[发明专利]一种光刻掩膜形状预测方法及装置、电子设备

权利要求书

1.一种光刻掩膜形状预测方法，其特征在于，包括如下步骤：1）接收来自光源的测试脉冲信号并采集不同阶段的测试光源数据，所述不同阶段的测试光源数据包括：光源经过会聚透镜前的第一光源数据，光源经过会聚透镜后未达掩膜时的第二光源数据，光源通过掩膜之后未达晶圆时的第三光源数据以及光源通过掩膜之后照射到晶圆时的第四光源数据；2）将所述第一光源数据输入脉冲神经网络的神经元；3）基于所述第二光源数据、所述第三光源数据以及所述第四光源数据，采用自适应优化学习方法获取脉冲时间序列中的不同神经元模式；4）多次接收来自光源的测试脉冲信号，并迭代执行步骤1）~步骤3），获取相应迭代轮数的神经元模式；以及5）基于所获取的所有所述神经元模式，预测目标光源照射掩膜后的光刻掩膜形状。

2.根据权利要求1所述的方法，其特征在于，所述光源为由DUV光刻系统的准分子激光器产生的波长为193nm的DUV脉冲信号；所述迭代轮数为所述晶圆需要光刻照射次数N，N0且N∈正整数。

3.根据权利要求1所述的方法，其特征在于，所述第一光源数据、所述第二光源数据、所述第三光源数据以及所述第四光源数据均包括：焦深、分辨率、检测控制芯片、套刻精度、光学系统的数值孔径、曝光波长、脉冲信号、光源类别、光源照射方式；所述第二光源数据以及所述第三光源数据还包括：衍射/干涉形变；所述第四光源数据还包括：衍射/干涉形变，晶圆与掩膜之间的两组投影透镜的波长与焦距、该两组投影透镜之间的距离，晶圆的规格，晶圆上的光刻胶的尺寸，该光刻胶到相邻投影透镜之间的距离。

4.根据权利要求1所述的方法，其特征在于，所述的采用自适应优化学习方法获取脉冲时间序列中的不同神经元模式的步骤进一步包括：采用蚁群优化算法，在时间序列中寻找各神经元模式；其中，所述神经元模式中存储有不同离散信号的组合，不同神经元模式之间的离散信号的权重和参数值不同。

5.根据权利要求4所述的方法，其特征在于，所述的采用蚁群优化算法的步骤进一步包括：设置当前脉冲神经网络在某时刻下的算法参数，所述算法参数包括：神经元的个数，神经元突触的数量，某时刻时间维度，突触间距离，当前神经元节点携带的由所述光源产生的信息素量，信息素随时间挥发率，不同信息素浓度路径在后续被选中的概率；把所述算法参数代入蚁群优化算法中，逐步迭代，直至找到最佳路径，其中，所述最佳路径为接收到脉冲信号所承载的信息的路径。

6.根据权利要求1所述的方法，其特征在于，所述的采用自适应优化学习方法获取脉冲时间序列中的不同神经元模式的步骤进一步包括：采用自适应优化学习方法，经由激活的神经元与突触间的反应学习获取初步的脉冲时间序列中的不同神经元模式，其中，所述神经元模式中存储有不同离散信号的组合，不同神经元模式之间的离散信号的权重和参数值不同；接收相同神经元模式的数据的不同神经元，经由突触形成共同的神经元模式。

7.根据权利要求1所述的方法，其特征在于，所述的基于所获取的所有所述神经元模式，预测目标光源照射掩膜后的光刻掩膜形状的步骤进一步包括：基于所获取的所有所述神经元模式，沿着各正向路径逐步反推，获取掩膜图形以及芯片设计图形，从而预测光源照射掩膜后的形状。

8.一种光刻掩膜形状预测装置，其特征在于，包括：数据采集模块，用于接收来自光源的测试脉冲信号并采集不同阶段的测试光源数据，所述不同阶段的测试光源数据包括：光源经过会聚透镜前的第一光源数据，光源经过会聚透镜后未达掩膜时的第二光源数据，光源通过掩膜之后未达晶圆时的第三光源数据以及光源通过掩膜之后照射到晶圆时的第四光源数据；数据输入模块，用于将所述第一光源数据输入脉冲神经网络的神经元；第一模式获取模块，用于基于所述第二光源数据、所述第三光源数据以及所述第四光源数据，采用自适应优化学习方法获取脉冲时间序列中的不同神经元模式；第二模式获取模块，用于多次接收来自光源的测试脉冲信号，并迭代执行所述数据采集模块、所述数据输入模块以及所述第一模式获取模块的调用，获取相应迭代轮数的神经元模式；以及预测模块，用于基于所获取的所有所述神经元模式，预测目标光源照射掩膜后的光刻掩膜形状。