光强分布预测方法、装置、电子设备及存储介质与流程

摘要: 本公开涉及计算机,特别是涉及一种光强分布预测方法、装置、电子设备及存储介质。背景技术:1、光刻工艺主要由曝光和显影两种工艺组成,随着集成电路特征尺寸持续缩短,光...
光强分布预测方法、装置、电子设备及存储介质与流程

本公开涉及计算机,特别是涉及一种光强分布预测方法、装置、电子设备及存储介质。

背景技术:

1、光刻工艺主要由曝光和显影两种工艺组成,随着集成电路特征尺寸持续缩短,光刻中的光学衍射和邻近效应愈来愈重要,对曝光工艺准确建模在很大程度上会影响集成电路制造良率,传统方式是采用光学模型对曝光工艺建模,然而光学模型的计算耗时非常大,特别是随着工艺节点尺寸缩短以及图案愈加复杂,所考虑物理效应越来越多,还会进一步增大计算耗时。

2、随着人工智能技术飞速发展,机器学习方法已逐渐应用于光刻成像建模中,然而,传统的机器学习方法主要应用于仅考虑掩模图的光刻成像中,光强分布预测准确度通常较低。

技术实现思路

1、以下是对本公开详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

2、本公开实施例提供了一种光强分布预测方法、装置、电子设备及存储介质,能够提高光强分布预测准确度。

3、一方面,本公开实施例提供了一种光强分布预测方法,包括:

4、获取目标掩模图,对所述目标掩模图依次进行多次卷积,得到目标编码特征,其中,所述目标掩模图被配置为首次卷积的输入;

5、获取第一光刻工艺参数,将所述目标编码特征与所述第一光刻工艺参数进行融合,得到第一融合特征,对所述第一融合特征依次进行多次反卷积,得到所述目标掩模图的目标局部特征,其中,所述第一融合特征被配置为首次反卷积的输入;

6、提取所述目标掩模图的目标全局特征,将所述目标局部特征和所述目标全局特征进行融合,得到第二融合特征;

7、对所述第二融合特征进行转换,得到目标光强分布。

8、另一方面,本公开实施例还提供了一种光强分布预测装置,包括:

9、卷积模块,用于获取目标掩模图,对所述目标掩模图依次进行多次卷积,得到目标编码特征,其中,所述目标掩模图被配置为首次卷积的输入;

10、反卷积模块,用于获取第一光刻工艺参数,将所述目标编码特征与所述第一光刻工艺参数进行融合,得到第一融合特征,对所述第一融合特征依次进行多次反卷积,得到所述目标掩模图的目标局部特征,其中,所述第一融合特征被配置为首次反卷积的输入;

11、融合模块,用于提取所述目标掩模图的目标全局特征,将所述目标局部特征和所述目标全局特征进行融合,得到第二融合特征;

12、转换模块,用于对所述第二融合特征进行转换,得到目标光强分布。

13、进一步,上述融合模块具体用于:

14、对所述第一光刻工艺参数进行特征提取,得到参数特征图;

15、将所述参数特征图与所述目标掩模图进行通道拼接,得到融合掩模图;

16、对所述融合掩模图进行特征提取,得到所述目标掩模图的目标全局特征。

17、进一步,上述融合模块具体用于:

18、对所述第一光刻工艺参数进行嵌入处理,得到参数嵌入;

19、对所述参数嵌入的转置结果进行全连接处理,得到初始特征图;

20、对所述初始特征图进行批量归一化,得到参数特征图。

21、进一步,上述融合模块具体用于:

22、对所述融合掩模图进行傅里叶变换得到初始频域图;

23、在所述初始频域图中保留第一区域内的频率分量,并将所述第一区域外的频率分量置零,得到第一截断频域图,其中,所述第一区域内的频率分量的频率低于第一预设频率;

24、对所述第一截断频域图进行通道扩展以及通道重构,得到第一重构频域图;

25、对所述第一重构频域图进行逆傅里叶变换,得到所述目标掩模图的目标全局特征。

26、进一步,上述融合模块具体用于:

27、获取通道扩展权重,基于所述通道扩展权重对所述第一截断频域图进行卷积,得到扩展频域图;

28、获取通道重构权重,基于所述通道重构权重对所述扩展频域图中各个频率点的通道向量进行重构,得到第一重构频域图。

29、进一步,上述融合模块具体用于:

30、在所述初始频域图中保留第二区域内的频率分量,并将所述第二区域外的频率分量置零,得到第二截断频域图,其中,所述第二区域内的频率分量的频率低于第二预设频率,所述第二预设频率与所述第一预设频率不同;

31、对所述第二截断频域图进行通道扩展以及通道重构,得到第二重构频域图;

32、对所述第一重构频域图和第二重构频域图进行融合,得到融合频域图;

33、对所述融合频域图进行逆傅里叶变换,得到所述目标掩模图的目标全局特征。

34、进一步,上述融合模块具体用于:

35、对所述第一重构频域图进行全局平均池化,得到第一池化特征;

36、对所述第二重构频域图进行全局平均池化,得到第二池化特征;

37、将所述第一池化特征和所述第二池化特征拼接后输入至第一权重预测模型进行预测,得到所述第一重构频域图的第一权重以及所述第二重构频域图的第二权重;

38、基于所述第一权重以及所述第二权重,对所述第一重构频域图和第二重构频域图进行加权求和,得到融合频域图。

39、进一步,所述融合频域图的通道数量为多个,上述融合模块具体用于:

40、对所述融合频域图进行全局平均池化,得到第三池化特征;

41、将所述第三池化特征输入至第二权重预测模型进行预测,得到所述融合频域图中各个通道的注意力权重,基于所述注意力权重对所述融合频域图中各个通道进行加权;

42、对加权后的所述融合频域图进行逆傅里叶变换,得到所述目标掩模图的目标全局特征。

43、进一步,上述光强分布预测装置还包括预测模块,预测模块具体用于:

44、确定所述目标掩模图的结构复杂度,其中,所述结构复杂度包括目标掩模图的梯度均值、掩模面积比例或者边缘密度中至少一种;

45、将所述结构复杂度输入至频率预测模型进行预测,得到所述第一预设频率。

46、进一步,所述第二融合特征的通道数量为多个,所述第二融合特征的高度与所述目标掩模图的高度相同,所述第二融合特征的宽度与所述目标掩模图的宽度相同,上述转换模块具体用于:

47、对所述第二融合特征进行反卷积,得到待处理特征,其中,所述待处理特征的维度与所述目标掩模图的维度相同;

48、对所述待处理特征进行激活处理,得到目标光强分布。

49、进一步,上述光强分布预测装置还包括训练模块,训练模块具体用于:

50、获取样本掩模图和第二光刻工艺参数;

51、调用光强分布预测模型对所述样本掩模图依次进行多次卷积,得到样本编码特征,将所述样本编码特征与所述第二光刻工艺参数进行融合,得到第三融合特征,对所述第三融合特征依次进行多次反卷积,得到所述样本掩模图的样本局部特征,其中,所述样本掩模图被配置为首次卷积的输入,所述第三融合特征被配置为首次反卷积的输入;

52、调用所述光强分布预测模型提取所述样本掩模图的样本全局特征,将所述样本局部特征和所述样本全局特征进行融合,得到第四融合特征;

53、调用所述光强分布预测模型对所述第四融合特征进行转换,得到预测光强分布;

54、将所述样本掩模图和所述第二光刻工艺参数输入至光学模型进行光刻仿真,得到参考光强分布;

55、根据所述预测光强分布与所述参考光强分布之间的差异,确定模型损失,根据所述模型损失对所述光强分布预测模型进行训练。

56、另一方面,本公开实施例还提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的光强分布预测方法。

57、另一方面,本公开实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行实现上述的光强分布预测方法。

58、另一方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序,处理器执行该计算机程序,使得该计算机设备执行实现上述的光强分布预测方法。

59、本公开实施例至少包括以下有益效果:通过获取目标掩模图,然后对目标掩模图依次进行多次卷积得到目标编码特征,使得目标编码特征能够减小空间分辨率并蕴含目标掩模图的局部信息,然后通过获取第一光刻工艺参数,将目标编码特征与第一光刻工艺参数进行融合为第一融合特征,然后通过对第一融合特征依次进行多次反卷积得到目标局部特征,使得目标局部特征能够恢复空间分辨率并蕴含目标掩模图的局部信息,以及使得目标局部特征能够在语义上对齐第一光刻工艺参数,进一步提高目标局部特征的准确度,然后将目标局部特征和目标全局特征融合为第二融合特征,能够在第二融合特征中同时保留目标局部特征和目标全局特征,然后对第二融合特征进行转换,得到目标光强分布,实现在光强分布的预测过程中,同时兼顾第一光刻工艺参数、目标掩模图的局部信息以及全局信息,能够提高光强分布预测准确度。

60、本公开的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本公开而了解。