CN114077774A - 光学邻近矫正方法及系统、掩模版、设备与存储介质 - Google Patents
光学邻近矫正方法及系统、掩模版、设备与存储介质 Download PDFInfo
- Publication number
- CN114077774A CN114077774A CN202010849851.9A CN202010849851A CN114077774A CN 114077774 A CN114077774 A CN 114077774A CN 202010849851 A CN202010849851 A CN 202010849851A CN 114077774 A CN114077774 A CN 114077774A
- Authority
- CN
- China
- Prior art keywords
- parameter set
- optical proximity
- parameter
- proximity correction
- iteration
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明提供一种光学邻近矫正方法及系统、掩模版、设备与存储介质,所述光学临近矫正的方法包括:提供光学临近矫正模型,所述光学临近矫正模型包括参数集;基于机器学习方法优化所述参数集,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的优化参数,使所述优化参数及参数值能够针对局部特征尺寸误差进行调整。本发明能够优化光学临近矫正模型中的参数集,使光学临近矫正模型能够对图形特征尺寸局部异常问题产生更佳的矫正效果,并提高光学临近矫正的效率。
Description
技术领域
本发明涉及半导体领域,具体涉及一种光学邻近矫正方法及系统、掩模版、设备与存储介质。
背景技术
随着特征尺寸的不断减小和图形复杂程度变得越来越高,光学邻近效应矫正(Optical Proximity Correction,OPC)技术已广泛应用于各关键层次的掩膜板设计中。目前应用最为广泛的OPC方法是基于模型的OPC矫正方法,具体地,通过建立某些类型的物理模型来模拟光源、光学组件、光传播和光物质的相互作用,尽可能准确地预测晶圆上的图案轮廓和特征尺寸。
典型的OPC模型通常包含三个子模型:光学模型、掩膜三维效应模型(DDM模型)和光阻模型。光学模型模拟投影到抗蚀剂上的图像,DDM模型模拟掩膜中的光波,而光阻模型模拟显影后的抗蚀剂轮廓。与光学模型和DDM模型相比,光阻模型的物理机理不明且难以量化。因此,调整最佳参数的过程需要花费较大的数据和计算量。例如:光阻模型通常需要调整数十个参数,传统方法模拟成千上万次迭代(通常迭代次数>20000),然后从中选择相对较好的迭代,每个迭代都有其唯一的参数设置。
但是,系统判断参数设置好坏的标准是基于模型误差。模型误差是模拟特征尺寸和扫描电子显微镜特征尺寸之间的总体特征尺寸之间的差异,其中模拟特征尺寸是光阻模型的模拟特征尺寸,扫描电子显微镜特征尺寸通过扫描电子显微镜对晶圆上测试图案测量得到的特征尺寸。
图1是抗试剂模型中特征尺寸误差测量的示意图。其中,第一条状图形011和第二条状图形021示出了现有技术中抗试剂模型特征尺寸的测量示意图,现有技术中,抗试剂模型能够对图1中第一特征尺寸CD1、第二特征尺寸CD2、第三特征尺寸CD3具有信赖度较好的模型误差,但是图1中第三条状图形010和第四条状图形020存在图形异常的问题,由于第三条状图形010和第四条状图形020的顶部在晶圆上成型后图形不规则,从而使第三条状图形010和第四条状图形020之间的第四特征尺寸CD4存在数值异常的问题,在下游的光阻模型参数调整中较难考虑到这种局部形状产生的缺陷,这导致通过光阻模型仿真优化的所选参数设置容易不合格,进而导致难以对上述图形异常问题进行优化。
当前的方法存在光学临近矫正输出的结果容易出现不合格的问题。
发明内容
本发明解决的问题是提供一种光学临近矫正模型的方法、光学临近矫正系统以及掩膜板,优化光学临近矫正效果。
为解决上述问题,本发明提供一种光学临近矫正模型的方法、光学临近矫正系统以及掩膜板,所述光学临近矫正模型的方法包括:提供光学临近矫正模型,所述光学临近矫正模型包括参数集;基于机器学习方法优化所述参数集,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的优化参数,使所述优化参数及参数值能够针对局部特征尺寸误差进行调整。
相应地,本发明实施例还提供一种光学临近矫正系统,用于对原始版图图形进行光学临近矫正,包括:模型建立单元,用于建立光学临近矫正模型;光学临近矫正模型,用于进行光学临近矫正,所述光学临近矫正模型包括参数集;矫正单元,所述矫正单元基于机器学习方法优化所述参数集,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的优化参数,使所述优化参数及参数值能够针对局部特征尺寸误差进行调整。
相应地,本发明实施例还提供一种掩膜板,所述掩膜板上的图形由本发明提供的光学临近矫正系统获得。
相应地,本发明实施例还提供一种设备,包括:至少一个存储器和至少一个处理器,所述存储器存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现本发明提供述的光学临近矫正方法。
相应地,本发明实施例还提供一种存储介质,述存储介质存储一条或多条计算机指令,所述一条或多条计算机指令用于实现本发明提供的光学临近矫正方法。
与现有技术相比,本发明的技术方案具有以下优点:
采用本发明提供的光学临近矫正模型的方法,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的参数,使所述参数及参数值针对局部特征尺寸误差进行调整,能够优化光学临近矫正矫正模型中的参数集,使光学临近矫正模型能够对图形特征尺寸局部异常问题产生更佳的矫正效果,以减小所述光学临近矫正模型的特征尺寸误差,并提高光学临近矫正的效率,进而提高芯片生产的良率。
可选方案中,采用决策树分类器计算所述参数集数据中每个参数值的调整范围,并依据重要度对所述参数集中的参数排序,形成参数序列,选择所述参数序列中顶部n个参数及其调整范围建立优化参数集,所述优化参数集用于所述光学临近矫正模型的测试仿真,以减小所述光学临近矫正模型的特征尺寸误差。决策树分类器是一种先进的机器学习训练方法,能够准确地找出对局部特征尺寸异常问题具有影响较大的参数,能够进一步有效提高对图形特征尺寸局部异常问题产生更佳的矫正效果。
