[发明专利]一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法

说明书

本发明涉及一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，包括化学机械抛光仿真数据采集，对数据进行数据预处理，建立源域数据集；利用设计的神经网络模型基于源域数据集进行模型训练，建立源域化学机械抛光芯片表面高度预测模型；然后基于不同的化学机械抛光工艺参数或者不同类型的电路建立目标域数据集，并利用迁移学习的方法，生成目标域化学机械抛光芯片表面高度预测模型。有益效果是适应工艺参数变化以及电路种类差异、通用性强。

【技术领域】

本发明涉及半导体化学机械抛光工艺技术领域，具体涉及一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法。

【背景技术】

随着集成电路半导体制造工艺进入到深亚微米(通常把0.35-0.8μm及其以下称为亚微米级，0.25um及其以下称为深亚微米)阶段，电路的特征尺寸进一步减小，制造过程中的工艺偏差程度日益严重，大大影响了芯片的性能与成品率。其中化学机械抛光(CMP)作为实现芯片表面的高度平坦化的关键技术，主要通过打磨抛光垫和硅片之间的机械力作用以及研磨液的化学作用来实现芯片表面形貌的平坦化。然而在平坦化过程中，由于化学机械抛光工艺下各工艺参数以及版图设计模式的不同的影响，芯片表面不同的位置的高度相互存在巨大的差异，存在碟形缺陷和侵蚀的现象，导致后续光刻过程中产生聚焦困难，造成光刻分辨率下降，影响芯片的性能以及成品率。因此需要建立一个化学机械抛光芯片表面高度预测模型来预测打磨后芯片表面的平整度，连接设计和制造的桥梁从而提高芯片的成品率。

现有的化学机械抛光芯片表面高度预测模型建模主要采用经验模型和物理机理模型。其中物理模型主要通过研究抛光垫，研磨液和硅片之间的相互作用来计算芯片表面高度。然而对于大规模的集成电路芯片来说，物理模型所需要耗费的时间和计算资源过于庞大，是不可接受的。因此学术界或者工业界往往采用经验模型或者半经验模型，通过抛光实验以及理论研究确定部分工艺参数的解析表达式，从而减少计算量提高计算速度。然而这类模型的经验公式忽略了部分参数，随着工艺的飞速发展，很难满足新工艺的精度要求，此外该类经验模型的开发依赖于大量的抛光实验。然而大量的抛光实验需要较长的时间周期以及极其高昂的研发成本。因此建立一个快速且精确的化学机械抛光芯片表面高度预测模型十分必要。

深度学习在现代工业以及自动化设计领域的大规模应用，使得深度学习与集成电路的结合越发紧密，为化学机械抛光芯片表面高度预测模型的建立带来了新的机遇与挑战。由于深度学习是一个数据驱动的过程，建立一个精确且鲁棒性高的化学机械抛光芯片表面高度预测模型需要大量的实验数据，通常需要设计一个专门的测试芯片来获取实验数据，然而设计一个与实际版图相似的测试芯片耗时耗力。此外不同电路类型的版图特征，单一的模型难以不同的电路类型版图中取得精确的预测结果。并且随着制造工艺的不断进步，化学机械抛光的工艺参数也在不断变化，迁移学习的方法能通过冻结部分参数的形式将已生成模型在新的数据集上进行在训练，能够有效利用历史数据，有效避免过拟合问题，提高预测精度，加快建模速度。

迁移学习是一种机器学习方法，就是把为任务A开发的模型作为初始点，重新使用在为任务B开发模型的过程中，迁移学习(Transfer learning)顾名思义就是把已训练好的模型参数迁移到新的模型来帮助新模型训练，从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。迁移学习利用数据，任务或模型之间的相似性，将在旧域中学习的模型应用于新域。迁移学习中有两个基本概念：域和任务。域由两部分组成：不同的特征空间和不同的边际分布。通常我们用D表示域，用P表示概率分布。通常，如果两个域不同，则它们可能具有不同的特征空间或不同的边际分布。迁移对应于两个基本域：源域和目标域。源域是具有知识和大量数据注释的域，这是要迁移的对象。目标域是最终想要提供知识和注释的对象。从源域到目标域的传输完成了迁移任务。