CN115457350B - 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 - Google Patents

光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 Download PDF

Info

Publication number
CN115457350B
CN115457350B CN202211389169.1A CN202211389169A CN115457350B CN 115457350 B CN115457350 B CN 115457350B CN 202211389169 A CN202211389169 A CN 202211389169A CN 115457350 B CN115457350 B CN 115457350B
Authority
CN
China
Prior art keywords
data
etching
model
optical image
optical proximity
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
CN202211389169.1A
Other languages
English (en)
Other versions
CN115457350A (zh
Inventor
请求不公布姓名
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.)
Huaxincheng Hangzhou Technology Co ltd
Original Assignee
Huaxincheng Hangzhou Technology Co ltd
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 Huaxincheng Hangzhou Technology Co ltd filed Critical Huaxincheng Hangzhou Technology Co ltd
Priority to CN202211389169.1A priority Critical patent/CN115457350B/zh
Publication of CN115457350A publication Critical patent/CN115457350A/zh
Application granted granted Critical
Publication of CN115457350B publication Critical patent/CN115457350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Abstract

本发明涉及光学邻近修正领域，特别是涉及一种光学邻近修正的蚀刻模型训练方法及光学邻近修正方法，通过确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；根据所述图形数据确定对应的模拟光学图像数据；根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。本发明提供的蚀刻模型，不需要采集所述训练集测试模板光刻后光刻胶的关键尺寸或者轮廓的数据，因此大大节省了模型训练成本，缩短了模型训练时间，同时，基于卷积神经网络训练的蚀刻模型具有很高的准确度，输出的掩膜板图案经过刻蚀得到的图案与目标图案的相近度高。

Description

光学邻近修正的蚀刻模型训练方法及光学邻近修正方法
技术领域
本发明涉及光学邻近修正领域，特别是涉及一种光学邻近修正的蚀刻模型训练方法、装置、设备、计算机可读存储介质及一种光学邻近修正方法。
背景技术
光学临近修正是集成电路制造的流片过程中必不可缺的一环。整个流片过程的输入是集成电路设计版图，通常由集成电路设计厂商提供，输出是最终的掩模板图案数据，由晶片制造商交付光罩厂生产。在这个流程中，光学临近修正包括从蚀刻后的目标版图（有时称为“最终目标”版图）生成掩模板图案的这一段。
基于蚀刻后的目标版图，光学临近修正的流程主要包括两种：第一种为对蚀刻后的目标版图使用蚀刻偏差规则表(Etch bias rule table)，得到光学临近修正目标（光刻目标），再根据光学临近修正模型（光刻模型）对目标进行光学临近修正，得到最终的研磨板图案；第二种为基于蚀刻后的目标，直接使用蚀刻模型和光刻模型直接进行光学临近修正，得到最终的研磨板图案。
以上两种流程有各自的问题，第一种方法蚀刻偏差规则表本身只是一种近似处理，经常会导致实际蚀刻后的晶片尺寸与蚀刻目标偏离较大，造成缺陷或者影响集成电路的性能；第二种方法校正一套光刻模型和蚀刻模型需要收集光刻后和蚀刻后数据，非常耗时；基于蚀刻模型和光刻模型运行光学临近修正程序时也非常耗时。
因此，如何提供一种保证晶片实际蚀刻后的图案贴近目标图案，且节省光学临近效应程序的运行时间的光学临近修正方法，是本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种光学邻近修正的蚀刻模型训练方法、装置、设备、计算机可读存储介质及一种光学邻近修正方法，以解决现有技术中不能兼顾西政准确度与光学邻近修正流程段耗时的问题。
为解决上述技术问题，本发明提供一种光学邻近修正的蚀刻模型训练方法，包括：
确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；
根据所述图形数据确定对应的模拟光学图像数据；
根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。
可选地，在所述的光学邻近修正的蚀刻模型训练方法中，所述根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型包括：
在预设的阈值范围内，确定多个光学图像预选值；
根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及多个所述光学图像预选值，得到与所述光学图像预选值对应的待选蚀刻模型；
确定全部的所述待选蚀刻模型对应的损失函数值，并将最小的损失函数值对应的待选蚀刻模型作为光学邻近修正的蚀刻模型。
可选地，在所述的光学邻近修正的蚀刻模型训练方法中，所述根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型包括：
根据所述模拟光学图像数据中的代表点位的光学图像值，通过下式确定误差值Cost_1的最小值对应的优化光学图像阈值：
其中，i为所述图形数据的编号，j为代表点位的编号，Iij为图形数据i上的代表点位j的模拟光学图像值，T为具有预设的阈值范围的光学图像阈值；
根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及优化图像阈值，得到待修正蚀刻模型；
根据所述优化光学图像阈值，在所述阈值范围内，通过单参数优化算法得到最终图像阈值及与所述最终图像阈值对应的光学邻近修正的蚀刻模型。
可选地，在所述的光学邻近修正的蚀刻模型训练方法中，所述根据所述图形数据确定对应的模拟光学图像数据包括：
获取实际工艺参数信息；
根据所述图形数据及所述实际工艺参数信息确定对应的模拟光学图像数据。
一种光学邻近修正的蚀刻模型训练装置，包括：
获取模块，用于确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；
光学模拟模块，用于根据所述图形数据确定对应的模拟光学图像数据；
CNN模块，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。
可选地，在所述的光学邻近修正的蚀刻模型训练装置中，所述CNN模块包括：
预选阈值单元，用于在预设的阈值范围内，确定多个光学图像预选值；
阈值推导单元，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及多个所述光学图像预选值，得到与所述光学图像预选值对应的待选蚀刻模型；
修正确定单元，用于确定全部的所述待选蚀刻模型对应的损失函数值，并将最小的损失函数值对应的待选蚀刻模型作为光学邻近修正的蚀刻模型。
可选地，在所述的光学邻近修正的蚀刻模型训练装置中，所述CNN模块包括：
最小误差单元，用于根据所述模拟光学图像数据中的代表点位的光学图像值，通过下式确定误差值Cost_1的最小值对应的优化光学图像阈值：
其中，i为所述图形数据的编号，j为代表点位的编号，Iij为图形数据i上的代表点位j的模拟光学图像值，T为具有预设的阈值范围的光学图像阈值；
初步修正单元，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及优化图像阈值，得到待修正蚀刻模型；
参数优化单元，用于根据所述优化光学图像阈值，在所述阈值范围内，通过单参数优化算法得到最终图像阈值及与所述最终图像阈值对应的光学邻近修正的蚀刻模型。
一种光学邻近修正方法，包括：
获取目标线路版图数据；
将所述目标线路版图数据输入光学邻近修正模型中，得到目标掩膜板图数据；其中，所述光学邻近修正模型为通过如上述任一种所述的光学邻近修正的蚀刻模型训练方法得到的光学邻近修正模型；
根据所述目标掩膜板图数据，制造对应的掩膜层。
一种光学邻近修正的蚀刻模型训练设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一种所述的光学邻近修正的蚀刻模型训练方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质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如上述任一种所述的光学邻近修正的蚀刻模型训练方法的步骤。
本发明所提供的光学邻近修正的蚀刻模型训练方法，通过确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；根据所述图形数据确定对应的模拟光学图像数据；根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。本发明提供的蚀刻模型，不需要采集所述训练集测试模板光刻后光刻胶的关键尺寸或者轮廓的数据，也不需要计算光刻到蚀刻的关键尺寸或者轮廓的偏差，因此大大节省了模型训练成本，缩短了模型训练时间，同时，基于卷积神经网络训练的蚀刻模型具有很高的准确度，输出的掩膜板图案经过刻蚀得到的图案与目标图案的相近度高。本发明同时还提供了一种具有上述有益效果的光学邻近修正的光学邻近修正的蚀刻模型训练装置、设备、计算机可读存储介质及一种光学邻近修正方法。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明提供的光学邻近修正的蚀刻模型训练方法的一种具体实施方式的流程示意图；
图2至图4为本发明提供的光学邻近修正的蚀刻模型训练方法的一种具体实施方式的工艺流程图；
图5为本发明提供的光学邻近修正的蚀刻模型训练方法的另一种具体实施方式的流程示意图；
图6为本发明提供的光学邻近修正的蚀刻模型训练装置的一种具体实施方式的结构示意图；
图7为本发明提供的光学邻近修正方法的一种具体实施方式的流程示意图；
图8为本发明提供的光学邻近修正装置的一种具体实施方式的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的核心是提供一种光学邻近修正的蚀刻模型训练方法，其一种具体实施方式的流程示意图如图1所示，称其为具体实施方式一，包括：
S101：确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据。
所述测试掩膜板训练集通常包括几百至几万个掩膜板图形，每个掩膜板图形均对应一个所述图形数据及所述刻蚀晶片轮廓数据，当然，测试掩膜板图案的选取要覆盖该目标图层的设计规则，例如，要覆盖设计规则允许的最小和最大图形线宽和间距。图2即为所述测试掩膜板训练集中的掩膜板对应的图形数据。
所述刻蚀晶片轮廓数据为对应的掩膜板图形实际刻蚀后得到的晶片的轮廓数据。
S102：根据所述图形数据确定对应的模拟光学图像数据。
作为一种优选实施方式，本步骤包括：
A1：获取实际工艺参数信息。
所述时机工艺参数为在进行实际加工时的光刻工艺采用的光学参数，如数值孔径等等。
A2：根据所述图形数据及所述实际工艺参数信息确定对应的模拟光学图像数据。
采用实际加工时的工艺参数进行模拟，可大大提升模拟结果与实际操作中的特合度，从而提升模拟准确度。图3模拟光学图像数据中的模拟光学图像如图3所示。
S103：根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。
需要注意的是，所述图像阈值实际上是图像的灰度值，因此所述图像阈值对应的阈值范围一般为0至1，所述图像阈值直接影响如何从所述模拟光学图像数据及最后得到的“蚀刻后图像”中勾出图形的形状轮廓。
所述卷积神经网络，包含卷积层、激活层和全连接层，模型的输出层为“蚀刻后图像”，也是一个二维像素矩阵。该卷积神经网络模型完成了输入的光学图像到输出的蚀刻后图像的映射，若利用公式表达则如下式（1）所示：
                                     （1）
其中，Ei指输出的蚀刻后的图像的图像强度值，Ii为第i个图形数据的模拟光学图像值。
图4即为输出的蚀刻后图像的轮廓，以及图像中的代表点位的示意图。
作为一种具体实施方式，本步骤包括：
B1：在预设的阈值范围内，确定多个光学图像预选值。
所述光学图像预选值可为随机挑选的，也可为根据一定规则筛选得到的。
B2：根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及多个所述光学图像预选值，得到与所述光学图像预选值对应的待选蚀刻模型。
B3：确定全部的所述待选蚀刻模型对应的损失函数值，并将最小的损失函数值对应的待选蚀刻模型作为光学邻近修正的蚀刻模型。
具体地，可通过下式（2）描述的损失函数Cost_2及式（3）描述的约束条件训练所述卷积神经网络模型：
                        （2）
                             （3）
其中，i为所述图形数据的编号，j为代表点位的编号，Wij为对图形数据i上的j点赋予的权重，f（Ii）j表示将第i个图形数据映射成蚀刻后的图像上的代表点位j的图像强度值，T为所述图像阈值，Iij为图形数据i上的代表点位j的模拟光学图像值（由步骤S102获得），R为经验值。
在步骤B3中，将所述光学图像预选值分别代入式（2）的T中，分别计算其各自的损失函数Cost_2值，选取最小的Cost_2值对应的光学图像预选值对应的待选蚀刻模型作为光学邻近修正的蚀刻模型，则最终得到的光学邻近修正的蚀刻模型F（T）可用下式（4）表示：
                     （4）
而在得到所述光学邻近修正的蚀刻模型F（T）之后，利用所述光学邻近修正的蚀刻模型F（T）进行光学邻近修正的步骤包括：
步骤一、对于实际的集成电路版图设计进行处理，得到蚀刻后的目标。
步骤二、将所述蚀刻后的目标作为光学临近修正目标，使用所述光学邻近修正的蚀刻模型F（T）运行光学临近修正程序。
步骤三、所述光学邻近修正的蚀刻模型F（T）输出最终的掩模板图案。
在实际生产中，所述测试掩膜板训练集中的图形数据可占全部的图形数据中的80%，另外20%作为训练结束后的测试集。
本发明所提供的光学邻近修正的蚀刻模型训练方法，通过确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；根据所述图形数据确定对应的模拟光学图像数据；根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。本发明提供的蚀刻模型，不需要采集所述训练集测试模板光刻后光刻胶的关键尺寸或者轮廓的数据，也不需要计算光刻到蚀刻的关键尺寸或者轮廓的偏差，因此大大节省了模型训练成本，缩短了模型训练时间，同时，基于卷积神经网络训练的蚀刻模型具有很高的准确度，输出的掩膜板图案经过刻蚀得到的图案与目标图案的相近度高。
在具体实施方式一的基础上，进一步对所述光学邻近修正的蚀刻模型的获得方法做改进，得到具体实施方式二，其流程示意图如图5所示，包括：
S201：确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据。
S202：根据所述图形数据确定对应的模拟光学图像数据。
S203：根据所述模拟光学图像数据中的代表点位的光学图像值，通过下式（5）确定误差值Cost_1的最小值对应的优化光学图像阈值：
                          （5）
其中，i为所述图形数据的编号，j为代表点位的编号，Iij为图形数据i上的代表点位j的模拟光学图像值，T为具有预设的阈值范围的光学图像阈值。
本步骤中误差值Cost_1具体为全部的图形数据中的全部的代表点位的模拟光学图像值与所述光学图像阈值的差的平方的和，当Cost_1最小时，反映了此时的优化光学图像阈值T0勾勒出的边缘最贴近模拟光学图像数据对应的掩膜版图像的边缘。
S204：根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及优化图像阈值，得到待修正蚀刻模型。
S205：根据所述优化光学图像阈值，在所述阈值范围内，通过单参数优化算法得到最终图像阈值及与所述最终图像阈值对应的光学邻近修正的蚀刻模型。
本具体实施方式与上述具体实施方式的不同之处在于，本具体实施方式中对最终采用的，令所述损失函数最小的图像阈值的获得方法不同，其余步骤均与上述具体实施方式相同，在此不再展开赘述。
本具体实施方式中，先寻找误差值Cost_1最小时对应的光学图像阈值，由前文中可知，此时的优化光学图像阈值T0本身即为一个较为贴近真实边缘的值，本具体实施方式进一步利用单参数优化算法，以优化光学图像阈值T0为基础进一步探寻所述光学邻近修正的蚀刻模型F（T）的损失函数最小时对应的图像阈值，相比于其他方法大大提升了计算效率，缩短了计算时间。
下面对本发明实施例提供的光学邻近修正的蚀刻模型训练装置进行介绍，下文描述的光学邻近修正的蚀刻模型训练装置与上文描述的光学邻近修正的蚀刻模型训练方法可相互对应参照。
图6为本发明实施例提供的光学邻近修正的蚀刻模型训练装置的结构框图，参照图6光学邻近修正的蚀刻模型训练装置可以包括：
获取模块100，用于确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；
光学模拟模块200，用于根据所述图形数据确定对应的模拟光学图像数据；
CNN模块300，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。
所述CNN指卷积神经网络。
作为一种优选实施方式，所述CNN模块300包括：
预选阈值单元，用于在预设的阈值范围内，确定多个光学图像预选值；
阈值推导单元，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及多个所述光学图像预选值，得到与所述光学图像预选值对应的待选蚀刻模型；
修正确定单元，用于确定全部的所述待选蚀刻模型对应的损失函数值，并将最小的损失函数值对应的待选蚀刻模型作为光学邻近修正的蚀刻模型。
作为一种优选实施方式，所述CNN模块300包括：
最小误差单元，用于根据所述模拟光学图像数据中的代表点位的光学图像值，通过下式确定误差值Cost_1的最小值对应的优化光学图像阈值：
其中，i为所述图形数据的编号，j为代表点位的编号，Iij为图形数据i上的代表点位j的模拟光学图像值，T为具有预设的阈值范围的光学图像阈值；
初步修正单元，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及优化图像阈值，得到待修正蚀刻模型；
参数优化单元，用于根据所述优化光学图像阈值，在所述阈值范围内，通过单参数优化算法得到最终图像阈值及与所述最终图像阈值对应的光学邻近修正的蚀刻模型。
作为一种优选实施方式，所述光学模拟模块200包括：
工艺参数单元，用于获取实际工艺参数信息；
工艺模拟单元，用于根据所述图形数据及所述实际工艺参数信息确定对应的模拟光学图像数据。
本发明所提供的光学邻近修正的蚀刻模型训练装置，通过获取模块100，用于确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；光学模拟模块200，用于根据所述图形数据确定对应的模拟光学图像数据；CNN模块300，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。本发明提供的蚀刻模型，不需要采集所述训练集测试模板光刻后光刻胶的关键尺寸或者轮廓的数据，也不需要计算光刻到蚀刻的关键尺寸或者轮廓的偏差，因此大大节省了模型训练成本，缩短了模型训练时间，同时，基于卷积神经网络训练的蚀刻模型具有很高的准确度，输出的掩膜板图案经过刻蚀得到的图案与目标图案的相近度高。
本实施例的光学邻近修正的蚀刻模型训练装置用于实现前述的光学邻近修正的蚀刻模型训练方法，因此光学邻近修正的蚀刻模型训练装置中的具体实施方式可见前文中的光学邻近修正的蚀刻模型训练方法的实施例部分，例如，获取模块100，光学模拟模块200，CNN模块300，分别用于实现上述光学邻近修正的蚀刻模型训练方法中步骤S101，S102，S103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明还同时提供了一种光学邻近修正的蚀刻模型训练设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一种所述的光学邻近修正的蚀刻模型训练方法的步骤。本发明所提供的光学邻近修正的蚀刻模型训练方法，通过确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；根据所述图形数据确定对应的模拟光学图像数据；根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。本发明提供的蚀刻模型，不需要采集所述训练集测试模板光刻后光刻胶的关键尺寸或者轮廓的数据，也不需要计算光刻到蚀刻的关键尺寸或者轮廓的偏差，因此大大节省了模型训练成本，缩短了模型训练时间，同时，基于卷积神经网络训练的蚀刻模型具有很高的准确度，输出的掩膜板图案经过刻蚀得到的图案与目标图案的相近度高。
本发明还同时提供了一种计算机可读存储介质，所述计算机可读存储介质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如上述任一种所述的光学邻近修正的蚀刻模型训练方法的步骤。本发明所提供的光学邻近修正的蚀刻模型训练方法，通过确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；根据所述图形数据确定对应的模拟光学图像数据；根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型。本发明提供的蚀刻模型，不需要采集所述训练集测试模板光刻后光刻胶的关键尺寸或者轮廓的数据，也不需要计算光刻到蚀刻的关键尺寸或者轮廓的偏差，因此大大节省了模型训练成本，缩短了模型训练时间，同时，基于卷积神经网络训练的蚀刻模型具有很高的准确度，输出的掩膜板图案经过刻蚀得到的图案与目标图案的相近度高。
本发明还同时提供了一种光学邻近修正方法，其一种具体实施方式的流程示意图如图7所示，称其为具体实施方式三，包括：
S301：获取目标线路版图数据。
S302：将所述目标线路版图数据输入光学邻近修正模型中，得到目标掩膜板图数据；其中，所述光学邻近修正模型为通过如上述任一种所述的光学邻近修正的蚀刻模型训练方法得到的光学邻近修正模型。
S303：根据所述目标掩膜板图数据，制造对应的掩膜层。
本发明中提供的光学邻近修正方法，利用了前文中的光学邻近修正的蚀刻模型训练方法得到的光学邻近修正模型，因此技术细节可对照前文，适用于前文的技术细节与技术特征同样适用于本具体实施方式，在此不再展开赘述。
本发明所提供的光学邻近修正方法，通过获取目标线路版图数据；将所述目标线路版图数据输入光学邻近修正模型中，得到目标掩膜板图数据；其中，所述光学邻近修正模型为通过如上述任一种所述的光学邻近修正的蚀刻模型训练方法得到的光学邻近修正模型；根据所述目标掩膜板图数据，制造对应的掩膜层。本发明提供的蚀刻模型，不需要采集所述训练集测试模板光刻后光刻胶的关键尺寸或者轮廓的数据，也不需要计算光刻到蚀刻的关键尺寸或者轮廓的偏差，因此大大节省了模型训练成本，缩短了模型训练时间，同时，基于卷积神经网络训练的蚀刻模型具有很高的准确度，输出的掩膜板图案经过刻蚀得到的图案与目标图案的相近度高。
下面对本发明实施例提供的光学邻近修正装置进行介绍，下文描述的光学邻近修正装置与上文描述的光学邻近修正方法可相互对应参照。
图8为本发明实施例提供的光学邻近修正装置的结构框图，参照图8光学邻近修正装置可以包括：
目标获取模块001，用于获取目标线路版图数据；
掩膜计算模块002，用于将所述目标线路版图数据输入光学邻近修正模型中，得到目标掩膜板图数据；其中，所述光学邻近修正模型为通过如上述任一种所述的光学邻近修正的蚀刻模型训练方法得到的光学邻近修正模型；
掩膜制造模块003，用于根据所述目标掩膜板图数据，制造对应的掩膜层。
本发明所提供的光学邻近修正装置，通过目标获取模块001，用于获取目标线路版图数据；掩膜计算模块002，用于将所述目标线路版图数据输入光学邻近修正模型中，得到目标掩膜板图数据；其中，所述光学邻近修正模型为通过如上述任一种所述的光学邻近修正的蚀刻模型训练方法得到的光学邻近修正模型；掩膜制造模块003，用于根据所述目标掩膜板图数据，制造对应的掩膜层。本发明提供的蚀刻模型，不需要采集所述训练集测试模板光刻后光刻胶的关键尺寸或者轮廓的数据，也不需要计算光刻到蚀刻的关键尺寸或者轮廓的偏差，因此大大节省了模型训练成本，缩短了模型训练时间，同时，基于卷积神经网络训练的蚀刻模型具有很高的准确度，输出的掩膜板图案经过刻蚀得到的图案与目标图案的相近度高。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的光学邻近修正的蚀刻模型训练方法、装置、设备、计算机可读存储介质及一种光学邻近修正方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种光学邻近修正的蚀刻模型训练方法，其特征在于，包括：
确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；
根据所述图形数据确定对应的模拟光学图像数据；
根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型；
所述根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型包括：
在预设的阈值范围内，确定多个光学图像预选值；
根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及多个所述光学图像预选值，得到与所述光学图像预选值对应的待选蚀刻模型；
确定全部的所述待选蚀刻模型对应的损失函数值，并将最小的损失函数值对应的待选蚀刻模型作为光学邻近修正的蚀刻模型；
根据所述模拟光学图像数据中的代表点位的光学图像值，通过下式确定误差值Cost_1的最小值对应的优化光学图像阈值：
其中，i为所述图形数据的编号，j为代表点位的编号，Iij为图形数据i上的代表点位j的模拟光学图像值，T为具有预设的阈值范围的光学图像阈值；
根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及优化图像阈值，得到待修正蚀刻模型；
根据所述优化光学图像阈值，在所述阈值范围内，通过单参数优化算法得到最终图像阈值及与所述最终图像阈值对应的光学邻近修正的蚀刻模型。
2.如权利要求1所述的光学邻近修正的蚀刻模型训练方法，其特征在于，所述根据所述图形数据确定对应的模拟光学图像数据包括：
获取实际工艺参数信息；
根据所述图形数据及所述实际工艺参数信息确定对应的模拟光学图像数据。
3.一种光学邻近修正的蚀刻模型训练装置，其特征在于，包括：
获取模块，用于确定测试掩膜板训练集，并获取所述测试掩膜板训练集包括的图形数据及刻蚀晶片轮廓数据；
光学模拟模块，用于根据所述图形数据确定对应的模拟光学图像数据；
CNN模块，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及图像阈值，得到光学邻近修正的蚀刻模型；
所述CNN模块包括：
预选阈值单元，用于在预设的阈值范围内，确定多个光学图像预选值；
阈值推导单元，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及多个所述光学图像预选值，得到与所述光学图像预选值对应的待选蚀刻模型；
修正确定单元，用于确定全部的所述待选蚀刻模型对应的损失函数值，并将最小的损失函数值对应的待选蚀刻模型作为光学邻近修正的蚀刻模型；
最小误差单元，用于根据所述模拟光学图像数据中的代表点位的光学图像值，通过下式确定误差值Cost_1的最小值对应的优化光学图像阈值：
其中，i为所述图形数据的编号，j为代表点位的编号，Iij为图形数据i上的代表点位j的模拟光学图像值，T为具有预设的阈值范围的光学图像阈值；
初步修正单元，用于根据所述图形数据、所述刻蚀晶片轮廓数据及所述模拟光学图像数据，通过原始卷积神经网络模型及优化图像阈值，得到待修正蚀刻模型；
参数优化单元，用于根据所述优化光学图像阈值，在所述阈值范围内，通过单参数优化算法得到最终图像阈值及与所述最终图像阈值对应的光学邻近修正的蚀刻模型。
4.一种光学邻近修正方法，其特征在于，包括：
获取目标线路版图数据；
将所述目标线路版图数据输入光学邻近修正模型中，得到目标掩膜板图数据；其中，所述光学邻近修正模型为通过如权利要求1至2任一项所述的光学邻近修正的蚀刻模型训练方法得到的光学邻近修正模型；
根据所述目标掩膜板图数据，制造对应的掩膜层。
5.一种光学邻近修正的蚀刻模型训练设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述的光学邻近修正的蚀刻模型训练方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至2任一项所述的光学邻近修正的蚀刻模型训练方法的步骤。
CN202211389169.1A 2022-11-08 2022-11-08 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 Active CN115457350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211389169.1A CN115457350B (zh) 2022-11-08 2022-11-08 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211389169.1A CN115457350B (zh) 2022-11-08 2022-11-08 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法

Publications (2)

Publication Number Publication Date
CN115457350A CN115457350A (zh) 2022-12-09
CN115457350B true CN115457350B (zh) 2023-04-18

Family

ID=84311421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211389169.1A Active CN115457350B (zh) 2022-11-08 2022-11-08 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法

Country Status (1)

Country Link
CN (1) CN115457350B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116646381A (zh) * 2023-07-27 2023-08-25 深圳市冠禹半导体有限公司 一种高效能的sgtmosfet器件及其制备方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105573048A (zh) * 2014-10-13 2016-05-11 中芯国际集成电路制造(上海)有限公司 一种光学临近修正模型的优化方法
CN113406859A (zh) * 2021-08-19 2021-09-17 南京晶驱集成电路有限公司 光学邻近修正模型的建模方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100826655B1 (ko) * 2007-05-21 2008-05-06 주식회사 하이닉스반도체 광 근접 효과 보정 방법
KR20090000868A (ko) * 2007-06-28 2009-01-08 주식회사 하이닉스반도체 광 근접효과 보정방법
CN108535952B (zh) * 2018-04-09 2020-08-11 北京理工大学 一种基于模型驱动卷积神经网络的计算光刻方法
WO2020187578A1 (en) * 2019-03-21 2020-09-24 Asml Netherlands B.V. Training method for machine learning assisted optical proximity error correction
CN113050363A (zh) * 2019-12-27 2021-06-29 中芯国际集成电路制造(上海)有限公司 光学邻近修正模型的建立方法以及光学邻近修正方法
US20230100578A1 (en) * 2020-02-12 2023-03-30 Asml Netherlands B.V. Method for determining a mask pattern comprising optical proximity corrections using a trained machine learning model
CN112485976B (zh) * 2020-12-11 2022-11-01 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
CN114488721B (zh) * 2022-03-15 2023-08-11 福建省晋华集成电路有限公司 光学邻近修正方法、装置、电子设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105573048A (zh) * 2014-10-13 2016-05-11 中芯国际集成电路制造(上海)有限公司 一种光学临近修正模型的优化方法
CN113406859A (zh) * 2021-08-19 2021-09-17 南京晶驱集成电路有限公司 光学邻近修正模型的建模方法

Also Published As

Publication number Publication date
CN115457350A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
EP2705526B1 (en) Euv lithography flare calculation and compensation
EP1424595B1 (en) Automatic calibration of a masking process simulator
US8234596B2 (en) Pattern data creating method, pattern data creating program, and semiconductor device manufacturing method
CN104950568B (zh) 光学邻近校正方法及双重图形曝光方法
JP2010539544A (ja) マスクパターン及び書込パターンを判断するための技術
JP4068531B2 (ja) Ｏｐｃを用いたパターン寸法の補正方法及び検証方法、マスクの作成方法及び半導体装置の製造方法、並びに該補正方法を実行するシステム及びプログラム
US8997027B2 (en) Methods for modifying an integrated circuit layout design
CN115457350B (zh) 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法
CN112655071A (zh) 学习装置、推断装置以及已学习模型
CN115470741B (zh) 用于光源掩模协同优化的方法、电子设备和存储介质
CN114415467B (zh) 一种光学临近效应修正模型的获取方法及系统
CN116167323A (zh) 一种opc修正方法、装置、设备及计算机可读存储介质
US10571799B1 (en) Hessian-free calculation of product of Hessian matrix and vector for lithography optimization
CN114326288A (zh) 增大光刻工艺窗口的方法、电子设备和存储介质
US9582617B2 (en) Simulation device and simulation program for simulating process using first and second masks
CN110361926B (zh) 光学邻近效应修正模型及其建立方法和掩膜板的形成方法
CN116974139A (zh) 一种快速计算光刻掩膜图像的方法、装置及设备
CN116699939A (zh) 一种掩膜版优化方法、装置、设备及计算机可读存储介质
US20220309222A1 (en) Semiconductor layout context around a point of interest
KR100864934B1 (ko) 마스크 레이아웃 보정 방법 및 마스크 레이아웃 보정 장치
CN115826349A (zh) 光学邻近修正方法、系统、电子设备及存储介质
CN113608410B (zh) 晶圆对准掩膜版生成方法、装置、计算机设备和存储介质
US20210216059A1 (en) Multi-objective calibrations of lithography models
US10564554B2 (en) System and method for analyzing printed masks for lithography based on representative contours
JP2010156875A (ja) パターン補正支援方法およびパターン補正支援プログラム

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