CN114690540A - 光学临近效应修正方法及系统和掩膜版 - Google Patents
光学临近效应修正方法及系统和掩膜版 Download PDFInfo
- Publication number
- CN114690540A CN114690540A CN202011611624.9A CN202011611624A CN114690540A CN 114690540 A CN114690540 A CN 114690540A CN 202011611624 A CN202011611624 A CN 202011611624A CN 114690540 A CN114690540 A CN 114690540A
- Authority
- CN
- China
- Prior art keywords
- test
- iteration
- graph
- model
- iteration number
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
Abstract
本发明提供了一种光学临近效应修正方法及系统和掩膜版,该方法包括:获取多个测试图形,并设定各个测试图形的预定迭代次数;将多个测试图形分为训练集和测试集;基于机器学习算法和训练集,建立迭代次数模型;将测试集输入到迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将各个测试图形的测试迭代次数和对应的预定迭代次数进行比较;根据比较结果,确定迭代次数模型是否为已训练好的迭代次数模型;将待处理的版图文件输入已训练好的迭代次数模型,以获得版图文件中所包括的不同原始设计图形对应的目标迭代次数;基于不同原始设计图形对应的目标迭代次数,对版图文件中所包括的原始设计图形进行修正,以获得修正后的图形。
Description
技术领域
本发明涉及光刻技术领域,更具体地涉及光学临近效应修正方法及系统和掩膜版。
背景技术
随着超大规模集成电路(Ultra Large Scale Integration,简称ULSI)的飞速发展,集成电路制造工艺变得越来越复杂和精细。其中光刻技术是集成电路制造工艺发展的驱动力,也是最为复杂的技术之一。相对于其他单个制造技术来说,光刻技术的提高对集成电路的发展具有重要意义。在光刻工艺开始之前,首先需要将图案通过特定设备复制到掩模版上,然后通过光刻机将掩模版上的图案结构复制到生产芯片的硅片上。但是由于半导体器件尺寸的缩小,曝光所用的波长大于物理版图设计的理想图形的尺寸和图形之间的间距,光波的干涉和衍射效应使得实际光刻产生的物理图形和物理版图设计的理想图形之间存在很大的差异,实际图形的形状和间距发生很大的变化,甚至影响电路的性能。
产生这种差异的一个重要原因是光刻所用光束波长大于物理版图设计的理想图形的尺寸和图形之间的间距时,光学波长大于物理版图设计的理想图形的尺寸和图形之间的间距时产生光学临近效应(Optical Proximity Effect,OPE)的作用。因此,为了解决所述问题可以对所述掩模版进行光学临近修正(Optical Proximity Correction,简称OPC),所述OPC方法即为对光刻掩模版进行光刻前预处理,进行预先修改,使得修改补偿的量正好能够补偿曝光系统造成的光学临近效应。
目前,在所述OPC处理过程中,为了获得掩模的优化效果,往往需要大量的迭代计算,而且对版图整体采用统一的迭代次数,软件运算时间较长。
鉴于上述问题的存在,本申请提出一种新的光学临近效应修正方法及系统和掩膜版。
发明内容
本发明实施例提供一种光学临近效应修正方法,所述光学临近效应修正方法包括:
将所述测试集输入到所述迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将所述测试集中各个测试图形的测试迭代次数和所述测试集中各个测试图形对应的预定迭代次数进行比较,以获得比较结果;
根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型;
当确定所述迭代次数模型为已训练好的迭代次数模型后,将待处理的版图文件输入所述已训练好的迭代次数模型,以获得所述版图文件中所包括的不同原始设计图形对应的目标迭代次数;
基于不同原始设计图形对应的目标迭代次数,对所述版图文件中所包括的原始设计图形进行修正,以获得修正后的图形。
在一个示例中,设定各个测试图形的预定迭代次数,包括:
根据各个测试图形的线宽,确定各个测试图形的预定迭代次数,其中,线宽在第一线宽范围内的测试图形对应的预定迭代次数小于线宽在第二线宽范围内的测试图形的预定迭代次数,所述第一线宽范围大于所述第二线宽范围。
在一个示例中,设定各个测试图形的预定迭代次数,包括:
根据各个测试图形中的相邻形状之间的间距,确定各个测试图形的预定迭代次数,其中,间距在第一间距范围内的测试图形对应的预定迭代次数小于间距在第二间距范围内的测试图形的预定迭代次数,所述第一间距范围大于所述第二间距值范围。
在一个示例中,所述将所述多个测试图形分为训练集和测试集,包括:
基于间隔抽样的方法,在所述多个测试图形中选取所述训练集,并将剩余的测试图形作为所述测试集。
在一个示例中,所述基于机器学习算法和所述训练集,建立迭代次数模型,包括:
将所述训练集中的测试图形作为输入层,输入到卷积神经网络中,其中,所述卷积神经网络包括输入层、卷积层、池化层、全连接和输出层;
训练集中的测试图形经所述卷积神经网络处理后,输出不同的测试图形对应的训练迭代次数;
计算该训练迭代次数和对应的预定迭代次数之间的误差;
根据该误差,更新所述卷积神经网络中权值,直到使得该误差最小化,得到迭代次数模型。
在一个示例中,所述根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型,包括:
当所述比较结果小于或等于阈值次数时,则确定所述迭代次数模型为已训练好的迭代次数模型。
在一个示例中,所述根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型,包括:
当所述比较结果大于所述阈值次数时,则重复执行以下步骤:
将所述多个测试图形分为训练集和测试集;基于机器学习算法和所述训练集,建立迭代次数模型;将所述测试集输入到所述迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将各个测试图形的测试迭代次数和各个测试图形对应的预定迭代次数进行比较,以获得比较结果;根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型;
直到获得所述比较结果小于或等于阈值次数的迭代次数模型作为已训练好的迭代次数模型。
在一个示例中,所述基于不同原始设计图形对应的目标迭代次数,对所述版图文件中所包括的原始设计图形进行修正,以获得修正后的图形,包括:
在版图文件中的原始设计图形的边缘设置多个目标点;
根据OPC模型获得所述原始设计图形的修正图形,并对所述修正图形进行模拟,以获得图形模拟结果;
计算各个所述目标点处所述图形模拟结果和所述原始设计图形之间的差异;
根据所述差异以及目标点的权重,对所述修正图形进行调整,以获得调整后的修正图形,对所述调整后的修正图形进行模拟,以获得图形模拟结果,计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异;
按照原始设计图形对应的所述目标迭代次数重复执行以下步骤:根据所述差异以及目标点的权重,对所述修正图形进行调整,以获得调整后的修正图形,对所述调整后的修正图形进行模拟,以获得图形模拟结果,计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异,直到获得最终的修正后的图形。
本申请再一方面提供一种光学临近效应修正系统,所述光学临近效应修正系统包括:
存储器,用于存储可执行的程序指令;
处理器,用于执行所述存储器中存储的所述程序指令,使得所述处理器执行前述的光学临近效应修正方法。
本申请又一方面提供一种掩膜版,所述掩膜版包括:
本体;
设置于所述本体上的掩膜版图形,所述掩膜版图形为基于前述的光学临近效应修正方法所获得的修正图形。
本发明实施例的光学临近效应修正方法,通过已训练好的迭代次数模型,获得待处理的版图文件中的不同图形采用的不同目标迭代次数,在保证预期的修正效果前提下,还能有效减少运行时间,提高软件使用的灵活度,以及提高生产效率。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出了本申请一个实施例中的一种光学临近效应修正方法的流程图;
图2示出了根据本发明一个实施例的局部测试图形的示意图;
图3示出了根据本发明一个实施例的迭代6次的测试图形的示意图;
图4示出了根据本发明一个实施例的迭代3次的测试图形的示意图;
图5示出了根据本发明一个实施例的迭代0次的测试图形的示意图;
图6示出了根据本发明一个实施例的神经网络模型的示意图;
图7是根据本申请实施例的光学临近效应修正系统的示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
鉴于上述问题的存在,本申请实施例提供一种光学临近效应修正方法,该方法包括:获取多个测试图形,并设定各个测试图形的预定迭代次数;将所述多个测试图形分为训练集和测试集;基于机器学习算法和所述训练集,建立迭代次数模型;将所述测试集输入到所述迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将所述测试集中各个测试图形的测试迭代次数和所述测试集中各个测试图形对应的预定迭代次数进行比较,以获得比较结果;根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型;当确定所述迭代次数模型为已训练好的迭代次数模型后,将待处理的版图文件输入所述已训练好的迭代次数模型,以获得所述版图文件中所包括的不同原始设计图形对应的目标迭代次数;基于不同原始设计图形对应的目标迭代次数,对所述版图文件中所包括的原始设计图形进行修正,以获得修正后的图形。
本发明实施例的光学临近效应修正方法,通过已训练好的迭代次数模型,获得待处理的版图文件中的不同图形采用的不同目标迭代次数,在保证预期的修正效果前提下,还能有效减少运行时间,提高软件使用的灵活度,以及提高生产效率。
下面,参考附图1至图6对本申请实施例中的光学临近效应修正方法进行描述。
作为示例,如图1所示,本申请实施例中的光学临近效应修正方法包括以下步骤:
首先,在步骤S1中,获取多个测试图形,并设定各个测试图形的预定迭代次数。
该测试图形可以为OPC建立模型时的测试图形,如图2所示的为110nm节点建立OPC模型时的局部测试图形,通常测试图形由一些典型的版图结构构成,如不同宽度的孤立线、不同宽度和间距地双线,不同宽度和周期长度的密集线以及线端对线端,线端对长线等等图形结构。该些测试图形大体上能够覆盖版图中常见的图形组合,对于一些非常见的图形组合,当版图设计需要时,也可以作为测试图形使用。
各个测试图形的预定迭代次数可以是先验的经验值,通常当线宽越大时,对应的迭代次数越小,测试图形中包括的图形形状之间的间距越大时,对应的迭代次数越大。在一个示例中,设定各个测试图形的预定迭代次数,包括:根据各个测试图形的线宽,确定各个测试图形的预定迭代次数,其中,线宽在第一线宽范围内的测试图形对应的预定迭代次数小于线宽在第二线宽范围内的测试图形的预定迭代次数,所述第一线宽范围大于所述第二线宽范围,例如,线宽为110nm的测试图形的预定迭代次数大于线宽为180nm的测试图形的预定迭代次数。其中,第一线宽范围和第二线宽范围根据先验经验合理设定,在此不对其进行具体限定。
在另一个示例中,设定各个测试图形的预定迭代次数,包括:根据各个测试图形中的相邻形状之间的间距,确定各个测试图形的预定迭代次数,其中,间距在第一间距范围内的测试图形对应的预定迭代次数小于间距在第二间距范围内的测试图形的预定迭代次数,所述第一间距范围大于所述第二间距值范围,当以间距作为衡量标准时,通常可以是在相同线宽的前提下,进行调整,例如,当线宽均为110nm时,则间距为120nm的测试图形的预定迭代次数大于间距为220nm的测试图形的预定迭代次数。第一间距范围和第二间距范围根据先验经验合理设定,在此不对其进行具体限定。
接着,在步骤S2中,将所述多个测试图形分为训练集和测试集。
可以采用任意适合的方法对测试图形的数据进行整理,以将所述多个测试图形分为训练集和测试集,在一个示例中,所述将所述多个测试图形分为训练集和测试集,包括:基于间隔抽样的方法,在所述多个测试图形中选取所述训练集,并将剩余的测试图形作为所述测试集。间隔抽样可以是均匀间隔抽样,也可以是不均匀间隔抽样,在此不做具体限定。其中,训练集和测试集均包括多个测试图形。
可选地,多个测试图形中还可以不包括没有间距的图形,例如整体的大面积图形等。
接着,在步骤S3中,基于机器学习算法和所述训练集,建立迭代次数模型。
机器学习例如可以为深度学习算法,再例如机器学习可以采用卷积神经网络实现。在一个示例中,所述基于机器学习算法和所述训练集,建立迭代次数模型,包括:将所述训练集中的测试图形作为输入层,输入到卷积神经网络中,其中,所述卷积神经网络包括输入层、卷积层、池化层、全连接和输出层,直接将训练集中的测试图形作为网络输入,自动提取特征。卷积层通过一块块的卷积核在原始图形上平移来提取特征,每个特征就是一个特征映射;而池化层通过汇聚特征后稀疏参数来减少要学习的参数,降低网络的复杂度。在本机器学习算法中,如图7所示的神经网络结构,输入层为训练集中的测试图形,输出层为不同的测试图形对应的迭代次数;训练集中的测试图形经所述卷积神经网络处理后,输出不同的测试图形对应的训练迭代次数;计算该训练迭代次数和对应的预定迭代次数之间的误差;根据该误差,更新所述卷积神经网络中权值,直到使得该误差最小化,也即训练迭代次数逐渐逼近预定迭代次数,得到迭代次数模型。
接着,在步骤S4中,将所述测试集输入到所述迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将所述测试集中各个测试图形的测试迭代次数和所述测试集中各个测试图形对应的预定迭代次数进行比较,以获得比较结果。
为了验证经训练集训练后的迭代次数模型是否为稳定适用的模型,本申请中通过测试集对其进行测试,包括:将所述测试集输入到所述迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将各个测试图形的测试迭代次数和各个测试图形对应的预定迭代次数进行比较,以获得比较结果,该比较结果例如为两者的差值、比值等。
