CN116342983A - 生成及使用图刻模型的方法、电子设备和计算机可读介质 - Google Patents

生成及使用图刻模型的方法、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN116342983A
CN116342983A CN202310619938.0A CN202310619938A CN116342983A CN 116342983 A CN116342983 A CN 116342983A CN 202310619938 A CN202310619938 A CN 202310619938A CN 116342983 A CN116342983 A CN 116342983A
Authority
CN
China
Prior art keywords
patterning
data
model
pattern
graphic
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
Application number
CN202310619938.0A
Other languages
English (en)
Other versions
CN116342983B (zh
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced Manufacturing EDA Co Ltd
Original Assignee
Advanced Manufacturing EDA Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Advanced Manufacturing EDA Co Ltd filed Critical Advanced Manufacturing EDA Co Ltd
Priority to CN202310619938.0A priority Critical patent/CN116342983B/zh
Publication of CN116342983A publication Critical patent/CN116342983A/zh
Application granted granted Critical
Publication of CN116342983B publication Critical patent/CN116342983B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
    • H01L21/0271—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34 comprising organic layers
    • H01L21/0273—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34 comprising organic layers characterised by the treatment of photoresist layers
    • H01L21/0274—Photolithographic processes
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)

Abstract

本公开的实施例涉及生成及使用图刻模型的方法、电子设备和计算机可读介质。该生成图刻模型的方法包括获取多对图刻数据，其中每对图刻数据包括相互匹配的第一数据和第二数据，第一数据指示预定图刻处理的设计图刻图形，并且第二数据指示预定图刻处理使用设计图刻图形所图刻出的实际图刻图形。方法还包括根据多对图刻数据的第一数据之间的相似度，将多对图刻数据划分为多个批次，其中每个批次包括至少一对图刻数据。方法还包括分别使用多个批次对预定图刻模型进行训练，以生成图刻模型。根据本公开的实施例的方法，能够提高生成图刻模型的速度、节省生成模型的时间、节省计算资源，并能够提高使用图刻模型进行预测的精确度。

Description

生成及使用图刻模型的方法、电子设备和计算机可读介质
技术领域
本公开的实施例涉及图刻领域，更具体地，涉及生成及使用图刻模型的方法、电子设备和计算机可读介质。
背景技术
在利用图刻的方式将设计的图形转移到预定基板上的图刻过程中，由于图刻机器以及所使用的图刻制程的限制，可能会导致实际转移到基板上的图形与设计图形之间存在差异。这种差异可能会劣化与设计图形对应的期望功能的实现，甚至可能导致难以实现设计图形所期望的功能。
发明内容
本公开的实施例提供一种生成及使用图刻模型的方法、电子设备和计算机可读介质。
根据本公开的第一方面，提供了一种生成图刻模型的方法，包括：获取多对图刻数据，其中每对图刻数据包括相互匹配的第一数据和第二数据，所述第一数据指示预定图刻处理的设计图刻图形，所述第二数据指示预定图刻处理使用所述设计图刻图形所图刻出的实际图刻图形；根据多个第一数据之间的相似度，将所述多对图刻数据划分为多个批次，其中每个批次包括至少一对图刻数据；以及分别使用所述多个批次的图刻数据对预定图刻模型进行训练，以生成所述图刻模型。
根据本公开的第二方面，提供了一种使用根据第一方面的方法所生成的图刻模型的方法，包括：接收输入数据，所述输入数据指示针对预定图刻处理的目标图刻图形；将所述输入数据输入到所述图刻模型；以及获取所述图刻模型的输出数据，所述输出数据指示预测图刻图形，所述预测图刻图形指示基于所述输入数据预测的通过所述预定图刻处理而图刻出的图刻图形。
