CN116306452A - 一种光刻胶参数获取方法及装置、电子设备 - Google Patents
一种光刻胶参数获取方法及装置、电子设备 Download PDFInfo
- Publication number
- CN116306452A CN116306452A CN202310554105.0A CN202310554105A CN116306452A CN 116306452 A CN116306452 A CN 116306452A CN 202310554105 A CN202310554105 A CN 202310554105A CN 116306452 A CN116306452 A CN 116306452A
- Authority
- CN
- China
- Prior art keywords
- photoresist
- data set
- neural network
- network model
- parameter
- 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
- 229920002120 photoresistant polymer Polymers 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 65
- 238000013461 design Methods 0.000 claims abstract description 58
- 238000001259 photo etching Methods 0.000 claims abstract description 58
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 49
- 238000012512 characterization method Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000001459 lithography Methods 0.000 claims description 13
- 238000010200 validation analysis Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000000206 photolithography Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006552 photochemical reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明公开了一种光刻胶参数获取方法及装置、电子设备。本发明通过采集不同芯片设计版图的第一数量的光刻图形关键尺寸与光刻胶参数,建立反映两者之间关联映射关系的、具有较好泛化能力的对抗神经网络模型;然后利用当前芯片设计版图上测量得到的光刻图形关键尺寸以及快速预测得到的光刻胶参数,对该对抗神经网络模型重新训练实现其网络权值的微调,得到适配当前芯片设计版图的光刻胶参数表征模型;最后利用该光刻胶参数表征模型预测得到的光刻胶参数作为初值进行内外层结合优化,实现光刻胶参数的快速准确获取。本发明对于复杂工艺依然可以做到较高的仿真效率,计算效率高,节省了计算开销和性能开销。
Description
技术领域
本发明涉及半导体设计和制造技术领域,尤其涉及一种基于迁移学习的光刻胶参数获取方法及装置、电子设备。
背景技术
光刻工艺是芯片制造过程中的核心工艺,在光刻工艺开始之前,首先需要将芯片设计图形复制到掩膜板上,然后通过光刻设备产生特定波长的光以将掩膜板上的掩膜图形复制到生产芯片的晶圆上。光刻胶(Resist)是光刻工艺中比较关键和应用较多的一种材料,掩膜图形经过投影物镜投影到光刻胶上,进而激发光化学反应,经过烘烤和显影形成光刻图形。
在先进芯片工艺节点中,光刻图形的光刻胶参数是决定掩膜图形在晶圆上的转移精度和分辨率的关键数据之一,甚至直接决定高性能芯片加工的成败。目前,光刻胶参数一般是基于严格物理化学模型,通过优化算法实现参数提取。例如,采用内外层结合优化算法(Combination of Outer-loop and Inner-loop)实现线性参数的计算和非线性参数的搜索,并通过与光刻图形关键尺寸(Critical Dimension,简称CD)的测量数据的校准,验证光刻胶参数的有效性。当光刻图形关键尺寸进一步减小,光刻胶参数变得更加复杂。
请参阅图1,其为不同光刻图形的示意图。图1中(a)部分示意出的形成于晶圆10上的光刻图形11、(b)部分示意出的形成于晶圆10上的光刻图形12、(c)部分示意出的形成于晶圆10上的光刻图形13,分别表示不同的照射方式及光刻胶效应形成的光刻图形。由图1可以看出,不同的照射方式及光刻胶效应形成的光刻图形,大小及边缘形状各不相同。
