【技术实现步骤摘要】
本申请实施例涉及芯片和机器学习，特别涉及一种光刻掩膜生成模型的训练方法、装置、设备及存储介质。
技术介绍
1、在芯片生产过程中，需要获取各个芯片版图分别对应的掩膜图，以进行光刻工艺曝光。
2、在相关技术中，需要采用较多的芯片版图作为训练数据训练光刻掩膜生成模型，才能得到较高精度的光刻掩膜生成模型。
3、在上述相关技术中，需要较多的芯片版图训练光刻掩膜生成模型，因而模型的训练过程所需的成本较高。
技术实现思路
1、本申请实施例提供了一种光刻掩膜生成模型的训练方法、装置、设备及存储介质，能够节省光刻掩膜生成模型的训练成本。所述技术方案如下：
2、根据本申请实施例的一个方面，提供了一种光刻掩膜生成模型的训练方法，所述方法包括：
3、获取基于源数据集训练得到的第一光刻掩膜生成模型，所述源数据集包括至少一个源芯片版图以及所述源芯片版图对应的标准掩膜图，所述第一光刻掩膜生成模型用于对与所述源芯片版图具有相同属性特征的芯片版图进行掩膜预测；
4、获取目标数据集，所述目标数据集包括至少一个目标芯片版图以及所述目标芯片版图对应的标准掩膜图；其中，所述源芯片版图和所述目标芯片版图具有不同的属性特征；
5、采用迁移学习方式，根据所述第一光刻掩膜生成模型和所述目标数据集，训练第二光刻掩膜生成模型，所述第二光刻掩膜生成模型用于对与所述目标芯片版图具有相同属性特征的芯片版图进行掩膜预测。
6、根据本申请实施例的一个方面，提供了
7、模型获取模块，用于获取基于源数据集训练得到的第一光刻掩膜生成模型，所述源数据集包括至少一个源芯片版图以及所述源芯片版图对应的标准掩膜图，所述第一光刻掩膜生成模型用于对与所述源芯片版图具有相同属性特征的芯片版图进行掩膜预测；
8、数据集获取模块，用于获取目标数据集，所述目标数据集包括至少一个目标芯片版图以及所述目标芯片版图对应的标准掩膜图；其中，所述源芯片版图和所述目标芯片版图具有不同的属性特征；
9、模型训练模块，用于采用迁移学习方式，根据所述第一光刻掩膜生成模型和所述目标数据集，训练第二光刻掩膜生成模型，所述第二光刻掩膜生成模型用于对与所述目标芯片版图具有相同属性特征的芯片版图进行掩膜预测。
10、根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一段程序，所述至少一段程序由所述处理器加载并执行以实现上述光刻掩膜生成模型的训练方法。
11、根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述光刻掩膜生成模型的训练方法。
12、根据本申请实施例的一个方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述光刻掩膜生成模型的训练方法。
13、本申请实施例提供的技术方案可以包括如下有益效果：
14、通过采用迁移学习的方式，基于已训练得到的光刻掩膜生成模型，以及所需学习训练的目标数据集训练待训练的光刻掩膜生成模型，从而将已训练得到的光刻掩膜生成模型学习到的知识迁移到待训练的光刻掩膜生成模型中，从而减少待训练的光刻掩膜生成模型在训练过程中所需要的芯片版图的数量，进而节省光刻掩膜生成模型的训练成本。
15、另外，由于待训练的光刻掩膜生成模型能够学习到已训练得到的光刻掩膜生成模型的知识，从而可以快速提升待训练的光刻掩膜生成模型的模型精度，从而缩短待训练的光刻掩膜生成模型的训练时长，提升模型的训练效率。
16、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种光刻掩膜生成模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述采用迁移学习方式，根据所述第一光刻掩膜生成模型和所述目标数据集，训练第二光刻掩膜生成模型，包括：
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述采用迁移学习方式，根据所述第一光刻掩膜生成模型和所述目标数据集，训练第二光刻掩膜生成模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述采用所述第二光刻掩膜生成模型，根据所述目标芯片版图的第一特征信息，生成所述目标芯片版图对应的预测掩膜图，包括：
7.根据权利要求6所述的方法，其特征在于，所述采用所述第一光刻掩膜生成模型，提取所述目标芯片版图的第一特征信息，包括：
8.根据权利要求7所述的方法，其特征在于，所述第一光刻掩膜生成模型的编码网络包括N个级联且尺度逐渐减小的第一编码器，所述第一光刻掩膜生成模型的解码网络包括N个级联且尺度逐渐增大
9.根据权利要求5所述的方法，其特征在于，所述方法还包括：
10.根据权利要求5所述的方法，其特征在于，
11.根据权利要求5所述的方法，其特征在于，
12.根据权利要求1至11任一项所述的方法，其特征在于，所述第二光刻掩膜生成模型的训练损失根据第一损失和第二损失确定；其中，
13.一种光刻掩膜生成模型的训练装置，其特征在于，所述装置包括：
14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如上述权利要求1至12任一项所述的光刻掩膜生成模型的训练方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如上述权利要求1至12任一项所述的光刻掩膜生成模型的训练方法。
16.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机指令，以实现如权利要求1至12任一项所述的光刻掩膜生成模型的训练方法。
...【技术特征摘要】
1.一种光刻掩膜生成模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述采用迁移学习方式，根据所述第一光刻掩膜生成模型和所述目标数据集，训练第二光刻掩膜生成模型，包括：
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述采用迁移学习方式，根据所述第一光刻掩膜生成模型和所述目标数据集，训练第二光刻掩膜生成模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述采用所述第二光刻掩膜生成模型，根据所述目标芯片版图的第一特征信息，生成所述目标芯片版图对应的预测掩膜图，包括：
7.根据权利要求6所述的方法，其特征在于，所述采用所述第一光刻掩膜生成模型，提取所述目标芯片版图的第一特征信息，包括：
8.根据权利要求7所述的方法，其特征在于，所述第一光刻掩膜生成模型的编码网络包括n个级联且尺度逐渐减小的第一编码器，所述第一光刻掩膜生成模型的解码网络包括n个级联且尺度逐渐增大的第一解码器，所述第二光刻掩膜生成模型的编码网络包括n个级联且尺度逐渐减小的第二编码器，所述第二光刻掩膜生成模型的解码网络包括...
【专利技术属性】
技术研发人员：马星宇，郝少刚，张胜誉，
申请(专利权)人：腾讯科技深圳有限公司，
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。