CN117669473A - 用于模型校准的方法、电子设备及存储介质 - Google Patents
用于模型校准的方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117669473A CN117669473A CN202410118929.8A CN202410118929A CN117669473A CN 117669473 A CN117669473 A CN 117669473A CN 202410118929 A CN202410118929 A CN 202410118929A CN 117669473 A CN117669473 A CN 117669473A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- precision
- format
- precision format
- 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
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 64
- 238000004088 simulation Methods 0.000 claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 23
- 238000007667 floating Methods 0.000 claims description 18
- 229920002120 photoresistant polymer Polymers 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 22
- 238000012549 training Methods 0.000 description 19
- 238000001459 lithography Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009022 nonlinear effect Effects 0.000 description 3
- 238000001259 photo etching Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013041 optical simulation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Architecture (AREA)
- Image Processing (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本公开的示例实施例涉及用于模型校准的方法、电子设备及存储介质。该方法包括:对输入到模型中的第一精度格式的掩模版图进行归一化处理,以获得归一化版图图像,其中模型具有初始化的模型参数;对归一化版图图像应用第二精度格式的仿真处理,以获得仿真晶圆图像,其中第二精度格式的精度低于第一精度格式的精度;使用第一精度格式确定指示仿真晶圆图像与目标图像之间的差异的度量指标;对模型参数进行迭代更新;以及响应于度量指标满足预定标准,将对应于满足预定标准的度量指标的模型确定为最优模型。本公开的实施例能够提高模型校准过程中的计算速度并且能够减少或者防止数据溢出,从而满足精度要求。
Description
技术领域
本公开的实施例主要涉及半导体领域,并且更具体地,涉及用于模型校准的方法、电子设备及存储介质。
背景技术
随着半导体工艺的发展,设计尺寸越来越小。由于光的衍射和干涉现象,通过对掩模版进行曝光而在硅片上实际形成的晶圆图像与掩模版上的电路版图(简称为掩模版图)之间存在一定的差异。例如,晶圆图像可能出现线条宽度变窄、窄线条短点收缩、图形拐角处变圆滑等现象。
光学邻近校正(optical proximity correction,OPC)技术被广泛用于半导体制造过程中减小晶圆图像与目标图像之间的差异。具体地,为了减小光学衍射造成的图像错误,尽可能使晶圆上产生的电路与给定的电路一致。OPC通过修改掩模版图来补偿成像,以使所获得晶圆图像更接近目标图像。然而,OPC过程需要消耗大量时间和计算资源。
此外,掩模过程中非线性效应会导致电子束模糊化、光阻扩散、横向刻蚀偏差等不良结果。为此传统方案中采用掩模过程校正(或称掩模工艺校正,mask processcorrection, MPC),以减少上述非线性效应所造成的影响,尽可能使掩模上的电路版图与经过OPC校正后的掩模版图一致。与OPC校正类似,MPC校正过程中也需要消耗大量时间和计算资源。
发明内容
根据本公开的示例实施例,提供了用于模型校准的方案,以至少部分克服上述或者其他潜在缺陷。
在本公开的第一方面,提供一种用于模型校准的方法。该方法包括:对输入到模型中的第一精度格式的掩模版图进行归一化处理,以获得归一化版图图像,其中模型具有初始化的模型参数;对归一化版图图像应用第二精度格式的仿真处理,以获得仿真晶圆图像,其中第二精度格式的精度低于第一精度格式的精度;使用第一精度格式确定指示仿真晶圆图像与目标图像之间的差异的度量指标;对模型参数进行迭代更新;以及响应于度量指标满足预定标准,将对应于满足预定标准的度量指标的模型确定为最优模型。本公开的实施例能够提高掩模校正过程中的计算速度并且能够减少或者防止数据溢出,从而满足精度要求。
在本公开的第二方面,提供了一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器,存储器具有存储于其中的指令,指令在被处理器执行时使设备执行动作。该动作包括:对输入到模型中的第一精度格式的掩模版图进行归一化处理,以获得归一化版图图像,其中模型具有初始化的模型参数;对归一化版图图像应用第二精度格式的仿真处理,以获得仿真晶圆图像,其中第二精度格式的精度低于第一精度格式的精度;使用第一精度格式确定指示仿真晶圆图像与目标图像之间的差异的度量指标;对模型参数进行迭代更新;以及响应于度量指标满足预定标准,将对应于满足预定标准的度量指标的模型确定为最优模型。
