[发明专利]一种基于深度学习的用于超紫外的光学邻近校正方法

说明书

本发明提供一种基于深度学习的用于超紫外的光学邻近校正方法，包括：正演模块和反演模块两部分；其中，正演模块用于快速准确地将掩膜映射到堆叠上方平面对应的近远场，反演模块用于快速准确地将目标成像映射到校正后的掩膜。本发明提供的方法与传统的全波模拟相比，正演模块可以大大提高计算效率，包括所需的运行时间和内存；同时，与耗时的迭代OPC方法不同的是利用训练好的反演模块输入目标成像即可得到修正后的掩膜。

技术领域

本发明涉及到电磁反演方法领域，尤其是涉及一种基于深度学习的用于超紫外(extreme ultraviolet，EUV)的光学邻近校正(optical proximity correction，OPC)方法。

背景技术

近年来，在13.5nm照明波长下的EUV光刻技术作为继深紫外光刻之后最先进的光刻技术，因其集成电路的关键尺寸小于22nm而受到越来越多的关注。然而，光学邻近效应和掩膜阴影效应会不可避免地影响EUV光刻系统的成像性能。

OPC能够提高光刻系统中成像的均匀性，已引起人们越来越多的关注。OPC通过对掩膜进行预扭曲，可以补偿成像畸变，使其收敛到目标样式。通常，OPC方法可以分为基于规则的OPC和基于模型的OPC。

基于规则的OPC实现简单且具有启发性，但不能处理90nm以下的技术节点。基于模型的OPC是基于OPC框架的物理或数学模型来寻找全局最优解。与基于规则的OPC相比，基于模型的OPC能够实现更小的光刻分辨率限制。

基于模型的OPC又可分为基于边缘的OPC(edge-based optical proximitycorrection,EBOPC)和基于像素的OPC(pixel-based optical proximity correction,PBOPC)。在工作原理上，EBOPC将掩膜的边缘分割成几个片段，通过这些片段推得最优解，PBOPC将掩膜分解为像素，并优化其二进制值。与EBOPC相比，PBOPC具有更高的优化自由度，可以传导小于45nm的节点。因此，发展了一系列的PBOPC方法来跟随先进光刻系统的工艺变化。但是，由于反复调用了光刻仿真和掩膜成像校正程序，基于模型的OPC将在大量的迭代中消耗大量的CPU时间。与传统的计算方法相比，基于机器学习的方法通常具有更高的计算效率。基于机器学习的方法的主要思想是通过训练一个基于光学衍射物理的神经网络模型来建立映射关系。一个新数据输入到训练好的神经网络模型中，就可以立即得到相应的输出。文献“Machine learning(ML)-based lithography optimizations”介绍了基于机器学习的基本OPC，包括支持向量机和神经网络。通过对学习参数的讨论和紧凑学习数据集的准备，提出了一种避免过拟合问题的指导技术。在文献“Litho-Aware Machine Learning forHotspot Detection”中，提出了一种基于神经网络分类器的OPC，其中神经网络分类器作为掩膜偏置模型。与目前最先进的基于回归方法的机器学习-OPC方法相比，所提出的OPC方法将掩膜偏差的预测误差和训练时间分别降低了29％和80％。文献“Optical proximitycorrection with hierarchical Bayes model”提出了一种基于层次贝叶斯模型的OPC回归模型，利用该回归模型减少了OPC过程中的迭代次数。为了减少PBOPC的运行时间和掩码复杂度，文献“Afast and manufacture-friendly optical proximity correction basedon machine learning”中提出了一种基于机器学习的OPC模型。提出的模型在45纳米技术节点的金属层和多晶硅层上进行了测试。仿真结果表明，该模型能有效降低PBOPC软件的运行时间，提高掩膜的可制造性，但代价是成像保真度降低。

发明内容