CN115993754A - 一种模型校准方法、装置、电子设备和计算机存储介质 - Google Patents
一种模型校准方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN115993754A CN115993754A CN202310296216.6A CN202310296216A CN115993754A CN 115993754 A CN115993754 A CN 115993754A CN 202310296216 A CN202310296216 A CN 202310296216A CN 115993754 A CN115993754 A CN 115993754A
- Authority
- CN
- China
- Prior art keywords
- target
- line width
- measuring point
- graph
- dimensional graph
- 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
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
Abstract
本公开提供了一种模型校准方法、装置、电子设备和计算机存储介质,该方法包括:根据初始光学邻近校正模型对测试光罩进行校正;将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形;确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度;根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重;根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。如此,根据晶圆数据中的线宽粗糙度对目标图形中的各量测点进行权重修正,可以提高目标图形中不同量测点的可靠性,进而提高了目标光学邻近校正模型的准确性。
Description
技术领域
本公开涉及半导体技术领域,尤其涉及一种模型校准方法、装置、电子设备和计算机存储介质。
背景技术
随着半导体器件的发展趋势,这需要在晶圆片上制作出更小尺寸的图形,对晶圆图案化带来极大的挑战,而其中光刻技术是晶圆图案化的主要手段。随着光学图像失真的日益严重,光刻机的光学图像分辨率已经跟不上工艺的发展。为了补偿光学图像失真,业界引入了光学邻近校正技术。
在相关技术中,实现光学邻近校正的方法主要有基于规则的光学邻近校正和基于模型的光学邻近校正两种,早期的基于规则的光学邻近校正,由于其简单和计算快速的特点被广泛使用,然而这种方法需要人为制定光学邻近校正规则,随着光学畸变加剧,这些规则变得极为庞杂而难以延续。这时基于模型的光学邻近校正应运而生,这种方法通过光学仿真建立精确的计算模型,然后调整图形的边沿不断仿真迭代,直到逼近理想的图形。然而,常规建立光学邻近校正模型主要是在调整量测数据对应的权重,但是权重的设置依赖于经验,导致光学邻近校正模型的准确度低。
发明内容
本公开实施例提供一种模型校准方法、装置、电子设备和计算机存储介质。
第一方面,本公开实施例提供了一种模型校准方法,该方法包括:
根据初始光学邻近校正模型对测试光罩进行校正;
将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形;
确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度;
根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重;
根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。
在一些实施例中,确定目标图形中的至少一个量测点对应的晶圆数据,包括:
对晶圆进行曝光处理,并对曝光后的晶圆进行扫描电子显微镜SEM采样,获得至少一个量测点对应的晶圆数据。
在一些实施例中,该方法还包括:
对目标图形进行分类,确定目标图形的类别;
基于不同类别的目标图形,设置各自对应的初始权重。
在一些实施例中,目标图形的类别至少包括:一维图形和二维图形;
相应地,基于不同类别的目标图形,设置各自对应的初始权重,包括:
若目标图形的类别为一维图形,则设置目标图形中的至少一个量测点对应的初始权重为第一初始权重;
若目标图形的类别为二维图形,则设置目标图形中的至少一个量测点对应的初始权重为第二初始权重。
在一些实施例中,根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重,包括:
根据线宽粗糙度对一维图形中的至少一个量测点对应的第一初始权重进行修正,得到一维图形中的至少一个量测点对应的第一目标权重;
根据线宽粗糙度对二维图形中的至少一个量测点对应的第二初始权重进行修正,得到二维图形中的至少一个量测点对应的第二目标权重。
在一些实施例中,根据线宽粗糙度对一维图形中的至少一个量测点对应的第一初始权重进行修正,得到一维图形中的至少一个量测点对应的第一目标权重,包括:
从目标图形中的至少一个量测点中确定锚点,以及确定锚点对应的第一线宽粗糙度和一维图形中的至少一个量测点对应的第二线宽粗糙度;
根据第一线宽粗糙度与第二线宽粗糙度,计算一维图形中的至少一个量测点对应的第一系数;
将一维图形中的至少一个量测点对应的第一目标权重设置为第一系数和第一初始权重的乘积。
在一些实施例中,根据线宽粗糙度对二维图形中的至少一个量测点对应的第二初始权重进行修正,得到二维图形中的至少一个量测点对应的第二目标权重,包括:
确定二维图形中的至少一个量测点对应的第三线宽粗糙度;
根据第一线宽粗糙度与第三线宽粗糙度,计算二维图形中的至少一个量测点对应的第二系数;
将二维图形中的至少一个量测点对应的第二目标权重设置为第二系数和第二初始权重的乘积。
在一些实施例中,该方法还包括:
基于一维图形中第一量测点对应的预设线段的多个采样点,确定多个采样点对应的线宽;并根据多个采样点对应的线宽,计算第一量测点对应的第二线宽粗糙度;
基于二维图形中第二量测点对应的多个预设图形,确定多个预设图形对应的最小线宽;并根据多个预设图形对应的最小线宽,计算第二量测点对应的第三线宽粗糙度;
其中,第一量测点是一维图形中的至少一个量测点中的任意一个,第二量测点是二维图形中的至少一个量测点中的任意一个。
在一些实施例中,晶圆数据还包括线宽;
相应地,根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型,包括:
根据目标权重和线宽,确定在预设函数满足第一条件时对应的目标模型参数;
根据目标模型参数,确定目标光学邻近校正模型。
在一些实施例中,预设函数满足第一条件,包括:预设函数的取值最小。
在一些实施例中,根据目标权重和线宽,确定在预设函数满足第一条件时对应的目标模型参数,包括:
设置多组模拟线宽组合,其中,模拟线宽组合包括一维图形中的至少一个量测点对应的第一模拟线宽和二维图形中的至少一个量测点对应的第二模拟线宽;
根据线宽和目标权重,计算预设函数在多组模拟线宽组合下各自的取值;
将取值最小所对应的一组模拟线宽组合作为目标模拟线宽组合;
根据模拟线宽组合与模型参数之间的映射关系,确定目标模拟线宽组合对应的目标模型参数。
在一些实施例中,根据线宽和目标权重,计算预设函数在多组模拟线宽组合下各自的取值,包括:
根据线宽,获取一维图形中的至少一个量测点对应的第一量测线宽和二维图形中的至少一个量测点对应的第二量测线宽;
根据第一组模拟线宽组合,获取一维图形中的至少一个量测点对应的第一模拟线宽和二维图形中的至少一个量测点对应的第二模拟线宽;
确定一维图形中的至少一个量测点对应的第一模拟线宽与第一量测线宽的第一差值,以及计算一维图形中的至少一个量测点对应的第一差值与第一目标权重的第一乘积;
确定二维图形中的至少一个量测点对应的第二模拟线宽与第二量测线宽的第二差值,以及计算二维图形中的至少一个量测点对应的第二差值与第二目标权重的第二乘积;
根据一维图形中的至少一个量测点对应的第一乘积之和与二维图形中的至少一个量测点对应的第二乘积之和,确定预设函数在第一组模拟线宽组合下的取值;
其中,第一组模拟线宽组合是多组模拟线宽组合中的任意一个。
第二方面,本公开实施例提供了一种模型校准装置,该模型校准装置包括校正单元、图案化单元、确定单元、计算单元;其中:
