[发明专利]基于机器学习预测刻蚀工艺后CDSEM图像的方法

权利要求书

1.一种基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述方法包括如下步骤：

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刻蚀工艺流程，使用扫描电子显微镜在刻蚀后晶圆的M_i处不同坐标进行扫描，得到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图像相同坐标的空间像，将一张所述CDSEM图与对应的空间像组成一组空间像-CDSEM图像数据对，最终得到M_i组所述空间像-CDSEM图像数据对；

步骤S14：判断所述空间像-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组所述空间像-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的所述空间像-CDSEM图像数据对的组数比例为N1:N2，N＝N1+N2；

步骤S2：将所述空间像与所述CDSEM图像对齐；

步骤S3：采用神经网络模型，将所述空间像作为输入，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组所述空间像-CDSEM图像数据对完成所述神经网络模型的训练；遍历所述验证集中的N2组所述空间像-CDSEM图像数据对完成所述神经网络模型的验证。

2.根据权利要求1所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，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空间像作为输入，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空间像-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空间像-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S32至S34；其中，所述神经网络模型体现了所述空间像与所述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预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述神经网络模型为深度卷积神经网络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或均方根误差损失函数或平均绝对误差损失函数，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和均方误差损失函数的综合损失函数或交叉熵损失函数和均方根误差损失函数的综合损失函数。

4.根据权利要求3所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述DCNN模型包括一输入层、P个卷积层和一输出层，所述卷积层的结构相同，所述输入层只进行卷积和激活操作，输出层只进行卷积操作。

5.根据权利要求4所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述DCNN模型包括一输入层、13个卷积层和一输出层，卷积核大小为3*3，每层具有64个卷积核，每个卷积层后进行批归一化。

6.根据权利要求1所述的基于机器学习预测刻蚀工艺后CDSEM图像的方法，其特征在于，所述训练集的个数N1是7的倍数，所述验证集的个数N2为3的倍数。