用于对电子设计中的特征进行分类的方法和系统与流程

用于对电子设计中的特征进行分类的方法和系统
1.相关申请
2.本技术要求2020年2月18日提交的标题为“methods and systems to classify features in electronic designs”的美国非临时专利申请号16/793,390的优先权；该非临时专利申请要求2019年2月25日提交的标题为“methods and systems to classify features on semiconductor or flat panel display shape data”的美国临时专利申请号62/810,168的优先权；这些专利申请的全部内容据此出于所有目的以引用方式并入本文。


背景技术：

3.本公开涉及光刻，并且更具体地涉及使用带电粒子束光刻来设计和制造表面，该表面可以是标线片、晶圆或任何其他表面。
4.在光刻中，光刻掩模或标线片包括对应于待集成到衬底上的电路部件的几何图案。可利用计算机辅助设计(cad)软件或程序来生成用于制造标线片的图案。在设计图案时，cad程序可以遵循一组预先确定的设计规则以便创建标线片。这些规则由处理、设计和最终用途限制来设置。最终用途限制的示例是以晶体管无法在所需电源电压下充分工作的方式定义晶体管的几何形状。特别地，设计规则可以定义电路器件或互连线之间的空间容差。设计规则例如用于确保电路器件或线路不会以不期望的方式彼此相互作用。例如，使用设计规则，使得线路不会以可能导致短路的方式彼此过于靠近。除其他外，设计规则限制反映了可以可靠地制造的最小尺寸。当提及这些小尺寸时，通常引入临界尺寸的概念。例如，这些被定义为特征的重要宽度或区域，或两个特征之间的重要空间，或重要空间区域，这些尺寸需要精确的控制。由于集成电路设计的性质，设计中的许多图案在不同位置重复。图案可以重复数百次或数千次—图案的每个副本被称为实例。如果在此类图案中发现对设计规则的违反，则可能报告数百或数千次违反—图案的每个实例存在一次违反。
5.通过光学光刻制造集成电路的一个目标是通过使用标线片在衬底上再现原始电路设计，其中标线片(有时称为掩模或光掩模)是可以使用带电粒子束光刻曝光的表面。集成电路制造者总是试图尽可能有效地使用半导体晶圆基板面。工程师不断缩小电路的尺寸以允许集成电路包含更多的电路元件并且使用更少的功率。当集成电路临界尺寸的大小减小并且其电路密度增加时，电路图案或物理设计的临界尺寸接近常规光学光刻中使用的光学曝光工具的分辨率极限。当电路图案的临界尺寸变得更小并且接近曝光工具的分辨率值时，从物理设计到抗蚀剂层上显影的实际电路图案的精确转录变得困难。为了进一步使用光学光刻来转移具有比光学光刻工艺中使用的光波长小的特征的图案，已经开发了被称为光学邻近校正(opc)的工艺。opc改变物理设计以补偿由诸如光学衍射和特征与邻近特征的光学相互作用的效应引起的失真。利用标线片执行的分辨率增强技术包括opc和反光刻技术(ilt)。
6.opc可以将亚分辨率光刻特征添加到掩模图案，以减小原始物理设计图案(即，设计)与衬底上的最终转移的电路图案之间的差异。亚分辨率光刻特征与物理设计中的原始
图案相互作用并且彼此相互作用，并且补偿邻近效应以改善最终转移的电路图案。被添加来改善图案转移的一个特征被称为“衬线”。衬线是提高特定特征的印刷的制造变化的精度或弹性的小特征。衬线的一个示例是定位在图案的角部上以锐化最终转移的图像中的角部的小特征。旨在印刷在衬底上的图案被称为主要特征。衬线是主要特征的一部分。传统上根据主要特征(即，反映opc装饰之前的设计的特征)和opc特征来讨论将被写到标线片上的opc装饰图案，其中opc特征可以包括衬线、凹凸、亚分辨率辅助特征(sraf)和负特征。opc特征遵循各种设计规则，诸如基于可使用光学光刻转移到晶圆的最小特征的大小的规则。其他设计规则可以来自掩模制造工艺，或者如果使用字符投影带电粒子束写入系统来在标线片上形成图案，则可以来自模版制造工艺。
7.在光学光刻中，在标线片或光掩模上制造所需图案是关键步骤。由于光掩模上的图案在光学光刻工艺期间被复制，因此在光掩模上不存在将导致缺陷在光学光刻步骤期间被印刷到衬底上的缺陷。因此，检查新制造的光掩模以检测此类可能的缺陷。进一步分析可能的缺陷，以确定该缺陷是否是在生产过程中使用掩模之前必须修复的真实缺陷。


技术实现要素：

8.用于匹配电子设计的图案中的特征的方法包括输入用于半导体或平板显示器的一组图案数据，其中该组图案数据包括多个特征。对多个特征中的每个特征进行分类，其中分类基于由区域中的形状定义的几何上下文。分类使用机器学习技术。
附图说明
9.图1是作为压缩编码的图像数据的表示。
10.图2a至图2b示出了根据一些实施方案的两个掩模/晶圆图像误差分类。
11.图3示出了根据一些实施方案的根据聚类中的特征计算的平均图像。
12.图4a至图4f示出了根据一些实施方案的用于基于模糊度来测量聚类质量的示例性平均图像。
13.图5示出了根据一些实施方案的按距离排序的聚类中的特征。
14.图6是根据一些实施方案的gpu系统图的示意图。
15.图7是根据一些实施方案的用于匹配图案中的特征的方法的流程图。
16.图8是根据一些实施方案的表示使用用于每个分类的平均图像来匹配图案中的特征的方法的流程图。
具体实施方式
17.在电子设计诸如集成电路和平板显示器的设计和制造中，存在多种工艺，其中在设计、制造的光掩模或制造的衬底中比较二维(2d)形状特征是有用的。由于当今设计中的大量特征，比较速度很重要。理论上压缩数据的比较可比未压缩数据的比较要快，因为要比较的数据较少。然而，也必须考虑创建压缩表示所需的时间。标准压缩技术不可行，因为计算所花费的时间太长。在标题为“methods and systems for compressing shape data for electronic designs”的美国专利申请号16/793,152中，通过神经网络利用机器学习进行数据压缩可以产生更快的压缩方法，如本技术的图1所示，该专利申请据此以引用方式
并入本文。一旦掩码图像(输入100)被通过基于神经网络的机器学习导出的编码器104压缩，则压缩数据106(标记为“编码的图像向量”)可用于分类。在本发明的实施方案中，描述了增强压缩数据的分析的独特的分类技术。
18.与例如一般线路技术相比，集成电路或平板显示器设计中的二维数据在可能的特征类型方面受到很大限制。类似地，在所制造的光掩模或所制造的衬底的扫描电子显微镜(sem)照片中发现的特征的类型受到相当大的限制。利用机器学习技术，这些约束允许实现非常高的分类因子。
19.在一些实施方案中，自动编码可用于分类或归类。在图1的压缩数据106中具有更多的可用特征使得通过比较所有特征使测量图像之间的相似性更简单。在一些实施方案中，本发明的方法从原始输入100中移除未区分数据(例如，2d图片或形状的其他表示)并且找到具有高信息密度(更多特征)的编码，使得多维分类空间具有彼此接近的相同事物和彼此远离的不同事物，而不具有整个空间太大的总多维体积。本发明的方法产生更高密度的总体积，这使得在该体积中的搜索更加有效。训练基于共同出现的频率预先计算具有“权重”的关系网络。分类是对预计算网络的非常快速的评估，以寻找将编码器104应用于给定输入的交叉点。
20.在常规实践中，几何规则检验器分析几何数据(例如，掩模设计或晶圆设计的几何数据或其他二维几何数据)并且报告误差，诸如“这些形状相对于最小间隔规则彼此太过靠近”或“这种形状的该部分相对于最小大小规则过小”。用于描述此类误差的术语是“边缘放置误差”或epe。当应用于半导体(或平板显示器)掩模的尺度时—例如大约130mm x 100mm，半导体掩模的放置分辨率为0.1nm—实际问题之一是遍历所有报告的误差以找出需要注意的误差。其他报告的误差包括通过xor检测到的误差，通过其他方法检测的误差或其他误差类型。根据一组已知的规则报告所有误差。
21.通常存在数千个“相同类型”的误差，违反相同的规则。一旦问题触发了误差，那么类似情况的许多实例产生数千个误差，使得它们模糊了不同但重要的需要注意的其他误差。例如，对放置1000次的实例的单次规则违反在某些区域中可能更严重。在本公开中，相似的放置或几何上下文的分类进一步区分1000个误差。
22.本发明的方法涉及分类引擎，该分类引擎基于由区域中的形状定义的几何上下文来对所报告的误差自动分类。例如，区域可以是掩模设计的一部分。在本发明的实施方案中，在假定图像是掩模图像、晶圆图像或设计形状的图像的情况下对图像进行编码的过程捕获并且对可能的形状之间的相似性进行编码，使得可以针对各种应用比较和分类形状。例如，如果针对任何给定设计报告了2000个误差，则本发明的分类引擎将误差自动分组到“不同类型”(并且可能以重叠的方式：诸如单个标签与多个标签，其中一个误差可能在多个类别中结束)。在单个标签分类中，类是独占的，其中每个误差属于一个类，而在多个标签分类中，每个误差可属于多于一个类。这些分类是区域中形状相似性的归类，而不是特定误差类型的标识。
23.方法涉及为半导体或平板显示器输入一组图案数据，其中图案数据包括多个特征。使用机器学习技术将多个特征中的每个特征分类到类别中。分类可以基于由区域中的形状定义的几何上下文。该组图案数据中的特征可以在多于一个分类中。该组图案数据可以包括来自掩模检查的一组可疑斑点和/或来自几何检验器的一组报告的误差。方法还可
以包括压缩输入图案数据，其中分类使用压缩的图案数据。
24.在一些实施方案中，该组图案数据可以包括已经由opc增强的模拟掩模数据。针对epe检验从模拟掩模数据生成的一组模拟轮廓，从而产生一组误差。将由opc增强的模拟掩模数据和该组误差添加到该组图案数据增加了待分类的多个特征。
25.利用机器学习的误差分类的重要部分是对设计、掩模或晶圆形状的2d轮廓进行自动编码。此类“分类”先前已经在电子设计自动化中完成。然而，通常，常规分类使用cad设计的直线形状的精确匹配。相反，在本发明的实施方案中利用机器学习的误差分类可以标识形状的“相似”配置或在曲线空间中工作，从而在半导体晶圆或掩模或平板显示器或它们的掩模制造空间中的制造表面的模拟或实际物理图片上工作。例如，图2a示出了根据一些实施方案的已经被分类到一个聚类中的一组图像，并且图2b是已经被分类到另一个聚类中的一组图像。可以看出，图2a或图2b中的每个聚类内的图像具有彼此相似的特征，但是分类引擎已经标识出在图2a中的图像中的特征的放置和类型与图2b中的不同。在一些实施方案中，压缩和/或分类使用自动编码器。来自压缩的编码特征可以是向量。
26.输出可基于输入的cad形状(其通常为直线形状，但可以是曲线形状)或描述什么掩模形状将在晶圆上最佳地生成最靠近所需cad形状的形状的opc后形状来归类或分类。opc后形状通常是直线的，但是实施方案还可以包括(特别是对于下一代opc软件的输出)由不具有基于vsb的掩模写入的矩形限制的多波束掩模写入实现的曲线形状。输出形状也可以表示模拟曲线轮廓。
