半导体芯片图案分析方法及设备与流程

1.本发明涉及半导体领域，更详细地说，本发明涉及一种半导体芯片图案分析方法及设备。


背景技术：

2.近年来，随着半导体芯片制造技术的显著进步，最小特征尺寸现已可以降至10nm以下，图案密度和复杂性也比以往任何时候都大为提高。因此，在开发新的技术节点时，半导体芯片代工厂必须应对更为复杂的状况，并且其中大多数情况对于本领域技术人员已知的知识和经验来说都是全新的挑战。
3.然而，大多数情况下，产品上市时间始终是代工厂面临的紧迫问题。为了在非常紧迫的时间内解决大量复杂的技术问题，技术人员可以从功能强大的机器学习中获得帮助。
4.代工厂所面对的多数关键问题可以完全地或部分地通过图形分析加以解决。无论是工艺问题还是设计问题，它们都源于处理不同类型的图案。幸运的是，机器学习非常擅长在大数据中寻找特征和相关性，然后做出合理的分类和预测。为了利用机器学习的强大功能，技术人员首先需要将相关的图案转换为机器学习可以处理的输入数据，这些数据通常是向量形式的。
5.尽管已经做出了很多努力，但是在半导体芯片图案分析领域仍没有完善的机器学习解决方案。主要原因在于，目前用于反映芯片图案的数据格式不足以训练出良好的机器学习模型及使其做出合理预测。


技术实现要素：

6.有鉴于现有技术中不足，本发明提供了一种半导体芯片图案分析方法，其包括：
7.选择半导体芯片图案中全部或部分图形边缘；
8.在已选择的图形边缘上限定一条或多条样本线段；
9.通过多维特征向量表征任一所述样本线段；
10.将所述样本线段的多维特征向量作为输入数据，进行机器学习。
11.进一步地，所述图形边缘根据与其相邻的图形在其上的投影，来限定所述样本线段。
12.进一步地，所述多维特征向量包括所述样本线段的长度信息、所述样本线段向外间距信息、所述样本线段所在图形的线宽信息、所述样本线段的类型信息、所述样本线段在像平面上的光场强度信息。
13.进一步地，所述样本线段向外间距信息为所述样本线段与其相邻图形的间距尺寸。
14.进一步地，所述样本线段所在图形的线宽信息为所述样本线段所在图形中与所述样本线段相垂直方向的线宽尺寸。
15.进一步地，所述样本线段的类型信息根据所述样本线段的端点与所述样本线段所
在图形的角点的重合状态来确定。
16.进一步地，所述重合状态包括无重合、一点重合和两点重合；所述一点重合包括第一端点重合和第二端点重合。
17.进一步地，所述样本线段在像平面上的光场强度信息为所述样本线段的中在像平面上的光场强度信息。
18.进一步地，所述样本线段的中点在像平面上的光场强度信息包括该点在像平面上的光场强度、光场强度的一阶导数和光场强度的二阶导数。
19.本发明还提供了一种半导体芯片图案分析设备，其包括
20.处理器；以及
21.被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-9中任一项所述半导体芯片图案分析方法的操作。
22.本发明的半导体芯片图案分析方法及设备，不同于传统图形分析中的图案信息数据转化和采集，其针对半导体芯片图案及半导体产品的特点，将关注点聚焦于图案中的图形边缘，这是因为图形边缘对于更级别的单元(如多边形和图案剪辑)是一种最基本的构建元素。进一步地，将图形边缘进行片段化处理，从而获得作为样本的线段，通过对样本线段的特征采集，形成表征样本线段的多维特征向量，其可以有效地被表征样本线段的特征，从而利于分类，相比于现有技术，更适用于分析半导体芯片图案。本发明的方法及设备中包含针对图形边缘及其环境的更优及更准确的信息，可大幅提高机器学习的效果，解决了现有半导体芯片图案分析中机器学习的输入数据所存在的噪声问题。
附图说明
23.图1是通过机器学习进行手写数字识别的示意图；
24.图2a至图2c是现有技术中针对半导体芯片图案训练过程方案的示意图，其中图2c是现有技术中常用的通过卷积神经网络进行图像识别的示意图；
25.图3是一个示例性的半导体芯片图案的剪辑；
26.图4是本发明的一个实施例中将图形边缘片段化的示例图；
27.图5是本发明的一个实施例中样本线段的几何信息的示例图；
28.图6是本发明的一个实施例中样本线段的线端类型的示例图；
29.图7是本发明的一个实施例中样本线段的光场强度信息选取位置的示例图；
30.图8是沿图7中参考线r的光场强度分布曲线图；
31.图9是本发明的一种示例性系统的功能模块示意图。
具体实施方式
32.以下，一边参照附图一边大致说明本发明的优选实施方式。另外，本发明的实施方式并不限定于下述实施方式，能够采用在本发明的技术构思范围内的各种各样的实施方式。
