CN112578646A - 一种基于图像的离线的光刻工艺稳定性控制方法 - Google Patents

一种基于图像的离线的光刻工艺稳定性控制方法 Download PDF

Info

Publication number
CN112578646A
CN112578646A CN202011459019.4A CN202011459019A CN112578646A CN 112578646 A CN112578646 A CN 112578646A CN 202011459019 A CN202011459019 A CN 202011459019A CN 112578646 A CN112578646 A CN 112578646A
Authority
CN
China
Prior art keywords
image
cdsem
neural network
network model
aerial 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.)
Granted
Application number
CN202011459019.4A
Other languages
English (en)
Other versions
CN112578646B (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 CN202011459019.4A priority Critical patent/CN112578646B/zh
Publication of CN112578646A publication Critical patent/CN112578646A/zh
Application granted granted Critical
Publication of CN112578646B publication Critical patent/CN112578646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G03F7/7055—Exposure light control in all parts of the microlithographic apparatus, e.g. pulse length control or light interruption
    • G03F7/70558—Dose control, i.e. achievement of a desired dose
    • 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
    • G03F7/7055—Exposure light control in all parts of the microlithographic apparatus, e.g. pulse length control or light interruption
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

一种基于图像的离线的光刻工艺稳定性控制方法，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空间像和CDSEM图像对齐步骤、遍历N组空间像‑CDSEM图像数据对完成神经网络模型的训练的步骤、以及基于神经网络模型计算出的CDSEM图像反向推导出光刻工艺参数的步骤。本发明代替了使用散射仪和专门设计的光栅图样，从散射轮廓曲线来推断实际光刻工艺参数的传统方式，提出离线的空间像到CDSEM图像的方式，完成对光刻工艺参数的推导，缩短了时间周期和器件的使用成本，实现了离线的光刻工艺稳定性的控制。

