[发明专利]掩模图案模型的生成方法及掩模图案的优化方法

说明书

本发明提供一种掩模图案模型的生成方法及掩模图案的优化方法。掩模图案模型的生成方法，包括：S11：计算设定光刻工艺条件下的本征函数组，本征函数组包括n个本征函数；S12：获取各测试图案的各定义位置处的成像信号值集合，成像信号值集合包括n个成像信号值，每个成像信号值基于本征函数组中的本征函数与光传输函数的卷积值计算；S13：将各测试图案的每个定义位置处的成像信号值集合作为一神经网络模型的输入；S14：计算各测试图案的连续色调掩模图案，并将连续色调掩模图案作为神经网络模型的输出的训练目标；S15：训练神经网络模型的参数；S16：将训练后的神经网络模型作为掩模图案模型。本发明提供的方法能够获得最优掩模图案。

技术领域

本发明涉及半导体技术领域，尤其涉及一种掩模图案模型的生成方法及掩模图案的优化方法。

背景技术

为了实现半导体芯片性能的提高、芯片功耗的降低和面积的缩小，半导体芯片上的特征尺寸几十年来一直在缩小。为了实现特征尺寸的不断缩小，半导体业界在光刻机技术和分辨率增强技术方面都取得了巨大的进展。然而，因为EUV技术的进展缓慢，计算光刻技术在当前基于浸没式光刻机技术中的作用越来越重要。为了维持光刻工艺窗口，需要更复杂的计算光刻解决方案。这种掩模优化算法既可以在实际空间域中实现，譬如基于水平集的算法，也可以在频域空间域中实现，譬如源掩码协同优化的算法。然而，这种严格的掩模优化的算法无法应用于全芯片，因为计算的时间太长。如果有一种方案，它既能提供逆向光刻质量的解决方案，包刮辅助图案的放置和主设计图案的OPC，同时，计算速度也非常快，那么，这将是光刻界所期待的。在这项发明中，我们想提出这样一种基于机器学习的方法。本发明的关键在于模型输入向量的设计。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种掩模图案模型的生成方法及掩模图案的优化方法，以实现最优掩模图案。

根据本发明的一个方面，提供一种掩模图案模型的生成方法，包括：S11：计算设定光刻工艺条件下的本征函数组，所述本征函数组包括n个本征函数，n为大于0的整数；S12：获取各测试图案的各定义位置处的成像信号值集合，所述成像信号值集合包括n个成像信号值，每个所述成像信号值基于所述本征函数组中的本征函数与光传输函数的卷积值计算；S13：将各测试图案的每个定义位置处的所述成像信号值集合作为一神经网络模型的输入；S14：计算各测试图案的连续色调掩模图案，并将所述连续色调掩模图案作为神经网络模型的输出的训练目标；S15：训练所述神经网络模型的参数；S16：将训练后的神经网络模型作为所述掩模图案模型。

可选地，n小于等于10。

可选地，所述神经网络模型包括至少一个隐藏层。

可选地，所述神经网络模型包括一个输入层、一个隐藏层以及一个输出层，所述输入层包括n+1个输入单元，所述隐藏层包括N个隐藏单元，所述输出层包括一个输出单元，

其中，第一个输入单元的输入为1，第2至第n+1个输入单元的输入为所述成像信号值集合中的各个成像信号值，所述输出单元的值为所述神经网络模型的输出，N为大于0的整数。

可选地，所述神经网络模型的输出单元的值output根据如下公式计算：

其中，ω_i是连接输出单元和第i个隐藏单元的突触连接，第i个隐藏单元的值h_i根据如下公式计算：

其中，w_ji是连接第j个输入单元和第i个隐藏单元的突触连接，S_j是第j个输入单元的值。

可选地，所述成像信号值集合中的每个成像信号值根据如下公式计算：