CN113238460B - 一种基于深度学习的用于超紫外的光学邻近校正方法 - Google Patents
一种基于深度学习的用于超紫外的光学邻近校正方法 Download PDFInfo
- Publication number
- CN113238460B CN113238460B CN202110412412.6A CN202110412412A CN113238460B CN 113238460 B CN113238460 B CN 113238460B CN 202110412412 A CN202110412412 A CN 202110412412A CN 113238460 B CN113238460 B CN 113238460B
- Authority
- CN
- China
- Prior art keywords
- mask
- module
- inversion module
- deep learning
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003287 optical effect Effects 0.000 title claims abstract description 25
- 238000012937 correction Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 31
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000001459 lithography Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 3
- 229910006295 Si—Mo Inorganic materials 0.000 description 2
- 239000006096 absorbing agent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000000276 deep-ultraviolet lithography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013041 optical simulation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
Abstract
本发明提供一种基于深度学习的用于超紫外的光学邻近校正方法，包括：正演模块和反演模块两部分；其中，正演模块用于快速准确地将掩膜映射到堆叠上方平面对应的近远场，反演模块用于快速准确地将目标成像映射到校正后的掩膜。本发明提供的方法与传统的全波模拟相比，正演模块可以大大提高计算效率，包括所需的运行时间和内存；同时，与耗时的迭代OPC方法不同的是利用训练好的反演模块输入目标成像即可得到修正后的掩膜。
Description
技术领域
本发明涉及到电磁反演方法领域，尤其是涉及一种基于深度学习的用于超紫外(extreme ultraviolet，EUV)的光学邻近校正(optical proximity correction，OPC)方法。
背景技术
近年来，在13.5nm照明波长下的EUV光刻技术作为继深紫外光刻之后最先进的光刻技术，因其集成电路的关键尺寸小于22nm而受到越来越多的关注。然而，光学邻近效应和掩膜阴影效应会不可避免地影响EUV光刻系统的成像性能。
OPC能够提高光刻系统中成像的均匀性，已引起人们越来越多的关注。OPC通过对掩膜进行预扭曲，可以补偿成像畸变，使其收敛到目标样式。通常，OPC方法可以分为基于规则的OPC和基于模型的OPC。
基于规则的OPC实现简单且具有启发性，但不能处理90nm以下的技术节点。基于模型的OPC是基于OPC框架的物理或数学模型来寻找全局最优解。与基于规则的OPC相比，基于模型的OPC能够实现更小的光刻分辨率限制。
基于模型的OPC又可分为基于边缘的OPC(edge-based optical proximitycorrection,EBOPC)和基于像素的OPC(pixel-based optical proximity correction,PBOPC)。在工作原理上，EBOPC将掩膜的边缘分割成几个片段，通过这些片段推得最优解，PBOPC将掩膜分解为像素，并优化其二进制值。与EBOPC相比，PBOPC具有更高的优化自由度，可以传导小于45nm的节点。因此，发展了一系列的PBOPC方法来跟随先进光刻系统的工艺变化。但是，由于反复调用了光刻仿真和掩膜成像校正程序，基于模型的OPC将在大量的迭代中消耗大量的CPU时间。与传统的计算方法相比，基于机器学习的方法通常具有更高的计算效率。基于机器学习的方法的主要思想是通过训练一个基于光学衍射物理的神经网络模型来建立映射关系。一个新数据输入到训练好的神经网络模型中，就可以立即得到相应的输出。文献“Machine learning(ML)-based lithography optimizations”介绍了基于机器学习的基本OPC，包括支持向量机和神经网络。通过对学习参数的讨论和紧凑学习数据集的准备，提出了一种避免过拟合问题的指导技术。在文献“Litho-Aware Machine Learning forHotspot Detection”中，提出了一种基于神经网络分类器的OPC，其中神经网络分类器作为掩膜偏置模型。与目前最先进的基于回归方法的机器学习-OPC方法相比，所提出的OPC方法将掩膜偏差的预测误差和训练时间分别降低了29％和80％。文献“Optical proximitycorrection with hierarchical Bayes model”提出了一种基于层次贝叶斯模型的OPC回归模型，利用该回归模型减少了OPC过程中的迭代次数。为了减少PBOPC的运行时间和掩码复杂度，文献“Afast and manufacture-friendly optical proximity correction basedon machine learning”中提出了一种基于机器学习的OPC模型。提出的模型在45纳米技术节点的金属层和多晶硅层上进行了测试。仿真结果表明，该模型能有效降低PBOPC软件的运行时间，提高掩膜的可制造性，但代价是成像保真度降低。
发明内容
本发明在于克服现有技术的不足，提供一种基于深度学习的用于超紫外的光学邻近校正方法，为EUV光刻特别是是小临界尺寸的光刻提供一个新的视角。与其他OPC方法相比，本发明提出的OPC方法主要有如下贡献：第一，大大提高了建模效率；第二，可以用很小的计算成本(包括时间和所需的计算机内存)产生非常大规模的图案；第三，对于3nm或小的临界尺寸，通过正演模块可以快速准确地输出相应的近远场分布，所提出的反演模块可以快速产生校正后的掩膜以提高晶圆上成像的质量。
本发明采用如下技术方案：
本发明的超紫外EUV结构由掩膜组和多层布拉格反射器组构成，选用6度入射平面波作为EUV光线。掩膜堆叠包含多层布拉格反射器堆叠之上的掩膜图案。多层布拉格反射器由40个双层Si-Mo层组成，可有效反射6度入射下13.5nm平面波的能量。同时，被吸收器覆盖的掩膜区域吸收大部分的EUV光，而没有被覆盖的掩膜区域将大部分EUV光反射到光学投影仪中。其中，光学投影仪是用来将掩膜的布局图案投射到晶圆片上的。光刻胶显影后，布局图案将印在晶圆上。
一种基于深度学习的用于超紫外的光学邻近校正方法，具体包括：
生成正演模块训练样本，正演模块的训练样本是用Wave ComputationTechnologies公司开发的Wavenology EM软件生成的，该软件采用了适用于该问题的谱元谱积分(spectral-element spectral-integral,SESI)方法。正演模块一共有320个训练样本，共八组，每组各包含40个样本用于训练。40个测试样本用于验证。训练样本的掩膜尺寸为128nm×128nm，离散为256×256个像素点，每个像素点的尺寸为0.5nm×0.5nm。
设计正演模块，正演模块的输入是掩膜模式，即二值图像，输出是掩膜堆叠上方平面上的远近场。设定掩膜堆叠上方1nm平面上的近场为正演模块的输出。相连的两个U-Net的迭代次数均为2000，学习率分别是1×10-4和5×10-5。同时，将均方误差(mean squareerror，MSE)定义为这两个U-Net的损失函数。
生成反演模块训练样本，在训练过程之前，构建所需的训练数据集是搭建逆模块的关键。建立一个包含两个步骤的OPC模型，该OPC模型用于生成反演模块的训练样本。设定边长阈值，将样本边长与阈值作比较，对样本执行增加相对应区域和边界凸起和凹陷的变换，来生产训练样本。其中，选取掩膜误差小的样本构建反演模块的训练数据集。总共选取400个样本进行训练，另外50个测试样本进行验证。反演模块的训练样本的掩膜尺寸也是128nm×128nm，离散为256×256个像素。
设计反演模块，反演模块的输入是期望在晶圆上的理想成像，相应的输出是修正后的掩膜。反演模块也是在U-Net的基础上构建的，在此基础上，可以将输入的单通道二值图像转换为输出的单通道二值图像。对于反演模块，使用测试集中四个从未在训练数据集中出现过的样本来评估该反演模块的性能。这四个样品的掩膜尺寸都是128nm×128nm，将反演模块得到的掩膜输出值输入到正演模块中，计算相应的场分布。
建立正演模块和反演模块结合的模型，具体包括：
反演模块输入是期望在晶圆上的成像，相应的输出是修正后的掩膜；然后将得到的掩膜作为训练完成的正演模块的输入，即可得到晶圆上对应的成像。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
首先，本发明用不同类型和尺度的样本对所提出的正演模块进行了测试，与全波模拟结果的比较表明，所提出的正演模块不仅能准确地将不同临界尺寸的掩膜图案映射到对应的近场，而且能将不同类型的图案映射到对应的近场；同时，与全波仿真(如SESI)相比，该正演模块大大减少了所需的CPU时间和内存，提高了计算效率；
然后，使用所设计的反演模块对不同尺度和类型的样本进行求值；通过对不同临界尺寸样本的测试结果可以看出，所提出的反演模块与传统的迭代方法不同，可以直接输出校正后的掩膜，计算效率高，而且校正后的掩膜可以增强成像的均衡性，特别是对于小于3nm临界尺寸的样本。
