CN112765893B - 基于遗传算法的掩模侧壁角控制方法、系统、设备及介质 - Google Patents

基于遗传算法的掩模侧壁角控制方法、系统、设备及介质 Download PDF

Info

Publication number
CN112765893B
CN112765893B CN202110110769.9A CN202110110769A CN112765893B CN 112765893 B CN112765893 B CN 112765893B CN 202110110769 A CN202110110769 A CN 202110110769A CN 112765893 B CN112765893 B CN 112765893B
Authority
CN
China
Prior art keywords
redundant
angle
side wall
genetic algorithm
pattern
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.)
Active
Application number
CN202110110769.9A
Other languages
English (en)
Other versions
CN112765893A (zh
Inventor
郝芸芸
叶甜春
韦亚一
王云
薛静
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.)
Guangdong Greater Bay Area Institute of Integrated Circuit and System
Original Assignee
Guangdong Greater Bay Area Institute of Integrated Circuit and System
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 Guangdong Greater Bay Area Institute of Integrated Circuit and System filed Critical Guangdong Greater Bay Area Institute of Integrated Circuit and System
Priority to CN202110110769.9A priority Critical patent/CN112765893B/zh
Publication of CN112765893A publication Critical patent/CN112765893A/zh
Application granted granted Critical
Publication of CN112765893B publication Critical patent/CN112765893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)

Abstract

本发明公开了一种基于遗传算法的掩模侧壁角控制方法、系统、设备及介质，所述掩模侧壁角控制方法包括：在掩模主体图形边缘添加冗余图形；基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度。通过引入遗传算法，整个流程可快速，高效地确定一组、或几组目标冗余图形添加方式，其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度，以实现对精细位置的侧壁角的角度的精准调节，满足光刻工程中特殊工艺对侧壁角的需求，仿真计算可以快速地挑选出比较符合要求的一组或几组冗余图形添加方式，节省人力、物力及财力。

Description

基于遗传算法的掩模侧壁角控制方法、系统、设备及介质
技术领域
本发明涉及半导体技术领域，尤其涉及一种基于遗传算法的掩模侧壁角控制方法、系统、设备及介质。
背景技术
光刻技术是集成电路制造中的关键工艺，经过曝光后的图形会在显影过程后出现图形，未曝光区域的光刻胶保留，曝光后区域的光刻胶被显影液反应消除。在一些先进光刻工艺技术中，如较小的节点，芯片密集图形的尺寸较小，对显影后且未经显影的光刻胶侧壁角度会有较为严格的控制。
传统的调节光刻胶侧壁角度一般通过调节显影参数，如显影时间、曝光量、后烘温度、后烘时间。例如调整显影时间来控制光刻胶侧壁角度，但会同时引起一次曝光区域和一次显影范围内的光刻胶轮廓均会发生变化，无法做到对光刻胶侧壁角度的精准调节。
发明内容
基于此，有必要针对上述背景技术中的问题，提供一种基于遗传算法的掩模侧壁角控制方法、系统、设备及介质，能够精准、快速调节光刻胶侧壁的角度。
为解决上述技术问题，本申请的第一方面提出一种基于遗传算法的掩模侧壁角控制方法，包括：
在掩模主体图形边缘添加冗余图形；
基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度。
于上述实施例中的基于遗传算法的掩模侧壁角控制方法中，通过在掩模主体图形边缘添加冗余图形，并基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度。通过引入遗传算法，整个流程可快速、高效地确定一组、或几组目标冗余图形添加方式，其中，存在一组或多组目标冗余图形添加方式对应相同的侧壁角的角度，以实现对精细位置的侧壁角的角度的精准调节，满足光刻工程中特殊工艺对侧壁角的需求，同时仿真计算过程可以快速地挑选出比较符合要求的一组或几组冗余图形添加方式，节省人力、物力及财力。
在其中一个实施例中，所述基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式，包括：
对所述冗余图形依次进行切分和编码，以获得各所述冗余图形添加方式，各所述冗余图形添加方式构成所述遗传算法的初始化种群；
计算各所述冗余图形添加方式对应的侧壁角的角度；
判断所述侧壁角的角度和累积迭代次数是否同时满足预设约束条件；
若满足，则确定所述目标冗余图形添加方式；
反之，则根据所述遗传算法生成下一代种群，并计算所述下一代种群中冗余图形添加方式对应的侧壁角的角度，直至所述侧壁角的角度和所述累积迭代次数同时满足所述预设约束条件。
在其中一个实施例中，所述预设约束条件为所述侧壁角的角度位于预设侧壁角的角度误差范围内和所述累积迭代次数大于或等于预设迭代次数。
在其中一个实施例中，所述对所述冗余图形依次进行切分和编码，包括：
将所述冗余图形切分为各冗余图形区域；
将各所述冗余图形区域以透光和不透光的方式排列并编码。
在其中一个实施例中，所述计算各所述冗余图形添加方式对应的侧壁角的角度，包括：
获取各所述冗余图形添加方式的衍射光分布；
基于所述衍射光分布，利用光刻成像模型和显影模型仿真计算所述侧壁角的角度。
在其中一个实施例中，所述根据所述遗传算法生成下一代种群，包括：
根据所述侧壁角的角度，计算得到所述遗传算法的目标函数，并根据所述目标函数计算各所述冗余图形添加方式的适应度值；
对各所述所冗余图形添加方式按所述适应度值降序排列；
对降序排列后的各所述冗余图形添加方式依次进行选择、交叉及变异，以生成所述下一代种群。
在其中一个实施例中，所述目标函数的表达式为：
Figure BDA0002919264340000031
其中，
Figure BDA0002919264340000032
为目标侧壁角的角度的轮廓分布，Z为实际侧壁角的角度的轮廓分布，
Figure BDA0002919264340000033
为所述目标侧壁角的角度的轮廓分布与所述实际侧壁角的角度的轮廓分布之间的欧拉距离的平方，
Figure BDA0002919264340000034
为矩阵的二范数；
所述适应度值的表达式为
Figure BDA0002919264340000035
本申请的第二方面提出一种基于遗传算法的掩模侧壁角控制系统，包括：
冗余图形添加模块，用于在掩模主体图形边缘添加冗余图形；
冗余图形调控模块，用于基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度。
本申请的第三方面提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
本申请的第四方面提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例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实施例的附图。
图1为本申请一实施例中提供的一种基于遗传算法的掩模侧壁角控制方法的流程示意图；
图2为本申请一实施例中提供的一种基于遗传算法确定目标冗余图形添加方式的流程示意图；
图3为本申请一实施例中提供的一种对冗余图形依次进行切分和编码的流程示意图；
图4为本申请一实施例中提供的一种对各冗余图形区域排列并编码的示意图；
图5为本申请一实施例中提供的一种根据所述遗传算法生成下一代种群的流程示意图；
图6为本申请一实施例中提供的一种基于遗传算法的掩模侧壁角控制系统的结构示意图。
附图标记说明：10-冗余图形添加模块，20-冗余图形调控模块。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
在使用本文中描述的“包括”、“具有”、和“包含”的情况下，除非使用了明确的限定用语，例如“仅”、“由……组成”等，否则还可以添加另一部件。除非相反地提及，否则单数形式的术语可以包括复数形式，并不能理解为其数量为一个。
应当理解，尽管本文可以使用术语“第一”、“第二”等来描述各种元件，但是这些元件不应受这些术语的限制。这些术语仅用于将一个元件和另一个元件区分开。例如，在不脱离本申请的范围的情况下，第一元件可以被称为第二元件，并且类似地，第二元件可以被称为第一元件。
