CN111611759A - 一种掩模辅助图形的优化方法、计算机可读介质及系统 - Google Patents

一种掩模辅助图形的优化方法、计算机可读介质及系统 Download PDF

Info

Publication number
CN111611759A
CN111611759A CN201910134377.9A CN201910134377A CN111611759A CN 111611759 A CN111611759 A CN 111611759A CN 201910134377 A CN201910134377 A CN 201910134377A CN 111611759 A CN111611759 A CN 111611759A
Authority
CN
China
Prior art keywords
mask
topography
layout
neural network
optimizing
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
CN201910134377.9A
Other languages
English (en)
Other versions
CN111611759B (zh
Inventor
张生睿
施伟杰
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.)
Shenzhen Jingyuan Information Technology Co Ltd
Original Assignee
Shenzhen Jingyuan Information Technology Co Ltd
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 Shenzhen Jingyuan Information Technology Co Ltd filed Critical Shenzhen Jingyuan Information Technology Co Ltd
Priority to CN201910134377.9A priority Critical patent/CN111611759B/zh
Publication of CN111611759A publication Critical patent/CN111611759A/zh
Application granted granted Critical
Publication of CN111611759B publication Critical patent/CN111611759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)

Abstract

本发明涉及一种掩模辅助图形的优化方法，该方法包括以下步骤，步骤S1：提供一张原始设计版图，并在原始设计版图中选取至少一个小区域版图；步骤S2：对选取的小区域版图做基于光刻模型的辅助图形优化，得到对应小区域版图的掩模形貌图；步骤S3：建立BP人工神经网络模型，并根据小区域版图的掩模形貌图和其对应的小区域版图训练BP人工神经网络模型；步骤S4：将训练好的BP人工神经网络模型应用在原始设计版图上，获得原始设计版图的掩模设计形貌图；及步骤S5：从掩模设计形貌图提取出掩模辅助图形。本发明还提供一种计算机可读介质。本发明还提供一种掩模辅助图形的系统。

