CN108665060A - 一种用于计算光刻的集成神经网络 - Google Patents
一种用于计算光刻的集成神经网络 Download PDFInfo
- Publication number
- CN108665060A CN108665060A CN201810600924.3A CN201810600924A CN108665060A CN 108665060 A CN108665060 A CN 108665060A CN 201810600924 A CN201810600924 A CN 201810600924A CN 108665060 A CN108665060 A CN 108665060A
- Authority
- CN
- China
- Prior art keywords
- neural network
- photoetching
- vector
- calculating
- conjugation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明公开了一种用于计算光刻的集成神经网络,包括共轭神经网络和前向神经网络,且所述共轭神经网络的输出端连接所述前向神经网络的输入端;所述共轭神经网络用于提取计算光刻的特征矢量,并将提取出来的特征矢量输入所述前向神经网络中,其中,所述共轭神经网络提取计算光刻的特征矢量的方法为:Yj=∑iWijXi,Zj=Yj·Yj *;其中,Zj为提取出来的特征矢量,Wij为所述共轭神经网络的参数,Xi为光罩上第i个点的邻近环境,Yj *为Yj的共轭。本发明中提供的一种用于计算光刻的集成神经网络,将用于提取特征矢量的共轭卷积神经网络结构和前向神经网络结合起来,形成集成神经网络,可以用于任何类型的计算光刻学习。
Description
技术领域
本发明涉及集成电路领域,具体涉及一种用于计算光刻的集成神经网络。
背景技术
为了不断追求半导体芯片的性能增强、功耗减小和芯片面积收缩,半导体芯片的最小的特征间距和最小特征尺寸需要相应地缩小。为了支持这一无止境的趋势,半导体工业需要开发具有越来越短的曝光波长和越来越高的数值孔径(NA)的光刻工具,例如扫描仪,以实现高的光学分辨率。半导体工业在14nm技术节点之前成功地沿着这条道路前进,然而,业界已经发现,沿着这条道路继续推动硬件(扫描仪)技术的发展变得非常困难,这一点,可以从EUV技术的发展缓慢来看出。
作为一种补救措施,计算光刻技术的开发和应用使得半导体产业得以继续向前迈进。这种计算光刻技术包括源光罩协同优化、高级OPC模型、基于模型的辅助图形生成、逆向光刻技术等。大多数计算光刻技术在应用于全芯片时计算成本很高。
为了缓解这个问题,业界已经提出了深卷积神经网络(DCNN)架构,以学习逆向光刻技术,特别是辅助图案的生成。DCNN架构是强大且通用的学习机,然而,它需要大量的数据来训练。这是因为它要求DCNN从输入数据训练中自动提取特征检测核。这样的DCNN架构应该只用于没有任何先验知识可以用于神经网络架构本身或输入特征向量设计的情况。因此,深卷积神经网络架构在进行计算光刻学习的过程中程序复杂,耗时较多,并不能保证目前生产的效率。
对于计算光刻而言,一切都从光学成像开始,并且光学成像方程的结构是相当成熟的,因此,现代化的生产急需一种集成神经网络来进行有效的计算光刻学习。
发明内容
本发明所要解决的技术问题是提供一种用于计算光刻的集成神经网络,将用于提取特征矢量的共轭卷积神经网络结构和前向神经网络结合起来,形成集成神经网络,可以用于任何类型的计算光刻学习。
为了实现上述目的,本发明采用如下技术方案:一种用于计算光刻的集成神经网络,所述集成神经网络包括共轭神经网络和前向神经网络,且所述共轭神经网络的输出端连接所述前向神经网络的输入端;所述共轭神经网络用于提取计算光刻的特征矢量,并将提取出来的特征矢量输入所述前向神经网络中,其中,所述共轭神经网络提取计算光刻的特征矢量的方法为:Yj=∑iWijXi,其中,Zj为提取出来的特征矢量,Wij为所述共轭神经网络的参数,Xi为光罩上第i个点的邻近环境,为Yj的共轭。
进一步地,所述用于计算光刻的特征矢量为与光强有关的矢量。
进一步地,所述Xi采用真实空间中的向量或者基于空间频率的向量为光罩上第i个点的邻近环境。
进一步地,当Xi采用真实空间中的向量时,提取计算光刻的特征矢量时,需要输入真实空间中的向量的个数其中,a为光刻机中光学相互作用的范围,该范围区域被划分为大小相等的子单元;b为光刻机中光学相互作用范围内的子单元的大小。
进一步地,所述光学相互作用范围内子单元的大小其中,NA为光刻机的数值孔径,σmax为与曝光照射光在光罩上的最大角度有关的参数,λ为光刻机的曝光波长。
进一步地,所述真实空间中的向量的输入值为Valuecell=tbg·Areacell+(tf-tbg)·Areageo_in_cell,其中,tbg是光罩的背景的复传输值,tf是光罩上图案的复传输值,Areacell为子单元的面积,Areageo_in_cell为光罩图案在子单元中的面积。
进一步地,当Xi采用基于空间频率的向量时,提取计算光刻的特征矢量时,需要输入空间频率中的向量的个数M2通过如下公式计算:
其中,M2为符合上述公式的所有的nx和ny的个数总和,nx和ny为成像***的衍射级数,NA为光刻机的数值孔径,σmax为与曝光照射光在光罩上的最大角度有关的参数,λ为光刻机的曝光波长,P=2*(光学成像中光学相互作用范围的半径+安全带的宽度),所述安全带设置在光学相互作用范围的***,用于保证光学相互作用范围内的光罩图案的计算准确性。
进一步地,所述基于空间频率的向量的输入值为在加上安全带的光学相互作用范围内的光罩图案的傅里叶变换在λ/P的格点上的数值。
进一步地,所述前向神经网络结构具有3个或4个隐藏层。
本发明的有益效果为:首先采用共轭神经网络提取计算光刻的特征矢量,再将提取出来的特征矢量输入前向神经网络中,从而使得共轭神经网络的输出端与前向神经网络的输入端结合起来,形成集成神经网络;本发明形成的集成神经网络能够用于任何类型的计算光刻学习,并且进行计算光刻学习的过程简便快速,大大提高了计算光刻的效率,减轻了其复杂程度。
附图说明
附图1为本发明中共轭神经网络的结构图。
附图2为本发明中描述光罩上的点的邻近环境的向量的构造。
附图3为本发明中输入向量为基于空间频率的向量时,输入向量在空间频率空间中的采样示意图。
附图4为本发明形成的集成神经网络的结构示意图。
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。
本发明提供的一种用于计算光刻的集成神经网络,集成神经网络包括共轭神经网络和前向神经网络,且共轭神经网络的输出端连接前向神经网络的输入端;共轭神经网络用于提取计算光刻的特征矢量,并将提取出来的特征矢量输入前向神经网络中,其中,共轭神经网络提取计算光刻的特征矢量的方法为:Yj=∑iWijXi,其中,Zj为提取出来的特征矢量,Wij为所述共轭神经网络的参数,Xi为光罩上第i个点的邻近环境,为Yj的共轭。
众所周知,任何计算光刻都是从光强分布函数开始的。为此,可以假设基于机器学习的计算光刻的特征矢量应该是与光强有关的矢量。为了从输入几何形状中提取这样的与光强有关的矢量,我们共轭神经网络来进行提取。本发明提供的共轭神经网络的结构如附图1所示,其输入向量Xi为光罩上第i个点的邻近环境,输出值为用于计算光刻的特征矢量Zm。
本发明中Xi采用真实空间中的向量或者基于空间频率的向量为光罩上第i个点的邻近环境。以下针对两种情况分别进行介绍:
如果决定使用真实空间量来描述点的邻近环境,则需要首先估计光学相互作用范围,然后将光学相互作用范围内的区域划分为子单元,如图2所示。光的相互作用范围取决于成像条件,取决于给定照明条件下的空间相干性程度。此时提取计算光刻的特征矢量时,需要输入真实空间中的向量的个数其中,a为光刻机中光学相互作用的范围,该范围区域被划分为大小相等的子单元;b为光刻机中光学相互作用范围内的子单元的大小。其中,光学相互作用范围内子单元的大小其中,NA为光刻机的数值孔径,σmax为与曝光照射光在光罩上的最大角度有关的参数,λ为光刻机的曝光波长。真实空间中的向量的输入值为Valuecell=tbg·Areacell+(tf-tbg)·Areageo_in_cell,其中,tbg是光罩的背景的复传输值,tf是图案的复传输值,Areacell为子单元的面积,Areageo_in_cell为光罩图案在子单元中的面积。
以下通过浸没式光刻机来举例说明:该光刻机的数值孔径NA=1.35,该光刻机中与曝光照射光在光罩上的最大角度有关的参数σmax=0.95,该光刻机的曝光波长λ=193nm,该光刻机的光学光学相互作用的范围a=1500nm。由于光刻扫描仪是一种成像***,能够通过扫描仪的光场的最大空间频率是NA(1+σmax),则光学相互作用范围内子单元的大小进一步地,需要输入真实空间中的向量的个数个,每个子单元的值有下列方程决定:
Valuecell=tbg·Areacell+(tf-tbg)·Areageo_in_cell,其中,tbg是光罩的背景的复传输值,tf是图案的复传输值,Areacell为子单元的面积,Areageo_in_cell为光罩图案在子单元中的面积。
如果决定使用基于空间频率的输入向量,那么可以如附图3所示的空间频率空间进行估计输入向量的元素的数目,本发明中可以通过成像***的最大空间频率为NA(1+σmax),如图3圆半径所示。此时,在提取计算光刻的特征矢量时,需要输入真实空间中的向量的个数M2通过如下公式计算:
其中,M2为符合上述公式的所有的nx和ny的个数总和,nx和ny为成像***的衍射级数,NA为光刻机的数值孔径,σmax为与曝光照射光在光罩上的最大角度有关的参数,λ为光刻机的曝光波长,P=2*(光学成像中光学相互作用范围的半径+安全带的宽度),所述安全带设置在光学相互作用范围的***,用于保证光学相互作用范围内的光罩图案的计算准确性。
基于空间频率的向量的输入值为在加上一定的安全带的光学相互作用范围内的图案的傅里叶变换在λ/P的格点上的数值,并且在进行傅里叶变化时需要考虑光罩的复传输信息。
以下通过浸没式光刻机来举例说明:该光刻机的数值孔径NA=1.35,该光刻机中与曝光照射光在光罩上的最大角度有关的参数σmax=0.95,该光刻机的曝光波长λ=193nm,该光刻机的光学光学相互作用的范围a=1500nm。本发明中可以通过成像***的最大空间频率为NA(1+σmax),如图3圆半径所示。可以通过成像***的衍射级数(nx,ny)必须满足以下方程
对于NA=1.35,λ=193nm,σmax=0.95,输入矢量的元素的所需总数约为5250。基于空间频率的向量的输入值为在加上一定的安全带的光学相互作用范围内的图案的傅里叶变换在λ/P的格点上的数值。值得说明的是,当使用空间频率信息来描述相邻环境时,在进行傅里叶变换的时候需要考虑光罩的复传输信息。
在共轭卷积神经网络用于特征提取之后,使用具有3个或4个隐藏层的前向神经网络结构来逼近用户对计算光刻感兴趣的任何非线性函数,如下面的图4所示的集成神经网络,可用于任何类型的计算光刻学习。在形成本发明中集成神经网络之后,可以采用上述集成神经网络进行计算光刻学习。
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 (9)
1.一种用于计算光刻的集成神经网络,其特征在于,所述集成神经网络包括共轭神经网络和前向神经网络,且所述共轭神经网络的输出端连接所述前向神经网络的输入端;所述共轭神经网络用于提取计算光刻的特征矢量,并将提取出来的特征矢量输入所述前向神经网络中,其中,所述共轭神经网络提取计算光刻的特征矢量的方法为:Yj=∑iWijXi,其中,Zj为提取出来的特征矢量,Wij为所述共轭神经网络的参数,Xi为光罩上第i个点的邻近环境,为Yj的共轭。
2.根据权利要求1所述的一种用于计算光刻的集成神经网络,其特征在于,所述用于计算光刻的特征矢量为与光强有关的矢量。
3.根据权利要求1所述的一种用于计算光刻的集成神经网络,其特征在于,所述Xi采用真实空间中的向量或者基于空间频率的向量为光罩上第i个点的邻近环境。
4.根据权利要求3所述的一种用于计算光刻的集成神经网络,其特征在于,当Xi采用真实空间中的向量时,提取计算光刻的特征矢量时,输入真实空间中的向量的个数其中,a为光刻机中光学相互作用的范围,该范围区域被划分为大小相等的子单元;b为光刻机中光学相互作用范围内的子单元的大小。
5.根据权利要求4所述的一种用于计算光刻的集成神经网络,其特征在于,所述光学相互作用范围内子单元的大小其中,NA为光刻机的数值孔径,σmax为与曝光照射光在光罩上的最大角度有关的参数,λ为光刻机的曝光波长。
6.根据权利要求4所述的一种用于计算光刻的集成神经网络,其特征在于,所述真实空间中的向量的输入值为Valuecell=tbg·Areacell+(tf-tbg)·Areageo_in_cell,其中,tbg为光罩的背景的复传输值,tf为光罩上图案的复传输值,Areacell为子单元的面积,Areageo_in_cell为光罩图案在子单元中的面积。
7.根据权利要求3所述的一种用于计算光刻的集成神经网络,其特征在于,当Xi采用基于空间频率的向量时,提取计算光刻的特征矢量时,输入空间频率中的向量的个数M2通过如下公式计算:
其中,M2为符合上述公式的所有的nx和ny的个数总和,nx和ny为成像***的衍射级数,NA为光刻机的数值孔径,σmax为与曝光照射光在光罩上的最大角度有关的参数,λ为光刻机的曝光波长,P=2*(光学成像中光学相互作用范围的半径+安全带的宽度),所述安全带设置在光学相互作用范围的***,用于保证光学相互作用范围内的光罩图案的计算准确性。
8.根据权利要求7所述的一种用于计算光刻的集成神经网络,其特征在于,所述基于空间频率的向量的输入值为在安全带和光学相互作用范围内的光罩图案的傅里叶变换在λ/P的格点上的数值。
9.根据权利要求1所述的一种用于计算光刻的集成神经网络,其特征在于,所述前向神经网络结构具有3个或4个隐藏层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810600924.3A CN108665060B (zh) | 2018-06-12 | 2018-06-12 | 一种用于计算光刻的集成神经网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810600924.3A CN108665060B (zh) | 2018-06-12 | 2018-06-12 | 一种用于计算光刻的集成神经网络 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108665060A true CN108665060A (zh) | 2018-10-16 |
CN108665060B CN108665060B (zh) | 2022-04-01 |
Family
ID=63774679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810600924.3A Active CN108665060B (zh) | 2018-06-12 | 2018-06-12 | 一种用于计算光刻的集成神经网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665060B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143796A (zh) * | 2018-10-26 | 2019-01-04 | 中国科学院微电子研究所 | 确定光刻光源的方法、装置及模型训练方法、装置 |
CN110187609A (zh) * | 2019-06-05 | 2019-08-30 | 北京理工大学 | 一种计算光刻的深度学习方法 |
CN111985611A (zh) * | 2020-07-21 | 2020-11-24 | 上海集成电路研发中心有限公司 | 基于物理特征图与dcnn机器学习逆向光刻解的计算方法 |
US20220309645A1 (en) * | 2019-06-13 | 2022-09-29 | Asml Netherlands B.V. | Metrology Method and Method for Training a Data Structure for Use in Metrology |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077907A1 (en) * | 2006-09-21 | 2008-03-27 | Kulkami Anand P | Neural network-based system and methods for performing optical proximity correction |
JP2008268265A (ja) * | 2007-04-16 | 2008-11-06 | Fujitsu Microelectronics Ltd | 検証方法及び検証装置 |
CN104865788A (zh) * | 2015-06-07 | 2015-08-26 | 上海华虹宏力半导体制造有限公司 | 一种光刻版图opc方法 |
CN107797391A (zh) * | 2017-11-03 | 2018-03-13 | 上海集成电路研发中心有限公司 | 光学邻近校正方法 |
CN107908071A (zh) * | 2017-11-28 | 2018-04-13 | 上海集成电路研发中心有限公司 | 一种基于神经网络模型的光学邻近校正方法 |
-
2018
- 2018-06-12 CN CN201810600924.3A patent/CN108665060B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077907A1 (en) * | 2006-09-21 | 2008-03-27 | Kulkami Anand P | Neural network-based system and methods for performing optical proximity correction |
JP2008268265A (ja) * | 2007-04-16 | 2008-11-06 | Fujitsu Microelectronics Ltd | 検証方法及び検証装置 |
CN104865788A (zh) * | 2015-06-07 | 2015-08-26 | 上海华虹宏力半导体制造有限公司 | 一种光刻版图opc方法 |
CN107797391A (zh) * | 2017-11-03 | 2018-03-13 | 上海集成电路研发中心有限公司 | 光学邻近校正方法 |
CN107908071A (zh) * | 2017-11-28 | 2018-04-13 | 上海集成电路研发中心有限公司 | 一种基于神经网络模型的光学邻近校正方法 |
Non-Patent Citations (2)
Title |
---|
KYOUNG-AH JEON等: "Process Proximity Correction by Neural Networks", 《JAPANESE JOURNAL OF APPLIED PHYSICS》 * |
蒋舒宇等: "基于Kohonen神经网络的晶圆光刻流程动态调度方法", 《上海交通大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143796A (zh) * | 2018-10-26 | 2019-01-04 | 中国科学院微电子研究所 | 确定光刻光源的方法、装置及模型训练方法、装置 |
CN109143796B (zh) * | 2018-10-26 | 2021-02-12 | 中国科学院微电子研究所 | 确定光刻光源的方法、装置及模型训练方法、装置 |
CN110187609A (zh) * | 2019-06-05 | 2019-08-30 | 北京理工大学 | 一种计算光刻的深度学习方法 |
US20220309645A1 (en) * | 2019-06-13 | 2022-09-29 | Asml Netherlands B.V. | Metrology Method and Method for Training a Data Structure for Use in Metrology |
CN111985611A (zh) * | 2020-07-21 | 2020-11-24 | 上海集成电路研发中心有限公司 | 基于物理特征图与dcnn机器学习逆向光刻解的计算方法 |
WO2022016802A1 (zh) * | 2020-07-21 | 2022-01-27 | 上海集成电路研发中心有限公司 | 基于物理特征图与dcnn机器学习逆向光刻解的计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108665060B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665060A (zh) | 一种用于计算光刻的集成神经网络 | |
Ma et al. | Pixel-based OPC optimization based on conjugate gradients | |
CN104865788B (zh) | 一种光刻版图opc方法 | |
CN107908071A (zh) | 一种基于神经网络模型的光学邻近校正方法 | |
Ma et al. | Optimization of lithography source illumination arrays using diffraction subspaces | |
CN110426914A (zh) | 一种亚分辨率辅助图形的修正方法及电子设备 | |
CN110187609A (zh) | 一种计算光刻的深度学习方法 | |
Ma et al. | Fast lithography aerial image calculation method based on machine learning | |
CN103365071B (zh) | 掩膜板的光学邻近校正方法 | |
Ma et al. | Fast inverse lithography based on dual-channel model-driven deep learning | |
Cecil et al. | Establishing fast, practical, full-chip ILT flows using machine learning | |
Ma et al. | Fast pixel-based optical proximity correction based on nonparametric kernel regression | |
CN107621757A (zh) | 一种基于指示函数的交叉传递函数快速分解方法 | |
CN108614390B (zh) | 一种采用压缩感知技术的光源掩模优化方法 | |
Gong et al. | Fast aerial image simulations for partially coherent systems by transmission cross coefficient decomposition with analytical kernels | |
Farzipour et al. | Traffic sign recognition using local vision transformer | |
US9857676B2 (en) | Method and program product for designing source and mask for lithography | |
CN109683447A (zh) | 一种光源掩模协同优化初始光源的确定方法及装置 | |
Pan et al. | Efficient informatics-based source and mask optimization for optical lithography | |
US20230025777A1 (en) | Opc model simulation method | |
KR100843890B1 (ko) | 리소그래피 공정의 시뮬레이션 방법 | |
CN116720479B (zh) | 掩膜生成模型训练方法、掩膜生成方法及装置和存储介质 | |
Lian et al. | Fast and accurate computation of partially coherent imaging by stacked pupil shift operator | |
CN111611759A (zh) | 一种掩模辅助图形的优化方法、计算机可读介质及*** | |
US20220121957A1 (en) | Lithography simulation using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |