基于深度学习的莫尔条纹光刻对准方法研究.pdf

摘要

莫尔条纹光刻对准技术通过实时监测光栅干涉条纹图像实现对准，具有速度快、

对位移变化敏感和不易受掩模和硅片间隙变化影响等优点，被广泛应用于新一代微/纳

光刻系统中。现有的莫尔条纹对准方法缺少对光刻多流程的融合处理能力，且存在的

系统误差和随机误差使相位解析的精度降低，同时条纹信号分析过程中的频谱泄漏降

低了所能达到精度的稳定性。因此研发精度更高、适应性更好的新型莫尔条纹对准技

术对于下一代光刻系统具有重大意义。

本文以此为研究对象，通过深度学习模型拟合莫尔条纹图像和对应位移的映射关

系，省去传统相位解析过程，实现从条纹图像到位移的直接输出，主要研究内容如下：

（1）针对数据集缺失问题，首先通过仿真实验确定了当两差动光栅间隙、孔栅比

和周期比为两光栅泰伯距离中点、0.5和1.1时，获得最优的莫尔条纹图像质量。同时

分析了影响莫尔条纹对准精度的其他因素，并按照最优光栅参数，生成了用于模型训

练的501类角位移数据集、199类粗对准数据集以及20951张精对准数据集。

（2）针对传统对准方法的不足，根据掩模与晶圆面内对准流程，设计了包含面内

角位移检测、大范围粗对准以及小范围精对准等三个子模型的深度学习莫尔条纹光刻

对准方法以及对准标记，可消除莫尔条纹自重复性带来的影响。研究结果表明，仅通

过单点检测即可对直接对准的三个流程进行检测并输出对应角度或位移量。

（3）构建了角位移深度学习模型，以ResNet101作为主干网络，采用了余弦退火

学习率衰减方式并添加了特征融合的网络结构；构建了粗对准深度学习模型，以

ResNet50作为主干网络，针对训练内容，添加空间注意力机制；构建了图像回归预测

精对准模型，以轻量化的CNN网络融合通道注意力机制。研究结果表明，角位移、粗

对准分类模型的准确率分别达86.60%和98.80%，精对准模型在分别采用仿真图像和光

强数值矩阵作为输入时，可实现2.334nm和0.175nm的理论轴向对准精度。

（4）分别对本文的三个子模型进行了误差分析。研究结果表明，角位移深度学习

−7

模型可实现10rad的角位移对准精度；粗对准模型可进行200μm的对准范围锁定；

精对准模型在图像和数值矩阵的输入方式下可实现数个纳米和亚纳米的对准精度。

本文基于深度学习的莫尔条纹计算光学光刻对准方法，可对掩模与晶圆直接对准

的三个流程进行校准，通过莫尔条纹图像或数字信号直接输出偏移量，简化对准流程

的同时提高了对准精度，可适用于微小位移、工件缺陷以及面形检测等领域。

关键词：光刻对准技术；莫尔条纹；计算光学；深度残差网络；注意力机制

Abstract

Moiréfringelithographyalignmenttechnologyiswidelyusedinanewgenerationof

micro/nanolithographysystemsbecauseofitsadvantagesoffastspeed,sensitivityto

displacementchanges,andinsensitivitytomaskandsiliconwafergapchanges.Theexisting

Moiréfringealignmentmethodlacksthefusionprocessingabilityoflithographymulti-process,

andthesystematicerrorandrandomerrorinphaseresolutionreducetheaccuracy,andthe

spectralleakageduringthefringesignalanalysisreducesthestabilityoftheaccuracyachieved.

Therefore,thedevelopmentofanewMoiréstripealignmenttechnologywithhigherprecision

a