SRAF生成预测方法、装置、存储介质及计算机设备与流程

本发明涉及半导体制造，尤其是涉及一种sraf生成预测方法、装置、存储介质及计算机设备。

背景技术：

1、在掩模版图的设计过程中，往往同时存在着密集图形与稀疏图形，但是适用于密集图形的曝光条件并不一定适用于稀疏图形，因此为了拓宽稀疏图形和密集图形的工艺窗口，需要在掩模版图稀疏图形区域添加亚分辨率辅助图形(sraf，sub-resolution assistfeature)，使得添加sraf后的稀疏图形区域从成像上近似于密集图形区域，进而有效提高整体版图的成像工艺窗口，并且考虑到sraf的尺寸通常小于光刻机的分辨率，使得sraf不会在光刻胶上形成图像。

2、在实际应用过程中，随着掩模版图上主图形之间的距离增大，可以根据情况在无图形区域放置一些sraf来提高光刻系统的成像分辨率；然而，常用的sraf通常包含多种类型(如线条形、矩形和正方形等)，当主图形环境不同时，可能需要添加不同类型的sraf，而不同类型的sraf对于主图形所起的作用各不相同，同时，sraf的数量也是影响光刻成像结果的因素之一。现有技术通常依靠工程师的经验不断调整所需sraf的种类和添加数量，这样操作非常耗时耗力，且无法保证能够找到最佳的sraf添加方案。

3、因此，一种能够针对不同的版图图形环境，快速确定合适sraf类型和数量的方法亟待研究。

技术实现思路

1、有鉴于此，本技术提供了一种sraf生成预测方法、装置、存储介质及计算机设备，主要目的在于解决现有技术中利用人工调整所需sraf的种类和数量，效率低以及准确率低的技术问题。

2、根据本发明的第一个方面，提供了一种sraf生成预测方法，所述方法包括：

3、采集掩模版图图形，并基于sraf类型对所述掩模版图图形进行标注，形成原始数据集，其中，所述掩模版图图形具有不同类型和数量的sraf；

4、对所述原始数据集进行数据增强，并利用主成分分析法对数据增强后的原始数据集进行降维处理；

5、利用降维处理后的原始数据集对预设的sraf生成预测网络进行训练，并将降维后的原始数据集输入至完成训练的sraf生成预测网络中，得到针对不同掩模版图图形的sraf预测结果，其中，所述sraf预测结果包括sraf的生成类型和数量。

6、可选的，所述对所述原始数据集进行数据增强，包括：对所述原始数据集中的数据进行上采样、平移、水平翻转、垂直翻转和水平垂直翻转中的至少一项操作。

7、可选的，所述sraf生成预测网络包括：senet网络、silu激活函数和diou损失函数；所述senet网络用于在特征提取阶段聚焦于不同sraf生成类型关联的特征通道，以提升所述sraf生成预测网络在学习sraf特征时的准确性；所述silu激活函数用于增强所述sraf生成预测网络对sraf特征的表达能力；所述diou损失函数用于在训练过程中提供精确的误差反馈并指导网络参数的调整，以提升所述sraf生成预测网络的预测精度和收敛速度。

8、可选的，所述senet网络包括：压缩模块、激励模块和scale模块；所述压缩模块用于利用全局池化对原始特征图进行压缩；所述激励模块包括relu激活函数、sigmoid激活函数以及相连接的第一全连接层和第二全连接层，所述第一全连接层用于对压缩后的原始特征图进行进一步压缩，所述第二全连接层用于对所述第一全连接层压缩后的原始特征图进行还原，所述relu激活函数用于对所述第一全连接层的输出结果进行线性变换，所述sigmoid激活函数基于所述第二全连接层的输出结果生成特征通道的权重信息；所述scale模块用于基于所述权重信息对所述原始特征图进行加权，得到新的特征图。

9、可选的，所述利用降维处理后的原始数据集对预设的sraf生成预测网络进行训练，并将降维后的原始数据集输入至完成训练的sraf生成预测网络中，得到针对不同掩模版图图形的sraf预测结果，包括：基于预设比例将降维处理后的原始数据集中的数据划分为训练集、验证集和测试集；将所述训练集输入至预设的sraf生成预测网络中进行预设次数的迭代训练，并将所述验证集输入至完成训练的sraf生成预测网络中进行性能验证；将所述测试集输入至完成性能验证的sraf生成预测网络中，得到针对不同掩模版图图形的sraf预测结果。

10、可选的，所述将所述测试集输入至完成性能验证的sraf生成预测网络中，得到针对不同掩模版图图形的sraf预测结果，包括：将所述测试集中的数据通过输入层输入至所述sraf生成预测网络中，利用dbl模块进行特征提取得到特征图，其中，所述dbl模块包括深度可分离卷积单元、批量归一化单元和silu激活函数；将所述特征图传递至多个层级逐级进行特征重校准处理，其中，所述层级包括残差块和se模块，所述残差块包括零填充单元、dbl模块和残差单元；将多个所述层级输出的特征图通过上采样和拼接操作进行融合，并分别通过第一输出模块和第二输出模块进行输出，其中，所述第一输出模块和所述第二输出模块分别用于针对不同尺寸的sraf生成预测结果。

11、可选的，在所述将所述测试集输入至完成性能验证的sraf生成预测网络中，得到针对不同掩模版图图形的sraf预测结果之后，所述方法还包括：获取所述测试集中数据对应的sraf真实结果，其中，所述sraf真实结果包括所述测试集中真实存在的sraf的生成类型和数量；基于所述sraf真实结果，计算所述sraf预测结果的准确率和召回率，并根据所述准确率和所述召回率对所述sraf生成预测网络进行性能评估，得到所述sraf生成预测网络的性能评估结果。

12、根据本发明的第二个方面，提供了一种sraf生成预测装置，装置包括：

13、数据采集模块，用于采集掩模版图图形，并基于sraf类型对所述掩模版图图形进行标注，形成原始数据集，其中，所述掩模版图图形具有不同类型和数量的sraf；

14、数据处理模块，用于对所述原始数据集进行数据增强，并利用主成分分析法对数据增强后的原始数据集进行降维处理；

15、结果输出模块，用于利用降维处理后的原始数据集对预设的sraf生成预测网络进行训练，并将降维后的原始数据集输入至完成训练的sraf生成预测网络中，得到针对不同掩模版图图形的sraf预测结果，其中，所述sraf预测结果包括sraf的生成类型和数量。

16、根据本发明的第三个方面，提供了一种存储介质，其上存储有计算机程序，程序被处理器执行时实现上述sraf生成预测方法。

17、根据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述sraf生成预测方法。

18、本发明提供的一种sraf生成预测方法、装置、存储介质及计算机设备，首先采集掩模版图图形，并基于sraf类型对掩模版图图形进行标注，形成原始数据集，其中，掩模版图图形具有不同类型和数量的sraf；然后对原始数据集进行数据增强，并利用主成分分析法对数据增强后的原始数据集进行降维处理；最后利用降维处理后的原始数据集对预设的sraf生成预测网络进行训练，并将降维后的原始数据集输入至完成训练的sraf生成预测网络中，得到针对不同掩模版图图形的sraf预测结果，其中，sraf预测结果包括sraf的生成类型和数量。上述方法通过对收集的数据进行增强以及降维处理，在保留数据关键特征和核心信息的同时，降低数据维度和相关计算复杂度，提升数据处理效率和模型训练速度，为精准建模奠定基础；而sraf生成预测网络能够快速且准确捕捉不同sraf生成类型和数量的内在特征，通过建立高效的信息融合机制，同时捕捉全局和局部信息，全面感知掩模数据的特征分布，提高特征提取的准确性，有助于实现对sraf生成类型和数量的精准、高效预测。上述方法在提升sraf生成效率的基础上，有效提升针对不同的版图图形环境，确定sraf生成类型和数量的准确性。

19、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。