全文摘要
本发明涉及制备光学临近校正(OPC)设计工艺技术领域，具体而言，涉及一种光刻掩模光学修正的方法、装置及计算机可读存储介质。本发明提供一种光刻掩模光学修正的方法，包括：对修正前数据进行处理，得到基于多个分类的修正前数据；对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据；使用修正模块对修正后数据进行确定，得到修正后数据。
主设计要求
1.一种光刻掩模光学修正的方法，其特征在于，包括：对修正前数据进行处理，得到基于多个分类的修正前数据；所述对修正前数据进行处理，包括：将修正前数据划分成n个集合，所述集合包括一个几何图形及其周围对它有影响的几何图形；分别获取所述n个集合的面积的值；将所述获取的n个集合的面积从小到大等额增加划分成n个分类并对所述分类标记；基于所述修正前数据和所述分类标记，生成训练集；利用所述训练集对初始模型进行训练，得到分类确定模型；对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据；利用修正模块对修正后数据进行确定，得到修正后数据。
设计方案
1.一种光刻掩模光学修正的方法，其特征在于，包括：
对修正前数据进行处理，得到基于多个分类的修正前数据；
所述对修正前数据进行处理，包括：将修正前数据划分成n个集合，所述集合包括一个几何图形及其周围对它有影响的几何图形；
分别获取所述n个集合的面积的值；
将所述获取的n个集合的面积从小到大等额增加划分成n个分类并对所述分类标记；
基于所述修正前数据和所述分类标记，生成训练集；
利用所述训练集对初始模型进行训练，得到分类确定模型；对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据；
利用修正模块对修正后数据进行确定，得到修正后数据。
2.根据权利要求1所述的光刻掩模光学修正的方法，其特征在于，所述分类确定模型包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
3.根据权利要求2所述的光刻掩模光学修正的方法，其特征在于，所述神经网络模型基于以下训练方法获得：
获取训练集，所述训练集包括所述修正前数据和所述分类；
利用所述训练集对初始模型进行训练，获得神经网络模型。
4.根据权利要求1所述的光刻掩模光学修正的方法，其特征在于，所述修正模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
5.根据权利要求1所述的光刻掩模光学修正的方法，其特征在于，对所述基于多个分类的修正前数据进行光学临近修正的实现包括：基于经验的光学邻近修正和基于模型的光学邻近修正。
6.根据权利要求1所述的光刻掩模光学修正的方法，其特征在于，所述修正模块的实现步骤包括：
获取多个分类的修正前数据；
获取相应多个分类的修正后数据；
获取大于等于50%所述多个分类的修正前数据和大于等于50%所述多个分类的修正后数据，生成训练集；
利用所述训练集对初始模型进行训练，得到修正后数据确定模型；
获取剩余部分所述多个分类的修正前数据和剩余部分所述多个分类的修正后数据，生成测试集；
利用所述测试集对所述修正后数据确定模型进行验证。
7.根据权利要求6所述的光刻掩模光学修正的方法，其特征在于，还包括所述分类的修正前数据和修正后数据之间的边缘放置误差需满足所述分类标记。
8.一种光刻掩模光学修正的装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～7中任意一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如权利要求1～7中任意一项所述的方法。
设计说明书
技术领域
本发明涉及制备光学临近校正(OPC)设计工艺技术领域，具体而言，涉及一种光刻掩模光学修正的方法、装置及计算机可读存储介质。
背景技术
计算光刻就是使用计算机来模拟、仿真光刻的光学和化学过程，从理论上探索增大光刻分辨率和工艺窗口的途径，指导工艺参数的优化。在一段时期内，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(OPC)以及添加曝光辅助图形。随着技术节点的推进，计算光刻的模型也越来越复杂，所需要的计算时间也更多。因此，计算光刻的运算量巨大，需要多个CPU并行计算。
基于模型的邻近效应修正技术(OPC)的关键在于建立精确的光刻模型，包括光学模型和光刻胶模型。一层设计有上千万个图形，一个好的模型不仅要求精度高而且要求计算速度快。为了实现快速处理大容量的设计数据，修正软件中的模型都采用近似模型。这些近似模型中包含一系列的参数，这些参数通过实验数据来拟合，以保证模型的精确度。由于光学邻近效应修正(OPC)软件中的模型是半经验的，因此，实验数据越多，模型中的参数就会拟合得越准确。但是，太多的测试图形，又使得晶圆数据的收集量太大。
因此，如何从设计的掩膜版图中提取出关键的图形，这些关键图形尽可能包括光刻困难和复杂的图形，并且把相似的图形归成一类，在同一类图形中选取有代表性的图像作为测试图形放置在光学邻近效应修正(OPC)测试掩模上，从而降低计算机运算量、提高光学邻近效应修正的精度，成为了一个逞待解决的问题。
发明内容
本发明的目的在于提供一种光刻掩模光学修正的方法、装置及计算机可读存储介质，通过建立未经光学修正的分类模型，根据光学修正前同类中的修正前数据以及光学修正后数据建立修正模型。从而把相似的图形归成一类，将同一类中代表性的图像作为测试图形放置在光学邻近效应修正(OPC)测试掩模上，从而降低计算机运算量、提高光学邻近效应修正的精度。
本发明的实施例是这样实现的：
本发明实施例的第一方面提供一种光刻掩模光学修正的方法，主要包括：
对修正前数据进行处理，得到基于多个分类的修正前数据；
对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据；
利用修正模块对修正后数据进行确定，得到修正后数据。
可选地，所述对修正前数据进行处理，包括：
将修正前数据划分成n个集合，所述集合包括一个几何图形及其周围对它有影响的几何图形；
分别获取所述n个集合的面积的值；
将所述获取的n个集合的面积的值从小到大等额增加划分成n个分类并对所述分类标记；
基于所述修正前数据和所述分类标记，生成训练集；
利用所述训练集对初始模型进行训练，得到分类确定模型。
可选地，所述分类确定模型包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
可选地，所述神经网络模型基于以下训练方法获得：
获取训练集，所述训练集包括所述修正前数据和所述分类；
利用所述训练集对初始模型进行训练，获得神经网络模型。
可选地，所述修正模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
可选地，对所述基于多个分类的修正前数据进行光学临近修正的实现包括：基于经验的光学邻近修正和基于模型的光学邻近修正。
可选地，所述修正模块的实现步骤包括：
获取多个分类的修正前数据；
获取相应多个分类的修正后数据；
获取大于等于50%所述多个分类的修正前数据和大于等于50%所述多个分类的修正后数据，生成训练集；
利用所述训练集对初始模型进行训练，得到修正后数据确定模型；
获取剩余部分所述多个分类的修正前数据和剩余部分所述多个分类的修正后数据，生成测试集；
利用所述测试集对所述修正后数据确定模型进行验证。
可选地，还包括所述分类的修正前数据和修正后数据之间的边缘放置误差需满足所述分类标记。
本发明实施例的第二方面提供一种光刻掩模光学修正的装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如第一方面提供任意一项所述的操作。
本发明实施例的第三方面提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如第一方面提供任意一项的操作。
本发明实施例的有益效果包括：通过建立未经光学修正的分类模型，根据光学修正前同类中的修正前数据以及光学修正后数据建立修正模型。从而把相似的图形归成一类，将同一类中代表性的图像作为测试图形放置在光学邻近效应修正(OPC)测试掩模上，从而降低计算机运算量、提高光学邻近效应修正的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了根据本发明的一个实施例光刻工艺掩模光学修正方法的流程示意图；
图2示出了根据本发明的一个实施例修正前数据分类方法流程示意图；
图3示出了根据本发明的一个实施例修正后数据预测方法流程示意图。
具体实施方式
现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。
本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。
光刻为集成电路生产的关键工艺，由于实际的光刻生产费用较高，且实验周期较长，采用EDA软件为目前集成电路产业的有效手段。本发明公开的技术内容将用于EDA软件的开发过程。
基于模型的光学邻近效应修正(OPC)从90nm技术节点开始被广泛使用。它使用光学模型和光刻胶光化学反应模型来计算出曝光后的图形，首先把设计图形的额边缘识别出来，让每一个边缘可以自由移动。软件仿真出曝光后光刻胶的图形边缘并和设计的图形对比，它们之间的差别称为边缘放置误差。边缘放置误差是用来衡量修正质量的指标，边缘放置误差越小就意味着曝光后的图形和设计图形越接近。修正软件在运行时移动边缘位置，并计算出对应的边缘放置误差。这个过程不断重复直到计算出的边缘放置误差达到可以接受的值。为了减少边缘移动的任意性，边缘上点的位置只能在一个固定的栅格上移动。显然，栅格越小，修正的精度越高，但同时运算量也就越大。更小的栅格修正还使得图形边缘更加零碎，增加掩模制造的成本。
光刻工艺掩模上的图形通过曝光系统投影在光刻胶上，由于光学系统的衍射效应，导致光刻胶上的图形和掩模上的图形不完全一致。光学邻近效应修正(OPC)就是使用计算方法对掩模上的图形做修正，使得在光刻胶上的投影尽量符合设计要求。光刻工艺过程可以用光学和化学模型，借助数学公式来描述。光照射在掩模上发生衍射，衍射级被投影透镜收集并会聚在光刻胶表面，这一成像过程是一个光学过程；投影在光刻胶上的图像激发光化学反应，烘烤后导致光刻胶局部可溶于显影液，这是化学过程。
图1为根据本发明的一个实施例光刻工艺掩模光学修正方法的流程示意图。
步骤102，对修正前数据进行处理，得到基于多个分类的修正前数据。
在一些实施例中，对所述修正前数据进行处理分类的方法，包括神经网络模型或神经网络模型与非神经网络模型的混合模型。
步骤104，对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据。
在一些实施例中，可以基于现有光学邻近效应修正(OPC)软件来获取所述的修正后数据。在现有软件进行光学邻近效应修正时，可以使用基于经验的光学邻近修正，在至少另一些实施例中，也可以使用现有技术中一些基于模型的光学邻近修正方法。
步骤106，使用修正模块对修正后数据进行确定，得到修正后数据。
在一些实施例中，所述修正模块为神经网络模型，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。在一些实施例中，所述样本数据可以为修正前数据，所述期望数据为样本数据经过光学邻近效应修正(OPC)软件处理后的得到数据。关于模型训练的更多内容见以下描述，在此不再赘述。
图2为根据本发明的一个实施例修正前数据分类方法流程示意图。
步骤202，将修正前数据划分成n个集合，所述集合包括一个几何图形及其周围对它有影响的几何图形。
在一些实施例中，读取光学邻近修正(OPC)前的完整GDS文件，将GDS文件中的几何图形集合划分成n个tile。我们可以认为掩模上的版图为大量简单几何图形构成的。为了便于阐述本发明的实施例，我们暂将掩模上一个简单的几何图形及其周围对它有影响的几何图形组成一个集合，然后把这样的一个集合用tile来表示, 则掩模上的版图理论上由n个集合构成，即掩模上的版图理论上由n个tile构成，也可以把n个tile记为tiles。将光学邻近效应修正(OPC)之前的tiles集合记为tiles_pre，光学邻近效应修正(OPC)之后的tiles集合记为tiles_post。
例如一个几何图形，我们暂认为在这个几何图形周围1cm范围内的几何图形都对该几何图形有影响，则该几何图形及其周围1cm范围的所有几何图形组成单个集合，所述集合在OPC中也称为一个tile。
步骤204，分别获取所述n个集合的面积。
在一些实施例中，基于步骤202已经将掩模上的版图划分为n个tile，使用计算机软件技术分别获取n个tile的面积，并且分别记为设计图
相关信息详情
申请码:申请号:CN201910849892.5
申请日:2019-09-10
公开号:CN110376843A
公开日:2019-10-25
国家:CN
国家/省市:84(南京)
授权编号:CN110376843B
授权时间:20191224
主分类号:G03F 1/36
专利分类号:G03F1/36
范畴分类:30B;
申请人:墨研计算科学（南京）有限公司
第一申请人:墨研计算科学（南京）有限公司
申请人地址:210031 江苏省南京市江北新区星火路9号软件大厦B座407-80室
发明人:崔绍春;陈雪莲
第一发明人:崔绍春
当前权利人:墨研计算科学（南京）有限公司
代理人:逯长明;许伟群
代理机构:11363
代理机构编号:北京弘权知识产权代理事务所(普通合伙)
优先权:关键词:当前状态:审核中
类型名称:外观设计