CN113658125B - 用于评估版图热点的方法、设备和存储介质 - Google Patents

用于评估版图热点的方法、设备和存储介质 Download PDF

Info

Publication number
CN113658125B
CN113658125B CN202110919833.8A CN202110919833A CN113658125B CN 113658125 B CN113658125 B CN 113658125B CN 202110919833 A CN202110919833 A CN 202110919833A CN 113658125 B CN113658125 B CN 113658125B
Authority
CN
China
Prior art keywords
hotspot
pattern
layout
test image
key parameters
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
CN202110919833.8A
Other languages
English (en)
Other versions
CN113658125A (zh
Inventor
请求不公布姓名
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.)
Advanced Manufacturing EDA Co Ltd
Original Assignee
Advanced Manufacturing EDA 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 Advanced Manufacturing EDA Co Ltd filed Critical Advanced Manufacturing EDA Co Ltd
Priority to CN202110919833.8A priority Critical patent/CN113658125B/zh
Publication of CN113658125A publication Critical patent/CN113658125A/zh
Application granted granted Critical
Publication of CN113658125B publication Critical patent/CN113658125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

根据本公开的实施例，提供了用于评估版图热点的方法、设备和存储介质。该方法包括：从包括热点图案的热点版图中，获取针对热点图案的关键参数；获取与热点版图相关联的测试图像；基于关键参数和测试图像生成关键参数训练数据集。关键参数训练数据集至少包括在测试图像中的与热点图案相对应的第一图形。然后，基于关键参数训练数据集，获取针对热点图案的特征值集；以及基于特征值集，训练针对关键参数的热点评估模型。经训练的热点评估模型用于评估热点图案在关键参数下引起缺陷的概率。通过使用根据本公开的实施例，可以快速地对版图热点进行评估，从而提前预测引起缺陷的环境和/或图形，以优化并指导电路版图设计。

Description

用于评估版图热点的方法、设备和存储介质
技术领域
本公开的实施例主要涉及集成电路领域，并且更具体地，涉及用于评估电路版图的热点的方法、设备和存储介质。
背景技术
随着超大规模集成电路制造技术的飞速发展，集成电路中晶体管的特征尺寸变得越来越小，并且由此掩模上与目标图案相对应的版图图案的密度增加。由于光波会在掩模的版图图案处发生衍射，这会导致高密度的版图图案在实际生产中产生某些缺陷。这些缺陷的出现，极有可能在集成电路的实际运行中，产生开路或短路现象，烧毁电路。这些可能产生缺陷的局部版图图案通常被称为热点(hotspot)。制造者需要总结众多关键参数对热点所造成的集成电路性能以及成品率的影响，将更多与生产制造相关的信息反馈给设计者，以指导其版图设计。
然而，诸如用于设计的模拟参数、生产过程中的晶圆数据以及版图布局等关键参数，对热点所造成的影响的程度在不同的制程技术中并不完全相同。因此，评估版图中热点影响，对于缺陷分析至关重要。
发明内容
根据本公开的示例实施例，提供了一种用于评估版图热点的方案。
在本公开的第一方面，提供一种训练热点评估模型的方法。该方法包括：从包括热点图案的热点版图中，获取针对热点图案的关键参数；获取与热点版图相关联的测试图像；基于关键参数和测试图像生成关键参数训练数据集，关键参数训练数据集至少包括在测试图像中的与热点图案相对应的第一图形；基于关键参数训练数据集，获取针对热点图案的特征值集；以及基于特征值集，训练针对关键参数的热点评估模型，热点评估模型用于评估热点图案在关键参数下引起缺陷的概率。
