[发明专利]一种计算光刻的深度学习方法

权利要求书

1.一种计算光刻的深度学习方法，其特征在于，适用于部分相干光成像，包括：

基于平均相干近似成像模型，构建梯度迭代算法中的掩模图形更新公式；展开梯度迭代算法的迭代过程，截取前K步迭代，将每一步迭代过程作为一层，创建K层的前向卷积神经网络，称为基于模型的卷积神经网络MCNN，将MCNN作为编码器；MCNN的输入为理想电路版图，输出为对应的OPC掩模图形；MCNN中上一层的输出作为下一层的输入；

基于傅里叶级数展开成像模型，构建与MCNN相对应的解码器；将MCNN的输出与解码器的输入相连；解码器的输入为OPC掩模图形，输出为OPC掩模图形在晶片处所成的像；

对MCNN进行如下训练：收集电路版图结构，作为训练样本集，输入MCNN，采用反向传播算法优化MCNN中的各项参数，使得MCNN的输入与解码器的输出之间的误差最小化；

训练结束后，将解码器与MCNN分离，将任意其他的理想电路版图输入训练后的MCNN，输出即为该电路版图所应对的掩模图形。

2.如权利要求1所述的方法，其特征在于，所述MCNN的构建方式为：

MCNN中的第k层，1≤k≤K，输入为掩模图形输出为掩模图形是利用掩模图形更新公式对进行一次迭代更新的结果；掩模更新公式中的参数即为需要训练优化的参数；

MCNN第k+1层的输入与第k层输出之间的关系为：

其中，a_m为sigmoid函数的陡度因子，对于二元掩模的情况，t_m＝0.5；

MCNN最终输出二值掩模图形与第K层输出之间的关系为：

其中，Γ{·}为硬阈值函数，当·0时Γ{·}＝1，当·≤0时Γ{·}＝0。