[发明专利]一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法

说明书

本发明的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法，包括以下步骤，S1：针对两种缺陷，在已知的、不同的缺陷尺寸的情况下，通过光刻机投影得到空间像分布，分别收集大量bump样本和少量pit样本；S2：整理两种样本数据，分别分出名为训练集和测试集两部分数据；S3：针对bump样本，利用机器学习算法和训练集中的样本数据，建立并调试EUV掩膜版缺陷尺寸检测模型；S4：采用测试集中的bump样本数据，对EUV掩膜版缺陷尺寸检测模型进行测试，若测试失败则返回步骤S3，若测试通过进入下一步；S5：在S3和S4训练出的EUV掩膜版缺陷尺寸检测模型的基础上，采用pit样本的训练集数据，进一步调试EUV掩膜版缺陷尺寸检测模型，并采用pit样本测试集中的样本数据，对EUV掩膜版缺陷尺寸检测模型进行测试。

技术领域

本发明涉及半导体制造和参数检测技术领域，具体涉及一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法。

背景技术

在图形转移光刻工艺中，掩膜版上存在的缺陷，会对最终光刻投影结果造成影响。掩膜版的缺陷类型主要为bump(隆块)缺陷以及pit(凹坑)缺陷。目前，已经发展到采用极紫外光刻技术(EUV)进行光刻。EUV采用的是短达13.5nm波长的光源，光学系统和掩模版均被迫采用反射式，且投影物镜也采用物方非远心的形式，受到缺陷的影响更为严重。在EUV掩膜版的制造过程中，缺陷的存在是不可避免的，缺陷的检测也一直是需要重点研究的问题。

现有技术的检测精度依赖昂贵的测试机台以及额外的工艺步骤进行辅助检测，会增加检测成本。

发明内容

为了克服现有技术中的不足，本发明提出一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法，其通过现有的计算机算法建立数学模型，分别对bump样本以及pit样本分量测试数学模型，精确pit样本以及对bump样本的缺陷尺寸。

为了实现上述目的，本发明的一种基于迁移学习确定EUV掩膜版缺陷尺寸的方法，其特征在于，包括以下步骤，S1：针对两种类型的EUV掩膜版缺陷，在已知的、不同的缺陷尺寸的情况下，通过光刻机投影得到空间像分布，分别收集大量bump样本和少量pit样本；S2：整理两种样本数据，针对bump样本和pit样本，分别分出名为训练集和测试集两部分数据；S3：针对bump样本，利用机器学习算法和训练集中的样本数据，建立并调试EUV掩膜版缺陷尺寸检测模型；S4：采用测试集中的bump样本数据，对EUV掩膜版缺陷尺寸检测模型进行测试，若测试失败则返回步骤S3，若测试通过进入下一步；S5：在S3和S4训练出的EUV掩膜版缺陷尺寸检测模型的基础上，采用pit样本的训练集数据，进一步调试EUV掩膜版缺陷尺寸检测模型，并采用pit样本测试集中的样本数据，对EUV掩膜版缺陷尺寸检测模型进行测试。

进一步的，S1中，在EUV掩膜版光板上分别设计bump和pit两种缺陷，并分别设置不同的缺陷尺寸大小，通过光刻机投影，收集在焦平面位置的空间像分布。

进一步的，S1中，共收集bump样本2000个，采用随机抽样的方式，选取1600个结果作为训练集，选取400个结果作为测试集；收集pit样本197个，采用随机抽样的方式，选取158个结果作为训练集，选取39个结果作为测试集。

进一步的，S4中，bump样本测试失败为,标准定义的检测值与真值的平均偏差率在5％以上，标准定义的检测值是利用数学模型，光刻空间像结果下得到的模型预测值；真值是该光刻空间像对应的真实缺陷尺寸。

进一步的，S5中，针对pit样本进行训练时，是在步骤S3和S4中得到的针对bump样本的尺寸预测模型的基础上，进行的调试训练，模型架构一致，初始参数为bump样本预测模型的参数。

进一步的，机器学习算法采用卷积神经网络实现，直接将空间像作为网络的输入，自动提取特征进行训练，卷积神经网络包括输入层、卷积层、池化层、全连接和输出层；输入层为训练集中的二维空间像结果，输出层为输入层二维结果所对应的掩膜版缺陷尺寸。