CN115509082A - 光学邻近校正模型的训练方法、装置及光学邻近校正方法 - Google Patents
光学邻近校正模型的训练方法、装置及光学邻近校正方法 Download PDFInfo
- Publication number
- CN115509082A CN115509082A CN202211395502.XA CN202211395502A CN115509082A CN 115509082 A CN115509082 A CN 115509082A CN 202211395502 A CN202211395502 A CN 202211395502A CN 115509082 A CN115509082 A CN 115509082A
- Authority
- CN
- China
- Prior art keywords
- model
- optical proximity
- proximity correction
- light transmission
- pattern
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
Abstract
本发明涉及光学邻近校正领域,特别是公开了一种光学邻近校正模型的训练方法、装置及光学邻近校正方法,通过确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线‑图案模型;所述光线‑图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;获取掩膜板训练集;对所述掩膜板训练集进行光刻,得到掩膜板透光信号;利用所述掩膜板透光信号,通过所述光线‑图案模型,获得光学邻近校正模型。本发明大大缩短了模型训练素材的准备时间,提高了模型的训练效率,同时降低了模型训练硬件成本,提高了模型的校正准确度。
Description
技术领域
本发明涉及光学邻近校正领域,特别是公开了一种光学邻近校正模型的训练方法、装置、设备、计算机可读存储介质及一种光学邻近校正方法。
背景技术
光刻是芯片制造过程中的核心工艺,但光学***,掩模版以及光刻胶***中的非线性效应会带来芯片制造过程中的从设计图形到晶圆制造中的转移失真。现有掩模版图形优化主要是通过OPC(光学邻近效应修正)技术对掩模版版图进行仿真和优化,来最大化的减少半导体制造过程中由于光学等非线性效应造成的图形失真。
但传统的EDA/芯片/ASIC、FPGA等技术及其制作工艺,均以电子的角度来传输(包括信号,数据,电平等),这样的方式在一定程度上会发生耗损,失真,相互干涉等缺点,会对产品的精确度造成影响,同时,训练模型所需的计算资源及原料成本也会相应的增加。
因此,如何寻找一种训练速度快、效率高,同时在训练过程中耗费成本低的光学邻近校正模型的训练方法,是本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种光学邻近校正模型的训练方法、装置、设备、计算机可读存储介质及一种光学邻近校正方法,以解决现有技术中模型训练效率低、速度慢、成本高的问题。
为解决上述技术问题,本发明提供一种光学邻近校正模型的训练方法,包括:
确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;
将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;
获取掩膜板训练集;
对所述掩膜板训练集进行光刻,得到掩膜板透光信号;
利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。
可选地,在所述的光学邻近校正模型的训练方法中,所述将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型包括:
根据所述扫描单元的透光信号及对应的图案特征信息,通过所述脉冲神经网络,得到神经元状态分类模型;
根据所述扫描单元的透光信号、对应的图案特征信息,及对应的脉冲神经网络参数,通过深度强化学习算法,得到网络参数辅助辨识图案模型;
根据所述神经元状态分类模型及所述网络参数辅助辨识图案模型,确定所述光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息。
可选地,在所述的光学邻近校正模型的训练方法中,所述脉冲神经网络参数包括活动神经元信息、活动突触信息、电路环境信息及权重信息中的至少一种。
可选地,在所述的光学邻近校正模型的训练方法中,所述对所述掩膜板训练集进行光刻,得到掩膜板透光信号包括:
获取实际光刻参数;
根据所述实际光刻参数,对所述掩膜板训练集进行光刻,得到掩膜板透光信号。
可选地,在所述的光学邻近校正模型的训练方法中,所述透光信号的获取方式包括:
使用光学频率梳照射所述目标版图,得到与所述扫描单元对应的所述透光信号。
可选地,在所述的光学邻近校正模型的训练方法中,所述将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型包括:
将所述图案特征信息输入脉冲神经网络与深度强化学习的复合模型,并将所述透光信号利用波分复用技术输入所述脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型。
一种光学邻近校正方法,包括:
获取目标线路版图数据;
将所述目标线路版图数据输入光学邻近校正模型中,得到目标掩膜板图数据;其中,所述光学邻近校正模型为通过如上述任一种所述的光学邻近校正模型的训练方法得到的光学邻近校正模型;
根据所述目标掩膜板图数据,制造对应的掩膜层。
一种光学邻近校正模型的训练装置,包括:
目标确定模块,用于确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;
复合模型模块,用于将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;
训练集获取模块,用于获取掩膜板训练集;
光刻透光模块,用于对所述掩膜板训练集进行光刻,得到掩膜板透光信号;
OPC模块,用于利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。
一种光学邻近校正模型的训练设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一种所述的光学邻近校正模型的训练方法及上述光学邻近校正方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的光学邻近校正模型的训练方法及上述光学邻近校正方法的步骤。
本发明所提供的光学邻近校正模型的训练方法,通过确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;获取掩膜板训练集;对所述掩膜板训练集进行光刻,得到掩膜板透光信号;利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。
本发明中对所述光学邻近校正模型的训练不再需要根据所述掩膜板训练集进行实际刻蚀,仅需要制备好的成品目标版图,及所述掩膜板训练集中的掩膜板本身,大大缩短了模型训练素材的准备时间,提高了模型的训练效率,同时降低了模型训练硬件成本,同时,利用光学传输的方式代替以电子传输的方式,避免了电子传输信息的损耗与失真,提高了模型的校正准确度,同时利用了所述脉冲神经网络中模仿神经元和突触的工作方式忆阻器,因为忆阻器具有记忆特性,其可以记录特定的信息(信号,电压,电流等),进而把这些特定信息与脉冲神经网络中的特定神经元来表征,由此通过神经元的活动情况即可快速对所述透光信号对应的图案进行分类,同时引入深度强化学习的算法,进一步提升训练得到的模型的矫正准确率。本发明同时还提供了一种具有上述有益效果的光学邻近校正模型的训练装置、设备、计算机可读存储介质及一种光学邻近校正方法。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的光学邻近校正模型的训练方法的一种具体实施方式的流程示意图;
图2为本发明提供的光学邻近校正模型的训练方法的另一种具体实施方式的流程示意图;
图3为本发明提供的光学邻近校正模型的训练装置的一种具体实施方式的结构示意图;
图4为本发明提供的光学邻近校正方法的一种具体实施方式的流程示意图;
图5为本发明提供的光学邻近校正装置的一种具体实施方式的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的核心是提供一种光学邻近校正模型的训练方法,其一种具体实施方式的流程示意图如图1所示,称其为具体实施方式一,包括:
S101:确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号。
具体地,作为一种优选实施方式,所述透光信号的获取方式包括:
使用光学频率梳照射所述目标版图,得到与所述扫描单元对应的所述透光信号。
所述光学频率梳可在短时间内输出大量频率、波长不同的光波,且有利于复杂光波的整合,提高光照效率,也即所述透光信号的生成效率。
在本发明中,在确定所述目标版图后,利用预设的光线对所述目标版图进行扫描照射,即可得到所述目标版图上每一个扫描单元的透光信号。
S102:将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息。
优选地,本步骤包括:
将所述图案特征信息输入脉冲神经网络与深度强化学习的复合模型,并将所述透光信号利用波分复用技术输入所述脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型。
前一步中获取的透光光线在本优选实施方式汇总先进行波分复用处理,得到一系列不同间距的超短脉冲输出,再发送至所述脉冲神经网络与深度强化学习的复合模型,波分复用可充分利用传输带宽,避免传输带宽的浪费有效提升信息传输效率。
不同的由所述透光信号转化来的脉冲输出转化为所述脉冲神经网络中的神经元的输入,其代表了所述目标版图(Layout)的不同部分特征(例如x,y,边缘位置,边缘的形状等参数);而不同特征在脉冲神经网络中以不同状态的神经元存在(接收到所述脉冲后,对应的神经元会激活特定的突触)。
