[發明專利]用于圖案的語義分段的深度學習

在審

• 申請號: 201980014791.4
• 申請日: 2019-02-15
• 公開（公告）號: CN111886606A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: A·C·M·庫普曼;S·A·米德萊布魯克斯;A·G·M·基爾斯;M·J·馬斯洛
• 申請（專利權）人: ASML荷蘭有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06K9/66;G03F7/20
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 王璐璐

1.一種用于訓練圖案化過程的深度學習模型的方法，所述方法包括：

獲得(i)訓練數據，所述訓練數據包括具有多個特征的襯底的至少一部分的輸入圖像和與所述輸入圖像相對應的真實圖像；(ii)類別集，每個類別對應于所述輸入圖像內所述襯底的所述多個特征中的特征；和(iii)深度學習模型，所述深度學習模型被配置為接收所述訓練數據和所述類別集；

通過使用所述輸入圖像對所述深度學習模型進行建模和/或模擬來生成被預測的圖像，其中所述深度學習模型利用包括多個權重的至少一個擴張核迭代地執行卷積運算；

基于被預測的圖像內的特征與所述真實圖像內的對應特征的匹配，將類別集中的類別分配給所述被預測的圖像內的特征；和

通過使用損失函數基于通過深度學習模型的反向傳播而迭代地將權重分配給至少一個擴張核使得被預測的圖像重現所述輸入圖像的所述多個特征，通過建模和/或模擬，生成訓練后的深度學習模型。

2.根據權利要求1所述的方法，其中所述卷積運算包括：

將所述輸入圖像與所述至少一個擴張核重疊，

確定每個重疊元素之間的乘積，所述重疊元素包括所述至少一個擴張核的權重和輸入圖像的像素值，和

對乘積的結果求和，以確定所述卷積運算的值。

3.如權利要求1所述的方法，其中所述至少一個擴張核包括多個權重、擴張率和深度，其中所述深度是所述類別集的類別的數目的倍數。

4.如權利要求1所述的方法，其中所述損失函數是真實圖像和分配給被預測的圖像的類別集中的每個類別的概率的函數。

5.根據權利要求4所述的方法，其中，所述迭代地分配權重包括：修改所述擴張核的多個權重、擴張率和/或深度，以基于所述損失函數的局部導數來特征化所述圖案化過程的至少一部分。

6.如權利要求1所述的方法，其中所述至少一個擴張核包括：

所述至少一個擴張核中的第一擴張核，包括第一權重集、第一擴張率和等于所述類別集中的類別的數目的深度；

所述至少一個擴張核中的第二擴張核，包括第二權重集、第二擴張率和等于所述類別集中的類別的數目的深度，其中所述第二權重集不同于所述第一權重集，和/或所述第二擴張率不同于所述第一擴張率。

7.根據權利要求6所述的方法，其中，所述第一擴張核特征化所述圖案化過程的第一部分，第二核特征化所述圖案化過程的第二部分，其中，所述第二部分是所述圖案化過程的投影系統，所述第二部分是與所述襯底的特征有關的參數。

8.如權利要求1所述的方法，其中，所述擴張核是對稱的以特征化所述圖案化過程的設備的投影系統。

9.根據權利要求8所述的方法，其中，所述迭代地分配權重包括將第一權重集分配給所述擴張核的多個權重，以特征化所述圖案化過程的設備的投影系統。

10.如權利要求1所述的方法，其中所述擴張率是1至10之間的整數值。

11.如權利要求7所述的方法，其中所述參數是邊緣定位誤差、重疊、線邊緣粗糙度、頸縮和/或CD。

12.如權利要求11所述的方法，還包括：

基于與特征有關的參數確定對所述圖案化過程的調整；和

響應于所述調整，調整所述圖案化過程。

13.根據權利要求12所述的方法，其中，所述調整包括對包括劑量和/或聚焦的過程變量的調整。

14.一種計算機程序產品，包括非暫時性計算機可讀介質，所述非暫時性計算機可讀介質中記錄有指令，所述指令在由計算機執行時實施權利要求1所述的方法。