Description

一种掩模辅助图形的优化方法、计算机可读介质及系统
【技术领域】
本发明涉及集成电路的掩模制造领域，提供了一种掩模辅助图形的优化方法、计算机可读介质及系统。
【背景技术】
光刻工艺是现代极大规模集成电路制造过程中最重要的制程工序，是通过光刻机将掩模上集成电路的设计图形转移到硅片上。掩模上集成电路设计图形通过光刻机在硅片上投影成像时，随着技术节点的不断演进，掩模上图形特征尺寸的不断变小，光的衍射现象会变的日益显著。
当某些高阶衍射光因投影物镜光学系统孔径限制而无法参与成像时，在硅片上的成像将产生变形和图形无法分辨的现象。这一现象被称为光学临近效应(OPE，OpticalProximity Effect)。为提高成像分辨率和成像质量，人们可以通过对掩模上图形进行优化实现对上述光学临近效应的校正即OPC(Optical Proximity Correction)。在OPC的实践中，通常会在掩模的主体图形(Main Feature)之外，再增加一些辅助图形(Sub-ResolutionAssistant Feature)，辅助图形通常尺寸较主体图形小很多，并且不会印在硅片上，只是起到增强主体图形成像的效果。
最早的辅助图形的放置是基于规则，现在主流的放置方式是基于光刻模型。基于光刻模型得到初始的辅助图形，不同主图形几何边对应的初始辅助图形会存在大量的重合交叠，因此需要花费大量的时间和工作对主图形和辅助图形之间重合交叠的图形进行清理，并基于几何形貌的可制造规则对掩模形貌图进行图形的化简和防印出检查处理，进一步优化辅助图形，可见，现有方案的效率和准确度均较低。
【发明内容】
为克服现有技术存在的问题，本发明提供一种掩模辅助图形的优化方法、计算机可读介质及系统。
本发明解决技术问题的方案是提供一种掩模辅助图形的优化方法，该方法包括以下步骤，步骤S1：提供一张原始设计版图，并在原始设计版图中选取至少一个小区域版图；步骤S2：对选取的小区域版图做基于光刻模型的辅助图形优化，得到对应小区域版图的掩模形貌图；步骤S3：建立BP人工神经网络模型，并根据小区域版图的掩模形貌图和其对应的小区域版图训练BP人工神经网络模型；步骤S4：将训练好的BP人工神经网络模型应用在原始设计版图上，获得原始设计版图的掩模设计形貌图；及步骤S5：从掩模设计形貌图提取出掩模辅助图形。
优选地，步骤S2包括，步骤S21：输入一个或多个小区域版图，并将其格点化形成设计图案；步骤S22：构造初始的辅助图形指导图像，以产生目标函数；步骤S23：通过多次迭代优化，以产生优化的目标函数，从而获得优化的指导图像；步骤S24：对优化的指导图像进行二值化处理和多边形图形提取，得出带辅助图形的掩模形貌图；及步骤S25：对掩模形貌图进行优化。
优选地，步骤S25包括，步骤S251：对掩模形貌图进行清理优化；步骤S252：基于几何形貌的可制造规则对掩模形貌图进行图形的化简；及步骤S253：对掩模形貌图做防印出检查和处理；步骤S252及步骤S253之间的顺序可互换或者可同时进行。
优选地，步骤S3包括，步骤S31：建立BP人工神经网络模型，并设定模型的结构；步骤S32：将掩模形貌图和其对应的小区域版图分别输入至BP人工神经网络模型的对应结构；及步骤S33：训练BP人工神经网络模型，以得到掩模形貌图的优化模型。
优选地，步骤S4包括，步骤S41：将原始设计版图输入至掩模形貌图的优化模型；及步骤S42：进行运算以获得原始设计版图的掩模设计形貌图。
优选地，在上述步骤S1中，所述选取的小区域版图包括典型图形区域、关键图形区域或已知的缺陷版图设计的区域中的任一种或任意组合的两种、三种。
优选地，上述步骤S5从掩模设计形貌图提取出掩模辅助图形进一步包括：对掩模设计形貌图进行二值化处理和多边形图形提取，得出掩模辅助图形。
优选地，步骤S5之后还包括步骤S6：对掩模辅助图形进行优化。