本发明所提出的方法，包括正演模块和反演模块，可以作为可靠有效的OPC工具，特别是在小临界尺寸的EUV系统中。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述及其他目的、优点和特征。
附图说明
图1为本发明实施例的EUV的结构图；
图2为本发明的基于深度学习的用于超紫外的光学邻近校正方法的流程图；
图3为本发明的用于反演模块的训练样本生成的OPC模型示意图；其中，(b)、(e)和(h)均是扩展(a)所示原始域的第一步；(c)表示对(b)对四个边的中点分别做幅度为h1、h2、h3、h4的内凹处理、(f)表示对(e)四个边的中点分别做幅度为h5、h6、h7、h8的内凹处理，(i)表示对(h)四个边的中点分别做h9、h10、h11和h12的外凸处理。
图4为本发明实施例反演模块的结构；
图5为训练过程中的损失函数收敛示意图；
图6为对所提出的反演模块进行了四种不同尺度和类型的样本测试示意图；第一列为目标(原始掩膜)；第二列是由所提反演模块输出得到的修正掩膜；第三列是从具有所述修正掩膜的正演模块获得的成像；第4列显示了带有修正掩膜SESI的成像；第5列显示了带原始掩膜SESI的成像；
图7为采用尺寸为6400nm×6400nm的超大掩膜来评价所提出的反演模块的示意图；其中(a)表示目标样式；(b)表示由反演模块得到的对应的预测掩膜。
具体实施方式
下面结合附图对本发明做进一步说明。
参见图1所示，本发明的超紫外EUV结构由掩膜组和多层布拉格反射器组构成，选用6度入射平面波作为EUV光线。掩膜堆叠包含多层布拉格反射器堆叠之上的掩膜图案。多层布拉格反射器由40个双层Si-Mo层组成，可有效反射6度入射下13.5nm平面波的能量。同时，被吸收器覆盖的掩膜区域吸收大部分的EUV光，而没有被覆盖的掩膜区域将大部分EUV光反射到光学投影仪中。其中，光学投影仪是用来将掩膜的布局图案投射到晶圆片上的。光刻胶显影后，布局图案将印在晶圆上。
参见图2所示，本发明的基于深度学习的用于超紫外的光学邻近校正方法，具体包括：
S101，建立基于深度学习方法的用于EUV的OPC方法的模型。
首先，设计正演模块。正演模块的输入是掩膜模式，即二值图像，输出是掩膜堆叠上方平面上的远近场。设定掩膜堆叠上方1nm平面上的近场为正演模块的输出。相连的两个U-Net的迭代次数均为2000，学习率分别是1×10-4和5×10-5。同时，将MSE定义为这两个U-Net的损失函数。
其次，设计反演模块。反演模块的输入是在晶圆上的理想成像，相应的输出是修正后的掩膜。反演模块也是在U-Net的基础上构建的，反演模块的结构如图4所示，其中的灰色竖框表示多通道图像，其高度和宽度分别表示图像的大小和通道数。操作由不同颜色和方向的箭头表示。在此基础上，可以将输入的单通道二值图像转换为输出的单通道二值图像。对于反演模块，使用测试集中四个从未在训练数据集中出现过的样本来评估该反演模块的性能。这四个样品的掩膜尺寸都是128nm×128nm，将反演模块得到的掩膜输出值输入到正演模块中，计算相应的场分布。
最后，建立正演模块和反演模块结合的模型，具体包括：
反演模块输入是期望在晶圆上的成像，相应的输出是修正后的掩膜。然后将得到的掩膜作为训练完成的正演模块的输入，即可得到晶圆上对应的成像。
S102，建立正演模块和反演模块的数据集。
生成正演模块训练样本，正演模块的训练样本是用Wave ComputationTechnologies公司开发的Wavenology EM软件生成的，该软件采用了适用于该问题的SESI方法。正演模块一共有320组训练样本。八组训练样本，每组各包含40个样本用于训练。40个测试样本用于验证。训练样本的掩膜尺寸为128nm×128nm，离散为256×256个像素，每个像素的尺寸为0.5nm×0.5nm。
生成反演模块训练样本，在训练过程之前，构建所需的训练数据集是搭建逆模块的关键。建立一个包含两个步骤的OPC模型，该OPC模型用于生成反演模块的训练样本。如图3(a)-3(c)所示，以矩形为例，第一步是分别在两个方向上增加m1和m2，扩大原矩形的定义域。然后，对于四边，四边的中点分别形成幅度分别为h1、h2、h3和h4的凹/凸。如果一侧的宽度小于w阈值，则对应的邻边被凸起。该w是决定一个边是凹或凸出的阈值，本发明将矩形的w阈值设为3nm。如图3(d)所示，如果L3小于w阈值，则在该区域向两个方向分别增加m3和m4后，相应的邻边会出现h5和h7的凸起，如图3(f)所示。反之，如果边的长度大于w阈值，则对应边形成凹陷，如图3(c)所示。如图3(g)所示，如果L5大于w阈值，则在该区域在两个方向上分别增加m5和m6后，对应的邻边h9和h11形成凹陷，如图3(i)所示。最后，选取掩膜误差小的样本构建反演模块的训练数据集。总共选取400个样本进行训练，另外50个测试样本进行验证。反演模块的训练样本的掩膜尺寸也是128nm×128nm，离散为256×256个像素。
S103，利用建立的反演模块的数据集对反演模块进行训练和验证；将反演模块输出得到的掩膜作为训练好的正演模块的输入对正演模块进行训练和测试。
本发明在Intel i9-10940X 3.30GHz CPU、256GB RAM和NVIDIA GeForce RTX3090GPU的工作站上进行所有计算。
如上所示，正演模块一共有320组训练样本。八组训练样本，每组各包含40个样本用于训练。40个测试样本用于验证。训练样本的掩膜尺寸为128nm×128nm，离散为256×256个像素点，每个像素点的尺寸为0.5nm×0.5nm。
对于反演模块，总共选取400个样本进行训练，另外50个测试样本进行验证。图5记录了训练过程中的损失函数收敛情况。反演模块的训练样本也是128nm×128nm，离散为256×256个像素。
具体的，对于反演模块，使用测试集中四个从未在训练数据集中出现过的样本来评估该反演模块的性能。这四个样品的掩膜尺寸都是128nm×128nm，将反演模块得到的掩膜输出值输入到正演模块中，计算相应的场分布。为了描述输出成像与原始期望成像(目标)之间的偏差，将掩膜的误差定义为：
其中，mp为预测二值图像的矩阵，mτ为期望二值图像的矩阵。
随着临界尺寸的减小，对光刻系统的成像性能形成了巨大的挑战。测试#1-4(分别对应图6中第一行、第二行、第三行和第四行的图)的临界尺寸分别为4nm、7nm、4nm和2.5nm，对应的电气尺寸分别为0.3λ、0.52λ、0.3λ和0.19λ。
测试#1-4的目标如图6所示，其中测试#1-3分别基于图3中的样本(i)、(e)和(h)，测试#4与训练样本完全不同。掩膜的误差，如公式中所定义。测试#1-4的目标与晶圆上成像图之间的距离如表1所示。其中Misfit1是正演模块的成像和对应目标之间的误差。Misfit2是从SESI得到的相应成像与对应目标之间的误差。
表1成像与相应目标的误差
| 测试#1 | 测试#2 | 测试#3 | 测试#4 | |
| Misfit<sub>1</sub> | 0.0632 | 0.0721 | 0.0757 | 0.0948 |
| Misfit<sub>2</sub> | 0.0698 | 0.0682 | 0.0762 | 0.0872 |
| Misfit<sub>3</sub> | 0.1342 | 0.1698 | 0.1593 | 0.1839 |
为便于比较，将原始目标设为掩膜，从SESI得到的相应成像如图6所示。掩膜在目标与成像之间的误差情况如表1所示，即Misfit3。可以看出，本发明提出的反演模块提供的掩膜相比作为掩膜的原始目标可以获得更小的误差。然后用一个超大掩膜来检验所提出的反演模块。如图7所示，目标尺寸为6400nm×6400nm，预测输出的掩膜如图7所示。同时，表2也记录了CPU时间和所需计算内存。与传统的迭代方法不同，我们提出的反演模块可以直接输出校正后的掩膜，尽管需要额外的GPU计算，但对不同的目标都有很高的计算效率。
表2所提出的反演模块的运行时间和所需内存
| 尺寸 | 运行时间 | 内存 | |
| 测试#1 | 128nm×128nm | 32ms | 0.42GB |
| 测试#2 | 128nm×128nm | 32ms | 0.42GB |
| 测试#3 | 128nm×128nm | 32ms | 0.42GB |
| 测试#4 | 128nm×128nm | 32ms | 0.42GB |
| 测试#5 | 6400nm×6400nm | 51s | 9.8GB |
如图6-7和表1-2所示，通过试验#1-4的验证，校正后的掩膜可以增强成像的均衡性。同时，试验#5通过对超大掩膜的计算进一步验证了计算效率。因此，本发明所提出的基于深度学习的用于EUV的OPC方法中的反演模块可以作为一种有效的用于EUV的OPC方法的工具，尤其适用于临界尺寸较小的情况。
从上述测试结果中可见，本发明提出了一种基于深度学习的用于EUV的OPC方法，提高EUV系统的成像性能，特别是在临界尺寸小于3nm的情况下的成像性能。首先，用不同类型和尺度的样本对所提出的正演模块进行了测试，与全波模拟结果的比较表明，所提出的正演模块不仅能准确地将不同临界尺寸的掩膜图案映射到对应的近场，而且能将不同类型的图案映射到对应的近场。同时，与全波仿真(如SESI)相比，该正演模块大大提高了计算效率，包括所需的CPU时间和内存。构造的反演模块对不同尺度和类型的样本进行求值。可以看出，与传统的迭代方法不同，所提出的反演模块可以直接输出校正后的掩膜，计算效率高，而且校正后的掩膜可以增强成像的均衡性，特别是对于小于3nm的临界尺寸的成像的均衡性。本发明所提出的方法，包括其正演模块和反演模块，均可以作为可靠有效的OPC工具，特别是在小临界尺寸的EUV系统中。
上述实例仅用来进一步说明本发明的基于深度学习的用于超紫外的光学邻近校正方法，但本发明并不局限于此实例，凡是依据本发明的技术实质对以上实例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。
Claims (7)
1.一种基于深度学习的用于超紫外的光学邻近校正方法，其特征在于，包括：
设计正演模块，所述正演模块的输入是掩膜，即二值图像，输出是掩膜堆叠上方平面上的远近场；所述正演模块包括相连的两个U-Net，将均方误差定义为这两个U-Net的损失函数；所述掩膜堆叠包含多层布拉格反射器堆叠之上的掩膜图案；
设计反演模块，所述反演模块的输入是期望在晶圆上的成像，输出是修正后的掩膜；反演模块也是在U-Net的基础上构建的，在此基础上，将输入的单通道二值图像转换为输出的单通道二值图像；
将设计的正演模块和反演模块相结合，具体为将反演模块输出的修正后的掩膜作为训练好的正演模块的输入，获得晶圆上对应的成像。
2.如权利要求1所述的基于深度学习的用于超紫外的光学邻近校正方法，其特征在于，设定掩膜堆叠上方1nm平面上的近场为正演模块的输出；相连的两个U-Net的迭代次数均为2000，学习率分别是1×10-4和5×10-5。
3.如权利要求1所述的基于深度学习的用于超紫外的光学邻近校正方法，其特征在于，正演模块的样本集的建立方法包括：
通过谱元谱积分方法生成正演模块的样本集，样本集的掩膜尺寸为128nm×128nm，离散为256×256个像素，每个像素的尺寸为0.5nm×0.5nm。
4.如权利要求3所述的基于深度学习的用于超紫外的光学邻近校正方法，其特征在于，所述正演模块的样本集包括320个训练样本和40个测试样本；其中，320个训练样本分为八组，每组各包含40个样本用于训练。
5.如权利要求1所述的基于深度学习的用于超紫外的光学邻近校正方法，其特征在于，反演模块的样本集的建立方法包括：
建立一个OPC模型，所述OPC模型用于生成反演模块的样本集；具体包括：
设定边长阈值，将样本边长与边长阈值作比较，对样本执行增加相应区域和边界凸起或凹陷的变换，来生成样本集；其中，选取掩膜误差小的样本构建反演模块的训练数据集；反演模块的训练样本的掩膜尺寸为128nm×128nm，离散为256×256个像素。
6.如权利要求5所述的基于深度学习的用于超紫外的光学邻近校正方法，其特征在于，所述反演模块的样本集包括400个训练样本和50个测试样本；使用测试样本中四个从未在训练样本中出现过的样本来评估该反演模块的性能，这四个测试样本的掩膜尺寸都是128nm×128nm，将反演模块得到的掩膜输出值输入到正演模块中，计算相应的场分布。
7.如权利要求5所述的基于深度学习的用于超紫外的光学邻近校正方法，其特征在于，所述掩膜的误差定义为输出成像与原始期望成像之间的偏差，具体表示为：
其中，mp为预测二值图像的矩阵，mτ为期望二值图像的矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110412412.6A CN113238460B (zh) | 2021-04-16 | 2021-04-16 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110412412.6A CN113238460B (zh) | 2021-04-16 | 2021-04-16 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113238460A CN113238460A (zh) | 2021-08-10 |
| CN113238460B true CN113238460B (zh) | 2022-02-11 |
Family
ID=77128376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110412412.6A Expired - Fee Related CN113238460B (zh) | 2021-04-16 | 2021-04-16 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113238460B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114326328B (zh) * | 2022-01-10 | 2023-05-26 | 厦门大学 | 一种基于深度学习的用于超紫外光刻的模拟仿真方法 |
| CN114898169B (zh) * | 2022-03-10 | 2024-04-12 | 武汉大学 | 一种基于深度学习的光刻opc数据库建立方法 |
| CN117313640B (zh) * | 2022-06-14 | 2024-09-20 | 腾讯科技（深圳）有限公司 | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105824187A (zh) * | 2015-01-06 | 2016-08-03 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正方法 |
| CN108828896A (zh) * | 2018-05-31 | 2018-11-16 | 中国科学院微电子研究所 | 添加亚分辨率辅助图形的方法及该方法的应用 |
| CN110187609A (zh) * | 2019-06-05 | 2019-08-30 | 北京理工大学 | 一种计算光刻的深度学习方法 |
| CN110517241A (zh) * | 2019-08-23 | 2019-11-29 | 吉林大学第一医院 | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 |
| WO2020187578A1 (en) * | 2019-03-21 | 2020-09-24 | Asml Netherlands B.V. | Training method for machine learning assisted optical proximity error correction |
| WO2020200993A1 (en) * | 2019-04-04 | 2020-10-08 | Asml Netherlands B.V. | Method and apparatus for predicting substrate image |
| CN111886606A (zh) * | 2018-02-23 | 2020-11-03 | Asml荷兰有限公司 | 用于图案的语义分段的深度学习 |
| WO2021028228A1 (en) * | 2019-08-13 | 2021-02-18 | Asml Netherlands B.V. | Method for training machine learning model for improving patterning process |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008139688A (ja) * | 2006-12-04 | 2008-06-19 | Toshiba Corp | 半導体集積回路の製造方法、マスクの製造方法、半導体マスクデータ製造装置、マスクパターンの修正方法、及び設計レイアウトの修正方法 |
| WO2018215188A1 (en) * | 2017-05-26 | 2018-11-29 | Asml Netherlands B.V. | Assist feature placement based on machine learning |
| US11275361B2 (en) * | 2017-06-30 | 2022-03-15 | Kla-Tencor Corporation | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process |
-
2021
- 2021-04-16 CN CN202110412412.6A patent/CN113238460B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105824187A (zh) * | 2015-01-06 | 2016-08-03 | 中芯国际集成电路制造(上海)有限公司 | 光学邻近修正方法 |
| CN111886606A (zh) * | 2018-02-23 | 2020-11-03 | Asml荷兰有限公司 | 用于图案的语义分段的深度学习 |
| CN108828896A (zh) * | 2018-05-31 | 2018-11-16 | 中国科学院微电子研究所 | 添加亚分辨率辅助图形的方法及该方法的应用 |
| WO2020187578A1 (en) * | 2019-03-21 | 2020-09-24 | Asml Netherlands B.V. | Training method for machine learning assisted optical proximity error correction |
| WO2020200993A1 (en) * | 2019-04-04 | 2020-10-08 | Asml Netherlands B.V. | Method and apparatus for predicting substrate image |
| CN110187609A (zh) * | 2019-06-05 | 2019-08-30 | 北京理工大学 | 一种计算光刻的深度学习方法 |
| WO2021028228A1 (en) * | 2019-08-13 | 2021-02-18 | Asml Netherlands B.V. | Method for training machine learning model for improving patterning process |
| CN110517241A (zh) * | 2019-08-23 | 2019-11-29 | 吉林大学第一医院 | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113238460A (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113238460B (zh) | 一种基于深度学习的用于超紫外的光学邻近校正方法 | |
| US11755814B2 (en) | Method and apparatus for layout pattern selection | |
| US11726402B2 (en) | Method and system for layout enhancement based on inter-cell correlation | |
| US10657213B2 (en) | Modeling of a design in reticle enhancement technology | |
| CN107908071A (zh) | 一种基于神经网络模型的光学邻近校正方法 | |
| US11620425B2 (en) | Methods for modeling of a design in reticle enhancement technology | |
| CN111310407A (zh) | 基于机器学习进行逆向光刻最优特征向量设计的方法 | |
| CN108228981B (zh) | 基于神经网络的opc模型生成方法及实验图案的预测方法 | |
| US20220128899A1 (en) | Methods and systems to determine shapes for semiconductor or flat panel display fabrication | |
| Ma et al. | A fast and manufacture-friendly optical proximity correction based on machine learning | |
| CN111985611A (zh) | 基于物理特征图与dcnn机器学习逆向光刻解的计算方法 | |
| US20240370636A1 (en) | Machine learning based model builder and its applications for pattern transferring in semiconductor manufacturing | |
| US11874597B2 (en) | Stochastic optical proximity corrections | |
| CN115981115B (zh) | 光学邻近校正方法、装置、计算机设备和存储介质 | |
| CN114326329A (zh) | 一种基于残差网络的光刻掩模优化方法 | |
| US20060009957A1 (en) | Method for determining a matrix of transmission cross coefficients in an optical proximity correction of mask layouts | |
| CN114326328A (zh) | 一种基于深度学习的用于超紫外光刻的模拟仿真方法 | |
| US11314171B2 (en) | Lithography improvement based on defect probability distributions and critical dimension variations | |
| Pang et al. | Optimization from design rules, source and mask, to full chip with a single computational lithography framework: level-set-methods-based inverse lithography technology (ILT) | |
| CN115712227A (zh) | 基于倏逝波场强衰减特性调制式的光学邻近效应校正方法及装置 | |
| Shi et al. | Physics based feature vector design: a critical step towards machine learning based inverse lithography | |
| Pang et al. | Source mask optimization (SMO) at full chip scale using inverse lithography technology (ILT) based on level set methods | |
| KR20240142493A (ko) | 레티클 향상 기술을 위한 방법 및 시스템 | |
| Higuchi et al. | Advanced memory cell design optimization with inverse lithography technology | |
| US20240086607A1 (en) | Modeling of a design in reticle enhancement technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220211 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |