JP2024526504A - リソグラフィマスク生成モデルの訓練方法、装置、機器、及びコンピュータプログラム - Google Patents

リソグラフィマスク生成モデルの訓練方法、装置、機器、及びコンピュータプログラム Download PDF

Info

Publication number
JP2024526504A
JP2024526504A JP2023551245A JP2023551245A JP2024526504A JP 2024526504 A JP2024526504 A JP 2024526504A JP 2023551245 A JP2023551245 A JP 2023551245A JP 2023551245 A JP2023551245 A JP 2023551245A JP 2024526504 A JP2024526504 A JP 2024526504A
Authority
JP
Japan
Prior art keywords
model
mask
predicted
lithography
mask map
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
JP2023551245A
Other languages
English (en)
Inventor
星宇 ▲馬▼
少▲剛▼ ▲ハオ▼
▲勝▼誉 ▲張▼
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Publication of JP2024526504A publication Critical patent/JP2024526504A/ja
Pending legal-status Critical Current

Links

Images

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
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • 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
    • 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
    • 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
    • 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
    • G03F7/20—Exposure; Apparatus therefor
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

本願の実施例は、リソグラフィマスク生成モデルの訓練方法、装置、機器、及び記憶媒体を提供し、チップ、及び機械学習の技術分野に関する。前記方法は、リソグラフィマスク生成モデルによって、チップレイアウトに対応する予測マスクマップを生成するステップ（３０１）と、予備訓練が完了したウエハパターン生成モデルによって、予測マスクマップに対応する予測ウエハパターンを生成するステップであって、ウエハパターン生成モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである、ステップ（３０２）と、前記予測マスクマップに基づきモデル精度評価指標を決定し、前記予測ウエハパターンに基づきマスク品質評価指標を決定し、前記モデル精度評価指標と前記マスク品質評価指標に基づき、訓練損失を決定する（３０３）と、訓練損失に基づきリソグラフィマスク生成モデルのパラメータを調整するステップ（３０４）と、を含む。本願の実施例が提供する技術的解決手段は、リソグラフィマスク生成モデルの訓練効率を向上させる。

Description

本願の実施例は、チップ、及び機械学習の技術分野に関し、特にリソグラフィマスク生成モデルの訓練方法、装置、機器、及び記憶媒体に関する。
本願は、２０２２年６月１４日に提出された出願番号が第２０２２１０６７３９４８．８号であり、発明の名称が「リソグラフィマスク生成モデルの訓練方法、装置、機器、及び記憶媒体」である中国特許出願の優先権を主張し、その全内容が引用によって本願に組み込まれている。
チップ生産過程において、各々のチップレイアウトのそれぞれに対応するマスクマップを取得することで、リソグラフィプロセス露光を行う必要がある。
関連技術において、リソグラフィマスク生成モデルは、訓練過程において予測マスクマップを生成することになり、且つリソグラフィマスク生成モデルの訓練過程において、リソグラフィ物理モデル（Ｌｉｔｈｏｇｒａｐｈｙ Ｓｉｍｕｌａｔｉｏｎ、ＬＳ）を採用して予測マスクマップに対応するウエハパターンを生成することにより、リソグラフィマスク生成モデルを更新する必要がある。
上記関連技術において、リソグラフィ物理モデルがウエハパターンを生成する処理過程が比較的複雑であり、生成速度が比較的遅いため、リソグラフィマスク生成モデルの訓練効率に影響する。
本願の実施例は、リソグラフィマスク生成モデルの訓練方法、装置、機器、及び記憶媒体を提供し、リソグラフィマスク生成モデルの訓練効率を向上させることを可能にする。前記技術的解決手段は、以下のとおりである。
本願の実施例の１つの態様に基づき、リソグラフィマスク生成モデルの訓練方法を提供し、前記方法は、コンピュータ機器により実行され、前記方法は、
リソグラフィマスク生成モデルによって、チップレイアウトに対応する予測マスクマップを生成するステップであって、前記リソグラフィマスク生成モデルは、前記予測マスクマップを生成することに用いられるニューラルネットワークモデルである、ステップと、
予備訓練が完了したウエハパターン生成モデルによって、前記予測マスクマップに対応する予測ウエハパターンを生成するステップであって、前記ウエハパターン生成モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである、ステップと、
前記予測マスクマップに基づきモデル精度評価指標を決定し、前記予測ウエハパターンに基づきマスク品質評価指標を決定するステップであって、前記モデル精度評価指標は、前記リソグラフィマスク生成モデルのマスク予測精度を特徴付けることに用いられ、前記マスク品質評価指標は、前記予測マスクマップの品質を特徴付けることに用いられる、ステップと、
前記モデル精度評価指標と前記マスク品質評価指標に基づき、訓練損失を決定するステップと、
前記訓練損失に基づき前記リソグラフィマスク生成モデルのパラメータを調整するステップと、を含む。
本願の実施例の１つの態様に基づき、リソグラフィマスク生成モデルの訓練装置を提供し、前記装置は、
リソグラフィマスク生成モデルによって、チップレイアウトに対応する予測マスクマップを生成することに用いられるマスク生成モジュールであって、前記リソグラフィマスク生成モデルは、前記予測マスクマップを生成することに用いられるニューラルネットワークモデルである、マスク生成モジュールと、
予備訓練が完了したウエハパターン生成モデルによって、前記予測マスクマップに対応する予測ウエハパターンを生成することに用いられるパターン生成モジュールであって、前記ウエハパターン生成モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである、パターン生成モジュールと、
前記予測マスクマップに基づきモデル精度評価指標を決定し、前記予測ウエハパターンに基づきマスク品質評価指標を決定することに用いられる損失決定モジュールでであって、前記モデル精度評価指標は、前記リソグラフィマスク生成モデルのマスク予測精度を特徴付けることに用いられ、前記マスク品質評価指標は、前記予測マスクマップの品質を特徴付けることに用いられ、前記モデル精度評価指標と前記マスク品質評価指標に基づき、訓練損失を決定する、損失決定モジュールと、
前記訓練損失に基づき前記リソグラフィマスク生成モデルのパラメータを調整することに用いられるパラメータ調整モジュールと、を含む。
本願の実施例の１つの態様に基づき、コンピュータ機器を提供し、前記コンピュータ機器は、プロセッサと、メモリと、を含み、前記メモリにおいてコンピュータプログラムが記憶され、前記コンピュータプログラムは、前記プロセッサによりロードされ、かつ実行されることで、前記リソグラフィマスク生成モデルの訓練方法を実現する。
本願の実施例の１つの態様に基づき、コンピュータ可読記憶媒体を提供し、前記コンピュータ可読記憶媒体においてコンピュータプログラムが記憶され、前記コンピュータプログラムは、プロセッサによりロードされ、かつ実行されることで、前記リソグラフィマスク生成モデルの訓練方法を実現する。
本願の実施例の１つの態様に基づき、コンピュータプログラム製品を提供し、該コンピュータプログラム製品は、コンピュータプログラムを含み、該コンピュータプログラムは、コンピュータ可読記憶媒体において記憶される。コンピュータ機器のプロセッサは、コンピュータ可読記憶媒体から該コンピュータプログラムを読み取り、プロセッサは、該コンピュータプログラムを実行し、該コンピュータ機器に前記リソグラフィマスク生成モデルの訓練方法を実行させる。
本願の実施例が提供する技術的解決手段は、以下の有益な効果を含むことができる。
リソグラフィマスク生成モデルを訓練する過程において、予備訓練されたニューラルネットワークに基づいて構築された機械学習モデルを採用して予測ウエハパターンを生成し、かつ生成された予測ウエハパターンに基づいて訓練損失を決定することによって、リソグラフィマスク生成モデルのパラメータを更新し、ニューラルネットワークモデルを採用して予測ウエハパターンを生成することで、リソグラフィ物理モデルを採用して予測ウエハパターンを生成することに比べて、所要の計算量がより少なく、計算効率がより高く、従って予測ウエハパターンの生成に所要の時間を節約し、それによりリソグラフィマスク生成モデルの訓練効率を向上させる。
本願の１つの実施例が提供するリソグラフィマスク生成モデルの訓練方法のフローチャートである。 本願の１つの実施例が提供するモデル訓練システムの模式図である。 本願の別の実施例が提供するリソグラフィマスク生成モデルの訓練方法のフローチャートである。 本願の別の実施例が提供するリソグラフィマスク生成モデルの訓練方法のフローチャートである。 本願の別の実施例が提供するリソグラフィマスク生成モデルの訓練方法のフローチャートである。 本願の別の実施例が提供するリソグラフィマスク生成モデルの訓練方法のフローチャートである。 本願の１つの実施例が提供するウエハパターン生成モデルと複雑性評価モデルが特徴抽出ネットワークを共有する模式図である。 本願の１つの実施例が提供するリソグラフィマスク生成モデルの訓練装置のブロック図である。 本願の１つの実施例が提供するリソグラフィマスク生成モデルの訓練装置のブロック図である。 本願の１つの実施例が提供するコンピュータ機器のブロック図である。
人工知能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ、ＡＩ）は、デジタルコンピュータ、又はデジタルコンピュータにより制御される機械を利用して、人の知能を模擬、延伸、及び拡張させ、環境を感知し、知識を取得し、かつ知識を使用して最適な結果を取得するための理論、方法、技術、及び応用システムである。換言すれば、人工知能は、コンピュータ科学の１つの総合的技術であり、それは、知能の本質を把握し、かつ人間の知能に似た方式で反応できる一種の新たな知能機械を生産することを意図する。人工知能とは、各種の知能機械の設計原理、及び実現方法を研究し、機械に感知、推理、及び意思決定の機能を有させることである。
人工知能技術は、１つの総合的学科であり、関連する分野が広く、ハードウェア面の技術もあればソフトウェア面の技術もある。人工知能の基礎技術は、一般的にセンサ、専用人工知能チップ、クラウドコンピューティング、分散型記憶、ビッグデータ処理技術、オペレーティング／インタラクションシステム、メカトロニクス等の技術を含む。人工知能ソフトウェア技術は、主にコンピュータ視覚技術、音声処理技術、自然言語処理技術、及び機械学習／深層学習等のいくつかの大きな方向を含む。
機械学習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ、ＭＬ）は、１つの多分野の学際的な学科であり、確率論、統計学、近似理論、凸解析、アルゴリズム複雑性理論等の複数の学科に関する。コンピュータがどのように人間の学習行動を模擬、又は実現することによって、新たな知識、又は技能を取得し、既存の知識構造を再編成してそれ自体の性能を継続的に改善するかを専門的に研究する。機械学習は、人工知能の中核であり、コンピュータに知能を有させる根本的な方法であり、その応用は、人工知能の各々の分野に普及されている。機械学習と深層学習は、通常、人工ニューラルネットワーク、信念ネットワーク、強化学習、転移学習、帰納学習、模倣学習等の技術を含む。
本願の実施例は、機械学習技術を採用し、リソグラフィマスク生成モデルを訓練し、それによりリソグラフィマスク生成モデルが、精度が比較的高い予測マスクマップを生成し、後続のチップリソグラフィ過程にフォトマスクを提供することを可能にする。
本願の実施例が提供する方法は、集積回路設計のその他の段階、例えばチップ論理回路シミュレーション、チップ熱輸送シミュレーション、チップ性能検出、チップ不良点検出、光源－マスク協調最適化等のその他のＥＤＡ（Ｅｌｅｃｔｒｏｎｉｃ ｄｅｓｉｇｎ ａｕｔｏｍａｔｉｏｎ、電子設計自動化）分野に拡大して応用することもできる。
本願の図１は、リソグラフィマスク生成モデルの訓練方法を提供する。図１に示されるように、該方法は、ウエハパターン生成モデル１１に対して予備訓練を行って、予備訓練が完了したウエハパターン生成モデル１１を獲得するステップと、リソグラフィマスク生成モデル１２を採用してチップレイアウトに対してマスク予測を行って、予測マスクマップを生成し、予測マスクマップとチップレイアウトに対応する標準マスクマップとの間の差異に基づき、モデル精度評価指標を計算するステップと、予備訓練が完了したウエハパターン生成モデル１１を採用して予測マスクマップに対応する予測ウエハパターンを生成し、予測ウエハパターンとチップレイアウトとの間の差異に基づき、マスク品質評価指標を計算するステップと、リソグラフィ物理モデルを採用して複数種の異なるプロセスパラメータに基づいて、予測マスクマップに対応する複数のウエハパターンを生成するステップと、複数のウエハパターンの間の差異に基づき、予測マスクマップに対応する複雑性評価指標を決定するステップと、モデル精度評価指標、マスク品質評価指標、及び複雑性評価指標に基づき、リソグラフィマスク生成モデル１２を訓練するステップと、を含んでもよい。
図２に参照されるように、本願の１つの実施例が提供するモデル訓練システムの模式図を示している。該モデル訓練システムは、リソグラフィマスク生成モデルの訓練システムとして実現されてもよい。該システム２０は、モデル訓練機器１３と、モデル使用機器１４と、を含んでもよい。
モデル訓練機器１３は、例えばパソコン、サーバ、知能ロボット等の電子機器であってもよく、又は比較的高い計算能力を有するその他のいくつかの電子機器であってもよい。モデル訓練機器１３は、リソグラフィマスク生成モデル１５を訓練することに用いられる。本願の実施例において、リソグラフィマスク生成モデル１５は、予測マスクマップを生成することに用いられるニューラルネットワークモデルであり、モデル訓練機器１３は、機械学習方式を採用してリソグラフィマスク生成モデル１５を訓練することで、それに比較的良好な性能を備えることができる。
上記訓練が完了したリソグラフィマスク生成モデル１５は、モデル使用機器１４において配備して使用されることで、画像処理結果（すなわち自動カウント結果）を提供することができる。モデル使用機器１４は、例えばＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ、パーソナルコンピュータ）、タブレットパソコン、スマートフォン、ウェアラブル機器、知能ロボット、スマート音声インタラクション機器、スマート家電、車載端末、航空機、医療機器等の端末機器であってもよく、サーバであってもよく、本願は、これを限定しない。
いくつかの実施例において、図２に示されるように、リソグラフィマスク生成モデル１５は、符号化ネットワーク１６と、復号ネットワーク１７と、を含んでもよい。いくつかの実施例において、符号化ネットワーク１６は、畳み込みニューラルネットワークで構成された符号化ネットワークである。畳み込み層の数量が８であることを例とすると、チップレイアウトが入力された後、多層の２次元畳み込みニューラルネットワークを通過する。この８個の畳み込み層は、それぞれ８個、１６個、３２個、６４個、１２８個、２５６個、５１２個、１０２４個の３×３のフィルタを含み、個々の畳み込み層の後にバッチ正規化層が確立され、且つ補正線形ユニット（ＲｅＬＵ）が活性化関数として用いられる。上記８層の畳み込みの最終出力（次元（１，１，１０２４））は、復号ネットワーク１７の入力とされており、復号ネットワーク１７は、多層の逆畳み込みニューラルネットワークで構成される。逆畳み込み層の数量が８であることを例とすると、最初の７つの畳み込み層は、それぞれ１０２４個、５１２個、２５６個、１２８個、６４個、３２個、１６個の３×３のフィルタを含み、個々の逆畳み込み層の後にバッチ正規化層が確立され、Ｌｅａｋｙ補正線形ユニット（Ｌｅａｋｙ－ＲｅＬＵ）が活性化関数として用いられる。最後に、１つの３×３のフィルタ、及びｓｉｇｍｏｉｄ活性化関数からなる逆畳み込み層は、次元が（２５６，２５６，１）であり、且つ値が０～１のフォトマスクを与え、次にフォトマスクを２値化処理して最終的な予測フォトマスクを獲得する。
いくつかの実施例において、リソグラフィマスク生成モデル１５は、Ｕ字型画像分割ネットワークＵ－Ｎｅｔであり、Ｕ－Ｎｅｔは、符号化ネットワーク１６と、復号ネットワーク１７と、を含み、符号化ネットワーク１６は、チップレイアウトに対して特徴抽出（ダウンサンプリング）を行うことに用いられ、復号ネットワーク１７は、アップサンプリング、及び特徴合成を行って予測フォトマスクを獲得することに用いられる。コンピュータ機器は、チップレイアウトを符号化ネットワーク１６に入力してダウンサンプリングを行って、チップレイアウトに対応する特徴情報を獲得する。コンピュータ機器は、復号ネットワーク１７によってチップレイアウトに対応する特徴情報に対してアップサンプリング、及び特徴合成を行って、チップレイアウトに対応する予測マスクマップを獲得する。
本願の実施例は、各種のシーンに応用することができ、チップ設計、クラウド技術、人工知能、チップ製造、スマート交通、運転支援等を含むがこれらに限定されない。
以下、いくつかの実施例によって本願の技術的解決手段を紹介して説明する。
図３に参照されるように、それは、本願の１つの実施例が提供するリソグラフィマスク生成モデルの訓練方法のフローチャートを示している。本実施例において、該方法が上記紹介されたモデル訓練機器に応用されることを列挙して説明する。該方法は、以下のいくつかのステップ（３０１～３０４）を含んでもよい。
ステップ３０１：リソグラフィマスク生成モデルによって、チップレイアウトに対応する予測マスクマップを生成する。
該リソグラフィマスク生成モデルは、本願の実施例において訓練する必要があるモデルである。いくつかの実施例において、チップレイアウトをリソグラフィマスク生成モデルに入力し、リソグラフィマスク生成モデルは、チップレイアウトに対応する予測マスクマップを生成する。
ここで、チップレイアウトは、ラベル付けされたチップ設計レイアウトであってもよく、すなわち、チップレイアウトは、模擬シミュレーションレイアウトであってもよい。ラベル付けされたチップ設計レイアウトとは、対応する標準マスクマップが生成されたチップレイアウトを指す。
チップレイアウトは、集積回路レイアウトであってもよく、真の集積回路の物理的な状況における平面幾何学的形状の記述である。集積回路レイアウトは、集積回路設計における最下層ステップの物理設計の成果である。物理設計は、配置、配線技術によって論理合成の成果をレイアウトファイルに変換する。該ファイルは、各ハードウェアユニットのチップ上での形状、面積、及び位置情報を含む。いくつかの実施例において、チップレイアウトのタイプは、チップレイアウトに対応するチップ階層に応じて区分されてもよく、例えば連通層、金属配線層等である。いくつかの実施例において、チップレイアウトのタイプは、応用分野に応じて区分されてもよく、例えば量子チップ、家電チップ、携帯電話チップ、パソコンチップ、ウェアラブル機器のチップ、及び産業用ロボットチップ等である。
標準マスクマップとは、チップレイアウトのＯＰＣ（ｏｐｔｉｃａｌ ｐｒｏｘｉｍｉｔｙ ｃｏｒｒｅｃｔｉｏｎ、光近接効果補正）によって獲得されたマスクマップを指し、標準マスクマップは、すなわちラベル付けされたチップレイアウトのラベルである。光近接効果補正とは、計算方法を使用してフォトマスク上の図形を補正し、フォトレジスト上に投影された図形ができるだけ設計要件に合致するようにすることを指し、一種のリソグラフィ解像度強化技術である。リソグラフィプロセスにおいて、マスク上の図形は、露光システムによってフォトレジスト上に投影されるが、光学システムの不完全性、及び回折効果のため、フォトレジスト上の図形とマスク上の図形とは、完全に一致しない。これらの歪みが是正されないならば、生産された回路の電気性能を比較的大きな程度で変更する可能性がある。光近接効果補正は、リソグラフィマスク上の透光領域の図形のトポロジー構造を調整するか、又はマスク上に微細な解像度以下の補助図形を追加することによって、フォトレジストにおける結像結果をできるだけマスク図形に近づける一種の技術である。ＯＰＣ技術も、マスク透過光の振幅を変更することによって、更にリソグラフィシステムの結像品質の低下を補償する一種の技術である。ＯＰＣは、主に半導体デバイスの生産過程において使用される。
ステップ３０２：予備訓練が完了したウエハパターン生成モデルによって、予測マスクマップに対応する予測ウエハパターンを生成し、ウエハパターン生成モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである。
いくつかの実施例において、予備訓練が完了したウエハパターン生成モデルに対しては、マスクマップに基づいて対応する予測ウエハパターンを生成することができる。すなわち、予測マスクマップを予備訓練が完了したウエハパターン生成モデルに入力すると、予備訓練が完了したウエハパターン生成モデルは、予測マスクマップに対応する予測ウエハパターンを出力することができる。
ウエハパターン生成モデルは、予測ウエハパターンを生成することに用いられるニューラルネットワークモデルであり、ウエハパターン生成モデルは、機械学習方式を採用してウエハパターン生成モデルを訓練することで、それに比較的良好な性能を備えることができる。
いくつかの実施例において、ウエハパターン生成モデルは、Ｕ字型画像分割ネットワークＵ－Ｎｅｔである。Ｕ－Ｎｅｔは、符号化ネットワークと、復号ネットワークと、を含み、符号化ネットワークは、予測マスクマップに対して特徴抽出（ダウンサンプリング）を行うことに用いられ、復号ネットワークは、アップサンプリング、及び特徴合成を行って予測ウエハパターンを獲得することに用いられる。コンピュータ機器は、予測マスクマップを符号化ネットワークに入力してダウンサンプリングを行って、予測マスクマップに対応する特徴情報を獲得し、コンピュータ機器は、復号ネットワークによって予測マスクマップに対応する特徴情報に対してアップサンプリング、及び特徴合成を行って、予測マスクマップに対応する予測ウエハパターンを獲得する。
いくつかの実施例において、ウエハパターン生成モデルにおける符号化ネットワークは、畳み込みニューラルネットワークで構成される符号化ネットワークである。畳み込み層の数量が８であることを例とすると、予測マスクマップが入力された後に、多層の２次元畳み込みニューラルネットワークを通過する。この８個の畳み込み層は、それぞれ８個、１６個、３２個、６４個、１２８個、２５６個、５１２個、１０２４個の３×３のフィルタを含み、個々の畳み込み層の後にバッチ正規化層が確立され、且つ補正線形ユニット（ＲｅＬＵ）が活性化関数として用いられる。上記８層の畳み込みの最終出力（次元（１，１，１０２４））は、復号ネットワークの入力とされており、復号ネットワークは、多層の逆畳み込みニューラルネットワークで構成される。逆畳み込み層の数量が８であることを例とすると、最初の７つの畳み込み層は、それぞれ１０２４個、５１２個、２５６個、１２８個、６４個、３２個、１６個の３×３のフィルタを含み、個々の逆畳み込み層の後にバッチ正規化層が確立され、Ｌｅａｋｙ補正線形ユニット（Ｌｅａｋｙ－ＲｅＬＵ）が活性化関数として用いられる。最後に、予測マスクマップに対応する予測ウエハパターンを獲得する。
ニューラルネットワークモデルがプロセッサ（例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理ユニット））を採用して加速演算を非常に容易に行うことができるため、その計算にかかる時間がより短くなる。
いくつかの実施例において、第１データセットを取得し、第１データセットは、少なくとも１つのマスクマップサンプル、及びマスクマップサンプルに対応する標準ウエハパターンを含み、第１データセットを採用してウエハパターン生成モデルを訓練して、予備訓練が完了したウエハパターン生成モデルを獲得する。
いくつかの実施例において、チップレイアウトサンプルにＯＰＣ処理を施して、チップレイアウトサンプルに対応するマスクマップサンプルを獲得し、第２リソグラフィ物理モデルによってマスクマップサンプルに対応する標準ウエハパターンを獲得し、第２リソグラフィ物理モデルは、光学原理に基づく数学物理シミュレーションモデルであり、対応関係を有するマスクマップサンプルと標準ウエハパターンに基づき、第１データセットを構造する。ここで、マスクマップサンプルとは、対応する標準ウエハパターンが生成されたマスクマップを指す。
いくつかの実施例において、ウエハパターン生成モデルの訓練には、以下の損失関数を採用することができる。
Ｌ＝｜Ｗａｆｅｒ－Ｗａｆｅｒｐｒｅｄ｜２
（ここで、Ｗａｆｅｒは、リソグラフィ物理モデルによって獲得されたウエハパターンを表し、Ｗａｆｅｒｐｒｅｄは、ウエハパターン生成モデルにより予測して獲得されたウエハパターンを表し、Ｌは、損失関数値を表す。）
いくつかの実施例において、リソグラフィ物理モデル（例えば第２リソグラフィ物理モデル）は、光学原理に基づく数学物理シミュレーションモデルである。
選択可能に、まず選択されたプロセスパラメータ（例えば標準プロセスパラメータ）とマスクマップをリソグラフィ物理モデルに入力し、リソグラフィ物理モデルは、該プロセスパラメータとマスクマップに対応する光強度分布を生成する。次にｓｉｇｍｏｉｄ関数によって光強度分布を該プロセスパラメータとマスクマップに対応するウエハパターンに転化する。
いくつかの実施例において、リソグラフィ物理モデルは、部分コヒーレント結像システムのＨｏｐｋｉｎｓ回折リソグラフィ物理モデルである。リソグラフィ物理モデルにより獲得された、ウエハ上に結像された光強度分布Ｉは、マスクマップとリソグラフィシステムのカーネル関数ｈとの畳み込みによって獲得され、カーネル関数は、リソグラフィシステム（例えば１９３ナノメートルの環状光源）の交差伝達係数に対して特異値分解を行うことによって獲得される。いくつかの実施例において、リソグラフィ物理モデルは、以下の［数１］ように定義される。
Figure 2024526504000002
（ここで、ｈｋ、及びωｋは、それぞれ特異値分解後のｋ番目のカーネル関数、及び対応する重み係数であり、（ｘ，ｙ）は、データ座標であり、Ｍは、マスクを表し、Ｉは、リソグラフィ物理モデル上に結像された光強度分布を表す。選択可能に、特異値分解後の最初の２４個のカーネル関数と対応する重み係数を採用することができ、すなわちＫ＝２４になる。）
いくつかの実施例において、ウエハパターンは、ウエハ上に結像された光強度分布から以下の分布関数によって獲得される。
Ｚ（ｘ，ｙ）＝１，Ｉ（ｘ，ｙ）≧Ｉｔｈ
Ｚ（ｘ，ｙ）＝０，Ｉ（ｘ，ｙ）＜Ｉｔｈ
いくつかの実施例において、Ｚは、ウエハ上に結像された光強度分布であり、Ｉｔｈは、強度値を表し、Ｉｔｈは、０．２２５である。選択可能に、Ｉｔｈは、［０，１］区間内のその他の数値を取ってもよく、本願の実施例は、これを具体的に限定しない。
ステップ３０３：予測マスクマップに基づきモデル精度評価指標を決定し、予測ウエハパターンに基づきマスク品質評価指標を決定し、モデル精度評価指標とマスク品質評価指標に基づき、訓練損失を決定する。
モデル精度評価指標は、リソグラフィマスク生成モデルのマスク予測精度を特徴付けることに用いられ、マスク品質評価指標は、予測マスクマップの品質を特徴付けることに用いられる。
いくつかの実施例において、チップレイアウトに対しては、予測マスクマップと予測ウエハパターンに基づきリソグラフィマスク生成モデルのマスク予測能力を判断し、かつ訓練損失を決定することができる。訓練損失とは、予測マスクマップと予測ウエハパターンとの間の差異値を指し、訓練損失は、リソグラフィマスク生成モデルの精度を指示することに用いることができる。
ステップ３０４：訓練損失に基づきリソグラフィマスク生成モデルのパラメータを調整する。
いくつかの実施例において、訓練損失に基づいてリソグラフィマスク生成モデルのパラメータを調整し、それによりリソグラフィマスク生成モデルを訓練する。訓練損失が訓練停止条件を満たすと、訓練を停止し、かつ訓練が完了したリソグラフィマスク生成モデルを獲得することができる。いくつかの実施例において、訓練停止条件は、モデル反復回数が設定された回数に達すること、訓練損失の勾配が閾値よりも小さいこと、モデル精度評価指標が精度閾値を満たすこと、マスク品質評価指標がマスク品質閾値を満たすこと、及び複雑性評価指標が複雑性閾値に合致すること、の少なくとも１つを含む。
いくつかの実施例において、本願の実施例で使用されるのは、開示されているリソグラフィマスクコードデータセットである。たとえば、リソグラフィマスクデータセットは、論文「ＧＡＮ－ＯＰＣ：リソグラフィ誘導の敵対的生成ネットワークを使用したマスク最適化（Ｍａｓｋ ｏｐｔｉｍｉｚａｔｉｏｎ ｗｉｔｈ ｌｉｔｈｏｇｒａｐｈｙ－ｇｕｉｄｅｄ ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｓ）」、及び、「逆リソグラフィ技術：逆リソグラフィ技術をニューラルネットワークに転移するマスクの印刷可能性、及び複雑度の協調最適化の実現（Ｎｅｕｒａｌ－ＩＬＴ： Ｍｉｇｒａｔｉｎｇ ＩＬＴ ｔｏ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｍａｓｋ ｐｒｉｎｔａｂｉｌｉｔｙ ａｎｄ ｃｏｍｐｌｅｘｉｔｙ ｃｏ－ｏｐｔｉｍｉｚａｔｉｏｎ）」において開示されているデータセットを採用する。この２つのデータセットにおいては、合計で１０２７１個のチップレイアウト、及び対応するマスクマップがあり、チップレイアウトは、３２ナノメートルのプロセスノード、及び一定の設計規則を満たす。選択可能に、上記データセットにおけるマスクマップは、逆方向リソグラフィマスク最適化アルゴリズムによって獲得される。
以上のように、本願の実施例が提供する技術的解決手段は、リソグラフィマスク生成モデルを訓練する過程において、予備訓練されたニューラルネットワークに基づいて構築された機械学習モデルを採用して予測ウエハパターンを生成し、かつ生成された予測ウエハパターンに基づいて訓練損失を決定することによって、リソグラフィマスク生成モデルのパラメータを更新する。ニューラルネットワークモデルを採用して予測ウエハパターンを生成するため、リソグラフィ物理モデルを採用して予測ウエハパターンを生成することに比べて、所要の計算量がより少なく、計算効率がより高く、従って本願の実施例は、予測ウエハパターンの生成に所要の時間を節約し、それによりリソグラフィマスク生成モデルの訓練効率を向上させる。
説明する必要があるように、一方では、予測ウエハパターンが採用した、ニューラルネットワークに基づいて構築された機械学習モデルは予備訓練されたものであるため、リソグラフィマスク生成モデルの訓練過程は、ウエハパターン生成モデルの訓練過程を含まないことから、予測ウエハパターンの生成に所要の時間を節約し、更にリソグラフィマスク生成モデルの訓練に所要の時間を節約することで、リソグラフィマスク生成モデルの訓練効率を向上させる。他方では、ウエハパターン生成モデルの訓練には、リソグラフィ物理モデルによって数量の比較的少ないマスクマップサンプルについて、マスクマップサンプルのそれぞれに対応する標準ウエハパターンを生成するだけでよく、その後、予備訓練が完了したウエハパターン生成モデルを採用してリソグラフィマスク生成モデルに関与する過程において、リソグラフィ物理モデルの関与を必要としない。もしリソグラフィ物理モデルを採用して予測ウエハパターンを生成するならば、リソグラフィマスク生成モデルが１サイクルごとに生成した予測マスクマップはいずれも異なるため、リソグラフィ物理モデルは、リソグラフィ物理モデルが１サイクルごとに生成した予測マスクマップについて対応するウエハパターンをいずれも生成する必要がある。このような状況下で、リソグラフィ物理モデルに基づいて生成する必要があるウエハパターンの数量を顕著に増加させることになり、それによりリソグラフィマスク生成モデルの訓練に所要の時間を増加させ、リソグラフィマスク生成モデルの訓練効率を低減させる。
たとえば、リソグラフィマスク生成モデルの訓練に採用されたラベルデータセットにおいて１００００個のラベル付けされたチップレイアウトが含まれ、リソグラフィマスク生成モデルの訓練サイクルが１００（すなわち１００回反復する）であることを例とすると、もしリソグラフィ物理モデルを採用して予測ウエハパターンを生成するならば、各々のチップレイアウトに対しては、１サイクルごとにリソグラフィマスク生成モデルに基づいて１つの予測マスクマップを生成することになり、各々の予測マスクマップは、いずれもリソグラフィ物理モデルに基づいて１つのウエハパターンを生成する必要がある。従って、リソグラフィ物理モデルを採用して１００００×１００個のウエハパターンを生成する必要があり、もしまずウエハパターン生成モデルに対して予備訓練を行い、次に予備訓練が完了したウエハパターン生成モデルを採用して予測マスクマップに対応する予測ウエハパターンを生成するなら、ウエハパターン生成モデルの訓練過程において、対応するラベルデータセットにおいて１００００個のラベルデータもあることになる。すなわち、ウエハパターン生成モデルの訓練に採用されたラベルデータセットにおいて１００００個のラベル付けされたマスクマップが含まれ、つまり、最大でリソグラフィ物理モデルを採用してこの１００００個のマスクマップに対応するウエハパターンを生成するだけで、予備訓練が完了したウエハパターン生成モデルを獲得することができる。明らかなように、予備訓練が完了したウエハパターン生成モデルを採用して予測マスクマップに対応する予測ウエハパターンを生成し、かつこれに基づいてリソグラフィマスク生成モデルを訓練すると、リソグラフィ物理生成モデルによって生成する必要があるウエハパターンの数量は、リソグラフィ物理モデルを採用して予測ウエハパターンを生成する方法における、リソグラフィ物理モデルが生成する必要があるウエハパターンの数量よりもはるかに小さく（すなわち１００００は、１００００×１００よりもはるかに小さい）、予測ウエハパターンの生成に所要の時間を節約し、それによりリソグラフィマスク生成モデルの訓練効率を向上させる。
いくつかの可能な実現形態において、図４に示されるように、上記ステップ３０３は、以下のステップ（３０３１～３０３３）をさらに含む。
ステップ３０３１：予測マスクマップとチップレイアウトに対応する標準マスクマップとの間の差異に基づき、モデル精度評価指標を計算し、モデル精度評価指標は、リソグラフィマスク生成モデルのマスク予測精度を特徴付けることに用いられる。
いくつかの実施例において、モデル精度評価指標は、同一グループに属する予測マスクマップと標準マスクマップとの間の絶対差異に基づいて生成されるか、又は、モデル精度評価指標は、同一グループに属する予測マスクマップと標準マスクマップとの間の絶対百分率差異に基づいて生成されるか、又は、モデル精度評価指標は、同一グループに属する予測マスクマップと標準マスクマップとの間のメディアン絶対差異に基づいて生成されるが、これらに限定されず、本願の実施例は、これを具体的に限定しない。
絶対百分率差異とは、予測マスクマップと標準マスクマップとの間の絶対差異と標準マスクマップとの百分率を指す。
メディアン絶対差異とは、予測マスクマップと標準マスクマップとの間の複数の絶対差異の間の中央値を指す。
いくつかの実施例において、リソグラフィマスク生成モデルに入力されたチップレイアウトについて言えば、予測マスクマップと高品質の標準マスクマップとの間の差異を計算することによって、リソグラフィマスク生成モデルのマスク予測精度を判断する、すなわちリソグラフィマスク生成モデルのマスク予測能力を判断することができる。予測マスクマップと標準マスクマップとの間の差異が小さいほど、リソグラフィマスク生成モデルのマスク予測精度が高くなることを意味し、逆に、予測マスクマップと標準マスクマップとの間の差異が大きいほど、リソグラフィマスク生成モデルのマスク予測精度が低くなることを意味する。
ステップ３０３２：予測ウエハパターンとチップレイアウトとの間の差異に基づき、マスク品質評価指標を計算し、マスク品質評価指標は、予測マスクマップの品質を特徴付けることに用いられる。
いくつかの実施例において、予測ウエハパターンと対応するチップレイアウトとの間の差異が小さいほど、対応する予測マスクマップの品質が高くなることを意味し、逆に、予測ウエハパターンと対応するチップレイアウトとの間の差異が大きいほど、対応する予測マスクマップの品質が低くなることを意味する。
いくつかの実施例において、マスク品質評価指標の生成は、主観的評定生成、及び客観的評定生成を含む。
主観的評定とは、観察者の主観的感覚に基づき予測ウエハパターンと対応するチップレイアウトとの間の差異を評定することを指す。
客観的評定とは、予測ウエハパターンとチップレイアウトの画像特徴に基づいて客観的比較を行い、それにより予測ウエハパターンと対応するチップレイアウトとの間の差異を獲得することを指す。
ステップ３０３３：モデル精度評価指標とマスク品質評価指標に基づき、訓練損失を決定する。
いくつかの実施例において、モデル精度評価指標とマスク品質評価指標に対応する数値を加算（例えば重み付け加算）して、訓練損失を獲得する。
いくつかの実施例において、図５に示されるように、該方法は、以下のステップ（３０３４～３０３５）をさらに含む。
ステップ３０３４：予測マスクマップに対応する複雑性評価指標を取得し、複雑性評価指標は、予測マスクマップの複雑性を特徴付けることに用いられる。
訓練損失において複雑性評価指標を加えることによって、リソグラフィマスク生成モデルが複雑性の低い予測マスクマップを生成する傾向があり、それによりリソグラフィマスク生成モデルにより生成された予測マスクマップの複雑性を低減させることができ、更に予測マスクマップの製造可能性を向上させることができる。
いくつかの実施例において、予測マスクマップにおいて、もしウエハ上に容易に露光する多くの微小構造（例えばホール、突出部、鋸歯等）が存在するならば、予測マスクマップの複雑性は比較的高い。予測マスクマップには、ウエハ上に露光しやすい微小構造（例えばホール、突出部、鋸歯等）が存在しないか、又は存在しても比較的少ないならば、予測マスクマップの複雑性が比較的低い。
いくつかの実施例において、該方法は、以下のステップ（１～２）をさらに含む。
１．第１リソグラフィ物理モデルを採用して複数種の異なるプロセスパラメータに基づいて、予測マスクマップに対応する複数のウエハパターンを生成し、第１リソグラフィ物理モデルは、光学原理に基づく数学物理シミュレーションモデルである。
いくつかの実施例においては、予測マスクマップの複数種の異なるプロセスパラメータに対応するウエハパターンを生成し、プロセスパラメータの種類は、２種類、又は２種類以上である。ここで、プロセスパラメータは、露光量、デフォーカス等を含む。選択可能に、プロセスパラメータの種類、及び具体的なプロセスパラメータの数値は、関連技術者により実際の状況に基づき設定することができ、本願の実施例は、これを具体的に限定しない。
いくつかの実施例において、第１リソグラフィ物理モデルを採用して第１プロセスパラメータに基づいて、予測マスクマップに対応する第１ウエハパターンを生成し、第１リソグラフィ物理モデルを採用して第２プロセスパラメータに基づいて、予測マスクマップに対応する第２ウエハパターンを生成する。ここで、第１プロセスパラメータの露光量は、第２プロセスパラメータの露光量よりも小さく、第１プロセスパラメータのデフォーカスは、第２プロセスパラメータのデフォーカスよりも小さい。
２．複数のウエハパターンの間の差異に基づき、予測マスクマップに対応する複雑性評価指標を決定する。
予測マスクマップが簡単であるほど（すなわち複雑性が低いほど）、それが異なるプロセスパラメータ条件下で獲得したウエハパターンの間の差異が小さくなる。予測マスクマップが複雑であるほど、それが異なるプロセスパラメータ条件下で獲得したウエハパターンの間の差異が大きくなる。従って、複数のウエハパターンの間の差異が小さいほど、対応する予測マスクマップの複雑性が低くなる（すなわち簡単になる）ことを意味し、複数のウエハパターンの間の差異が大きいほど、対応する予測マスクマップが複雑になることを意味する。そのため、異なるプロセスパラメータ条件下で獲得されたウエハパターンの差異によって、予測マスクマップの複雑性を容易に直感的に判断することを可能にする。各々の予測マスクマップに対しては、各グループのプロセスパラメータに基づいて１つの予測マスクマップに対応するウエハパターンをいずれも生成する必要がある。プロセスパラメータは、２グループ（すなわち個々の予測マスクマップは、２つのウエハパターンに対応する）、３グループ（すなわち個々の予測マスクマップは、３つのウエハパターンに対応する）、４グループ（すなわち個々の予測マスクマップは、４つのウエハパターンに対応する）、５グループ（すなわち個々の予測マスクマップは、５つのウエハパターンに対応する）等を有してもよく、本願の実施例は、これを具体的に限定しない。
いくつかの実施例において、第１ウエハパターンと第２ウエハパターンとの間の差異に基づき、予測マスクマップに対応する複雑性評価指標を計算する。すなわち、個々の予測マスクマップに対しては、異なるプロセスパラメータに対応する２つのウエハパターンだけでその複雑性評価指標を計算することができ、３つ、４つ、５つ、又はより多くのウエハパターンを採用して複雑性評価指標を計算することに比べて、複雑性評価指標の計算に所要の計算量、及び時間を減少させ、更にリソグラフィマスク生成モデルの訓練効率を向上させる。
いくつかの実施例において、複雑性評価指標の生成は、任意の２つのウエハパターンの間のパターン差異の平均差異値によって生成されるか、又は、複雑性評価指標の生成は、任意の２つのウエハパターンの間のパターン差異の差異値百分率によって生成されるか、又は、複雑性評価指標の生成は、任意の２つのウエハパターンの間のパターン差異のメディアン差異値によって生成されるが、これらに限定されず、本願の実施例は、これを具体的に限定しない。
平均差異値とは、任意の２つのウエハパターンの間のパターン差異値の平均値を指す。
差異値百分率とは、任意の２つのウエハパターンの間のパターン差異値のうち、閾値よりも大きい差異値の百分率を指す。
メディアン差異値とは、任意の２つのウエハパターンの間の複数のパターン差異値の間の中央値を指す。
いくつかの実施例において、図６に示されるように、予備訓練が完了した複雑性評価モデル１８によって、予測マスクマップに対応する複雑性評価指標を生成する。ここで、複雑性評価モデル１８は、ニューラルネットワークに基づいて構築された機械学習モデルである。すなわち、マスクマップを複雑性評価モデルに入力した後に、複雑性評価モデルは、マスクマップに対応する複雑性評価指標を出力することができる。
いくつかの実施例において、複雑性評価モデルの直接出力によって予測マスクマップに対応する複雑性評価指標を獲得する。具体的な方法は、第２データセットを取得するステップであって、第２データセットは、少なくとも１つのマスクマップサンプル、及びマスクマップサンプルに対応する標準複雑性評価指標を含む、ステップと、第２データセットを採用して複雑性評価モデルを訓練して、予備訓練が完了した複雑性評価モデルを獲得するステップと、を含む。
予備訓練が完了したウエハパターン生成モデルを採用して予測ウエハパターンを生成することと同様に、一方では、複雑性評価モデルの直接出力によって予測マスクマップに対応する複雑性評価指標を獲得する。このように、リソグラフィ物理モデルの訓練過程においてリソグラフィ物理モデルに基づいてマスクマップを生成する必要がなく、それにより計算リソース、及び計算時間を節約し、更にリソグラフィマスク生成モデルの訓練効率を向上させる。他方では、もしリソグラフィ物理モデルを採用して予測マスクマップに対応する予測ウエハパターンを生成し、かつ予測ウエハパターンに基づいて予測マスクマップの複雑性評価指標を決定するなら、リソグラフィマスク生成モデルが１サイクルごとに生成した予測マスクマップはいずれも異なるため、リソグラフィ物理モデルは、リソグラフィ物理モデルが１サイクルごとに生成した予測マスクマップについて対応するウエハパターンをいずれも生成する必要がある。このような状況下で、リソグラフィ物理モデルに基づいて生成する必要があるウエハパターンの数量を顕著に増加させることになり、それによりリソグラフィマスク生成モデルの訓練に所要の時間を増加させ、リソグラフィマスク生成モデルの訓練効率を低減させる。複雑性評価モデルの訓練には、リソグラフィ物理モデルによって数量の比較的少ないマスクマップサンプルについて、マスクマップサンプルのそれぞれに対応する標準ウエハパターンを生成するだけでよく、その後、予備訓練が完了した複雑性評価モデルを採用してリソグラフィマスク生成モデルに関与する過程においては、リソグラフィ物理モデルの関与を必要とせず、ウエハパターンの生成に所要の時間を節約し、リソグラフィマスク生成モデルの訓練効率を向上させる。
いくつかの実施例においては、ウエハパターン生成モデルによって予測マスクマップの異なるプロセスパラメータ条件下において対応する複数のウエハパターン（例えば第１ウエハパターンと上記第２ウエハパターン）を生成し、次に複数のウエハパターンの間の差異に基づき、予測マスクマップに対応する複雑性評価指標を決定する。このように、リソグラフィ物理モデルを採用して予測マスクマップに対応する複数のウエハパターンを生成するため、複数のウエハパターンに基づいて予測マスクマップの複雑性評価指標を決定することに比べて、ウエハパターンの生成に所要の時間を節約し、更にリソグラフィマスク生成モデルの訓練効率を向上させることもできる。しかし、エンドツーエンドの複雑性指標生成モデルを採用し、予測マスクマップを入力した後に対応する複雑性評価指標を直接出力することができることに比べると、依然としてウエハパターンを生成する必要があるため、予測マスクマップに対応する複雑性評価指標の決定に所要の時間を増加させることになる。
いくつかの実施例において、ウエハパターン生成モデルと複雑性評価モデルとは、いずれもニューラルネットワークに基づく機械学習モデルであり、ウエハパターン生成モデルと複雑性評価モデルとは、同じ特徴抽出ネットワークを共有し、ウエハパターン生成モデルは、特徴抽出ネットワークと、ウエハパターン予測ネットワークと、を含む。複雑性評価モデルは、特徴抽出ネットワークと、複雑性評価ネットワークと、を含む。いくつかの実施例において、複雑性評価ネットワークによって、特徴抽出ネットワークにより取得された予測マスクマップに対応する特徴情報を処理して、予測マスクマップに対応する複雑性評価指標を獲得する。
いくつかの実施例において、ウエハパターン生成モデルと複雑性評価モデルとは、符号化ネットワークを共有してもよく、又は一部の符号化ネットワークを共有してもよい。共有するこの部分の符号化ネットワークは、すなわち上記同じ特徴抽出ネットワークである。リソグラフィマスク生成モデルにより生成された予測マスクマップに対しては、まずウエハパターン生成モデルと複雑性評価モデルとが同じ特徴抽出ネットワークを共有することによって特徴抽出を行い、共有特徴を獲得し、その後、共有特徴をそれぞれウエハパターン予測ネットワーク、及び複雑性評価ネットワークに入力し、ウエハパターン予測ネットワークにより予測マスクマップの予測ウエハパターンを出力し、複雑性評価ネットワークにより予測マスクマップに対応する複雑性評価指標を出力することができる。
このように、ウエハパターン生成モデルと複雑性評価モデルは、特徴抽出ネットワークを共有することによって、この２つのモデルが占有した記憶領域を減少させ、且つこの２つのモデルの動作に所要の総処理リソース、及び時間を節約し、更にリソグラフィマスク生成モデルの訓練効率をさらに向上させる。
例示的には、図７にはウエハパターン生成モデルと複雑性評価モデルとが特徴抽出ネットワークを共有する模式図が示されている。ウエハパターン生成モデルと複雑性評価モデルとは、符号化ネットワーク７０２を共有し、符号化ネットワーク７０２とは、ウエハパターン生成モデルと複雑性評価モデルにおける同じ特徴抽出ネットワークを指し、予測マスクマップ７０１を符号化ネットワーク７０２に入力して特徴抽出を行い、ウエハパターン生成モデルと複雑性評価モデルが共有する共有特徴７０３を獲得する。共有特徴７０３をウエハパターン予測ネットワーク７０４に入力してウエハパターンの生成を行い、予測マスクマップ７０１に対応する予測ウエハパターン７０６を獲得し、共有特徴７０３を複雑性評価ネットワーク７０５に入力して予測マスクマップ７０１に対応する複雑性評価指標７０７を出力する。
ステップ３０３５：モデル精度評価指標、マスク品質評価指標、及び複雑性評価指標に基づき、訓練損失を決定する。
いくつかの実施例において、モデル精度評価指標、マスク品質評価指標、及び複雑性評価指標を加算（例えば重み付け加算）して、訓練損失を獲得する。
いくつかの実施例において、第１ウエハパターンと第２ウエハパターンのそれぞれに対応する行列を差分して、第１差値行列を獲得し、第１差値行列に対応する行列式を二乗して、予測マスクマップに対応する複雑性評価指標を獲得する。
いくつかの実施例において、訓練損失の計算は、下記式［数２］を参照することができる。
Figure 2024526504000003
（ここで、Ｌは、訓練損失を表し、Ｌｆｉｔは、モデル精度評価指標を表し、Ｌｔａｒｇｅｔ－ｗａｆｅｒは、マスク品質評価指標を表し、Ｌｃｏｍｐｌｅｘは、予測マスクマップに対応する複雑性評価指標を表し、α、及びβは、調整可能パラメータであり、Ｍａｓｋは、標準マスクマップを表し、Ｍａｓｋｐｒｅｄは、予測マスクマップを表し、Ｗａｆｅｒｐｒｅｄは、予測ウエハパターンを表し、Ｔａｒｇｅｔは、チップレイアウトを表す。）
ここで、［数３］は、低露光量、及び低デフォーカスのプロセス条件下で獲得されたウエハパターン（例えば第１ウエハパターン）を表す。いくつかの実施例において、低露光量とは、正常露光量の９８％を指し、低デフォーカスとは、２５ｎｍデフォーカスを指す。［数４］は、高露光量、及びデフォーカスなしのプロセス条件下で獲得されたウエハパターン（例えば第２ウエハパターン）を表す。いくつかの実施例において、高露光量とは、正常露光量の１０２％を指す。低露光量、及び低デフォーカスのプロセス条件下で、マスクマップの非常に多くの微小構造（例えばホール、突出部、鋸歯等）は、ウエハ上に露光されず、すなわち第１ウエハパターン上にマスクマップにおける微小構造が発生しないか、又は出現が非常に少ない。高露光量、及びデフォーカスなしのプロセス条件下で、もしマスクマップにおいて非常に多くの微小構造が存在するならば、これらの微小構造がウエハ上に露光され、すなわち第２ウエハパターン上にマスクマップにおける大部分、又は全部の微小構造が出現する。従って、［数３］と［数４］との差値が小さいほど、予測マスクマップの非常に多くの微小構造が生成されない、すなわち予測マスクマップの複雑性も低くなることを意味する。
Figure 2024526504000004
Figure 2024526504000005
いくつかの実施において、上記低露光量と低デフォーカス、高露光量に対応する具体的な数値は、上記例に限定されず、関連技術者により実際の状況に基づき設定することができ、本願の実施例は、これを具体的に限定しない。
いくつかの実施例において、勾配降下アルゴリズムによって訓練損失を最小化し、訓練損失の勾配は、以下［数５］のように定義される。
Figure 2024526504000006
（ここで、Ｌは、訓練損失を表し、Ｌｆｉｔは、モデル精度評価指標を表し、Ｌｔａｒｇｅｔ－ｗａｆｅｒは、マスク品質評価指標を表し、Ｌｃｏｍｐｌｅｘは、予測マスクマップに対応する複雑性評価指標を表し、α、及びβは、調整可能パラメータであり、Ｍａｓｋｐｒｅｄは、予測マスクマップを表し、Ｚは、ウエハ上に結像された光強度分布値であり、Ｚｍｉｎは、低露光量条件下での光強度分布値を表し、［数６］は、低デフォーカスのプロセス条件下での光強度分布値を表し、Ｚｍａｘは、高露光量条件下での光強度分布値を表し、［数７］は、高デフォーカスのプロセス条件下での光強度分布値を表し、Ｉは、リソグラフィ物理モデル上に結像された光強度分布を表し、ｓｉｇは、分散解析を表し、ｗは、リソグラフィマスク生成モデルにおけるニューロン重みを表し、θｚは、定数であり、値が５０であってもよく、Ｉｔｈの値は、０．２２５であってもよく、［数８］及びωｋは、それぞれｋ番目のデフォーカスリソグラフィシステムのカーネル関数、及び対応する重み係数を表す。Ｋは、２４を取ることができる。Ｈｄｅｆｏｃｕｓ *は、デフォーカスリソグラフィシステムのカーネル関数Ｈｄｅｆｏｃｕｓの複素共役であり、［数９］は、Ｈｄｅｆｏｃｕｓを１８０°反転したものであり、［数１０］は、行列畳み込み演算を代表し、［数１１］は、行列の対応する要素の乗算を代表し、Ｍは、マスクコードを表し、［数１２］であり、ｅｘｐは、指数関数であり、ここで、θＭは、定数であり、θＭは、４であってもよい。）
Figure 2024526504000007
Figure 2024526504000008
Figure 2024526504000009
Figure 2024526504000010
Figure 2024526504000011
Figure 2024526504000012
Figure 2024526504000013
上記実現形態において、モデル精度評価指標とマスク品質評価指標によって訓練損失を決定し、かつこれに基づいてリソグラフィマスク生成モデルを訓練することで、リソグラフィマスク生成モデルのモデル精度、及び生成された予測マスクマップの品質を向上させることを可能にする。
また、訓練損失において複雑性評価指標を加えることによって、リソグラフィマスク生成モデルが複雑性の低い予測マスクマップを生成する傾向があり、それによりリソグラフィマスク生成モデルにより生成された予測マスクマップの複雑性を低減させ、更に予測マスクマップの製造可能性を向上させることができる。
以下は、本願の装置実施例であり、本願の方法実施例を実行することに用いることができる。本願の装置実施例において記載されていない細部に対しては、本願の方法実施例を参照する。
図８に参照されるように、本願の１つの実施例が提供するリソグラフィマスク生成モデルの訓練装置のブロック図を示している。該装置は、上記リソグラフィマスク生成モデルの訓練方法の例を実現する機能を有し、上記機能は、ハードウェアにより実現されてもよく、ハードウェアにより相応なソフトウェアを実行して実現されてもよい。該装置は、上記紹介されたモデル訓練機器であってもよく、モデル訓練機器上に設置されてもよい。該装置８００は、マスク生成モジュール８１０と、パターン生成モジュール８２０と、損失決定モジュール８３０と、パラメータ調整モジュール８４０と、を含んでもよい。
上記マスク生成モジュール８１０は、リソグラフィマスク生成モデルによって、チップレイアウトに対応する予測マスクマップを生成することに用いられ、上記リソグラフィマスク生成モデルは、上記予測マスクマップを生成することに用いられるニューラルネットワークモデルである。
上記パターン生成モジュール８２０は、予備訓練が完了したウエハパターン生成モデルによって、上記予測マスクマップに対応する予測ウエハパターンを生成することに用いられ、上記ウエハパターン生成モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである。
上記損失決定モジュール８３０は、上記予測マスクマップに基づきモデル精度評価指標を決定し、上記予測ウエハパターンに基づきマスク品質評価指標を決定し、上記モデル精度評価指標は、上記リソグラフィマスク生成モデルのマスク予測精度を特徴付けることに用いられ、上記マスク品質評価指標は、上記予測マスクマップの品質を特徴付けることに用いられ、上記モデル精度評価指標と上記マスク品質評価指標に基づき、訓練損失を決定することに用いられる。
上記パラメータ調整モジュール８４０は、上記訓練損失に基づき上記リソグラフィマスク生成モデルのパラメータを調整することに用いられる。
いくつかの実施例において、図９に示されるように、上記損失決定モジュール８３０は、指標計算サブモジュール８３１と、損失決定サブモジュール８３２と、を含む。
上記指標計算サブモジュール８３１は、上記予測マスクマップと上記チップレイアウトに対応する標準マスクマップとの間の差異に基づき、モデル精度評価指標を計算することに用いられる。
上記指標計算サブモジュール８３１は、さらに上記予測ウエハパターンと上記チップレイアウトとの間の差異に基づき、マスク品質評価指標を計算することに用いられる。
上記損失決定サブモジュール８３２は、上記モデル精度評価指標と上記マスク品質評価指標に基づき、上記訓練損失を決定することに用いられる。
いくつかの実施例において、図９に示されるように、上記装置８００は、指標取得モジュール８５０をさらに含む。
上記指標取得モジュール８５０は、上記予測マスクマップに対応する複雑性評価指標を取得することに用いられ、上記複雑性評価指標は、上記予測マスクマップの複雑性を特徴付けることに用いられる。
上記損失決定サブモジュール８３２は、上記モデル精度評価指標、上記マスク品質評価指標、及び上記複雑性評価指標に基づき、上記訓練損失を決定することに用いられる。
いくつかの実施例において、図９に示されるように、上記指標取得モジュール８５０は、パターン生成サブモジュール８５１を含む。
上記パターン生成サブモジュール８５１は、第１リソグラフィ物理モデルを採用して複数種の異なるプロセスパラメータに基づいて、上記予測マスクマップに対応する複数のウエハパターンを生成することに用いられ、ここで、上記第１リソグラフィ物理モデルは、光学原理に基づく数学物理シミュレーションモデルである。
上記指標計算サブモジュール８３１は、上記複数のウエハパターンの間の差異に基づき、上記予測マスクマップに対応する複雑性評価指標を決定することに用いられる。
いくつかの実施例において、図９に示されるように、上記パターン生成サブモジュール８５１は、
上記第１リソグラフィ物理モデルを採用して第１プロセスパラメータに基づいて、上記予測マスクマップに対応する第１ウエハパターンを生成することと、
上記第１リソグラフィ物理モデルを採用して第２プロセスパラメータに基づいて、上記予測マスクマップに対応する第２ウエハパターンを生成することであって、ここで、上記第１プロセスパラメータの露光量は、上記第２プロセスパラメータの露光量よりも小さく、上記第１プロセスパラメータのデフォーカスは、上記第２プロセスパラメータのデフォーカスよりも小さい、ことと、に用いられる。
上記指標計算サブモジュール８３１は、さらに上記第１ウエハパターンと上記第２ウエハパターンとの間の差異に基づき、上記予測マスクマップに対応する複雑性評価指標を計算することに用いられる。
いくつかの実施例において、図９に示されるように、上記指標計算サブモジュール８３１は、
上記第１ウエハパターンと上記第２ウエハパターンのそれぞれに対応する行列を差分して、第１差値行列を獲得することと、
上記第１差値行列に対応する行列式を二乗して、上記予測マスクマップに対応する複雑性評価指標を獲得することと、に用いられる。
いくつかの実施例において、図９に示されるように、上記指標取得モジュール８５０は、予備訓練が完了した複雑性評価モデルによって、上記予測マスクマップに対応する複雑性評価指標を生成することに用いられ、ここで、上記複雑性評価モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである。
いくつかの実施例において、図９に示されるように、上記装置８００は、データセット取得モジュール８６０と、モデル訓練モジュール８７０と、をさらに含む。
上記データセット取得モジュール８６０は、第２データセットを取得することに用いられ、上記第２データセットは、少なくとも１つのマスクマップサンプル、及び上記マスクマップサンプルに対応する標準複雑性評価指標を含む。
上記モデル訓練モジュール８７０は、上記第２データセットを採用して上記複雑性評価モデルを訓練して、上記予備訓練が完了した複雑性評価モデルを獲得することに用いられる。
いくつかの実施例において、上記ウエハパターン生成モデルと上記複雑性評価モデルとは、同じ特徴抽出ネットワークを共有し、上記ウエハパターン生成モデルは、上記特徴抽出ネットワークと、ウエハパターン予測ネットワークと、を含み、上記複雑性評価モデルは、上記特徴抽出ネットワークと、複雑性評価ネットワークと、を含み、図９に示されるように、上記指標取得モジュール８５０は、上記複雑性評価ネットワークによって、上記特徴抽出ネットワークにより取得された上記予測マスクマップに対応する特徴情報を処理して、上記予測マスクマップに対応する複雑性評価指標を獲得することに用いられる。
いくつかの実施例において、図９に示されるように、上記データセット取得モジュール８６０は、さらに第１データセットを取得することに用いられ、上記第１データセットは、少なくとも１つのマスクマップサンプル、及び上記マスクマップサンプルに対応する標準ウエハパターンを含む。
上記モデル訓練モジュール８７０は、さらに上記第１データセットを採用して上記ウエハパターン生成モデルを訓練して、上記予備訓練が完了したウエハパターン生成モデルを獲得することに用いられる。
いくつかの実施例において、図９に示されるように、上記データセット取得モジュール８６０は、
チップレイアウトサンプルに光近接効果補正ＯＰＣ処理を施して、上記チップレイアウトサンプルに対応するマスクマップサンプルを獲得することと、
第２リソグラフィ物理モデルによって上記マスクマップサンプルに対応する標準ウエハパターンを獲得することであって、上記第２リソグラフィ物理モデルは、光学原理に基づく数学物理シミュレーションモデルである、ことと、
対応関係を有する上記マスクマップサンプルと上記標準ウエハパターンに基づき、上記第１データセットを構造することと、に用いられる。
以上のように、本願の実施例が提供する技術的解決手段は、リソグラフィマスク生成モデルを訓練する過程において、予備訓練されたニューラルネットワークに基づいて構築された機械学習モデルを採用して予測ウエハパターンを生成し、かつ生成された予測ウエハパターンに基づいて訓練損失を決定することによって、リソグラフィマスク生成モデルのパラメータを更新し、ニューラルネットワークモデルを採用して予測ウエハパターンを生成するため、リソグラフィ物理モデルを採用して予測ウエハパターンを生成することに比べて、所要の計算量がより少なく、計算効率がより高い。従って本願の実施例は、予測ウエハパターンの生成に所要の時間を節約し、それによりリソグラフィマスク生成モデルの訓練効率を向上させる。
説明する必要があるように、上記実施例が提供する装置は、その機能を実現するときの、上記各機能モジュールの区分のみを列挙して説明しているが、実際の応用においては、必要に基づき上記機能を異なる機能モジュールに割り当てて完了する、すなわち機器の内部構造を異なる機能モジュールに区分することで、以上に記載された全部、又は一部の機能を完了することができる。また、上記実施例が提供する装置は、方法の実施例と同一の技術的思想に属するため、その具体的な実現過程について、詳しくは、方法の実施例を参照すればよいため、ここでは、詳細な説明を省略する。
図１０に参照されるように、本願の１つの実施例が提供するコンピュータ機器の構造ブロック図を示している。該コンピュータ機器は、上記実施例において提供されるリソグラフィマスク生成モデルの訓練方法を実施することに用いられる。具体的には、以下のとおりである。
上記コンピュータ機器１０００は、ＣＰＵ１００１、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ランダムアクセスメモリ）１００２とＲＯＭ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、読み取り専用メモリ）１００３とを含むシステムメモリ１００４、及び、システムメモリ１００４と中央処理ユニット１００１とを接続するシステムバス１００５を含む。上記コンピュータ機器１０００は、コンピュータ内の各々のデバイスの間の情報伝送を支援する基本的なＩ／Ｏ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ、入力／出力）システム１００６と、オペレーティングシステム１０１３、アプリケーションプログラム１０１４、及びその他のプログラムモジュール１０１５を記憶することに用いられる大容量記憶機器１００７と、をさらに含む。
上記基本的な入力／出力システム１００６は、情報を表示することに用いられるディスプレイ１００８と、ユーザが情報を入力することに用いられるマウス、キーボードなどの入力機器１００９と、を含む。ここで上記ディスプレイ１００８と入力機器１００９とは、システムバス１００５に接続された入出力コントローラ１０１０を介して中央処理ユニット１００１に接続される。上記基本的な入力／出力システム１００６は、キーボード、マウス、又は電子スタイラス等の複数のその他の機器からの入力を受信、及び処理することに用いられる入出力コントローラ１０１０をさらに含んでもよい。同様に、入力出力コントローラ１０１０は、さらに表示スクリーン、プリンタ、又はその他のタイプの出力機器に出力を提供する。
上記大容量記憶機器１００７は、システムバス１００５に接続された大容量記憶コントローラ（図示せず）を介して中央処理ユニット１００１に接続される。上記大容量記憶機器１００７、及びその関連するコンピュータ可読媒体は、コンピュータ機器１０００に不揮発性記憶を提供する。つまり、上記大容量記憶機器１００７は、例えばハードディスク、又はＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、コンパクトディスク読み取り専用メモリ）ドライブなどのコンピュータ可読媒体（図示せず）を含んでもよい。
一般性を失うことなく、上記コンピュータ可読媒体は、コンピュータ記憶媒体と、通信媒体と、を含んでもよい。コンピュータ記憶媒体は、例えばコンピュータ可読命令、データ構造、プログラムモジュール、又はその他のデータ等の情報を記憶することに用いられるいかなる方法、又は技術で実現される揮発性、及び不揮発性、移動可能、及び移動不能媒体を含んでもよい。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ、消去可能プログラマブル読み取り専用メモリ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ、電気的消去可能プログラマブル読み取り専用メモリ）、フラッシュメモリ、又はその他のソリッドステートメモリ、ＣＤ－ＲＯＭ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｉｄｅｏ Ｄｉｓｃ、高密度デジタルビデオ光学ディスク）、又はその他の光学記憶、カセット、磁気テープ、磁気ディスク記憶、又はその他の磁気記憶機器を含む。もちろん、当業者は、上記コンピュータ記憶媒体が上記複数種に制限されるものではないことを把握することができる。上記システムメモリ１００４、及び大容量記憶機器１００７は、メモリと総称されてもよい。
本願の各種の実施例に基づき、上記コンピュータ機器１０００は、さらに例えばインターネット等のネットワークを介してネットワーク上に接続さされた遠隔コンピュータで動作してもよい。すなわちコンピュータ機器１０００は、上記システムバス１００５上に接続されたネットワークインタフェースユニット１０１１を介してネットワーク１０１２に接続されてもよいか、又は、ネットワークインタフェースユニット１０１１を使用してその他のタイプのネットワーク、又は遠隔コンピュータシステム（図示せず）に接続されてもよい。
例示的な実施例において、コンピュータ可読記憶媒体をさらに提供し、上記記憶媒体において少なくとも１つのプログラムが記憶され、上記少なくとも１つのプログラムがプロセッサにより実行されるときに、上記リソグラフィマスク生成モデルの訓練方法を実現する。
選択可能に、該コンピュータ可読記憶媒体は、ＲＯＭ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、読み取り専用メモリ）、ＲＡＭ（Ｒａｎｄｏｍ－Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ランダムアクセスメモリ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅｓ、ソリッドステートドライブ）、又は光ディスク等を含んでもよい。ここで、ランダムアクセスメモリは、ＲｅＲＡＭ（Ｒｅｓｉｓｔａｎｃｅ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、抵抗性ランダムアクセスメモリ）、及びＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、動的ランダムアクセスメモリ）を含んでもよい。
例示的な実施例において、コンピュータプログラム製品、又はコンピュータプログラムをさらに提供し、該コンピュータプログラム製品、又はコンピュータプログラムは、コンピュータ命令を含み、該コンピュータ命令は、コンピュータ可読記憶媒体において記憶される。コンピュータ機器のプロセッサは、コンピュータ可読記憶媒体から該コンピュータ命令を読み取り、プロセッサは、該コンピュータ命令を実行し、該コンピュータ機器に上記リソグラフィマスク生成モデルの訓練方法を実行させる。
１１ ウエハパターン生成モデル
１２ リソグラフィマスク生成モデル
１３ モデル訓練機器
１４ モデル使用機器
１５ リソグラフィマスク生成モデル
１６ 符号化ネットワーク
１７ 復号ネットワーク
１８ 複雑性評価モデル
２０ システム
７０１ 予測マスクマップ
７０２ 符号化ネットワーク
７０４ ウエハパターン予測ネットワーク
７０５ 複雑性評価ネットワーク
７０６ 予測ウエハパターン
７０７ 複雑性評価指標
８００ 装置
８１０ マスク生成モジュール
８２０ パターン生成モジュール
８３０ 損失決定モジュール
８３１ 指標計算サブモジュール
８３２ 損失決定サブモジュール
８４０ パラメータ調整モジュール
８５０ 指標取得モジュール
８５１ パターン生成サブモジュール
８６０ データセット取得モジュール
８７０ モデル訓練モジュール
１０００ コンピュータ機器
１００１ 中央処理ユニット
１００４ システムメモリ
１００５ システムバス
１００６ （Ｉｎｐｕｔ／Ｏｕｔｐｕｔ、入力／出力）システム
１００６ 出力システム
１００７ 大容量記憶機器
１００８ ディスプレイ
１００９ 入力機器
１０１０ 入力出力コントローラ
１０１０ 入出力コントローラ
１０１１ ネットワークインタフェースユニット
１０１２ ネットワーク
１０１３ オペレーティングシステム
１０１４ アプリケーションプログラム
１０１５ プログラムモジュール
１００８ ディスプレイ

Claims (20)

  1. コンピュータ機器により実行される、リソグラフィマスク生成モデルの訓練方法であって、前記方法は、
    リソグラフィマスク生成モデルによって、チップレイアウトに対応する予測マスクマップを生成するステップであって、前記リソグラフィマスク生成モデルは、前記予測マスクマップを生成することに用いられるニューラルネットワークモデルである、ステップと、
    予備訓練が完了したウエハパターン生成モデルによって、前記予測マスクマップに対応する予測ウエハパターンを生成するステップであって、前記ウエハパターン生成モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである、ステップと、
    前記予測マスクマップに基づきモデル精度評価指標を決定し、前記予測ウエハパターンに基づきマスク品質評価指標を決定するステップであって、前記モデル精度評価指標は、前記リソグラフィマスク生成モデルのマスク予測精度を特徴付けることに用いられ、前記マスク品質評価指標は、前記予測マスクマップの品質を特徴付けることに用いられる、ステップと、
    前記モデル精度評価指標と前記マスク品質評価指標に基づき、訓練損失を決定するステップと、
    前記訓練損失に基づき前記リソグラフィマスク生成モデルのパラメータを調整するステップと、を含む、リソグラフィマスク生成モデルの訓練方法。
  2. 前記予測マスクマップに基づきモデル精度評価指標を決定し、前記予測ウエハパターンに基づきマスク品質評価指標を決定する前記ステップは、
    前記予測マスクマップと前記チップレイアウトに対応する前記標準マスクマップとの間の差異に基づき、モデル精度評価指標を計算するステップと、
    前記予測ウエハパターンと前記チップレイアウトとの間の差異に基づき、マスク品質評価指標を計算するステップと、を含む、請求項１に記載の方法。
  3. 前記方法は、
    前記予測マスクマップに対応する複雑性評価指標を取得するステップであって、前記複雑性評価指標は、前記予測マスクマップの複雑性を特徴付けることに用いられる、ステップをさらに含み、
    前記モデル精度評価指標と前記マスク品質評価指標に基づき、前記訓練損失を決定する前記ステップは、
    前記モデル精度評価指標、前記マスク品質評価指標、及び前記複雑性評価指標に基づき、前記訓練損失を決定するステップを含む、請求項１、又は２に記載の方法。
  4. 前記予測マスクマップに対応する複雑性評価指標を取得する前記ステップは、
    第１リソグラフィ物理モデルを採用して複数種の異なるプロセスパラメータに基づいて、前記予測マスクマップに対応する複数のウエハパターンを生成するステップであって、前記第１リソグラフィ物理モデルは、光学原理に基づく数学物理シミュレーションモデルである、ステップと、
    前記複数のウエハパターンの間の差異に基づき、前記予測マスクマップに対応する複雑性評価指標を決定するステップと、を含む、請求項３に記載の方法。
  5. 第１リソグラフィ物理モデルを採用して複数種の異なるプロセスパラメータに基づいて、前記予測マスクマップに対応する複数のウエハパターンを生成する前記ステップは、
    前記第１リソグラフィ物理モデルを採用して第１プロセスパラメータに基づいて、前記予測マスクマップに対応する第１ウエハパターンを生成するステップと、
    前記第１リソグラフィ物理モデルを採用して第２プロセスパラメータに基づいて、前記予測マスクマップに対応する第２ウエハパターンを生成するステップであって、前記第１プロセスパラメータの露光量は、前記第２プロセスパラメータの露光量よりも小さく、前記第１プロセスパラメータのデフォーカスは、前記第２プロセスパラメータのデフォーカスよりも小さい、ステップと、を含み、
    前記複数のウエハパターンの間の差異に基づき、前記予測マスクマップに対応する複雑性評価指標を決定する前記ステップは、
    前記第１ウエハパターンと前記第２ウエハパターンとの間の差異に基づき、前記予測マスクマップに対応する複雑性評価指標を計算するステップを含む、請求項４に記載の方法。
  6. 前記第１ウエハパターンと前記第２ウエハパターンとの間の差異に基づき、前記予測マスクマップに対応する複雑性評価指標を計算する前記ステップは、
    前記第１ウエハパターンと前記第２ウエハパターンのそれぞれに対応する行列を差分して、第１差値行列を獲得するステップと、
    前記第１差値行列に対応する行列式を二乗して、前記予測マスクマップに対応する複雑性評価指標を獲得するステップと、を含む、請求項５に記載の方法。
  7. 前記予測マスクマップに対応する複雑性評価指標を取得する前記ステップは、
    予備訓練が完了した複雑性評価モデルによって、前記予測マスクマップに対応する複雑性評価指標を生成するステップであって、前記複雑性評価モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである、ステップを含む、請求項３に記載の方法。
  8. 前記方法は、
    第２データセットを取得するステップであって、前記第２データセットは、少なくとも１つのマスクマップサンプル、及び前記マスクマップサンプルに対応する標準複雑性評価指標を含む、ステップと、
    前記第２データセットを採用して前記複雑性評価モデルを訓練して、前記予備訓練が完了した複雑性評価モデルを獲得するステップと、をさらに含む、請求項７に記載の方法。
  9. 前記ウエハパターン生成モデルと前記複雑性評価モデルとは、同じ特徴抽出ネットワークを共有し、前記ウエハパターン生成モデルは、前記特徴抽出ネットワークと、ウエハパターン予測ネットワークと、を含み、前記複雑性評価モデルは、前記特徴抽出ネットワークと、複雑性評価ネットワークと、を含み、
    予備訓練が完了した複雑性評価モデルによって、前記予測マスクマップに対応する複雑性評価指標を生成する前記ステップは、
    前記複雑性評価ネットワークによって、前記特徴抽出ネットワークにより取得された前記予測マスクマップに対応する特徴情報を処理して、前記予測マスクマップに対応する複雑性評価指標を獲得するステップを含む、請求項７に記載の方法。
  10. 前記方法は、
    第１データセットを取得するステップであって、前記第１データセットは、少なくとも１つのマスクマップサンプル、及び前記マスクマップサンプルに対応する標準ウエハパターンを含む、ステップと、
    前記第１データセットを採用して前記ウエハパターン生成モデルを訓練して、前記予備訓練が完了したウエハパターン生成モデルを獲得するステップと、をさらに含む、請求項１に記載の方法。
  11. 第１データセットを取得する前記ステップは、
    チップレイアウトサンプルに光近接効果補正ＯＰＣ処理を施して、前記チップレイアウトサンプルに対応するマスクマップサンプルを獲得するステップと、
    第２リソグラフィ物理モデルによって前記マスクマップサンプルに対応する標準ウエハパターンを獲得するステップであって、前記第２リソグラフィ物理モデルは、光学原理に基づく数学物理シミュレーションモデルである、ステップと、
    対応関係を有する前記マスクマップサンプルと前記標準ウエハパターンに基づき、前記第１データセットを構造するステップと、を含む、請求項１０に記載の方法。
  12. リソグラフィマスク生成モデルの訓練装置であって、前記装置は、
    リソグラフィマスク生成モデルによって、チップレイアウトに対応する予測マスクマップを生成することに用いられるマスク生成モジュールであって、前記リソグラフィマスク生成モデルは、前記予測マスクマップを生成することに用いられるニューラルネットワークモデルである、マスク生成モジュールと、
    予備訓練が完了したウエハパターン生成モデルによって、前記予測マスクマップに対応する予測ウエハパターンを生成することに用いられるパターン生成モジュールであって、前記ウエハパターン生成モデルは、ニューラルネットワークに基づいて構築された機械学習モデルである、パターン生成モジュールと、
    前記予測マスクマップに基づきモデル精度評価指標を決定し、前記予測ウエハパターンに基づきマスク品質評価指標を決定することに用いられる損失決定モジュールであって、前記モデル精度評価指標は、前記リソグラフィマスク生成モデルのマスク予測精度を特徴付けることに用いられ、前記マスク品質評価指標は、前記予測マスクマップの品質を特徴付けることに用いられ、前記モデル精度評価指標と前記マスク品質評価指標に基づき、訓練損失を決定する、損失決定モジュールと、
    前記訓練損失に基づき前記リソグラフィマスク生成モデルのパラメータを調整することに用いられるパラメータ調整モジュールと、を含む、リソグラフィマスク生成モデルの訓練装置。
  13. 前記損失決定モジュールは、指標計算サブモジュールと、損失決定サブモジュールと、を含み、
    前記指標計算サブモジュールは、前記予測マスクマップと前記チップレイアウトに対応する標準マスクマップとの間の差異に基づき、モデル精度評価指標を計算することに用いられ、
    前記指標計算サブモジュールは、前記予測ウエハパターンと前記チップレイアウトとの間の差異に基づき、マスク品質評価指標を計算することに用いられ、
    前記損失決定サブモジュールは、前記モデル精度評価指標と前記マスク品質評価指標に基づき、前記訓練損失を決定することに用いられる、請求項１２に記載の装置。
  14. 前記装置は、指標取得モジュールをさらに含み、
    前記指標取得モジュールは、前記予測マスクマップに対応する複雑性評価指標を取得することに用いられ、前記複雑性評価指標は、前記予測マスクマップの複雑性を特徴付けることに用いられ、
    前記損失決定サブモジュールは、前記モデル精度評価指標、前記マスク品質評価指標、及び前記複雑性評価指標に基づき、前記訓練損失を決定することに用いられる、請求項１３に記載の装置。
  15. 前記指標取得モジュールは、パターン生成サブモジュールを含み、
    前記パターン生成サブモジュールは、第１リソグラフィ物理モデルを採用して複数種の異なるプロセスパラメータに基づいて、前記予測マスクマップに対応する複数のウエハパターンを生成することに用いられ、前記第１リソグラフィ物理モデルは、光学原理に基づく数学物理シミュレーションモデルであり、
    前記指標計算サブモジュールは、前記複数のウエハパターンの間の差異に基づき、前記予測マスクマップに対応する複雑性評価指標を決定することに用いられる、請求項１４に記載の装置。

  16. 前記パターン生成サブモジュールは、前記第１リソグラフィ物理モデルを採用して第１プロセスパラメータに基づいて、前記予測マスクマップに対応する第１ウエハパターンを生成することに用いられ、
    前記パターン生成サブモジュールは、前記第１リソグラフィ物理モデルを採用して第２プロセスパラメータに基づいて、前記予測マスクマップに対応する第２ウエハパターンを生成することに用いられ、前記第１プロセスパラメータの露光量は、前記第２プロセスパラメータの露光量よりも小さく、前記第１プロセスパラメータのデフォーカスは、前記第２プロセスパラメータのデフォーカスよりも小さく、
    前記指標計算サブモジュールは、前記第１ウエハパターンと前記第２ウエハパターンとの間の差異に基づき、前記予測マスクマップに対応する複雑性評価指標を計算することに用いられる、請求項１５に記載の装置。

  17. 前記指標計算サブモジュールは、前記第１ウエハパターンと前記第２ウエハパターンのそれぞれに対応する行列を差分して、第１差値行列を獲得することに用いられ、
    前記指標計算サブモジュールは、前記第１差値行列に対応する行列式を二乗して、前記予測マスクマップに対応する複雑性評価指標を獲得することに用いられる、請求項１６に記載の装置。
  18. コンピュータ機器であって、前記コンピュータ機器は、プロセッサと、メモリと、を含み、前記メモリにおいてコンピュータプログラムが記憶され、前記コンピュータプログラムは、前記プロセッサによりロードされ、かつ実行されることで、前記請求項１～１１のいずれか一項に記載のリソグラフィマスク生成モデルの訓練方法を実現する、コンピュータ機器。
  19. コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体においてコンピュータプログラムが記憶され、前記コンピュータプログラムは、プロセッサによりロードされ、かつ実行されることで、前記請求項１～１１のいずれか一項に記載のリソグラフィマスク生成モデルの訓練方法を実現する、コンピュータ可読記憶媒体。
  20. コンピュータプログラム製品であって、前記コンピュータプログラム製品は、コンピュータプログラムを含み、前記コンピュータプログラムは、コンピュータ可読記憶媒体において記憶され、プロセッサは、前記コンピュータ可読記憶媒体から前記コンピュータ命令を読み取り、かつ実行することで、請求項１～１１のいずれか一項に記載のリソグラフィマスク生成モデルの訓練方法を実現する、コンピュータプログラム製品。
JP2023551245A 2022-06-14 2023-05-09 リソグラフィマスク生成モデルの訓練方法、装置、機器、及びコンピュータプログラム Pending JP2024526504A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202210673948.8A CN117313640B (zh) 2022-06-14 2022-06-14 光刻掩膜生成模型的训练方法、装置、设备及存储介质
CN202210673948.8 2022-06-14
PCT/CN2023/092892 WO2023241267A1 (zh) 2022-06-14 2023-05-09 光刻掩膜生成模型的训练方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
JP2024526504A true JP2024526504A (ja) 2024-07-19

Family

ID=89192101

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023551245A Pending JP2024526504A (ja) 2022-06-14 2023-05-09 リソグラフィマスク生成モデルの訓練方法、装置、機器、及びコンピュータプログラム

Country Status (6)

Country Link
US (1) US20240019777A1 (ja)
EP (1) EP4318298A1 (ja)
JP (1) JP2024526504A (ja)
KR (1) KR20230173649A (ja)
CN (1) CN117313640B (ja)
WO (1) WO2023241267A1 (ja)

Families Citing this family (4)

* 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
CN117541908B (zh) * 2024-01-10 2024-04-05 华芯程(杭州)科技有限公司 光学检测图像预测模型的训练方法、装置及预测方法
CN117710270B (zh) * 2024-02-04 2024-05-03 全智芯(上海)技术有限公司 用于自由尺度光学邻近校正的方法、电子设备及存储介质
CN118261114B (zh) * 2024-05-29 2024-08-06 浙江创芯集成电路有限公司 薄膜数据系统的设计方法、存储介质及终端

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096336A (zh) * 2010-12-31 2011-06-15 清华大学 一种确定光刻工艺的光源光照强度分布的方法
CN108228981B (zh) * 2017-12-19 2021-07-20 上海集成电路研发中心有限公司 基于神经网络的opc模型生成方法及实验图案的预测方法
KR102459381B1 (ko) * 2018-02-23 2022-10-26 에이에스엠엘 네델란즈 비.브이. 컴퓨테이션 리소그래피를 위한 머신 러닝 모델을 트레이닝시키기 위한 방법
DE102018207876A1 (de) * 2018-05-18 2019-06-06 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Erzeugen von Bildern für photolithographische Masken aus Designdaten
WO2022008174A1 (en) * 2020-07-09 2022-01-13 Asml Netherlands B.V. Method for adjusting a patterning process
CN114609857A (zh) * 2020-12-03 2022-06-10 无锡华润上华科技有限公司 光学临近效应修正方法及系统和掩膜版
CN113238460B (zh) * 2021-04-16 2022-02-11 厦门大学 一种基于深度学习的用于超紫外的光学邻近校正方法
CN114326289B (zh) * 2021-12-29 2023-03-31 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
CN114326328B (zh) * 2022-01-10 2023-05-26 厦门大学 一种基于深度学习的用于超紫外光刻的模拟仿真方法
CN114326329B (zh) * 2022-01-19 2024-07-30 武汉科技大学 一种基于残差网络的光刻掩模优化方法

Also Published As

Publication number Publication date
CN117313640B (zh) 2024-09-20
KR20230173649A (ko) 2023-12-27
US20240019777A1 (en) 2024-01-18
WO2023241267A1 (zh) 2023-12-21
EP4318298A1 (en) 2024-02-07
CN117313640A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
JP2024526504A (ja) リソグラフィマスク生成モデルの訓練方法、装置、機器、及びコンピュータプログラム
US12111579B2 (en) Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process
TW201734955A (zh) 為樣品產生模擬輸出
CN113780292A (zh) 一种基于证据推理的语义分割网络模型不确定性量化方法
CN112560639B (zh) 人脸关键点数目转换方法、系统、电子设备及存储介质
CN113095129A (zh) 姿态估计模型训练方法、姿态估计方法、装置和电子设备
CN116883545A (zh) 基于扩散模型的图片数据集扩充方法、介质及设备
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
JP7188856B2 (ja) 動的な画像解像度評価
CN112989952B (zh) 一种基于遮罩引导的人群密度估计方法及装置
CN113642452A (zh) 人体图像质量评价方法、装置、系统及存储介质
CN116974139A (zh) 一种快速计算光刻掩膜图像的方法、装置及设备
CN118057241A (zh) 用于反向光刻技术中掩模优化的机器学习
CN117313642A (zh) 光刻掩膜生成模型的训练方法、装置、设备及存储介质
Iglesias et al. Hybridizing mesh adaptive search algorithm and artificial immune systems for discrete rational Bézier curve approximation
WO2024119337A1 (zh) 脑网络统一表征计算方法、装置、电子设备及存储介质
CN117272919A (zh) 光刻掩膜的更新方法、装置、设备及存储介质
Cao et al. Generation of inverse assist features using generative adversarial networks
CN114898169B (zh) 一种基于深度学习的光刻opc数据库建立方法
Shiely Machine learning for compact lithographic process models
CN117313641A (zh) 光刻掩膜生成模型的训练方法、装置、设备及存储介质
US20220382144A1 (en) Machine learning for selecting initial source shapes for source mask optimization
US20240168372A1 (en) Method, apparatus, and system with resist image estimation
CN111656373B (zh) 训练神经网络模型
US20240127075A1 (en) Synthetic dataset generator

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230823

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230823

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240826