[发明专利]传感芯片投影光刻机匹配方法

权利要求书

1.一种传感芯片投影光刻机匹配方法，其特征在于，包括以下步骤：

步骤1、获取和预处理版型数据集；

步骤2、进行深度学习模型训练，具体包括：

步骤 2.1、在初次筛选三元子组时，随机选取一个样本作为anchor样本，随机选取与anchor相同标签下的样本作为positive样本，再随机选取与anchor不同标签下的样本作为negative样本；在后续选择三元子组时，根据三元子的筛选原则选取对优化模型最有效的另外的三元子组；

步骤 2.2、将预处理过的224*224大小的三张单通道图片的三元子组输入到卷积神经网络中，经过卷积神经网络最后的全连接层获得对应到超几何平面的向量，对向量使用L2正则化得到特征向量嵌入，用f(x_i)表示,f(x_i)的维度为M，M为自定义变量；

步骤 2.3 以三元子组作为输入的卷积神经网络选用三元子损失函数L_triplet；同时，在系统目标函数设计上，在三元子损失函数的基础上加入偏置函数，即对关键图形进行成像仿真的工艺窗口结果，所述工艺窗口为焦深DOF；

步骤 2.4、使用反向传播算法依次更新卷积神经网络和全连接层的模型参数；如果训练的轮数是N的倍数，回到步骤2.2，否则依旧使用原来的三元子组；

步骤 2.5、将训练后的模型存储下来，并将最后一次更新的特征向量保存下来；

步骤3、使用训练好的深度学习模型进行光源掩模优化前的layout数据集的聚类和筛选，获得关键图形，具体包括：

步骤3.1、将待优化的全局版型图片做成多个小的切片，并将获得的切片图像预处理成为满足卷积神经网络输入的格式；

步骤 3.2、将待筛选的图片集输入到卷积神经网络中，获得对应的特征向量；

步骤 3.3、根据密度聚类算法，完成对超几何平面上嵌入的聚类，从而实现对应版型图片的聚类和分组；

步骤 3.4、确定每个分组的超几何空间的中心，选择每个分组距离超几何平面最近的图形作为关键图形用来做光源掩模联合优化；

所述步骤3所提到的基于密度的聚类算法具体包括：

（1）设定一个邻域参数(ε,MinPts), ε是邻域的最大范围的半径，MinPts为确定为核心对象时在邻域范围内最少的样本点的个数；

（2）根据邻域参数(ε,MinPts)找到所有图片中的核心对象，其中ε的设定值参考三元子损失函数中的α的设置；

（3）以任意核心对象为出发点找出其达到密度可达的样本从而生成聚类簇，直到所有核心对象均被访问过为止；

步骤4、对所述关键图形进行光源掩模优化。

2.根据权利要求1所述的一种传感芯片投影光刻机匹配方法，其特征在于，所述步骤1具体包括：

步骤 1.1、根据掩模筛选方法和layout标准库获得一个具有标签的layout数据集，将具有相同标签的图片放在同一个路径下，作为训练模型所需的样本集D={x₁,x₂,…,x_n},且n个样本划分为 k个不相交的分组{C_l│l=1,2,…,k}，其中C_l指样本的标签；

步骤1.2、对layout数据集的图片进行预处理，使图片满足卷积神经网络图片输入大小的要求。

3.根据权利要求2所述的一种传感芯片投影光刻机匹配方法，其特征在于，所述步骤2.1的三元子组筛选方法和步骤2.3中的系统目标函数设计具体包括：

三元子的构建和筛选使用离线全局的方式，随机选择某个样本作为anchor，然后选取距离anchor样本欧式距离最远的样本作为三元子中positive的样本即，其中，argmax 表示求满足函数最大值的对应参数值，/表示L2范数的平方；选取距离anchor样本欧式距离最近的不同标签的样本作为三元子中negative的样本，即，其中，argmin表示求满足函数最小值的对应参数值，/，/为三元子样本经过模型的输出；构成一个三元子组；每隔一定的训练轮数，通过更新后的网络重新确定新的三元子集；

系统目标函数表示为：目标函数=L_triplet+正则项；

损失函数L_triplet表示为：

，

其中[x]₊=max{0,x}，α是边界值，为输入卷积神经网络的三元子，为输入三元子的输出；

所述正则项表示为：

，其中，DOF为焦深，λ为自定义参数；

最后的目标函数表示为：

。/