CN115587545B - 一种用于光刻胶的参数优化方法、装置、设备及存储介质 - Google Patents

一种用于光刻胶的参数优化方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115587545B
CN115587545B CN202211471556.XA CN202211471556A CN115587545B CN 115587545 B CN115587545 B CN 115587545B CN 202211471556 A CN202211471556 A CN 202211471556A CN 115587545 B CN115587545 B CN 115587545B
Authority
CN
China
Prior art keywords
photoresist
model
experimental data
decrement
process 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
CN202211471556.XA
Other languages
English (en)
Other versions
CN115587545A (zh
Inventor
何文峰
曾辉
韦亚一
吁卫东
李亮
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.)
Yuexin Semiconductor Technology Co ltd
Guangdong Greater Bay Area Institute of Integrated Circuit and System
Original Assignee
Guangdong Greater Bay Area Institute of Integrated Circuit and System
Guangzhou Yuexin Semiconductor Technology 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 Guangdong Greater Bay Area Institute of Integrated Circuit and System, Guangzhou Yuexin Semiconductor Technology Co Ltd filed Critical Guangdong Greater Bay Area Institute of Integrated Circuit and System
Priority to CN202211471556.XA priority Critical patent/CN115587545B/zh
Publication of CN115587545A publication Critical patent/CN115587545A/zh
Application granted granted Critical
Publication of CN115587545B publication Critical patent/CN115587545B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)

Abstract

本申请提出了一种用于光刻胶的参数优化方法、装置、设备及存储介质，该方法包括：采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；基于有效实验数据，采用深度学习算法构建光刻胶减量模型；基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果；当预测结果为合格时，对光刻胶减量模型进行反向训练；根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。本申请采用深度学习算法根据实际旋涂工艺参数构建光刻胶减量模型，并对模型进行优化，准确地对光刻胶减量进行预测，得到光刻胶目标厚度对应的所需工艺参数，从而有效提高光刻胶减量效率和适用性，并降低晶圆的制造成本。

Description

一种用于光刻胶的参数优化方法、装置、设备及存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种用于光刻胶的参数优化方法、装置、设备及存储介质。
背景技术
光刻胶是光刻工艺中最关键和应用最多的一种材料，掩模版上的图形经过投影物镜投影到光刻胶上，进而激发光化学反应，经过烘烤和显影形成光刻胶图形。光刻胶图形作为阻挡层，用于实现下一步选择性的刻蚀和离子注入。但是在光刻胶形成光刻胶图形之前，需要通过涂胶显影机进行光刻胶的喷涂，该过程利用旋转托盘使附着在晶圆表面的光刻胶受到离心力作用均匀平铺在晶圆表面，使光刻胶的厚度和标准差满足工艺要求，但是大部分的光刻胶经过旋转脱离晶圆被排污装置吸走，导致损失大量的光刻胶，大大增加制造成本。
目前现有解决方案主要是通过收集大量光刻胶膜厚数据优化光阻旋涂工艺参数，在进行归纳后寻找规律。例如工程师通过设计实验，调整涂胶显影机涂胶过程工艺参数，收集大量光刻胶厚度数据，进行归纳寻找规律，进行多轮次的优化实验获得相对较佳的涂胶工艺参数。
但是，在对现有技术的研究与实践的过程中，本申请的发明人发现，目前现有解决方案中的采集数据过程过于繁琐，且需要占用大量时间和人力，并且在通过人工归纳和寻找规律时，容易存在主观意识，且技术门槛过高，需要研究人员依靠大量的经验才能完成任务；另一方面，现有解决方案在针对不同光刻胶和不同型号机台时，每次都需要根据不同研究目标再次调整工艺参数，导致研究效率低下和耗费时间过多的问题。
前面的叙述在于提供一般的背景信息，并不一定构成现有技术。
发明内容
针对上述技术问题，本申请提供一种用于光刻胶的参数优化方法、装置、设备及存储介质，可以有效提高光刻胶减量效率和适用性，降低晶圆的制造成本。
本申请提供一种用于光刻胶的参数优化方法，包括如下步骤：
采集实验数据，并对所述实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；
基于所述有效实验数据，采用深度学习算法构建光刻胶减量模型；
基于所述光刻胶减量模型进行预测，得到所述光刻胶减量模型的预测结果；
当所述预测结果为合格时，对所述光刻胶减量模型进行反向训练；
根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
可选地，所述采集实验数据，包括：
设计多个实验，并调整多个实验对应的旋涂工艺参数；
获取多个实验中不同旋涂工艺参数对应的厚度数据；
记录所述旋涂工艺参数以及对应的厚度数据。
可选地，所述对所述实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据，包括：
根据所述实验数据对实验晶圆进行缺陷检测；
将通过所述缺陷检测的实验晶圆对应的实验数据作为有效实验数据，并将所述有效实验数据划分为训练集和测试集。
可选地，所述基于所述有效实验数据，采用深度学习算法构建光刻胶减量模型，包括：
基于所述有效实验数据中的训练集，采用深度学习算法构建光刻胶减量模型。
可选地，在所述得到所述光刻胶减量模型的预测结果之后，所述方法还包括：
将所述预测结果与所述有效实验数据中的测试集进行对比，生成对应的评价函数；
判断所述评价函数是否大于预设函数阈值；
若是，则判定所述预测结果为合格；
若否，则判定所述预测结果为不合格。
可选地，所述对所述光刻胶减量模型进行反向训练，包括：
固定所述光刻胶减量模型的参数，确定光刻胶厚度曲线目标训练集；
基于所述光刻胶厚度曲线目标训练集对所述光刻胶减量模型进行反向训练，拟合得到所述光刻胶减量模型对应的反函数；
基于所述反函数对所述光刻胶减量模型进行优化。
可选地，所述根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数，包括：
获取旋涂目标以及对应的目标厚度；
将所述目标厚度输入至反向训练后的光刻胶减量模型，得到所述旋涂目标对应的工艺参数。
相应地，本申请还提供了一种用于光刻胶的参数优化装置，包括：
数据采集模块，用于采集实验数据，并对所述实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；
模型构建模块，用于基于所述有效实验数据，采用深度学习算法构建光刻胶减量模型；
模型测试模块，用于基于所述光刻胶减量模型进行预测，得到所述光刻胶减量模型的预测结果；
模型训练模块，用于当所述预测结果为合格时，对所述光刻胶减量模型进行反向训练；
参数输出模块，用于根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
本申请实施例还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的用于光刻胶的参数优化方法的步骤。
