[发明专利]基于CompactParticleSwarmOptimization算法的光刻机掩模台微动台的机械参数软测量方法

说明书

技术领域

本发明属于半导体制造装备技术领域及机械参数测量领域。

背景技术

光刻机作为生产制造超大规模集成电路的重要设备，其精度方面的要求已经达到纳米级。作为其中重要组成部分的掩模台精度要求也非常之高，尤其是其中的微动台部分，它是最直接与掩模台系统精度相关的部件。作为机电系统，掩模台微动台上的电机安装及台体加工不可避免的存在机械误差，从而会导致按照理论值进行解耦控制的精度下降情况。因此，这些机械参数必须要被精确测量。然而微动台运动模型涉及到的机械参数很难在装配好的台体上直接测量，如台体的质心位置、电机的驱动中心等。故需要采用间接的测量手段进行测量，从而精确确定相关机械参数。

现有一种工件台微动部分机械参数估计方法。该专利用一种间接测量方法，根据已经分析出来的机械误差参数项及相应的误差模型，得到位移差方程，通过实测输入输出数据列写方程并解方程组得到相应误差参数。但是该方法在6输入6输出的情况下只能确定6个机械参数误差，远远不能满足要求，并且无法解决应用中经常出现的矩阵病态问题。

发明内容

本发明的目的是为了解决现有工件台微动部分机械参数估计算法精度差的问题，本发明提供一种基于Compact Particle Swarm Optimization算法的光刻机掩模台微动台的机械参数软测量方法。

本发明的基于Compact Particle Swarm Optimization算法的光刻机掩模台微动台的机械参数软测量方法，所述方法包括如下步骤：

步骤一：根据掩模台微动台的机械机构及其理论设计，建立微动台的理想运动学模型，确定待测机械参数，建立掩模台微动台含差模型；

步骤二：给定位置输入，驱动微动台运动产生位移，将实际输出位移与通过建立的掩模台微动台含差模型计算出的输出位移值做差，作为寻优的目标函数；

步骤三：根据目标函数，利用Compact Particle Swarm Optimization优化学习算法确定待辨识的机械参数。

所述步骤三包括如下步骤：

步骤三一：初始化计数器t＝0，机械误差参数的概率分布均值初始值μ_i[i]＝0，机械误差参数的概率分布方差初始值σ_i[i]＝λ；i＝0，…n；n为待辨识的机械误差参数的个数；构成PV矩阵的初始值PV的每一行包含高斯分布的一组均值和方差；其中t为优化学习迭代的次数；；初始化每项机械误差参数的寻优范围，在生成个体时，若向上超过了所设置的寻优范围则取上边界，若向下超过了所设置的寻优范围则取下边界；

步骤三二：由PV矩阵生成随机向量x_gb、向量x^t的初值x⁰和向量v^t的初值x⁰，所述随机向量为机械误差参数局部最优值向量；

步骤三三：判断t是否等于设定的值Gm，若是，则向量x_gb中的参数即为待辨识的机械误差参数的估计最优值，待辨识的机械参数的估计最优值即为误差参数的估计最优值与相应标称值的和，若否，则转入步骤三四；

步骤三四：由PV矩阵生成局部最优值向量；

步骤三五：更新x^t+1和v^t+1：

x^t+1＝γ₁x^t+γ₂v^t+1

其中，φ₁、φ₂、φ₃、γ₁和γ₂均为优化的权重；

步骤三六：将xt+1与局部最优值向量代入目标函数，将获得的函数值进行比较，若函数值则转入步骤三七，若则转入步骤三七；

步骤三七：更新机械误差参数的概率分布均值μ_i+1[i]机械误差参数的概率分布方差σ_i+1[i]：

Np表示紧凑式教学优化算法虚拟人口数，loser表示目标函数得到的较差解向量，winner表示目标函数得到的较优解向量；