CN112560935B - 一种提升缺陷检测性能的方法 - Google Patents

一种提升缺陷检测性能的方法 Download PDF

Info

Publication number
CN112560935B
CN112560935B CN202011459029.8A CN202011459029A CN112560935B CN 112560935 B CN112560935 B CN 112560935B CN 202011459029 A CN202011459029 A CN 202011459029A CN 112560935 B CN112560935 B CN 112560935B
Authority
CN
China
Prior art keywords
image
target
cdsem
neural network
original
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
Application number
CN202011459029.8A
Other languages
English (en)
Other versions
CN112560935A (zh
Inventor
许博闻
时雪龙
燕燕
周涛
李立人
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.)
Shanghai IC R&D Center Co Ltd
Shanghai IC Equipment Material Industry Innovation Center Co Ltd
Original Assignee
Shanghai IC R&D Center Co Ltd
Shanghai IC Equipment Material Industry Innovation Center Co Ltd
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 Shanghai IC R&D Center Co Ltd, Shanghai IC Equipment Material Industry Innovation Center Co Ltd filed Critical Shanghai IC R&D Center Co Ltd
Priority to CN202011459029.8A priority Critical patent/CN112560935B/zh
Publication of CN112560935A publication Critical patent/CN112560935A/zh
Application granted granted Critical
Publication of CN112560935B publication Critical patent/CN112560935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

一种提升缺陷检测性能的方法，其包括训练集、验证集和测试集的生成步骤、遍历训练集中的N1组三通道图像‑目标CDSEM图像数据对完成神经网络模型的训练步骤、遍历验证集中的N2组三通道图像‑目标CDSEM图像数据对完成目标检测神经网络模型的验证步骤、遍历测试集中的N3组三通道图像‑目标CDSEM图像数据对完成目标检测神经网络模型的测试步骤以及基于最终的目标检测神经网络模型，对新的原始CDSEM图像进行缺陷检测步骤。因此，本发明将原始CDSEM图像的灰度信息和梯度信息进行结合，作为目标检测神经网络模型的输入图像，有助于模型从不同的视野去学习图像的缺陷特征，从而进一步提升模型训练的速度和准确度。

