[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

说明书

本发明公开了一种基于模型驱动卷积神经网络的计算光刻方法，能够提高OPC方法的计算速度和收敛性能。其技术方案包括：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。基于光刻系统的成像模型构建与MCNN相对应的解码器。将MCNN与解码器首尾相连，对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MCNN的输入数据与解码器的输出数据之间的误差最小化。训练结束后，将解码器与MCNN网络分离。将待优化的电路版图输入至训练后的MCNN，获得OPC掩模的估计结果。以OPC掩模估计结果为初始值，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。

技术领域

本发明涉及计算成像技术领域，具体涉及一种基于模型驱动卷积神经网络MCNN(model-driven convolution neural network)的计算光刻方法。

背景技术

光刻技术是用于制造超大规模集成电路的核心技术之一。光刻系统采用光源照射掩模，并通过投影物镜将掩模上的集成电路版图复刻在硅片上。目前，半导体行业主要采用计算光刻技术提高光刻系统的分辨率和成像质量。光学邻近效应校正(optical proximitycorrection，简称OPC)是其中一种重要的计算光刻技术。OPC技术通过修正掩模图形或在掩模图形上添加必要的辅助图形，来调制透过掩模的光波振幅，从而补偿由衍射和干涉效应引起的成像畸变。为了提高OPC的优化自由度，研究人员提出了一种像素化OPC技术。该技术将掩模图形视为一幅像素图，并通过优化所有掩模像素的透过率，达到补偿成像误差的目的。但是，像素化OPC技术在提高优化自由度的同时也极大地提高了OPC算法的数据处理量和计算复杂度。特别是随着集成电路的整体规模和集成度的不断提升，如何提高计算效率已经成为像素化OPC技术发展中必须解决的一个重要问题。

现有的基于梯度的OPC优化算法通过循环迭代的方式，优化掩模各个像素点的透过率，为了获得一个掩模的优化结果，往往需要进行大量迭代，同时在每次迭代过程中还需要计算当前掩模图形所对应的光刻成像误差，因此该算法的计算复杂度较高，运算耗时较长。另外，由于光刻系统成像模型的非线性特性，现有的梯度算法很容易陷入OPC优化问题的局部最优解，导致收敛误差较大，影响光刻系统的成像质量。

综上，现有基于梯度的OPC方法在计算速度和收敛性能等方面均有待进一步改善和提高。

发明内容

有鉴于此，本发明提供了一种基于模型驱动卷积神经网络的计算光刻方法，能够提高OPC方法的计算速度和收敛性能。

为达到上述目的，本发明提供的一种基于模型驱动卷积神经网络的计算光刻方法，其技术方案包括：

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。

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。

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MCNN的输入数据与解码器的输出数据之间的误差最小化。

训练结束后，将解码器与MCNN网络分离。

将待优化的电路版图输入至训练后的MCNN，获得OPC优化掩模的估计结果。

以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。

优选地，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：