附图说明
图1是光阻模型中特征尺寸误差测量的示意图;
图2是本发明光学邻近矫正方法一实施例优化所述参数集的步骤图;
图3是图2所优化整所述参数集的步骤中定义特征尺寸度量规则的示意图;
图4是本发明实施例采用决策树分类器计算参数集数据中每个参数值的调整范围的示意图;
图5是本发明光学临近矫正系统实施例的示意图。
具体实施方式
如背景技术所述,采用现有技术的光阻模型进行光学邻近矫正,对于晶圆上成型的图形来说,虽然总体特征差异在可接受范围内,但局部形状容易产生缺陷。光阻模型参数调整中未考虑局部形状缺陷带来的异常问题,这在光阻模型仿真优化所选参数设置时容易出现不合格的问题,进而导致难以对上述图形异常问题进行优化。
当前调整光阻模型参数集[P1,P2,P3,P4,P5,…,Pn]的主要方法是基于模型误差函数,采用迭代计算的方法对参数集进行测试仿真,在调整参数时,参数集将首先使用一些默认值启动,并且参数集中的每个参数都有其唯一的调整范围。光学临近矫正过程运行数万次迭代,以通过优化参数集来减少模型误差。
表1显示了一种光阻模型测试仿真结果的示例。第一列是迭代次数,第二列是模型性能判断标准值,即模型误差。P1到P10列是光阻模型参数值。表1中进行了23000次迭代计算,可见,随着不断迭代计算,模型误差越来越小,第23000次迭代后,模型误差为5.44,参数集[P1,P2,P3,P4,P5,…,P10]的参数值能够使得光学邻近矫正具有可以接受的总体特征差异。但是,此时的模型误差仅仅反映了光阻模型的总体特征尺寸误差,而对于图1所示的局部形状缺陷,现有的测试仿真结果无法反映出此类缺陷,还是难以进行矫正,并且表1所示的测试仿真迭代次数过多,耗时长,效率低。
迭代次数 | 模型误差 | P1 | P2 | P3 | P4 | P5 | P6 | P7 | P8 | P9 | P10 |
1 | 44.70 | 200.00 | 0.44 | 115.99 | 0.25 | 124.01 | 0.46 | 37.46 | 182.93 | 113.96 | 0.29 |
2 | 8.08 | 168.90 | 0.39 | 168.90 | 0.39 | 118.90 | 0.54 | 118.90 | 118.90 | 118.90 | 0.54 |
3 | 7.80 | 273.78 | 0.39 | 168.90 | 0.39 | 118.90 | 0.54 | 118.90 | 118.90 | 118.90 | 0.54 |
… | |||||||||||
23000 | 5.44 | 180.37 | 0.16 | 37.80 | 0.21 | 79.92 | 0.38 | 167.82 | 93.56 | 190.46 | 0.30 |
表1
为此,本发明一实施例提供光学临近矫正方法,优化光学临近矫正模型中的参数集,使光学临近矫正模型能够对图形特征尺寸局部异常问题产生更佳的矫正效果,并提高光学临近矫正的效率,进而提高芯片生产的良率。本实施例光学临近矫正模型的方法包括:
提供光学临近矫正模型,所述光学临近矫正模型包括参数集;
基于机器学习方法优化所述参数集,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的优化参数,使所述优化参数及参数值能够针对局部特征尺寸误差进行调整。
采用本发明提供的光学临近矫正的方法,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的参数,使所述参数及参数值针对局部特征尺寸误差进行调整,能够优化光学临近矫正模型中的参数集,使光学临近矫正模型能够对图形特征尺寸局部异常问题产生更佳的矫正效果,以减小所述光学临近矫正模型的特征尺寸误差,并提高光学临近矫正的效率,进而提高芯片生产的良率。
请参考图2,是本发明光学临近矫正的方法一实施例优化所述参数集的步骤图。在本实施例中,基于机器学习方法,优化所述参数集的步骤包括:
步骤S1,定义关键特征尺寸度量规则;
步骤S2,基于模型误差函数对参数集进行第一测试仿真,所述第一测试仿真包括多次迭代计算,根据所述关键特征尺寸度量规则,收集所述参数集中的参数数据;
步骤S3,定义异常问题判断规则;根据所述异常问题判断规则,生成每次迭代的迭代标记,对无异常问题的迭代标记为正常,对出现异常问题的迭代标记为非正常;
步骤S4,将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据;
步骤S5,基于所述输入数据,采用决策树分类器,计算所述参数集数据中每个参数值的调整范围;
步骤S6,依据重要度对所述参数集中的参数排序,形成参数序列,选择所述参数序列中顶部n个参数及其调整范围建立优化参数集,所述优化参数集用于所述光学临近矫正模型的第二测试仿真,以确定优化参数集的各参数值,减小所述光学临近矫正模型的特征尺寸误差。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本实施例光学临近矫正模型的方法进行进一步说明。
具体地,参考图3,为图2所示步骤S1中定义特征尺寸度量规则的示意图。首先执行步骤S1,定义关键特征尺寸度量规则。
本实施例光学临近矫正的方法用于提高掩膜板上图形对应在晶圆成型的精度,所述掩膜板上图形包括图3所示的头对头(Head to Head)区域。
本实施例中采用机器学习方法调整光学临近矫正模型中的参数集,在本实施例中,利用模型误差函数内置掩膜板上图形的尺寸信息及其尺寸计算方法,在每次迭代时,同时模拟计算头对头区域的局部特征尺寸异常问题,将异常问题与参数集的参数统一作为机器学习的训练数据,能够训练出具有排除局部特征尺寸异常问题效果的光学临近矫正模型。
与现有技术没有针对局部异常特征尺寸进行优化的方案相比,光学临近矫正输出的结果更好。
具体地,在本实施例中,定义关键特征尺寸度量规则的步骤包括:通过所述模型误差函数内置掩膜板上图形的尺寸信息及其尺寸计算方法,在模拟中的头对头区域测量多个点。例如:在头对头区域中心测量一个中心点,在所述中心点两侧等距或随机分布测量其他多个点,对每个点测量两个头部之间的特征尺寸。
以图3所示头对头区域的形状为例,测量头对头区域中的五个点,其中在中心点测量两个头部之间的第五特征尺寸CD0,所述中心点两侧等距分布测量四个点两个头部之间的特征尺寸,分别为第六特征尺寸CDm,第七特征尺寸CDj,第八特征尺寸CDk,第九特征尺寸CDn。上述特征尺寸均为反应图3所示头对头区域局部异常问题的特征尺寸。