Description

一种提升缺陷检测性能的方法
技术领域
本发明属于半导体集成电路制造工艺领域，涉及一种提升缺陷检测性能的方法。
背景技术
在半导体制造流程中，光刻工艺和刻蚀工艺一直都是关键的工艺环节。一般是先在晶圆衬底表面覆盖一层具有高度光敏感性光刻胶,然后通过光刻工艺和刻蚀工艺将设计好的电路掩膜版图形转移到晶圆衬底，从而实现半导体器件在晶圆衬底表面的构建。
在半导体工艺不断缩小的趋势下，光刻机聚焦和剂量的变化也会受到光刻环境的影响，更有甚者会导致曝光的失败。曝光成功后，后续的刻蚀工艺同样可能导致电路掩膜版图形到晶圆衬底转移的失败。
通常，在光刻工艺和刻蚀工艺之后，都会采用扫描电子显微镜(ScanningElectronic Microscope，SEM)拍摄出CDSEM测试图形，并通过对CDSEM 测试图形的分析，可以及时发现在光刻工艺以及刻蚀工艺后晶圆具体情况，进而分析失败的原因，并根据失败的原因对光刻工艺或者刻蚀工艺进行调整是十分重要且必要的环节。
具体地，现有技术光刻工艺和刻蚀工艺的做法是，通过光刻工艺工程师或者刻蚀工程师针对CDSEM测试图形进行查看，查找发现当前批次的 CDSEM测试图形是否存在问题。然而，人工查找的办法非常耗时，效率非常低。因此，业界急需采用机器学习的方式，利用计算机预测出CDSEM测试图形存在的缺陷。
发明内容
鉴于上述现有技术存在的问题，本发明提出了一种提升缺陷检测性能的方法，其通过利用特殊设计的神经网络模型，可以提升光刻工艺或刻蚀工艺中缺陷检测的速度和准确度。
为实现上述目的，本发明的技术方案如下：
一种提升缺陷检测性能的方法，其包括如下步骤：
步骤S1：训练集、验证集和测试集的生成步骤；其包括：
步骤S11：提供晶圆，并预设光刻工艺或刻蚀工艺次数为K次；其中， K为大于等于1的正整数；
步骤S12：在所述晶圆完成一次光刻工艺流程；使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描，并保存扫描得到的Mi张原始 CDSEM图像；或在所述光刻后晶圆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Mi处不同坐标进行扫描，并保存扫描得到的Mi张原始CDSEM图像；其中，Mi为大于等于10的正整数，其中，i为1,2,3…K 的一个值；
步骤S13：在所述原始CDSEM图像上标定出缺陷类型和相应的缺陷位置及缺陷大小，形成目标CDSEM图像；
步骤S14：基于所述原始CDSEM图像，采用卷积的方式提取出所述原始CDSEM图像的梯度图，将所述原始CDSEM图像和从所述原始CDSEM 图像提取出的梯度图通过组合方式组成三通道图像；并形成一组三通道图像- 目标CDSEM图像数据对，最终得到Mi组三通道图像-目标CDSEM图像数据对；
步骤S15：判断所述三通道图像-目标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S16；其中：
Figure RE-GDA0002944590420000021
步骤S16：将N组所述三通道图像-目标CDSEM图像数据对取N3 组作为用于测试模型准确度的测试集；
步骤S17：将剩余的N-N3组所述三通道图像-目标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中所述三通道图像-目标CDSEM图像数据对组数的比例为 N1:N2，N＝N1+N2+N3；
步骤S2：采用目标检测神经网络模型，将所述三通道图像作为输入，与之对应的所述目标CDSEM图像作为目标输出，遍历所述训练集中的N1组所述三通道图像-目标CDSEM图像数据对完成所述神经网络模型的训练；其中，所述训练是指将所述目标检测神经网络模型预测的CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，分别计算缺陷类型的损失函数、缺陷位置的损失函数及缺陷大小的损失函数，并据此得到训练集的综合损失函数，然后根据所述训练集的综合损失函数的值对所述目标检测神经网络模型进行迭代更新；
步骤S3：遍历所述验证集中的N2组所述三通道图像-目标CDSEM图像数据对完成所述目标检测神经网络模型的验证；其中，所述验证是指将所述目标检测神经网络模型预测的CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，分别计算缺陷类型的损失函数、缺陷位置的损失函数及缺陷大小的损失函数，并据此得到验证集的综合损失函数，然后根据所述验证集的综合损失函数的值对训练结果进行验证；
步骤S4：遍历所述测试集中的N3组所述三通道图像-目标CDSEM图像数据对完成所述目标检测神经网络模型的测试；其中，所述测试是指将所述目标检测神经网络模型预测的CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，计算所述目标检测神经网络模型的准确度。
进一步地，所述组合方式为：Gray+GradientX+GradientY；其中，Gray 为所述原始CDSEM图像，GradientX为所述原始CDSEM图像X方向的梯度图，GradientY为所述原始CDSEM图像Y方向的梯度图。
进一步地，所述组合方式为：Gray+GradientXY+0；其中，Gray为所述原始CDSEM图像，GradientXY为所述原始CDSEM图像X方向及Y方向的组合梯度图。
进一步地，所述三通道图像为RGB图像、YUV图像或者YCbCr图像。
进一步地，步骤S2包括：
步骤S21：提供所述目标检测神经网络模型；
步骤S22：以所述训练集中的所述三通道图像作为输入，与之对应的所述目标CDSEM图像作为目标输出，遍历N1组所述三通道图像-目标CDSEM 图像数据对，对所述目标检测神经网络模型进行训练；
步骤S23：基于所述训练集的综合损失函数，采用优化算法，迭代更新所述目标检测神经网络模型，逐步减小所述训练集的综合损失函数的值。
进一步地，步骤S3包括：
步骤S31：遍历N2组所述验证集中的所述三通道图像-目标CDSEM图像数据对，计算并记录所述验证集的综合损失函数，同时记录对应的所述目标检测神经网络模型；
步骤S32：重复步骤S17至S31，若记录下的连续P次所述验证集的综合损失函数的最大值与最小值之差小于第一设定值，且至少有1次所述综合损失函数小于第二设定值，则判定训练完成；其中P为大于等于3的正整数。
进一步地，P为10。
进一步地，步骤S4包括：
步骤S41：基于步骤S32的P组所述目标检测神经网络模型，遍历N3 组所述三通道图像-目标CDSEM图像数据对，计算并保存P组所述目标检测神经网络模型的准确度；
步骤S42：取P组中准确度最高的数值进行判断，若该值大于或等于第三设定值，则该组所述目标检测神经网络模型为用于缺陷检测的最终目标检测神经网络模型，若该值低于第三设定值，重复步骤S17至S41，则重新判断准确度，直至大于或等于第三设定值。
进一步地，所述训练集的所述三通道图像-目标CDSEM图像数据对组数 N1、所述验证集的所述三通道图像-目标CDSEM图像数据对组数N2和所述训练集的所述三通道图像-目标CDSEM图像数据对组数N3的比值为8:1:1。
进一步地，所述的提升缺陷检测性能的方法还包括：
步骤S5：基于所述最终目标检测神经网络模型，对新的所述原始 CDSEM图像进行缺陷检测；其具体包括：
步骤S51：接收需进行缺陷检测的所述原始CDSEM图像；
步骤S52：提取所述原始CDSEM图像的梯度图；
步骤S53：将提取的所述原始CDSEM图像的梯度图与所述原始 CDSEM图像组合成三通道图像；
步骤S54：将所述三通道图像输入所述最终目标检测神经网络模型，所述最终目标检测神经网络模型基于所述三通道图像标记出所述原始 CDSEM图像的缺陷，形成预测目标CDSEM图像。
进一步地，所述的提升缺陷检测性能的方法还包括：
步骤S6：根据所述预测目标CDSEM图像，判断当前工艺是否存在问题，并根据所述预测目标CDSEM图像的缺陷，进行工艺流程追踪，调整工艺流程。
从上述技术方案可以看出，本发明优点在于将原始CDSEM图像的灰度信息和梯度信息进行结合，作为目标检测神经网络模型的输入图像，其有助于模型从不同的视野去学习CDSEM图像的缺陷特征，从而进一步提升模型训练的速度和准确度。
附图说明
图1所示为本发明实施例中提升缺陷检测性能的方法的流程示意图
图2所示为本发明实施例中将原始CDSEM图像的灰度信息以及梯度信息结合成三通道图像的两种组合方法示意图
具体实施方式
下面结合附图1-2，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，本发明公开的一种提升缺陷检测性能的方法，其前期需收集在实际工艺中，对原始CDSEM图像完成相关工艺步骤后的晶圆，通过扫描电子显微镜拍摄，得到多张目标CDSEM图像。其中，该目标CDSEM 图像可以是在所述晶圆完成一次光刻工艺流程，使用扫描电子显微镜在光刻后晶圆的多处不同坐标进行扫描，得到的原始CDSEM图像，或在所述晶圆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多处不同坐标进行扫描，得到的原始CDSEM图像。通过人工标定的方式，标记出目标 CDSEM图像上的缺陷类型、缺陷位置和缺陷大小，然后，采用基于目标检测神经网络的目标检测算法进行目标CDSEM图的缺陷预测。
请参阅图1，图1所示为本发明实施例中提升缺陷检测性能的方法的流程示意图。如图1所示，该种提升缺陷检测性能的方法，其可以包括如下步骤：
步骤S1：训练集、验证集和测试集的生成步骤；其包括：
步骤S11：提供晶圆，并预设光刻工艺或刻蚀工艺次数为K次；其中，K为大于等于1的正整数；
步骤S12：在所述晶圆完成一次光刻工艺流程；使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描，并保存扫描得到的Mi张原始 CDSEM图像；或在所述光刻后晶圆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Mi处不同坐标进行扫描，并保存扫描得到的Mi张原始CDSEM图像；其中，Mi为大于等于10的正整数，其中，i为1,2,3…K 的一个值；
步骤S13：在所述原始CDSEM图像上标定出缺陷类型和相应的缺陷位置及缺陷大小，形成目标CDSEM图像；
步骤S14：基于所述原始CDSEM图像，采用卷积的方式提取出所述原始CDSEM图像的梯度图，将所述原始CDSEM图像和从所述原始CDSEM 图像提取出的梯度图通过组合方式组成三通道图像；并形成一组三通道图像- 目标CDSEM图像数据对，最终得到Mi组三通道图像-目标CDSEM图像数据对；
步骤S15：判断所述三通道图像-目标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S16；其中：
Figure RE-GDA0002944590420000061
步骤S16：将N组所述三通道图像-目标CDSEM图像数据对取N3 组作为用于测试模型准确度的测试集；
步骤S17：将剩余的N-N3组所述三通道图像-目标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中所述三通道图像-目标CDSEM图像数据对组数的比例为 N1:N2，N＝N1+N2+N3；较佳地，三通道图像可以为RGB图像、YUV图像或者YCbCr图像。
在本发明的实施例中，在所述晶圆上完成光刻工艺流程得到光刻后晶圆，或者在所述光刻后晶圆上完成刻蚀工艺流程得到刻蚀后晶圆；然后，使用扫描电子显微镜在所述光刻后晶圆或所述刻蚀后晶圆的不同坐标进行扫描，得到目标CDSEM图像。
也就是说，用于模型训练的训练集、用于验证模型的验证集、和用于测试模型准确度的测试集均是从光刻或刻蚀的实际工艺中得到的。所述三通道图像-目标CDSEM图像数据对的组数
Figure RE-GDA0002944590420000071
例如，N＝1000。较佳地， N组所述三通道图像-目标CDSEM图像数据对可以是按训练集、验证集和测试集的比例为8:1:1进行，其中，训练集包括800组所述三通道图像-目标 CDSEM图像数据对，验证集包括100组所述三通道图像-目标CDSEM图像数据对，测试集包括100组所述三通道图像-目标CDSEM图像数据对。
在缺陷检测中，作为灰度图的原始CDSEM图像，在光刻或刻蚀后的缺陷主要为桥连和断裂，这些特征转化为梯度图后，表现更为明显。基于上述的先验信息，在进行模型训练时，可以提取出原始CDSEM图像的梯度图，结合本身的灰度图，组成Gray+GradientX+GradientY或者 Gray+GradientXY+0的三通道图像，将结合梯度信息的原始CDSEM图像 (即三通道图像)作为目标检测神经网络模型的输入，有助于模型从不同的视野去学习目标CDSEM图像的缺陷特征，从而进一步提升模型训练的速度和准确度。
