[发明专利]通过先进机器学习技术的测量精确度的自动优化

权利要求书

1.一种方法，其包括：

使用处理器，运用神经网络基于半导体晶片的临界参数的值而预测固定参数的值，其中所述神经网络是基于所述临界参数中的一或多者及与光谱相关联的低维实值向量训练的。

2.根据权利要求1所述的方法，其中所述光谱是光谱椭偏测量光谱或镜面反射光谱。

3.根据权利要求1所述的方法，其中通过另一神经网络基于所述光谱而映射所述低维实值向量。

4.根据权利要求1所述的方法，其进一步包括：

使用所述处理器通过将所述光谱中的一或多者映射到所述低维实值向量中的一或多者而训练初始神经网络；及

使用所述处理器训练所述神经网络以基于所述临界参数中的一或多者及来自所述初始神经网络的所述低维实值向量而预测所述固定参数。

5.根据权利要求4所述的方法，其进一步包括通过模拟在浮动参数的范围内取样的轮廓而产生所述光谱。

6.根据权利要求5所述的方法，其进一步包括产生与所述光谱相关联的光学临界尺寸模型的轮廓。

7.根据权利要求6所述的方法，其中产生所述光学临界尺寸的所述轮廓包含：

通过取样所述固定参数到所述固定参数的范围内而确定一组所述固定参数；及

针对每一对光谱及固定参数，确定对应临界参数。

8.根据权利要求7所述的方法，其进一步包括使用所述对应临界参数确定对应浮动参数或对应受约束参数。

9.根据权利要求4所述的方法，其中针对所述初始神经网络的训练数据包含多个样本，其中所述样本中的每一者包含所述光谱中的一或多者及与所述光谱中的一或多者相关联的光学临界尺寸模型的轮廓。

10.根据权利要求4所述的方法，其中训练所述初始神经网络确定最小化针对所述光谱中的一或多者中的相同一者的所述低维实值向量中的差的参数。

11.根据权利要求4所述的方法，其中所述神经网络相对于训练数据最小化所述固定参数的均方误差。

12.根据权利要求4所述的方法，其中所述初始神经网络及所述神经网络具有不同架构。

13.根据权利要求1所述的方法，其进一步包括对用于产生所述光谱的样本平均化所述固定参数。

14.根据权利要求1所述的方法，其进一步包括使用所述神经网络的所述固定参数的基于梯度的搜索。

15.根据权利要求14所述的方法，其中所述基于梯度的搜索包含：

i)设置所述固定参数的标称值；

ii)确定所述标称值下的所述固定参数的所述临界参数；

iii)使用所述神经网络确定所述临界参数的所述固定参数；

iv)运用一个迭代从所述基于梯度的搜索确定所述临界参数的所述固定参数；

v)运用一个迭代用使用所述基于梯度的搜索的所述固定参数更新所述固定参数；及

vi)重复步骤i)到v)，直到实现停止准则，其中所述停止准则是规范或收敛中的一者。

16.一种系统，其包括：

主神经网络，其与晶片计量工具电子通信，其中所述主神经网络经配置以基于半导体晶片的临界参数的值及从所述半导体晶片的光谱导出的低维实值向量而预测固定参数的值。

17.根据权利要求16所述的系统，其中所述光谱是光谱椭偏测量光谱或镜面反射光谱。