一种用于计算光刻的集成神经网络制造技术

本发明专利技术公开了一种用于计算光刻的集成神经网络，包括共轭神经网络和前向神经网络，且所述共轭神经网络的输出端连接所述前向神经网络的输入端；所述共轭神经网络用于提取计算光刻的特征矢量，并将提取出来的特征矢量输入所述前向神经网络中，其中，所述共轭神经网络提取计算光刻的特征矢量的方法为：Yj＝∑iWijXi，Zj＝Yj·Yj*；其中，Zj为提取出来的特征矢量，Wij为所述共轭神经网络的参数，Xi为光罩上第i个点的邻近环境，Yj*为Yj的共轭。本发明专利技术中提供的一种用于计算光刻的集成神经网络，将用于提取特征矢量的共轭卷积神经网络结构和前向神经网络结合起来，形成集成神经网络，可以用于任何类型的计算光刻学习。

An integrated neural network for photolithography

The invention discloses an integrated neural network for calculating lithography, including a conjugate neural network and a forward neural network, and the output end of the conjugate neural network is connected with the input end of the forward neural network; the conjugate neural network is used for extracting and calculating the characteristic vectors of lithography, and the extracted characteristic vectors are used. Input the forward neural network, in which the conjugate neural network extracts and calculates the characteristic vectors of lithography by Yj =iWijXi, Zj =Yj.Yj*; where Zj is the extracted characteristic vector, Wij is the parameter of the conjugate neural network, Xi is the adjacent environment of the first point on the mask, and Yj * is the conjugate of Yj. An integrated neural network for calculating lithography is provided, which combines a conjugate convolution neural network structure for extracting feature vectors with a forward neural network to form an integrated neural network and can be used for any type of computational lithography learning.

【技术实现步骤摘要】
一种用于计算光刻的集成神经网络
本专利技术涉及集成电路领域，具体涉及一种用于计算光刻的集成神经网络。
技术介绍
为了不断追求半导体芯片的性能增强、功耗减小和芯片面积收缩，半导体芯片的最小的特征间距和最小特征尺寸需要相应地缩小。为了支持这一无止境的趋势，半导体工业需要开发具有越来越短的曝光波长和越来越高的数值孔径(NA)的光刻工具，例如扫描仪，以实现高的光学分辨率。半导体工业在14nm技术节点之前成功地沿着这条道路前进，然而，业界已经发现，沿着这条道路继续推动硬件(扫描仪)技术的发展变得非常困难，这一点，可以从EUV技术的发展缓慢来看出。作为一种补救措施，计算光刻技术的开发和应用使得半导体产业得以继续向前迈进。这种计算光刻技术包括源光罩协同优化、高级OPC模型、基于模型的辅助图形生成、逆向光刻技术等。大多数计算光刻技术在应用于全芯片时计算成本很高。为了缓解这个问题，业界已经提出了深卷积神经网络(DCNN)架构，以学习逆向光刻技术，特别是辅助图案的生成。DCNN架构是强大且通用的学习机，然而，它需要大量的数据来训练。这是因为它要求DCNN从输入数据训练中自动提取特征检测核。这样的DCNN架构应该只用于没有任何先验知识可以用于神经网络架构本身或输入特征向量设计的情况。因此，深卷积神经网络架构在进行计算光刻学习的过程中程序复杂，耗时较多，并不能保证目前生产的效率。对于计算光刻而言，一切都从光学成像开始，并且光学成像方程的结构是相当成熟的，因此，现代化的生产急需一种集成神经网络来进行有效的计算光刻学习。
技术实现思路
本专利技术所要解决的技术问题是提供一种用于计算光刻的集成神经网络，将用于提取特征矢量的共轭卷积神经网络结构和前向神经网络结合起来，形成集成神经网络，可以用于任何类型的计算光刻学习。为了实现上述目的，本专利技术采用如下技术方案：一种用于计算光刻的集成神经网络，所述集成神经网络包括共轭神经网络和前向神经网络，且所述共轭神经网络的输出端连接所述前向神经网络的输入端；所述共轭神经网络用于提取计算光刻的特征矢量，并将提取出来的特征矢量输入所述前向神经网络中，其中，所述共轭神经网络提取计算光刻的特征矢量的方法为：Yj＝∑iWijXi，其中，Zj为提取出来的特征矢量，Wij为所述共轭神经网络的参数，Xi为光罩上第i个点的邻近环境，为Yj的共轭。进一步地，所述用于计算光刻的特征矢量为与光强有关的矢量。进一步地，所述Xi采用真实空间中的向量或者基于空间频率的向量为光罩上第i个点的邻近环境。进一步地，当Xi采用真实空间中的向量时，提取计算光刻的特征矢量时，需要输入真实空间中的向量的个数其中，a为光刻机中光学相互作用的范围，该范围区域被划分为大小相等的子单元；b为光刻机中光学相互作用范围内的子单元的大小。进一步地，所述光学相互作用范围内子单元的大小其中，NA为光刻机的数值孔径，σmax为与曝光照射光在光罩上的最大角度有关的参数，λ为光刻机的曝光波长。进一步地，所述真实空间中的向量的输入值为Valuecell＝tbg·Areacell+(tf-tbg)·Areageo_in_cell，其中，tbg是光罩的背景的复传输值,tf是光罩上图案的复传输值，Areacell为子单元的面积，Areageo_in_cell为光罩图案在子单元中的面积。进一步地，当Xi采用基于空间频率的向量时，提取计算光刻的特征矢量时，需要输入空间频率中的向量的个数M2通过如下公式计算：其中，M2为符合上述公式的所有的nx和ny的个数总和，nx和ny为成像系统的衍射级数，NA为光刻机的数值孔径，σmax为与曝光照射光在光罩上的最大角度有关的参数，λ为光刻机的曝光波长，P＝2*(光学成像中光学相互作用范围的半径+安全带的宽度)，所述安全带设置在光学相互作用范围的外围，用于保证光学相互作用范围内的光罩图案的计算准确性。进一步地，所述基于空间频率的向量的输入值为在加上安全带的光学相互作用范围内的光罩图案的傅里叶变换在λ/P的格点上的数值。进一步地，所述前向神经网络结构具有3个或4个隐藏层。本专利技术的有益效果为：首先采用共轭神经网络提取计算光刻的特征矢量，再将提取出来的特征矢量输入前向神经网络中，从而使得共轭神经网络的输出端与前向神经网络的输入端结合起来，形成集成神经网络；本专利技术形成的集成神经网络能够用于任何类型的计算光刻学习，并且进行计算光刻学习的过程简便快速，大大提高了计算光刻的效率，减轻了其复杂程度。附图说明附图1为本专利技术中共轭神经网络的结构图。附图2为本专利技术中描述光罩上的点的邻近环境的向量的构造。附图3为本专利技术中输入向量为基于空间频率的向量时，输入向量在空间频率空间中的采样示意图。附图4为本专利技术形成的集成神经网络的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术的具体实施方式做进一步的详细说明。本专利技术提供的一种用于计算光刻的集成神经网络，集成神经网络包括共轭神经网络和前向神经网络，且共轭神经网络的输出端连接前向神经网络的输入端；共轭神经网络用于提取计算光刻的特征矢量，并将提取出来的特征矢量输入前向神经网络中，其中，共轭神经网络提取计算光刻的特征矢量的方法为：Yj＝∑iWijXi，其中，Zj为提取出来的特征矢量，Wij为所述共轭神经网络的参数，Xi为光罩上第i个点的邻近环境，为Yj的共轭。众所周知，任何计算光刻都是从光强分布函数开始的。为此，可以假设基于机器学习的计算光刻的特征矢量应该是与光强有关的矢量。为了从输入几何形状中提取这样的与光强有关的矢量，我们共轭神经网络来进行提取。本专利技术提供的共轭神经网络的结构如附图1所示，其输入向量Xi为光罩上第i个点的邻近环境，输出值为用于计算光刻的特征矢量Zm。本专利技术中Xi采用真实空间中的向量或者基于空间频率的向量为光罩上第i个点的邻近环境。以下针对两种情况分别进行介绍：如果决定使用真实空间量来描述点的邻近环境，则需要首先估计光学相互作用范围，然后将光学相互作用范围内的区域划分为子单元，如图2所示。光的相互作用范围取决于成像条件，取决于给定照明条件下的空间相干性程度。此时提取计算光刻的特征矢量时，需要输入真实空间中的向量的个数其中，a为光刻机中光学相互作用的范围，该范围区域被划分为大小相等的子单元；b为光刻机中光学相互作用范围内的子单元的大小。其中，光学相互作用范围内子单元的大小其中，NA为光刻机的数值孔径，σmax为与曝光照射光在光罩上的最大角度有关的参数，λ为光刻机的曝光波长。真实空间中的向量的输入值为Valuecell＝tbg·Areacell+(tf-tbg)·Areageo_in_cell，其中，tbg是光罩的背景的复传输值,tf是图案的复传输值，Areacell为子单元的面积，Areageo_in_cell为光罩图案在子单元中的面积。以下通过浸没式光刻机来举例说明：该光刻机的数值孔径NA＝1.35，该光刻机中与曝光照射光在光罩上的最大角度有关的参数σmax＝0.95，该光刻机的曝光波长λ＝193nm，该光刻机的光学光学相互作用的范围a＝1500nm。由于光刻扫描仪是一种成像系统，能够通过扫描仪的光场的最大空间频率是NA(1+σmax)，则光学相互作用范围内子单元的大小进一步本文档来自技高网...

【技术保护点】
1.一种用于计算光刻的集成神经网络，其特征在于，所述集成神经网络包括共轭神经网络和前向神经网络，且所述共轭神经网络的输出端连接所述前向神经网络的输入端；所述共轭神经网络用于提取计算光刻的特征矢量，并将提取出来的特征矢量输入所述前向神经网络中，其中，所述共轭神经网络提取计算光刻的特征矢量的方法为：Yj＝∑iWijXi，

【技术特征摘要】
1.一种用于计算光刻的集成神经网络，其特征在于，所述集成神经网络包括共轭神经网络和前向神经网络，且所述共轭神经网络的输出端连接所述前向神经网络的输入端；所述共轭神经网络用于提取计算光刻的特征矢量，并将提取出来的特征矢量输入所述前向神经网络中，其中，所述共轭神经网络提取计算光刻的特征矢量的方法为：Yj＝∑iWijXi，其中，Zj为提取出来的特征矢量，Wij为所述共轭神经网络的参数，Xi为光罩上第i个点的邻近环境，为Yj的共轭。2.根据权利要求1所述的一种用于计算光刻的集成神经网络，其特征在于，所述用于计算光刻的特征矢量为与光强有关的矢量。3.根据权利要求1所述的一种用于计算光刻的集成神经网络，其特征在于，所述Xi采用真实空间中的向量或者基于空间频率的向量为光罩上第i个点的邻近环境。4.根据权利要求3所述的一种用于计算光刻的集成神经网络，其特征在于，当Xi采用真实空间中的向量时，提取计算光刻的特征矢量时，输入真实空间中的向量的个数其中，a为光刻机中光学相互作用的范围，该范围区域被划分为大小相等的子单元；b为光刻机中光学相互作用范围内的子单元的大小。5.根据权利要求4所述的一种用于计算光刻的集成神经网络，其特征在于，所述光学相互作用范围内子单元的大小其中，NA为光刻机的数值孔径，σmax为与曝光照射光在光罩上的最大角度有关的参数，λ为光刻机...

【专利技术属性】
技术研发人员：时雪龙，赵宇航，陈寿面，李铭，
申请(专利权)人：上海集成电路研发中心有限公司，
类型：发明
国别省市：上海,31