[发明专利]一种基于深度学习的光刻OPC数据库建立方法

权利要求书

1.一种基于深度学习的光刻OPC数据库建立方法，其特征在于，包括以下步骤：

步骤1、构建数据集；所述数据集包括多组数据组，每组所述数据组包括目标掩膜图像及其对应的多张优化掩膜图像；

步骤2、构建深度学习回归网络；

步骤3、将所述数据集划分为训练集和测试集，通过所述训练集对所述深度学习回归网络进行训练，通过所述测试集对所述深度学习回归网络进行测试；

训练时，将所述数据集内每一组数据组中的所有优化掩膜图像输入至所述深度学习回归网络中，同时在所述深度学习回归网络中将该组数据组的目标掩膜图像定义为该组数据组的标签，所述深度学习回归网络会自我学习该标签与其对应的多张优化掩膜图像之间的映射关系；

测试时，将所述测试集内每一组数据组中的目标掩膜图像作为所述深度学习回归网络的输入，将回归预测出的优化掩膜图像作为所述深度学习回归网络的输出，并求得所述深度学习回归网络的精度；若所述深度学习回归网络的精度大于预设精度，则视所述深度学习回归网络合格，得到训练好的网络模型；

步骤4、将所述训练好的网络模型作为光刻OPC数据库，所述光刻OPC数据库用于输入目标掩膜图像，输出一张与该目标掩膜图像对应的优化掩膜图像。

2.根据权利要求1所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述步骤1中，所述数据集的构建方法包括：

使用OPC优化算法对多种目标掩膜图像的曝光剂量进行优化，生成优化掩膜图像；

针对每种目标掩膜图像，通过多次改变优化迭代次数，生成不同的优化掩膜图像；

将目标掩膜图像及其对应的在多次优化迭代次数下的多张优化掩膜图像作为一组数据组，并录入数据集。

3.根据权利要求2所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，对目标掩膜图像的曝光剂量进行优化以生成优化掩膜图像时，采用如下公式：

其中，

其中，F表示代价函数，ξ表示权重系数，I_out表示优化掩膜图像，I_target表示目标掩膜图像，a表示刻蚀速度，t_r表示刻蚀阈值，E(x，y)表示曝光剂量分布矩阵，(x，y)表示一个曝光点的位置坐标，Re和加表示取当前计算结果的实部和虚部，H表示光瞳函数，M表示迭代优化过程中的计算掩膜，θ表示无约束优化变量；

进行迭代优化时：

其中，s表示OPC优化算法中更新的步长。

4.根据权利要求1所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述步骤2中，所述深度学习回归网络采用ResNet网络。

5.根据权利要求4所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述深度学习回归网络包括三层通道，第一层通道和第二层通道结构相同，第三层通道包括一个卷积层；所述构建深度学习回归网络包括：

构建所述第一层通道和所述第二层通道的方法相同，如下：构建第一卷积层，其输入为原始输入图像，并采用Relu函数激活；构建第二卷积层，其输入为第一卷积层的输出，采用Relu函数激活，输出添加上一层的残差结果；构建第三卷积层，其输入为第二卷积层的输出，采用Relu函数激活，输出添加上一层的残差结果；构建第一逆卷积层，其输入为第三卷积层的输出，进行批量归一化处理，采用Relu函数激活，输出添加上一层的残差结果；构建第二逆卷积层，其输入为第一逆卷积层的输出，进行批量归一化处理，采用Relu函数激活；

所述第一层通道的输出结果和所述第二层通道的输出结果相加，并作为第三逆卷积层的输入，进行批量归一化处理，采用Relu函数激活；所述第三逆卷积层的输出与原始输入图像经所述第三层通道的卷积层后的数据结果相加，得到输出结果。

6.根据权利要求5所述的基于深度学习的光刻OPC数据库建立方法，其特征在于，所述深度学习回归网络中各卷积层的卷积核尺寸大小为3×3。