CN117355795A - 针对源掩模优化的用于选择初始源形状的机器学习 - Google Patents

Abstract

基于光刻掩模的布局来确定用于源掩模优化的初始源形状。在一种方法中，接收光刻掩模的布局(210)。选择光刻掩模的不同区段，称为片段(225)。将这些片段应用于机器学习模型(230)，该机器学习模型从片段推断源形状。将推断出的源形状用作源掩模优化的初始源形状(245)。

Description

针对源掩模优化的用于选择初始源形状的机器学习

相关申请

本申请根据35U.S.C.§119(e)要求于2021年5月21日提交的美国临时专利申请序列号63/191,493“Machine Learning for Selecting Initial Source Shapes forSource Mask Optimization”的优先权。前述的全部主题通过引用整体上被并入本文中。

技术领域

本发明总体上涉及掩模合成模拟系统。具体而言，本公开涉及使用机器学习模型来选择初始源形状。

背景技术

半导体晶片制造中的一个步骤涉及光刻。在典型的光刻过程中，照射源产生光，由收集/照射光学器件收集和引导这些光，以照射光刻掩模。投影光学器件将被照射的掩模产生的图案转印到晶片上，根据照射图案对晶片上的抗蚀剂进行曝光。图案化的抗蚀剂然后用于在晶片上制造结构的过程中。

源掩模优化是指结合光刻掩模来设计源形状的过程。源形状是涵盖照射源和收集/照射光学器件的术语。在源掩模优化的一种方法中，各种不同的起点用于源掩模优化中的源形状。这些初始源形状随后被改进和组合，以产生最终的源形状，即照射源和/或收集/照射光学器件的最终设计。

发明内容

在一些方面中，并非任意选择初始源形状，而是基于光刻掩模的布局来确定初始源形状。在一种方法中，接收光刻掩模的布局。选择光刻掩模的不同区段，称为片段(clip)。将这些片段应用于机器学习模型，该机器学习模型从这些片段推断源形状。将推断出的源形状用作用于源掩模优化过程的初始源形状。

其他方面包括与上述任何内容相关的部件、装置、系统、改进、方法、过程、应用、计算机可读介质以及其他技术。

附图说明

从下面给出的详细描述和本公开实施例的附图，将更全面地理解本公开。附图用于提供对本公开实施例的知识和理解，而非将本公开的范围限制于这些特定实施例。此外，附图不一定按比例绘制。

图1是根据本公开实施例的源掩模优化流程的流程图。

图2是示出根据本公开实施例的使用机器学习模型来从输入掩模布局推断源种的流程图。

图3示出了适于在图2的过程中使用的神经网络的架构。

图4A至图4C示出了根据本公开实施例的参数化的片段图案的示例。

图5示出了根据本公开实施例的示例掩模片段和相对应源种。

图6示出了将由神经网络推断出的源种与典型的种选择方法进行比较的源掩模优化结果。

图7描绘了根据本发明一些实施例的在集成电路的设计和制造期间使用的各种过程的流程图。

图8描绘了本公开实施例可以在其中操作的示例计算机系统的示意图。

具体实施方式

本公开的方面涉及针对源掩模优化的用于选择初始源形状的机器学习。源掩模优化(SMO)使用起始条件，其包括针对SMO过程的(一个或多个)初始源形状。源形状可以以像素化、参数化或其他形式表示。通常，该(一个或多个)初始源形状是任意的。尽管源将用于照射光刻掩模，并且源和光刻掩模将是SMO设计过程的主题，但是初始源形状与光刻掩模上的特征无关。由于初始源形状没有考虑到关于掩模布局的信息，因此这种方法会导致更长的优化运行时和非最优解。

在一个方面中，使用机器学习模型来基于实际掩模布局确定初始源形状。可以使用来自先前掩模设计的结果来训练机器学习模型。当遇到新的设计任务时，从光刻掩模的布局选择片段。例如，这些片段可以是掩模布局中最难制造或对光刻过程中的变化最敏感的区段。使用所选片段作为输入至机器学习模型的输入，该机器学习模型推断相对应的源形状。将推断出的源形状用作SMO过程的初始源形状。

针对SMO过程选择更好的起点可以引起更短的运行时以及整个设计过程更快收敛。由此产生的设计也可以产生更好的结果。例如，该设计可具有更大的光刻过程窗口，这意味着该设计对过程变化不那么敏感。

图1是根据本公开实施例的源掩模优化过程的流程图。图1的左侧示出了光刻系统120，并且图1的右侧示出了用于模拟该系统的计算光刻流程。在光刻系统120中，光源(未示出)产生入射到具有特定掩模拓扑的光刻掩模124上的光分布(照射场122)。来自照射场122的光传播通过光刻掩模124或被掩模反射，产生称为近场的光分布。近场由投影光学器件126成像到衬底130(例如，半导体晶片)上的抗蚀剂128上。照射抗蚀剂128的光分布被称为空间像。空间像使抗蚀剂过程曝光(例如，包括曝光、曝光后烘焙(PEB)和显影)，这得到抗蚀剂128中的三维形状(轮廓)。例如光和光学等术语应涵盖所有相关波长，包括紫外、深紫外和极紫外，而不仅限于可见波长。

图1的右侧示出了模拟光刻系统120的计算光刻流程。源形状100包括产生照射场122的照射源和收集/照射光学器件的效果。在以下示例中，源形状是源强度的二维表示。它可以表示为位图图像。照射场122是源形状的物理实现。该照射场122入射到光刻掩模124上，在模拟中由掩模设计102表示该光刻掩模124。掩模模型104预测由入射到光刻掩模124上的照射场122产生的所得空间像106。空间像106是对晶片上的抗蚀剂进行曝光的光分布。因此，模型104通常包括从掩模124传播通过投影光学器件126到抗蚀剂128。然后，抗蚀剂模型108模拟抗蚀剂128的曝光和显影，从而产生最终的抗蚀剂形状或轮廓110。

应当理解，在图1中被标记为模型的每个块可以被实现为几个模型。例如，掩模模型104可以包括模拟光刻掩模124对照射场122的影响的一个模型，并以及模拟传播通过投影光学器件126的另一个模型。作为另一示例，抗蚀剂模型108可以包括针对抗蚀剂128的曝光和显影期间的不同物理效果的不同模型。

如实心箭头所示，从源形状100和掩模设计102到抗蚀剂轮廓110的正向流程允许用户模拟给定的源形状和光刻掩模的结果。然而，设计过程还包括如虚线箭头所示的反向流程。一个示例是源掩模优化(SMO)140。在SMO中，使用来自正向流程中的稍后阶段的结果(诸如所预测的空间像106和/或所预测的抗蚀剂形状110)来调整源形状100和/或掩模设计102。

在SMO过程中，源形状100的起点是任意选择的。然而，在图1中，基于光刻掩模102的布局来选择初始源形状100，如虚线箭头150所示。

图2是示出使用诸如深度神经网络之类的机器学习模型来从输入掩模布局推断初始源形状的流程图。光刻掩模的布局210是该过程的输入。在220，选择来自该掩模布局的片段。这些片段是掩模布局的部分。

典型地，选择最难制造或对过程变化最敏感的片段。这可以通过评估图1中的空间像106或抗蚀剂轮廓110的相对应区段的敏感性度量来确定。掩模布局中导致空间像106或抗蚀剂轮廓110的困难或问题的特征可以是供选择的候选。

替代地，可以基于哪些片段最接近设计规则限制来选择片段。掩模布局遵循一定的设计规则，如最小间距、最小宽度等。掩模上的某些特征将接近这些设计规则所允许的限制。片段可以因为它们包括这些特征而被选择。

在某些情况下，可能出于监控或测试设计规则的目的而在掩模上包括特征。例如，具有最小允许间距或最小允许宽度的特征可被包括为测试特征。也可以选择包括这些测试特征的片段。

图2示出了来自掩模布局的不同部分的片段225的三个示例。将这些片段225输入到经训练的机器学习模型230，该机器学习模型为不同的片段220推断源种235。源种235是源形状的表示，但它们不是实际的源形状。在图2中还示出了针对这三个片段225推断出的源种235。使用这些源种235来生成240初始源形状245。例如，如果源种235是源形状的表示的傅里叶-贝塞尔系数，则可以通过使用如下面更详细解释的公式1从这些系数生成240源形状。初始源形状245可以用作输入至SMO过程的输入。

图2中所示的过程可以被迭代地执行。例如，掩模布局210可以在设计阶段的过程中改变。该方法不是重复图2所示的整个方法，而是可以基于先前的结果进行迭代。例如，用于新掩模设计的源种中的一些可以取自先前的迭代，而不是完全重复图2的过程。

图3示出了适于供图2的过程使用的神经网络330的架构。该神经网络是U-net。U-Net 330包括编码器路径340和解码器路径360。编码器路径340包括一系列级342，该级342包括卷积和下采样。如果级342的输入具有尺寸MxMxJ，其中输入图像尺寸高M、宽M、具有J个通道，则该级的输出通常具有尺寸NxNxK，其中N<M并且K≥J。解码器路径360包括级362，该级362是编码器路径340中的级342的对应物。解码器路径360反转编码器路径340的尺寸变化。下表1示出了针对每个级342和362的图像的尺寸。

表1：针对U-net的不同级的图像大小

“跳过”链接350将级342连接到相对应的级362。这些链接350允许通过在编码的下一级之前将图像复制到解码器路径360中来“跳过”编码。添加跳过连接350形成U-Net。这是示例性神经网络模型，但不是可以使用的唯一模型形式。除了神经网络和机器学习模型之外的模型也可以用于基于光刻掩模的布局来选择初始源形状。

U-Net是一种监督深度学习模型。监督深度学习模型的训练使用具有已知的输入-输出对的训练集。每一对的输出可以称为地面真值或目标。可以基于先前设计的光刻掩模和源形状来开发训练集。替代地，可以基于一组专门设计的片段来开发训练集，这些片段分别运行经过该SMO流程以获得相对应的源形状。然后，这些片段和源形状的对形成训练集的输入/输出对。

下面是一个示例训练集。该训练集包括1000多个具有基础图案的片段。这些图案包括尺寸各异的一维和二维触头、线条和空间的不同几何形状。图4A至图4C以参数化形式示出了这些图案中的一些。在图4A中，该图案是规则的触头阵列。参数是触头的大小“cd”和阵列的节距“pitch”。该阵列在x和y方向上是对称的，因此只使用这两个参数。在图4B中，触头的阵列在x和y方向上不对称。因此，参数包括两个大小参数cdH和cdL以及两个节距参数pitchH和pitchL。在图4C中，该图案是块状触头。触头位于两个条带之间。参数是触头的大小(高度H和长度L)、每个条带的宽度W以及触头与条带之间的间距S。

基于针对技术节点的设计规则，从这些参数化的形状生成训练集中的片段。以避免重复相同图案的方式生成片段。在该示例中，有996个独特的布局，其被分为用于训练的966个和用于测试的30个。每个图案都运行经过SMO流程，并将得到的源形状与片段进行配对，以形成输入/输出对。在该示例中，使用归一化图像对数斜率(Normalized Image LogSlope，NILS)作为用于成本计算的优化目标。也可以使用其他目标，例如其他类型的图像对数斜率(Image Log Slope，ILS)目标。

然后，用光栅化的图案对这些数据进行处理，并用傅里叶贝塞尔函数表示源形状。图5示出了示例训练样本。掩模片段在左侧示出。这是用于训练样本的输入。地面真值输出在右下方示出。地面真值输出是源形状编码的图像。源形状的这种特定重组是根据傅里叶贝塞尔函数进行的。下面给出描述源形状的公式。

该公式描述了如何根据源空间中的极坐标(r,θ)来计算每个像素强度。这里，a_mn是傅里叶贝塞尔系数，J_m是m阶的傅里叶贝塞尔函数，并且x_mn是J_m的第n个零(1≤n≤4)。这些参数被编码为图5右侧所示的图像。大部分系数被设置为零。图5还包括非零低阶系数的放大视图。

为了表示图像，系数从-1.0到1.0的允许浮点值(如图5所示)被转换为0到254的整数值。使用这种编码减少了待训练的自由参数的数量，并得到更准确的神经网络模型。

也可以使用源形状的其他表示。可以使用源的笛卡尔表示。可以使用像素位置(x、y或r、θ)和强度值来代替傅里叶贝塞尔系数。也可以使用参数化的源形状。例如，环形源形状可以用内直径和外直径作为参数来表示。

图6示出了将由神经网络推断的源种与典型的种选择方法进行比较的源掩模优化结果。实线610、620绘出了作为迭代的函数的优化成本函数。优化成本函数是当前源形状的质量的度量。在这种情况下，成本越低越好。曲线610示出了使用上述基于U-net的本方法的进展，并且曲线620示出了使用采用任意初始源形状的典型种选择方法的进展。虚线612、622是与实线610、620拟合的曲线。曲线612是针对基于U-net的本方法，并且曲线622是针对典型的SMO方法。

这证实，该方法改善了运行时和SMO结果。机器学习模型在运行时和结果质量方面提供了更好的结果，如图6所示的收敛曲线上的更低成本值所证实的。对于图6所示的深紫外SMO情况，当与使用未考虑针对初始形状优化掩模图案的源形状的另一典型SMO流程结果620、622相比时，基于U-net的源形状结果610、612显示出改善的结果质量和周转时间。在该示例中，典型的SMO方法没有获得比本SMO方法提供的更高的结果质量。

图7示出了在诸如集成电路之类的制品的设计、验证和制造期间用于转换和验证表示集成电路的设计数据和指令的一组示例过程700。这些过程中的每个过程都可以作为多个模块或操作来构建和启用。术语“EDA”是指术语“电子设计自动化”。这些过程开始于利用设计者提供的信息创建产品构思710，对这些信息进行转换以创建使用一组EDA过程712的制品。当设计最终完成时，设计被试产734，此时将集成电路的原图(例如，几何图案)发送到制造设施以制造掩模组，然后使用该掩模组来制造集成电路。在试产后，制造736半导体裸片，并且执行封装和组装过程738以产生成品集成电路740。

电路或电子结构的规格的范围可以从低级晶体管材料布局到高级描述语言。高级表示可用于使用诸如VHDL、Verilog、SystemVerilog、SystemC、MyHDL或OpenVera等硬件描述语言(“HDL”)来设计电路和系统。HDL描述可以被转换为逻辑级寄存器传送级(“RTL”)描述、门级描述、布局级描述或掩码级描述。作为更详细描述的每个较低表示级别将更有用的细节添加到设计描述中，例如，模块的包括该描述的更多细节。作为更详细描述的更低级表示可以由计算机生成，从设计库导出，或由另一设计自动化过程创建。用于指定更详细描述的更低级表示语言的规范语言示例是SPICE，其用于具有许多模拟部件的电路的详细描述。每个表示级别的描述都能够由该层的相对应系统(例如，形式验证系统)使用。设计过程可以使用图7中描绘的序列。可以通过EDA产品(或EDA系统)使得能够进行所描述的过程。

在系统设计714期间，指定待制造的集成电路的功能。可以针对诸如功耗、性能、面积(物理和/或代码行)和成本降低等期望特性来优化设计。在此阶段可以将设计划分为不同类型的模块或部件。

在逻辑设计和功能验证716期间，以一种或多种描述语言指定电路中的模块或部件，并检查规范的功能准确性。例如，可以验证电路的部件以生成与所设计的电路或系统的规范要求相匹配的输出。功能验证可以使用仿真器和其他程序，诸如测试台(testbench)生成器、静态HDL检验器和形式验证器。在一些实施例中，称为“仿真器”或“原型系统”的部件的指定系统被用于加速功能验证。

在合成和测试设计718期间，HDL代码被转换为网表。在一些实施例中，网表可以是图形结构，其中图形结构的边缘表示电路的部件，而图形结构的节点表示部件如何互连。HDL代码和网表都是分级制品，EDA产品可以使用它们来验证集成电路在制造时是否按照指定的设计执行。可以针对目标半导体制造技术来优化网表。此外，可以测试完成的集成电路以验证该集成电路满足规范的要求。

在网表验证720期间，检查网表是否符合定时约束以及是否符合与HDL代码的对应性。在设计规划722期间，为定时和顶层布线构造和分析集成电路的总体平面放置图。

在布局或物理实现724期间，发生物理放置(诸如晶体管或电容器的电路部件的定位)和路由(通过多个导体连接电路部件)，并且可以执行从库中选择单元以使得能够实现指定逻辑功能。如本文中所使用，术语“单元”可以指定提供布尔逻辑功能(例如，AND、OR、NOT、XOR)或存储功能(例如，触发器或锁存器)的一组晶体管、其它部件及互连。如本文所使用的，电路“块”可以指两个或更多个单元。单元和电路块都可以称为模块或部件，并且被实现为物理结构和仿真。为所选单元(基于“标准单元”)指定参数，诸如大小，并使其可在数据库中访问以供EDA产品使用。

在分析和提取726期间，在布局级验证电路功能，这允许改进布局设计。在物理验证728期间，检查布局设计以确保制造约束是正确的，诸如DRC约束、电约束、光刻约束，并且电路装置功能匹配HDL设计规范。在分辨率增强730期间，转换该布局的几何形状以改进如何制造电路设计。

在试产期间，创建数据以用于(如果适当的话，在应用光刻增强之后)生产光刻掩模。在掩模数据准备732期间，“试产”数据用于产生光刻掩模，该光刻掩模用于产生成品集成电路。

计算机系统的存储子系统(诸如图8的计算机系统800)可用于存储由本文所述的一些或全部EDA产品所使用的程序和数据结构，以及用于开发库的单元和使用库的物理和逻辑设计的产品。

图8示出了计算机系统800的示例性机器，其中可以执行用于使该机器执行本文讨论的任何一个或多个方法的一组指令。在备选实现中，机器可以连接(例如，联网)到LAN、内联网、外联网和/或互联网中的其它机器。该机器可以在客户端－服务器网络环境中的服务器或客户端机器的能力下操作，在对等(或分布式)网络环境中作为对等机器操作，或者在云计算基础设施或环境中作为服务器或客户端机器操作。

该机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、web装置、服务器、网络路由器、交换机或网桥、或能够执行指定该机器要采取的动作的一组指令(顺序的或其它的)的任何机器。此外，虽然示出了单个机器，但是术语“机器”还应当被理解为包括单独地或联合地执行一组(或多组)指令以执行本文讨论的任何一个或多个方法的任何机器的集合。

示例计算机系统800包括经由总线830彼此通信的处理装置802、主存储器804(例如，只读存储器(ROM)、闪存、诸如同步DRAM(SDRAM)的动态随机存取存储器(DRAM))、静态存储器806(例如，闪存、静态随机存取存储器(SRAM)等)和数据存储装置818。

处理装置802表示诸如微处理器、中央处理单元等的一个或多个处理器。更具体地，处理装置可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实现其它指令集的处理器、或实现指令集组合的处理器。处理装置802还可以是一个或多个专用处理装置，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等。处理装置802可以被配置为执行用于执行本文描述的操作和步骤的指令826。

计算机系统800还可以包括网络接口装置808进行通信的网络接口装置808。计算机系统800还可以包括视频显示单元810(例如，液晶显示器(LCD)或阴极射线管(CRT))，字母数字输入装置812(例如，键盘)，光标控制装置814(例如，鼠标)，图形处理单元822，信号生成装置816(例如，扬声器)，图形处理单元822，视频处理单元828和音频处理单元832。

数据存储装置818可以包括机器可读存储介质824(也称为非暂态计算机可读介质)，在该介质上存储了一组或多组指令826或实现本文描述的任何一个或多个方法或功能的软件。在计算机系统800执行指令826期间，指令826也可以完全或至少部分地驻留在主存储器804内和/或处理装置802内，主存储器804和处理装置802也构成机器可读存储介质。

在一些实现中，指令826包括实现对应于本公开的功能的指令。虽然机器可读存储介质824在示例实现中示出为单个介质，但是术语“机器可读存储介质”应当被理解为包括存储一组或多组指令的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。术语“机器可读存储介质”还应当被理解为包括能够存储或编码用于由机器执行的指令集并且使得机器和处理装置802执行本公开的任何一个或多个方法的任何介质。因此，术语“机器可读存储介质”应被理解为包括但不限于固态存储器、光学介质和磁性介质。

前面的详细描述的某些部分是根据对计算机存储器内的数据位的操作的算法和符号表示来呈现的。这些算法描述和表示是数据处理领域的技术人员用来最有效地将他们工作的实质传达给本领域的其他技术人员的方式。算法可以是导致期望结果的操作序列。这些操作是需要物理量的物理操纵的那些操作。这些量可以采取能够被存储，组合，比较和以其他方式操纵的电或磁信号的形式。这样的信号可以称为位、值、元素、符号、字符、项、数字等。

然而，应当记住，所有这些和类似的术语将与适当的物理量相关联，并且仅仅是应用于这些量的方便标记。除非特别声明，否则如从本公开显而易见的，应当理解，在整个说明书中，某些术语是指计算机系统或类似的电子计算装置的动作和过程，其将表示为计算机系统的寄存器和存储器内的物理(电子)量的数据操纵和转换为类似地表示为计算机系统存储器或寄存器或其他这样的信息存储装置内的物理量的其他数据。

本公开还涉及一种用于执行这里的操作的装置。该装置可以为了预期目的而专门构造，或者它可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的计算机。这种计算机程序可以存储在计算机可读存储介质中，例如但不限于包括软盘、光盘、CD-ROM和磁光盘的任何类型的盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡、或者适合于存储电子指令的任何类型的介质，每个耦合到计算机系统总线。

本文给出的算法和显示并不固有地涉及任何指定的计算机或其它装置。根据本文的教导，各种其它系统可以与程序一起使用，或者可以证明构造更专用的装置来执行该方法是方便的。此外，不参考任何指定编程语言来描述本公开。应当了解，可以使用多种编程语言来实施本文所描述的本发明的教示。

本公开可以被提供为计算机程序产品或软件，其可以包括其上存储有指令的机器可读介质，所述指令可以用于对计算机系统(或其他电子装置)编程以执行根据本公开的过程。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机制。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质，诸如只读存储器(“ROM”)，随机存取存储器(“RAM”)，磁盘存储介质，光存储介质，闪存装置等。

在前述公开中，已经参考其指定示例实现描述了本公开的实现。显然，在不脱离如以下权利要求中阐述的本公开的实现的更宽精神和范围的情况下，可以对其进行各种修改。在本公开以单数形式提及一些元件的情况下，可以在附图中描绘多于一个元件，并且相同的元件用相同的数字标记。因此，本公开和附图被认为是说明性的而不是限制性的。

Claims (20)

1.一种方法，包括：

接收光刻掩模的布局；

由处理器应用机器学习模型来从所述光刻掩模的所述布局推断源形状；以及

将推断出的所述源形状作为初始源形状提供给源掩模优化过程。

2.根据权利要求1所述的方法，其中所述机器学习模型从所述光刻掩模的所述布局推断源种；并且使用推断出的所述源形状作为初始源形状包括从推断出的所述源种生成所述初始源形状。

3.根据权利要求1所述的方法，还包括：

基于片段中对过程变化的敏感性度量来从所述光刻掩模的所述布局选择片段，其中所述机器学习模型从所选片段推断源形状。

4.根据权利要求3所述的方法，其中所述敏感性度量是在所述片段中由所述片段产生的空间像对过程变化的敏感性度量。

5.根据权利要求1所述的方法，还包括：

基于哪些片段接近所述光刻掩模的所述布局的设计规则限制来从所述光刻掩模的所述布局选择片段，其中所述机器学习模型从所选片段推断源形状。

6.根据权利要求1所述的方法，其中所述光刻掩模的所述布局包括用于测试与设计规则的符合性的特征，并且所述方法还包括：

从所述光刻掩模的所述布局选择包括所述特征的片段，其中所述机器学习模型从所选片段推断源形状。

7.根据权利要求1所述的方法，其中所述机器学习模型的输出包括针对推断出的所述源形状的傅里叶贝塞尔系数的图像。

8.根据权利要求1所述的方法，其中所述机器学习模型包括U-net。

9.根据权利要求1所述的方法，其中针对所述光刻掩模的所述布局的不同设计迭代，迭代地执行所述方法。

10.一种包括所存储的指令的非暂态计算机可读介质，所述指令在由处理器执行时使所述处理器：

接收光刻掩模的布局；

从所述光刻掩模的所述布局选择片段；

基于所选片段选择源形状；以及

将所选源形状作为初始源形状提供给源掩模优化过程。

11.根据权利要求10所述的非暂态计算机可读介质，其中选择所述片段是基于所述片段中对过程变化的敏感性。

12.根据权利要求11所述的非暂态计算机可读介质，其中选择片段是基于所述片段中由所述片段产生的空间像对过程变化的敏感性。

13.根据权利要求11所述的非暂态计算机可读介质，其中选择片段是基于所述片段中由所述片段产生的抗蚀剂轮廓对过程变化的敏感性。

14.根据权利要求10所述的非暂态计算机可读介质，其中选择片段是基于哪些片段接近针对所述光刻掩模的所述布局的设计规则限制。

15.根据权利要求10所述的非暂态计算机可读介质，其中所述光刻掩模的所述布局包括用于测试与设计规则的符合性的特征，并且所选片段包括所述特征。

16.一种系统，包括：

存储指令的存储器；以及

处理器，所述处理器与所述存储器耦合并且用于执行所述指令，所述指令在被执行时使所述处理器：

访问训练集，所述训练集包括(a)输入，包括从光刻掩模的布局获取的片段；以及(b)输出，包括相对应源形状；以及

使用所述训练集来训练机器学习模型，其中所述机器学习模型从光刻掩模的布局推断初始源形状。

17.根据权利要求16所述的系统，其中所述训练集中的所述输入片段包括针对不同参数值参数化的片段的实例。

18.根据权利要求16所述的方法，其中所述训练集中的所述输入片段包括基于针对所述光刻掩模的所述布局的设计规则的片段。

19.根据权利要求16所述的方法，其中所述训练集中的所述输入片段包括表示不同几何形状的触头、线和空间的片段。

20.根据权利要求16所述的方法，其中所述训练集中的所述输入片段包括来自先前设计的光刻掩模和源形状的输入片段和相对应源形状。