芯片表面形态确定方法、装置、计算机设备和存储介质与流程

本技术涉及化学机械抛光领域，特别是涉及芯片表面形态确定方法、装置、计算机设备和存储介质。

背景技术：

1、化学机械抛光是一种表面处理技术，广泛应用于半导体制造、光电子学、平板显示等领域。它的目的是通过在表面施加化学反应和机械磨损的联合作用，实现对材料表面的平整化和去除不均匀性。

2、cmp（chemical mechanical polishing，化学机械抛光）最早应用于硅片制造，用于平整化硅片表面。随着半导体工业的发展，cmp成为了半导体制造过程中不可或缺的步骤，用于制备平坦的硅片表面。cmp主要包含两个方面：1）机械磨损：通过在表面施加旋转的抛光盘，上面涂有抛光垫，实现对材料表面的机械磨损；2）在机械磨损的同时，涂有化学悬浮液的抛光垫也引发表面的化学反应，有助于去除材料表面的氧化物或其他不均匀性。

3、传统技术中的cmp物理仿真模型基于普林斯顿于1927年提出的普林斯顿方程得到，该方程描述的是材料移除率和抛光压力、相对抛光速度之间的关系。虽然cmp物理仿真模型经过多年的发展逐步完善，但由于cmp物理仿真模型的准确性高度依赖于cmp过程中获取的参数的准确性，而这些参数在实际cmp过程中难以测量或准确确定，所以cmp物理仿真模型输出结果不准确。并且，cmp物理仿真模型对实际物理过程进行了许多简化和近似，导致物理模型实际仿真过程与真实物理过程有差异，也造成了芯片表面形态的cmp仿真结果不够准确的问题。

4、针对相关技术中存在芯片表面形态仿真结果不准确的方法，目前还没有提出有效的解决方案。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够至少解决芯片表面形态仿真结果不准确的芯片表面形态确定方法、装置、计算机设备和存储介质。

2、第一个方面，在本实施例中提供了一种芯片表面形态确定方法，所述方法包括：

3、获取对目标芯片进行化学机械抛光仿真后得到的所述目标芯片的表面形态的仿真数据；

4、基于第一数据和第二数据之间的映射关系，对所述仿真数据进行预测以得到修正后的仿真数据，基于所述修正后的仿真数据确定所述目标芯片的表面形态；其中，所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据，所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据。

5、在其中的一些实施例中，在基于第一数据和第二数据之间的映射关系，对所述仿真数据进行预测之前，所述方法还包括：

6、获取所述测试芯片的样本，所述样本包括输入数据和标签；其中，所述标签为所述第一数据，所述输入数据基于所述第二数据获得；

7、按预设的顺序，以预设尺寸的滑动窗口获取样本的输入数据，并获取所述输入数据对应的标签，实现数据集的构建。

8、在其中的一些实施例中，抽取部分所述数据集作为训练集，将所述训练集输入至预设的机器学习网络进行训练，基于训练后的所述机器学习网络，得到所述映射关系。

9、在其中的一些实施例中，基于所述第二数据获得所述输入数据，包括：

10、对所述第二数据基于同一尺度进行标准化处理。

11、在其中的一些实施例中，所述机器学习网络采用卷积神经网络，包括：

12、由多个二维卷积层、二维批归一化层和第一激活函数构建的特征修正模块；

13、由多个全连接层，一维批归一化层和第二激活函数构建的表面形态预测模块。

14、在其中的一些实施例中，将所述训练集输入至预设的机器学习网络进行训练，包括：

15、将所述训练集划分成多个训练子集并依次输入至所述机器学习网络；

16、每输入一次所述训练子集，便基于当前输入的训练子集、所述机器学习网络对应输出的预测结果得到损失函数，并基于所述损失函数更新所述机器学习网络的参数。

17、在其中的一些实施例中，在将所述训练集划分成多个训练子集并依次输入至所述机器学习网络之后，所述方法还包括：

18、获取各训练子集以及与各所述训练子集对应的预测结果之间的关联参数；其中，所述关联参数包括各所述训练子集、与各所述训练子集对应的预测结果之间的相关系数和/或均方根误差；

19、根据所述关联参数，在多个进行参数更新后得到的机器学习网络中，确定用于预测所述目标芯片的表面形态的仿真数据的目标机器学习网络。

20、在其中的一些实施例中，在确定用于预测所述目标芯片的表面形态的仿真数据的目标机器学习网络之后，所述方法还包括：

21、抽取剩余的所述数据集作为验证集；

22、将所述验证集输入至所述目标机器学习网络进行验证，在验证结果符合预设的标准的情况下，基于所述目标机器学习网络修正所述目标芯片的表面形态的仿真数据。

23、在其中的一些实施例中，所述方法还包括所述数据集的划分方式：

24、以预设比例随机抽取部分所述数据集作为训练集；

25、将剩余的数据集作为验证集。

26、在其中的一些实施例中，所述方法具体包括：

27、构建数据集：获取所述测试芯片的样本，所述样本包括输入数据和标签；其中，所述标签为所述第一数据，所述输入数据基于所述第二数据获得；所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据，所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据；按预设的顺序，以预设尺寸的滑动窗口获取样本的输入数据，并获取所述输入数据对应的标签，实现数据集的构建；

28、划分数据集：以预设比例随机抽取部分所述数据集作为训练集，将剩余的数据集作为验证集；

29、构建机器学习网络：建立特征修正模块和表面形态预测模块；

30、训练模型：将所述训练集输入至所述机器学习网络进行训练，得到目标机器学习网络；

31、验证模型：将所述验证集输入至所述目标机器学习网络进行验证，在验证结果符合预设的标准的情况下，基于所述目标机器学习网络得到映射关系；所述映射关系是基于第一数据和第二数据之间的映射关系；

32、仿真修正：获取对目标芯片进行化学机械抛光仿真后得到的所述目标芯片的表面形态的仿真数据，基于所述映射关系，对所述仿真数据进行预测以得到修正后的仿真数据，基于所述修正后的仿真数据确定所述目标芯片的表面形态。

33、第二个方面，在本实施例中提供了一种芯片表面形态确定装置，所述装置包括：

34、仿真模块，用于对目标芯片进行化学机械抛光仿真，得到所述目标芯片的表面形态的仿真数据；

35、修正模块，用于基于第一数据和第二数据之间的映射关系，对所述仿真数据进行预测以得到修正后的仿真数据，基于所述修正后的仿真数据确定所述目标芯片的表面形态；其中，所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据，所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据。

36、第三个方面，在本实施例中提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的芯片表面形态确定方法的步骤。

37、第四个方面，在本实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一个方面所述的芯片表面形态确定方法的步骤。

38、上述芯片表面形态确定方法、装置、计算机设备和存储介质，通过第一数据和第二数据之间的映射关系表征仿真数据和化学机械抛光处理后的真实数据之间的关联性，并基于这一映射关系修正目标芯片的仿真数据，达到提高仿真结果的准确性的效果。