CN114326328B - 一种基于深度学习的用于超紫外光刻的模拟仿真方法 - Google Patents
一种基于深度学习的用于超紫外光刻的模拟仿真方法 Download PDFInfo
- Publication number
- CN114326328B CN114326328B CN202210020545.3A CN202210020545A CN114326328B CN 114326328 B CN114326328 B CN 114326328B CN 202210020545 A CN202210020545 A CN 202210020545A CN 114326328 B CN114326328 B CN 114326328B
- Authority
- CN
- China
- Prior art keywords
- mask
- simulation
- size
- training
- test
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001900 extreme ultraviolet lithography Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 121
- 230000006870 function Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 81
- 238000012795 verification Methods 0.000 claims description 34
- 238000013461 design Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000001459 lithography Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000233 ultraviolet lithography Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 39
- 239000006096 absorbing agent Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000001259 photo etching Methods 0.000 description 4
- 229920002120 photoresistant polymer Polymers 0.000 description 4
- 229910006295 Si—Mo Inorganic materials 0.000 description 3
- 238000000206 photolithography Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004613 tight binding model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
一种基于深度学习的用于超紫外光刻的模拟仿真方法，涉及电磁正演仿真计算。包括小尺寸掩膜模拟仿真和大尺寸掩膜模拟仿真；小尺寸掩膜仿真功能用于进行与训练集尺寸(128nm×128nm)相同的掩膜模拟仿真，大尺寸掩膜仿真功能用于仿真尺寸大于训练集尺寸(256nm×256nm及以上)的掩膜模拟仿真。设计掩膜形状，建立双层U‑Net深度学习训练模型，输入需要仿真的光刻掩膜图像，输出掩膜堆叠上方平面上对应的远近场。可降低仿真所需的时长和占用的设备资源，具备与全波模拟相近的仿真精度，并满足仿真掩膜线宽变化范围为2～19nm的超紫外光刻需求。能计算的掩膜的尺寸，相对于超紫外波长比较大，具有较广应用范围。
Description
技术领域
本发明涉及电磁正演仿真计算领域，尤其是涉及一种基于深度学习的用于超紫外光刻的模拟仿真方法。
背景技术
光学光刻技术广泛应用于超大规模半导体制造中。光学光刻系统通过预先设定的掩模模式暴露底层晶圆，然后打印出晶圆上的半导体器件。随着集成电路的临界尺寸(critical dimension,CD)缩小到22nm以下，13.5nm波长的超紫外(extreme ultraviolet,EUV)光刻技术已成为193nm波长的深紫外(deep ultraviolet,DUV)光刻技术最具发展前景的替代方案之一，是下一代超大规模集成电路制造中最有前途的技术。
超紫外光刻系统是基于离轴照明的全反射光学设计的，光源发射出的超紫外光以大约6°入射角照射掩模。该超紫外掩膜由Mo/Si多层膜组成，其中一些多层膜被吸收剂覆盖。被吸收器覆盖的掩模区域将吸收大部分的超紫外光，而没有吸收器的掩模区域将把大部分的超紫外光反射到光学投影设备的光学器件中。投影设备用于将掩模上的布局图案投射到晶圆上。光刻胶显影完成后，将版面图案印在晶圆片上。一般来说，可以用非线性数学模型来描述超紫外光刻系统的成像过程，其输入包括光源、掩模等光刻参数，输出是晶圆上的打印图像。
应用与光刻仿真的传统计算电磁方法，比如时域有限差分法(finite-differencetime-domain,FDTD)，将需要对庞大的计算领域进行离散化，并产生近数亿个自由度(degrees of freedom,DOF)。计算如此大的系统对于现有的计算机等硬件设备来说是难以解决的。因此有许多人也在对降低传统计算电磁方法做出努力，例如伪谱时域(Thepseudo-spectral time-domain,PSTD)方法被应用于超紫外光刻模拟，在采样密度比FDTD低得多的情况下，实现较好的精度。在频域中，利用层状介质Green函数，可以避免多层背景的离散化。因此，可以大大降低堆叠掩膜在Z方向的计算尺寸。在频域方法中，频谱元素边界积分(the spectral-element boundary-integral,SEBI)方法被证明是有很好的前景的。
但是上述仿真方法，依然需要在每次仿真计算一个新掩膜时，从头到尾建立一个完整的系统，在X、Y、Z三个方向进行离散化进行求解。但是在很多实际情况中，Z方向的多层膜结构、高度，以及入射光的角度和波长不需要频繁变化，基本都是固定的状况。在大量的计算中，只有X-Y方向上(即一个平面)的掩膜晶圆结构是不同的，需要变化的，可以使用各种设计的二维的二值图像来表示这些变化。并且，对于仿真计算出的场中，只有水平观测平面上的场是值得在意的，因为在超表面设计或光刻近场中，它足以获得透射或反射率。此外，水平面上的场可以看作是复值图像。因此，可以将原问题简化为一个图像到图像的转移问题，大大降低计算的维数和复杂度。
通过引入深度学习方法，可以解决一些应用于电磁仿真计算中的问题，取得良好的计算效率、应用范围和精度。使用深度学习方法的其主要思想是通过对训练数据拟合出合适的神经网络模型，在问题的输入和输出之间建立映射关系。一旦训练过程结束，模型参数可以通过输入输出(Input/Output,IO)流保存到磁盘文件中，随时加载，无需再训练网络，需要进行测试预测时再调用。此外，在给定新的输入条件下，深度学习模型的预测通常比传统电磁学计算方法更高效。
U-Net深度学习网络是一种图像分割网络，用于像素级分类的问题。其中输出图像的每个像素都是一个类别标签，输入图像经过卷积层和平均池化层，从局部尺度到全局尺度进行特征提取，再经过转置卷积层恢复输入大小。下采样路径和上采样路径之间的短连接有助于将之前的信息结合到输出中，加快训练收敛速度。
U-Net深度学习网络由收缩路径和扩张路径组成。这两种路径都重复应用3×3卷积、批处理归一化和整流线性单元(rectified linear unit,ReLU)，但收缩路径中的2×2最大池(Max pool)被扩展路径中的3×3上卷积(Up-conv)所取代。结构输入图像经过卷积层和平均池化层，提取局部尺度特征和全局尺度特征，再到转置卷积层，恢复输入大小。下采样路径和上采样路径之间的短连接有助于将之前的信息结合到输出中，加快训练收敛速度。
发明内容
本发明的目的在于提供降低计算所需时间的数量级，提高建模效率，可用小计算成本仿真大规模图案，仿真效果好，能快速准确地输出相应场值分布的一种基于深度学习的用于超紫外光刻的模拟仿真方法。
本发明包括以下步骤：
1)设计掩膜形状，建立EUV光刻模型，仿真基本数据；
2)建立双层U-Net深度学习训练模型；
3)建立不同尺寸、线宽和类型的样本集；
4)训练不同尺寸的超紫外光刻仿真功能；
5)使用不同掩膜类型、不同线宽和不同尺寸的测试集测试训练完成的模型，计算光刻仿真的误差。
在步骤1)中，所述掩膜分为128nm×128nm小尺寸掩膜和256nm×256nm大尺寸掩膜；
所述设计掩膜形状，包括小尺寸掩膜各种类型、各种线宽的线性掩膜以及圆环形掩膜；和大尺寸掩膜的混合线宽以及各种类型的掩膜形状；
所述建立EUV光刻模型是将设计好的掩膜形状图像放入Wavenology EM软件中建立各种类型的EUV光刻模型。
在步骤2)中，所述双层U-Net深度学习训练模型由两个同样规模的U-Net网络拼接而成，第一层网络的输入为训练使用的设计好的掩膜形状的二值图像，训练标签为标准的EUV光刻场值分布，输出为第一层网络预测的EUV场值分布；第二层网络的输入为第一层网络的预测输出，训练标签为标准的EUV光刻场值分布，输出为第二层网络预测的EUV场值分布，即整个系统最终的预测结果。
在步骤3)中，所述样本集的样本采用Wave Computation Technologies公司开发的Wavenology EM仿真生成的场分布进行归一化处理后产生，该软件采用适用于该问题的谱元谱积分(spectral-element spectral-integral,SESI)方法；
样本集的建立方法包括：(1)通过谱元谱积分方法生成小尺寸掩膜模拟仿真样本集，样本集的掩膜尺寸为128nm×128nm，离散为256×256个像素，每个像素的尺寸为0.5nm×0.5nm；(2)通过谱元谱积分方法生成的大尺寸掩膜模拟仿真样本集，掩膜尺寸为256nm×256nm，离散为512×512个像素，每个像素的尺寸为0.5nm×0.5nm。
所述样本集分为训练集、验证集、测试集；
所述小尺寸掩膜模拟仿真样本集中的训练集包括1980个线性掩膜和18个圆环形掩膜；其中，线性掩膜分为7组，每组有280个左右的训练样本；线性掩膜验证集一共有118个，包含线宽变化范围在2～19nm，各种类型的掩膜；测试集使用不存在与训练集和验证集内的6个数据进行训练结果的测试；圆环形掩膜分为1组，有18个训练样本，2个验证样本与线性掩膜验证集混合用于训练模型收敛性的验证，每组有不包含在训练集和验证集内的圆环形掩膜数据进行训练结果的测试；