根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及存储器，耦合至所述至少一个处理器并且具有存储于其上的指令，所述指令在由所述至少一个处理器执行时使所述电子设备执行根据第一方面的方法或根据第二方面的方法。
根据本公开的第四方面，提供了一种存储有计算机程序的计算机可读介质，所述计算机程序包括机器可执行指令，所述机器可执行指令在被执行时使机器执行根据第一方面的方法或根据第二方面的方法。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
图1图示了根据本公开的实施例的图刻过程的示例的示意图；
图2图示了根据本公开的实施例的生成图刻模型的过程的示意图；
图3图示了根据本公开的实施例的图2的过程所使用的第一子图的示例的示意图；
图4图示了根据本公开的实施例的生成图刻模型的方法的流程图；
图5A图示了根据本公开的实施例的使用图刻模型的方法的流程图；
图5B图示了根据本公开的另一实施例的使用图刻模型的方法的流程图；
图6图示了根据本公开的实施例的针对光刻处理使用图5A或图5B的方法而调整的调整图刻图形和预测图形的示意图；
图7图示了根据本公开的实施例的针对用于制作掩膜的图刻处理的图5A或图5B的方法的示意图；以及
图8图示了适于用来实施本公开内容的实施例的示例电子设备的一个示例的示意性框图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
以下描述的根据本公开的实施例的生成及使用图刻模型的方法、电子设备和计算机可读介质可适用于光刻处理、或用于制作光刻处理中所使用的掩膜的掩膜图刻处理、或任意其他图刻处理。为了描述的简单，下文中将主要以光刻处理为例来描述本公开的实施例，应该理解，这样的描述同样适用于掩膜图刻处理或任意其他图刻处理。
在图刻处理的图形设计阶段，使用所设计的图刻图形而图刻出的实际图刻图形可能与所期望的设计图形不同，为了能够图刻出所期望的图形，需要对设计图形进行调整，以使得使用调整后的设计图形所图刻出的图形与期望的图形一致。然而，如果每次调整设计图形之后都通过实际图刻制程来进行图刻，则会导致图刻的费用成本和时间成本较高。
根据公开的实施例将生成一种图刻模型，使得生成的图刻模型能够预测出图刻处理将会图刻出的图刻图形，从而避免每次调整设计图形之后所需的实际图刻过程，从而节省图刻成本，提高图刻效率和准确度。下文将参照图1至图4来描述根据公开的实施例的生成图刻模型的过程。
图1图示了根据本公开的实施例的图刻过程100的示例的示意图。
图1的图刻过程100可获得用于生成或训练根据本公开的实施例的图刻模型的训练数据（180、190）。参照图1，光源110发射预定波长范围内的光，汇聚透镜120调整光源110所发射的光的方向，以使其入射到掩膜130。掩膜130（例如，图1示出的是光刻处理的掩膜）的图案会阻挡一部分光并使一部分光透射过掩膜130。透射的光经过透镜140-1、光瞳150、透镜140-2而经由光刻胶160在基板170（例如，针对光刻处理的半导体基板，或者针对掩膜图刻处理的金属基板）上图刻出图刻图形。
图1中的图形180可以指示掩膜130的图形，图形190可以指示在基板170上实际图刻出的图形。在下文中，图形180也被称为“设计图形180”，图形190 也被称为“实际图刻图形190”。由图1可以看出，实际图刻图形190与设计图形180之间存在差异，例如，在设计图形180中90°的角可能会被图刻为实际图刻图形190中的圆弧形状，在设计图形180中的直线可能会被图刻为实际图刻图形190中的曲线等。
为了使得实际图刻图形190与设计图形180之间的差异尽可能小，需要调整掩膜130的形状，例如，改变掩膜130中的图形的角度和线条，以使得根据调整的掩膜而图刻出的实际图刻图形更接近原始设计图形。通过使用以上真实的设计图形180与实际图刻图形190来训练或生成图刻模型，可以使得图刻模型可以基于任意其他输入的设计图形来预测所能图刻出的图刻图形，从而便于对设计图形的调整。应该理解，以上仅是获取用作训练数据的设计图形180与实际图刻图形190的示例，可通过任意其他方式来获取训练数据，例如可接收用户提供的设计图形与实际图刻图形来作为训练数据。
图2图示了根据本公开的实施例的生成图刻模型210的过程200的示意图。图2的过程200所使用的基础图刻模型可以是能够反应图刻处理的任意图刻模型，例如，针对光刻处理的OPC（光学临近效应修正）模型，或针对制作掩膜的图刻处理的类似模型。该过程200也可以称为基于基础图刻模型的训练过程。
图刻模型210可以包括多个算法，例如图2示出的算法1、算法2、…、算法X（X为大于或等于2的整数）。这些算法中可以包括与图刻处理相关的参数。在一个示例中，针对光刻处理，这些参数可以包括掩膜的掩膜特征参数（例如，掩膜的外周形状参数、或图形角度范围等）、光刻机的光学参数（例如，光源参数（例如，光的波长范围、或光强度等）、或透镜参数等）、或光刻胶参数（例如，光刻胶化学效应参数、或光刻胶物理效应参数）等。
在另一示例中，针对用于制作光刻处理所使用的掩膜的掩膜图刻处理，这些参数可类似，例如可以包括图刻用掩膜的掩膜特征参数（例如，图刻用掩膜的外周形状参数、或图形角度范围等）、掩膜制作机的参数（能量源的参数（例如，能量的波长范围、或强度等）、或透镜参数等）、或光刻胶参数（例如，光刻胶化学效应参数、或光刻胶物理效应参数）等。
通过使用实际使用的掩膜图形作为图刻模型210的输入220，并根据图刻模型210的输出230与参考图形之间的差异来调整图刻模型210的参数，可以使得图刻模型210的输出逐渐接近参考图形。该参考图形可以是基于实际使用的掩膜图形在基板上实际图刻出的图形。
例如，输入220可以是图1所描述的图刻过程100中的设计图形180，参考图形可以是图1的实际图刻图形190。应该理解，可以使用任意彼此对应的设计图形与实际图刻图形来训练或生成根据本公开的图刻模型。
