CN115863204A - 晶片加工用在线厚度监视和测量方法及系统 - Google Patents
晶片加工用在线厚度监视和测量方法及系统 Download PDFInfo
- Publication number
- CN115863204A CN115863204A CN202310165942.4A CN202310165942A CN115863204A CN 115863204 A CN115863204 A CN 115863204A CN 202310165942 A CN202310165942 A CN 202310165942A CN 115863204 A CN115863204 A CN 115863204A
- Authority
- CN
- China
- Prior art keywords
- wafer
- matrix
- feature
- feature matrix
- spatial
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 116
- 238000012545 processing Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 311
- 238000013527 convolutional neural network Methods 0.000 claims description 69
- 230000007246 mechanism Effects 0.000 claims description 60
- 230000004913 activation Effects 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 230000003042 antagnostic effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 235000012431 wafers Nutrition 0.000 description 346
- 230000006870 function Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种晶片加工用在线厚度监视和测量方法及系统，其获取待监测晶圆的截面图像和参考晶圆的截面图像；采用基于深度学习的人工智能技术，以待测晶片的厚度特征与参考晶片的厚度特征在高维特征空间中的特征分布差异作为待监测数据和参考数据之间的差异，并基于差异表达来确定待监测晶圆的厚度尺寸。这样，可以提高待监测晶圆的厚度的检测数据的精确度，进而提高LED的性能。
Description
技术领域
本申请涉及智能化制造技术领域，且更为具体地，涉及一种晶片加工用在线厚度监视和测量方法及系统。
背景技术
晶片是LED最主要的原物料之一，是LED的发光部件，LED最核心的部分，晶片的好坏将直接决定LED的性能。
在LED封装时，晶片来料呈整齐排列在晶片膜上。晶片在加工过程中需要对晶片的厚度进行监视测量，而晶片大多数厚度较薄，在检测时难以将其厚度呈倍数放大，导致检测时不易观测其数据，检测数据精确度较低。
因此，期待一种优化的晶片加工用在线厚度监视和测量方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种晶片加工用在线厚度监视和测量方法及系统，其获取待监测晶圆的截面图像和参考晶圆的截面图像；采用基于深度学习的人工智能技术，以待测晶片的厚度特征与参考晶片的厚度特征在高维特征空间中的特征分布差异作为待监测数据和参考数据之间的差异，并基于差异表达来确定待监测晶圆的厚度尺寸。这样，可以提高待监测晶圆的厚度的检测数据的精确度，进而提高LED的性能。
根据本申请的一个方面，提供了一种晶片加工用在线厚度监视和测量方法，其包括以下步骤：
S110：获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度；
S120：将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像；
S130：将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；
S140：将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵；
S150：计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵；
S160：将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
在上述晶片加工用在线厚度监视和测量方法中，所述对抗生成网络包括鉴别器和生成器。
在上述晶片加工用在线厚度监视和测量方法中，所述将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及，计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述晶圆监测特征矩阵。
在上述晶片加工用在线厚度监视和测量方法中，所述将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第二卷积特征图；对所述第二卷积特征图进行池化处理以生成第二池化特征图；对所述第二池化特征图进行非线性激活以生成第二激活特征图；计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及，计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述晶圆参考特征矩阵。
在上述晶片加工用在线厚度监视和测量方法中，所述计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵，包括：以如下公式对所述晶圆监测特征矩阵和所述晶圆参考特征矩阵进行域自适应类图拓扑差分以得到所述解码特征矩阵；其中，所述公式为：
其中，
表示所述晶圆监测特征矩阵，/>
表示所述晶圆监测特征矩阵的特征分布中各个位置的特征值，/>
表示所述晶圆参考特征矩阵，/>
表示所述晶圆参考特征矩阵的特征分布中各个位置的特征值，/>
表示所述解码特征矩阵，/>
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在上述晶片加工用在线厚度监视和测量方法中，所述将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸，包括：使用所述解码器以如下公式对所述解码特征矩阵进行解码回归以得到所述解码值；其中，所述公式为：
，/>
表示所述解码特征矩阵，/>
表示解码值，/>
表示权重矩阵，/>
表示偏置向量，/>
表示矩阵乘。
根据本申请的另一个方面，提供了一种晶片加工用在线厚度监视和测量系统，其包括：
图像获取模块，用于获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度；
畸变矫正模块，用于将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像；
晶圆监测特征提取模块，用于将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；
晶圆参考特征提取模块，用于将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵；
差分计算模块，用于计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵；以及
解码模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
在上述晶片加工用在线厚度监视和测量系统中，所述对抗生成网络包括鉴别器和生成器。
在上述晶片加工用在线厚度监视和测量系统中，所述晶圆监测特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及，计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述晶圆监测特征矩阵。
在上述晶片加工用在线厚度监视和测量系统中，所述晶圆参考特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第二卷积特征图；对所述第二卷积特征图进行池化处理以生成第二池化特征图；对所述第二池化特征图进行非线性激活以生成第二激活特征图；计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及，计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述晶圆参考特征矩阵。
与现有技术相比，本申请提供的晶片加工用在线厚度监视和测量方法及系统，其获取待监测晶圆的截面图像和参考晶圆的截面图像；采用基于深度学习的人工智能技术，以待测晶片的厚度特征与参考晶片的厚度特征在高维特征空间中的特征分布差异作为待监测数据和参考数据之间的差异，并基于差异表达来确定待监测晶圆的厚度尺寸。这样，可以提高待监测晶圆的厚度的检测数据的精确度，进而提高LED的性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的晶片加工用在线厚度监视和测量方法的场景示意图。
图2为根据本申请的晶片加工用在线厚度监视和测量方法的流程图。
图3为根据本申请实施例的晶片加工用在线厚度监视和测量方法的架构示意图。
图4为根据本申请实施例的晶片加工用在线厚度监视和测量系统的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，晶片在加工过程中需要对晶片的厚度进行监视测量，而晶片大多数厚度较薄，在检测时难以将其厚度呈倍数放大，导致检测时不易观测其数据，检测数据精确度较低。因此，期待一种优化的晶片加工用在线厚度监视和测量方案。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展，尤其是计算机视觉的发展为晶片加工用在线厚度监视和测量提供了新的解决思路和方案。
具体地，在本申请的技术方案中，当晶片的厚度发生改变时，其截面图像会发生细微的变化，这虽然难以通过肉眼来进行精准量化评估，但近年来，基于深度神经网络的计算机视觉为此提供了技术支持。
相应地，首先获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度。考虑到在通过摄像头采集所述待监测晶圆的截面图像时，因摄像头自身的成像性能会导致在采集所述待监测晶圆的截面图像时存在图像畸变等问题，这会影响到所述待监测晶圆的厚度图像表达。针对此技术问题，在本申请的技术方案中，首先将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像。
本领域普通技术人员应知晓，所述对抗生成网络包括鉴别器和生成器，所述生成器用于生成校正后图像，而所述鉴别器用于度量校正后图像与真实图像之间的鉴别器损失函数值，并通过梯度下降的反向传播来更新所述生成器的参数，以使得训练完成的所述对抗生成网络的生成器所生成的校正后图像能够逼近真实图像。
在得到所述校正后待监测晶圆的截面图像后，将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵。也就是，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述校正后待监测晶圆的截面图像的高维局部隐含特征。应可以理解，在表达所述晶片的厚度尺寸特征方面，所述校正后待监测晶圆的截面图像的不同空间位置的像素点对于特征表达的贡献度不同，因此，在所述卷积神经网络模型的网络结构的基础上，将空间注意力机制集成于所述卷积神经网络模型，以使得所述卷积神经网络模型在进行特征提取器过程中，为不同空间位置的特征值赋予不同权重值以使得所述晶圆监测特征矩阵具有相对更佳的空间可鉴别性。同样地，以所述使用空间注意力机制的卷积神经网络模型作为特征提取器对所述参考晶圆的截面图像进行处理以得到晶圆参考特征矩阵。
在得到所述晶圆监测特征矩阵和所述晶圆参考特征矩阵后，计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵。所述解码特征矩阵用于表示待测晶片的厚度特征与参考晶片的厚度特征在高维特征空间中的特征分布差异。应可以理解，在得到所述解码特征矩阵后，可将所述解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
特别地，在本申请的技术方案中，所述晶圆监测特征矩阵从所述校正后待监测晶圆的截面图像得到，且所述晶圆参考特征矩阵从所述参考晶圆的截面图像得到，因所述校正后待监测晶圆的截面图像是通过所述基于对抗生成网络的畸变矫正器生成，因此，本质上所述校正后待监测晶圆的截面图像和所述参考晶圆的截面图像存在域深度差异。在经过所述空间注意力机制的卷积神经网络模型处理后，所述晶圆监测特征矩阵和所述晶圆参考特征矩阵虽然能够表达晶片的厚度尺寸特征，但两者在特征表达方面的深度差异依旧未能够得到消除，也就是说，所述晶圆监测特征矩阵和所述晶圆参考特征矩阵的特征分布中中同类别的特征集合存在语义错配。这样，在通过计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的按位置差分以得到解码特征矩阵的过程中，所述解码特征矩阵的特征表达的语义精准度存在深度偏移会影响到所述解码特征矩阵通过解码器进行解码回归的精准度。
因此，在本申请的技术方案中，以如下公式对所述晶圆监测特征矩阵和所述晶圆参考特征矩阵进行域自适应类图拓扑差分以得到所述解码特征矩阵；
以所述晶圆监测特征矩阵和所述晶圆参考特征矩阵的特征分布中各个位置的特征值为节点且以特征分布间相应位置之间的空间距离的信息化解释作为边，来沿着特征分布的预定方向实现不同特征域图之间的信息鲁棒性交互和传播，以使得融合得到的解码特征矩阵不仅具有像素级别的特征稀疏性和非网络属性，同时还具有相对较优的特征稠密性，以此最大化将所述晶圆监测特征矩阵和所述晶圆参考特征矩阵中同类目标分布进行对齐和聚合，以提高所述解码特征矩阵的特征表达的确定性和精准度。
基于此，本申请提供了一种晶片加工用在线厚度监视和测量方法，其包括：获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度；将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像；将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵；计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵；以及，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
图1为根据本申请实施例的晶片加工用在线厚度监视和测量方法的场景示意图。如图1所示，在该应用场景中，首先，获取待监测晶圆的截面图像（例如，如图1中所示意的C1）和参考晶圆的截面图像（例如，如图1中所示意的C2），其中，所述参考晶圆具有已知厚度。然后，将获取的待监测晶圆的截面图像和参考晶圆的截面图像输入至部署有晶片加工用在线厚度监视和测量算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于晶片加工用在线厚度监视和测量算法对所述待监测晶圆的截面图像和所述参考晶圆的截面图像进行处理，以生成用于表示待监测晶圆的厚度尺寸的解码值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的晶片加工用在线厚度监视和测量方法的流程图。如图2所示，根据本申请实施例的晶片加工用在线厚度监视和测量方法，包括步骤：S110，获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度；S120，将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像；S130，将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；S140，将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵；S150，计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵；以及，S160，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
图3为根据本申请实施例的晶片加工用在线厚度监视和测量方法的架构示意图。如图3所示，在该网络架构中，首先，获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度；然后，将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像；接着，将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；然后，将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵；接着，计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵；以及，最后，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
具体地，在步骤S110中，获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度。如前所述，晶片在加工过程中需要对晶片的厚度进行监视测量，而晶片大多数厚度较薄，在检测时难以将其厚度呈倍数放大，导致检测时不易观测其数据，检测数据精确度较低。因此，期待一种优化的晶片加工用在线厚度监视和测量方案。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展，尤其是计算机视觉的发展为晶片加工用在线厚度监视和测量提供了新的解决思路和方案。
具体地，在本申请的技术方案中，当晶片的厚度发生改变时，其截面图像会发生细微的变化，这虽然难以通过肉眼来进行精准量化评估，但近年来，基于深度神经网络的计算机视觉为此提供了技术支持。
相应地，首先获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度。
具体地，在步骤S120中，将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像。考虑到在通过摄像头采集所述待监测晶圆的截面图像时，因摄像头自身的成像性能会导致在采集所述待监测晶圆的截面图像时存在图像畸变等问题，这会影响到所述待监测晶圆的厚度图像表达。针对此技术问题，在本申请的技术方案中，首先将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像。
在本申请一具体示例中，所述对抗生成网络包括鉴别器和生成器。本领域普通技术人员应知晓，所述对抗生成网络包括鉴别器和生成器，所述生成器用于生成校正后图像，而所述鉴别器用于度量校正后图像与真实图像之间的鉴别器损失函数值，并通过梯度下降的反向传播来更新所述生成器的参数，以使得训练完成的所述对抗生成网络的生成器所生成的校正后图像能够逼近真实图像。
具体地，在步骤S130和步骤S140中，将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；以及，将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵。在得到所述校正后待监测晶圆的截面图像后，将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵。
也就是，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述校正后待监测晶圆的截面图像的高维局部隐含特征。应可以理解，在表达所述晶片的厚度尺寸特征方面，所述校正后待监测晶圆的截面图像的不同空间位置的像素点对于特征表达的贡献度不同，因此，在所述卷积神经网络模型的网络结构的基础上，将空间注意力机制集成于所述卷积神经网络模型，以使得所述卷积神经网络模型在进行特征提取器过程中，为不同空间位置的特征值赋予不同权重值以使得所述晶圆监测特征矩阵具有相对更佳的空间可鉴别性。
进一步地，在本申请实施例中，所述将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及，计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述晶圆监测特征矩阵。
同样地，以所述使用空间注意力机制的卷积神经网络模型作为特征提取器对所述参考晶圆的截面图像进行处理以得到晶圆参考特征矩阵。
更进一步地，在本申请实施例中，所述将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第二卷积特征图；对所述第二卷积特征图进行池化处理以生成第二池化特征图；对所述第二池化特征图进行非线性激活以生成第二激活特征图；计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及，计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述晶圆参考特征矩阵。
具体地，在步骤S150中，计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵。在得到所述晶圆监测特征矩阵和所述晶圆参考特征矩阵后，计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵。
特别地，在本申请的技术方案中，所述晶圆监测特征矩阵从所述校正后待监测晶圆的截面图像得到，且所述晶圆参考特征矩阵从所述参考晶圆的截面图像得到，因所述校正后待监测晶圆的截面图像是通过所述基于对抗生成网络的畸变矫正器生成，因此，本质上所述校正后待监测晶圆的截面图像和所述参考晶圆的截面图像存在域深度差异。在经过所述空间注意力机制的卷积神经网络模型处理后，所述晶圆监测特征矩阵和所述晶圆参考特征矩阵虽然能够表达晶片的厚度尺寸特征，但两者在特征表达方面的深度差异依旧未能够得到消除，也就是说，所述晶圆监测特征矩阵和所述晶圆参考特征矩阵的特征分布中中同类别的特征集合存在语义错配。这样，在通过计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的按位置差分以得到解码特征矩阵的过程中，所述解码特征矩阵的特征表达的语义精准度存在深度偏移会影响到所述解码特征矩阵通过解码器进行解码回归的精准度。
因此，在本申请的技术方案中，以如下公式对所述晶圆监测特征矩阵和所述晶圆参考特征矩阵进行域自适应类图拓扑差分以得到所述解码特征矩阵。其中，所述计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵，包括：以如下公式对所述晶圆监测特征矩阵和所述晶圆参考特征矩阵进行域自适应类图拓扑差分以得到所述解码特征矩阵；其中，所述公式为：
其中，
表示所述晶圆监测特征矩阵，/>
表示所述晶圆监测特征矩阵的特征分布中各个位置的特征值，/>
表示所述晶圆参考特征矩阵，/>
表示所述晶圆参考特征矩阵的特征分布中各个位置的特征值，/>
表示所述解码特征矩阵，/>
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。/>
以所述晶圆监测特征矩阵和所述晶圆参考特征矩阵的特征分布中各个位置的特征值为节点且以特征分布间相应位置之间的空间距离的信息化解释作为边，来沿着特征分布的预定方向实现不同特征域图之间的信息鲁棒性交互和传播，以使得融合得到的解码特征矩阵不仅具有像素级别的特征稀疏性和非网络属性，同时还具有相对较优的特征稠密性，以此最大化将所述晶圆监测特征矩阵和所述晶圆参考特征矩阵中同类目标分布进行对齐和聚合，以提高所述解码特征矩阵的特征表达的确定性和精准度。
具体地，在步骤S160中，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。所述解码特征矩阵用于表示待测晶片的厚度特征与参考晶片的厚度特征在高维特征空间中的特征分布差异。应可以理解，在得到所述解码特征矩阵后，可将所述解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
在本申请实施例中，所述将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸，包括：使用所述解码器以如下公式对所述解码特征矩阵进行解码回归以得到所述解码值；
其中，所述公式为：
，/>
表示所述解码特征矩阵，/>
表示解码值，/>
表示权重矩阵，/>
表示偏置向量，/>
表示矩阵乘。
综上，基于本申请实施例的晶片加工用在线厚度监视和测量方法，其获取待监测晶圆的截面图像和参考晶圆的截面图像；采用基于深度学习的人工智能技术，以待测晶片的厚度特征与参考晶片的厚度特征在高维特征空间中的特征分布差异作为待监测数据和参考数据之间的差异，并基于差异表达来确定待监测晶圆的厚度尺寸。这样，可以提高待监测晶圆的厚度的检测数据的精确度，进而提高LED的性能。
示例性系统
图4为根据本申请实施例的晶片加工用在线厚度监视和测量系统的框图。如图4所示，根据本申请实施例的晶片加工用在线厚度监视和测量系统100，包括：图像获取模块110，用于获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度；畸变矫正模块120，用于将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像；晶圆监测特征提取模块130，用于将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；晶圆参考特征提取模块140，用于将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵；差分计算模块150，用于计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵；以及，解码模块160，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
在一个示例中，在上述晶片加工用在线厚度监视和测量系统100中，所述对抗生成网络包括鉴别器和生成器。
在本申请的技术方案中，当晶片的厚度发生改变时，其截面图像会发生细微的变化，这虽然难以通过肉眼来进行精准量化评估，但近年来，基于深度神经网络的计算机视觉为此提供了技术支持。
相应地，首先获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度。考虑到在通过摄像头采集所述待监测晶圆的截面图像时，因摄像头自身的成像性能会导致在采集所述待监测晶圆的截面图像时存在图像畸变等问题，这会影响到所述待监测晶圆的厚度图像表达。针对此技术问题，在本申请的技术方案中，首先将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像。
本领域普通技术人员应知晓，所述对抗生成网络包括鉴别器和生成器，所述生成器用于生成校正后图像，而所述鉴别器用于度量校正后图像与真实图像之间的鉴别器损失函数值，并通过梯度下降的反向传播来更新所述生成器的参数，以使得训练完成的所述对抗生成网络的生成器所生成的校正后图像能够逼近真实图像。
在一个示例中，在上述晶片加工用在线厚度监视和测量系统100中，所述晶圆监测特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及，计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述晶圆监测特征矩阵。
在一个示例中，在上述晶片加工用在线厚度监视和测量系统100中，所述晶圆参考特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第二卷积特征图；对所述第二卷积特征图进行池化处理以生成第二池化特征图；对所述第二池化特征图进行非线性激活以生成第二激活特征图；计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及，计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述晶圆参考特征矩阵。
在得到所述校正后待监测晶圆的截面图像后，将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵。也就是，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述校正后待监测晶圆的截面图像的高维局部隐含特征。应可以理解，在表达所述晶片的厚度尺寸特征方面，所述校正后待监测晶圆的截面图像的不同空间位置的像素点对于特征表达的贡献度不同，因此，在所述卷积神经网络模型的网络结构的基础上，将空间注意力机制集成于所述卷积神经网络模型，以使得所述卷积神经网络模型在进行特征提取器过程中，为不同空间位置的特征值赋予不同权重值以使得所述晶圆监测特征矩阵具有相对更佳的空间可鉴别性。同样地，以所述使用空间注意力机制的卷积神经网络模型作为特征提取器对所述参考晶圆的截面图像进行处理以得到晶圆参考特征矩阵。
特别地，在本申请的技术方案中，所述晶圆监测特征矩阵从所述校正后待监测晶圆的截面图像得到，且所述晶圆参考特征矩阵从所述参考晶圆的截面图像得到，因所述校正后待监测晶圆的截面图像是通过所述基于对抗生成网络的畸变矫正器生成，因此，本质上所述校正后待监测晶圆的截面图像和所述参考晶圆的截面图像存在域深度差异。在经过所述空间注意力机制的卷积神经网络模型处理后，所述晶圆监测特征矩阵和所述晶圆参考特征矩阵虽然能够表达晶片的厚度尺寸特征，但两者在特征表达方面的深度差异依旧未能够得到消除，也就是说，所述晶圆监测特征矩阵和所述晶圆参考特征矩阵的特征分布中中同类别的特征集合存在语义错配。这样，在通过计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的按位置差分以得到解码特征矩阵的过程中，所述解码特征矩阵的特征表达的语义精准度存在深度偏移会影响到所述解码特征矩阵通过解码器进行解码回归的精准度。
在一个示例中，在上述晶片加工用在线厚度监视和测量系统100中，所述差分计算模块，进一步用于：以如下公式对所述晶圆监测特征矩阵和所述晶圆参考特征矩阵进行域自适应类图拓扑差分以得到所述解码特征矩阵；其中，所述公式为：
其中，
表示所述晶圆监测特征矩阵，/>
表示所述晶圆监测特征矩阵的特征分布中各个位置的特征值，/>
表示所述晶圆参考特征矩阵，/>
表示所述晶圆参考特征矩阵的特征分布中各个位置的特征值，/>
表示所述解码特征矩阵，/>
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
以所述晶圆监测特征矩阵和所述晶圆参考特征矩阵的特征分布中各个位置的特征值为节点且以特征分布间相应位置之间的空间距离的信息化解释作为边，来沿着特征分布的预定方向实现不同特征域图之间的信息鲁棒性交互和传播，以使得融合得到的解码特征矩阵不仅具有像素级别的特征稀疏性和非网络属性，同时还具有相对较优的特征稠密性，以此最大化将所述晶圆监测特征矩阵和所述晶圆参考特征矩阵中同类目标分布进行对齐和聚合，以提高所述解码特征矩阵的特征表达的确定性和精准度。
在一个示例中，在上述晶片加工用在线厚度监视和测量系统100中，所述解码模块，进一步用于：使用所述解码器以如下公式对所述解码特征矩阵进行解码回归以得到所述解码值；其中，所述公式为：
，/>
表示所述解码特征矩阵，/>
表示解码值，/>
表示权重矩阵，/>
表示偏置向量，/>
表示矩阵乘。
所述解码特征矩阵用于表示待测晶片的厚度特征与参考晶片的厚度特征在高维特征空间中的特征分布差异。应可以理解，在得到所述解码特征矩阵后，可将所述解码特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
这里，本领域技术人员可以理解，上述晶片加工用在线厚度监视和测量系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的晶片加工用在线厚度监视和测量方法的描述中得到了详细介绍，并因此，将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种晶片加工用在线厚度监视和测量方法，其特征在于，包括以下步骤：
S110：获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度；
S120：将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像；
S130：将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；
S140：将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵；
S150：计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵；
S160：将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
2.根据权利要求1所述的晶片加工用在线厚度监视和测量方法，其特征在于，所述对抗生成网络包括鉴别器和生成器。
3.根据权利要求2所述的晶片加工用在线厚度监视和测量方法，其特征在于，所述将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成第一卷积特征图；
对所述第一卷积特征图进行池化处理以生成第一池化特征图；
对所述第一池化特征图进行非线性激活以生成第一激活特征图；
计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；
计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及
计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；
其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述晶圆监测特征矩阵。
4.根据权利要求3所述的晶片加工用在线厚度监视和测量方法，其特征在于，所述将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成第二卷积特征图；
对所述第二卷积特征图进行池化处理以生成第二池化特征图；
对所述第二池化特征图进行非线性激活以生成第二激活特征图；
计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；
计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及
计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；
其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述晶圆参考特征矩阵。
5.根据权利要求4所述的晶片加工用在线厚度监视和测量方法，其特征在于，所述计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵，包括：以如下公式对所述晶圆监测特征矩阵和所述晶圆参考特征矩阵进行域自适应类图拓扑差分以得到所述解码特征矩阵；
其中，所述公式为：
其中，
表示所述晶圆监测特征矩阵，/>
表示所述晶圆监测特征矩阵的特征分布中各个位置的特征值，/>
表示所述晶圆参考特征矩阵，/>
表示所述晶圆参考特征矩阵的特征分布中各个位置的特征值，/>
表示所述解码特征矩阵，/>
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
6.根据权利要求5所述的晶片加工用在线厚度监视和测量方法，其特征在于，所述将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸，包括：使用所述解码器以如下公式对所述解码特征矩阵进行解码回归以得到所述解码值；
其中，所述公式为：
，/>
表示所述解码特征矩阵，/>
表示解码值，/>
表示权重矩阵，/>
表示偏置向量，/>
表示矩阵乘。
7.一种晶片加工用在线厚度监视和测量系统，其特征在于，包括：
图像获取模块，用于获取待监测晶圆的截面图像和参考晶圆的截面图像，其中，所述参考晶圆具有已知厚度；
畸变矫正模块，用于将所述待监测晶圆的截面图像通过基于对抗生成网络的畸变矫正器以得到校正后待监测晶圆的截面图像；
晶圆监测特征提取模块，用于将所述校正后待监测晶圆的截面图像通过使用空间注意力机制的卷积神经网络模型以得到晶圆监测特征矩阵；
晶圆参考特征提取模块，用于将所述参考晶圆的截面图像通过所述使用空间注意力机制的卷积神经网络模型以得到晶圆参考特征矩阵；
差分计算模块，用于计算所述晶圆监测特征矩阵和所述晶圆参考特征矩阵之间的差分以得到解码特征矩阵；以及
解码模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示待监测晶圆的厚度尺寸。
8.根据权利要求7所述的晶片加工用在线厚度监视和测量系统，其特征在于，所述对抗生成网络包括鉴别器和生成器。
9.根据权利要求8所述的晶片加工用在线厚度监视和测量系统，其特征在于，所述晶圆监测特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成第一卷积特征图；
对所述第一卷积特征图进行池化处理以生成第一池化特征图；
对所述第一池化特征图进行非线性激活以生成第一激活特征图；
计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；
计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及
计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；
其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述晶圆监测特征矩阵。
10.根据权利要求9所述的晶片加工用在线厚度监视和测量系统，其特征在于，所述晶圆参考特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成第二卷积特征图；
对所述第二卷积特征图进行池化处理以生成第二池化特征图；
对所述第二池化特征图进行非线性激活以生成第二激活特征图；
计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；
计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及
计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；
其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述晶圆参考特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310165942.4A CN115863204B (zh) | 2023-02-27 | 2023-02-27 | 晶片加工用在线厚度监视和测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310165942.4A CN115863204B (zh) | 2023-02-27 | 2023-02-27 | 晶片加工用在线厚度监视和测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115863204A true CN115863204A (zh) | 2023-03-28 |
| CN115863204B CN115863204B (zh) | 2023-06-02 |
Family
ID=85658898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310165942.4A Active CN115863204B (zh) | 2023-02-27 | 2023-02-27 | 晶片加工用在线厚度监视和测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115863204B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200837326A (en) * | 2006-09-27 | 2008-09-16 | Verity Instr Inc | Self referencing heterodyne reflectometer and method for implementing |
| CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
| US20190005357A1 (en) * | 2017-06-28 | 2019-01-03 | Applied Materials, Inc. | Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks |
| US20200005140A1 (en) * | 2018-06-28 | 2020-01-02 | Benjamin Cherian | Training Spectrum Generation for Machine Learning System for Spectrographic Monitoring |
| CN110718478A (zh) * | 2018-07-11 | 2020-01-21 | 万润科技股份有限公司 | 晶圆薄膜量测方法及装置 |
| CN111521121A (zh) * | 2020-05-21 | 2020-08-11 | 广州粤芯半导体技术有限公司 | 晶圆厚度的测量方法及测量装置 |
| CN111902924A (zh) * | 2018-03-13 | 2020-11-06 | 应用材料公司 | 用于半导体处理的监测的机器学习系统 |
| US20210379723A1 (en) * | 2018-09-26 | 2021-12-09 | Applied Materials, Inc. | Compensation for substrate doping in edge reconstruction for in-situ electromagnetic inductive monitoring |
| US20220129775A1 (en) * | 2020-10-28 | 2022-04-28 | Kla Corporation | Prediction and metrology of stochastic photoresist thickness defects |
| US20220180505A1 (en) * | 2020-12-03 | 2022-06-09 | Battelle Memorial Institute | Optical end-pointing for integrated circuit delayering; systems and methods using the same |
| CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
| CN115564723A (zh) * | 2022-09-28 | 2023-01-03 | 武汉精立电子技术有限公司 | 一种晶圆缺陷检测方法及应用 |
| CN115579304A (zh) * | 2022-11-09 | 2023-01-06 | 广州粤芯半导体技术有限公司 | 晶圆检测方法、装置、计算机设备及可读存储介质 |
-
2023
- 2023-02-27 CN CN202310165942.4A patent/CN115863204B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200837326A (en) * | 2006-09-27 | 2008-09-16 | Verity Instr Inc | Self referencing heterodyne reflectometer and method for implementing |
| CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
| US20190005357A1 (en) * | 2017-06-28 | 2019-01-03 | Applied Materials, Inc. | Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks |
| CN111902924A (zh) * | 2018-03-13 | 2020-11-06 | 应用材料公司 | 用于半导体处理的监测的机器学习系统 |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
| US20200005140A1 (en) * | 2018-06-28 | 2020-01-02 | Benjamin Cherian | Training Spectrum Generation for Machine Learning System for Spectrographic Monitoring |
| CN111587478A (zh) * | 2018-06-28 | 2020-08-25 | 应用材料公司 | 用于光谱监测的机器学习系统的训练光谱产生 |
| CN110718478A (zh) * | 2018-07-11 | 2020-01-21 | 万润科技股份有限公司 | 晶圆薄膜量测方法及装置 |
| US20210379723A1 (en) * | 2018-09-26 | 2021-12-09 | Applied Materials, Inc. | Compensation for substrate doping in edge reconstruction for in-situ electromagnetic inductive monitoring |
| CN111521121A (zh) * | 2020-05-21 | 2020-08-11 | 广州粤芯半导体技术有限公司 | 晶圆厚度的测量方法及测量装置 |
| US20220129775A1 (en) * | 2020-10-28 | 2022-04-28 | Kla Corporation | Prediction and metrology of stochastic photoresist thickness defects |
| US20220180505A1 (en) * | 2020-12-03 | 2022-06-09 | Battelle Memorial Institute | Optical end-pointing for integrated circuit delayering; systems and methods using the same |
| CN115564723A (zh) * | 2022-09-28 | 2023-01-03 | 武汉精立电子技术有限公司 | 一种晶圆缺陷检测方法及应用 |
| CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
| CN115579304A (zh) * | 2022-11-09 | 2023-01-06 | 广州粤芯半导体技术有限公司 | 晶圆检测方法、装置、计算机设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115863204B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582150B (zh) | 一种人脸质量评估的方法、装置和计算机存储介质 | |
| WO2023040510A1 (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
| CN110956615B (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
| CN110263920B (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
| CN106355195B (zh) | 用于测量图像清晰度值的系统及其方法 | |
| JP2019087181A (ja) | 画像検査装置および方法 | |
| CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN111127435B (zh) | 基于双流卷积神经网络的无参考图像质量评估方法 | |
| CN113793359B (zh) | 一种融合孪生网络与相关滤波的目标跟踪方法 | |
| Sakurai et al. | Plant Growth Prediction using Convolutional LSTM. | |
| CN111798414A (zh) | 显微图像的清晰度确定方法、装置、设备及存储介质 | |
| CN107590460A (zh) | 人脸分类方法、装置及智能终端 | |
| CN111832414A (zh) | 一种基于图正则光流注意力网络的动物计数方法 | |
| CN116492634B (zh) | 基于图像视觉定位的立定跳远测试方法 | |
| CN112767267A (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 | |
| CN112364747A (zh) | 一种有限样本下的目标检测方法 | |
| CN111563525A (zh) | 一种基于YOLOv3-Tiny的运动目标检测方法 | |
| CN115861246A (zh) | 应用于工业互联网的产品质量异常检测方法及其系统 | |
| CN113592008B (zh) | 小样本图像分类的系统、方法、设备及存储介质 | |
| Kumar et al. | Simultaneous estimation of defocus and motion blurs from single image using equivalent Gaussian representation | |
| CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
| Lei et al. | Adaptive convolution confidence sieve learning for surface defect detection under process uncertainty | |
| JP6359985B2 (ja) | デプス推定モデル生成装置及びデプス推定装置 | |
| CN115863204B (zh) | 晶片加工用在线厚度监视和测量方法及系统 | |
| CN115762558B (zh) | 自动扶梯生产用性能检测系统及其方法 |
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 |