CN110678961A - 在光学光刻中模拟近场图像 - Google Patents

在光学光刻中模拟近场图像 Download PDF

Info

Publication number
CN110678961A
CN110678961A CN201780091295.XA CN201780091295A CN110678961A CN 110678961 A CN110678961 A CN 110678961A CN 201780091295 A CN201780091295 A CN 201780091295A CN 110678961 A CN110678961 A CN 110678961A
Authority
CN
China
Prior art keywords
image
ann
mask
near field
field image
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
Application number
CN201780091295.XA
Other languages
English (en)
Other versions
CN110678961B (zh
Inventor
李江伟
王育民
刘钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML US LLC
Original Assignee
ASML US LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ASML US LLC filed Critical ASML US LLC
Priority to CN202311302612.1A priority Critical patent/CN117348356A/zh
Publication of CN110678961A publication Critical patent/CN110678961A/zh
Application granted granted Critical
Publication of CN110678961B publication Critical patent/CN110678961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • 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
    • 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
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Abstract

一种用于确定用于光学光刻的近场图像的方法和设备，所述方法包括：接收指示光掩模特征的薄掩模图像，其中，在不考虑与光掩模特征相关联的掩模形貌影响的情况下确定薄掩模图像，以及由处理器使用人工神经网络(ANN)由薄掩模图像确定近场图像，其中，ANN使用薄掩模图像作为输入。该设备包括处理器和联接到该处理器的存储器。所述存储器被配置为存储由处理器执行以执行所述方法的指令。

Description

在光学光刻中模拟近场图像
技术领域
本公开涉及半导体制造，尤其涉及确定在光学光刻模拟中的近场图像。
背景技术
光刻也称为“光学光刻”或“紫外线(UV，包括深紫外线，即DUV，和极紫外线，即EUV)光刻”，是用于微制造以将薄膜的的一部分图案化至衬底上的工艺。它使用光将想要的几何图案从“光掩模”(或简称为“掩模”)转移到晶片衬底上的光敏化学“光致抗蚀剂”(或简称为“抗蚀剂”)的曝光图案中。然后一系列的化学处理可以将曝光图案雕刻到光致抗蚀剂下面的材料中，或者能够使得曝光图案中的新材料沉积到光致抗蚀剂下面的材料上。光刻法可以产生小的特征(尺寸小至几十纳米)，并且是制造小至10纳米以下技术节点的超大规模集成(VLSI)器件中的成本有效且可靠的图案化技术。在集成电路(IC)制造中，现代互补金属氧化物半导体(CMOS)晶片在形成功能IC之前将经历多次(例如，50次)光刻循环。
在光刻工艺期间，光照射到掩模图案上，该掩模图案在涂覆在硅晶片上的抗蚀剂上形成压印。硅晶片上的电路的正常功能取决于转印该图案的保真度。理想地，在晶片上图案化的输出电路与掩模图案相同。然而，成像系统是频带受限的，并且可能带来由透镜投影系统的衍射效应引起的失真，特别是当以较高分辨率工作时。例如，当光的波长为193纳米时，在诸如45纳米、32纳米或更小的技术节点的情况下，在光刻系统中必然发生衍射。因此，需要工艺来解决由次波长光刻所引起的问题，例如光学邻近校正(OPC)或其它分辨率增强技术(RET)。
此外，随着对更小和更均匀的光掩模特征的需求迅速增加，图案的复杂性也随着对OPC和RET的需要而增加。这些复杂的掩模特征在图案布置和尺寸控制上要求更高的准确性。
结合OPC和RET技术的光刻模拟可以用于增加掩模图案的图案复杂性。在次波长光刻的模拟中，可以使用考虑了由于掩模拓扑或形貌而产生的近场效应的掩模图像(“近场图像”)。
发明内容
本文公开了用于确定用于光学光刻的近场图像的方法、装置和非暂时性计算机可读介质的实现。
在一方面，提供了一种确定用于光学光刻的近场图像的方法。该方法包括：接收指示光掩模特征的薄掩模图像，其中，在不考虑与光掩模特征相关联的近场效应的情况下确定薄掩模图像；以及通过处理器使用人工神经网络(ANN)由薄掩模图像确定近场图像，其中，ANN使用薄掩模图像作为输入。
可选地，光掩模特征包括掩模图案、掩模图案的边缘、掩模图案的角和掩模图案的面积中的至少一个。
可选地，使用ANN确定近场图像包括通过将薄掩模图像加到所述ANN的输出来确定近场图像，其中，所述输出指示薄掩模图像与近场图像之间的差异，并且所述ANN使用由薄掩模图像确定的矢量图像作为输入。
可选地，所述ANN包括多层感知器(MLP)模型和卷积神经网络(CNN)模型中的至少一个，所述ANN的输入数据包括薄掩模图像中的多个采样点中的一个采样点的图像数据，并且图像数据包括薄掩模图像在所述采样点处的图像强度和由薄掩模图像确定的矢量图像的值中的至少一个。
可选地，根据包括同心圆区域采样(CCAS)、同心方形采样(CSS)和均匀采样中的一个的采样方案对薄掩模图像中的多个采样点进行采样。
可选地，与ANN相关联的参数包括与采样点相关联的权重，并且基于多个采样点中的所述一个采样点和另一个采样点之间的距离确定该权重。
可选地，还包括确定在使用ANN确定的近场图像和指示光掩模特征的限定图像之间是否存在匹配，其中，使用严格电磁模拟技术来确定限定图像；以及基于确定所述近场图像和限定图像之间不匹配，更新与所述ANN相关联的参数。
可选地，该方法还包括确定与该近场图像相关联的成本值是否被最小化，并且基于确定与该近场图像相关联的成本值未被最小化，更新与该ANN相关联的参数。
可选地，所述近场图像包括复数值。
可选地，使用ANN确定近场图像包括确定与近场图像相关联的梯度数据，其中，所述梯度数据包括近场图像相对于薄掩模图像的梯度。
在另一方面，提供了一种确定用于光学光刻的近场图像的设备。该设备包括处理器和联接到该处理器的存储器。存储器被配置为存储指令，所述指令在由处理器执行时以便处理器操作，用以接收指示光掩模特征的薄掩模图像，其中，在不考虑与光掩模特征相关联的近场效应的情况下确定薄掩模图像，并且光掩模特征包括掩模图案、掩模图案的边缘、掩模图案的角和掩模图案的面积中的至少一个，并且使用人工神经网络(ANN)由薄掩模图像确定近场图像，其中，ANN包括多层感知器(MLP)模型和卷积神经网络(CNN)模型中的至少一个，并且ANN使用薄掩模图像作为输入。
可选地，与处理器一起可操作以使用所述ANN来确定近场图像的指令还包括通过将薄掩模图像加到所述ANN的输出来确定近场图像的指令，其中，所述输出指示薄掩模图像与近场图像之间的差异，所述ANN使用由薄掩模图像确定的矢量图像作为输入，并且所述近场图像包括复数值。
可选地，用于ANN的输入数据包括根据采样方案在薄掩模图像中采样的多个采样点中的一个采样点的图像数据，所述采样方案包括同心圆区域采样(CCAS)、同心方形采样(CSS)和均匀采样中的一个，所述图像数据包括所述一个采样点处的薄掩模图像的图像强度以及由薄掩模图像确定的矢量图像的值中的至少一个，与所述ANN相关联的参数包括与所述一个采样点相关联的权重，并且所述权重基于所述多个采样点中的所述一个采样点与另一采样点之间的距离被确定。
可选地，所述指令在由处理器执行时以便处理器操作以确定与近场图像相关联的成本值是否被最小化，并且基于与近场图像相关联的成本值未被最小化的确定，更新与所述ANN相关联的参数。
可选地，以处理器操作以使用ANN确定近场图像的指令还包括用于确定与近场图像相关联的梯度数据的指令，其中，梯度数据包括近场图像相对于薄掩模图像的梯度。
在另一方面，提供了一种非暂时性计算机可读介质。非暂时性计算机可读介质存储一组指令，当由使用处理器的装置执行该组指令时，该组指令变得与处理器一起可操作，以确定用于光学光刻的近场图像。该非暂时性计算机可读介质包括指令，用于接收指示光掩模特征的薄掩模图像，其中，在不考虑与光掩模特征相关联的近场效应的情况下确定薄掩模图像，并且光掩模特征包括掩模图案、掩模图案的边缘、掩模图案的角和掩模图案的面积中的至少一个，使用人工神经网络(ANN)由薄掩模图像确定近场图像，其中，ANN包括多层感知器(MLP)模型和卷积神经网络(CNN)模型中的至少一个，并且ANN使用薄掩模图像作为输入。
可选地，用于使用ANN来确定近场图像的指令还包括用于通过将薄掩模图像加到所述ANN的输出来确定近场图像的指令，其中，所述输出指示薄掩模图像与近场图像之间的差异，所述ANN使用由薄掩模图像确定的矢量图像作为输入，并且所述近场图像包括复数值。
可选地，用于ANN的输入数据包括根据采样方案在薄掩模图像中采样的多个采样点中的一个采样点的图像数据，所述采样方案包括同心圆区域采样(CCAS)、同心方形采样(CSS)和均匀采样中的一个，所述图像数据包括所述一个采样点处的薄掩模图像的图像强度以及由薄掩模图像确定的矢量图像的值中的至少一个，与所述ANN相关联的参数包括与所述一个采样点相关联的权重，并且所述权重基于所述多个采样点中的所述一个采样点与另一采样点之间的距离被确定。
可选地，指令用于确定与近场图像相关联的成本值是否被最小化，并且基于与近场图像相关联的成本值未被最小化的确定，更新与所述ANN相关联的参数。
可选地，用于使用所述ANN确定近场图像的指令还包括用于确定与近场图像相关联的梯度数据的指令，其中，所述梯度数据包括近场图像相对于薄掩模图像的梯度。
附图说明
当结合附图阅读时，从以下详细描述中可以更好地理解本公开。要强调的是，根据惯例，附图的各种特征不是按比例的。相反，为了清楚起见，各种特征的尺寸被任意地扩大或缩小。
图1是示例光刻系统的图示。
图2是根据本公开的实施方式的用于光学光刻模拟的示例设备的图示。
图3A是根据本公开的实施方式的用于确定近场图像的示例过程的图示。
图3B是根据本公开的实施方式的用于确定近场图像的另一示例过程的图示。
图3C是根据本公开的实施方式的用于确定近场图像和梯度的示例过程的图示。
图4是根据本公开的实施方式的示例人工神经网络(ANN)的结构的图示。
图5是根据本公开的实施方式的用于薄掩模图像中的采样点的示例采样方案的图示。
图6是根据本公开的一些实施方式的用于训练ANN的示例过程的流程图。
图7是根据本公开的实施方式的用于使用ANN来确定近场图像的示例过程的流程图。
图8是根据本公开的实施方式的使用ANN的示例过程800的图示。
具体实施方式
本公开的详细描述主要在过程、步骤、逻辑块、处理或其他符号表示方面呈现。这些描述和表示通常由本领域技术人员用来将其工作的实质最有效地传达给本领域的其他技术人员。阐述了许多具体细节以提供对本公开的透彻理解。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实施本公开。在其它实例中，未详细描述公知的方法、程序、组件和电路，以避免不必要地混淆本发明的方面。
本文对“一个实施方式”或“实施方式”的提及意味着结合所述实施方式描述的特定特征、结构或特性可包含于本公开的至少一个实施方式中。在说明书中的各个地方出现的短语“在一个实施方式中”不一定全部指代相同的实施方式，也不是与其他实施方式互斥的单独的或替代的实施方式。
本公开描述在确定用于半导体制造中的光刻模拟的近场图像中具有低计算成本、高效率及足够准确性的技术。
计算光刻是一组基于计算机的数学和算法方法(称为“模型”)，其具体地设计用于解决光学和工艺邻近问题并提高光刻中可达到的分辨率。模型用于模拟光学成像系统和预测晶片图案的能力是必要的，并且可以构建工具以补偿光学邻近效应并实现RET。随着对晶片上的图案布置和尺寸控制的精度要求的增加，模拟系统或模型的误差预算变得越来越严格。除了准确性之外，计算光刻工具还面临处理大量设计数据的挑战。即使使用诸如在数千个计算机内核上的分布式计算的技术，快速算法对于光刻模型仍然是重要的。
在快速计算光刻模型中通常采用的标准框架中，从计算机存储的数据文件创建表示掩模图案的图像(称为“掩模图像”)。掩模图像可以被投影到晶片表面上的光强度分布(称为“空间图像”)。可以通过与光源相关的投影函数(称为“光瞳函数”)来描述该投影。当光源不相干并且具有由光源平面上的区域组成的形状时，从光源的采样点产生的空间图像可以被求和以产生总的空间图像，这确定投影在晶片上的最终图案。可以在某些假设下并通过各种用来改进速度的推导修改此方案。然而，掩模图像仍然是模拟的起始点。重要的是使掩模图像尽可能精确，用以能够实现所要求的模型的准确性。具体地，由于掩模图案的尺寸与用于光学光刻的光/照射的波长相当，因此入射光与三维(3D)掩模拓扑/形貌之间的相互作用的精确建模变得越来越重要。
图1示出了作为示例的示例光刻系统。来自光源102的光穿过聚光透镜系统104，并且照射掩模106。在一些实施方式中，基于光透射，掩模106可在分别与硅晶片上的不同的希望特征对应的不同区域中具有不同透射率。在穿过掩模106和孔径108之后，光被物镜系统110捕获，并形成入射到涂覆在硅晶片上的光致抗蚀剂114上的空间图像112，该硅晶片包括第一层116(例如，硅层)和第二层118。根据光致抗蚀剂的化学性质，入射光可在光致抗蚀剂114的暴露部分中产生化学变化(或“修改”)。可以通过化学溶液(称为“显影剂”)去除改性的光致抗蚀剂，以按照期望的图案暴露第一层116的部分。第一层116的暴露部分可以被酸蚀刻掉，而第一层116的未暴露部分可以被剩余的(未改性的)光致抗蚀剂层保护。在蚀刻之后，剩余的光致抗蚀剂可以通过化学品(称为“抗蚀剂剥离剂”)去除。结果，掩模上的特征可以被转印到硅晶片上。
在一些实施方式中，掩模106(例如，EUV掩模)可以基于布拉格反射(例如，布拉格反射器)，其可以是由具有图案的吸收层覆盖的叠层或多个反射层(称为“多层叠层”)。对于布拉格反射器，入射光可被多层叠层反射并被吸收层调制以在硅晶片上呈现希望的特征。根据反射掩模106，物镜系统110可以由照射器系统(未示出)代替，该照射器系统用于将反射光由反射掩模106反射并聚焦到光致抗蚀剂114。
图1示出了光学光刻中使用的掩模106(称为“光学掩模”)的截面。掩模上的图案可以源自计算机化的数据文件。掩模写入过程将几何图案转换成掩模上的透射率调制。透射率调制通过在不同的掩模区域中设置不同的材料或改变材料的厚度来实现。在掩模写入过程中，计算机化的数据文件可以被转换成一系列多边形，并且通过光刻或电子束光刻过程被写入到掩模坯体(例如，覆盖有铬层的石英衬底)上。激光束(称为“激光写入器”)或电子束(称为“e束写入器”)可以用于将由数据文件限定的图案曝光到石英衬底的表面上，以矢量或光栅扫描方式在掩模坯体的表面上行进。当掩模上的光致抗蚀剂被曝光时，铬层可以被蚀刻掉，为步进机/扫描机系统中的光留下清晰的路径。
OPC是一种光刻增强技术，通常用于改善放置在硅晶片上的蚀刻图像中的处理过的原始设计(布局)的边缘完整性。OPC可以补偿由于光学(例如，衍射)或物理/工艺(例如，抗蚀剂和蚀刻)效应引起的图像误差。OPC可以操纵光的波前的幅度，允许更多或更少的光量穿过，以抵消使晶片上的再现图案变形的成像效应。OPC的思想是通过修改原始布局来预补偿工艺损失，这可以提高图案转印保真度和分辨率。例如，OPC技术可以包括延长特征、移位图案的边(称为“边偏置”)以及创建衬线以减少圆角。另一种OPC技术可以包括将次分辨率辅助特征(SRAF)加到原始布局，这些特征是尺寸低于成像系统分辨率的非常小的特征。
在基于模型的OPC工艺中，可以建立光刻模型以模拟由于与掩模拓扑或形貌特征(例如，厚度和形貌结构)接近而产生的光学或电磁近场。由于与掩模形貌特征接近而对光学或电磁近场产生的影响在下文中可以被称为“掩模形貌影响”。例如，掩模形貌影响可以考虑光掩模叠层中的材料、厚度和侧壁角度或层差异。该模型可以获得掩模图案的表示，并计算光学空间图像，以及预测在光致抗蚀剂上形成的图案。来自预测图案与期望图案(设计目标)比较的误差可以被提取，以确定用于校正的方向和步长。在传统的光刻模型中，掩模理想地被认为是薄层，其中它的厚度和形貌的结构被忽略。可以通过用于降噪的渲染和低通滤波(也称为“模糊”或“平滑”)构建二维图像(称为“薄掩模图像”)来模拟该薄层。在一些实施方式中，薄掩模图像可以被像素化。在一些实施方式中，薄掩模图像可以是灰度级的。可以使用来自图像处理的光栅化技术，其可以将图案的几何形状的矢量图形格式转换为像素化的光栅图像格式。然而，这种方法已经被证明对于次波长技术节点来说不够精确。
为了模拟由于掩模厚度和形貌的结构而产生的近场，第一原理是求解麦克斯韦方程。由于光源的复杂形状和掩模图案所限定的复杂边界条件，麦克斯韦方程通常只能用数值求解。可以使用几种严格数值方法(称为“严格求解器”)来求解麦克斯韦方程组，例如有限差分法时域(FDTD)方法和严格耦合波分析(RCWA)方法。来自严格求解器的具有掩模形貌影响的掩模图像(称为“近场图像”或“厚掩模图像”)可以被插入到光瞳函数中以确定空间图像。尽管严格求解器可以生成相对准确的模拟结果，但是在一些情况下，由于严格求解器的计算能力有限，因此难以计算整个芯片的近场图像。
基于库的方法可以用于加速严格求解器，以计算用于OPC和其他RET应用的近场图像。基于库的方法可以求解用于所选简单图案的麦克斯韦方程，裁剪覆盖围绕单个几何形状(例如，单个边或单个角)的区域所得的近场图像，并且将所得的近场图像记录到库数据库中。几何中心(例如，边缘中心或角中心)的近场图像的数据库剪辑被称为几何滤波器(例如，边滤波器或角滤波器)，其可以存储在数字文件存储系统中。具有居中的其它几何形状(例如，掩模图案的面积或其它几何特征)的近场图像的数据库剪辑也是可能的，其可被统称为“掩模形貌滤波器”。在基于库的方法中，当OPC模型用于模拟半导体芯片的复杂图案的近场图像时，OPC模型可以确定(例如，循环通过)芯片布局上的所有边和角，查找库中的对应的记录的边滤波器和角滤波器，并且复制对应的以边为中心或以角为中心的近场图像以聚集芯片的近场图像。尽管比具有足够精度的严格求解器更快，但是基于库的方法不能支持图案的无限几何特征(例如，无限边方向和特征尺寸)。例如，如果库是为所选的取向上的边缘构建的，则它不能用于精确地模拟所选的取向之外的取向上的边的近场图像。此外，近场图像不仅依赖于几何形状(例如，边缘或角)，而且受相邻图案的影响。当几何形状间的距离(例如，边到边、边到角或角到角的距离)太小以致二次光学散射效应可显著改变近场，或当精度要求太高以致涉及布局的许多段和形状时，基于库的方法可面对高维度和复杂性，其中库数据库的大小和结构可大大增加。
根据本公开的实施方式，可通过人工神经网络(ANN)处理薄掩模图像(MI2D)来获得考虑了由于掩模拓扑或形貌(例如，厚度和形貌的结构)导致的影响的近场图像(MI3D)。在一些实施中，可使用ANN以MI2D作为唯一输入来预测MI3D。MI2D和MI3D可以是实值图像。MI2D可以是由光栅化产生的灰度图像。MI3D也可以是复数值图像，该复数值图像可表示来自掩模表面的光学散射效应的非零相位变化。ANN可由MI2D中携带的信息预测MI3D，其中来自边、角及他们之间相互作用的光学散射效应被评估。与严格求解器和基于库的方法相比，ANN的处理速度能够足以在自动光刻系统中使用。此外，ANN可以独立于掩模设计布局的图案密度。通过使用ANN，对掩模图案的支持不限于某些边方向或特征尺寸，同时预测的近场图像的精度可以高达适合于OPC建模的水平。MI3D可输入到光刻模拟模型的光瞳函数中以确定空间图像。
图2是根据本公开的实施方式的用于光刻模拟的示例设备200的图示。设备200可用于确定近场图像，其可被应用为设备200的组成部分。在一些实施方式中，设备200可以使用具有计算机程序的通用计算机/处理器来实现，当执行该计算机程序时，设备200执行/应用本文描述的相应的方法、算法和/或指令中的任何一个。另外或替代地，例如，可以利用专用计算机/处理器，其可以包含用于执行本文描述的任何方法、算法或指令的专用硬件。
设备200可包括计算装置，其可由一个或多个计算机的任何配置来实现，诸如微型计算机、大型计算机、超级计算机、通用计算机、专用/专属计算机、集成计算机、数据库计算机、远程服务器计算机、个人计算机、或由计算服务提供商提供(例如web主机或云服务提供商)的计算服务。在一些实施方式中，计算设备可以以位于不同地理位置并且可以或不能例如通过网络彼此通信的多组计算机的形式来实现。虽然某些操作可以由多个计算机共享，但是在一些实施方式中，不同的计算机被分配不同的操作。
设备200可以具有包括处理器202和存储器204的硬件的内部配置。处理器202可以是能够操纵或处理信息的任何类型的一个或多个设备。在一些实施方式中，处理器202可以包括中央处理器(例如，中央处理单元或CPU)。在一些实施方式中，处理器202可以包括图形处理器(例如，图形处理单元或GPU)。尽管这里的示例可以用所示的单个处理器来实现，但是可以使用多于一个处理器来实现速度和效率方面的优点。例如，处理器202可以分布在能够直接联接或通过局域网或其他网络连接的多个机器或装置(每个机器或装置具有一个或多个处理器)上。存储器204可以是能够存储可由处理器(例如，经由总线)访问的代码和数据的任何一个或多个装置。例如，存储器204可以由处理器202经由总线212访问。尽管示出了单个总线212，但是可以利用多个总线。这里的存储器204可以是随机存取存储器设备(RAM)、只读存储器设备(ROM)、光盘/磁盘、硬盘驱动器、固态驱动器、闪存驱动器、安全数字(SD)卡、记忆棒、紧凑闪存(CF)卡、或任何合适类型的存储装置的任何组合。在一些实施方式中，存储器204可以跨诸如基于网络的存储器或基于云的存储器的多个机器或装置分布。存储器204可以包括数据216、操作系统220和应用218。数据216可以是用于光刻模拟的任何数据(例如，掩模设计布局的计算机化数据文件或掩模形貌滤波器的数据库剪辑)。应用218可以包括允许处理器202实现指令以生成用于执行如本文所述的确定近场图像的功能的控制信号的程序，诸如过程700、300或600。
在一些实施方式中，除了处理器202和存储器204之外，设备200还可以包括第二、附加或外部存储装置206。当存在时，存储装置206可以在存在高处理要求时提供附加存储器。第二存储装置206可以是任何合适的非暂态计算机可读介质形式的存储装置，诸如存储卡、硬盘驱动器、固态驱动器、闪存驱动器或光学驱动器。此外，存储装置206可以是设备200的组件，或者可以是经由网络访问的共享装置。在一些实施方式中，应用218可以全部或部分地存储在存储装置206中，并且根据需要加载到存储器204中用于处理。
在一些实施方式中，除了处理器202和存储器204之外，设备200还可以包括输出装置208。输出装置208可以以各种方式实现，例如，其可以是能够联接到设备200并且被配置为显示图形数据的呈现的显示器。输出装置208可以是向用户发送视觉、听觉或触觉信号的任何装置，诸如显示器、触敏装置(例如，触摸屏)、扬声器、耳机、发光二极管(LED)指示器或振动马达。如果输出装置208是显示器，例如，它可以是液晶显示器(LCD)、阴极射线管(CRT)或能够向个人提供可见输出的任何其它输出装置。在一些情况下，输出装置还可以用作输入装置-例如，被配置为接收基于触摸的输入的触摸屏显示器。
输出装置208可以呈替代地或附加地由用于发送信号和/或数据的通信装置的形成。例如，输出装置208可以包括用于将信号或数据从设备200发送到另一装置的有线装置。对于另一示例，输出装置208可以包括使用与无线接收机兼容的协议的无线发射器，以将信号从设备200发送到另一装置。
在一些实施方式中，除了处理器202和存储器204之外，设备200还可以包括输入装置210。输入装置210可以以各种方式实现，诸如键盘、数字键盘、鼠标、跟踪球、麦克风、触敏装置(例如，触摸屏)、传感器或手势感应输入装置。不需要用户干预的任何类型的输入装置也是可以的。例如，输入装置210可以是根据用于接收信号的任何无线协议操作的诸如无线接收机的通信装置。输入装置210可以例如经由总线212向设备200输出指示输入的信号或数据。
在一些实施方式中，除了处理器202和存储器204之外，设备200还可以包括例如经由网络(未图示)与另一装置(例如，存储用于光刻的设计数据库的计算机)通信的通信装置214。网络可以是任何组合的任何合适类型的一个或多个通信网络，包括但不限于使用蓝牙通信、红外通信、近场连接(NFC)、无线网络、有线网络、局域网(LAN)、广域网(WAN)、虚拟专用网(VPN)、蜂窝数据网络和因特网的网络。通信装置214可以以各种方式实现，诸如应答器/收发器装置、调制解调器、路由器、网关、电路、芯片、有线网络适配器、无线网络适配器、蓝牙适配器、红外适配器、NFC适配器、蜂窝网络芯片、或使用总线212联接到设备200以提供与网络通信的功能的任何组合的任何合适类型的装置。
设备200(以及存储在其上和/或由其执行的算法、方法、指令等)可以以硬件实现，该硬件包括例如知识产权(IP)核心、专用集成电路(ASIC)、可编程逻辑阵列、光学处理器、可编程逻辑控制器、微代码、固件、微控制器、服务器、微处理器、数字信号处理器或任何其它合适的电路。在权利要求中，术语“处理器”应当被理解为单独地或组合地包括任何前述内容。术语“信号”和“数据”可互换使用。此外，设备200的组件不一定必须以相同的方式实现。
根据本公开的实施方式，可基于图像处理方法由薄掩模图像(MI2D)获得近场图像(MI3D)。
原则上，可使用掩模拓扑滤波器(例如，梯度滤波器和曲率滤波器)由MI2D获得MI3D。一些图像处理方法，称为“几何检测器”，可以检测来自MI2D的几何特征。例如，梯度检测器和曲率检测器可以分别检测边/边缘和拐。掩模形貌滤波器可以过滤边/边缘和角以考虑掩模形貌影响并确定几何数据。例如，几何数据可以包括以边/边缘或角为中心的部分近场图像。掩模形貌滤波器的输出(例如，角中心和边缘中心的部分近场图像)可与MI2D求和以确定MI3D。
上述原理可以描述如下。在方程(1)中：
Figure BDA0002289748470000131
MIfiltered是没有标准滤波器(例如，低通滤波器)的近场图像，MIlayout是包括在掩模设计布局数据中的多边形，g是几何形状检测器，MIgeometries是检测到的几何形状(例如，边缘和角)，并且k是掩模形貌滤波器。
为了确定MI3D，标准滤波器h可以应用到MLfiltered，MLfiltered其可以表示为方程(2)：
Figure BDA0002289748470000141
其中，
Figure BDA0002289748470000142
如方程(1)-(2)所示，MI3D可使用MI2D和由掩模拓扑滤波器过滤的MI2D的输出来确定。在一些情况下，掩模形貌滤波器的分析形式难以获得或具有局限性。对于这些情况，学习方法可以用作掩模形貌滤波器的数值形式。例如，学习方法可以包括ANN模型。
图3A是根据本公开的实施方式的用于确定近场图像(MI3D)的示例过程300A的图示。过程300A可被应用为图2的设备200中的软件和/或硬件。例如，过程300A可由存储在存储器(例如，存储器204)中的程序代码实现。程序代码可包括计算机可读指令，当由处理器(例如，处理器202)执行时，该计算机可读指令使得设备以图3A中描述的方式确定MI3D。过程300A还可以被实现为包括在设备(例如，设备200)中的专用硬件。过程300A包括如下阐述的数据和操作302至312。
掩模设计布局数据(称为“掩模布局”)302可以输入到过程300A。掩模布局302可以包括掩模图案的几何形状信息。例如，掩模布局302可以包括一系列多边形。掩模布局302可以被存储为一个或多个计算机化的数据文件。
在操作306(例如，卷积操作)，多种渲染滤波器(例如，低通滤波器)304可以渲染掩模布局302(例如，多边形)。薄掩模图像308(例如，像素化薄掩模图像)可以通过操作306输出。例如，操作306可以包括光栅化操作以生成薄掩模图像308。薄掩模图像308可以携带掩模图案的所有边/边缘和角以及它们的相邻特征的信息。
ANN模型310可以将薄掩模图像308作为输入，并输出厚掩模图像312。例如，如果ANN使用多层感知器(MLP)模型，则可以在将薄掩模图像308输入到ANN中之前对其进行平坦化。对于另一示例，如果ANN使用卷积神经网络(CNN)模型，则薄掩模图像308可以由方形区域(CNN内核)扫描以生成一组子图像，并且子图像可以用作CNN模型的输入。ANN模型将在图4中详细描述。
图3B是根据本公开的实施方式的用于确定近场图像的另一示例过程300B的流程图。过程300B可被实现为图2的设备200中的软件和/或硬件。例如，过程300B可由存储在存储器(例如，存储器204)中的程序代码实现。程序代码可以包括计算机可读指令，当由处理器(例如，处理器202)执行时，该计算机可读指令使得设备以图3B中描述的方式确定近场图像。过程300B还可以被实现为包括在设备(例如，设备200)中的专用硬件。过程300B包括作为过程300A的变型的数据和操作308至318。
在过程300B中，可以以与过程300A中相同的方式生成薄掩模图像308。掩模形貌影响是由掩模边的散射引起的。掩模图像梯度(例如，矢量图像)可以被确定以表示薄掩模图像308中的边/边缘。
梯度314可以由薄掩模图像308确定。梯度314包括一个或多个矢量图像。例如，如果薄掩模图像308是以(x，y)作为坐标的标量图像MI2D(x，y)，则薄掩模图像308的梯度可以被确定为
Figure BDA0002289748470000151
除了所提供的示例之外，梯度314的其他形式也是可以的。
ANN 316可以将梯度314作为输入。ANN 316可以输出薄掩模图像(例如，薄掩模图像308)和厚掩模图像(例如，厚掩模图像312)之间的预测差异。
在操作318，薄掩模图像308可以与ANN 316的输出结合(例如，求和)以输出厚掩模图像312。
用于计算光刻应用的优化，例如OPC、源掩模共优化(SMO)和ILT，可以使用基于厚掩模图像产生的梯度。例如，厚掩模图像312可以被输入到成像或模型以进行优化。优化结果可以与晶片图像比较以计算成本函数的值(称为“成本值”)。例如，成本函数可以包括与厚掩模图像相关联的误差的均方根(RMS)。为了调整优化变量，可以使用成本函数相对于优化变量的梯度。例如，通过逆成像或过程模型，可以获得成本函数相对于厚掩模图像的梯度即
Figure BDA0002289748470000161
其中MI3D是厚掩模图像。例如，可在MI3D的一个或多个点相对于与这些点关联的图像值(例如，指示图像强度、图像分辨率、近场强度等)来评估
Figure BDA0002289748470000162
与厚掩模图像相关的优化变量可以被调整以根据
Figure BDA0002289748470000163
最小化或最大化成本。考虑到厚掩模图像是由薄掩模图像生成的，调整与薄掩模图像相关联的优化变量可以更容易。为了调整与薄掩模图像相关联的优化变量，可以使用相对于薄掩模图像的成本函数的梯度，其中MI2D作为薄掩模图像。例如，可在MI2D的一个或多个点相对于与这些点关联的图像值(例如，指示图像强度、图像分辨率等)来评估 可以通过方程(3)得出：
Figure BDA0002289748470000166
为了确定方程(3)中的
Figure BDA0002289748470000167
可以使用逆ANN。图3C是根据本公开的实施方式的用于确定近场图像和梯度的示例过程300C的图示。过程300C可被实现为图2的设备200中的软件和/或硬件，例如，过程300C可由存储在存储器(例如，存储器204)中的程序代码实现。程序代码可以包括计算机可读指令，当由处理器(例如，处理器202)执行时，该计算机可读指令使得设备以图3C中描述的方式确定近场图像和梯度。过程300C还可以被实施为包括在设备(例如，设备200)中的专用硬件。过程300C包括如下描述的数据和操作308至324。
厚掩模图像312可以由ANN 320确定。ANN 320的输入可以包括薄掩模图像308。ANN320可以类似于过程300A中的ANN 310，类似于过程300B中的ANN 316，或者可以使用思考掩模图像作为输入来确定近场图像的任何其他ANN。
这里的逆ANN 322是将厚掩模图像312作为输入和输出梯度324的ANN模型。例如，梯度324可以包括方程(3)中的
Figure BDA0002289748470000171
逆ANN 322可以由原始ANN(例如，ANN 310或ANN 316)解析地导出，或者由训练数据进行数值训练。
图4是根据本公开的实施方式的示例ANN 400的结构图。ANN 400可用于使用MI2D的图像数据(例如，薄掩模图像308、梯度314或其组合)作为输入来确定MI3D。ANN 400可以全部或部分地实施为存储在图2所示的用于光刻模拟的设备200中的存储器204和/或存储装置206中的代码和结构化数据。在一个实施例方式中，ANN 400可以包括MLP模型。在另一个实施方式中，ANN 400可以包括CNN模型。
