CN113008160B - 用于半导体芯片表面形貌计量的系统和方法 - Google Patents

Abstract

公开了用于半导体芯片表面形貌计量的系统和方法。一种方法包括：由至少一个处理器接收多个干涉信号，每个干涉信号与半导体芯片的表面上的多个位置中的相应的一个位置相对应。由至少一个处理器将多个干涉信号变换成多个光谱信号，每个光谱信号与半导体芯片的表面上的多个位置中的相应的一个位置相对应。由至少一个处理器使用机器学习模型将光谱信号分类成多个类别，其中，每个类别与半导体芯片的表面上具有相同材料的区域相对应。由至少一个处理器至少部分地基于与对应于至少一个类别的区域相关联的校准信号来确定表面基线与至少一个类别之间的表面高度偏移。由至少一个处理器至少部分地基于表面高度偏移和干涉信号来表征半导体芯片的表面形貌。

Description

用于半导体芯片表面形貌计量的系统和方法

本申请是申请日为2020年2月24日、申请号为202080000446.8、发明名称为“用于半导体芯片表面形貌计量的系统和方法”的专利申请的分案申请。

技术领域

本公开内容的实施例涉及半导体制造中的计量系统和方法。

背景技术

表面形貌是一种重要的表面性质，并且它影响半导体产品的性能及其制造工艺。例如，已经越来越多地在半导体器件中使用晶圆键合工艺来实现创新的堆叠结构。定义晶圆表面的平坦度的形貌是实现良好键合结果的最关键因素之一。成功的键合工艺需要两个晶圆的超精密对准，以及键合界面的平面化。例如，界面形貌缺陷可能在键合工艺中导致晶圆边缘模具打开问题，从而导致严重的成品率损失或降级率。

发明内容

本文公开了用于测量半导体芯片的表面形貌的系统和方法的实施例。

在一个示例中，公开了一种用于测量半导体芯片的表面形貌的方法。由至少一个处理器接收多个干涉信号，每个干涉信号对应于半导体芯片表面上的多个位置中的相应的一个位置。由至少一个处理器使用模型将干涉信号分类成多个类别。这些类别中的每个类别对应于半导体芯片的表面上具有相同材料的区域。表面基线与这些类别中的至少一个类别之间的表面高度偏移是由至少一个处理器至少部分地基于与对应于这些类别中的所述至少一个类别的区域相关联的校准信号来确定的。半导体芯片的表面形貌由至少一个处理器至少部分地基于表面高度偏移和干涉信号来表征。

在另一个示例中，一种用于测量半导体芯片的表面形貌的系统包括干涉仪、扫描探针显微镜(SPM)或电子显微镜、以及至少一个处理器。干涉仪被配置为提供多个干涉信号，每个干涉信号对应于半导体芯片表面上的多个位置中的相应的一个位置。SPM或电子显微镜被配置为提供多个校准信号。所述至少一个处理器被配置为使用模型将干涉信号分类成多个类别。这些类别中的每个类别对应于半导体芯片的表面上具有相同材料的区域。所述至少一个处理器还被配置为至少部分地基于与对应于这些类别中的至少一个类别的区域相关联的校准信号中的至少一个校准信号，来确定表面基线与这些类别中的所述至少一个类别之间的表面高度偏移。所述至少一个处理器还被配置为至少部分地基于表面高度偏移和干涉信号来表征半导体芯片的表面形貌。

在另一个示例中，一种有形计算机可读设备具有在其上存储的指令，当所述指令被至少一个计算设备执行时，使得所述至少一个计算设备执行操作。这些操作包括：接收多个干涉信号，每个干涉信号对应于半导体芯片表面上的多个位置中的相应的一个位置。这些操作还包括：使用模型将干涉信号分类成多个类别。这些类别中的每个类别对应于半导体芯片的表面上具有相同材料的区域。这些操作还包括：至少部分地基于与对应于这些类别中的至少一个类别的区域相关联的校准信号，来确定表面基线与这些类别中的所述至少一个类别之间的表面高度偏移。这些操作还包括：至少部分地基于表面高度偏移和干涉信号来表征半导体芯片的形貌。

在另一个示例中，公开了一种用于训练模型的方法。由至少一个处理器提供用于对干涉信号进行分类的模型。由至少一个处理器获得多个训练样本，每个训练样本包括干涉信号和标记的干涉信号的类别。干涉信号与半导体芯片表面上的位置相对应，并且标记的类别对应于半导体芯片的表面上具有相同材料的区域。由所述至少一个处理器至少部分地基于训练样本中的每个训练样本中的干涉信号的标记的类别和分类的类别之间的差异，来调整模型的参数。

在另一个示例中，一种用于训练模型的系统包括存储器和操作地耦合到所述存储器的至少一个处理器。所述至少一个处理器被配置为提供用于对干涉信号进行分类的模型。所述至少一个处理器还被配置为获得多个训练样本，每个训练样本包括干涉信号和标记的干涉信号的类别。干涉信号与半导体芯片表面上的位置相对应，并且标记的类别对应于半导体芯片的表面上具有相同材料的区域。所述至少一个处理器还被配置为至少部分地基于训练样本中的每个训练样本中的干涉信号的标记的类别与分类的类别之间的差异，来调整模型的参数。

在另一个示例中，一种有形计算机可读设备具有在其上存储的指令，当所述指令被至少一个计算设备执行时，使得所述至少一个计算设备执行操作。这些操作包括：提供用于对干涉信号进行分类的模型。这些操作还包括：获得多个训练样本，每个训练样本包括干涉信号和标记的干涉信号的类别。干涉信号与半导体芯片表面上的位置相对应，并且标记的类别对应于半导体芯片的表面上具有相同材料的区域。这些操作还包括：至少部分地基于训练样本中的每个训练样本中的干涉信号的标记的类别与分类的类别之间的差异，来调整模型的参数。

附图说明

被并入本文并形成说明书的一部分的附图说明了本公开内容的实施例，并且连同描述一起，进一步用于解释本公开内容的原理，并且使相关领域技术人员能够制造和使用本公开内容。

图1根据本公开内容的一些实施例示出了用于测量半导体芯片的表面形貌的示例性系统的示意图。

图2A根据本公开内容的一些实施例示出了不具有透明层以及从中获得的干涉信号的示例性半导体芯片的横截面。

图2B根据本公开内容的一些实施例示出了具有透明层和从中获得的另一干涉信号的另一种半导体芯片的横截面。

图3A根据本公开内容的一些实施例示出了示例性干涉仪的图。

图3B根据本公开内容的一些实施例示出了具有光谱仪的另一种示例性干涉仪的图。

图4A根据本公开内容的一些实施例示出了白光光源的示例性组成光。

图4B根据本公开内容的一些实施例示出了由图4A中的白光光源的组成光产生的示例性干涉信号。

图5A根据本公开内容的一些实施例示出了氙气(Xe)灯的示例性组成光。

图5B根据本公开内容的一些实施例示出了由图5A中的氙气灯的组成光产生的示例性干涉信号。

图6根据本公开内容的一些实施例示出了图1中的用于测量半导体芯片的表面形貌的系统的示例性计算设备的示意图。

图7A示出了根据本公开内容的一些实施例的示例性八个干涉信号。

图7B根据本公开内容的一些实施例示出了被分成四个类别的图7A中的示例性八个干涉信号。

图8A和图8B根据本公开内容的一些实施例示出了表面高度偏移校准和校准的表面高度计算的示例性过程。

图9是根据本公开内容的一些实施例的用于测量半导体芯片的表面形貌的示例性方法的流程图。

图10是根据本公开内容的一些实施例的用于计算校准的表面高度的示例性方法的流程图。

图11是根据本公开内容的一些实施例的用于生成校准的高度图的示例性方法的流程图。

图12示出了根据本公开内容的一些实施例的示例性原始高度图、分类图和校准的高度图。

图13根据本公开内容的一些实施例示出了图1中的用于测量半导体芯片的表面形貌的系统的另一种示例性计算设备的示意图。

图14A示出了根据本公开内容的一些实施例的示例性12个干涉信号。

图14B根据本公开内容的一些实施例示出了从图14A中的示例性12个干涉信号变换而来的12个光谱信号。

图15是根据本公开内容的一些实施例的用于测量半导体芯片的表面形貌的另一种示例性方法的流程图。

图16是根据本公开内容的一些实施例的用于生成校准的高度图的另一种示例性方法的流程图。

图17根据本公开内容的一些实施例示出了图1中的用于测量半导体芯片的表面形貌的系统的另一种示例性计算设备的示意图。

图18是根据本公开内容的一些实施例的用于测量半导体芯片的表面形貌的另一种示例性方法的流程图。

图19是根据本公开内容的一些实施例的用于生成校准的高度图的另一种示例性方法的流程图。

图20示出了根据本公开内容的一些实施例的示例性半导体芯片表面图案、原始高度图、光谱信号和分类图。

图21根据本公开内容的一些实施例示出了训练用于表面形貌表征的模型的示例性系统的示意图。

图22是根据本公开内容的一些实施例的用于训练用于表面形貌表征的模型的示例性方法的流程图。

图23是根据本公开内容的一些实施例的用于训练用于表面形貌表征的模型的另一种示例性方法的流程图。

图24根据本公开内容的一些实施例示出了示例性计算设备的框图。

将参考附图来描述本公开内容的实施例。

具体实施方式

虽然讨论了具体的配置和布置，但应当理解，这仅是出于说明性目的而进行的。相关领域技术人员将认识到，在不脱离本公开内容的精神和范围的情况下，可以使用其它配置和布置。对于相关领域技术人员来说显而易见的是，本公开内容还可以用于各种各样的其它应用中。

应当注意，说明书中对“一个实施例”、“某个实施例”、“示例性实施例”、“一些实施例”等等的引用，指示所描述的实施例可以包括特定的特征、结构或特性，但每个实施例可能不必然地包括该特定的特征、结构或特性。此外，这样的短语不必然地指代同一实施例。另外，当结合实施例描述特定的特征、结构或特性时，无论是否被明确地描述，结合其它实施例来实现这样的特征、结构或特性将在相关领域技术人员的知识范围内。

通常，可以至少部分地根据上下文中的使用来理解术语。例如，至少部分地根据上下文，如本文使用的术语“一个或多个”可以用于以单数意义来描述任何特征、结构或特性，或者可以用于以复数意义来描述特征、结构或特性的组合。类似地，诸如“一个(a)”、“一个(an)”或“所述(the)”之类的术语可以被理解为传达单数用法或者传达复数用法，其至少部分地取决于上下文。另外，可以将术语“基于”理解为不必然地旨在传达因素的排他性集合，而是可以至少部分地根据上下文，替代地允许存在不必然明确描述的额外因素。

如本文使用的，术语“衬底”指代在其上添加后续材料层的材料。衬底本身可以被图案化。被添加在衬底的顶部的材料可以被图案化或者可以保持不被图案化。此外，衬底可以包括各种各样的半导体材料，诸如硅、锗、砷化镓、磷化铟等等。替代地，衬底可以由诸如玻璃、塑料或蓝宝石晶圆之类的非导电材料来制成。

如本文使用的，术语“层”指代包括具有厚度的区域的材料部分。层可以在底层或覆盖结构的全部之上延伸，或者可以具有比底层或覆盖结构的范围更小的范围。此外，层可以是均匀或不均匀连续结构的区域，其中不均匀连续结构具有比连续结构的厚度更小的厚度。例如，层可以位于连续结构的顶表面和底表面之间或者顶表面和底表面处的任何一对水平平面之间。层可以水平地、垂直地和/或沿锥形表面延伸。衬底可以是层，可以在其中包括一层或多层，和/或可以在其上、之上和/或之下具有一层或多层。层可以包含多层。例如，互连层可以包括一个或多个导体和触点层(其中在触点层中形成互连线和/或通孔触点)和一个或多个电介质层。

原子力显微镜(AFM)是用于形貌测量的常用方法之一。但是，它受困于低吞吐率，这严重地限制了AFM的内联(inline)使用，并且还限制了故障排除效率和学习周期的频率。形貌计量的另一类别包括电子显微镜(诸如扫描电子显微镜(SEM)或透射电子显微镜(TEM))，其受困于长周期时间和晶圆消耗。同样由于在一些情况下实际形貌可能在100nm之内，但测量范围可能在微米级别，因此SEM/TEM是不可靠的，这是由于X/Y比率超过1000倍。

与AFM和SEM/TEM相比，白光干涉法(WLI)是一种更实用且高效的形貌表征方法，其吞吐量可以比AFM高100倍以上，并且其还可以实现模具级大面积测量。与基于激光的干涉仪不同，WLI在空间域中具有信号包络的特征，以显示来自某个反射表面的精确且可分辨的高度信息。然而，用于晶圆表面形貌测量的常规WLI方法的准确度和精确度低于AFM的准确度和精确度。

根据本公开内容的各种实施例提供了适用于半导体芯片大批量生产同时仍保持足够的准确度和精确度的、具有高吞吐量的内联表面形貌计量的有效系统和方法。根据本公开内容的一些方面，来自光学测量的信号(诸如干涉信号或光谱信号)与机器学习模型相结合，可以在无需不透明的膜沉积和产品晶圆消耗的情况下实现高吞吐量、半导体芯片表面形貌的内联测量。在一些实施例中，将诸如低相干干涉条纹之类的干涉信号分成若干类别(例如，使用机器学习)，若干类别中的每个类别都被添加有从另一种测量方法(例如，AFM或SEM/TEM)校准的相应的表面高度偏移。结果，可以容易地以高准确度和精确度获得具有多层的半导体芯片的校准的表面高度(在一些情况下，以及来自其的校准的高度图)。在一些实施例中，可以直接从光谱仪或者间接地从干涉信号(例如，使用傅里叶变换)获得包含样品的材料和结构信息的诸如反射谱的光谱信号，其可以被类似地分成若干类别(例如，使用另一种机器学习模型)，若干类别中的每个类别被添加有其固有的表面高度偏移，其中该偏移是通过例如AFM或SEM/TEM测量校准的。

根据本公开内容的一些方面，可以在对系统的光学元件和检测器进行最小改变或者不改变的情况下，操纵光源光谱，诸如被扩展到更宽的范围(例如，使用Xe灯)。较大的光谱范围将产生较窄的信号。因此，可以减小低相干干涉条纹的宽度，从而提高表面形貌测量的信噪比(SNR)和可重复性。结果，由于可以通过扩展的光源光谱降低厚度要求，因此可以扩展测试样品的无重叠区(即，膜厚度)。

图1根据本公开内容的一些实施例示出了用于测量半导体芯片的表面形貌的示例性系统100的示意图。系统100可以包括具有至少一个处理器的计算设备102，所述至少一个处理器实现本文公开的用于测量半导体芯片的表面形貌116的各种功能，诸如使用机器学习模型的分类、表面高度推导和校准、以及信号变换。系统100还可以包括一种或多种光学测量仪器，其可以提供从半导体芯片的表面采样的一种或多种类型的信号，这些信号被用作由计算设备102对表面形貌进行表征的输入信号。在一些实施例中，系统100的光学测量仪器包括干涉仪104，该干涉仪104被配置为提供多个干涉信号110，每个干涉信号110对应于半导体芯片的表面上的多个位置中的相应的一个位置。在一些实施例中，系统100的光学测量仪器还包括光谱仪106，其被配置为提供多个光谱信号112，每个光谱信号对应于半导体芯片表面上的多个位置中的相应的一个位置。即，可以对半导体芯片表面上的多个位置进行采样，并且可以分别通过干涉仪104和光谱仪106获得从那些位置采样的干涉信号110和光谱信号112。应当理解，在一些实施例中，在系统100中可以不包括光谱仪106。在一个示例中，可以将干涉信号110而不是光谱信号112用作计算设备102的输入信号。在另一个示例中，可以将干涉信号110变换成光谱信号112，并且干涉信号110和光谱信号112都可以被用作计算设备102的输入信号。

图2A根据本公开内容的一些实施例示出了不具有透明层以及从中获得的干涉信号的示例性半导体芯片202的横截面。例如，图1中的系统100的干涉仪104可以使用干涉法，来获得干涉信号。干涉法是一类对波(通常是电磁波)进行叠加，从而引起干涉现象(该现象用于提取信息)的技术。干涉仪在科学和工业中被广泛地用于测量小位移、折射率变化和表面不规则性。在干涉仪中，可以将来自单一光源的光分成以不同的光学路径进行传播的两束光，然后对它们再次合并以产生干涉。产生的干涉信号(诸如干涉条纹)可以提供关于光程长度差异的信息。作为一种类型的干涉法，低相干干涉法是用于表面形貌测量的非接触光学方法，其依赖于诸如可见波长光(即，白光)之类的光谱宽带。低相干干涉法技术利用例如白光的低相干特性，通过使来自样品表面和参考表面的光反射通过分束器，从而产生干涉波，其中分束器转而用于基于光程差异来获取表面轮廓。

如图2A中示出的，样品是半导体芯片202，并且在半导体芯片202的表面上的位置处照射白光206并且该白光从半导体芯片202的表面进行反射。半导体芯片202可以包括逻辑器件芯片，诸如中央处理单元(CPU)、图形处理单元(GPU)、应用处理器(AP)、可编程逻辑器件(PLD)或微控制器单元(MCU)、存储设备芯片(诸如闪存、动态随机存取存储器(DRAM)或静态随机存取存储器(SRAM))或者任何其它适当的半导体芯片。应当理解，半导体芯片202并不限于最终产品，其可以包括在制造过程期间的任何中间结构或者裸晶圆。例如，半导体芯片202可以包括在键合工艺(诸如混合键合)之前要被键合的晶圆。如本文使用的，“晶圆”是在其内和/或之上构建并且在被分离成管芯之前可以经历各种制造工艺的用于半导体器件的一片半导体材料。裸晶圆是在经历任何制造工艺之前的处于原始形式的晶圆。晶圆可以包括硅(例如，单晶硅)、硅锗(SiGe)、砷化镓(GaAs)、锗(Ge)、绝缘体上硅(SOI)或者任何其它适当的材料。在一个示例中，晶圆可以是硅晶圆。但是，根据一些实施例，需要在制造工艺之前、之中或之后测量半导体芯片202的表面形貌以进行质量控制。

在一些实施例中，在图2A中照射白光206的位置处于不透明层中，诸如硅衬底的表面或者在硅衬底上形成的具有不透明材料的任何层，其中不透明材料包括例如金属(例如，铜、钨、钴等)、多晶硅，仅举几个例子。对应于半导体芯片202表面处的不透明层中的位置的干涉信号包括低相干干涉法的干涉条纹208(还被称为“信号包络”)，根据一些实施例，该干涉条纹208显示了组成波长的叠加信号如何在所有模式在相位上都一致的点(所谓的固定相位位置)处产生高条纹对比度。因此，可以从干涉信号的干涉条纹208中解析并导出该位置处的表面高度。换句话说，根据一些实施例，干涉信号与该位置处的原始表面高度相关联。

更具挑战性的情况是涂覆有透明薄膜层的样品。图2B根据本公开内容的一些实施例示出了具有透明层204以及从中获得的另一干涉信号的另一种示例性半导体芯片203的横截面。应当理解，在一些实施例中，半导体芯片203可以是与半导体芯片202相同的芯片，而在透明层204中的不同位置(诸如玻璃衬底的表面或者在硅或玻璃衬底上形成的具有包括例如氧化硅或氮化硅的透明材料的任何层)处照射白光206。

如图2B中示出的，根据一些实施例，在各种界面处(诸如透明层204的顶表面、不透明层的顶表面(例如，衬底表面))反射白光206，以及由顶表面与衬底表面之间的内部反射产生的回波。结果，对应于半导体芯片203的表面处的透明层204中的位置的另一干涉信号包括低相干干涉法的另一干涉条纹210。与图2A中的干涉条纹208不同，干涉条纹210可以包括三个分量：对应于透明层204的顶表面的顶表面反射分量212、对应于半导体芯片203的衬底的衬底分量214、以及对应于内部反射产生的回波的内部反射分量216。与对应于不透明层中的位置的干涉信号相比，对应于透明层中的位置的干涉信号具有更复杂的干涉条纹，不能通过其来准确地和精确地分辨出表面高度。即，对于具有多层(特别是一个或多个透明层)的半导体芯片，非相干叠加干涉信号包括：对来自多个层的光强度的干涉贡献进行求和，这可能不适合从其直接推导出表面高度信息。如下面详细描述的，由计算设备102运行的机器学习模型可以在不知道实际结构的情况下，将复杂的输入信号(诸如具有多分量干涉条纹的干涉信号)过滤成一些类别，从而提高表面形貌测量的准确度和精确度。

图3A根据本公开内容的一些实施例示出了示例性干涉仪300的图。干涉仪300可以是图1中的干涉仪104的一个示例(诸如低相干干涉仪)。干涉仪300可以包括光源302、检测器304、保持样品308的样品架306和扫描仪310。在一些实施例中，干涉仪300是白光干涉显微镜，其将干涉仪与显微镜的光学器件(其包括例如镜筒透镜、聚光透镜、分束器、物镜镜子等等)组合在一起。扫描仪310可以是被配置为垂直地移动物镜(例如，Mirau物镜)的准确定位台(例如，压电致动器)。根据一些实施例，当冲击到像素上的光的光程长度对于参考光束和目标光束是相同的时，该像素的干涉信号具有最大调制。这样，当相关图的调制最大时，该像素在样品308的表面上的位置的表面高度对应于扫描仪310的z值。应当理解，虽然将干涉仪300示出为具有Mirau物镜的Mirau干涉仪，但是干涉仪300可以是任何其它适当类型的干涉仪(诸如具有Twyman-Green物镜的Twyman-Green干涉仪)。还应当理解，在一些实施例中，数据库312可以连接到检测器304以存储干涉信号或者与干涉信号相关联的任何其它信息(诸如从干涉信号导出的原始表面高度)，以用于将来的处理。

光源302可以包括用于低相干干涉法的任何适当的光源。在一些实施例中，光源302包括白光光源，该白光光源包括但不限于白炽灯(例如，钨卤素灯)、荧光灯和白光发光二极管(LED)。光源302的光谱的波长范围可以在大约400nm与大约900nm之间(诸如在400nm与900nm之间)。在一些实施例中，光源302的光谱的波长范围与白光的光谱(还被称为“可见光谱”)的波长范围相同，例如，在大约400nm与大约700nm之间，诸如在400nm与700nm之间。图4A示出了根据本公开内容的一些实施例的白光光源的示例性组成光。白光光源的组成光可以包括如图4A中示出的红光、绿光和蓝光。在一些实施例中，组成光可以进一步包括紫光、青光、黄光和橙光。

图4B根据本公开内容的一些实施例示出了由图4A中的白光光源的组成光产生的示例性干涉信号。在该示例中，白光光源的光谱的波长范围在400nm与900nm之间，并且x轴和y轴分别表示扫描仪的z值和干涉信号强度。如图4B中示出的，干涉信号包括具有为约2μm的宽度w的干涉条纹。应当理解，当干涉信号对应于样品表面上的透明层中的位置时，干涉条纹的多个分量可以被重叠(叠加)以增加干涉条纹的宽度和/或具有多个峰(例如，图2B中的210)，与理论的高斯分布相比，它降低了SNR。对于表面高度的直接导出和使用机器学习进行分类，干涉信号中的更窄和更简单的干涉条纹(例如，具有单个窄峰)是优选的，这是因为它具有更高的SNR、垂直分辨率和可重复性，这转而可以用于测量具有较薄的透明层的半导体芯片的表面形貌。

返回参考图3A，由于干涉条纹的宽度取决于光源302的光谱宽度，因此光源302的光谱可以被扩展到更宽的范围，以便减小干涉信号的干涉条纹的宽度，从而提高干涉信号的SNR、垂直分辨率和可重复性。此外，由于可以相应地减小厚度要求，因此转而可以扩展无重叠区(例如，透明层的厚度)。在一些实施例中，光源302的光谱大于白光的光谱。例如，光源302的光谱可以进一步包括紫外线(UV)光或红外线(IR)光中的至少一种。在一些实施例中，光源302的光谱的波长范围大于在大约400nm与大约700nm之间的范围(例如，可见光谱)，诸如大于在400nm与700nm之间的范围。即，光源302的光谱的波长可以小于400nm和/或大于700nm。在一些实施例中，光源302的光谱的波长范围大于在大约400nm与大约900nm之间的范围(诸如大于在400nm与900nm之间的范围)。即，光源302的光谱的波长可以小于400nm和/或大于900nm。在一个示例中，光源302的光谱的波长范围可以在大约190nm与大约1100nm之间(诸如在190nm与1100nm之间)。光源302可以包括能够辐射具有比白光更宽的光谱波长范围的光的任何适当光源(例如，金属卤化物灯)。在一些实施例中，光源302包括Xe灯(诸如氙气弧光灯或氙气闪光灯)。

因此，干涉信号可以包括具有不大于大约2μm的宽度的干涉条纹，诸如不大于2μm(例如，2μm、1.9μm、1.8μm、1.7μm、1.6μm、1.5μm、1.4μm、1.3μm、1.2μm、1.1μm、1μm、0.9μm、0.8μm、0.7μm、0.6μm、0.5μm、0.4μm、0.3μm、0.2μm、0.1μm，以这些值中的任何一个值为下限的任何范围，或者在这些值中的任何两个定义的任何范围内)。在一些实施例中，干涉条纹的宽度为大约1.2μm(诸如1.2μm)。因此，样品(例如，半导体器件)上的透明层的最小厚度不大于约2μm(诸如不大于2μm(例如，2μm、1.9μm、1.8μm、1.7μm、1.6μm、1.5μm、1.4μm、1.3μm、1.2μm、1.1μm、1μm、0.9μm、0.8μm、0.7μm、0.6μm、0.5μm、0.4μm、0.3μm、0.2μm、0.1μm，以这些值中的任何一个值为下限的任何范围，或者在这些值中的任何两个定义的任何范围内)。在一些实施例中，透明层的最小厚度为约1.2μm(诸如1.2μm)。

图5A示出了根据本公开内容的一些实施例的氙气灯的示例性组成光。氙气灯的组成光可以包括白光中的红光、绿光和蓝光、以及非白光中的UV光和IR光。图5B根据本公开内容的一些实施例示出了由图5A中的氙气灯的组成光产生的示例性干涉信号。在该示例中，氙气灯的光谱的波长范围在190nm与1100nm之间，并且x轴和y轴分别表示扫描仪的z值和干涉信号强度。如图5B中示出的，干涉信号包括具有为大约1.2μm的宽度w的干涉条纹。即，与图4B中示出的示例相比，通过扩展光源光谱的波长范围，可以在图5B中的干涉信号中获得更窄的干涉条纹，其具有更高的SNR、垂直分辨率和可重复性。

返回参考图3A，除了在光源302处的光谱扩展以使干涉信号的干涉条纹变窄之外，可以以任何其它适当的方式来操纵干涉信号(例如，通过组合或减去光谱)，以创建期望的信号形状以用于将来的处理(诸如信号分类或直接表面高度导出)。在一些实施例中，干涉仪300还包括被配置为操纵光源302的光谱的一个或多个光学元件。根据一些实施例，这些光学元件包括滤光器或防反射膜中的至少一种。

在一些实施例中，干涉仪300包括适合于低相干干涉法的检测器304。根据一些实施例，如果两个臂的光程长度差异小于光源302的相干长度的一半，则在检测器304处发生干涉。检测器304的每个像素可以对样品308的表面图像内的不同位置进行采样。在一些实施例中，检测器304包括白光电荷耦合器件(CCD)或白光电荷互补金属氧化物半导体(CMOS)图像传感器。白光CCD或白光CMOS图像传感器可以用于检测具有白光光谱以及具有氙气灯光谱(例如，在190nm与1100nm之间)的光源302。即，无论光源302是白光光源还是氙气灯，都可以将相同的白光CCD或白光CMOS图像传感器用作检测器304。

如上面关于图1描述的，光谱信号是从光学测量获得的另一种类型的信号，其可以揭示表面结构和材料信息。图3B根据本公开内容的一些实施例示出了具有光谱仪316的另一种示例性干涉仪301的图。光谱仪316可以是图1中的光谱仪106的一个示例，诸如光学光谱仪(还被称为“分光光度计”或“分光镜”)。与图3A中示出的干涉仪300相比，可以向干涉仪301添加另一分束器318和光谱仪316，以能够提供分别与样品308(例如，半导体芯片)的表面上的多个位置中的相应的一个位置相对应的干涉信号和光谱信号二者。如图3B中示出的，通过分束器318来分开参考光和反射的物体光，以发送到检测器304和光谱仪316二者。光谱仪316可以包括任何适当的光谱仪，其根据波长或频率显示光强度。光学的光谱仪是用于测量在电磁谱的特定部分上的光的属性的仪器。在一些实施例中，由光谱仪316测量的变量包括反射比或反射率，并且由光谱仪316提供的每个光谱信号包括反射光谱。样品308的表面的反射比是其反射辐射能的效率，辐射能是在界面处反射的入射电磁功率的一部分。反射光谱可以将反射比表示为波长的函数，该函数与表面结构和材料相关联。应当理解，在一些实施例中，由光谱仪316提供的光谱信号也可以被存储在数据库312中。

返回参考图1，在不损坏样品(例如，半导体芯片)的情况下，与来自常规表面形貌测量仪器(诸如AFM和SEM/TEM)的输入信号相比，可以以更高的吞吐量来采样来自系统100的光学测量仪器(例如，干涉仪104和光谱仪106)的输入信号(例如，干涉信号110和光谱信号112)。为了补偿与光学测量相关联的表面形貌测量的低准确度和精确度，系统100可以进一步包括扫描探针显微镜(SPM)或电子显微镜(EM)108，其被配置为向计算设备102提供多个校准信号114以用于表面高度校准。SPM可以包括但不限于AFM或扫描隧道显微镜(STM)。EM可以包括但不限于SEM或TEM。SPM/EM 108可以以较高的准确度和精确度提供表面形貌信息，但是具有较低的吞吐量，其适合用作校准信号而不是输入信号。通过将具有较高吞吐量的输入信号(例如，干涉信号110或光谱信号112)与具有较高准确度和精确度的校准信号114进行组合，系统100可以高效并有效地提供半导体芯片的表面形貌116。

图6根据本公开内容的一些实施例示出了图1中的系统100的用于测量半导体芯片的表面形貌的示例性计算设备600的示意图。计算设备600可以是图1中的计算设备102的一个示例。计算设备600可以包括由至少一个处理器实现的多个功能模块和单元。在一些实施例中，计算设备600包括干涉信号分类器602、校准模块604、表征模块606和表面高度计算单元610。根据一些实施例，干涉信号分类器602使用由计算设备600运行的用于对干涉信号进行分类的模型608。如下面详细描述的，模型608可以是为了分类干涉信号而训练的机器学习模型。根据一些实施例，提供由干涉仪104采样的多个干涉信号612(如图1中示出的)作为计算设备600的输入，以用于分类和表面高度计算。在一些实施例中，还提供由SPM/EM 108采样的多个校准信号614(如图1中示出的)，作为计算设备600的输入以用于分类后校准。

在一些实施例中，干涉信号分类器602被配置为接收多个干涉信号612，每个干涉信号612对应于半导体芯片的表面上的多个位置中的相应的一个位置。如上面描述的，可以在采样区域(例如，整个管芯或其一部分)中按照任何适当的间隔或间距，在各种位置处对半导体芯片的表面(例如，在其上形成半导体器件的顶表面)进行采样，以获得干涉信号612。这样，每个干涉信号612可以对应于该表面上的相应采样位置。如上面描述的，可以从相应的干涉信号612中解析并导出每个样本位置处的表面高度(在本文中被称为“原始表面高度”)。也就是说，根据一些实施例，每个干涉信号612与采样区域中的相应采样位置处的原始表面高度相关联。在一些实施例中，每个干涉信号612包括低相干干涉法的干涉条纹(例如，图2A中的208和图2B中的210)。半导体芯片可以包括多层。在一些实施例中，半导体芯片的表面的至少一部分包括透明层，诸如氧化硅层或氮化硅层。在一些实施例中，采样区域包括透明层。因此，干涉信号612中的至少一个可以包括低相干干涉法的多分量干涉条纹(例如，图2B中的210)，即，具有来自多层的光强度的干涉贡献的非相干叠加信号。

在一些实施例中，干涉信号分类器602还被配置为使用模型608将干涉信号612分类成多个类别。根据一些实施例，类别中的每个类别对应于在半导体芯片的表面上具有相同材料的区域。模型608可以包括分类模型。根据一些实施例，分类是预测给定数据点的类别(还被称为“种类”)的过程。在一些实施例中，由分类算法实现的分类模型包括：从输入变量(例如，干涉信号612)到离散输出变量(例如，类别)的映射函数(f)。模型608可以包括但不限于k最近邻(KNN)、基于实例推理、决策树、朴素贝叶斯、人工神经网络(ANN)、逻辑回归、费舍尔线性判别、支持向量机(SVM)或感知器。在模型608包括分类模型的一些实施例中，作为监督学习的一部分，这些类别是已知的并且是预先确定的。例如，每个类别可以对应于半导体芯片的表面上具有相同材料的区域。也就是说，基于半导体芯片的设计(例如，采样区域中的结构和材料)，可以识别多个类别并将其用作用于训练的标签以及用于分类的输出变量。在一个示例中，第一类别可以对应于氧化硅的第一区域(透明层)，第二类别可以对应于钨的第二区域(不透明层)，以及第三类别可以对应于半导体芯片表面上的采样区域中的硅衬底(不透明层)的第三区域。

在一些实施例中，模型608包括聚类模型。聚类是以下述这样的方式对一组对象进行分组的任务：与其它集群中的对象相比，同一组中的对象(被称为“集群”)彼此之间更相似。模型608可以包括但不限于：链接聚类、k均值聚类、高斯混合模型聚类或基于密度的聚类。在模型608包括聚类模型的一些实施例中，作为无监督学习的一部分，由干涉信号分类器602使用的类别不是预先确定的。在一些实施例中，干涉信号分类器602被配置为使用模型608(例如，聚类模型)将干涉信号612聚类成多个集群，并且至少部分地基于对半导体芯片的设计来对这些集群进行调整以变成由干涉信号分类器602使用的类别，使得每个类别对应于具有相同材料的相应区域。换句话说，可以首先以无监督方式学习集群，并且可以基于例如采样区域中的结构和材料，以监督的方式根据集群来确定类别。在一个示例中，可以忽略不与在采样区域中具有相同材料的区域相对应的集群。在另一个示例中，可以合并与具有相同材料的相同区域相对应的或者与具有相同材料的不同区域相对应的多个集群。

在一些实施例中，干涉信号分类器602可以将任何适当的特征选择和特征提取方法应用于干涉信号612，以从每个干涉信号612中选择和/或提取特征(例如，特征矢量)(无论是潜在特征还是专利特征)，从而降低复杂度并提高分类过程的效率。在一个示例中，模型608可以包括KNN，并且可以从每个干涉信号612中提取10维特征向量，以通过干涉信号分类器602使用KNN模型进行分类。

图7A根据本公开内容的一些实施例示出了示例性八个干涉信号。如图7A中示出的，这八个干涉信号中的每个干涉信号包括多分量干涉条纹，其对应于样品表面上的采样区域中的透明层中的相应位置。图7B根据本公开内容的一些实施例示出了被分成四个类别的图7A中的示例性八个干涉信号。这四个类别中的每个类别对应于采样区域中具有相同材料的相应区域。这些类别可以是预先确定的，或者是从使用聚类模型确定的多个集群调整的。根据一些实施例，干涉信号分类器602使用模型608将八个干涉信号分类成四个类别。如图7B中示出的，每个类别包括具有基本相似的干涉条纹的干涉信号，其中相似的干涉条纹指示在相应采样位置处的相同的材料和/或结构。

返回参考图6，在一些实施例中，校准模块604被配置为至少部分地基于与对应于类别中的至少一个类别的区域相关联的校准信号614，来确定表面基线与类别中的所述至少一个类别之间的表面高度偏移。也就是说，可以基于用于校准的相同表面基线将相应的表面高度偏移添加到每个类别，以增加表面形貌的准确度和精确度。作为第一类型的输入，干涉信号分类器602可以将类别和被分类成每个类别的干涉信号612提供给校准模块604。作为第二类型的输入，例如SPM/EM 108(图1中示出的)可以向校准模块604提供校准信号614。校准信号614是在指示样品的表面高度信息方面，大概可以比干涉信号612提供更高的准确度和精确度的信号，但是具有较低的吞吐量或者可能损坏样品。在一些实施例中，每个校准信号614与由SPM或电子显微镜确定的形貌高度相关联。根据提供校准信号614的特定仪器，校准信号614可以包括来自AFM的AFM信号、来自SEM的SEM信号、或者来自TEM的TEM信号。

在一些实施例中，表面高度计算单元610基于干涉信号612，向校准模块604提供第三类型的输入(原始表面高度)。如上面描述的，根据一些实施例，每个干涉信号612与相应位置处的原始表面高度相关联，并且表面高度计算单元610被配置为通过解析对应的干涉信号612来导出采样区域中的相应位置处的原始表面高度。例如，当相关图的调制最大时(通过干涉条纹中的峰值来表示)，由该像素成像的表面上的位置的z值(其表示原始表面高度)可以对应于定位台(例如，图3A和图3B中的扫描仪310)的z值。

可以将表面基线预先设置为任何适当的值(诸如0)。在一些实施例中，为了确定表面高度偏移，校准模块604被配置为将表面基线指定为与类别之一相对应的基线区域。在一个示例中，校准模块604可以选择采样区域中的与具有最大数量的干涉信号612的类别相对应的区域作为基线区域，并且可以将表面基线(例如，0)指定为基线区域的表面高度偏移。在另一个示例中，校准模块604可以选择在采样区域中具有与基线区域相同的材料的最大区域，并且将表面基线(例如，0)指定为基线区域的表面高度偏移。在另一个示例中，校准模块604可以选择采样区域中具有特定材料的区域(例如，硅衬底区域)，并且将表面基线(例如，0)指定为基线区域的表面高度偏移。

在一些实施例中，为了确定表面高度偏移，校准模块604被配置为接收校准信号614和对应于基线区域的基线信号。在一些实施例中，基线信号是从采样区域中的基线区域(例如，最大区域或者硅衬底区域)获得的那些校准信号614。例如，SPM/EM 108可以跨半导体芯片表面上的采样区域中的多个区域(其包括基线区域)来测量校准信号614，并且可以将与基线区域相对应的一个或多个校准信号614用作基线信号。可以在采样区域中，按照校准图案来执行该校准。也就是说，跨采样区域中的包括基线区域的多个区域，以校准图案(例如，线或面积)来测量包括基线信号的校准信号614。根据一些实施例，类似于其它校准信号614，每个基线信号与由SPM或电子显微镜确定的形貌高度相关联。

在一些实施例中，为了确定表面高度偏移，校准模块604被配置为至少部分地基于校准信号614、基线信号和干涉信号612来确定表面高度偏移。如果接收到一个以上基线信号或者一个以上校准信号614，则多个基线信号的平均值或者多个校准信号614的平均值可以用于确定对应区域(以及与该区域相关联的类别)的表面高度偏移。应当理解，基于多个基线信号或校准信号614确定的任何其它适当的值(诸如中值、最大值或最小值)，也可以用于确定对应区域的表面高度偏移。使用与校准图案中的位置相对应的干涉信号612来进行校准，例如，确定表面高度偏移。类似地，如果接收到一个以上干涉信号612，则多个干涉信号612的平均值可以用于确定对应区域(以及与该区域相关联的类别)的表面高度偏移。应当理解，基于多个干涉信号612确定的任何其它适当的值(诸如中值、最大值或最小值)，也可以用于确定对应区域的表面高度偏移。

图8A和8B根据本公开内容的一些实施例示出了表面高度偏移校准和校准的表面高度计算的示例性过程。如图8A中示出的，可以将干涉信号612分类成两个类别A和B，每个类别对应于半导体器件表面上的采样区域中的相应的区域802或804。由于区域802大于区域804和/或由于区域802是硅衬底区域，因此可以将类别A指定为基线区域。例如，可以使用AFM按照校准图案806(例如，跨区域802和804二者的直线)来执行校准。可以对校准图案806中的多个位置进行采样以获得包括区域802中的基线信号在内的多个AFM信号。可以对区域804中的AFM信号进行平均以获得区域804的校准信号(类别B)，并且可以对区域802中的AFM信号进行平均以获得区域802的基线信号(类别A)。可以分别基于平均校准信号和平均基线信号来确定区域802的形貌高度A和区域804的形貌高度B。

如图8B中示出的，然后可以获得形貌高度A与形貌高度B之间的差，即，形貌阶梯高度HA。例如，图6中的表面高度计算单元610可以基于与校准图案806中的位置相对应的干涉信号，来确定原始表面高度A与原始表面高度B之间的差(即，干涉阶梯高度HI)。通过将区域802设置为表面基线等于0的基线区域，可以根据以下公式确定区域804的表面高度偏移O：O＝HA-HI。因此，与类别B相关联的表面高度偏移为HA-HI，并且与类别A相关联的表面高度偏移为0(即，表面基线的值)。应当理解，如果分类了两个以上的类别，则可以以相同的方式来确定彼此的类别的表面高度偏移。

返回参考图6，表征模块606被配置为至少部分地基于表面高度偏移和干涉信号612，来表征半导体芯片的表面形貌。在一些实施例中，为了表征半导体芯片的表面形貌，表征模块606还被配置为至少部分地基于对应的原始表面高度和表面高度偏移来计算在半导体芯片的表面上的位置之一处的校准的表面高度。也就是说，对于半导体芯片表面上的任何特定位置，可以由表面高度计算单元610从对应干涉信号612中导出其原始表面高度，并且可以由干涉信号分类器602如上面描述地分类成以上类别之一。如上面描述的，可以通过校准模块604确定对特定位置进行分类的类别的表面高度偏移。因此，可以通过将表面高度偏移添加到其原始表面高度，来计算特定位置的校准的表面高度，其中该校准的表面高度大概具有较高的准确度和精确度。可以以相同的方式来计算半导体芯片的表面上任何期望数量的位置的校准的表面高度，以便以任何适当的形式(诸如下面详细描述的半导体芯片表面的校准的高度图)来表征半导体芯片的表面形貌。结果，通过基于干涉信号612和模型608来使用干涉信号分类器602，可以以高吞吐量来表征半导体芯片的表面形貌。通过基于校准信号614来使用校准模块604，可以将半导体芯片的表面形貌的准确度和精确度维持在期望的水平。

图9是根据本公开内容的一些实施例的用于测量半导体芯片的表面形貌的示例性方法900的流程图。可以执行方法900的操作的设备的示例包括图6中描绘的计算设备600。应当理解，方法900中示出的操作不是穷举的，并且也可以在所示出的操作中的任何操作之前、之后或之间执行其它操作。此外，操作中的一些操作可以同时地执行，或者可以以与图9中示出的不同的顺序来执行。

参照图9，方法900开始于操作902处，在操作902中，接收多个干涉信号，每个干涉信号对应于半导体芯片的表面上的多个位置中的相应的一个位置。例如，计算设备600的干涉信号分类器602可以接收干涉信号612。在一些实施例中，每个干涉信号包括低相干干涉法的干涉条纹，并且与相应位置处的原始表面高度相关联。在一些实施例中，半导体芯片包括多层，并且半导体芯片的表面的至少一部分包括透明层(诸如氧化硅层或氮化硅层)。

如图9中示出的，方法900转到操作904，在操作904中，使用模型将干涉信号分类成多个类别。类别中的每个类别可以对应于半导体芯片表面上具有相同材料的区域。例如，计算设备600的干涉信号分类器602可以使用模型608将干涉信号612分类成多个类别。在一些实施例中，该模型包括分类模型，并且这些类别是基于半导体芯片的设计而预先确定的，使得每个类别对应于具有相同材料的相应的区域。在一些实施例中，该模型还包括聚类模型，并且首先使用聚类模型将干涉信号聚类成多个集群。根据一些实施例，然后至少部分地基于对半导体芯片的设计对这些集群进行调整以变成类别，使得每个类别对应于具有相同材料的相应的区域。

如图9中示出的，方法900转到操作906，在操作906中，至少部分地基于与对应于类别中的至少一个类别的区域相关联的校准信号来确定表面基线与类别中的所述至少一个类别之间的表面高度偏移。例如，可以由计算设备600的校准模块604基于校准信号614，来确定由干涉信号分类器602分类的每个类别的表面高度偏移。如图9中示出的，方法900转到操作908，在操作908中，至少部分地基于表面高度偏移和干涉信号来表征半导体芯片的表面形貌。例如，可以由计算设备600的表征模块606基于由校准模块604和干涉信号612确定的表面高度偏移来表征半导体芯片的表面形貌。在一些实施例中，为了表征半导体芯片的表面形貌，在半导体芯片的表面上的位置之一处计算校准的表面高度。

图10是根据本公开内容的一些实施例的用于计算校准的表面高度的示例性方法1000的流程图。参照图10，方法1000开始于操作1002处，在操作1002中，将表面基线指定为对应于类别之一的基线区域。根据一些实施例，基线区域是最大区域。如图10中示出的，方法1000转到操作1004，在操作1004中，接收校准信号和与基线区域相对应的基线信号。根据一些实施例，校准信号和基线信号中的每个与由SPM或电子显微镜跨区域在校准图案中确定的形貌高度相关联。如图10中示出的，方法1000转到操作1006，在操作1006中，至少部分地基于校准信号、基线信号和与校准图案中的位置相对应的干涉信号来确定表面高度偏移。如图10中示出的，方法1000转到操作1008，在操作1008中，至少部分地基于从对应的干涉信号和该对应的干涉信号被分类到的类别的表面高度偏移导出的对应的原始表面高度，来计算半导体芯片表面上的位置之一处的校准的表面高度。

如上面描述的，可以以任何适当的形式(诸如校准的高度图)来呈现半导体芯片的表面形貌的表征。图11是根据本公开内容的一些实施例的用于生成校准的高度图的示例性方法1100的流程图。参照图11，方法1100开始于操作1102处，在操作1102中，至少部分地基于所接收的干涉信号来生成原始高度图。例如，如图12中示出的，可以基于干涉信号612生成原始高度图1202。原始高度图1202表示半导体芯片的表面上的采样区域(在300μm乘300μm的区域中)中的原始表面高度(例如，在-10nm与10nm之间)。可以由表面高度计算单元610从相应的干涉信号612中解析并导出采样区域中的每个位置处的原始表面高度。可以以高吞吐量但是低准确度和精确度来生成原始高度图1202。

参照图11，方法1100转到操作1104，在操作1104中，至少部分地基于分类的干涉信号和类别，将原始高度图变换成分类图。例如，如图12中示出的，可以由干涉信号分类器602基于分类的干涉信号612和类别，将原始高度图1202变换成分类图1204。分类图1204表示半导体芯片的表面上的采样区域中的8个类别(例如，1至8)。采样区域中的每个位置的类别可以是与相应位置相对应的干涉信号612被分类到的类别。类别可以对应于在半导体芯片的表面上具有相同材料的区域。例如，类别4可以是硅衬底，它还是采样区域中的最大区域。可以对一些类别进行合并，这是因为它们对应于具有相同材料的区域。例如，可以将类别5-8合并成一个类别。

参照图11，方法1100转到操作1106，在操作1106中，至少部分地基于表面高度偏移和分类图，从原始高度图生成校准的高度图。例如，如图12中示出的，可以由校准模块604和表征模块606基于表面高度偏移和分类图1204，从原始高度图1202生成校准的高度图1206。校准的高度图1206代表半导体芯片表面上的采样区域中的校准的表面高度(例如，在-10nm与10nm之间)。可以选择这些区域之一作为基线区域，并且可以将表面基线(例如，0)指定为对应的类别。例如，可以将表面基线0指定为类别4。可以相对于表面基线来确定分类图1204中的每个类别的表面高度偏移，并用于通过将对应的表面高度偏移添加到原始高度图1202中的每个位置处的相应的原始表面高度来生成校准的高度图1206。与原始高度图1202相比，校准的高度图1206具有更高的准确度和精确度。

图13根据本公开内容的一些实施例示出了图1中的系统100的用于测量半导体芯片的表面形貌的另一种示例性计算设备1300的示意图。计算设备1300可以是图1中的计算设备102的另一个示例。计算设备1300可以包括由至少一个处理器实现的多个功能模块和单元。与图6中的包括被配置为对干涉信号612进行分类的干涉信号分类器602的计算设备600不同，根据一些实施例，计算设备1300包括被配置为将干涉信号612变换成光谱信号1306的域变换单元1304，并且还包括被配置为使用用于对光谱信号1306进行分类的模型1308对光谱信号1306进行分类的光谱信号分类器1302。根据一些实施例，类似于图6中的计算设备600，计算设备1300还包括校准模块604、表征模块606和表面高度计算单元610。应当理解，在下面没有重复计算设备600和1300二者中的相似模块或单元(例如，输入、输出、功能等等)的细节。

在一些实施例中，光谱信号分类器1302被配置为接收多个光谱信号1306，每个光谱信号与半导体芯片的表面上的多个位置中的相应的一个位置相对应。如上面描述的，根据一些实施例，光谱信号1306是可以使用具有高吞吐量的机器学习过程来分类以进行表面形貌表征的另一种类型的信号。如图13中示出的，光谱信号1306可以是由域变换单元1304从干涉信号612变换的。域变换单元1304可以在两个域(诸如时间域、时域、空间域、频域等)之间对信号进行变换。在一些实施例中，域变换单元1304被配置为将干涉信号612(在空间域中)变换成光谱信号1306(在频域中)，每个光谱信号分别对应于半导体表面上的位置中的相应的一个位置。在一个示例中，干涉信号612可以由域变换单元1304使用傅里叶变换被变换成光谱信号1306。傅里叶变换可以将时间的函数(信号)分解成其组成频率。因此，采样区域中的每个位置都可以与相应的干涉信号612以及相应的光谱信号1306相关联。光谱信号1306可以包含样品的材料和结构信息。根据一些实施例，每个光谱信号1306包括反射光谱。

图14A根据本公开内容的一些实施例示出了示例性12个干涉信号。这12个干涉信号中的每个干涉信号可以包括低相干干涉法的干涉条纹。干涉条纹中的至少一些干涉条纹可以是与样品表面上的采样区域中的一个或多个透明层相对应的多分量干涉条纹。图14B根据本公开内容的一些实施例示出了从图14A中的示例性12个干涉信号变换而来的12个光谱信号。这12个光谱信号中的每个光谱信号可以包括反射光谱，该反射光谱表示提供12个干涉信号的干涉仪的光源光谱的波长范围中的反射率变化。如上面描述的，干涉仪的光源光谱的波长范围可以适合于任何低相干干涉法(诸如在白光范围内或者延伸超过白光范围)，这也可能影响变换的反射光谱。

返回参考图13，根据一些实施例，光谱信号分类器1302使用由计算设备1300运行的用于对光谱信号进行分类的模型1308。如下面详细描述的，模型1308可以是为了对光谱信号进行分类而训练的机器学习模型。应当理解，用于对光谱信号进行分类的模型1308和图6中的用于对干涉信号进行分类的模型608可以是包括分类模型(例如，KNN)的相同类型的机器学习模型，但是使用不同类型的训练样本进行训练，即，光谱信号作为用于模型1308的训练样本，而干涉信号作为用于模型608的训练样本。

在一些实施例中，光谱信号分类器1302还被配置为使用模型1308将光谱信号1306分类成多个类别。根据一些实施例，这些类别中的每个类别对应于在半导体芯片的表面上具有相同材料的区域。模型1308可以包括诸如KNN、基于实例推理、决策树、朴素贝叶斯、ANN、逻辑回归、费舍尔线性判别、SVM或感知器之类的分类模型。在模型1308包括分类模型的一些实施例中，作为监督学习的一部分，类别是已知的并且是预先确定的。例如，每个类别可以对应于在半导体芯片的表面上具有相同材料的区域。也就是说，基于对半导体芯片的设计(例如，采样区域中的结构和材料)，可以将多个类别识别为用于训练的标签以及用于分类的输出变量。在一个示例中，第一类别可以对应于氧化硅的第一区域(透明层)，第二类别可以对应于钨的第二区域(不透明层)，以及第三类别可以对应于半导体芯片表面上的采样区域中的硅衬底的第三区域(不透明层)。

在一些实施例中，模型1308包括聚类模型，诸如链接聚类、k均值聚类、高斯混合模型聚类或基于密度的聚类。在模型1308包括聚类模型的一些实施例中，作为无监督学习的一部分，光谱信号分类器1302使用的类别不是预先确定的。在一些实施例中，光谱信号分类器1302被配置为使用模型1308(例如，聚类模型)将光谱信号1306聚类成多个集群，并且至少部分地基于对半导体芯片的设计，对这些集群进行调整以变成类别，使得每个类别对应于具有相同材料的相应的区域。换句话说，可以首先以无监督的方式学习集群，并且可以基于例如采样区域中的结构和材料，以监督的方式从这些集群中确定类别。在一个示例中，可以忽略与在采样区域中具有相同材料的区域不相对应的集群。在另一个示例中，可以合并与具有相同材料的相同区域相对应或者与具有相同材料的不同区域相对应的多个集群。

在一些实施例中，光谱信号分类器1302可以将任何适当的特征选择和特征提取方法应用于光谱信号1306，以从每个光谱信号1306中选择和/或提取特征(例如，特征向量)(无论潜在特征还是专利特征)，从而降低复杂度并提高分类过程的效率。在一个示例中，模型1308可以包括KNN，并且可以从每个干涉信号1306中提取10维特征向量，以通过光谱信号分类器1302使用KNN模型进行分类。

在一些实施例中，校准模块604被配置为至少部分地基于与对应于类别中的至少一个类别的区域相关联的校准信号614，来确定表面基线与来自光谱信号分类器1302的类别中的所述至少一个类别之间的表面高度偏移，如上面关于图6详细描述的。也就是说，可以基于相同的表面基线将相应的表面高度偏移添加到每个类别以进行校准，从而提高表面形貌的准确性和精确度。

在一些实施例中，表征模块606被配置为至少部分地基于表面高度偏移和干涉信号612来表征半导体芯片的表面形貌，如上面关于图6详细描述的。在一些实施例中，为了表征半导体芯片的表面形貌，表征模块606还被配置为至少部分地基于对应的原始表面高度和表面高度偏移，来计算半导体芯片的表面上的位置之一处的校准的表面高度。也就是说，对于半导体芯片表面上的任何特定位置，其原始表面高度可以由表面高度计算单元610从对应的干涉信号612中导出，并且可以由光谱信号分类器1302分类成类别之一，如上面详细描述的。结果，通过基于变换后的光谱信号1306和模型1308来使用光谱信号分类器1302，可以以高吞吐量来表征半导体芯片的表面形貌。通过基于校准信号614来使用校准模块604，可以将半导体芯片的表面形貌的准确度和精确度维持在期望水平。

图15是根据本公开内容的一些实施例的用于测量半导体芯片的表面形貌的另一种示例性方法1500的流程图。可以执行方法1500的操作的设备的示例包括图13中描绘的计算设备1300。应当理解，方法1500中示出的操作不是穷举的，并且也可以在所示出的操作中的任何操作之前、之后或之间执行其它操作。此外，操作中的一些操作可以同时地执行，或者可以以与图15中示出的不同的顺序来执行。应当理解，方法1500中的一些操作与图9中的方法900里的其相应操作基本相同，并且因此，下面可以不重复方法900和1500二者中基本相同的操作的细节。

参照图15，方法1500开始于操作902处，在操作902中，接收多个干涉信号，每个干涉信号对应于半导体芯片的表面上的多个位置中的相应的一个位置。例如，计算设备1300的域变换单元1304可以接收干涉信号612。在一些实施例中，每个干涉信号包括低相干干涉法的干涉条纹，并且与相应位置处的原始表面高度相关联。在一些实施例中，半导体芯片包括多层，并且半导体芯片的表面的至少一部分包括透明层(诸如氧化硅层或氮化硅层)。

如图15中示出的，方法1500转到操作1502，在操作1502中，将干涉信号变换成多个光谱信号，每个光谱信号对应于半导体芯片的表面上的位置中的相应的一个位置。例如，计算设备1300的域变换单元1304可以将干涉信号612变换成光谱信号1306。在一些实施例中，光谱信号中的每个光谱信号包括反射光谱。在一些实施例中，使用傅里叶变换将干涉信号变换成光谱信号。

如图15中示出的，方法1500转到操作1504，在操作1504中，使用模型将光谱信号分类成多个类别。这些类别中的每个类别可以对应于半导体芯片的表面上具有相同材料的区域。例如，计算设备1300的光谱信号分类器1302可以使用模型1308将光谱信号1306分类成多个类别。在一些实施例中，该模型包括分类模型，并且这些类别是基于对半导体芯片的设计而预先确定的，使得每个类别对应于具有相同材料的相应的区域。在一些实施例中，模型还包括聚类模型，并且根据一些实施例，首先使用聚类模型将干涉信号聚类成多个集群。然后至少部分地基于对半导体芯片的设计对这些集群进行调整以变成类别，使得每个类别对应于具有相同材料的相应的区域。

如图15中示出的，方法1500转到操作906，在操作906中，至少部分地基于与对应于类别中的至少一个类别的区域相关联的校准信号，来确定表面基线与类别中的所述至少一个类别之间的表面高度偏移。例如，可以由计算设备1300的校准模块604基于校准信号614来确定由光谱信号分类器1302分类的每个类别的表面高度偏移。如图15中示出的，方法1500转到操作908，在操作908中，至少部分地基于表面高度偏移和干涉信号来表征半导体芯片的表面形貌。例如，计算设备1300的表征模块606可以基于由校准模块604和干涉信号612确定的表面高度偏移，来表征半导体芯片的表面形貌。在一些实施例中，为了表征半导体芯片的表面形貌，计算半导体芯片的表面上的位置之一处的校准的表面高度。上面关于图10描述了计算校准的表面高度的一个示例，并且因此，为了便于描述起见，不进行重复。

如上面描述的，可以以任何适当的形式(诸如校准的高度图)来呈现半导体芯片的表面形貌的特性。图16是根据本公开内容的一些实施例的用于生成校准的高度图的另一种示例性方法1600的流程图。应当理解，方法1600中的一些操作与图11中的方法1100里的其相应操作基本相同，并且因此，下面可以不重复方法1100和1600二者中基本相同的操作的细节。

参照图16，方法1600开始于操作1102处，在操作1102中，至少部分地基于所接收的干涉信号来生成原始高度图。如图16中示出的，方法1600转到操作1602，在操作1602中，至少部分地基于变换后的光谱信号来生成光谱图。如图16中示出的，方法1600转到操作1604，在操作1604中，至少部分地基于分类的光谱信号和类别，将光谱图变换成分类图。如图16中示出的，方法1600转到操作1106，在操作1106中，至少部分地基于表面高度偏移和分类图，从原始高度图中生成校准的高度图。

图17根据本公开内容的一些实施例示出了图1中的系统100的用于测量半导体芯片的表面形貌的另一种示例性计算设备1700的示意图。计算设备1700可以是图1中的计算设备102的另一个示例。计算设备1700可以包括由至少一个处理器实现的多个功能模块和单元。与图13中的计算设备1300不同(在图13中，光谱信号1306是由域变换单元1304从干涉信号612变换的)，根据一些实施例，图17中的光谱信号1702是由光谱信号分类器1302从光谱仪(例如，图1中的106和图3B中的316)接收的。即，计算设备1700可以不包括域变换单元1304。类似于图13中的计算设备1300，根据一些实施例，计算设备1700还包括光谱信号分类器1302、用于对光谱信号进行分类的模型1308、校准模块604、表征模块606以及表面高度计算单元610。应当理解，下面可以不重复计算设备1300和1700二者中的相似模块或单元(例如，输入、输出、功能等等)的细节。

在一些实施例中，光谱信号分类器1302被配置为接收多个光谱信号1702，每个光谱信号与半导体芯片的表面上的多个位置中的相应的一个位置相对应。如上面描述的，根据一些实施例，光谱信号1702是可以使用具有高吞吐量的机器学习过程来分类以进行表面形貌表征的另一种类型的信号。可以直接从光谱仪(诸如光学光谱仪)获得光谱信号1702。光谱信号1702可以包含样品的材料和结构信息。根据一些实施例，每个光谱信号1702包括反射光谱。

在一些实施例中，光谱信号分类器1302还被配置为使用模型1308将光谱信号1702分类成多个类别。根据一些实施例，这些类别中的每个类别对应于在半导体芯片的表面上具有相同材料的区域。模型1308可以包括分类模型，诸如KNN、基于案例推理、决策树、朴素贝叶斯、ANN、逻辑回归、费舍尔线性判别、SVM或感知器。在一些实施例中，模型1308包括聚类模型，诸如链接聚类、k均值聚类、高斯混合模型聚类或者基于密度的聚类。光谱信号分类器1302可以将任何适当的特征选择和特征提取方法应用于光谱信号1702，以从每个光谱信号1702中选择和/或提取特征(例如，特征向量)(无论潜在特征还是专利特征)，从而降低复杂度并提高分类过程的效率。在一个示例中，模型1308可以包括KNN，并且可以从每个光谱信号1702中提取10维特征向量，以通过光谱信号分类器1302使用KNN模型进行分类。

在一些实施例中，校准模块604被配置为至少部分地基于与对应于类别中的至少一个类别的区域相关联的校准信号614，来确定表面基线与来自光谱信号分类器1302的类别中的所述至少一个类别之间的表面高度偏移，如上面关于图6详细描述的。也就是说，可以基于相同的表面基线将相应的表面高度偏移添加到每个类别以进行校准，从而提高表面形貌的准确度和精确度。

在一些实施例中，表征模块606被配置为至少部分地基于表面高度偏移和干涉信号612来表征半导体芯片的表面形貌，如上面关于图6详细描述的。对于半导体芯片表面上的任何特定位置，其原始表面高度可以由表面高度计算单元610从对应的干涉信号612中解析和导出，并且可以由光谱信号分类器1302分类成类别之一，如上面详细描述的。结果，通过基于接收的光谱信号1702和模型1308来使用光谱信号分类器1302，可以以高吞吐量来表征半导体芯片的表面形貌。通过基于校准信号614来使用校准模块604，可以将半导体芯片的表面形貌的准确度和精确度维持在期望水平。

图18是根据本公开内容的一些实施例的用于测量半导体芯片的表面形貌的另一种示例性方法1800的流程图。可以执行方法1800的操作的设备的示例包括图17中描绘的计算设备1700。应当理解，方法1800中示出的操作不是穷举的，并且也可以在所示出的操作中的任何操作之前、之后或之间执行其它操作。此外，操作中的一些操作可以同时地执行，或者可以以与图18中示出的不同的顺序来执行。应当理解，方法1800中的一些操作与图15中的方法1500里的其相应操作基本相同，并且因此，下面可以不重复方法1800和1500二者中基本相同的操作的细节。

参照图18，方法1800开始于操作1802处，在操作1802中，接收多个干涉信号和多个光谱信号。干涉信号和光谱信号中的每个可以对应于半导体芯片的表面上的多个位置中的相应的一个位置。即，可以从采样区域中的相同位置，对一对干涉信号和光谱信号进行采样。例如，光谱信号分类器1302可以接收光谱信号1702，以及计算设备1700的表面高度计算单元610可以接收干涉信号612。在一些实施例中，每个干涉信号包括低相干干涉法的干涉条纹，并且与相应位置处的原始表面高度相关联，以及每个光谱信号包括反射光谱。在一些实施例中，半导体芯片包括多层，并且半导体芯片的表面的至少一部分包括透明层(诸如氧化硅层或氮化硅层)。

如图18中示出的，方法1800转到操作1504，在操作1504中，使用模型将光谱信号分类成多个类别。这些类别中的每个类别可以对应于半导体芯片表面上具有相同材料的区域。例如，可以由计算设备1700的光谱信号分类器1302使用模型1308将光谱信号1702分类成多个类别。在一些实施例中，该模型包括分类模型，并且这些类别是基于对半导体芯片的设计而预先确定的，使得每个类别对应于具有相同材料的相应的区域。在一些实施例中，模型还包括聚类模型，并且首先使用聚类模型将干涉信号聚类成多个集群。根据一些实施例，然后至少部分地基于对半导体芯片的设计对这些集群进行调整以变成类别，使得每个类别对应于具有相同材料的相应区域。

如图18中示出的，方法1800转到操作906，在操作906中，至少部分地基于与对应于类别中的至少一个类别的区域相关联的校准信号，来确定表面基线与类别中的所述至少一个类别之间的表面高度偏移。例如，可以由计算设备1700的校准模块604基于校准信号614来确定由光谱信号分类器1302分类的每个类别的表面高度偏移。如图18中示出的，方法1800转到操作908，在操作908中，至少部分地基于表面高度偏移和干涉信号来表征半导体芯片的表面形貌。例如，计算设备1700的表征模块606可以基于由校准模块604和干涉信号612确定的表面高度偏移，来表征半导体芯片的表面形貌。在一些实施例中，为了表征半导体芯片的表面形貌，计算半导体芯片的表面上的位置之一处的校准的表面高度。上面关于图10描述了计算校准的表面高度的一个示例，并且因此，为了便于描述起见，不进行重复。

如上面描述的，可以以任何适当的形式(诸如校准的高度图)来呈现半导体芯片的表面形貌的特征。图19是根据本公开内容的一些实施例的用于生成校准的高度图的另一种示例性方法1900的流程图。应当理解，方法1900中的一些操作与图16中的方法1600里的其相应操作基本相同，并且因此，下面可以不重复方法1900和1600二者中基本相同的操作的细节。

参照图19，方法1900开始于操作1102处，在操作1102中，至少部分地基于所接收的干涉信号来生成原始高度图。例如，如图20中示出的，可以基于所接收的与半导体芯片表面图案2002对应的干涉信号来生成原始高度图2008。参照图19，如图19中示出的，方法1900转到操作1902，在操作1902中，至少部分地基于所接收的光谱信号生成光谱图。例如，如图20中示出的，可以从光学光谱仪接收与半导体芯片表面图案2002对应的光谱信号2004，其中光学光谱仪可以用于生成光谱图。参考图19，如图19中示出的，方法1900转到操作1604，在操作1604中，至少部分地基于分类的光谱信号和类别，将光谱图变换成分类图。例如，如图20中示出的，分类图2006可以是基于分类的光谱信号和类别从光谱图变换的。分类图2006表示3个类别，每个类别对应于半导体芯片表面图案2002中具有相同材料的区域(诸如钨垂直互连接入(VIA)、铜层和硅衬底)。参考图19，如图19中示出的，方法1900转到操作1106，在操作1106中，校准的高度图是至少部分地基于表面高度偏移和分类图从原始高度图生成的。

图21根据本公开内容的一些实施例示出了用于对用于表面形貌表征的模型2104进行训练的示例性系统2100的示意图。模型2104可以是本文公开的任何机器学习模型，诸如用于对干涉信号进行分类的模型608或者用于对光谱信号进行分类的模型1308。系统2100可以包括：由至少一个处理器实现的多个功能模块和单元。在一些实施例中，系统2100包括模型训练模块2102，该模型训练模块2102被配置为训练模型2104，以便使用训练算法2108，基于目标函数2110(还被称为“损失函数”)，通过一组训练样本2106(包括干涉信号或光谱信号)对干涉信号或光谱信号进行分类。模型训练模块2102可以根据训练样本2106的类型(干涉信号或光谱信号)提供用于对干涉信号或光谱信号进行分类的模型2104。模型2104可以包括诸如KNN、基于案例推理、决策树、朴素贝叶斯、ANN、逻辑回归、费舍尔线性判别、SVM或感知器之类的分类模型。

为了训练用于对干涉信号进行分类的模型2104，模型训练模块2102还可以获得训练样本，每个训练样本包括干涉信号和标记的干涉信号的类别。根据一些实施例，干涉信号对应于半导体芯片的表面上的位置，并且标记的类别对应于在半导体芯片的表面上具有相同材料的区域。例如，可以使用多个预先确定的类别之一来手动地、自动地或半自动地标记每个训练干涉信号，每个类别对应于半导体芯片的表面上具有相同材料的区域，诸如硅衬底、铜层、钨VIA、氧化硅层、氮化硅层，仅举几个例子。在一些实施例中，半导体芯片的表面的至少一部分包括透明层(诸如氧化硅层)，并且类别中的至少一个类别对应于透明层。在一些实施例中，训练干涉信号包括低相干干涉法的干涉条纹，其可以用作标记训练干涉信号的特征。

为了训练用于对光谱信号进行分类的模型2104，模型训练模块2102还可以获得训练样本，每个训练样本包括光谱信号和标记的光谱信号的类别。根据一些实施例，光谱信号对应于半导体芯片的表面上的位置，并且标记的类别对应于半导体芯片的表面上具有相同材料的区域。例如，可以使用多个预先确定的类别之一来手动地、自动地或半自动地标记每个训练光谱信号，每个类别对应于半导体芯片的表面上具有相同材料的区域(诸如硅衬底、铜层、钨VIA、氧化硅层、氮化硅层，仅举几个例子)。在一些实施例中，半导体芯片的表面的至少一部分包括透明层(诸如氧化硅层)，并且类别中的至少一个类别对应于透明层。在一些实施例中，训练光谱信号包括反射光谱，其可以用作用于标记训练光谱信号的特征。

为了训练用于对干涉信号或光谱信号进行分类的模型2104，模型训练模块2102可以进一步至少部分地基于训练样本2106中的每个训练样本2106中的干涉信号或光谱信号的标记的类别和分类的类别之间的差异来调整模型2104的一个或多个参数。在一些实施例中，模型2104包括一个或多个参数(例如，KNN中的“k”)，当模型训练模块2102被提供有训练样本2106时，可以联合地调整这些参数。模型训练模块2102可以联合地调整模型2104的参数，以使用训练算法2108来通过训练样本2106最小化目标函数2110。可以基于要训练的模型2104的特定类型，来选择任何适当的目标函数2110和训练算法2108。例如，对于KNN模型，模型训练模块2102可以结合KNN分类训练算法来使用基于均方误差(MSE)的目标函数。应当理解，可以以迭代方式来执行对模型2104的训练(例如，对参数的调整)。

图22是根据本公开内容的一些实施例的用于对用于表面形貌表征的模型进行训练的示例性方法2200的流程图。可以执行方法2200的操作的系统的示例包括图21中描绘的系统2100。应当理解，方法2200中示出的操作不是穷举的，并且也可以在所示出的操作中的任何操作之前、之后或之间执行其它操作。此外，操作中的一些操作可以同时地执行，或者可以以与图22中示出的不同的顺序来执行。

参照图22，方法2200开始于操作2202处，在操作2202中，提供了用于对干涉信号进行分类的模型。该模型可以包括分类模型。例如，可以向系统2100的模型训练模块2102提供模型2104。如图22中示出的，方法2200转到操作2204，在操作2204中，获得多个训练样本，每个训练样本包括干涉信号和标记的干涉信号的类别。根据一些实施例，干涉信号对应于半导体芯片的表面上的位置，并且标记的类别对应于半导体芯片的表面上具有相同材料的区域。干涉信号可以包括低相干干涉法的干涉条纹，并且半导体芯片的表面的至少一部分包括透明层。例如，模型训练模块2102可以获得训练样本2106。如图22中示出的，方法2200转到操作2206，在操作2206中，至少部分地基于训练样本中的每个训练样本中的干涉信号的标记的类别和分类的类别之间的差异，来调整模型的参数。例如，模型训练模块2102可以通过训练样本2106来调整模型2104的一个或多个参数。

图23是根据本公开内容的一些实施例的用于对用于表面形貌表征的模型进行训练的另一种示例性方法2300的流程图。可以执行方法2300的操作的系统的示例包括图21中描绘的系统2100。应当理解，方法2300中示出的操作不是穷举的，并且也可以在所示出的操作中的任何操作之前、之后或之间执行其它操作。此外，操作中的一些操作可以同时地执行，或者可以以与图23中示出的不同的顺序来执行。

参照图23，方法2300开始于操作2302处，在操作2302中，提供了用于对光谱信号进行分类的模型。该模型可以包括分类模型。例如，可以向系统2100的模型训练模块2102提供模型2104。如图23中示出的，方法2300转到操作2304，在操作2304中，获得多个训练样本，每个训练样本包括光谱信号和标记的光谱信号的类别。根据一些实施例，光谱信号对应于半导体芯片的表面上的位置，并且标记的类别对应于半导体芯片的表面上具有相同材料的区域。光谱信号可以包括反射光谱，并且半导体芯片的表面的至少一部分包括透明层。例如，模型训练模块2102可以获得训练样本2106。如图23中示出的，方法2300转到操作2306，在操作2306中，至少部分地基于训练样本中的每个训练样本中的光谱信号的标记的类别和分类的类别之间的差异，来调整模型的参数。例如，模型训练模块2102可以通过训练样本2106来调整模型2104的一个或多个参数。

可以例如使用一个或多个计算设备(诸如图24中示出的计算设备2400)来实现各种实施例。一个或多个计算设备2400可以是图1中的计算设备102的示例，并且可以用于例如实现图9的方法900、图10的方法1000、图11的方法1100、图15的方法1500、图16的方法1600、图18的方法1800和图19的方法1900。例如，计算设备2400可以在表面形貌计量中执行各种功能，诸如干涉信号和/或光谱信号分类、表面高度偏移校准、校准的表面高度计算、以及校准的高度节点生成。一个或多个计算设备2400还可以是图21中的系统2100的示例，并且可以用于例如实现图22的方法2200和图23的方法2300。例如，计算设备2400可以在模型训练中执行各种功能。计算设备2400可以是能够执行本文描述的功能的任何计算机。

计算设备2400可以包括一个或多个处理器(还被称为中央处理单元或CPU)，诸如处理器2404。根据一些实施例，处理器2404连接到通信基础设施或总线2406。一个或多个处理器2404可以各自是GPU。在一些实施例中，GPU是被设计为处理数学密集型应用的专用电子电路的处理器。GPU可以具有并行结构，该并行结构对于并行处理大数据块(诸如对于计算机图形应用、图像、视频等通用的数学密集型数据)非常有效。

计算设备2400还可以包括诸如监视器、键盘、指向设备等等之类的用户输入/输出设备2403，它们通过用户输入/输出接口2402与通信基础设施或总线2406进行通信。

计算设备2400还可以包括主存储器或主要存储器2408，诸如随机存取存储器(RAM)。主存储器2408可以包括一级或多级高速缓存。根据一些实施例，主存储器2408中已经存储有控制逻辑(即，计算机软件)和/或数据。

计算设备2400还可以包括一个或多个辅助存储设备或存储器2410。辅助存储器2410可以包括例如硬盘驱动器2412和/或可移动存储设备或驱动器2414。可移动存储驱动器2414可以是软盘驱动器、磁带驱动器、压缩光盘驱动器、光学存储设备、磁带备份设备和/或任何其它存储设备/驱动器。

可移动存储驱动器2414可以与可移动存储单元2418进行交互。根据一些实施例，可移动存储单元2418包括其上存储有计算机软件(控制逻辑)和/或数据的计算机可用或可读存储设备。可移动存储单元2418可以是软盘、磁带、压缩光盘、DVD、光存储盘和/或任何其它计算机数据存储设备。可移动存储驱动器2414可以以众所周知的方式从可移动存储单元2418进行读取和/或向其写入。

根据一些实施例，辅助存储器2410可以包括用于允许计算机程序和/或其它指令和/或数据被计算设备2400访问的其它手段、工具或其它方法。这些手段、工具或其它方法可以包括例如可移动存储单元2422和接口2420。可移动存储单元2422和接口2420的示例可以包括程序盒式存储器和盒式接口(诸如在视频游戏设备中找到的接口)、可移动存储芯片(诸如EPROM或PROM)和相关联的插槽、存储棒和USB端口、存储卡和相关联的存储卡插槽、和/或任何其它可移动存储单元和相关联的接口。

计算设备2400还可以包括通信或网络接口2424。根据一些实施例，通信接口2424使计算设备2400能够与远程设备、远程网络、远程实体等等的任意组合进行通信和交互(由附图标记2428个别地和共同地引用)。例如，通信接口2424可以允许计算设备2400通过通信路径2426与远程设备2428进行通信，该通信路径2426可以是有线的和/或无线的，并且可以包括LAN、WAN、互联网等等的任意组合。可以经由通信路径2426，向计算设备2400发送控制逻辑和/或数据，以及从计算设备2400接收控制逻辑和/或数据。

在一些实施例中，包括在其上存储有控制逻辑(软件)的有形计算机可用或可读介质的有形装置或制品，在本文中还被称为计算机程序产品或程序存储设备。这包括但不限于计算设备2400、主存储器2408、辅助存储器2410和可移动存储单元2418和2422、以及体现前述的任意组合的有形制品。当由一个或多个数据处理设备(诸如计算设备2400)执行时，这样的控制逻辑使这样的数据处理设备如本文描述地操作。

基于本公开内容中包含的教导，对于相关领域技术人员来说，如何使用不同于图24中示出的数据处理设备、计算机系统和/或计算机架构的数据处理设备、计算机系统和/或计算机架构来制造和使用本公开内容的实施例将是显而易见的。具体而言，实施例可以使用除本文描述的那些之外的软件、硬件和/或操作系统实现来操作。

根据本公开内容的一个方面，公开了一种用于测量半导体芯片的表面形貌的方法。由至少一个处理器接收多个干涉信号，每个干涉信号对应于所述半导体芯片表面上的多个位置中的相应的一个位置。由所述至少一个处理器使用模型将所述干涉信号分类成多个类别。所述类别中的每个类别对应于所述半导体芯片的所述表面上具有相同材料的区域。表面基线与所述类别中的至少一个类别之间的表面高度偏移是由所述至少一个处理器至少部分地基于与对应于类别中的所述至少一个类别的所述区域相关联的校准信号来确定的。由所述至少一个处理器至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的所述表面形貌。

在一些实施例中，所述干涉信号中的每个干涉信号包括低相干干涉法的干涉条纹。

在一些实施例中，所述半导体芯片的所述表面的至少一部分包括透明层。

在一些实施例中，所述干涉信号中的每个干涉信号与在所述相应的位置处的原始表面高度相关联。

在一些实施例中，为了表征所述半导体芯片的所述表面形貌，至少部分地基于对应的原始表面高度和所述表面高度偏移，计算所述半导体芯片的所述表面上的所述位置之一处的校准的表面高度。

在一些实施例中，所述模型包括分类模型。

在一些实施例中，为了对所述多个干涉信号进行分类，将所述多个干涉信号聚类成多个集群，并且至少部分地基于对所述半导体芯片的设计，对所述多个集群进行调整以变成所述多个类别，使得所述类别中的每个类别对应于具有相同材料的所述相应的区域。

在一些实施例中，为了确定所述表面高度偏移，将所述表面基线指定为与所述类别之一对应的基线区域，接收所述校准信号和与所述基线区域对应的基线信号，以及至少部分地基于所述校准信号、所述基线信号和所述干涉信号，来确定所述表面高度偏移。

在一些实施例中，所述校准信号和所述基线信号中的每个与由SPM或电子显微镜确定的形貌高度相关联。

在一些实施例中，至少部分地基于所接收到的干涉信号来生成原始高度图，至少部分地基于所述分类的干涉信号和所述类别，将所述原始高度图变换成分类图，以及至少部分地基于所述表面高度偏移和所述分类图，从所述原始高度图生成校准的高度图。

根据本公开内容的另一个方面，一种用于测量半导体芯片的表面形貌的系统包括干涉仪、SPM或电子显微镜、以及至少一个处理器。所述干涉仪被配置为提供多个干涉信号，每个干涉信号对应于所述半导体芯片表面上的多个位置中的相应的一个位置。所述SPM或电子显微镜被配置为提供多个校准信号。所述至少一个处理器被配置为使用模型将所述干涉信号分类成多个类别。所述类别中的每个类别对应于所述半导体芯片的所述表面上具有相同材料的区域。所述至少一个处理器还被配置为至少部分地基于与对应于所述类别中的至少一个类别的所述区域相关联的所述校准信号中的至少一个校准信号，来确定表面基线与类别中的所述至少一个类别之间的表面高度偏移。所述至少一个处理器还被配置为至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的所述表面形貌。

在一些实施例中，所述干涉仪包括低相干干涉仪，并且所述干涉信号中的每个干涉信号包括低相干干涉法的干涉条纹。

在一些实施例中，所述半导体芯片的所述表面的至少一部分包括透明层。

在一些实施例中，所述干涉信号中的每个干涉信号与在所述相应的位置处的原始表面高度相关联。

在一些实施例中，为了表征所述半导体芯片的所述表面形貌，所述至少一个处理器还被配置为：至少部分地基于对应的原始表面高度和所述表面高度偏移，计算所述半导体芯片的所述表面上的所述位置之一处的校准的表面高度。

