[發明專利]基于機器學習進行逆向光刻最優特征向量設計的方法

在審

• 申請號: 202010083839.1
• 申請日: 2020-02-10
• 公開（公告）號: CN111310407A
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 時雪龍;趙宇航;陳壽面;李琛
• 申請（專利權）人: 上海集成電路研發中心有限公司
• 主分類號: G06F30/392
• 分類號: G06F30/392;G06F30/398;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 上海天辰知識產權代理事務所(特殊普通合伙) 31275
• 代理人: 吳世華;尹一凡

1.一種基于機器學習進行逆向光刻解的最優特征向量設計方法，用于預測/計算逆向光刻解的值；其特征在于，所述方法包括如下步驟：

步驟S1：將設計目標圖案劃分為N個網格單元，其中，所述網格單元的尺寸由成像條件確定；

步驟S2：根據成像條件計算特征函數集{K_i(x,y)},i＝1,2,…N1；其中，所述特征函數集{K_i(x,y)}為一組最優的光學標尺，用來測量所述設計目標圖案中任何一個網格單元的周邊環境；所述N1的取值與表征網格單元的周邊環境的完備性的要求相關，所述N1為所述光學標尺Ki(x,y)的個數；

步驟S3：建立神經網絡模型，所述神經網絡模型包括輸入層、隱藏層和輸出層；其中，所述輸入層的維度與N1相等，所述隱藏層共有N2層，每一個所述隱藏層的神經元個數為M₁,M₂,…M_N2；其中，所述M₁,M₂,…M_N2為相同、部分相同或不同；

步驟S4：對所述神經網絡模型進行訓練需包括訓練樣本和驗證樣本，所述訓練樣本和驗證樣本為隨機選取所述設計目標圖案中的部分目標圖案，用特征函數集{K_i(x,y)}計算每個所述網格單元的信號集{S_i(x,y)}作為該網格單元的神經網絡模型輸入，所述信號集{S_i(x,y)}表征了目標圖案中一個網格單元的周邊環境，所述信號集{S_i(x,y)}也稱特征向量；以及將嚴格逆向光刻在相應位置的值作為神經網絡訓練的目標值，即用相同的部分目標圖案，使用嚴格的逆向光刻算法生成最佳掩模圖像，作為神經網絡訓練的原始訓練目標圖像；

步驟S5：在神經網絡模型訓練時，采用不同的輸入端維度N1、隱藏層個數N2和每一隱藏層的神經元的個數M₁,M₂,…M_N2的不同的組合，用所述訓練樣本進行訓練，并采用驗證樣本進行驗證，直到找到具有所述輸入端維度N1、隱藏層個數N2和每一隱藏層的神經元的個數M₁,M₂,…M_N2滿意組合的所述神經網絡模型為止；其中，所述滿意組合是指，對于所述訓練集和驗證集中的每一個網格單元，所述神經網絡模型的預測值和嚴格逆向光刻解的值之間的誤差小于等于預先定義的誤差規范；

步驟S6：在應用實現階段，將設計晶圓圖案劃分為網格單元，并為每個所述網格單元計算{Si(x,y)}值，并將所述{Si(x,y)}值輸入到訓練好的神經網絡模型中，獲得預測逆向光刻解的值。

2.根據權利要求1所述的方法，其特征在于，所述逆向光刻解為基于機器學習的逆向光刻解、基于機器學習的光學鄰近校正或基于機器學習的光刻熱點檢測解。

3.根據權利要求1所述的方法，其特征在于，在所述步驟S4選擇訓練樣本時，首先對所述神經網絡訓練的原始訓練目標圖像劃分第一類區域和第二類區域；其中，所述第一類區域為對模型訓練有用信息不具有明顯重復性的區域，所述第二類區域為對模型訓練有用信息具有明顯重復性的區域。

4.根據權利要求3所述的方法，其特征在于，所述對所述神經網絡訓練的原始訓練目標圖像劃分第一類區域和第二類區域的步驟包括：

求所述神經網絡訓練的原始訓練目標圖像中最大強度值；

通過將以上找出的最大強度值乘以一個系數，來確定選擇種子像素點的強度閾值；

創建一個輔助圖像，其大小與原始訓練目標圖像相同，所述輔助圖像的強度值最初設置為零；

在所述原始訓練目標圖像中，找出所述強度值大于種子閾值的像素位置；

在所述輔助圖像中，將找出所述強度值大于種子閾值的像素位置的強度值設置為一個預定值，如此，所述輔助圖像中就會形成很多小島；

通過圖像生長形態學操作，對所述小島多次迭代，最終形成在原始訓練目標圖像中的所述第一類區域，以及將原始訓練目標圖像中剩下的區域為所述第二類區域。

5.根據權利要求1所述的方法，其特征在于，在所述步驟S5的訓練過程中，采用了批量規范化技術，并采用了動態自適應樣本加權，以改進訓練質量。