在本公开的第二方面，提供一种评估目标版图的方法。该方法包括：获取针对目标版图中的热点图案的关键参数；以及基于关键参数，通过根据第一方面的方法所训练的热点评估模型，确定热点图案的评分结果，评分结果指示目标版图中的热点图案在关键参数下引起缺陷的概率。
在本公开的第三方面中，提供一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器，存储器具有存储于其中的指令，指令在被处理器执行时使设备执行动作。动作包括：从包括热点图案的热点版图中，获取针对热点图案的关键参数；获取与热点版图相关联的测试图像；基于关键参数和测试图像，生成关键参数训练数据集，关键参数训练数据集至少包括在测试图像中的与热点图案相对应的第一图形，测试图像是与热点版图相关联的扫描电子显微镜图像；基于关键参数训练数据集，获取针对热点图案的特征值集；以及基于特征值集，训练针对关键参数的热点评估模型，热点评估模型用于评估热点图案在关键参数下引起缺陷的概率。
在一些实施例中，获取所述特征值集包括：从所述测试图像中定位所述第一图形，并且从与所述测试图像相关联的参考图像中定位与所述热点图案相对应的第二图形；获取所述第一图形与所述第二图形的对齐比较结果；基于所述对齐比较结果，提取所述第一图形和所述第二图形的像素和位置特征，以获取所述热点图案的所述失真特征值和所述对齐特征值，以将所述失真特征值和所述对齐特征值作为所述特征值集的至少一部分。
在一些实施例中，训练热点评估模型还包括：在所述测试图像中确定针对所述第一图形特征的第一临界尺寸；在所述参考图像中确定针对所述第二图形特征的第二临界尺寸；以及基于所述第一临界尺寸和所述第二临界尺寸，调整所述热点评估模型中针对所述关键参数的权重。
在一些实施例中，训练所述热点评估模型还包括：使用关键参数验证数据集，对所述热点评估模型的输出结果进行评估。
在本公开的第四方面中，提供一种电子设备。该电子设备包括：处理器以及与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述设备执行动作。动作包括：获取针对所述目标版图中的热点图案的关键参数；以及基于所述关键参数，通过根据本公开的第一方面的方法所训练的热点评估模型，确定所述热点图案的评分结果，所述评分结果指示所述目标版图中的所述热点图案在所述关键参数下引起缺陷的概率。
在本公开的第五方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
在本公开的第六方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第二方面的方法。
在本公开的第七方面中，提供了一种计算机程序产品，包括计算机可执行指令，所述计算机可执行指令在被处理器执行时，使计算机实现根据本公开的第一方面或第二方面的方法。
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注表示相同或相似的元素，其中：
图1示出了根据本公开的一些实施例的热点评估系统的示意性框图。
图2示出了根据本公开的一些实施例的用于训练热点评估模型的示例方法的流程图。
图3示出了根据本公开的一些实施例的用于训练热点评估模型的示例方法的流程图。
图4示出了根据本公开的一些实施例的用于训练热点评估模型的另一示例方法的流程图。
图5示出了根据本公开的一些实施例的用于热点评估的示例方法的流程图。
图6示出了能够实施本公开的多个实施例的计算设备的框图。
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。
在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
在本公开的实施例中，术语“模型”能够处理输入并且提供相应输出。以神经网络模型为例，其通常包括输入层、输出层以及在输入层与输出层之间的一个或多个隐藏层。在深度学习应用中使用的模型(也称为“深度学习模型”)通常包括许多隐藏层，从而延长网络的深度。神经网络模型的各个层按顺序相连以使得前一层的输出被用作后一层的输入，输入层接收神经网络模型的输入，而输出层的输出作为神经网络模型的最终输出。神经网络模型的每个层包括一个或多个节点(也称为处理节点或神经元)，每个节点处理来自上一层的输入。在本文中，术语“神经网络”、“模型”、“网络”和“神经网络模型”可互换使用。
