一种优化光刻工艺参数的方法与流程

本发明涉及集成电路制造领域，具体涉及一种优化光刻工艺参数的方法。

背景技术：

在半导体集成电路制造领域，光刻工艺是一种关键的基本工艺，其工艺质量直接影响集成电路的成品率、可靠性、芯片性能以及使用寿命等参数指标的稳定和提高。由于光刻工艺涉及复杂的光化学反应和物理过程，影响其结果的因素非常复杂，因此要在理论上完全建立各工艺参数和光刻结果的对应关系十分困难。在实际工艺中通常采取反复试验的方法来获得相对稳定的工艺参数，如实际光刻工艺中通常采用聚焦/曝光量矩阵(fem)来确定光刻工艺窗口参数，即通过芯片版图上的少数几个位置确定整个芯片最佳剂量和焦距。但是随着集成电路制造技术节点的不断缩小，先进工艺制程的试验和制造成本急剧增加，同时光刻工艺参数的可变性也显著增加，因此很难继续采用反复试验的方法获取稳定的光刻工艺参数。

近年来，计算光刻作为先进光刻工艺的一种辅助工具发展尤为迅速，在28nm技术节点以下，计算光刻已经成为光刻工艺研发的核心。所谓计算光刻，顾名思义，就是采用计算机模拟、仿真光刻工艺的光化学反应和物理过程，从理论上指导光刻工艺参数的优化。在先进技术节点的光刻工艺优化中，计算光刻工具已经被广泛推广和应用，其技术内容也从光学邻近效应修正(opc)扩展为光源-掩模协同优化技术(smo)，与实际光刻工艺参数优化也结合的越来越紧密，如附图1所示，为荷兰asml公司推出的利用计算光刻工具(tachyon)仿真芯片工艺窗口的方法，并结合工艺量测数据对光刻工艺进行缺陷预测和验证，最终实现光刻工艺窗口优化，其具体步骤包括：芯片版图的工艺窗口计算，即计算光刻仿真；采用工艺量测方法得出晶圆制造的焦距图；晶圆缺陷预测和验证；版图相关的工艺窗口优化。但是，随着工艺节点的不断推进，计算光刻的模型越来越复杂，对算力的要求急剧攀升，所需要的计算时间也显著增长，目前在28nm技术节点以下，常见的计算光刻软件包已经很难实现对整个芯片版图的仿真计算。

最佳焦距(best-focus)是计算光刻中的一个重要参数，也是指导光刻工艺优化的关键参数之一，如果能获得芯片版图上每个位置的最佳焦距，即可准确预知晶圆制造时光刻工艺的实际效果，从而给光刻工艺参数优化提供准确依据，但是对于全版图尺度的最佳焦距计算，由于运算量十分庞大，现有的计算光刻软件和硬件能力根本无法满足，目前对于芯片版图最佳焦距的计算，只能选取有限的特征图形进行，因此很难为光刻工艺参数优化提供系统帮助。

技术实现要素：

本发明的目的是提供一种优化光刻工艺参数的方法，采用机器学习模型与计算光刻结合起来仿真整个芯片设计版图的最佳焦距，进一步结合晶圆实际制造过程中的在线工艺数据对整片晶圆的光刻结果进行预测和验证，最后实现光刻工艺参数的优化。

为了实现上述目的，本发明采用如下技术方案：一种优化光刻工艺参数的方法，包括如下步骤：

s01：利用机器学习模型仿真芯片设计版图的最佳焦距，同时测量晶圆实际制造过程中的在线工艺数据；

s02：将上述仿真出来的最佳焦距和测量出来的在线工艺数据相结合，对整片晶圆的光刻结果进行预测，得出预测结果，同时测量晶圆光刻之后的实际结果；

s03：将所述预测结果和实际结果进行自动验证，若预测结果与实际结果之间的误差小于阈值，保留该预测结果并进入步骤s04；若预测结果与实际结果之间的误差大于等于阈值，则返回步骤s01；

