一种基于三维特征强化的OPC方法技术

本发明专利技术属于光学临近校正技术领域，公开了一种基于三维特征强化的OPC方法。本发明专利技术通过局域优化解决了现有优化方法对整体优化导致单次计算量大的问题；针对三维高度特征的局域优化方法对曝光剂量分布进行优化，解决了现有适量矩阵优化方法中高度优化缺失的问题；同时能够自动寻找最优阈值，解决了灰度梯度阈值人为无法设置最优值的问题。为无法设置最优值的问题。为无法设置最优值的问题。

【技术实现步骤摘要】
一种基于三维特征强化的OPC方法


[0001]本专利技术属于光学临近校正
，更具体地，涉及一种基于三维特征强化的OPC方法。

技术介绍

[0002]光刻是半导体集成电路、MEMS、微纳光学等众多领域中的一个重要工艺，是对半导体晶圆表面的掩蔽物(如二氧化硅)进行刻蚀或沉积等，以便进行杂质的定域扩散的一种加工技术。其昂贵的设备制造和维护成本约占集成电路总生产成本的一半。其中掩膜制造消耗成本巨大，为降低成本，无掩膜光刻技术如电子束光刻、离子束光刻以及扫描激光光刻逐渐兴起。
[0003]扫描激光光刻系统主要包含：激光光源、聚焦调制系统、步进系统、扫描系统和涂有光刻胶的硅晶圆。其中，激光束被聚焦到目标尺寸的光斑大小，并且在光刻胶表面扫描的同时调制光束功率(灰度光刻胶曝光深度随着曝光能量非线性增加，常用s形曲线近似)，然后在扫描方向上以设定的步长进行扫描，扫描一个周期结束后在步进方向上步进一次继续进行反向扫描。
[0004]在扫描光刻成像的过程中，由于来自其他扫描区域能量的叠加因此需要对成像进行优化。另外随着关键尺寸(Critical dimension，简称CD)的持续减小，扫描激光光刻的特征尺寸受到了制约。在扫描激光光刻系统中，每个位置的曝光剂量都可以被精确地控制，因此可以通过对曝光剂量的分布进行模拟和计算对叠加的能量进行规划和补偿，使得成像分辨率增强得以实现。
[0005]扫描激光光刻的光学临近校正技术(Optical proximity correction，OPC)通常利用光刻机和光刻胶参数搭建非线性数值模型，使用非线性规划方法或基于梯度的优化算法寻找最优曝光剂量分布，从而最小化期望图案和曝光图案之间的差异(主要包含图案误差(PE)和边缘放置误差(EPE))，实现输出图案的优化。在3D厚膜光刻中，对于高度的优化有重要意义，3D结构不只包含水平面上的尺寸精度，还包含高度上的尺寸精度。高度上的变化更加容易受到衍射极限的影响导致边缘不清晰，过度边缘圆角尺寸大，最终影响产品质量，因此3D结构的高度参数往往在结构发挥作用中起着关键作用。
[0006]现有的基于矢量矩阵的3D光刻优化方法虽然减小了整体的计算代价，但是仍存在如下缺陷：(1)优化对象是针对全曝光区域的整体性优化，对于图案边缘的优化一并处理，没有着重优化图案边缘(即光刻时目标图案和刻蚀掉的部分的交界处)，无法进一步提高优化速度和精度。(2)缺少对3D光刻z轴(即高度方向)的局域优化，结构高度特征优化不充分。

技术实现思路

[0007]本专利技术通过提供一种基于三维特征强化的OPC方法，解决现有技术中高度特征优化缺失，优化速度和精度有待提高的问题。
[0008]本专利技术提供一种基于三维特征强化的OPC方法，主要包括以下步骤：
[0009]步骤S1、根据光刻胶曝光数据和光刻胶的化学反应函数得到优化的光刻胶函数模型；根据光刻机参数，将目标图案转化为目标像素化图案；
[0010]步骤S2、采用Sobel算子对所述目标像素化图案在两个不同的梯度阈值下进行边缘提取，得到对应的边缘特征矩阵，将边缘特征矩阵的数值作为目标图案矩阵的数值；
[0011]步骤S3、根据光刻机参数和优化的光刻胶函数模型，得到初始的成像图案矩阵；
[0012]步骤S4、构建第一代价函数和约束条件，根据所述约束条件对曝光剂量分布和成像图案矩阵的数值进行更新；
[0013]步骤S5、根据更新判断条件对梯度阈值进行自动更新；
[0014]步骤S6、判断是否满足循环结束条件；若不满足，则返回至步骤S2；若满足，则结束循环。
[0015]优选的，所述步骤S1包括以下子步骤：
[0016]步骤S11、根据实际测量得到的光刻胶曝光数据，结合光刻胶的化学反应函数建立第二代价函数；
[0017]所述第二代价函数表示为：
[0018][0019]其中，H表示第二代价函数，PR表示实际测量得到的光刻胶曝光数据，Sig(
·
)表示光刻胶的化学反应函数；
[0020]步骤S12、根据所述第二代价函数，使用最优化算法对光刻胶参数进行优化，直至所述第二代价函数最小，获得最优的光刻胶参数，所述光刻胶参数包括刻蚀速度和刻蚀阈值；
[0021]步骤S13、基于最优的刻蚀速度和最优的刻蚀阈值得到优化的光刻胶函数模型；
[0022]所述优化的光刻胶函数模型表示为：
[0023][0024]其中，a表示最优的刻蚀速度，t
r
表示最优的刻蚀阈值；
[0025]步骤S14、输入光刻机参数，将目标图案转化为目标像素化图案。
[0026]优选的，在采用Sobel算子进行边缘提取之前，还包括：对所述目标像素化图案进行高斯平滑处理。
[0027]优选的，高斯平滑卷积核如下：
[0028]0.0750.1240.0750.1240.2040.1240.0750.1240.075
[0029]通过使用所述高斯平滑卷积核与目标像素化图案做卷积运算，实现对目标像素化图案进行高斯平滑处理。
[0030]优选的，所述步骤S2包括以下子步骤：
[0031]步骤S21、采用Sobel算子与所述目标像素化图案做卷积运算，得到图案梯度变化图；Sobel算子卷积核如下：
[0032]x方向：
[0033][0034]y方向：
[0035][0036]G＝|Gx|+|Gy|
[0037]其中，Gx表示目标像素化图案和x方向的Sobel算子卷积核卷积后得到的每个像素在x轴方向上的梯度大小，Gy表示目标像素化图案和y方向的Sobel算子卷积核卷积后得到的每个像素在y轴方向上的梯度大小；G表示每个像素的高度梯度大小，G的值为每个像素在x、y轴方向上梯度值的绝对值之和；
[0038]步骤S22、基于所述图案梯度变化图，根据设定的两个梯度阈值β1、β2，分别提取大于梯度阈值的两个梯度分布矩阵作为边缘特征矩阵S
z1
、S
z2
；
[0039]针对每一个梯度阈值，若S
ij
≥β，则S
Zij
＝S
ij
，否则，S
Zij
＝0；
[0040]其中，S
ij
表示图案梯度变化图中第i行第j列像素点的坐标值，S
zij
表示边缘特征矩阵中第i行第j列像素点的坐标值；
[0041]将边缘特征矩阵的数值作为目标图案矩阵Z(x，y)的数值。
[0042]优选的，所述步骤S3包括以下子步骤：
[0043]步骤S31、根据所述光刻机参数，对所述目标图案进行像素化处理，得到曝光剂量分布矩阵：
[0044][0045]其中，E(x，y)表示曝光剂量分布矩阵，曝光剂量分布矩阵的初始值来自于目标图案矩阵Z(x，y)对应像素点位置的数值，(x，y)表示一个曝光点的位置坐标，单个曝光点的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三维特征强化的OPC方法，其特征在于，包括以下步骤：步骤S1、根据光刻胶曝光数据和光刻胶的化学反应函数得到优化的光刻胶函数模型；根据光刻机参数，将目标图案转化为目标像素化图案；步骤S2、采用Sobel算子对所述目标像素化图案在两个不同的梯度阈值下进行边缘提取，得到对应的边缘特征矩阵，将边缘特征矩阵的数值作为目标图案矩阵的数值；步骤S3、根据光刻机参数和优化的光刻胶函数模型，得到初始的成像图案矩阵；步骤S4、构建第一代价函数和约束条件，根据所述约束条件对曝光剂量分布和成像图案矩阵的数值进行更新；步骤S5、根据更新判断条件对梯度阈值进行自动更新；步骤S6、判断是否满足循环结束条件；若不满足，则返回至步骤S2；若满足，则结束循环。2.根据权利要求1所述的基于三维特征强化的OPC方法，其特征在于，所述步骤S1包括以下子步骤：步骤S11、根据实际测量得到的光刻胶曝光数据，结合光刻胶的化学反应函数建立第二代价函数；所述第二代价函数表示为：其中，H表示第二代价函数，PR表示实际测量得到的光刻胶曝光数据，Sig(
·
)表示光刻胶的化学反应函数；步骤S12、根据所述第二代价函数，使用最优化算法对光刻胶参数进行优化，直至所述第二代价函数最小，获得最优的光刻胶参数，所述光刻胶参数包括刻蚀速度和刻蚀阈值；步骤S13、基于最优的刻蚀速度和最优的刻蚀阈值得到优化的光刻胶函数模型；所述优化的光刻胶函数模型表示为：其中，a表示最优的刻蚀速度，t
r
表示最优的刻蚀阈值；步骤S14、输入光刻机参数，将目标图案转化为目标像素化图案。3.根据权利要求1所述的基于三维特征强化的OPC方法，其特征在于，在采用Sobel算子进行边缘提取之前，还包括：对所述目标像素化图案进行高斯平滑处理。4.根据权利要求3所述的基于三维特征强化的OPC方法，其特征在于，高斯平滑卷积核如下：0.0750.1240.0750.1240.2040.1240.0750.1240.075通过使用所述高斯平滑卷积核与目标像素化图案做卷积运算，实现对目标像素化图案进行高斯平滑处理。5.根据权利要求1所述的基于三维特征强化的OPC方法，其特征在于，所述步骤S2包括以下子步骤：步骤S21、采用Sobel算子与所述目标像素化图案做卷积运算，得到图案梯度变化图；
Sobel算子卷积核如下：x方向：y方向：G＝|Gx|+|Gy|其中，Gx表示目标像素化图案和x方向的Sobel算子卷积核卷积后得到的每个像素在x轴方向上的梯度大小，Gy表示目标像素化图案和y方向的Sobel算子卷积核卷积后得到的每个像素在y轴方向上的梯度大小；G表示每个像素的高度梯度大小，G的值为每个像素在x、y轴方向上梯度值的绝对值之和；步骤S22、基于所述图案梯度变化图，根据设定的两个梯度阈值β1、β2，分别提取大于梯度阈值的两个梯度分布矩阵作为边缘特征矩阵S
z1
、S
z2
；针对每一个梯度阈值，若S
ij
≥β，则S
Zi...

【专利技术属性】
技术研发人员：彭飞，杨泽宇，宋毅，
申请(专利权)人：武汉大学，
类型：发明
国别省市：