S103:获取掩膜板训练集。
S104:对所述掩膜板训练集进行光刻,得到掩膜板透光信号。
上述S103、S104两步骤与前文中的S101、S102两步骤之间并无先后关系,可随意调换位置或拆分,仅需保障S103在S104之前即可。
作为一种优选实施方式,本步骤包括:
A1:获取实际光刻参数。
所述实际光刻参数为进行实际的光刻时所使用的相关光学参数,如光学孔径、频率等。
A2:根据所述实际光刻参数,对所述掩膜板训练集进行光刻,得到掩膜板透光信号。
利用与所述实际光刻参数相同的参数对所述掩膜板训练集进行光刻,得到的掩膜板透光信号更贴近于后期利用所述光学邻近校正模型进行掩膜板图案推导的实际情况,也即提升了模型的准确度。
S105:利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。
所述光线-图案模型建立了所述透射光线与目标版图上图案的对应关系,而所述掩膜板透光信号(其本身也为一种透光信号)对应了掩膜板本身的形状,换言之,本步骤中以所述掩膜板透光信号为媒介,建立了掩膜板形状与目标版图上的图案的对应关系,进而使得到的所述光学邻近校正模型可根据输入的目标版图得到对应的掩膜板形状,也即用于光学邻近校正。
本发明所提供的光学邻近校正模型的训练方法,通过确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;获取掩膜板训练集;对所述掩膜板训练集进行光刻,得到掩膜板透光信号;利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。本发明中对所述光学邻近校正模型的训练不再需要根据所述掩膜板训练集进行实际刻蚀,仅需要制备好的成品目标版图,及所述掩膜板训练集中的掩膜板本身,大大缩短了模型训练素材的准备时间,提高了模型的训练效率,同时降低了模型训练硬件成本,同时,利用光学传输的方式代替以电子传输的方式,避免了电子传输信息的损耗与失真,提高了模型的校正准确度,同时利用了所述脉冲神经网络中模仿神经元和突触的工作方式忆阻器,因为忆阻器具有记忆特性,其可以记录特定的信息(信号,电压,电流等),进而把这些特定信息与脉冲神经网络中的特定神经元来表征,由此通过神经元的活动情况即可快速对所述透光信号对应的图案进行分类,同时引入深度强化学习的算法,进一步提升训练得到的模型的矫正准确率。
在具体实施方式一的基础上,进一步对所述光线-图案模型的获得方式做具体限定,得到具体实施方式二,其流程示意图如图2所示,包括:
S201:确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号。
S202:根据所述扫描单元的透光信号及对应的图案特征信息,通过所述脉冲神经网络,得到神经元状态分类模型。
由前文可知,包含着所述扫描单元的图案特征信息的透光信号,会激活所述脉冲神经网络中特定的神经元,我们可通过忆阻器:把这些不同的频段脉冲的输出作为我们模拟神经元的输入,进行不同的初始权重设置与Herbian学习(本Herbian学习仅与通过该神经元的输入与输出相关,不需考虑神经网络的全局情况),最后可通过所述脉冲神经网络中的神经元的状态反应,确定此时射入的所述透光信号对应的脉冲是透过具备什么样的图案信息的扫描单元的,换言之,可通过所述脉冲神经网络中的神经元的状态反应,对所述透光信号对应的扫描单元的图案进行初步分类,如锐角、条形等等。
S203:根据所述扫描单元的透光信号、对应的图案特征信息,及对应的脉冲神经网络参数,通过深度强化学习算法,得到网络参数辅助辨识图案模型。
因为深度强化学习(以下简称:DRL)需要大量的训练数据,我们在此引入了与所述脉冲神经网络相结合的方式,因为脉冲神经网络中的神经元与不同区域的突触相连接,而针对不同的目标版图的上的图案,所述脉冲神经网络给出的反应是针对图案不同而可归类的,可以理解为,所述目标版图上的图案形状与所述脉冲网络中的网络参数反应一一对应,我们利用这点,令深度强化学习算法学习所述脉冲网络中的网络参数与目标版图上图案的对应关系,举例说明,每当脉冲网络中通过的信号较强的时候,它所对应到的光束的波长可能是比较短和急促的,这对应到目标版图中的图形可能是比较陡或者是比较尖锐的部分。
S204:根据所述神经元状态分类模型及所述网络参数辅助辨识图案模型,确定所述光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息。
本步骤中将两个模型相结合,也即所述光线-图案模型利用所述脉冲神经网络简单分类,加上所述深度强化学习算法,进一步提升依据所述透光信息对所述目标版图上的图案的预测准确度。
S205:获取掩膜板训练集。
S206:对所述掩膜板训练集进行光刻,得到掩膜板透光信号。
S207:利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。
本具体实施方式与上述具体实施方式的不同之处在于,本具体实施方式中具体给出了一种确定所述光线-图案模型的方法,其余步骤均与上述具体实施方式相同,在此不再展开赘述。
本具体实施方式中,分解了所述光线-图案模型的确定方法,依据本具体实施方式中的方法对所述脉冲神经网络及所述深度强化学习算法进行结合,方法简单,所需算力进一步降低,计算效率高,且具有较强的泛用性。
作为一种优选实施方式,所述脉冲神经网络参数包括活动神经元信息、活动突触信息、电路环境信息及权重信息中的至少一种。
也即在引入DRL算法后,我们得到了某个时刻的一些参数,可以包括:
N个智能体(agent,这里指不同的神经元,突触);初始的状态State(initial);当前的环境:指通过的信号(电压,电平,电流,回路数等参数),这里称Environment;初始的学习权重(学习率),由前面的Herbian学习后得到,称LearningRate;由上得到了DRL学习需要的各个参数,经过不断的迭代后,得到了某时刻某类别的输出概率。
下面对本发明实施例提供的光学邻近校正模型的训练装置进行介绍,下文描述的光学邻近校正模型的训练装置与上文描述的光学邻近校正模型的训练方法可相互对应参照。
图3为本发明实施例提供的光学邻近校正模型的训练装置的结构框图,参照图3光学邻近校正模型的训练装置可以包括:
目标确定模块100,用于确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;
复合模型模块200,用于将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;
训练集获取模块300,用于获取掩膜板训练集;
光刻透光模块400,用于对所述掩膜板训练集进行光刻,得到掩膜板透光信号;
OPC模块500,用于利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。
作为一种优选实施方式,所述复合模型模块200包括:
脉冲神经网络单元,用于根据所述扫描单元的透光信号及对应的图案特征信息,通过所述脉冲神经网络,得到神经元状态分类模型;
深度强化学习单元,用于根据所述扫描单元的透光信号、对应的图案特征信息,及对应的脉冲神经网络参数,通过深度强化学习算法,得到网络参数辅助辨识图案模型;
模型复合单元,用于根据所述神经元状态分类模型及所述网络参数辅助辨识图案模型,确定所述光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息。
作为一种优选实施方式,所述光刻透光模块400包括:
光刻参数单元,用于获取实际光刻参数;
实际光刻单元,用于根据所述实际光刻参数,对所述掩膜板训练集进行光刻,得到掩膜板透光信号。
作为一种优选实施方式,所述目标确定模块100包括:
光学频率梳单元,用于使用光学频率梳照射所述目标版图,得到与所述扫描单元对应的所述透光信号。
作为一种优选实施方式,所述复合模型模块200包括:
波分复用传输单元,用于将所述图案特征信息输入脉冲神经网络与深度强化学习的复合模型,并将所述透光信号利用波分复用技术输入所述脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型。
本发明所提供的光学邻近校正模型的训练装置,通过目标确定模块,用于确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;复合模型模块,用于将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;训练集获取模块,用于获取掩膜板训练集;光刻透光模块,用于对所述掩膜板训练集进行光刻,得到掩膜板透光信号;OPC模块,用于利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。本发明中对所述光学邻近校正模型的训练不再需要根据所述掩膜板训练集进行实际刻蚀,仅需要制备好的成品目标版图,及所述掩膜板训练集中的掩膜板本身,大大缩短了模型训练素材的准备时间,提高了模型的训练效率,同时降低了模型训练硬件成本,同时,利用光学传输的方式代替以电子传输的方式,避免了电子传输信息的损耗与失真,提高了模型的校正准确度,同时利用了所述脉冲神经网络中模仿神经元和突触的工作方式忆阻器,因为忆阻器具有记忆特性,其可以记录特定的信息(信号,电压,电流等),进而把这些特定信息与脉冲神经网络中的特定神经元来表征,由此通过神经元的活动情况即可快速对所述透光信号对应的图案进行分类,同时引入深度强化学习的算法,进一步提升训练得到的模型的矫正准确率。
本实施例的光学邻近校正模型的训练装置用于实现前述的光学邻近校正模型的训练方法,因此光学邻近校正模型的训练装置中的具体实施方式可见前文中的光学邻近校正模型的训练方法的实施例部分,例如,目标确定模块100,复合模型模块200,训练集获取模块300,光刻透光模块400,OPC模块500,分别用于实现上述光学邻近校正模型的训练方法中步骤S101,S102,S103,S104和S105,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明还提供了一种光学邻近校正方法,其一种具体实施方式的流程示意图如图4所示,包括:
S301:获取目标线路版图数据。
