CN110688736A - Opc光学模型筛选方法及其筛选*** - Google Patents
Opc光学模型筛选方法及其筛选*** Download PDFInfo
- Publication number
- CN110688736A CN110688736A CN201910842021.0A CN201910842021A CN110688736A CN 110688736 A CN110688736 A CN 110688736A CN 201910842021 A CN201910842021 A CN 201910842021A CN 110688736 A CN110688736 A CN 110688736A
- Authority
- CN
- China
- Prior art keywords
- threshold
- optical model
- value
- objective function
- opc
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明公开了一种基于数据库检索的OPC光学模型筛选方法，包括：确定光刻条件后选取光学模型关键参数；在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合并对每个数组合生成一个光学模型；依次用生成的各光学模型对测试掩模进行模拟，获得各测试图形空间强度分布数据并保存成模拟数据；根据自定义的目标函数，基于模拟数据和测量数据调节图形权重因子优化模型强度阈值得到目标函数值；根据目标函数值判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子直至筛选出符合设计要求的光学模型。本发明还公开了一种基于数据库检索的OPC光学模型筛选***。本发明能够显著缩短OPC建模时间。
Description
技术领域
本发明涉及一种芯片制造领域，特别是涉及一种基于数据库检索实现对OPC(光学临近效应修正)光学模型的筛选方法。本发明还涉及一种基于数据库检索实现对OPC(光学临近效应修正)光学模型的筛选***。
背景技术
光学邻近修正(OPC)是一种光刻增强技术，OPC主要在半导体芯片的生产过程中使用，目的是为了保证曝光后硅片上得到的实际图形与设计图形一致。若不做光学邻近修正实际曝光后得到的图形将与设计图形有显著差异，如实际线宽度比设计的窄或宽，这些都可以通过改变掩模版来补偿成像；其他的失真,如圆角，受光学工具分辨率的制约，更加难以弥补。这些失真如果不纠正，可能大大改变生产出来的电路的电气性能。光学邻近修正通过移动掩模版上图形的边缘或添加额外的多边形来补偿这些失真。
OPC模型(OPC model)主要由掩模模型(mask model，高技术节点OPC模型才使用)，光学模型(optical model)及光阻模型(resist model)三部分组成。其中，光学模型(optical model)最能反映OPC模型的物理意义，它决定着最终OPC模型的各项性能。传统方法一般采用自由优化(如FrontSearch算法等)或全局枚举法(Full search算法)，筛选出目标函数(Objective)较小且符合其他指标要求(Max Error range，Beamfocus与Def_start的相对位置)的光学参数组合作为候选光学模型(optical model candidate)。这类方法存在以下两个严重缺陷：
其一，重复计算。由于目标函数(Objective)直接受不同图形权重因子设置的影响，每次改变权重配置后需要重新计算。然而，空间像(aerial image)仅决绝于光学参数与权重因子无关，这会造成大量计算资源的浪费；
其二，浪费前期建模预备时间。目标函数(Objective)是比较实际图形线宽测量值与模拟值之间的差异，因此一定要等所有数据收集并完成清理才能进行建模。
发明内容
本发明提出了一种基于数据库检索的OPC光学模型筛选方法。
本发明要解决的另一技术问题是提供一种基于数据库检索的OPC光学模型筛选***。
为解决上述技术问题，本发明提供基于数据库检索实现对OPC光学模型筛选的OPC光学模型筛选方法，包括以下步骤：
S1，确定光刻条件后选取光学模型关键参数；
S2，在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合；
S3，对每个关键参数组合生成一个光学模型；
S4，依次用步骤S3生成的各光学模型对测试掩模进行模拟，获得各测试图形(pattern)空间强度分布数据并保存成模拟数据；
S5，根据自定义的目标函数(cost function group)，基于模拟数据和测量数据调节图像权重因子优化各关键参数组合阈值(Threshold)得到目标函数值(Objective)；
所述量测数据通过测量及清理原始数据获得，测量及清理原始数据的方法采用Mentor graphic公司建议和或实际生产经验(根据需求设置)；
测量及清理原始数据原理如下：
根据当前层的Design rule(设计规则)，剔除量测线宽严重偏离设计规则的数据点；
根据相邻数据曲线的光滑程度,重新检查/筛选跳点数据；
根据各数据点的标准方差，重新检查/筛选方差异常大的数据点。
S6，根据目标函数值判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子返回执行步骤S5，直至筛选出符合设计要求的光学模型。
可选的，进一步改进所述的OPC光学模型筛选方法，步骤S1中所述光学模型关键参数包括，数值孔径(NA)、理论焦平面(Beamfocus)、理论观察焦平面(def_start)、光瞳无损临界点(lossless_pt)和掩模偏差(mask_bias)至少其中之一。
可选的，进一步改进所述的OPC光学模型筛选方法，实施步骤S5时，采用以下步骤，基于模拟数据和测量数据调节图形权重因子优化各关键参数组合的模型强度阈值得到目标函数值；
S7,根据锚点的空间强度分布，计算出当锚点的模拟线宽达到预定值时的理想强度阈值th0；
S8，设置第一次阈值检索范围；
S9，设定阈值检索步长st1,并将阈值检索范围以阈值检索步长长度分段得到待检索阈值序列；若待检索阈值序列最末尾分段长度不足值检索步长,则检索阈值序列最后一个点取设为第一阈值；
S10，根据待检索阈值序列，计算各阈值条件下的目标函数；
S11，基于预存的各图形空间强度分布，通过阈值计算出各图形的模拟线宽值；
S12，根据各图形的模拟线宽及量测线宽值计算目标函值；
S13，根据各阈值thx计算得到的目标函值，筛选出目标函数值最小的阈值Thx0用于下一次迭代；
S14，设定下一次迭代的阈值检索步长为：st1/ratio，ratio为相邻两次迭代的步长缩小比例,ratio为大于1的正数；
S15，设定下一次迭代阈值检索范围；
S16，重复步骤S10-S15直到两次迭代得到的各自最小目标函数值的差值小于预设值为止；
S17，最后一次迭代得到的最小目标函数值所对应的阈值即为该关键参数组合条件下优化获得的模型强度最佳阈值。
可选的，进一步改进所述的OPC光学模型筛选方法，步骤S4、S7和S11中，空间强度分布包括一维强度分布1D cutline和二维强度分布2D cutline。
可选的，进一步改进所述的OPC光学模型筛选方法，实施步骤S8时，第一次阈值检索范围为[th0*50％,th0*150％]。
可选的，进一步改进所述的OPC光学模型筛选方法，实施步骤S9时，第一阈值为th0*150％。
可选的，进一步改进所述的OPC光学模型筛选方法，实施步骤S15时，下一次迭代阈值检索范围为[Thx-st1,Thx+st1]，Thx是上一次迭代筛选出目标函数值最小的阈值。
可选的，进一步改进所述的OPC光学模型筛选方法，实施步骤S16时，预设值为0.0001。
可选的，进一步改进所述的OPC光学模型筛选方法，步骤S5中所述目标函数(costfunction group)至少包括以下函数；
ErrRange＝Max(Measj-Simuj)-Min(Measj-Simuj) 函数(2)；
MaxAbsErr＝Max(Abs(Measj-Simuj)) 函数(3)；
Rms是误差加权方均根，Wtj是第j个图形的权重配比,Measj是第j个图形的量测线宽,Simuj第j个图形的模拟线宽；
ErrRange是误差范围，Max(x)最大值函数，Min(x)最小值函数；
MaxAbsErrs是最大绝对误差值，Abs(x)是绝对值函数；
NormRms是误差归一化加权方均根，σMeasj是第j个图形的量测数据标准方差。
本发明提供一种基于数据库检索实现对OPC光学模型筛选***，包括：
关键参数选取模块，其适用于确定光刻条件后选取光学模型关键参数；
关键参数组合获取模块，其适用于在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合；
光学模型生成模块，其适用于对每个关键参数组合生成一个光学模型；
模拟数据获取模块，其适用于将生成的各光学模型对测试掩模进行模拟，获得各测试图形(pattern)空间强度分布数据并保存成模拟数据；
目标函数生成模块，其适用于根据自定义的目标函数(cost function group)，基于模拟数据和测量数据调节图像权重因子优化各关键参数组合阈值(Threshold)得到目标函数值(Objective)；
所述量测数据通过测量及清理原始数据获得，测量及清理原始数据的方法采用Mentor graphic公司建议和或实际生产经验(根据需求设置)；
测量及清理原始数据原理如下：
根据当前层的Design rule(设计规则)，剔除量测线宽严重偏离设计规则的数据点；
根据相邻数据曲线的光滑程度,重新检查/筛选跳点数据；
根据各数据点的标准方差，重新检查/筛选方差异常大的数据点；
筛选模块，其适用于根据目标函数值判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子目标函数生成模块重新生成目标函数值，直至筛选出符合设计要求的光学模型。
可选的，进一步改进所述的OPC光学模型筛选***，光学模型生成模块选取的光学模型关键参数包括，数值孔径(NA)、理论焦平面(Beamfocus)、理论观察焦平面(def_start)、光瞳无损临界点(lossless_pt)和掩模偏差(mask_bias)至少其中之一。
可选的，进一步改进所述的OPC光学模型筛选***，目标函数生成模块，采用以下步骤基于模拟数据和测量数据调节图形权重因子优化各关键参数组合的模型强度阈值得到目标函数值；
S7,根据锚点的空间强度分布，计算出当锚点的模拟线宽达到预定值时的理想强度阈值th0；
S8，设置第一次阈值检索范围；
S9，设定阈值检索步长st1,并将阈值检索范围以阈值检索步长长度分段得到待检索阈值序列；若待检索阈值序列最末尾分段长度不足值检索步长,则检索阈值序列最后一个点取设为第一阈值；
S10，根据待检索阈值序列，计算各阈值条件下的目标函数；
S11，基于预存的各图形空间强度分布，通过阈值计算出各图形的模拟线宽值；
S12，根据各图形的模拟线宽及量测线宽值计算目标函值；
S13，根据各阈值thx计算得到的目标函值，筛选出目标函数值最小的阈值Thx0用于下一次迭代；
S14，设定下一次迭代的阈值检索步长为：st1/ratio，ratio为相邻两次迭代的步长缩小比例,ratio为大于1的正数；
S15，设定下一次迭代阈值检索范围；
S16，重复步骤S10-S15直到两次迭代得到的各自最小目标函数值的差值小于预设值为止；
S17，最后一次迭代得到的最小目标函数值所对应的阈值即为该关键参数组合条件下优化获得的模型强度最佳阈值。
可选的，进一步改进所述的OPC光学模型筛选***，所述空间强度分布包括一维强度分布和二维强度分布。
可选的，进一步改进所述的OPC光学模型筛选***，第一次阈值检索范围为[th0*50％,th0*150％]。
可选的，进一步改进所述的OPC光学模型筛选***，第一阈值为th0*150％。
可选的，进一步改进所述的OPC光学模型筛选***，下一次迭代阈值检索范围为[Thx-st1,Thx+st1]，Thx是上一次迭代筛选出目标函数值最小的阈值。
可选的，进一步改进所述的OPC光学模型筛选***，预设值为0.0001。
可选的，进一步改进所述的OPC光学模型筛选***，所述目标函数(cost functiongroup)至少包括以下函数；
ErrRange＝Max(Measj-Simuj)-Min(Measj-Simuj) 函数(2)；
MaxAbsErr＝Max(Abs(Measj-Simuj)) 函数(3)；
Rms是误差加权方均根，Wtj是第j个图形的权重配比,Measj是第j个图形的量测线宽,Simuj第j个图形的模拟线宽；
ErrRange是误差范围，Max(x)最大值函数，Min(x)最小值函数；
MaxAbsErrs是最大绝对误差值，Abs(x)是绝对值函数；
NormRms是误差归一化加权方均根，σMeasj是第j个图形的量测数据标准方差。
现有OPC光学模型筛选方法是通过参考目标函数的大小来实现的，而目标函数本身直接受到图形权重配置的影响。当权重配置改变时，全部内容都要重新计算。现有OPC光学模型筛选方法重复计算工作量大，计算速度慢，筛选OPC光学模型所需周期长。本发明基于数据库检索的方式，在确定光刻条件后(无需测量数据)，即可通过预先计算测试图形(test pattern)的空间像(Aerial image)并存储成数据库；导入测量数据后，在不同权重配置条件下仅需优化阈值(threshold)得到目标函数值(Objective)，而无需重复计算空间像(Aerial image)。本发明通过预先计算OPC光学模型并存储成数据库，一方面将建模开始时间提前并避免了不同图形权重配置调节过程中空间像(Aerial image)的重复计算，大大缩短了通过权重配置筛选OPC光学模型的时间；另一方面，能够额外抽取出其他辅助参数(Imin最小光强、Imax最大光强、On-target-threshold理想阈值等)用于综合评价光学模型的优劣。最终，能够显著缩短OPC建模时间。
附图说明
下面结合附图与具体实施方式对本发明作进一步详细的说明：
图1是现有OPC光学模型筛选方法流程示意图。
图2是本发明OPC光学模型筛选方法流程示意图。
图3是图像权重因子与OPC光学模型阈值(Threshold)及模拟线宽(Simulation_CD)的关系示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
如图2所示，本发明提供基于数据库检索的OPC光学模型筛选方法第一实施例，包括以下步骤：
S1，确定光刻条件后选取光学模型关键参数；
S2，在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合；
S3，对每个关键参数组合生成一个光学模型；
S4，依次用步骤S3生成的各光学模型对测试掩模进行模拟，获得各测试图形(pattern)强度分布数据并保存成模拟数据；
S5，根据自定义的目标函数(cost function group)，基于模拟数据和测量数据调节图像权重因子优化各关键参数组合阈值(Threshold)得到目标函数值(Objective)；
所述量测数据通过测量及清理原始数据获得，测量及清理原始数据的方法采用Mentor graphic公司建议和或实际生产经验(根据需求设置)；
测量及清理原始数据原理如下：
根据当前层的Design rule(设计规则)，剔除量测线宽严重偏离设计规则的数据点；
根据相邻数据曲线的光滑程度,重新检查/筛选跳点数据；
根据各数据点的标准方差，重新检查/筛选方差异常大的数据点。
S6，根据目标函数值判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子返回执行步骤S5，直至筛选出符合设计要求的光学模型。
本发明第一实施例基于数据库检索方式，在不同权重配置条件下仅需优化阈值(threshold)得到目标函数值(Objective)，而无需重复计算空间像(Aerial image)。本发明第一实施例通过预先计算OPC光学模型并存储成数据库，一方面将建模开始时间提前并避免了不同图形权重配置调节过程中空间像(Aerial image)的重复计算，大大缩短了通过权重配置筛选OPC光学模型的时间；另一方面，能够额外抽取出其他辅助参数(Imin、Imax、On-target-threshold等)用于综合评价光学模型的优劣，能够显著缩短OPC建模时间。
本发明提供基于数据库检索的OPC光学模型筛选方法第二实施例，包括以下步骤：
S1，确定光刻条件后选取光学模型关键参数；所述取光学模型关键参数包括，数值孔径(NA)、理论焦平面(Beamfocus)、理论观察焦平面(def_start)、光瞳无损临界点(lossless_pt)和掩模偏差(mask_bias)至少其中之一；
S2，在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合；
S3，对每个关键参数组合生成一个光学模型；
S4，依次用步骤S3生成的各光学模型对测试掩模进行模拟，获得各测试图形(pattern)强度分布数据并保存成模拟数据；强度分布数据至少包括一维强度分布(1Dcutline)和二维强度分布(2D cutline)。
S5，根据自定义的目标函数(cost function group)，基于模拟数据和测量数据调节图像权重因子优化各关键参数组合阈值(Threshold)得到目标函数值(Objective)；采用以下步骤，基于模拟数据和测量数据调节图形权重因子优化各关键参数组合的模型强度阈值得到目标函数值；
根据锚点的空间强度分布，计算出当锚点的模拟线宽达到预定值时的理想强度阈值th0；
设置第一次阈值检索范围[th0*50％,th0*150％]；
设定阈值检索步长st1,并将阈值检索范围以阈值检索步长长度分段得到待检索阈值序列；若待检索阈值序列最末尾分段长度不足值检索步长,则检索阈值序列最后一个点取设为第一阈值th0*150％；
根据待检索阈值序列，计算各阈值条件下的目标函数；
基于预存的各图形空间强度分布，通过阈值计算出各图形的模拟线宽值；
根据各图形的模拟线宽及量测线宽值计算目标函值；
根据各阈值thx计算得到的目标函值，筛选出目标函数值最小的阈值Thx0用于下一次迭代；
设定下一次迭代的阈值检索步长为：st1/ratio，ratio为相邻两次迭代的步长缩小比例,ratio为大于1的正数；
设定下一次迭代阈值检索范围[Thx-st1,Thx+st1]，Thx是上一次迭代筛选出目标函数值最小的阈值；
重复根据待检索阈值序列执行迭代阈值检索，直到两次迭代得到的各自最小目标函数值的差值小于0.0001为止；
最后一次迭代得到的最小目标函数值所对应的阈值即为该关键参数组合条件下优化获得的模型强度最佳阈值。
S6，根据目标函数值判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子返回执行步骤S5，直至筛选出符合设计要求的光学模型。
其中，步骤S5中所述目标函数(cost function group)至少包括以下函数；
ErrRange＝Max(Measj-Simuj)-Min(Measj-Simuj) 函数(2)；
MaxAbsErr＝Max(Abs(Measj-Simuj)) 函数(3)；
Rms是误差加权方均根，Wtj是第j个图形的权重配比,Measj是第j个图形的量测线宽,Simuj第j个图形的模拟线宽；
ErrRange是误差范围，Max(x)最大值函数，Min(x)最小值函数；
MaxAbsErrs是最大绝对误差值，Abs(x)是绝对值函数；
NormRms是误差归一化加权方均根，σMeasj是第j个图形的量测数据标准方差。
本发明提供一种基于数据库检索实现对OPC光学模型的OPC光学模型筛选***第一实施例，包括：
关键参数选取模块，其适用于确定光刻条件后选取光学模型关键参数；
关键参数组合获取模块，其适用于在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合；
光学模型生成模块，其适用于对每个关键参数组合生成一个光学模型；
模拟数据获取模块，其适用于将生成的各光学模型对测试掩模进行模拟，获得各测试图形(pattern)空间强度分布数据并保存成模拟数据；
目标函数生成模块，其适用于根据自定义的目标函数(cost function group)，基于模拟数据和测量数据调节图像权重因子优化各关键参数组合阈值(Threshold)得到目标函数值(Objective)；
所述量测数据通过测量及清理原始数据获得，测量及清理原始数据的方法采用Mentor graphic公司建议和或实际生产经验(根据需求设置)；
测量及清理原始数据原理如下：
根据当前层的Design rule(设计规则)，剔除量测线宽严重偏离设计规则的数据点；
根据相邻数据曲线的光滑程度,重新检查/筛选跳点数据；
根据各数据点的标准方差，重新检查/筛选方差异常大的数据点。
筛选模块，其适用于根据目标函数判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子重新计算目标函数值，直至筛选出符合设计要求的光学模型。
本发明提供一种基于数据库检索实现对OPC光学模型的OPC光学模型筛选***第二实施例，包括：
关键参数选取模块，其适用于确定光刻条件后选取光学模型关键参数；所述取光学模型关键参数包括，数值孔径(NA)、理论焦平面(Beamfocus)、理论观察焦平面(def_start)、光瞳无损临界点(lossless_pt)和掩模偏差(mask_bias)至少其中之一；
关键参数组合获取模块，其适用于在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合；
光学模型生成模块，其适用于对每个关键参数组合生成一个光学模型；
模拟数据获取模块，其适用于将生成的各光学模型对测试掩模进行模拟，获得各测试图形(pattern)强度分布数据并保存成模拟数据；所述强度分布数据至少包括一维强度分布(1D cutline)和二维强度分布(2D cutline)；
目标函数生成模块，其适用于根据自定义的目标函数(cost function group)，基于模拟数据和测量数据调节图像权重因子优化各关键参数组合阈值(Threshold)得到目标函数值(Objective)；
目标函数生成模块采用以下步骤，基于模拟数据和测量数据调节图形权重因子优化各关键参数组合的模型强度阈值得到目标函数值；
根据anchor point(锚点，OPC模型关键图形)的空间强度分布(一维或二维)，计算出当锚点的模拟线宽达到预定值时的理想强度阈值th0；
计算出阈值检索范围为[th0*50％,th0*150％]；
设定阈值检索步长st1,并将检索范围[th0*50％,th0*150％]分段以st1为长度分度,得到待检索阈值序列th0*50％,th0*50％+st1,th0*50％+st1*2…；最后,如分段长度不足st1,序列最后一个点取为th0*150％；
根据待检索阈值序列thx，依次计算各阈值条件下的目标函数；
基于预存的各图形空间强度分布，通过阈值thx计算出各图形的模拟线宽值Simuj；
根据各图形的模拟线宽Simuj及量测线宽值Measj计算目标函值Objx(以RMS做目标函数为例)：
根据各阈值thx计算得到的Objx，筛选出目标函数值Objx最小的阈值Thx0用于下一次迭代；
设定下一次迭代的阈值检索步长为：st1/ratio,ratio为相邻两次迭代的步长缩小比例,为大于1的正数；设定下一次迭代阈值检索范围为[Thx–st1,Thx+st1]；
重复步骤3)-5),直到两次迭代得到的各自最小目标函数值的差值小于0.0001为止；
最后一次迭代得到的最小目标函数值所对应的阈值Thx即为该关键参数组合条件下优化出来的模型强度最佳阈值Th；
筛选模块，其适用于根据目标函数值判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子重新计算目标函数值，直至筛选出符合设计要求的光学模型。
其中，所述目标函数(cost function group)至少包括以下函数；
ErrRange＝Max(Measj-Simuj)-Min(Measj-Simuj) 函数(2)；
MaxAbsErr＝Max(Abs(Measj-Simuj)) 函数(3)；
Rms是误差加权方均根，Wtj是第j个图形的权重配比,Measj是第j个图形的量测线宽,Simuj第j个图形的模拟线宽；
ErrRange是误差范围，Max(x)最大值函数，Min(x)最小值函数；
MaxAbsErrs是最大绝对误差值，Abs(x)是绝对值函数；
NormRms是误差归一化加权方均根，σMeasj是第j个图形的量测数据标准方差。
基于数据库筛选65Nor(技术平台名称)CG(版图中某层名称)OPC光学模型中Beamfocus/Def_start组合，以预先计算不同beamfocus/def_start组合条件下的所有测试图形(test pattern)的一维光强维分布(cutline)，并存储成数据库；待获得量测数据后，即可调节权重配置筛选OPC光学模型；并能从一维光强维分布(cutline)中抽取出其他光学信息(Imin最小光强、Imax最大光强、Slope光强梯度等)以便对待选光学模型进行更综合评价为例，进一步说明本发明。
根据65Nor CG模型，准备产生OPC光学模型的optical_template(光学模型模板，包括了产生光学模型所需的所有信息)文件、gg file(数据测量文件，其中包括了待量测图形的信息：坐标、图形种类、掩模上图形线宽值、量测线宽值等)、gds(版图文件)文件；
根据光阻厚度(120nm)，对Beamfocus(理论焦平面)/Def_start(理论实际观察焦平面)分别进行采样；
两参数的采样序列均如下(单位nm)：0,12,24,36,48,60,72,84,96,108,120。
通过Calibrewb(Mentor graphic公司软件名称)调用自定义Tcl脚本，遍历所有Beamfocus/Def_start组合，在每种Beamfocus/Def_start条件下实现以下步骤：
修改optical_template文件中Beamfocus及Def_start的值，并产生新的OPC光学模型；
读取gg file，并依次对每条gauge(量测点)产生一个cutline(一维强度分布)文件；
Cutline文件格式转化，以便能在calibrewb中直接查看；
通过自定义脚本，遍历所有Beamfocus/Def_start组合,在对每种组合条件下实现以下步骤：
根据各gauge(量测点)的量测值与cutline(一维强度分布)数据，计算各自on-target的ot-Threshold(某图形模拟线宽等于量测线宽时的强度阈值)及该处ot-slope(某图形模拟线宽等于量测线宽时，该强度阈值处的光强梯度)；
根据每条gauge的cutline计算Imin(最小光强)及Imax(最大光强)；
根据自定义cost function group(目标函数)，计算出该条件下的objectivegroup(目标函数值矢量)(Rms,ot_Threshold_std…)；
将各Beamfocus/Def_start条件下各objective group情况汇总成表格；
根据objective group(目标函数值矢量)的情况综合评价各Beamfocus/Def_start组合的优劣；
若筛选出的Beamfocus/Def_start组合不符合要求；重新调节各gauge的权重配置；重新根据cost function group(目标函数)计算出该条件下的objective group(目标函数值矢量)直到筛选出满意的Beamfocus/Def_start组合。
以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。
Claims (18)
1.一种OPC光学模型筛选方法，基于数据库检索实现对OPC光学模型的筛选，其特征在于，包括以下步骤：
S1，确定光刻条件后选取光学模型关键参数；
S2，在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合；
S3，对每个关键参数组合生成一个光学模型；
S4，依次用步骤S3生成的各光学模型对测试掩模进行模拟，获得各测试图形空间强度分布数据并保存成模拟数据；
S5，根据自定义的目标函数，基于模拟数据和测量数据调节图形权重因子优化各关键参数组合的模型强度最优阈值得到目标函数值；
S6，根据目标函数值判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子返回执行步骤S5，直至筛选出符合设计要求的光学模型。
2.如权利要求1所述的OPC光学模型筛选方法，其特征在于：步骤S1中所述光学模型关键参数包括，数值孔径、理论焦平面、理论观察焦平面、光瞳无损临界点和掩模偏差至少其中之一。
3.如权利要求1所述的OPC光学模型筛选方法，其特征在于：实施步骤S5时，采用以下步骤，基于模拟数据和测量数据调节图形权重因子优化各关键参数组合的模型强度阈值得到目标函数值；
S7,根据锚点的空间强度分布，计算出当锚点的模拟线宽达到预定值时的理想强度阈值th0；
S8，设置第一次阈值检索范围；
S9，设定阈值检索步长st1,并将阈值检索范围以阈值检索步长长度分段得到待检索阈值序列；若待检索阈值序列最末尾分段长度不足值检索步长,则检索阈值序列最后一个点取设为第一阈值；
S10，根据待检索阈值序列，计算各阈值条件下的目标函数；
S11，基于预存的各图形空间强度分布，通过阈值计算出各图形的模拟线宽值；
S12，根据各图形的模拟线宽及量测线宽值计算目标函值；
S13，根据各阈值thx计算得到的目标函值，筛选出目标函数值最小的阈值Thx0用于下一次迭代；
S14，设定下一次迭代的阈值检索步长为：st1/ratio，ratio为相邻两次迭代的步长缩小比例,ratio为大于1的正数；
S15，设定下一次迭代阈值检索范围；
S16，重复步骤S10-S15直到两次迭代得到的各自最小目标函数值的差值小于预设值为止；
S17，最后一次迭代得到的最小目标函数值所对应的阈值即为该关键参数组合条件下优化获得的模型强度最佳阈值。
4.如权利要求3所述的OPC光学模型筛选方法，其特征在于：步骤S4、S7和S11中，空间强度分布包括一维强度分布和二维强度分布。
5.如权利要求3所述的OPC光学模型筛选方法，其特征在于：实施步骤S8时，第一次阈值检索范围为[th0*50％,th0*150％]。
6.如权利要求3所述的OPC光学模型筛选方法，其特征在于：实施步骤S9时，第一阈值为th0*150％。
7.如权利要求3所述的OPC光学模型筛选方法，其特征在于：实施步骤S15时，下一次迭代阈值检索范围为[Thx-st1,Thx+st1]，Thx是上一次迭代筛选出目标函数值最小的阈值。
8.如权利要求3所述的OPC光学模型筛选方法，其特征在于：实施步骤S16时，预设值为0.0001。
9.如权利要求1所述的OPC光学模型筛选方法，其特征在于：步骤S5中所述目标函数(cost function group)至少包括以下函数；
ErrRange＝Max(Measj-Simuj)-Min(Measj-Simuj) 函数(2)；
MaxAbsErr＝Max(AbS(Measj-Simuj)) 函数(3)；
Rms是误差加权方均根，Wtj是第j个图形的权重配比,Measj是第j个图形的量测线宽,Simuj第j个图形的模拟线宽；
ErrRange是误差范围，Max(x)最大值函数，Min(x)最小值函数；
MaxAbsErrs是最大绝对误差值，Abs(x)是绝对值函数；
NormRms是误差归一化加权方均根，σMeasj是第j个图形的量测数据标准方差。
10.一种OPC光学模型筛选***，基于数据库检索实现对OPC光学模型的筛选，其特征在于，包括：
关键参数选取模块，其适用于确定光刻条件后选取光学模型关键参数；
关键参数组合获取模块，其适用于在设计范围内的不同光刻条件下，对光学模型关键参数进行采样形成关键参数组合；
光学模型生成模块，其适用于对每个关键参数组合生成一个光学模型；
模拟数据获取模块，其适用于将生成的各光学模型对测试掩模进行模拟，获得各测试图形强度分布数据并保存成模拟数据；
目标函数生成模块，其适用于根据自定义的目标函数，基于模拟数据和测量数据调节图像权重因子优化各关键参数组合阈值得到目标函数值；
筛选模块，其适用于根据目标函数值判断各关键参数组合生成的光学模型是否符合设计要求，若不符合设计要求，则调节图像权重因子返回目标函数生成模块重新生成目标函数值，直至筛选出符合设计要求的光学模型。
11.如权利要求10所述的OPC光学模型筛选***，其特征在于：关键参数选取模块选取的光学模型关键参数包括，数值孔径、理论焦平面、理论观察焦平面、光瞳无损临界点和掩模偏差至少其中之一。
12.如权利要求10所述的OPC光学模型筛选***，其特征在于：目标函数生成模块，采用以下步骤基于模拟数据和测量数据调节图形权重因子优化各关键参数组合的模型强度阈值得到目标函数值；
S7,根据锚点的空间强度分布，计算出当锚点的模拟线宽达到预定值时的理想强度阈值th0；
S8，设置第一次阈值检索范围；
S9，设定阈值检索步长st1,并将阈值检索范围以阈值检索步长长度分段得到待检索阈值序列；若待检索阈值序列最末尾分段长度不足值检索步长,则检索阈值序列最后一个点取设为第一阈值；
S10，根据待检索阈值序列，计算各阈值条件下的目标函数；
S11，基于预存的各图形空间强度分布，通过阈值计算出各图形的模拟线宽值；
S12，根据各图形的模拟线宽及量测线宽值计算目标函值；
S13，根据各阈值thx计算得到的目标函值，筛选出目标函数值最小的阈值Thx0用于下一次迭代；
S14，设定下一次迭代的阈值检索步长为：st1/ratio，ratio为相邻两次迭代的步长缩小比例,ratio为大于1的正数；
S15，设定下一次迭代阈值检索范围；
S16，重复步骤S10-S15直到两次迭代得到的各自最小目标函数值的差值小于预设值为止；
S17，最后一次迭代得到的最小目标函数值所对应的阈值即为该关键参数组合条件下优化获得的模型强度最佳阈值。
13.如权利要求12所述的OPC光学模型筛选***，其特征在于：所述空间强度分布包括一维强度分布和二维强度分布。
14.如权利要求12所述的OPC光学模型筛选***，其特征在于：第一次阈值检索范围为[th0*50％,th0*150％]。
15.如权利要求12所述的OPC光学模型筛选***，其特征在于：第一阈值为th0*150％。
16.如权利要求12所述的OPC光学模型筛选***，其特征在于：下一次迭代阈值检索范围为[Thx-st1,Thx+st1]，Thx是上一次迭代筛选出目标函数值最小的阈值。
17.如权利要求12所述的OPC光学模型筛选***，其特征在于：预设值为0.0001。
18.如权利要求10所述的OPC光学模型筛选***，其特征在于：所述目标函数(costfunction group)至少包括以下函数；
ErrRange＝Max(Measj-Simuj)-Min(Measj-Simuj) 函数(2)；
MaxAbsErr＝Max(Abs(Measj-Simuj)) 函数(3)；
Rms是误差加权方均根，Wtj是第j个图形的权重配比,Measj是第j个图形的量测线宽,Simuj第j个图形的模拟线宽；
ErrRange是误差范围，Max(x)最大值函数，Min(x)最小值函数；
MaxAbsErrs是最大绝对误差值，Abs(x)是绝对值函数；
NormRms是误差归一化加权方均根，σMeasj是第j个图形的量测数据标准方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910842021.0A CN110688736B (zh) | 2019-09-06 | 2019-09-06 | Opc光学模型筛选方法及其筛选*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910842021.0A CN110688736B (zh) | 2019-09-06 | 2019-09-06 | Opc光学模型筛选方法及其筛选*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110688736A true CN110688736A (zh) | 2020-01-14 |
| CN110688736B CN110688736B (zh) | 2023-08-15 |
Family
ID=69107889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910842021.0A Active CN110688736B (zh) | 2019-09-06 | 2019-09-06 | Opc光学模型筛选方法及其筛选*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110688736B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115993754A (zh) * | 2023-03-24 | 2023-04-21 | 长鑫存储技术有限公司 | 一种模型校准方法、装置、电子设备和计算机存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106094423A (zh) * | 2016-08-22 | 2016-11-09 | 上海华力微电子有限公司 | 一种光刻工艺优化方法 |
| CN108073047A (zh) * | 2016-11-15 | 2018-05-25 | 无锡华润上华科技有限公司 | 光学临近效应校正方法及*** |
-
2019
- 2019-09-06 CN CN201910842021.0A patent/CN110688736B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106094423A (zh) * | 2016-08-22 | 2016-11-09 | 上海华力微电子有限公司 | 一种光刻工艺优化方法 |
| CN108073047A (zh) * | 2016-11-15 | 2018-05-25 | 无锡华润上华科技有限公司 | 光学临近效应校正方法及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115993754A (zh) * | 2023-03-24 | 2023-04-21 | 长鑫存储技术有限公司 | 一种模型校准方法、装置、电子设备和计算机存储介质 |
| CN115993754B (zh) * | 2023-03-24 | 2023-07-07 | 长鑫存储技术有限公司 | 一种模型校准方法、装置、电子设备和计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110688736B (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6542278B2 (ja) | Ｅｕｖリソグラフィのフレア計算及び補償 | |
| US7962863B2 (en) | Computer-implemented methods, systems, and computer-readable media for determining a model for predicting printability of reticle features on a wafer | |
| CN109491216B (zh) | 一种优化光刻工艺参数的方法 | |
| EP1424595B1 (en) | Automatic calibration of a masking process simulator | |
| US20100036644A1 (en) | Method for selectively amending layout patterns | |
| CN112558426B (zh) | 基于协方差矩阵自适应演化策略的光刻机匹配方法 | |
| CN113050363A (zh) | 光学邻近修正模型的建立方法以及光学邻近修正方法 | |
| CN115457350B (zh) | 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 | |
| JP2005062750A (ja) | Ｏｐｃを用いたパターン寸法の補正方法及び検証方法、該補正方法を用いて作成されたマスク及び半導体装置、並びに該補正方法を実行するシステム及びプログラム | |
| CN107885028B (zh) | Opc建模中次分辨率辅助图形确定的方法 | |
| US7093226B2 (en) | Method and apparatus of wafer print simulation using hybrid model with mask optical images | |
| CN106294935B (zh) | 一种基于图形密度的工艺模型建模与修正方法 | |
| CN110688736B (zh) | Opc光学模型筛选方法及其筛选*** | |
| CN108170006B (zh) | 光刻机匹配方法 | |
| CN101482697B (zh) | 一种减小opc模型残余误差的方法 | |
| US20100021040A1 (en) | Pattern evaluation apparatus and pattern evaluation method | |
| CN110320764B (zh) | 光刻机匹配方法 | |
| CN115047722A (zh) | 线宽的测量方法 | |
| CN109031892B (zh) | 光刻机匹配方法 | |
| CN111414724A (zh) | 电路仿真优化的方法 | |
| CN117950280B (zh) | 建立光学邻近效应修正模型的方法、电子设备和存储介质 | |
| Qi et al. | Test pattern generation by conditional generative model labeled by image parameters | |
| CN118363274A (zh) | 一种提升刻蚀图形关键尺寸均匀性的方法、***和计算机设备 | |
| CN117289542A (zh) | 用于光源掩模优化的方法、设备、存储介质及程序产品 | |
| CN114563915A (zh) | 基于套刻标识掩模的优化方法、装置和设备 |
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 |