提出了一種極紫外光刻掩模多層膜相位型缺陷的形貌重建方法。采用表面與底部形貌參數(shù)表征相位型缺陷的三維形貌;采用原子力顯微鏡測(cè)量缺陷表面形貌參數(shù);采用傅里葉疊層成像技術(shù)重建含缺陷的空白掩�？臻g像復(fù)振幅;采用卷積神經(jīng)網(wǎng)絡(luò)與多層感知器兩種深度學(xué)習(xí)模型構(gòu)建空間像振幅/相位與缺陷底部形貌參數(shù)之間的關(guān)系,建立缺陷底部形貌參數(shù)重建模型;利用訓(xùn)練后模型從空間像的振幅與相位信息中重建出缺陷底部形貌參數(shù)。仿真結(jié)果表明,訓(xùn)練后模型可準(zhǔn)確重建相位型缺陷的底部形貌參數(shù)。凸起型與凹陷型缺陷的底部半峰全寬重建結(jié)果的均方根誤差分別為0.51 nm和0.43 nm,底部高度重建結(jié)果的均方根誤差分別為3.35 nm和1.73 nm。由于采用空間像作為信息載體,本方法不受沉積條件的影響。

【文章頁(yè)數(shù)】：15 頁(yè)

【部分圖文】：

圖3 FP重建復(fù)振幅流程

式中:θmax為入射光與z軸夾角最大值。數(shù)值孔徑的增大使得成像過(guò)程可保留更多的高頻信息,能更好地還原振幅與相位變化[24]。FP重建空間像復(fù)振幅的流程如圖3所示,詳細(xì)算法可參考文獻(xiàn)[15]。2.2相位型缺陷的底部形貌參數(shù)重建模型

圖4 CNN示意圖

CNN模型如圖4所示。CNN模型中各卷積層和全連接層采用的激勵(lì)函數(shù)均為ReLU,輸入為空間像振幅與相位圖像。第一層為含有32個(gè)大小為3×3的卷積核的卷積層,卷積層的作用是特征提取;第二層是核大小為2×2,步長(zhǎng)為2的最大池化層,池化層的作用是降低待處理數(shù)據(jù)的數(shù)量;第三層為含有32個(gè)....

圖5 MLP示意圖

多層膜相位型缺陷的底部形貌參數(shù)重建流程如圖6所示,包含參數(shù)重建模型建模和缺陷底部形貌參數(shù)重建兩部分。在建模部分,首先生成含有不同底部形貌參數(shù)hbot、ωbot的相位型缺陷。由于表面形貌可由AFM測(cè)得,故設(shè)定htop、ωtop為固定值。在5～50nm之間以5nm為間隔選取|....

圖1 EUV光刻含缺陷多層膜示意圖。

Mo/Si層厚度比例保持為4.17nm/2.78nm。兩種典型的相位型缺陷,即凸起型缺陷與凹陷型缺陷如圖1所示。相位型缺陷影響多層膜反射光的振幅與相位,改變光刻成像系統(tǒng)中物的復(fù)振幅Aobject(x,y),從而影響空間像的復(fù)振幅Aoutput(x,y)。具有不同形貌參數(shù)Δ的缺....

本文編號(hào)：4056789