[发明专利]针对半导体应用并入神经网络及前向物理模型的系统及方法

说明书

本发明提供用于训练神经网络的方法及系统。一个系统包含由一或多个计算机子系统实行的一或多个组件。所述一或多个组件包含：神经网络，其经配置用于确定输入到所述神经网络的样品的训练集中的输入图像的经反转特征；前向物理模型，其经配置用于从所述经反转特征重建所述输入图像，借此产生对应于所述训练集中的所述输入图像的输出图像集；及残余层，其经配置用于确定所述训练集中的所述输入图像与在所述集中的对应输出图像之间的差异。所述一或多个计算机子系统经配置用于基于所述经确定差异更改所述神经网络的一或多个参数，借此训练所述神经网络。

技术领域

本发明大体上涉及针对半导体应用并入神经网络及前向物理模型的方法及系统。

背景技术

以下描述及实例不因其包含于此段落中而被承认是现有技术。

制造例如逻辑及存储器装置的半导体装置通常包含使用大量半导体制造工艺处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。举例来说，光刻是涉及将图案从光罩转印到布置于半导体晶片上的抗蚀剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。多个半导体装置可以一个布置制造于单个半导体晶片上且接着被分成个别半导体装置。

在半导体制造工艺期间的各个步骤使用检验过程以检测样品上的缺陷以驱动制造工艺中的更高良率及因此更高利润。检测始终是制造半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检测对于可接受半导体装置的成功制造变得更为重要，这是因为较小缺陷可引起装置故障。

缺陷复检通常涉及重新检测本身由检验过程检测的缺陷及使用高倍率光学系统或扫描电子显微镜(SEM)而以较高分辨率产生关于缺陷的额外信息。因此，在其中已通过检验检测缺陷的样品上的离散位置处执行缺陷复检。由缺陷复检产生的缺陷的较高分辨率数据更适合于确定缺陷的属性，例如轮廓、粗糙度、更准确大小信息等。

在半导体制造工艺期间的各个步骤也使用度量衡过程以监测且控制工艺。度量衡过程与检验过程不同之处在于：不同于其中在样品上检测缺陷的检验过程，度量衡过程用于测量无法使用当前使用的检验工具确定的样品的一或多个特性。举例来说，度量衡过程用于测量样品的一或多个特性(例如在工艺期间形成于样品上的特征的尺寸(例如，线宽、厚度等))使得可从一或多个特性确定工艺的性能。另外，如果样品的一或多个特性是不可接受的(例如，在所述特性的预定范围之外)，那么可使用样品的一或多个特性的测量以更改工艺的一或多个参数使得由工艺制造的额外样品具有(若干)可接受特性。

度量衡过程与缺陷复检过程不同之处还在于：不同于其中在缺陷复检中重访通过检验检测的缺陷的缺陷复检过程，可在未检测缺陷的位置处执行度量衡过程。换句话说，不同于缺陷复检，在样品上执行度量衡过程的位置可独立于在样品上执行的检验过程的结果。特定来说，可独立于检测结果选择执行度量衡过程的位置。

随着设计规则收缩，形成于例如光罩及晶片的样品上的设计(即使在使用最佳执行工艺执行时)可看上去大不同于实际设计。举例来说，归因于在物理样品上形成设计所涉及的物理工艺的固有限制，即使在样品上已形成设计的最佳可能版本时，形成于物理样品上的设计中的特征通常具有与设计略微不同的特性，例如不同形状(例如，归因于隅角修圆或其它接近效应)且可具有略微不同的尺寸(例如，归因于接近效应)。

有时，不可能知道设计将如何出现在其上已形成设计信息的样品及由工具(例如检验工具、缺陷复检工具、度量衡工具及类似者)产生的样品的图像中。然而，出于数个原因，通常可期望知道设计将如何出现在样品上及由此类工具产生的图像中。一个原因是确保设计将以可接受方式形成于样品上。另一原因是提供说明希望使设计如何形成于样品上的设计的参考，其可用于针对样品执行的一或多个功能。举例来说，一般来说，需要用于缺陷检测的参考使得形成于样品上的设计与参考之间的任何差异可被检测或识别为缺陷或潜在缺陷。