[发明专利]用于图案的语义分段的深度学习

权利要求书

1.一种用于训练图案化过程的深度学习模型的方法，所述方法包括：

获得(i)训练数据，所述训练数据包括具有多个特征的衬底的至少一部分的输入图像和与所述输入图像相对应的真实图像；(ii)类别集，每个类别对应于所述输入图像内所述衬底的所述多个特征中的特征；和(iii)深度学习模型，所述深度学习模型被配置为接收所述训练数据和所述类别集；

通过使用所述输入图像对所述深度学习模型进行建模和/或模拟来生成被预测的图像，其中所述深度学习模型利用包括多个权重的至少一个扩张核迭代地执行卷积运算；

基于被预测的图像内的特征与所述真实图像内的对应特征的匹配，将类别集中的类别分配给所述被预测的图像内的特征；和

通过使用损失函数基于通过深度学习模型的反向传播而迭代地将权重分配给至少一个扩张核使得被预测的图像重现所述输入图像的所述多个特征，通过建模和/或模拟，生成训练后的深度学习模型。

2.根据权利要求1所述的方法，其中所述卷积运算包括：

将所述输入图像与所述至少一个扩张核重叠，

确定每个重叠元素之间的乘积，所述重叠元素包括所述至少一个扩张核的权重和输入图像的像素值，和

对乘积的结果求和，以确定所述卷积运算的值。

3.如权利要求1所述的方法，其中所述至少一个扩张核包括多个权重、扩张率和深度，其中所述深度是所述类别集的类别的数目的倍数。

4.如权利要求1所述的方法，其中所述损失函数是真实图像和分配给被预测的图像的类别集中的每个类别的概率的函数。

5.根据权利要求4所述的方法，其中，所述迭代地分配权重包括：修改所述扩张核的多个权重、扩张率和/或深度，以基于所述损失函数的局部导数来特征化所述图案化过程的至少一部分。

6.如权利要求1所述的方法，其中所述至少一个扩张核包括：

所述至少一个扩张核中的第一扩张核，包括第一权重集、第一扩张率和等于所述类别集中的类别的数目的深度；

所述至少一个扩张核中的第二扩张核，包括第二权重集、第二扩张率和等于所述类别集中的类别的数目的深度，其中所述第二权重集不同于所述第一权重集，和/或所述第二扩张率不同于所述第一扩张率。

7.根据权利要求6所述的方法，其中，所述第一扩张核特征化所述图案化过程的第一部分，第二核特征化所述图案化过程的第二部分，其中，所述第二部分是所述图案化过程的投影系统，所述第二部分是与所述衬底的特征有关的参数。

8.如权利要求1所述的方法，其中，所述扩张核是对称的以特征化所述图案化过程的设备的投影系统。

9.根据权利要求8所述的方法，其中，所述迭代地分配权重包括将第一权重集分配给所述扩张核的多个权重，以特征化所述图案化过程的设备的投影系统。

10.如权利要求1所述的方法，其中所述扩张率是1至10之间的整数值。

11.如权利要求7所述的方法，其中所述参数是边缘定位误差、重叠、线边缘粗糙度、颈缩和/或CD。

12.如权利要求11所述的方法，还包括：

基于与特征有关的参数确定对所述图案化过程的调整；和

响应于所述调整，调整所述图案化过程。

13.根据权利要求12所述的方法，其中，所述调整包括对包括剂量和/或聚焦的过程变量的调整。

14.一种计算机程序产品，包括非暂时性计算机可读介质，所述非暂时性计算机可读介质中记录有指令，所述指令在由计算机执行时实施权利要求1所述的方法。