[发明专利]一种基于深度学习的光刻OPC数据库建立方法

说明书

本发明属于光学邻近校正技术领域，公开了一种基于深度学习的光刻OPC数据库建立方法。本发明包括构建数据集和深度学习回归网络，利用数据集对深度学习回归网络进行训练和测试，将训练好的网络模型作为光刻OPC数据库。本发明基于深度学习进行数据库构造，能够对数据库的数据集内的目标掩膜图像进行回归预测，快速回归预测出优化掩膜图像，且能够对数据库外的目标掩膜图像进行回归预测，解决了现有光刻OPC数据库的数据量需求庞大、占据内存大、调用图像时计算代价大速度慢、缺乏泛化能力等问题。

技术领域

本发明属于光学邻近校正技术领域，更具体地，涉及一种基于深度学习的光刻OPC数据库建立方法。

背景技术

随着集成电路设计和制造进入纳米级精度，特征尺寸已经接近甚至小于光刻工艺中所使用的光波波长，因此光刻过程中，由于光的衍射和干涉现象，实际硅片上得到的光刻曝光后图形与掩膜版设计图形之间存在一定的变形和偏差，光刻中的这种误差直接影响电路性能和生产成品率，为尽量消除这种误差，一种有效的方法是光学邻近校正(OpticalProximity Correction，OPC)。光学邻近校正是一种分辨率增强技术，它通过迭代优化算法不断调整掩膜图案，以减小晶圆图案和目标图案之间的误差。

现有的光刻OPC数据库为图像数据库，目标掩膜图像存在数据库内以供调用，图像数据库是图像的数据集合，数据量需求庞大，占据内存大；图像数据库调用时通常是基于图像特征匹配的遍历搜索算法，此算法计算代价大，计算速度慢；此外，数据库包含的图像数据有限，对数据库外的图像无法实现完全覆盖，缺乏泛化能力，对于数据库外的数据检索效果差。

发明内容

本发明通过提供一种基于深度学习的光刻OPC数据库建立方法，解决现有技术中光刻OPC数据库的数据量需求庞大、占据内存大、调用图像时计算代价大速度慢、缺乏泛化能力的问题。

本发明提供一种基于深度学习的光刻OPC数据库建立方法，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。

优选的，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。

优选的，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，