用于OCD计量的方法与流程

用于ocd计量的方法
1.本技术是申请日为2021年1月7日、国际申请号为pct/il2021/050028、发明名称为“检测ocd计量机器学习的离群值和异常”的pct申请的中国国家阶段申请的分案申请，该中国国家阶段申请进入中国国家阶段的进入日为2022年7月6日、申请号为202180008233.4，其全部内容结合于此作为参考。
技术领域
2.本发明总体上涉及集成电路晶片图案的光学检查领域，尤其涉及用于测量晶片图案参数的算法。


背景技术：

3.集成电路(ic)通过沉积、改变和去除积聚在晶片上堆叠结构中的薄层的多个步骤在半导体晶片上生产。这些堆叠结构(或“堆叠”)通常以重复图案形成，该重复图案像衍射光栅一样具有光学特性。用于测量这些图案的关键尺寸(cd)和材料属性的现代计量学方法利用了这些光学特性。下文中，cd和材料属性也被称为“图案参数”，或简称为“参数”。这些参数可以包括堆叠的高度、宽度和间距。如dixit等人在“使用基于mueller矩阵光谱的椭偏仪的光学关键尺寸计量方法对28nm间距的硅鳍片进行灵敏度分析和线边缘粗糙度确定”中所述，j.micro/nanolith.mems moems.14(3)，031208(2015)(通过引用并入本文)中，图案参数还可包括：侧壁角度(swa)，间隔物宽度，间隔物下拉，外延接近度，立脚/底切，2维(hkmg)的过填充/底填充，3维轮廓(finfet)和线边缘粗糙度(ler)的分布。
4.光学关键尺寸(ocd)计量采用散射法来测量散射数据，即反射光辐射，它表示图案的光学特性。散射数据的测量集(也可称为散射特征码)可以包括反射辐照度与辐射入射角的数据点(可能是零级测量)。可替代地或附加地，散射数据可以包括光谱图，该光谱图是在一定波长或频率范围内反射辐射强度的计量。本领域已知的其他类型的散射数据也可应用于ocd计量学中。
5.通过引用并入本文的scheiner和machavariani的美国专利6,476,920“用于测量图案结构的方法和装置”描述了“光学模型”(也称为“物理模型”)的开发，该光学模型是定义反射辐射和晶片物理结构之间关系的函数(即一组算法)。也就是说，光学模型是基于光学物理定律的理论模型，用于确定光如何从具有已知参数的图案反射。因此，可以将这种光学模型应用于从一组已知的图案参数中估计散射数据，该散射数据将在光谱测试期间测量。光学模型也可以被设计为执行相反的(或“逆”)函数，即根据测量的散射数据预测(即，“估计”)图案参数。实际中使用的光学模型通常经过调整以符合测量数据。
6.光学模型通常应用于ic生产程序中的ocd计量，基于散射测量来测量是否使用正确的参数制造晶片图案。可以测量给定晶片的每个图案，以确定每个图案的参数与设计规范或平均值的变化程度。
7.作为光学建模的替代方法，机器学习(ml)技术可用于基于散射数据的图案参数预测。例如，如通过引用并入本文的rothstein等人的pct专利申请wo 2019/239380中所述，可
以通过下述方法训练机器学习模型以识别测量的散射数据和测量的参考参数之间的对应关系。在训练了ml模型以从散射数据预测参数之后，可以将其应用于ic生产期间进行此类参数预测。
8.用于测量(获取)散射数据(例如光谱图)的示例性散射测量工具可包括光谱椭圆仪(se)、光谱反射仪(sr)、偏振光谱反射仪以及其他光学关键尺寸(ocd)计量工具。此类工具已被纳入到目前可用的ocd计量系统中。一种这样的ocd计量系统是nova 改进的ocd计量工具，可从以色列雷霍沃特的nova测量仪器有限公司购买，用于测量可能在指定测试地点或“模内”的图案参数。测量关键尺寸(cd)的其他方法包括干涉法、x射线拉曼光谱法光谱分析(xrs)、x射线衍射(xrd)和泵探头工具等。专利us 10,161,885、us 10,054,423、us 9,184,102和us 10,119,925中公开了此类工具的一些示例，和国际申请专利出版物wo2018/211505中，所有这些专利均转让给申请人，并通过引用整体并入本文。
9.不依赖于上述光学模型的高精度图案参数测量方法包括使用诸如cd扫描电子显微镜(cd-sem)、原子力显微镜(afm)、横截面隧道电子显微镜(tem)或x射线计量工具等设备进行晶片测量。
