[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

说明书

本发明提供一种基于神经网络的OPC模型生成方法及实验图案的预测方法。基于神经网络的OPC模型生成方法包括：S11：计算设定光刻工艺条件下的内核组，内核组包括n个成像内核；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成像信号值集合作为一神经网络模型的输入；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：训练神经网络模型的参数；S16：将具有训练后的参数的神经网络模型作为OPC模型。本发明提供的方法可生成高精度的OPC模型。

技术领域

本发明涉及半导体技术领域，尤其涉及一种基于神经网络的OPC模型生成方法及实验图案的预测方法。

背景技术

光学邻近校正(OPC)是先进半导体制造中的关键步骤。由于光刻扫描仪成像系统带宽的限制，掩模图案在成像过程中不可避免地丢失了部分高空间频率信息，从而造成了光刻胶图案在硅片上的畸变。随着光刻工艺难度的增大，光刻工艺窗口迅速缩小。这显然对OPC的准确性提出了更高的要求。除了分段方案和OPC算法的收敛性外，OPC精度主要依赖于OPC模型的准确性。OPC模型分为光学成像部分和光刻胶的化学部分。光学成像部分可以非常精确地建模，包刮光掩模三维衍射和高NA矢量成像。然而，光刻胶的化学部分，因为其复杂性，无法从基本原理推导出解析公式进行建模，现有的OPC模型都是将复杂的酸碱扩散过程和酸碱反应过程通过线性化来处理，也就是说，酸碱扩散过程和酸碱反应过程的交叉作用是没有考虑的。因为这些原因，经过校准的OPC模型通常存在对某些图案具有很少的几纳米系统误差存在，这些系统误差必须在OPC配方中通过繁琐的编码来补偿。现有的OPC模型缺乏关于光刻胶的化学的坚实数学基础，剩余的系统误差很难消除。

因此，如何生成一种能够满足精度需求的OPC模型是本领域亟待解决的问题。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种基于神经网络的OPC模型生成方法及实验图案的预测方法，以生成高精度的OPC模型。

根据本发明的一个方面，提供一种基于神经网络的OPC模型生成方法，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；

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：将具有训练后的参数的神经网络模型作为所述OPC模型。

可选地，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。

可选地，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。

可选地，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。

可选地，所述神经网络模型的输出单元的值T根据如下公式计算：