CN116224707B - 光学临近效应修正方法及装置、存储介质、终端 - Google Patents
光学临近效应修正方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN116224707B CN116224707B CN202211724451.0A CN202211724451A CN116224707B CN 116224707 B CN116224707 B CN 116224707B CN 202211724451 A CN202211724451 A CN 202211724451A CN 116224707 B CN116224707 B CN 116224707B
- Authority
- CN
- China
- Prior art keywords
- line segment
- matrix
- corrected
- neural network
- vector
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000003287 optical effect Effects 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 61
- 239000013598 vector Substances 0.000 claims description 131
- 239000011159 matrix material Substances 0.000 claims description 123
- 230000006870 function Effects 0.000 claims description 60
- 238000005070 sampling Methods 0.000 claims description 58
- 238000009826 distribution Methods 0.000 claims description 44
- 230000004913 activation Effects 0.000 claims description 31
- 230000000694 effects Effects 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- 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
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing For Digital Recording And Reproducing (AREA)
- Image Analysis (AREA)
Abstract
一种光学临近效应修正方法及装置、存储介质、终端，所述方法包括：对待修正版图中的各个待修正图形进行分割，每个待修正图形的每条边被分割为一条或多条线段；确定每条线段的第一数量条邻近线段；确定每一条线段的节点信息，所述节点信息包括线段的类型以及该线段的各条邻近线段与该线段之间的距离，并基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息；基于修正移动信息构建修正后的版图。本发明可以提高修正移动信息的准确性，并且有效降低处理成本。
Description
技术领域
本发明涉及半导体技术领域，尤其涉及一种光学临近效应修正方法及装置、存储介质、终端。
背景技术
随着集成化程度的提高，集成电路设计的复杂度也随之增加，光刻工艺实现了掩模版图形向硅片上的投影，成为集成电路制造的主要工艺之一。
在超深亚微米(VDSM)阶段，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，因此光刻过程中光的衍射和干涉效应会使得光刻图形于掩模版图形存在偏差。为了减少偏差，可以采用的光学邻近效应修正(Optical Proximity Correction，OPC)技术进行处理。
然而，现有的OPC技术容易出现各种类型形变失真，如可能出现关键尺寸偏差(Critical Dimension Offset)、接线架桥(Line Bridging)、线端缩短(Line-endShorting)、方角钝化(Corner Rounding)等问题，通常情况下，需要依赖人工经验处理，耗时长且准确度较低，随着处理文件增大，处理成本呈指数级增长。
发明内容
本发明解决的技术问题是提供一种光学临近效应修正方法及装置、存储介质、终端，可以提高修正移动信息的准确性，并且有效降低处理成本。
为解决上述技术问题，本发明实施例提供一种光学临近效应修正方法，包括：对待修正版图中的各个待修正图形进行分割，每个待修正图形的每条边被分割为一条或多条线段；确定每条线段的第一数量条邻近线段；确定每一条线段的节点信息，所述节点信息包括线段的类型以及该线段的各条邻近线段与该线段之间的距离，并基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息；基于修正移动信息构建修正后的版图。
可选的，所述基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息，包括：采用各条线段的节点信息以及第一卷积神经网络模型输出所述各条线段的特征向量矩阵；采用第二卷积神经网络模型输出各条线段的特征向量的均值向量；以及，采用第三卷积神经网络模型输出各条线段的特征向量的方差向量；采用所述均值向量和所述方差向量构建正态分布，基于所述正态分布采样确定各条线段的修正移动信息。
可选的，所述采用各条线段的节点信息以及第一卷积神经网络模型输出所述各条线段的特征向量矩阵，包括：采用各条线段与邻近线段之间的距离以及各条线段的类型作为节点信息，构建特征矩阵以及邻接矩阵；将所述特征矩阵以及邻接矩阵输入所述第一卷积神经网络，输出所述各条线段的特征向量矩阵。
可选的，采用下述公式表示所述第一卷积神经网络的层特征传播公式，其中，所述特征向量矩阵由经过所述第一卷积神经网络的最后一层输出的特征向量构成：
其中，A用于表示邻接矩阵，I用于表示单位矩阵，用于表示/>的度矩阵，用于表示对所述邻接矩阵A的归一化处理，H(l)用于表示第l层的特征矩阵，H(l+1)用于表示第l+1层的特征矩阵，W(l)用于表示第l层的权重矩阵，σ()用于表示激活函数。
可选的，所述特征矩阵为(N+1)×N矩阵，且包含各条线段与邻近线段之间的距离以及各条线段的类型；和/或，所述邻接矩阵为N×N矩阵，且包含各条线段与邻近线段之间的距离；其中，N用于表示所述第一数量。
可选的，所述第二卷积神经网络采用Tanh函数作为激活函数；所述采用第二卷积神经网络模型输出各条线段的特征向量的均值向量，包括：将所述特征向量矩阵输入所述第二卷积神经网络，并以最后一层输出的N个第一特征向量分别作为各条线段的均值向量；其中，N用于表示所述第一数量。
可选的，所述第三卷积神经网络采用Tanh函数作为激活函数；所述采用第三卷积神经网络模型输出各条线段的特征向量的方差向量，包括：将所述特征向量矩阵输入所述第三卷积神经网络，并以最后一层输出的N个第二特征向量分别作为各条线段的方差向量；其中，N用于表示所述第一数量。
可选的，每条线段具有预设的移动范围，所述移动范围包含多个移动距离矢量，每个移动距离矢量包含移动方向；基于所述正态分布采样确定各条线段的修正移动信息，包括：对于每条线段，采用等间隔采样技术对所述移动范围中的各个移动距离矢量进行采样，其中，采样概率满足所述正态分布；采用采样得到的移动距离矢量，作为该线段的修正移动信息。
可选的，所述线段的类型选自：凹角线段，所述凹角线段的至少一个线段端点为所述待修正图形中的凹陷夹角；凸角线段，所述凸角线段的至少一个线段端点为所述待修正图形中的凸出夹角；直线线段，所述直线线段的两个线段端点均选自所述待修正图形中的直线段。
可选的，所述确定每条线段的第一数量条邻近线段，包括：确定每条线段的邻近线段，所述邻近线段为与该线段的距离最小的前第一数量条线段。
可选的，所述的光学临近效应修正方法还包括：根据修正后的版图中的各条线段的边缘放置误差，确定补偿参数；采用所述补偿参数，对所述各条线段的修正移动距离进行补偿，以得到优化后的版图。
可选的，所述根据修正后的版图中的各条线段的边缘放置误差，确定补偿参数，包括：确定修正后的版图中的各条线段的光强梯度与边缘放置误差的加权运算值；生成参数补偿矩阵，基于所述参数补偿矩阵以及所述加权运算值，构建损失函数；采用迭代算法，在每次迭代中对所述参数补偿矩阵进行优化，并确定边缘放置误差，直至所述边缘放置误差小于预设值时停止迭代，以当前参数补偿矩阵作为所述补偿参数。
可选的，所述确定修正后的版图中的各条线段的光强梯度与边缘放置误差的加权运算值，包括：确定修正后的版图的光强梯度分布；对于每条线段，采用同一权重值，计算光强梯度与边缘放置误差的加权运算值；其中，该线段距离修正后的版图的中心点越近，该线段的权重值越小；该线段距离修正后的版图的中心点越远，该线段的权重值越大。
可选的，采用下述损失函数：
r(W)＝pW(a|s)/pW_old(a|s)
其中，W用于表示参数补偿矩阵，LossCLIP(W)用于表示损失函数，r(W)用于表示采用基于更新后的参数补偿矩阵得到的采样概率与采用基于更新前的参数补偿矩阵得到的采样概率之间的比值；pW(a|s)用于表示采用基于更新后的参数补偿矩阵得到的采样概率，pW_old(a|s)用于表示采用基于更新前的参数补偿矩阵得到的采样概率，a用于表示采样操作，s用于表示提取的特征向量与邻接矩阵；用于表示对得到的向量进行平均运算得到的平均值，/>用于表示各条线段的光强梯度与边缘放置误差的加权运算值，clip(r(W),1-ε,1+ε)用于表示限制幅度函数，即当r(W)大于等于1+ε时取值为1+ε，当r(W)小于等于1-ε时取值为1-ε，ε用于表示预设常量，min()用于表示最小值函数。
为解决上述技术问题，本发明实施例提供一种光学临近效应修正装置，包括：分割模块，用于对待修正版图中的各个待修正图形进行分割，每个待修正图形的每条边被分割为一条或多条线段；邻近线段确定模块，用于确定每条线段的第一数量条邻近线段；修正移动距离确定模块，用于确定每一条线段的节点信息，所述节点信息包括线段的类型以及该线段的各条邻近线段与该线段之间的距离，并基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息；修正版图构建模块，用于基于修正移动信息构建修正后的版图。
为解决上述技术问题，本发明实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述光学临近效应修正的步骤。
为解决上述技术问题，本发明实施例提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述光学临近效应修正的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
在本发明实施例中，通过分割待修正图形，确定分割后每条线段的邻近线段，采用线段的类型以及该线段的各条邻近线段与该线段之间的距离作为节点信息，采用卷积神经网络模型输出各条线段的修正移动信息，基于修正移动信息构建修正后的版图。相比于现有技术中基于人工经验判断修正移动信息(如修正移动距离和修正移动方向)，采用本发明实施例的方案，可以利用卷积神经网络提高光学邻近效应修正的聚类效果，从而提高修正移动信息的准确性，并且有效降低处理成本。
进一步，通过卷积神经网络输出均值向量、方差向量，然后基于正态分布及其采样提高修正移动信息的准确性。
进一步，采用各条线段与邻近线段之间的距离以及各条线段的类型作为节点信息，构建特征矩阵以及邻接矩阵；将所述特征矩阵以及邻接矩阵输入所述第一卷积神经网络，输出所述各条线段的特征向量矩阵，可以利用第一卷积神经网络作为图卷积神经网络，具有的对于图信号处理效果佳、输出的特征向量聚类效果强的特性，提高输出的特征向量矩阵的准确性。
进一步，所述第一卷积神经网络采用softplus函数作为激活函数σ()，相比于采用其他适当的激活函数，可以利用softplus激活函数平滑度较高且更加接近脑神经元的激活模型的特性，提高输出的特征向量的准确性和平滑度，并且为后续形成均值向量和方差向量提供更高质量的基础。
进一步，所述第二卷积神经网络采用Tanh函数作为激活函数，相比于采用其他适当的激活函数，可以利用Tanh激活函数平滑度较高且梯度较小的特性，提高输出的均值向量的连续性和平滑度，并且为后续构建正态分布提供更高质量的基础。
进一步，所述第三卷积神经网络采用softplus函数作为激活函数，相比于采用其他适当的激活函数，可以利用softplus激活函数平滑度较高且更加接近脑神经元的激活模型的特性，提高输出的特征向量的准确性和平滑度，并且为后续构建正态分布提供更高质量的基础。
进一步，每条线段具有预设的移动距离矢量，对于每条线段，采用等间隔采样技术对所述移动范围中的各个移动距离矢量进行采样，采样概率满足所述正态分布，从而可以基于均值向量确定正态分布的中心值，作为采样概率最高的情况，基于正态分布的方差向量确定其他移动距离的采样概率，进而采用采样得到的移动距离矢量，作为该线段的修正移动信息，采用上述方案，可以在已确定的正态分布的基础上通过概率性采样确定修正移动信息，提高修正移动信息的准确性。
进一步，还可以根据修正后的版图中的各条线段的边缘放置误差，确定补偿参数；采用所述补偿参数，对所述各条线段的修正移动距离进行补偿，以得到优化后的版图，从而可以通过奖励反馈，即由独立运行的环境对根据修正后的版图提供反馈回报从而进行掩膜版图的优化。
进一步，确定修正后的版图中的各条线段的光强梯度与边缘放置误差的加权运算值；生成参数补偿矩阵，基于所述参数补偿矩阵以及所述加权运算值，构建损失函数；采用迭代算法，在每次迭代中对所述参数补偿矩阵进行优化，并确定边缘放置误差，直至所述边缘放置误差小于预设值时停止迭代，以当前参数补偿矩阵作为所述补偿参数，从而可以利用损失函数的收敛特性以及迭代算法的递推特性，增强历史数据的参考价值，从而提高优化后参数补偿矩阵的有效性。
进一步，确定修正后的版图的光强梯度分布；对于每条线段，采用同一权重值，计算光强梯度与边缘放置误差的加权运算值；其中，该线段距离修正后的版图的中心点越近，该线段的权重值越小；该线段距离修正后的版图的中心点越远，该线段的权重值越大。从而可以通过与修正后的版图的中心点的距离设置适当的权重值，从而尽可能地减少修正当前线段时对版图中的其他位置的不利影响。
附图说明
图1是本发明实施例中一种光学临近效应修正方法的流程图；
图2是本发明实施例中一种待修正图形的线段分割示意图；
图3是本发明实施例中一种确定修正移动信息的工作场景示意图；
图4是本发明实施例中一种基于正态分布采样确定修正移动信息的方法的工作场景示意图；
图5是本发明实施例中一种光学临近效应修正装置的结构示意图。
具体实施方式
如前所述，光刻过程中光的衍射和干涉效应会使得光刻图形于掩模版图形存在偏差。为了减少偏差，可以采用的OPC技术进行处理。现有的OPC技术容易出现各种类型形变失真，通常情况下，需要依赖人工经验处理，耗时长且准确度较低，随着处理文件增大，处理成本呈指数级增长。
本发明的发明人经过研究发现，在现有技术中，是以待修正版图中各个待修正图形为单位进行修正的，仅采用常规的OPC工具确定整个待修正图形的修正距离和修正方向，并在对待修正图形进行移动后，采用人工检查的方式对修正结果进行调整，容易存在修正准确性不足的情况，且耗时较长、处理成本较高。
在本发明实施例中，通过分割待修正图形，确定分割后每条线段的邻近线段，采用线段的类型以及该线段的各条邻近线段与该线段之间的距离作为节点信息，采用卷积神经网络模型输出各条线段的修正移动信息，基于修正移动信息构建修正后的版图。相比于现有技术中基于人工经验判断修正移动信息(如修正移动距离和修正移动方向)，采用本发明实施例的方案，可以利用卷积神经网络提高光学邻近效应修正的聚类效果，从而提高修正移动信息的准确性，并且有效降低处理成本。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参照图1，图1是本发明实施例中一种光学临近效应修正方法的流程图。所述光学临近效应修正方法可以包括步骤S11至步骤S14：
步骤S11：对待修正版图中的各个待修正图形进行分割，每个待修正图形的每条边被分割为一条或多条线段；
步骤S12：确定每条线段的第一数量条邻近线段；
步骤S13：确定每一条线段的节点信息，所述节点信息包括线段的类型以及该线段的各条邻近线段与该线段之间的距离，并基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息；
步骤S14：基于修正移动信息构建修正后的版图。
可以理解的是，在具体实施中，所述方法可以采用软件程序的方式实现，该软件程序运行于芯片或芯片模组内部集成的处理器中。
在步骤S11的具体实施中，待修正版图中可以包括一个或多个待修正图形，每个待修正图形可以由多条边围成，在对各个待修正图形进行分割时，可以对其中的各条边分割为一条或多条线段。
参照图2，图2是本发明实施例中一种待修正图形的线段分割示意图。
如图2所示，每个待修正图形的每条边可以被分割为一条或多条线段，分割后的线段可以具有各自的类型。
具体地，所述线段的类型可以选自：凹角线段，所述凹角线段的至少一个线段端点为所述待修正图形中的凹陷夹角；凸角线段，所述凸角线段的至少一个线段端点为所述待修正图形中的凸出夹角；直线线段，所述直线线段的两个线段端点均选自所述待修正图形中的直线段。
继续参照图1，在步骤S12的具体实施中，确定每条线段的第一数量条邻近线段。
进一步地，所述确定每条线段的第一数量条邻近线段的步骤可以包括：确定每条线段的邻近线段，所述邻近线段为与该线段的距离最小的前第一数量条线段，例如为前N条线段。
非限制性地，线段与线段之间的距离可以为线段中心点与线段中心点之间的距离。
需要指出的是，在本发明实施例中，还可以采用其他适当的方式确定线段与线段之间的距离，例如采用预设顺序(如顺时针)的线段端点之间的距离作为线段与线段之间的距离。
可以理解的是，邻近线段还可以是与该条线段距离在预设距离内的线段，这种情况下，各条线段可以有不同数量的邻近线段。
在步骤S13的具体实施中，确定每一条线段的节点信息，并基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息。
其中，节点信息可以包含线段的类型以及该线段的各条邻近线段与该线段之间的距离。
进一步地，所述基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息的步骤可以包括：采用各条线段的节点信息以及第一卷积神经网络模型输出所述各条线段的特征向量矩阵；采用第二卷积神经网络模型输出各条线段的特征向量的均值向量；以及，采用第三卷积神经网络模型输出各条线段的特征向量的方差向量；采用所述均值向量和所述方差向量构建正态分布，基于所述正态分布采样确定各条线段的修正移动信息。以下对上述各个步骤进行说明。
更进一步地，所述采用各条线段的节点信息以及第一卷积神经网络模型输出所述各条线段的特征向量矩阵的步骤可以包括：采用各条线段与邻近线段之间的距离以及各条线段的类型作为节点信息，构建特征矩阵以及邻接矩阵；将所述特征矩阵以及邻接矩阵输入所述第一卷积神经网络，输出所述各条线段的特征向量矩阵。
其中，所述特征矩阵可以为N×(N+1)矩阵，且包含各条线段与邻近线段之间的距离以及各条线段的类型；和/或，所述邻接矩阵可以为N×N矩阵，且包含各条线段与邻近线段之间的距离；其中，N用于表示所述第一数量。
作为一个非限制性的例子，所述特征矩阵H和邻接矩阵A可以采用下述(N+1)×N矩阵表示：
非限制性地，每条线段的第一条邻近线段可以为自己，且每条线段与自己的距离例如可以采用固定数字赋值，如1，此时D11、D21、……Dn1均可以赋值为1。
D12可以用于表示第1条线段与其第2条邻近线段之间的距离，依此类推，Dnn可以用于表示第N条线段与其第N条邻近线段之间的距离。
Type1可以用于表示第1条线段的类型，依此类推，Typen可以用于表示第n条线段的类型。
进一步地，在将所述特征矩阵以及邻接矩阵输入所述第一卷积神经网络，输出所述各条线段的特征向量矩阵的过程中，可以采用下述公式表示所述第一卷积神经网络的层特征传播公式，其中，所述特征向量矩阵由经过所述第一卷积神经网络的最后一层输出的特征向量构成：
其中，A用于表示邻接矩阵，I用于表示单位矩阵，用于表示/>的度矩阵，用于表示对所述邻接矩阵A的归一化处理，H(l)用于表示第l层的特征矩阵，H(l+1)用于表示第l+1层的特征矩阵，W(l)用于表示第l层的权重矩阵，σ()用于表示激活函数。
进一步地，所述第一卷积神经网络可以采用softplus函数作为激活函数σ()，相比于采用其他适当的激活函数，可以利用softplus激活函数平滑度较高且更加接近脑神经元的激活模型的特性，提高输出的特征向量的准确性和平滑度，并且为后续形成均值向量和方差向量提供更高质量的基础。
其中，softplus激活函数可以采用下述公式表示：
Softplus(x)＝log(1+ex)
其中，x是计算得到的特征向量，softplus激活函数通过上述公式计算特征向量中的数值，返回与输入维度相同的结果向量。
在本发明实施例中，采用各条线段与邻近线段之间的距离以及各条线段的类型作为节点信息，构建特征矩阵以及邻接矩阵；将所述特征矩阵以及邻接矩阵输入所述第一卷积神经网络，输出所述各条线段的特征向量矩阵，可以利用第一卷积神经网络作为图卷积神经网络，具有的对于图信号处理效果佳、输出的特征向量聚类效果强的特性，提高输出的特征向量矩阵的准确性。
参照图3，图3是本发明实施例中一种确定修正移动信息的工作场景示意图。
如图3所示，在确定每条线段的特征向量矩阵之后，可以采用第二卷积神经网络模型输出每条线段的特征向量的均值向量，采用第三卷积神经网络模型输出各条线段的特征向量的方差向量，然后采用所述均值向量和所述方差向量构建正态分布，基于所述正态分布采样确定各条线段的修正移动信息。
具体地，所述第二卷积神经网络可以采用Tanh函数作为激活函数；所述采用第二卷积神经网络模型输出各条线段的特征向量的均值向量的步骤可以包括：将所述特征向量矩阵输入所述第二卷积神经网络，并以最后一层输出的N个第一特征向量分别作为各条线段的均值向量；其中，N用于表示所述第一数量。
其中，可以采用下述公式表示Tanh函数：
其中，在第二神经网络根据输入获得均值向量的过程中，Tanh函数输出向量中每个值对应一个线段的均值。非限制性地，在N个第一特征向量与各项线段的均值向量进行对应的过程中，特征向量[2,3]对应第一条线段均值为2，第二条线段均值为3。
在本发明实施例中，所述第二卷积神经网络采用Tanh函数作为激活函数，相比于采用其他适当的激活函数，可以利用Tanh激活函数平滑度较高且梯度较小的特性，提高输出的均值向量的连续性和平滑度，并且为后续构建正态分布提供更高质量的基础。
具体地，所述第三卷积神经网络采用Tanh函数作为激活函数；所述采用第三卷积神经网络模型输出各条线段的特征向量的方差向量，包括：将所述特征向量矩阵输入所述第三卷积神经网络，并以最后一层输出的N个第二特征向量分别作为各条线段的方差向量；其中，N用于表示所述第一数量。
在本发明实施例中，所述第三卷积神经网络采用softplus函数作为激活函数，相比于采用其他适当的激活函数，可以利用softplus激活函数平滑度较高且更加接近脑神经元的激活模型的特性，提高输出的特征向量的准确性和平滑度，并且为后续构建正态分布提供更高质量的基础。
在形成均值向量以及方差向量之后，可以基于均值向量以及方差向量构建正态分布。
在本发明实施例中，通过卷积神经网络输出均值向量、方差向量，然后基于正态分布及其采样，可以提高修正移动信息的准确性。
进一步地，每条线段可以具有预设的移动范围，所述移动范围包含多个移动距离矢量，每个移动距离矢量包含移动方向；基于所述正态分布采样确定各条线段的修正移动信息的步骤可以包括：对于每条线段，采用等间隔采样技术对所述移动范围中的各个移动距离矢量进行采样，其中，采样概率满足所述正态分布；采用采样得到的移动距离矢量，作为该线段的修正移动信息。
具体地，每条线段的预设的移动范围可以是根据该线段与待修正版图的中心点的距离大小设置的，对于与待修正版图的中心点距离较大的线段，也即对于偏向于待修正版图的边缘区域的线段，修正该线段对待修正版图中的其他图形、其他线段的影响较小，此时的移动范围可以较大；对于与待修正版图的中心点距离较小的线段，也即对于偏向于待修正版图的中心区域的线段，修正该线段对待修正版图中的其他图形、其他线段的影响较大，此时的移动范围可以较小。
在具体实施中，还可以设置移动步长作为基本单位，所述移动范围为预设数量个移动步长，移动距离矢量为包含移动方向的预设数量个移动步长。
非限制性地，可以采用{-3、-2、-1、0、1、2、3}作为移动范围，其中-1、1表示一个移动步长的移动距离，且-1、1的移动方向相反。
还可以采用{0、1、2、3、4、5、6}作为移动范围，其中0表示与3的位置相比移动3个移动步长，6表示与3的位置相比移动3个移动步长，且0、6的移动方向相反。
其中，在光学临近效应修正技术中，线段的移动方向可以包含远离待修正图形中心点的移动方向，以及靠近待修正图形中心点的移动方向。
进一步地，基于所述正态分布采样确定各条线段的修正移动信息的步骤可以包括：对于每条线段，采用等间隔采样技术对所述移动范围中的各个移动距离矢量进行采样，其中，采样概率满足所述正态分布；采用采样得到的移动距离矢量，作为该线段的修正移动信息。
参照图4，图4是本发明实施例中一种基于正态分布采样确定修正移动信息的方法的工作场景示意图。
如图4所示，采用横轴表示移动范围，包含移动距离矢量{-3、-2、-1、0、1、2、3}，采用纵轴表示采样概率，采样概率满足所述正态分布。
非限制性地，以正态分布曲线的中心为2为例进行说明，则移动距离为2(例如2个移动步长)的采样概率最高，其他移动距离的采样概率也符合正态分布曲线。
在本发明实施例中，每条线段具有预设的移动距离矢量，对于每条线段，采用等间隔采样技术对所述移动范围中的各个移动距离矢量进行采样，采样概率满足所述正态分布，从而可以基于均值向量确定正态分布的中心值，作为采样概率最高的情况，基于正态分布的方差向量确定其他移动距离的采样概率，进而采用采样得到的移动距离矢量，作为该线段的修正移动信息，采用上述方案，可以在已确定的正态分布的基础上通过概率性采样确定修正移动信息，提高修正移动信息的准确性。
在本发明实施例中，通过分割待修正图形，确定分割后每条线段的邻近线段，采用线段的类型以及该线段的各条邻近线段与该线段之间的距离作为节点信息，采用卷积神经网络模型输出各条线段的修正移动信息，基于修正移动信息构建修正后的版图。相比于现有技术中基于人工经验判断修正移动信息(如修正移动距离和修正移动方向)，采用本发明实施例的方案，可以利用卷积神经网络提高光学邻近效应修正的聚类效果，从而提高修正移动信息的准确性，并且有效降低处理成本。
进一步地，所述的光学临近效应修正方法还可以包括：根据修正后的版图中的各条线段的边缘放置误差，确定补偿参数；采用所述补偿参数，对所述各条线段的修正移动距离进行补偿，以得到优化后的版图。
在本发明实施例中，还可以根据修正后的版图中的各条线段的边缘放置误差，确定补偿参数；采用所述补偿参数，对所述各条线段的修正移动距离进行补偿，以得到优化后的版图，从而可以通过奖励反馈，即由独立运行的环境对根据修正后的版图提供反馈回报从而进行掩膜版图的优化。
进一步地，所述根据修正后的版图中的各条线段的边缘放置误差，确定补偿参数的步骤可以包括：确定修正后的版图中的各条线段的光强梯度与边缘放置误差的加权运算值；生成参数补偿矩阵，基于所述参数补偿矩阵以及所述加权运算值，构建损失函数；采用迭代算法，在每次迭代中对所述参数补偿矩阵进行优化，并确定边缘放置误差，直至所述边缘放置误差小于预设值时停止迭代，以当前参数补偿矩阵作为所述补偿参数。
在具体实施中，可以通过模拟仿真软件根据掩膜版图文件(如GDS文件)生成对应的光强分布图与对应的成像轮廓图，通过光强分布图与成像轮廓图可以计算得到各条线段移动后的掩膜版图图形对应的光强梯度与边缘放置误差。
其中，边缘放置误差(Edge Placement Error，EPE)可以是光刻软件仿真出的曝光后光刻胶图形边缘与设计图形之间的差值，光强梯度(Optical gradient)也可以通过软件仿真得到，并且可以仿真不同的光照条件。
更进一步地，确定修正后的版图中的各条线段的光强梯度与边缘放置误差的加权运算值的步骤可以包括：确定修正后的版图的光强梯度分布；对于每条线段，采用同一权重值，计算光强梯度与边缘放置误差的加权运算值；其中，该线段距离修正后的版图的中心点越近，该线段的权重值越小；该线段距离修正后的版图的中心点越远，该线段的权重值越大。
在本发明实施例中，通过该线段距离修正后的版图的中心点越近，该线段的权重值越小；该线段距离修正后的版图的中心点越远，该线段的权重值越大，可以通过与修正后的版图的中心点的距离设置适当的权重值，从而尽可能地减少修正当前线段时对版图中的其他位置的不利影响。
进一步地，可以采用下述损失函数：
r(W)＝pW(a|s)/pW_old(a|s)
其中，W用于表示参数补偿矩阵，LossCLIP(W)用于表示损失函数，r(W)用于表示采用基于更新后的参数补偿矩阵得到的采样概率与采用基于更新前的参数补偿矩阵得到的采样概率之间的比值；pW(a|s)用于表示采用基于更新后的参数补偿矩阵得到的采样概率，pW_old(a|s)用于表示采用基于更新前的参数补偿矩阵得到的采样概率，a用于表示采样操作，s用于表示提取的特征向量与邻接矩阵；用于表示对得到的向量进行平均运算得到的平均值，/>用于表示各条线段的光强梯度与边缘放置误差的加权运算值，clip(r(W),1-ε,1+ε)用于表示限制幅度函数，即当r(W)大于等于1+ε时取值为1+ε，当r(W)小于等于1-ε时取值为1-ε，ε用于表示预设常量，min()用于表示最小值函数。
其中，所述采样概率可以是对于每条线段，采用等间隔采样技术对所述移动范围中的各个移动距离矢量进行采样的概率，可以参照前文及图4的操作，此处不再赘述。
在本发明实施例中，确定修正后的版图中的各条线段的光强梯度与边缘放置误差的加权运算值；生成参数补偿矩阵，基于所述参数补偿矩阵以及所述加权运算值，构建损失函数；采用迭代算法，在每次迭代中对所述参数补偿矩阵进行优化，并确定边缘放置误差，直至所述边缘放置误差小于预设值时停止迭代，以当前参数补偿矩阵作为所述补偿参数，从而可以利用损失函数的收敛特性以及迭代算法的递推特性，增强历史数据的参考价值，从而提高优化后参数补偿矩阵的有效性。
参照图5，图5是本发明实施例中一种光学临近效应修正装置的结构示意图。所述光学临近效应修正装置可以包括：
分割模块51，用于对待修正版图中的各个待修正图形进行分割，每个待修正图形的每条边被分割为一条或多条线段；
邻近线段确定模块52，用于确定每条线段的第一数量条邻近线段；
修正移动距离确定模块53，用于确定每一条线段的节点信息，所述节点信息包括线段的类型以及该线段的各条邻近线段与该线段之间的距离，并基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息；
修正版图构建模块54，用于基于修正移动信息构建修正后的版图。
在具体实施中，上述装置可以对应于终端中具有数据处理功能的芯片；或者对应于终端中包括具有数据处理功能芯片的芯片模组，或者对应于终端。
关于该光学临近效应修正装置的原理、具体实现和有益效果请参照前文所述的关于光学临近效应修正方法的相关描述，此处不再赘述。
本发明实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。所述存储介质可以为计算机可读存储介质，例如可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器，还可以包括光盘、机械硬盘、固态硬盘等。
具体地，在本发明实施例中，所述处理器可以为中央处理单元(centralprocessing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable 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、分立硬件组件等。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。
还应理解，本申请实施例中的存储器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(programmable ROM，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(electrically EPROM，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，许多形式的随机存取存储器(random accessmemory，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(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 rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述方法的步骤。所述终端包括但不限于手机、计算机、平板电脑、服务器、云平台等终端设备。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
本申请实施例中出现的“多个”是指两个或两个以上。
本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (16)
1.一种光学临近效应修正方法，其特征在于，包括：
对待修正版图中的各个待修正图形进行分割，每个待修正图形的每条边被分割为一条或多条线段；
确定每条线段的第一数量条邻近线段；
确定每一条线段的节点信息，所述节点信息包括线段的类型以及该线段的各条邻近线段与该线段之间的距离，并基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息；
基于修正移动信息构建修正后的版图；
其中，所述基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息，包括：
采用各条线段的节点信息以及第一卷积神经网络模型输出所述各条线段的特征向量矩阵；
采用第二卷积神经网络模型输出各条线段的特征向量的均值向量；以及，
采用第三卷积神经网络模型输出各条线段的特征向量的方差向量；
采用所述均值向量和所述方差向量构建正态分布，基于所述正态分布采样确定各条线段的修正移动信息。
2.根据权利要求1所述的光学临近效应修正方法，其特征在于，所述采用各条线段的节点信息以及第一卷积神经网络模型输出所述各条线段的特征向量矩阵，包括：
采用各条线段与邻近线段之间的距离以及各条线段的类型作为节点信息，构建特征矩阵以及邻接矩阵；
将所述特征矩阵以及邻接矩阵输入所述第一卷积神经网络，输出所述各条线段的特征向量矩阵。
3.根据权利要求2所述的光学临近效应修正方法，其特征在于，采用下述公式表示所述第一卷积神经网络的层特征传播公式，其中，所述特征向量矩阵由经过所述第一卷积神经网络的最后一层输出的特征向量构成：
其中，A用于表示邻接矩阵，I用于表示单位矩阵，用于表示/>的度矩阵，/>用于表示对所述邻接矩阵A的归一化处理，H(l)用于表示第l层的特征矩阵，H(l+1)用于表示第l+1层的特征矩阵，W(l)用于表示第l层的权重矩阵，σ()用于表示激活函数。
4.根据权利要求2所述的光学临近效应修正方法，其特征在于，
所述特征矩阵为(N+1)×N矩阵，且包含各条线段与邻近线段之间的距离以及各条线段的类型；
和/或，
所述邻接矩阵为N×N矩阵，且包含各条线段与邻近线段之间的距离；
其中，N用于表示所述第一数量。
5.根据权利要求1所述的光学临近效应修正方法，其特征在于，所述第二卷积神经网络采用Tanh函数作为激活函数；
所述采用第二卷积神经网络模型输出各条线段的特征向量的均值向量，包括：
将所述特征向量矩阵输入所述第二卷积神经网络，并以最后一层输出的N个第一特征向量分别作为各条线段的均值向量；
其中，N用于表示所述第一数量。
6.根据权利要求1所述的光学临近效应修正方法，其特征在于，所述第三卷积神经网络采用Tanh函数作为激活函数；
所述采用第三卷积神经网络模型输出各条线段的特征向量的方差向量，包括：
将所述特征向量矩阵输入所述第三卷积神经网络，并以最后一层输出的N个第二特征向量分别作为各条线段的方差向量；
其中，N用于表示所述第一数量。
7.根据权利要求1所述的光学临近效应修正方法，其特征在于，每条线段具有预设的移动范围，所述移动范围包含多个移动距离矢量，每个移动距离矢量包含移动方向；
基于所述正态分布采样确定各条线段的修正移动信息，包括：
对于每条线段，采用等间隔采样技术对所述移动范围中的各个移动距离矢量进行采样，其中，采样概率满足所述正态分布；
采用采样得到的移动距离矢量，作为该线段的修正移动信息。
8.根据权利要求1所述的光学临近效应修正方法，其特征在于，所述线段的类型选自：
凹角线段，所述凹角线段的至少一个线段端点为所述待修正图形中的凹陷夹角；
凸角线段，所述凸角线段的至少一个线段端点为所述待修正图形中的凸出夹角；
直线线段，所述直线线段的两个线段端点均选自所述待修正图形中的直线段。
9.根据权利要求1所述的光学临近效应修正方法，其特征在于，所述确定每条线段的第一数量条邻近线段，包括：
确定每条线段的邻近线段，所述邻近线段为与该线段的距离最小的前第一数量条线段。
10.根据权利要求1所述的光学临近效应修正方法，其特征在于，还包括：
根据修正后的版图中的各条线段的边缘放置误差，确定补偿参数；
采用所述补偿参数，对所述各条线段的修正移动距离进行补偿，以得到优化后的版图。
11.根据权利要求10所述的光学临近效应修正方法，其特征在于，所述根据修正后的版图中的各条线段的边缘放置误差，确定补偿参数，包括：
确定修正后的版图中的各条线段的光强梯度与边缘放置误差的加权运算值；
生成参数补偿矩阵，基于所述参数补偿矩阵以及所述加权运算值，构建损失函数；
采用迭代算法，在每次迭代中对所述参数补偿矩阵进行优化，并确定边缘放置误差，直至所述边缘放置误差小于预设值时停止迭代，以当前参数补偿矩阵作为所述补偿参数。
12.根据权利要求11所述的光学临近效应修正方法，其特征在于，所述确定修正后的版图中的各条线段的光强梯度与边缘放置误差的加权运算值，包括：
确定修正后的版图的光强梯度分布；
对于每条线段，采用同一权重值，计算光强梯度与边缘放置误差的加权运算值；
其中，该线段距离修正后的版图的中心点越近，该线段的权重值越小；
该线段距离修正后的版图的中心点越远，该线段的权重值越大。
13.根据权利要求11所述的光学临近效应修正方法，其特征在于，采用下述损失函数：
r(W)＝pW(a|s)/pW_old(a|s)
其中，W用于表示参数补偿矩阵，LossCLIP(W)用于表示损失函数，r(W)用于表示采用基于更新后的参数补偿矩阵得到的采样概率与采用基于更新前的参数补偿矩阵得到的采样概率之间的比值；
pW(a|s)用于表示采用基于更新后的参数补偿矩阵得到的采样概率，pW_old(a|s)用于表示采用基于更新前的参数补偿矩阵得到的采样概率，a用于表示采样操作，s用于表示提取的特征向量与邻接矩阵；
用于表示对/>得到的向量进行平均运算得到的平均值，/>用于表示各条线段的光强梯度与边缘放置误差的加权运算值，clip(r(W),1-ε,1+ε)用于表示限制幅度函数，即当r(W)大于等于1+ε时取值为1+ε，当r(W)小于等于1-ε时取值为1-ε，ε用于表示预设常量，
min()用于表示最小值函数。
14.一种光学临近效应修正装置，其特征在于，包括：
分割模块，用于对待修正版图中的各个待修正图形进行分割，每个待修正图形的每条边被分割为一条或多条线段；
邻近线段确定模块，用于确定每条线段的第一数量条邻近线段；
修正移动距离确定模块，用于确定每一条线段的节点信息，所述节点信息包括线段的类型以及该线段的各条邻近线段与该线段之间的距离，并基于各条线段的节点信息采用卷积神经网络模型输出各条线段的修正移动信息；
修正版图构建模块，用于基于修正移动信息构建修正后的版图；
其中，所述修正移动距离确定模块还用于执行：
采用各条线段的节点信息以及第一卷积神经网络模型输出所述各条线段的特征向量矩阵；
采用第二卷积神经网络模型输出各条线段的特征向量的均值向量；以及，采用第三卷积神经网络模型输出各条线段的特征向量的方差向量；
采用所述均值向量和所述方差向量构建正态分布，基于所述正态分布采样确定各条线段的修正移动信息。
15.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至13任一项所述光学临近效应修正的步骤。
16.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至13任一项所述光学临近效应修正的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211724451.0A CN116224707B (zh) | 2022-12-30 | 2022-12-30 | 光学临近效应修正方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211724451.0A CN116224707B (zh) | 2022-12-30 | 2022-12-30 | 光学临近效应修正方法及装置、存储介质、终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116224707A CN116224707A (zh) | 2023-06-06 |
| CN116224707B true CN116224707B (zh) | 2024-01-26 |
Family
ID=86583580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211724451.0A Active CN116224707B (zh) | 2022-12-30 | 2022-12-30 | 光学临近效应修正方法及装置、存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116224707B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116893568B (zh) * | 2023-09-07 | 2023-12-22 | 全芯智造技术有限公司 | 光学临近效应矫正方法及装置、可读存储介质、终端 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865788A (zh) * | 2015-06-07 | 2015-08-26 | 上海华虹宏力半导体制造有限公司 | 一种光刻版图opc方法 |
| CN109782530A (zh) * | 2019-01-28 | 2019-05-21 | 上海华虹宏力半导体制造有限公司 | 一种提高opc初值预估精度的方法 |
| CN113759657A (zh) * | 2020-06-03 | 2021-12-07 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近校正方法 |
| WO2022075989A1 (en) * | 2020-10-08 | 2022-04-14 | Siemens Industry Software Inc. | Optical proximity correction for free form shapes |
| WO2022116586A1 (zh) * | 2020-12-03 | 2022-06-09 | 无锡华润上华科技有限公司 | 光学临近效应修正方法及系统和掩膜版 |
| CN115329705A (zh) * | 2022-07-29 | 2022-11-11 | 全智芯(上海)技术有限公司 | 半导体器件的布局方法、装置、可读存储介质、终端 |
-
2022
- 2022-12-30 CN CN202211724451.0A patent/CN116224707B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104865788A (zh) * | 2015-06-07 | 2015-08-26 | 上海华虹宏力半导体制造有限公司 | 一种光刻版图opc方法 |
| CN109782530A (zh) * | 2019-01-28 | 2019-05-21 | 上海华虹宏力半导体制造有限公司 | 一种提高opc初值预估精度的方法 |
| CN113759657A (zh) * | 2020-06-03 | 2021-12-07 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近校正方法 |
| WO2022075989A1 (en) * | 2020-10-08 | 2022-04-14 | Siemens Industry Software Inc. | Optical proximity correction for free form shapes |
| WO2022116586A1 (zh) * | 2020-12-03 | 2022-06-09 | 无锡华润上华科技有限公司 | 光学临近效应修正方法及系统和掩膜版 |
| CN115329705A (zh) * | 2022-07-29 | 2022-11-11 | 全智芯(上海)技术有限公司 | 半导体器件的布局方法、装置、可读存储介质、终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116224707A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7673279B2 (en) | Iterative method for refining integrated circuit layout using compass optical proximity correction (OPC) | |
| US6453457B1 (en) | Selection of evaluation point locations based on proximity effects model amplitudes for correcting proximity effects in a fabrication layout | |
| US8056021B2 (en) | Method for time-evolving rectilinear contours representing photo masks | |
| US6625801B1 (en) | Dissection of printed edges from a fabrication layout for correcting proximity effects | |
| CN107797391B (zh) | 光学邻近校正方法 | |
| US6539521B1 (en) | Dissection of corners in a fabrication layout for correcting proximity effects | |
| US9638994B2 (en) | Method and system for optical proximity correction (OPC) | |
| US11726402B2 (en) | Method and system for layout enhancement based on inter-cell correlation | |
| CN107797375B (zh) | 目标图形的修正方法 | |
| US20150067619A1 (en) | Advanced correction method | |
| CN116224707B (zh) | 光学临近效应修正方法及装置、存储介质、终端 | |
| TWI547753B (zh) | 設計和製造光學微影遮罩之方法及系統 | |
| CN115993754B (zh) | 一种模型校准方法、装置、电子设备和计算机存储介质 | |
| JP2000098584A (ja) | マスクパタ―ン補正方法及びマスクパタ―ン補正プログラムを記録した記録媒体 | |
| CN117669473B (zh) | 用于模型校准的方法、电子设备及存储介质 | |
| JP5071785B2 (ja) | マスクパターン形成方法 | |
| US20150310158A1 (en) | Method for Integrated Circuit Manufacturing | |
| US20150168851A1 (en) | Increasing lithographic depth of focus window using wafer topography | |
| CN113589644A (zh) | 基于亚分辨率辅助图形种子插入的曲线型逆向光刻方法 | |
| US8793626B2 (en) | Computational lithography with feature upsizing | |
| CN115933305B (zh) | 一种光掩模版图形的修正方法、装置、设备及介质 | |
| US10852636B2 (en) | Method of designing layout of photomask and method of manufacturing photomask | |
| CN115981115A (zh) | 光学邻近校正方法、装置、计算机设备和存储介质 | |
| JP2004061720A (ja) | プロセスモデルの作成方法及びその作成装置 | |
| CN117348333B (zh) | 掩膜版、光学临近修正方法、装置及电子设备 |
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 |