训练机器学习模型以确定掩模的光学邻近效应校正的方法与流程

训练机器学习模型以确定掩模的光学邻近效应校正的方法
1.相关申请的交叉引用
2.本技术要求于2019年2月21日递交的美国申请62/808,410的优先权，并且所述美国申请的全部内容通过引用并入本文中。
技术领域
3.本文中的描述涉及光刻设备和过程，并且更特别地涉及用于确定图案化过程的校正的方法。


背景技术：

4.光刻投影设备可以用于(例如)集成电路(ic)的制造中。在这样的情况下，图案形成装置(例如，掩模)可以包含或提供与ic的单层相对应的电路图案(“设计布局”)，并且可以通过诸如经由图案形成装置上的电路图案而辐照已涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如，硅晶片)上的目标部分(例如，包括一个或更多个管芯)的方法，将这种电路图案转印至所述目标部分上。通常，单个衬底包含多个相邻的目标部分，电路图案由光刻投影设备以一次一个目标部分的方式连续地转印至所述多个相邻的目标部分上。在这种类型的光刻投影设备中，将整个图案形成装置上的电路图案一次性转印至一个目标部分上；这种设备通常被称作晶片步进器。在通常被称作步进扫描设备的替代设备中，投影束在给定参考方向(“扫描”方向)上在图案形成装置上进行扫描，同时平行或反向平行于这种参考方向而同步地移动衬底。将图案形成装置上的电路图案的不同部分逐步地转印至一个目标部分上。通常，由于光刻投影设备将具有放大因子m(通常＜1)，所以衬底被移动的速度f将是投影束扫描图案形成装置的速度的因子m倍。可以例如从以引用方式并入本文中的us 6,046,792搜集到关于如本文中所描述的光刻设备的更多信息。
5.在将电路图案从图案形成装置转印至衬底之前，衬底可以经历各种工序，诸如，上底漆、涂覆抗蚀剂和软焙烤。在曝光之后，衬底可以经受其它工序，诸如，曝光后焙烤(peb)、显影、硬焙烤，和转印后的电路图案的测量/检查。这种工序阵列是用作制造器件(例如ic)的单层的基础。衬底接着可以经历各种过程，诸如，蚀刻、离子注入(掺杂)、金属化、氧化、化学
‑
机械抛光等等，所述过程都意图完成器件的单层。如果在器件中需要若干层，则针对每个层来重复整个工序或其变体。最终，在衬底上的每个目标部分中将存在器件。接着通过诸如切块或锯切之类的技术来使这些器件彼此分离，由此，可以将单独的器件安装在载体上、连接至引脚，等等。
6.如提及的，光刻蚀刻术是在ic的制造时的中心步骤，其中形成在衬底上的图案限定ic的功能元件，诸如，微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(mems)和其它器件。
7.随着半导体制造过程继续进步，几十年来，功能元件的尺寸已经不断地减小，而每器件的诸如晶体管之类的功能元件的数量已经在稳定地增加，这遵循通常被称作“摩尔定律”的趋势。在目前的技术下，使用光刻投影设备来制造器件的层，所述光刻投影设备使用
来自深紫外照射源的照射将设计布局投影至衬底上，从而使具有充分地低于100nm、即小于来自照射源(例如193nm的照射源)的辐射的波长的一半的尺寸的单独的功能元件产生。
8.印制具有小于光刻投影设备的经典分辨率极限的尺寸的特征的这种过程根据分辨率公式cd＝k1×
λ/na而通常被称为低k1光刻，其中λ是所使用的辐射的波长(当前在大多数情况下是248nm或193nm)，na是光刻投影设备中的投影光学器件的数值孔径，cd是“临界尺寸”(通常是所印制的最小特征尺寸)，并且k1是经验分辨率因子。通常，k1越小，则在衬底上再现类似于由电路设计者规划的形状和尺寸以便实现特定电气功能和性能的图案变得越困难。为了克服这些困难，将复杂的微调步骤应用至光刻投影设备和/或设计布局。这些步骤包括(例如但不限于)na和光学相干设定的优化、自限定照射方案、相移图案形成装置的使用、设计布局中的光学邻近效应校正(opc，有时也被称作“光学和过程校正”)，或通常被限定为“分辨率增强技术”(ret)的其它方法。如本文中所使用的术语“投影光学器件”应被广义地解释为涵盖各种类型的光学系统，包括(例如)折射型光学器件、反射型光学器件、孔隙和反射折射型光学器件。术语“投影光学器件”也可以包括用于共同地或单个地引导、成形或控制投影辐射束的、根据这些设计类型中的任一设计类型来操作的部件。术语“投影光学器件”可以包括光刻投影设备中的任何光学部件，而不论光学部件位于光刻投影设备的光学路径上的何处。投影光学器件可以包括用于在来自源的辐射通过图案形成装置之前成形、调节和/或投影所述辐射的光学部件，和/或用于在所述辐射通过图案形成装置之后成形、调节和/或投影所述辐射的光学部件。投影光学器件通常排除源和图案形成装置。


技术实现要素：

9.在实施例中，提供一种训练机器学习模型的方法，该机器学习模型被配置成预测用于掩模的优化后邻近效应校正(opc)图像。所述方法涉及：获得(i)与待印制于衬底上的设计布局相关联的优化前邻近效应校正图像、(ii)所述掩模的与所述设计布局相关联的一个或更多个辅助特征的图像、和(iii)所述设计布局的优化后邻近效应校正参考图像；以及将所述优化前邻近效应校正图像和所述一个或更多个辅助特征的图像用作输入来训练所述机器学习模型，使得所述参考图像与所述机器学习模型的所预测的优化后邻近效应校正图像之间的差异被减小。
10.此外，在实施例中，提供一种用于训练机器学习模型的方法，该机器学习模型用于预测用于掩模的优化后邻近效应校正(opc)。所述方法涉及：获得(i)与待印制于衬底上的设计布局相关联的优化前邻近效应校正图像，和(ii)所述设计布局的优化后邻近效应校正参考图像；以及将所述优化前邻近效应校正图像用作输入来训练所述机器学习模型，使得所述机器学习模型的所预测的优化后邻近效应校正图像与所述参考图像之间的差异被减小。
11.此外，提供一种用于确定用于掩模的优化后邻近效应校正图像的方法。所述方法涉及：获得与待印制于衬底上的设计布局相关联的优化前邻近效应校正图像；通过使用所述优化前邻近效应校正图像来模拟训练后的第一机器学习模型从而确定所述掩模的第一优化后邻近效应校正图像，其中所述第一优化后邻近效应校正图像包括所述掩模的一个或更多个辅助特征；提取所述第一优化后邻近效应校正图像的所述一个或更多个辅助特征的几何形状；以及通过使用所述设计布局的所述优化前邻近效应校正图像和所述第一优化后
邻近效应校正图像的所述一个或更多个辅助特征的所提取的几何形状来模拟训练后的第二机器学习模型从而确定用于所述掩模的第二优化后邻近效应校正图像。
12.此外，在实施例中，提供一种用于确定对设计布局的校正的方法。所述方法涉及：(i)经由训练机器学习模型获得所预测的优化后邻近效应校正图像，以及获得(ii)所述设计布局的几何形状，所述机器学习模型使用所述设计布局的优化前邻近效应校正图像和与所述设计布局相关联的一个或更多个辅助特征的图像；将所述设计布局的几何形状分割成多个区段；以及确定对所述多个区段的校正，使得所述设计布局的图像与沿所述几何形状的所预测的优化后邻近效应校正图像之间的差异被减小。
13.此外，提供一种计算机程序产品，所述计算机程序产品包括非暂时性计算机可读介质，所述非暂时性计算机可读介质具有记录在其上的指令，所述指令在由计算机执行时实施如以上权利要求中任一项所述的方法。
附图说明
14.现在将参考随附附图而仅作为示例来描述实施例，在所述附图中：
15.图1是根据实施例的光刻系统的各个子系统的框图。
16.图2是根据实施例的与图1中的子系统相对应的模拟模型的框图。
17.图3是根据实施例的训练机器学习模型的方法的流程图，所述机器学习模型被配置成预测用于掩模的优化后邻近效应校正(opc)图像。
18.图4a是根据实施例的图3的训练方法的训练数据集和结果的示例。
19.图4b是根据实施例的图3的训练方法的训练数据集和结果的另一示例。
20.图5是根据实施例的训练另一机器学习模型的另一方法的流程图，所述另一机器学习模型被配置成预测用于掩模的优化后邻近效应校正(opc)图像。
21.图6a、图6b和图6c图示根据实施例的图5的训练方法的训练集和结果的示例。
22.图7是根据实施例的用于使用图5的训练后的第一机器学习模型和图3的训练后的第二机器学习模型来确定用于掩模的优化后邻近效应校正图像的方法。
23.图8是根据实施例的用于确定对设计布局的校正的方法的流程图。
24.图9是根据实施例的图7的掩模校正过程的示例性结果。
25.图10是图示根据实施例的联合优化的示例性方法的方面的流程图。
26.图11示出根据实施例的另一优化方法的实施例。
27.图12a、图12b和图13示出根据实施例的各个优化过程的示例性流程图。
28.图14是根据实施例的示例性计算机系统的框图。
29.图15是根据实施例的光刻投影设备的示意图。
30.图16是根据实施例的另一光刻投影设备的示意图。
31.图17是根据实施例的图16中的设备的更详细的视图。
32.图18是根据实施例的图16和图17的设备的源收集器模块so的更详细的视图。
33.现在将参考附图详细地描述实施例，所述附图被提供为说明性示例以便使本领域技术人员能够实践所述实施例。值得注意地，以下的各图和示例不意图将范围限于单个实施例，而是借助于所描述或所图示的元件中的一些或全部的互换而使其它实施例是可能的。在任何方便的情况下，将在整个所述附图中使用相同的附图标记来指代相同或类似的
部分。在可以部分地或完全地使用已知部件来实施这些实施例的某些元件的情况下，将仅描述理解所述实施例所必需的这些已知部件的那些部分，并且将省略这些已知部件的其它部分的详细描述以便不混淆实施例的描述。在本说明书中，示出单数部件的实施例不应被视是限制性的；而是，除非本文中另有明确陈述，否则范围意图涵盖包括多个相同部件的其它实施例，并且反之亦然。此外，申请人不意图使本说明书或权利要求中的任何术语归结于不常见或特殊涵义，除非如此明确阐述。另外，范围涵盖本文中借助于图示而提及的部件的目前和未来的已知的等效物。
具体实施方式
34.虽然在本文中可以具体地参考ic制造，但应明确理解，本发明的描述具有许多其它可能应用。例如，本发明的描述可以用于制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等。本领域技术人员应了解，在这些替代应用的情境下，在本文中对术语“掩模版”、“晶片”或“管芯”的任何使用应该被认为是可以分别与更上位的术语“掩模”、“衬底”和“目标部分”互换。
35.在本文件中，术语“辐射”和“束”用于涵盖所有类型的电磁辐射，包括紫外辐射(例如，具有365nm、248nm、193nm、157nm或126nm的波长)和euv(极紫外辐射，例如，具有在5nm至20nm的范围内的波长)。
36.如本文中所使用的术语“优化(optimizing/optimization)”意味着：调节光刻投影设备，使得光刻的结果和/或过程具有更期望的特性，诸如，设计布局在衬底上的投影的较高准确度、较大的过程窗口等。
37.另外，光刻投影设备可以属于具有两个或更多个衬底台(和/或两个或更多个图案形成装置台)的类型。在这些“多平台”装置中，可以并行地使用额外的台，或可以在一个或更多个台上进行预备步骤，同时将一个或更多个其它台用于曝光。例如，在以引用方式并入本文中的us 5,969,441中描述双平台式光刻投影设备。
38.上文提及的图案形成装置包括或可以形成设计布局。可以利用cad(计算机辅助设计)程序来产生设计布局，这种过程常常被称作eda(电子设计自动化)。大多数cad程序遵循预定设计规则集合，以便产生功能设计布局/图案形成装置。通过处理和设计限制来设定这些规则。例如，设计规则限定电路器件(诸如栅极、电容器等)或互联线之间的空间容许度，以便确保电路器件或线彼此不会以不期望的方式相互作用。设计规则限制通常被称作“临界尺寸”(cd)。电路的临界尺寸可以被限定为线或孔的最小宽度或两条线或两个孔之间的最小空间。因此，cd确定所设计的电路的总大小和密度。当然，集成电路制造中的目标之一是(经由图案形成装置)在衬底上如实地再现原始电路设计。
39.如本文中所使用的术语“掩模”或“图案形成装置”可以被广义地解释为是指可以用于向入射辐射束赋予图案化横截面的通用图案形成装置，图案化横截面对应于待在衬底的目标部分中产生的图案；术语“光阀”也可以用于这种情境下。除了经典掩模(透射或反射；二元、相移、混合式等)以外，其它这些图案形成装置的示例也包括：
40.‑
可编程反射镜阵列。这种器件的示例是具有黏弹性控制层和反射表面的矩阵可寻址表面。这种设备所隐含的基本原理为(例如)：反射表面的寻址区域将入射辐射反射为衍射辐射，而未寻址区域将入射辐射反射为非衍射辐射。在使用适当滤波器的情况下，可以
从反射束滤出所述非衍射辐射，从而仅留下衍射辐射；以这种方式，束根据矩阵可寻址表面的寻址图案而变得图案化。可以使用合适的电子装置来执行所需的矩阵寻址。可以例如从以引用方式并入本文中的美国专利号5,296,891和5,523,193搜集到关于这样的反射镜阵列的更多信息。
41.‑
可编程lcd阵列。在以引用方式并入本文中的美国专利号5,229,872中给出这种构造的示例。
