System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
技术介绍
1、随着光刻技术不断突破光学的极限以实现更小的特征尺寸,多重图案光刻技术已经成为将光刻分辨率推进至7纳米及以下的主要候选方案。然而,在多重图案光刻过程中,版图分解仍然是一个主要挑战。版图分解是一种将同物理层特征分配到不同的子物理层掩膜版图中的方法。为避免光刻时特征间的重叠现象,版图分解将存在冲突的邻近特征分配到独立的掩膜中。通常情况下,当两个特征之间的相对距离低于设定的最小值时,就会出现冲突。这一最小距离可认为是版图分解的规则之一。通过在版图分解中引入缝合技术,可以进一步减少冲突。缝合技术将特征分割成子特征,使子特征可以被分配到不同的掩膜中,并通过缝合将子特征连接起来。
2、然而,尽管针脚有助于减少冲突,但也引发了关于芯片质量的担忧。因此,寻求最佳的版图分解方案意味着同时最小化冲突和缝合的数量,其目标函数可用下式表示:
3、
4、
5、
6、
7、其中,xi指示特征i属于哪个掩膜,cij代表版图中存在的冲突在版图分解后是否仍然存在的二元变量,相似的,sij表示版图中存在的缝合在版图分解后是否仍然存在。α为一个自定义的参数,表示冲突与缝合损失之间的相对重要性,默认为0.1。当两个在最小距离内的节点被分配到相同的掩膜时,即xi==xj时,cij=1,引入一个损失;当存在缝合的两个节点被分配到不同的掩膜时,即xi≠xj时,αsij=α,引入一个加权的损失。目标函数代表使版图分解后存在的冲突和缝合数量最小。
8、通常,版图分解被视为一个图着色
技术实现思路
1、为克服上述现有方法的不足,本专利技术的目的是提供一种基于图学习的多重图案光刻版图分解方法及系统,通过对版图分解问题进行重新建模,使其能够用基于图学习的编码器-解码器神经网络求解。在获得近似最优解的同时,大大提升了分解速度,且能适用于不同规模的版图。
2、实现本专利技术目的的具体技术方案是:
3、一种基于图学习的多重图案光刻版图分解方法,包括以下具体步骤:
4、s1:根据版图分解规则,检测版图中不满足规则的特征;
5、s2:定义版图网络结构关系图中边与节点意义,为不满足规则的特征构建网络结构关系图g;
6、s3:将构建的网络结构关系图g输入基于图学习的编码器-解码器神经网络模型中,提取g中节点的结构信息,得到节点的掩膜分配概率输出矩阵p*;
7、s4:根据节点的掩膜分配概率输出矩阵p*,对网络结构关系图g中的节点进行掩膜分配,每个节点分配给p*中最大概率所对应的掩膜,得到节点掩膜分配后对应的网络结构关系输出图g*;
8、s5:将掩膜分配后对应的网络结构关系图中的节点与原始版图中的特征一一对应,并重建版图文件;其中:
9、所述步骤s3,其具体过程如下:
10、s30:设掩膜数量为k,按照高斯分布随机初始化节点的特征向量x,其中d0为节点的初始化特征的维度;
11、s31:将节点的初始化特征向量x输入基于图神经网络的编码器中,获取每个节点的局部结构特征和网络结构的全局特征;该编码器的特征是,根据节点关系矩阵r,执行消息传递机制,计算每个节点与其邻接节点的关系,并将此关系与该节点的特征进行融合,得到节点的高维度特征向量h;
12、s32:将s31中获得的节点特征向量h输入基于多层感知机的解码器中;该解码器的特征是,将由所有节点特征向量h构成的节点特征矩阵h从高纬度空间映射到k维度空间中,并应用softmax函数计算每一维度的概率,得到节点的掩膜分配概率矩阵p;
13、s33:根据版图分解规则建立图神经网络的目标函数,对基于图学习的神经网络模型进行训练得到推理模型,这一过程是一个求解目标函数的最小值的过程,所述目标函数l为:
14、
15、其中,ik表示维度为k的单位矩阵,f为frobenius范数,其表示ptp中各项元素的绝对值平方的总和开根。
16、s34:将网络结构关系图重新输入推理模型中,得到节点的掩膜分配概率输出矩阵p*。
17、一种基于上述方法的多重图案光刻版图分解系统,包括:
18、版图网络结构关系图关系提取模块,检测版图中不符合规则的特征,并将这些特征与网络结构关系图中的节点一一对应,从而建立版图网络结构关系图;
19、结构特征提取模块,将得到的版图网络结构关系图输入基于图神经网络的编码器中,初始化节点的特征向量并提取版图网络中节点的局部结构特征与版图全局特征,输出节点的特征向量;
20、掩膜分配模块,将得到的节点特征向量输入基于多层感知机的解码器中,求得节点的掩膜分配概率矩阵;
21、版图重建模块,根据节点的掩膜分配概率矩阵,将分配掩膜的节点与原始版图中的特征对应并将特征重新映射到不同的版图掩膜层中,得到多层版图文件。
22、与现有技术相比,本专利技术通过编码每个节点周围的局部信息,有效地得到版图分解的近似解。由于计算仅限于特征的局部邻域,而非整个版图,本专利技术方法能够有效适用于不同规模的版图分解。
本文档来自技高网...【技术保护点】
1.一种基于图学习的多重图案光刻版图分解方法,其特征在于,包括以下具体步骤:
2.一种基于权利要求1所述方法的多重图案光刻版图分解系统,其特征在于,包括:
【技术特征摘要】
1.一种基于图学习的多重图案光刻版图分解方法,其特征在于,包括以下具体步骤:
...
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。