CN109143796A - 确定光刻光源的方法、装置及模型训练方法、装置 - Google Patents
确定光刻光源的方法、装置及模型训练方法、装置 Download PDFInfo
- Publication number
- CN109143796A CN109143796A CN201811259558.6A CN201811259558A CN109143796A CN 109143796 A CN109143796 A CN 109143796A CN 201811259558 A CN201811259558 A CN 201811259558A CN 109143796 A CN109143796 A CN 109143796A
- Authority
- CN
- China
- Prior art keywords
- light source
- domain
- convolutional neural
- neural networks
- specific dimensions
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70058—Mask illumination systems
- G03F7/70091—Illumination settings, i.e. intensity distribution in the pupil plane or angular distribution in the field plane; On-axis or off-axis settings, e.g. annular, dipole or quadrupole settings; Partial coherence control, i.e. sigma or numerical aperture [NA]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70058—Mask illumination systems
- G03F7/70125—Use of illumination settings tailored to particular mask patterns
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本申请公开了一种确定光刻光源的方法、装置及模型训练方法、装置,该方法中,首先将待光刻版图按照特定尺寸进行切分,形成多个版图块,然后利用训练好的卷积神经网络模型对各个版图块进行处理,分别得到各个版图块的对应光源;最后,根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源。因此,在本申请提供的方法中,无需每次采用仿真软件计算版图中各个代表图形的光刻工艺窗口,而是利用卷积神经网络模型即可确定出待光刻版图的光刻光源。该方法在确定待光刻版图的光刻光源过程中,提高了确定光刻光源的效率。
Description
技术领域
本申请涉及半导体光刻技术领域,尤其涉及一种确定光刻光源的方法、装置及模型训练方法、装置。
背景技术
半导体光刻工艺中,为了确保光刻工艺窗口较大,需要根据版图来选择合适的光源。
目前,已有的确定光刻工艺的最佳光源的方法通常采用仿真软件对版图中代表性图形的工艺窗口进行计算,然后根据工艺窗口的计算结果确定出版图的光刻光源。然而,整个版图中所包含的图形数量巨大,仿真软件对版图中代表性图形进行工艺窗口计算的计算量巨大,该计算过程需要消耗太多的计算时间,从而导致确定光刻光源的效率较低。
发明内容
有鉴于此,本申请提供了一种确定光刻光源的方法和装置,以提高确定光刻光源的效率。
为了解决上述技术问题,本申请采用了如下技术方案:
一种确定光刻光源的方法,包括:
获取待光刻版图;
将所述待光刻版图按照特定尺寸进行切分,形成M个版图块;所述特定尺寸为卷积神经网络模型训练时用到的版图尺寸;
根据训练好的卷积神经网络模型对m个所述版图块进行处理,分别得到各个版图块的对应光源;
根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源;
其中,2≤m≤M,且m与M均为整数。
可选地,根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源,具体包括:
确定所述各个版图块的对应光源中的相同光源,并确定各种相同光源中的光源数量,将光源数量最多的相同光源作为所述待光刻版图的光刻光源。
可选地,所述方法还包括:
训练卷积神经网络模型,
所述训练卷积神经网络模型,具体包括:
构建卷积神经网络模型;
获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图及其对应光源;
学习所述特定尺寸版图及其对应光源之间的映射关系;
根据所述映射关系确定所述卷积神经网络模型的模型参数。
可选地,所述获取所述卷积神经网络模型的训练集,包括:
对特定尺寸版图进行仿真计算,得到所述特定尺寸版图对应的光刻工艺窗口;
根据所述光刻工艺窗口确定所述特定尺寸版图的初始对应光源;
根据预设离散化光源对所述特定尺寸版图的初始对应光源进行归类,以得到所述特定尺寸版图的最终对应光源;
其中,所述特定尺寸版图和所述特定尺版图的最终对应光源为所述卷积神经网络模型的训练集。
可选地,所述方法还包括:
对预知类型的光刻光源进行参数离散化,以得到多个所述预设离散化光源。
可选地,当所述预知类型的光刻光源为环形光源时,所述对预知类型的光刻光源进行参数离散化,以得到多个所述预设离散化光源,具体包括:
将所述环形光源的外角半径和内角半径分别离散化,离散化后的外角半径和内角半径组合成多个所述预设离散化光源。
可选地,将所述环形光源的外角半径和内角半径分别离散化,离散化后的外角半径和内角半径组合成多个所述预设离散化光源,具体包括:
设定所述环形光源的外角半径σ_out的范围为[a,b],步长为第一步长s1,则根据以下公式(1)将所述外角半径σ_out离散化地划分为N个外角半径,记为[k1,k2…ki…kN-1,kN,1≤i≤N];
设定离散化后的外角半径ki所对应的内角半径σ_in的范围为[xi,yi],步长为第二步长s2,则根据以下公式(2)将所述内角半径σ_in离散化地划分为ni个内角半径;
离散化后的外角半径和内角半径组合成个所述预设离散化光源;
其中,公式(1)为:
公式(2)如下:
表示向上取整。
一种模型训练方法,包括:
构建卷积神经网络模型;
获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图及其对应光源;
学习所述特定尺寸版图及其对应光源之间的映射关系;
根据所述映射关系确定所述卷积神经网络模型的模型参数。
可选地,所述获取所述卷积神经网络模型的训练集,包括:
对特定尺寸版图进行仿真计算,得到所述特定尺寸版图对应的光刻工艺窗口;
根据所述光刻工艺窗口确定所述特定尺寸版图的初始对应光源;
根据预设离散化光源对所述特定尺寸版图的初始对应光源进行归类,以得到所述特定尺寸版图的最终对应光源;
其中,所述特定尺寸版图和所述特定尺版图的最终对应光源为所述卷积神经网络模型的训练集。
一种确定光刻光源的装置,包括:
第一获取单元,用于获取待光刻版图;
切分单元,用于将所述待光刻版图按照特定尺寸进行切分,形成M个版图块;所述特定尺寸为卷积神经网络模型训练时用到的版图尺寸;
处理单元,用于根据训练好的卷积神经网络模型对m个所述版图块进行处理,分别得到各个版图块的对应光源;
第一确定单元,用于根据所述各个版图块的对应的光源确定所述待光刻版图的光刻光源;
其中,2≤m≤M,且m与M均为整数。
一种模型训练装置,包括:
构建单元,用于构建卷积神经网络模型;
第二获取单元,用于获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图及其对应光源;
学习单元,用于学习所述特定尺寸版图及其对应光源之间的映射关系;
第二确定单元,用于根据所述映射关系确定所述卷积神经网络模型的模型参数。
相较于现有技术,本申请具有以下有益效果:
基于以上技术方案可知,本申请提供的确定光刻光源的方法、装置及模型训练方法、装置中,首先将待光刻版图按照特定尺寸进行切分,形成多个版图块,然后利用训练好的卷积神经网络模型对各个版图块分别进行处理,得到各个版图块分别对应的光源;最后,根据所述各个版图块的对应的光源确定所述待光刻版图的光刻光源。因此,在本申请提供的方法中,无需每次采用仿真软件计算版图中各个代表图形的光刻工艺窗口,而是利用卷积神经网络模型即可确定出待光刻版图的光刻光源。因而,该方法提高了确定光刻光源的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a至图1c为本领域采用的不同的照明方式的示意图;
图2为本申请实施例提供的一种确定光刻光源的方法流程图;
图3为本申请实施例提供的确定光刻光源模型的训练方法的流程图;
图4为本申请实施例提供的版图示意图;
图5为本申请实施例提供的另一种确定光刻光源的方法流程图;
图6为本申请实施例提供的确定光刻光源的装置的结构示意图;
图7为本申请实施例提供的确模型训练装置的结构示意图。
具体实施方式
在光刻工艺中,光刻机成像的分辨率的大小与光刻光源相关,因而,对不同版图进行光刻工艺时,需要根据版图的图形调整光刻光源的光照条件,使得曝光时版图具有最大工艺窗口(common process window)。
需要说明的是,工艺窗口是指能够让光刻效果达到最好的曝光剂量和聚焦深度的范围,而且工艺窗口越大越好。
附加说明的是,光刻光源通常是对称设置的,例如,位于主光轴上的圆盘形光源、水平双极光源、垂直双极光源和环形光源。
参见图1a至1c,该图为本领域采用的不同照明光源的示意图。
图1a为位于主光轴上的圆盘形光源的照明示意图,其中,第一区域11为圆盘形光源的照明区域;
图1b为垂直双极光源的照明示意图,其中,第二区域121和第三区域122分别为垂直双极光源的第一极对应的照明区域和第二极对应的照明区域;
由于水平双极光源与垂直双极光源的照明情况相同,仅是光源位置不同,因而,为了简要,在此不再赘述。
图1c为环形光源的照明示意图,其中,第四区域13为环形光源的照明区域,该区域呈环状。
参见图2,为本申请实施例提供的一种确定光刻工艺中光刻光源的方法流程图。其具体包括以下步骤:
S201:从待光刻版图中,获取具有代表性的部分。
具有代表性的部分是指版图中大量出现的重复图形、在光刻中容易出问题的图形、电路中关键功能图形等图形部分。
S202:在仿真软件中建立一个初步的光刻模型,利用多种不同的传统光源对具有代表性的部分进行照明,并获得该具有代表性的部分在不同传统光源照明下的工艺窗口。
作为示例,多种传统的光源可以包括:常规圆形光源、双极光源、四极光源、在轴光源和环形光源时。
具体的,双极光源的种类很多,例如,水平双极光源和垂直双极光源均是一种双极光源。
在轴光源的种类很多,例如,位于主光轴上的圆盘形光源是一种在轴光源。
S203:根据多种不同传统光源照明下的工艺窗口,确定最优的工艺窗口。
最优的工艺窗口是使所有图形的光刻工艺窗口重叠得最好的照明条件。
S204、根据所述最优的工艺窗口,确定对所述待光刻版图的最佳光刻光源。
需要说明,S204确定的光刻光源可以包括光源类型和光源属性参数(比如、直径、内外半径等)。
并且,值得解释的是,由于每个版图中的图形可以包括X方向的线条、Y方向的线条和其他方向的线条。因而,现有技术通常使用环形光源进行照明。尤其,接触孔层版图或通孔层版图上的图形为特定边长的正方形与长方形,且线条方向随机,则一般选择环形光源进行照明。
由于确定光刻工艺的最佳光源的方法需要采用仿真软件对版图中所有代表性图形的工艺窗口进行计算,而且整个版图中所包含的图形数量巨大,因而,仿真软件对版图中代表性图形进行工艺窗口计算的计算量巨大,该计算过程需要消耗太多的计算时间,从而导致确定光刻光源的效率较低。
为了解决这个问题,本申请实施例还提供了一种确定光刻光源的方法,该方法包括:获取待光刻版图;将所述待光刻版图按照特定尺寸进行切分,形成M个版图块;所述特定尺寸为卷积神经网络模型训练时用到的版图尺寸;根据训练好的卷积神经网络模型对m个所述版图块进行处理,分别得到各个版图块的对应光源;根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源。其中,2≤m≤M,且m与M均为整数。
本申请实施例提供的确定光刻光源的方法中,首先将待光刻版图按照特定尺寸进行切分,形成多个版图块,然后利用训练好的卷积神经网络模型对各个版图块分别进行处理,得到各个版图块分别对应的光源;最后,根据所述各个版图块分别对应的光源确定所述待光刻版图的光刻光源。因此,在本申请提供的方法中,无需采用仿真软件计算版图中各个代表图形的光刻工艺窗口,而是利用卷积神经网络模型即可确定出待光刻版图的光刻光源。因而,该方法解决了仿真软件因计算各个代表图形的光刻工艺窗口需要消耗太多的计算时间而导致确定光刻光源的效率较低的问题,提高了确定光刻光源的效率。
需要说明,在本申请实施例中,利用训练好的卷积神经网络模型能够同时得到待光刻版图的光刻光源类型(比如为环形光源)和光源尺寸参数(比如环形光源内外半径的大小)。因此,由该方法确定的光源不仅包括光源类型,还包括光源尺寸参数。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于对本申请提供的确定光刻光源的方法的解释和理解,下面将结合附图先介绍一种用于确定光刻光源模型的训练方法。
参见图3,该图为本申请实施例提供的确定光刻光源模型的训练方法的流程图。
本申请实施例提供的确定光刻光源模型的训练方法,包括:
S301:构建卷积神经网络模型。
卷积神经网络(ConvolutionalNeuralNetworks,CNN)可以包括多层。例如,一个9层的卷积神经网络中包括:输入层、第一卷积层、第一激活函数层、标准化层、第二卷积层、第二激活函数层、全连接层、去最大值层和分类层。
S302:获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图及其对应光源。
特定尺寸是预先设定的尺寸,例如,预先设定的特定尺寸为2μm*2μm。
训练集内的多个版图的种类较多,例如,为了提高确定光刻光源模型的准确性,该模型的训练集可以包括多种具有代表性的版图。而且具有代表性的版图可以是包括重复率较高的图形的版图,也可以是包括光刻过程中容易出错的图形的版图,还可以是包括电路中具有关键功能的图形的版图。
参见图4,该图为本申请实施例提供的版图示意图。
图4中第一版图401中包括7个代表性图形401a至401h,当从第一版图401中获取训练集时,可以基于代表性图形401a至401h对第一版图401进行切割,并将切割得到的包括具有代表性图形401a至401h的版图添加到训练集中。
为了提高确定光刻光源模型的准确性,可以从多个包括具有代表性图形的版图中选择特定尺寸版图作为训练集(当然训练集还包括所述特定尺寸版图对应的光源)。例如,第一训练集中包括300个特定尺寸版图以及所述特定尺寸版图对应的光源,其中,第一版图至第十版图中均获取20个包括具有代表性图形的特定尺寸版图,第十一版图中获取40个包括具有代表性图形的特定尺寸版图和第十二版图中获取60个包括具有代表性图形的版图。
S303:学习所述特定尺寸版图及其对应光源之间的映射关系。
S304:根据所述映射关系确定所述卷积神经网络模型的模型参数。
上述过程即是确定卷积神经网络模型的过程。
作为一示例,S302可以具体为:
S302a:对特定尺寸版图进行仿真计算,得到所述特定尺寸版图对应的光刻工艺窗口。
S302b:根据所述光刻工艺窗口确定所述特定尺寸版图的初始对应光源。
具体的,上述步骤首先通过对特定尺寸版图进行仿真计算,确定其对应光刻工艺窗口中的最优工艺窗口,然后确定与最优工艺窗口对应的光刻光源,即特定尺寸版图的初始对应光源。
S302c:根据预设离散化光源对将所述特定尺寸版图的初始对应光源进行归类,以得到所述特定尺寸版图的最终对应光源。
其中,所述特定尺寸版图和所述特定尺版图的最终对应光源即为所述卷积神经网络模型的训练集。
具体的,预设离散化光源是通过预先对预知类型的光刻光源进行参数离散化,得到的离散化后的光源。预设离散化光源的总个数是有限的。
需要说明的是,通过对特定尺寸版图进行仿真,确定的初始对应光源是尺寸参数很细化的光源,即在光刻机的允许范围内,若数据连续,则可能有无限多个这样细化的初始对应光源。考虑到初始对应光源无法作为训练集进行有效学习,因此将初始对应光源根据有限个预设离散化光源进行分类。比如预知光源类型为环形光源时,初始对应光源外径为50.125μm、内径为36.889μm,则可能归类到外径为50.0μm、内径为37.0μm的预设离散化光源中;而初始对应光源外径为49.5μm、内径为37.2μm,则也可能归类到外径为50.0μm、内径为37.0μm的预设离散化光源中。
作为示例,S302c可以具体为:比对特定尺寸版图的初始对应光源的光源尺寸参数与预设离散化光源对应的光源尺寸参数范围,若初始对应光源的光源尺寸参数落在某一预设离散化光源对应的光源尺寸参数范围内,则将该初始对应光源归属到该预设离散化光源中,该预设离散化光源即为所述最终对应光源。举例说明:设定特定尺寸版图对应的初始光源的光源尺寸参数为11.5μm,而一预先离散化后的光源1光源尺寸为11.7μm,光源1对应的参数范围为11.2μm到12.2μm(即大于等于11.2μm且小于12.2μm),则将该初始对应光源归属到光源1中,即光源1为所述最终对应光源。
