CN117289543A - 基于深度学习的光刻模型生成方法以及掩模制造方法 - Google Patents

基于深度学习的光刻模型生成方法以及掩模制造方法 Download PDF

Info

Publication number
CN117289543A
CN117289543A CN202310566686.XA CN202310566686A CN117289543A CN 117289543 A CN117289543 A CN 117289543A CN 202310566686 A CN202310566686 A CN 202310566686A CN 117289543 A CN117289543 A CN 117289543A
Authority
CN
China
Prior art keywords
image data
model
mask
data
deep learning
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
Application number
CN202310566686.XA
Other languages
English (en)
Inventor
吕尚哲
梁宰圆
李�赫
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics 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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN117289543A publication Critical patent/CN117289543A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/70—Adapting basic layout or design of masks to lithographic process requirements, e.g., second iteration correction of mask patterns for imaging
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45028—Lithography

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Electron Beam Exposure (AREA)

Abstract

提供了一种反映掩模偏差变化的可靠的光刻模型生成方法和包括该光刻模型生成方法的掩模制造方法。该光刻模型生成方法包括准备用于学习的基本图像数据，准备指示掩模偏差变化的变换图像数据，通过组合基本图像数据和变换图像数据执行深度学习来生成光刻模型，以及验证光刻模型。

Description

基于深度学习的光刻模型生成方法以及掩模制造方法
相关申请的交叉引用
本申请基于于2022年6月23日向韩国知识产权局提交的韩国专利申请No.10-2022-0077085并要求其优先权，其公开内容通过引用整体并入本文。
技术领域
本公开的实施例涉及掩模(mask)制造方法，并且更具体地，涉及基于深度学习的光刻(lithography)模型生成方法以及包括该光刻模型生成方法的掩模制造方法。
背景技术
在半导体工艺中，可以执行使用掩模的光刻工艺，以在半导体衬底(诸如晶片)上形成图案。掩模可以被称为具有不透明材料的图案形状的图案转移体(pattern-transferred body)，其形成在透明基层材料上。为了制造该掩模，首先设计所需图案的布局，然后将通过光学邻近校正(optical proximity correction，OPC)获得的经OPC的布局数据作为掩模送交制造(mask tape-out，MTO)设计数据进行传送。此后，基于MTO设计数据，可以执行掩模数据准备(mask data preparation，MDP)，并且可以在用于掩模的衬底上执行诸如曝光工艺的工艺。
发明内容
本公开的实施例提供了一种反映掩模偏差变化的可靠的光刻模型生成方法和一种包括该光刻模型生成方法的掩模制造方法。
此外，本公开的实施例要解决的问题和解决方案不限于上述问题和解决方案，本领域普通技术人员可以从以下描述中清楚理解其他问题和解决方案。
根据本公开的实施例，提供了一种基于深度学习的光刻模型生成方法。该光刻模型生成方法包括：准备用于学习的基本图像数据；准备指示掩模偏差变化的变换图像数据；通过组合基本图像数据和变换图像数据执行深度学习来生成光刻模型；以及验证光刻模型。
根据本公开的实施例，提供了一种基于深度学习的光刻模型生成方法。该光刻模型生成方法包括：准备用于学习的基本图像数据；准备指示掩模偏差变化的变换图像数据；通过组合基本图像数据和变换图像数据执行深度学习来生成光刻模型；验证光刻模型；以及调整关于光刻模型的配方，其中，变换图像数据是通过图像增强方法根据基本图像数据生成的，使得变换图像数据指示工艺变化。
根据本公开的实施例，提供一种掩模制造方法。该掩模制造方法包括：基于深度学习生成光刻模型；通过使用基于光刻模型获得的光学邻近校正(OPC)模型对掩模布局执行OPC来生成经OPC的布局；将经OPC的布局作为掩模送交制造(MTO)设计数据进行传送；基于MTO设计数据准备掩模数据；以及基于掩模数据曝光用于掩模的衬底。光刻模型的生成包括：准备用于学习的基本图像数据；准备指示掩模偏差变化的变换图像数据；通过组合基本图像数据和变换图像数据执行深度学习来生成光刻模型；验证光刻模型；以及调整关于的光刻模型配方，并且其中，该光刻模型包括光学邻近校正(OPC)模型或工艺邻近校正(process proximity correction，PPC)模型。
附图说明
通过以下结合附图的具体实施方式，将更清楚地理解本公开的实施例，其中：
图1是示意性地示出根据实施例的基于深度学习的光刻模型生成方法的过程的流程图；
图2A是示出相对于工艺变化的临界尺寸(critical dimension，CD)改变的第一图；
图2B是示出相对于工艺变化的CD变化的第二图；
图3是示出基于对比示例的深度学习的光刻模型生成方法的问题的概念图；
图4是示出图1的光刻模型生成方法中的、通过数据增强方法生成变换图像数据的方法的概念图；
图5是示出通过深度卷积生成对抗网络(deep convolutional generativeadversarial network，DCGAN)的图1的光刻模型生成方法的概念图；
图6是示出在图1的光刻模型生成方法中使用的DCGAN的结构的框图；
图7A是示出在对比示例的光刻模型生成方法中反映掩模偏差变化(biasvariation)的方法；
图7B是示出在本公开的实施例的光刻模型生成方法的光刻模型生成方法中反映掩模偏差变化的方法的概念图；
图8A是示出在不反映掩模偏差变化的光刻模型生成方法中关于动态随机访问存储器(DRAM)产品的金属接触的误差均方根(error root mean square，RMS)和误差范围的图；
图8B是示出在本公开的实施例的光刻模型生成方法中、关于DRAM产品的金属接触的误差RMS和误差范围的图；
图9是示意性地示出根据实施例的包括光刻模型生成方法的掩模制造方法的流程图。
具体实施方式
在下文中，参考附图详细描述了本公开的非限制性示例实施例。附图中相同的附图标记表示相同的元素，并且省略对它们的重复描述。
图1是示意性地示出根据实施例的基于深度学习的光刻模型生成方法的过程的流程图，图2A和图2B是示出相对于工艺变化的临界尺寸(CD)改变的图，并且图3是示出对比示例的基于深度学习的光刻模型生成方法的问题的概念图。
参考图1至图3，在本公开的实施例的基于深度学习的光刻模型生成方法(以下简称为“光刻模型生成方法”)中，首先，准备用于学习的基本图像数据(操作S110)。这里，基本图像数据可以是通过测量设备获得的样本的图案图像的数据。例如，在本实施例的光刻模型生成方法中，基本图像数据可以包括样本的显影后检查(after develop inspection，ADI)轮廓图像和清洁后检查(after clean inspection，ACI)轮廓图像的数据。此外，根据实施例，基本图像数据可以包括掩模布局图像的数据。
样本可以是在学习中使用的半导体器件，并且样本的图案可以通过曝光工艺将掩模的图案转移到样本上而形成。因此，首先，可以设计与样本图案相对应的掩模的图案的布局，即掩模布局。作为参考，一般地，由于曝光工艺的性质，样本图案的形状可能不同于掩模的图案的形状。此外，因为掩模上的图案被缩小投影并转移到衬底上，所以掩模的图案可以具有比样本的图案更大的尺寸。
当掩模的图案转移到样本上时，可以执行照相工艺(photo process)和蚀刻工艺。一般地，照相工艺可以指通过曝光工艺和显影工艺在样本上形成光刻胶(photoresist，PR)图案的工艺。此外，蚀刻工艺可以指通过使用PR图案作为蚀刻掩模在样本上形成图案的工艺。
在照相工艺中，可以执行光学邻近校正(OPC)。随着图案被精细化，由于曝光工艺中相邻图案之间的影响，光学邻近效应(optical proximity effect，OPE)发生，并且OPC可以包括校正掩模布局以抑制OPE的方法。OPC可以包括生成OPC模型的工艺，以及通过使用OPC模型的仿真生成经OPC布局的工艺。因此，照相工艺可以包括通过OPC生成OPC布局的工艺、制造具有OPC布局的掩模的工艺、以及通过使用掩模的曝光工艺和显影工艺在样本上形成PR图案的工艺。同时，在蚀刻工艺中，为了补偿蚀刻偏差，可以执行工艺邻近校正(PPC)。
在本实施例的光刻模型生成方法中，光刻模型可以是通过学习生成的OPC模型或PPC模型。此外，用于学习的输入数据和与其相对应的输出数据可以取决于工艺而变化。例如，当工艺是使用掩模的照相工艺时，输入数据可以是掩模布局图像的数据，而输出数据可以是样本的ADI轮廓图像的数据或经OPC的布局图像的数据。此外，当工艺是使用PR图案的蚀刻工艺时，输入数据可以是样本的ADI轮廓图像的数据，而输出数据可以是样本的ACI轮廓图像的数据。
在准备基本图像数据后，准备反映掩模偏差变化的变换图像数据(操作S130)。掩模偏差变化可以包括工艺变化，诸如曝光工艺的剂量(dose)或焦距(focus)变化、或者锚图案变化。这里，锚图案可以包括表示掩模中关于形状和位置的图案的图案。如图2A和图2B的图所示，在曝光工艺中，CD随着剂量的增加而增加。此外，在曝光工艺中，随着焦距远离标准焦距(normal focus)F0，CD减小。因此，为了成为可靠的光刻模型，可能需要在光刻模型中反映这种掩模偏差变化。
变换图像数据可以包括与掩模偏差变化(即，工艺改变)相对应的图像数据。在本实施例的光刻模型生成方法中，不准备与每个工艺变化相对应的实际图像数据，而是准备通过数据增强方法从基本图像数据变换的图像数据作为变换图像数据。参考图4更详细地描述了通过数据增强方法从基本图像数据获得变换图像数据的过程。
在准备变换图像数据后，通过组合基本图像数据和变换图像数据执行深度学习，并且计算光刻模型(操作S150)。这里，可以使用深度卷积生成对抗网络(deepconvolutional generative adversarial network，DCGAN)来执行深度学习。参考图6更详细地描述了DCGAN的结构。
在本实施例的光刻模型生成方法中，可以通过组合基本图像数据和变换图像数据来执行深度学习。此外，可以在通过对基本图像数据和变换图像数据应用权重来改变每次迭代的组合的同时执行深度学习。这里，基本图像数据和变换图像数据可以被适当地组合并用于深度学习，以最小化学习时间，同时生成经优化的光刻模型。
例如，当至少100条图像数据用于生成最佳光刻模型时，在本实施例的光刻模型生成方法中，可以通过组合图像数据和变换图像数据来执行深度学习，从而获得100条图像数据。此外，可以在改变每次迭代的组合的同时执行深度学习。例如，在第一次迭代中，80条基本图像数据、10条第一变换图像数据和10条第二变换图像数据可以用于深度学习，而在第二次迭代中，70条基本图像数据、20条第一变换图像数据和10条第二变换图像数据可以用于深度学习。这里，第一变换图像数据和第二变换图像数据可以对应于具有不同变化值的图像数据。参考图5至图8B更详细地描述了基本图像数据和变换图像数据的组合以及根据其的深度学习。
另一方面，权重是给出图像数据对学习的影响或响应度的因素。例如，在本实施例的光刻模型生成方法中，可以将权重0.7分配给具有较大影响的基本图像数据，并且可以将权重0.2和0.1分别分配给具有相对较小影响的第一变换图像数据和第二变换图像数据。然而，权重分配值不限于此。另一方面，一旦指配了权重，就可以在所有迭代中保持权重。然而，根据实施例，权重可以针对每次迭代而改变。
在本实施例的光刻模型生成方法中，光刻模型是在通过DCGAN的学习中生成的模型，并且可以是OPC模型或PPC模型。换句话说，根据输入数据和输出数据，光刻模型可以是OPC模型或PPC模型。例如，当光刻模型是OPC模型时，输入数据可以是掩模布局图像的数据，而输出数据可以是样本的ADI轮廓图像的数据、或者经OPC的掩模布局图像的数据。此外，当光刻模型是PPC模型时，输入可以是样本的ADI轮廓图像的数据，而输出可以是样本的ACI轮廓图像的数据。
在生成光刻模型后，执行光刻模型的验证(操作S170)。当验证通过(通过)时，过程进行到调整配方的操作S190，而当验证未通过(失败)时，过程进行到生成光刻模型的操作S150。
一般可以利用误差均方根(RMS)来执行对光刻模型的验证。例如，通过将通过光刻模型输出的图像数据与参考图像数据进行比较，当误差RMS大于设置的参考值时，验证可能无法通过，而当误差RMS小于或等于参考值时，验证可能通过。这里，误差RMS可以是例如相对于CD的误差RMS。根据实施例，可以使用边缘放置误差(edge placement error，EPE)来执行验证。
当光刻模型的验证通过时(通过)，调整光刻模型的配方(操作S190)。当光刻模型是OPC模型时，可以调整OPC模型的配方，而当光刻模型是PPC模型时，可以调整PPC模型的配方。换句话说，当光刻模型是OPC模型时，可以基于所生成的光刻模型来改变构成现有OPC模型的配方中的一些。此外，当光刻模型是PPC模型时，构成现有PPC模型的配方中的一些可以基于所生成的光刻模型而改变。通过这种对配方的调整，可以完成最终的光刻模型，即OPC模型和/或PPC模型。
在本实施例的光刻模型生成方法中，可以通过数据增强方法从基本图像数据中自动地生成反映掩模偏差变化的变换图像数据。此外，可以通过在通过将权重应用于基本图像数据和变换图像数据来改变每次迭代的组合的同时执行深度学习来最小化学习时间。此外，可以通过将反映掩模偏差变化的变换图像数据添加到深度学习系统，来生成响应于掩模偏差变化的可靠的光刻模型。因此，本实施例的光刻模型生成方法可以基于可靠的光刻模型来制造能够在半导体器件上准确地形成所需图案的可靠的掩模。
在对掩模的更一般描述中，为了在半导体工艺中图案化半导体器件，可能有必要制造用于光刻工艺(lithography process)的掩模。掩模制造从生成光刻模型开始，通过诸如OPC/PPC的仿真生成经OPC的布局图像，并且经历掩模送交制造(MTO)过程以由掩模制造团队制造最终的掩模。参考图9更详细描述掩模制造方法。
掩模的质量影响半导体器件的图案化匹配，尤其是，光刻模型的准确度可能是掩模的质量中最重要的因素。因此，为了提高光刻模型的准确度，可以将人工智能(AI)技术应用于OPC。例如，可以通过深度学习来训练大量图像以生成光刻模型。另一方面，光刻模型可能需要对各种工艺变化具有预测能力。在工艺变化中，掩模偏差变化是典型的。如上所述，掩模偏差变化可以包括关于曝光工艺中的剂量和焦距的变化、锚图案的变化等的工艺条件。
在基于深度学习的一般光刻模型的情况下，尽管在准确度方面显示出改进的结果，但在对比实施例中，在掩模偏差变化的可预测性方面存在可靠性低的问题。在基于深度学习的光刻模型中，为了提高工艺变化的可预测性，可以将关于工艺变化的信息添加到深度学习过程中。然而，在深度学习中，当工艺变化的所有数据都变换为图像数据并被输入到深度学习中时，可能会由于输入数据的巨大增加而在学习中遭受时间限制。
具体地，在根据对比实施例的基于深度学习的光刻模型生成方法中，为了提高对掩模偏差变化的响应性，执行相对于基本图像数据生成基本光刻模型，再次添加掩模偏差变化的图像数据(下文中被称为“掩模偏差分离(mask bias split)”)以及补偿光刻模型的方法。然而，这种方法在学习时间的效率方面是非常不利的，因为学习时间被乘以掩模偏差分离的倍数。例如，参考图3，当一个薄层(sheet)对应于输入数据Input中的基本图像数据，而剩余的两个薄层对应于掩模偏差分离时，为了反映掩模偏差变化，输入数据Input可以增加到基本图像数据的三倍。因此，可能需要三倍的学习时间来计算适当的输出数据Output和光刻模型，即使当仅简单地执行算术计算时。此外，考虑到准备掩模偏差分离的时间，计算光刻模型可能需要更多的时间。
然而，在本实施例的光刻模型生成方法中，响应于掩模偏差变化的变换图像数据可以基于数据增强方法自动地生成。此外，通过在对于每次迭代动态和随机地组合基本图像数据和变换图像数据的同时应用权重来执行深度学习，可以最小化学习时间，并且可以生成反映由于掩模偏差变化引起的误差的可靠的光刻模型。
图4是示出图1的光刻模型生成方法中的、通过数据增强方法生成变换图像数据的方法的概念图。
参考图4，数据增强方法是指通过对原始图像应用适当的修改来生成新图像的方法。例如，在本实施例的光刻生成方法中，可以通过数据增强方法对基本图像数据应用适当的修改来生成变换图像数据。
作为具体示例，数据增强方法可以通过上下左右轻微移动原始图像、轻微旋转原始图像、轻微倾斜原始图像、轻微放大或缩小原始图像等来生成新图像。此外，通过组合对原始图像的轻微平移、轻微旋转、轻微倾斜、轻微放大和轻微缩小中的至少两种变换来生成新图像，数据增强方法可以显著地增加图像数据的条数。
图4示出了通过对原始图像的旋转、对称或旋转和对称的组合来生成新图像的方法。例如，可以通过将原始图像旋转90度、180度或270度来生成新图像。此外，可以通过原始图像的X轴对称或Y轴对称来生成新图像。此外，可以通过组合原始图像的90度旋转、180度旋转和270度旋转中的任何一个以及原始图像的X轴对称和Y轴对称中的任何一个来生成新图像。
在图4中，已经通过以90度的间隔的旋转以及X轴和Y轴对称的概念描述了通过数据增强方法生成新图像的概念，但通过数据增强方法生成新图像不限于此。例如，通过数据增强方法生成新图像可以包括通过精细旋转、精细水平/垂直平移、精细放大/缩小等生成新图像。例如，在本实施例的光刻生成方法中，可以通过数据增强方法、通过精细水平/垂直平移或精细放大/缩小，从基本图像数据生成变换图像数据。
同时，可以通过数据增强方法从原始图像自动地生成新图像。例如，在关于数据增强方法的工具(例如，计算机)中，当用户选择旋转、对称、平移、放大或缩小中的至少一个，设置要应用的参数值，然后将原始图像输入到工具中时，自动地生成新图像。作为具体示例，在关于数据增强方法的工具中，当用户选择放大和缩小，设置1nm的参数值，然后向工具输入基本图像时，可以自动地生成与相对于基本图像的±1nm相对应的新图像。
图5是示出通过DCGAN的图1的光刻模型生成方法的概念图。
参考图5，在本实施例的光刻模型生成方法中，可以通过使用基本图像数据Original-i和变换图像数据Biased-i的组合作为输入数据Input以及分别与之相对应的基本图像数据Original-o和变换图像数据Biased-o作为输出数据output执行深度学习，来生成光刻模型。如上所述，适当数量的基本图像数据Original-i和变换图像数据Biased-i可以通过组合用作输入数据Input，并且该组合可以针对每次迭代而改变。此外，针对每次迭代可以固定地设置或者可以不同地设置针对基本图像数据Original-i和变换图像数据Biased-i的权重。
如上所述，在本实施例的光刻模型生成方法中，可以通过数据增强方法生成反映掩模偏差变化的变换图像数据，并且可以通过针对每次迭代动态地组合基本图像数据和变换图像数据并应用适当的权重来执行深度学习。因此，可以生成识别并响应于掩模偏差变化的可靠光刻模型。
图6是示出在图1的光刻模型生成方法中使用的DCGAN的结构的框图。
参考图6，在描述DCGAN的结构之前，简要描述GAN，GAN是基于深度学习的生成算法，并且可以包括两个子模型。也就是说，GAN可以包括生成器模型和鉴别器模型。生成器模型可以对应于本实施例的光刻模型生成方法中的光刻模型。生成器模型生成新的样本，而鉴别器模型确定所生成的样本是实际数据还是由生成器模型生成的伪数据。
例如，关于本实施例的光刻模型生成方法，生成器模型可以变换输入图像，以生成与OPC或PPC后的图像相对应的输出图像。例如，在OPC工艺中，被提供给生成器模型的输入图像可以是掩模布局图像，并且来自生成器模型的输出图像可以是ADI轮廓图像或经OPC的布局图像。此外，在PPC工艺中，被提供给生成器模型的输入图像可以是ACI图像，并且来自生成器模型的输出图像可以是ADI轮廓图像。
由生成器模型生成的输出图像和参考图像可以被输入鉴别器模型。这里，参考图像可以对应于输出图像应该到达的最终图像。例如，当输出图像是ADI轮廓图像时，参考图像可以是实际衬底上的目标PR图案图像。此外，当输出图像是ACI轮廓图像时，参考图像可以是实际衬底上的目标图案图像。鉴别器模型将输出图像与参考图像进行比较，并且确定输出图像是实际图像还是由生成器模型生成的伪图像。换句话说，鉴别器模型可以在输出图像与参考图像基本相同时，确定输出图像是实际图像，并且在输出图像不同于参考图像时，确定输出图像是伪图像。
具体地，例如，当掩模布局图像作为输入图像被输入到生成器模型时，生成器模型生成输出图像，其为ADI轮廓图像。此后，输出图像和参考图像被输入到鉴别器模型。这里，参考图像可以对应于实际衬底上的目标PR图案图像。此后，鉴别器模型确定输出图像是否与参考图像相同。例如，鉴别器模型确定由生成器模型生成的ADI轮廓图像是否与实际衬底上的目标PR图案图像相同。此后，根据确定的结果，生成器模型和鉴别器模型被持续更新。当根据重复上述过程，鉴别器模型不能再将输出图像OPI与参考图像RI区分开来时，深度学习结束，并且在该时间点的生成器模型可以被采用为最终的光刻模型。当深度学习结束时，丢弃该鉴别器模型。
在本实施例的光刻模型生成方法中，为了使GAN的生成器模型(即光刻模型)生成相对准确的图像，可以从输入图像中准确地提取特征。为了提取特征，可以包括如图6所示的卷积过程。因此，在本实施例的光刻模型生成方法中，GAN可以是DCGAN。使用卷积滤波器来执行卷积过程，并且卷积过程可以包括下采样过程和上采样过程。此外，对于相对准确的学习，可以在下采样过程和上采样过程之间包括残差学习。通过残差学习，可以反映外围区域的光学效果。
在本实施例的光刻模型生成方法中，输入图像可以被多次下采样以获得例如经一次下采样图像down1、经两次下采样图像down 2和经三次下采样图像down3，并且被多次上采样以获得经一次上采样图像up1、经两次上采样图像up2、经三次上采样图像up3和经四次上采样图像up4，从而提供不同的尺度(例如scale1、scale2、scale3、scale4)。根据实施例，经三次下采样图像down3可以用于残差学习，然后被上采样，与已经经历了残差学习的先前图像拼接并且被上采样。下采样的次数不限于三。例如，根据实施例，可以对已经经历一次或两次下采样或者四次或更多次下采样的每个图像执行残差学习。
在本实施例的光刻模型生成方法中，DCGAN可以包括多个下采样层，以具有反映直到远距离的像素相关性的结构。每次输入图像通过下采样层时，输入图像都会在输出层被缩小到一半的尺寸。然而，因为缩小的图像仍然隐含与输入图像的宽度相同的宽度所对应的图案信息，所以由一个像素表示的信息可以对应于输入图像的宽度的两倍(或者在面积概念中是四倍)。因此，即使使用相同尺寸的核，被应用于已经通过了更大量的下采样层的图像的核也可以表示更宽区域的像素相关性。
此外，关于残差学习，尽管在图6中使用了残差块最先结构，但是也可以替代地使用残差块最后结构。在残差块最先结构中，在下采样之后执行残差学习，而在残差块最后结构中，可以在残差学习之后执行下采样。尽管可以使用拼接层结构来执行图像合成，但是也可以使用和融合(sum-fusion)层结构来执行图像合成。拼接层结构在通道方向上具有两倍大的结构，因此，核也更大，并且包括更多数量的参数。相反，和融合层结构是通过逐元素求和(elementwise sum)生成的，因此，可以在保持小尺寸核的同时获得类似性能的输出结果。
图7A和图7B是分别示出对比示例的光刻模型生成方法和本实施例的光刻模型生成方法中反映掩模偏差变化的方法的概念图。
参考图7A，0是关于CD尺寸的基本图像数据的薄层，-1是关于CD尺寸小至1nm的第一附加图像数据的薄层，而1是关于CD尺寸大至1nm的第二附加图像数据的薄层。在对比示例的光刻模型生成方法中，通过相对于CD尺寸改变准备所有图像数据来执行深度学习。换言之，为了反映与CD尺寸改变相关的掩模偏差变化，通过准备基本图像数据0、第一附加图像数据-1和第二附加图像数据1作为输入数据Input并执行深度学习来生成光刻模型。
同时，从图7A可以看出，响应于输入数据Input的基本图像数据0、第一附加图像数据-1和第二附加图像数据1中的每一个，获得基本图像数据0、第一附加图像数据-1和第二附加图像数据1中的每一个的输出数据Output。作为参考，CD尺寸改变可能是由于工艺变化(诸如如上所述的剂量变化和焦距变化)。
如上所述，在对比示例的光刻模型生成方法的情况下，为了反映掩模偏差变化，通过准备与工艺变化相关的所有附加图像数据来执行深度学习。因此，在对比示例的光刻模型生成方法中，深度学习时间可能会增加附加图像数据的量。例如，当针对工艺变化的每个参数准备与基本图像数据相同条数的附加图像数据时，在CD尺寸改变的情况下，输入数据Input可能增加三倍，并且相应地，深度学习时间也可能增加三倍。
参考图7B，在本实施例的光刻模型生成方法的情况下，可以通过数据增强方法自动地生成与CD尺寸减小相对应的第一变换图像数据-1和与CD尺寸增大相对应的第二变换图像数据1，而无需单独准备第一变换图像数据-1和第二变换图像数据1。此外，在深度学习中，基本图像数据0、第一变换图像数据-1和第二变换图像数据1并不都被使用，而是可以彼此组合并根据基本图像数据0的条数被用于深度学习。
例如，当基本图像数据0的条数为100时，可通过数据增强方法分别生成100条第一变换图像数据1和100条第二变换图像数据1。然而，在深度学习中，并非所有300条数据都用作输入数据Input，而是通过80条基本图像数据0、10条第一变换图像数据-1和10条第二变换图像数据1的组合得到的100条数据可被用作输入数据Input。另一方面，在深度学习中，对每条数据应用权重并且可针对每次迭代改变该组合。换言之，可将权重0.8分配给基本图像数据0，将权重0.1分配给第一变换图像数据-1并且将权重0.1分配给第二变换图像数据1。此外，该组合可改变，诸如在第一次迭代中为(80，10，10)，在第二次迭代中为(70，20，10)而在第三次迭代中为(85，5，10)。
因此，在本实施例的光刻模型生成方法中，利用与基本图像数据的条数相同的条数的数据执行深度学习，因此，可以利用与利用基本图像数据执行深度学习所用的时间基本相同的时间来执行深度学习。此外，本实施例的光刻模型生成方法可以通过将反映掩模偏差变化的变换图像数据添加到深度学习，来生成主动对掩模偏差变化作出响应的可靠光刻模型。
下表1示出了在对比示例的光刻生成方法和本实施例的光刻模型生成方法中、关于DRAM产品的金属接触的用于深度学习的学习图像和验证图像的数据量。作为参考，通过对比示例和本实施例的每一个的光刻模型生成方法生成的光刻模型可以是PPC模型。
在表1中“，Ref.”是指不反映掩模偏差变化的光刻模型生成方法“，Com.”是指对比示例的光刻模型生成方法，而“Emb.”是指本实施例的光刻模型生成方法。此外，“学习图像”是指用于深度学习的图像数据的条数而“验证图像”是指用于验证光刻模型的图像数据的条数。同时，在Com.的情况下，如上参考图7A所述，其中CD尺寸改变±1nm的附加图像数据被用于深度学习。
[表1]
学习图像 验证图像
Ref. 1,735 442
Com. 5,205(±1nm) 442
Emb. 1,735 442
从表1可以看出，Com.使用Ref.三倍的图像数据进行深度学习，而Emb.可以使用与Ref.相同条数的图像数据进行深度学习。同时，验证图像是在生成光刻模型之后用于验证的图像数据，并且可以全部被设置为相同的数量。例如，在表1中，所有的验证图像都被设置为442。
下表2示出了与上表1相关的对光刻模型的影响。“Ref.”、“Com.”和“Emb.”的含义可以与表1中的相同。
[表2]
Cal.errRMS Val.errRMS 学习时间 注释
Ref. 0.24 0.307 27h
Com. 0.235 0.212 82h
Emb. 0.238 0.216 27h 学习时间减小为三分之一
在[表2]中，“errRMS”可以指示相对于CD的误差RMS值，“Cal.”可以指示通过深度学习调整的图像数据，并且“Val.”可以指示验证图像数据。可以看出，因为Cal.不是最终的光刻模型的结果，所以Ref.、Com.以及Emb.的误差RMS示出了相似的结果。另一方面，可以看出，Val.是最终的光刻模型的结果，不考虑掩模偏差变化的Ref.具有相对较大的误差RMS，而Com.和Emb.具有几乎相似的误差RMS。另一方面，关于学习时间，可以看出，Ref.和Emb.具有基本相同的学习时间，而Com.具有三倍或更多的学习时间。总之，在本实施例的光刻模型生成方法的情况下，学习时间可以按照Com.中增加的数据的倍数减少(例如，学习时间可以减少到三分之一)，同时具有与Com.相同的效果。
图8A和图8B是示出在不反映掩模偏差变化的光刻模型生成方法和本实施例的光刻模型生成方法中、关于DRAM产品的金属接触的误差RMS和误差范围的图。在图8A和图8B的图中，部分80-100可以对应于金属接触的短轴的CD，而部分220-240可以对应于金属接触的长轴的CD。
参考图8A，在不反映掩模偏差变化的对比示例的光刻模型生成方法中，关于验证图像的误差RMS约为0.307，误差范围约为4.3nm。另一方面，参考图8B，在本实施例的光刻模型生成方法中，关于验证图像的误差RMS约为0.246，误差范围约为3.0nm。因此，可以确认，通过本实施例的光刻模型生成方法，可以生成反映掩模偏差变化的可靠光刻模型。
图9是示意性地示出根据实施例的包括光刻模型生成方法的掩模制造方法的流程图。参考图1描述了掩模制造方法，并且简要提供或省略已经参考图1给出的描述。
参考图9，在包括本实施例的光刻模型生成方法的掩模制造方法(以下简称为“掩模制造方法”)中，首先，生成光刻模型(操作S210)。生成光刻模型的操作S210可以与图1的光刻模型生成方法基本相同。例如，生成光刻模型的操作S210可以包括基本图像数据准备操作、变换图像数据准备操作、通过执行深度学习的光刻模型计算操作、光刻模型验证操作和配方调整操作。此外，在变换图像数据准备操作中，通过数据增强方法获得变换图像数据，并且在光刻模型计算操作中，在通过应用权重来改变每次迭代的组合的同时，通过组合基本图像数据和变换图像数据来执行深度学习，。
在生成光刻模型后，通过执行OPC来生成关于掩模布局图像的经OPC的布局图像(操作S230)。这里，OPC可以指示通用OPC。，通用OPC可以包括，除了图案布局中的形状变化之外，将亚光刻特征(称为衬线或SRAF，诸如散射条)添加到图案的角上的方法。
执行OPC可以包括首先准备用于OPC的基本数据，生成光学OPC模型，生成关于PR的OPC模型等。光学OPC模型和关于PR的OPC模型的组合通常被称为OPC模型。同时，可以在生成OPC模型之前使用光刻模型。例如，光刻模型可以用于OPC模型的配方调整。在生成OPC模型之后，可以通过使用OPC模型对掩模布局图像执行仿真来生成经OPC的布局图像。
此后，将经OPC的布局图像作为MTO设计数据传送到掩模制造团队(操作S250)。一般地，MTO可以指示将通过OPC方法获得的最终掩模数据传送到掩模制造团队以请求掩模制造。因此，MTO设计数据可以与通过OPC获得的经OPC的布局图像的数据基本相同。MTO设计数据可以具有在电子设计自动化(electronic design automation，EDA)软件等中使用的图形数据格式。例如，MTO设计数据可以具有数据格式，诸如图形数据系统II(graphic datasystem II，GDS2)或开放图稿系统交换标准(open artwork system interchangestandard，OASIS)。
另一方面，在将经OPC的布局图像作为MTO设计数据传送到掩模制造团队之前，可以对经OPC的布局图像执行光学规则核查(optical rule check，ORC)。ORC可以包括例如关于CD误差、EPE、夹断误差(pinch error)、桥接误差(bridge error)等的RMS。然而，通过ORC检查的项目不限于上述各项。已经通过了ORC的经OPC的布局图像可以作为MTO设计数据被传送给掩模制造团队。
此后，执行掩模数据准备(MDP)(操作S270)。MDP可以包括，例如，i)被称为分解(fracturing)的格式变换；ii)用于机械读取的条形码增强、用于检查的标准掩模图案，作业检视(job deck)等；以及iii)自动和手动方式的验证。这里，作业检视可以指示生成与多掩模文件的排列信息、参考剂量以及与曝光速度和方案等相关的一系列指令相关的文本文件。
此外，格式变换(即分解)可以指示分解每个区域的MTO设计数据以改变电子束写入器(electron beam writer)的格式的过程。分解可以包括例如缩放、数据尺寸调整、数据旋转、图案反射、颜色反转等的数据操作。在通过分解进行变换的过程中，可以校正与多个系统误差相关的数据，这些系统误差可能在从设计数据到晶片上的图像的转移过程中的某个地方发生。对系统误差的数据校正被称为掩模工艺校正(mask process correction，MPC)，并且可以包括例如被称为CD调整的线宽调整、用于提高图案排列精度的工作等。因此，分解可以有助于提高最终掩模的质量，并且也可以是预先执行以校正掩模工艺的过程。这里，系统误差可能由曝光工艺、掩模显影和蚀刻工艺、晶片成像工艺等中发生的失真引起。
MDP可以包括MPC。如上所述，MPC指示校正在曝光工艺中发生的误差(即系统误差)的过程。这里，曝光工艺可以是通常包括电子束写入、显影、蚀刻、烘烤等的概念。此外，可以在曝光工艺之前执行数据处理。数据处理是对掩模数据的一种预处理，并且可以包括对掩模数据的语法核查、曝光时间预测等。
在执行MDP后，基于掩模数据曝光用于掩模的衬底(操作S290)。这里，曝光可以指示例如电子束写入。这里，电子束写入可以通过例如使用多波束掩模写入器(multi-beammask writer，MBMW)的灰度写入方案来执行。可替代地，可以使用可变形状束(variableshape beam，VSB)写入器来执行电子束写入。
此外，在执行MDP之后，在曝光工艺之前进行将掩模数据变换为像素数据的操作。像素数据是直接用于实际曝光的数据，并且可以包括关于要曝光的形状的数据和关于被分配给关于形状的每条数据的剂量的数据。这里，关于形状的数据可以是通过光栅化等从作为向量数据的形状数据变换的比特图数据。
在曝光工艺之后，执行一系列工艺以完成掩模。这一系列工艺可以包括例如显影工艺、蚀刻工艺、清洁工艺等。此外，用于掩模制造的一系列工艺可以包括测量工艺以及缺陷检查和修复工艺。此外，可以包括薄膜涂覆工艺。这里，薄膜涂覆工艺可以指示在通过最终清洁和检查确认没有污染颗粒和化学污渍之后，附着薄膜以保护掩模表面在掩模交付和掩模可用寿命期间免受可能污染的工艺。
本实施例的掩模制造方法可以包括基于深度学习的光刻模型生成方法。具体地，本实施例的掩模制造方法可以通过基本图像数据准备操作、变换图像数据准备操作、通过执行深度学习的光刻模型计算操作、光刻模型验证操作和配方调整操作来生成光刻模型。因此，本实施例的掩模制造方法可以根据基于深度学习的光刻模型生成方法来准确地生成经OPC的布局图像。因此，本实施例的掩模制造方法可以制造能够基于准确的经OPC的布局图像在半导体器件上准确地形成所需图案的可靠的掩模。
根据实施例，可以提供至少一个处理器和存储计算机指令的存储器。根据实施例，当由至少一个处理器执行时，计算机指令可以执行本公开中描述的任意数量的功能，包括例如参考图1和图9描述的方法的操作。
尽管已经参考附图具体示出和描述了本公开的非限制性示例实施例，但应当理解，在不脱离本公开的精神和范围的情况下，可以在形式和细节上对示例实施例做出各种改变。

Claims (20)

1.一种基于深度学习的光刻模型生成方法，所述光刻模型生成方法包括：
准备用于学习的基本图像数据；
准备指示掩模偏差变化的变换图像数据；
通过组合基本图像数据和变换图像数据执行深度学习来生成光刻模型；以及
验证光刻模型。
2.根据权利要求1所述的光刻模型生成方法，其中，所述变换图像数据是从基本图像数据变换的、使得所述变换图像数据指示工艺变化的图像数据。
3.根据权利要求2所述的光刻模型生成方法，其中，所述变换图像数据是通过图像增强方法从基本图像数据生成的。
4.根据权利要求3所述的光刻模型生成方法，其中，所述图像增强方法包括旋转、对称、放大、缩小和平移的变换中的至少一种。
5.根据权利要求2所述的光刻模型生成方法，其中，所述工艺变化包括剂量、焦距和锚图案中的至少一个的变化。
6.根据权利要求1所述的光刻模型生成方法，其中，所述深度学习是通过在对于深度学习的每次迭代改变用作输入数据的数条基本图像数据和数条变换图像数据的组合的同时对基本图像数据和变换图像数据应用权重，来执行的。
7.根据权利要求1所述的光刻模型生成方法，其中，所述深度学习是使用深度卷积生成对抗网络(DCGAN)来执行的。
8.根据权利要求1所述的光刻模型生成方法，还包括：
调整关于光刻模型的配方，
其中，验证光刻模型包括：
基于设置的条件被满足，进行配方的调整，以及
基于设置的条件未满足，进行光刻模型的生成。
9.根据权利要求8所述的光刻模型生成方法，其中，所述光刻模型是光学邻近校正(OPC)模型或工艺邻近校正(PPC)模型，并且
其中，所述设置的条件是从光刻模型输出的图像数据与参考图像数据的比较的误差均方根(RMS)是否小于设置的值。
10.根据权利要求1所述的光刻模型生成方法，其中，所述基本图像数据是关于显影后检查(ADI)轮廓图像的数据。
11.一种基于深度学习的光刻模型生成方法，所述光刻模型生成方法包括：
准备用于学习的基本图像数据；
准备指示掩模偏差变化的变换图像数据；
通过组合基本图像数据和变换图像数据执行深度学习来生成光刻模型；
验证光刻模型；以及
调整关于光刻模型的配方，
其中，所述变换图像数据是通过图像增强方法从基本图像数据生成的，使得所述变换图像数据指示工艺变化。
12.根据权利要求11所述的光刻模型生成方法，其中，所述工艺变化包括剂量、焦距和锚图案中的至少一个的变化。
13.根据权利要求11所述的光刻模型生成方法，其中，所述深度学习是使用深度卷积生成对抗网络(DCGAN)来执行的，并且
其中，所述深度学习是通过在对于深度学习的每次迭代改变用作输入数据的数条基本图像数据和数条变换图像数据的组合的同时对基本图像数据和变换图像数据应用权重来执行的。
14.根据权利要求11所述的光刻模型生成方法，其中，验证光刻模型包括：
基于设置的条件被满足，进行配方的调整，以及
基于设置的条件未满足，进行光刻模型的生成。
15.根据权利要求11所述的光刻模型生成方法，其中，所述图像增强方法包括使用旋转、对称、放大、缩小和平移的变换中的至少一种。
16.一种掩模制造方法，包括：
基于深度学习生成光刻模型；
通过使用基于光刻模型获得的光学邻近校正(OPC)模型对掩模布局执行OPC来生成经OPC的布局；
将经OPC的布局作为掩模送交制造(MTO)设计数据进行传送；
基于MTO设计数据准备掩模数据；以及
基于掩模数据曝光用于掩模的衬底，
其中，生成光刻模型包括：
准备用于学习的基本图像数据；
准备指示掩模偏差变化的变换图像数据；
通过组合基本图像数据和变换图像数据执行深度学习来生成光刻模型；
验证光刻模型；以及
调整关于光刻模型的配方，并且
其中，所述光刻模型包括光学邻近校正(OPC)模型或工艺邻近校正(PPC)模型。
17.根据权利要求16所述的掩模制造方法，其中，所述变换图像数据是通过图像增强方法从基本图像数据生成的，使得所述变换图像数据指示工艺变化。
18.根据权利要求17所述的掩模制造方法，其中，所述工艺变化包括剂量、焦距和锚图案中的至少一个的变化。
19.根据权利要求17所述的掩模制造方法，其中，所述深度学习是使用深度卷积生成对抗网络(DCGAN)来执行的，并且
其中，所述深度学习是通过在对于深度学习的每次迭代改变用作输入数据的数条基本图像数据和数条变换图像数据的组合的同时对基本图像数据和变换图像数据应用权重来执行的。
20.根据权利要求17所述的掩模制造方法，其中，验证光刻模型包括：
基于设置的条件被满足，进行配方的调整，以及
基于设置的条件未满足，进行光刻模型的生成。
CN202310566686.XA 2022-06-23 2023-05-18 基于深度学习的光刻模型生成方法以及掩模制造方法 Pending CN117289543A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220077085A KR20240000284A (ko) 2022-06-23 2022-06-23 딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법
KR10-2022-0077085 2022-06-23

Publications (1)

Publication Number Publication Date
CN117289543A true CN117289543A (zh) 2023-12-26

Family

ID=89246960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310566686.XA Pending CN117289543A (zh) 2022-06-23 2023-05-18 基于深度学习的光刻模型生成方法以及掩模制造方法

Country Status (3)

Country Link
US (1) US20230418260A1 (zh)
KR (1) KR20240000284A (zh)
CN (1) CN117289543A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117518747B (zh) * 2024-01-05 2024-04-05 华芯程(杭州)科技有限公司 一种光刻量测强度的生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20230418260A1 (en) 2023-12-28
KR20240000284A (ko) 2024-01-02

Similar Documents

Publication Publication Date Title
TWI745468B (zh) 光罩優化方法及積體電路系統
US10223494B2 (en) Semiconductor device manufacturing method and mask manufacturing method
US9715170B2 (en) Optical proximity correction method and method of manufacturing extreme ultraviolet mask by using the optical proximity correction method
CN110858056B (zh) 制造半导体装置、极紫外线曝光和光学邻近校正的方法
US10036961B2 (en) Optical proximity correction (OPC) method and method of fabricating mask using the OPC method
CN107885043B (zh) 增进微影可印性的方法
CN109839798B (zh) 极紫外掩模制造法、提供监控宏的方法及光学邻近校正法
JP2004133426A (ja) 自動光近接補正（ｏｐｃ）ルール作成
KR20170047101A (ko) Opc 이용한 마스크 제조방법 및 반도체 소자 제조방법
CN110879507B (zh) 用于执行光学邻近校正的方法和使用其制造掩模的方法
US10922472B2 (en) Method of manufacturing semiconductor device
JP6858732B2 (ja) Ｏｐｃ方法、及びそのｏｐｃ方法を利用したマスク製造方法
CN115079507A (zh) 随机预测系统、提供其的方法和制造极紫外光掩模的方法
CN115774375A (zh) 光学邻近校正方法、掩模制造方法及半导体芯片制造方法
CN117289543A (zh) 基于深度学习的光刻模型生成方法以及掩模制造方法
JP2007516612A (ja) ダイナミックなレンズフィールドの屈曲を決定する装置および方法
TW201940958A (zh) 加速抗蝕及蝕刻模型校準的即時調整方法
CN117647180A (zh) 扫描电子显微镜（sem）测量方法和装置
CN116719206A (zh) Opc图案的拐角倒圆方法、opc方法和掩模制造方法
US20230205092A1 (en) Optical proximity correction method, mask manufacturing method, semiconductor chip manufacturing method using the same and computing device
US11300873B2 (en) Optical proximity correction (OPC) method using a multi-OPC model and method of manufacturing a mask by using the OPC method
US20230324881A1 (en) Machine learning (ml)-based process proximity correction (ppc) method and semiconductor device manufacturing method including the same
US20220155674A1 (en) Optical proximity correction method and mask manufacturing method of lithography system
CN116203803A (zh) 用于光学邻近校正的方法和制造半导体器件的方法
CN116203789A (zh) 全芯片单元临界尺寸校正方法及使用其制造掩模的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication