[发明专利]一种基于改进混合优化算法的纳米薄膜参数反演计算方法

说明书

本发明为一种基于改进混合优化算法的纳米薄膜参数反演计算方法，其特征在于：所述的纳米薄膜是在基底层上镀介质薄膜后形成的顺序由基底层、中间层和介质薄膜层组成的三层结构纳米薄膜，所述的混合优化算法是利用爬山算法对全连接神经网络的权值进行迭代优化而建立的混合优化算法，通过对椭偏仪测量介质薄膜层得到的椭偏参数值进行数据反演计算，并结合测量时的环境参数值和基底层已知参数值以得出纳米薄膜的厚度及光学参数。本发明保证了利用椭偏仪的测量数据计算出介质薄膜层厚度及光学常数这一过程精确且快速，为利用光谱型椭偏仪测量介质薄膜层的参数提供了数据处理方法保障。

技术领域

本发明涉及一种半导体行业生产过程中用于测量及监控薄膜参数的方法，特别是公开一种基于改进混合优化算法的纳米薄膜参数反演计算方法，具体是利用椭圆偏振仪（简称椭偏仪）测量得到的椭偏参数值，进行数据反演计算得到介质薄膜层厚度及光学常数等参数值的计算过程，属于精密光学测量膜厚类仪器数据分析领域，特别适用于采用单层氧化物为介质薄膜层的纳米薄膜的膜层厚度及光学常数测量及计算。

背景技术

介质薄膜以其优良的绝缘性能和介电性能在半导体集成电路行业得到广泛应用，对薄膜厚度等参数的精确测量是保证器件质量的重要环节。椭圆偏振仪是半导体行业生产过程中用于测量及监控薄膜参数的仪器。该仪器以其高精度、非破坏、测量环境不受真空制约等优点被许多行业广泛应用。但利用椭偏原理测量纳米薄膜的过程中涉及到非线性超越方程的求解，无法利用直接测量得到的偏振角变化量和相位差变化量正向解方程得到薄膜参数值。因此，想要获得准确度较高的薄膜参数，需要对椭偏方程进行精确的数据反演计算求解，即构建直接测量量和未知求解量之间的数学模型，通过特殊算法不断迭代寻优，通过拟合方法寻找到拟合最佳的结果，并将该结果作为未知薄膜参数的最优解。

目前常用的优化拟合求解方法有爬山算法、模拟退火算法、遗传算法、粒子群算法、蚁群算法等。爬山算法以启发式的搜索方式和鲁棒性优、适应性强等特点被广泛应用于椭圆偏振法的数据处理分析及计算过程中。该方法能够利用启发式方法选择部分节点，通过从节点出发寻找周围的最优解，能够避免遍历，从而提高择优效率。而在以往的计算过程中，该算法易陷入局部最优解。如何利用该算法实现纳米薄膜参数更为精确的有效计算，仍未有较好的解决方式。

发明内容

本发明的目的是解决现有技术问题，提出一种基于改进混合优化算法的纳米薄膜参数反演计算方法，鉴于现有技术中椭圆偏振仪测量薄膜参数过程中数据处理的难点，本发明引入一种机器学习中应用较为广泛的全连接神经网络，由于该神经网络结构算法常被用于构建非线性方程求解等过程中，因此本发明将该神经网络结构算法同爬山算法相结合，利用爬山算法对全连接神经网络中的权值进行最优选择，以得出精度更高的介质薄膜层参数最优解。

本发明是这样实现的：一种基于改进混合优化算法的纳米薄膜参数反演计算方法，其特征在于：所述的混合优化算法是利用爬山算法对全连接神经网络的权值进行迭代优化而建立的改进后混合算法，所述全连接神经网络是采用3层结构的反向误差传递神经网络结构算法。所述的纳米薄膜参数反演计算方法包括以下步骤：

A：所述的纳米薄膜是在基底层上镀介质薄膜后形成的顺序由基底层、中间层和介质薄膜层组成的三层结构纳米薄膜，利用椭偏仪对纳米薄膜进行实验测量获得的椭偏参数值，并将测量时的环境参数值、基底层已知参数值作为学习样本。

所述的基底层为硅薄膜层，介质薄膜层为二氧化硅薄膜层、氮化硅薄膜层或其他材料薄膜层，所述的纳米薄膜是在基底层上镀介质薄膜层后形成的透明的纳米薄膜，所述的中间层是由基底层与介质薄膜层之间反应产生而成的产物膜层，所述的介质薄膜层厚度为20-1000纳米。

所述步骤A中先使用光谱型椭偏仪在近紫外至红外波长范围内对纳米薄膜的椭偏参数值进行采集，并将采集到的椭偏参数值作为反演计算的输入值，再将实际情况为三层结构的纳米薄膜等效为理想的二层结构薄膜，忽略中间层的影响，并建立入射波长与纳米薄膜光学常数之间的色散关系，以此对介质薄膜层参数的后续计算进行预处理。