CN108829948A - 坏点库的建立方法和建立系统 - Google Patents
坏点库的建立方法和建立系统 Download PDFInfo
- Publication number
- CN108829948A CN108829948A CN201810542700.1A CN201810542700A CN108829948A CN 108829948 A CN108829948 A CN 108829948A CN 201810542700 A CN201810542700 A CN 201810542700A CN 108829948 A CN108829948 A CN 108829948A
- Authority
- CN
- China
- Prior art keywords
- bad point
- mentioned
- library
- point position
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000013041 optical simulation Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000013461 design Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims description 52
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 238000012827 research and development Methods 0.000 abstract description 36
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000011160 research Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000001259 photo etching Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005530 etching Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 229920002120 photoresistant polymer Polymers 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本申请提供了一种坏点库的建立方法和建立系统。该建立方法包括：步骤S1，规则收集，规则包括版图设计规则；步骤S2，根据收集到的规则，生成随机版图；步骤S3，在随机版图中选取版图区域，并对版图区域进行光学仿真，得到限制工艺窗口的第一坏点位置，将得到的第一坏点位置定义为基本坏点；步骤S4，在随机版图中找到与基本坏点具有相同特征参数的第二坏点位置，第二坏点位置的集合为坏点库。该建立方法省去了大规模光学仿真的步骤，大大缩减了研发时间，同时，还可以对新节点研发初期的设计规则优化提供一定的指导作用，进一步推进研发进度，降低研发成本。
Description
技术领域
本申请涉及集成电路设计领域，具体而言，涉及一种坏点库的建立方法和建立系统。
背景技术
在集成电路制造过程中，光刻工艺后，晶圆上会产生缺陷位置，这些缺陷位置会影响电路设计的功能，导致工艺良率降低，常被称为坏点。
新节点研发初期，设计规则、坏点和制造工序等都是未确定的。通常地，通过光学临近修正学习循环(Optical Proximity Correction learning cycle)与实际制造工序验证的结合来确定设计规则、坏点和制造工序。
在大节点时期，设计规则都是从上一节点等比例缩小而来，且因为关键尺寸较大，制造工艺中往往留有余裕，坏点问题并不会特别严重。
如今，半导体制造业已经发展到了20nm及以下的节点，设计与制造工艺的复杂性大幅增加，坏点问题也愈加严重，在工艺制造的过程中，为了避免坏点问题，业界在正式流片之前，往往会针对设计版图进行坏点检测，以提高工艺良率。
通常来说，坏点检测方法主要有三种，具体为：传统的光学仿真方法、基于机器学习的方法和基于版图匹配的方法。
传统的光学仿真方法，通过构建光学投影模型和光刻胶模型，来仿真模拟版图在光刻胶上形成的图案轮廓，找到限制工艺窗口的位置，即为坏点位置。这种方法准确性很高，但针对整片芯片进行光学仿真，需要耗费一定的时间成本。
针对时间成本过高的问题，业界又提出了基于机器学习的方法和基于版图匹配的方法，这两种方法都是基于成熟的坏点库进行坏点检测，主要是从版图几何性质上对坏点进行考察。其中，基于机器学习的方法，是针对坏点库中的坏点，采用机器学习的方法训练模型，该模型可以根据输入的版图，进行是是否是坏点图形的判断。基于版图匹配的方法，以坏点库中的坏点为基准，针对输入版图进行匹配判断，匹配到的版图即判断为坏点图形。这两种方法，相对于光学仿真的方法来说，节省了时间，但是坏点检测的准确性有所降低，且均需依赖于成熟的坏点库进行检测，比较适合于集成电路工艺量产的成熟阶段。
新节点研发初期阶段，并没有成熟的坏点库，基于机器学习的方法和版图匹配的方法并不适用于这一阶段，而如果要采用传统的光学仿真方法检测坏点，所需要的时间成本过高，增加了工序固定前的调整时间，导致了新节点研发成本的增加，并不是业界所希望看到的情况。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
本申请的主要目的在于提供一种坏点库的建立方法和建立系统，以解决现有技术中的新节点研发初期没有坏点库，而难以以低时间成本的方式检测坏点的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种坏点库的建立方法，该建立方法包括：步骤S1，规则收集，上述规则包括版图设计规则；步骤S2，根据收集到的上述规则，生成随机版图；步骤S3，在上述随机版图中选取版图区域，并对上述版图区域进行光学仿真，得到限制工艺窗口的第一坏点位置，将得到的上述第一坏点位置定义为基本坏点；步骤S4，在上述随机版图中找到与上述基本坏点具有相同特征参数的第二坏点位置，上述第二坏点位置的集合为坏点库。
进一步地，上述特征参数包括光学投影参数和几何参数，上述步骤S4包括：在上述随机版图中找到与上述基本坏点具有相同的上述光学投影参数的多个上述第二坏点位置，得到第一预坏点库；在上述随机版图中找到与上述基本坏点具有相同的上述几何参数的多个上述第二坏点位置，得到第二预坏点库；对上述第一预坏点库和上述第二预坏点库取交集，得到上述坏点库。
进一步地，在上述步骤S3和上述步骤S4之间，上述建立方法还包括：提取上述基本坏点的上述特征参数。
进一步地，上述规则还包括双重投影规则。
进一步地，上述光学仿真包括一次光学仿真和二次光学仿真，上述步骤S3包括：在上述随机版图中选取上述版图区域；对上述版图区域进行上述一次光学仿真，得到限制上述工艺窗口的疑似坏点位置；调整仿真参数，采用调整后的上述仿真参数对上述疑似坏点位置进行上述二次光学仿真，当上述疑似坏点位置限制上述工艺窗口，则确定所疑似坏点位置为上述基本坏点。
进一步地，上述版图区域包括端对端图形区域、边对边图形区域、端对边图形区域、L型图形和C型图形。
进一步地，上述光学仿真包括光源掩模协同优化仿真。
进一步地，上述光学投影参数包括最大光强、最小光强以及最大光强变化率。
进一步地，上述几何参数包括端对端图形区域的最小间距、L型图形的短边长度以及边对边图形区域的最小间距。
进一步地，在上述步骤S4之后，上述建立方法还包括：对上述坏点库中的上述第二坏点位置进行上述光学仿真，验证上述第二坏点位置是否是限制上述工艺窗口的位置，若否，则将上述第二坏点位置移出上述坏点库。
根据本申请的另一方面，提供了一种坏点库的建立系统，该建立系统包括：规则收集单元，用于收集规则，上述规则包括版图设计规则；随机版图生成单元，与上述规则收集单元电连接，上述随机版图生成单元用于根据收集到的上述规则，生成随机版图；光学仿真单元，与上述随机版图生成单元电连接，上述光学仿真单元用于在上述随机版图中选取版图区域，并对上述版图区域进行光学仿真，得到限制工艺窗口的第一坏点位置，将得到的上述第一坏点位置定义为基本坏点；坏点库建立单元，与上述光学仿真单元电连接，上述坏点库建立单元用于在上述随机版图中找到与上述基本坏点具有相同特征参数的第二坏点位置，上述第二坏点位置的集合为坏点库。
进一步地，上述特征参数包括光学投影参数和几何参数，上述坏点库建立单元包括：第一分析模块，与上述光学仿真单元电连接，上述第一分析模块用于在上述随机版图中找到与上述基本坏点具有相同的上述光学投影参数的多个上述第二坏点位置，得到第一预坏点库；第二分析模块，与上述光学仿真单元电连接，上述第二分析模块用于在上述随机版图中找到与上述基本坏点具有相同的上述几何参数的多个上述第二坏点位置，得到第二预坏点库；取交模块，与上述第一分析模块和上述第二分析模块分别连接，上述取交模块用于对上述第一预坏点库和上述第二预坏点库取交集，得到上述坏点库。
进一步地，上述第一分析模块还用于提取上述基本坏点的上述光学投影参数，上述第二分析模块还用于提取上述基本坏点的上述几何参数。
进一步地，上述规则还包括双重投影规则。
进一步地，上述光学仿真单元包括：版图区域选取模块，与上述随机版图生成单元电连接，上述版图区域选取模块用于在上述随机版图中选取上述版图区域；一次仿真模块，与上述版图区域选取模块电连接，上述一次仿真模块用于对上述版图区域进行一次光学仿真，得到限制上述工艺窗口的疑似坏点位置；二次仿真模块，与上述一次仿真模块电连接，上述二次仿真模块用于调整仿真参数，并采用调整后的上述仿真参数对上述疑似坏点位置进行二次光学仿真，当上述疑似坏点位置限制上述工艺窗口，则确定上述疑似坏点位置为上述基本坏点。
进一步地，上述建立系统包括：校验单元，与上述坏点库建立单元电连接，上述校验单元用于对上述坏点库中的上述第二坏点位置进行上述光学仿真，验证上述第二坏点位置是否是限制上述工艺窗口的位置，若否，则将上述第二坏点位置移出上述坏点库。
应用本申请的技术方案，上述的建立方法，在根据收集到的规则，生成随机版图后，选取版图区域，对其进行光学仿真，找到限定工艺窗口的第一坏点位置，定义为基本坏点，而后，针对基本坏点进行性能分析，定位到随机版图上与基本坏点具有相同特征参数的位置，得到新的坏点位置，即第二坏点位置，第二坏点位置的集合为坏点库。该坏点库中的坏点位置，为新节点研发初期之后的研究，提供了基础，有助于减少后续优化和流片的次数，大大提高了研发效率。并且，该建立方法省去了大规模光学仿真的步骤，大大缩减了研发时间，同时，还可以对新节点研发初期的设计规则优化提供一定的指导作用，进一步推进研发进度，降低研发成本。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请一种典型的实施方式提供的坏点库的建立方法的流程示意图；以及
