一种基于神经网络模型的光学邻近校正方法技术

本发明专利技术公开了一种基于神经网络模型的光学邻近校正方法，包括以下步骤：S01：训练神经网络模型，包括在训练光罩上选择M个测试图案；分别获得上述M个测试图案所对应的目标图案；利用已知的感知神经网络模拟出类强度函数

【技术实现步骤摘要】
一种基于神经网络模型的光学邻近校正方法
本专利技术涉及光学邻近矫正领域，具体涉及一种基于神经网络模型的光学邻近校正方法。
技术介绍
光学邻近校正(OPC)已成为半导体制造工艺中必不可少的手段。它的目的是通过光刻掩模图案校正使得芯片上实现的图案与光刻的目标图案尽可能一致。OPC是由几个关键步骤组成的，如光刻的目标图案设置、辅助图案的产生和主图案的修正。由于蚀刻带来的偏差或光刻工艺窗口的要求，光刻的目标图案常常不同于原始设计图案。辅助图案是用于提高稀疏设计图案的光刻工艺窗口，它们的放置规则常常来自于光刻模拟。主图案的修正通过将原始设计图案边缘分割成小段，并在每个小线段上设置一个或多个评价点。OPC校正迭代进行时，在每次迭代过程中，OPC引擎模拟每个线段的边缘位置误差，以确定其下一次迭代的校正方向和校正量。模拟需要一个校准很好的OPC模型。从光刻工艺窗口的角度看，目前通用的OPC引擎只提供次优的OPC解决方案，因为目前的OPC引擎校正只关注每个线段的边缘放置误差，而不考虑优化光刻工艺窗口。然而，主图案边缘线段可能有多种校正方案，它们都能实现类似的边缘定位误差容限要求，但光刻工艺窗口可以不同。在先进的节点，如14nm，10nm，7nm，和以后的技术节点，因为在光刻工艺中采用了空间相干性更强的光照明条件，使得相邻的线段间的相互作用变得更强。为了克服传统OPC算法固有的缺陷，业界开发了更高级的OPC解决方案引擎，其复杂度有所提高，从线段相互作用矩阵求解到逆向光刻解决方案。线段相互作用矩阵求解主要地考虑了相邻线段的相互作用，而逆向光刻解决方案充分考虑到光刻工艺窗口的优化。逆向光刻技术有几种方法，如基于水平集的方法、基于像素优化的方法和掩模优化方法。所有逆向光刻方法在计算时间上都有很大的增加，因此，逆向光刻解决方案的全芯片实现仍然不切实际。因此，如果有一个OPC算法，它既提供了逆向光刻OPC解决方案的质量，无论是辅助图案的位置还是主图案边缘线段的校正解决方案方面，同时计算速度又很快，那么，这样的OPC算法将是业界所期待的。
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基于神经网络模型的光学邻近校正方法，该方法同时兼顾校正后的图像质量以及较快的实现速度。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的光学邻近校正方法，包括以下步骤：S01：训练神经网络模型，具体步骤为：S0101：在训练光罩上选择M个测试图案；S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案；S0103：利用已知的感知神经网络模拟出训练光罩的类强度函数S0104：利用训练光罩的类强度函数和目标图案，对上述感知神经网络进行训练，得出包括切割阈值在内的最优模型参数，利用该最优模型参数得出神经网络模型；S02：利用上述训练的神经网络模型实现光学邻近校正：S0201：利用上述得到的神经网络模型得出待处理光罩的类强度函数S0202：用切割阈值切割上述类强度函数生成含有目标图案的光罩；S03：采用上述含有目标图案的光罩作为光学邻近校正之后的掩模板进行光刻。进一步地，所述神经网络模型为线性神经网络模型，所述感知神经网络为参数确定的隐层感知神经网络。进一步地，步骤S0103中利用已知的感知神经网络模拟出训练光罩的类强度函数的具体方法为：其中，wi,j、ωv、pj0、q0为所述隐层感知神经网络的参数，Si为训练光罩网格点上的本征成像信号值，其中Kipolygon为第i个多边形的掩模滤波器，KiVedge为第i个竖直边缘的掩模三维滤波器，KiHedge为第i个水平边缘的掩模三维滤波器，KiCorner为第i个拐角的掩模三维滤波器。进一步地，所述步骤S0104中对感知神经网络进行训练的成本函数为：其中，wi,j，,ωv，,pj0，,q0，为线性神经网络模型的模型参数，μmmain是主图案第m个训练图案的权重；μmassist是辅助图案第m个训练图案的权重，Zm为训练光罩上第m个测试图案所对应的目标图案。进一步地，步骤S0201中利用神经网络模型得出待处理光罩的类强度函数的具体方法为：其中，wi,j，,ωv，,pj0，,q0，为线性神经网络模型的模型参数，Si为待处理光罩网格点上的本征成像信号值，其中Kipolygon为第i个多边形的掩模滤波器，KiVedge为第i个竖直边缘的掩模三维滤波器，KiHedge为第i个水平边缘的掩模三维滤波器，KiCorner为第i个拐角的掩模三维滤波器。进一步地，所述神经网络为二次神经网络，所述感知神经网络为参数确定的多层感知器神经网络。进一步地，步骤S0103中利用已知的感知神经网络模拟出训练光罩的类强度函数的具体方法为：其中，ui,k、wk、pk0、z0为所述多层感知神经网络的参数，Vi,k为训练光罩网格点上第k个节点的第i个卷积核，t为Vi,k处对应的光场。进一步地，所述步骤S0104中对感知神经网络进行训练的成本函数为：其中，wk’、pk0’、z0’为二次神经网络模型的模型参数，{V1.K’,V2.K’,……VN.K’|为二次神经网络模型优化的卷积核集，{u1.K’,u2.K’,……uN.K’}为二次神经网络模型中各个卷积核所对应的权值，μmmain是主图案第m个训练图案的权重；μmassist是辅助图案第m个训练图案的权重，Zm为训练光罩上第m个测试图案所对应的目标图案。进一步地，在对感知神经网络进行训练过程中，对模型参数添加以下约束，ui,k’>0；∑iui,k’＝1,k＝1,2,…R。进一步地，步骤S0201中利用神经网络模型得出待处理光罩的类强度函数的具体方法为：其中，wk’、pk0’、z0’为二次神经网络模型的模型参数，{V1.K’,V2.K’,……VN.K’}为二次神经网络模型优化的卷积核集，{u1.K’,u2.K’,……uN.K’}为二次神经网络模型中各个卷积核所对应的权值，t，为Vi,k处对应的光场。本专利技术的有益效果为：本专利技术提供的一种基于神经网络模型的光学邻近校正方法，既提供了逆向光刻OPC解决方案的质量，能够同时兼顾辅助图案的位置和主图案边缘线段位置，同时计算速度相比反向光刻计算大大提高。附图说明附图1为本专利技术一种基于神经网络模型的光学邻近校正方法的流程图。附图2为实施例1中光罩网格点上的本征成像信号值的计算关系。附图3为实施例1中线性神经网络模型的结构图。附图4为实施例2中光罩分为单个小平面的示意图。附图5为实施例2中二次神经网络模型的结构图。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。如图1所示，本专利技术提供的一种基于神经网络模型的光学邻近校正方法，包括以下步骤：S01：训练线性神经网络模型，具体步骤为：S0101：在训练光罩上选择M个测试图案；S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案；S0103：利用已知的感知神经网络模拟出训练光罩的类强度函数S0104：利用训练光罩的类强度函数和目标图案，对上述感知神经网络进行训练，得出包括切割阈值在内的最优模型参数，利用该最优模型参数得出神经网络模型；S02：利用上述训练的神经网络模型实现光学邻近校正：S0201：利用上述得到的神本文档来自技高网...

【技术保护点】
一种基于神经网络模型的光学邻近校正方法，其特征在于，包括以下步骤：S01：训练神经网络模型，具体步骤为：S0101：在训练光罩上选择M个测试图案；S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案；S0103：利用已知的感知神经网络模拟出训练光罩的类强度函数

【技术特征摘要】
1.一种基于神经网络模型的光学邻近校正方法，其特征在于，包括以下步骤：S01：训练神经网络模型，具体步骤为：S0101：在训练光罩上选择M个测试图案；S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案；S0103：利用已知的感知神经网络模拟出训练光罩的类强度函数S0104：利用训练光罩的类强度函数和目标图案，对上述感知神经网络进行训练，得出包括切割阈值在内的最优模型参数，利用该最优模型参数得出神经网络模型；S02：利用上述训练的神经网络模型实现光学邻近校正：S0201：利用上述得到的神经网络模型得出待处理光罩的类强度函数S0202：用切割阈值切割上述类强度函数生成含有目标图案的光罩；S03：采用上述含有目标图案的光罩作为光学邻近校正之后的掩模板进行光刻。2.根据权利要求1所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，所述神经网络模型为线性神经网络模型，所述感知神经网络为参数确定的隐层感知神经网络。3.根据权利要求2所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，步骤S0103中利用已知的感知神经网络模拟出训练光罩的类强度函数的具体方法为：其中，wi,j、ωv、pj0、q0为所述隐层感知神经网络的参数，Si为训练光罩网格点上的本征成像信号值，其中Kipolygon为第i个多边形的掩模滤波器，KiVedge为第i个竖直边缘的掩模三维滤波器，KiHedge为第i个水平边缘的掩模三维滤波器，KiCorner为第i个拐角的掩模三维滤波器。4.根据权利要求3所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，所述步骤S0104中对感知神经网络进行训练的成本函数为：其中，wi,j’,ωv’,pj0’,q0’为线性神经网络模型的模型参数，μmmain是主图案第m个训练图案的权重；μmassist是辅助图案第m个训练图案的权重，Zm为训练光罩上第m个测试图案所对应的目标图案。5.根据权利要求4所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，步骤S0201中利用神经网络模型得出待处理光罩的类强度函数的具体方法为：其中，wi,j’,ωv’,pj0’,q0’为线性神经网络模型的模型参数，Si为待处理光罩网格点上的本征成像信号值，其中

【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