[发明专利]一种基于神经网络的无标签反演光刻方法及系统

权利要求书

1.一种基于神经网络的无标签反演光刻方法，其特征在于，包括以下步骤：

S1、构建光刻系统模型；

S2、基于Pytorch神经网络框架建立光刻系统层；

S3、获取现有目标布局作为数据样本组成训练集，并对所述目标布局进行数据增强处理；

S4、将Unet网络与所述光刻系统层连接组成自编码网络，将训练集输入所述自编码网络中进行训练，并基于BP算法对Unet网络的参数进行优化，得到完成训练的Unet网络；

S5、将目标布局输入完成训练的Unet网络中，输出得到无标签反演光刻合成掩模。

2.根据权利要求1所述的无标签反演光刻方法，其特征在于，所述光刻系统模型包括光学成像模型和光刻胶模型。

3.根据权利要求2所述的无标签反演光刻方法，其特征在于，所述光学成像模型包括Hopkins模型，并利用TCC矩阵的奇异值分解将部分相干光学成像系统视为多个相干光学成像系统的线性叠加。

4.根据权利要求3所述的无标签反演光刻方法，其特征在于，所述光刻胶模型包括常数阈值模型，所述常数阈值模型包括sigmoid函数；所述光刻胶模型的表达公式如下：

式中，a为常系数，I_th为光刻胶阈值，I为硅片上的光强。

5.根据权利要求4所述的无标签反演光刻方法，其特征在于，所述S2步骤中，基于Pytorch神经网络框架建立光刻系统层的步骤包括：

S2.1、设置基于Pytorch神经网络的光刻系统层，将光刻系统模型中的每一个相干光学成像系统h_k作为光刻系统层的参数；其中k＝1,2,...,N，N为相干光学成像系统的总数量；

S2.2、将掩模M输入所述光刻系统层；

S2.3、对每一个光刻系统层的参数h_k逐一进行基于FFT的快速卷积计算，输出晶圆图案Z；其计算过程如下，其中硅片上的光强I的初始值被设置为0：

E_real＝conv2d_fft(M,real(h_k))

E_img＝conv2d_fft(M,img(h_k))

式中M为掩膜，E_real表示奇异值分解得到的第k个相干光学成像系统h_k分量的实部，E_img表示第k个相干光学成像系统h_k分量的虚部；conv2d_fft(·)表示基于FFT的快速卷积计算函数。

6.根据权利要求1所述的无标签反演光刻方法，其特征在于，所述训练集中的目标布局包括不同尺寸和/或不同间距的密集线、孤立线、端到端图像、拐角到拐角图像和点阵。

7.根据权利要求1所述的无标签反演光刻方法，其特征在于，所述S3步骤中，对所述目标布局进行数据增强处理的步骤包括：将目标布局在一定范围内随机移动和/或随机翻转。

8.根据权利要求1所述的无标签反演光刻方法，其特征在于，所述自编码网络中的Unet网络包括由卷积层、组归一化层、relu层、最大池化层、上采样层和sigmoid层。

9.根据权利要求8所述的无标签反演光刻方法，其特征在于，所述S4步骤中，基于BP算法对Unet网络进行优化的步骤包括：设置所述自编码网络的代价函数F(w)，以优化参数w为目标对Unet网络进行训练，其优化过程的表达公式如下：

式中，表示训练集，G_w{}为Unet网络的前向函数，w为Unet网络中可优化参数，表示为神经网络经过训练后得到的收敛结果；T{}为光刻系统层的前向函数；α，β为可设定的常数，代表惩罚项的比重；f_binary是一个限制掩模透过率的值的函数，f_TV为TV惩罚项。

10.一种基于神经网络的无标签反演光刻系统，应用于权利要求1～9任一项所述的无标签反演光刻方法，其特征在于，包括：

光刻系统层构建模块，用于构建光刻系统模型，并根据光刻系统模型建立基于Pytorch神经网络框架的光刻系统层；

训练集构建模块，用于获取现有目标布局作为数据样本组成训练集，以及用于对获取的目标布局进行数据增强处理；

模型优化模块，用于将训练集输入由Unet网络与光刻系统层组成的自编码网络中进行训练，并基于BP算法对Unet网络的参数进行优化，得到完成训练的Unet网络；

反演光刻模块，包括完成训练的Unet网络，用于通过Unet网络对输入的目标布局进行处理，输出合成掩模。