在本申请中，除非另有明确的规定和限定，术语“相连”、“连接”等术语应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
为了说明本申请上述的技术方案，下面通过具体实施例来进行说明。
为了便于阐述本发明技术方案，将经过显影之后，未显影区域光刻胶边缘的角度定义为侧壁角，即在本申请中将光刻胶侧壁角度定义为侧壁角。
在一个实施例中，如图1所示，提供了一种基于遗传算法的掩模侧壁角控制方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。在本实施例中，该方法包括以下步骤：
步骤S10：在掩模主体图形边缘添加冗余图形；
具体地，掩模主体图形为掩模板上的原图形，冗余图形为掩模板上原图形的边缘区域添加的图形，通过增添重复的图形，来改变掩模板上原图形的衍射光的分布情况。
步骤S20：基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度。
具体地，冗余图形的添加方式有若干种，存在一组或多组目标冗余图形添加方式对应相同的侧壁角的角度，每一种冗余图形添加方式并非是一一对应的方式，可以存在多个冗余图形添加方式对应一个侧壁角的角度。根据遗传算法得到多种冗余图形添加方式并加以调控，由光刻成像模型和显影模型计算得到多种冗余图形添加方式分别对应的侧壁角的角度，以找出满足条件的侧壁角的角度，以得到目标冗余图形添加方式。其中，目标冗余图形添加方式并不唯一，可以是一组或多组添加方式。
于上述实施例中的基于遗传算法的掩模侧壁角控制方法中，通过在掩模主体图形边缘添加冗余图形，并基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度。通过引入遗传算法，整个流程可快速、高效地确定一组、或几组目标冗余图形添加方式，其中，存在一组或多组目标冗余图形添加方式对应相同的侧壁角的角度，即掩模侧壁角的角度，以实现对精细位置的侧壁角的角度的精准调节，满足光刻工程中特殊工艺对侧壁角的需求，仿真计算可以快速地挑选出比较符合要求的一组或几组冗余图形添加方式，节省人力、物力及财力。
在本申请的一个实施例中提供的一种基于遗传算法的掩模侧壁角控制方法中，如图2所示，步骤S20：基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式，包括如下步骤：
S21：对冗余图形依次进行切分和编码，以获得各冗余图形添加方式，各冗余图形添加方式构成遗传算法的初始化种群；
S22：计算各冗余图形添加方式对应的侧壁角的角度；
S23：判断侧壁角的角度和累积迭代次数是否同时满足预设约束条件；
具体地，预设约束条件为侧壁角的角度位于预设侧壁角的角度误差范围内和累积迭代次数大于或等于预设迭代次数。预设侧壁角的角度误差范围为-1％θtarget～1％θtarget，其中，θtarget为目标侧壁角的角度。每生成一次下一代种群，记为一次迭代。其中，预设迭代次数为200次，此处仅作为示例，本申请并不对此作出限定。预设迭代次数可根据具体图形的变化数据获取，比如预设迭代次数取200次。
S24：若满足，则确定目标冗余图形添加方式；
具体地，可根据上述步骤得到每种冗余图形添加方式分别对应的当前侧壁角的角度，并满足上述预设约束条件，确定目标冗余图形添加方式。
S25：反之，则根据遗传算法生成下一代种群，并计算下一代种群中冗余图形添加方式对应的侧壁角的角度，直至侧壁角的角度和累积迭代次数同时满足预设约束条件。
具体地，遗传算法操作是优中选优，不断淘汰的过程，下一代种群与初始化种群的数量可以相同，也可以不同，但下一代种群的侧壁角的角度相较于初始化种群更加接近于目标侧壁角的角度。
在本申请的一个实施例中提供的一种基于遗传算法的掩模侧壁角控制方法中，如图3所示，步骤S21中的对冗余图形依次进行切分和编码，还包括如下步骤：
S211：将所述冗余图形切分为各冗余图形区域；
S212：将各所述冗余图形区域以透光和不透光的方式排列并编码。
具体地，通过在掩模边缘添加冗余图形的方式改变初始的仿真的侧壁角角度，如图4中的左侧阴影部分的图形为掩模主体图形，右侧为冗余图形。以图4为例，冗余图形切分为10个冗余图形区域，并将10个冗余图形区域以透光和不透光两张方式排列并编码。透光定义为光透过率大于或等于90％，不透光定义为光透过率小于或等于10％。作为示例，以二进制进行编码操作，透光区域编码为1，不透光区域编码为0，透光区域和不透光区域随机排布，以形成如图4所示的一串编码序列，即其中一组的冗余图形添加方式，可记为“0101001101”，其他的冗余图形添加方式还可以为“1001001010”等等，完成遗传算法的编码。诸如上述所有的冗余图形添加方式共同组成遗传算法的初始化种群，其中，每一组的冗余图形添加方式形成的光刻胶轮廓互不相同。具体划分的尺寸与掩模制造精度和可添加冗余图形的范围有关。
作为示例，编码还可以采用十进制编码，透光区域以偶数编辑，不透光区域以奇数编辑，冗余图形添加方式可记为“0123456789”。当然，编码方式还可以采用其他进制编码，本申请并不对此进行限定。此外，编码方法还可以采用格雷码、浮点数编码、多参数级联编码及多参数交叉编码等等。
在本申请的一个实施例中提供的一种基于遗传算法的掩模侧壁角控制方法中，步骤S22中的计算各所述冗余图形添加方式对应的侧壁角的角度，还包括如下步骤：
步骤S221：获取各所述冗余图形添加方式的衍射光分布；
步骤S222：基于所述衍射光分布，利用光刻成像模型和显影模型仿真计算所述侧壁角的角度。
具体地，光刻成像模型和显影模型是预先建立好的精确模型，通过模型可以计算在聚焦位置的空间像成像，空间像的成像与冗余图形添加方式有关。通过照明方式整形后的平面波在进入掩模进行衍射后，其衍射光的分布和光强与冗余图形添加方式有关。具体的计算过程为本领域技术人员所熟知，此处不再赘述。
作为示例，遗传算法的基本原理如下：遗传算法是一种基于自然选择和遗传机理的搜索算法，模拟了自然选择和自然遗传过程中的繁殖、杂交和突变现象。每一个冗余图形添加方式对应遗传算法中的一个染色体，即个体，若干个个体构成了种群。在遗传算法开始时，随机产生一些个体(即初始解，也就是初始化种群)，根据预定的目标函数对每一个个体进行评估，给出一个适应度值，基于此适应度值，选择一些个体用来产生下一代，选择操作体现了“适者生存”的原理，“好”的个体被用来产生下一代，“坏”的个体则被淘汰，然后选择出来的个体，经过交叉和变异算子进行再组合生成新的一代，这一代的个体由于继承了上一代的一些优良性状，因而在性能上要优于上一代，这样逐步朝着最优解的方向进化。因此，遗传算法可以看成是一个由可行解组成的群体初步进化的过程。其中，每个个体均对应每一个冗余图形添加方式，也即对应每一个侧壁角的角度。
在本申请的一个实施例中提供的一种基于遗传算法的掩模侧壁角控制方法中，如图5所示，步骤S25中的根据所述遗传算法生成下一代种群，还包括如下步骤：
步骤S251：根据所述侧壁角的角度，计算得到所述遗传算法的目标函数，并根据所述目标函数计算各所述冗余图形添加方式的适应度值；
具体地，在遗传算法中，适应度函数(Fitness Function)也称为评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准。适应度函数总是非负的，目标函数可能有正有负。
在一个实施例中，根据目标函数F的表达式为：
Figure BDA0002919264340000101
其中，
Figure BDA0002919264340000102
为目标侧壁角的角度的轮廓分布，Z为实际侧壁角的角度的轮廓分布，
Figure BDA0002919264340000103
为所述目标侧壁角的角度的轮廓分布与所述实际侧壁角的角度的轮廓分布之间的欧拉距离的平方，
Figure BDA0002919264340000104
为矩阵的二范数；对于与目标侧壁角越相近的仿真出的侧壁角，其目标函数的值越小，即误差越小，根据目标函数值计算得到的适应度值越大，将目标函数值最小化为遗传算法的优化目标。见适应度值E的表达式为
Figure BDA0002919264340000111
具体地，调整冗余图形添加方式，从而改变实际侧壁角的角度的轮廓分布，其中，目标侧壁角的角度的轮廓分布已知。
步骤S252：对各所述冗余图形添加方式按所述适应度值降序排列；
具体地，适应度值最大的冗余图形添加方式排在第一位，基于降序排列顺序，找出前20～30种冗余图形添加方式，以便于执行后续步骤中遗传算法的算子操作。
步骤S253：对降序排列后的各所述冗余图形添加方式依次进行选择、交叉及变异，以生成所述下一代种群。
作为示例，选择是指从已建立的种群中选择优良个体并淘汰劣质个体的操作，建立在适应度评估的基础上，适应度越大的冗余图形添加方式，被选中的可能性就越大。
具体地，选择算子可选用轮盘赌选择(Roulette Wheel Selection)，是一种回放式随机采样方法，每个个体进入下一代的概率等于它的适应度值与整个种群中个体适应度值和的比例。例如，现有5种冗余图形添加方式，根据前文目标函数值计算适应度值，假设各适应度值分别为5、8、3、7、2，总适应度值为25，5种冗余图形添加方式被选中的概率分别为，(5/25)*100％＝20％，(8/25)*100％＝32％，(3/25)*100％＝12％，(7/25)*100％＝28％，(2/25)*100％＝8％。制作轮盘，轮盘指针指向哪一种，该种冗余图形添加方式就被选中。此外，选择算子还可以采用最佳个体保留法、期望值法、排序选择法、竞争法及线性标准化法等等。
作为示例，交叉就是指把两个父代个体的部分结构加以替换重组而生成新的个体的操作，交叉的目的是为了在下一代产生新的个体，通过交叉操作,遗传算法的搜索能力得到了飞跃性的提高。交叉是遗传算法获取优良个体的重要手段.交叉操作是按照一定的交叉概率在匹配库中随机的选取两个个体进行的，交叉位置也是随机的。
作为示例，以二进制编码为例，透光区域编码为1，不透光区域编码为0，透光区域和不透光区域随机排布，形成各冗余图形添加方式，如冗余图形添加方式编码为“0101001101”，各冗余图形添加方式组成初始化种群。交叉算子的操作如下：随机选取初始化种群中的两个父代个体的冗余图形添加方式，分别记为“0101001101、1011001010”，将两个个体第三位的基因编码进行单点交叉，得到两种新的冗余图形添加方式“0111001101、1001001010”。当然，交叉算子还可以采用两点交叉、多点交叉、均匀交叉及算术交叉。又如，以二进制编码为例，采用多点交叉的方式，将两个冗余图形添加方式“0101001101、1011001010”的第三位至第六位进行交叉，得到两种新的冗余图形添加方式“0111001101、1001001010”。
作为示例，遗传算法中的变异算子，是指将个体染色体编码串中的某些基因座上的基因值用该基因座上的其它等位基因来替换，从而形成新的个体。以二进制编码为例，基于基本位变异方式变异，将一串二进制编码“0101001101”变异为“1101000101”。当然，变异算子还可以采用均匀变异、边界变异及非均匀变异及高斯近似变异。
通过上述遗传算法中的选择算子、交叉算子及变异算子，改变初始化种群中的各个体(即各冗余图形添加方式)，生成新的冗余图形添加方式，新的冗余图形添加方式相较于上一代初始化种群中的各冗余图形添加方式，具有更高的适应度值，同时侧壁角的角度也更加接近目标侧壁角的角度。
在本申请的一个实施例中，如图6所示，提供了一种基于遗传算法的掩模侧壁角控制系统，包括：
冗余图形添加模块10，用于在掩模主体图形边缘添加冗余图形；
冗余图形调控模块20，用于基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度。
于上述实施例中的基于遗传算法的掩模侧壁角控制系统中，通过冗余图形添加模块10用于在掩模主体图形边缘添加冗余图形；冗余图形调控模块20用于基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度。通过引入遗传算法，整个流程可快速、高效地确定一组、或几组目标冗余图形添加方式，其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度，以实现对精细位置的侧壁角的角度的调节，满足光刻工程中特殊工艺对侧壁角的需求，仿真计算可以快速地挑选出比较符合要求的一组或几组冗余图形添加方式，节省人力、物力及财力。
关于基于遗传算法的掩模侧壁角控制系统的具体限定可以参见上文中对于基于遗传算法的掩模侧壁角控制方法的限定，在此不再赘述。上述基于遗传算法的掩模侧壁角控制系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各冗余图形添加方式和各侧壁角的角度。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于遗传算法的掩模侧壁角控制方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于遗传算法的掩模侧壁角控制方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
请注意，上述实施例仅出于说明性目的而不意味对本发明的限制。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于遗传算法的掩模侧壁角控制方法，其特征在于，包括：
在掩模主体图形边缘添加冗余图形；
基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度；
所述基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式，包括：
对所述冗余图形依次进行切分和编码，以获得各所述冗余图形添加方式，各所述冗余图形添加方式构成所述遗传算法的初始化种群；
计算各所述冗余图形添加方式对应的侧壁角的角度；
判断所述侧壁角的角度和累积迭代次数是否同时满足预设约束条件；
若满足，则确定所述目标冗余图形添加方式；
反之，则根据所述遗传算法生成下一代种群，并计算所述下一代种群中冗余图形添加方式对应的侧壁角的角度，直至所述侧壁角的角度和所述累积迭代次数同时满足所述预设约束条件。
2.根据权利要求1所述的基于遗传算法的掩模侧壁角控制方法，其特征在于，所述掩模主体图形为掩模板上的原图形，所述冗余图形为所述掩模板上原图形的边缘区域添加的图形，通过增添重复的图形，来改变掩模板上原图形的衍射光的分布情况。
3.根据权利要求1所述的基于遗传算法的掩模侧壁角控制方法，其特征在于，所述预设约束条件为所述侧壁角的角度位于预设侧壁角的角度误差范围内和所述累积迭代次数大于或等于预设迭代次数。
4.根据权利要求1所述的基于遗传算法的掩模侧壁角控制方法，其特征在于，所述对所述冗余图形依次进行切分和编码，包括：
将所述冗余图形切分为各冗余图形区域；
将各所述冗余图形区域以透光和不透光的方式排列并编码。
5.根据权利要求1所述的基于遗传算法的掩模侧壁角控制方法，其特征在于，所述计算各所述冗余图形添加方式对应的侧壁角的角度，包括：
获取各所述冗余图形添加方式的衍射光分布；
基于所述衍射光分布，利用光刻成像模型和显影模型仿真计算所述侧壁角的角度。
6.根据权利要求1所述的基于遗传算法的掩模侧壁角控制方法，其特征在于，所述根据所述遗传算法生成下一代种群，包括：
根据所述侧壁角的角度，计算得到所述遗传算法的目标函数，并根据所述目标函数计算各所述冗余图形添加方式的适应度值；
对各所述冗余图形添加方式按所述适应度值降序排列；
对降序排列后的各所述冗余图形添加方式依次进行选择、交叉及变异，以生成所述下一代种群。
7.根据权利要求6所述的基于遗传算法的掩模侧壁角控制方法，其特征在于，所述目标函数的表达式为：
Figure FDA0004054729530000021
其中，
Figure FDA0004054729530000022
为目标侧壁角的角度的轮廓分布，Z为实际侧壁角的角度的轮廓分布，
Figure FDA0004054729530000023
为所述目标侧壁角的角度的轮廓分布与所述实际侧壁角的角度的轮廓分布之间的欧拉距离的平方，
Figure FDA0004054729530000024
为矩阵的二范数；
所述适应度值的表达式为
Figure FDA0004054729530000025
8.一种基于遗传算法的掩模侧壁角控制系统，其特征在于，包括：
冗余图形添加模块，用于在掩模主体图形边缘添加冗余图形；
冗余图形调控模块，用于基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式；其中，一组或多组所述目标冗余图形添加方式对应掩模侧壁角的角度；
所述基于遗传算法调控所述冗余图形的添加方式，以确定目标冗余图形添加方式，包括：
对所述冗余图形依次进行切分和编码，以获得各所述冗余图形添加方式，各所述冗余图形添加方式构成所述遗传算法的初始化种群；
计算各所述冗余图形添加方式对应的侧壁角的角度；
判断所述侧壁角的角度和累积迭代次数是否同时满足预设约束条件；
若满足，则确定所述目标冗余图形添加方式；
反之，则根据所述遗传算法生成下一代种群，并计算所述下一代种群中冗余图形添加方式对应的侧壁角的角度，直至所述侧壁角的角度和所述累积迭代次数同时满足所述预设约束条件。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110110769.9A 2021-01-27 2021-01-27 基于遗传算法的掩模侧壁角控制方法、系统、设备及介质 Active CN112765893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110110769.9A CN112765893B (zh) 2021-01-27 2021-01-27 基于遗传算法的掩模侧壁角控制方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110110769.9A CN112765893B (zh) 2021-01-27 2021-01-27 基于遗传算法的掩模侧壁角控制方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN112765893A CN112765893A (zh) 2021-05-07
CN112765893B true CN112765893B (zh) 2023-04-25

Family

ID=75706084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110110769.9A Active CN112765893B (zh) 2021-01-27 2021-01-27 基于遗传算法的掩模侧壁角控制方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN112765893B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759659A (zh) * 2021-09-08 2021-12-07 广东省大湾区集成电路与系统应用研究院 光源掩模优化方法及光刻仿真装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104078535A (zh) * 2013-03-31 2014-10-01 山东华光光电子有限公司 一种反极性AlGaInP基LED侧壁粗化方法
JP2016021008A (ja) * 2014-07-15 2016-02-04 凸版印刷株式会社 マルチパターニング用マスクのパターン評価方法およびパターン評価装置
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
CN106094424A (zh) * 2016-07-22 2016-11-09 上海华力微电子有限公司 带次分辨率辅助图形的冗余图形添加方法
CN108763723A (zh) * 2018-05-23 2018-11-06 上海华力微电子有限公司 一种冗余图形添加方法
CN108919601A (zh) * 2018-08-23 2018-11-30 中国科学院微电子研究所 一种掩模参数的优化方法及装置
CN109101755A (zh) * 2018-08-31 2018-12-28 上海华力微电子有限公司 一种冗余图形添加方法
CN111399335A (zh) * 2020-02-04 2020-07-10 中国科学院微电子研究所 一种掩模版缺陷修复方法及装置
CN111458984A (zh) * 2020-03-13 2020-07-28 华中科技大学 一种套刻标记及测量配置的分步优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2980646B1 (en) * 2014-07-30 2020-09-02 GenISys GmbH Process artefact compensation upon transfer of a mask layout onto a mask substrate

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104078535A (zh) * 2013-03-31 2014-10-01 山东华光光电子有限公司 一种反极性AlGaInP基LED侧壁粗化方法
JP2016021008A (ja) * 2014-07-15 2016-02-04 凸版印刷株式会社 マルチパターニング用マスクのパターン評価方法およびパターン評価装置
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
CN106094424A (zh) * 2016-07-22 2016-11-09 上海华力微电子有限公司 带次分辨率辅助图形的冗余图形添加方法
CN108763723A (zh) * 2018-05-23 2018-11-06 上海华力微电子有限公司 一种冗余图形添加方法
CN108919601A (zh) * 2018-08-23 2018-11-30 中国科学院微电子研究所 一种掩模参数的优化方法及装置
CN109101755A (zh) * 2018-08-31 2018-12-28 上海华力微电子有限公司 一种冗余图形添加方法
CN111399335A (zh) * 2020-02-04 2020-07-10 中国科学院微电子研究所 一种掩模版缺陷修复方法及装置
CN111458984A (zh) * 2020-03-13 2020-07-28 华中科技大学 一种套刻标记及测量配置的分步优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
22nm node ArF lithography performance improvement by utilizing mask 3D topography : controlled sidewall angle;Hiroshi Watanabe et al;《Proc. of SPIE》;20111231;第1-10页 *
The method of optimizing mask parameter suitable for lithography process;Jianfang He et al;《Proc. of SPIE》;20181231;第1-8页 *

Also Published As

Publication number Publication date
CN112765893A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
Cai et al. Efficient generalized surrogate-assisted evolutionary algorithm for high-dimensional expensive problems
US11106973B2 (en) Method and system for bit-depth reduction in artificial neural networks
US9471746B2 (en) Sub-resolution assist feature implementation with shot optimization
Nyathi et al. Comparison of a genetic algorithm to grammatical evolution for automated design of genetic programming classification algorithms
Nguyen et al. Efficient sequential Monte-Carlo samplers for Bayesian inference
EP1382012B1 (en) Improved performance of artificial neural network models in the presence of instrumental noise and measurement errors
KR20060020608A (ko) 리소그래피에서 복수의 노출 프로세스의 효과를 평가하기위한 방법
US20200027021A1 (en) Reinforcement learning for multi-domain problems
CN112765893B (zh) 基于遗传算法的掩模侧壁角控制方法、系统、设备及介质
CN110597023B (zh) 一种基于多目标优化的光刻工艺分辨率增强方法及装置
Bosio et al. Approximate Computing Techniques
Idais et al. Optimal knots allocation in the cubic and bicubic spline interpolation problems
CN112418431A (zh) 用于混合模型的方法和系统
CN117313640A (zh) 光刻掩膜生成模型的训练方法、装置、设备及存储介质
CN115981115A (zh) 光学邻近校正方法、装置、计算机设备和存储介质
US10877367B2 (en) Adaptive algorithm to generate optical proximity correction lithographic recipe
CN111860939A (zh) 基于注意力机制和rclstm网络的客流量预测方法及系统
Sharapov Genetic algorithms: Basic ideas, variants and analysis
Fühner et al. Direct optimization approach for lithographic process conditions
Andalon-Garcia et al. Performance comparison of three topologies of the island model of a parallel genetic algorithm implementation on a cluster platform
CN116342983A (zh) 生成及使用图刻模型的方法、电子设备和计算机可读介质
CN113326922A (zh) 神经网络的生成方法、装置、电子设备及存储介质
Tseng et al. Subresolution assist feature insertion by variational adversarial active learning and clustering with data point retrieval
Shiely Machine learning for compact lithographic process models
US12001766B2 (en) Optimization of expensive cost functions subject to complex multidimensional constraints

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