CN117518747A - 一种光刻量测强度的生成方法、装置、设备及存储介质 - Google Patents
一种光刻量测强度的生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117518747A CN117518747A CN202410019162.3A CN202410019162A CN117518747A CN 117518747 A CN117518747 A CN 117518747A CN 202410019162 A CN202410019162 A CN 202410019162A CN 117518747 A CN117518747 A CN 117518747A
- Authority
- CN
- China
- Prior art keywords
- generating
- measurement intensity
- neural network
- photoetching
- mask
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 144
- 238000001259 photo etching Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 59
- 238000001459 lithography Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005684 electric field Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 abstract 2
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- 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
- G06N3/0464—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
- G06N3/094—Adversarial learning
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Abstract
本申请公开了一种光刻量测强度的生成方法、装置、设备及存储介质，光刻量测强度的生成方法包括：获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集；基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入；将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。本申请基于当前机台的第一光刻量测强度训练对抗神经网络模型，通过对抗神经网络模型生成待测掩膜的图像的第二光刻量测强度，可极大的节省量测周期和成本。
Description
技术领域
本申请涉及集成电路制造中的掩膜检测技术领域，具体涉及一种光刻量测强度的生成方法、装置、设备及存储介质。
背景技术
芯片量测是对被观测的晶圆电路上的结构尺寸和材料特性的量化描述，如关键尺寸、刻蚀深度、表面强度等物理参数，它是集成电路制造工艺中的重要组成部分。获得芯片制造量测强度的手段主要包括光学检测技术、电子束检测技术和X光量测技术等，结合信号处理软件和算法在信噪比较差的数据中提取有用信号数据，通过数据分析进行性能评估，以评估并改善工艺质量，提升制造良率。
晶圆制造过程包括光刻、刻蚀、清洗、离子注入等工艺步骤，每个工艺步骤都需获取量测强度进行性能评估，以评估并改善工艺质量，提升制造良率。同时，芯片制造工艺的日常维护也需要大量的抽检量测强度，以及时的发现问题，确保加工良率。
随着集成电路关键尺寸的不断缩小，量测强度的可靠性、有效性和稳定性的要求也不断提升，对量测分辨率和数据精度提出了更高要求。量测分辨率越高，则需要量测的像素点越多，繁琐的信号处理过程带来大量的计算，耗时严重；为了不降低生产效率，在有限的时间内只能选择部分像素点进行量测，这会降导致量测数据的精度下降，特征数据的分析不足难以反映制造工艺结点的全部缺陷信息，进而影响良率。
发明内容
鉴于此，本申请提供一种光刻量测强度的生成方法、装置、设备及存储介质，以解决现有量测方法无法兼顾量测分辨率和量测数据的精度的问题。
本申请提供了一种光刻量测强度的生成方法，包括：
获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集；
基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入；
将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。
可选的，所述基于所述数据集建立并优化对抗神经网络模型，包括：
将所述数据集随机划分为训练集和测试集；
采用所述训练集交替优化所述生成网络和所述鉴别网络，得到所述对抗神经网络模型的网络参数；
采用所述测试集验证所述网络参数，若验证成功，则得到所述当前机台的对抗神经网络模型；否则，返回所述将所述数据集随机划分为训练集和测试集。
可选的，所述若验证成功，则得到所述当前机台的对抗神经网络模型之后，还包括：
将所述对抗神经网络模型与其他机台进行匹配。
可选的，所述将所述对抗神经网络模型与其他机台进行匹配，包括：
获取第二样本掩膜基于所述其他机台的第三光刻量测强度；
将所述第二样本掩膜的图像输入所述对抗神经网络模型，得到第四光刻量测强度；
计算所述第三光刻量测强度与所述第四光刻量测强度的误差；
若所述误差未超出预设门限，则所述对抗神经网络模型与所述其他机台匹配成功。
可选的，所述计算所述第三光刻量测强度与所述第四光刻量测强度的误差之后，还包括：
若所述误差超出所述预设门限，则返回所述将所述数据集随机划分为训练集和测试集。
可选的，所述掩膜的图像上任一点的仿真强度为：
，其中，/>为空间仿真图像强度/>为空间坐标；/>为空间位置处的折射率；为基台光源强度分布；/>为光源平面空间角谱；/>为透射透镜的空间滤波函数；/>为成像平面的空间角谱；/>为掩膜图案在空间角谱的分布；为激励光源的矢量分布；/>为入射到成像平面位置处的电场强度；上标“*”表示对应物理量的复数共轭；/>为成像平面与光源平面的空间角谱相位差；/>表示共轭空间中的成像平面角谱，/>表示空间单位坐标，/>分别表示波矢量在/>方向的值，/>为空间焦平面位置。
一种光刻量测强度的生成装置，包括：
数据集建立模块，用于获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集；
模型建立模块，用于基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入；
生成模块，用于将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。
可选的，所述模型建立模块包括：
数据集划分单元，用于将所述数据集随机划分为训练集和测试集；
训练单元，用于采用所述训练集交替优化所述生成网络和所述鉴别网络，得到所述对抗神经网络模型的网络参数；
验证单元，用于采用所述测试集验证所述网络参数；若验证成功，则得到所述当前机台的对抗神经网络模型；否则，返回所述数据集划分单元。
一种光刻量测强度的生成设备，所述训练设备包括：
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各实施例所述的光刻量测强度的生成方法的步骤。
一种计算机可读存储介质，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各实施例所述的光刻量测强度的生成方法的步骤。
本申请提供的一种光刻量测强度的生成方法，通过获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集；基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入；将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。本申请基于当前机台的第一光刻量测强度训练对抗神经网络模型，通过对抗神经网络模型生成待测掩膜的图像的第二光刻量测强度，对抗神经网络模型生成的光刻量测强度准确（符合误差函数要求）且效率高，可极大的节省量测周期和成本；并且利用历史光刻量测强度数据进行模型的网络参数优化，可实现历史光刻量测强度数据的复用和压缩存储。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的一种光刻量测强度的生成方法的流程示意图；
图2是本申请实施例提供的一种数据集的建立流程示意图；
图3是本申请实施例提供的一种对抗神经网络模型的训练示意图；
图4是本申请实施例提供的另一种光刻量测强度的生成方法的流程示意图；
图5是本申请实施例提供的一种掩膜曝光芯片的处理流程示意图；
图6是本申请实施例提供的又一种光刻量测强度的生成方法的流程示意图；
图7是本申请实施例提供的一种对抗神经网络模型与其他机台进行匹配的流程示意图；
图8为本申请实施例提供的光刻量测强度的生成装置的结构框图；
图9为本申请实施例提供的光刻量测强度的生成设备的结构框图。
具体实施方式
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
下面通过实施例对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而非全部实施例。在不冲突的情况下，下述各个实施例及其技术特征可以相互组合。
如上所述，随着集成电路关键尺寸的不断缩小，量测强度的可靠性、有效性和稳定性的要求也不断提升，对量测分辨率和数据精度提出了更高要求。量测分辨率越高，则需要量测的像素点越多，繁琐的信号处理过程带来大量的计算，耗时严重；为了不降低生产效率，在有限的时间内只能选择部分像素点进行量测，这会降导致量测数据的精度下降，特征数据的分析不足难以反映制造工艺结点的全部缺陷信息，进而影响良率。基于此，本申请提供一种光刻量测强度的生成方法、装置、设备及存储介质。
请参阅图1，图1是本申请实施例提供的一种光刻量测强度的生成方法的流程示意图，该光刻量测强度的生成方法可以包括110- 130。
110、获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集。
请参阅图2，图2是本申请实施例提供的一种数据集的建立流程示意图。样本掩膜为用于训练对抗神经网络模型的掩膜，用于区分下文的待检测掩膜。样本掩膜可以是多个具有不同设计版图的掩膜，通过多个不同样本掩膜可以提高对抗神经网络模型的泛化性。此外由于不同机台的设备性能可能存在一定的差异，因此，模型训练时的样本数据均来自同一机台。样本掩膜的图像（即仿真强度的分布图像，仿真图像）可以采用常规仿真方法获取，为本领域较为成熟的技术，本实施例不作赘述。
第一光刻量测强度是指采用当前机台扫描第一样本掩膜所获得的光强图像，不同的第一样本掩膜的图像与各自的第一光刻量测强度相对应，标记第一样本掩膜的图像与对应的第一光刻量测强度的数据对，形成第一样本掩膜的图像与第一光刻量测强度的对应关系，以此建立数据集。第一光刻量测强度可以是基于当前机台量测的历史数据，也可以是基于当前机台实时量测的数据。
120、基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入。
比如，请参阅图3，图3是本申请实施例提供的一种对抗神经网络模型的训练示意图。可以先初步建立生成网络和鉴别网络，生成网络包括若干卷积算子（例如卷积算子1、卷积算子2等）以及反卷积网络1，将数据集中的第一样本掩膜的图像作为生成网络的输入；鉴别网络包括若干卷积算子（例如卷积算子3、卷积算子4等）以及反卷积网络2，将第一光刻量测强度作为鉴别网络的输入，生成网络的和鉴别网络的误差函数分别如下式所示。
其中，为鉴别网络的误差函数，/>表示鉴别网络，/>表示鉴别网络的输入，对应第一光刻量测强度；/>为生成网络的误差函数，/>表示生成网络，/>为生成网络的输入，对应第一样本掩膜的图像。
然后交替优化求解生成网络误差函数和鉴别网络误差函数，实现生成网络与鉴别网络的利益最大化，得到相应的网络参数。由于测量误差、机械噪声、加工工艺等问题，生成网络输出的仿真图像与量测图像存在差异，随着网络参数的优化，可有效降低该误差，实现仿真强度与量测结果的匹配。
此外，还可以采用数据集中未使用过的数据验证对抗神经网络模型的有效性，如果验证成功，则认为完成了对抗神经网络模型的优化，否则，返回110，重新选择数据集。
130、将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。
具体来说，将待测掩膜的图像输入优化后的生成网络，可以得到待测掩膜基于当前机台的第二光刻量测强度。
本申请提供的一种光刻量测强度的生成方法，通过获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集；基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入；将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。本申请基于当前机台的第一光刻量测强度训练对抗神经网络模型，通过对抗神经网络模型生成待测掩膜的图像的第二光刻量测强度，对抗神经网络模型生成的光刻量测强度准确（符合误差函数要求）且效率高，可极大的节省量测周期和成本；并且利用历史光刻量测强度数据进行模型的网络参数优化，可实现历史光刻量测强度数据的复用和压缩存储。
请参阅图4，图4是本申请实施例提供的另一种光刻量测强度的生成方法的流程示意图，该光刻量测强度的生成方法可以包括：
310、获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集。
如上所述，掩膜（包括样本掩膜和待测掩膜）的图像可以采用常规仿真方法得到。本实施例提供了一种更加精确的掩膜图像仿真模型，具体来说，掩膜的图像上任一点的仿真强度可以按照如下方程确定。
，其中，/>为空间仿真图像强度/>为空间坐标；/>为空间位置处的折射率；为基台光源强度分布；/>为光源平面空间角谱；/>为透射透镜的空间滤波函数；/>为成像平面的空间角谱；/>为掩膜图案在空间角谱的分布；为激励光源的矢量分布；/>为入射到成像平面位置处的电场强度；上标“*”表示对应物理量的复数共轭；/>为成像平面与光源平面的空间角谱相位差；/>表示共轭空间中的成像平面角谱，/>表示空间单位坐标，/>分别表示波矢量在/>方向的值，/>为空间焦平面位置。
图5是本申请实施例提供的一种掩膜曝光时芯片的处理流程示意图，本实施例的仿真模型详细描述了曝光过程中光源、透镜、光掩模到仿真成像的整个过程，通过该模型获得的掩膜的图像更加精确，从而可以提高数据集的有效性。同理，下文待测掩膜的图像也可以采用该模型获取。
320、将所述数据集随机划分为训练集和测试集。
本步骤将数据集随机划分为训练集和测试集，通常，训练集的数据量要大于测试集的数据量，以便能够训练出更准确的模型。例如，可以随机选择该数据集中的90%数据作为训练集，用于训练对抗神经网络模型的网络参数，剩余10%的数据集作为测试集，用于评估网络泛化能力和生成数据的准确性。
330、采用所述训练集交替优化所述生成网络和所述鉴别网络，得到所述对抗神经网络模型的网络参数。
例如，可以首先固定生成网络的网络参数，对鉴别网络进行训练，然后固定鉴别网络的网络参数，对生成网络进行训练，交替训练生成网络和鉴别网络，使鉴别网络的鉴别结果达到纳什平衡，将最后得到的网络参数作为抗神经网络模型的最终参数。
340、采用所述测试集验证所述网络参数，若验证成功，则执行350；否则，返回320。
本步骤对上一步训练完成的对抗神经网络模型进行验证，以确认网络参数是否合适。具体来说，可以将测试集中的第一样本掩膜的图像输入生成网络，生成对应的量测强度，并通过鉴别网络的误差函数判定生成的量测强度的有效性，若满足误差需求，则验证成功，说明当前训练的对抗神经网络模型具有较好的量测强度生成精度和泛化能力，从而可以执行步骤350；否则说明当前选择的训练集代表性不够，需要返回320，重新选择训练集和测试集，并重新优化网络参数，以形成新的对抗神经网络模型。若经过预设循环次数（比如10次）后仍无法满足需求，则需要增加数据集数目，强化网络预测能力。
350、将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。
本实施例将数据集随机划分为训练集和测试集，采用训练集训练对抗神经网络模型的网络参数，采用测试集评估网络泛化能力和生成数据的准确性，评估验证通过，则可以将该对抗神经网络模型用于当前机台对待测掩膜的第二光刻量测强度进行预测，预测生成的光刻量测强度准确且生成效率高。
请参阅图6，图6是本申请实施例提供的又一种光刻量测强度的生成方法的流程示意图，上接前述实施例步骤340，采用所述测试集验证所述网络参数，若验证成功，该光刻量测强度的生成方法还可以包括：
410、将所述对抗神经网络模型与其他机台进行匹配。
本实施例通过匹配不同基台，形成集成电路全链路制造工艺环节中的实时在线量测强度的动态匹配，以满足高精度的量测强度生成需求。
作为一个示例，请参阅图7，图7是本申请实施例提供的一种对抗神经网络模型与其他机台进行匹配的流程示意图，将对抗神经网络模型与其他机台进行匹配，具体可以包括：
411、获取第二样本掩膜基于所述其他机台的第三光刻量测强度。
412、将所述第二样本掩膜的图像输入所述对抗神经网络模型，得到第四光刻量测强度。
413、计算所述第三光刻量测强度与所述第四光刻量测强度的误差。
第二样本掩膜的图像可以是第一样本掩膜的图像中的部分样本，也可以是第一样本掩膜中的特定区域的图像，还可以是完全不同于第一样本掩膜的其他样本掩膜的图像。通过其他待匹配的机台获取获取第二样本掩膜第三光刻量测强度。
将第二样本掩膜的图像输入对抗神经网络模型，可以得到第四光刻量测强度，然后计算第三光刻量测强度与第四光刻量测强度的误差，若误差未超出预设门限，则对抗神经网络模型与其他机台匹配成功，可以结束程序，若误差超出预设门限，则返回至步骤320，重新选择训练集和测试集，对模型重新进行训练和验证。
下面对本申请实施例提供的光刻量测强度的生成装置进行介绍，下文描述的光刻量测强度的生成装置与上文描述的光刻量测强度的生成方法可相互对应参照。
图8为本申请实施例提供的光刻量测强度的生成装置的结构框图，该光刻量测强度的生成装置可以包括：
数据集建立模块610，用于获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集。
模型建立模块620，用于基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入。
生成模块630，用于将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。
作为一种优选实施方式，所述数据集建立模块610包括：
图像获取单元，用于获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度。比如，可以采用前述本发明提供的模型获取第一样本掩膜的图像。
数据集建立单元，用于标记第一样本掩膜的图像与对应的第一光刻量测强度的数据对，形成第一样本掩膜的图像与第一光刻量测强度的对应关系，以建立形成数据集。
作为一种优选实施方式，所述模型建立模块620包括：
数据集划分单元，用于将所述数据集随机划分为训练集和测试集。
训练单元，用于采用所述训练集交替优化所述生成网络和所述鉴别网络，得到所述对抗神经网络模型的网络参数。
验证单元，用于采用所述测试集验证所述网络参数；若验证成功，则得到所述当前机台的对抗神经网络模型；否则，返回所述至所述数据集划分单元。
本申请提供的一种光刻量测强度的生成装置，通过数据集建立模块610，用于获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集；模型建立模块620，用于基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入；生成模块630，用于将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。本申请基于当前机台的第一光刻量测强度训练对抗神经网络模型，通过对抗神经网络模型生成待测掩膜的第二光刻量测强度，对抗神经网络模型生成的光刻量测强度准确（符合误差函数要求）且效率高，可极大的节省量测周期和成本；并且利用历史光刻量测强度数据进行模型的网络参数优化，可实现历史光刻量测强度数据的复用和压缩存储。
本实施例的光刻量测强度的生成装置用于实现前述的光刻量测强度的生成方法，因此光刻量测强度的生成装置中的具体实施方式可见前文中的光刻量测强度的生成方法的实施例部分，例如，数据集建立模块610、模型建立模块620、生成模块630，分别用于实现上述光刻量测强度的生成方法中步骤110，120和130，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。
本申请还提供了一种光刻量测强度的生成设备，请参阅图9，该光刻量测强度的生成设备可以包括：
存储器710，用于存储计算机程序；
处理器720，用于执行所述计算机程序时实现如上述任一实施例所述的光刻量测强度的生成方法的步骤。
本申请还提供一种可读存储介质，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实施例所述的光刻量测强度的生成方法的步骤。
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。
以上对本申请所提供的一种光刻量测强度的生成方法、装置、设备及存储介质进行了详细介绍。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，本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
此外，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，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，例如各实施例之间技术特征的相互结合，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种光刻量测强度的生成方法，其特征在于，包括：
获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集；
基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入；
将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。
2.根据权利要求1所述的生成方法，其特征在于，所述基于所述数据集建立并优化对抗神经网络模型，包括：
将所述数据集随机划分为训练集和测试集；
采用所述训练集交替优化所述生成网络和所述鉴别网络，得到所述对抗神经网络模型的网络参数；
采用所述测试集验证所述网络参数，若验证成功，则得到所述当前机台的对抗神经网络模型；否则，返回所述将所述数据集随机划分为训练集和测试集。
3.根据权利要求2所述的生成方法，其特征在于，所述若验证成功，则得到所述当前机台的对抗神经网络模型之后，还包括：
将所述对抗神经网络模型与其他机台进行匹配。
4.根据权利要求3所述的生成方法，其特征在于，所述将所述对抗神经网络模型与其他机台进行匹配，包括：
获取第二样本掩膜基于所述其他机台的第三光刻量测强度；
将所述第二样本掩膜的图像输入所述对抗神经网络模型，得到第四光刻量测强度；
计算所述第三光刻量测强度与所述第四光刻量测强度的误差；
若所述误差未超出预设门限，则所述对抗神经网络模型与所述其他机台匹配成功。
5.根据权利要求4所述的生成方法，其特征在于，所述计算所述第三光刻量测强度与所述第四光刻量测强度的误差之后，还包括：
若所述误差超出所述预设门限，则返回所述将所述数据集随机划分为训练集和测试集。
6.根据权利要求1-5任一项所述的生成方法，其特征在于，所述掩膜的图像上任一点的仿真强度为：
，其中，为空间仿真图像强度/>为空间坐标；/>为空间位置处的折射率；/>为基台光源强度分布；/>为光源平面空间角谱；/>为透射透镜的空间滤波函数；/>为成像平面的空间角谱；/>为掩膜图案在空间角谱的分布；为激励光源的矢量分布；/>为入射到成像平面位置处的电场强度；上标“*”表示对应物理量的复数共轭；/>为成像平面与光源平面的空间角谱相位差；/>表示共轭空间中的成像平面角谱，/>表示空间单位坐标，/>分别表示波矢量在/>方向的值，/>为空间焦平面位置。
7.一种光刻量测强度的生成装置，其特征在于，包括：
数据集建立模块，用于获取第一样本掩膜的图像，以及所述第一样本掩膜基于当前机台的第一光刻量测强度，以形成数据集；
模型建立模块，用于基于所述数据集建立并优化对抗神经网络模型，其中，所述第一样本掩膜的图像作为生成网络的输入，所述第一光刻量测强度作为鉴别网络的输入；
生成模块，用于将待测掩膜的图像输入所述对抗神经网络模型，生成所述待测掩膜基于所述当前机台的第二光刻量测强度。
8.根据权利要求7所述的生成装置，其特征在于，所述模型建立模块包括：
数据集划分单元，用于将所述数据集随机划分为训练集和测试集；
训练单元，用于采用所述训练集交替优化所述生成网络和所述鉴别网络，得到所述对抗神经网络模型的网络参数；
验证单元，用于采用所述测试集验证所述网络参数；若验证成功，则得到所述当前机台的对抗神经网络模型；否则，返回所述数据集划分单元。
9.一种光刻量测强度的生成设备，其特征在于，所述生成设备包括：
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权利要求1至6中任一项所述的光刻量测强度的生成方法的步骤。
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6中任一项所述的光刻量测强度的生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410019162.3A CN117518747B (zh) | 2024-01-05 | 2024-01-05 | 一种光刻量测强度的生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410019162.3A CN117518747B (zh) | 2024-01-05 | 2024-01-05 | 一种光刻量测强度的生成方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117518747A true CN117518747A (zh) | 2024-02-06 |
| CN117518747B CN117518747B (zh) | 2024-04-05 |
Family
ID=89749825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410019162.3A Active CN117518747B (zh) | 2024-01-05 | 2024-01-05 | 一种光刻量测强度的生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117518747B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103631096A (zh) * | 2013-12-06 | 2014-03-12 | 北京理工大学 | 基于Abbe矢量成像模型的光源-掩模-偏振态联合优化方法 |
| US11250199B1 (en) * | 2020-09-16 | 2022-02-15 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for generating shape data for electronic designs |
| WO2022135923A1 (en) * | 2020-12-22 | 2022-06-30 | Asml Netherlands B.V. | Machine learning based image generation of after-development or after-etch images |
| US20220292669A1 (en) * | 2021-03-10 | 2022-09-15 | Samsung Electronics Co., Ltd. | Stochastic contour prediction system, method of providing the stochastic contour prediction system, and method of providing euv mask using the stochastic contour prediction system |
| US20230141388A1 (en) * | 2021-11-10 | 2023-05-11 | Stmicroelectronics (Crolles 2) Sas | Device and method for generating photomasks |
| US20230230208A1 (en) * | 2020-07-14 | 2023-07-20 | Asml Netherlands B.V. | Apparatus and methods for generating denoising model |
| US20230418260A1 (en) * | 2022-06-23 | 2023-12-28 | Samsung Electronics Co., Ltd. | Lithography model generating method based on deep learning, and mask manufacturing method including the lithography model generating method |
| CN117313640A (zh) * | 2022-06-14 | 2023-12-29 | 腾讯科技（深圳）有限公司 | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 |
| CN117313642A (zh) * | 2022-06-14 | 2023-12-29 | 腾讯科技（深圳）有限公司 | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 |
-
2024
- 2024-01-05 CN CN202410019162.3A patent/CN117518747B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103631096A (zh) * | 2013-12-06 | 2014-03-12 | 北京理工大学 | 基于Abbe矢量成像模型的光源-掩模-偏振态联合优化方法 |
| US20230230208A1 (en) * | 2020-07-14 | 2023-07-20 | Asml Netherlands B.V. | Apparatus and methods for generating denoising model |
| US11250199B1 (en) * | 2020-09-16 | 2022-02-15 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for generating shape data for electronic designs |
| WO2022135923A1 (en) * | 2020-12-22 | 2022-06-30 | Asml Netherlands B.V. | Machine learning based image generation of after-development or after-etch images |
| US20220292669A1 (en) * | 2021-03-10 | 2022-09-15 | Samsung Electronics Co., Ltd. | Stochastic contour prediction system, method of providing the stochastic contour prediction system, and method of providing euv mask using the stochastic contour prediction system |
| US20230141388A1 (en) * | 2021-11-10 | 2023-05-11 | Stmicroelectronics (Crolles 2) Sas | Device and method for generating photomasks |
| CN117313640A (zh) * | 2022-06-14 | 2023-12-29 | 腾讯科技（深圳）有限公司 | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 |
| CN117313642A (zh) * | 2022-06-14 | 2023-12-29 | 腾讯科技（深圳）有限公司 | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 |
| US20230418260A1 (en) * | 2022-06-23 | 2023-12-28 | Samsung Electronics Co., Ltd. | Lithography model generating method based on deep learning, and mask manufacturing method including the lithography model generating method |
Non-Patent Citations (1)
| Title |
|---|
| 赵松年 等: "《现代设计方法 第2版》", 31 December 2021, pages: 210 - 211 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117518747B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106415807B (zh) | 使用高分辨率全裸片图像数据进行检验 | |
| TWI670685B (zh) | 在圖案化晶圓上缺陷之子像素及子解析度局部化 | |
| US20130010100A1 (en) | Image generating method and device using scanning charged particle microscope, sample observation method, and observing device | |
| JP6807844B2 (ja) | ビルトインターゲットを用いた検査対デザイン位置揃え | |
| JP7265592B2 (ja) | 多層構造体の層間のオーバレイを測定する技法 | |
| CN107533759B (zh) | 对于关注图案图像群体的异常检测 | |
| CN108291878A (zh) | 单一图像检测 | |
| JP5417358B2 (ja) | 画像処理装置、及び画像処理を行うためのコンピュータープログラム | |
| US20100158345A1 (en) | Defect And Critical Dimension Analysis Systems And Methods For A Semiconductor Lithographic Process | |
| WO2016014711A1 (en) | Determining coordinates for an area of interest on a specimen | |
| CN109804462A (zh) | 用于大量图案搜索的检验和设计之间的漂移的自动校正的系统及方法 | |
| CN113412485B (zh) | 用于选择设计文件的系统、计算机可读媒体及实施方法 | |
| JP2016528497A (ja) | フォトマスク欠陥性における変化の監視 | |
| JP5198397B2 (ja) | フォトマスクの特性検出装置およびフォトマスクの特性検出方法 | |
| CN110892516B (zh) | 识别晶片上的干扰缺陷的来源 | |
| KR102165735B1 (ko) | 화상 처리 장치, 자기 조직화 리소그래피 기술에 의한 패턴 생성 방법 및 컴퓨터 프로그램 | |
| KR101800493B1 (ko) | 데이터베이스 기반 셀-대-셀 레티클 검사 | |
| CN117518747B (zh) | 一种光刻量测强度的生成方法、装置、设备及存储介质 | |
| KR20230004819A (ko) | 화상 처리 방법, 형상 검사 방법, 화상 처리 시스템 및 형상 검사 시스템 | |
| JP4700772B2 (ja) | 画像照合方法および画像照合プログラム | |
| EP4123583A1 (en) | Aligning a distorted image | |
| TW202407638A (zh) | 半導體樣品製造的遮罩檢查 | |
| CN116152155A (zh) | 用于半导体样本制造的掩模检查 | |
| CN116754580A (zh) | 半导体样品制造的掩模检查 | |
| CN116029966A (zh) | 用于半导体样本制造的掩模检查 |
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 |