在其他实施例中,由于头对头区域异常问题的具体形状不同,还可以模拟测量头对头区域中的其他位置、数量的特征尺寸,本发明对此不做限制。
执行步骤S2,基于模型误差函数对参数集进行第一测试仿真,所述第一测试仿真包括多次迭代计算,根据所述关键特征尺寸度量规则,收集所述参数集中的参数数据。以所述参数集数据作为分析数据,需要说明的是,在本实施例中,每次迭代计算得到参数集的各参数值之外,还得到相应的特征尺寸。
具体地,请参考表2,示出了本实施例中,对光学临近矫正模型进行测试仿真的结果。本实施例中参数集包括十个参数,为P1,P2,P3,P4,P5,…P10。但是本发明对参数集中参数的个数不做限制。此外,本实施例在表格右侧增列了在头对头区域测得的特征尺寸结果,第五特征尺寸CD0,第六特征尺寸CDm,第七特征尺寸CDj,第八特征尺寸CDk,第九特征尺寸CDn。如图3所示,增列的第五至第九特征尺寸能够表示出头对头区域的图形缺陷。但是本发明对增列的特征尺寸类形、位置不做限制,在其他实施例中,还可以增列其他类型、位置的特征尺寸,以针对不同区域的局部特征尺寸异常问题做出优化。
需要说明的是,本实施例进行了23000次迭代计算,在其他实施例中还可以根据仿真精度的要求设置迭代计算的次数。
迭代次数 | 模型误差 | P1 | P2 | P3 | P4 | P5 | P6 | P7 | P8 | P9 | P10 | CD0 | CDm | … | CDi | CDn |
1 | 44.70 | 200.00 | 0.44 | 115.99 | 0.25 | 124.01 | 0.46 | 37.46 | 182.93 | 113.96 | 0.29 | -1.00 | 623.99 | … | -1.00 | -1.00 |
2 | 8.08 | 168.90 | 0.39 | 168.90 | 0.39 | 118.90 | 0.54 | 118.90 | 118.90 | 118.90 | 0.54 | 195.52 | 185.33 | … | 180.13 | 203.81 |
3 | 7.80 | 273.78 | 0.39 | 168.90 | 0.39 | 118.90 | 0.54 | 118.90 | 118.90 | 118.90 | 0.54 | 206.39 | 195.57 | … | 189.15 | 214.09 |
… | … | … | … | … | … | … | … | … | … | … | … | … | … | … | … | … |
23000 | 5.44 | 180.37 | 0.16 | 37.80 | 0.21 | 79.92 | 0.38 | 167.82 | 93.56 | 190.46 | 0.30 | 387.10 | 387.12 | … | 404.98 | 392.57 |
表2
步骤S3,定义异常问题判断规则,根据所述异常问题判断规则,对无异常问题的迭代标记为正常(例如:记号为0),对出现异常问题的迭代标记为非正常(例如:记号为1)。
需要说明的是,在本实施例中,定义的异常问题判断规则为:如果所述中心点的特征尺寸小于任意其他点的特征尺寸,则判定为无异常问题,对无异常问题的迭代标记为正常,记号为0;如果所述中心点的特征尺寸不小于任意其他点的特征尺寸,则判定为出现异常问题,对出现异常问题的迭代标记为非正常,记号为1。
具体地,请参考表3,示出了本实施例中,对光学临近矫正矫正模型进行测试标记的结果。在表格右侧增列了每次迭代的迭代标记。在本实施例中,所述第五特征尺寸CD0为中心点的特征尺寸。由表3可以看出,在第一次迭代计算时,第五特征尺寸CD0为-1,小于等于第一次迭代计算中的第六特征尺寸CDm,第七特征尺寸CDj,第八特征尺寸CDk,第九特征尺寸CDn。因此本实施例将第一次迭代计算判定为无异常问题,并标记为0。在第二次迭代计算时,第五特征尺寸CD0为195.52,大于第一次迭代计算中的第六特征尺寸CDm,为185.33。因此本实施例将第二次迭代计算判定为无异常问题,并标记为1。
对定义异常问题判断规则,并将有无异常问题的迭代分别进行标记,作用在于更好地为机器学习训练提供输入数据,但是本发明对机器学习训练提供输入数据的具体方式不做限制。
需要说明的是,本实施例中的异常问题判断规则针对局部特征尺寸异常问题,且本实施例的判断规则严格程度适中,在能够排除大部分局部特征尺寸异常问题的同时,保证数据的可信赖度。在其他实施例中,还可以根据特征尺寸异常问题的具体情况设置更加严格或更宽松的判断规则。
迭代次数 | 模型误差 | P1 | P2 | P3 | P4 | P5 | P6 | P7 | P8 | P9 | P10 | CD0 | CDm | … | CDi | CDn | Marker |
1 | 44.70 | 200.00 | 0.44 | 115.99 | 0.25 | 124.01 | 0.46 | 37.46 | 182.93 | 113.96 | 0.29 | -1.00 | 623.99 | … | -1.00 | -1.00 | 0 |
2 | 8.08 | 168.90 | 0.39 | 168.90 | 0.39 | 118.90 | 0.54 | 118.90 | 118.90 | 118.90 | 0.54 | 195.52 | 185.33 | … | 180.13 | 203.81 | 1 |
3 | 7.80 | 273.78 | 0.39 | 168.90 | 0.39 | 118.90 | 0.54 | 118.90 | 118.90 | 118.90 | 0.54 | 206.39 | 195.57 | … | 189.15 | 214.09 | 1 |
… | … | … | … | … | … | … | … | … | … | … | … | … | … | … | … | … | … |
23000 | 5.44 | 180.37 | 0.16 | 37.80 | 0.21 | 79.92 | 0.38 | 167.82 | 93.56 | 190.46 | 0.30 | 387.10 | 387.12 | … | 404.98 | 392.57 | 0 |
表3
执行步骤S4,将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据。
需要说明的是,为提高机器学习的训练精度和效率,在本实施例中,在将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据之前,对所述参数集数据进行数据清洗,以去除模型误差超过阈值的结果。在其他实施例中,还可以不进行所述数据清洗的步骤。
具体地,为模型误差值定义误差阈值δ,以去除模型误差>δ的迭代结果。在本实施例中,设定误差阈值δ的取值范围在230。如果误差阈值δ过大,则保留的误差较大的迭代结果较多,可能使得第一测试仿真的结果可信赖度降低;如果误差阈值δ过小,则可能导致输入数据量太少,影响机器学习训练的准确性,但是本发明对此不做限制,在其他实施例中,所述误差阈值δ的取值范围可以根据迭代次数和局部异常问题的情况进行调整。
在本实施例中,去除模型误差>δ的迭代结果之后,对剩余结果进行采样,使样本中有异常问题的迭代次数与样本中无异常问题的迭代次数的数量保持平衡,以提高机器学习训练的精度。
具体地,本实施例中所述采样的方法包括:设采样前有异常问题的迭代次数为Np1,采样前无异常问题的迭代次数为Nn1,采样后有异常问题的迭代次数为Np2,采样后无异常问题的迭代次数为Nn2。
在Np1小于Nn1的情况下,如果Nn1≤α*Np1,则全部采样;如果Nn1>α*Np1,则对所有有异常问题的迭代随机采样,采样后有异常迭代次数Np2等于采样前有异常迭代次数Np1,并使采样后无异常迭代次数Nn2=α*Np2。
在Np1大于Nn1的情况下,如果Np1≤α*Nn1,则全部采样,如果Np1>α*Nn1,则对所有无异常问题的迭代随机采样,采样后无异常迭代次数Nn2等于采样前无异常迭代次数Nn1,并使Np2=α*Nn2。
通过本实施例的采样方式,在采样前有异常问题的迭代次数Np1与采样前无异常问题的迭代次数Nn1相差不大的情况下,对所有样本全部采样,保证了采样数据的全面和完整,在采样前有异常问题的迭代次数Np1与采样前无异常问题的迭代次数Nn1相差较大的情况下,以Np1和Nn1中样本数较少的一项为基础,调整另一项的数量,使采样后有异常问题的迭代次数Np2与采样后无异常问题的迭代次数Nn2保持α倍的差距,进而使得样本中有异常问题的迭代次数与样本中无异常问题的迭代次数的数量保持平衡。
其中α为数据平衡阈值,在本实施例中,α的取值范围为α≤20,但是本发明对此不做限制。
采用本实施例的采样方法,在采样前有异常问题的迭代次数Np1与采样前无异常问题的迭代次数Nn1相差较大的情况下,使采样后有异常问题的迭代次数Np2与采样后无异常问题的迭代次数Nn2保持相对均衡,能够有效提高机器学习的训练精度和效率。在其他实施例中,还可以采用其他方法进行采样。
执行步骤S4,将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据。
具体地,在本实施例中,将每次迭代记录为以参数数据为自变量,参数集标记为因变量的特征向量。如表4所示,参数集[P1,P2,P3,P4,P5,…,P10]的参数值作为自变量X,参数集标记部分作为因变量Y。这样的好处在于,方便机器学习训练的数据采集,在其他实施例中,还可以采用其他的输入方式作为机器学习的输入数据。
表4
执行步骤S5,采用决策树分类器,根据所述输入数据,计算所述参数集数据中每个参数值的调整范围。
需要说明的是,在本实施例中,采用决策树分类器计算所述参数集数据中每个参数值的调整范围之前,采用随机森林分类器,根据所述输入数据,计算所述参数集数据中每个参数的重要性等级。这样的好处在于,可以与决策树分类器的结果进行比对,更进一步验证了所述参数集数据中每个参数的重要性等级,提高机器学习的精度和效率。
表5示出了本实施例中,采用随机森林分类器,得到的参数集[P1,P2,P3,P4,P5,…,P10]重要性。可见,在本实施例中,参数P6的重要性最高,参数P2的重要性最低。
参数 | P1 | P2 | P3 | P4 | P5 | P6 | P7 | P8 | P9 | P10 |
重要性 | 0.0349 | 0.0127 | 0.0318 | 0.1347 | 0.1607 | 0.2890 | 0.0352 | 0.0736 | 0.0174 | 0.2100 |
表5
采用随机森林分类器,根据所述输入数据,计算所述参数集数据中每个参数的重要性等级之后,采用决策树分类器,根据所述输入数据,计算所述参数集数据中每个参数值的调整范围。
具体地,参考图4,示出了本实施例中采用决策树分类器计算参数集数据中每个参数值的调整范围的示意图。
在本实施例中,所述决策树包括多个级别,每个级别上包括一个或多个节点,采用决策树分类器,计算所述参数集数据中参数值调整范围的步骤包括:根据所述参数集数据和对应的迭代标记,采用决策树分类器,以所述参数集中的参数为节点,得到关于参数及参数调整范围的输出结果。
具体地,以图4所示,在本实施例中,首先所述参数集数据中的输入数据包括19511个样本。这19511个样本来源于步骤S2中的23000次迭代计算,经过数据清洗之后,还剩下19511个样本。这些样本的个数与模型误差函数以及局部特征尺寸的设置有关。
采用决策树分类器,设置分为多个运算级别,每个级别包括1个到多个的节点。以参数集[P1,P2,P3,P4,P5,…,P10]中,某一参数的参数值范围为备选节点,确定参数集[P1,P2,P3,P4,P5,…,P10]中的各个参数的调整范围。
将代表参数集数据的特征向量代入,特征向量以每次迭代记录为以参数数据为自变量,参数集标记为因变量。本实施例决策树的节点包括第一级别、第二级别和第三级别共三个级别。其中第一级别包括一个根节点,第二级别包括两个节点,第三级别包括四个节点。需要说明的是,决策树的级别可以由决策树分类器自由设置,级别越多,最终结果越精确,在本实施例中,设置为三个级别已经能够获得精确的结果,但是本发明对此不做限制。
在设置为多个运算级别之后,决策树分类器能够通过机器学习训练的自主运算方法,计算并设置每个级别上节点的参数及参数范围,得到在三个级别之内,标记为0的样本与标记为1的样本相差最悬殊的结果,进而得到标记为0的样本最多时,每个级别上节点的参数及参数范围,也就是说,决策树分类器在本实施例中起到自动寻找最优路径,得到出现局部特征尺寸异常问题概率最小的参数设置方式。
在本实施例中,第一级别包括第一节点101,也就是根节点。本实施例中,经过决策树分类器的分类计算,最优的决策为,以决策条件参数P6≤0.527作为根节点。对于P6≤0.527的第一节点101,其中9152个样本标记为0,10359个样本标记为1。图中第一节点101的左分支表示:如果P6≤0.527为true,1052个样本标记为0,9731个样本标记为1。图中第一节点101的右分支表示如果P6≤0.527为false,8100个样本标记为0,616个样本标记为1。
