CN107908071B - 一种基于神经网络模型的光学邻近校正方法 - Google Patents

Abstract

本发明公开了一种基于神经网络模型的光学邻近校正方法，包括以下步骤：S01：训练神经网络模型，包括在训练光罩上选择M个测试图案；分别获得上述M个测试图案所对应的目标图案；利用已知的感知神经网络模拟出类强度函数

利用类强度函数和目标图案，对上述感知神经网络进行训练，得出神经网络模型；S02：利用上述训练的神经网络模型实现光学邻近校正：包括利用得到的神经网络模型得出待处理光罩的类强度函数

用切割阈值切割上述类强度函数

生成含有目标图案的光罩；采用上述含有目标图案的光罩作为光学邻近校正之后的掩模板进行光刻。本发明供公开的光学邻近校正方法，同时兼顾校正后的图像质量以及较快的实现速度。

Description

一种基于神经网络模型的光学邻近校正方法

技术领域

本发明涉及光学邻近矫正领域，具体涉及一种基于神经网络模型的光学邻近校正方法。

背景技术

光学邻近校正(OPC)已成为半导体制造工艺中必不可少的手段。它的目的是通过光刻掩模图案校正使得芯片上实现的图案与光刻的目标图案尽可能一致。OPC是由几个关键步骤组成的，如光刻的目标图案设置、辅助图案的产生和主图案的修正。由于蚀刻带来的偏差或光刻工艺窗口的要求，光刻的目标图案常常不同于原始设计图案。辅助图案是用于提高稀疏设计图案的光刻工艺窗口，它们的放置规则常常来自于光刻模拟。主图案的修正通过将原始设计图案边缘分割成小段，并在每个小线段上设置一个或多个评价点。

OPC校正迭代进行时，在每次迭代过程中，OPC引擎模拟每个线段的边缘位置误差，以确定其下一次迭代的校正方向和校正量。模拟需要一个校准很好的OPC模型。从光刻工艺窗口的角度看，目前通用的OPC引擎只提供次优的OPC解决方案，因为目前的OPC引擎校正只关注每个线段的边缘放置误差，而不考虑优化光刻工艺窗口。然而，主图案边缘线段可能有多种校正方案，它们都能实现类似的边缘定位误差容限要求，但光刻工艺窗口可以不同。在先进的节点，如14nm，10nm，7nm，和以后的技术节点，因为在光刻工艺中采用了空间相干性更强的光照明条件，使得相邻的线段间的相互作用变得更强。

为了克服传统OPC算法固有的缺陷，业界开发了更高级的OPC解决方案引擎，其复杂度有所提高，从线段相互作用矩阵求解到逆向光刻解决方案。线段相互作用矩阵求解主要地考虑了相邻线段的相互作用，而逆向光刻解决方案充分考虑到光刻工艺窗口的优化。逆向光刻技术有几种方法，如基于水平集的方法、基于像素优化的方法和掩模优化方法。所有逆向光刻方法在计算时间上都有很大的增加，因此，逆向光刻解决方案的全芯片实现仍然不切实际。因此，如果有一个OPC算法，它既提供了逆向光刻OPC解决方案的质量，无论是辅助图案的位置还是主图案边缘线段的校正解决方案方面，同时计算速度又很快，那么，这样的OPC算法将是业界所期待的。

发明内容

本发明所要解决的技术问题是提供一种基于神经网络模型的光学邻近校正方法，该方法同时兼顾校正后的图像质量以及较快的实现速度。

为了实现上述目的，本发明采用如下技术方案：

一种基于神经网络模型的光学邻近校正方法，包括以下步骤：

S01：训练神经网络模型，具体步骤为：

S0101：在训练光罩上选择M个测试图案；

S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案；

S0103：利用已知的感知神经网络模拟出训练光罩的类强度函数

S0104：利用训练光罩的类强度函数和目标图案，对上述感知神经网络进行训练，得出包括切割阈值在内的最优模型参数，利用该最优模型参数得出神经网络模型；

S02：利用上述训练的神经网络模型实现光学邻近校正：

S0201：利用上述得到的神经网络模型得出待处理光罩的类强度函数

S0202：用切割阈值切割上述类强度函数

生成含有目标图案的光罩；

S03：采用上述含有目标图案的光罩作为光学邻近校正之后的掩模板进行光刻。

进一步地，所述神经网络模型为线性神经网络模型，所述感知神经网络为参数确定的隐层感知神经网络。

进一步地，步骤S0103中利用已知的感知神经网络模拟出训练光罩的类强度函数

的具体方法为：

其中，w_i,j、ω_v、p_j0、q₀为所述隐层感知神经网络的参数，S_i为训练光罩网格点上的本征成像信号值，其中

K_i ^polygon为第i个多边形的掩模滤波器，K_i ^Vedge为第i个竖直边缘的掩模三维滤波器，K_i ^Hedge为第i个水平边缘的掩模三维滤波器，K_i ^Corner为第i个拐角的掩模三维滤波器。

进一步地，所述步骤S0104中对感知神经网络进行训练的成本函数为：

其中，w_i,j，,ω_v，,p_j0，,q₀，为线性神经网络模型的模型参数，μ_m ^main是主图案第m个训练图案的权重；μ_m ^assist是辅助图案第m个训练图案的权重，Z_m为训练光罩上第m个测试图案所对应的目标图案。

进一步地，步骤S0201中利用神经网络模型得出待处理光罩的类强度函数

的具体方法为：

其中，w_i,j，,ω_v，,p_j0，,q₀，为线性神经网络模型的模型参数，Si为待处理光罩网格点上的本征成像信号值，其中

K_i ^polygon为第i个多边形的掩模滤波器，K_i ^Vedge为第i个竖直边缘的掩模三维滤波器，K_i ^Hedge为第i个水平边缘的掩模三维滤波器，K_i ^Corner为第i个拐角的掩模三维滤波器。

进一步地，所述神经网络为二次神经网络，所述感知神经网络为参数确定的多层感知器神经网络。

进一步地，步骤S0103中利用已知的感知神经网络模拟出训练光罩的类强度函数

的具体方法为：

其中，u_i,k、w_k、p_k0、z₀为所述多层感知神经网络的参数，V_i,k为训练光罩网格点上第k个节点的第i个卷积核，t为V_i,k处对应的光场。

进一步地，所述步骤S0104中对感知神经网络进行训练的成本函数为：

其中，w_k’、p_k0’、z₀’为二次神经网络模型的模型参数，{V_1.K’,V_2.K’,……V_N.K’|为二次神经网络模型优化的卷积核集，{u_1.K’,u_2.K’,……u_N.K’}为二次神经网络模型中各个卷积核所对应的权值，μ_m ^main是主图案第m个训练图案的权重；μ_m ^assist是辅助图案第m个训练图案的权重，Z_m为训练光罩上第m个测试图案所对应的目标图案。

进一步地，在对感知神经网络进行训练过程中，对模型参数添加以下约束，

u_i,k’>0；

∑_iu_i,k’＝1,k＝1,2,…R。

进一步地，步骤S0201中利用神经网络模型得出待处理光罩的类强度函数

的具体方法为：

其中，w_k’、p_k0’、z₀’为二次神经网络模型的模型参数，{V_1.K’,V_2.K’,……V_N.K’}为二次神经网络模型优化的卷积核集，{u_1.K’,u_2.K’,……u_N.K’}为二次神经网络模型中各个卷积核所对应的权值，t，为V_i,k处对应的光场。

本发明的有益效果为：本发明提供的一种基于神经网络模型的光学邻近校正方法，既提供了逆向光刻OPC解决方案的质量，能够同时兼顾辅助图案的位置和主图案边缘线段位置，同时计算速度相比反向光刻计算大大提高。

附图说明

附图1为本发明一种基于神经网络模型的光学邻近校正方法的流程图。

附图2为实施例1中光罩网格点上的本征成像信号值的计算关系。

附图3为实施例1中线性神经网络模型的结构图。

附图4为实施例2中光罩分为单个小平面的示意图。

附图5为实施例2中二次神经网络模型的结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施方式做进一步的详细说明。

如图1所示，本发明提供的一种基于神经网络模型的光学邻近校正方法，包括以下步骤：

S01：训练线性神经网络模型，具体步骤为：

S0101：在训练光罩上选择M个测试图案；

S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案；

S0103：利用已知的感知神经网络模拟出训练光罩的类强度函数

S0104：利用训练光罩的类强度函数和目标图案，对上述感知神经网络进行训练，得出包括切割阈值在内的最优模型参数，利用该最优模型参数得出神经网络模型；

S02：利用上述训练的神经网络模型实现光学邻近校正：

S0201：利用上述得到的神经网络模型得出待处理光罩的类强度函数

S0202：用切割阈值切割上述类强度函数

生成含有目标图案的光罩；

S03：采用上述含有目标图案的光罩作为光学邻近校正之后的掩模板进行光刻。

本发明中神经网络模型可以包括线性神经网络模型和二次神经网络模型，当神经网络模型的种类不同时，其具体的训练方法和计算步骤也不同，以下两个实施例分别进行介绍：

实施例1

当神经网络模型为线性神经网络模型时，所需的光刻掩模图案，即辅助图案和主图案修正过后的图案，可以看作是在某个阈值，通过切割一个连续的类强度函数

而得到的轮廓。这个类强度函数可以通过固定的非线性映射机制从光刻目标图案的光学图像强度函数I(x,y)中导出。显然，

不仅依赖于I(x,y)，而且依赖于光学图像强度函数I(x,y)在(x，y)点周围的灰度分布。编码光学图像强度函数I(x,y)在(x，y)点周围的灰度分布最有效的方法是在点(x，y)上使用本征成像信号的一组值。为了精确描述包括光刻掩模三维效应在内的光学图像强度，本征成像信号集应该包括用于多边形几何形状、竖直边缘、水平边缘和拐角的掩模三维滤波器的特征信号，如图2所示。其中

K_i ^polygon为第i个多边形的掩模滤波器，K_i ^Vedge为第i个竖直边缘的掩模三维滤波器，K_i ^Hedge为第i个水平边缘的掩模三维滤波器，K_i ^Corner为第i个拐角的掩模三维滤波器。

本实施例提供的一种基于神经网络模型的光学邻近校正方法，包括以下步骤：

S01：训练神经网络模型，具体步骤为：

S0101：在训练光罩上选择M个测试图案。

S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案。

其中，光刻掩模平面上的任何一点只可以取值1或0。对于透晰色调的光刻掩模类型，图案定义区域是黑暗的，使用0作为它们的值；对于暗色调的光刻掩模类型，图案定义区域是透晰的，使用1作为它们的值。由于神经网络模型无法模拟不连续性的函数，我们先将从反向光刻计算来的掩模图案，将用合理的高斯函数来卷积，从而使得凸和凹的角变得光滑。这个操作也可以通过适当的半径弧直接更换凸或凹的角来实现，半径可以定在30纳米到40纳米左右。这一操作的输出是一个二进制值的函数，用Z_M来表示第M个训练图案的逆向光刻引擎获得目标图案。

S0103：利用已知的感知神经网络模拟出训练光罩的类强度函数

其中，感知神经网络的结构如附图3所示，其基本上是一个隐层的感知器神经网络。隐含层中的节点数，以R表示。如果隐层中的节点数太少，那么神经网络模型在学习反向光刻计算的行为上会能力不足，导致神经网络模型精度不足，如果隐层中的节点数太多，那么神经网络模型会有过度拟合的可能，导致神经网络模型的不稳定。所以，隐含层中的节点数R，将通过训练实验确定。隐藏层中的节点数估计小于10。由于本征图像信号高信息包含的能力，这一点可以从TCC矩阵的特征值的快速下降看出，估计输入特征向量的元素数应该是10到15之间，而基于纯几何描述的特征向量，其输入特征向量的元素数范围从50到几百。

在数学上的计算关系为：

其中，w_i,j、ω_v、p_j0、q₀为上述已知的感知神经网络模型的参数，Si为训练光罩网格点上的本征成像信号值，

K_i ^polygon为第i个多边形的掩模滤波器，K_i ^Vedge为第i个竖直边缘的掩模三维滤波器，K_i ^Hedge为第i个水平边缘的掩模三维滤波器，K_i ^Corner为第i个拐角的掩模三维滤波器。

S0104：利用类强度函数和目标图案，对上述感知神经网络进行训练，得出包括切割阈值在内的最优模型参数，利用该最优模型参数得出神经网络模型；

其中，对神经网络模型进行训练的成本函数为：

其中，w_i,j’,ω_v’,p_j0’,q₀’为线性神经网络模型的模型参数，μ_m ^main是主图案第m个训练图案的权重；μ_m ^assist是辅助图案第m个训练图案的权重，Z_m为训练光罩上第m个测试图案所对应的目标图案。训练完的模型需要使用另一套测试图案进行验证模型的通用性。

S02：利用上述训练的神经网络模型实现光学邻近校正：

S0201：利用上述得到的神经网络模型得出待处理光罩的类强度函数

其中，

其中，w_i,j’,ω_v’,p_j0’,q₀，为线性神经网络模型的模型参数，S_i为待处理光罩网格点上的本征成像信号值，其中

K_i ^polygon为第i个多边形的掩模滤波器，K_i ^Vedge为第i个竖直边缘的掩模三维滤波器，K_i ^Hedge为第i个水平边缘的掩模三维滤波器，K_i ^Corner为第i个拐角的掩模三维滤波器。

S0202：用切割阈值切割上述类强度函数

生成待处理光罩；

S03：采用上述含有目标图案的光罩作为光学邻近校正之后的掩模板进行光刻。

实施例2

当神经网络模型为二次神经网络模型时，如附图4所示，把光刻掩模平面分成小单元，假设t(i,j)和t(m,n)是在小单元(i，j)和小单元(m，n)光刻掩模后面的光场。因为化学光刻胶的反应是光强度，不光场本身，我们可以设想，从反向光刻技术计算出的目标图案可通过切割一个连续的类强度函数

而得到的轮廓。。这个函数只依赖于所有配对值{t(i,j)，t(m,n)}，但这个函数本身是未知的：

配对值{t(i,j),t(m,n)}是围绕着点(x，y)来定义的。因为目前使用的所有光刻掩模类型只有0相位或180相位，所以{t(i,j),t(m,n)}是实数量。探索这种未知函数的一种方法是使用多层感知器神经网络模型，以集{t(1,1)*t(1,1),t(1,1)*t(1,2),……t(N,N)*t(N,N)}作为特征向量。

本实施例提供的一种基于神经网络模型的光学邻近校正方法，包括以下步骤：

S01：训练二次神经网络模型，具体步骤为：

S0101：在训练光罩上选择M个测试图案；

S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案。

S0103：利用已知的感知神经网络模拟出类强度函数

其中：已知的感知神经网络的结构如附图5所示，具体的表达式为：

Z＝∑w_ky_k；

由于光相互作用的互惠原理，矩阵必须是对称的，因此，

如果我们将

和

从一维向量阵列转换成二维矩阵，方程(11)实际上是一个二维卷积运算。

{u_i，_k}和{V_i,k}是该矩阵的本征值和本征向量。

S0104：利用类强度函数和目标图案，对上述感知神经网络进行训练，得出包括切割阈值在内的最优模型参数，利用该最优模型参数得出神经网络模型。

其中，w_k’、p_k0’、z₀’为二次神经网络模型的模型参数，{V_1.K’,V_2.K’,……V_N.K’}为二次神经网络模型优化的卷积核集，{u_1.K’,u_2.K’,……u_N.K’}为二次神经网络模型中各个卷积核所对应的权值，μ_m ^main是主图案第m个训练图案的权重；μ_m ^assist是辅助图案第m个训练图案的权重，Z_m为训练光罩上第m个测试图案所对应的目标图案。该等式可以将等式约束作为代价项来构建一个新的代价函数，这样，问题就可以转化为一个非线性无约束优化问题。梯度的方法可以用来解决这类优化问题。

其中，在训练过程中，对模型参数添加以下约束：

要求卷积核是归一正交的；

要求卷积核是归一正交的；

u_i,k’>0；

∑_iu_i,k’＝1,k＝1,2,…R。

S02：利用上述训练的神经网络模型实现光学邻近校正：

S0201：利用上述得到的神经网络模型得出待处理光罩的类强度函数

其中，本实施例中的类强度函数对于不同的待处理光罩所进行的校正都是相同的。利用二次神经网络模型得出待处理光罩的类强度函数

的具体方法采用如下算法：

z＝∑w_k’y_kl

其中w_k’、p_k0’、z₀’为二次神经网络模型的模型参数，{V_1.K’,V_2.K’,……V_N.K’}为二次神经网络模型优化的的卷积核集，{u₁._K’,u₂._K’,……u_N.K’}为二次神经网络模型中各个卷积核所对应的权值，t’为V_i,k’处对应的光场，具体为V_i,k’处掩模后面的光的近场。

S0202：用切割阈值切割上述类强度函数

生成含有目标图案的光罩；

S03：采用上述含有目标图案的光罩作为光学邻近校正之后的掩模板进行光刻。

以上所述仅为本发明的优选实施例，所述实施例并非用于限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明所附权利要求的保护范围内。

Claims (10)

1.一种基于神经网络模型的光学邻近校正方法，其特征在于，包括以下步骤：

S01：训练神经网络模型，具体步骤为：

S0101：在训练光罩上选择M个测试图案；

S0102：采用反向光刻法分别获得上述M个测试图案所对应的目标图案；

S0103：利用已知的感知神经网络模拟出训练光罩的类强度函数

所述类强度函数通过固定的非线性映射机制从目标图案的光学图像强度函数中导出；

S0104：利用训练光罩的类强度函数和目标图案，对上述感知神经网络进行训练，得出包括切割阈值在内的最优模型参数，利用该最优模型参数得出神经网络模型；

S02：利用上述训练的神经网络模型实现光学邻近校正：

S0201：利用上述得到的神经网络模型得出待处理光罩的类强度函数

S0202：用切割阈值切割上述类强度函数

生成含有目标图案的光罩；

S03：采用上述含有目标图案的光罩作为光学邻近校正之后的掩模板进行光刻。

2.根据权利要求1所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，所述神经网络模型为线性神经网络模型，所述感知神经网络为参数确定的隐层感知神经网络。

3.根据权利要求2所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，步骤S0103中利用已知的感知神经网络模拟出训练光罩的类强度函数

的具体方法为：

其中，w_i,j、ω_v、p_j0、q₀为所述隐层感知神经网络的参数，S_i为训练光罩网格点上的本征成像信号值，R为隐藏层中的节点数，其中

K_i ^polygon为第i个多边形的掩模滤波器，K_i ^Vedge为第i个竖直边缘的掩模三维滤波器，K_i ^Hedge为第i个水平边缘的掩模三维滤波器，K_i ^Corner为第i个拐角的掩模三维滤波器。

4.根据权利要求3所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，所述步骤S0104中对感知神经网络进行训练的成本函数为：

其中，w_i,j’,ω_v’,p_j0’,q₀’为线性神经网络模型的模型参数，μ_m ^main是主图案第m个训练图案的权重；μ_m ^assist是辅助图案第m个训练图案的权重，Z_m为训练光罩上第m个测试图案所对应的目标图案。

5.根据权利要求4所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，步骤S0201中利用神经网络模型得出待处理光罩的类强度函数

的具体方法为：

其中，w_i,j’,ω_v’,p_j0’,q₀’为线性神经网络模型的模型参数，Si为待处理光罩网格点上的本征成像信号值，其中

K_i ^polygon为第i个多边形的掩模滤波器，K_i ^Vedge为第i个竖直边缘的掩模三维滤波器，K_i ^Hedge为第i个水平边缘的掩模三维滤波器，K_i ^Corner为第i个拐角的掩模三维滤波器。

6.根据权利要求1所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，所述神经网络模型为二次神经网络模型，所述感知神经网络为参数确定的多层感知器神经网络。

7.根据权利要求6所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，步骤S0103中利用已知的感知神经网络模拟出训练光罩的类强度函数

的具体方法为：

其中，u_i,k、w_k、p_k0、z₀为所述多层感知神经网络的参数，V_i,k为训练光罩网格点上第k个节点的第i个卷积核，t为V_i,k处对应的光场。

8.根据权利要求7所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，所述步骤S0104中对感知神经网络进行训练的成本函数为：

其中，w_k’、p_k0’、z_0’为二次神经网络模型的模型参数，{V_1.K’,V_2.K’,……V_N.K’}为二次神经网络模型优化的卷积核集，{u_1.K’,u_2.K’,……u_N.K’}为二次神经网络模型中各个卷积核所对应的权值，μ_m ^main是主图案第m个训练图案的权重；μ_m ^assist是辅助图案第m个训练图案的权重，Z_m为训练光罩上第m个测试图案所对应的目标图案。

9.根据权利要求8所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，在对感知神经网络进行训练过程中，对模型参数添加以下约束，

u_i,k’>0；

∑_iu_i,k’＝1,k＝1,2,…R。

10.根据权利要求8所述的一种基于神经网络模型的光学邻近校正方法，其特征在于，步骤S0201中利用神经网络模型得出待处理光罩的类强度函数

的具体方法为：

其中，w_k’、p_k0’、z_0’为二次神经网络模型的模型参数，{V_1.K’,V_2.K’,……V_N.K’}为二次神经网络模型优化的卷积核集，{u_1.K’,u_2.K’,……u_N.K’}为二次神经网络模型中各个卷积核所对应的权值，t’为V_i,k’处对应的光场。

Images