CN113820922A - 热点预测方法、装置及记录介质 - Google Patents
热点预测方法、装置及记录介质 Download PDFInfo
- Publication number
- CN113820922A CN113820922A CN202010559860.4A CN202010559860A CN113820922A CN 113820922 A CN113820922 A CN 113820922A CN 202010559860 A CN202010559860 A CN 202010559860A CN 113820922 A CN113820922 A CN 113820922A
- Authority
- CN
- China
- Prior art keywords
- graph
- local
- light source
- layout
- correlation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007635 classification algorithm Methods 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000001259 photo etching Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims 1
- 238000000206 photolithography Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002165 resonance energy transfer Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G03F7/70483—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
-
- 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本公开提供一种热点预测方法、装置及记录介质。此方法包括下列步骤:取得布局图形,并从布局图形中撷取多个局部图形;定义对布局图形进行光刻所使用光源的光源图;以及利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。
Description
技术领域
本公开的实施例是有关于一种热点预测方法、装置及记录介质。
背景技术
光刻(photolithography)是半导体产业的主要制程之一,其是利用光学成像的原理,为电路布局图形(pattern)设计掩模及光源,以将图形投影至晶圆上,制作出所需的电路。而随着集成电路中的组件数目不断增加,电路布局图形中组件的尺寸及彼此间距不断微缩,此将使得光刻制程的难度增加,这是因为光通过掩模后所产生的衍射(diffraction)光会累加在曝光图形上,使得所制作出的电路布局与原始布局图形有所差异。
光学近接修正(optical proximity correction,OPC)是用于补偿上述差异所发展的一种分辨率增强技术(Resolution Enhancement Techniques,RETs),其藉由对掩模的布局图形进行修正,使得曝光图形在经由衍射光累加后仍可符合当初设计的图形。尽管使用了增强技术,布局图形的某些局部区域在成像后仍可能存在缺陷,此类区域即为所谓的热点(hotspot),需要藉由进一步检测曝光图形以对其进行预测及修正。然而,目前的预测方法需对经光学近接修正的布局图形进行制程操作范围(Process window simulation)仿真,以分析多种图像指标并据以判别热点。此类方法的运算复杂度高,使得预测及修正整体过程相当耗费时间。
发明内容
本公开的实施例提供一种热点预测方法,适用于具有处理器的电子装置,此方法包括下列步骤:取得布局图形,并从布局图形中撷取多个局部图形;定义对布局图形进行光刻所使用的光源的光源图;以及利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。
本公开的实施例提供一种热点预测装置,其包括数据存取装置、存储装置及处理器。其中,数据存取装置用以连接外部装置以存取数据。存储装置用以存储计算机程序。处理器耦接数据存取装置及存储装置,经配置以加载并执行计算机程序以:利用数据存取装置取得布局图形,并从布局图形中撷取多个局部图形;定义对布局图形进行光刻所使用的光源的光源图;以及利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。
本公开的实施例提供一种计算机可读取记录介质,记录程序,此程序经处理器加载以执行:取得布局图形,并从布局图形中撷取多个局部图形;定义对布局图形进行光刻所使用的光源的光源图;以及利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。
附图说明
当结合附图阅读时,从以下详细描述最好地理解本公开内容的各方面。应注意,根据行业中的标准惯例,各种特征未按比例绘制。实际上,为了论述清楚起见,可任意增大或减小各种特征的尺寸。
图1是根据本公开实施例所绘示的热点预测装置的方块图。
图2是根据本公开实施例所绘示的热点预测方法的流程图。
图3是根据本公开实施例所绘示的热点预测方法的流程图。
图4是根据本公开实施例所绘示的热点预测方法的范例。
图5是根据本公开实施例所绘示的热点的范例。
图6是根据本公开实施例所绘示的热点预测方法的流程图。
图7是根据本公开实施例所绘示的热点预测方法的流程图。
图8是根据本公开实施例所绘示的热点预测方法的范例。
附图标号说明:
10:热点预测装置
12:数据存取装置
14:存储装置
16:处理器
42、44、80、82:局部图形
42a、44a、46a、84:频谱图
42b、44b:差值图
50:图像
52:梳状结构
54、56:标记
S202~S206、S302~S312、S602~S612、S702~S712:步骤
具体实施方式
以下公开内容提供用于实施所提供主题的不同特征的许多不同实施例或实例。下文描述组件和布置的特定实例以简化本公开内容。当然,这些组件和布置仅是实例且并不意欲为限制性的。举例来说,在以下描述中,第一特征在第二特征上方或上的形成可包含第一特征和第二特征直接接触地形成的实施例,且还可包含额外特征可形成于第一特征与第二特征之间以使得第一特征和第二特征可不直接接触的实施例。此外,本公开内容可在各种实例中重复参考标号和/或字母。这种重复是出于简化和清楚的目的,且本身并不指示所论述的各种实施例和/或配置之间的关系。
此外,为易于描述,如“在…下方”、“在…下”、“下部”、“在…上方”、“上部”等的空间相对术语可在本文中用于描述如图式中所说明的一个元件或特征与另一(一些)元件或特征的关系。除图式中所描绘的定向以外,空间相关术语意欲包涵装置在使用或操作中的不同定向。设备可以其它方式定向(旋转90度或处于其它定向),且本文中所使用的空间相对描述词同样可相应地进行解释。
图1是根据本公开实施例所绘示的热点预测装置的方块图。请参考图1,本实施例的热点预测装置10包括数据存取装置12、存储装置14及处理器16,这些组件的功能分述如下:
数据存取装置12例如是用以外部装置连接并传输数据的任意的有线或无线的接口装置。对于有线方式而言,连接装置可以是通用串行总线(universal serial bus,USB)、RS232、通用异步接收发送设备(universal asynchronous receiver/transmitter,UART)、内部整合电路(I2C)或串行外部接口(serial peripheral interface,SPI),但不限于此。对于无线方式而言,连接装置可以是支持无线保真(wireless fidelity,Wi-Fi)、RFID、蓝芽、红外线、近场通信(near-field communication,NFC)或装置对装置(device-to-device,D2D)等通信协议的装置,亦不限于此。
存储装置14例如是任意型式的固定式或可移动式随机存取存储器(RandomAccess Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash memory)、硬盘等记录介质,而用以存储可由处理器26执行的计算机程序以及由数据存取装置12取得的数据。
处理器16例如是中央处理器(Central Processing Unit,CPU),或是其他可编程的一般用途或特殊用途的微处理器(Microprocessor)、微控制器(Microcontroller)、数字信号处理器(Digital Signal Processor,DSP)、可编程控制器、专用集成电路(Application Specific Integrated Circuits,ASIC)、可编程逻辑器件(ProgrammableLogic Device,PLD)或其他类似装置或这些装置的组合,本公开不在此限制。在本实施例中,处理器16可从存储装置14加载计算机程序,以执行本公开实施例的热点预测方法。
详细来说,图2是根据本公开实施例所绘示的热点预测方法的流程图。请同时参照图1及图2,本实施例的方法适用于图1所示的热点预测装置10,以下参照热点预测装置10中的各种组件阐述本实施例方法的详细步骤。
在步骤S202中,热点预测装置10的处理器16利用数据存取装置12连接外部装置以取得布局图形,并从布局图形中撷取多个局部图形。所述外部装置例如是存储有布局图形的计算机、服务器或工作站等计算器装置,或是记忆卡、随身碟等存储装置,在此不设限。
在一些实施例中,处理器16例如是撷取从布局图形中等分出的多个局部图形。所述布局图形的长宽例如是介于3~18毫米(mm),而局部图形的长宽例如是介于5~15微米,在此不设限。在其他实施例中,处理器16例如是撷取布局图形中具有预定特征的组件周围的多个局部图形,所述预定特征例如是临界尺寸(Critical Dimension,CD)或空隙(space)小于预定值的结构。也就是说,本公开实施例的热点预测装置10可以针对布局图形的整体进行热点预测,也可以针对布局图形中较有可能发生热点的局部区域进行热点预测。所述局部区域的位置及大小可由布局图形中的组件特征来判定。例如,临界尺寸或空隙较小的结构较容易在光刻过程中因为光的衍射效应而产生缺陷。因此,藉由针对具有此类特征的组件的周围区域进行热点预测,可缩减热点预测所耗费的时间及运算量,并提高预测效率。
在步骤S204中,处理器16定义对布局图形进行光刻所使用光源的光源图(sourcemap)。在一些实施例中,处理器16例如是应用光源掩模优化技术(Source-MaskOptimization,SMO),根据布局图形的特征计算出最佳的光照条件,而产生包括光源形状和光强度分布信息的光源图。所述的光源例如是自由形式光源(Freeform Source,FFS),其光源图中每个画素的光强度均可自由调整,而可针对不同的布局图形进行优化的调整。
在步骤S206中,处理器16利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。上述的图形分类算法例如是机器学习(machine learning)算法或是基于区块式快速傅里叶变换(Block Fast FourierTransform,Block FFT)的分类算法,或是其他种类的分类算法,在此不设限。
详细而言,在一些实施例中,处理器16例如是利用经训练的学习模型辨识各个局部图形与光源图的特征,以预测局部图形中的热点。其中,此学习模型例如是利用机器学习算法建立,而藉由输入由多个不同布局图形中撷取出的多个局部图形和定义出的光源图与对应的热点检测结果,使得学习模型能够学习这些局部图形和光源图与对应的热点检测结果之间的关系,而可应用于实际布局图形的热点预测。以神经网络(Neural Network)为例,其输入层与输出层之间是由众多的神经元和链接组成,其中可包含多个隐藏层(hiddenlayer),且各层节点(神经元)的数目不定。在一些实施例中,可将上述从布局图形中撷取出的局部图形和定义出的光源图作为输入,并将其所对应的热点检测结果作为输出,而用以训练类神经网络的模型,使其能够从各种图形中辨识出热点。
在一些实施例中,处理器16例如是对各个局部图形与光源图分别进行区块式快速傅里叶变换,并计算变换后各个局部图形与变换后光源图之间的相关性,以训练出能够区分不同局部图形的分类器,而用以预测热点。
详细而言,图3是根据本公开实施例所绘示的热点预测方法的流程图。请同时参照图1及图3,本实施例的方法适用于图1所示的热点预测装置10,以下参照热点预测装置10中的各种组件阐述本实施例方法的详细步骤。
在步骤S302中,热点预测装置10的处理器16利用数据存取装置12连接外部装置以取得布局图形,并从布局图形中撷取多个局部图形。在步骤S304中,处理器16定义对布局图形进行光刻所使用光源的光源图。上述步骤S302~S304与前述实施例的步骤S202~S204相同或相似,故其详细内容在此不再赘述。
与前述实施例不同的是,在本实施例的步骤S306中,处理器16是分别对各个局部图形与光源图进行区块式快速傅里叶变换,并计算变换后各个局部图形与变换后光源图之间的相关性。其中,所述的相关性例如是差值总和、内积、相关系数(Correlationcoefficient)、变异系数(Variation coefficient)、协方差(Covariance)或其组合,在此不设限。
在步骤S308中,处理器16将所计算的相关性与预设阈值比较,以判断各个局部图形与光源图的相关性是否大于预设阈值。其中,若判定所计算的相关性大于预设阈值,则在步骤S310中,即可预测对应的局部图形为热点;反之,若判定所计算的相关性不大于预设阈值,则在步骤S312中,即可预测对应的局部图形不属于热点。
举例来说,图4是根据本公开实施例所绘示的热点预测方法的范例。请参照图4,图形42、44是从布局图形中撷取出的局部图形。在本实施例中,藉由对图形42、44分别进行区块式快速傅里叶变换,而可获得带有其频域特征的变换后频谱图42a、44a。此外,本实施例将针对该布局图形所定义的光刻所使用光源的光源图进行区块式快速傅立叶变换至方矩阵格式的频谱图46a,以利与频谱图42a、44a做运算。
接着,藉由计算频谱图42a与46a的差值,可获得差值图42b;且藉由计算频谱图44a与46a的差值,可获得差值图44b。在本实施例中,藉由计算差值图42b中所有画素的差值的总和(例如是15.78),而可用以作为图形42的风险指标(risk index),且藉由计算差值图44b中所有画素的差值的总和(例如是22.88),而可用以作为图形44的风险指标。
最后,藉由将上述的风险指标与预设阈值比较,即可预测出局部图形42、44是否为热点。例如,若预设阈值为20,则基于图形42的风险指标为15.78,则可判定图形42不属于热点;反之,基于图形44的风险指标为22.88,则可判定图形44属于热点。
在一些实施例中,针对预测为热点的局部图形,热点预测装置可对布局图形实施光学近接修正并进行光刻以制作电路布局,再对所制作的电路布局进行热点检测,从而使用检测结果来修正图形分类算法(例如学习模型或分类器)。
举例来说,图5是根据本公开实施例所绘示的热点的范例。请参照图5,图像50是对布局图形实施光学近接修正并进行光刻后所制作出的电路布局图像。由图像50中可辨识出位于梳状结构52左右两侧的结构(如标记54、56所示的结构)过窄,很有可能形成缺陷。据此,可检测出布局图形中对应于图像50的部分为热点,并使用此检测结果来修正图形分类算法。
详细而言,图6是根据本公开实施例所绘示的热点预测方法的流程图。请同时参照图1及图6,本实施例的方法适用于图1所示的热点预测装置10,以下参照热点预测装置10中的各种组件阐述本实施例方法的详细步骤。
在步骤S602中,热点预测装置10的处理器16热点预测装置10的处理器16利用数据存取装置12连接外部装置以取得布局图形,并从布局图形中撷取多个局部图形。在步骤S604中,处理器16定义对布局图形进行光刻所使用光源的光源图。在步骤S606中,处理器16利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。上述步骤S602~S606与前述实施例的步骤S202~S206相同或相似,故其详细内容在此不再赘述。
与前述实施例不同的是,本实施例在步骤S606之后的步骤S608中,处理器16对布局图形实施光学近接修正并进行光刻,以在晶圆基底上制作出电路布局。
在步骤S610中,处理器16对所制作的电路布局进行热点检测。所述的热点检测包括光刻制程检查(Lithography Process Check,LPC)、制造规则检查(ManufacturingRules Check,MRC)等,在此不设限。
在步骤S612中,处理器16将热点检测的结果反馈至图形分类算法,以验证图形分类算法所预测的热点,并调整其预测热点所使用的标准,之后则回到步骤S606,以使用调整后的图形分类算法继续进行局部图形的热点预测。
在一些实施例中,处理器16例如会将检测为热点的电路布局所对应的局部图形、光源图及该检测结果作为训练数据输入学习模型以进行训练,从而调整学习模型中各运算层的参数或权重,藉此增加学习模型预测热点的准确率。在一些实施例中,处理器16则是将热点检测的结果反馈至先前利用不同局部图形所训练的分类器,并调整分类器用来区别热点所使用的阈值,藉此增加该分类器预测热点的准确率。
举例来说,假设针对某一局部图形所算出的相关性为15.78,基于该相关性大于分类器的预设阈值16,原本图形分类算法预测该局部图形不属于热点,但若该局部图形曝光后所制作出的电路布局被检测出热点,此检测结果将被回溯至该分类器,以将预设阈值调整为15,从而将该局部图形的预测修正为属于热点,而可与检测结果相符。
在一些实施例中,当图形分类算法预测出局部图形中有热点时,热点预测装置可以离线(off line)方式在不更动制程参数(recipe)且未进行光刻制程的情况下,对原先的布局图形进行重新布局(re-target),以避免其曝光后的电路布局产生缺陷。
详细而言,图7是根据本公开实施例所绘示的热点预测方法的流程图。请同时参照图1及图7,本实施例的方法适用于图1所示的热点预测装置10,以下参照热点预测装置10中的各种组件阐述本实施例方法的详细步骤。
在步骤S702中,热点预测装置10的处理器16热点预测装置10的处理器16利用数据存取装置12连接外部装置以取得布局图形,并从布局图形中撷取多个局部图形。在步骤S704中,处理器16定义对布局图形进行光刻所使用光源的光源图。在步骤S706中,处理器16利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。上述步骤S702~S706与前述实施例的步骤S202~S206相同或相似,故其详细内容在此不再赘述。
与前述实施例不同的是,本实施例在步骤S706之后的步骤S708中,处理器16判断预测结果是否有预测到热点。若有预测到热点,则在步骤S710中,处理器16根据各个局部图形的热点预测结果,调整对布局图形实施光学近接修正的规格。所述的规格例如是临界尺寸、空隙、图形切段长度或迭代(iteration)次数等,藉此增加光学修正的准确度,本实施例不限制所调整规格的种类及数量。
举例来说,图8是根据本公开实施例所绘示的热点预测方法的范例。请参照图8,图形80是从布局图形中撷取出的局部图形。在本实施例中,当图形80经由图形分类算法计算出其与光源图的相关性,并据此预测出热点时,热点预测装置例如会藉由变更原始布局图形来改变最终曝光成像的图形。例如,若热点为收缩(pinching)形式,可藉由增加组件的宽度来修正;若热点为桥接(bridging)形式,则可藉由增加相邻组件之间的间距来修正。
例如,针对图形80中三个梳状结构,热点预测装置是藉由微调其尺寸(CD1、CD2、CD3),使得微调后的图形82能够通过图形分类算法的验证(即,排除成为热点的可能性)。以下表1为例,基线代表以原始图形80中的尺寸作为起点,分支1、2的各个尺寸数值则分别是以基线作为起点所做的修改(单位为奈米),其中假设梳状结构的尺寸为30奈米×30奈米,则修改的幅度例如以0.5奈米为单位,最大为正负2奈米,但不限于此。其中,热点预测装置藉由变更不同的尺寸组合,并计算其相对应的风险指标,从而找出能够通过图形分类算法的验证的修改方式。在一些实施例中,热点预测装置例如是直接针对图形80的频谱图84进行调整,以实现精细修正,在此不设限。
CD1 | CD2 | CD3 | 指标 | |
基线 | 0 | 0 | 0 | 22.88 |
分支1 | +1 | +0.5 | +0.5 | 19.56 |
分支2 | +1.5 | +1 | +0.5 | 18.37 |
… | … | … | … | … |
表1
综上所述,本公开实施例是基于所取得布局图形中的各个局部图形与光源图的相关性来预测热点,因此可取代以往耗时的制程检查,快速地判断出可能发生热点的图形。而在预测局部图形中有热点时,本公开实施例可在脱机状况下对原先布局图形进行修正,而可避免由热点所造成的晶圆缺陷。
根据一些实施例,提供一种热点预测方法,适用于具有处理器的电子装置,此方法包括下列步骤:取得布局图形,并从布局图形中撷取多个局部图形;定义对布局图形进行光刻所使用的光源的光源图;以及利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。
根据一些实施例,提供一种热点预测装置,其包括数据存取装置、存储装置及处理器。其中,数据存取装置用以连接外部装置以存取数据。存储装置用以存储计算机程序。处理器耦接数据存取装置及存储装置,经配置以加载并执行计算机程序以:利用数据存取装置取得布局图形,并从布局图形中撷取多个局部图形;定义对布局图形进行光刻所使用的光源的光源图;以及利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。
根据一些实施例,提供一种计算机可读取记录介质,记录程序,此程序经处理器加载以执行:取得布局图形,并从布局图形中撷取多个局部图形;定义对布局图形进行光刻所使用的光源的光源图;以及利用图形分类算法分析各个局部图形与光源图的相关性,并根据此相关性预测局部图形中的热点。
前文概述若干实施例的特征以使得本领域的技术人员可更好地理解本揭示内容的各方面。本领域的技术人员应了解,其可以容易地使用本公开内容作为设计或修改用于执行本文中所引入的实施例的相同目的和/或获得相同优势的其它制程和结构的基础。本领域的技术人员还应认识到,这类等效构造不脱离本公开内容的精神和范围,且其可在不脱离本公开内容的精神和范围的情况下在本文中作出各种改变、替代以及更改。
Claims (10)
1.一种热点预测方法,适用于具有处理器的电子装置,其中所述方法包括下列步骤:
取得布局图形,并从所述布局图形中撷取多个局部图形;
定义对所述布局图形进行光刻所使用的光源的光源图;以及
利用图形分类算法分析各所述局部图形与所述光源图的相关性,并根据所述相关性预测所述局部图形中的热点。
2.如权利要求1所述的方法,其中利用图形分类算法分析各所述局部图形与所述光源图的相关性,并根据所述相关性预测所述局部图形中的热点的步骤包括:
分别对各所述局部图形与所述光源图进行区块式快速傅里叶变换,并计算变换后各所述局部图形与变换后所述光源图之间的相关性;以及
将所计算的所述相关性与预设阈值比较,以预测所述局部图形中的所述热点。
3.如权利要求2所述的方法,其中所述相关性包括差值总和、内积、相关系数、变异系数、协方差或其组合。
4.如权利要求1所述的方法,其中利用图形分类算法分析各所述局部图形与所述光源图的相关性,并根据所述相关性预测所述局部图形中的热点的步骤包括:
利用经训练的学习模型辨识各所述局部图形与所述光源图的多个特征,以预测所述局部图形中的所述热点,其中
所述学习模型是利用机器学习算法建立,并学习由不同的多个布局图形中撷取出的所述多个局部图形及定义出的所述光源图与对应的热点检测结果之间的关系。
5.如权利要求1所述的方法,其中从所述布局图形中撷取多个局部图形的步骤包括:
撷取从所述布局图形中等分出的多个局部图形,或是撷取所述布局图形中具有预定特征的组件周围的多个局部图形。
6.如权利要求5所述的方法,其中所述预定特征包括临界尺寸或空隙小于预定值的结构。
7.如权利要求1所述的方法,其中在所述根据所述相关性预测所述局部图形中的热点的步骤之后,更包括:
对所述布局图形实施光学近接修正并进行所述光刻,以制作电路布局;以及
对所制作的所述电路布局进行热点检测,并将所述热点检测的结果反馈至所述图形分类算法,以验证所述图形分类算法所预测的所述热点,并调整预测所述热点所使用的标准。
8.如权利要求1所述的方法,其中在所述根据所述相关性预测所述局部图形中的热点的步骤之后,更包括:
根据各所述局部图形的所述热点的预测结果,调整实施光学近接修正的规格,并重新进行所述局部图形中的所述热点的预测,其中所述规格包括临界尺寸、空隙或迭代次数。
9.一种热点预测装置,其中包括:
数据存取装置,连接外部装置以存取数据;
存储装置,存储计算机程序;以及
处理器,耦接所述数据存取装置及所述存储装置,经配置以加载并执行所述计算机程序以:
利用所述数据存取装置取得布局图形,并从所述布局图形中撷取多个局部图形;
定义对所述布局图形进行光刻所使用的光源的光源图;以及
利用图形分类算法分析各所述局部图形与所述光源图的相关性,并根据所述相关性预测所述局部图形中的热点。
10.一种计算机可读取记录介质,记录程序,其中所述程序经处理器加载以执行:
取得布局图形,并从所述布局图形中撷取多个局部图形;
定义对所述布局图形进行光刻所使用的光源的光源图;以及
利用图形分类算法分析各所述局部图形与所述光源图的相关性,并根据所述相关性预测所述局部图形中的热点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559860.4A CN113820922B (zh) | 2020-06-18 | 热点预测方法、装置及记录介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559860.4A CN113820922B (zh) | 2020-06-18 | 热点预测方法、装置及记录介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820922A true CN113820922A (zh) | 2021-12-21 |
CN113820922B CN113820922B (zh) | 2024-08-02 |
Family
ID=
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070012248A (ko) * | 2005-07-22 | 2007-01-25 | 캐논 가부시끼가이샤 | 노광장치 및 방법 |
WO2007120279A2 (en) * | 2005-11-18 | 2007-10-25 | Kla-Tencor Technologies Corporation | Methods and systems for utilizing design data in combination with inspection data |
US20080235645A1 (en) * | 2007-03-19 | 2008-09-25 | The Regents Of The University Of California | Method and apparatus for detecting lithographic hotspots |
US20090144691A1 (en) * | 2007-11-29 | 2009-06-04 | Tokyo Electron Limited | Enhanced Process Yield Using a Hot-Spot Library |
WO2010005957A1 (en) * | 2008-07-07 | 2010-01-14 | Brion Technologies, Inc. | Illumination optimization |
CN105717740A (zh) * | 2016-04-21 | 2016-06-29 | 上海华力微电子有限公司 | 一种基于meef的opc验证方法 |
CN106200273A (zh) * | 2015-04-30 | 2016-12-07 | 力晶科技股份有限公司 | 检测光刻热点的方法 |
US20180307792A1 (en) * | 2017-04-21 | 2018-10-25 | Imec Vzw | Method for Analyzing Design of an Integrated Circuit |
CN109478013A (zh) * | 2016-07-12 | 2019-03-15 | Asml荷兰有限公司 | 对设计布局的计算分析的性能指标进行可视化 |
CN111123642A (zh) * | 2018-10-31 | 2020-05-08 | 台湾积体电路制造股份有限公司 | 产生光掩模图案的方法及*** |
CN111125983A (zh) * | 2018-10-31 | 2020-05-08 | 台湾积体电路制造股份有限公司 | 基于单元间关联性的布局改善方法及*** |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070012248A (ko) * | 2005-07-22 | 2007-01-25 | 캐논 가부시끼가이샤 | 노광장치 및 방법 |
WO2007120279A2 (en) * | 2005-11-18 | 2007-10-25 | Kla-Tencor Technologies Corporation | Methods and systems for utilizing design data in combination with inspection data |
US20080235645A1 (en) * | 2007-03-19 | 2008-09-25 | The Regents Of The University Of California | Method and apparatus for detecting lithographic hotspots |
US20090144691A1 (en) * | 2007-11-29 | 2009-06-04 | Tokyo Electron Limited | Enhanced Process Yield Using a Hot-Spot Library |
WO2010005957A1 (en) * | 2008-07-07 | 2010-01-14 | Brion Technologies, Inc. | Illumination optimization |
CN106200273A (zh) * | 2015-04-30 | 2016-12-07 | 力晶科技股份有限公司 | 检测光刻热点的方法 |
CN105717740A (zh) * | 2016-04-21 | 2016-06-29 | 上海华力微电子有限公司 | 一种基于meef的opc验证方法 |
CN109478013A (zh) * | 2016-07-12 | 2019-03-15 | Asml荷兰有限公司 | 对设计布局的计算分析的性能指标进行可视化 |
US20180307792A1 (en) * | 2017-04-21 | 2018-10-25 | Imec Vzw | Method for Analyzing Design of an Integrated Circuit |
CN111123642A (zh) * | 2018-10-31 | 2020-05-08 | 台湾积体电路制造股份有限公司 | 产生光掩模图案的方法及*** |
CN111125983A (zh) * | 2018-10-31 | 2020-05-08 | 台湾积体电路制造股份有限公司 | 基于单元间关联性的布局改善方法及*** |
Non-Patent Citations (3)
Title |
---|
"Hotspot-aware fast source and mask optimization", OPTICS EXPRESS, vol. 20, no. 19, 10 September 2012 (2012-09-10), pages 21792 - 21804 * |
"Liithography Hotspot Detection with FFT-based Feature Extraction and Imbalanced Learning Rate", ACM TRANSACTIONS ON DESIGN AUTOMATION OF ELECTRONIC SYSTEMS, vol. 25, no. 2, 31 December 2019 (2019-12-31), pages 1 - 21 * |
"国家自然科学基金委员会生命科学部2013年度青年基金项目", 生命科学, no. 12, 15 December 2013 (2013-12-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI808815B (zh) | 半導體製作製程控制之系統及方法,以及電腦程式產品 | |
CN108733890B (zh) | 用于分析集成电路的设计的方法、设备和介质 | |
CN110968979B (zh) | 静态电压(sir)下降违规预测***和方法 | |
JP7131617B2 (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
KR100655428B1 (ko) | 광근접효과보정 시스템 및 방법 | |
KR20190048491A (ko) | 식각 효과 예측 방법 및 입력 파라미터 결정 방법 | |
WO2019219826A1 (en) | Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process | |
CN106407490A (zh) | 在芯片设计布局中发现未知问题图案的***与方法 | |
CN117957495A (zh) | 重定义版图图形的方法、装置、设备、介质和程序产品 | |
CN103424982A (zh) | 运用多个程序的光学邻近校正方法和用于该方法的*** | |
CN111582309B (zh) | 一种生成设计版图坏点检测模型的方法及检测坏点的方法 | |
Ma et al. | Automatic hotspot classification using pattern-based clustering | |
US11048852B1 (en) | System, method and computer program product for automatic generation of sizing constraints by reusing existing electronic designs | |
US20160110859A1 (en) | Inspection method for contact by die to database | |
Tabery et al. | SEM image contouring for OPC model calibration and verification | |
CN107193190A (zh) | 焦距监测方法 | |
CN113820922B (zh) | 热点预测方法、装置及记录介质 | |
JP4195825B2 (ja) | プロセスパラメータまたはデザインルールとプロセスパラメータとの両方を決定する方法、半導体集積回路装置の製造方法、プロセスパラメータまたはデザインルールとプロセスパラメータとの両方を決定するシステム、および、プログラム | |
CN113820922A (zh) | 热点预测方法、装置及记录介质 | |
CN112257701A (zh) | 一种版图获取方法及装置 | |
US20230118656A1 (en) | Machine learning based model builder and its applications for pattern transferring in semiconductor manufacturing | |
US12019971B2 (en) | Static voltage drop (SIR) violation prediction systems and methods | |
TWI765280B (zh) | 熱點預測方法、裝置及記錄媒體 | |
US20220309222A1 (en) | Semiconductor layout context around a point of interest | |
Saraogi et al. | CNN Based design rule checker for VLSI layouts |
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 |