用于图案的语义分段的深度学习制造技术

本发明专利技术描述了一种用于训练图案化过程的深度学习模型的方法。该方法包括获得(i)训练数据，该训练数据包括具有多个特征的衬底的至少一部分的输入图像和真实图像；(ii)类别集，每个类别对应于输入图像内衬底的多个特征的特征；和(iii)深度学习模型，被配置为接收训练数据和类别集；通过使用输入图像对深度学习模型进行建模和/或模拟来生成被预测的图像；基于被预测的图像中的特征与真实图像中的对应特征的匹配将类别集中的类别分配给被预测的图像中的特征；和通过使用损失函数迭代地分配权重并通过建模和/或模拟来生成训练后的深度学习模型。

【技术实现步骤摘要】
【国外来华专利技术】用于图案的语义分段的深度学习相关申请的交叉引用本申请要求于2018年2月23日提交的美国申请62/634,540的优先权，该美国申请的全部内容以引用的方式并入本文中。
本公开涉及改良器件制造过程的性能的技术。该技术可以与光刻设备或量测设备结合使用。
技术介绍
光刻设备是一种将所期望的图案施加到衬底的目标部分上的机器。光刻设备例如能够用于制造集成电路(IC)。在这种情况下，可以将可替代地称为掩模或掩模版的图案形成装置用于生成对应于集成电路的单个层上的电路图案，且该图案能够被成像到具有辐射敏感材料(抗蚀剂)层的衬底(例如硅晶片)上的目标部分(例如包括管芯的一部分、一个或更多个管芯)上。通常，单个衬底将包含被连续曝光的相邻目标部分的网络。已知的光刻设备包括所谓的步进器和所谓的扫描器，在步进器中通过将整个图案一次性地曝光到目标部分上来辐照每个目标部分；在扫描器中通过利用在给定方向(“扫描”方向)上的束扫描图案来辐照每个目标部分的同时，同步地扫描与该方向平行或反平行的衬底。在将电路图案从图案形成装置转印到衬底之前，衬底可经历各种工本文档来自技高网...

【技术保护点】
1.一种用于训练图案化过程的深度学习模型的方法，所述方法包括：/n获得(i)训练数据，所述训练数据包括具有多个特征的衬底的至少一部分的输入图像和与所述输入图像相对应的真实图像；(ii)类别集，每个类别对应于所述输入图像内所述衬底的所述多个特征中的特征；和(iii)深度学习模型，所述深度学习模型被配置为接收所述训练数据和所述类别集；/n通过使用所述输入图像对所述深度学习模型进行建模和/或模拟来生成被预测的图像，其中所述深度学习模型利用包括多个权重的至少一个扩张核迭代地执行卷积运算；/n基于被预测的图像内的特征与所述真实图像内的对应特征的匹配，将类别集中的类别分配给所述被预测的图像内的特征；和/n...

【技术特征摘要】
【国外来华专利技术】20180223 US 62/634,5401.一种用于训练图案化过程的深度学习模型的方法，所述方法包括：
获得(i)训练数据，所述训练数据包括具有多个特征的衬底的至少一部分的输入图像和与所述输入图像相对应的真实图像；(ii)类别集，每个类别对应于所述输入图像内所述衬底的所述多个特征中的特征；和(iii)深度学习模型，所述深度学习模型被配置为接收所述训练数据和所述类别集；
通过使用所述输入图像对所述深度学习模型进行建模和/或模拟来生成被预测的图像，其中所述深度学习模型利用包括多个权重的至少一个扩张核迭代地执行卷积运算；
基于被预测的图像内的特征与所述真实图像内的对应特征的匹配，将类别集中的类别分配给所述被预测的图像内的特征；和
通过使用损失函数基于通过深度学习模型的反向传播而迭代地将权重分配给至少一个扩张核使得被预测的图像重现所述输入图像的所述多个特征，通过建模和/或模拟，生成训练后的深度学习模型。


2.根据权利要求1所述的方法，其中所述卷积运算包括：
将所述输入图像与所述至少一个扩张核重叠，
确定每个重叠元素之间的乘积，所述重叠元素包括所述至少一个扩张核的权重和输入图像的像素值，和
对乘积的结果求和，以确定所述卷积运算的值。


3.如权利要求1所述的方法，其中所述至少一个扩张核包括多个权重、扩张率和深度，其中所述深度是所述类别集的类别的数目的倍数。


4.如权利要求1所述的方法，其中所述损失函数是真实图像和分配给被预测的图像的类别集中的每个类别的概率的函数。


5.根据权利要求4所述的方法，其中，所述迭代地分配权重包括：修改所述扩张核的多个权重、扩张率和/或深度，以基于所述损失函数的局部...

【专利技术属性】
技术研发人员：A·C·M·库普曼，S·A·米德莱布鲁克斯，A·G·M·基尔斯，M·J·马斯洛，
申请(专利权)人：ASML荷兰有限公司，
类型：发明
国别省市：荷兰;NL