通过深度学习和菲佐干涉测量技术，对高反射率晶圆进行表面地形重建，以实现在线检测

《JOURNAL OF INTELLIGENT MANUFACTURING》：Surface topography reconstruction of highly reflective wafers for in-line inspection via deep learning and Fizeau interferometry

硅片表面检测中，传统方法依赖局部缺陷检测且难以评估全局形貌，而干涉计量法（如相位移位干涉仪）虽精度高但存在环境敏感、需多张图像等产线适配难题。本文提出融合波长调谐Fizeau干涉仪与深度学习模型TridentNet的新框架，仅需两张任意相位偏移的干涉图像即可重建纳米级形貌，误差低于0.0206λ，标准差0.0185λ，并集成工业标准评估模块。

　　

摘要

在先进的半导体制造过程中，对硅晶圆的精确表面检测对于实现高产量和可靠的器件性能至关重要。传统的表面检测技术主要能够检测局部缺陷，这限制了对整体表面形态的评估。而随着对大直径晶圆和精细节点尺寸需求的增加，整体表面形态的评估变得越来越重要。干涉测量技术，特别是相移干涉测量（PSI），能够在全场表面检测中提供纳米级的精度，但由于其对环境不稳定性的敏感性和需要多个相移干涉图像，因此在在线环境中面临实际挑战。为了解决这些问题，我们提出了一种新的表面检测框架，该框架将波长可调的菲佐干涉仪与基于深度学习的相位重建模型TridentNet相结合。该框架仅使用两个任意相移的干涉图像即可重建晶圆表面形态，大幅降低了数据采集需求，同时保持了高重建精度。该系统包括三个相互连接的模块：干涉图像采集、基于深度学习的表面重建以及基于工业标准的定量评估。我们的方法是在模拟数据集上训练的，这些数据集反映了实际条件，如相移间隔、附加噪声和非线性失真。广泛的仿真和实验验证证明了所提出方法的鲁棒性和准确性，其误差（均方根误差为0.0206λ）较低，重复性（标准差为0.0185λ）较高。该框架生成了包括统计指标和符合性评估在内的全面分析报告，从而有助于工艺的可追溯性和优化。这种方法使得对高反射率、大直径晶圆进行在线全场测量成为可能，为下一代半导体制造提供了一个可靠的解决方案。