基于机器学习进行逆向光刻最优特征向量设计的方法技术

一种基于机器学习进行逆向光刻解的最优特征向量设计方法，包括将设计目标图案划分为多个网格单元；根据成像条件计算特征函数集{Ki(x,y)},i＝1,2,…N1；建立神经网络模型，选取训练需包括的训练样本和验证样本；用特征函数集{Ki(x,y)}计算每个所述网格单元的信号集{Si(x,y)}；以及将严格逆向光刻在相应位置的值作为神经网络训练的目标值；在训练时，采用不同的输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M

Optimal eigenvector design for reverse lithography based on machine learning

【技术实现步骤摘要】
基于机器学习进行逆向光刻最优特征向量设计的方法
本专利技术属于集成电路制造领域，尤其涉及基于机器学习进行逆向光刻最优特征向量的设计方法。
技术介绍
计算光刻技术在半导体工业中起着至关重要的作用。当半导体技术节点缩小至14nm及以下时，光刻技术也逐渐接近了其物理极限，光源掩模协同优化(SourceMaskOptimization，简称SMO)作为一种新型的分辨率增强技术，能够显著提升极限尺寸下半导体光刻的重叠工艺窗口，有效延伸当前常规光刻技术的生存周期。SMO不仅是193nm浸润式光刻技术的重要组成部分，也将是EUV光刻中必不可少的一种技术。光源掩模协同优化仿真计算的基本原理与基于模型的邻近效应修正类似。对掩模图形的边缘做移动，计算其与晶圆上目标图形的偏差，即边缘放置误差。在优化时模型中故意引入曝光剂量、聚焦度、掩模版上图形尺寸的扰动，计算这些扰动导致的晶圆上像的边缘放置误差。评价函数和优化都是基于边缘放置误差实现的。光源掩模协同优化计算出的结果，不仅包含一个像素化的光源，而且包括对输入设计做的邻近效应修正。在源掩模协同优化之后，逆向光刻技术已经成为计算光刻技术的最终前沿。然而，逆向光刻技术需要巨大计算硬件资源和很长的计算时间，实现严格的全芯片逆向光刻解，仍然是不切实际的。由于极紫外(EUV)掩模的3D效应比起浸没式光刻掩模更为明显，在这种情况下，如果还试图实现EUV的全芯片严格逆向光刻解时，计算量更大，变得更加耗时更加困难。反向光刻技术(InverseLithographyTechnology，简称ILT)被认为是面向45纳米、32纳米乃至22纳米光刻的新一代分辨率增强技术。克服这一障碍的一个非常有希望的技术是充分利用日趋成熟的基于神经网络结构的机器学习技术，在计算光刻技术中，充分利用日趋成熟的基于神经网络结构的机器学习技术，具体地利用深度卷积神经网络(DCNN)，从而获得逆向光刻技术(ILT)的解，并且比严格的逆向光刻计算快得多。然而，在DCNN中，为了提取具有足够分辨率和近似完整表示能力的特征向量，特征向量提取层非常复杂，并且缺乏实在的物理意义。为了提取具有足够分辨率和近似完整表示能力的特征向量，DCNN网络的训练需要大量的均衡的样本，这使得训练更加困难和耗时。
技术实现思路
为实现上述目的，本专利技术的技术方案如下：一种基于机器学习进行逆向光刻解的最优特征向量设计方法，用于预测/计算逆向光刻解的值；所述方法包括如下步骤：步骤S1：将设计目标图案划分为N个网格单元，其中，所述网格单元的尺寸由成像条件确定；步骤S2：根据成像条件计算特征函数集{Ki(x,y)},i＝1,2,…N1；其中，所述特征函数集{Ki(x,y)}为一组最优的光学标尺，用来测量所述设计目标图案中任何一个网格单元的周边环境；所述N1的取值与表征网格单元的周边环境的完备性的要求相关，所述N1为所述光学标尺Ki(x,y)的个数；步骤S3：建立神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层；其中，所述输入层的维度与N1相等，所述隐藏层共有N2层，每一个所述隐藏层的神经元个数为M1,M2,…MN2；其中，所述M1,M2,…MN2为相同、部分相同或不同；步骤S4：对所述神经网络模型进行训练需包括训练样本和验证样本，所述训练样本和验证样本为随机选取所述设计目标图案中的部分目标图案，用特征函数集{Ki(x,y)}计算每个所述网格单元的信号集{Si(x,y)}作为该网格单元的神经网络模型输入，所述信号集{Si(x,y)}表征了目标图案中一个网格单元的周边环境，所述信号集{Si(x,y)}也称特征向量；以及将严格逆向光刻在相应位置的值作为神经网络训练的目标值，即用相同的部分目标图案，使用严格的逆向光刻算法生成最佳掩模图像，作为神经网络训练的原始训练目标图像；步骤S5：在神经网络模型训练时，采用不同的输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M1,M2,…MN2的不同的组合，用所述训练样本进行训练，并采用验证样本进行验证，直到找到具有所述输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M1,M2,…MN2满意组合的所述神经网络模型为止；其中，所述满意组合是指，对于所述训练集和验证集中的每一个网格单元，所述神经网络模型的预测值和逆向光刻严格解的值之间的误差小于等于预先定义的误差规范；步骤S6：在应用实现阶段，将设计晶圆图案划分为网格单元，并为每个所述网格单元计算{Si(x,y)}值，并将所述{Si(x,y)}值输入到训练好的神经网络模型中，获得预测逆向光刻解的值。进一步地，所述逆向光刻解为基于机器学习的逆向光刻解、基于机器学习的光学邻近校正或基于机器学习的光刻热点检测解。进一步地，在所述步骤S4选择训练样本时，首先对所述神经网络训练的原始训练目标图像划分第一类区域和第二类区域；其中，所述第一类区域为对模型训练有用信息不具有明显重复性的区域，所述第二类区域为对模型训练有用信息具有明显重复性的区域。进一步地，所述对所述神经网络训练的原始训练目标图像划分第一类区域和第二类区域的步骤包括：求所述神经网络训练的原始训练目标图像中最大强度值；通过将以上找出的最大强度值乘以一个系数，来确定选择种子像素点的强度阈值；创建一个辅助图像，其大小与原始训练目标图像相同，所述辅助图像的强度值最初设置为零；在所述原始训练目标图像中，找出所述强度值大于种子阈值的像素位置；在所述辅助图像中，将找出所述强度值大于种子阈值的像素位置的强度值设置为一个预定值，如此，所述辅助图像中就会形成很多小岛；通过图像生长形态学操作，对所述小岛多次迭代，最终形成在原始训练目标图像中的所述第一类区域，以及将原始训练目标图像中剩下的区域为所述第二类区域。进一步地，在所述步骤S5的训练过程中，采用了批量规范化技术，并采用了动态自适应样本加权，以改进训练质量。进一步地，在所述步骤S5中，采用随机梯度下降方法训练所述神经网络模型。进一步地，所述成像条件包括曝光波长、数值孔径和曝光照明的模式与设置。进一步地，所述N1小于等于200。进一步地，所述N2小于等于6。进一步地，所述的方法还包括步骤S7：根据所述逆向光刻解的值，得到逆向光刻解的图像；从逆向光刻解的图像中，识别出原来设计的主图案区域；在剩余区域中，通过预定义的强度阈值定位辅助功能区域，以确定全芯片亚分辨率辅助图案的最佳位置。从上述技术方案可以看出，本专利技术提供的一种机器学习设计逆向光刻的最优特征向量的方法，其基于物理的特征向量设计消除了DCNN神经网络中特征向量提取层的需求，只需要构建映射函数层，大大简化了所需的神经网络，也大大缩短了神经网络的训练时间。这种神经网络结构可以加速全芯片亚分辨率辅助图案(SRAFs)的生成。附图说明图1所示为从设计图案到严格的反向光刻解的流程示意图图2所示为本专利技术实施例中基于机器学习设计逆本文档来自技高网...

【技术保护点】
1.一种基于机器学习进行逆向光刻解的最优特征向量设计方法，用于预测/计算逆向光刻解的值；其特征在于，所述方法包括如下步骤：/n步骤S1：将设计目标图案划分为N个网格单元，其中，所述网格单元的尺寸由成像条件确定；/n步骤S2：根据成像条件计算特征函数集{K

【技术特征摘要】
1.一种基于机器学习进行逆向光刻解的最优特征向量设计方法，用于预测/计算逆向光刻解的值；其特征在于，所述方法包括如下步骤：
步骤S1：将设计目标图案划分为N个网格单元，其中，所述网格单元的尺寸由成像条件确定；
步骤S2：根据成像条件计算特征函数集{Ki(x,y)},i＝1,2,…N1；其中，所述特征函数集{Ki(x,y)}为一组最优的光学标尺，用来测量所述设计目标图案中任何一个网格单元的周边环境；所述N1的取值与表征网格单元的周边环境的完备性的要求相关，所述N1为所述光学标尺Ki(x,y)的个数；
步骤S3：建立神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层；其中，所述输入层的维度与N1相等，所述隐藏层共有N2层，每一个所述隐藏层的神经元个数为M1,M2,…MN2；其中，所述M1,M2,…MN2为相同、部分相同或不同；
步骤S4：对所述神经网络模型进行训练需包括训练样本和验证样本，所述训练样本和验证样本为随机选取所述设计目标图案中的部分目标图案，用特征函数集{Ki(x,y)}计算每个所述网格单元的信号集{Si(x,y)}作为该网格单元的神经网络模型输入，所述信号集{Si(x,y)}表征了目标图案中一个网格单元的周边环境，所述信号集{Si(x,y)}也称特征向量；以及将严格逆向光刻在相应位置的值作为神经网络训练的目标值，即用相同的部分目标图案，使用严格的逆向光刻算法生成最佳掩模图像，作为神经网络训练的原始训练目标图像；
步骤S5：在神经网络模型训练时，采用不同的输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M1,M2,…MN2的不同的组合，用所述训练样本进行训练，并采用验证样本进行验证，直到找到具有所述输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M1,M2,…MN2满意组合的所述神经网络模型为止；其中，所述满意组合是指，对于所述训练集和验证集中的每一个网格单元，所述神经网络模型的预测值和严格逆向光刻解的值之间的误差小于等于预先定义的误差规范；
步骤S6：在应用实现阶段，将设计晶圆图案划分为网格单元，并为每个所述网格单元计算{Si(x,y)}值，并将所述{Si(x,y)}值输入到训练好的神经网络模型中，获得预测逆向光刻解的值。


2.根据权利要求1所述的方法，...

【专利技术属性】
技术研发人员：时雪龙，赵宇航，陈寿面，李琛，
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