进一步来说,结合前述方法流程,为了获取到离散化后的光源,本申请提供的训练方法还可以包括:
对预知类型的光刻光源进行参数离散化,以得到多个所述预设离散化光源。
需要说明,该预知类型的光刻光源可以为本领域常用的光源类型,例如可以为环形光源、常规光源、双极光源、四极光源或在轴四极光源等中的至少一种光源。
作为一种实现方式,当预知类型的光刻光源为环形光源时,将所述环形光源的外角半径和内角半径分别离散化,离散化后的外角半径和内角半径组合成多个所述预设离散化光源。而且,其具体过程可以为:将所述环形光源的外角半径和内角半径分别离散化,离散化后的外角半径和内角半径组合成多个光源。
为了提高确定光刻光源模型的准确性,将环形光源的外角半径和内角半径分别离散化,可以具体为:
首先,设定所述环形光源的外角半径σ_out的范围为[a,b],步长为第一步长s1,则根据以下公式(1)将所述外角半径σ_out离散化地划分为N个外角半径,记为[k1,k2…ki…kN-1,kN,1≤i≤N];
其中,公式(1)为:
公式(1)中,表示向上取整。
其中,向上取整的方法,具体为:先舍去小数点后的数字,再将小数点前的数字加一。
例如,若N=21.1且对N向上取整,则N最终为22;若N=21且对N向上取整,则N最终为21;若N=21.8且对N向上取整,则N最终为22。
然后,设定离散化后的第i个外角半径ki所对应的内角半径σ_in的范围为[xi,yi],步长为第二步长s2,则根据以下公式(2)将所述内角半径σ_in离散化地划分为ni个内角半径;
公式(2)如下:
公式(2)中,表示向上取整。
最后,离散化后的外角半径和内角半径组合成个所述预设离散化光源。
以上为本申请实施例提供的确定光刻光源模型的训练方法的具体实现方式,在该具体实现方式中,通过利用多个特定尺寸版图以及其对应光源归属的预先离散化后的光源作为卷积神经网络模型的训练集,并学习所述特定尺寸版图以及所述特定尺寸版图对应的光源归属的预先离散化后的光源之间的映射关系,最后根据所述映射关系确定所述卷积神经网络模型的模型参数,从而完成卷积神经网络模型的训练。
根据该训练好的卷积神经网络模型能够方便确定待光刻版图利用该卷积神经网络模型获得该版图所需的光刻光源。
基于上述实施例提供的确定光刻光源模型的训练方法获得的卷积神经网络模型,本申请实施例提供了一种确定光刻光源的方法,下面将结合附图对确定光刻光源的方法进行介绍。
参见图5,该图为本申请实施例提供的确定光刻光源的方法的流程图。
本申请实施例提供的确定光刻光源的方法,包括:
S501:获取待光刻版图。
S502:将所述待光刻版图按照特定尺寸进行切分,形成M个版图块;所述特定尺寸为卷积神经网络模型训练时用到的版图尺寸;M≥2,且M为整数。
特定尺寸是指用于训练卷积神经网络模型的训练集中的版图的尺寸。
例如,当训练卷积神经网络模型的训练集中的版图的尺寸为2μm*2μm,则该特定尺寸为2μm*2μm。
M个版图块的获取方式包括两种,其中,M个版图块可以从待光刻版图的整体获取,也可以从待光刻版图的部分获取,下面将依次介绍这两种获取方式。
第一获取方式:M个版图块从待光刻版图的整体获取。
版图块的个数M为整数且利用向下取整获取,且M的获取方法可以具体为:
首先,利用待光刻版图的面积除以特定尺寸的版图块的面积,获得个数初始值M1。
例如,待光刻版图的面积为S,且特定尺寸为kμm*kμm,则特定尺寸的版图块的面积为k2,则个数初始值M1=S/k2。
然后,将个数初始值M1向下取整,获得版图个数M,其中,向下取整为直接舍去M1的小数点后的数字。
例如,若M1=21.1,则M=21;若M1=21,则M=21;若M1=21.8,则M=21。
作为示例,当训练卷积神经网络模型的训练集中的版图的尺寸为2μm*2μm,且待光刻版图的面积为101μm2时,则S502可以具体为:先计算特定尺寸的版图块的面积为4μm2;再将待光刻版图的面积为101μm2除以4μm2,获得M1=25.25;然后,对M1向下取整,则获得版图个数M为25。
第一种获取方式的优点为:由于利用第一种方式选择的M个版图块来自待光刻版图的各个部分,因而,该M个版图块分别对应的光源类型,可以全面的代表待光刻版图不同部分的光源需求,以便于提高M个版图块的全面性。
第二种获取方式:M个版图块从待光刻版图的部分获取。
获取包括待光刻版图中代表性图形的版图块的方法有两种,一种是将待光刻版图中代表性图形的部分切割成特定尺寸的版图块;另外一种是先将待光刻版图全部进行切割,再从所有版图块中选择包括代表性图形的版图块。
第二种获取方式的优点为:由于待光刻版图中代表性图形数量较少,因而,根据第二种获取方式获取的M个版图块的数量也较少,从而提高确定光刻光源的效率。
由于不同的获取方式,具有不同的优势,因而,在实际场景中,可以根据实际需要选择恰当的获取方式。
S503:根据训练好的卷积神经网络模型对m个所述版图块进行处理,分别得到各个版图块的对应光源;2≤m≤M,m为整数。
需要说明的是,可以对所切分的全部M个版图快进行处理,也可以对其中挑选出的一部分更有代表性的m个版图快进行处理,这里不做限定。
作为示例,S503可以具体为:将每个版图块作为训练好的卷积神经网络模型的输入,利用卷积神经网络模型将该版图块处理,最终将该版图块对应光源作为卷积神经网络模型的输出,以便于获得该版图块对应光源。
S504:根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源。
步骤S504中,根据不同版图块的对应光源确定待光刻版图的光刻光源的方式有多种。其中,为了提高待光刻版图的光刻光源的有效性,本申请实施例提供了一种确定方法,该方法可以具体为:
确定所述各个版图块的对应光源中的相同光源,并确定各种相同光源的数量,将光源数量最多的相同光源作为所述待光刻版图的光刻光源。
