[發明專利]光學臨近效應修正方法及裝置、存儲介質、終端

在審

• 申請號: 202211724451.0
• 申請日: 2022-12-30
• 公開（公告）號: CN116224707A
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 請求不公布姓名
• 申請（專利權）人: 全芯智造技術有限公司
• 主分類號: G03F1/36
• 分類號: G03F1/36;G03F7/20;G06N3/0464
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張英英

1.一種光學臨近效應修正方法，其特征在于，包括：

對待修正版圖中的各個待修正圖形進行分割，每個待修正圖形的每條邊被分割為一條或多條線段；

確定每條線段的第一數量條鄰近線段；

確定每一條線段的節點信息，所述節點信息包括線段的類型以及該線段的各條鄰近線段與該線段之間的距離，并基于各條線段的節點信息采用卷積神經網絡模型輸出各條線段的修正移動信息；

基于修正移動信息構建修正后的版圖。

2.根據權利要求1所述的光學臨近效應修正方法，其特征在于，所述基于各條線段的節點信息采用卷積神經網絡模型輸出各條線段的修正移動信息，包括：

采用各條線段的節點信息以及第一卷積神經網絡模型輸出所述各條線段的特征向量矩陣；

采用第二卷積神經網絡模型輸出各條線段的特征向量的均值向量；以及，采用第三卷積神經網絡模型輸出各條線段的特征向量的方差向量；

采用所述均值向量和所述方差向量構建正態分布，基于所述正態分布采樣確定各條線段的修正移動信息。

3.根據權利要求2所述的光學臨近效應修正方法，其特征在于，所述采用各條線段的節點信息以及第一卷積神經網絡模型輸出所述各條線段的特征向量矩陣，包括：

采用各條線段與鄰近線段之間的距離以及各條線段的類型作為節點信息，構建特征矩陣以及鄰接矩陣；

將所述特征矩陣以及鄰接矩陣輸入所述第一卷積神經網絡，輸出所述各條線段的特征向量矩陣。

4.根據權利要求3所述的光學臨近效應修正方法，其特征在于，采用下述公式表示所述第一卷積神經網絡的層特征傳播公式，其中，所述特征向量矩陣由經過所述第一卷積神經網絡的最后一層輸出的特征向量構成：

其中，A用于表示鄰接矩陣，I用于表示單位矩陣，用于表示的度矩陣，用于表示對所述鄰接矩陣A的歸一化處理，H^(l)用于表示第l層的特征矩陣，H^(l+1)用于表示第l+1層的特征矩陣，W^(l)用于表示第l層的權重矩陣，σ()用于表示激活函數。

5.根據權利要求3所述的光學臨近效應修正方法，其特征在于，

所述特征矩陣為(N+1)×N矩陣，且包含各條線段與鄰近線段之間的距離以及各條線段的類型；

和/或，

所述鄰接矩陣為N×N矩陣，且包含各條線段與鄰近線段之間的距離；

其中，N用于表示所述第一數量。

6.根據權利要求2所述的光學臨近效應修正方法，其特征在于，所述第二卷積神經網絡采用Tanh函數作為激活函數；

所述采用第二卷積神經網絡模型輸出各條線段的特征向量的均值向量，包括：

將所述特征向量矩陣輸入所述第二卷積神經網絡，并以最后一層輸出的N個第一特征向量分別作為各條線段的均值向量；

其中，N用于表示所述第一數量。

7.根據權利要求2所述的光學臨近效應修正方法，其特征在于，所述第三卷積神經網絡采用Tanh函數作為激活函數；

所述采用第三卷積神經網絡模型輸出各條線段的特征向量的方差向量，包括：

將所述特征向量矩陣輸入所述第三卷積神經網絡，并以最后一層輸出的N個第二特征向量分別作為各條線段的方差向量；

其中，N用于表示所述第一數量。

8.根據權利要求2所述的光學臨近效應修正方法，其特征在于，每條線段具有預設的移動范圍，所述移動范圍包含多個移動距離矢量，每個移動距離矢量包含移動方向；

基于所述正態分布采樣確定各條線段的修正移動信息，包括：

對于每條線段，采用等間隔采樣技術對所述移動范圍中的各個移動距離矢量進行采樣，其中，采樣概率滿足所述正態分布；

采用采樣得到的移動距離矢量，作為該線段的修正移動信息。