如上所述，针对不同的制程工艺和设备，模拟和生产制造过程中的关键参数对热点图案所造成的影响程度存在差异，因此精确评估电路版图中的热点图案在不同关键参数条件下的影响，可以有利地指导版图设计以便尽可能的扩展工艺窗口。
为了更好的预测热点发生的环境及图形，并且避免在其设计布局中出现，设计者需要进行大量的数据统计分析，结合统计图表以及人员的相关经验来定义关键参数与热点之间的权重关系，这会耗费大量时间与人力，并且关键参数的评定受到不同人员的经验影响，可能会出现不一致的情况，因而影响到热点的关注和修改，造成芯片的良率问题。
根据本公开的实施例，提出了一种用于热点评估的方案。在该方案中，从包括热点图案的热点版图中，获取针对热点图案的关键参数。然后获取与热点版图相关联的测试图像。基于关键参数和测试图像生成关键参数训练数据集。关键参数训练数据集至少包括在测试图像中的与热点图案相对应的第一图形。基于关键参数训练数据集，获取针对热点图案的特征值集；并且基于特征值集，训练针对关键参数的热点评估模型。热点评估模型用于评估热点图案在关键参数下引起缺陷的概率。
在本公开的实施例中，利用涵盖了从设计到生产各个阶段的关键参数的数据集合，基于机器学习来训练热点评估模型。通过使用本公开的实施例，能够排除人为或经验法则，使得经训练的热点评估模型能够快速且准确地评估版图中的热点在特定环境下的影响，从而克服了现有技术中的数据边界模糊问题，以有效地指导版图设计工作。
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。
参考图1，示出了根据本公开的一些实施例的热点评估系统100的示意性框图。热点评估系统100(也简称为“系统100”)包括数据处理装置110。数据处理装置110可以包括或部署有经训练的热点评估模型112。在一些实施例中，数据处理装置还可以包括或部署有其他的模型，例如热点检测模型等。
如图1所示，数据处理装置110可以接收目标版图数据集101。目标版图数据集101包括与目标版图相关的关键参数。关键参数包括以下至少一项：曝光能量、焦距、图案密度、工艺窗口、用于制造目标版图的设备规格或针对光刻胶的表面粗糙度和线边缘粗糙度(LER)。
数据处理装置110对目标版图数据集101进行数据处理以获得目标版图特征值集，并且将所得的特征值集作为输入放入热点评估模型中用于评估。数据处理装置110可以基于来自目标版图数据集101的特征值，根据经训练的热点评估模型112，快速输出评估结果。该评估结果可以是能够指示目标版图中的热点图案在关键参数下引起缺陷的概率的任何形式。在一些实施例中，该评估结果可以是百分值的形式，例如，100分指示该热点图案在特定关键参数下引起的概率为100％。反之亦可以。备选地或附加地，在一些实施例中，该评估结果还可以仅以“好”、“坏”来标识上述概率，例如，结果“好”可以指示引起缺陷的概率为10％以下。本公开在此对评估结果的形式不做任何限制。
图2示出了根据本公开的一些实施例的用于训练热点评估模型的示例方法200的流程图。例如，方法200可以由如图1所示的系统100来执行。以下结合图1来描述方法200。应当理解，方法200还可以包括未示出的附加框和/或可以省略所示出的某些框。本公开的范围在此方面不受限制。
如图2所示，在框210处，获取针对热点图案的关键参数以及与包括该热点图案的热点版图相关联的测试图像。
在框215处，基于针对热点图案的关键参数和测试图像，生成关键参数训练数据集。关键参数训练数据集包括结合图1描述的关键参数，以及与热点版图相关联的图像数据。建立关键参数训练数据集包括：从包括热点图案的热点版图中，获取针对该热点图案的关键参数，并且通过本领域已知的成像技术来获取将该热点版图进行图案转移之后的图像数据。在一个实施例中，该图像数据是目标晶圆上微结构的扫描电子显微镜图像。该目标晶圆为利用热点版图制造的掩模板所生成的晶圆。在另一实施例中，该图像数据是在采用所述热点版图的制造过程中的光刻胶的扫描电子显微镜图像。本公开的范围在此方面不受任何限制。
在框220处，基于关键参数训练数据集，获取针对热点图案的特征值集。在一些实施例中，可以利用计算机视觉从图像数据中提取特征值以作为特征集的至少一部分。
在框230处，基于在框220处获取的特征值集，对热点评估模型进行训练。在一些实施例中，如虚线箭头所示，热点评估模型的训练结果可以依据实际测量数据或其他标准被修正，并且将修正后的测量数据输入到关键参数训练数据集中，以进一步优化热点评估模型。以下将结合图3至图4对用于训练热点评估模型的方法进行详细描述。
