[发明专利]传感芯片投影光刻机匹配方法

说明书

本发明公开了一种传感芯片投影光刻机匹配方法。所述方法基于深度学习，利用预先标签的图形数据集通过三元子损失函数训练出能够较好表达图片源域到目标域映射关系的卷积神经网络，同时引入工艺窗口到目标函数中从而保证不会过拟合并在模型训练过程后的模型筛选后的关键图形的工艺窗口表现更好。本发明通过训练过后的卷积神经网络能够获得所选待优化图形的聚类结果和关键图形组，简化了繁杂的筛选分类规则，实现了端到端的关键图形筛选。此外，对于不同特征的传感芯片图形，本发明有效提高投影光刻机的工作效率。

技术领域

本发明属于光刻分辨率增强技术领域，特别涉及一种传感芯片投影光刻机匹配方法。

背景技术

光刻机是生产和制造大规模集成电路的最主流的装备，而分辨率的好坏直接影响光刻机工作的精密程度。作为提高光刻机分辨率的关键手段，计算光刻可以有效推动芯片向更高集成度发展。光源掩模优化(SMO)是计算光刻的重要分支。通过联合优化光源和掩模图形能够有效提高光刻分辨率、提高工艺窗口，相对于对光源和掩模的单独优化即光源优化技术和光学邻近效应修正技术，优化自由度更高，且对于分辨率和工艺窗口优化效果更显著。更大的优化自由度会导致更大的复杂度，从而导致更大的运算成本和时间消耗。因此为了平衡优化的效果和优化的成本，一般不对全芯片进行光源掩模优化，而是使用图形筛选技术在芯片全局范围内对版型图片进行筛选，并使用筛选过后的关键图形进行全芯片掩模光源优化。以经过SMO之后得到的光源作为照明条件对整个掩模图形进行光源邻近修正、添加亚分辨率辅助图形。在这个过程中，全芯片光源掩模优化的关键图形筛选方法有效提高了优化效率，减少了优化成本。

荷兰ASML公司提出的基于图形衍射谱分析的关键图形筛选技术(参见在先技术1：Hua-Yu Liu,Luoqi Chen,Zhi-pan Li,Selection of optimum patterns in a designlayout based on diffraction signature analysis,PatentNo:US8543947B2)是目前最先进的技术。该技术通过提取衍射谱的特征，在制定的规则下对图形进行聚类和筛选，从而获得关键的图形组。然而该方法从聚类结果到工艺窗口上都没有达到最优的情况。IBM公司Lai 等人提出的基于图形聚类的SMO关键图形筛选方法，通过特定的表征方式将所有图片映射到特征空间中，在特征空间中对图形进行聚类，从而挑选出具有代表性图形作为SMO的关键图形。该方法能够有效筛选出用于SMO的关键图形，但是需要预先设定用于聚类的簇数量，且映射过程中的表征方式并不能更新模型参数因此有较大提升空间。故目前较为流行的两种方法并不是用于关键图形筛选的最优的方法。

发明内容

本发明的目的在于克服上述方法的问题，提供一种传感芯片投影光刻机匹配方法，其能较好筛选关键图形，能够实现图片到超几何平面的表征映射关系的深度学习方法，并在光刻场景下有更好的工艺窗口表现。

为达到上述目标的，本发明采用的技术方案为：

一种传感芯片投影光刻机匹配方法，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；

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；

步骤4、对所述关键图形进行光源掩模优化。

进一步地，所述步骤1具体包括：