所述大尺寸掩膜模拟仿真样本集中的训练集包括18个大尺寸掩膜数据，裁切成小尺寸与先前的小尺寸数据混合训练，验证集与小尺寸数据的验证集一致，用于训练模型收敛性的验证，测试集由不包含在训练集内的大尺寸(256nm×256nm以及1280nm×1280nm)掩膜数据进行训练结果的测试。
在步骤4)中，所述训练不同尺寸的超紫外光刻仿真功能，是使用建立好的相连的双层U-Net深度学习训练模型进行训练，输入是掩膜设计模式，即二值图像，输出是掩膜堆叠上方平面上的远近场，设定掩膜堆叠上方0.01nm平面上的近场为训练的标准值，相连的两层U-Net的迭代次数为1700和1800，学习率分别是3×10-5和5×10-6；同时，将均方误差(mean square error,MSE)定义为这两个U-Net的损失函数(loss)。
在步骤5)中，小尺寸仿真功能测试分为线性掩膜测试和圆环形掩膜测试，线性掩膜测试样本一共有6个，不同掩膜类型和线宽并不包含于训练集和验证集内的数据进行训练结果的测试；圆环形掩膜测试样本有不包含在训练集和验证集内的1个圆环形掩膜数据进行训练结果的测试；测试模块输入需要仿真计算的掩膜二值图像，输出模型对该掩膜形状的预测的场值分布，即晶圆上对应的成像；
大尺寸仿真功能测试由一个混合线宽尺寸，混合掩膜类型的1280nm×1280nm超大尺寸掩膜(离散为2560×2560个像素，每个像素的尺寸为0.5nm×0.5nm)进行预测模型仿真情况验证，并从超大尺寸掩膜图像中取出一个256nm×256nm(离散为512×512个像素，每个像素的尺寸为0.5nm×0.5nm)的尺寸的掩膜图像部分放入Wavenology EM软件进行EUV光刻建模和仿真计算，得到标准的场分布数值，并与训练的大尺寸仿真功能对这个256nm×256nm的掩膜图像的预测计算出场分布的结果进行对比和误差计算；
所述光刻仿真的误差定义为模型预测输出成像与原始标准成像之间的偏差，为描述输出成像与原始期望成像(目标)之间的偏差，将预测误差定义为：
其中，
为预测场分布图像的矩阵转化为的向量，/>
为期望场分布图像的矩阵转化为的向量。
本发明超紫外光刻系统由掩膜组和多层布拉格反射器组构成，设定EUV入射波角度为6度；掩膜堆叠包含多层布拉格反射器堆叠之上的掩膜图案，在水平方向上，结构是双周期的；多层布拉格反射器由40个双层Si-Mo层组成，可有效反射6度入射角的13.5nm平面波的能量；同时，被吸收器覆盖的掩膜区域吸收大部分的EUV光，而没有被覆盖的掩膜区域将大部分EUV光反射到光学投影仪的光学器件中；其中，光学投影仪是用来将掩膜的布局图案投射到晶圆片上的；预先准备的光刻胶显影后，布局图案将印在晶圆上；获得吸收器顶层上方0.01nm处的远近场作为训练数据，这也是训练完成的模型需要预测的目标输出类型。
本发明提高效率、降低成本，为EUV光刻特别是小临界尺寸以及相比EUV波长尺寸较大的光刻提供一个新的视角。与传统的光刻仿真方法相比，本发明所提出的方法，可以作为可靠有效的极紫外光刻快速仿真工具，特别是在掩膜线宽变化范围较大，掩膜图像类型比较复杂或者小临界尺寸的EUV系统中。
本发明提出的光刻仿真方法主要有如下优点和技术效果：第一，与较先进的进行光刻仿真技术使用的电磁计算方法相比，使用本方法也能大大降低计算所需时间的数量级，很大的提高建模效率；第二，可以用很小的计算成本(包括计算时间和所需的计算平台内存、中央处理器(central processing unit,CPU)算量等资源)仿真非常大规模的图案；第三，可进行仿真计算的掩膜线宽尺寸包括3nm或以下的临界尺寸，以及大于EUV的一个波长范围的14～19nm。发明在掩膜线宽尺寸在2～19nm间的仿真(包括单一情况和混合情况)都有较好的仿真效果，能快速准确地输出相应的场值分布。
附图说明
图1为本发明所提到的EUV光刻系统流程示意图。
图2为本发明实施例的EUV光刻模型的结构图。
图3为本发明的基于深度学习的用于超紫外的光学邻近校正方法的流程图。
图4为本发明实施基于的双层连接的U-Net深度学习模型。
图5为本发明小尺寸训练样本的掩膜样式的设计模式。
图6为本发明大尺寸训练样本的部分掩膜样式示意图。
图7为深度学习训练过程中的损失函数收敛示意图。
图8为对所提出的仿真功能针对较小临界尺寸的线宽，进行四种不同尺度和类型的样本测试示意图。第一列为设计的二维掩膜形状；第二列是由SESI仿真方法计算得到的场分布图像；第三列是从训练完成的深度学习模型得到的预测场分布图像。
图9为对所提出的仿真功能针对与EUV波长相比较大尺寸的线宽，进行三种不同尺度和类型的样本测试示意图。第一列为设计的二维掩膜形状；第二列是由SESI仿真方法计算得到的场分布图像；第三列是从训练完成的深度学习模型得到的预测场分布图像。
图10为采用尺寸为1280nm×1280nm的超大掩膜来评价所提出的大尺寸仿真功能的示意图。其中左图表示设计的超大尺寸掩膜形状；右图表示由深度学习模型得到的预测场分布图像。
图11为使用从超大掩膜中得到的256nm×256nm尺寸的测试掩膜进行仿真功能测试的示意图。第一列为二维掩膜形状；第二列是由SESI仿真方法计算得到的场分布图像；第三列是从训练完成的深度学习模型得到的预测场分布图像。
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，以下实施例将结合附图对本发明进行作进一步的说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，以下对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明的超紫外EUV结构由掩膜组和多层布拉格反射器组构成，如图2所示，设定EUV入射波角度为6度。掩膜堆叠包含多层布拉格反射器堆叠之上的掩膜图案，在水平方向上，结构是双周期的。多层布拉格反射器由40个双层Si-Mo层组成，可有效反射6度入射角的13.5nm平面波的能量。同时，被吸收器覆盖的掩膜区域吸收大部分的EUV光，而没有被覆盖的掩膜区域将大部分EUV光反射到光学投影仪的光学器件中。其中，光学投影仪是用来将掩膜的布局图案投射到晶圆片上的。预先准备的光刻胶显影后，布局图案将印在晶圆上。获得吸收器顶层上方0.01nm处的远近场作为训练数据，这也是训练完成的模型需要预测的目标输出类型。
一种基于深度学习的用于超紫外光刻的快速模拟仿真方法，具体包括：
生成不同尺寸的训练样本，深度学习所使用的训练样本是用Wave ComputationTechnologies公司开发的Wavenology EM软件生成的，该软件采用适用于该问题的谱元谱积分(spectral-element spectral-integral,SESI)方法。小尺寸(128nm×128nm)掩膜仿真的训练集包括1980个线性掩膜和18个圆环形掩膜。其中，线性掩膜分为7组，每组有280个左右的训练样本。线性掩膜验证集一共有118个，包含线宽变化范围在2nm-19nm，各种类型的掩膜用于训练模型收敛性的验证。测试集使用不存在与训练集和验证集内的6个数据进行训练结果的测试；圆环形掩膜分为1组，有18个训练样本，2个验证样本，每组有不包含在训练集和验证集内的圆环形掩膜数据进行训练结果的测试。大尺寸(256nm×256nm)掩膜仿真的训练集包括18个大尺寸掩膜数据，裁切成小尺寸与先前的小尺寸数据混合训练，测试集由不包含在训练集内的大尺寸(256nm×256nm以及1280nm×1280nm)掩膜数据进行训练结果的测试。
设计训练模块，训练模块的输入是掩膜设计模式，即二值图像，输出是掩膜堆叠上方平面上的远近场。设定掩膜堆叠上方0.01nm平面上的近场为训练的标准值。相连的两个U-Net的迭代次数为1700和1800，学习率分别是3×10-5和5×10-6。同时，将均方误差(meansquare error，MSE)定义为这两个U-Net的损失函数。
设计测试模块，测试集包括小尺寸(128nm×128nm)掩膜测试和大尺寸(256nm×256nm以及1280nm×1280nm)多种尺寸掩膜测试集。测试模块输入的是需要仿真计算的掩膜二值图像，输出是模型对该掩膜形状的预测的场值分布，即晶圆上对应的成像。
由上述对本发明的描述可知，与现有相关技术相比，本发明具有如下有益效果：
首先，本发明用不同掩膜形状类型、掩膜线宽和整体尺度的样本对所提出的快速模拟仿真功能进行测试，与使用传统的全波模拟软件仿真的结果的比较表明，所提出的快速模拟仿真功能不仅能准确地将不同较大或较小临界尺寸(线宽范围为2～19nm)的掩膜图案映射到对应的近场，而且能将不同类型的图案映射到对应的近场，可以进行仿真预测的掩膜尺寸不仅包括训练时所使用的128nm×128nm，也包括大于这个尺寸的256nm×256nm以及更大的尺寸；同时，与全波仿真(如SESI)相比，该仿真功能大大减少所需的CPU计算资源、计算时间和所需内存，提高计算效率。
本发明所提出的方法，可以作为可靠有效的极紫外光刻快速仿真工具，特别是在掩膜线宽变化范围较大，掩膜图像类型比较复杂或者小临界尺寸的EUV系统中。
参见图1所示，是本发明所参照的EUV光学光刻系统的流程示意图。EUV光刻掩膜由Mo/Si多层膜组成，其中一些多层膜被吸收剂覆盖。被吸收剂覆盖的掩模区域将吸收大部分的EUV光，而没有吸收剂的掩模区域将把大部分的EUV光反射到光学投影仪中的光学器件。投影仪用于将掩模上的布局图案投射到晶圆上。预先制备的光刻胶显影完成后，会将设计的图案打印在晶圆片上。
参见图2所示，本发明的超紫外EUV结构由掩膜组和多层布拉格反射器组构成，设定光源的EUV入射波角度为6度。掩膜堆叠包含多层布拉格反射器堆叠之上的掩膜图案。多层布拉格反射器由40个双层Si-Mo层组成，可有效反射13.5nm平面波的能量。
参见图3所示，本发明的基于深度学习的用于超紫外光刻的快速模拟仿真方法，具体包括：
P1，设计训练掩膜形状，建立EUV光刻模型，仿真基本数据。
首先，设计训练掩膜形状，本发明的训练使用的光刻掩膜类型包括小尺寸(128nm×128nm)的各种类型，各种线宽的线性掩膜，以及圆环形掩膜；包括大尺寸(256nm×256nm)的混合线宽以及类型的掩膜。
然后，根据图2所示，参照设计好的训练掩膜形状图像，在软件中建立好各种类型的EUV光刻模型，仿真训练数据。
P2，建立双层U-Net深度学习训练模型，建立训练数据集，训练小尺寸仿真功能以及大尺寸仿真功能。
建立双层U-Net深度学习训练模型，建立形式如图4所示，网络由两个同样规模的U-Net网络拼接而成。其中，第一层网络的输入为训练使用的设计好的掩膜形状的二值图像，训练标签为标准的EUV光刻场值分布，输出为第一层网络预测的EUV场值分布；第二层网络的输入为第一层网络的预测输出，训练标签为标准的EUV光刻场值分布，输出为第二层网络预测的EUV场值分布，也就是整个系统最终的预测结果。
按照小尺寸仿真功能以及大尺寸仿真功能需求，建立训练数据样本集。训练样本是用Wave Computation Technologies公司开发的Wavenology EM软件仿真生成的场分布进行归一化处理后产生，该软件采用适用于该问题的SESI方法。小尺寸部分，训练样本掩膜的设计模式如图5所示，分为线性组合模式和圆环形模式两种，各个模型的参数变化范围如表1所示。小尺寸的样本集的掩膜尺寸为128nm×128nm，离散为256×256个像素，每个像素的尺寸为0.5nm×0.5nm。样本集包括挑选的1980个线性掩膜和18个圆环形掩膜。其中，线性掩膜分为7组，每组有280个左右的训练样本；圆环形掩膜分为1组，每组有18个训练样本。训练验证集包括118个2～19nm线宽和不同类型的线性掩膜和2个圆环形掩膜，用于训练过程中模型收敛性的验证。大尺寸部分，样本集为混合掩膜线宽及类型的较复杂的掩膜，训练样本部分样式如图6所示，尺寸为256nm×256nm，离散为512×512个像素，每个像素的尺寸为0.5nm×0.5nm，包括18个大尺寸掩膜数据，裁切成小尺寸与先前的小尺寸数据混合训练。
表1 训练掩膜设计参数变化表
训练小尺寸仿真功能以及大尺寸仿真功能，使用建立好的相连的双层U-Net深度学习训练模型进行训练，两层U-Net深度学习网络的迭代次数分别为1700和1800，学习率分别是3×10-5和5×10-6。同时，将均方误差(mean square error,MSE)定义为这两个U-Net的损失函数(loss)。图7中记录训练过程中损失函数收敛的情况。
本发明在Intel E5-2620 2.10GHz CPU、256GB RAM和NVIDIA GeForce RTX3090GPU的工作站上进行所有深度学习训练和测试，在Intel E5-2697 2.70GHz CPU、512GB RAM的工作站上进行所有的SESI仿真计算。
P3，使用不同类型、不同线宽和不同尺寸的测试集测试训练完成的模型
具体的，对应小尺寸(128nm×128nm)仿真功能测试，分为两部分：线性掩膜和圆形掩膜。线性掩膜测试样本一共有6个，不同掩膜类型和线宽并不包含于训练集和验证集内的数据进行训练结果的测试；圆环形掩膜测试样本有不包含在训练集和验证集内的1个圆环形掩膜数据进行训练结果的测试。大尺寸(256nm×256nm及以上)仿真功能测试由一个混合线宽尺寸，混合掩膜类型的1280nm×1280nm超大尺寸掩膜(离散为2560×2560个像素，每个像素的尺寸为0.5nm×0.5nm)进行预测模型仿真情况验证，并从超大尺寸掩膜图像中取出一个256nm×256nm(离散为512×512个像素，每个像素的尺寸为0.5nm×0.5nm)的尺寸的掩膜图像部分放入Wavenology EM软件进行EUV光刻建模和仿真计算，得到标准的场分布数值，并与训练的大尺寸仿真功能对这个256nm×256nm的掩膜图像的预测计算出场分布的结果进行对比和误差计算。
为描述输出成像与原始期望成像(目标)之间的偏差，将预测误差定义为：
其中，
为预测场分布图像的矩阵转化为的向量，/>
为期望场分布图像的矩阵转化为的向量。
随着临界尺寸的减小，对光刻系统的成像性能形成巨大的挑战。测试#1-4(分别对应图8中第一行、第二行、第三行和第四行的图)的临界尺寸分别为2nm、4nm、7nm，以及10nm的圆环，对应的电气尺寸分别为0.15λ、0.30λ、0.52λ和0.74λ，λ为EUV波长(13.5nm)。
而随着掩膜线宽的增加，光刻系统的成像性能受到光学衍射干扰的影响会大大增加。测试#5-7(分别对应图8中第一行、第二行和第三行的图)的临界尺寸分别为14nm、17nm和19nm，对应的电气尺寸分别为1.04λ、1.26λ和1.41λ，λ为EUV波长(13.5nm)。
测试#1-4的标准值(这里将通过SESI方法进行EUV仿真得到的场分布视为标准值)如图7所示，测试#5-7的目标如图9所示，测试样本均为基于训练样本类型设计但是在训练集中不存在。掩膜的误差，如公式中所定义。测试结果如表2所示。这里的误差定义为训练程序对掩膜光刻仿真的预测结果与SESI仿真得到的相应成像之间的差异。
表2 成像与相应目标的误差
| 测试#1 | 测试#2 | 测试#3 | 测试#4 | |
| 误差 | 0.0441 | 0.0300 | 0.0527 | 0.0526 |
| 测试#5 | 测试#6 | 测试#7 | ||
| 误差 | 0.0451 | 0.0382 | 0.0401 |
可以看出，使用128nm×128nm(对应的电气尺寸约为9λ×9λ，λ为EUV真空中的波长)训练尺寸规格训练完成的深度学习模型小尺寸仿真功能对小尺寸掩膜预测有较高的准确度，测试集的平均误差为4.33％。
用一个设计复杂的超大掩膜作为试验#9，来测试仿真模型的大尺寸仿真功能在对于较大尺寸掩膜下的应用效果。如图10左图所示，目标尺寸为1280nm×1280nm，对应的电气尺寸高达95λ×95λ，λ为EUV真空中的波长，由各种线宽尺寸和设计模式构成的掩膜，当处理尺寸大1微米的大型掩膜时，传统方法的计算成本非常昂贵，而且可能无法在负担得起的时间内在SESI方法上解决。对于这个掩膜，深度学习的预测模型输出如图10右图所示。从大型掩膜上裁切出一块256nm×256nm的掩膜部分作为试验#8，通过模型大尺寸仿真功能进行仿真，得到预测的场分布，将其与通过SESI方法计算出的作为期望标签的场分布进行比较并计算误差。两种仿真计算结果如图11所示，比较出的误差为4.92％，表明训练完成的模型对大尺寸仿真也有一个较好的预测精度。
同时，表3记录所提出的快速仿真模拟方法和SESI计算方法所需CPU时间以及所需计算内存。与传统的迭代方法不同，本发明提出的快速仿真模拟的方法尽管需要额外的GPU计算，但对不同的目标都有很高的计算效率。
表3 快速仿真模拟方法和SESI方法的运行时间和所需内存
如图6和7和表2和3所示，通过试验#1-7的验证，本发明提出的快速模拟仿真方法，对与不同设计类型和不同线宽尺寸(线宽变化范围在2～19nm)的掩膜仿真都有较高的精确度。同时，试验#8通过对尺寸大于训练规格,混合掩膜线宽和布局类型较为复杂的256nm×256nm的目标掩膜进行仿真计算，并与被认为是真实情况的通过SESI进行仿真计算出的场分布进行误差比较，表明训练完成的模型在尺寸较大和设计复杂的掩膜仿真计算中也有不错的效果。以及，试验#9通过对超大尺寸(1280nm×1280nm)的复杂掩膜的仿真计算，进一步验证本方法的计算效率和应用的计算区域。因此，本发明所提出的基于深度学习的用于超紫外光刻的快速模拟仿真方法，可以作为一种有效的用与EUV光刻仿真的快速高效精确度较高的计算工具，尤其是对于临界尺寸相对于波长较小以及较大和计算区域较大以及设计布局较为复杂的情况。
从上述测试结果中可见，本发明提出一种基于深度学习的用于超紫外光刻的快速模拟仿真方法，用于提高EUV光刻仿真计算系统的计算效率和降低计算成本，特别是在线宽临界尺寸相对于波长较小或者较大、计算区域较大以及设计布局较为复杂的情况。首先，用不同设计类型和掩膜线宽的样本对所提出的小尺寸仿真功能进行测试，与全波模拟结果(如SESI方法)计算出的场分布的比较结果表明，所提出的小尺寸仿真功能不仅能准确地将临界尺寸不同，线宽范围跨度较大的掩膜图案映射到对应的近场，而且能将不同布局类型的图案映射到对应的近场。其次，对于目标尺寸为1280nm×1280nm，计算区域高达95λ×95λ(λ为EUV真空中的波长)，由各种线宽尺寸和设计模式构成的超大尺寸掩膜，在使用全波模拟方法仿真时难以计算的情况下，本发明的仿真功能依然能进行预测计算，并且能将计算时间和成本控制在可以接受的范畴。最后，使用从超大尺寸掩膜中裁切出的尺寸大于训练规格,掩膜布局类型较为复杂的256nm×256nm的目标掩膜进行仿真计算，与全波模拟结果计算出的场分布的进行比较，训练完成的模型在尺寸较大和设计复杂的掩膜仿真计算中也有较好的精确度。同时，与使用全波模拟(如SESI方法)进行计算的情况相比，该仿真功能大大提高计算效率，包括所需的CPU资源，仿真时间和内存。本发明所提出的方法，可以作为一种可靠有效的EUV快速仿真计算工具，特别是在线宽临界尺寸在2～4nm或者17～19nm等与EUV波长相比过小或者过大的极端情况，以及计算区域较大的EUV系统中。
上述各种实例仅用来进一步说明本发明的基于深度学习的用于超紫外光刻的快速模拟仿真方法，但本发明并不局限于这些实例。综上所述，本发明提出的方法改进现有相关技术在某些方面的不足，对于推进EUV光刻相关技术的发展具有重要意义。
Claims (4)
1.一种基于深度学习的用于超紫外光刻的模拟仿真方法，其特征在于包括以下步骤：
1)设计掩膜形状，建立EUV光刻模型，仿真基本数据；所述掩膜分为128nm×128nm小尺寸掩膜和256nm×256nm大尺寸掩膜；所述设计掩膜形状，包括小尺寸掩膜各种类型、各种线宽的线性掩膜以及圆环形掩膜；和大尺寸掩膜的混合线宽以及各种类型的掩膜形状；
2)建立双层U-Net深度学习训练模型；所述双层U-Net深度学习训练模型由两个同样规模的U-Net网络拼接而成，第一层网络的输入为训练使用的设计好的掩膜形状的二值图像，训练标签为标准的EUV光刻场值分布，输出为第一层网络预测的EUV场值分布；第二层网络的输入为第一层网络的预测输出，训练标签为标准的EUV光刻场值分布，输出为第二层网络预测的EUV场值分布，即整个系统最终的预测结果；
3)建立不同尺寸、线宽和类型的样本集；所述样本集的样本采用WaveComputationTechnologies公司开发的WavenologyEM仿真生成的场分布进行归一化处理后产生，样本集分为训练集、验证集、测试集，具体包括：
(1)通过谱元谱积分方法生成小尺寸掩膜模拟仿真样本集，样本集的掩膜尺寸为128nm×128nm，离散为256×256个像素，每个像素的尺寸为0.5nm×0.5nm；
(2)通过谱元谱积分方法生成的大尺寸掩膜模拟仿真样本集，掩膜尺寸为256nm×256nm，离散为512×512个像素，每个像素的尺寸为0.5nm×0.5nm；
4)训练不同尺寸的超紫外光刻仿真功能；所述训练不同尺寸的超紫外光刻仿真功能，是使用建立好的相连的双层U-Net深度学习训练模型进行训练，输入是掩膜设计模式，即二值图像，输出是掩膜堆叠上方平面上的远近场，设定掩膜堆叠上方0.01nm平面上的近场为训练的标准值，相连的两层U-Net的迭代次数为1700和1800，学习率分别是3×10-5和5×10-6；
5)使用不同掩膜类型、不同线宽和不同尺寸的测试集测试训练完成的模型，计算光刻仿真的误差；所述使用不同掩膜类型、不同线宽和不同尺寸的测试集测试训练完成的模型，具体包括：
(1)小尺寸仿真功能测试分为线性掩膜测试和圆环形掩膜测试，线性掩膜测试样本一共有6个，不同掩膜类型和线宽并不包含于训练集和验证集内的数据进行训练结果的测试；圆环形掩膜测试样本有不包含在训练集和验证集内的1个圆环形掩膜数据进行训练结果的测试；测试模块输入需要仿真计算的掩膜二值图像，输出模型对该掩膜形状的预测的场值分布，即晶圆上对应的成像；
(2)大尺寸仿真功能测试由一个混合线宽尺寸，混合掩膜类型的1280nm×1280nm超大尺寸掩膜进行预测模型仿真情况验证，离散为2560×2560个像素，每个像素的尺寸为0.5nm×0.5nm，并从超大尺寸掩膜图像中取出一个256nm×256nm，离散为512×512个像素，每个像素的尺寸为0.5nm×0.5nm的尺寸的掩膜图像部分放入Wavenology EM软件进行EUV光刻建模和仿真计算，得到标准的场分布数值，并与训练的大尺寸仿真功能对这个256nm×256nm的掩膜图像的预测计算出场分布的结果进行对比和误差计算。
2.如权利要求1所述一种基于深度学习的用于超紫外光刻的模拟仿真方法，其特征在于在步骤1)中，所述建立EUV光刻模型是将设计好的掩膜形状图像放入Wavenology EM软件中建立各种类型的EUV光刻模型。
3.如权利要求1所述一种基于深度学习的用于超紫外光刻的模拟仿真方法，其特征在于在步骤3)中，所述小尺寸掩膜模拟仿真样本集中的训练集包括1980个线性掩膜和18个圆环形掩膜；其中，线性掩膜分为7组，每组有280个左右的训练样本；线性掩膜验证集一共有118个，包含线宽变化范围在2～19nm，各种类型的掩膜；测试集使用不存在与训练集和验证集内的6个数据进行训练结果的测试；圆环形掩膜分为1组，有18个训练样本，2个验证样本与线性验证集混合用于训练模型收敛性的验证，每组有不包含在训练集和验证集内的圆环形掩膜数据进行训练结果的测试；
所述大尺寸掩膜模拟仿真样本集中的训练集包括18个大尺寸掩膜数据，裁切成小尺寸与先前的小尺寸数据混合训练，验证集与小尺寸数据的验证集一致，用于训练模型收敛性的验证，测试集由不包含在训练集内的大尺寸256nm×256nm以及1280nm×1280nm掩膜数据进行训练结果的测试。
4.如权利要求1所述一种基于深度学习的用于超紫外光刻的模拟仿真方法，其特征在于在步骤5)中，所述计算光刻仿真的误差，为模型预测输出成像与原始标准成像之间的偏差，为描述输出成像与原始期望成像之间的偏差，将预测误差定义为：
其中，
为预测场分布图像的矩阵转化为的向量，/>
为期望场分布图像的矩阵转化为的向量。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210020545.3A CN114326328B (zh) | 2022-01-10 | 2022-01-10 | 一种基于深度学习的用于超紫外光刻的模拟仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210020545.3A CN114326328B (zh) | 2022-01-10 | 2022-01-10 | 一种基于深度学习的用于超紫外光刻的模拟仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114326328A CN114326328A (zh) | 2022-04-12 |
| CN114326328B true CN114326328B (zh) | 2023-05-26 |
Family
ID=81026946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210020545.3A Active CN114326328B (zh) | 2022-01-10 | 2022-01-10 | 一种基于深度学习的用于超紫外光刻的模拟仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114326328B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313640A (zh) * | 2022-06-14 | 2023-12-29 | 腾讯科技（深圳）有限公司 | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 |
| CN116467990B (zh) * | 2022-08-01 | 2023-12-01 | 先进半导体材料(安徽)有限公司 | 刻蚀仿真方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113238460B (zh) * | 2021-04-16 | 2022-02-11 | 厦门大学 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
-
2022
- 2022-01-10 CN CN202210020545.3A patent/CN114326328B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114326328A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11461532B2 (en) | Three-dimensional mask model for photolithography simulation | |
| CN114326328B (zh) | 一种基于深度学习的用于超紫外光刻的模拟仿真方法 | |
| US9645509B2 (en) | Scanner model representation with transmission cross coefficients | |
| US7120895B2 (en) | System and method for lithography simulation | |
| US11972194B2 (en) | Method for determining patterning device pattern based on manufacturability | |
| US11468222B2 (en) | Stochastic signal prediction in compact modeling | |
| CN113238460B (zh) | 一种基于深度学习的用于超紫外的光学邻近校正方法 | |
| TW201809905A (zh) | 模型化曝光後製程 | |
| KR101394585B1 (ko) | 3ｄ 토포그래픽 웨이퍼들을 위한 리소그래피 모델 | |
| US11314171B2 (en) | Lithography improvement based on defect probability distributions and critical dimension variations | |
| US10067425B2 (en) | Correcting EUV crosstalk effects for lithography simulation | |
| Torunoglu et al. | A GPU-based full-chip inverse lithography solution for random patterns | |
| US10496780B1 (en) | Dynamic model generation for lithographic simulation | |
| Xiao et al. | A novel optical proximity correction (OPC) system based on deep learning method for the extreme ultraviolet (EUV) lithography | |
| US11899374B2 (en) | Method for determining an electromagnetic field associated with a computational lithography mask model | |
| KR20220092598A (ko) | 리소그래피 마스크들의 보정에서의 마스크 제조 모델들의 사용 | |
| US20230104510A1 (en) | Mask fabrication effects in three-dimensional mask simulations using feature images | |
| US20230079453A1 (en) | Mask corner rounding effects in three-dimensional mask simulations using feature images | |
| US20220392191A1 (en) | Large scale computational lithography using machine learning models | |
| KR20240073002A (ko) | 피처 이미지들을 사용한 3차원 마스크 시뮬레이션들에서의 마스크 제작 효과들 | |
| Clifford et al. | Fast simulation of buried EUV mask defect interaction with absorber features | |
| KR20160003644A (ko) | 레벨 세트를 이용한 막 성장 모델 | |
| CN118020022A (zh) | 使用特征图像进行三维掩模仿真中的掩模制造效应 | |
| WO2023066657A1 (en) | Pattern matching method |
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 |