一种光学散射测量中结构参数的提取方法及装置制造方法及图纸

本发明专利技术涉及一种光学散射测量中结构参数的提取方法及装置，通过算法计算得到结构参数；基于机器学习算法，分别计算训练集光谱、验证集光谱、测试集光谱对应的训练集的结构参数、验证集的结构参数、测试集的结构参数；通过模型融合方法将算法和机器学习算法求得的结构参数进行融合训练，最终得到目标结构参数。解决了算法求解结构参数时因系统噪声带来的偏差，也解决了机器学习模型求解结构参数时因随机噪声带来的影响，最终使得测试结果与目标结果的协方差系数、平均绝对误差、最大绝对误差都有提升，从而使得光学散射测量中结构参数的提取结果更为合理。的提取结果更为合理。的提取结果更为合理。

【技术实现步骤摘要】
一种光学散射测量中结构参数的提取方法及装置


[0001]本专利技术涉及半导体材料
，具体涉及一种光学散射测量中结构参数的提取方法及装置。

技术介绍

[0002]在半导体行业中，对半导体纳米结构形态的参数测量提取，包括膜厚度、线宽、线宽、侧壁角度等，在制造业中对于提高产品质量和产量方面发挥着关键的作用。光学散射测量，又常称为光学关键尺寸(OCD)计量，与传统的原子显微镜、扫描电子显微镜、透射电子显微镜相比，有着快速、低成本、无接触、无损且易于集成的优势，因而在先进工艺制造业领域中获得了广泛的应用。光学散射测量并非一种“所见即所得”的测量方法，其需要在测量得到的光谱中提取待测参数。在理想状态下，一组结构参数的样本应该对应一组固定的光谱。但在实际测量中，通过光学散射测量得到的光谱往往会受到系统噪声与随机噪声的影响，在实际测量中得到的光谱会与理想光谱存在一定偏差，对提取正确的结构参数有较大影响。目前主流的光学散射测量方法有以下两种：
[0003]LM算法，该方法可以在无噪声情况下获得良好的参数提取精度，然而缺点是依赖于模型中的映射关系。在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光学散射测量中结构参数的提取方法，其特征在于，所述方法包括：获取训练样本和待测光谱数据，所述训练样本中包括光谱数据及其对应的结构参数真值；利用所述训练样本对第一机器学习模型、第二机器学习模型和第三机器学习模型进行训练；利用LM算法对所述待测光谱数据进行结构参数的提取，得到所述待测光谱数据对应的第一结构参数；利用已训练好的第一机器学习模型对所述待测光谱数据进行结构参数的提取，得到所述待测光谱数据对应的第二结构参数；将所述第一结构参数输入至已训练好的第二机器学习模型中，得到所述第一结构参数对应的第一预测结果；将所述待测光谱数据对应的第二结构参数输入至已训练好的第三机器学习模型中，得到所述待测光谱数据对应的第二结构参数对应的第二预测结果；对第一预测结果和第二预测结果进行加权求和，得到所述待测光谱数据对应的结构参数result。2.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型的训练方法，包括：将所述训练样本随机均分成n份，依次选取其中一份作为验证集，其余多份为训练集；将训练集光谱数据作为输入，训练集光谱数据对应的结构参数真值作为输出目标，对所述第一机器学习模型进行n次独立训练，得到n个第一机器学习模型；利用所述验证集光谱数据及其对应的结构参数真值对所述n个第一机器学习模型进行验证。3.根据权利要求2所述的方法，其特征在于，利用已训练好的第一机器学习模型对所述待测光谱数据进行结构参数的提取，得到所述待测光谱数据对应的第二结构参数，包括：将所述待测光谱数据分别输入n个第一机器学习模型中，得到所述待测光谱数据对应的n个结构参数。4.根据权利要求1所述的方法，其特征在于，所述第二机器学习模型的训练方法，包括：利用LM算法对所述训练样本的光谱数据进行结构参数的提取，得到所述训练样本的光谱数据对应的第一结构参数；将所述训练样本的光谱数据对应的第一结构参数作为输入，将所述训练样本的光谱数据对应的结构参数真值作为输出目标，对所述第二机器学习模型进行训练。5.根据权利要求2所述的方法，其特征在于，所述第三机器学习模型的训练方法，包括：将所述验证集光谱数据作为训练好的n个第一机器学习模型的输入，预测得到所述验证集光谱数据对应的n个第二结构参数；将所述验证集光谱数据对应的n个第二结构参数作为输入，将所述验证集光谱数据对应的结构参数真值作为第三机器学...

【专利技术属性】
技术研发人员：刘世元，郭春付，张传维，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：