[发明专利]一种计算光刻的深度学习方法

摘要

本发明公开了一种计算光刻的深度学习方法，能够提高传统OPC方法的优化速度和收敛性能，既可用于深紫外DUV光刻，又可用于极紫外EUV光刻。首先展开梯度迭代算法并截取其前若干步，结合光刻系统成像模型和光刻胶模型，创建前向的基于模型驱动卷积神经网络MCNN，即编码器。创建与编码器相对应的解码器，将MCNN的输出与解码器的输入相连，将MCNN输入与解码器输出的某种距离作为代价函数，对MCNN参数进行训练。将训练集样本输入MCNN，优化MCNN中的各项参数，使得MCNN的输入与解码器的输出之间的误差最小化。训练完成后，将MCNN与解码器分离，使用MCNN即可获得其他电路版图对应的OPC掩模图形。

主权项

1.一种计算光刻的深度学习方法，其特征在于，包括：基于光刻系统的成像模型，构建梯度迭代算法中的掩模图形更新公式；展开梯度迭代算法的迭代过程，截取前K步迭代，将每一步迭代过程作为一层，创建K层的前向卷积神经网络，称为基于模型的卷积神经网络MCNN，将MCNN作为编码器；MCNN的输入为理想电路版图，输出为对应的OPC掩模图形；MCNN中上一层的输出作为下一层的输入；基于光刻胶模型，构建与MCNN相对应的解码器；将MCNN的输出与解码器的输入相连；解码器的输入为OPC掩模图形，输出为OPC掩模图形在晶片处所成的像；对MCNN进行如下训练：收集电路版图结构，作为训练样本集，输入MCNN，采用反向传播算法优化MCNN中的各项参数，使得MCNN的输入与解码器的输出之间的误差最小化；训练结束后，将解码器与MCNN分离，将任意其他的理想电路版图输入训练后的MCNN，输出即为该电路版图所应对的掩模图形。