[發明專利]一種版圖特征提取的超參數確定方法、裝置及介質

在審

• 申請號: 202010324225.8
• 申請日: 2020-04-22
• 公開（公告）號: CN111539177A
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 蓋天洋;韋亞一;粟雅娟;陳穎
• 申請（專利權）人: 中國科學院微電子研究所
• 主分類號: G06F30/392
• 分類號: G06F30/392;G06K9/52;G06F17/16
• 代理公司: 北京華沛德權律師事務所 11302
• 代理人: 房德權

本發明公開了一種版圖特征提取的超參數確定方法、裝置及介質，方法包括：按照初始尺寸的采樣窗口分別對版圖上的N個樣本點進行采樣，對應獲得N幅版圖切片，N個樣本點對應有N組屬性參數；根據單像素物理尺寸分別對所述N幅版圖切片進行特征提取，以轉化為N個特征矩陣；基于N組屬性參數，計算出N個特征矩陣的每個單像素位置對應的互信息值，獲得互信息圖；根據互信息圖，確定出采樣窗口的目標尺寸作為版圖特征提取的超參數。本發明提供的方法、裝置及介質，用以解決現有技術中對版圖進行特征提取用于模型訓練或模型應用時，存在選取的超參數不合適導致的運算速度和計算準確度均較差的技術問題。有效提高了運算速度和計算準確度。

技術領域

本公開內容涉及半導體領域，尤其涉及一種版圖特征提取的超參數確定方法、裝置及介質。

背景技術

隨著集成電路技術的發展，工藝技術節點的迭代越來越快。在新工藝節點研發中通常會產生大量的數據用于工藝模型建立，指導集成電路產品研發中的物理設計以及集成電路制造中的掩模板優化。另一方面，近年來機器學習領域的發展使得其算法處理分析大規模數據并進行建模的能力越來越強。許多研究將兩種技術進行結合，使用機器學習算法處理集成電路研發中產生的數據，從而更加高效地生成準確可靠的工藝模型，例如基于機器學習算法開發的刻蝕模型，光刻膠模型，壞點檢測模型，光學鄰近效應修正模型等。

在各種模型算法中，對于設計版圖中的一個樣本點，為提取它周圍環境中與圖形結構相關的特征信息，需要在每個樣本點周圍設置一個采樣窗口，把一定范圍內的版圖圖形切片提取出來，對其進行像素化，轉換為一個特征矩陣(例如密度矩陣)，矩陣內的每個值代表對應單像素里的圖形特征值(例如圖形密度值)。在轉換過程中，每個單像素所代表的版圖上的單像素物理尺寸以及采樣窗口的尺寸大小是兩個需要預先確定的超參數。

在傳統方法中，單像素物理尺寸通常被選定為設計版圖的單位距離(databaseunit)或者設計圖形的最小特征尺寸(feature size)。而采樣窗口的尺寸則需要根據相關的工藝物理參數進行選取，例如在與光刻工藝相關的模型中，特征提取時通常選取光學直徑(Optical Diameter,OD)作為采樣窗口的邊長。

然而在基于機器學習的建模中，模型的訓練時間、運算速度都與樣本特征向量的大小成正相關。過小的單像素物理尺寸與過大的采樣窗口尺寸將提取的特征矩陣過大，進而導致大型的特征向量，造成特征信息的冗余，導致模型訓練時間的增長以及應用模型時運算速度的下降，而模型計算結果準確性反而沒有提高。以28nm工藝節點為例，設計版圖的單位距離為0.001μm，光學直徑為2.6μm，如果單像素物理尺寸與采樣窗口尺寸選定為這些數值，每個采樣點生成的特征矩陣將包含百萬級數據，如此大規模的數據計算將耗費大量的時間。此外，許多工藝的鄰近效應十分復雜，并不能夠通過物理機理分析得到合理的參數。在特征提取中盲目選取超參數可能導致信息冗余或丟失。

可見，當前對版圖進行特征提取用于模型訓練或模型應用時，存在選取的超參數不合適導致的運算速度和計算準確度均較差的技術問題。

發明內容

本公開內容的目的至少部分在于，解決現有技術中對版圖進行特征提取用于模型訓練或模型應用時，存在選取的超參數不合適導致的運算速度和計算準確度均較差的技術問題。

第一方面，本公開提供了一種版圖特征提取的超參數確定方法，包括：

按照初始尺寸的采樣窗口分別對版圖上的N個樣本點進行采樣，對應獲得N幅版圖切片，N大于1，其中，所述N個樣本點對應有N組屬性參數；

根據單像素物理尺寸分別對所述N幅版圖切片進行特征提取，以將所述N幅版圖切片對應轉化為N個特征矩陣；

基于所述N組屬性參數，計算出所述N個特征矩陣的每個單像素位置對應的互信息值，獲得互信息圖，其中，所述互信息圖上的互信息值表征與所述互信息值對應的單像素位置上圖形特征與屬性參數的相關性；