CN116974139A - 一种快速计算光刻掩膜图像的方法、装置及设备 - Google Patents
一种快速计算光刻掩膜图像的方法、装置及设备 Download PDFInfo
- Publication number
- CN116974139A CN116974139A CN202310964257.8A CN202310964257A CN116974139A CN 116974139 A CN116974139 A CN 116974139A CN 202310964257 A CN202310964257 A CN 202310964257A CN 116974139 A CN116974139 A CN 116974139A
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- network model
- output image
- mask image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000001259 photo etching Methods 0.000 title claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003384 imaging method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000001459 lithography Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 11
- 229920002120 photoresistant polymer Polymers 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000012512 characterization method Methods 0.000 claims description 20
- 230000010354 integration Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 abstract description 15
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明涉及光刻模拟领域,特别是涉及一种快速计算光刻掩膜图像的方法、装置、设备及计算机可读存储介质,通过接收目标版图;将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;根据所述输出图像,确定光刻掩膜图像。本发明利用预训练的神经网络模型具有高数据吞吐和并发执行的特点,有效提升了光刻掩膜图像的计算效率,实现快速成像,同时使用训练输出图像与标准对照图像的差异的梯度的二范数作为所述神经网络模型的损失函数,可以有效利用神经网络的后向梯度,在提升模型的预测准确率的同时,还大大提升了所述神经网络模型的泛化能力。
Description
技术领域
本发明涉及光刻模拟领域,特别是涉及一种快速计算光刻掩膜图像的方法、装置、设备及计算机可读存储介质。
背景技术
随着芯片工艺制程不断向更小尺寸发展,先进芯片制程对光罩掩膜(MASK)、光学邻近矫正(OPC:optical proximity correction)的计算过程中的计算光刻图像仿真效率提出了更高要求。
传统的计算光刻,需要在光线从照射光源到照射透镜,再到光罩掩膜与投影透镜,最后到光刻胶成像的各个步骤中,通过严格的物理算式,展开进行6个自由度的数值积分,最后才能得到光刻胶上的图像结果,计算复杂度高,单次计算需要花费大量的计算时间,效率低下。
进一步地,传统的OPC需要依据对不同形式的光罩掩膜进行仿真优化,以找出最佳图案参数用于实现高精度、良率好的芯片制程,但光罩掩膜上pattern自由度大、可调参数颗粒小,搜索空间庞多,传统严格的数值计算无法满足设计周期及良率要求。换句话说,传统的OPC需要确定多个待选的掩膜版图像,然后逐一进行上述6个自由度的数值积分,选定模拟效果最好的掩膜版图像作为最终掩膜版图像,不难看出,这种OPC方法对系统的算力需求极大,实际运用汇总往往效率过低,不能满足日益增长的先进制程芯片的需要。
因此,如何提升光刻掩膜图像的计算效率,以更好地满足先进制程芯片的要求,是本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种快速计算光刻掩膜图像的方法、装置、设备及计算机可读存储介质,以解决现有技术中模拟效率低、光刻掩膜图像计算速度慢的问题。
为解决上述技术问题,本发明提供一种快速计算光刻掩膜图像的方法,包括:
接收目标版图;
将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;
根据所述输出图像,确定光刻掩膜图像。
可选地,在所述的快速计算光刻掩膜图像的方法中,所述将所述目标版图输入神经网络模型,得到输出图像包括:
将所述目标版图输入神经网络模型,得到多幅输出图像;
相应地,所述根据所述输出图像,确定光刻掩膜图像包括:
根据所述输出图像,通过物理积分法确定对应的光刻胶成像;
分别将所述光刻胶成像与所述目标版图对比,得到与所述输出图像对应的边缘误差;
将所述边缘误差最小的输出图像确定为光刻掩膜图像。
可选地,在所述的快速计算光刻掩膜图像的方法中,在将所述边缘误差最小的输出图像确定为光刻掩膜图像之前,还包括:
判断是否存在低于预设的合格阈值的边缘误差;
当全部的边缘误差均高于所述合格阈值时,确定计算失败,并发出警报。
可选地,在所述的快速计算光刻掩膜图像的方法中,在将所述目标版图输入神经网络模型之前,还包括:
获取光刻表征参数;
相应地,所述将所述目标版图输入神经网络模型,得到输出图像包括:
根据所述光刻表征参数,确定对应的神经网络模型;
将所述目标版图输入所述神经网络模型,得到输出图像。
一种快速计算光刻掩膜图像的装置,包括:
接收模块,用于接收目标版图;
神经网络模块,用于将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;
确定模块,用于根据所述输出图像,确定光刻掩膜图像。
可选地,在所述的快速计算光刻掩膜图像的装置中,所述神经网络模块包括:
复数网络输出单元,用于将所述目标版图输入神经网络模型,得到多幅输出图像;
相应地,所述确定模块包括:
光刻胶图像单元,用于根据所述输出图像,通过物理积分法确定对应的光刻胶成像;
边缘误差单元,用于分别将所述光刻胶成像与所述目标版图对比,得到与所述输出图像对应的边缘误差;
挑选确定单元,用于将所述边缘误差最小的输出图像确定为光刻掩膜图像。
可选地,在所述的快速计算光刻掩膜图像的装置中,所述确定模块,还包括:
合格判断单元,用于判断是否存在低于预设的合格阈值的边缘误差;
失败警报单元,用于当全部的边缘误差均高于所述合格阈值时,确定计算失败,并发出警报。
可选地,在所述的快速计算光刻掩膜图像的装置中,所述接收模块,还包括:
光刻参数获取单元,用于获取光刻表征参数;
相应地,所述神经网络模块包括:
模型选择单元,用于根据所述光刻表征参数,确定对应的神经网络模型;
对应网络单元,用于将所述目标版图输入所述神经网络模型,得到输出图像。
一种快速计算光刻掩膜图像的设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一种所述的快速计算光刻掩膜图像的方法的步骤。
一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的快速计算光刻掩膜图像的方法的步骤。
本发明所提供的一种快速计算光刻掩膜图像的方法,通过接收目标版图;将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;根据所述输出图像,确定光刻掩膜图像。本发明利用预训练的神经网络模型具有高数据吞吐和并发执行的特点,有效提升了光刻掩膜图像的计算效率,实现快速成像,同时使用训练输出图像与标准对照图像的差异的梯度的二范数作为所述神经网络模型的损失函数,可以有效利用神经网络的后向梯度,同时表征图像的对比度,在提升模型的预测准确率的同时,还大大提升了所述神经网络模型的泛化能力,也即本发明的泛用性。本发明同时还提供了一种具有上述有益效果的快速计算光刻掩膜图像的装置、设备及计算机可读存储介质。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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他的附图。
图1为本发明提供的快速计算光刻掩膜图像的方法的一种具体实施方式的流程示意图;
图2为本发明提供的快速计算光刻掩膜图像的方法的另一种具体实施方式的流程示意图;
图3为本发明提供的快速计算光刻掩膜图像的装置的一种具体实施方式的结构示意图。
图中,包括100-接收模块、200-神经网络模块及300-确定模块。
具体实施方式
在业界已经成功使用的EDA(electronic design automation)计算光刻软件中,对于某固定加工基台,按照严格的物理公式仿真计算不同掩膜图案在光刻胶中的图像,为优化成像质量,需要开展OPC,以提升分辨率。海量的掩膜图案需要开展计算光刻图像,逐渐无法满足高性能、小特征尺寸(CD:critical dimension)芯片制造需求。
本发明结合人工神经网络开展固定基台上掩膜图案在光刻胶中的快速成像建模,通过线下训练获取高精度、强泛化的神经网络结构,以实现掩膜图案的快速成像。为提升泛化能力,本发明在线下训练时,损失函数为严格物理模型图像与神经网络预测输出的最小二范数,以提升泛化神经网络泛化能力。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的核心是提供一种快速计算光刻掩膜图像的方法,其一种具体实施方式的流程示意图如图1所示,称其为具体实施方式一,包括:
S101:接收目标版图。
所述目标版图为最终需要得到的目标电路版图,工业生产中得到的版图应尽可能与之相近。
作为一种优选实施方式,还包括:
A1:获取光刻表征参数。
所述光刻表征参数指表征光学系统的参数,如描述基台光源、棱镜、光刻胶等的基台特征数据,具体可为采用Hopkins方法计算得到的传输交叉系数(TCC:transmissioncross-coefficient)数据。本步骤中获取的光刻表征参数应为步骤S101中的目标版图在制作过程中的光刻表征参数。
S102:将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数。
本步骤中使用的神经网络模型在训练过程中使用大量的掩膜图案及通过严格物理仿真得到的成像结果(也即所述标准对照图像),通过所述神经网络模型不断对所述掩膜图案进行光刻模拟,得到所述训练输出图像,并将所述训练输出图像与对应的标准对照图像进行对比,具体来说是对比两图像的差异的二范数。
用关系式表达所述神经网络模型的损失函数如下式(1)所示:
其中,表示空间角谱域f,g的空间微分,Image(NN)表示所述训练输出图像,Image(RS)表示所述标准对照图像,Norm(:,2)表示矩阵的二范数。采用图像的差分形式建立损失函数可以有效利用神经网络的后向梯度,同时表征图像的对比度。因此该损失函数的有效性可有效提升神经网络泛化能力。
优选地,本发明中的神经网络模型包含10个卷积层、6个激活层的U-net网络结构。对于网络输出,需要借鉴严格物理仿真得到的成像结果(也即所述标准对照图像)作为数据标签,但是损失函数定义为图像差异的数值梯度的二范数,以更加准确的描述的图像间的变化特征。
进一步地,所述神经网络模型中的掩膜图案通过三位像素点表示。
接前文中的优选实施方式,本步骤还包括:
A2:根据所述光刻表征参数,确定对应的神经网络模型。
A3:将所述目标版图输入所述神经网络模型,得到输出图像。
当然,每个神经网络模型在训练过程中都需要输入固定的光刻表征参数,表示神经网络模型在某一特定光刻条件下才成立,因此,步骤A2中存在多个预训练的神经网络模型,每个对应的光刻表征参数均不同,在经过步骤A1之后,不仅获得了所述目标版图,还获得了实际生产中为获得所述目标版图的设备对应的光刻表征参数,而在本步骤A2中,即可选用与A1中获得的光刻表征参数对应的神经网络模型进行仿真,也即使本优选实施方式可根据实际需要选用不同的光刻表征参数,增加了生产过程中的灵活度,提升了本发明的泛用性。
S103:根据所述输出图像,确定光刻掩膜图像。
所述输出图像为待确定的掩膜图像。本步骤中将所述待确定的掩膜图像进一步进行筛选或处理,得到所述光刻掩膜图像。
具体地,本步骤中得到的所述神经网络模型的输出图像,可通过后续处理确定所述光刻掩膜图像,或者直接作为所述光刻掩膜图像,可根据实际需要自行选择,本发明在此不作限定。
将前文中训练得到的神经网络模型用于基台上掩膜图案在光刻胶中的快速成像预测,提升计算光刻仿真成像效率。而且对经过海量的图像优化过的OPC用神经网络预测模型,其输出的图像具有很高的精度与准确率。
本发明所提供的一种快速计算光刻掩膜图像的方法,通过接收目标版图;将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;根据所述输出图像,确定光刻掩膜图像。本发明利用预训练的神经网络模型具有高数据吞吐和并发执行的特点,有效提升了光刻掩膜图像的计算效率,实现快速成像,同时使用训练输出图像与标准对照图像的差异的梯度的二范数作为所述神经网络模型的损失函数,可以有效利用神经网络的后向梯度,同时表征图像的对比度,在提升模型的预测准确率的同时,还大大提升了所述神经网络模型的泛化能力,也即本发明的泛用性。
在具体实施方式一的基础上,进一步对所述光刻掩膜图像的确定过程进行改进,得到具体实施方式二,其流程示意图如图2所示,包括:
S201:接收目标版图。
S202:将所述目标版图输入神经网络模型,得到多幅输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数。
在本步骤中,所述神经网络模型不再单独输出一幅掩膜图像,而是输出复数的掩膜图像,均用作后续步骤的备选,当然,本步骤中的多个输出图像,应为在所述神经网络模型中仿真结果类似的掩膜图像。
S203:根据所述输出图像,通过物理积分法确定对应的光刻胶成像。
本步骤中进一步对前步骤中得到的多个所述输出图像的优劣进行比较,所述物理积分法即为前文中提及的严格物理仿真,在前一步骤S202的神经网络模型得到的多个难分优劣的输出图像,在本步骤中通过一步步严格的积分算法,确定它们分别对应的光刻胶图案,也即所述光刻胶成像。
S204:分别将所述光刻胶成像与所述目标版图对比,得到与所述输出图像对应的边缘误差。
将所述光刻胶图像与所述目标版图相对比,得到各自对应的边缘误差,所述边缘误差反映了各个光刻胶成像的图形形状与所述目标版图的图形形状的差异,所述边缘误差越小,两者形状越接近。
S205:将所述边缘误差最小的输出图像确定为光刻掩膜图像。
本具体实施方式与上述具体实施方式的不同之处在于,本具体实施方式中,具体给出了一种所述输出图像的挑选方法,其余步骤均与上述具体实施方式相同,此处不再展开赘述。
本具体实施方式中,令所述神经网络模型不产出一幅,而是产出多幅相近的输出图像,结合目前准确率和精度最高的物理积分法,可在维持地算力消耗的前提下,进一步提升光刻掩膜图像计算的准确率,满足对精度与准确率更加极端的情况,扩大方案的泛用性。
更进一步地,在将所述边缘误差最小的输出图像确定为光刻掩膜图像之前,还包括:
B1:判断是否存在低于预设的合格阈值的边缘误差。
B2:当全部的边缘误差均高于所述合格阈值时,确定计算失败,并发出警报。
所述合格阈值为对所述边缘误差的容忍极限值,如果所述输出图像对应的光刻胶成像与所述目标之间的边缘误差过大(也即超过所述合格阈值时),则舍弃该输出图像,只在剩余的输出图像中选择所述光刻掩膜图像,但如果全部的输出图像对应的边缘误差均高于所述合格阈值,则说明所述神经网络模型的仿真出了问题,此时计算失败,并及时发出警报提醒工作人员。、
当然,所述警报可为声光警报,或对预定的终端机发送警报信息,本发明在此不作限定。
下面对本发明实施例提供的快速计算光刻掩膜图像的装置进行介绍,下文描述的快速计算光刻掩膜图像的装置与上文描述的快速计算光刻掩膜图像的方法可相互对应参照。
图3为本发明实施例提供的快速计算光刻掩膜图像的装置的结构框图,称其为具体实施方式三,参照图3快速计算光刻掩膜图像的装置可以包括:
接收模块100,用于接收目标版图;
神经网络模块200,用于将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;
确定模块300,用于根据所述输出图像,确定光刻掩膜图像。
作为一种优选实施方式,所述神经网络模块200包括:
复数网络输出单元,用于将所述目标版图输入神经网络模型,得到多幅输出图像;
相应地,所述确定模块300包括:
光刻胶图像单元,用于根据所述输出图像,通过物理积分法确定对应的光刻胶成像;
边缘误差单元,用于分别将所述光刻胶成像与所述目标版图对比,得到与所述输出图像对应的边缘误差;
挑选确定单元,用于将所述边缘误差最小的输出图像确定为光刻掩膜图像。
作为一种优选实施方式,所述确定模块300,还包括:
合格判断单元,用于判断是否存在低于预设的合格阈值的边缘误差;
失败警报单元,用于当全部的边缘误差均高于所述合格阈值时,确定计算失败,并发出警报。
作为一种优选实施方式,所述接收模块100,还包括:
光刻参数获取单元,用于获取光刻表征参数;
相应地,所述神经网络模块200包括:
模型选择单元,用于根据所述光刻表征参数,确定对应的神经网络模型;
对应网络单元,用于将所述目标版图输入所述神经网络模型,得到输出图像。
本发明所提供的一种快速计算光刻掩膜图像的装置,通过接收模块100,用于接收目标版图;神经网络模块200,用于将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;确定模块300,用于根据所述输出图像,确定光刻掩膜图像。本发明利用预训练的神经网络模型具有高数据吞吐和并发执行的特点,有效提升了光刻掩膜图像的计算效率,实现快速成像,同时使用训练输出图像与标准对照图像的差异的梯度的二范数作为所述神经网络模型的损失函数,可以有效利用神经网络的后向梯度,同时表征图像的对比度,在提升模型的预测准确率的同时,还大大提升了所述神经网络模型的泛化能力,也即本发明的泛用性。
本实施例的快速计算光刻掩膜图像的装置用于实现前述的快速计算光刻掩膜图像的方法,因此快速计算光刻掩膜图像的装置中的具体实施方式可见前文中的快速计算光刻掩膜图像的方法的实施例部分,例如,接收模块100,神经网络模块200,确定模块300,分别用于实现上述快速计算光刻掩膜图像的方法中步骤S101,S102,S103和S104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明还提供一种快速计算光刻掩膜图像的设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一种所述的快速计算光刻掩膜图像的方法的步骤。本发明所提供的一种快速计算光刻掩膜图像的方法,通过接收目标版图;将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;根据所述输出图像,确定光刻掩膜图像。本发明利用预训练的神经网络模型具有高数据吞吐和并发执行的特点,有效提升了光刻掩膜图像的计算效率,实现快速成像,同时使用训练输出图像与标准对照图像的差异的梯度的二范数作为所述神经网络模型的损失函数,可以有效利用神经网络的后向梯度,同时表征图像的对比度,在提升模型的预测准确率的同时,还大大提升了所述神经网络模型的泛化能力,也即本发明的泛用性。
本发明还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的快速计算光刻掩膜图像的方法的步骤。本发明所提供的一种快速计算光刻掩膜图像的方法,通过接收目标版图;将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;根据所述输出图像,确定光刻掩膜图像。本发明利用预训练的神经网络模型具有高数据吞吐和并发执行的特点,有效提升了光刻掩膜图像的计算效率,实现快速成像,同时使用训练输出图像与标准对照图像的差异的梯度的二范数作为所述神经网络模型的损失函数,可以有效利用神经网络的后向梯度,同时表征图像的对比度,在提升模型的预测准确率的同时,还大大提升了所述神经网络模型的泛化能力,也即本发明的泛用性。
本说明书中各个实施例采用递进的方式描述,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或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的快速计算光刻掩膜图像的方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种快速计算光刻掩膜图像的方法,其特征在于,包括:
接收目标版图;
将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;
根据所述输出图像,确定光刻掩膜图像。
2.如权利要求1所述的快速计算光刻掩膜图像的方法,其特征在于,所述将所述目标版图输入神经网络模型,得到输出图像包括:
将所述目标版图输入神经网络模型,得到多幅输出图像;
相应地,所述根据所述输出图像,确定光刻掩膜图像包括:
根据所述输出图像,通过物理积分法确定对应的光刻胶成像;
分别将所述光刻胶成像与所述目标版图对比,得到与所述输出图像对应的边缘误差;
将所述边缘误差最小的输出图像确定为光刻掩膜图像。
3.如权利要求2所述的快速计算光刻掩膜图像的方法,其特征在于,在将所述边缘误差最小的输出图像确定为光刻掩膜图像之前,还包括:
判断是否存在低于预设的合格阈值的边缘误差;
当全部的边缘误差均高于所述合格阈值时,确定计算失败,并发出警报。
4.如权利要求1所述的快速计算光刻掩膜图像的方法,其特征在于,在将所述目标版图输入神经网络模型之前,还包括:
获取光刻表征参数;
相应地,所述将所述目标版图输入神经网络模型,得到输出图像包括:
根据所述光刻表征参数,确定对应的神经网络模型;
将所述目标版图输入所述神经网络模型,得到输出图像。
5.一种快速计算光刻掩膜图像的装置,其特征在于,包括:
接收模块,用于接收目标版图;
神经网络模块,用于将所述目标版图输入神经网络模型,得到输出图像;所述神经网络模型在训练过程中的损失函数为训练输出图像与标准对照图像的差异的梯度的二范数;
确定模块,用于根据所述输出图像,确定光刻掩膜图像。
6.如权利要求5所述的快速计算光刻掩膜图像的装置,其特征在于,所述神经网络模块包括:
复数网络输出单元,用于将所述目标版图输入神经网络模型,得到多幅输出图像;
相应地,所述确定模块包括:
光刻胶图像单元,用于根据所述输出图像,通过物理积分法确定对应的光刻胶成像;
边缘误差单元,用于分别将所述光刻胶成像与所述目标版图对比,得到与所述输出图像对应的边缘误差;
挑选确定单元,用于将所述边缘误差最小的输出图像确定为光刻掩膜图像。
7.如权利要求6所述的快速计算光刻掩膜图像的装置,其特征在于,所述确定模块,还包括:
合格判断单元,用于判断是否存在低于预设的合格阈值的边缘误差;
失败警报单元,用于当全部的边缘误差均高于所述合格阈值时,确定计算失败,并发出警报。
8.如权利要求5所述的快速计算光刻掩膜图像的装置,其特征在于,所述接收模块,还包括:
光刻参数获取单元,用于获取光刻表征参数;
相应地,所述神经网络模块包括:
模型选择单元,用于根据所述光刻表征参数,确定对应的神经网络模型;
对应网络单元,用于将所述目标版图输入所述神经网络模型,得到输出图像。
9.一种快速计算光刻掩膜图像的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述的快速计算光刻掩膜图像的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的快速计算光刻掩膜图像的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310964257.8A CN116974139A (zh) | 2023-08-01 | 2023-08-01 | 一种快速计算光刻掩膜图像的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310964257.8A CN116974139A (zh) | 2023-08-01 | 2023-08-01 | 一种快速计算光刻掩膜图像的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116974139A true CN116974139A (zh) | 2023-10-31 |
Family
ID=88471110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310964257.8A Pending CN116974139A (zh) | 2023-08-01 | 2023-08-01 | 一种快速计算光刻掩膜图像的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116974139A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541908A (zh) * | 2024-01-10 | 2024-02-09 | 华芯程(杭州)科技有限公司 | 光学检测图像预测模型的训练方法、装置及预测方法 |
-
2023
- 2023-08-01 CN CN202310964257.8A patent/CN116974139A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541908A (zh) * | 2024-01-10 | 2024-02-09 | 华芯程(杭州)科技有限公司 | 光学检测图像预测模型的训练方法、装置及预测方法 |
CN117541908B (zh) * | 2024-01-10 | 2024-04-05 | 华芯程(杭州)科技有限公司 | 光学检测图像预测模型的训练方法、装置及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908071B (zh) | 一种基于神经网络模型的光学邻近校正方法 | |
CN111627799B (zh) | 制造半导体元件的方法 | |
CN110678961A (zh) | 在光学光刻中模拟近场图像 | |
Li et al. | Robust pixel-based source and mask optimization for inverse lithography | |
CN116974139A (zh) | 一种快速计算光刻掩膜图像的方法、装置及设备 | |
US20240019777A1 (en) | Training method and apparatus for lithographic mask generation model, device and storage medium | |
JP2009302206A (ja) | 露光パラメータの決定方法、露光パラメータを決定するためのプログラム、露光方法及びデバイス製造方法 | |
US11853660B2 (en) | System and method for modeling a semiconductor fabrication process | |
CN110361926B (zh) | 光学邻近效应修正模型及其建立方法和掩膜板的形成方法 | |
US10310372B1 (en) | Full-chip hierarchical inverse lithography | |
CN113759657A (zh) | 光学邻近校正方法 | |
CN115457350A (zh) | 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 | |
CN110244523B (zh) | 一体化光刻方法及光刻系统 | |
CN117669473B (zh) | 用于模型校准的方法、电子设备及存储介质 | |
US8049191B2 (en) | Method of transferring pattern of reticle, computer readable storage medium, and method of manufacturing device | |
US9159557B2 (en) | Systems and methods for mitigating print-out defects | |
JP2013140863A (ja) | シミュレーション装置およびシミュレーションプログラム | |
US8875066B2 (en) | Performing image calculation based on spatial coherence | |
CN117313642A (zh) | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 | |
US20230075473A1 (en) | Device and method for enabling deriving of corrected digital pattern descriptions | |
JP2010044101A (ja) | パターン予測方法、プログラム及び装置 | |
CN117518726A (zh) | 光学邻近效应的修正方法 | |
CN110320764B (zh) | 光刻机匹配方法 | |
CN115373212B (zh) | 一种opc建模方法、装置、设备及计算机可读存储介质 | |
US20220392191A1 (en) | Large scale computational lithography using machine learning models |
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 |