本申请实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的用于光刻胶的参数优化方法的步骤。
实施本申请实施例，具有如下有益效果：
如上所述，本申请提供的一种用于光刻胶的参数优化方法、装置、设备及存储介质，其中方法包括：首先，采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；然后，基于有效实验数据，采用深度学习算法构建光刻胶减量模型；接着，基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果；当预测结果为合格时，对光刻胶减量模型进行反向训练；最后，根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。本申请的参数优化方案，采用深度学习算法根据实际旋涂工艺参数构建光刻胶减量模型，并对模型进行优化，准确地对光刻胶减量进行预测，得到光刻胶目标厚度对应的所需工艺参数，从而有效提高光刻胶减量效率和适用性，并降低晶圆的制造成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的用于光刻胶的参数优化方法的第一种实施方式的流程示意图；
图2是本申请实施例提供的用于光刻胶的参数优化方法的第二种实施方式的流程示意图；
图3是本申请实施例提供的用于光刻胶的参数优化方法的第三种实施方式的流程示意图；
图4是本申请实施例提供的用于光刻胶的参数优化方法的第四种实施方式的流程示意图；
图5是本申请实施例提供的用于光刻胶的参数优化装置的结构示意图；
图6是本申请实施例提供的计算机设备的第一种实施方式的结构示意图；
图7是本申请实施例提供的计算机设备的第二种实施方式的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。本申请使用的术语“或”、“和/或”、“包括以下至少一个”等可被解释为包括性的，或意味着任一个或任何组合。例如，“包括以下至少一个：A、B、C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A和B和C”，再如，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A和B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。
需要说明的是，在本文中，采用了诸如S1、S2等步骤代号，其目的是为了更清楚简要地表述相应内容，不构成顺序上的实质性限制，本领域技术人员在具体实施时，可能会先执行S2后执行S1等，但这些均应在本申请的保护范围之内。
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本申请的说明，其本身没有特定的意义。因此，“模块”、“部件”或者“单元”可以混合地使用。
目前现有技术主要通过收集大量光刻胶膜厚数据优化光阻旋涂工艺参数，在进行归纳后寻找规律，从而获得相对较佳的涂胶工艺参数。然而，现有技术中的采集数据过程过于繁琐，且需要占用大量时间和人力，并且在通过人工归纳和寻找规律时，容易存在主观意识和技术门槛过高的问题，需要研究人员依靠大量的经验才能完成任务；另一方面，现有技术在针对不同光刻胶和不同型号机台时，每次都需要根据不同研究目标再次调整工艺参数，导致研究效率低下和耗费时间过多。
为了解决上述问题，本申请提出了一种用于光刻胶的参数优化方法、装置、设备及存储介质，可以有效提高光刻胶减量效率和适用性，降低晶圆的制造成本。
请参阅图1，图1是本申请实施例提供的用于光刻胶的参数优化方法的第一种实施方式的流程示意图。该参数优化方法具体可以包括：
S1.采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据。
具体的，对于步骤S1，首先采集实验数据，该实验数据可以是从预先设计的实验中获取，并对采集到的实验数据进行缺陷检测，判断是否通过缺陷检测，将通过缺陷检测的实验数据作为有效实验数据，否则作为无效实验数据。
可选地，在一些实施例中，如图2所示，步骤S1中的采集实验数据，具体可以包括：
S11.设计多个实验，并调整多个实验对应的旋涂工艺参数；
S12.获取多个实验中不同旋涂工艺参数对应的厚度数据；
S13.记录旋涂工艺参数以及对应的厚度数据。
具体的，对于采集实验数据，首先设计多个不同的实验，调整多个实验各自对应的旋涂工艺参数，并记录旋涂工艺参数特征，包括但不限于转速和时间；收集各个实验中不同旋涂工艺参数以及其对应的厚度数据，其中，厚度数据包括但不限于多个不同测量方向上的测量坐标及每个坐标对应的厚度。
可选地，在一些实施例中，如图2所示，步骤S1中对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据，具体可以包括：
S14.根据实验数据对实验晶圆进行缺陷检测；