校正单元,配置为根据初始光学邻近校正模型对测试光罩进行校正;
图案化单元,配置为将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形;
确定单元,配置为确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度;
计算单元,配置为根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重;
确定单元,还配置为根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。
第三方面,本公开实施例提供了一种电子设备,其特征在于,该电子设备包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行计算机程序时,执行如第一方面中任一项所述的方法。
第四方面,本公开实施例提供了一种计算机存储介质,其特征在于,该计算机存储介质存储有计算机程序,计算机程序被至少一个处理器执行时实现如第一方面中任一项所述的方法。
本公开实施例提供了一种模型校准方法、装置、电子设备和计算机存储介质,该方法包括:根据初始光学邻近校正模型对测试光罩进行校正;将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形;确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度;根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重;根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。这样,根据目标图形中的各量测点对应的线宽粗糙度对各量测点的初始权重进行修正,得到目标图形中的各量测点的目标权重,使得目标图形中的各量测点赋予权重的过程客观化和自动化,从而可以提高目标图形的内部不同量测点的可靠性;然后根据目标权重对初始光学邻近校正模型进行校准,并且由于准确性较低的量测点赋予较小的权重,准确性较高的量测点赋予较大的权重,进而还能够提高目标光学邻近校正模型的质量,同时提升目标光学邻近校正模型的准确性。
附图说明
图1为本公开实施例提供的一种模型校准方法的流程示意图一;
图2为本公开实施例提供的一种目标图形的扫描电子显微镜照片示意图一;
图3为本公开实施例提供的一种目标图形的扫描电子显微镜照片示意图二;
图4为本公开实施例提供的一种模型校准方法的流程示意图二;
图5为本公开实施例提供的一种模型校准方法的流程示意图三;
图6为本公开实施例提供的一种目标图形的扫描电子显微镜照片示意图三;
图7为本公开实施例提供的一种模型校准方法的流程示意图四;
图8为本公开实施例提供的一种模型校准装置的组成结构示意图;
图9为本公开实施例提供的一种电子设备的组成结构示意图一;
图10为本公开实施例提供的一种电子设备的组成结构示意图二。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅仅用于解释相关申请,而非对该申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关申请相关的部分。
除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的,不是旨在限制本公开。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
需要指出,本公开实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
应理解,光刻是半导体器件生产过程中的一个重要工业步骤,该步骤将印在光掩模上的图形结构转移到晶圆的表面上。随着集成电路的发展,半导体制造技术不断地朝更小的尺寸发展,半导体器件的特征尺寸甚至小于光刻工艺中所使用的光源的光波波长。在这种情况下,由于光的衍射效应,掩模上的图案在转移时会发生变形,即发生了光学邻近效应(Optical Proximity Effect,OPE)。为了消除光学邻近效应的影响,产生了光学邻近校正(Optical Proximity Correction,OPC)方法,通常使用OPC模型消除光学邻近效应的影响。
还应理解,光学邻近效应会导致投影到晶圆上的实际图形与所设计的目标图形相比发生很大的差异,从而影响掩模图案上相邻图案区域的光刻质量,进而影响电路性能和生产良品率。OPC方法可以利用计算机软件对欲曝光在硅片的半导体基底上的原始图案进行校正,得到与原始图案不同的目标图案,再根据此目标图案制作光掩模,再进行光刻时,利用该光掩模投影在半导体基底上所得到的图案可与原始图案几乎相同,从而弥补由于光学邻近效应造成的问题。
可靠的OPC模型可以完整的描述包括光学系统、掩膜、光刻胶、刻蚀工艺在内的整个光刻过程。OPC模型的校准依赖于大量的关键尺寸扫描电子显微镜(CriticalDimension-Scanning Electron Microscope,CD-SEM)量测数据,这些数据的准确性直接决定了最终的OPC模型可靠与否。现有量测数据赋予的权重依赖于经验,分组也较为单一,主要分为锚点,一维图形,二维图形;并且比如在一维图形内部,并不做细分。
为了解决数据权重过于依赖经验,避免人为主观判断的问题,本公开实施例提供了一种模型校准方法,首先根据初始光学邻近校正模型对测试光罩进行校正;其次将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形;再次确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度;然后根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重;最后根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。这样,根据目标图形中的各量测点对应的线宽粗糙度对各量测点的初始权重进行修正,得到目标图形中的各量测点的目标权重,使得目标图形中的各量测点赋予权重的过程客观化和自动化,从而可以提高目标图形的内部不同量测点的可靠性;然后根据目标权重对初始光学邻近校正模型进行校准,并且由于准确性较低的量测点赋予较小的权重,准确性较高的量测点赋予较大的权重,进而还能够提高目标OPC模型的质量,同时提升目标OPC模型的准确性。
下面将结合附图对本公开各实施例进行详细说明。
本公开的一实施例中,参见图1,其示出了本公开实施例提供的一种模型校准方法的流程示意图一。如图1所示,该方法可以包括:
S101、根据初始光学邻近校正模型对测试光罩进行校正。
需要说明的是,本公开实施例提供了一种模型校准方法,具体是一种基于扫描电子显微镜(Scanning Electron Microscope,SEM)图像线宽粗糙度加权的OPC模型校准方法。其中,该方法可以应用于模型校准装置,或者集成有该装置的电子设备,本公开实施例对此不作具体限定。
还需要说明的是,本公开实施例涉及光学成像领域,该领域具体可以包括OPC、光罩(Mask)和切口(Kerf)。
还需要说明的是,在本公开实施例中,可以首先设计测试图形,并根据测试图形制作测试光罩;其中,可以根据半导体器件层的设计,选择合适的测试图形,这些测试图形可以是预先设计好的图形,也可以根据实际需要来定制,对此不作具体限定。
S102、将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形。
需要说明的是,在本公开实施例中,在对测试光罩进行校正后,利用校正后的测试光罩图案化晶圆。具体的,可以首先在晶圆上形成掩膜层(例如是光刻胶层),然后利用测试光罩执行光刻工艺,以形成图案化的掩膜层,再利用图案化的掩膜层作为刻蚀掩膜来刻蚀晶圆,以在晶圆上形成目标图形。其中,测试光罩可以选择多种种类,例如铬版、干版、菲林和凸版等,对此不作具体限定。
S103、确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度。
需要说明的是,在本公开实施例中,晶圆数据可以包括线宽粗糙度(Line WidthRoughness,LWR)和线宽(Line Width);其中,线宽和线宽粗糙度可以通过量测设备,例如可以通过CD-SEM测量得到。
