本技術(shù)涉及光刻掩膜，尤其涉及一種基于最小矩形像素堆疊的光刻掩膜優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、光刻技術(shù)是制造超大規(guī)模集成電路的關(guān)鍵技術(shù)之一。光刻系統(tǒng)通過光源照射掩模，并利用投影物鏡將掩模上的集成電路圖案轉(zhuǎn)移到硅片上。隨著半導(dǎo)體技術(shù)的發(fā)展，集成電路的特征尺寸越來越小，光學(xué)衍射的存在造成硅片上的曝光圖像與所用的掩膜版圖案產(chǎn)生了畸變，導(dǎo)致光刻圖案的轉(zhuǎn)移失真。因此，半導(dǎo)體行業(yè)廣泛采用計(jì)算光刻技術(shù)來提高光刻系統(tǒng)的分辨率和成像質(zhì)量，其中光學(xué)鄰近效應(yīng)修正(opc)是一種重要的技術(shù)。為了增加opc的優(yōu)化自由度，研究人員提出了像素化opc技術(shù)。這種技術(shù)將掩模圖形視為像素圖，通過優(yōu)化每個(gè)掩模像素的透過率來補(bǔ)償成像誤差。然而，盡管像素化opc技術(shù)提高了優(yōu)化自由度，但也顯著增加了掩模的復(fù)雜度，導(dǎo)致掩模制造的可控性降低，現(xiàn)有的基于像素的opc優(yōu)化算法具有很高的自由度，每個(gè)獨(dú)立的像素都可以作為單獨(dú)優(yōu)化的對(duì)象，最終表現(xiàn)為0或1(透過或遮擋)，這導(dǎo)致優(yōu)化后的掩膜產(chǎn)生毛刺以及孤立點(diǎn)。這些毛刺及孤立點(diǎn)通常需要大量的矩形射擊來擬合，從而增加了掩模斷裂射擊計(jì)數(shù)，大大降低了在實(shí)際生產(chǎn)中掩膜的可制造性，如果通過后處理去除，則可能帶來不可預(yù)料的投影成像誤差，因此還需要與優(yōu)化方法結(jié)合進(jìn)行優(yōu)化設(shè)計(jì)，然而，傳統(tǒng)的梯度迭代方法基于物理模型模擬光刻過程，利用數(shù)值優(yōu)化技術(shù)，如最小二乘法或其他優(yōu)化算法，根據(jù)目標(biāo)圖案與刻蝕圖案之間的差異逐步調(diào)整掩模圖案。由于每次迭代都需要進(jìn)行復(fù)雜的光學(xué)模擬和誤差計(jì)算，計(jì)算復(fù)雜度較高，因而難以處理具有高度復(fù)雜性的掩膜圖案。

2、綜上，相關(guān)技術(shù)中存在的技術(shù)問題有待得到改善。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例的主要目的在于提出一種基于最小矩形像素堆疊的光刻掩膜優(yōu)化方法及系統(tǒng)，能夠限制掩模優(yōu)化的自由度，減少優(yōu)化后的毛刺及孤立點(diǎn)，平衡bsn模型的復(fù)雜度與優(yōu)化精度，使其能夠處理具有高度復(fù)雜性的特征圖案。

2、為實(shí)現(xiàn)上述目的，本技術(shù)實(shí)施例的一方面提出了一種基于最小矩形像素堆疊的光刻掩膜優(yōu)化方法，所述方法包括：

3、構(gòu)建基于部分相干光源的光刻系統(tǒng)成像模型；

4、通過設(shè)定最小卷積核的尺寸，構(gòu)建基于最小矩形像素堆疊的bsn模型；

5、將所述光刻系統(tǒng)成像模型與所述bsn模型進(jìn)行組合，并確定逆光刻損失函數(shù)，構(gòu)建自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型；

6、通過反向傳播算法對(duì)所述自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化訓(xùn)練，得到優(yōu)化后的自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型；

7、基于所述優(yōu)化后的自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型，分離獲取優(yōu)化后的bsn模型，并將待優(yōu)化的掩膜圖案輸入至bsn模型，得到光學(xué)鄰近效應(yīng)校正優(yōu)化掩模的輸出結(jié)果。

8、在一些實(shí)施例中，所述構(gòu)建基于部分相干光源的光刻系統(tǒng)成像模型，包括：

9、獲取待優(yōu)化的掩膜圖案；

10、采用部分相干光刻系統(tǒng)，通過部分相干光源與所述部分相干光刻系統(tǒng)的點(diǎn)擴(kuò)散函數(shù)，確定光學(xué)頻域交叉?zhèn)鬟f函數(shù)；

11、對(duì)所述光學(xué)頻域交叉?zhèn)鬟f函數(shù)進(jìn)行奇異值分解，根據(jù)分解結(jié)果確定所述待優(yōu)化的掩膜圖案的部分相干光光刻空間像，所述分解結(jié)果包括奇異值和特征向量；

12、基于所述部分相干光光刻空間像，在梯度下降中采用sigmoid函數(shù)替代光刻膠硬閾值函數(shù)，構(gòu)建光刻膠函數(shù)；

13、結(jié)合所述光刻膠函數(shù)，構(gòu)建所述基于部分相干光源的光刻系統(tǒng)成像模型。

14、在一些實(shí)施例中，所述光刻膠函數(shù)的表達(dá)式具體如下所示：

15、

16、上式中，z表示晶圓上光刻膠刻蝕圖案，hard{·}表示光刻膠硬閾值函數(shù)，i表示空間像光強(qiáng)，tr表示閾值，μk表示奇異值，hk表示每個(gè)奇異值對(duì)應(yīng)的特征向量，m表示掩模圖案，k表示奇異值的個(gè)數(shù)；

17、在梯度下降中采用sigmoid函數(shù)替代光刻膠硬閾值函數(shù)的過程的表達(dá)式為：

18、

19、上式中，sigmoid{·}表示sigmoid函數(shù)。

20、在一些實(shí)施例中，所述通過設(shè)定最小卷積核的尺寸，構(gòu)建基于最小矩形像素堆疊的bsn模型，包括：

21、設(shè)定所述最小卷積核的尺寸大小，引入sigmoid函數(shù)，構(gòu)建映射模塊與還原模塊；

22、基于u-net神經(jīng)網(wǎng)絡(luò)，引入密集跳躍連接，構(gòu)建u-net++神經(jīng)網(wǎng)絡(luò)模塊，所述u-net++神經(jīng)網(wǎng)絡(luò)模塊包括若干雙重卷積模塊和最大池化層；

23、將所述映射模塊的輸出端與所述u-net++神經(jīng)網(wǎng)絡(luò)模塊的輸入端連接，所述u-net++神經(jīng)網(wǎng)絡(luò)模塊的輸出端與所述還原模塊的輸入端連接，構(gòu)建所述基于最小矩形像素堆疊的bsn模型。

24、在一些實(shí)施例中，所述將所述光刻系統(tǒng)成像模型與所述bsn模型進(jìn)行組合，并確定逆光刻損失函數(shù)，構(gòu)建自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型，包括：

25、設(shè)定目標(biāo)圖案；

26、將所述目標(biāo)圖案輸入至所述bsn模型，得到預(yù)測(cè)掩模；

27、將所述預(yù)測(cè)掩模輸入至所述光刻系統(tǒng)成像模型進(jìn)行成像處理，得到預(yù)測(cè)晶圓上光刻膠刻蝕圖案；

28、根據(jù)所述目標(biāo)圖案，并結(jié)合所述預(yù)測(cè)晶圓上光刻膠刻蝕圖案，確定光學(xué)鄰近效應(yīng)校正優(yōu)化問題的逆光刻損失函數(shù)，構(gòu)建所述自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型。

29、在一些實(shí)施例中，所述光學(xué)鄰近效應(yīng)校正優(yōu)化問題的逆光刻損失函數(shù)的表達(dá)式具體如下所示：

30、

31、上式中，loss表示光學(xué)鄰近效應(yīng)校正優(yōu)化問題的逆光刻損失函數(shù)，mb表示輸入神經(jīng)網(wǎng)絡(luò)的二值矩陣，z表示晶圓上光刻膠刻蝕圖案，因此損失函數(shù)第一項(xiàng)表示保真項(xiàng)，即目標(biāo)圖案與晶圓上光刻膠刻蝕圖案之間的歐拉距離的平方，rd和rn分別表示二次懲罰函數(shù)和數(shù)量懲罰函數(shù)，γd和γn分別表示二次懲罰函數(shù)和數(shù)量懲罰函數(shù)的加權(quán)系數(shù)。

32、在一些實(shí)施例中，所述通過反向傳播算法對(duì)所述自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化訓(xùn)練，得到優(yōu)化后的自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型，包括：

33、將所述目標(biāo)圖案輸入至所述自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型的bsn模型進(jìn)行優(yōu)化處理，得到訓(xùn)練掩模；

34、將所述訓(xùn)練掩模輸入至所述自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型的光刻系統(tǒng)成像模型進(jìn)行成像處理，得到訓(xùn)練晶圓上光刻膠刻蝕圖案；

35、基于所述訓(xùn)練晶圓上光刻膠刻蝕圖案，將所述逆光刻損失函數(shù)進(jìn)行最小化處理，優(yōu)化所述bsn模型的u-net++神經(jīng)網(wǎng)絡(luò)參數(shù)，得到所述優(yōu)化后的自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型。

36、在一些實(shí)施例中，所述將所述目標(biāo)圖案輸入至所述自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型的bsn模型進(jìn)行優(yōu)化處理，得到訓(xùn)練掩模，包括：

37、將所述目標(biāo)圖案輸入至所述bsn模型的映射模塊，對(duì)所述目標(biāo)圖案進(jìn)行掩模-映射-位置矩陣的編碼處理，得到具有堆疊性質(zhì)的位置矩陣；

38、將所述具有堆疊性質(zhì)的位置矩陣輸入至所述bsn模型的u-net++神經(jīng)網(wǎng)絡(luò)模塊，對(duì)所述具有堆疊性質(zhì)的位置矩陣進(jìn)行預(yù)測(cè)處理，得到訓(xùn)練的位置矩陣；

39、將所述訓(xùn)練的位置矩陣輸入至所述bsn模型的還原模塊，對(duì)所述訓(xùn)練的位置矩陣進(jìn)行位置矩陣-還原-掩模的解碼處理，得到所述訓(xùn)練掩模。

40、在一些實(shí)施例中，所述基于所述優(yōu)化后的自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型，分離獲取優(yōu)化后的bsn模型，并將待優(yōu)化的掩膜圖案輸入至bsn模型，得到光學(xué)鄰近效應(yīng)校正優(yōu)化掩模的輸出結(jié)果，包括：

41、將所述優(yōu)化后的自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分離處理，得到優(yōu)化后的bsn模型；

42、基于所述優(yōu)化后的bsn模型，將待優(yōu)化的掩膜圖案輸入到bsn模型，得到光學(xué)鄰近效應(yīng)校正優(yōu)化掩模的輸出結(jié)果。

43、為實(shí)現(xiàn)上述目的，本技術(shù)實(shí)施例的另一方面提出了一種基于最小矩形像素堆疊的光刻掩膜優(yōu)化系統(tǒng)，所述系統(tǒng)包括：

44、第一模塊，用于構(gòu)建基于部分相干光源的光刻系統(tǒng)成像模型；

45、第二模塊，用于通過設(shè)定最小卷積核的尺寸，構(gòu)建基于最小矩形單元堆疊的bsn模型；

46、第三模塊，用于將所述光刻系統(tǒng)成像模型與所述bsn模型進(jìn)行組合，并確定逆光刻損失函數(shù)，構(gòu)建自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型；

47、第四模塊，用于通過反向傳播算法對(duì)所述自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化訓(xùn)練，得到優(yōu)化后的自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型；

48、第五模塊，用于基于所述優(yōu)化后的自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型，分離獲取優(yōu)化后的bsn模型，并將待優(yōu)化的掩膜圖案輸入至bsn模型，得到光學(xué)鄰近效應(yīng)校正優(yōu)化掩模的輸出結(jié)果。

49、本技術(shù)實(shí)施例至少包括以下有益效果：本技術(shù)提供一種基于最小矩形像素堆疊的光刻掩膜優(yōu)化方法及系統(tǒng)，該方案通過構(gòu)建基于部分相干光源的光刻系統(tǒng)成像模型以及通過設(shè)定最小卷積核的尺寸，構(gòu)建基于最小矩形像素堆疊的bsn模型，能夠通過限制最小構(gòu)成單元，限制掩模優(yōu)化的自由度，減少優(yōu)化后的毛刺及孤立點(diǎn)，顯著降低了掩模復(fù)雜度，增加光學(xué)鄰近效應(yīng)校正優(yōu)化掩模的可制造性。通過部分相干光光刻模型驅(qū)動(dòng)，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可靠性和可解釋性，同時(shí)也可以大幅減少標(biāo)記計(jì)算的時(shí)間以及標(biāo)記錯(cuò)誤所導(dǎo)致的訓(xùn)練誤差。進(jìn)一步，將光刻系統(tǒng)成像模型與bsn模型進(jìn)行組合，并確定逆光刻損失函數(shù)組成，構(gòu)建自監(jiān)督神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，訓(xùn)練后分離獲取優(yōu)化后的bsn模型，將待優(yōu)化的掩膜圖案輸入到bsn模型就可以得到優(yōu)化掩膜的輸出，可以平衡bsn模型的復(fù)雜度與優(yōu)化精度，使其能夠處理具有高度復(fù)雜性的掩膜圖案。