CN120476466A - 使用机器学习的半导体膜厚度预测 - Google Patents

Abstract

机器学习模型可用以自在处理期间从自半导体基板俘获的光谱影像来估计膜厚度。替代于使用来自实体基板的实际测量值来训练模型，可针对多种预定义厚度轮廓产生模拟影像。可通过接收表示半导体基板设计上的膜的膜厚度轮廓而快速产生模拟训练数据。光源可模拟成被所述半导体基板上的所述膜反射并由相机俘获。可将相机所俘获的光谱数据转换成具有膜厚度轮廓的晶片的一或更多个影像。可接着用来自膜厚度轮廓的厚度来标记所述影像以用于训练机器学习模型。

Description

使用机器学习的半导体膜厚度预测

技术领域

本申请案请求2022年12月5日提交的美国专利申请案第18/075,216号的优先权及权益，该美国专利申请案以引用方式全文并入本文。

本公开涉及使用光学计量以使用机器学习方法来检测基板上的层的厚度。更特定言之，本公开描述用于产生用于机器学习模型的训练数据的技术。

背景技术

通常通过将导电层、半导体层或绝缘层依序沉积在硅晶片上而在基板上形成集成电路。在集成电路的制造期间，基板表面的平坦化可能需要移除填料层或提高光平板印刷的平坦度。化学机械研磨(chemicalmechanicalpolishing,CMP)为一种公认的平坦化方法。此平坦化方法通常需要将基板安装在载体或研磨头上。通常将基板的已暴露表面放置成抵靠旋转的研磨垫。载体头在基板上提供可控负载以将基板推向研磨垫。通常将磨蚀性研磨浆料供应至研磨垫的表面。可使用各种光学计量系统(例如，摄谱仪或椭偏仪)以(例如)在在线或独立的计量站处测量基板层在研磨前及研磨后的厚度。

作为平行问题，诸如图形处理单元(GraphicalProcessing Unit,GPU)及张量处理单元(Tensor Processing Unit,TPU)的硬件资源的进步已导致深度学习算法及其应用的巨大改良。深度学习不断发展的领域之一为计算机视觉及影像识别。此种计算机视觉算法主要经设计而用于影像分类或分段。

发明内容

在一些实施方式中，一种训练模型以表征半导体基板上的膜厚度的方法可包括接收表示半导体基板设计上的膜的膜厚度轮廓。该方法亦可包括将光源模拟成被半导体基板上的膜反射并由相机俘获。该方法可另外将该相机所俘获的光谱数据转换成具有该膜厚度轮廓的晶片的一或更多个影像。该方法可进一步包括用该膜厚度轮廓来标记该一或更多个影像以用于训练机器学习模型。

在一些实施方式中，一种系统可包括一或更多个处理器及一或更多个内存元件。该一或更多个内存元件可包括指令，该等指令当由该一或更多个处理器执行时导致该一或更多个处理器执行包括以下的操作：接收表示半导体基板设计上的膜的膜厚度轮廓。该等操作亦可包括将光源模拟成被半导体基板上的膜反射并由相机俘获。该等操作可另外将该相机所俘获的光谱数据转换成具有该膜厚度轮廓的晶片的一或更多个影像。该等操作可进一步包括用该膜厚度轮廓来标记该一或更多个影像以用于训练机器学习模型。

在一些实施方式中，一或更多种非暂时性计算机可读介质可存储指令，该等指令当由一或更多个处理器执行时导致该一或更多个处理器执行包括以下的操作：接收表示半导体基板设计上的膜的膜厚度轮廓。该等操作亦可包括将光源模拟成被半导体基板上的膜反射并由相机俘获。该等操作可另外将该相机所俘获的光谱数据转换成具有该膜厚度轮廓的晶片的一或更多个影像。该等操作可进一步包括用该膜厚度轮廓来标记该一或更多个影像以用于训练机器学习模型。

在任何实施方式中，可以任何组合而非限制地来实施以下特征中的任一者或全部。该膜厚度轮廓可包括自该半导体基板的中心延伸至该半导体基板的周边的该膜的厚度的测量值。该膜厚度轮廓可包括该膜在自该半导体基板的中心延伸出的多个不同半径处的厚度。该膜厚度轮廓可特定于膜材料及一或更多种下伏膜材料。该半导体基板设计可包括设计文件，该设计文件包括膜材料。将光源模拟成被半导体基板上的膜反射并由相机俘获可包括接收光源的光谱，其中该光源可包括激光器，其将在半导体工艺期间被引导至实体半导体基板；及/或使用薄膜推理公式、该膜的物理性质、基于该膜厚度轮廓的一位置处的膜厚度及下伏膜性质，计算将由实体相机俘获的来自该膜的反射光谱。该半导体基板设计不需要制造或处理实体基板来模拟该光源被该膜反射及将该光谱数据转换成晶片的影像。将相机所俘获的光谱数据转换成具有该膜厚度轮廓的晶片的一或更多个影像可包括将该相机所俘获的该光谱数据转译成RGB像素值，及/或使用查找表，其存储对应于相机的已接收到的光谱波长的RGB像素值。用该膜厚度轮廓标记该一或更多个影像可包括使该影像与该半导体基板设计上的特定位置处的厚度测量值相关联以产生用于机器学习模型的训练对。将该光源模拟成被该膜反射可包括存取膜材料及该膜材料的物理性质，其中该机器学习模型特定针对该膜材料进行训练。可自该膜厚度轮廓产生多个模拟影像，其中该多个模拟影像中的每一者可对应于该膜厚度轮廓中的厚度值。多个不同的膜厚度轮廓可经模拟以产生针对特定膜材料的各种膜厚度的训练数据集。该一或更多个影像包括单色影像。该膜厚度轮廓可包括模拟晶片缺陷，其中该机器学习模型可经训练以识别出对应于该模拟晶片缺陷的晶片缺陷。该方法/该等操作亦可包括在将该光源模拟成被该半导体基板上的该膜反射并由该相机俘获时添加模拟信号噪声。用该膜厚度轮廓来标记该一或更多个影像可包括用膜厚度的范围来标记该一或更多个影像。

附图说明

可通过参考本说明书的其余部分及附图实现对各种实施方式的本质及优势的进一步理解，其中贯穿若干附图使用相同附图标记来代表类似部件。在一些情形下，子标签与附图标记相关联，以表示多个类似部件中的一者。当在不说明现有子标签的情况下引用附图标记时，旨在代表所有此种多个类似部件。

图1根据一些实施方式绘示研磨装置。

图2根据一些实施方式绘示用于图像处理的训练数据的数据库。

图3根据一些实施方式绘示用于训练模型以表征半导体基板上的膜厚度的方法的流程图。

图4根据一些实施方式绘示用于执行取自膜的光测量值的模拟的过程的流程图。

图5根据一些实施方式绘示具有线性膜厚度轮廓的半导体基板设计的实例。

图6根据一些实施方式绘示来自用于产生训练数据的模拟过程的曲线图。

图7根据一些实施方式绘示被用作研磨装置的控制器的一部分的神经网络。

图8绘示可在其中实施各种实施方式的例示性计算机系统。

具体实施方式

本文所述为用于产生模拟数据以用于训练模型以自半导体膜的表面影像估计厚度的实施方式。机器学习模型可用以自在处理期间自半导体基板俘获的光谱影像来估计膜厚度。替代于使用来自实体基板的实际测量值来训练模型，可针对多种预定义厚度轮廓产生模拟影像。可通过接收表示半导体基板设计上的膜的膜厚度轮廓而快速产生模拟训练数据。可将光源模拟成被半导体基板上的膜反射并由相机俘获。可将相机所俘获的光谱数据转换成具有该膜厚度轮廓的晶片的一或更多个影像。可接着用膜厚度轮廓来标记影像以用于训练机器学习模型。

由于CMP工艺中研磨速率的可变性，因此在CMP处理中使用来自干式计量系统的薄膜厚度测量值。此种干式计量测量技术通常使用摄谱仪或椭偏仪方法，其中膜堆叠的光学模型中的变量适合所收集的测量值。此些测量技术通常需要传感器与基板的测量点的精确对准，以确保模型适用于所收集的测量值。因此，测量基板上大量的点可能耗时，且收集高分辨率厚度轮廓并不可行。

然而，使用机器学习可实现以减少的时间来测量基板上的膜的厚度。通过使用来自基板的晶粒的影像及相关联的厚度测量值来训练深度神经网络，可通过将输入影像应用于神经网络来测量晶粒的膜厚度。除厚度推理之外，此技术可用以使用影像分段对基板上的残留物的层级进行分类。

图1根据一些实施方式绘示研磨装置。研磨装置100可包括经配置以承载基板10的一或更多个承载头126、一或更多个研磨站106，及/或用以将基板装载至承载头及自承载头卸除基板的移送站。研磨站106可包括被支撑在平台120上的研磨垫130。研磨垫130可为具有外研磨层及较软背衬层的两层研磨垫。

承载头126可自支撑件128悬垂且可在研磨站106之间移动。在一些实施方式中，支撑件128可包括高架轨道，且承载头126可耦合至托架108，该托架108安装至轨道，使得托架108及其他托架(未示出)可选择性地在研磨站106与移送站之间移动。或者，在一些实施中，支撑件128可包括可旋转转盘，且可旋转转盘的旋转可使承载头126同时沿圆形路径移动。

研磨装置100的每个研磨站106可包括埠(例如，在臂134的端部)，以将研磨液体136(诸如，磨蚀性浆料)施配至研磨垫130上。研磨装置100的每个研磨站106亦可包括衬垫调节装置，以磨蚀研磨垫130以便将研磨垫130维持在一致的磨蚀状态。

承载头126可操作以保持基板10抵靠研磨垫130。每个承载头126可具有对与每个相应基板相关联的研磨参数(诸如，压力)的独立控制。特定而言，每个承载头126可包括固定环142，以将基板10固定在柔性膜状物144下方。每个承载头126亦可包括由膜状物限定的多个可独立控制的可加压腔室(例如，三个腔室146a～146c)，该等腔室可将可独立控制的压力施加至柔性膜状物144上的相关联区域并因而施加在基板10上。尽管为了易于说明而在图1中仅绘示三个腔室，但可能存在一个或两个腔室，或四个或更多个腔室(例如，五个腔室)。

每个承载头126可自支撑件128悬垂，且可通过驱动轴154连接至承载头旋转马达156，以使得承载头可围绕轴线127旋转。视情况，每个承载头126可横向地振荡，例如，通过驱动轨道上的托架108，或通过转盘自身的可旋转振荡。在操作中，平台可围绕其中心轴线旋转，且每个承载头可围绕其中心轴线127旋转且跨研磨垫的顶表面横向地平移。

控制器190(诸如，可编程计算机)可连接至每个马达，以独立地控制平台120及承载头126的旋转速率。控制器190可包括中央处理单元(centralprocessing unit,CPU)192、内存194，及支持电路196，例如，输入/输出电路系统、电源供应器、时钟电路、高速缓存及其类似者。内存可连接至CPU 192。内存可为非暂时性计算机可读介质，且可为一或更多种易购内存，诸如，随机存取内存(random access memory,RAM)、只读内存(read-only memory,ROM)、软盘、硬盘，或其他形式的数字存储器。另外，尽管被绘示成单个计算机，但控制器190可为分布式系统，例如，包括多个独立操作的处理器及内存。

研磨装置100亦可包括在线(亦称作顺序)光学计量系统160。在线光学计量系统160的成像系统可定位在研磨装置100内，但不需要在研磨操作期间执行测量。实情为，可在研磨操作之间收集测量值，例如，当基板自一个研磨站移动至另一者时，或在研磨前操作或研磨后操作期间，诸如，当基板自移送站移动至研磨站时，或反之亦然。另外，在线光学计量系统160可定位在晶片厂接口单元或可自晶片厂接口单元存取的模块中，以在自盒中抽取基板之后但在基板被移动至研磨单元之前或在基板已被清洁之后但在基板返回至盒之前来测量基板。

在线光学计量系统160可包括传感器组件161，其提供基板10的成像。传感器组件161可包括光源162、光检测器164，及/或用于在控制器190与光源162及光检测器164之间发送及接收信号的电路系统166。

光源162可操作以发射白光。在一些实施方式中，所发射的白光可包括具有在约200nm与约800nm之间的波长的光。适当光源可包括白光发光二极管(light-emittingdiode,LED)的阵列、氙气灯及/或氙气汞灯。光源162可经定向而以非零入射角α将光168引导至基板10的已暴露表面上。入射角可(例如)在约30°与约75°之间(例如，50°)。

光源可照射横越基板10的宽度的大体上线性的细长区域。举例而言，光源162可包括光学器件(诸如，扩束器)，以使来自光源的光散布至细长区域中。或者或另外，光源162可包括光源的线性阵列。光源162自身以及照射在基板上的区域可为细长的，且具有平行于基板表面的纵向轴线。

可将扩散器170放置在光168的路径中，或光源162可包括扩散器，以便在光到达基板10之前将光扩散。

检测器164可为对来自光源162的光敏感的相机。该相机可包括检测器元件的阵列。举例而言，相机可包括CCD阵列。在一些实施方式中，该阵列可为检测器元件的单个列。举例而言，相机可为线扫描相机。检测器元件的列可平行于被光源162照射的细长区域的纵向轴线延伸。在光源162包括发光元件的列的情况下，检测器元件的列可沿平行于光源162的纵向轴线的第一轴线延伸。检测器元件的列可包括1024个或更多个元件。

相机164可经配置而具有适当的聚焦光学器件172，以将基板的视场投影至检测器元件的阵列上。视场可足够长，以检视基板10的整个宽度，例如，长为150mm～300mm。相机164(包括相关联光学器件172)可经配置以使得个别像素对应于具有等于或小于约0.5mm的长度的区域。举例而言，假设视场可为约200mm长且检测器164包括1024个元件，则线扫描相机所产生的影像可具有长度为约0.5mm的像素。为了确定影像的长度分辨率，可将视场(field of view,FOV)的长度除以FOV成像至其上的像素的数目以获得长度分辨率。

相机164亦可经配置以使得像素宽度可与像素长度相当。举例而言，线扫描相机的优势可在于其非常快的帧率。帧率可为至少5kHz。可将帧率设定为某一频率，以使得当成像区域在基板10上扫描时，像素宽度可与像素长度相当，例如，等于或小于约0.3mm。

光源162及光检测器164可被支撑在台180上。在光检测器164包括线扫描相机的情况下，光源162及相机164可相对于基板10移动，以使得成像区域可在整个基板长度上扫描。特定而言，相对运动可在平行于基板10的表面且垂直于线扫描相机164的检测器元件的列的方向上。

在一些实施中，台182可为固定的，且用于基板的支撑件可移动。举例而言，承载头126可(例如)通过托盘108的运动或通过转盘的旋转振荡来移动。在工厂接口单元中保持基板的机械臂亦可使基板10移动经过线扫描相机182。在一些实施方式中，台180可移动，而承载头或机械臂保持固定以用于影像获取。举例而言，台180可通过线性致动器182沿导轨184移动。在任一情形下，此准许当被扫描区域在基板10上移动时，光源162及相机164相对于彼此停留在固定位置处。

具有一起在基板上移动的线扫描相机及光源的可能优势例如如与习知2D相机相比较而言可在于，对于在晶片上的不同位置而言，光源与相机之间的相对角度保持恒定。因此，可减少或消除由视角的变化所引起的假影。另外，线扫描相机可消除透视失真，而习知2D相机可表现出固有的透视失真，继而可能需要通过影像变换来校正该透视失真。传感器组件161可包括用以调整基板10与光源162及检测器164之间的垂直距离的机制。举例而言，传感器组件161可包括用以调整台180的垂直位置的致动器。

视情况，偏光滤光器174可定位在光的路径中，例如，在基板10与检测器164之间。偏光滤光器174可包括圆形偏光器(circular polarizer,CPL)。典型CPL可为线性偏光器与四分之一波片的组合。偏光滤光器174的偏光轴的恰当定向可减少影像中的雾度并锐化或增强所期望的视觉特征。

假设基板上的最外层为半透明层(例如，介电层)，则在检测器164处检测到的光的色彩取决于(例如)基板表面的成分、基板表面光滑度，及/或自基板上的一或更多个层(例如，介电层)的不同界面反射的光之间的干涉量。如上所述，光源162及光检测器164可连接至计算设备(例如，控制器190)，该计算设备可操作以控制其操作并接收其信号。执行各种功能以将色彩影像转换成厚度测量值的计算设备可被视为计量系统160的一部分。

由上述系统所俘获的色彩影像可被馈入至图像处理算法以产生在色彩影像中所示出的晶粒的厚度测量值。该影像可被用作对已经例如通过受监督深度学习方法训练的图像处理算法的输入数据，以基于色彩影像来估计层厚度。基于受监督深度学习的算法可在色彩影像与厚度测量值之间建立模型。作为基于深度学习的算法，图像处理算法可包括神经网络。

色彩影像的每个像素的每个色彩通道的强度值可被键入至图像处理算法中，例如，键入至神经网络的输入神经元中。基于此输入数据，可针对色彩影像计算层厚度测量值。因此，将色彩影像输入至图像处理算法会导致经估计厚度的输出。此系统可被用作针对低成本内存及其他应用的高处理量且经济的解决方案。除厚度推理之外，此技术亦可用以使用影像分段对基板上的残留物的层级进行分类。

图2根据一些实施方式绘示用于图像处理的训练数据的数据库220。为了使用受监控深度学习方法来训练图像处理算法(例如，神经网络)，可收集并存储已标记影像。举例而言，数据库220可存储个别记录210，其中每一者可对应于一训练对。每个训练对可包括表示基板的影像212及基板上的膜的厚度值214。可接着使用组合数据集218训练基于深度学习的算法(例如，神经网络)，该组合数据集218包括多个个别记录210。可将每个个别记录210中的厚度值214用作用于训练模型的对应影像212的标签。

为了使此机器学习方法有效地起作用，模型可受益于经详尽且准确地训练以基于输入影像来识别厚度。准确训练模型通常需要数千个标记影像。此些影像应理想地表示多种不同的膜材料、膜厚度、膜图案及/或可能在不同基板之间变化的其他设计特征。大量且多样化的训练数据集确保了神经网络能够基于基板内或不同基板之间可能发生的不同变化而准确地估计厚度。

然而，当产生代表性的且广泛的数据集以训练模型时，存在技术挑战。具体而言，产生训练数据耗时且为资源密集型过程。举例而言，包括上千个影像的组合数据集218可能各自需要俘获实体基板的个别影像。为了标记此数据，基板可接着经历计量过程，以便测量对应于每个影像的基板准确厚度。计量测量通常需要单独计量站，其可能需要几分钟甚至几小时的时间来准确地表征并测量基板上的表面膜厚度。另外，使用真实晶片的实际影像需要首先制造实体基板，且接着将其用作训练数据的校准基板。

举例而言，在可收集初始校准影像之前或之后，可使用高准确度计量系统(例如，在线或独立的计量系统)在校准基板上的多个位置处收集基准真实厚度测量值。该高准确度计量系统可为干式光学计量系统。基准真实测量值可能来自于离线反射计量、椭圆计量、散射计量或更先进的TEM测量，尽管其他技术可能为适当的。举例而言，对于每个校准基板上的每个个别区域而言，可通过光学计量系统160的在线传感器来收集色彩校准影像。每个色彩校准影像可与来自计量数据的校准基板上的对应晶粒的“基准真实”厚度测量值相关联。可将该等影像及相关联的基准真实厚度测量值存储在数据库中。举例而言，数据可被存储为记录，其中每个记录包括校准影像及基准真实厚度测量值。可将影像212及相关联的基准真实厚度值214存储在数据库220中。

可接着使用组合数据集218来训练基于深度学习的算法(例如，神经网络)。在训练模型的同时，可将自计量工具测量的对应于晶粒中心的厚度测量值用作输入影像的标签。举例而言，模型的充分训练可能使用自不同基板上的至少五个晶粒收集的约50,000个影像，该等不同基板具有广范围的膜厚度及材料。亦即，可通过在线光学计量系统160的线扫描相机来扫描每个校准基板以产生初始校准影像，且该初始校准影像可被划分成校准基板上的个别区域的多个色彩影像。因此，使用真实晶片的影像并通过计量数据来标记彼些影像可能需要太多时间及太多不同基板才能以高效的方式产生充足的训练数据。

本文所述实施方式通过使用模型来模拟训练数据的产生而解决了此些及其他技术问题。举例而言，可模拟光源的数学及/或物理模型、自基板膜发射的光的反射，及通过相机将膜的光谱回应转换成像素值。可使用不同的厚度轮廓、膜材料、光源特性、相机类型及/或其他工艺参数来产生表示具有此些不同特性的虚拟晶片的影像。因为先前作为产生晶片的一部分已知了膜厚度，所以可通过已知膜厚度来标记对应影像并用以训练神经网络。此神经网络可接着稍后用以基于真实晶片的影像来估计或计算厚度。

图3根据一些实施方式绘示用于训练模型以表征半导体基板上的膜厚度的方法的流程图300。此方法可由计算机系统执行，该计算机系统包括一或更多个处理器及一或更多个内存元件。(若干)内存元件可存储指令，该等指令导致一或更多个处理器执行流程图300的操作。举例而言，该一或更多个内存元件可包括一或更多个非暂时性计算机可读介质，其经配置以存储处理器指令。以下图8绘示可用以执行此些操作的计算机系统。

该方法可包括接收表示半导体基板设计上的膜的膜厚度轮廓(302)。该膜厚度轮廓可包括表征半导体基板上的各个位置的厚度的任何数据集。举例而言，厚度轮廓可包括沿自半导体基板的中心延伸至半导体基板的周边的径向线的测量值。其他实施方式可使用自基板的一个边缘延伸至另一边缘、穿过基板的中心点离开的直径线。一些实施方式可使用自基板中心延伸出的各种半径处的基板厚度的圆形测量值。一些实施方式可使用在基板上的各个点处的厚度测量值的随机或分布式取样。膜厚度轮廓可取自半导体处理站中的任何头部区域且可包括任何任意形状，诸如，径向的、方位角的及/或螺旋线轮廓。一些实施方式并不限于1-D影像(诸如，线轮廓)，且可替代地使用具有任何任意形状或大小的2-D影像。

可使用一组数据点对来表示厚度轮廓。举例而言，厚度轮廓可包括数据点对，其可包括在半导体基板上的位置坐标、距离或像素计数/数目，连同厚度测量值。此些数据点对的集合可被存储在一起以形成厚度轮廓，该厚度轮廓指示半导体基板沿基板上的线、直径、半径或其他位置的厚度。

半导体基板上的膜可包括在制造工艺期间沉积在基板上的任何类型的层或膜。该膜可包括二氧化硅或其他氧化物膜。该膜亦可包括氮化物膜。可形成膜的其他层可包括金属层、光刻胶层、掩模层、半导体层、硅层，等等。仅藉助于实例来提供此些层，且任何膜类型可经模拟而存在于半导体基板的表面上。一些实施方式亦可不仅通过顶层膜而且通过可位于顶层膜下面的一或更多个下伏膜层来表征膜厚度轮廓。因为下伏膜层亦可影响来自光源的光谱的反射率，所以可使用顶层膜及下伏膜的不同组合以产生不同厚度轮廓。因此，每个膜厚度轮廓可不仅特定于顶层膜材料而且特定于顶层膜材料与在顶层膜下面的不同膜材料的组合。一些实施方式亦可产生特定于个别半导体基板设计的膜厚度轮廓，诸如，膜中的不同电路或布局图案。

半导体基板设计可由实际实体基板设计来表示，或由表示该设计的模型或设计文件来表示。与先前解决方案相反，此些实施方式不需要在其上执行测量以测量膜厚度轮廓的实际实体半导体基板。实情为，半导体基板的设计文件或其他设计表示可用于该模拟。举例而言，半导体基板设计可包括诸如膜材料、膜厚度、膜沉积工艺、膜图案、下伏膜材料、半导体基板大小等的特性。在一些实施方式中，可使用膜材料类型连同厚度来简单地表示半导体基板设计。半导体基板设计亦可包括其他半导体特征，诸如，半导体基板上的划线及其他复杂图案。

该方法亦可包括将光源模拟成被半导体基板上的膜反射并由相机俘获(304)。如上所述，一些半导体处理站(诸如，使用化学机械研磨来平坦化半导体基板的工艺)可通过将光引导至基板表面并测量自顶层膜反射的光的光谱回应来测量膜厚度。反射的光谱可由相机俘获并被转换成数字像素。可接着分析此影像的像素以在该过程发生时实时地确定膜厚度。可使用诸如神经网络的机器学习模型来分析该等影像，该机器学习模型接收影像作为输入并产生经估计厚度作为输出。此些实施方式将光源模拟成被半导体基板上的膜反射并由相机俘获，而非使用来自实体半导体基板的实际厚度测量值来训练此模型。

图4根据一些实施方式绘示用于执行取自膜的光测量值的模拟的过程的流程图。首先，可将来自光源402的光谱提供至模拟过程404。该光谱可包括光源所提供的光的波长。举例而言，一些实施方式可使用被引导在膜表面处的特定波长或波长范围来模拟激光光。该光谱可包括单一波长，及/或如图4中所绘示的波长分布。一些实施方式亦可考虑到光源的其他特性，诸如，光源的强度、应用于光源的任何滤光器、光源相对于顶层膜的入射角，等等。

除了来自光源402的光谱以外，可将膜厚度轮廓406提供至模拟过程404。在一些实施方式中，对于诸多不同的膜厚度轮廓406而言，来自光源402的膜类型及光谱可保持恒定。尽管图4中未明确示出，但可向模拟过程提供其他工艺参数，诸如，膜材料、下伏膜层、半导体基板大小，等等。膜厚度轮廓406可针对每次模拟而改变，藉此为每组处理条件及膜类型提供多个不同的模拟结果。一些实施方式可产生作为高斯信号的组合的膜厚度轮廓406。其他实施方式可基于来自真实基板的实际实体膜厚度的先前测量值产生膜厚度轮廓406。一些实施方式可随机产生膜厚度轮廓406，以产生各种各样的连续的或半连续的厚度轮廓曲线。举例而言，膜厚度轮廓可在至约之间变化以模拟不同厚度轮廓。

在接收到此些输入之后，模拟过程404可模拟并计算光源自顶层膜的反射。因为膜的物理性质对于模拟过程404而言为已知的，所以与堆叠性质有关的标准薄膜干涉公式可用以计算来自光源402的光谱的反射率。举例而言，将基于来自半导体基板设计的性质知晓每种膜材料(例如，氧化物膜、氮化物膜，等)的光学性质。此些物理性质可用在膜的电磁模型化中所使用的标准薄膜干涉公式中，以计算朝向相机反射的光的量连同所反射光的光谱。模拟过程404的输出可包括将由测量系统的相机接收的光的反射光谱408。

在一些实施方式中，可将噪声或其他信号添加至模拟过程。举例而言，可将信号噪声添加至来自光源402的光谱或添加至反射光谱408以模拟(例如)在化学机械研磨工艺期间可能存在的噪声。一些实施方式亦可将模拟缺陷添加至厚度轮廓406。该等模拟缺陷可包括下伏膜层中的缺陷、内嵌在膜层中之外来材料，及/或其他表面缺陷。该等模拟缺陷亦可包括诸如膜分层、膜中的空隙等的异常。

简要地返回至图3，该方法可另外包括将相机所俘获的光谱数据转换成具有该膜厚度轮廓的晶片的一或更多个影像(306)。在此阶段，可能已使用模拟过程404、膜厚度轮廓406及/或图4中的膜及/或半导体基板设计的其他物理性质将光源的光谱输出转换成相机的光谱输入。相机模拟410可接着使将由相机俘获的光谱回应转换成来自相机的像素值输出。举例而言，一些实施方式可通过使用查找表412对相机的操作模型化，该查找表412将光谱值转译成RGB像素值416。查找表412可基于相机的已知的物理及操作性质。每个光谱波长可被转译成RGB像素值416以产生由相机俘获的模拟影像。

此模拟影像近似于相机在现实世界实体过程中俘获的实际影像。然而，模拟影像可更快地产生，且不需要实际使用及处理半导体基板。相机的物理性质可为已知的且作为输入被提供给此过程。举例而言，可为相机确定每个波长的光谱回应，且相机的此光谱回应可用以通过填充查找表412而将反射光转换成RGB数据。因此，查找表412可表示相机的操作的模型。

再次返回至图3，该方法可另外包括用该膜厚度轮廓标记一或更多个影像以用于训练机器学习模型(308)。影像的在图4中的像素值416及该膜厚度轮廓406可接着彼此相关联以形成训练对414。该等训练对可包括像素值或影像，连同与像素值或影像相关联的厚度。训练对414可为用以训练本文所述神经网络的多个训练对中的一者。每个膜厚度轮廓406可用以为膜厚度轮廓406中的每个厚度值产生训练对。如上所述，膜厚度轮廓406中的每个厚度测量值可与半导体基板设计上的位置相关联。

在模拟之后，膜厚度轮廓406中的每个厚度测量值亦可与半导体基板设计上的彼位置的影像相关联。因此，使用单个膜厚度轮廓406的模拟可产生多个不同的训练对414。因此，通过此过程为具有该膜厚度轮廓的晶片产生的一或更多个影像可用以用在半导体基板设计上的不同位置处来自膜厚度轮廓的个别厚度标记一或更多个影像。当使用不同的膜厚度轮廓406运行多次模拟时，可非常快速地产生数百或数千个训练对414以训练神经网络以便自反射影像识别膜厚度。在一些实施方式中，像素值可与厚度范围(例如，埃的范围)相关联，而非与单个厚度相关联。一些实施方式可替代地或另外输出与参考点有关的厚度不均匀度的范围而非输出绝对厚度。此允许模拟补偿子层变化。注意，使用厚度轮廓406仅为用于产生训练标签的一个实例，尤其在该过程正沿该轮廓预测多个、连续的厚度值的情况下。其他实施方式亦可每个影像或线轮廓使用单个厚度值，且因此并不限于连续的厚度轮廓。或者，在标记数据时，可使用多个离散厚度值。

图5根据一些实施方式绘示具有线性膜厚度轮廓504的半导体基板设计502的实例。在此实例中，半导体基板设计502可包括半导体基板的设计规范，其中特定膜材料形成为半导体基板上的顶层。可使用上述技术中的任一者产生膜厚度。藉助于说明，在图5通过不同色彩的阴影来表示膜厚度。可通过沿自半导体基板的中心延伸至基板周边的径向线俘获一连串测量值来产生膜厚度轮廓504。注意，仅藉助于实例提供此线性膜厚度轮廓504，且并不意谓为限制性的。在不受限制的情况下，可使用本文所述的其他轮廓(例如，线性的、圆形的、对角线的、螺旋的，等)中的任一者。

图6根据一些实施方式绘示来自用于产生训练数据的模拟过程的曲线图600。该模拟过程的一个优势可为使用具有不同色彩特性的影像的能力。举例而言，单色影像、多光谱影像及/或高光谱影像皆可由该模拟过程使用及产生。曲线图600上的水平轴线表示对应于图5中的线性膜厚度轮廓504的像素数目。因此，线性膜厚度轮廓504的长度可自(例如)几百个像素变化至几千个像素。膜厚度轮廓504可因此比全集合的计量数据小得多，该全集合的计量数据通常用以表征基板上的膜厚度，其通常会创建基板的完整矩形影像。此可极大地降低考虑到不同基板材料及厚度轮廓的内存要求及/或处理要求。使用来自水平轴线的像素数目，可使用已知的每个像素的空间分辨率来计算半导体基板上的特定位置。

曲线图600的垂直轴线对应于半导体基板在每个特定位置处的厚度。曲线602绘示水平轴线上的像素位置中的每一者的厚度的模拟结果。曲线图600的背景色彩对应于用以表征图5中的半导体基板设计502的厚度的色彩。

使用上述模拟过程快速产生神经网络的训练数据的优势可包括除了识别厚度以外训练神经网络以识别异常条件的能力。举例而言，可产生模拟噪声信号并将其与模拟中所使用的光谱回应中的任一者相混合。自模拟噪声信号产生的训练数据可用以对真实世界噪声异常模型化。因此，神经网络可经训练以识别物理过程的噪声水平何时增加超过了阈值量。通过识别出此增加的噪声水平，模型可产生输出，该输出指示(例如)需要改变研磨浆料；需要清洁或更换光学窗口、透镜或滤光器；及/或可能需要执行其他系统维护以改良成像系统所俘获的数据。

在另一实例中，模拟缺陷(诸如，内嵌在顶层膜中或下伏层中之外来材料)可作为输入被提供给模拟过程。此允许神经网络经训练以基于成像系统所接收到的影像来识别膜中的缺陷。神经网络可产生输出，该输出指示缺陷的位置。此可允许在制造工艺中提早识别出缺陷的来源。

图7根据一些实施方式绘示被用作研磨装置100的控制器190的一部分的神经网络720。神经网络720可为深度神经网络，其经开发用于对来自校准基板的输入影像的RGB强度值及基准真实厚度测量值进行回归分析，以产生模型以便基于基板区域的色彩影像来预测彼区域的层厚度。

神经网络720可包括多个输入节点722。神经网络720可包括针对与输入影像的每个像素相关联的每个通道的输入节点、多个隐藏节点724(以下亦称为“中间节点”)，及可产生层厚度测量值的输出节点726。在具有单层隐藏节点的神经网络中，每个隐藏节点724可耦合至每个输入节点722，且输出节点726可耦合至每个隐藏节点720。然而，实际上，用于图像处理的神经网络很可能具有许多层隐藏节点724。大体而言，隐藏节点724可输出来自输入节点722或隐藏节点724的先前层(隐藏节点724可与其连接)的值的加权总和的非线性函数的值。

然而，神经网络720可视情况包括一或更多个其他输入节点(例如，节点722a)以接收其他数据。此其他数据可来自通过原位监控系统对基板的先前测量值(例如，早先在基板处理中收集的像素强度值)、来自先前基板的测量值(例如，在另一基板的处理期间收集的像素强度值)、来自研磨系统中的另一传感器(例如，通过温度传感器对衬垫或基板的温度的测量值)、来自可用以控制研磨系统的控制器所存储的研磨配方(例如，研磨参数，诸如，用于研磨基板的承载头压力或平台旋转速率)、来自控制器所追踪的变量(例如，自改变衬垫以来的基板数目)，或来自不需要为研磨系统的一部分的传感器(例如，通过计量站对下伏膜的厚度的测量值)。此准许神经网络720在计算层厚度测量值时虑及其他处理或环境变量。

在输出节点726处所产生的厚度测量值可被馈入至工艺控制模块730。工艺控制模块可基于一或更多个区域的厚度测量值来调整工艺参数，例如，承载头压力、平台旋转速率，等。可针对将在基板或后续基板上执行的研磨工艺来执行该调整。

在用于(例如)基板测量之前，可使用以上详细描述的模拟数据来训练神经网络720。作为训练程序的一部分，控制器190可接收自模拟过程产生的多个经模拟的训练影像。每个模拟影像可包括多个强度值，例如，对于模拟影像的每个像素而言，每个通道的强度值。控制器亦可接收每个校准影像的表征值，例如，厚度。该厚度及该等影像值可被接收而作为上述训练对。该多个模拟影像可自(例如)大于或约为10次模拟、大于或约为20次模拟、大于或约为50次模拟、大于或约为75次模拟、大于或约为100次模拟、大于或约为150次模拟、大于或约为200次模拟、大于或约为250次模拟、大于或约为300次模拟、大于或约为400次模拟、大于或约为500次模拟、大于或约为1000次模拟等产生。作为神经网络720的配置程序，可使用模拟影像及半导体基板设计的特征值来训练神经网络720。

举例而言，V可对应于模拟影像中的一者且因此可与厚度值或厚度范围相关联。当神经网络720在诸如反向传播模式的训练模式中操作时，值(v1,v2,...,vL)可被馈入至相应输入节点N1,N2,...NL，而同时特征值厚度值或厚度范围可被馈送至输出节点726作为特征值。可针对每个像素及厚度值组合来重复此情形。此过程会设定神经网络720的内部节点权重的值。

该系统现可准备好进行操作，以自实际工艺期间自半导体处理腔室俘获的实况影像来估计厚度。可实时俘获使用在线监控系统160自基板测量的实际影像。所俘获影像可由行矩阵S＝(i1,i2,...,iL)表示，其中ij表示L个强度值中的第j个强度值处的强度值，其中当影像包括总共n个像素且每个像素可包括多个通道时，L＝3n。虽然神经网络720可用在推理模式中，但此些值(S1,S2,...,SL)作为输入被馈送至相应输入节点N1,N2,...,NL。因此，神经网络720可在输出节点726处产生特征值，例如，层厚度或厚度范围。

神经网络720的架构的深度及宽度可变化。举例而言，尽管神经网络720被示为具有单行的中间节点724，但其可包括多个行。中间节点724的数目可等于或大于输入节点722的数目。如上所述，控制器190可使各个影像与基板上的不同晶粒(参见图2)相关联。基于收集影像时传感器在基板上的位置，可将每个神经网络720的输出分类为属于该等晶粒中的一者。此准许控制器190为每个晶粒产生测量值的单独序列。

在一些实施中，神经网络720可经训练以在计算期间考虑到来自堆叠的下伏层厚度，此可改良归因于厚度测量中的下伏变化的误差。通过将下伏层的厚度的影像作为额外输入馈入至模型，可减轻膜堆叠中的下伏厚度变化的影响，以便改良模型的性能。

可通过计算机系统来实施本文所述方法中的每一者。此些方法的每个步骤可由计算机系统自动执行，及/或可具备涉及用户的输入/输出。举例而言，用户可为方法中的每个步骤提供输入，且此些输入中的每一者可回应于请求此输入的特定输出，其中输出是由计算机系统产生。可回应于对应请求输出接收每个输入。另外，输入可自用户接收，作为数据流自另一计算机系统接收，自内存位置撷取，在网络上撷取，自网络服务请求，及/或其类似者。同样，可将输出提供给用户，作为数据流提供给另一计算机系统，保存在内存位置中，在网络上发送，提供给网络服务，及/或其类似者。简言之，本文所述方法的每个步骤可由计算机系统执行，且可涉及至计算机系统(可能涉及用户或可能不涉及用户)的任何数目个输入、输出及/或请求及来自该计算机系统的任何数目个输入、输出及/或请求。不涉及用户的彼些步骤可被视为由计算机系统自动执行而无需人工干预。因此，将理解，根据本公开案，本文所述的每种方法的每个步骤可被更改以包括至用户的输入及来自用户的输出，或可由计算机系统自动完成而无需人工干预，其中任何确定皆由处理器作出。另外，可将本文所述方法中的每一者的一些实施方式实施为存储在有形的、非暂时性存储介质上的指令集合以形成有形软件产品。

图8绘示可在其中实施各种实施方式的例示性计算机系统800。计算机系统800可用以实施上述计算机系统中的任一者。举例而言，计算机系统800可用以执行模拟以产生上述训练数据。该计算机系统亦可被用作控制器，其执行神经网络并在执行半导体工艺时实时评估膜厚度。如图中所示，计算机系统800包括处理单元804，该处理单元804通过总线子系统802与诸多外围子系统通信。此些外围子系统可包括处理加速单元806、I/O子系统808、存储子系统818及通信子系统824。存储子系统818包括有形的计算机可读存储介质822及系统内存810。

总线子系统802提供了用于使计算机系统800的各种部件及子系统按预期彼此通信的机制。尽管将总线子系统802示意性地示为单个总线，但总线子系统的替代实施方式可利用多个总线。总线子系统802可为若干类型的总线结构中的任一者，包括内存总线或内存控制器、外围总线，及使用多种总线架构中的任一者的局部总线。举例而言，此些架构可包括工业标准体系结构(Industry Standard Architecture,ISA)总线、微通道体系结构(Micro ChannelArchitecture,MCA)总线、增强型ISA(EnhancedISA,EISA)总线、视频电子标准协会(Video Electronics Standards Association,VESA)局部总线，及外围部件互连(PeripheralComponentInterconnect,PCI)总线，其可被实施为经制造以符合IEEEP1386.1标准的夹层总线。

可被实施为一或更多个集成电路(例如，习知微处理器或微控制器)的处理单元804控制计算机系统800的操作。处理单元804中可包括一或更多个处理器。此些处理器可包括单核或多核处理器。在某些实施方式中，处理单元804可被实施为一或更多个独立处理单元832及/或834，其中每个处理单元中包括单个或多个处理器。在其他实施方式中，处理单元804亦可被实施为通过将两个双核处理器整合至单个芯片中而形成的四核处理单元。

在各种实施方式中，处理单元804可回应于程序代码而执行多种程序，且可维持多个同时执行的程序或进程。在任何给定时间处，要执行的程序代码的一些或全部可驻存在(若干)处理器804中及/或存储子系统818中。通过适当编程，(若干)处理器804可提供上述各种功能。计算机系统800可另外包括处理加速单元806，该处理加速单元806可包括数字信号处理器(digitalsignalprocessor,DSP)、专用处理器及/或其类似者。

I/O子系统808可包括用户接口输入设备及用户接口输出设备。用户接口输入设备可包括键盘、诸如鼠标或轨迹球的指向设备、并入显示器中的触摸板或触摸屏、滚轮、点选轮、拨盘、按钮、开关、小键盘、具有语音命令识别系统的音频输入设备、麦克风，及其他类型的输入设备。用户接口输入设备可包括(例如)运动感测及/或手势识别设备(诸如，Microsoft运动传感器)，其使得用户能够使用手势及口头命令通过自然的用户接口来控制输入设备(诸如，Microsoft360游戏控制器)并与之交互。用户接口输入设备亦可包括眼睛姿势识别设备，诸如，Google眨眼检测器，其可检测来自用户的眼睛活动(例如，在拍照及/或进行选单选择时“眨眼”)并将眼睛姿势变换为至输入设备(诸如，Google)中的输入。另外，用户接口输入设备可包括语音识别感测设备，其使得用户能够通过语音命令与语音识别系统(例如，导航器)交互。

用户接口输入设备亦可包括(而非限制)三维(3D)鼠标、操纵杆或指点杆、游戏手把及图形输入板以及音频/视频设备，诸如，扬声器、数字相机、数字摄影机、可携式介质播放器、网络摄影机、影像扫描仪、指纹扫描仪、条形码读取器、3D扫描仪、3D打印机、激光测距仪及视线追踪设备。另外，用户接口输入设备可包括(例如)医学成像输入设备，诸如，计算机断层摄影术、磁共振成像、位置发射断层摄影术、医学超声波检查设备。用户接口输入设备亦可包括(例如)音频输入设备，诸如，MIDI键盘、数字乐器，及其类似者。

用户接口输出设备可包括显示器子系统、指示灯，或非可视显示器(诸如，音频输出设备，等)。显示器子系统可为阴极射线管(cathode ray tube,CRT)，诸如使用液晶显示器(liquid crystal display,LCD)或等离子体显示器的平板设备、投影设备、触摸屏，及其类似者。通常，术语“输出设备”的使用旨在包括用于将来自计算机系统800的信息输出至用户或其他计算机的所有可能类型的设备及机制。举例而言，用户接口输出设备可包括但不限于在视觉上传达文本、图形及音频/视频信息的多种显示设备，诸如，监控器、打印机、扬声器、头戴式耳机、汽车导航系统、绘图仪、语音输出设备及调制解调器。

计算机系统800可包括存储子系统818，该存储子系统818包括软件元件，被示为目前位于系统内存810内。系统内存810可存储可在处理单元804上加载且执行的程序指令，以及在此些程序的执行期间所产生的数据。

取决于计算机系统800的配置及类型，系统内存810可为挥发性的(诸如，随机存取内存(random access memory,RAM))及/或非挥发性的(诸如，只读内存(read-onlymemory,ROM)、闪存，等)。RAM通常含有处理单元804可立即存取及/或目前正在操作并执行的数据及/或程序模块。在一些实施中，系统内存810可包括多种不同类型的内存，诸如，静态随机存取内存(static random access memory,SRAM)或动态随机存取内存(dynamicrandom access memory,DRAM)。在一些实施中，基本输入/输出系统(basic input/outputsystem,BIOS)可通常被存储在ROM中，该基本输入/输出系统(BIOS)含有诸如在启动期间帮助在计算机系统800内的元件之间传送信息的基本例程。藉助于实例且并非限制，系统内存810亦绘示应用程序812，该等应用程序812可包括客户端应用程序、网络浏览器、中间层应用程序、关系数据库管理系统(relational database management system,RDBMS)等、程序数据814及操作系统816。藉助于实例，操作系统816可包括各种版本的MicrosoftApple及/或Linux操作系统；多种商购或类UNIX操作系统(包括但不限于多种GNU/Linux操作系统、GoogleOS，及其类似者)；及/或移动操作系统，诸如，iOS、电话、OS、10OS及OS操作系统。

存储子系统818亦可提供有形的计算机可读存储介质，用于存储提供一些实施方式的功能的基本编程及数据构造。可将当由处理器执行时会提供上述功能的软件(程序、代码模块、指令)存储在存储子系统818中。此些软件模块或指令可由处理单元804执行。存储子系统818亦可提供用于存储根据一些实施方式使用的数据的存储库。

存储子系统800亦可包括计算机可读存储介质读取器820，该计算机可读存储介质读取器820可进一步连接至计算机可读存储介质822。与系统内存810一起及视情况与系统内存810相组合，计算机可读存储介质822可全面代表远程的、区域的、固定的及/或可移除的存储元件加上用于临时及/或更永久地含有、存储、传输及撷取计算机可读信息的存储介质。

含有代码或代码部分的计算机可读存储介质822亦可包括任何适当介质，包括存储介质及通信介质，诸如但不限于以用于存储及/或传输信息的任何方法或技术实施的挥发性及非挥发性的、可移除及不可移除的介质。此可包括有形的计算机可读存储介质，诸如，RAM、ROM、电子可抹除可编程ROM(electronically erasable programmable ROM,EEPROM)、闪存或其他内存技术、CD-ROM、数字化通用光盘(digitalversatiledisk,DVD)，或其他光学存储器、盒式磁带、磁带、磁盘存储器或其他磁性存储元件，或其他有形的计算机可读介质。此亦可包括无形的计算机可读介质，诸如，数据信号、数据传输，或可用以传输所需信息并可由计算系统800存取的任何其他介质。

藉助于实例，计算机可读存储介质822可包括：硬盘驱动器，其自不可移除的、非挥发性磁性介质读取或写入至该不可移除的、非挥发性磁性介质；磁盘驱动器，其自可移除的、非挥发性磁盘读取或写入至该可移除的、非挥发性磁盘；及光盘驱动器，其自可移除的、非挥发性光盘(诸如，CD ROM、DVD及磁盘或其他光学介质)读取或写入至该可移除的、非挥发性光盘。计算机可读存储介质822可包括但不限于驱动器、闪存卡、通用串行总线(universal serialbus,USB)快闪驱动器、安全数字(secure digital,SD)卡、DVD磁盘、数字视频磁带，及其类似者。计算机可读存储介质822亦可包括：基于非挥发性内存的固态驱动器(solid-state drive,SSD)，诸如，基于闪存的SSD、企业级快闪驱动器、固态ROM及其类似者；基于挥发性内存的SSD，诸如，固态RAM、动态RAM、静态RAM、基于DRAM的SSD、磁阻式RAM(MRAM)SSD；及混合SSD，其使用基于DRAM及闪存的SSD的组合。磁盘驱动器及其相关联的计算机可读介质可为计算机系统800提供对计算机可读指令、数据结构、程序模块及其他数据的非挥发性存储。

通信子系统824提供与其他计算机系统及网络的接口。通信子系统824充当用于自其他系统接收数据及将数据自计算机系统800传输至其他系统的接口。举例而言，通信子系统824可使计算机系统800能够通过互联网连接至一或更多个设备。在一些实施方式中，通信子系统824可包括：用于存取无线语音及/或数据网络(例如，使用蜂巢式电话技术、进阶数据网络技术，诸如，3G、4G或EDGE(用于全球演进的增强数据速率))的射频(radiofrequency,RF)收发器部件；WiFi(IEEE 802.11系列标准，或其他移动通信技术，或其任何组合)；全球定位系统(global positioning system,GPS)接收器部件；及/或其他部件。在一些实施方式中，除了无线接口以外或替代于无线接口，通信子系统824可提供有线网络连接(例如，以太网络)。

在一些实施方式中，通信子系统824亦可代表可使用计算机系统800的一或更多个用户接收呈结构化及/或非结构化数据馈入826、事件流828、事件更新830及其类似者的形式的输入通信。

藉助于实例，通信子系统824可经配置以自社交网络及/或其他通信服务(诸如，馈入、更新、网络馈入(诸如，丰富网站摘要(Rich Site Summary,RSS)馈入))的用户实时地接收数据馈入826，及/或来自一或更多个第三方信息源的实时更新。

另外，通信子系统824亦可经配置以接收呈连续数据流形式的数据，其可包括实时事件的事件流828及/或事件更新830，其本质上可为连续的或无界的，无明确的终点。产生连续数据的应用的实例可包括(例如)传感器数据应用、金融票证、网络性能测量工具(例如，网络监控及流量管理应用)、点选流分析工具、汽车交通监控，及其类似者。

通信子系统824亦可经配置以将结构化及/或非结构化的数据馈入826、事件流828、事件更新830及其类似者输出至一或更多个数据库，该一或更多个数据库可与耦合至计算机系统800的一或更多个流数据源计算机通信。

计算机系统800可为各种类型中的一者，包括手持可携式设备(例如，蜂巢式电话、计算平板计算机、PDA)、可穿戴设备(例如，Google头戴式显示器)、PC、工作站、主框架、信息站、服务器机架，或任何其他数据处理系统。

由于计算机及网络的不断变化的本质，图中所描绘的对计算机系统800的描述旨在仅作为特定实例。具有比图中所描绘系统更多或更少部件的许多其他配置是可能的。举例而言，亦可使用定制硬件，及/或可以硬件、固件、软件(包括小应用程序)或其组合来实施特定元件。另外，可采用与其他计算设备(诸如，网络输入/输出设备)的连接。基于本文中所提供的公开内容及教示，将显而易见用以实施各种实施方式的其他方式及/或方法。

如本文中所使用，术语“约”或“大致”或“大体上”可解释为在一般技艺人士根据本说明书所预期的范围内。

在前述描述中，出于解释目的，阐述了诸多特定细节，以便提供对各种实施方式的透彻理解。然而，将显而易见，可在无此些特定细节中的一些的情况下实践一些实施方式。在其他情形下，以框图形式示出熟知结构及设备。

前述描述仅提供例示性实施方式，且并不意欲限制本公开案的范畴、适用性或配置。实情为，各种实施方式之前述描述将提供用于实施至少一个实施方式的赋权公开案。应理解，在不脱离如在附加权利要求书中所阐述的一些实施方式的精神及范畴的情况下，可在元件的功能及布置方面作出各种改变。

在前述描述中给出特定细节以提供对实施方式的透彻理解。然而，将理解，可在无此些特定细节的情况下实践实施方式。举例而言，可能已以框图的形式将电路、系统、网络、工艺及其他部件示为部件，以便不会在不必要的细节上混淆实施方式。在其他情形下，为了避免混淆实施方式，可能已在无不必要细节的情况下示出了熟知的电路、工艺、算法、结构及技术。

又，应注意，个别实施方式可能已被描述为被描绘为流程图(flowchart)、流程图(flow diagram)、数据串流程图、结构图或框图的过程。尽管流程图可能已将操作描述为依序的工艺，但许多操作可并行地或同时地执行。另外，可重新布置操作的次序。当工艺的操作完成后该工艺会终止，但可具有图中未包括的额外步骤。工艺可对应于方法、功能、程序、子例程、子程序，等。当工艺对应于函数时，其终止可对应于函数返回至调用函数或主函数。

术语“计算机可读介质”包括但不限于可携式或固定的存储元件、光学存储元件、无线通道及能够存储、含有或携载(若干)指令及/或数据的各种其他介质。代码段或机器可执行指令可表示程序、函数、子程序、程序、例程、子例程、模块、软件包、类别，或指令、数据结构或程序说明的任何组合。可通过传递及/或接收信息、数据、自变量、参数或内存内容将代码段耦合至另一代码段或硬件电路。可通过任何适当手段传递、转发或传输信息、自变量、参数、数据等，包括内存共享、信息传递、符记传递、网络传输，等。

另外，可通过硬件、软件、固件、中间件、微代码、硬件描述语言或其任意组合来实施实施方式。当以软件、固件、中间件或微代码来实施时，用以执行必要任务的程序代码或代码段可被存储在机器可读介质中。(若干)处理器可执行必要任务。

在前述说明书中，参考特征的特定实施方式对特征进行了描述，但应认识到，并非所有实施方式皆限于此。可单独或联合地使用一些实施方式的各种特征及方面。另外，在不脱离本说明书的更宽泛精神及范畴的情况下，可将实施方式用在本文所述环境及应用之外的任何数目个环境及应用中。因此，应将说明书及附图视为说明性的而非限制性的。

另外，出于说明目的，以特定次序描述方法。应了解，在替代实施方式中，可以与所述次序不同的次序来执行该等方法。亦应了解，上述方法可通过硬件部件来执行，或可体现在机器可执行指令的序列中，该等机器可执行指令可用以使机器(诸如，通用或专用处理器或通过指令编程的逻辑电路)执行该等方法。此些机器可执行指令可存储在一或更多个机器可读介质上，诸如，CD-ROM或其他类型的光盘、软盘、ROM、RAM、EPROM、EEPROM、磁性或光学记忆卡、闪存，或适合于存储电子指令的其他类型的机器可读介质。或者，可通过硬件与软件的组合来执行该等方法。

Claims (20)

1.一种训练模型以表征半导体基板上的膜厚度的方法，所述方法包括：

接收表示半导体基板设计上的膜的膜厚度轮廓；

将光源模拟成被所述半导体基板上的所述膜反射并由相机俘获；

将所述相机所俘获的光谱数据转换成具有所述膜厚度轮廓的晶片的一或更多个影像；以及

用所述膜厚度轮廓来标记所述一或更多个影像以用于训练机器学习模型。

2.如权利要求1所述的方法，其中所述膜厚度轮廓包括自所述半导体基板的中心延伸至所述半导体基板的周边的所述膜的厚度的测量值。

3.如权利要求1所述的方法，其中所述膜厚度轮廓包括所述膜在自所述半导体基板的中心延伸出的多个不同半径处的厚度。

4.如权利要求1所述的方法，其中所述膜厚度轮廓是特定于膜材料及一或更多种下伏膜材料。

5.如权利要求1所述的方法，其中所述半导体基板设计包括设计文件，所述设计文件包含膜材料。

6.如权利要求1所述的方法，其中将所述光源模拟成被所述半导体基板上的所述膜反射并由所述相机俘获包括：

接收光源的光谱，其中所述光源包括激光器，所述激光器将在半导体工艺期间被引导至实体半导体基板。

7.如权利要求6所述的方法，其中将所述光源模拟成被所述半导体基板上的所述膜反射并由所述相机俘获进一步包括：

使用薄膜推理公式、所述膜的物理性质、基于所述膜厚度轮廓的位置处的膜厚度及下伏膜性质，计算将由实体相机俘获的来自所述膜的反射光谱。

8.如权利要求1所述的方法，其中所述半导体基板设计不需要制造或处理实体基板来将所述光源模拟成被所述膜反射并将所述光谱数据转换成所述晶片的所述影像。

9.一种系统，所述系统包括：

一或更多个处理器；以及

一或更多个内存元件，所述一或更多个内存元件包括指令，所述指令当由所述一或更多个处理器执行时导致所述一或更多个处理器执行包括以下的操作：

接收表示半导体基板设计上的膜的膜厚度轮廓；

将光源模拟成被所述半导体基板上的所述膜反射并由相机俘获；

将所述相机所俘获的光谱数据转换成具有所述膜厚度轮廓的晶片的一或更多个影像；以及

用所述膜厚度轮廓来标记所述一或更多个影像以用于训练机器学习模型。

10.如权利要求9所述的系统，其中将所述相机所俘获的所述光谱数据转换成具有所述膜厚度轮廓的晶片的所述一或更多个影像包括：

将所述相机所俘获的所述光谱数据转译成RGB像素值。

11.如权利要求10所述的系统，其中将所述相机所俘获的所述光谱数据转译成所述RGB像素值包括：

使用查找表，所述查找表存储对应于所述相机的已接收到的光谱波长的RGB像素值。

12.如权利要求9所述的系统，其中用所述膜厚度轮廓标记所述一或更多个影像包括：

使所述影像与所述半导体基板设计上的特定位置处的厚度测量值相关联以产生用于所述机器学习模型的训练对。

13.如权利要求9所述的系统，其中将所述光源模拟成自所述膜反射包括：

存取膜材料及所述膜材料的物理性质，其中所述机器学习模型特定针对所述膜材料进行训练。

14.如权利要求9所述的系统，其中自所述膜厚度轮廓产生多个模拟影像，其中所述多个模拟影像中的每一者对应于所述膜厚度轮廓中的厚度值。

15.如权利要求9所述的系统，其中多个不同的膜厚度轮廓经模拟以产生针对特定膜材料的各种膜厚度的训练数据集。

16.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括指令，所述指令当由一或更多个处理器执行时导致所述一或更多个处理器执行包括以下的操作：接收表示半导体基板设计上的膜的膜厚度轮廓；

将光源模拟成被所述半导体基板上的所述膜反射并由相机俘获；

将所述相机所俘获的光谱数据转换成具有所述膜厚度轮廓的晶片的一或更多个影像；以及

用所述膜厚度轮廓来标记所述一或更多个影像以用于训练机器学习模型。

17.如权利要求16所述的非暂时性计算机可读介质，其中所述一或更多个影像包括单色。

18.如权利要求16所述的非暂时性计算机可读介质，其中所述膜厚度轮廓包括模拟晶片缺陷，其中所述机器学习模型经训练以识别出对应于所述模拟晶片缺陷的晶片缺陷。

19.如权利要求16所述的非暂时性计算机可读介质，其中所述操作进一步包括：在将所述光源模拟成被所述半导体基板上的所述膜反射并由所述相机俘获时添加模拟信号噪声。

20.如权利要求16所述的非暂时性计算机可读介质，其中用所述膜厚度轮廓来标记所述一或更多个影像包括：

用膜厚度的范围来标记所述一或更多个影像。