图3示出了根据本公开的一些实施例的用于训练热点评估模型的示例方法300的流程图。方法300可以视为方法200的示例实现。如图3所示，在框330，对被输入到热点评估模型的关键参数数据集执行数据预处理，从而得到关键参数训练数据集。通过框340的计算机视觉操作，基于关键参数训练数据集来获得特征值集。通过框350的机器学习，所获得的特征值集被赋予针对不同关键参数的权重。热点评估模型针对上述的特征集进行分类推理并输出评估结果，并且将评估结果进一步输入到数据集中以作为训练数据集使用。针对关键参数的特征值包括结合图1所描述的关键参数的数值以及以下结合图3至图4将描述的从图像中提取的特征值。在另一实施例中，方法300还可以包括未示出的附加框和/或可以省略所示出的某些框。本公开的范围在此方面不受限制。
如结合图2所描述的，关键参数训练数据集包括与热点版图相关联的图像数据。在一些实施例中，图像数据可以包括采用该热点版图所生成的参考图像和测试图像。在一些实施例中，参考图像是在标准环境下生成的晶圆微结构和/或光刻胶的扫描电子显微镜图像，以及测试图像是在针对不同工艺和设备的不同环境下生成的晶圆微结构和/或光刻胶的扫描电子显微镜图像。在另一实施例中，参考图像可以具有在非标准环境下生成的、通过将热点图案进行图案转移而获得的晶圆微结构和/或光刻胶的图形。本公开的范围在此方面不受限制。
如图3中所示，方法300在框302处确定该关键参数训练数据集的图像数据中是否存在参考图像。如果是，则将相关图像作为参考图像以用于随后的特征提取。如果否，则前进至框304，确定该相关图像中是否存在与热点图案相对应的晶圆微结构和/或光刻胶的图形，该图形是通过将热点图案进行图案转移而获得。在框304中，如果判定结果为存在与热点图案相对应的图形，则将该相关图像视为参考图像以进行随后的特征提取。如果判定结果为否，则将其作为测试图像以用于随后的特征提取。在实践中，如果训练数据量不足或者在不存在参考图像的情况下，可以采用无参考图像模式，仅对测试图像进行特征提取来训练热点评估模型。在此情况下，一般来说，训练可靠的热点评估模型需要大量的人工评分结果，但通过主观测试获得评估分数通常昂贵且耗时，在实践中的可用性受限。在本文中，以存在参考图像数据的情况为示例来描述框340的计算机视觉操作。
在一些实施例，框330的数据预处理还用于确定参考图像和测试图像中的与热点图案相对应的图形的位置。热点图案的位置在参考图像和测试图像中的差异决定了在随后的框340中，需要以计算机视觉将参考图像中的与热点图案相对应的图形、与测试图像中的与热点图案相对应的图形进行对齐。在一些实施例中，在图形对齐之前，分别提取参考图像和测试图像中的与热点图案相对应的图形轮廓。在另一实施例中，还可以包括未示出的附加步骤。本公开的范围在此方面不受限制。
在框310处，判定在框308中的图形是否对齐成功。如果对齐成功(图3中的是)，则前进至框316进行计算机视觉化的特征提取。对齐不成功(图3中的否)，通常意味着测试图像中的图形与参考图像中的图形在延伸方向、尺寸等方面差距甚远，计算机视觉可以因此判定与该测试图像相关联的热点版图的质量为差，结束流程。框308中的对齐是针对参考图像和测试图像的粗略对齐。在一些实施例中，与对齐不成功的测试图像相关的训练数据可以不被放入关键参数训练数据集中，以节省计算资源并减小功耗。
以下对框316进行详细描述，继续采用计算机视觉对参考图像和测试图像中的图形进行特征提取。在一些实施例中，采用三阶颜色矩来提取图形的失真特征。在另一实施例中，可以采用更高阶的色矩或颜色直方图的方式来提取图形失真特征。本文的范围在此方面不受限制。
针对参考图像的每个块中的每个像素，计算三阶色矩分别如下：
其中pj表示每个块中的像素值，N是每个块中的像素数目，Ei、σi、si分别是每个块的均值(一阶矩)、方差(二阶矩)和斜度(三阶矩)。
同样地，以上述公式(1)至(3)来计算针对测试图像的每个块中的每个像素，在此不再赘述。用Etestj、σtestj和stestj表示测试图像中的针对每个块的均值、方差和斜度。
接着，利用所得的颜色矩信息来计算失真特征值，以作为特征值集的至少一部分，如下面公式(4)所示。
其中，δ为测试图像和参考图像之间的失真，Lblock是上述图像中的每个图像中的块数目。失真δ从直观上反映出在图形转移工艺中的图形对准度。通过机器学习来训练热点评估模型的过程，优化了作为图形对准度的量度之一的失真在不同参数环境下的权重，从而提高了热点评估模型的泛化能力。
在一些实施例中，还利用计算机视觉，针对参考图像和测试图像中的图形计算精确对齐，如下方公式(4)所示。
在公式(4)中，d(golden，test)是测试图像与参考图像之间的轮廓距离。card(golden)和card(test)分别是参考图像和测试图像中轮廓点的总数，p和q分别是参考图像和测试图像中的轮廓点。
测试图像与参考图像之间的轮廓距离，即对齐度，作为图形对准度的另一量度，是评价版图热点的重要指标。通过机器学习来训练热点评估模型的过程，优化了对齐度在不同参数环境下的权重，从而提高了热点评估模型的泛化能力。
以上通过测试图像和参考图像之间的失真度和对齐度作为示例，描述了通过计算机视觉来提取图像中的特征值。由于测试图像和参考图像可以是针对光刻胶的扫描电子显微镜图像，因此，在另一些实施例中，还可以通过计算机视觉来提取光刻胶的一些特征，例如，表面粗糙度、线边缘粗糙度(LER)等。这些特征也能够从另一方面反映出版图热点在特定参数环境下引起缺陷的可能性。因此，通过机器学习来训练热点评估模型的过程，优化了针对光刻胶的粗糙度参数在不同参数环境下的权重，从而提高了热点评估模型的泛化能力。此外，在又一些实施例中，特征值集还可以包括从图像中提取的工艺窗口、对比度等特征值。本公开在此对特征值集的形式和内容不作任何限制。
接着，热点评估模型通过在框350中，基于机器学习对框340中所获得特征集进行在框318的分类推理操作，以生成评估结果作为模型输出，该评估结果指示了版图热点在特定参数条件下产生缺陷的概率。该评估结果进一步作为数据集的一部分，以进一步迭代优化热点评估模型。
如上文所简要提及的，机器学习方法可以用于热点评估。机器学习方法需要对机器学习模型进行训练。如结合图2所描述的，这种训练数据集通常包括图像数据和关键参数。经训练的模型取决于：训练数据集，例如图像和参数；训练过程，例如批处理大小、迭代次数等；以及模型类型，例如神经网络结构。当训练过程和模型类型相同时，经训练的模型仅由训练数据集确定。
在一些实施例中，机器学习方法是基于以下项中的至少一项来实现的：线性回归、罗吉斯(logistic)回归、决策树、朴素贝叶斯、支持向量机(SVM)等。在另一些实施例中，机器学习方法可以采用其他算法来实现分类任务。本公开的范围在此方面不受限制。
图4示出了根据本公开的一些实施例的用于训练热点评估模型的另一示例方法的流程图。方法400可以视为方法200的示例实现。图4中的用于训练热点评估模型的方法，与结合图3中所描述的方法类似，不同之处在于框460的测量优化。以下将仅针对图4中的与图3不同的操作进行描述。
框460中，测量与热点图案相关联的晶圆微结构的最小特征尺寸，也被称为临界尺寸。通过在框420中的临界尺寸提取操作，可以利用这些测得临界尺寸对包含该热点图案的热点版图进行标注，以进一步优化热点评估模型。此外，还可以基于这些实际测量数据来优化热点评估模型中的与图像相关联的图形特征提取，以进一步调整热点评估模型中的针对与图像相关的关键参数的权重。在一些实施例中，基于实际测量数据调整针对关键参数的权重包括：在测试图像中确定针对第一图形的第一临界尺寸；在参考图像中确定针对第二图形的第二临界尺寸；以及基于第一临界尺寸和第二临界尺寸，例如调整所述热点评估模型中针对所述关键参数的权重。在又一实施例中，可以将第一临界尺寸和第二临界尺寸的比值放入评估结果中，一起作为训练参数数据发送到数据集中。本公开在此对实际测量的数据的内容与形式不作任何限制。
图5示出了根据本公开的一些实施例的用于热点评估的示例方法的流程图。方法500可以由如图1所示的数据处理装置110来执行。应当理解，方法500还可以包括未示出的附加框和/或可以省略所示出的某些框。本公开的范围在此方面不受限制。
在框510处，获取针对目标版图中的热点图案的关键参数。例如，可以收集目标版图数据。目标版图数据集可以以与关键参数训练数据集相同的方式来建立。
在框520处，基于关键参数，通过热点评估模型，确定热点图案的评分结果。所述评分结果指示所述目标版图中的热点图案在关键参数下引起缺陷的概率。热点评估模型是基于方法200、300或400来训练的。例如，通过经训练的热点评估模型，来评估目标版图中的热点图案在特定参数环境下的影响程度，即，该热点图案在特定关键参数下引起缺陷的概率。
图6示出了可以用来实施本公开的实施例的示例设备500的示意性框图。例如，如图1所示的系统100中的一个或多个装置可以由设备600来实施。如图所示，设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可存储设备500操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元601执行上文所描述的各个方法和处理，例如方法200、300、400和500中的任一个。例如，在一些实施例中，方法200、300、400和500中的任一个可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时，可以执行上文描述的方法200、300、400和500中的任一个的一个或多个步骤。备选地，在其他实施例中，CPU 601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200、300、400和500中的任一个。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