33.在本发明的实施方式的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“垂直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示
或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对发明的限制。附图为原理图或者概念图，各部分厚度与宽度之间的关系，以及各部分之间的比例关系等等，与其实际值并非完全一致。
34.在开发新的先进技术节点，尤其是10纳米以下和euv技术节点时，半导体代工厂商必须处理大量比以往任何时候都更加复杂的问题。由于现今全新的芯片图案和热点技术发展迅速，只基于过去的经验和知识难以在有限的时间内完成相应的技术开发任务。因此，对于先进的图形分析技术会有更多的需求。
35.机器学习是帮助解决此问题的理想选择。得益于计算机强大的数学运算能力，在数秒内即可完成极其复杂的计算。机器学习中复杂的数学运算可以在巨大的数据集中找到分析对象的特征和相关性。对于本领域技术人员来说，即需要在大量的二维芯片图案中找到特征和相关性。
36.虽然在本领域中已将机器学习应用于分析半导体芯片图案，但是由于数据格式的信噪比非常低，因此结果并不尽如人意。
37.图1示出了通过机器学习的手写数字识别(mnist)，可以训练机器学习模型来识别笔迹，从而将其分类在正确的类别(数字0-9)中。
38.同样地，本领域技术人员也尝试训练机器学习模型进行图案的分类和预测。图2a至图2c是现有技术中训练过程方案的示意图。首先，将图案信息从图片或gds(如图2a所示)转换为二维像素矩阵(如图2b所示)。然后使用该像素矩阵作为模型训练和预测的输入数据。在这种情况下，通常使用卷积神经网络作为机器学习模型，图2c是现有技术中常用的通过卷积神经网络进行图像识别的示意图。
39.但是，以上用于机器学习的输入数据格式，其信噪比非常低，从而使得机器学习的效果往往不尽如人意。
40.图3是一个示例性的半导体芯片图案的剪辑。对于本领域技术人员来说，相对于整体图案，图案中图形的边缘更值得关注，如图3中图形100的边缘110、图形200的边缘210、图形300的边缘310及图形400的边缘410。而如前所述，现有的图案分析会将图3所示的图片转换为如图2b所示的像素灰度值矩阵，并将该矩阵作为输入数据，用于机器学习。这种形式的输入数据，其信噪比非常低，主要原因在于：
41.(1)大多数像素并不值得关注，而它们对于机器学习中损失函数的优化具有很大影响，这使得机器学习很难达到良好的收敛。
42.(2)对于每个像素一视同仁，因此很难聚焦到技术人员所关注的目标上。
43.本实施例的方法将半导体芯片图案中技术人员所关注的图形边缘进行片段化，再将每个片段作为一个样本，采集其特征作为输入数据，供机器学习使用。
44.首先，对图形边缘进行分割以形成片段化的样本线段，提取分割后的样本线段的特征作为机器学习的输入数据。
45.图形边缘根据与其相邻的图形在其上的投影，来限定样本线段，规则包括：
46.(1)图形边缘上任一投影所覆盖的线段为一样本线段；
47.(2)图形边缘上任一未被投影所覆盖的线段为一样本线段；
48.如图4所示，以边缘110为例，图形200和图形300是与边缘110相邻的图形，基于图形200和图形300在边缘110上的投影，边缘110可被分割为三段，分别为样本线段111、112、
113，根据上述规则，样本线段111是由图形200的投影所限定，样本线段113是由图形300的投影所限定，样本线段112则是边缘110上未被投影所覆盖的线段。
49.需要说明的是，如图4中图形400的边缘410，其可以被相邻的图形500的投影完全覆盖，此时边缘410上的样本线段411即其本身。另一种情况，如图4中图形500的边缘510，其没有相邻的图形，此时边缘510上的样本线段511即其本身。
50.根据上述方式对所有需要关注的图形边缘进行片段化，从而限定若干样本线段。
51.针对各样本线段提取其特征并将特征数值化，本实施中对于样本线段采用多维特征向量来对其进行表征，各参数既需要能够反映各样本线段的特征，又要使不同样本线段间具有足够的识别度，从而将上述样本线段的多维特征向量作为输入数据进行机器学习，以获得更好的学习效果。
52.本实施例中用于表征每个样本线段的特征包括样本线段的几何信息、线端类型和在像平面上的光场强度信息。
53.样本线段的几何信息包括：
54.(1)样本线段的长度，如图5所示，以样本线段111为例，图中标注了其长度l。
55.(2)样本线段的向外间距，即样本线段与其相邻图形的间距尺寸，如图5所示，以样本线段111为例，图中标注了其向外间距s，即样本线段111与图形200的间距尺寸。
56.需要说明的是，对于样本线段112，其在垂直方向上没有相邻图形，此时可以将其向外间距s记为一预设的极大值。
57.(3)样本线段的内部线宽，内部线宽是样本线段所在图形中与该样本线段相垂直方向的线宽(宽度)尺寸，如图5所示，以样本线段111为例，图中标注了其内部线宽cd，图5中本线段111沿水平方向延伸，内部线宽cd即图形100在垂直方向上的线宽(宽度)尺寸。
58.通过以上参数，可以按几何区分所有样本线段。
59.样本线段的线端类型，取决于样本线段的端点与样本线段所在图形的角点的重合状态，线端类型可以在许多方面影响样本线段的分类。重合状态包括无重合、一点重合和两点重合；一点重合包括第一端点重合和第二端点重合。可以采用数字分别代表上述状态以标记样本线段的线端类型。
60.如图6所示，样本线段111包括端点111a和111b，样本线段112包括端点112a和112b，样本线段113包括端点113a和111b，其中端点111b与端点112a相重合，端点112b与端点113a相重合。图形100包括角点100a、100b、100c、100d，样本线段111、112、113的线端类型取决于其与角点100a、100b、100c、100d的重合状态。样本线段111的一个端点与图形100的一个角点相重合，即端点111a与角点100a相重合；样本线段112的两个端点不与图形100中任何的一个角点相重合；样本线段113的一个端点与图形100的一个角点相重合，即端点113b与角点100b相重合。从而样本线段111、112、113与图形100的角点的重合状态分别为一点重合、无重合、一点重合。
61.样本线段111、113与图形100的角点的重合状态均为一点重合，可以根据重合点的位置进行进一步分类。根据样本线段的两个端点的相对位置，将两个端点分别定义为第一端点和第二端点，如将相对靠左的端点定义为第一端点，相对靠右的端点记为第二端点，则样本线段111的端点111a为第一端点、端点111b为第二端点，样本线段113的端点113a为第一端点、端点113b为第二端点，从而样本线段111、113与图形100的角点的重合状态分别定
义为第一端点重合和第二端点重合。
62.样本线段411包括端点411a和411b，图形400包括角点400a、400b、400c、400d，样本线段411的线端类型取决于其与角点400a、400b、400c、400d的重合状态。样本线段411的端点411a、411b分别与图形400的角点400d、400c相重合。从而样本线段411与图形400的角点的重合状态为二点重合。
63.本实施例中，将具有无重合、第一端点重合、第二端点重合、二点重合的样本线段的线端类型分别标记为0、1、2、3。图6中样本线段111、112、113、411的线端类型的标记值分别是1、0、2、3。
64.同样地，对于垂直方向延伸的样本线段也可按照以上方式进行线端类型的标记，以及在一点重合时依据实际需要进行第一端点和第二端点的定义。
65.通过对样本线段的线端类型的标记，可以使样本线段的分类更加清晰。如图6中所示的样本线段111、113、411，它们的几何信息是一样的，通过线端类型的标记，可以将这三者有效地区分开来。
66.在图案分析中，环境信息是非常重要的。相同的图案在不同环境下会有不同的表现。像平面上的光场强度(intensity)对于反映当前的环境信息是一个重要的指标。这是因为某个位置的光场强度从根本上说，是受其自身及其周围特征等综合影响所决定的。对于半导体芯片图案来说尤其如此，图形及其周边图形的大小、形状、间距、密度等因素都会影响当前位置的光场强度，并且这些因素同样会对半导体工艺和成品的结果产生不同程度的影响。本实施例中，不仅仅关注样本线段在像平面上的光场强度，这对于半导体芯片图案识别是不够的，而是记录了三种类型的光场强度信息，具体地，样本线段的光场强度信息包括：
67.(1)样本线段的中点在像平面上的光场强度；
68.(2)样本线段的中点在像平面上的光场强度的一阶导数；
69.(3)样本线段的中点在像平面上的光场强度的二阶导数。
70.如图7所示，样本线段111的光场强度信息取其中点111c在像平面上的光场强度、光场强度的一阶导数和光场强度的二阶导数。图8示出了沿图7中参考线r的光场强度分布曲线，其中y1和y2分别表示图形100的水平方向的两边缘，曲线在y2处的取值即中点111c的光场强度，并且取该处的一阶导数和二阶导数，共同作为样本线段111的光场强度信息。
71.对于任一样本线段提取以上特征形成七维特征向量，该七维特征向量如下：
72.[长度l，向外间距s，内部线宽cd，线端类型，光场强度，光场强度的一阶导数，光场强度的二阶导数]
[0073]
将半导体芯片图案中样本线段的上述七维特征向量作为输入数据，进行机器学习的训练和预测。
[0074]
本实施例的半导体芯片图案分析方法中的基于片段化的数据格式可用于任何类型的机器学习(有监督的或无监督的)中，适于分析半导体芯片图案，这是因为图形边缘对于更级别的单元(如多边形和图案剪辑)是一种最基本的构建元素，将关注焦点集中于图形边缘，具体是片段化的边缘，对于半导体芯片图案的分析会更有针对性，相比于现有技术，可极大地提高输入数据的信噪比。
[0075]
针对上述实施例还提供了一种计算机设备，所述计算机设备包括：
[0076]
一个或多个处理器；
[0077]
存储器，用于存储一个或多个计算机程序；
[0078]
当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前任一项所述的方法。
[0079]
图9示出了可被用于实施上述实施例的方法的示例性系统。
[0080]
如图9所示，在一些实施例中，系统1000能够作为各所述实施例中的任意一个用户终端设备。在一些实施例中，系统1000可包括具有指令的一个或多个计算机可读介质(例如，系统存储器或nvm/存储设备1020)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本技术中所述的动作的一个或多个处理器(例如，(一个或多个)处理器1005)。
[0081]
对于一个实施例，系统控制模块1010可包括任意适当的接口控制器，以向(一个或多个)处理器1005中的至少一个和/或与系统控制模块1010通信的任意适当的设备或组件提供任意适当的接口。
[0082]
系统控制模块1010可包括存储器控制器模块1030，以向系统存储器1015提供接口。存储器控制器模块1030可以是硬件模块、软件模块和/或固件模块。
[0083]
系统存储器1015可被用于例如为系统1000加载和存储数据和/或指令。对于一个实施例，系统存储器1015可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，系统存储器1015可包括双倍数据速率类型四同步动态随机存取存储器(ddr4 sdram)。
[0084]
对于一个实施例，系统控制模块1010可包括一个或多个输入/输出(i/o)控制器，以向nvm/存储设备1020及(一个或多个)通信接口1025提供接口。
[0085]
例如，nvm/存储设备1020可被用于存储数据和/或指令。nvm/存储设备1020可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(hard disk,hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。
[0086]
nvm/存储设备1020可包括在物理上作为系统1000被安装在其上的设备的一部分的存储资源，或者其可被该设备访问而不必作为该设备的一部分。例如，nvm/存储设备1020可通过网络经由(一个或多个)通信接口1025进行访问。
[0087]
(一个或多个)通信接口1025可为系统1000提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统1000可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
[0088]
对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器(例如，存储器控制器模块1030)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑封装在一起以形成系统级封装(sip)。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。
[0089]
在各个实施例中，系统1000可以但不限于是：服务器、工作站、台式计算设备或移
动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中，系统1000可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，系统1000包括一个或多个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(asic)和扬声器。
[0090]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。