S302:将所述目标线路版图数据输入光学邻近校正模型中,得到目标掩膜板图数据;其中,所述光学邻近校正模型为通过如上述任一种所述的光学邻近校正模型的训练方法得到的光学邻近校正模型。
S303:根据所述目标掩膜板图数据,制造对应的掩膜层。
本发明中提供的光学邻近校正方法,利用了前文中的光学邻近校正模型的训练方法得到的光学邻近校正模型,因此技术细节可对照前文,适用于前文的技术细节与技术特征同样适用于本具体实施方式,在此不再展开赘述。
本发明所提供的光学邻近校正方法,通过获取目标线路版图数据;将所述目标线路版图数据输入光学邻近校正模型中,得到目标掩膜板图数据;其中,所述光学邻近校正模型为通过如权上述任一种所述的光学邻近校正模型的训练方法得到的光学邻近校正模型;根据所述目标掩膜板图数据,制造对应的掩膜层。本发明中对所述光学邻近校正模型的训练不再需要根据所述掩膜板训练集进行实际刻蚀,仅需要制备好的成品目标版图,及所述掩膜板训练集中的掩膜板本身,大大缩短了模型训练素材的准备时间,提高了模型的训练效率,同时降低了模型训练硬件成本,同时,利用光学传输的方式代替以电子传输的方式,避免了电子传输信息的损耗与失真,提高了模型的校正准确度,同时利用了所述脉冲神经网络中模仿神经元和突触的工作方式忆阻器,因为忆阻器具有记忆特性,其可以记录特定的信息(信号,电压,电流等),进而把这些特定信息与脉冲神经网络中的特定神经元来表征,由此通过神经元的活动情况即可快速对所述透光信号对应的图案进行分类,同时引入深度强化学习的算法,进一步提升训练得到的模型的矫正准确率。
下面对本发明实施例提供的光学邻近校正装置进行介绍,下文描述的光学邻近校正装置与上文描述的光学邻近校正方法可相互对应参照。
图5为本发明实施例提供的光学邻近校正装置的结构框图,参照图5光学邻近校正装置可以包括:
目标获取模块001,用于获取目标线路版图数据;
掩膜计算模块002,用于将所述目标线路版图数据输入光学邻近校正模型中,得到目标掩膜板图数据;其中,所述光学邻近校正模型为通过如上述任一种所述的光学邻近校正模型的训练方法得到的光学邻近校正模型;
掩膜制造模块003,用于根据所述目标掩膜板图数据,制造对应的掩膜层。
本发明所提供的光学邻近校正装置,通过目标获取模块001,用于获取目标线路版图数据;掩膜计算模块002,用于将所述目标线路版图数据输入光学邻近校正模型中,得到目标掩膜板图数据;其中,所述光学邻近校正模型为通过如上述任一种所述的光学邻近校正模型的训练方法得到的光学邻近校正模型;掩膜制造模块003,用于根据所述目标掩膜板图数据,制造对应的掩膜层。本发明中对所述光学邻近校正模型的训练不再需要根据所述掩膜板训练集进行实际刻蚀,仅需要制备好的成品目标版图,及所述掩膜板训练集中的掩膜板本身,大大缩短了模型训练素材的准备时间,提高了模型的训练效率,同时降低了模型训练硬件成本,同时,利用光学传输的方式代替以电子传输的方式,避免了电子传输信息的损耗与失真,提高了模型的校正准确度,同时利用了所述脉冲神经网络中模仿神经元和突触的工作方式忆阻器,因为忆阻器具有记忆特性,其可以记录特定的信息(信号,电压,电流等),进而把这些特定信息与脉冲神经网络中的特定神经元来表征,由此通过神经元的活动情况即可快速对所述透光信号对应的图案进行分类,同时引入深度强化学习的算法,进一步提升训练得到的模型的矫正准确率。
本实施例的光学邻近校正装置用于实现前述的光学邻近校正方法,因此光学邻近校正装置中的具体实施方式可见前文中的光学邻近校正方法的实施例部分,例如,目标获取模块001,掩膜计算模块002,掩膜制造模块003,分别用于实现上述光学邻近校正模型的训练方法中步骤S301,S302和S303,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明还提供了一种光学邻近校正模型的训练设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一种所述的光学邻近校正模型的训练方法及上述光学邻近校正方法的步骤。本发明所提供的光学邻近校正模型的训练方法,通过确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;获取掩膜板训练集;对所述掩膜板训练集进行光刻,得到掩膜板透光信号;利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。本发明中对所述光学邻近校正模型的训练不再需要根据所述掩膜板训练集进行实际刻蚀,仅需要制备好的成品目标版图,及所述掩膜板训练集中的掩膜板本身,大大缩短了模型训练素材的准备时间,提高了模型的训练效率,同时降低了模型训练硬件成本,同时,利用光学传输的方式代替以电子传输的方式,避免了电子传输信息的损耗与失真,提高了模型的校正准确度,同时利用了所述脉冲神经网络中模仿神经元和突触的工作方式忆阻器,因为忆阻器具有记忆特性,其可以记录特定的信息(信号,电压,电流等),进而把这些特定信息与脉冲神经网络中的特定神经元来表征,由此通过神经元的活动情况即可快速对所述透光信号对应的图案进行分类,同时引入深度强化学习的算法,进一步提升训练得到的模型的矫正准确率。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的光学邻近校正模型的训练方法及上述光学邻近校正方法的步骤。本发明所提供的光学邻近校正模型的训练方法,通过确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;获取掩膜板训练集;对所述掩膜板训练集进行光刻,得到掩膜板透光信号;利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。本发明中对所述光学邻近校正模型的训练不再需要根据所述掩膜板训练集进行实际刻蚀,仅需要制备好的成品目标版图,及所述掩膜板训练集中的掩膜板本身,大大缩短了模型训练素材的准备时间,提高了模型的训练效率,同时降低了模型训练硬件成本,同时,利用光学传输的方式代替以电子传输的方式,避免了电子传输信息的损耗与失真,提高了模型的校正准确度,同时利用了所述脉冲神经网络中模仿神经元和突触的工作方式忆阻器,因为忆阻器具有记忆特性,其可以记录特定的信息(信号,电压,电流等),进而把这些特定信息与脉冲神经网络中的特定神经元来表征,由此通过神经元的活动情况即可快速对所述透光信号对应的图案进行分类,同时引入深度强化学习的算法,进一步提升训练得到的模型的矫正准确率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种光学邻近校正模型的训练方法、装置、设备、计算机可读存储介质及一种光学邻近校正方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种光学邻近校正模型的训练方法,其特征在于,包括:
确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;
将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;
获取掩膜板训练集;
对所述掩膜板训练集进行光刻,得到掩膜板透光信号;
利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。
2.如权利要求1所述的光学邻近校正模型的训练方法,其特征在于,所述将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型包括:
根据所述扫描单元的透光信号及对应的图案特征信息,通过所述脉冲神经网络,得到神经元状态分类模型;
根据所述扫描单元的透光信号、对应的图案特征信息,及对应的脉冲神经网络参数,通过深度强化学习算法,得到网络参数辅助辨识图案模型;
根据所述神经元状态分类模型及所述网络参数辅助辨识图案模型,确定所述光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息。
3.如权利要求2所述的光学邻近校正模型的训练方法,其特征在于,所述脉冲神经网络参数包括活动神经元信息、活动突触信息、电路环境信息及权重信息中的至少一种。
4.如权利要求1所述的光学邻近校正模型的训练方法,其特征在于,所述对所述掩膜板训练集进行光刻,得到掩膜板透光信号包括:
获取实际光刻参数;
根据所述实际光刻参数,对所述掩膜板训练集进行光刻,得到掩膜板透光信号。
5.如权利要求1所述的光学邻近校正模型的训练方法,其特征在于,所述透光信号的获取方式包括:
使用光学频率梳照射所述目标版图,得到与所述扫描单元对应的所述透光信号。
6.如权利要求1所述的光学邻近校正模型的训练方法,其特征在于,所述将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型包括:
将所述图案特征信息输入脉冲神经网络与深度强化学习的复合模型,并将所述透光信号利用波分复用技术输入所述脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型。
7.一种光学邻近校正方法,其特征在于,包括:
获取目标线路版图数据;
将所述目标线路版图数据输入光学邻近校正模型中,得到目标掩膜板图数据;其中,所述光学邻近校正模型为通过如权利要求1至6任一项所述的光学邻近校正模型的训练方法得到的光学邻近校正模型;
根据所述目标掩膜板图数据,制造对应的掩膜层。
8.一种光学邻近校正模型的训练装置,其特征在于,包括:
目标确定模块,用于确定目标版图,并获取所述目标版图中的扫描单元对应的图案特征信息及透光信号;
复合模型模块,用于将所述图案特征信息与所述透光信号输入脉冲神经网络与深度强化学习的复合模型,得到光线-图案模型;所述光线-图案模型的输入为所述透光信号,输出为所述透光信号对应的图案特征信息;
训练集获取模块,用于获取掩膜板训练集;
光刻透光模块,用于对所述掩膜板训练集进行光刻,得到掩膜板透光信号;
OPC模块,用于利用所述掩膜板透光信号,通过所述光线-图案模型,获得光学邻近校正模型。
9.一种光学邻近校正模型的训练设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的光学邻近校正模型的训练方法及权利要求7所述的光学邻近校正方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的光学邻近校正模型的训练方法及权利要求7所述的光学邻近校正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395502.XA CN115509082B (zh) | 2022-11-09 | 2022-11-09 | 光学邻近校正模型的训练方法、装置及光学邻近校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395502.XA CN115509082B (zh) | 2022-11-09 | 2022-11-09 | 光学邻近校正模型的训练方法、装置及光学邻近校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115509082A true CN115509082A (zh) | 2022-12-23 |
CN115509082B CN115509082B (zh) | 2023-04-07 |
Family
ID=84514049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211395502.XA Active CN115509082B (zh) | 2022-11-09 | 2022-11-09 | 光学邻近校正模型的训练方法、装置及光学邻近校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115509082B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720479A (zh) * | 2023-08-10 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 掩膜生成模型训练方法、掩膜生成方法及装置和存储介质 |
CN118171625A (zh) * | 2024-05-15 | 2024-06-11 | 华芯程(杭州)科技有限公司 | 集成电路表面平坦化预测方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223773A (zh) * | 2014-05-30 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种光掩模图案透光强度修正的方法 |
CN107438842A (zh) * | 2014-12-18 | 2017-12-05 | Asml荷兰有限公司 | 通过机器学习的特征搜索 |
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 |
US20180107123A1 (en) * | 2016-10-17 | 2018-04-19 | Cymer, Llc | Wafer-based light source parameter control |
EP3441819A1 (en) * | 2017-08-07 | 2019-02-13 | ASML Netherlands B.V. | Computational metrology |
CN113759657A (zh) * | 2020-06-03 | 2021-12-07 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近校正方法 |
-
2022
- 2022-11-09 CN CN202211395502.XA patent/CN115509082B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223773A (zh) * | 2014-05-30 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种光掩模图案透光强度修正的方法 |
CN107438842A (zh) * | 2014-12-18 | 2017-12-05 | Asml荷兰有限公司 | 通过机器学习的特征搜索 |
US20180107123A1 (en) * | 2016-10-17 | 2018-04-19 | Cymer, Llc | Wafer-based light source parameter control |
EP3441819A1 (en) * | 2017-08-07 | 2019-02-13 | ASML Netherlands B.V. | Computational metrology |
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 |
CN113759657A (zh) * | 2020-06-03 | 2021-12-07 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近校正方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720479A (zh) * | 2023-08-10 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 掩膜生成模型训练方法、掩膜生成方法及装置和存储介质 |
CN116720479B (zh) * | 2023-08-10 | 2024-01-09 | 腾讯科技(深圳)有限公司 | 掩膜生成模型训练方法、掩膜生成方法及装置和存储介质 |
CN118171625A (zh) * | 2024-05-15 | 2024-06-11 | 华芯程(杭州)科技有限公司 | 集成电路表面平坦化预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115509082B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115509082B (zh) | 光学邻近校正模型的训练方法、装置及光学邻近校正方法 | |
US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
CN107908071B (zh) | 一种基于神经网络模型的光学邻近校正方法 | |
CN102056183B (zh) | 一种基于认知网络的网络流量预测方法和装置 | |
CN104331635B (zh) | 电力光纤通信光功率预测的方法 | |
JP2021523425A (ja) | フォトリソグラフィプロセスの要素の欠陥の未知の影響を評価するための方法および装置 | |
CN117116051B (zh) | 基于人工智能的智慧交通管理***及其方法 | |
KR20210019311A (ko) | 자료해석 기반 침수 예측 방법 및 이를 위한 장치 | |
James | Online traffic speed estimation for urban road networks with few data: A transfer learning approach | |
CN108228981A (zh) | 基于神经网络的opc模型生成方法及实验图案的预测方法 | |
CN117313640A (zh) | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 | |
Chen et al. | Forecasting short‐term traffic flow by fuzzy wavelet neural network with parameters optimized by biogeography‐based optimization algorithm | |
Boybat et al. | Improved deep neural network hardware-accelerators based on non-volatile-memory: The local gains technique | |
CN114162144B (zh) | 自动驾驶决策方法、装置以及电子设备 | |
Miletić et al. | State complexity reduction in reinforcement learning based adaptive traffic signal control | |
CN115598937B (zh) | 一种光刻掩膜形状预测方法及装置、电子设备 | |
CN103679267A (zh) | 基于无标记样本的rbf神经网络构建方法及其装置 | |
CN115857067A (zh) | 一种逆向设计的超构表面器件及其制备、设计方法 | |
Gamarra et al. | Deep learning for traffic prediction with an application to traffic lights optimization | |
Zhao et al. | A survey on deep reinforcement learning approaches for traffic signal control | |
CN115345106A (zh) | 电子器件的Verilog-A模型构建方法、***及设备 | |
van der Herten et al. | Fuzzy local linear approximation-based sequential design | |
Pan et al. | An improved deep belief network model for road safety analyses | |
Hakimiyan et al. | Design of quantum dot semiconductor optical amplifier by intelligence methods | |
CN116527411B (zh) | 数据安全智能防护模型构建方法、装置及协作平台 |
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 |