本文所公开的各方面可以以硬件和硬件中存储的指令来体现，并且可以驻留在例如随机存取存储器(RAM)、闪存、只读存储器(ROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、寄存器、硬盘、可移动磁盘、CD-ROM或本领域已知的任何其他形式的计算机可读介质中。示例性存储介质被耦合到处理器，使得处理器可以从存储介质读取信息并且可以向存储介质写入信息。备选地，存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在远程站中。备选地，处理器和存储介质可以作为分立组件而驻留在远程站、基站或服务器中。

Claims (10)

1.一种训练热点评估模型的方法，包括：
从包括热点图案的热点版图中，获取针对所述热点图案的关键参数；
获取与所述热点版图相关联的测试图像；
基于所述关键参数和所述测试图像生成关键参数训练数据集，所述关键参数训练数据集至少包括在测试图像中的与所述热点图案相对应的第一图形；
基于关键参数训练数据集，获取针对所述热点图案的特征值集；以及
基于所述特征值集，训练针对所述关键参数的热点评估模型，经训练的所述热点评估模型用于评估所述热点图案在所述关键参数下引起缺陷的概率，
其中获取所述特征值集包括：
从所述测试图像中定位所述第一图形，并且从与所述测试图像相关联的参考图像中定位与所述热点图案相对应的第二图形；
获取所述第一图形与所述第二图形的对齐比较结果；
基于所述对齐比较结果，提取所述第一图形和所述第二图形的像素和/或位置特征，以获取所述热点图案的失真特征值和/或对齐特征值，并将所述失真特征值和/或所述对齐特征值作为所述特征值集的至少一部分。
2.根据权利要求1所述的方法，其中所述测试图像是与所述热点版图相关联的扫描电子显微镜图像，具体为：
目标晶圆上微结构的扫描电子显微镜图像，其中所述目标晶圆为利用所述热点版图制造的掩模板所生成的晶圆，或
在利用所述热点版图的制造过程中的、与所述热点图案相对应的光刻胶的扫描电子显微镜图像。
3.根据权利要求1所述的方法，其中所述关键参数包括以下至少一项：曝光能量、焦距、图案密度、工艺窗口或针对光刻胶的表面粗糙度和线边缘粗糙度。
4.根据权利要求1或3所述的方法，其中所述特征值还包括针对表面粗糙度和线边缘粗糙度的均值或方差。
5.根据权利要求1所述的方法，还包括：
在所述测试图像中确定针对所述第一图形特征的第一临界尺寸；
在所述参考图像中确定针对所述第二图形特征的第二临界尺寸；以及
基于所述第一临界尺寸和所述第二临界尺寸，调整所述热点评估模型中针对所述关键参数的权重。
6.根据权利要求5所述的方法，其中所述第一临界尺寸和所述第二临界尺寸是最小特征尺寸。
7.一种评估目标版图的方法，包括：
获取目标版图针对热点图案的关键参数；以及
基于所述关键参数，通过根据权利要求1-6中任一项所述的热点评估模型，确定所述热点图案的评分结果，所述评分结果用于指示所述目标版图中的所述热点图案在所述关键参数下引起缺陷的概率。
8.一种电子设备，所述设备包括：
处理器；以及
与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述设备执行动作，所述动作包括：
从包括热点图案的热点版图中，获取针对所述热点图案的关键参数；
获取与所述热点版图相关联的测试图像；
基于所述关键参数和所述测试图像，生成关键参数训练数据集，所述关键参数训练数据集至少包括在测试图像中的与所述热点图案相对应的第一图形，所述测试图像是与所述热点版图相关联的扫描电子显微镜图像；
基于关键参数训练数据集，获取针对所述热点图案的特征值集；以及
基于所述特征值集，训练针对所述关键参数的热点评估模型，所述热点评估模型用于评估所述热点图案在所述关键参数下引起缺陷的概率，
其中获取所述特征值集包括：
从所述测试图像中定位所述第一图形，并且从与所述测试图像相关联的参考图像中定位与所述热点图案相对应的第二图形；
获取所述第一图形与所述第二图形的对齐比较结果；
基于所述对齐比较结果，提取所述第一图形和所述第二图形的像素和/或位置特征，以获取所述热点图案的失真特征值和/或对齐特征值，并将所述失真特征值和/或所述对齐特征值作为所述特征值集的至少一部分。
9.根据权利要求8所述的电子设备，其中所述特征值还包括针对表面粗糙度和线边缘粗糙度的均值或方差。
10.一种电子设备，包括：
处理器；以及
与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述设备执行动作，所述动作包括：
获取针对目标版图中的热点图案的关键参数；以及
基于所述关键参数，通过根据权利要求1-6中任一项所述的热点评估模型，确定所述热点图案的评分结果，所述评分结果指示所述目标版图中的所述热点图案在所述关键参数下引起缺陷的概率。
CN202110919833.8A 2021-08-11 2021-08-11 用于评估版图热点的方法、设备和存储介质 Active CN113658125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110919833.8A CN113658125B (zh) 2021-08-11 2021-08-11 用于评估版图热点的方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110919833.8A CN113658125B (zh) 2021-08-11 2021-08-11 用于评估版图热点的方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113658125A CN113658125A (zh) 2021-11-16
CN113658125B true CN113658125B (zh) 2024-02-23

Family

ID=78491420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110919833.8A Active CN113658125B (zh) 2021-08-11 2021-08-11 用于评估版图热点的方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113658125B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358178B (zh) * 2022-08-11 2023-04-07 山东大学 一种基于融合神经网络的电路良率分析方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201741762A (zh) * 2016-05-12 2017-12-01 Asml Netherlands Bv 藉由機器學習之熱點或缺陷辨識
CN108446486A (zh) * 2018-03-16 2018-08-24 珠海市睿晶聚源科技有限公司 集成电路版图热点检测网络训练及热点检测方法
CN109978754A (zh) * 2017-12-28 2019-07-05 广东欧珀移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN111595812A (zh) * 2020-05-29 2020-08-28 复旦大学 基于动量空间色散关系的关键参数的量测方法和系统
CN112530828A (zh) * 2014-06-10 2021-03-19 Asml荷兰有限公司 计算机可读介质
CN112559181A (zh) * 2020-12-16 2021-03-26 全芯智造技术有限公司 用于电路版图的热点检测方法、设备和存储介质
CN112733700A (zh) * 2021-01-05 2021-04-30 风变科技（深圳）有限公司 人脸关键点检测方法、装置、计算机设备和存储介质
CN113196173A (zh) * 2018-12-14 2021-07-30 Asml荷兰有限公司 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法
CN113222063A (zh) * 2021-05-31 2021-08-06 平安科技（深圳）有限公司 快递纸箱垃圾分类方法、装置、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10679333B2 (en) * 2018-03-14 2020-06-09 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530828A (zh) * 2014-06-10 2021-03-19 Asml荷兰有限公司 计算机可读介质
TW201741762A (zh) * 2016-05-12 2017-12-01 Asml Netherlands Bv 藉由機器學習之熱點或缺陷辨識
