CN117541908B - 光学检测图像预测模型的训练方法、装置及预测方法 - Google Patents
光学检测图像预测模型的训练方法、装置及预测方法 Download PDFInfo
- Publication number
- CN117541908B CN117541908B CN202410034540.5A CN202410034540A CN117541908B CN 117541908 B CN117541908 B CN 117541908B CN 202410034540 A CN202410034540 A CN 202410034540A CN 117541908 B CN117541908 B CN 117541908B
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- optical detection
- prediction model
- simulation
- 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.)
- Active
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 163
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 74
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000007689 inspection Methods 0.000 claims description 47
- 238000010586 diagram Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims 2
- 238000010168 coupling process Methods 0.000 claims 2
- 238000005859 coupling reaction Methods 0.000 claims 2
- 230000009897 systematic effect Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013041 optical simulation Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Nonlinear Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种光学检测图像预测模型的训练方法、装置及预测方法,包括:获取样本掩膜第一区域的第一光学检测图像以及第一区域的第一仿真图像,并将第一光学检测图像和第一仿真图像输入预先建立的自编码神经网络模型;根据第一光学检测图像提取第一高维特征图像,以及根据第一仿真图像提取第二高维特征图像;采用n个滤波器对第二高维特征图像分别进行滤波,得到与n个滤波器一一对应的特征图像基序列,n≥2;采用特征图像基序列的线性组合拟合第一高维特征图像,得到掩膜光学检测图像预测模型。本申请的训练方法具有自适应性,可以更好地适应不同的环境和数据,从而可以降低系统性误差。
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,具体涉及一种光学检测图像预测模型的训练方法、装置及预测方法。
背景技术
掩膜(mask)是集成电路芯片制造中光刻工艺使用的核心部件,掩膜的质量对于芯片制造的良率有着关键的影响。因此,掩膜在投入使用之前需要进行严格的缺陷检测,光学检测是掩膜缺陷检测和质量控制的主要手段。目前,主要是通过实际的光学检测图像和无缺陷掩膜图形的光学仿真图像进行比对来发现缺陷,其中,光学仿真图像通过物理模型仿真得到。该方法的关键是建立高精度的物理模型,只有当模型预测的光学检测图像和实际量测图像足够接近,才能够满足缺陷探测的信噪比要求。同时,由于模型仿真和光学检测是实时完成,对模型的仿真速度也有很高要求。
传统的预测掩膜光学检测图像的模型的建模方法如图1所示,首先根据检测系统的光学参数(如光源波长、数值孔径等)建立掩膜图形成像的初始物理模型。再选择一组掩膜图形作为校正图形,分别获得校正图形的仿真图像和实际的光学检测图像。接下来以仿真图像和光学检测图像对应像素点的光强差为目标函数,优化掩膜参数(如掩膜尺寸偏差,角部圆度等等),使得仿真图像和实际检测图像更加匹配。最后以优化后的参数建立最终物理模型。
该方法的主要不足是没有考虑光学检测系统带来的系统性误差,如探测光源的误差,成像系统的误差,探测设备的误差等等。这些误差本身也很难用简单的物理模型描述。因此,在实际应用时可能会造成模型精度不够,导致信噪比太大,在实际缺陷检测时出现过多的误报。
发明内容
鉴于此,本申请提供一种光学检测图像预测模型的训练方法、装置、设备、预测方法及预测装置,以解决现有的物理模型预测的掩膜的仿真图像精度不够、信噪比太大的问题。
本申请提供的一种掩膜光学检测图像预测模型的训练方法,包括:
获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型;
根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像;
采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基序列,n≥2;
采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,得到所述掩膜光学检测图像预测模型。
可选的,所述采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,具体包括:
采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,求解与所述特征图像基序列一一对应的系数;
采用所述样本掩膜的其他区域对所述系数进行验证,若不满足误差要求,则调整所述系数,重新进行验证。
可选的,所述自编码神经网络模型的建立方法包括:
对所述样本掩膜的光学量测强度图像进行归一化,以建立输入灰度图;
将所述输入灰度图输入初始自编码神经网络模型,得到输出灰度图;
通过优化求解所述输入灰度图和所述输出灰度图的均方根误差,得到所述自编码神经网络模型。
可选的,所述n个滤波器包括高斯滤波器、带通滤波器、高通滤波器、低通滤波器和平方滤波器中的至少两个。
一种掩膜光学检测图像的预测方法,包括:
根据待检测掩膜的设计版图,计算所述待检测掩膜的第二仿真图像;
将所述第二仿真图像输入掩膜光学检测图像预测模型,以生成所述待检测掩膜的第二光学检测图像;其中,所述掩膜光学检测图像预测模型通过如上各实施例所述的训练方法得到。
一种掩膜光学检测图像的预测装置,包括
仿真图像计算模块,用于根据待检测掩膜的设计版图,计算所述待检测掩膜的第二仿真图像;
生成模块,用于将所述第二仿真图像输入掩膜光学检测图像预测模型,以生成所述待检测掩膜的第二光学检测图像;其中,所述掩膜光学检测图像预测模型通过如上各实施例所述的训练方法得到。
一种掩膜光学检测图像预测模型的训练装置,包括
图像获取模块,用于获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型;
高维特征图像提取模块,用于根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像;
滤波模块,用于采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基序列,n≥2;
拟合模块,用于采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,得到所述掩膜光学检测图像预测模型。
可选的,所述拟合模块包括:
系数确定单元,用于采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,求解与所述特征图像基序列一一对应的系数;
验证单元,用于采用所述样本掩膜的其他区域对所述系数序列进行验证,若不满足误差要求,则调整所述系数,重新进行验证。
一种掩膜光学检测图像预测模型的训练设备,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掩膜光学检测图像预测模型的训练方法的步骤。
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掩膜光学检测图像预测模型的训练方法的步骤。
本申请提供的一种掩膜光学检测图像预测模型的训练方法,通过获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型;根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像;采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基序列,n≥2;采用所述特征图像基序列线性组合拟合所述第一高维特征图像,优化均方根误差函数,得到组合系数,使得拟合结果均满足误差要求,得到所述掩膜光学检测图像预测模型。本申请通过第一仿真图像的第二高维特征图像来拟合第一光学检测图像的第一高维特征图像,可以提高目标检测的准确性和稳定性。相比传统的基于检测系统的光学参数建立的物理模型,本申请的掩膜光学检测图像预测模型具有自适应性,能够根据输入数据进行学习和调整,从而更好地适应不同的环境和数据,从而可以降低系统性误差。
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是传统的预测掩膜光学检测图像的物理模型的建模方法;
图2是本申请实施例示出的一种掩膜光学检测图像预测模型的训练方法的流程示意图;
图3是本申请实施例示出的另一种掩膜光学检测图像预测模型的训练方法的流程示意图;
图4是本申请实施例提供的一种掩膜光学检测图像预测模型的结构示意图;
图5是传统方法的仿真结果误差分布图与本申请预测方法的预测结果误差分布图之间的对比图;
图6为本申请实施例提供的掩膜光学检测图像预测模型的训练装置的结构框图;
图7是本申请实施例示出的一种掩膜光学检测图像的预测方法的流程示意图;
图8为本申请实施例提供的一种掩膜光学检测图像的预测装置的结构框图;
图9为本申请实施例提供的掩膜光学检测图像预测模型的训练设备的结构框图。
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,传统的预测掩膜光学检测图像的模型的建模方法,没有考虑光学检测系统带来的系统性误差,如探测光源的误差,成像系统的误差,探测设备的误差等等。这些误差本身也很难用简单的物理模型描述。因此,在实际应用时可能会造成模型精度不够,导致信噪比太大,在实际缺陷检测时出现过多的误报。基于此,本申请提出了一种光学检测图像预测模型的训练方法、装置、设备、预测方法及预测装置,在掩膜光学检测系统物理成像模型的基础上引入神经网络模型,可以大大提升模型预测的精确度。
请参阅图2,图2是本申请实施例示出的一种掩膜光学检测图像预测模型的训练方法的流程示意图,该掩膜光学检测图像预测模型的训练方法可以包括110- 140:
110、获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型。
样本掩膜为用于训练自编码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训练的精度。可以先将样本掩膜划分为不同的检测区,以其中的一个检测区作为第一检测区。样本掩膜第一区域的第一光学检测图像可以通过光检测设备得到,第一区域的第一仿真图像可以由第一区域的设计版图通过光刻仿真模型生成,这是本领域现有成熟的技术,本实施例不作赘述。
将第一光学检测图像和第一仿真图像输入预先建立的自编码神经网络模型对模型进行训练优化,以得到最终的掩膜光学检测图像预测模型。在输入前,可以将第一光学检测图像和第一仿真图像转化为相应的灰度图。
120、根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像。
高维特征可以提供更丰富的图像细节和更准确的图像表示,比如,高维特征可以包括图像的纹理、形状、边缘等,这些特征可以提供更丰富的图像信息,从而可以更好地描述图像的内容和信息,有助于提高目标检测的准确性和稳定性。作为一些示例,高维特征可以采用局部二元模式、小波变换、傅里叶变换等方法提取。本实施例通过提取第一光学检测图像的第一高维特征图像A以及第一仿真图像的第二高维特征图像B用于训练神经网络模型,可以提高模型的精度。
130、采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基序列,n≥2。
通过对第一仿真图像的第二高维特征图像B进行滤波,可以在尽量保留图像细节特征的条件下对第一仿真图像的噪声进行抑制,可以使得第二高维特征图像B更加清晰,同时也能保护边缘信息。
本实施例中,采用n个(n≥2)滤波器分别对第二高维特征图像B进行滤波,可以得到相应数量的特征图像,根据所有的特征图像建立特征图像基序列C1,C2,…Cn,其中,Cn为第n个滤波器对第二高维特征图像B进行滤波得到的特征图像。
作为一些示例,滤波器可以包括高斯滤波器、带通滤波器、高通滤波器、低通滤波器和平方滤波器等滤波器中的至少两个。滤波器的数量越多,训练的模型越准确,但是相应的计算量会增大。可以根据需要进行选择。
140、采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,得到所述掩膜光学检测图像预测模型。
本步骤可以采用特征图像基序列的线性组合拟合第一高维特征图像A,得到所述掩膜光学检测图像预测模型。比如,对于样本掩膜的第一区域,经过优化求解,采用特征图像基序列拟合形成的图像与第一高维特征图像的均方根误差小于预设门限后,再采用样本掩膜的其他区域对模型进行验证,直至所有区域的拟合结果均满足误差要求,则表示模型的精度符合要求,掩膜光学检测图像预测模型。
本申请提供的一种掩膜光学检测图像预测模型的训练方法,通过获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型;根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像;采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基序列,n≥2;采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,得到所述掩膜光学检测图像预测模型。本申请通过第一仿真图像的第二高维特征图像来拟合第一光学检测图像的第一高维特征图像,可以提高目标检测的准确性和稳定性。相比传统的基于检测系统的光学参数建立的物理模型,本申请的掩膜光学检测图像预测模型具有自适应性,能够根据输入数据进行学习和调整,从而更好地适应不同的环境和数据,从而可以降低系统性误差。
请参阅图3,图3是本申请实施例示出的另一种掩膜光学检测图像预测模型的训练方法的流程示意图,该掩膜光学检测图像预测模型的训练方法可以包括:
210、对样本掩膜的光学量测强度图像进行归一化,以建立输入灰度图。
220、将所述输入灰度图输入初始自编码神经网络模型,得到输出灰度图。
230、通过优化求解所述输入灰度图和所述输出灰度图的均方根误差,得到所述自编码神经网络模型。
比如,如图4所示,可以先搭建编码神经网络和解码神经网络,编码神经网络可以包括若干层下采集卷积算子,删除图像中高频成分以提取高维特征图像,解码神经网络可以包括若干层上采集卷积算子,可以在高维特征图像中插入额外的信息以增加其分辨率,以尽可能地得到最接近原始图像的仿真图像。然后将样本掩膜的光学量测强度图像归一化到[0~1])之间,利用光强度值建立灰度图,作为编码神经网络的输入,经过计算处理后由解码神经网络输出,得到输出灰度图,根据输入灰度图和输出灰度图,建立误差函数,可以以均方根误差作为误差函数。通过优化求解均方根误差,得到对应量测强度的网络参数,以完成所述自编码神经网络模型的建立。
本实施例的自编码神经网络,保持图像强度图像信息的同时可以降低量测图像的尺度,便于数据分析和特征提取。本步骤之后,是对自编码神经网络模型的进一步训练优化。
240、获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,将所述第一光学检测图像和所述第一仿真图像转化为相应的灰度图,并输入所述自编码神经网络。
250、根据所述第一光学检测图像(灰度图)提取第一高维特征图像,以及根据所述第一仿真图像(灰度图)提取第二高维特征图像。
如上所述,自编码神经网络可以从第一光学检测图像提取第一高维特征图像,以及从第一仿真图像提取第二高维特征图像,然后根据第一高维特征图像以及第二高维特征图像对解码神经网络进一步优化。
260、采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基序列,n≥2。
270、采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,求解与所述特征图像基序列一一对应的系数。
具体地,采用n个滤波器对所述第二高维特征图像分别进行滤波,可以对应得到n个特征图像基序列,分别记为C1,C2,…Cn。可以对每个特征图像基序列设置对应的加权系数c_1,c_2,…,c_n,利用特征图像基序列的线性加权和c_1* C1 +c_2* C2+…+c_n* Cn拟合量测第一高维特征图像A,可以采用均方根误差(Err)作为误差函数对加权系数进行优化。
式中,为第一高维特征图像A的像素值,/>为对应的像素点数量,/>为滤波器个数,取值大于等于2,/>和/>分别为第j个滤波器对应的特征图像及加权系数。
对于第一区域,当加权系数的设置使得均方根误差满足预设门限时,则认为当前的加权系数满足特征图像基序列对第一高维特征图像A的拟合,所有加权系数的集合构成所述系数序列。
280、采用所述样本掩膜的其他区域对所述系数进行验证,若不满足误差要求,则调整所述系数,重新进行验证。
具体地,可以获取样本掩膜的其他区域的第一光学检测图像以及第一仿真图像,并提取相应的第一高维特征图像和第二高维特征图像,并基于第一区域拟合所得的系数序列(所有加权系数构成的序列)计算相应的均方根误差,若不满足误差要求,则调整系数序列,继续进行验证和优化,直至样本掩膜的所有区域的拟合结果均满足误差要求,从而得到最终的掩膜光学检测图像预测模型。该模型输出的结果为:采用第一仿真图像耦合滤波器效应作为最终的掩膜光学检测图像,请参阅图5,图5是传统方法的仿真结果误差分布图与本申请预测方法的预测结果误差分布图之间的对比图,其中,xy坐标平面为量测区域范围,量测区域左下角为坐标原点,像素间隔相同。z为量测区域不同的坐标位置(x,y)处的量测强度值与仿真强度值的差值。分别计算均方根误差,传统方法的计算结果为0.013,本申请的方法的计算结果为0.003,应用本申请的掩膜光学检测图像预测模型预测的图像,图像均方根误差缩减为原来的23%,即效果提升了77%,因此,本实施例的掩膜光学检测图像预测模型是有效的。
本实施例的掩膜光学检测图像预测模型,利用光强度值建立灰度图,作为编码神经网络的输入,以建立自编码神经网络模型,在后续训练中,提取灰度图的高维特征图像时,可以在保持图像强度图像信息的同时降低量测图像的尺度,便于数据分析和特征提取。并且本实施例的第一仿真图像与第一光学检测图像的高维特征拟合优化方法,可以提高模型的精度,并且计算量相对较小。
下面对本申请实施例提供的掩膜光学检测图像预测模型的训练装置进行介绍,下文描述的掩膜光学检测图像预测模型的训练装置与上文描述的掩膜光学检测图像预测模型的训练方法可相互对应参照。
图6为本申请实施例提供的掩膜光学检测图像预测模型的训练装置的结构框图,该掩膜光学检测图像预测模型的训练装置可以包括:
图像获取模块310,用于获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型。
高维特征图像提取模块320,用于根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像。
滤波模块330,用于采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基。
拟合模块340,用于采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,得到所述掩膜光学检测图像预测模型。
作为一种优选实施方式,所述拟合模块340包括:
系数确定单元341,用于采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,求解与所述特征图像基序列一一对应的系数;
验证单元342,用于采用所述样本掩膜的其他区域对所述系数进行验证,若不满足误差要求,则调整所述系数,重新进行验证。
本申请提供的一种掩膜光学检测图像预测模型的训练装置,通过图像获取模块310获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型;高维特征图像提取模块320根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像;滤波模块330采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基;拟合模块340采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,得到所述掩膜光学检测图像预测模型。本申请通过第一仿真图像的第二高维特征图像来拟合第一光学检测图像的第一高维特征图像,可以提高目标检测的准确性和稳定性。相比传统的基于检测系统的光学参数建立的物理模型,本申请的掩膜光学检测图像预测模型具有自适应性,能够根据输入数据进行学习和调整,从而更好地适应不同的环境和数据,从而可以降低系统性误差。此外,利用光强度值建立灰度图作为编码神经网络的输入,以建立自编码神经网络模型,在后续训练中,提取灰度图的高维特征图像时,可以在保持图像强度图像信息的同时降低量测图像的尺度,便于数据分析和特征提取。并且本实施例的第一仿真图像与第一光学检测图像的高维特征拟合优化方法,可以提高模型的精度,并且计算量相对较小。
本实施例的掩膜光学检测图像预测模型的训练装置用于实现前述的掩膜光学检测图像预测模型的训练方法,因此掩膜光学检测图像预测模型的训练装置中的具体实施方式可见前文中的掩膜光学检测图像预测模型的训练方法的实施例部分,例如,图像获取模块310,高维特征图像提取模块320,拟合模块340,分别用于实现上述掩膜光学检测图像预测模型的训练方法中步骤110,120,130和140,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掩膜光学检测图像的预测方法,其一种具体实施方式的流程示意图如图7所示,包括:
410、根据待检测掩膜的设计版图,计算所述待检测掩膜的第二仿真图像。
420、将所述第二仿真图像输入掩膜光学检测图像预测模型,以生成所述待检测掩膜的第二光学检测图像;其中,所述掩膜光学检测图像预测模型通过如上任一实施例所述的训练方法得到。
本实施例中提供的掩膜光学检测图像的预测方法,利用了前文中的掩膜光学检测图像预测模型的训练方法得到的掩膜光学检测图像预测模型,因此技术细节可对照前文,适用于前文的技术细节与技术特征同样适用于本具体实施方式,在此不再展开赘述。
下面对本申请实施例提供的掩膜光学检测图像的预测装置进行介绍,下文描述的掩膜光学检测图像的预测装置与上文描述的掩膜光学检测图像的预测方法可相互对应参照。图8为本申请实施例提供的掩膜光学检测图像的预测装置的结构框图,该掩膜光学检测图像的预测装置可以包括:
510、仿真图像计算模块,用于根据待检测掩膜的设计版图,计算所述待检测掩膜的第二仿真图像;
520、生成模块,用于将所述第二仿真图像输入掩膜光学检测图像预测模型,以生成所述待检测掩膜的第二光学检测图像;其中,所述掩膜光学检测图像预测模型通过如上任一实施例所述的训练方法得到。
本申请还提供了一种掩膜光学检测图像预测模型的训练设备,请参阅图9,该掩膜光学检测图像预测模型的训练设备可以包括:
存储器610,用于存储计算机程序;
处理器620,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掩膜光学检测图像预测模型的训练方法的步骤。
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掩膜光学检测图像预测模型的训练方法的步骤。
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学检测图像预测模型的训练方法、装置、设备、预测方法及预测装置进行了详细介绍。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 (8)
1.一种掩膜光学检测图像预测模型的训练方法,其特征在于,包括:
获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型;
根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像;
采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基序列,分别记为C1,C2,…Cn,n≥2;
采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,得到所述掩膜光学检测图像预测模型,所述掩膜光学检测图像预测模型输出的结果为:采用所述第一仿真图像耦合所述n个滤波器效应作为最终的掩膜光学检测图像;
所述采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,具体包括:
对每个所述特征图像基序列设置对应的加权系数c_1,c_2,…,c_n,采用所述特征图像基序列的线性加权和c_1*C1 +c_2*C2+…+c_n*Cn拟合所述第一高维特征图像,并采用均方根误差作为误差函数对所述加权系数进行优化,求解与所述特征图像基序列一一对应的加权系数;
采用所述样本掩膜的其他区域对所述系数进行验证,若不满足误差要求,则调整所述系数,重新进行验证。
2.根据权利要求1所述的训练方法,其特征在于,所述自编码神经网络模型的建立方法包括:
对所述样本掩膜的光学量测强度图像进行归一化,以建立输入灰度图;
将所述输入灰度图输入初始自编码神经网络模型,得到输出灰度图;
通过优化求解所述输入灰度图和所述输出灰度图的均方根误差,得到所述自编码神经网络模型。
3.根据权利要求1所述的训练方法,其特征在于,所述n个滤波器包括高斯滤波器、带通滤波器、高通滤波器、低通滤波器和平方滤波器中的至少两个。
4.一种掩膜光学检测图像的预测方法,其特征在于,包括:
根据待检测掩膜的设计版图,计算所述待检测掩膜的第二仿真图像;
将所述第二仿真图像输入掩膜光学检测图像预测模型,以生成所述待检测掩膜的第二光学检测图像;其中,所述掩膜光学检测图像预测模型通过权利要求1-3任一项所述的训练方法得到。
5.一种掩膜光学检测图像的预测装置,其特征在于,包括
仿真图像计算模块,用于根据待检测掩膜的设计版图,计算所述待检测掩膜的第二仿真图像;
生成模块,用于将所述第二仿真图像输入掩膜光学检测图像预测模型,以生成所述待检测掩膜的第二光学检测图像;其中,所述掩膜光学检测图像预测模型通过权利要求1-3任一项所述的训练方法得到。
6.一种掩膜光学检测图像预测模型的训练装置,其特征在于,包括
图像获取模块,用于获取样本掩膜第一区域的第一光学检测图像以及所述第一区域的第一仿真图像,并将所述第一光学检测图像和所述第一仿真图像输入预先建立的自编码神经网络模型;
高维特征图像提取模块,用于根据所述第一光学检测图像提取第一高维特征图像,以及根据所述第一仿真图像提取第二高维特征图像;
滤波模块,用于采用n个滤波器对所述第二高维特征图像分别进行滤波,得到与所述n个滤波器一一对应的特征图像基序列,分别记为C1,C2,…Cn,n≥2;
拟合模块,用于采用所述特征图像基序列的线性组合拟合所述第一高维特征图像,得到所述掩膜光学检测图像预测模型,所述掩膜光学检测图像预测模型输出的结果为:采用所述第一仿真图像耦合所述n个滤波器效应作为最终的掩膜光学检测图像;
所述拟合模块包括:
系数确定单元,用于对每个所述特征图像基序列设置对应的加权系数c_1,c_2,…,c_n,采用所述特征图像基序列的线性加权和c_1*C1 +c_2*C2+…+c_n*Cn拟合所述第一高维特征图像,并采用均方根误差作为误差函数对所述加权系数进行优化,求解与所述特征图像基序列一一对应的系数;
验证单元,用于采用所述样本掩膜的其他区域对所述系数序列进行验证,若不满足误差要求,则调整所述系数,重新进行验证。
7.一种掩膜光学检测图像预测模型的训练设备,其特征在于,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权利要求1至3中任一项所述的掩膜光学检测图像预测模型的训练方法的步骤。
8.一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3中任一项所述的掩膜光学检测图像预测模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034540.5A CN117541908B (zh) | 2024-01-10 | 2024-01-10 | 光学检测图像预测模型的训练方法、装置及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034540.5A CN117541908B (zh) | 2024-01-10 | 2024-01-10 | 光学检测图像预测模型的训练方法、装置及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541908A CN117541908A (zh) | 2024-02-09 |
CN117541908B true CN117541908B (zh) | 2024-04-05 |
Family
ID=89790468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410034540.5A Active CN117541908B (zh) | 2024-01-10 | 2024-01-10 | 光学检测图像预测模型的训练方法、装置及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541908B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103813149A (zh) * | 2012-11-15 | 2014-05-21 | 中国科学院深圳先进技术研究院 | 一种编解码系统的图像与视频重构方法 |
EP2766850A1 (en) * | 2011-12-09 | 2014-08-20 | Viewdle, Inc. | Faceprint generation for image recognition |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN112365560A (zh) * | 2020-11-27 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 基于多级网络的图像重建方法、系统、可读存储介质和设备 |
CN112967388A (zh) * | 2021-03-31 | 2021-06-15 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维时序图像神经网络模型的训练方法和装置 |
CN114663421A (zh) * | 2022-04-08 | 2022-06-24 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 基于信息迁移和有序分类的视网膜图像智能分析系统及方法 |
CN116974139A (zh) * | 2023-08-01 | 2023-10-31 | 华芯程(杭州)科技有限公司 | 一种快速计算光刻掩膜图像的方法、装置及设备 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020130929A1 (de) * | 2020-07-31 | 2022-02-03 | Technische Universität Dortmund | Verfahren und Vorrichtung zur Auswertung von Matrixcodes |
-
2024
- 2024-01-10 CN CN202410034540.5A patent/CN117541908B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2766850A1 (en) * | 2011-12-09 | 2014-08-20 | Viewdle, Inc. | Faceprint generation for image recognition |
CN103813149A (zh) * | 2012-11-15 | 2014-05-21 | 中国科学院深圳先进技术研究院 | 一种编解码系统的图像与视频重构方法 |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN112365560A (zh) * | 2020-11-27 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 基于多级网络的图像重建方法、系统、可读存储介质和设备 |
CN112967388A (zh) * | 2021-03-31 | 2021-06-15 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维时序图像神经网络模型的训练方法和装置 |
CN114663421A (zh) * | 2022-04-08 | 2022-06-24 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 基于信息迁移和有序分类的视网膜图像智能分析系统及方法 |
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 |
CN116974139A (zh) * | 2023-08-01 | 2023-10-31 | 华芯程(杭州)科技有限公司 | 一种快速计算光刻掩膜图像的方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
Othman Sbai 等.Impact of base dataset design on few-shot image classification.arXiv.2020,1-23. * |
王国雄,史峥,付萍,陈志锦,严晓浪.一种适于快速OPC的精确光刻胶剖面仿真算法.微电子学.2002,(03),9-12. * |
顾成奎,王正欧.利用基序列逼近的一类非线性时变系统辨识的实用方法.系统工程.2001,(04),22-26. * |
Also Published As
Publication number | Publication date |
---|---|
CN117541908A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
US7860675B2 (en) | Pattern inspection apparatus, pattern inspection method, and pattern inspection program | |
WO2019219826A1 (en) | Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process | |
JP2006098152A (ja) | 欠陥検出装置および欠陥検出方法 | |
CN111814597A (zh) | 一种耦合多标签分类网络和yolo的城市功能分区方法 | |
US20110243424A1 (en) | Method and apparatus for monitoring mask process impact on lithography performance | |
US11410300B2 (en) | Defect inspection device, defect inspection method, and storage medium | |
CN109145836A (zh) | 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法 | |
CN104137223A (zh) | 用于数据库辅助式重新质量鉴定光罩检验的方法及设备 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN111401358A (zh) | 一种基于神经网络的仪表表盘校正方法 | |
CN112364508A (zh) | 一种光刻胶模型的建立方法及电子设备 | |
CN117541908B (zh) | 光学检测图像预测模型的训练方法、装置及预测方法 | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN117058476A (zh) | 一种基于随机不确定性的目标检测方法 | |
CN116309364A (zh) | 变电站异常巡检方法及装置、存储介质、计算机设备 | |
US10282509B2 (en) | Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus | |
CN112560935B (zh) | 一种提升缺陷检测性能的方法 | |
CN114387232A (zh) | 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法 | |
CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
JP2000258349A (ja) | フォトマスク外観検査装置 | |
CN116245822A (zh) | 基于神经网络的结构光系统测量误差数据自动识别方法 | |
CN117173105A (zh) | 芯片缺陷检测方法、装置、设备及介质 | |
CN116704036A (zh) | 一种基于深度学习的x线头影测量标志点自动定位方法 |
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 |