一种基于深度学习LHD模型的光刻热点检测方法及系统技术方案

本发明专利技术公开一种基于深度学习LHD模型的光刻热点检测方法及系统。本发明专利技术提出一种轻量化热点检测模型LHD，既降低了模型结构复杂度，参数量减少，并使用多尺度卷积核来处理不同类型的热点，并引入适当的池化层和批归一化层来加速训练和提高模型的鲁棒性。本发明专利技术模型LHD具有较高的适应性和准确性，能够有效地解决光刻仿真的检测耗时长和模式匹配不能识别未知热点的问题。同时，由于深度学习模型能够自动提取图像特征，省去了人工提取的过程，简化了训练流程，提高了检测效果。

【技术实现步骤摘要】

本专利技术属于微电子版图数据光学临近修正，涉及一种基于深度学习lhd模型的光刻热点检测方法及系统。

技术介绍

1、随着芯片尺寸的不断缩小和图形结构的密集化，光刻热点成为芯片生产中不可忽视的可制造性问题之一。光刻热点的存在会导致芯片出现短路、断路等问题，严重威胁芯片的稳定性和安全性，从而降低芯片的良率。因此，如何有效地检测光刻热点成为了业界重点关注的问题。检测热点一般采用光刻仿真的方式，编写opc(optical proximitycorrection)验证脚本去定义规则抓取热点区域的图形特征从而定位热点完成检测。

2、传统的基于光刻仿真的热点检测方法需要大量的时间和计算资源，并且普遍存在误报漏报的图形。而随着集成电路的发展，光刻仿真模型和版图越来越复杂，传统方法已经难以满足需求。相比之下，传统的机器学习和基于模式匹配的方法在光刻热点检测上具有一定优势，但随着晶体管布局模式的复杂化和样本规模的增大，其性能也会下降。因此，需要探索新的方法来解决光刻热点检测问题。

3、为此，本专利技术提供一种全新的深度学习模型的光刻热点检测方法，提高热点本文档来自技高网...

【技术保护点】

1.一种基于深度学习LHD模型的光刻热点检测方法，其特征在于包括：

2.根据权利要求1所述方法，其特征在于，所述标签的构建过程：

3.根据权利要求2所述方法，其特征在于，

4.根据权利要求2所述方法，其特征在于，数据集中标签为非热点和热点的数据比例大于1。

5.根据权利要求2所述方法，其特征在于，数据集中标签为桥接标准型、桥接变化型、收缩标准型、收缩变化型、线端收缩型的数据比例为(3-5)：1：(11-14)：(11-14)：(11-14)。

6.根据权利要求5所述方法，其特征在于，标签为桥接标准型、桥接变化型、收缩标准型、收缩...

【技术特征摘要】

1.一种基于深度学习lhd模型的光刻热点检测方法，其特征在于包括：

2.根据权利要求1所述方法，其特征在于，所述标签的构建过程：

3.根据权利要求2所述方法，其特征在于，

4.根据权利要求2所述方法，其特征在于，数据集中标签为非热点和热点的数据比例大于1。

5.根据权利要求2所述方法，其特征在于，数据集中标签为桥接标准型、桥接变化型、收缩标准型、收缩变化型、线端收缩型的数据比例为(3-5)：1：(11-14)：(11-14)：(11-14)。

6.根据权利要求5所述方法，其特征在于，标签为桥接标准型、桥接变化型、收缩标准型、收...

【专利技术属性】
技术研发人员：江小龙，任堃，高大为，
申请(专利权)人：浙江大学，
类型：发明
国别省市：