仿真驱动的三维线粗糙度重构:一种用于扫描电子显微镜度量的概念验证深度学习框架
《Micron》:Simulation-driven 3D line roughness reconstruction: A proof-of-concept deep learning framework for SEM metrology
【字体:
大
中
小
】
时间:2026年08月30日
来源:Micron 2.7
编辑推荐:
摘要:
对纳米级半导体线条图案进行精确的三维形貌计量对于先进制程控制至关重要。然而,由于空间信息的根本性丢失,从单幅俯视扫描电子显微镜(SEM)图像中推断三维深度是一个本质上病态的反演问题。本文提出了一种原理验证性的、基于物理驱动的多通道一维深度学习框架,旨在利用仅由蒙特卡
摘要:
对纳米级半导体线条图案进行精确的三维形貌计量对于先进制程控制至关重要。然而,由于空间信息的根本性丢失,从单幅俯视扫描电子显微镜(SEM)图像中推断三维深度是一个本质上病态的反演问题。本文提出了一种原理验证性的、基于物理驱动的多通道一维深度学习框架,旨在利用仅由蒙特卡罗电子产额模拟训练得到的模型来推断三维线粗糙度和表面形貌。通过将局部化多线空间上下文窗口集成到高效的一维U-Net架构中,所提出的计算方案成功缓解了深度模糊性,同时弥合了一维计算效率与二维空间感知之间的差距。在合成SEM数据集上的定量评估表明,该模型在分布外粗糙度参数下展现出稳健的外推能力。此外,通过功率谱密度(PSD)进行的频域分析证实,我们的框架有效缓解了过度平滑伪影,忠实地保留了关键的高频随机粗糙度特征。最后,我们通过将该框架应用于实验SEM图像来展示了其定性可行性。在生成物理上合理的三维表面剖面的同时,我们识别并讨论了由未建模物理现象引起的合成-实验域偏移,为未来校准策略确立了清晰路径。最终,本研究为三维形貌剖析奠定了可扩展、非破坏性、高通量的计算基础,为下一代半导体制造中的全定量在线三维线粗糙度计量铺平了道路。
引言:
随着半导体器件尺寸持续缩小至个位数纳米级,线边缘粗糙度(LER)和线宽粗糙度(LWR)已成为限制器件性能和制造良率的关键因素。LER指特征边缘相对于理想平面形状的随机偏差,而LWR通常指由这些边缘偏差耦合引起的特征宽度的空间变化。在现代先进节点架构中,即使几个纳米的LER或LWR也可能严重影响晶体管行为和互连可靠性。例如,栅极LER本质上会增加有效沟道长度的变化,导致严重的阈值电压偏移、更高的漏电流和降低的驱动强度(Asenov等,2003;Diaz等,2001;Yang等,2004)。因此,缓解并准确量化这些LER引起的短沟道效应已成为确保当代纳米级场效应晶体管(FET)可靠性的不可或缺的前提。
随着技术向鳍式场效应晶体管(FinFET)和全环绕栅极(GAA)架构发展,三维粗糙度——包括侧壁和顶表面变化——变得越来越关键(Rathore和Rana,2018;Kim,2021)。在这些非平面器件中,局部鳍粗糙度会诱导横截面变化,直接影响静电特性和电流分布。此外,向极紫外(EUV)光刻的转变加剧了这一问题;EUV随机效应会产生显著的LER和LWR,即使标称特征缩小,它们也不会成比例缩放(Vaglio Pret等,2013;Constantoudis等,2018)。不可避免地,这种复杂的三维形貌粗糙度会显著改变有效器件尺寸、寄生电容和互连电阻,凸显了对高精度三维尺寸计量的关键需求(Bunday等,2003;Villarrubia和Bunday,2005)。
因此,工业界对粗糙度控制的要求变得异常严格。国际器件和系统路线图(IRDS)将LWR确定为图案化误差预算中的主要限制因素,允许的3σ LWR被限制在亚2纳米范围内(IEEE,2024)。当前先进的EUV工艺节点现在要求LWR控制接近1纳米或以下——这些数值恰好处在传统尺寸计量技术的检测极限边缘(Constantoudis等,2018)。这些激进的目标将现有计量工具推向其根本物理极限,凸显了无偏、高分辨率和可重复测量方法的极端重要性(Azarnouche等,2012;Villarrubia和Bunday,2005)。
俯视关键尺寸扫描电子显微镜(CD-SEM)长期以来一直是LER和LWR监测的行业主力工具,提供了出色的分辨率和高通量(Villarrubia和Bunday,2005;Kizu等,2020)。然而,传统CD-SEM本质上获取的是二维电子产额图,因此无法直接分辨侧壁粗糙度或完整三维形貌。利用原子力显微镜(AFM)的相关计量研究表明,俯视SEM经常通过将复杂的侧壁变化合并为单一的二维边缘轮廓来低估真实的三维粗糙度(Kizu等,2022;Kizu等,2020)。因此,虽然CD-SEM仍然是在线监测不可或缺的工具,但从这些图像中提取可靠的形貌指标需要对二次电子发射伪影和仪器噪声进行严格校正(Azarnouche等,2012)。
为了克服传统SEM的二维局限性,已开发了多种替代计量技术以更直接地获取三维形貌信息。原子力显微镜(AFM)和关键尺寸原子力显微镜(CD-AFM)能够以亚纳米级垂直分辨率追踪局部侧壁轮廓;然而,它们遭受严重通量限制,并在密集、高深宽比沟槽内遇到物理可及性限制(Orji等,2007;Orji等,2016;Watanabe等,2012)。相反,散射计量技术——包括光学散射计量和小角X射线散射——擅长表征大面积周期性阵列的集合平均粗糙度谱,但它们仍然对单根线条的局部随机变化根本不敏感(Dixit等,2014;Dixit等,2015;Jones等,2006;Pflüger等,2017)。此外,虽然立体SEM和电子断层扫描可以利用多角度倾斜系列提取复杂的三维轮廓,但广泛的图像采集时间和复杂的对准协议使其对于高通量、在线制造来说非常不实用(Ercius等,2009;Tondare等,2017)。
为了以物理严谨性表征SEM信号生成,蒙特卡罗(MC)电子-物质相互作用模拟提供了一种强大的计算方法。先进的模拟框架,如CASINO、JMONSEL和Nebula,可以准确估计复杂三维形貌的二次电子产额(Drouin等,2007;van Kessel和Hagen,2020;Villarrubia等,2015),并被广泛用于研究局部侧壁粗糙度如何转化为二维强度剖面(van Kessel等,2020)。虽然这些正向模型建立了三维几何与图像对比度之间的基本物理联系,但由于电子-固体相互作用的严重非线性和固有的随机噪声,直接解析反演此散射过程以推断形貌仍然在计算上不可行。
深度学习的最新进展提供了一种有说服力的计算框架来绕过这些解析障碍。通过从数据中直接学习隐式非线性映射,卷积神经网络(CNN)——特别是U-Net架构(Ronneberger等,2015)——在各种显微领域的多尺度回归任务中展现了卓越的效能。例如,Houben等人成功利用在合成数据集上训练的CNN从单视角SEM图像中估计形貌深度(Houben等,2022)。这种利用模拟驱动数据集的范式极具优势,因为它为监督学习提供了绝对的、无噪声的参考几何,而无需承受破坏性横截面计量的高昂成本(Houben等,2023;Asano等,2025)。深度学习从有限的二维投影推断三维结构的更广泛成功——从电子子波层析成像(Chang等,2023)到光学显微镜(Wang等,2019)——进一步证实了数据驱动模型在解决计算成像中病态反演问题方面的普遍适用性(Lucas等,2018;Ongie等,2020)。
在本文中,我们提出了一种原理验证性的、基于物理驱动的多通道一维深度学习框架,用于从单幅俯视SEM图像中可靠地推断半导体线条图案的三维线粗糙度。通过利用全面的蒙特卡罗电子产额模拟,我们生成了稳健的合成数据集,准确封装了广泛粗糙度参数下复杂的电子-固体相互作用。我们系统地将局部化多线空间上下文窗口集成到高效的一维U-Net架构中。我们证明,这种多通道一维计算方法不仅解决了严格一维输入固有的深度模糊性,而且在分布外条件下展现出卓越的外推稳健性。此外,频域分析证实,我们的框架有效缓解了传统的过度平滑伪影,忠实地保留了关键的高频随机特征。最后,我们在实验SEM图像上展示了该方法的定性可行性。在生成物理上合理的三维表面剖面的同时,我们明确识别并讨论了由未建模物理现象引起的合成-实验域偏移,为未来校准策略确立了清晰路径。最终,本研究为定性三维形貌剖析奠定了可扩展、非破坏性、高通量的计算基础,为下一代半导体制造中严格在线制程控制需求的全定量计量铺平了道路。
章节摘录——基准形貌提取与建模:
为建立模拟的代表性几何基准,我们基于SiO?结构在Si衬底上的线条图案进行建模,如图1(a)所示的示意图。物理样品在一块商用300毫米晶圆上通过专门纳米制造设施的工艺制造。虽然具体的专有蚀刻工艺配方不可得,但其物理效应——如宏观侧壁锥度和局部形貌——已内嵌于所制造的结构中。
全尺度三维重建(基于未见测试数据):
为了严格评估训练好的多通道一维U-Net的泛化能力,我们在一个全面生成的、未见的测试数据集上执行了全尺度三维形貌推断。测试集通过系统性地扫描粗糙度参数来构建,其范围有意超出训练边界(??_max ≤ 3.0 nm,?? ≤ 5.0 nm)以评估模型的外推能力:目标峰值振幅(??_max)从0.25变化至5.0 nm。
结论:
在本文中,我们提出了一种原理验证性的多通道一维深度学习框架,用于从单幅俯视SEM图像中对半导体线条图案进行高保真度的三维形貌推断。通过系统地将局部化多线空间上下文窗口(??=5)集成到高效的一维U-Net架构中,我们有效缓解了单探测器电子产额映射中固有的病态深度模糊性。这种多通道一维计算方法弥合了...
贡献者声明:
Haewon Jung:撰写——原稿,可视化,验证,软件,方法论,调查研究,形式分析,概念化。Hoon Kang:撰写——审阅与编辑,可视化,调查研究。In-Yong Park:撰写——审阅与编辑,项目管理。Dal-Jae Yun:撰写——审阅与编辑,监督,方法论,数据管理。
利益冲突声明:
作者声明他们没有已知的竞争性经济利益或个人关系,这些关系可能影响本文所报告的工作。
Haewon Jung | Hoon Kang | In-Yong Park | Dal-Jae Yun
韩国标准科学研究院战略技术研究院,大韩民国大田市柳城区嘉陵路267号,邮编34113
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号