S15.将通过缺陷检测的实验晶圆对应的实验数据作为有效实验数据，并将有效实验数据划分为训练集和测试集。
具体的，在采集数据之后，还会对采集的实验数据进行缺陷检测，将实验晶圆按照实验数据进行缺陷检测，判断按照不同实验数据加工的实验晶圆是否通过缺陷检测，若是，则将通过缺陷检测的实验晶圆所对应的实验数据作为有效实验数据，并将有效实验数据划分为训练集和测试集，其中划分方式可以是按预设比例进行划分；若否，则将没有通过缺陷检测的实验晶圆所对应的实验数据作为无效有效数据。本实施例通过对实验数据进行缺陷检测，能够提高后续根据实验数据建立和优化模型的可靠性和准确性，提高模型的精度。
S2.基于有效实验数据，采用深度学习算法构建光刻胶减量模型。
具体的，对于步骤S2，基于步骤S1获取的有效实验数据，采用预设的深度学习算法构建光刻胶减量模型，其中，预设的深度学习算法包括但不限于反向传播算法、卷积神经网络和循环神经网络等。
可选地，在一些实施例中，步骤S2具体可以包括：
基于有效实验数据中的训练集，采用深度学习算法构建光刻胶减量模型。
具体的，当有效实验数据划分为训练集和测试集时，基于有效数据中的训练集，采用预设的深度学习算法构建对应的光刻胶减量算法。
S3.基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果。
具体的，对于步骤S3，基于光刻胶减量模型进行光刻胶的减量预测，得到对应的测量结果，例如输入旋涂工艺参数至光刻胶减量模型，从而输出得到对应的光刻胶减量预测结果。
可选地，在一些实施例中，在步骤S3之后，参数优化方法具体还可以包括：
将预测结果与有效实验数据中的测试集进行对比，生成对应的评价函数；
判断评价函数是否大于预设函数阈值；
若是，则判定预测结果为合格；
若否，则判定预测结果为不合格。
具体的，在得到光刻胶减量模型的预测结果之后，将预测结果与有效实验数据中的测试集进行对比，建立对应的评价函数，并判断本次预测结果与测试集之间的评价函数是否大于预设函数阈值，若是，则判定本次光刻胶减量模型的预测结果为合格，符合预设的要求，从而根据光刻胶减量模型进行下一步的操作；若否，则判定本次光刻胶减量模型的预测结果为不合格，不符合预设的要求，返回构建光刻胶减量模型步骤，重新根据有效实验数据，采用预设的深度学习算法构建光刻胶减量模型，直至光刻胶减量模型的预测结果为合格为止。
S4.当预测结果为合格时，对光刻胶减量模型进行反向训练。
具体的，对于步骤S4，当本次光刻胶减量模型的预测结果为合格时，对当前的光刻胶减量模型进行反向训练，得到光刻胶减量模型的反函数。对光刻胶减量模型进行反向训练的目的是推导出光刻胶减量模型的反函数，从而根据反函数优化光刻胶减量模型。
可选地，在一些实施例中，如图3所示，步骤S4中对光刻胶减量模型进行反向训练，具体可以包括：
S41.固定光刻胶减量模型的参数，确定光刻胶厚度曲线目标训练集；
S42.基于光刻胶厚度曲线目标训练集对光刻胶减量模型进行反向训练，拟合得到光刻胶减量模型对应的反函数；
S43.基于反函数对光刻胶减量模型进行优化。
具体的，对于光刻胶减量模型的反向训练，主要包括如下步骤：首先固定光刻胶减量模型的参数，包括但不限于厚度、转速和时间等参数，并确定光刻胶厚度曲线目标训练集，该训练集中固定参数为目标厚度，变量为各个厚度对应的不同转速和时间；基于光刻胶厚度曲线目标训练集对光刻胶减量模型进行反向训练，拟合得到光刻胶减量模型的反函数（例如厚度参数对应的反函数），最后基于反函数优化光刻胶减量模型。
S5.根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
具体的，对于步骤S5，将本次旋涂目标的光刻胶目标厚度输入至反向训练后的光刻胶减量模型，确定本次旋涂目标对应的旋涂工艺参数，如转速和时间。
可选地，在一些实施例中，步骤S5具体可以包括：
获取旋涂目标以及对应的目标厚度；
将目标厚度输入至反向训练后的光刻胶减量模型，得到旋涂目标对应的工艺参数。
具体的，首先获取本次的旋涂目标，以及旋涂目标对应的光刻胶目标厚度；然后将光刻胶目标厚度输入至经过反向训练后的光刻胶减量模型，输出得到本次旋涂目标对应的所需旋涂工艺最佳参数。
如图4所示，本实施例还提供了一种用于光刻胶的参数优化方法的实施方式，具体步骤如下：收集实验数据，设计实验，调整旋涂工艺参数，记录工艺参数特征并收集对应的厚度数据，厚度数据包括测量坐标和每个坐标对应的厚度；整理有效数据，将实验晶圆进行缺陷检测，判断是否符合生产工序要求，将通过缺陷检测的晶圆对应的实验数据代表有效数据，并将有效数据分为训练集和测试集；建立深度学习光刻胶模型，利用深度学习算法和训练集的数据，建立光刻胶减量模型；评价预测结果，将预测结果与测试集对比，建立评价函数，若满足评价函数阈值则进行下一步，不满足则返回模型建立步骤；确定光刻胶减量模型反函数，固定光刻胶减量模型（F）参数，确定光刻胶厚度曲线目标训练集，进行反向训练，拟合得到F反函数，基于反函数优化模型；任意给定目标（例如厚度曲线等），确定旋涂工艺最佳参数，将目标输入至光刻胶减量模型，输出得到实现该目标的最佳工艺参数。
综上所述，本实施例提供的用于光刻胶的参数优化方法，首先，采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；然后，基于有效实验数据，采用深度学习算法构建光刻胶减量模型；接着，基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果；当预测结果为合格时，对光刻胶减量模型进行反向训练；最后，根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。本申请的用于光刻胶的参数优化方案，采用深度学习算法根据实际旋涂工艺参数构建光刻胶减量模型，并对模型进行优化，准确地对光刻胶减量进行预测，得到光刻胶目标厚度对应的所需工艺参数，不仅降低工程师基于经验和主观意识带来的影响，有效预测光刻胶厚度曲线，为实际旋涂工艺调整提供参考，降低晶圆的制造成本，同时提高调整旋涂工艺参数环节的自由度，且适用于任意光刻胶和不同型号的涂胶显影机，有效提高光刻胶减量效率和适用性。
相应的，本申请还提供一种用于光刻胶的参数优化装置，请参阅图5，图5是本申请提供的用于光刻胶的参数优化装置的结构示意图，该用于光刻胶的参数优化装置包括数据采集模块100、模型构建模块200、模型测试模块300、模型训练模块400和参数输出模块500。
其中，数据采集模块100，用于采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据。
具体的，对于数据采集模块100，首先采集实验数据，该实验数据可以是从预先设计的实验中获取，并对采集到的实验数据进行缺陷检测，判断是否通过缺陷检测，将通过缺陷检测的实验数据作为有效实验数据，否则作为无效实验数据。
可选地，在一些实施例中，数据采集模块100具体还可以包括：
参数调整单元，用于设计多个实验，并调整多个实验对应的旋涂工艺参数；
数据获取单元，用于获取多个实验中不同旋涂工艺参数对应的厚度数据；
数据记录单元，用于记录旋涂工艺参数以及对应的厚度数据；
缺陷检测单元，用于根据实验数据对实验晶圆进行缺陷检测；
有效数据单元，用于将通过缺陷检测的实验晶圆对应的实验数据作为有效实验数据，并将有效实验数据划分为训练集和测试集。
模型构建模块200，用于基于有效实验数据，采用深度学习算法构建光刻胶减量模型。
具体的，对于模型构建模块200，基于获取的有效实验数据，采用预设的深度学习算法构建光刻胶减量模型，其中，预设的深度学习算法包括但不限于反向传播算法、卷积神经网络和循环神经网络等。
模型测试模块300，用于基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果。
具体的，对于模型测试模块300，基于光刻胶减量模型进行光刻胶的减量预测，得到对应的测量结果，例如输入旋涂工艺参数至光刻胶减量模型，从而输出得到对应的光刻胶减量预测结果。
可选地，在一些实施例中，参数优化装置具体还可以包括：
评价模块，用于将预测结果与有效实验数据中的测试集进行对比，生成对应的评价函数；判断评价函数是否大于预设函数阈值；若是，则判定预测结果为合格；若否，则判定预测结果为不合格。
模型训练模块400，用于当预测结果为合格时，对光刻胶减量模型进行反向训练。
具体的，对于模型训练模块400，当本次光刻胶减量模型的预测结果为合格时，对当前的光刻胶减量模型进行反向训练，得到光刻胶减量模型的反函数。对光刻胶减量模型进行反向训练的目的是推导出光刻胶减量模型的反函数，从而根据反函数优化光刻胶减量模型。
可选地，在一些实施例中，模型训练模块400具体可以包括：
训练数据单元，用于固定光刻胶减量模型的参数，确定光刻胶厚度曲线目标训练集；
反向训练单元，用于基于光刻胶厚度曲线目标训练集对光刻胶减量模型进行反向训练，拟合得到光刻胶减量模型对应的反函数；
模型优化单元，用于基于反函数对光刻胶减量模型进行优化。
参数输出模块500，用于根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
具体的，对于参数输出模块500，首先获取本次的旋涂目标，以及旋涂目标对应的光刻胶目标厚度；然后将光刻胶目标厚度输入至经过反向训练后的光刻胶减量模型，输出得到本次旋涂目标对应的所需旋涂工艺最佳参数。
综上所述，本申请实施例提供的用于光刻胶的参数优化装置，首先通过数据采集模块100采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；然后通过模型构建模块200基于有效实验数据，采用深度学习算法构建光刻胶减量模型；接着通过模型测试模块300基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果；再通过模型训练模块400在预测结果为合格后，对光刻胶减量模型进行反向训练；最后通过参数输出模块500根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。可见，本申请实施例的用于光刻胶的参数优化装置，采用深度学习算法根据实际旋涂工艺参数构建光刻胶减量模型，并对模型进行优化，准确地对光刻胶减量进行预测，得到光刻胶目标厚度对应的所需工艺参数，从而有效提高光刻胶减量效率和适用性，并降低晶圆的制造成本。
本申请实施例中还提供一种计算机设备，请参阅图6，图6是本申请实施例提供的计算机设备的第一种实施方式的结构示意图。该计算机设备包括存储器10和处理器20，该存储器10存储有计算机程序，该处理器20执行计算机程序时实现一种用于光刻胶的参数优化方法，包括：首先，采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；然后，基于有效实验数据，采用深度学习算法构建光刻胶减量模型；接着，基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果；当预测结果为合格时，对光刻胶减量模型进行反向训练；最后，根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器。请参阅图7，图7是本申请实施例提供的计算机设备的第二种实施方式的结构示意图。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存参数优化方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。
该计算机程序被处理器执行时以实现一种用于光刻胶的参数优化方法。该用于光刻胶的参数优化方法，包括：首先，采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；然后，基于有效实验数据，采用深度学习算法构建光刻胶减量模型；接着，基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果；当预测结果为合格时，对光刻胶减量模型进行反向训练；最后，根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种用于光刻胶的参数优化方法，包括步骤：首先，采集实验数据，并对实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；然后，基于有效实验数据，采用深度学习算法构建光刻胶减量模型；接着，基于光刻胶减量模型进行预测，得到光刻胶减量模型的预测结果；当预测结果为合格时，对光刻胶减量模型进行反向训练；最后，根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
上述执行的用于光刻胶的参数优化方法，本申请实施例中，采用深度学习算法根据实际旋涂工艺参数构建光刻胶减量模型，并对模型进行优化，准确地对光刻胶减量进行预测，得到光刻胶目标厚度对应的所需工艺参数，从而有效提高光刻胶减量效率和适用性，并降低晶圆的制造成本。
可以理解，上述场景仅是作为示例，并不构成对于本申请实施例提供的技术方案的应用场景的限定，本申请的技术方案还可应用于其他场景。例如，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例设备中的单元可以根据实际需要进行合并、划分和删减。
在本申请中，对于相同或相似的术语概念、技术方案和/或应用场景描述，一般只在第一次出现时进行详细描述，后面再重复出现时，为了简洁，一般未再重复阐述，在理解本申请技术方案等内容时，对于在后未详细描述的相同或相似的术语概念、技术方案和/或应用场景描述等，可以参考其之前的相关详细描述。
在本申请中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本申请技术方案的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本申请每个实施例的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络，或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线）或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，（例如，软盘、存储盘、磁带）、光介质（例如，DVD），或者半导体介质（例如固态存储盘Solid State Disk (SSD)）等。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种用于光刻胶的参数优化方法，其特征在于，包括如下步骤：
采集实验数据，并对所述实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；其中，所述实验数据包括多个实验的旋涂工艺参数以及其对应的厚度数据；
基于所述有效实验数据，采用深度学习算法构建光刻胶减量模型；
基于所述光刻胶减量模型进行预测，得到所述光刻胶减量模型的预测结果，所述预测结果为光刻胶减量预测结果；
当所述预测结果为合格时，对所述光刻胶减量模型进行反向训练，包括：固定所述光刻胶减量模型的参数，确定光刻胶厚度曲线目标训练集；基于所述光刻胶厚度曲线目标训练集对所述光刻胶减量模型进行反向训练，拟合得到所述光刻胶减量模型对应的反函数；基于所述反函数对所述光刻胶减量模型进行优化；
根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
2.根据权利要求1所述的用于光刻胶的参数优化方法，其特征在于，所述采集实验数据，包括：
设计多个实验，并调整多个实验对应的旋涂工艺参数；
获取多个实验中不同旋涂工艺参数对应的厚度数据；
记录所述旋涂工艺参数以及对应的厚度数据。
3.根据权利要求1所述的用于光刻胶的参数优化方法，其特征在于，所述对所述实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据，包括：
根据所述实验数据对实验晶圆进行缺陷检测；
将通过所述缺陷检测的实验晶圆对应的实验数据作为有效实验数据，并将所述有效实验数据划分为训练集和测试集。
4.根据权利要求3所述的用于光刻胶的参数优化方法，其特征在于，所述基于所述有效实验数据，采用深度学习算法构建光刻胶减量模型，包括：
基于所述有效实验数据中的训练集，采用深度学习算法构建光刻胶减量模型。
5.根据权利要求3所述的用于光刻胶的参数优化方法，其特征在于，在所述得到所述光刻胶减量模型的预测结果之后，所述方法还包括：
将所述预测结果与所述有效实验数据中的测试集进行对比，生成对应的评价函数；
判断所述评价函数是否大于预设函数阈值；
若是，则判定所述预测结果为合格；
若否，则判定所述预测结果为不合格。
6.根据权利要求1所述的用于光刻胶的参数优化方法，其特征在于，所述根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数，包括：
获取旋涂目标以及对应的目标厚度；
将所述目标厚度输入至反向训练后的光刻胶减量模型，得到所述旋涂目标对应的工艺参数。
7.一种用于光刻胶的参数优化装置，其特征在于，包括：
数据采集模块，用于采集实验数据，并对所述实验数据进行缺陷检测，获取通过缺陷检测的有效实验数据；其中，所述实验数据包括多个实验的旋涂工艺参数以及其对应的厚度数据；
模型构建模块，用于基于所述有效实验数据，采用深度学习算法构建光刻胶减量模型；
模型测试模块，用于基于所述光刻胶减量模型进行预测，得到所述光刻胶减量模型的预测结果，所述预测结果为光刻胶减量预测结果；
模型训练模块，用于当所述预测结果为合格时，对所述光刻胶减量模型进行反向训练，包括：固定所述光刻胶减量模型的参数，确定光刻胶厚度曲线目标训练集；基于所述光刻胶厚度曲线目标训练集对所述光刻胶减量模型进行反向训练，拟合得到所述光刻胶减量模型对应的反函数；基于所述反函数对所述光刻胶减量模型进行优化；
参数输出模块，用于根据反向训练后的光刻胶减量模型，确定旋涂目标对应的工艺参数。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的用于光刻胶的参数优化方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的用于光刻胶的参数优化方法的步骤。
CN202211471556.XA 2022-11-23 2022-11-23 一种用于光刻胶的参数优化方法、装置、设备及存储介质 Active CN115587545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211471556.XA CN115587545B (zh) 2022-11-23 2022-11-23 一种用于光刻胶的参数优化方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211471556.XA CN115587545B (zh) 2022-11-23 2022-11-23 一种用于光刻胶的参数优化方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115587545A CN115587545A (zh) 2023-01-10
CN115587545B true CN115587545B (zh) 2023-04-07

Family

ID=84783023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211471556.XA Active CN115587545B (zh) 2022-11-23 2022-11-23 一种用于光刻胶的参数优化方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115587545B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118732409A (zh) * 2023-03-28 2024-10-01 腾讯科技（深圳）有限公司 用于生成光刻胶图案的光刻胶模型的确定方法和装置
CN116306452B (zh) * 2023-05-17 2023-08-08 华芯程(杭州)科技有限公司 一种光刻胶参数获取方法及装置、电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110554580A (zh) * 2019-09-27 2019-12-10 中国科学院上海光学精密机械研究所 光刻机多参数联合优化方法
CN110955147A (zh) * 2019-12-16 2020-04-03 泉州华中科技大学智能制造研究院 一种施胶工艺参数优化方法
CN112427266A (zh) * 2020-11-19 2021-03-02 中国科学院沈阳自动化研究所 超高粘度胶液高精度智能涂胶方法与装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7052921B1 (en) * 2004-09-03 2006-05-30 Advanced Micro Devices, Inc. System and method using in situ scatterometry to detect photoresist pattern integrity during the photolithography process
US7454739B2 (en) * 2006-05-31 2008-11-18 Synopsys, Inc. Method and apparatus for determining an accurate photolithography process model
CN104698761B (zh) * 2013-12-05 2017-06-13 中芯国际集成电路制造(上海)有限公司 基于面积的opc模型校准方法
CN104900510B (zh) * 2015-06-29 2018-01-26 上海华力微电子有限公司 刻蚀映射关系模型和控制浅槽隔离刻蚀关键尺寸的方法
US10698320B2 (en) * 2016-12-14 2020-06-30 Taiwan Semiconductor Manufacturing Co., Ltd. Method for optimized wafer process simulation
CN109491216B (zh) * 2018-12-20 2020-11-27 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
CN111443569B (zh) * 2020-05-18 2023-11-17 中国科学院微电子研究所 一种修正模型的建立方法及装置、掩模优化方法及装置
CN114997092A (zh) * 2022-06-16 2022-09-02 南京邮电大学 基于机器学习和模型的半导体器件电学特性仿真方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110554580A (zh) * 2019-09-27 2019-12-10 中国科学院上海光学精密机械研究所 光刻机多参数联合优化方法
CN110955147A (zh) * 2019-12-16 2020-04-03 泉州华中科技大学智能制造研究院 一种施胶工艺参数优化方法
CN112427266A (zh) * 2020-11-19 2021-03-02 中国科学院沈阳自动化研究所 超高粘度胶液高精度智能涂胶方法与装置

Also Published As

Publication number Publication date
CN115587545A (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
CN115587545B (zh) 一种用于光刻胶的参数优化方法、装置、设备及存储介质
CN109784391B (zh) 基于多模型的样本标注方法及装置
CN110046706B (zh) 模型生成方法、装置及服务器
CN110956255B (zh) 难样本挖掘方法、装置、电子设备及计算机可读存储介质
CN111079780B (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN111353601B (zh) 用于预测模型结构的延时的方法和装置
CN112183627B (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN111292377A (zh) 目标检测方法、装置、计算机设备和存储介质
CN113377484A (zh) 弹窗处理方法及装置
CN114091281A (zh) 产品寿命预测方法、装置、电子设备及存储介质
CN115905450A (zh) 一种基于无人机监控的水质异常溯源方法及系统
CN117693754A (zh) 训练用于图像修复的经掩模的自动编码器
CN113822411A (zh) 学习方法和信息处理设备
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN110177006B (zh) 基于接口预测模型的节点测试方法及装置
US11187992B2 (en) Predictive modeling of metrology in semiconductor processes
JP6701467B2 (ja) 学習装置および学習方法
KR102561799B1 (ko) 디바이스에서 딥러닝 모델의 레이턴시를 예측하는 방법 및 시스템
CN112905469B (zh) 用于检测小程序能力特征的方法和装置
CN111814813A (zh) 神经网络训练和图像分类方法与装置
CN111582456B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN115567371A (zh) 一种异常检测方法、装置、设备及可读存储介质
CN110097183B (zh) 信息处理方法以及信息处理系统
CN113469204A (zh) 数据处理方法、装置、设备和计算机存储介质
KR102121274B1 (ko) 강인(Robust) 필터, 비지도 군집(Unsupervised clustering)에 기반한 해석적 가중치 최소자승 위치 추정 방법

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 510700 No. 28, Fenghuang fifth road, Huangpu District, Guangzhou, Guangdong

Patentee after: Yuexin Semiconductor Technology Co.,Ltd.

Patentee after: Guangdong Dawan District integrated circuit and System Application Research Institute

Address before: 510700 No. 28, Fenghuang fifth road, Huangpu District, Guangzhou, Guangdong

Patentee before: Guangzhou Yuexin Semiconductor Technology Co.,Ltd.

Patentee before: Guangdong Dawan District integrated circuit and System Application Research Institute