CN107797391B - 光学邻近校正方法 - Google Patents
光学邻近校正方法 Download PDFInfo
- Publication number
- CN107797391B CN107797391B CN201711070108.8A CN201711070108A CN107797391B CN 107797391 B CN107797391 B CN 107797391B CN 201711070108 A CN201711070108 A CN 201711070108A CN 107797391 B CN107797391 B CN 107797391B
- Authority
- CN
- China
- Prior art keywords
- neural network
- segment
- optical proximity
- proximity correction
- segments
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003287 optical effect Effects 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000003384 imaging method Methods 0.000 claims abstract description 37
- 238000006073 displacement reaction Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012634 optical imaging Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000001259 photo etching Methods 0.000 claims 1
- 238000001459 lithography Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000005286 illumination Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000001427 coherent effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- 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
- 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
- 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
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种光学邻近校正方法，包括：利用光学邻近校正算法将版图图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点；计算每个片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}，n为正整数；将各所述成像信号值集合{S1，S2，S3，…Sn}作为一神经网络模型的输入，所述神经网络模型输出每个片段的最优位移(ΔX，ΔY)；根据所述每个片段的最优位移(ΔX，ΔY)分别移动每个所述片段以获得所述版图图形的最优图形。本发明提供的光学邻近校正方法能够获得版图图形的最优图形。
Description
技术领域
本发明涉及半导体技术领域，尤其涉及一种光学邻近校正方法。
背景技术
光学邻近校正(OPC)是半导体芯片制造中常用的技术。光学邻近校正(OPC)是通过对掩模板图形进行修正，最大可能的解决光刻图形变形的问题。传统的OPC算法在修正过程中只考虑掩模板图形每个片段自身的误差来决定每一步的修改量，而不考虑掩模板图形相邻片段的相互作用，这种算法在先进光刻工艺所采用的强空间相干性成像光照明条件下，收敛速度慢，甚至无法收敛。目前，在14nm，10nm，7nm节点光刻工艺中从光源与光罩协同优化(SMO)而得出的成像光照明都具有很高程度的空间相干性，因此，相邻的图案或片段之间的相互作用变得更强。
为了解决这个问题，有一些OPC算法考虑了多个片段之间的相互作用，但这样的OPC算法常常在计算上是缓慢的，因为每个片段之间的相互作用矩阵必须每一次迭代都更新。此外，尽管这些OPC算法而得出的OPC解决方案也符合边缘位置误差(EPE)容忍度，但从光刻工艺窗口角度看可能并非是最优的。
因此，如何利用非迭代的方式为每个片段提供最佳位置，并且提供的OPC解决方案从光刻工艺窗口角度是最优的，是亟待解决的问题。
发明内容
本发明为了克服上述现有技术存在的缺陷，提供一种光学邻近校正方法，以利用非迭代的方式为每个片段提供最佳位置，并且提供的OPC解决方案从光刻工艺窗口角度是最优的。
根据本发明的一个方面，提供一种光学邻近校正方法，包括：利用光学邻近校正算法将版图图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点；计算每个片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}，n为正整数；将各所述成像信号值集合{S1，S2，S3，…Sn}作为一神经网络模型的输入，所述神经网络模型输出每个片段的最优位移(ΔX，ΔY)；根据所述每个片段的最优位移(ΔX，ΔY)分别移动每个所述片段以获得所述版图图形的最优图形。
可选地，所述将各所述成像信号值集合{S1，S2，S3，…Sn}作为一神经网络模型的输入，所述神经网络模型输出每个片段的最优位移(ΔX，ΔY)的步骤之前，包括：获取测试图形集合，按如下步骤对测试图形集合中的每个测试图形行处理：利用光学邻近校正算法将测试图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点；计算每个片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}；利用光刻掩模优化算法计算测试图形的最优形状；参照所述测试图形的最优形状计算每个片段的最优位移(ΔX，ΔY)；将所述测试图形集合中的各所述测试图形的各所述片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}作为神经网络模型的输入，将所述测试图形集合中的各所述测试图形的各所述片段的最优位移(ΔX，ΔY)作为神经网络模型的输出，训练所述神经网络模型的参数。
可选地，所述神经网络模型为多层感知器神经网络。
可选地，所述多层感知器神经网络的输出根据如下公式计算：
其中，{wij}，{ωj}，
为训练所述多层感知器神经网络获得的参数，yj为所述多层感知器神经网络的隐藏层的隐藏单元，M为隐藏单元的数量，且M为正整数，pj为所述多层感知器神经网络计算中的中间值。
可选地，所述多层感知器神经网络的参数利用反向传播算法训练。
可选地，所述神经网络模型为BRF神经网络。
可选地，所述BRF神经网络的输出根据如下公式计算：
其中，{wj}和σ为训练所述BRF神经网络获得的参数，
为以训练数据点为中心的一系列径向基函数，M为隐藏单元的数量。
可选地，所述BRF神经网络的参数利用K均值聚类算法和递归最小二乘算法获得。
可选地，所述成像信号值集合{S1，S2，S3，…Sn}根据如下公式计算：
其中，M为光罩面上点(x，y)的光传输函数，Ki是如下方程的本征函数：
∫∫W(x1',y1'；x2',y2')Ki(x2',y2')dx2'dy2'＝αiKi(x1',y1')，
其中，αi是如上方程的本征值，W(x1’，y1’；x2’，y2’)按如下公式计算：
W(x1',y1'；x2',y2')＝γ(x2'-x1',y2'-y1')P(x1',y1')P*(x2',y2')，
其中，γ(x2’-x1’，y2’-y1’)是光罩面上，点(x1’，y1’)和点(x2’，y2’)的光场互相干因子，P(x1’，y1’)为光学成像系统的脉冲响应函数，P*是P的共轭。
可选地，所述利用光学邻近校正算法将版图图形的边缘分解成多个片段的步骤还包括：将多个片段分成凸角片段、凹角片段、终端线片段、一般线片段中的一类或多类，所述片段的分类也作为所述神经网络模型的输入。
相比现有技术，本发明的优势在于：
1)神经网络模型来获得版图片段的最优位移，可以避免OPC过程中对片段的相互作用矩阵迭代，进而能够快速收敛以节省OPC的计算时间。
2)利用光刻掩模优化算法的计算结果训练神经网络模型使得神经网络模型能够依据光刻掩模优化算法输出最优位移，并更有效地完成OPC，实现OPC最优解。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的光学邻近校正方法的流程图。
图2示出了根据本发明实施例的神经网络模型的示意图。
图3和图4示出了基于几何描述作为图案特征向量的示意图。
图5和图6示出了根据本发明实施例的版图图形分段的示意图。
图7示出了根据本发明实施例的基于环境测量值作为图案特征向量的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了利用非迭代的方式为每个片段提供最优位置，并且使提供的OPC解决方案从光刻工艺窗口角度是最优的，发明人曾使用采用版图的几何描述作为神经网络模型的输入特征向量来获得最优位移。可以参考图3和图4来说明几何描述作为神经网络模型的输入特征向量。如图3所示，将光罩面划分成许多单元(例如5nm X 5nm为一单元301)，每个单元301中的值{1或0}取决于有多少版图图形302的“重量”位于这个单元中。在另一些实施例中，可如图4所示，利用等距同心圆303采样来产生输入特征向量。
然而这些基于纯几何描述的特征向量的处理效率较为低下：1)基于纯几何描述的输入特征向量的元素的数量非常大，这导致计算效率低下；2)以简单的几何描述作为神经网络模型的输入特征向量，为了使模型达到一定精准度，训练模型需要更多的训练数据，因为自由参数的数量多；3)以简单的几何描述作为神经网络模型的输入特征向量，输出响应映射函数会非线性度变大，同时也是非单调的，这需要更复杂的神经网络模型来捕捉映射函数的本质，也使模型本身会减少广泛预测的能力。
为了提高神经网络模型的效率，发明人提供了另一种作为输入的特征向量。可以理解，版图每个片段的最优校正位置完全取决于它的相邻环境，那么特征向量的关键问题可以是如何有效地描述一个点的相邻环境。可以理解，版图的邻近片段的相互作用强度和相邻图案的相互作用强度不仅取决于它们的几何距离，而且取决于成像条件，如数值孔径和成像光照明条件设置。因此，可以考虑一种基于成像光照明条件设置的光学尺度量标准来获得特征向量，而不是纯粹基于几何度量标准来获得特征向量。
可利用成像方程来求取基于成像光照明条件设置的光学尺度量标准，例如利用部分相干光照明条件设置下的Hopkins成像公式：
其中，γ(x2-x1，y2-y1)是物平面上，即光罩面上，两点(x1，y1)和(x2，y2)的光场互相干因子，光场互相干因子是由成像光照明条件设置决定的。P(x-x1，y-y1)是光学成像系统的脉冲响应函数，它是由光学系统光瞳函数确定的。更明确地说，P(x-x1，y-y1)是因物平面上在(x1，y1)点，一个单位振幅和零相位的光源扰动而行起的成像平面上点(x，y)的复振幅。M(x1，y1)是物平面上点(x1，y1)的光传输函数。带星号的变量指的是变量的共轭，例如，P*是P的共轭，M*是M的共轭。
根据Mercer定理，上述方程可以转化成更简单的形式：
其中，
表示卷积运算，{αi}和{Ki}是以下方程的本征值与本征函数：
∫∫W(x1',y1'；x2',y2')Ki(x2',y2')dx2'dy2'＝αiKi(x1',y1')
W(x1',y1'；x2',y2')＝γ(x2'-x1',y2'-y1')P(x1',y1')P*(x2',y2')
上述更简单的形式方程表示部分相干成像系统可以分解成一系列相干成像系统，相干成像系统相互独立。虽然将部分相干成像系统分解成一系列相干成像系统的方法也有很多，但上述方法为最佳的方法，通常称为最佳相干分解。换句话说，本征函数集合{KI(x，y)}是基于成像光照明条件设置的最佳光学尺度。为此，可以使用函数集合{KI(x，y)}下的测量值即成像信号值集合{S1，S2，S3，…Sn}(n为正整数)作为神经网络模型输入特征向量。例如，可以参见图7，将版图图形302的一片段的相邻环境探测点305的成像信号值集合{S1，S2，S3，…Sn}作为神经网络模型输入特征向量(图7仅仅是示意性地，并非意图限制发明的保护范围)。
根据上述原理，本发明提供一种光学邻近校正方法，参见图1。图1共示出4个步骤：
步骤S110：利用光学邻近校正算法将版图图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点。
具体而言，版图图形的分段可参考图5和图6(版图图形302被划分为多个片段304)。在一些具体实施例中，可将多个片段分成凸角片段、凹角片段、终端线片段、一般线片段中的一类或多类。对于一般的边缘线片段，如果必要的话，还可以基于他们的片段长度进一步分为子类。在另一些具体实施例中，相邻环境探测点位于线段上且为每个片段的中点。
步骤S120：计算每个片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}。
具体而言，成像信号值集合{S1，S2，S3，…Sn}的计算可按上述原理中提供的公式进行计算。
步骤S130：将所述成像信号值集合{S1，S2，S3，…Sn}作为一神经网络模型的输入，所述神经网络模型输出每个片段的最优位移(ΔX，ΔY)。
具体而言，在步骤S130之前，可包括如下步骤：
获取测试图形集合，按如下步骤对测试图形集合中的每个测试图形进行处理：
利用光学邻近校正算法将测试图形的边缘分解成多个片段。在每个片段中选取相邻环境探测点。
按上述原理计算每个片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}。
利用光刻掩模优化算法计算测试图形的最优形状。其中，光刻掩模优化算法例如可以是光源掩模优化(Source Mask Optimization，SMO)。
参照所述测试图形的最优形状计算每个片段的最优位移(ΔX，ΔY)。
在对测试图形集合中的各所述测试图形处理完后，将所述测试图形集合中的各所述测试图形的各所述片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}作为神经网络模型的输入，将所述测试图形集合中的各所述测试图形的各所述片段的最优位移(ΔX，ΔY)作为神经网络模型的输出，训练所述神经网络模型。在另一些实施例中，可测试图形集合中的一测试图形处理完后即可利用该测试图形的数据进行参数训练。
进一步地，每个片段的相邻环境探测点为(xj,，yj)时，其成像信号值集合为{S1(xj,，yj),S2(xj,，yj),…..Sn(xj,，yj)}，对应获得的该片段的最优位移为(ΔX(xj,，yj)，ΔY(xj,，yj))。从成像信号值集合为{S1(xj,，yj),S2(xj,，yj),…..Sn(xj,，yj)}到(ΔX(xj,，yj)，ΔY(xj,，yj))的映射函数可以是非线性的，但它可以是单调的。
数学上可以表达成：
ΔX(xj,，yj)＝fx({S1(xj,，yj),S2(xj,，yj),…..Sn(xj,，yj)})；
ΔY(xj,，yj)＝fy({S1(xj,，yj),S2(xj,，yj),…..Sn(xj,，yj)})
由于ΔX(xj,，yj),ΔY(xj,，yj)对于{S1(xj,，yj),S2(xj,，yj),…..Sn(xj,，yj)}的依赖可以是非线性的，并且，这个映射函数的具体形式是未知的，所以上述步骤是130中的神经网络模型可以为多层感知器神经网络(如图2所示)或径向基函数(RBF)网络。
在一个具体实施例中，神经网络模型可以是多层感知器神经网络。在多层感知器神经网络，隐藏层的隐藏单元的操作是输入的加权求和，然后通过激活函数来获得输出。在本实施例中，所述多层感知器神经网络的输出根据如下公式计算：
其中，{wij}，{ωj}，
为训练所述多层感知器神经网络获得的参数，yj为所述多层感知器神经网络的隐藏层(如图2所示202，201为多层感知器神经网络的输入。203为多层感知器神经网络的输出)的隐藏单元，M为隐藏单元的数量，且M为正整数，pj为所述多层感知器神经网络计算中的中间值。在该实施例中，多层感知器神经网络的参数可利用反向传播算法训练。
在另一个具体实施例中，神经网络模型可以是BRF神经网络。在BRF神经网络中，隐藏单元的操作是以训练数据点为中心的一系列径向基函数。输出是所有径向基函数的加权和。在本实施例中，BRF神经网络的输出根据如下公式计算：
其中，{wj}和σ为训练所述BRF神经网络获得的参数，
为以训练数据点为中心的一系列径向基函数，M为隐藏单元的数量。在该实施例中，BRF神经网络的参数可以利用K均值聚类算法和递归最小二乘算法获得。
在上述实施例的一些变化例中，如步骤S110中所述的，多个片段已经由分类，则可将多个片段的分类数据作为神经网络模型的输入。同时，在神经网络模型的训练过程中，也对每个片段进行分类，并将片段的分类数据作为神经网络模型的输入，以训练获得模型准确率更高的神经网络模型的参数。
步骤S140：根据所述每个片段的最优位移(ΔX，ΔY)分别移动每个所述片段以获得所述版图图形的最优图形。
以上仅仅是示意性地描述本发明的一个或多个实施例，在不违背本发明构思的前提下，不同的变化例都在本发明的保护范围之内。
相比现有技术，本发明的优势在于：
1)神经网络模型来获得版图片段的最优位移，可以避免OPC过程中对片段的相互作用矩阵迭代，进而能够快速收敛以节省OPC的计算时间。
2)利用光刻掩模优化算法的计算结果训练神经网络模型使得神经网络模型能够依据光刻掩模优化算法输出最优位移，并更有效地完成OPC，实现OPC最优解。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (9)
1.一种光学邻近校正方法，其特征在于，包括：
利用光学邻近校正算法将版图图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点；
计算每个片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}，n为正整数；
训练神经模型采参数，具体包括：获取测试图形集合，按如下步骤对测试图形集合中的每个测试图形进行处理：
利用光学邻近校正算法将测试图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点；
计算每个片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}；
利用光刻掩模优化算法计算测试图形的最优形状；
参照所述测试图形的最优形状计算每个片段的最优位移(ΔX，ΔY)；
将所述测试图形集合中的各所述测试图形的各所述片段的相邻环境探测点的成像信号值集合{S1，S2，S3，…Sn}作为神经网络模型的输入，将所述测试图形集合中的各所述测试图形的各所述片段的最优位移(ΔX，ΔY)作为神经网络模型的输出训练所述神经网络模型的参数；
将版图图形边缘每个片段的相邻环境探测点的所述成像信号值集合{S1，S2，S3，…Sn}作为一神经网络模型的输入，所述神经网络模型输出每个片段的最优位移(ΔX，ΔY)；
根据所述每个片段的最优位移(ΔX，ΔY)分别移动每个所述片段以获得所述版图图形的最优图形。
2.如权利要求1所述的光学邻近校正方法，其特征在于，所述神经网络模型为多层感知器神经网络。
3.如权利要求2所述的光学邻近校正方法，其特征在于，所述多层感知器神经网络的输出根据如下公式计算：
其中，{wi,j}，{ωj}，
为训练所述多层感知器神经网络获得的参数，yj为所述多层感知器神经网络的隐藏层的隐藏单元，M为隐藏单元的数量，且M为正整数，pj为所述多层感知器神经网络计算中的中间值。
4.如权利要求3所述的光学邻近校正方法，其特征在于，所述多层感知器神经网络的参数利用反向传播算法训练。
5.如权利要求1所述的光学邻近校正方法，其特征在于，所述神经网络模型为BRF神经网络。
6.如权利要求5所述的光学邻近校正方法，其特征在于，所述BRF神经网络的输出根据如下公式计算：
其中，{wj}和σ为训练所述BRF神经网络获得的参数，
为以训练数据点为中心的一系列径向基函数，M为隐藏单元的数量。
7.如权利要求6所述的光学邻近校正方法，其特征在于，所述BRF神经网络的参数利用K均值聚类算法和递归最小二乘算法获得。
8.如权利要求1至7任一项所述的光学邻近校正方法，其特征在于，所述成像信号值集合{S1，S2，S3，…Sn}根据如下公式计算：
其中，M为光罩面上点(x，y)的光传输函数，Ki是如下方程的本征函数：
∫∫W(x1',y1'；x2',y2')Ki(x2',y2')dx2'dy2'＝αiKi(x1',y1')，
其中，αi是如上方程的本征值，W(x1’，y1’；x2’，y2’)按如下公式计算：
W(x1',y1'；x2',y2')＝γ(x2'-x1',y2'-y1')P(x1',y1')P*(x2',y2')，
其中，γ(x2’-x1’，y2’-y1’)是光罩面上，点(x1’，y1’)和点(x2’，y2’)的光场互相干因子，P(x1’，y1’)为光学成像系统的脉冲响应函数，P*是P的共轭。
9.如权利要求1至7任一项所述的光学邻近校正方法，其特征在于，所述利用光学邻近校正算法将版图图形的边缘分解成多个片段的步骤还包括：
将多个片段分成凸角片段、凹角片段、终端线片段、一般线片段中的一类或多类，所述片段的分类也作为所述神经网络模型的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711070108.8A CN107797391B (zh) | 2017-11-03 | 2017-11-03 | 光学邻近校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711070108.8A CN107797391B (zh) | 2017-11-03 | 2017-11-03 | 光学邻近校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107797391A CN107797391A (zh) | 2018-03-13 |
| CN107797391B true CN107797391B (zh) | 2020-04-24 |
Family
ID=61549025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711070108.8A Active CN107797391B (zh) | 2017-11-03 | 2017-11-03 | 光学邻近校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107797391B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108828899B (zh) * | 2018-06-01 | 2020-08-04 | 上海华力集成电路制造有限公司 | 连接孔层的光学临近修正方法 |
| US10713769B2 (en) * | 2018-06-05 | 2020-07-14 | Kla-Tencor Corp. | Active learning for defect classifier training |
| CN108665060B (zh) * | 2018-06-12 | 2022-04-01 | 上海集成电路研发中心有限公司 | 一种用于计算光刻的集成神经网络 |
| CN111999992B (zh) * | 2018-10-26 | 2023-05-02 | 中国科学院微电子研究所 | 一种确定光刻光源模型的训练方法及装置 |
| CN109459912B (zh) * | 2018-12-29 | 2022-03-18 | 上海华力集成电路制造有限公司 | 一种用特征向量归类孔层的opc方法 |
| TWI738169B (zh) | 2019-01-29 | 2021-09-01 | 荷蘭商Ａｓｍｌ荷蘭公司 | 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品 |
| CN112415855B (zh) * | 2019-08-22 | 2022-04-12 | 长鑫存储技术有限公司 | Opc修正方法及opc修正装置 |
| CN112859509B (zh) * | 2019-11-28 | 2022-04-12 | 长鑫存储技术有限公司 | Opc修正方法及opc修正装置 |
| CN111538213B (zh) * | 2020-04-27 | 2021-04-27 | 湖南大学 | 一种基于神经网络的电子束邻近效应矫正方法 |
| CN113759657B (zh) * | 2020-06-03 | 2024-05-03 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近校正方法 |
| CN112230508B (zh) * | 2020-10-30 | 2024-05-17 | 上海华力微电子有限公司 | 光学邻近修正方法 |
| WO2022193284A1 (en) * | 2021-03-19 | 2022-09-22 | Yangtze Memory Technologies Co., Ltd. | Systems and methods for designing photomasks |
| CN115598937B (zh) * | 2022-12-13 | 2023-04-07 | 华芯程(杭州)科技有限公司 | 一种光刻掩膜形状预测方法及装置、电子设备 |
| CN117389108B (zh) * | 2023-11-30 | 2024-03-12 | 全芯智造技术有限公司 | 用于光学邻近效应修正的方法、设备和介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6466314B1 (en) * | 1998-09-17 | 2002-10-15 | Applied Materials, Inc. | Reticle design inspection system |
| WO2000035002A1 (de) * | 1998-12-04 | 2000-06-15 | Semiconductor 300 Gmbh & Co. Kg | Verfahren und vorrichtung zur optischen kontrolle von fertigungsprozessen feinstrukturierter oberflächen in der halbleiterfertigung |
| CN104915528B (zh) * | 2015-07-15 | 2018-07-03 | 中国科学院微电子研究所 | 集成电路的版图设计方法、版图设计系统和制作方法 |
| WO2017171891A1 (en) * | 2016-04-02 | 2017-10-05 | Intel Corporation | Systems, methods, and apparatuses for modeling reticle compensation for post lithography processing using machine learning algorithms |
| CN106777829B (zh) * | 2017-02-06 | 2019-04-12 | 深圳晶源信息技术有限公司 | 一种集成电路掩模设计的优化方法及计算机可读的存储介质 |
-
2017
- 2017-11-03 CN CN201711070108.8A patent/CN107797391B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107797391A (zh) | 2018-03-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107797391B (zh) | 光学邻近校正方法 | |
| CN107908071B (zh) | 一种基于神经网络模型的光学邻近校正方法 | |
| US11119401B2 (en) | Simulating near field image in optical lithography | |
| CN111310407A (zh) | 基于机器学习进行逆向光刻最优特征向量设计的方法 | |
| CN109976087B (zh) | 掩模图案模型的生成方法及掩模图案的优化方法 | |
| CN108228981B (zh) | 基于神经网络的opc模型生成方法及实验图案的预测方法 | |
| 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 | |
| CN113759657A (zh) | 光学邻近校正方法 | |
| CN114002911A (zh) | 基于自适应混合共轭梯度下降的光学临近修正掩膜方法 | |
| CN110765724A (zh) | 一种掩模优化方法及电子设备 | |
| CN117313640A (zh) | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 | |
| WO2022016802A1 (zh) | 基于物理特征图与dcnn机器学习逆向光刻解的计算方法 | |
| CN114326329A (zh) | 一种基于残差网络的光刻掩模优化方法 | |
| CN114690541A (zh) | 基于机器学习的模型构建器及其在半导体制造中的图案转移应用 | |
| CN113238460B (zh) | 一种基于深度学习的用于超紫外的光学邻近校正方法 | |
| CN107479335A (zh) | 基于光源互强度函数分解的光学成像快速计算方法 | |
| US10386714B2 (en) | Creating knowledge base for optical proximity correction to reduce sub-resolution assist feature printing | |
| CN109657693B (zh) | 一种基于相关熵和迁移学习的分类方法 | |
| CN108053397A (zh) | 一种采用支持向量机检测光刻薄弱点的方法 | |
| US12032892B2 (en) | Semiconductor layout context around a point of interest | |
| Parashar et al. | Intelligent photolithography corrections using dimensionality reductions | |
| CN114690540A (zh) | 光学临近效应修正方法及系统和掩膜版 | |
| CN113255799B (zh) | 一种掩模特征图形的图谱聚类方法 | |
| CN116224727A (zh) | 基于模型的光学临近修正方法 | |
| CN111538213B (zh) | 一种基于神经网络的电子束邻近效应矫正方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |