[发明专利]一种去噪模型生成方法、系统、设备及介质

说明书

本发明提供了一种去噪模型生成方法、系统、设备及介质，该方法包括：获取晶圆光刻后的SEM图像集合；将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值，得到目标图像集合；利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取，得到SEM图像特征信息；获取所述目标图像集合的目标图像特征信息；利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练，得到去噪模型。本发明通过获取目标图像集合中的目标图像特征信息，利用SEM图像特征信息和目标图像特征信息对卷积神经网络模型进行训练，得到去噪模型，采用该去噪模型实现对SEM图像进行去噪，提高了去噪的可靠性和效率。

技术领域

本发明涉及半导体制造工艺技术领域，尤其涉及一种去噪模型生成方法、系统、设备及介质。

背景技术

在先进光刻工艺节点下，因聚合物分子离散性和光酸发生器的分布产生的随机噪声，会影响光学临近修正(Optical Proximity Correction，OPC)模型的精度。为了建立精确的OPC模型，通常对某个选定的图形或关键尺寸值进行多次测量，通过取平均值以减小随机噪声的影响，但这种方法的量测和计算较复杂，主观性强，效率低下，且可靠性不足。

发明内容

本发明的目的在于提供一种去噪模型生成方法、系统、设备及介质，解决了获取去噪图像效率低下，可靠性不足的问题，实现快速获取去噪图像，增加了去噪图像的可靠性。

为实现上述目的，第一方面，本发明提供了一种去噪模型的生成方法，该方法包括：

获取晶圆光刻后的SEM图像集合；

将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值，得到目标图像集合；利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取，得到SEM图像特征信息；获取所述目标图像集合的目标图像特征信息；利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练，得到去噪模型。

其有益效果在于：通过获取晶圆光刻后的SEM图像集合，并将SEM图像集合中相同坐标的SEM图像像素值进行叠加后取平均值，得到进行目标图像集合，利用卷积神经网络模型对SEM图像集合中的SEM图像进行特征提取，得到SEM图像特征信息，通过获取目标图像集合中的目标图像特征信息，利用SEM图像特征信息和目标图像特征信息对卷积神经网络模型进行训练，得到去噪模型，通过采用该去噪模型实现对SEM图像进行去噪，提高了去噪的可靠性和效率。

可选的，所述SEM图像集合包括N个相同坐标下的所述SEM图像，N大于等于2。其有益效果在于：通过获取N个相同坐标下的SEM图像，且N大于等于2，尽可能的保证获取到在该坐标下图像产生的各种随机噪声，便于叠加取均值得到可靠的目标图像集合。

可选的，利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取，得到SEM图像特征信息，包括：向所述卷积神经网络模型中输入所述SEM图像，得到所述SEM图像特征信息；利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练，得到去噪模型，包括：

利用损失函数计算所述SEM图像特征信息和所述目标图像特征信息之间的损失值；根据所述损失值调整所述卷积神经网络模型的参数，得到所述去噪模型。其有益效果在于：通过利用损失函数计算出SEM图像特征信息和目标图像特征信息之间的损失值，并根据损失值调整卷积神经网络模型的参数，从而得到包含该参数的去噪模型，从而采用该去噪模型提高获得去噪的SEM图像的效率和可靠性。

可选的，获取晶圆光刻后的SEM图像集合之前，包括：生成空间特征图像，在所述晶圆上进行光刻；采用扫描电子SEM在光刻后的所述晶圆上进行扫描，得到所述SEM图像集合。其有益效果在于：通过生成空间特征图像，在晶圆上进行光刻，然后采用扫描电子SEM在光刻后的晶圆上进行扫描，得到SEM图像集合，根据该SEM图像集合计算得到目标图像集合和SEM图像。