[发明专利]一种基于模型驱动卷积神经网络的计算光刻方法

权利要求书

1.一种基于模型驱动卷积神经网络的计算光刻方法，其特征在于，包括：

将梯度迭代算法进行展开和截断，构建基于模型驱动的卷积神经网络MCNN；

所述MCNN的输入数据为待优化的电路版图，MCNN的输出数据为光学邻近效应校正OPC优化的掩模图形；

基于光刻系统的成像模型构建与MCNN相对应的解码器；

所述解码器的输入数据为OPC优化的掩模图形，解码器的输出数据为对应于OPC优化的掩模图形的光刻系统成像；

将MCNN与解码器首尾相连，对所述MCNN进行如下训练：采用反向传播算法优化MCNN中的各项参数，使得所述MCNN的输入数据与所述解码器的输出数据之间的误差最小化；

训练结束后，将所述解码器与所述MCNN网络分离；

将待优化的电路版图输入至训练后的所述MCNN，获得OPC优化掩模的估计结果；

以所述OPC优化掩模的估计结果为初始值，采用梯度迭代算法对掩模进行设定次数的迭代更新，获得最终的OPC掩模优化结果；

所述将梯度迭代算法进行展开和截断，构建基于模型驱动的卷积神经网络MCNN，具体包括如下步骤：

步骤101、待优化的电路版图为M，预先设定目标图形为将掩模图形M和目标图形栅格化为N×N的图形，其中N为整数；

步骤102、采用相干光刻系统，则所述光刻系统的空间像为：

其中h为所述光刻系统的点扩散函数；

步骤103、所述光刻系统的光刻胶成像为：

其中Γ{*}为硬阈值函数，当*0时Γ{*}＝1，当*≤0时Γ{*}＝0，t_r为光刻胶阈值；采用S形函数代替所述硬阈值函数，即：

其中a_r为S形函数的陡度因子；

步骤104、依据预先设定的目标图形光学邻近效应校正OPC优化问题的目标函数设定为：

其中为二范数的平方，则光学邻近效应校正OPC优化问题即为寻求最优的掩模图形使得目标函数F达到极小值，即：

步骤105、根据梯度迭代算法，采用目标函数F对掩模图形的梯度逐步更新掩模像素，掩模的更新过程为：

其中Mⁿ⁺¹和Mⁿ分别为第n+1次迭代和第n次迭代后的掩模图形，step为设定的步长，为目标函数F对于掩模图形的梯度：

其中⊙表示对应元素相乘，表示卷积运算，h°表示将矩阵h沿水平方向和竖直方向均旋转180°；

掩模的更新过程表示为：

其中S＝δ(x,y)表示冲击函数，D、T和W均为指代符号，D＝h，W＝2a_r·step·h°；

步骤106、根据步骤105，对所述梯度迭代算法的迭代过程进行展开，并截取前K步迭代，将每一步迭代过程视为卷积神经网络MCNN中的一层，MCNN中的上一层输出作为下一层的输入；

MCNN网络的具体结构为：MCNN的初始输入为N×N的二值矩阵等于目标图形MCNN的最终输出为N×N的二值矩阵即为优化后的掩模图形；

步骤107、考虑MCNN中的第k层，1≤k≤K，输入为N×N的矩阵输出为N×N的矩阵具体的

其中S_k、W_k和D_k均为N_f×N_f的卷积核，通过训练过程对上述卷积核进行优化；

T为N×N的矩阵，定义为

步骤108、令MCNN中的第k+1层的输入为N×N的矩阵1≤k≤K-1，则第k+1层的输入与第k层输出的关系为：

其中a_m为S形函数的陡度因子，对于二元掩模的情况，t_m＝0.5；

步骤109、MCNN的最终输出数据与第K层输出数据之间的关系为：

其中a_m为S形函数的陡度因子，对于二元掩模的情况，t_m＝0.5；

所述将MCNN与解码器首尾相连，对所述MCNN进行如下训练：采用反向传播算法优化MCNN中的各项参数，使得所述MCNN的输入数据与所述解码器的输出数据之间的误差最小化，具体包括如下步骤：

步骤110、所述MCNN的输出为则所述解码器的输入为解码器用于计算对应的光刻系统成像，所述解码器的输出为：

优化MCNN中各层的卷积核S_k、D_k和W_k，k＝1,2，…,K，使得MCNN输入与解码器输出Z′之间的欧拉距离的平方最小化，即MCNN的训练问题为：

步骤111、在所述目标函数中加入二次罚函数项，即：

其中1_N×1为N×1的全1向量；

MCNN的训练问题变为：

其中γ_Q为所述二次罚函数项的加权系数；

步骤112、选定P个具有典型结构的掩模图形作为训练样本，其中第p个训练样本用N×N的二值矩阵表示，1≤p≤P；

步骤113、基于每一个训练样本，采用反向传输算法，执行如下训练过程：

对MCNN中的各个卷积核进行Maxloop_p次迭代更新；

具体更新方法为：令矩阵A_k代表MCNN中第k层中的卷积核S_k、D_k和W_k，则第n次迭代更新过程可表示为：

其中为目标函数对的梯度；

在每一次迭代更新后，对卷积核进行对称化处理，具体方法为：将的左上四分之一部分区域关于x轴做镜像，并复制于的左下四分之一部分；将的左上四分之一部分区域关于y轴做镜像，并复制于的右上四分之一部分；对的左上四分之一部分区域关于x轴和y轴做镜像，并复制于的右下四分之一部分；之后对做归一化处理，即：

其中||·||₂为二范数；

步骤114、训练过程结束后，得到训练后的MCNN，其输入数据与所述解码器的输出数据之间的误差最小；

将MCNN网络输出数据与第K层输出数据之间的关系变为：

其中Γ{*}为硬阈值函数，当*0时Γ{*}＝1，当*≤0时Γ{*}＝0，对于二元掩模的情况，t_m＝0.5。