作为示例,当m=50,假如30个版图块均对应第一光源、10个版图块均对应第二光源、6个版图块均对应第三光源以及4个版图块均对应第四光源。具体的,S504可以执行为:先分别查找各个版图块的对应光源,则总共应有四种光源,即第一光源、第二光源、第三光源、第四光源,然后确定对应第一光源至第四光源的版图块数量(也计是每种光源的数量),则应得到对应第一光源的版图块的数量为30个、对应第二光源的版图块的数量为10个、对应第三光源的版图块的数量为6个和对应第四光源的版图块的数量为4个;然后,将版图块个数最多的第一光源作为该待光刻版图的光刻光源。
本申请实施例提供的确定光刻光源的方法中,首先将待光刻版图按照特定尺寸进行切分,形成多个版图块,然后利用训练好的卷积神经网络模型对各个版图块进行处理,得到各个版图块的对应光源;最后,根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源。因此,在本申请提供的方法中,无需每次采用仿真软件计算版图中各个代表图形的光刻工艺窗口,而是利用卷积神经网络模型即可确定出待光刻版图的光刻光源。避免了每次需要仿真软件计算各个代表图形的光刻光源而消耗太多的计算时间而导致确定光刻光源的效率较低的问题,该方法提高了确定光刻光源的效率。
基于上述确定光刻光源模型的训练方法和确定光刻光源的方法,本申请实施例还提供了一种确定光刻光源的装置,下面将结合附图对确定光刻光源的装置进行解释和说明。
参见图6,该图为本申请实施例提供的确定光刻光源的装置的结构示意图。
本申请实施例提供的确定光刻光源的装置,包括:
第一获取单元601,用于获取待光刻版图。
切分单元602,用于将所述待光刻版图按照特定尺寸进行切分,形成M个版图块;所述特定尺寸为卷积神经网络模型训练时用到的版图尺寸;
处理单元603,用于根据训练好的卷积神经网络模型对M个所述版图块进行处理,分别得到各个版图块的对应光源。
第一确定单元604,用于根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源。
其中,2≤m≤M,且m与M均为整数。
为了提高确定光刻光源的效率,所述第一确定单元604,具体用于确定所述各个版图块的对应光源中的相同光源,并确定各种相同光源中的光源数量,将光源数量最多的相同光源作为所述待光刻版图的光刻光源。
为了提高确定光刻光源的效率,所述确定光刻光源的装置还可以包括:
训练单元,用于训练卷积神经网络模型。
所述训练单元,具体包括:
构建子单元,用于构建卷积神经网络模型;
训练集获取子单元,用于获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图以及其对应光源;
学习子单元,用于学习所述特定尺寸版图及其对应光源之间的映射关系;
确定子单元,用于根据所述映射关系确定所述卷积神经网络模型的模型参数。
为了提高确定光刻光源的效率,作为示例,所述训练集获取子单元,包括:
仿真模块,用于对特定尺寸版图进行仿真计算,得到所述特定尺寸版图对应的光刻工艺窗口。
确定模块,用于根据所述光刻工艺窗口确定所述特定尺寸版图的初始对应光源;
归类模块,用于根据预设离散化光源对所述特定尺寸版图的初始对应光源进行归类,以得到所述特定尺寸版图的最终对应光源;
其中,所述特定尺寸版图和所述特定尺版图的最终对应光源为所述卷积神经网络模型的训练集。
为了提高确定光刻光源的效率,所述确定光刻光源的装置还可以包括:
离散子单元,用于预对预知类型的光刻光源进行参数离散化,以得到多个所述预设离散化光源。
当所述预知类型的光刻光源为环形光源时,所述离散子单元具体为:用于将所述环形光源的外角半径和内角半径分别离散化,离散化后的外角半径和内角半径组合成多个所述预设离散化光源。
为了提高确定光刻光源的效率,当预先设定光源为环形光源时,所述离散子单元,具体包括:
第一设定模块,用于设定所述环形光源的外角半径σ_out的范围为[a,b],步长为第一步长s1,则根据公式(1)将所述外角半径σ_out离散化地划分为N个外角半径,记为[k1,k2…ki…kN-1,kN,1≤i≤N]。
第二设定模块,用于设定离散化后的外角半径ki所对应的内角半径σ_in的范围为[xi,yi],步长为第二步长s2,则根据公式(2)将所述内角半径σ_in离散化地划分为ni个内角半径;
离散化后的外角半径和内角半径组合成个所述预设离散化光源。
本申请实施例提供的确定光刻光源的装置,包括第一获取单元601、切分单元602、处理单元603和第一确定单元604,该装置无需采用仿真软件计算版图中各个代表图形的光刻工艺窗口,而是利用卷积神经网络模型即可确定出待光刻版图的光刻光源。因而,该装置解决了仿真软件因计算各个代表图形的光刻工艺窗口需要消耗太多的计算时间而导致确定光刻光源的效率较低的问题,提高了确定光刻光源的效率。
基于上述确定光刻光源模型的训练方法,本申请实施例还提供了一种用于确定光刻光源模型的训练装置,下面将结合附图对用于确定光刻光源模型的训练装置进行解释和说明。
参见图7,该图为本申请实施例提供的用于确定光刻光源模型的训练装置的结构示意图。
本申请实施例提供的用于确定光刻光源模型的训练装置,其特征在于,包括:
构建单元701,用于构建卷积神经网络模型;
第二获取单元702,用于获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图及其对应光源;
学习单元703,用于学习所述特定尺寸版图及其对应光源之间的映射关系;
第二确定单元704,用于根据所述映射关系确定所述卷积神经网络模型的模型参数。
作为示例,第二获取单元702,可以具体包括:
仿真子单元,用于对特定尺寸版图进行仿真计算,得到所述特定尺寸版图对应的光刻工艺窗口;
确定子单元,用于根据所述光刻工艺窗口确定所述特定尺寸版图的初始对应光源;
归类子单元,用于根据预设离散化光源对所述特定尺寸版图的初始对应光源进行归类,以得到所述特定尺寸版图的最终对应光源;
其中,所述特定尺寸版图和所述特定尺版图的最终对应光源为所述卷积神经网络模型的训练集。
本申请实施例提供的用于确定光刻光源模型的训练装置,包括:模型构建单元701、第二获取单元702和模型训练单元703,该装置通过利用多个特定尺寸版图以及其对应光源作为卷积神经网络模型的训练集,并学习所述特定尺寸版图以及所述特定尺寸版图对应光源之间的映射关系,最后根据所述映射关系确定所述卷积神经网络模型的模型参数,从而完成卷积神经网络模型的训练。
以上为本申请的具体实现方式。
Claims (11)
1.一种确定光刻光源的方法,其特征在于,包括:
获取待光刻版图;
将所述待光刻版图按照特定尺寸进行切分,形成M个版图块;所述特定尺寸为卷积神经网络模型训练时用到的版图尺寸;
根据训练好的卷积神经网络模型对m个所述版图块进行处理,分别得到各个版图块的对应光源;
根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源;
其中,2≤m≤M,且m与M均为整数。
2.根据权利要求1所述的方法,其特征在于,根据所述各个版图块的对应光源确定所述待光刻版图的光刻光源,具体包括:
确定所述各个版图块的对应光源中的相同光源,并确定各种相同光源中的光源数量,将光源数量最多的相同光源作为所述待光刻版图的光刻光源。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
训练卷积神经网络模型;
所述训练卷积神经网络模型,具体包括:
构建卷积神经网络模型;
获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图及其对应光源;
学习所述特定尺寸版图及其对应光源之间的映射关系;
根据所述映射关系确定所述卷积神经网络模型的模型参数。
4.根据权利要求3所述的方法,其特征在于,所述获取所述卷积神经网络模型的训练集,包括:
对特定尺寸版图进行仿真计算,得到所述特定尺寸版图对应的光刻工艺窗口;
根据所述光刻工艺窗口确定所述特定尺寸版图的初始对应光源;
根据预设离散化光源对所述特定尺寸版图的初始对应光源进行归类,以得到所述特定尺寸版图的最终对应光源;
其中,所述特定尺寸版图和所述特定尺版图的最终对应光源为所述卷积神经网络模型的训练集。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对预知类型的光刻光源进行参数离散化,以得到多个所述预设离散化光源。
6.根据权利要求5所述的方法,其特征在于,当所述预知类型的光刻光源为环形光源时,所述对预知类型的光刻光源进行参数离散化,以得到多个所述预设离散化光源,具体包括:
将所述环形光源的外角半径和内角半径分别离散化,离散化后的外角半径和内角半径组合成多个所述预设离散化光源。
7.根据权利要求6所述的方法,其特征在于,将所述环形光源的外角半径和内角半径分别离散化,离散化后的外角半径和内角半径组合成多个所述预设离散化光源,具体包括:
设定所述环形光源的外角半径σ_out的范围为[a,b],步长为第一步长s1,则根据以下公式(1)将所述外角半径σ_out离散化地划分为N个外角半径,记为[k1,k2…ki…kN-1,kN,1≤i≤N];
设定离散化后的外角半径ki所对应的内角半径σ_in的范围为[xi,yi],步长为第二步长s2,则根据以下公式(2)将所述内角半径σ_in离散化地划分为ni个内角半径;
离散化后的外角半径和内角半径组合成个所述预设离散化光源;
其中,公式(1)为:
公式(2)如下:
表示向上取整。
8.一种模型训练方法,其特征在于,包括:
构建卷积神经网络模型;
获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图及其对应光源;
学习所述特定尺寸版图及其对应光源之间的映射关系;
根据所述映射关系确定所述卷积神经网络模型的模型参数。
9.根据权利要求8所述的方法,其特征在于,所述获取所述卷积神经网络模型的训练集,包括:
对特定尺寸版图进行仿真计算,得到所述特定尺寸版图对应的光刻工艺窗口;
根据所述光刻工艺窗口确定所述特定尺寸版图的初始对应光源;
根据预设离散化光源对所述特定尺寸版图的初始对应光源进行归类,以得到所述特定尺寸版图的最终对应光源;
其中,所述特定尺寸版图和所述特定尺版图的最终对应光源为所述卷积神经网络模型的训练集。
10.一种确定光刻光源的装置,其特征在于,包括:
第一获取单元,用于获取待光刻版图;
切分单元,用于将所述待光刻版图按照特定尺寸进行切分,形成M个版图块;所述特定尺寸为卷积神经网络模型训练时用到的版图尺寸;
处理单元,用于根据训练好的卷积神经网络模型对m个所述版图块进行处理,分别得到各个版图块的对应光源;
第一确定单元,用于根据所述各个版图块的对应的光源确定所述待光刻版图的光刻光源;
其中,2≤m≤M,且m与M均为整数。
11.一种模型训练装置,其特征在于,包括:
构建单元,用于构建卷积神经网络模型;
第二获取单元,用于获取所述卷积神经网络模型的训练集,所述训练集包括特定尺寸版图及其对应光源;
学习单元,用于学习所述特定尺寸版图及其对应光源之间的映射关系;
第二确定单元,用于根据所述映射关系确定所述卷积神经网络模型的模型参数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811259558.6A CN109143796B (zh) | 2018-10-26 | 2018-10-26 | 确定光刻光源的方法、装置及模型训练方法、装置 |
CN202010988995.2A CN111999992B (zh) | 2018-10-26 | 2018-10-26 | 一种确定光刻光源模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811259558.6A CN109143796B (zh) | 2018-10-26 | 2018-10-26 | 确定光刻光源的方法、装置及模型训练方法、装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010988995.2A Division CN111999992B (zh) | 2018-10-26 | 2018-10-26 | 一种确定光刻光源模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109143796A true CN109143796A (zh) | 2019-01-04 |
CN109143796B CN109143796B (zh) | 2021-02-12 |
Family
ID=64809853
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811259558.6A Active CN109143796B (zh) | 2018-10-26 | 2018-10-26 | 确定光刻光源的方法、装置及模型训练方法、装置 |
CN202010988995.2A Active CN111999992B (zh) | 2018-10-26 | 2018-10-26 | 一种确定光刻光源模型的训练方法及装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010988995.2A Active CN111999992B (zh) | 2018-10-26 | 2018-10-26 | 一种确定光刻光源模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN109143796B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187609A (zh) * | 2019-06-05 | 2019-08-30 | 北京理工大学 | 一种计算光刻的深度学习方法 |
WO2022068262A1 (zh) * | 2020-09-29 | 2022-04-07 | 长鑫存储技术有限公司 | 半导体制作工艺的检测方法 |
WO2022104904A1 (zh) * | 2020-11-20 | 2022-05-27 | 深圳晶源信息技术有限公司 | 一种集成电路制造光源优化方法及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306452B (zh) * | 2023-05-17 | 2023-08-08 | 华芯程(杭州)科技有限公司 | 一种光刻胶参数获取方法及装置、电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04319935A (ja) * | 1991-04-18 | 1992-11-10 | Fuji Photo Film Co Ltd | 写真焼付露光量決定装置 |
JP2006301779A (ja) * | 2005-04-18 | 2006-11-02 | Konica Minolta Photo Imaging Inc | 画像処理システム、画像処理方法及び画像処理プログラム |
CN101203806A (zh) * | 2005-06-24 | 2008-06-18 | 皇家飞利浦电子股份有限公司 | 用于表征照明系统的偏振的方法及装置 |
CN102789134A (zh) * | 2011-05-18 | 2012-11-21 | 上海微电子装备有限公司 | 一种优化曝光系统性能的方法 |
CN107766893A (zh) * | 2017-11-03 | 2018-03-06 | 电子科技大学 | 基于标签多级编码神经网络的目标识别方法 |
CN107797391A (zh) * | 2017-11-03 | 2018-03-13 | 上海集成电路研发中心有限公司 | 光学邻近校正方法 |
CN108535952A (zh) * | 2018-04-09 | 2018-09-14 | 北京理工大学 | 一种基于模型驱动卷积神经网络的计算光刻方法 |
CN108665060A (zh) * | 2018-06-12 | 2018-10-16 | 上海集成电路研发中心有限公司 | 一种用于计算光刻的集成神经网络 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6115108A (en) * | 1998-12-04 | 2000-09-05 | Advanced Micro Devices, Inc. | Illumination modification scheme synthesis using lens characterization data |
CN105425532B (zh) * | 2015-11-20 | 2020-02-21 | 中国科学院微电子研究所 | 光源掩模协同优化方法 |
CN109791688B (zh) * | 2016-06-17 | 2021-06-01 | 华为技术有限公司 | 曝光相关的亮度变换 |
CN106773541B (zh) * | 2016-12-20 | 2019-10-01 | 中国科学院微电子研究所 | 一种基于版图几何特征匹配的光刻解决方案预测方法 |
-
2018
- 2018-10-26 CN CN201811259558.6A patent/CN109143796B/zh active Active
- 2018-10-26 CN CN202010988995.2A patent/CN111999992B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04319935A (ja) * | 1991-04-18 | 1992-11-10 | Fuji Photo Film Co Ltd | 写真焼付露光量決定装置 |
JP2006301779A (ja) * | 2005-04-18 | 2006-11-02 | Konica Minolta Photo Imaging Inc | 画像処理システム、画像処理方法及び画像処理プログラム |
CN101203806A (zh) * | 2005-06-24 | 2008-06-18 | 皇家飞利浦电子股份有限公司 | 用于表征照明系统的偏振的方法及装置 |
CN102789134A (zh) * | 2011-05-18 | 2012-11-21 | 上海微电子装备有限公司 | 一种优化曝光系统性能的方法 |
CN107766893A (zh) * | 2017-11-03 | 2018-03-06 | 电子科技大学 | 基于标签多级编码神经网络的目标识别方法 |
CN107797391A (zh) * | 2017-11-03 | 2018-03-13 | 上海集成电路研发中心有限公司 | 光学邻近校正方法 |
CN108535952A (zh) * | 2018-04-09 | 2018-09-14 | 北京理工大学 | 一种基于模型驱动卷积神经网络的计算光刻方法 |
CN108665060A (zh) * | 2018-06-12 | 2018-10-16 | 上海集成电路研发中心有限公司 | 一种用于计算光刻的集成神经网络 |
Non-Patent Citations (1)
Title |
---|
杜玉红 等: ""应用聚类神经网络的异纤检测多类光源优化设计"", 《纺织学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187609A (zh) * | 2019-06-05 | 2019-08-30 | 北京理工大学 | 一种计算光刻的深度学习方法 |
WO2022068262A1 (zh) * | 2020-09-29 | 2022-04-07 | 长鑫存储技术有限公司 | 半导体制作工艺的检测方法 |
WO2022104904A1 (zh) * | 2020-11-20 | 2022-05-27 | 深圳晶源信息技术有限公司 | 一种集成电路制造光源优化方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109143796B (zh) | 2021-02-12 |
CN111999992A (zh) | 2020-11-27 |
CN111999992B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109143796A (zh) | 确定光刻光源的方法、装置及模型训练方法、装置 | |
CN105046277B (zh) | 特征显著性在图像质量评价中的鲁棒机理研究方法 | |
CN110136141B (zh) | 一种面向复杂环境的图像语义分割方法及装置 | |
CN110455822A (zh) | 一种pcb板缺陷的检测方法 | |
WO2021082594A1 (zh) | 一种绝缘材料表面的藻类检测方法、装置和设备 | |
CN110245754A (zh) | 一种基于位置敏感图的知识蒸馏方法 | |
CN110688958A (zh) | 基于GoogLeNet神经网络的交叉路口识别方法 | |
CN111738133A (zh) | 模型训练方法、目标检测方法、装置、电子设备及可读存储介质 | |
CN110390360A (zh) | 基于遗传算法的矩形块排样顺序确定方法和装置 | |
CN107748744A (zh) | 一种勾勒框知识库的建立方法及装置 | |
CN103839270A (zh) | 一种图像匹配方法及装置 | |
CN116309427A (zh) | 一种基于改进YOLOv5算法的PCB表面缺陷检测方法 | |
CN113763364B (zh) | 一种基于卷积神经网络的图像缺陷检测方法 | |
CN110096973A (zh) | 一种基于orb算法和深度级可分离卷积网络的交警手势识别方法 | |
CN113487555A (zh) | 一种基于点云网格化的输电线路隐患点快速检测方法 | |
CN106777612B (zh) | 一种建立pcb类型的预测模型和pcb设计的方法及装置 | |
TW202127312A (zh) | 影像處理方法及存儲介質 | |
CN107464272A (zh) | 基于关键点的中心扩散式气象传真图等值线的插值方法 | |
CN104504206B (zh) | 一种2.5d下模型添加及排序的方法 | |
CN106960188A (zh) | 天气图像分类方法及装置 | |
CN113538484B (zh) | 一种深度细化的多重信息嵌套边缘检测方法 | |
CN112766687B (zh) | 一种基于深度cnn的飞机总装物料配送优先级分配方法 | |
CN104243201B (zh) | 网络设备测试用例对应拓扑图的存储方法及系统 | |
CN113990777A (zh) | 良率晶圆图的形成方法及装置、可读存储介质、终端 | |
CN111274894A (zh) | 一种基于改进YOLOv3的人员在岗状态检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |