[发明专利]基于神经网络的OPC模型生成方法及实验图案的预测方法

权利要求书

1.一种基于神经网络的OPC模型生成方法，其特征在于，包括：

S11：计算设定光刻工艺条件下的内核组，所述内核组包括n个成像内核，n为大于0的整数；

S12：获取各测试图案的各定义位置处的成像信号值集合，所述成像信号值集合包括n个成像信号值，每个所述成像信号值基于所述内核组中的成像内核与光传输函数的卷积值计算；

S13：将各测试图案的每个定义位置处的所述成像信号值集合作为一神经网络模型的输入，所述神经网络模型包括n+1个输入单元、m个隐藏单元及一个输出单元，其中，第一个输入单元的输入为1，第2至第n+1个输入单元的输入为所述成像信号值集合中的各个成像信号值，所述输出单元的值为所述神经网络模型的输出，m为大于0的整数；

S14：将各测试图案的实验数据作为神经网络模型的输出的训练目标；

S15：训练所述神经网络模型的参数；

S16：将训练后的神经网络模型作为OPC模型。

2.如权利要求1所述的基于神经网络的OPC模型生成方法，其特征在于，所述内核组由部分相干成像系统分解的前n个相干成像系统的成像内核组成。

3.如权利要求1所述的基于神经网络的OPC模型生成方法，其特征在于，各测试图案的实验数据为从扫描电子显微镜获得的测试图案的图像轮廓和/或从扫描电子显微镜获得的测试图案的尺寸。

4.如权利要求1所述的基于神经网络的OPC模型生成方法，其特征在于，所述神经网络模型的输出单元的值T根据如下公式计算：

其中，q＝0,1,2…n，S₀为第1个输入单元的输入，S₁至S_n为第2至第n+1个输入单元的输入，为第j个隐藏单元的值，y_j为输入单元到隐藏单元的转移函数，z为隐藏单元到输出单元的转移函数，w_jq及u_j为所要训练的参数。

5.如权利要求1至4任一项所述的基于神经网络的OPC模型生成方法，其特征在于，所述成像信号值集合中的每个成像信号值根据如下公式计算：

其中，S_i(x，y)为定义位置(x，y)处的第i个成像信号值，K_i(x，y)为内核组的第i个成像内核，M(x，y)为光掩模的光传输函数，i为大于等于1小于等于n的整数。

6.如权利要求1至4任一项所述的基于神经网络的OPC模型生成方法，其特征在于，所述S15包括：

利用反向传播算法训练所述神经网络模型的参数。

7.一种掩模图案的实验图案的预测方法，其特征在于，包括：

S21：根据掩模图案的每个定义位置处的内核组中的每个成像内核与光传输函数的卷积值获得掩模图案的每个定义位置处的成像信号值集合，所述成像信号值集合包括n个成像信号值；

S22：将掩模图案的每个定义位置处的所述成像信号值集合作为一OPC模型的输入，所述OPC模型通过权利要求1至6 任一项所述的方法生成；

S23：根据所述OPC模型的输出预测所述掩模图案的实验图案。