一种基于径向基支持向量机的晶圆表面缺陷分类方法技术

一种基于径向基支持向量机的晶圆表面缺陷分类方法，所述基于径向基支持向量机的晶圆表面缺陷分类方法包括以下步骤；步骤一：从光强信号中提取颗粒缺陷、凹陷缺陷两种缺陷类型的数据，从中随机选取相同数量的两种缺陷类型数据作为训练集，对选取的颗粒缺陷、凹陷缺陷两种缺陷类型的数据分别设置不同标签，作为训练集标签；步骤二：将未被选取的两种缺陷类型数据作为测试集，该测试集中两种缺陷的数量已知。本设计可以从光强信号中提取缺陷特征数据类型，使得需要支持向量机对数量减少，涉及的样本数据少，使非线性的样本分类效果好，二者适配性高，相比现有的分类方法准确率得到极大提升，分类速度更快。分类速度更快。分类速度更快。

【技术实现步骤摘要】
一种基于径向基支持向量机的晶圆表面缺陷分类方法


[0001]本专利技术涉及一种晶圆表面缺陷分类方法的改进，属于光刻
，尤其涉及一种基于径向基支持向量机的晶圆表面缺陷分类方法。

技术介绍

[0002]光刻技术是集成电路制造领域的关键加工技术，随着工艺水平的日益进步，对晶圆表面缺陷类型及尺寸的检测和控制都提出了更高的要求。晶圆表面附着的颗粒污染物和工艺过程产生的凹坑等是降低芯片生产良率的主要缺陷原因。因此，需要在光刻之前对还未刻蚀图案的晶圆进行检测，以判断其表面缺陷的情况。光学检测手段具备速度快、精度高、可集成在工艺过程中等优势，已逐步成为半导体制造生产过程中的主流检测技术。然而在应用光学检测方法进行晶圆表面缺陷检测时，仍然面临着一个技术难题：尚未见有效的从观测光强信号中提取缺陷特征的分类识别方法。
[0003]申请号为CN201680029024.7，申请日为2016年3月9日的中国专利技术专利揭示了一种半导体晶圆的评价方法，包含以DWO以及DNO两种检测模式，检测调查用样品的半导体晶圆表面的LPD；进行LPD的尺寸分类；自以两种检测模式所检测出的LPD的检测坐标，计算两种检测模式中检测坐标间的距离及相对于晶圆中心的相对角度；将各经分类的尺寸预先设定将LPD判定为异物或致命缺陷的判定基准；以两种检测模式测定评价对象半导体晶圆的LPD；进行评价对象的LPD的尺寸分类；关于评价对象，计算检测坐标间的距离及相对于晶圆中心的相对角度；以及基于计算结果及判定基准，将评价对象的半导体晶圆表面所检测出的LPD分类为致命缺陷及异物，但是此方案并不是通过光强信号中提取缺陷特征的分类识别方法。
[0004]公开该
技术介绍
部分的信息仅仅旨在增加对本专利申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0005]本专利技术的目的是克服现有技术中存在无法从观测光强信号中提取缺陷特征的分类识别方法的问题，提供了可以从观测光强信号中提取缺陷特征的一种基于径向基支持向量机的晶圆表面缺陷分类方法。
[0006]为实现以上目的，本专利技术的技术解决方案是：一种基于径向基支持向量机的晶圆表面缺陷分类方法，所述基于径向基支持向量机的晶圆表面缺陷分类方法包括以下步骤；
[0007]步骤一：从光强信号中提取颗粒缺陷、凹陷缺陷两种缺陷类型的数据，从中随机选取相同数量的两种缺陷类型数据作为训练集，对选取的颗粒缺陷、凹陷缺陷两种缺陷类型的数据分别设置不同标签，作为训练集标签；
[0008]步骤二：将未被选取的两种缺陷类型数据作为测试集，该测试集中两种缺陷的数量已知，对未选取的颗粒缺陷、凹陷缺陷两种缺陷类型的数据分别设置不同标签，作为测试
集标签；
[0009]步骤三：对设置好的训练集和训练集标签采用交叉验证的方法，得到惩罚系数C 和径向基系数g的最优值；
[0010]步骤四：将得到的惩罚系数c和径向基系数g的数值带入LIBSVM工具箱里径向基支持向量机模型里的惩罚系数c和径向基系数g的数值中进行训练，然后输入设置好的训练集和训练集标签，得到训练后的分类模型；
[0011]步骤五：利用测试集和测试集标签检测分类模型，得到测试分类的准确率数值；
[0012]步骤六：将得到的测试分类的准确率数值与测试集中两种缺陷的真实分类数据进行比较，若偏差率超过正负3％，则另选一批已知数据重复上述步骤一至步骤五，
……
，直至偏差率小于或等于正负3％，则判定，获得成熟的分类模型；
[0013]步骤七：将光强信号中提取的未知数量的颗粒缺陷、凹陷缺陷带入成熟的分类模型中，运行成熟的分类模型，以获得缺陷数据的分类率。
[0014]所述带入LIBSVM工具箱时，设置两个重要参数为惩罚系数(C)和径向基系数 (gamma，g)，其中径向基系数g与径向基函数的核半径σ相关，公式一如下：
[0015][0016]所述从光强信号中提取颗粒缺陷、凹陷缺陷两种缺陷类型的数据还包括，引入核函数将样本空间从低维投影到高维空间中，从光强信号中分类识别出晶圆表面不同的缺陷类型，经过变换后变得线性可分。
[0017]所述变换包括样本的寻优函数和分类函数涉及样本的内积运算(x
i
,x
j
)，在映射的高维空间中计算内积则为(φ(x
i
),φ(x
j
))，此函数为核函数，公式二如下：
[0018]K(xi,xj)＝(φ(xi)
·
φ(xj))公式二。
[0019]所述径向基核函数计算公式三如下所示：
[0020][0021]径向基核函数的核半径趋近于0时，则所有训练样本都是支持向量，且会被正确分类，导致产生过拟合，使超平面的泛化性变得较差；若高斯核半径σ趋近于∞时，支持向量机的学习能力和对新样本的正确判断能力为零，此时会将所有的样本归为一类。
[0022]所述得到惩罚系数C和径向基系数g的最优值具体为：首先设置参数c和g的数值均在2^(
‑
10)到2^10范围内，搜寻的步长设置为0.5，即c、g的取值在网格中分别为2^(
‑
10)，2^(
‑
9.5)，2^(
‑
9)
…
2^9.5，2^10，然后输入第一组训练集Train和训练集标签Train_label，采用交叉验证法便可得到惩罚系数C和径向基系数g取值范围内能获得最高分类准确率。
[0023]所述输入设置好的训练集和训练集标签，得到训练后的分类模型具体为：将训练集、训练集标签以及最优参数输入径向基支持向量机模型model＝ svmtrain(Train_label,Train,
‑
C1,
‑
g 0.1)中得到分类器模型，其中
‑
C1表示惩罚系数C＝1，
‑
g0.1表示径向基系数g＝0.1，model表示训练好的径向基支持向量机模型。
[0024]所述惩罚系数c和径向基系数g的值为默认值，将得到的最优值进行替换，然后将训练好的径向基支持向量机模型、训练集和训练集标签代入径向基支持向量机预测模型accuracy＝svmpredict(Text_label,Text,model)得到分类准确率，其中 accuracy表示分类准确率。
[0025]所述步骤一与步骤二标签设置具体为：规定晶圆表面颗粒缺陷的标签为1，晶圆表面凹陷缺陷的标签为
‑
1。
[0026]所述从收集好的两类缺陷数据中各随机抽取190组作为训练集，记为Train，组成380
×
1的矩阵，确定每一组数据类型标签记为Train_label的380
×
1矩阵，剩下的没被选取的两种类型缺陷各10组，组成20
×
1的矩阵，记为Text，其数据类型标签记为Text_la本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于径向基支持向量机的晶圆表面缺陷分类方法，其特征在于:所述基于径向基支持向量机的晶圆表面缺陷分类方法包括以下步骤；步骤一：从光强信号中提取颗粒缺陷、凹陷缺陷两种缺陷类型的数据，从中随机选取相同数量的两种缺陷类型数据作为训练集，对选取的颗粒缺陷、凹陷缺陷两种缺陷类型的数据分别设置不同标签，作为训练集标签；步骤二：将未被选取的两种缺陷类型数据作为测试集，对未选取的颗粒缺陷、凹陷缺陷两种缺陷类型的数据分别设置不同标签，作为测试集标签；步骤三：对设置好的训练集和训练集标签采用交叉验证的方法，得到惩罚系数C和径向基系数g的最优值；步骤四：将得到的惩罚系数c和径向基系数g的数值带入LIBSVM工具箱里径向基支持向量机模型里的惩罚系数c和径向基系数g的数值中进行训练，然后输入设置好的训练集和训练集标签，得到训练后的分类模型；步骤五：利用测试集和测试集标签检测分类模型，得到分类准确率数值；步骤六：将得到的分类准确率数值与已知的分类准确率数值进行比较，若偏差较大，则另选一批已知数据重复上述步骤再次进行训练，直至准确率数值接近，得到成熟的分类模型；步骤七：将光强信号中提取的未知信号带入成熟的分类模型中，得到缺陷数据的分类率。2.根据权利要求1所述的一种基于径向基支持向量机的晶圆表面缺陷分类方法，其特征在于：所述带入LIBSVM工具箱时，设置两个重要参数为惩罚系数(C)和径向基系数(gamma，g)，其中径向基系数g与径向基函数的核半径σ相关，公式一如下：3.根据权利要求1所述的一种基于径向基支持向量机的晶圆表面缺陷分类方法，其特征在于：所述从光强信号中提取颗粒缺陷、凹陷缺陷两种缺陷类型的数据还包括，引入核函数将样本空间从低维投影到高维空间中，从光强信号中分类识别出晶圆表面不同的缺陷类型，经过变换后变得线性可分。4.根据权利要求3所述的一种基于径向基支持向量机的晶圆表面缺陷分类方法，其特征在于：所述变换包括样本的寻优函数和分类函数涉及样本的内积运算(x
i
,x
j
)，在映射的高维空间中计算内积则为(φ(x
i
),φ(x
j
))，此函数为核函数，公式二如下：K(x
i
,x
j
)＝(φ(x
i
)
·
φ(x
j
))公式二。5.根据权利要求4所述的一种基于径向基支持向量机的晶圆表面缺陷分类方法，其特征在于：所述径向基核函数计算公式三如下所示：径向基核函数的核半径趋近于0时，则所有训练样本都是支持向量，且会被正确分类，导致产生过拟合，使超平面的泛化性变得较差；若高斯核半径σ趋近于∞时，支...

【专利技术属性】
技术研发人员：廖程，胡文钢，贠欣，王学美，郭金龙，
申请(专利权)人：武汉船用机械有限责任公司，
类型：发明
国别省市：