[发明专利]一种基于残差网络的光刻掩模优化方法

权利要求书

1.一种基于残差网络的光刻掩模优化方法，其特征在于，包括以下步骤：

步骤一：收集初始掩模图案；

步骤二：训练残差网络，该残差网络用于优化初始掩模图案以得到最优掩模图案；

步骤三：建立光刻成像正向模型，将所述最优掩模图案输入所述模型计算该模型的空间像；

步骤四：将所述空间像在晶圆曝光显影，从而得到晶圆曝光图像。

2.根据权利要求1所述的基于残差网络的光刻掩模优化方法，其特征在于，所述步骤二包括：

步骤21：利用最速梯度下降法对所述初始掩模图案进行训练，得到优化后的掩模，将收集的掩模与其对应的优化掩模作为训练集；

步骤22：根据所述训练集对残差网络进行训练。

3.根据权利要求2所述的基于残差网络的光刻掩模优化方法，其特征在于，所述步骤21包括：

步骤211：根据初始掩模图案与晶圆曝光图像设定目标函数；所述晶圆曝光图像通过建立基于霍普金斯成像计算空间像得到；

所述目标函数为初始掩模图像与晶圆曝光图像差值的二范数的平方；

其中，Z为晶圆曝光图像，为初始掩模图像；

步骤212：对所述目标函数求导进行，得到目标函数对掩模的梯度▽F；

该公式中，m表示掩模，h为霍普金斯成像原理奇异值分解计算空间像得到的奇异向量，h_k为h的第k行向量；h^T为h的转置；

步骤213：对所述目标函数对掩模的梯度进行迭代；

其中,θⁿ⁺¹和θⁿ分别是第(n+1)次和第n次迭代中的掩模，s是步长。

4.根据权利要求3所述的基于残差网络的光刻掩模优化方法，其特征在于，所述所述晶圆曝光图像通过建立基于霍普金斯成像计算空间像得到包括以下步骤：

步骤2111：根据实际光刻成像系统参数确定光刻成像模型的输入参数；

步骤2112：根据所述输入参数，建立基于霍普金斯成像的光刻成像模型；

步骤2113：根据所述光刻成像模型，采用奇异值分解计算该模型的空间像I；

其中λ是奇异值，h为奇异向量，m为掩模；

步骤2114：将所述空间像在晶圆曝光显影，得到晶圆曝光图像Z；

其中，Z为晶圆曝光图像，t_r为阈值，此函数的阈值为0.5或最大陡峭点的位置，a为坡度因子，a越大，函数越陡，越接近于理想光刻胶函数。

5.根据权利要求2所述的基于残差网络的光刻掩模优化方法，其特征在于，所述步骤22包括：

将收集的掩模作为残差网络的输入，将对应基于梯度算法得到的优化掩模作为标签，并将此标签与网络输出结果的差异作为损失函数，利用反向传播算法对该残差网络权重层参数进行训练，使得网络输出结果与此标签差异最小化。

6.根据权利要求5所述的基于残差网络的光刻掩模优化方法，其特征在于，所述残差网络的特征为，假设残差网络每一层的输入是掩模特征x，残差函数是F(x)，期望输出是H(x)，即H(x)是期望的复杂潜在映射，如果是要学习这样的模型，则训练难度会比较大；通过捷径连接的方式，直接把输入x传到输出作为初始结果，输出结果为：

H(x)＝F(x)+x

当F(x)＝0时，那么H(x)＝x，也就是恒等映射；于是，残差网络相当于将学习目标改变了，不再是学习一个完整的输出，而是目标值H(x)和x的差值，也就是所谓的残差：

F(x)＝H(x)-x。

7.根据权利要求6所述的基于残差网络的光刻掩模优化方法，其特征在于，所述反向传播算法是指将所述损失函数从残差网络的输出层反向传播至输入层，在反向传播的过程中，根据差值不断调整网络中恒等映射和权重层参数值，直至得到小于阈值的损失函数，则训练结束。

8.根据权利要求6所述的基于残差网络的光刻掩模优化方法，其特征在于，所述残差网络中包含一种线性修正单元ReLU作为激活函数。

9.根据权利要求4所述的基于残差网络的光刻掩模优化方法，其特征在于，所述步骤2111中，所述实际光刻成像系统参数包括：光源参数，掩模参数，光瞳参数以及光刻胶参数；所述输入参数包括：光刻机的数值孔径，光源的波长、形状、部分相干因子；

所述光源参数包括：圆形光源、环形光源、二级光源、四极光源以及自由光源；圆形光源的部分相干因子包括σ_out，环形光源、二级光源和四极光源的部分相干因子为σ_out、σ_in。