本发明还提供一种计算机可读介质，所述计算机可读介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述的掩模辅助图形的优化方法。
本发明还提供一种掩模辅助图形的优化系统，所述优化系统包括选取模块，用于在原始设计版图中选取一个或多个小区域版图；光刻优化模块，用于对选取的小区域版图做基于光刻模型的辅助图形优化，得到对应小区域版图的掩模形貌图；网络训练模块，用于根据小区域版图的掩模形貌图和其对应的小区域版图训练BP人工神经网络模型；网络应用模块，用于将训练好的BP人工神经网络模型应用在原始设计版图上，获得原始设计版图的掩模设计形貌图；提取模块，用于从掩模设计形貌图提取出掩模辅助图形。
与现有技术相比，本发明的掩模辅助图形的优化方法具有以下优点：
1.基于光刻模型的掩模辅助优化方法中，需要花费大量的时间和工作量对原始设计版图优化后的掩模辅助图形进行优化，即对重合交叠的部分进行清理；而本发明的掩模辅助图形的优化方法中，先选取原始设计版图中的一个或多个小区域版图进行一次基于光刻模型的掩模辅助图形优化，然后将优化的掩模形貌图和其对应的小区域版图输入至BP人工神经网络模型中训练，得出其优化方法，进而将原始设计版图输入至掩模形貌图的优化模型，最后得到掩模辅助图形。即只需要对小区域版图得到的掩模形貌图进行优化，相对于整个原始设计版图优化，可节省大量的时间和工作量。
2.通过对小区域版图得到的掩模形貌图进行优化时，也对其基于几何形貌的可制造规则对掩模形貌图进行了图形的化简，以及防印出检查和处理，因此得到的辅助图形的几何形貌和最终的结果时很接近的，相对于整个原始设计版图进行图形的化简和防印出检查处理，化简需要的工作量和所需要的时间会更少。
3.通过指导图像产生目标函数，并对目标函数进行优化，从而获得优化的指导图像，从优化的指导图像中提取的掩模形貌图，有利于减少对优化掩模形貌图的工作量。
【附图说明】
图1是本发明第一实施例掩模辅助图形的优化方法的流程示意图。
图2是本发明第一实施例掩模辅助图形的优化方法图1中步骤S2的流程示意图。
图3是本发明第一实施例掩模辅助图形的优化方法图2中步骤S25的流程示意图。
图4是本发明第一实施例掩模辅助图形的优化方法图1中步骤S3的流程示意图。
图5是本发明第一实施例掩模辅助图形的优化方法建立的BP人工神经网络模型的示意图。
图6是本发明第一实施例掩模辅助图形的优化方法图1中步骤S4的流程示意图。
图7是本发明第一实施例掩模辅助图形的优化方法得到的掩模设计形貌图。
图8A是本发明第一实施例掩模辅助图形的优化方法从图7中提取的掩模辅助图形。
图8B是基于光刻模型得到的掩模辅助图形。
图9A是本发明第一实施例掩模辅助图形的优化方法获得的掩模设计形貌图的PV-BAND分布图。
图9B是基于光刻模型得到的掩模辅助图的PV-BAND分布图。
图10是本发明第三实施例掩模辅助图形的优化系统的模块示意图。
图11是本发明第三实施例掩模辅助图形的优化系统中光刻优化模型的模块示意图。
附图标记说明：1、优化系统；11、选取模块；12、光刻优化模块；13、网络训练模块；14、网络应用模块；15、提取模块；121、格点单元；122、构造单元；123、迭代单元；124、提取单元；125、优化单元。
【具体实施方式】
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明第一实施例提供一种掩模辅助图形的优化方法，本实施例以14nm节点逻辑电路通孔层(VIA)版图设计进行举例说明。该方法包括以下步骤，
步骤S1：提供一张原始设计版图，并在原始设计版图中选取至少一个小区域版图；
步骤S2：对选取的小区域版图做基于光刻模型的辅助图形提取，得到对应小区域版图带辅助图形的掩模形貌图；
步骤S3：建立BP人工神经网络模型，并根据小区域版图的掩模形貌图和其对应的小区域版图训练BP人工神经网络模型；
步骤S4：将训练好的BP人工神经网络模型应用在原始设计版图上，获得原始设计版图的掩模设计形貌图；及
步骤S5：从掩模设计形貌图提取出掩模辅助图形。
首先，提供一张原始设计版图，原始设计版图中包括多个节点，选取其中的若干个节点所形成的小区域版图进行优化，选取的小区域版图可以是一个、两个或者多个，且每个小区域版图中均有一个或多个由节点构成的主图形；然后将选取的小区域版图输入至光刻模型中，以构造初始的辅助图形的指导图像，进行多次迭代优化，从而得到对应小区域版图带辅助图形的掩模形貌图；继而，建立BP人工神经网络模型，并将基于光刻模型得到的小区域版图的掩模形貌图和其对应的小区域版图均输入至BP人工神经网络模型中，以训练BP人工神经网络模型，以得到掩模形貌图的优化模型，可以理解，训练好的BP人工神经网络模型即为掩模形貌图的优化模型；继而，将原始设计版图输入至掩模形貌图的优化模型，通过BP人工神经网络模型计算出原始设计版图对应的掩模设计形貌图；最后从掩模形貌图中直接提取出掩模辅助图形。
可以理解，在上述步骤S1中，所述选取的小区域版图包括典型图形区域、关键图形区域或已知的缺陷版图设计的区域中的任一种或任意组合的两种、三种。选取的小区域版图可以为典型图形区域和关键图形区域的组合，也可以为典型图形区域和已知的缺陷版图设计的区域的组合，还可以是典型图形区域、关键图形区域以及已知的缺陷版图设计的区域的组合等。
请参阅图2，步骤S2包括，
步骤S21：输入一个或多个小区域版图，并将其格点化，形成设计图案；
步骤S22：构造初始的辅助图形指导图像，以产生目标函数；
步骤S23：通过多次迭代优化，以产生优化的目标函数，从而获得优化的指导图像；
步骤S24：对优化的指导图像进行二值化处理和多边形图形提取，得出带辅助图形的掩模形貌图；及
步骤S25：对掩模形貌图进行优化。
首先，将选取的小区域版图输入至光刻模型中，根据小区域版图中节点的分布，将小区域版图格点化，以形成设计图案；然后，根据设计图案构造初始的辅助图形指导图像，并结合设计图案和初始的辅助图形指导图像产生目标函数；继而，根据初始的辅助图形指导图像和目标函数得出第一次迭代的指导图像，并结合初始的辅助图形指导图像和第一次迭代的指导图像产生第一次迭代的目标函数，经过多次迭代优化，以产生优化的目标函数，从而获得优化的指导图像；继而，对优化的指导图像进行二值化处理并依据和主图形几何边的关系提取多边形图形，得出带辅助图形的掩模形貌图，即选取小区域版图对应的掩模辅助图形；最后，对掩模形貌图进行优化，以使主图形更好的成像在硅片上。
可以理解，指导图像即为在设计图案中提取出的辅助图形的图像；目标函数即为衡量当前小区域版图成像质量的函数；迭代优化即为优化目标函数的过程，通过迭代优化以获得优化的指导图像。
可以理解，输入至光刻模型中的版图可以为选取的一个、两个或多个小区域版图，也可以为原始设计版图。
需要说明的是，上述二值化处理为将指导图像上像素点的灰度值0或255，使指导图像呈现出仅两种颜色的效果。提取多边形图形为在经过二值化处理的图像中提取图像的轮廓，进而得出带辅助图形的掩模形貌图。
请参阅图3，步骤S25包括，
步骤S251：对掩模形貌图进行清理优化；
步骤S252：基于几何形貌的可制造规则对掩模形貌图进行图形的化简；及
步骤S253：对掩模形貌图做防印出检查和处理；
步骤S252及步骤S253之间的顺序可互换或者可同时进行。
由于依次通过二值化处理和多边形图形提取得到的带辅助图形的掩模形貌图中，不同主图形几何边对应的辅助图形之间可能会有大量的重合交叠，因此要对掩模形貌图进行优化。首先，对掩模形貌图中重合交叠的部分进行清理，以提升成像在硅片上的图形质量；然后，基于几何形貌的可制造规则对掩模形貌图进行图形的化简，如将不规则的多边形化简为矩形，以确保主图形可以被加工制造在硅片上；最后，对掩模形貌图进行防印出检查和处理，即通过光刻模型进行模拟曝光，检查是否有辅助图形印出，如果有印出，则根据光刻模型的模拟结果减小辅助图形的尺寸，或者直接删除该辅助图形，以避免其印出，确保辅助图形不会被印出在硅片上。可以理解，步骤S252及步骤S253之间的顺序可互换或者可同时进行。
请参阅图4-5，步骤S3包括，
步骤S31：建立BP人工神经网络模型，并设定模型的结构；
步骤S32：将掩模形貌图和其对应的小区域版图分别输入至BP人工神经网络模型进行训练；及
步骤S33：训练BP人工神经网络模型，以得到掩模形貌图的优化模型。
首先，建立BP人工神经网络模型，并设定模型的结构，即设定BP人工神经网络模型输入层X、隐藏层及输出层Y，在输入层X、隐藏层及输出层Y中分别定义神经元的个数，本实施例输入层设为40x40个节点，即在输入层X中输入1600个神经元，输出层Y设为一个节点，隐藏层采用双隐藏层的结构，即第一隐藏层B和第二隐藏层C，继而建立BP人工神经网络模型。然后，将小区域版图的掩模形貌图和其对应的小区域版图分别送BP人工神经网络模型的对应结构，即分别输入至BP人工神经网络模型的输出层X和输入层Y中；最后，训练BP人工神经网络模型，以得到掩模形貌图的优化模型。通过BP人工神经网络模型计算出误差函数，再此之前，先设定误差函数值的精度或最大学习次数。当计算出的误差函数值满足设定的误差函数值的要求时，则结束算法；反之则按照误差逆向传播算法，直至计算出的误差函数值满足设定的误差函数值的要求，结束算法，即BP人工神经网络模型训练完成，具体计算过程在此不作赘述。
可以理解，由于在步骤S25中已经对掩模形貌图进行了优化，继而将优化后的掩模形貌图输入至BP人工神经网络模型中进行训练时，BP人工神经网络模型也掌握了步骤S25中的优化方法。
请参阅图6-7，步骤S4包括，
步骤S41：将原始设计版图输入至掩模形貌图的优化模型；及
步骤S42：进行运算以获得原始设计版图的掩模设计形貌图。
由于步骤S3已经得到掩模形貌图的优化模型，因此，将小区域版图对应的原始设计版图输入至掩模形貌图的优化模型中，即可计算出该原始设计版图对应的掩模设计形貌图，如图7所示。首先，将训练好的BP人工神经网络模型应用在原始设计版图上，即将原始设计版图输入至掩模形貌图的优化模型输入层中，计算出原始设计版图的掩模设计形貌图；然后，进行运算以获得原始设计版图的掩模设计形貌图。由于在步骤S2中已经对掩模形貌图进行过优化，因此计算出原始设计版图的掩模设计形貌图也已经经过优化。
请参阅图8A，步骤S5具体为，基于掩模设计形貌图进行二值化处理并依据和多边形图形提取，得出掩模辅助图形。因为掩模设计形貌图表征的就是掩模自身，因此提取后就直接得到了可用的掩模辅助图形。
实验对比：
请参阅图8A-8B，其中图8A为基于BP人工神经网络模型得到的掩模辅助图形，图8B为基于光刻模型得到的掩模辅助图形，通过观察可以发现，通过这两种方法得到的掩模辅助图形非常相似，并且相对基于光刻模型得到的掩模辅助图形而言，本方法得到的掩模辅助图形不需要对主图形和辅助图形之间重合交叠的图形进行清理。
请参阅图9A-9B，图9A为基于BP人工神经网络模型获得的掩模设计形貌图的PV-BAND(Process Variation Band，变化带宽)分布图，横坐标为PV-BNAD值，纵坐标为节点的数量。其中节点的数量介于3-12nm之间，且分布在6-8nm之间的节点个数最多。图9B为基于光刻模型得到的掩模辅助图的PV-BAND分布，其中节点的数量介于3-14nm之间，且分布于6-9nm之间的节点个数最多，通过计算图8A和图8B中PV-BNAD的平均值，得出下表：
表1
Figure BDA0001976485320000101
这里的光刻性能采用在PV-band进行衡量。PV-band的计算如下：
PV-band＝max(PE@PW_conditions)min(EPE@PW_con ditions)；式中EPE表示硅片上轮廓与目标设计图形之间的位置误差；PW_conditions是光刻工艺曝光条件，本实施例中采用离焦在正负40nm，曝光剂量误差在正负3％。
实验结论：
基于BP人工神经网络模型的辅助图形优化可以获得与传统基于光刻模型的辅助图形优化具有相同水平的优化精度。
