用于SRAF预测网络的数据增强方法、装置、介质及设备与流程

本发明涉及图像处理与深度学习，尤其是涉及一种用于sraf预测网络的数据增强方法、装置、介质及设备。

背景技术：

1、随着半导体制造技术的持续发展，集成电路的特征尺寸不断缩小，进而对光刻系统的分辨率提出了更高的要求。传统的光刻系统在应对光学临近效应时存在局限性，这也导致印刷在晶圆上的图像出现失真，为了提高芯片制造良品率，行业内已经采用了多种分辨率增强技术，其中，亚分辨率辅助图形(sub-resolution assist features，sraf)技术通过在设计版图周围添加尺寸远小于图形最小设计尺寸的辅助图形以提升光刻成像的工艺窗口，考虑到添加的辅助图形尺寸小于光刻系统的最小曝光分辨率，所以辅助图形不会在晶圆上成像。

2、现有技术中，深度学习在图形分类任务领域展现出了卓越的性能表现，因此可以运用深度学习技术来精准判断放置sraf图形的具体位置、确定sraf的类型，确定版图中的主图形以及sraf图形之间的距离信息，以达成更为精确的曝光效果，保障光刻工艺的高质量输出。在深度学习训练分类网络中，样本的数量与质量是决定网络检测模型性能的核心因素，能够对模型训练成效产生重大影响，而获取sraf放置规则是一项很繁杂且成本很高的任务，sraf规则是通过广泛收集特定图形的辅助图形数据予以确定的，鉴于不同的图形会导致生出不同的sraf规则，所以要收集大量遵循统一sraf规则下的特征图形数据，便需要耗费数额巨大的计算资源以及漫长的时间成本，同时，相较于无需放置sraf的图形而言，具有统一sraf规则下的特征图形在数量上可能会处于少数，此时不需要放置sraf的图形便会占据多数，而这种样本数量不平衡的情况同样会影响模型的学习效果，使得模型难以准确学习到需要放置sraf的情况。

3、因此，一种能够获取大量有效的统一sraf放置规则下特征图形数据的方法亟待研究。

技术实现思路

1、有鉴于此，本技术提供了一种用于sraf预测网络的数据增强方法、装置、介质及设备，主要目的在于解决现有技术中利用深度学习判断sraf图形放置位置时，sraf规则下的特征图形数据的数据量不足，样本质量低的技术问题。

2、根据本发明的第一个方面，提供了一种用于sraf预测网络的数据增强方法，所述方法包括：

3、采集sraf特征图形和无sraf版图图形，基于所述sraf特征图形和所述无sraf版图图形构建原始数据集，并根据图形几何特征对所述原始数据集中图形数据进行分类，生成多个类型标签；

4、对所述原始数据集中图形数据进行数据扩增操作；

5、基于所述类型标签，将所述原始数据集中数据扩增后的图形数据分别输入至多个不同的生成对抗网络中进行数据增强操作，得到数据增强后的sraf特征图形和无sraf版图图形，其中，所述生成对抗网络引入swin transformer模块并融合了注意力机制。

6、可选的，所述对所述原始数据集中图形数据进行数据扩增操作，包括：对所述原始数据集中图形数据进行上采样、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，所述生成对抗网络包括生成器和判别器，所述生成器包括编码器和解码器；所述将所述原始数据集中数据扩增后的图形数据分别输入至多个不同的生成对抗网络中进行数据增强操作，包括：将随机噪声输入至所述编码器中进行特征提取与压缩，生成高级特征；将所述高级特征输入至所述解码器中进行还原，生成虚假特征图形；将数据扩增后原始数据集中图形数据与所述虚假特征图形输入至所述判别器中进行判别，得到判别结果，并基于所述判别结果对所述生成对抗网络的参数进行更新。

8、可选的，所述编码器包括第一卷积层、第一cbam模块、第二卷积层、分块划分模块、线性嵌入模块和第一swin transformer模块；所述将随机噪声输入至所述编码器中进行特征提取与压缩，生成高级特征，包括：将随机噪声输入至所述第一卷积层进行特征提取，并利用所述第一cbam模块进行特征增强；利用所述第二卷积层对特征增强后的图像特征进行进一步提取，利用所述分块划分模块将提取后的图像特征进行划分，并将划分后的图像特征输入至所述线性嵌入模块以嵌入至高维度空间，利用所述第一swin transformer模块进行特征变换，生成高级特征。

9、可选的，所述解码器包括分块合并模块、第二swin transformer模块、第一分块拓展模块、第三swin transformer模块、第二分块拓展模块、线性投影模块、第三卷积层、第二cbam模块和第四卷积层，所述第三卷积层与所述第二卷积层跳跃连接，所述第三swintransformer模块与所述第二swin transformer模块跳跃连接；所述将所述高级特征输入至所述解码器中进行还原，生成虚假特征图形，包括：利用所述分块合并模块对所述高级特征进行合并，利用所述第二swin transformer模块进行特征变换，并利用所述第一分块拓展模块将图像特征拓展回原始图像尺寸；利用所述第三swin transformer模块和所述第二分块拓展模块对图像特征依次进行特征变换以及图像拓展；利用所述线性投影模块将图像特征映射回低维度，并利用所述第三卷积层进行特征重构；利用所述第二cbam模块对特征重构后的图像特征进行特征增强，并经过所述第四卷积层生成虚假特征图形。

10、可选的，所述判别器包括第五卷积层、第三cbam模块、第六卷积层和全连接层；所述将数据扩增后原始数据集中图形数据与所述虚假特征图形输入至所述判别器中进行判别，得到判别结果，包括：将数据扩增后原始数据集中图形数据与所述虚假特征图形输入至所述第五卷积层中进行特征提取，并利用所述第三cbam模块进行特征增强；利用所述第六卷积层进一步进行特征提取，最终通过所述全连接层进行整合，输出判别结果。

11、可选的，所述基于所述判别结果对所述生成对抗网络的参数进行更新，包括：基于所述判别结果计算所述生成器的第一损失函数和所述判别器的第二损失函数；利用所述第一损失函数更新所述生成器的参数，并利用所述第二损失函数更新所述判别器的参数，直至所述第一损失函数和所述第二损失函数达到收敛状态。

12、根据本发明的第二个方面，提供了一种用于sraf预测网络的数据增强装置，装置包括：

13、数据集构建模块，用于采集sraf特征图形和无sraf版图图形，基于所述sraf特征图形和所述无sraf版图图形构建原始数据集，并根据图形几何特征对所述原始数据集中图形数据进行分类，生成多个类型标签；

14、数据扩增模块，用于对所述原始数据集中图形数据进行数据扩增操作；

15、数据增强模块，用于基于所述类型标签，将所述原始数据集中数据扩增后的图形数据分别输入至多个不同的生成对抗网络中进行数据增强操作，得到数据增强后的sraf特征图形和无sraf版图图形。

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用于sraf预测网络的数据增强方法。

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用于sraf预测网络的数据增强方法。

18、本发明提供的一种用于sraf预测网络的数据增强方法、装置、介质及设备，首先采集sraf特征图形和无sraf版图图形，基于sraf特征图形和无sraf版图图形构建原始数据集，并根据图形几何特征对原始数据集中图形数据进行分类，生成多个类型标签，然后对原始数据集中图形数据进行数据扩增操作，最后基于类型标签，将原始数据集中数据扩增后的图形数据分别输入至多个不同的生成对抗网络中进行数据增强操作，得到数据增强后的sraf特征图形和无sraf版图图形，其中，生成对抗网络引入swin transformer模块并融合了注意力机制。上述方法对原始数据集中的图形数据进行增强处理操作后导入生成对抗网络中，有效解决在训练sraf预测网络的过程中所面临的特征图形数据量不足，以及样本质量难以保障的问题，为后续的深度学习技术在sraf添加问题中的应用提供了丰富且可靠的数据基础；通过引入swin transformer模块构建全局上下文感知的特征处理单元，并且融合注意力机制能够促使网络聚焦于统一sraf规则下的特征图形的关键结构区域以及重要的通道信息，swin transformer模块与注意力机制的结合提高了网络的表达能力，可充分学习并掌握输入图形的各类复杂特征。上述方法能够生成更多高质量的特征图形样本实例，提供更为可靠的数据基础，生成对抗网络精准捕捉图形的关键特征，增强对图形特征的感知与学习能力。

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。