本发明涉及极紫外光刻掩模,特别是一种极紫外光刻掩模多层膜相位型缺陷底部形貌检测方法。
背景技术
光刻是集成电路制造的核心技术。极紫外光刻(euvl)被看作是制造7nm及更小节点芯片最有前景的光刻技术。极紫外光刻掩模缺陷严重影响芯片生产的良率,并且目前尚无法实现无缺陷掩模的加工制造。因此对掩模缺陷进行检测并根据检测结果对掩模缺陷进行补偿具有重要意义。多层膜缺陷是极紫外光刻掩模中独有的缺陷,根据对掩模反射率影响的不同可分为振幅型缺陷与相位型缺陷,相位型缺陷位于多层膜底部,造成多层膜的变形,在不破坏多层膜结构的情况下,现有仪器难以检测其底部形貌。
在先技术1(在先技术1:xu,dongbo,peterevanschitzky,andandreaserdmann."extremeultravioletmultilayerdefectanalysisandgeometryreconstruction."journalofmicro/nanolithography,mems,andmoems15.1(2016):014002)使用强度传输方程(tie)对空间像的相位信息进行恢复,并利用人工神经网络构建了空间像信息和掩模多层膜相位型缺陷形貌参数之间的关系,但偏重于对缺陷表面形貌的检测,对缺陷底部形貌检测精度较低,且该技术在检测过程中对空间像传感器的移动会引入误差,影响检测精度。在先技术2(在先技术2:dou,jiantai,etal."euvmultilayerdefectsreconstructionbasedonthetransportofintensityequationandpartialleast-squareregression."internationalconferenceonopticalandphotonicsengineering(icopen2016).vol.10250.internationalsocietyforopticsandphotonics,2017)使用强度传输方程(tie)对空间像的相位信息进行恢复,并采用最小二乘回归的方法构建空间像的相位信息与掩模多层膜相位型缺陷表面形貌参数之间的关系,可较好检测出缺陷表面形貌,但无法检测缺陷底部形貌,且该技术在检测过程中同样需要对空间像传感器进行移动,传感器的移动会引入误差,影响检测精度。
技术实现要素:
本发明的目的在于提供一种极紫外光刻掩模多层膜相位型缺陷底部形貌检测方法。利用傅里叶扫描相干衍射成像技术(fourierptychographyimaging,fpi)对空间像进行相位恢复,利用人工神经网络拟合空间像信息与掩模多层膜相位型缺陷底部形貌参数之间的关系。主要针对极紫外光刻掩模缺陷中最难以检测的多层膜相位型缺陷的底部形貌,快速准确地对掩模多层膜相位型缺陷底部形貌进行检测。
本发明的技术解决方案如下:
(1)表征掩模多层膜相位型缺陷形貌:
掩模多层膜相位型缺陷主要是由基底缺陷造成的多层膜变形,掩模多层膜相位型缺陷表面与底部呈不同形状的凸起或凹陷。以高斯型缺陷参数表征掩模多层膜相位型缺陷的形貌,缺陷表面半高全宽为ωtop,高度为htop,缺陷底部半高全宽为ωbot,高度为hbot。由于掩模多层膜相位型缺陷表面形貌可以较好地由现有仪器检测,可将表面形貌设定为已知参数,检测目标设定为掩模多层膜相位型缺陷底部形貌参数。
(2)仿真获取不同照明方向下含多层膜相位型缺陷空白掩模空间像的强度:
为避免掩模吸收层图案及掩模吸收层缺陷对掩模多层膜缺陷检测产生干扰,对掩模多层膜缺陷进行检测时需采用未涂覆吸收层的空白掩模。入射光方向的选择决定了所成空间像的频谱范围。选取n个满足相邻两点光源照明下所成空间像频谱范围之间的重叠率大于60%的点光源,利用光刻仿真软件仿真得到照明角度为l1,l2…ln时含多层膜相位型缺陷空白掩模空间像的强度ilr1,ilr2…ilrn。
(3)恢复含多层膜相位型缺陷空白掩模空间像的相位:
①设含多层膜相位型缺陷空白掩模空间像的复振幅为
②用照明角度为l1时对应的低通滤波器对宽光谱进行低通滤波,然后对低通滤波后的宽光谱进行傅里叶逆变换产生照明角度为l1时空间像复振幅的估计值
③用照明角度为l1时仿真得到的含多层膜相位型缺陷空白掩模空间像的强度ilr1替代照明角度为l1时空间像复振幅的估计值
④对于照明角度l2,l3…ln重复步骤②,③;
⑤设定当两次更新之间含多层膜相位型缺陷空白掩模空间像相位
(4)训练人工神经网络:
选取m种缺陷底部高度hbot在0-50nm范围内,缺陷底部半高全宽ωbot在0-50nm范围内的缺陷表面形貌参数相同的含多层膜相位型缺陷空白掩模。
重复使用(3)中所述方法得到m种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的强度ih,将空间像的强度ih开方可得空间像的振幅ah,取振幅图像的最小值amin和半高全宽afwhm。
重复使用(3)中所述方法得到m种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的相位
以振幅图像的最小值amin、振幅图像的半高全宽afwhm、相位图像的最小值pmin、相位图像的半高全宽pfwhm作为人工神经网络的输入,对应的掩模多层膜相位型缺陷底部高度hbot和半高全宽ωbot作为人工神经网络的输出。采用的人工神经网络为含多隐层的深度学习结构,先使用四输入二输出的人工神经网络对掩模多层膜相位型缺陷底部高度hbot和半高全宽ωbot同时进行训练,形成训练后人工神经网络1。再将掩模多层膜相位型缺陷底部半高全宽ωbot与振幅图像的最小值amin,振幅图像的半高全宽afwhm,相位图像的最小值pmin,相位图像的半高全宽pfwhm一同作为人工神经网络的输入,掩模多层膜相位型缺陷底部高度hbot作为人工神经网络的输出,使用五输入一输出的人工神经网络对掩模多层膜相位型缺陷底部高度hbot进行训练,形成训练后人工神经网络2。
(5)检测掩模多层膜相位型缺陷底部形貌:
将待测空白掩模置于极紫外光刻机掩模台上,空间像传感器置于极紫外光刻机焦面处,采用点光源照明,调整点光源的位置使得照明方向与仿真时采用的照明方向相同。计算机控制空间像传感器获取照明角度为l1,l2…ln时待测空白掩模空间像的强度ilr1,ilr2…ilrn。
根据(3)中所述方法得到待测空白掩模空间像的强度ih,将空间像的强度ih开方可得空间像的振幅ah,取振幅图像的最小值amin和半高全宽afwhm。
根据(3)中所述方法得到待测空白掩模空间像的相位
将振幅图像的最小值amin、振幅图像的半高全宽afwhm、相位图像的最小值pmin、相位图像的半高全宽pfwhm输入人工神经网络1,检测出掩模多层膜相位型缺陷底部的半高全宽ωbot。将得到的掩模多层膜相位型缺陷底部半高全宽ωbot与振幅图像的最小值amin、振幅图像的半高全宽afwhm、相位图像的最小值pmin、相位图像的半高全宽pfwhm一同输入人工神经网络2,检测出掩模多层膜相位型缺陷底部的高度hbot,完成掩模多层膜相位型缺陷底部形貌检测。
与在先技术相比,本发明具有以下优点:
1.本发明使用傅里叶扫描相干衍射成像技术(fourierptychographyimaging,fpi)恢复空间像相位,空间像传感器可在同一位置(焦面处)对空间像进行采集,避免了空间像传感器的移动,消除了移动带来的检测误差,提高了检测精度。
2.本发明通过多次使用神经网络,在不增加数据量的情况下,使得掩模多层膜相位型缺陷底部形貌参数的检测精度大幅提升。
附图说明
图1为极紫外光刻掩模含相位型缺陷多层膜的结构示意图
图2为傅里叶扫描相干衍射成像技术恢复空间像相位信息的处理过程
图3为本发明使用的人工神经网络结构示意图
具体实施方式
下面结合实施例对本发明作进一步说明,但不应以此实施例限制本发明的保护范围。
具体步骤如下:
步骤1.设定训练集中含多层膜相位型缺陷空白掩模的缺陷底部形貌参数:
以高斯型缺陷参数表征掩模多层膜相位型缺陷的形貌,缺陷表面半高全宽为ωtop,高度为htop,缺陷底部半高全宽为ωbot,高度为hbot,极紫外光刻掩模含相位型缺陷多层膜的结构如图1所示。由于掩模多层膜相位型缺陷表面形貌可以较好地由现有仪器检测,可将表面形貌设定为已知参数,本例中设定缺陷表面高度htop为2nm,缺陷表面半高全宽ωtop为50nm。掩模多层膜相位型缺陷底部高度hbot在5nm到50nm之间,以5nm为间隔,取10个值,掩模多层膜相位型缺陷底部半高全宽ωbot在5nm和50nm之间,以5nm为间隔,取10个值,两两组合共设定100种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模。
步骤2.仿真获取不同照明方向下含多层膜相位型缺陷空白掩模空间像的强度:
利用光刻仿真软件仿真得到表1中9种照明角度l1,l2…l9下100种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模空间像的强度ilr1,ilr2…ilr9。
光刻仿真软件仿真时参数设定为:空白掩模周期p=380nm,投影物镜数值孔径na=0.33,采用点光源照明,照明光为波长λ=13.5nm的90°线偏振光,照明主入射角
表1照明光角度设置及对应衍射谱移动级次
步骤3.恢复含多层膜相位型缺陷空白掩模空间像的相位:
①设含多层膜相位型缺陷空白掩模空间像的复振幅为
②用照明角度为l1时对应的低通滤波器对宽光谱进行低通滤波,然后对低通滤波后的宽光谱进行傅里叶逆变换产生照明角度为l1时空间像复振幅的估计值
③用照明角度为l1时仿真得到的含多层膜相位型缺陷空白掩模空间像的强度ilr1替代照明角度为l1时空间像复振幅的估计值
④对于照明角度l2,l3…l9重复步骤②,③;
⑤重复步骤②-④直到两次更新之间的含多层膜相位型缺陷空白掩模空间像的相位
步骤4.训练人工神经网络:
重复步骤3得到步骤1中所述100种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的强度ih,将空间像的强度ih开方可得空间像的振幅ah,取振幅图像的最小值amin和半高全宽afwhm。
重复步骤3得到步骤1中所述100种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的相位
以振幅图像的最小值amin、振幅图像的半高全宽afwhm、相位图像的最小值pmin、相位图像的半高全宽pfwhm作为人工神经网络的输入,对应的掩模多层膜相位型缺陷底部高度hbot和半高全宽ωbot作为人工神经网络的输出。采用的人工神经网络结构如图3所示,为含多隐层的深度学习结构,包含4个隐藏层,每个隐藏层包含30个神经元。先使用四输入二输出的人工神经网络对掩模多层膜相位型缺陷底部高度hbot和半高全宽ωbot同时进行训练,形成训练后人工神经网络1。再将掩模多层膜相位型缺陷底部半高全宽ωbot与振幅图像的最小值amin,振幅图像的半高全宽afwhm,相位图像的最小值pmin,相位图像的半高全宽pfwhm一同作为人工神经网络的输入,掩模多层膜相位型缺陷底部高度hbot作为人工神经网络的输出,使用五输入一输出的人工神经网络对掩模多层膜相位型缺陷底部高度hbot进行训练,形成训练后人工神经网络2。
步骤5.检测掩模多层膜相位型缺陷底部形貌:
先在5nm到50nm范围内随机选取20个值,作为掩模多层膜相位型缺陷底部高度hbot,然后在5nm到50nm范围内随机选取20个值,作为掩模多层膜相位型缺陷底部半高全宽ωbot,按照选取顺序组成20组缺陷底部形貌参数。
采用光刻仿真软件仿真得到表1中9种照明角度l1,l2…l9下20种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模所成空间像的强度ilr1,ilr2…ilr9。
重复步骤3得到20种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的强度ih,将空间像的强度ih开方可得空间像的振幅ah,取振幅图像的最小值amin和半高全宽afwhm。
重复步骤3得到20种具有不同缺陷底部形貌参数的含多层膜相位型缺陷空白掩模的空间像的相位
将振幅图像的最小值amin、振幅图像半高全宽afwhm、相位图像的最小值pmin、相位图像的半高全宽pfwhm,输入人工神经网络1,输出掩模多层膜相位型缺陷底部半高全宽ωbot的检测值。将得到的掩模多层膜相位型缺陷底部半高全宽ωbot与振幅图像的最小值amin、振幅图像半高全宽afwhm、相位图像的最小值pmin、相位图像的半高全宽pfwhm一同输入人工神经网络2,输出掩模多层膜相位型缺陷底部高度hbot的检测值。将掩模多层膜相位型缺陷底部半高全宽ωbot与底部高度hbot的检测结果与设定值对比,结果表明:
在本实施中,10次对掩模多层膜相位型缺陷底部半高全宽ωbot检测的均方误差mse的平均值为0.0025,10次对掩模多层膜相位型缺陷底部高度hbot检测的均方误差mse为0.0327,结果表明该方法可对掩模多层膜相位型缺陷底部形貌进行高精度检测。