请参阅图2,其为现有内外层结合优化算法的计算过程示意图,其中,横坐标为迭代次数(Iterative Step),纵坐标为RMS(Root-Mean-Square,仿真CD值与测量CD值的均方根误差)。如图2所示,由于光刻图形的多样性,导致现有基于内外层结合的优化算法提取光刻胶参数的方式,通常需要迭代数千次才能得到满意的结果,计算复杂度高、计算效率低,降低了仿真效率,无法满足工厂加工设计、缺陷诊断等需求。基于内外层结合的优化算法对于新的芯片设计版图需要重新仿真计算,历史数据的先验信息无法继承,无法满足芯片设计加工过程中的周期要求。
发明内容
本发明的目的在于提供一种光刻胶参数获取方法及装置、电子设备,可以提高光刻胶参数提取的准确度和计算效率。
为实现上述目的,本发明提供了一种光刻胶参数获取方法,包括如下步骤:采集不同芯片设计版图的第一数量的第一光刻图形关键尺寸与第一光刻胶参数,形成第一有效数据集;基于所述第一有效数据集建立对抗神经网络模型,所述对抗神经网络模型反映不同芯片设计版图的第一光刻图形关键尺寸与第一光刻胶参数的关联映射关系;测量得到当前芯片设计版图的第二数量的第二光刻图形关键尺寸,并根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数,形成第二有效数据集,其中,所述第二数量的数量级小于所述第一数量的数量级;基于所述第二有效数据集优化所述对抗神经网络模型,得到当前芯片设计版图的光刻胶参数表征模型;将所有所述第二光刻图形关键尺寸全部输入所述光刻胶参数表征模型,输出相应的初始光刻胶参数;以及将所有所述初始光刻胶参数作为内外层结合优化算法的输入,获取当前芯片设计版图的目标光刻胶参数。
为实现上述目的,本发明还提供了一种光刻胶参数获取装置,包括:历史数据采集模块,用于采集不同芯片设计版图的第一数量的第一光刻图形关键尺寸与第一光刻胶参数,形成第一有效数据集;第一模型建立模块,用于基于所述第一有效数据集建立对抗神经网络模型,所述对抗神经网络模型反映不同芯片设计版图的第一光刻图形关键尺寸与第一光刻胶参数的关联映射关系;当前数据采集模块,用于测量得到当前芯片设计版图的第二数量的第二光刻图形关键尺寸,并根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数,形成第二有效数据集,其中,所述第二数量的数量级小于所述第一数量的数量级;第二模型建立模块,用于基于所述第二有效数据集优化所述对抗神经网络模型,得到当前芯片设计版图的光刻胶参数表征模型;初始参数获取模块,用于将所有所述第二光刻图形关键尺寸全部输入所述光刻胶参数表征模型,输出相应的初始光刻胶参数;以及目标参数获取模块,用于将所有所述初始光刻胶参数作为内外层结合优化算法的输入,获取当前芯片设计版图的目标光刻胶参数。
为实现上述目的,本发明还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并能够在所述处理器上运行的计算机可执行程序,所述处理器执行所述计算机可执行程序时实现如本发明所述的光刻胶参数获取方法的步骤。
本发明通过采集不同芯片设计版图的第一数量的光刻图形关键尺寸与光刻胶参数,建立反映两者之间关联映射关系的、具有较好泛化能力的对抗神经网络模型;然后利用当前芯片设计版图上测量得到的光刻图形关键尺寸以及快速预测得到的光刻胶参数,对该对抗神经网络模型重新训练实现其网络权值的微调,得到适配当前芯片设计版图的光刻胶参数表征模型;最后利用该光刻胶参数表征模型预测得到的光刻胶参数作为初值进行内外层结合优化,实现光刻胶参数的快速准确获取。本发明对于复杂工艺依然可以做到较高的仿真效率,计算效率高,节省了计算开销和性能开销。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍。显而易见地,下面描述中的附图仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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它的附图。
图1为不同光刻图形的示意图;
图2为现有内外层结合优化算法的计算过程示意图;
图3为本发明一实施例提供的光刻胶参数获取方法的步骤示意图;
图4为本发明一实施例提供的建立对抗神经网络模型的原理示意图;
图5为本发明一实施例提供的光刻胶参数获取装置的结构框图。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请一并参阅图3~图4,其中,图3为本发明一实施例提供的光刻胶参数获取方法的步骤示意图,图4为本发明一实施例提供的建立对抗神经网络模型的原理示意图。
如图3所示,本实施例所述方法包括如下步骤:S1、采集不同芯片设计版图的第一数量的第一光刻图形关键尺寸与第一光刻胶参数,形成第一有效数据集;S2、基于所述第一有效数据集建立对抗神经网络模型;S3、测量得到当前芯片设计版图的第二数量的第二光刻图形关键尺寸,并根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数,形成第二有效数据集;S4、基于所述第二有效数据集优化所述对抗神经网络模型,得到当前芯片设计版图的光刻胶参数表征模型;S5、将所有所述第二光刻图形关键尺寸全部输入所述光刻胶参数表征模型,输出相应的初始光刻胶参数;以及S6、将所有所述初始光刻胶参数作为内外层结合优化算法的输入,获取当前芯片设计版图的目标光刻胶参数。
关于步骤S1、采集不同芯片设计版图的第一数量的第一光刻图形关键尺寸与第一光刻胶参数,形成第一有效数据集。光刻图形关键尺寸是一种光刻图形在特征高度下的关键尺寸结果,并非光刻胶参数的直接体现;光刻胶参数是关于光刻胶在特定基台下的广义称谓;光刻胶参数包括内部特征参数和外部作用系数。常见的光刻胶有正性显影(PositiveTone Development,简称PTD)光刻胶。具体来说,可以根据历史芯片设计版图的测量所得光刻图形关键尺寸,采用严格的内外层结合优化算法求解获取对应的光刻胶参数;采集这些光刻图形关键尺寸与光刻胶参数,形成有效数据集,以用于后续建立对抗神经网络模型。
在一些实施例中,所述第一有效数据集为所述第一光刻胶参数与所述第一光刻图形关键尺寸满足预设吻合度的数据集。采用光刻胶参数与测量所得光刻图形关键尺寸吻合度较好的一组数据作为有效数据集,可以提高后续所建立对抗神经网络模型的预测精度。
关于步骤S2、基于所述第一有效数据集建立对抗神经网络模型。具体来说,所述对抗神经网络模型反映不同芯片设计版图的第一光刻图形关键尺寸与第一光刻胶参数的关联映射关系。根据有效数据集进行模型训练,构造具有较好泛化能力的对抗神经网络模型,可以实现对于芯片生产线上的光刻胶参数的快速预测。
在一些实施例中,所述的基于所述第一有效数据集建立对抗神经网络模型的步骤进一步包括:1)对所述第一有效数据集进行分组形成第一训练数据集和第一验证数据集;2)基于所述第一训练数据集中的第一光刻图形关键尺寸与第一光刻胶参数的关联映射关系,建立生成神经网络模型;3)将所述第一验证数据集中的第一光刻图形关键尺寸输入所述生成神经网络模型,获取第三光刻胶参数;4)将所述第三光刻胶参数与所述第一验证数据集中对应的第一光刻胶参数输入判别网络,通过所述判别网络进行预测精度验证以调整所述生成神经网络模型的网络权值,形成所述对抗神经网络模型。
接上述实施例,所述的对所述第一有效数据集进行分组形成第一训练数据集和第一验证数据集的步骤进一步包括:以所述第一有效数据集中的数据量作为计算依据,将所述第一有效数据集中的数据随机分配至百分比不同的两个数据组,第一百分比的数据组作为所述第一训练数据集、第二百分比的数据组作为所述第一验证数据集;其中,所述第一百分比大于所述第二百分比、且所述第一百分比与所述第二百分比之和为百分之百。例如,所述第一百分比为90%,所述第二百分比为10%。比如10000个数据集,随机选择9000个作为训练数据集,1000个作为验证数据集。
接上述实施例,所述的通过所述判别网络进行预测精度验证以调整所述生成神经网络模型的网络权值的步骤进一步包括:当通过所述判别网络判定所述第三光刻胶参数与所述第一验证数据集中对应的第一光刻胶参数的差值大于预设阈值时,调整所述生成神经网络模型的网络权值。
如图4所示,将有效数据样本分组为训练数据集41和验证数据集42,数据集中包含光刻图形关键尺寸和对应的光刻胶参数。
在训练阶段,在生成神经网络模型43中,训练数据集41的光刻图形关键尺寸经多个卷积层(CNN)431、激活层及全连接层(Activation+FN)432生成对应的光刻胶参数;训练数据集41中的光刻胶参数作为第一标签(Label)Lab1;然后建立该生成的光刻胶参数与该第一标签Lab1的误差评估体系(本发明中采用2范数最小化原则)。经训练,得到生成网络(Generator)433中各个网络层的网络权值(Weight Training Data),建立晶圆(Wafer)上的光刻图形关键尺寸与光刻胶参数的对应关系。
在验证阶段,验证数据集42中的光刻图形关键尺寸直接输入生成网络模型43的生成网络433中,得到对应的光刻胶参数,但是该结果不是直接用于评价生成神经网络模型43的精度,而是将生成的光刻胶参数作为判别网络(Discriminator)46的输入,验证数据集42中的光刻胶参数为判别网络46的生成数据目标,其作为第二标签Lab2,用于训练判别网络46的网络权值(Weight Testing Data)和调整生成网络433的网络权值,以获取预测精度更高的生成神经网络模型。具体的,当生成网络433生成的光刻胶参数与第二标签Lab2的差值大于预设阈值时(即数据无效),则调整所述生成网络433的网络权值,从而获取预测精度更高的生成神经网络模型。其中本发明采用的生成神经网络模型43为一种深度神经网络模型,具体包含三层降采样卷积神经网络(池化层(pooling)为正,降低数据维度)和三层上采样卷积神经网络(池化层(pooling)为负,放大数据维度),以实现采集有效数据的降噪和抽样处理,从而形成工程上实用、可靠的晶圆上的光刻图形关键尺寸与光刻胶参数的对抗神经网络模型。
请继续参阅图3,关于步骤S3、测量得到当前芯片设计版图的第二数量的第二光刻图形关键尺寸,并根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数,形成第二有效数据集。其中,所述第二数量的数量级小于所述第一数量的数量级。
在一些实施例中,所述第二数量的数量级可以为千级,例如1千个数据集;所述第一数量的数量级可以为万级,例如1万个数据集。
在一些实施例中,所述第二有效数据集为所述第二光刻胶参数与所述第二光刻图形关键尺寸满足预设吻合度的数据集。同样的,采用光刻胶参数与测量所得光刻图形关键尺寸吻合度较好的一组数据作为有效数据集,可以提高后续所得到的光刻胶参数表征模型的预测精度。
在一些实施例中,所述的根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数的步骤进一步包括:根据所述第二光刻图形关键尺寸,采用内外层结合优化算法仿真获取第二光刻胶参数。由于测量得到的当前芯片设计版图的光刻图形关键尺寸的数量远小于建立对抗神经网络模型时采集的历史芯片设计版图的光刻图形关键尺寸的数量,因此,可以采用内外层结合优化算法、较快的仿真获取相应的光刻胶参数,进而形成有效数据集。
关于步骤S4、基于所述第二有效数据集优化所述对抗神经网络模型,得到当前芯片设计版图的光刻胶参数表征模型。具体来说,利用当前芯片设计版图上测量得到的光刻图形关键尺寸与仿真得到的对应的光刻胶参数,可以对所述对抗神经网络模型重新训练,实现其网络权值的微调以及预测精度验证,优化后得到适配当前芯片设计版图的光刻胶参数表征模型。由于对抗神经网络模型具有较好泛化能力,基于所述对抗神经网络模型得到的光刻胶参数表征模型具有迁移学习能力。
在一些实施例中,所述的基于所述第二有效数据集优化所述对抗神经网络模型重新训练,得到当前芯片设计版图的光刻胶参数表征模型的步骤进一步包括:1)对所述第二有效数据集进行分组形成第二训练数据集和第二验证数据集;2)基于所述第二训练数据集对所述对抗神经网络模型重新训练,以调整所述对抗神经网络模型的网络权值;3)基于所述第二验证数据集对重新训练后的所述对抗神经网络模型进行预测精度验证,形成所述光刻胶参数表征模型。对所述第二有效数据集进行分组形成第二训练数据集和第二验证数据集,可参考前述对所述第一有效数据集进行分组形成第一训练数据集和第一验证数据集方式实现。比如1000个数据集,随机选择900个作为训练数据集,100个作为验证数据集。对所述对抗神经网络模型重新训练以调整其网络权值的方式,可参考前述建立对抗神经网络模型方式实现。
关于步骤S5、将所有所述第二光刻图形关键尺寸全部输入所述光刻胶参数表征模型,输出相应的初始光刻胶参数。具体来说,将当前芯片设计版图上测量得到的所有光刻图形关键尺寸数据全部作为所述光刻胶参数表征模型的输入,经由所述光刻胶参数表征模型输出得到一组光刻胶参数,以作为后续进行内外层结合优化算法的初值。
关于步骤S6、将所有所述初始光刻胶参数作为内外层结合优化算法的输入,获取当前芯片设计版图的目标光刻胶参数。具体来说,利用所述光刻胶参数表征模型预测得到的光刻胶参数作为内外层结合优化算法的初值进行求解;基于严格物理化学模型,通过优化算法实现光刻胶参数提取,获取当前芯片设计版图上的准确的光刻胶参数。
基于同一发明构思,本发明还提供了一种光刻胶参数获取装置。所提供的光刻胶参数获取装置可以采用如图3所示的光刻胶参数获取方法快速、准确提取当前芯片设计版图的目标光刻胶参数。
请参阅图5,其为本发明一实施例提供的光刻胶参数获取装置的结构框图。如图5所示,所述光刻胶参数获取装置包括:历史数据采集模块51、第一模型建立模块52、当前数据采集模块53、第二模型建立模块54、初始参数获取模块55以及目标参数获取模块56。
具体来说,历史数据采集模块51用于采集不同芯片设计版图的第一数量的第一光刻图形关键尺寸与第一光刻胶参数,形成第一有效数据集。第一模型建立模块52用于基于所述第一有效数据集建立对抗神经网络模型,所述对抗神经网络模型反映不同芯片设计版图的第一光刻图形关键尺寸与第一光刻胶参数的关联映射关系。当前数据采集模块53用于测量得到当前芯片设计版图的第二数量的第二光刻图形关键尺寸,并根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数,形成第二有效数据集,其中,所述第二数量的数量级小于所述第一数量的数量级。第二模型建立模块54用于基于所述第二有效数据集优化所述对抗神经网络模型,得到当前芯片设计版图的光刻胶参数表征模型。初始参数获取模块55用于将所有所述第二光刻图形关键尺寸全部输入所述光刻胶参数表征模型,输出相应的初始光刻胶参数。目标参数获取模块56用于将所有所述初始光刻胶参数作为内外层结合优化算法的输入,获取当前芯片设计版图的目标光刻胶参数。各模块的工作方式可参考图3所示的光刻胶参数获取方法中相应步骤的描述,此处不再赘述。
本发明实施例提供的光刻胶参数获取方法及装置,通过采集不同芯片设计版图的第一数量的光刻图形关键尺寸与光刻胶参数,建立反映两者之间关联映射关系的、具有较好泛化能力的对抗神经网络模型;然后利用当前芯片设计版图上测量得到的光刻图形关键尺寸以及快速预测得到的光刻胶参数,对该对抗神经网络模型重新训练实现其网络权值的微调,得到适配当前芯片设计版图的光刻胶参数表征模型;最后利用该光刻胶参数表征模型预测得到的光刻胶参数作为初值进行内外层结合优化,实现光刻胶参数的快速准确获取。本发明对于复杂工艺依然可以做到较高的仿真效率,计算效率高,节省了计算开销和性能开销。
基于同一发明构思,本发明还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并能够在所述处理器上运行的计算机可执行程序;所述处理器执行所述计算机可执行程序时实现如图3所示的光刻胶参数获取方法的步骤。
在本发明构思的领域中是可以根据执行所描述的一个或多个功能的模块来描述和说明实施例。这些模块可以由模拟和/或数字电路物理地实现,例如逻辑门、集成电路、微处理器、微控制器、存储器电路、无源电子元件、有源电子元件、光学组件、硬连线电路等,并且可以可选地由固件和/或软件来驱动。电路例如可以在一个或更多个半导体芯片中实施。构成模块的电路可以由专用硬件实现,或者由处理器(例如,一个或更多个编程的微处理器和相关电路)实现,或者由执行模块的一些功能的专用硬件和执行模块的其它功能的处理器的组合来实现。在不脱离本发明构思的范围的情况下,可以将实施例的每个模块物理地分成两个或更多个交互且分立的模块。同样地,在不脱离本发明构思的范围的情况下,可以将实施例的模块物理地组合成更复杂的模块。
通常,可以至少部分地从上下文中的用法理解术语。例如,在本文中所使用的术语“一个或多个”至少部分取决于上下文,可以用于以单数意义描述特征、结构或特性,或可以用于以复数意义描述特征、结构或特征的组合。另外,术语“基于”可以被理解为不一定旨在表达一组排他性的因素,而是可以替代地,同样至少部分地取决于上下文,允许存在不一定明确描述的其它因素。
需要说明的是,本发明的文件中涉及的术语“包括”和“具有”以及它们的变形,意图在于覆盖不排他的包含。术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序,除非上下文有明确指示,应该理解这样使用的数据在适当情况下可以互换。另外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。此外,在以上说明中,省略了对公知组件和技术的描述,以避免不必要地混淆本发明的概念。上述各个实施例中,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/相似的部分互相参见即可。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种光刻胶参数获取方法,其特征在于,包括如下步骤:采集不同芯片设计版图的第一数量的第一光刻图形关键尺寸与第一光刻胶参数,形成第一有效数据集;基于所述第一有效数据集建立对抗神经网络模型,所述对抗神经网络模型反映不同芯片设计版图的第一光刻图形关键尺寸与第一光刻胶参数的关联映射关系;测量得到当前芯片设计版图的第二数量的第二光刻图形关键尺寸,并根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数,形成第二有效数据集,其中,所述第二数量的数量级小于所述第一数量的数量级;基于所述第二有效数据集优化所述对抗神经网络模型,得到当前芯片设计版图的光刻胶参数表征模型;将所有所述第二光刻图形关键尺寸全部输入所述光刻胶参数表征模型,输出相应的初始光刻胶参数;以及将所有所述初始光刻胶参数作为内外层结合优化算法的输入,获取当前芯片设计版图的目标光刻胶参数。
2.根据权利要求1所述的方法,其特征在于,所述第一有效数据集为所述第一光刻胶参数与所述第一光刻图形关键尺寸满足预设吻合度的数据集;所述第二有效数据集为所述第二光刻胶参数与所述第二光刻图形关键尺寸满足预设吻合度的数据集。
3.根据权利要求1所述的方法,其特征在于,所述的基于所述第一有效数据集建立对抗神经网络模型的步骤进一步包括:对所述第一有效数据集进行分组形成第一训练数据集和第一验证数据集;基于所述第一训练数据集中的第一光刻图形关键尺寸与第一光刻胶参数的关联映射关系,建立生成神经网络模型;将所述第一验证数据集中的第一光刻图形关键尺寸输入所述生成神经网络模型,获取第三光刻胶参数;将所述第三光刻胶参数与所述第一验证数据集中对应的第一光刻胶参数输入判别网络,通过所述判别网络进行预测精度验证以调整所述生成神经网络模型的网络权值,形成所述对抗神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述的对所述第一有效数据集进行分组形成第一训练数据集和第一验证数据集的步骤进一步包括:以所述第一有效数据集中的数据量作为计算依据,将所述第一有效数据集中的数据随机分配至百分比不同的两个数据组,第一百分比的数据组作为所述第一训练数据集、第二百分比的数据组作为所述第一验证数据集;其中,所述第一百分比大于所述第二百分比、且所述第一百分比与所述第二百分比之和为百分之百。
5.根据权利要求4所述的方法,其特征在于,所述第一百分比为90%,所述第二百分比为10%。
6.根据权利要求3所述的方法,其特征在于,所述的通过所述判别网络进行预测精度验证以调整所述生成神经网络模型的网络权值的步骤进一步包括:当通过所述判别网络判定所述第三光刻胶参数与所述第一验证数据集中对应的第一光刻胶参数的差值大于预设阈值时,调整所述生成神经网络模型的网络权值。
7.根据权利要求1所述的方法,其特征在于,所述的根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数的步骤进一步包括:根据所述第二光刻图形关键尺寸,采用内外层结合优化算法仿真获取第二光刻胶参数。
8.根据权利要求1所述的方法,其特征在于,所述的基于所述第二有效数据集优化所述对抗神经网络模型,得到当前芯片设计版图的光刻胶参数表征模型的步骤进一步包括:对所述第二有效数据集进行分组形成第二训练数据集和第二验证数据集;基于所述第二训练数据集对所述对抗神经网络模型重新训练,以调整所述对抗神经网络模型的网络权值;基于所述第二验证数据集对重新训练后的所述对抗神经网络模型进行预测精度验证,形成所述光刻胶参数表征模型。
9.一种光刻胶参数获取装置,其特征在于,包括:历史数据采集模块,用于采集不同芯片设计版图的第一数量的第一光刻图形关键尺寸与第一光刻胶参数,形成第一有效数据集;第一模型建立模块,用于基于所述第一有效数据集建立对抗神经网络模型,所述对抗神经网络模型反映不同芯片设计版图的第一光刻图形关键尺寸与第一光刻胶参数的关联映射关系;当前数据采集模块,用于测量得到当前芯片设计版图的第二数量的第二光刻图形关键尺寸,并根据所述第二光刻图形关键尺寸仿真得到第二光刻胶参数,形成第二有效数据集,其中,所述第二数量的数量级小于所述第一数量的数量级;第二模型建立模块,用于基于所述第二有效数据集优化所述对抗神经网络模型,得到当前芯片设计版图的光刻胶参数表征模型;初始参数获取模块,用于将所有所述第二光刻图形关键尺寸全部输入所述光刻胶参数表征模型,输出相应的初始光刻胶参数;以及目标参数获取模块,用于将所有所述初始光刻胶参数作为内外层结合优化算法的输入,获取当前芯片设计版图的目标光刻胶参数。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并能够在所述处理器上运行的计算机可执行程序,其特征在于,所述处理器执行所述计算机可执行程序时实现如权利要求1~8任一项所述的光刻胶参数获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554105.0A CN116306452B (zh) | 2023-05-17 | 2023-05-17 | 一种光刻胶参数获取方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554105.0A CN116306452B (zh) | 2023-05-17 | 2023-05-17 | 一种光刻胶参数获取方法及装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116306452A true CN116306452A (zh) | 2023-06-23 |
CN116306452B CN116306452B (zh) | 2023-08-08 |
Family
ID=86794462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310554105.0A Active CN116306452B (zh) | 2023-05-17 | 2023-05-17 | 一种光刻胶参数获取方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306452B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7376259B1 (en) * | 2004-06-23 | 2008-05-20 | Advanced Micro Devices, Inc. | Topography compensation of imprint lithography patterning |
US20150106771A1 (en) * | 2013-10-11 | 2015-04-16 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of lithographic process evaluation |
CN109145354A (zh) * | 2017-06-18 | 2019-01-04 | 科文托尔公司 | 关键参数识别、工艺模型校准和可变性分析的系统和方法 |
CN109491216A (zh) * | 2018-12-20 | 2019-03-19 | 上海集成电路研发中心有限公司 | 一种优化光刻工艺参数的方法 |
CN110262191A (zh) * | 2019-05-09 | 2019-09-20 | 崔绍春 | 一种计算光刻建模方法及装置 |
CN111999992A (zh) * | 2018-10-26 | 2020-11-27 | 中国科学院微电子研究所 | 一种确定光刻光源模型的训练方法及装置 |
CN112364508A (zh) * | 2020-11-11 | 2021-02-12 | 东方晶源微电子科技(北京)有限公司深圳分公司 | 一种光刻胶模型的建立方法及电子设备 |
CN114239398A (zh) * | 2021-12-16 | 2022-03-25 | 上海集成电路装备材料产业创新中心有限公司 | 光刻热点检测方法、装置、电子设备及可读存储介质 |
CN115457299A (zh) * | 2022-11-14 | 2022-12-09 | 中国科学院光电技术研究所 | 传感芯片投影光刻机匹配方法 |
CN115587545A (zh) * | 2022-11-23 | 2023-01-10 | 广州粤芯半导体技术有限公司 | 一种用于光刻胶的参数优化方法、装置、设备及存储介质 |
CN115598937A (zh) * | 2022-12-13 | 2023-01-13 | 华芯程(杭州)科技有限公司(Cn) | 一种光刻掩膜形状预测方法及装置、电子设备 |
CN115933328A (zh) * | 2022-12-16 | 2023-04-07 | 武汉宇微光学软件有限公司 | 一种基于凸优化的光刻模型标定方法和系统 |
WO2023070597A1 (zh) * | 2021-10-29 | 2023-05-04 | 华为技术有限公司 | 重定义版图图形的方法、装置、设备、介质和程序产品 |
-
2023
- 2023-05-17 CN CN202310554105.0A patent/CN116306452B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7376259B1 (en) * | 2004-06-23 | 2008-05-20 | Advanced Micro Devices, Inc. | Topography compensation of imprint lithography patterning |
US20150106771A1 (en) * | 2013-10-11 | 2015-04-16 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of lithographic process evaluation |
CN109145354A (zh) * | 2017-06-18 | 2019-01-04 | 科文托尔公司 | 关键参数识别、工艺模型校准和可变性分析的系统和方法 |
CN111999992A (zh) * | 2018-10-26 | 2020-11-27 | 中国科学院微电子研究所 | 一种确定光刻光源模型的训练方法及装置 |
CN109491216A (zh) * | 2018-12-20 | 2019-03-19 | 上海集成电路研发中心有限公司 | 一种优化光刻工艺参数的方法 |
CN110262191A (zh) * | 2019-05-09 | 2019-09-20 | 崔绍春 | 一种计算光刻建模方法及装置 |
CN112364508A (zh) * | 2020-11-11 | 2021-02-12 | 东方晶源微电子科技(北京)有限公司深圳分公司 | 一种光刻胶模型的建立方法及电子设备 |
WO2023070597A1 (zh) * | 2021-10-29 | 2023-05-04 | 华为技术有限公司 | 重定义版图图形的方法、装置、设备、介质和程序产品 |
CN114239398A (zh) * | 2021-12-16 | 2022-03-25 | 上海集成电路装备材料产业创新中心有限公司 | 光刻热点检测方法、装置、电子设备及可读存储介质 |
CN115457299A (zh) * | 2022-11-14 | 2022-12-09 | 中国科学院光电技术研究所 | 传感芯片投影光刻机匹配方法 |
CN115587545A (zh) * | 2022-11-23 | 2023-01-10 | 广州粤芯半导体技术有限公司 | 一种用于光刻胶的参数优化方法、装置、设备及存储介质 |
CN115598937A (zh) * | 2022-12-13 | 2023-01-13 | 华芯程(杭州)科技有限公司(Cn) | 一种光刻掩膜形状预测方法及装置、电子设备 |
CN115933328A (zh) * | 2022-12-16 | 2023-04-07 | 武汉宇微光学软件有限公司 | 一种基于凸优化的光刻模型标定方法和系统 |
Non-Patent Citations (4)
Title |
---|
WENG KHUEN HO等: "Critical Dimension Uniformity Via Real-Time Photoresist Thickness Control", IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING * |
成维;李思坤;王向朝;张子南;: "极紫外光刻掩模相位型缺陷的形貌重建方法", 光学学报, no. 10 * |
曾永彬;朱荻;明平美;胡洋洋;: "基于BP神经网络的SU-8光刻胶工艺参数优选研究", 机械科学与技术, no. 09 * |
杜立群;秦江;刘冲;朱神渺;李园园;: "SU-8胶紫外光刻的尺寸精度研究", 光学精密工程, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN116306452B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11847570B2 (en) | Deep learning for semantic segmentation of pattern | |
US10402524B2 (en) | Prediction of process-sensitive geometries with machine learning | |
CN113168111B (zh) | 用于预测半导体制造过程的产率的方法 | |
JP5666609B2 (ja) | 光源及びマスクの最適化のためのパターン選択方法 | |
US10726169B2 (en) | Target and process sensitivity analysis to requirements | |
TWI460547B (zh) | 基於模型之程序模擬系統及方法 | |
US11774859B2 (en) | Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process | |
CN109491216B (zh) | 一种优化光刻工艺参数的方法 | |
CN106158679B (zh) | 结合晶圆实体测量与数位模拟以改善半导体元件制程方法 | |
JP2006210936A (ja) | 最小寸法の計算で用いるレジスト・モデルの較正を改善する方法、プログラム製品、及び装置 | |
CN105573048B (zh) | 一种光学临近修正模型的优化方法 | |
US20210357566A1 (en) | Methods for generating characteristic pattern and training machine learning model | |
JP7344203B2 (ja) | マイクロリソグラフィのためのマスクの認定のための方法 | |
CN112015046B (zh) | 图形显影情况的检测方法 | |
CN113759668A (zh) | 在紧凑建模中校准随机信号 | |
Tabery et al. | SEM image contouring for OPC model calibration and verification | |
CN116306452B (zh) | 一种光刻胶参数获取方法及装置、电子设备 | |
US8741511B1 (en) | Determination of lithography tool process condition | |
US11610043B2 (en) | Machine learning based model builder and its applications for pattern transferring in semiconductor manufacturing | |
Martin et al. | Exploring new high speed mask aware RET verification flows | |
TWI806324B (zh) | 用於製造程序參數估計之模組自動編碼器模型 | |
CN112099310B (zh) | 光强阈值的获取方法以及辅助图形显影情况的检测方法 | |
EP4075339A1 (en) | Modular autoencoder model for manufacturing process parameter estimation | |
Qi et al. | Test pattern generation by conditional generative model labeled by image parameters | |
TW202424655A (zh) | 分類產品單元 |
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 |