[发明专利]一种形貌参数预测模型的构建方法及形貌参数测量方法

说明书

本发明提供一种形貌参数预测模型的构建方法及形貌参数测量方法，构建方法包括：获取多个标准样件上的每一个标准设计结构的测量光谱和形貌参数，对每一条测量光谱进行波长分隔采样，得到多个隔断采样光谱，基于每一条隔断采样光谱和对应的实际形貌参数构建第一模型，以及基于第一模型输出的预测形貌参数和实际形貌参数构建第二模型，第一模型和第二模型构成形貌参数预测模型，基于预测模型对待测样件的形貌参数进行预测。本发明公开的方法将传统机器学习模型应用至光学精密测量领域，通过对测量光谱数据进行波长拆分的处理扩充样本完成对预测模型的优化，有效防止了训练过程中的过拟合，避免了维度灾难，有效提升了由光谱计算结构参数的鲁棒性。

技术领域

本发明涉及光学精密测量领域，更具体地，涉及一种形貌参数预测模型的构建方法及形貌参数测量方法。

背景技术

机器学习起源于1950年人工智能之父图灵提到的关于图灵测试的可能性。其致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。机器学习所研究的主要内容，是关于在计算机中上从数据产生模型的算法，即“学习算法”。有了学习算法，计算机可以基于这些数据产生模型。在面对新数据时，模型会给予相应的判断和输出。最近十多年来，机器学习的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。

光学散射测量方法，也称为光学关键尺寸(optical critical dimension,OCD)测量方法，其基本原理可以概括为：一束具有特殊偏振态的偏振光投射至待测样品表面，通过测量待测样品的衍射光，获得偏振光在反射前后偏振态的变化，进而从中提取出待测样品的结构参数，例如化学气相沉积等镀膜工艺中所获得的薄膜的厚度，以及光刻、刻蚀等工艺中所获得纳米光栅的线宽、线高、侧壁角等。

与扫描电子显微镜、原子力显微镜等微观形貌测量手段相比，光学散射测量技术具有速度快、成本低、无接触、非破坏等优点，因而在先进工艺在线监测领域获得了广泛应用。然而，扫描电子显微镜、原子力显微镜等测量手段可以直接获得待测样品微观形貌及结构参数，是一种“所见即所得”的测量手段；与之相反，光学散射测量技术获得的仅是一组关于入射波长或入射角度分布的光强信号及其他派生信号，如反射率、椭偏参数、穆勒矩阵等，需要通过一定的数据分析手段才能从测量信号中提取出待测样品结构参数，其主要方法有两种：(1)利用先验知识(如待测结构形貌、所用材料折射率等)针对待测结构建立对应的物理模型，通过非线性拟合等方法，调整物理模型中的参数，使得其对应的理论光谱与样品测量光谱之间的偏差最小。(2)直接使用实测的光谱数据通过神经网络或机器学习方法预测待测结构参数。第一类方法在参数拟合过程中需要反复求解物理模型，当待测结构较为复杂时，该方法的计算效率难以满足实际测量需求。与之相比，第二类方法可以直接实现从测量光谱到待测参数的映射，而不需要依赖物理模型的求解，因此在半导体结构越来越复杂化的发展趋势中，拥有越来越广阔的应用前景。

机器学习方法需要从数据样本中学习输入与输出之间的映射模型，一般来说数据越多则模型预测效果越鲁棒。然而在半导体测量的实际应用过程中，可提供的测量数据样本十分有限，方法(2)会出现模型过拟合的问题，从而导致模型的鲁棒性较差。模型过拟合的根本原因是输入的光谱特征维度过多，往往达到上万以上，而输出的标签值一般仅有几十个至上百个，导致模型非常容易陷入维度灾难。同时，测量光谱中所包含的测量误差，会导致模型鲁棒性进一步降低。

发明内容

本发明针对现有技术中存在的技术问题，提供一种形貌参数预测模型的构建方法及形貌参数测量方法。

根据本发明的第一方面，提供了一种形貌参数预测模型的构建方法，包括：

获取多个标准样件，其中，每个所述标准样件上具有一个或多个标准设计结构，每个所述标准设计结构具有对应的形貌参数；

分别获取每个所述标准设计结构的测量光谱；