如果有必要，步骤S5之后还包括步骤S6：对掩模辅助图形进行优化。由于BP人工神经网络模型已经掌握了掩模形貌图的优化方法，即对掩模形貌图进行清理优化、基于几何形貌的可制造规则对掩模形貌图进行图形的化简，以及对掩模形貌图做防印出检查和处理。因此BP人工神经网络模型得到的掩模辅助图优化形不需要对重合交叠的图形进行清理，同时对图形的化简和防印出工作处理量减少。因为BP人工神经网络模型训练时已经从整体趋势上掌握了辅助图形的优化方法，因此得到的辅助图形的几何形貌和最终的结果是很接近的，所以图形的化简和防印出的工作相对现有单纯基于光刻模型的化简和防印出处理的工作量更少，因此，整体处理的效率和精确度可提升。
可以理解，通过基于光刻模型以外的方法得到的掩模形貌图和其对应的小区域版图，分别输入至BP人工神经网络模型的输出层和输入层中，同样可以对BP人工神经网络模型进行训练，进而将原始设计版图输入至掩模形貌图的优化模型，得出其对应的掩模辅助图形的优化。
本发明第二实施例提供一种计算机可读介质，该计算机可读介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的掩模辅助图形的优化方法。
根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
请参阅图10，本发明第三实施例提供一种掩模辅助图形的优化系统1，其包括选取模块11、光刻优化模块12、网络训练模块13、网络应用模块14及提取模块15。先在优化系统1中输入原始设计版图，选取模块11，用于在原始设计版图中选取一个或多个小区域版图；光刻优化模块12，用于对选取的小区域版图做基于光刻模型的辅助图形优化，得到对应小区域版图的掩模形貌图；网络训练模块13，用于根据小区域版图的掩模形貌图和其对应的小区域版图训练BP人工神经网络模型；网络应用模块14，用于将训练好的BP人工神经网络模型应用在原始设计版图上，获得原始设计版图的掩模设计形貌图；提取模块15，用于从掩模设计形貌图提取出掩模辅助图形。
请参阅图11，光刻优化模块12包括格点单元121、构造单元122、迭代单元123、提取单元124及优化单元125。格点单元121，用于将优化系统1中的小区域版图格点化，形成设计图案；构造单元122，用于构造初始的辅助图形指导图像，以产生目标函数；迭代单元123，用于通过多次迭代优化，以产生优化的目标函数，从而获得优化的指导图像；提取单元124，用于对优化的指导图像进行二值化处理和多边形图形提取，得出带辅助图形的掩模形貌图；优化单元125，用于对掩模形貌图进行优化。
与现有技术相比，本发明的掩模辅助图形的优化方法具有以下优点：
1.基于光刻模型的掩模辅助优化方法中，需要花费大量的时间和工作量对原始设计版图优化后的掩模辅助图形进行优化，即对重合交叠的部分进行清理；而本发明的掩模辅助图形的优化方法中，先选取原始设计版图中的一个或多个小区域版图进行一次基于光刻模型的掩模辅助图形优化，然后将优化的掩模形貌图和其对应的小区域版图输入至BP人工神经网络模型中训练，得出其优化方法，进而将原始设计版图输入至掩模形貌图的优化模型，最后得到掩模辅助图形。即只需要对小区域版图得到的掩模形貌图进行优化，相对于整个原始设计版图优化，可节省大量的时间和工作量。
2.通过对小区域版图得到的掩模形貌图进行优化时，也对其基于几何形貌的可制造规则对掩模形貌图进行了图形的化简，以及防印出检查和处理，因此得到的辅助图形的几何形貌和最终的结果时很接近的，相对于整个原始设计版图进行图形的化简和防印出检查处理，化简需要的工作量和所需要的时间会更少。
3.通过指导图像产生目标函数，并对目标函数进行优化，从而获得优化的指导图像，从优化的指导图像中提取的掩模形貌图，有利于减少对优化掩模形貌图的工作量。
以上所述仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。

Claims (10)

1.一种掩模辅助图形的优化方法，其特征在于：该方法包括以下步骤，
步骤S1：提供一张原始设计版图，并在原始设计版图中选取至少一个小区域版图；
步骤S2：对选取的小区域版图做基于光刻模型的辅助图形优化，得到对应小区域版图的掩模形貌图；
步骤S3：建立BP人工神经网络模型，并根据小区域版图的掩模形貌图和其对应的小区域版图训练BP人工神经网络模型；
步骤S4：将训练好的BP人工神经网络模型应用在原始设计版图上，获得原始设计版图的掩模设计形貌图；及
步骤S5：从掩模设计形貌图提取出掩模辅助图形。
2.如权利要求1所述的掩模辅助图形的优化方法，其特征在于：步骤S2包括，
步骤S21：输入一个或多个小区域版图，并将其格点化形成设计图案；
步骤S22：构造初始的辅助图形指导图像，以产生目标函数；
步骤S23：通过多次迭代优化，以产生优化的目标函数，从而获得优化的指导图像；
步骤S24：对优化的指导图像进行二值化处理和多边形图形提取，得出带辅助图形的掩模形貌图；及
步骤S25：对掩模形貌图进行优化。
3.如权利要求2所述的掩模辅助图形的优化方法，其特征在于：步骤S25包括，
步骤S251：对掩模形貌图进行清理优化；
步骤S252：基于几何形貌的可制造规则对掩模形貌图进行图形的化简；及
步骤S253：对掩模形貌图做防印出检查和处理；
步骤S252及步骤S253之间的顺序可互换或者可同时进行。
4.如权利要求1所述的掩模辅助图形的优化方法，其特征在于：步骤S3包括，
步骤S31：建立BP人工神经网络模型，并设定模型的结构；
步骤S32：将掩模形貌图和其对应的小区域版图分别输入至BP人工神经网络模型的对应结构；及
步骤S33：训练BP人工神经网络模型，以得到掩模形貌图的优化模型。
5.如权利要求1所述的掩模辅助图形的优化方法，其特征在于：步骤S4包括，
步骤S41：将原始设计版图输入至掩模形貌图的优化模型；及
步骤S42：进行运算以获得原始设计版图的掩模设计形貌图。
6.如权利要求1所述的掩模辅助图形的优化方法，其特征在于：在上述步骤S1中，所述选取的小区域版图包括典型图形区域、关键图形区域或已知的缺陷版图设计的区域中的任一种或任意组合的两种、三种。
7.如权利要求1所述的掩模辅助图形的优化方法，其特征在于：上述步骤S5从掩模设计形貌图提取出掩模辅助图形进一步包括：对掩模设计形貌图进行二值化处理和多边形图形提取，得出掩模辅助图形。
8.如权利要求1所述的掩模辅助图形的优化方法，其特征在于：步骤S5之后还包括步骤S6：对掩模辅助图形进行优化。
9.一种计算机可读介质，其特征在于：所述计算机可读介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1-8中任一项中所述的掩模辅助图形的优化方法。
10.一种掩模辅助图形的优化系统，其特征在于：所述优化系统包括选取模块，用于在原始设计版图中选取至少一小区域版图；光刻优化模块，用于对选取的小区域版图做基于光刻模型的辅助图形优化，得到对应小区域版图的掩模形貌图；网络训练模块，用于根据小区域版图的掩模形貌图和其对应的小区域版图训练BP人工神经网络模型；网络应用模块，用于将训练好的BP人工神经网络模型应用在原始设计版图上，获得原始设计版图的掩模设计形貌图；提取模块，用于从掩模设计形貌图提取出掩模辅助图形。
CN201910134377.9A 2019-02-22 2019-02-22 一种掩模辅助图形的优化方法、计算机可读介质及系统 Active CN111611759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910134377.9A CN111611759B (zh) 2019-02-22 2019-02-22 一种掩模辅助图形的优化方法、计算机可读介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910134377.9A CN111611759B (zh) 2019-02-22 2019-02-22 一种掩模辅助图形的优化方法、计算机可读介质及系统

Publications (2)

Publication Number Publication Date
CN111611759A true CN111611759A (zh) 2020-09-01
CN111611759B CN111611759B (zh) 2023-06-06

Family

ID=72199877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910134377.9A Active CN111611759B (zh) 2019-02-22 2019-02-22 一种掩模辅助图形的优化方法、计算机可读介质及系统

Country Status (1)

Country Link
CN (1) CN111611759B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117973308A (zh) * 2024-03-26 2024-05-03 全芯智造技术有限公司 用于版图处理的方法、设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07121719A (ja) * 1993-10-21 1995-05-12 Glory Ltd パターン認識における遺伝アルゴリズムを用いたマスクの最適化方法
CN105425532A (zh) * 2015-11-20 2016-03-23 中国科学院微电子研究所 光源掩模协同优化方法
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
CN106777829A (zh) * 2017-02-06 2017-05-31 深圳晶源信息技术有限公司 一种集成电路掩模设计的优化方法及计算机可读的存储介质
US20170242333A1 (en) * 2016-02-23 2017-08-24 Xtal, Inc. Full Chip Lithographic Mask Generation
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
CN109360185A (zh) * 2018-08-28 2019-02-19 中国科学院微电子研究所 一种版图测试图形提取方法、装置、设备及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07121719A (ja) * 1993-10-21 1995-05-12 Glory Ltd パターン認識における遺伝アルゴリズムを用いたマスクの最適化方法
CN105425532A (zh) * 2015-11-20 2016-03-23 中国科学院微电子研究所 光源掩模协同优化方法
US20170242333A1 (en) * 2016-02-23 2017-08-24 Xtal, Inc. Full Chip Lithographic Mask Generation
CN108490735A (zh) * 2016-02-23 2018-09-04 深圳晶源信息技术有限公司 全芯片掩模图案生成的方法、装置及计算机可读介质
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
CN106777829A (zh) * 2017-02-06 2017-05-31 深圳晶源信息技术有限公司 一种集成电路掩模设计的优化方法及计算机可读的存储介质
US20180225817A1 (en) * 2017-02-06 2018-08-09 Shenzhen Jingyuan Information Technology Limited Optimization of Integrated Circuit Mask Design
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
CN109360185A (zh) * 2018-08-28 2019-02-19 中国科学院微电子研究所 一种版图测试图形提取方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王丽敏;乔玲玲;魏霖静;: "结合遗传算法的优化卷积神经网络学习方法", 计算机工程与设计 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117973308A (zh) * 2024-03-26 2024-05-03 全芯智造技术有限公司 用于版图处理的方法、设备和介质

Also Published As

Publication number Publication date
CN111611759B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
US10318697B2 (en) Sub-resolution assist feature implementation for shot generation
JP5052620B2 (ja) 製造可能性プロセスのための閉ループを設計するための方法、およびコンピュータ・プログラム
US8762900B2 (en) Method for proximity correction
CN105825036B (zh) 一种版图设计规则的优化方法及系统
US20120192126A1 (en) Systems and methods providing electron beam proximity effect correction
TWI240307B (en) Correction method and verification method for pattern size using OPC, mask and semiconductor device made by using the correction method, and system and recording medium executing the correction method
JP6497494B1 (ja) 図形パターンの形状補正装置および形状補正方法
US7080349B1 (en) Method of developing optimized optical proximity correction (OPC) fragmentation script for photolithographic processing
CN110426914A (zh) 一种亚分辨率辅助图形的修正方法及电子设备
JP5052625B2 (ja) マスクのレイアウトを設計する方法及びプログラム
CN115470741B (zh) 用于光源掩模协同优化的方法、电子设备和存储介质
CN114326288A (zh) 增大光刻工艺窗口的方法、电子设备和存储介质
CN103744265B (zh) 改善工艺窗口的光学临近修正方法
TWI465839B (zh) 產生輔助圖案的方法
US10831977B1 (en) Curvilinear mask models
US10001698B2 (en) Layout hierachical structure defined in polar coordinate
CN115457350B (zh) 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法
CN114514473A (zh) 基于缺陷概率分布和关键尺寸变化的光刻改进
CN111611759B (zh) 一种掩模辅助图形的优化方法、计算机可读介质及系统
JPH10239826A (ja) フォトマスクパターン設計装置およびフォトマスクパターン設計方法
JP2009216936A (ja) 階層構造を用いたフォトマスクデータの処理方法、フォトマスクデータ処理システム、および、製造方法
JP2005157043A (ja) マスクパターン補正結果検証方法およびマスクパターン補正結果検証装置
Gao et al. Optical proximity correction with principal component regression
US10197909B2 (en) Method of reducing shot count in direct writing by a particle or photon beam
US20090113376A1 (en) Apparatus for OPC Automation and Method for Fabricating Semiconductor Device Using the Same

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