CN116125765B - 集成电路套刻误差评估方法 - Google Patents

Abstract

本发明主要涉及到一种集成电路套刻误差评估方法。光束对第一区域的套刻对象照射所返回的信号被采集而形成体现套刻对象之套刻误差的图像数据，以改变第一区域套刻对象交错程度的方式而撷取图像数据数据集。光束相对倾斜的照射第二区域的套刻对象并被反射而透过第一区域的套刻对象予以出射，出射的光与相对倾斜的照射第一区域的套刻对象的光束的反射光干涉而形成的图像形状被定义成一个标记图像，其中数据集中的每一个皆与一个标记图像具有相对应的映射关系。用训练好的神经网络来评估处于指定工序阶段的其他晶圆的套刻误差，若被评估的晶圆的当前被推理的套刻误差与其应该匹配的标记图像失配而不具映射关系，则判断存在异常的套刻偏差。

Description

集成电路套刻误差评估方法

技术领域

本发明主要涉及到半导体晶圆制造技术领域，更确切的说，涉及到半导体集成电路技术领域的集成电路套刻误差或套刻精度评估方法。

背景技术

随着集成电路工艺的发展，半导体的结构及制备变得越来越复杂。在半导体制备工艺过程中为了保证各工序的精确，半导体结构的检测量测是必要的环节。晶片检测过程通常含检测目标图像生成和图像数据处理。检测目标图像生成用于获得与被检测对象如晶圆有关的检测目标图像，数据处理对检测目标的图像进行提取处理和判定，常见的处理例如晶圆缺陷分析和结构特征测量以及套刻错误分析等。

套刻分析是半导体制造过程中如光刻环节的一项基础性工艺需求，是用以表征两个层次叠对的好坏程度，当前的实现方法是在划片槽放置特定的测试结构，使用套刻测试仪测定并且根据测定数值的大小来判断套刻是否规范。

典型的光刻工作大致过程：逐一曝光完晶圆上所有的场，亦即分步，然后更换下批次的晶圆直至曝光完所有的晶圆，对晶圆进行工艺处理结束后，更换掩模，接着在晶圆上曝光后一层次的图形，也就是进行重复曝光。其中，后一层次掩模曝光的图形必须和前一层次掩模曝光准确的套叠在一起，故可称之为套刻。作出假设，若晶圆上的下布线层为前次 掩模经曝光的图形，上布线层为后次曝光的图形。理论而言，这两层图形应完全重合但实际上由于各种系统误差和偶然误差的存在，导致两层图形位置发生偏离，也就是通常所说的出现了套刻误差，如何检测误差是难题。再者无论两层图形是否重合，却仍无法知晓与 套刻误差相关的工艺是否正常，如何给出应对的措施，这亦是棘手难题。

发明内容

本申请公开了一种集成电路套刻误差评估方法，其中：

针对晶圆的布置有套刻对象的第一区域，光束对第一区域的所述套刻对象照射所返回的信号被采集而形成体现所述套刻对象之套刻误差的图像数据，以改变第一区域的所述套刻对象交错程度的方式而撷取到一系列的所述图像数据的数据集；

针对晶圆的布置有套刻对象的第二区域，光束相对倾斜的照射第二区域的所述套刻对象并被反射而透过第一区域的套刻对象予以出射，出射的光与相对倾斜的照射第一区域的 所述套刻对象的光束的反射光干涉而形成的图像形状被定义成一个标记图像，其中所述数 据集中的每一个皆与一个标记图像具有对应的映射关系；

利用所述数据集对一个神经网络进行训练，使用训练好的神经网络来评估处于指定工 序阶段的其他晶圆的套刻误差，如果被评估的晶圆的当前被推理出的套刻误差与其应该匹 配的标记图像失配而不具有映射关系，则判断所述指定工序引起了异常的套刻偏差。

上述的方法，其中：所述指定工序至少包括研磨、刻蚀、化学气相沉积、物理气相沉积或离子掺杂中的一种。

上述的方法，其中：异常的所述套刻偏差提供的警示资讯至少包括：在被评估的晶圆 中应当均衡所述第一区域和所述第二区域各自的元件器或布线的密度，需提高所述第二区 域的元件器或布线的密度或者需降低所述第一区域的元件器或布线的密度。

上述的方法，其中：事先设置或设计所述第一区域布置的所述套刻对象的密度高于所 述第二区域布置的所述套刻对象的密度。

上述的方法，其中：基于所述套刻对象交错程度的改变，以调整光束相对于晶圆的倾斜夹角的方式和/或以调整光束相对于所述套刻对象的方位角的方式来适配性的形成允许变换的标记图像，从而为所述套刻对象交错程度改变下的每一种交错值均至少可配对相应 的一个标记图像。

上述的方法，其中：所述指定工序至少包括了研磨，引起异常的所述套刻偏差的因素 包括研磨过程造成所述第二区域的所述套刻对象的研磨损耗程度比所述第一区域的所述 套刻对象的研磨损耗高。

上述的方法，其中：所述套刻对象含双层套刻结构，引起异常的套刻偏差的因素包括沉积于双层套刻结构之间的薄膜实际厚度与预定厚度之间的差值超过允许的范围。

上述的方法，其中：在构建所述数据集时，还以改变所述第一区域和/或第二区域的 套刻对象的线宽的方式而增加图像数据的数据量，用以训练所述神经网络。

上述的方法，其中：在构建所述数据集时，还以改变所述第一区域和/或第二区域的套刻对象的复现间距的方式而增加图像数据的数据量，用以训练所述神经网络。

上述的方法，其中：针对被评估的晶圆上的受监控的套刻对象，提取该受监控的套刻对象的用于体现出其套刻误差的实时图像数据，并由训练好的神经网络根据所述实时图像数据而推理出被评估的晶圆的当前的套刻误差。

上述的方法，其中：针对被评估的晶圆上的受监控的套刻对象，提取该受监控的套刻对象的用于体现出其套刻误差的实时图像数据，以及同时提取每个实时图像数据在当时所对应的标记图像，并由训练好的所述神经网络根据实时图像数据而推理出被评估的晶圆的当前的套刻误差。

上述的方法，其中：利用光束照射被评估的晶圆上的受监控的套刻对象，并根据反射 而返回的信号来获取该受监控的套刻对象的实时的图像数据，并由训练好的神经网络根据 所述实时图像数据而推理出被评估的晶圆的当前的套刻误差。

上述的方法，其中：利用光束倾斜照射被评估晶圆上第二区域的受监控套刻对象并被 反射而透过第一区域的受监控套刻对象予以出射，出射的光与倾斜的照射第一区域的受监 控套刻对象的光束的反射光干涉而形成的图像形状被定义成实时的标记图像。

上述的方法，其中：获取被评估的晶圆的受监控的套刻对象的用于体现出其套刻误差的实时图像数据的方式，和获取用于训练神经网络的晶圆上的套刻对象之套刻误差的图像数据的方式相同。

上述的方法，其中：获取被评估的晶圆的受监控套刻对象之实时标记图像的方式和获取用于训练神经网络的晶圆上的套刻对象之标记图像的方式相同。

上述的方法，其中：针对被评估晶圆的受监控的套刻对象，提取该受监控的套刻对象的用于体现其套刻误差的实时的图像数据，同时提取每个实时的图像数据在当时所对应的 实时的标记图像，由训练好的所述神经网络根据实时的图像数据而推理出被评估的晶圆的 当前的套刻误差；该实时的标记图像与被推理出的套刻误差所映射到的应匹配的标记图像 不相配或不适配，则判断被推理出的套刻误差与其应匹配的标记图像失配。

本申请公开了一种集成电路套刻误差评估方法，其中：

针对晶圆的布置有套刻对象的第一区域，配置一个第一相机，光束对第一区域的所述套刻对象照射所返回的信号被第一相机采集，从而形成体现出所述套刻对象之套刻误差的 图像数据，以改变第一区域的所述套刻对象交错程度的方式而撷取一系列的所述图像数据 的数据集，将所述数据集存储至一个存储器；

针对晶圆的布置有套刻对象的第二区域，配置一个第二相机，光束相对倾斜的照射至 第二区域的所述套刻对象并被反射而透过第一区域的套刻对象予以出射，出射的光与相对 倾斜的照射至第一区域的所述套刻对象的光束的反射光干涉而形成的图像形状被第二相 机所采集，该图像形状定义成一个标记图像并存储至所述存储器，其中，所述数据集中的每一个皆与一个标记图像具有对应的映射关系；

在一个计算机系统之中配置一个神经网络，从所述存储器中读取所述数据集以对所述神经网络进行训练，及使用训练好的所述神经网络来评估处于指定工序阶段的其他晶圆的套刻误差，所述神经网络还从所述存储器中读取标记图像的信息，如果被评估的晶圆的当前被推理出的套刻误差与其应该匹配的标记图像信息失配而不具有映射关系，则判定所述指定工序引起了异常的套刻偏差。

上述的方法，至少兼顾性的解决了两个方面的问题。首先是解决了晶圆或集成电路或 芯片生产中的套刻误差推断问题，由神经网络高效而又迅速的给出套刻误差，其中神经网 络训练采用了生产中可能出现的各种图像数据的数据量，相对于传统的套刻量测手段而具 有更高的精准度，解决了套刻误差的检测难度大的疑虑。再者针对套刻误差可测量却无法 感知与套刻误差相关的工艺是否正常而提供了判断机理，尤其是在这种棘手难题之下给出 了诱发此类问题的可能根源以及最大限度的缩小了解决此类问题的溯源范围。传统套刻测 试仪可测定并根据测定数值的大小来判断套刻是否规范，但是传统套刻测试仪却无法根本 性的对套刻误差之产生因素给出合理的追根溯源的机制。

附图说明

为使上述目的和特征及优点能够更加明显易懂，下面结合附图对具体实施方式做详细 的阐释，在阅读以下详细说明并参照以下附图之后，特征和优势将显而易见。

图 1 是用于训练神经网络的实验性晶圆上面设置有没有对准的套刻对象。

图 2 是晶圆上布置有套刻对象的分布密度不相同的第一区域和第二区域。

图 3 是在第一区域套刻对象处形成体现套刻对象之套刻误差的图像数据。

图 4 是在第二区域的套刻对象处形成与图像数据具映射关系的标记图像。

图 5 是对神经网络进行训练以及使用训练好的神经网络来评估套刻误差。

图 6 是训练好的神经网络评估处于指定工序阶段的其他晶圆的套刻误差。

图 7 是允许神经网络在评估其他晶圆套刻误差的阶段而动态更新其参数。

具体实施方式

下面将结合各实施例，对本发明的方案进行清楚完整的阐述，所描述的范例仅是本申 请用作叙述说明所用的实施例而非全部实施例，基于该等实施例，本领域技术人员在没有 做出创造性劳动的前提下所获得的方案都属于本申请的保护范围。

参见图 1，在现代化集成电路的制造工艺中，通常是需要有一个光刻层次来对准于前 面的两个层次，传统的标准式套刻量测工艺在多层对准上由于量测位置不同，量测结果精 度不佳而且在透镜观察下，标记在不同层的位置经常出现行为差异，这种差异给套刻量的结果带来影响。另外，传统的套刻量测掩模版为一对一的叠对设计，多层对准时则需多个掩模版进行套刻量测，占用较多的切割道使用空间，随着产品多样化及半导体产品层数增 多且切割道空间有限，需优化与晶圆 10 相关的掩模版才能节省更多的空间。掩模版的直 接更改往往会影响晶圆 10 上既定核心电路或元器件的电学特性或布线特性。

参见图 1，对晶圆 10 所布置的套刻对象而言，具有双层套刻结构。在集成电路制造 中晶圆 10 当前层如光刻胶图形与参考层如衬底内图形之间的相对位置，即描述了当前图 形相对于参考图形沿 X 和 Y 方向的偏差和这种偏差在晶圆表面的分布，同时也是监测光 刻工艺好坏的一个关键指标。理想情况是，当前层如格条 14 与参考层如格条 13的图形正 对准即套刻误差 OVLE 为零。格条或格栅（grating）的形态不限制于图中所示。另外图中仅仅展示了数个有限的层次，实质上晶圆 10 具有更复杂的多层次结构，介质 11例如是位于参考层或前一层下方的一个层次，而当前层或后一层上方亦还有其他的层次。

参见图 1，导致曝光图形与参考图形（当前层如格条 14 与参考层如格条 13）对准偏 差的原因很多。掩模变形或比例不正常、晶圆本身的变形、光刻机投影透镜系统的失真以 及晶圆工件台移动的不均匀等都会引入对准偏差。

参见图 1，国际半导体技术路线图（ITRS）对每一个技术节点的光刻工艺都提出了套 刻误差的要求，例如 DRAM 之 3σ 从早期的 7.1 纳米左右到当前的 2 纳米左右，再例如逻辑器件之 3σ 从早期的 7.6 纳米左右到当前的 1.9 纳米左右、Flash 器件之 3σ 从7.2 纳米左 右发展到当前的 2.6 纳米左右。套刻误差 OVLE（3σ）通常是通过光刻机对准系统和套刻 误差测量设备以及对准修正软件等数个部分协同工作来减小。为了保证芯片设计在上下两 层的电路能可靠连接，当前层中的某一端点与参考层中的对应的端点之间的对准偏差必须 小于图形最小间距的三分之一。根据发展趋势可以看出，随着技术节点的推进，关键光刻 层允许的对准偏差即套刻误差是逐年按比例缩小，以至在更小技术节点条件下，如何快捷 和精准的给出套刻误差是需解决的技术问题之一。

参见图 1，测得当前层如格条 14 与参考层如格条 13（即套刻对象）之间的套刻误差可由传统的测量设备测量得到，在“超大规模集成电路先进光刻理论与应用”的文献中由韦亚一等作者讲述了相关设备。在传统的套刻量测设备中，通常涉及到专用套刻对象的图 像分析和特定的算法处理以评估叠对误差，相对耗时费力，结果也未必精准。最棘手的难题是套刻误差之检测展现了近乎是零误差，但是实质上套刻对象真实存在着某些缺陷例如 当前层如格条 14 与参考层如格条 13 之间的薄膜层 12 或者沉积层的实际厚度不在预定厚度的范围之内，或者说它的实际厚度与预定厚度之间的差值超过允许的范围，这种情况下 传统的套刻量测设备会认为套刻对象正常而忽略工艺异常。所以有必要提供一种可替代传 统套刻量测方式的新量测方式，其应当满足一些如下功能：量测过程简单化、能快捷而精 准的给出结果、判断与套刻误差攸关的生产工艺是否异常并干扰着量测结果。

参见图 2，承上所述，不管测得当前层如格条 14 与参考层如格条 13 之间的套刻误差是否是符合了规定的规范，都应当判断与套刻相关的集成电路工艺是否正常。除了前文所 言的当前层如格条 14 与参考层如格条 13 间的薄膜层 12 异常的范例，此时套刻对象不管 是否符合规范都没有意义；再例如晶体管密集区或金属布线密集区的套刻误差和晶体管稀 疏区或金属布线稀疏区的套刻误差在同一工艺过程会出现不同的结果，而且密集区及稀疏 区两者与套刻误差间的关系通常是隐匿的，现有技术对此无任何考量。如果套刻误差之异 常是和晶体管或布线的不合理分布相关联，显而易见，传统套刻量测设备之单纯量测对此完全束手无策，甚至都意识不到此关联性，那么判断与套刻相关的集成电路工艺是否正常 这种要求更是无从谈起，同样此时套刻对象不管是否符合规范都没有意义。

参见图 2，在可选的实施例中，晶圆 10 布置有套刻对象的第一区域 R1 和布置有套刻 对象的第二区域 R2 两者略有不同，第一区域 R1 的套刻对象密度大而第二区域R2 的套刻 对象密度较小。或者说，第一区域 R1 的套刻对象的复现间距较小而第二区域R2 的套刻 对象的复现间距则较大。复现间距例如是两条相邻格条之间的距离。第一区域R1 的套刻 对象的重复频率较小而第二区域 R2 的套刻对象的重复频率则较大。实质上前述的几种方 式均是第一区域 R1 和第二区域 R2 的套刻对象的重复频率不同的具体范例，还允许反过 来提高第二区域 R2 的格栅密度以及还降低第一区域 R1 的格栅密度。

参见图 3，本申请提出了一种集成电路套刻误差评估方法，针对晶圆 10 的布置有套 刻对象例如格条 13 和 14 的第一区域 R1，光束 La0 对第一区域 R1 的套刻对象照射所返回的信号被采集而形成了体现套刻对象之套刻误差的图像数据。如光束透过物镜21 照射 晶圆并且反射回来的光信号通过 CCD 相机捕获而采集到套刻对象的图像数据。光束可以使用宽带光源，或者是使用非均匀光束等。在替代性的范例中，针对晶圆 10 的布置有套 刻对象例如格条 13 和 14 的第二区域 R2，光束 La0 对第二区域 R2 的套刻对象照射所返 回的信号被采集而形成了体现套刻对象之套刻误差的图像数据。

参见图 3，在可选的实施例中，结合图 1 所示，以改变第一区域 R1 的套刻对象交错程度的方式从而撷取到一系列的图像数据的数据集。套刻对象之当前层格条 13 相对于参考层或前一层的格条 14 发生位移，见图 1 黑色箭头，每次位移譬如 1 纳米或其他数值的 位移单位而不限制于 1 纳米的范例。格条 13 相对于格条 14 发生的位移实质上就是套刻对象产生了交错，而且格条 13 与格条 14 该两者交错或位移 1 纳米与交错或位移 2 纳米会导 致套刻对象产生了不同的图像数据。图像数据例如在视觉方面是条纹。因此交错程度不同 就会使得 CCD 相机采集的套刻对象图像数据亦不同。

参见图 5，在可选的实施例中，基于给神经网络 NET 提供足量训练数据，训练数据 即由第一区域 R1 的套刻对象产生：改变套刻对象如格条 13 和 14 之交错程度，例如当前层的格条和参考层的格条相互交错 1 纳米会产生一个图像数据 DATA1，同理的再如当前 层的格条和参考层的格条相互交错 2 纳米会产生一个图像数据 DATA2。同理的再如当前 层的格条和参考层的格条相互交错 k 纳米会产生一个图像数据 DATAk。例如当前层的格 条和参考层的格条相互交错 1.3 纳米会产生一个图像数据 DATA3，同理再如当前层的格 条和参考层的格条相互交错 1.4 纳米会产生一个图像数据 DATA4。而且这些图像数据可 集合成一个数据集（训练集）来对神经网络 NET 进行训练。若套刻对象交错程度改变得 越多则能提供的图像数据越多以及神经网络 NET 的数据集越丰富。

参见图 1，在可选的实施例中，当前层如格条 14 与参考层如格条 13 之间的交错可以 是当前层相对于参考层发生了右移，见右指箭头所示，当前层与参考层之间的交错还可以 是当前层相对于参考层发生了左移，见左指箭头所示。

参见图 4，本申请提出了一种集成电路套刻误差评估方法，针对晶圆 10 的布置有套 刻对象例如当前层格条 14 的第二区域 R2，光束 La2 相对倾斜的照射第二区域 R2的套刻对象并被反射而透过第一区域 R1 的套刻对象予以出射，其出射的光如 La21 与相对倾斜 的照射第一区域 R1 的套刻对象的光束 La3 的反射光 La31 干涉而形成的图像形状则被定 义成一个标记图像。图中未示意出的其他 CCD 相机则可采集 La21 和 La31干涉叠加的光而提取到标记图像，标记图像例如在视觉方面是条纹。

参见图 4，在可选的实施例中，光束 La2 相对倾斜的照射第二区域 R2 的套刻对象例如该区域的当前层格条 14 并被大约参考层所反射，第二区域 R2 的参考层或前一层用于此反射作用的位置可以不制备任何格条 13。同理的，第一区域 R1 的参考层或前一层用于 此反射作用的位置可以不制备任何格条 13。应注意，第二区域 R2 的当前层或后一层用于 接收光束 La2 照射的位置应当制备格条 14，同理的，第一区域 R1 的当前层或后一层用于接收光束 La3 照射的位置应当制备格条 14。

参见图 4，在可选的实施例中，第一区域 R1 的至少局部位置应制备保留套刻对象的双层套刻结构（例如保留当前层之格条 14 与参考层之格条 13），从而可以实现前文所描 述的关于图 3 的实施例。与此同时，第一区域 R1 的其他位置可以保留当前层或上一层的套刻对象在而摒弃参考层或前一层的套刻对象。双层套刻结构中，术语当前层和上一层以及后一层是相同的意思、参考层和下一层及前一层是相同的意思。保留当前层或上一层的套刻对象在而摒弃参考层或前一层的套刻对象如保留格条 14 而摒弃格条 13。

参见图 4，在可选的实施例中，第二区域 R2 的某些局部位置可制备保留套刻对象的双层套刻结构（例如保留当前层之格条 14 与参考层之格条 13），从而可以实现前文所描述的关于图 3 的量测例如套刻误差。第二区域 R2 的其他位置可以保留当前层或上一层的套刻对象在而摒弃参考层或前一层的套刻对象。保留当前层或上一层的套刻对象在而摒弃 参考层或前一层的套刻对象如保留格条 14 而摒弃格条 13。

参见图 4，在可选的实施例中，光束倾斜的照射第一区域 R1 或第二区域 R2 是指光 束与第一区域 R1 或第二区域 R2 所在的晶圆 10 之间存在着倾斜夹角。而图 3 的实施例允 许利用光束 La0 垂直照射第一区域 R1 则光束 La0 可垂直于晶圆 10，如果光束垂直照射 晶圆则光束不属于倾斜的照射晶圆 10。

参见图 4，在可选的实施例中，第一区域 R1 和第二区域 R2 的套刻对象虽然存在密度差异的设计，但是整体设计而言，第一区域 R1 和第二区域 R2 两者的套刻对象的复现 间距比较接近，光束通过套刻对象（如格条 14 或 13）后可发生衍射和干涉等。

参见图 3，在可选的实施例中，可采用反射式衍射光栅技术来实现套刻对象之套刻误差的反射测量，并可使用宽带光源。如果参考层之格条 13 相对固定，此时只需要测量出 条纹移动后的相位变化或者位移量，即可直接测出当前层之格条 14 所在的平面相对于参 考层之格条 13 所在的平面的位移程度。

参见图 4，在可选的实施例中，第二区域 R2 之格条 14 采用了透射式衍射光栅及相应的第一区域 R1 中的一部分格条 14 采用了反射式衍射光栅。例如单色光从+2 级的方向入射第二区域 R2 一部分格条 14 以及第一区域 R1 的一部分格条 14，第二区域R2 所出射的 体现为-2 级的衍射光以同样的角度经过参考层所在的平面反射后，透过第一区域 R1 的部分格条 14 而与直接从第一区域 R1 的部分格条 14 所反射的+2 级衍射光干涉。

参见图 4，在可选的实施例中，针对晶圆布置套刻对象的第二区域 R2，光束倾斜照 射第二区域 R2 的套刻对象（如其当前层之格条 14）并被反射（如由参考层反射）而透过该第一区域 R1 的套刻对象（如其当前层之格条 14）予以出射，出射光如 La21 与倾斜照射第一区域 R1 的套刻对象的光束 La3 的反射光 La31 干涉，其 La21 和 La31 近乎平行出 射并发生干涉叠加以及形成随着双层套刻结构之间的薄膜 12 的实际厚度变化而变化的周 期性条纹图形。其 La21 和 La31 干涉形成的图像形状被定义成标记图像。

参见图 5，高效而精准的检测是半导体大规模生产线顺利推进的衡量标准，检测对于监测和预防包括光刻、研磨、刻蚀等工艺中的偏差起着至关重要的作用。本申请下文即将 介绍套刻误差检测在大规模集成电路生产中的应用和相关问题作出解释。

参见图 5，集成电路制造过程中，需将光刻胶涂布于晶圆表面上，然后透过一光掩模对光刻胶进行曝光。接着进行曝光后烘烤。对于正型化学倍增式光刻胶剂而言，这将引发去保护反应，使显影液较容易溶解曝光区的光刻胶，因而可在后续显影过程中将曝光区的光刻胶移除，从而产生所需的光刻胶图案。后续接着进行显影后检测。期间的检测包含如电子显微镜或光学式量测前后层图案的套刻误差等，以判定其是否符合了规格。如果符合规格则进行后续工艺以转移期望的图案到晶圆上面。

参见图 5，上文以光刻为例展示了套刻误差检测显得至关重要。套刻误差可为集成电路光掩模制造及光刻工艺中为评估及控制工艺的图形处理提供依据，本文旨在对套刻进行 高精度的量测。套刻对象包括关键尺寸结构和特定标记、对位结构。

参见图 5，前文描述了以改变第一区域 R1 的套刻对象（如格条 13 和 14）交错程度的方式从而撷取到一系列的关于图像数据 DATA1、DATA2、DATAk 的数据集，数据集中的每一个皆与一个标记图像具有相互一一所对应的映射关系：例如通过图 3 的手段来生成图像数据 DATA1 的同时，还可通过图 4 的手段撷取到当时的标记图像 SIGN1，仍然假设当前层的格条 14 和参考层格条 13 相互交错 1 纳米产生一个图像数据 DATA1，在这种条 件下通过图 4 的手段撷取到当时的标记图像 SIGN1，则 DATA1 映射到 SIGN1。

参见图 5，在可选的实施例中，关于数据集的映射关系：例如通过图 3 的手段来生成 图像数据 DATAk 的同时，还可通过图 4 的手段撷取到当时的标记图像 SIGNk，仍然假设当前层的格条 14 和参考层格条 13 相互交错 k 纳米产生一个图像数据 DATAk，在这种条 件下通过图 4 的手段撷取到当时的标记图像 SIGNk，则 DATAk 映射到 SIGNk。

参见图 5，在可选的实施例中，数据集｛DATA1、DATA2……｝中的每个图像数据皆与一个标记图像具有对应映射关系，DATA1 映射 SIGN1、DATA2 映射 SIGN2 以及还有 图像数据 DATAk 映射 SIGNk。另外数据集｛DATA1、DATA2……｝中的每个图像数据对应的套刻误差自然也与一个标记图像具有对应的映射关系，如 DATA1 对应的套刻误差与 标记图像SIGN1 具有映射关系、DATA2 对应的套刻误差与标记图像 SIGN2 具有对应映射关系以及DATAk 对应的套刻误差与标记图像 SIGNk 具有对应的映射关系。

参见图 5，在可选的实施例中，实验性晶圆 10 的套刻对象交错程度可以是刻意调制和属于已知的，在每种套刻对象交错程度（即已知套刻误差 OVLE）之下可以撷取到相对 应的图像数据。因此，利用数据集｛DATA1、DATA2……｝对神经网络 NET 进行训练并 使用训练好的神经网络 NET 来评估处于指定工序阶段的晶圆 50 的套刻误差，被评估的其他晶圆 50 例如是实际生产过程中的非实验性晶圆，在实际生产中是无法得知被评估的其他晶圆 50 的真实套刻误差 OVLE，所以需要用神经网络 NET 对其进行推理。套刻对象交错程度的其他含义是交错值或已知套刻误差或经编程的套刻误差。

参见图 5，在前文中已经阐释，直接使用传统的套刻量测设备对套刻误差进行量测会存在一些局限。譬如即便是套刻误差之检测结果告知了误差在允许范围之内，但是套刻对 象的当前层如格条 14 与参考层如格条 13 之间的薄膜层 12 的厚度可能异常，或许套刻对象的处于允许范围之内的误差是牺牲了薄膜层 12 的正常厚度才换来的结果。通常在集成电路的制备工艺中任何一层介质或层次都必须满足期望的厚度范围。现举例：若当前层和 参考层间的薄膜层 12 在晶圆 50 的各个不同位置的厚度不一致，那么晶圆本身的变形就和 厚度不一的薄膜层 12 有着密切关系。晶圆 50 的曲翘变形可能导致异常的套刻误差被量测成处于正常范围或者导致正常套刻误差被量测成处于非正常的范围。由此看来不单单是要通过检测手段而给出套刻误差的数值，还要进一步通过检测手段判断出与套刻误差相关的工艺是否正常，在关键尺寸越来越小的集成电路领域，这显得尤为重要。

参见图 5，不管晶圆 50 当前层如格条 14 与参考层如格条 13 间的套刻误差是否是符合了规定规范，都应当判断与套刻相关的集成电路工艺是否正常。例如前文具体所言的当 前层如格条 14 与参考层如格条 13 之间的薄膜层 12 异常的范例，此时套刻对象不管是否 符合规范都没有意义，因为工艺异常不仅会造成 OVLE 偏差亦会造成其他问题。

参见图 5，再例如晶体管（MOSFET）或金属布线（Metal interconnect）密集区的套刻误差和晶体管稀疏区或金属布线稀疏区的套刻误差 OVLE 在同一工艺过程通常会出现不一致的结果。回到图 2 所示，如果第二区域 R2 的格栅稀疏而第一区域 R1 的格栅密集就会产生疑虑：在研磨工艺中比较稀疏的格栅相对于密集的格栅而言其研磨速度更快或者说第二区域 R2 的套刻对象研磨损耗比第一区域 R1 的套刻对象研磨损耗高。在刻蚀工艺中比较稀疏的格栅相对于密集的格栅而言其刻蚀速度更快或者说第二区域 R2 的套刻对象 刻蚀损耗比第一区域 R1 的套刻对象刻蚀损耗高，例如第二区域 R2 的格条 13 损耗高导致 了第二区域 R2 的薄膜层 12 略厚于第一区域 R1 的薄膜层 12。在沉积工艺中不同的格栅密度导致沉积层如薄膜层 12 在不同位置的分布厚度不一致等。显而易见，密集区及稀疏 区分布与套刻误差之间的关系是隐匿性的，而现有技术对此并无任何考量。

参见图 5，根据前文所述，至少兼顾性的解决了两个方面的问题。首先是需解决晶圆或集成电路或芯片生产中的套刻误差推断问题；再者针对套刻误差可以测量却无法感知与 套刻误差相关的工艺是否正常，应当提供一种工艺判断机理。在量测套刻误差条件下给出 了诱发套刻问题的可能根源以及最大限度的缩小了解决套刻问题的溯源范围。

参见图 5，根据前文所述，虽然传统套刻测试仪可测定并根据测定数值的大小来判断 套刻是否规范，但是传统套刻测试仪却无法根本性的对套刻误差之产生因素给出合理的追 根溯源的机制。譬如传统套刻测试仪无法判断引起套刻偏差的因素是否包括研磨过程造成 第二区域的套刻对象的研磨损耗比第一区域的套刻对象的研磨损耗高，譬如传统套刻测试 仪无法判断引起套刻偏差的因素是否包括沉积于双层套刻结构之间的薄膜的实际厚度与 预定厚度之间的差值超过允许的范围。

参见图 5，在可选的实施例中，针对评估晶圆 50 的受监控的套刻对象，提取该受监控的套刻对象的用于体现出其套刻误差的实时图像数据 DATA_RT，和提取每个实时图像数据在当时所对应的标记图像 SIGN_RT，据此，可由训练好的神经网络 NET 根据实时图像数据 DATA_RT 而推理出图中被评估的晶圆 50 的当前的套刻误差 OVLE。

参见图 5，在可选的实施例中，结合图 3 前述披露的方案，利用光束 La0 照射此时被 评估的晶圆 50 上的受监控的套刻对象（同样含格条 13 和 14），并根据反射而返回的信号 来获取该受监控的套刻对象的实时图像数据 DATA_RT，由训练好的神经网络 NET根据实 时图像数据 DATA_RT 而推理出被评估的晶圆 50 的当前的套刻误差 OVLE。

参见图 5，在可选的实施例中，集成电路套刻误差评估方法：对晶圆 50 的布置有套 刻对象例如格条 13 和 14 的第一区域 R1，光束 La0 对第一区域 R1 的套刻对象照射所返回的信号被采集而形成了体现套刻对象之套刻误差的实时图像数据 DATA_RT。如光束透过物镜照射晶圆 50 并且反射回来的光信号通过 CCD 相机捕获而采集到套刻对象的实时图像数据 DATA_RT。光束可使用宽带光源或非均匀光束等。可结合图 3。

参见图 5，在可选的实施例中，集成电路套刻误差评估方法：对晶圆 50 的布置有套 刻对象例如格条 13 和 14 的第二区域 R2，光束 La0 对第二区域 R2 的套刻对象照射所返 回的信号被采集而形成了体现套刻对象之套刻误差的实时图像数据 DATA_RT。如光束透过物镜照射晶圆 50 并且反射回来的光信号通过 CCD 相机捕获而采集到套刻对象的实时 图像数据 DATA_RT。光束可使用宽带光源或非均匀光束等。可结合图 3。

参见图 5，在可选的实施例中，可采用反射式衍射光栅技术来实现晶圆 50 上套刻对 象之套刻误差的反射测量，可用宽带光源。如果参考层之格条 13 相对固定，此时只需要 测量出实时图像数据 DATA_RT 之条纹的移动之后的相位变化或者是位移量，即可直接测 出当前层之格条 14 所在平面相对于参考层之格条 13 所在的平面的位移程度。

参见图 5，在可选的实施例中，集成电路套刻误差评估方法：对晶圆 50 的布置有套刻对象例如当前层格条 14 的第二区域 R2，光束 La2 相对倾斜的照射第二区域 R2 的套刻对象并被反射而透过第一区域 R1 的套刻对象予以出射，其出射的光如 La21 与相对倾斜的照射第一区域 R1 的套刻对象的光束 La3 的反射光 La31 干涉而形成的图像形状则被定 义成标记图像 SIGN_RT。图中未示意的其他 CCD 相机则可采集 La21 和 La31 干涉的光而 提取标记图像 SIGN_RT。标记图像 SIGN_RT 在视觉方面如是条纹。可结合图 4。

参见图 5，关于标记图像 SIGN_RT，第二区域 R2 格条 14 用透射式衍射光栅及相应 的第一区域 R1 中的一部分格条 14 可采用反射式衍射光栅。例如单色光从+2 级的方向入 射第二区域 R2 的一部分格条 14 及第一区域 R1 的一部分格条 14，第二区域R2所出射的体现为-2 级的衍射光以同样的角度经过参考层所在的平面反射后，透过第一区域 R1 的部分格条 14 而与直接从第一区域 R1 的部分格条 14 所反射的+2 级衍射光干涉，其干涉叠加的光被未示意出的其他 CCD 相机采集后可收集到标记图像 SIGN_RT。本范例是针对处于 实际生产阶段中的晶圆 50 而非实验性晶圆 10 所作出的措施。可结合图 4。

参见图 5，关于标记图像 SIGN_RT，晶圆 50 布置套刻对象的第二区域 R2，光束倾斜 照射第二区域 R2 的套刻对象（如其当前层之格条 14）并被反射（如由参考层反射）而透 过该第一区域 R1 的套刻对象（如其当前层之格条 14）予以出射，出射光如 La21 与倾斜 照射第一区域 R1 的套刻对象的光束 La3 的反射光 La31 干涉，其 La21 和 La31近乎平行出射并发生干涉叠加以及形成随着双层套刻结构之间的薄膜 12 的实际厚度变化而变化的 周期性条纹图形。其 La21 和 La31 干涉形成的图像形状被定义成标记图像。本范例是针 对实际生产阶段中的晶圆 50 而非实验性晶圆 10 所作出的措施。可结合图4。

参见图 5，在可选的实施例中，集成电路套刻误差评估方法：每次获取任一图像数据 例如 DATA_RT1 时还同步获取 DATA_RT1 在当时对应的标记图像 SIGN_RT1。例如针对实际生产阶段中的晶圆 50 而获取其套刻对象之图像数据 DATA_RT1 时（图 3 是获取其套 刻对象之图像数据 DATA_RT1 的可选方案），晶圆产生图像数据 DATA_RT1 之条件下还同步获取图像数据 DATA_RT1 在当时所对应的一标记图像 SIGN_RT1（图 4 是获取其套刻对象之标记图像 SIGN_RT1 的可选方案）。

参见图 5，在可选的实施例中，集成电路套刻误差评估方法：每次获取任一图像数据例如 DATA_RT2 时还同步获取 DATA_RT2 在当时对应的标记图像 SIGN_RT2。例如针对实际生产阶段中的晶圆 50 而获取其套刻对象之图像数据 DATA_RT2 时（图 3 是获取其套 刻对象之图像数据 DATA_RT2 的可选方案），晶圆产生图像数据 DATA_RT2 之条件下还同步获取图像数据 DATA_RT2 在当时所对应的一标记图像 SIGN_RT2（图 4 是获取其套刻对象之标记图像 SIGN_RT2 的可选方案）。

参见图 5，在可选的实施例中，集成电路套刻误差评估方法：每次获取任一图像数据 例如 DATA_RTk 时还同步获取 DATA_RTk 在当时对应的标记图像 SIGN_RTk。例如针对实际生产阶段中的晶圆 50 而获取其套刻对象之图像数据 DATA_RTk 时（图 3 是获取其套 刻对象之图像数据 DATA_RTk 的可选方案），晶圆产生图像数据 DATA_RTk 之条件下还同步获取图像数据 DATA_RTk 在当时所对应的一标记图像 SIGN_RTk（图 4 是获取其套刻对象之标记图像 SIGN_RTk 的可选方案）。

参见图 5，在可选的实施例中，获取被评估的晶圆 50 的受监控的套刻对象的用于体 现出其套刻误差 OVLE 的实时图像数据 DATA_RT 的具体方式，和前文获取用于训练神经 网络 NET 的晶圆 10 上的套刻对象之套刻误差的图像数据 DATA 的方式相同。

参见图 5，在可选的实施例中，获取被评估的晶圆 50 的受监控套刻对象之相应标记 图像 SIGN_RT 的方式，和前文获取用于训练神经网络 NET 的晶圆 10 的套刻对象之标记 图像 SIGN 的方式相同。术语套刻误差又称套刻偏差等。

参见图 5，在可选的实施例中，对神经网络 NET 而言，可由神经网络 NET 高效而又 迅速的给出套刻误差 OVLE。例如输入图像数据 DATA_RT1 则该神经网络 NET 因为经过 训练而可以马上给出图像数据 DATA_RT1 所对应的套刻误差 OVLE 的数值。同样的再例 如输入图像数据 DATA_RT2 给神经网络 NET，则该神经网络 NET 因为经过训练而可以马上给出图像数据 DATA_RT2 所对应的套刻误差 OVLE 的数值。该神经网络 NET 训练采用 了生产中可能出现的各种图像数据的数据量例如集｛DATA1、DATA2……｝，相对于传统套刻量测而具有更高的精准度和更快的速度，解决了套刻检测难度大的疑虑。

参见图 5，在可选的实施例中，已经获取了实时图像数据 DATA_RT1 而且假设此时的套刻误差刚好和实验性晶圆 10 的图像数据 DATA1 具有相同的套刻误差。数据集中的 每个图像数据 DATA 皆与一个标记图像 SIGN 具有对应的映射关系，数据集中的每个图像 数据 DATA 对应的套刻误差自然也与一个标记图像 SIGN 具有对应映射关系。

参见图 5，在可选的实施例中，已经获取了图像数据 DATA_RT1 和获取了与之相对应的标记图像 SIGN_RT1，前者输至训练好的神经网络 NET 以用来评估处于指定工序阶段的晶圆 50 的在图像数据 DATA_RT1 情况下的套刻误差 OVLE1，后者用于交叉验证在图像数据 DATA_RT1 情况下的套刻误差 OVLE1 与标记图像 SIGN1 是否失配。假设被评估的晶圆 50 的当前被推理出的套刻误差 OVLE1 与其应匹配的标记图像 SIGN1失配而不具有映射关系，例如套刻误差 OVLE1 或实时图像数据 DATA_RT1 它们所对应的所述实时 标记图像 SIGN_RT1 与误差 OVLE1 匹配的标记图像 SIGN1不相等或不近似，则认为被评估晶圆 50 的当前被推理出的套刻误差 OVLE1 与应该匹配的标记图像 SIGN1 失配而不具有映射关系。实时标记图像 SIGN_RT1 与标记图像 SIGN1 是否相等或近似可以通过将它们折算成图像灰度相关值来进行估算。或标记图像 SIGN1 先降维和特征提取而得到向量形式的数值，实时标记图像 SIGN_RT1同样也进行降维处理和特征提取处理而得到向量形式的数值，实时标记图像 SIGN_RT1 的数值如果在标记图像 SIGN1 的数值范围之内或者直接相等（标记图像 SIGN1 的数值可以是一区间范围），就认为它们两者体现了相等或近似的特点。实时标记图像 SIGN_RT1 与标记图像 SIGN1 是否相等或近似可以将它们先换算成矩阵，然后判断该实时标记图像 SIGN_RT1 的矩阵与标记图像 SIGN1 的矩阵是否相等或近似，譬如通过相似度计算，如果这两个矩阵是相同或者相似就认为两者具相等或近似的特点。实时标记图像 SIGN_RT1 与标记图像 SIGN1 是否相等或近似可以将它们先换算成矩阵，如果这两个矩阵是关联矩阵或称相似度矩阵，就认为它们两者体现了相等或近似的特点。实时标记图像 SIGN_RT1 与标记图像 SIGN1 如果不相等或不近似则认为当前被神经网络 NET 推理出的套刻误差OVLE1与其应匹配的标记图像 SIGN1 失配而不具有映射关系，反之套刻误差 OVLE1与其应匹配的标记图像 SIGN1 相配。注意将图像换 算成矩阵的过程也允许进行降维和特征提取（例如卷积和池化等）。

参见图 5，在可选的实施例中，利用数据集｛DATA1、DATA2……｝对所述的神经网络来进行训练，用训练好的神经网络 NET 评估处于指定工序阶段的其他晶圆 50 的当前的实际套刻误差，如果被评估的晶圆 50 的当前被推理出的套刻误差 OVLE1 与其应该匹配的标记图像 SIGN1 失配而不具映射关系，则判断指定工序引起异常 OVLE1 而且这里所言的指定工序至少包括了研磨、刻蚀、化学气相沉积或物理气相沉积中的一种。

参见图 5，在可选的实施例中，针对被评估的晶圆 50 的受监控套刻对象，典型的可假设如果图 3 和图 4 的套刻对象位于晶圆 50 上，那么这些套刻对象就是晶圆 50 的需受监 控的套刻对象。本文没有累赘的再为晶圆 50 重新绘制图 3 和图 4 的套刻结构。提取该受监控的套刻对象的可用于体现其套刻误差 OVLE1 的实时图像数据 DATA_RT1，以及提取每个实时的图像数据 DATA_RT1 在当时所对应的实时的标记图像 SIGN_RT1，由训练好 的神经网络 NET 根据实时图像数据 DATA_RT1 而推理出被评估的晶圆 50 的需量测的当 前套刻误差 OVLE1。实时标记图像 SIGN_RT1 与推理的套刻误差 OVLE1 所映射的应匹 配标记图像 SIGN1 不相配或不适配时，则判断被推理出的套刻误差 OVLE1 与其应该匹配 的标记图像 SIGN1 失配而不具有映射关系。

参见图 5，在可选的实施例中，已经获取了实时图像数据 DATA_RTk 而且假设此时的套刻误差刚好和实验性晶圆 10 的图像数据 DATAk 具有相同的套刻误差。数据集中的 每个图像数据 DATA 皆与一个标记图像 SIGN 具有对应的映射关系，数据集中的每个图像 数据 DATA 对应的套刻误差自然也与一个标记图像 SIGN 具有对应映射关系。

参见图 5，在可选的实施例中，已经获取了图像数据 DATA_RTk 和获取了与之相对应的标记图像 SIGN_RTk，前者输至训练好的神经网络 NET 以用来评估处于指定工序阶段的晶圆 50 的在图像数据 DATA_RTk 情况下的套刻误差 OVLEk，后者用于交叉验证在图像数据 DATA_RTk 情况下的套刻误差 OVLEk 与标记图像 SIGNk 是否失配。假设被评估的晶圆 50 的当前被推理出的套刻误差 OVLEk 与其应匹配的标记图像 SIGNk 失配而不具有映射关系，例如套刻误差 OVLEk 或实时图像数据 DATA_RTk 它们所对应的所述实时 标记图像 SIGN_RTk 与误差 OVLEk 匹配的标记图像 SIGNk 不相等或不近似，则认为被评估晶圆 50 的当前被推理出的套刻误差 OVLEk 与应该匹配的标记图像 SIGNk 失配而不 具有映射关系。实时标记图像 SIGN_RTk 与标记图像 SIGNk 是否相等或近似可以通过将 它们折算成图像灰度相关值来进行估算。或标记图像 SIGNk 先降维和特征提取而得到向 量形式的数值，实时标记图像 SIGN_RTk 同样也进行降维处理和特征提取处理而得到向量形式的数值，实时标记图像 SIGN_RTk 的数值如果在标记图像 SIGNk 的数值范围之内 或者直接相等（标记图像 SIGNk 的数值可以是一区间范围），就认为它们两者体现了相等 或近似的特点。实时标记图像 SIGN_RTk 与标记图像 SIGNk 是否相等或近似可以将它们 先换算成矩阵，然后判断该实时标记图像 SIGN_RTk 的矩阵与标记图像 SIGNk 的矩阵是 否相等或近似，譬如通过相似度计算，如果这两个矩阵是相同或者相似就认为两者具相等 或近似的特点。实时标记图像 SIGN_RTk 与标记图像 SIGNk 是否相等或近似可以将它们 先换算成矩阵，如果这两个矩阵是关联矩阵或者相似度矩阵，就认为它们两者体现了相等 或近似的特点。实时标记图像 SIGN_RTk 与标记图像 SIGNk 如果不相等或不近似则认为 当前被神经网络 NET 推理出的套刻误差 OVLEk 与其应匹配的标记图像 SIGNk 失配而不 具有映射关系，反之套刻误差 OVLEk 与其应匹配的标记图像 SIGN1 相配。

参见图 5，在可选的实施例中，利用数据集｛DATA1、DATA2……｝对所述的神经网络来进行训练，用训练好的神经网络 NET 评估处于指定工序阶段的其他晶圆 50 的当前的 实际套刻误差，如果被评估的晶圆 50 的当前被推理出的套刻误差 OVLEk 与其应该匹配 的标记图像 SIGNk 失配而不具映射关系，则判断指定工序引起异常 OVLEk。

参见图 5，在可选的实施例中，针对被评估的晶圆 50 的受监控套刻对象，典型的可假设如果图 3 和图 4 的套刻对象位于晶圆 50 上，那么这些套刻对象就是晶圆 50 的需受监控的套刻对象。本文没有累赘的再为晶圆 50 重新绘制图 3 和图 4 的套刻结构。提取该受 监控的套刻对象的可用于体现其套刻误差 OVLEk 的实时图像数据 DATA_RTk，以及提取 每个实时的图像数据 DATA_RTk 在当时所对应的实时的标记图像 SIGN_RTk，由训练好 的神经网络 NET 根据实时图像数据 DATA_RTk 而推理出被评估的晶圆 50 的需量测的当 前套刻误差 OVLEk。实时标记图像 SIGN_RTk 与推理的套刻误差 OVLEk 所映射的应匹 配标记图像 SIGNk 不相配或不适配时，则判断被推理出的套刻误差 OVLEk 与其应该匹配 的标记图像 SIGNk 失配而不具有映射关系。

参见图 5，类似于光刻等工艺的套刻精度超过误差容忍度，则前一层和后一层这样的 层间设计电路可能会因为位移产生断路或短路，从而影响集成电路产品良率。套刻误差产生的原因有很多种形式，譬如包括平移、旋转、扩张等多形式，而不同的误差形式都会对 曝光位置的偏移量造成不同程度的影响。神经网络 NET 的推理可给出误差值。

参见图 5，对于晶圆偏移（Wafer shift）而言，是套刻偏移的示例，当前层相对于前 层来说会在 X/Y 方向上都有一定程度的偏移，套刻误差在每一个曝光单位 X/Y 方向上的偏差是相同的。对于晶圆扩张或缩小（Wafer Magnification）而言，整片晶圆显示了套刻 扩张缩小结果，从整片晶圆来看当前层相对前层有一个整体扩张或缩小。另外还对于晶圆的偏转相关性（Wafer Rotation）而言，整片晶圆显示了套准误差偏转的结果而当前层相对于前一层以晶圆中心有一个整体偏转。诸如此类，不再一一举例，神经网络可被配置成通过训练而适配性的推理出各类可能性的套刻误差。

参见图 5，现有技术对套刻误差量测的弊端之一是：不关心与套刻误差相攸关的工艺 是否是正常的，基本只专注于量测本身，那么此种情况下的套刻误差（此时套刻误差可能在规范内也可能不在规范内）或许是非正常工艺条件下的产物，无法知晓套刻误差的呈现 出的规范或者不规范情况是否和其相攸关的工艺存在着关联性。评判被评估的晶圆的当前 被推理出的套刻误差与其应匹配的标记图像是否失配，旨在解决此类问题，允许对套刻误 差之产生因素给出合理的追根溯源机制。

参见图 5，随着集成电路器件（例如逻辑器件及存储器器件等）朝着较小纳米尺度尺寸的方向进展，套刻误差的表征变得更困难。有复杂三维几何结构及具有迥异物理性质的材料的元器件（如 3D 存储）会加剧套刻表征的困难度。举例来说，现代存储器结构通常是高深宽的三维结构，这使得套刻误差与其攸关的工艺变得更敏感。利用红外光到可见光的光学计量工具可穿透半透明材料的诸多层，提供良好穿透深度的较长波长可提供对各类相关工艺异常现象给出充裕的敏感度。复杂集成电路器件（如 FinFET）需要将其越来越 多数目的工艺参数与套刻误差量测进行关联。这些是本申请的优势。

参见图 5，在可选的实施例中，传统套刻量测的最大的问题是：其特定结构与特定套 刻算法相关联（套刻算法仅对特殊的目标结构是有效的），所以套刻算法具有相当大的局 限性和不具有普遍性，但是晶圆或芯片上面的特定结构的比例非常之小（甚至可以直接忽略其面积占比），特定套刻算法对于占比更大的晶圆或芯片的实用面积及其电路结构并无 较大的实际参考意义，关键尺寸 CD 越小、这种趋于越发明显。本申请的有益效果之一是 套刻对象被允许使用实用电路结构的金属布线等已有结构。

参见图 5，在可选的实施例中，套刻测量可应用于各类工艺阶段：如 STI 沟槽隔离的 工艺制程或 CMP 化学机械研磨之后的低对比度的情况。套刻对象受工艺制程的影响例如体现在研磨 CMP 和溅射的金属层等活动都可能改变或影响标记的原始清晰度，工艺制程 缺陷也会影响套刻标记或套刻对象，进而影响套准精度，则实时监控是必要的。

参见图 5，传统盒中盒（Frame in frame）或框中框（Bar in bar）等大部分在划片槽而 这个区域与集成电路布置有效区的器件密度不同。在各个工艺环节（如研磨）会导致划片槽和电路区深度不一，密度大的区域较浅而低密度区则较深，在不同的评判标准上是无法 得知真实套刻情况的。本申请能够解决此类问题。

参见图 5，获得图像数据的方式：光学成像、SEM 扫描电子显微镜、X 射线成像和光谱椭圆偏光测量仪、反射仪等方案。神经网络 NET 涉及可运行计算机程序的计算机或服务器或处理器单元，处理器单元的其他替代物：现场可编程逻辑门阵列、复杂可编程逻辑器件或现场可编程模拟门阵列、或半定制的 ASIC 或处理器或微处理器、数字信号处理 器或集成电路或 GPU、存储于存储器的软件固件程序等。神经网络 NET 的替代算法至少 包括了线性回归、逻辑回归、决策树、支持向量机。

参见图 5，可运行神经网络 NET 的计算机包含但是不限于：服务器、个人计算机系 统或大型计算机系统、计算机工作站、图像计算机、并行处理器，或可运行神经网络技术中已知的任何其它任意装置。通常的，术语计算机系统的广义定义为涵盖了具有执行来自存储器介质的指令的一个或多个处理器的任何装置。神经网络 NET 的相关计算机程序存储于计算机可读取媒介（例如存储器）中。示范性的计算机可读取媒介包含只读存储器或随机存取存储器或磁盘或光盘或磁带等。

参见图 1，在可选的实施例中，晶圆涉及的套刻对象包括临界尺寸结构例如底部临界尺寸结构或中间临界尺寸结构或顶部临界尺寸结构或光栅等、处于前后两层或多层中的任何两个或两个以上需要对准的结构。晶圆涉及的套刻误差包括处于前后两层或多层中的任何两个或两个以上结构之间的位移、光栅结构间的对准位移。

参见图 5，在可选的实施例中，针对神经网络 NET 而言，可在硬件或软件或固件或 其任一组合中实施集成电路套刻误差评估方法及神经网络 NET 描述的功能。如果在软件 中实施那么对应的评估方法和功能可存储于计算机可读取介质上或作为计算机可读取介质上的一或多个指令或代码而运行。计算机可读取介质包含计算机存储介质及通信模块等 而通信模块包含了可将计算机程序从一个地方传送到另一个地方的任何介质。存储介质譬 如可由通用或专用计算机存取的任何可用介质。以可选范例且非限制的方式，此类计算机 可读取介质可包括：RAM、ROM、EEPROM、CD-ROM 或其它光盘存储器、磁盘存储装 置或其它磁性存储器、光学存储器，或者可用于以指令或数据结构的形式载运或存储相应 程序代码且可由通用或专用计算机或通用或专用处理器存取的任何其它介质。此外还可将 任何连接装置适应性地视为计算机可读取介质的附属部分。举例来说，若使用同轴电缆或 光纤电缆、双绞线、数字订户线或无线技术（红外、无线电及微波）从网站、服务器或其 它远程源传输软件，那么同轴电缆、光纤电缆、双绞线、数字线或无线技术均包含于介质 的附属部分定义中。如本文中所使用的磁盘及光盘包含：普通光盘、激光光盘或光学光盘 或数位多功能光盘、软磁盘及蓝光光盘，其中磁盘通常以磁性方式复制数据，而光盘利用 激光以光学方式复制数据。上述组合也应包含于计算机可读取介质的范围内。

参见图 5，在可选的实施例中，套刻误差 OVLE 提供的警示资讯包括了：在被评估的 晶圆 50 中应当均衡第一区域 R1 和第二区域 R2 各自的元件器或布线的密度，典型的例如 需提高第二区域 R2 的晶体管或元件器或布线的密度或例如降低第一区域 R1 的晶体管或 元件器或布线的密度。意义是：如果被评估的晶圆 50 上的一个第一有源区或实用电路区 的元件器或布线的密度与第一区域 R1 大致相当或接近或相等，晶圆 50 的一个第二有源 区或实用电路区的元件器或布线密度与第二区域 R2 大致相当或接近或相等，根据前述警 示资讯则应当主动均衡第一有源区和第二有源区各自的元件器或布线的密度，提高第二有 源区的元件器或布线的密度或需降低第一有源区的元件器或布线的密度。另外第一区域和第二区域可以被安排在非电路区的划片槽，也可以直接就是晶圆 50上的芯片的有效实用 电路区但第一区域和第二区域的此类位置处应当具有符合上下文描述的套刻对象要求的布线或金属连线，例如类似格条 13 和 14 的位于前层和后层的布线或连线等。这里所谓的 元件器包括集成电路涉及到的任何器件如晶体管或场效应管或二极管等。

参见图 5，在可选的实施例中，第一区域 R1 的套刻对象密度高于第二区域 R2布置 的套刻对象的密度。

参见图 4，在可选的实施例中，基于套刻对象交错程度（图 1）的改变，以调整光束相对晶圆 10 的倾斜夹角的方式来适配性形成变换的标记图像 SIGN，如光束 La2 与晶圆之间的倾斜夹角以及光束 La3 与晶圆之间的倾斜夹角进行调整。注意光束与晶圆之间的倾斜夹角改变了就意味着标记图像 SIGN 的形状也随之发生改变。一般套刻对象交错程度进行充分的改变就可以为神经网络 NET 提供充裕的训练数据集，通常认为训练数据集的覆盖范围越大则神经网络的训练效果越好。考虑到数据集图像数据 DATA 极其庞大则需要给出与之数据量适配的标记图像 SIGN，所以光束倾斜夹角的充分调整就能够给训练数据集提供相同数据量的标记图像。毕竟数据集中的每一个图像数据 DATA 皆与一个标记图像具有对应的映射关系。从而为套刻对象（例如图 1 的格条 13 和 14）交错程度改变下的每一种交错值均至少配对相应的一个标记图像。而为了达成这种目的，还可以以调整光束相对于套刻对象的方位角的方式来适配性的形成变换的标记图像：典型的例如适当的调整光束 La2 或 La3 所属方向在晶圆上的投影（设为虚拟）与 X 轴夹角，或认为适当的调整光束 La2 或 La3 所属方向在晶圆上的投影（设为虚拟）与格条 14 间的夹角。图中展示了光束 La2 或 La3 所属的方向被调整成光束 La1 的方向，那么光束 La2 或 La3 所属方向 在晶圆上的投影与格条 14 之间的原始的夹角大小被直接调整成光束 La1 所属方向在晶圆 上的投影与格条 14 之间的后续夹角大小，而这正是调整倾斜的光束 La2 或La3 相对于套 刻对象（如格条 14）的方位角的可行方式。本领域为晶圆 10 设定的 X 轴为横向轴而相对 为晶圆 10 设定的 Y 轴为纵向轴。图中还展示了调整光束 La2 或 La3的方位角的范例譬如 沿着图示的环线 20 转动光束 La2 或 La3 所属方向、但照射目标格条 14 不变。另外值得 注意的是，第二区域 R2 的四周均可配置成第一区域 R1。

参见图 4，在可选的实施例中，基于获取标记图像 SIGN，则允许以调整倾斜的光束 相对于晶圆 10 的倾斜夹角的方式和/或以调整倾斜的光束相对于套刻对象的方位角的方 式来形成变换的标记图像 SIGN，从而为套刻对象（格条 13 和 14）交错程度改变下的每 种交错值（格条 13 和 14 的已知套刻误差）均至少配对相应的一个标记图像。

参见图 1，在可选的实施例中，承上所述，已告知实验性晶圆 10 的训练数据集覆盖范围越大则神经网络训练效果越好。在构建数据集时还以改变第一区域和/或第二区域的套刻对象的线宽的方式（例如可以增加或缩减格条 13 和 14 的宽度）而增加包含系列图像 数据的数据集之数据量，充裕的数据集用以训练神经网络 NET。

参见图 1，在可选的实施例中，承上所述，已告知实验性晶圆 10 的训练数据集覆盖 范围越大则神经网络训练效果越好。在构建数据集时还以改变第一区域和/或第二区域的 套刻对象的复现的间距（例如可以增加或缩减两条相邻格条 13 之间的距离以及增加或缩 减两条相邻格条 14 之间的距离）而增加包含图像数据的数据集之数据量，充裕的数据集 用以训练神经网络 NET。

参见图 6，集成电路套刻误差评估方法：提供训练用的晶圆 10（步骤 S1），针对晶圆 的布置有套刻对象的第一区域 R1，光束对第一区域 R1 的套刻对象照射所返回的信号被 采集而形成体现套刻对象之套刻误差的图像数据，以改变第一区域 R1 的套刻对象交错程 度的方式而可撷取到一系列的图像数据的数据集（步骤 S2）。针对晶圆的布置有套刻对象 的第二区域 R2，光束倾斜照射第二区域 R2 套刻对象并被反射而透过第一区域 R1的套刻 对象予以出射，出射的光与倾斜的照射第一区域 R1 的套刻对象的光束的反射光干涉而形 成的图像形状被定义成一个标记图像（步骤 S2）。通过步骤 S2 可在训练晶圆10 处提取数据集和提取标记图像信息。数据集中的每一个皆与一个标记图像具有映射关系。

参见图 6，集成电路套刻误差评估方法：已告知通过步骤 S2 可在训练晶圆处提取数 据集和提取标记图像信息，从而用数据集对神经网络 NET 进行训练（步骤 S3）。

参见图 6，集成电路套刻误差评估方法：与训练用的晶圆 10 相对的是非训练用的并 处于实际生产（例如晶圆厂的流片）的晶圆，该训练用的晶圆 10 是实验性晶圆而处于实 际生产的晶圆 50 则是被评估的目标或者是受监控的目标。此时需要监控被评估的晶圆的 受监控的套刻对象之套刻误差（步骤 T1）。

参见图 6，集成电路套刻误差评估方法：监控可实用的晶圆 50（步骤 T1），针对晶圆 的布置有套刻对象的第一区域 R1，光束对第一区域 R1 的套刻对象照射所返回的信号被 采集而形成体现套刻对象之套刻误差的图像数据（步骤 T2）。针对晶圆的布置有套刻对象 的第二区域 R2，光束倾斜照射第二区域 R2 套刻对象并被反射而透过第一区域 R1 的套刻 对象予以出射，出射的光与倾斜的照射第一区域 R1 的套刻对象的光束的反射光干涉而形 成的图像形状被定义成一个标记图像（步骤 T2）。通过步骤 T2 可在实用晶圆 50处提取实 时的图像数据 DATA_RT 和提取到实时的标记图像 SIGN_RT 信息。

参见图 6，集成电路套刻误差评估方法：前文告知通过步骤 T2 可在晶圆 50 处提取实 时的图像数据 DATA_RT 和提取到实时的标记图像 SIGN_RT 信息，步骤 T3 将实时的图像 数据输入至神经网络 NET 进行推理。步骤 T3 使用训练好的神经网络 NET 来评估处于指 定工艺阶段的晶圆 50 的套刻误差（例如 OVLEk）。

参见图 6，集成电路套刻误差评估方法：步骤 T3 有两个目的，其一是根据提取实时的图像数据和神经网络 NET 来推算出晶圆 50 的套刻误差，其二是追溯工序或工艺异常例如倘若被评估的晶圆 50 的当前被推理出的套刻误差 OVLEk 与其应匹配的标记图像失配 而不具有映射关系，则判定指定工序引起了异常的套刻偏差。传统技术对套刻误差量测的弊端之一是：不关心与套刻误差相攸关的工序是否是正常的，只关注套刻偏差，那么此种 情况下的套刻误差或许是非正常工序条件下的产物。本申请至少能够判定出工序是否造成 了不同区域的套刻对象的研磨损耗是否一致的情形。本申请至少能够判定出工序是否造成 了双层套刻结构间的薄膜实际厚度是否合规的情形。本申请至少能够判定出版图设计工序 阶段是否设计了不同区域的元件器或布线的布局密度极度不均衡的问题。

参见图 7，针对晶圆 10 的布置有套刻对象的第一区域 R1，配置第一相机，则光束对 第一区域 R1 的套刻对象照射所返回的信号被第一相机采集，从而形成体现出套刻对象之 套刻误差的图像数据 DATA，以改变第一区域 R1 的套刻对象交错程度的方式而撷取系列 的图像数据 DATA 的数据集，将数据集存储至一个存储器。

参见图 7，针对晶圆 10 的布置有套刻对象的第二区域 R，配置第二相机，光束相对 倾斜的照射至第二区域 R2 的套刻对象并被反射而透过第一区域 R1 的所述的套刻对象予 以出射，出射的光与相对倾斜的照射至第一区域 R1 的套刻对象的光束的反射光干涉而形成的图像形状被第二相机所采集，该图像形状定义成一个标记图像 SIGN 并被存储至所述 存储器。数据集中的每一个图像数据皆与一个标记图像具有映射关系。

参见图 7，在一个计算机系统 PC 中配置一个神经网络 NET，从存储器（例如为计算 机系统 PC 配置的专用存储器）中读取数据集以对神经网络 NET 进行训练，以及使用训 练好的神经网络 NET 来评估处于指定工序阶段的其他的晶圆 50 的套刻误差，神经网络还 从存储器中读取标记图像 SIGN1 的信息，若被评估的晶圆 50 的当前被推理出的套刻误差与其应该匹配的标记图像 SIGN1 信息失配而不具映射关系（例如当前推理出的套刻误差所对应的实时的标记图像 SIGN_RT1 与应匹配标记图像 SIGN1 失配），则判定所述指定工 序引起了异常的套刻误差 OVLE1。即使推理套刻误差 OVLE1 与真实的实际套刻误差近 乎近似但相关工序或工艺存在异常（例如 SIGN_RT1 与 SIGN1 失配），这种条件下的套刻误差之推理值仅仅只是机缘巧合下的极端偶发情况，更接近事实的是，一旦工序或工艺存 在着异常则推理的套刻误差 OVLE1 与真实的实际套刻误差相差甚远。而且工序或工艺存 在着异常则推理的套刻误差 OVLE1 不管与实际的套刻误差是否相等，都应当认为这种条 件下的的套刻误差 OVLE1 属于非正常工序引起的异常套刻偏差。所以本申请的极大优势 是能够对套刻误差 OVLE1 本身进行监控、同时对与套刻误差 OVLE1 紧密相关的生产工 艺来进行同步监控，不仅仅关注套刻误差，还关注晶圆生产过程，双管齐下的评估措施足 以保证晶圆的高精准的套刻精度和避免套刻相关的生产工艺出错。

参见图 7，在可选的实施例中，是允许神经网络 NET 在评估其他晶圆 50 的套刻误差的阶段而动态更新其参数。假设再额外配置一个套刻测试仪 DETR，套刻测试仪可以是传 统套刻误差检测设备中的任何一种。套刻测试仪 DETR 每次检测出一种新的套刻误差数 值而且假设这种新的套刻误差数在前文的交错值中并不存在，藉此可以将新套刻误差对应 的图像数据添加到前文的数据集中。前文的神经网络 NET 训练所用的交错值即已知的套 刻误差例如是通过改变第一区域 R1 的套刻对象（如格条 13 和 14）的交错程度或交错值 的方式而撷取到系列的图像数据的数据集。神经网络 NET 在本实施例中是依据套刻测试 仪测得的新套刻误差（相当于增加交错值）而进行训练，即及机器学习。

参见图 7，另一项需要完成的任务是：仍然需要使用图 3 的实施例来将该新的套刻误差在当时所对应的新的图像数据记录下来，那么就是说，此时一个新的套刻误差与一个新 图像数据具有一一对应的映射关系。套刻测试仪 DETR 测得多少个新的套刻误差就应该 获取多少个新的图像数据。换言之，套刻测试仪 DETR 通过对套刻误差的测量而不断的 增加数据集的数据量，而与此同时，还为数据量中的每个新添加的图像数据配对新的标志 图像例如它们的获取可以通过图 3 和图 4 的实施例来实现。套刻测试仪 DETR 和第一相 机及第二相机各自分别将自身测得的相关监测数据发送给计算机系统 PC。

参见图 7，再一项需要完成的任务是：仍然需要使用图 4 的实施例来将该新的套刻误 差在当时所对应的新的标记图像记录下来，那么就是说，此时一个新的套刻误差与一个新标记图像具有一一对应的映射关系。套刻测试仪 DETR 测得多少个新的套刻误差就应该 获取多少个新的标记图像。换言之，套刻测试仪 DETR 通过对套刻误差的测量而不断的增加数据集的数据量，而与此同时，还为数据量中的每个新添加的标记图像配对新的图像数据例如它们的获取可以通过图 3 和图 4 的实施例来实现。

参见图 7，前文描述了套刻测试仪 DETR 测得套刻对象（如格条 13 和 14）之交错值 的方式从而撷取到一系列关于图像数据 DATA1’、DATA2’、DATAk’的数据集，数据集中的每一个皆与一个标记图像具有相互一一所对应的映射关系：例如通过图 3 的手段来生成 图像数据 DATA1’的同时，还通过图 4 的手段撷取到当时的标记图像 SIGN1’，可假设当前层的格条 14 和参考层格条 13 的交错值为 1.2 纳米而产生图像数据 DATA1’，在这种条 件下通过图 4 的手段撷取到当时的标记图像 SIGN1’，则 DATA1’映射 SIGN1’。

参见图 7，在可选的实施例中，关于数据集的映射关系：例如通过图 3 的手段来生成 图像数据 DATAk’的同时，可通过图 4 的手段撷取到当时的标记图像 SIGNk’，仍然假设 当前层的格条 14 和参考层格条 13 相互交错 k 纳米产生一个图像数据 DATAk’，在这种条 件下通过图 4 的手段撷取到当时的标记图像 SIGNk’，则 DATAk’映射 SIGNk’。

参见图 7，在可选的实施例中，数据集｛DATA1’、DATA2’……｝中的每个图像数据皆与一个标记图像具有对应映射关系，DATA1’映射 SIGN1’、DATA2’映射 SIGN2’以及还有图像数据 DATAk’映射 SIGNk’。而数据集｛DATA1’、DATA2’……｝中的每个图像数据对应的套刻误差自然也与一个标记图像具有对应的映射关系，如 DATA1’对应的套刻误差与标记图像 SIGN1’具有映射关系、DATA2’对应的套刻误差与标记图像 SIGN2’具有对应 映射关系及 DATAk’对应的套刻误差与标记图像 SIGNk’具有对应的映射关系。

参见图 7，在可选的实施例中，生产中晶圆 50 的套刻对象之交错值可能是刻意出现 而需要检测的，在每种套刻对象交错程度（即已知套刻误差 OVLE）之下可以撷取到相对 应的图像数据。因此，用数据集｛DATA1’、DATA2’……｝对神经网络 NET 进行训练并 使用训练好的神经网络 NET 来评估处于指定工序阶段的晶圆的套刻误差。被评估的其他 晶圆例如是实际生产过程中的非实验性晶圆，实际生产中是无法得知被评估的其他晶圆的真实套刻误差 OVLE，所以需要用神经网络 NET 对其进行推理。

以上通过说明和附图的内容，给出了具体实施方式的特定结构的典型实施例，上述申 请内容提出了现有的较佳实施例，但这些内容并不作为局限。对于本领域的技术人员而言 在阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应当看作 是涵盖本发明真实意图和范围的全部变化和修正。权利要求书范围之内的任何和所有等价 的范围与内容，都应认为属本发明的意图和范围内。

Claims (10)

1.一种集成电路套刻误差评估方法，其特征在于：

针对晶圆的布置有套刻对象的第一区域，光束对第一区域的所述套刻对象照射所返回的信号被采集而形成体现所述套刻对象之套刻误差的图像数据，以改变第一区域的套刻对象交错程度的方式而撷取到一系列的所述图像数据的数据集；

针对晶圆的布置有套刻对象的第二区域，光束相对倾斜的照射第二区域的所述套刻对象并被反射而透过第一区域的套刻对象予以出射，出射的光与相对倾斜的照射第一区域的所述套刻对象的光束的反射光干涉而形成的图像形状被定义成一个标记图像，其中所述数据集中的每一个皆与一个标记图像具有对应的映射关系；

利用所述数据集对一个神经网络进行训练，使用训练好的神经网络来评估处于指定工序阶段的其他晶圆的套刻误差，如果被评估晶圆的当前被推理出套刻误差对应的实时标记图像与其应匹配的已知标记图像失配而不具有映射关系，则判定所述指定工序引起了异常的套刻偏差。

2.根据权利要求1所述的方法，其特征在于：

所述指定工序至少包括研磨、刻蚀、化学或物理气相沉积中的一种。

3.根据权利要求1所述的方法，其特征在于：

异常的所述套刻偏差提供的警示资讯至少包括：在被评估的晶圆中应均衡所述第一区域和所述第二区域各自的元器件或布线的密度，需提高所述第二区域的元器件或布线的密度或者需降低所述第一区域的元器件或布线的密度。

4.根据权利要求1所述的方法，其特征在于：

设置所述第一区域布置的所述套刻对象的密度高于所述第二区域布置的所述套刻对象的密度。

5.根据权利要求1所述的方法，其特征在于：

基于获取标记图像，以调整倾斜的光束相对于晶圆的倾斜夹角的方式和/或以调整倾斜的光束相对于所述套刻对象的方位角的方式来形成变换的标记图像，从而为所述套刻对象交错程度改变下的每一种交错值均至少配对相应的一个标记图像。

6.根据权利要求4所述的方法，其特征在于：

所述指定工序至少包括了研磨，引起异常的所述套刻偏差的因素包括研磨过程造成所述第二区域的所述套刻对象的研磨损耗比所述第一区域的所述套刻对象的研磨损耗高。

7.根据权利要求1所述的方法，其特征在于：

所述套刻对象含双层套刻结构，引起异常的所述套刻偏差的因素包括沉积于所述双层套刻结构之间的薄膜的实际厚度与预定厚度之间的差值超过允许的范围。

8.根据权利要求1所述的方法，其特征在于：

在构建所述数据集时，还以改变所述第一区域和/或所述第二区域的所述套刻对象的线宽的方式而增加所述图像数据的数据量，用以训练所述神经网络；或者

在构建所述数据集时，还以改变所述第一区域和/或所述第二区域的所述套刻对象的复现间距的方式而增加所述图像数据的数据量，用以训练所述神经网络。

9.根据权利要求1所述的方法，其特征在于：

针对被评估晶圆的受监控的套刻对象，提取该受监控的套刻对象的用于体现其套刻误差的实时的图像数据，和提取每个实时的图像数据在当时对应的实时的标记图像，由训练好的所述神经网络根据实时的图像数据而推理出被评估的晶圆的当前的套刻误差：

若该实时的标记图像与被推理出的套刻误差所映射的应匹配标记图像不相配，则判断被推理出的套刻误差与其应匹配的标记图像失配而不具有映射关系。

10.一种集成电路套刻误差评估方法，其特征在于：

针对晶圆的布置有套刻对象的第一区域，配置一个第一相机，光束对第一区域的所述套刻对象照射所返回的信号被第一相机采集，从而形成体现出所述套刻对象之套刻误差的图像数据，以改变第一区域的套刻对象交错程度的方式而撷取一系列的所述图像数据的数据集，将所述数据集存储至一个存储器；

针对晶圆的布置有套刻对象的第二区域，配置一个第二相机，光束相对倾斜的照射至第二区域的所述套刻对象并被反射而透过第一区域的套刻对象予以出射，出射的光与相对倾斜的照射至第一区域的所述套刻对象的光束的反射光干涉而形成的图像形状被第二相机所采集，该图像形状定义成一个标记图像并存储至所述存储器，其中，所述数据集中的每一个皆与一个标记图像具有对应的映射关系；

在一个计算机系统中配置一个神经网络，从所述存储器中读取所述数据集以对所述神经网络进行训练，以及使用训练好的所述神经网络来评估处于指定工序阶段的其他晶圆的套刻误差，所述神经网络还从所述存储器中读取标记图像的信息，如果被评估晶圆的当前被推理出套刻误差对应的实时标记图像与其应该匹配的已知标记图像信息失配而不具有映射关系，则判定所述指定工序引起了异常的套刻偏差。

Images