nm的近红外波段,或测量角度在-60度至60度的范围内,测量波长为360nm-900nm的可见光波段,或者200nm-360nm的紫外波段。以这种方式,可以提供大角度以及宽波段范围的测量。
在一些实施例中,获得所述待测目标在动量空间的色散关系图案可以包括:基于所述待测目标所在背景的动量空间的色散关系图案以及所述入射光的光源在动量空间的色散关系图案,来获得所述待测目标在所述入射光下的动量空间的色散关系图案。
在一些实施例中,所述色散曲线和色散关系图案均由第一坐标与第二坐标来限定,其中所述第一坐标指示能量/频率或波长,所述第二坐标指示角度/波矢或动量。将会理解,能量和波长之间以及角度和动量之间可以由公式简单转换。因此,在动量空间,能量/频率和波长可以互换使用,角度/波矢和动量可以互换使用。
在一些实施例中,该方法还可以包括:根据阿贝正弦条件调节测量系统,来消除成像结果的像差。
在一些实施例中,该方法还可以包括:经由测量物镜的数值孔径修正和/或角度分辨率修正,来修正所述模拟数据集。以这种方式,可以获得更为准确的模拟数据集。
在一些实施例中,获得所述模拟数据集包括:基于严格耦合波(RCWA)模拟算法、时域有限差分方法(FDTD)、有限元方法(FEM)和边界元法(BEM)中的至少一项来建立所述模拟数据集。
在一些实施例中,所述神经网络是卷积神经网络。更进一步地,所述卷积神经网络可以是三层卷积、三层全连接的神经网络。
根据本公开的第二方面,提供了一种确定待测目标的关键参数的量测方法。该方法包括:获取所述待测目标在动量空间的色散关系图案,所述色散关系图案是所述入射光照射所述待测目标后经由光谱装置在动量空间生成的,所述色散关系图案至少指示与所述待测目标的关键参数有关的色散曲线;基于所述色散关系图案,经由基于神经网络的预测模型,从所述色散关系图案中提取与所述色散曲线有关的特征;以及基于提取的与所述色散曲线有关的特征,确定与所述待测目标的关键参数有关的估计值。
在一些实施例中,所述预测模型已经使用入射光参数和所述待测目标的形貌模型两者所建立的模拟数据集进行了训练,其中所述形貌模型由待测目标的若干个关键参数表征。
根据本公开的第三方面,提供了一种测量系统。该测量系统被配置为包括光谱仪,其被配置成基于入射光对待测目标的实际测量,而生成待测目标在动量空间的色散关系图案,所述色散关系图案至少指示与所述待测目标的关键参数有关的色散曲线;以及计算设备,其被配置为可操作地以执行根据第一方面中的任一项实施例所述的方法。
根据本公开的第四方面,提供了一种计算设备。该计算设备包括:存储器,被配置为存储一个或多个计算机程序;以及处理器,耦合至所述存储器并且被配置为执行所述一个或多个程序以使量测装置或量测系统执行根据第一方面和第二方面中的任一项所述的量测方法。
根据本公开的第五方面,提供了一种非暂态机器可读存储介质,其上存储有机器可读程序指令,所述机器可读程序指令可以被配置为使得量测装置或量测系统执行根据第一方面和第二方面的实施例中的方法。
应当理解,尽管本公开的上述各个方面描述了利用神经网络的预测模型结合色散关系图案来量测或获取待测目标的关键参数,但本公开并不排除利用传统的光谱比对或库搜索的技术与色散关系图案相结合来获取待测目标的关键参数的可能。因此,在这些实施例中,一种确定待测目标的关键参数的量测方法可以包括以下步骤:
获取所述待测目标在动量空间的色散关系图案,所述色散关系图案是所述入射光照射所述待测目标后经由光谱装置在动量空间生成的,所述色散关系图案至少指示与所述待测目标的关键参数有关的色散曲线;
基于所述色散关系图案以及光谱比对或库搜索,来确定与所述待测目标的关键参数有关的估计值;或者
基于所述色散关系图案以及光谱比对或库搜索,提取与所述待测目标的关键参数有关的特征值,然后从所述特征值来来确定与所述待测目标的关键参数有关的估计值。
还应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开实施例的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的用于实施确定待测目标的关键参数的量测方法的系统的示意图;
图2示出了根据本公开的一个实施例的所建立的光栅模型的截面示意图;
图3示出了根据本公开的一个实施例的反射式角分辨光谱仪的示意性结构图;
图4示出了根据本公开的一个实施例的全光接收的示意图;
图5示出了根据本公开的一个实施例的深度学习的神经网络的架构的示例;
图6a至图6d示出了根据本公开一个实施例的关键参数度量方法所获得的结果和实验结果的对比示例;
图7示出了根据本公开的一个实施例的确定待测目标的至少一个关键参数的流程图;以及
图8示意性示出了适于用来实现本公开实施例的电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
如背景技术中所述的,在大规模集成电路制备中伴随着对制备工艺的检测流程,而对待测目标(譬如刻蚀光栅)的几何形貌进行检测是对制造工艺(诸如蚀刻工艺)检测的最常用的方法之一。在此,本公开构思了一种全新的对待测目标的关键参数进行度量的方法,即通过识别与待测目标在动量空间中的色散曲线的特征来实现对待测目标的至少一个关键参数进行度量。
图1示出了根据本公开的实施例的可以用于实施确定待测目标的关键参数的量测方法的示例系统的示意图。如图1所示,系统100可以包括光谱测量设备110、计算设备120以及待测目标130。作为示例,待测目标130例如是蚀刻光栅,如后面的图2所示。
关于光谱测量设备110,其例如可以是角分辨光谱仪。特别地,其可以是反射式角分辨光谱仪。光谱测量设备110可以基于入射光对待测目标130的实际测量而在动量空间生成色散关系图案140,该色散关系图案140中至少指示与待测目标130的关键参数有关的色散曲线。关于光谱测量设备110的详细描述,下文将结合图3进一步展开。在此,不再赘述。
计算设备120可以基于经训练的预测模型和色散关系图案来确定待测目标的至少一个关键参数。用于训练预测模型的多个样本可以是基于实验而测得的待测目标在入射光下的动量空间的多个样本色散关系图案而建立的样本数据集,也可以是通过模拟的方法而建立关于待测目标的动量空间的色散曲线的模拟数据集。例如,计算设备120可以根据入射光参数和待测目标的形貌模型来建立与所述待测目标的动量空间的色散曲线有关的模拟数据集。
应当理解,基于实验的色散曲线样本数据集能够反映实验设备的真实情况。基于数值模拟的方法而建立的模拟数据集有利于高效率地获得大量的训练数据集,进而提高训练预测模型的效率,以及降低训练预测模型的成本。在一些实施例中,计算设备120可以例如是服务器。在又一些实施例中,计算设备120可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,在每个计算设备上也可以运行着一个或多个虚拟机。
应当注意,尽管上面将光谱测量设备110、计算设备120示出为分离的部件,但将会理解,在一些实施例中,光谱测量设备110和计算设备120可以集成在一起作为单个部件。
在实际的半导体蚀刻过程中,待测目标(诸如,蚀刻光栅)的截面形状常常无法制成理想的矩形。为此,本公开建立了合适的模型并且利用若干个参数来描述待测目标的表面形貌。
作为待测目标130的示例,图2描述了作为待测目标模型的蚀刻光栅,其中蚀刻光栅的截面形状被示出为等腰梯形,其中可以用四个关键参数来描述该光栅的结构:梯形上底w1,梯形下底w2,梯形高度h1以及光栅的周期a。需要说明的是:这里的四个关键参数仅仅是示例,对于光栅形貌而言,还可以包括其他的关键参数,譬如侧壁倾斜角度等。下文将分别从实验部分以及算法部分阐述本公开的方法的示例性实现。
1.实验部分
1.1角分辨光谱仪的测量
仅作为示例,可以使用角分辨光谱仪(例如反射式角分辨光谱仪)来对待测目标(诸如光栅)的色散曲线进行测量。
图3示出了光谱测量设备110(例如是反射式角分辨光谱仪)的示意性结构。
反射式角分辨光谱仪是基于傅里叶光学的动量空间光谱成像技术。如图3所示,其主要包括成像光路部分与频谱分析部分。
在成像部分中,光(诸如,自然光)由照明光源1经过起偏器2和物镜3汇聚后入射至待测目标130的表面,待测目标的反射光再次经过物镜3,在物镜3后焦面处得到待测目标130的傅里叶像;余下的成像光路将物镜后焦面处的傅里叶像成像至频谱分析部分。
频谱分析部分可以主要由光谱仪6,成像器7(诸如2维CCD阵列)以及狭缝8组成。狭缝8用于在待测目标的傅里叶像上选取需要频谱分析的动量坐标。对于傅里叶像(或称为倒空间像、动量空间像)而言,动量坐标例如表示为kx和ky,这里可以在任意的ky处展开。假设需要在ky=0处进行展开,可以将狭缝8关到最小并对准傅里叶像ky=0处所对应的直线位置,从而筛选进入光谱仪的动量坐标,进入光谱仪筛选后的线状的傅里叶像将会被按波长展开,成为二维图像成像于诸如2维CCD阵列的成像器上记录。
仅作为示例,本公开的上述光源、物镜、和光谱仪等器件的型号可以如下:
物镜:MplanFLN 100X@Olympus;照明光源:U-LH100L-3@Olympus;光谱仪:HRS-300@Princeton Instrument;CCD:PIXIS:1024@Princeton Instrument。此外,还需要银镜:ME05S-P01@Thorlabs,等作为辅助器件。
假定一个待测的蚀刻光栅样品,在一些实施例中,可以将光栅周期性变化的方向称为kx方向,光栅的刻槽走向称为ky方向,由此测量在预定ky下的动量空间中的色散关系图案,其中该色散关系图案中形成有色散曲线,其中色散曲线反映了该待测目标的关键参数。在光学表示上,色散曲线为光学本征方程的本征值在动量空间中构成的变化轨迹。仅作为示例,可以测量待测光栅样品在s、p光的照射下,沿ky=0方向在动量空间中的色散关系图案。
在一些实施例中,动量空间成像的波长范围可以通过光谱设备进行设置,例如将其设置在所期望的测量角度和波段范围内。例如,可以将光谱仪的测量角度设定在-55度至55度的范围内,将波段范围设置在诸如900nm至1700nm的近红外波段,或400-900nm的可见光波段,或者200nm-360nm的紫外波段。
在波段范围较广(诸如900nm至1700nm的近红外波段)的情况下,可以分波段测量光谱,然后将光谱拼接起来。例如,可以将该波长范围分成多次测量(例如3次测量),每次测量可以记录多次结果(比如,20次结果),然后求取平均,再将光谱拼接而成。
在一些实施例中,为了获得待测目标在动量空间中的色散关系图案,可以选择以s偏振光或p偏振光的至少之一进行入射。然而,这不是必需的,在其他一些实施例中,以其他线偏振光或圆偏振或椭圆偏振光进行入射也是可能的。
为了提高所获得的待测目标在动量空间的色散关系图案的准确性,在一些实施例中,可能需要考虑待测目标的背景的动量空间的色散关系图案和光源的动量空间的色散关系图案两者对待测目标在动量空间的色散关系图案的影响。因此,可以依次测量待测目标所处的背景的动量空间的色散关系图案Ibackground,m,光源的动量空间的色散关系图案Isource,m和实测的待测目标在动量空间的初始色散关系图案Isample,m,那么,考虑了上述影响的待测目标在动量空间的色散关系图案Isample可以表述如下:
作为示例,首先,可以使物镜对着空载物台测量背景下的动量空间图像Ibackground,m;再将载物台上放上银镜,测量光源的动量空间图像Isource,m,测量银镜时需要物镜对焦与银镜表面,可使用光阑帮助对焦;最后放上待测目标,调节待测目标表面至水平,光栅方向沿ky=0方向以及物镜对焦于样品表面,测量待测目标的动量空间图像Isample,m;然后根据上述公式(1)获得待测目标在入射光(例如,偏振光)照射下的动量空间中的色散关系图案Isample。
在一些实施例中,上述测量背景可以是指暗背景,即指在无输入信号时,探测器所接受到的背景信号。
注意:在上面的实施例中,以公式(1)的形式考虑了背景的动量空间的色散关系图案和光源的动量空间的色散关系图案两者的影响。然而,将会理解,公式(1)仅仅是示例,在其他的实施例中,对上述两者的影响的考虑也可以以不同于公式(1)的其他公式给出。
在一些实施例中,对于多个待测样品的情况下,背景和光源只需一次测量,但在切换入射光的偏振时,由于偏振片的影响,需要重新对背景与光源测量。在又一些实施例中,如果不使用偏振片,或偏振片固定不变,则无需对测量系统进行改变。
在一些实施例中,为了获得待测目标在入射光下的动量空间的色散关系图案,计算设备120可以基于待测目标的测量背景下的动量空间的色散关系图案、入射光的光源的动量空间的色散关系图案和,来获得更为准确的待测目标在入射光下的动量空间的色散关系图案。
应当理解,待测目标的结构或者尺寸不同,对应的待测目标在入射光下的动量空间的色散关系图案也会呈现出差异。因此,可以从所测得的色散关系图案,来度量待测目标的光学关键参数。
1.2测量结果的处理
在一些实施例中,根据动量-角度转换公式和阿贝正弦条件将测得的光栅样品色散曲线变换为在动量-波长坐标下,或角度-波长坐标下的测量结果。
在一些实施例中,所测得的待测目标色散曲线在输入至神经网络之前可以经过图像光滑和降采样处理。
仅作为示例,假定由通过光谱拼接得到的图像像素例如为512×1944,则可以使用大小为10×10的高斯卷积核对所测量的色散图像做平滑处理。在上述校正之后,假定角度坐标的测量为-55°至55°,波长范围为900nm至1700nm,则可以选取0至50°范围内的数据,通过间隔取值将图像像素降采样至51×267,之后即可作为神经网络的输入图像。
2.算法部分
如前所述,本公开提出了结合神经网络来获得待测目标的关键参数。
2.1数据集的建立
将会理解,神经网络的训练需要基于庞大的数据集。在一些实施例中,可以基于多次实验来建立待测目标的形貌模型(例如,光栅样本)的色散曲线的数据集。
然而,基于实验来建立光栅色散曲线的数据集需要昂贵的样品准备,大量的角分辨测量以及对各个待测目标的形貌模型的关键参数的定标。对于一个包含上万个样本的数据集而言,尽管基于实验的色散曲线数据集更能反映实验设备的真实情况,但存在高成本和耗时的不利之处。
在一些实施例中,作为替代,可以通过数值模拟的方法来建立模拟数据集。在一些实施例中,根据对计算准确度和运算效率的考量,可以使用严格耦合波分析(RCWA)算法来模拟角分辨光谱仪对光栅样本的测量结果。将会理解,严格耦合波分析(RCWA)算法仅仅是示例,在其他实施例中,也可以使用其他合适的算法(譬如、时域有限差分方法(FDTD)、有限元方法(FEM)和边界元法(BEM))和/或上述各种算法的组合来模拟角分辨光谱仪对光栅样本的测量结果。
由于在实际制备中无法刻蚀出完美矩形截面的光栅,在一些示例中,待度量的待测目标的形貌模型(例如光栅结构)可以被建模成为梯形,并可以用至少四个关键参数来描述光栅结构:例如,梯形上底w1、梯形下底w2、梯形高度h1以及光栅的周期a,如图1所示。将会理解,以梯形形状建模不是必须的。在其他示例中,可以根据需要建模成其他的形状。另外,可以有更多的关键参数。
在实际的光栅制备中,可以通过氩刻法刻蚀SOI硅片的顶硅,在顶硅上刻出具有不同的上述参数的光栅结构,其中SOI硅片的参数可以被作为已知参数,即已知顶硅层、二氧化硅层和底硅层的厚度以及介电常数的实虚部。
因此,在一些实施例中,可以在先验的参数范围内改变待测目标的形貌模型(例如光栅结构)的上述至少四个关键参数来建立模拟数据集。
仅作为示例,在模拟数据集的制作中,例如,光栅的周期可以选取为350nm至550nm,光栅的上底可以选取为100nm至250nm,梯形的高可以选取为150nm至260nm,梯形斜边的倾角可以选取为0至45°,并以此换算出梯形的下底范围。由于SOI硅片的底硅厚度(约为500微米)远大于入射光波长,且SOI下底面为磨砂面,因此,在模拟中可以将SOI底硅作为厚度为无穷大的衬底。在不失精度的前提下,RCWA算法可以在计算中将傅里叶级数保留至例如13阶。为了获得近似于模型中在例如顶硅上刻蚀的梯形光栅结构,梯形光栅可以被均匀地划分成13层对称轴对齐,宽度递增的矩形。在探测近红外波段的角分辨光谱仪的示例实施例中,其物镜的接收角可以为"±"55度,可探测波长可以在900nm至1700nm,并且可任意调整入射光的偏振。
在一些实施例中,可以在模拟中以预定角度间隔改变入射角,和/或以预定波长间隔改变入射光的波长,和/或可以改变入射光的偏振,来获得模拟数据集。作为示例,例如可以以1度为间隔在0至50度的范围内改变入射角,以3nm为间隔在900nm至1700nm内改变入射光的波长,或者,可以分别选择入射光的偏振为s光和p光。最后,可以以角度或动量为横坐标,以波长或能量为纵坐标,来模拟角分辨光谱仪的测量结果。
考虑到实际测量中,测量物镜的数值孔径会对测得的色散关系图案产生影响,因此物镜的有限接收角的修正也需要考虑到RCWA模拟中。此外,RCWA算法无法直接进行全光进行模拟,所谓的全光即是指入射自然光以全角度同时入射的情形。因此,在一些实施例中,需要对RCWA算法所获得的模拟数据集进行数据修正。
在一些实施例中,可以引入测量物镜的数值孔径修正和/或角度分辨率修正,来修正所述模拟数据集。
图4示出了全光接收的示意图。作为示例,在反射式角分辨光谱仪的全光测量模式的实施例下,具有不同波长,不同水平波矢k∥的光同时从物镜入射到待测目标上,待测目标的反射光将再次被物镜接收,由物镜傅里叶变换以及光谱仪分光后得到待测目标的色散关系图案。
2.2神经网络算法
本公开提出了结合神经网络算法来从测量的待测目标的色散曲线中提取信息,来度量待测目标(例如,光栅)的关键参数。
在一些实施例中,可以使用深度学习的神经网络算法来实现对待测目标(例如,光栅)具有鲁棒性的光学关键参数的度量。
2.2.1神经网络的架构
作为示例,可以搭建具有三层卷积,三层全连接的卷积神经网络。图5示出了这种深度学习的神经网络的架构的示例。在图5的示例中,可以使用s与p偏振测量结果(色散曲线)分别从卷积层的两支输入至神经网络,s、p偏振的色散曲线将各自经过两层卷积层而提取特征图,在每层卷积层的特征提取后使用最大值池化进一步提取特征,前两层提取的特征图在合并后经过第三层卷积再次提取特征。
作为进一步的示例,第一层卷积层可以使用例如5×5的卷积核对输入的色散曲线图提取出24张特征图,第二层卷积层可以使用例如5×5的卷积核从第一层的输出特征图中继续提取出例如32张特征图,第三层卷积层可以使用3×3的卷积核从两支组合的特征图中提取出64张特征图。最后,所提取出的特征图将输入至全连接的神经网络中进行待测目标的关键参数的度量,其中三层全连接神经网络的神经元数量可以分别例如为200万个,40万个以及33万个。
在一些实施例中,神经网络的输出可以是与待度量参数相同数量的向量,每一个向量代表该关键参数在先验范围内的离散概率密度分布的得分向量。
由于待度量的关键参数均为几何长度参数,因此,在进一步的一些实施例中,参数的先验范围可以预定间隔离散化。作为示例,可以以1nm为间隔进行离散化,向量中每个元素对应于一个尺寸值。譬如,待测目标(例如光栅)的周期参数的先验范围为350nm至550nm,则光栅周期所对应的神经网络输出向量可以具有201个元素,每个元素对应350nm至550nm中的一个值。因此,在该些实施例中,输出向量上某个元素的值代表待度量关键参数为该点所对应参数值的得分。
在一些实施例中,可以基于每个参数的得分向量获得各个关键参数在先验参数范围内的离散的估计概率密度分布。作为示例,可以例如经过softmax函数处理各个参数的得分向量,来得到上述离散的估计概率密度分布。
2.2.2神经网络的训练
如前所述的,神经网络的训练需要在数据集上完成。在一些实施例中,该数据集可以包括上面所提及的模拟数据集和经由实验获得的样本数据集中的任一个或它们的组合。
特别地,在一些实施例中,可以仅在上述模拟数据集上进行神经网络的训练。作为示例,可以利用上述模拟数据集的方法,生成例如25000个具有不同几何参数的待测目标的形貌模型(例如梯形SOI光栅样品),其中可以将模拟数据集的90%作为神经网络的训练集,以及模拟数据集的10%作为测试网络的训练情况的测试集。
在一些实施例中,神经网络的训练任务可以表示为最小化损失函数。其中,损失函数C可以表示为:
上述公式(6)中,使用了交叉熵函数来描述神经网络输出的待度量参数的概率密度分布p与分布δ(x-g)间的差异程度,并在数据集上将其平均。公式(6)中,Rin是输入的色散关系图,z是神经网络的输出,θ为网络参数,m是数据集中样本的数量,q是待度量的关键参数数量,n为网络输出概率分布的离散数,g代表了数据集的标签,r中的每个元素神经网络输出向量元素所对应的尺寸值。在一些实施例中,可以先验地认为参数的概率密度分布仅在一定范围内非零,该范围是由制备方法和实验经验确定,是一个远大于制备误差范围的区间。
训练的目标是通过迭代地更新神经网络的各个参数θ来优化网络对关键参数的预测值和正确值之间的差距,该优化过程可以描述为
其中θ为网络参数,其包括了神经网络中的卷积核。在全连接层的示例中,θ包括全连接层的权重和偏置。
其中,C为损失函数,g为数据集标签,p为输出概率密度分布,Rin为输入色散关系图,α为正则化系数,||…||2为l2正则化,w为全连接层的权重。
在一些实施例中,可以在正态分布初始化神经网络的各个参数后,使用随机梯度下降算法在训练集上进行迭代训练。
作为示例,这些参数可以例如先以0均值,0.001方差的正态分布初始化,然后使用Adam随机梯度下降算法在训练集上迭代训练2000轮次,其中每轮训练又被化分为1024个样本为一个的小批次进行迭代。
在一些实施例中,可以初始设置神经网络的学习率,并且随训练的次数而降低学习率。
作为示例,学习率的初始设置可以例如为0.001,并且每训练250轮次该学习率将会缩小10倍。在训练中,dropout操作和l2正则化可以被加入到了全连接层中以增加模型的泛化能力,以防止出现过拟合,其中每层神经元被dropout的几率可以被设置为20%,并且l2正则化的系数α可以设置为0.01。
值得注意的是,在通过模拟计算得到的数据集中的色散关系图案都是理论值,而在利用实际测量结果将会与模拟计算结果有一定的偏差,因此在无干扰的数据集上训练的基于神经网络的预测模型在度量存在干扰的非理想色散关系图案所对应个待测目标(如光栅)的关键参数时将与真实值之间存在很大偏差。
为了增加神经网络对测量中可能存在的各种测量误差的鲁棒性,对训练数据集的增强是非常必要的。
在一些实施例中,数据集的增强可以通过在模拟计算的待测目标的色散关系图案上添加多种类型的随机噪声来实现。
作为示例,这些噪声可以例如为高斯噪声、低频扰动、柏林噪声、和高斯函数型扰动中的至少一种。譬如,高斯噪声(即白噪声)可以模拟测量中可能出现的随机噪声,其强度大小可以例如在±0.05内随机;低频扰动,可以模拟测量中整体强度信号的浮动,函数形式可以例如为Asin(ax+b),扰动强度大小可以例如在±0.12内随机,a可以例如为0.5至3随机倍数的2π/(色散曲线单边长的像素数量),初始相位可以例如在±π内随机;高斯函数型扰动,可以模拟测量中局部的强度偏差,函数形式可以例如遵循以下公式(8)。
在公式(8)中A、μ、σ皆为随机数。
在研究中发现:由于实验测量的色散曲线的波长(能量)标度和角度(动量)标度分别由光谱仪和阿贝正弦条件决定,因此其测量的准确率具有保证,而测量得到的色散曲线上的每点的强度则可能存在误差。因此,在一些实施例中,上述噪音类型的选取可以遵从如下原则:所选择的噪音类型需要在尽可能不改变色散曲线峰位的情况下对模拟数据的强度进行扰动。
在一些实施例中,可以采用训练过程中的在线增强进行数据集的增强。因此,在该些实施例中,当模拟的色散曲线输入至网络前将会先进行数据集的增强,在纯净的模拟数据上加入上述的噪音扰动。
在一些实施例中,神经网络的训练任务可以在计算设备120上进行。作为计算设备120的示例,其可以包括服务器。作为该服务器的示例,该服务器可以搭载诸如Intel(R)Xeon(R)Gold 6230型号CPU,256GB内存,NVIDIA Tesla V100-PCIE-32GB显卡。
在一些实施例中,神经网络算法的搭建可以基于例如python 3.6.8版本,tensorflow-gpu 1.13.1版本,cuda 10.0版本来进行。
在一些实施例中,可以设定基于神经网络的预测模型的训练时间。作为示例,神经网络的训练总用时可以设定为3小时。
3.结果展示
图6a至图6d示出了依据本公开的关键参数度量方法所获得的结果和实验结果的对比示例。
在这一示例中,待测目标的形貌模型(诸如光栅样品)的形状可以被建模为梯形光栅样品,分别为上底w1,下底w2,周期a,刻蚀深度h1,未刻蚀的硅层厚度h2(参见图1)。
图6a中的图a1和图a3是针对待测目标利用反射式角分辨光谱测量所实验得到的p偏振光和s偏振光以kx方向入射时的色散关系图案;而图a2和图a4是经过利用本公开的RCWA模拟算法所模拟获得的p偏振光和s偏振光以kx方向入射时的色散关系图案。可以看出,经模拟获得的色散关系图案和经实验获得的色散关系图案在轮廓方面保持得非常一致。
为了进一步地比较p偏振光和s偏振光在不同色散角度的实验和模拟结果,图6b中的图b1至图b6示出了针对p偏振光在图6a的实验和模拟色散图案进行每隔10度的切片(0度、10度、20度、30度、40度和50度)所获得的实验和模拟的详细谱线对比,以及图6c中的图c1至图c6示出了针对s偏振光在图6a的实验和模拟色散图案进行每隔10度切片(0度、10度、20度、30度、40度和50度)所获得的实验和模拟的详细谱线对比,其中实线表示模拟结果,虚线表示实验结果。从图6b和图6c的实验和模拟结果也可以看出,在各个色散角度,经模拟获得的色散曲线和经实验获得的谱线保持非常地一致。
图6d为本公开的神经网络所输出的5个关键参数(上底w1,下底w2,周期a,刻蚀深度h1,未刻蚀的硅层厚度h2)在经过softmax函数处理后的度量结果。该结果被表示为这五个参数在解空间的概率分布情况,最大值位置即最概然值。
从图6a至图6d可以看出,实验谱与模拟谱两者基本保持一致。另外,尽管在测量强度上可能存在略微差异,但本公开的方法依然可以度量得到能使两者色散曲线较好重合的光栅关键参数,对实验测量在强度上的鲁棒性是该方法的一大优势。
以上已经详细地介绍了本公开的测量待测目标的关键参数得方法的具体实施方式。下面将通过图7来描述根据本公开的一个实施例的确定待测目标的至少一个关键参数的流程。
在框710,根据入射光参数和所述待测目标的形貌模型,建立与所述待测目标的动量空间的色散曲线有关的模拟数据集,其中所述形貌模型由若干个关键参数表征;
在一些实施例中,待测目标例如可以为任何适合在入射光的照射下形成色散曲线或色散关系图案的结构。在又一些实施例中,待测目标可以是周期性结构,该周期性结构诸如是光栅(例如,蚀刻光栅)。
本申请的发明人意外地意识到:待测目标的动量空间的色散曲线的变化可以反映待测目标的关键参数。因此,可以基于待测目标的色散曲线来估计待测目标的关键参数。然而,发明人又发现:在现实中,大量实际地测量待测样品,以获得其动量空间的色散关系图案,然后从该色散关系图案提取色散曲线可能是不太经济以及不太有效率的,而且也存在精度上的问题。因此,本申请的发明人首次提出了建立模拟数据集,然后结合神经网络来度量所述待测目标的至少一个关键参数的方法。以这种方法,待测目标的关键参数的度量可以变得更加简单、高效、准确且更加经济。
为了获得后续适合用于基于神经网络的预测模型的训练数据集,在一些实施例中,需要针对待测目标的形貌进行建模,其中建立的形貌模型可以由该待测目标的若干个关键参数来表征。
在待测目标为诸如光栅的周期性结构的实施例中,光栅的形貌模型可以例如建立为梯形形状,其关键参数可以例如由梯形上底w1,梯形下底w2,梯形高度h1,光栅的周期a、硅层厚度h2等参数表征。显然,在其他实施例中,可以以其他的形状对待测目标进行建模,并且可以以由不同的关键参数来表征。
通常,动量空间的色散曲线的走势变化反映了所述待测目标的关键参数,并且其可以能量(波长)和角度(动量)之间的关系来表征。
这里,需要注意的是,能量和波长之间以及角度和动量之间可以通过简单地公式转换。因此,在本文的动量空间中,能量和波长可以互换使用,以及角度和动量可以互换使用。
在本公开的一些实施例中,可以基于严格耦合波(RCWA)的模拟算法来建立所述模拟数据集。然而,将会理解,这并非限制,在其他的实施例中,也可能以其他合适的算法(譬如、时域有限差分方法(FDTD)、有限元方法(FEM)、边界元法(BEM))和/或上述各种算法的组合来建立所述模拟数据集。
在一些实施例中,可以改变入射光参数和形貌模型的关键参数中的一个或多个参数,来获得大量的所述模拟数据集,其中入射光参数例如可以包括入射光的入射角度、入射光的波长和入射光的偏振;和所述形貌模型的关键参数。
本申请的发明人意识到,在实际测量的色散关系图案中,色散曲线的走势或峰位是关键的,而光强是重要的干扰因素。为了实现对光强鲁棒的数据集,因此,在一些实施例中,可以在至少部分的模拟数据集中加入与光强有关的噪声。作为与光强有关噪声的示例,光强有关的所述噪声可以包括低频扰动、高斯噪声、柏林噪声或高斯函数型扰动中的一种或多种。
另外,由于RCWA算法的局限,在一些实施例中,还可以经由测量物镜的数值孔径修正和/或角度分辨率修正,来修正所述模拟数据集。
在框720,基于所述模拟数据集,训练基于神经网络的预测模型。
在一些实施例中,可以利用经增强的模拟数据集,来训练所述神经网络,从而获得对光强鲁棒的预测模型。在一些实施例中,数据集的增强可以通过在模拟计算的待测目标的色散关系图案上添加高斯噪声、低频扰动、柏林噪声、和高斯函数型扰动中的至少一种来实现。
在一些实施例中,可以设置训练的时间,以及神经网络的学习率,等神经网络的参数。
在框730,基于入射光对所述待测目标的实际测量,获得所述待测目标在动量空间的色散关系图案,其中所述色散关系图案至少指示与所述待测目标的所述关键参数有关的色散曲线;
在该步骤中,可以使用任何适于获得待测目标的色散关系图案的测量设备。作为该种测量设备的示例,其可以为角分辨光谱仪。进一步地,该角分辨光谱仪可以是反射式角分辨光谱仪。
在利用角分辨光谱仪的实施例中,可以通过拍照的形式获得所述待测目标的动量空间的作为图片的色散关系图案,其中色散关系图案形成有色散曲线。
在一些实施例中,可以在-60度至60度的角度范围内(特别地,在-60度至60度的范围内),以及900nm-1700nm的近红外波段或400nm-900nm的可见光波段,或者200nm-360nm的紫外波段的波长范围内来获取待测目标的动量空间的色散关系图案。
将会理解,所获得的动量空间的色散关系图案的横坐标可以由能量或波长标定,而纵坐标可以由角度或动量标定。
在一些实施例中,可以对所述待测目标实际测量一次或多次,以获得所述待测目标的动量空间的一个色散关系图案或多个色散关系图案,然后将一个或多个色散关系图案输入到经训练的神经网络中。
在一些实施例中,则可以分别利用s光和p光偏振对所述待测目标进行实际测量,以分别获得所述待测目标的动量空间的s光偏振色散关系图案和p光偏振色散关系图案。然后,再将s光偏振色散关系图案和p光偏振色散关系图案同时输入到预测模型中。
在一些实施例中,可以基于待测目标的测量背景下的动量空间的色散关系图案、入射光的光源的动量空间的色散关系图案和待测目标的动量空间的色散关系图案,获得待测目标在入射光下的动量空间的色散曲线。
在框740,基于所述色散关系图案,经由经训练的所述预测模型,从所述色散关系图案中提取与所述色散曲线有关的特征,以便确定与所述待测目标的至少一个关键参数有关的估计值。
在该步骤中,可以将在框730所获得的色散关系图案输入到经训练的神经网络中。
在一些实施例中,从框730所获得的色散关系图案中提取与所述色散曲线的变化(例如,走势变化和/或峰位)有关的特征;以及基于所述特征,预测模型可以输出所述至少一个关键参数的估计概率密度分布,由此实现对待测目标的关键参数的度量。
在一些实施例中,可以将所获得的s光偏振色散关系图案和p光偏振色散关系图案同时输入到预测模型中,从而可以输出更为精确的关键参数的估计值。
上面参照图描述了用于确定待测目标的至少一个关键参数的示例方法的流程。将会理解,上述步骤中的各个步骤710-740可以由测量系统中的计算设备120来实现。另外,上述示例的方法可以有许多变型。例如,在一些实施例中,可以提供已经训练好的基于神经网络的预测模型,以用于关键参数的估计或确定。因此,在该些实施例中,在用于确定待测目标的关键参数的方法,可以不包括提供模拟数据集,和/或基于模拟数据集来对基于神经网络的预测模型进行训练的步骤。
因此,在该些实施例中,一种确定待测目标的关键参数的方法,可以包括以下步骤:获取所述待测目标在动量空间的色散关系图案,所述色散关系图案是所述入射光照射所述待测目标后经由光谱装置在动量空间生成的,所述色散关系图案至少指示与所述待测目标的关键参数有关的色散曲线;基于所述色散关系图案,经由基于神经网络的预测模型,从所述色散关系图案中提取与所述色散曲线有关的特征,预测模型经由样本数据集进行训练;以及基于提取的与所述色散曲线有关的特征,获得与所述待测目标的关键参数有关的估计值。
在进一步的实施例中,样本数据集可以是使用入射光参数和所述待测目标的形貌模型两者所建立的模拟数据集,其中所述形貌模型由待测目标的若干个关键参数表征。
在又一些实施例中,基于神经网络的所述预测模型可以基于实际测量的实验数据集进行了训练。
在又一些实施例中,基于神经网络的所述预测模型可以已于实际测量的实验数据集和上述模拟数据集两者的组合进行了训练。
以上已经描述了根据本公开的一个实施例的用于确定待测目标的至少一个关键参数的方法的示例实施例。将会理解,本公开的方法可以特别地应用于半导体的芯片制备过程中,并且可以实现对制备结构的在线测量。特别地,与现有技术的使用光谱和库搜索的技术方案相比,本公开的方法利用了动量空间的色散关系图案或色散曲线而非光谱,以及神经网络而非库搜索来实现关键参数的计算。与本公开的方案可以更准确和高效。此外,还需要说明的,由于图片相对于光谱而言包含了太多的信息,因此传统的库搜索对于作为图像或图片形式的色散关系图案是难以进行的。
除了上述方法之外,本公开还可以涉及一种测量系统或量测系统,该测量系统可以包用于执行对待测目标的实际测量以生成色散关系图案的光谱仪,和计算设备,该计算设备可以被配置为可操作地以执行(或者使所述测量系统或装置执行)上面描述的方法步骤。在一些实施例中,光谱仪可以包括上面描述的角分辨光谱仪。
此外,本公开还可以涉及一种非暂态机器可读存储介质,其上存储有机器可读程序指令,所述机器可读程序指令还可以被配置为使得装置或上面的测量系统或量测系统执行上文描述的方法。图8示意性示出了适于用来实现本公开实施例的电子设备800的框图。设备800可以是用于实现执行图7所示的方法700的设备。如图8所示,设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的计算机程序指令或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序指令,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806、输出单元807、存储单元808,处理单元801执行上文所描述的各个方法和处理,例如执行方法700。例如,在一些实施例中,方法700可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由CPU 801执行时,可以执行上文描述的方法的一个或多个操作。备选地,在其他实施例中,CPU 801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法700的一个或多个动作。
需要进一步说明的是,本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
此外,将会理解,上面描述的流程仅仅是示例。尽管说明书中以特定的顺序描述了方法的步骤,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果,相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经在附图和前述描述中详细说明和描述了本发明,但这些说明和描述应被认为是说明性的或示例性的而不是限制性的;本发明不限于所公开的实施例。本领域技术人员在实践所请求保护的发明中,通过研究附图、公开和所附权利要求可以理解并且实践所公开的实施例的其它变体。
在权利要求中,词语“包括”并不排除其它元件,并且不定冠词“一”或“一个”不排除多个。单个元件或其它单元可以满足在权利要求中阐述的多个项目的功能。仅在互不相同的实施例或从属权利要求中记载某些特征的仅有事实,并不意味着不能有利地使用这些特征的组合。在不脱离本申请的精神和范围的情况下,本申请的保护范围涵盖在各个实施例或从属权利要求中记载的各个特征任何可能组合。
此外,在权利要求中的任何参考标记不应被理解为限制本发明的范围。
Claims (18)
1.一种确定待测目标的关键参数的量测方法,包括:
根据入射光参数和所述待测目标的形貌模型,建立与所述待测目标的动量空间的色散曲线有关的模拟数据集,其中所述形貌模型由若干个关键参数表征;
基于所述模拟数据集,训练基于神经网络的预测模型;
基于入射光对所述待测目标的实际测量,获得所述待测目标在动量空间的色散关系图案,其中所述色散关系图案至少指示与所述待测目标的所述关键参数有关的色散曲线;以及
基于所获得的色散关系图案,经由经训练的所述预测模型,从所述色散关系图案中提取与所述色散曲线有关的特征,以便确定与所述待测目标的至少一个关键参数有关的估计值。
2.根据权利要求1所述的量测方法,其中经由经训练的所述预测模型,从所述色散关系图案中提取与所述色散曲线有关的特征,以便确定与所述待测目标的至少一个关键参数有关的估计值包括:
经由所述预测模型输出所述至少一个关键参数的估计概率密度分布。
3.根据权利要求1所述的量测方法,其中基于入射光对所述待测目标的实际测量,获得所述待测目标在动量空间的色散关系图案包括:
利用s-偏振光和p-偏振光的至少之一对所述待测目标进行实际测量,以获得所述待测目标在动量空间中的s光偏振色散关系图案和p光偏振色散关系图案中的相应的至少之一。
4.根据权利要求3所述的量测方法,其中经由经训练的所述预测模型,从所述色散关系图案中提取与所述色散曲线有关的特征,以便确定与所述待测目标的至少一个关键参数有关的估计值包括:
获得所述s光偏振色散关系图案和所述p光偏振色散关系图案两者,并将所述两者均输入至所述预测模型,以获得与所述待测目标的至少一个关键参数有关的估计值。
5.根据权利要求1所述的量测方法,其中获得所述模拟数据集包括通过改变以下各项中的至少一个,来获得所述模拟数据集:
入射光的入射角度;
入射光的波长;
入射光的偏振;和
所述形貌模型的关键参数。
6.根据权利要求1所述的量测方法,还包括:
在至少部分所述模拟数据集中叠加与光强有关的噪声,以获得对光强鲁棒的经增强的模拟数据集;以及
基于所述经增强的模拟数据集,来训练所述预测模型。
7.根据权利要求6所述的量测方法,其中与光强有关的所述噪声包括低频扰动、高斯噪声、柏林噪声或高斯函数型扰动中的一种或多种。
8.根据权利要求1所述的量测方法,其中基于入射光对所述待测目标的实际测量,获得所述待测目标在动量空间的色散关系图案包括:
使用角分辨光谱仪对所述待测目标进行实际测量,以获得所述待测目标在动量空间的色散关系图案,其中所述角分辨光谱仪的测量角度选择在-60度至60度的范围内,以及测量波长选择为900nm-1700nm的近红外波段,或者360nm-900nm的可见光波段,或者200nm-360nm的紫外波段。
9.根据权利要求1所述的量测方法,其中获得所述待测目标在动量空间的色散关系图案包括:
基于所述待测目标的背景的动量空间的色散关系图案以及入射光的光源在动量空间的色散关系图案,来获得所述待测目标在所述入射光下的动量空间的色散关系图案。
10.根据权利要求1所述的量测方法,其中所述色散曲线和色散关系图案均由第一坐标与第二坐标来限定,其中所述第一坐标指示能量或波长,所述第二坐标指示角度或动量。
11.根据权利要求1所述的量测方法,其中获得所述模拟数据集包括:
基于严格耦合波(RCWA)模拟算法、时域有限差分方法(FDTD)、有限元方法(FEM)和边界元法(BEM)中的至少一项来建立所述模拟数据集。
12.根据权利要求11所述的量测方法,还包括:
经由测量物镜的数值孔径修正和角度分辨率修正中的至少一者,来修正所述模拟数据集。
13.根据权利要求1-12中任一项所述的量测方法,其中所述神经网络为包括卷积神经网络。
14.一种确定待测目标的关键参数的量测方法,包括:
获取所述待测目标在动量空间的色散关系图案,所述色散关系图案是所述入射光照射所述待测目标后经由光谱装置在动量空间生成的,所述色散关系图案至少指示与所述待测目标的关键参数有关的色散曲线;
基于所述色散关系图案,经由基于神经网络的预测模型,从所述色散关系图案中提取与所述色散曲线有关的特征,所述预测模型已经经由样本数据集进行了训练;以及
基于提取的与所述色散曲线有关的特征,确定与所述待测目标的至少一个关键参数有关的估计值。
15.根据权利要求14所述的量测方法,其中所述样本数据集是经由使用入射光参数和所述待测目标的形貌模型两者所建立的模拟数据集,其中所述形貌模型由待测目标的若干个关键参数表征。
16.一种量测系统,包括:
光谱仪,被配置成基于入射光对待测目标的实际测量,而生成待测目标在动量空间的色散关系图案,所述色散关系图案至少指示与所述待测目标的关键参数有关的色散曲线;以及
计算设备,其被配置为可操作地以执行根据权利要求1-15中任一项所述的量测方法。
17.一种计算设备,包括:
存储器,被配置为存储一个或多个计算机程序;以及
处理器,耦合至所述存储器并且被配置为执行所述一个或多个程序以使量测装置执行根据权利要求1-15任一项所述的量测方法。
18.一种非暂态机器可读存储介质,其上存储有机器可读程序指令,所述机器可读程序指令被配置为使得量测装置执行根据权利要求1-15中任一项所述的量测方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474340.3A CN111595812B (zh) | 2020-05-29 | 2020-05-29 | 基于动量空间色散关系的关键参数的量测方法和系统 |
US17/927,974 US20230213870A1 (en) | 2020-05-29 | 2020-08-12 | Metrology method and system for critical dimensions based on dispersion relation in momentum space |
PCT/CN2020/108604 WO2021237949A1 (zh) | 2020-05-29 | 2020-08-12 | 基于动量空间色散关系的关键参数的量测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474340.3A CN111595812B (zh) | 2020-05-29 | 2020-05-29 | 基于动量空间色散关系的关键参数的量测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111595812A true CN111595812A (zh) | 2020-08-28 |
CN111595812B CN111595812B (zh) | 2021-06-22 |
Family
ID=72184223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010474340.3A Active CN111595812B (zh) | 2020-05-29 | 2020-05-29 | 基于动量空间色散关系的关键参数的量测方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230213870A1 (zh) |
CN (1) | CN111595812B (zh) |
WO (1) | WO2021237949A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112484968A (zh) * | 2020-11-20 | 2021-03-12 | 上海复享光学股份有限公司 | 用于光学量测的方法、系统、计算设备和存储介质 |
CN113658125A (zh) * | 2021-08-11 | 2021-11-16 | 全芯智造技术有限公司 | 用于评估版图热点的方法、设备和存储介质 |
CN116481778A (zh) * | 2023-05-22 | 2023-07-25 | 南开大学 | 一种基于能带干涉确定色散关系的方法、系统及电子设备 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114322836B (zh) * | 2022-03-17 | 2022-05-27 | 板石智能科技(深圳)有限公司 | 基于启发式搜索的周期纳米结构形貌参数测量方法及装置 |
KR20240011514A (ko) * | 2022-07-19 | 2024-01-26 | 삼성전자주식회사 | 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템 |
FR3141242A1 (fr) * | 2022-10-21 | 2024-04-26 | Fogale Nanotech | Procédé de caractérisation fonctionnelle d’objectifs optiques de caméras de véhicule |
FR3141240A1 (fr) * | 2022-10-21 | 2024-04-26 | Fogale Nanotech | Procédé de caractérisation fonctionnelle d’objectifs optiques d’appareils d’imagerie médicale |
FR3141243A1 (fr) * | 2022-10-21 | 2024-04-26 | Fogale Nanotech | Procédé de caractérisation fonctionnelle d’objectifs optiques de Smartphone |
CN117669449B (zh) * | 2023-11-14 | 2024-07-09 | 南方电网调峰调频发电有限公司检修试验分公司 | 灭磁电路确定方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393881A (zh) * | 2007-09-20 | 2009-03-25 | 东京毅力科创株式会社 | 检查形成在半导体晶片上的结构的系统和方法 |
US20090082993A1 (en) * | 2007-09-21 | 2009-03-26 | Tokyo Electron Limited | Automated process control of a fabrication tool using a dispersion function relating process parameter to dispersion |
CN105444666A (zh) * | 2014-05-29 | 2016-03-30 | 睿励科学仪器(上海)有限公司 | 用于光学关键尺寸测量的方法及装置 |
CN108519155A (zh) * | 2018-03-30 | 2018-09-11 | 上海复享光学股份有限公司 | 动量空间光谱测量系统 |
CN109643672A (zh) * | 2016-08-31 | 2019-04-16 | 科磊股份有限公司 | 具有各向异性介电常数的半导体结构的基于模型的光学测量 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040267397A1 (en) * | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
US8570531B2 (en) * | 2011-12-11 | 2013-10-29 | Tokyo Electron Limited | Method of regenerating diffraction signals for optical metrology systems |
US9728470B1 (en) * | 2016-05-10 | 2017-08-08 | Infineon Technologies Austria Ag | Semiconductor structure and methods |
CN110631994B (zh) * | 2019-10-24 | 2022-03-11 | 上海复享光学股份有限公司 | 动量空间光学相位测量系统 |
-
2020
- 2020-05-29 CN CN202010474340.3A patent/CN111595812B/zh active Active
- 2020-08-12 US US17/927,974 patent/US20230213870A1/en active Pending
- 2020-08-12 WO PCT/CN2020/108604 patent/WO2021237949A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393881A (zh) * | 2007-09-20 | 2009-03-25 | 东京毅力科创株式会社 | 检查形成在半导体晶片上的结构的系统和方法 |
US20090082993A1 (en) * | 2007-09-21 | 2009-03-26 | Tokyo Electron Limited | Automated process control of a fabrication tool using a dispersion function relating process parameter to dispersion |
CN105444666A (zh) * | 2014-05-29 | 2016-03-30 | 睿励科学仪器(上海)有限公司 | 用于光学关键尺寸测量的方法及装置 |
CN109643672A (zh) * | 2016-08-31 | 2019-04-16 | 科磊股份有限公司 | 具有各向异性介电常数的半导体结构的基于模型的光学测量 |
CN108519155A (zh) * | 2018-03-30 | 2018-09-11 | 上海复享光学股份有限公司 | 动量空间光谱测量系统 |
Non-Patent Citations (1)
Title |
---|
D.V. LIKHACHEV: "A practical method for optical dispersion model selection and parameters variations in scatterometry analysis with variable n&k’s", 《THIN SOLID FILMS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112484968A (zh) * | 2020-11-20 | 2021-03-12 | 上海复享光学股份有限公司 | 用于光学量测的方法、系统、计算设备和存储介质 |
WO2022105062A1 (zh) * | 2020-11-20 | 2022-05-27 | 上海复享光学股份有限公司 | 用于光学量测的方法、系统、计算设备和存储介质 |
CN113658125A (zh) * | 2021-08-11 | 2021-11-16 | 全芯智造技术有限公司 | 用于评估版图热点的方法、设备和存储介质 |
CN113658125B (zh) * | 2021-08-11 | 2024-02-23 | 全芯智造技术有限公司 | 用于评估版图热点的方法、设备和存储介质 |
CN116481778A (zh) * | 2023-05-22 | 2023-07-25 | 南开大学 | 一种基于能带干涉确定色散关系的方法、系统及电子设备 |
CN116481778B (zh) * | 2023-05-22 | 2024-01-23 | 南开大学 | 一种基于能带干涉确定色散关系的方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
US20230213870A1 (en) | 2023-07-06 |
CN111595812B (zh) | 2021-06-22 |
WO2021237949A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111595812B (zh) | 基于动量空间色散关系的关键参数的量测方法和系统 | |
CN112484968B (zh) | 用于光学量测的方法、系统、计算设备和存储介质 | |
CN105814607B (zh) | 图像处理装置以及图像处理方法 | |
JP6081101B2 (ja) | デプスフロムデフォーカス撮像用のシステムおよび方法 | |
TWI481851B (zh) | 光學度量衡裝置與用於使用穆勒矩陣之方法 | |
TW201732979A (zh) | 光學晶粒對資料庫檢查 | |
TW201702587A (zh) | 光學晶粒至資料庫檢測 | |
CN106092158B (zh) | 物理参数估计方法、装置和电子设备 | |
JP2006200999A (ja) | 画像処理装置および屈折率分布測定装置 | |
TW201941160A (zh) | 設計輔助影像重建 | |
CN112649179A (zh) | 用于检测闪耀光栅的方法、系统、计算设备和存储介质 | |
Bacher et al. | Robust control of varying weak hyperspectral target detection with sparse nonnegative representation | |
CN115516497A (zh) | 用于双折射测量的背景修正 | |
Ben-Ari | A unified approach for registration and depth in depth from defocus | |
WO2021140502A1 (en) | Combining physical modeling and machine learning | |
Fan et al. | Investigation of sparsity metrics for autofocusing in digital holographic microscopy | |
Jung et al. | Multi spectral holographic ellipsometry for a complex 3D nanostructure | |
Narayan et al. | Deep learning assisted non-contact defect identification method using diffraction phase microscopy | |
Karnaukhov et al. | Analysis of linear distortion characteristics in problems of restoration of multispectral images | |
Moly et al. | Self-supervised deep learning neural network for CD-SEM image denoising using reduced dataset | |
Wang et al. | Comparison of spacing detection algorithms for optical straight fringes images | |
US12038271B2 (en) | Detecting outliers and anomalies for OCD metrology machine learning | |
US11015922B2 (en) | Physical parameter estimating method, physical parameter estimating device, and electronic apparatus using sampling theorem in the fractional fourier transform domain | |
Ku | Defect inspection in display panel using concentrated auto encoder | |
Martišek | 3D reconstruction of the surface using a standard camera |
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 |