为了提高所生成的图刻模型的精确度，根据本公开的实施例，可将设计图形180划分为大量的子图（即，形貌图或位置图（gauge），在下文中还称为“第一子图”），来作为训练输入数据，例如，可划分为10,000个第一子图。每个第一子图可具有位置信息以及图刻线信息，例如图刻线的线宽、线间距、或线周期性等。
例如，图3图示了根据本公开的实施例的第一子图的示例的示意图。在图3中，第一子图180-A可以是设计图形180的位置A处的一个形貌图，另一第一子图180-B可以是设计图形180的位置B处的一个形貌图。各第一子图中各自可包括相应的图刻线（如阴影图形所示），图刻线具有对应的线宽、线间距、或线周期性。应该理解，图3为了简洁仅示出了2个第一子图，而实际应用中，可具有大量的第一子图，并且第一子图中的图刻线可具有与图3不同的任意形状。
返回参照图1和图2，实际图刻图形190也可以对应地被划分为等量的子图（例如，也被划分为10,000个子图，下文中还称为“第二子图”），来作为训练参考数据。
在获得以上彼此对应的第一子图和第二子图对之后，可以通过使用各个第一子图的位置、线宽、线间距、或线周期性中的至少一项之间的相似性，来将各对第一子图和第二子图进行分类，例如分为M个类别。然后，可从各个类别中分别提取第一百分比（例如，30%）的第一子图和第二子图对以形成第一批次的训练数据，然后从各个类别中分别提取第二百分比（例如，25%）的第一子图和第二子图对以形成第二批次的训练数据，以此类推，直至提取完各个类别的所有数据，从而形成多个批次（例如，N个批次）的训练数据。
例如，通过这种方式，可将总的训练数据划分为4个批次，第一批次具有30%的训练数据（例如，包括第一批次第一子图180-1、以及第一批次第二子图190-1），第二批次具有25%的训练数据（例如，包括第二批次第一子图180-j、以及第二批次第二子图190-j，并且j=2），第三批次具有25%的训练数据（例如，包括第三批次第一子图180-j、以及第三批次第二子图190-j，并且j=3），第四批次具有20%的训练数据（例如，包括第四批次第一子图180-N、以及第四批次第二子图190-N，并且N=4）。
然后，可使用第一批次的训练数据中的第一批次第一子图180-1（其包括各个类别的第一子图180-11、180-12、…、180-1M）作为输入220，来对图刻模型210进行第一次训练。第一次训练可包括多个轮次的训练，在每个轮次中，使用第一批次第一子图180-1作为输入220来输入到图刻模型210，以获得图刻模型的输出230-1（如图2所示），然后将输出230-1与第一批次第二子图190-1进行比较，从而根据比较结果来调整图刻模型的算法1-X中的参数，例如以第一步长进行调整。在完成与第一次训练所对应的训练轮次（例如，3000轮次）之后、或者在输出230-1与第一批次第二子图190-1之间的差异连续处于第一准确度阈值范围内达第一轮次阈值（例如，30轮次）之后，可结束第一次训练。
接下来，可使用第一批次之后的第j批次（j为大于或等于2的整数）的第j批次第一子图180-j（其包括各个类别的第一子图180-j1、180-j2、…、180-jM）作为输入220，来对图刻模型210进行第j次训练。第j次训练可包括多个轮次的训练，在每个轮次中，使用第j批次第一子图180-j作为输入220来输入到图刻模型210，以获得图刻模型的输出230-j（如图2所示），然后将输出230-j与第j批次第二子图190-j（如图2所示）进行比较，从而根据比较结果来调整图刻模型中的算法1-X的参数，例如以第j步长进行调整。在完成与第j次训练所对应的训练轮次（例如，2000轮次）之后、或者在输出230-j与第j批次第二子图190-j之间的差异连续处于第j准确度阈值范围内达第j轮次阈值（例如，30轮次）之后，可结束第j次训练。
当j=N（即，最后一个批次时），可使用第N批次第一子图180-N（其包括各个类别的第一子图180- N 1、180- N 2、…、180- N M）作为输入220，来对图刻模型210进行第N次训练。第N次训练可包括多个轮次的训练，在每个轮次中，使用第N批次第一子图180- N作为输入220来输入到图刻模型210，以获得图刻模型的输出230-N，然后将输出230-N与第N批次第二子图190-N进行比较，从而根据比较结果来调整图刻模型中的算法1-X的参数，例如以第N步长进行调整。在完成与第N次训练所对应的训练轮次（例如，1000轮次）之后、或者在输出230-N与第N批次第二子图190- N之间的差异连续处于第N准确度阈值范围内达第N轮次阈值（例如，30轮次）之后，可结束第N次训练。此时，所获得的图刻模型210可以为根据本公开的实施例最终生成的图刻模型210。
在以上训练的过程中，第一次训练所使用的第一步长可以较大，以使得图刻模型快速收敛（例如，使指示模型的输出数据与参考数据之间的差异的均方根（RMS）快速下降），在之后的训练中所使用的各个步长可小于或等于第一步长。例如，步长可逐次训练递减，以提高图刻模型的精度；或者可在所使用的训练数据达到一定数量（例如，50%）之后递减，以在进一步节省训练时间的同时提高训练精度。
此外，在以上训练的过程中，在能够直接获得以上多对第一子图和第二子图的情况下，可以省略以上划分第一子图和第二子图的操作。此外，在以上训练的过程中，在获得了以上多对第一子图和第二子图的情况下，在利用第一子图之间的相似度划分类别时，可以使得所划分的M个类别中的每个类别的第一子图之间满足以下条件中的至少一个：针对位置的位置相似度小于第一阈值、针对线宽的线宽相似度小于第二阈值、针对线间距的线间距相似度小于第三阈值、或针对线周期性的线周期性相似度小于第四阈值。这些阈值可根据实际需要任意设置。
