TWI829875B - 用於壓縮用於電子設計之形狀資料之方法及系統 - Google Patents
用於壓縮用於電子設計之形狀資料之方法及系統 Download PDFInfo
- Publication number
- TWI829875B TWI829875B TW109105924A TW109105924A TWI829875B TW I829875 B TWI829875 B TW I829875B TW 109105924 A TW109105924 A TW 109105924A TW 109105924 A TW109105924 A TW 109105924A TW I829875 B TWI829875 B TW I829875B
- Authority
- TW
- Taiwan
- Prior art keywords
- shape data
- convolutional
- tile
- encoded
- autoencoder
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000013461 design Methods 0.000 title claims abstract description 70
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 24
- 238000001878 scanning electron micrograph Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 20
- 238000007906 compression Methods 0.000 claims description 19
- 230000006835 compression Effects 0.000 claims description 19
- 125000001475 halogen functional group Chemical group 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 abstract description 24
- 235000012431 wafers Nutrition 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000007689 inspection Methods 0.000 description 9
- 239000004065 semiconductor Substances 0.000 description 9
- 238000001459 lithography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000000206 photolithography Methods 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013144 data compression Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002039 particle-beam lithography Methods 0.000 description 4
- 229920002120 photoresistant polymer Polymers 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/20—Contour coding, e.g. using detection of edges
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
用於壓縮用於一組電子設計之形狀資料之方法包括輸入一組形狀資料,其中該形狀資料表示用於一裝置製造程序之一組形狀。對該組形狀資料使用一卷積自動編碼器,該卷積自動編碼器具有一組預定之卷積層,該等卷積層包括用於每一卷積層之一核大小及濾波器大小。使用該卷積自動編碼器的該組預定之卷積層對該組形狀資料編碼以壓縮該組形狀資料,以產生一組經編碼形狀資料。該組形狀資料包含一SEM影像,且該組經編碼形狀資料識別一遮罩缺陷。
Description
本申請案主張在2020年2月18日申請且標題為「用於壓縮用於電子設計之形狀資料之方法及系統(Methods and Systems for Compressing Shape Data for Electronic Designs)」的美國非臨時專利申請案第16/793,152號之優先權,該美國非臨時專利申請案主張在2019年2月25日申請且標題為「用於壓縮用於半導體或平板顯示器或該等半導體或平板顯示器的遮罩設計、模擬或製成形狀之形狀資料之方法及系統(Methods and Systems for Compressing Shape Data for Semiconductors or Flat Panel Displays or Their Mask Designs,Simulations or Manufactured Shapes)」的美國臨時專利申請案第62/810,127號之優先權,該等專利申請案以引用方式全部併入本文中。
本發明係有關於用於壓縮用於電子設計之形狀資料之方法及系統。
本發明係關於微影術,且更特別地係關於使用帶電粒子束微影術對一表面之設計及製造,該表面可為光罩、晶圓或任何其他表面。
三種常用類型之帶電粒子束微影術係不定形(高斯)射束微影術、定形帶電粒子束微影術及多射束微影術。在所有類型之帶電粒子束微影術中,帶電粒子束髮射能量至光阻劑塗佈之表面以使光阻劑曝光。
在微影術中,微影遮罩或光罩(reticle)包含對應於待整合至基板上之電路組件之幾何圖形圖案。用於製造光罩之圖案可利用電腦輔助設計(computer-
aided design;CAD)軟體或程式產生。在設計該等圖案時,CAD程式可遵循一組預定之設計規則以便產生光罩。此等規則係根據處理、設計及最終用途限制來設定。最終用途限制之一實例係以電晶體在所需供應電壓下不能充分地工作之方式來定義電晶體之幾何形狀。特別地,設計規則可定義電路裝置或互連線之間的空間容限。設計規則係例如用於確保該等電路裝置或線不以非所要方式彼此相互作用。舉例而言,使用設計規則,使得線不會以可能導致短路之方式變得彼此過於接近。設計規則限制尤其反映可容易製造之最小尺寸。當提及此等小尺寸時,吾人通常引入臨界尺寸之概念。此等尺寸例如定義為一特徵之重要寬度或面積,或兩個特徵或重要空間區域之間的重要空間,彼等尺寸需要精細控制。
藉由光學微影術之積體電路製造之一個目標係藉由使用光罩在基板上再現原始電路設計,其中有時被稱為遮罩或光遮罩之光罩係可使用帶電粒子束微影術曝光之表面。積體電路製造者一直在嘗試儘可能高效地使用半導體晶圓佔據面積。工程師一直在縮小電路之大小,以允許積體電路含有更多電路元件且使用更少電力。隨著積體電路臨界尺寸之大小減小且積體電路之電路密度增大,電路圖案或實體設計之臨界尺寸接近在習知光學微影術中使用之光學曝光工具的解析度極限。由於電路圖案之臨界尺寸變得更小且接近曝光工具之解析度值,因此實體設計至在光阻劑層上顯影之實際電路圖案的準確轉錄變得困難。為了進一步使用光學微影術以轉印具有小於光學微影術製程中所使用之光波長之特徵的圖案,已開發出熟知為光學近接修正(optical proximity correction;OPC)之程序。OPC更改實體設計以補償由諸如特徵之光繞射及特徵與近接特徵之光學相互作用的效應導致之失真。利用光罩執行之解析度增強技術包括OPC及反微影術技術(inverse lithography technology;ILT)。
OPC可將次解析度微影特徵添加至遮罩圖案以減少作為設計的原始實體設計圖案與基板上的最終轉印之電路圖案之間的差異。該等次解析度微影
特徵與實體設計中之原始圖案相互作用且彼此相互作用,且補償近接效應以改良最終轉印之電路圖案。經添加以改良圖案轉印之一個特徵被稱為「襯線(serif)」。襯線係增強特定特徵之印刷的精度或製造變化之回彈性的小特徵。襯線之一實例係定位在圖案之拐角處以在最終轉印之影像中將拐角銳化的小特徵。意欲印刷在基板上之圖案被稱為主要特徵。襯線係主要特徵之一部分。習知地,根據以下各項來論述將在光罩上寫出的經OPC修飾之圖案:作為反映在OPC修飾之前之設計的特徵之主要特徵,及OPC特徵,其中OPC特徵可包括襯線、階差、次解析度輔助特徵(sub-resolution assist feature;SRAF)及負特徵。OPC特徵服從各種設計規則,諸如基於使用光學微影術可轉印至晶圓之最小特徵之大小的規則。其他設計規則可來自遮罩製造程序,或在使用字符投影帶電粒子束寫入系統以在光罩上形成圖案之情況下,來自網板製造程序。
