CN116263559A - 基于机器学习预测待测图形上的光学临近效应缺陷的方法 - Google Patents
基于机器学习预测待测图形上的光学临近效应缺陷的方法 Download PDFInfo
- Publication number
- CN116263559A CN116263559A CN202111538736.0A CN202111538736A CN116263559A CN 116263559 A CN116263559 A CN 116263559A CN 202111538736 A CN202111538736 A CN 202111538736A CN 116263559 A CN116263559 A CN 116263559A
- Authority
- CN
- China
- Prior art keywords
- pattern
- development
- etching
- deviation
- detected
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000007547 defect Effects 0.000 title claims abstract description 59
- 230000003287 optical effect Effects 0.000 title claims abstract description 51
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000011161 development Methods 0.000 claims abstract description 197
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000005530 etching Methods 0.000 claims abstract description 107
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 26
- 235000012431 wafers Nutrition 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 20
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 238000001259 photo etching Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000000059 patterning Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
Abstract
一种基于机器学习预测待测图形上的光学临近效应缺陷的方法,包括:提供晶圆片,晶圆片具有若干曝光显影图形,曝光显影图形具有显影目标图形;获取显影图形偏差数据库,数据库中包括测量刻蚀偏差和第一特征向量;提供初始训练模型;根据初始训练模型获取训练模型;提供待检测显影目标图形;获取待检测显影目标图形的第二特征向量;根据训练模型获取第二特征向量对应的预测刻蚀偏差;根据预测刻蚀偏差,获取预测显影目标图形;对比预测显影目标图形与待检测显影目标图形,判断是否存缺陷。本方法能够提前发现由光刻、显影或蚀刻工艺引起的缺陷,避免了在实际制作过程中发现问题所带来的掩膜重制或其他工艺返工现象,有效节约了制作时间和成本。
Description
技术领域
本发明涉及半导体制造技术领域,尤其涉及一种基于机器学习预测待测图形上的光学临近效应缺陷的方法。
背景技术
半导体集成电路芯片通过批量处理制作,在同一衬底上会形成大量各种类型的半导体器件,并将其互相连接以具有完整的电子功能。其中,任一步骤中所产生的缺陷,都可能导致电路制作的失败。因此,在制作工艺中,常需要对各步工艺的制作结构进行缺陷检测及分析,找出缺陷发生的原因,并加以排除。然而,随着超大规模集成电路(ULSI,UltraLarge Scale Integration)的迅速发展,芯片的集成度越来越高,器件的尺寸越来越小,相应的,在工艺制作中产生的足以影响器件成平率的缺陷尺寸也越来越小,给半导体器件的缺陷检测提出了更高的要求。
然而,现有的基于机器学习预测待测图形上的光学临近效应缺陷的方法仍存在诸多问题。
发明内容
本发明解决的技术问题是提供一种基于机器学习预测待测图形上的光学临近效应缺陷的方法,能够有效节约了制作时间和制作成本。
为解决上述问题,本发明提供一种基于机器学习预测待测图形上的光学临近效应缺陷的方法,包括:提供若干晶圆片,对每片所述晶圆片进行曝光显影处理,获取若干曝光显影图形,每个所述曝光显影图形具有相对应的显影目标图形;根据若干所述晶圆片,获取显影图形偏差数据库,所述显影图形偏差数据库中包括与每个所述显影目标图形相对应的测量刻蚀偏差和第一特征向量;提供初始训练模型;根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型;提供待检测显影目标图形;获取所述待检测显影目标图形的第二特征向量;根据所述训练模型,获取与所述待检测显影目标图形的第二特征向量相对应的预测刻蚀偏差;根据所述预测刻蚀偏差,获取与所述待检测显影目标图形相对应的预测显影目标图形;对比所述预测显影目标图形与所述待检测显影目标图形,判断所述待检测显影图形是否存在光学临近效应的缺陷。
可选的,根据若干所述晶圆片,获取所述显影图形偏差数据库中与每个所述显影目标图形相对应的测量刻蚀偏差的方法包括:获取每个所述显影目标图形相对应的第一刻蚀目标图形;获取每个所述显影目标图形与相对应的所述第一刻蚀目标图形之间对应片段的外轮廓间距偏差;获取每个所述显影目标图形的显影边缘放置误差;获取每个所述第一刻蚀目标图形的刻蚀边缘放置误差;将所述显影边缘放置误差减去相对应的所述刻蚀边缘放置误差,获取边缘放置偏差;将所述外轮廓间距偏差与所述边缘放置偏差之间对应片段相加,获取所述显影目标图形相对应的测量刻蚀偏差。
可选的,所述第一特征向量包括:所述显影目标图形的若干环境密度、所述显影目标图形的长度尺寸和宽度尺寸、所述显影目标图形中每个片段与相邻的若干周围图形之间的间距尺寸、以及每个所述显影目标图形的曝光光强。
可选的,获取每个所述显影目标图形的若干环境密度的方法包括:以所述显影目标图形为中心,在初始版图中内划分若干密度区域,所述显影目标图形位于每个所述密度区域内;获取每个所述密度区域的面积;获取每个所述密度区域内所有的图形的总面积;将每个所述密度区域内所有的图形的总面积除以对应的所述密度区域的面积,获取每个所述显影目标图形的若干环境密度。
可选的,根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型的方法包括:在所述显影图形偏差数据库中提取若干所述显影目标图形所对应的测量刻蚀偏差和第一特征向量作为训练数据;将所述训练数据输入至所述初始训练模型中进行训练,形成中间训练模型;在所述显影图形偏差数据库中提取若干所述显影目标图形所对应的测量刻蚀偏差和第一特征向量作为测试数据;将所述测试数据中的若干第一特征向量输入至所述中间训练模型中进行测试,由所述中间训练模型输出若干分别与所述显影目标图形相对应的校验预测刻蚀偏差;将若干所述校验预测刻蚀偏差与所述测试数据中相对应的若干所述测量刻蚀偏差进行若干次校验计算,获取若干可靠性参数;当所述若干所述可靠性参数均达到设定阈值时,以所述中间训练模型作为所述训练模型;当若干所述可靠性参数中至少一个没有达到设定阈值时,对所述中间训练模型进行参数调整,直至所述可靠性参数均达到设定阈值为止,形成所述训练模型。
可选的,所述训练数据中的数据量与所述测试数据中的数据量之比为7:3~9:1。
可选的,将若干所述校验预测刻蚀偏差与相对应的若干所述测量刻蚀偏差进行若干校验计算,获取若干可靠性参数的方法包括:提供若干校验模型;根据所述校验模型,将若干所述校验预测刻蚀偏差与相对应的若干所述测量刻蚀偏差进行校验计算,获取若干所述可靠性参数。
可选的,所述校验模型包括:均方根误差模型、均方误差模型、平均绝对误差模型和标准偏差模型中的一者或多者。
可选的,所述待检测显影目标图形的第二特征向量包括:所述待检测显影目标图形的第二特征向量包括:所述待检测显影目标图形的若干环境密度、所述待检测显影目标图形的长度尺寸和宽度尺寸、所述待检测显影目标图形中每个片段与相邻的若干周围图形之间的间距尺寸、以及所述待检测显影目标图形的曝光光强。
可选的,根据所述预测刻蚀偏差获取预测显影目标图形的方法包括:提供与所述待检测显影目标图形相对应的第二刻蚀目标图形;将所述第二刻蚀目标图形与所述预测刻蚀偏差相加,获取所述预测显影目标图形。
可选的,对比所述预测显影目标图形与所述待检测显影目标图形,判断所述待检测显影图形是否存在光学临近效应的缺陷的方法包括:将所述预测显影目标图形与相对应的所述待检测显影目标图形之间对应片段相减,获取预测显影偏差;当所述预测显影偏差在预设偏差范围内,则判定所述待检测显影图形不存在光学临近效应的缺陷;当所述预测显影偏差不在预设偏差范围内,则判定所述待检测显影图形存在光学临近效应的缺陷。
可选的,所述初始训练模型包括:全连接神经网络模型或随机森林模型。
与现有技术相比,本发明的技术方案具有以下优点:
本发明的技术方案的基于机器学习预测待测图形上的光学临近效应缺陷的方法中,通过提供若干晶圆片,根据若干所述晶圆片获取显影图形偏差数据库,利用所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型,通过所述训练模型能够获取预测刻蚀偏差,以所述预测刻蚀偏差为基础判断所述待检测显影图形是否存在光学临近效应的缺陷。所述基于机器学习预测待测图形上的光学临近效应缺陷的方法能够提前发现由光刻、显影或蚀刻工艺引起的缺陷,避免了在实际制作过程中发现问题所带来的掩膜重制或其他工艺返工的现象,有效节约了制作时间和制作成本。
附图说明
图1是本发明实施例中一种基于机器学习预测待测图形上的光学临近效应缺陷的方法的流程示意图;
图2至图10是本发明实施例中一种基于机器学习预测待测图形上的光学临近效应缺陷的方法各步骤结构示意图。
具体实施方式
正如背景技术所述,现有的基于机器学习预测待测图形上的光学临近效应缺陷的方法仍存在诸多问题。以下将进行具体说明。
目前,光学邻近修正过程中的基于机器学习预测待测图形上的光学临近效应缺陷的方法为:基于光学邻近修正模型的仿真图形与光学邻近修正流片时的显影目标图形进行比较,进而实现光学邻近修正过程中的缺陷检测。然而,这种基于机器学习预测待测图形上的光学临近效应缺陷的方法,如果突出了一种薄弱环节,就会伴随着一系列的检查和补救工作,甚至是掩膜重制或其他工艺返工,造成时间、人力和财力的巨大浪费。
在此基础上,本发明提供一种基于机器学习预测待测图形上的光学临近效应缺陷的方法,能够提前发现由光刻、显影或蚀刻工艺引起的缺陷,避免了在实际制作过程中发现问题所带来的掩膜重制或其他工艺返工的现象,有效节约了制作时间和制作成本。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细地说明。
图1是本发明实施例中一种基于机器学习预测待测图形上的光学临近效应缺陷的方法的流程示意图,包括:
步骤S101,提供若干晶圆片,对每片所述晶圆片进行曝光显影处理,获取若干曝光显影图形,每个所述曝光显影图形具有相对应的显影目标图形;
步骤S102,根据若干所述晶圆片,获取显影图形偏差数据库,所述显影图形偏差数据库中包括与每个所述显影目标图形相对应的测量刻蚀偏差和第一特征向量;
步骤S103,提供初始训练模型;
步骤S104,根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型;
步骤S105,提供待检测显影目标图形;
步骤S106,获取所述待检测显影目标图形的第二特征向量;
步骤S107,根据所述训练模型,获取与所述待检测显影目标图形的第二特征向量相对应的预测刻蚀偏差;
步骤S108,根据所述预测刻蚀偏差,获取与所述待检测显影目标图形相对应的预测显影目标图形;
步骤S109,对比所述预测显影目标图形与所述待检测显影目标图形,判断所述待检测显影图形是否存在光学临近效应的缺陷。
以下将结合附图对所述基于机器学习预测待测图形上的光学临近效应缺陷的方法的各个步骤进行详细说明。
图2至图10是本发明实施例的基于机器学习预测待测图形上的光学临近效应缺陷的方法各步骤的结构示意图。
请参考图2,提供若干晶圆片(未图示),对每片所述晶圆片进行曝光显影处理,获取若干曝光显影图形100,每个所述曝光显影图形100具有相对应的显影目标图形101。
需要说明的是,在本实施例中,所述曝光显影图形100为在实际制程中,在所述晶圆片的光刻胶上显现出来的真实图形;与所述曝光显影图形100相对应的所述显影目标图形101为理想状态下能够获取的图形,由于在实际制程中的各种环境因素的影响,所述显影目标图形101与最终形成的所述曝光显影图形100具有一定的差异,一般情况下,所述显影目标图形101为较为规则的条状矩形,而所述真实显影图101形为条状椭圆形。
接着,在提供若干所述晶圆片之后,根据若干所述晶圆片,获取显影图形偏差数据库,所述显影图形偏差数据库中包括与每个所述显影目标图形101相对应的测量刻蚀偏差Etch_bias_m和第一特征向量。
请参考图3至图5,在本实施例中,根据若干所述晶圆片,获取所述显影图形偏差数据库中与每个所述显影目标图形101相对应的测量刻蚀偏差Etch_bias_m(未图示)的方法包括:获取每个所述显影目标图形101相对应的第一刻蚀目标图形201;获取每个所述显影目标图形101与相对应的所述第一刻蚀目标图形201之间对应片段的外轮廓间距偏差Old_etch_m;获取每个所述显影目标图形101的显影边缘放置误差ADI_bias_m;获取每个所述第一刻蚀目标图形201的刻蚀边缘放置误差AEI_bias_m;将所述显影边缘放置误差ADI_bias_m减去相对应的所述刻蚀边缘放置误差AEI_bias_m,获取边缘放置偏差Δ_bias_m(未图示);将所述外轮廓间距偏差Old_etch_m与所述边缘放置偏差Δ_bias_m之间对应片段相加,获取所述显影目标图形101相对应的测量刻蚀偏差Etch_bias_m。
请继续参考图3,在本实施例中,获取每个所述显影目标图101与相对应的所述第一刻蚀目标图形201之间对应片段的外轮廓间距偏差Old_etch_m的方法包括:将所述显影目标图形101的外轮廓分割为若干第一片段(未标示),在每个所述第一片段中选取第一采样点ADI_target1;将所述第一刻蚀目标图形201的外轮廓分为若干第二片段;在每个所述第二片段中选取第二采样点AEI_target1,且若干所述第二采样点AEI_target1与若干所述第一采样点ADI_target1一一对应;获取若干组相对应的所述第一采样点ADI_target1和所述第二采样点AEI_target1的间距值,并将所述间距值作为所述外轮廓间距偏差Old_etch_m,即:
Old_etch_m=ADI_target-AEI_target1。
需要说明的是,所述第一刻蚀目标图形201指的是,在理想环境下,以所述显影目标图101为掩膜,经过若干次图形化传递刻蚀所形成的图形。
请继续参考图4,在本实施例中,所述显影目标图形101的显影边缘放置误差ADI_bias_m为:所述显影目标图形101与相对应的所述曝光显影图形100之间对应片段的轮廓偏差,具体获取方法与获取所述外轮廓间距偏差Old_etch_m的方法一致,在此将不再进行赘述。
请继续参考图5,在本实施例中,所述第一刻蚀目标图形201的刻蚀边缘放置误差AEI_bias_m为:所述第一刻蚀目标图形201与在所述晶圆片上相对应的真实刻蚀图形200之间对应片段的轮廓偏差。
需要说明的是,所述真实刻蚀图形200为在实际制程中,在所述晶圆片上,以所述曝光显影图形100为掩膜,经过若干次图形化传递刻蚀所形成的真实图形。
具体获取方法与获取所述外轮廓间距偏差Old_etch_m的方法一致,在此将不再进行赘述。
因此,所述边缘放置偏差Δ_bias_m为:
Δ_bias_m=ADI_bias_m-AEI_bias_m。
相应的,所述测量刻蚀偏差Etch_bias_m为:
Etch_bias_m=Old_etch_m+Δ_bias_m。
需要说明的是,在本实施例中,在获取所述外轮廓间距偏差Old_etch_m、显影边缘放置误差ADI_bias_m以及刻蚀边缘放置误差AEI_bias_m的过程中,各个图形的外轮廓的分割片段数量均保持一致。因此,最终获取所述外轮廓间距偏差Old_etch_m、显影边缘放置误差ADI_bias_m以及刻蚀边缘放置误差AEI_bias_m的数据为每个片段对应的运算数值所组成的数组,各个数组之间在进行四则运算时,实则是对应的片段的数值进行四则运算。
请参考图6,在本实施例中,所述第一特征向量包括:所述显影目标图形101的若干环境密度C1~Cn、所述显影目标图形101的长度尺寸L1、所述显影目标图形101的宽度尺寸W1、所述显影目标图形101中每个片段与相邻的若干周围图形之间的间距尺寸D1、以及每个所述显影目标图形101的曝光光强E1。
需要说明的是,在本实施例中,所述周围图形包括:所述显影目标图形101中分割的片段、或位于所述显影目标图形101周围的其他图形。在水平方向上,相邻两个片段之间的间距尺寸D1为两个片段中对应的采样点之间的间距。
在本实施例中,获取每个所述显影目标图形101的若干环境密度C1~Cn的方法包括:以所述显影目标图形101为中心,在初始版图中划分若干密度区域,所述显影目标图形101位于每个所述密度区域内;获取每个所述密度区域的面积S1~Sn;获取每个所述密度区域内所有的图形数量的总面积Q1~Qn;将每个所述密度区域内所有的图形的总面积数量Q1~Qn除以对应的所述密度区域的面积S1~Sn,获取每个所述显影目标图形101的若干环境密度C1~Cn,即:
Ci=Qi/Si。
其中,i是自然数,并且,1≤i≤n;所述初始版图是指形成于掩膜版上的设计版图。
请继续参考图2至图6,在获取显影图形偏差数据库之后,提供初始训练模型。
在本实施例中,所述初始训练模型采用的是全连接神经网络模型;在其他实施例中,所述初始训练模型还可以采用随机森林模型。
在提供所述初始训练模型之后,根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型。
在本实施例中,根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型的方法包括:在所述显影图形偏差数据库中提取若干所述显影目标图形101所对应的测量刻蚀偏差Etch_bias_m和第一特征向量作为训练数据;将所述训练数据输入至所述初始训练模型中进行训练,形成中间训练模型;在所述显影图形偏差数据库中提取若干所述显影目标图形101所对应的测量刻蚀偏差Etch_bias_m和第一特征向量作为测试数据;将所述测试数据中的若干第一特征向量输入至所述中间训练模型中进行测试,由所述中间训练模型输出若干分别与所述显影目标图形101相对应的校验预测刻蚀偏差Etch_bias_p;将若干所述校验预测刻蚀偏差Etch_bias_p与所述测试数据中相对应的若干所述测量刻蚀偏差Etch_bias_m进行若干次校验计算,获取若干可靠性参数;当所述若干所述可靠性参数均达到设定阈值时,以所述中间训练模型作为所述训练模型;当若干所述可靠性参数中至少一个没有达到设定阈值时,对所述中间训练模型进行参数调整,直至所述可靠性参数均达到设定阈值为止,形成所述训练模型。
在本实施例中,所述训练数据中的数据量与所述测试数据中的数据量之比为7:3~9:1。
在本实施例中,将若干所述校验预测刻蚀偏差Etch_bias_p与相对应的若干所述测量刻蚀偏差Etch_bias_m进行若干校验计算,获取若干可靠性参数的方法包括:提供若干校验模型;根据所述校验模型,将若干所述校验预测刻蚀偏差与相对应的若干所述测量刻蚀偏差进行校验计算,获取若干所述可靠性参数。
所述校验模型包括:均方根误差模型RMSE、均方误差模型MSE、平均绝对误差模型MAE以及标准偏差模型SD中的一者或多者。
其中,
其中,M(Etch_bias_mt-Etch_bias_pt)为Etch_bias_mt-Etch_bias_pt的平均值。
在本实施例中,所述校验模型采用均方根误差模型RMSE、均方误差模型MSE、平均绝对误差模型MAE以及标准偏差模型SD。
需要说明的是,为了便于理解,根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试的过程可理解为:训练数据中的所述第一特征向量可假设为已知条件X,训练数据中的所述测量刻蚀偏差Etch_bias_m可假设为输出结果Y。在对所述初始训练模型进行训练阶段时,同时将已知条件X和输出结果Y输入至所述初始训练模型中,所述初始训练模型根据自身的内部复杂的网络系统进行计算,寻找两者的关系,在训练阶段完成之后,所述初始训练模型形成了中间训练模型。
在完成对所述初始训练模型的训练之后,需要对形成的所述中间训练模型进行评估检测,判断所述中间训练模型的可靠性。此时,将测试数据中的所述第一特征向量作为已知条件X输入至所述中间训练模型,由所述中间训练模型输出的校验预测刻蚀偏差Etch_bias_p作为输出结果Y’。进而,将所述校验预测刻蚀偏差Etch_bias_p与测试数据中相对应的测量刻蚀偏差Etch_bias_m进行对比,判断所述中间训练模型输出的结果是否准确。如果可靠性参数达到设定阈值,则认为所述中间训练模型的可靠性较高,并可将所述中间训练模型作为最终的训练模型对后续提供的待检测显影目标图形进行预测;如果可靠性参数没有达到设定阈值,则需要对所述中间训练模型中的一些参数进行调整,进行对调整后的所述中间训练模型进行训练测试,直至可靠性参数达到设定阈值为止。
请参考图7,提供待检测显影目标图形301。
在本实施例中,所述待检测显影目标图形301为未经处理的显影目标图形101。需要在后续采集所述待检测显影目标图形301的第二特征向量,进而输入至所述训练模型中,由所述训练模型输出与所述待检测显影目标图形301相对应的预测刻蚀偏差。进而根据输出的结果,判断所述待检测显影目标图形301是否存在光学临近效应的缺陷。
请参考图8,获取所述待检测显影目标图形301的第二特征向量。
在本实施例中,所述待检测显影目标图形301的第二特征向量包括:所述待检测显影目标图形301的若干环境密度C’1~C’n、所述待检测显影目标图形301的长度尺寸L2、所述待检测显影目标图形301的宽度尺寸W2、所述待检测显影目标图形301与相邻的若干周围图形之间的间距尺寸D2、以及所述待检测显影目标图形301的曝光光强E2。
需要说明的是,在本实施例中,所述第二特征向量与所述第一特征向量的获取方法一致,在此将不再进行赘述。
在所述待检测显影目标图形301的第二特征向量之后,根据所述训练模型,获取与所述待检测显影目标图形301的第二特征向量相对应的预测刻蚀偏差Etch_bias_predicted。
根据所述训练模型,获取与所述待检测显影目标图形301的第二特征向量相对应的预测刻蚀偏差Etch_bias_predicted的方法包括:将所述待检测显影目标图形301的第二特征向量输入至所述训练模型;由所述训练模型输出所述预测刻蚀偏差Etch_bias_predicted。
由于最终形成的训练模型经过了所述测试阶段的测试,因此,所述训练模型具有较高的可靠性,从而,输出的所述预测刻蚀偏差Etch_bias_predicted也具有较高的可靠性。
请参考图9,在获取所述预测刻蚀偏差Etch_bias_predicted之后,根据所述预测刻蚀偏差Etch_bias_predicted,获取与所述待检测显影目标图形301相对应的预测显影目标图形401。
在本实施例中,根据所述预测刻蚀偏差Etch_bias_predicted获取预测显影目标图形401的方法包括:提供与所述待检测显影目标图形301相对应的第二刻蚀目标图形501;将所述第二刻蚀目标图形501与所述预测刻蚀偏差Etch_bias_predicted相加,获取所述预测显影目标图形401。
需要说明的是,需要说明的是,所述第二刻蚀目标图形501指的是,在理想环境下,以所述待检测显影目标图形301为掩膜,经过若干次图形化传递刻蚀所形成的图形。
请继续参考图9,在本实施例中,将所述第二刻蚀目标图形501与所述预测刻蚀偏差Etch_bias_predicted相加,获取所述预测显影目标图形401的方法包括:将所述第二刻蚀目标图形501的外轮廓分割为若干第三片段;在每段所述第三片段上提取第三采样点AEI_target2;将每个所述第三采样点向外移动与对应所述预测刻蚀偏差Etch_bias_predicted相等的距离,形成第四采样点ADI_target_predict;将若干所述第四采样点ADI_target_predict连接,形成所述预测显影目标图形401,即:
ADI_target_predict=AEI_target2+Etch_bias_predicted。
在获取所述预测显影目标图形401之后,对比所述预测显影目标图形401与所述待检测显影目标图形301,判断所述待检测显影图形301是否存在光学临近效应的缺陷。