在一些实施例中，所述模型包括分类模型。

在一些实施例中，为了对所述多个干涉信号进行分类，所述至少一个处理器还被配置为：将所述多个干涉信号聚类成多个集群；并且至少部分地基于对所述半导体芯片的所述设计，对所述多个集群进行调整以变成所述多个类别，使得所述类别中的每个类别对应于具有相同材料的所述相应的区域。

在一些实施例中，为了确定所述表面高度偏移，所述至少一个处理器还被配置为：将所述表面基线指定为与所述类别之一相对应的基线区域；接收所述校准信号和所述校准信号的与所述基线区域相对应的基线信号；以及至少部分地基于所述校准信号、所述基线信号和所述干涉信号，来确定所述表面高度偏移。

在一些实施例中，所述校准信号中的每个校准信号与形貌高度相关联。

在一些实施例中，所述至少一个处理器还被配置为：至少部分地基于所述接收到的干涉信号来生成原始高度图；至少部分地基于所述分类的干涉信号和所述类别，将所述原始高度图变换成分类图；以及至少部分地基于所述表面高度偏移和所述分类图，从所述原始高度图生成校准的高度图。

根据本公开内容的另一个方面，一种有形计算机可读设备具有在其上存储的指令，当所述指令被至少一个计算设备执行时，使得所述至少一个计算设备执行操作。这些操作包括：接收多个干涉信号，每个干涉信号对应于半导体芯片表面上的多个位置中的相应的一个位置。这些操作还包括：使用模型将所述干涉信号分类成多个类别。所述类别中的每个类别对应于所述半导体芯片的所述表面上具有相同材料的区域。这些操作还包括：至少部分地基于与对应于所述类别中的至少一个类别的所述区域相关联的校准信号，来确定表面基线与所述类别中的所述至少一个类别之间的表面高度偏移。这些操作还包括：至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的形貌。

根据本公开内容的另一个方面，公开了一种用于训练模型的方法。由至少一个处理器提供用于对干涉信号进行分类的模型。由所述至少一个处理器获得多个训练样本，每个训练样本包括干涉信号和标记的所述干涉信号的类别。所述干涉信号与半导体芯片表面上的位置相对应，以及所述标记的类别对应于所述半导体芯片的所述表面上具有相同材料的区域。由所述至少一个处理器至少部分地基于所述训练样本中的每个训练样本中的所述干涉信号的所述标记的类别和分类的类别之间的差异，来调整所述模型的参数。

在一些实施例中，所述干涉信号包括低相干干涉法的干涉条纹。

在一些实施例中，所述半导体芯片的所述表面的至少一部分包括透明层。

在一些实施例中，所述模型包括分类模型。

根据本公开内容的另一个方面，一种用于训练模型的系统包括存储器和操作地耦合到所述存储器的至少一个处理器。所述至少一个处理器被配置为提供用于对干涉信号进行分类的模型。所述至少一个处理器还被配置为获得多个训练样本，每个训练样本包括干涉信号和标记的所述干涉信号的类别。所述干涉信号与半导体芯片表面上的位置相对应，以及所述标记的类别对应于所述半导体芯片的所述表面上具有相同材料的区域。所述至少一个处理器还被配置为至少部分地基于所述训练样本中的每个训练样本中的所述干涉信号的所述标记的类别和分类的类别之间的差异，来调整所述模型的参数。

在一些实施例中，所述干涉信号包括低相干干涉法的干涉条纹。

在一些实施例中，所述半导体芯片的所述表面的至少一部分包括透明层。

在一些实施例中，所述模型包括分类模型。

根据本公开内容的另一个方面，一种有形计算机可读设备具有在其上存储的指令，当所述指令被至少一个计算设备执行时，使得所述至少一个计算设备执行操作。这些操作包括：提供用于对干涉信号进行分类的模型。这些操作还包括：获得多个训练样本，每个训练样本包括干涉信号和标记的所述干涉信号的类别。所述干涉信号与半导体芯片表面上的位置相对应，以及所述标记的类别对应于所述半导体芯片的所述表面上具有相同材料的区域。这些操作还包括：至少部分地基于所述训练样本中的每个训练样本中的所述干涉信号的所述标记的类别和分类的类别之间的差异，来调整所述模型的参数。

前述的具体实施例的描述将如此揭示本公开内容的一般性质，使得在不脱离本公开内容的一般概念的情况下，其它人可以通过应用本领域技术范围内的知识，容易地针对各种应用修改和/或调整这样的特定实施例，而无需过度的实验。因此，基于本文给出的教导和指导，这样的调整和修改旨在落入所公开的实施例的等同物的含义和范围内。应当理解，本文中的措辞或术语是用于描述目的而非做出限制，使得本说明书的术语或措辞将由熟练的技术人员根据教导和指导来解释。

上面借助于用于示出特定功能的实现以及其关系的功能构建块，来描述了本公开内容的实施例。为了便于描述起见，本文任意规定了这些功能构建块的边界。只要适当地执行指定的功能以及其关系，就可以规定替代的边界。

发明内容和摘要部分可以阐述如由发明人预期的本公开内容的一个或多个但不是所有示例性实施例，并且因此，其并不旨在以任何方式对本公开内容和所附权利要求进行限定。

本公开内容的宽度和范围不应受到上面描述的示例性实施例中的任何实施例的限制，而应当仅根据所附权利要求及其等同物来限定。

Claims (10)

1.一种用于测量半导体芯片的表面形貌的方法，包括：

由至少一个处理器接收多个干涉信号，每个干涉信号与所述半导体芯片的表面上的多个位置中的相应的一个位置相对应；

由所述至少一个处理器将所述多个干涉信号变换成多个光谱信号，每个光谱信号与所述半导体芯片的表面上的多个位置中的相应的一个位置相对应；

由所述至少一个处理器使用机器学习模型将所述光谱信号分类成多个类别，其中，所述类别中的每个类别与所述半导体芯片的所述表面上具有相同材料的区域相对应；

由所述至少一个处理器至少部分地基于与对应于所述类别中的至少一个类别的区域相关联的校准信号，来确定表面基线与所述类别中的所述至少一个类别之间的表面高度偏移；以及

由所述至少一个处理器至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的所述表面形貌。

2.根据权利要求1所述的方法，还包括：

至少部分地基于所接收的干涉信号来生成原始高度图；

至少部分地基于变换后的光谱信号，来生成光谱图；

至少部分地基于分类的光谱信号和类别，将光谱图变换成分类图；

至少部分地基于所述表面高度偏移和所述分类图，从所述原始高度图生成校准的高度图。

3.一种用于测量半导体芯片的表面形貌的系统，包括：

干涉仪，其被配置为提供多个干涉信号，每个干涉信号与所述半导体芯片的表面上的多个位置中的相应的一个位置相对应；

扫描探针显微镜(SPM)或电子显微镜，其被配置为提供多个校准信号；以及

至少一个处理器，其被配置为：

将所述多个干涉信号变换成多个光谱信号，每个光谱信号与所述半导体芯片的表面上的多个位置中的相应的一个位置相对应；

使用机器学习模型将所述光谱信号分类成多个类别，其中，所述类别中的每个类别与所述半导体芯片的所述表面上具有相同材料的区域相对应；

至少部分地基于与对应于所述类别中的至少一个类别的区域相关联的所述校准信号中的至少一个校准信号，来确定表面基线与所述类别中的所述至少一个类别之间的表面高度偏移；以及

至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的所述表面形貌。

4.根据权利要求3所述的系统，其中，所述至少一个处理器还被配置为：

至少部分地基于所接收的干涉信号来生成原始高度图；

至少部分地基于变换后的光谱信号，来生成光谱图；

至少部分地基于分类的光谱信号和类别，将光谱图变换成分类图；

至少部分地基于所述表面高度偏移和所述分类图，从所述原始高度图生成校准的高度图。

5.一种在其上存储有指令的有形计算机可读设备，当所述指令被至少一个计算设备执行时，使得所述至少一个计算设备执行包括以下各项的操作：

接收多个干涉信号，每个干涉信号与半导体芯片的表面上的多个位置中的相应的一个位置相对应；

将所述多个干涉信号变换成多个光谱信号，每个光谱信号与所述半导体芯片的表面上的多个位置中的相应的一个位置相对应；

使用机器学习模型将所述光谱信号分类成多个类别，其中，所述类别中的每个类别与所述半导体芯片的所述表面上具有相同材料的区域相对应；

至少部分地基于与对应于所述类别中的至少一个类别的区域相关联的校准信号，来确定表面基线与所述类别中的所述至少一个类别之间的表面高度偏移；以及

至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的形貌。

6.一种用于测量半导体芯片的表面形貌的方法，包括：

由至少一个处理器接收多个干涉信号和多个光谱信号，每个干涉信号和每个光谱信号与所述半导体芯片的表面上的多个位置中的相应的一个位置相对应；

由所述至少一个处理器使用机器学习模型将所述光谱信号分类成多个类别，其中，所述类别中的每个类别与所述半导体芯片的所述表面上具有相同材料的区域相对应；

由所述至少一个处理器至少部分地基于与对应于所述类别中的至少一个类别的区域相关联的校准信号，来确定表面基线与所述类别中的所述至少一个类别之间的表面高度偏移；以及

由所述至少一个处理器至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的所述表面形貌。

7.根据权利要求6所述的方法，还包括：

至少部分地基于所接收的干涉信号来生成原始高度图；

至少部分地基于所接收的光谱信号，来生成光谱图；

至少部分地基于分类的光谱信号和类别，将光谱图变换成分类图；

至少部分地基于所述表面高度偏移和所述分类图，从所述原始高度图生成校准的高度图。

8.一种用于测量半导体芯片的表面形貌的系统，包括：

干涉仪，其被配置为提供多个干涉信号，每个干涉信号与所述半导体芯片的表面上的多个位置中的相应的一个位置相对应；

光谱仪，其被配置为提供多个光谱信号，每个光谱信号与所述半导体芯片的表面上的多个位置中的相应的一个位置相对应；

扫描探针显微镜(SPM)或电子显微镜，其被配置为提供多个校准信号；以及

至少一个处理器，其被配置为：

使用机器学习模型将所述光谱信号分类成多个类别，其中，所述类别中的每个类别与所述半导体芯片的所述表面上具有相同材料的区域相对应；

至少部分地基于与对应于所述类别中的至少一个类别的区域相关联的所述校准信号中的至少一个校准信号，来确定表面基线与所述类别中的所述至少一个类别之间的表面高度偏移；以及

至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的所述表面形貌。

9.根据权利要求8所述的系统，其中，所述至少一个处理器还被配置为：

至少部分地基于所接收的干涉信号来生成原始高度图；

至少部分地基于所接收的光谱信号，来生成光谱图；

至少部分地基于分类的光谱信号和类别，将光谱图变换成分类图；

至少部分地基于所述表面高度偏移和所述分类图，从所述原始高度图生成校准的高度图。

10.一种在其上存储有指令的有形计算机可读设备，当所述指令被至少一个计算设备执行时，使得所述至少一个计算设备执行包括以下各项的操作：

接收多个干涉信号和多个光谱信号，每个干涉信号和每个光谱信号与半导体芯片的表面上的多个位置中的相应的一个位置相对应；

使用机器学习模型将所述光谱信号分类成多个类别，其中，所述类别中的每个类别与所述半导体芯片的所述表面上具有相同材料的区域相对应；

至少部分地基于与对应于所述类别中的至少一个类别的区域相关联的校准信号，来确定表面基线与所述类别中的所述至少一个类别之间的表面高度偏移；以及

至少部分地基于所述表面高度偏移和所述干涉信号来表征所述半导体芯片的所述表面形貌。

Images