基于机器学习预测待测图形上的光学临近效应缺陷的方法技术

一种基于机器学习预测待测图形上的光学临近效应缺陷的方法，包括：提供晶圆片，晶圆片具有若干曝光显影图形，曝光显影图形具有显影目标图形；获取显影图形偏差数据库，数据库中包括测量刻蚀偏差和第一特征向量；提供初始训练模型；根据初始训练模型获取训练模型；提供待检测显影目标图形；获取待检测显影目标图形的第二特征向量；根据训练模型获取第二特征向量对应的预测刻蚀偏差；根据预测刻蚀偏差，获取预测显影目标图形；对比预测显影目标图形与待检测显影目标图形，判断是否存缺陷。本方法能够提前发现由光刻、显影或蚀刻工艺引起的缺陷，避免了在实际制作过程中发现问题所带来的掩膜重制或其他工艺返工现象，有效节约了制作时间和成本。时间和成本。时间和成本。

【技术实现步骤摘要】
基于机器学习预测待测图形上的光学临近效应缺陷的方法


[0001]本专利技术涉及半导体制造
，尤其涉及一种基于机器学习预测待测图形上的光学临近效应缺陷的方法。

技术介绍

[0002]半导体集成电路芯片通过批量处理制作，在同一衬底上会形成大量各种类型的半导体器件，并将其互相连接以具有完整的电子功能。其中，任一步骤中所产生的缺陷，都可能导致电路制作的失败。因此，在制作工艺中，常需要对各步工艺的制作结构进行缺陷检测及分析，找出缺陷发生的原因，并加以排除。然而，随着超大规模集成电路(ULSI，Ultra Large Scale Integration)的迅速发展，芯片的集成度越来越高，器件的尺寸越来越小，相应的，在工艺制作中产生的足以影响器件成平率的缺陷尺寸也越来越小，给半导体器件的缺陷检测提出了更高的要求。
[0003]然而，现有的基于机器学习预测待测图形上的光学临近效应缺陷的方法仍存在诸多问题。

技术实现思路

[0004]本专利技术解决的技术问题是提供一种基于机器学习预测待测图形上的光学临近效应缺陷的方法，能够有效节约了制作时间和制作成本。
[0005]为解决上述问题，本专利技术提供一种基于机器学习预测待测图形上的光学临近效应缺陷的方法，包括：提供若干晶圆片，对每片所述晶圆片进行曝光显影处理，获取若干曝光显影图形，每个所述曝光显影图形具有相对应的显影目标图形；根据若干所述晶圆片，获取显影图形偏差数据库，所述显影图形偏差数据库中包括与每个所述显影目标图形相对应的测量刻蚀偏差和第一特征向量；提供初始训练模型；根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试，获取训练模型；提供待检测显影目标图形；获取所述待检测显影目标图形的第二特征向量；根据所述训练模型，获取与所述待检测显影目标图形的第二特征向量相对应的预测刻蚀偏差；根据所述预测刻蚀偏差，获取与所述待检测显影目标图形相对应的预测显影目标图形；对比所述预测显影目标图形与所述待检测显影目标图形，判断所述待检测显影图形是否存在光学临近效应的缺陷。
[0006]可选的，根据若干所述晶圆片，获取所述显影图形偏差数据库中与每个所述显影目标图形相对应的测量刻蚀偏差的方法包括：获取每个所述显影目标图形相对应的第一刻蚀目标图形；获取每个所述显影目标图形与相对应的所述第一刻蚀目标图形之间对应片段的外轮廓间距偏差；获取每个所述显影目标图形的显影边缘放置误差；获取每个所述第一刻蚀目标图形的刻蚀边缘放置误差；将所述显影边缘放置误差减去相对应的所述刻蚀边缘放置误差，获取边缘放置偏差；将所述外轮廓间距偏差与所述边缘放置偏差之间对应片段相加，获取所述显影目标图形相对应的测量刻蚀偏差。
[0007]可选的，所述第一特征向量包括：所述显影目标图形的若干环境密度、所述显影目
标图形的长度尺寸和宽度尺寸、所述显影目标图形中每个片段与相邻的若干周围图形之间的间距尺寸、以及每个所述显影目标图形的曝光光强。
[0008]可选的，获取每个所述显影目标图形的若干环境密度的方法包括：以所述显影目标图形为中心，在初始版图中内划分若干密度区域，所述显影目标图形位于每个所述密度区域内；获取每个所述密度区域的面积；获取每个所述密度区域内所有的图形的总面积；将每个所述密度区域内所有的图形的总面积除以对应的所述密度区域的面积，获取每个所述显影目标图形的若干环境密度。
[0009]可选的，根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试，获取训练模型的方法包括：在所述显影图形偏差数据库中提取若干所述显影目标图形所对应的测量刻蚀偏差和第一特征向量作为训练数据；将所述训练数据输入至所述初始训练模型中进行训练，形成中间训练模型；在所述显影图形偏差数据库中提取若干所述显影目标图形所对应的测量刻蚀偏差和第一特征向量作为测试数据；将所述测试数据中的若干第一特征向量输入至所述中间训练模型中进行测试，由所述中间训练模型输出若干分别与所述显影目标图形相对应的校验预测刻蚀偏差；将若干所述校验预测刻蚀偏差与所述测试数据中相对应的若干所述测量刻蚀偏差进行若干次校验计算，获取若干可靠性参数；当所述若干所述可靠性参数均达到设定阈值时，以所述中间训练模型作为所述训练模型；当若干所述可靠性参数中至少一个没有达到设定阈值时，对所述中间训练模型进行参数调整，直至所述可靠性参数均达到设定阈值为止，形成所述训练模型。
[0010]可选的，所述训练数据中的数据量与所述测试数据中的数据量之比为7:3～9:1。
[0011]可选的，将若干所述校验预测刻蚀偏差与相对应的若干所述测量刻蚀偏差进行若干校验计算，获取若干可靠性参数的方法包括：提供若干校验模型；根据所述校验模型，将若干所述校验预测刻蚀偏差与相对应的若干所述测量刻蚀偏差进行校验计算，获取若干所述可靠性参数。
[0012]可选的，所述校验模型包括：均方根误差模型、均方误差模型、平均绝对误差模型和标准偏差模型中的一者或多者。
[0013]可选的，所述待检测显影目标图形的第二特征向量包括：所述待检测显影目标图形的第二特征向量包括：所述待检测显影目标图形的若干环境密度、所述待检测显影目标图形的长度尺寸和宽度尺寸、所述待检测显影目标图形中每个片段与相邻的若干周围图形之间的间距尺寸、以及所述待检测显影目标图形的曝光光强。
[0014]可选的，根据所述预测刻蚀偏差获取预测显影目标图形的方法包括：提供与所述待检测显影目标图形相对应的第二刻蚀目标图形；将所述第二刻蚀目标图形与所述预测刻蚀偏差相加，获取所述预测显影目标图形。
[0015]可选的，对比所述预测显影目标图形与所述待检测显影目标图形，判断所述待检测显影图形是否存在光学临近效应的缺陷的方法包括：将所述预测显影目标图形与相对应的所述待检测显影目标图形之间对应片段相减，获取预测显影偏差；当所述预测显影偏差在预设偏差范围内，则判定所述待检测显影图形不存在光学临近效应的缺陷；当所述预测显影偏差不在预设偏差范围内，则判定所述待检测显影图形存在光学临近效应的缺陷。
[0016]可选的，所述初始训练模型包括：全连接神经网络模型或随机森林模型。
[0017]与现有技术相比，本专利技术的技术方案具有以下优点：
[0018]本专利技术的技术方案的基于机器学习预测待测图形上的光学临近效应缺陷的方法中，通过提供若干晶圆片，根据若干所述晶圆片获取显影图形偏差数据库，利用所述显影图形偏差数据库对所述初始训练模型进行训练与测试，获取训练模型，通过所述训练模型能够获取预测刻蚀偏差，以所述预测刻蚀偏差为基础判断所述待检测显影图形是否存在光学临近效应的缺陷。所述基于机器学习预测待测图形上的光学临近效应缺陷的方法能够提前发现由光刻、显影或蚀刻工艺引起的缺陷，避免了在实际制作过程中发现问题所带来的掩膜重制或其他工艺返工的现象，有效节约了制作时间和制作成本。
附图说明
[0019]图1是本专利技术实施例中一种基于机器学习预测待测图形上的光学临近效应缺陷的方法的流程示意图；
[0020]图2至图10是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习预测待测图形上的光学临近效应缺陷的方法，其特征在于，包括：提供若干晶圆片，对每片所述晶圆片进行曝光显影处理，获取若干曝光显影图形，每个所述曝光显影图形具有相对应的显影目标图形；根据若干所述晶圆片，获取显影图形偏差数据库，所述显影图形偏差数据库中包括与每个所述显影目标图形相对应的测量刻蚀偏差和第一特征向量；提供初始训练模型；根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试，获取训练模型；提供待检测显影目标图形；获取所述待检测显影目标图形的第二特征向量；根据所述训练模型，获取与所述待检测显影目标图形的第二特征向量相对应的预测刻蚀偏差；根据所述预测刻蚀偏差，获取与所述待检测显影目标图形相对应的预测显影目标图形；对比所述预测显影目标图形与所述待检测显影目标图形，判断所述待检测显影图形是否存在光学临近效应的缺陷。2.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法，其特征在于，根据若干所述晶圆片，获取所述显影图形偏差数据库中与每个所述显影目标图形相对应的测量刻蚀偏差的方法包括：获取每个所述显影目标图形相对应的第一刻蚀目标图形；获取每个所述显影目标图形与相对应的所述第一刻蚀目标图形之间对应片段的外轮廓间距偏差；获取每个所述显影目标图形的显影边缘放置误差；获取每个所述第一刻蚀目标图形的刻蚀边缘放置误差；将所述显影边缘放置误差减去相对应的所述刻蚀边缘放置误差，获取边缘放置偏差；将所述外轮廓间距偏差与所述边缘放置偏差之间对应片段相加，获取所述显影目标图形相对应的测量刻蚀偏差。3.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法，其特征在于，所述第一特征向量包括：所述显影目标图形的若干环境密度、所述显影目标图形的长度尺寸和宽度尺寸、所述显影目标图形中每个片段与相邻的若干周围图形之间的间距尺寸、以及每个所述显影目标图形的曝光光强。4.如权利要求3所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法，其特征在于，获取每个所述显影目标图形的若干环境密度的方法包括：以所述显影目标图形为中心，在初始版图中内划分若干密度区域，所述显影目标图形位于每个所述密度区域内；获取每个所述密度区域的面积；获取每个所述密度区域内所有的图形的总面积；将每个所述密度区域内所有的图形的总面积除以对应的所述密度区域的面积，获取每个所述显影目标图形的若干环境密度。5.如权利要求1所述的基于机器学习预测待测图形上的光学临近效应缺陷的方法，其特征在于，根据所述显影图形偏差数据库对所述初始训练模型进行训练与测试，获取训练模型的方法包括：在所述显影图形偏差数据库中提取若干所述显影目标图形所对应的测量刻蚀偏差和第一特征向量作为训练数据；将所述训练数据输入至所述初始训练模型中进行训练，形成中间训练模型；在所述显影图形偏差数据库中提取若干所述显影...

【专利技术属性】
技术研发人员：贺婷，覃柳莎，张迎春，
申请(专利权)人：中芯国际集成电路制造北京有限公司，
类型：发明
国别省市：