技术摘要：
本公开的实施例涉及一种基于动量空间色散关系的关键参数的量测方法和系统，该方法包括：根据入射光参数和所述待测目标的形貌模型，建立与待测目标的动量空间的色散曲线有关的模拟数据集；基于所述模拟数据集，训练基于神经网络的预测模型；基于入射光对待测目标的实际  全部
背景技术：
光学关键参数(Optical  Critical-Dimension，OCD)测量是当前半导体微纳制程 中的一项重要测量。 随着半导体工业向微纳技术节点持续推进，集成电路器件尺寸不断缩小，器件结 构设计愈加复杂，特别是三维器件的出现，使得工艺控制在半导体制备工艺中越来越重要。 生产过程中，通过严格的工艺控制才能获得功能完整的电路和高速工作的器件。因此，如何 准确且高效地测量光学关键参数越来越成为一个挑战。 传统的关键参数的测量方法例如是基于待测目标的衍射光谱(或反射光谱)进行 的，其中衍射光谱(或反射光谱)可以随波长、衍射角和/或偏振的变化而变化，其中需要利 用库搜索的方式来进行光谱比对，以确定关键参数。
技术实现要素：
本公开提出了一种全新的关键参数的量测方法，其可以应用于微纳制程的检测， 并且更为高效、准确且经济地实现对关键参数的度量。 根据本公开的第一方面，其提供了一种确定待测目标的关键参数的量测方法。该 方法包括根据入射光参数和所述待测目标的形貌模型，建立与待测目标的动量空间的色散 曲线有关的模拟数据集，其中所述形貌模型由若干个关键参数表征；基于所述模拟数据集， 训练基于神经网络的预测模型；基于入射光对待测目标的实际测量，获得待测目标在动量 空间的色散关系图案，其中色散关系图案至少指示与待测目标的所述关键参数有关的色散 曲线；以及基于色散关系图案，经由经训练的预测模型，从色散关系图案中提取与色散曲线 有关的特征，以便确定与待测目标的至少一个关键参数有关的估计值。 本公开的该方法首次提出了使用动量空间的色散关系图案来估计关键参数的值， 并且利用经由训练的神经网络预测模型来高效地确定待测目标的至少一个关键参数。由于 动量空间的色散关系图案中反映丰富的入射光和待测目标结构的信息，因此基于上述色散 关系图案来度量待测目标的光学关键参数，可以有利地提高度量的准确性，而且能够度量 结构相对复杂的待测目标的光学关键参数。另外，由于利用经由训练的神经网络预测模型， 基于所提取的与所述色散曲线有关的特征来度量待测目标的光学关键参数，其计算过程主 要为矩阵乘法，其所需存储的是主要是数据规模较小的网络参数和网络结构，因此相较于 传统的基于衍射光谱和库搜索比对的关键参数的测量方法而言，本公开可移植性更强，能 够更加快速地对关键参数进行计算。因此，本公开的技术方案完全不同于现有技术的光谱 比对和库搜索的原理，是一种全新的微纳结构测量的技术路径。利用本公开的方法，可以更 为高效、准确地且经济地获得待测目标的关键参数的度量。 4 CN 111595812 A 说　明　书 2/16 页 在一些实施例中，经由经训练的所述神经网络的预测模型，从所述色散关系图案 中提取与所述色散曲线有关的特征，以便确定与所述待测目标的至少一个关键参数有关的 估计值包括：经由所述神经网络输出所述至少一个关键参数的估计概率密度分布。在该些 实施例中，估计概率密度分布可以用于度量关键参数值，其精度对于半导体的测量是足够 的。在一些实施例中，所述预测模型可以是神经网络的回归模型。 在一些实施例中，基于入射光对所述待测目标的实际测量，获得所述待测目标在 动量空间的色散关系图案包括：利用s偏振光和p偏振光中的至少之一对所述待测目标进行 实际测量，以获得所述待测目标的动量空间的s光偏振色散关系图案和p光偏振色散关系图 案中的相应至少之一。在进一步的实施例中，可以在单次确定关键参数的计算中，同时将s 光偏振色散关系图案和p光偏振色散关系图案两者输入到神经网络中，以获得与所述待测 目标的至少一个关键参数有关的估计值。以这种方式获得色散关系图案，可以更为准确地 提取与色散关系图案中的色散曲线的特征值。 尽管这里使用了s偏振光和p偏振光，但本公开的技术方案可以不限于使用s、p偏 振光入射，在其他实施例中，自然光，圆偏振，乃至椭圆偏振入射都是可行的。 在一些实施例中，获得所述模拟数据集包括通过改变以下参数中的一者或多者， 来获得所述模拟数据集：入射光的入射角度；入射光的波长；入射光的偏振；和所述形貌模 型的关键参数。以这种方式，可以获得大量的模拟数据集，避免了昂贵的实际测量和数据收 集的时间成本。 在一些实施例中，该方法还可以包括在至少部分所述模拟数据集中加入与光强有 关的噪声，以获得模拟潜在测量噪音的经增强的模拟数据集；以及基于所述经增强的模拟 数据集，来训练所述神经网络。以这种方式，可以实现对光强干扰的鲁棒性，从而获得更为 精确的关键参数测量。作为示例，与光强有关的上述噪声可以包括低频扰动、高斯噪声以及 柏林噪声中的一种或多种。 在一些实施例中，可以使用角分辨光谱仪对所述待测目标进行实际测量，并且以 例如拍照或者扫描的形式获得所述待测目标的动量空间的色散关系图案。以这种方式，可 以轻易地获得动量空间的作为图片的色散关系图案。 在一些实施例中，所述角分辨光谱仪的测量角度选择在-60度至60度的范围内，以 及测量波长为900nm-1700nm的近红外波段，或测量角度在-60度至60度的范围内，测量波长 为360nm-900nm的可见光波段,或者200nm-360nm的紫外波段。以这种方式，可以提供大角度 以及宽波段范围的测量。 在一些实施例中，获得所述待测目标在动量空间的色散关系图案可以包括：基于 所述待测目标所在背景的动量空间的色散关系图案以及所述入射光的光源在动量空间的 色散关系图案，来获得所述待测目标在所述入射光下的动量空间的色散关系图案。 在一些实施例中，所述色散曲线和色散关系图案均由第一坐标与第二坐标来限 定，其中所述第一坐标指示能量/频率或波长，所述第二坐标指示角度/波矢或动量。将会理 解，能量和波长之间以及角度和动量之间可以由公式简单转换。因此，在动量空间，能量/频 率和波长可以互换使用，角度/波矢和动量可以互换使用。 在一些实施例中，该方法还可以包括：根据阿贝正弦条件调节测量系统，来消除成 像结果的像差。 5 CN 111595812 A 说　明　书 3/16 页 在一些实施例中，该方法还可以包括：经由测量物镜的数值孔径修正和/或角度分 辨率修正，来修正所述模拟数据集。以这种方式，可以获得更为准确的模拟数据集。 在一些实施例中，获得所述模拟数据集包括：基于严格耦合波(RCWA)模拟算法、时 域有限差分方法(FDTD)、有限元方法(FEM)和边界元法(BEM)中的至少一项来建立所述模拟 数据集。 在一些实施例中，所述神经网络是卷积神经网络。更进一步地，所述卷积神经网络 可以是三层卷积、三层全连接的神经网络。 根据本公开的第二方面，提供了一种确定待测目标的关键参数的量测方法。该方 法包括：获取所述待测目标在动量空间的色散关系图案，所述色散关系图案是所述入射光 照射所述待测目标后经由光谱装置在动量空间生成的，所述色散关系图案至少指示与所述 待测目标的关键参数有关的色散曲线；基于所述色散关系图案，经由基于神经网络的预测 模型，从所述色散关系图案中提取与所述色散曲线有关的特征；以及基于提取的与所述色 散曲线有关的特征，确定与所述待测目标的关键参数有关的估计值。 在一些实施例中，所述预测模型已经使用入射光参数和所述待测目标的形貌模型 两者所建立的模拟数据集进行了训练，其中所述形貌模型由待测目标的若干个关键参数表 征。 根据本公开的第三方面，提供了一种测量系统。该测量系统被配置为包括光谱仪， 其被配置成基于入射光对待测目标的实际测量，而生成待测目标在动量空间的色散关系图 案，所述色散关系图案至少指示与所述待测目标的关键参数有关的色散曲线；以及计算设 备，其被配置为可操作地以执行根据第一方面中的任一项实施例所述的方法。 根据本公开的第四方面，提供了一种计算设备。该计算设备包括：存储器，被配置 为存储一个或多个计算机程序；以及处理器，耦合至所述存储器并且被配置为执行所述一 个或多个程序以使量测装置或量测系统执行根据第一方面和第二方面中的任一项所述的 量测方法。 根据本公开的第五方面，提供了一种非暂态机器可读存储介质，其上存储有机器 可读程序指令，所述机器可读程序指令可以被配置为使得量测装置或量测系统执行根据第 一方面和第二方面的实施例中的方法。 应当理解，尽管本公开的上述各个方面描述了利用神经网络的预测模型结合色散 关系图案来量测或获取待测目标的关键参数，但本公开并不排除利用传统的光谱比对或库 搜索的技术与色散关系图案相结合来获取待测目标的关键参数的可能。因此，在这些实施 例中，一种确定待测目标的关键参数的量测方法可以包括以下步骤： 获取所述待测目标在动量空间的色散关系图案，所述色散关系图案是所述入射光 照射所述待测目标后经由光谱装置在动量空间生成的，所述色散关系图案至少指示与所述 待测目标的关键参数有关的色散曲线； 基于所述色散关系图案以及光谱比对或库搜索，来确定与所述待测目标的关键参 数有关的估计值；或者 基于所述色散关系图案以及光谱比对或库搜索，提取与所述待测目标的关键参数 有关的特征值，然后从所述特征值来来确定与所述待测目标的关键参数有关的估计值。 还应当理解，