OPC数据采集方法与流程

本发明涉及一种半导体集成电路制造方法，特别涉及一种光学临近修正(opticalproximitycorrection,opc)数据采集过程中的异常图像识别方法。

背景技术：

随着晶圆代工工艺技术的不断发展，逻辑器件节点上的特征尺寸接近甚至小于光刻工艺中所使用的光波波长。根据光波衍射和干涉原理：光波通过掩模版时将发生衍射，掩模版不同位置的地方还会发生干涉。因此，实际投射到硅片上的光强分布是这些衍射干涉光波叠加的结果，它与掩模图形并不完全相同。这种由于光波衍射、干涉而使光刻图形与掩模图形产生偏差的现象称为光学临近效应(ope:opticalproximityeffect)。在光刻工艺中，光学临近效应是不可避免的，现有方法是采用光学临近修正(opticalproximitycorrection,opc)技术来尽可能的减小掩模版图形投射到硅片晶圆上的图形的变形与偏差，使得曝光后的图形符合设计要求。

opc一直是纳米级晶圆制造过程中的核心技术，随着逻辑器件节点的不断缩小，opc技术也在先进光刻工艺中占据主导地位。目前，制约opc技术发展的关键是opc模型的建立与模型的有效性验证，而在建立opc模型和模型有效性验证之前，opc工程师都要在特征尺寸测量用扫描电子显微镜(cdsem)机台上对晶圆上的测试图形(testpattern)的核心尺寸即关键尺寸(cd)进行量测，从而根据所获得的数据开展opc建模与模型有效性验证工作。因此，数据量测是opc建模的基础，数据准确性直接关系到后续的建模与模型验证工作的开展。目前在opc数据采集的过程中普遍存在的问题是：cdsem量测机台有时不能准确对准量测位置、量测参数较多很容易初期设置错误，目标量测图形未能准确曝光等，导致初期cdsem的量测数据后期都需要工程师结合人工经验手动对量测结果进行检查与校正，这不仅在很大程度上加重了工程师的工作负荷，而且往往由于opc量测数据点多、疲劳等因素导致工程师往往无法100％的识别异常图像和异常数据，往往会二次、三次甚至是多次的对同一组数据进行检查和校正，浪费了大量的时间和人力。

技术实现要素：

本发明所要解决的技术问题是提供一种opc数据采集方法，能实现自动化的异常图像识别和异常数据过滤。

为解决上述技术问题，本发明提供的opc数据采集方法包括如下步骤：

步骤一、在晶圆上形成多个测试图形，所述测试图形通过光刻工艺定义。

步骤二、采用cdsem对各所述测试图形进行测量形成对应的原始测量图像，所述原始测量图像都为真彩色图像。

步骤三、对所述原始测量图像进行异常图像识别，包括如下分步骤：

步骤31、对各所述原始测量图像进行灰度转换形成对应的中间转换图像，所述中间转换图像为灰度图像。

步骤32、对所述中间转换图像进行特征值提取。

步骤33、根据所提取的特征值计算各所述中间转换图像之间的相关系数。

步骤34、根据所述相关系数识别出异常图像并将所述异常图像过滤掉。

进一步的改进是，所述原始测量图像为24位真彩色图像。

进一步的改进是，所述中间转换图像为256级灰度图像。

进一步的改进是，所述中间转换图像中采用一个字节来表示一个像素。

进一步的改进是，所述原始测量图像的像素形成多行和多列的阵列，步骤31中进行灰度转换时按照像素在阵列中的位置依次进行转换。

进一步的改进是，步骤31中进行灰度转换过程中，从所述原始测量图像的阵列的最下面一行左边的第一个像素开始进行从左到右的依次转换，一行的像素都转换完成后增加行数编号从底部到顶部实现对各行的像素进行转换。

进一步的改进是，步骤31中各像素的灰度转换公式为：

y＝0.299r+0.587g+0.114b；

其中，r、g和b表示所述原始测量图像的像素的rgb颜色分量，y表示像素的灰度值。

进一步的改进是，步骤31中形成所述中间转换图像后还包括对所述中间转换图像进行灰度均衡化的步骤。

进一步的改进是，所述灰度均衡化的转换公式为：

db＝f(x)＝dmax·∫h(u)du/a0(u＝0～x)；

其中，db为转换后的灰度级，f(x)为转换函数，x为灰度级，h(u)为第i级灰度的像素个数，a0为图像的面积，dmax为最大灰度值。

进一步的改进是，步骤32中的所述特征值提取为提取所述中间转换图像中的各灰度级出现的频率并形成所述中间转换图像的灰度直方图；所述灰度直方图的横坐标为灰度级，纵坐标为不同灰度级出现的频率。

进一步的改进是，步骤33中的相关系数通过如下的互相关函数公式计算：

r＝f(t)·g(－t)＝∫f(t)·g(t)dt(－∞<t<+∞)；

其中，r为两幅所述中间转换图像之间的相关系数，r值越大，说明两幅图像的相似程度越高；函数f(t)和g(t)分别是要比较的两幅所述中间转换图像的所述灰度直方图对应的函数，t为灰度等级。

进一步的改进是，步骤一中，多个所述测试图形按照关键尺寸的大小由小到大在水平方向或在垂直方向排列形成一系列结构，步骤33中按照所述测试图形的排列方向，计算各相邻的所述测试图形对应的所述中间转换图像之间的相关系数，对于n个所述测试图形，得到的所述相关系数为n-1个。

进一步的改进是，步骤34中，将n-1个所述相关系数中的下四分位数对应的所述相关系数对应的所述中间转换图像识别为异常图像。

进一步的改进是，步骤32至步骤34通过编写脚本实现所述异常图像的自动过滤。

进一步的改进是，画所述灰度直方图时，先选出像素最多的灰度级作为基准，剩余的灰度级根据基准大小按比例依次画出。

本发明通过对cdsem测量形成的原始测量图像进行灰度转换形成由灰度图像组成的中间转换图像，利用灰度图像容易进行特征值提取和计算各图像之间的相关系数的特点，本发明进而实现对中间转换图像进行特征值提取和相关系数的计算，通过相关系数能识别出异常图像并实现异常图像的过滤，能实现自动化的异常图像识别和异常数据过滤，并从而能有效减轻opc数据量测过程中的工程师人工经验干预，既保证了opc数据采集的有效性，也减轻了opc工程师的工作负荷。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明：

图1是本发明实施例opc数据采集方法的流程图；

图2a-图2d是本发明实施例方法中形成灰度直方图的各分步骤中的示意图；

图3a-图3b是本发明实施例方法中按照关键尺寸由小到大水平排列的6个测试图形对应的一系列原始测量图像；

图4a是本发明实施例方法中采用编写脚本方法自动形成的异常图像对应的灰度直方图；

图4b是本发明实施例方法中采用编写脚本方法自动形成的正常图像对应的灰度直方图；

图4c是本发明实施例方法中采用编写脚本方法自动形成的正常图像和异常图像对应的相关系数的积分图。

具体实施方式

如图1所示，是本发明实施例opc数据采集方法的流程图；本发明实施例opc数据采集方法包括如下步骤：

步骤一、在晶圆上形成多个测试图形，所述测试图形通过光刻工艺定义。

多个所述测试图形按照关键尺寸的大小由小到大在水平方向或在垂直方向排列形成一系列结构。如图3a至图3b所示，是本发明实施例中按照关键尺寸由小到大水平排列的6个测试图形对应的一系列原始测量图像，图3a和图3b中各显示了3个所述测试图形对应的原始测量图像，原始测量图像在后续步骤二中得到，图3a和图3b的所述测试图形的类型都为1维线性隔离线(1dlinearityisoline)，图3a中对应的cd值较小，分别为45.3nm，4.71nm，81.10nm，图3a中的cd值较小从而无法实现正常曝光，形成的图形会变形，后续需要进行opc校正；图3b中对应的cd值较大，分别为131.73nm，128.45nm，153.81nm，这几个图形都能实现正常曝光。当然，实际上，会根据需要设置所需的所有类型和大小的所述测试图形。

步骤二、采用cdsem对各所述测试图形进行测量形成对应的原始测量图像，所述原始测量图像都为真彩色图像。较佳为，所述原始测量图像为24位真彩色图像。

如图2a所示，是形成的一个cd值为190.28nm的所述测试图形的原始测量图像101，对应的图形102为1dlinearityisoline。

图3a和图3b对应的6个原始测量图像分别用标记201a、201b、201c、201d、201e和201f标出，对应的cd值分别为45.3nm、4.71nm、81.10nm、131.73nm、128.45nm和153.81nm。

步骤三、对所述原始测量图像进行异常图像识别，包括如下分步骤：

步骤31、对各所述原始测量图像进行灰度转换形成对应的中间转换图像，所述中间转换图像为灰度图像。较佳为，所述中间转换图像为256级灰度图像。

所述中间转换图像中采用一个字节来表示一个像素。

所述原始测量图像的像素形成多行和多列的阵列，步骤31中进行灰度转换时按照像素在阵列中的位置依次进行转换。

较佳为，进行灰度转换过程中，从所述原始测量图像的阵列的最下面一行左边的第一个像素开始进行从左到右的依次转换，一行的像素都转换完成后增加行数编号从底部到顶部实现对各行的像素进行转换。

各像素的灰度转换公式为：

y＝0.299r+0.587g+0.114b(公式1)；

其中，r、g和b表示所述原始测量图像的像素的rgb颜色分量，y表示像素的灰度值。

步骤31中形成所述中间转换图像后还包括对所述中间转换图像进行灰度均衡化的步骤。灰度均衡的目的是增加像素灰度值的动态范围，从而达到增强图像整体对比度的效果。考虑到cdsem采集的原始图像具有连续特征，所述灰度均衡化的转换公式为：

db＝f(x)＝dmax·∫h(u)du/a0(u＝0～x)(公式2)；

其中，db为转换后的灰度级，f(x)为转换函数，x为灰度级，h(u)为第i级灰度的像素个数，a0为图像的面积，dmax为最大灰度值。

步骤32、对所述中间转换图像进行特征值提取。

在数字图像处理中，一种最直观且有效的工具就是灰度直方图，它是灰度级的函数，它反映的是一幅灰度图像中各灰度级出现的频率，它是图像的重要特征，反映了图像灰度分布的情况。以灰度级为横坐标，以纵坐标为不同的灰度级出现的频率，绘制频率同灰度级的关系图就是灰度直方图，在画灰度直方图的时候，先选出像素最多的灰度级作为基准，其余灰度级以适当的比例在图中逐一画出。

也即：本发明实施例中，所述特征值提取为提取所述中间转换图像中的各灰度级出现的频率并形成所述中间转换图像的灰度直方图；所述灰度直方图的横坐标为灰度级，纵坐标为不同灰度级出现的频率。

如图2a-图2d所示，是本发明实施例方法中形成灰度直方图的各分步骤中的示意图；图2a对应的原始测量图像101转换为对应的所述中间转换图像后，提取所述中间转换图像中的各灰度级出现的频率，图2b中显示了灰度级包括0至10级并标出了各区域即像素区域对应的灰度级。

图2c中统计出了各灰度级出现的频数。

图2d为根据灰度级和频数的关系形成的灰度直方图。画所述灰度直方图时，先选出像素最多的灰度级如灰度级3作为基准，剩余的灰度级根据基准大小按比例依次画出。

步骤33、根据所提取的特征值计算各所述中间转换图像之间的相关系数。

本发明实施例中，相关系数通过如下的互相关函数公式计算：

r＝f(t)·g(－t)＝∫f(t)·g(t)dt(－∞<t<+∞)(公式3)；

其中，r为两幅所述中间转换图像之间的相关系数，r值越大，说明两幅图像的相似程度越高；函数f(t)和g(t)分别是要比较的两幅所述中间转换图像的所述灰度直方图对应的函数，t为灰度等级。

较佳为，按照所述测试图形的排列方向，计算各相邻的所述测试图形对应的所述中间转换图像之间的相关系数，对于n个所述测试图形，得到的所述相关系数为n-1个。

步骤34、根据所述相关系数识别出异常图像并将所述异常图像过滤掉。

本发明实施例中，将n-1个所述相关系数中的下四分位数对应的所述相关系数对应的所述中间转换图像识别为异常图像。

根据施瓦兹不等式可以知道上面公式3中0＜r≤1，并且仅在比值f(t)/g(t)为常数时取极大值1。r值越大，说明两幅图像的相似程度越高。根据opc的量测顺序，以1dlinearityisoline这种类型的测试图形为例，往往是选择某一cd值为起点按顺序量测水平方向或垂直方向的一系列测试图形，而开头的几个cd值很小的前面几个测量点由于光刻条件的限制会未能正常曝光，形成的图像如图3a对应的3幅图像所示。

而正常的图像则如图3b对应的3幅图像所示。

采用上述对互相关函数对所取得的n张cdsem量测的原始测量图像进行两两比较，根据公式3可得到n-1个相关性系数r值，根据统计学里的四分位数原理，将数列中的下四分位数删除，即可实现异常图像的过滤。

较佳为，步骤32至步骤34通过编写脚本实现所述异常图像的自动过滤。

如图4a所示，是本发明实施例方法中采用编写脚本方法自动形成的异常图像201a对应的灰度直方图202a。

图4b是本发明实施例方法中采用编写脚本方法自动形成的正常图像201d对应的灰度直方图202d。

直接对灰度直方图202a和202d做相关性比较即可得到两幅图之间的相关系数，如图4c所示，是本发明实施例方法中采用编写脚本方法自动形成的正常图像和异常图像对应的相关系数的积分图，图4c的积分结果可以得到对应的r为0.44，这样可以鉴定两幅图像之间的相关性较小。

采用上述方法，对所取得的10张cdsem量测的原始测量图像进行两两比较，根据公式3可得到9个相关性系数r值，根据统计学里的四分位数原理，将数列中的小于下四分位数(前三个点对应的图片)删除，即可实现异常图像的过滤。

本发明实施例通过对cdsem测量形成的原始测量图像进行灰度转换形成由灰度图像组成的中间转换图像，利用灰度图像容易进行特征值提取和计算各图像之间的相关系数的特点，本发明实施例进而实现对中间转换图像进行特征值提取和相关系数的计算，通过相关系数能识别出异常图像并实现异常图像的过滤，能实现自动化的异常图像识别和异常数据过滤，并从而能有效减轻opc数据量测过程中的工程师人工经验干预，既保证了opc数据采集的有效性，也减轻了opc工程师的工作负荷。

以上通过具体实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。