146
[118] N. Rana et C. Archie, « Hybrid reference metrology exploiting patterning simulation », présenté
à SPIE Advanced Lithography, San Jose, California, 2010, p. 76380W,
https://doi.org/10.1117/12.848311.
[119] R. M. Silver et al., « Improving optical measurement accuracy using multi-technique nested
uncertainties », 2009, p. 727202, https://doi.org/10.1117/12.816569.
[120] J. Hazart et al., « Data fusion for CD metrology: heterogeneous hybridization of scatterometry,
CDSEM, and AFM data », 2014, p. 90502L, https://doi.org/10.1117/12.2046484.
[121] M.-A. Henn et al., « Optimizing hybrid metrology: rigorous implementation of Bayesian and
combined regression », J. MicroNanolithography MEMS MOEMS, vol. 14, n
o4, p. 044001–
044001, 2015.
[122] I. Gereige, « Contribution des réseaux de neurones dans le domaine de l’ellipsométrie:
Application à la scatterométrie », Université de Saint-Etienne, 2009.
[123] C. Gourgon et G. Granet, « Classification par réseaux de neurones dans le cadre de la
scattérométrie ellipsométrique ».
[124] I. E. Kalioubi, « Développement de la technique de scattérométrie neuronale dynamique »,
Université Grenoble Alpes, 2015.
[125] R. E. Kass et A. E. Raftery, « Bayes Factors », J. Am. Stat. Assoc., vol. 90, n
o430, p. 773‑795, juin
1995, https://doi.org/10.1080/01621459.1995.10476572.
[126] L. Mejlbro, « Introduction to Probability », Introd. Probab., p. 61. ISBN: 978-87-7681-515-8
[127] N. F. Zhang et al., « Improving optical measurement uncertainty with combined multitool
metrology using a Bayesian approach », Appl. Opt., vol. 51, n
o25, p. 6196, sept. 2012,
https://doi.org/10.1364/AO.51.006196.
[128] Y. Chen, « Data fusion for accurate microscopic rough surface metrology », Ultramicroscopy,
vol. 165, p. 15‑25, juin 2016, https://doi.org/10.1016/j.ultramic.2016.03.012.
[129] A. Vaid et al., « Hybrid metrology solution for 1X node technology », 2012, p. 832404,
https://doi.org/10.1117/12.916940.
[130] T. F. Brain et al., Chapter 7 WHAT THE FROG’S EYE TELLS THE FROG’S BRAIN from « The Mind:
Biological Approaches to its Functions », William C. Corning, Martin Balaban., vol. The Mind:
Biological Approaches to its Functions. 1968, ISBN [978-0-470-17493-7] .
[131] S. F. P. Zaki, « Classification par réseaux de neurones dans le cadre de la scattérométrie
ellipsométrique », Université de Lyon, 2016.
[132] « INTRODUCTION AUX RESEAUX DE NEURONES ». [En ligne]. Disponible à:
https://www.lrde.epita.fr/~sigoure/cours_ReseauxNeurones.pdf. [Consulté le: 11-oct-2018].
[133] « Neural Network FAQ, part 1 of 7: Introduction ». [En ligne]. Disponible à:
ftp://ftp.sas.com/pub/neural/jargon. [Consulté le: 07-août-2018].
[134] K. Hornik et al., Degree of Approximation Results for Feedforward Networks Approximating
Unknown Mappings and Their Derivatives. 1995.
[135] Y. LeCun, Y. Bengio, et G. Hinton, « Deep learning », Nature, vol. 521, n
o7553, p. 436‑444, mai
2015, https://doi.org/10.1038/nature14539.
[136] N. Kang, « Multi-Layer Neural Networks with Sigmoid Function— Deep Learning for Rookies
(2) », Medium, 04-févr-2019. [En ligne]. Disponible à:
https://towardsdatascience.com/multi-layer-neural-networks-with-sigmoid-function-deep-learning-for-rookies-2-bf464f09eb7f.
[Consulté le: 01-août-2019].
147
[137] « Activations - Keras Documentation ». [En ligne]. Disponible à:
https://keras.io/activations/#usage-of-activations. [Consulté le: 01-août-2019].
[138] S. Sharma, « Activation Functions in Neural Networks », Medium, 14-févr-2019. [En ligne].
Disponible à:
https://towardsdatascience.com/activation-functions-neural-networks-1cbd9f8d91d6. [Consulté le: 01-août-2019].
[139] E. D. Sontag, « Neural Networks for Control », dans Essays on Control, H. L. Trentelman et J. C.
Willems, Éd. Boston, MA: Birkhäuser Boston, 1993, p. 339‑380,
https://doi.org/10.1007/978-1-4612-0313-1_10.
[140] K. Hornik, « Approximation capabilities of multilayer feedforward networks », Neural Netw.,
vol. 4, n
o2, p. 251‑257, 1991, https://doi.org/10.1016/0893-6080(91)90009-T.
[141] N. Chaudhary et al., « Automated rough line-edge estimation from SEM images using deep
convolutional neural networks », dans Photomask Technology 2018, Monterey, United States,
2018, p. 56, https://doi.org/10.1117/12.2501723.
[142] C. M. Bishop, « Neural networks and their applications », Neural Netw., vol. 65, n
o6, p. 30, 1994,
https://doi.org/10.1063/1.1144830.
[143] N. Chaudhary et al., « Line roughness estimation and Poisson denoising in scanning electron
microscope images using deep learning », J. MicroNanolithography MEMS MOEMS, vol. 18, n
oRésumé
La détermination de la rugosité sub-nanométrique sur les flancs des motifs, dont les dimensions
critiques atteignent une taille inférieure à 10nm, devient une étape primordiale. Mais à ce jour, aucune
technique de métrologie n'est suffisamment robuste pour garantir un résultat juste et précis. Une voie,
actuellement en cours d'exploration pour la mesure dimensionnelle, consiste à hybrider différentes
techniques de métrologie. Pour ce faire, des algorithmes de fusion de données sont développés afin
de traiter les informations issues de multiples équipements de métrologie, le but étant donc d’utiliser
ce même type de méthode pour la mesure de rugosité de ligne. Ces travaux de thèse explicitent tout
d’abord les progrès de méthodologie de mesure de rugosité de ligne, au travers de la décomposition
fréquentielle et des modèles associés. Les différentes techniques utilisées pour la mesure de rugosité
de lignes sont présentées avec une nouveauté importante concernant le développement et l’utilisation
de la technique SAXS pour ce type de mesure. Cette technique possède un potentiel élevé pour la
détermination de motifs sub-nanométriques. Des étalons de rugosités de ligne sont fabriqués, sur la
base de l’état de l’art comportant des rugosités périodiques, mais aussi, des rugosités plus complexes
déterminées par un modèle statistique, utilisé normalement pour la mesure. Ces travaux se focalisent
finalement sur les méthodes d’hybridation, et plus particulièrement sur l’utilisation de réseaux de
neurones. Ainsi, la mise en place d’un réseau de neurones est détaillée au travers de la multitude de
paramètres qu’il comporte. Le choix d’un apprentissage du réseau de neurones sur simulation mène à
la nécessité de savoir générer les différentes métrologies en présence.
Abstract
Roughness at Sub-nanometric scale determination becomes a critical issue, especially for patterns with
critical dimensions below 10nm. Currently, there is no metrology technique able to provide a result
with high precision and accuracy. A way, based on hybrid metrology, is currently explored and
dedicated to dimensional measurements. This hybrid metrology uses data fusion algorithms in order
to address data coming from different tools. This thesis presents some improvements on line
roughness analysis thanks to frequency decomposition and associated model. The current techniques
used for roughness determination are explained and a new one SAXS (Small Angle X-rays Scattering) is
used to push again limits of extraction of roughness. This technique has a high potential to determine
sub-nanometric patterns. Moreover, the design and manufacturing of reference line roughness
samples is made, following the state of art with periodic roughness, but also more complex roughness
determined by a statistical model usually used for measurement. Finally, this work focus on
hybridization methods and more especially on neural network utilization. Thus, the establishment of a
neural network is detailed through the multitude of parameters which must be set. In addition, training
of the neural network on simulation leads to the capability to generate different metrology.
Dans le document
Nouvelle méthodologie hybride pour la mesure de rugosités sub-nanométriques
(Page 153-157)