通过以上根据本公开的实施例的训练或生成图刻模型的方式，可以通过在第一次训练（或前几次训练）中使用较大的参数调整步长来使各个算法快速收敛，并在之后的训练中使用较小的参数调整步长来保障图刻模型的精度，从而能够提高生成图刻模型的速度，节省生成图刻模型的时间，并节省计算资源。这可有助于应对由于以下原因而对图刻模型的训练成本带来的影响：随着图刻工艺的复杂化以及模型的精度要求的提高而导致的训练数据的数目的大幅度增加、模型中的算法的数目的大幅度增加、以及算法中的参数的数目的大幅度增加。与不分批次而逐训练数据进行训练并且每个训练轮次均以相同的步长来调整算法参数的训练过程相比，以上根据本公开的训练或生成图刻模型的方式可以极大程度地减小训练时间，节约训练成本，例如，可将训练时间缩短至以上不分批次训练的训练时间的20%甚至更短。
以下参照图4来描述生成图刻模型的示例过程。图4图示了根据本公开的实施例的生成图刻模型的方法的流程图400。
参照图4，在402，获取多对图刻数据（例如，以上训练数据）。每对图刻数据包括相互匹配的第一数据（例如，以上第一子图的数据）和第二数据（例如，以上第二子图的数据）。第一数据指示预定图刻处理的设计图刻图形（例如，以上设计图形180），第二数据指示预定图刻处理使用设计图刻图形（180）所图刻出的实际图刻图形（例如，以上实际图刻图形190）。
在一个实施例中，第一数据对应于第一形貌图（例如，以上第一子图（例如，图3中的第一子图180-A、180-B等）），第一形貌图为设计图刻图形（180）的一部分。第二数据对应于第二形貌图（例如，以上第二子图），第二形貌图为实际图刻图形（190）的一部分。
在一个实施例中，所有的第一形貌图构成一个完整的设计图刻图形（例如，以上设计图形180），不同的第一形貌图在设计图刻图形中的位置不同。所有的第二形貌图构成一个完整的实际图刻图形（例如，以上实际图刻图形190），不同的第二形貌图在实际图刻图形中的位置不同。在一个实施例中，第一数据可包括以下项中的至少一项：第一形貌图的位置、第一形貌图中的图刻线的线宽、线间距、或线周期性。
在404，根据多个第一数据（例如，以上第一子图）之间的相似度，将多对图刻数据划分为多个批次，每个批次包括至少一对图刻数据。
在一个实施例中，404可包括：根据多对图刻数据的第一数据（例如，以上第一子图）的位置、线宽、线间距、或线周期性中的至少一项之间的相似性，将多对图刻数据分类为多个类别，每个类别包括至少一对图刻数据；以及从多个类别中的每个类别提取预定比例的图刻数据对，来获得对应批次的图刻数据。在一个实施例中，划分的多个批次可以为N个批次，其中N为大于或等于2的整数。
在一个实施例中，404可包括：根据以上相似性，将多对图刻数据划分为M个类别；以及针对N个批次中的第i批次，分别从M个类别中提取第i预定百分比的图刻数据作为第i批次的图刻数据。M个类别中的每个类别中的第一数据（例如，以上第一子图）之间满足以下条件中的至少一个：针对位置的位置相似度小于第一阈值、针对线宽的线宽相似度小于第二阈值、针对线间距的线间距相似度小于第三阈值、或针对线周期性的线周期性相似度小于第四阈值。M为大于或等于2的整数，i为大于或等于1且小于或等于N的整数。在一个实施例中，针对该N个批次的所有第i预定百分比之和为1，以使用全部的训练数据来生成图刻模型。
在406，分别使用404划分的多个批次的图刻数据对预定图刻模型（例如，以上基础图刻模型）进行训练，以生成图刻模型。在一个实施例中，在分别使用多个批次的图刻数据对预定图刻模型进行训练时，多个批次的第一数据用于输入到预定图刻模型，多个批次的第二数据用于与预定图刻模型的输出进行比较以确定训练结果的准确度，以用于对预定图刻模型的算法参数进行调整。在一个实施例中，406可包括：使用第一批次的图刻数据，对预定图刻模型（例如，以上基础图刻模型）进行第一预定轮次的训练（例如，图2中的第一次训练），来获得第一中间图刻模型；以及针对第一批次之后的第j批次，使用第j批次的图刻数据，对第（j-1）中间图刻模型进行第j预定轮次的训练（例如，图2中的第j次训练），来获得第j中间图刻模型。这里，可将第N中间图刻模型（图2中的第N次训练所获得的图刻模型）作为所生成的图刻模型。这里，j为大于或等于2且小于或等于N的整数。在一个实施例中，第j预定轮次可小于或等于第（j-1）预定轮次。
在一个实施例中，406可包括：使用第一批次的图刻数据，对预定图刻模型（例如，以上基础图刻模型）进行多个轮次的训练（例如，图2中的第一次训练），直至训练结果的准确度连续处于第一准确度阈值范围内达第一轮次阈值时，将所获得图刻模型作为第一中间图刻模型；针对第一批次之后的第j批次，使用第j批次的图刻数据，对第（j-1）中间图刻模型进行多个轮次的训练（例如，图2中的第j次训练），直至训练结果的准确度连续处于第j准确度阈值范围内达第j轮次阈值时，将所获得图刻模型作为第j中间图刻模型。这里，可将第N中间图刻模型（图2中的第N次训练所获得的图刻模型）作为所生成的图刻模型。这里，j为大于或等于2且小于或等于N的整数。在一个实施例中，第j准确度阈值范围可小于或等于第（j-1）准确度阈值范围，第j轮次阈值可与第（j-1）轮次阈值相等或不等。
在一个实施例中，在406中，在使用第一批次的图刻数据进行训练时，通过第一步长来对预定图刻模型（例如，以上基础图刻模型）中的算法参数进行调整。在使用第j批次的图刻数据进行训练时，通过第j步长来对第（j-1）中间图刻模型中的算法参数进行调整，第j步长小于或等于第（j-1）步长。
在一个实施例中，图刻模型可以为光刻模型，预定图刻处理可以为光刻处理。在一个实施例中，图刻模型的算法参数可以包括以下项中的至少一项：针对光刻处理的掩膜的掩膜特征参数、针对光刻处理的光刻机的光学参数、或针对光刻处理的光刻胶的光刻胶参数。例如，以上参照图2描述的各个参数。
在一个实施例中，图刻模型可以为掩膜模型，预定图刻处理可以为用于制作掩膜的掩膜图刻处理。在一个实施例中，图刻模型的算法参数可以包括以下项中的至少一项：针对掩膜图刻处理的图刻用掩膜的掩膜特征参数、针对掩膜图刻处理的掩膜制作机的参数、或针对掩膜图刻处理的光刻胶的光刻胶参数。例如，以上参照图2描述的各个参数。
根据本公开的实施例的生成图刻模型的方法，能够提高生成图刻模型的速度、节省生成模型的时间、节省计算资源，并能够确保图刻模型的精确度。
图5A图示了根据本公开的实施例的使用图刻模型的方法的流程图500。参照图5，在如上生成图刻模型之后，在使用图刻模型的过程500中，在502，接收输入数据。该输入数据指示针对以上预定图刻处理（光刻处理、或掩膜图刻处理）的目标图刻图形，即所期望图刻出的图刻图形。
在504，将502的输入数据输入到图刻模型。在506，获取图刻模型的输出数据。该输出数据指示预测图刻图形，预测图刻图形指示基于以上输入数据预测的通过预定图刻处理而图刻出的图刻图形。
根据以上本公开的实施例的使用图刻模型的方法，能够精确预测出与输入图形对应的图刻图形，从而能够节省图刻处理的图形设计阶段的实际图刻成本。
图5B图示了根据本公开的另一实施例的使用图刻模型的方法的流程图550。参照图5B，图5B中的502-506与图5A相同。不同之处在于图5B还包括508-512。在508，可将506处获得的预测图刻图形与目标图刻图形（即，期望图刻出的图刻图形）进行比较，以获得预测图刻图形与目标图刻图形之间的图形差异；并确定图形差异是否在预定差异范围内。
在图形差异在预定差异范围内（图5B中的“是”）时，在512处将在502中输入的目标图刻图形用作实际进行预定图刻处理的图刻用掩膜图形（即，用于光刻的掩膜的图形、或者用于制作掩膜的掩膜图刻处理中所使用的另一掩膜）。
在图形差异不在预定差异范围内（图5B中的“否”）时，在510处接收对以上目标图刻图形进行调整而产生的调整图刻图形的数据作为输入数据。之后，返回504，将当前的输入数据输入到图刻模型中，并在506中获得图刻模型的输出数据，在508中将当前的输出数据所指示的预测图刻图形与原始的目标图刻图形（即，期望图刻出的图刻图形）进行比较，以确定二者的图形差异是否在以上预定差异范围内。在确定当前的图形差异在预定差异范围内的情况下，在512中将当前输入数据所指示的调整图刻图形用作实际进行预定图刻处理的图刻用掩膜图形。在确定当前的图形差异不在预定差异范围内的情况下，继续重复以上过程。
通过以上过程，可以在图刻设计阶段调整设计图形（例如，调整为以上调整图刻图形），以使得预测的实际图刻出的图形更接近预期图刻图形。例如，图6图示了根据本公开的实施例的针对光刻处理使用图5A或图5B的方法而调整的调整图刻图形和预测图形的示意图。在图6中，由附图标记280所指示的图形为最终的调整图刻图形，其可用作实际图刻处理中的图刻用掩膜的图形。由附图标记290所指示的图形为预测的图刻出的图刻图形。
在图6中为了图示的方便，例如将图1的设计图刻图形180作为预期的目标图刻图形，然而实际使用中，目标图刻图形可具有任意形状。由图6可以看出，通过图5A或图5B的方法调整后的调整图刻图形280的线条走向以及线条角度与目标图刻图形180不同，而预测的使用调整图刻图形280所图刻出的图刻图形290相比于实际图刻图形190更接近所预期的图形180的形状。
图7图示了根据本公开的实施例的针对用于制作掩膜的图刻处理的图5A或图5B的方法的示意图700。
参照图7，在用于制作光刻处理中所使用的掩膜的图刻处理中，需要使用该掩膜的图刻用掩膜来进行图刻制程。在该图刻用掩膜的图形设计阶段，可将所设计的初始目标图形作为输入图形720输入到掩膜模型710（例如，以上图2生成的图刻模型）中，然后获得掩膜模型710输出的预测图形730。之后，将预测图形730与初始目标图形进行比较（740），在比较结果指示二者之间的差异较大（例如，在以上预定差异范围之外）时，可调整输入图形（750），然后将调整的图形作为输入图形720输入到掩膜模型710，以使得掩膜模型710再次输出预测图形730。之后将此时输出的预测图形730与初始目标图形进行比较，以继续调整输入图形，直至输出的预测图形730与初始目标图形之间的差异较小（例如，在以上预定差异范围之内）时，可停止调整，并将此时的输入图形作为以上图刻用掩膜的图形。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。图4、图5A和图5B所示的方法可以利用设备800来实现。如图所示，设备800包括中央处理单元（CPU）801，其可以根据存储在只读存储器（ROM）802中的计算机程序指令或者从存储单元808加载到随机访问存储器（RAM）803中的计算机程序指令，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。CPU 801、ROM802以及RAM 803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法400、500、550，可由处理单元801执行。例如，在一些实施例中，方法400、500、550可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序被加载到RAM 803并由CPU 801执行时，可以执行上文描述的方法400、500、550的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (22)

1.一种生成图刻模型的方法，包括：
获取多对图刻数据，其中每对图刻数据包括相互匹配的第一数据和第二数据，所述第一数据指示预定图刻处理的设计图刻图形，所述第二数据指示预定图刻处理使用所述设计图刻图形所图刻出的实际图刻图形；
根据多个第一数据之间的相似度，将所述多对图刻数据划分为多个批次，其中每个批次包括至少一对图刻数据；以及
分别使用所述多个批次的图刻数据对预定图刻模型进行训练，以生成所述图刻模型。
2.根据权利要求1所述的方法，其中所述第一数据对应于第一形貌图，所述第一形貌图为所述设计图刻图形的一部分，
所述第二数据对应于第二形貌图，所述第二形貌图为所述实际图刻图形的一部分。
3.根据权利要求2所述的方法，其中第一数据包括以下项中的至少一项：所述第一形貌图的位置、所述第一形貌图中的图刻线的线宽、线间距、或线周期性。
4. 根据权利要求3所述的方法，其中根据多个第一数据之间的相似度，将所述多对图刻数据划分为多个批次包括：
根据所述多个第一数据的所述位置、所述线宽、所述线间距、或所述线周期性中的至少一项之间的相似性，将所述多对图刻数据分类为多个类别，其中每个类别包括至少一对图刻数据；以及
从所述多个类别中的每个类别提取预定比例的图刻数据对，来获得对应批次的图刻数据。
5. 根据权利要求4所述的方法，其中根据多个第一数据之间的相似度，将所述多对图刻数据划分为多个批次还包括：
根据所述相似性，将所述多对图刻数据划分为M个类别；以及
针对N个批次中的第i批次，分别从所述M个类别中提取第i预定百分比的图刻数据作为所述第i批次的图刻数据，
其中所述M个类别中的每个类别中的第一数据之间满足以下条件中的至少一个：针对所述位置的位置相似度小于第一阈值、针对所述线宽的线宽相似度小于第二阈值、针对所述线间距的线间距相似度小于第三阈值、或针对所述线周期性的线周期性相似度小于第四阈值，
其中M为大于或等于2的整数，
其中所述多个批次为所述N个批次，N为大于或等于2的整数，i为大于或等于1且小于或等于N的整数。
6.根据权利要求5所述的方法，其中针对所述N个批次的所有第i预定百分比之和为1。
7. 根据权利要求4所述的方法，其中分别使用所述多个批次的图刻数据对预定图刻模型进行训练，以生成所述图刻模型包括：
使用第一批次的图刻数据，对所述预定图刻模型进行第一预定轮次的训练，来获得第一中间图刻模型；以及
针对所述第一批次之后的第j批次，使用所述第j批次的图刻数据，对第（j-1）中间图刻模型进行第j预定轮次的训练，来获得第j中间图刻模型，
其中所述多个批次为N个批次，第N中间图刻模型为所生成的所述图刻模型，N为大于或等于2的整数，
其中j为大于或等于2且小于或等于N的整数。
8.根据权利要求7所述的方法，其中所述第j预定轮次小于或等于第（j-1）预定轮次。
9.根据权利要求4所述的方法，其中分别使用所述多个批次的图刻数据对预定图刻模型进行训练，以生成所述图刻模型包括：
使用第一批次的图刻数据，对所述预定图刻模型进行多个轮次的训练，直至训练结果的准确度连续处于第一准确度阈值范围内达第一轮次阈值时，将所获得图刻模型作为第一中间图刻模型；
针对所述第一批次之后的第j批次，使用所述第j批次的图刻数据，对第（j-1）中间图刻模型进行多个轮次的训练，直至训练结果的准确度连续处于第j准确度阈值范围内达第j轮次阈值时，将所获得图刻模型作为第j中间图刻模型，
其中所述多个批次为N个批次，第N中间图刻模型为所生成的所述图刻模型，N为大于或等于2的整数，
其中j为大于或等于2且小于或等于N的整数。
10.根据权利要求9所述的方法，其中所述第j准确度阈值范围小于或等于第（j-1）准确度阈值范围，
其中所述第j轮次阈值与第（j-1）轮次阈值相等或不等。
11.根据权利要求7或9所述的方法，其中在使用第一批次的图刻数据进行训练时，通过第一步长来对所述预定图刻模型中的算法参数进行调整，
其中在使用所述第j批次的图刻数据进行训练时，通过第j步长来对所述第（j-1）中间图刻模型中的算法参数进行调整，
其中所述第j步长小于或等于第（j-1）步长。
12.根据权利要求1所述的方法，其中所述图刻模型为光刻模型，所述预定图刻处理为光刻处理。
13.根据权利要求12所述的方法，其中所述图刻模型的算法参数包括以下项中的至少一项：针对所述光刻处理的掩膜的掩膜特征参数、针对所述光刻处理的光刻机的光学参数、或针对所述光刻处理的光刻胶的光刻胶参数。
14.根据权利要求1所述的方法，其中所述图刻模型为掩膜模型，所述预定图刻处理为用于制作掩膜的掩膜图刻处理。
15.根据权利要求14所述的方法，其中所述图刻模型的算法参数包括以下项中的至少一项：针对所述掩膜图刻处理的图刻用掩膜的掩膜特征参数、针对所述掩膜图刻处理的掩膜制作机的参数、或针对所述掩膜图刻处理的光刻胶的光刻胶参数。
16.根据权利要求2所述的方法，其中所有的第一形貌图构成一个完整的所述设计图刻图形，不同的第一形貌图在所述设计图刻图形中的位置不同，
所有的第二形貌图构成一个完整的所述实际图刻图形，不同的第二形貌图在所述实际图刻图形中的位置不同。
17.根据权利要求1所述的方法，其中在分别使用所述多个批次的图刻数据对所述预定图刻模型进行训练时，所述多个批次的第一数据用于输入到所述预定图刻模型，所述多个批次的第二数据用于与所述预定图刻模型的输出进行比较以确定训练结果的准确度，以用于对所述预定图刻模型的算法参数进行调整。
18.一种使用根据权利要求1-17中任一项所述的方法所生成的图刻模型的方法，包括：
接收输入数据，所述输入数据指示针对预定图刻处理的目标图刻图形；
将所述输入数据输入到所述图刻模型；以及
获取所述图刻模型的输出数据，所述输出数据指示预测图刻图形，所述预测图刻图形指示基于所述输入数据预测的通过所述预定图刻处理而图刻出的图刻图形。
19.根据权利要求18所述的方法，还包括：
将所述预测图刻图形与所述目标图刻图形进行比较，以获得所述预测图刻图形与所述目标图刻图形之间的图形差异；
确定所述图形差异是否在预定差异范围内；以及
在确定所述图形差异在所述预定差异范围内的情况下，将所述目标图刻图形用作实际进行所述预定图刻处理的图刻用掩膜图形。
20.根据权利要求19所述的方法，还包括：在确定所述图形差异在所述预定差异范围之外的情况下，重复以下步骤：
接收对所述目标图刻图形进行调整而产生的调整图刻图形的数据，作为所述输入数据；
将所述输入数据输入到所述图刻模型；
获取所述图刻模型的所述输出数据；以及
确定所述输出数据所指示的所述预测图刻图形与所述目标图刻图形之间的所述图形差异，
其中在所述图形差异在所述预定差异范围内的情况下，将当前输入数据所指示的调整图刻图形用作实际进行所述预定图刻处理的所述图刻用掩膜图形。
21. 一种电子设备，包括：
至少一个处理器；以及
存储器，耦合至所述至少一个处理器并且具有存储于其上的指令，所述指令在由所述至少一个处理器执行时使所述电子设备执行根据权利要求1-17中任一项所述的方法或根据权利要求18-20中任一项所述的方法。
22.一种存储有计算机程序的计算机可读介质，所述计算机程序包括机器可执行指令，所述机器可执行指令在被执行时使机器执行根据权利要求1-17中任一项所述的方法或根据权利要求18-20中任一项所述的方法。
CN202310619938.0A 2023-05-29 2023-05-29 生成及使用图刻模型的方法、电子设备和计算机可读介质 Active CN116342983B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310619938.0A CN116342983B (zh) 2023-05-29 2023-05-29 生成及使用图刻模型的方法、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310619938.0A CN116342983B (zh) 2023-05-29 2023-05-29 生成及使用图刻模型的方法、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN116342983A true CN116342983A (zh) 2023-06-27
CN116342983B CN116342983B (zh) 2023-09-01

Family

ID=86882665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310619938.0A Active CN116342983B (zh) 2023-05-29 2023-05-29 生成及使用图刻模型的方法、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN116342983B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720479A (zh) * 2023-08-10 2023-09-08 腾讯科技（深圳）有限公司 掩膜生成模型训练方法、掩膜生成方法及装置和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021028228A1 (en) * 2019-08-13 2021-02-18 Asml Netherlands B.V. Method for training machine learning model for improving patterning process
CN112560392A (zh) * 2020-12-16 2021-03-26 全芯智造技术有限公司 用于处理电路版图的方法、设备和存储介质
CN113474811A (zh) * 2019-05-29 2021-10-01 徕卡生物系统成像股份有限公司 数字病理学图像中的感兴趣区域的基于神经网络的标识
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
CN113870170A (zh) * 2020-06-29 2021-12-31 应用材料以色列公司 生成可用于检查半导体样本的训练集
US20220092239A1 (en) * 2020-09-23 2022-03-24 Samsung Electronics Co., Ltd. System and method for modeling a semiconductor fabrication process
KR20220053029A (ko) * 2019-09-05 2022-04-28 에이에스엠엘 네델란즈 비.브이. 현상 후 이미지에 기초하여 패턴의 결함이 있음을 결정하는 방법
CN114690540A (zh) * 2020-12-30 2022-07-01 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113474811A (zh) * 2019-05-29 2021-10-01 徕卡生物系统成像股份有限公司 数字病理学图像中的感兴趣区域的基于神经网络的标识
WO2021028228A1 (en) * 2019-08-13 2021-02-18 Asml Netherlands B.V. Method for training machine learning model for improving patterning process
KR20220053029A (ko) * 2019-09-05 2022-04-28 에이에스엠엘 네델란즈 비.브이. 현상 후 이미지에 기초하여 패턴의 결함이 있음을 결정하는 방법
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
CN113870170A (zh) * 2020-06-29 2021-12-31 应用材料以色列公司 生成可用于检查半导体样本的训练集
CN115471493A (zh) * 2020-06-29 2022-12-13 应用材料以色列公司 生成可用于检查半导体样本的训练集
US20220092239A1 (en) * 2020-09-23 2022-03-24 Samsung Electronics Co., Ltd. System and method for modeling a semiconductor fabrication process
CN112560392A (zh) * 2020-12-16 2021-03-26 全芯智造技术有限公司 用于处理电路版图的方法、设备和存储介质
CN114690540A (zh) * 2020-12-30 2022-07-01 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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720479A (zh) * 2023-08-10 2023-09-08 腾讯科技（深圳）有限公司 掩膜生成模型训练方法、掩膜生成方法及装置和存储介质
CN116720479B (zh) * 2023-08-10 2024-01-09 腾讯科技（深圳）有限公司 掩膜生成模型训练方法、掩膜生成方法及装置和存储介质

Also Published As

Publication number Publication date
CN116342983B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
KR102550350B1 (ko) 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들
US11755814B2 (en) Method and apparatus for layout pattern selection
TWI475334B (zh) 微影裝置之整合及具多重圖案化製程之光罩最佳化製程
TWI584142B (zh) 基於機器學習之最佳化
TW201918791A (zh) 積體電路製造方法
US11815820B2 (en) Training method for machine learning assisted optical proximity error correction
US10311165B2 (en) Guiding patterns optimization for directed self-assembly
US11079672B2 (en) Method and system for layout enhancement based on inter-cell correlation
CN116342983B (zh) 生成及使用图刻模型的方法、电子设备和计算机可读介质
US20220335290A1 (en) Method for increasing certainty in parameterized model predictions
JP2009508161A (ja) フォトリソグラフィのためのシステム、マスク、及び方法
JP2013015831A (ja) 費用関数ベースの同時ｏｐｃ及びｓｂａｒ最適化のための方法及び装置
US9064078B2 (en) Methods and systems for designing and manufacturing optical lithography masks
KR20230167453A (ko) 제조성에 기초한 패터닝 디바이스 패턴을 결정하기 위한 방법
EP3789923A1 (en) Method for increasing certainty in parameterized model predictions
CN108153995B (zh) 测试图形的选取方法和装置、构建光刻模型的方法和装置
CN112485976A (zh) 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法
EP2113109A1 (en) Simulation site placement for lithographic process models
US10571799B1 (en) Hessian-free calculation of product of Hessian matrix and vector for lithography optimization
CN116841135B (zh) 掩模图案的优化方法、装置、曝光设备及存储介质
US10255397B2 (en) Methods of rasterizing mask layout and methods of fabricating photomask using the same
CN112765893A (zh) 基于遗传算法的掩模侧壁角控制方法、系统、设备及介质
Shiely Machine learning for compact lithographic process models
US20240086607A1 (en) Modeling of a design in reticle enhancement technology
KR102668168B1 (ko) 레이아웃 패턴 선택을 위한 장치 및 방법

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