【技术实现步骤摘要】
【国外来华专利技术】
本公开涉及光刻技术，并且更特别地，涉及产生用于还可以用于产生图案形成装置图案的目标图案的辅助特征的机制。
技术介绍
1、光刻设备是将期望的图案转印至衬底的目标部分上的机器。光刻设备可以用于例如集成电路(ic)的制造中。在所述情形下，替代地被称为掩模或掩模版的图案形成装置可以用于产生与ic的单独的层相对应的电路图案，并且可以将这种图案成像至具有辐射敏感材料(抗蚀剂)层的衬底(例如，硅晶片)上的目标部分(例如，包括管芯的部分、一个管芯或若干管芯)上。通常，单个衬底将包括被连续地曝光的相邻目标部分的网络。已知的光刻设备包括：所谓的步进器，在所谓的步进器中，通过一次性将整个图案曝光至目标部分上来辐照每个目标部分；和所谓的扫描器，在所谓的扫描器中，通过在给定方向(“扫描”方向)上经由束而扫描图案的同时平行或反向平行于这种方向而同步地扫描衬底来辐照每个目标部分。
2、在将电路图案从图案形成装置转印至衬底之前，衬底可以经历各种过程，诸如，上底漆、涂覆抗蚀剂和软焙烤。在曝光之后，衬底可以经受其它过程，诸如，曝光后焙烤(peb)、显影、硬焙烤，和经转印的电路图案的测量/检查。这种过程阵列用作制造器件(例如，ic器件)的单独的层的基础。衬底可以接着经历各种过程以产生器件的单独的层，所述过程诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械研磨等。如果在器件中需要若干层，则针对每个层来重复整个工序或其变体。最终，在衬底上的每个目标部分中将存在器件。接着通过诸如切块或锯切的技术来使这些器件彼此分离，由此，可以将单独的器件安装在载体上、连接至
3、因此，制造半导体器件通常涉及使用多个制作过程来处理衬底(例如，半导体晶片)以形成所述器件的各种特征和多个层。通常使用例如沉积、光刻、蚀刻、化学机械研磨和离子注入来制造和处理这些层和特征。可以在衬底上的多个管芯上制作多个器件，并且接着将所述多个器件分离成单独的器件。器件制造通常包括图案化过程。图案化过程涉及用于将图案形成装置上的图案转印至衬底的图案化步骤，诸如使用光刻设备中的图案形成装置(例如，掩模)的光学和/或纳米压印光刻术，并且图案化过程通常但可选地涉及一个或更多个相关图案处理步骤，诸如由显影设备进行抗蚀剂显影、使用焙烤工具来焙烤衬底、使用蚀刻设备来使用图案进行蚀刻等。
技术实现思路
1、半导体制造涉及产生掩模图案以使得电路的纳米尺度特征可以准确地印制于衬底上。可以使用被配置成产生用于创建掩模图案的辅助特征的经训练的机器学习模型来预测这样的掩模图案。然而，出于训练的目的，例如使用现有掩模图案产生过程产生的基准真实数据可以包括用于类似图案的不同辅助特征。当将这种不一致的基准真实数据用于训练时，这种不一致的基准真实数据可以使得机器学习模型预测平均化的辅助特征。例如，所预测的特征可以是两个可能的预测(例如，十字形辅助特征)的平均值。这可能造成辅助特征提取的不明确性，由此不利地影响掩模图案的产生。一些现有的基于图像的辅助特征产生方法趋向于具有栅格依赖性问题且可能不含有mrc约束。
2、根据本公开，本文中提供用于训练和使用序列至序列机器学习模型来预测辅助特征的机制。训练数据包括目标特征的几何信息使得经训练的模型可以直接预测辅助特征的性质，因此有利地避免栅格依赖性问题，从而避免卷积神经网络(cnn)中的平均化效应。这可以显著地减少在产生辅助特征时的不明确性。另一有利的效应为序列至序列模型产生的辅助特征当用于掩模图案中时会产生良好的过程窗口(与基准真实数据相当)。另外，与当前基于cnn的训练方法相比，运行时间被更好地比较。
3、在实施例中，提供一种训练用于产生用于掩模图案的辅助特征的机器学习模型的方法。所述方法包括获得(i)包括多个目标特征的目标图案，其中，所述多个目标特征中的每个目标特征包括多个目标边缘；和(ii)经训练的序列至序列机器学习(ml)模型，所述ml)模型被配置成确定用于所述目标图案的亚分辨率辅助特征(sraf)。针对所述多个目标边缘中的目标边缘，确定围绕所述目标边缘的目标特征的子集的几何信息。使用所述几何信息作为至所述ml模型的输入，确定待放置在所述目标边缘周围的sraf。
4、在实施例中，所述ml模型是被配置成处理连续输入数据的递归神经网络。例如，所述ml模型是长短期存储器架构的编码器-解码器、门控递归单元架构的编码器-解码器、或变换器神经网络。
5、在实施例中，所述方法还涉及使用所述目标边缘中的每个目标边缘作为参考，将所述目标图案分割成多个单元，使得每个单元包括目标特征的目标边缘的一部分。例如，分割目标图案涉及选择位于所述多个目标特征的每个边缘上的点；以及基于所述选定点，将所述目标图案划分成所述多个单元。在实施例中，使用所述选定点作为属于沃洛诺伊(voronoi)分割方法的种子来执行分割，以产生多个沃洛诺伊单元。
6、在实施例中，确定至少部分地在所述多个单元中的单元的子集内的目标特征的子集的所述几何信息。例如，单元的子集在所述目标图案内的所述目标边缘的期望的范围内。在实施例中，确定所述几何信息涉及识别出目标特征的子集在所述目标边缘周围的选定区域中，其中，所述选定区域为相邻目标特征对用于所述目标边缘的sraf生成的影响的范围。在实施例中，所述几何信息可以是所述目标边缘与所述目标图案内的目标特征的子集中的每个目标特征之间的距离、目标特征的子集中的每个目标特征的宽度和/或长度、和/或目标特征的子集中的每个目标特征的位置。
7、在实施例中，确定所述sraf涉及由所述ml模型确定满足掩模规则检查(mrc)约束的辅助特征的几何形状，其中，所述ml模型以序列方式产生所述sraf，使得已经满足形状约束的较早的sraf用来产生后续的sraf，从而使得所产生的sraf自动满足所述mrc约束。
8、在实施例中，提供一种训练序列至序列机器学习(ml)模型以产生用于掩模的亚分辨率辅助特征(sraf)的方法。所述方法涉及获得包括具有多个目标特征的目标图案的训练数据，和包括与所述目标图案相对应的参考亚分辨率辅助特征的基准真实数据。对于所述目标图案的每个目标边缘，指派围绕所考虑的目标边缘的目标特征的子集的几何信息(例如，长度、宽度、目标特征之间的距离等)。使用序列至序列机器学习算法、所述几何信息和所述基准真实值来训练ml模型，从而以序列方式产生sraf，以满足关于所述sraf的匹配阈值。
9、在实施例中，训练数据作为输入数据或输入向量被提供至所述ml模型，所述输入数据或所述输入向量包括以下各项中的至少一个：目标特征的子集的大小、所考虑的所述目标边缘与目标特征的子集之间的距离、和目标特征的子集的位置。
10、在实施例中，所述方法涉及使用所述目标边缘中的每个目标边缘作为参考，将所述目标图案分割成多个单元，使得每个单元包括目标特征的目标边缘的一部分。在实施例中，分割所述目标图案涉及选择位于所述多个目标特征的每个目标边缘上的点；以及基于所述选定点，将所述目标图案划分成所述多个单元。例如本文档来自技高网...
【技术保护点】
1.一种非暂时性计算机可读介质，包括储存在其中的指令，所述指令在由一个或更多个处理器执行时促使所述一个或更多个处理器执行产生掩模图案的方法，所述方法包括：
2.根据权利要求1所述的非暂时性计算机可读介质，还包括：
3.根据权利要求2所述的非暂时性计算机可读介质，其中，分割所述目标图案包括：
4.根据权利要求2所述的非暂时性计算机可读介质，其中，确定目标特征的所述子集的所述几何信息包括：
5.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述几何信息包括：
6.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述几何信息包括：
7.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述几何信息包括：
8.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述几何信息包括：
9.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述SRAF包括以序列方式确定所述SRAF。
10.根据权利要求9所述的非暂时性计算机可读介质，其中，确定所述SRAF包括：<...
【技术特征摘要】
【国外来华专利技术】
1.一种非暂时性计算机可读介质，包括储存在其中的指令，所述指令在由一个或更多个处理器执行时促使所述一个或更多个处理器执行产生掩模图案的方法，所述方法包括：
2.根据权利要求1所述的非暂时性计算机可读介质，还包括：
3.根据权利要求2所述的非暂时性计算机可读介质，其中，分割所述目标图案包括：
4.根据权利要求2所述的非暂时性计算机可读介质，其中，确定目标特征的所述子集的所述几何信息包括：
5.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述几何信息包括：
6.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述几何信息包括：
7.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述几何信息包括：
8.根据权利要求1所述的非暂时性计算机可读介质，其中，确定所述几何信息包括：
9.根据权利要求1所述的非暂时性计算机可读介...
【专利技术属性】
技术研发人员：陶峻，曹宇，克里斯多夫·艾伦·斯彭斯，
申请(专利权)人：ASML荷兰有限公司，
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。