[发明专利]光学邻近矫正方法及系统、掩模版、设备与存储介质

权利要求书

1.一种光学临近矫正的方法，用于改善局部特征尺寸异常问题，其特征在于，包括：

提供光学临近矫正模型，所述光学临近矫正模型包括参数集；

基于机器学习方法优化所述参数集，通过机器学习训练，筛选出对局部特征尺寸问题具有影响的优化参数，使所述优化参数及参数值能够针对局部特征尺寸误差进行调整。

2.如权利要求1所述的方法，其特征在于，基于机器学习方法，优化所述参数集的步骤包括：

定义关键特征尺寸度量规则；

基于模型误差函数对参数集进行第一测试仿真，所述第一测试仿真包括多次迭代计算，根据所述关键特征尺寸度量规则，收集所述参数集中的参数数据；

定义异常问题判断规则；根据所述异常问题判断规则，生成每次迭代的迭代标记，对无异常问题的迭代标记为正常，对出现异常问题的迭代标记为非正常；

将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据；

基于所述输入数据，采用决策树分类器计算所述参数集数据中每个参数值的调整范围；

依据重要度对所述参数集中的参数排序，形成参数序列，选择所述参数序列中顶部n个参数及其调整范围建立优化参数集，所述优化参数集用于所述光学临近矫正模型的第二测试仿真，以确定优化参数集的各参数值，减小所述光学临近矫正模型的特征尺寸误差。

3.如权利要求2所述的方法，其特征在于，在将每次迭代的参数集数据和对应的迭代标记作为机器学习的输入数据之前，对所述参数集数据进行数据清洗，以去除模型误差超过阈值的结果。

4.如权利要求3所述的方法，其特征在于，对所述参数集数据进行数据清洗的步骤包括：为模型误差值定义误差阈值δ，以去除模型误差δ的迭代结果。

5.如权利要求4所述的方法，其特征在于，设定误差阈值δ的取值范围在2～30。

6.如权利要求2所述的方法，其特征在于，所述决策树包括多个级别，每个级别上包括一个或多个节点；采用决策树分类器，计算所述参数集数据中参数值调整范围的步骤包括：设置决策树包括的级别数量，根据所述参数数据和对应的迭代标记，采用决策树分类器，以所述参数集中的参数为节点，得到关于参数及参数调整范围的输出结果。

7.如权利要求2所述的方法，其特征在于，在采用决策树分类器计算所述参数集数据中每个参数值的调整范围之前，采用随机森林分类器，根据所述输入数据，计算所述参数集数据中每个参数的重要性等级。

8.如权利要求7所述的方法，其特征在于，在采用决策树分类器计算所述参数集数据中每个参数值的调整范围之后，衡量所述决策树分类器输出结果和随机森林分类器输出结果的匹配度；

如果所述决策树分类器输出结果和随机森林分类器输出结果相匹配，则认定所述决策树分类器输出结果可信赖；

如果所述决策树分类器输出结果和随机森林分类器输出结果不匹配，则重新基于机器学习方法，调整所述参数集，在对所述光学临近矫正模型进行第一测试仿真的步骤中，增加对参数集的迭代计算次数。

9.如权利要求8所述的方法，其特征在于，衡量所述决策树分类器输出结果和随机森林分类器输出结果的匹配度的方法包括：判断所述决策树分类器输出结果中的顶部m个节点与所述随机森林分类器输出结果的顶部m个重要参数的匹配度。

10.如权利要求9所述的方法，其特征在于，所述m的取值在总参数个数的1％～50％的范围内。

11.如权利要求2所述的方法，其特征在于，在将每次迭代的参数集数据和对应的迭代标记作为机器学习输入数据的步骤中，将每次迭代的数据记录为以参数数据为自变量，迭代标记为因变量的特征向量。