27.将本公开的方法应用于sem(扫描电子显微镜)，物理制造的掩模或晶圆的图片可用于自动分类所标识的缺陷。在半导体制造中，通过拍摄整个掩模的图片的掩模检查来标识掩模上的可能的缺陷。该图像是模糊且相对低分辨率的，但却是整个掩模的图像。图片被设计成标识需要进一步检查的可疑斑点。通过使用缺陷检查sem机器(与被设计用于测量距离的cd
‑
sem机器不同)拍摄和分析的更准确的sem照片来进行进一步的检查。sem机器详细地拍摄非常清楚的图片，但是只能拍摄1μm x 1μm至10μm x 10μm的数量级的场。因此，在通过检查获得的全场掩模图像中标识可疑区域，然后在sem中检验可疑区域的细节。在前沿节点中，所标识的可疑区域的数量以及典型的生产掩模上的实际问题的数量远大于曾经存在的问题的数量。在十年前，可能修复了掩模上的数十个问题，并且丢弃和重新制造了存在太多误差的掩模。目前，对于前沿掩模，存在数百个常见问题并且得到了修复。制造商不再选择重新制造有缺陷的掩模，因为新的掩模也存在数百个(不同的)问题的可能性太高。缺陷修复是掩模制造所独有的；不修复晶圆。修复掩模是值得的，因为掩模上的给定误差存在于掩模所产生的每个晶圆上。
28.利用本发明实施方案中的基于机器学习的分类，如果一个或几个可疑斑点的sem照片显示不存在实际问题，即缺陷，则可以避免相同类别中的其他可疑斑点的sem成像。这可以大大减少检查掩模所需的时间。
29.在一些实施方案中，分类或特征聚类(即，分类为特征的聚类)的质量可以通过创建如图3所示的平均聚类图像来确定，其中示出了包含图像300、302、304、306、308、310、312、314的聚类的示例性平均图像320和包含图像330、332、334、336、338、340的聚类的平均图像350。平均聚类图像320和350中的表观视觉模糊量指示分类或特征聚类中不同特征的变化。更大的模糊度指示如图4a至图4f所示的更大的变化，其中图4a和图4d中的变化量小
于图4b和图4e中的变化量，图4b和图4e中的变化量小于图4c和图4f中的变化量。在一些实施方案中，将高斯滤波器应用于图像的中心(例如，图4a中的中心410)以优先考虑中心周围的特征。这些优选特征用于自动编码，随后是基于密度的空间应用聚类与基于噪声(dbscan)的聚类算法。
30.在一些实施方案中，特征的分类或聚类的质量的特征还在于确定分类中的每个特征的距离度量，其中距离度量指示特征与平均聚类图像的偏差。在一些实施方案中，使用分类内的特征的余弦距离来测量距离度量。在图5中，分类中的特征由所计算的距离度量来排序，并且具有最大距离的特征具有用于区分的较高优先级。这有助于通过优先考虑可能不同的特征来标识细微的变化。例如，与图5中的其他图像相比，图5中的图像510和图像515沿图像的右上边缘具有无关的特征。具有较高优先级的误差可能需要单独检查。如果较高优先级的特征被确定为表示不同的误差，则它们可以被反馈到过程中以改进将来的分类。
31.图6示出了可用于执行本公开中描述的计算的计算硬件装置600的示例。计算硬件装置600包括具有附接的主存储器604的中央处理单元(cpu)602。cpu可以包括例如八个处理核心，从而增强多线程的计算机软件的任何部分的性能。主存储器604的大小可以是例如64g字节。cpu 602连接至外围部件互连快速(pcie)总线620。图形处理单元(gpu)614还连接至pcie总线。在计算硬件装置600中，gpu 614可以或可以不连接至图形输出装置，诸如视频监视器。如果未连接至图形输出装置，则gpu 614可以纯粹用作高速并行的计算引擎。与使用cpu 602进行所有计算相比，通过将gpu用于计算的一部分，计算软件可以获得显著更高的性能。cpu 602经由pcie总线620与gpu 614通信。在其他实施方案中(未示出)，gpu 614可以与cpu 602集成，而不是连接至pcie总线620。盘控制器608还可以附接到pcie总线，例如两个盘610连接至盘控制器608。最后，局域网(lan)控制器612还可以附接到pcie总线，并且提供与其他计算机的千兆以太网(gbe)连接。在一些实施方案中，计算机软件和/或设计数据存储在盘610上。在其他实施方案中，计算机程序或设计数据或者计算机程序和设计数据两者可以经由gbe以太网从其他计算机或文件服务硬件访问。
32.图7是表示用于匹配电子设计中的特征(诸如用于半导体或平板显示器的图案)的方法的流程图700。流程700可以使用例如已经用半导体或平板显示器的图案训练的自动编码器。流程700从输入一组图案数据的步骤702开始，其中该组图案数据可以是用于半导体或平板显示器的图案。该组图案数据包括多个特征。在一些实施方案中，该组图案数据是sem图像或模拟sem图像，并且该组图案数据可以包括来自掩模检查的一组可疑斑点。步骤704涉及对该组图案数据使用经训练神经网络来对该组图案数据进行分类。对多个特征中的每个特征进行分类，其中该分类基于由区域中的形状定义的几何上下文，并且其中该分类使用机器学习技术。在图7的一些实施方案中，该组图案数据包括来自几何检验器的一组报告的误差。在一些实施方案中，该方法包括在步骤708中为由步骤704的分类创建的分类中的每个特征确定(即，计算)距离度量。例如，可以使用分类内的特征的余弦距离来测量距离度量。步骤710涉及在每个分类中对图案数据进行排序。在步骤712中，基于每个分类中的图案数据的排序来确定用于进一步检查的一组图案。
33.图8是表示用于确定电子设计的最佳opc图案诸如半导体图案或平板显示器的方法的流程图800。流程800可以使用例如已经用用于半导体或平板显示器的图案训练的自动编码器。流程800从输入一组图案数据的步骤802开始，其中该组图案数据包括多个特征。该
组图案数据可以是由opc增强的模拟掩模数据(即，用于掩模设计的opc图案)。步骤804涉及对该组图案数据使用经训练神经网络来对该组图案数据进行分类。对多个特征中的每个特征进行分类，其中该分类基于由区域中的形状定义的几何上下文，并且其中该分类使用机器学习技术。在图8的一些实施方案中，方法包括确定(即，生成)通过分类创建的每个分类的平均图像和分类中的特征之间的变化的步骤806。在步骤808中，可使用分类来确定匹配图案，其中匹配的特征可用于例如确定用于掩模设计的最佳opc方法(例如，确定具有较小或最小偏差量的分组，如关于图4a至图4f的模糊度所指示)。
34.在图7和图8的实施方案中，方法包括诸如通过使用自动编码器将输入的一组图案数据集压缩为压缩的图案数据，其中分类(例如，步骤704或步骤804)使用压缩的图案数据。压缩创建编码特征，其中由自动编码器创建的每个编码特征可以是向量中的元素。在图7和图8的实施方案中，分类使用自动编码器。分类可以允许多个特征中的特征在多于一个分类中。在图7和图8的实施方案中，方法还包括将高斯滤波器应用于图像的中心，以优先考虑中心周围的特征。
35.虽然已经参照特定实施方案详细描述了本说明书，但应当理解，本领域的技术人员在理解前述内容之后可容易构想出这些实施方案的替代物、变型形式和等同物。在不脱离在所附权利要求中更具体地阐述的本发明主题的范围的情况下，本领域的普通技术人员可以对本发明的方法进行这些和其他修改和变化。此外，本领域的普通技术人员应当理解，前述描述仅是示例性的，而不旨在进行限制。在不脱离本发明的范围的情况下，可以向本说明书中的步骤中添加步骤，采取或修改本说明书中的步骤。一般来讲，所呈现的任何流程图仅旨在指示实现功能的基本操作的一个可能的序列，并且许多变化是可能的。因此，本发明的主题旨在涵盖落入所附权利要求及其等同物的范围内的此类修改和变化。