混合模型学习方法、光学散射测量方法和电子设备技术

本发明专利技术提供了一种用于光学散射测量的混合模型学习方法、光学散射测量方法和电子设备，包括：基于物理模型和材料的结构参数，通过分析实验光谱进行回归方式获得回归数据，回归数据为仿真光谱或待测参数预测值；将参考参数作为标签数据，将标签数据和回归数据共同输入机器学习模型进行训练；当机器学习模型的损失函数的损失值达到设定阈值时停止训练，获得混合模型。该方法结合了物理模型的泛化能力和机器学习模型的精度优势，能够提升半导体量测中的测量速度和精度。的测量速度和精度。的测量速度和精度。

【技术实现步骤摘要】
混合模型学习方法、光学散射测量方法和电子设备


[0001]本专利技术涉及光学散射测量
，尤其涉及一种用于光学散射测量的混合模型学习方法、光学散射测量方法和电子设备。

技术介绍

[0002]薄膜厚度和关键尺寸测量均为光学散射测量，普遍应用于半导体行业、生物医药行业等领域，测量的主要目的是为了获取薄膜厚度、结构的宽度和侧壁角等关键尺寸、光学常数等信息。在半导体制造行业中，常常需要较快的测量速度、精确的测量结果以及较高的多次测量重复性，反射率、透射率、椭偏参数、穆勒光谱等通常通过膜厚仪、椭偏仪等设备得到。得到样品的光谱数据后，通常会采用基于物理模型计算得到的相对应结构的仿真光谱，然后通过回归方法找到最接近实验测量的光谱的仿真光谱，认为此组仿真光谱对应的结构参数就是待测参数。
[0003]但是当入射光方位角发生改变或者样品结构过于复杂时，基于物理模型的求解存在较大误差，导致回归过程耗时较长，同时测量精度无法满足工业测量要求。近年来发展的机器学习(ML)方法能够自动挖掘数据中存在的内在规律，进而提升测量精度和速度，但是基于数据的纯机器学习方法需要大量训练数据，当存在的数据较少时，无法准确预测待测参数。

