[发明专利]光学邻近校正方法

说明书

本发明提供一种光学邻近校正方法，包括：利用光学邻近校正算法将版图图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点；计算每个片段的相邻环境探测点的成像信号值集合{S₁，S₂，S₃，…S_n}，n为正整数；将各所述成像信号值集合{S₁，S₂，S₃，…S_n}作为一神经网络模型的输入，所述神经网络模型输出每个片段的最优位移(ΔX，ΔY)；根据所述每个片段的最优位移(ΔX，ΔY)分别移动每个所述片段以获得所述版图图形的最优图形。本发明提供的光学邻近校正方法能够获得版图图形的最优图形。

技术领域

本发明涉及半导体技术领域，尤其涉及一种光学邻近校正方法。

背景技术

光学邻近校正(OPC)是半导体芯片制造中常用的技术。光学邻近校正(OPC)是通过对掩模板图形进行修正，最大可能的解决光刻图形变形的问题。传统的OPC算法在修正过程中只考虑掩模板图形每个片段自身的误差来决定每一步的修改量，而不考虑掩模板图形相邻片段的相互作用，这种算法在先进光刻工艺所采用的强空间相干性成像光照明条件下，收敛速度慢，甚至无法收敛。目前，在14nm，10nm，7nm节点光刻工艺中从光源与光罩协同优化(SMO)而得出的成像光照明都具有很高程度的空间相干性，因此，相邻的图案或片段之间的相互作用变得更强。

为了解决这个问题，有一些OPC算法考虑了多个片段之间的相互作用，但这样的OPC算法常常在计算上是缓慢的，因为每个片段之间的相互作用矩阵必须每一次迭代都更新。此外，尽管这些OPC算法而得出的OPC解决方案也符合边缘位置误差(EPE)容忍度，但从光刻工艺窗口角度看可能并非是最优的。

因此，如何利用非迭代的方式为每个片段提供最佳位置，并且提供的OPC解决方案从光刻工艺窗口角度是最优的，是亟待解决的问题。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种光学邻近校正方法，以利用非迭代的方式为每个片段提供最佳位置，并且提供的OPC解决方案从光刻工艺窗口角度是最优的。

根据本发明的一个方面，提供一种光学邻近校正方法，包括：利用光学邻近校正算法将版图图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点；计算每个片段的相邻环境探测点的成像信号值集合{S₁，S₂，S₃，…S_n}，n为正整数；将各所述成像信号值集合{S₁，S₂，S₃，…S_n}作为一神经网络模型的输入，所述神经网络模型输出每个片段的最优位移(ΔX，ΔY)；根据所述每个片段的最优位移(ΔX，ΔY)分别移动每个所述片段以获得所述版图图形的最优图形。

可选地，所述将各所述成像信号值集合{S₁，S₂，S₃，…S_n}作为一神经网络模型的输入，所述神经网络模型输出每个片段的最优位移(ΔX，ΔY)的步骤之前，包括：获取测试图形集合，按如下步骤对测试图形集合中的每个测试图形行处理：利用光学邻近校正算法将测试图形的边缘分解成多个片段，在每个片段中取一点作为相邻环境探测点；计算每个片段的相邻环境探测点的成像信号值集合{S₁，S₂，S₃，…S_n}；利用光刻掩模优化算法计算测试图形的最优形状；参照所述测试图形的最优形状计算每个片段的最优位移(ΔX，ΔY)；将所述测试图形集合中的各所述测试图形的各所述片段的相邻环境探测点的成像信号值集合{S₁，S₂，S₃，…S_n}作为神经网络模型的输入，将所述测试图形集合中的各所述测试图形的各所述片段的最优位移(ΔX，ΔY)作为神经网络模型的输出，训练所述神经网络模型的参数。