本申請(qǐng)涉及半導(dǎo)體制造，具體涉及一種晶圓表面形貌預(yù)測(cè)方法、預(yù)測(cè)系統(tǒng)及存儲(chǔ)介質(zhì)。
背景技術(shù)：
1、在半導(dǎo)體制造領(lǐng)域，晶圓表面形貌的精確測(cè)量是確保器件性能與良率的核心環(huán)節(jié)。隨著集成電路特征尺寸的不斷縮小，晶圓表面的微觀缺陷如納米級(jí)劃痕、顆粒污染或薄膜厚度不均對(duì)芯片電學(xué)特性及可靠性的影響愈發(fā)顯著。通過(guò)晶圓表面形貌數(shù)據(jù)識(shí)別工藝偏差、優(yōu)化制造參數(shù)，已成為質(zhì)量控制的關(guān)鍵手段。然而，現(xiàn)有測(cè)量方法普遍存在效率低下、耗時(shí)過(guò)長(zhǎng)的問(wèn)題，嚴(yán)重制約了半導(dǎo)體產(chǎn)線的吞吐量及規(guī)模化生產(chǎn)效率。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)實(shí)施例提供了一種晶圓表面形貌預(yù)測(cè)方法、預(yù)測(cè)系統(tǒng)及存儲(chǔ)介質(zhì)，用于解決現(xiàn)有晶圓表面形貌測(cè)量方法效率低下、耗時(shí)過(guò)長(zhǎng)的問(wèn)題，
2、在一些實(shí)施例中，提供一種晶圓表面形貌預(yù)測(cè)方法，包括以下步驟：
3、獲取當(dāng)前批次其中一片晶圓的密集采樣數(shù)據(jù)；
4、獲取當(dāng)前批次第i片晶圓的稀疏采樣數(shù)據(jù)；
5、基于訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)cnn模型，根據(jù)所述其中一片晶圓的密集采樣數(shù)據(jù)及所述第i片晶圓的稀疏采樣數(shù)據(jù)預(yù)測(cè)第i片晶圓的表面形貌值。
6、在一些實(shí)施例中，所述根據(jù)所述其中一片晶圓的密集采樣數(shù)據(jù)及所述第i片晶圓的稀疏采樣數(shù)據(jù)預(yù)測(cè)第i片晶圓的表面形貌值包括：
7、通過(guò)并行設(shè)置的第一卷積分支和第二卷積分支分別提取所述密集采樣數(shù)據(jù)的密集特征和所述稀疏采樣數(shù)據(jù)的稀疏特征；
8、根據(jù)所述密集特征和所述稀疏特征生成融合特征；
9、根據(jù)所述融合特征輸出第i片晶圓的表面形貌值。
10、在一些實(shí)施例中，所述根據(jù)所述密集特征和所述稀疏特征生成融合特征包括：
11、采用逐元素相加的方式拼接所述密集特征和所述稀疏特征并生成融合特征。
12、在一些實(shí)施例中，所述根據(jù)所述密集特征和所述稀疏特征生成融合特征包括：
13、將提取的密集特征和稀疏特征輸入跨特征注意力融合模塊，計(jì)算空間注意力權(quán)重矩陣；
14、通過(guò)自適應(yīng)特征融合公式生成融合特征，自適應(yīng)特征融合公式為：
15、ffused＝a⊙fdense+(1-a)⊙fsparse，其中，ffused表示融合特征，a表示空間注意力權(quán)重矩陣，fdense表示密集特征，fsparse表示稀疏特征，⊙表示逐元素乘法。
16、在一些實(shí)施例中，所述將提取的密集特征和稀疏特征輸入跨特征注意力融合模塊，計(jì)算空間注意力權(quán)重矩陣包括：
17、采用跨通道特征交互單元將所述密集特征和所述稀疏特征在通道維度拼接后通過(guò)1×1卷積降維；
18、采用空間金字塔池化結(jié)構(gòu)對(duì)降維后的拼接特征進(jìn)行池化操作并提取多尺度特征；
19、基于所述多尺度特征計(jì)算空間注意力權(quán)重矩陣。
20、在一些實(shí)施例中，所述根據(jù)所述融合特征輸出第i片晶圓的表面形貌值包括：
21、采用多個(gè)卷積層依次對(duì)所述融合特征進(jìn)行卷積操作；
22、對(duì)最后的卷積層輸出的特征信息進(jìn)行上采樣操作并輸出第i片晶圓的密集采樣數(shù)據(jù)；
23、基于所述第i片晶圓的密集采樣數(shù)據(jù)計(jì)算第i片晶圓的表面形貌值。在一些實(shí)施例中，所述晶圓表面形貌預(yù)測(cè)方法還包括：根據(jù)歷史多個(gè)批次內(nèi)其中一片晶圓的密集采樣數(shù)據(jù)、第i片晶圓的稀疏采樣數(shù)據(jù)以及第i片晶圓的量測(cè)表面形貌值對(duì)一初始化的卷積神經(jīng)網(wǎng)絡(luò)cnn模型進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)cnn模型。
24、在一些實(shí)施例中，所述根據(jù)歷史多個(gè)批次中同一批次的任一晶圓的密集采樣數(shù)據(jù)、第i片晶圓的稀疏采樣數(shù)據(jù)以及第i片晶圓的量測(cè)表面形貌值對(duì)一初始化的卷積神經(jīng)網(wǎng)絡(luò)cnn模型進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)cnn模型包括：
25、將所述歷史多個(gè)批次中同一批次的任一晶圓的密集采樣數(shù)據(jù)、第i片晶圓的稀疏采樣數(shù)據(jù)以及第i片晶圓的量測(cè)表面形貌值形成多個(gè)批次數(shù)據(jù)集；
26、將所述數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集；
27、將所述訓(xùn)練集輸入至初始化的卷積神經(jīng)網(wǎng)絡(luò)cnn模型，以更新所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型的網(wǎng)絡(luò)參數(shù)，得到初步訓(xùn)練完畢的卷積神經(jīng)網(wǎng)絡(luò)cnn模型；
28、將所述驗(yàn)證集輸入至所述初步訓(xùn)練完畢的卷積神經(jīng)網(wǎng)絡(luò)cnn模型進(jìn)行驗(yàn)證以評(píng)估性能。
29、在一些實(shí)施例中，所述對(duì)一初始化的卷積神經(jīng)網(wǎng)絡(luò)cnn模型進(jìn)行訓(xùn)練過(guò)程中，所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型的損失函數(shù)為最小均方誤差mse。
30、在一些實(shí)施例中，所述獲取當(dāng)前批次第i片晶圓的稀疏采樣數(shù)據(jù)包括：
31、對(duì)第i片晶圓進(jìn)行隨機(jī)稀疏采樣以獲取原始采樣數(shù)據(jù)；
32、對(duì)所有采樣點(diǎn)進(jìn)行插值，以得到插值點(diǎn)及所述插值點(diǎn)處的高度插值數(shù)據(jù)；
33、根據(jù)所有采樣點(diǎn)處的原始采樣數(shù)據(jù)以及所有插值點(diǎn)處的高度插值數(shù)據(jù)形成所述稀疏采樣數(shù)據(jù)。
34、在一些實(shí)施例中，提供一種晶圓表面形貌預(yù)測(cè)系統(tǒng)，包括獲取單元和雙融合特征處理單元，其中，獲取單元用于獲取當(dāng)前批次其中一片晶圓的密集采樣數(shù)據(jù)以及第i片晶圓的稀疏采樣數(shù)據(jù)；
35、雙融合特征處理單元用于根據(jù)所述其中一片晶圓的密集采樣數(shù)據(jù)及所述第i片晶圓的稀疏采樣數(shù)據(jù)預(yù)測(cè)第i片晶圓的表面形貌值。
36、在一些實(shí)施例中，存儲(chǔ)用于電子數(shù)據(jù)交換的計(jì)算機(jī)程序，其中，所述計(jì)算機(jī)程序使得計(jì)算機(jī)執(zhí)行上述任一實(shí)施例中的晶圓表面形貌預(yù)測(cè)方法。
37、本申請(qǐng)?zhí)峁┑木A表面形貌預(yù)測(cè)方法中，由于稀疏采樣數(shù)據(jù)與密集采樣數(shù)據(jù)來(lái)自同一批次的不同晶圓，密集采樣數(shù)據(jù)能夠提供晶圓表面的詳細(xì)信息，為預(yù)測(cè)第i片晶圓的表面形貌值提供豐富的參考特征，稀疏采樣數(shù)據(jù)能夠在減少數(shù)據(jù)采集成本的同時(shí)，保留相應(yīng)晶圓表面的關(guān)鍵特征。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)cnn模型學(xué)習(xí)到晶圓表面形貌與采樣數(shù)據(jù)之間的映射關(guān)系，利用其中一片晶圓的密集采樣信息作為參考，結(jié)合同一批次第i片晶圓的稀疏采樣數(shù)據(jù)，實(shí)現(xiàn)對(duì)第i片晶圓表面形貌值的高精度預(yù)測(cè)和高效預(yù)測(cè)。
1.一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述根據(jù)所述其中一片晶圓的密集采樣數(shù)據(jù)及所述第i片晶圓的稀疏采樣數(shù)據(jù)預(yù)測(cè)第i片晶圓的表面形貌值包括：
3.根據(jù)權(quán)利要求2所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述根據(jù)所述密集特征和所述稀疏特征生成融合特征包括：
4.根據(jù)權(quán)利要求2所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述根據(jù)所述密集特征和所述稀疏特征生成融合特征包括：
5.根據(jù)權(quán)利要求4所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述將提取的密集特征和稀疏特征輸入跨特征注意力融合模塊，計(jì)算空間注意力權(quán)重矩陣包括：
6.根據(jù)權(quán)利要求2-4任一項(xiàng)所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述根據(jù)所述融合特征輸出第i片晶圓的表面形貌值包括：
7.根據(jù)權(quán)利要求1-4任一項(xiàng)所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述晶圓表面形貌預(yù)測(cè)方法還包括：根據(jù)歷史多個(gè)批次中同批次的任一晶圓的密集采樣數(shù)據(jù)、第i片晶圓的稀疏采樣數(shù)據(jù)以及第i片晶圓的量測(cè)表面形貌值對(duì)一初始化的卷積神經(jīng)網(wǎng)絡(luò)cnn模型進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)cnn模型。
8.根據(jù)權(quán)利要求7所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述根據(jù)歷史多個(gè)批次中同批次的任一晶圓的密集采樣數(shù)據(jù)、第i片晶圓的稀疏采樣數(shù)據(jù)以及第i片晶圓的量測(cè)表面形貌值對(duì)一初始化的卷積神經(jīng)網(wǎng)絡(luò)cnn模型進(jìn)行訓(xùn)練，獲得所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)cnn模型包括：
9.根據(jù)權(quán)利要求8所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述對(duì)一初始化的卷積神經(jīng)網(wǎng)絡(luò)cnn模型進(jìn)行訓(xùn)練過(guò)程中，所述卷積神經(jīng)網(wǎng)絡(luò)cnn模型的損失函數(shù)為最小均方誤差mse。
10.根據(jù)權(quán)利要求8所述的一種晶圓表面形貌預(yù)測(cè)方法，其特征在于，所述獲取當(dāng)前批次第i片晶圓的稀疏采樣數(shù)據(jù)包括：
11.一種晶圓表面形貌預(yù)測(cè)系統(tǒng)，其特征在于，包括：
12.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，存儲(chǔ)用于電子數(shù)據(jù)交換的計(jì)算機(jī)程序，其中，所述計(jì)算機(jī)程序使得計(jì)算機(jī)執(zhí)行如權(quán)利要求1-10任一項(xiàng)所述的晶圓表面形貌預(yù)測(cè)方法。