使用机器学习系统的对在半导体晶片上形成的结构的光学计量技术方案

提供一种使用机器学习系统的对在半导体晶片上形成的结构的光学计量，通过得到用计量装置测量的第一衍射信号，检测在半导体晶片上形成的结构。通过使用机器学习系统产生第二衍射信号，其中，机器学习系统接收一个或更多个表征结构的剖面的参数作为输入，以产生第二衍射信号。比较第一和第二衍射信号。当第一和第二衍射信号在匹配准则内匹配时，基于由机器学习系统使用以产生第二衍射信号的一个或更多个参数或剖面确定结构的特征。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及对在半导体晶片上形成的结构的计量(metrology)，尤其涉及使用机器学习系统的对在半导体晶片上形成的结构的计量。
技术介绍
光学计量包括将入射束引向结构；测量得到的衍射束；分析衍射束以确定结构的特征。在半导体制造中，光学计量一般用于质量保证。例如，在制造接近半导体晶片上的半导体芯片的周期性格栅(periodic grating)之后，光学计量系统用于确定周期性格栅的剖面(profile)。通过确定周期性格栅的剖面，可以评价用于形成周期性格栅的制造方法的质量，并且，通过延伸，可以评价接近周期性格栅的半导体芯片。 一种常规的光学计量系统使用诸如严格耦合波分析(rigorouscoupled wave analysis)(RCWA)的衍射模拟技术，以分析衍射束。更具体地，在衍射模拟技术中，部分地基于求解麦克斯韦方程计算模型衍射信号。计算模型衍射信号包括执行大量的耗时间、成本高的复杂计算。
技术实现思路
在一个示例性实施方式中，通过得到用计量装置测量的第一衍射信号，检测在半导体晶片上形成的结构。通过使用机器学习系统产生第二衍射信号，这里机器学习系统接收一个或更多个表征结构的剖面的参数作为输入，以产生第二衍射信号。比较第一和第二衍射信号。当第一和第二衍射信号在匹配准则内匹配时，基于由机器学习系统使用以产生第二衍射信号的一个或更多个参数或剖面确定结构的特征。 附图说明 通过参照结合附图的以下说明，本专利技术可得到最佳理解，在附图中，用相同的附图标记表示相同的部分。 图1表示示例性光学计量系统；图2A～2E表示示例性剖面；图3表示示例性神经网络；图4表示机器学习系统的示例性训练方法；图5表示机器学习系统的示例性试验方法；图6表示通过使用机器学习系统确定结构的特征的示例性方法；图7表示在基于库(library-based)的方法中使用机器学习系统确定结构的特征的示例性方法。 图8表示在基于库的系统中使用机器学习系统确定结构的特征的示例性系统。 图9表示在基于回归(regression-based)的方法中使用机器学习系统确定结构的特征的示例性方法。 图10表示在基于回归的系统中使用机器学习系统确定结构的特征的示例性系统。 具体实施方式 以下说明大量的具体构造、参数等。但应当理解，这种说明目的不在于限定本专利技术的范围，而是用于说明各示例性实施方式。 (1.计量)参照图1，计量系统100可用于检测和分析结构。例如，计量系统100可用于确定在晶片104上形成的周期性格栅102的特征。如上面所述，可以在诸如邻近在晶片104上形成的器件的晶片104上的试验区中，形成周期性格栅102。作为替代方案，可以在不干扰器件的动作的器件区域或沿晶片104上的划线的区域中，形成周期性格栅102。 如图1所示，计量系统100可包括具有源106和检测器112的计量装置。通过来自源106的入射束108照射周期性格栅102。在本示例性实施方式中，入射束108以关于周期性格栅102的法线矢量 的入射角θi和方位角Φ(即，入射束108的平面和周期性格栅102的周期性方向之间的角度)射在周期性格栅102上。衍射束110以关于法线矢量 的角度θd离开，并被检测器112接收。检测器112将衍射束110转换成测量的衍射信号，该衍射信号可包含反射率、tan(ψ)、cos(Δ)、傅里叶系数等。 计量系统100还包括构成为接收测量的衍射信号并分析测量的衍射信号的处理模块114。如下面所述，由此可通过使用基于库的方法和基于回归的方法，确定周期性格栅102的特征。另外，可以考虑采用其它线性或非线性剖面提取(profile extraction)技术。 (2.基于库的方法)在基于库的方法中，将测量的衍射信号与衍射信号的库相比较。更具体而言，库中的各衍射信号与结构的剖面有关。当在测量的衍射信号和库中的衍射信号中的一个之间形成匹配时，或当测量的衍射信号和为库中的衍射信号中的一个之间的差异在预定或匹配准则以内时，认为与库中的匹配的衍射信号相关的剖面代表结构的实际剖面。从而可基于与匹配的衍射信号相关的剖面确定结构的特征。 因此，重新参照图1，在一个示例性实施方式中，在得到测量的衍射信号后，处理模块114将测量的衍射信号与存储在库116中的衍射信号相比较。库116中的各衍射信号与剖面相关。当在测量的衍射信号和库116中的衍射信号中的一个之间形成匹配时，可以认为与库116中的匹配的衍射信号相关的剖面代表周期性格栅102的实际剖面。 可以通过用参数组表征剖面、然后改变该参数组以产生不同形状和尺寸的多个剖面，产生存储在库116中的剖面的组。可以将用参数组表征剖面的方法称为参数化。 例如，如图2A所示，假定剖面200可由分别限定其高度和宽度的参数h1和w1表征。如图2B～2E所示，可以通过增加参数的数量，表征剖面200的添加的形状和特征。例如，如图2B所示，剖面200可由分别限定其高度、底宽和顶宽的参数h1、w1和w2表征。注意，可以将剖面200的宽度称为临界尺寸(critical demension，CD)。例如，在图2B中，可以分别将参数w1和w2描述为限定剖面200的底部CD和顶部CD。应当理解，可以使用各种类型的参数，以表征剖面200，包含入射角(AOI)、间距、n&k、硬件参数(例如，偏振角)等。 如上所述，可以通过改变表征剖面的参数，产生存储在库116(图1)中的剖面的组。例如，参照图2B，通过改变参数h1、w1和w2，可以产生不同形状和尺寸的剖面。注意，可以相对于彼此改变一个、两个或全部三个参数。 因此，可以使用与匹配的衍射信号相关的剖面的参数，以确定被检测的结构的特征。例如，可以使用与底部CD对应的剖面的参数，以确定被检测的结构的底部CD。 仍然参照图1，存储在库116中的剖面和衍射信号的组中的剖面和对应的衍射信号的数量(即，库116的分辨率和/或范围)部分地取决于参数的组的范围和参数的组改变的增量。在一个示例性实施方式中，在从实际结构得到测量的衍射信号之前产生存储在库116中的剖面和衍射信号。因此，可以基于对用于结构的制造方法和可能的变化范围的熟悉情况选择在产生的库116中使用的范围和增量(即，范围和分辨率)。也可以基于诸如使用原子力显微镜法(AFM)、扫描电子显微镜法(SEM)等的测量方法的实验手段选择库116的范围和/或分辨率。 对于基于库的方法的更详细的说明，可参见在2001年7月16日提交的专利技术名称为“GENERATION OF A LIBRARY OF PERIODICGRATING DIFFR5TION SIGNALS”的美国专利申请No.09/907488，在此引入其全部内容作为参考。 (3.基于回归的方法) 在基于回归的方法中，将测量的衍射信号与在比较之前通过使用用于一个剖面的参数组(即，尝试性参数)产生的衍射信号(即，尝试性衍射信号)相比较。如果测量的衍射信号和尝试性衍射信号不匹配，或者当测量的衍射信号与尝试性衍射信号之间的差异不在预定或匹配准则内，通过使用用于另一剖面的另一参数组，产生另一尝试性衍射信号，然后将测量的衍射信号与新产生的尝试性衍射信号比较。当测量的本文档来自技高网...

【技术保护点】
一种检测在半导体晶片上形成的结构的方法，包括以下步骤：得到用计量装置测量的第一衍射信号；得到用机器学习系统产生的第二衍射信号，其中，所述机器学习系统接收一个或更多个表征所述结构的剖面的参数作为输入，以产生所述第二衍射信号；　 　比较所述第一和第二衍射信号；和当所述第一和第二衍射信号在匹配准则内匹配时，基于由所述机器学习系统使用以产生所述第二衍射信号的所述一个或更多个参数或所述剖面确定所述结构的特征。

【技术特征摘要】
【国外来华专利技术】US 2003-6-27 10/608,3001.一种检测在半导体晶片上形成的结构的方法，包括以下步骤得到用计量装置测量的第一衍射信号；得到用机器学习系统产生的第二衍射信号，其中，所述机器学习系统接收一个或更多个表征所述结构的剖面的参数作为输入，以产生所述第二衍射信号；比较所述第一和第二衍射信号；和当所述第一和第二衍射信号在匹配准则内匹配时，基于由所述机器学习系统使用以产生所述第二衍射信号的所述一个或更多个参数或所述剖面确定所述结构的特征。2.根据权利要求1的方法，还包括以下步骤在产生所述第二衍射信号之前，用训练输入数据组和训练输出数据组训练所述机器学习系统，其中，所述训练输入数据的每一个是由一个或更多个参数表征的所述结构的剖面，且所述训练输出数据的每一个是与所述结构的所述剖面对应的衍射信号。3.根据权利要求2的方法，还包括以下步骤从所述结构的剖面的范围中选择训练输入数据组。4.根据权利要求3的方法，还包括以下步骤将剖面的所述范围分为第一部分和至少一个第二部分，其中，为所述第一部分配置和训练第一机器学习系统，为所述第二部分配置和训练第二机器学习系统。5.根据权利要求2的方法，其中，通过在训练所述机器学习系统之前使用模型化技术，基于所述训练输入数据组产生所述训练输出数据组。6.根据权利要求5的方法，其中，所述模型化技术包含严格耦合波分析、积分法、菲涅耳法、有限分析或模型分析。7.根据权利要求2的方法，其中，所述训练输出数据包含多个维数，并且还包括以下步骤通过使用主成分分析，变换所述训练输出数据。8.根据权利要求7的方法，还包括以下步骤将所述训练输出数据的所述维数分为第一部分和至少一个第二部分，其中，为所述第一部分配置和训练第一机器学习系统，为所述第二部分配置和训练第二机器学习系统。9.根据权利要求2的方法，其中，训练包含以下步骤(a)得到训练输入数据；(b)通过使用所述训练输入数据用所述机器学习系统产生衍射信号；(c)将所述衍射信号与对应于用来产生所述衍射信号的所述训练输入数据的所述训练输出数据相比较；(d)当所述衍射信号和所述训练输出数据在匹配准则内不匹配时，用另一训练输入数据重复(b)和(c)。10.根据权利要求2的方法，其中，训练包含使用反向传播、径向基网络、支持向量或核心回归算法。11.根据权利要求1的方法，其中，当所述第一和第二衍射信号在所述匹配准则内不匹配时，将所述第一衍射信号与来自衍射信号的库的另一衍射信号相比较，以及通过使用所述机器学习系统产生所述衍射信号的库中的所述衍射信号。12.根据权利要求1的方法，其中，当所述第一和第二衍射信号在所述匹配准则内不匹配时，通过使用机器学习系统产生另一衍射信号，以与所述第一衍射信号相比较。13.根据权利要求1的方法，其中，所述计量装置是偏振光椭圆率测量仪、反射计、原子力显微镜或扫描电子显微镜。14.根据权利要求1的方法，其中，所述一个或更多个参数包含一个或更多个维的临界尺寸、入射角、n和k值或间距。15.根据权利要求1的方法，其中，所述机器学习系统是神经网络。16.一种计算机可读存储介质，包含用于使计算机检测在半导体晶片上形成的结构的计算机可执行指令，该计算机可读存储介质包含用于执行以下步骤的指令得到用计量装置测量的第一衍射信号；得到用机器学习系统产生的第二衍射信号，其中，所述机器学习系统接收一个或更多个表征所述结构的剖面的参数作为输入，以产生所述第二衍射信号；比较所述第一和第二衍射信号；和当所述第一和第二衍射信号在匹配准则内...

【专利技术属性】
技术研发人员：斯里尼瓦斯多迪，埃曼努埃尔德勒热，尼克希尔贾卡达，鲍君威，
申请(专利权)人：音质技术公司，
类型：发明
国别省市：US[美国]