CN109978754A (zh) * 2017-12-28 2019-07-05 广东欧珀移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN108446486A (zh) * 2018-03-16 2018-08-24 珠海市睿晶聚源科技有限公司 集成电路版图热点检测网络训练及热点检测方法
CN113196173A (zh) * 2018-12-14 2021-07-30 Asml荷兰有限公司 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法
CN111595812A (zh) * 2020-05-29 2020-08-28 复旦大学 基于动量空间色散关系的关键参数的量测方法和系统
CN112559181A (zh) * 2020-12-16 2021-03-26 全芯智造技术有限公司 用于电路版图的热点检测方法、设备和存储介质
CN112733700A (zh) * 2021-01-05 2021-04-30 风变科技（深圳）有限公司 人脸关键点检测方法、装置、计算机设备和存储介质
CN113222063A (zh) * 2021-05-31 2021-08-06 平安科技（深圳）有限公司 快递纸箱垃圾分类方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113658125A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
US11748551B2 (en) Optical mode optimization for wafer inspection
TWI808815B (zh) 半導體製作製程控制之系統及方法，以及電腦程式產品
US10867116B2 (en) Forecasting wafer defects using frequency domain analysis
WO2021046951A1 (zh) 图像识别方法、系统及存储介质
TWI603409B (zh) 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
US20150110384A1 (en) Image inspection method of die to database
CN114155244B (zh) 缺陷检测方法、装置、设备及存储介质
WO2019219826A1 (en) Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process
CN113488414B (zh) 晶圆生产监控方法、系统与电子设备
CN113439276A (zh) 基于机器学习的半导体样本中的缺陷分类
TW201837702A (zh) 用於評估稀有失效事件的電路良率分析方法及系統
CN113658125B (zh) 用于评估版图热点的方法、设备和存储介质
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
CN116128839A (zh) 晶圆缺陷识别方法、装置、电子设备以及存储介质
US11132790B2 (en) Wafer map identification method and computer-readable recording medium
CN116524313A (zh) 基于深度学习和多模态图像的缺陷检测方法及相关装置
CN114239398A (zh) 光刻热点检测方法、装置、电子设备及可读存储介质
CN113744252A (zh) 用于标记和检测缺陷的方法、设备、存储介质和程序产品
CN116433661B (zh) 多任务学习的半导体晶圆检测方法、装置、设备及介质
CN116205918B (zh) 基于图卷积的多模态融合半导体检测方法、装置及介质
EP3893057A1 (en) Aligning a distorted image
CN116563848B (zh) 异常细胞识别方法、装置、设备及存储介质
JP2019016776A (ja) 自動的に設定された検査エリアを有する集積回路パターン検査のための方法および装置
CN117750643B (zh) 印制电路板的表面加工方法
WO2023112302A1 (ja) 教師データ作成支援装置、教師データ作成支援方法

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