CN115826368A - 一种时变光源-掩模版协同优化方法及相关设备 - Google Patents
一种时变光源-掩模版协同优化方法及相关设备 Download PDFInfo
- Publication number
- CN115826368A CN115826368A CN202310123013.7A CN202310123013A CN115826368A CN 115826368 A CN115826368 A CN 115826368A CN 202310123013 A CN202310123013 A CN 202310123013A CN 115826368 A CN115826368 A CN 115826368A
- Authority
- CN
- China
- Prior art keywords
- light source
- time
- scheme
- mask
- training library
- 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.)
- Granted
Links
Images
Landscapes
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明公开了一种时变光源‑掩模版协同优化方法及相关设备，所述方法包括：获取散焦和光刻胶的阈值，对散焦和阈值进行预计算得到初始参量；进行时变光源优化和掩模版优化得到联合方案，并将联合方案反馈给第一训练库；根据联合方案对隐图像进行计算光刻模拟得到模拟结果，并对联合方案进行曝光得到量测结果，并将模拟结果与量测结果进行对比得到对比结果；将对比结果输入第二训练库，根据智能核心算法对第一训练库和第二训练库进行学习得到优化后的多次曝光方案，并基于多次曝光方案得到超分辨光刻图案。本发明通过稀疏采样降低量测所需的精度，并在多次曝光后形成具有高质量临界尺寸的锐化边缘，实现超分辨光，且降低测试成本。
Description
技术领域
本发明涉及光刻技术领域，尤其涉及一种时变光源-掩模版协同优化方法、系统、终端及计算机可读存储介质。
背景技术
光刻技术是现代集成电路和芯片制造不可或缺的核心技术，光刻机系统普遍依托于高质量光源、大口径光学器件和超高精度运动控制平台。光刻的分辨率和临界尺寸（CD，critical dimension）的提升取决于多方面，如光刻胶性质、曝光参数、控制平台精度、曝光波长、有效数值孔径等。在此基础上，考虑到光的衍射效应和投影像差，业界广泛采用分辨率增强技术（RET，resolution enhancement technique）来提升分辨率和关键尺寸，如光学邻近效应修正（OPC，optical proximity correction）、离轴照明（OAI，off-axisillumination）、移相掩模（PSM，phase shift mask）和亚分辨率辅助图形（SRAF，sub-resolution assistant feature）等。
而光源掩模协同优化（SMO，source mask optimization）同时考虑光源照明模式和掩模图形，与传统RET相比，SMO具有更大自由度，是进一步提高光刻分辨率和工艺窗口的关键技术之一。目前的各项RET技术依然基于传统光刻机行业的大设备和大平台实行整体系统化迭代和改进，其成本高昂、迭代困难，部分环节所需的材料与技术要求极为苛刻。因此，现有的分辨率增强技术非常依赖极端制造工艺，并且光刻机系统迭代优化效率低及成本高。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种时变光源-掩模版协同优化方法及相关设备，旨在解决现有技术对极端制造工艺过于依赖，并且光刻机系统迭代优化效率低及成本高的问题。
为实现上述目的，本发明提供一种时变光源-掩模版协同优化方法及相关设备，所述时变光源-掩模版协同优化方法包括如下步骤：
获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版；
分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库；
根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果；
将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，之前还包括：
获取所述光刻胶的特性，根据不同的特性设置偏振态的调制时间，其中，所述调制时间为全程覆盖单次曝光时间或部分覆盖单次曝光时间。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述光源为像素级可控光源阵列，其中，所述像素级可控光源阵列所需的照明光源为深紫外波长。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述获取散焦和光刻胶阈值，对所述散焦和所述光刻胶阈值进行预计算得到初始参量，之后还包括：
对所述光源进行仿真计算，得到所述光源单次照明的时长、亮度和曝光剂量，并得到每个像素光源的曝光次数和时间间隔。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述对所述光源进行仿真计算，得到所述光源单次照明的时长、亮度和曝光剂量，并得到每个像素光源的曝光次数和时间间隔，之后还包括：
在对所述光源进行仿真计算后，加入大口径电控偏振片以统一偏振态变化，或加入像素级液晶空间光调制器以定制单像素偏振态变化。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果，具体包括：
将所述联合方案作为输入参量，基于所述输入参量对隐图像进行计算光刻模拟，得到隐图像的模拟结果；
对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行光学量测并在基片上的测试加工区域加入预设的测试图形，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述测试图形为一定数量的特征结构组合。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述对联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行采样量测，得到量测结果，之后还包括：
在所述联合方案完成曝光后，对所述联合方案分别进行显影检测和刻蚀表征，得到实验参量，并将所述实验参量反馈到所述第一训练库和所述第二训练库。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，具体包括：
将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，生成不同目标图案对应的曝光和采样量测步骤，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法；
对所述曝光和所述采样量测步骤进行可靠性分析，得到优化后的光源控制程序和掩模板图案，并基于所述光源控制程序和所述掩模板图案得到超分辨光刻图案。
可选地，所述的时变光源-掩模版协同优化方法，其中，所述第一训练库和所述第二训练库均包括四个子训练库，其中，所述子训练库分别为曝光方案和掩模版设计图形训练库、隐图像量测的实验参量及结果数据库、显影检测的实验参量及结果数据库和刻蚀的实验参量及表征结果数据库。
此外，为实现上述目的，本发明还提供一种自适应区域低光增强的系统，其中，所述自适应区域低光增强的系统包括：
参量计算模块，用于获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版；
方案获取模块，用于分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库；
数据比对模块，用于根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果；
结果输出模块，用于将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的自适应区域低光增强的程序，所述自适应区域低光增强的程序被所述处理器执行时实现如上所述的时变光源-掩模版协同优化方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有时变光源-掩模版协同优化程序，所述时变光源-掩模版协同优化程序被处理器执行时实现如上所述的时变光源-掩模版协同优化方法的步骤。
本发明中，获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版；分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库；根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果；将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案。本发明基于多次曝光，利用前序曝光形成的光刻胶隐图像对后续曝光在光刻胶上的有效空间分布影响，及光刻胶的非线性饱和特性，在多次曝光后形成具有高质量临界尺寸的锐化边缘，实现超分辨光刻；还采用像素级可控的光源阵列，综合考虑单次曝光空间排布、间隔时间和单个像素光源的亮度等维度进行设计，以更高的操控自由度，实现对光源端的时分-空分处理；通过以神经网络学习为代表的智能运算，协同优化光源的控制方案和掩模版的图案设计，降低设计中的流片及精密量测测试成本；并通过稀疏采样降低量测所需的精度。
附图说明
图1是本发明中时变光源-掩模版协同优化方法的较佳实施例的流程图；
图2是本发明实施例中第一次曝光后感光区域的示意图；
图3是本发明实施例中第二次曝光后感光区域的示意图；
图4是现有的曝光技术所形成的隐图像的示意图；
图5是本发明中时变光源-掩模版协同优化方法中的隐图像的示意图；
图6是本发明实施例中像素级可控光源阵列输出时变照明的示意图；
图7是本发明实施例中单个大口径电控偏振片统一偏振态变化的示意图；
图8是本发明实施例中定制单像素偏振态变化的示意图；
图9是本发明实施例中像素光源的亮度和偏振随时间变化的示意图；
图10是本发明实施例中一套预设特征结构的示意图；
图11是本发明实施例中加工后该套特征结构产生变化的示意图；
图12是本发明中时变光源-掩模版协同优化方法较佳实施例的整体流程图；
图13是本发明中时变光源-掩模版协同优化系统的较佳实施例的原理示意图；
图14为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示（诸如上、下、左、右、前、后……），则该方向性指示仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明较佳实施例所述的时变光源-掩模版协同优化方法，如图1所示，所述时变光源-掩模版协同优化方法包括以下步骤：
步骤 S10、获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版。
具体地，光刻胶经过饱和曝光后的区域，所述区域的分子的连结等状态会发生改变，从而形成折射率的改变，而折射率变化区域会影响下一次曝光在其周围形成的光场分布，进而影响二次曝光区域之形状；光刻胶对于曝光的响应，尤其是临近饱和状态时，其响应曲线为非线性。因此，本发明从时域变化、偏振态影响和空间分布三个方面作出如下考虑：（1）时域变化：通过调整曝光剂量，控制首次曝光形成的饱和区域，进而分步控制后序每次曝光形成的饱和区域；根据光刻胶单次曝光下的响应非线性，该控制精度为超分辨尺度。（2）偏振态影响：大部分光刻胶对于不同偏振态和偏振方向的光照，形成的感光饱和区域形状会有些许差异，所述差异随偏振方向的变化为亚波长乃至超分辨级别；同时，因为偏振效应存在，照明系统光瞳面上偏振度分布并不均匀；一般而言，偏振振荡方向和掩模版图形方向一致时，形成的隐图像在该方向的保真度更高。将光的偏振态变化融入时变分次曝光中，可进一步提升图像的分辨率与保真度。（3）空间分布：综合考虑前述两个因素，将每次曝光设定为只有来自特定几个方向的光源，可充分提高对曝光图形的控制精度，同时避免周围区域出现多余曝光剂量而产生的负面影响，从而实现超分辨曝光。
基于以上考虑，本发明通过利用光刻胶感光后形成的隐图像，以及该感光区域的折射率改变，实现超分辨多次曝光，如图2及图3所示，图2为第一次曝光后感光区域的示意图，图3为第二次曝光后感光区域的示意图；而利用光刻胶的非线性响应，包括但不限于光敏性和曝光饱和；现有技术的实现增强最终显影的图像分辨率和边缘锐度如图4所示，而本发明的实现增强最终显影的图像分辨率和边缘锐度如图5所示；且本发明中的分辨率增强技术可以通过原位或异位多次曝光实现，一般而言，同等曝光次数下，原位曝光所需的单次剂量小于异位曝光所需；另外，在本发明中所需的典型核心构成为光源、光学投影系统、基片和掩模控制工件台和实时检测系统，其余部分包括但不限于防震系统、环境控制系统等；本发明基于多次曝光，利用前序曝光形成的光刻胶隐图像对后续曝光在光刻胶上的有效空间分布影响，及光刻胶的非线性饱和特性，在多次曝光后形成具有高质量临界尺寸（CD）的锐化边缘，实现超分辨光刻。
步骤 S20、分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库。
具体地，通过预计算得出光源、掩模版等的初始参量，对所述光源进行时变光源优化（time-varying source optimization，TV-SO）和对所述掩模板进行掩模版优化（maskoptimization，MO），输出联合方案，并反馈给第一训练库（例如，训练库A）；其中，所述光源，如无特殊说明，为像素级可控光源阵列（包括但不限于LED），所需照明光源为深紫外（DUV）波长；还需要照明光源在时域和空域上的协同处理，此设计基于前述的光刻胶性质，逆向仿真计算相应的参量；而照明光源为像素级可控阵列光源，分次、分时长曝光；如图6所示通过仿真计算得出每个像素光源的曝光次数和时间间隔，以及单次照明的时长、亮度/曝光剂量等参量。
进一步地，针对光刻胶对于偏振态的敏感度，设计可引入每次照明或曝光中偏振态的时域变化；并根据不同的光刻胶特性，偏振态的调制时间可全程覆盖单次曝光时间，也可只部分覆盖单次曝光时间；而此步骤的实现方法为在照明光源后或投影光路中，加入大口径电控偏振片统一偏振态变化（如图7所示），或加入像素级液晶空间光调制器，定制单像素偏振态变化（如图8所示）。本发明采用像素级可控的光源阵列，综合考虑单次曝光空间排布、间隔时间和单个像素光源的亮度等维度进行设计，以更高的操控自由度，实现对光源端的时分-空分处理。
步骤 S30、根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果。
所述步骤S30包括：
步骤S31、将所述联合方案作为输入参量，基于所述输入参量对隐图像进行计算光刻模拟，得到隐图像的模拟结果；
步骤S32、对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行光学量测并在基片上的测试加工区域加入预设的测试图形，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果。
具体地，将所述联合方案作为输入参量，进行计算光刻模拟，预测隐图像。随后，对所述联合方案执行曝光，进行对光刻胶上隐图像的采样量测得到量测结果，将量测结果与模拟结果对比得到对比结果，并将所述对比结果输入第二训练库（例如，训练库B）。在完成曝光后，进行显影和刻蚀，即分别进行显影检测（after development inspection，ADI）和刻蚀后检测（After Etching Inspection，AEI），将所有实验参量与量测的结果反馈到训练库A和训练库B。
进一步地，可用图6简化表示前述的时域-空域阵列光源控制中的单个像素光源的亮度（包括亮/灭状态）和偏振态随时间变化的调制；图9为一个2×2的阵列光源沿着带箭头的时间（T）轴产生三种变化，单个像素光源的参数用（Xi，Yi，Ii，Pi）表示，其中X为平面空间中的横坐标，Y为平面空间中的纵坐标，I为亮度，P为偏振态，i为数字[1，2]。当像素光源打开（亮起）时，有两种亮度和两种偏振态；本发明中考虑的亮度分阶和偏振态并不限于图9中所示的，且变化间隔并不仅限于线性变化。在前述光源设计的基础上，包括有/无偏振态调制，充分考虑光学衍射和投影像差等效应，同步对掩模版图案进行局部优化，减少最终曝光图像偏差；基于所述掩模版图案进一步优化光源的时间和空间分布设计处理；并计算仿真结果进行实验，对光刻胶曝光后的隐图像采取光学量测，将结果输入训练数据库；对于所述光学量测，其样品上的测试加工区域须包含预设的测试图形，该测试图形为一定数量易于感知的特征结构组合，典型实例如图10所示；而测试图形中的特征结构为智能算法所选取，目的是有效预测适合用于感知某一类设计图案的工艺偏差；通过对前述特征结构量测采样，并感知加工样品上的结构改变，如图11所示，从而获取工艺校准参数；并可有效感知加工样品上的隐图案中相对应特征结构部分的变化；另外，在测试流程中，会抽取少量次数全盘量测隐图像，用以阶段性验证前述智能算法。本发明通过稀疏采样降低量测所需的精度。对预设测试图案进行量测，通过感知测试特征结构是否发生改变，从而感知对应的设计图形相应部分的变化。基于此，适合某一类设计图形的感知特征结构可以通过机器学习较为准确的预测。
步骤 S40、将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法。
所述步骤S40包括：
步骤S41、将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，生成不同目标图案对应的曝光和采样量测步骤，其中，所述智能核心算法包括光刻模拟算法与TV-SMO算法（Time-varying source mask optimization，基于时域变化的光源-掩模版协同优化算法）；
步骤S42、对所述曝光和所述采样量测步骤进行可靠性分析，得到优化后的光源控制程序和掩模板图案，并基于所述光源控制程序和所述掩模板图案得到超分辨光刻图案。
具体地，利用智能核心算法（考虑到数据量和复杂性，智能核心算法的推荐方案为神经网络深度学习寻求全局优化，但不限于该算法方案；）学习训练库A和训练库B，以达到对于不同目标图案，可快速辨识出有效的特征结构，生成相应的曝光和采样量测步骤，并给出可靠性分析，优化出可直接用于流片的多次曝光方案（光源控制程序和掩模版图案），即得出工艺窗口内最优的定制型光源和修正后的掩模形状，从而实现超分辨曝光；经过最终输出方案曝光显影后，形成超分辨光刻图案。
进一步地，通过采集曝光、隐图像量测、显影和刻蚀中的结果，获得训练集数据库。具体而言，所述训练集数据库包括四个子训练库：（1）作为输入参量的曝光方案和掩模版设计图形的训练库、（2）隐图像量测的实验参量及结果（包括采样与全盘量测）的训练库、（3）显影检测（ADI）的实验参量及结果的训练库以及（4）刻蚀的实验参量及之后的AEI结果的训练库；其中，输入的曝光方案包括阵列光源中每个辐射单元的空间坐标和其随时间变化的亮度参量。根据该数据库，训练智能核心算法。该智能核心算法包括光刻模拟算法与TV-SMO算法（Time-varying source mask optimization，基于时域变化的光源-掩模版协同优化技术）两部分，并通过对训练库的学习，分析算法结果的可靠性，从而完成自我训练；光刻模拟算法基于计算光刻的物理模型和输入参量，模拟预测隐图像，并通过学习(2)-(4)三个子训练库进行自我修正，以提升预测精度。TV-SMO算法包括时变光源优化（TV-SO）和掩模版优化（MO）两部分，分别用于生成最佳曝光方式和步骤以及相应的最佳掩模版设计。TV-SMO训练库包括从曝光到刻蚀全过程的数据库，所生成方案输出为参量供光刻模拟算法进行隐图像模拟预测，并与采样量测结果对比。智能核心算法经充分训练后，可根据输入的目标图案，自动分析出最佳TV-SMO方案，同时给出该方案的可靠性分析。
进一步地，如图12所示，本发明中整体流程具体为通过预计算得出光源、掩模版等的初始参量，对所述光源进行时变光源优化（TV-SO）和对所述掩模板进行掩模版优化（MO），输出联合方案，并反馈给训练库A。同时，将该联合方案作为输入参量，进行计算光刻模拟，预测隐图像得到模拟结果。随后，对联合方案执行曝光，进行对光刻胶上隐图像的采样量测得到量测结果，将量测结果与模拟结果对比得到对比结果，并输入训练库B。在完成曝光后，进行显影和刻蚀，将所有实验参量与量测的结果反馈到训练库A和训练库B。之后利用智能核心算法学习训练库A和训练库B，以达到对于不同目标图案，可快速辨识出有效的特征结构，生成相应的曝光和采样量测步骤，并给出可靠性分析，最终优化出可直接用于流片的多次曝光方案（光源控制程序和掩模版图案）。
进一步地，如图13所示，基于上述时变光源-掩模版协同优化方法，本发明还相应提供了一种时变光源-掩模版协同优化系统，其中，所述时变光源-掩模版协同优化系统包括：
参量计算模块51，用于获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版；
方案获取模块52，用于分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库；
数据比对模块53，用于根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果；
结果输出模块54，用于将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法。
进一步地，如图14所示，基于上述时变光源-掩模版协同优化方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图14仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有时变光源-掩模版协同优化程序40，该时变光源-掩模版协同优化程序40可被处理器10所执行，从而实现本申请中时变光源-掩模版协同优化方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述时变光源-掩模版协同优化方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中时变光源-掩模版协同优化程序40时实现以下步骤：
获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版；
分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库；
根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果；
将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法。
其中，所述获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，之前还包括：
获取所述光刻胶的特性，根据不同的特性设置偏振态的调制时间，其中，所述调制时间为全程覆盖单次曝光时间或部分覆盖单次曝光时间。
其中，所述光源为像素级可控光源阵列，其中，所述像素级可控光源阵列所需的照明光源为深紫外波长。
其中，所述获取散焦和光刻胶阈值，对所述散焦和所述光刻胶阈值进行预计算得到初始参量，之后还包括：
对所述光源进行仿真计算，得到所述光源单次照明的时长、亮度和曝光剂量，并得到每个像素光源的曝光次数和时间间隔。
其中，所述对所述光源进行仿真计算，得到所述光源单次照明的时长、亮度和曝光剂量，并得到每个像素光源的曝光次数和时间间隔，之后还包括：
在对所述光源进行仿真计算后，加入大口径电控偏振片以统一偏振态变化，或加入像素级液晶空间光调制器以定制单像素偏振态变化。
其中，所述根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果，具体包括：
将所述联合方案作为输入参量，基于所述输入参量对隐图像进行计算光刻模拟，得到隐图像的模拟结果；
对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行光学量测并在基片上的测试加工区域加入预设的测试图形，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果。
其中，所述测试图形为一定数量的特征结构组合。
其中，所述对联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行采样量测，得到量测结果，之后还包括：
在所述联合方案完成曝光后，对所述联合方案分别进行显影检测和刻蚀表征，得到实验参量，并将所述实验参量反馈到所述第一训练库和所述第二训练库。
其中，所述将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，具体包括：
将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，生成不同目标图案对应的曝光和采样量测步骤；
对所述曝光和所述采样量测步骤进行可靠性分析，得到优化后的光源控制程序和掩模板图案，并基于所述光源控制程序和所述掩模板图案得到超分辨光刻图案。
其中，所述第一训练库和所述第二训练库均包括四个子训练库，其中，所述子训练库分别为曝光方案和掩模版设计图形训练库、隐图像量测的实验参量及结果数据库、显影检测的实验参量及结果数据库和刻蚀的实验参量及表征结果数据库。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有时变光源-掩模版协同优化程序，所述时变光源-掩模版协同优化程序被处理器执行时实现如上所述的时变光源-掩模版协同优化方法的步骤。
综上所述，本发明中，获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版；分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库；根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果；将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案。本发明基于多次曝光，利用前序曝光形成的光刻胶隐图像对后续曝光在光刻胶上的有效空间分布影响，及光刻胶的非线性饱和特性，在多次曝光后形成具有高质量临界尺寸的锐化边缘，实现超分辨光刻；还采用像素级可控的光源阵列，综合考虑单次曝光空间排布、间隔时间和单个像素光源的亮度等维度进行设计，以更高的操控自由度，实现对光源端的时分-空分处理；通过以神经网络学习为代表的智能运算，协同优化光源的控制方案和掩模版的图案设计，降低设计中的流片及精密量测测试成本；并通过稀疏采样降低量测所需的精度，对预设测试图案进行量测，通过感知测试特征结构是否发生改变，从而感知对应的设计图形相应部分的变化。基于此，适合某一类设计图形的感知特征结构可以通过机器学习较为准确的预测。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (13)
1.一种时变光源-掩模版协同优化方法，其特征在于，所述时变光源-掩模版协同优化方法包括：
获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版；
分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库；
根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果；
将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法。
2.根据权利要求1所述的时变光源-掩模版协同优化方法，其特征在于，所述获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，之前还包括：
获取所述光刻胶的特性，根据不同的特性设置偏振态的调制时间，其中，所述调制时间为全程覆盖单次曝光时间或部分覆盖单次曝光时间。
3.根据权利要求1所述的时变光源-掩模版协同优化方法，其特征在于，所述光源为像素级可控光源阵列，其中，所述像素级可控光源阵列所需的照明光源为深紫外波长。
4.根据权利要求1所述的时变光源-掩模版协同优化方法，其特征在于，所述获取散焦和光刻胶阈值，对所述散焦和所述光刻胶阈值进行预计算得到初始参量，之后还包括：
对所述光源进行仿真计算，得到所述光源单次照明的时长、亮度和曝光剂量，并得到每个像素光源的曝光次数和时间间隔。
5.根据权利要求4所述的时变光源-掩模版协同优化方法，其特征在于，所述对所述光源进行仿真计算，得到所述光源单次照明的时长、亮度和曝光剂量，并得到每个像素光源的曝光次数和时间间隔，之后还包括：
在对所述光源进行仿真计算后，加入大口径电控偏振片以统一偏振态变化，或加入像素级液晶空间光调制器以定制单像素偏振态变化。
6.根据权利要求1所述的时变光源-掩模版协同优化方法，其特征在于，所述根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果，具体包括：
将所述联合方案作为输入参量，基于所述输入参量对隐图像进行计算光刻模拟，得到隐图像的模拟结果；
对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行光学量测并在基片上的测试加工区域加入预设的测试图形，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果。
7.根据权利要求6所述的时变光源-掩模版协同优化方法，其特征在于，所述测试图形为一定数量的特征结构组合。
8.根据权利要求1所述的时变光源-掩模版协同优化方法，其特征在于，所述对联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行采样量测，得到量测结果，之后还包括：
在所述联合方案完成曝光后，对所述联合方案分别进行显影检测和刻蚀表征，得到实验参量，并将所述实验参量反馈到所述第一训练库和所述第二训练库。
9.根据权利要求1所述的时变光源-掩模版协同优化方法，其特征在于，所述将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，具体包括：
将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，生成不同目标图案对应的曝光和采样量测步骤，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法；
对所述曝光和所述采样量测步骤进行可靠性分析，得到优化后的光源控制程序和掩模板图案，并基于所述光源控制程序和所述掩模板图案得到超分辨光刻图案。
10.根据权利要求1所述的时变光源-掩模版协同优化方法，其特征在于，所述第一训练库和所述第二训练库均包括四个子训练库，其中，所述子训练库分别为曝光方案和掩模版设计图形训练库、隐图像量测的实验参量及结果数据库、显影检测的实验参量及结果数据库和刻蚀的实验参量及表征结果数据库。
11.一种自适应区域低光增强的系统，其特征在于，所述自适应区域低光增强的系统包括：
参量计算模块，用于获取散焦和光刻胶的阈值，对所述散焦和所述阈值进行预计算得到初始参量，其中，所述初始参量包括光源及掩模版；
方案获取模块，用于分别对所述光源和所述掩模版进行时变光源优化和掩模版优化，得到联合方案，并将所述联合方案反馈给第一训练库；
数据比对模块，用于根据所述联合方案对隐图像进行计算光刻模拟，得到模拟结果，并对所述联合方案进行曝光，基于曝光后的联合方案对光刻胶的隐图像进行量测，得到量测结果，并将所述模拟结果与所述量测结果进行对比得到对比结果；
结果输出模块，用于将所述对比结果输入第二训练库，根据智能核心算法对所述第一训练库和所述第二训练库进行学习，得到优化后的多次曝光方案，并基于所述多次曝光方案得到超分辨光刻图案，其中，所述智能核心算法包括光刻模拟算法与基于时域变化的光源-掩模版协同优化算法。
12.一种终端，其特征在于，所述终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-10任意一项所述时变光源-掩模版协同优化方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如权利要求1-10任意一项所述时变光源-掩模版协同优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310123013.7A CN115826368B (zh) | 2023-02-16 | 2023-02-16 | 一种时变光源-掩模版协同优化方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310123013.7A CN115826368B (zh) | 2023-02-16 | 2023-02-16 | 一种时变光源-掩模版协同优化方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115826368A true CN115826368A (zh) | 2023-03-21 |
| CN115826368B CN115826368B (zh) | 2023-04-25 |
Family
ID=85521613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310123013.7A Active CN115826368B (zh) | 2023-02-16 | 2023-02-16 | 一种时变光源-掩模版协同优化方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115826368B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406564A (zh) * | 2023-12-12 | 2024-01-16 | 鹏城实验室 | 光源调控方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120133915A1 (en) * | 2010-02-20 | 2012-05-31 | Nikon Corporation | Light source optimizing method, exposure method, device manufacturing method, program, exposure apparatus, lithography system, light source evaluation method, and light source modulation method |
| CN105425532A (zh) * | 2015-11-20 | 2016-03-23 | 中国科学院微电子研究所 | 光源掩模协同优化方法 |
| CN105574293A (zh) * | 2016-02-01 | 2016-05-11 | 中国科学院微电子研究所 | Euv设计规则、光源和掩模的联合优化和成像建模方法 |
-
2023
- 2023-02-16 CN CN202310123013.7A patent/CN115826368B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120133915A1 (en) * | 2010-02-20 | 2012-05-31 | Nikon Corporation | Light source optimizing method, exposure method, device manufacturing method, program, exposure apparatus, lithography system, light source evaluation method, and light source modulation method |
| CN105425532A (zh) * | 2015-11-20 | 2016-03-23 | 中国科学院微电子研究所 | 光源掩模协同优化方法 |
| CN105574293A (zh) * | 2016-02-01 | 2016-05-11 | 中国科学院微电子研究所 | Euv设计规则、光源和掩模的联合优化和成像建模方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406564A (zh) * | 2023-12-12 | 2024-01-16 | 鹏城实验室 | 光源调控方法、装置、设备及存储介质 |
| CN117406564B (zh) * | 2023-12-12 | 2024-04-12 | 鹏城实验室 | 光源调控方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115826368B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1424595B1 (en) | Automatic calibration of a masking process simulator | |
| JP5334956B2 (ja) | 個別マスクエラーモデルを使用するマスク検証を行うシステムおよび方法 | |
| US8065636B2 (en) | System and method for creating a focus-exposure model of a lithography process | |
| US10210292B2 (en) | Process-metrology reproducibility bands for lithographic photomasks | |
| CN103597579B (zh) | Euv光刻杂散光计算和补偿 | |
| US8473271B2 (en) | Fast photolithography process simulation to predict remaining resist thickness | |
| KR100655428B1 (ko) | 광근접효과보정 시스템 및 방법 | |
| US7836423B2 (en) | Sum of coherent systems (SOCS) approximation based on object information | |
| TW201011473A (en) | Model-based scanner tuning systems and methods | |
| US20070111112A1 (en) | Systems and methods for fabricating photo masks | |
| US8498469B2 (en) | Full-field mask error enhancement function | |
| CN115826368B (zh) | 一种时变光源-掩模版协同优化方法及相关设备 | |
| KR20130008662A (ko) | 포토마스크 레이아웃 형성 방법 | |
| US7093226B2 (en) | Method and apparatus of wafer print simulation using hybrid model with mask optical images | |
| US10120963B1 (en) | Figurative models calibrated to correct errors in process models | |
| KR20160007434A (ko) | 포토레지스트 프로필 모델링 방법 | |
| CN110376843B (zh) | 光刻掩模光学修正的方法、装置及计算机可读存储介质 | |
| KR102227127B1 (ko) | 리소그래피 시뮬레이션을 이용한 디자인룰 생성 장치 및 방법 | |
| CN109597281B (zh) | 线宽偏差曲线的生成方法、线宽偏差值的预估方法及装置 | |
| KR20210046459A (ko) | 멀티-opc 모델을 이용한 opc 방법, 및 그 opc 방법을 이용한 마스크 제조방법 | |
| Tejnil | Application of optical similarity in OPC model calibration | |
| Pandey et al. | Aerial image metrology (AIMS) based mask-model accuracy improvement for computational lithography | |
| KR100989746B1 (ko) | 광학 파라미터와 리스크 함수를 이용한 광학적 근접 보정 검증 방법 | |
| KR20230066470A (ko) | 2번의 노출들을 이용하여 디지털 리소그래피를 위한 프로세스 윈도우 및 해상도를 개선하기 위한 방법들 | |
| Tsuchiya et al. | Printability verification function of mask inspection system |
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 |