CN117094278A - 一种基于网格索引的光刻热点数据处理和检测方法 - Google Patents
一种基于网格索引的光刻热点数据处理和检测方法 Download PDFInfo
- Publication number
- CN117094278A CN117094278A CN202310898489.8A CN202310898489A CN117094278A CN 117094278 A CN117094278 A CN 117094278A CN 202310898489 A CN202310898489 A CN 202310898489A CN 117094278 A CN117094278 A CN 117094278A
- Authority
- CN
- China
- Prior art keywords
- hot spot
- layout
- geometric information
- grid
- information
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001259 photo etching Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000001459 lithography Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 2
- 238000000265 homogenisation Methods 0.000 abstract description 4
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000000671 immersion lithography Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
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
- G06F30/394—Routing
- G06F30/3947—Routing global
-
- 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
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明公开了一种基于网格索引的光刻热点数据处理和检测方法，本发明首先通过构建了基于网格结构的版图索引进行版图光刻热点区域数据的快速提取，以得到具体的热点和非热点版图信息。通过设计并应用的样本处理算法将对应的版图热点信息进行几何信息均匀化和拓扑结构统一化，从而简化了热点特征的复杂性，同时保留了对于热点检测至关重要的信息。最后通过构建的目标检测模型进行光刻热点检测，从而在保证检测速度的同时，实现了高准确率。
Description
技术领域
本发明属于集成电路设计自动化领域，尤其是一种集成电路版图光刻热点的检测构建方法。
技术背景
在集成电路生产过程中，需要将版图制成掩模，再将掩模上的图案通过光刻转移到硅片上，光刻的质量决定了生成芯片的质量。为了提高集成电路的良品率，各种分辨率增强技术被提出，如沉浸式光刻，离轴照明技术，多重掩模技术，光学邻近校正等等。进一步地，为了从产业链角度彻底解决各种缺陷，设计规则检查，版图原理图比对等集成电路可制造性设计技术被业界所提倡。但是在亚微米波长光刻条件下并伴随着集成电路工艺节点的不断改进，上述技术不能彻底解决这些存在的问题，在最后的芯片上如桥连和断线等缺陷仍然会存在，这些缺陷被称之为光刻热点。光刻热点可能在电路的运行中产生开路或短路现象，造成集成电路的损坏。所以设计厂商必须通过模型预测版图制造的结果。版图的光刻热点检测已经成为集成电路制造过程中的一个不可缺少的环节，是集成电路可制造性设计DFM流程中的重要一环。
评价光刻的热点检测方法的好坏主要着重于三个方面：热点检测的准确率，热点检测的速度，以及对未知热点的检测能力。光刻热点检测根据检测方法的不同大致可以分为三类：基于光刻仿真的光刻热点检测，基于图案匹配的光刻热点检测和基于机器学习的光刻热点检测。其中光刻仿真检测是最严格和标准的光刻热点检测，但是其需要详细工艺参数和仿真需要花费大量仿真时间，这使得这种方法成为一种很好却难以实际应用的方法。基于图案匹配的光刻热点检测是另一种常用的光刻热点检测方法，但是需要根据已知的光刻热点建立光刻热点库，因此对于未知的热点，该方法没有检测能力。在基于机器学习方法的光刻热点检测中，尤其是基于神经网络的光刻热点检测方法，在硬件水平的提高和对算法的不断优化的当下表现出了极大的潜力。
发明内容
技术问题：本发明的目的是提供一种基于网格索引的光刻热点数据处理和检测方法，要解决的技术问题是集成电路版图光刻热点检测问题，快速准确分类和识别集成电路版图中的光刻热点，并且对未知热点有一定检测能力。
技术方案：本发明的一种基于网格索引的光刻热点数据处理和检测方法，该检测方法包括以下步骤：
步骤1，根据提供的光刻热点版图大小构建对应的网格索引，每个网格的几何区域称为tile，每个网格的对应数据称为Bin结构；
步骤2，通过构建网格索引，快速准确地提取训练版图的热点和非热点几何信息；
步骤3，将得到的热点和非热点信息通过样本处理算法进行处理，得到几何信息均匀化和拓扑结构统一化的数据；
步骤4，将得到的数据，输入构建的热点分类模型或热点检测模型进行模型训练；
步骤5，根据测试版图的大小构建网格索引，并提取测试版图的热点和非热点几何信息，以与步骤3中同样的方法进行处理，得到几何信息均匀化和拓扑结构统一化的数据，最后将数据送入步骤4训练好的模型中进行测试。
步骤1中，构建的网格索引与覆盖版图的大小以及当前版图多边形的坐标相关，tile的大小由覆盖版图的大小和版图所有多边形的数据所决定；首先将版图中的所有曼哈顿多边形使用算法分解成矩形，接着将矩形关联到对应位置的Bin中。
步骤2中，提取训练版图的热点和非热点几何信息使用的是网格查询，根据光刻热点标记区域的坐标需要到对应的tile编号，进而通过Bin进行快速查询标记区域对应的热点信息，进而得到光刻热点区域数据。
步骤3中，样本处理算法如下：
光刻热点区域的横坐标处理，首先将得到的热点区域信息L和需要拓展后维度dx作为输入，热点区域的信息由坐标构成，将几何信息按照坐标排序去重得到原始几何信息gx；将L/dx得到期望平均几何长度t，使用原始几何信息gx的每个区间除以t并与1取最大值获取几何信息的初始化区间长度；
为了进一步的几何信息均匀化和达到所指定维度要求，在循环处理热点区域信息的过程中始终是寻找到当前几何信息的每个区间长度被划分后的小区间的最大的原始区间，并将其划分数量+1，直到几何信息划分的维度等于需要扩展后的维度dx；对应光刻热点区域的横坐标处理也是如此。
在步骤4中：模型训练根据不同的分类或检测情况选择不同的网络，使用ResNet50的高效分类网络作为后续目标检测网络的主干提取网络，选择Faster R-CNN的对静态目标检测的目标检测网络作为光刻热点检测的主网络。
有益效果：
(1)由于本发明构建了基于Bin结构的网格索引，因此可以有效地捕捉和提取热点和非热点版图的信息，并减少版图热点区域数据提取所消耗的时间，进一步可以自由定制提取数据，从而给与后续模型更加多样的训练样本，这一定程度上加快了整个光刻热点检测流程的处理速度；
(2)由于本发明的样本处理算法的优越性，在进行几何信息均匀化和拓扑结构归一化后，使得在最大程度上保留原始版图数据信息的前提下降低了训练数据量，并进一步保留了数据的一致性和可比性，从而使得后续得以训练出更好的网络模型和得到光刻热点检测结果；
(3)由于经过本发明的样本处理算法后的特征向量输出结果类似于RGB三通道图案，使得现有的图案分类算法和目标识别检测算法可以完全兼容本发明下光刻热点检测，使得最新的优秀的图案分类模型和目标识别检测模型可以容易的迁移学习到本发明中，从而得到优秀的目标检测结果；进一步地，由于对于多层版图同样可以利用本发明的方法，因此本发明对于多层版图的光刻热点检测仍然适用；
附图说明
图1是算法的整体流程图，
图2是多边形分解算法的示意图，
图3是网格索引构建和查询示意图，
图4是热点特征数据处理示意图。
具体实施方案
下面结合附图对本发明做进一步说明，
图1是对算法的整体概述。该方法包括以下步骤：
步骤1，根据提供的光刻热点版图大小构建对应的网格索引，每个网格的几何区域称为tile，每个网格的对应数据称为Bin结构；
步骤2，通过构建网格索引，快速准确地提取训练版图的热点和非热点几何信息；
步骤3，将得到的热点和非热点信息通过样本处理算法进行处理，得到几何信息均匀化和拓扑结构统一化的数据；
步骤4，将得到的数据，输入构建的热点分类模型或热点检测模型进行模型训练；
步骤5，根据测试版图的大小构建网格索引，并提取测试版图的热点和非热点几何信息，以与步骤3中同样的方法进行处理，得到几何信息均匀化和拓扑结构统一化的数据，最后将数据送入步骤4训练好的模型中进行测试。
(1)由于区域查询的特点，版图中曼哈顿多边形并不适合与构建区域查询索引。所以需要在读入集成电路版图多边形后，将曼哈顿多边形分解成基本矩形，以便构建区域查询索引，并同时增强区域查询速度。对于多边形的分解，如图2所示，任意一个曼哈顿多边形都有着它的最小边界框，获取其最小边界框。将指定的曼哈顿多边形按照边的顺时针或者逆时针顺序分解为边的组合，根据边指向的方向以及是否与最小边界框重合选择是否与最小边界框重建多边形。可以将重建的矩形划分为两类，一类为真实矩形(即在其中包含真实的矩形块)，一类为虚假矩形(即在其中不包含真实的矩形块)。在所有真实矩形中除去与所有的虚假矩形重合的区域，得到的便是原始曼哈顿多边形分解后的矩形。在此之中会发生矩形的重建，重建的过程与两个矩形的位置相关；以图二中多边形为例，曼哈顿多边形M由其多边形顶点坐标获取其最小边界框m。遍历M的各个边，有且仅有边a，b，c是不与多边形最小边界框上边框重合的边，记录下三边。以此三边重构矩形，重构的原则在于和多边形最小边框上边框进行重建矩形。根据边的指向左右方向，确定重建的矩形A和B是真实矩形，矩形C是虚假矩形。最后使用矩形A和B做bool操作减矩形C，获取M的多边形分解结果A1，A2，B2；
(2)在利用网格索引进行查询之前需要进行网格索引的构建，网格索引构建需要使用到上一步的分解后的矩形。根据矩形的数目和所有矩形所占的最小的左下角坐标和最大的右上角坐标，构建网格索引的范围以及网格索引每一个网格所占尺寸的大小。将所有分解矩形关联到对应的网格索引上，若同一矩形与多个网格索引相关，则关联到多个网格索引上；如图三所示，A，B，C是版图上任意三个多边形，tileD是该网格区域的名称，tileD与多边形A，B，C存在接触，于是将tileD与多边形A，B，C皆相关联。
(3)由于网格索引查询的特点，查询时需要根据查询区域的坐标找到相关联的网格区域，找到上一步网格区域中相关联的分解后的矩形，进而与查询区域进行接触查询。在此之中需要注意，为了避免重复检测碰撞，即同一个基本图形同时分配到多个tile中，而查询区域又同时覆盖了这些tile，从而多次查询到同一个图形。需要一个查询标志，此标志在查询时启用，查询后关闭，当查询对象已有此标志时，将会跳过接触检测，从而保证了查询速度与查询准确率。正如图3所示，查询区域E与其覆盖的包括tileD的6个tile相关联。在查找整个版图中与查询区域E相接触的目标多边形时，便会分别检查与查询区域E与其相关联的tile中的相关联的多边形是否存在接触。假设tileD被先检查，则多边形A和B被检测到接触，设定参数排除这两多边形，以排除后续的进一步重复查找。
(4)由于样本提取算法的特点，网格索引查询到的数据需要进行几何信息均匀化和拓扑结构均匀化。具体的实施步骤如下：将上一步网格索引查询到坐标横纵数据进行去重排序，获取光刻热点的原始几何信息；根据原始几何信息和热点标记区域的矩形坐标获取热点的原始拓扑信息；确定几何信息均匀化后的目标维度，在循环中寻找当前几何信息中区间坐标差距最大的区间块，插入扫描线即该区间块的划分数目+1，更新该区间块的坐标差距值。如此循环直到插入后的维度数目等于设定的目标维度数目。具体例子如下图4所示，原始拓扑结构和几何信息如图4的上半部分。设定目标维度为4，均值化后的几何信息和归一化后的拓扑结构如图4的下半部分。在算法中，首先找到横坐标最大的几何信息区域a，插入扫描线此时最大几何区域a变为两个几何区域a/2，当前维度为3未达到目标维度，继续插入扫描线。当前最大几何信息区间为b，于是插入扫描线最大几何信息区间b变为两个b/2区间，当前维度为4等于设定的目标维度。值得注意的是，如若设定维度为5，进一步划分区间时，选择的是将a划分为a/3，而并不是将a/2划分为a/4，这进一步保证了几何信息的均匀性；
(5)由于提取的数据具有与图像处理相似的特性，该方法能够可以轻松地利用已经在图像领域训练好的模型参数进行迁移学习。这种迁移学习的方式极大地减少了训练时间，特别是在样本较少的情况下，仍然能够获得准确性较高的模型。这种迁移学习的方式极大地减少了训练时间，特别是在样本较少的情况下，仍然能够训练出准确性较高的模型。通过选择先进的目标识别模型，如Faster R-CNN等，并结合优秀的主干提取网络，如ResNet50等，可以进一步提高光刻热点识别的准确性和效率。
Claims (5)
1.一种基于网格索引的光刻热点数据处理和检测方法，其特征在于，该方法包括以下步骤：
步骤1，根据提供的光刻热点版图大小构建对应的网格索引，每个网格的几何区域称为tile，每个网格的对应数据称为Bin结构；
步骤2，通过构建网格索引，快速准确地提取训练版图的热点和非热点几何信息；
步骤3，将得到的热点和非热点信息通过样本处理算法进行处理，得到几何信息均匀化和拓扑结构统一化的数据；
步骤4，将得到的数据，输入构建的热点分类模型或热点检测模型进行模型训练；
步骤5，根据测试版图的大小构建网格索引，并提取测试版图的热点和非热点几何信息，以与步骤3中同样的方法进行处理，得到几何信息均匀化和拓扑结构统一化的数据，最后将数据送入步骤4训练好的模型中进行测试。
2.根据权利要求1所述一种基于网格索引的光刻热点数据处理和检测方法，其特征在于，步骤1中，构建的网格索引与覆盖版图的大小以及当前版图多边形的坐标相关，tile的大小由覆盖版图的大小和版图所有多边形的数据所决定；首先将版图中的所有曼哈顿多边形使用算法分解成矩形，接着将矩形关联到对应位置的Bin中。
3.根据权利要求1所述一种基于网格索引的光刻热点数据处理和检测方法，其特征在于，步骤2中，提取训练版图的热点和非热点几何信息使用的是网格查询，根据光刻热点标记区域的坐标需要到对应的tile编号，进而通过Bin进行快速查询标记区域对应的热点信息，进而得到光刻热点区域数据。
4.根据权利要求1所述一种基于网格索引的光刻热点数据处理和检测方法，其特征在于，步骤3中，样本处理算法如下：
光刻热点区域的横坐标处理，首先将得到的热点区域信息L和需要拓展后维度dx作为输入，热点区域的信息由坐标构成，将几何信息按照坐标排序去重得到原始几何信息gx；将L/dx得到期望平均几何长度t，使用原始几何信息gx的每个区间除以t并与1取最大值获取几何信息的初始化区间长度；
为了进一步的几何信息均匀化和达到所指定维度要求，在循环处理热点区域信息的过程中始终是寻找到当前几何信息的每个区间长度被划分后的小区间的最大的原始区间，并将其划分数量+1，直到几何信息划分的维度等于需要扩展后的维度dx；对应光刻热点区域的横坐标处理也是如此。
5.根据权利要求1所述一种基于网格索引的光刻热点数据处理和检测方法，其特征在于，在步骤4中：模型训练根据不同的分类或检测情况选择不同的网络，使用ResNet50的高效分类网络作为后续目标检测网络的主干提取网络，选择FasterR-CNN的对静态目标检测的目标检测网络作为光刻热点检测的主网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310898489.8A CN117094278A (zh) | 2023-07-21 | 2023-07-21 | 一种基于网格索引的光刻热点数据处理和检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310898489.8A CN117094278A (zh) | 2023-07-21 | 2023-07-21 | 一种基于网格索引的光刻热点数据处理和检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117094278A true CN117094278A (zh) | 2023-11-21 |
Family
ID=88768891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310898489.8A Pending CN117094278A (zh) | 2023-07-21 | 2023-07-21 | 一种基于网格索引的光刻热点数据处理和检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094278A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117891143A (zh) * | 2024-02-21 | 2024-04-16 | 广东工业大学 | 基于2d重叠判断的光刻热点检测方法 |
-
2023
- 2023-07-21 CN CN202310898489.8A patent/CN117094278A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117891143A (zh) * | 2024-02-21 | 2024-04-16 | 广东工业大学 | 基于2d重叠判断的光刻热点检测方法 |
| CN117891143B (zh) * | 2024-02-21 | 2024-07-23 | 广东工业大学 | 基于2d重叠判断的光刻热点检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10754309B2 (en) | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow | |
| TWI808815B (zh) | 半導體製作製程控制之系統及方法，以及電腦程式產品 | |
| KR102432428B1 (ko) | 웨이퍼 이미지 데이터와 함께 설계 데이터를 사용하는 반도체 웨이퍼 검사기들의 결함 감도 개선 | |
| TWI733425B (zh) | 尺寸測量裝置、尺寸測量程式及半導體製造系統 | |
| JP5075646B2 (ja) | 半導体欠陥検査装置ならびにその方法 | |
| US7962864B2 (en) | Stage yield prediction | |
| CN110291621B (zh) | 用于识别集成电路缺陷的方法和系统 | |
| JP4791267B2 (ja) | 欠陥検査システム | |
| US7231079B2 (en) | Method and system for inspecting electronic circuit pattern | |
| WO2020011648A1 (en) | Pattern grouping method based on machine learning | |
| JP2016136151A (ja) | 検査データと組み合わせて設計データを使用するための方法 | |
| JP2001338304A (ja) | パターン検査装置、パターン検査方法および記録媒体 | |
| WO2008077100A2 (en) | Systems and methods for creating inspection recipes | |
| JP2011017705A (ja) | パターン検査装置、パターン検査方法および記録媒体 | |
| CN117094278A (zh) | 一种基于网格索引的光刻热点数据处理和检测方法 | |
| TW202142833A (zh) | 圖像產生系統 | |
| CN113439276A (zh) | 基于机器学习的半导体样本中的缺陷分类 | |
| US20120259574A1 (en) | Designed-based yield management system | |
| KR102385664B1 (ko) | 설계 임계성 분석이 증대된 프로세스 윈도우 검정 샘플링 | |
| JP4597509B2 (ja) | パターン検査装置およびパターン検査方法 | |
| US20190325103A1 (en) | Fast pattern matching | |
| US11988613B2 (en) | Care area based defect detection | |
| CN114616571A (zh) | 兴趣点周围的半导体布局环境 | |
| JP7373675B2 (ja) | 検査対象の欠陥パターンの抽出装置、抽出方法及び記憶媒体 | |
| CN113868997A (zh) | 基于与缺陷相关联的计算机辅助设计标识符来分割缺陷 |
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 |