一种映射模型构建方法及待测样件结构参数测量方法

本发明涉及光学、半导体材料领域，更具体地，涉及一种映射模型构建方法及待测样件结构参数测量方法。

背景技术：

1、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、侧壁角度等结构参数，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，有着速度快、成本低、无接触、无损和易于集成等优势，因而在先进工艺监测和制造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结构参数，其本质是一种基于模型的测量方法。

2、然而，现有技术中常直接采用样本的光谱数据对神经网络进行直接训练，例如美国专利us202000036821公开了一种基于监督机器学习的材料光谱结构表征的系统和方法，使用经过频谱信息训练的神经网络来识别给定材料的指定特征，训练数据集为直接测定的x射线吸收光谱数据，中国专利cn115422843公开了一种形貌参数预测模型的构建方法及形貌参数测量方法，是通过对测量光谱数据进行波长拆分的处理扩充样本完成对预测模型的优化，虽然防止了训练过程中的过拟合问题，但无法避免训练过程中的噪声，导致预测结构参数精度不高。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种映射模型构建方法及待测样件结构参数测量方法，可以获得对结构参数变化更加敏感的映射模型，使得映射模型预测的结构参数更加合理。

2、根据本发明的第一方面，提供了一种映射模型构建方法，包括：

3、s1：通过拟合算法提取多组实测穆勒光谱对应的结构参数，每一组实测穆勒光谱包括波长点序列和每一个波长点对应的穆勒光谱元素点位序列；

4、s2：基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；

5、s3：根据灵敏度阈值，对每一组实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位；

6、s4：获取训练数据集，所述训练数据集包括k组合格的m个穆勒光谱元素点位和k组结构参数，k和m为正整数；

7、s5：以所述训练数据集中的穆勒光谱元素点位为输入并以结构参数为输出对机器学习模型进行训练，训练后的机器学习模型即为从穆勒光谱元素点位到结构参数的映射模型。

8、根据本发明的第二方面，提供一种待测样件结构参数测量方法，包括：

9、获取待测样件的一组实测穆勒光谱；

10、通过拟合算法提取所述实测穆勒光谱对应的结构参数，所述实测穆勒光谱包括波长点序列和每一个波长点对应的穆勒光谱元素点位序列；

11、基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；

12、根据灵敏度阈值，对所述实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位；

13、将合格的穆勒光谱元素点位输入映射模型中，获取待测样件的结构参数。

14、本发明提供的一种映射模型构建方法及待测样件结构参数测量方法，通过每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度分析，去掉灵敏度低的不合格点位，让机器学习时对结构参数变化更敏感进而更容易训练出准确模型，且训练过程中不易过拟合，使机器学习求得的结构参数更为合理，同时也不存在直接通过拟合算法求结构参数因系统噪声带来的误差。

技术特征：

1.一种测量样件结构参数的映射模型构建方法，其特征在于，所述方法包括：

2.根据权利要求1所述的映射模型构建方法，其特征在于，所述基于提取的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度，包括：

3.根据权利要求2所述的映射模型构建方法，其特征在于，根据提取的多组实测穆勒光谱对应的结构参数中的厚度，计算所有厚度平均值初始厚度

4.根据权利要求1或2所述的映射模型构建方法，其特征在于，所述灵敏度分析方法包括局部灵敏度分析方法和全局灵敏度分析方法，所述全局灵敏度分析方法包括morris灵敏度分析方法、sobol灵敏度分析方法和efast灵敏度分析方法。

5.根据权利要求1或2所述的映射模型构建方法，其特征在于，所述根据灵敏度阈值，对每一组实测穆勒光谱对应的所有穆勒光谱元素点位进行筛选，获取合格的穆勒光谱元素点位，包括：

6.根据权利要求5所述的映射模型构建方法，其特征在于，根据每一组实测穆勒光谱包括的每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度，通过自适应法、均值法或中位数法确定灵敏度阈值。

7.一种样件结构参数测量方法，其特征在于，包括：

技术总结
本发明提供一种映射模型构建方法及样件结构参数测量方法，通过拟合算法提取多组实测穆勒光谱对应的结构参数，采用灵敏度分析方法计算每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度；根据灵敏度阈值，筛选合格的穆勒光谱元素点位；获取训练数据集，包括组合格的个穆勒光谱元素点位和组结构参数；基于训练数据集对构建的映射模型进行训练。本发明通过每个波长对应的每个穆勒光谱元素点位对厚度的灵敏度分析，去掉灵敏度低的不合格点位，让机器学习时对结构参数变化更敏感进而更容易训练出准确模型，且训练过程中不易过拟合，使机器学习求得的结构参数更为合理，同时也不存在直接通过拟合算法求结构参数因系统噪声带来的误差。

技术研发人员：刘世元,郭春付,张传维
受保护的技术使用者：华中科技大学
技术研发日：
技术公布日：2024/1/15