The invention discloses a computational lithography method based on model driven convolutional neural network, which can improve the computational speed and convergence performance of OPC method. The technical scheme includes: expanding and truncating the gradient iterative algorithm, constructing convolution neural network MCNN based on model driven. Based on the imaging model of the lithography system, the decoder corresponding to MCNN is constructed. The MCNN is connected to the decoder head and tail, and the MCNN is trained as follows: Back propagation algorithm is used to optimize the parameters of the MCNN, so as to minimize the error between the input data of the MCNN and the output data of the decoder. After training, the decoder is separated from the MCNN network. The layout of the circuit to be optimized is input to the MCNN after training, and the estimation result of the OPC mask is obtained. Taking the OPC mask estimation results as the initial values, the gradient iterative algorithm is used to update the mask set times, and the final OPC mask optimization results are obtained.
【技术实现步骤摘要】
一种基于模型驱动卷积神经网络的计算光刻方法
本专利技术涉及计算成像
，具体涉及一种基于模型驱动卷积神经网络MCNN(model-drivenconvolutionneuralnetwork)的计算光刻方法。
技术介绍
光刻技术是用于制造超大规模集成电路的核心技术之一。光刻系统采用光源照射掩模，并通过投影物镜将掩模上的集成电路版图复刻在硅片上。目前，半导体行业主要采用计算光刻技术提高光刻系统的分辨率和成像质量。光学邻近效应校正(opticalproximitycorrection，简称OPC)是其中一种重要的计算光刻技术。OPC技术通过修正掩模图形或在掩模图形上添加必要的辅助图形，来调制透过掩模的光波振幅，从而补偿由衍射和干涉效应引起的成像畸变。为了提高OPC的优化自由度，研究人员提出了一种像素化OPC技术。该技术将掩模图形视为一幅像素图，并通过优化所有掩模像素的透过率，达到补偿成像误差的目的。但是，像素化OPC技术在提高优化自由度的同时也极大地提高了OPC算法的数据处理量和计算复杂度。特别是随着集成电路的整体规模和集成度的不断提升，如何提高计算效率已经成为像...
【技术保护点】
1.一种基于模型驱动卷积神经网络的计算光刻方法，其特征在于，包括：将梯度迭代算法进行展开和截断，构建基于模型驱动的卷积神经网络MCNN；所述MCNN的输入数据为待优化的电路版图，MCNN的输出数据为光学邻近效应校正OPC优化的掩模图形；基于光刻系统的成像模型构建与MCNN相对应的解码器；所述解码器的输入数据为OPC优化的掩模图形，解码器的输出数据为对应于OPC优化的掩模图形的光刻系统成像；将MCNN与解码器首尾相连，对所述MCNN进行如下训练：采用反向传播算法优化MCNN中的各项参数，使得所述MCNN的输入数据与所述解码器的输出数据之间的误差最小化；训练结束后，将所述解码器...
【技术特征摘要】
1.一种基于模型驱动卷积神经网络的计算光刻方法，其特征在于，包括：将梯度迭代算法进行展开和截断，构建基于模型驱动的卷积神经网络MCNN；所述MCNN的输入数据为待优化的电路版图，MCNN的输出数据为光学邻近效应校正OPC优化的掩模图形；基于光刻系统的成像模型构建与MCNN相对应的解码器；所述解码器的输入数据为OPC优化的掩模图形，解码器的输出数据为对应于OPC优化的掩模图形的光刻系统成像；将MCNN与解码器首尾相连，对所述MCNN进行如下训练：采用反向传播算法优化MCNN中的各项参数，使得所述MCNN的输入数据与所述解码器的输出数据之间的误差最小化；训练结束后，将所述解码器与所述MCNN网络分离；将待优化的电路版图输入至训练后的所述MCNN，获得OPC优化掩模的估计结果；以所述OPC优化掩模的估计结果为初始值，采用梯度迭代算法对掩模进行设定次数的迭代更新，获得最终的OPC掩模优化结果。2.如权利要求1所述的方法，其特征在于，所述将梯度迭代算法进行展开和截断，构建基于模型驱动的卷积神经网络MCNN，具体包括如下步骤：步骤101、待优化的电路版图为M，预先设定目标图形为将掩模图形M和目标图形栅格化为N×N的图形，其中N为整数；步骤102、采用相干光刻系统，则所述光刻系统的空间像为：其中h为所述光刻系统的点扩散函数；步骤103、所述光刻系统的光刻胶成像为：其中Γ{*}为硬阈值函数，当*>0时Γ{*}＝1，当*≤0时Γ{*}＝0，tr为光刻胶阈值；采用S形函数代替所述硬阈值函数，即：其中ar为S形函数的陡度因子；步骤104、依据预先设定的目标图形光学邻近效应校正OPC优化问题的目标函数设定为：其中为二范数的平方，则光学邻近效应校正OPC优化问题即为寻求最优的掩模图形使得目标函数F达到极小值，即：步骤105、根据梯度迭代算法，采用目标函数F对掩模图形的梯度逐步更新掩模像素，掩模的更新过程为：其中Mn+1和Mn分别为第n+1次迭代和第n次迭代后的掩模图形，step为设定的步长，为目标函数F对于掩模图形的梯度：其中⊙表示对应元素相乘，表示卷积运算，h°表示将矩阵h沿水平方向和竖直方向均旋转180°；掩模的更新过程表示为：其中S＝δ(x,y)表示冲击函数，D、T和W均为指代符号，D＝h，W＝2ar·step·h°。步骤106、根据步骤105，对所述梯度迭代算法的迭代过程进行展开，并截取前K步迭代，将每一步迭代过程视为卷积神经网络MCNN中的一层，MCNN中的上一层输出作为下一层的输入；MCNN网络的具体结构为：MCNN的初始输入为...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。