图2示出了本申请的另一种典型的实施方式提供的坏点库的建立系统。
其中，上述附图包括以下附图标记：
10、规则收集单元；20、随机版图生成单元；30、光学仿真单元；40、坏点库建立单元。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
正如背景技术所介绍的，现有技术中，在新节点研发初期没有对应的坏点库，进而难以以低时间成本的方式检测坏点，为了解决如上的问题，本申请提出了一种坏点库的建立方法和建立系统。
本申请的一种典型的实施方式中，提供了一种坏点库的建立方法，如图1所示，该建立方法包括：步骤S1，规则收集，上述规则包括版图设计规则，版图设计规则是制造厂为了保证制造良率，针对版图设计所限定的规则，不同节点的设计规则不同，设计规则的确定是新节点研发的基础；步骤S2，根据收集到的上述规则，生成随机版图；步骤S3，在上述随机版图中选取版图区域，并对上述版图区域进行光学仿真，得到限制工艺窗口的第一坏点位置，将得到的上述第一坏点位置定义为基本坏点；步骤S4，在上述随机版图中找到与上述基本坏点具有相同的特征参数的第二坏点位置，上述第二坏点位置的集合为坏点库。
上述的建立方法，在根据收集到的规则，生成随机版图后，选取版图区域，对其进行光学仿真，找到限定工艺窗口的第一坏点位置，定义为基本坏点，而后，针对基本坏点进行性能分析，定位到随机版图上与基本坏点具有相同的特征参数的位置，得到新的坏点位置，即第二坏点位置，第二坏点位置的集合为坏点库。该坏点库中的坏点位置(具体为第二坏点位置)，为新节点研发初期之后的研究，提供了基础，有助于减少后续优化和流片的次数，大大提高了研发效率。并且，该建立方法省去了大规模光学仿真的步骤，大大缩减了研发时间，同时，还可以对新节点研发初期的设计规则优化提供一定的指导作用，进一步推进研发进度，降低研发成本。
上述步骤S2，可以用任何可以生成随机版图的方式实现，比如，可采用layoutschematic generator软件，或者采用matlab或C等编码语言进行编程实现。
为了准确地建立坏点库，本申请的一种实施例中，上述特征参数包括光学投影参数和几何参数，上述步骤S4包括：在上述随机版图中找到与上述基本坏点具有相同的上述光学投影参数的多个上述第二坏点位置，得到第一预坏点库；在上述随机版图中找到与上述基本坏点具有相同的上述几何参数的多个上述第二坏点位置，得到第二预坏点库；对上述第一预坏点库和上述第二预坏点库取交集，得到上述坏点库，该坏点库中的坏点位置，是光学角度和几何角度上都成立的坏点位置，更加精确。
上述的步骤S2中，版图设计时期，因为布线的需求，金属层中的版图设计具有一定的随机性。在新节点研发初期，设计规则并不完全确定，根据收集到的规则，进行随机版图的生成，由于版图排布具有一定的随机性，在得到独特的坏点位置和设计规则优化指导上，有一定的益处。由于针对的是小节点的研发情况，随机版图生成时，就按照所收集到的双重投影规则，自动生成已经拆分好的版图。所以，最终得到的随机版图，既符合所收集到的设计规则，也是依据双重投影规则已经拆分成双层版图的结果。
本申请的一种具体的实施例中，在上述步骤S3和上述步骤S4之间，上述建立方法还包括：提取上述基本坏点的上述特征参数。进而，后续根据基本坏点的特征参数在上述随机版图中找到与上述基本坏点具有相同特征参数的多个第二坏点位置。
为了进一步准确获取坏点库，本申请的一种实施例中，上述规则还包括双重投影规则。在如今半导体制造业的发展时期，即20nm及以下的小节点时期，光学衍射等问题越加严重，单次光学投影光刻已经不能够将版图成功刻印出来，所以，便会采用双重光学投影方法，如光刻-刻蚀-光刻-刻蚀(lith-etch-litho-etch)，即将单层版图拆分成双层版图，使得版图周期变大，采用两次光刻-刻蚀以得到最终版图。为了针对的小节点时期建立坏点库，在规则收集的时候，也需要收集双重光学投影规则，以在版图生成的时候，直接得到已经拆分好的双层版图。设计规则和双重投影规则，主要是从上一节点直接缩减而来的粗略规则，也有一部分是根据制造厂的经验所得来的。
本申请的另一种实施例中，上述光学仿真包括一次光学仿真和二次光学仿真，上述步骤S3包括：在上述随机版图中选取版图区域；对上述版图区域进行一次光学仿真，输出仿真结构，得到限制工艺窗口的图形结构；调整仿真参数，如调整曝光工艺条件、光源类型以及偏振态等参数等，采用调整后的上述仿真参数对上述图形结构进行二次光学仿真，当上述图形结构仍然限制工艺窗口时，则确定上述图形结构为基本坏点。这样能够进一步保证建立的坏点库中的坏点位置都是准确的。
由于生成的随机版图为大规模随机版图，所以，首先从生成的随机版图中，挑选版图区域，挑选的原则为需要考虑常见的容易导致坏点的图形或图形区域，并且针对在随机版图中常见的版图，所选择的版图区域也应尽量覆盖到更多的版图，这样所选择的版图区域能够更有代表性。使得版图区域中包括更多的疑似坏点位置，后续在该版图区域中获得的基本坏点更多，从而进一步保证最后建立的坏点库更为精准。本申请的一种具体的实施例中，上述版图区域包括端对端(tip to tip)图形区域、边对边(side to side)图形区域、端对边(tip to side)图形区域、L型图形和C型图形，其中，短边相对的两个图形以及二者之间的区域为端对端图形区域；长边相对的两个图形以及二者之间的区域为边对边图形区域；短边和长边相对的两个图形以及二者之间的区域为端对边图形区域；L型图形为L型的图形，C型图形为C型的图形。
需要说明的是，上述的“短边相对”、“长边相对”以及“短边和长边相对”都是分别属于两个图形的短边或长边。
上述的版图区域中并不限于包括上述的几种图形或图形区域，还可以是其他的可能导致光刻坏点的一些图形或图形区域，本领域技术人员可以根据实际情况选择包括其他合适的图形或图形区域的版图区域。
本申请的另一种实施例中，上述光学仿真包括光源掩模协同优化仿真(SourceMask Optimization，简称SMO)。SMO仿真是针对光源进行优化的仿真，也会根据光源对掩膜板进行优化，同时得到曝光轮廓模拟的结果。该光学仿真能够进一步保证坏点库的准确性。
本申请的中的光学投影参数是指在光学投影的过程中，影响投影质量和光刻胶形貌的投影参数，比如最大光强，最小光强，光强变化的最大斜率(即最大光强变化率)等。光学投影参数可以说是记录了版图的相关光学信息，版图类型和形状的变化，可能会导致光学投影参数的变化。基于此，若是版图位置具有与坏点位置相同的光学投影参数，那么版图位置处便是从光学角度考虑的坏点区域。
为了同时兼顾效率与准确率，本申请的一种实施例中，上述光学投影参数包括最大光强，最小光强以及最大光强变化率，即针对所得到的基本坏点所进行的光学投影参数分析，主要是考虑最大光强、最小光强和光强变化最大斜率这三个参数。在参数分析中，若一个位置的这三个参数与基本坏点的这三个参数相等，那么便认为这个位置的光学投影参数相同与基本坏点的相同，即二者具有相同的光学信息。基于此，针对所得到的大规模随机版图，进行光学投影参数分析，所得到的不同位置的三个投影参数，与基本坏点的投影参数进行比对匹配，将完全相同的位置挑选出来，这些位置，与基本坏点具有相同的光学信息，即为从光学角度上考虑的第二坏点位置。
需要说明的是，本申请的光学投影参数并不限于上述的三个光学投影参数，本领域技术人员可以根据实际情况选择合适的光学投影参数来进行第二坏点位置的判定。
一般来讲，坏点位置之所以成为坏点位置，是因为其几何上的位置结构限制，导致其在光刻工序中，容易产生桥连以及断裂等问题，使得制造工艺中无法得到满意的光刻轮廓，导致生产良率降低。所以，坏点位置的几何结构位置上的一些信息，从某方面来说，也可以代表坏点本身。
本发明的一种实例中，针对所得到的基本坏点进行几何参数信息的提取，具体地，几何参数包括端对端图形区域的最小间距、L型图形的短边长度以及边对边图形区域的最小间距。这样能够更高效地且更准确获取的几何参数方面的第二坏点位置。
其中，短边相对的两个图形以及二者之间的区域为端对端图形区域；长边相对的两个图形以及二者之间的区域为边对边图形区域；L型图形为L型的图形。
在实际的应用中，可以将这些关键几何参数的信息先转化为DRC(Design RuleCheck，设计规则检查)适应的规则，运用DRC软件，针对生成的大规模随机版图，找到符合限定几何参数的位置。这些位置，与基本坏点具有相同的集合信息，即为从几何角度考虑的第二坏点位置。
为了进一步保证坏点库的准确性，本申请的一种实施例中，在上述步骤S4之后，上述建立方法还包括：对上述坏点库中的上述第二坏点位置进行光学仿真，验证上述第二坏点位置是否是限制工艺窗口的位置，若否，则将上述第二坏点位置移出上述坏点库。
本申请的另一种典型的实施方式中，提供了一种坏点库的建立系统，如图2所示，上述建立系统包括规则收集单元10、随机版图生成单元20、光学仿真单元30以及坏点库建立单元40。
其中，规则收集单元10用于收集规则，规则包括版图设计规则，版图设计规则是制造厂为了保证制造良率，针对版图设计所限定的规则，不同节点的设计规则不同，设计规则的确定是新节点研发的基础；随机版图生成单元20与上述规则收集单元10电连接，上述随机版图生成单元20用于根据收集到的上述规则，生成随机版图；光学仿真单元30与上述随机版图生成单元20电连接，上述光学仿真单元30用于在上述随机版图中选取版图区域，并对上述版图区域进行光学仿真，到限制工艺窗口的第一坏点位置，将得到的上述第一坏点位置定义为基本坏点；坏点库建立单元40与上述光学仿真单元30电连接，上述坏点库建立单元40用于在上述随机版图中找到与上述基本坏点具有相同特征参数的第二坏点位置，上述第二坏点位置的集合为坏点库。
上述的建立系统，随机版图生成单元在根据收集到的规则，生成随机版图后，光学仿真单元30从随机版图中选取版图区域，并对其进行光学仿真，找到限定工艺窗口的第一坏点位置，定义为基本坏点，而后，坏点库建立单元针对基本坏点进行性能分析，定位到随机版图上与基本坏点具有相同特征参数的位置，得到新的坏点位置，即第二坏点位置，第二坏点位置的集合为坏点库。该坏点库中的第二坏点位置，为新节点研发初期之后的研究，提供了基础，有助于减少后续优化和流片的次数，大大提高了研发效率。并且，该建立方法省去了大规模光学仿真的步骤，大大缩减了研发时间，同时，还可以对新节点研发初期的设计规则优化提供一定的指导作用，进一步推进研发进度，降低研发成本。
为了进一步保证坏点库的准确性，本申请的一种实施例中，上述特征参数包括光学投影参数和几何参数，上述坏点库建立单元包括第一分析模块、第二分析模块与取交模块，第一分析模块与上述光学仿真单元电连接，上述第一分析模块用于在上述随机版图中找到与上述基本坏点具有相同光学投影参数的多个上述第二坏点位置，得到第一预坏点库；第二分析模块与上述光学仿真单元电连接，上述第二分析模块用于在上述随机版图中找到与上述基本坏点具有相同几何参数的多个上述第二坏点位置，得到第二预坏点库；取交模块与上述第一分析模块和上述第二分析模块分别连接，上述取交模块用于对上述第一预坏点库和上述第二预坏点库取交集，得到上述坏点库，该坏点库中的第二坏点位置，是光学角度和几何角度上都成立的坏点位置，更加精确。
本申请的一种具体的实施例中，上述第一分析模块还用于提取上述基本坏点的光学投影参数，上述第二分析模块还用于提取上述基本坏点的几何参数。进而，后续根据基本坏点的光学投影参数和几何参数在上述随机版图中找到与上述基本坏点具有相同特征参数的多个第二坏点位置。
为了进一步准确获取坏点库，本申请的一种实施例中，上述规则还包括双重投影规则。在如今半导体制造业的发展时期，即20nm及以下的小节点时期，光学衍射等问题越加严重，单次光学投影光刻已经不能够将版图成功刻印出来，所以，便会采用双重光学投影方法，如光刻-刻蚀-光刻-刻蚀(lith-etch-litho-etch)，即将单层版图拆分成双层版图，使得版图周期变大，采用两次光刻-刻蚀以得到最终版图。为了针对的小节点时期建立坏点库，在规则收集的时候，也需要收集双重光学投影规则，以在版图生成的时候，直接得到已经拆分好的双层版图。设计规则和双重投影规则，主要是从上一节点直接缩减而来的粗略规则，也有一部分是根据制造厂的经验所得来的。
上述光学仿真单元包括版图区域选取模块、一次仿真模块与二次仿真模块，其中，版图区域选取模块与上述随机版图生成单元电连接，上述版图区域选取模块用于在上述随机版图中选取版图区域；一次仿真模块与上述版图区域选取模块电连接，上述一次仿真模块用于对上述版图区域进行一次光学仿真，得到限制工艺窗口的疑似坏点位置；二次仿真模块与上述一次仿真模块电连接，上述二次仿真模块用于调整仿真参数，并采用调整后的上述仿真参数对上述疑似坏点位置进行二次光学仿真，当上述疑似坏点位置限制工艺窗口，则确定上述疑似坏点位置为基本坏点。这样能够进一步保证建立的坏点库中的第二坏点位置都是准确的。
本申请的一种具体的实施例中，上述版图区域包括端对端(tip to tip)图形区域、边对边(side to side)图形区域、端对边(tip to side)图形区域、L型图形和C型图形，其中，短边相对的两个图形以及之间的区域为端对端图形区域；长边相对的两个图形以及之间的区域为边对边图形区域；短边和长边相对的两个图形以及之间的区域为端对边图形区域；L型图形为L型的图形，C型图形为C型的图形。
需要说明的是，上述的“短边相对”、“长边相对”以及“短边和长边相对”都是分别属于两个图形的短边或长边。
上述的版图区域中并不限于包括上述的几种图形或图形区域，还可以是其他的可能导致光刻坏点的一些图形或图形区域，本领域技术人员可以根据实际情况选择包括其他合适的图形或图形区域的版图区域。
本申请的另一种实施例中，上述一次仿真模块与二次仿真模块为光源掩模协同优化仿真(Source Mask Optimization，简称SMO)模块。SMO模块是针对光源进行优化的仿真模块，也会根据光源对掩膜板进行优化，同时得到曝光轮廓模拟的结果。该光学仿真模块能够进一步保证坏点库的准确性。
为了同时兼顾效率与准确率，本申请的一种实施例中，上述光学投影参数包括最大光强、最小光强以及最大光强变化率，即针对所得到的基本坏点所进行的光学投影参数分析，主要是考虑最大光强，最小光强和光强变化最大斜率这三个参数。在参数分析中，若一个位置的这三个参数与基本坏点的这三个参数相等，那么便认为这个位置的光学投影参数相同与基本坏点的相同，即二者具有相同的光学信息。基于此，针对所得到的大规模随机版图，进行光学投影参数分析，所得到的不同位置的三个投影参数，与基本坏点的投影参数进行比对匹配，将完全相同的位置挑选出来，这些位置，与基本坏点具有相同的光学信息，即为从光学角度上考虑的第二坏点位置。
需要说明的是，本申请的光学投影参数并不限于上述的三个光学投影参数，本领域技术人员可以根据实际情况选择合适的光学投影参数来进行第二坏点位置的判定。
一般来讲，坏点位置之所以成为坏点位置，是因为其几何上的位置结构限制，导致其在光刻工序中，容易产生桥连以及断裂等问题，使得制造工艺中无法得到满意的光刻轮廓，导致生产良率降低。所以，坏点位置的几何结构位置上的一些信息，从某方面来说，也可以代表坏点本身。
本发明的一种实例中，针对所得到的基本坏点进行几何参数信息的提取，具体地，几何参数包括端对端图形区域的最小间距、L型图形的短边长度以及边对边图形区域的最小间距。这样能够更高效地且更准确获取的几何参数方面的第二坏点位置。
为了进一步保证坏点库的准确性，本申请的一种实施例中，上述建立系统包括校验单元，校验单元与上述坏点库建立单元电连接，上述校验单元用于对上述坏点库中的上述第二坏点位置进行光学仿真，验证上述第二坏点位置是否是限制工艺窗口的位置，若否，则将上述第二坏点位置移出上述坏点库。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、本申请的坏点的建立方法，在根据收集到的规则，生成随机版图后，选取版图区域，对其进行光学仿真，找到限定工艺窗口的第一坏点位置，定义为基本坏点，而后，针对基本坏点进行性能分析，定位到随机版图上与基本坏点具有相同特征参数的位置，得到新的坏点位置，即第二坏点位置，第二坏点位置的集合为坏点库。该坏点库中的坏点位置，为新节点研发初期之后的研究，提供了基础，有助于减少后续优化和流片的次数，大大提高了研发效率。并且，该建立方法省去了大规模光学仿真的步骤，大大缩减了研发时间，同时，还可以对新节点研发初期的设计规则优化提供一定的指导作用，进一步推进研发进度，降低研发成本。
2)、本申请的坏点的建立系统建立的坏点库，为新节点研发初期之后的研究，提供了基础，有助于减少后续优化和流片的次数，大大提高了研发效率。并且，该建立方法省去了大规模光学仿真的步骤，大大缩减了研发时间，同时，还可以对新节点研发初期的设计规则优化提供一定的指导作用，进一步推进研发进度，降低研发成本。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (16)
1.一种坏点库的建立方法，其特征在于，所述建立方法包括：
步骤S1，规则收集，所述规则包括版图设计规则；
步骤S2，根据收集到的所述规则，生成随机版图；
步骤S3，在所述随机版图中选取版图区域，并对所述版图区域进行光学仿真，得到限制工艺窗口的第一坏点位置，将得到的所述第一坏点位置定义为基本坏点；以及
步骤S4，在所述随机版图中找到与所述基本坏点具有相同特征参数的第二坏点位置，所述第二坏点位置的集合为坏点库。
2.根据权利要求1所述的建立方法，其特征在于，所述特征参数包括光学投影参数和几何参数，所述步骤S4包括：
在所述随机版图中找到与所述基本坏点具有相同的所述光学投影参数的多个所述第二坏点位置，得到第一预坏点库；
在所述随机版图中找到与所述基本坏点具有相同的所述几何参数的多个所述第二坏点位置，得到第二预坏点库；以及
对所述第一预坏点库和所述第二预坏点库取交集，得到所述坏点库。
3.根据权利要求1所述的建立方法，其特征在于，在所述步骤S3和所述步骤S4之间，所述建立方法还包括：
提取所述基本坏点的所述特征参数。
4.根据权利要求1所述的建立方法，其特征在于，所述规则还包括双重投影规则。
5.根据权利要求1或4所述的建立方法，其特征在于，所述光学仿真包括一次光学仿真和二次光学仿真，所述步骤S3包括：
在所述随机版图中选取所述版图区域；
对所述版图区域进行所述一次光学仿真，得到限制所述工艺窗口的疑似坏点位置；
调整仿真参数，采用调整后的所述仿真参数对所述疑似坏点位置进行所述二次光学仿真，当所述疑似坏点位置限制所述工艺窗口，则确定所疑似坏点位置为所述基本坏点。
6.根据权利要求1所述的建立方法，其特征在于，所述版图区域包括端对端图形区域、边对边图形区域、端对边图形区域、L型图形和C型图形。
7.根据权利要求1所述的建立方法，其特征在于，所述光学仿真包括光源掩模协同优化仿真。
8.根据权利要求2所述的建立方法，其特征在于，所述光学投影参数包括最大光强、最小光强以及最大光强变化率。
9.根据权利要求2所述的建立方法，其特征在于，所述几何参数包括端对端图形区域的最小间距、L型图形的短边长度以及边对边图形区域的最小间距。
10.根据权利要求1所述的建立方法，其特征在于，在所述步骤S4之后，所述建立方法还包括：
对所述坏点库中的所述第二坏点位置进行所述光学仿真，验证所述第二坏点位置是否是限制所述工艺窗口的位置，若否，则将所述第二坏点位置移出所述坏点库。
11.一种坏点库的建立系统，其特征在于，所述建立系统包括：
规则收集单元(10)，用于收集规则，所述规则包括版图设计规则；
随机版图生成单元(20)，与所述规则收集单元(10)电连接，所述随机版图生成单元(20)用于根据收集到的所述规则，生成随机版图；
光学仿真单元(30)，与所述随机版图生成单元(20)电连接，所述光学仿真单元(30)用于在所述随机版图中选取版图区域，并对所述版图区域进行光学仿真，到限制工艺窗口的第一坏点位置，将得到的所述第一坏点位置定义为基本坏点；以及
坏点库建立单元(40)，与所述光学仿真单元(30)电连接，所述坏点库建立单元(40)用于在所述随机版图中找到与所述基本坏点具有相同特征参数的第二坏点位置，所述第二坏点位置的集合为坏点库。
12.根据权利要求11所述的建立系统，其特征在于，所述特征参数包括光学投影参数和几何参数，所述坏点库建立单元(40)包括：
第一分析模块，与所述光学仿真单元(30)电连接，所述第一分析模块用于在所述随机版图中找到与所述基本坏点具有相同的所述光学投影参数的多个所述第二坏点位置，得到第一预坏点库；
第二分析模块，与所述光学仿真单元(30)电连接，所述第二分析模块用于在所述随机版图中找到与所述基本坏点具有相同的所述几何参数的多个所述第二坏点位置，得到第二预坏点库；以及
取交模块，与所述第一分析模块和所述第二分析模块分别连接，所述取交模块用于对所述第一预坏点库和所述第二预坏点库取交集，得到所述坏点库。
13.根据权利要求12所述的建立系统，其特征在于，所述第一分析模块还用于提取所述基本坏点的所述光学投影参数，所述第二分析模还块用于提取所述基本坏点的所述几何参数。
14.根据权利要求11所述的建立系统，其特征在于，所述规则还包括双重投影规则。
15.根据权利要求11所述的建立系统，其特征在于，所述光学仿真单元(30)包括：
版图区域选取模块，与所述随机版图生成单元(20)电连接，所述版图区域选取模块用于在所述随机版图中选取所述版图区域；
一次仿真模块，与所述版图区域选取模块电连接，所述一次仿真模块用于对所述版图区域进行一次光学仿真，得到限制所述工艺窗口的疑似坏点位置；
二次仿真模块，与所述一次仿真模块电连接，所述二次仿真模块用于调整仿真参数，并采用调整后的所述仿真参数对所述疑似坏点位置进行二次光学仿真，当所述疑似坏点位置限制所述工艺窗口，则确定所述疑似坏点位置为所述基本坏点。
16.根据权利要求11所述的建立系统，其特征在于，所述建立系统包括：
校验单元，与所述坏点库建立单元(40)电连接，所述校验单元用于对所述坏点库中的所述第二坏点位置进行所述光学仿真，验证所述第二坏点位置是否是限制所述工艺窗口的位置，若否，则将所述第二坏点位置移出所述坏点库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810542700.1A CN108829948A (zh) | 2018-05-30 | 2018-05-30 | 坏点库的建立方法和建立系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810542700.1A CN108829948A (zh) | 2018-05-30 | 2018-05-30 | 坏点库的建立方法和建立系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108829948A true CN108829948A (zh) | 2018-11-16 |
Family
ID=64146502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810542700.1A Pending CN108829948A (zh) | 2018-05-30 | 2018-05-30 | 坏点库的建立方法和建立系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108829948A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582309A (zh) * | 2020-04-05 | 2020-08-25 | 中国科学院微电子研究所 | 一种生成设计版图坏点检测模型的方法及检测坏点的方法 |
| WO2023134309A1 (zh) * | 2022-01-14 | 2023-07-20 | 深圳晶源信息技术有限公司 | 一种掩膜版图修正方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070087756A1 (en) * | 2005-10-04 | 2007-04-19 | Hoffberg Steven M | Multifactorial optimization system and method |
| US20110099526A1 (en) * | 2009-10-28 | 2011-04-28 | Asml Netherlands B.V. | Pattern Selection for Full-Chip Source and Mask Optimization |
| US20140244226A1 (en) * | 2013-02-24 | 2014-08-28 | Synopsys Inc. | Compact opc model generation using virtual data |
| CN105825036A (zh) * | 2016-06-07 | 2016-08-03 | 中国科学院微电子研究所 | 一种版图设计规则的优化方法及系统 |
| CN106339519A (zh) * | 2015-07-15 | 2017-01-18 | 中国科学院微电子研究所 | 一种双重版图的设计方法及系统 |
| CN106338883A (zh) * | 2015-07-16 | 2017-01-18 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正方法 |
-
2018
- 2018-05-30 CN CN201810542700.1A patent/CN108829948A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070087756A1 (en) * | 2005-10-04 | 2007-04-19 | Hoffberg Steven M | Multifactorial optimization system and method |
| US20110099526A1 (en) * | 2009-10-28 | 2011-04-28 | Asml Netherlands B.V. | Pattern Selection for Full-Chip Source and Mask Optimization |
| US20140244226A1 (en) * | 2013-02-24 | 2014-08-28 | Synopsys Inc. | Compact opc model generation using virtual data |
| CN106339519A (zh) * | 2015-07-15 | 2017-01-18 | 中国科学院微电子研究所 | 一种双重版图的设计方法及系统 |
| CN106338883A (zh) * | 2015-07-16 | 2017-01-18 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正方法 |
| CN105825036A (zh) * | 2016-06-07 | 2016-08-03 | 中国科学院微电子研究所 | 一种版图设计规则的优化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| CHEN YING等: "Hybrid hotspot library building based on optical and geometry analysis at early stage for new node development", 《PROCEEDINGS OF SPIE》 * |
| 贺化: "《前沿技术领域专利竞争格局与趋势 2》", 31 May 2016 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582309A (zh) * | 2020-04-05 | 2020-08-25 | 中国科学院微电子研究所 | 一种生成设计版图坏点检测模型的方法及检测坏点的方法 |
| CN111582309B (zh) * | 2020-04-05 | 2024-01-19 | 中国科学院微电子研究所 | 一种生成设计版图坏点检测模型的方法及检测坏点的方法 |
| WO2023134309A1 (zh) * | 2022-01-14 | 2023-07-20 | 深圳晶源信息技术有限公司 | 一种掩膜版图修正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101311825A (zh) | 修正光学邻近效应的方法 | |
| CN104346272B (zh) | 芯片自动仿真验证系统 | |
| US20140033159A1 (en) | Method of Optimizing Design for Manufacturing (DFM) | |
| CN104714362A (zh) | 一种光学临近修正的方法 | |
| CN103914587B (zh) | 一种基于模拟退火/回火现场可编程门阵列布局的方法 | |
| CN108829948A (zh) | 坏点库的建立方法和建立系统 | |
| CN101452492B (zh) | 集成电路版图与原理图一致性检查的局部重签名修复方法 | |
| CN105824187B (zh) | 光学邻近修正方法 | |
| CN101571669A (zh) | 基于模型的校验光学邻近修正的方法 | |
| CN103794597A (zh) | 可选择连接或断开待测目标芯片的测试方法 | |
| CN103364660B (zh) | 一种目标芯片中多个晶体管的测试方法 | |
| CN104778181B (zh) | 一种进行测量光谱与库光谱匹配的方法及其设备 | |
| JP2008258361A (ja) | 半導体装置の製造方法 | |
| US8555224B2 (en) | Circuit simulation method and semiconductor integrated circuit | |
| CN103838897A (zh) | 一种集成电路版图验证的层次化天线检查方法 | |
| CN104731987B (zh) | 一种早期版图的寄生电阻电容估算方法 | |
| CN107422613B (zh) | 光刻工艺热点的整合方法 | |
| CN101738848B (zh) | 基于可变光酸扩散长度建立opc模型的方法 | |
| CN105319859B (zh) | 提高光刻机可用焦深的方法 | |
| US8898597B2 (en) | Etch failure prediction based on wafer resist top loss | |
| CN113361222B (zh) | 一种集成电路制造工艺虚拟仿真方法和装置 | |
| CN112560935B (zh) | 一种提升缺陷检测性能的方法 | |
| CN104423143B (zh) | 布局图形的检查方法 | |
| KR100861376B1 (ko) | 광 강도 프로파일을 이용한 광 근접효과 보정방법 | |
| CN108875200B (zh) | 通用型wpe优化模型及其提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |