CN114898169B - 一种基于深度学习的光刻opc数据库建立方法 - Google Patents

一种基于深度学习的光刻opc数据库建立方法 Download PDF

Info

Publication number
CN114898169B
CN114898169B CN202210234715.8A CN202210234715A CN114898169B CN 114898169 B CN114898169 B CN 114898169B CN 202210234715 A CN202210234715 A CN 202210234715A CN 114898169 B CN114898169 B CN 114898169B
Authority
CN
China
Prior art keywords
deep learning
layer
mask image
image
regression network
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
CN202210234715.8A
Other languages
English (en)
Other versions
CN114898169A (zh
Inventor
彭飞
许益多
宋毅
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210234715.8A priority Critical patent/CN114898169B/zh
Publication of CN114898169A publication Critical patent/CN114898169A/zh
Application granted granted Critical
Publication of CN114898169B publication Critical patent/CN114898169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/54—Browsing; Visualisation therefor
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于光学邻近校正技术领域，公开了一种基于深度学习的光刻OPC数据库建立方法。本发明包括构建数据集和深度学习回归网络，利用数据集对深度学习回归网络进行训练和测试，将训练好的网络模型作为光刻OPC数据库。本发明基于深度学习进行数据库构造，能够对数据库的数据集内的目标掩膜图像进行回归预测，快速回归预测出优化掩膜图像，且能够对数据库外的目标掩膜图像进行回归预测，解决了现有光刻OPC数据库的数据量需求庞大、占据内存大、调用图像时计算代价大速度慢、缺乏泛化能力等问题。

Description

一种基于深度学习的光刻OPC数据库建立方法
技术领域
本发明属于光学邻近校正技术领域，更具体地，涉及一种基于深度学习的光刻OPC数据库建立方法。
背景技术
随着集成电路设计和制造进入纳米级精度，特征尺寸已经接近甚至小于光刻工艺中所使用的光波波长，因此光刻过程中，由于光的衍射和干涉现象，实际硅片上得到的光刻曝光后图形与掩膜版设计图形之间存在一定的变形和偏差，光刻中的这种误差直接影响电路性能和生产成品率，为尽量消除这种误差，一种有效的方法是光学邻近校正(OpticalProximity Correction，OPC)。光学邻近校正是一种分辨率增强技术，它通过迭代优化算法不断调整掩膜图案，以减小晶圆图案和目标图案之间的误差。
现有的光刻OPC数据库为图像数据库，目标掩膜图像存在数据库内以供调用，图像数据库是图像的数据集合，数据量需求庞大，占据内存大；图像数据库调用时通常是基于图像特征匹配的遍历搜索算法，此算法计算代价大，计算速度慢；此外，数据库包含的图像数据有限，对数据库外的图像无法实现完全覆盖，缺乏泛化能力，对于数据库外的数据检索效果差。
发明内容
本发明通过提供一种基于深度学习的光刻OPC数据库建立方法，解决现有技术中光刻OPC数据库的数据量需求庞大、占据内存大、调用图像时计算代价大速度慢、缺乏泛化能力的问题。
本发明提供一种基于深度学习的光刻OPC数据库建立方法，包括以下步骤：
步骤1、构建数据集；所述数据集包括多组数据组，每组所述数据组包括目标掩膜图像及其对应的多张优化掩膜图像；
步骤2、构建深度学习回归网络；
步骤3、将所述数据集划分为训练集和测试集，通过所述训练集对所述深度学习回归网络进行训练，通过所述测试集对所述深度学习回归网络进行测试；
训练时，将所述数据集内每一组数据组中的所有优化掩膜图像输入至所述深度学习回归网络中，同时在所述深度学习回归网络中将该组数据组的目标掩膜图像定义为该组数据组的标签，所述深度学习回归网络会自我学习该标签与其对应的多张优化掩膜图像之间的映射关系；
测试时，将所述测试集内每一组数据组中的目标掩膜图像作为所述深度学习回归网络的输入，将回归预测出的优化掩膜图像作为所述深度学习回归网络的输出，并求得所述深度学习回归网络的精度；若所述深度学习回归网络的精度大于预设精度，则视所述深度学习回归网络合格，得到训练好的网络模型；
步骤4、将所述训练好的网络模型作为光刻OPC数据库，所述光刻OPC数据库用于输入目标掩膜图像，输出一张与该目标掩膜图像对应的优化掩膜图像。
优选的，所述步骤1中，所述数据集的构建方法包括：使用OPC优化算法对多种目标掩膜图像的曝光剂量进行优化，生成优化掩膜图像；针对每种目标掩膜图像，通过多次改变优化迭代次数，生成不同的优化掩膜图像；将目标掩膜图像及其对应的在多次优化迭代次数下的多张优化掩膜图像作为一组数据组，并录入数据集。
优选的，对目标掩膜图像的曝光剂量进行优化以生成优化掩膜图像时，采用如下公式：
其中，
其中，F表示代价函数，ξ表示权重系数，Iout表示优化掩膜图像，Itarget表示目标掩膜图像，a表示刻蚀速度，tr表示刻蚀阈值，E(x，y)表示曝光剂量分布矩阵，(x，y)表示一个曝光点的位置坐标，Re和Im表示取当前计算结果的实部和虚部，H表示光瞳函数，M表示迭代优化过程中的计算掩膜，θ表示无约束优化变量；
进行迭代优化时：
其中，s表示OPC优化算法中更新的步长。
优选的，所述步骤2中，所述深度学习回归网络采用ResNet网络。
优选的，所述深度学习回归网络包括三层通道，第一层通道和第二层通道结构相同，第三层通道包括一个卷积层；所述构建深度学习回归网络包括：
构建所述第一层通道和所述第二层通道的方法相同，如下：构建第一卷积层，其输入为原始输入图像，并采用Relu函数激活；构建第二卷积层，其输入为第一卷积层的输出，采用Relu函数激活，输出添加上一层的残差结果；构建第三卷积层，其输入为第二卷积层的输出，采用Relu函数激活，输出添加上一层的残差结果；构建第一逆卷积层，其输入为第三卷积层的输出，进行批量归一化处理，采用Relu函数激活，输出添加上一层的残差结果；构建第二逆卷积层，其输入为第一逆卷积层的输出，进行批量归一化处理，采用Relu函数激活；
所述第一层通道的输出结果和所述第二层通道的输出结果相加，并作为第三逆卷积层的输入，进行批量归一化处理，采用Relu函数激活；所述第三逆卷积层的输出与原始输入图像经所述第三层通道的卷积层后的数据结果相加，得到输出结果。
优选的，所述深度学习回归网络中各卷积层的卷积核尺寸大小为3×3。
优选的，所述步骤3中，基于图像结构一致性相似因子算法，计算所述测试集内每一组数据组的结构相似性，对多组数据组的结构相似性求平均值后得到所述深度学习回归网络的精度。
优选的，所述图像结构一致性相似因子算法如下：
其中，SSIM(x，y)表示作为输出图像的优化掩膜图像与作为输入图像的目标掩膜图像之间的结构相似性，x表示输入图像，y表示输出图像，μx是x的平均值，μy是y的平均值，是x的方差，/>是y的方差，σxy是x和y的协方差；c1、c2是调整常数。
优选的，所述步骤3中，将所述数据集的90％划分为训练集，将所述数据集的10％划分为测试集。
优选的，当需要对新的网络模型进行训练时，在已有的所述光刻OPC数据库的基础上进行迁移训练。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
在本发明中，构建数据集和深度学习回归网络，利用数据集对深度学习回归网络进行训练和测试，将训练好的网络模型作为光刻OPC数据库。其中，数据集包括多组数据组，每组数据组包括目标掩膜图像及其对应的多张优化掩膜图像；对于训练完成的深度学习回归网络，输入为目标掩膜图像，输出为其对应的一张优化掩膜图像。即本发明基于深度学习进行数据库构造，能够对数据库的数据集内的目标掩膜图像进行回归预测，快速回归预测出优化掩膜图像，且能够对数据库外的掩膜图像进行回归预测。使用训练好的深度学习回归网络的模型能够直接生成优化掩膜图像，能够跳过传统算法的优化过程，有效降低了计算代价、提升了计算速度；使用训练好的深度学习回归网络的模型能够对数据库外的掩膜优化进行预测，有效提高了泛化能力；相对于现有光刻OPC数据库只供检索、不做优化的问题，本发明能够基于输入的目标掩膜图像快速得到优化掩膜图像，功能强大，且降低了所需存储的数据量，减小了内存。
附图说明
图1为本发明实施例提供的一种基于深度学习的光刻OPC数据库建立方法的流程图；
图2为本发明实施例提供的一种基于深度学习的光刻OPC数据库建立方法中构建数据集的示意图；
图3为ResNet网络的基础结构示意图；
图4为本发明实施例提供的一种基于深度学习的光刻OPC数据库建立方法中采用的深度学习回归网络的结构示意图；
图5为本发明实施例提供的一种基于深度学习的光刻OPC数据库建立方法得到的光刻OPC数据库的功能示意图。
具体实施方式
深度学习(DL，Deep Learning)是机器学习领域中一个新的研究方向，其在图像处理领域有着广泛的应用。其中，残差网络(Residual Network，ResNet)的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。使用训练好的ResNet网络进行计算可以快速获得所需数据，并且对数据库外的数据可以很好地进行图像回归预测。
图像回归问题是首先假定两个不同时期图像的像元值之间存在线性关系，线性回归得出关系式，然后用回归函数计算出T2时图像的像元预测值，再用此预测值减去T1时图像的原始像元值，从而获得两个时刻的回归残差图像。最后以阈值法确定变化区域。OPC输入的图像和输出的图像在很大程度上是相似的，训练时带上这部分会多花费大量的时间，实际上我们只需要学习优化部分的残差即可。ResNet的思想特别适合用来解决图像回归问题，因此本发明基于深度学习建立光刻OPC数据库。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了一种基于深度学习的光刻OPC数据库建立方法，参见图1，包括以下步骤：
步骤1、构建数据集；所述数据集包括多组数据组，每组所述数据组包括目标掩膜图像及其对应的多张优化掩膜图像；
步骤2、构建深度学习回归网络；
步骤3、将所述数据集划分为训练集和测试集，通过所述训练集对所述深度学习回归网络进行训练，通过所述测试集对所述深度学习回归网络进行测试；
训练时，将所述数据集内每一组数据组中的所有优化掩膜图像输入至所述深度学习回归网络中，同时在所述深度学习回归网络中将该组数据组的目标掩膜图像定义为该组数据组的标签，所述深度学习回归网络会自我学习该标签与其对应的多张优化掩膜图像之间的映射关系；
测试时，将所述测试集内每一组数据组中的目标掩膜图像作为所述深度学习回归网络的输入，将回归预测出的优化掩膜图像作为所述深度学习回归网络的输出，并求得所述深度学习回归网络的精度；若所述深度学习回归网络的精度大于预设精度，则视所述深度学习回归网络合格，得到训练好的网络模型；
步骤4、将所述训练好的网络模型作为光刻OPC数据库，所述光刻OPC数据库用于输入目标掩膜图像，输出一张与该目标掩膜图像对应的优化掩膜图像。
其中，所述步骤1中，所述数据集的构建方法包括：使用OPC优化算法对多种目标掩膜图像的曝光剂量进行优化，生成优化掩膜图像；针对每种目标掩膜图像，通过多次改变优化迭代次数，生成不同的优化掩膜图像；将目标掩膜图像及其对应的在多次优化迭代次数下的多张优化掩膜图像作为一组数据组，并录入数据集。
对目标掩膜图像的曝光剂量进行优化以生成优化掩膜图像时，采用如下公式：
其中，
其中，F表示代价函数，ξ表示权重系数，Iout表示优化掩膜图像，Itarget表示目标掩膜图像，a表示刻蚀速度，tr表示刻蚀阈值，E(x，y)表示曝光剂量分布矩阵，(x，y)表示一个曝光点的位置坐标，Re和Im表示取当前计算结果的实部和虚部，H表示光瞳函数，M表示迭代优化过程中的计算掩膜，θ表示无约束优化变量；
进行迭代优化时：
其中，s表示OPC优化算法中更新的步长。
所述步骤2中，所述深度学习回归网络采用ResNet网络。
所述深度学习回归网络包括三层通道，第一层通道和第二层通道结构相同，第三层通道包括一个卷积层；所述构建深度学习回归网络包括：构建所述第一层通道和所述第二层通道的方法相同，如下：构建第一卷积层，其输入为原始输入图像，并采用Relu函数激活；构建第二卷积层，其输入为第一卷积层的输出，采用Relu函数激活，输出添加上一层的残差结果；构建第三卷积层，其输入为第二卷积层的输出，采用Relu函数激活，输出添加上一层的残差结果；构建第一逆卷积层，其输入为第三卷积层的输出，进行批量归一化处理，采用Relu函数激活，输出添加上一层的残差结果；构建第二逆卷积层，其输入为第一逆卷积层的输出，进行批量归一化处理，采用Relu函数激活；所述第一层通道的输出结果和所述第二层通道的输出结果相加，并作为第三逆卷积层的输入，进行批量归一化处理，采用Relu函数激活；所述第三逆卷积层的输出与原始输入图像经所述第三层通道的卷积层后的数据结果相加，得到输出结果。
所述步骤3中，基于图像结构一致性相似因子算法，计算所述测试集内每一组数据组的结构相似性，对多组数据组的结构相似性求平均值后得到所述深度学习回归网络的精度。
具体的，所述图像结构一致性相似因子算法如下：
其中，SSIM(x，y)表示作为输出图像的优化掩膜图像与作为输入图像的目标掩膜图像之间的结构相似性，x表示输入图像，y表示输出图像，μx是x的平均值，μy是y的平均值，是x的方差，/>是y的方差，σxy是x和y的协方差；c1、c2是调整常数。
下面对本发明做进一步的说明。
步骤1：构建数据集。
ResNet网络需要大量数据集进行训练，才能提升其预测精度。构建数据集需要考虑数据的类型和数量，本发明中的数据集类型为光刻中的掩膜图案，由于掩膜图案具有特征性，因此不可以用传统的数据集扩充方法(如扩大倍数、旋转角度等)，本发明使用OPC优化算法扩充图像数量，OPC优化算法对多种给定目标掩膜图像的曝光剂量进行优化，生成优化掩膜图案，同时多次改变优化迭代次数，生成不同的优化掩膜图案，将所有的优化掩膜图案和目标掩膜图像保存为数据集。
下面介绍具体如何生成数据集。
基于目前计算光刻领域常用的光学模型和光刻胶模型，我们可以得到整个正向的光刻模型(即光学模型+光刻胶模型)，其中光学模型的输入与光刻模型的输入一致，均为目标掩膜，光学模型的输出是光刻胶模型的输入，光刻胶模型的输出与光刻模型的输出一致。整个过程可以用下式表示：
其中，Iout表示优化掩膜图像，a表示光刻胶模型中的刻蚀速度，tr表示刻蚀阈值，Re和Im表示取当前计算结果的实部和虚部，H表示光瞳函数；M表示迭代优化过程中的计算掩膜
反向光刻问题是已知目标掩膜和光刻系统的情况下，求出其仿真计算模型中与目标掩膜最接近的掩模，即我们希望与目标掩膜非常接近甚至一致，因此考察两者之间的差异，并采取措施减小它们之间的差异。如下式所示：
其中，Itarget表示目标掩膜图像，ζ表示权重系数。
同时，我们希望最后的优化结果是一个二值化的掩膜，因此需要对当前计算中的掩膜加一个约束项：
Subject to M(x，y)∈{0，1}
此时，反向光刻问题就转化成了一个优化问题。我们对其公式进行重新表达，表示出代价函数F。
其中，
其中，E(x，y)表示曝光剂量分布矩阵，(x，y)表示一个曝光点的位置坐标，θ表示无约束优化变量。
进行迭代优化时：
其中，s表示OPC优化算法中更新的步长。
设定迭代次数k，可以得到不同的优化结果，掩膜优化算法的流程如下：
设定当前迭代次数k＝0，设定总迭代次数L，输入目标掩膜图像Itarget。
(1)当k＜L时，基于公式(1)至公式(4)，计算目标掩膜图像Itarget与当前计算掩膜M的代价函数F。
(2)计算当前代价函数F的的梯度并基于公式(5)重新计算θ：/>
(3)更新当前计算掩膜
(4)k＝k+1。
最后返回：
改变迭代次数后得到不同的优化掩膜图像，将其都作为数据集，如图2所示。
步骤S：构建深度学习回归网络。
残差网络是由一系列的残差块组成的，一个最简单的残差块可以表示为：
xl+1＝xl+F(xl，Wl)
即分为映射部分和残差部分。
在映射部分中，xl和xl+1的Feature Map的数量一般是不一样的，这时候就需要使用1×1卷积核进行升维或者降维，因此，残差块表示为：
xl+1＝h(xl)+F(xl，Wl)
ResNet网络的基础结构如图3所示，weight指卷积操作，BN指批量归一化，ReLU指激活函数，addition指单位加操作。
为了提升训练效果和预测精度，在此基础结构上进行结构优化，即得到本发明所用的深度学习回归网络，如图4所示。
该网络由三层通道组成，相对于基础结构的一层，本网络结构层数增加能够使深度学习训练效果精度提升。其中第一、二层通道相同，Conv为卷积层，卷积核尺寸大小设置为3×3，相对于基础结构采用的1×1，本网络采用的3×3的尺寸具有良好的训练效果，收敛速度快。图像分辨率可自定义，由输入的掩膜图像分辨率决定。输入图片以后进行卷积层-激活层，将输出结果作为输入下一层的卷积层-激活层，输出结果添加上一层的残差结果，三层卷积层操作以后(基础结构只有一个卷积层，神经元个数较少，训练权重参数减少，精度不高)，输出的特征图的尺寸变小，因此进行逆卷积操作(即ConvTranspose层)，扩大图像的尺寸，同时每次逆卷积操作以后进行批量归一化(即BN层，Batch Normalization层)，采用Relu函数激活，BN层可以解决中间层数据分布发生改变的情况，防止梯度消失或爆炸、加快训练速度。共进行三次逆卷积-归一化处理，第一次逆卷积-归一化操作添加该层通道的上一层的残差结果，其输出结果作为第二次逆卷积-归一化处理的输入，两通道的第二次逆卷积-归一化处理进行Add，其输出结果作为第三次逆卷积-归一化处理的输入，并添加原始输入图像的残差结果，输出最后的优化图案。相对于基础结构只有卷积层，没有逆卷积层的结构，本网络设置了逆卷积层，可恢复原图像的尺寸进行输出，不需要后期的图片处理。
本发明训练好的网络可以对数据集内的目标掩膜图像进行快速获取并优化，同时可以对数据集外需要优化的图案进行特征预测，实现优化，参见图5。
步骤S3：将数据集划分为训练集和测试集，通过训练集对深度学习回归网络进行训练，通过测试集对深度学习回归网络进行测试。
训练时，将所述数据集内每一组数据组中的所有优化掩膜图像输入至所述深度学习回归网络中，同时在所述深度学习回归网络中将该组数据组的目标掩膜图像定义为该组数据组的标签，所述深度学习回归网络会自我学习该标签(即目标掩膜图像)与其对应的多张优化掩膜图像之间的映射关系。
本发明中深度学习回归网络对数据集进行自我学习，回归预测出的不是某一次迭代的优化掩膜图像，而是自我学习数据集内图像们的特征，回归预测出一张新的优化掩膜图像。相对于数据集只包含一张优化掩膜图像的情况，本发明给予多张优化掩膜图像，以确保深度学习回归网络学习图像特征的效果良好。即同一组数据组中有多张优化掩膜图像，能够使网络更好的学习图像特征，学习标签(即目标掩膜图像)和优化掩膜图像之间的映射关系。当训练效果较好的时候，我们认为，该映射关系能用于后期的回归预测中。即当我们使用训练好的数据库时，我们在数据库中输入一张目标掩膜图像，该数据库凭借之前学习到的映射关系，回归预测出该图像对应的优化掩膜图像。
测试时，将所述测试集内每一组数据组中的目标掩膜图像作为所述深度学习回归网络的输入，将回归预测出的优化掩膜图像作为所述深度学习回归网络的输出，基于图像结构一致性相似因子SSIM(structural similarity)算法，来衡量优化掩膜图像与目标掩膜图像的相似度与还原度。
所述图像结构一致性相似因子算法如下：
其中，SSIM(x，y)表示作为输出图像的优化掩膜图像与作为输入图像的目标掩膜图像之间的结构相似性，x表示输入图像，y表示输出图像，μx是x的平均值，μy是y的平均值，是x的方差，/>是y的方差，σxy是x和y的协方差；c1、c2是调整常数。c1＝(k1L)2，c2＝(k2L)2，L是像素值的动态范围，一般取k1＝0.01，k2＝0.03。
SSIM函数具有对称性、有界性(不超过1)和最大值唯一性(当且仅当x＝y时，SSIM＝1，表示两幅图一样)。SSIM用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量。SSIM计算的值越大，越接近1，则认为网络回归预测的精度越高。
具体的，基于图像结构一致性相似因子算法，计算所述测试集内每一组数据组的结构相似性，对多组数据组的结构相似性求平均值后得到所述深度学习回归网络的精度。即首先求出每一组数据组的SSIM，其次求出测试集内所有数据组的SSIM的平均值，该平均值可认为是所述深度学习回归网络的精度；若所述深度学习回归网络的精度大于预设精度，则视所述深度学习回归网络合格，得到训练好的网络模型。
例如，可将数据集进行随机划分，90％的数据集划分为训练集，10％的数据集划分为测试集，将数据集投入网络中进行训练，训练结束后进行验证。
步骤4、将训练好的网络模型作为光刻OPC数据库，光刻OPC数据库用于输入目标掩膜图像，输出一张与该目标掩膜图像对应的优化掩膜图像。
完成后调用训练好的模型可以对数据库内目标掩膜图像的曝光剂量进行回归预测，同时也可以对数据库外图像的曝光剂量进行回归预测。
此外，当需要对新的网络模型进行训练时，可在已有的所述光刻OPC数据库的基础上进行迁移训练。
在已有数据库的基础上可以进行迁移训练，即把已训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务是存在相关性的，所以通过迁移训练我们可以将已经学到的模型参数来分享给新模型，从而加快并优化模型的学习效率。
本发明实施例提供的一种基于深度学习的光刻OPC数据库建立方法至少包括如下技术效果：
本发明基于深度学习进行数据库构造，能够对数据库内的目标掩膜图像进行回归预测，快速回归预测出优化掩膜图像，且能够对数据库外的掩膜图像进行回归预测。使用训练好的深度学习回归网络的模型能够直接生成优化掩膜图像，能够跳过传统算法的优化过程，有效降低了计算代价、提升了计算速度；使用训练好的深度学习回归网络的模型能够对数据库外的掩膜优化进行预测，有效提高了泛化能力；相对于现有光刻OPC数据库只供检索、不做优化的问题，本发明能够基于输入的目标掩膜图像快速得到优化掩膜图像，功能强大，且降低了所需存储的数据量，减小了内存。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于深度学习的光刻OPC数据库建立方法，其特征在于，包括以下步骤：
步骤1、构建数据集；所述数据集包括多组数据组，每组所述数据组包括目标掩膜图像及其对应的多张优化掩膜图像；
步骤2、构建深度学习回归网络；
步骤3、将所述数据集划分为训练集和测试集，通过所述训练集对所述深度学习回归网络进行训练，通过所述测试集对所述深度学习回归网络进行测试；
训练时，将所述数据集内每一组数据组中的所有优化掩膜图像输入至所述深度学习回归网络中，同时在所述深度学习回归网络中将该组数据组的目标掩膜图像定义为该组数据组的标签，所述深度学习回归网络会自我学习该标签与其对应的多张优化掩膜图像之间的映射关系；
测试时，将所述测试集内每一组数据组中的目标掩膜图像作为所述深度学习回归网络的输入，将回归预测出的优化掩膜图像作为所述深度学习回归网络的输出，并求得所述深度学习回归网络的精度；若所述深度学习回归网络的精度大于预设精度，则视所述深度学习回归网络合格，得到训练好的网络模型；
步骤4、将所述训练好的网络模型作为光刻OPC数据库，所述光刻OPC数据库用于输入目标掩膜图像，输出一张与该目标掩膜图像对应的优化掩膜图像。
2.根据权利要求1所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述步骤1中，所述数据集的构建方法包括：
使用OPC优化算法对多种目标掩膜图像的曝光剂量进行优化，生成优化掩膜图像；
针对每种目标掩膜图像，通过多次改变优化迭代次数，生成不同的优化掩膜图像；
将目标掩膜图像及其对应的在多次优化迭代次数下的多张优化掩膜图像作为一组数据组，并录入数据集。
3.根据权利要求2所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，对目标掩膜图像的曝光剂量进行优化以生成优化掩膜图像时，采用如下公式：
其中，
其中，F表示代价函数，ξ表示权重系数，Iout表示优化掩膜图像，Itarget表示目标掩膜图像，a表示刻蚀速度，tr表示刻蚀阈值，E(x，y)表示曝光剂量分布矩阵，(x，y)表示一个曝光点的位置坐标，Re和Im表示取当前计算结果的实部和虚部，H表示光瞳函数，M表示迭代优化过程中的计算掩膜，θ表示无约束优化变量；
进行迭代优化时：
其中，s表示OPC优化算法中更新的步长。
4.根据权利要求1所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述步骤2中，所述深度学习回归网络采用ResNet网络。
5.根据权利要求4所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述深度学习回归网络包括三层通道，第一层通道和第二层通道结构相同，第三层通道包括一个卷积层；所述构建深度学习回归网络包括：
构建所述第一层通道和所述第二层通道的方法相同，如下：构建第一卷积层，其输入为原始输入图像，并采用Relu函数激活；构建第二卷积层，其输入为第一卷积层的输出，采用Relu函数激活，输出添加上一层的残差结果；构建第三卷积层，其输入为第二卷积层的输出，采用Relu函数激活，输出添加上一层的残差结果；构建第一逆卷积层，其输入为第三卷积层的输出，进行批量归一化处理，采用Relu函数激活，输出添加上一层的残差结果；构建第二逆卷积层，其输入为第一逆卷积层的输出，进行批量归一化处理，采用Relu函数激活；
所述第一层通道的输出结果和所述第二层通道的输出结果相加，并作为第三逆卷积层的输入，进行批量归一化处理，采用Relu函数激活；所述第三逆卷积层的输出与原始输入图像经所述第三层通道的卷积层后的数据结果相加，得到输出结果。
6.根据权利要求5所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述深度学习回归网络中各卷积层的卷积核尺寸大小为3×3。
7.根据权利要求1所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述步骤3中，基于图像结构一致性相似因子算法，计算所述测试集内每一组数据组的结构相似性，对多组数据组的结构相似性求平均值后得到所述深度学习回归网络的精度。
8.根据权利要求7所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述图像结构一致性相似因子算法如下：
其中，SSIM(x，y)表示作为输出图像的优化掩膜图像与作为输入图像的目标掩膜图像之间的结构相似性，x表示输入图像，y表示输出图像，μx是x的平均值，μy是y的平均值，是x的方差，/>是y的方差，σxy是x和y的协方差；c1、c2是调整常数。
9.根据权利要求1所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述步骤3中，将所述数据集的90％划分为训练集，将所述数据集的10％划分为测试集。
10.根据权利要求1所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，当需要对新的网络模型进行训练时，在已有的所述光刻OPC数据库的基础上进行迁移训练。
CN202210234715.8A 2022-03-10 2022-03-10 一种基于深度学习的光刻opc数据库建立方法 Active CN114898169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210234715.8A CN114898169B (zh) 2022-03-10 2022-03-10 一种基于深度学习的光刻opc数据库建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210234715.8A CN114898169B (zh) 2022-03-10 2022-03-10 一种基于深度学习的光刻opc数据库建立方法

Publications (2)

Publication Number Publication Date
CN114898169A CN114898169A (zh) 2022-08-12
CN114898169B true CN114898169B (zh) 2024-04-12

Family

ID=82715888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210234715.8A Active CN114898169B (zh) 2022-03-10 2022-03-10 一种基于深度学习的光刻opc数据库建立方法

Country Status (1)

Country Link
CN (1) CN114898169B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110187609A (zh) * 2019-06-05 2019-08-30 北京理工大学 一种计算光刻的深度学习方法
CN112485976A (zh) * 2020-12-11 2021-03-12 上海集成电路装备材料产业创新中心有限公司 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法
CN113238460A (zh) * 2021-04-16 2021-08-10 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
CN113420523A (zh) * 2016-06-21 2021-09-21 朗姆研究公司 经边缘放置误差预测的光致抗蚀剂设计布局图案邻近校正

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102405686B1 (ko) * 2017-09-08 2022-06-07 에이에스엠엘 네델란즈 비.브이. 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420523A (zh) * 2016-06-21 2021-09-21 朗姆研究公司 经边缘放置误差预测的光致抗蚀剂设计布局图案邻近校正
CN110187609A (zh) * 2019-06-05 2019-08-30 北京理工大学 一种计算光刻的深度学习方法
CN112485976A (zh) * 2020-12-11 2021-03-12 上海集成电路装备材料产业创新中心有限公司 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法
CN113238460A (zh) * 2021-04-16 2021-08-10 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep Learning-Driven Simultaneous Layout Decomposition and Mask Optimization;Wei Zhong;《IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems 》;20210223;709 - 722 *
基于SVM及多目标遗传算法的光刻热点检测;曹葵康;沈海斌;杨巍;;电路与系统学报;20120615(03);全文 *
基于机器学习的光刻坏点检测研究进展;盖天洋;粟雅娟;陈颖;韦亚一;;微纳电子技术;20190506(06);全文 *

Also Published As

Publication number Publication date
CN114898169A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN110678961B (zh) 在光学光刻中模拟近场图像
CN110187609B (zh) 一种计算光刻的深度学习方法
US10867098B1 (en) System and method for ESL modeling of machine learning
CN113759657B (zh) 光学邻近校正方法
CN111310407A (zh) 基于机器学习进行逆向光刻最优特征向量设计的方法
CN115981115B (zh) 光学邻近校正方法、装置、计算机设备和存储介质
US20230375916A1 (en) Inverse lithography and machine learning for mask synthesis
WO2022083002A1 (zh) 基于贝叶斯优化的脑卒中与慢性病模型的参数优化方法
US11853660B2 (en) System and method for modeling a semiconductor fabrication process
CN117313640A (zh) 光刻掩膜生成模型的训练方法、装置、设备及存储介质
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
Pang et al. Optimization from design rules, source and mask, to full chip with a single computational lithography framework: level-set-methods-based inverse lithography technology (ILT)
US20180196349A1 (en) Lithography Model Calibration Via Genetic Algorithms with Adaptive Deterministic Crowding and Dynamic Niching
CN111339724A (zh) 用于生成数据处理模型和版图的方法、设备和存储介质
WO2022093529A1 (en) Prediction and metrology of stochastic photoresist thickness defects
KR20230065983A (ko) 특징 이미지들에 기초한 3차원 마스크 시뮬레이션들
CN114898169B (zh) 一种基于深度学习的光刻opc数据库建立方法
US20230118656A1 (en) Machine learning based model builder and its applications for pattern transferring in semiconductor manufacturing
CN117313642A (zh) 光刻掩膜生成模型的训练方法、装置、设备及存储介质
CN117272919A (zh) 光刻掩膜的更新方法、装置、设备及存储介质
Kwon et al. Optical proximity correction using bidirectional recurrent neural network with attention mechanism
Shi et al. Physics based feature vector design: a critical step towards machine learning based inverse lithography
US20240160827A1 (en) Methods of training deep learning models for optical proximity correction, optical proximity correction methods, and methods of manufacturing semiconductor devices using the same
US20240143886A1 (en) Method of correcting layout for semiconductor process using machine learning, method of manufacturing semiconductor device using the same, and layout correction system performing the same
US20230025777A1 (en) Opc model simulation 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