一种基于神经网络模型确定芯片全掩模聚焦参数的方法技术

本发明专利技术公开了一种基于神经网络模型确定芯片全掩模聚焦参数的方法，具体包括基于神经网络模型确定芯片全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图的方法，首先训练神经网络模型，再利用上述训练后的神经网络模型确定芯片最佳聚焦分布图和最佳聚焦窗口深度分布图，最后再结合芯片上取样位置的形貌图，确定芯片全掩模最佳扫描聚焦表面。本发明专利技术计算方法简单快捷，并且最终确定的全掩模参数准确。

A Method for Determining Focusing Parameters of Full Mask Chip Based on Neural Network Model

The invention discloses a method for determining the focusing parameters of a chip full mask based on a neural network model, which includes a method for determining the optimal focusing distribution map and the optimal focusing window depth distribution map of a chip full mask based on a neural network model. Firstly, the neural network model is trained, and then the neural network model after the training is used. The optimum focusing distribution and depth distribution of the focusing window are determined. Finally, the optimum scanning focusing surface of the full mask is determined by combining the topographic map of the sampling position on the chip. The calculation method of the invention is simple and fast, and the final determined full mask parameters are accurate.

【技术实现步骤摘要】
一种基于神经网络模型确定芯片全掩模聚焦参数的方法
本专利技术涉及神经网络模型领域，具体涉及一种基于神经网络模型确定芯片全掩模聚焦参数的方法。
技术介绍
随着半导体产业朝着10nm节点、7nm节点以及更进一步的方向发展，需要的成像高分辨率越来越高，这必然导致成像的聚焦窗口变得越来越小。众所周知，掩模3D效应从28nm半导体技术节点开始，对光刻性能有不可忽略的影响，并且掩模3D效应随着朝14nm节点、10nm节点和7nm节点前进而变得越来越突出。可以预计，对于EUV光刻技术，这种掩模3D效应将更为深刻，因为EUV掩模上的3D形貌更为严重。掩模3D效应对光刻性能的不利影响主要表现在两个方面：第一，使得从焦点能量矩阵获得的波松曲线不再对称，而是向一边倾斜了，如附图1所示；第二，使得不同图案的最佳聚焦位置变得不同，如附图2所示。对于给定的光学邻近校正之后的图案，在定义的成像条件下(数值孔径NA，照明条件和偏振设定)，沿光刻目标层边缘的任意点的最佳聚焦位置和最佳聚焦窗口深度是确定的。数学上，可以表示为Best_focus(x,y)＝F(post_OPC_pattern(x,y))；DOF(x,y)＝G(post_OPC_pattern(x,y))；虽然严格的模拟能够确定任何点(X，Y)的最佳聚焦位置和最佳聚焦窗口深度，但是在实现全掩模最佳聚焦分布图和全掩模聚焦窗口分布图中计算速度太慢。因此，我们必须寻求新的方法来准确定义芯片全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图。目前的光刻扫描机只根据其测量的晶片形貌，计算并设置每个曝光场的扫描聚焦表面，而不考虑掩模上芯片本身的最佳聚焦分布图和最佳聚焦深度(DOF)分布图。具体计算方法为：在一个扫描场中，可实现的聚焦面设置是Z(x,y)＝h(x)*g(y)，由于硬件限制，h(x)只能是x的线性函数：h(x)＝ax+b。由于扫描方向沿Y方向，对于任何固定的Y，光刻机优化方程中(a，b)，使下列成本函数最小化，cost＝min(max{|Zmeasured(xj,yj)-(axj+b)yi|})，(xj,yi)为晶片上的取样点。上述扫描聚焦表面设置的基本假设是，在全掩模上的所有图案的最佳聚焦位置是相同的，这种动态扫描聚焦表面的设置，在14nm节点之前可以满足生产制造的要求，但对于14nm节点之后的技术节点来说是不够的，特别是对于EUV光刻技术。为了设置真正的最佳扫描聚焦表面，我们需要考虑全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图。
技术实现思路
本专利技术所要解决的技术问题为提供一种基于神经网络模型确定芯片全掩模聚焦参数的方法，先确定出芯片全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图，再结合芯片上取样位置的形貌图，确定芯片全掩模最佳扫描聚焦表面，本专利技术计算方法简单快捷，并且最终确定的全掩模参数准确。为了实现上述目的，本专利技术采用如下技术方案：一种基于神经网络模型确定芯片全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图的方法，包括如下步骤：S01：训练神经网络模型，具体包括：S011：在训练芯片上选择M个训练图形；将上述每个训练图形经过光学邻近校正之后生成对应的目标图形，将该目标图形的边缘分割成片段，每个片段的中心为一个探测点；S012：采用仿真工具计算上述训练图形对应的目标图形中每个片段的最佳聚焦位置和最佳聚焦窗口深度；S013：计算上述每个探测点对应的输入向量，所述输入向量为：其中，为由光刻工艺成像条件所决定的特征核函数，是已知的有效光刻掩模传输函数，(x,y)为训练图形对应目标图形中该探测点的坐标，为卷积运算；S014：采用上述每个探测点的输入向量与该探测点对应片段的最佳聚焦分布图和最佳聚焦窗口深度分布图对感知器进行训练，得出训练后的神经网络模型；S02：利用上述训练后的神经网络模型确定待计算芯片最佳聚焦分布图和最佳聚焦窗口深度分布图，具体步骤包括：S021：将待计算芯片上的图形经过光学邻近校正之后生成对应的目标图形，将每个目标图形的边缘分割成片段，每个片段的中心为一个探测点；S022：计算上述待计算芯片图形对应的目标图形中每个探测点对应的输入向量，所述输入向量为：其中，为由光刻工艺成像条件所决定的特征核函数，是已知的有效光刻掩模传输函数，(x,y)为待计算芯片图形对应的目标图形中该探测点的坐标；S023：将上述待计算芯片图形对应的目标图形中每个探测点的输入向量输入至步骤S01中的神经网络模型中，计算该探测点对应片段的最佳聚焦位置和最佳聚焦窗口深度；S024：将上述得出的每个片段的最佳聚焦位置和最佳聚焦窗口深度和掩模上的芯片布局结合起来，即可得出待计算芯片全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图。进一步地，由光刻工艺成像条件所决定的特征核函数通过高NA矢量霍普金斯成像方程计算得出。进一步地，所述步骤S014中感知器为多层感知器，训练后的神经网络模型对应为多层感知神经网络模型。进一步地，所述步骤S014中采用反向传播算法对感知器进行训练，得出训练后的神经网络模型。进一步地，所述神经网络模型的输入输出关系采用如下方程进行计算：其中，wi,j、c、ωv,t、μv,t为所述神经网络模型的参数，Si为芯片图形对应目标图形上的第i个输入向量。进一步地，根据掩模上的芯片布局，将得出的每个片段上的最佳聚焦位置连接起来，形成该芯片全掩模最佳聚焦分布图；根据掩模上的芯片布局，将得出的每个片段上的最佳聚焦窗口深度连接起来，形成该芯片全掩模最佳聚焦窗口深度分布图。本专利技术提供的一种基于神经网络模型确定芯片全掩模最佳扫描聚焦表面的方法，包括如下步骤：T01：通过成本计算函数确定参数a、b的值，所述成本计算函数为：cost(a,b)＝∑jW(xj,yi)·F(ΔZ(xj,yi),DOF(xj,yi))，其中，W(xj,yi)是与(xj，yi)位置有关的加权系数，ΔZ(xj,yi)＝{|Zmeasured(xj,yi)-(axj+b)yi-ΔZoffset(xj,yi)|}，DOF(xj,yi))为根据权利要求1所述的方法计算出的(xj，yi)位置的最佳聚焦窗口深度，Zmeasured(xj,yi)为芯片在(xj，yi)位置的Z轴上的高度，ΔZoffset(xj,yi)为根据权利要求1所述的方法计算出的(xj，yi)位置的最佳聚焦位置与该芯片基准聚焦位置在Z轴上的高度差；T02：确定芯片上(xj，yi)位置的最佳扫描聚焦表面的高度Z(xj，yi)，其中Z(xj,yi)＝(axj+b)yi；TO3：将步骤TO2中芯片单个点上的最佳扫描聚焦表面的高度连接起来，形成该芯片对应的最佳扫描聚焦表面。进一步地，其中，α、β、A为自定义参数。本专利技术的有益效果为：快速优化全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图计算，节省计算时间。目前，计算光刻对于每个分割段的最佳聚焦位置和最佳聚焦窗口深度，需要通过计算聚焦-能量矩阵来确定，而训练好的神经网络模型可以直接计算每个分割段的最佳聚焦位置和最佳聚焦窗口深度，并在此基础上，通过考虑晶片形貌信息、全掩模最佳聚焦分布图和全掩模聚焦窗口深度分布图，提出了一种计算最佳扫描聚焦表面设置的方法，来提高光刻工艺窗口和芯片成品率。附图说明图1为掩模3D效应引起的波松曲线的倾斜。图2为掩模3本文档来自技高网...

【技术保护点】
1.一种基于神经网络模型确定芯片全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图的方法，其特征在于，包括如下步骤：S01：训练神经网络模型，具体包括：S011：在训练芯片上选择M个训练图形；将上述每个训练图形经过光学邻近校正之后生成对应的目标图形，将该目标图形的边缘分割成片段，每个片段的中心为一个探测点；S012：采用仿真工具计算上述训练图形对应的目标图形中每个片段的最佳聚焦位置和最佳聚焦窗口深度；S013：计算上述每个探测点对应的输入向量，所述输入向量为：

【技术特征摘要】
1.一种基于神经网络模型确定芯片全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图的方法，其特征在于，包括如下步骤：S01：训练神经网络模型，具体包括：S011：在训练芯片上选择M个训练图形；将上述每个训练图形经过光学邻近校正之后生成对应的目标图形，将该目标图形的边缘分割成片段，每个片段的中心为一个探测点；S012：采用仿真工具计算上述训练图形对应的目标图形中每个片段的最佳聚焦位置和最佳聚焦窗口深度；S013：计算上述每个探测点对应的输入向量，所述输入向量为：其中，为由光刻工艺成像条件所决定的特征核函数，是已知的有效光刻掩模传输函数，(x,y)为训练图形对应目标图形中该探测点的坐标；S014：采用上述每个探测点的输入向量与该探测点对应片段的最佳聚焦分布图和最佳聚焦窗口深度分布图对感知器进行训练，得出训练后的神经网络模型；S02：利用上述训练后的神经网络模型确定待计算芯片最佳聚焦分布图和最佳聚焦窗口深度分布图，具体步骤包括：S021：将待计算芯片上的图形经过光学邻近校正之后生成对应的目标图形，将每个目标图形的边缘分割成片段，每个片段的中心为一个探测点；S022：计算上述待计算芯片图形对应的目标图形中每个探测点对应的输入向量，所述输入向量为：其中，为由光刻工艺成像条件所决定的特征核函数，是已知的有效光刻掩模传输函数，(x,y)为待计算芯片图形对应的目标图形中该探测点的坐标；S023：将上述待计算芯片图形对应的目标图形中每个探测点的输入向量输入至步骤S01中的神经网络模型中，计算该探测点对应片段的最佳聚焦位置和最佳聚焦窗口深度；S024：将上述得出的每个片段的最佳聚焦位置和最佳聚焦窗口深度和掩模上的芯片布局结合起来，即可得出待计算芯片全掩模最佳聚焦分布图和最佳聚焦窗口深度分布图。2.根据权利要求1所述的一种基于神经网络模型确定芯片全掩模最佳聚焦分布图和聚焦窗口深度分布图的方法，其特征在于，由光刻工艺成像条件所决定的特征核函数通过高NA矢量霍普金斯成像方程计算得出。3.根据权利要求1所述的一种基于神经网络模型确定芯片全掩模最佳聚焦分布图和聚焦窗口深度分布图的方法，其特征在于，所述步骤S014中感知器为多层感知器，训练后的神经网络模型对应为多层感知神...

【专利技术属性】
技术研发人员：时雪龙，赵宇航，陈寿面，李铭，袁伟，李琛，郭奥，
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