[发明专利]一种基于残差网络的光刻掩模优化方法

说明书

本发明公开了一种基于残差网络的光刻掩模优化方法，通过光刻逆向优化过程对残差网络进行训练，优化残差网络参数，随后将初始掩模图形输入网络，并将优化结果输入正向光刻模型，得到晶圆曝光图像。本发明方法通过对残差网络进行逆向优化训练，减少掩模优化迭代次数，大幅度提升深度网络准确率，避免了网络层数增加产生的梯度消失的问题，实现了对光刻生成图像的畸变校正。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于残差网络的光刻掩模优化方法。

背景技术

光学光刻技术是半导体工业中制造集成电路的关键技术。计算光刻是指通过数学和算法方法设计和优化光刻系统和过程的一套技术，逆光刻技术是一种具有代表性的计算光刻方法。

计算光刻起源于20世纪80年代，一直是作为一种辅助工具而存在。从180nm技术节点开始，器件上最小线宽开始小于曝光波长，光学邻近效应修正变得必不可少，成为掩模图形处理中的一个关键步骤。随着技术节点的进一步缩小，修正技术不断完善，得到了更高的修正准确度。到2008年左右，光刻机波长的缩小和透镜的增大遇到瓶颈，更短波长的光刻机不能按时交付使用。工程师不得不使用已有的193nm浸没式光刻机从事32nm至10nm逻辑器件光刻工艺的研发。这时，光刻工艺分辨率的提高完全依赖于所谓的分辨率增强技术，包括优化光照条件使得图形的分辨率达到最佳、光学邻近效应修正和添加曝光辅助图形。从32nm技术节点以下，计算光刻已经成为光刻工艺研发的核心。

光学邻近效应修正是一种分辨率增强技术，主要在半导体器件的生产过程中使用，目的是改善光刻中由于衍射和抗蚀工艺的影响而造成的图像失真。

逆光刻技术是将光学临近效应修正的过程作为逆向处理的的问题，将光刻后的晶圆曝光图像设为理想的成像结果，根据已知成像结果和成像系统空间像变换的模型，逆向计算出掩模图像。逆光刻技术在最近几十年得到了广泛的应用和重视。

过去，研究人员提出过一系列解决逆光刻问题的方法。包括分支边界算法，模拟退火算法，非相干衍射有限成像系统的二元掩模优化方法以及基于梯度的算法等。然而，基于传统的梯度算法会面临计算量大和效率低下等问题，为了克服这一系列问题，许多机器学习技术被应用于加速逆光刻算法。如利用机器学习在20nm技术节点的全芯片布局上高效生成亚分辨率辅助特征，利用机器学习方法联合优化主要特征和辅助特征，基于非参数核回归的快速掩模优化算法，支持全掩模优化过程中的向量机和逻辑回归的辅助特征快速生成方法以及基于支持向量机和多层感知器神经网络的快速掩模优化方法。由于逆光刻问题的高度非线性，传统的机器学习方法有其固有的局限性。例如，传统的机器学习方法通常需要大量的训练样本来准确地构造IC布局和相应的逆光刻解决方案之间的非线性映射。在最近的十年里，深度学习已经成为快速逆光刻方法的前沿，因为它可以正确地适合任何复杂的非线性函数，包括使用变分自动编码器，生成对抗网络，卷积神经网络以及双通道模型驱动的深度学习来解决逆光刻问题。

然而，目前的基于梯度算法的逆光刻技术不但迭代次数高、计算量大，而且效率较低。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供一种基于残差网络的光刻掩模优化方法。

一种基于残差网络的光刻掩模优化方法，包括以下步骤：

步骤一：收集初始掩模图案；

步骤二：训练残差网络，该残差网络用于优化初始掩模图案以得到最优掩模图案；

步骤三：建立光刻成像正向模型，将所述最优掩模图案输入所述模型计算该模型的空间像；

步骤四：将所述空间像在晶圆曝光显影，从而得到晶圆曝光图像。

进一步地，如上所述的基于残差网络的光刻掩模优化方法，所述步骤二包括：

步骤21：利用最速梯度下降法对所述初始掩模图案进行训练，得到优化后的掩模，将收集的掩模与其对应的优化掩模作为训练集；