[go: up one dir, main page]

CN113366388A - 用于布局图案选择的方法和设备 - Google Patents

用于布局图案选择的方法和设备 Download PDF

Info

Publication number
CN113366388A
CN113366388A CN202080011671.1A CN202080011671A CN113366388A CN 113366388 A CN113366388 A CN 113366388A CN 202080011671 A CN202080011671 A CN 202080011671A CN 113366388 A CN113366388 A CN 113366388A
Authority
CN
China
Prior art keywords
pattern
patterns
features
mask
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202080011671.1A
Other languages
English (en)
Other versions
CN113366388B (zh
Inventor
陈伟杰
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.)
ASML Netherlands BV
Original Assignee
ASML Netherlands BV
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 ASML Netherlands BV filed Critical ASML Netherlands BV
Publication of CN113366388A publication Critical patent/CN113366388A/zh
Application granted granted Critical
Publication of CN113366388B publication Critical patent/CN113366388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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
    • 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
    • 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
    • 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
    • G03F7/70425—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

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

Abstract

本文中描述一种用于在布局图案化过程中确定训练图案的方法。所述方法包括：从图案集合中的图案产生多个特征；基于多个所产生的特征的相似性，将所述图案集合中的所述图案分组成单独的组；以及从所述单独的组选择代表性图案以确定所述训练图案。在一些实施例中，所述方法是用于在布局图案化过程中训练机器学习模型的方法。例如，所述方法可以包括将来自所述单独的组的代表性图案提供至所述机器学习模型以训练所述机器学习模型预测用于所述布局图案化过程中的光学邻近效应校正(OPC)的连续透射掩模(CTM)映射。

Description

用于布局图案选择的方法和设备
相关申请的交叉引用
本申请要求于2019年1月29日递交的中国申请PCT/CN2019/073714的优先权，所述中国申请的全部内容通过引用并入本文中。
技术领域
本文中的描述总体上涉及掩模制造和图案化过程。更特别地，所述描述涉及用于布局图案选择以训练机器学习模型的方法和设备。
背景技术
光刻投影设备可以用于例如集成电路(IC)的制造中。在这种情况下，图案形成装置(例如，掩模)可以包括或提供与IC的单层对应的图案(“设计布局”)，并且这一图案可以通过诸如穿过图案形成装置上的图案辐射已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如硅晶片)上的目标部分(例如包括一个或更多个的管芯)的方法，被转印到所述目标部分上。通常，单个衬底包括被光刻投影设备连续地、一次一个目标部分地将图案转印到其上的多个相邻目标部分。在一种类型的光刻投影设备中，整个图案形成装置上的图案在一次操作中被转印到一个目标部分上；这样的设备通常称作为步进器。在一种替代的设备(通常称为步进扫描设备)中，投影束沿给定的参考方向(“扫描”方向)在图案形成装置之上扫描，同时沿与所述参考方向平行或反向平行的方向同步移动衬底。图案形成装置上的图案的不同部分被逐渐地转印到一个目标部分上。因为通常光刻投影设备将具有减小比率M(例如，4)，所以衬底被移动的速率F将是投影束扫描图案形成装置的速率的1/M倍。可以例如从以引用方式并入本文中的US 6,046,792搜集到关于如本文中所描述的光刻装置的更多信息。
在将所述图案从图案形成装置转印至衬底之前，衬底可能经历各种工序，诸如涂底料、抗蚀剂涂覆以及软焙烤。在曝光之后，衬底可能经历其它工序(“曝光后工序”)，诸如曝光后焙烤(PEB)、显影、硬焙烤以及对所转印的图案的测量/检查。这一系列的工序被用作为制造器件(例如IC)的单个层的基础。之后衬底可能经历各种过程，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等，所有的这些过程都旨在最终完成器件的单个层。如果器件需要多个层，则针对每一层重复整个工序或其变形。最终，器件将设置在衬底上的每一目标部分中。之后通过诸如切片或切割等技术，将这些器件彼此分离，使得可以将单独的器件安装在载体上、连接至引脚，等等。
制造器件(诸如半导体器件)通常涉及使用多个制造过程来处理衬底(例如，半导体晶片)以形成器件的各种特征和多个层。这些层和特征通常使用例如淀积、光刻、蚀刻、化学机械抛光、和离子注入来制造和处理。可在衬底上的多个管芯上制造多个器件，且然后将其分成单独的器件。此器件制造过程可以被认为是图案化过程。图案化过程涉及图案形成步骤，诸如在光刻设备中使用图案形成装置的光学和/或纳米压印光刻，以将图案形成装置上的图案转印到衬底上，并且通常但可选地涉及到一个或更多个相关的图案处理步骤，诸如通过显影设备的抗蚀剂显影、使用烘焙工具的衬底烘焙、使用蚀刻设备而使用图案进行蚀刻等。另外，通常在图案化过程中涉及一个或更多个量测过程。
如所提及的，光刻术是制造器件(诸如IC)中的核步骤，其中，形成于衬底上的图案限定器件的功能元件，诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(MEMS)和其它器件。
随着半导体制造过程继续进步，几十年来，功能元件的尺寸已经不断地减小的同时每一个器件的功能元件(诸如晶体管)的数目已经在稳定地增加这遵循着通常称为“莫尔定律”的趋势。在当前的技术状态下，使用光刻投影设备来制造器件的多个层，光刻投影设备使用来自深紫外线照射源的照射将设计布局投影到衬底上，从而形成具有远低于100nm(即，小于来自照射源(例如193nm照射源)的辐射的波长的一半)的尺寸的单个功能元件。
其中具有尺寸小于光刻投影设备的经典分辨率极限的特征被印制的这种过程通常被称为低k1光刻术，它所依据的分辨率公式是CD＝k1×λ/NA，其中，λ是所采用的辐射的波长(当前大多数情况下是248nm或193nm)，NA是光刻投影设备中的投影光学元件的数值孔径，CD是“临界尺寸”(通常是所印制的最小特征尺寸)以及，k1是经验分辨率因子。通常，k1越小，在衬底上再现类似于由设计者所规划的形状和尺寸以实现特定电学功能性和性能的图案就变得越困难。为了克服这些困难，将复杂的精调整步骤应用到光刻投影设备、设计布局或图案形成装置。这些步骤包括例如但不限于：NA和光学相干性设定的优化、自定义照射方案、使用相移图案形成装置、设计布局中的光学近接校正(OPC，有时也称作“光学和过程校正”)，或通常被定义为“分辨率增强技术”(RET)的其它方法。如本文中使用的术语“投影光学元件”应该被宽泛地解释为涵盖各种类型的光学系统，包括例如折射型光学器件、反射型光学器件、孔阑和反射折射型光学器件。术语“投影光学元件”也可以包括用于共同地或单个地引导、成形或控制投影辐射束的根据这些设计类型中的任一个来操作的部件。术语“投影光学元件”可以包括光刻投影设备中的任何光学部件，无论光学部件位于光刻投影设备的光学路径上的什么地方。投影光学元件可以包括用于在来自源的辐射通过图案形成装置之前成形、调整和/或投影该辐射的光学部件，或者用于在该辐射通过图案形成装置之后成形、调整和/或投影该辐射的光学部件。投影光学元件通常不包括源和图案形成装置。
发明内容
根据实施例，提供一种用于针对晶片图案化过程训练机器学习模型的方法。所述方法包括：针对图案集合中的每个图案产生多个特征；基于多个所产生的特征的相似性将所述图案集合中的图案分组成多个单独的组；和将来自所述多个单独组的代表性图案提供至晶片图案化过程的计算型光刻应用。所述应用可包括源掩模优化(SMO)、光学邻近效应校正(OPC)、光刻可制造性检验(LMC)等。
在实施例中，从所述图案集合中的所述图案产生的所述多个特征是除了已被包括在所述图案集合中的几何信息和/或顶点信息之外的信息。在实施例中，SMO包括在所述晶片图案化过程中针对晶片的全芯片布局的源和掩模共同优化。在实施例中，所述OPC包括在所述布局图案化过程中针对晶片的全芯片OPC。在实施例中，LMC包括在所述晶片图案化过程中针对晶片的全芯片布局的光刻可制造性和光刻性能检验。在实施例中，多个所产生的特征包括几何特征和光刻感知特征。在实施例中，基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组包括使用机器学习群集方法来基于多个所产生的特征的所述相似性将所述图案集合中的独特图案群集至多个单独的组中。
根据另一个实施例，提供一种用于针对晶片图案化过程确定训练图案的方法。所述方法包括：从图案集合中的图案产生多个特征；基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组；以及从所述多个单独的组选择代表性图案以确定所述训练图案。
在实施例中，多个所产生的特征包括几何特征和光刻感知特征。所述几何特征包括以下各项中的一个或更多个：目标掩模图像、频率映射、图案密度映射、或独特图案在所述图案集合中的图案出现率。所述光刻感知特征包括以下各项中的一个或更多个：子分辨率辅助特征引导映射(SGM)、衍射阶、或所述图案集合中的独特图案的衍射图案。在实施例中，从所述图案集合中的所述图案产生的所述多个特征是除了已被包括在所述图案集合中的几何信息和/或顶点信息之外的信息。
在实施例中，基于多个所产生的特征将所述图案集合中的所述图案分组成多组是使用无监督机器学习来执行的。在实施例中，基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组包括基于多个所产生的特征的所述相似性将所述图案集合中的独特图案群集至多个单独的组中。所述群集包括使用针对不同群集步骤的多个所产生的特征中的不同特征而执行的连续系列的群集步骤，所述连续系列的群集步骤形成所述图案集合中的所述图案的子组，以使得所述代表性图案选自所述子组来确定所述训练图案。在实施例中，所述群集包括机器学习群集方法(例如，k均值群集)。
在实施例中，所述连续系列的群集步骤包括使用针对给定步骤的给定特征而执行的交叉验证步骤。所述交叉验证步骤包括调整将哪些图案包括在给定子组中。
在实施例中，从所述单独的组选择代表性图案以确定所述训练图案包括选择目标数目的代表性图案。基于停止准则确定所述目标数目的代表性图案。所述停止准则被配置成促成所述训练图案的变化。在实施例中，所述方法还包括确定所述训练图案的变化量。在实施例中，所述停止准则还被配置成确保所述训练图案的所述变化量突破变化量阈值。
在实施例中，所述目标数目的代表性图案随机地选自所述多个单独的组。在实施例中，所述目标数目的代表性图案响应于所述训练图案的所述变化量没有突破所述变化量阈值而被重新随机选择。
在实施例中，从所述多个单独的组选择代表性图案以确定所述训练图案包括从每个单独的组选择最中心图案。所述最中心图案相对于所述多个单独的组中的其它图案最接近于针对单独的组的指定特征空间的形心。在实施例中，所述指定特征空间是目标掩模图像特征空间、频率映射特征空间、图案密度映射特征空间、图案出现特征空间、SGM特征空间、衍射阶特征空间、或衍射图案特征空间。
在实施例中，所述方法还包括将所述训练图案提供至深度卷积神经网络以训练所述深度卷积神经网络。在实施例中，所述方法还包括使用经训练的深度卷积神经网络执行光学邻近效应校正作为晶片图案化过程的部分。
根据另一个实施例，提供一种计算机程序产品，所述计算机程序产品包括其上记录有指令的非暂时性计算机可读介质，所述指令在由计算机执行时实施以上所描述的所述方法。
附图说明
并入于本说明书中且构成本说明书的一部分的附图说明一个或更多个实施例且连同本说明书解释这些实施例。现在将参考随附示意性附图而仅作为示例来描述本发明的实施例，在所述附图中，相应的附图标记指示相应的部件，并且在所述附图中：
图1示出根据实施例的光刻系统的各个子系统的框图。
图2是根据实施例的用于从图像(例如，连续透射掩模图像、二元掩模图像、曲线掩模图像等)确定图案形成装置图案(或掩模图案)的方法的流程图，所述图像对应于待经由涉及光刻过程的图案化过程而被印制于衬底上的目标图案。
图3图示根据实施例的用于模拟光刻投影设备中的光刻的示例性流程图。
图4图示根据实施例的用于在晶片图案化过程中确定训练图案的本方法的操作的概述。
图5图示根据实施例的特征产生的方面。
图6图示根据实施例的基于针对独特图案而产生的多个特征的相似性使图案集合中的图案群集至多个单独的组中。
图7图示根据实施例的作为群集验证操作的部分的平方误差的总和相对于k值的示例曲线图。
图8图示根据实施例的k重交叉验证。
图9图示根据实施例的用以形成代表性示例图案集合以供用作训练图案的图案选择。
图10是根据实施例的示例计算机系统的框图。
图11是根据实施例的光刻投影设备的示意图。
图12是根据实施例的另一光刻投影设备的示意图。
图13是根据实施例的图12中的设备的更详细视图。
图14是根据实施例的图12和图13的设备的源收集器模块SO的更详细视图。
具体实施方式
从全芯片图形数据库系统(GDS)文件(例如，GDSII文件)执行图案选择是具有挑战性的任务。训练图案用于训练深度卷积神经网络(DCNN)和/或其它机器学习模型(其是全芯片光学邻近效应校正(OPC)应用、源掩模优化(SMO)应用、光刻可制造性检验(LMC)应用的部分)，和/或用于其它目的。如果用户针对布局图案产生具有不完全是代表性的或以其它方式不充分的图案的训练图案集合，并且将这样的训练数据提供至机器学习模型(例如，DCNN)以用于训练，则准确的CTM映射将不由用于全芯片OPC应用的机器学习模型(例如，DCNN)来预测。不准确的CTM映射导致光刻热点和过程窗限制，和/或在试图满足光刻性能规格时造成后续掩模校正操作期间的困难。当前，用户手动地从全芯片GDS选择训练图案。手动选择需要使用者的有效工作，并且布局图案选择(例如，各种图案的代表性涵盖范围)取决于使用者的体验和关于全芯片GDS设计的先验知识。有利地，本方法和设备系统地分析全芯片GDS图案且选择代表性图案以构造机器学习模型训练集，其中图案涵盖范围充分地表示跨全芯片GDS文件的目标布局图案。
作为简要介绍，虽然在本文中可以具体地参考IC的制造，但应明确地理解，本文中的描述具有许多其它可能的应用。例如，本文中的描述可以用于制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等。在这些替代应用中，本领域技术人员应了解，在这样的替代应用的情境中，本文中对术语“掩模版”、“晶片”或“管芯”的任何使用应被认是分别与更上位的术语“掩模”、“衬底”与“目标部分”是可互换的。另外，应注意，本文中所描述的方法在多样化领域中可以具有许多其它可能的应用，所述领域诸如语言处理系统、自动驾驶汽车、医疗成像和诊断、语意分割、去噪、芯片设计、电子设计自动化等。本方法可以应用于其中量化在机器学习模型预测中的不确定性是有利的任何领域中。
在本文档中，术语“辐射”和“束”用以涵盖所有类型的电磁辐射，包括紫外辐射(例如，具有365、248、193、157或126nm的波长)和EUV(即极紫外辐射，例如具有在约5至100nm的范围内的波长)。
图案形成装置可以包括或可以形成一个或更多个设计布局。可以利用CAD(即计算机辅助设计)过程来产生所述设计布局。这种过程常常被称作EDA(即电子设计自动化)。大多数CAD程序遵循预定设计规则的集合，以便产生功能设计布局/图案形成装置。基于处理和设计限制而设定这些规则。例如，设计规则调节了器件(诸如栅极、电容器等)或互联线之间的空间容许度，以便确保器件或线不会以不期望的方式彼此相互作用。设计规则限制中的一个或更多个限制可以被称作“临界尺寸”(CD)。可以将器件的临界尺寸定义为线或孔的最小宽度、或介于两条线或两个孔之间的最小空间/间隙。因而，CD确定了所设计的器件的总大小和密度。器件制造中的目标之一是在衬底上如实地再现原始设计意图(经由图案形成装置)。
如本文中所采用的术语“掩模”或“图案形成装置”可以被广泛地解释为指代可以用以向入射辐射束赋予经图案化横截面的通用图案形成装置，经图案化横截面对应于待在衬底的目标部分中产生的图案。术语“光阀”也可以用于此情境中。除了经典掩模(透射型或反射型、二元型、相移型、混合型等)以外，其它此类图案形成装置的示例包括可编程反射镜阵列。这种器件的示例可以是具有黏弹性控制层和反射表面的矩阵可寻址表面。这样的设备所依据的基本原理是(例如)反射表面的已寻址区域将入射辐射反射成衍射辐射，而未寻址区域将入射辐射反射成非衍射辐射。使用适合的滤光片，可以从反射束中过滤掉所述非衍射辐射，从而之后仅留下衍射辐射；这样，所述束根据矩阵可寻址表面的寻址图案而被图案化。所要求的矩阵寻址可以通过使用适合的电子装置进行。其它这样的图案形成装置的示例也包括可编程LCD阵列。在以引用方式并入本文中的美国专利号5,229,872中给出这种构造的示例。
图1图示示例性光刻投影设备10A。主要部件是：辐射源12A，所述辐射源可以是深紫外(DUV)准分子激光源或其它类型的源，包括极紫外线(EUV)源(如上文所论述的，所述光刻投影设备自身无需具有辐射源)；照射光学器件，所述照射光学器件例如限定部分相干性(表示为标准差)且可以包括对来自源12A的辐射进行成形的光学器件14A、16Aa和16Ab；图案形成装置18A；以及透射光学器件16Ac，所述透射光学器件将图案形成装置图案的图像投影至衬底平面22A上。在投影光学器件的光瞳平面处的可调整滤光器或孔20A可以约束照射到衬底平面22A上的束角度的范围，其中可能的最大角度限定了投影光学器件的数值孔径NA＝n sin(Θmax)，其中n是介于所述衬底与所述投影光学器件的最后一个元件之间的介质的折射率，并且Θmax是从投影光学器件射出的仍可以照射到衬底平面22A上的束的最大角度。
在光刻投影设备中，向图案形成装置和投影光学器件提供照射(即辐射)的源经由所述图案形成装置将照射引导且成形至衬底上。投影光学器件可以包括部件14A、16Aa、16Ab和16Ac中的至少一些部件。空间图像(AI)是在衬底水平处的辐射强度分布。可以使用抗蚀剂模型以根据所述空间图像来计算抗蚀剂图像，可以在全部公开内容通过引用方式由此并入本文的美国专利申请公开号US2009-0157630中找到这种情形的示例。所述抗蚀剂模型与抗蚀剂层的性质(例如，在曝光、曝光后焙烤(PEB)和显影期间发生的化学过程的效应)有关。所述光刻投影设备的光学性质(例如，照射、图案形成装置、和投影光学器件的性质)指明了所述空间图像且可以被限定于光学模型中。由于可以改变用于光刻投影设备中的所述图案形成装置，所以期望使所述图案形成装置的光学性质与至少包括所述源和所述投影光学器件在内的所述光刻投影设备的其余部分的光学性质分离。用以将设计布局变换成各种光刻图像(例如，空间图像、抗蚀剂图像等)的技术和模型，通过使用那些技术和模型来应用了光学邻近效应校正(OPC)且评估性能(例如，根据过程窗)的细节在美国专利申请公开号US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197和2010-0180251中加以描述，每个美国专利申请公开的公开内容由此以全文引用的方式并入。
光学邻近效应校正(OPC)通过补偿在处理期间发生的变形而增强集成电路图案化过程。所述变形在处理期间发生，这是因为印制于晶片上的特征小于用于图案化和印制过程中的光的波长。OPC校验识别出可能潜在地导致晶片上的图案化缺陷的OPC后晶片设计中的OPC误差或弱点。例如，ASML Tachyon光刻可制造性检验(LMC)是OPC校验产品。
OPC解决如下事实：投影到衬底上的设计布局的图像的最终大小和放置将不同于或仅取决于图案形成装置上的设计布局的大小和放置。在诸如OPC之类的分辨率增强技术(RET)的情境中，不必使用实体图案形成装置，但设计布局可以用于表示实体图案形成装置。对于存在于一些设计布局上的小特征大小和高特征密度，给定特征的特定边缘的位置将在某种程度上受到其它相邻特征的存在或不存在的影响。这些邻近效应源自从一个特征耦合至另一特征的微小量的辐射和/或诸如衍射和干涉之类的非几何光学效应。类似地，邻近效应可以源自通常在光刻之后的曝光后焙烤(PEB)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应。
为了增加设计布局的投影图像是根据给定目标电路设计的要求的机会，可以使用设计布局的复杂数值模型、校正或预失真来预测和补偿邻近效应。论文“Full-ChipLithography Simulation and Design Analysis-how OPC Is Changing IC Design”(C.Spence，Proc.SPIE，第5751卷，第1至14页(2005年))提供当前“基于模型”的光学邻近效应校正过程的综述。在典型的高端设计中，设计布局的几乎每个特征都具有某种修改，以便实现投影图像至目标设计的高保真度。这些OPC修改可以包括边缘位置或线宽的偏移或偏置和/或预期辅助其它特征的投影的“辅助”特征的应用。
OPC的最简单形式之一是选择性偏置。给定CD对节距曲线，则通过在图案形成装置水准处改变CD，可以迫使所有不同节距产生相同的CD，至少在最佳聚焦和曝光情况下。因而，如果特征在衬底水准处被过小地印制，则图案形成装置水准特征将会被偏置成稍微大于名义特征，并且反之亦然。由于从图案形成装置水准至衬底水准的图案转印过程是非线性的，则偏置量并非仅是在最佳聚焦和曝光情况下所测量的CD误差乘以缩小比率，而是可以利用建模和实验而确定适当的偏置。选择性偏置是对邻近效应的问题的不完全解决方案，特别是在其仅在名义过程条件情况下被应用的情况下。尽管原则上可以应用这种偏置以给出在最佳聚焦和曝光情况下的均一CD对节距曲线，但一旦曝光过程从名义条件发生变化，则每个偏置节距曲线就将作出不同的响应，从而导致对于不同特征的不同的过程窗口。过程窗口是两个或更多个过程参数(例如，光刻设备中的聚焦和辐射剂量)的值的范围，在所述范围内，充分适当地产生特征(例如，特征的CD在某一范围内，诸如±10％或±5％)。因此，用于给出相同CD对节距的“最佳”偏置甚至可以对整个过程窗口有负面影响，从而缩小而不是放大所有目标特征在期望的过程容许度内印制在衬底上的聚焦和曝光范围。
已开发了针对超出以上的一维偏置示例的应用的其它较复杂OPC技术。二维邻近效应是线端缩短的。线端具有根据曝光和聚焦而从它们的期望的端点部位“拉回”的倾向。在许多情况下，与对应的线窄化相比，长线端的端部缩短的程度可以大若干倍。这种类型的线端拉回可以在如果线端不能完全跨越过它预期覆盖的基础层(诸如，源极-漏极区上方的多晶硅栅极层)上的情况下导致所制造的器件发生严重失效。由于这种类型的图案对聚焦和曝光是极其敏感的，因此仅使线端偏置成比设计长度更长并不足够，这是因为最佳聚焦和曝光情况下或在曝光不足条件下的线将会是过长的，从而当延伸的线端触及相邻结构时导致短路，或在如果电路中的单独的特征之间添加更多空间的情况下导致不必要地大的电路大小。由于集成电路设计和制造的目标中的一个目标是在最大化功能元件的数目的同时最小化每芯片所需的面积，因此添加过量的间隔是不期望的解决方案。
二维OPC方法可帮助解决线端拉回问题。诸如“锤头”或“配线”之类的额外结构(也被称为“辅助特征”)可以被添加至线端以将所述线端有效地锚定在适当位置且提供遍及整个过程窗口的减小的拉回。即使在最佳聚焦和曝光情况下，这些额外的结构仍未被分辨，但它们更改主特征的外观，而没有被各自独自完全分辨。如本文中所使用的“主特征”意味着预期在过程窗口中的一些或所有条件下印制在衬底上的特征。辅助特征可以采取比添加至线端的简单锤头更激进得多的形式，从而达到图案形成装置上的图案不再仅是大小根据缩小比率而增加的期望的衬底图案的程度。相比于仅减小线端拉回，诸如配线之类的辅助特征可以应用于更多情形。内配线或外配线可以应用至任何边缘，尤其是二维边缘，以减小拐角圆化(即倒圆)或边缘挤压。在利用足够的选择性偏置以及所有大小和极性的辅助特征的情况下，图案形成装置上的特征承受与衬底水准处所期望的最终图案越来越小的类似性。通常，图案形成装置图案变为衬底水准图案的预失真版本，其中所述失真预期抵消或反转在制造过程期间将出现的图案变形以在衬底上产生尽可能接近于设计者所预期的图案。
替代被连接至主特征的那些辅助特征(例如，配线)或除了被连接至主特征的那些辅助特征(例如，配线)以外，另一OPC技术也涉及使用完全独立且不可分辨的辅助特征。这里的术语“独立”意味着这些辅助特征的边缘不连接至主特征的边缘。这些独立辅助特征并不预期或需要作为特征印制在衬底上，而是预期修改附近主特征的空间图像，以增强所述主特征的可印制性和过程容许度。这些辅助特征(常常被称作“散射栅条”或“SBAR”)可以包括：亚分辨率辅助特征(SRAF)，所述亚分辨率辅助特征是主特征的边缘外部的特征；和亚分辨率逆特征(SRIF)，所述亚分辨率逆特征是从主特征的边缘内部挖取出的特征。SBAR的存在向图案形成装置图案添加又一层复杂度。散射栅条的简单使用示例为：其中在隔离线特征的两侧上拖拉不可分辨散射栅条的规则阵列，这具有从空间图像的观点使隔离线呈现为更多地表示密集线的阵列内的单条线的效应，从而导致过程窗口在聚焦和曝光容许度方面更接近于密集图案的聚焦和曝光容许度。与如在图案形成装置水准处被隔离而拖拉的特征的情形相比，这种经装饰的隔离特征与密集图案之间的共同过程窗口将具有对于聚焦和曝光变化的更大的共同容许度。
辅助特征可以被视为图案形成装置上的特征与设计布局中的特征之间的差异。术语“主特征”和“辅助特征”并不暗示图案形成装置上的特定特征必须被标记为主特征或辅助特征。
理解光刻过程的另一方面是理解所述辐射与所述图案形成装置的相互作用。可以根据在所述辐射到达所述图案形成装置之前的所述辐射的电磁场以及表征所述相互作用的函数，来确定在所述辐射传递穿过所述图案形成装置之后的所述辐射的电磁场。这种函数可以被称作掩模透射函数(其可以用以描述由透射图案形成装置和/或反射图案形成装置的相互作用)。
所述掩模透射函数可以具有多种不同形式。一种形式是二元的。二元掩模透射函数在所述图案形成装置上的任何给定部位处具有两个值(例如零和正的常数)中的任一值。呈二元形式的掩模透射函数可以被称作二元掩模。另一形式是连续的。即，所述图案形成装置的透射率(或反射率)的模数是所述图案形成装置上的部位的连续函数。透射率(或反射率)的相位也可以是所述图案形成装置上的部位的连续函数。呈连续形式的掩模透射函数可以被称作连续色调掩模或连续透射掩模(CTM)。例如，可以将CTM表示为像素化图像，其中可以向每个像素指派即分配介于0与1之间的值(例如0.1、0.2、0.3等等)，以代替0或1的二元值。在实施例中，CTM可以是像素化灰阶图像，其中每个像素具有多个值(例如在范围[-255，255]内，在范围[0，1]或[-1，1]或其它适当范围内的归一化值)。
薄掩模近似，也被称为基尔霍夫(Kirchhoff)边界条件，被广泛地用以简化对于所述辐射与所述图案形成装置的相互作用的确定。所述薄掩模近似认为：所述图案形成装置上的结构的厚度与波长相比非常小，并且所述掩模上的结构的宽度与波长相比非常大。因此，所述薄掩模近似认为：在图案形成装置之后的电磁场是入射电磁场与掩模透射函数的相乘。然而，随着光刻过程使用具有越来越短的波长的辐射，并且所述图案形成装置上的结构变得越来越小，则所述薄掩模近似的认定或假定会失灵。例如，辐射与结构(例如介于顶部表面与侧壁之间的边缘)的相互作用由于所述结构的有限厚度(“掩模3D效应”或“M3D”)而可以变得显著。在所述掩模透射函数中涵盖这种散射可能会使所述掩模透射函数能够较佳地捕获所述辐射与所述图案形成装置的相互作用。在所述薄掩模近似下的掩模透射函数可以被称作薄掩模透射函数。涵盖M3D的掩模透射函数可以被称作M3D掩模透射函数。
图2是用于从与待经由涉及光刻过程的图案化过程而印制于衬底上的目标图案对应的图像(例如，连续透射掩模图像、二元掩模图像、曲线掩模图像等)确定图案形成装置图案(或下文中的掩模图案)的方法200的流程图。在实施例中，所述设计布局或所述目标图案可以是二元设计布局、连续色调设计布局，或另一合适形式的设计布局。
方法200是迭代过程，其中初始图像(例如，增强型图像、从CTM图像初始化的掩模变量等)被逐步地修改以根据本公开的不同过程产生不同类型的图像，以最终产生包括进一步用以制作/制造掩模的掩模图案或图像(例如，与最终曲线掩模相对应的掩模变量)的信息。所述初始图像的迭代修改可以基于成本函数，其中在迭代期间，所述初始图像可以被修改，使得所述成本函数被减小，在实施例中被最小化。在实施例中，方法200也可以被称作二进制化CTM过程，其中初始图像是经优化的CTM图像，所述经优化的CTM图像进一步根据本公开被处理以产生曲线掩模图案(例如，曲线掩模或曲线图案的几何形状或多边形表示形状)。在实施例中，所述初始图像可以是CTM图像的增强型图像)。所述曲线掩模图案可以呈向量、表、数学方程式的形式，或表示几何/多边形形状的其它形式。
在实施例中，过程P201可以涉及获得初始图像(例如，CTM图像或经优化的CTM图像，或二元掩模图像)。在实施例中，初始图像201可以是由CTM产生过程基于待印制于衬底上的目标图案而产生的CTM图像。可以接着由所述过程P201接收所述CTM图像。在实施例中，所述过程P201可以被配置成产生CTM图像。例如，在CTM产生技术中，将逆光刻问题公式化为优化问题。所述变量与掩模图像中的像素的值相关，并且诸如EPE或旁瓣印制之类的光刻指标被用作成本函数。在所述优化的迭代中，从所述变量构造所述掩模图像并且接着应用过程模型(例如Tachyon模型)以获得光学或抗蚀剂图像且计算出成本函数。成本计算接着给出梯度值，所述梯度值用于优化求解程序中以更新变量(例如，像素强度)。在优化期间的若干次迭代之后，产生最终掩模图像，所述最终掩模图像另外用作用于图案提取的引导映射(例如如实施于Tachyon SMO软件中)。这种初始图像(例如CTM图像)可以包括与待经由所述图案化过程而被印制于所述衬底上的所述目标图案相对应的一个或更多个特征(例如目标图案的特征、SRAF、SRIF等)。
在实施例中，CTM图像(或CTM图像的增强型版本)可以用以初始化可以用作所述初始图像201的掩模变量，所述初始图像如下文所论述的那样被迭代地修改。
过程P201可以涉及基于所述初始图像201产生增强型图像202。增强型图像202可以是所述初始图像201内的某些选定像素被放大的图像。所述选定像素可以是所述初始图像201内的具有相对较低值(或弱信号)的像素。在实施例中，所述选定像素是具有与例如贯穿即遍及所述初始图像的像素的平均强度或给定阈值相比更低的信号值的像素。换句话说，所述初始图像201内具有较弱信号的像素被放大，因而增强了所述初始图像201内的一个或更多个特征。例如，目标特征周围的二阶SRAF可以具有可以被放大的弱信号。因而，所述增强型图像202可以突出显示或识别可以被包括在掩模图像(在方法中稍后产生)内的额外特征(或结构)。在确定掩模图像的常规方法(例如，CTM方法)中，初始图像内的弱信号可以被忽略，并且如此，所述掩模图像可以不包括可以由初始图像201中的弱信号所形成的特征。
所述增强型图像202的产生涉及应用诸如滤波器(例如，边缘检测滤波器)之类的图像处理操作以放大所述初始图像201内的弱信号。替代地或另外，所述图像处理操作可以是去模糊、平均化和/或特征提取或其它类似操作。所述边缘检测滤波器的示例包括普瑞维特(Prewitt)算子、拉普拉斯(Laplacian)算子、高斯拉普拉斯(LoG)滤波器等。所述产生步骤还可以涉及在修改或不修改所述初始图像201的原始强信号的情况下组合所述初始图像201的经放大的信号与所述初始图像201的原始信号。例如，在实施例中，对于跨越所述初始图像201的一个或更多个部位处(例如，接触孔处)的一个或更多个像素值，原始信号可以是相对强的(例如，高于某阈值诸如150或低于-50)，则所述一个或更多个部位处(例如，接触孔处)的原始信号可能不被修改或与针对该部位的经放大的信号组合。
在实施例中，所述初始图像201中的噪声(例如，亮度或颜色或像素值的随机变化)也可以被放大。因此，替代地或另外，可以应用平滑化过程以减小经组合的图像中的噪声(例如，亮度或颜色或像素值的随机变化)。图像平滑化方法的示例包括高斯模糊、流动平均值、低通滤波器等。
在实施例中，可以使用边缘检测滤波器来产生所述增强型图像202。例如，可以将边缘检测滤波器应用至所述初始图像201以产生经滤波的图像，所述经滤波的图像突出显示初始图像201内的一个或更多个特征的边缘。得到的经滤波的图像可以与所述原始图像(即，所述初始图像201)进一步组合以产生所述增强型图像202。在实施例中，所述初始图像201与在边缘滤波之后所获得的图像的组合可以涉及仅修改所述初始图像201的具有弱信号的那些部分而不修改具有强信号的区，并且组合过程可以基于信号强度而被加权。在实施例中，放大所述弱信号也可以放大经滤波的图像内的噪声。因此，根据实施例，可以对经组合的图像执行平滑化过程。图像的平滑化可以指近似函数，所述近似函数试图捕获图像中的重要图案(例如，目标图案、SRAF)，同时省掉噪声或其它精细尺度结构/快速现象。在平滑化中，信号的数据点可以被修改，使得单独的点(大致由于噪声)可以被减小，并且可能比邻近点更低的点可以被增大，从而导致更平滑信号或更平滑图像。因而，在平滑化操作之后，根据本公开的实施例，可以获得具有减小的噪声的所述增强型图像202的进一步平滑版本。
在过程P203中，所述方法可以涉及基于所述增强型图像202产生掩模变量203。在第一迭代中，所述增强型图像202可以用以初始化所述掩模变量203。在稍后的迭代中，可以迭代地更新所述掩模变量203。
n个实变量的实数值函数f的轮廓提取是如下形式的集合：
Lc(f)＝{(x1，x2，...xn)|f(x1，x2，...xn)＝c}
在二维空间中，所述集合定义所述表面上的所述函数f等于给定值c的点。在二维空间中，所述函数f能够提取将向所述掩模图像渲染的闭合轮廓。
在以上方程式中，x1，x2，...xn指诸如单独的像素的强度之类的掩模变量，所述掩模变量确定曲线掩模边缘以给定恒定值c而存在的部位(例如，在如以下过程P205中论述的阈值平面)。
在实施例中，在迭代处，所述掩模变量203的产生可以涉及基于例如初始化条件或梯度图(其可以在所述方法中随后产生)来修改所述增强型图像202内的变量的一个或更多个值(例如一个或更多个部位处的像素值)。例如，可以增大或减小所述一个或更多个像素值。换句话说，可以增大或减小所述增强型图像202内的一个或更多个信号的振幅。信号的这样的经修改的振幅使得能够取决于所述信号的振幅的改变量而产生不同的曲线图案。因而，所述曲线图案逐渐地演变，直到成本函数减小为止(在实施例中被最小化)。在实施例中，可以对水平掩模变量203执行进一步平滑化。
此外，过程P205涉及基于所述掩模变量203产生曲线掩模图案205(例如，具有以向量形式表示的多边形形状)。所述曲线掩模图案205的产生可以涉及所述掩模变量203的阈值设定以从所述掩模变量203追踪或产生曲线(或弯曲)图案。例如，可以使用具有固定值的与掩模变量203的信号相交的阈值平面(例如，x-y平面)来执行阈值设定。阈值平面与掩模变量203的信号的相交产生迹线或轮廓(即，弯曲多边形形状)，所述迹线或轮廓形成用作针对所述曲线掩模图案205的曲线图案的多边形形状。例如，所述掩模变量203可以与平行于(x,y)平面的零平面相交。因而，所述曲线掩模图案205可以是如上产生的任何曲线图案。在实施例中，从所述掩模变量203追踪或产生的曲线图案取决于所述增强型图像202的信号。如此，所述图像增强过程P203促成了针对最终曲线掩模图案而产生的图案的改善。所述最终曲线掩模图案可以由掩模制造商进一步使用以制造用于光刻过程中的掩模。
过程P207可以涉及渲染所述曲线掩模图案205以产生掩模图像207。渲染是对所述曲线掩模图案执行的操作，其是与将矩形掩模多边形转换为离散灰阶图像表示类似的过程。这种过程大体上可以被理解为将连续坐标(多边形)的框函数取样成图像像素的每个点处的值。
所述方法还涉及使用过程模型进行所述图案化过程的前向模拟，所述过程模型基于所述掩模图像207产生或预测可以被印制于所述衬底上的图案209。例如，过程P209可以涉及使用所述掩模图像207作为输入来执行和/或模拟所述过程模型，以及在所述衬底上产生过程图像209(例如，空间图像、抗蚀剂图像、蚀刻图像等)。在实施例中，所述过程模型可以包括耦合至光学器件模型的掩模透射模型，所述光学器件模型进一步耦合至抗蚀剂模型和/或蚀刻模型(例如，如下文所描述的)。所述过程模型的输出可以是在模拟过程期间将不同过程变化作为因子纳入考虑的过程图像209。所述过程图像可以通过例如追踪所述过程图像内的图案的轮廓来进一步用以确定所述图案化过程的参数(例如，EPE、CD、重叠、旁瓣等)。所述参数还可以用以限定成本函数，所述成本函数进一步用以优化所述掩模图像207，使得所述成本函数被减小，或在实施例中被最小化。
在过程P211中，可以基于所述过程模型图像209(也被称作模拟衬底图像或衬底图像或晶片图像)来评估成本函数。因而，所述成本函数在图案化过程的变化的情况下可以被认为是过程感知的，从而使得能够产生考虑在图案化过程中的变化的曲线掩模图案。例如，所述成本函数可以是边缘放置误差(EPE)、旁瓣、均方误差(MSE)、图案放置误差(PPE)、归一化图像对数、或基于在过程图像中的图案轮廓所定义的其它适当变量。EPE可以是与一个或更多个图案相关联的边缘放置误差，和/或与过程模型图像209的所有图案和相对应的目标图案相关联的所有边缘放置误差的总和。在实施例中，所述成本函数可以包括可以被同时地减小或最小化的多于一个条件。例如，除了MRC违反概率以外，也可以包括缺陷的数目、EPE、重叠、CD或其它参数，并且可以同时地减小(或最小化)全部条件。
此外，一个或更多个梯度图可以基于所述成本函数(例如，EPE)产生，并且可以基于这样的梯度图来修改掩模变量。掩模变量(MV)指
Figure BDA0003187378520000192
的强度。因此，梯度计算可以被表示为
Figure BDA0003187378520000191
并且通过捕获从所述掩模图像(MI)至曲线掩模多边形至掩模变量的逆数学关系来更新梯度值。因而，可以从所述掩模图像至曲线掩模多边形以及从曲线掩模多边形至掩模变量来计算成本函数相对于所述掩模图像的导数链，这允许修改所述掩模变量处的所述掩模变量的值。
在实施例中，可以添加图像正则化以减小可以产生的所述掩模图案的复杂度。这样的图像正则化可以是掩模规则检验(MRC)。MRC是指掩模制造过程或设备的限制条件。因而，所述成本函数例如基于EPE和MRC违反惩罚而可以包括不同分量。惩罚可以是所述成本函数的项，其取决于违反量，例如掩模测量值与给定MRC或掩模参数(例如，掩模图案宽度与所允许(例如，最小或最大)掩模图案宽度)之间的差。因而，根据本公开的实施例，可以设计掩模图案，并且可以不仅基于所述图案化过程的前向模拟、而且另外基于所述掩模制造设备/过程的制造限制来制作相对应的掩模。因而，可以获得依据例如EPE或印制图案上的重叠而产生高的产率(即，最小缺陷)和高准确度的可制造曲线掩模。
与过程图像相对应的所述图案应与所述目标图案确切地相同，然而，这样的确切的目标图案可能是不可行的(例如，通常是尖锐拐角)，并且由于所述图案化过程自身中的变化和/或所述图案化过程的模型中的近似而引入一些冲突。在方法的第一迭代中，所述掩模图像207可能不产生类似于所述目标图案的图案(在抗蚀剂图像中)。所述抗蚀剂图像(或蚀刻图像)中的印制图案的准确性或接受度的确定可以基于诸如EPE之类的成本函数。例如，如果所述抗蚀剂图案的EPE是高的，则其指示使用所述掩模图像207的印制图案是不可接受的且掩模变量203中的图案必须被修改。
为了确定掩模图像207是否是可接收的，过程P213可以涉及确定所述成本函数是否被减小或被最小化，或是否达到给定的迭代次数。例如，前一迭代的EPE值可以与当前迭代的EPE值比较以确定EPE是否已减小、最小化或收敛(即，没有观测到在印制图案中的明显改善)。当成本函数被最小化时，所述方法可以停止，并且所产生的所述曲线掩模图案信息被视为优化结果。
然而，如果所述成本函数并未被减小或最小化，则可能更新所述掩模相关变量或增强型图像相关变量(例如，像素值)。在实施例中，更新可以根据基于梯度的方法。例如，如果所述成本函数没有被减小，则所述方法200继续执行至在执行指示如何进一步修改所述掩模变量203的过程P215和P217之后产生所述掩模图像的下一迭代。
过程P215可以涉及基于所述成本函数而产生梯度图215。所述梯度图可以是所述成本函数的导数和/或偏导数。在实施例中，可以相对于所述掩模图像的像素确定所述成本函数的偏导数，并且可以将导数进一步链接以确定相对于掩模变量203的偏导数。这样的梯度计算可以涉及确定所述掩模图像207与所述掩模变量203之间的逆关系。此外，必须考虑在过程P205和P203中所执行的任何平滑化操作(或函数)的逆关系。
梯度图215可以提供关于以使得成本函数的值减小(在实施例中被最小化)的方式增大或减小所述掩模变量的值的建议。在实施例中，可以将优化算法应用于梯度图215以确定所述掩模变量值。在实施例中，优化求解过程可以用以执行基于梯度的计算(在过程P217中)。
在实施例中，对于迭代，掩模变量可以被改变，而阈值平面可以保持固定或不变以便逐渐减小或最小化所述成本函数。因而，所产生的曲线图案可以在迭代期间逐渐发展，使得成本函数被减小，或在实施例中，被最小化。在另一个实施例中，掩模变量以及阈值平面两者都可以改变以实现所述优化过程的较快收敛。在所述成本函数的若干次迭代和/或最小化后可能产生二进制化CTM结果的最终集合(即，增强型图像、掩模图像或曲线掩模的经修改的版本)。
在本公开的实施例中，可以通过由不同过程替换阈值设定过程(即，P203和P205)来简化从利用灰阶图像进行的CTM优化至利用曲线掩模进行的二进制化CTM优化的转变，在所述不同过程处，S型变换被应用于所述增强型图像202，并且执行了梯度计算中的相对应的改变。所述增强型图像202的S型变换产生变换图像，所述变换图像在优化过程(例如，最小化成本函数)期间逐渐地演变成曲线图案。在迭代或优化步骤期间，可以基于梯度计算来修改与S型函数相关的变量(例如，陡度和/或阈值)。由于S型变换在连续迭代期间变得更陡(例如，S型变换的斜率的陡度增大)，因此可以实现从CTM图像至最终二进制化CTM图像的逐渐转变，从而允许利用曲线掩模图案进行的最终二进制化CTM优化的改善的结果。
在本公开的实施例中，额外的步骤/过程可以被插入至优化的迭代的循环中，以加强所述结果从而具有所选的或期望的性质。例如，可以通过添加平滑化步骤来确保平滑度，或可以使用其它滤波器来加强图像以有利于水平/竖直结构。
本方法具有若干特征或方面。例如，使用利用图像增强方法进行优化的CTM掩模图像来改善所述信号，所述信号还可以用作优化流程中的接种(seeding)。在另一方面中，使用利用CTM技术进行的阈值设定方法(被称作二进制化CTM)使得能够产生曲线掩模图案。在又一方面中，梯度计算的完整公式化(即，闭合回路公式化)也允许使用基于梯度的求解过程以用于掩模变量优化。二进制化CTM结果可以用作局部解决方案(作为热点修复)或用作全芯片解决方案。二进制化CTM结果可以连同机器学习一起用作输入。这可以允许使用机器学习以加速二进制化CTM。在又一方面中，所述方法包括图像正则化方法以改善所述结果。在另一方面中，所述方法涉及连续优化阶段以实现从灰阶图像CTM至二元曲线掩模二进制化CTM的较平滑转变。所述方法允许调谐优化的阈值以改善结果。所述方法包括至优化的迭代的额外变换以加强结果的良好性质(要求二进制化CTM图像中的平滑度)。
随着光刻节点不断收缩，需要越来越复杂的掩模。可以利用DUV扫描器、EUV扫描器、和/或其它扫描器在关键层中使用本方法。根据本公开的方法可以被包括在所述掩模优化过程的不同方面(包括源掩模优化(SMO)、掩模优化、和/或OPC)中。
如上文所描述的，常常期望能够以计算方式确定图案化过程将会如何在衬底上产生期望的图案。因而，可以提供模拟来模拟所述过程的一个或更多个部分。例如，期望能够模拟在抗蚀剂的显影之后将图案形成装置图案转印至衬底的抗蚀剂层上以及所述抗蚀剂层中所产生的图案上的光刻过程。
图3中图示了用于模拟在光刻投影设备中的光刻的示例性流程图。照射模型331表示所述照射的光学特性(包括辐射强度分布和/或相位分布)。投影光学器件模型332表示所述投影光学器件的光学特性(包括由所述投影光学器件引起的辐射强度分布和/或相位分布的改变)。设计布局模型335表示设计布局的光学特性(包括由给定设计布局所造成的对辐射强度分布和/或相位分布的改变)，所述设计布局为在图案形成装置上或由图案形成装置所形成的特征的布置的表示。可以使用所述照射模型331、所述投影光学器件模型332、和所述设计布局模型335来模拟空间图像336。可以使用抗蚀剂模型337而从所述空间图像336模拟抗蚀剂图像338。光刻的模拟可以例如预测在抗蚀剂图像中的轮廓和/或CD。
更具体地，照射模型331可以表示所述照射的光学特性，所述光学特性包括但不限于NA-均方偏差(σ)设定，以及任何特定照射形状(例如，离轴照射，诸如环形、四极、偶极等)。所述投影光学器件模型332可以表示所述投影光学器件的光学特性，包括例如像差、变形、折射率、实体大小或尺寸等。所述设计布局模型335也可以表示实体图案形成装置的一个或更多个物理性质，如例如以全文引用的方式并入本文中的美国专利号7,587,704中所描述的。与所述光刻投影设备相关联的光学性质(例如所述照射、所述图案形成装置和所述投影光学器件的性质)规定所述空间图像。由于所述光刻投影设备中所使用的图案形成装置可以被改变，因此期望分离所述图案形成装置的光学性质与至少包括所述照射和所述投影光学器件的所述光刻投影设备的其余部分(因此设计布局模型335)的光学性质。
所述抗蚀剂模型337可以用以根据所述空间图像来计算所述抗蚀剂图像，可在美国专利号8,200,468中发现这种情形的示例，所述美国专利由此以其全文引用的方式而被并入。所述抗蚀剂模型通常与所述抗蚀剂层的性质(例如，在曝光、曝光后焙烤和/或显影期间发生的化学过程的效应)相关。
所述模拟的目标是准确地预测(例如)边缘放置、空间图像强度斜率和/或CD，可以接着将所述边缘放置、空间图像强度斜率和/或CD与预期设计进行比较。所述预期设计通常被限定为预OPC设计布局，其可以被提供呈诸如GDSII、OASIS或另一文件格式之类的标准化数字文件格式。
从所述设计布局，可以识别被称作“剪辑或片段(chip)”的一个或更多个部分。在实施例中，提取剪辑集合，其表示在所述设计布局中的复杂图案(例如，图案集合)(通常是约50个至1000个剪辑，但可以使用任何数目个剪辑)。如本领域技术人员应了解的，这些图案或剪辑表示所述设计的小部分(例如，电路、单元，等等)，针对所述小部分需要特定关注和/或校验(例如，图案集合)。换句话说，剪辑可以是所述设计布局的部分，或可以是类似的，或具有临界特征是通过经验而识别(包括由客户所提供的剪辑)、通过试误法而识别、或通过执行全芯片模拟而识别的所述设计布局的部分的类似行为。剪辑通常包含一个或更多个测试图案或量规图案。可以由客户基于设计布局中要求特定图像优化的已知临界特征区域而先验地提供初始较大的剪辑集合。替代地，在另一个实施例中，可以通过使用下文描述的识别所述临界特征区域的过程而从整个设计布局提取初始较大的剪辑集合。
在一些示例中，可以使用所述模拟和建模来配置所述图案形成装置图案的一个或更多个特征(例如，执行光学邻近效应校正)、所述照射的一个或更多个特征(例如，改变所述照射的空间/角强度分布的一个或更多个特性，诸如改变形状)，和/或所述投影光学器件的一个或更多个特征(例如，数值孔径等等)。这种配置通常可以分别被称作掩模优化、源优化和投影优化。可以独立自主地执行这种优化、或以不同组合形式来组合这种优化。一个这样的示例是源-掩模优化(SMO)，其涉及配置所述图案形成装置图案的一个或更多个特征连同所述照射的一个或更多个特征。优化技术可以聚焦于多个剪辑中的一个或更多个剪辑。所述优化可以使用本文中所描述的机器学习模型以预测各种参数(包括图像等)的值。
在一些实施例中，照射模型331、投影光学器件模型332、设计布局模型335、抗蚀剂模型337、SMO模型和/或与集成电路制造过程相关联和/或在集成电路制造过程中所包括的其它模型可以是执行本文中所描述方法的操作的经验模型。所述经验模型可以基于各种输入(例如，掩模或晶片图像的一个或更多个特性、设计布局的一个或更多个特性、所述图案形成装置的一个或更多个特性、所述光刻过程中所使用的所述照射的一个或更多个特性(诸如波长)等等)之间的相关性来预测输出。
作为示例，所述经验模型可以是机器学习模型。在一些实施例中，所述机器学习模型可以是和/或包括数学方程式、算法、绘制图、图表、网络(例如神经网络)，和/或其它工具和机器学习模型分量。例如，所述机器学习模型可以是和/或包括具有输入层、输出层和一个或更多个中间或隐藏层的一个或更多个神经网络。在一些实施例中，所述一个或更多个神经网络可以是和/或包括深度神经网络(例如，在输入层与输出层之间具有一个或更多个中间或隐藏层的神经网络)。
作为示例，所述一个或更多个神经网络可以基于神经单元(或人工神经元)的大集合。所述一个或更多个神经网络可以宽松地即不严格地模仿生物大脑工作的方式(例如，经由由轴突所连接的生物神经元的大型簇)。神经网络的每个神经单元可以与所述神经网络的许多其它神经单元相连接。这样的连接可以加强或抑制它们的对所连接的神经单元的激活状态的影响。在一些实施例中，每个单独的神经单元可以具有将所有其输入的值组合在一起的求和函数。在一些实施例中，每个连接(或神经单元自身)可以具有阈值函数使得信号在其被允许传播至其它神经单元之前必须超越所述阈值。这些神经网络系统可以是自学习和经训练的，而不是被明确编程的，并且与传统计算机程序相比，可以在某些问题解决领域中显著较佳地执行。在一些实施例中，一个或更多个神经网络可以包括多个层(例如，其中信号路径从前层穿越至后层)。在一些实施例中，可以由神经网络利用反向传播技术，其中使用前向刺激以对“前端”神经单元重设权重。在一些实施例中，针对一个或更多个神经网络的刺激和抑制可能更自由流动，其中连接以较混乱且复杂的方式相互作用。在一些实施例中，一个或更多个神经网络的中间层包括一个或更多个卷积层、一个或更多个重现层、和/或其它层。
可以使用训练数据的集合来训练所述一个或更多个神经网络(即确定它们的参数)。所述训练数据可以包括训练样本的集合。每个样本可以是包括输入物体(通常是向量，其可以被称为特征向量)和期望的输出值(也被称为管理信号)的对。训练算法分析所述训练数据，并且通过基于所述训练数据调整所述神经网络的参数(例如一个或更多个层的权重)来调整所述神经网络的行为。例如，在给出形式是{(x1，y1)，(x2，y2)，...，(xN，yN)}的N个训练样本的集合使得xi为第i示例的特征向量且yi为其管理信号的情况下，训练算法寻找神经网络g：X→Y，其中X为输入空间且Y为输出空间。特征向量是表示某一目标(例如，如以上示例中的晶片设计)的数值特征的n维向量。与这些向量相关联的向量空间常常被称作特征空间。在训练之后，所述神经网络可以用于使用新样本来进行预测。
例如，如上文所描述的，为了训练DCNN和/或其它机器学习模型以预测CTM映射，需要使用者产生CTM图像作为训练数据(例如，经由ASML的Tachyon产品)。然而，选择全芯片GDS中的图案的适当代表性部分作为被设定以训练所述DCNN的训练图案从而预测CTM映射是困难的。手动选择需要用户具有关于全芯片GDS设计的显著先验知识即预备知识，并且对所述选择过程投入数小时的时间。虽然随机选择相对于手动选择不是费时的，但与随机选择相关联的不明确图案涵盖范围和低稳定性使得随机选择在现实世界应用中是不可行的或不持久的。
为解决先前系统的这些和其它劣势，本方法和设备为用户提供用以从全芯片GDS文件自动地执行训练图案选择的有效工具。本方法和设备被配置成在与现有技术系统相比更少的时间内从图案集合自动地选择代表性图案。
图4图示了用于在晶片图案化过程中确定训练图案的本方法400的操作的概要。图4中示出的方法是用于在晶片图案化过程(例如，如本文中所描述的)中训练机器学习模型的方法或所述方法的部分。所述操作包括：从图案集合443中的独特图案产生441(例如，利用特征产生引擎)多个特征以形成具有额外特征的增强型图案集合445；基于多个所产生的特征的相似性，将增强图案集合445中的图案分组442(例如，利用图案群集引擎)成多个单独的组447；以及从所述多个单独的组447选择444(例如，利用图案选择引擎)代表性图案448以确定所述训练图案449。来自所述多个单独的组447的所选代表性图案448(例如，其形成训练图案449)可以被提供至机器学习模型(例如，DCNN，图4中未示出)以训练所述机器学习模型来预测用于所述晶片图案化过程中的光学邻近效应校正(OPC)的连续透射掩模(CTM)映射，和/或可以被提供用于其它应用。例如，图案集合443中的图案可以是例如基于全芯片布局GDS文件453由例如Tachyon PRO(图案识别和优化)产品(和/或其它类似产品)中的从布局收集图案(PCL)功能451所产生的独特图案库446，和/或为所述独特图案库446的部分。
在操作441中，多个所产生的特征包括几何特征、光刻感知特征、和/或其它特征。所述几何特征包括以下中的一个或更多个：目标掩模图像、频率映射、图案密度映射、独特图案在图案集合中的图案出现率，和/或其它几何特征。所述光刻感知特征包括以下中的一个或更多个：子分辨率辅助特征引导映射(SGM)、衍射阶、图案集合中的独特图案的衍射图案，和/或其它光刻感知特征。针对图案集合中的多个图案中的每个图案产生几何特征和光刻感知特征。在实施例中，针对(集合443中的)每个图案产生特征集合(包括几何和/或光刻感知特征)。从图案集合中的多个图案所产生的多个特征是除了已被包括在图案集合中的几何信息和/或顶点信息之外的特征。
例如，由PCL 451所产生的图案集合446(例如，图案库(PLIB))可以包括包含与多个单独的独特图案相关的几何信息。然而，仅针对一单独图案的顶点信息可以被储存为图案集合446的部分以表示特定图案设计。例如，顶点信息易于用于精确图案匹配，但顶点信息不足以引导图案分组方法充分地分组类似图案(它们不完全相同)，这是因为这种过程是模糊匹配过程。为改善在操作442中的图案分组的稳健性，操作441包括产生针对多个单独图案的额外特征(例如，除了顶点几何信息之外)，包括几何和光刻感知特征两者。如上文所描述的，几何特征包括以下中的一个或更多个：目标掩模图像、频率映射、图案密度映射、独特图案在图案集合中的图案出现率，和/或其它几何特征。所述光刻感知特征包括以下中的一个或更多个：子分辨率辅助特征引导映射(SGM)、衍射阶、图案集合中的独特图案的衍射图案，和/或其它光刻感知特征。然而，本说明书并非旨在是限制性的。操作441可以由使用者定制以延伸至根据使用者的规范所产生的额外的和/或不同的特征。
图5图示了图4中示出的特征产生操作441的方面。如图5所示，操作441包括产生几何特征502和光刻感知特征504。针对图案集合443(图4)中的图案501中的每个图案产生了几何特征502和光刻感知特征504以使得针对每个图案501产生了特征502、504的集合。作为操作441的部分(例如，由特征产生引擎)而产生的几何特征502的示例包括目标掩模图像506、频率映射508、图案密度映射510、和图案在图案集合中的图案出现率(计数)512。作为操作441的部分(例如，由特征产生引擎)而产生的光刻感知特征504的示例包括SGM映射514、衍射阶516、和衍射图案518。这些特征仅是示例，并且并非旨在是限制性的。
返回至图4，在操作442中，将增强型图案集合445中的图案分组成多个单独的组是基于多个所产生的特征(例如，在操作441处产生)的相似性。使用无监督机器学习来执行了操作442。在实施例中，所述分组包括群集和/或其它分组操作。所述群集包括连续系列的群集步骤455、457、459，所述群集步骤455、457、459使用针对不同的群集步骤455、457、459的多个所产生的特征中的不同特征来执行。在图4中示出的示例中，可以基于第一特征执行群集步骤455，可以基于第二特征执行群集步骤457，并且可以基于第n特征执行群集步骤459(和/或任何其它中间群集步骤)。所述连续系列的群集步骤455、457、459形成了所述图案集合中的独特图案的相对应的子组461、463、465，使得代表性图案448(操作444)选自子组461、463、465以确定训练图案449。
图6图示了与图4中所示出的操作442相关的额外细节。例如，图6图示了基于多个所产生的特征(例如，在图4中示出的操作441处由例如特征产生引擎而产生)的相似性，将增强型图案集合445中的图案群集至多个单独的组中。因为图案呈现多维特征，则可以基于多个单独的特征执行群集。可以通过无监督机器学习对每个图案执行图6中示出的群集，以逐步方式考虑针对每个图案的多个特征以将共享多维特征中的相似性的图案分组在一起(例如，如图6中示出用以形成组的分支和子分支)。例如，用户可以定义应将哪些特征用于群集所述图案，和用于群集的特征的序列。在图6中示出的示例中，群集包括连续系列的群集步骤455、457、459，所述群集步骤使用不同的群集步骤455、457、459的多个所产生的特征中的不同的特征(例如，这些群集步骤的标识和次序由使用者定义)来执行。例如，可以基于第一特征执行群集步骤455，可以基于第二特征执行群集步骤457，并且可以基于第n特征执行群集步骤459(和/或任何其它中间群集步骤)。所述连续系列的群集步骤455、457、459形成独特图案的相对应的子组461(例如，组A和B)、463(例如，组A-a、A-b、B-a、B-b、B-c)，和465(例如，A-a-n、A-b-n、B-a-n、B-b-n、B-c-n等)。例如，图6中所示出的层级的第n层中的组中的图案(群集步骤459)共享n种特征的相似性。
在实施例中，所述连续系列的群集步骤455、457、459包括使用针对给定步骤的给定特征而执行的交叉验证步骤。所述交叉验证步骤包括：调整在多个单独的群集步骤455、457、459处群集的组的数目，确定和/或调整将哪些独特图案包括在给定子组中，和/或其它交叉验证操作。在实施例中，所述交叉验证步骤包括：优化在多个单独的群集步骤455、457、459处群集的组的数目，以及优化将哪些独特图案包括在给定子组中，和/或其它交叉验证操作。
在实施例中，群集和/或交叉验证包括机器学习群集方法，诸如k均值群集和/或其它群集方法。k均值群集被配置成将n个观测结果分割成k个簇，其中每个观测结果属于具有最接近均值的簇，其用作簇的代表性示例。这导致所述数据空间分割成沃罗诺伊(Voronoi)单元。给定图案集合(x1，x2，……,xn)及其相对应的特征中的一个特征，则所述特征可以被视为d维实向量，使得k均值群集被配置成将n个观测结果分割成k(≤n)个集合S＝{S1,S2,……,Sk}以最小化簇内平方和。形式上，目标是找出：
Figure BDA0003187378520000291
其中μi是Si中的点的均值。
虽然k均值群集是高效群集方法，但其缺点之一是要求簇的数目k在群集发生之前被指定。为了解决针对预先选择对于每个k均值群集过程的一定数目的簇的需求，本设备和方法被配置成利用肘部法则(elbow method)进行k重交叉验证检验以确定k的值(例如，最优值)。所述肘部方法包括了在针对k值范围(例如，k为从1至14，这种并非旨在是限制性的)的数据集上运行k均值群集，并且针对每个k值，确定平方误差和(SSE)。在确定SSE之后，针对每个k值绘制SSE的线型图。
图7图示了SSE 702对k值704的示例线型曲线图700。如果线型曲线图700看起来类似于手臂，则所述手臂上的“肘部”706对应于k的最优值。原则上，相对较小的SSE是优选的，但SSE趋向于随着k增大而朝向零减小(当k等于数据集中的数据点的数目时SSE为0，这是因为每个数据点是其自身的簇，并且数据点与它的簇的中心之间不存在误差)。本方法和设备被配置成确定仍具有低SSE的较小k值，并且线型曲线图700中的“肘部”706对应于线型曲线图700中递增的k产生递减收益的部位。例如，在图7中，“肘部”706位于k＝5处，指示了针对此示例数据集，最优k是5。随着k增大为高于5，SSE 702随着其接近于零而越来越小地改变。
本方法和设备被配置成使得针对对于每个k值的平方误差和的确定，执行k重交叉验证检验。在k重交叉验证中，将原始样本随机地分割成p个相等大小的子样本。将p个子样本中的单个子样本保留为用于确定平方误差和的验证数据，并且将剩余的p-1个子样本用作k均值群集的训练数据。随后将交叉验证过程重复p次，其中p个子样本中的每个子样本作为验证数据使用恰好一次。p个结果接着可以被平均化以产生平方误差和的单个估计。这种方法优于重复随机子取样的优势在于将多个单独的观测结果用于训练和验证两者，并且将多个单独的观测结果用于验证恰好一次。
借助于非限制性示例，图8图示了k重交叉验证，其中k＝4。如图8所示，原始样本800被随机地分割成p个相等大小的子样本802(例如，每个子样本802中五个点)。在图8中，在样本800中存在p＝4个子样本。将p＝4个子样本中的单个子样本804保留为用于确定平方误差和的验证数据806，并且将剩余的p-1个子样本802用作k均值群集的训练数据808。随后将交叉验证过程重复p次，其中p个子样本中的每个子样本作为验证数据(例如，810、812、814)使用恰好一次。p个结果接着可以被平均化以产生平方误差和的单个估计。
返回至图4，从多个单独的组447选择444代表性图案448以确定训练图案105包括从相对应数目个组447(例如，组G(1)、G(2)、……、G(M))选择目标数目467(“M”)的代表性图案448。在实施例中，从目标数目467的多个单独的组447选择代表性图案448以确定训练图案449包括从目标数目467的(G(1)、G(2)、……、G(M))多个单独的组447选择最中心图案469(如图4中示出的CP(1)、CP(2)、……、CP(M))。
在实施例中，来自给定组(CP(1)、CP(2)、……、CP(M))的最中心图案469是相对于多个单独的分组中的其它图案与针对多个单独的分组的指定特征空间的形心最接近的图案。例如，指定特征空间可以是目标掩模图像特征空间、频率映射特征空间、图案密度映射特征空间、图案出现特征空间、SGM特征空间、衍射阶特征空间、衍射图案特征空间，和/或其它特征空间。在实施例中，本方法和设备可以被配置成使得默认的是所述目标掩模图像特征空间被用来选择中心样本。然而，因为增强型图案集合(例如，图4中的445)中的每个样本包括多维特征(例如，频率映射、图案密度映射等)，本方法和设备可以被配置成使得用户因此可以基于目标特征来指定特征空间和/或选择中心样本。
本方法和设备被配置成使得：假定存在总数为(N)的多个单独的组447，并且响应于N大于代表性图案448的目标数目M 467，则从N个组选择M个图案作为被设定成用作训练图案449的代表性示例图案。M个所选图案被配置成最大化在给定(例如，用户选定的)特征空间(例如，默认的所述目标掩模图像特征空间)中的训练图案449的变化。
图9图示了用以形成代表性示例图案集合以供用作训练图案(例如，图4中的449)的从n个组900(例如，图9中的“n”类似于上文描述的“N”)的图案选择。组900由图像901(例如，剪辑)C1 902、C2 904、……、Cn 906形成。如图9所示，对于包括n个样本(例如，不同图案的n个图像(或剪辑))的图案集合，具有H个像素乘以W个像素(例如，H×W)的样本图像大小，CjPi指示第j图像(剪辑)中的第i个像素，其中j∈[1,n]，i∈[1,H*W]。对于像素Pi，Pi的沿不同图像的变化如下给出：
Figure BDA0003187378520000311
对于上式中的各项(Pij-Pi)2，相同像素位置的n个图像当中的第j像素的变化被确定，并且所有H×W像素的像素变化被求和以表示用以从N个组选择M个图案作为代表性示例图案集合的准则，其中选择准则被配置成最大化在所述训练图案中的变化。
返回至图4，如上文所描述的，本方法和设备被配置成从N个候选者选择M个样本(M＜N)以最大化(例如，所述目标掩模图像特征空间中的)训练图案449的变化。在实施例中，确定所述训练图案449可以包括跨越所有N个候选者执行全局搜索方法以使得训练图案449具有最大量的变化。所述全局搜索方法包括穿越即遍历了多个候选图案和多个组的所有排列，因为这是无梯度搜索。排列的总数目为：
Figure BDA0003187378520000321
通常，M和N两者通常大于数百或甚至数千。因而，排列的总数目是极其大的数目。这使得难以在受限的和可行的时间量内穿越继即遍历所有排列。
在实施例中，不同方法可以用于从N个候选者选择M个样本。在实施例中，基于停止准则和/或其它信息来确定代表性图案448的目标数目467。所述停止准则被配置成促成训练图案449中的变化。所述停止准则可以基于来自先前训练图案的信息而被确定，由用户录入和/或选择，在制造本设备处被确定，和/或以其它方式被确定。在实施例中，方法400包括确定训练图案449的变化量。在实施例中，所述停止准则被配置成确保训练图案449的变化量突破变化量阈值。所述变化量阈值可以基于来自先前训练图案的信息而被确定，由用户录入和/或选择，在制造本设备处被确定，和/或以其它方式被确定。
在实施例中，从总数目(N)个单独的组447随机地选择目标数目467的代表性图案448(例如，从M个组随机地选择图案)。在实施例中，响应于所述训练图案的变化量没有突破变化量阈值、响应于在随后选择的训练图案449中的变化量相对于训练图案449中的紧邻的前一迭代而增大，和/或出于其它原因而重新随机选择了所述目标数目个代表性图案。例如，可以在从来自总数目N个组的M个组随机地选择图案的迭代之后确定训练图案449的变化量。如果当前迭代的变化大于前一变化(例如，因为需要增加的变化)，则训练图案449可被更新(例如，构成训练图案449的随机地选择的图案可以被随机地重新选择)。所述停止准则可以是和/或包括最大数目的迭代(例如，N_iter＞max_iter)、突破阈值的变化量(例如，变化＞＝阈值)、最大迭代时间的突破，和/或其它停止准则。这种搜索方法是时间可行的且能够用来利用(例如，足够好的)变化以驱动训练集。
在实施例中，方法400还包括将训练图案449(图4中未示出)提供至深度卷积神经网络和/或其它机器学习模型以训练深度卷积神经网络。在实施例中，方法400还包括使用经训练的深度卷积神经网络来执行(图4中也未示出)光学邻近效应校正作为晶片图案化过程的部分。例如，训练图案449(例如，基于如本文中所描述的全芯片GDS而产生)可以被提供以训练深度卷积神经网络和/或其它机器学习模型来预测CTM映射。例如，训练图案449(例如，连续透射掩模(CTM)图像)是代表性图案集合，其被提供至机器学习模型(例如，DCNN)以供训练，使得将由用于全芯片OPC应用的机器学习模型(例如，DCNN)来预测准确的CTM映射。这种较准确的CTM映射导致较少的光刻热点和较少过程窗限制，和/或在试图满足光刻性能规格(例如，与空间图像、抗蚀剂图像等相关)时减少在后续掩模校正操作期间的困难。构思了方法400的其它应用。
图10是图示可以辅助实施本文中公开的方法、流程、或设备的计算机系统100的框图。计算机系统100包括用于通信信息的总线102或其它通信机构，和与总线102耦接以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100也包括耦接至总线102以用于储存将要由处理器104执行的信息和指令的主存储器106，诸如随机存取存储器(RAM)或其它动态储存装置。主存储器106也可以用于在将要由处理器104执行的指令的执行期间储存临时变量或其它中间信息。计算机系统100还包括耦接至总线102以用于储存用于处理器104的静态信息和指令的只读存储器(ROM)108或其它静态储存装置。提供诸如磁盘或光盘的储存装置110，并且将其耦接至总线102以用于储存信息和指令。
计算机系统100可以经由总线102耦接至用于向计算机用户显示信息的显示器112，诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母数字按键和其它按键的输入装置114耦接至总线102以用于将信息和命令选择通信至处理器104。另一类型的用户输入装置是用于将方向信息和命令选择通信至处理器104且用于控制显示器112上的光标移动的光标控制件116，诸如鼠标、轨迹球或光标方向按键。这种输入装置通常具有在两个轴线(第一轴线(例如，x)和第二轴线(例如，y))上的两个自由度，其允许装置指定平面中的位置。触控面板(屏幕)显示器也可以用作输入装置。
根据一个实施例，根据一个实施例，可以由计算机系统100响应于处理器104执行主存储器106中包含的一个或更多个指令的一个或更多个序列而执行本文中所描述的一个或更多个方法的部分。可以将这些指令从诸如储存装置110的另一计算机可读介质读取至主存储器106中。主存储器106中包含的指令序列的执行使处理器104执行本文中所描述的过程步骤。呈多处理布置的一个或更多个处理器也可以用于执行主存储器106中包含的指令序列。在替代实施例中，可一代替或结合软件指令而使用硬联机电路系统。因此，本文中的描述不限于硬件电路系统与软件的任何特定组合。
如本文中所使用的术语“计算机可读介质”是指参与将指令提供至处理器104以供执行的任何介质。这种介质可以采取许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘，诸如储存装置110。易失性介质包括易失存储器，诸如主存储器106。传输介质包括同轴缆线、铜线和光纤，包括包含总线102的电线。传输介质也可以采取声波或光波的形式，诸如在射频(RF)和红外线(IR)数据通信期间产生的声波或光波。计算机可读介质的常见形式包括例如软盘、软性磁盘、硬盘、磁带、任何其它磁性介质、CD-ROM、DVD、任何其它光学介质、打孔卡、纸带、具有孔图案的任何其它实体介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡匣、如下文所描述的载波，或可供计算机读取的任何其它介质。
各种形式的计算机可读介质被参与到将一个或更多个指令的一个或更多个序列承载至处理器104以供执行。例如，最初可以将所述指令承载在远程计算机的磁盘上。远程计算机可以将指令加载至其易失存储器中，并且使用调制解调器通过电话线发送指令。在计算机系统100本地的调制解调器可以接收电话线上的数据，并且使用红外线传输器将数据转换成红外线信号。耦接至总线102的红外线检测器可接收红外线信号中所承载的数据且将数据放置在总线102上。总线102将数据承载至主存储器106，处理器104从所述主存储器获取和执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后储存在储存装置110上。
计算机系统100也可以包括耦接至总线102的通信接口118。通信接口118提供与连接至局域网络122的网络链路120的双向数据通信耦接。例如，通信接口118可以是综合业务数字网(ISDN)卡或调制解调器，以提供至对应类型的电话线的数据通信连接。作为另一示例，通信接口118可以是局域网络(LAN)卡以提供至兼容LAN的数据通信连接。也可以实施无线链路。在任何这种实施中，通信接口118发送和接收电信号、电磁信号或光学信号，所述信号承载表示各种类型的信息的数字数据串流。
网络链路120通常通过一个或更多个网络而将数据通信提供至其它数据装置。例如，网络链路120可以通过局域网络122向主计算机124或向由因特网服务提供商(ISP)126操作的数据装备提供连接。ISP 126又通过全球封包数据通信网络(现通常被称作“因特网”128)而提供数据通信服务。局域网络122和因特网128两者都使用承载数字数据串流的电信号、电磁信号或光学信号。经由各种网络的信号和在网络链路120上且经由通信接口118的信号(所述信号将数字数据承载至计算机系统100和从计算机系统承载数字数据)是输送信息的载波的示例形式。
计算机系统100可以经由网络、网络链路120和通信接口118发送消息和接收包括过程代码的数据。在因特网示例中，服务器130可以经由因特网128、ISP 126、局域网络122和通信接口118而传输用于应用程序的所请求的过程代码。例如，一个这样的下载应用程序可以提供本文中所描述的方法的全部或部分。所接收的过程代码可以在接收时由处理器104执行，和/或储存在储存装置110或其它非易失性储存器中以供稍后执行。以这种方式，计算机系统100可以获得呈载波形式的应用程序代码。
图11示意性地描绘可以结合本文中所描述的技术利用的示例性光刻投影设备。所述设备包括：
-照射系统IL，所述照射系统用以调节辐射束B。在这样的特定情况下，照射系统也包括辐射源SO；
-第一物体台(例如，图案形成装置台)MT，具有用于保持图案形成装置MA(例如，掩模台)的图案形成装置保持器并连接到用于相对于项PS来准确地定位图案形成装置的第一定位器；
-第二物体台(衬底台)WT，具有用于保持衬底W(例如涂覆有抗蚀剂的硅晶片)的衬底保持器并连接到用于相对于项PS来准确地定位衬底的第二定位器；以及
-投影系统(“透镜”)PS(例如，折射、反射或反射折射光学系统)，可以将图案形成装置MA的被辐射部分成像到衬底W的目标部分C(例如包括一个或更多个管芯)上。
如本文所描绘的，所述设备可以属于透射型(例如，采用透射型图案形成装置)。然而，一般而言，它可以属于反射型(例如，采用反射型图案形成装置)。所述设备可以采用与经典掩模不同种类的图案形成装置；示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如汞灯或准分子激光、激光产生等离子体(LPP)EUV源)产生辐射束。例如，这个束直接地或在已横穿诸如扩束器Ex的调节装置之后馈送至照射系统(照射器)IL中。照射器IL可以包括调整装置AD，用于设定束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称作σ-外部和σ-内部)。另外，照射器IL通常会包括各种其他部件，诸如积光器IN和聚光器CO。这样，照射于图案形成装置MA上的束B在其横截面中具有期望的均匀性和强度分布。
关于图10应注意到，源SO可以在光刻投影设备的外壳内(这经常是当源SO为例如汞灯时的情况)，但它也可以远离光刻投影设备，它所产生的辐射束被引导到该设备中(例如，借助于适当的定向反射镜)；后一情形常常是当所述源SO为准分子激光(例如，基于KrF、ArF或F2激光作用)时的情况。
束PB随后截取被保持在图案形成装置台MT上的图案形成装置MA。在已横穿图案形成装置MA的情况下，束PB可以传递穿过透镜PL，该透镜PL将束B聚焦到衬底W的目标部分C上。借助于第二定位装置PW2(和干涉测量装置IF)，可以准确地移动衬底台WT，例如，以便将不同目标部分C定位在束PB的路径中。类似地，第一定位装置可以用于例如在从图案形成装置库机械地检索图案形成装置MA之后或在扫描期间相对于束B的路径来准确地定位图案形成装置MA。通常，可以借助于未在图11中明确地描绘的长行程模块(粗定位)和短行程模块(精定位)来实现物体台MT、WT的移动。然而，在步进器(与步进扫描工具相反)的情况下，图案形成装置台MT可以仅连接到短行程致动器，或者可以是固定的。
可以在两种不同模式中使用所描绘工具：
-在步进模式中，将图案形成装置台MT保持基本静止，并且将整个图案形成装置图像一次投影(即，单一“闪光”)到目标部分C上。接着使衬底台WT在x和/或y方向上移位，以使得不同的目标部分C可以被束PB照射；
-在扫描模式中，除了单次“闪光”中不曝光给定目标部分C之外，基本上适用于相同的情形。可替代地，图案形成装置台MT能够在给定方向(所谓的“扫描方向”，例如y方向)上以速率v移动，以使得投影束B在图案形成装置图像上进行扫描；同时，衬底台WT以速率V＝Mv在相同或相反方向上同时移动，其中，M是透镜PL的放大率(典型地M＝1/4或1/5)。这样，可以在不必折中分辨率的情况下曝光相对大的目标部分C。
图12示意性地描绘可以结合本文中所描述的技术利用的另一示例性光刻投影设备1000。
所述光刻投影设备1000包括：
-源收集器模块SO；
-照射系统(照射器)IL，所述照射系统被配置成调节辐射束B(例如，EUV辐射)；
-支撑结构(例如，图案形成装置台)MT，所述支撑结构被构造成支撑图案形成装置(例如，掩模或掩模版)MA且连接至被配置成准确地定位图案形成装置的第一定位装置PM；
-衬底台(例如，晶片台)WT，所述衬底台被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)W且连接至被配置成准确地定位所述衬底的第二定位装置PW；以及
-投影系统(例如，反射式投影系统)PS，所述投影系统被配置成将由图案形成装置MA赋予至辐射束B的图案投影至衬底W的目标部分C(例如，包括一个或更多个管芯)上。
如图12中描绘的，设备1000属于反射类型(例如，使用反射式图案形成装置)。应注意，因为大多数材料在EUV波长范围内具吸收性，所以图案形成装置可以具有包括例如钼与硅的多叠层的多层反射体。在一个示例中，多叠层反射体具有钼与硅的40个层对，其中每个层的厚度为四分之一波长。可以利用X射线光刻术来产生更小的波长。由于大多数材料在EUV和x射线波长下具吸收性，因此图案形成装置形貌上的被图案化的吸收材料的薄片(例如，多层反射体的顶部上的TaN吸收体)限定何处将印制特征(正性抗蚀剂)或何处将不印制特征(负性抗蚀剂)。
照射器IL从源收集器模块SO接收极紫外线(EUV)辐射束。用于产生EUV辐射的方法包括但不必限于利用EUV范围的一个或更多个发射谱线将材料转换成具有例如氙、锂或锡的至少一种元素的等离子体状态。在常常被称为激光产生等离子体(“LPP”)的一种这种方法中，可以通过利用激光束来照射燃料(诸如，具有谱线发射元素的材料小滴、串流或簇)而产生等离子体。源收集器模块SO可以是包括激光器(图12中未示出)的EUV辐射系统的部分，所述激光器用于提供激发燃料的激光束。得到的等离子体发射输出辐射，例如EUV辐射，所述辐射是使用设置在源收集器模块中的辐射收集器来收集的。例如，当使用CO2激光器以提供用于燃料激发的激光束时，激光器和源收集器模块可以是分立的实体。
在这些情况下，不将激光器视为形成光刻设备的部分，并且借助于包括例如合适的定向反射镜和/或扩束器的束传递系统将辐射束从激光器传递至源收集器模块。在其它情况下，例如当辐射源是常常被称为DPP源的放电产生等离子体EUV产生器时，所述源可以是源收集器模块的组成部分。在实施例中，可以使用DUV激光源。
照射器IL可以包括用于调整辐射束的角强度分布的调整器。通常，可以调整照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(通常分别被称作σ-外部和σ-内部)。此外，照射器IL可以包括各种其它部件，诸如琢面场反射镜装置和琢面光瞳反射镜装置。照射器可以用于调节辐射束，以在其横截面中具有期望的均一性和强度分布。
辐射束B入射至保持在支撑结构(例如，图案形成装置台)MT上的图案形成装置(例如，掩模)MA上，并且通过图案形成装置来图案化。在从图案形成装置(例如，掩模)MA反射之后，辐射束B穿过投影系统PS，所述投影系统将所述束聚焦至衬底W的目标部分C上。借助于第二定位装置PW和位置传感器PS2(例如，干涉测量装置、线性编码器或电容式传感器)，可以准确地移动衬底台WT，例如以便在辐射束B的路径中定位不同的目标部分C。类似地，第一定位装置PM和另一位置传感器PS1可以用于相对于辐射束B的路径准确地定位图案形成装置(例如，掩模)MA。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如，掩模)MA与衬底W。
可以在以下模式中的至少一种模式中使用所描绘设备1000：
在步进模式中，在使支撑结构(例如，图案形成装置台)MT和衬底台WT保持基本上静止的同时将赋予至辐射束的整个图案一次性投影至目标部分C上(即，单次静态曝光)。随后，使衬底台WT在X和/或Y方向上偏移，使得可以曝光不同的目标部分C。
在扫描模式中，同步地扫描支撑结构(例如，图案形成装置台)MT和衬底台WT，同时将赋予至辐射束的图案投影至目标部分C上(即，单次动态曝光)。可以通过投影系统PS的(缩小)放大率和图像反转特性来确定衬底台WT相对于支撑结构(例如，图案形成装置台)MT的速度和方向。
在另一模式下，使支撑结构(例如，图案形成装置台)MT保持基本上静止，从而保持可编程图案形成装置，并且移动或扫描衬底台WT同时将赋予至辐射束的图案投影至目标部分C上。在这种模式下，通常使用脉冲式辐射源，并且在衬底台WT的每个移动之后或在扫描期间的连续辐射脉冲之间根据需要而更新可编程图案形成装置。这种操作模式可以容易地应用至利用可编程图案形成装置(诸如，上文提及的类型的可编程反射镜阵列)的无掩模光刻术。
图13更详细地示出设备1000，所述设备包括源收集器模块SO、照射系统IL和投影系统PS。源收集器模块SO被构造和布置成使得可以在源收集器模块SO的围封结构220中维持真空环境。可以通过放电产生等离子体源形成EUV辐射发射等离子体210。可以通过气体或蒸汽(例如，Xe气体、Li蒸汽或Sn蒸汽)而产生EUV辐射，其中产生非常热的等离子体210以发射在电磁光谱的EUV范围内的辐射。通过例如引起至少部分离子化等离子体的放电而产生非常热的等离子体210。为了辐射的高效产生，可能需要例如10Pa分压的Xe、Li、Sn蒸汽或任何其它合适的气体或蒸汽。在实施例中，提供受激发锡(Sn)等离子体以产生EUV辐射。
由热等离子体210发射的辐射是通过定位在源腔室211中的开口中或后方的可选的气体屏障或污染物阱230(在一些情况下，也被称作污染物屏障或箔片阱)而从源腔室211传递至收集器腔室212中。污染物阱230可以包括通道结构。污染物阱230也可以包括气体屏障，或气体屏障与通道结构的组合。如本领域中已知的，本文中进一步指示的污染物阱或污染物屏障230至少包括通道结构。
收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器CO。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。横穿收集器CO的辐射可以从光栅光谱滤光器240反射，以沿着由点虚线“O”指示的光轴而聚焦在虚拟源点IF中。虚拟源点IF通常被称作中间聚焦，并且源收集器模块被布置成使得中间聚焦IF位于围封结构220中的开口221处或附近。虚拟源点IF是辐射发射等离子体210的图像。
随后，辐射横穿照射系统IL，所述照射系统可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24，琢面场反射镜装置和琢面光瞳反射镜装置被布置成提供在图案形成装置MA处的辐射束21的期望的角分布，以及在图案形成装置MA处的辐射强度的期望的均一性。在由支撑结构MT保持的图案形成装置MA处的辐射束21的反射后，形成被图案化的束26，并且通过投影系统PS经由反射元件28、30将被图案化的束26成像至由衬底台WT保持的衬底W上。
通常在照射光学器件单元IL和投影系统PS中可以存在比所示出的元件更多的元件。依赖于光刻设备的类型，可以可选地存在光栅光谱滤光器240。另外，可以存在比如图所示的反射镜更多的反射镜，例如，在投影系统PS中可以存在比图13所示的反射元件多1至6个的额外的反射元件。
如图14所图示的收集器光学器件CO被描绘为具有掠入射反射体253、254和255的巢套式收集器，仅作为收集器(或收集器反射镜)的示例。掠入射反射体253、254和255围绕光轴O轴向对称地设置，并且这种类型的收集器光学器件CO可以与常常称为DPP源的放电产生等离子体源组合使用。
替代地，源收集器模块SO可以是如图14中示出的LPP辐射系统的部分。激光器LA被布置成将激光能量沉积至诸如氙(Xe)、锡(Sn)或锂(Li)的燃料中，从而产生具有数十eV的电子温度的高度离子化等离子体210。在这些离子的去激发和再结合期间产生的高能辐射是从等离子体发射、由近正入射收集器光学器件CO收集，并且聚焦至围封结构220中的开口221上。
可以使用以下方面进一步描述实施例：
1.一种用于针对布局图案化过程训练机器学习模型的方法，所述方法包括：
从图案集合中的图案产生多个特征；
基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组；以及
将来自所述多个单独的组的代表性图案提供至所述机器学习模型以训练所述机器学习模型预测用于针对所述布局图案化过程的光学邻近效应校正(OPC)的连续透射掩模(CTM)映射。
2.根据方面1所述的方法，其中从所述图案集合中的所述图案产生的所述多个特征是除了已被包括在所述图案集合中的几何信息和/或顶点信息之外的信息。
3.根据方面1或2所述的方法，其中所述OPC包括在所述布局图案化过程中针对晶片的全芯片OPC。
4.根据方面1至3中任一项所述的方法，其中多个所产生的特征包括几何特征和光刻感知特征。
5.根据方面1至4中任一项所述的方法，其中基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组包括使用机器学习群集方法来基于多个所产生的特征的所述相似性将所述图案集合中的独特图案群集至多个单独的组中。
6.一种用于针对布局图案化过程确定训练图案的方法，所述方法包括：
从图案集合中的图案产生多个特征；
基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组；以及
从所述多个单独的组选择代表性图案以确定所述训练图案。
7.根据方面6所述的方法，其中多个所产生的特征包括几何特征和光刻感知特征。
8.根据方面7所述的方法，其中所述几何特征包括以下各项中的一个或更多个：目标掩模图像、频率映射、图案密度映射、或独特图案在所述图案集合中的图案出现率。
9.根据方面7或8中任一项所述的方法，其中所述光刻感知特征包括以下各项中的一个或更多个：子分辨率辅助特征引导映射(SGM)、衍射阶、或所述图案集合中的独特图案的衍射图案。
10.根据方面6至9中任一项所述的方法，其中从所述图案集合中的所述图案产生的所述多个特征是除了已被包括在所述图案集合中的几何信息和/或顶点信息之外的信息。
11.根据方面6至10中任一项所述的方法，其中基于多个所产生的特征将所述图案集合中的所述图案分组成多组是使用无监督机器学习来执行的。
12.根据方面6至11中任一项所述的方法，其中基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组包括基于多个所产生的特征的所述相似性将所述图案集合中的所述图案群集至多个单独的组中。
13.根据方面12所述的方法，其中所述群集包括使用针对不同群集步骤的多个所产生的特征中的不同特征而执行的连续系列的群集步骤，所述连续系列的群集步骤形成所述图案集合中的独特图案的子组，以使得所述代表性图案选自所述子组来确定所述训练图案。
14.根据方面12或13所述的方法，其中所述群集包括机器学习群集方法。
15.根据方面13或14所述的方法，其中所述连续系列的群集步骤包括使用针对给定步骤的给定特征而执行的交叉验证步骤，交叉验证包括调整将哪些图案包括在给定子组中。
16.根据方面6至15中任一项所述的方法，其中从所述单独的组选择代表性图案以确定所述训练图案包括选择目标数目的代表性图案。
17.根据方面16所述的方法，其中基于停止准则确定所述目标数目的代表性图案，所述停止准则被配置成促成所述训练图案的变化。
18.根据方面17所述的方法，所述方法还包括：确定所述训练图案的变化量。
19.根据方面18所述的方法，其中所述停止准则还被配置成确保所述训练图案的所述变化量突破变化量阈值。
20.根据方面19所述的方法，其中所述目标数目的代表性图案随机地选自所述多个单独的组。
21.根据方面20所述的方法，其中所述目标数目的代表性图案响应于所述训练图案的所述变化量没有突破所述变化量阈值而被重新随机选择。
22.根据方面6至21中任一项的方法，其中从所述多个单独的组选择代表性图案以确定所述训练图案包括从每个单独的组选择最中心图案，所述最中心图案相对于所述多个单独的组中的其它图案最接近于针对单独的组的指定特征空间的形心。
23.根据方面22所述的方法，其中所述指定特征空间是目标掩模图像特征空间、频率映射特征空间、图案密度映射特征空间、图案出现特征空间、SGM特征空间、衍射阶特征空间、或衍射图案特征空间。
24.根据方面6至23中任一项所述的方法，还包括：将所述训练图案提供至深度卷积神经网络以训练所述深度卷积神经网络。
25.根据方面24所述的方法，还包括：使用经训练的深度卷积神经网络执行光学邻近效应校正作为晶片图案化过程的部分。
26.一种计算机程序产品，包括其上记录有指令的非暂时性计算机可读介质，所述指令在由计算机执行时实施根据方面1至25中任一项所述的方法。
本文中所公开的构思可以模拟或以数学方法对用于使亚波长特征成像的任何通用的成像系统进行建模，并且可以尤其与能够产生越来越短的波长的新兴成像技术一起使用。已经处于使用中的新兴技术包括能够通过使用ArF激光器来产生193nm波长并且甚至能够通过使用氟激光器来产生157nm波长的极紫外(EUV)、DUV光刻术。此外，EUV光刻术能够通过使用同步加速器或通过利用高能电子来撞击材料(固体或等离子体)产生5nm至20nm范围内的波长，以便产生该范围内的光子。
虽然本文公开的构思可以用于在衬底(诸如硅晶片)上成像，但是应当理解，所公开的构思可以与任何类型的光刻成像系统一起适用，例如用于在除了硅晶片之外的衬底上成像的光刻成像系统。
上文描述旨在是示例性的而不是限制性的。因此，本领域的技术人员将明白，在不背离下面阐述的权利要求书的范围的情况下，可以对所描述的发明进行修改。

Claims (15)

1.一种用于针对布局图案化过程确定训练图案的方法，所述方法包括：
从图案集合中的图案产生多个特征；
基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组；以及
从所述多个单独的组选择代表性图案以确定所述训练图案。
2.根据权利要求1所述的方法，其中多个所产生的特征包括几何特征和光刻感知特征。
3.根据权利要求2所述的方法，其中所述几何特征包括以下各项中的一个或更多个：目标掩模图像、频率映射、图案密度映射、或独特图案在所述图案集合中的图案出现率。
4.根据权利要求2所述的方法，其中所述光刻感知特征包括以下各项中的一个或更多个：子分辨率辅助特征引导映射(SGM)、衍射阶、或所述图案集合中的独特图案的衍射图案。
5.根据权利要求1所述的方法，其中从所述图案集合中的所述图案产生的所述多个特征是除了已被包括在所述图案集合中的几何信息和/或顶点信息之外的信息。
6.根据权利要求1所述的方法，其中基于多个所产生的特征将所述图案集合中的所述图案分组成多组是使用无监督机器学习来执行的。
7.根据权利要求1所述的方法，其中基于多个所产生的特征的相似性将所述图案集合中的所述图案分组成多个单独的组包括基于多个所产生的特征的所述相似性将所述图案集合中的所述图案群集至多个单独的组中。
8.根据权利要求7所述的方法，其中所述群集包括使用针对不同群集步骤的多个所产生的特征中的不同特征而执行的连续系列的群集步骤，所述连续系列的群集步骤形成所述图案集合中的独特图案的子组，以使得所述代表性图案选自所述子组来确定所述训练图案。
9.根据权利要求7所述的方法，其中所述群集包括机器学习群集方法，和/或其中所述连续系列的群集步骤包括使用针对给定步骤的给定特征而执行的交叉验证步骤，交叉验证包括调整将哪些图案包括在给定子组中。
10.根据权利要求1所述的方法，其中从所述单独的组选择代表性图案以确定所述训练图案包括选择目标数目的代表性图案，和/或其中基于停止准则确定所述目标数目的代表性图案，所述停止准则被配置成促成所述训练图案的变化。
11.根据权利要求10所述的方法，所述方法还包括：确定所述训练图案的变化量，和/或其中所述停止准则还被配置成确保所述训练图案的所述变化量突破变化量阈值，和/或其中所述目标数目的代表性图案随机地选自所述多个单独的组，和/或其中所述目标数目的代表性图案响应于所述训练图案的所述变化量没有突破所述变化量阈值而被重新随机选择。
12.根据权利要求1所述的方法，其中从所述多个单独的组选择代表性图案以确定所述训练图案包括从每个单独的组选择最中心图案，所述最中心图案相对于所述多个单独的组中的其它图案最接近于针对单独的组的指定特征空间的形心。
13.根据权利要求12所述的方法，其中所述指定特征空间是目标掩模图像特征空间、频率映射特征空间、图案密度映射特征空间、图案出现特征空间、SGM特征空间、衍射阶特征空间、或衍射图案特征空间。
14.根据权利要求1所述的方法，还包括：将所述训练图案提供至深度卷积神经网络以训练所述深度卷积神经网络。
15.一种计算机程序产品，包括其上记录有指令的非暂时性计算机可读介质，所述指令在由计算机执行时实施根据权利要求1所述的方法。
CN202080011671.1A 2019-01-29 2020-01-10 用于布局图案选择的方法和设备 Active CN113366388B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN2019073714 2019-01-29
CNPCT/CN2019/073714 2019-01-29
PCT/EP2020/050494 WO2020156777A1 (en) 2019-01-29 2020-01-10 Method and apparatus for layout pattern selection

Publications (2)

Publication Number Publication Date
CN113366388A true CN113366388A (zh) 2021-09-07
CN113366388B CN113366388B (zh) 2025-03-04

Family

ID=69232820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080011671.1A Active CN113366388B (zh) 2019-01-29 2020-01-10 用于布局图案选择的方法和设备

Country Status (6)

Country Link
US (1) US11755814B2 (zh)
JP (1) JP7362744B2 (zh)
KR (1) KR102668168B1 (zh)
CN (1) CN113366388B (zh)
TW (1) TWI738169B (zh)
WO (1) WO2020156777A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
US11380516B2 (en) 2017-04-13 2022-07-05 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US12142454B2 (en) 2017-04-13 2024-11-12 Fractilla, LLC Detection of probabilistic process windows
EP4200671A1 (en) * 2020-08-19 2023-06-28 ASML Netherlands B.V. Systems, products, and methods for image-based pattern selection
CN112382351B (zh) * 2020-10-30 2022-03-25 华南理工大学 基于计算机模拟可控生成缺陷网状骨架材料模型的方法
EP4001902A1 (en) * 2020-11-23 2022-05-25 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method and system for simulating an optical image of a photonic and/or electronic device
KR102763937B1 (ko) * 2020-12-29 2025-02-05 삼성전자주식회사 엣칭 모델링 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법
JP7532288B2 (ja) * 2021-03-04 2024-08-13 キオクシア株式会社 検査結果分析装置および検査結果分析プログラム
US20240184213A1 (en) * 2021-03-08 2024-06-06 Asml Netherlands B.V. Method of pattern selection for a semiconductor manufacturing related process
US20220301128A1 (en) * 2021-03-16 2022-09-22 Samsung Electronics Co., Ltd. Method and device for deep guided filter processing
US11714951B2 (en) * 2021-05-13 2023-08-01 Taiwan Semiconductor Manufacturing Co., Ltd. Geometric mask rule check with favorable and unfavorable zones
CN115373225A (zh) * 2021-05-17 2022-11-22 联华电子股份有限公司 光学邻近修正操作方法与光学邻近修正操作装置
CN117355795A (zh) * 2021-05-21 2024-01-05 美商新思科技有限公司 针对源掩模优化的用于选择初始源形状的机器学习
TWI833241B (zh) * 2021-06-18 2024-02-21 荷蘭商Ａｓｍｌ荷蘭公司 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體
WO2023023366A1 (en) 2021-08-19 2023-02-23 Rehrig Pacific Company Imaging system with unsupervised learning
WO2023060505A1 (zh) * 2021-10-14 2023-04-20 中国科学院光电技术研究所 一种表面等离子体近场光刻掩模拓扑优化的方法及系统
EP4469862A1 (en) 2022-01-28 2024-12-04 D2S, Inc. Method and system for reticle enhancement technology
US20230376671A1 (en) * 2022-05-18 2023-11-23 Mediatek Inc. Learning-Based Placement of Flexible Circuit Blocks
US11755888B1 (en) * 2023-01-09 2023-09-12 Fudan University Method and system for accelerating score-based generative models with preconditioned diffusion sampling
WO2025031711A1 (en) * 2023-08-10 2025-02-13 Asml Netherlands B.V. Mask pattern optimization
CN117010318B (zh) * 2023-09-27 2023-12-22 全芯智造技术有限公司 用于版图处理的方法、设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080077907A1 (en) * 2006-09-21 2008-03-27 Kulkami Anand P Neural network-based system and methods for performing optical proximity correction
CN102054092A (zh) * 2009-10-28 2011-05-11 Asml荷兰有限公司 对于全芯片源的图案选择和掩模优化
WO2016096308A1 (en) * 2014-12-18 2016-06-23 Asml Netherlands B.V. Feature search by machine learning
US20180046072A1 (en) * 2016-08-10 2018-02-15 Globalfoundries Inc. Automated full-chip design space sampling using unsupervised machine learning
CN107797391A (zh) * 2017-11-03 2018-03-13 上海集成电路研发中心有限公司 光学邻近校正方法
CN108228981A (zh) * 2017-12-19 2018-06-29 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
US20180285510A1 (en) * 2017-04-04 2018-10-04 Globalfoundries Inc. Sraf insertion with artificial neural network

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
WO1997033205A1 (en) 1996-03-06 1997-09-12 Philips Electronics N.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
EP1920369A2 (en) 2005-08-08 2008-05-14 Brion Technologies, Inc. System and method for creating a focus-exposure model of a lithography process
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
JP4954211B2 (ja) 2005-09-09 2012-06-13 エーエスエムエル ネザーランズ ビー．ブイ． 個別マスクエラーモデルを使用するマスク検証を行うシステムおよび方法
US7694267B1 (en) 2006-02-03 2010-04-06 Brion Technologies, Inc. Method for process window optimized optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US7707538B2 (en) 2007-06-15 2010-04-27 Brion Technologies, Inc. Multivariable solver for optical proximity correction
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
NL2003702A (en) 2008-11-10 2010-05-11 Brion Tech Inc Pattern selection for lithographic model calibration.
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
JP5279745B2 (ja) * 2010-02-24 2013-09-04 株式会社東芝 マスクレイアウト作成方法、マスクレイアウト作成装置、リソグラフィ用マスクの製造方法、半導体装置の製造方法、およびコンピュータが実行可能なプログラム
US8453075B2 (en) 2011-09-02 2013-05-28 International Business Machines Corporation Automated lithographic hot spot detection employing unsupervised topological image categorization
US20140358830A1 (en) * 2013-05-30 2014-12-04 Synopsys, Inc. Lithographic hotspot detection using multiple machine learning kernels
US10409165B2 (en) * 2014-12-15 2019-09-10 Asml Netherlands B.V. Optimization based on machine learning
JP2016145887A (ja) 2015-02-06 2016-08-12 株式会社ニューフレアテクノロジー 検査装置および検査方法
NL2016614A (en) 2015-05-07 2016-11-10 Asml Netherlands Bv Metrology method and apparatus, computer program and lithographic system.
US10386726B2 (en) * 2017-09-29 2019-08-20 Globalfoundries Inc. Geometry vectorization for mask process correction
KR20190048491A (ko) 2017-10-31 2019-05-09 삼성전자주식회사 식각 효과 예측 방법 및 입력 파라미터 결정 방법
WO2019162346A1 (en) 2018-02-23 2019-08-29 Asml Netherlands B.V. Methods for training machine learning model for computation lithography
WO2019190566A1 (en) 2018-03-30 2019-10-03 Intel Corporation Multilayer optical proximity correction (opc) model for opc correction

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080077907A1 (en) * 2006-09-21 2008-03-27 Kulkami Anand P Neural network-based system and methods for performing optical proximity correction
CN102054092A (zh) * 2009-10-28 2011-05-11 Asml荷兰有限公司 对于全芯片源的图案选择和掩模优化
WO2016096308A1 (en) * 2014-12-18 2016-06-23 Asml Netherlands B.V. Feature search by machine learning
US20170357911A1 (en) * 2014-12-18 2017-12-14 Asml Netherlands B.V. Feature search by machine learning
US20180046072A1 (en) * 2016-08-10 2018-02-15 Globalfoundries Inc. Automated full-chip design space sampling using unsupervised machine learning
US20180285510A1 (en) * 2017-04-04 2018-10-04 Globalfoundries Inc. Sraf insertion with artificial neural network
CN107797391A (zh) * 2017-11-03 2018-03-13 上海集成电路研发中心有限公司 光学邻近校正方法
CN108228981A (zh) * 2017-12-19 2018-06-29 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TETSUAKI MATSUNAWA: "Laplacian Eigenmaps and Bayesian Clustering Based Layout Pattern Sampling and Its Applications to Hotspot Detection and OPC", 《2016 21ST ASIA AND SOUTH PACIFIC DESIGN AUTOMATION CONFERENCE (ASP-DAC)》, pages 679 - 684 *

Also Published As

Publication number Publication date
KR102668168B1 (ko) 2024-05-23
US20220100935A1 (en) 2022-03-31
JP2022518156A (ja) 2022-03-14
JP7362744B2 (ja) 2023-10-17
WO2020156777A1 (en) 2020-08-06
CN113366388B (zh) 2025-03-04
TWI738169B (zh) 2021-09-01
US11755814B2 (en) 2023-09-12
KR20210108456A (ko) 2021-09-02
TW202043909A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN113366388B (zh) 用于布局图案选择的方法和设备
US20210271172A1 (en) Methods of determining process models by machine learning
US11029605B2 (en) Optimization based on machine learning
US20200380362A1 (en) Methods for training machine learning model for computation lithography
TWI757855B (zh) 用於在參數化模型預測中提高確定性的方法
US20170357911A1 (en) Feature search by machine learning
US11972194B2 (en) Method for determining patterning device pattern based on manufacturability
US20230230208A1 (en) Apparatus and methods for generating denoising model
TW201939157A (zh) 二值化方法及自由形式光罩最佳化流程
KR102683050B1 (ko) 회절 패턴 유도 소스 마스크 최적화를 위한 장치 및 방법
CN114746806A (zh) 使用非均匀照射强度分布进行优化
CN115668203A (zh) 验证掩模设计的自由曲线特征
CN112823312A (zh) 用于高数值孔径穿缝源掩模优化的方法

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