CN112485976A - 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法 - Google Patents
基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法 Download PDFInfo
- Publication number
- CN112485976A CN112485976A CN202011462245.8A CN202011462245A CN112485976A CN 112485976 A CN112485976 A CN 112485976A CN 202011462245 A CN202011462245 A CN 202011462245A CN 112485976 A CN112485976 A CN 112485976A
- Authority
- CN
- China
- Prior art keywords
- target
- cdsem image
- model
- cdsem
- neural network
- 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
- 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
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
-
- 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
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- 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
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- 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
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
一种基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其包括训练集和验证集的生成步骤、在进行模型训练之前将所述第一目标CDSEM图像与所述第二目标CDSEM图像对齐步骤、遍历N组所述第一目标CDSEM图像‑第二目标CDSEM图像数据对完成神经网络模型的训练、以及神经网络模型应用步骤。因此,本发明在已知设计图案的情况下,给出了光刻目标图***解,其不仅实现了在不需要进行刻蚀偏差估计的情况下,进一步满足了光学临近修正精度的要求,且该逆向刻蚀模型速度比较快。
Description
技术领域
本发明属于半导体集成电路制造工艺技术领域,涉及一种基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法。
背景技术
在半导体制造流程中,光刻工艺一直都是最关键的环节。光刻的原理是在硅片表面覆盖一层具有高度光敏感性光刻胶,再用光线(一般是紫外光、深紫外光和极紫外光)透过掩模照射在硅片表面,被光线照射到的光刻胶会发生反应。此后用特定溶剂洗去被照射/未被照射的光刻胶,就实现了电路图从掩模到硅片的转移,就实现了半导体器件在硅片表面的构建过程。
在当前集成电路制造中,光刻之前需要先进行光学临近修正(Optical ProximityCorrection,OPC),根据目标图案对掩膜版图形进行调整,以提高良率,减少工艺缺陷。进行OPC时,首先必须定义光刻目标图案。
请参阅图1,图1所示为现有技术中确认光学临近修正目标的方法流程图。在目前的OPC实践中,光刻目标图案是由刻蚀后的图案(光刻后会用刻蚀工艺将光刻胶的图案转移到光刻胶下面的薄膜层中)结合刻蚀偏差估计产生的。然而,上述光刻目标图案确定方法一种近似的方法,业界需要一种更准确的光刻目标图案确定方法。
美国LAM(LAM Research)公司的研究人员提出一种光刻胶和刻蚀模型建立方案。该方案根据GDS文件中的版图图形,结合光刻胶特性和工艺条件确定光刻后图形轮廓。再根据上述步骤的结果和工艺条件确定刻蚀后的3D模型。
然而,上述模型建立了从版图图形到光刻后图像轮廓,以及光刻后图像轮廓到刻蚀后3D图形两个模型。但模型建立过程需要考虑光刻工艺条件、光刻胶特性、刻蚀条件等,且输出的是轮廓不是SEM图像。
发明内容
鉴于以上述现有技术存在的问题,本发明提出了一种基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其通过刻蚀后图案(设计图案)快速、准确地确定光刻后图案,以用于光学临近修正。
为实现上述目的,本发明的技术方案如下:
一种基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其包括如下步骤:
步骤S1:训练集和验证集的生成步骤;其包括:
步骤S11:提供晶圆,并预设光刻工艺次数为K次;其中,K为大于等于1的正整数;
步骤S12:在所述晶圆上完成一次光刻工艺流程,使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描,得到M张第一目标CDSEM图像;以及对所述光刻后晶圆完成一次刻蚀工艺流程,使用扫描电子显微镜在刻蚀后晶圆对应的Mi处坐标扫描,得到Mi张第二目标CDSEM图像,其中,所述第一目标CDSEM图像和第二目标CDSEM图像的大小和分辨率相同,其中,Mi为大于等于10的正整数,i为1,2,3…K中的一个值;
步骤S13:将一张第一目标CDSEM图像与对应的第二目标CDSEM图像组成一组第一目标CDSEM图像-第二目标CDSEM图像数据对,最终得到M组所述第一目标CDSEM图像-第二目标CDSEM图像数据对;
步骤S15:将N组所述第一目标CDSEM图像-第二目标CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集;其中,所述训练集和验证集的比例为N1:N2,N=N1+N2;
步骤S2:将所述第一目标CDSEM图像与所述第二目标CDSEM图像对齐;
步骤S3:采用神经网络模型,将所述第二目标CDSEM图像作为输入,与之对应的第一目标CDSEM图像作为目标输出,遍历所述训练集中的N1组所述第一目标CDSEM图像-第二目标CDSEM图像数据对完成所述神经网络模型的训练;遍历所述验证集中的N2组所述第一目标CDSEM图像-第二目标CDSEM图像数据对完成所述神经网络模型的验证。
进一步地,步骤S3包括:
步骤S31:提供所述神经网络模型;
步骤S32:以所述训练集中的所述第二目标CDSEM图像作为输入,与之对应的所述第一目标CDSEM图像作为目标输出,遍历所述训练集中的所述第一目标CDSEM图像-第二目标CDSEM图像数据对,对所述神经网络模型进行训练;
步骤S33:遍历所述验证集中的所述第一目标CDSEM图像-第二目标CDSEM图像数据对,对所述神经网络模型进行验证,并计算所述验证集的损失函数;
步骤S34:判断所述损失函数是否小于设定值,如果是,停止对所述神经网络模型的训练,得到最终神经网络模型;如果不是,重复执行步骤S32至S34;其中,所述神经网络模型体现了所述第二目标CDSEM图像与所述第一目标CDSEM图像之间的映射。
进一步地,所述神经网络模型为深度卷积神经网络DCNN模型或者生成式对抗网络GAN模型,使用ReLU为激活函数;如果所述神经网络模型采用所述深度卷积神经网络DCNN模型,所述损失函数为均方误差损失函数或均方根误差损失函数或平均绝对误差损失函数,如果所述神经网络模型采用所述生成式对抗网络GAN模型,所述损失函数为交叉熵损失函数和均方误差损失函数的综合损失函数或交叉熵损失函数和均方根误差损失函数的综合损失函数。
进一步地,所述深度卷积神经网络DCNN模型包括一输入层、P个卷积层和一输出层,所述卷积层的结构相同,所述输入层只进行卷积和激活操作,输出层只进行卷积操作。
进一步地,所述深度卷积神经网络DCNN模型包括一输入层、13个卷积层和一输出层,卷积核大小为3*3,每层具有64个卷积核,每个卷积层后进行批归一化。
进一步地,所述训练集的个数N1是7的倍数,所述验证集的个数N2为3的倍数。
进一步地,所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其还包括:
步骤4:通过设计图形确定新的第二目标CDSEM图像,并将所述新的第二目标CDSEM图像作为所述最终神经网络模型输入,所述最终神经网络模型生成对应的新的第一目标CDSEM图像,提取所述新的第一目标CDSEM图像的轮廓,所述轮廓作为光学邻近修正光刻目标图案。
进一步地,所述N为1000。
从上述技术方案可以看出,本发明的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,给出了确定光刻工艺目标准确解的一种方法,其不仅可以找到光刻目标图***解,且模型速度比较快。也就是说,本发明可以在已知设计图案的情况下,可以确定光学临近修正的目标,即光刻工艺图案,实现了在不需要进行刻蚀偏差估计的情况下,进一步满足了光学临近修正精度的要求。
附图说明
图1所示为现有技术中确认光学临近修正目标的方法流程图
图2所示为本发明实施例中基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法的流程示意图
图3所示为本发明实施例中基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法的功能框图
图4所示为本发明实施例中提供的刻蚀后CDSEM图像、光刻工艺CDSEM图像、模型生成光刻工艺CDSEM图像示意图
图5所示为本发明实施例中模型输出的刻蚀后CDSEM图像模型与真实刻蚀后CDSEM图像之间的误差分布统计直方图
具体实施方式
下面结合附图2-5,对本发明的具体实施方式作进一步的详细说明。
需要说明的是,本发明公开的一种基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其采用的一种逆向刻蚀模型为通过训练后的神经网络模型,其由刻蚀后CDSEM图像确定光刻后CDSEM图像的方法,该神经网络模型输出可以用于更加快速和准确地确定OPC的目标图形。
图2所示为本发明实施例中基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法的流程示意图。如图所示,该方法包括如下步骤:
步骤S1:训练集和验证集的生成步骤;其包括:
步骤S11:提供晶圆,并预设光刻工艺次数为K次;其中,K为大于等于1的正整数;较佳地,该N可以为1000。
步骤S12:在所述晶圆上完成一次光刻工艺流程,使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描,得到Mi张第一目标CDSEM图像;以及对所述光刻后晶圆完成一次刻蚀工艺流程,使用扫描电子显微镜在刻蚀后晶圆对应的Mi处坐标扫描,得到Mi张第二目标CDSEM图像,其中,所述第一目标CDSEM图像和第二目标CDSEM图像的大小和分辨率相同,其中,Mi为大于等于10的正整数,i为1,2,3…K中的一个值;
步骤S13:将一张第一目标CDSEM图像与对应的第二目标CDSEM图像组成一组第一目标CDSEM图像-第二目标CDSEM图像数据对,最终得到M组所述第一目标CDSEM图像-第二目标CDSEM图像数据对;
步骤S15:将N组所述第一目标CDSEM图像-第二目标CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集;其中,所述训练集和验证集的比例为N1:N2,N=N1+N2。
请参阅图3,图3所示为本发明实施例中基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法的功能框图。如图3所示,其在产线上的光刻和刻蚀工艺后,使用扫描电子显微镜收集晶圆上不同位置的光刻和刻蚀后扫描电子显微镜(Scanning ElectronMicroscope,SEM)图像,即第一目标CDSEM图像和第二目标CDSEM图像(注:第一目标CDSEM图像对应光刻后SEM图像,即ADI-After design image;第二目标CDSEM图像对应刻蚀后SEM图像,即AEI-After etch image)。
本领域技术人员清楚,扫描电子显微镜(SEM)是一种介于透射电子显微镜和光学显微镜之间的一种观察手段,其利用聚焦的很窄的高能电子束来扫描样品,通过光束与物质间的相互作用,来激发各种物理信息,并对这些信息收集、放大、再成像以达到对物质微观形貌表征的目的。
用于模型训练的训练集和用于验证模型的验证集均是从多次光刻和刻蚀的实际工艺后,通过扫描电子显微镜(SEM)得到的第一目标CDSEM图像和第二目标CDSEM图像(例如进行5次光刻和刻蚀,每次扫描的晶圆坐标分别为200处,300处,50处,150处,300处,则最终会得到1000张第一目标CDSEM图像和第二目标CDSEM图像,即N=1000)。N组第一目标CDSEM图像-第二目标CDSEM图像对按比例分成用于模型训练的训练集和用于验证模型的验证集;所述训练集和验证集的比例为N1:N2,N=N1+N2。
较佳地,可以是按训练集和验证集的比例为7:3进行,其中,训练集包括700组第一目标CDSEM图像和第二目标CDSEM图像对,验证集包括300组第一目标CDSEM图像和第二目标CDSEM图像对。
在本发明的实施例中,在深度卷积神经网络模型训练阶段,该设计好的深度卷积神经网络,以刻蚀后第二目标CDSEM图像作为输入,光刻后第一目标CDSEM图像作为目标输出,训练逆向刻蚀模型,当模型精度满足要求时停止训练。
在本发明的实施例中,由于实际刻蚀后图形的坐标与掩模版上对应的图形坐标可能有偏差,在进行模型训练之前,还需执行步骤S2:将所述第一目标CDSEM图像-第二目标CDSEM图像对齐;并且,较佳地,所述第一目标CDSEM图像-第二目标CDSEM图像的大小和分辨率相同,图像大小视具体情况而定,本次示例中可以是512*512。
上述步骤完成后,就可以执行本发明的最关键的模型训练步骤了,即步骤S3:采用神经网络模型,将所述第二目标CDSEM图像作为输入,与之对应的第一目标CDSEM图像作为目标输出,遍历所述训练集中的N1组所述第一目标CDSEM图像-第二目标CDSEM图像数据对完成所述神经网络模型的训练;遍历所述验证集中的N2组所述第一目标CDSEM图像-第二目标CDSEM图像数据对完成所述神经网络模型的验证。
具体地,本发明的通过图像到图像(Image To Image)主要方式是,基于所述第一目标CDSEM图像-第二目标CDSEM图像数据对,将第二目标CDSEM图像作为神经网络模型的输入图像,与之对应的第一目标CDSEM图像作为神经网络模型期望的输出图像,通过对神经网络模型不断的训练和验证,并进行神经网络模型参数的调节,最终完成第二目标CDSEM图像到第一目标CDSEM图像之间的映射。
在本发明的实施例中,所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法的步骤S3具体包括:
步骤S31:提供所述神经网络模型;
步骤S32:以所述训练集中的所述第二目标CDSEM图像作为输入,与之对应的所述第一目标CDSEM图像作为目标输出,遍历所述训练集中的所述第一目标CDSEM图像-第二目标CDSEM图像数据对,对所述神经网络模型进行训练;
步骤S33:遍历所述验证集中的所述第一目标CDSEM图像-第二目标CDSEM图像数据对,对所述神经网络模型进行验证,并计算所述验证集的损失函数;
步骤S34:判断所述损失函数是否小于设定值,如果是,停止对所述神经网络模型的训练,得到最终神经网络模型;如果不是,重复执行步骤S32至S34;其中,所述神经网络模型体现了所述第二目标CDSEM图像与所述第一目标CDSEM图像之间的映射。
在本发明的实施例中,所述神经网络模型为深度卷积神经网络DCNN模型或者生成式对抗网络GAN模型,使用ReLU为激活函数;如果所述神经网络模型采用所述深度卷积神经网络DCNN模型,所述损失函数为均方误差损失函数或均方根误差损失函数或平均绝对误差损失函数,如果所述神经网络模型采用所述生成式对抗网络GAN模型,所述损失函数为交叉熵损失函数和均方误差损失函数的综合损失函数或交叉熵损失函数和均方根误差损失函数的综合损失函数。
进一步地,所述DCNN模型包括一输入层、P个卷积层和一输出层,所述卷积层的结构相同,所述输入层只进行卷积和激活操作,输出层只进行卷积操作。
例如,所述DCNN模型包括一输入层、13个卷积层和一输出层,所述卷积层的结构相同,卷积核大小为3*3,每层具有64个卷积核,每个卷积层后有批归一化,所述输入层只进行卷积和激活操作,输出层只进行卷积操作。
请参阅图4,图4所示为本发明实施例中提供的刻蚀后CDSEM图像、光刻工艺CDSEM图像、模型生成光刻工艺CDSEM图像示意图。
在上述训练好的神经网络模型(逆向刻蚀模型)的实际应用阶段,就可以根据设计图形确定刻蚀后CDSEM图像(第二CDSEM图像),并将此第二CDSEM图像输入至逆向刻蚀模型,逆向刻蚀模型给出对应的光刻后SEM图像(第一CDSEM图像),以此确定光刻目标图案。
即就可以执行步骤S4:通过设计图形确定新的第二目标CDSEM图像,并将所述新的第二目标CDSEM图像作为所述最终神经网络模型输入,所述最终神经网络模型生成对应的新的第一目标CDSEM图像,提取所述新的第一目标CDSEM图像的轮廓,所述轮廓作为光学邻近修正光刻目标图案。
综上所述,本发明的优点在于给出了确定光刻工艺目标准确解的一种方法,且该逆向刻蚀模型速度比较快,精度高。
请参阅图5,图5所示为本发明实施例中刻蚀后CDSEM图像模型与真实CDSEM图像之间的误差分布统计直方图。如图5所示,刻蚀后CDSEM图像模型与真实CDSEM图像之间的误差分布在【-0.05-0.05】为最多。
以上所述的仅为本发明的优选实施例,所述实施例并非用以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的保护范围内。
Claims (8)
1.一种基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其特征在于,所述方法包括如下步骤:
步骤S1:训练集和验证集的生成步骤;其包括:
步骤S11:提供晶圆,并预设光刻工艺次数为K次;其中,K为大于等于1的正整数;
步骤S12:在所述晶圆上完成一次光刻工艺流程,使用扫描电子显微镜在光刻后晶圆的Mi处不同坐标进行扫描,得到Mi张第一目标CDSEM图像;以及对所述光刻后晶圆完成一次刻蚀工艺流程,使用扫描电子显微镜在刻蚀后晶圆对应的Mi处坐标扫描,得到Mi张第二目标CDSEM图像,其中,所述第一目标CDSEM图像和第二目标CDSEM图像的大小和分辨率相同,其中,Mi为大于等于10的正整数,i为1,2,3…K中的一个值;
步骤S13:将一张第一目标CDSEM图像与对应的第二目标CDSEM图像组成一组第一目标CDSEM图像-第二目标CDSEM图像数据对,最终得到M组所述第一目标CDSEM图像-第二目标CDSEM图像数据对;
步骤S15:将N组所述第一目标CDSEM图像-第二目标CDSEM图像数据对按比例分成用于模型训练的训练集和用于验证模型的验证集;其中,所述训练集和验证集的比例为N1:N2,N=N1+N2;
步骤S2:将所述第一目标CDSEM图像与所述第二目标CDSEM图像对齐;
步骤S3:采用神经网络模型,将所述第二目标CDSEM图像作为输入,与之对应的第一目标CDSEM图像作为目标输出,遍历所述训练集中的N1组所述第一目标CDSEM图像-第二目标CDSEM图像数据对完成所述神经网络模型的训练;遍历所述验证集中的N2组所述第一目标CDSEM图像-第二目标CDSEM图像数据对完成所述神经网络模型的验证。
2.根据权利要求1所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其特征在于,步骤S3包括:
步骤S31:提供所述神经网络模型;
步骤S32:以所述训练集中的所述第二目标CDSEM图像作为输入,与之对应的所述第一目标CDSEM图像作为目标输出,遍历所述训练集中的所述第一目标CDSEM图像-第二目标CDSEM图像数据对,对所述神经网络模型进行训练;
步骤S33:遍历所述验证集中的所述第一目标CDSEM图像-第二目标CDSEM图像数据对,对所述神经网络模型进行验证,并计算所述验证集的损失函数;
步骤S34:判断所述损失函数是否小于设定值,如果是,停止对所述神经网络模型的训练,得到最终神经网络模型;如果不是,重复执行步骤S32至S34;其中,所述神经网络模型体现了所述第二目标CDSEM图像与所述第一目标CDSEM图像之间的映射。
3.根据权利要求2所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其特征在于,所述神经网络模型为深度卷积神经网络DCNN模型或者生成式对抗网络GAN模型,使用ReLU为激活函数;如果所述神经网络模型采用所述深度卷积神经网络DCNN模型,所述损失函数为均方误差损失函数或均方根误差损失函数或平均绝对误差损失函数,如果所述神经网络模型采用所述生成式对抗网络GAN模型,所述损失函数为交叉熵损失函数和均方误差损失函数的综合损失函数或交叉熵损失函数和均方根误差损失函数的综合损失函数。
4.根据权利要求3所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其特征在于,所述深度卷积神经网络DCNN模型包括一输入层、P个卷积层和一输出层,所述卷积层的结构相同,所述输入层只进行卷积和激活操作,输出层只进行卷积操作。
5.根据权利要求4所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其特征在于,所述深度卷积神经网络DCNN模型包括一输入层、13个卷积层和一输出层,卷积核大小为3*3,每层具有64个卷积核,每个卷积层后进行批归一化。
6.根据权利要求1所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其特征在于,所述训练集的个数N1是7的倍数,所述验证集的个数N2为3的倍数。
7.根据权利要求1所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其特征在于,还包括:
步骤S4:通过设计图形确定新的第二目标CDSEM图像,并将所述新的第二目标CDSEM图像作为所述最终神经网络模型输入,所述最终神经网络模型生成对应的新的第一目标CDSEM图像,提取所述新的第一目标CDSEM图像的轮廓,所述轮廓作为光学邻近修正光刻目标图案。
8.根据权利要求1所述的基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法,其特征在于,所述N为1000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462245.8A CN112485976B (zh) | 2020-12-11 | 2020-12-11 | 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462245.8A CN112485976B (zh) | 2020-12-11 | 2020-12-11 | 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112485976A true CN112485976A (zh) | 2021-03-12 |
CN112485976B CN112485976B (zh) | 2022-11-01 |
Family
ID=74916838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011462245.8A Active CN112485976B (zh) | 2020-12-11 | 2020-12-11 | 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112485976B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898169A (zh) * | 2022-03-10 | 2022-08-12 | 武汉大学 | 一种基于深度学习的光刻opc数据库建立方法 |
CN115457350A (zh) * | 2022-11-08 | 2022-12-09 | 华芯程(杭州)科技有限公司 | 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 |
WO2023115611A1 (zh) * | 2021-12-23 | 2023-06-29 | 中国科学院光电技术研究所 | 基于水平集算法的超分辨光刻逆向光学邻近效应修正方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010097369A (ja) * | 2008-10-15 | 2010-04-30 | Sharp Corp | 最適パラメータ抽出装置及び抽出方法、並びに本方法を用いるマスクデータ、マスク及び半導体装置の製造方法 |
CN102135723A (zh) * | 2010-01-21 | 2011-07-27 | 上海华虹Nec电子有限公司 | 基于衬底刻蚀后图形对本层光刻图形进行修正的方法 |
US20170363950A1 (en) * | 2016-06-21 | 2017-12-21 | Lam Research Corporation | Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework |
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 |
US20180157161A1 (en) * | 2016-12-01 | 2018-06-07 | Lam Research Corporation | Design layout pattern proximity correction through fast edge placement error prediction |
CN108228981A (zh) * | 2017-12-19 | 2018-06-29 | 上海集成电路研发中心有限公司 | 基于神经网络的opc模型生成方法及实验图案的预测方法 |
CN108535952A (zh) * | 2018-04-09 | 2018-09-14 | 北京理工大学 | 一种基于模型驱动卷积神经网络的计算光刻方法 |
CN109976087A (zh) * | 2017-12-27 | 2019-07-05 | 上海集成电路研发中心有限公司 | 掩模图案模型的生成方法及掩模图案的优化方法 |
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 |
CN110376843A (zh) * | 2019-09-10 | 2019-10-25 | 墨研计算科学(南京)有限公司 | 光刻掩模光学修正的方法、装置及计算机可读存储介质 |
EP3660744A1 (en) * | 2018-11-30 | 2020-06-03 | ASML Netherlands B.V. | Method for decreasing uncertainty in machine learning model predictions |
CN111310407A (zh) * | 2020-02-10 | 2020-06-19 | 上海集成电路研发中心有限公司 | 基于机器学习进行逆向光刻最优特征向量设计的方法 |
-
2020
- 2020-12-11 CN CN202011462245.8A patent/CN112485976B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010097369A (ja) * | 2008-10-15 | 2010-04-30 | Sharp Corp | 最適パラメータ抽出装置及び抽出方法、並びに本方法を用いるマスクデータ、マスク及び半導体装置の製造方法 |
CN102135723A (zh) * | 2010-01-21 | 2011-07-27 | 上海华虹Nec电子有限公司 | 基于衬底刻蚀后图形对本层光刻图形进行修正的方法 |
US20170363950A1 (en) * | 2016-06-21 | 2017-12-21 | Lam Research Corporation | Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework |
CN107526864A (zh) * | 2016-06-21 | 2017-12-29 | 朗姆研究公司 | 经边缘放置误差预测的光致抗蚀剂设计布局图案邻近校正 |
US20180157161A1 (en) * | 2016-12-01 | 2018-06-07 | Lam Research Corporation | Design layout pattern proximity correction through fast edge placement error prediction |
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 |
CN108228981A (zh) * | 2017-12-19 | 2018-06-29 | 上海集成电路研发中心有限公司 | 基于神经网络的opc模型生成方法及实验图案的预测方法 |
CN109976087A (zh) * | 2017-12-27 | 2019-07-05 | 上海集成电路研发中心有限公司 | 掩模图案模型的生成方法及掩模图案的优化方法 |
CN108535952A (zh) * | 2018-04-09 | 2018-09-14 | 北京理工大学 | 一种基于模型驱动卷积神经网络的计算光刻方法 |
EP3660744A1 (en) * | 2018-11-30 | 2020-06-03 | ASML Netherlands B.V. | Method for decreasing uncertainty in machine learning model predictions |
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 |
CN110376843A (zh) * | 2019-09-10 | 2019-10-25 | 墨研计算科学(南京)有限公司 | 光刻掩模光学修正的方法、装置及计算机可读存储介质 |
CN111310407A (zh) * | 2020-02-10 | 2020-06-19 | 上海集成电路研发中心有限公司 | 基于机器学习进行逆向光刻最优特征向量设计的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023115611A1 (zh) * | 2021-12-23 | 2023-06-29 | 中国科学院光电技术研究所 | 基于水平集算法的超分辨光刻逆向光学邻近效应修正方法 |
CN114898169A (zh) * | 2022-03-10 | 2022-08-12 | 武汉大学 | 一种基于深度学习的光刻opc数据库建立方法 |
CN114898169B (zh) * | 2022-03-10 | 2024-04-12 | 武汉大学 | 一种基于深度学习的光刻opc数据库建立方法 |
CN115457350A (zh) * | 2022-11-08 | 2022-12-09 | 华芯程(杭州)科技有限公司 | 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112485976B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112485976B (zh) | 基于逆向刻蚀模型确定光学临近修正光刻目标图案的方法 | |
KR100423917B1 (ko) | 마스크패턴의보정방법및보정장치 | |
KR100994271B1 (ko) | 제품 설계 및 수율 피드백 시스템에 기초하는 포괄적인집적 리소그래피 공정 제어 시스템 | |
TWI600962B (zh) | 積體電路設計製造方法以及積體電路設計系統 | |
CN111430261B (zh) | 一种光刻机工艺稳定性检测方法及装置 | |
CN103149792A (zh) | 一种光学邻近修正方法 | |
US11699227B2 (en) | Method of verifying error of optical proximity correction model | |
WO2022121736A1 (zh) | 一种基于机器学习的cdsem图像虚拟测量方法 | |
US7913196B2 (en) | Method of verifying a layout pattern | |
CN112541545B (zh) | 基于机器学习预测刻蚀工艺后cdsem图像的方法 | |
CN112560935B (zh) | 一种提升缺陷检测性能的方法 | |
EP3893057A1 (en) | Aligning a distorted image | |
JP2005250360A (ja) | マスクパターンの検証装置および検証方法 | |
CN110209011B (zh) | Opc模型建立过程中针对大尺寸非关键层图形的光学参数优化方法 | |
US20070141476A1 (en) | More accurate and physical method to account for lithographic and etch contributions in OPC models | |
Yang et al. | New OPC verification method using die-to-database inspection | |
CN114488719B (zh) | 一种基于三维特征强化的opc方法 | |
TWI814571B (zh) | 用於轉換度量衡資料之方法 | |
CN112578646B (zh) | 一种基于图像的离线的光刻工艺稳定性控制方法 | |
EP4123583A1 (en) | Aligning a distorted image | |
Yan et al. | SEM Image Transformation Between Litho Domain and Etch Domain | |
KR20070109117A (ko) | 마스크 제작 방법 | |
Lorusso et al. | Advanced DFM applications using design-based metrology on CD SEM | |
CN114488680A (zh) | Opc模型数据收集方法、数据收集***及opc模型优化方法 | |
CN116774529A (zh) | 一种基于版图设计文件的全晶圆光刻图形定位方法 |
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 |