[发明专利]一种建立辅助图形曝光模型的方法

权利要求书

1.一种建立辅助图形曝光模型的方法，其特征在于，包括以下步骤：

步骤S01：设计测试图形，所述测试图形包含标准图形和辅助图形；

步骤S02：收集在线线宽量测数据及辅助图形曝光数据；

步骤S03：建立测试图形版图与线宽量测数据及辅助图形曝光数据之间的对应文件；

步骤S04：基于机器学习进行辅助图形曝光模型拟合运算，建立辅助图形曝光模型；

步骤S05：输出辅助图形曝光模型，进行OPC图形修正与验证。

2.根据权利要求1所述的建立辅助图形曝光模型的方法，其特征在于，所述标准图形包含一维图形和二维图形，并将多组辅助图形添加在标准图形周边。

3.根据权利要求1所述的建立辅助图形曝光模型的方法，其特征在于，所述步骤S02具体包括：在测试图形设计结束后，制作测试图形版图，进行光刻工艺，并在硅片上收集各种版图图形在硅片上的线宽数据；其中，线宽数据包括没有添加辅助图形的部分和添加辅助图形的部分；根据工艺确定的辅助图形规则，分别选定辅助图形未在硅片上曝光形成图形的成像信息和在硅片上曝光形成图形的成像信息，并保存辅助图形成像的图片与量测数据。

4.根据权利要求1所述的建立辅助图形曝光模型的方法，其特征在于，步骤S03中，通过所述对应文件，在辅助图形曝光模型拟合中进行辅助图形信号的监控。

5.根据权利要求1所述的建立辅助图形曝光模型的方法，其特征在于，步骤S04中，对于辅助图形未在硅片上曝光形成图形的情况，若辅助图形曝光模型预测辅助图形曝光产生图形，则判断为错误，若辅助图形曝光模型预测辅助图形未曝光产生图形，则判断为正确；反之，对于辅助图形在硅片上曝光形成图形的情况，若辅助图形曝光模型预测辅助图形未曝光产生图形，则判断为错误，若辅助图形曝光模型预测辅助图形曝光产生图形，则判断为正确；将辅助图形曝光数据分成若干个分组，基于机器学习Boosting算法进行机器学习训练，对辅助图形曝光模型进行拟合运算，以建立辅助图形曝光模型。

6.根据权利要求5所述的建立辅助图形曝光模型的方法，其特征在于，将辅助图形曝光数据分成若干个分组，对应形成若干个分类器，基于机器学习Boosting算法进行机器学习训练时，具体包括以下步骤：

训练第一个分类器，样本的权重D为相同的均值；

通过一个弱分类器，得到样本的分类预测标签，与给出的样本真实标签对比，如果某个样本预测错误，则它对应的错误值为该样本的权重D，如果分类正确，则错误值为0；将最后累加样本的错误率之和记为ε；

通过累加样本的错误率之和ε，计算该弱分类器的权重α；

通过该弱分类器的权重α计算训练下一个弱分类器样本的权重D，如果对应样本分类正确，则减小该样本的权重D，如果样本分类错误，则增加该样本的权重D；

循环上述步骤，继续训练其他分类器。

7.根据权利要求6所述的建立辅助图形曝光模型的方法，其特征在于，各所述分类器的样本的权重D值不同。

8.根据权利要求6所述的建立辅助图形曝光模型的方法，其特征在于，对经训练的各所述分类器进行测试，过程如下：输入一个样本到训练好的每个弱分类器中，则每个弱分类器都对应一个输出标签，然后将该输出标签乘以该弱分类器对应的权重α，用来训练辅助图形曝光模型的建立与优化。

9.根据权利要求6所述的建立辅助图形曝光模型的方法，其特征在于，所述计算该弱分类器的权重α，满足以下公式一：

其中，ε为最后累加样本的错误率之和。

10.根据权利要求9所述的建立辅助图形曝光模型的方法，其特征在于，通过该弱分类器的权重α计算训练下一个弱分类器样本的权重D，如果对应样本分类正确，则减小该样本的权重D，并满足以下公式二：

如果样本分类错误，则增加该样本的权重D，并满足以下公式三：