2024年11月27日，IEEE旗下仪器与测量领域顶级期刊《IEEE Transactions on Instrumentation and Measurement》刊发精密仪器研究中心团队在集成电路纳米结构关键尺寸测量的最新成果，题为“Ensemble Learning-Fused Solution to the Inverse Problem in Integrated Optical Critical Dimension Metrology（集成式光学关键尺寸测量中逆问题的融合学习解决方案）”。博士生郭春付和博士后刘佳敏为论文共同第一作者，刘世元教授、刘佳敏博士后为通讯作者。

集成式光学关键尺寸（IM-OCD）测量技术凭借非接触、高通量、可在线等优势，在化学机械抛光、刻蚀等关键集成电路制造工艺的监测中获得了广泛应用，并已成为先进工艺控制中不可或缺的在线反馈测量手段。传统IM-OCD测量系统通常采用极坐标旋转位移台配置，结合偏振反射率测量方法，既保证周期性纳米结构形貌的快速测量，又确保在有限物理空间内实现系统的高度集成布局。由于偏振反射率在解析复杂纳米结构多个形貌参数时存在解耦能力弱的局限，本工作将穆勒矩阵椭偏光谱（MME）引入至IM-OCD测量系统，以实现复杂纳米结构形貌参数的精确高效解耦测量。然而，极坐标旋转位移台配置会导致不同晶圆位置纳米结构将对应不同的测量方位角，这会导致基于穆勒矩阵椭偏的纳米结构形貌测量精度随测量方位角（即晶圆测量位点）变化而变化，进而降低了仪器测量精度的一致性。

图1 (a) 基于穆勒矩阵的IM-OCD设备示意图。(b) IM OCD设备中使用的MME探头示意图。(c) 不同探测位置相对于测量平面的方位角。

基于此，本文提出了融合学习回归（EnsembleLearningFusedRegression, ELFR）的逆问题求解方法。该方法基于模型融合思路，整合非线性回归与深度学习模型以提升参数提取精度。首先利用岭回归方法建立非线性回归的纳米结构参数提取结果与基准值之间的映射关系，获得第一组结构参数预测值；再利用交叉神经网络方法建立穆勒矩阵光谱到纳米结构参数之间的映射光学，训练后得到第二组预测结果；最后再将两组结果按权重融合，并可通过调节权重使得结果最优，完成最终的纳米结构形貌重构。

图2 融合学习回归（ELFR）求解方法流程图

针对晶圆级浅槽隔离结构与互连层纳米结构的表征实验，验证了所提基于穆勒矩阵椭偏仪的集成式光学关键尺寸测量方案的可行性与有效性，尤其证明了融合集成学习回归方法在抑制方位角相关误差方面的优异性能。ELFR方法在浅沟槽隔离纳米结构提取中实现了R²大于0.93，平均绝对偏差小于1 nm，最大绝对偏差小于2 nm的结果，整体优于原始LM方法、LMRR方法，均满足在线测量精度要求。

图3 集成学习融合非线性回归的提取结果。(a) 一致性对比，(b) 偏差分布ε_bias，(c) 偏差ε_bias的方位角依赖性。

基于浅沟槽隔离结构和金属互联层结构的参数提取精度分析结果表明，ELFR方法则适用于更广泛的结构类型，包括方位角影响较强的情形。ELFR方法则是将方位角灵敏度间接引入结构参数之间的映射过程，从方法原理上增强了对方位角影响的建模能力，提高了参数提取的准确性与鲁棒性，整体性能更优；ELFR方法包含LMRR与BMNN两个阶段的融合过程，虽然计算效率略低、调参复杂度较高及模型建立耗时长，但在参数提取准确性和鲁棒性方面表现更佳。因此，ELFR方法则更适合处理方位角影响较强、结构复杂度更高的纳米结构。基于ELFR方法为穆勒矩阵椭偏测量技术在集成式关键尺寸在线测量中的工程应用提供了理论基础与方法支撑，对丰富化学机械抛光制程中的先进工艺控制手段具有重要意义。

论文信息：

C. Guo, J. Liu, H. Gu, J. Zhu, C. Zhang, X. Chen, H. Jiang, and S. Liu, "Ensemble Learning-Fused Solution to the Inverse Problem in Integrated Optical Critical Dimension Metrology," IEEE Trans. Instrum. Meas.74, 1001115 (2025).