CN117196978B 基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方法 （中国科学院光电技术研究所）

基于Unet深度卷积网络的超分辨光刻光学本公开提供一种基于Unet深度卷积网络的数据和对应的优化掩模图形数据组成的已知数训练损失值和IOU值是否满足相应预设条件或当前更新权重参数后的Unet网络为训练后的Unet2S2，将所述训练集中的设计图形数据分批次输入至UnetS3，对于每批次根据所述训练相关的预测S4，将所述验证集中的设计图形数据输入至更新后的US5，根据所述验证相关的预测图形数据和对应的S6，判断所述第二训练损失值和并集交叉值是S7，将待优化的设计图形输入至训练后的Unet深度卷2.根据权利要求1所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方对所述设计图形、优化掩模图形分别进行像素化处理，得到设计图其中，所述S7中待优化的设计图形为待优化的大尺寸掩模版3.根据权利要求1所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方4.根据权利要求1所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方5.根据权利要求1所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方6.根据权利要求1所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方对于每批次根据所述训练相关的预测图形数据和对应的优化掩模图形数据通过下式3其中，Mprea(x,y)为训练相关的预测图形数据，Mopr(x,y)为对应的优化掩模图7.根据权利要求1所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方其中，k+1表示矩阵元素值分类数；pi表示把本应分类为i值的矩阵元素预测成j的数量，pi表示把本应分类为i值的矩阵元素预测成i的数量，pji表示把本应分类为j值的矩阵8.根据权利要求1所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方所述第二训练损失值小于或等于第一预设阈值且并集交叉值大于或等于第二预设阈基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方法得到预测修正后的掩模图形训练集处理模块，用于将所述训练集中的设计图第一计算模块，用于对于每批次根据所述训练相关的预测图形验证集处理模块，用于将所述验证集中的设计图形数据输入至更新后第二计算模块，用于根据所述验证相关的预测图形数4预测模块，用于将待优化的设计图形输入至训练后的Unet深度执行如权利要求1~8中任意一项所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应执行时实现如权利要求1~8中任意一项所述的基于Unet深度卷积网络的超分辨光刻光学邻权利要求1~8中任意一项所述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方5[0002]在集成电路投影式光刻工艺中，掩模上的图形通过曝光系统缩小投影在光刻胶是由于曝光系统衍射受限形成的低通滤波效应滤除了很多高频信息，导致光刻胶上成像图形变得模糊。由于光波的干涉、衍射效应导致成像结果畸变的现象称为光学邻近效应（OpticalProximityEffect，OPE这种效应会影响芯片制造良率。光学邻近效应修正带来的影响。MB_OPC）适用范围有限，而基于模型的光学邻近效应修正方法（Model_basedOpticalProximityCorrection，RB_OPC）和逆向光刻技术（InverseLithographyTechnology，[0008]本公开第一个方面提供了一种基于Unet深度卷积网络的超分辨光刻光学邻近效6[0018]其中，k+1表示矩阵元素值分类数；pi表示把本应分类为i值的矩阵元素预测成j的数量，pi表示把本应分类为i值的矩阵元素预测成i的数量，pji表示把本应分7的预测图形数据和对应的优化掩模图形数据计算第二训练损失值和并集交叉值；判断模络为训练后的Unet深度卷积网络；预测模块，用于将待优化的设计图形输入至训练后的程序被处理器执行时实现如上述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修处理器执行时实现根据上述的基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方[0025]本公开提供的一种基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方法、保持较高准确度的情况下大幅提高修正效率，且该方法能不受设计图形尺寸大小的限制，[0027]图1示意性示出了根据本公开实施例基于Unet深度卷积网络的超分辨光刻光学邻[0028]图2示意性示出了根据本公开实施例训练集中一个设计图形数据的数据增强结果[0031]图5示意性示出了根据本公开实施例Unet深度卷积网络中编码端的Resnet网络结[0034]图8示意性示出了根据本公开实施例验证集的其中一个设计图形数据在Unet深度8[0035]图9示意性示出了根据本公开实施例已知数据对以外的设计图形的预测修正前后[0036]图10示意性示出了根据本公开实施例对大尺寸版图图形预测修正前后的结果示[0038]图12示意性示出了根据本公开实施例的基于Unet深度卷积网络的超分辨光刻光[0039]图13示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、[0045]基于Unet深度卷积网络的光学邻近效应修正方法是一种高效且适用范围广的掩9[0047]本公开提供了一种基于Unet深度卷积网络的超分辨光刻[0048]本方法中首先需要对设计图形进行光学邻近效应修正，得到对应的优化掩模图积网络的权重参数。将验证集内的设计图形数据输入到更新了权重参数后的Unet网络中，[0049]本公开的方法在有监督的模式下训练Unet深度卷积网络以找到设计图形到优化尺寸版图图形是指版图图形数据的两个维度均大于设计图形数据的两个维度的版图图形，常训练集中已知数据对的个数应多于验证集[0055]对已知数据对进行数据增强处理，这样可以增加样本数[0056]垂直翻转操作可以表示为M,(l,J)=M(i,N-j+1)J)=M(N-i+1,j)J)=M(i*cos8-j*sin6,i*sin6+jcosB)J)和优化掩模图形数据分为多个批次，对于每一批次，将训练集中的设计图形数据输入到y)为训练相关的预测图形数据，Mopr(x,y)为对应的优化掩[0065]对于每一批次，其训练相关的预测图形数据Mprea(x,y)与该批次对应的优化掩[0068]其中，k+1表示矩阵元素值分类数；pi表示把本应分类为i值的矩阵元素预测成j的数量，pi表示把本应分类为i值的矩阵元素预测成i的数量，pji表示把本应分[0070]当IoU值小于第二预设阈值或第二训练损失值大于第一预设阈值时，循环执行步骤S2~S6。当IoU值大于或等于第二预设阈值且第二训练损失值小于或等于第一预设阈值[0073]即在前述基于Unet深度卷积网络的超分辨光刻光学邻近效应修正方法的基础上输出预测修正后的掩模图形，并根据该预测修正后的掩模图形进行超分辨光刻。操作S1~既可以避免训练中梯度消失或梯度爆炸问题，又可以以较深卷积层来提高网络拟合能力，解码端均不含有全连接层。将训练集中的设计图形数据和优化掩模图形数据分为多个批深度卷积网络的编码端和解码端，最后经过预测网络输出为训练相关的预测图形数据络的预测网络通过归一化函数对每个矩阵的元络的学习速率调整方式设置为adam优化梯度下降，网络的每轮迭代批处理个数设置为10，控IoU值，当IoU值在最近100轮次内连续大于等于90%且第二训练损失值在此100轮次内连图形数据转换为预测修正后的掩模图形。本步骤中的版图图形尺寸大小可以与步骤S01中T5T66与张量T77经过上采样模块其形式88与张量T3在第二维度粘合形成维度为（10，T1010与张T1112T1414再经过预测网络[0095]图8所示是验证集的其中一个设计图形数据在Unet深度卷积网络作用下的预测修示利用逆向光刻技术得到的修正掩模图形；903表示通过本公开的方法获得的预测修正掩[0097]图10是根据本公开的方法利用维度为256×256的已知数据对训练Unet深度卷积测修正结果。其中1001为矩阵维度为2100×2100版图图形，1002为1001输入到训练后的Unet深度卷积网络得到的维度为2100×2100的[0099]图12示意性示出了根据本公开实施例基于Unet深度卷积网络的超分辨光刻光学[0110]图13示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的根据本公开实施例的方法流程的不同动作的单一处理单元或者是个或多个存储器中的程序来执行根据本公开实施例的方法例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质描述的ROM1302和/或RAM13包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的基于Unet深度卷积网络的超分[0118]在该计算机程序被处理器1301执行时执行本公开实施例的系统/装置中限定的上[0120]在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如[0122]需要说明的是，在本公开各个实施例中的各功能模块可以集成在一个处理模块贡献的部分或者该技术方案的全部或部分可以以软件产品的形式[0124]本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征