接着,在步骤S5中,根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型。
当所述比较结果小于或等于阈值次数时,则确定所述迭代次数模型为已训练好的迭代次数模型,该阈值次数可以是根据实际需要合理设定的阈值,例如,其可以为1次、2次等,在一个示例中,比较结果为测试迭代次数和预定迭代次数的差值,则当该差值小于或等于1次时,则确定所述迭代次数模型为已训练好的迭代次数模型。基于该已训练号的迭代次数模型可以自动获得待处理的版图文件中各个图形的目标迭代次数。
进一步,当所述比较结果大于所述阈值次数时,则重复执行以下步骤:将所述多个测试图形分为训练集和测试集;基于机器学习算法和所述训练集,建立迭代次数模型;将所述测试集输入到所述迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将各个测试图形的测试迭代次数和各个测试图形对应的预定迭代次数进行比较,以获得比较结果;根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型;直到获得所述比较结果小于或等于阈值次数的迭代次数模型作为已训练好的迭代次数模型。
接着,在步骤S6中,当确定所述迭代次数模型为已训练好的迭代次数模型后,将待处理的版图文件输入所述已训练好的迭代次数模型,以获得所述版图文件中所包括的不同原始设计图形对应的目标迭代次数。
已训练好的迭代次数模型可以用于任意的待处理的版图文件,当需要确定待处理的版图文件中的原始设计图形的迭代次数时,将待处理的版图文件输入所述已训练好的迭代次数模型,就可以获得所述版图文件中所包括的不同原始设计图形对应的目标迭代次数。基于该目标迭代次数,可以对各个不同原始设计图形进行修正,以获得版图文件中各个原始设计图形经过修正以后的修正图形。
版图文件中包括根据半导体制造工艺要求设计出的版图图案(也即原始设计图形),其与由掩膜板上的图案转印至半导体衬底上所获得的图案大体上一致,例如其可以是预期形成在半导体衬底上的栅极的图案、或者,金属互连线的一层金属层的图案,而由于光学邻近效应,直接将该原始设计图形转印至半导体衬底上时,形成的图案与实际想要的图案存在差异,因此,需要对该原始设计图形进行修正,而由于版图图案很大,该原始设计图形还可以是对版图图案中的部分图案的截选。
接着,在步骤S7中,基于不同原始设计图形对应的目标迭代次数,对所述版图文件中所包括的原始设计图形进行修正,以获得修正后的图形。
基于不同原始设计图形对应的目标迭代次数,对所述版图文件中所包括的原始设计图形进行修正,以获得修正后的图形,可以包括以下步骤A1至步骤A5:
首先,在步骤A1中,在版图文件中的原始设计图形的边缘设置多个目标点;可选地,所述边缘包括线条端和邻边片段。在一个示例中,所述设置目标步骤,还包括:对所述原始设计图形的边缘进行解析分割,以获得多个邻边片段及线条端;在所述线条端和所述邻边片段设置所述目标点。该步骤是基于OPC程序的设定进行的。
对边界进行解析分割的方法可以基于本领域技术人员公知的任意适合的方法,在此不做限定。
接着,在步骤A2中,根据OPC模型获得所述原始设计图形的修正图形,并对所述修正图形进行模拟,以获得图形模拟结果;
根据所述原始设计图形的当前层例如栅极的特征尺寸确定光刻工艺参数。不同栅极工艺下进行的光刻工艺,所使用到的工艺规格都不相同,因此先要根据栅极工艺规格之后,还需要确定光刻工艺的具体参数。所述光刻工艺具体参数包括曝光光路的光学参数、光刻胶的材料参数以及刻蚀工艺的化学参数。所述曝光光路的光学参数主要指光路的数值孔径、缩放倍率以及曝光光源等具体参数。所述光刻胶的材料参数主要是指光刻胶材料的分辨率、曝光速率、光敏度等具体参数。所述刻蚀工艺的化学参数主要是指刻蚀剂的酸碱性以及化学性质等具体参数。由于制作不同等级特征尺寸所采用到的光刻工艺不同,因此需要对光刻工艺参数有个明确的定位。
根据所述光刻工艺参数确定光学邻近修正模型,建立光学邻近修正的运算程序。在确定完光刻工艺参数后,可以进行OPC建模。建模的基本流程如下:首先是在标片上放置预先设计的测试图形,收集到一组真实光刻晶片的数据。然后使用同样的测试图形,利用OPC建模工具进行模拟,如果模拟得到的图形尺寸与相对应的真实晶片数据能够很好的符合,那么就可以认为在这样一个有限的样品空间(sampling space)中,模拟得到的模型能够很好的描述整个曝光系统和化学效应,因此就能用来定量在预知情况下的OPE效应,从而可以用来进行OPC。在工厂端,由于厂家在多数情况下会对自家生产的产品工艺建有相应的数据库,因此建模过程也可简化为调取数据的过程,只需输入相对应的数据模型,就能调取到所需的OPC模型。在建完OPC模型后,还需要编写OPC处理的程序,以用于将适用的图形进行OPC处理。最后,根据OPC模型获得所述原始设计图形的修正图形,并对所述修正图形进行模拟,以获得图形模拟结果,该图像模拟结果例如为模拟轮廓(Simulation Contour)。
接着,在步骤A3中,计算各个所述目标点处所述图形模拟结果和所述原始设计图形之间的差异;该差异可以为边缘放置误差,基于该边缘放置误差控制使图形模拟结果(例如模拟轮廓)符合规格要求。该差异的计算方法可以采用本领域技术人员熟知的任意适合的方法,在此不做具体限定。
接着,在步骤A4中,根据所述差异以及目标点的权重,对所述修正图形进行调整,以获得调整后的修正图形,对所述调整后的修正图形进行模拟,以获得图形模拟结果,计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异;
步骤A4也即包括:步骤A41根据所述差异以及目标点的权重,对所述修正图形进行调整,以获得调整后的修正图形;步骤A42对所述调整后的修正图形进行模拟,以获得图形模拟结果;以及步骤A43计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异。
根据各目标点的差异(EPE)和相应目标点所属区域的权重,对OPC修正图形进行调整。OPC修正过程中,当不同区域的修正需求产生冲突时,按权重高低分配修正需求,相应目标点所属区域的所述权重越高,越优先满足该目标点的修正需求。
对所述调整后的修正图形进行模拟,以获得图形模拟结果,该模拟过程可以参考前文中原始设计图形的模拟过程,其模拟的为调整后的修正图像通过光刻在光刻胶上形成的图形。
在步骤A5中,按照对应的所述目标迭代次数重复执行以下步骤:根据所述差异以及目标点的权重,对所述修正图形进行调整,以获得调整后的修正图形,对所述调整后的修正图形进行模拟,以获得图形模拟结果,计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异,直到获得最终的修正图形。
每次迭代时,计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异,根据该差异是否在预设阈值范围内,是否停止迭代,若在预设阈值范围外,则再次执行步骤A4中的相关步骤,若在阈值范围内,则将本次图形模拟结果作为最终的修正图形。对于本申请实施例,则还可以按照确定的目标迭代次数,当迭代次数达到目标迭代次数,且在阈值范围内时,则可以停止迭代,以最后一次迭代获得图形模拟结果作为最终的修正后的图形。
如图3所示的测试图形,其线宽L为110nm,条状图形之间的间距S为220nm,其对应的迭代次数可以为6次,而如图4所示,迭代3次的测试图形(L/S=180/360nm),其线宽L为180nm,条状图形之间的间距S为360nm;如图5所示为迭代0次的测试图形(L/S=500/1000nm),其线宽L为500nm,条状图形之间的间距S为1000nm,可见,不同线宽和间距的图形其迭代次数可以不同。
值得一提的是,本申请的各个步骤的顺序还可以在不矛盾的前提下进行调换,例如,可以在进行迭代之前,确定目标迭代次数。
综上所述,本发明实施例的光学临近效应修正方法,通过已训练好的迭代次数模型,获得待处理的版图文件中的不同图形采用的不同目标迭代次数,在保证预期的修正效果前提下,还能有效减少运行时间,提高软件使用的灵活度,以及提高生产效率。
另外,本申请还提供一种掩膜版,所述掩膜版包括本体,以及设置于所述本体上的掩膜版图形,所述掩膜版图形为基于前文所述的光学临近效应修正方法所获得的修正图形,因此,本申请的掩模版也具有前述光学临近效应修正方法的优点。
下面,参考附图7对本发明实施例的光学临近修正系统进行描述,其中,图7是根据本发明实施例的光学临近修正系统的示意性框图,该光学临近修正系统用于执行前文描述的光学临近效应修正方法。
本申请实施例的光学临近修正系统可以是单片机,该单片机可以包括具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统、定时器/计数器等。又例如该光学临近修正系统可以是笔记本电脑、台式电脑等电子装置。
作为示例,如图7所示,本申请的光学临近修正系统800包括一个或多个存储器801、一个或多个处理器802等,这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意,图7所示的光学临近修正系统800的组件和结构只是示例性的,而非限制性的,根据需要,光学临近修正系统800也可以具有其他组件和结构。
存储器801用于存储相关光学临近修正过程中产生的各种数据信息和可执行程序指令,例如用于存储各种应用程序或实现各种具体功能的算法。可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
处理器802可以是中央处理单元(CPU)、图像处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制光学临近修正系统800中的其它组件以执行期望的功能。例如,处理器能够包括一个或多个嵌入式处理器、处理器核心、微型处理器、逻辑电路、硬件有限状态机(FSM)、数字信号处理器(DSP)、图像处理单元(GPU)或它们的组合。
处理器802用于执行所述存储器801中存储的所述程序指令,使得所述处理器802执行前述实施例中的光学邻近效应修正方法,有关光学邻近效应修正方法的描述参考前文,在此不在重复描述。
在一个示例中,光学临近修正系统800还包括通信接口(未示出),用于光学临近修正系统800中各个组件之间以及光学临近修正系统800的各个组件和该系统之外的其他装置之间进行通信。
通信接口是可以是目前已知的任意通信协议的接口,例如有线接口或无线接口,其中,通信接口可以包括一个或者多个串口、USB接口、以太网端口、WiFi、有线网络、DVI接口,设备集成互联模块或其他适合的各种端口、接口,或者连接。光学临近修正系统800还可以接入基于通信标准的无线网络,如WiFi、2G、8G、4G、5G或它们的组合。在一个示例性实施例中,通信接口经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信接口还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在一个示例中,所述光学临近修正系统800还包括输入装置(未示出)可以是用户用来输入指令的装置,并且可以包括键盘、轨迹球、鼠标、麦克风和触摸屏等中的一个或多个,或其它控制按钮构成的输入装置。
在一个示例中,所述光学临近修正系统800还包括输出装置(未示出),可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
另外,本申请实施例还提供了一种计算机存储介质,例如计算机可读存储介质,其上存储有计算机程序。在所述计算机存储介质上可以存储一个或多个计算机程序指令,处理器可以运行存储器存储的所述程序指令,以实现本文所述的本申请实施例中(由处理器实现)的功能以及/或者其它期望的功能,例如以执行根据本申请实施例的光学邻近效应修正方法相应步骤,在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
例如,所述计算机可读存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
由于本申请实施例的光学临近修正系统和计算机存储介质可以执行前述的光学邻近效应修正方法相应步骤,因此,其也具有前述光学邻近效应修正方法的优点。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种光学临近效应修正方法,其特征在于,所述光学临近效应修正方法包括:
获取多个测试图形,并设定各个测试图形的预定迭代次数;
将所述多个测试图形分为训练集和测试集;
基于机器学习算法和所述训练集,建立迭代次数模型;
将所述测试集输入到所述迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将所述测试集中各个测试图形的测试迭代次数和所述测试集中各个测试图形对应的预定迭代次数进行比较,以获得比较结果;
根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型;
当确定所述迭代次数模型为已训练好的迭代次数模型后,将待处理的版图文件输入所述已训练好的迭代次数模型,以获得所述版图文件中所包括的不同原始设计图形对应的目标迭代次数;
基于不同原始设计图形对应的目标迭代次数,对所述版图文件中所包括的原始设计图形进行修正,以获得修正后的图形。
2.如权利要求1所述的方法,其特征在于,设定各个测试图形的预定迭代次数,包括:
根据各个测试图形的线宽,确定各个测试图形的预定迭代次数,其中,线宽在第一线宽范围内的测试图形对应的预定迭代次数小于线宽在第二线宽范围内的测试图形的预定迭代次数,所述第一线宽范围大于所述第二线宽范围。
3.如权利要求1所述的方法,其特征在于,设定各个测试图形的预定迭代次数,包括:
根据各个测试图形中的相邻形状之间的间距,确定各个测试图形的预定迭代次数,其中,间距在第一间距范围内的测试图形对应的预定迭代次数小于间距在第二间距范围内的测试图形的预定迭代次数,所述第一间距范围大于所述第二间距值范围。
4.如权利要求1所述的方法,其特征在于,所述将所述多个测试图形分为训练集和测试集,包括:
基于间隔抽样的方法,在所述多个测试图形中选取所述训练集,并将剩余的测试图形作为所述测试集。
5.如权利要求1所述的方法,其特征在于,所述基于机器学习算法和所述训练集,建立迭代次数模型,包括:
将所述训练集中的测试图形作为输入层,输入到卷积神经网络中,其中,所述卷积神经网络包括输入层、卷积层、池化层、全连接和输出层;
训练集中的测试图形经所述卷积神经网络处理后,输出不同的测试图形对应的训练迭代次数;
计算该训练迭代次数和对应的预定迭代次数之间的误差;
根据该误差,更新所述卷积神经网络中权值,直到使得该误差最小化,得到迭代次数模型。
6.如权利要求1所述的方法,其特征在于,所述根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型,包括:
当所述比较结果小于或等于阈值次数时,则确定所述迭代次数模型为已训练好的迭代次数模型。
7.如权利要求1所述的方法,其特征在于,所述根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型,包括:
当所述比较结果大于所述阈值次数时,则重复执行以下步骤:
将所述多个测试图形分为训练集和测试集;基于机器学习算法和所述训练集,建立迭代次数模型;将所述测试集输入到所述迭代次数模型,以获得测试集中各个测试图形的测试迭代次数,并将各个测试图形的测试迭代次数和各个测试图形对应的预定迭代次数进行比较,以获得比较结果;根据所述比较结果,确定所述迭代次数模型是否为已训练好的迭代次数模型;
直到获得所述比较结果小于或等于阈值次数的迭代次数模型作为已训练好的迭代次数模型。
8.如权利要求1所述的方法,其特征在于,所述基于不同原始设计图形对应的目标迭代次数,对所述版图文件中所包括的原始设计图形进行修正,以获得修正后的图形,包括:
在版图文件中的原始设计图形的边缘设置多个目标点;
根据OPC模型获得所述原始设计图形的修正图形,并对所述修正图形进行模拟,以获得图形模拟结果;
计算各个所述目标点处所述图形模拟结果和所述原始设计图形之间的差异;
根据所述差异以及目标点的权重,对所述修正图形进行调整,以获得调整后的修正图形,对所述调整后的修正图形进行模拟,以获得图形模拟结果,计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异;
按照原始设计图形对应的所述目标迭代次数重复执行以下步骤:根据所述差异以及目标点的权重,对所述修正图形进行调整,以获得调整后的修正图形,对所述调整后的修正图形进行模拟,以获得图形模拟结果,计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异,直到获得最终的修正后的图形。
9.一种光学临近效应修正系统,其特征在于,所述光学临近效应修正系统包括:
存储器,用于存储可执行的程序指令;
处理器,用于执行所述存储器中存储的所述程序指令,使得所述处理器执行如权利要求1至8任一项所述的光学临近效应修正方法。
10.一种掩膜版,其特征在于,所述掩膜版包括:
本体;
设置于所述本体上的掩膜版图形,所述掩膜版图形为基于如权利要求1至8任一项所述的光学临近效应修正方法所获得的修正图形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011611624.9A CN114690540A (zh) | 2020-12-30 | 2020-12-30 | 光学临近效应修正方法及系统和掩膜版 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011611624.9A CN114690540A (zh) | 2020-12-30 | 2020-12-30 | 光学临近效应修正方法及系统和掩膜版 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114690540A true CN114690540A (zh) | 2022-07-01 |
Family
ID=82132970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011611624.9A Pending CN114690540A (zh) | 2020-12-30 | 2020-12-30 | 光学临近效应修正方法及系统和掩膜版 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114690540A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342983A (zh) * | 2023-05-29 | 2023-06-27 | 全芯智造技术有限公司 | 生成及使用图刻模型的方法、电子设备和计算机可读介质 |
-
2020
- 2020-12-30 CN CN202011611624.9A patent/CN114690540A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342983A (zh) * | 2023-05-29 | 2023-06-27 | 全芯智造技术有限公司 | 生成及使用图刻模型的方法、电子设备和计算机可读介质 |
CN116342983B (zh) * | 2023-05-29 | 2023-09-01 | 全芯智造技术有限公司 | 生成及使用图刻模型的方法、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114609857A (zh) | 光学临近效应修正方法及系统和掩膜版 | |
US6373975B1 (en) | Error checking of simulated printed images with process window effects included | |
US9870443B2 (en) | Method and apparatus for integrated circuit mask patterning | |
US9170481B2 (en) | Sub-resolution assist feature implementation using shot optimization | |
US8176445B1 (en) | Method and system for optimizing integrated circuit layout | |
US7921385B2 (en) | Mask-pattern determination using topology types | |
US7000208B2 (en) | Repetition recognition using segments | |
US11079672B2 (en) | Method and system for layout enhancement based on inter-cell correlation | |
US8443322B2 (en) | Using layout enumeration to facilitate integrated circuit development | |
US20100185994A1 (en) | Topological Pattern Matching | |
US9754068B2 (en) | Method, computer readable storage medium and computer system for creating a layout of a photomask | |
US20230375916A1 (en) | Inverse lithography and machine learning for mask synthesis | |
US11017147B2 (en) | Edge-based camera for characterizing semiconductor layout designs | |
CN113253565B (zh) | 光学临近修正方法、装置及电子设备 | |
CN115470741B (zh) | 用于光源掩模协同优化的方法、电子设备和存储介质 | |
WO2007041701A2 (en) | Mask-patterns including intentional breaks | |
US8458631B2 (en) | Cycle time reduction in data preparation | |
CN115981115B (zh) | 光学邻近校正方法、装置、计算机设备和存储介质 | |
CN114594655A (zh) | 光学临近效应修正方法及系统和掩膜版 | |
US9494853B2 (en) | Increasing lithographic depth of focus window using wafer topography | |
CN114690540A (zh) | 光学临近效应修正方法及系统和掩膜版 | |
CN109543330A (zh) | 一种自匹配的基于像素的光学邻近修正方法及系统 | |
EP4022488B1 (en) | Semiconductor layout context around a point of interest | |
US10386714B2 (en) | Creating knowledge base for optical proximity correction to reduce sub-resolution assist feature printing | |
CN109522618B (zh) | 改善基底反射导致离子注入层光刻缺陷的方法 |
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 |