Description

一种基于图像的离线的光刻工艺稳定性控制方法
技术领域
本发明属于数字图像处理领域，涉及一种基于图像的离线的光刻工艺稳定性控制方法。
背景技术
光刻的原理是在晶圆(Wafer)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)透过掩模照射在晶圆表面，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晶圆的转移，就实现了半导体器件在晶圆表面的构建过程。
光刻工艺中，光刻条件的稳定性对于光刻后的晶圆上图像质量的稳定起到关键作用。具体来说，在光刻工艺流程中，对于给定的图案，在光刻机聚焦和剂量确定的情况下，晶圆上光刻胶的空间像(Aerial Image)也得到确定，在光刻胶确定的情况下，光刻胶显影后的三维结构得到确定，此时通过扫描电子显微镜(Scanning Electronic Microscope，SEM)拍摄出的SEM 图像便也确定了。
针对上述光刻条件稳定性的监控，目前的做法是使用散射仪和专门设计的光栅图样，从散射轮廓曲线来推断实际光刻工艺参数；这种方法需要特殊的散射仪工具，并且对光刻胶下的膜堆叠层变化敏感。
发明内容
鉴于以上光刻条件稳定性的监控技术的问题所在，本发明提出了一种基于图像的离线的光刻工艺稳定性控制方法，通过光刻胶的光强分布确定 CDSEM图像，基于CDSEM图像最终推导出光刻机曝光时焦深和剂量的值。
为实现上述目的，本发明的技术方案如下：
一种基于图像的离线的光刻工艺稳定性控制方法，其包括如下步骤：
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，并预设光刻工艺次数为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CDSEM图像；其中，Mi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图像与对应的空间像组成一组空间像-CDSEM图像数据对，最终得到Mi组所述空间像-CDSEM图像数据对，其中，所述空间像包括至少一张光刻胶不同深度处的二维图像；
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：
Figure RE-GDA0002956967020000021
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中所述空间像-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2；
步骤S2：在进行模型训练之前，将所述空间像和所述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，所述的基于图像的离线的光刻工艺稳定性控制方法的步骤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S15 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以卷积为主的深度卷积神经网络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，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。进一步地，所述训练集中所述空间像-CDSEM图像数据对的组数N1是7的倍数，所述验证集中所述空间像 -CDSEM图像数据对的组数N2为3的倍数。
所述的基于图像的离线的光刻工艺稳定性控制方法还包括：
步骤S4：基于所述最终神经网络模型，当新的空间像输入时，所述最终神经网络模型生成与之对应的新的CDSEM图像。
进一步地，所述的基于图像的离线的光刻工艺稳定性控制方法还包括步骤S5：基于所述最终神经网络模型生成的所述新的CDSEM图像反向推导出光刻工艺参数，以实现离线的光刻工艺稳定性的控制。
进一步地，所述步骤S5包括：
S51：获取所述训练集和所述验证集的所述CDSEM图像作为样本集并获取测量得到的所述样本集的所述CDSEM图像对应的所述光刻工艺参数；
S52：使用图像配准来匹配基于所述最终神经网络模型生成的所述新的 CDSEM图像和所述样本集中的所述CDSEM图像；匹配到的所述样本集中的所述CDSEM图像对应的所述光刻工艺参数即为所述新的空间像对应的所述光刻工艺参数。
进一步地，所述图像配准包括单模图像配准和多模图像配准。
进一步地，所述光刻工艺参数为焦深和剂量。
进一步地，所述空间像和CDSEM图像的图像大小和分辨率相同。
从上述技术方案可以看出，本发明的一种基于图像的离线的光刻工艺稳定性控制方法的有益效果为，其代替了使用散射仪和专门设计的光栅图样，从散射轮廓曲线来推断实际光刻工艺参数的传统方式，提出离线的空间像到 CDSEM图像的方式，完成对光刻工艺参数的推导，缩短了时间周期和器件的使用成本。
附图说明
图1所示为本发明实施例中基于图像的离线的光刻工艺稳定性控制方法的流程示意图
图2所示为本发明实施例中基于图像的离线光刻工艺稳定性监测功能框图
图3所示为本发明实施例中是采用深度卷积神经网络DCNN来实现从光刻胶中空间像到CDSEM图像的生成方式示意图
图4所示为本发明实施例中为本发明实施例中是采用生成式对抗网络实现从光刻胶中空间像到CDSEM图像的生成方式示意图
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图像的离线的光刻工艺稳定性控制方法，其光刻工艺中，光刻机通过紫外线将掩膜版上的图案映射到涂有光刻胶的晶圆(Wafer)上，在实际的光刻工艺流程中，当光刻机中光刻工艺参数(焦深和剂量)确定后，晶圆上的图案也相应确定下来，此时，通过扫描电子显微镜拍摄出的CDSEM图像也得到确定。因此，在工艺流程确定的情况下，CDSEM图像和光刻工艺参数之间存在一定的对应关系。
请参阅图1，图1所示为本发明实施例中基于图像的离线的光刻工艺稳定性控制方法的流程示意图。如图1所示，该种基于图像的离线的光刻工艺稳定性控制方法，其可以包括如下步骤：
步骤S1：训练集和验证集的生成步骤。该步骤S1可以具体包括：
步骤S11：提供晶圆，并预设光刻工艺次数为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CDSEM 图像；其中，Mi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图像与对应的空间像组成一组空间像-CDSEM图像数据对，最终得到Mi组所述空间像-CDSEM图像数据对，其中，所述空间像包括至少一张光刻胶不同深度处的二维图像；例如，所述空间像可以包括3张或5张光刻胶不同深度处的二维图像。
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：
Figure RE-GDA0002956967020000051
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中所述空间像-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2；
步骤S2：在进行模型训练之前，将所述空间像和所述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。
也就是说，请参阅图2，图2所示为本发明实施例中基于图像的离线的光刻工艺稳定性控制功能框图。如图2所示，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的实际光刻工艺中得到的(例如进行5次光刻，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)。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；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组所述空间像-CDSEM 图像数据对，验证集包括300组所述空间像-CDSEM图像数据对。
在本发明的实施例中，有了所述空间像-SEM图像数据对以后，针对两者之间的映射关系，可以通过深度卷积神经网络(DCNN：deep convolutional neural networks)或者生成式对抗网络(GAN：Generative adversarial networks)等方式进行推导。
请参阅图3和图4，图3所示为本发明实施例中是采用深度卷积神经网络DCNN来实现从光刻胶中空间像到CDSEM图像的生成方式示意图；图4 所示为本发明实施例中是采用生成式对抗网络实现从光刻胶中空间像到 CDSEM图像的生成方式示意图。
在本发明的实施例中，由于实际光刻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：将所述空间像和所述CDSEM图像对齐，并且，较佳地，所述空间像和所述CDSEM图像的图像大小和分辨率相同。图像大小视具体情况而定，本次示例中可以是 512*512。
步骤S3：将空间像作为输入，与之对应的CDSEM图像作为目标输出，采用神经网络模型，遍历N1组训练集中的所述空间像-CDSEM图像数据对完成神经网络模型的训练；遍历N2组验证集中的所述空间像-CDSEM图像数据对完成神经网络模型的验证。
具体地，通过图像到图像(Image To Image)的方法，主要方式是基于曝光后光刻胶中空间像去生成对应的CDSEM图像，将空间像作为神经网络模型的输入，与之对应的CDSEM图像作为神经网络模型的目标输出，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CDSEM图像之间的映射。
在本发明的实施例中，所述基于图像的离线的光刻工艺稳定性控制方法的步骤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S15 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以卷积为主的深度卷积神经网络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，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。
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，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。
有了上述神经网络模型，就可以执行步骤S4，即基于所述最终神经网络模型，当新的空间像输入时，所述最终神经网络模型也就可以生成与之对应的新的CDSEM图像。
在本发明的实施例中，在生成CDSEM图像后，基于现有的不同光刻工艺参数下的CDSEM图像，寻找匹配分数最高的光刻工艺参数，即将生成的 CDSEM图像和现有的CDSEM图像进行图像配准，找到与之最相似的 CDSEM图像，该CDSEM图像的光刻工艺参数(焦深和剂量)即为新的空间像对应的光刻工艺参数。
在本发明的实施例中，所述的基于图像的离线的光刻工艺稳定性控制方法还包括步骤S5：基于所述最终神经网络模型生成的所述新的CDSEM图像反向推导出光刻工艺参数，以实现离线的光刻工艺稳定性的控制。即最终在离线的情况下，本发明就可以通过空间像生成CDSEM图像，并完成光刻工艺参数的反向推导过程。
进一步地，所述步骤S5包括：
S51：获取所述训练集和所述验证集的所述CDSEM图像作为样本集并获取测量得到的所述样本集的所述CDSEM图像对应的所述光刻工艺参数；
S52：使用图像配准来匹配基于所述最终神经网络模型生成的所述新的 CDSEM图像和所述样本集中的所述CDSEM图像；匹配到的所述样本集中的所述CDSEM图像对应的所述光刻工艺参数即为所述新的空间像对应的所述光刻工艺参数。较佳地，所述图像配准可以包括单模图像配准和多模图像配准。
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 (10)

1.一种基于图像的离线的光刻工艺稳定性控制方法，其特征在于，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，并预设光刻工艺次数为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CDSEM图像；其中，Mi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图像与对应的空间像组成一组空间像-CDSEM图像数据对，最终得到Mi组所述空间像-CDSEM图像数据对，其中，所述空间像包括至少一张光刻胶不同深度处的二维图像；
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：
Figure RE-FDA0002956967010000011
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中所述空间像-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2；
步骤S2：将所述空间像和所述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所述的基于图像的离线的光刻工艺稳定性控制方法，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S15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所述的基于图像的离线的光刻工艺稳定性控制方法，其特征在于，所述神经网络模型为以卷积为主的深度卷积神经网络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，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。
4.根据权利要求1所述的基于图像的离线的光刻工艺稳定性控制方法，其特征在于，所述训练集中所述空间像-CDSEM图像数据对的组数N1是7的倍数，所述验证集中所述空间像-CDSEM图像数据对的组数N2为3的倍数。
5.根据权利要求1所述的基于图像的离线的光刻工艺稳定性控制方法，其特征在于，还包括：
步骤S4：基于所述最终神经网络模型，当新的空间像输入时，所述最终神经网络模型生成与之对应的新的CDSEM图像。
6.根据权利要求5所述的基于图像的离线的光刻工艺稳定性控制方法，其特征在于，还包括步骤S5：基于所述最终神经网络模型生成的所述新的CDSEM图像反向推导出光刻工艺参数，以实现离线的光刻工艺稳定性的控制。
7.根据权利要求6所述的基于图像的离线的光刻工艺稳定性控制方法，其特征在于，所述步骤S5包括：
S51：获取所述训练集和所述验证集的所述CDSEM图像作为样本集并获取测量得到的所述样本集的所述CDSEM图像对应的所述光刻工艺参数；
S52：使用图像配准来匹配基于所述最终神经网络模型生成的所述新的CDSEM图像和所述样本集中的所述CDSEM图像；匹配到的所述样本集中的所述CDSEM图像对应的所述光刻工艺参数即为所述新的空间像对应的所述光刻工艺参数。
8.根据权利要求6所述的基于图像的离线的光刻工艺稳定性控制方法，其特征在于，所述光刻工艺参数为焦深和剂量。
9.根据权利要求7所述的基于图像的离线的光刻工艺稳定性控制方法，其特征在于，所述图像配准包括单模图像配准和多模图像配准。
10.根据权利要求1所述的基于图像的离线的光刻工艺稳定性控制方法，其特征在于，所述空间像和CDSEM图像的图像大小和分辨率相同。
CN202011459019.4A 2020-12-11 2020-12-11 一种基于图像的离线的光刻工艺稳定性控制方法 Active CN112578646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011459019.4A CN112578646B (zh) 2020-12-11 2020-12-11 一种基于图像的离线的光刻工艺稳定性控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011459019.4A CN112578646B (zh) 2020-12-11 2020-12-11 一种基于图像的离线的光刻工艺稳定性控制方法

Publications (2)

Publication Number Publication Date
CN112578646A true CN112578646A (zh) 2021-03-30
CN112578646B CN112578646B (zh) 2022-10-14

Family

ID=75132137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011459019.4A Active CN112578646B (zh) 2020-12-11 2020-12-11 一种基于图像的离线的光刻工艺稳定性控制方法

Country Status (1)

Country Link
CN (1) CN112578646B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101416043A (zh) * 2006-03-30 2009-04-22 东京毅力科创株式会社 使用光学计量来测量晶片上形成的受损结构
CN107908071A (zh) * 2017-11-28 2018-04-13 上海集成电路研发中心有限公司 一种基于神经网络模型的光学邻近校正方法
CN108228981A (zh) * 2017-12-19 2018-06-29 上海集成电路研发中心有限公司 基于神经网络的opc模型生成方法及实验图案的预测方法
CN108535952A (zh) * 2018-04-09 2018-09-14 北京理工大学 一种基于模型驱动卷积神经网络的计算光刻方法
US20180314163A1 (en) * 2014-12-15 2018-11-01 Asml Netherlands B.V. Optimization based on machine learning
CN108875141A (zh) * 2018-05-24 2018-11-23 上海集成电路研发中心有限公司 一种基于神经网络模型确定芯片全掩模聚焦参数的方法
WO2019048506A1 (en) * 2017-09-08 2019-03-14 Asml Netherlands B.V. METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP
CN109491216A (zh) * 2018-12-20 2019-03-19 上海集成电路研发中心有限公司 一种优化光刻工艺参数的方法
US20190147127A1 (en) * 2016-05-12 2019-05-16 Asml Netherlands B.V. Identification of hot spots or defects by machine learning
CN109976087A (zh) * 2017-12-27 2019-07-05 上海集成电路研发中心有限公司 掩模图案模型的生成方法及掩模图案的优化方法
CN110187609A (zh) * 2019-06-05 2019-08-30 北京理工大学 一种计算光刻的深度学习方法
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
CN110501880A (zh) * 2018-05-18 2019-11-26 卡尔蔡司Smt有限责任公司 用于借助于转换模型分析光刻工艺的元件的装置及方法
CN110727178A (zh) * 2019-10-18 2020-01-24 南京诚芯集成电路技术研究院有限公司 一种基于机器学习确定光刻系统焦面位置的方法
CN111310407A (zh) * 2020-02-10 2020-06-19 上海集成电路研发中心有限公司 基于机器学习进行逆向光刻最优特征向量设计的方法
CN111430261A (zh) * 2020-05-21 2020-07-17 中国科学院微电子研究所 一种工艺检测方法及装置
US20200278604A1 (en) * 2019-02-28 2020-09-03 Taiwan Semiconductor Manufacturing Co., Ltd. Lithography model calibration
CN111626357A (zh) * 2020-05-27 2020-09-04 北京微智信业科技有限公司 一种基于神经网络模型的图像识别方法
CN111968142A (zh) * 2020-07-21 2020-11-20 上海集成电路研发中心有限公司 一种光刻图像轮廓的提取方法
CN111985611A (zh) * 2020-07-21 2020-11-24 上海集成电路研发中心有限公司 基于物理特征图与dcnn机器学习逆向光刻解的计算方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101416043A (zh) * 2006-03-30 2009-04-22 东京毅力科创株式会社 使用光学计量来测量晶片上形成的受损结构
US20180314163A1 (en) * 2014-12-15 2018-11-01 Asml Netherlands B.V. Optimization based on machine learning
US20190147127A1 (en) * 2016-05-12 2019-05-16 Asml Netherlands B.V. Identification of hot spots or defects by machine learning
CN111051993A (zh) * 2017-09-08 2020-04-21 Asml荷兰有限公司 用于机器学习辅助的光学邻近误差校正的训练方法
WO2019048506A1 (en) * 2017-09-08 2019-03-14 Asml Netherlands B.V. METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP
CN107908071A (zh) * 2017-11-28 2018-04-13 上海集成电路研发中心有限公司 一种基于神经网络模型的光学邻近校正方法
CN108228981A (zh) * 2017-12-19 2018-06-29 上海集成电路研发中心有限公司 基于神经网络的opc模型生成方法及实验图案的预测方法
CN109976087A (zh) * 2017-12-27 2019-07-05 上海集成电路研发中心有限公司 掩模图案模型的生成方法及掩模图案的优化方法
CN108535952A (zh) * 2018-04-09 2018-09-14 北京理工大学 一种基于模型驱动卷积神经网络的计算光刻方法
CN110501880A (zh) * 2018-05-18 2019-11-26 卡尔蔡司Smt有限责任公司 用于借助于转换模型分析光刻工艺的元件的装置及方法
CN108875141A (zh) * 2018-05-24 2018-11-23 上海集成电路研发中心有限公司 一种基于神经网络模型确定芯片全掩模聚焦参数的方法
CN109491216A (zh) * 2018-12-20 2019-03-19 上海集成电路研发中心有限公司 一种优化光刻工艺参数的方法
US20200278604A1 (en) * 2019-02-28 2020-09-03 Taiwan Semiconductor Manufacturing Co., Ltd. Lithography model calibration
CN110187609A (zh) * 2019-06-05 2019-08-30 北京理工大学 一种计算光刻的深度学习方法
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
CN110727178A (zh) * 2019-10-18 2020-01-24 南京诚芯集成电路技术研究院有限公司 一种基于机器学习确定光刻系统焦面位置的方法
CN111310407A (zh) * 2020-02-10 2020-06-19 上海集成电路研发中心有限公司 基于机器学习进行逆向光刻最优特征向量设计的方法
CN111430261A (zh) * 2020-05-21 2020-07-17 中国科学院微电子研究所 一种工艺检测方法及装置
CN111626357A (zh) * 2020-05-27 2020-09-04 北京微智信业科技有限公司 一种基于神经网络模型的图像识别方法
CN111968142A (zh) * 2020-07-21 2020-11-20 上海集成电路研发中心有限公司 一种光刻图像轮廓的提取方法
CN111985611A (zh) * 2020-07-21 2020-11-24 上海集成电路研发中心有限公司 基于物理特征图与dcnn机器学习逆向光刻解的计算方法

Also Published As

Publication number Publication date
CN112578646B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
TWI649788B (zh) 用於微影製程之最佳化的方法
TWI711900B (zh) 用於改良用於圖案化製程之製程模型之方法及相關聯電腦程式產品
US10859924B2 (en) Method for manufacturing semiconductor device and system for performing the same
US10816907B2 (en) Method for determining an optimized set of measurement locations for measurement of a parameter of a lithographic process, metrology system and computer program products for implementing such methods
US10146141B2 (en) Lithography process and system with enhanced overlay quality
US20220291590A1 (en) Modeling method for computational fingerprints
CN1892431A (zh) 表征方法、表征处理操作的方法、以及装置制造方法
TW201800869A (zh) 計算用於控制製程的修正之方法、度量衡設備、元件製造方法、及模型化方法
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
CN111430261B (zh) 一种光刻机工艺稳定性检测方法及装置
TW201911369A (zh) 積體電路製造方法
US11320750B2 (en) Determining an optimal operational parameter setting of a metrology system
US6934929B2 (en) Method for improving OPC modeling
CN116685909A (zh) 显影后或蚀刻后图像的基于机器学习的图像生成
CN107735731A (zh) 光刻设备、控制方法及计算机程序产品
CN1749861A (zh) 用于抑制使用光刻系统印刷的特征波形化的装置、方法及程序产品
CN112578646B (zh) 一种基于图像的离线的光刻工艺稳定性控制方法
CN112764324A (zh) 光刻系统的扫描方法和光刻系统
CN113168112A (zh) 测量与使用光刻过程形成的结构有关的聚焦参数的方法
CN112541545B (zh) 基于机器学习预测刻蚀工艺后cdsem图像的方法
US10901323B2 (en) Metrology method and apparatus with increased bandwidth
TWI814571B (zh) 用於轉換度量衡資料之方法
US10809633B1 (en) Overlay control with corrections for lens aberrations
TW202349130A (zh) 基於模板輪廓之自適應加權之影像分析
WO2024046691A1 (en) Method for configuring a field of view of an inspection apparatus

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