結果,隨著增加電路元件及添加特徵以增強可印性,積體電路製造產業已體會到「資料爆炸」。另外,用於表示圖案之全部細節之資料的量隨著製造技術前進至後續技術節點而不斷地增大。資料體積就儲存、轉移及處理而言變成嚴重問題,且需要不斷地創新以保持資料處理可行。
使用對積體電路資料之壓縮影像編碼及解碼之標準方法的影像壓縮由於許多原因而為不足的。涉及之資料之量將用去太多時間,且資料損失會相當大。可準確地完全重複原始輸入之編碼係無損的。有一些資料損失地重複原始輸入之編碼係有損的。典型之JPEG壓縮演算法使用線性函數以藉由看鄰域中之像素且儲存結果差值來對影像降頻採樣。JPEG壓縮演算法亦具有使用諸如霍夫曼編碼法(Huffman coding)之編碼樹之量化階段。儘管JPEG壓縮可為無損的,但JPEG壓縮可將長時間用於處理任一方向上之資料。然而,使用機器學習技術之影像壓縮可有效地對壓縮影像編碼及解碼以變得足夠有用,即使在壓縮有損失之情況下。
在使用光遮罩製造積體電路時,含有原始電路設計之光遮罩之製造係程序之關鍵步驟。最終之光遮罩必須在預定容限內無缺陷,此係因為光遮罩上之任何缺陷將在使用光遮罩製造之所有晶圓上再現。歸因於材料及程序之限制,大部分或全部新製造之光遮罩將具有瑕疵。在被稱作遮罩檢查之程序中,分析新製造之光遮罩以找出瑕疵。然後進一步分析此等瑕疵或潛在缺陷中之每一者,以判定瑕疵是否為將在利用此光遮罩製造之晶圓上產生缺陷的真實缺陷。經識別為真實缺陷之瑕疵可在被稱作遮罩修復的後續程序中得到修復,以產生適合製造晶圓之無缺陷光遮罩。
在一些實施例中,用於壓縮用於一組電子設計之形狀資料之方法包括輸入一組形狀資料,其中該形狀資料表示用於一裝置製造程序之一組形狀。對該組形狀資料使用一卷積自動編碼器,該卷積自動編碼器具有一組預定之卷積層,該等卷積層包括用於每一卷積層之一核大小及濾波器大小。使用該卷積自動編碼器的該組預定之卷積層對該組形狀資料編碼以壓縮該組形狀資料,以產生一組經編碼形狀資料。該組形狀資料包含一SEM影像,且該組經編碼形狀資料識別一遮罩缺陷。
在一些實施例中,用於壓縮用於一組電子設計之形狀資料之方法包括輸入一組形狀資料,其中該形狀資料表示用於一裝置製造程序之一組形狀。輸入一組參數,該組參數包括用於一卷積自動編碼器之一組卷積層。使用該卷積自動編碼器之該組卷積層對該組形狀資料編碼以壓縮該組形狀資料,以產生一組經編碼形狀資料。該等方法亦包括:使用該卷積自動編碼器將該組經編碼形狀資料解碼成經解碼資料;藉由將該經解碼資料與該組輸入之形狀資料進行比較來計算一損失;及基於該計算出之損失對該組參數進行調整。
100:圖
102:遮罩或晶圓影像
104:編碼器
106:壓縮資料
200:自動編碼器
202:輸入
204:編碼器
206:隱藏層
208:壓縮資料
210:解碼器
212:輸出
300:自動編碼器模型結構
302:卷積層
304:平坦化步驟
306:嵌入
308:壓縮資料
310:全連接稠密層
312:再成形步驟
314:轉置卷積(去卷積)層
400:編碼器/解碼器
401:卷積層
402:卷積層
404:卷積層
406:卷積層
408:步驟
409:元素向量
410:步驟
412:去卷積層
414:去卷積層
416:去卷積層
418:去卷積層
500:遮罩/晶圓影像
502:圖塊
503:圖塊
504:圖塊
506:圖塊
507:圖塊
508:圖塊
512:圖塊部分
522:光暈區域
524:編碼器
526:解碼器
532:經解碼影像圖塊
600:計算硬體裝置
602:中央處理單元(CPU)
604:主記憶體
608:磁碟控制器
610:磁碟
612:區域網路(LAN)控制器
614:圖形處理單元(GPU)
620:快速周邊組件互連(PCIe)匯流排
700:流程圖/流程
702:步驟
704:步驟
706:步驟
708:步驟
712:步驟
714:步驟
718:步驟
800:流程圖/流程
802:步驟
804:步驟
806:步驟
808:步驟
810:步驟
812:步驟
816:步驟
圖1係根據一些實施例的在壓縮編碼時之影像資料之表示。
圖2係根據一些實施例的3層自動編碼器之圖。
圖3係根據一些實施例的針對遮罩資料壓縮調適之卷積自動編碼之圖。
圖4根據一些實施例展示編碼及解碼之細節。
圖5A至圖5B根據一些實施例展示較大之遮罩/晶圓影像之分塊(tiling)。
圖6係根據一些實施例的GPU系統之示意圖。
圖7係根據一些實施例的表示用於形狀資料壓縮之方法之流程圖。
圖8係根據一些實施例的表示用於形狀資料壓縮之方法之流程圖。
習知地,可需要幾百兆位元組之資料以表示用於大積體電路之遮罩圖案。標準壓縮技術係不可行的,此係因為計算時間將過長。遮罩寫入器以奈秒級時間(或甚至更小時間)工作,且繼續禁止使用該壓縮,此係因為沒有時間用於利用任何標準技術進行解壓縮。然而,在本發明中,如圖1中圖示的借助於經由神經網路之機器學習之資料壓縮可產生更有用之壓縮方法。
圖1係對遮罩或晶圓影像102編碼之圖100。一旦遮罩影像102由自基於神經網路之機器學習衍生之編碼器104壓縮,壓縮資料106(在此實施例中圖示為經編碼影像向量)連同解碼器可用於再現原始影像。
神經網路係一起工作以基於先前訓練程序來預測輸入之機器學習演算法之框架。在本發明實施例中,使用機器學習(即,神經網路)來訓練編碼器,其中編碼器在本發明中亦可被稱為自動編碼器(autoencoder;AE)。在圖2之示意圖中展示了自動編碼器200之圖,該自動編碼器使用晶圓或遮罩影像作為輸入202。自動編碼器200可包括前饋神經網路且可受約束以產生比輸入202(原始遮
罩影像)小的隱藏層206中之資料表示。輸入202亦可被稱為用於一組電子設計之形狀資料,其中該形狀資料表示用於一預定裝置製造程序之一組形狀。該裝置製造程序可為例如一半導體製造程序或一平板顯示器製造程序,其中程序可包括遮罩設計、模擬或製成之形狀。自動編碼器200包含編碼器204(編碼層)及隱藏層206,該隱藏層產生壓縮資料208之編碼。壓縮資料208(壓縮資料在本發明中亦可被稱為經編碼形狀資料)可接著由解碼器210(解碼層)解碼以產生幾乎等同於輸入202之輸出212(經解碼遮罩影像)。
自動編碼器200經由訓練、藉由將經解碼遮罩影像212與輸入202進行比較且計算損失值而產生壓縮資料208。損失值係一成本函數,該成本函數係來自多個資料點之損失之平均值。舉例而言,可針對每一資料點計算損失,因而此等損失之平均值對應於成本(損失值)。在一些實施例中,可使用批梯度下降(batch gradient descent),其中對於一個訓練週期,計算「n」個訓練實例之「n」個損失,但在判定參數更新時僅使用一個成本。在一些實施例中,可使用隨機梯度下降(stochastic gradient descent),其中在每一損失之後計算參數更新(且因此,損失有效地對應於成本)。經編碼壓縮資料208僅保持使用解碼器210在預定臨限值內再現原始輸入所需之資訊。舉例而言,自動編碼器可設定參數以對更重要之資訊加權,使得訓練允許神經網路基於彼等權重來學習何種資訊要保留。僅保持再現原始輸入所需之資訊可減少計算時間且因此改良處理效率。
自動編碼非常依賴於資料之表示法。自動編碼藉由使用卷積濾波之資料圖來學習跨區域像素之非線性相依性,且執行自諸如240 x 240像素之高緯影像至經編碼向量(例如,256個元素之向量)的降維處理。該降維處理可在每一層遞增地執行,諸如自240 x 240 x 1至120 x 120 x 32,使得像素之一半係用32濾波資料表示。另外,由於類似之影像傾向於具有與不同影像相比更類似之經編碼向量,因此在一些實施例中,可使用經編碼向量而非使用原始輸入。
在另一實施例中,在圖3中提供具有可變卷積層之自動編碼器。卷積自動編碼器模型結構300具有用於對輸入影像(例如,圖2之輸入202)編碼之卷積層302(一或多個層,例如至多「n」個卷積層)之網。模型結構300亦包括用於對壓縮資料308解碼之轉置卷積(去卷積)層314之網。經由訓練,自動編碼器學習且判定卷積層之最佳數目。舉例而言,本發明之方法可包括:初始化用於自動編碼模型之一組參數;使用卷積自動編碼器300對經編碼形狀資料解碼;將經解碼資料與輸入形狀資料進行比較且調整該組參數。接著重複編碼及解碼,直至該等模型參數產生可接受之準確度,諸如資料損失之預定臨限值(例如,資料損失之最大量)或當參數調整不再能夠達成損失值之進一步改良時。在一些實施例中,卷積層之數目可保持低於某一值以幫助防止該模型過擬合。
自動編碼器300以自卷積層302輸出輸入影像之濾波資料圖開始。在平坦化步驟304中將該等濾波資料圖平坦化以為嵌入306做準備。在一些實施例中,嵌入306涉及輸出一一維向量之一全連接嵌入層,其中該嵌入層可為例如單一的全連接嵌入層。壓縮資料308之解碼與該等編碼步驟(平坦化304及嵌入306)相反地發生,自全連接稠密層310開始。在再成形步驟312中,接著將自稠密層310輸出之多維向量再成形為用於在去卷積層314中進一步解碼之另一多維矩陣。與圖2之自動編碼器200相似,將所得的經解碼影像(例如,圖2之輸出212)與原始輸入進行比較以計算資料損失值。
在圖4中提供自動編碼器300中之該等層之更詳細實施例。對於此實施例,編碼器/解碼器400使用四個卷積層401、402、404、406,每一卷積層獲取(在此實例中)在此情況下240x240個像素之輸入影像且對於每一層分別具有5x5、5x5、3x3、3x3之核大小、為2之步幅及32、64、128、256之濾波器大小。卷積層401、402、404、406對應於圖3之卷積層302。對於一些卷積層,使用「相同」填補將零添加至允許計算濾波資料維度之輸入影像邊界。對於一些卷積
層,使用「有效」填補,在此情況下,允許輸入影像之邊界處的某一資訊丟失。濾波資料之數目在卷積層401、402、404及406中增大以捕捉關鍵元素,然後在步驟408中進行平坦化及嵌入。在一些實施例中,嵌入層(步驟408)及稠密層(步驟410)與隱藏單元完全連接,該等隱藏單元經平坦化(在步驟408中)且使用元素向量409作為步驟408之輸出及步驟410之輸入來再成形(步驟410)。舉例而言,元素向量409係256個元素之一維向量,且嵌入層及稠密層與57600個隱藏單元完全連接。在一些實施例中,跟在該等卷積層後之去卷積層412、414、416、418各自分別具有3x3、3x3、5x5、5x5之核大小、為2之步幅及128、64、32、1之濾波器大小。去卷積層412、414、416、418對應於圖3之去卷積層314。在其他實施例中,可使用其他核大小、步幅及濾波器大小,諸如適合輸入影像之大小及內容之核大小、步幅及濾波器大小。在一些實施例中,獲悉層之數目,且自動編碼器使用該數目個層連同產生最小損失量之參數。
在一些實施例中,訓練可在計算出之損失值停止改良時停止。機器學習難以做到完全無損失,此係因為機器學習為亦取決於訓練輸入完整性之統計方法。卷積自動編碼器300之訓練程序包含監測及調整允許編碼器/解碼器400以最小資料損失將輸出與輸入匹配之參數。對此損失之測試為對原始資料編碼及解碼且將原始資料與往返結果進行比較。在一些實施例中,均方誤差(Mean Square Error;MSE)可用作為比較及資料損失之計算之度量(即,成本函數或損失值),或替代地,可使用類似之均方根誤差(Root Mean Square Error;RMSE)損失函數。在另外的實施例中,可關於域視情況選擇其他損失函數。
圖5A圖示一些實施例,在該等實施例中,為訓練供應之遮罩資料集之資料傳播可包括來自完整遮罩或晶圓之影像素材,諸如大小為240x240x1之素材,以改良處理效率。為了產生此等素材,可將較大之遮罩/晶圓影像500、至多完整遮罩或完整晶圓影像分解成圖塊502、503、504、506、507、508之柵格
且逐個圖塊地加以編碼。為了減少圖塊邊界處之假影,自動編碼器可能需要如圖5B所示的包括相鄰像素之光暈之較大輸入,以減少復原影像中之假影。圖5B之實施例展示圖塊502作為待壓縮之影像。圖塊502經分離成圍繞圖塊部分512之光暈區域522,然後,藉由編碼器524及解碼器526如上文關於圖2至圖4所描述地對具有光暈522之圖塊部分512進行處理。光暈之大小可為卷積層之數目及卷積之核大小的函數。在一個實施例中,對於含有具有核大小5x5之2個卷積層及具有核大小3x3之2個卷積層的自動編碼器,最大光暈大小可為6個像素。即,2個像素用於每一5x5層且1個像素用於每一3x3層。光暈522可與鄰近圖塊重疊且可用於重組大遮罩/晶圓影像500。光暈522在圖塊部分512之編碼/解碼期間可移除。在當前實施例中,如圖5B中所見,光暈522因此不存在於經解碼影像圖塊532中。
影像正規化、具有零均值及單位方差之線性縮放及影像之隨機旋轉/翻轉、對影像進行修剪及大小調整可用於改良資料壓縮。在一些實施例中,可使用遮罩資料集或梯度下降之隨機最佳化。針對整個訓練程序中之遮罩資料來微調資料準備及參數。
在編碼之後,可對影像解碼且進行分析誤差。此誤差不同於損失值,此係因為誤差係基於距離準則。誤差距離計算係確保壓縮準確之實施檢查,而上述之損失值係用於訓練自動編碼器。在一些實施例中,若誤差過大,則編碼器/解碼器可輸出輸入影像,而非輸出經編碼形狀資料。此允許所有經編碼/經解碼輸出僅具有最大預定誤差值。若經編碼形狀資料之最大誤差值大於一預定最大誤差值,則可輸出原始輸入形狀資料,而非輸出經編碼形狀資料。舉例而言,誤差值之大小可根據距離準則來確定,諸如用於前導邊緣半導體遮罩或晶圓之0.1nm至4nm之輪廓至輪廓邊緣置放誤差(edge placement error;EPE),或用於諸如平板顯示器之其他裝置的更大值。在一些實施例中,誤差值可基於其他準則,諸
如在表面或基板製造期間施加至光阻劑表面之劑量(能量)之量的差值。在一些實施例中,在編碼之前,神經網路可識別輸入形狀是否為適合自動編碼器之形狀類型。舉例而言,若半導體設計之區段含有設計者之面部的像素化影像,則自動編碼器可能尚未針對該影像進行訓練。該方法之損失性質可由辨識將不能良好作用之輸入的另一神經網路來克制,且用輸入影像替代未壓縮輸出。
本發明實施例能夠高效地處理遮罩及晶圓設計所涉及之非常複雜之資料。遮罩資料在結構上緊密。給定區域中之「任何可能遮罩形狀」(或晶圓形狀或設計形狀)之總數與「任何可能形狀」之總數相比非常有限。此外,「所要遮罩形狀」之總數甚至更有限,此係因為在模擬輪廓及製成輪廓兩者中進出之任何給定邊緣存在許多微小變化。可能遮罩形式為何如此有限之一實例係存在用於遮罩及晶圓兩者之設計規則,該等設計規則排除將不可製造之許多幾何形狀。設計規則之一實例係所有特徵寬度可為至少30nm。但遠不止如此,出於許多原因,人類產生以作為CAD形狀之幾何形狀的空間及OPC/ILT產生以作為遮罩設計之幾何形狀的空間極其有限。可能形狀之數目可受電晶體之物理學工作之方式限制。可能形狀之數目可為有限的,此係因為電晶體之間的電連接需要儘可能地短,以將電阻及電容減至最小。較小之設計更便宜,此意味著所有物體需要以最小間隔及大小封裝在一起。微影術,諸如通常用於將圖案自遮罩轉印至諸如矽晶圓之基板之光學微影術,具有特定週期性,該週期性迫使OPC/ILT以特定預規定間隔產生或定位特徵。除了此等剛性設計規則之外,每一技術節點或每一製造配方將以其具有之形狀類型作為該技術節點或製造配方之唯一簽名。自諸如OPC/ILT之程式自動地生成之形狀亦具有特定特性,此係因為此等程式系統性地操縱該等程式之輸入資料,該等輸入資料已具有上文說明的關於可能形狀之限制。
因此,用於遮罩及晶圓之設計程序在來自可產生之所有可能形狀的
哪些形狀可接受方面高度受限制。設計程序由於以下因素變得更複雜:在模擬或實際製造之形狀中,存在取決於鄰域或由於製造程序變化而改變之許多變化。此等因素使任何給定區域中之潛在形狀之範圍擴大。本發明承認需要遠比可能遮罩或晶圓或設計形狀及所有可能形狀中之此巨大差異更緊湊地表示所有可能的遮罩、晶圓或設計形狀。對遮罩及晶圓形狀之處理非常複雜,且由於資料本身之性質,壓縮且解壓縮形狀以準確地再現所要形狀需要非常特殊之技術。在本發明實施例中,假設一影像為遮罩、晶圓或設計形狀之影像,則對該影像編碼之程序捕獲且編碼該等可能形狀間之類似性,從而使得有可能將用於多種應用程序之形狀進行比較且分類。
編碼器大量壓縮給定設計、模擬設計或製成之表面之資訊內容的關鍵難點在於在合理計算時間中是否能夠發現準確之「接近無損」或「在合理容限內無損」結果。在對特定「設計」進行處理時所需之計算時間之量最重要。但對編碼器進行程式化所用之計算時間-即「訓練時間」亦係重要的,此係因為對於每一層類型,每一設計規則(諸如「7nm最小線寬度」或「5nm最小線至線間距」)可需要獨立地加以訓練。
藉由利用遮罩「知識」(例如,針對每一層類型之設計規則)來訓練自動編碼器,100倍或更大壓縮比之編碼器可在本發明實施例中產生。本發明方法可用於調諧如藉由將原始值與往返結果進行比較量測的壓縮比及準確度之取捨。用於提高準確度之調諧影響壓縮之量。因此,準確度增益之量可能不適合壓縮之量。舉例而言,可選擇具有1nm最壞情況損失(自往返返回之資料與輸入資料最差偏移1nm)之100倍壓縮作為用於缺陷偵測任務之合適損失值。本發明方法可用於調諧/濾波待用於將輸出分類之重要資料。經過例如遮罩「知識」特殊訓練以對濾波資料進行具準確度之壓縮或分類之自動編碼器將利用比經過其他影像訓練之一般自動編碼器準確之結果執行。
輸出可基於以下各者來分類:輸入CAD形狀(該等形狀在利用習知製造技術之情況下通常為直線形狀,但亦可包括諸如曲線形狀之其他形狀),或OPC後形狀,該等OPC後形狀描述什麼遮罩形狀將最佳地產生晶圓上的最接近所要CAD形狀(例如,如藉由不具有基於VSB之遮罩寫入之矩形限制的多射束遮罩寫入實現之直線或其他形狀,諸如曲線形狀)之形狀。在一些實施例中,輸出可基於模擬之曲線輪廓,根據劑量圖而計算,該等劑量圖指示用於曝光所要CAD形狀之劑量之量。
在一些實施例中,電腦輔助工程(computer-aided engineering;CAE)技術亦可應用於實體製造的遮罩或晶圓之掃描電子顯微鏡(scanning electron microscope;SEM)影像。此應用程序可幫助將諸如遮罩缺陷之潛在缺陷自動地分類。在典型半導體製造中,遮罩上之潛在缺陷可藉由遮罩檢查來識別,在遮罩檢查期間,整個遮罩之影像產生。該影像係模糊的且解析度相對較低,但該影像係關於整個遮罩的。此遮罩檢查程序經設計以識別需要進一步檢查之有問題點。藉由獲取更加準確之SEM影像且對此等影像進行分析來進行一步檢查係。使用缺陷檢查SEM機器來完成此進一步檢查。缺陷檢查SEM機器可獲取極詳細之影像,但具有有限視野,諸如1μm x 1μm至10μm x 10μm。因此,在藉由遮罩檢查產生之全場遮罩影像中首先識別出潛在缺陷區,然後在SEM中檢查該等潛在缺陷區之細節。在前導邊緣節點中,典型生產遮罩上的識別出之可疑區之數目以及實際缺陷之數目比早期節點的情況大得多。在21世紀初,遮罩上之幾十個缺陷可得到修復-具有比此情況多之錯誤之遮罩被廢棄且重新製造。此已演變成幾百個問題在前導邊緣遮罩中係常見的,其中所有問題必須被修復。遮罩之重新製造已變得不太常見,此係因為重新製造之遮罩將很可能亦具有幾百個缺陷。修復缺陷係遮罩製造獨有的;並不修復晶圓。遮罩值得進行修復,此係因為遮罩上之錯誤將在使用該遮罩生產之每一個晶圓上再現。因此,在一些實施例中,可在
本發明方法之神經網路之訓練中使用SEM影像之使用以幫助識別遮罩缺陷。在其他實施例中,可在神經網路之訓練中使用遮罩影像之模擬(例如,模擬之SEM影像)。
圖6圖示可用於執行本發明中所描述之計算的計算硬體裝置600之一實例。實例計算包括處理神經網路之卷積及去卷積層、計算且比較損失以及利用受過訓練之神經網路來壓縮遮罩資料。計算硬體裝置600包含附接有主記憶體604之中央處理單元(CPU)602。CPU可包含例如八個處理核心,由此增強多線緒之電腦軟體之任何部分的效能。主記憶體604之大小可為例如64吉位元組。CPU 602連接至快速周邊組件互連(PCIe)匯流排620。圖形處理單元(GPU)614亦連接至該PCIe匯流排。在計算硬體裝置600中,GPU 614可以或可不連接至諸如視訊監視器之圖形輸出裝置。若不連接至圖形輸出裝置,則GPU 614可僅用作為高速平行計算引擎。與將CPU 602用於全部計算相比,計算軟體可藉由將GPU用於該等計算之一部分而獲得明顯較高之效能。CPU 602經由PCIe匯流排620與GPU 614通信。在其他實施例(未說明)中,GPU 614可與CPU 602整合,而非連接至PCIe匯流排620。在例如兩個磁碟610連接至磁碟控制器608之情況下,磁碟控制器608亦可附接至該PCIe匯流排。最後,區域網路(local area network;LAN)控制器612亦可附接至該PCIe匯流排,且提供至其他電腦之吉位元乙太網路(Gigabit Ethernet;GbE)連接性。在一些實施例中,電腦軟體及/或設計資料儲存在磁碟610上。在其他實施例中,電腦程式或設計資料中之任一者或電腦程式或設計資料兩者可經由GbE乙太網路自其他電腦或檔案伺服硬體存取。
圖7係表示根據一些實施例的用於壓縮用於一組電子設計之形狀資料之方法的流程圖700。流程700可使用例如自動編碼器,該自動編碼器已受過訓練,使得該自動編碼器之卷積層及其他參數在開始流程700之前係預定的。流
程700以輸入一組形狀資料之步驟702開始,其中該組形狀資料表示用於一裝置製造程序之一組形狀。對於大的影像,可執行可選步驟704以如關於圖5A至圖5B所論述地將影像分解成圖塊之柵格。步驟706涉及對該組形狀資料使用一卷積自動編碼器,其中該卷積自動編碼器具有一組預定之卷積層及其他參數,包括用於每一卷積層之一核大小及濾波器大小。在步驟706中,使用該受過訓練之卷積自動編碼器的該組預定之卷積層及其他參數(例如,核大小、濾波資料大小、最終向量大小)對該組形狀資料編碼以壓縮該組形狀資料,以產生一組經編碼形狀資料。該組形狀資料可包括可為模擬之遮罩影像的掃描電子顯微鏡(SEM)影像,且該組經編碼形狀資料識別一遮罩缺陷。
在圖7之一些實施例中,利用該卷積自動編碼器之該編碼包含一平坦化步驟,繼之以一嵌入步驟,該嵌入步驟涉及輸出一一維向量之一全連接嵌入層。該嵌入步驟可使用例如單一的全連接嵌入層。該一維向量可包含例如256個元素。
在圖7之一些實施例中,該組卷積層包含至少兩個卷積層,諸如四個卷積層或至少四個卷積層。該四個卷積層中之每一者可使用例如為2之步幅。在一些實施例中,該組卷積層可包括:一第一卷積層,該第一卷積層使用一第一5x5核;一第二卷積層,該第二卷積層跟在該第一卷積層後且使用一第二5x5核;一第三卷積層,該第三卷積層跟在該第二卷積層後且使用一第一3x3核;及一第四卷積層,該第四卷積層跟在該第三卷積層後且使用一第二3x3核。在此等實施例中,該第一、該第二、該第三及該第四卷積層可分別使用例如32、64、128及256之濾波器大小。
在圖7之一些實施例中,該等方法包括在步驟708中使用該卷積自動編碼器將該組經編碼形狀資料解碼成經解碼資料。
在圖7之一些實施例中,該組形狀資料包含在步驟704中自一較大
影像分解之圖塊之一柵格;且該解碼包含逐個圖塊地對該圖塊柵格編碼以在步驟712中重組。該圖塊柵格中之該等圖塊中之每一者可包括一光暈,該光暈具有基於以下項中之至少一者選擇的一大小:卷積層之數目;及該等卷積層之核大小。
在一些實施例中,該等方法包括在步驟714中判定一誤差值。在一些實施例中,在步驟714中判定用於組經編碼形狀資料之誤差值包括:判定根據諸如輪廓至輪廓邊緣置放誤差之一距離準則確定的誤差值之大小;及若該組經編碼形狀資料之該誤差值大於一預定臨限值,則在步驟718中輸出該組輸入之形狀資料,而非輸出該組經編碼形狀資料。誤差可基於例如用於在一表面上生成該組形狀資料之一距離準則或劑量能量之一差值。在一些實施例中,步驟718中之經編碼形狀資料提供關於輸入之形狀資料的額外資訊,例如用於一SEM影像之一遮罩缺陷之一分類。
在一些實施例中,該裝置製造程序為一半導體製造程序或一平板顯示器製造程序。
圖8係根據一些實施例的表示訓練神經網路以壓縮用於一組電子設計之形狀資料之流程圖800。流程800以輸入一組形狀資料之步驟802開始,其中該組形狀資料表示用於一裝置製造程序之一組形狀。步驟804涉及輸入一組參數,該等參數可包括用於一卷積自動編碼器之一組卷積層,該等卷積層具有用於每一層之一核大小、一步幅值及濾波器大小。步驟806涉及使用該卷積自動編碼器的該輸入組之卷積層對該組輸入之形狀資料編碼以壓縮該組形狀資料,以產生一組經編碼形狀資料。一些實施例包括判定用於該組經編碼形狀資料之一向量大小。步驟808涉及使用該卷積自動編碼器將該組經編碼形狀資料解碼成經解碼資料且輸出該經解碼形狀資料810。步驟812涉及藉由將輸入之形狀資料802與經解碼形狀資料810進行比較來計算一損失。步驟816涉及基於該計算出
之損失而對該組輸入之參數進行調整以判定用於該卷積自動編碼器之一更新組之卷積層,及在步驟806中使用該等新調整之參數(包括該更新組之卷積層)對形狀資料編碼。重複自步驟806至816之循環,直至始終達成可接受之損失。自流程800確定之該組卷積層可用作為圖7之步驟706中的該組預定之卷積層,該組卷積層可為在步驟804中輸入之該組卷積層,或來自步驟806至816之訓練循環的經更新卷積層之組。
在圖8之一些實施例中,步驟812中之損失可計算為作為資料損失之比較及計算之度量的均方誤差(MSE),或替代地計算為類似之均方根誤差(RMSE)損失函數。在一些實施例中,該等方法包括在該組卷積層之該輸入之前初始化用於該卷積自動編碼器之該組參數,諸如初始化一組參數以在步驟804中使用。在一些實施例中,該組形狀資料包含如在圖7中的在步驟704中自一較大影像分解之圖塊之一柵格;且該編碼及解碼包含逐個圖塊地對該圖塊柵格編碼及解碼。
儘管說明書已關於特定實施例加以詳細地描述,但將瞭解,熟習此項技術者在理解前述內容之後可容易地設想對此等實施例之更改、此等實施例之變化及等效物。在不背離在隨附申請專利範圍中更特別地闡述之本發明標的之範疇的情況下,本發明方法之此等及其他修改及變化可由一般熟習此項技術者實行。此外,一般熟習此項技術者將瞭解,先前描述僅以舉例方式說明,且不欲為限制性的。在不偏離本發明之範疇之情況下,可添加步驟至本說明書中之步驟,自本說明書中之步驟去除步驟或加以修改。一般地,所呈現之任何流程圖僅意欲指示用於實現功能之基本操作的一個可能序列,且許多變化係可能的。因此,希望本發明之標的在此等修改及變化在附加申請專利範圍及其等效物之範疇內時涵蓋此等修改及變化。
100:圖
102:遮罩或晶圓影像
104:編碼器
106:壓縮資料
Claims (40)
- 一種用於壓縮用於一組電子設計之形狀資料之方法,該方法包含:輸入一組形狀資料,其中該組形狀資料表示用於一裝置製造程序之一組形狀;對該組形狀資料使用一卷積自動編碼器,其中該卷積自動編碼器具有一組預定之卷積層,該等卷積層包括用於每一卷積層之一核大小及濾波器大小;及使用該卷積自動編碼器的該組預定之卷積層對該組形狀資料編碼以壓縮該組形狀資料,以產生一組經編碼形狀資料,其中基於針對該組電子設計之設計規則來調諧該組預定之卷積層以提高該組經編碼形狀資料之準確度;判定用於該組經編碼形狀資料之一誤差值;及藉由判定該組經編碼形狀資料之該誤差值大於一預定臨限值,輸出所輸入之該組形狀資料,而非輸出該組經編碼形狀資料;其中該組形狀資料包含一掃描電子顯微鏡(SEM)影像,且在該組經編碼形狀資料中識別一遮罩缺陷。
- 如請求項1之方法,其中利用該卷積自動編碼器之該編碼包含一平坦化步驟,繼之以一嵌入步驟,該嵌入步驟涉及輸出一一維向量之一全連接嵌入層。
- 如請求項2之方法,其中該一維向量包含256個元素。
- 如請求項1之方法,其中該組卷積層包含至少四個卷積層。
- 如請求項4之方法,其中該組卷積層包含:一第一卷積層,該第一卷積層使用一第一5x5核;一第二卷積層,該第二卷積層跟在該第一卷積層後且使用一第二5x5核; 一第三卷積層,該第三卷積層跟在該第二卷積層後且使用一第一3x3核;及一第四卷積層,該第四卷積層跟在該第三卷積層後且使用一第二3x3核。
- 如請求項5之方法,其中該第一卷積層、該第二卷積層、該第三卷積層及該第四卷積層分別使用32、64、128及256之濾波器大小。
- 如請求項5之方法,其中在該四個卷積層中之每一者中使用為2之一步幅。
- 如請求項1之方法,該方法進一步包含使用該卷積自動編碼器將該組經編碼形狀資料解碼成經解碼資料。
- 如請求項1之方法,其中:該組形狀資料包含自一較大影像分解之一圖塊柵格;且該編碼包含逐個圖塊地對該圖塊柵格編碼。
- 如請求項9之方法,其中該圖塊柵格中之每一圖塊包含一光暈以減少該圖塊之一邊界處之假影,該光暈為圍繞該圖塊之一相鄰像素區域,該光暈具有基於以下項中之至少一者選擇的一大小:卷積層之數目;及該等卷積層之該核大小。
- 如請求項1之方法,其中該誤差值係基於用於在一表面上生成該組形狀資料之一距離準則,其中該距離準則係基於該等設計規則。
- 如請求項1之方法,其中該誤差值係基於用於在一表面上生成該組形狀資料之劑量能量之一差值,其中劑量能量之該差值係基於該等設計規則。
- 如請求項1之方法,其中該裝置製造程序為一平板顯示器製造程序。
- 如請求項1之方法,其中該SEM影像進一步包含一模擬之遮罩 影像。
- 如請求項1之方法,其中該等設計規則包含一最小線寬度或一最小線至線間距。
- 一種用於壓縮用於一組電子設計之形狀資料之方法,該方法包含:輸入一組形狀資料,其中該組形狀資料包含遮罩設計;及使用一卷積自動編碼器對該組形狀資料編碼,其中該編碼包含壓縮該組形狀資料,以產生一組經編碼形狀資料;其中該卷積自動編碼器包含一組調整參數,該組調整參數包含權重,其中已使用該等權重調諧該組調整參數以提高該組經編碼形狀資料之準確度,其中該等權重係使用來基於針對該組電子設計之設計規則來判定要保留何種資訊。
- 如請求項16之方法,其中利用該卷積自動編碼器之該編碼包含一平坦化步驟,繼之以一嵌入步驟,該嵌入步驟涉及輸出一一維向量之一全連接嵌入層。
- 如請求項17之方法,其中該一維向量包含256個元素。
- 如請求項16之方法,其中該卷積自動編碼器包含一組預定之卷積層,該等卷積層包括該組預定之卷積層中用於每一卷積層之一核大小及一濾波器大小。
- 如請求項19之方法,其中該組預定之卷積層包含:一第一卷積層,該第一卷積層使用一第一5x5核;一第二卷積層,該第二卷積層跟在該第一卷積層後且使用一第二5x5核;一第三卷積層,該第三卷積層跟在該第二卷積層後且使用一第一3x3核;及 一第四卷積層,該第四卷積層跟在該第三卷積層後且使用一第二3x3核。
- 如請求項20之方法,其中該第一卷積層、該第二卷積層、該第三卷積層及該第四卷積層分別使用32、64、128及256之濾波器大小。
- 如請求項20之方法,其中在該四個卷積層中之每一者中使用為2之一步幅。
- 如請求項16之方法,該方法進一步包含使用該卷積自動編碼器將該組經編碼形狀資料解碼成經解碼形狀資料,其中該經解碼形狀資料在一預定臨限值內再現所輸入之該組形狀資料。
- 如請求項16之方法,其中:該組形狀資料包含自一較大影像分解之一圖塊柵格;且該編碼包含逐個圖塊地對該圖塊柵格編碼,形成一經編碼之圖塊柵格。
- 如請求項24之方法,其中該圖塊柵格中之每一圖塊包含一光暈以減少該圖塊之一邊界處之假影,該光暈為圍繞該圖塊之一相鄰像素區域,該光暈具有基於以下項中之至少一者選擇的一大小:該卷積自動編碼器之卷積層之一數目;及該卷積自動編碼器之該等卷積層之一核大小。
- 如請求項24之方法,該方法進一步包含:判定經編碼之該圖塊柵格中用於一圖塊之一誤差值;及當經編碼之該圖塊柵格中之該圖塊之該誤差值大於一預定臨限值時,輸出該圖塊柵格中之一圖塊,而非輸出經編碼之該圖塊柵格中之該圖塊。
- 如請求項26之方法,其中該誤差值係基於用於在一表面上生成該組形狀資料之一距離準則,其中該距離準則係基於該等設計規則。
- 如請求項26之方法,其中該誤差值係基於用於在一表面上生成該組形狀資料之劑量能量之一差值,其中劑量能量之該差值係基於該等設計規則。
- 如請求項16之方法,其中該組形狀資料進一步包含模擬之遮罩設計。
- 如請求項16之方法,其中該等設計規則包含一最小線寬度或一最小線至線間距。
- 如請求項16之方法,其中在壓縮比與準確度增益之一取捨中調諧該組調整參數以提高準確度。
- 一種用於訓練用於一組電子設計之形狀資料之壓縮之一卷積自動編碼器之方法,該方法包含:輸入一組形狀資料,其中該組形狀資料包含遮罩設計;及輸入一組參數,該組參數包括用於該卷積自動編碼器之一組卷積層,其中該組參數係使用該組電子設計之設計規則來判定,且其中該組參數包含權重;使用該卷積自動編碼器之該組卷積層,對該組形狀資料編碼以壓縮該組形狀資料,以產生一組經編碼形狀資料;及調整該組參數,其中該調整包含調諧該組參數以提高該組經編碼形狀資料之準確度,且其中該調整包含基於該組電子設計之該等設計規則來調整該等權重以保留所需之重要資訊,以再現所輸入之該組形狀資料。
- 如請求項32之方法,其中該組參數包含以下項中之至少一者:用於每一卷積層之一核大小、一步幅值及一濾波器大小。
- 如請求項33之方法,進一步包含判定用於該組經編碼形狀資料之一向量大小。
- 如請求項32之方法,進一步包含使用該卷積自動編碼器將該組經編碼形狀資料解碼成經解碼資料。
- 如請求項35之方法,進一步包含藉由將該經解碼資料與所輸入 之該組形狀資料進行比較來計算一損失。
- 如請求項36之方法,進一步包含基於該損失來調整該組參數。
- 如請求項35之方法,其中:該組形狀資料包含自一較大影像分解之一圖塊柵格;且該編碼及該解碼包含逐個圖塊地對該圖塊柵格編碼及解碼。
- 如請求項32之方法,進一步包含在輸入包括該組卷積層之該組參數之前初始化用於該卷積自動編碼器之該組參數。
- 如請求項32之方法,其中該等設計規則包含一最小線寬度或一最小線至線間距。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962810127P | 2019-02-25 | 2019-02-25 | |
US62/810,127 | 2019-02-25 | ||
US16/793,152 US11182929B2 (en) | 2019-02-25 | 2020-02-18 | Methods and systems for compressing shape data for electronic designs |
US16/793,152 | 2020-02-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202103110A TW202103110A (zh) | 2021-01-16 |
TWI829875B true TWI829875B (zh) | 2024-01-21 |
Family
ID=72141939
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112147855A TWI840316B (zh) | 2019-02-25 | 2020-02-24 | 用於壓縮用於電子設計之形狀資料之方法及系統 |
TW109105924A TWI829875B (zh) | 2019-02-25 | 2020-02-24 | 用於壓縮用於電子設計之形狀資料之方法及系統 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112147855A TWI840316B (zh) | 2019-02-25 | 2020-02-24 | 用於壓縮用於電子設計之形狀資料之方法及系統 |
Country Status (3)
Country | Link |
---|---|
US (3) | US11182929B2 (zh) |
TW (2) | TWI840316B (zh) |
WO (1) | WO2020174341A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7230368B2 (ja) * | 2018-08-20 | 2023-03-01 | 富士フイルムビジネスイノベーション株式会社 | 符号化装置、復号装置及びプログラム |
US11256967B2 (en) * | 2020-01-27 | 2022-02-22 | Kla Corporation | Characterization system and method with guided defect discovery |
KR20220019894A (ko) * | 2020-08-10 | 2022-02-18 | 삼성전자주식회사 | 반도체 공정의 시뮬레이션 방법 및 반도체 장치의 제조 방법 |
CN114663334A (zh) * | 2020-12-22 | 2022-06-24 | 富泰华工业(深圳)有限公司 | 瑕疵检测方法、装置、电子设备及存储介质 |
CN114764774A (zh) * | 2021-01-12 | 2022-07-19 | 富泰华工业(深圳)有限公司 | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 |
TWI804798B (zh) * | 2021-01-18 | 2023-06-11 | 鴻海精密工業股份有限公司 | 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 |
CN114862740A (zh) * | 2021-01-18 | 2022-08-05 | 富泰华工业(深圳)有限公司 | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 |
TWI748867B (zh) * | 2021-02-05 | 2021-12-01 | 鴻海精密工業股份有限公司 | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 |
CN116385391A (zh) * | 2023-04-03 | 2023-07-04 | 深圳智现未来工业软件有限公司 | 一种晶圆图缺陷的多目标检测方法 |
CN117036355B (zh) * | 2023-10-10 | 2023-12-15 | 湖南大学 | 编码器和模型的训练方法、故障检测方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201819896A (zh) * | 2016-10-07 | 2018-06-01 | 美商克萊譚克公司 | 用於半導體晶圓檢查之三維成像 |
US20180330511A1 (en) * | 2017-05-11 | 2018-11-15 | Kla-Tencor Corporation | Learning based approach for aligning images acquired with different modalities |
CN109102497A (zh) * | 2018-07-13 | 2018-12-28 | 杭州舜浩科技有限公司 | 高分辨率的导光板图像缺陷检测方法 |
TW201901293A (zh) * | 2017-05-23 | 2019-01-01 | 美商克萊譚克公司 | 使用差異影像之晶圓檢查 |
US20190057244A1 (en) * | 2017-08-18 | 2019-02-21 | Autel Robotics Co., Ltd. | Method for determining target through intelligent following of unmanned aerial vehicle, unmanned aerial vehicle and remote control |
Family Cites Families (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001126980A (ja) * | 1999-11-01 | 2001-05-11 | Nikon Corp | 蓄積エネルギー計算方法、プログラム記憶媒体、近接効果計算方法、マスク又はレチクルパターンの設計方法、及び半導体デバイスの製造方法 |
US6425113B1 (en) * | 2000-06-13 | 2002-07-23 | Leigh C. Anderson | Integrated verification and manufacturability tool |
US6892367B2 (en) | 2002-06-28 | 2005-05-10 | Pdf Solutions, Inc. | Vertex based layout pattern (VEP): a method and apparatus for describing repetitive patterns in IC mask layout |
JP2008076505A (ja) | 2006-09-19 | 2008-04-03 | Nec Electronics Corp | マスク設計方法およびこれを用いた半導体装置の製造方法、ならびにマスク設計システム |
US8490034B1 (en) | 2010-07-08 | 2013-07-16 | Gauda, Inc. | Techniques of optical proximity correction using GPU |
US9489479B2 (en) * | 2012-05-04 | 2016-11-08 | Asml Netherlands B.V. | Rule and lithographic process co-optimization |
US9057965B2 (en) | 2012-12-03 | 2015-06-16 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method of generating a set of defect candidates for wafer |
US9430824B2 (en) | 2013-05-14 | 2016-08-30 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
US20140358830A1 (en) | 2013-05-30 | 2014-12-04 | Synopsys, Inc. | Lithographic hotspot detection using multiple machine learning kernels |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
US9354511B2 (en) | 2013-12-06 | 2016-05-31 | Synopsys, Inc. | Integrated mask-aware lithography modeling to support off-axis illumination and multi-tone masks |
TWI510482B (zh) * | 2014-03-07 | 2015-12-01 | Ind Tech Res Inst | 聯苯衍生物及有機電致發光裝置 |
US9972491B2 (en) | 2014-06-27 | 2018-05-15 | Toshiba Memory Corporation | Mask data generation method, mask data generation system, and recording medium |
US10025175B2 (en) | 2014-09-12 | 2018-07-17 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and system to prepare, manufacture and inspect mask patterns for a semiconductor device |
US10650508B2 (en) | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
JP6198805B2 (ja) | 2015-02-16 | 2017-09-20 | キヤノン株式会社 | リソグラフィ装置、リソグラフィ方法、プログラム、リソグラフィシステムおよび物品製造方法 |
US9965901B2 (en) | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
US10395356B2 (en) | 2016-05-25 | 2019-08-27 | Kla-Tencor Corp. | Generating simulated images from input images for semiconductor applications |
US10055882B2 (en) * | 2016-08-15 | 2018-08-21 | Aquifi, Inc. | System and method for three-dimensional scanning and for capturing a bidirectional reflectance distribution function |
WO2018033363A1 (en) | 2016-08-19 | 2018-02-22 | Asml Netherlands B.V. | Modeling post-exposure processes |
US9990460B2 (en) * | 2016-09-30 | 2018-06-05 | Taiwan Semiconductor Manufacturing Co., Ltd. | Source beam optimization method for improving lithography printability |
CN109844917B (zh) * | 2016-10-13 | 2023-07-04 | 科磊股份有限公司 | 用于过程控制的计量系统及方法 |
US10527928B2 (en) | 2016-12-20 | 2020-01-07 | Taiwan Semiconductor Manufacturing Co., Ltd. | Optical proximity correction methodology using pattern classification for target placement |
JP2018124990A (ja) * | 2017-01-31 | 2018-08-09 | キヤノン株式会社 | モデル生成装置、評価装置、モデル生成方法、評価方法及びプログラム |
US10248663B1 (en) * | 2017-03-03 | 2019-04-02 | Descartes Labs, Inc. | Geo-visual search |
US10198550B2 (en) | 2017-04-04 | 2019-02-05 | Globalfoundries Inc. | SRAF insertion with artificial neural network |
US10395362B2 (en) | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
EP3392712A1 (en) | 2017-04-21 | 2018-10-24 | IMEC vzw | A method for analyzing design of an integrated circuit |
US10402524B2 (en) | 2017-05-08 | 2019-09-03 | Globalfoundries Inc. | Prediction of process-sensitive geometries with machine learning |
JP6956803B2 (ja) * | 2017-05-26 | 2021-11-02 | グーグル エルエルシーGoogle LLC | ニューラルネットワークを使用するタイル型画像圧縮 |
WO2018234945A1 (ja) * | 2017-06-22 | 2018-12-27 | 株式会社半導体エネルギー研究所 | レイアウト設計システム及びレイアウト設計方法 |
US11543830B2 (en) * | 2017-12-06 | 2023-01-03 | Petuum, Inc. | Unsupervised real-to-virtual domain unification for end-to-end highway driving |
DE102017222616A1 (de) * | 2017-12-13 | 2019-06-13 | Robert Bosch Gmbh | Verfahren zum automatisierten Erstellen von Regeln für eine regelbasierte Anomalieerkennung in einem Datenstrom |
KR20190073756A (ko) | 2017-12-19 | 2019-06-27 | 삼성전자주식회사 | 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템 |
US10657213B2 (en) | 2017-12-22 | 2020-05-19 | D2S, Inc. | Modeling of a design in reticle enhancement technology |
US11093830B2 (en) * | 2018-01-30 | 2021-08-17 | D5Ai Llc | Stacking multiple nodal networks |
WO2019155471A1 (en) | 2018-02-07 | 2019-08-15 | Applied Materials Israel Ltd. | Method of deep learning-based examination of a semiconductor specimen and system thereof |
US11429862B2 (en) * | 2018-03-20 | 2022-08-30 | Sri International | Dynamic adaptation of deep neural networks |
US10789703B2 (en) * | 2018-03-19 | 2020-09-29 | Kla-Tencor Corporation | Semi-supervised anomaly detection in scanning electron microscope images |
DE102018207880A1 (de) * | 2018-05-18 | 2019-11-21 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses |
US11756667B2 (en) * | 2018-05-30 | 2023-09-12 | Siemens Healthcare Gmbh | Decision support system for medical therapy planning |
EP3582142A1 (en) * | 2018-06-15 | 2019-12-18 | Université de Liège | Image classification using neural networks |
TWI671838B (zh) * | 2018-07-17 | 2019-09-11 | 敖翔科技股份有限公司 | 半導體廠缺陷作業系統及裝置 |
US20200073636A1 (en) * | 2018-08-31 | 2020-03-05 | Qualcomm Incorporated | Multiply-accumulate (mac) operations for convolutional neural networks |
KR102284266B1 (ko) * | 2018-12-13 | 2021-08-02 | 한국과학기술원 | 신경 불일치 모델을 고려한 가상현실 멀미 평가 방법 및 그 장치 |
US10884395B2 (en) * | 2018-12-22 | 2021-01-05 | D2S, Inc. | Method and system of reducing charged particle beam write time |
US11263737B2 (en) | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US11263496B2 (en) * | 2019-02-25 | 2022-03-01 | D2S, Inc. | Methods and systems to classify features in electronic designs |
WO2021052712A1 (en) * | 2019-09-16 | 2021-03-25 | Asml Netherlands B.V. | Methods for generating characteristic pattern and training machine learning model |
-
2020
- 2020-02-18 US US16/793,152 patent/US11182929B2/en active Active
- 2020-02-22 WO PCT/IB2020/051495 patent/WO2020174341A1/en active Application Filing
- 2020-02-24 TW TW112147855A patent/TWI840316B/zh active
- 2020-02-24 TW TW109105924A patent/TWI829875B/zh active
-
2021
- 2021-11-04 US US17/453,609 patent/US11823423B2/en active Active
-
2023
- 2023-10-13 US US18/486,758 patent/US20240037803A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201819896A (zh) * | 2016-10-07 | 2018-06-01 | 美商克萊譚克公司 | 用於半導體晶圓檢查之三維成像 |
US20180330511A1 (en) * | 2017-05-11 | 2018-11-15 | Kla-Tencor Corporation | Learning based approach for aligning images acquired with different modalities |
TW201901293A (zh) * | 2017-05-23 | 2019-01-01 | 美商克萊譚克公司 | 使用差異影像之晶圓檢查 |
US20190057244A1 (en) * | 2017-08-18 | 2019-02-21 | Autel Robotics Co., Ltd. | Method for determining target through intelligent following of unmanned aerial vehicle, unmanned aerial vehicle and remote control |
CN109102497A (zh) * | 2018-07-13 | 2018-12-28 | 杭州舜浩科技有限公司 | 高分辨率的导光板图像缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020174341A1 (en) | 2020-09-03 |
TW202414338A (zh) | 2024-04-01 |
TW202103110A (zh) | 2021-01-16 |
US20240037803A1 (en) | 2024-02-01 |
US11182929B2 (en) | 2021-11-23 |
US20200273210A1 (en) | 2020-08-27 |
TWI840316B (zh) | 2024-04-21 |
US20220058836A1 (en) | 2022-02-24 |
US11823423B2 (en) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI829875B (zh) | 用於壓縮用於電子設計之形狀資料之方法及系統 | |
US7475383B2 (en) | Method of fabricating photo mask | |
US6792590B1 (en) | Dissection of edges with projection points in a fabrication layout for correcting proximity effects | |
JP5960953B2 (ja) | 単一のプロセスウィンドウモデルを生成するためのシステム | |
US11079672B2 (en) | Method and system for layout enhancement based on inter-cell correlation | |
US6539521B1 (en) | Dissection of corners in a fabrication layout for correcting proximity effects | |
TWI443448B (zh) | 用於裝置製造之光罩設計及光學接近修正 | |
JP2009276798A (ja) | 歩留りベースの光近接効果補正法を用いたマスク・パターン生成方法 | |
US7080349B1 (en) | Method of developing optimized optical proximity correction (OPC) fragmentation script for photolithographic processing | |
US11989873B2 (en) | Stochastic contour prediction system, method of providing the stochastic contour prediction system, and method of providing EUV mask using the stochastic contour prediction system | |
US11080458B2 (en) | Lithography simulation method | |
TW202213166A (zh) | 用於生成用於電子設計之形狀資料之方法及系統 | |
Pang et al. | Optimization from design rules, source and mask, to full chip with a single computational lithography framework: level-set-methods-based inverse lithography technology (ILT) | |
JP2022521351A (ja) | 電子設計において特徴を分類するための方法及びシステム | |
CN115087924A (zh) | 逆光刻和用于掩模合成的机器学习 | |
KR20200140361A (ko) | 전산 리소그래피 마스크 모델과 관련된 전자계를 결정하는 방법 | |
CN116137899A (zh) | 基于特征图像的三维掩模仿真 | |
JP2009020393A (ja) | マスクパターン形成方法 | |
Gao et al. | Optical proximity correction with principal component regression | |
US10796065B2 (en) | Hybrid design layout to identify optical proximity correction-related systematic defects | |
Jiang et al. | Application of signal reconstruction techniques to shot count reduction in simulation driven fracturing | |
CN116710843A (zh) | 用于自由形状的光学邻近校正 | |
Rieger et al. | Anticipating and controlling mask costs within EDA physical design | |
CN117289542A (zh) | 用于光源掩模优化的方法、设备、存储介质及程序产品 | |
TW202332989A (zh) | 使用深度神經網路的基於影像的半導體元件圖案化方法 |