请参考图10,在本实施例中,对比所述预测显影目标图形401与所述待检测显影目标图形301,判断所述待检测显影图形301是否存在光学临近效应的缺陷的方法包括:将所述预测显影目标图形401与相对应的所述待检测显影目标图形301之间对应片段相减,获取预测显影偏差Pre_bias;当所述预测显影偏差Pre_bias在预设偏差范围内,则判定所述待检测显影图形301不存在光学临近效应的缺陷;当所述预测显影偏差Pre_bias不在预设偏差范围内,则判定所述待检测显影图形301存在光学临近效应的缺陷。
在本实施例中,将所述预测显影目标图形401与相对应的所述待检测显影目标图形301之间对应片段相减,获取预测显影偏差Pre_bias的方法与获取所述外轮廓间距偏差Old_etch_m的方法一致,在此将不再进行赘述。
所述预测显影偏差Pre_bias为:
Pre_bias=ADI_target_predict-ADI_target’;
其中,所述ADI_target’为所述待检测显影目标图形301中各片段中提取的采样点位置。
在本实施例中,通过提供若干晶圆片,根据若干所述晶圆片获取显影图形偏差数据库,利用所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型,通过所述训练模型能够获取预测刻蚀偏差Etch_bias_predicted,以所述预测刻蚀偏差Etch_bias_predicted为基础判断所述待检测显影图形301是否存在光学临近效应的缺陷。所述基于机器学习预测待测图形上的光学临近效应缺陷的方法能够提前发现由光刻、显影或蚀刻工艺引起的缺陷,避免了在实际制作过程中发现问题所带来的掩膜重制或其他工艺返工的现象,有效节约了制作时间和制作成本。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (12)
1.一种基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,包括:
提供若干晶圆片,对每片所述晶圆片进行曝光显影处理,获取若干曝光显影图形,每个所述曝光显影图形具有相对应的显影目标图形;
根据若干所述晶圆片,获取显影图形偏差数据库,所述显影图形偏差数据库中包括与每个所述显影目标图形相对应的测量刻蚀偏差和第一特征向量;
提供初始训练模型;
根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型;
提供待检测显影目标图形;
获取所述待检测显影目标图形的第二特征向量;
根据所述训练模型,获取与所述待检测显影目标图形的第二特征向量相对应的预测刻蚀偏差;
根据所述预测刻蚀偏差,获取与所述待检测显影目标图形相对应的预测显影目标图形;
对比所述预测显影目标图形与所述待检测显影目标图形,判断所述待检测显影图形是否存在光学临近效应的缺陷。
2.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,根据若干所述晶圆片,获取所述显影图形偏差数据库中与每个所述显影目标图形相对应的测量刻蚀偏差的方法包括:获取每个所述显影目标图形相对应的第一刻蚀目标图形;获取每个所述显影目标图形与相对应的所述第一刻蚀目标图形之间对应片段的外轮廓间距偏差;获取每个所述显影目标图形的显影边缘放置误差;获取每个所述第一刻蚀目标图形的刻蚀边缘放置误差;将所述显影边缘放置误差减去相对应的所述刻蚀边缘放置误差,获取边缘放置偏差;将所述外轮廓间距偏差与所述边缘放置偏差之间对应片段相加,获取所述显影目标图形相对应的测量刻蚀偏差。
3.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,所述第一特征向量包括:所述显影目标图形的若干环境密度、所述显影目标图形的长度尺寸和宽度尺寸、所述显影目标图形中每个片段与相邻的若干周围图形之间的间距尺寸、以及每个所述显影目标图形的曝光光强。
4.如权利要求3所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,获取每个所述显影目标图形的若干环境密度的方法包括:以所述显影目标图形为中心,在初始版图中内划分若干密度区域,所述显影目标图形位于每个所述密度区域内;获取每个所述密度区域的面积;获取每个所述密度区域内所有的图形的总面积;将每个所述密度区域内所有的图形的总面积除以对应的所述密度区域的面积,获取每个所述显影目标图形的若干环境密度。
5.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试,获取训练模型的方法包括:在所述显影图形偏差数据库中提取若干所述显影目标图形所对应的测量刻蚀偏差和第一特征向量作为训练数据;将所述训练数据输入至所述初始训练模型中进行训练,形成中间训练模型;在所述显影图形偏差数据库中提取若干所述显影目标图形所对应的测量刻蚀偏差和第一特征向量作为测试数据;将所述测试数据中的若干第一特征向量输入至所述中间训练模型中进行测试,由所述中间训练模型输出若干分别与所述显影目标图形相对应的校验预测刻蚀偏差;将若干所述校验预测刻蚀偏差与所述测试数据中相对应的若干所述测量刻蚀偏差进行若干次校验计算,获取若干可靠性参数;当所述若干所述可靠性参数均达到设定阈值时,以所述中间训练模型作为所述训练模型;当若干所述可靠性参数中至少一个没有达到设定阈值时,对所述中间训练模型进行参数调整,直至所述可靠性参数均达到设定阈值为止,形成所述训练模型。
6.如权利要求5所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,所述训练数据中的数据量与所述测试数据中的数据量之比为7:3~9:1。
7.如权利要求5所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,将若干所述校验预测刻蚀偏差与相对应的若干所述测量刻蚀偏差进行若干校验计算,获取若干可靠性参数的方法包括:提供若干校验模型;根据所述校验模型,将若干所述校验预测刻蚀偏差与相对应的若干所述测量刻蚀偏差进行校验计算,获取若干所述可靠性参数。
8.如权利要求7所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,所述校验模型包括:均方根误差模型、均方误差模型、平均绝对误差模型和标准偏差模型中的一者或多者。
9.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,所述待检测显影目标图形的第二特征向量包括:所述待检测显影目标图形的若干环境密度、所述待检测显影目标图形的长度尺寸和宽度尺寸、所述待检测显影目标图形中每个片段与相邻的若干周围图形之间的间距尺寸、以及所述待检测显影目标图形的曝光光强。
10.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,根据所述预测刻蚀偏差获取预测显影目标图形的方法包括:提供与所述待检测显影目标图形相对应的第二刻蚀目标图形;将所述第二刻蚀目标图形与所述预测刻蚀偏差相加,获取所述预测显影目标图形。
11.如权利要求10所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,对比所述预测显影目标图形与所述待检测显影目标图形,判断所述待检测显影图形是否存在光学临近效应的缺陷的方法包括:将所述预测显影目标图形与相对应的所述待检测显影目标图形之间对应片段相减,获取预测显影偏差;当所述预测显影偏差在预设偏差范围内,则判定所述待检测显影图形不存在光学临近效应的缺陷;当所述预测显影偏差不在预设偏差范围内,则判定所述待检测显影图形存在光学临近效应的缺陷。
12.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法,其特征在于,所述初始训练模型包括:全连接神经网络模型或随机森林模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111538736.0A CN116263559A (zh) | 2021-12-15 | 2021-12-15 | 基于机器学习预测待测图形上的光学临近效应缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111538736.0A CN116263559A (zh) | 2021-12-15 | 2021-12-15 | 基于机器学习预测待测图形上的光学临近效应缺陷的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116263559A true CN116263559A (zh) | 2023-06-16 |
Family
ID=86722579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111538736.0A Pending CN116263559A (zh) | 2021-12-15 | 2021-12-15 | 基于机器学习预测待测图形上的光学临近效应缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116263559A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117030724A (zh) * | 2023-10-09 | 2023-11-10 | 诺比侃人工智能科技(成都)股份有限公司 | 一种基于深度学习的多模态工业缺陷分析方法及系统 |
-
2021
- 2021-12-15 CN CN202111538736.0A patent/CN116263559A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117030724A (zh) * | 2023-10-09 | 2023-11-10 | 诺比侃人工智能科技(成都)股份有限公司 | 一种基于深度学习的多模态工业缺陷分析方法及系统 |
CN117030724B (zh) * | 2023-10-09 | 2023-12-08 | 诺比侃人工智能科技(成都)股份有限公司 | 一种基于深度学习的多模态工业缺陷分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102568074B1 (ko) | 반도체 제조 프로세스에서 딥 러닝을 사용하여 결함 및 임계 치수를 예측하기 위한 시스템 및 방법 | |
US8139844B2 (en) | Methods and systems for determining a defect criticality index for defects on wafers | |
US11120182B2 (en) | Methodology of incorporating wafer physical measurement with digital simulation for improving semiconductor device fabrication | |
KR102169564B1 (ko) | 웨이퍼 검사 방법 및/또는 웨이퍼 상에 형성되는 디바이스의 하나 이상의 특징을 예측하는 방법 | |
KR101723688B1 (ko) | 마이크로 브리징 및 러프니스 분석 | |
US9097978B2 (en) | Method and apparatus to characterize photolithography lens quality | |
US9547745B1 (en) | System and method for discovering unknown problematic patterns in chip design layout for semiconductor manufacturing | |
US20110116085A1 (en) | Defect detection recipe definition | |
US11688052B2 (en) | Computer assisted weak pattern detection and quantification system | |
US20110057333A1 (en) | Method for the real-time monitoring of integrated circuit manufacture through localized monitoring structures in opc model space | |
CN113990770B (zh) | 一种晶圆检测方法及检测装置 | |
US20120259574A1 (en) | Designed-based yield management system | |
US20160110859A1 (en) | Inspection method for contact by die to database | |
CN116263559A (zh) | 基于机器学习预测待测图形上的光学临近效应缺陷的方法 | |
CN112560935B (zh) | 一种提升缺陷检测性能的方法 | |
WO2019006222A1 (en) | SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS | |
KR20100073374A (ko) | 반도체 소자의 결함 검출 방법 | |
US20230411224A1 (en) | System and method for detecting defects on a wafer and related non-transitory computer-readable medium | |
CN118280983A (zh) | 半导体结构的形成方法 | |
Wei et al. | Patterning hot spot verification using high speed e-beam metrospection with D2DB at foundry high volume manufacturing environment | |
Choi et al. | Control of CD errors and hotspots by using a design based verification system | |
CN117853395A (zh) | 检查晶片缺陷的方法及系统 | |
CN116157736A (zh) | 用于制造光掩模的系统、方法和程序产品 | |
CN112444526A (zh) | 缺陷检测方法及缺陷检测系统 | |
TW201925804A (zh) | 診斷半導體晶圓的方法 |
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 |