传感芯片投影光刻机匹配方法组成比例

本发明专利技术公开了一种传感芯片投影光刻机匹配方法。所述方法基于深度学习，利用预先标签的图形数据集通过三元子损失函数训练出能够较好表达图片源域到目标域映射关系的卷积神经网络，同时引入工艺窗口到目标函数中从而保证不会过拟合并在模型训练过程后的模型筛选后的关键图形的工艺窗口表现更好。本发明专利技术通过训练过后的卷积神经网络能够获得所选待优化图形的聚类结果和关键图形组，简化了繁杂的筛选分类规则，实现了端到端的关键图形筛选。此外，对于不同特征的传感芯片图形，本发明专利技术有效提高投影光刻机的工作效率。提高投影光刻机的工作效率。提高投影光刻机的工作效率。

【技术实现步骤摘要】
传感芯片投影光刻机匹配方法


[0001]本专利技术属于光刻分辨率增强
，特别涉及一种传感芯片投影光刻机匹配方法。

技术介绍

[0002]光刻机是生产和制造大规模集成电路的最主流的装备，而分辨率的好坏直接影响光刻机工作的精密程度。作为提高光刻机分辨率的关键手段，计算光刻可以有效推动芯片向更高集成度发展。光源掩模优化(SMO)是计算光刻的重要分支。通过联合优化光源和掩模图形能够有效提高光刻分辨率、提高工艺窗口，相对于对光源和掩模的单独优化即光源优化技术和光学邻近效应修正技术，优化自由度更高，且对于分辨率和工艺窗口优化效果更显著。更大的优化自由度会导致更大的复杂度，从而导致更大的运算成本和时间消耗。因此为了平衡优化的效果和优化的成本，一般不对全芯片进行光源掩模优化，而是使用图形筛选技术在芯片全局范围内对版型图片进行筛选，并使用筛选过后的关键图形进行全芯片掩模光源优化。以经过SMO之后得到的光源作为照明条件对整个掩模图形进行光源邻近修正、添加亚分辨率辅助图形。在这个过程中，全芯片光源掩模优化的关键图形筛选方法有效提高了优化效率，减少了优化成本。
[0003]荷兰ASML公司提出的基于图形衍射谱分析的关键图形筛选技术(参见在先技术1：Hua
‑
Yu Liu,Luoqi Chen,Zhi
‑
pan Li,Selection of optimum patterns in a design layout based on diffraction signature analysis,PatentNo:US8543947B2)是目前最先进的技术。该技术通过提取衍射谱的特征，在制定的规则下对图形进行聚类和筛选，从而获得关键的图形组。然而该方法从聚类结果到工艺窗口上都没有达到最优的情况。IBM公司Lai 等人提出的基于图形聚类的SMO关键图形筛选方法，通过特定的表征方式将所有图片映射到特征空间中，在特征空间中对图形进行聚类，从而挑选出具有代表性图形作为SMO的关键图形。该方法能够有效筛选出用于SMO的关键图形，但是需要预先设定用于聚类的簇数量，且映射过程中的表征方式并不能更新模型参数因此有较大提升空间。故目前较为流行的两种方法并不是用于关键图形筛选的最优的方法。

技术实现思路

[0004]本专利技术的目的在于克服上述方法的问题，提供一种传感芯片投影光刻机匹配方法，其能较好筛选关键图形，能够实现图片到超几何平面的表征映射关系的深度学习方法，并在光刻场景下有更好的工艺窗口表现。
[0005]为达到上述目标的，本专利技术采用的技术方案为：一种传感芯片投影光刻机匹配方法，包括以下步骤：步骤1、获取和预处理版型数据集；步骤2、进行深度学习模型训练；步骤3、使用训练好的深度学习模型进行光源掩模优化前的layout数据集的聚类
和筛选，获得关键图形；步骤4、对所述关键图形进行光源掩模优化。
[0006]进一步地，所述步骤1具体包括：步骤 1.1、根据掩模筛选方法和layout标准库获得一个具有标签的layout数据集，将具有相同标签的图片放在同一个路径下，作为训练模型所需的样本集D={x1,x2,
…
,x
n
},且n个样本划分为 k个不相交的分组{C
l
│
l=1,2,
…
,k}，其中C
l
指样本的标签；步骤1.2、对layout数据集的图片进行预处理，使图片满足卷积神经网络图片输入大小的要求。
[0007]进一步地，所述步骤2具体包括：步骤 2.1、在初次筛选三元子组时，随机选取一个样本作为anchor样本，随机选取与anchor相同标签下的样本作为positive样本，再随机选取与anchor不同标签下的样本作为negative样本；在后续选择三元子组时，根据三元子的筛选原则选取对优化模型最有效的另外的三元子组；步骤 2.2、将预处理过的224*224大小的三张单通道图片的三元子组输入到卷积神经网络中，经过卷积神经网络最后的全连接层获得对应到超几何平面的向量，对向量使用L2正则化得到特征向量嵌入，用f(x
i
)表示,f(x
i
)的维度为M，M为自定义变量；步骤 2.3 以三元子组作为输入的卷积神经网络选用三元子损失函数L
triplet
；同时，在系统目标函数设计上在三元子损失函数的基础上加入偏置函数，即对关键图形进行成像仿真的工艺窗口结果，所述工艺窗口为焦深DOF；步骤 2.4、使用反向传播算法依次更新卷积神经网络和全连接层的模型参数;如果训练的轮数是N的倍数，回到步骤2,2.否则依旧使用原来的三元子组；步骤 2.5、将训练后的模型存储下来，并将最后一次更新的特征向量保存下来。
[0008]进一步地，所述步骤2.1的三元子组筛选方法和步骤2.3中的系统目标函数设计具体包括：三元子的构建和筛选使用离线全局的方式，随机选择某个样本作为anchor，然后选取距离anchor样本欧式距离最远的样本作为三元子中positive的样本即，其中argmax 表示求满足函数最大值的对应参数值，表示L2范数的平方，选取距离anchor欧式距离最近的不同标签的样本作为三元子中negative的样本，即，其中，argmin 表示求满足函数最小值的对应参数值，，为三元子样本经过模型的输出；构成一个三元子组；每隔一定的训练轮数，通过更新后的网络重新确定新的三元子集；系统目标函数表示为：目标函数=L
triplet
+正则项；损失函数L
triplet 表示为：，其中[x]+
=max{0,x}，α是边界值，为输入卷积神经网络的三元
子，为输入三元子的输出；所述正则项表示为：，其中，DOF为焦深，λ为自定义参数；最后的目标函数表示为：。
[0009]进一步地，所述步骤3具体包括：步骤3.1、将待优化的全局版型图片做成多个小的切片，并将获得的切片图像预处理成为满足卷积神经网络输入的格式；步骤 3.2、将待筛选的图片集输入到卷积神经网络中，获得对应的特征向量；步骤 3.3、根据密度聚类算法，完成对超几何平面上嵌入的聚类，从而实现对应版型图片的聚类和分组；步骤 3.4、确定每个分组的超几何空间的中心，选择每个分组距离超几何平面最近的图形作为关键图形用来做光源掩模联合优化。
[0010]进一步地，所述步骤3所提到的基于密度的聚类算法具体包括：（1）设定一个邻域参数(ε,MinPts), ε是邻域的最大范围的半径，MinPts为确定为核心对象时在邻域范围内最少的样本点的个数；（2）根据邻域参数(ε,MinPts)找到所有图片中的核心对象，其中ε的设定值参考三元子损失函数中的α的设置；（3）以任意核心对象为出发点找出其达到密度可达的样本从而生成聚类簇，直到所有核心对象均被访问过为止。
[0011]与现有技术相比，本专利技术具有以下有益效果：（1）神经网络在聚类和筛选问题上相对于传统算法有更为优秀的效果。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种传感芯片投影光刻机匹配方法，其特征在于，包括以下步骤：步骤1、获取和预处理版型数据集；步骤2、进行深度学习模型训练；步骤3、使用训练好的深度学习模型进行光源掩模优化前的layout数据集的聚类和筛选，获得关键图形；步骤4、对所述关键图形进行光源掩模优化。2.根据权利要求1所述的一种传感芯片投影光刻机匹配方法，其特征在于，所述步骤1具体包括：步骤 1.1、根据掩模筛选方法和layout标准库获得一个具有标签的layout数据集，将具有相同标签的图片放在同一个路径下，作为训练模型所需的样本集D={x1,x2,
…
,x
n
},且n个样本划分为 k个不相交的分组{C
l
│
l=1,2,
…
,k}，其中C
l
指样本的标签；步骤1.2、对layout数据集的图片进行预处理，使图片满足卷积神经网络图片输入大小的要求。3.根据权利要求2所述的一种传感芯片投影光刻机匹配方法，其特征在于，所述步骤2具体包括：步骤 2.1、在初次筛选三元子组时，随机选取一个样本作为anchor样本，随机选取与anchor相同标签下的样本作为positive样本，再随机选取与anchor不同标签下的样本作为negative样本；在后续选择三元子组时，根据三元子的筛选原则选取对优化模型最有效的另外的三元子组；步骤 2.2、将预处理过的224*224大小的三张单通道图片的三元子组输入到卷积神经网络中，经过卷积神经网络最后的全连接层获得对应到超几何平面的向量，对向量使用L2正则化得到特征向量嵌入，用f(x
i
)表示,f(x
i
)的维度为M，M为自定义变量；步骤 2.3 以三元子组作为输入的卷积神经网络选用三元子损失函数L
triplet
；同时，在系统目标函数设计上，在三元子损失函数的基础上加入偏置函数，即对关键图形进行成像仿真的工艺窗口结果，所述工艺窗口为焦深DOF；步骤 2.4、使用反向传播算法依次更新卷积神经网络和全连接层的模型参数；如果训练的轮数是N的倍数，回到步骤2.2，否则依旧使用原来的三元子组；步骤 2.5、将训练后的模型存储下来，并将最...

【专利技术属性】
技术研发人员：刘俊伯，张清延，孙海峰，全海洋，杜婧，
申请(专利权)人：中国科学院光电技术研究所，
类型：发明
国别省市：