CN109491195A - 一种建立辅助图形曝光模型的方法 - Google Patents
一种建立辅助图形曝光模型的方法 Download PDFInfo
- Publication number
- CN109491195A CN109491195A CN201811591848.0A CN201811591848A CN109491195A CN 109491195 A CN109491195 A CN 109491195A CN 201811591848 A CN201811591848 A CN 201811591848A CN 109491195 A CN109491195 A CN 109491195A
- Authority
- CN
- China
- Prior art keywords
- secondary graphics
- sample
- exposure model
- exposure
- weight
- 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 35
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 26
- 229910052710 silicon Inorganic materials 0.000 claims description 26
- 239000010703 silicon Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000001259 photo etching Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
Abstract
本发明公开了一种建立辅助图形曝光模型的方法,包括以下步骤:步骤S01:设计测试图形,所述测试图形包含标准图形和辅助图形;步骤S02:收集在线线宽量测数据及辅助图形曝光数据;步骤S03:建立测试图形版图与线宽量测数据及辅助图形曝光数据之间的对应文件;步骤S04:基于机器学习进行辅助图形曝光模型拟合运算,建立辅助图形曝光模型;步骤S05:输出辅助图形曝光模型,进行OPC图形修正与验证。本发明可以获得准确性更高的辅助图形曝光模型。
Description
技术领域
本发明涉及光学邻近效应修正技术领域,更具体地,涉及一种基于机器学习建立辅助图形曝光模型的方法。
背景技术
随着集成电路的持续发展,制造技术不断地朝更小的尺寸发展,光刻制程已经成为限制集成电路向更小特征尺寸发展的主要瓶颈。在深亚微米的半导体制造中,关键图形的尺寸已经远远小于光源的波长,由于光的衍射效应,导致光罩投影至硅片上面的图形有很大的变化,如线宽的变化,转角的圆化,线长的缩短等各种光学临近效应。为了补偿这些效应产生的影响,我们会直接修改设计出来的图形,然后再进行光刻版的制版工作,例如将线尾修改成hammer head之类的图形等。这个修正的迭代过程就叫光学邻近效应修正(optical proximity correction,OPC)。一般来说,0.18微米以下的光刻制程需要辅以OPC才可得到较好的光刻质量。
在65nm及以下先进工艺中,亚分辨率辅助图形(Assist Feature,AF)技术被广泛应用于光学邻近效应修正OPC中。辅助图形技术利用光学原理在主图形(Main Feature,MF)附近加入无法成像的辅助图形,增强主图形对比度,从而进一步扩大光刻工艺窗口。
辅助图形的设计尺寸通常是主图形的一半甚至更小。辅助图形的添加,在提升光刻工艺窗口的同时,也会引入一些问题。比如,辅助图形在硅片上实现成像(AF print);小尺寸的光刻胶保形性较差容易引起光刻胶剥离从而在硅片上引入缺陷等。这些都会在主图形上形成设计不需要的图形,影响器件性能或良率。
在OPC图形修正过程中,会监控辅助图形的信号强度,并报出辅助图形成像的情况。因此,辅助图形曝光模型的准确性,对辅助图形的添加规则制定与OPC图形修正具有重要的意义。
发明内容
本发明的目的在于克服现有技术存在的上述缺陷,提供一种基于机器学习建立辅助图形曝光模型的方法。
为实现上述目的,本发明的技术方案如下:
一种建立辅助图形曝光模型的方法,包括以下步骤:
步骤S01:设计测试图形,所述测试图形包含标准图形和辅助图形;
步骤S02:收集在线线宽量测数据及辅助图形曝光数据;
步骤S03:建立测试图形版图与线宽量测数据及辅助图形曝光数据之间的对应文件;
步骤S04:基于机器学习进行辅助图形曝光模型拟合运算,建立辅助图形曝光模型;
步骤S05:输出辅助图形曝光模型,进行OPC图形修正与验证。
进一步地,所述标准图形包含一维图形和二维图形,并将多组辅助图形添加在标准图形周边。
进一步地,所述步骤S02具体包括:在测试图形设计结束后,制作测试图形版图,进行光刻工艺,并在硅片上收集各种版图图形在硅片上的线宽数据;其中,线宽数据包括没有添加辅助图形的部分和添加辅助图形的部分;根据工艺确定的辅助图形规则,分别选定辅助图形未在硅片上曝光形成图形的成像信息和在硅片上曝光形成图形的成像信息,并保存辅助图形成像的图片与量测数据。
进一步地,步骤S03中,通过所述对应文件,在辅助图形曝光模型拟合中进行辅助图形信号的监控。
进一步地,步骤S04中,对于辅助图形未在硅片上曝光形成图形的情况,若辅助图形曝光模型预测辅助图形曝光产生图形,则判断为错误,若辅助图形曝光模型预测辅助图形未曝光产生图形,则判断为正确;反之,对于辅助图形在硅片上曝光形成图形的情况,若辅助图形曝光模型预测辅助图形未曝光产生图形,则判断为错误,若辅助图形曝光模型预测辅助图形曝光产生图形,则判断为正确;将辅助图形曝光数据分成若干个分组,基于机器学习Boosting算法进行机器学习训练,对辅助图形曝光模型进行拟合运算,以建立辅助图形曝光模型。
