光学邻近校正方法、电子设备、存储介质及程序产品与流程
本公开主要涉及集成电路,并且更具体地,涉及光学邻近校正方法、电子设备、计算机可读存储介质及计算机程序产品。
背景技术:
1、在半导体制造过程中,光刻是将集成电路版图图案转移至晶圆上的关键工艺。受光的衍射、干涉、工艺窗口以及光刻胶反应等因素的影响,实际形成的光刻图案与目标版图之间通常存在尺寸偏差、线宽变化、边角圆化等现象,从而影响芯片的制造精度和良率。为补偿光学邻近效应(optical proximity effect),通常采用光学邻近校正(opticalproximity correction,简称opc)技术对版图进行校正,以提高光刻成像结果与目标图案的一致性。
技术实现思路
1、根据本公开的示例实施例,提供了一种光学邻近校正方案,以至少部分克服上述或者其他潜在缺陷。
2、在本公开的第一方面中,提供了光学邻近校正方法,包括基于针对光学邻近校正模型的预定数量的初始迭代优化过程中获取的数据,针对第一数量的量测点构建特征向量,特征向量中包括第一数量的量测点的成本函数特征向量以及与第一数量的量测点相关联的仿真图像特征向量;基于特征向量对第一数量的量测点进行聚类,以确定代表性的第二数量的目标量测点,第二数量小于第一数量;以及基于第二数量的目标量测点以及对应于第二数量的目标量测点的特征向量对光学邻近校正模型进行迭代优化。
3、在一些实施例中,基于针对光学邻近校正模型的预定数量的初始迭代优化过程中获取的数据,针对第一数量的量测点构建特征向量包括:在预定数量的初始迭代优化过程中,获取由光学邻近校正模型在第一数量的量测点中的每个量测点处生成的仿真数据和晶圆量测数据;以及基于仿真数据与晶圆量测数据之间的误差确定成本函数特征向量。
4、在一些实施例中,基于针对光学邻近校正模型的预定数量的初始迭代优化过程中获取的数据,针对第一数量的量测点构建特征向量还包括:在预定数量的初始迭代优化过程中,获取针对多个光学邻近校正模型中的每个光学邻近校正模型的仿真图像数据;以及对仿真图像数据进行特征提取,以生成仿真图像特征向量。
5、在一些实施例中,对仿真图像数据进行特征提取,以生成仿真图像特征向量包括:由机器学习模型对仿真图像数据进行以下运算中的至少一项,以生成仿真图像特征向量:卷积运算;以及采样运算。
6、在一些实施例中,对成本函数特征向量与仿真图像特征向量进行以下操作,以确定融合向量:分别对成本函数特征向量和仿真图像特征向量进行归一化处理;将归一化后的成本函数特征向量和仿真图像特征向量分别映射为具有相同维数的第一映射特征向量和第二映射特征向量;以及将第一映射特征向量和第二映射特征向量进行拼接,以获得融合向量。
7、在一些实施例中,基于特征向量对第一数量的量测点进行聚类,以确定代表性的第二数量的目标量测点包括:将与第一数量的量测点相对应的融合向量确定为输入数据;基于输入数据进行数据增强,以生成增强样本对;将输入数据和增强样本对输入到深度学习聚类模型,并且基于预定的聚类数量对深度学习聚类模型进行训练,以获得经训练的深度学习聚类模型;利用经训练的深度学习聚类模型对输入数据进行特征映射,以获得与第一数量的量测点相对应的映射特征;以及基于映射特征,对第一数量的量测点进行聚类以确定多个量测点类别。
8、在一些实施例中,基于特征向量对第一数量的量测点进行聚类,以确定代表性的第二数量的目标量测点,还包括:针对多个量测点类别中的每个量测点类别,确定聚类中心;以及针对每个量测点类别,选择与对应的聚类中心距离最近的量测点作为目标量测点,其中第二数量对应于多个量测点类别的数量。
9、在一些实施例中,深度学习聚类模型至少包括共享特征生成器、实例对比学习头以及聚类头,共享特征生成器被配置为,分别对输入数据和增强样本对进行特征提取;实例对比学习头被配置为,基于共享特征生成器提取的特征确定对比损失;以及聚类头被配置为,基于共享特征生成器提取的特征,确定聚类损失。
10、在一些实施例中,对深度学习聚类模型进行训练包括:基于对比损失和聚类损失确定总损失;以及基于总损失,更新共享特征生成器的模型参数,以使共享特征生成器将输入数据映射至用于聚类的特征空间。
11、在一些实施例中,基于第二数量的目标量测点对光学邻近校正模型进行后续迭代优化,包括:在预定数量的初始迭代优化之后的至少一次迭代优化过程中,针对第二数量的目标量测点生成仿真数据;基于第二数量的目标量测点对应的仿真数据和晶圆量测数据确定光学邻近校正模型的成本函数值;以及基于成本函数值更新光学邻近校正模型的模型参数。
12、在一些实施例中,对输入数据进行数据增强包括:对输入数据中的至少部分特征进行随机替换和随机微扰中的至少一项,以生成增强样本对。
13、在一些实施例中,仿真图像数据为光刻胶图像,光刻胶图像为光线透过掩模版并在光刻胶中形成的空间光强分布图像。
14、在本公开的第二方面中,提供了一种电子设备。该电子设备包括:一个或多个处理器;以及存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得电子设备执行根据本公开的第一方面的方法。
15、在本公开的第三方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现根据本公开的第一方面的方法。
16、在本公开的第四方面中,提供了一种计算机程序产品,其包括程序代码,程序代码被处理器执行时实现根据本公开的第一方面的方法。
17、应当理解, 技术实现要素: 部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
1.一种光学邻近校正方法,包括:
2. 根据权利要求1所述的方法,其中构建所述特征向量中的所述成本函数特征向量包括:
3. 根据权利要求2所述的方法,其中构建所述特征向量中的所述仿真图像特征向量包括:
4.根据权利要求3所述的方法,其中对所述仿真图像数据进行特征提取,以生成所述仿真图像特征向量包括:
5.根据权利要求4所述的方法,还包括对所述成本函数特征向量与所述仿真图像特征向量进行以下操作,以确定融合向量:
6.根据权利要求5所述的方法,其中基于所述特征向量对所述第一数量的量测点进行聚类,以确定代表性的第二数量的目标量测点包括:
7. 根据权利要求6所述的方法,其中,基于所述特征向量对所述第一数量的量测点进行聚类,以确定代表性的第二数量的目标量测点,还包括:
8.根据权利要求7所述的方法,其中,所述深度学习聚类模型至少包括共享特征生成器、实例对比学习头以及聚类头,
9. 根据权利要求8所述的方法,其中,对所述深度学习聚类模型进行训练包括:
10.根据权利要求2所述的方法,其中,基于所述第二数量的目标量测点以及对应于所述第二数量的目标量测点的特征向量对所述光学邻近校正模型进行迭代优化包括:
11.根据权利要求6所述的方法,其中,对所述输入数据进行数据增强,包括:
12.根据权利要求3所述的方法,其中所述仿真图像数据为光刻胶图像,所述光刻胶图像为光线透过掩模版并在光刻胶中形成的空间光强分布图像。
13.一种电子设备,包括:
14.一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机器可执行指令,当所述机器可执行指令在被处理器执行时,使得所述处理器实现根据权利要求1至12中任一项所述的方法。
15.一种计算机程序产品,包括程序代码,所述程序代码被处理器执行时实现根据权利要求1至12中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com