技术实现思路

[0004]本专利技术的目的在于提供一种用于光学散射测量的混合模型学习方法、光学散射测量方法和电子设备，用以提升半导体量测中的测量速度和精度。
[0005]第一方面，本专利技术提供的用于光学散射测量的混合模型学习方法包括：基于物理模型和材料的结构参数，通过分析实验光谱进行回归方式获得回归数据，所述回归数据为仿真光谱或待测参数预测值；将参考参数作为标签数据，将所述标签数据和所述回归数据共同输入机器学习模型进行训练；当所述机器学习模型的损失函数的损失值达到设定阈值时停止训练，获得混合模型。
[0006]本专利技术提供的用于光学散射测量的混合模型学习方法的有益效果在于：本专利技术的混合模型学习方法结合了物理模型的泛化能力和机器学习模型的精度优势，能够提升半导体量测中的测量速度和精度。其中，混合模型学习方法不限定机器学习模型和物理模型，可以应用于任意机器学习模型和物理模型的混合，应用方便。
[0007]一种可能的实施例中，将参考参数作为标签数据，将所述标签数据和所述回归数据共同输入机器学习模型进行训练，包括：将所述参考参数作为标签数据，将所述标签数据、所述回归数据和用于作为自变量的所述实验光谱共同输入机器学习模型进行训练。
[0008]另一种可能的实施例中，通过分析实验光谱进行回归方式获得回归数据之后，还包括：对所述待测参数预测值进行加权，得到加权待测参数作为正则化项。
[0009]将参考参数作为标签数据，将所述标签数据和所述回归数据共同输入机器学习模
型进行训练，包括：将所述参考参数作为标签数据，将所述标签数据、所述正则化项和用于作为自变量的所述实验光谱共同输入机器学习模型进行训练。
[0010]其它可能的实施例中，所述对所述待测参数预测值进行加权，包括：计算对所述待测参数预测值进行加权的权重，所述权重正比于所述待测参数预测值与所述参考参数的相关程度；根据所述权重对所述待测参数预测值进行加权。
[0011]第二方面，本专利技术还提供了另一种用于光学散射测量的混合模型学习方法，所述方法包括：在参考参数附近的设定范围内进行采样获得采样参数；基于物理模型和材料的结构参数，基于所述采样参数进行仿真获得仿真光谱；将所述采样参数和所述参考参数作为标签数据，将实验光谱、所述标签数据和所述仿真光谱共同输入机器学习模型进行训练；当所述机器学习模型的损失函数的损失值达到设定阈值时停止训练，获得混合模型。
[0012]在一种可能的实施例中，所述机器学习模型包括第一学习模型和第二学习模型。
[0013]将所述采样参数和所述参考参数作为标签数据，将实验光谱、所述标签数据和所述仿真光谱共同输入机器学习模型进行训练，包括：将所述采样参数作为标签数据，将所述仿真光谱作为自变量，共同输入所述第一学习模型进行训练，当所述第一学习模型的损失函数的损失值达到设定阈值时停止训练，获得训练模型；将所述实验光谱作为自变量输入所述训练模型，获得所述实验光谱的待测参数预测值；将所述参考参数作为标签数据；将所述标签数据和所述实验光谱的待测参数预测值共同输入所述第二学习模型进行训练，或，将所述标签数据、所述实验光谱的待测参数预测值和用于作为自变量的所述实验光谱共同输入所述第二学习模型进行训练。
[0014]在另一种可能的实施例中，将所述实验光谱作为自变量输入所述训练模型，获得所述实验光谱的待测参数预测值之后，还包括：对所述实验光谱的待测参数预测值进行加权，得到加权待测参数作为正则化项。
[0015]将所述标签数据和所述实验光谱的待测参数预测值共同输入第二机器学习模型进行训练，或，将所述标签数据、所述实验光谱的待测参数预测值和用于作为自变量的所述实验光谱共同输入第二机器学习模型进行训练，包括：将所述标签数据、所述正则化项和用于作为自变量的所述实验光谱共同输入所述第二学习模型进行训练。
[0016]在其它可能的实施例中，所述对所述实验光谱的待测参数预测值进行加权，包括：计算对所述实验光谱的待测参数预测值进行加权的权重，所述权重正比于所述实验光谱的待测参数预测值与所述参考参数的相关程度；根据所述权重对所述实验光谱的待测参数预测值进行加权。
[0017]第三方面，本专利技术还提供了一种光学散射测量方法，应用于上述用于光学散射测量的混合模型学习方法，所述光学散射测量方法包括：将当前采集的实验光谱输入所述混合模型，获得测量参数。
[0018]第四方面，本专利技术还提供了一种电子设备，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述方法。
[0019]关于上述第二方面至第四方面的有益效果可以参见上述第一方面的描述。
附图说明
[0020]图1为本专利技术实施例提供的一种用于光学散射测量的混合模型学习方法的流程示意图；
[0021]图2a为本专利技术实施例提供的图1所示的混合模型学习方法的一种具体训练过程的示意图；
[0022]图2b为本专利技术实施例提供的图1所示的混合模型学习方法的另一种具体训练过程的示意图；
[0023]图2c为本专利技术实施例提供的图1所示的混合模型学习方法的又一种具体训练过程的示意图；
[0024]图3为本专利技术实施例提供的另一种用于光学散射测量的混合模型学习方法的流程示意图；
[0025]图4a为本专利技术实施例提供的图3所示的混合模型学习方法的一种具体训练过程的示意图；
[0026]图4b为本专利技术实施例提供的图3所示的混合模型学习方法的另一种具体训练过程的示意图；
[0027]图4c为本专利技术实施例提供的图3所示的混合模型学习方法的又一种具体训练过程的示意图；
[0028]图5a为本专利技术实施例提供的一种样品上结构的示意图；
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于光学散射测量的混合模型学习方法，其特征在于，包括：基于物理模型和材料的结构参数，通过分析实验光谱进行回归方式获得回归数据，所述回归数据为仿真光谱或待测参数预测值；将参考参数作为标签数据，将所述标签数据和所述回归数据共同输入机器学习模型进行训练；当所述机器学习模型的损失函数的损失值达到设定阈值时停止训练，获得混合模型。2.根据权利要求1所述的方法，其特征在于，将参考参数作为标签数据，将所述标签数据和所述回归数据共同输入机器学习模型进行训练，包括：将所述参考参数作为标签数据，将所述标签数据、所述回归数据和用于作为自变量的所述实验光谱共同输入机器学习模型进行训练。3.根据权利要求1所述的方法，其特征在于，通过分析实验光谱进行回归方式获得回归数据之后，还包括：对所述待测参数预测值进行加权，得到加权待测参数作为正则化项；将参考参数作为标签数据，将所述标签数据和所述回归数据共同输入机器学习模型进行训练，包括：将所述参考参数作为标签数据，将所述标签数据、所述正则化项和用于作为自变量的所述实验光谱共同输入机器学习模型进行训练。4.根据权利要求3所述的方法，其特征在于，所述对所述待测参数预测值进行加权，包括：计算对所述待测参数预测值进行加权的权重，所述权重正比于所述待测参数预测值与所述参考参数的相关程度；根据所述权重对所述待测参数预测值进行加权。5.一种用于光学散射测量的混合模型学习方法，其特征在于，包括：在参考参数附近的设定范围内进行采样获得采样参数；基于物理模型和材料的结构参数，基于所述采样参数进行仿真获得仿真光谱；将所述采样参数和所述参考参数作为标签数据，将实验光谱、所述标签数据和所述仿真光谱共同输入机器学习模型进行训练；当所述机器学习模型的损失函数的损失值达到设定阈值时停止训练，获得混合模型。6.根据权利要求5所述的方法，其特征在于，所述机器学习模型包括第一学习模型和第二学习模型；将所述采样参数和所述参考参数作为标签数据，将实验光谱、所述标签...

【专利技术属性】
技术研发人员：梁洪涛，张厚道，张晓雷，张云，施耀明，
申请(专利权)人：上海精测半导体技术有限公司，
类型：发明
国别省市：