一种集成电路芯片制造过程中的迭对测量方法和系统与流程

本发明涉及集成电路芯片的图形迭对技术领域，具体涉及一种集成电路芯片制造过程中的迭对测量方法和系统。

背景技术：

集成电路(integratedcircuit)芯片的制造过程涉及多个工艺层次(layer)。各工艺层次通过光刻工艺在晶圆上形成光刻材料的图形，并以此为模板，利用刻蚀、沉积、化学机械抛光等多种工艺手段形成符合设计规格的电路器件及互连结构。不同工艺层次之间工艺图形的迭对(overlay)至关重要。如果迭对误差超出了允许的范围，电路器件和互连结构将无法正常地工作。

为了保证各工艺层次之间的图形精确对准，在光刻工艺完成后会使用特定的迭对标记(overlaymark)进行迭对测量。图1中展示了一种可能的迭对标记设计方案。迭对标记110和210分别在两个不同工艺层次的加工过程中生成，各自包含4个条状标记，组成方框结构。通过测量对应条状标记之间的距离x1、x2、y1、y2等参数，可以对两个工艺层次之间的图形迭对误差进行计算。如果迭对误差超出了允许的范围，则需要进行光刻工艺步骤的返工(rework)。除了监控迭对误差之外，迭对测量的结果也被用于建立迭对补偿模型，通过迭对补偿模型对工艺参数进行调整，减少工艺层次之间的迭对误差。

图2中显示了迭对测量中可能出现的几种情况。如图2(a)所示，迭对标记121、122、123、124在第一个工艺层次的制造过程中生成，分别位于晶圆的不同位置。迭对标记221、222、223、224在第二个工艺层次的制造过程中生成，分别位于晶圆上与121、122、123、124对应的位置。迭对标记121、122、123、124的中心分别与迭对标记221、222、223、224的中心重合，表明第一个工艺层次和第二个工艺层次之间的图形对准的情况良好。如图2(b)所示，迭对标记131、132、133、134在第一个工艺层次的制造过程中生成，分别位于晶圆的不同位置。迭对标记231、232、233、234在第二个工艺层次的制造过程中生成，分别位于晶圆上与131、132、133、134对应的位置。迭对标记131、132、133、134分别与迭对标记231、232、233、234在水平方向上存在相对偏移，表明第一个工艺层次和第二个工艺层次之间的图形对准存在水平方向上的迭对误差。如图2(c)所示，迭对标记141、142、143、144在第一个工艺层次的制造过程中生成，分别位于晶圆的不同位置。迭对标记241、242、243、244在第二个工艺层次的制造过程中生成，分别位于晶圆上与141、142、143、144对应的位置。迭对标记141、142、143、144分别与迭对标记241、242、243、244在垂直方向上存在相对偏移，表明第一个工艺层次和第二个工艺层次之间的图形对准存在垂直方向上的迭对误差。如图2(d)所示，迭对标记151、152、153、154在第一个工艺层次的制造过程中生成，分别位于晶圆的不同位置。迭对标记251、252、253、254在第二个工艺层次的制造过程中生成，分别位于晶圆上与151、152、153、154对应的位置。迭对标记151、152、153、154与迭对标记251、252、253、254之间存在由于旋转引起在相对偏移，表明第一个工艺层次和第二个工艺层次之间的图形对准存在由于旋转引起的迭对误差。除了上述几种迭对误差之外，其他因素，例如图形放大、镜头畸变、晶圆载物台晃动等，也可能引起不同工艺层次之间的迭对误差。

在芯片制造时可能会产生的各种缺陷，这些缺陷可能对迭对测量工艺的稳定性及精度带来影响。除此之外，受设备产能和测量时间的限制，通常只能对晶圆上部分区域的迭对标记进行测量，其他区域的迭对数据无法直接获得。出于上述考虑，需要对迭对测量的方法和系统进行优化改进，增强工艺的稳定性及精度，有效地获取晶圆各区域的迭对数据。

技术实现要素：

本发明为了克服以上技术的不足，提供了一种集成电路芯片制造过程中的迭对测量方法和系统，本发明通过机器学习模型对迭对测量的数据进行处理或预测，提高了迭对测量的稳定性、精度和测量效率。

芯片制造过程中需要利用迭对测量来监控不同工艺层次之间的图形对准情况，确保其满足设计和工艺的规格要求，并为后续的工艺过程提供补偿模型。迭对测量通过测量各工艺层次上的相对应的迭对标记图形之间的相对位置来计算迭对误差。迭对标记的图形在生成以后会受到后续工艺步骤的影响。例如，后续的薄膜沉积步骤可能造成迭对标记的图像模糊，后续的化学机械抛光步骤可能由于过度研磨而造成迭对标记部分缺失等。此外，工艺过程中产生的颗粒也可能影响迭对测量。如图3所示，迭对标记160和260在两个不同的工艺层次生成，分别包含四个条状标记，组成方框结构。迭对标记160中，条状标记1601部分缺失，条状标记1603的边缘不清晰。此外，工艺过程中产生的颗粒1605位于迭对标记160和260附近，产生干扰信号，使得迭对测量无法正常进行。

在芯片制造过程中，由于设备产能和测试时间的限制，通常只能对晶圆上的部分区域进行迭对测量。图4中显示了晶圆上的一组区域10，每个区域上分别放置了一套迭对标记，每一套迭对标记分别包含若干个迭对标记。利用在晶圆上一组区域10内的不同工艺层次之间的迭对标记进行迭对测量，可以得到晶圆上一组区域10内的不同工艺层次之间的迭对误差，但无法获得晶圆上其他区域内的不同工艺层次之间的迭对误差。

本发明的迭对测量方法和系统利用机器学习来克服上述不足。机器学习是人工智能领域的一个子集。与传统的基于已知规则的计算机编程方法不同，机器学习利用已有的数据进行训练，根据机器学习算法自动学习规则，构建出相应的机器学习模型，并利用模型对新的输入数据进行运算，得到输出结果。常见的机器学习模型包括但不限于线性回归、逻辑回归、k近邻、朴素贝叶斯、决策树、聚类、支持向量机、随机森林、提升树、以及各类神经网络等。机器学习近年来被广泛应用于预测、分类、图像处理、自然语言处理等多个领域，取得了良好的效果。

本发明克服其技术问题所采用的技术方案是：

一种集成电路芯片制造过程中的迭对测量方法，包括如下步骤：

针对芯片制造过程的各个工艺层次，采集晶圆上各迭对标记图像数据或采集晶圆上部分区域内的迭对测量数据；

利用采集的迭对标记图像数据或迭对测量数据，分别建立机器学习模型：迭对标记图像处理模型、迭对测量数据预测模型；

迭对测量时，通过已建立的迭对标记图像处理模型对迭对标记图像进行处理，或，通过已建立的迭对测量数据预测模型以及在晶圆上部分区域内采集的迭对测量数据对同一晶圆上其他未测量区域内的迭对测量数据进行预测。

进一步地，建立机器学习模型的步骤包括如下：

收集或生成建立机器学习模型所需的输入数据；

对上述输入数据进行预处理；

上述预处理后的数据划分为两部分：一部分为模型训练和验证数据，一部分为测试数据；

通过模型训练和验证数据进行模型训练和验证，再通过测试数据进行模型评估；

对模型评估的结果进行判断：若评估合格，则进行模型部署将模型交付使用；否则，返回上一步，直至评估合格。

作为优选的一种方案，所述迭对标记图像处理模型对迭对标记图像数据进行处理的步骤包括如下：

采集迭对测量的输入数据；

对上述输入数据进行预处理；

上述预处理后的数据输入至迭对标记图像处理模型，所述迭对标记图像处理模型通过机器学习方法对迭对标记图像进行处理，所述处理包括重构缺失图形、重构模糊图形和消除颗粒影响中的至少一种；

处理后的迭对标记图像用于迭对测量数据计算，得到最终的迭对测量数据。

作为优选的另一种方案，所述迭对标记图像处理模型对迭对标记图像数据进行处理的步骤包括如下：

采集迭对测量的输入数据；

对上述输入数据进行预处理；

上述预处理的数据输入至迭对标记图像处理模型，所述迭对标记图像处理模型通过机器学习方法对迭对标记图像进行处理，所述处理包括重构缺失图形、重构模糊图形和消除颗粒影响中的至少一种；

处理后的迭对标记图像用于迭对测量数据计算，得到新的迭对测量数据；

在得到新的预处理后的数据以及新的迭对测量数据后，新的预处理后的数据中的部分或全部，以及新的迭对测量数据中的部分或全部，用于在线模型训练，在线模型训练后产生的新模型通过模型部署对迭对标记图像处理模型进行更新，从而根据新的数据不断更新迭对标记图像处理模型。

作为优选的一种方案，所述迭对测量数据预测模型对迭对测量数据进行预测的步骤包括如下：

在晶圆上部分区域采集迭对测量的输入数据；

对上述输入数据进行预处理；

上述预处理后的数据输入至迭对测量数据预测模型，所述迭对测量数据预测模型利用晶圆上部分区域内得到的预处理后的迭对测量数据，通过机器学习方法预测同一晶圆上其他未测量区域内的迭对测量数据，得到最终的迭对测量数据。

作为优选的另一种方案，所述迭对测量数据预测模型对迭对测量数据进行预测的步骤包括如下：

在晶圆上部分区域采集迭对测量的输入数据；

对上述输入数据进行预处理；

上述预处理后的数据输入至迭对测量数据预测模型，所述迭对测量数据预测模型利用晶圆上部分区域内得到的预处理后的迭对测量数据，通过机器学习方法预测同一晶圆上其他未测量区域内的迭对测量数据，得到新的迭对测量数据；

在得到新的预处理后的数据以及新的迭对测量数据后，新的预处理后的数据中的部分或全部，以及新的迭对测量数据中的部分或全部，用于在线模型训练，在线模型训练后产生的新模型通过模型部署对迭对测量数据预测模型进行更新，从而根据新的数据不断更新迭对测量数据预测模型。

本发明还提供了一种集成电路芯片制造过程中的迭对测量系统，至少包括：

机械传输单元，至少用于晶圆的传送、定位；

数据获取单元，用于采集和接收迭对测量所需的数据；

迭对测量单元，其输入端与数据获取单元的输出端连接，用于通过机器学习方法对迭对测量数据进行处理或预测；以及，

数据输出单元，其输入端与迭对测量单元的输出端连接，用于输出迭对测量的结果。

作为优选的一种方案，所述迭对测量单元至少包括迭对标记图像处理模块，所述迭对标记图像处理模块通过机器学习方法对迭对标记图像进行处理，所述处理包括重构缺失图形、重构模糊图形和消除颗粒影响中的至少一种。

作为优选的另一种方案，所述迭对测量单元至少包括迭对标记图像处理模块和在线模型训练模块，所述迭对标记图像处理模块通过机器学习方法对迭对标记图像进行处理，所述在线模型训练模块利用新增的数据对用于迭对标记图像处理的迭对标记图像处理模型进行训练和更新，并将更新后的模型部署到迭对标记图像处理模块。

作为优选的一种方案，所述迭对测量单元至少包括迭对测量数据预测模块，所述迭对测量数据预测模块通过机器学习方法以及晶圆上部分区域内的迭对测量数据对同一晶圆上其他未测量区域的迭对测量数据进行预测。

作为优选的另一种方案，所述迭对测量单元至少包括迭对测量数据预测模块和在线模型训练模块，所述迭对测量数据预测模块通过机器学习方法以及晶圆上部分区域内的迭对测量数据对同一晶圆上其他未测量区域的迭对测量数据进行预测，所述在线模型训练模块利用新增的数据对用于迭对测量数据预测的迭对测量数据预测模型进行训练和更新，并将更新后的模型部署到迭对测量数据预测模块。

本发明的有益效果是：

本发明通过机器学习模型对迭对测量的数据进行处理或预测，提高了迭对测量的稳定性、精度和测量效率。

1、本发明通过迭对标记图像处理模型可以对迭对标记图像数据进行处理，降低工艺缺陷、图像模糊或图像缺失等因素对迭对测量结果的影响，从而提高迭对测量的稳定性和精度。

2、本发明通过迭对测量数据预测模型以及在晶圆上部分区域内采集的迭对测量数据对同一晶圆上其他未测量区域内的迭对测量数据进行预测，通过该方法可以在较短的测试时间内得到晶圆上各区域内的迭对误差，大大缩短了测量时间，提高了测量效率。

附图说明

图1是一种可能的迭对标记设计方案的示意图。

图2是四种可能的迭对标记对准情况的示意图，图2包括图2(a)、图2(b)、图2(c)和图2(d)。

图3是一种可能的迭对标记图像的示意图。

图4是一种可能的晶圆上若干个区域的迭对测量分布示意图。

图5是通过本发明的迭对测量方法对一种可能的迭对标记图像处理的结果示意图。

图6是本发明中晶圆上两组区域的迭对测量分布示意图。

图7是本发明实施例1所述的建立机器学习模型的流程示意图。

图8是本发明实施例2所述的一种迭对标记图像处理模型对迭对标记图像数据进行处理的流程示意图。

图9是本发明实施例3所述的另一种迭对标记图像处理模型对迭对标记图像数据进行处理的流程示意图。

图10是本发明实施例4所述的一种迭对测量数据预测模型对迭对测量数据进行预测的流程示意图。

图11是本发明实施例5所述的另一种迭对测量数据预测模型对迭对测量数据进行预测的流程示意图。

图12是本发明实施例6所述的迭对测量系统的原理示意图。

图13是本发明实施例7所述的第一种迭对测量系统的原理示意图。

图14是本发明实施例8所述的第二种迭对测量系统的原理示意图。

图15是本发明实施例9所述的第三种迭对测量系统的原理示意图。

图16是本发明实施例10所述的第四种迭对测量系统的原理示意图。

具体实施方式

为了便于本领域人员更好的理解本发明，下面结合附图和具体实施例对本发明做进一步详细说明，下述仅是示例性的不限定本发明的保护范围。

实施例1、

本发明所述的一种集成电路芯片制造过程中的迭对测量方法，包括如下步骤：

针对芯片制造过程的各个工艺层次，采集晶圆上各迭对标记图像数据或采集晶圆上部分区域内的迭对测量数据。

利用采集的迭对标记图像数据或迭对测量数据，分别建立机器学习模型，具体是：利用采集的迭对标记图像数据建立迭对标记图像处理模型，利用采集的迭对测量数据建立迭对测量数据预测模型。

如图7所示，显示了建立机器学习模型的流程。首先，通过工艺试验或模拟仿真的方法收集或生成建立机器学习模型所需的输入数据1000，本实施例中，所述输入数据至少包括相关工艺步骤的名称及工艺参数设置、工艺监控数据、迭对测量设备的型号、名称及设备参数设置、迭对标记的类型及位置坐标、不同迭对标记之间的水平方向偏差值及垂直方向偏差值、迭对标记的图像数据、迭对补偿模型的类型和参数设置、迭对补偿后的残差值、迭对误差值等；其次，对上述输入数据1000进行预处理，所述预处理至少包括对输入数据1000进行清洗、标准化和特征提取，预处理后的数据记为1100；然后，上述预处理后的数据1100划分为两部分：一部分为模型训练和验证数据1200，用于模型的训练和验证，一部分为测试数据1300；再通过模型训练和验证数据进行模型训练和验证1400，模型训练和验证完成之后，再通过测试数据1300进行模型评估1500；最后，对模型评估的结果进行判断：若评估合格，则进行模型部署1600将模型交付使用；否则，返回上一步，重新进行训练和验证以及评估，直至评估合格。

迭对测量时，通过已建立的迭对标记图像处理模型对迭对标记图像进行处理，或，通过已建立的迭对测量数据预测模型以及在晶圆上部分区域内采集的迭对测量数据对同一晶圆上其他未测量区域内的迭对测量数据进行预测，可以提高迭对测量的稳定性、精度和测量效率。

实施例2、

如图5所示，迭对标记170和270在两个不同的工艺层次生成，分别包含四个条状标记，组成方框结构。迭对标记170中，条状标记1701部分缺失；条状标记1703的边缘不清晰；此外，工艺过程中产生的颗粒1705位于迭对标记170和270附近，产生干扰信号，影响迭对测量的正常进行。

本实施例采用实施例1所述的迭对标记图像处理模型对迭对标记图像数据进行处理，以解决图5所示的问题。如图8所示，其步骤包括如下：

针对各个工艺层次，采集晶圆上各迭对标记图像作为迭对测量的输入数据2000，该实施例所述的输入数据同实施例1的输入数据；

对上述输入数据2000进行预处理，该实施例所述的预处理同实施例1的预处理；

上述预处理后的数据2100输入至迭对标记图像处理模型2200，所述迭对标记图像处理模型2200通过机器学习方法对迭对标记图像进行处理，如图5所示，部署后的迭对标记图像处理模型2200能重构出条状标记图形1702和模糊图形1704，并从图像中消除颗粒1705的图形(在图中以虚线表示)。

处理后的迭对标记图像用于迭对测量数据计算2300，得到最终的迭对测量数据2400。由于经过机器学习模型处理后的迭对标记图形修复了缺失的标记图像，重构了不清晰的标记边缘，并且消除了颗粒的影响，可以获得更好的测量稳定性和精度。

实施例3、

作为比实施例2更加优选的一种方案，如图9所示，本实施例与实施例2的区别在于，增加了在线模型训练功能，具体是：

针对各个工艺层次，采集晶圆上各迭对标记图像作为迭对测量的输入数据3000，该实施例所述的输入数据同实施例1的输入数据；

对上述输入数据3000进行预处理，该实施例所述的预处理同实施例1的预处理；

上述预处理后的数据3100输入至迭对标记图像处理模型3200，所述迭对标记图像处理模型3200通过机器学习方法对迭对标记图像进行处理，如图5所示，部署后的迭对标记图像处理模型3200能重构出条状标记图形1702和模糊图形1704，并从图像中消除颗粒1705的图形(在图中以虚线表示)。

处理后的迭对标记图像用于迭对测量数据计算3300，得到新的迭对测量数据3400。

在得到新的预处理后的数据3100以及新的迭对测量数据3400后，新的预处理后的数据3100中的部分或全部，以及新的迭对测量数据3400中的部分或全部，用于在线模型训练3500，在线模型训练后产生的新模型通过模型部署3600对迭对标记图像处理模型3200进行更新，从而根据新的数据不断更新迭对标记图像处理模型3200，该方法在存在工艺漂移的情况下能保证迭对标记图像处理模型的有效性。

实施例4、

图6显示了晶圆上的一组区域11，每个区域上分别放置了一套迭对标记，每一套迭对标记分别包含若干个迭对标记。利用在晶圆上一组区域11内的不同工艺层次之间的迭对标记进行迭对测量，可以得到晶圆一组区域11内的不同工艺层次之间的迭对误差，但无法获得晶圆上另一组区域21内的不同工艺层次之间的迭对误差。

本实施例采用实施例1所述的迭对测量数据预测模型对迭对测量数据进行预测，以解决图6所示的问题。如图10所示，其步骤包括如下：

针对各个工艺层次，采集晶圆上各区域内的迭对测量数据作为迭对测量的输入数据4000，该实施例所述的输入数据同实施例1的输入数据；

对上述输入数据进行预处理，该实施例所述的预处理同实施例1的预处理；

上述预处理后的数据4100输入至迭对测量数据预测模型4200，所述迭对测量数据预测模型4200利用晶圆上部分区域内得到的预处理后的迭对测量数据，通过机器学习方法预测同一晶圆上其他未测量区域内的迭对测量数据，得到最终的迭对测量数据4300。由于只需要对晶圆上部分区域进行迭对测量即可得到晶圆上部分区域和其他未测量区域内的迭对测量数据，大大缩短了测量时间，提高了测量效率。

实施例5、

作为比实施例4更加优选的一种方案，如图11所示，本实施例与实施例4的区别在于，增加了在线模型训练功能，具体是：

针对各个工艺层次，采集晶圆上各区域内的迭对测量数据作为迭对测量的输入数据5000，该实施例所述的输入数据同实施例1的输入数据；

对上述输入数据进行预处理，该实施例所述的预处理同实施例1的预处理；

上述预处理后的数据5100输入至迭对测量数据预测模型5200，所述迭对测量数据预测模型5200利用晶圆上部分区域内得到的预处理后的迭对测量数据，通过机器学习方法预测同一晶圆上其他未测量区域内的迭对测量数据，得到新的迭对测量数据5300；

在得到新的预处理后的数据5100以及新的迭对测量数据5300后，新的预处理后的数据5100中的部分或全部，以及新的迭对测量数据5300中的部分或全部，用于在线模型训练5400，在线模型训练后产生的新模型通过模型部署5500对迭对测量数据预测模型5200进行更新，从而根据新的数据不断更新迭对测量数据预测模型5200，该方法在存在工艺漂移的情况下能保证迭对测量数据预测模的有效性。

实施例6、

本实施例公开了一种集成电路芯片制造过程中的迭对测量系统6000，如图12所示，至少包括机械传输单元6100、数据获取单元6200、迭对测量单元6300、数据输出单元6400和其他单元6500。所述机械传输单元6100至少用于晶圆的传送、定位；所述数据获取单元6200用于采集和接收迭对测量所需的各类数据；所述迭对测量单元6300的输入端与数据获取单元6200的输出端连接，用于通过机器学习方法对迭对测量数据进行处理或预测；所述数据输出单元6400的输入端与迭对测量单元6300的输出端连接，用于输出迭对测量的结果给相关硬件设备和软件系统；其他单元6500用于负责系统的其他功能，如通讯、数据存储等。所述迭对测量单元6300至少包括机器学习模块6310和其他测量模块6320，所述机器学习模块6310利用机器学习模型对迭对测量数据进行处理或预测，可以提高迭对测量的稳定性、精度和测量效率，所述其他测量模块6320用于完成其他的迭对测量功能。

实施例7、

本实施例所述的集成电路芯片制造过程中的迭对测量系统用于对迭对测量数据进行处理，如图13所示，具体是：

所述迭对测量系统7000至少包括机械传输单元7100、数据获取单元7200、迭对测量单元7300、数据输出单元7400和其他单元7500。所述机械传输单元7100至少用于晶圆的传送、定位；所述数据获取单元7200用于采集和接收迭对测量所需的各类数据；所述迭对测量单元7300的输入端与数据获取单元7200的输出端连接，用于通过机器学习方法对迭对测量数据进行处理；所述数据输出单元7400的输入端与迭对测量单元7300的输出端连接，用于输出迭对测量的结果给相关硬件设备和软件系统；其他单元7500用于负责系统的其他功能，如通讯、数据存储等。本实施例中，所述迭对测量单元7300至少包括迭对标记图像处理模块7310、其他机器学习模块7320和其他测量模块7330，所述迭对标记图像处理模块7310通过机器学习方法对迭对标记图像进行处理，重构缺失图形、重构模糊图形、消除颗粒影响，从而提高迭对测量的稳定性和精度；其他机器学习模块7320用于用于完成其他机器学习任务，如数据的处理、分类、预测等；其他测量模块7330用于完成其他的迭对测量功能。

实施例8、

作为比实施例7更加优选的一种方案，如图14所示，本实施例与实施例7的区别在于，迭对测量单元中增加了在线模型训练模块，具体是：

所述迭对测量系统8000至少包括机械传输单元8100、数据获取单元8200、迭对测量单元8300、数据输出单元8400和其他单元8500。所述机械传输单元8100至少用于晶圆的传送、定位；所述数据获取单元8200用于采集和接收迭对测量所需的各类数据；所述迭对测量单元8300的输入端与数据获取单元8200的输出端连接，用于通过机器学习方法对迭对测量数据进行处理或预测；所述数据输出单元8400的输入端与迭对测量单元8300的输出端连接，用于输出迭对测量的结果给相关硬件设备和软件系统；其他单元8500用于负责系统的其他功能，如通讯、数据存储等。本实施例中，所述迭对测量单元8300至少包括迭对标记图像处理模块8310、在线模型训练模块8320、其他机器学习模块8330和其他测量模块8340，所述迭对标记图像处理模块8310通过机器学习方法对迭对标记图像进行处理，重构缺失图形、重构模糊图形、消除颗粒影响，从而提高迭对测量的稳定性和精度；在线模型训练模块8320利用新增的数据对迭对标记图像处理模型进行训练和更新，并将更新后的模型部署到迭对标记图像处理模块8310，在存在工艺漂移的情况下能保证迭对测量数据预测的有效性；其他机器学习模块8330用于完成其他机器学习任务，如数据的处理、分类、预测等；其他测量模块8340用于完成其他的迭对测量功能。

实施例9、

本实施例所述的集成电路芯片制造过程中的迭对测量系统用于对迭对测量数据进行预测，如图15所示，具体是：

所述迭对测量系统9000至少包括机械传输单元9100、数据获取单元9200、迭对测量单元9300、数据输出单元9400和其他单元9500。所述机械传输单元9100至少用于晶圆的传送、定位；所述数据获取单元9200用于采集和接收迭对测量所需的各类数据；所述迭对测量单元9300的输入端与数据获取单元9200的输出端连接，用于通过机器学习方法对迭对测量数据进行预测；所述数据输出单元9400的输入端与迭对测量单元9300的输出端连接，用于输出迭对测量的结果给相关硬件设备和软件系统；其他单元9500用于负责系统的其他功能，如通讯、数据存储等。本实施例中，所述迭对测量单元9300至少包括迭对测量数据预测模块9310、其他机器学习模块9320和其他测量模块9330，所述迭对测量数据预测模块9310通过机器学习方法以及晶圆上部分区域内的迭对测量数据对同一晶圆上其他未测量区域的迭对测量数据进行预测，从而得到晶圆上部分区域和其他未测量区域内的迭对测量数据，大大缩短了测量时间，提高了测量效率；其他机器学习模块9320用于用于完成其他机器学习任务，如数据的处理、分类、预测等；其他测量模块9330用于完成其他的迭对测量功能。

实施例10、

作为比实施例9更加优选的一种方案，如图16所示，本实施例与实施例9的区别在于，迭对测量单元中增加了在线模型训练模块，具体是：

所述迭对测量系统10000至少包括机械传输单元10100、数据获取单元10200、迭对测量单元10300、数据输出单元10400和其他单元10500。所述机械传输单元10100至少用于晶圆的传送、定位；所述数据获取单元10200用于采集和接收迭对测量所需的各类数据；所述迭对测量单元10300的输入端与数据获取单元10200的输出端连接，用于通过机器学习方法对迭对测量数据进行预测；所述数据输出单元10400的输入端与迭对测量单元10300的输出端连接，用于输出迭对测量的结果给相关硬件设备和软件系统；其他单元10500用于负责系统的其他功能，如通讯、数据存储等。本实施例中，所述迭对测量单元10300至少包括迭对测量数据预测模块10310、在线模型训练模块10320、其他机器学习模块10330和其他测量模块10340，所述迭对测量数据预测模块10310通过机器学习方法以及晶圆上部分区域内的迭对测量数据对同一晶圆上其他未测量区域的迭对测量数据进行预测，从而得到晶圆上部分区域和其他未测量区域内的迭对测量数据，大大缩短了测量时间，提高了测量效率；在线模型训练模块10320利用新增的数据对迭对测量数据预测模型进行训练和更新，并将更新后的模型部署到迭对测量数据预测模块10310，在存在工艺漂移的情况下能保证迭对测量数据预测的有效性；其他机器学习模块10330用于完成其他机器学习任务，如数据的处理、分类、预测等；其他测量模块10340用于完成其他的迭对测量功能。

以上仅描述了本发明的基本原理和优选实施方式，本领域人员可以根据上述描述做出许多变化和改进，这些变化和改进应该属于本发明的保护范围。