通常，ANN可以包括输入层、一个或多个隐藏层和输出层，其中每层包括多个节点(“神经元”)，所述多个节点(“神经元”)可以作为各种数据结构(例如，作为数据或可执行代码的阵列)存储在计算机存储器中。图4中的输入层和输出层的每个节点分别是ANN的输入数据和输出数据的图形表示。图4中隐藏层的每个节点是激活函数的图形表示，该激活函数可以采用由前一层的节点输出的多个值作为输入，并且生成用于输入到后一层的节点中的单个值。节点的每个输入(由前一层的节点输出的值)可以携带用于计算该节点的激活函数的权重，其中该权重可以与该节点的其他输入所携带的其他权重相同或不同。不同层的节点之间的输入和输出关系可以通过多层的节点(“网络”)之间的互连方向线来图形化地表示，其中每个方向线承载权重。在该示例中，ANN 400：输入层402包括输入节点412-416；隐藏层404包括第一隐藏层408和第二隐藏层410，其中隐藏层中的每一者包括一个或多个节点；输出层406包括第一输出节点426和第二输出节点428。例如，输出节点426和428中的每一个可以是由隐藏层410的节点输出的值的加权和。ANN 400的不同层的节点之间的方向线以图形方式表示网络，其中方向线的端部处的箭头指示ANN 400的输入和输出的方向(“传播方向”)。例如，隐藏层408的隐藏层节点424可以将由输入节点412至416输出的值作为输入，并生成用于输入到隐藏层410的节点中的单个值，其中由输入节点412、414和416输出的值分别携带用于计算隐藏层节点424的激活函数的权重418、420和422的权重。
如果ANN 400被实施为MLP模型，则ANN 400的每一层中的每个节点连接到连续层中的每个节点(称为“全连接”)。对于隐藏层(例如，第一隐藏层408和第二隐藏层410)中的节点，隐藏层的每个神经元可以具有激活函数(例如，非线性激活函数)。
如果ANN 400被实现为CNN模型，则ANN 400的层可以包括以下层中的一个或多个：输入层、卷积层、全连接层和输出层。CNN模型通常可以包括两部分：特征提取器和分类器。卷积层可以使用小矩阵(称为“滤波器”或“内核”)来计算与其前一层(包括输入层)的子集的点积(称为“卷积”)，以提取前一层的特征。多个卷积层可用于提取输入的不同特征。类似于MLP模型，全连接层可以用作分类器，用以将其输入分类为预定类别(包括输出层)。可选地，CNN模型还可以包括在全连接层之前与卷积层交错的整流(rectified)线性单元(称为“ReLU”)层和池化(称为“POOL”)层中的一个或多个。ReLU层可以将非线性引入CNN模型以模拟非线性，POOL层可以对隐藏层进行下采样以减小层尺寸，从而降低计算成本。例如，如果ANN 400是CNN模型，则第一隐藏层408可以是卷积层，而第二隐藏层410可以是全连接层。一个或多个其它类型的层可以被布置在第一隐藏层408和第二隐藏层410之间。
在一些实施方式中，输入节点412-416中的每一个可包括与MI2D中的至少一个点相关联的图像数据。例如，如果ANN 400(例如ANN 310)使用MI2D(例如，薄掩模图像308)作为输入，则图像数据可包括图像强度(例如，灰度薄掩模图像的像素值)，输入层402中的每个输入节点指示在MI2D中采样的点处的图像强度。对于另一示例，如果ANN 400(例如，ANN 316)使用MI2D的梯度(例如，梯度314)作为输入，则图像数据可包括矢量图像的值，其中输入层402中的各输入节点指示在MI2D中采样点处的矢量图像的值。在MI2D中采样的点可通过采样方案被采样。
图5是示出根据本公开的实施方式的用于具有掩模图案504的采样区域502中的采样点的示例采样方案500的图示。采样区域502可以是M12D的至少一部分。采样方案500中的黑色圆点表示在采样区域502中采样的点。在一些实施方式中，为了预测MI2D中采样的第一点在MI3D3D中的位置和幅度/相位信息，仅采样到第一点预定距离内的(多个)点。在一种实施方式中，可以使用同心圆区域采样(CCAS)方案，其中采样点相对于不同距离的中心采样点是圆形同心的。在另一实施方式中，可以使用同心方形采样(CSS)方案，其中采样点相对于不同距离的中心采样点是方形同心的。在另一实施方式中，可以使用均匀采样方案，其中采样点均匀分布在采样区域中。CCAS、CSS和其它采样方案的任何组合也是可以的。每个采样点可以具有坐标(例如，笛卡尔坐标或极坐标)。
在图5中，采样点506、508和510分别具有坐标(x0，y0)、(x1，y1)和(x2，y2)。例如，包括在输入节点412、414和416被包含的图像数据可以分别是坐标(x0，y0)、(x1，y1)和(x2，y2)处的图像强度。对于另一示例，包括在输入节点412、414和416中的图像数据可以分别是坐标(x0，y0)、(x1，y1)和(x2，y2)处的矢量图像的值。为了便于说明而不会引起模糊，在下文中可以将采样区域中采样点处的图像强度或矢量图像值称为“输入”。为了确定MI3D中对应于采样点506的预测点506′(未示出)的图像数据(例如，图像强度)，采样方案500中采样点的输入可被输入到ANN 400中以进行处理。对于输入层402(例如，隐藏层408)之后的层的每个节点，不同的权重可以分配给采样点的输入，用于计算该节点的激活函数。在一些实施方式中，由采样点的输入携带的权重可以与采样点506和其他采样点之间的相互作用或干扰(例如，边到边、边到角和角到角的相互作用)的强度相关联。两个采样点之间的相互作用的强度可以随着它们之间的距离增加而降低。例如，为了确定MI3D中预测点506′的图像数据，由输入节点412(对应于采样点506)所携带的权重418可大于或等于输入节点414(对应于采样点508)所携带的权重420。此外，基于采样点506和508之间的距离小于采样点506和510之间的距离，权重418可以大于或等于输入节点416(对应于采样点510)所携带的权重422。
返回参考图4，输出节点426和428可表示考虑到掩模形貌影响的MI3D中预测点的图像数据。在一些实施方式中，预测点的图像数据可以是复数值，以考虑近场的幅度调制和相移两者，这可以指示入射光与掩模形貌之间的相互作用。例如，输出节点426可表示MI3D中预测点的坐标的实部，而输出节点428可表示MI3D中预测点的坐标的虚部。
取决于ANN的计算中的精度和时间约束，可以相应地设置和/或调整ANN 400的参数(例如，隐藏层的数量、每个隐藏层中的节点的数量、节点之间的互连的设计、与互连相关联的权重以及节点的激活函数)以及用于确定输入的图像数据的参数(例如，采样范围、采样方案、采样点的数量以及采样数据类型)。应当理解，ANN 400中所示的两个隐藏层408和410仅用于说明，并且ANN 400的隐藏层的数量可以多于或少于两个。还应当理解，可以执行合理的实验来确定ANN的参数和用于确定几何数据的参数，例如，ANN的网络或隐藏层的采样方案和设计。
在一些实施方式中，ANN 400的参数可以通过训练过程来确定(例如，初始化或更新)。可以使用训练数据集，其可以包括具有不同掩模图案的一组薄掩模图像。可以针对训练数据集中的每个薄掩模图像递归地执行训练过程，直到满足要求。
图6是根据本公开的一些实施方式的用于训练ANN的示例过程600的流程图。ANN可用于使用薄掩模图像(MI2D′)的图像数据作为输入来确定几何数据。过程600可被实施为图2的设备200中的软件和/或硬件。例如，过程600可由存储在存储器(例如，存储器204)中的程序代码实现。程序代码可以包括计算机可读指令，当由处理器(例如，处理器202)执行时，该计算机可读指令使得设备以图6中描述的方式训练ANN。过程600还可以被实现为设备(例如，设备200)中包括的专用硬件。过程600包括如下描述的操作602-608。
在操作602，接收包括光掩模特征的MI2D′。本文所使用的术语“接收”可以指接收、输入、获取、检索、获得、读取、访问(动作)或以任何方式用于输入信息或数据的任何动作。光掩模特征可以包括包含在掩模设计布局数据中的已知掩模图案。例如，光掩模特征可以包括掩模图案、掩模图案的边缘、掩模图案的角、掩模图案的面积或其任何组合。MI2D′可由掩模设计布局数据确定，而不考虑与光掩模特征相关的掩模形貌影响。掩模设计布局数据可以包括掩模图案的几何信息。掩模设计布局数据也可以存储为系统中的一个或多个计算机化的数据文件。在一些实施方式中，掩模设计布局可以包括或被转换为一系列多边形。例如，掩模设计布局数据(例如，多边形)可以通过各种标准渲染滤波器(例如，低通滤波器)在过程300A中由渲染滤波器304渲染，随后光栅化。MI2D′可承载掩模图案的所有边和角以及它们的相邻特征的信息。
在一些实施方式中，包括定义的掩模图案/特征(例如，边/边缘、角或其他形状)的多个薄掩模图像可以被包括在训练数据集中。
在操作604，使用ANN由MI2D′确定近场图像(MI3D′)。ANN可使用MI2D′的图像数据作为输入。MI2D′的图像数据可包括几何形状(例如边或角)、MI2D′中采样点的坐标、采样点处的图像强度或由MI2D′导出的任何其它图像相关的数据。例如，图像数据可包括MI2D′本身作为输入(例如，作为ANN 310)以确定MI3D′。MI2D′的图像数据还可包括由MI2D′导出/提取的任何特征或特性。例如，ANN也可采用MI2D′的梯度(例如，矢量图像)作为输入(例如，作为ANN316)。如以下将讨论的，可以直接或间接地由MI2D′确定近场图像MI3D′。
在一种实施方式中，ANN可以使用在MI2D′中采样的点处的图像强度作为输入。可以根据采样方案(例如，图5中所示的采样方案)来对(多个)点进行采样。对于另一示例，采样方案可为CCAS、CSS或均匀采样方案。
由ANN输出的MI3D′可包括实数值、复数值、指示复数值的一对实数值或他们的组合。在一些实施方式中，MI3D′可以是复数值用以考虑由入射光与掩模形貌之间的相互作用引起的幅度调制和相移。在一些实施方式中，与ANN节点相关联的权重可以解释对应的采样点的位置之间的几何形状间的交互作用(例如，边到边、边到角和/或角到角)。例如，权重可以包括与采样点相关联的权重(例如，图4中的权重418-422)，其图像强度被用于ANN的输入层中。可以为ANN的参数(称为“ANN参数”)分配默认值。ANN参数可以包括隐藏层的数量、每个隐藏层中的节点的数量、与ANN节点相关联的权重、或其任意组合。
在操作606，确定是否满足训练终止条件。在一种实施方式中，训练终止条件可以是与MI3D′相关联的成本值被最小化(例如，局部地或全部地)。在该实施方式中，训练过程600可以被实现为最小化成本值的优化过程。例如，成本值可以是训练数据集中的薄掩模图像的误差的RMS。梯度可以包括如图3A至3C中所述的一个或多个梯度(例如，
Figure BDA0002289748470000221
)。在一示例中，当成本值的梯度达到或接近零时，成本值可被认为是最小化的。例如，操作606可被执行为确定成本值的梯度是否足够接近于零(例如，在计算机系统的数值精度内)。
在另一实施方式中，训练终止条件可以是在确定的MI3D′和定义的图像(“模板图像”)之间存在匹配。考虑到掩模形貌影响，模板图像可以是表示相同光掩模特征的近场图像。模板图像的模拟精度可高于或等于所确定的MI3D′的模拟精度。可以使用不同的方法来确定模板图像。在一些实施方式中，不同的方法可以包括严格求解器和/或基于库的方法。
例如，操作606可被执行为确定是否满足精度要求。如果满足精度要求(称为“匹配”)，则过程600可进行到操作610。否则，过程600可进行至操作608。精度要求可以是用于比较MI3D′和模板图像的任何相似性要求。精度要求可以通过各种技术被确定，例如关键点匹配、直方图统计或学习方法(例如，决策树)。在一些实施方式中，MI3D′和模板图像之间的相似性可计算为值(称为“相似性值”)，并且精度要求可实现为基于相似性值的阈值模型或容错模型。例如，如果相似性值大于或等于预定阈值，则可以认为满足了精度要求。否则，可认为不满足精度要求。
如果不满足训练终止条件，则在操作608更新ANN参数，然后过程600返回操作604以再次使用具有更新的ANN参数的ANN确定MI3D′。更新ANN参数以使下一预测的MI3D′更准确(更类似于模板图像)。例如，梯度下降法可用于更新ANN参数。在一实施方式中，可以更新ANN的权重(例如，图4中的权重418至422)。在另一个实施方式中，除了权重之外，还可以更新附加的ANN参数。例如，附加的ANN参数可以包括ANN的结构(例如，隐藏层的结构)、隐藏层的数量以及隐藏层中的节点的数量。
操作604至608可以被迭代，直到满足训练终止条件。另外，在操作606处可以使用附加的终止条件。在合理的时间段内不能达到匹配或不能最小化成本值的情况下，附加的终止条件可用于终止迭代。例如，附加的终止条件可以被设置为604至608的迭代超过预定次数或者迭代的时间超过时间阈值。
在操作610，输出MI3D′以在光刻模拟中使用。例如，MI3D′可在过程300C中输入到逆ANN 322以确定梯度324。
在训练ANN之后，可以将与未知掩模图案相关联的新的薄掩模图像输入到训练的ANN中，以确定对应的近场图像。通过使用ANN方法，可以针对具有任意取向的边和各种特征尺寸及近似度的掩模图案确定近场图像。ANN方法可以处理掩模形貌影响的角度依赖性和特征尺寸依赖性。通过使用薄掩模图像作为输入，ANN方法可以减少时间和计算方面的成本，而不损害预测的近场图像的精度。图7是根据本公开的实施方式的使用具有薄掩模图像(MI2D)的ANN作为输入的用于确定近场图像(MI3D)的过程700的流程图。过程700可以被实施为图2的设备200中的软件和/或硬件。例如，过程700可以由存储在存储器(例如，存储器204)中的程序代码实现。程序代码可包括计算机可读指令，当由处理器(例如，处理器202)执行时，该计算机可读指令使得设备以图7中描述的方式使用ANN确定MI3D。过程700还可实现为包括在设备(例如，设备200)中的专用硬件。过程700包括以下将描述的操作702至704。
在操作702，接收指示光掩模特征的MI2D。操作702可类似于图6中的操作602。光掩模特征可包括掩模图案、掩模图案的边缘、掩模图案的角、掩模图案的面积或其任何组合。
在操作704，使用ANN确定MI3D。该操作可以类似于图6中的操作604。ANN可以包括MLP模型、CNN模型或任何其他ANN模型。在一些实施方式中，可以为图像数据(例如，在采样点处)分配权重。例如，可以基于如图4至5中所描述的采样点之间的距离来确定权重(例如，图4中的权重418至422)。
ANN(例如，ANN 310)可采用MI2D作为直接或间接的输入以确定MI3D。间接使用MI2D来确定MI3D的示例可包括例如通过将MI2D(例如，图3B中的薄掩模图像308)增加到ANN(例如，ANN 316)的输出。在该示例中，ANN可以使用矢量图像的值(例如，由MI2D确定的梯度314)作为输入。ANN的输出可指示MI2D与MI3D之间的差异。例如，操作704可以类似于图3B中的操作318。
间接使用MI2D来确定MI3D的示例还可包括例如使用MI2D的图像数据(例如，除MI2D本身之外或代替MI2D本身)作为输入。例如，MI2D的图像数据可包括根据采样方案(例如，CCAS、CSS或均匀采样)在MI2D中采样的多个采样点的图像数据(例如，图像强度)。
类似于操作610，MI3D可包括复数值。除了操作704之外，还可进一步确定与MI3D相关联的梯度数据(例如，图3C中的梯度324)。例如，梯度数据可包括MI3D相对于MI2D的梯度。
图8是根据本公开的实施方式的使用具有训练过程和预测过程的ANN的示例过程800的图示。
过程800的训练过程包括元素802-810。训练数据集802可以包括用于训练ANN 808的训练模式(例如，包括在掩模设计布局中的多边形)。训练模式可以被渲染以生成薄掩模图像804(例如，通过图3A中的操作306)，并且相同的训练模式可以被用于确定模板图像806(例如，通过使用严格求解器模拟)。ANN 808可以使用薄掩模图像804作为输入来确定近场图像810。例如，ANN 808的输入层可以将几何数据(例如，采样点的坐标)作为输入，该几何数据与由薄掩模图像804中的至少一个点确定的光掩模特征相关联。如果所确定的近场图像810与模板图像806不匹配，则可以更新ANN808的参数，并且可以使用薄掩模图像804作为输入再次确定近场图像810，直到近场图像810与模板图像806匹配为止。
过程800的预测过程包括测试数据集812、薄掩模图像814、ANN808和近场图像810。测试数据集812可以包括可以在生产环境中使用的测试图案(例如，包括在掩模设计布局中的多边形)。可以渲染测试图案以生成薄掩模图像814，类似于薄掩模图像804的生成。在训练过程中训练ANN 808的情况下，可以使用薄掩模图像804作为输入来确定近场图像810。
可以根据功能块组件和各种处理步骤来描述本文的实现。所公开的过程和顺序可以单独地或以任何组合来执行。功能块可以由执行指定功能的任何数量的硬件和/或软件组件来实现。例如，所描述的实现可以采用各种集成电路部件，例如存储器元件、处理元件、逻辑元件、查找表等，这些可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。类似地，在使用软件编程或软件元件实现所描述的实现的元件的情况下，本公开可以利用诸如C、C++、Java、汇编等的任何编程或脚本语言来实现，其中各种算法利用数据结构、对象、过程、例程或其他编程元素的任何组合来实现。功能方面可以在一个或多个处理器上执行的算法中实现。此外，本公开的实施方式可以采用用于电子配置、信号处理和/或控制、数据处理等的任何数量的常规技术。
以上公开的各方面或各方面的部分可以采取可从例如计算机可用或计算机可读介质访问的计算机程序产品的形式。计算机可用或计算机可读介质可以是例如可以有形地包含、存储、传送或传输由任何处理器使用或与任何处理器结合使用的程序或数据结构的任何设备。该介质可以是例如电子、磁、光、电磁或半导体器件。其它合适的介质也是可用的。这样的计算机可用或计算机可读介质可以被称为非暂时性存储器或介质。除非另外指明，否则本文所述系统的存储器不必由系统物理地包含，而是可以由系统远程访问的存储器，并且不必与可能由系统物理地包含的其它存储器相邻。
词语“示例”在此用于表示用作示例、例子或说明。本文描述为“示例”的任何方面或设计不一定被解释为比其它方面或设计优选或有利。相反，词语“示例”的使用旨在以具体方式呈现概念。如本申请中所使用的，术语“或”旨在表示包含性的“或”而不是排他性的“或”。也就是说，除非另外指定，或者从上下文中清楚，否则“X包括A或B”意在表示任何自然的包含性排列。换句话说，如果X包括A；X包括B；或者X包括A和B，则在任何前述情况下满足“X包括A或B”。另外，除非另外指定或由上下文中清楚涉及单数形式，否则如本申请和所附权利要求中所使用的冠词“一”和“一个”一般应被解释为意指“一个或多个”。此外，除非如此描述，否则全文中术语“一方面”或“一个方面”的使用不希望表示相同实施方式或方面。
本文所示和所述的特定方面是本公开的说明性示例，并且不旨在以任何方式限制本公开的范围。为了简洁起见，可以不详细描述常规电子器件、控制系统、软件开发和系统的其它功能方面(以及系统的单独操作部件的部件)。此外，在所呈现的各个附图中示出的连接线或连接器旨在表示各个元件之间的示例性功能关系和/或物理或逻辑联接。在实际设备中可以存在许多备选或附加的功能关系、物理连接或逻辑连接。
本文中使用的“包括”或“具有”及其变体意在涵盖其后列出的项目及其等同物以及附加项目。除非另外指定或限制，术语“安装”、“连接”、“支撑持”和“联接”及其变型被广泛地使用，并且包括直接和间接的安装、连接、支持和联接。此外，“连接”和“联接”不限于物理或机械连接或联接。
在描述本公开的上下文中(尤其是在以下权利要求的上下文中)使用的术语“一”和“一个”和“该”以及类似的指示物应当被解释为覆盖单数和复数。此外，除非本文另有说明，本文中对数值范围的叙述仅旨在用作单独地提及落入该范围内的每个单独值的速记方法，并且每个单独值被并入说明书中，如同其在本文中被单独地叙述。最后，除非在此另外指出或另外与上下文明显矛盾，否则在此描述的所有方法的步骤可以以任何合适的顺序执行。除非另外要求，否则本文提供的任何和所有实例或示例性语言(例如，“诸如”)的使用仅旨在更好地说明本公开，而不是对本公开的范围施加限制。
虽然已经结合某些实施方式描述了本公开，但是应当理解，本公开不限于所公开的实施方式，而是相反，本公开旨在覆盖包括在所附权利要求的范围内的各种修改和等同布置，所附权利要求的范围符合最宽泛的解释，用以涵盖法律所允许的所有这样的修改和等同结构。

Claims (20)

1.一种确定用于光刻的近场图像的方法，包括：
接收指示光掩模特征的薄掩模图像，其中在不考虑与光掩模特征相关联的掩模形貌影响的情况下确定薄掩模图像；以及
通过处理器使用人工神经网络(ANN)由所述薄掩模图像确定近场图像，其中，所述ANN使用所述薄掩模图像作为输入。
2.根据权利要求1所述的方法，其中，所述光掩模特征包括掩模图案、掩模图案的边缘、掩模图案的角和掩模图案的面积中的至少一个。
3.根据权利要求1所述的方法，其中，使用所述ANN确定所述近场图像包括：
通过将所述薄掩模图像加到所述ANN的输出来确定所述近场图像，其中，所述输出指示所述薄掩模图像与所述近场图像之间的差异，并且所述ANN使用由所述薄掩模图像确定的矢量图像作为输入。
4.权利要求1的方法，其中，
所述ANN包括多层感知器(MLP)模型和卷积神经网络(CNN)模型中的至少一个，
用于所述ANN的输入数据包括薄掩模图像中的多个采样点中的一个采样点的图像数据，以及
所述图像数据包括在所述一个采样点处的薄掩模图像的图像强度、以及由薄掩模图像确定的矢量图像的值中的至少一个。
5.根据权利要求4所述的方法，其中，根据包括同心圆区域采样(CCAS)、同心方形采样(CSS)和均匀采样中的一个的采样方案对薄掩模图像中的所述多个采样点进行采样。
6.根据权利要求5所述的方法，其中，与所述ANN相关联的参数包括与所述一个采样点相关联的权重，并且基于所述多个采样点中的所述一个采样点与另一个采样点之间的距离确定所述权重。
7.根据权利要求6所述的方法，还包括：
确定使用所述ANN确定的近场图像与指示光掩模特征的限定图像之间是否存在匹配，其中，使用严格电磁模拟技术确定所述限定图像；以及
基于确定所述近场图像与所述限定图像之间不匹配，更新与所述ANN相关联的参数。
8.根据权利要求6所述的方法，还包括：
确定与近场图像相关联的成本值是否被最小化；以及
基于确定与近场图像相关联的成本值未被最小化，更新与所述ANN相关联的参数。
9.根据权利要求1所述的方法，其中，所述近场图像包括复数值。
10.根据权利要求1所述的方法，其中，使用所述ANN确定近场图像包括：
确定与近场图像相关联的梯度数据，其中，所述梯度数据包括近场图像相对于薄掩模图像的梯度。
11.一种确定用于光刻的近场图像的设备，包括：
处理器；以及
联接到处理器的存储器，所述存储器被配置为存储指令，所述指令在由处理器执行时以便处理器操作，用以：
接收指示光掩模特征的薄掩模图像，其中，在不考虑与光掩模特征相关联的掩模形貌影响的情况下确定薄掩模图像，并且光掩模特征包括掩模图案、掩模图案的边缘、掩模图案的角和掩模图案的面积中的至少一个；以及
使用人工神经网络(ANN)由薄掩模图像确定近场图像，其中，所述ANN包括多层感知器(MLP)模型和卷积神经网络(CNN)模型中的至少一个，并且所述ANN使用薄掩模图像作为输入。
12.根据权利要求11所述的设备，其中，以所述处理器操作以使用所述ANN确定所述近场图像的所述指令还包括指令，以：
通过将薄掩模图像加到所述ANN的输出确定近场图像，其中，所述输出指示薄掩模图像与近场图像之间的差异，所述ANN使用由薄掩模图像确定的矢量图像作为输入，并且所述近场图像包括复数值。
13.如权利要求11所述的设备，其中，
用于所述ANN的输入数据包括根据采样方案在薄掩模图像中采样的多个采样点中的一个采样点的图像数据，所述采样方案包括同心圆区域采样(CCAS)、同心方形采样(CSS)和均匀采样中的一个，
所述图像数据包括在所述一个采样点的薄掩模图像的图像强度以及由薄掩模图像确定的矢量图像的值中的至少一个，和
与所述ANN相关联的参数包括与所述一个采样点相关联的权重，并且基于所述多个采样点中的所述一个采样点和另一个采样点之间的距离确定所述权重。
14.根据权利要求13所述的设备，其中，所述存储器还包括当由处理器执行时以便处理器操作的指令，用以：
确定与近场图像相关联的成本值是否被最小化；以及
基于确定与近场图像相关联的成本值未被最小化，更新与所述ANN相关联的所述参数。
15.根据权利要求11所述的设备，其中，以便处理器操作以使用所述ANN确定近场图像的所述指令还包括指令，用以：
确定与近场图像相关联的梯度数据，其中所述梯度数据包括近场图像相对于薄掩模图像的梯度。
16.一种用于存储指令集的非暂时性计算机可读介质，所述指令集在由设备使用处理器执行时以便处理器操作以确定用于光刻的近场图像，所述非暂时性计算机可读介质包括指令，用以：
接收指示光掩模特征的薄掩模图像，其中，在不考虑与光掩模特征相关联的掩模形貌影响的情况下确定薄掩模图像，并且光掩模特征包括掩模图案、掩模图案的边缘、掩模图案的角和掩模图案的面积中的至少一个；以及
使用人工神经网络(ANN)由薄掩模图像确定近场图像，其中所述ANN包括多层感知器(MLP)模型和卷积神经网络(CNN)模型中的至少一个，并且所述ANN使用薄掩模图像作为输入。
17.根据权利要求16所述的非暂时性计算机可读介质，其中，用于使用所述ANN来确定近场图像的所述指令还包括指令，用以：
通过将薄掩模图像加到所述ANN的输出确定近场图像，其中，所述输出指示薄掩模图像与近场图像之间的差异，所述ANN使用由薄掩模图像确定的矢量图像作为输入，并且所述近场图像包括复数值。
18.根据权利要求16所述的非暂时性计算机可读介质，其中，
用于所述ANN的输入数据包括根据采样方案在薄掩模图像中采样的多个采样点中的一个采样点的图像数据，所述采样方案包括同心圆区域采样(CCAS)、同心方形采样(CSS)和均匀采样中的一个，
图像数据包括在所述一个采样点的薄掩模图像的图像强度以及由薄掩模图像确定的矢量图像的值中的至少一个，以及
与所述ANN相关联的参数包括与所述一个采样点相关联的权重，并且基于所述多个采样点中的所述一个采样点和另一个采样点之间的距离确定所述权重。
19.根据权利要求18所述的非暂时性计算机可读介质，还包括指令，用以：
确定与近场图像相关联的成本值是否被最小化；以及
基于确定与近场图像相关联的成本值未被最小化，更新与所述ANN相关联的所述参数。
20.根据权利要求16所述的非暂时性计算机可读介质，其中，使用所述ANN来确定近场图像的所述指令还包括指令，用以：
确定与近场图像相关联的梯度数据，其中，所述梯度数据包括近场图像相对于薄掩模图像的梯度。
CN201780091295.XA 2017-05-26 2017-10-30 在光学光刻中模拟近场图像 Active CN110678961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311302612.1A CN117348356A (zh) 2017-05-26 2017-10-30 在光学光刻中模拟近场图像

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/606,225 US10209615B2 (en) 2017-05-26 2017-05-26 Simulating near field image in optical lithography
US15/606,225 2017-05-26
PCT/US2017/059021 WO2018217225A1 (en) 2017-05-26 2017-10-30 Simulating near field image in optical lithography

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311302612.1A Division CN117348356A (zh) 2017-05-26 2017-10-30 在光学光刻中模拟近场图像

Publications (2)

Publication Number Publication Date
CN110678961A true CN110678961A (zh) 2020-01-10
CN110678961B CN110678961B (zh) 2023-10-24

Family

ID=64396959

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202311302612.1A Pending CN117348356A (zh) 2017-05-26 2017-10-30 在光学光刻中模拟近场图像
CN201780091295.XA Active CN110678961B (zh) 2017-05-26 2017-10-30 在光学光刻中模拟近场图像

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202311302612.1A Pending CN117348356A (zh) 2017-05-26 2017-10-30 在光学光刻中模拟近场图像

Country Status (3)

Country Link
US (2) US10209615B2 (zh)
CN (2) CN117348356A (zh)
WO (1) WO2018217225A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113260178A (zh) * 2021-06-16 2021-08-13 广东科翔电子科技股份有限公司 一种刚挠结合板高精密线路的制备方法
WO2023060505A1 (zh) * 2021-10-14 2023-04-20 中国科学院光电技术研究所 一种表面等离子体近场光刻掩模拓扑优化的方法及系统

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10209615B2 (en) 2017-05-26 2019-02-19 Xtal, Inc. Simulating near field image in optical lithography
US11022966B1 (en) * 2017-12-15 2021-06-01 Synopsys, Inc. Method of modeling e-beam photomask manufacturing process using image-based artificial neural networks
US11373018B2 (en) * 2018-01-25 2022-06-28 Kioxia Corporation Method of displaying model and designing pattern, and storage medium
KR102644214B1 (ko) * 2018-02-23 2024-03-07 에이에스엠엘 네델란즈 비.브이. 컴퓨테이션 리소그래피를 위한 머신 러닝 모델을 트레이닝시키기 위한 방법
DE102018207882A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Vorrichtung und Verfahren zur Analyse eines Elements eines Photolithographieprozesses mit Hilfe eines Transformationsmodells
US10579764B2 (en) * 2018-06-06 2020-03-03 International Business Machines Corporation Co-modeling post-lithography critical dimensions and post-etch critical dimensions with multi-task neural networks
KR20200028169A (ko) * 2018-09-06 2020-03-16 삼성전자주식회사 Opc 방법, 및 그 opc 방법을 이용한 마스크 제조방법
US11092899B2 (en) 2018-11-30 2021-08-17 Taiwan Semiconductor Manufacturing Co., Ltd. Method for mask data synthesis with wafer target adjustment
US11061318B2 (en) 2019-02-28 2021-07-13 Taiwan Semiconductor Manufacturing Co., Ltd. Lithography model calibration
CN110187609B (zh) * 2019-06-05 2020-08-21 北京理工大学 一种计算光刻的深度学习方法
CN110457989A (zh) * 2019-06-19 2019-11-15 华南农业大学 基于卷积神经网络提取多维度扩展特征的稻田杂草识别方法
US20220276564A1 (en) * 2019-08-08 2022-09-01 Asml Netherlands B.V. Method and apparatus for photolithographic imaging
US11119404B2 (en) 2019-10-10 2021-09-14 Kla Corporation System and method for reducing printable defects on extreme ultraviolet pattern masks
KR20220014760A (ko) 2020-07-29 2022-02-07 삼성전자주식회사 심층 학습에 기반한 마스크 상의 형태 형성 방법, 및 그 형성 방법을 이용한 마스크 제조방법
US20220075916A1 (en) * 2020-09-07 2022-03-10 Kla Corporation System and method for accelerating physical simulation models during microelectronic device fabrication
US11921420B2 (en) * 2022-01-28 2024-03-05 D2S, Inc. Method and system for reticle enhancement technology

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1514306A (zh) * 2002-12-16 2004-07-21 Asml 光刻装置、器件制造方法和由此制造得到器件
CN104217433A (zh) * 2014-08-29 2014-12-17 华为技术有限公司 一种分析图像的方法及装置
US8918743B1 (en) * 2013-08-12 2014-12-23 Synopsys, Inc. Edge-based full chip mask topography modeling
US20150170058A1 (en) * 2013-10-16 2015-06-18 University of Central Oklahoma Intelligent apparatus for providing personalized configuration of wheelchair tilt and recline
US20160110904A1 (en) * 2014-10-21 2016-04-21 Samsung Electronics Co., Ltd. Magnetic resonance imaging (mri) apparatus and method of processing mr image
US9348964B2 (en) * 2014-04-21 2016-05-24 Synopsys, Inc. MASK3D model accuracy enhancement for small feature coupling effect
US20160357900A1 (en) * 2007-08-14 2016-12-08 Asml Netherlands B.V. Three-dimensional mask model for photolithography simulation

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100809710B1 (ko) 2006-11-02 2008-03-06 삼성전자주식회사 보상 마스크, 그 마스크를 이용한 복합 광학 시스템, 및 그마스크를 이용한 ３－ｄ 마스크 효과 보상 방법
US8972229B2 (en) 2012-07-27 2015-03-03 Synopsys, Inc. Fast 3D mask model based on implicit countors
WO2014144496A1 (en) * 2013-03-15 2014-09-18 Bruker Nano, Inc. Chemical nano-identification of a sample using normalized near-field spectroscopy
US9953171B2 (en) * 2014-09-22 2018-04-24 Infosys Limited System and method for tokenization of data for privacy
US10012599B2 (en) 2015-04-03 2018-07-03 Kla-Tencor Corp. Optical die to database inspection
US10671786B2 (en) * 2016-11-29 2020-06-02 Taiwan Semiconductor Manufacturing Co., Ltd. Method of modeling a mask by taking into account of mask pattern edge interaction
US10580130B2 (en) * 2017-03-24 2020-03-03 Curadel, LLC Tissue identification by an imaging system using color information
US10209615B2 (en) 2017-05-26 2019-02-19 Xtal, Inc. Simulating near field image in optical lithography

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1514306A (zh) * 2002-12-16 2004-07-21 Asml 光刻装置、器件制造方法和由此制造得到器件
US20160357900A1 (en) * 2007-08-14 2016-12-08 Asml Netherlands B.V. Three-dimensional mask model for photolithography simulation
US8918743B1 (en) * 2013-08-12 2014-12-23 Synopsys, Inc. Edge-based full chip mask topography modeling
US20150170058A1 (en) * 2013-10-16 2015-06-18 University of Central Oklahoma Intelligent apparatus for providing personalized configuration of wheelchair tilt and recline
US9348964B2 (en) * 2014-04-21 2016-05-24 Synopsys, Inc. MASK3D model accuracy enhancement for small feature coupling effect
CN104217433A (zh) * 2014-08-29 2014-12-17 华为技术有限公司 一种分析图像的方法及装置
US20160110904A1 (en) * 2014-10-21 2016-04-21 Samsung Electronics Co., Ltd. Magnetic resonance imaging (mri) apparatus and method of processing mr image

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
施伟杰 等: "基于人工神经网络权值优化的投影光刻机像质校正灵敏矩阵的计算方法", 《中国激光》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113260178A (zh) * 2021-06-16 2021-08-13 广东科翔电子科技股份有限公司 一种刚挠结合板高精密线路的制备方法
CN113260178B (zh) * 2021-06-16 2021-09-28 广东科翔电子科技股份有限公司 一种刚挠结合板高精密线路的制备方法
WO2023060505A1 (zh) * 2021-10-14 2023-04-20 中国科学院光电技术研究所 一种表面等离子体近场光刻掩模拓扑优化的方法及系统

Also Published As

Publication number Publication date
CN117348356A (zh) 2024-01-05
WO2018217225A1 (en) 2018-11-29
US10209615B2 (en) 2019-02-19
US11119401B2 (en) 2021-09-14
US20180341173A1 (en) 2018-11-29
CN110678961B (zh) 2023-10-24
US20200166832A1 (en) 2020-05-28

Similar Documents

Publication Publication Date Title
CN110678961B (zh) 在光学光刻中模拟近场图像
CN111051993B (zh) 用于机器学习辅助的光学邻近误差校正的训练方法
CN107908071B (zh) 一种基于神经网络模型的光学邻近校正方法
US11301748B2 (en) Automatic feature extraction from aerial images for test pattern sampling and pattern coverage inspection for lithography
JP5960953B2 (ja) 単一のプロセスウィンドウモデルを生成するためのシステム
TWI732472B (zh) 製造半導體元件之方法
US8918743B1 (en) Edge-based full chip mask topography modeling
US7921385B2 (en) Mask-pattern determination using topology types
US8473878B2 (en) Lithographically enhanced edge determination
US20200096876A1 (en) Dose Map Optimization for Mask Making
US11762283B2 (en) Inverse lithography and machine learning for mask synthesis
WO2019209591A1 (en) Mask pattern generation based on fast marching method
US10571799B1 (en) Hessian-free calculation of product of Hessian matrix and vector for lithography optimization
US10067425B2 (en) Correcting EUV crosstalk effects for lithography simulation
US10496780B1 (en) Dynamic model generation for lithographic simulation
US20130125070A1 (en) OPC Checking and Classification
KR20200140361A (ko) 전산 리소그래피 마스크 모델과 관련된 전자계를 결정하는 방법
Shiely Machine learning for compact lithographic process models
US8510683B2 (en) Spatial map of mask-pattern defects
CN115729055A (zh) 使用特征图像的三维掩模仿真中的掩模角圆化效应

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