本发明专利技术公开了一种光刻掩膜形状预测方法及装置、电子设备。本发明专利技术提供的光刻掩膜形状预测方法，利用一种基于类脑计算下的脉冲神经网络结合自适应优化进行光刻掩膜形状预测；从光刻系统产生的光源，通过投影式曝光将光源照射到会聚透镜上，进而使其曝光显影在掩膜上，再透过掩膜投影到晶圆上；通过在光束到达晶圆前预测其光刻掩膜形状，可以在版图设计阶段对芯片设计图形优先做相应的调整优化以及对初始照射光源进行调整优化，使得最终照射到晶圆的光满足光刻需求。的光满足光刻需求。的光满足光刻需求。
【技术实现步骤摘要】
一种光刻掩膜形状预测方法及装置、电子设备
[0001]本专利技术涉及半导体设计和制造
，尤其涉及一种光刻掩膜形状预测方法及装置、电子设备。
技术介绍
[0002]光刻技术是芯片制造过程中的核心工艺，在光刻工艺开始之前，首先需要将芯片设计图形通过特定设备复制到掩膜板上，然后通过光刻设备产生特定波长的光以将掩膜板上的芯片设计图形复制到生产芯片的晶圆上。但由于光学系统、掩膜板以及光刻胶系统中的非线性效应，在将芯片设计图形转移到晶圆的过程中会发生图形失真现象，产生光学临近效应，如果不消除这种图形失真现象可能会导致整个制造技术的失败。
[0003]现有技术中，主要是基于传统的光学或者光学和化学反应进行芯片设计图形的优化，包括光学临近修正（Optical Proximity Correction，简称OPC）、光源掩模协同优化（Source Mask Optimization，简称SMO）、亚分辨率辅助图形（Sub
‑
Resolution
‑
Assist
‑
Feature，简称SRAF）等，来最大化的减少由于光学等非线性效应造成的光学邻近效应。例如，光学层面的优化，或者是物理层面的优化（添加惰性气体使得某些步骤的反应减缓或者通过的光/电子等减缓）；或者是通过添加一些化学添加剂的方式来减缓光的衍射/叠加等效应。这些技术在某种程度上依赖于（或者说受限制于）相关从业人员的从业经验或制备设备的精密/维护/先进等程度，同时也需要大量地参照现有的模板（附带需要很多参数）进行辅助的优化，目前在摩尔定律日益更新的时代，尤其在10nm以下的制程下，现有技术越发突显其不足。
[0004]目前在业界中，也有一些通过机器学习或者深度学习的方式来预测光刻掩膜光刻掩膜（Lithography Mask）形状、进而进行芯片设计图形的优化的技术。但是。通过机器学习（或者深度学习，强化学习）方式来实现，需要很大数量的数据集（训练集，测试集，验证集），而这些数据集恰恰是光刻领域（掩膜，刻蚀，OPC等）最为缺少的，所以得到的预测模型在精确度或者速度方面会有所欠缺。
技术实现思路
[0005]本专利技术的目的在于提供一种光刻掩膜形状预测方法及装置、电子设备，通过脉冲神经网络结合自适应优化方式完成光刻掩膜形状预测，无需较多的训练数据集进行预测模型的生成和训练，且可以保证预测精确度及速度，实现对光刻掩膜的形状进行预测以很好地对芯片设计图形进行优化。
[0006]为实现上述目的，本专利技术提供了一种光刻掩膜形状预测方法，包括如下步骤：1）接收来自光源的测试脉冲信号并采集不同阶段的测试光源数据，所述不同阶段的测试光源数据包括：光源经过会聚透镜前的第一光源数据，光源经过会聚透镜后未达掩膜时的第二光源数据，光源通过掩膜之后未达晶圆时的第三光源数据以及光源通过掩膜之后照射到晶圆时的第四光源数据；2）将所述第一光源数据输入脉冲神经网络的神经元；3）基于所述第二
光源数据、所述第三光源数据以及所述第四光源数据，采用自适应优化学习方法获取脉冲时间序列中的不同神经元模式；4）多次接收来自光源的测试脉冲信号，并迭代执行步骤1）~步骤3），获取相应迭代轮数的神经元模式；以及5）基于所获取的所有所述神经元模式，预测目标光源照射掩膜后的光刻掩膜形状。
[0007]为实现上述目的，本专利技术还提供了一种光刻掩膜形状预测装置，包括：数据采集模块，用于接收来自光源的测试脉冲信号并采集不同阶段的测试光源数据，所述不同阶段的测试光源数据包括：光源经过会聚透镜前的第一光源数据，光源经过会聚透镜后未达掩膜时的第二光源数据，光源通过掩膜之后未达晶圆时的第三光源数据以及光源通过掩膜之后照射到晶圆时的第四光源数据；数据输入模块，用于将所述第一光源数据输入脉冲神经网络的神经元；第一模式获取模块，用于基于所述第二光源数据、所述第三光源数据以及所述第四光源数据，采用自适应优化学习方法获取脉冲时间序列中的不同神经元模式；第二模式获取模块，用于多次接收来自光源的测试脉冲信号，并迭代执行所述数据采集模块、所述数据输入模块以及所述第一模式获取模块的调用，获取相应迭代轮数的神经元模式；以及预测模块，用于基于所获取的所有所述神经元模式，预测目标光源照射掩膜后的光刻掩膜形状。
[0008]为实现上述目的，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机可执行程序，所述处理器执行所述计算机可执行程序时实现如本专利技术所述的光刻掩膜形状预测方法的步骤。
[0009]本专利技术通过采用基于类脑智能计算架构下的脉冲神经网络与自适应优化技术相结合的方法完成神经元模式的获取，以预测各种光源照射到晶圆上的形状，而后对照射到掩膜后的图案进行预测，从而可以在版图设计阶段对芯片设计图形优先做相应的调整优化以及对初始照射光源进行调整优化，使得最终照射到晶圆的光满足光刻需求。本专利技术省去了传统的OPC、SMO、SRAF等依赖于相关从业人员经验或制备设备的精密/维护/先进等程度，在制程更小的场景下本专利技术可以发挥着人工智能的作用。本专利技术解决了现有基于机器学习或者深度学习的光刻掩膜形状预测方法由于缺少大量的数据集而使所得到的预测模型存在精确度或者速度欠缺的技术问题；同时，节省了计算开销和性能开销。
附图说明
[0010]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。显而易见地，下面描述中的附图仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0011]图1为本专利技术一实施例提供的光刻掩膜形状预测方法的步骤示意图；图2为本专利技术一实施例提供的光源的不同阶段的示意图；图3为本专利技术一实施例提供的脉冲神经网络结合蚁群优化算法的示意图；图4为本专利技术一实施例提供的光刻掩膜形状预测装置的结构框图。
具体实施方式
[0012]下面将结合附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所
描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0013]本专利技术一实施例提供了一种光刻掩膜形状预测方法。
[0014]请一并参阅图1~图3，其中，图1为本专利技术一实施例提供的光刻掩膜形状预测方法的步骤示意图，图2为本专利技术一实施例提供的光源的不同阶段的示意图，图3为本专利技术一实施例提供的脉冲神经网络结合蚁群优化算法的示意图。
[0015]如图1所示，本实施例所述方法包括如下步骤：S1、接收来自光源的测试脉冲信号并采集不同阶段的测试光源数据，所述不同阶段的测试光源数据包括：光源经过会聚透镜前的第一光源数据，光源经过会聚透镜后未达掩膜时的第二光源数据，光源通过掩膜之后未达晶圆时的第三光源数据以及光源通过掩膜之后照射到晶圆时的第四光源数据；S2、将所述第一光源数据输入脉冲神经网络的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种光刻掩膜形状预测方法，其特征在于，包括如下步骤： 1）接收来自光源的测试脉冲信号并采集不同阶段的测试光源数据，所述不同阶段的测试光源数据包括：光源经过会聚透镜前的第一光源数据，光源经过会聚透镜后未达掩膜时的第二光源数据，光源通过掩膜之后未达晶圆时的第三光源数据以及光源通过掩膜之后照射到晶圆时的第四光源数据； 2）将所述第一光源数据输入脉冲神经网络的神经元； 3）基于所述第二光源数据、所述第三光源数据以及所述第四光源数据，采用自适应优化学习方法获取脉冲时间序列中的不同神经元模式； 4）多次接收来自光源的测试脉冲信号，并迭代执行步骤1）~步骤3），获取相应迭代轮数的神经元模式；以及 5）基于所获取的所有所述神经元模式，预测目标光源照射掩膜后的光刻掩膜形状。2.根据权利要求1所述的方法，其特征在于，所述光源为由DUV光刻系统的准分子激光器产生的波长为193nm的DUV脉冲信号；所述迭代轮数为所述晶圆需要光刻照射次数N，N>0且N∈正整数。3.根据权利要求1所述的方法，其特征在于，所述第一光源数据、所述第二光源数据、所述第三光源数据以及所述第四光源数据均包括：焦深、分辨率、检测控制芯片、套刻精度、光学系统的数值孔径、曝光波长、脉冲信号、光源类别、光源照射方式；所述第二光源数据以及所述第三光源数据还包括：衍射/干涉形变；所述第四光源数据还包括：衍射/干涉形变，晶圆与掩膜之间的两组投影透镜的波长与焦距、该两组投影透镜之间的距离，晶圆的规格，晶圆上的光刻胶的尺寸，该光刻胶到相邻投影透镜之间的距离。4.根据权利要求1所述的方法，其特征在于，所述的采用自适应优化学习方法获取脉冲时间序列中的不同神经元模式的步骤进一步包括：采用蚁群优化算法，在时空和时间序列中寻找各神经元模式；其中，所述神经元模式中存储有不同离散信号的组合，不同神经元模式之间的离散信号的权重和参数值不同。5.根据权利要求4所述的方法，其特征在于，所述的采用蚁群优化算法的步骤进一步包括：设置当前脉冲神经网络在某时刻下的算法参数，所述算法参数包括：神经元的个数，神经元突触的数量，某时刻时间维度，突触间距离，当前神经元节点携带的由所述光源产生的信息素量，信息素随时间挥发率，不同信息素浓度路径在后续被选中的概率；把所述算法参数代入蚁群优化算法中，逐步...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：华芯程杭州科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。