光学邻近修正配方的生成方法、存储介质及终端与流程

摘要: 本发明涉及半导体制造,尤其涉及一种光学邻近修正配方的生成方法、存储介质及终端。背景技术:1、光刻技术是半导体制作技术中至关重要的一项技术,光刻技术能够实现将图形...
光学邻近修正配方的生成方法、存储介质及终端与流程

本发明涉及半导体制造,尤其涉及一种光学邻近修正配方的生成方法、存储介质及终端。

背景技术:

1、光刻技术是半导体制作技术中至关重要的一项技术,光刻技术能够实现将图形从掩膜版中转移到硅片表面,形成符合设计要求的半导体产品。光刻工艺包括曝光步骤、曝光步骤之后进行的显影步骤和显影步骤之后的刻蚀步骤。在曝光步骤中,光线通过掩膜版中透光的区域照射至涂覆有光刻胶的硅片上,光刻胶在光线的照射下发生化学反应;在显影步骤中,利用感光和未感光的光刻胶对显影剂的溶解程度的不同,形成光刻图案,实现掩膜版图案转移到光刻胶上;在刻蚀步骤中,基于光刻胶层所形成的光刻图案对硅片进行刻蚀,将掩膜版的图案进一步转移至硅片上。

2、在半导体制造中,随着设计尺寸的不断缩小,设计尺寸越来越接近光刻成像系统的极限,光的衍射效应变得越来越明显,导致最终对设计图形产生光学影像退化,实际形成的光刻图案相对于掩膜版上的图案发生严重畸变,最终在硅片上经过光刻形成的实际图形和设计图形不同,这种现象称为光学邻近效应(ope:optical proximity effect)。

3、为了修正光学邻近效应,便产生了光学邻近修正(opc:optical proximitycorrection)。光学邻近修正的核心思想就是基于抵消光学邻近效应的考虑建立光学邻近修正模型,根据光学邻近修正模型设计光掩模图形,这样虽然光刻后的光刻图形相对应光掩模图形发生了光学邻近效应,但是由于在根据光学邻近修正模型设计光掩模图形时已经考虑了对该现象的抵消,因此,光刻后的光刻图形接近于用户实际希望得到的目标图形。

4、然而,现有技术的光学邻近修正过程仍存在诸多问题。

技术实现思路

1、本发明解决的技术问题是提供一种光学邻近修正配方的生成方法、存储介质及终端,以提升光学邻近修正配方的精度、鲁棒性及开发效率。

2、为解决上述问题,本发明提供一种光学邻近修正配方的生成方法,包括:采用训练数据对机器学习模型进行训练,基于所述机器学习模型输出最优的轨迹数据,所述训练数据包括版图图形、光刻胶参数、光学参数、工艺参数、设计目标规格和动作空间约束;采用多模态大语言模型对所述机器学习模型输出的所述轨迹数据进行修正规则归纳,并输出可编辑的所述光学邻近修正配方。

3、可选的,所述机器学习模型的训练方法包括:基于输入的所述训练数据,对所述训练数据中的所述版图图形进行修正动作;输出各个修正动作的概率分布,并从中采样抽取若干修正动作;执行修正动作并更新掩膜图形;在更新掩膜图形后,基于奖惩函数计算奖惩值;基于奖惩值更新后续的修正策略;重复迭代直至满足所述训练数据中的所述设计目标规格。

4、可选的,所述奖惩函数为:

5、r=epemax(0,aa)pvbandcmfr;

6、其中,β1、β2、β3和β4为权重系数;epe为边缘放置误差;aa为鼓励动作方向与epe收敛方向一致;pvband为工艺变化带宽;cmfr为与掩模制造相关的成本项。

7、可选的,所述奖惩函数中的epe值基于预训练的生成对抗网络计算获取。

8、可选的,生成对抗网络获取epe值的计算速度比基于第一性原理的光学成像仿真获取epe值的计算速度快一个数量级以上。

9、可选的,基于奖惩值更新后续的修正策略的方法包括:基于sac最大熵框架,在最大化累积奖励的同时最大化策略熵。

10、可选的,采用所述多模态大语言模型对所述机器学习模型输出的轨迹数据进行修正规则归纳,并输出可编辑的所述光学邻近修正配方的方法包括:将轨迹数据进行预处理和分类;对每组分类构造多模态提示描述;将所述多模态提示描述作为输入条件,制定出对应结构化的决策规则;将各条所述决策规则集合组织为决策树结构;将所述决策树结构转换为可读和可编辑格式的所述光学邻近修正配方。

11、可选的,采用所述多模态大语言模型对所述机器学习模型输出的轨迹数据进行修正规则归纳,并输出可编辑的所述光学邻近修正配方的方法还包括:制定各种所述多模态提示描述的优先级。

12、可选的,所述多模态提示描述包括:图像描述和文本描述。

13、可选的,在输出可编辑的所述光学邻近修正配方之后,还包括:对所述光学邻近修正配方进行验证;当验证结果超过设定阈值时,对所述光学邻近修正配方进行更新。

14、可选的,对所述光学邻近修正配方进行验证的方法包括:采用测试数据集对所述光学邻近修正配方进行验证,所述测试数据为历史流片数据。

15、可选的,对所述光学邻近修正配方进行验证的方法包括:采用实际产线数据对所述光学邻近修正配方进行验证。

16、可选的,对所述光学邻近修正配方进行更新的方法包括:基于经验规则对所述光学邻近修正配方进行认为修改更新。

17、可选的,对所述光学邻近修正配方进行更新的方法包括:将验证结果超过所述设定阈值对应的数据重新输入至所述机器学习模型中进行训练;采用所述多模态大语言模型对所述光学邻近修正配方进行认为修改更新。

18、相应的,本发明技术方案中还提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任意一项技术方案所述方法的步骤。

19、相应的,本发明技术方案中还提供一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任意一项技术方案所述方法的步骤。

20、与现有技术相比,本发明的技术方案具有以下优点:

21、本发明技术方案的光学邻近修正配方的生成方法中,通过所述机器学习模型的自动探索微观修正能力,以数据驱动方式高效寻优,显著缩短所述光学邻近修正配方的开发周期,降低对资深工程师经验的依赖。同时通过引入所述多模态大语言模型将所述机器学习模型中隐形的修正策略归纳总结为可读和可编辑的决策树规则,使工程师能够直观审查,有效解决传统方法试错时间长、迭代效率低等问题,显著提升所述光学邻近修正配方的精度、鲁棒性及开发效率。

22、进一步,所述机器学习模型的训练方法包括:基于输入的所述训练数据,对所述训练数据中的所述版图图形进行修正动作;输出各个修正动作的概率分布,并从中采样抽取若干修正动作;执行修正动作并更新掩膜图形;在更新掩膜图形后,基于奖惩函数计算奖惩值;基于奖惩值更新后续的修正策略;重复迭代直至满足所述训练数据中的所述设计目标规格。通过奖惩机制为所述机器学习模型提供优化方向,使其通过环境反馈自主探索并收敛至最优策略。合理的奖惩设计可引导所述机器学习模型兼顾精度与鲁棒性,同时能够降低对人工标注的依赖,显著提升所述机器学习模型在复杂决策空间中的自适应能力。

23、进一步,所述奖惩函数中的epe值基于预训练的生成对抗网络计算获取;生成对抗网络获取epe值的计算速度比基于第一性原理的光学成像仿真获取epe值的计算速度快一个数量级以上。采用预训练的生成对抗网络(gan)近似计算epe,将单次评估耗时降低一个数量级以上。由于所述机器学习模型的训练需经历很多次的交互迭代,传统第一性原理的光学成像仿真计算成本极高,严重制约探索效率。预训练的生成对抗网络以数据驱动方式快速预测epe,虽为近似值但足以有效引导策略网络优化方向,显著缩短所述机器学习模型的训练周期,同时降低计算资源消耗。

24、进一步,基于奖惩值更新后续的修正策略的方法包括:基于sac最大熵框架,在最大化累积奖励的同时最大化策略熵。采用sac最大熵框架更新策略,在优化累积奖励的同时最大化策略熵,使所述机器学习模型在opc参数空间中既能高效收敛至高分区域,又保持充分探索以避免陷入局部最优。该机制自适应调节探索与利用的平衡,无需人工干预温度系数,能够显著提升复杂版图结构下的策略鲁棒性与适应能力。

25、进一步,采用所述多模态大语言模型对所述机器学习模型输出的轨迹数据进行修正规则归纳,并输出可编辑的所述光学邻近修正配方的方法还包括:制定各种所述多模态提示描述的优先级。通过为所述多模态提示描述设定优先级,可在多条所述多模态提示描述同时满足时实现有序融合,避免次要特征干扰核心判断,显著提升规则归纳的准确性与一致性,确保关键工艺特征得到优先关注,增强输出的所述光学邻近修正配方的可靠性。

26、进一步,在输出可编辑的所述光学邻近修正配方之后,还包括:对所述光学邻近修正配方进行验证;当验证结果超过设定阈值时,对所述光学邻近修正配方进行更新。通过在输出后引入验证与阈值触发的更新机制,形成生成、验证和修正的闭环优化流程。该机制可自动拦截未达标方案,确保所述光学邻近修正配方满足工艺精度要求,同时基于验证反馈持续迭代改进,显著提升所述光学邻近修正配方的可靠性和鲁棒性。

27、进一步,对所述光学邻近修正配方进行验证的方法包括:采用测试数据集对所述光学邻近修正配方进行验证,所述测试数据为历史流片数据。采用历史流片数据作为所述测试数据验证所述光学邻近修正配方,无需额外制备验证晶圆或占用当前产线资源,有效避免流片成本浪费与生产周期占用,显著降低验证经济成本。

28、进一步,对所述光学邻近修正配方进行验证的方法包括:采用实际产线数据对所述光学邻近修正配方进行验证。采用实际产线的流片数据验证所述光学邻近修正配方,可直接反映真实光刻工艺条件下的成像行为,避免仿真模型与物理实际之间的系统性偏差。相较于纯仿真或历史数据验证,该方式能精准捕捉当前设备状态、材料特性及工艺波动,显著提升验证结果与量产良率的相关性,确保所述光学邻近修正配方在实际制造环境中的可靠性与准确性。

29、进一步,对所述光学邻近修正配方进行更新的方法包括:基于经验规则对所述光学邻近修正配方进行认为修改更新。当验证发现缺陷时,工程师可直接基于可编辑的所述光学邻近修正配方定位到存在问题的规则,凭借工艺经验手动调整阈值或逻辑,无需重新训练机器学习模型。该方式能够显著提升迭代效率与问题响应速度。

30、进一步,对所述光学邻近修正配方进行更新的方法包括:将验证结果超过所述设定阈值对应的数据重新输入至所述机器学习模型中进行训练;采用所述多模态大语言模型对所述光学邻近修正配方进行认为修改更新。将验证失败的案例数据回输至所述机器学习模型进行针对性再训练,以数据驱动方式自动挖掘深层修正规律,能够避免工程师经验调整的主观偏差与局部局限。该方式能够系统性地优化策略网络参数,实现全局寻优,使更新后的所述光学邻近修正配方在复杂版图场景下具备更高的精度与科学性。