TWI637448B - 薄膜厚度量測方法及其系統 - Google Patents
薄膜厚度量測方法及其系統 Download PDFInfo
- Publication number
- TWI637448B TWI637448B TW106136218A TW106136218A TWI637448B TW I637448 B TWI637448 B TW I637448B TW 106136218 A TW106136218 A TW 106136218A TW 106136218 A TW106136218 A TW 106136218A TW I637448 B TWI637448 B TW I637448B
- Authority
- TW
- Taiwan
- Prior art keywords
- neural network
- spectral data
- film thickness
- film
- sample
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
- G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一種薄膜厚度量測方法,包括以下步驟:依據訓練資料庫建立類神經網路,其中訓練資料庫包含複數個修飾光譜資料以及對應於各修飾光譜資料的複數個膜厚;量測有鍍膜之樣品,以取得光譜資料;以及運算已訓練之類神經網路,對所量測到的光譜資料估算樣品上鍍膜之厚度。此外,一種膜厚量測系統亦被提出。
Description
本發明是有關於一種量測方法及其系統,且特別是有關於一種能在製程階段即時量測鍍膜厚度的薄膜厚度量測方法及其系統。
薄膜製程已大量應用在製作光學元件、低輻射隔熱膜、節能玻璃以及半導體產業,因此,薄膜厚度的控制對於製程元件的品質扮演著重要的角色。舉例而言,光學鏡頭的抗反射鍍膜,鍍膜厚度的精準度深深影響到抗反射的效果;低輻射隔熱膜的鍍膜厚度對於隔熱效果有決定性的影響。有鑑於此,如何能在製程過程中即時監測薄膜厚度,來判斷是否調整製程參數,以穩定製程品質或改變產品特性。
一般而言,量測薄膜厚度方法中,有以破壞性檢測方式量測薄膜厚度,但此方式無法應用於製程階段即時量測鍍膜厚度,另外有以數值擬合方法計算鍍膜厚度,但此方式使用遞迴運算(Recursive Iteration)式的數值方法擬合,其運算時間通常耗費過久,也不適用於即時量測,亦無法有效應用於製程階段即時監測鍍膜厚度。
因此,如何提供一種能在製程階段即時監測鍍膜厚度的『薄膜厚度量測方法及其系統』,是相關技術領域亟需解決的課題。
本發明提供一種薄膜厚度量測方法及薄膜厚度量測系統,其能夠達到快速、準確與非破壞性量測薄膜厚度,以實現於鍍膜製程中即時監測的目的。
本發明之一實施例提出一種薄膜厚度量測方法,包括以下步驟:依據一訓練資料庫建立一類神經網路,其中訓練資料庫包含複數個修飾光譜資料以及對應於各修飾光譜資料的複數個膜厚;量測有鍍膜之一樣品,以取得一光譜資料;以及運算已訓練之類神經網路,對所量測到的光譜資料估算樣品上鍍膜之厚度。
在一實施例中,上述依據訓練資料庫建立類神經網路的步驟,包括以下步驟:選定樣品之基材材質與鍍膜材質對樣品之一量測範圍;以薄膜光學理論隨機建立符合量測範圍中針對樣品於各鍍膜厚度時之複數個模擬光譜資料,其中各模擬光譜資料包含樣品在不同波長光束下相對應的一光學參數;以及於各光學參數集合中添加一噪訊參數,以形成各修飾光譜資料。
在一實施例中,上述各光學參數包含穿透率或反射率。
在一實施例中,上述噪訊參數介於-5%~+5%。
在一實施例中,上述依據訓練資料庫建立類神經網路的步驟,包括以下步驟:以各修飾光譜資料作為一輸入層,各膜厚作為一輸出層,訓練該類神經網路以取得一隱藏層,使得輸入層經由隱藏層而得到輸出層。
在一實施例中,上述訓練類神經網路的步驟係採用倒傳遞神
經網路法(back-propagation neuron,BPN)。
本發明之一實施例提出一種薄膜厚度量測系統,包括一量測元件、一光譜儀以及一處理單元。量測元件對有鍍膜之一樣品入射一光束。光譜儀連接量測元件,光譜儀用以接收光束,光譜儀藉由光束以取得一光譜資料。處理單元連接於光譜儀,處理單元包括一類神經網路運算模組以及一訓練資料庫,類神經網路運算模組依據訓練資料庫建立一類神經網路,其中訓練資料庫包含複數個修飾光譜資料以及對應於各修飾光譜資料的複數個膜厚,類神經網路運算模組接收光譜資料,類神經網路模組運算已訓練之類神經網路,對接收的光譜資料估算樣品上鍍膜之厚度。
在一實施例中,上述各修飾光譜資料包含相對應的一模擬光譜資料與一噪訊參數,噪訊參數介於-5%~+5%。
在一實施例中,上述依據訓練資料庫建立類神經網路,類神經網路模組係採用倒傳遞神經網路法(back-propagation neuron,BPN)訓練類神經網路,以各修飾光譜資料作為一輸入層,各膜厚作為一輸出層,經由訓練類神經網路以取得一隱藏層,使得輸入層經由隱藏層而得到輸出層。
基於上述,本發明提出一種薄膜厚度量測方法及薄膜厚度量測系統,係由薄膜光學理論以模擬方式而能快速產生大量的模擬光譜資料與相對應的膜厚,並採用類神經網路的直線式一次運算,省去習用技術採用的擬合運算的遞迴運算步驟,故本發明可大幅提升量測速度,其量測時間可小於100mS。
為讓本發明能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
10‧‧‧薄膜厚度量測系統
11‧‧‧量測元件
110‧‧‧光源
112‧‧‧光學讀取頭
12‧‧‧光譜儀
13‧‧‧處理單元
132‧‧‧類神經網路運算模組
133‧‧‧類神經網路
134‧‧‧訓練資料庫
20‧‧‧卷對卷鍍膜系統
22‧‧‧放料軸
24‧‧‧收料軸
26‧‧‧鍍膜元件
L1、L2‧‧‧光束
S‧‧‧樣品
S2‧‧‧基材
S1‧‧‧鍍膜
S10‧‧‧膜厚量測方法
S110~S130‧‧‧步驟
S112~S118‧‧‧步驟
T1‧‧‧實驗光譜
T2‧‧‧模擬光譜資料
T3‧‧‧修飾光譜資料
圖1為本發明薄膜厚度量測系統一實施例的示意圖。
圖2為本發明薄膜厚度量測系統另一實施例的示意圖。
圖3為本發明之處理單元的示意圖。
圖4為本發明薄膜厚度量測方法的流程圖。
圖5為圖4中依據訓練資料庫建立類神經網路的流程圖。
圖6為本發明薄膜厚度量測系統一應用的示意圖。
圖7為本發明修飾模擬光譜與模擬光譜及實驗光譜的比較示意圖。
圖8為本發明類神經網路與噪訊添加對計算膜厚之影響的示意圖。
以下結合附圖和實施例,對本發明的具體實施方式作進一步描述。以下實施例僅用於更加清楚地說明本發明的技術方案,而不能以此限制本發明的保護範圍。
圖1為本發明薄膜厚度量測系統一實施例的示意圖。圖2為本發明薄膜厚度量測系統另一實施例的示意圖。請參閱圖1與圖2,在本實施中,薄膜厚度量測系統10用以對在鍍膜製程中有鍍膜之一樣品S量測膜厚,樣品S包含基材S2與位於基材S2上之鍍膜S1,鍍膜S1為如銀、鈦等金屬膜,亦可為氧化物質薄膜或介電質薄膜,如TiO2或SiO2,基材S2可為透明材質如PET或玻璃等,在另一實施例中,基材S2可為不透明材質如矽晶片等。
薄膜厚度量測系統10包括一量測元件11、一光譜儀12以及一處理單元13。量測元件11對樣品S入射一光束,量測元件11包含一光源110
及一光學讀取頭112,如圖1所示,光源110及光學讀取頭112分別設置在樣品S的相對兩側,光源110發射之光束L1入射至樣品S,光學讀取頭112依據由樣品S穿透出的光束L1以獲得樣品S的穿透光束,故圖1之薄膜厚度量測系統10係作為一穿透式膜厚量測系統。在另一實施例中,如圖2所示,光源110及光學讀取頭112分別設置在樣品S的同一側,光源110發射之光束L2入射至樣品S,光學讀取頭112依據並由樣品S反射的光束L2以獲得樣品S的反射光束,故圖2之薄膜厚度量測系統10係作為一反射式膜厚量測系統。
光譜儀12連接量測元件11中的光學讀取頭112,光譜儀12用以接收光束,光譜儀12藉由光束以取得一光譜資料,換言之,如圖1所示,光譜儀12可取得一穿透光譜資料,在另一實施例中,如圖2所示,光譜儀12可取得一反射光譜資料。
處理單元13連接於光譜儀12,圖3為本發明之處理單元的示意圖。處理單元13包括一類神經網路運算模組132以及一訓練資料庫134,類神經網路運算模組132依據訓練資料庫134建立一類神經網路133,其中訓練資料庫134包含複數個修飾光譜資料以及對應於各修飾光譜資料的複數個膜厚,各修飾光譜資料包含相對應的一模擬光譜資料與一噪訊參數,噪訊參數介於-5%~+5%。在此配置之下,本發明的類神經網路運算模組13接收光譜資料,類神經網路模組132運算類神經網路133,對接收的光譜資料估算樣品S上之鍍膜S1的厚度。
圖4為本發明薄膜厚度量測方法的流程圖。請參閱圖4,圖4的薄膜厚度量測方法S10可應用於圖1之穿透式膜厚量測系統或圖2之反射式膜厚量測系統。本實施例的薄膜厚度量測方法S10包括步驟S110至步驟
S130。進行步驟S110,依據一訓練資料庫134建立一類神經網路133,其中訓練資料庫134包含複數個修飾光譜資料以及對應於各修飾光譜資料的複數個膜厚。
詳細而言,如圖5所示,圖5為圖4中依據訓練資料庫建立類神經網路的流程圖。本實施例的薄膜厚度量測方法S10係以薄膜光學理論建立大量的光譜資料與對應之膜厚來做為訓練資料庫134,於步驟S112中,選定樣品S中基材S2之材質與鍍膜S1之材質與對樣品S之一量測範圍。在本實施例中,以10nm至30nm的銀薄膜製程,基材S2為PET,鍍膜S1為銀,其量測範圍可設定在5nm至40nm以上。接著,於步驟S114中,以薄膜光學理論隨機建立符合量測範圍中針對樣品於各鍍膜厚度時之複數個模擬光譜資料,其中各模擬光譜資料包含樣品在不同波長光束下相對應的一光學參數,其中光學參數包含穿透率或反射率。若為圖1之穿透式膜厚量測系統,光學參數為穿透率,以建立模擬穿透光譜資料,若為圖2之反射式膜厚量測系統,光學參數為反射率,以建立模擬反射光譜資料。接著,於步驟S116中,於各模擬光譜資料中添加一噪訊參數,以形成各修飾光譜資料,其中噪訊參數介於-5%~+5%。
在本實施例中,以薄膜光學理論隨機建立符合基材材質與鍍膜材質以及量測範圍中針對鍍膜S1於範圍內各種厚度時之模擬光譜資料,令S(d)為膜厚d時的理論模擬穿透(或反射)光譜,亦即相當於樣品S在各種波長(W)光束下的穿透率(或反射率)的集合,如下述數學式(1):S(d)={T(d,W1),T(d,W2),...,T(d,Wn)} (1)。
在數學式(1)中,T(d,W)表示樣品S在膜厚d,入射光波長為
W時的穿透率(或反射率),因此,T(d,W1)表示樣品S在膜厚d,入射光波長為W1時的穿透率(或反射率),T(d,W2)表示樣品S在膜厚d,入射光波長為W2時的穿透率(或反射率),以此類推,T(d,Wn)表示樣品S在膜厚d,入射光波長為Wn時的穿透率(或反射率)。
接著,將穿透率(或反射率)T(d,W)添加噪訊參數,此例中,噪訊參數為3%隨機噪訊,以得到修飾後的穿透率(或反射率)如下述數學式(2):T’(d,W)=T(d,W)*(1+z) (2)。
在上述數學式(2)中,z為介於-0.03至+0.03之間的隨機實數,將數學式(2)依據不同入射光波長代入至數學式(1),以形成在膜厚d的修飾光譜資料如下述數學式(3)所示:S’(d)={T’(d,W1),T’(d,W2),...,T’(d,Wn)} (3)。
重複上述步驟,隨機建立符合量測範圍中針對樣品於各種膜厚時之模擬光譜資料,並添加噪訊參數,以產生5000筆的修飾光譜資料以作為類神經網路133訓練用的訓練資料庫134。在另一實施例中,可端視實際情況來調整修飾光譜資料的數量。
接著,由薄膜光學理論建立大量的光譜資料與對應之膜厚來做為訓練資料庫134。訓練類神經網路133的步驟係採用倒傳遞神經網路法(back-propagation neuron,BPN)。於步驟S118中,以各修飾光譜資料作為一輸入層(Input layer),輸入層係透過許多神經元(Neuron)接受大量修飾光譜資料。各膜厚作為一輸出層(Output layer),修飾光譜資料在神經元鏈接中經由傳輸、分析、形成的預測結果。由於修飾光譜資料與膜厚為薄膜光學理論
建立的訓練資料庫,故經由訓練類神經網路以取得一隱藏層(Hidden layer),使得輸入層經由隱藏層而可計算得到輸出層,換言之,本發明經由訓練資料庫134訓練類神經網路,以找到隱藏層,即尋找各修飾光譜資料與相對應的膜厚之間的連接關係。
在本實施例中,經由上述步驟S110找到各修飾光譜資料與相對應的膜厚之間的連接關係後,後續於量測時只要知道光譜資料,可藉由光譜資料與連接關係,而可以求得相對應的膜厚。請復參閱圖4,於步驟S120,量測一樣品,以取得一光譜資料。如圖1所示,光譜儀12可取得一穿透光譜資料,在另一實施例中,如圖2所示,光譜儀12可取得一反射光譜資料。
接著,於步驟S130中,運算已訓練之類神經網路133,對光譜儀12所量測到的光譜資料估算樣品S上鍍膜S1之厚度。因此,輸入樣品S之光譜資料,類神經網路運算模組132運算已經過訓練資料庫134所訓練之類神經網路133,透過前述步驟S130估算出相對應鍍膜S1之厚度。
圖6為本發明薄膜厚度量測系統一應用的示意圖。請參閱圖6,圖6為一卷對卷(Roll to Roll)鍍膜系統20,卷對卷(Roll to Roll)鍍膜系統20包含一放料軸22、一收料軸24、一鍍膜元件26以及一薄膜厚度量測系統10,一基材S2一端位於放料軸22,基材S2之另一端位於收料軸24,放料軸22用以捲放基材S2,而收料軸24用以捲收基材S2,鍍膜元件26用以對基材S2鍍膜,以形成一卷對卷鍍膜製程,與此同時,薄膜厚度量測系統10中的光源110發射之光束入射至基材S2,光學讀取頭112依據由基材S2穿透出的光束以獲得基材S2鍍上薄膜時的穿透率。光譜儀12藉由光束以取得一穿透光譜
資料。處理單元13可依據前述圖1至圖5說明,由已訓練完成而可經光譜資料得到相對應的膜厚之類神經網路133,輸入穿透光譜資料,經由類神經網路133直線式一次運算即可得到基材S2上之鍍膜厚度,故能在磁控濺鍍成長薄膜時,即時量測薄膜厚度,隨時掌握薄膜成長狀況,以實現於鍍膜製程中即時監測的目的。
圖7為本發明修飾模擬光譜與模擬光譜及實驗光譜的比較示意圖。請參閱圖7,圖7中的橫軸為波長,圖7中的縱軸為穿透率。本發明採用類神經網路運算,類神經網路運算的精確度需仰賴大量有效的訓練資料,以5000筆訓練資料為例,若採用實驗光譜T1,實驗光譜T1係藉由實驗方式產生,每筆實驗光譜T1資料包含成長薄膜、取出並量測膜厚之過程,每個過程均需一定時間,故要累積5000筆實驗光譜T1資料勢必得花費不少時間與成本。更何況,若針對不同薄膜材料,得再耗費時間針對不同薄膜材料來分別累積5000筆實驗光譜T1。
反觀本發明,本發明薄膜厚度量測方法及其系統,係由薄膜光學理論以模擬方式而能快速產生大量的模擬光譜資料T2與相對應的膜厚(數分鐘即可產生上千筆資料),解決前述以實驗方法取得實驗光譜T1耗時的問題。
此外,本發明薄膜厚度量測方法及其系統更考量到實際鍍膜製程中,實際量測的光譜資料會因壓力、溫度等製程環境的因素影響,薄膜微觀結構不盡相同,造成實際量測的光譜資料與模擬光譜資料T2會有些微差距,故於模擬光譜資料T2添加3%噪訊參數以取得修飾光譜資料T3,修飾光譜資料T3足以涵蓋多數狀況中的實際量測的光譜。藉由添加3%噪訊參
數,產生大量相異的光譜圖形,而由修飾光譜資料T3訓練出的類神經網路也會被強迫學習在修飾光譜資料T3下同樣膜厚下的光譜趨勢,而當即時量測的光譜資料,類神經網路便能藉由判斷修飾光譜資料T3的趨勢,以估算出可能的膜厚。
圖8為本發明類神經網路與噪訊添加對計算膜厚之影響的示意圖。請參閱圖8,本發明之膜厚量測方法及膜厚量測系統訓練類神經網路的步驟係採用倒傳遞神經網路法(back-propagation neuron,BPN),類神經架構中,隱藏層有單層結構或雙層結構,如表一與表二所示表一為單隱藏層,表二為雙隱藏層,而各隱藏層包含10個或20個神經元。
依據實際實驗觀察實際膜厚(nm)與類神經網路估算膜厚(nm)的誤差,相對於沒有添加噪訊,添加適當的噪訊對類神經網路估算膜
厚的準確度有明顯的提升,特別是添加3%的噪訊程度之下,又更進一度降低估算膜厚的誤差。
綜上所述,本發明提出一種薄膜厚度量測方法及薄膜厚度量測系統,係由薄膜光學理論以模擬方式而能快速產生大量的模擬光譜資料與相對應的膜厚,並採用類神經網路的直線式一次運算,省去習用技術採用的擬合運算的遞迴運算步驟,故本發明可大幅提升量測速度,其量測時間可小於100mS。
再者,藉由在模擬光譜資料添加噪訊參數以產生修飾光譜資料,產生大量相異的光譜圖形,而由修飾光譜資料訓練出的類神經網路也會被強迫在學習不同修飾光譜資料但同樣膜厚下的光譜趨勢,以大幅提高類神經網路運算的精確度,使製程中即時監測鍍膜厚度並可立即調整製程參數,以達到穩定製程品質或改變產品特性之目的。
此外,本發明依據實際實驗觀察,相對於沒有添加噪訊參數,添加適當的噪訊參數對類神經網路估算膜厚的準確度有明顯的提升,特別是添加3%的噪訊參數之下,又更進一度降低估算膜厚的誤差。因此,本發明即便是超薄的薄膜仍有相當程度的準確性,藉由類神經網路之作法,可針對不同薄膜材質與量測範圍,設定相對應的訓練資料庫作訓練,其訓練後的類神經網路可精確估計膜厚,以10nm的銀薄膜為例,其誤差約為0.05nm,優於一般薄膜量測裝置的誤差結果。
另外,本發明係以光源穿透或反射方式量測樣品,故採非破壞性光學量測,可保持樣品的完整性,而不影響樣品的製作過程。
此外,本發明能在磁控濺鍍成長薄膜時,即時量測薄膜厚
度,隨時掌握薄膜成長狀況,以實現於鍍膜製程中即時監測的目的。除此之外,本發明能應用在如銀、鈦等金屬膜,亦可應用在氧化物質薄膜或介電質薄膜,如TiO2或SiO2,對於光學元件與半導體產業有相當助益。進一步地,本發明亦可將訓練資料庫建立多層膜的模擬光譜資料與相對應的各膜層的膜厚,亦可透過類神經網路訓練,以具備估算多層膜中各膜層的膜厚的能力,故本發明除了可應用於單層膜,也可應用於多層膜。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作些許之更動與潤飾,故本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (9)
- 一種薄膜厚度量測方法,包括以下步驟:依據一訓練資料庫建立一類神經網路,其中該訓練資料庫包含複數個修飾光譜資料以及對應於各該修飾光譜資料的複數個膜厚,其中各該修飾光譜資料包含相對應的一模擬光譜資料與一噪訊參數;量測有鍍膜之一樣品,以取得一光譜資料;以及運算已訓練之該類神經網路,對所量測到的該光譜資料估算該樣品上鍍膜之厚度。
- 如申請專利範圍第1項所述之薄膜厚度量測方法,其中所述依據該訓練資料庫建立該類神經網路的步驟,包括以下步驟:選定該樣品之基材材質與鍍膜材質與對該樣品之一量測範圍;以薄膜光學理論隨機建立符合該量測範圍中針對該樣品於各鍍膜厚度時之各該模擬光譜資料,其中各該模擬光譜資料包含該樣品在不同波長光束下相對應的一光學參數;以及於各該模擬光譜資料中添加該噪訊參數,以形成各該修飾光譜資料。
- 如申請專利範圍第2項所述之薄膜厚度量測方法,其中各該光學參數包含穿透率或反射率。
- 如申請專利範圍第2項所述之薄膜厚度量測方法,其中該噪訊參數介於-5%~+5%。
- 如申請專利範圍第1項所述之薄膜厚度量測方法,其中所述依據該訓練資料庫建立該類神經網路的步驟,包括以下步驟:以各該修飾光譜資料作為一輸入層,各該膜厚作為一輸出層,經由訓練該類神經網路以取得一隱藏層,使得該輸入層經由該隱藏層而得到該輸出層。
- 如申請專利範圍第5項所述之薄膜厚度量測方法,其中所述訓練該類神經網路的步驟係採用倒傳遞神經網路法(back-propagation neuron,BPN)。
- 一種薄膜厚度量測系統,包括:一量測元件,對有鍍膜之一樣品入射一光束;一光譜儀,連接該量測元件,該光譜儀用以接收該光束,該光譜儀藉由該光束以取得一光譜資料;以及一處理單元,連接於該光譜儀,該處理單元包括一類神經網路運算模組以及一訓練資料庫,該類神經網路運算模組依據該訓練資料庫建立一類神經網路,其中該訓練資料庫包含複數個修飾光譜資料以及對應於各該修飾光譜資料的複數個膜厚,其中各該修飾光譜資料包含相對應的一模擬光譜資料與一噪訊參數,該類神經網路運算模組接收該光譜資料,該類神經網路模組運算已訓練之該類神經網路,由該類神經網路估算該樣品上鍍膜之厚度。
- 如申請專利範圍第7項所述之薄膜厚度量測系統,其中該噪訊參數介於-5%~+5%。
- 如申請專利範圍第7項所述之薄膜厚度量測系統,其中依據該訓練資料庫建立該類神經網路,該類神經網路模組係採用倒傳遞神經網路法(back-propagation neuron,BPN)訓練該類神經網路,以各該修飾光譜資料作為一輸入層,各該膜厚作為一輸出層,經由訓練該類神經網路以取得一隱藏層,使得該輸入層經由該隱藏層而得到該輸出層。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106136218A TWI637448B (zh) | 2017-10-20 | 2017-10-20 | 薄膜厚度量測方法及其系統 |
US15/826,884 US10365085B2 (en) | 2017-10-20 | 2017-11-30 | Method and system for measuring thickness of thin film |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106136218A TWI637448B (zh) | 2017-10-20 | 2017-10-20 | 薄膜厚度量測方法及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI637448B true TWI637448B (zh) | 2018-10-01 |
TW201917803A TW201917803A (zh) | 2019-05-01 |
Family
ID=64797509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106136218A TWI637448B (zh) | 2017-10-20 | 2017-10-20 | 薄膜厚度量測方法及其系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10365085B2 (zh) |
TW (1) | TWI637448B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022205742A1 (zh) * | 2021-03-29 | 2022-10-06 | 长鑫存储技术有限公司 | 半导体器件膜厚的测量方法 |
US11867497B2 (en) | 2021-03-29 | 2024-01-09 | Changxin Memory Technologies, Inc. | Method for measuring film thickness of semiconductor device |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI713085B (zh) * | 2019-05-16 | 2020-12-11 | 國立交通大學 | 半導體製程結果預測方法 |
KR102251855B1 (ko) * | 2019-09-25 | 2021-05-13 | 주식회사 코아칩스 | 열화상을 이용한 도장 품질 관리 장치 및 방법 |
CN111370080B (zh) * | 2020-03-05 | 2023-12-08 | 中国工程物理研究院上海激光等离子体研究所 | 一种基于人工神经网络算法的辐射温度反演方法 |
US11780047B2 (en) | 2020-06-24 | 2023-10-10 | Applied Materials, Inc. | Determination of substrate layer thickness with polishing pad wear compensation |
CN111895923B (zh) * | 2020-07-07 | 2021-09-21 | 上海辰慧源科技发展有限公司 | 一种拟合测量薄膜厚度的方法 |
CN113358042B (zh) * | 2021-06-30 | 2023-02-14 | 长江存储科技有限责任公司 | 一种测量膜厚的方法 |
CN113884445A (zh) * | 2021-09-26 | 2022-01-04 | 上海复享光学股份有限公司 | 测量薄膜光学常数的方法、系统、计算设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6556303B1 (en) * | 2001-07-10 | 2003-04-29 | Advanced Micro Devices, Inc. | Scattered signal collection using strobed technique |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL139368A (en) * | 2000-10-30 | 2006-12-10 | Nova Measuring Instr Ltd | Process control for microlithography |
KR100769566B1 (ko) * | 2006-05-24 | 2007-10-23 | 중앙대학교 산학협력단 | 신경망을 이용한 박막 두께 측정 방법, 장치 및 이를 위한기록매체 |
-
2017
- 2017-10-20 TW TW106136218A patent/TWI637448B/zh active
- 2017-11-30 US US15/826,884 patent/US10365085B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6556303B1 (en) * | 2001-07-10 | 2003-04-29 | Advanced Micro Devices, Inc. | Scattered signal collection using strobed technique |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022205742A1 (zh) * | 2021-03-29 | 2022-10-06 | 长鑫存储技术有限公司 | 半导体器件膜厚的测量方法 |
US11867497B2 (en) | 2021-03-29 | 2024-01-09 | Changxin Memory Technologies, Inc. | Method for measuring film thickness of semiconductor device |
Also Published As
Publication number | Publication date |
---|---|
TW201917803A (zh) | 2019-05-01 |
US20190120610A1 (en) | 2019-04-25 |
US10365085B2 (en) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI637448B (zh) | 薄膜厚度量測方法及其系統 | |
US7522294B2 (en) | Measuring a process parameter of a semiconductor fabrication process using optical metrology | |
US8553228B2 (en) | Web inspection calibration system and related methods | |
KR102254033B1 (ko) | 광학 측정 방법 및 광학 측정 시스템 | |
KR20110015679A (ko) | 웨브 검사 교정 시스템 및 관련 방법 | |
JP2021533570A (ja) | 構造の特性を予測するためのシステム、イメージャー・システム、および関連方法 | |
CN105606566A (zh) | 一种透明介质膜层折射率及厚度在线测量方法 | |
KR20130120470A (ko) | 구조의 비대칭성을 결정하는 방법 | |
JP7386884B2 (ja) | 光学分散の多次元モデル | |
JP4224028B2 (ja) | 改善された高速フ−リエ変換を利用した膜厚の測定装置及び方法 | |
Lee et al. | A novel method to design and evaluate artificial neural network for thin film thickness measurement traceable to the length standard | |
KR100769566B1 (ko) | 신경망을 이용한 박막 두께 측정 방법, 장치 및 이를 위한기록매체 | |
JP2021504696A (ja) | 透明フィルム上のコーティングの特性を決定する方法及びデバイス、並びにコンデンサフィルムの製造方法 | |
Stiedl et al. | Characterization of oxide layers on technical copper material using ultraviolet visible (UV–Vis) spectroscopy as a rapid on-line analysis tool | |
CN116879181A (zh) | 一种薄膜材料的光学特性及几何特性测量方法 | |
CN104502282A (zh) | 考虑光子晶体表面氧化膜分布的偏振特性数值计算方法 | |
CN111207676A (zh) | 基于自适应拟随机搜索的晶圆膜厚测量方法 | |
WO2021239516A1 (en) | Method for estimating a quality function of a mono- or multi-layered coated transparent substrate | |
EP3063497A1 (en) | Integrated computational element fabrication methods and systems | |
JP2014016194A (ja) | 光学特性測定システムおよび光学特性測定方法 | |
WO2021170995A1 (en) | Method of and system for processing spectroscopic ellipsometry data | |
WO2003081293A2 (en) | Improved semiconductor etching process control | |
JP2000227310A (ja) | 膜厚及び屈折率測定装置及びその測定方法 | |
CN116086329A (zh) | 一种薄膜参数的获取方法、获取装置及终端设备 | |
Prosovsky et al. | CONTEMPORARY SYSTEM OF DIRECT BROADBAND OPTICAL MONITORING OF THICKNESS OF SPRAY OPTICAL COATINGS |