[发明专利]一种光刻掩膜形状预测方法及装置、电子设备

说明书

本发明公开了一种光刻掩膜形状预测方法及装置、电子设备。本发明提供的光刻掩膜形状预测方法，利用一种基于类脑计算下的脉冲神经网络结合自适应优化进行光刻掩膜形状预测；从光刻系统产生的光源，通过投影式曝光将光源照射到会聚透镜上，进而使其曝光显影在掩膜上，再透过掩膜投影到晶圆上；通过在光束到达晶圆前预测其光刻掩膜形状，可以在版图设计阶段对芯片设计图形优先做相应的调整优化以及对初始照射光源进行调整优化，使得最终照射到晶圆的光满足光刻需求。

技术领域

本发明涉及半导体设计和制造技术领域，尤其涉及一种光刻掩膜形状预测方法及装置、电子设备。

背景技术

光刻技术是芯片制造过程中的核心工艺，在光刻工艺开始之前，首先需要将芯片设计图形通过特定设备复制到掩膜板上，然后通过光刻设备产生特定波长的光以将掩膜板上的芯片设计图形复制到生产芯片的晶圆上。但由于光学系统、掩膜板以及光刻胶系统中的非线性效应，在将芯片设计图形转移到晶圆的过程中会发生图形失真现象，产生光学临近效应，如果不消除这种图形失真现象可能会导致整个制造技术的失败。

现有技术中，主要是基于传统的光学或者光学和化学反应进行芯片设计图形的优化，包括光学临近修正（Optical Proximity Correction，简称OPC）、光源掩模协同优化（Source MaskOptimization，简称SMO）、亚分辨率辅助图形（Sub-Resolution-Assist-Feature，简称SRAF）等，来最大化的减少由于光学等非线性效应造成的光学邻近效应。例如，光学层面的优化，或者是物理层面的优化（添加惰性气体使得某些步骤的反应减缓或者通过的光/电子等减缓）；或者是通过添加一些化学添加剂的方式来减缓光的衍射/叠加等效应。这些技术在某种程度上依赖于（或者说受限制于）相关从业人员的从业经验或制备设备的精密/维护/先进等程度，同时也需要大量地参照现有的模板（附带需要很多参数）进行辅助的优化，目前在摩尔定律日益更新的时代，尤其在10nm以下的制程下，现有技术越发突显其不足。

目前在业界中，也有一些通过机器学习或者深度学习的方式来预测光刻掩膜光刻掩膜（Lithography Mask）形状、进而进行芯片设计图形的优化的技术。但是。通过机器学习（或者深度学习，强化学习）方式来实现，需要很大数量的数据集（训练集，测试集，验证集），而这些数据集恰恰是光刻领域（掩膜，刻蚀，OPC等）最为缺少的，所以得到的预测模型在精确度或者速度方面会有所欠缺。

发明内容

本发明的目的在于提供一种光刻掩膜形状预测方法及装置、电子设备，通过脉冲神经网络结合自适应优化方式完成光刻掩膜形状预测，无需较多的训练数据集进行预测模型的生成和训练，且可以保证预测精确度及速度，实现对光刻掩膜的形状进行预测以很好地对芯片设计图形进行优化。

为实现上述目的，本发明提供了一种光刻掩膜形状预测方法，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。