一种映射模型构建方法及待测样件结构参数测量方法

1.本发明涉及光学、半导体材料领域，更具体地，涉及一种映射模型构建方法及待测样件结构参数测量方法。


背景技术：

2.在半导体行业中，对半导体纳米结构形态的参数测量提取，包括膜厚度、线宽、线宽、侧壁角度等结构参数，在制造业中对于提高产品质量和产量方面发挥着关键的作用。光学散射测量，又常称为光学关键尺寸(ocd)计量，与传统的原子显微镜、扫描电子显微镜、透射电子显微镜相比，有着速度快、成本低、无接触、无损和易于集成等优势，因而在先进工艺监测和制造领域中获得了广泛的应用。光学散射测量并非一种“所见即所得
″
的测量方法，其需要在测量得到的光谱中提取待测结构参数，其本质是一种基于模型的测量方法。
3.然而，现有技术中常直接采用样本的光谱数据对神经网络进行直接训练，例如美国专利us202000036821公开了一种基于监督机器学习的材料光谱结构表征的系统和方法，使用经过频谱信息训练的神经网络来识别给定材料的指定特征，训练数据集为直接测定的x射线吸收光谱数据，中国专利cn115422843公开了一种形貌参数预测模型的构建方法及形貌参数测量方法，是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，虽然防止了训练过程中的过拟合问题，但无法避免训练过程中的噪声，导致预测结构参数精度不高。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种映射模型构建方法及待测样件结构参数测量方法，可以获得对结构参数变化更加敏感的映射模型，使得映射模型预测的结构参数更加合理。
5.根据本发明的第一方面，提供了一种映射模型构建方法，包括：
6.s1：通过拟合算法提取多组实测穆勒光谱对应的结构参数，每一组实测穆勒光谱包括波长点序列和每一个波长点对应的穆勒光谱元素点位序列；
7.s2：基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；
8.s3：根据灵敏度阈值，对每一组实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位；
9.s4：获取训练数据集，所述训练数据集包括k组合格的m个穆勒光谱元素点位和k组结构参数，k和m为正整数；
10.s5：以所述训练数据集中的穆勒光谱元素点位为输入并以结构参数为输出对机器学习模型进行训练，训练后的机器学习模型即为从穆勒光谱元素点位到结构参数的映射模型。
11.根据本发明的第二方面，提供一种待测样件结构参数测量方法，包括：
12.获取待测样件的一组实测穆勒光谱；
13.通过拟合算法提取所述实测穆勒光谱对应的结构参数，所述实测穆勒光谱包括波长点序列和每一个波长点对应的穆勒光谱元素点位序列；
14.基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；
15.根据灵敏度阈值，对所述实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位；
16.将合格的穆勒光谱元素点位输入映射模型中，获取待测样件的结构参数。
17.本发明提供的一种映射模型构建方法及待测样件结构参数测量方法，通过每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度分析，去掉灵敏度低的不合格点位，让机器学习时对结构参数变化更敏感进而更容易训练出准确模型，且训练过程中不易过拟合，使机器学习求得的结构参数更为合理，同时也不存在直接通过拟合算法求结构参数因系统噪声带来的误差。
附图说明
18.图1为穆勒矩阵椭偏仪结构示意图；
19.图2为本发明提供的一种用于测量样件结构参数的映射模型构建方法流程图；
20.图3为本发明提供的一种样件结构参数测量方法的流程示意图；
21.图4为本发明对应的实验案例采用的周期性纳米结构示意图。
具体实施方式
22.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
23.在实际的光学散射测量，对于待测结构参数的提取，传统的拟合方法会因在有退偏的情况下存在系统噪声而影响最终的结构参数精度；直接机器学习又会因为有些点位灵敏度过低，学习模型时对结构参数变化不敏感，造成难以训练出准确模型，也会因为机器学习模型输入的参数过多而输出参数过少造成过拟合现象。
24.为了使提取到的样件的结构参数更加精确，本发明提出了一种更加精确测量到样件结构参数的方法，其主要包括两部分：构建用于测量样件结构参数的映射模型，以及利用该映射模型对样件的结构参数进行测量。
25.图2为本发明提供的一种用于测量样件结构参数的映射模型构建方法，该方法包括：
26.s1，通过拟合算法提取多组实测穆勒光谱对应的结构参数，每一组实测穆勒光谱包括波长点序列和每一个波长点对应的穆勒光谱元素点位序列。
27.可理解的是，可利用如图1所示的穆勒矩阵型椭偏仪来测量样件对应的实测穆勒光谱，然后通过拟合算法对多组实测穆勒光谱[y1，y2，，，ym]进行结构参数的提取，得到对应的结构参数为[x1，x2，，，xm]。一组穆勒光谱包括波长点序列和4*4的穆勒光谱点位序列。其
中，一个波长点对应16个穆勒光谱点位。假定波长点序列为a＝[a1，a2，a3，，，an]，对应的穆勒光谱点位为
[0028]
s2，基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度。
[0029]
可理解的是，将提取到的结构参数作为基点值，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位(4*4中的一个)对厚度的灵敏度。本发明主要是将厚度这一主要结构参数作为考虑对象，其实也可以将影响小的结构参数也作为灵敏度考虑范围之内。
[0030]
本发明实施例将提取到的结构参数作为基点值，采用局部灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位(4*4中的一个)对厚度的灵敏度，该处说的是局部灵敏度。另外还可以采用全局灵敏度分析方法，全局灵敏度分析方法包括morris灵敏度、sobol灵敏度、efast灵敏度。
[0031]
可理解的是，从结构参数到穆勒光谱的正向光学特征模型表示为y＝f(x，a)，其中y表示穆勒光谱，x表示结构参数：厚度，a表示测量条件配置：波长。在局部灵敏度分析方法中，假定x从x0作微小偏移其他结构参数不变，光谱便从y0＝f(x0，a)变成因此光谱对厚度的灵敏度表示为：假定有n个波长点，对应的穆勒光谱求出来的灵敏度点位有16*n个。
[0032]
其中，提取到的结构参数[x1，x2，
…
，xm]求均值后即作为基点值x0，在基准点x0的前后位置做微小偏移。
[0033]
s3，根据灵敏度阈值，对每一组实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位。
[0034]
可理解的是，根据每一组实测穆勒光谱包括的每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度，通过自适应法、均值法或中位数法确定灵敏度阈值。
[0035]
根据灵敏度阈值，对每一组实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位，包括：若穆勒光谱元素点位对厚度的灵敏度小于灵敏度阈值，则穆勒光谱元素点位合格，保留下来；否则，穆勒光谱元素点位不合格，剔除。经过筛选，得到每一组实测穆勒光谱中合格的穆勒光谱元素点位。
[0036]
本发明实施例中，通过灵敏度阈值对每一组实测穆勒光谱中16*n个点位进行筛选，得到合格的m个穆勒光谱元素点位(m＜＝n)。
[0037]
s3，获取训练数据集，所述训练数据集包括k组合格的m个穆勒光谱元素点位和k组结构参数，k和m为正整数。
[0038]
s4，基于训练数据集对构建的映射模型进行训练，获取训练后的映射模型。
[0039]
可理解的是，对训练数据集(包括多组穆勒光谱及对应的结构参数)中的每一组穆勒光谱进行点位筛选。假定训练数据集中的训练数据组数为k，即k组实测穆勒光谱，则最终筛选会得到筛选后的训练集，即：k组点位数为m的光谱及k组结构参数。
[0040]
s5，以所述训练数据集中的穆勒光谱元素点位为输入并以结构参数为输出对机器学习模型进行训练，训练后的机器学习模型即为从穆勒光谱元素点位到结构参数的映射模型。
[0041]
本实施例中，机器学习模型可以为knn模型、岭回归模型、logistic回归模型、svm模型、决策树模型、朴素贝叶斯模型等。
[0042]
参见图3，为本发明提供的一种样件结构参数测量方法，包括：
[0043]
s1’，获取待测样件的一组实测穆勒光谱；
[0044]
s2’，通过拟合算法提取所述实测穆勒光谱对应的结构参数，所述实测穆勒光谱包括波长点序列和每一个波长点对应的穆勒光谱元素点位序列；
[0045]
s3’，基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；
[0046]
s4’，根据灵敏度阈值，对所述实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位。
[0047]
可理解的是，在对待测样件的结构参数进行测量时，获取待测样件的一组实测穆勒光谱，按照上述的方式对实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位。
[0048]
s5’，将合格的穆勒光谱元素点位输入映射模型构建方法构建的映射模型中，获取待测样件的结构参数。
[0049]
其中，为了验证本发明的方法，实验材料采用图4的周期性纳米结构作为样品进行光谱采样，该结构样品由一个二氧化硅层和一个氮化硅层填充至二氧化硅材料中组成。为了减少实验模型的复杂性，提升参数提取的有效性，实验将一些对于对光谱影响不大的结构参数设定为固定值。实验采用穆勒矩阵型椭偏仪来测量样本对应的光谱，其结构如图1所示。实验选取四片晶圆标养作为样本，其中三片作为训练集，一片作为测试集，每片均有83个单元，相当于一共有3*83组数据作为训练集。为了验证该发明方案的优越性，采用测试集作为实测光谱，进行结构参数提取得到对应的多组结构参数集合记为a，然后再将测试集分别采用直接拟合方法提取结构参数得到对应的多组结构参数集合记为b，采用直接机器学习方法提取结构参数得到对应的多组结构参数集合记为c。最后将a、b、c分别与测试集对应的标准结构参数d求均方误差(mse)，最终发现a与d的均方误差最小，即验证了该基于灵敏度分析的光谱波段筛选方法是成功的。
[0050]
本发明提供的一种映射模型构建方法及样件结构参数测量方法，通过每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度分析，去掉灵敏度低的不合格点位，让机器学习时对结构参数变化更敏感进而更容易训练出准确模型，且训练过程中不易过拟合，使机器学习求得的结构参数更为合理。同时也不存在直接通过拟合算法求结构参数因系统噪声带来的误差。
[0051]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种测量样件结构参数的映射模型构建方法，其特征在于，所述方法包括：s1：通过拟合算法提取多组实测穆勒光谱对应的结构参数，每一组实测穆勒光谱包括波长点序列和每一个波长点对应的穆勒光谱元素点位序列；s2：基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；s3：根据灵敏度阈值，对每一组实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位；s4：获取训练数据集，所述训练数据集包括k组合格的m个穆勒光谱元素点位和k组结构参数，k和m为正整数；s5：以所述训练数据集中的穆勒光谱元素点位为输入并以结构参数为输出对机器学习模型进行训练，训练后的机器学习模型即为从穆勒光谱元素点位到结构参数的映射模型。2.根据权利要求1所述的映射模型构建方法，其特征在于，所述基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度，包括：从结构参数到穆勒光谱的正向光学特征模型表示为y＝f(x,a)，其中，y表示穆勒光谱，x表示结构参数：厚度，a表示测量条件配置：波长；在灵敏度分析方法中，假定x从x0作微小偏移其他结构参数不变，穆勒光谱便从y0＝f(x0,a)变成穆勒光谱对厚度的灵敏度表示为：计算每一组实测穆勒光谱包括的每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度。3.根据权利要求2所述的映射模型构建方法，其特征在于，根据提取的多组实测穆勒光谱对应的结构参数中的厚度，计算所有厚度平均值初始厚度4.根据权利要求1或2所述的映射模型构建方法，其特征在于，所述灵敏度分析方法包括局部灵敏度分析方法和全局灵敏度分析方法，所述全局灵敏度分析方法包括morris灵敏度分析方法、sobol灵敏度分析方法和efast灵敏度分析方法。5.根据权利要求1或2所述的映射模型构建方法，其特征在于，所述根据灵敏度阈值，对每一组实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位，包括：若穆勒光谱元素点位对厚度的灵敏度小于灵敏度阈值，则所述穆勒光谱元素点位合格，否则，所述穆勒光谱元素点位不合格。6.根据权利要求5所述的映射模型构建方法，其特征在于，根据每一组实测穆勒光谱包括的每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度，通过自适应法、均值法或中位数法确定灵敏度阈值。7.一种样件结构参数测量方法，其特征在于，包括：获取待测样件的一组实测穆勒光谱；通过拟合算法提取所述实测穆勒光谱对应的结构参数，所述实测穆勒光谱包括波长点序列和每一个波长点对应的穆勒光谱元素点位序列；基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；
根据灵敏度阈值，对所述实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位；将合格的穆勒光谱元素点位输入权利要求1所述的映射模型构建方法构建的映射模型中，获取待测样件的结构参数。

技术总结
本发明提供一种映射模型构建方法及样件结构参数测量方法，通过拟合算法提取多组实测穆勒光谱对应的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；根据灵敏度阈值，筛选合格的穆勒光谱元素点位；获取训练数据集，包括组合格的个穆勒光谱元素点位和组结构参数；基于训练数据集对构建的映射模型进行训练。本发明通过每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度分析，去掉灵敏度低的不合格点位，让机器学习时对结构参数变化更敏感进而更容易训练出准确模型，且训练过程中不易过拟合，使机器学习求得的结构参数更为合理，同时也不存在直接通过拟合算法求结构参数因系统噪声带来的误差。来的误差。来的误差。


技术研发人员：刘世元 郭春付 张传维
受保护的技术使用者：华中科技大学
技术研发日：2023.06.30
技术公布日：2023/10/6