[发明专利]一种基于机器学习的CDSEM图像虚拟测量方法

权利要求书

1.一种基于机器学习的CDSEM图像虚拟测量方法，其特征在于，包括如下步骤：

步骤S1：训练集和验证集的生成步骤；其包括：

步骤S11：提供晶圆，并预设光刻工艺次数为K次；其中，K为大于等于1的正整数；

步骤S12：在所述晶圆上完成一次光刻工艺流程，使用扫描电子显微镜在光刻后晶圆的M_i处不同坐标进行扫描，得到的M_i张CDSEM图像；其中，M_i为大于等于10的正整数，i为1,2,3…K中的一个值；

步骤S13：计算与所述CDSEM图像相同坐标的光刻空间像图，将一张所述CDSEM图像与对应的光刻空间像图组成一组光刻空间像图-CDSEM图像数据对，最终得到M组所述光刻空间像图-CDSEM图像数据对，其中，所述光刻空间像图包括至少一张光刻胶不同深度处的二维图像；

步骤S14：判断所述光刻空间像图-CDSEM图像数据对的组数是否等于N，如果否，执行步骤S12；如果是，执行步骤S15；其中：

步骤S15：将N组所述光刻空间像图-CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集；其中，所述训练集和验证集中所述光刻空间像图-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2；

步骤S2：将所述光刻空间像图和所述CDSEM图像对齐；

步骤S3：采用神经网络模型，将所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的N1组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的训练；遍历验证集中的N2组所述光刻空间像图-CDSEM图像数据对完成所述神经网络模型的验证；

步骤S4：基于所述神经网络模型，当新的光刻空间像图输入时，所述最终神经网络模型生成与之对应的虚拟CDSEM图像；

步骤S5：检测所述神经网络模型生成的所述虚拟CDSEM图像的关键尺寸，并根据所述关键尺寸确定OPC光学模型是否需要进行校准修正；或者，判断一次光刻工艺的随机效应是否可以接受。

2.根据权利要求1所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，步骤S3包括：

步骤S31：提供所述神经网络模型；

步骤S32：以所述训练集中的所述光刻空间像图作为输入，与之对应的所述CDSEM图像作为目标输出，遍历所述训练集中的所述光刻空间像图-CDSEM图像数据对，对所述神经网络模型进行训练；

步骤S33：遍历所述验证集中的所述光刻空间像图-CDSEM图像数据对，对所述神经网络模型进行验证，并计算所述验证集的损失函数；

步骤S34：判断所述损失函数是否小于设定值，如果是，停止对所述神经网络模型的训练，得到最终神经网络模型；如果不是，重复执行步骤S15至S34；其中，所述神经网络模型体现了光刻空间像图与所述CDSEM图像之间的映射。

3.根据权利要求2所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，所述神经网络模型为以卷积为主的深度卷积神经网络DCNN模型或者生成式对抗网络GAN模型，使用ReLU为激活函数；如果所述神经网络模型采用所述深度卷积神经网络DCNN模型，所述损失函数为均方误差损失函数，如果所述神经网络模型采用所述生成式对抗网络GAN模型，所述损失函数为交叉熵损失函数。

4.根据权利要求1所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，所述训练集中所述光刻空间像图-CDSEM图像数据对的组数N1是7的倍数，所述验证集中所述光刻空间像图-CDSEM图像数据对的组数N2为3的倍数。

5.根据权利要求1所述的基于机器学习的CDSEM图像虚拟测量方法，其特征在于，所述步骤S5中的检测所述神经网络模型生成的所述虚拟CDSEM图像的关键尺寸，并根据所述关键尺寸确定OPC光学模型是否需要进行校准修正步骤包括：

S51：获取所述虚拟CDSEM图像轮廓，通过所述轮廓找到关键尺寸；

S52：判断所述关键尺寸是否符合工艺要求，若不符合则对所述OPC光学模型进行校准修正。