42.作为简要介绍，图1图示示例性光刻投影设备10a。主要部件为：辐射源12a，所述辐射源可以是深紫外准分子激光器源或包括极紫外(euv)源的其它类型的源(如上文所论述的，光刻投影设备自身无需具有辐射源)；照射光学器件，所述照射光学器件限定部分相干性(被表示为均方偏差)且可以包括成形来自源12a的辐射的光学器件14a、16aa和16ab；图案形成装置14a；和透射光学器件16ac，所述透射光学器件将图案形成装置的图案的图像投影至衬底平面22a上。投影光学器件的光瞳平面处的可调节滤波器或孔20a可以限定照射到衬底平面22a上的束角度的范围，其中可能的最大角度限定投影光学器件的数值孔径na＝sin(θ
max
)。
43.在系统的优化过程中，可以将所述系统的品质因数表示为成本函数。优化过程归结为找到最小化成本函数的系统的参数(设计变量)集合的过程。成本函数可以依赖于优化的目标而具有任何合适的形式。例如，成本函数可以是系统的某些特性(评估点)相对于这些特性的预期值(例如，理想值)的偏差的加权均方根(rms)；成本函数也可以是这些偏差的最大值(即，最差偏差)。本文中的术语“评估点”应被广义地解释为包括系统的任何特性。由于系统的实施方案的适用性，系统的设计变量可以被限制至有限范围和/或是可相互依赖的。在光刻投影设备的情况下，约束常常与硬件的物理特性和性质(诸如可调谐范围，和/或图案形成装置的可制造性设计规则)相关联，并且评估点可以包括衬底上的抗蚀剂图像上的物理点，以及诸如剂量和焦距之类的非物理特性。
44.在光刻投影设备中，源提供照射(即，光)；投影光学器件经由图案形成装置而对照射进行引导和成形，并且将照射引导至衬底上。在这样的，术语“投影光学器件”被广泛地限定为包括可以变更辐射束的波前的任何光学部件。例如，投影光学器件可以包括部件14a、16aa、16ab和16ac中的至少一些。空中图像(ai)是衬底水平处的辐射强度分布。曝光衬底上的抗蚀剂层，并且将空中图像转印至抗蚀剂层以在其中作为潜伏“抗蚀剂图像”(ri)。可以将抗蚀剂图像(ri)限定为抗蚀剂层中的抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型以从空中图像计算抗蚀剂图像，可以在公开内容的全文由此以引用方式并入的共同转让的美国专利申请号12/315,849中找到这种情形的示例。抗蚀剂模型仅与抗蚀剂层的性质(例如在曝光、peb和显影期间发生的化学过程的效应)相关联。光刻投影设备的光学性质(例如源、图案形成装置和投影光学器件的性质)规定空中图像。因为可以改变用于光刻投影设备中的图案形成装置，所以期望使图案形成装置的光学性质与光刻投影设备的至少包括源和投影光学器件的其余部分的光学性质分离。
45.图2图示用于模拟光刻投影设备中的光刻的示例性流程图。源模型31表示源的光学特性(包括辐射强度分布和/或相位分布)。投影光学器件模型32表示投影光学器件的光学特性(包括由投影光学器件引起的辐射强度分布和/或相位分布的改变)。设计布局模型35表示设计布局的光学特性(包括由给定设计布局33造成的辐射强度分布和/或相位分布
的改变)，所述设计布局是在图案形成装置上或由图案形成装置形成的特征的布置的表示。可以从设计布局模型35、投影光学器件模型32和设计布局模型35模拟空中图像36。可以使用抗蚀剂模型37而从空中图像36模拟抗蚀剂图像38。光刻的模拟可以例如预测抗蚀剂图像中的轮廓和cd。
46.更具体地，应注意，源模型31可以表示源的光学特性，所述光学特性包括但不限于na均方偏差(σ)设定，以及任何特定的照射源形状(例如，离轴辐射源，诸如，环形、四极和偶极等等)。投影光学器件模型32可以表示投影光学器件的光学特性，所述光学特性包括像差、变形、折射率、物理大小、物理尺寸等。设计布局模型35也可以表示物理图案形成装置的物理性质，如(例如)全文以引用方式并入本文中的美国专利号7,587,704中所描述的。模拟的目标是准确地预测(例如)边缘放置、空中图像强度斜率和cd，可以接着将所述边缘放置、空中图像强度斜率和cd与预期设计进行比较。预期设计通常被限定为优化前邻近效应校正设计布局，所述优化前邻近效应校正设计布局可以以诸如gdsii或oasis或其它文件格式的标准化数字文件格式来提供。
47.从这种设计布局，可以识别被称作“剪辑(clip)”的一个或更多个部分。在实施例中，提取剪辑集合，所述剪辑集合表示设计布局中的复杂图案(通常是约50个至1000个剪辑，但可以使用任何数目个剪辑)。如本领域技术人员应了解的，这些图案或剪辑表示设计的较小部分(即，电路、单元或图案)，并且所述剪辑尤其表示需要特别关注和/或验证的较小部分。换句话说，剪辑可以是设计布局的部分，或可以是类似的，或具有设计布局的部分的类似行为，在设计布局的所述部分中，关键特征是通过经验而识别的(包括由客户提供的剪辑)、通过试误法而识别的或通过执行全芯片模拟而识别的。剪辑通常包含一个或更多个测试图案或量规图案。
48.可以由客户基于设计布局中需要特定图像优化的已知关键特征区域而先验地提供初始较大的剪辑集合。替代地，在另一个实施例中，可以通过使用识别关键特征区域的某种自动化(诸如，机器视觉)或手动算法而从整个设计布局提取初始较大的剪辑集合。
49.光学邻近效应校正(opc)是通常用于补偿归因于衍射和过程效应的图像误差的光刻增强技术。现有的基于模型的opc通常由若干步骤组成，包括：(i)导出包括规则重定目标的晶片目标图案、(ii)放置次分辨率辅助特征(sraf)、和(iii)执行包括模型模拟的迭代校正(例如通过计算晶片上的强度图)。模型模拟的最耗时的部分是基于掩模规则检验(mrc)的基于模型的sraf产生和清除，以及掩模衍射、光学成像和抗蚀剂显影的模拟。
50.优化邻近效应校正模拟中的挑战之一是运行时间和准确度。通常，结果越准确，opc流程就越慢。为了得到更好的过程窗口，在每次opc迭代中需要在不同条件(名义条件、散焦条件、剂量不足条件)下的较多模型模拟。此外，包括的图案化过程相关模型越多，需要越多的迭代以使opc结果收敛至目标图案。由于需要处理的大量数据(芯片上的数十亿个晶体管)，因此运行时间要求对opc相关算法的复杂度施加严格约束。另外，随着集成电路的缩小继续，准确度要求变得更严厉。因而，需要新的算法和技术来解决这些挑战。例如，需要不同的解决方案例如以用于基于多边形的opc。例如，本发明提供用于确定优化后邻近效应校正布局的方法。所述方法在维持高速以及优化后邻近效应校正布局的简化的同时提供了较高的准确度。
51.在实施例中，本发明论述产生机器学习模型以预测优化后邻近效应校正图像或从
优化后邻近效应校正图像提取的优化后邻近效应校正图案的方法。所述方法用预先存在的opc流程来获得训练图案，收集包括目标图案、优化后邻近效应校正图案、用于衬底的单独层的sraf/serif布局的数据。使用这种数据以训练机器学习模型(例如卷积神经网络(cnn))。在实施例中，为了产生训练数据集合，opc算法可能与获取高准确度数据所需的一样复杂，这是由于与全芯片相比，训练图案的数量是有限的。
52.本发明提供若干优点。训练后的模型可以被应用于预测任何目标布局/设计布局的全芯片优化后邻近效应校正布局。在实施例中，优化后邻近效应校正布局可以被应用于目标(重定目标层)上的基于多边形的校正，其中所述校正在被确定以大致匹配于优化后邻近效应校正布局(由训练后的模型确定)。所述校正还可以用于现有opc流程中，这将需要少得多的迭代。
53.所述方法的另外的优点包括较简单的掩模布局。由于优化后邻近效应校正在使用掩模栅格化的初始步骤和随后的现有opc校正步骤两者中来自基于多边形的校正，因此较容易应用掩模规则检查且掩模布局形状将简单得多。此外，与现有opc流程相比，本发明的训练后的机器学习模型导致更快的opc和smo结果。
54.图3是训练机器学习模型的方法300的流程图，所述机器学习模型被配置成预测用于掩模的优化后邻近效应校正(opc)图像。训练基于与优化前邻近效应校正布局相关联的图像或图像数据、和辅助特征。在实施例中，优化前邻近效应校正布局可以是设计布局或偏置设计布局。在实施例中，优化前邻近效应校正数据和辅助特征数据可以是分立的(例如，表示为两个不同的图像)或呈组合形式(例如，呈单个图像的形式)。训练模型以预测与参考数据(例如，优化后的opc图像)紧密匹配的优化后邻近效应校正数据(例如，优化后邻近效应校正图像)。根据实施例，将方法300的示例性过程论述如下。
55.在过程p301中，所述方法涉及获得(i)与待印制于衬底上的设计布局相关联的优化前邻近效应校正图像302、(ii)掩模的与设计布局相关联的一个或更多个辅助特征的图像304、和(iii)设计布局的优化后邻近效应校正参考图像306。在实施例中，优化前邻近效应校正图像302、辅助特征的图像、所预测的优化后邻近效应校正图像、和参考图像是像素化图像。
56.在实施例中，获得优化前邻近效应校正图像302和一个或更多个辅助特征的图像304涉及获得设计布局和辅助特征的几何形状(例如，多边形形状，诸如正方形、矩形或圆形形状等)，并且经由图像处理，从设计布局的几何形状产生优化前邻近效应校正图像302并且从辅助特征的几何形状产生另一图像。在实施例中，图像处理包括基于几何形状的栅格化操作。例如，将几何形状(例如，呈向量图形格式)转换成像素化图像的栅格化操作。在实施例中，栅格化还可以涉及应用低通滤波器以明确识别特征形状并且减小噪声。
57.在实施例中，获得辅助特征的几何形状涉及经由基于规则的方法，确定与设计布局相关联的辅助特征的几何形状。在实施例中，经由基于模型的方法，确定与设计布局相关联的辅助特征的几何形状。在全文以引用方式并入本文中的于2014年5月20日递交的美国专利申请号14/282,754和于2007年6月4日递交的美国专利号7,882,480中论述了用于获得sraf(例如，基于规则或基于模型)的示例性方式。
58.在实施例中，获得参考图像涉及使用设计布局执行掩模优化过程和/或源掩模优化过程。在实施例中，掩模优化过程使用光学邻近效应校正过程。关于图10至图13来进一步
论述示例性opc过程。
59.在过程p303中，所述方法涉及将优化前邻近效应校正图像302和一个或更多个辅助特征的图像304用作输入来训练机器学习模型，使得参考图像与机器学习模型的所预测的优化后邻近效应校正图像之间的差异被减小。在训练过程结束时，训练后的机器学习模型310(也被称作训练后的第二模型310)。
60.在实施例中，机器学习模型的训练是迭代过程，迭代涉及：将优化前邻近效应校正图像302和一个或更多个辅助特征的图像304输入至机器学习模型；通过模拟机器学习模型以预测优化后邻近效应校正图像302；确定所预测的优化后邻近效应校正图像与参考图像之间的差异；以及调节机器学习模型的权重，使得所预测的图像与参考图像之间的差异减小。
61.在实施例中，基于差异的梯度下降来调节权重。在实施例中，可以基于最小化差异的其它优化方法来调节权重。本领域技术人员可以理解，本发明不限于梯度下降方法，并且可以使用可以指导如何调节权重使得所预测的图像与参考图像之间的差异被减小的其它适当方法。在实施例中，执行训练直到所预测的图像与参考图像之间的差异被最小化。
62.图4a图示训练方法300的训练集合和结果的示例，其中机器学习模型(例如，也被称作第二机器学习模型)被训练以确定/预测所预测的优化后邻近效应校正图像(例如，420)。在本示例中，训练集合包括图像402，所述图像包括与设计布局的主要特征相关联的特征402a，以及与设计布局的主要特征相关联的辅助特征(sraf)404a。因此，在本示例中，图像402为优化前邻近效应校正图像和辅助特征的图像的组合。另外，参考图像406(例如，经由复杂的优化邻近效应校正模拟的若干次迭代获得的被优化的优化后邻近效应校正图像)被用作地面实况(ground truth)，该地面实况用于在训练过程期间修改机器学习模型的权重。
63.在训练过程期间，修改权重使得参考图像406与所预测的优化后邻近效应校正图像(例如，420)之间的差异410迭代地减小。在实施例中，基于梯度下降方法(未图示)来修改权重，其中基于差异410的微分来计算梯度图。差异410的梯度图用作修改机器学习模型的权重的指导，使得所述差异减小(在实施例中，在若干次迭代之后被最小化)。因此，在实施例中，当使参考图像406与所预测的opc图像420之间的差异最小化时，模型被认为是训练后的机器学习模型310。换句话说，训练过程(或模拟)收敛且不存在差异410的进一步改善，由此训练后的模型310的结果与参考图像406紧密匹配。
64.在实施例中，所预测的优化后邻近效应校正图像可能不与参考图像406准确地匹配。例如，在参考图像406中的部位407处，观测到相对较大的差异417。这种差异417指示在这种部位处，所预测的优化后邻近效应校正图像包括实质上不同的但不明显不同的特征。然而，即使在具有这种差异417的情况下，所预测的优化后邻近效应校正图像420也使能够减小优化邻近效应校正模拟过程的迭代次数(例如，与在仅使用设计布局时的1000次迭代相比，少于10次迭代)以进一步改善设计布局的优化后邻近效应校正布局。换句话说，当所预测的优化后邻近效应校正图像420用作优化邻近效应校正模拟的初始点或起始点时，优化邻近效应校正模拟以更快的方式运行和收敛，由此节省计算时间和资源。
65.图4b图示训练方法300的训练集合和结果的另一示例，其中机器学习模型(例如，第二机器学习模型)被训练以确定/预测所预测的优化后邻近效应校正图像(例如，430)。在
本示例中，优化前邻近效应校正图像422和辅助特征图像424是单独的。在实施例中，如早先所论述的，可以由设计布局的栅格化获得优化前邻近效应校正图像422。可以经由与设计布局相关联的sraf的栅格化(例如，sraf的几何形状)获得辅助特征图像424。在实施例中，可以经由sraf指导图、sraf规则或基于模型的opc方法来获得这样的sraf，如早先提及的。另外，参考图像426(例如，经由复杂优化邻近效应校正模拟的若干次迭代获得的被优化的优化后邻近效应校正图像)用作地面实况以用于在训练过程期间修改机器学习模型的权重。训练过程与上文在图3和图4a中所论述的训练过程类似。在训练过程期间，修改权重使得参考图像426与所预测的优化后邻近效应校正图像(例如，440)之间的差异430以迭代方式减小(在实施例中，在若干次迭代之后被最小化)。
66.与以上论述类似，所预测的优化后邻近效应校正图像440可能不与参考图像426准确地匹配。例如，在参考图像426中的部位429处，观测到相对较大的差异447。这种差异447指示在这种部位处，所预测的优化后邻近效应校正图像440包括实质上不同但不明显不同的特征。即使这样，所预测的优化后邻近效应校正图像440也使能够减小优化邻近效应校正模拟过程的迭代次数(例如，与在仅使用设计布局时的1000次迭代相比，少于10次迭代)以进一步改善设计布局的优化后邻近效应校正布局。换句话说，优化邻近效应校正模拟利用所预测的图像420以更快的方式运行和收敛，由此节省计算时间和资源。
67.返回参考图3，方法300还可以涉及掩模模型校正过程，所述掩模模型校正过程涉及基于训练后的机器学习模型确定对设计布局的校正316。例如，所述方法还涉及如下文所论述的过程p312至p316。过程p312涉及获得设计布局的几何形状312。例如，几何形状312可以是具有期望的cd值(例如，长度和宽度)的矩形、具有期望的cd值的正方形、具有期望的cd值(例如，直径)的接触孔(例如，圆形)，或其它几何形状。在实施例中，在用于图案化过程模拟中的gds文件中可以用这样的几何形状。
68.过程p314涉及将设计布局(或通常优化前邻近效应校正布局)的几何形状312分割成多个区段314。几何形状的分割是指将几何形状划分成较小区段或片段使得所述单独的区段或片段可以相对于其它区段或片段移动。例如，可以将线划分成具有类似长度的3个区段。几何形状的分割可以使得每个区段都具有类似的长度。然而，本发明不限于特定的分割方法(例如，相等的长度或不相等的长度)。随后所论述的图9示出被分割的几何形状的示例。
69.过程p316涉及确定对多个区段314的校正316使得与设计布局相关联的图像与沿几何形状的所预测的优化后邻近效应校正图像之间的差异被减小。在实施例中，校正316涉及区段的几何性质或相对于其它区段的相对性质。例如，校正可以是特定区段相对于其它区段移动的距离的量(例如，在上游方向上移动2nm)。在实施例中，校正可以涉及区段的角度位置或曲率。在实施例中，校正(例如，距离、角度、方向、曲率半径)与可以在优化过程期间(例如，在opc中)储存和进一步使用的每个区段相关联。
70.在实施例中，确定校正316是迭代过程，迭代涉及：调节几何形状312的多个区段314(例如，距离、长度、曲率半径、角度)；(例如，使用栅格化操作)从设计布局的调节后的几何形状产生图像；以及评估所产生的图像与沿在对应的图像内的所述几何形状的所预测的优化后邻近效应校正图像之间的差异。
71.在实施例中，图像是像素化图像，并且所产生的图像与所预测的图像之间的差异
是沿几何形状的强度值的差。在实施例中，沿几何形状或相对接近于几何形状的像素值可以用于确定所述差异。
72.在实施例中，调节多个区段314涉及调节多个区段的至少一部分的形状和/或位置，使得所产生的图像与所预测的图像之间的差异被减小。在实施例中，所产生的图像与所预测的优化后邻近效应校正图像之间的差异被最小化。在实施例中，调节或校正316可能导致设计布局的原始几何形状的实质修改。换句话说，不保留原始形状。
73.在实施例中，过程p316可以涉及将一个或更多个评估点放置于多个区段中的每个区段上。评估点是区段中的在该处评估指标(例如，epe)的部位。在实施例中，可以评估每个评估点处的指标的值的总和，并且可以执行对区段的调节使得指标的总和减小(在实施例中，被最小化)。
74.方法300可以被进一步扩展以使用训练后的模型310和校正316来执行优化邻近效应校正模拟。例如，过程p320涉及经由使用设计布局和对设计布局的校正316进行的优化邻近效应校正模拟，以确定待用于制造用于图案化过程的掩模的掩模布局320。
75.在实施例中，优化邻近效应校正模拟涉及：经由使用设计布局的几何形状312和与多个区段316相关联的校正316来模拟图案化过程模型，以确定将被印制于衬底上的模拟图案；以及确定对设计布局的光学邻近效应校正，使得模拟图案与设计布局之间的差异减小。
76.在实施例中，确定光学邻近效应校正是迭代过程，迭代涉及：调节与设计布局的主要特征和/或辅助特征相关联的多边形的形状和/或尺寸，使得图案化过程的性能指标减小。在实施例中，从机器学习模型的所预测的优化后邻近效应校正图像提取辅助特征。在实施例中，性能指标包括模拟图案与设计布局之间的边缘放置误差，和/或模拟图案的cd值。随后在本文中参考图10至图13进一步论述其它示例性优化邻近效应校正模拟过程。
77.图5是用于训练另一机器学习模型(也被称作第一机器学习模型)以预测用于设计掩模的优化后邻近效应校正(opc)的方法。
78.在过程p501中，所述方法涉及获得(i)与待印制于衬底上的设计布局相关联的优化前邻近效应校正图像502、和(ii)所述设计布局的优化后邻近效应校正参考图像506。在实施例中，获得优化前邻近效应校正图像与方法300中所论述的内容类似，该内容涉及：获得设计布局的几何形状；以及经由图像处理，从所述几何形状产生图像。在实施例中，图像处理包括使用几何形状的栅格化操作，如早先所论述的。
79.在实施例中，获得优化后邻近效应校正参考图像506与方法300中所论述内容类似。例如，通过使用设计布局执行掩模优化过程和/或源掩模优化过程来获得参考图像506。在实施例中，掩模优化过程包括光学邻近效应校正。
80.在过程p503中，方法涉及将优化前邻近效应校正图像502用作输入来训练机器学习模型，使得机器学习模型的所预测的优化后邻近效应校正图像与参考图像506之间的差异被减小。
81.在实施例中，机器学习模型的训练是迭代过程，迭代涉及：将优化前邻近效应校正图像502输入至机器学习模型；通过模拟机器学习模型以预测优化后邻近效应校正图像；确定所预测的优化后邻近效应校正图像与参考图像之间的差异；以及调节机器学习模型的权重，使得所预测的图像与参考图像之间的差异被减小(在实施例中，被最小化)。在实施例中，基于差异的梯度下降来调节权重。
82.图6a、图6b和图6c图示训练方法500的训练集合和结果的示例，其中机器学习模型(例如，第一机器学习模型)被训练以确定/预测所预测的优化后邻近效应校正图像(例如，607、627和637)。在本示例中，训练集合包括优化前邻近效应校正图像(例如，分别为图6a至图6c中的602、622和632)，所述优化前邻近效应校正图像包括与设计布局的主要特征相关联的特征，但不包括辅助特征(例如，sraf)。另外，参考图像(例如，分别为与602、622和632相关联的参考图像604、624和634)用作地面实况以用于在训练过程期间修改机器学习模型的权重。在实施例中，参考图像为经由使用感兴趣的设计布局进行的复杂优化邻近效应校正模拟的若干次迭代获得的被优化的优化后邻近效应校正图像。
83.在(例如，方法500的)训练过程期间，修改机器学习模型(例如，也被称作第一机器学习模型)的权重使得参考图像(例如，604、624和634)与所预测的优化后邻近效应校正图像(例如，607、627和637)之间的差异(例如，605、625和635)以迭代方式减小。在实施例中，如早先提及的，基于梯度下降方法(未图示)修改权重。因此，在实施例中，当使参考图像与所预测的opc图像之间的差异最小化时，模型被认为是训练后的机器学习模型510。换句话说，训练过程(或模拟)收敛且不存在差异(例如，605、625和635)的实质改善。
84.与以上论述(关于图4a和图4b)类似，所预测的优化后邻近效应校正图像607/627/637可能不与参考图像604/624/634准确地匹配。例如，在参考图像604/624/634中的部位604a/624a/634a处，观测到相对较大的差异。这种差异指示在这种部位处，所预测的优化后邻近效应校正图像包括实质(在一些情况下明显)不同的特征。虽然这样，所预测的优化后邻近效应校正图像607/627/637也使能够减小优化邻近效应校正模拟过程的迭代次数以进一步改善设计布局的优化后邻近效应校正布局。换句话说，优化邻近效应校正模拟利用所预测的图像607/627/637以更快的方式运行和收敛，由此节省计算时间和资源。如上文提及的，可以通过从图像440提取主要特征和辅助特征而将所预测的优化后邻近效应校正图像607/627/637转换成例如gds格式，并且接着将这种gds文件用于优化邻近效应校正模拟中。
85.在实施例中，训练后的机器学习模型510产生较简单的sraf，sraf可以是高度期望的，这是因为这样的较简单的sraf容易制造。例如，在图6c中的部位624a处，若干个小且离散的sraf彼此相对接近地放置。另一方面，在部位637a(对应于624a)处，产生直的且较不离散的较简单的sraf。从掩模制造的视角看，这种较直的sraf是有利的。
86.参考图4a至图4b和图6a至图6c，可以观测到，所预测的优化后邻近效应校正图像607/627/637(也被称作所预测的第一opc图像)明显不同于参考图像604/624/634。另一方面，所预测的优化后邻近效应校正图像420/430与参考图像406/426更紧密匹配。
87.在实施例中，第一优化后邻近效应校正图像607/627/637包括与主要特征相关联的sraf。可以提取这样的sraf且将该sraf进一步用作至训练后的第二机器学习模型(例如，310)的输入以预测第二优化后邻近效应校正图像。与经由诸如基于规则和基于模型的现有方法获得的sraf相比，这样的第二优化后邻近效应校正图像可以被进一步改善。另外，使用训练后的第一机器学习模型(例如，510)以获得sraf可以比现有方法快得多。下文关于图7论述使用训练后的模型510和310的示例性方法。
88.图7是用于确定用于掩模的优化后邻近效应校正图像的方法700的流程图。在过程p702中，所述方法涉及获得与设计布局相关联的优化前邻近效应校正图像702。所述优化前邻近效应校正图像702是以与之前在方法300和500中所论述的方式类似的方式获得的。在
过程p704中，所述方法通过使用优化前邻近效应校正图像702来执行训练后的第一机器学习模型(例如，510)从而确定掩模的第一优化后邻近效应校正图像704，其中所述第一优化后邻近效应校正图像704包括用于掩模的辅助特征。另外，过程p706涉及提取第一优化后邻近效应校正图像的辅助特征的几何形状706。
89.在过程p708中，所述方法通过使用设计布局的优化前邻近效应校正图像702和第一优化后邻近效应校正图像704的辅助特征的所提取的几何形状706来模拟训练后的第二机器学习模型(例如，310)从而确定用于掩模的第二优化后邻近效应校正图像708。
90.在实施例中，方法700还可以扩展以确定对如早先在图3中所论述的设计布局的校正。在实施例中，过程p710涉及基于第二优化后邻近效应校正图像708和设计布局来确定对设计布局的校正710。
91.在实施例中，如早先所论述的，确定校正710是迭代过程，迭代涉及：获得设计布局的几何形状；将设计布局的几何形状分割成多个区段；调节所述多个区段；从设计布局的调节后的几何形状产生图像；以及评估所产生的图像与沿对应的图像的几何形状的第二优化后邻近效应校正图像708之间的差异。
92.在实施例中，调节多个区段涉及调节多个区段的至少一部分的形状和/或位置，使得所产生的图像与沿对应的图像的几何形状的第二优化后邻近效应校正图像708之间的差异被减小(在实施例中，被最小化)。
93.方法700可以被进一步扩展以执行优化邻近效应校正模拟。例如，过程p712涉及：经由使用设计布局和对设计布局的校正710进行的优化邻近效应校正模拟，以确定待用于制造用于图案化过程的掩模的掩模布局720。
94.图8是用于确定对设计布局的校正的示例性方法800，示例性方法800与上文关于图3所论述的方法类似。
95.在过程p802中，所述方法涉及经由训练机器学习模型获得(i)所预测的优化后邻近效应校正图像802，以及获得(ii)设计布局的几何形状804，训练机器学习模型使用设计布局的优化前邻近效应校正图像和与设计布局相关联的一个或更多个辅助特征的图像。
96.在过程p804中，所述方法涉及将设计布局的几何形状分割成多个区段。另外，如下文所论述的，所述方法涉及确定对多个区段的校正810，使得设计布局的图像与沿几何形状的所预测的优化后邻近效应校正图像之间的差异被减小。
97.在过程p805中，所述方法将一个或更多个评估点放置于多个区段中的每个区段上，如早先关于方法300所论述的。
98.在实施例中，确定校正810是迭代过程，迭代涉及过程p806、p808和p810。
99.过程p806涉及经由一个或更多个评估点调节多个区段。过程p808涉及从设计布局的调节后的几何形状产生图像。过程p810涉及评估在几何形状的多个区段上的一个或更多个评估点处的所产生的图像808与所预测的优化后邻近效应校正图像802之间的差异。在实施例中，所产生的图像与所预测的图像之间的差异是一个或更多个评估点处的强度值的差。在实施例中，过程p812确定差异是否被最小化。如果差异未被最小化，则过程继续在过程p806中调节区段。
100.在实施例中，在过程p806中，调节多个区段涉及调节多个区段的至少一部分的形状和/或位置，使得所产生的图像与所预测的图像之间的差异被减小。
101.在实施例中，当过程p812确定所产生的图像与所预测的优化后邻近效应校正图像之间的差异被最小化时，校正过程停止。在迭代结束时，获得对于多个区段中的每个区段的校正810。
102.图9是如方法700中所论述的结果掩模校正过程的示例(该示例也可以被应用于方法300和500中)。例如，特征901是设计布局的一部分，其中所述特征901具有矩形几何形状。在实施例中，将几何形状划分(或分割)成多个区段s1、s2、s3、s4、s5、s6、s7和s8。这些区段s1至s8是基于所预测的优化后邻近效应校正图像(例如，早先提及的第一所预测的优化后邻近效应校正图像或第二所预测的优化后邻近效应校正图像)或其中的特征的几何形状来修改的。例如，使设计布局的特征901的区段s1、s2和s3以不同方式向上移动。例如，s1和s3比区段s2相对更远地移动。类似地，区段s4至s7也独立移动。
103.区段s1至s7的每次移动引起不同的几何形状，该不同的几何形状当用于产生图像(例如，经由栅格化)时将沿几何形状具有不同的像素强度。将这种所产生的图像与所预测的优化后邻近效应校正图像进行比较(如在方法700中所论述的)以减小所述图像之间的差异。在若干次迭代之后，如方法700中所论述的，获得区段s1至s7的最终位置且相应的几何形状910可以用作掩模布局的一部分，掩模布局的该部分进一步用于产生待在图案化过程中用于印制设计布局的掩模。
104.由于相对于所预测的优化后邻近效应校正图像而不是现有的优化邻近效应校正模拟过程来执行对设计布局的校正，因此以比现有的优化邻近效应校正模拟过程快多个数量级的方式获得产生的所述掩模布局。由此，与现有的优化邻近效应校正模拟方法相比，这样的校正不仅提供了用于设计掩模布局的准确解决方案，而且减小了计算时间和资源。
105.在实施例中，方法800还可以扩展以在快得多的速率下使用于上所确定的校正810来执行优化邻近效应校正模拟(例如，过程p320)以进一步改善优化邻近效应校正模拟的优化后邻近效应校正结果，这是由于模拟过程通过已经接近于最终优化后邻近效应校正结果(例如，所预测的优化后邻近效应校正)的校正而初始化。在实施例中，所述方法涉及经由使用设计布局和对设计布局的校正的优化邻近效应校正模拟来确定掩模布局820。在实施例中，优化邻近效应校正模拟涉及：经由使用设计布局的几何形状和与几何形状的多个区段相关联的校正来模拟图案化过程，从而确定将被印制于衬底上的模拟图案；以及确定对设计布局的光学邻近效应校正，使得模拟图案与设计布局之间的差异被减小。
106.在实施例中，确定光学邻近效应校正是迭代过程，迭代涉及：调节与设计布局的主要特征和/或辅助特征相关联的多边形的形状和/或尺寸，使得图案化过程的性能指标减小。在实施例中，从机器学习模型的所预测的优化后邻近效应校正图像提取辅助特征。
107.在实施例中，性能指标包括模拟图案与设计布局之间的边缘放置误差，和/或模拟图案的cd值。
108.在实施例中，根据方法300、500、700和/或800所确定的校正和优化后邻近效应校正图像可以用于优化图案化过程或调节图案化过程的参数。作为示例，opc处理如下事实：投影于衬底上的设计布局的图像的最终尺寸和布置将不相同于或简单地仅依赖于所述设计布局在图案形成装置上的尺寸和布置。应注意，可以在本文中互换地利用术语“掩模”、“掩模版”、“图案形成装置”。此外，本领域技术人员应认识到，尤其是在光刻模拟/优化的情况下，术语“掩模”/“图案形成装置”和“设计布局”可以被互换地使用的，这是因为：在光刻
模拟/优化中，不必使用物理图案形成装置，但可以使用设计布局以表示物理图案形成装置。对于存在于某一设计布局上的较小特征尺寸和较高特征密度，给定特征的特定边缘的位置将在某种程度上受到其它邻近特征的存在或不存在影响。这些接近效应起因于从一个特征耦接至另一特征的微小量的辐射和/或诸如衍射和干涉的非几何光学效应。类似地，接近效应可以起因于在通常跟随光刻的曝光后焙烤(peb)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应。
109.为了确保设计布局的投影图像根据给定目标电路设计的要求，需要使用设计布局的复杂数值模型、校正或预变形来预测和补偿接近效应。论文“全芯片光刻模拟和设计分析
‑
opc如何改变ic设计(full
‑
chip lithography simulation and design analysis
‑
how opc is changing ic design”)(c.spence，proc.spie，第5751卷，第1至14页(2005年))提供当前“基于模型”的光学邻近效应校正过程的综述。在典型的高端设计中，设计布局的几乎每个特征都具有某种修改，以便实现投影图像至目标设计的较高保真度。这些修改可以包括边缘位置或线宽的移位或偏置，以及意图辅助其它特征的投影的“辅助”特征的应用。
110.在芯片设计中通常存在数百万个特征的情况下，将基于模型的opc应用于目标设计涉及良好的过程模型和相当大的计算资源。然而，应用opc通常不是“精确科学”，而是不总补偿所有可能的接近效应的经验迭代过程。因此，需要通过设计检测(即，使用校准后的数值过程模型的密集型全芯片模拟)来验证opc的效应(例如，在应用opc和任何其它ret之后的设计布局)，以便使将设计瑕疵创建至图案形成装置的图案中的可能性最小化。这被如下各项驱使：制造高端图案形成装置的位于数百万美元的范围内的巨大成本；以及一旦高端图案形成装置已被制造后，对实际的图案形成装置返工或修复对周转时间的影响。
111.opc和全芯片ret验证两者可以基于如例如美国专利申请号10/815，573和y.cao等人的名为“用于快速的全芯片模拟的优化的硬件和软件(optimized hardware and software for fast，full chip simulation)”(proc.spie，第5754卷，405(2005年))的论文中描述的数值模型化系统和方法。
112.一个ret涉及设计布局的全局偏置的调节。全局偏置是设计布局中的图案与意图印制于衬底上的图案之间的差异。例如，25nm直径的圆形图案可以通过设计布局中的50nm直径图案或通过设计布局中的20nm直径图案但以较高的剂量印制于衬底上。
113.除了对设计布局或图案形成装置的优化(例如，opc)以外，也可以与图案形成装置优化联合地或分离地优化照射源，以致力于改善总的光刻保真度。术语“照射源”和“源”在本文件中可以被互换地使用。从1990年代以来，已引入诸如环形、四极和偶极的许多离轴照射源，并且所述离轴照射源已提供针对opc设计的更多自由度，由此改善成像结果。如所知，离轴照射为用于分辨图案形成装置中包含的精细结构(即，目标特征)的被证实方式。然而，相比于传统照射源，离轴照射源通常提供针对空中图像(ai)的较小的辐射强度。因此，期望试图优化照射源以在较精细的分辨率与减小的辐射强度之间实现最优平衡。
114.例如，可以在rosenbluth等人的名为“用于印制给定形状的优化的掩膜和源图案(optimum mask and source patterns to print a given shape)”(journal of microlithography，microfabrication，microsystems 1(1)，第13至20页(2002年))的论文中找到众多照射源优化方法。将源分割成若干区域，所述区域中的每个区域对应于光瞳光谱的某一区域。接着，将源分布假定为在每个源区域中是均一的，并且针对过程窗口来优化
每个区域的亮度。然而，源分布在每个源区域中是均一的这种假定不总是有效的，并且结果，这种方法的有效性受损。在granik的名为“用于图像保真度和生产量的源优化(source optimization for image fidelity and throughput)”(journal of microlithography，microfabrication，microsystems 3(4)，第509至522页(2004年))的论文中所阐述的另一示例中，综述若干现有的源优化方法，并且提出将源优化问题转换成一系列非负最小平方优化的基于照射器像素的方法。虽然这些方法已证实有一些成就，但这些方法通常需要多次复杂的迭代来收敛。另外，可能难以确定用于一些额外的参数(诸如，granik方法中的γ)的适当值/最优值，这决定了在优化用于衬底图像保真度的源与所述源的平滑度要求之间的折衷。
115.对于低k1光刻术，源和图案形成装置两者的优化有助于确保用于关键电路图案的投影的可行过程窗口。一些算法(例如，socha等人的proc.spie，第5853卷，2005年，第180页)在空间频域中将照射离散化成独立的源点且将掩模离散化成衍射阶，并且基于可以通过光学成像模型从源点强度和图案形成装置的衍射阶而预测的过程窗口指标(诸如，曝光宽容度)来分别公式化成本函数(成本函数被限定为选定的设计变量的函数)。如本发明所使用的术语“设计变量”包括光刻投影设备或光刻过程的参数集合，例如，光刻投影设备的使用者可以调节的参数，或使用者可以通过调节那些参数而调节的图像特性。应了解，光刻投影过程的任何特性(包括源、图案形成装置、投影光学器件的特性，和/或抗蚀剂的特性)可以在优化中的设计变量当中。成本函数常常是设计变量的非线性函数。接着使用标准优化技术以最小化成本函数。
116.相关地，不断降低设计规则的压力已驱使半导体芯片制造者在现有的193nm arf光刻的情况下更深入于低k1光刻时代。朝向较低k1的光刻对ret、曝光工具和针对光刻亲和性设计的需要提出了很高的要求。未来可以使用1.35arf超数值孔径(na)曝光工具。为了帮助确保电路设计可以利用能够工作的过程窗口产生至衬底上，源
‑
图案形成装置优化(在本文中被称作源
‑
掩模优化或smo)正变成用于2x纳米节点的显著ret。
117.在2009年11月20日递交且被公开为wo2010/059954的名为“快速的自由形态的源和掩膜协同优化方法(fast freeform source and mask co
‑
optimization method)”的共同转让的国际专利申请号pct/us2009/065359中描述允许在无约束的情况下且在可执行的时间量内使用成本函数来同时优化源和图案形成装置的源和图案形成装置(设计布局)优化方法和系统，所述专利申请的全文由此以引用方式并入。
118.在2010年6月10日递交且被公开为美国专利申请公开号2010/0315614的题为“光刻设备中的源
‑
掩膜优化(source
‑
mask optimization in lithographic apparatus)”的共同转让的美国专利申请号12/813456中描述涉及通过调节源的像素来优化源的另一源和掩模优化方法和系统，所述专利申请的全文由此以引用方式并入本文中。
119.在光刻投影设备中，作为示例，将成本函数表达为：
[0120][0121]
其中(z1，z2，...，z
n
)是n个设计变量或设计变量的值。f
p
(z1，z2，...，z
n
)可以是设计变量(z1，z2，...，z
n
)的函数，诸如针对(z1，z2，...，z
n
)的设计变量的一组值的在评估点处的特性的实际值与预期值之间的差。w
p
是与f
p
(z1，z2，...，z
n
)相关联的权重常数。可以向比
其它评估点或图案更关键的评估点或图案指派更高的w
p
值。也可以向具有更大的出现次数的图案和/或评估点指派更高的w
p
值。评估点的示例可以是衬底上的任何物理点或图案、虚拟设计布局上的任何点，或抗蚀剂图像，或空中图像，或其组合。f
p
(z1，z2，...，z
n
)也可以是诸如lwr的一个或更多个随机效应的函数，所述一个或更多个随机效应为设计变量(z1，z2，...，z
n
)的函数。成本函数可以表示光刻投影设备或衬底的任何合适的特性，例如特征的失效率、焦距、cd、图像移位、图像变形、图像旋转、随机效应、生产量、cdu或其组合。cdu为局部cd变化(例如，局部cd分布的标准差的三倍)。cdu可以被互换地称作lcdu。在一个实施例中，成本函数表示cdu、生产量和随机效应(即，为cdu、生产量和随机效应的函数)。在一个实施例中，成本函数表示epe、生产量和随机效应(即，为epe、生产量和随机效应的函数)。在一个实施例中，设计变量(z1，z2，...，z
n
)包括剂量、图案形成装置的全局偏置、来自源的照射的形状，或其组合。由于抗蚀剂图像常常规定衬底上的电路图案，因此成本函数常常包括表示抗蚀剂图像的一些特性的函数。例如，这种评估点的f
p
(z1，z2，...，z
n
)可以仅仅是抗蚀剂图像中的点与所述点的预期位置之间的距离(即，边缘放置误差epe
p
(z1，z2，...，z
n
))。设计变量可以是任何可调节参数，诸如，源的可调节参数、图案形成装置、投影光学器件、剂量、焦距等等。投影光学器件可以包括被共同地称为“波前操纵器”的部件，所述波前操纵器可以用于调节辐照束的波前的形状和强度分布和/或相移。投影光学器件优选地可以调节沿光刻投影设备的光学路径的任何部位处(诸如，在图案形成装置之前、在光瞳平面附近、在像平面附近、在焦平面附近)的波前和强度分布。投影光学器件可以用于校正或补偿由，例如，源、图案形成装置、光刻投影设备中的温度变化、光刻投影设备的部件的热膨胀造成的波前和强度分布的某些变形。调节波前和强度分布可以改变评估点和成本函数的值。可以从模型模拟这些改变或实际上测量这些改变。当然，cf(z1，z2，...，z
n
)不限于方程式1中的形式。cf(z1，z2，...，z
n
)可以呈任何其它合适的形式。
[0122]
应注意，f
p
(z1，z2，...，z
n
)的正常加权均方根(rms)被限定为因此，最小化f
p
(z1，z2，...，z
n
)的加权rms等效于最小化方程式1中所限定的成本函数因此，为了本文中的记法简单起见，可互换地利用f
p
(z1，，z2，...，z
n
)和方程式1的加权rms。
[0123]
另外，如果考虑最大化pw(过程窗口)，则本领域技术人员可以将来自不同pw条件的同一物理部位认为(方程式1)中的成本函数的不同评估点。例如，如果考虑n个pw条件，则本领域技术人员可以根据评估点的pw条件来分类所述评估点且将成本函数书写为：
[0124][0125]
其中是在第u个pw条件u＝1，...，u下的f
p
(z1，z2，...，z
n
)的值。当f
p
(z1，z2，...，z
n
)是epe时，则最小化以上成本函数等效于最小化在各种pw条件下的边缘移位，因此，这导致最大化pw。具体地，如果pw也由不同的掩模偏置组成，则最小化以上成本函
数也包括最小化meef(掩模误差增强因子)，所述掩模误差增强因子被限定为衬底epe与诱导性掩模边缘偏置之间的比率。
[0126]
设计变量可以具有约束，可以将所述约束表达为(z1，z2，...，z
n
)∈z，其中z是设计变量的可能值的集合。可以通过光刻投影设备的期望的生产量来对设计变量施加一个可能的约束。期望的生产量可以限制剂量，并且因此具有对随机效应的影响(例如，对随机效应施加下限)。较高的生产量通常导致较低剂量、较短或较长的曝光时间和较大随机效应。对衬底生产量和随机效应的最小化的考虑可以约束设计变量的可能值，这是因为随机效应是设计变量的函数。在没有通过期望的生产量施加的该约束的情况下，优化可能得到不切实际的设计变量的值的集合。例如，如果剂量是在设计变量当中，则在没有这种约束的情况下，优化可以得到使生产量在经济上是不可能的剂量值。然而，约束的有用性不应被解释为必要性。生产量可能受到对图案化过程的参数的基于失效率的调节影响。期望在维持较高生产量的同时具有特征的较低失效率。生产量也可以受到抗蚀剂化学反应影响。较慢的抗蚀剂(例如，要求较高数量的光来适当地曝光的抗蚀剂)导致较低的生产量。因此，基于涉及由于抗蚀剂化学反应或波动引起的特征的失效率以及针对较高生产量的剂量要求的优化过程，可以确定图案化过程的适当参数。
[0127]
因此，优化过程将在约束(z1，z2，...，z
n
)∈z下找到最小化成本函数的设计变量的值的集合，即，找到：
[0128][0129]
图10中图示根据实施例的优化光刻投影设备的一般方法。这种方法包括限定多个设计变量的多变量式成本函数的步骤s1202。设计变量可以包括选自照射源的特性(1200a)(例如，光瞳填充比率，即，源的穿过光瞳或孔的辐射的百分比)、投影光学器件的特性(1200b)和设计布局的特性(1200c)的任何合适的组合。例如，设计变量可以包括照射源的特性(1200a)和设计布局的特性(1200c)(例如，全局偏置)，但不包括投影光学器件的特性(1200b)，这导致smo。替代地，设计变量可以包括照射源的特性(1200a)、投影光学器件的特性(1200b)和设计布局的特性(1200c)，这导致源
‑
掩模
‑
透镜优化(smlo)。在步骤s1204中，同时调节设计变量，使得成本函数朝向收敛移动。在步骤s1206中，确定是否满足预定终止条件。预定终止条件可以包括各种可能性，即，成本函数可以被最小化或最大化(如由所使用的数值技术所需要的)、成本函数的值已经等于阈值或已经超越阈值，成本函数的值已经达到预设误差范围内，或达到预设的迭代次数。如果满足步骤s1206中的条件中的任一条件，则方法结束。如果没有满足步骤s1206中的条件中的任一条件，则迭代地重复步骤s1204和s1206直到获得期望的结果。优化不一定导致用于设计变量的值的单个集合，这是因为可能存在由诸如失效率、光瞳填充因子、抗蚀剂化学反应、生产量等等的因素造成的物理约束。优化可以提供用于设计变量和相关联的性能特性(例如，生产量)的值的多个集合，并且允许光刻设备的用户拾取一个或更多个集合。
[0130]
在光刻投影设备中，可交替地优化源、图案形成装置和投影光学器件(这被称作交替优化)，或可以同时优化源、图案形成装置和投影光学器件(这被称作同时优化)。如本发明所使用的术语“同时的”、“同时地”、“联合的”和“联合地”意味着源、图案形成装置、投影
光学器件的特性的设计变量和/或任何其它设计变量被允许同时改变。如本发明所使用的术语“交替的”和“交替地”意味着不是所有设计变量都被允许同时改变。
[0131]
在图11中，同时执行所有设计变量的优化。这种流程可以被称为同时流程或共同优化流程。替代地，交替地执行所有设计变量的优化，如图11所图示。在这样的流程中，在每个步骤中，在使一些设计变量固定的同时，优化其它的设计变量以最小化成本函数；接着，在下一步骤中，在使变量的不同的集合固定的同时，优化变量的其它集合以最小化成本函数。交替地执行这些步骤直到符合收敛条件或某些终止条件。
[0132]
如图11的非限制性示例性流程图中示出的，首先，获得设计布局(步骤s1302)，接着，在步骤s1304中执行源优化的步骤，其中在优化照射源(so)的所有设计变量以最小化成本函数的同时，使所有其它的设计变量固定。接着在下一步骤s1306中，执行掩模优化(mo)，其中在优化图案形成装置的所有设计变量以最小化成本函数的同时，使所有其它设计变量固定。交替地执行这两个步骤，直到在步骤s1308中符合某些终止条件。可以使用各种终止条件，诸如，成本函数的值变得等于阈值，成本函数的值超越阈值，成本函数的值达到预设误差范围内，或达到预设的迭代次数，等等。应注意，so
‑
mo
‑
交替
‑
优化用作所述替代流程的示例。所述替代流程可以采取许多不同的形式，诸如：so
‑
lo
‑
mo
‑
交替
‑
优化，其中交替地且迭代地执行so、lo(透镜优化)和mo；或首先可以执行一次smo，接着交替地且迭代地执行lo和mo；等等。最后，在步骤s1310中获得优化结果的输出，并且过程停止。
[0133]
如之前所论述的图案选择算法可以与同时优化或交替优化一体形成。例如，当采用交替优化时，首先可以执行全芯片so，识别“热斑”和/或“温斑”，接着执行mo。鉴于本发明，子优化的众多排列和组合是可能的，以便实现期望的优化结果。
[0134]
图12a示出一种示例性优化方法，其中最小化成本函数。在步骤s502中，获得设计变量的初始值，包括设计变量的调谐范围(如果存在)。在步骤s504中，设置多变量式成本函数。在步骤s506中，在用于第一迭代步骤(i＝0)的设计变量的起点值附近的足够小的邻域内展开成本函数。在步骤s508中，应用标准的多变量优化技术以最小化成本函数。应注意，优化问题可以在s508中的优化过程期间或在优化过程中的随后阶段施加约束，诸如，调谐范围。步骤s520指示针对用于已经为了优化光刻过程而选择的所识别的评估点的给定测试图案(也被称为“量规”)完成每次迭代。在步骤s510中，预测光刻响应。在步骤s512中，比较步骤s510的结果与步骤s522中获得的期望的或理想的光刻响应值。如果在步骤s514中满足终止条件，即，优化产生足够接近于期望的值的光刻响应值，则在步骤s518中输出设计变量的最终值。输出步骤也可以包括使用设计变量的最终值来输出其它函数，诸如，输出光瞳平面(或其它平面)处的波前像差调节映射、优化后的源映射，和优化后的设计布局等等。如果没有满足终止条件，则在步骤s516中，利用第i次迭代的结果来更新设计变量的值，并且过程返回至步骤s506。下文详细地阐述图12a的过程。
[0135]
在示例性优化过程中，除了通常在光刻投影设备中有效的f
p
(z1，z2，...，z
n
)足够平滑(例如，存在一阶导数)外，没有假定或近似设计变量(z1，z2，...，z
n
)与f
p
(z1，z2，...，z
n
)之间的关系。可以应用诸如高斯牛顿(gauss
‑
newton)算法、列文伯格
‑
马夸尔特法(levenberg
‑
marquardt)算法、梯度下降算法、模拟退火、遗传算
法的算法以找到
[0136]
这里，将高斯牛顿算法用作示例。高斯牛顿算法为适用于一般非线性多变量优化问题的迭代方法。在设计变量(z1，z2，...，z
n
)取值(z
1i
，z
2i
，...，z
ni
)的第i次迭代中，高斯
‑
牛顿算法线性化(z
1i
，z
2i
，...，z
ni
)附近的f
p
(z1，z2，...，z
n
)，并且接着计算(z
1i
，z
2i
，...，z
ni
)附近的给出cf(z1，z2，...，z
n
)的最小值的(z
1(i 1)
，z
2(i 1)
，...，z
n(i 1)
))。设计变量(z1，z2，...，z
n
)在第(i 1)次迭代中采取值(z
1(i 1)
，z
2(i 1)
，...，z
n(i 1)
))。这种迭代继续直到达到收敛(即，cf(z1，z2，...，z
n
)不再减小)或达到预设的迭代次数。
[0137]
具体地，在第f次迭代中，在(z
1i
，z
2i
，...，z
ni
)附近，
[0138][0139]
依据方程式3的近似，成本函数变为：
[0140][0141]
方程式4是设计变量(z1，z2，...，z
n
)的二次函数。除了设计变量(z1，z2，...，z
n
)外，各项都是恒定的。
[0142]
如果设计变量(z1，z2，...，z
n
)不处于任何约束下，则可以通过求解n个线性方程式而导出(z
1(i 1)
，z
2(i 1)
，...，z
n(i 1)
)：
[0143]
其中n＝1，2，...n。
[0144]
如果设计变量(z1，z2，...，z
n
)是处于呈j个不等式的形式(例如，(z1，z2，...，z
n
)的调谐范围)的约束其中j＝1，2，...j)下；并且处于呈k个等式的形式(例如，设计变量之间的相互依赖性)的约束其中k＝1，2，...k)下；则优化过程变为经典的二次规划问题，其中a
nj
、b
j
、c
nk
、d
k
为常数。可以针对每次迭代来施加额外的约束。例如，可以引入“阻尼因子”δ
d
以限制(z
1(i 1)
，z
2(i 1)
，...，z
n(i 1)
)与(z
1i
，z
2i
，...，z
ni
)之间的差，使得方程式3的近似成立。可以将这样的约束表达为z
ni
‑
δ
d
≤z
n
≤z
ni
δ
d
。可以使用，例如，jorge nocedal和stephen j.wright(berlin new york：vandenberghe.剑桥大学出版社)的数值优化(第2版)中描述的方法来导出(z
1(i 1)
，z
2(i 1)
，...，z
n(i 1)
))。
[0145]
代替最小化f
p
(z1，z2，...，z
n
)的rms，优化过程可以将评估点当中的最大偏差(最
差缺陷)的量值最小化至其预期值。在这样的方法中，可替代地将成本函数表达为
[0146][0147]
其中cl
p
是用于f
p
(z1，z2，...，z
n
)的最大允许值。这种成本函数表示评估点当中的最差缺陷。使用这种成本函数的优化会最小化最差缺陷的量值。迭代贪心算法可以用于这种优化。
[0148]
可以将方程式5的成本函数近似为：
[0149][0150]
其中q为偶数的正整数，诸如，至少是4，优选地至少为10。在方程式6模仿方程式5的行为的同时，允许通过使用诸如最深下降方法、共轭梯度方法等等的方法，以分析方式执行优化且使优化加速。
[0151]
最小化最差缺陷的大小也可以与f
p
(z1，z2，...，z
n
)的线性化组合。具体地，与在方程式3中一样，近似f
p
(z1，z2，...，z
n
)。接着，将对最差缺陷的大小的约束书写为不等式e
lp
≤f
p
(z1，z2，...，z
n
)≤e
up
，其中e
lp
和e
up
为指定用于f
p
(z1，z2，...，z
n
)的最小允许偏差和最大允许偏差的两个常数。插入方程式3，将这些约束变换至如下方程式(其中p＝1，...p)：
[0152][0153]
和
[0154][0155]
由于方程式3通常仅在(z
1i
，z
2i
，...，z
ni
)附近是有效的，因此如果在该附近不能实现期望的约束e
lp
≤f
p
(z1，z2，...，z
n
)≤e
up
(这可以通过所述不等式当中的任何冲突来确定)，则可以放宽常数e
lp
和e
up
直到可以实现所述约束。这种优化过程最小化(z
1i
，z
2i
，...，z
ni
)附近的最差缺陷的大小。接着，每个步骤逐步地减小最差缺陷的大小，并且迭代地执行每个步骤直到符合某些终止条件。这将导致最差缺陷的大小的最优减小。
[0156]
用于最小化最差缺陷的另一方式是在每次迭代中调节权重w
p
。例如，在第i次迭代之后，如果第r个评估点为最差缺陷，则可以在第(i 1)次迭代中增加w
r
，使得向所述评估点的缺陷大小的减小给出较高优先级。
[0157]
另外，可以通过引入拉格朗日乘数来修改方程式4和方程式5中的成本函数，以实现对缺陷的大小的rms的优化与对最差缺陷的大小的优化之间的折衷，即：
[0158][0159]
其中λ为指定对缺陷大小的rms的优化与对最差缺陷的大小的优化之间的折衷的预设常数。具体地，如果λ＝0，则该方程式变为方程式4，并且仅最小化缺陷大小的rms；而如果λ＝1，则该方程式变为方程式5，并且仅最小化最差缺陷的大小；如果0＜λ＜1，则在优化中考虑以上两种情况。可以使用多种方法来解决这种优化。例如，类似于先前所描述的方法，可以调节每次迭代中的加权。替代地，类似于最小化来自不等式的最差缺陷的大小，方程式6’和6”的不等式可以在二次规划问题的求解期间被视为设计变量的约束。接着，可以递增地放宽对最差缺陷的大小的界限，或对最差缺陷的大小的界限递增地增加用于最差缺陷的大小的权重、计算用于每个可实现的最差缺陷的大小的成本函数值，并且选择最小化总的成本函数的设计变量值以作为用于下一步骤的初始点。通过迭代地进行这种操作，可以实现这种新的成本函数的最小化。
[0160]
优化光刻投影设备可以扩展过程窗口。较大的过程窗口在过程设计和芯片设计方面提供更多的灵活性。过程窗口可以被限定为使抗蚀剂图像在抗蚀剂图像的设计目标的某一范围内的焦距和剂量值的集合。应注意，这里所论述的所有方法也可以扩展至广义过程窗口限定，广义过程窗口限定可以通过除了曝光剂量和散焦以外的不同或额外的基参数而建立。这些基参数可以包括但不限于，诸如na、均方偏差、像差、偏振的光学设定，或抗蚀剂层的光学常数。例如，如早先所描述的，如果pw也由不同的掩模偏置组成，则优化包括meef(掩模误差增强因子)的最小化，所述掩模误差增强因子被限定为衬底epe与诱发性掩模边缘偏置之间的比率。对焦距和剂量值做出限定的过程窗口在本文中仅用作示例。下文描述根据实施例的最大化过程窗口的方法。
[0161]
在第一步骤中，从过程窗口中的已知条件(f0，ε0)开始(其中f0为名义焦距，并且ε0为名义剂量)，最小化成本函数中的在(f0±
δf，ε0±
δε)附近下方的一个成本函数：
[0162][0163]
或
[0164][0165]
或
[0166][0167]
如果允许名义焦距f0和名义剂量ε0改变，则名义焦距f0和名义剂量ε0可以与设计变量(z1，z2，...，z
n
)联合地被优化。在下一步骤中，如果可以找到(z1，z2，...，z
n
，f，ε)的集合，以使得成本函数在预设范围内，则接受(f0±
δf，ε0±
δε)作为过程窗口的部分。
[0168]
替代地，如果不允许焦距和剂量改变，则在焦距和剂量固定于名义焦距f0和名义
剂量ε0的情况下优化设计变量(z1，z2，...，z
n
)。在替代实施例中，如果可以找到(z1，z2，...，z
n
)的值的集合，使得成本函数在预设范围内，则接受(f0±
δf，ε0±
δε)作为过程窗口的部分。
[0169]
本文中早先所描述的方法可以用于最小化方程式7、7’或7”的对应的成本函数。如果设计变量为投影光学器件的特性，诸如泽尼克系数，则最小化方程式7、7’或7”的成本函数导致基于投影光学器件优化(即lo)的过程窗口最大化。如果设计变量为除了投影光学器件的特性以外的源和图案形成装置的特性，则最小化方程式7、7’或7”的成本函数会导致基于smlo的过程窗口最大化，如图11所图示。如果设计变量为源和图案形成装置的特性，则最小化方程式7、7’或7”的成本函数导致基于smo的过程窗口最大化。方程式7、7’或7”的成本函数也可以包括至少一个f
p
(z1，z2，...，z
n
)，诸如在方程式7或方程式8中的f
p
(z1，z2，...，z
n
)，至少一个f
p
(z1，z2，...，z
n
)为诸如2d特征的lwr或局部cd变化以及生产量的一个或更多个随机效应的函数。
[0170]
图13示出同时的smlo过程可以如何使用高斯
‑
牛顿算法以用于优化的一项特定示例。在步骤s702中，识别设计变量的起始值。也可以识别用于每个变量的调谐范围。在步骤s704中，使用设计变量来限定成本函数。在步骤s706中，在用于设计布局中的所有评估点的起始值附近展开成本函数。在可选的步骤s710中，执行全芯片模拟以覆盖全芯片设计布局中的所有关键图案。在步骤s714中获得期望的光刻响应指标(诸如，cd或epe)，并且在步骤s712中比较期望的光刻响应指标与那些量的预测值。在步骤s716中，确定过程窗口。步骤s718、s720和s722类似于如关于图12a所描述的相应的步骤s514、s516和s518。如之前提及的，最终输出可以是光瞳平面中的波前像差映射，波前像差映射被优化以产生期望的成像性能。最终输出也可以为优化后的源映射和/或优化后的设计布局。
[0171]
图12b示出用于优化成本函数的示例性方法，在该示例性方法中，设计变量(z1，z2，...，z
n
)包括可以仅采取离散值的设计变量。
[0172]
所述方法通过限定照射源的像素组和图案形成装置的图案形成装置式图案块而开始(步骤s802)。通常，像素组或图案形成装置式图案块也可以被称作光刻过程部件的划分部。在一种示例性方法中，将照射源划分成117个像素组，并且针对图案形成装置限定94个图案形成装置式图案块(大体上如上文所描述的)，从而引起总共211个划分部。
[0173]
在步骤s804中，选择光刻模型作为用于光刻模拟的基础。光刻模拟产生用于计算光刻指标或响应的结果。将特定光刻指标限定为待优化的性能指标(步骤s806)。在步骤s808中，设置用于照射源和图案形成装置的初始(预优化)条件。初始条件包括用于照射源的像素组和图案形成装置的图案形成装置式图案块的初始状态，使得可以参考初始照射形状和图案形成装置的初始图案。初始条件也可以包括掩模偏置、na、和焦距斜率范围。虽然步骤s802、s804、s806和s808被描绘为连续步骤，但应了解，在本发明的其它实施例中，可以以其它顺序执行这些步骤。
[0174]
在步骤s810中，对像素组和图案形成装置式图案块排名。可以使像素组和图案形成装置式图案块在排名中交错。可以使用各种排名方式，包括：连续地(例如，从像素组1至像素组117和从图案形成装置式图案块1至图案形成装置式图案块94)、随机地、根据所述像素组和图案形成装置式图案块的物理部位(例如，将较接近于照射源的中心的像素组排名较高)、并且根据所述像素组或图案形成装置式图案块的变更如何影响性能指标。
[0175]
一旦对像素组和图案形成装置式图案块排名，就调节照射源和图案形成装置以改善性能指标(步骤s812)。在步骤s812中，按排名的次序分析像素组和图案形成装置式图案块中的每个，以确定像素组或图案形成装置式图案块的变更是否将引起性能指标改善。如果确定性能指标将被改善，则相应地变更像素组或图案形成装置式图案块，并且得到的改善型性能指标和修改后的照射形状或图案形成装置的修改后的图案形成基线以用于比较，从而用于后续分析较低排名的像素组和图案形成装置式图案块。换句话说，保持改善性能指标的变更。随着进行和保持对像素组和图案形成装置式图案块的状态的变更，初始照射形状和图案形成装置的初始图案相应地改变，使得修改后的照射形状和图案形成装置的修改后的图案由步骤s812中的优化过程引起。
[0176]
在其它方法中，也在s812的优化过程内执行像素组和/或图案形成装置式图案块的图案形成装置的多边形形状调节和成对轮询。
[0177]
在替代实施例中，交错式同时优化工序可以包括变更照射源的像素组，并且在发现性能指标的改善的情况下，逐步升高和降低剂量以寻找进一步改善。在另外的替代实施例中，可以通过用图案形成装置的图案的偏置改变来替换剂量或强度的逐步升高和逐步降低，以寻找同时优化工序的进一步改善。
[0178]
在步骤s814中，进行关于性能指标是否已经收敛的确定。例如，如果在步骤s810和s812的最后几次迭代中已经证明性能指标的改善很小或无改善，则性能指标可以被认为已经收敛。如果性能指标还未收敛，则在下次迭代中重复步骤s810和s812，其中来自当前迭代的修改后的照射形状和修改后的图案形成装置用作用于下次迭代的初始照射形状和初始图案形成装置(步骤s816)。
[0179]
上文所描述的优化方法可以用于增加光刻投影设备的生产量。例如，成本函数可以包括是曝光时间的函数的f
p
(z1，z2，...，z
n
)。这种成本函数的优化优选地受到随机效应的量度或其它量度约束或影响。具体地，用于增加光刻过程的生产量的计算机实施方法可以包括优化为光刻过程的一个或更多个随机效应的函数且为衬底的曝光时间的函数的成本函数，以便最小化曝光时间。
[0180]
在一个实施例中，成本函数包括为一个或更多个随机效应的函数的至少一个f
p
(z1，z2，...，z
n
)。随机效应可以包括特征的失效、如在图3的方法中所确定的测量数据(例如，sepe)、2d特征的lwr或局部cd变化。在一个实施例中，随机效应包括抗蚀剂图像的特性的随机变化。例如，这些随机变化可以包括特征的失效率、线边缘粗糙度(ler)、线宽粗糙度(lwr)和临界尺寸均一性(cdu)。在成本函数中包括随机变化允许找到最小化随机变化的设计变量的值，由此减小由于随机效应导致的缺陷的风险。
[0181]
图14为图示可以辅助实施本发明所公开的优化方法和流程的计算机系统100的框图。计算机系统100包括用于通信信息的总线102或其它通信机构，和与总线102耦接以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100也包括耦接至总线102以用于储存将要由处理器104执行的信息和指令的主存储器106，诸如，随机存取存储器(ram)或其它动态储存器件。主存储器106也可以用于在将要由处理器104执行的指令的执行期间储存暂时性变量或其它中间信息。计算机系统100还包括耦接至总线102以用于储存用于处理器104的静态信息和指令的只读存储器(rom)108或其它静态储存器件。提供诸如磁盘或光盘的储存器件110，并且储存器件110耦接至总线102以用于储存信息和指令。
[0182]
计算机系统100可以由总线102而耦接至用于向计算机用户显示信息的显示器112，诸如，阴极射线管(crt)或平板显示器或触控面板显示器。包括字母数字按键和其它按键的输入装置114耦接至总线102以用于将信息和命令选择通信至处理器104。另一类型的使用者输入装置是用于将方向信息和命令选择通信至处理器104且用于控制显示器112上的光标移动的光标控制件116，诸如，鼠标、轨迹球或光标方向按键。这种输入装置通常具有在两个轴线
‑
第一轴线(例如，x)和第二轴线(例如，y)上的两个自由度，该两个自由度允许所述器件指定在平面中的位置。触控面板(屏幕)显示器也可以用作输入装置。
[0183]
根据一个实施例，可以由计算机系统100响应于执行主存储器106中包含的一个或更多个指令的一个或更多个序列的处理器104而执行优化过程的部分。可以将这样的指令从另一计算机可读介质(诸如储存器件110)读取至主存储器106中。主存储器106中所包含的指令序列的执行使处理器104执行本文中所描述的过程步骤。呈多处理布置的一个或更多个处理器也可以用于执行主存储器106中包含的指令序列。在替代实施例中，可代替或结合软件指令来使用硬连线电路。因此，本发明的描述不限于硬件电路和软件的任何特定组合。
[0184]
本文中所使用的术语“计算机可读介质”是指参与将指令提供至处理器104以供执行的任何介质。这种介质可以采取许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括，例如，光盘或磁盘，诸如，储存器件110。易失性介质包括易失存储器，诸如主存储器106。传输介质包括同轴缆线、铜线和光纤，传输介质包括包含总线102的电线。传输介质也可以采取声波或光波的形式，诸如，在射频(rf)和红外(ir)数据通信期间产生的声波或光波。计算机可读介质的常见形式包括例如软盘、挠性磁盘、硬盘、磁带、任何其它磁性介质、cd
‑
rom、dvd、任何其它光学介质、打孔卡、纸带、具有孔的图案的任何其它物理介质、ram、prom和eprom、flash
‑
eprom、任何其它存储器芯片或卡匣、如下文所描述的载波，或可以供计算机读取的任何其它介质。
[0185]
计算机可读介质的各种形式可以用于将一个或更多个指令的一个或更多个序列承载至处理器104以供执行。例如，最初可以将所述指令承载于远程计算机的磁盘上。远程计算机可以将指令加载至其动态存储器中，并且使用调制解调器经由电话线来发送指令。在计算机系统100本地的调制解调器可以接收电话线上的数据，并且使用红外传输器将数据转换成红外信号。耦接至总线102的红外检测器可以接收红外信号中所承载的数据且将数据放置于总线102上。总线102将数据承载至主存储器106，处理器104从所述主存储器106获取和执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后储存在储存器件110上。
[0186]
计算机系统100也优选包括耦接至总线102的通信接口118。通信接口118提供对网络链路120的双向数据通信耦合，网络链路120连接至局域网122。例如，通信接口118可以是综合业务数字网(isdn)卡或调制解调器以提供至相应的类型的电话线的数据通信连接。作为另一示例，通信接口118可以是局域网(lan)卡以提供对兼容lan的数据通信连接。也可以实施无线链路。在任何这样的实施中，通信接口118发送且接收承载表示各种类型的信息的数字数据流的电信号、电磁信号或光学信号。
[0187]
网络链路120通常经由一个或更多个网络而向其它数据装置提供数据通信。例如，网络链路120可以通过局域网122而向主计算机124或向由因特网服务提供商(isp)126操作
的数据装置提供连接。isp 126又经由全球封包数据通信网络(现在通常被称作“因特网”)128来提供数据通信服务。局域网122和因特网128两者都使用承载数字数据流的电信号、电磁信号或光学信号。经由各种网络的信号和在网络链路120上且经由通信接口118的信号(所述信号将数字数据承载至计算机系统100和从计算机系统100承载数字数据)是输送信息的载波的示例性形式。
[0188]
计算机系统100可以通过一个或多个网络、网络链路120和通信接口118来发送消息且接收数据(包括程序代码)。在因特网示例中，服务器130可能经由因特网128、isp 126、局域网122和通信接口118来传输用于应用程序的被请求的程序代码。一个这样的被下载的应用程序可以提供，例如，实施例的照射优化。所接收的代码可以在其被接收时由处理器104执行，和/或储存在储存器件110中或其它非易失性储存器中以供稍后执行。以这种方式，计算机系统100可以获得呈载波的形式的应用代码。
[0189]
图15示意性地描绘可以利用本发明所描述的方法而优化照射源的示例性光刻投影设备。所述设备包括：
[0190]
‑
照射系统il，所述照射系统用于调节辐射束b。在这样的特定情况下，照射系统也包括辐射源so；
[0191]
‑
第一物体台(例如，掩模台)mt，所述第一物体台设置有用于保持图案形成装置ma(例如，掩模版)的图案形成装置保持器，并且第一物体台连接至用于相对于物件ps来准确地定位所述图案形成装置的第一定位器；
[0192]
‑
第二物体台(衬底台)wt，所述第二物体台设置有用于保持衬底w(例如，涂覆有抗蚀剂的硅晶片)的衬底保持器，并且第二物体台连接至用于相对于物件ps来准确地定位所述衬底的第二定位器；
[0193]
‑
投影系统(“透镜”)ps(例如，折射、反射或反射折射型光学系统)，所述投影系统用于将图案形成装置ma的辐照部分成像至衬底w的目标部分c(例如，包括一个或更多个管芯)上。
[0194]
如本文中描绘的，所述设备属于透射类型(即具有透射型掩模)。然而，通常，所述设备也可以属于例如反射类型(具有反射型掩模)。替代地，设备可以使用另一种类的图案形成装置作为对经典掩模的使用的替代例；示例包括可编程反射镜阵列或lcd矩阵。
[0195]
源so(例如，汞灯或准分子激光器)产生辐射束。例如，这种束是直接地或在已经横穿诸如扩束器ex的调节装置之后馈入至照射系统(照射器)il中。照射器il可以包括调节装置ad以用于设定束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称作σ
‑
外部和σ
‑
内部)。另外，照射器il通常将包括各种其它部件，诸如，积分器in和聚光器co。以这种方式，照射到图案形成装置ma上的束b在其横截面中具有期望的均一性和强度分布。
[0196]
关于图15应注意，源so可以在光刻投影设备的壳体内(这种常常是源so为，例如，汞灯时的情况)，但是源so也可以远离光刻投影设备，源so产生的辐射束被引导至所述设备中(例如，借助于合适的定向反射镜)；这种后一情境常常为当源so为准分子激光器(例如，基于krf、arf或f2反射激光)时的情况。
[0197]
束pb随后截取被保持在图案形成装置台mt上的图案形成装置ma。在已经横穿图案形成装置ma的情况下，束b穿过透镜pl，所述透镜pl将束b聚焦至衬底w的目标部分c上。借助于第二定位装置(和干涉测量装置if)，可以准确地移动衬底台wt，例如以便使不同的目标
部分c定位在束pb的路径中。类似地，第一定位装置可以用于，例如，在从图案形成装置库机械地获取图案形成装置ma之后或在扫描期间相对于束b的路径来准确地定位图案形成装置ma。通常，将借助于未在图15中明确地描绘的长行程模块(粗定位)和短行程模块(精定位)来实现物体台mt、wt的移动。然而，在晶片步进器(相对于步进扫描工具)的情况下，图案形成装置台mt可以仅连接至短行程致动器，或可以是固定的。
[0198]
可以在两种不同模式中使用所描绘的工具：
[0199]
‑
在步进模式中，将图案形成装置台mt保持基本上静止，并且将图案形成装置的整个图像一次性投影((即，单次“闪光”)至目标部分c上。接着使衬底台wt在x方向和/或y方向上移位，使得可以由束pb辐照不同的目标部分c；
[0200]
‑
在扫描模式中，除了在单次“闪光”中不曝光给定目标部分c外，基本上相同情境适用。替代地，图案形成装置台mt可以在给定方向(所谓的“扫描方向”，例如，y方向)上以速度v移动，使得投影束b在整个图案形成装置的图像上进行扫描；同时，衬底台wt以速度v＝mv在相同的或相反的方向上同时移动，其中m为透镜pl的放大率(通常，m＝1/4或＝1/5)。以这种方式，可以在不必折衷分辨率的情况下曝光相对较大的目标部分c。
[0201]
图16示意性地描绘可以利用本发明所描述的方法而优化照射源的另一示例性光刻投影设备1000。
[0202]
光刻投影设备1000包括：
[0203]
‑
源收集器模块so；
[0204]
‑
照射系统(照射器)il，所述照射系统被配置成调节辐射束b(例如，euv辐射)；
[0205]
‑
支撑结构(例如，掩模台)mt，所述支撑结构被构造成支撑图案形成装置(例如，掩模或掩模版)ma，并且所述支撑结构连接至被配置成准确地定位所述图案形成装置的第一定位器pm；
[0206]
‑
衬底台(例如，晶片台)wt，所述衬底台被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)w，并且所述衬底台连接至被配置成准确地定位所述衬底的第二定位器pw；和
[0207]
‑
投影系统(例如，反射性投影系统)ps，所述投影系统被配置成将由图案形成装置ma赋予至辐射束b的图案投影至衬底w的目标部分c(例如，包括一个或更多个管芯)上。
[0208]
如这里所描绘的，设备1000属于反射类型(例如，使用反射型掩模)。应注意，因为大多数材料在euv波长范围内具有吸收性，所以掩模可以具有包括例如钼与硅的多重叠层的多层反射器。在一个示例中，多重叠层反射器有钼与硅的40个层对，其中每个层的厚度为四分之一波长。可利用x射线光刻术来产生更小的波长。因为大多数材料在euv和x射线波长下具有吸收性，所以图案形成装置的形貌上的图案化吸收材料的薄片(例如，多层反射器的顶部上的tan吸收器)限定将特征印制(正型抗蚀剂)或不印制(负型抗蚀剂)于什么位置。
[0209]
参考图16，照射器il从源收集器模块so接收极紫外辐射束。用于产生euv辐射的方法包括但不必限于：利用在euv范围内的一个或更多个发射谱线将具有至少一个元素(例如，氙、锂或锡)的材料转换成等离子体状态。在一种这样的方法(常常被称为激光产生式等离子体“lpp”)中，可以通过利用激光束来辐照燃料(诸如具有谱线发射元素的材料的小滴、串流或簇)而产生等离子体。源收集器模块so可以是euv辐射系统的包括激光器(图16中没有图示)的部分，所述激光器用于提供激发燃料的激光束。得到的等离子体发射输出辐射，例如euv辐射，使用设置于源收集器模块中的辐射收集器来收集所述输出辐射。例如，当使
用co2激光器以提供用于燃料激发的激光束时，激光器与源收集器模块可以是分立的实体。
[0210]
这些情况下，不认为激光器形成光刻设备的一部分，并且辐射束是借助于包括，例如，合适的定向反射镜和/或扩束器的束传递系统而从激光器传递至源收集器模块。在其它情况下，例如，当源是放电产生式等离子体euv产生器(常常被称为dpp源)时，源可以是源收集器模块的组成部分。
[0211]
照射器il可以包括用于调节辐射束的角强度分布的调节器。通常，可以调节照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(通常分别被称作σ
‑
外部和σ
‑
内部)。另外，照射器il可以包括各种其它部件，诸如琢面场反射镜装置和琢面光瞳反射镜装置。照射器可以用于调节辐射束，以在其横截面中具有期望的均一性和强度分布。
[0212]
辐射束b入射到被保持在支撑结构(例如，掩模台)mt上的图案形成装置(例如，掩模)ma上，并且由所述图案形成装置而图案化。在从图案形成装置(例如，掩模)ma反射之后，辐射束b穿过投影系统ps，投影系统ps将所述束聚焦至衬底w的目标部分c上。借助于第二定位器pw和位置传感器ps2(例如，干涉装置、线性编码器或电容性传感器)，可以准确地移动衬底台wt，例如，以便使不同的目标部分c定位在辐射束b的路径中。类似地，第一定位器pm和另一位置传感器ps1可以用于相对于辐射束b的路径来准确地定位图案形成装置(例如，掩模)ma。可以使用图案形成装置(例如，掩模)ma的对准标记m1、m2和衬底的对准标记p1、p2来对准图案形成装置和衬底w。
[0213]
所描绘的设备1000可以用于以下模式中的至少一种模式中：
[0214]
1.在步进模式中，在将被赋予至辐射束的整个图案一次性投影至目标部分c上时，使支撑结构(例如，掩模台)mt和衬底台wt保持基本上静止(即，单次静态曝光)。接着，使衬底台wt在x和/或y方向上移位，使得可以曝光不同的目标部分c。
[0215]
2.在扫描模式中，在将被赋予至辐射束的图案投影至目标部分c上时，同步地扫描支撑结构(例如，掩模台)mt和衬底台wt(即，单次动态曝光)。可以通过投影系统ps的放大率(缩小率)和图像反转特性来确定衬底台wt相对于支撑结构(例如，掩模台)mt的速度和方向。
[0216]
3.在另一模式中，在将被赋予至辐射束的图案投影至目标部分c上时，使支撑结构(例如，掩模台)mt保持基本上静止，从而保持可编程图案形成装置，并且移动或扫描衬底台wt。在这种模式中，通常使用脉冲辐射源，并且在衬底台wt的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要来更新可编程图案形成装置。这种操作模式可以容易地应用于利用可编程图案形成装置(诸如，上文提及的类型的可编程反射镜阵列)的无掩模光刻。
[0217]
图17更详细地示出设备1000，所述设备包括源收集器模块so、照射系统il和投影系统ps。源收集器模块so被构造和布置成使得可以将真空环境维持于源收集器模块so的围封结构220中。可以由放电产生式等离子体源形成发射euv辐射的等离子体210。可以通过气体或蒸汽(例如，xe气体、li蒸汽或sn蒸汽)而产生euv辐射，在气体或蒸汽中产生非常热的等离子体210以发射在电磁光谱的euv范围内的辐射。例如，通过造成至少部分离子化的等离子体的放电来产生非常热的等离子体210。可能需要例如，10帕斯卡的分压的xe、li、sn蒸汽或任何其它合适的气体或蒸汽，以用于辐射的高效率产生。在实施例中，提供受激发的锡(sn)等离子体以产生euv辐射。
[0218]
由热等离子体210发射的辐射经由被定位在源腔室211中的开口中或该开口后方的可选的气体屏障或污染物阱230(在一些情况下，也被称作污染物屏障或箔片阱)而从源腔室211传递至收集器腔室212中。污染物阱230可以包括通道结构。污染物阱230也可以包括气体屏障，或气体屏障与通道结构的组合。如在本领域中已知的，本文中进一步指示的污染物阱或污染物屏障230至少包括通道结构。
[0219]
收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器co。辐射收集器co具有上游辐射收集器侧251和下游辐射收集器侧252。横穿收集器co的辐射可以从光栅光谱滤波器240反射以沿由点虚线“o”指示的光学轴线而聚焦于虚拟的源点if中。虚拟的源点if通常被称作中间焦点，并且源收集器模块被布置成使得中间焦点if位于围封结构220中的开口221处或附近。虚拟的源点if为发射辐射的等离子体210的图像。
[0220]
随后，辐射横穿照射系统il，照射系统il可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24，琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成提供辐射束21的在图案形成装置ma处的期望的角分布，以及辐射强度的在图案形成装置ma处的期望的均一性。在辐射束21的由支撑结构mt保持的图案形成装置ma处的反射后，形成图案化束26，并且通过投影系统ps经由反射元件28、30将图案化束26成像至由衬底台wt保持的衬底w上。
[0221]
比所示出元件更多的元件通常可以存在于照射光学器件单元il和投影系统ps中。依赖于光刻设备的类型，可以可选地存在光栅光谱滤波器240。另外，可以存在比各图所示出的反射镜更多的反射镜，例如，在投影系统ps中可以存在比图17所示出的反射元件多1至6个的额外的反射元件。
[0222]
如图17所图示的收集器光学器件co被描绘为具有掠入射反射器253、254和255的嵌套式收集器，掠入射反射器253、254和255仅仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255被设置成围绕光学轴线o轴向地对称，并且这种类型的收集器光学器件co优选地结合放电产生式等离子体源(放电产生式等离子体源常常被称为dpp源)来使用。
[0223]
替代地，源收集器模块so可以是如图18所示出的lpp辐射系统的部件。激光器la被布置以将激光能量沉积至诸如氙(xe)、锡(sn)或锂(li)的燃料中，从而产生具有数十电子伏特的电子温度的高度离子化的等离子体210。在这些离子的去激发和再结合期间产生的高能辐射是从等离子体发射的并由近正入射收集器光学器件co收集，并且聚焦至围封结构220中的开口221上。
[0224]
本文中所公开的概念可以对使子波长特征成像的任何通用成像系统进行模拟或以数学方式建模，并且尤其可以用于能够产生越来越短的波长的新兴成像技术。已经在使用中的新兴技术包括能够通过使用arf激光器来产生193nm的波长且甚至能够通过使用氟激光器来产生157nm的波长的euv(极紫外)、duv光刻。此外，euv光刻术能够通过使用同步加速器或通过利用高能电子来射到材料(固体或等离子体)上而产生在5nm至20nm的范围内的波长，以便产生这个范围内的光子。
[0225]
可以使用于下方面进一步描述实施例：
[0226]
1.一种训练被配置成预测用于掩模的优化后邻近效应校正(opc)图像的机器学习模型的方法，所述方法包括：
[0227]
获得(i)与待印制于衬底上的设计布局相关联的优化前邻近效应校正图像、(ii)
所述掩模的与所述设计布局相关联的一个或更多个辅助特征的图像、和(iii)所述设计布局的优化后邻近效应校正参考图像；以及
[0228]
将所述优化前邻近效应校正图像和所述一个或更多个辅助特征的图像用作输入来训练所述机器学习模型，使得所述参考图像与所述机器学习模型的所预测的优化后邻近效应校正图像之间的差异被减小。
[0229]
2.根据方面1所述的方法，其中获得所述优化前邻近效应校正图像和所述一个或更多个辅助特征的图像包括：
[0230]
获得所述设计布局和所述一个或更多个辅助特征的几何形状；以及
[0231]
经由图像处理，从所述设计布局的几何形状产生所述优化前邻近效应校正图像并且从所述一个或更多个辅助特征的几何形状产生另一图像。
[0232]
3.根据方面2所述的方法，其中所述图像处理包括基于所述几何形状的栅格化操作。
[0233]
4.根据方面2所述的方法，其中获得所述一个或更多个辅助特征的几何形状包括：
[0234]
经由基于规则的方法，确定与所述设计布局相关联的一个或更多个辅助特征的几何形状；和/或
[0235]
经由基于模型的方法，确定与所述设计布局相关联的一个或更多个辅助特征的几何形状。
[0236]
5.根据方面1至4中任一项所述的方法，其中获得所述参考图像包括：
[0237]
使用所述设计布局执行掩模优化过程和/或源掩模优化过程。
[0238]
6.根据方面5所述的方法，其中所述掩模优化过程使用光学邻近效应校正过程。
[0239]
7.根据方面1至6所述的方法，其中训练所述机器学习模型是迭代过程，迭代包括：
[0240]
将所述优化前邻近效应校正图像和所述一个或更多个辅助特征的图像输入至所述机器学习模型；
[0241]
通过模拟所述机器学习模型而预测所述优化后邻近效应校正图像；
[0242]
确定所预测的优化后邻近效应校正图像与所述参考图像之间的差异；以及
[0243]
调节所述机器学习模型的权重使得所预测的图像与所述参考图像之间的差异被减小。
[0244]
8.根据方面7所述的方法，其中基于所述差异的梯度下降来调节所述权重。
[0245]
9.根据方面7至8中任一项所述的方法，其中使所述差异最小化。
[0246]
10.根据方面1至9中任一项所述的方法，所述方法还包括：
[0247]
获得所述设计布局的几何形状；
[0248]
将所述设计布局的几何形状分割成多个区段；以及
[0249]
确定对所述多个区段的校正，使得与所述设计布局相关联的图像与沿所述几何形状的所预测的优化后邻近效应校正图像之间的差异被减小。
[0250]
11.根据方面10所述的方法，所述方法还包括：
[0251]
将一个或更多个评估点放置于多个区段中的每个区段上。
[0252]
12.根据方面10至11中任一项所述的方法，其中确定所述校正是迭代过程，迭代包括：
[0253]
调节所述几何形状的所述多个区段；
[0254]
从所述设计布局的调节后的几何形状产生图像；以及
[0255]
评估所产生的图像与沿在对应的图像内的所述几何形状的所预测的优化后邻近效应校正图像之间的差异。
[0256]
13.根据方面12所述的方法，其中所产生的图像与所预测的图像之间的差异是沿所述几何形状的强度值的差。
[0257]
14.根据方面12至13中任一项所述的方法，其中调节所述多个区段包括：
[0258]
调节所述多个区段的至少一部分的形状和/或位置，使得所产生的图像与所预测的图像之间的差异被减小。
[0259]
15.根据方面12至14中任一项所述的方法，其中所产生的图像与所预测的优化后邻近效应校正图像之间的差异被最小化。
[0260]
16.根据方面12至15中任一项所述的方法，所述方法还包括：
[0261]
经由使用所述设计布局和对所述设计布局的所述校正进行的优化邻近效应校正模拟，确定待用于制造用于图案化过程的所述掩模的掩模布局。
[0262]
17.根据方面16所述的方法，其中所述优化邻近效应校正模拟包括：
[0263]
经由使用所述设计布局的几何形状和与所述多个区段相关联的所述校正来模拟图案化过程模型，确定将被印制于衬底上的模拟图案；以及
[0264]
确定对所述设计布局的光学邻近效应校正，使得所述模拟图案与所述设计布局之间的差异被减小。
[0265]
18.根据方面17所述的方法，其中所述确定光学邻近效应校正是迭代过程，迭代包括：
[0266]
调节所述设计布局的主要特征和/或所述一个或更多个辅助特征的几何形状的形状和/或尺寸使得所述图案化过程的性能指标被减小。
[0267]
19.根据方面18所述的方法，其中从所述机器学习模型的所预测的优化后邻近效应校正图像提取所述一个或更多个辅助特征。
[0268]
20.根据方面18至19中任一项所述的方法，其中所述性能指标包括所述模拟图案与所述设计布局之间的边缘放置误差，和/或所述模拟图案的cd值。
[0269]
21.根据方面1至20中任一项所述的方法，其中所述优化前邻近效应校正图像、所述辅助特征的图像、所预测的优化后邻近效应校正图像和参考图像是像素化图像。
[0270]
22.一种用于训练机器学习模型以预测用于掩模的优化后邻近效应校正(opc)的方法，所述方法包括：
[0271]
获得(i)与待印制于衬底上的设计布局相关联的优化前邻近效应校正图像、和(ii)所述设计布局的优化后邻近效应校正参考图像；以及
[0272]
将所述优化前邻近效应校正图像用作输入来训练所述机器学习模型，使得所述机器学习模型的所预测的优化后邻近效应校正图像与所述参考图像之间的差异被减小。
[0273]
23.根据方面22所述的方法，其中获得所述优化前邻近效应校正图像包括：
[0274]
获得所述设计布局的几何形状；以及
[0275]
经由图像处理，从所述几何形状产生图像。
[0276]
24.根据方面23所述的方法，其中所述图像处理包括使用所述几何形状的栅格化操作。
[0277]
25.根据方面22至24中任一项所述的方法，其中获得所述参考图像包括：
[0278]
使用所述设计布局来执行掩模优化过程和/或源掩模优化过程。
[0279]
26.根据方面25所述的方法，其中所述掩模优化过程包括光学邻近效应校正。
[0280]
27.根据方面22至26中任一项所述的方法，其中训练所述机器学习模型是迭代过程，迭代包括：
[0281]
将所述优化前邻近效应校正图像输入至所述机器学习模型；
[0282]
通过模拟所述机器学习模型而预测所述优化后邻近效应校正图像；
[0283]
确定所预测的优化后邻近效应校正图像与所述参考图像之间的差异；以及
[0284]
调节所述机器学习模型的权重使得所预测的图像与所述参考图像之间的差异被减小。
[0285]
28.根据方面27所述的方法，其中基于所述差异的梯度下降来调节所述权重。
[0286]
29.根据方面22至27中任一项所述的方法，其中使所述差异最小化。
[0287]
30.一种用于确定用于掩模的优化后邻近效应校正图像的方法，所述方法包括：
[0288]
获得与待印制于衬底上的设计布局相关联的优化前邻近效应校正图像；
[0289]
通过使用所述优化前邻近效应校正图像模拟训练后的第一机器学习模型来确定所述掩模的第一优化后邻近效应校正图像，其中所述第一优化后邻近效应校正图像包括所述掩模的一个或更多个辅助特征；
[0290]
提取所述第一优化后邻近效应校正图像的所述一个或更多个辅助特征的几何形状；以及
[0291]
通过使用所述设计布局的所述优化前邻近效应校正图像和所述第一优化后邻近效应校正图像的所述一个或更多个辅助特征的所提取的几何形状来模拟训练后的第二机器学习模型，从而确定用于所述掩模的第二优化后邻近效应校正图像。
[0292]
31.根据方面30所述的方法，所述方法还包括：
[0293]
基于所述第二优化后邻近效应校正图像和所述设计布局来确定对所述设计布局的校正。
[0294]
32.根据方面31所述的方法，其中确定所述校正是迭代过程，迭代包括：
[0295]
获得所述设计布局的几何形状；
[0296]
将所述设计布局的几何形状分割成多个区段；
[0297]
调节所述多个区段；
[0298]
从所述设计布局的调节后的几何形状产生图像；以及
[0299]
评估所产生的图像与沿对应的图像的几何形状的所述第二优化后邻近效应校正图像之间的差异。
[0300]
33.根据方面32所述的方法，其中调节所述多个区段包括：
[0301]
调节所述多个区段的至少一部分的形状和/或位置，使得所产生的图像与沿对应的图像的几何形状的所述第二优化后邻近效应校正图像之间的差异被减小。
[0302]
34.根据方面30至33中任一项所述的方法，还包括：
[0303]
经由使用所述设计布局和对所述设计布局的所述校正进行的优化邻近效应校正模拟，确定待用于制造用于图案化过程的所述掩模的掩模布局。
[0304]
35.一种用于确定对设计布局的校正的方法，所述方法包括：
[0305]
经由使用所述设计布局的优化前邻近效应校正图像和与所述设计布局相关联的一个或更多个辅助特征的图像的训练机器学习模型获得(i)所预测的优化后邻近效应校正图像、和(ii)所述设计布局的几何形状；
[0306]
将所述设计布局的几何形状分割成多个区段；以及
[0307]
确定对所述多个区段的校正，使得所述设计布局的图像与沿所述几何形状的所预测的优化后邻近效应校正图像之间的差异被减小。
[0308]
36.根据方面35所述的方法，所述方法还包括：
[0309]
将一个或更多个评估点放置于多个区段中的每个区段上。
[0310]
37.根据方面36所述的方法，其中确定所述校正是迭代过程，迭代包括：
[0311]
经由所述一个或更多个评估点调节所述多个区段；
[0312]
从所述设计布局的调节后的几何形状产生图像；以及
[0313]
评估在所述几何形状的所述多个区段上的所述一个或更多个评估点处的所产生的图像与所预测的优化后邻近效应校正图像之间的差异。
[0314]
38.根据方面37所述的方法，其中所产生的图像与所预测的图像之间的差异是所述一个或更多个评估点处的强度值的差。
[0315]
39.根据方面37所述的方法，其中调节所述多个区段包括：
[0316]
调节所述多个区段的至少一部分的形状和/或位置，使得所产生的图像与所预测的图像之间的差异被减小。
[0317]
40.根据方面35至39中任一项所述的方法，其中所产生的图像与所预测的优化后邻近效应校正图像之间的差异被最小化。
[0318]
41.根据方面35至40中任一项所述的方法，所述方法还包括：
[0319]
经由使用所述设计布局和对所述设计布局的所述校正进行的优化邻近效应校正模拟来确定掩模布局。
[0320]
42.根据方面41所述的方法，其中所述优化邻近效应校正模拟包括：
[0321]
经由使用所述设计布局的几何形状和与所述几何形状的所述多个区段相关联的所述校正来模拟图案化过程，从而确定将被印制于衬底上的模拟图案；以及
[0322]
确定对所述设计布局的光学邻近效应校正，使得所述模拟图案与所述设计布局之间的差异被减小。
[0323]
43.根据方面42所述的方法，其中所述确定光学邻近效应校正是迭代过程，迭代包括：
[0324]
调节所述设计布局的主要特征和/或所述一个或更多个辅助特征的几何形状的形状和/或尺寸使得所述图案化过程的性能指标被减小。
[0325]
44.根据方面43所述的方法，其中从所述机器学习模型的所预测的优化后邻近效应校正图像提取所述一个或更多个辅助特征。
[0326]
45.根据方面43至44中任一项所述的方法，其中所述性能指标包括所述模拟图案与所述设计布局之间的边缘放置误差，和/或所述模拟图案的cd值。
[0327]
46.一种计算机程序产品，所述计算机程序产品包括非暂时性计算机可读介质，所述非暂时性计算机可读介质具有记录在其上的指令，所述指令在由计算机执行时实施以上方面中任一项所述的方法。
[0328]
虽然本文中所公开的概念可以用于在诸如硅晶片的衬底上的成像，但是应该理解，所公开的概念可以与任何类型的光刻成像系统一起使用，例如，用于在不同于硅晶片的衬底上的成像的光刻成像系统。
[0329]
以上描述意图是说明性的，而不是限制性的。因此，本领域技术人员将明白，可以在不背离下文所阐明的权利要求的范围的情况下以如所描述的那样的方式进行修改。