CN112541545A - 基于机器学习预测刻蚀工艺后cdsem图像的方法 - Google Patents

Abstract

一种基于机器学习预测刻蚀工艺后CDSEM图像的方法，其包括训练集和验证集的生成步骤、在进行模型训练之前将所述空间像‑CDSEM图像对齐步骤、遍历N组所述空间像‑CDSEM图像数据对完成神经网络模型的训练、遍历所述验证集中的空间像数据，对训练完成的所述神经网络模型进行验证、以及神经网络模型应用步骤。因此，本发明在刻蚀之前根据空间像推算出实际刻蚀后的CDSEM图像，以检查是否有缺陷并进行进一步的修正，其优点在于速度快、精度高和成本低。

Description

基于机器学习预测刻蚀工艺后CDSEM图像的方法

技术领域

本发明属于半导体集成电路制造工艺技术领域，涉及一种基于机器学习 预测刻蚀工艺后扫描电子显微镜图像(Critical Dimension Scanning Electronic Microscope，CDSEM)的方法。

背景技术

在半导体制造流程中，光刻工艺一直都是最关键的环节。光刻的原理是 在硅片表面覆盖一层具有高度光敏感性光刻胶，再用光线(一般是紫外光、 深紫外光和极紫外光)透过掩模照射在硅片表面，被光线照射到的光刻胶会 发生反应。此后用特定溶剂洗去被照射/未被照射的光刻胶，就实现了电路图 从掩模到硅片的转移，就实现了半导体器件在硅片表面的构建过程。

在半导体集成电路制造工艺技术领域，为保证良率和减少缺陷数量，在 光刻前需要进行光学临近修正(Optical Proximity Correction，OPC)。目 前的OPC验证只检查光刻后的图形质量。由于刻蚀工艺不可逆，对刻蚀后 缺陷的检查目前只能在刻蚀后进行，成本太高，即OPC验证也是只检查光 刻后的图形质量。

然而，在目前先进的半导体节点，使用极紫外光刻(Extreme Ultra-violet， EUV)或多重图案技术时，只检查光刻后的图案，是无法确保刻蚀工艺后的 图案没有缺陷。因此，业界急需一种能够预测刻蚀工艺后CDSEM图像质量 的方法。

发明内容

鉴于以上述现有技术存在的问题，本发明提出了一种基于机器学习预测 刻蚀工艺后CDSEM图像的方法，该预测刻蚀工艺后扫描电子显微镜 CDSEM图像的神经网络模型，用于精准和高效地预测刻蚀工艺后CDSEM 图案。

为实现上述目的，本发明的技术方案如下：

一种基于机器学习预测刻蚀工艺后CDSEM图像的方法，所述方法包括 如下步骤：

步骤S1：训练集和验证集的生成步骤；其包括：

步骤S11：提供晶圆，并预设工艺次数为K次；其中，K为大于等于1 的正整数；

步骤S12：在所述晶圆上完成一次刻蚀工艺流程，使用扫描电子显微镜 在刻蚀后晶圆的M_i处不同坐标进行扫描，得到M_i张CDSEM图像；其中， M_i为大于等于10的正整数，i为1,2,3…K中的一个值；

步骤S13：计算与所述CDSEM图像相同坐标的空间像，将一张所述 CDSEM图与对应的空间像组成一组空间像-CDSEM图像数据对，最终得到 M_i组所述空间像-CDSEM图像数据对；

步骤S14：判断所述空间像-CDSEM图像数据对的组数是否等于N，如 果否，执行步骤S12；如果是，执行步骤S15，其中，

步骤S15：将N组所述空间像-CDSEM图像数据对按比例分成用于模型 训练的训练集和用于验证模型的验证集；其中，所述训练集和验证集的所述 空间像-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2；

步骤S2：将所述空间像与所述CDSEM图像对齐；

步骤S3：采用神经网络模型，将所述空间像作为输入，与之对应的所述 CDSEM图像作为目标输出，遍历所述训练集中的N1组所述空间像-CDSEM 图像数据对完成所述神经网络模型的训练；遍历所述验证集中的N2组所述 空间像-CDSEM图像数据对完成所述神经网络模型的验证。

进一步地，所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法， 其步骤S3包括：

步骤S31：提供所述神经网络模型；

步骤S32：以所述训练集中的所述空间像作为输入，与之对应的所述 CDSEM图像作为目标输出，遍历所述训练集中的所述空间像-CDSEM图像 数据对，对所述神经网络模型进行训练；

步骤S33：遍历所述验证集中的所述空间像-CDSEM图像数据对，对所 述神经网络模型进行验证，并计算所述验证集的损失函数；

步骤S34：判断所述损失函数是否小于设定值，如果是，停止对所述神 经网络模型的训练，得到最终神经网络模型；如果不是，重复执行步骤S32 至S34；其中，所述神经网络模型体现了所述空间像与所述CDSEM图像之 间的映射。

进一步地，所述神经网络模型为深度卷积神经网络DCNN模型或者生成 式对抗网络GAN模型，使用ReLU为激活函数；如果所述神经网络模型采 用所述深度卷积神经网络DCNN模型，所述损失函数为均方误差损失函数或 均方根误差损失函数或平均绝对误差损失函数，如果所述神经网络模型采用 所述生成式对抗网络GAN模型，所述损失函数为交叉熵损失函数和均方误 差损失函数的综合损失函数或交叉熵损失函数和均方根误差损失函数的综合 损失函数。

进一步地，所述DCNN模型包括一输入层、P个卷积层和一输出层，所 述卷积层的结构相同，所述输入层只进行卷积和激活操作，输出层只进行卷 积操作。

进一步地，所述DCNN模型包括一输入层、13个卷积层和一输出层， 卷积核大小为3*3，每层具有64个卷积核，每个卷积层后进行批归一化。

进一步地，所述训练集的个数N1是7的倍数，所述验证集的个数N2 为3的倍数。

进一步地，所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法， 其还包括：

步骤S4：根据当前工艺参数计算当前空间像，将所述当前空间像作为所 述最终神经网络模型输入，所述最终神经网络模型生成对应的当前CDSEM 图像，所述当前CDSEM图像即为所述最终神经网络模型预测的刻蚀工艺后 CDSEM图像；

步骤S5：若所述当前CDSEM图像没有缺陷或缺陷在可接受范围内， 则按照当前工艺参数生产；若所述当前CDSEM图像存在缺陷且不可接受， 则根据缺陷调整当前工艺参数并重复步骤S4。

进一步地，所述N为1000。

从上述技术方案可以看出，本发明优点在于对刻蚀工艺后的CDSEM图 像进行建模，在刻蚀之前根据空间像推算出实际刻蚀后的CDSEM图像，以 检查是否有缺陷并进行进一步的修正。本发明的优点在于，有助于神经网络 从不同的视野去学习图像的缺陷特征，从而进一步提升网络训练的速度和准 确度，且成本低。

附图说明

图1所示为本发明实施例中基于机器学习预测刻蚀工艺后CDSEM图像 的方法的流程图

图2所示为本发明实施例中基于机器学习预测刻蚀工艺后CDSEM图像 的架构框图

图3所示为本发明实施例中提供的光刻空间图像、实际刻蚀后CDSEM 图像、模型生成CDSEM图像示意图

图4所示为本发明实施例中提供的刻蚀后CDSEM图像模型与真实 CDSEM图像之间的误差分布统计直方图

具体实施方式

下面结合附图1-4，对本发明的具体实施方式作进一步的详细说明。

需要说明的是，本发明公开的一种基于机器学习预测刻蚀工艺后 CDSEM图像的方法，对刻蚀工艺后的CDSEM图像进行建模，在刻蚀之前 根据空间像推算出实际刻蚀后的CDSEM图像，以检查是否有缺陷并进行进 一步的修正，以刻蚀工艺图案质量的检查。

请参阅图1，图1所示为本发明实施例中基于机器学习预测刻蚀工艺后 CDSEM图像的方法的流程图。如图所示，该方法包括如下步骤：

步骤S1：训练集和验证集的生成步骤；其包括：

步骤S11：提供硅片衬底并设计掩膜版，预设工艺次数为K次；其中， K为大于等于1的正整数；

步骤S12：在所述晶圆上完成一次刻蚀工艺流程，使用扫描电子显微镜 在刻蚀后晶圆的M_i处不同坐标进行扫描，得到M_i张CDSEM图像；其中，M_i为大于等于10的正整数，i为1,2,3…K中的一个值；

步骤S13：计算与所述CDSEM图像相同坐标的空间像，将一张所述 CDSEM图与对应的空间像组成一组空间像-CDSEM图像数据对，最终得到 M_i组所述空间像-CDSEM图像数据对；

步骤S14：判断所述空间像-CDSEM图像数据对的组数是否等于N，如 果否，执行步骤S12；如果是，执行步骤S15，其中，

；

步骤S15：将N组所述空间像-CDSEM图像数据对按比例分成用于模型 训练的训练集和用于验证模型的验证集；其中，所述训练集和验证集的所述 空间像-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2。

请参阅图2，图2所示为本发明实施例中基于机器学习预测刻蚀工艺后 CDSEM图像的架构框图。如图3所示，其在产线上的光刻和刻蚀工艺后， 使用扫描电子显微镜(Scanning Electron Microscope，SEM)收集晶圆上 不同位置的刻蚀后图像，即CDSEM图像。

本领域技术人员清楚，扫描电子显微镜(SEM)是一种介于透射电子显 微镜和光学显微镜之间的一种观察手段，其利用聚焦的很窄的高能电子束来 扫描样品，通过光束与物质间的相互作用，来激发各种物理信息，并对这些 信息收集、放大、再成像以达到对物质微观形貌表征的目的。

用于模型训练的训练集和用于验证模型的验证集均是从多次光刻和刻蚀 的实际工艺后，通过扫描电子显微镜(SEM)得到刻蚀后的CDSEM图像(例 如进行5次光刻和刻蚀，每次扫描的晶圆坐标分别为200处，300处，50 处，150处，300处，则最终会得到1000张CDSEM图像，即N＝1000)。 并且，在本发明的实施例中，根据掩模版、工艺参数和光学模型等，计算出相同位置上的空间像(Aerial image)，即形成N组所述空间像-CDSEM图 像数据对。

N组空间像-CDSEM图像按比例分成用于模型训练的训练集和用于验证 模型的验证集；所述训练集和验证集的比例为N1:N2，N＝N1+N2。较佳地， 可以是按训练集和验证集的比例为7:3进行，其中，训练集包括700组空间 像和空间像，验证集包括300组空间像和CDSEM图像数据对。

在本发明的实施例中，在深度卷积神经网络模型训练阶段，该设计好的 深度卷积神经网络，以刻蚀后空间像作为输入，刻蚀后CDSEM图像作为目 标输出，训练逆向刻蚀模型，当模型精度满足要求时停止更新网络参数。

在本发明的实施例中，由于实际刻蚀后图形的坐标与掩模版上对应的图 形坐标可能有偏差，在进行模型训练之前，还需执行步骤S2：将所述空间像 -CDSEM图像对齐。并且，较佳地，所述空间像-CDSEM图像的大小和分辨 率相同，图像大小视具体情况而定，本次示例中可以是512*512。

上述步骤完成后，就可以执行本发明的最关键的模型训练步骤了，即步 骤S3：将空间像作为输入，与之对应的CDSEM图像作为所述神经网络期 望的输出图像，遍历N组所述空间像-CDSEM图像数据对完成神经网络模型 的训练，以及遍历所述验证集中的空间像数据，对训练完成的所述神经网络 模型进行验证。

具体地，本发明的通过图像到图像(Image To Image)主要方式是， 基于所述空间像-CDSEM图像数据对，将空间像作为神经网络模型的输入图 像，与之对应的CDSEM图像作为神经网络模型期望的输出图像，通过对神 经网络模型不断的训练和验证，并进行神经网络模型参数的调节，最终完成 空间像到刻蚀后的CDSEM图像之间的映射。

在本发明的实施例中，所述的基于机器学习预测刻蚀工艺后CDSEM图 像的方法的步骤S3具体包括：

步骤S31：提供所述神经网络模型；

步骤S32：以所述训练集中的所述空间像作为输入，与之对应的所述 CDSEM图像作为目标输出，遍历所述训练集中的所述空间像-CDSEM图像 数据对，对所述神经网络模型进行训练；

步骤S33：遍历所述验证集中的所述空间像-CDSEM图像数据对，对所 述神经网络模型进行验证，并计算所述验证集的损失函数；

步骤S34：判断所述损失函数是否小于设定值，如果是，停止对所述神 经网络模型的训练，得到最终神经网络模型；如果不是，重复执行步骤S32 至S34；其中，所述神经网络模型体现了所述空间像与所述CDSEM图像之 间的映射。

在本发明的实施例中，所述神经网络模型为深度卷积神经网络DCNN模 型或者生成式对抗网络GAN模型，使用ReLU为激活函数；如果所述神经 网络模型采用所述深度卷积神经网络DCNN模型，所述损失函数为均方误差 损失函数或均方根误差损失函数或平均绝对误差损失函数，如果所述神经网 络模型采用所述生成式对抗网络GAN模型，所述损失函数为交叉熵损失函 数和均方误差损失函数的综合损失函数或交叉熵损失函数和均方根误差损失 函数的综合损失函数。

进一步地，所述DCNN模型包括一输入层、P个卷积层和一输出层，所 述卷积层的结构相同，所述输入层只进行卷积和激活操作，输出层只进行卷 积操作。

例如，所述DCNN模型包括一输入层、13个卷积层和一输出层，所述 卷积层的结构相同，卷积核大小为3*3，每层具有64个卷积核，每个卷积层 后有批归一化，所述输入层只进行卷积和激活操作，输出层只进行卷积操作。

请参阅图3，图3所示为本发明实施例中提供的光刻空间图像、实际刻 蚀后CDSEM图像、模型生成CDSEM图像示意图。

在上述训练好的神经网络模型的实际应用阶段，就可以根据掩模版图形、 工艺参数和光学模型，计算出与所述CDSEM图像相同坐标处的空间像，并 将此空间像输入至逆向刻蚀模型，逆向刻蚀模型给出对应的刻蚀刻后的 CDSEM图像，以此确定刻蚀工艺的目标图案。也就是说，在实际应用阶段， 通过工艺参数等已知的情况下，输入空间像(Aerialimage)，模型给出对 应的刻蚀后CDSEM图像，工艺工程师利用模型给出的CDSEM图像，就可以检查当前光刻和刻蚀条件下光刻图形经过刻蚀后是否会产生缺陷。

即就可以执行步骤4：根据掩模版、工艺参数和光学模型等，计算出相 同位置上的空间像(Aerial image)，以空间像作为输入，刻蚀后CDSEM 图像作为输出，训练设计好的深度卷积神经网络，并对神经网络的参数进行 迭代更新，直至模型精度满足要求。

综上所述，本发明的优点在于对刻蚀工艺后的CDSEM图像进行建模， 在刻蚀之前根据空间像推算出实际刻蚀后的CDSEM图像，以检查是否有缺 陷并进行进一步的修正，其优点在于速度快、精度高和成本低。

请参阅图4，图4所示为本发明实施例中刻蚀后CDSEM图像模型与真 实CDSEM图像之间的误差分布统计直方图。如图4所示，模型预测的刻蚀 后CDSEM图像与真实刻蚀后CDSEM图像之间的相对误差90％以上分布在 【-0.05-0.05】区间内，因此，该模型的准确性很高，实用性强。

以上所述的仅为本发明的优选实施例，所述实施例并非用以限制本发明 的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构 变化，同理均应包含在本发明的保护范围内。

Claims (8)

1.一种基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述方法包括如下步骤：

步骤S1：训练集和验证集的生成步骤；其包括：

步骤S11：提供晶圆，并预设工艺次数为K次；其中，K为大于等于1的正整数；

步骤S12：在所述晶圆上完成一次刻蚀工艺流程，使用扫描电子显微镜在刻蚀后晶圆的M_i处不同坐标进行扫描，得到M_i张CDSEM图像；其中，M_i为大于等于10的正整数，i为1,2,3…K中的一个值；

步骤S13：计算与所述CDSEM图像相同坐标的空间像，将一张所述CDSEM图与对应的空间像组成一组空间像-CDSEM图像数据对，最终得到M_i组所述空间像-CDSEM图像数据对；

步骤S14：判断所述空间像-CDSEM图像数据对的组数是否等于N，如果否，执行步骤S12；如果是，执行步骤S15，其中，

步骤S15：将N组所述空间像-CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集；其中，所述训练集和验证集的所述空间像-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2；

步骤S2：将所述空间像与所述CDSEM图像对齐；

步骤S3：采用神经网络模型，将所述空间像作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的N1组所述空间像-CDSEM图像数据对完成所述神经网络模型的训练；遍历所述验证集中的N2组所述空间像-CDSEM图像数据对完成所述神经网络模型的验证。

2.根据权利要求1所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，步骤S3包括：

步骤S31：提供所述神经网络模型；

步骤S32：以所述训练集中的所述空间像作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的所述空间像-CDSEM图像数据对，对所述神经网络模型进行训练；

步骤S33：遍历所述验证集中的所述空间像-CDSEM图像数据对，对所述神经网络模型进行验证，并计算所述验证集的损失函数；

步骤S34：判断所述损失函数是否小于设定值，如果是，停止对所述神经网络模型的训练，得到最终神经网络模型；如果不是，重复执行步骤S32至S34；其中，所述神经网络模型体现了所述空间像与所述CDSEM图像之间的映射。

3.根据权利要求2所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述神经网络模型为深度卷积神经网络DCNN模型或者生成式对抗网络GAN模型，使用ReLU为激活函数；如果所述神经网络模型采用所述深度卷积神经网络DCNN模型，所述损失函数为均方误差损失函数或均方根误差损失函数或平均绝对误差损失函数，如果所述神经网络模型采用所述生成式对抗网络GAN模型，所述损失函数为交叉熵损失函数和均方误差损失函数的综合损失函数或交叉熵损失函数和均方根误差损失函数的综合损失函数。

4.根据权利要求3所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述DCNN模型包括一输入层、P个卷积层和一输出层，所述卷积层的结构相同，所述输入层只进行卷积和激活操作，输出层只进行卷积操作。

5.根据权利要求4所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述DCNN模型包括一输入层、13个卷积层和一输出层，卷积核大小为3*3，每层具有64个卷积核，每个卷积层后进行批归一化。

6.根据权利要求1所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述训练集的个数N1是7的倍数，所述验证集的个数N2为3的倍数。

7.根据权利要求1所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，还包括：

步骤S4：根据当前工艺参数计算当前空间像，将所述当前空间像作为所述最终神经网络模型输入，所述最终神经网络模型生成对应的当前CDSEM图像，所述当前CDSEM图像即为所述最终神经网络模型预测的刻蚀工艺后CDSEM图像；

步骤S5：若所述当前CDSEM图像没有缺陷或缺陷在可接受范围内，则按照当前工艺参数生产；若所述当前CDSEM图像存在缺陷且不可接受，则根据缺陷调整当前工艺参数并重复步骤S4。

8.根据权利要求1所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述N为1000。

Images