预先准备的基于深度神经网络的EUV面具检查.
Optics express
|August 13, 2025
概括
一个深度神经网络通过分析微小部分衍射数据来加速EUV光刻的动态图案面具检查 (APMI). 这种快速的方法提高了重建速度,有助于检测缺陷和验证口罩质量.
科学领域:
- 半导体制造业 半导体制造业
- 计量学 计量学 计量学
- 计算成像技术的成像
背景情况:
- 动态图案面具检查 (APMI) 对于EUV光刻图片面具质量控制至关重要.
- 传统的APMI方法面临着可扩展性和成本挑战,阻碍了摩尔定律的进展.
- 图形摄影提供了一个没有镜头的替代方案,但由于缓慢的相位检索和数据采集,其吞吐量很低.
研究的目的:
- 开发一种使用深度神经网络 (DNN) 的快速APMI方法,以更快地识别缺陷.
- 为了利用光罩样本的先前信息,在有限的数据基础上进行高准确度图像重建.
- 为了证明基于DNN的APMI在半导体制造中的EUV口罩检查的可行性.
主要方法:
- 利用在合成和实验数据上训练的深度神经网络 (DNN) 架构.
- 用了一小部分 (<5%) 的测量衍射模式用于图像重建.
- 用完全合成的数据集测试了DNN,以验证现实世界的适用性.
- 集成的DNN预测作为常规图谱的初步猜测.
主要成果:
- 与标准图解相比,在重建速度上取得了显著的改进,即使有先前的知识.
- 使用有限的衍射数据证明了高保真度图像重建和缺陷识别.
- 在类似逻辑的EUV面罩模式上成功执行了对数据库的检查.
结论:
- 深度神经网络提供了一个有前途的解决方案,以加快图形 EUV 面具检查.
- 提出的快速APMI方法提高了半导体制造的吞吐量和可扩展性.
- 这种方法可以集成到现有的工作流程中,以有效地验证光罩质量.
