《Optics & Laser Technology》：Development of an optical critical dimension (OCD) measurement model enhanced by transformer-based data augmentation
编辑推荐：
光刻散度测量中基于Transformer的生成对抗网络数据增强方法，通过(2D)^2PCA降维和TCGAN数据扩充，解决纳米尺度临界尺寸测量中的数据稀缺与模型泛化问题，实验验证显示测量精度达1.14 nm RMSE和0.99 R2。
Jinyang Li|Dengji Guo|Ta-Cheng Mo|Yu-Hsiang Hsu|Changliang Zhu|Shien-Ping Feng|Hung-Fei Kuo
深圳大学机电控制工程学院，中国深圳市南山区南海大道3688号，518060
摘要
随着半导体器件持续微型化，制造过程面临越来越多的挑战。这需要更高效的计量技术来确保工艺质量。关键尺寸（CD）测量是工艺验证中的关键步骤，因为CD的偏差会直接影响器件性能。基于散射测量的光学关键尺寸（OCD）方法提供了一种快速且无损的精确测量解决方案。该方法可以分析由周期性测量标记生成的衍射图像，并将其与参考值进行比较以实现线宽测量。在这项工作中，提出了一种通过基于变压器的条件生成对抗网络（TCGAN）进行数据增强的OCD测量框架。模拟了具有400纳米到600纳米设计CD的光栅测量标记，以生成衍射图像。应用了双向二维主成分分析（(2D)^2PCA）来提取特征，并将这些图像转换为序列数据。然后训练了一个TCGAN模型，将衍射数据集扩展到21,000个样本。使用增强后的数据集训练了一个回归模型，能够准确预测光栅测量标记的线宽。所提出的模型在仿真测试中实现了0.70纳米的均方根误差（RMSE）和0.99的决定系数（R^2），表明预测值与真实值之间存在高度线性相关性。使用制造的测量标记和设计的光学系统进行了实验验证，获得了1.14纳米的RMSE，进一步证实了TCGAN辅助OCD测量方法的有效性。
引言
随着半导体制造技术向3纳米以下节点发展，器件结构的复杂性迅速增加。因此，对关键尺寸（CD）控制的容忍度变得越来越严格，对工艺监控和精密计量提出了更高的要求。CD是一个核心参数，反映了结构的几何完整性和制造精度。即使是微小的CD偏差也会显著影响器件的电气行为、功耗和可靠性。因此，它成为先进工艺质量控制中的关键指标。尽管扫描电子显微镜（SEM）和原子力显微镜（AFM）因其纳米级分辨率和精度而被广泛用于CD测量，但它们在高通量在线应用中存在不足。SEM和AFM的测量时间较长且本质上是破坏性的，不适合在生产环境中进行无损、大规模的检测。此外，先进逻辑和存储器件中的复杂多层堆叠和不对称图案给传统的基于图像的测量技术带来了额外的挑战。为了解决这些问题，散射测量作为一种非接触式、无损的光学测量技术已成为CD监控的主流解决方案。它能够快速提取结构参数，并在光刻工艺控制、对准和缺陷检测等方面显示出巨大潜力[1]、[2]。
光学散射测量基于光与周期性纳米结构相互作用产生的衍射现象。通过将测量到的散射信号与预先建立的数据集进行比较，可以间接推断目标结构的几何参数[3]、[4]、[5]。根据光学响应的特性，散射测量可以以多种形式实现，包括光谱散射测量、角度散射测量和椭圆偏振散射测量。在先进的制造过程中，这些方法已成为测量关键参数（如CD、侧壁角和膜厚度等）的标准程序。与基于SEM的方法相比，散射测量在测量速度和保持样品完整性方面具有明显优势。此外，它更容易与工艺设备集成，非常适合在线、无损和高通量检测要求[6]、[7]。然而，散射测量仍然面临一些技术挑战。首先，尽管电磁求解器（如严格的耦合波分析（RCWA）和时域有限差分（FDTD）可以模拟周期性结构的衍射，但它们计算量大且耗时。这可能限制了衍射数据集在广泛线宽和工艺变化范围内的可扩展性[8]、[9]。其次，参数估计过程依赖于模型拟合，这对结构模型非常敏感。侧壁偏差、线边粗糙度或不对称性等变化可能导致不稳定的或无效的预测。此外，当前方法在处理高维光学特征和有限训练数据时常常遇到困难，这是由于数据集覆盖不足和模型泛化能力较弱。在其他工业测量和工艺监控领域也广泛研究了类似的数据稀缺性和建模挑战。在复合组装系统中，已经提出了模拟-实验融合和数据驱动的预测框架，以在实验数据有限的情况下提高鲁棒性[10]。组装参数的不确定性已被证明会显著影响时变结构可靠性和系统级性能[11]。更一般地说，工业软感知和工艺监控任务通常依赖于间接测量，并且受到标记数据稀疏的困扰，这促使人们采用基于机器学习的建模策略[12]。