s04：利用上述保留的预测结果对实际光刻工艺进行参数优化。

进一步地，所述步骤s01中利用机器学习模型仿真芯片设计版图的最佳焦距的具体方法为：

s011：在芯片设计版图上选取m个剪枝图形，并利用计算光刻分别仿真上述m个剪枝图形的最佳焦距，每个剪枝图形和其对应的最佳焦距形成一个数据集；其中，所述数据集包括a个训练数据集和m-a个测试数据集，其中，m和a均为整数，m≥2，m>a≥1；

s012：利用训练数据集进行机器学习模型的训练，并利用测试数据集对训练之后的机器学习模型进行测试，若测试结果的准确度小于预设精度值，则重新进行训练，若测试结果的准确度大于等于预设精度值，则输出训练和测试之后的机器学习模型；

s013：利用上述经过训练和测试的机器学习模型仿真芯片设计版图的最佳焦距。

进一步地，所述步骤s012中重新进行训练包括：重新在芯片设计版图上选取b个剪枝图形并形成b个训练数据集，利用b个训练数据集进行机器学习模型的训练，其中，b为大于等于1的整数。

进一步地，所述步骤s012中重新进行训练包括：将m个数据集重新划分为训练数据集和测试数据集，利用重新划分之后的训练数据集进行机器学习模型的训练。

进一步地，所述步骤s011中训练数据集的个数a大于测试数据集的个数m-a。

进一步地，所述步骤s03中将所述预测结果和实际结果进行自动验证的具体步骤为：

s031：集成图形提取和分析算法，具体包括：

s0311：通过对整片晶圆的光刻工艺预测得出晶圆光刻工艺之后的缺陷分布图；

s0312：收集预测结果中上述缺陷分布图位置的图形；收集实际工艺中上述缺陷分布图位置的图形；

s0313：分别提取和分析上述两个图形的关键特征，并将上述采用的提取和分析方法集成到图像处理算法中，形成图形提取和分析算法；

s032：采用上述图形提取和分析算法对所述预测结果和实际结果进行自动验证。

进一步地，所述步骤s0313中关键特征包括线条尺寸、边界特征、灰度和粗糙度以及尺寸均匀性。

进一步地，所述步骤s02中同时测量晶圆光刻之后的具有代表性的典型实际结果。进一步地，所述在线工艺数据包括整片晶圆的焦距图和关键尺寸图。

进一步地，所述晶圆光刻之后的实际结果由扫描电子显微镜获得。

本发明的有益效果为：本发明采用机器学习模型与计算光刻结合起来仿真整个芯片版图的最佳焦距，进一步结合晶圆实际制造过程中的在线工艺数据对整片晶圆的光刻结果进行预测和验证，最后实现光刻工艺参数的优化。本发明将机器学习模型应用到计算光刻仿真中，首次实现了全版图尺度的最佳焦距仿真，有效解决了传统计算光刻方法在现有硬件条件下无法进行大尺度仿真的问题，同时该方法还进一步利用图形提取和分析算法实现所预测光刻效果的自动验证，从而自动实现整个光刻工艺参数的优化流程，为实现智能化光刻工艺奠定了基础，具有非常重要的应用价值。

附图说明

附图1为现有技术利用计算光刻辅助实现工艺窗口优化的流程图。

附图2为本发明一种优化光刻工艺参数的方法流程图。

附图3为本发明利用机器学习模型仿真芯片设计版图最佳焦距的流程图。

附图4为本发明预测结果和实际结果自动验证的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施方式做进一步的详细说明。

如附图2所示，本发明提供的一种优化光刻工艺参数的方法，包括如下步骤：

s01：利用机器学习模型仿真芯片设计版图的最佳焦距，同时测量晶圆实际制造过程中的在线工艺数据。其中，所量测的晶圆制造的在线工艺数据主要包括焦距图(focusmap)，关键尺寸图(cdmap)等用于表征整片晶圆光刻效果的数据。

其中，如附图3所示，利用机器学习模型仿真芯片设计版图的最佳焦距的具体方法为：

s011：在芯片设计版图上选取m个剪枝图形，并利用计算光刻分别仿真上述m个剪枝图形的最佳焦距，每个剪枝图形和其对应的最佳焦距形成一个数据集；其中，数据集包括a个训练数据集和m-a个测试数据集，其中，m和a均为整数，m≥2，m>a≥1，且训练数据集的个数a大于测试数据集的个数m-a。

s012：利用训练数据集进行机器学习模型的训练，并利用测试数据集对训练之后的机器学习模型进行测试，若测试结果的准确度小于预设精度值，则重新进行训练，若测试结果的准确度大于等于预设精度值，则输出训练和测试之后的机器学习模型。

重新训练包括如下两种方式：(1)重新在芯片设计版图上选取b个剪枝图形并形成b个训练数据集，利用b个训练数据集进行机器学习模型的训练，其中，b为大于等于1的整数。(2)将m个数据集重新划分为训练数据集和测试数据集，利用重新划分之后的训练数据集进行机器学习模型的训练。在图3所示的利用机器学习模型仿真芯片设计版图的最佳焦距的具体实施流程中，数据集的数据选取以及训练数据集和测试数据集的划分较为关键。在从芯片版图中选取剪枝图形作为数据集时，通常需要选取版图中的关键区域和特征图形，所需的剪枝图形数据量需要根据模型测试准确率进行综合权衡和调整。另一方面，训练数据集和测试数据集通常按一定比例对整个机器学习数据集进行划分，即训练数据集x％，测试数据集1-x％，其中50<x<100用以说明训练数据集的数据量大于测试数据集，而具体的划分比例x则没有固定数字，需要根据模型测试准确率进行综合权衡和调整。

s013：利用上述经过训练和测试的机器学习模型仿真芯片设计版图的最佳焦距。

s02：将上述仿真出来的最佳焦距和测量出来的在线工艺数据相结合，对整片晶圆的光刻结果进行预测，得出预测结果，同时测量晶圆光刻之后的具有代表性的典型实际结果。值得说明的是，在上述步骤中，晶圆光刻工艺的典型实际结果主要是由扫描电子显微镜(sem)所量测到的整片晶圆中少数代表性位置的光刻结果，也就是说，通过利用整片晶圆光刻工艺中少数典型量测结果对预测结果进行校准和验证，即可将预测结果用于对整片晶圆光刻工艺参数的优化；其中，晶圆上具有多个单元，少数代表性位置的光刻结果可以是一个或多个单元中的一个或多个光刻结果，只需要选取所有光刻结果中具有代表性的少数典型实际光刻结果即可，不需要进行所有光刻结果的测量。

s03：将预测结果和实际结果进行自动验证，若预测结果与实际结果之间的误差小于阈值，保留该预测结果并进入步骤s04；若预测结果与实际结果之间的误差大于等于阈值，则返回步骤s01。

其中，对预测结果和实际结果进行自动验证需要采用图形提取和分析算法，该算法可通过工艺仿真图形和工艺检测图形相结合进行开发，图4给出了图形提取和分析算法开发的一个具体实施例，具体步骤为：

s031：集成图形提取和分析算法，具体包括：

s0311：通过对整片晶圆的光刻工艺预测得出晶圆光刻工艺之后的缺陷分布图；

s0312：收集预测结果中上述缺陷分布图位置的图形；收集实际工艺中上述缺陷分布图位置的图形；

s0313：分别提取和分析上述两个图形的关键特征，并将上述采用的提取和分析方法集成到图像处理算法中，形成图形提取和分析算法；关键特征包括线条尺寸、边界特征、灰度和粗糙度以及尺寸均匀性。

s032：采用上述图形提取和分析算法对预测结果和实际结果进行自动验证。

s04：利用上述保留的预测结果对实际光刻工艺进行参数优化。

本发明采用机器学习模型与计算光刻结合起来仿真整个芯片版图的最佳焦距，进一步结合晶圆实际制造过程中的在线工艺数据对整片晶圆的光刻结果进行预测和验证，最后实现光刻工艺参数的优化。本发明将机器学习模型应用到计算光刻仿真中，首次实现了全版图尺度的最佳焦距仿真，有效解决了传统计算光刻方法在现有硬件条件下无法进行大尺度仿真的问题，同时该方法还进一步利用图形提取和分析算法实现所预测光刻效果的自动验证，从而自动实现整个光刻工艺参数的优化流程，为实现智能化光刻工艺奠定了基础，具有非常重要的应用价值。

以上所述仅为本发明的优选实施例，所述实施例并非用于限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明所附权利要求的保护范围内。