进一步地,将辅助图形曝光数据分成若干个分组,对应形成若干个分类器,基于机器学习Boosting算法进行机器学习训练时,具体包括以下步骤:
训练第一个分类器,样本的权重D为相同的均值;
通过一个弱分类器,得到样本的分类预测标签,与给出的样本真实标签对比,如果某个样本预测错误,则它对应的错误值为该样本的权重D,如果分类正确,则错误值为0;将最后累加样本的错误率之和记为ε;
通过累加样本的错误率之和ε,计算该弱分类器的权重α;
通过该弱分类器的权重α计算训练下一个弱分类器样本的权重D,如果对应样本分类正确,则减小该样本的权重D,如果样本分类错误,则增加该样本的权重D;
循环上述步骤,继续训练其他分类器。
进一步地,各所述分类器的样本的权重D值不同。
进一步地,对经训练的各所述分类器进行测试,过程如下:输入一个样本到训练好的每个弱分类器中,则每个弱分类器都对应一个输出标签,然后将该输出标签乘以该弱分类器对应的权重α,用来训练辅助图形曝光模型的建立与优化。
进一步地,所述计算该弱分类器的权重α,满足以下公式一:
其中,ε为最后累加样本的错误率之和。
进一步地,通过该弱分类器的权重α计算训练下一个弱分类器样本的权重D,如果对应样本分类正确,则减小该样本的权重D,并满足以下公式二:
如果样本分类错误,则增加该样本的权重D,并满足以下公式三:
从上述技术方案可以看出,本发明通过在收集在线线宽量测数据阶段增加辅助图形成像数据,并建立辅助图形版图与信号监测数据的对应文件,然后基于机器学习Boosting算法,对辅助图形曝光情况进行分类器训练,从而可以获得准确性更高的辅助图形曝光模型。
附图说明
图1是本发明一种建立辅助图形曝光模型的方法流程图。
图2是一种示例版图图形。
图3是示例出现辅助图形曝光信号判断正确时的图形。
图4是示例出现辅助图形曝光信号判断错误时的图形。
图5是示例训练第一个分类器的原理图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步的详细说明。
需要说明的是,在下述的具体实施方式中,在详述本发明的实施方式时,为了清楚地表示本发明的结构以便于说明,特对附图中的结构不依照一般比例绘图,并进行了局部放大、变形及简化处理,因此,应避免以此作为对本发明的限定来加以理解。
在以下本发明的具体实施方式中,请参考图1,图1是本发明一种建立辅助图形曝光模型的方法流程图。如图1所示,本发明的一种建立辅助图形曝光模型的方法,包括以下步骤:
步骤S01:设计测试图形,所述测试图形包含标准图形和辅助图形。
测试图形通常包含一维和二维的标准图形,并设计多组辅助图形添加在一维和二维的标准图形周边,用来全面收集光刻工艺在各种图形下的失真行为。
步骤S02:收集在线线宽量测数据及辅助图形曝光数据。
测试图形设计结束后,形成测试图形版图,即可进行光刻工艺,并在硅片上收集各种版图图形在硅片上的线宽数据。
线宽数据可包括没有添加辅助图形的部分和添加辅助图形的部分。添加辅助图形部分的硅片数据信息,反应了辅助图形对主图形的成像所带来的影响。
根据工艺确定的辅助图形规则,分别选定辅助图形未在硅片上曝光形成图形的成像信息和在硅片上曝光形成图形的成像信息,保存辅助图形成像的图片与量测数据。
步骤S03:建立测试图形版图与线宽量测数据及辅助图形曝光数据之间的对应文件。
通过建立测试图形版图与线宽量测数据及辅助图形曝光数据的对应文件,用于在后续的模型拟合运算中计算信号的失真行为。
在步骤S02收集辅助图形成像信息的基础上,对辅助图形曝光信息测试图形版图与量测数据建立对应关系,用于在模型拟合中进行辅助图形信号的监控。
步骤S04:基于机器学习进行辅助图形曝光模型拟合运算,建立辅助图形曝光模型;
对于辅助图形未在硅片上曝光形成图形的情况,若辅助图形曝光模型预测辅助图形曝光产生图形,则判断为错误,若辅助图形曝光模型预测辅助图形未曝光产生图形,则判断为正确。
反之,对于辅助图形在硅片上曝光形成图形的情况,若辅助图形曝光模型预测辅助图形未曝光产生图形,则判断为错误,若辅助图形曝光模型预测辅助图形曝光产生图形,则判断为正确。
将辅助图形曝光数据分成若干个分组,对应形成若干个分类器,基于机器学习Boosting算法进行机器学习训练。具体可包括以下步骤:
步骤S041:训练第一个分类器,样本的权重D为相同的均值。
请参考图5。通过一个弱分类器,得到样本的分类预测标签。将其与给出的样本真实标签对比,就可能出现误差(即错误)。如果某个样本预测错误,则它对应的错误值为该样本的权重D,如果分类正确,则错误值为0。将最后累加样本的错误率之和记为ε。图中classifier代表分类器,各数字代表样本的错误率。
步骤S042:通过累加样本的错误率之和ε,计算该弱分类器的权重α。
计算该弱分类器的权重α,满足以下公式一:
其中,ε为最后累加样本的错误率之和。
步骤S043:通过该弱分类器的权重α计算训练下一个弱分类器样本的权重D,如果对应样本分类正确,则减小该样本的权重D,并满足以下公式二:
如果样本分类错误,则增加该样本的权重D,并满足以下公式三:
步骤S044:循环上述步骤,继续训练其他分类器,只是各所述分类器的样本的权重D值不同而已。
测试过程如下:输入一个样本到训练好的每个弱分类器中,则每个弱分类器都对应一个输出标签,然后将该输出标签乘以该弱分类器对应的权重α,用来训练辅助图形曝光模型的建立与优化。
步骤S05:输出辅助图形曝光模型,进行OPC图形修正与验证。
基于机器学习训练得到的辅助图形曝光模型,可对辅助图形的添加与OPC修正提供准确性更高的指导。
请参考图2-图4。图2-图4是某一辅助图形曝光模型在机器学习中出现的判断示例。
图2是版图设计图形,其中较宽的图形为主图形11,直接在硅片上进行成像;较窄的图形为辅助图形12,不在硅片上成像,起到增强图形信号对比度的作用。
图3是图2的版图设计图形11、12在硅片上的SEM照片与另一曝光模型仿真轮廓(白色线条)13的叠加示意图,其显示该模型对辅助图形12的曝光信号判断正确。
图4是图2的版图设计图形11、12在硅片上的SEM照片与某一曝光模型仿真轮廓(白色线条)13的叠加示意图,在SEM上只出现了主图形11,但没有出现辅助图形12成像的信息,说明该模型对辅助图形的曝光信号判断错误,则需在后续的拟合中增加该样本的权重。
综上所述,本发明通过在收集在线线宽量测数据阶段增加辅助图形成像数据,并建立辅助图形版图与信号监测数据的对应文件,然后基于机器学习Boosting算法,对辅助图形曝光情况进行分类器训练,从而可以获得准确性更高的辅助图形曝光模型。
以上所述的仅为本发明的优选实施例,所述实施例并非用以限制本发明的专利保护范围,因此凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (10)
1.一种建立辅助图形曝光模型的方法,其特征在于,包括以下步骤:
步骤S01:设计测试图形,所述测试图形包含标准图形和辅助图形;
步骤S02:收集在线线宽量测数据及辅助图形曝光数据;
步骤S03:建立测试图形版图与线宽量测数据及辅助图形曝光数据之间的对应文件;
步骤S04:基于机器学习进行辅助图形曝光模型拟合运算,建立辅助图形曝光模型;
步骤S05:输出辅助图形曝光模型,进行OPC图形修正与验证。
2.根据权利要求1所述的建立辅助图形曝光模型的方法,其特征在于,所述标准图形包含一维图形和二维图形,并将多组辅助图形添加在标准图形周边。
3.根据权利要求1所述的建立辅助图形曝光模型的方法,其特征在于,所述步骤S02具体包括:在测试图形设计结束后,制作测试图形版图,进行光刻工艺,并在硅片上收集各种版图图形在硅片上的线宽数据;其中,线宽数据包括没有添加辅助图形的部分和添加辅助图形的部分;根据工艺确定的辅助图形规则,分别选定辅助图形未在硅片上曝光形成图形的成像信息和在硅片上曝光形成图形的成像信息,并保存辅助图形成像的图片与量测数据。
4.根据权利要求1所述的建立辅助图形曝光模型的方法,其特征在于,步骤S03中,通过所述对应文件,在辅助图形曝光模型拟合中进行辅助图形信号的监控。
5.根据权利要求1所述的建立辅助图形曝光模型的方法,其特征在于,步骤S04中,对于辅助图形未在硅片上曝光形成图形的情况,若辅助图形曝光模型预测辅助图形曝光产生图形,则判断为错误,若辅助图形曝光模型预测辅助图形未曝光产生图形,则判断为正确;反之,对于辅助图形在硅片上曝光形成图形的情况,若辅助图形曝光模型预测辅助图形未曝光产生图形,则判断为错误,若辅助图形曝光模型预测辅助图形曝光产生图形,则判断为正确;将辅助图形曝光数据分成若干个分组,基于机器学习Boosting算法进行机器学习训练,对辅助图形曝光模型进行拟合运算,以建立辅助图形曝光模型。
6.根据权利要求5所述的建立辅助图形曝光模型的方法,其特征在于,将辅助图形曝光数据分成若干个分组,对应形成若干个分类器,基于机器学习Boosting算法进行机器学习训练时,具体包括以下步骤:
训练第一个分类器,样本的权重D为相同的均值;
通过一个弱分类器,得到样本的分类预测标签,与给出的样本真实标签对比,如果某个样本预测错误,则它对应的错误值为该样本的权重D,如果分类正确,则错误值为0;将最后累加样本的错误率之和记为ε;
通过累加样本的错误率之和ε,计算该弱分类器的权重α;
通过该弱分类器的权重α计算训练下一个弱分类器样本的权重D,如果对应样本分类正确,则减小该样本的权重D,如果样本分类错误,则增加该样本的权重D;
循环上述步骤,继续训练其他分类器。
7.根据权利要求6所述的建立辅助图形曝光模型的方法,其特征在于,各所述分类器的样本的权重D值不同。
8.根据权利要求6所述的建立辅助图形曝光模型的方法,其特征在于,对经训练的各所述分类器进行测试,过程如下:输入一个样本到训练好的每个弱分类器中,则每个弱分类器都对应一个输出标签,然后将该输出标签乘以该弱分类器对应的权重α,用来训练辅助图形曝光模型的建立与优化。
9.根据权利要求6所述的建立辅助图形曝光模型的方法,其特征在于,所述计算该弱分类器的权重α,满足以下公式一:
其中,ε为最后累加样本的错误率之和。
10.根据权利要求9所述的建立辅助图形曝光模型的方法,其特征在于,通过该弱分类器的权重α计算训练下一个弱分类器样本的权重D,如果对应样本分类正确,则减小该样本的权重D,并满足以下公式二:
如果样本分类错误,则增加该样本的权重D,并满足以下公式三:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811591848.0A CN109491195A (zh) | 2018-12-25 | 2018-12-25 | 一种建立辅助图形曝光模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811591848.0A CN109491195A (zh) | 2018-12-25 | 2018-12-25 | 一种建立辅助图形曝光模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109491195A true CN109491195A (zh) | 2019-03-19 |
Family
ID=65711785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811591848.0A Pending CN109491195A (zh) | 2018-12-25 | 2018-12-25 | 一种建立辅助图形曝光模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109491195A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180677A (zh) * | 2020-11-27 | 2021-01-05 | 晶芯成(北京)科技有限公司 | 一种光学邻近校正模型的建模方法及建模系统 |
CN113075855A (zh) * | 2020-01-06 | 2021-07-06 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正方法、掩膜版的制作方法及半导体结构的形成方法 |
WO2021203550A1 (zh) * | 2020-04-10 | 2021-10-14 | 联合微电子中心有限责任公司 | 曲线图形光学邻近修正方法 |
TWI823616B (zh) * | 2020-03-03 | 2023-11-21 | 荷蘭商Asml荷蘭公司 | 執行用於訓練機器學習模型以產生特性圖案之方法的非暫時性電腦可讀媒體 |
WO2024082567A1 (zh) * | 2022-10-21 | 2024-04-25 | 东方晶源微电子科技(北京)有限公司 | 基于设计版图的量测数据库构建方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7962863B2 (en) * | 2007-05-07 | 2011-06-14 | Kla-Tencor Corp. | Computer-implemented methods, systems, and computer-readable media for determining a model for predicting printability of reticle features on a wafer |
CN106773544A (zh) * | 2016-12-30 | 2017-05-31 | 上海集成电路研发中心有限公司 | 一种控制辅助图形信号误报率的opc建模方法 |
CN107124327A (zh) * | 2017-04-11 | 2017-09-01 | 千寻位置网络有限公司 | Jt808车载终端模拟器反检测的方法 |
CN107170443A (zh) * | 2017-05-12 | 2017-09-15 | 北京理工大学 | 一种模型训练层AdaBoost算法的参数优化方法 |
-
2018
- 2018-12-25 CN CN201811591848.0A patent/CN109491195A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7962863B2 (en) * | 2007-05-07 | 2011-06-14 | Kla-Tencor Corp. | Computer-implemented methods, systems, and computer-readable media for determining a model for predicting printability of reticle features on a wafer |
CN106773544A (zh) * | 2016-12-30 | 2017-05-31 | 上海集成电路研发中心有限公司 | 一种控制辅助图形信号误报率的opc建模方法 |
CN107124327A (zh) * | 2017-04-11 | 2017-09-01 | 千寻位置网络有限公司 | Jt808车载终端模拟器反检测的方法 |
CN107170443A (zh) * | 2017-05-12 | 2017-09-15 | 北京理工大学 | 一种模型训练层AdaBoost算法的参数优化方法 |
Non-Patent Citations (1)
Title |
---|
刘荣辉 著: "《大数据架构技术与实例分析》", 31 January 2018, 东北师范大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075855A (zh) * | 2020-01-06 | 2021-07-06 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正方法、掩膜版的制作方法及半导体结构的形成方法 |
CN113075855B (zh) * | 2020-01-06 | 2024-04-19 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正方法、掩膜版的制作方法及半导体结构的形成方法 |
TWI823616B (zh) * | 2020-03-03 | 2023-11-21 | 荷蘭商Asml荷蘭公司 | 執行用於訓練機器學習模型以產生特性圖案之方法的非暫時性電腦可讀媒體 |
WO2021203550A1 (zh) * | 2020-04-10 | 2021-10-14 | 联合微电子中心有限责任公司 | 曲线图形光学邻近修正方法 |
CN112180677A (zh) * | 2020-11-27 | 2021-01-05 | 晶芯成(北京)科技有限公司 | 一种光学邻近校正模型的建模方法及建模系统 |
WO2024082567A1 (zh) * | 2022-10-21 | 2024-04-25 | 东方晶源微电子科技(北京)有限公司 | 基于设计版图的量测数据库构建方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109491195A (zh) | 一种建立辅助图形曝光模型的方法 | |
US10962875B2 (en) | Method of mask simulation model for OPC and mask making | |
US7475383B2 (en) | Method of fabricating photo mask | |
US8166424B2 (en) | Method for constructing OPC model | |
CN108828896B (zh) | 添加亚分辨率辅助图形的方法及该方法的应用 | |
US8802574B2 (en) | Methods of making jogged layout routings double patterning compliant | |
US7451428B2 (en) | Merging sub-resolution assist features of a photolithographic mask through the use of a merge bar | |
US20060281016A1 (en) | Modifying sub-resolution assist features according to rule-based and model-based techniques | |
US9672300B2 (en) | Pattern generation method | |
US8103979B2 (en) | System for generating and optimizing mask assist features based on hybrid (model and rules) methodology | |
US20070111112A1 (en) | Systems and methods for fabricating photo masks | |
US20190087526A1 (en) | Hotspot Detection Based On Litho-Aware Machine Learning | |
CN106773544B (zh) | 一种控制辅助图形信号误报率的opc建模方法 | |
CN103365071B (zh) | 掩膜板的光学邻近校正方法 | |
US7665060B2 (en) | Approximating wafer intensity change to provide fast mask defect scoring | |
US20220128899A1 (en) | Methods and systems to determine shapes for semiconductor or flat panel display fabrication | |
CN102117010B (zh) | 一种光学邻近修正方法 | |
US6571383B1 (en) | Semiconductor device fabrication using a photomask designed using modeling and empirical testing | |
CN109459911B (zh) | 一种提高opc模型精度的方法 | |
US8443309B2 (en) | Multifeature test pattern for optical proximity correction model verification | |
US9223911B2 (en) | Optical model employing phase transmission values for sub-resolution assist features | |
US10002827B2 (en) | Method for selective re-routing of selected areas in a target layer and in adjacent interconnecting layers of an IC device | |
US20140245238A1 (en) | Methods involving pattern matching to identify and resolve potential non-double-patterning-compliant patterns in double patterning applications | |
CN111443567B (zh) | 光学邻近修正模型、光学邻近修正方法 | |
US20140082572A1 (en) | Method of generating assistant feature |
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 |
Application publication date: 20190319 |
|
RJ01 | Rejection of invention patent application after publication |