Abstract
為了確定半導體製造中的化學機械研磨(Chemical Mechanical Polishing , CMP)製程的品質，對晶圓表面輪廓形貌的精密量測至關重要。白光干涉儀 (White Light Interferometry, WLI)透過量測光的干涉現象，以獲取Z 軸高度資訊，最終得到物體的表面輪廓形貌，是近年來常用於測量CMP 製程中表面輪廓形貌的一種技術。 CMP製程會對晶圓進行大面積的表面處理，因此需要對整個區域的Z 軸高度分佈進行測量。然而WLI 量測的視野範圍 (Field of View，FOV )大小有限，因此要先對晶圓的不同位置進行量測，最後再將成千上萬個FOV的測量資料拼接在一起，以獲得整個晶圓的表面輪廓形貌。隨著製程的特徵尺寸不斷減小，為了確保表面形貌測量的精度和準確性，必須提高WLI 量測的解析度與次數，使得量測和拼接的時間大幅增加。 現有的傳統拼接演算法分為基於區域(area-based 和基於特徵 feature-based) 兩大類，前者透過計算各區塊的相似度來尋找重疊區域進行拼接，需要消耗非常多的運算量與時間，同時也無法處理重複圖案的狀況；後者則是透過擷取特徵進行匹配的方式來尋找重疊區域，雖然計算特徵可以減少運算量，但也無法處理特徵量少以及重複圖案的狀況，因此兩類方法對於拼接精度與時間都有一定的限制。相較於傳統特徵擷取的演算法，卷積神經網路可以擷取出的更豐富、抽象化的特徵，並透過GPU 加速來縮短運算時間，本研究希望利用深度學習的模型，建構出在不降低精度的情況下能夠快速拼接的演算法，以縮短拼接時間，進而提高生產效率。