一种光学散射测量的自适应优化方法技术

本发明专利技术公开了一种光学散射测量的自适应优化方法，针对待测纳米结构进行参数化建模并搭建基础粗粒度样本库；以该样本库为基础训练构建粗粒度代理模型，并通过该代理模型完成多重点区域的快速识别；而后根据重点区域进行自适应采样建库，此时生成的样本库即为精粒度样本库；以该样本库为基础训练构建精粒度代理模型，并通过该模型完成在重点区域内的精粒度搜索优化，寻找多重点区域内的最优值，该最优值即为待测样本的相关参数。本发明专利技术能够通过变粒度的代理模型缩小搜索范围并快速建库，通过自适应的寻优策略提高优化效率，进而实现准确、高效地求解待测样本的相关参数。高效地求解待测样本的相关参数。高效地求解待测样本的相关参数。

【技术实现步骤摘要】
一种光学散射测量的自适应优化方法


[0001]本专利技术属于计算型光学测量
，涉及一种实现光学散射测量快速反求待测参量及快速配置优化的方法，可应用于基于光学散射的半导体纳米结构几何量和物理量快速测量中。

技术介绍

[0002]半导体及集成电路制造必然需要在制造工艺流程中进行量检测。当前，半导体前道量测技术主要包括扫描电子显微镜(Scanning Electron Microscope，SEM)、原子力显微镜(Atomic Force Microscope，AFM)、透射电子显微镜(Transmission Electron Microscope，TEM)以及光学散射测量(Optical Scatterometry)技术。光学散射测量是指将一束偏振光投射到待测样本表面，通过测量反射前后的偏振态变化，进而求解待测样本的相关尺寸参数。因光学散射测量具有快速、无损等优点，是当前在线光学量测(尤其是光学关键尺寸测量领域)的主流技术方案。光谱椭偏测量不受光学衍射极限的限制，是一种光谱型、计算性、基于模型的间接量测方法，因此在计算型光学测量
的预测逼近与优化设计等方面得到了广泛应用。
[0003]目前，光学散射测量主要包括两个关键技术：正向建模与逆向求解。纳米结构光学响应的正向建模主要通过严格耦合波分析(Rigorous coupled wave analysis，RCWA)、有限元分析(Finite element analysis，FEA)和时域有限差分法(Finite difference time domain，FDTD)等方法实现。而逆向求解主要包括两种方法，即库搜索匹配与直接拟合优化技术。库搜索匹配方法虽然操作简单、易于实现，但需要事先根据输入参数的变化范围建立散射测量椭偏响应仿真样本库，这需要大量的离线建模和仿真运算工作。并且库搜索匹配方法的性能极大程度上取决于椭偏仿真样本库的网络粒度及其相对的插值算法。直接拟合优化技术不需要提前建立仿真样本库，但每次迭代都需要调用正向建模来进行计算，因此需要进行反复调用和求解，进而导致仿真计算效率低下，计算成本高昂。因此，现阶段半导体纳米结构的光学散射测量仿真计算性能、仿真计算效率是限制快速拟合优化技术的主要原因之一。
[0004]CN102798342B中提出了一种用于光学散射测量的基于拟合误差插值的库匹配方法。该方法利用提前建立好的光谱库与测量获得的光谱响应来构建拟合误差的插值函数，进而将光学散射测量中待测样本结构的逆向求解问题转化为求解拟合误差插值目标函数的最优值问题。其中，目标函数的最优值即为待测样本的几何参数。但该方法仍需要在测量之前建立完整的光谱响应库，这需要进行大量的前期仿真工作。同时，该方法最终的测量精度不仅取决于建立的光谱响应库的粒度，也取决于使用的插值算法性能。
[0005]CN103559329B中提出了一种用于光学散射测量中粗糙纳米结构特性参数的提取方法。该方法通过仿真计算来确定粗糙纳米结构的提取参数与待测参数间的映射关系，并对测量配置和等效介质模型进行寻优。而后在上述仿真结果的基础上利用参数映射关系式对待测参数进行修正处理，进而获得更接近真实值的粗糙纳米结构特性参数。然而，该方法
中需要使用最优测量配置与最优等效介质模型进行后续计算，这就对寻优过程提出了很大的挑战，如何避免陷入局部最优成为了问题关键。
[0006]当前，相关专利虽然针对光学散射测量中半导体纳米结构待测参数提出了求解与计算方法，但尚没有解决快速优化问题，尤其是在求解精度与效率方面还有待提高。

技术实现思路

[0007]本专利技术的目的在于提供一种一种光学散射测量的自适应优化方法，包括如下步骤：
[0008]一种光学散射测量的自适应优化方法，其特征在于，包括如下步骤：
[0009]步骤1，根据工艺要求针对特定类半导体纳米结构进行参数化建模，生成粗粒度的光学散射响应样本库α；
[0010]步骤2，基于光学散射响应样本库α训练构建粗粒度代理模型S1；
[0011]步骤3，基于粗粒度代理模型S1进行全局粗搜索，完成对多个重点区域的快速识别；
[0012]步骤4，基于上述重点区域内的待测参数变化范围进行精粒度快速建库，生成光学散射响应样本库β；
[0013]步骤5，基于光学散射响应样本库β训练构建精粒度代理模型S2；
[0014]步骤6，基于代理模型S2针对重点区域进行精搜索，此时多个重点区域内的最优值即为最终输出的待测参数。
[0015]优选地，(1)根据实际工艺需求，针对某类待测半导体纳米结构构建光学散射响应样本库α；其中，该样本库是基础的粗粒度样本库，用以进行采样并生成训练集构建近似计算的粗粒度代理模型；
[0016](2)以(1)中的粗粒度光学散射响应样本库α为采样空间进行采样设计，而后将采样点输入以生成基础训练集；并以此训练集为基础，训练构建粗粒度的代理模型S1；
[0017](3)使用(2)中训练构建的代理模型S1完成粗粒度阶段的搜索优化与重点区域内的快速建库；此阶段生成的样本库即为精粒度光学散射响应样本库β，从而为后续精粒度阶段的搜索优化提供训练与构建基础；
[0018]优选地，(3.1)使用上述代理模型完成粗粒度阶段的自适应搜索优化；首先，利用该近似计算模型在全局上进行搜索，进而完成对多个重点区域的自适应快速识别；然后，跳出当前局部最优，再次基于空间分布距离标准进行全局搜索，寻找是否还有未被发现的重点区域；
[0019](3.2)针对(3.1)中识别到的重点区域进行快速建库；经过前期粗粒度代理模型S1的搜索优化，将待测样本的参数变化范围缩小并限定在重点区域内，进而针对该区域进行建库并生成精粒度光学散射响应样本库β。
[0020]优选地，(4)以(3)中的光学散射响应样本库β为采样空间进行采样，而后生成训练集，并以此训练构建精粒度的代理模型S2；为保证代理模型S2的精度，此处使用自适应采样方法，并引入多目标双空间的性能评价体系；该评价体系主要包括：
[0021](4.1)针对采样点的局部性能与全局性能建立多目标的优化模型；其中，局部性能主要是：采样点加入后的模型预测方差变化情况；采样点加入后的邻域敏感性变化，即该采
样点对邻域内响应输出的扰动变化情况；全局性能主要是：采样分布的空间距离；采样空间上的分布性质；
[0022](4.2)双空间内的采样点评价；即在测量输入空间、响应输出空间分别多维度量化评价采样点的性能与贡献度；
[0023](4.3)综合考虑全局搜索与局部寻优之间的权衡优化问题；构建自适应权重的评分体系：设计一个合适有效的开发标准以识别重点区域；跳出当前局部最优，搜索开发上一轮中未被发现的重点区域。
[0024]优选地，(5)使用(4)中代理模型S2针对(3.1)中识别到的多个重点区域进行精粒度下的搜索寻优；此时，搜索输出的最优值即为半导体纳米结构的待测参数。
[0025]优选地，在步骤1中，所述参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光学散射测量的自适应优化方法，其特征在于，包括如下步骤：步骤1，根据工艺要求针对特定类半导体纳米结构进行参数化建模，生成粗粒度的光学散射响应样本库α；步骤2，基于光学散射响应样本库α训练构建粗粒度代理模型S1；步骤3，基于粗粒度代理模型S1进行全局粗搜索，完成对多个重点区域的快速识别；步骤4，基于上述重点区域内的待测参数变化范围进行精粒度快速建库，生成光学散射响应样本库β；步骤5，基于光学散射响应样本库β训练构建精粒度代理模型S2；步骤6，基于代理模型S2针对重点区域进行精搜索，此时多个重点区域内的最优值即为最终输出的待测参数。2.根据权利要求1所述的光学散射测量的自适应优化方法，其特征在于，(1)根据实际工艺需求，针对某类待测半导体纳米结构构建光学散射响应样本库α；其中，该样本库是基础的粗粒度样本库，用以进行采样并生成训练集构建近似计算的粗粒度代理模型；(2)以(1)中的粗粒度光学散射响应样本库α为采样空间进行采样设计，而后将采样点输入以生成基础训练集；并以此训练集为基础，训练构建粗粒度的代理模型S1；(3)使用(2)中训练构建的代理模型S1完成粗粒度阶段的搜索优化与重点区域内的快速建库；此阶段生成的样本库即为精粒度光学散射响应样本库β，从而为后续精粒度阶段的搜索优化提供训练与构建基础。3.根据权利要求2所述的光学散射测量的自适应优化方法，其特征在于，(3.1)使用上述代理模型完成粗粒度阶段的自适应搜索优化；首先，利用该近似计算模型在全局上进行搜索，进而完成对多个重点区域的自适应快速识别；然后，跳...

【专利技术属性】
技术研发人员：孟凯，徐翊航，楼佩煌，钱晓明，武星，
申请(专利权)人：南京航空航天大学苏州研究院，
类型：发明
国别省市：