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，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