还需要说明的是,特征尺寸图形的线宽测量是光刻工艺和刻蚀工艺用于控制工艺稳定性最常用的方法,也是最有效的方法。线条的线宽值受所选量测点位置影响很大,从而线宽值波动比较大。在本公开实施例中,可以选用CD-SEM的多点量测模式进行测量,使用多点量测模式可以得到较多的量测数据,取其均值得到的线宽值比较稳定,能够较好地描述线条的实际线宽。
还需要说明的是,曝光和显影之后的光刻胶线条图形并不是理想的平滑线条,其边缘是具有一定粗糙度的,可以用LWR来表示由于边缘粗糙导致的光刻胶线宽相对于目标值的偏离。示例性地,图2中的(a)中的目标图形的LWR是7.29,图2中的(b)中的目标图形的LWR是4.66。
还需要说明的是,在本公开实施例中,目标图形可以包括多个量测点,其中,对于量测点的数量并不作具体限定。
还需要说明的是,在本公开实施例中,可以首先使用校正后的测试光罩图案化晶圆,然后对经过图案化处理和曝光处理后的晶圆进行采样,获得至少一个量测点对应的晶圆数据。
在一些实施例中,确定目标图形中的至少一个量测点对应的晶圆数据,包括:
对晶圆进行曝光处理,并对曝光后的晶圆进行SEM采样,获得至少一个量测点对应的晶圆数据。
需要说明的是,在本公开实施例中,可以采用SEM的方式,具体可以采用CD-SEM的方式对经过图案化处理和曝光处理后的晶圆进行采样,然后从SEM照片中直接获得各量测点对应的晶圆数据。具体的,采用SEM对晶圆进行拍照,获得晶圆切面的照片,从而可以获得该晶圆上的采样图形,并获得对应于该采样图形的量测数据,然后可以根据SEM的配套软件从采样图形中获得相应的晶圆数据。
还需要说明的是,在本公开实施例中,对晶圆进行采样的面积不作限制,可以对整个晶圆进行拍照,也可以仅对晶圆上的某一部分进行拍照。
还需要说明的是,在本公开实施例中,可以通过对晶圆的不同位置进行采样,获得各个不同的量测点对应的晶圆数据;其中,在对晶圆的不同位置进行光刻的过程中,需要保证每一次光刻都处于相同的曝光条件下。
还需要说明的是,在一些实施例中,在获得目标图形中的至少一个量测点对应的晶圆数据之前,该方法还可以包括:去除量测数据中的不良数据。由SEM所获得的量测数据中可能包括一些不良数据,这些不良数据可以包括损坏数据或无效数据。可以根据SEM的配套软件,按照一定的规则对量测数据首先进行筛选,去除这些不良数据,而仅将非不良数据用于建立光学邻近校正模型。
S104、根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重。
需要说明的是,在本公开实施例中,在获得各量测点对应的线宽粗糙度后,可以根据线宽粗糙度对目标图形中的各量测点对应的初始权重进行修正,得到目标图形中的各量测点对应的目标权重;其中,各量测点对应的初始权重与各量测点所属的目标图形的类别有关。
在一些实施例中,该方法还包括:
对目标图形进行分类,确定目标图形的类别;
基于不同类别的目标图形,设置各自对应的初始权重。
需要说明的是,在本公开实施例中,目标图形包括几种不同类别,在对目标图形进行分类后,可以根据目标图形的不同类别,设置不同类别的目标图形各自对应的初始权重。
在一些实施例中,目标图形的类别至少包括一维图形和二维图形。
需要说明的是,在本公开实施例中,可以从目标图形中的至少一个量测点中确定锚点。其中,锚点是制定半导体器件工艺条件的量测点,是目标图形的基准点、光刻工艺的技术节点;一维图形是指仅在一个方向上具有周期性的图形,结构比较简单,例如线条;二维图形是指在两个方向上都具有周期性的图形,结构比较复杂,例如接触孔、L图形、拼接图形等。
参见图3,其示出了本公开实施例提供的一种目标图形的扫描电子显微镜照片示意图二。具体的,如图3中的(a)所示,其表示的是锚点的CD-SEM照片;如图3中的(b)所示,其表示的是一维图形的CD-SEM照片;如图3中的(c)所示,其表示的是二维图形的CD-SEM照片。
需要说明的是,图3中的(a)、(b)和(c)的CD-SEM照片的拍摄倍数可以是相同的倍数,也就是说,图3中的(a)、(b)和(c)的CD-SEM照片可以是在相同的视野大小下进行拍摄的不同区域。
还需要说明的是,图3所示仅为示例,对目标图形的具体形状、排列方式及大小均不作具体限定。
在一些实施例中,基于不同类别的目标图形,设置各自对应的初始权重,包括:
若目标图形的类别为一维图形,则设置目标图形中的至少一个量测点对应的初始权重为第一初始权重;
若目标图形的类别为二维图形,则设置目标图形中的至少一个量测点对应的初始权重为第二初始权重。
需要说明的是,在本公开实施例中,一维图形可以认为测量偏差较小,比如从一维图形中的某条线段从上测量到下,量测数据的偏差较小,所以第一初始权重的取值可以较大,例如200;二维图形的测量偏差较大,数据可信度相对较低,所以第二初始权重的取值可以较小,例如1;另外,锚点是制定半导体器件工艺条件的最重要的量测点,相当于标准点,所以赋予锚点的初始权重的取值最大,例如500。
还需要说明的是,在本公开实施例中,第一初始权重、第二初始权重和锚点的初始权重的取值可以分别为200、1和500,也可以分别为210、2和550。可以理解地,第一初始权重、第二初始权重和锚点的初始权重的取值都是根据经验获得,并且根据量测数据的准确程度或者目标图形的重要程度,第一初始权重、第二初始权重和锚点的初始权重可以适应性调整。例如,以重要程度为例,如果锚点的重要程度一维图形的重要程度二维图形的重要程度,这时候可以设置锚点的初始权重第一初始权重第二初始权重。但是,对于一维图形、二维图形和锚点的初始权重的具体取值,本公开实施例并不作具体限定。
S105、根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。
需要说明的是,在本公开实施例中,在获得目标图形中各量测点对应的目标权重后,可以根据目标权重对初始光学邻近校正模型进行校准,确定目标OPC模型。
还需要说明的是,在本公开实施例中,对于目标OPC模型,可以首先根据目标权重和线宽,确定出目标模型参数,然后再根据目标模型参数来确定目标OPC模型。其中,目标模型参数可以是在预设函数的取值最小时所对应的一组模型参数。
本公开实施例提供了一种模型校准方法,根据目标图形中的各量测点对应的线宽粗糙度对各量测点的初始权重进行修正,得到目标图形中的各量测点的目标权重,并根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。如此,将对目标图形中的各量测点赋予权重的过程客观化和自动化,可以有效地区分目标图形的内部中不同量测点的可靠性,并且将其自动换算成相应量测点的权重,从而提高了模型校准的自动化程度,还提高了目标OPC模型的准确性。
本公开的另一实施例中,参见图4,其示出了本公开实施例提供的一种模型校准方法的流程示意图二。如图4所示,该方法可以包括:
S201、根据初始光学邻近校正模型对测试光罩进行校正。
S202、将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形。
S203、确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度。
S204、根据线宽粗糙度对一维图形中的至少一个量测点对应的第一初始权重进行修正,得到一维图形中的至少一个量测点对应的第一目标权重。
S205、根据线宽粗糙度对二维图形中的至少一个量测点对应的第二初始权重进行修正,得到二维图形中的至少一个量测点对应的第二目标权重。
S206、根据第一目标权重、第二目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。
需要说明的是,在本公开实施例中,步骤S201、S202、S203和S206分别与前述实施例中的步骤S101、S102、S103和S105相对应,为了简洁,在此不再赘述。另外,步骤S204和S205是针对前述实施例中的步骤S104的一种具体实施方式,下面将对其分别进行详细描述。
还需要说明的是,步骤S105中的目标权重可以包括第一目标权重和第二目标权重。其中,第一目标权重是一维图形中的至少一个量测点对应的目标权重,第二目标权重是二维图形中的至少一个量测点对应的目标权重。
可以理解地,对于步骤S204来说,在获得了一维图形中的各量测点对应的线宽粗糙度和第一初始权重之后,可以根据线宽粗糙度修正一维图形中的各量测点对应的第一初始权重,得到一维图形中的各量测点对应的第一目标权重。
在一些实施例中,根据线宽粗糙度对一维图形中的至少一个量测点对应的第一初始权重进行修正,得到一维图形中的至少一个量测点对应的第一目标权重,包括:
从目标图形中的至少一个量测点中确定锚点,以及确定锚点对应的第一线宽粗糙度和一维图形中的至少一个量测点对应的第二线宽粗糙度;
根据第一线宽粗糙度与第二线宽粗糙度,计算一维图形中的至少一个量测点对应的第一系数;
将一维图形中的至少一个量测点对应的第一目标权重设置为第一系数和第一初始权重的乘积。
需要说明的是,在本公开实施例中,首先根据第一线宽粗糙度与第二线宽粗糙度计算一维图形中的各量测点对应的第一系数,也就是一维图形中的各量测点相对于第一初始权重的修正系数,然后将一维图形中的各量测点对应的第一系数和第一初始权重的乘积作为一维图形中的各量测点对应的第一目标权重。
还需要说明的是,在本公开实施例中,根据第一线宽粗糙度与一维图形中的各量测点对应的第二线宽粗糙度进行除法运算,得到的比值即为一维图形中的各量测点对应的第一系数。可以理解地,当一维图形中的某个量测点对应的第二线宽粗糙度越小时,一维图形中的该量测点对应的第一系数越大,说明该量测点越准确,那么赋予一维图形中的该量测点对应的第一目标权重就越大。
进一步地,对于步骤S205来说,在获得了二维图形中的各量测点对应的线宽粗糙度和第二初始权重之后,可以根据线宽粗糙度修正二维图形中的各量测点对应的第二初始权重,得到二维图形中的各量测点对应的第二目标权重。
在一些实施例中,根据线宽粗糙度对二维图形中的至少一个量测点对应的第二初始权重进行修正,得到二维图形中的至少一个量测点对应的第二目标权重,包括:
确定二维图形中的至少一个量测点对应的第三线宽粗糙度;
根据第一线宽粗糙度与第三线宽粗糙度,计算二维图形中的至少一个量测点对应的第二系数;
将二维图形中的至少一个量测点对应的第二目标权重设置为第二系数和第二初始权重的乘积。
需要说明的是,在本公开实施例中,首先根据第一线宽粗糙度与第三线宽粗糙度计算二维图形中的各量测点对应的第二系数,也就是二维图形中的各量测点相对于第二初始权重的修正系数,然后将二维图形中的各量测点对应的第二系数和第二初始权重的乘积作为二维图形中的各量测点对应的第二目标权重。
还需要说明的是,在本公开实施例中,根据第一线宽粗糙度与二维图形中的各量测点对应的第三线宽粗糙度进行除法运算,得到的比值即为二维图形中的各量测点对应的第二系数。可以理解地,当二维图形中的某个量测点对应的第三线宽粗糙度越小时,二维图形中的该量测点对应的第二系数越大,说明该量测点越准确,那么赋予二维图形中的该量测点对应的第二目标权重就越大。
本公开实施例将SEM图形的线宽粗糙度作为主要的数据可靠性指针,自动换算成相应量测点的权重,从而提高了目标OPC模型校准的自动化程度,并提高了目标OPC模型的准确性。另外,在一维图形内部,根据一维图形中的各量测点对应的第二线宽粗糙度,可以有效地区分一维图形的内部不同量测点量测的可靠性;在二维图形内部,根据二维图形中的各量测点对应的第三线宽粗糙度,可以有效地区分二维图形的内部不同量测点量测的可靠性;也就是说,本公开实施例可以有效地区分同一类别的目标图形内部中的不同图形量测的可靠性,从而提高了目标OPC模型的准确性。
本公开的又一实施例中,参见图5,其示出了本公开实施例提供的一种模型校准方法的流程示意图三。如图5所示,该方法可以包括:
S301、根据初始光学邻近校正模型对测试光罩进行校正。
S302、将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形。
S303、确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度和线宽。
S304、根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重。
S305、根据目标权重和线宽,确定在预设函数满足第一条件时对应的目标模型参数。
S306、根据目标模型参数,确定目标光学邻近校正模型。
需要说明的是,在本公开实施例中,步骤S301、S302、S303和S304分别与前述实施例中的步骤S101、S102、S103和S104相对应,为了简洁,在此不再赘述。另外,步骤S305和S306是针对前述实施例中的步骤S105的一种具体实施方式,下面将对其分别进行详细描述。
可以理解地,对于步骤S305来说,在获得了目标图形中的各量测点对应的目标权重和线宽之后,可以根据目标权重和线宽,确定目标模型参数,该目标模型参数是在预设函数满足第一条件时对应的模型参数。
在一些实施例中,预设函数满足第一条件,包括:预设函数的取值最小。
需要说明的是,在本公开实施例中,预设函数的取值最小可以为0,或者也可以是符合设计要求的其他范围值;也就是说,对预设函数的取值最小的标准不作限制,可以根据实际情况来设定该最小值。
在一些实施例中,根据目标权重和线宽,确定在预设函数满足第一条件时对应的目标模型参数,包括:
设置多组模拟线宽组合,其中,模拟线宽组合包括一维图形中的至少一个量测点对应的第一模拟线宽和二维图形中的至少一个量测点对应的第二模拟线宽;
根据线宽和目标权重,计算预设函数在多组模拟线宽组合下各自的取值;
将取值最小所对应的一组模拟线宽组合作为目标模拟线宽组合;
根据模拟线宽组合与模型参数之间的映射关系,确定目标模拟线宽组合对应的目标模型参数。
需要说明的是,在本公开实施例中,模拟线宽(ModelCD)可以根据公式(1)得到:
(1)
其中,表示和空间坐标相关的变量,示例性地,可以是,可以是,对于的具体内容,本公开实施例并不作具体限定;表示的系数,是一个固定值;threshold表示光强阈值。
还需要说明的是,在本公开实施例中,光强阈值可以根据工艺需求设定,当光强值大于光强阈值时会显影,当光强值小于光强阈值时不会显影。
还需要说明的是,首先根据可以得到目标图形中多点的光强值,然后可以根据多点的光强值确定光强值与空间坐标关系的曲线,再根据光强阈值得到光强阈值与前述曲线的两个交点,两个交点之间的距离即为模拟线宽。
还需要说明的是,OPC模型可以如公式(2)所示:
(2)
其中,(C0, C1, …, Cn)表示OPC模型中的模型参数。
可以理解地,通过不断变化模型参数(C0, C1, …, Cn),可以得到不同的模拟线宽组合,然后计算预设函数在不同的模拟线宽组合下各自的取值,直到预设函数的取值最小时所对应的模拟线宽组合即为目标模拟线宽组合,此时的模型参数(C0, C1, …, Cn)为目标模型参数。预设函数的取值最小时表示该OPC模型对每个量测点均适用,模拟线宽和量测线宽(WaferCD)最接近。
在一些实施例中,根据线宽和目标权重,计算预设函数在多组模拟线宽组合下各自的取值,包括:
根据线宽,获取一维图形中的至少一个量测点对应的第一量测线宽和二维图形中的至少一个量测点对应的第二量测线宽;
根据第一组模拟线宽组合,获取一维图形中的至少一个量测点对应的第一模拟线宽和二维图形中的至少一个量测点对应的第二模拟线宽;
确定一维图形中的至少一个量测点对应的第一模拟线宽与第一量测线宽的第一差值,以及计算一维图形中的至少一个量测点对应的第一差值与第一目标权重的第一乘积;
确定二维图形中的至少一个量测点对应的第二模拟线宽与第二量测线宽的第二差值,以及计算二维图形中的至少一个量测点对应的第二差值与第二目标权重的第二乘积;
根据一维图形中的至少一个量测点对应的第一乘积之和与二维图形中的至少一个量测点对应的第二乘积之和,确定预设函数在第一组模拟线宽组合下的取值。
在本公开实施例中,第一组模拟线宽组合是多组模拟线宽组合中的任意一个。
需要说明的是,在本公开实施例中,预设函数可以用Cost Function表示,如公式(3)所示:
= (3)
其中,表示第一量测线宽,表示第二量测线宽,表示第一模拟线宽,表示第二模拟线宽,表示第一初始权重,表示第一系数,表示第二初始权重,表示第二系数;也就是说,表示第一目标权重,表示第二目标权重。另外,表示第一线宽粗糙度,表示第二线宽粗糙度,表示第三线宽粗糙度。
还需要说明的是,在本公开实施例中,i表示一维图形中的某个量测点,j表示二维图形中的某个量测点;具体的,i可以从1取到n,j可以从1取到k;其中,n和k均大于1,但是对于n和k的具体取值,本公开实施例并不作具体限定。
在一些实施例中,该方法还包括:
基于一维图形中第一量测点对应的预设线段的多个采样点,确定多个采样点对应的线宽;并根据多个采样点对应的线宽,计算第一量测点对应的第二线宽粗糙度;
基于二维图形中第二量测点对应的多个预设图形,确定多个预设图形对应的最小线宽;并根据多个预设图形对应的最小线宽,计算第二量测点对应的第三线宽粗糙度;
在本公开实施例中,第一量测点是一维图形中的至少一个量测点中的任意一个,第二量测点是二维图形中的至少一个量测点中的任意一个。
需要说明的是,在本公开实施例中,线宽(具体为量测线宽)和线宽粗糙度是通过对多个采样点或者多个预设图形对应的线宽分别求平均值和求标准差得到。具体的,在一维图形中,可以是从一条线段从上往下测量多个采样点,并根据多个采样点对应的线宽得到该线段对应的量测点的第一量测线宽和第二线宽粗糙度,如图6中的(a)所示,根据短线110、短线120和短线130得到第一量测线宽和第二线宽粗糙度;在二维图形中,是在多个预设图形的最窄处进行测量,并根据多个预设图形对应的最小线宽得到该二维图形对应的量测点的第二量测线宽和第三线宽粗糙度,如图6中的(b)所示,根据短线210、短线220和短线230得到该二维图形的第二量测线宽和第三线宽粗糙度。
还需要说明的是,在本公开实施例中,可以根据工艺设计时确定的坐标值保证在二维图形中获取的都是每个预设图形的最窄处的线宽;可以理解地,也可以在每个预设图形的最窄处附近测量多点取最小值以得到最窄处的线宽,本公开实施例对此不作具体限定。
还需要说明的是,在图6中,选取3点得到量测线宽和线宽粗糙度仅为示例,本公开实施例对取点的个数不作具体限定。
进一步地,对于步骤S306来说,在确定了目标模型参数之后,根据目标模型参数建立的目标OPC模型的准确性更高,可以通过目标OPC模型获得目标图形中的各量测点的光强值。
综上可知,本公开实施例提供了一种模型校准方法,具体是一种基于SEM图像线宽粗糙度加权的OPC模型校准方法,首先通过初始OPC模型对测试光罩进行校正;其次使用校正后的测试光罩图案化晶圆,在晶圆上形成目标图形;再次测量目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度;然后根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重;最后根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。为了解决数据权重过于依赖经验,避免人为主观判断的问题,本公开实施例将SEM图形线宽粗糙度作为主要的数据可靠性指针,自动换算成相应量测点的权重,从而提高了模型校准的自动化程度,并提高了输出模型的准确性。
参见图7,其示出了本公开实施例提供的一种模型校准方法的流程示意图四。如图7所示,该方法可以包括:
S401、测试图形设计。
S402、晶圆数据收集。
S403、数据清理及分类。
S404、建立成本函数做OPC模型校准。
在一种具体的实施例中,结合图7,对于前述实施例的模型校准方法,具体可以包括如下步骤:
步骤1、根据当前目标层(layer)的设计图形尺寸,在测试光罩上选择合适的测试图形。
步骤2、曝光收取目标图形的关键尺寸(Critical Dimension,CD)值和线宽粗糙度。
步骤3、给所有的量测点赋权重,原则如下:
A. 锚点赋500;
B. 一维图形先赋基础权重(即第一初始权重)200,以锚点的线宽粗糙度(即第一线宽粗糙度)为基准,假设为1,现有一维图形的线宽粗糙度(即第二线宽粗糙度)为1.2,则最终权重(即第一目标权重)为;
C. 二维图形先赋基础权重(即第二初始权重)1,同样以锚点的线宽粗糙度为基准,根据当前点的线宽粗糙度(即第三线宽粗糙度)做相应调整。
步骤4、将量测数据和目标权重作为输入进行OPC模型校准,成本函数(即预设函数)如公式(3)所示,其中WaferCD,LWR均由量测取得,base_weight由经验值得到,ModelCD根据公式(1)计算得到。另外,成本函数一般定义为模型预测值和量测值偏差的加权平方根。
可以理解地,模型校准的目标是寻找到一组(C0, C1, …, Cn),使得成本函数(Cost Function)值最小。
需要说明的是,本公开实施例涉及半导体光刻(Semiconductor Litho)领域,特别涉及OPC光学领域,利用SEM图像线宽粗糙度作为量测可靠性的指针,给相应量测点自动赋予权重,应用于光学邻近效应模型的校准。
还需要说明的是,有些测试图形的线宽粗糙度很大,或者图形不均匀,则可以认为不是合适的测试图形。
还需要说明的是,CD值有多种,在本公开实施例中指线宽。
还需要说明的是,对于步骤S402,在相关技术中,只收集线宽;而本公开实施例收集线宽和线宽粗糙度,并将线宽粗糙度作为量测点的权重指标加入到模型校准过程中。
还需要说明的是,对于步骤S403,在相关技术中,根据经验值赋予锚点、一维图形和二维图形不同的基础权重(即初始权重);而本公开实施例根据LWR做权重的分类,可以进行一维图形、二维图形内部的细分,具体的,当量测点的LWR较大时,在成本函数中的作用就较小,重要性下降,从而可以对测量不准确的量测点赋予较小的权重,而对测量准确的量测点赋予较大的权重。
可以理解地,晶圆数据的准确性直接决定了最终OPC模型的质量,准确性较低的量测点应该赋予较小的权重。在现有技术中,仅凭经验将量测点分成锚点,一维图形和二维图形几大类,并赋予相应的权重值;但是比如在一维图形内部,并不做细分。基于此,本公开实施例提供了一种模型校准方法,根据上述实施例对前述实施例的具体实现进行了详细阐述,从中可以看出,根据前述实施例的技术方案,对不同的目标图形赋予不同的初始权重,并利用SEM图像线宽粗糙度作为量测可靠性的指针,对初始权重做修正;也就是说,将SEM图像的线宽粗糙度作为权重的指示标志,从而可以将赋权重的过程客观化和自动化,并且有效的区分同一类别的目标图形内部中不同图形量测的可靠性,从而提高了最终OPC模型的准确性。
本公开的再一实施例中,参见图8,其示出了本公开实施例提供的一种模型校准装置的组成结构示意图。如图8所示,该模型校准装置50包括校正单元501、图案化单元502、确定单元503和计算单元504;其中:
校正单元501,配置为根据初始光学邻近校正模型对测试光罩进行校正;
图案化单元502,配置为将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形;
确定单元503,配置为确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度;
计算单元504,配置为根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重;
确定单元503,还配置为根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。
在一些实施例中,确定单元503,还配置为对晶圆进行曝光处理,并对曝光后的晶圆进行SEM采样,获得至少一个量测点对应的晶圆数据。
在一些实施例中,确定单元503,还配置为对目标图形进行分类,确定目标图形的类别;以及基于不同类别的目标图形,设置各自对应的初始权重。
在一些实施例中,目标图形的类别至少包括:一维图形和二维图形;确定单元503,还配置为若目标图形的类别为一维图形,则设置目标图形中的至少一个量测点对应的初始权重为第一初始权重;以及若目标图形的类别为二维图形,则设置目标图形中的至少一个量测点对应的初始权重为第二初始权重。
在一些实施例中,计算单元504,还配置为根据线宽粗糙度对一维图形中的至少一个量测点对应的第一初始权重进行修正,得到一维图形中的至少一个量测点对应的第一目标权重;以及根据线宽粗糙度对二维图形中的至少一个量测点对应的第二初始权重进行修正,得到二维图形中的至少一个量测点对应的第二目标权重。
在一些实施例中,计算单元504,还配置为从目标图形中的至少一个量测点中确定锚点,以及确定锚点对应的第一线宽粗糙度和一维图形中的至少一个量测点对应的第二线宽粗糙度;以及根据第一线宽粗糙度与第二线宽粗糙度,计算一维图形中的至少一个量测点对应的第一系数;以及将一维图形中的至少一个量测点对应的第一目标权重设置为第一系数和第一初始权重的乘积。
在一些实施例中,计算单元504,还配置为确定二维图形中的至少一个量测点对应的第三线宽粗糙度;以及根据第一线宽粗糙度与第三线宽粗糙度,计算二维图形中的至少一个量测点对应的第二系数;以及将二维图形中的至少一个量测点对应的第二目标权重设置为第二系数和第二初始权重的乘积。