请参阅图2，图2所示为本发明实施例中将CDSEM图像的像素分布以及像素梯度的分布信息结合成三通道图像的两种组合方法示意图。在本发明的实施例中，如图2所示，第一种组合方式为：Gray+GradientX+GradientY；其中，Gray为所述原始CDSEM图像的灰度图，GradientX为所述原始 CDSEM图像X方向的梯度图，GradientY为所述原始CDSEM图像Y方向的梯度图。第二种组合方式为：Gray+GradientXY+0；其中，Gray为所述原始CDSEM图像的灰度图，GradientXY为所述原始CDSEM图像XY方向的组合梯度图。以RGB三通道图像为例，采用第一种组合时可以用R通道存储灰度信息，G通道存储X方向梯度信息，B通道存储Y方向梯度信息，从而构建出RGB三通道图像。需要说明的是，在本方案中R通道、G通道与 B通道是同等地位的，灰度信息、X方向梯度信息与Y方向梯度信息也是同等地位的，因此通道与信息之间可以任意组合，即有6种构建RGB三通道图像的方式。同样的，采用第二种组合时也是类似。
在本发明的实施例中，有了所述三通道图像-目标CDSEM图像数据对以后，执行步骤S2对模型进行训练，即采用目标检测神经网络模型，将所述三通道图像作为输入，与之对应的所述目标CDSEM图像作为目标输出，遍历所述训练集中的N1组所述三通道图像-目标CDSEM图像数据对完成所述目标检测神经网络模型的训练；其中，所述训练是指将所述目标检测神经网络模型预测的CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，分别计算缺陷类型的损失函数、缺陷位置的损失函数及缺陷大小的损失函数，并据此得到训练集的综合损失函数，然后根据所述训练集的综合损失函数的值对所述目标检测神经网络模型进行迭代更新。
在本发明的实施例中，步骤S2具体包括：
步骤S21：提供所述目标检测神经网络模型；
步骤S22：以所述训练集中的所述三通道图像作为输入，与之对应的所述目标CDSEM图像作为目标输出，遍历N1组所述三通道图像-目标CDSEM 图像数据对，对所述目标检测神经网络模型进行训练；
步骤S23：基于所述训练集的综合损失函数，采用优化算法，迭代更新所述目标检测神经网络模型，逐步减小所述训练集的综合损失函数的值。
在本发明的实施例中，得到训练过的所述目标检测神经网络模型后，执行步骤S3对模型进行验证，即遍历所述验证集中的N2组所述三通道图像- 目标CDSEM图像数据对完成所述目标检测神经网络模型的验证；其中，所述验证是指将所述目标检测神经网络模型的预测CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，分别计算缺陷类型的损失函数、缺陷位置的损失函数及缺陷大小的损失函数，并据此得到验证集的综合损失函数，然后根据所述验证集的综合损失函数的值对训练结果进行验证。
在本发明的实施例中，步骤S3具体包括：
步骤S31：遍历N2组所述验证集中的所述三通道图像-目标CDSEM图像数据对，计算并记录所述验证集的综合损失函数，同时记录对应的所述目标检测神经网络模型；
步骤S32：重复步骤S17至S31，若记录下的连续P次所述验证集的综合损失函数的最大值与最小值之差小于第一设定值，且至少有1次所述验证集的综合损失函数小于第二设定值，则判定训练完成；其中P为大于等于3 的正整数，较佳地，P为10。
在本发明的实施例中，得到训练完成的所述目标检测神经网络模型后，执行步骤S4对模型进行测试，即遍历所述测试集中的N3组中所述三通道图像-目标CDSEM图像数据对完成所述目标检测神经网络模型的测试；其中，所述测试是指将所述目标检测神经网络模型的预测CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，计算所述目标检测神经网络模型的准确度。
在本发明的实施例中，步骤S4具体包括：
步骤S41：基于步骤S32的P组所述目标检测神经网络模型，遍历N3 组所述三通道图像-目标CDSEM图像数据对，计算并保存P组所述目标检测神经网络模型的准确度；
步骤S42：取P组中准确度最高的数值，若该值大于或等于第三设定值，则该组所述目标检测神经网络模型为用于缺陷检测的最终目标检测神经网络模型，若该值低于第三设定值，则重复步骤S17至S41，重新判断准确度，直至大于或等于第三设定值。
即当模型预测的准确度大于等于第三设定值时，模型可以投入实际应用，反之，则需要对目标检测神经网络模型进行调整并重新训练，如调整网络层数、卷积核大小、激活函数和损失函数等其中的一种或多种的组合。具体地，在本发明的实施例中，将三通道图像作为神经网络模型的输入，与之对应的目标CDSEM图像作为神经网络模型的目标输出，采用目标检测神经网络模型进行训练。
在训练过程中，目标检测神经网络模型可以包含53个中间层(卷积层)，使用ReLu作为激活函数，以目标检测神经网络模型的预测CDSEM图像的缺陷类型、缺陷位置及缺陷大小与目标CDSEM图像的缺陷类型、缺陷位置及缺陷大小相比较，分别计算缺陷类型、缺陷位置及缺陷大小的损失函数，并据此得到训练集的综合损失函数，通过训练集的综合损失函数，迭代更新目标检测神经网络模型，当训练集中的所有三通道图像-目标CDSEM图像数据对遍历过一次后，对目标检测神经网络模型进行验证。
验证过程基本与训练过程一致，在得到验证集的综合损失函数后仅记录下本次验证集的综合损失函数及对应的目标检测神经网络模型，不会对目标检测神经网络模型进行迭代更新。在连续记录下的10次验证集的综合损失函数中，若最大值和最小值之差小于5，且最小值小于3，则认为目标检测神经网络模型趋于稳定，验证通过，目标检测神经网络模型的训练完成，可以进行测试。
测试的对象是之前记录下的10个目标检测神经网络模型。每一个目标检测神经网络模型均需要输入测试集中的100组三通道图像，计算输出的预测CDSEM图像的缺陷数量和目标CDSEM图像的缺陷数量的比值为该目标检测神经网络模型的准确度，依次计算出10个目标检测神经网络模型的准确度，取其中数值最大的一个进行判断，若大于等于90％，则认为测试通过，使用该目标检测神经网络模型作为最终目标检测神经网络模型。需要说明的是，由于原始CDSEM图像的不同，目标检测神经网络模型的不同，最终目标检测神经网络模型的精度要求不同等各种因素的影响，第一设定值、第二设定值及第三设定值的差距可能非常大，如第一设定值为2，第二设定值为 15，第三设定值为50％或者第一设定值为10，第二设定值为12，第三设定值为60％等。
还需要说明的是本发明中步骤S16与步骤S17对三通道图像-目标 CDSEM图像数据对的分配方式是基于总数据量较少的情况，若存在非常大量的原始CDSEM图像，也可以把三通道图像-目标CDSEM图像数据对分为多个训练集，1个验证集及1个测试集，其中每个训练集的三通道图像- 目标CDSEM图像数据对组数相同。
图像数据对重复步骤S17当需要对新的一批原始CDSEM图像进行缺陷检测时，首先提取原始CDSEM图像的梯度图，将提取的原始CDSEM图像的梯度图与原始CDSEM图像组合成三通道图像，将三通道图像输入最终目标检测神经网络模型，最终目标检测神经网络模型会基于输入的三通道图像标记出原始CDSEM图像存在的缺陷从而形成预测目标CDSEM图像。
步骤S5:基于所述最终目标检测神经网络模型，对新的原始CDSEM图像进行缺陷检测。
步骤S5具体包括：
步骤S51：接收需进行缺陷检测的所述原始CDSEM图像；
步骤S52：提取所述原始CDSEM图像的梯度图；
步骤S53：将提取的所述原始CDSEM图像的梯度图与所述原始CDSEM 图像组合成三通道图像；
步骤S54：将所述三通道图像输入所述最终目标检测神经网络模型，所述最终目标检测神经网络模型基于所述三通道图像标记出所述原始CDSEM 图像的缺陷，形成预测目标CDSEM图像。
在实际操作中，相关的工艺工程师可以根据目标检测神经网络模型反馈的预测目标CDSEM图像，判断当前工艺是否存在问题，并对反馈出的缺陷，进行工艺流程追踪，找出问题所在，调整工艺流程，避免相关缺陷的再次产生。
步骤S6：根据所述预测目标CDSEM图像，判断当前工艺是否存在问题，并根据所述预测目标CDSEM图像的缺陷，进行工艺流程追踪，调整工艺流程。
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 (11)

1.一种提升缺陷检测性能的方法，其特征在于，所述方法包括如下步骤：
步骤S1：训练集、验证集和测试集的生成步骤；其包括：
步骤S11：提供晶圆，并预设光刻工艺或刻蚀工艺次数为K次；其中，K为大于等于1的正整数；
步骤S12：在所述晶圆完成一次光刻工艺流程；使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描，并保存扫描得到的Mi张原始CDSEM图像；或在所述光刻后晶圆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Mi处不同坐标进行扫描，并保存扫描得到的Mi张原始CDSEM图像；其中，Mi为大于等于10的正整数，i为1,2,3…K的一个值；
步骤S13：在所述原始CDSEM图像上标定出缺陷类型和相应的缺陷位置及缺陷大小，形成目标CDSEM图像；
步骤S14：基于所述原始CDSEM图像，采用卷积的方式提取出所述原始CDSEM图像的梯度图，将所述原始CDSEM图像和从所述原始CDSEM图像提取出的梯度图通过组合方式组成三通道图像；并形成一组三通道图像-目标CDSEM图像数据对，最终得到Mi组三通道图像-目标CDSEM图像数据对；
步骤S15：判断所述三通道图像-目标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S16；其中，
Figure RE-FDA0002944590410000011
步骤S16：将N组所述三通道图像-目标CDSEM图像数据对取N3组作为用于测试模型准确度的测试集；
步骤S17：将剩余的N-N3组所述三通道图像-目标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中所述三通道图像-目标CDSEM图像数据对组数的比例为N1:N2，N＝N1+N2+N3；
步骤S2：采用目标检测神经网络模型，将所述三通道图像作为输入，与之对应的所述目标CDSEM图像作为目标输出，遍历所述训练集中的N1组所述三通道图像-目标CDSEM图像数据对完成所述神经网络模型的训练；其中，所述训练是指将所述目标检测神经网络模型预测的CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，分别计算缺陷类型的损失函数、缺陷位置的损失函数及缺陷大小的损失函数，并据此得到训练集的综合损失函数，然后根据所述训练集的综合损失函数的值对所述目标检测神经网络模型进行迭代更新；
步骤S3：遍历所述验证集中的N2组所述三通道图像-目标CDSEM图像数据对完成所述目标检测神经网络模型的验证；其中，所述验证是指将所述目标检测神经网络模型的预测CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，分别计算缺陷类型的损失函数、缺陷位置的损失函数及缺陷大小的损失函数，并据此得到验证集的综合损失函数，然后根据所述验证集的综合损失函数的值对训练结果进行验证；
步骤S4：遍历所述测试集中的N3组所述三通道图像-目标CDSEM图像数据对完成所述目标检测神经网络模型的测试；其中，所述测试是指将所述目标检测神经网络模型预测的CDSEM图像的缺陷与所述目标CDSEM图像的缺陷相比较，计算所述目标检测神经网络模型的准确度。
2.根据权利要求1所述的提升缺陷检测性能的方法，其特征在于，所述组合方式为：Gray+GradientX+GradientY；
其中，Gray为所述原始CDSEM图像，GradientX为所述原始CDSEM图像X方向的梯度图，GradientY为所述原始CDSEM图像Y方向的梯度图。
3.根据权利要求1所述的提升缺陷检测性能的方法，所述组合方式为：Gray+GradientXY+0；
其中，Gray为所述原始CDSEM图像，GradientXY为所述原始CDSEM图像X方向及Y方向的组合梯度图。
4.根据权利要求1所述的提升缺陷检测性能的方法，其特征在于，所述三通道图像为RGB图像、YUV图像或者YCbCr图像。
5.根据权利要求1、2、3或4任意一个所述的提升缺陷检测性能的方法，其特征在于，步骤S2包括：
步骤S21：提供所述目标检测神经网络模型；
步骤S22：以所述训练集中的所述三通道图像作为输入，与之对应的所述目标CDSEM图像作为目标输出，遍历N1组所述三通道图像-目标CDSEM图像数据对，对所述目标检测神经网络模型进行训练；
步骤S23：基于所述训练集的综合损失函数，采用优化算法，迭代更新所述目标检测神经网络模型，逐步减小所述训练集的综合损失函数的值。
6.根据权利要求1、2、3或4任意一个所述的提升缺陷检测性能的方法，其特征在于，步骤S3包括：
步骤S31：遍历N2组所述验证集中的所述三通道图像-目标CDSEM图像数据对，计算并记录所述验证集的综合损失函数，同时记录对应的所述目标检测神经网络模型；
步骤S32：重复步骤S17至S31，若记录下的连续P次所述验证集的综合损失函数的最大值与最小值之差小于第一设定值，且至少有1次所述验证集的综合损失函数小于第二设定值，则判定训练完成；其中P为大于等于3的正整数。
7.根据权利要求6所述的提升缺陷检测性能的方法，其特征在于，P为10。
8.根据权利要求1、2、3或4任意一个所述的提升缺陷检测性能的方法，其特征在于，步骤S4包括：
步骤S41：基于步骤S32的P组所述目标检测神经网络模型，遍历N3组所述三通道图像-目标CDSEM图像数据对，计算并保存P组所述目标检测神经网络模型的准确度；
步骤S42：取P组中准确度最高的数值进行判断，若该值大于或等于第三设定值，则该组所述目标检测神经网络模型为用于缺陷检测的最终目标检测神经网络模型，若该值低于第三设定值，则重复步骤S17至S41，重新判断准确度，直至大于或等于第三设定值。
9.根据权利要求1所述的提升缺陷检测性能的方法，其特征在于，所述训练集的所述三通道图像-目标CDSEM图像数据对组数N1、所述验证集的所述三通道图像-目标CDSEM图像数据对组数N2和所述训练集的所述三通道图像-目标CDSEM图像数据对组数N3的比值为8:1:1。
10.根据权利要求1所述的提升缺陷检测性能的方法，其特征在于，还包括：
步骤S5：基于所述最终目标检测神经网络模型，对新的所述原始CDSEM图像进行缺陷检测；其具体包括：
步骤S51：接收需进行缺陷检测的所述原始CDSEM图像；
步骤S52：提取所述原始CDSEM图像的梯度图；
步骤S53：将提取的所述原始CDSEM图像的梯度图与所述原始CDSEM图像组合成三通道图像；
步骤S54：将所述三通道图像输入所述最终目标检测神经网络模型，所述最终目标检测神经网络模型基于所述三通道图像标记出所述原始CDSEM图像的缺陷，形成预测目标CDSEM图像。
11.根据权利要求10所述的提升缺陷检测性能的方法，其特征在于，还包括：
步骤S6：根据所述预测目标CDSEM图像，判断当前工艺是否存在问题，并根据所述预测目标CDSEM图像的缺陷，进行工艺流程追踪，调整工艺流程。
CN202011459029.8A 2020-12-11 2020-12-11 一种提升缺陷检测性能的方法 Active CN112560935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011459029.8A CN112560935B (zh) 2020-12-11 2020-12-11 一种提升缺陷检测性能的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011459029.8A CN112560935B (zh) 2020-12-11 2020-12-11 一种提升缺陷检测性能的方法

Publications (2)

Publication Number Publication Date
CN112560935A CN112560935A (zh) 2021-03-26
CN112560935B true CN112560935B (zh) 2022-04-01

Family

ID=75062276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011459029.8A Active CN112560935B (zh) 2020-12-11 2020-12-11 一种提升缺陷检测性能的方法

Country Status (1)

Country Link
CN (1) CN112560935B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953410B (zh) * 2023-03-15 2023-05-12 安格利(成都)仪器设备有限公司 一种基于目标检测监督学习的腐蚀坑自动检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345631A (zh) * 2013-06-04 2013-10-09 北京大学深圳研究生院 图像特征提取、训练、检测方法及模块、装置、系统
CN108765389A (zh) * 2018-05-18 2018-11-06 浙江大学 一种微观晶圆表面缺陷图像检测方法
CN110188720A (zh) * 2019-06-05 2019-08-30 上海云绅智能科技有限公司 一种基于卷积神经网络的目标检测方法及系统
CN110826389A (zh) * 2019-09-02 2020-02-21 东华大学 基于注意力3d频率卷积神经网络的步态识别方法
CN111160427A (zh) * 2019-12-17 2020-05-15 博雅信安科技(北京)有限公司 一种基于神经网络的海量流量数据类型的检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345631A (zh) * 2013-06-04 2013-10-09 北京大学深圳研究生院 图像特征提取、训练、检测方法及模块、装置、系统
CN108765389A (zh) * 2018-05-18 2018-11-06 浙江大学 一种微观晶圆表面缺陷图像检测方法
CN110188720A (zh) * 2019-06-05 2019-08-30 上海云绅智能科技有限公司 一种基于卷积神经网络的目标检测方法及系统
CN110826389A (zh) * 2019-09-02 2020-02-21 东华大学 基于注意力3d频率卷积神经网络的步态识别方法
CN111160427A (zh) * 2019-12-17 2020-05-15 博雅信安科技(北京)有限公司 一种基于神经网络的海量流量数据类型的检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的晶圆缺陷检测与分类算法;邡鑫;《计算机工程》;20180831;第44卷(第8期);全文 *

Also Published As

Publication number Publication date
CN112560935A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
US11761904B2 (en) Smart defect calibration system in semiconductor wafer manufacturing
US11935722B2 (en) Machine learning on wafer defect review
US7962863B2 (en) Computer-implemented methods, systems, and computer-readable media for determining a model for predicting printability of reticle features on a wafer
US7760347B2 (en) Design-based method for grouping systematic defects in lithography pattern writing system
US8042069B2 (en) Method for selectively amending layout patterns
US20130010100A1 (en) Image generating method and device using scanning charged particle microscope, sample observation method, and observing device
CN102053504A (zh) 基于衍射标记分析的对设计布局中的优化图案的选择
CN112485976B (zh) 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法
CN113269709A (zh) 探测半导体晶片中缺陷的方法及半导体晶片缺陷探测系统
US7932004B1 (en) Feature identification for metrological analysis
KR20220045499A (ko) 웨이퍼 상의 결함을 추론하는 시스템 및 방법
US7149340B2 (en) Mask defect analysis for both horizontal and vertical processing effects
CN115598934A (zh) 一种光刻模型构建方法、预测sraf图形曝光成像的方法和程序产品
CN112560935B (zh) 一种提升缺陷检测性能的方法
Meng et al. Machine learning models for edge placement error based etch bias
JP2002244275A (ja) フォトマスクの欠陥検査方法、フォトマスクの欠陥検査装置及び記録媒体
CN112541545B (zh) 基于机器学习预测刻蚀工艺后cdsem图像的方法
TWI801837B (zh) 對準失真影像
CN116263559A (zh) 基于机器学习预测待测图形上的光学临近效应缺陷的方法
CN109188857B (zh) 版图的拆分方法与拆分系统
JP2010231044A (ja) パターン検査装置及びパターン検査方法
US7856138B2 (en) System, method and computer software product for inspecting charged particle responsive resist
CN111145162A (zh) 一种基于迁移学习确定euv掩膜版缺陷尺寸的方法
US20220283496A1 (en) Photomask and method for inspecting photomask
CN112099310B (zh) 光强阈值的获取方法以及辅助图形显影情况的检测方法

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