本发明专利技术公开了一种基于支持向量机的纳米结构形貌识别方法。首先生成训练光谱，确定支持向量机的核函数与训练方式；生成测试光谱及多种不同的支持向量机；利用测试光谱对支持向量机进行特征形貌识别准确率测试，找出识别准确率、训练光谱数目和核函数之间的关系，作为支持向量机训练的指导原则；对测试光谱添加不同量级的噪声影响，将含有不同量级噪声的测试光谱用于支持向量机中进行测试，找到在能保证正确识别率较高情形下所能添加的最大噪声量级，作为另一指导原则；利用两个指导原则，训练得到最优的支持向量机；对真实待识别结构对应的测量光谱进行映射，识别其形貌。本发明专利技术可以对半导体纳米结构的形貌特征进行快速、精确地识别。
【技术实现步骤摘要】
本专利技术属于半导体散射光学测量领域，具体涉及一种基于支持向量机的纳米结构形貌识别方法，它适用于对半导体纳米结构的形貌特征进行快速、精确地识别。
技术介绍
在基于光学原理的半导体纳米结构特征尺寸测量领域中，光学散射仪(Scatterometry)是一种最为常见的特征尺寸测量设备。其测量过程包括正向光学特性建模和逆向求取两个部分。正向光学特性建模是通过正向光学特性建模程序对待测纳米结构的几何模型进行光学散射场仿真，获取仿真光谱。逆向求取部分则包括将测量光谱与仿真光谱不断进行对比，在一定的评价函数下相似度最高的仿真光谱对应的模型结构参数即认为是待测纳米结构的参数值。在进行逆向参数提取过程前，待测纳米结构的真实形貌特征(形貌特征是指纳米结构的外形轮廓)必须确认。这是由于在半导体纳米结构制造过程中，由于工艺、环境等的影响，难免会导致部分制造中的纳米结构偏离其名义上的设计形貌特征，而正向光学特性建模过程中的建模对象是按照名义上的设计形貌特征展开光谱仿真的，这样，即便通过逆向参数提取方法找到一个和这种偏离了设计形貌特征的待测结构在光谱上最相似的仿真模型(一个仿真模型是一种纳米结构形貌特征的一个实际的对象，它具有唯一的形貌参数值如形貌的高度、宽度和侧壁角等，或者唯一的材料参数值如反射率、消光系数等)，这个模型所包含的形貌参数值或者材料参数值也是无意义的，无法代表真实的形貌参数值或者材料参数值。因此，在开展逆向参数提取过程之前，必须采用可靠的、严格的形貌特征识别方法，来对待测纳米结构的外形轮廓进行准确的分类与识别。法国杰瑞吉等人(I.Gereige et al. , J. Opt. Soc. Am. A, Vol. 25 (7), pp. 1661-1667,2008)提出了采用人工神经网络的方法来对纳米结构的形貌特征进行识别与分类。在神经网络分类识别器中，分类识别器的输入为不同形貌特征的纳米结构(如正弦光栅、梯形光栅)对应着的仿真光谱，分类识别器的输出为代表每一类具有不同形貌特征的纳米结构的数字向量，如[10]代表正弦光栅，[11]代表梯形光栅。神经网络分类识别器采用三层神经网络模型构建，即包含输入层神经元、中间隐层神经元和输出层神经元。一旦神经网络分类识别器训练完毕，将未知待测结构对应的测量光谱作为输入向量输入到分类识别器中，经过分类识别器的分类识别，在输出端输出待测结构的形貌特征。通过合理的设置相关参数，这种方法能够达到相当高的识别正确率。但是，神经网络是基于经验风险最小化原理来设计的，这种先天涉及不足导致了其泛化能力的缺失，也就是说，当待测结构的真实形貌参数范围超出训练光谱对应的结构参数取值范围时，分类识别正确率将无法得到保证。
技术实现思路
本专利技术的目的在于提供一种用于识别半导体纳米结构形貌特征的方法，该方法能够实现不同类型不同大小的纳米结构形貌特征的区分与识别，且该方法实现流程简单。本专利技术提供的一种用于识别半导体纳米结构形貌特征的方法，包括以下步骤第I步给待识别的不同形貌特征的纳米结构均分配惟一的一个代表数字；第2步对每一种不同形貌特征的纳米结构分别生成后续训练支持向量机的输入数据，即训练光谱，支持向量机的输出数据对应于第I步中的代表数字；并确定支持向量机的核函数与训练方式；以及生成用于测试支持向量机的测试光谱；第3步生成多种具有不同设置参数的支持向量机，利用测试光谱对所有支持向量机进行特征形貌识别准确率测试，找出识别准确率、训练光谱数目和核函数之间的关系，作为支持向量机训练的第一指导原则；第4步对第2步中生成的测试光谱添加不同量级的噪声影响，将含有不同量级噪声的测试光谱用于第3步中生成的多个支持向量机中进行测试，找到在能保证正确识别率 满足实际需求情形下所能添加的最大噪声量级，该最大噪声量级作为支持向量机训练的第二指导原则；第5步利用第3步和第4步中的两个指导原则，训练得到最优的支持向量机；第6步利用该支持向量机对真实待识别结构对应的测量光谱进行映射，从而识别其形貌。作为上述技术方案的一种改进，第3步的具体过程为利用第2步生成的n组测试光谱，对每一个支持向量机进行测试，统计每一个支持向量机所能达到的纳米结构形貌特征正确识别率；找出正确识别率大于预先设定的阈值T1情形下的所有支持向量机，统计支持向量机对应着的函数的径向基和函数宽度参数值O和训练光谱数目，找出能够保证正确识别率大于T1所需要的参数设置下限，这种参数设置下限作为支持向量机训练的所述第一指导原则。其中，阈值T1优选大于等于80%。作为上述技术方案的另一种改进，第4步的具体过程为对第2步中生成的n组测试光谱添加不同量级的噪声影响，将含有不同量级噪声的测试光谱用于第2步中生成的多个支持向量机中进行测试，找到在能保证正确识别率T2条件下所能添加的最大噪声量级，该最大噪声量级作为支持向量机训练的所述第二指导原则。其中，阈值T2优选大于等于80%。与现有的基于人工神经网络的纳米结构形貌特征识别方法相比，本专利技术所提供的方法可实现在大噪声环境中的形貌准确识别，并且能够保证足够的泛化能力。该方法可实现微纳米结构的在线、快速、高精度的特征形貌识别。具体而言，本专利技术在纳米结构形貌特征识别中获得如下效果(I)在环境随机噪声量级小于光谱均方根的2% (即最大容忍噪声)的情况下，纳米结构形貌特征的正确识别率达到90%以上；其中，噪声量级定义为测试光谱均方根乘以一个比例因子T3，其中T3的取值范围为0至I。(2)对每一个待测结构的形貌特征识别速度，普遍处于0. I秒以内；(3)在待测结构的真实形貌参数值或者材料参数值范围超出训练光谱对应的形貌参数或者材料参数取值范围的20%情况下，纳米结构形貌特征的正确识别率可以达到100% o附图说明图I是一维梯形形貌周期光栅在制造工艺线上可能出现的几种不同的形貌特征；图2是训练光谱生成示意图；图3是支持向量机支持向量机训练示意图；图4是包含不同噪声量级的测试光谱生成示意图；图5是利用支持向量机对测量光谱对应的待识别纳米结构形貌特征进行识别映射的过程示意图；图6分类识别例子中不同数目的训练光谱和不同的径向基函数中O值对分类正确率的影响；图7分类识别例子中噪声量级对分类识别正确率的影响。 具体实施例方式下面通过借助实施例更加详细地说明本专利技术，但以下实施例仅是说明性的，本专利技术的保护范围并不受这些实施例的限制。本实例以一种纳米结构为例，说明本专利技术的具体实现步骤如下(I)确定在一种纳米结构的制造工艺线上由于不可控因素导致可能出现的几种不同的形貌特征；对分析的九种具有不同形貌特征的纳米结构均分配惟一的一个代表数字；图I为一维梯形形貌周期光栅在制造工艺线上由于不可控因素导致可能出现的几种不同的形貌特征示意图。图1(a)为工艺生产中期望生产的纳米结构形貌，图I (b) 图l(i)为由工艺不可控因素导致的非预期的纳米结构形貌特征。其中，图1(b)顶端两个尖角变为了弧形；图1(c)顶端左边尖角变为了弧形；图1(d)顶端右边尖角变为了弧形；图1(e)底端左边尖角变为了弧形；图1(f)底端右边尖角变为了弧形；图1(g)底端两个尖角变为了弧形；图1(h)顶端和底端四个尖角均变为了弧形；图l(i)弧形过大，梯形光栅成为了正弦形貌光栅。图l(a) 图l(i本文档来自技高网...
【技术保护点】
一种用于识别半导体纳米结构形貌的方法，其特征在于，该方法包括下述步骤：第1步？给待识别的不同形貌特征的纳米结构均分配惟一的一个代表数字；？第2步？对每一种不同形貌特征的纳米结构分别生成后续训练支持向量机的输入数据，即训练光谱，支持向量机的输出数据对应于第1步中的代表数字；并确定支持向量机的核函数与训练方式；以及生成用于测试支持向量机的测试光谱；第3步？生成多种具有不同设置参数的支持向量机，利用测试光谱对所有支持向量机进行特征形貌识别准确率测试，找出识别准确率、训练光谱数目和核函数之间的关系，作为支持向量机训练的第一指导原则；第4步？对第2步中生成的测试光谱添加不同量级的噪声影响，将含有不同量级噪声的测试光谱用于第3步中生成的多个支持向量机中进行测试，找到在能保证正确识别率满足实际需求情形下所能添加的最大噪声量级，该最大噪声量级作为支持向量机训练的第二指导原则；第5步？利用第3步和第4步中的两个指导原则，训练得到最优的支持向量机；第6步？？利用该支持向量机对真实待识别结构对应的测量光谱进行映射，从而识别其形貌。
【技术特征摘要】
1.一种用于识别半导体纳米结构形貌的方法，其特征在于，该方法包括下述步骤 第I步给待识别的不同形貌特征的纳米结构均分配惟一的ー个代表数字； 第2步对每ー种不同形貌特征的纳米结构分别生成后续训练支持向量机的输入数据，即训练光谱，支持向量机的输出数据对应于第I步中的代表数字；并确定支持向量机的核函数与训练方式；以及生成用于测试支持向量机的测试光谱； 第3步生成多种具有不同设置參数的支持向量机，利用测试光谱对所有支持向量机进行特征形貌识别准确率测试，找出识别准确率、训练光谱数目和核函数之间的关系，作为支持向量机训练的第一指导原则； 第4步对第2步中生成的测试光谱添加不同量级的噪声影响，将含有不同量级噪声的测试光谱用于第3步中生成的多个支持向量机中进行测试，找到在能保证正确识别率满足 实际需求情形下所能添加的最大噪声量级，该最大噪声量级作为支持向量机训练的第二指导原则； 第5步利用第3步和第4步中的两个指导原则，训练得到最优的支持向量机； 第6步利用该支持向量机对真实待识别结构对应的測量光谱进行映射，从而识别其形貌。2.根据权利要...
【专利技术属性】
技术研发人员：刘世元，朱金龙，张传维，陈修国，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。