在一些实施例中,对输入到模型中的第一精度格式的掩模版图进行归一化处理包括:用模型参数中的归一化系数对掩模版图进行处理,以缩小掩模版图的图像像素值的范围。
在一些实施例中,对归一化版图图像应用第二精度格式的仿真处理包括:响应于在对归一化版图图像应用第二精度格式的仿真处理期间第二精度格式的数据越界,调整归一化系数以进一步缩小掩模版图的图像像素值的范围。
在一些实施例中,用模型参数中的归一化系数对掩模版图进行处理包括使用以下公式进行处理:
其中Normalization为归一化处理函数,表示归一化处理后的掩模版图的图像;(xi,yi)表示第i个像素点的坐标;Normalization (xi,yi)表示坐标(xi,yi)处的归一化处理后的像素;W表示掩模版图,/>表示坐标(xi,yi)处的掩模版图的像素;/>表示归一化系数,/>是根据掩模版图的像素取值范围以及掩模版图的大小而被确定的。
在一些实施例中,gamma = 1/Max(x, (Max(y) – Min(y))), 其中x表示掩模版图的图像尺寸,y表示掩模版图的图像像素的取值; beta = -Min(y)/gamma; 其中Max表示取最大值,Min表示取最小值。
在一些实施例中,模型中包括用于执行仿真处理的多个模块,其中对归一化版图图像应用第二精度格式的仿真处理还包括:分别确定多个模块中的各个模块在仿真处理期间是否存在第二精度格式的数据越界;以及响应于确定相应模块中存在第二精度格式的数据越界,禁用与相应模块对应的开关参数以停止在相应模块中应用第二精度格式的仿真处理;以及在相应模块中对归一化版图图像应用第一精度格式的仿真处理。
在一些实施例中,对归一化版图图像应用第二精度格式的仿真处理包括使用第二精度格式进行至少以下运算之一:卷积运算;以及傅里叶变换。
在一些实施例中,第一精度格式包括以下至少一项:32位单精度浮点数格式FP32;以及64位双精度浮点数格式FP64;并且第二精度格式包括以下至少一项:16位脑浮点数格式BF16;以及16位半精度浮点数格式FP16。
在一些实施例中,度量指标包括以下至少一项:边缘放置误差,以及关键尺寸。
在一些实施例中,迭代地更新模型参数包括更新以下参数中至少一项:光学相关的以及光刻胶相关的物理参数;归一化系数;以及用于控制模型中的相应模块的计算精度的开关参数。
在一些实施例中,度量指标满足预定标准包括满足以下中至少一项:度量指标小于预定阈值;或者迭代的次数达到预定阈值。
在一些实施例中,模型为光学邻近校正模型或掩模工艺校正模型。
在本公开的第三方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
本公开实施例的方案,能够提高掩模校正过程中的计算速度并且能够减少或者防止数据溢出,从而满足精度要求。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1示出了本公开的实施例能够在其中实现的示例环境的示意图;
图2示出了根据本公开的一些实施例的用于模型校准的方法的流程图;
图3示出了根据本公开的一些实施例的第一精度格式和第二精度格式的示例;
图4示出了根据本公开的一些实施例的用于OPC模型校准的方法的流程图;
图5示出了根据本公开的一些实施例的用于MPC模型校准的方法的流程图;以及
图6示出了能够实施本公开的多个实施例的计算设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如前面所提到的,OPC通过修改掩模版图来补偿成像,以使所获得的晶圆图像更接近目标图像。然而,OPC过程需要消耗大量时间和计算资源。此外,为了减少上述非线性效应所造成的影响而采用的MPC过程也需要消耗大量时间和计算资源。
OPC与MPC模型校准过程中存在计算密集性、大规模并行性以及人工智能深度学习技术的适用性(OPC模型校准中训练的数据量很大,其中也包含深度学习AI技术,需要的计算资源较多,采用多台机器并行处理以提升性能)等特点。总体上,目前的OPC和MPC方案是计算密集型的。使用传统计算方式具有性能上的局限性:计算密集性将存在大量的数据计算,使用FP32将带来计算性能的瓶颈。
相关方案中在OPC模型校准的不同阶段采用不同精度格式的数据进行运算,以兼顾运算效率以及精度。具体地,该方案中采用FP16/BF16精度格式计算晶圆图像,在度量晶圆图像与目标图像的差异时转换成FP32精度格式进行量测,但计算过程中没有考虑FP16/BF16的溢出带来的精度损失等问题。即,该方案中存在由于数据溢出而导致最终结果的精度下降的缺陷。
本公开的实施例提供了改进的方案。根据本公开的实施例,提供了用于模型校准的方法。该方法包括:对输入到模型中的第一精度格式的掩模版图进行归一化处理,以获得归一化版图图像,其中模型具有初始化的模型参数,其中通过归一化处理可以缩小像素数据的数值范围。对归一化版图图像应用第二精度格式的仿真处理,以获得仿真晶圆图像,其中第二精度格式的精度低于第一精度格式的精度。使用第一精度格式确定指示仿真晶圆图像与目标图像之间的差异的度量指标。对模型参数进行迭代更新,以此方式重复上述过程,以对模型进行训练。响应于度量指标满足预定标准,将对应于满足预定标准的度量指标的模型确定为最优模型。本公开的实施例的方案通过在校正期间的不同阶段采用不同精度格式的数据进行运算,并且对掩模版图进行归一化处理,能够实现提高计算速度并且能够减少或者防止数据溢出而造成精度降低。
以下将参照附图来具体描述本公开的实施例。首先参考图1,其示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示,示例环境100中包括计算装置110和客户端120。
在一些实施例中,计算装置110可以与客户端120进行交互。例如,计算装置110可以接收来自客户端120的输入消息,并向客户端120输出反馈消息。在一些实施例中,来自客户端120的输入消息可以是掩模版图数据。计算装置110可以针对掩模版图数据进行相应的数学运算。计算装置110可以将相应的运算结果输出到客户端120。
在一些实施例中,计算装置110可以包括但不限于个人计算机、服务器计算机、手持或膝上型设备、移动设备(诸如移动电话、个人数字助理PDA、媒体播放器等)、消费电子产品、小型计算机、大型计算机、云计算资源等。
应当理解,仅出于示例性的目的描述示例环境100的结构和功能并不旨在限制本文所描述主题的范围。本文所描述主题可以在不同的结构和/或功能中实施。
上文描述的技术方案仅用于示例,而非限制本公开。应理解,示例环境100还可以具有其他多种实施方式。为了更清楚地解释本公开方案的原理,下文将参考图2来更详细描述。
图2示出了根据本公开的一些实施例的用于模型校准的方法的流程图。例如,方法200可以由如图1所示的计算装置110来实施。应当理解,方法200还可以包括未示出的附加框和/或可以省略所示出的某些框。本公开的范围在此方面不受限制。
在框202处,对输入到模型中的第一精度格式的掩模版图进行归一化处理,以获得归一化版图图像。模型具有模型参数,在执行归一化之前,可先对模型的参数进行初始化。模型校准的过程可以看作对模型进行训练的过程。通过初始化可以设定模型中的各个参数在训练中的数值范围。可在这些数值范围中产生相应的参数作为模型初始化参数。
在一些实施例中,模型可以是光学邻近校正模型或掩模工艺校正模型,后文对此进一步描述。应当理解,本公开的实施例不限于此,而是可以为用于半导体制造工艺中的其他的模型。
在一些实施例中,第一精度格式可包括以下至少一项:32位单精度浮点数格式FP32;以及64位双精度浮点数格式FP64。后文参照图3对此进一步描述。
在一些实施例中,对输入到模型中的第一精度格式的掩模版图进行归一化处理可包括:用模型参数中的归一化系数对掩模版图进行处理,以缩小掩模版图的图像像素值的范围。
在一些实施例中,可对掩模版图进行光栅化处理,之后做归一化处理,使得掩模版图的取值范围从0至N变成0至1。例如,可以将范围从0至2变为0至1。此处的数值仅为示意性的,本公开的实施例不以此为限。
在框204处,对归一化版图图像应用第二精度格式的仿真处理,以获得仿真晶圆图像,其中第二精度格式的精度低于第一精度格式的精度。在一些实施例中,可对归一化版图图像使用量化的方法以将第一精度格式转化为第二精度格式,然后可对第二精度格式的归一化版图图像应用仿真处理。在一些实施例中,可通过补全第一精度格式的尾数的方式,或者对第一精度格式的数据进行插值的方式,将第一精度格式的数据转换为第二精度格式的数据。
在一些实施例中,对归一化版图图像应用第二精度格式的仿真处理可包括:响应于在对归一化版图图像应用第二精度格式的仿真处理期间第二精度格式的数据越界,调整归一化系数以进一步缩小掩模版图的图像像素值的范围,由此可降低数据越界的可能性。
在一些实施例中,模型中可包括用于执行仿真处理的多个模块,其中对归一化版图图像应用第二精度格式的仿真处理还可包括:分别确定多个模块中的各个模块在仿真处理期间是否存在第二精度格式的数据越界;在确定相应模块中存在第二精度格式的数据越界的情况下,禁用与相应模块对应的开关参数以停止在相应模块中应用第二精度格式的仿真处理;在相应模块中对归一化版图图像应用第一精度格式的仿真处理。也就是说,可以根据数据是否越界来决定是否启用第二精度格式的运算。如决定不启用第二精度格式的运算,则执行第一精度格式的运算。以此方式,能够在运算过程中根据运算过程的实际情况灵活决定采用何种精度格式的数据,从而能够降低或者避免数据越界造成的精度损失。
在一些实施例中,对归一化版图图像应用第二精度格式的仿真处理可包括使用第二精度格式进行至少以下运算之一:卷积运算;以及傅里叶变换。具体的卷积运算以及傅里叶变换过程可采用传统方案方法,此处不做详细说明。
在一些实施例中,第二精度格式可以是16位脑浮点数格式BF16;也可以是16位半精度浮点数格式FP16。
下面参照图3对第一精度格式和第二精度格式进行描述。图3示出了根据本公开的一些实施例的第一精度格式和第二精度格式的示例。
如图3的(A)所示,第一精度格式310可以为目前广泛使用的32位单精度浮点数格式(FP32),其具有1个符号位,8个指数位和23个尾数位。可选地,第一精度格式也可以是64位双精度浮点数格式(FP64)。本公开的实施例不限于此,而是可以根据需要采用其他精度格式。
如图3的(B)所示,第二精度格式可以为320所指示的16位脑浮点数格式(BF16)。BF16格式是一种16位的数字编码格式,其通过截断FP32的尾数来表示浮点数。BF16格式具有1个符号位,8个指数位和7个尾数位,其数据表达范围是-65504 ~ 65504。也就是说,其数据表达范围与FP32相同,但数据精度降低。BF16格式可以用于硬件加速机器学习算法,例如可以被用于FPGA和神经元处理器中。
可选地,第二精度格式也可以是如图3的(C)中330所指示的16位半精度浮点数格式(FP16)。FP16数据类型由1位符号位,5位指数位,10位小数位组成,其数据表达范围是 -65504 ~ 65504。FP16相比FP32数据表达精度下降,可能会存在数据溢出情况。
在OPC与MPC仿真领域,数据计算一般采用FP32来进行计算,从而得到较好的仿真结果,但运算效率很低。FP16/BF16数据长度是FP32的一半,理论计算性能与访问带宽提升一倍,但根据前面的介绍可知,FP16/BF16能表达的数据范围小,可能出现数据越界的情况。因此,本公开的一些实施例中,将FP16/BF16用于模型校准中以提升运算性能,同时进行归一化处理以降低数据越界的可能性。进一步地,可控制相应的数据精度开关参数,以解决数据溢出问题。后文对此进一步描述。
应理解,上述FP32格式和FP16/BF16格式仅是示例性的而非限制性的。例如,第一精度格式可以是FP64格式而第二精度格式可以是FP32格式。本公开的范围在精度格式的具体类型方面不受限制。
继续参考图2进行描述。在一些实施例中,对归一化版图图像应用第二精度格式的仿真处理的过程中,需要通过求解优化问题来确定仿真后的图案。优化目标是使得利用模型计算出的光刻仿真图像与目标图像之间的差异最小化。
例如,优化光刻仿真图像的CD(SimCD)以尽可能接近目标图像的CD(TargetCD),其中CD(Critical Dimension)表示关键尺寸。进行最优化求解的函数Dif为:
(1)
其中表示优化掩模版图以使/>最小,/>表示将仿真图像/>和目标图像/>划分为/>个格子,i表示第/>个格子,并且是指数学上的L范数,可以用来度量误差。
模型校准过程是多次迭代训练模型的过程,即,通过公式(1)求得仿真图像与目标图像的差异的最小值。在仿真图像与目标图像的差异,例如仿真图像的CD与目标图像的CD的差值小于预定阈值时,可将所得到模型确定为最优的模型。可选地,在迭代的次数达到预定次数的情况下,也可以将此时所得到的模型确定为最优的模型。模型校准计算过程包含仿真运算和量测关键尺寸CD,根据所量测的CD的结果更新模型参数,循环迭代以得到最优的训练模型。所得到的最优的训练模型可在芯片生产中用于版图校正。上述实施例中以优化光刻仿真图像的CD为例进行了说明,显然本公开的实施例不限于此,而是可以根据需要采用仿真图像的其他参数进行优化。
在框206处,使用第一精度格式确定指示仿真晶圆图像(简称晶圆图像)与目标图像之间的差异的度量指标。度量指标可以用于评价晶圆图像与目标图像之间的相似性,从而可以评价所确定的掩模版图的质量。在一些实施例中,度量指标可以包括边缘放置误差(edge placement error, EPE)。边缘放置误差是用来衡量OPC质量的指标。边缘放置误差越小意味着曝光后得到的晶圆图像和目标图像越接近。备选地或附加地,度量指标可以包括关键尺寸CD。关键尺寸CD可以定义为在特定曝光强度阈值下得到的线条的宽度。所确定的晶圆图像的关键尺寸与目标图像的关键尺寸越接近,则晶圆图像与目标图像之间的差异越小。此处以关键尺寸CD以及边缘放置误差为例说明了度量指标。本公开的实施例不限于此,度量指标还可以是其他的用于表征晶圆图像与目标图像的差异特征的参数。通过使用第一精度格式来确定度量指标,可以更准确地评价晶圆图像与目标图像之间的差异,从而更准确地评价掩模版图。
以此方式,通过使用低精度的格式来确定晶圆图像以及使用高精度的格式来度量晶圆图像与目标图像之间的差异,可以提高计算速度并且减少对计算资源和存储资源的消耗,从而提高校准过程的效率。
在框208处,对模型参数进行迭代更新。迭代地更新模型参数可包括更新以下参数中至少一项:光学相关的以及光刻胶相关的物理参数;归一化系数;以及用于控制模型中的相应模块的计算精度的开关参数。在对参数进行更新之后,用更新所述参数后的模型继续对掩模版图进行校正,直至度量指标满足预定标准。
在框210处,响应于度量指标满足预定标准,将对应于满足预定标准的度量指标的模型确定为最优模型。
在一些实施例中,度量指标满足预定标准可指满足以下中至少一项:所述度量指标小于预定阈值;或者迭代的次数达到预定阈值。本公开的实施例不以此为限,可以根据需要采用其他的标准。
本公开的一些实施例提供了用于模型校准的方法。需要指出的是,上述实施例中所举的例子仅为了说明本公开实施例的方案,并不用于限制本公开的方案。本公开的实施例的方案通过在校正期间的不同阶段采用不同精度格式的数据进行运算,并且对掩模版图进行归一化处理,能够实现提高计算速度并且能够减少或者防止数据溢出而造成精度降低。
下面结合图4进一步描述本公开实施例的用于OPC模型校准的方法400。如前面所提到的,本公开的模型可以是OPC模型。
在框402处,初始化OPC模型参数。模型参数中包含图像归一化系数(gamma与beta)、光刻模块以及光刻胶模块的FP16/BF16开关选项(或称为开关参数)(enable_fp16_option, enable_bf16_option)。
在光刻工艺中,掩模上的图形通过曝光系统投影在光刻胶上,由于光学系统的不完善性和衍射效应,光刻胶上的图形和掩模上的图形不完全一致。因此,光刻模块以及光刻胶模块可进行相应的修正计算。光刻模块以及光刻胶模块本身为OPC模型中共有的,此处对其不过过多介绍。另外,应当理解,显然本公开的实施例的模型中所包括的模块不限于光刻模块以及光刻胶模块,而是还可以包括多个其他模块。
在框404处,输入掩模版图(或称光刻版图),作为迭代训练模型的输入图像。
在框406处,使用模型中的图像归一化系数(gamma与beta)对掩模版图进行处理,以解决输入数据过大可能导致FP16/BF16数据越界的问题。对图像进行归一化处理,具体公式如下:
(2)
其中,W(x,y)是输入的图像(掩模版图),gamma与beta是模型中训练的归一化系数,具体来说是通过模型训练得到的最优的归一化系数;(xi,yi)表示第i个像素点的坐标;表示坐标(xi,yi)处的像素。Normalization(x,y)表示归一化处理后的图像;Normalization (xi,yi)表示坐标(xi,yi)处的归一化处理后的像素。经归一化后,图像的范围会进行调整,具体来说,范围缩小,使得后续FP16等低精度运算数据越界的可能性很小。实践表明,图像归一化可以大大降低FP16等的越界可能性。
本公开的图像归一化可通过模型训练得到最佳的归一化系数,而无需预先设定。归一化系数会影响整个训练的数据精度,因此,在训练的过程,可根据图像数值取值范围以及图像的大小来寻找gamma以及beta的取值, 例如函数如下:gamma=f (x, y), 举例来说gamma = 1/Max(x, (Max(y) – Min(y))), 其中x表示图像的尺寸,y表示像素的取值,即表示整张图像的像素的取值范围,所以就存在最大值和最小值; beta = -Min(y)/gamma; 其中Max表示取最大值,Min表示取最小值。应当理解,此处示出的确定gamma以及beta的取值的方式仅为示例性的,本公开的实施例不以此为限。
本发明实施例中所说的图像的尺寸可以是图像的面积,也可以是图像的某一设定的尺寸,例如长方形/正方形的对角线长度,长度或者宽度以及周长等等。本公开的实施例不限于此,所述尺寸还可以是其他形状的图形的相关参数。
模型中可包含多个模块,例如光刻模块与光刻胶模块等。例如,有的模块可将图像归一化到0~1,有的模块可将图像归一化0~2等等,通过训练得到最优的配置,从而使得对数据造成的损失最小。
在框408处,对归一化后图像做OPC仿真。如前所述,模型中可包含多个模块,例如如图4所示的模块A、模块B和模块C。每个模块在模型中均有对应的FP16/BF16的开关选项(或称为开关参数),来判断或者控制当前模块采用哪种数据格式进行运算。
本公开的一些实施例中,可结合每个模块的开关参数对精度格式进行选择。在训练的过程,在模块计算中出现越界时,可将模块的例如FP16/BF16的开关断开,即禁用开关参数,进而采用较高精度格式。
在一些实施例中,如前面所提到的,模块中可设置对应的开关参数以控制模块是否启用低精度格式的运算。例如,enable_fp16_option=1,表示开启例如FP16运算,enable_fp16_option=0表示不开启FP16运算,而采用例如FP32运算。enable_fp16_option的取值可在训练中自适应得到,计算机能获取浮点数越界标识。例如,每次采用FP16运算时,若发现数据越界,则优先调整归一化参数。若仍然越界则说明该模块不适于FP16计算,则断开FP16的开关,即禁用FP16精度格式。可见,通过与归一化处理相结合,进一步解决了FP16等低精度格式数据越界的问题。
OPC模型中可包含多个计算模块,如光学模块、电阻模块等,每个模块可具有不同的作用。OPC校准过程中一般会先执行光学仿真,然后执行光刻胶仿真,从而得到OPC校准的图像,量测该图像与目标图像的误差。误差越小,说明与目标接近,模型效果越好。
在框410处,对生成的晶圆图像进行度量,并量测晶圆图像与目标图像的差异。
如果光刻图像度量结果未达到优化目标,则根据度量结果,在框414处,更新模型参数以进一步优化模型。重复归一化以及OPC仿真过程。
在框412处,如果光刻图像度量结果达到优化目标,则最终得到混合精度的最优计算模型。
以此方式,通过在计算密集型阶段采用低精度格式,例如FP16/BF16来提升计算性能,同时解决了FP16/BF16等数据溢出的问题,改善了OPC的性能。
下面结合图5进一步描述本公开实施例的用于MPC模型校准的方法。图5示出了根据本公开的一些实施例的用于MPC模型校准的方法500的流程图。
在框502处,初始化MPC模型参数。模型参数中包含图像归一化系数(gamma与beta)、光刻模块以及光刻胶模块的FP16/BF16开关选项(或称为开关参数)(enable_fp16_option, enable_bf16_option)。与OPC模型类似,MPC模型中也包括光刻模块以及光刻胶模块等,以进行相应的修正计算。
在框504处,输入掩模版图,作为迭代训练MPC模型的输入图像。该掩模版图是经OPC校正后的掩模版图。
在框506处,使用MPC模型中的图像归一化系数对输入的掩模版图进行处理,以缩小其数值范围。以尽量避免输入数据过大导致FP16数据越界。图像归一化公式的表达形式同公式(2)。
在框508处,对归一化后的图像做MPC仿真, 其中包含多个光刻模块与光刻胶模块,每个模块在模型中均有对应的FP16/BF16的开关选项,用于判断当前模块采用哪种数据格式进行运算。
MPC校准过程中一般会先执行光学仿真,然后执行光刻胶仿真,从而得到MPC校准的图像。量测该晶圆图像与目标图像的误差。误差越小,说明与目标接近,模型效果越好。
在框510处,对生成的晶圆图像进行度量,量测晶圆图像与目标图像的差异。
如果晶圆图像的度量结果未达到优化目标,则在框514处更新模型参数以进一步优化模型。重复归一化以及MPC仿真过程,继续模型训练。
在框512处,如果光刻图像度量结果达到优化目标,则最终得到混合精度的最优计算模型。
图5所示的MPC校正的流程与图4所示的OPC校正的流程相同,区别仅在于训练数据与模型参数的不同。以此方式,在计算密集型阶段采用低精度格式,例如FP16/BF16提升计算性能,同时解决了FP16/BF16数据溢出的问题,提升了MPC的性能。
本公开一些实施例的方案,可先通过归一化处理,降低或者防止FP16/BF16数据溢出,进而通过迭代训练获取最优的FP16/BF16的OPC或者MPC的模型。进一步地,可结合开关参数,控制在计算过程中使用的精度格式的类型,从而进一步降低以低精度格式进行运算时数据溢出的可能性。
本公开的方案是应用在OPC、MPC等领域的混合精度的模型校准方法。通过迭代训练模型,调整图像归一化系数和光刻模块与光刻胶模块等的低精度格式数据,例如FP16/BF16的开关参数。本公开的一些实施例的方案中将计算光刻图像的过程拆解,采用混合精度的方式进行运算,即根据实际运算情况,部分模块采用低精度格式,例如FP16/BF16进行计算,部分模块采用高精度格式,例如FP32等进行计算。同时可在迭代训练模型参数中调整光刻模块与光刻胶模块等的开关参数,即,启用或者禁用FP16/BF16的计算,从而得到最优的混合精度的计算模型。
应当理解,附图所示的实施例仅为了示意性示出本公开一些实施例的方案,并不用于限制本公开。本公开的实施例的还可以具有各种其他形式。
本公开的实施例中还公开了一种电子设备。该电子设备包括:处理器;以及与处理器耦合的存储器,存储器具有存储于其中的指令,指令在被处理器执行时使设备执行动作,动作包括:对输入到模型中的第一精度格式的掩模版图进行归一化处理,以获得归一化版图图像,其中模型具有初始化的模型参数;对归一化版图图像应用第二精度格式的仿真处理,以获得仿真晶圆图像,其中第二精度格式的精度低于第一精度格式的精度;使用第一精度格式确定指示仿真晶圆图像与目标图像之间的差异的度量指标;对模型参数进行迭代更新;以及响应于度量指标满足预定标准,将对应于满足预定标准的度量指标的模型确定为最优模型。本公开的实施例能够提高计算速度并且能够减少或者防止数据溢出,从而提高可靠性。
本公开的实施例中还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的实施例的用于模型校准的方法。
图6示出了能够实施本公开的多个实施例的计算设备的框图。例如,图1中所示的计算装置110可以由设备600来实施。如图所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元601执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时,可以执行上文描述的方法200中的一个或多个步骤。备选地,在其他实施例中,CPU 601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (14)
1.一种用于模型校准的方法,包括:
对输入到模型中的第一精度格式的掩模版图进行归一化处理,以获得归一化版图图像,其中所述模型具有初始化的模型参数;
对所述归一化版图图像应用第二精度格式的仿真处理,以获得仿真晶圆图像,其中所述第二精度格式的精度低于所述第一精度格式的精度;
使用所述第一精度格式确定指示所述仿真晶圆图像与目标图像之间的差异的度量指标;
对所述模型参数进行迭代更新;以及
响应于所述度量指标满足预定标准,将对应于所述满足预定标准的所述度量指标的所述模型确定为最优模型。
2.根据权利要求1所述的方法,其中对输入到模型中的第一精度格式的掩模版图进行归一化处理包括:
用所述模型参数中的归一化系数对所述掩模版图进行处理,以缩小所述掩模版图的图像像素值的范围。
3.根据权利要求2所述的方法,其中对所述归一化版图图像应用第二精度格式的仿真处理包括:
响应于在对所述归一化版图图像应用第二精度格式的仿真处理期间所述第二精度格式的数据越界,调整所述归一化系数以进一步缩小所述掩模版图的图像像素值的范围。
4.根据权利要求2所述的方法,其中用所述模型参数中的归一化系数对所述掩模版图进行处理包括使用以下公式进行处理:
其中Normalization为归一化处理函数,表示归一化处理后的掩模版图的图像;
(xi,yi)表示第i个像素点的坐标,i为正整数;
Normalization (xi,yi)表示坐标(xi,yi)处的归一化处理后的像素;
W表示掩模版图,表示坐标(xi,yi)处的掩模版图的像素;
表示所述归一化系数,所述/>是根据所述掩模版图的像素取值范围以及所述掩模版图的大小而被确定的。
5.根据权利要求4所述的方法,其中:
gamma = 1/Max(x, (Max(y) – Min(y))), 其中x表示所述掩模版图的图像尺寸,y表示所述掩模版图的图像像素的取值;
beta = -Min(y)/gamma;
其中Max表示取最大值,Min表示取最小值。
6. 根据权利要求1所述的方法,其中所述模型中包括用于执行所述仿真处理的多个模块,其中对所述归一化版图图像应用第二精度格式的仿真处理还包括:
分别确定所述多个模块中的各个模块在所述仿真处理期间是否存在所述第二精度格式的数据越界;以及
响应于确定相应模块中存在所述第二精度格式的数据越界,禁用与所述相应模块对应的开关参数以停止在所述相应模块中应用所述第二精度格式的所述仿真处理;以及
在所述相应模块中对所述归一化版图图像应用所述第一精度格式的所述仿真处理。
7. 根据权利要求1所述的方法,其中对所述归一化版图图像应用第二精度格式的仿真处理包括使用所述第二精度格式进行至少以下运算之一:
卷积运算;以及
傅里叶变换。
8. 根据权利要求1所述的方法,其中:
所述第一精度格式包括以下至少一项:32位单精度浮点数格式FP32;以及64位双精度浮点数格式FP64;并且
所述第二精度格式包括以下至少一项:16位脑浮点数格式BF16;以及16位半精度浮点数格式FP16。
9.根据权利要求1所述的方法,其中所述度量指标包括以下至少一项:
边缘放置误差,以及
关键尺寸。
10.根据权利要求1所述的方法,其中对所述模型参数进行迭代更新包括更新以下参数中至少一项:
光学相关的以及光刻胶相关的物理参数;
归一化系数;以及
用于控制所述模型中的相应模块的计算精度的开关参数。
11.根据权利要求1所述的方法,其中所述度量指标满足预定标准包括满足以下中至少一项:
所述度量指标小于预定阈值;或者
迭代的次数达到预定阈值。
12.根据权利要求1至11中任一项所述的方法,其中:
所述模型为光学邻近校正模型或掩模工艺校正模型。
13. 一种电子设备,包括:
处理器;以及
与处理器耦合的存储器,存储器具有存储于其中的指令,指令在被处理器执行时使设备执行动作,所述动作包括:
对输入到模型中的第一精度格式的掩模版图进行归一化处理,以获得归一化版图图像,其中所述模型具有初始化的模型参数;
对所述归一化版图图像应用第二精度格式的仿真处理,以获得仿真晶圆图像,其中所述第二精度格式的精度低于所述第一精度格式的精度;
使用所述第一精度格式确定指示所述仿真晶圆图像与目标图像之间的差异的度量指标;
对所述模型参数进行迭代更新;以及
响应于所述度量指标满足预定标准,将对应于所述满足预定标准的所述度量指标的所述模型确定为最优模型。
14.一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现根据权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410118929.8A CN117669473B (zh) | 2024-01-29 | 2024-01-29 | 用于模型校准的方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410118929.8A CN117669473B (zh) | 2024-01-29 | 2024-01-29 | 用于模型校准的方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117669473A true CN117669473A (zh) | 2024-03-08 |
CN117669473B CN117669473B (zh) | 2024-04-19 |
Family
ID=90064314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410118929.8A Active CN117669473B (zh) | 2024-01-29 | 2024-01-29 | 用于模型校准的方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669473B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666276A (zh) * | 2024-01-31 | 2024-03-08 | 全智芯(上海)技术有限公司 | 用于掩模工艺校正的方法、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060062445A1 (en) * | 2004-09-14 | 2006-03-23 | Gaurav Verma | Methods, systems, and carrier media for evaluating reticle layout data |
CN101226326A (zh) * | 2007-01-03 | 2008-07-23 | 国际商业机器公司 | 使用具有可调精度的模拟检验掩模版图印刷适性的方法和系统 |
US20100058263A1 (en) * | 2007-01-18 | 2010-03-04 | Nikon Corporation | Scanner Based Optical Proximity Correction System and Method of Use |
CN112099309A (zh) * | 2019-06-18 | 2020-12-18 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正模型的校正方法 |
US11003828B1 (en) * | 2020-08-03 | 2021-05-11 | Siemens Industry Software Inc. | System and method for layout analysis using point of interest patterns and properties |
US20210216697A1 (en) * | 2018-06-15 | 2021-07-15 | Asml Netherlands B.V. | Machine learning based inverse optical proximity correction and process model calibration |
CN114326289A (zh) * | 2021-12-29 | 2022-04-12 | 全芯智造技术有限公司 | 用于执行光学邻近校正的方法、设备和存储介质 |
WO2022121736A1 (zh) * | 2020-12-11 | 2022-06-16 | 上海集成电路装备材料产业创新中心有限公司 | 一种基于机器学习的cdsem图像虚拟测量方法 |
CN115329705A (zh) * | 2022-07-29 | 2022-11-11 | 全智芯(上海)技术有限公司 | 半导体器件的布局方法、装置、可读存储介质、终端 |
CN115470741A (zh) * | 2022-11-14 | 2022-12-13 | 全芯智造技术有限公司 | 用于光源掩模协同优化的方法、电子设备和存储介质 |
DE102021133968A1 (de) * | 2021-12-21 | 2023-06-22 | Dspace Gmbh | Verfahren und Anordnung zum Parametrieren einer Emulationslogik |
WO2023115611A1 (zh) * | 2021-12-23 | 2023-06-29 | 中国科学院光电技术研究所 | 基于水平集算法的超分辨光刻逆向光学邻近效应修正方法 |
-
2024
- 2024-01-29 CN CN202410118929.8A patent/CN117669473B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060062445A1 (en) * | 2004-09-14 | 2006-03-23 | Gaurav Verma | Methods, systems, and carrier media for evaluating reticle layout data |
CN101226326A (zh) * | 2007-01-03 | 2008-07-23 | 国际商业机器公司 | 使用具有可调精度的模拟检验掩模版图印刷适性的方法和系统 |
US20100058263A1 (en) * | 2007-01-18 | 2010-03-04 | Nikon Corporation | Scanner Based Optical Proximity Correction System and Method of Use |
US20210216697A1 (en) * | 2018-06-15 | 2021-07-15 | Asml Netherlands B.V. | Machine learning based inverse optical proximity correction and process model calibration |
CN112099309A (zh) * | 2019-06-18 | 2020-12-18 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正模型的校正方法 |
US11003828B1 (en) * | 2020-08-03 | 2021-05-11 | Siemens Industry Software Inc. | System and method for layout analysis using point of interest patterns and properties |
WO2022121736A1 (zh) * | 2020-12-11 | 2022-06-16 | 上海集成电路装备材料产业创新中心有限公司 | 一种基于机器学习的cdsem图像虚拟测量方法 |
DE102021133968A1 (de) * | 2021-12-21 | 2023-06-22 | Dspace Gmbh | Verfahren und Anordnung zum Parametrieren einer Emulationslogik |
WO2023115611A1 (zh) * | 2021-12-23 | 2023-06-29 | 中国科学院光电技术研究所 | 基于水平集算法的超分辨光刻逆向光学邻近效应修正方法 |
CN114326289A (zh) * | 2021-12-29 | 2022-04-12 | 全芯智造技术有限公司 | 用于执行光学邻近校正的方法、设备和存储介质 |
CN115329705A (zh) * | 2022-07-29 | 2022-11-11 | 全智芯(上海)技术有限公司 | 半导体器件的布局方法、装置、可读存储介质、终端 |
CN115470741A (zh) * | 2022-11-14 | 2022-12-13 | 全芯智造技术有限公司 | 用于光源掩模协同优化的方法、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
王国雄, 严晓浪, 史峥, 陈志锦: "基于模型的光学校正系统的设计与实现", 浙江大学学报(工学版), no. 05, 30 May 2004 (2004-05-30), pages 521 - 524 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666276A (zh) * | 2024-01-31 | 2024-03-08 | 全智芯(上海)技术有限公司 | 用于掩模工艺校正的方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117669473B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10318697B2 (en) | Sub-resolution assist feature implementation for shot generation | |
CN117669473B (zh) | 用于模型校准的方法、电子设备及存储介质 | |
CN114326289B (zh) | 用于执行光学邻近校正的方法、设备和存储介质 | |
CN111581907B (zh) | 一种Hessian-Free的光刻掩模优化方法、装置及电子设备 | |
US20050055658A1 (en) | Method for adaptive segment refinement in optical proximity correction | |
US11379647B2 (en) | Multilayer optical proximity correction (OPC) model for OPC correction | |
US7921385B2 (en) | Mask-pattern determination using topology types | |
CN110361926B (zh) | 光学邻近效应修正模型及其建立方法和掩膜板的形成方法 | |
CN113779779A (zh) | 优化掩模的方法、设备和计算机可读存储介质 | |
CN115981115B (zh) | 光学邻近校正方法、装置、计算机设备和存储介质 | |
JP2006292941A (ja) | 光近接効果補正方法およびその装置 | |
CN103376644B (zh) | 一种掩模图形修正方法 | |
CN111339724A (zh) | 用于生成数据处理模型和版图的方法、设备和存储介质 | |
CN112364508A (zh) | 一种光刻胶模型的建立方法及电子设备 | |
CN114326288A (zh) | 增大光刻工艺窗口的方法、电子设备和存储介质 | |
CN111507059B (zh) | 一种图形图像联合优化的光刻掩模优化方法、装置及电子设备 | |
US10571799B1 (en) | Hessian-free calculation of product of Hessian matrix and vector for lithography optimization | |
CN117172185A (zh) | 一种用于多光束光罩编写器的高保真度版图光栅化方法 | |
CN112506003A (zh) | 一种掩模优化方法、掩模优化系统及电子设备 | |
US9582617B2 (en) | Simulation device and simulation program for simulating process using first and second masks | |
CN115933328B (zh) | 一种基于凸优化的光刻模型标定方法和系统 | |
CN115587991A (zh) | 一种曲线掩膜提取方法、提取装置及存储介质 | |
CN117710270B (zh) | 用于自由尺度光学邻近校正的方法、电子设备及存储介质 | |
CN116802556A (zh) | 用于确定晶圆图形尺寸的方法、装置、设备、介质以及程序产品 | |
CN117666276A (zh) | 用于掩模工艺校正的方法、电子设备及存储介质 |
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 |