在一些实施例中,计算单元504,还配置为基于一维图形中第一量测点对应的预设线段的多个采样点,确定多个采样点对应的线宽;并根据多个采样点对应的线宽,计算第一量测点对应的第二线宽粗糙度;以及基于二维图形中第二量测点对应的多个预设图形,确定多个预设图形对应的最小线宽;并根据多个预设图形对应的最小线宽,计算第二量测点对应的第三线宽粗糙度;其中,第一量测点是一维图形中的至少一个量测点中的任意一个,第二量测点是二维图形中的至少一个量测点中的任意一个。
在一些实施例中,晶圆数据还包括线宽;确定单元503,还配置为根据目标权重和线宽,确定在预设函数满足第一条件时对应的目标模型参数;以及根据目标模型参数,确定目标光学邻近校正模型。
在一些实施例中,预设函数的取值最小。
在一些实施例中,确定单元503,还配置为设置多组模拟线宽组合,其中,模拟线宽组合包括一维图形中的至少一个量测点对应的第一模拟线宽和二维图形中的至少一个量测点对应的第二模拟线宽;以及根据线宽和目标权重,计算预设函数在多组模拟线宽组合下各自的取值;以及将取值最小所对应的一组模拟线宽组合作为目标模拟线宽组合;以及根据模拟线宽组合与模型参数之间的映射关系,确定目标模拟线宽组合对应的目标模型参数。
在一些实施例中,确定单元503,还配置为根据线宽,获取一维图形中的至少一个量测点对应的第一量测线宽和二维图形中的至少一个量测点对应的第二量测线宽;以及根据第一组模拟线宽组合,获取一维图形中的至少一个量测点对应的第一模拟线宽和二维图形中的至少一个量测点对应的第二模拟线宽;以及确定一维图形中的至少一个量测点对应的第一模拟线宽与第一量测线宽的第一差值,以及计算一维图形中的至少一个量测点对应的第一差值与第一目标权重的第一乘积;以及确定二维图形中的至少一个量测点对应的第二模拟线宽与第二量测线宽的第二差值,以及计算二维图形中的至少一个量测点对应的第二差值与第二目标权重的第二乘积;以及根据一维图形中的至少一个量测点对应的第一乘积之和与二维图形中的至少一个量测点对应的第二乘积之和,确定预设函数在第一组模拟线宽组合下的取值;其中,第一组模拟线宽组合是多组模拟线宽组合中的任意一个。
对于本公开实施例未披露的细节,请参照前述实施例的描述而理解。
可以理解地,在本实施例中,“单元”可以是部分电路、部分处理器、部分程序或软件等等,当然也可以是模块,还可以是非模块化的。而且在本实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,本实施例提供了一种计算机存储介质,该计算机存储介质存储有计算机程序,所述计算机程序被至少一个处理器执行时实现前述实施例中任一项所述模型校准方法的步骤。
基于上述的一种模型校准装置50的组成以及计算机存储介质,参见图9,其示出了本公开实施例提供的一种电子设备的组成结构示意图一。如图9所示,电子设备60可以包括:通信接口601、存储器602和处理器603;各个组件通过总线系统604耦合在一起。可理解,总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图9中将各种总线都标为总线系统604。其中,通信接口601,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
存储器602,用于存储能够在处理器603上运行的计算机程序;
处理器603,用于在运行所述计算机程序时,执行:
根据初始光学邻近校正模型对测试光罩进行校正;
将校正后的测试光罩用于晶圆图案化工艺,在晶圆上形成目标图形;
确定目标图形中的至少一个量测点对应的晶圆数据,晶圆数据包括线宽粗糙度;
根据线宽粗糙度对目标图形中的至少一个量测点对应的初始权重进行修正,得到目标图形中的至少一个量测点对应的目标权重;
根据目标权重对初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。
可以理解,本公开实施例中的存储器602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,ESDRAM)、同步链动态随机存取存储器(Synchronous link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的系统和方法的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器603可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器603可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器603读取存储器602中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(ProgrammableLogicDevice,PLD)、现场可编程门阵列(Field- Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本公开所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可选地,作为另一个实施例,处理器603还配置为在运行所述计算机程序时,执行前述实施例中任一项所述的方法。
在本公开的再一实施例中,参见图10,其示出了本公开实施例提供的一种电子设备的组成结构示意图二。如图10所示,该电子设备60至少包括前述实施例中任一项所述的模型校准装置50。
在本公开实施例中,对于电子设备60而言,根据目标图形中的各量测点对应的线宽粗糙度对各量测点的初始权重进行修正,得到目标图形中的各量测点的目标权重,使得目标图形中的各量测点赋予权重的过程客观化和自动化,从而可以提高目标图形的内部不同量测点的可靠性;然后根据目标权重对初始光学邻近校正模型进行校准,并且由于准确性较低的量测点赋予较小的权重,准确性较高的量测点赋予较大的权重,进而还能够提高目标OPC模型的质量,同时提升目标OPC模型的准确性。
以上所述,仅为本公开的较佳实施例而已,并非用于限定本公开的保护范围。
需要说明的是,在本公开中,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。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
本公开所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本公开所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本公开所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种模型校准方法,其特征在于,所述方法包括:
根据初始光学邻近校正模型对测试光罩进行校正;
将校正后的所述测试光罩用于晶圆图案化工艺,在所述晶圆上形成目标图形;
确定所述目标图形中的至少一个量测点对应的晶圆数据,所述晶圆数据包括线宽粗糙度;
根据所述线宽粗糙度对所述目标图形中的至少一个量测点对应的初始权重进行修正,得到所述目标图形中的至少一个量测点对应的目标权重;
根据所述目标权重对所述初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。
2.根据权利要求1所述的方法,其特征在于,所述确定所述目标图形中的至少一个量测点对应的晶圆数据,包括:
对所述晶圆进行曝光处理,并对曝光后的所述晶圆进行扫描电子显微镜SEM采样,获得所述至少一个量测点对应的所述晶圆数据。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述目标图形进行分类,确定所述目标图形的类别;
基于不同类别的所述目标图形,设置各自对应的初始权重。
4.根据权利要求3所述的方法,其特征在于,所述目标图形的类别至少包括:一维图形和二维图形;
相应地,所述基于不同类别的所述目标图形,设置各自对应的初始权重,包括:
若所述目标图形的类别为所述一维图形,则设置所述目标图形中的至少一个量测点对应的初始权重为第一初始权重;
若所述目标图形的类别为所述二维图形,则设置所述目标图形中的至少一个量测点对应的初始权重为第二初始权重。
5.根据权利要求4所述的方法,其特征在于,所述根据所述线宽粗糙度对所述目标图形中的至少一个量测点对应的初始权重进行修正,得到所述目标图形中的至少一个量测点对应的目标权重,包括:
根据所述线宽粗糙度对所述一维图形中的至少一个量测点对应的所述第一初始权重进行修正,得到所述一维图形中的至少一个量测点对应的第一目标权重;
根据所述线宽粗糙度对所述二维图形中的至少一个量测点对应的所述第二初始权重进行修正,得到所述二维图形中的至少一个量测点对应的第二目标权重。
6.根据权利要求5所述的方法,其特征在于,所述根据所述线宽粗糙度对所述一维图形中的至少一个量测点对应的所述第一初始权重进行修正,得到所述一维图形中的至少一个量测点对应的第一目标权重,包括:
从所述目标图形中的至少一个量测点中确定锚点,以及确定所述锚点对应的第一线宽粗糙度和所述一维图形中的至少一个量测点对应的第二线宽粗糙度;
根据所述第一线宽粗糙度与所述第二线宽粗糙度,计算所述一维图形中的至少一个量测点对应的第一系数;
将所述一维图形中的至少一个量测点对应的所述第一目标权重设置为所述第一系数和所述第一初始权重的乘积。
7.根据权利要求6所述的方法,其特征在于,所述根据所述线宽粗糙度对所述二维图形中的至少一个量测点对应的所述第二初始权重进行修正,得到所述二维图形中的至少一个量测点对应的第二目标权重,包括:
确定所述二维图形中的至少一个量测点对应的第三线宽粗糙度;
根据所述第一线宽粗糙度与所述第三线宽粗糙度,计算所述二维图形中的至少一个量测点对应的第二系数;
将所述二维图形中的至少一个量测点对应的所述第二目标权重设置为所述第二系数和所述第二初始权重的乘积。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
基于所述一维图形中第一量测点对应的预设线段的多个采样点,确定所述多个采样点对应的线宽;并根据所述多个采样点对应的线宽,计算所述第一量测点对应的第二线宽粗糙度;
基于所述二维图形中第二量测点对应的多个预设图形,确定所述多个预设图形对应的最小线宽;并根据所述多个预设图形对应的最小线宽,计算所述第二量测点对应的第三线宽粗糙度;
其中,所述第一量测点是所述一维图形中的至少一个量测点中的任意一个,所述第二量测点是所述二维图形中的至少一个量测点中的任意一个。
9.根据权利要求5所述的方法,其特征在于,所述晶圆数据还包括线宽;
相应地,所述根据所述目标权重对所述初始光学邻近校正模型进行校准,确定目标光学邻近校正模型,包括:
根据所述目标权重和所述线宽,确定在预设函数满足第一条件时对应的目标模型参数;
根据所述目标模型参数,确定所述目标光学邻近校正模型。
10.根据权利要求9所述的方法,其特征在于,所述预设函数满足第一条件,包括:所述预设函数的取值最小。
11.根据权利要求10所述的方法,其特征在于,所述根据所述目标权重和所述线宽,确定在预设函数满足第一条件时对应的目标模型参数,包括:
设置多组模拟线宽组合,其中,所述模拟线宽组合包括所述一维图形中的至少一个量测点对应的第一模拟线宽和所述二维图形中的至少一个量测点对应的第二模拟线宽;
根据所述线宽和所述目标权重,计算所述预设函数在所述多组模拟线宽组合下各自的取值;
将取值最小所对应的一组模拟线宽组合作为目标模拟线宽组合;
根据模拟线宽组合与模型参数之间的映射关系,确定所述目标模拟线宽组合对应的所述目标模型参数。
12.根据权利要求11所述的方法,其特征在于,所述根据所述线宽和所述目标权重,计算所述预设函数在所述多组模拟线宽组合下各自的取值,包括:
根据所述线宽,获取所述一维图形中的至少一个量测点对应的第一量测线宽和所述二维图形中的至少一个量测点对应的第二量测线宽;
根据第一组模拟线宽组合,获取所述一维图形中的至少一个量测点对应的第一模拟线宽和所述二维图形中的至少一个量测点对应的第二模拟线宽;
确定所述一维图形中的至少一个量测点对应的所述第一模拟线宽与所述第一量测线宽的第一差值,以及计算所述一维图形中的至少一个量测点对应的所述第一差值与所述第一目标权重的第一乘积;
确定所述二维图形中的至少一个量测点对应的所述第二模拟线宽与所述第二量测线宽的第二差值,以及计算所述二维图形中的至少一个量测点对应的所述第二差值与所述第二目标权重的第二乘积;
根据所述一维图形中的至少一个量测点对应的所述第一乘积之和与所述二维图形中的至少一个量测点对应的所述第二乘积之和,确定所述预设函数在所述第一组模拟线宽组合下的取值;
其中,所述第一组模拟线宽组合是所述多组模拟线宽组合中的任意一个。
13.一种模型校准装置,其特征在于,所述模型校准装置包括校正单元、图案化单元、确定单元和计算单元;其中:
所述校正单元,配置为根据初始光学邻近校正模型对测试光罩进行校正;
所述图案化单元,配置为将校正后的所述测试光罩用于晶圆图案化工艺,在所述晶圆上形成目标图形;
所述确定单元,配置为确定所述目标图形中的至少一个量测点对应的晶圆数据,所述晶圆数据包括线宽粗糙度;
所述计算单元,配置为根据所述线宽粗糙度对所述目标图形中的至少一个量测点对应的初始权重进行修正,得到所述目标图形中的至少一个量测点对应的目标权重;
所述确定单元,还配置为根据所述目标权重对所述初始光学邻近校正模型进行校准,确定目标光学邻近校正模型。
14.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,其中:
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行如权利要求1至12中任一项所述的方法。
15.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如权利要求1至12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296216.6A CN115993754B (zh) | 2023-03-24 | 2023-03-24 | 一种模型校准方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296216.6A CN115993754B (zh) | 2023-03-24 | 2023-03-24 | 一种模型校准方法、装置、电子设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115993754A true CN115993754A (zh) | 2023-04-21 |
CN115993754B CN115993754B (zh) | 2023-07-07 |
Family
ID=85995479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310296216.6A Active CN115993754B (zh) | 2023-03-24 | 2023-03-24 | 一种模型校准方法、装置、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993754B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116339081A (zh) * | 2023-05-24 | 2023-06-27 | 合肥晶合集成电路股份有限公司 | 一种光学邻近校正模型的建模方法、装置、设备及介质 |
CN116931389A (zh) * | 2023-09-18 | 2023-10-24 | 粤芯半导体技术股份有限公司 | 线宽测量方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050168498A1 (en) * | 2004-02-03 | 2005-08-04 | Mentor Graphics Corporation | Source optimization for image fidelity and throughput |
KR100834239B1 (ko) * | 2006-12-28 | 2008-05-30 | 동부일렉트로닉스 주식회사 | 포토마스크 제작 방법 |
CN102902154A (zh) * | 2011-07-29 | 2013-01-30 | 上海华虹Nec电子有限公司 | 光学临近效应修正工艺模型的建模方法 |
CN108073047A (zh) * | 2016-11-15 | 2018-05-25 | 无锡华润上华科技有限公司 | 光学临近效应校正方法及系统 |
CN110688736A (zh) * | 2019-09-06 | 2020-01-14 | 上海华力集成电路制造有限公司 | Opc光学模型筛选方法及其筛选系统 |
CN112180677A (zh) * | 2020-11-27 | 2021-01-05 | 晶芯成(北京)科技有限公司 | 一种光学邻近校正模型的建模方法及建模系统 |
CN112882348A (zh) * | 2019-11-29 | 2021-06-01 | 长鑫存储技术有限公司 | 一种光学临近效应修正方法及装置 |
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 |
CN114925635A (zh) * | 2022-05-24 | 2022-08-19 | 上海华力集成电路制造有限公司 | Opc模型数据权重设置方法 |
-
2023
- 2023-03-24 CN CN202310296216.6A patent/CN115993754B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050168498A1 (en) * | 2004-02-03 | 2005-08-04 | Mentor Graphics Corporation | Source optimization for image fidelity and throughput |
KR100834239B1 (ko) * | 2006-12-28 | 2008-05-30 | 동부일렉트로닉스 주식회사 | 포토마스크 제작 방법 |
CN102902154A (zh) * | 2011-07-29 | 2013-01-30 | 上海华虹Nec电子有限公司 | 光学临近效应修正工艺模型的建模方法 |
CN108073047A (zh) * | 2016-11-15 | 2018-05-25 | 无锡华润上华科技有限公司 | 光学临近效应校正方法及系统 |
CN110688736A (zh) * | 2019-09-06 | 2020-01-14 | 上海华力集成电路制造有限公司 | Opc光学模型筛选方法及其筛选系统 |
CN112882348A (zh) * | 2019-11-29 | 2021-06-01 | 长鑫存储技术有限公司 | 一种光学临近效应修正方法及装置 |
CN112180677A (zh) * | 2020-11-27 | 2021-01-05 | 晶芯成(北京)科技有限公司 | 一种光学邻近校正模型的建模方法及建模系统 |
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 |
CN114925635A (zh) * | 2022-05-24 | 2022-08-19 | 上海华力集成电路制造有限公司 | Opc模型数据权重设置方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116339081A (zh) * | 2023-05-24 | 2023-06-27 | 合肥晶合集成电路股份有限公司 | 一种光学邻近校正模型的建模方法、装置、设备及介质 |
CN116339081B (zh) * | 2023-05-24 | 2023-09-12 | 合肥晶合集成电路股份有限公司 | 一种光学邻近校正模型的建模方法、装置、设备及介质 |
CN116931389A (zh) * | 2023-09-18 | 2023-10-24 | 粤芯半导体技术股份有限公司 | 线宽测量方法 |
CN116931389B (zh) * | 2023-09-18 | 2023-12-08 | 粤芯半导体技术股份有限公司 | 线宽测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115993754B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115993754B (zh) | 一种模型校准方法、装置、电子设备和计算机存储介质 | |
US10223494B2 (en) | Semiconductor device manufacturing method and mask manufacturing method | |
US6673638B1 (en) | Method and apparatus for the production of process sensitive lithographic features | |
JP3409493B2 (ja) | マスクパターンの補正方法および補正装置 | |
US7506301B2 (en) | Method for correcting a mask pattern, system for correcting a mask pattern, program, method for manufacturing a photomask and method for manufacturing a semiconductor device | |
EP1424595B1 (en) | Automatic calibration of a masking process simulator | |
CN112969967A (zh) | 确定对过程的校正 | |
KR100920857B1 (ko) | 레지스트 패턴 형상 예측 방법, 레지스트 패턴 형상을예측하는 프로그램을 기억한 컴퓨터 판독가능한 기록 매체및 레지스트 패턴 형상을 예측하는 컴퓨터 | |
JP2007519981A (ja) | レチクル設計データにおける欠陥を検出するためのコンピュータに実装される方法 | |
CN105573048B (zh) | 一种光学临近修正模型的优化方法 | |
US11080458B2 (en) | Lithography simulation method | |
CN112180677A (zh) | 一种光学邻近校正模型的建模方法及建模系统 | |
CN110824829B (zh) | 一种建立opc模型的方法以及光学邻近修正方法 | |
CN114967377A (zh) | 排列获得方法、曝光装置、物品制造方法和信息处理装置 | |
JP2002203768A (ja) | 露光方法、露光システム及び記録媒体 | |
US9223911B2 (en) | Optical model employing phase transmission values for sub-resolution assist features | |
JP3808817B2 (ja) | マスク欠陥検査方法、半導体装置の製造方法、マスク欠陥検査装置、欠陥影響度マップ作成方法およびプログラム | |
TW201940958A (zh) | 加速抗蝕及蝕刻模型校準的即時調整方法 | |
KR20170113801A (ko) | 마스크 레이아웃의 래스터화 방법 및 이를 이용한 포토 마스크의 제조방법 | |
KR20230047898A (ko) | 기판상의 복수의 숏 영역의 배열을 구하는 방법, 노광 방법, 노광 장치, 물품의 제조 방법, 비일시적 컴퓨터 판독 가능한 기억 매체, 및 정보처리장치 | |
KR20220041731A (ko) | 샘플 숏 영역의 세트를 결정하는 방법, 계측값을 얻는 방법, 정보 처리장치, 리소그래피 장치, 프로그램, 및 물품 제조방법 | |
CN111771167B (zh) | 光刻工艺中的对齐标记定位 | |
JP2004157160A (ja) | プロセスモデル作成方法、マスクパターン設計方法、マスクおよび半導体装置の製造方法 | |
CN116224718A (zh) | 套刻误差补偿方法及系统、计算机可读存储介质 | |
US20230324881A1 (en) | Machine learning (ml)-based process proximity correction (ppc) method and semiconductor device manufacturing method including the same |
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 |