10.ml建模的缺点是依赖于测得的训练数据，该训练数据被假定为准确反映在后续生产中将遇到的数据的特征。ocd设备或系统校准方面的问题可能会导致不可重复且不易识别的异常和测量错误。在这种情况下，训练数据将导致训练具有不指示实际数据特征的ml模型。
11.如下文所公开的本发明的实施方式有助于克服这些缺点。


技术实现要素：

12.本发明的实施方式提供了一种用于ocd计量的系统和方法，其提供包括接收训练数据的步骤，用于训练ocd机器学习(ml)模型，其中所述训练数据包括多对相应的输入和输出训练数据。每对的输入数据包括从晶片图案测量的一组散射数据，并且每对的输出数据包括从相同晶片图案测量的参考参数。对于对的每对，通过计算以下项中的一项或多项可计算一个或多个相应的离群度量，1)参考参数与从相应的散射数据集预测的相应预测参数之间的差；2)散射数据集的价值函数与价值函数分布的偏差之间的差；以及3)参考参数与参考参数的平均值或中位数之间的差。对于对的每对中的一个或多个离群度量的每一个，可将相应的离群阈值应用到离群度量，以确定对是否为离群对，以确定训练数据中的一个或多个离群对。ocd ml模型接下来可用训练数据减去一个或多个离群对来训练。训练教ocd ml模型根据新的散射数据预测各自的新预测参数。
13.在一些实施方式中，计算一个或多个离群度量包括计算库克距离，所述库克距离包括计算参考参数和相应的预测参数之间的平方差，并将平方差乘以杠杆系数。该杠杆系数表示平方差对库克距离的影响。从该库克距离确定给定的一对是离群对之后，可从训练数据中去除给定离群对，然后可计算新的库克距离。
14.价值函数的分布可能是训练数据中的所有散射数据集的价值函数的分布，并且给定的散射测量数据集si的价值函数可能是通过euclidian距离、minikowski距离、chebyshev距离、以及si和训练数据中所有散射数据集之间的mahalonbis距离中的一个或多个来计算的。离群阈值可能是偏斜的箱形图阈值，并且该偏斜的箱形图阈值的上阈值w3
可能是所述形式的函数：w3＝a(iqr)e
bmc
，其中iqr是分布的四分位间距，a和b是1到5范围内的常数，mc是分布的medcouple函数。
15.在进一步的实施方式中，一个或多个离群度量可能被计算为参考参数和训练数据集中的所有参考参数的平均值之间的差，并且离群阈值可能是箱形图阈值。
16.参考参数可能是在训练数据中接收到的和与一组给定的散射数据相应的多个参考参数之一。多个参考参数和相应的散射数据集中的每一个可能包括一对相应的输入和输出训练数据。在一些实施方式中，确定一对训练数据是离群对可能包括确定散射数据集的其他训练数据对也是离群对。
17.在一些实施方式中，通过将光学模型或先前生成的ml模型应用于相应的散射数据集来预测该预测参数。参考参数可能是通过一个或多个cd扫描电子显微镜(cd-sem)、原子力显微镜(afm)、横截面隧道电子显微镜(tem)或x射线计量工具进行高精度计量来测量的。训练数据可能是从位于一个或多个晶片上的多个晶片图案测量的。
18.在进一步的实施方式中，还提供了一种或多种在其上存储有指令的非暂时性机器可访问的存储介质，这些指令在由机器执行时使机器实现上述过程。
附图说明
19.为了更好地理解本发明的各个实施方式并示出如何可以实现相同的实施方式，参考附图作为示例。示出本发明的结构细节以提供对本发明的基本理解，结合附图进行的描述使本领域技术人员显而易见知道如何在实践中体现本发明的几种形式。在附图中：
20.图1是根据本发明的实施方式，具有离群值预处理的，用于ocd计量的机器学习模型的系统的示意图；
21.图2是一个流程图，描述了根据本发明的实施方式，利用离群值预处理的来生成用于ocd计量的机器学习模型的程序；
22.图3是根据本发明实施方式的用于离群值预处理的阈值设置的箱形图形式的示意图；以及
23.图4是根据本发明的实施方式的在离群滤波之后训练的示例性神经网络的示意图。
具体实施方式
24.本发明的实施方式提供了通过用于生成机器学习(ml)模型以进行光学关键尺寸(ocd)监测的系统和方法，其中对训练数据进行了离群值预处理。