机器学习在光学计量中的应用日益增多，因为当有足够且具有代表性的数据时，数据驱动的模型可以加速反演过程并补偿建模误差[13]。在这个背景下，一个持续的瓶颈是获得反映预期变化和测量条件的大规模、多样化数据集的可用性。为了解决数据稀缺问题，生成数据增强方法在工业测量应用中受到了越来越多的关注。在工业软感知中，基于生成对抗网络和扩散概率模型的时间序列增强已被证明可以有效丰富训练数据集并在小样本条件下提高预测精度[14]、[15]。此外，无监督和弱监督学习技术也被广泛用于缺陷检测和工业检测，这突显了在标记数据有限时鲁棒特征学习的重要性[16]。在这些模型中，生成对抗网络（GAN）作为一种强大的深度学习模型，用于合成数据生成[17]、[18]。通过生成器和判别器之间的对抗训练，GAN可以产生与训练数据非常相似的高质量样本。在此基础上，条件GAN（CGAN）在生成过程中引入了约束条件，为生成器和判别器提供了额外的信息，以生成具有特定属性的样本[19]。这对于增强与不同CD标签相关的衍射图像特征特别有用。同时，用于OCD的衍射数据形式——无论是原始图像还是经过降维步骤后获得的紧凑特征序列——对生成器架构提出了要求：长相关序列和全局结构模式并不总是能够被简单的密集或卷积生成器很好地捕捉。最近在序列建模方面的发展激发了在该领域采用基于注意力机制的架构。通过多头自注意力的Transformer模型，在序列中建模长距离依赖性和复杂全局结构方面表现出色，并已成功应用于自然语言处理之外的各种时间序列和信号生成任务[20]、[21]。因此，将Transformer模块集成到条件GAN框架中提供了一个合理的折中方案：条件机制确保了标签的一致性，而注意力机制提高了生成器再现衍射特征序列中固有的长距离相关性的能力。几项近期工作证实了这种设计选择的有效性，并表明与传统的CGAN相比，基于Transformer的增强生成器可以生成更高质量、标签一致的序列[22]。
在这项工作中，开发了一个单波长OCD测量模块，集成了基于Transformer的条件GAN（TCGAN），以实现高精度CD预测的衍射数据增强。图1展示了所提出方法的概述，包括OCD测量标记的设计和制造。对于前向问题，通过实验测量和模拟生成衍射图像。为了处理原始衍射图像的高维性和冗余性，应用了二维主成分分析（(2D)^2PCA）来提取特征。它将这些图像转换为高度相关的低维序列，作为模型训练和数据增强的输入。使用增强后的数据集训练了一个回归预测模型，将衍射特征映射到CD，从而解决逆问题。此外，设计了具有不同线宽的OCD标记，用于仿真和实验验证，以评估所提出模型的可行性和性能。通过分析OCD标记的衍射，进一步提高了CD测量的准确性和可靠性。这种方法显示出满足行业对高效、高精度计量需求的潜力，尤其是在越来越微型化的结构方面。总之，这项工作提出了一个集成物理建模、数据增强和基于AI的预测的OCD测量模型。它有效地解决了数据可用性有限、模型泛化能力差以及对结构变化敏感等问题。此外，它展示了TCGAN在高质量光学数据生成方面的潜力，为快速、稳定和可扩展的CD测量系统奠定了理论和实践基础。
方法
为了使用光学散射测量法测量OCD标记的线宽，建立光栅结构中的结构变化与相应衍射特征之间的关联是必不可少的。因此，首先分析了设计标记的光学特性。根据周期性光栅结构，选择了特定的光学参数，如照明波长、入射角和偏振状态。
实验
建立了一个光学散射测量模块来捕获OCD标记的衍射图像。这些标记具有不同的线宽，并在晶圆上制造。经过光学系统的照明后，通过训练有素的回归模型处理得到的衍射图像来预测CD，从而验证了所提出的CD测量框架。
图7(a)显示了光学散射测量模块的示意图。光源是638纳米的二极管激光器（Omicron LuxX?）
结果与讨论
制造了具有不同线宽的定制设计OCD标记的晶圆样品，以评估所提出的测量框架。采用电子束光刻技术定义了光栅图案。晶圆是2英寸的单面抛光硅基板，厚度为400微米。每个晶圆包含固定周期为1微米、线宽从400纳米到600纳米、以20纳米为间隔的光栅图案，共11种不同的线宽。
结论
本研究提出了一种光学关键尺寸测量方法，该方法将散射测量与基于变压器的条件生成对抗网络相结合，以解决逆问题建模中训练数据不足的问题，并提供精确的测量结果。通过结构设计和RCWA模拟建立了衍射数据集，然后通过(2D)^2PCA方法将其转换为特征序列。训练了一个TCGAN模型来进行衍射数据增强。
作者贡献声明
Jinyang Li：撰写——原始草稿、可视化、方法论。Dengji Guo：监督。Ta-Cheng Mo：验证、调查、概念化。Yu-Hsiang Hsu：验证、数据管理。Changliang Zhu：监督。Shien-Ping Feng：监督。Hung-Fei Kuo：监督、资源、项目管理。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
致谢
本工作得到了中国深圳国际合作研究项目（编号：GJHZ20240218113806012）的支持。
