CN117148663A - 光学临近修正模型的训练方法、光学临近修正方法 - Google Patents
光学临近修正模型的训练方法、光学临近修正方法 Download PDFInfo
- Publication number
- CN117148663A CN117148663A CN202311163070.4A CN202311163070A CN117148663A CN 117148663 A CN117148663 A CN 117148663A CN 202311163070 A CN202311163070 A CN 202311163070A CN 117148663 A CN117148663 A CN 117148663A
- Authority
- CN
- China
- Prior art keywords
- segment
- information
- optical proximity
- proximity correction
- facing
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 84
- 230000003287 optical effect Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 13
- 239000013598 vector Substances 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 229920002120 photoresistant polymer Polymers 0.000 description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001259 photo etching Methods 0.000 description 5
- 229910052710 silicon Inorganic materials 0.000 description 5
- 239000010703 silicon Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- 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
- 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
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Image Analysis (AREA)
- Databases & Information Systems (AREA)
- Optics & Photonics (AREA)
- Operations Research (AREA)
Abstract
本发明公开了一种光学临近修正模型的训练方法、光学临近修正方法。其中光学临近修正模型的训练方法,包括:对版图的主图形的边缘进行分段;对所得到的分段进行分类;将每个分段的类别、该分段的信息以及该分段的几何环境信息作为光学临近修正模型的输入参数,将每个分段的光学临近修正量作为光学临近修正模型的输出参数,对光学临近修正模型进行训练。本发明可以得到可靠的光学临近修正模型。
Description
技术领域
本发明涉及半导体制造的技术领域,尤其涉及一种光学临近修正模型的训练方法。
背景技术
为实现将图形从掩膜版中转移到硅片表面,通常需要经过曝光步骤、曝光步骤之后进行的显影步骤和显影步骤之后的刻蚀步骤。在曝光步骤中,光线通过掩膜版中透光的区域照射至涂覆有光刻胶的硅片上,光刻胶在光线的照射下发生化学反应;在显影步骤中,利用感光和未感光的光刻胶对显影剂的溶解程度的不同,形成光刻图案,实现图案从掩膜版到光刻胶上的转移;在刻蚀步骤中,基于光刻胶层所形成的光刻图案对硅片进行刻蚀,将掩膜版的图案进一步转移至硅片上。
在半导体制造中,随着设计尺寸的不断缩小,设计尺寸越来越接近光刻成像系统的极限,光的衍射效应变得越来越明显,导致最终对设计图形产生光学影像退化,实际形成的光刻图案相对于掩膜版上的图案发生严重畸变,最终在硅片上经过光刻形成的实际图形和设计图形不同,这种现象称为光学邻近效应(OPE:Optical Proximity Effect)。
为了修正光学邻近效应,便产生了光学邻近修正(OPC:Optical ProximityCorrection)。光学邻近修正的核心思想就是基于抵消光学邻近效应的考虑建立光学邻近修正模型,根据光学邻近修正模型设计光掩模图形,这样虽然光刻后的光刻图形相对应光掩模图形发生了光学邻近效应,但是由于在根据光学邻近修正模型设计光掩模图形时已经考虑了对该现象的抵消,因此,光刻后的光刻图形接近于用户实际希望得到的目标图形。然而,在当前的生产过程一般采用基于规则的OPC方法。
基于规则的OPC方法首先将目标图案边缘分割成许多线段,其长度为几十到几百纳米。每个线段上都放置至少一个采样点,在采样点上沿着与线段垂直方向计算模拟图案及目标图案之间的边缘误差(Edge Placement Error,EPE)。然后根据EPE所得负反馈来通过求解器(solver)来计算相应线段的修正量。上述修正过程是一个循环迭代过程,预期在循环迭代完成时所有线段上的EPE趋近于零。求解器通常使用最陡下降法,共轭梯度法,及其他更为先进的梯度搜索法。但是线段与附近线段之间存在较高的关联性,通常的求解器很难保证循环迭代能获得收敛的OPC结果。为了能得到收敛的OPC结果,目前有利用雅克比矩阵求解器(Jacobi Matrix Solver)来计算,算法基于如下线性响应方程组。
其中n为所考虑版图切片中的线段总数。Δfi及EPEi是第i个线段的修正位移量及EPE。等式左边的雅克比矩阵可以由有限差分法得到。等式右边是各线段的EPE,可以由当前的模拟图形及目标图形确定。通过计算雅克比矩阵的逆矩阵,可获得当前各线段的修正量。上述过程循环迭代几次后,可以获得收敛较好的OPC结果。然而,雅克比矩阵的计算及求逆会耗费大量的计算资源,传统的雅克比矩阵OPC的速度无法到达生产的要求。
另外,目前业界一直在尝试着用基于NN的机器学习运用到OPC领域。譬如,把版图转化像素点矢量,然后NN根据输入像素点矢量得到输出像素点矢量。输出像素点矢量则代表着修正后OPC版图。然而这种做法的效果并不理想,因为把版图用像素点矢量来描述,其特征不明显。即用像素点矢量无法区分不同的版图。这种情况下,NN很难根据输入矢量得到正确的输出矢量。
如何提供一种可靠的光学临近修正模型是待解决的技术问题。
发明内容
为了解决现有技术中光学临近修正模型可靠性较低的技术问题,本发明提出了一种光学临近修正模型的训练方法、光学临近修正方法。
本发明提出的光学临近修正模型的训练方法,包括:
对版图的主图形的边缘进行分段;
对所得到的分段进行分类;
将每个分段的类别、该分段的信息以及该分段的几何环境信息作为光学临近修正模型的输入参数,将每个分段的光学临近修正量作为光学临近修正模型的输出参数,对光学临近修正模型进行训练。
进一步,对版图的主图形的边缘进行分段包括:
定义分段的最小长度范围和最大长度范围;
遍历每一个边缘;
对于当前边缘,通过外部边缘投影的方式产生当前边缘的断点,得到当前边缘的初始分段;
若初始分段的长度大于最大长度范围的最大值,则对初始分段进行均分,使得均分后的每一个边缘分段的长度大于等于最小长度范围的最小值,且小于等于最大长度范围的最大值;
若初始分段的长度小于最小长度范围的最小值,则将初始分段与其相邻且具有最小空间宽度的分段进行合并,使得合并后的边缘分段的长度大于等于最小长度范围的最小值,且小于等于最大长度范围的最大值。
进一步,根据分段在其所属的多边形内的位置对分段进行分类。
进一步,所述分段的类别包括凹角边,凸角边,线端,线端邻边以及普通边当中的至少一种。
进一步,所述分段的信息至少包括分段的长度、分段的线宽以及分段的空间宽度。
进一步,所述分段的几何环境信息至少包括该分段的前继分段的类别、分段信息,后继分段的类别以及分段信息。
进一步,所述分段的几何环境信息至少包括该分段的前继分段的类别、分段信息,后继分段的类别以及分段信息,内部正对分段的类别、分段信息、内部正对分段与该分段的投影长度,外部正对分段的类别、分段信息、外部正对分段与该分段的投影长度。
进一步,所述分段的几何环境信息包括:前继分段的类别、前继分段的信息、后继分段的类别、后继分段的信息、外部正对分段的类别、外部正对分段的信息、外部正对分段与该分段的投影长度、外部正对分段的前继分段的类别、外部正对分段的前继分段的信息、外部正对分段的前继分段与该分段投影长度、外部正对分段的后继分段的类别、外部正对分段的后继分段的信息、外部正对分段的后继分段与该分段的投影长度、内部正对分段的类别、内部正对分段的信息、内部正对分段与该分段的投影长度、内部正对分段的前继分段的类别、内部正对分段的前继分段的信息、内部正对分段的前继分段与该分段的投影长度、内部正对分段的后继分段的类别、内部正对分段的后继分段的信息、内部正对分段的后继分段与该分段的投影长度。
进一步,所述主图形的每一个多边形按照逆时针顺序确定各分段的前后顺序。
本发明提出的光学临近修正方法,包括:
采用上述技术方案的光学临近修正模型的训练方法预先训练得到光学临近修正模型;
对待修正的版图的主图形的边缘进行分段;
对所得到的分段进行分类;
将每个分段的类别、该分段的信息以及该分段的几何环境信息作为所述光学临近修正模型的输入参数,将所述光学临近修正模型的输出作为对应分段的光学临近修正量。
本发明将版图上的每个多边形进行分段,对每个分段进行分类,并基于每个分段本身的信息以及分段的几何环境信息,以及每个分段的光学临近修正量,对光学临近修正模型进行训练,从而得到精准的光学临近修正量。
附图说明
下面结合实施例和附图对本发明进行详细说明,其中:
图1为本发明的主要流程图。
图2为本发明的一实施例的线端(line-end)示意图。
图3为本发明的分段的分类示意图。
图4为本发明一实施例的不同分段对应的种类标注示意图。
图5为本发明的目标图案进行分段示意图。
图6为本发明一实施例所用神经网络示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
由此,本说明书中所指出的一个特征将用于说明本发明的一个实施方式的其中一个特征,而不是暗示本发明的每个实施方式必须具有所说明的特征。此外,应当注意的是本说明书描述了许多特征。尽管某些特征可以组合在一起以示出可能的系统设计,但是这些特征也可用于其他的未明确说明的组合。由此,除非另有说明,所说明的组合并非旨在限制。
本发明的光学临近修正模型的训练方法,其训练的光学临近修正模型,可以采用现有的模型,例如神经网络机器学习模型,或者是其他的机器学习模型。本发明的重点在于输入参数的获取方式,以便得到更为精准的模型输出结果。
如图1所示,本发明的光学临近修正模型的训练方法,包括以下步骤。
对版图的主图形的边缘进行分段。本发明这里所指的版图指的是已经设计出来的芯片的相关版图数据。获取现有芯片设计的大量版图数据,然后对这些版图的主图形的边缘进行分段,即对版图上的每一个多边形(通孔)的边进行分段。
对所得到的分段进行分类,具体的,可以根据每个分段其所述的多边形内所处的位置对所得到的分段进行分类,基于分段的分类,可以得到每个分段的类别。
将每个分段的类别、该分段的信息以及该分段的几何环境信息作为光学临近修正模型的输入参数,将每个分段的光学临近修正量作为光学临近修正模型的输出参数,对光学临近修正模型进行训练。每个分段的光学临近修正量实质上就是每个分段修正前和修正后的位移量,对于现有的芯片设计来说,这些都是可以获得的样本数据。
本发明基于分段的类别以及分段的信息来区分不同的分段,然后配合分段的几何环境信息,也就是分段周围其他关联分段的信息,一起作为输入参数,将每个不同的分段的实际的光学临近修正量作为输出参数,来对光学临近修正模型进行训练,从而使得训练出来的光学临近修正模型可以对一个多边形进行合理的分段,并得到每个分段精准的光学临近修正量。
在一个具体实施例中,以上述技术方案为基础,分段的信息至少包括分段的长度、分段的线宽以及分段的空间宽度。分段的长度指的是分段作为一条线段的长度。分段的线宽(width)指的是分段朝向所属的多边形内投影,投影到该分段的相对边的垂直距离。例如多边形相对的两条边平行,那么其中一条边上的分段的线宽就是这两条平行边之间的距离。分段的空间宽度指的是分段朝向所属的多边形外投影,投影到外部正对分段的垂直距离。例如,第一个多边形的边A与第二个多边形的边B相邻,那么边A上的分段指的是该分段与边B上对应分段之间的距离。
现有技术中,有较多对版图上的多边形(通孔)进行分段的技术方案,为了使得每个分段的类别可以明确,本发明采用了以下的分段方法。
在一个具体实施例中,本发明对版图的主图形的边缘进行分段包括以下步骤。
定义分段的最小长度范围和最大长度范围。
遍历每一个边缘。也就是说,对于版图上的所有多边形,遍历每一个多边形的每一条边。
将当前遍历到的边缘作为当前边缘。对于当前边缘,先通过外部边缘投影的方式产生当前边缘的断点,得到当前边缘的初始分段。也就是说,两个相邻的多边形(中间具有间隔),如果遍历到第一个多边形的一条边,并且该边与第二个多边形相邻,那么第二个多边形朝向第一个多边形的该条边投影,投影两端的端点将产生第一个多边形的该条边上的断点,从而可以将第一个多边形的该条边分为两个分段,或者是三个分段。在这个步骤所产生的分段,本发明称之为初始分段。
再对初始分段进行判断。
若初始分段的长度大于最大长度范围的最大值,则对初始分段进行均分,使得均分后的每一个边缘分段的长度大于等于最小长度范围的最小值,且小于等于最大长度范围的最大值。
若初始分段的长度小于最小长度范围的最小值,则将初始分段与其相邻且具有最小空间宽度的分段进行合并,使得合并后的边缘分段的长度大于等于最小长度范围的最小值,且小于等于最大长度范围的最大值。
如果初始分段小于等于最大长度范围的最大值,并且大于等于最小长度范围的最小值,则初始分段可以作为最终分段,无需再进行均分或者是合并处理。
通过本发明的分段方法,可以得到分段的类别包括凹角边,凸角边,线端,线端邻边以及普通边当中的至少一种。
本发明为了得到每个分段的精准光学临近修正量,在输入参数中加入了分段的几何环境信息。
在一个实施例中,分段的几何环境信息至少包括该分段的前继分段的类别、分段信息,后继分段的类别以及分段信息。也就是说,分段的几何环境信息包括该分段的前继分段的类别,前继分段的长度、前继分段的线宽以及前继分段的空间宽度;后继分段的类别,后继分段的长度、后继分段的线宽以及后继分段的空间宽度。
在另一个实施例中,分段的几何环境信息至少包括该分段的前继分段的类别、分段信息,后继分段的类别以及分段信息,内部正对分段的类别、分段信息、内部正对分段与该分段的投影长度,外部正对分段的类别、分段信息、外部正对分段与该分段的投影长度。也就是说,分段的几何环境信息还可以包括该分段的前继分段的类别,前继分段的长度、前继分段的线宽以及前继分段的空间宽度;后继分段的类别,后继分段的长度、后继分段的线宽以及后继分段的空间宽度;内部正对分段的类别,内部正对分段的长度、内部正对分段的线宽以及后继分段的空间宽度,内部正对分段与该分段的投影长度;外部正对分段的类别,外部正对分段的长度、外部正对分段的线宽以及后继分段的空间宽度,外部正对分段与该分段的投影长度。
在一个较优实施例中,分段的几何环境信息包括:前继分段的类别、前继分段的信息、后继分段的类别、后继分段的信息、外部正对分段的类别、外部正对分段的信息、外部正对分段与该分段的投影长度、外部正对分段的前继分段的类别、外部正对分段的前继分段的信息、外部正对分段的前继分段与该分段投影长度、外部正对分段的后继分段的类别、外部正对分段的后继分段的信息、外部正对分段的后继分段与该分段的投影长度、内部正对分段的类别、内部正对分段的信息、内部正对分段与该分段的投影长度、内部正对分段的前继分段的类别、内部正对分段的前继分段的信息、内部正对分段的前继分段与该分段的投影长度、内部正对分段的后继分段的类别、内部正对分段的后继分段的信息、内部正对分段的后继分段与该分段的投影长度。
在一个具体实施例中,本发明的主图形的每一个多边形按照逆时针顺序确定各分段的前后顺序。
本发明的光学临近修正方法,采用了上述技术方案的光学临近修正模型的训练方法预先训练得到光学临近修正模型,然后对待修正的版图的主图形的边缘进行分段,接着对所得到的分段进行分类,再将每个分段的类别、该分段的信息以及该分段的几何环境信息作为光学临近修正模型的输入参数,将光学临近修正模型的输出作为对应分段的光学临近修正量。
通过本发明训练得到的光学临近修正模型可以得到精准的光学临近修正量。
下面以神经网络机器学习模型为例,对本发明的技术方案进行进一步详细的解释说明。
本发明的设计理念在于:利用神经网络机器学习的矩阵OPC求解方法来代替传统矩阵OPC。对每一个边缘分段(segment)建立一个高维输入矢量作为神经网络的输入。输入矢量包含当前分段及其附近分段的几何信息。然后使用现有由传统矩阵OPC获得的版图对神经网络及其学习模型进行训练。由传统基于模型矩阵OPC获得的版图,对每个分段可以获得一个输入矢量包含当前分段及其附近分段的几何信息;以及当前分段OPC修正量。因此本发明有大量的数据来训练神经网络;最终的可以基于神经网络来开展快速而有效的矩阵OPC修正,并得到令人满意的效果。
如图1所示,先建立一个神经网络机器学习模型,该模型包含输入层、中间层以及输出层。输入层需要输入高维输入矢量(3维以上),高维输入矢量用来描述当前分段的几何环境。输出层只有一个节点,该节点就是当前分段的光学临近修正量(OPC修正量)。换而言之,神经网络机器学习模型将根据当前分段的详尽的几何信息得到OPC的修正量。模型的中间层可以通过现有方法建立。
无论是模型训练,还是利用模型得到对应的OPC修正量,都需要对对应的主图形的边缘分段(segment)进行分类。该实施例中,分段的种类包括凹角边2(concave side),凸角边3(convex side),线端1(line-end),线端邻边4(line-end adjacent),以及普通边5(run-side)。
图2是线端(line-end)示意图。线端1的定义如下:边缘长度小于50纳米,其两个邻边对其形成的长宽比超过1.5。
图3展示了一个目标图形的边缘分段的分类。以图3中的一条边缘为例,其被分为了多个分段,分别为00、01、02、03、04。图3中分段01为分段02的前继分段(previoussegment),而分段03为分段02的后继分段(next segment)。
图4给出了每种分段的种类,也可以称之为权重weight。图4中对应的种类数值只是为了区分不同的分段,并非数值越大权重越大。数值大小对于分段的种类并没有任何影响,只需要不同类型的分段对应的数值不同。
图5给出了具体的分段示意图。分段由各条边上的断点定义出。首先如他8中虚线所示,通过外部边缘的投影的方式产生当前边缘上的断点。每个分段的最小长度为20-25纳米,最大长度为40-100纳米。线端邻边(line-end adjacent)的长度为20-25纳米,与分段最小长度保持一致(由图中箭头所示)。由以上方法产生的每个分段都有特定的线宽(width)及空间宽度(space)。有时候,投影的方式会产生比最小长度更短的分段(如图中绿色水平虚线所示)。过短的分段将和相邻并具有最小空间宽度的分段合并。
图6展示了本发明一实施例所用的神经网络。其中输入层包含42个节点用于描述当前分段的几何环境,输出层则包含1个节点表示当前分段的OPC修正量。其中,外部正对分段定义为最靠近当前分段,并具有最长平行重叠部分的外部多边形上的分段;而内部部正对分段定义为最靠近当前分段,并具有最长平行投影长度的外部多边形上的分段。
在该实施例中,输入层的42个节点的具体内容如下。
节点1:当前分段的种类。
节点2:当前分段的长度。
节点3:当前分段的线宽。
节点4:当前分段的空间宽度。
节点5:前继分段的权重。
节点6:前继分段的长度。
节点7:前继分段的线宽。
节点8:前继分段的空间宽度。
节点9:后继分段的权重。
节点10:后继分段的长度。
节点11:后继分段的线宽。
节点12:后继分段的空间宽度。
节点13:外部正对分段的权重。
节点14:外部正对分段的长度。
节点15:外部正对分段的线宽。
节点16:外部正对分段的空间宽度。
节点17:外部正对分段和当前分段投影长度。
节点18:外部正对分段的前继分段的权重。
节点19:外部正对分段的前继分段的长度。
节点20:外部正对分段的前继分段的线宽。
节点21:外部正对分段的前继分段的空间宽度。
节点22:外部正对分段的前继分段和当前分段投影长度。
节点23:外部正对分段的后继分段的权重。
节点24:外部正对分段的后继分段的长度。
节点25:外部正对分段的后继分段的线宽。
节点26:外部正对分段的后继分段的空间宽度。
节点27:外部正对分段的后继分段和当前分段投影长度。
节点28:内部正对分段的权重。
节点29:内部正对分段的长度。
节点30:内部正对分段的线宽。
节点31:内部正对分段的空间宽度。
节点32:内部正对分段和当前分段投影长度。
节点33:内部正对分段的前继分段的权重。
节点34:内部正对分段的前继分段的长度。
节点35:内部正对分段的前继分段的线宽。
节点36:内部正对分段的前继分段的空间宽度。
节点37:内部正对分段的前继分段和当前分段投影长度。
节点38:内部正对分段的后继分段的权重。
节点39:内部正对分段的后继分段的长度。
节点40:内部正对分段的后继分段的线宽。
节点41:内部正对分段的后继分段的空间宽度。
节点42:内部正对分段的后继分段和当前分段投影长度。
本发明先对一个复杂的实际版图中的目标图案做基于模型矩阵OPC的修正,并得到OPC图案。实际版图中的目标图案,经过分段处理。所有分段及其种类由图4所示。假设当前目标图案分段由红色虚线方框圈出,其几何环境作为神经网络机器学习模型的输入。通过计算红色虚线方框内的OPC图案分段相对当前目标图案分段的位移得到当前分段的OPC修正量,并作为神经网络机器学习模型的输出。这样本发明就能获得大量的输入-输出数据对,用于优化神经网络机器学习模型的各个参数,获得最终用于能OPC修正的神经网络机器学习模型。
基于现有的测试数据,使用本发明的模型,所得OPC修正精度可以达到1-2纳米,远高于基于规则的OPC方法。其所需计算资源与基于规则OPC方法相当,运算速度远高于传统基于模型矩阵OPC方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光学临近修正模型的训练方法,其特征在于,包括:
对版图的主图形的边缘进行分段;
对所得到的分段进行分类;
将每个分段的类别、该分段的信息以及该分段的几何环境信息作为光学临近修正模型的输入参数,将每个分段的光学临近修正量作为光学临近修正模型的输出参数,对光学临近修正模型进行训练。
2.如权利要求1所述的光学临近修正模型的训练方法,其特征在于,对版图的主图形的边缘进行分段包括:
定义分段的最小长度范围和最大长度范围;
遍历每一个边缘;
对于当前边缘,通过外部边缘投影的方式产生当前边缘的断点,得到当前边缘的初始分段;
若初始分段的长度大于最大长度范围的最大值,则对初始分段进行均分,使得均分后的每一个边缘分段的长度大于等于最小长度范围的最小值,且小于等于最大长度范围的最大值;
若初始分段的长度小于最小长度范围的最小值,则将初始分段与其相邻且具有最小空间宽度的分段进行合并,使得合并后的边缘分段的长度大于等于最小长度范围的最小值,且小于等于最大长度范围的最大值。
3.如权利要求1所述的光学临近修正模型的训练方法,其特征在于,根据分段在其所属的多边形内的位置对分段进行分类。
4.如权利要求3所述的光学临近修正模型的训练方法,其特征在于,所述分段的类别包括凹角边,凸角边,线端,线端邻边以及普通边当中的至少一种。
5.如权利要求1所述的光学临近修正模型的训练方法,其特征在于,所述分段的信息至少包括分段的长度、分段的线宽以及分段的空间宽度。
6.如权利要求1所述的光学临近修正模型的训练方法,其特征在于,所述分段的几何环境信息至少包括该分段的前继分段的类别、分段信息,后继分段的类别以及分段信息。
7.如权利要求6所述的光学临近修正模型的训练方法,其特征在于,所述分段的几何环境信息至少包括该分段的前继分段的类别、分段信息,后继分段的类别以及分段信息,内部正对分段的类别、分段信息、内部正对分段与该分段的投影长度,外部正对分段的类别、分段信息、外部正对分段与该分段的投影长度。
8.如权利要求6所述的光学临近修正模型的训练方法,其特征在于,所述分段的几何环境信息包括:前继分段的类别、前继分段的信息、后继分段的类别、后继分段的信息、外部正对分段的类别、外部正对分段的信息、外部正对分段与该分段的投影长度、外部正对分段的前继分段的类别、外部正对分段的前继分段的信息、外部正对分段的前继分段与该分段投影长度、外部正对分段的后继分段的类别、外部正对分段的后继分段的信息、外部正对分段的后继分段与该分段的投影长度、内部正对分段的类别、内部正对分段的信息、内部正对分段与该分段的投影长度、内部正对分段的前继分段的类别、内部正对分段的前继分段的信息、内部正对分段的前继分段与该分段的投影长度、内部正对分段的后继分段的类别、内部正对分段的后继分段的信息、内部正对分段的后继分段与该分段的投影长度。
9.如权利要求6所述的光学临近修正模型的训练方法,其特征在于,所述主图形的每一个多边形按照逆时针顺序确定各分段的前后顺序。
10.一种光学临近修正方法,其特征在于,包括:
采用如权利要求1至9任意一项所述的光学临近修正模型的训练方法预先训练得到光学临近修正模型;
对待修正的版图的主图形的边缘进行分段;
对所得到的分段进行分类;
将每个分段的类别、该分段的信息以及该分段的几何环境信息作为所述光学临近修正模型的输入参数,将所述光学临近修正模型的输出作为对应分段的光学临近修正量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163070.4A CN117148663A (zh) | 2023-09-08 | 2023-09-08 | 光学临近修正模型的训练方法、光学临近修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163070.4A CN117148663A (zh) | 2023-09-08 | 2023-09-08 | 光学临近修正模型的训练方法、光学临近修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117148663A true CN117148663A (zh) | 2023-12-01 |
Family
ID=88911763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311163070.4A Pending CN117148663A (zh) | 2023-09-08 | 2023-09-08 | 光学临近修正模型的训练方法、光学临近修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148663A (zh) |
-
2023
- 2023-09-08 CN CN202311163070.4A patent/CN117148663A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI696125B (zh) | 用於計算微影之機器學習模型的訓練方法 | |
US20200320246A1 (en) | Method of post optical proximity correction (opc) printing verification by machine learning | |
US7650587B2 (en) | Local coloring for hierarchical OPC | |
US6625801B1 (en) | Dissection of printed edges from a fabrication layout for correcting proximity effects | |
US6453457B1 (en) | Selection of evaluation point locations based on proximity effects model amplitudes for correcting proximity effects in a fabrication layout | |
US11113445B2 (en) | Hotspot detection based on litho-aware machine learning | |
CN111627799B (zh) | 制造半导体元件的方法 | |
JPH10326010A (ja) | フォトマスクのパターン補正方法およびそれにより補正されたフォトマスク、並びにフォトマスクのパターン補正装置 | |
JP2004502973A (ja) | モデルベース光近接補正用収束技術 | |
US20200133117A1 (en) | Method and system for layout enhancement based on inter-cell correlation | |
JP5355112B2 (ja) | パターンレイアウト作成方法 | |
CN111310407A (zh) | 基于机器学习进行逆向光刻最优特征向量设计的方法 | |
TWI810679B (zh) | 決定半導體或平板顯示器製造之形狀的方法與系統 | |
CN109491195A (zh) | 一种建立辅助图形曝光模型的方法 | |
CN115981115B (zh) | 光学邻近校正方法、装置、计算机设备和存储介质 | |
US20100099032A1 (en) | System for generating and optimizing mask assist features based on hybrid (model and rules) methodology | |
KR20220040308A (ko) | 반도체 공정을 모델링하기 위한 시스템 및 방법 | |
Shin | Computational lithography using machine learning models | |
Meng et al. | Machine learning models for edge placement error based etch bias | |
JP2000214577A (ja) | パタ―ン歪検出方法、パタ―ン歪検出装置およびその記録媒体 | |
Hou et al. | Optical Proximity Correction, Methodology and Limitations | |
US20230141388A1 (en) | Device and method for generating photomasks | |
US20140082572A1 (en) | Method of generating assistant feature | |
CN117148663A (zh) | 光学临近修正模型的训练方法、光学临近修正方法 | |
US7275225B2 (en) | Correcting design data for manufacture |
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 |