一种基于电子束和深度学习的集成电路三维成像方法技术

一种基于电子束和深度学习的集成电路三维成像方法利用多个不同电子能量的电子束获取与集成电路相关的二次电子图像和背散射电子图像，结合深度学习方法进行集成电路三维结构成像的学习和预测

【技术实现步骤摘要】
一种基于电子束和深度学习的集成电路三维成像方法


[0001]本专利技术涉及到集成电路成像
，尤其是涉及一种基于电子束和深度学习的集成电路三维成像方法
。

技术介绍

[0002]自
1947
年第一个晶体管被制造出起，集成电路开始登上世界舞台，构成现代信息社会的基石
。
随着制造工艺的不断进步，集成电路尺寸越来越小，结构越来越复杂，性能越来越高效
。
当集成电路尺寸小到只有指甲盖大小时，已无法用肉眼看清内部的电路，这时就需要集成电路成像技术来辅助观察
。
集成电路成像技术可用于集成电路的失效分析，设计验证，质量控制以及专利分析，因此对于集成电路的设计和制造以及专利维护有着重要作用
。
[0003]目前采用的集成电路成像技术都是先进行集成电路前处理，后逐层成像
。
最耗时的工艺为集成电路前处理，一般利用物理或者化学方法将集成电路层层剥离
。
接着，根据成像集成电路的大小和分辨率选择不同的成像设备，常见的有光学显微镜，紫外显微镜，扫描电子显微镜和透射电子显微镜等等
。
由于集成电路往往大于显微镜的视野范围，因此对集成电路进行图像采集时需要按照一定规律进行步进拍摄，最后进行图像拼接
。
[0004]由于集成电路制程越来越小，需要的成像分辨率也越来越高，导致单次拍摄的视野越来越小，总拍摄图像也越来越多，因此成像速度十分缓慢，有时需要几周甚至几个月时间
。
除此之外，由于该方法需要将集成电路逐层剥离，工艺复杂，且是一个破坏性的，不可逆的过程，无法对集成电路进行二次检测
。
因此，也有科研团队在研究利用
X
射线对集成电路进行无损的扫描成像
。
其中瑞士和美国团队在
《Nature Electronics》
发表的
X
射线相干层叠层析成像技术
(Ptychographic X
‑
ray Laminography)
利用
X
射线的衍射和散射反演集成电路的三维构造
。
目前，利用这项技术可分析
16nm
制程3层金属层的集成电路，成像范围为
40
μ
m
直径，
20
μ
m
厚的圆柱区域，成像分辨率为
18.9nm
，而扫描时间为
60
小时，反演重建时间为
9.4
小时，且成像结果与传统方法接近
。
但当利用这项技术扫描
2.5
×
2.5mm2大小的集成电路时，还是需要
271094
小时
(11296
天
)
，因此该技术的成像效率还有待提高
。
目前，该技术处于实验室阶段，尚未商用，且需要用到同步辐射光源，因此无法大规模应用
。
[0005]目前，常用的成像方式还是扫描电子显微镜，原子力显微镜，透射电子显微镜以及聚焦离子束扫描电子显微镜
。
其中，原子力显微镜一般只能用于探测物质的表面；透射电子显微镜只能穿透薄层样品
(100nm
量级
)
；聚焦离子束扫描电子显微镜则利用聚焦离子束进行切片并结合扫描电子显微镜获取集成电路内容结构和材质，是一个破坏性的，不可复杂的工作
。
扫描电子显微镜利用电子束与集成电路的相互作用，获取散射的二次电子图像和背散射电子图像，可用于分析集成电路表面的形态和内部的材质
。
但二次电子图像和背散射电子图像是二维图像，并无法直观地反映出集成电路内部的三维结构
。
只能将集成电路逐层剥离进行二维成像，并拼接构成三维图像，也是一个破坏性的过程
。

技术实现思路

[0006]本专利技术结合现有的扫描电子显微镜技术，针对二次电子图像和背散射电子图像无法直观表现集成电路三维结构的问题，提出一种基于电子束和深度学习的集成电路三维成像方法
。
利用该成像方法，可以在电子束可穿透范围内，无损地重建出集成电路的三维结构
。
[0007]本专利技术包括以下步骤：
[0008](1)
建立电子束与集成电路作用的正演算法；
[0009](2)
构建用于集成电路三维成像的深度神经网络；
[0010](3)
建立深度神经网络样本集；
[0011](4)
获取不同电子能量下的二次电子图像和背散射电子图像；
[0012](5)
利用实测图像结合深度神经网络进行集成电路三维结构重建
。
[0013]在步骤
(1)
中，所述的用于仿真电子束与集成电路作用的正演算法为蒙特卡洛
(Monte Carlo)
算法，利用该算法可计算出散射的二次电子图像和背散射电子图像
。
为了保证正演算法的准确性，需利用该正演算法与实测扫描电子显微镜形成的二次电子图和背散射电子图进行验证，校正
。
[0014]在步骤
(2)
中，所述的用于集成电路三维成像的深度神经网络利用背散射电子图像和二次电子图像堆叠而成的三维虚拟图像作为神经网络的输入，集成电路的三维材质分布图作为输出
。
其中所述的背散射电子图像是用不同电子能量的电子束与集成电路作用后散射出的背散射电子图像
。
由于不同电子能量的电子可穿透不同深度的集成电路，所以不同电子能量的背散射电子图像包含了不同的深度信息
。
[0015]在步骤
(3)
中，所述的神经网络训练样本集的特点是利用步骤
(1)
所述的正演算法生成的集成电路的二次电子图像和背散射电子图像
。
[0016]样本集的建立步骤包括：
(1)
收集不同制程的集成电路三维模型
。(2)
将集成电路三维模型分割成若干个相同大小的子区域模型
。
减小每个样本的计算区域可提高正演和反演效率，且使样本集更丰富
。(3)
将集成电路子区域模型输入到正演算法中，计算不同电子能量下的背散射电子图像和二次电子图像
。(4)
将不同电子能量下的背散射电子图像和二次电子图像作归一化处理
。
[0017]所述样本集分为训练集
、
验证集和测试集
。
其中样本集中的
70
％作为训练集，
20
％作为验证集，
10
％作为测试集
。
[0018]在步骤
(4)
中，所述获取不同电子能量下的二次电子图像和背散射电子图像为利用扫描电子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于电子束和深度学习的集成电路三维成像方法，其特性在于，包括以下步骤：
(1)
建立电子束与集成电路作用的正演算法；
(2)
构建用于集成电路三维成像的深度神经网络；
(3)
建立深度神经网络样本集；
(4)
获取不同电子能量下的二次电子图像和背散射电子图像；
(5)
利用实测图像结合深度神经网络进行集成电路三维结构重建
。2.
根据权利要求1所述的一种基于电子束和深度学习的集成电路三维成像方法，其特征在于，利用电子束与集成电路作用，产生二次电子图像和背散射电子图像，采用深度学习方法提取二次电子图像和背散射电子图像中的集成电路三维结构信息
。3.
根据权利要求1中所述的电子束与集成电路作用的正演算法，其特征在于，利用蒙特卡洛
(Monte Carlo)
算法模拟电子束与集成电路的相互作用，并生成二维的二次电子图像和背散射电子图像
。4.
根据权利要求1所述的...

【专利技术属性】
技术研发人员：洪荣汉，郑采智，柳清伙，
申请(专利权)人：堂山科技宁波有限公司，
类型：发明
国别省市：