第二级别包括第二节点102A和第三节点102B,经过决策树分类器计算,第二节点102A为参数P6≤0.354,图中第一节点101的左分支是在满足P6≤0.527的情况下,1052个样本标记为0,9731个样本标记为1。
第三节点102B为参数P10≤0.327,图中第一节点101的右分支是在P6大于0.527的情况下,8100个样本标记为0,616个样本标记为1。因此,如果P6≤0.527为false,则选择此路径进入第三节点102B,使标记为0的样本更多,标记为1的样本更少。
在第二级别,根据决策树分类器,P6≤0.527为false的条件下,无异常问题的情况已经大于有异常问题的情况。图中第三节点102B的右分支是当P10≤0.327为false时,还剩余6094个样本,其中,5941个样本标记为0,153个样本标记为1,第二级别的其他几个分支的0样本数量均比第三节点102B的右分支少,因此选择此路径进入第四节点103D,使标记为0的样本更多,标记为1的样本更少,其他分支未示出。
因此,在第三级别的节点上,无异常问题的情况已经远大于有异常问题的情况。
第三级别包括第四节点103D以及其余三个未示出的节点。第四节点103D为参数P5≤82.919。图中第四节点103D的右分支是在P6≤0.527为false、P10≤0.327为false且P5≤82.919为false的情况下,还剩余5945个样本,5940个样本标记为0,5个样本标记为1。
这样,通过三个级别的决策树分类,得到了5940个样本标记为0,5个样本标记为1的参数设置数值,标记为0的样本远远大于标记为1的样本,即无局部特征尺寸异常问题的概率远远大于有局部特征尺寸异常问题的概率。也就是说,以本实施例,P6、P10、P5为排除异常问题的重要参数,将其参数值设置为P6大于0.527,P10大于0.327,P5大于82.919的条件下,再进行第二测试仿真,则出现局部特征尺寸异常问题的概率大大降低,基本可以在模拟迭代计算中,排除头对头区域的局部异常问题。
因此采用决策树分类器,能够计算出所述参数集数据中的重要参数以及参数值调整范围,以本实施例为例,重要参数为P6、P10和P5,其调整范围为P6大于0.527,P10大于0.327,P5大于82.919。
同时由于参数数量的减少,大大减少了迭代计算的次数,即减少了仿真模拟计算的耗时,并且有效减小了头对头局部特征尺寸异常问题出现的概率。
需要说明的是,本事实例中决策树分类器得到的重要参数为P6、P10和P5,分别为处于决策树中的三个级别中的三个节点,但是,虽然决策树分为三个级别,重要参数的个数却不一定为3,实际上三个级别中的三个节点也可能同为一个参数,只不过参数的调整范围在三个级别中自顶而下越来越小,这与局部特征尺寸异常问题的具体情况和决策树分类器的具体计算有关。
接下来,如图2所示,在本实施例中,衡量所述决策树分类器输出结果和随机森林分类器输出结果的匹配度;
如果所述决策树分类器输出结果和随机森林分类器输出结果相匹配,则认定所述决策树分类器输出结果可信赖;
如果所述决策树分类器输出结果和随机森林分类器输出结果不匹配,则重新基于机器学习方法,调整所述参数集,在对所述光学临近矫正模型进行第一测试仿真的步骤中,增加对参数集的迭代计算次数。
具体地,在本实施例中,衡量所述决策树分类器输出结果和随机森林分类器输出结果的匹配度的方法包括:判断所述决策树分类器输出结果中的顶部m个节点与所述随机森林分类器输出结果的顶部m个重要参数的匹配度,其中,决策树分类器输出结果中的顶部m个节点指的是由决策树分类的级别自顶而下的m个节点,所述随机森林分类器输出结果的顶部m个重要参数指的是依据随机森林分类器计算参数集中各参数重要性等级之后,重要性排在前m个的参数。本实施例中,m取值在总参数个数的1%~50%的范围内,但是本发明对m取值范围不做限制。
通过表5可知,随机森林分类器输出结果的顶部3个重要参数分别为P5、P10和P6,与决策树分类器的输出结果相同,因此,本实施例中,所述决策树分类器输出结果和随机森林分类器输出结果相匹配,认定所述决策树分类器输出结果可信赖,在其他实施例中,所述决策树分类器输出结果和随机森林分类器输出结果不匹配的情况下,重新基于机器学习方法,调整所述参数集,在对所述光学临近矫正模型进行测试仿真的步骤中,增加对参数集的迭代计算次数。
需要说明的是,本实施例考虑了决策树分类器输出结果和随机森林分类器输出结果,提高调整参数集时,重要参数及其取值范围的精确度,但是本发明对此不做限制,在其他实施例中,也可以仅使用决策树分类器,也能达到本发明的效果。
执行步骤S6,依据重要度对所述参数集中的参数排序,形成参数序列,选择所述参数序列中顶部n个参数及其调整范围建立优化参数集,所述优化参数集用于所述光学临近矫正模型的第二测试仿真,以确定优化参数集的各参数值,减小所述光学临近矫正模型的特征尺寸误差。
依据本实施例方法重新确定优化参数集后,所述第二测试仿真指的是基于模型误差函数和优化参数集进行的再次测试仿真,第二测试仿真包括多次的迭代计算,再进行第二测试仿真之后,能够进一步确定优化参数集中各参数的精确数值,以进一步减小特征尺寸误差。在后续进行光学邻近矫正时,可以直接基于模型误差函数和优化参数集进行第二测试仿真。
这样经过优化,减少了参数集中的参数个数,减少了迭代计算的次数,提高了光学临近矫正模型仿真的效率,并且经过调整后的参数集数据能够更加适应头对头区域中局部异常问题的判断,对图形特征尺寸局部异常问题产生更佳的矫正效果。
在本实施例中,n取值在总参数个数的1%~50%的范围内,如本实施例的总参数个数为10,n取值为3,但是本发明对n取值范围不做限制。一般来说,n的取值应与步骤S5中m的取值相等,这样能够最大程度地利用机器学习的成果,但是为了提高后续第二测试仿真的效率,n的取值也可以小于m的取值。
采用本实施例的方法,能够优化光学临近矫正模型中的参数集,计算出所述参数集数据中的重要参数以及参数值调整范围,使光学临近矫正模型能够对图形特征尺寸局部异常问题产生更佳的矫正效果,减少迭代计算的次数,并提高光学临近矫正的效率,进而提高芯片生产的良率。
本发明还提供一种光学临近矫正系统,用于对原始版图图形进行光学临近矫正,包括:
模型建立单元200,用于建立光学临近矫正模型;
光学临近矫正模型201,用于进行光学临近矫正,所述光学临近矫正模型201包括参数集;
矫正单元202,所述矫正单元202基于机器学习方法优化所述参数集,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的优化参数,使所述优化参数及参数值能够针对局部特征尺寸误差进行调整。
在本实施例中,所述矫正单元202包括:
关键特征尺寸度量规则模块203。本实施例光学临近矫正系统主要用于解决光学临近矫正过程中局部特征尺寸异常问题,因此,本实施例关键特征尺寸度量规则模块203通过所述模型误差函数内置掩膜板上图形的尺寸信息及其尺寸计算方法,在模拟中的头对头区域测量多个点。例如:在头对头区域中心测量一个中心点,在所述中心点两侧等距或随机分布测量其他多个点,对每个点测量两个头部之间的特征尺寸。
测试仿真模块204,所述测试仿真模块基于模型误差函数,对所述光学临近矫正模型进行第一测试仿真,所述第一测试仿真包括多次对参数集的迭代计算,根据所述关键特征尺寸度量规则,收集所述参数集数据,所述参数集数据作为分析数据。需要说明的是,在本实施例中,每次迭代计算得到参数集的各参数值之外,还得到相应的特征尺寸。
异常问题判断模块205,根据异常问题判断规则,对无异常问题的迭代标记为正常(例如:记号为0),对出现异常问题的迭代标记为非正常(例如:记号为1)。
需要说明的是,在本实施例中,定义的异常问题判断规则为:如果所述中心点的特征尺寸小于任意其他点的特征尺寸,则判定为无异常问题,对无异常问题的迭代标记为正常,记号为0;如果所述中心点的特征尺寸不小于任意其他点的特征尺寸,则判定为出现异常问题,对出现异常问题的迭代标记为非正常,记号为1。
机器学习模块206,所述机器学习模块与所述测试仿真模块和异常问题判断模块连接,将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据,采用决策树分类器,基于所述输入数据,计算所述参数集数据中每个参数值的调整范围。
优化模块207,所述优化模块与所述机器学习模块和测试仿真模块连接,用于依据重要度对所述参数集中的参数排序,形成参数序列,选择所述参数序列中顶部n个参数及其调整范围建立优化参数集,所述优化参数集用于基于所述测试仿真模块,对所述光学临近矫正模型的第二测试仿真,以确定优化参数集的各参数值,减小所述光学临近矫正模型的特征尺寸误差。
这样经过本实施例光学临近矫正系统优化,计算出所述参数集数据中的重要参数以及参数值调整范围,减少了光学临近矫正模型中参数集的参数个数,提高了光学临近矫正模型仿真的效率,并且经过调整后的参数集数据能够更加适应头对头区域中局部异常问题的判断,对图形特征尺寸局部异常问题产生更佳的矫正效果。
因此,本发明光学临近矫正系统能够优化光学临近矫正模型中的参数集,使光学临近矫正模型能够对图形特征尺寸局部异常问题产生更佳的矫正效果,并提高光学临近矫正的效率,进而提高芯片生产的良率。
本发明实施例还提供一种掩膜板,掩膜板上的图形由本发明提供的光学临近矫正系统或者光学临近矫正的方法获得。
本发明光学临近矫正系统或者学临近矫正模型的方法能够优化光学临近矫正模型中的参数集,使光学临近矫正模型能够对图形特征尺寸局部异常问题产生更佳的矫正效果,并提高光学临近矫正的效率,进而提高芯片生产的良率。
本发明实施例还提供一种设备,该设备可以通过装载程序形式的上述光学邻近矫正方法,以实现本发明实施例提供的光学邻近矫正方法。
本发明实施例设备提供的一种可选硬件结构包括:至少一个存储器和至少一个处理器。所述存储器存储一条或多条计算机指令。
所述处理器和存储器可以通过通信总线或者通信模块接口中的一个活多个完成通信。
其中,处理器可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,存储器存储一条或多条计算机指令,所述一条或多条计算机指令被处理器执行以实现本发明实施例提供的光学邻近矫正方法。
需要说明的是,上述的实现终端设备还可以包括与本发明实施例公开内容可能并不是必需的其他器件(未示出);鉴于这些其他器件对于理解本发明实施例公开内容可能并不是必需,本发明实施例对此不进行逐一介绍。
本发明实施例还提供一种存储介质,所述存储介质存储一条或多条计算机指令,所述一条或多条计算机指令用于实现本发明实施例提供的光学邻近矫正方法。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (20)
1.一种光学临近矫正的方法,用于改善局部特征尺寸异常问题,其特征在于,包括:
提供光学临近矫正模型,所述光学临近矫正模型包括参数集;
基于机器学习方法优化所述参数集,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的优化参数,使所述优化参数及参数值能够针对局部特征尺寸误差进行调整。
2.如权利要求1所述的方法,其特征在于,基于机器学习方法,优化所述参数集的步骤包括:
定义关键特征尺寸度量规则;
基于模型误差函数对参数集进行第一测试仿真,所述第一测试仿真包括多次迭代计算,根据所述关键特征尺寸度量规则,收集所述参数集中的参数数据;
定义异常问题判断规则;根据所述异常问题判断规则,生成每次迭代的迭代标记,对无异常问题的迭代标记为正常,对出现异常问题的迭代标记为非正常;
将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据;
基于所述输入数据,采用决策树分类器计算所述参数集数据中每个参数值的调整范围;
依据重要度对所述参数集中的参数排序,形成参数序列,选择所述参数序列中顶部n个参数及其调整范围建立优化参数集,所述优化参数集用于所述光学临近矫正模型的第二测试仿真,以确定优化参数集的各参数值,减小所述光学临近矫正模型的特征尺寸误差。
3.如权利要求2所述的方法,其特征在于,在将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据之前,对所述参数集数据进行数据清洗,以去除模型误差超过阈值的结果。
4.如权利要求3所述的方法,其特征在于,对所述参数集数据进行数据清洗的步骤包括:为模型误差值定义误差阈值δ,以去除模型误差>δ的迭代结果。
5.如权利要求4所述的方法,其特征在于,设定误差阈值δ的取值范围在2~30。
6.如权利要求2所述的方法,其特征在于,所述决策树包括多个级别,每个级别上包括一个或多个节点;采用决策树分类器,计算所述参数集数据中参数值调整范围的步骤包括:设置决策树包括的级别数量,根据所述参数数据和对应的迭代标记,采用决策树分类器,以所述参数集中的参数为节点,得到关于参数及参数调整范围的输出结果。
