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

技术特征：
1.一种训练机器学习模型的方法，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，所述方法包括：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；以及通过硬件计算机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。2.根据权利要求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：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。3.根据权利要求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。4.根据权利要求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：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。5.根据权利要求1所述的方法，其中获得所述参考图像包括：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。6.根据权利要求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。7.根据权利要求1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：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；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；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。8.根据权利要求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。9.根据权利要求7所述的方法，其中所述差异被最小化。10.根据权利要求1所述的方法，所述方法还包括：获得所述设计布局的几何形状；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。11.根据权利要求10所述的方法，所述方法还包括：将一个或更多个评估点放置于多个区段中的每个区段上。12.根据权利要求10所述的方法，其中确定所述校正是迭代过程，迭代包括：
调节所述几何形状的所述多个区段；从所述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。13.根据权利要求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，和/或其中调节所述多个区段包括：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。14.根据权利要求12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。15.一种计算机程序产品，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根据权利要求1所述的方法。

技术总结
本发明描述多种训练方法和一种掩模校正方法。所述方法之一用于训练机器学习模型，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。正图像之间的差异被减小。正图像之间的差异被减小。


技术研发人员：陶峻 S
受保护的技术使用者：ASML荷兰有限公司
技术研发日：2020.01.24
技术公布日：2021/9/28