25.图1是本发明实施例的系统10的示意图，系统10利用离群值预处理生成用于ocd计量的机器学习模型。
26.系统10可在生产线(未示出)内运行，以生产和监控晶片12。如图所示，晶片12包括图案14。如在放大图案14a中所示出的，这些图案具有诸如高度(“h”)、宽度(“w”)和间距(“p”)等参数，以及在上述背景技术中描述的其它参数。通常，晶片有设计成具有相同图案的多个区域、段、或“管芯”(即，使用相同图案设计来制造所有图案)，尽管制造可变性可能导致这些图案中的微小变化。通常将上述机器学习模型设计为从各种图案几何形状预测图案参数。对于每个图案，可以测量一组多个参数，以下称为“参考参数”。应当理解，在关于从
给定图案测量单个参考参数描述以下方法的情况下，该方法可以扩展为针对给定图案测量一组多个参考参数的情况。
27.系统10包括光源20，该光源生成预定波长范围的光束22。光束22从晶片图案14(示出为反射或“散射”光24)向分光光度检测器26反射。在一些配置中，光源和分光光度检测器包括在ocd计量系统30中(例如，椭偏仪或分光光度计)。计量系统30的构造和操作可以是任何已知的类型，例如，us 5,517,312、us 6,657,736、和us 7,169,015公开的，以及在国际申请专利出版物wo2018/211505中，全部分配给申请人并通过引用将其全部并入本文中。通常，计量系统30包括未示出的附加组件，例如导光光学器件，其可包括具有物镜、分束器和反射镜的光束偏转器。这种系统的附加部件可以包括成像透镜、偏光透镜、可变光圈孔径和马达。这些元件的操作通常由计算机控制器自动执行，计算机控制器可以包括i/o设备，并且还可以配置为执行数据处理任务，例如生成散射数据32。
28.由计量系统30生成的散射数据32通常包括各种类型的图形数据34，其可以用向量形式表示(例如光谱图，其数据点是在不同波长处反射光强度的测量，或者反射辐照度与入射角的映射)。如上所述，散射数据集之间的变化表示不同的图案参数。在典型的ocd计量中，所测量光的范围可能包括可见光谱，也可能包括紫外线和红外线区域的波长。用于ocd计量的典型光谱图输出可能具有245个数据点，覆盖200至970nm的波长范围。
29.在本发明的实施方式中，来自各个晶片图案14的散射数据集32和来自相同的各个晶片图案的相应的多组参考参数34被获取为用于机器学习(ml)的一对相应的的输入和输出训练数据。散射数据集32通常是输入数据，每个与形成输出数据的一组相应参考参数34配对。
30.在执行ml建模之前，可以使用预处理离群值滤波器36来去除具有异常特征的训练数据对。下文描述了多种预处理离群值滤波方法。在一些实施方式中，使用多种并行方法来确定训练数据对是否是离群值对，使得如果任何一个或多个方法指示一对训练数据对是离群值，则可以将该对确定为离群值。
31.在预处理后，包括本领域已知的ml工具的计算机系统(本文中称为ml建模系统40)，可配置为训练用于ocd计量的ml模型。如上所述，输入数据通常包括散射数据集34，其对应于参考参数44可以用作ml训练的目标输出。可通过本领域已知的高精度手段(例如，cd-sem、afm、tem、x射线计量或依赖于光学建模的高精度ocd光谱学)从一个或多个晶片图案中获取参考参数。在训练之后，ml模型用于基于散射数据集来预测图案参数，例如，可以应用于晶片生产的监控中。
32.ml建模系统40和预处理离群值滤波器可以独立于计量系统30运行，或者该系统可以集成到单个计算平台中。
33.图2是一个流程图，描述了根据本发明的一个实施方式，用于生成具有离群值预处理的用于ocd计量的机器学习模型的程序200。程序200可以由如上所述的用于ocd计量的系统10实现，并且特别是由预处理离群值滤波器36和ml建模系统40来实现。
34.第一步骤214包括接收训练数据，该训练数据将用于ocd计量的机器学习(ml)模型的后续训练。如上所述，对于每个晶片图案，接收一对输入和输出训练数据，该输入数据是一组散射数据，而输出数据是一个或多个参考参数。下述离群值方法是针对每对训练数据获取单个参考参数。如果对于给定的一组散射数据(即，相对于给定的晶片图案)获取了额
外的参考参数，则可以通过考虑多个参考参数中的每一个以及其相应的散射数据集作为一对不同的训练数据来实施以下描述的方法。(然而，在一些实施方式中，如果将包括给定的一组散射数据的一对确定为离群对，则可将与该组散射数据相关联的所有对确定为离群对。或者，对于离群值处理，可以单独处理这些对。)
35.在步骤214的数据获取之后，可以将三种类型的离群值滤波器应用于训练数据对。每种类型的滤波器都会针对训练数据对确定各自的离群度量。然后将各个方法的离群度量与各个离群阈值进行比较。在一些实施方式中，并行操作一个或多个离群值滤波器，并且如果任何离群值滤波器确定其为离群值对(即，即使根据一些离群值滤波器，该对不是离群值)，则将训练对确定为离群值对。
36.第一离群值滤波器220基于将参考参数与预测参数进行比较来确定离群值。在滤波器的第一步骤222，将诸如光学模型或ml模型之类的预测模型应用于所获取的散射数据的每组，以生成预测参数。(如果所获取的散射数据的每组与多个参考参数相关联，则可以在s222生成多个预测参数。)
37.在离群值滤波器的第二步骤224处，应用离群度量和随后的离群阈值来确定相应参考参数和预测参数之间的差异是否指示相应的训练数据对(即，参考参数和相应的散射数据)是一个离群对。
38.关于参考参数和预测参数之间的差异确定离群度量的一种方法是将离群度量计算为库克距离。库克距离通常用于测量回归模型中的离群值。对于回归模型中给定数据点i的库克距离di(即离群度量)的公式计算如下：
[0039][0040]
为了在成对的参考和预测参数的情况下应用库克距离，库克距离的项可定义如下。
[0041]
平方误差项e
i2
可以设置为：
[0042]
也就是说，将e
i2
设置为参考参数和预测参数之间的平方差。
[0043]
项“a”是归一化常数，其可以设置为，例如1。
[0044]
项h
ii
是一个杠杆项，表示在计算库克距离时给定数据点的权重(即参数对的权重)。项h
ii
是对角矩阵h的项，可以根据以下公式进行设置：
[0045]
h＝s(s
t
s)-1st
[0046]
其中s是所有散射数据集的矩阵(即，对于n组数据，k个数据点中的每一个，s是n x k矩阵)。用于确定数据点是否为离群值的典型阈值为di》1。可以使用介于1到3之间的阈值范围，这取决于离群阈值对于给定环境应有多严格的限制。可替代地，可以使用f-分布根据百分值将di确定为离群值。超过50的百分位数可用作阈值。
[0047]
作为库克距离的替代或补充，可在没有杠杆函数的情况下针对参考参数和预测参数之间的平方差设置离群度量。例如，可以生成所有对的平方差的分布，并且可以将任意一对的平方差与该分布的度量之差用作离群度量。例如，分布的度量可以以分布的四分位数为单位，阈值由tukey箱形图阈值设置，如图3的图形300所示。可以将离群值确定为不在四
分位数之间范围(iqr)，即小于q1或大于q3。箱形图可能包括“晶须”w1和w3，延伸到相应的q1和q3四分位数之外。如图所示，对于偏斜分布，确定离群值的主要关注区域是当平方差大于w3时。下面关于离群值滤波器230描述设置这种阈值的示例。
[0048]
与滤波器220并行，滤波器230和240可以应用于离群值预处理中，后者的滤波器可以在不生成额外的相应预测参数的情况下实现。
[0049]
滤波器230针对散射数据集计算离群度量。每组散射数据可表示为向量si(例如，对于给定波长范围的辐照度值向量)。集合中的每个元素k(即，对应于波长的数据点)可表示为s
ki
。所有s
ki
值的平均值可以表示为sk。对于每个si，离群度量可计算为到多组散射数据的代表性分布或向量的距离。这样的距离在本文中也称为“价值函数”。
[0050]
计算这种价值函数的各种方法如下。
[0051]
1.euclidian距离(以集合si的每个元素与所有集合的平均值之差衡量)：
[0052][0053]
2.minikowski距离：
[0054]
其中p≥1
[0055]
3.chebyshev距离：
[0056][0057]
4.mahalonbis距离：
[0058][0059]
如上所述，其中s是所有散射数据集的矩阵。
[0060]
上述离群度量的各种示例是“偏斜”分布，如图3所示。单侧箱形图可用于设置阈值，即其中w1设置为最小距离(即零)的箱形图，从而仅在阈值w3以上检测到离群值。阈值w3可根据brys等人在"a robust measure of skewness,"journal of computational and graphical statistics,13(4):996
–
1017(2004)中描述的“medcouple”(mc)函数进行设置。这种设置的示例形式可是以下形式：
[0061]
w3＝a(iqr)e
bmc
，其中iqr是分布的四分位数范围，a和b是1到5范围内的常数，mc是medcouple函数。
[0062]
medcouple函数mc可以计算为：
[0063][0064]
其中q2是样本中值，其中对于所有xi≠xj，核函数h由以下公式得出：
[0065][0066]
滤波器240计算关于训练数据的参考参数的离群度量。在步骤242，可确定直接的离群度量，其是给定参考参数与所有参考参数的平均值或中位数之间的归一化距离。与图3的曲线图300的偏斜分布相反，可以预期诸如这样的分布更加对称。然后可在步骤244处设置箱形图阈值，以确定作为离群值的训练数据对。箱形图中的“晶须”可能会延伸到q1和q3四分位数之外，例如，可以在任意方向上设置为3x(iqr)。对于超出此范围的参考参数，相应
的训练数据对将被视为离群值对。
[0067]
在并行执行上述离群值滤波器的一个或多个步骤之后，在步骤250，在训练ml模型之前，将离群值对从训练数据中移除。然后将在步骤260处执行训练。将从剩余的训练数据中训练ml模型，例如下面关于图4描述的神经网络。最终生产的ml模型将用于根据新的散射数据预测新图案的参数。
[0068]
图4是根据本发明的一个实施方式的示例性ml模型的示意图，例如在离群滤波之后训练的神经网络400。在训练过程中，以监督学习的方式提供了未作为离群值去除的训练数据对。输入数据，即散射数据集s，被馈送到输入层420，随后被馈送到隐藏层430。输出层440的节点数量等于对应的参考参数的数量，即，如果存在多于一组大于“对”为每个晶片图案测量。这些参考参数可以如图1所示，例如，给定晶片叠层的高度、宽度和间距。实际上，训练ml模型会创建一个映射，该映射随后可应用于新的散射数据集以对应新的预测参数。训练通常根据标准ml训练方法执行，该方法可以包括例如l2正则化。通常，nn被训练为最小化的损失函数是均方误差(mse)损失函数。优选地，验证将在训练之后进行，其中验证数据集使用从不同晶片获取的数据集，而不是用于获取训练数据集的数据。上述离群滤波的方法也可以应用于验证数据的预处理。
[0069]
应当理解，根据常规技术，本文所示或所述的处理元件优选地在非暂时性计算机可读介质中的计算机硬件和/或计算机软件中的一个或多个计算机来实施，例如通过计算机总线或其他连接设备耦合的计算机处理器，内存，i/o设备和网络接口。
[0070]
除非另有说明，本文所使用的术语“处理器”或“设备”旨在包括任何处理设备，诸如包括中央处理单元(cpu)和/或其他处理电路的设备(例如gpu)，另外，术语“处理器”或“设备”可以指多于一个的处理设备。与处理设备相关联的各种元件可以被其他处理设备共享。
[0071]
本文所使用的术语“存储器”旨在包括与处理器或cpu相关联的存储器，例如ram、rom、固定存储器设备(例如，硬盘驱动器)、可移动存储器设备(例如，软盘、磁带)、闪存等。这样的存储器可以认为是计算机可读存储介质。
[0072]
另外，本文所使用的“输入/输出设备”或“i/o设备”可能包括一个或多个向处理单元输入数据的输入设备(例如，键盘、鼠标、扫描仪、hud等)，和/或一个或多个输出设备(例如扬声器、显示器、打印机、hud、ar、vr等)，用于显示与处理单元相关的结果。
[0073]
本发明的实施方式可包括系统、方法和/或计算机程序产品。计算机程序产品可包括一个计算机可读存储介质(或多个计算机可读存储介质)，该计算机可读存储介质中存有使处理器运行本发明的计算机可读程序指令。
[0074]
所述计算机可读存储介质可以是能够保留和存储指令以供指令执行设备使用的有形设备。计算机可读存储介质可以但不限于是，例如电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或上述设备任何适当组合。计算机可读存储介质的更具体示例的非穷举列表包括以下内容：便携式计算机软盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式光盘只读存储器(cd-rom)、数字多功能磁盘(dvd)、蓝光、磁带、全息存储器记忆棒、软盘、机械编码设备(例如打孔卡或凹槽中的凸起结构，上面存有指令)，以及上述设备任何适当组合。如本文所使用的，计算机可读存储介质不应被解释为瞬时信号本身，例如无线电波或
其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)、或通过电线传输的电信号。
[0075]
所述计算机可读程序指令可经由网络(例如，互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到各个计算/处理设备或下载到外部计算机或外部存储设备。该网络可包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，转发计算机可读程序指令以存储在相应的计算/处理设备内的计算机可读存储介质中。
[0076]
用于执行本发明的操作的计算机可读程序指令可以是汇编程序指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据，或以一种或多种编程语言(包括面向对象的编程语言，例如java、smalltalk、c++等，以及常规面向过程的编程语言，例如c语言或类似的编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以全部在用户计算机上、部分在用户计算机上、作为独立软件包执行、部分在用户计算机上部分在远程计算机上、完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(lan)或广域网(wan))连接到用户计算机，或者可以与外部计算机建立连接(例如，通过使用互联网服务提供商的互联网)。在一些实施方式中，电子电路(包括例如可编程逻辑电路、现场可编程门阵列(fpga)、可编程逻辑阵列(pla))可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令个性化电子电路来执行本发明。
[0077]
此处，根据本发明实施方式的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面，应当理解，流程图和/或框图每个块，以及流程图和/或框图的每个框的组合都可以通过计算机可读程序指令来实施。
[0078]
这些计算机可读程序指令可提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器，来产生机器，以使经由计算机的处理器或其他可编程数据处理设备的处理器执行的指令来创建方法，从而实施流程图和/或框图中指定的功能/动作。该计算机可读程序指令还可以存储在计算机可读存储介质中，该计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以特定方式工作，这样其中存有指令的计算机可读存储介质包括制造物品，该制造物品包括实施流程图和/或框图中指定的功能/动作方面的指令。
[0079]
也可以将所述计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，来产生计算机实施的流程，以使在计算机、其他可编程装置或其他设备上执行的指令实施流程图和/或框图中指定的功能/动作。
[0080]
本文中包括的任何流程图和框图描述了根据本发明的各个实施方式的系统、方法和计算机程序产品的可能实施的架构、功能和操作。就这点而言，流程图或框图中的每个框可以表示指令的模块、片段或一部分，包括用于实施指定的逻辑功能的一个或多个可执行指令。在一些替代实施方式中，框中示出的功能可以不按其中示出的顺序发生。例如，实际上，根据所涉及的功能，基本上可以同时执行连续示出的两个框，或者可以以相反的顺序执行这些框。还应注意，框图和/或流程图的每个框以及框图和/或流程图框的组合可以由执
行指定功能或动作的基于专用硬件的系统来实施，或执行指定功能的硬件和计算机指令的组合来实施。
[0081]
对本发明各实施方式的描述仅为说明目的，并且不旨在排除或限制所披露的实施方式。在不脱离所描述的实施方式的范围和精神的情况下，许多修改和变化对于本领域普通技术人员是显而易见的。选择本文使用的术语旨在最好地解释实施例的原理、对于市场中出现的技术的实际应用或技术改进，或者使本领域的普通技术人员能够理解本文中公开的实施例。

技术特征：
1.一种用于ocd计量的方法，包括：接收用于训练ocd机器学习模型的训练数据，其中所述训练数据包括多对相应的输入训练数据和输出训练数据，其中每对输入训练数据和输出训练数据的所述输入训练数据包括从晶片图案测量的散射数据集，并且其中每对输入训练数据和输出训练数据的所述输出训练数据包括从相同的所述晶片图案测量的参考参数；对于每对输入训练数据和输出训练数据，通过计算以下项中的一项或多项来计算一个或多个离群度量，1)所述参考参数与从相应的所述散射数据集预测的相应预测参数之间的差，2)所述散射数据集的价值函数与价值函数分布的偏差之间的差，以及3)所述参考参数与参考参数的平均值或中位数之间的差；对于每对输入训练数据和输出训练数据的所述一个或多个离群度量的每一个，将相应的离群阈值应用到离群度量，以确定每对输入训练数据和输出训练数据是否为离群对，以确定所述训练数据中的一个或多个离群对；以及用所述训练数据减去所述一个或多个离群对来训练所述ocd机器学习模型，以训练所述ocd机器学习模型根据新的散射数据预测各自的新预测参数。2.根据权利要求1所述的方法，其中，计算所述一个或多个离群度量包括计算库克距离，所述库克距离包括计算所述参考参数和相应的所述预测参数之间的平方差，并将所述平方差乘以杠杆系数，其中，所述杠杆系数表示所述平方差对所述库克距离的影响。3.根据权利要求2所述的方法，进一步包括从所述库克距离确定给定的一对输入训练数据和输出训练数据是离群对，从所述训练数据中相应地去除给定的所述离群对，并计算新的库克距离。4.根据权利要求1所述的方法，其中，所述价值函数的分布是所述训练数据中的所有散射数据集的价值函数的分布，并且其中给定的散射测量数据集s
i
的所述价值函数是通过euclidian距离、minikowski距离、chebyshev距离、以及s
i
和所述训练数据中所有散射数据集之间的mahalonbis距离中的一个或多个来计算的。5.根据权利要求4所述的方法，其中，所述离群阈值是偏斜的箱形图阈值，并且所述偏斜的箱形图阈值的上阈值w3是以下形式的函数：w3＝a(iqr)e
bmc
，其中iqr是所述价值函数的分布的四分位间距，a和b是1到5范围内的常数，mc是所述价值函数的分布的medcouple函数。6.根据权利要求1所述的方法，其中，所述一个或多个离群度量被计算为所述参考参数和所述训练数据中的所有参考参数的平均值之间的差，并且其中所述离群阈值是箱形图阈值。7.根据权利要求1所述的方法，其中，所述参考参数是在所述训练数据中接收到的与散射数据集相应的多个参考参数之一，并且其中所述多个参考参数和相应的所述散射数据集中的每一个包括一对相应的输入训练数据和输出训练数据。8.根据权利要求7所述的方法，其中，确定一对训练数据是离群对包括确定包括所述散射数据集的其他训练数据对也是离群对。9.根据权利要求1所述的方法，其中，通过将光学模型或先前生成的机器学习模型应用于相应的所述散射数据集来预测所述预测参数。10.根据权利要求1所述的方法，其中，所述参考参数是通过一个或多个cd扫描电子显
微镜(cd-sem)、原子力显微镜(afm)、横截面隧道电子显微镜(tem)或x射线计量工具进行高精度计量来测量的。

技术总结
本发明提供一种用于OCD计量的方法，包括接收用于训练OCD机器学习(ML)模型的训练数据，包括多对相应的散射数据集和参考参数集。对于每一对，无论给定对是否是离群对，都计算一个或多个相应的离群度量，并应用相应的离群阈值。然后用训练数据减去离群对，对OCD ML模型进行训练。型进行训练。型进行训练。


技术研发人员：艾坦
受保护的技术使用者：诺威有限公司
技术研发日：2021.01.07
技术公布日：2023/10/15