7.如权利要求2所述的方法,其特征在于,在采用决策树分类器计算所述参数集数据中每个参数值的调整范围之前,采用随机森林分类器,根据所述输入数据,计算所述参数集数据中每个参数的重要性等级。
8.如权利要求7所述的方法,其特征在于,在采用决策树分类器计算所述参数集数据中每个参数值的调整范围之后,衡量所述决策树分类器输出结果和随机森林分类器输出结果的匹配度;
如果所述决策树分类器输出结果和随机森林分类器输出结果相匹配,则认定所述决策树分类器输出结果可信赖;
如果所述决策树分类器输出结果和随机森林分类器输出结果不匹配,则重新基于机器学习方法,调整所述参数集,在对所述光学临近矫正模型进行第一测试仿真的步骤中,增加对参数集的迭代计算次数。
9.如权利要求8所述的方法,其特征在于,衡量所述决策树分类器输出结果和随机森林分类器输出结果的匹配度的方法包括:判断所述决策树分类器输出结果中的顶部m个节点与所述随机森林分类器输出结果的顶部m个重要参数的匹配度。
10.如权利要求9所述的方法,其特征在于,所述m的取值在总参数个数的1%~50%的范围内。
11.如权利要求2所述的方法,其特征在于,在将每次迭代的参数集数据和对应的迭代标记作为机器学习输入数据的步骤中,将每次迭代的数据记录为以参数数据为自变量,迭代标记为因变量的特征向量。
12.如权利要求4所述的方法,其特征在于,去除模型误差>δ的迭代结果之后,对剩余结果进行采样,使采样后有异常问题的迭代次数与采样后无异常问题的迭代次数的数量保持平衡,所述采样的方法包括:
采样前有异常问题的迭代次数为Np1,采样前无异常问题的迭代次数为Nn1,采样后有异常问题的迭代次数为Np2,采样后无异常问题的迭代次数为Nn2;
在Np1小于Nn1的情况下,如果Nn1≤α*Np1,则全部采样;如果Nn1>α*Np1,则对所有有异常问题的迭代随机采样,采样后有异常迭代次数Np2等于采样前有异常迭代次数Np1,并使采样后无异常迭代次数Nn2=α*Np2;
在Np1大于Nn1的情况下,如果Np1≤α*Nn1,则全部采样,如果Np1>α*Nn1,则对所有无异常问题的迭代随机采样,采样后无异常迭代次数Nn2等于采样前无异常迭代次数Nn1,并使Np2=α*Nn2;
其中α为数据平衡阈值,α的取值范围为α≤20。
13.如权利要求2所述的方法,其特征在于,所述优化方法用于提高掩膜板上图形对应在晶圆成型的精度,所述掩膜板上图形包括头对头区域,所述模型误差函数内置掩膜板上图形的尺寸信息及其尺寸计算方法,定义关键特征尺寸度量规则的步骤包括:通过模型误差函数内置算法,在所述模型误差函数内置的头对头区域测量多个点,对于每个点,测量两个头部之间的特征尺寸。
14.如权利要求13所述的方法,其特征在于,在所述模型误差函数内置的头对头区域测量多个点的步骤包括:以头对头区域中心作为中心点;在所述中心点两侧等距取点或者或随机分布取点;对于每个点,测量两个头部之间的特征尺寸。
15.如权利要求14所述的方法,其特征在于,定义异常问题判断规则的步骤包括:如果所述中心点的特征尺寸小于等于任意其他点的特征尺寸,则判定为无异常问题,对无异常问题的迭代标记为正常;如果所述中心点的特征尺寸不小于任意其他点的特征尺寸,则判定为出现异常问题,对出现异常问题的迭代标记为非正常。
16.一种光学临近矫正系统,用于对原始版图图形进行光学临近矫正,其特征在于,包括:
模型建立单元,用于建立光学临近矫正模型;
光学临近矫正模型,用于进行光学临近矫正,所述光学临近矫正模型包括参数集;
矫正单元,所述矫正单元基于机器学习方法优化所述参数集,通过机器学习训练,筛选出对局部特征尺寸问题具有影响的优化参数,使所述优化参数及参数值能够针对局部特征尺寸误差进行调整。
17.如权利要求16所述的光学临近矫正系统,其特征在于,所述矫正单元包括:
关键特征尺寸度量规则模块;
测试仿真模块,所述测试仿真模块基于模型误差函数,对所述光学临近矫正模型进行第一测试仿真,所述第一测试仿真包括多次对参数集的迭代计算,根据所述关键特征尺寸度量规则,收集所述参数集数据,所述参数集数据作为分析数据;
异常问题判断模块,所述异常问题判断模块对无异常问题的迭代标记为正常,对出现异常问题的迭代标记为非正常;
机器学习模块,所述机器学习模块与所述测试仿真模块和异常问题判断模块连接,将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据,采用决策树分类器,基于所述输入数据,计算所述参数集数据中每个参数值的调整范围;
优化模块,所述优化模块与所述机器学习模块和测试仿真模块连接,用于依据重要度对所述参数集中的参数排序,形成参数序列,选择所述参数序列中顶部n个参数及其调整范围建立优化参数集,所述优化参数集用于使用所述测试仿真模块,对所述光学临近矫正模型的第二测试仿真,以确定优化参数集的各参数值,减小所述光学临近矫正模型的特征尺寸误差。
18.一种掩膜板,其特征在于,所述掩膜板上的图形由权利要求16或17所述的一种光学临近矫正系统获得。
19.一种设备,其特征在于,包括:
至少一个存储器和至少一个处理器,所述存储器存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-15任一项所述的光学临近矫正方法。
20.一种存储介质,其特征在于,所述存储介质存储一条或多条计算机指令,所述一条或多条计算机指令用于实现如权利要求1-15任一项所述的光学临近矫正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849851.9A CN114077774A (zh) | 2020-08-21 | 2020-08-21 | 光学邻近矫正方法及系统、掩模版、设备与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849851.9A CN114077774A (zh) | 2020-08-21 | 2020-08-21 | 光学邻近矫正方法及系统、掩模版、设备与存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114077774A true CN114077774A (zh) | 2022-02-22 |
Family
ID=80282398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010849851.9A Pending CN114077774A (zh) | 2020-08-21 | 2020-08-21 | 光学邻近矫正方法及系统、掩模版、设备与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114077774A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116505435A (zh) * | 2023-04-15 | 2023-07-28 | 无锡广盈集团有限公司 | 一种智能电缆的安装工艺校正方法及系统 |
CN117409898A (zh) * | 2023-10-24 | 2024-01-16 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
-
2020
- 2020-08-21 CN CN202010849851.9A patent/CN114077774A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116505435A (zh) * | 2023-04-15 | 2023-07-28 | 无锡广盈集团有限公司 | 一种智能电缆的安装工艺校正方法及系统 |
CN116505435B (zh) * | 2023-04-15 | 2024-04-26 | 无锡广盈集团有限公司 | 一种智能电缆的安装工艺校正方法及系统 |
CN117409898A (zh) * | 2023-10-24 | 2024-01-16 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
CN117409898B (zh) * | 2023-10-24 | 2024-03-19 | 延边大学 | 一种复合多晶超硬材料及其制备方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11719649B2 (en) | Method for smart conversion and calibration of coordinate | |
US10726169B2 (en) | Target and process sensitivity analysis to requirements | |
CN109491216B (zh) | 一种优化光刻工艺参数的方法 | |
US8230371B2 (en) | Process-window aware detection and correction of lithographic printing issues at mask level | |
CN114077774A (zh) | 光学邻近矫正方法及系统、掩模版、设备与存储介质 | |
CN115021679B (zh) | 一种基于多维离群点检测的光伏设备故障检测方法 | |
CN117957495A (zh) | 重定义版图图形的方法、装置、设备、介质和程序产品 | |
CN107885028B (zh) | Opc建模中次分辨率辅助图形确定的方法 | |
JP2002311561A (ja) | パターン形成方法、パターン処理装置および露光マスク | |
US7698667B2 (en) | Pattern correction apparatus, pattern optimization apparatus, and integrated circuit design apparatus | |
US20110013824A1 (en) | Inspection area setting method, inspection area setting apparatus, and computer program product | |
US7404174B2 (en) | method for generating a set of test patterns for an optical proximity correction algorithm | |
Tabery et al. | SEM image contouring for OPC model calibration and verification | |
US10242921B2 (en) | Method of forming pattern of semiconductor device from which various types of pattern defects are removed | |
TW201931015A (zh) | 設計關鍵性分析擴充之製程窗合格取樣 | |
US6615157B1 (en) | System method and computer program product for automatically assessing experiment results | |
CN115758699B (zh) | 面向全芯片光源掩模优化的关键图形快速筛选方法和装置 | |
US7356787B2 (en) | Alternative methodology for defect simulation and system | |
JP2007200322A (ja) | 半導体集積回路装置のレイアウト分析方法及びレイアウト分析システム | |
CN107703720B (zh) | 一种完善光刻模型数据对测试图形覆盖范围的方法 | |
US10386714B2 (en) | Creating knowledge base for optical proximity correction to reduce sub-resolution assist feature printing | |
US20100021040A1 (en) | Pattern evaluation apparatus and pattern evaluation method | |
CN110688736B (zh) | Opc光学模型筛选方法及其筛选系统 | |
CN110794645B (zh) | 确定合适的opc修正程序的方法及装置、掩膜版及优化方法 | |
CN117518726A (zh) | 光学邻近效应的修正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |