光学临近效应修正方法及系统和掩膜版技术方案

本发明专利技术提供了一种光学临近效应修正方法及系统和掩膜版，该方法包括：获取多个测试图形，并设定各个测试图形的预定迭代次数；将多个测试图形分为训练集和测试集；基于机器学习算法和训练集，建立迭代次数模型；将测试集输入到迭代次数模型，以获得测试集中各个测试图形的测试迭代次数，并将各个测试图形的测试迭代次数和对应的预定迭代次数进行比较；根据比较结果，确定迭代次数模型是否为已训练好的迭代次数模型；将待处理的版图文件输入已训练好的迭代次数模型，以获得版图文件中所包括的不同原始设计图形对应的目标迭代次数；基于不同原始设计图形对应的目标迭代次数，对版图文件中所包括的原始设计图形进行修正，以获得修正后的图形。后的图形。后的图形。

【技术实现步骤摘要】
光学临近效应修正方法及系统和掩膜版


[0001]本专利技术涉及光刻
，更具体地涉及光学临近效应修正方法及系统和掩膜版。

技术介绍

[0002]随着超大规模集成电路(Ultra Large Scale Integration，简称ULSI)的飞速发展，集成电路制造工艺变得越来越复杂和精细。其中光刻技术是集成电路制造工艺发展的驱动力，也是最为复杂的技术之一。相对于其他单个制造技术来说，光刻技术的提高对集成电路的发展具有重要意义。在光刻工艺开始之前，首先需要将图案通过特定设备复制到掩模版上，然后通过光刻机将掩模版上的图案结构复制到生产芯片的硅片上。但是由于半导体器件尺寸的缩小，曝光所用的波长大于物理版图设计的理想图形的尺寸和图形之间的间距，光波的干涉和衍射效应使得实际光刻产生的物理图形和物理版图设计的理想图形之间存在很大的差异，实际图形的形状和间距发生很大的变化，甚至影响电路的性能。
[0003]产生这种差异的一个重要原因是光刻所用光束波长大于物理版图设计的理想图形的尺寸和图形之间的间距时，光学波长大于物理版图设计的理想图形的尺寸和图形之间的间距时产生光学临近效应(Optical Proximity Effect,OPE)的作用。因此，为了解决所述问题可以对所述掩模版进行光学临近修正(Optical Proximity Correction，简称OPC)，所述OPC方法即为对光刻掩模版进行光刻前预处理，进行预先修改，使得修改补偿的量正好能够补偿曝光系统造成的光学临近效应。
[0004]目前，在所述OPC处理过程中，为了获得掩模的优化效果，往往需要大量的迭代计算，而且对版图整体采用统一的迭代次数，软件运算时间较长。
[0005]鉴于上述问题的存在，本申请提出一种新的光学临近效应修正方法及系统和掩膜版。

技术实现思路

[0006]本专利技术实施例提供一种光学临近效应修正方法，所述光学临近效应修正方法包括：
[0007]将所述测试集输入到所述迭代次数模型，以获得测试集中各个测试图形的测试迭代次数，并将所述测试集中各个测试图形的测试迭代次数和所述测试集中各个测试图形对应的预定迭代次数进行比较，以获得比较结果；
[0008]根据所述比较结果，确定所述迭代次数模型是否为已训练好的迭代次数模型；
[0009]当确定所述迭代次数模型为已训练好的迭代次数模型后，将待处理的版图文件输入所述已训练好的迭代次数模型，以获得所述版图文件中所包括的不同原始设计图形对应的目标迭代次数；
[0010]基于不同原始设计图形对应的目标迭代次数，对所述版图文件中所包括的原始设计图形进行修正，以获得修正后的图形。
[0011]在一个示例中，设定各个测试图形的预定迭代次数，包括：
[0012]根据各个测试图形的线宽，确定各个测试图形的预定迭代次数，其中，线宽在第一线宽范围内的测试图形对应的预定迭代次数小于线宽在第二线宽范围内的测试图形的预定迭代次数，所述第一线宽范围大于所述第二线宽范围。
[0013]在一个示例中，设定各个测试图形的预定迭代次数，包括：
[0014]根据各个测试图形中的相邻形状之间的间距，确定各个测试图形的预定迭代次数，其中，间距在第一间距范围内的测试图形对应的预定迭代次数小于间距在第二间距范围内的测试图形的预定迭代次数，所述第一间距范围大于所述第二间距值范围。
[0015]在一个示例中，所述将所述多个测试图形分为训练集和测试集，包括：
[0016]基于间隔抽样的方法，在所述多个测试图形中选取所述训练集，并将剩余的测试图形作为所述测试集。
[0017]在一个示例中，所述基于机器学习算法和所述训练集，建立迭代次数模型，包括：
[0018]将所述训练集中的测试图形作为输入层，输入到卷积神经网络中，其中，所述卷积神经网络包括输入层、卷积层、池化层、全连接和输出层；
[0019]训练集中的测试图形经所述卷积神经网络处理后，输出不同的测试图形对应的训练迭代次数；
[0020]计算该训练迭代次数和对应的预定迭代次数之间的误差；
[0021]根据该误差，更新所述卷积神经网络中权值，直到使得该误差最小化，得到迭代次数模型。
[0022]在一个示例中，所述根据所述比较结果，确定所述迭代次数模型是否为已训练好的迭代次数模型，包括：
[0023]当所述比较结果小于或等于阈值次数时，则确定所述迭代次数模型为已训练好的迭代次数模型。
[0024]在一个示例中，所述根据所述比较结果，确定所述迭代次数模型是否为已训练好的迭代次数模型，包括：
[0025]当所述比较结果大于所述阈值次数时，则重复执行以下步骤：
[0026]将所述多个测试图形分为训练集和测试集；基于机器学习算法和所述训练集，建立迭代次数模型；将所述测试集输入到所述迭代次数模型，以获得测试集中各个测试图形的测试迭代次数，并将各个测试图形的测试迭代次数和各个测试图形对应的预定迭代次数进行比较，以获得比较结果；根据所述比较结果，确定所述迭代次数模型是否为已训练好的迭代次数模型；
[0027]直到获得所述比较结果小于或等于阈值次数的迭代次数模型作为已训练好的迭代次数模型。
[0028]在一个示例中，所述基于不同原始设计图形对应的目标迭代次数，对所述版图文件中所包括的原始设计图形进行修正，以获得修正后的图形，包括：
[0029]在版图文件中的原始设计图形的边缘设置多个目标点；
[0030]根据OPC模型获得所述原始设计图形的修正图形，并对所述修正图形进行模拟，以获得图形模拟结果；
[0031]计算各个所述目标点处所述图形模拟结果和所述原始设计图形之间的差异；
[0032]根据所述差异以及目标点的权重，对所述修正图形进行调整，以获得调整后的修正图形，对所述调整后的修正图形进行模拟，以获得图形模拟结果，计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异；
[0033]按照原始设计图形对应的所述目标迭代次数重复执行以下步骤：根据所述差异以及目标点的权重，对所述修正图形进行调整，以获得调整后的修正图形，对所述调整后的修正图形进行模拟，以获得图形模拟结果，计算各个所述目标点处所述图形模拟结果和所述修正图形之间的差异，直到获得最终的修正后的图形。
[0034]本申请再一方面提供一种光学临近效应修正系统，所述光学临近效应修正系统包括：
[0035]存储器，用于存储可执行的程序指令；
[0036]处理器，用于执行所述存储器中存储的所述程序指令，使得所述处理器执行前述的光学临近效应修正方法。
[0037]本申请又一方面提供一种掩膜版，所述掩膜版包括：
[0038]本体；
[0039]设置于所述本体上的掩膜版图形，所述掩膜版图形为基于前述的光学临近效应修正方法所获得的修正图形。
[0040]本专利技术实施例的光学临近效应修正方法，通过已训练好的迭代次数模型，获得待处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光学临近效应修正方法，其特征在于，所述光学临近效应修正方法包括：获取多个测试图形，并设定各个测试图形的预定迭代次数；将所述多个测试图形分为训练集和测试集；基于机器学习算法和所述训练集，建立迭代次数模型；将所述测试集输入到所述迭代次数模型，以获得测试集中各个测试图形的测试迭代次数，并将所述测试集中各个测试图形的测试迭代次数和所述测试集中各个测试图形对应的预定迭代次数进行比较，以获得比较结果；根据所述比较结果，确定所述迭代次数模型是否为已训练好的迭代次数模型；当确定所述迭代次数模型为已训练好的迭代次数模型后，将待处理的版图文件输入所述已训练好的迭代次数模型，以获得所述版图文件中所包括的不同原始设计图形对应的目标迭代次数；基于不同原始设计图形对应的目标迭代次数，对所述版图文件中所包括的原始设计图形进行修正，以获得修正后的图形。2.如权利要求1所述的方法，其特征在于，设定各个测试图形的预定迭代次数，包括：根据各个测试图形的线宽，确定各个测试图形的预定迭代次数，其中，线宽在第一线宽范围内的测试图形对应的预定迭代次数小于线宽在第二线宽范围内的测试图形的预定迭代次数，所述第一线宽范围大于所述第二线宽范围。3.如权利要求1所述的方法，其特征在于，设定各个测试图形的预定迭代次数，包括：根据各个测试图形中的相邻形状之间的间距，确定各个测试图形的预定迭代次数，其中，间距在第一间距范围内的测试图形对应的预定迭代次数小于间距在第二间距范围内的测试图形的预定迭代次数，所述第一间距范围大于所述第二间距值范围。4.如权利要求1所述的方法，其特征在于，所述将所述多个测试图形分为训练集和测试集，包括：基于间隔抽样的方法，在所述多个测试图形中选取所述训练集，并将剩余的测试图形作为所述测试集。5.如权利要求1所述的方法，其特征在于，所述基于机器学习算法和所述训练集，建立迭代次数模型，包括：将所述训练集中的测试图形作为输入层，输入到卷积神经网络中，其中，所述卷积神经网络包括输入层、卷积层、池化层、全连接和输出层；训练集中的测试图形经所述卷积神经网络处理后，输出不同的测试图形对应的训练迭代次数；计算该训练迭代次数和对应的预定迭代次数之间的误差；根据该误差，更新所述卷积神经网络中权值，直到使得该误差最小化，得到迭代次数模型。6.如权利要求1所述的方法，其特征在于，所述根据所...

【专利技术属性】
技术研发人员：孙鹏飞，王谨恒，陈洁，朱斌，张剑，曹楠，
申请(专利权)人：无锡华润上华科技有限公司，
类型：发明
国别省市：