[发明专利]一种基于模型驱动卷积神经网络的计算光刻方法

摘要

本发明公开了一种基于模型驱动卷积神经网络的计算光刻方法，能够提高OPC方法的计算速度和收敛性能。其技术方案包括：将梯度迭代算法进行展开和截断，构建基于模型驱动的卷积神经网络MCNN。基于光刻系统的成像模型构建与MCNN相对应的解码器。将MCNN与解码器首尾相连，对MCNN进行如下训练：采用反向传播算法优化MCNN中的各项参数，使得MCNN的输入数据与解码器的输出数据之间的误差最小化。训练结束后，将解码器与MCNN网络分离。将待优化的电路版图输入至训练后的MCNN，获得OPC掩模的估计结果。以OPC掩模估计结果为初始值，采用梯度迭代算法对掩模进行设定次数的迭代更新，获得最终的OPC掩模优化结果。

主权项

1.一种基于模型驱动卷积神经网络的计算光刻方法，其特征在于，包括：将梯度迭代算法进行展开和截断，构建基于模型驱动的卷积神经网络MCNN；所述MCNN的输入数据为待优化的电路版图，MCNN的输出数据为光学邻近效应校正OPC优化的掩模图形；基于光刻系统的成像模型构建与MCNN相对应的解码器；所述解码器的输入数据为OPC优化的掩模图形，解码器的输出数据为对应于OPC优化的掩模图形的光刻系统成像；将MCNN与解码器首尾相连，对所述MCNN进行如下训练：采用反向传播算法优化MCNN中的各项参数，使得所述MCNN的输入数据与所述解码器的输出数据之间的误差最小化；训练结束后，将所述解码器与所述MCNN网络分离；将待优化的电路版图输入至训练后的所述MCNN，获得OPC优化掩模的估计结果；以所述OPC优化掩模的估计结果为初始值，采用梯度迭代算法对掩模进行设定次数的迭代更新，获得最终的OPC掩模优化结果。