用于生成特性图案以及训练机器学习模型的方法与流程

用于生成特性图案以及训练机器学习模型的方法
1.相关申请的交叉引用
2.本技术要求于2019年9月16日递交的美国申请62/900,887的优先权，所述美国申请的全部内容通过引用并入本文中。
技术领域
3.本文中的描述总体涉及图案化过程以及确定与设计布局相对应的特性图案的设备和方法。


背景技术：

4.光刻投影设备可以用于例如集成电路(ic)的制造中。在这种情况下，图案形成装置(例如，掩模)可以包含或提供与ic的单层对应的图案(“设计布局”)，并且这种图案可以通过诸如通过图案形成装置上的图案辐照已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如硅晶片)上的目标部分(例如包括一个或更多个管芯)之类的方法，被转印到所述目标部分上。通常，单个衬底包含被光刻投影设备连续地、一次一个目标部分地将所述图案转印到其上的多个相邻目标部分。在一种类型的光刻投影设备中，整个图案形成装置上的所述图案被一次转印到一个目标部分上；这样的设备通常称作为步进器。在一种替代的设备(通常称为步进扫描设备)中，投影束沿给定的参考方向(“扫描”方向)在图案形成装置之上扫描，而同时沿与此参考方向平行或反向平行的方向同步地移动所述衬底。所述图案形成装置上的所述图案的不同部分被逐渐地转印到一个目标部分上。因为通常所述光刻投影设备将具有减小比率m(例如，4)，则上述衬底被移动的速率f将是所述投影束扫描所述图案形成装置的速率的1/m倍。关于本文描述的光刻装置的更多信息可以从例如us 6,046,792中搜集到，该文献通过引用而被合并入本文中。
5.在将所述图案从所述图案形成装置转印至所述衬底之前，所述衬底可能经历各种工序，诸如涂底料、抗蚀剂涂覆以及软焙烤。在曝光之后，所述衬底可能经历其它工序(“曝光后工序”)，诸如曝光后焙烤(peb)、显影、硬焙烤以及对所转印的图案的测量/检查。这一系列的工序被用作为用以制造器件(例如ic)的单个层的基础。之后所述衬底可能经历各种过程，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等，所有的这些过程都旨在最终完成所述器件的单个层。如果所述器件中需要若干层，则针对每一层重复整个工序或其变形。最终，器件将存在于所述衬底上的每一目标部分中。之后通过诸如切片或切割之类技术，将这些器件互相分离开，据此多个单独的器件可以被安装在载体上，连接至引脚，等等。
6.因而，制造器件(诸如半导体器件)通常涉及使用多个制造过程来处理衬底(例如，半导体晶片)以形成器件的各种特征和多个层。这些层和特征通常使用例如淀积、光刻、蚀刻、化学机械抛光、和离子注入来制造和处理。可在衬底上的多个管芯上制造多个器件，且然后将其分离成多个单独的器件。此器件制造过程可以被认为是图案化过程。图案化过程涉及图案形成步骤，诸如在光刻设备中使用图案形成装置的光学和/或纳米压印光刻术，以
将所述图案形成装置上的图案转印到衬底上，并且通常但可选地涉及一个或更多个相关的图案处理步骤，诸如通过显影设备的抗蚀剂显影、使用焙烤工具的衬底焙烤、使用蚀刻设备而使用所述图案进行蚀刻，等等。
7.如所提及的，光刻术是制造器件(诸如ic)中的核心步骤，其中，形成于衬底上的图案限定所述器件的功能元件，诸如微处理器、存储器芯片，等等。类似的光刻技术也用于形成平板显示器、微机电系统(mems)和其它装置。
8.随着半导体制造过程继续进步，几十年来，功能元件的尺寸已经持续不断地减小而同时每一个器件的功能元件(诸如晶体管)的量已经稳定地增加，这遵循着通常称为“摩尔定律”的趋势。在当前的技术状态下，使用光刻投影设备来制造器件的多个层，光刻投影设备使用来自深紫外线照射源的照射将设计布局投影到衬底上，从而形成具有远低于100nm(即，小于来自照射源(例如193nm照射源)的辐射的波长的一半)的尺寸的多个单独功能元件。
9.其中印制具有尺寸小于光刻投影设备的经典分辨率极限的特征的这种过程通常被称为低k1光刻术，它所依据的分辨率公式是cd＝k1×
λ/na，其中，λ是所采用的辐射的波长(当前大多数情况下是248nm或193nm)，na是所述光刻投影设备中的投影光学器件的数值孔径，cd是“临界尺寸”(通常是所印制的最小特征尺寸)以及，k1是经验分辨率因子。通常，k1越小，则在所述衬底上再现类似于由设计者所规划的形状和尺寸以便实现特定电学功能性和性能的图案就变得越困难。为了克服这些困难，将复杂的精调整步骤应用于所述光刻投影设备、所述设计布局、或所述图案形成装置。这些步骤包括例如但不限于：na和光学相干性设定的优化、自定义照射方案、使用相移图案形成装置、所述设计布局中的光学邻近效应校正(opc，有时也称作“光学和过程校正”)，或通常被定义为“分辨率增强技术”(ret)的其它方法。如本文中使用的术语“投影光学器件”应该被宽泛地解释为涵盖各种类型的光学系统，包括例如折射型光学器件、反射型光学器件、孔阑和反射折射型光学器件。术语“投影光学器件”也可以包括用于共同地或单个地引导、成形或控制投影辐射束的根据这些设计类型中的任一个来操作的部件。术语“投影光学元件”可以包括所述光刻投影设备中的任何光学部件，无论所述光学部件位于所述光刻投影设备的光学路径上的什么地方。投影光学器件可以包括用于在来自所述源的辐射传递通过所述图案形成装置之前成形、调整和/或投影该辐射的光学部件，或者用于在所述辐射通过所述图案形成装置之后成形、调整和/或投影所述辐射的光学部件。所述投影光学器件通常不包括所述源和所述图案形成装置。


技术实现要素：

10.根据实施例，提供了一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案。所述方法包括：获得(i)满足锐度阈值和与所述掩模图案的制造相关的合格阈值的参考特性图案，和(ii)用于生成所述掩模图案的连续传输掩模(ctm)；以及基于所述参考特性图案和所述ctm，训练所述机器学习模型，使得所述特性图案与所述ctm之间的第一指标减小，和所述特性图案与所述参考特性图案之间的第二指标减小。
11.此外，提供了一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案。所述方法包括：获得(a)所述机器学习模型，所述机器学习模型包括：(i)生成器模型，所述生成器模型被配置成根据连续传输掩模(ctm)生成所述特性图案；和
(ii)鉴别器模型，所述鉴别器模型被配置成确定输入图案是否满足锐度阈值和与所述掩模图案的制造相关的合格阈值，以及(b)参考特性图案，所述参考特性图案满足所述锐度阈值和与所述掩模图案的制造相关的所述合格阈值；和以协同方式训练所述生成器模型和所述鉴别器模型，使得：(i)所述生成器模型使用所述ctm生成所述特性图案，并且所述鉴别器模型确定所述特性图案和所述参考特性图案满足包括所述锐度阈值的所述合格阈值；以及(ii)所生成的特性图案与所述ctm之间的指标减小。
12.此外，提供了一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案。所述方法包括：获得(a)所述机器学习模型，所述机器学习模型包括：(i)训练后的生成器模型，所述训练后的生成器模型被配置成根据输入矢量生成所述特性图案；和(ii)用于将输入图像转换为一维(1d)矢量的编码器模型，以及(b)用于生成所述掩模图案的连续传输掩模(ctm)；和与所述训练后的生成器模型协同地训练所述编码器模型。所述训练包括：使用所述ctm作为所述输入图像执行所述编码器模型以生成所述1d矢量；使用所生成的1d矢量作为所述输入矢量执行所述训练后的生成器模型以生成所述特性图案；以及调整所述编码器模型的模型参数使得所生成的特性图案与所述ctm之间的指标减小。
13.此外，提供了一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模的特性图案。所述方法包括：获得所述机器学习模型，所述机器学习模型包括：(i)用于将输入图像转换为一维(1d)矢量的编码器模型；以及(ii)解码器模型，所述解码器模型被配置成根据输入矢量生成所述特性图案；和与所述解码器模型协同地训练所述编码器模型。所述训练包括：使用参考特性图案作为所述输入图像执行所述编码器模型以生成所述1d矢量，其中所述参考特性图案满足与制造所述掩模图案相关联的合格阈值；使用所生成的1d矢量作为所述输入矢量执行所述解码器模型以生成所述特性图案；以及调整所述编码器模型和所述解码器模型的模型参数使得所生成的特性图案与所述参考特性图案之间的指标减小。
14.在实施例中，所述训练方法还包括训练的第二阶段。所述第二阶段包括获得第二编码器模型，所述第二编码器模型被配置成将用于生成所述掩模图案的连续传输掩模(ctm)转换为所述1d矢量；以及与训练后的解码器模型协同地训练所述第二编码器模型。训练所述第二编码器包括：使用所述ctm作为所述输入图像执行所述第二编码器模型以生成所述1d矢量；使用所生成的1d矢量作为所述输入矢量执行训练后的解码器模型以生成所述特性图案；以及调整所述第二编码器模型的模型参数使得所生成的特性图案与所述ctm之间的另一指标减小，和/或与图案化过程相关联的性能指标减小。
15.此外，提供了训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案。所述方法包括：获得(i)满足锐度阈值和与所述掩模图案的制造相关的合格阈值的参考特性图案，以及(ii)目标图案；以及基于所述参考特性图案和目标训练所述机器学习模型使得所述特性图案与所述参考特性图案之间的指标减小，和与图案化过程相关联的性能指标减小。
16.此外，提供了一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案。所述方法包括获得：(a)所述机器学习模型，所述机器学习模型包括(i)训练后的生成器模型，所述训练后的生成器模型被配置成根据输入矢量生成所述特性图案；以及(ii)用于将输入图像转换为一维(1d)矢量的编码器模型，以及(b)目标图案；以及
与所述训练后的生成器模型协同地训练所述编码器模型。所述训练包括使用所述目标图案作为所述输入图像执行所述编码器模型以生成所述1d矢量；使用所生成的1d矢量作为所述输入矢量执行训练后的生成器模型以生成所述特性图案；以及调整所述编码器模型的模型参数使得图案化过程的性能指标减小。在实施例中，经由使用包括所述特性图案的所述掩模图案模拟所述图案化过程来确定所述性能指标。
17.此外，提供了一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模的特性图案。所述方法包括：获得所述机器学习模型，所述机器学习模型包括：(i)用于将输入图像转换为一维(1d)矢量的编码器模型；以及(ii)解码器模型，所述解码器模型被配置成根据输入矢量生成所述特性图案；以及与所述解码器模型协同地训练所述编码器模型。所述训练包括：使用参考特性图案作为所述输入图像执行所述编码器模型以生成所述1d矢量，其中所述参考特性图案满足与制造所述掩模图案相关联的合格阈值；使用所生成的1d矢量作为所述输入矢量执行所述解码器模型以生成所述特性图案；以及调整所述编码器模型和所述解码器模型的模型参数使得所生成的特性图案与所述参考特性图案之间的指标减小。
18.在实施例中，所述训练方法还包括训练的第二阶段。所述第二阶段包括获得第二编码器模型，所述第二编码器模型被配置成将目标图案转换为所述1d矢量；以及与训练后的解码器模型协同地训练所述第二编码器模型。所述第二编码器的训练包括使用所述目标图案作为所述输入图像执行所述第二编码器模型以生成所述1d矢量；使用所生成的1d矢量作为所述输入矢量执行所述训练后的解码器模型以生成所述特性图案；以及调整所述第二编码器模型的模型参数使得图案化过程的性能指标减小。在实施例中，经由使用包括所述特性图案的所述掩模图案模拟所述图案化过程来确定所述性能指标。
19.此外，提供了一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案。所述方法包括：获得(i)满足锐度阈值和与所述掩模图案的制造相关的合格阈值的参考特性图案，以及(ii)用于生成所述掩模图案的连续传输掩模(ctm)；以及基于所述参考特性图案和所述ctm训练所述机器学习模型，使得所述特性图案与所述参考特性图案之间的差减小。
20.此外，本发明提供了一种计算机程序产品，所述计算机程序产品包括其上记录有指令的非暂时性计算机可读介质，所述指令在由计算机执行时实施以上任一方法的步骤。
附图说明
21.在结合附图而评述具体实施例的以下描述的情况下，本领域的普通技术人员将明白以上方面和其它方面及特征，在附图中：
22.图1示出了根据实施例的光刻系统的各个子系统的框图；
23.图2示出了根据实施例的处理变量的示例类别；
24.图3是根据实施例的用于对图案化过程的各部分进行建模和/或模拟的流程图；
25.图4图示了根据实施例的基于生成式对抗网络或对抗生成网络(gan)架构来训练机器学习模型的示例框图；
26.图5a和图5b是根据实施例的使用gan训练过程用于对使用ctm作为输入来生成特性图案的机器学习模型进行训练的两阶段训练过程的框图；
27.图6a和图6b是根据实施例的用以开发使用ctm作为输入来生成特性图案的机器学习模型的又一训练过程的框图；
28.图7a图示了根据实施例的包括目标特征的连续传输掩模的示例；
29.图7b图示了根据实施例的使用(例如，图5、图5a和图5b、以及图6a和图6b的)训练后的模型而生成的特性图案的示例图像；
30.图7c图示了根据实施例的满足设计规则的示例参考特性图案；
31.图7d图示了根据实施例的省略/移除目标特征的连续传输掩模的示例；
32.图7e图示了根据实施例的使用图7d的ctm经由机器学习模型而生成的示例特性图案；
33.图8a和图8b是根据实施例的与用于对被配置成生成掩模图案的特性图案的机器学习模型进行训练的方法相关的流程图；
34.图9a和图9b是根据实施例的与用于对被配置成生成掩模图案的特性图案的机器学习模型进行训练的另一方法相关的流程图；
35.图10a、图10b和图10c是根据实施例的与用于对被配置成生成掩模图案的特性图案的机器学习模型进行训练的又一方法相关的流程图；
36.图11a、图11b和图11c是根据实施例的与用于对被配置成生成掩模图案的特性图案的机器学习模型进行训练的又一方法相关的流程图；
37.图12是根据实施例的示例计算机系统的框图；
38.图13是根据实施例的光刻投影设备的示意图；
39.图14是根据实施例的另一种光刻投影设备的示意图；
40.图15是根据实施例的图13中的设备的更详细视图；
41.图16是根据实施例的图14和图15的设备的源收集器模块so的更详细视图。
具体实施方式
42.在详细描述实施例之前，呈现可以实施实施例的示例环境是具指导性的。
43.尽管在本文中具体的指代所述实施例被用于制造ic，但应当清楚地理解本文中的描述可以有许多其它可能的应用。例如，可以用于集成光学系统、磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等的制造。本领域技术人员应理解，在这种替代应用的情境中，可以认为本文中对任意术语“掩模版”、“晶片”或“管芯”的使用分别能够与更上位的术语“掩模”、“衬底”或“目标部分”互换。
44.在本文献中，术语“辐射”和“束”用于涵盖各种类型的电磁辐射，包括紫外辐射(例如具有365nm、248nm、193nm、157nm或126nm的波长)和euv(极紫外辐射，例如具有在约为5nm至100nm范围内的波长)。
45.所述图案形成装置可以包括或可以形成一个或更多个设计布局。可以利用cad(即计算机辅助设计)程序来产生所述设计布局。这种过程常常被称作eda(即电子设计自动化)。大多数cad程序遵循预定设计规则的集合，以便产生功能设计布局/图案形成装置。通过处理和设计限制而设定这些规则。例如，设计规则限定了器件(诸如栅极、电容器等)或互联线之间的空间容许度，以便确保器件或线不会以不期望的方式彼此相互作用。一个或多个设计规则限制可以被称作“临界尺寸”(cd)。可以将器件的临界尺寸定义为线或孔的最小
宽度、或介于两条线或两个孔之间的最小空间/间隙。因而，cd确定了所设计的器件的总大小和密度。当然，器件制造中的目标之一是在衬底上如实地再现原始设计意图(经由所述图案形成装置)。
46.例如，所述图案布局设计可以包括分辨率增强技术的应用，诸如光学邻近效应校正(opc)。opc解决以下事实：被投影到衬底上的设计布局的图像的最终大小和放置将不与图案形成装置上的设计布局的大小和布置一致或不仅仅只依赖于图案形成装置上的设计布局的大小和布置。注意，术语“掩模”、“掩模版”、“图案形成装置”在本文中是可互换使用的。另外，本领域技术人员将认识到，术语“掩模”、“图案形成装置”和“设计布局”可以可互换使用，如在ret的情境下，实体图案形成装置不是必须使用的，而是可以用设计布局来表示物理图案形成装置。对于在一些设计布局上存在的小特征大小和高特征密度，给定特征的特定边缘的位置在一定程度上将受其它邻近特征的存在或不存在的影响。这些邻近效应由于从一个特征耦合至另一特征的微小量的辐射而产生或由非几何光学效应(诸如衍射和干涉)产生。类似地，邻近效应可能由通常在光刻之后的曝光后焙烤(peb)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应产生。
47.为了增加设计布局的投影图像与给定目标电路设计的要求一致的可能性，可以使用设计布局的复杂数值模型、校正或预失真来预测和补偿邻近效应。论文“full-chip lithography simulation and design analysis-how opc is changing ic design”(c.spence，proc.spie，第5751卷，第1-14页(2005年))提供了当前“基于模型”的光学邻近效应校正过程的综述。在典型的高端设计中，设计布局的几乎每个特征都具有某种修改，以便实现投影图像至目标设计的高保真度。这些修改可以包括边缘位置或线宽的偏移或偏置以及预期辅助其它特征的投影的“辅助”特征的应用。
48.辅助特征可以被视为图案形成装置上的特征与设计布局中的特征之间的差异。术语“主特征”和“辅助特征”并不暗示图案形成装置上的特定特征必须被标记为主特征或辅助特征。
49.如本文中所采用的术语“掩模”或“图案形成装置”可以被广泛地解释为指代可以用以向入射辐射束赋予图案化横截面的通用半导体图案形成装置，图案化横截面对应于待在衬底的目标部分中产生的图案；术语“光阀”也可以用于此情境中。除了经典掩模(透射型或反射型掩模、二元型掩模、相移型掩模、混合型掩模，等等)以外，其它此类图案形成装置的示例包括：
[0050]-可编程镜像阵列。这种装置的示例是具有黏弹性控制层和反射表面的矩阵可寻址表面。这样的设备所依据的基本原理是(例如)反射表面的寻址区域将入射辐射反射成衍射辐射，而未寻址区域将入射辐射反射成非衍射辐射。使用适合的滤光片，可以从反射束中过滤掉所述非衍射辐射，从而之后仅留下衍射辐射；这样，所述束根据矩阵可寻址表面的寻址图案而被图案化。所要求的矩阵寻址可以通过使用适合的电子装置执行。
[0051]-可编程lcd阵列。通过引用而被合并入本文的美国专利号5,229,872中给出了这种构造的示例。
[0052]
作为简要介绍，图1图示了示例性光刻投影设备10a。主要部件是：辐射源12a，所述辐射源可以是深紫外准分子激光源或其它类型的源，包括极紫外线(euv)源(如上文所论述的，所述光刻投影设备自身无需具有辐射源)；照射光学器件，所述照射光学器件例如限定
部分相干性(表示为西格玛)且可以包括对来自源12a的辐射进行成形或整形的光学器件14a、16aa和16ab；图案形成装置18a；以及透射光学器件16ac，所述透射光学器件将图案形成装置图案的图像投影至衬底平面22a上。在投影光学器件的光瞳平面处的可调整滤光器或孔20a可以约束入射到衬底平面22a上的束角度的范围，其中可能的最大角度限定了投影光学器件的数值孔径na＝n sin(θ
max
)，其中n是介于所述衬底与所述投影光学器件的最后一个元件之间的介质的折射率，并且θ
max
是从投影光学器件射出的仍可以照射到衬底平面22a上的束的最大角度。
[0053]
在光刻投影设备中，向图案形成装置和投影光学器件提供照射(即辐射)的源经由所述图案形成装置将照射引导且成形至衬底上。投影光学器件可以包括部件14a、16aa、16ab和16ac中的至少一些部件。空间图像(ai)是在衬底水平处的辐射强度分布。衬底上的抗蚀剂层被曝光，并且空间图像被转移至抗蚀剂层，作为其中的潜在的“抗蚀剂图像”(ri)。抗蚀剂图像(ri)可以被定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型以根据所述空间图像来计算抗蚀剂图像，可以在全部公开内容通过引用方式由此并入本文的美国专利申请公开号us 2009-0157360中找到这种情形的示例。所述抗蚀剂模型与抗蚀剂层的性质(例如，在曝光、曝光后焙烤(peb)和显影期间发生的化学过程的效应)有关。所述光刻投影设备的光学性质(例如，照射、图案形成装置、和投影光学器件的性质)规定了所述空间图像且可以被限定于光学模型中。由于可以改变用于光刻投影设备中的所述图案形成装置，所以期望使所述图案形成装置的光学性质与所述光刻投影设备的至少包括所述源和所述投影光学器件的其余部分的光学性质分离。
[0054]
尽管在本文中可以具体参考光刻设备在ic制造中的使用，但是应该理解，本文描述的所述光刻设备可以具有其它应用，诸如制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示器(lcd)、薄膜磁头等。本领域技术人员将理解，在这种替代应用的情境中，术语“晶片”或“管芯”在本文中的任何使用可以分别被认为与更上位的术语“衬底”或“目标部分”同义。这里提到的所述衬底可以在曝光之前或之后在例如涂覆显影系统或轨道(track)(一种通常将抗蚀剂层施加到衬底并且使曝光后的抗蚀剂显影的工具)、或量测工具或检查工具中受处理。在适用的情况下，本文的公开内容可以被应用于这种和其它衬底处理工具。此外，所述衬底可以被处理一次以上，例如以便产生多层ic，使得本文中所使用的术语衬底也可以指代已经包含多个处理后的层的衬底。
[0055]
本文中所使用的术语“辐射”和“束”涵盖全部类型的电磁辐射，所述电磁辐射包括紫外(uv)辐射(例如具有365nm、248nm、193nm、157nm或126nm的波长)和极紫外(euv)辐射(例如具有在5nm至20nm的范围内的波长)、以及诸如离子束或电子束之类的粒子束。
[0056]
图案形成装置上的各种图案或由图案形成装置所提供的各种图案可以具有不同的过程窗口(即，将在其下产生规格内的图案的处理变量的空间)。与潜在的系统性缺陷有关的图案规格的示例包括针对颈缩、线拉回、线薄化、cd、边缘放置、重叠、抗蚀剂顶部损失、抗蚀剂底切和/或桥接的检查。可以通过合并(例如，叠置)每个单独的图案的过程窗口来获得图案形成装置上或图案形成装置的区域上的所有图案的过程窗口。所有图案的过程窗口的边界包含多个单独的图案中的一些图案的过程窗口的边界。换句话说，这些单独的图案限制了所有图案的过程窗口。这些图案可以称为“热斑”或“过程窗口限制图案(pwlp)”，在本文中可以互换地使用。当控制图案化过程的一部分时，有可能且经济地聚焦于所述热斑
上。当所述热斑没有缺陷时，最可能的是所有图案都没有缺陷。
[0057]
在实施例中，已开发基于模拟的方法来在制作所述掩模之前验证所述设计和所述掩模布局的正确性。题为“system and method for lithography simulation”的美国专利号7,003,758中描述了一个这样方法，其主题由此通过引用而被全部合并入本文并且在本文中称为“模拟系统”。即使有最佳的可能ret实施方式和验证，但仍然不可能优化设计的每个特性。由于技术限制、实施误差、或与相邻特征冲突，一些结构将经常无法被恰当地校正。所述模拟系统可以识别所述设计的将导致在过程条件的正常预期范围内出现不可接受地小的过程窗口或过度的临界尺寸(cd)变化(诸如焦距和曝光变化)的特定特征。在制作所述掩模之前，必须校正这些缺陷区域。然而，即使在最佳设计中，也将会有多个结构或结构的部分无法被最佳地校正。尽管这些薄弱区域可能生产出良好的芯片，但所述芯片可能具有勉强可接受的过程窗口，并且由于晶片加工条件的变化、掩模加工条件的变化、或这两者的组合，所述芯片很可能位于器件内的将在变化的过程条件下失效的第一部位。这些薄弱区域在本文中被称为“热斑”。
[0058]
图案化过程的变量被称为“处理变量”。术语“处理变量”也可以互换地被称为“图案化过程的参数”或“处理参数”。图案化过程可以包括在光刻设备中的图案的实际转印的上游和下游的过程。图2示出处理变量370的示例类别。第一类别可以是光刻设备或用于光刻过程中的任何其它设备的变量310。这种类别的示例包括光刻设备的照射件、投影系统、衬底平台等的变量。第二类别可以是在图案化过程中执行的一个或更多个过程的变量320。这种类别的示例包括焦距控制或焦距测量、剂量控制或剂量测量、带宽、曝光持续时间、显影温度、用于显影中的化学成份等。第三类别可以是设计布局、以及它在图案形成装置中的实施或使用图案形成装置的变量330。这种类别的示例可以包括辅助特征的形状和/或部位、由分辨率增强技术(ret)所施加的调整、掩模特征的cd，等等。第四类别可以是衬底的变量340。示例包括抗蚀剂层下方的结构的特性、抗蚀剂层的化学成份和/或实体尺寸，等等。第五类别可以是图案化过程的一个或更多个变量的时间变化的特性350。这种类别的示例包括高频平台移动(例如，频率、振幅等)、高频激光带宽改变(例如，频率、振幅等)和/或高频激光波长改变的特性。这些高频改变或移动是高于用于调整基础变量(例如，平台位置、激光强度)的机械响应时间的高频改变或移动。第六类别可以是在光刻设备中的图案转印的上游或下游的过程的特性360，所述过程诸如旋涂、曝光后焙烤(peb)、显影、蚀刻、沉积、掺杂和/或封装。
[0059]
如将了解的，这些变量中的许多变量(如果不是全部)将对图案化过程的参数有影响且常常对关注的参数有影响。图案化过程的参数的非限制性示例可以包括临界尺寸(cd)、临界尺寸均一性(cdu)、焦距、重叠、边缘位置或放置、侧壁角、图案移位或偏移等。常常，这些参数表达了偏离名义值(例如，设计值、平均值等)的误差。所述参数值可以是单独的图案的特性的值或一组图案的特性的统计量(例如，平均值、方差等)。
[0060]
可以通过合适的方法来确定所述处理变量中的一些或全部处理变量、或与所述处理变量相关的参数的值。例如，可以根据利用各种量测工具(例如，衬底量测工具)所获得的数据来确定所述值。可以从图案化过程中的设备的各个传感器或系统(例如，光刻设备的诸如调平传感器或对准传感器之类的传感器、光刻设备的控制系统(例如，衬底或图案形成装置台控制系统)、涂覆显影系统工具或轨道(track)工具中的传感器等)获得所述值。所述值
可以来自图案化过程的操作者。
[0061]
图3中图示用于对图案化过程进行建模和/或模拟的部分的示例性流程图。如将了解的，模型可以表示不同图案化过程且不必包括以下所描述的所有模型。源模型1200表示图案形成装置的照射的光学特性(包括辐射强度分布、带宽和/或相位分布)。源模型1200可以表示照射的光学特性，包括但不限于数值孔径设置、照射标准差(σ)设置以及任何特定照射形状(例如离轴辐射形状，诸如环形、四极、偶极等)，其中(或西格玛或标准差)是照射器的外部径向范围。
[0062]
投影光学器件模型1210表示投影光学器件的光学特性(包括由投影光学器件引起的辐射强度分布和/或相位分布的改变)。投影光学器件模型1210可以表示投影光学器件的光学特性，所述光学特性包括像差、变形、一个或更多个折射率、一个或更多个物理大小、一个或更多个物理尺寸等。
[0063]
图案形成装置/设计布局模型模块1220捕获设计特征如何布置于图案形成装置的图案中，并且可以包括对图案形成装置的详细物理性质的表示，如例如在通过引用其全部内容并入的美国专利号7,587,704中所描述的。在实施例中，所述图案形成装置/设计布局模型模块1220表示设计布局(例如，与集成电路、存储器、电子器件等的特征对应的器件设计布局)的光学特性(包括对于由给定设计布局所引起的辐射强度分布和/或相位分布的改变)，所述设计布局是所述图案形成装置上的、或由所述图案形成装置所形成的特征的布置的表示。由于可以改变用于光刻投影设备中的所述图案形成装置，所以期望使所述图案形成装置的光学性质与所述光刻投影设备的至少包括所述源和所述投影光学器件的其余部分的光学性质分离。所述模拟的目标经常是准确地预测例如边缘放置和cd，接着可以将它们与器件设计进行比较。所述器件设计通常被定义为预opc图案形成装置布局，并且将以诸如gdsii或oasis之类的标准化数字文件格式提供。
[0064]
可以根据所述源模型1200、所述投影光学器件模型1210和所述图案形成装置/设计布局模型1220来模拟空间图像1230。空间图像(ai)是在衬底水平处的辐射强度分布。所述光刻投影设备的光学性质(例如，所述照射件、所述图案形成装置和所述投影光学器件的性质)规定所述空间图像。
[0065]
所述衬底上的抗蚀剂层由所述空间图像曝光，并且所述空间图像作为其中的潜在“抗蚀剂图像”(ri)而被转印至所述抗蚀剂层。所述抗蚀剂图像(ri)可以被定义为所述抗蚀剂的在所述抗蚀剂层中的溶解度的空间分布。可以使用抗蚀剂模型1240根据所述空间图像1230来模拟抗蚀剂图像1250。可以使用所述抗蚀剂模型以根据所述空间图像来计算所述抗蚀剂图像，可以在美国专利申请公开号us2009-0157360中找到其示例，所述公开的公开内容由此以全文引用的方式而被合并入本文中。所述抗蚀剂模型通常描述了在抗蚀剂曝光、后曝光焙烤(peb)和显影期间发生的化学过程的影响，以便预测例如被形成在所述衬底上的抗蚀剂特征的轮廓，并且因此其通常仅与所述抗蚀剂层的这些性质(例如在曝光、后曝光焙烤和显影期间发生的化学过程的影响)相关。在实施例中，所述抗蚀剂层的光学性质(例如折射率、膜厚度、传播和偏振效应)可以作为所述投影光学器件建模1210的部分而被捕获。
[0066]
因此，通常，所述光学模型与所述抗蚀剂模型之间的连接是所述抗蚀剂层内的模拟空间图像强度，其起因于辐射至所述衬底上的投影、抗蚀剂界面处的折射、和在抗蚀剂膜
叠层中的多次反射。所述辐射强度分布(空间图像强度)通过对入射能量的吸收而变为潜在“抗蚀剂图像”，其通过扩散过程和各种负载效应而被被进一步修改。对于全芯片应用足够快的高效模拟方法由2维空间图像(和抗蚀剂图像)来近似在抗蚀剂叠层中的实际3维强度分布。
[0067]
在实施例中，可以将所述抗蚀剂图像用作后图案转印过程模型模块1260的输入。后图案转印过程模型1260限定一个或更多个后抗蚀剂显影过程(例如蚀刻、显影等)的性能。
[0068]
对所述图案化过程的模拟可以例如预测所述抗蚀剂和/或蚀刻后的图像中的轮廓、cd、边缘放置(例如边缘放置误差)等。因而，所述模拟的目标是准确地预测例如所述印制图案的边缘放置，和/或空间图像强度斜率，和/或cd等。可以比较这些值与预期设计以例如校正所述图案化过程、识别出预测何处出现缺陷等。所述预期设计通常被定义为可以诸如以gdsii或oasis之类的标准化数字文件格式或其它文件格式而提供的预opc设计布局。
[0069]
因而，模型公式描述总体过程中的大多数(如果不是全部)已知物理和化学方法，并且所述模型参数中的每个模型参数期望地对应于不同的物理或化学效应。所述模型公式因而设置了关于所述模型可以用以模拟总体制造过程的良好程度的上限。
[0070]
为了印制电路图案，所述电路图案的设计布局的几乎每个特征都具有一些修改，使得实现所述衬底上的投影图像到目标设计的高保真度。这些修改可以包括边缘位置或线宽的偏移或偏置，以及旨在辅助其它特征的投影的“辅助”特征的应用。这些修改后的设计布局随后用于制造图案形成装置(例如，掩模)。掩模制造具有与特征(例如辅助特征和主特征)的大小、形状和定位相关的限制。因此，修改后的设计布局也在应考虑到某些制造限制的情况下被修改。
[0071]
目前，用于生成辅助特征(诸如亚分辨率辅助特征(sraf))的最准确掩模设计方法之一是连续传输映射(ctm)方法。ctm方法首先设计一灰度掩模，所述灰度掩模被称为连续传输图或连续传输映射(ctm)。所述方法涉及使用梯度下降、或其它优化方法来优化灰度值，使得改善光刻设备的性能指标(例如，边缘放置误差(epe))。然而，所述ctm不能作为掩模本身而被制造，因为它是具有无法制造的特征的灰度掩模。尽管如此，所述ctm仍被视为作为用于可制造的掩模的基础的理想模型。在所述ctm被优化后，掩模设计过程继续进行栅条提取过程。在美国专利公开us20170038692a1中详细论述了一种示例ctm优化过程，其通过引用其全部内容而被合并入本文中，其描述了针对光刻过程的不同优化流程。
[0072]
在所述栅条提取过程中，所述ctm用于指导sraf的放置。在实施例中，所述sraf可以是弯曲的、矩形的或其它几何形状，其中所述形状易于利用电子束光刻术来制造。在所述栅条提取过程之后，对所述设计布局的主特征(例如，待印制在所述衬底上的电路的目标特征)进行基于边缘的opc。在所述基于边缘的opc中，调整所述主特征的边缘，以确保在所述衬底上准确印制所述目标图案。
[0073]
当前的栅条提取方法可能会使用启发式方法来指导sraf的期望的位置和大小。这些启发式方法可能不准确，而且计算量大。现有的sraf生成方法可能依赖于经常具有次优结果的不精确的启发式方法。当这些次优sraf被包括于掩模图案中时(该掩模图案还用于光刻设备中)，所产生的所述图案化过程的性能可能不满足期望的性能标准。
[0074]
本发明的方法寻求在不添加任何启发式规则的情况下生成优化后的掩模设计(例
如，包括矩形或直线特征)。在实施例中，结果将是一种接近于ctm且易于制造的掩模。
[0075]
本文中所描述的方法(例如，涉及图4至图11b，包括方法800、900、1000和1100)训练被配置成生成特性图案的机器学习模型。在实施例中，所述特性图案是包含易于提取的特征的提取友好图或提取友好映射(efm)。在示例中，所述特性图案包括亚分辨率特征和/或主特征。所述亚分辨率特征可能呈直线的形状。在另一个示例中，亚分辨率特征可以包括曲线特征。
[0076]
在实施例中，所述特性图案由被训练以严格遵循ctm以及与所述掩模图案的制造相关的设计规则的机器学习模型来生成。在实施例中，使用所述特性图案而制造的掩模将改善所述图案化过程的性能。例如，光刻设备可以利用所述掩模以在衬底上印制图案。这样的印制图案将具有最小的误差或导致所述图案化过程的高产率。
[0077]
在实施例中，本文中所使用的设计规则指代与所述掩模的制造相关的限制，例如，掩模规则检查(mrc)约束。在本公开中，本文中的所述设计规则可能不同于与设计布局(例如，需要在衬底上印制的目标图案)相关联的设计规则(例如，最小cd、最小节距)。对于掩模图案，所述设计规则不一定遵循与设计布局相关的设计规则。例如，sraf可能很小，而且也违反了最低节距要求。
[0078]
例如，在实施例中，mrc可以包括诸如特征(例如sraf)相对于相邻特征的相对位置、辅助特征相对于主特征或其它辅助特征的位置、特征的形状和大小、或其组合之类的参数。例如，所述mrc约束可以是具有直线形状的特征，具有指定范围内的曲率半径的曲线形状，或其组合。在实施例中，可以基于启发式方法(例如，用户体验和过去的印制性能)来限定所述设计规则。
[0079]
在实施例中，使用实施启发式规则的软件来生成所述参考特性图案，并且所述参考特性图案被配置成基于这些启发式规则来生成辅助特征(例如，sraf)。在实施例中，所述参考特性图案可以是包括分布在主特征(例如，目标特征)周围的辅助特征的图像。在实施例中，可以省略所述主特征，并且只有sraf可以被包括在所述参考特性图案、所述ctm、或使用本文中的方法而生成的所述特性图案中。在实施例中，所述参考特性图案满足与图案(或图案的特征)的mrc和锐度相关的合格阈值。此外，所述参考特性图案包括多边形形状(例如，矩形或曲线)，而不是模糊的ctm形状。例如，合格阈值可以满足超过所述设计规则的90％(优选100％)，所述设计规则包括与特征的形状、大小、相对于其它特征的相对位置等相关的规则。此外，所述合格阈值包括特性图案的锐度阈值。
[0080]
本方法可以在若干不同的计算或训练流或训练流程中实施。每个流或流程都采取连续传输掩模(ctm)或目标掩模图像(mi)作为输入。在ctm作为输入的情况下，所述ctm可能已经被优化以印制期望的图案。每个方法的输出都是特性图案(也称为提取友好图或友好映射(efm))。在实施例中，所述特性图案或efm可以是仅由代表优化后的掩模设计的矩形所组成的图像。
[0081]
在实施例中，可以使用直接监督学习来训练机器学习模型。例如，所述直接监督学习流程使用单个神经网络，该单个神经网络在一组ctm图像、以及它们的已使用最佳现有方法(例如，实施设计规则的软件)而生成的相对应的参考特性图案图像或efm图像上被训练。一旦被训练，ctm图像就可以作为输入而被插入，并且训练后的机器学习模型生成efm图像。
[0082]
在实施例中，可以使用无监督学习来训练机器学习模型。为了消除对ctm图像和相
对应efm图像的训练集或训练集合的需要，这种无监督学习流程使用具有两个项的成本函数。第一项是用以确定输出efm图像与输入ctm的相似程度的指标。第二项是用以测量efm的特征与所选形状(例如矩形)的相似程度以及它与严格遵循任何其它设计规则的程度的正则化项。例如，所述机器学习模型被训练使得作为所生成的efm与所述ctm之间的差而计算的第一指标、以及所生成的efm与所述参考特性图案之间的第二指标减小(例如，最小化)。在实施例中，所述第二指标是所生成的efm严格遵循所述参考图案的样式(例如，特征锐度、特征形状等)以及mrc的程度的函数。例如，所述第二指标是所述参考efm与所生成的efm中的特征的锐度的函数。例如，在图像处理中，锐度可以通过特征周围的不同色调的区域(例如灰度值)之间的边界来确定。例如，锐度可以被测量为特征的边缘的距离，其中像素值从其峰值的10％到90％。所述距离越小，特征越锐利即越清晰。在实施例中，可以用像素、纳米或特征高度和/或长度的分数来测量所述距离。将关于本文中图8的流程图，进一步论述与无监督学习相关的详细步骤或工序。
[0083]
在实施例中，可以以多种方式(例如，基于与参考efm的比较)实施所述正则化项。图4至图6b是无监督学习流程的示例。
[0084]
图4图示了基于生成式对抗网络(gan)架构来训练机器学习模型的示例框图。所述gan结构包括被称为生成器模型和鉴别器模型的两个不同的模型，所述生成器模型和鉴别器模型以协作方式被训练。例如，使用来自所述生成器模型和参考特性图案(或多个参考特性图案图像)的输出来训练所述鉴别器模型。所述参考特性图案是包括满足设计规则的特征(例如矩形的特征)的不同图案。所述鉴别器被训练以识别输入为“真”或“假”。“真”输入或真图案是遵守所述设计规则以及与特征相关联的锐度的输入或图案(例如，由参考特性图案图像表示)，且“假”输入是指不满足所述设计规则的输入。在实施例中，所述“真”图案是满足与特征的锐度和mrc相关的所述合格阈值的图案。例如，所述合格阈值可以满足所述设计规则的90％以上(优选100％)。在另一个示例中，所述合格阈值可以是与所述特征的形状、大小、相对位置等中的每个相关联的限制。例如，所述辅助特征的所述形状应该是直线的，所述大小应该是所述特征的期望的cd的
±
0.2nm，所述辅助特征的相对于主特征或目标特征、或其它设计规则的相对位置应在
±
0.5nm内。此外，所述合格阈值包括锐度阈值。本发明不限于特定的设计规则。
[0085]
所述生成器模型被训练以改善所生成的特性图案，使得所述鉴别器模型可能无法区分所生成的特性图案为假。
[0086]
在实施例中，所述鉴别器的成本函数是其正确地识别所述输入图像的频繁程度或频率的函数。所述生成器的不同成本函数具有两部分：(i)关于由鉴别器将所生成的efm图像标记为“真”的频繁程度或频率的指标；(ii)关于所生成的efm的图像保真度的另一指标。例如，图像保真度的指标可以是所生成的efm与输入ctm的差异程度的量度，或者根据使用所生成的efm进行的光刻模拟的对光刻性能的测量结果。在实施例中，efm图像可能非常锐利即清晰，且ctm可能非常模糊。因此，可能不采用像素值之间的直接差或差值。在实施例中，比较包括在与所述ctm进行比较之前应用传递函数(例如，低通滤波器或模糊化)以将efm图像转换为模糊图像。
[0087]
在实施例中，所述生成器模型和所述鉴别器模型可以是两个单独的即分立的卷积神经网络(dcnn)。在训练之后，可以使用所述生成器模型，以通过将任何ctm用作输入来生
成特性图案。因而，与现有方法相比，例如sraf的提取过程是快速的且耗时较少。而且，由于所生成的特性图案严格遵循ctm即紧密地与ctm相仿，因此与现有掩模设计方法相比，使用这种特性图案可以显著地改善光刻性能，例如epe，产率。
[0088]
在图4中，训练过程包括生成器模型405、连续传输掩模图像ctm1、鉴别器模型410、和参考特性图案efm。所述生成器模型405接收ctm1作为输入，并且生成特性图案efm1作为输出。所述鉴别器模型410接收所生成的efm1、以及一个或更多个参考efm作为输入，并且所述鉴别器模型410区分所述参考efm和所生成的efm1中的每个为假或真。在实施例中，所生成的efm1被区分为真，且所述参考efm可以被区分为假。这是不期望的结果，所述结果指示应调整所述鉴别器模型的一模型参数或多个模型参数(例如，权重和偏置)，使得所生成的efm1被标记为假，并且多个参考efm被标记为真。而且，当所述鉴别器模型410区分了所生成的efm1为假时，可以调整所述生成器模型的模型参数以改善efm1的品质，使得efm1可以被区分为真。
[0089]
在实施例中，调整所述生成器模型405的模型参数是基于第一成本函数，且调整所述鉴别器模型410的模型参数是基于第二成本函数。例如，所述第一成本函数是如下项的函数：(i)所述鉴别器模型区分所生成的efm1为假(或真)的第一概率，以及(ii)所生成的efm1与输入ctm1之间的指标。在实施例中，所述第一概率被最小化。然而，如果所述第一概率是所述鉴别器模型区分所生成的efm1为真，则所述第一概率被最大化。此外，efm1与ctm1之间的指标被最小化。因此，依赖于所述第一成本函数的配置，调整所述生成器模型的参数可能是最小化整个第一成本函数，或最大化所述第一概率并且最小化efm1与ctm1之间的所述指标。
[0090]
此外，例如，所述第二成本函数是如下项的另一函数：(i)所生成的efm1被区分为假的所述第一概率和(ii)所述参考特性图案efms被区分为真的第二概率。在实施例中，根据所述第二成本函数的配置，模型410的参数被调整，使得所述第二成本函数被最大化。在所述训练过程结束之后，所生成的模型405可以被称为训练后的生成器模型405’，且所述鉴别器模型410可以被称为训练后的鉴别器模型410’。关于本文中图9a和图9b的流程图，进一步论述与图4的所述训练过程相关的详细步骤或工序。
[0091]
在本公开中，本文中所使用的所述生成器模型(g)(例如，图4中的415)可以与所述第一成本函数相关联。所述第一成本函数使得能够调谐所述生成器模型(例如415)的参数，使得改善所述第一成本函数(例如，如上所论述，所述第一成本函数的项被最大化或被最小化)。在实施例中，所述第一成本函数包括第一对数似然项，所述第一对数似然项确定了在给定输入矢量的情况下所述特性图案为假图像的概率。
[0092]
所述第一成本函数的示例(例如：lg)可以由下面的方程式1表示：
[0093]
lg＝e[logp(s＝fake|x
fake
)]...(1)
[0094]
在上述方程式1中，计算出条件概率的对数似然。在所述方程式中，s指由所述鉴别器模型分配为假的所生成的特性图案(例如，efm1)，并且x
fake
是输出，即所述生成器模型的假图像。因而，在实施例中，所述训练方法最小化所述第一成本函数(lg))。因此，所述生成器模型将生成假图像(例如，所述特性图案图像)，使得所述鉴别器模型将所述假图像实现为假的条件概率较低。换句话说，所述生成器模型将逐步地生成越来越多的真图像或图案。
[0095]
在实施例中，所述第一成本函数(例如，lg)还可以包括项f(ctm-tf(efm))，它是输
入ctm与由所述机器学习模型(例如，本文中所描述的所述生成器模型405)所生成的efm之间的指标的函数。例如，所述功能包括(例如，经由传递函数tf)将所述efm转换为ctm样式的图像。然后，确定转换后的efm和ctm之间的差的均方之和，其中每个差是所述ctm和转换后的efm的给定像素处的像素值之间的差。在实施例中，例如，在两级gan流程中(例如，在图5a和图5b中)，可以不包括所述ctm与efm之间的差。
[0096]
在实施例中，所述鉴别器模型(d)可以是卷积神经网络。所述鉴别器模型(d)接收真图像(例如，所述参考特性图案)和假图像(例如，所生成的特性图案)作为输入，并且输出了所述输入是假图像或真图像的概率。所述概率可以被表示为p(s|x)＝d(x)。换句话说，如果由所述生成器模型所生成的所述假图像不良(即，不接近于真图像)，则所述鉴别器模型将向所述输入图像输出低概率值(例如，小于50％)。这指示了所述输入图像是假图像。随着所述训练进展，所述生成器模型产生与真图像紧密地相似的图像，因而，最终所述鉴别器模型可能无法区分所述输入图像是假图像还是真图像。
[0097]
所述第二成本函数的示例(例如，ld)可以用下面的方程式2表示：
[0098]
ld＝e[logp(s＝real|x
real
)] e[logp(s＝fake|x
fake
)]...(2)
[0099]
在上面的方程式中，计算了条件概率的对数似然。在方程式中，s指代：假定所述输入为真图像x
real
，则源分配为真；假定所述输入图像为假图像x
fake
(例如，所述生成器模型的假图像)，则源分配为假。在实施例中，所述训练方法使所述第二成本函数最大化(方程式2)。因此，所述鉴别器模型在将真图像与假图像区分开方面逐渐地变得更好。
[0100]
因而，所述生成器模型和所述鉴别器模型被同时地训练，使得所述鉴别器模型向所述生成器模型提供关于所述假图像的品质的反馈(即，所述假图像与所述真图像的相似程度)。此外，所述假图像的品质得到改善；所述鉴别器模型需要更好地区分所述假图像与所述真图像。目标在于训练所述模型，直到它们彼此不改善为止。例如，如果相应的成本函数的值在进一步的或另外的迭代期间没有实质性地变化，则所述模型不会相互改善，因此被视为训练后的模型。
[0101]
图5a和图5b是两阶段训练过程的框图，与图4的gan训练过程相比，该两阶段训练过程寻求改善所生成的特性图案或其图像。所述两阶段训练过程分为两阶段gan流程。第一阶段，如图5a所示，对生成器模型进行训练。在第二阶段中，训练后的生成器模型进一步用于训练另一机器学习模型，如图5b所示。
[0102]
在图5a中，所述第一阶段的目的是对生成器网络505进行训练，以根据作为输入矢量的一维(1d)矢量来生成特性图案(例如，被表示为efm图像)。例如，所述1d矢量充当特性图案efm2的压缩形式。所述生成器模型505被训练，以将所述1d矢量解压缩为所述特性图案，所述特性图案不仅符合所述mrc，而且也满足所述特征的锐度阈值。
[0103]
所述生成器模型505与所述鉴别器模型510同时被训练，所述鉴别器模型510区分输入图案为真或假。所述生成器模型505和所述鉴别器模型510的训练类似于上面论述的gan架构。例如，所述生成器模型505采用包括方程式1的第一成本函数，并且所述鉴别器模型510采用包括本文中所论述的方程式2的第二成本函数。在这种情况下，对于所述生成器模型505的输入可以是随机噪声矢量，例如1d噪声矢量。于是，所述生成器模型505生成特性图案(例如，efm2)。所述特性图案efm2、以及一个或多个参考特性图案efm作为输入而被发送到所述鉴别器模型510。所述鉴别器模型510区分所述输入为真或假。于是，基于例如根据
方程式1和2所计算的概率，调整所述生成器模型505和所述鉴别器模型510的模型参数，直到第一成本函数和第二成本函数值没有太大变化为止，例如，保持在一阈值范围上下，诸如与上一次迭代值相比为0％到
±
10％内。
[0104]
在训练之后，认为训练后的生成器模型505’被训练以根据任何1d矢量生成特性图案，使得所生成的特性图案遵循所述设计规则(例如，mrc)，并且满足其中特征的锐度阈值。这种训练后的生成器模型505’进一步用于所述训练过程的第二阶段中，如图5b所示。
[0105]
在所述第二阶段中，在图5b中，所述训练过程使用训练后的生成器模型505’作为预训练的图案库。换言之，训练后的生成器模型505’的模型参数(例如，权重和偏置)是固定的并且在所述训练过程期间在所述第二阶段中不会改变。在所述第二阶段中，编码器模型515被训练以将输入ctm(例如，ctm3)转换为1d矢量(例如，输出516)。此1d矢量(例如，所述输出516)作为输入而被发送到训练后的生成器模型505’。基于所述输入，训练后的生成器模型505’输出特性图案efm3。此特性图案efm3进一步与输入ctm3进行比较。基于所述比较，调整所述编码器模型515的模型参数，使得例如efm3与ctm3之间的差函数或成本函数cf减小。在实施例中，所述成本函数cf被最小化。
[0106]
在实施例中，训练后的生成器模型505’的输出(例如，efm3)可以传递通过低通滤波器以消除在所述输出(例如，efm3)中的不想要的成分(诸如高频数据噪声)，由此efm3与ctm3之间的差将与高频数据无关。因此，可以在efm与ctm之间执行较准确的比较，由此得到较准确的训练后的编码器模型515’。在实施例中，所述低通滤波器也可以被应用于本文中(例如图4)的其它训练流程的输出。
[0107]
在实施例中，在光刻模拟中使用所述特性图案efm3来确定性能指标(例如，epe或产率)。基于所述性能指标，可以调整所述编码器模型515的模型参数，使得所述性能指标在可接受的范围内。
[0108]
在所述训练过程完成之后，例如，在预先确定的迭代次数之后，或者当所述成本函数cf或所述性能指标没有显著改善时，例如，保持在一阈值范围上下，诸如与之前的迭代值相比为0％到
±
10％内。于是，训练后的编码器模型515’可以用于将任何ctm图像转换为1d矢量，所述1d矢量进一步用于经由训练后的生成器模型505’来生成特性图案。于是，所生成的特性图案(例如efm3)被认为遵循所述设计规则，以及满足其中特征的锐度阈值。
[0109]
在实施例中，将输入ctm图像压缩为1d矢量的所述编码器模型515/515’可以是另一机器学习模型(例如，dcnn、cnn)。因此，调整后的模型参数将是权重和偏置，例如cnn。关于本文中图10a和图10b的流程图，进一步论述了与图5a和图5b的所述训练过程有关的详细步骤或工序。
[0110]
图6a和图6b是开发机器学习模型的另一个训练过程的框图，该机器学习模型通过使用ctm作为输入来生成特性图案。此训练过程可以被视为图5a和图5b中所图示的两级gan流程的改善版本。图6a和图6b中的训练将所述gan的第一级更改为自动编码器。这提供了用于实施正则化成本项的一种替代方法，该方法确保所述特性图案满足设计规则，以及满足其中特征的所述锐度阈值。自动编码器训练过程涉及三个模型，即：第一编码器模型605、第一解码器模型610、和第二编码器模型615。
[0111]
图6a是所述训练过程的第一阶段，其中训练所述第一编码器模型605和所述第一解码器模型610。所述第一编码器模型605接收参考特性图案refm1作为输入，并且生成矢
量，例如1d矢量作为输出。所述参考特性图案refm1满足所述设计规则，以及满足其中特征的所述锐度阈值。输出606(例如，1d矢量)是efm输入的压缩形式。
[0112]
所述第一编码器模型605的输出606被发送到所述第一解码器模型610作为输入。所述第一解码器模型610被配置成生成特性图案efm4作为输出。换句话说，所述第一解码器模型尝试重构原始参考特性图案(例如refm1)。所述训练的所述第一阶段的成本函数包括可以是所输入的参考特性图案(例如，refm1)与重构的efm(例如，efm4)之间的差的函数的一成本函数。在所述训练过程期间，调整所述第一编码器模型605与所述第一解码器模型610中的每个的模型参数，使得所述成本函数(例如，refm1与efm4之间的差)减小。在实施例中，所述成本函数被最小化。由此，训练后的解码器模型610’将确保所述参考特性图案与所生成的特性图案(例如，efm4)之间的紧密匹配。换句话说，训练后的解码器模型610’确保：对于所述输入矢量(例如，1d矢量)，其生成满足所述设计规则以及满足其中所述特征的锐度阈值的特性图案。在实施例中，可以使用变分自动编码器来训练所述解码器模型(或图案库)，其中所述编码器输出与所述ctm相关的1d矢量，以及统计矢量。在实施例中，所述训练还涉及最小化统计矢量的统计指标。例如，所述统计指标是kullback-leibler(kl)散度是关于分布与单位高斯分布相距多远的量度。在实施例中，最小化kl散度使所述分布更接近于单位高斯分布。
[0113]
参考图6b，在所述训练过程的第二阶段中，使用训练后的解码器模型610’作为预训练的图案库。此第二阶段类似于关于图5b中所论述的所述两级gan流程的第二阶段。
[0114]
例如，根据图6b，训练后的第一解码器模型610’的模型参数(例如，权重和偏置)是固定的，并且在训练过程期间在所述第二阶段中不会改变。在所述第二阶段中，训练所述第二编码器模型615以将输入ctm(例如ctm6)转换为压缩矢量(例如，1d矢量)。此1d矢量作为输入而被发送到训练后的解码器610’模型。基于所述输入，训练后的解码器模型610’输出特性图案efm6。此特性图案efm6进一步与输入ctm6进行比较。基于所述比较，调整所述第二编码器模型615的模型参数，使得例如efm6与ctm6之间的差函数或成本函数cf减小。在实施例中，所述成本函数cf被最小化。
[0115]
在实施例中，在光刻模拟中使用所述特性图案efm6以确定性能指标(例如，epe或产率)。基于所述性能指标，可以调整所述第二编码器模型615的模型参数，使得所述性能指标在可接受范围内。
[0116]
在实施例中，可以进一步修改上面论述的所述训练方法，以基于作为输入的目标掩模图像(例如，设计布局或目标图案)进行训练。此流或流程可以是修改后的gan流程(例如图4)、两级gan流程(例如图5a和图5b)、或两级自动编码器流程(例如图6a和图6b)的修改形式。在进一步修改的流程中，所述输入是目标图案、目标图案的图像、或在所述目标图案同与光刻设备的投影系统相关的光学传递函数的卷积之后所获得的掩模图像。所述成本函数可以是使用所述特性图案的光刻模拟(例如，图3)而获得的性能指标。这样就不需要ctm生成步骤。
[0117]
图7a至图7c图示了示例ctm，包括目标图案、所生成的特性图案、和参考特性图案。在图7a中，连续传输掩模ctm10、ctm20和ctm30包括目标特征。所述目标特征是所述灰度图像中相对较大和最暗的部分。例如，ctm10包括目标特征t1，ctm20包括目标特征t2，ctm30包括目标特征t3。在实施例中，可以使用现有软件生成所述ctm，该现有软件采用逆光刻技术
来生成掩模图案。例如，在美国专利公开us20170038692a1中详细论述了ctm优化过程，其通过引用而被全文合并入本文中，其描述了针对光刻过程的不同优化流程。然而，确定这种ctm(或ctm )在计算方面非常耗时，且提取特征(例如，sraf)可能很困难，或者需要专门的算法。此外，所提取的特征在形状方面是曲线的，这些曲线形状中的一些可能难以制造，或者由于掩模制造方面的限制而无法制造。
[0118]
图7b图示了使用本公开的训练后的模型而生成的特性图案的示例图像。例如，使用ctm10作为输入图像来执行训练后的生成器模型405’(或训练后的编码器模型515’或第二训练后的编码器模型615’)，生成了特性图案efm10。类似地，可以分别使用ctm20和ctm30来生成特性图案efm20和efm30。在本示例中，所述特性图案efm10、efm20和efm30仅示出形状方面为直线(例如，阶梯状)或矩形的sraf，并且省略了目标图案。这些特性图案efm10至efm30满足设计规则，且具有易于提取和使用例如电子束光刻技术来制造的主要地为矩形或直线(如阶梯状)形状。然而，这些示例并不限制本公开的范围。在实施例中，所述特性图案也可以包括目标特征，例如，对应于t1、t2和t3。
[0119]
图7c图示了满足设计规则或满足与所述掩模图案的制造相关的合格阈值的示例参考特性图案。例如，所述参考特性图案ref10、ref20、和ref30分别对应于ctm10、ctm20、和ctm30。这些参考图案被认为是理想的，因为它们满足所述设计规则的多于90％到100％。比较所述参考特性图案(图7c)和所述特性图案(图7b)示出了，训练后的模型(例如405’)可以生成与参考图案非常相似的特性图案。换句话说，训练后的模型(例如405’、515’和615’)生成了满足所述设计规则或与所述掩模图案的制造相关的合格阈值，以及满足所述锐度阈值的特性图案。
[0120]
图7d图示了ctm的另一示例，其中与目标特征相对应的部分在训练过程期间被移除和使用(例如，在图4至图6b和图8a至图11b中)。例如，ctm50不包括对应于目标特征t50的部分，且ctm60不包括对应于目标特征t60的部分。图7e图示了由训练后的模型所生成的示例特性图案。例如，特性图案efm50和efm60满足设计规则，且具有易于提取和使用例如电子束光刻技术来制造的主要地为矩形或直线(如阶梯状)形状。
[0121]
图8a是对机器学习模型进行训练的方法800的流程图，所述机器学习模型被配置成生成掩模图案的特性图案。所述特性图案包括易于提取的特征(例如直线辅助特征)，所述易于提取的特征满足所述设计规则(例如mrc)，并且满足与其中特征相关的锐度阈值。例如，可以采用简单的边缘检测算法来提取所述特性图案中的特征的轮廓。因为所述图案易于提取，与例如ctm相比，则节省了大量计算时间和资源。而且，因为所述图案易于制造，与所述ctm相比，则实施是较快速的。此外，所述机器学习模型被训练以生成与ctm相似的特性图案。因此，特性图案可以满足光刻印制性能。所述方法800包括如下论述的工序p802和p804。
[0122]
工序p802包括获得(i)满足与所述掩模图案的制造相关的合格阈值和与所述掩模图案中的所述特征相关的锐度阈值的参考特性图案801，以及(ii)用于生成所述掩模图案的连续传输掩模802(ctm)。在实施例中，满足所述合格阈值也被称为满足与所述掩模图案的制造相关的所述设计规则和/或限制。
[0123]
在实施例中，所述参考特性图案801可以包括多个参考特性图案，每个参考特性图案满足与mrc相关的合格阈值以及所述掩模图案中的所述特征的锐度阈值。在实施例中，所
述参考特性图案801是基于与所述掩模图案的制造相关的设计规则而生成的像素化图像。在整个本公开中可获得所述参考特性图案801的额外论述。示例参考特性图案由图4、图5a、图6a和图7c中的图像表示。
[0124]
如本文所论述的，ctm 802是通过使用待印制于衬底上的目标图案来模拟光学邻近效应校正过程而生成的图像。ctm 802的示例如图4、图5b、图6b、图7a和图7d所表示。
[0125]
工序p804包括基于所述参考特性图案801和所述ctm 802来训练所述机器学习模型，使得所述特性图案与所述ctm 802之间的第一指标减小，和所述特性图案与所述参考特性图案801之间的第二指标减小。如前文所论述的，所述第一指标包括转换所述特性图案且然后取用转换后的特性图案与所述ctm 802之间的差。此外，如前文所提及的，所述第二指标将所述特性图案的样式(例如锐度)与所述参考特性图案的样式进行比较。在实施例中，所述差被最小化。图8b是训练流程p804的示例流程图。训练过程p804的结束导致训练后的机器学习模型804，该机器学习模型804可以用于根据任何ctm 802图像生成特性图案。由训练后的模型所生成的示例特性图案被表示为图7b和图7d中的图像。
[0126]
参考图8b，所述训练过程p804是迭代过程，包括以下工序。工序p812包括使用所述ctm 802执行所述机器学习模型，以输出特性图案。在第一次迭代中，所输出的特性图案可能无法满足所述设计规则或无法满足所述合格阈值，也不满足其中所述特征的所述锐度阈值。因此，可以在修改一个或更多个模型参数的情况下执行进一步或另外的迭代，使得所述机器学习模型输出与先前迭代相比逐步更好的结果。工序p814包括确定被计算为例如所输出的特性图案与所述ctm 802之间的差的所述第一指标，以及所输出的特性图案与所述参考特性图案801之间的所述第二指标。工序p816包括调整所述机器学习模型，使得所述第一指标、所述第二指标、和/或其组合减小。工序p818包括确定所述第一指标、所述第二指标、和/或其组合是否被最小化。响应于并非最小化的差，可以重复工序p812、p814、p816和p818，直到所述差被最小化为止。在实施例中，停止标准可以是预定义的迭代次数或比较前一次迭代的结果以确定当前结果是否已经改善。如果观察到最小值到无进一步的改善，则迭代可以停止。在所述训练过程结束之后，所述机器学习模型可以被视为训练后的模型804。
[0127]
在实施例中，所述方法800可选地包括以下工序：工序p806包括经由使用给定的ctm(例如，本文中所论述的ctm 802、ctm10、ctm20、ctm30、ctm50、ctm60)执行训练后的机器学习模型来确定特性图案；以及工序p808包括提取所述特性图案的轮廓，所述轮廓用于生成所述掩模图案。
[0128]
在实施例中，所述ctm 802被生成，使得与目标布局(例如，存储器电路)的关键特征相关联的epe被最小化。在实施例中，所述ctm 802被生成，使得所述图案化过程的产率被最大化。因此，当这样的ctm 802用于被配置成生成特性图案的训练模型时，若干光刻性能特性可以被转移到所生成的特性图案(例如，经由在每个训练过程中具有特定权重的所述训练后的模型)。此外，所述训练基于所述参考特性图案80，所述参考特性图案80满足设计规则以及满足所述参考特性图案中的所述特征的锐度阈值。因此，也由所述特性图案满足了与设计规则相关的限制。由此，所述特性图案不仅可以提供改善后的光刻性能，而且也能够使用诸如电子束光刻之类的掩模制造过程来制造。
[0129]
如前文所论述的，所述特性图案可以包括被放置在所述目标图案的目标特征周围
的亚分辨率特征。在实施例中，所述亚分辨率特征呈直线的形状。
[0130]
所提取的特征可以用于制作掩模图案。所述掩模图案可以进一步被发送用于掩模制造，例如，所述掩模图案被印制于掩模上。所述掩模还可以被用于光刻设备中，其中所述掩模图案被转印到衬底上以形成目标图案。
[0131]
图9a是用于对机器学习模型901进行训练的方法900的流程图，所述机器学习模型901被配置成生成掩模图案的特性图案。所述方法900是实施前面所论述的图4的框图的功能的示例。所述方法900包括如以下所论述的工序p902和p904。
[0132]
工序p902包括获得包括生成器模型901a和鉴别器模型901b的所述机器学习模型901。在实施例中，所述生成器模型901a(图4中的所述生成器模型405的示例)被配置成根据连续传输掩模(ctm)生成所述特性图案。在实施例中，所述鉴别器模型901b(图4中的所述鉴别器模型410的示例)被配置成确定输入图案是否满足与所述掩模图案的制造相关的合格阈值(例如，所述输入图案是真还是假)以及所述输入图案中的所述特征的锐度阈值。例如，所述鉴别器模型901b将所述输入图案标记为真或假。在实施例中，所述生成器模型901a和所述鉴别器模型901b是卷积神经网络(cnn)，并且所述cnn的模型参数是cnn的一个或更多个层的权重和偏置。
[0133]
工序p902还包括获得满足所述锐度阈值和与所述掩模图案的制造相关合格阈值的参考特性图案902。如前所提及，可以使用实施启发式规则或设计规则的软件来生成所述参考图案。在实施例中，训练后的鉴别器模型901b’确定所述参考图案为真。
[0134]
工序p904包括以协作方式训练所述生成器模型901a和所述鉴别器模型901b，使得：(i)所述生成器模型901a使用所述ctm来生成所述特性图案，并且所述鉴别器模型901b确定所述特性图案满足所述合格阈值(例如，真)以及确定所述的参考特性图案902满足所述合格阈值(例如，真)，以及(ii)所生成的特性图案与所述ctm之间的差减小。在实施例中，所述差被最小化。图9b是所述训练过程p904的示例流程图。
[0135]
参考图9b，所述生成器模型901a和所述鉴别器模型901b的所述训练过程p904是迭代过程。例如，所述训练过程p904包括以下工序。工序p912包括经由使用所述ctm执行所述生成器模型901a来生成所述特性图案。工序p914包括评估与所述生成器模型901a相关联的第一成本函数，所述第一成本函数是以下项的函数：(i)所述鉴别器模型901b确定所述特性图案是否不满足所述合格阈值(例如假)的第一概率，以及(ii)所生成的特性图案与所述ctm之间的指标。工序p916包括经由所述鉴别器模型901b来确定所述特性图案和所述参考特性图案902满足所述合格阈值(例如，真)或不满足所述合格阈值(例如，假)。工序p918包括评估与所述鉴别器模型901b相关联的第二成本函数，所述第二成本函数是以下项的另一函数：(i)确定所述特性图案不满足所述合格阈值(例如，假)的所述第一概率和(ii)确定所述参考特性图案902满足所述合格阈值(例如，真)的所述第二概率。工序p920包括调整所述生成器模型901a的第一参数以(i)增大所述鉴别器模型901b确定所述特性图案满足所述合格阈值(例如，真)的所述第一概率，和(ii)所生成的特性图案与所述ctm之间的差减小，和/或与所述图案化过程相关联的性能指标减小。工序p922包括调整所述鉴别器模型901b的第二参数以改善所述第二成本函数。工序p24确定所述第一成本函数、所述第二成本函数和/或其组合是否是优化的(例如，满足低阈值或高阈值)。如前所论述，优化依赖于所述第一成本函数和所述第二成本函数中的项的配置。在实施例中，所述第一成本函数的两个项都被
最小化(或突破低阈值)。在实施例中，第一项被最大化(例如，突破高阈值)，且所述第二项被最小化。在实施例中，所述第二成本函数被最大化(例如，突破高阈值)。
[0136]
在实施例中，响应于没有被优化的所述成本函数，可以重复工序p912、p914、p916、p918、p920、p922和p924，直到所述成本函数被优化(例如最小化)为止。在实施例中，停止标准可以是预先限定的迭代次数或比较前一次迭代的结果以确定当前结果是否已经改善。如果观察到最小值到无进一步的改善，则迭代可以停止。在训练过程结束之后，所述机器学习模型可以被视为训练后的模型901’，包括训练后的生成模型901a’和经训练生成器模型901b’。
[0137]
在实施例中，所述第一成本函数包括与所述图案化过程相关联的性能指标。在实施例中，所述生成器模型901a被训练以最小化所述性能指标，其中经由使用掩模图案模拟所述图案化过程来确定所述性能指标，所述掩模图案包括根据所述特性图案而提取的一个或更多个特征。在实施例中，所述性能指标是以下项中的至少一种：与待印制于衬底上的特征相关的临界尺寸误差；待印制于所述衬底上的特征与目标特征之间的边缘放置误差；或，待印制于所述衬底上的两个或更多个特征之间的图案放置误差。
[0138]
在实施例中，所述第一成本函数包括第一对数似然项，所述第一对数似然项确定所述特性图案为假的所述第一概率。例如，所述第一成本函数包括损失函数lg，即本文中所论述的方程式1。在实施例中，调整所述生成器模型901a的参数使得所述第一对数似然项被最小化。
[0139]
在实施例中，所述第二成本函数包括第二对数似然项，所述第二对数似然项确定所述特性图案为假的所述第一概率和所述参考特性图案为真的所述第二概率。例如，所述第二成本函数包括本文中所论述的所述损失函数ld(即，方程式2)。在实施例中，调整所述第二模型参数使得所述第二对数似然项被最大化。
[0140]
在实施例中，所述特性图案包括具有大致直线图案的特征。在实施例中，所述方法900还包括经由使用给定的ctm执行训练后的生成器模型901a来生成掩模图案的亚分辨率特征，其中所述亚分辨率特征具有直线形状。
[0141]
在实施例中，所述方法900可以可选地包括如下描述的工序p906和p908。工序p906包括经由使用给定ctm执行训练后的生成器模型901a’来输出特性图案。所输出的特性图案满足与所述掩模图案的制造相关的所述合格阈值。工序p908提取所输出的特性图案的轮廓，所述轮廓用于生成所述掩模图案。在实施例中，所输出的特性图案包括呈直线的形状的亚分辨率特征。
[0142]
如前文所论述的，在实施例中，所述ctm被生成，使得与目标布局(例如，存储器电路)的关键特征相关联的epe被最小化。在实施例中，所述ctm被生成，使得所述图案化过程的产率被最大化。因此，当这种ctm用于被配置成生成特性图案的训练模型时，若干光刻性能特性可以被转移到所生成的特性图案(例如，经由在每个训练过程中具有特定权重的训练后的模型)。此外，所述训练基于满足设计规则的参考特性图案902。因此，也由所述特性图案满足了与设计规则相关的限制。由此，所述特性图案不仅可以提供改善的光刻性能，而且也能够使用诸如电子束光刻之类的掩模制造过程来制造。
[0143]
图10a是用于训练机器学习模型的方法1000的流程图，所述机器学习模型被配置成生成掩模图案的特性图案。所述方法1000是关于前面所论述的图5a和图5b的框图而论述
的功能的实施的示例。所述方法1000包括以下所论述的工序p1002和p1004。
[0144]
工序p1002包括获得所述机器学习模型1001，所述机器学习模型包括训练后的生成器模型1001a和编码器模型1001b。在实施例中，所述训练后的生成器模型1001a(图5b中的所述生成器模型515的示例)被配置成根据输入矢量来生成所述特性图案。在实施例中，所述编码器模型1001b(图5a和图5b中的所述生成器模型505’的示例)用于将输入图像(例如，ctm 1002)转换为一维(1d)矢量。1d矢量的示例可以是被表示为呈矩阵的单个列的ctm 1002图像的压缩形式。工序p1002也包括获得用于生成所述掩模图案的连续传输掩模1002(ctm)。如本文(例如反向光刻)所论述的，可以使用opc软件来获得所述ctm 1002。
[0145]
工序p1002包括与所述训练后的生成器模型1001a协同训练所述编码器模型1001b。在实施例中，图10b中进一步图示了所述训练过程p1002的示例。
[0146]
参考图10b，工序p1012包括使用所述ctm 1002作为所述输入图像来执行所述编码器模型1001b，以生成所述1d矢量。工序p1014包括使用所生成的1d矢量作为所述输入矢量来执行所述训练后的生成器模型1001a，以生成所述特性图案；并且工序p1016包括调整所述编码器模型1001b的模型参数，使得所生成的特性图案与所述ctm 1002之间的差减小。在实施例中，所述差被最小化。在实施例中，调整所述编码器模型1001b的模型参数，使得在连续迭代中减小与图案化过程相关联的性能指标。
[0147]
在实施例中，所述编码器模型1001b被训练以最小化所述性能指标，其中所述性能指标是经由使用掩模图案模拟所述图案化过程而被确定的，所述掩模图案包括根据所述特性图案而提取的一个或更多个特征。在实施例中，所述性能指标是以下项中的至少一种：与待印制于衬底上的特征相关的临界尺寸误差；待印制于所述衬底上的所述特征与目标特征之间的边缘放置误差；或待印制于所述衬底上的两个或更多个特征之间的图案放置误差。
[0148]
此外，在工序p1018中，可以确定所述差或所述性能指标是否被最小化。在实施例中，响应于非最小化的所述性能指标或所述差，可以重复工序p1012、p1014、p1016和p1018，直到所述差被最小化为止。在实施例中，停止标准可以是预先限定的迭代次数，或比较前一次迭代的结果以确定当前结果是否已经改善。如果观察到最小值到无进一步的改善，则迭代可以停止。在训练过程结束之后，所述机器学习模型可以被视为训练后的编码器模型1001b’。
[0149]
在实施例中，获得所述训练后的生成器模型1001a的工序p1001是迭代过程。图10c提供了获得所述训练后的生成器模型1001a的示例流程图。
[0150]
在图10c中，工序p1022包括经由使用1d噪声矢量作为所述输入矢量执行生成器模型来生成所述特性图案。工序p1024包括评估与所述生成器模型相关联的第一成本函数，所述第一成本函数是所述鉴别器模型确定所述特性图案满足与所述掩模图案的制造相关的合格阈值(例如，真)的第一概率的函数。工序p1026包括经由鉴别器模型1001c确定所述特性图案和参考特性图案满足所述合格阈值(例如，假)还是不满足所述合格阈值。在实施例中，所述鉴别器模型1001c(图5a中510的示例)被配置成确定输入图案满足所述合格阈值(例如，真)还是不满足所述合格阈值(例如，假)。在实施例中，参考图案特性被视为满足所述合格阈值(例如，真)。例如，所述参考特性图案满足所述设计规则的超过90％到100％。理想情况下，所述参考图案应满足所述设计规则的100％。工序p1028包括评估与所述鉴别器模型1001c相关联的第二成本函数，所述第二成本函数是以下项的函数：(i)确定所述特性
图案不满足所述合格阈值(例如，假)的所述第一概率和(ii)确定所述参考特性函数满足所述合格阈值(例如，真)的第二概率。工序p1030包括调整所述生成器模型的第一参数以(i)增大所述鉴别器模型1001c确定所述特性图案满足包括锐度阈值在内的合格阈值(例如，真)的所述第一概率。工序p1032包括调整所述鉴别器模型1001c的第二参数以使所述第二成本函数最大化。
[0151]
在实施例中，可以使用上面论述的方程式1和2来计算所述第一概率和所述第二概率。
[0152]
在实施例中，响应于未优化的所述成本函数，可以重复工序p1022、p1024、p1026、p1028、p1030、p1032和p1034，直到所述成本函数被优化为止。在实施例中，停止标准可以是预先限定的迭代次数、或比较前一次迭代的结果以确定当前结果是否已经改善。如果观察到最小值到无进一步的改善，则迭代可以停止。在训练过程结束之后，所述机器学习模型可以被视为训练后的编码器模型1001b’。
[0153]
返回参考图10a，所述方法1000可能可选性地包括工序p1006。工序p1006包括经由使用给定ctm 1002执行训练后的机器学习模型来生成包括掩模图案的亚分辨率特征的所述特性图案，其中所述亚分辨率特征具有直线形状。在实施例中，所述训练后的机器学习模型包括训练后的编码器模型1001b，所述训练后的编码器模型将给定ctm1002转换为所述1d矢量，且所述训练后的生成器模型1001a将所述1d矢量转换为所述特性图案。可选地，如在图8a和图9a中所论述的，可以实施提取过程以根据所述特性图案提取轮廓。
[0154]
如前文所论述的，在实施例中，所述编码器模型1001b、所述训练后的生成器模型1001a、所述鉴别器模型1001c、或其组合是卷积神经网络(cnn)。
[0155]
所述方法1000具有与其它方法800和900中所论述的所述特性图案相关的相同优点。此外，所述方法1000提供了额外的计算优势。例如，由于1d矢量用于训练并且进一步用于生成所述特性图案，则所述计算时间与使用灰度ctm图像相比是相对较快的。
[0156]
图11a是用于训练机器学习模型的方法1100的流程图，所述机器学习模型被配置成生成掩模的特性图案。所述方法1100是实施关于前面论述的图6a和图6b的框图所论述的功能的示例。所述方法1100包括以下所论述的工序p1102和p1104。
[0157]
工序p1102包括获得所述机器学习模型，所述机器学习模型包括(i)用于将输入图像转换为一维(1d)矢量的编码器模型1101a和(ii)被配置成根据输入矢量生成所述特性图案的解码器模型1101b。
[0158]
工序p1104包括与所述解码器模型1101b协同地训练所述编码器模型1101a。工序p1104的示例流程图如图11b中所示，包括以下工序。
[0159]
参考图11b，工序p1112包括使用参考特性图案作为所述输入图像来执行所述编码器模型1101a，以生成所述1d矢量，其中所述参考特性图案满足与所述掩模图案的制造相关联的合格阈值。工序p1114包括使用所生成的1d矢量作为所述输入矢量来执行所述解码器模型1101b，以生成所述特性图案。工序p1116包括调整所述编码器模型1101a和所述解码器模型1101b的模型参数，使得所生成的特性图案与所述参考特性图案之间的差减小。在实施例中，工序p1118确定所述差是否被最小化。
[0160]
在实施例中，响应于未最小化的所述差，可以重复工序p1112、p1114、p1116和p1118，直到所述差被最小化为止。在实施例中，停止标准可以是预先限定的迭代次数、或比
较前一次迭代的结果以确定当前结果是否已经改善。如果观察到最小值到无进一步的改善，则迭代可以停止。在训练过程结束之后，获得训练后的编码器模型1101a’和解码器模型1101b’。
[0161]
在实施例中，所述方法1100还包括第二阶段的训练。所述第二阶段包括方法1120。所述方法1120的示例流程图如图11c所示，且被描述如下。
[0162]
在图11c中，工序p1122包括获得第二编码器模型1101c，所述第二编码器模型1101c被配置成将用于生成所述掩模图案的连续传输掩模(ctm)转换为所述1d矢量。工序p1124包括与所述训练后的解码器1101b’协同地训练所述第二编码器模型1101c。
[0163]
在实施例中，所述训练工序p1124包括使用所述ctm作为所述输入图像来执行所述第二编码器模型1101c，以生成所述1d矢量；使用所生成的1d矢量作为所述输入矢量来执行所述训练后的解码器模型1101b’，以生成所述特性图案；以及调整所述第二编码器模型1101c的模型参数，使得所生成的特性图案与所述ctm之间的另一差减小，和/或与图案化过程相关联的性能指标减小。在实施例中，所述调整继续进行，直到所述差或所述性能指标被最小化为止。
[0164]
在实施例中，所述编码器模型1101a和所述解码器模型1101b被训练以最小化所述性能指标。如本文所论述的，经由使用掩模图案模拟所述图案化过程来确定所述性能指标，所述掩模图案包括根据所述特性图案所提取的一个或更多个特征。在实施例中，所述性能指标是以下项中的至少一种：与待印制于衬底上的特征相关的临界尺寸误差；待印制于所述衬底上的所述特征与目标特征之间的边缘放置误差；或待印制于所述衬底上的两个或更多个特征之间的图案放置误差。
[0165]
返回参考图11a，所述方法1100可以可选地包括工序p1106。所述工序p1106包括经由使用给定ctm执行训练后的第二编码器模型1101c’和训练后的解码器模型1001b’来生成包括掩模图案的亚分辨率特征的所述特性图案。例如，所述亚分辨率特征具有直线形状。
[0166]
在实施例中，所述编码器模型1101a、所述第二编码器模型1101c、所述解码器模型、或其组合是卷积神经网络(cnn)。
[0167]
所述方法1100具有与在其它方法800和900中所论述的所述特性图案相关的相同优点。此外，与方法800和900相比，因为使用了1d矢量，所以所述生成器模型可以相对容易地被训练。特别地，生成器损失函数不太复杂，因此所述方法1100的所述训练过程不太可能陷入局部最优。
[0168]
如前文所提及的，上述任何方法都可以被修改为使用目标掩模图案来训练。例如，对机器学习模型进行训练的方法包括获得：(i)满足锐度阈值和与所述掩模图案的制造相关的合格阈值的参考特性图案(例如，如上所论述)，以及(ii)目标图案；以及基于所述参考特性图案和所述目标来对所述机器学习模型进行训练，使得所述特性图案与所述参考特性图案之间的指标减小，和与图案化过程相关联的性能指标减小。
[0169]
在实施例中，所述机器学习模型被训练以最小化所述性能指标，其中经由使用掩模图案模拟所述图案化过程来确定所述性能指标，所述掩模图案包括根据所述特性图案而提取的一个或更多个特征。所述模拟输出与所述掩模图案对应的模拟图案，包括根据所述特性图案而提取的特征(例如，sraf)。
[0170]
在实施例中，所述性能指标是以下项中的至少一种：待印制于所述衬底上的所述
目标图案的目标特征与模拟特征之间的临界尺寸误差；待印制于所述衬底上的所述目标特征与所述模拟特征之间的边缘放置误差；或所述衬底上的待印制特征的两个或更多个模拟特征之间的图案放置误差。
[0171]
此外，提供了一种对机器学习模型进行训练的方法，所述机器学习模型被配置成生成掩模图案的特性图案。所述方法包括获得：(a)所述机器学习模型，所述机器学习模型包括(i)训练后的生成器模型，所述训练后的生成器模型被配置成根据输入矢量生成所述特性图案；以及(ii)用于将输入图像转换为一维(1d)矢量的编码器模型，以及(b)目标图案；以及与所述训练后的生成器模型协同地训练所述编码器模型。所述训练包括使用所述目标图案作为所述输入图像执行所述编码器模型，以生成所述1d矢量；使用所生成的1d矢量作为所述输入矢量，执行训练后的生成器模型，以生成所述特性图案；以及调整所述编码器模型的模型参数，使得图案化过程的性能指标降低。在实施例中，经由使用包括所述特性图案的所述掩模图案模拟所述图案化过程来确定所述性能指标。
[0172]
此外，提供了一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模的特性图案。所述方法包括：获得所述机器学习模型，所述机器学习模型包括：(i)用于将输入图像转换为一维(1d)矢量的编码器模型；以及(ii)解码器模型，所述解码器模型被配置成根据输入矢量生成所述特性图案；和与所述解码器模型协同地训练所述编码器模型。所述训练包括：使用参考特性图案作为所述输入图像执行所述编码器模型以生成所述1d矢量，其中所述参考特性图案满足与制造所述掩模图案相关联的合格阈值；使用所生成的1d矢量作为所述输入矢量执行所述解码器模型以生成所述特性图案；以及调整所述编码器模型和所述解码器模型的模型参数使得所生成的特性图案与所述参考特性图案之间的指标减小。
[0173]
在实施例中，所述训练方法还包括训练的第二阶段。所述第二阶段包括获得第二编码器模型，所述第二编码器模型被配置成将目标图案转换为所述1d矢量；以及与训练后的解码器模型协同地训练所述第二编码器模型。所述第二编码器的训练包括使用所述目标图案作为所述输入图像来执行所述第二编码器模型，以生成所述1d矢量；使用所生成的1d矢量作为所述输入矢量来执行所述训练后的解码器模型，以生成所述特性图案；以及调整所述第二编码器模型的模型参数，使得图案化过程的性能指标减小。在实施例中，经由使用包括所述特性图案的所述掩模图案模拟所述图案化过程来确定所述性能指标。
[0174]
根据本公开，所披露的元件的组合和子组合构成多个单独的实施例。例如，ctm和参考特性图案的组协作为用于对机器学习模型(例如405)进行训练的输入数据集可以是分立的实施例。类似地，根据用于训练另一机器学习模型(例如，所述编码器515)的所述ctm图像而生成的1d矢量可以是另一实施例。此外，训练过程即有监督学习流程、无监督学习流程、gan流程、两阶段gan流程、或自动编码器流中的每个都可以被视为分立的实施例。
[0175]
可以使用以下方面进一步描述所述实施例：
[0176]
1.一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案，所述方法包括：
[0177]
获得(i)满足锐度阈值和与所述掩模图案的制造相关的合格阈值的参考特性图案，和(ii)用于生成所述掩模图案的连续传输掩模(ctm)；以及
[0178]
基于所述参考特性图案和所述ctm，训练所述机器学习模型，使得所述特性图案与
所述ctm之间的第一指标减小，和所述特性图案与所述参考特性图案之间的第二指标减小。
[0179]
2.根据方面1所述的方法，其中所述参考特性图案包括多个参考特性图案，每个参考特性图案满足与所述掩模图案的制造相关的所述合格阈值，包括所述锐度阈值。
[0180]
3.根据方面1至2中任一项所述的方法，其中所述训练是迭代过程，包括：
[0181]
(a)使用所述ctm执行所述机器学习模型，以输出特性图案；
[0182]
(b)确定所输出的特性图案与所述ctm之间的所述第一指标，以及所输出的特性图案与所述参考特性图案之间的所述第二指标；以及
[0183]
(c)调整所述机器学习模型，使得所述第一指标、所述第二指、标和/或其组合减小；
[0184]
(d)确定所述第一指标、所述第二指标、和/或其组合是否被最小化；以及
[0185]
(e)响应于未被最小化，执行步骤(a)、(b)、(c)和(d)。
[0186]
4.根据方面1至3中任一项所述的方法，还包括：
[0187]
经由使用给定的ctm执行训练后的机器学习模型，确定特性图案；和
[0188]
提取所述特性图案的轮廓，所述轮廓用于生成所述掩模图案。
[0189]
5.根据方面1至4中任一项所述的方法，其中所述参考特性图案是基于与所述掩模图案的制造相关的设计规则以及所述参考特性图案中的特征的所述锐度阈值而生成的像素化图像。
[0190]
6.根据方面1至5中任一项所述的方法，其中，所述ctm是通过使用待印制于衬底上的目标图案模拟光学邻近效应校正过程而生成的图像。
[0191]
7.根据方面6所述的方法，其中所述特性图案包括围绕所述目标图案的目标特征放置的亚分辨率特征，所述亚分辨率特征呈直线的形状。
[0192]
8.根据方面1至7所述的方法，其中计算所述第一指标包括：
[0193]
经由传递函数转换所述特性图案；和
[0194]
确定转换后的特性图案与所述ctm之间的差，其中所述传递函数包括低通滤波器或模糊函数中的至少一种。
[0195]
9.一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案，所述方法包括：
[0196]
获得(a)所述机器学习模型，所述机器学习模型包括：(i)生成器模型，所述生成器模型被配置成根据连续传输掩模(ctm)生成所述特性图案；和(ii)鉴别器模型，所述鉴别器模型被配置成确定输入图案是否满足锐度阈值和与所述掩模图案的制造相关的合格阈值，以及(b)参考特性图案，所述参考特性图案满足所述锐度阈值和与所述掩模图案的制造相关的所述合格阈值；以及
[0197]
以协同方式训练所述生成器模型和所述鉴别器模型，使得：(i)所述生成器模型使用所述ctm生成所述特性图案，并且所述鉴别器模型确定所述特性图案和所述参考特性图案满足包括所述锐度阈值的所述合格阈值，并且(ii)所生成的特性图案与所述ctm之间的指标减小。
[0198]
10.根据方面9所述的方法，其中所述生成器模型和所述鉴别器模型的训练是迭代过程，迭代包括：
[0199]
经由使用所述ctm执行所述生成器模型，生成所述特性图案；
[0200]
评估与所述生成器模型相关联的第一成本函数，所述第一成本函数是以下项的函数：(i)所述鉴别器模型确定所述特性图案是否满足包括所述锐度阈值的所述合格阈值的第一概率，以及(ii)所生成的特性图案与所述ctm之间的指标；
[0201]
经由所述鉴别器模型确定所述特性图案与所述参考特性图案是否满足包括所述锐度阈值的所述合格阈值；
[0202]
评估与所述鉴别器模型相关联的第二成本函数，所述第二成本函数是以下项的另一函数：(i)所述特性图案被确定为不满足包括所述锐度阈值的所述合格阈值的所述第一概率(ii)所述参考特性图案被确定为满足包括所述锐度阈值的所述合格阈值的所述第二概率；以及
[0203]
调整所述生成器模型的第一参数，以(i)增大所述鉴别器确定所述特性图案满足包括所述锐度阈值的所述合格阈值的所述第一概率，以及(ii)所生成的特性图案与所述ctm之间的指标减小，和/或与图案化过程相关联的性能指标减小；和/或
[0204]
调整所述鉴别器模型的第二参数以改善所述第二成本函数。
[0205]
11.根据方面10所述的方法，其中所述第一成本函数包括与所述图案化过程相关联的所述性能指标。
[0206]
12.根据方面11所述的方法，其中所述生成器模型被训练以最小化所述性能指标，其中经由使用掩模图案模拟所述图案化过程来确定所述性能指标，所述掩模图案包括根据所述特性图案所提取的一个或更多个特征。
[0207]
13.根据方面12所述的方法，其中，所述性能指标是以下项中的至少一种：
[0208]
与待印制于衬底上的特征相关的临界尺寸误差；
[0209]
待印制于所述衬底上的特征与目标特征之间的边缘放置误差；或
[0210]
待印制于所述衬底上的两个或更多个特征之间的图案放置误差。
[0211]
14.根据方面10至13中任一项所述的方法，其中，所述第一成本函数包括第一对数似然项，所述第一对数似然项确定所述特性图案为假的所述第一概率。
[0212]
15.根据方面14所述的方法，其中调整所述生成器模型的参数使得所述第一对数似然项被最小化。
[0213]
16.根据方面9至15中任一项所述的方法，其中所述第二成本函数包括第二对数似然项，所述第二对数似然项确定所述特性图案为假的所述第一概率以及所述参考特性图案为真的所述第二概率。
[0214]
17.根据方面9至16中任一项所述的方法，其中调整所述第二模型参数使得所述第二对数似然项被最大化。
[0215]
18.根据方面8至16中任一项所述的方法，所述特性图案包括具有大致直线图案的特征。
[0216]
19.根据方面8至18中任一项所述的方法，还包括：
[0217]
经由使用给定ctm执行训练后的生成器模型，生成掩模图案的亚分辨率特征，其中所述亚分辨率特征具有直线形状。
[0218]
20.根据方面8至19中任一项所述的方法，其中所述生成器模型和所述鉴别器模型是卷积神经网络(cnn)。
[0219]
21.根据方面8至20中任一项所述的方法，还包括：
[0220]
经由使用给定的ctm执行训练后的生成器模型，输出特性图案，所输出的特性图案满足与所述掩模图案的制造相关联的所述合格阈值；和
[0221]
提取所输出的特性图案的轮廓，所述轮廓用于生成所述掩模图案。
[0222]
22.根据方面21所述的方法，其中所输出的特性图案包括具有直线形状的亚分辨率特征。
[0223]
23.一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案，所述方法包括：
[0224]
获得(a)所述机器学习模型，所述机器学习模型包括：(i)训练后的生成器模型，所述训练后的生成器模型被配置成根据输入矢量生成所述特性图案；和(ii)用于将输入图像转换为一维(1d)矢量的编码器模型，以及(b)用于生成所述掩模图案的连续传输掩模(ctm)；和
[0225]
与所述训练后的生成器模型协同地训练所述编码器模型，所述训练包括：
[0226]
使用所述ctm作为所述输入图像执行所述编码器模型以生成所述1d矢量；
[0227]
使用所生成的1d矢量作为所述输入矢量执行所述训练后的生成器模型以生成所述特性图案；以及
[0228]
调整所述编码器模型的模型参数使得所生成的特性图案与所述ctm之间的指标减小。
[0229]
24.根据方面23所述的方法，其中，获得所述训练后的生成器模型是迭代过程，迭代包括：
[0230]
经由使用1d噪声矢量作为所述输入矢量执行生成器模型来生成所述特性图案；
[0231]
评估与所述生成器模型相关联的第一成本函数，所述第一成本函数是所述鉴别器模型确定所述特性图案不满足与所述掩模图案的制造相关的合格阈值的第一概率的函数；
[0232]
经由鉴别器模型确定所述特性图案和参考特性图案是否满足所述合格阈值，所述鉴别器模型被配置成确定输入图案是否满足所述合格阈值，以及所述参考图案特性被认为满足所述合格阈值；
[0233]
评估与所述鉴别器模型相关联的第二成本函数，所述第二成本函数是以下项的函数：(i)所述特性图案被确定为不满足所述合格阈值的所述第一概率和(ii)所述参考特性函数被确定为满足所述合格阈值的第二概率；以及
[0234]
调整所述生成器模型的第一参数以(i)增大所述鉴别器模型确定所述特性图案满足所述合格阈值的所述第一概率；和/或
[0235]
调整所述鉴别器模型的第二参数以使所述第二成本函数最大化。25.根据方面23至24中任一项所述的方法，其中所述编码器模型的训练包括：
[0236]
(a)使用所述ctm作为所述输入图像执行所述编码器模型，以生成1d矢量；
[0237]
(b)使用所生成的1d矢量作为所述输入矢量执行所述训练后的生成器模型以生成所述特性图案；
[0238]
(c)调整所述编码器模型的模型参数，使得所生成的特性图案与所述ctm之间的指标减小，和/或与图案化过程相关联的性能指标减小；以及
[0239]
重复(a)、(b)和(c)，直到所述指标被最小化为止。
[0240]
26.根据方面25所述的方法，其中所述编码器模型被训练以最小化所述性能指标，
其中经由使用掩模图案模拟所述图案化过程来确定所述性能指标，所述掩模图案包括根据所述特性图案而提取的一个或更多个特征。
[0241]
27.根据方面26所述的方法，其中，所述性能指标是以下项中的至少一种：
[0242]
与待印制于衬底上的特征相关的临界尺寸误差；
[0243]
待印制于所述衬底上的特征与目标特征之间的边缘放置误差；或
[0244]
所述衬底上的两个或更多个待印制特征之间的图案放置误差。
[0245]
28.根据方面23至27中任一项所述的方法，还包括：
[0246]
经由使用给定ctm执行所述训练后的机器学习模型来生成所述特性图案，所述特性图案包括掩模图案的亚分辨率特征，其中所述亚分辨率特征具有直线形状，以及
[0247]
其中，所述训练后的机器学习模型包括训练后的编码器模型，所述训练后的编码器模型将给定的ctm转换为所述1d矢量，而所述训练后的生成器模型将所述1d矢量转换为所述特性图案。
[0248]
29.根据方面24至28中任一项所述的方法，其中所述编码器模型、所述训练后的生成器模型、所述鉴别器模型、或其组合是卷积神经网络(cnn)。
[0249]
30.一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模的特性图案，所述方法包括：
[0250]
获得所述机器学习模型，所述机器学习模型包括：(i)用于将输入图像转换为一维(1d)矢量的编码器模型；以及(ii)解码器模型，所述解码器模型被配置成根据输入矢量生成所述特性图案；和
[0251]
与所述解码器模型协同地训练所述编码器模型，所述训练包括：
[0252]
使用参考特性图案作为所述输入图像执行所述编码器模型以生成所述1d矢量，其中所述参考特性图案满足与制造所述掩模图案相关联的合格阈值；
[0253]
使用所生成的1d矢量作为所述输入矢量执行所述解码器模型以生成所述特性图案；以及
[0254]
调整所述编码器模型和所述解码器模型的模型参数使得所生成的特性图案与所述参考特性图案之间的指标减小。
[0255]
31.根据方面30所述的方法，其中所述编码器模型和所述解码器模型的训练包括：
[0256]
(a)使用所述参考特性图案作为所述输入图像执行所述编码器模型，以生成所述1d矢量；
[0257]
(b)使用所生成的1d矢量作为所述输入矢量执行所述解码器模型以生成所述特性图案；
[0258]
(c)调整所述编码器模型和所述解码器模型的模型参数使得所生成的特性图案和所述参考图案之间的指标减小；以及
[0259]
重复(a)、(b)和(c)，直到所述指标被最小化为止。
[0260]
32.根据方面30至31中任一项所述的方法，还包括：
[0261]
获得所述第二编码器模型，所述第二编码器模型被配置成将用于生成所述掩模图案的连续传输掩模(ctm)转换为所述1d矢量；和
[0262]
与所述训练后的解码器模型协同地训练所述第二编码器模型，所述训练包括：
[0263]
使用所述ctm作为所述输入图像执行所述第二编码器模型以生成所述1d矢量；
[0264]
使用所生成的1d矢量作为所述输入矢量执行训练后的解码器模型以生成所述特性图案；和
[0265]
调整所述第二编码器模型的模型参数使得所生成的特性图案与所述ctm之间的另一指标减小，和/或与图案化过程相关联的性能指标减小。
[0266]
33.根据方面32所述的方法，其中所述编码器模型和所述解码器模型被训练以最小化所述性能指标，其中经由使用掩模图案模拟所述图案化过程来确定所述性能指标，所述掩模图案包括根据所述特性图案所提取的一个或更多个特征。
[0267]
34.根据方面33所述的方法，其中，所述性能指标是以下项中的至少一种：
[0268]
与待印制于衬底上的特征相关的临界尺寸误差；
[0269]
待印制于所述衬底上的特征与目标特征之间的边缘放置误差；或
[0270]
所述衬底上的两个或更多个待印制特征之间的图案放置误差。
[0271]
35.根据方面30至34中任一项所述的方法，还包括：
[0272]
经由使用给定ctm执行训练后的第二编码器模型和所述训练后的解码器模型来生成所述特性图案，所述特性图案包括掩模图案的亚分辨率特征，其中所述亚分辨率特征具有直线形状。
[0273]
36.根据方面30至35中任一项所述的方法，其中所述编码器模型、所述第二编码器模型、所述解码器模型、或其组合是卷积神经网络(cnn)。
[0274]
37.根据方面30至36中任一项所述的方法，其中采用了变分自动编码器方法，其中编码器模型被配置成生成所述1d矢量和统计矢量，并且其中所述训练过程包括调整模型参数以最小化变分矢量的kullback leibler散度。
[0275]
38.一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的特性图案，所述方法包括：
[0276]
获得(i)满足锐度阈值和与所述掩模图案的制造相关的合格阈值的参考特性图案，以及(ii)目标图案；和
[0277]
基于所述参考特性图案和目标训练所述机器学习模型使得所述特性图案与所述参考特性图案之间的指标减小，和与图案化过程相关联的性能指标减小。
[0278]
39.根据方面38所述的方法，其中所述机器学习模型被训练以最小化所述性能指标，其中经由使用掩模图案模拟所述图案化过程确定所述性能指标，所述掩模图案包括根据所述特性图案所提取的一个或更多个特征。
[0279]
40.根据方面39所述的方法，其中所述性能指标是以下项中的至少一种：
[0280]
待印制于衬底上的所述目标图案的目标特征与模拟特征之间的临界尺寸误差；
[0281]
待印制于所述衬底上的所述目标特征与所述模拟特征之间的边缘放置误差；或
[0282]
所述衬底上的待印制特征的两个或更多个模拟特征之间的图案放置误差。
[0283]
41.根据方面38至40中任一项所述的方法，其中，所述参考特性图案是基于与所述掩模图案的制造相关的设计规则以及所述参考特性图案中的特征的所述锐度阈值而生成的像素化图像。
[0284]
42.根据方面38至41所述的方法，其中所述特性图案包括围绕所述目标图案的目标特征放置的亚分辨率特征，所述亚分辨率特征呈直线的形状。
[0285]
43.一种训练机器学习模型的方法，所述机器学习模型被配置成生成掩模图案的
特性图案，所述方法包括：
[0286]
获得(i)满足锐度阈值和与所述掩模图案的制造相关的合格阈值的参考特性图案，以及(ii)用于生成所述掩模图案的连续传输掩模(ctm)；和
[0287]
基于所述参考特性图案和所述ctm训练所述机器学习模型，使得所述特性图案与所述参考特性图案之间的差减小。
[0288]
44.根据方面43所述的方法，其中所述训练是迭代过程，包括：
[0289]
(a)使用所述ctm执行所述机器学习模型以输出所述特性图案；
[0290]
(b)确定所输出的特性图案与所述参考特性图案之间的差；以及
[0291]
(c)调整所述机器学习模型是使得所述差减小；
[0292]
(d)确定所述差是否被最小化；以及
[0293]
(e)响应所述差未被最小化，重复步骤(a)、(b)、(c)和(d)。
[0294]
45.一种计算机程序产品，所述计算机程序产品包括其上记录有指令的非暂时性计算机可读介质，所述指令在由计算机执行时实施以上方面中任一项所述的方法。
[0295]
在实施例中，以上所描述的所述方法的工序可以在计算机系统的一个或更多个处理器上实现，如下文所论述的。
[0296]
图12是图示可以辅助实施本文中所披露的所述方法、流程或设备的计算机系统100的框图。计算机系统100包括用于通信信息的总线102或其它通信机构，和与总线102耦接以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100也包括耦接至总线102以用于储存待由处理器104执行的信息和指令的主存储器106，诸如随机存取存储器(ram)或其它动态储存装置。主存储器106也可以用于在待由处理器104执行的指令的执行期间储存暂时性变量或其它中间信息。计算机系统100还包括耦接至总线102以用于储存用于处理器104的静态信息和指令的只读存储器(rom)108或其它静态储存装置。设置诸如磁盘或光盘之类的储存装置110，且将该储存装置耦接至总线102以用于储存信息和指令。
[0297]
计算机系统100可以经由总线102而被耦接至用于向计算机使用者显示信息的显示器112，诸如阴极射线管(crt)或平板显示器或触控面板显示器。包括字母数字键和其它键的输入装置114被耦接至总线102以用于将信息和命令选择通信至处理器104。另一类型的使用者输入装置是光标控制器116(诸如鼠标、轨迹球或光标方向键)，用于将方向信息和命令选择通信至处理器104且用于控制显示器112上的光标移动。这种输入装置典型地在两个轴线(第一轴线(例如x)和第二轴线(例如y))上具有两个自由度，这允许所述装置指定平面中的位置。触摸面板(屏)显示器也可以用作输入装置。
[0298]
根据一个实施例，本文中所描述的一个或更多个方法的部分可以由计算机系统100响应于处理器104执行被包含于主存储器106中的一个或更多个指令的一个或更多个序列而被执行。这样的指令可以被从另一计算机可读介质(诸如储存装置110)读取到主存储器106中。包含在主存储器106中的指令的序列的执行使得处理器104执行本文中所描述的过程步骤。在多处理布置中的一个或更多个处理器也可以被用于执行被包含在主存储器106中的指令的序列。在替代的实施例中，硬接线电路可以用于替代软件指令或与软件指令相结合。因而，本文的描述不限于硬件电路和软件的任何特定的组合。
[0299]
本文中所使用的术语“计算机可读介质”指代参与向处理器104提供指令以供执行的任何介质。这样的介质可以采用很多形式，包括但不限于非易失性介质、易失性介质和传
输介质。非易失性介质包括例如光盘或磁盘，诸如储存装置110。易失性介质包括动态存储器，诸如主存储器106。传输介质包括同轴电缆、铜线和光纤，包括电线(其包括总线102)。传输介质也可以采用声波或光波的形式，诸如在射频(rf)和红外(ir)数据通信期间所生成的声波或光波。常见形式的计算机可读介质包括例如软盘、柔性盘、硬盘、磁带、任何其它磁性介质、cd-rom、dvd、任何其它光学介质、穿孔卡、纸带、具有孔图案的任何其它物理介质、ram、prom和eprom、flash-eprom、任何其它存储器芯片或盒、如下文中所描述的载波、或计算机可以从其进行读取的任何其它介质。
[0300]
各种形式的计算机可读介质可以涉及将一个或更多个指令的一个或更多个序列携载至处理器104以供执行。例如，所述指令最初可以承载在远程计算机的磁盘上。所述远程计算机可以将指令加载到其动态存储器中，并且使用调制解调器通过电话线发送指令。计算机系统100本地的调制解调器可以在电话线上接收所述数据并且使用红外发射器将所述数据转换成红外信号。耦接到总线102的红外检测器可以接收红外信号中所携载的所述数据并且将所述数据放置在总线102上。总线102将数据携载至主存储器106，处理器104从主存储器106检索并且执行所述指令。由主存储器106所接收的指令可以可选地在由处理器104执行之前或之后储存在储存装置110上。
[0301]
计算机系统100也可以包括被耦接到总线102的通信接口118。通信接口118提供耦接至网络链路120的双向数据通信，所述网络链路连接到本地网络122。例如，通信接口118可以是用于提供与相对应类型的电话线的数据通信连接的综合业务数字网(isdn)卡或调制解调器。作为另一示例，通信接口118可以是用于提供与兼容lan的数据通信连接的局域网(lan)卡。也可以实施无线链路。在任何这样的实施方式中，通信接口118发送和接收携载表示各种类型的信息的数字数据流的电信号、电磁信号或光学信号。
[0302]
网络链路120典型地通过一个或更多个网络提供与其它数据装置的数据通信。例如，网络链路120可以通过本地网络122提供与主计算机124的连接、或提供与由因特网服务提供商(isp)126操作的数据设备的连接。isp 126继而通过现在通常称为“因特网”128的全球分组数据通信网络来提供数据通信服务。本地网络122和因特网128两者都使用携载数字数据流的电信号、电磁信号或光学信号。通过各种网络的信号和在网络链路120上并且通过通信接口118的信号(其将所述数字数据携载至计算机系统100和从计算机系统100携载所述数字数据)是输送所述信息的载波的示例性形式。
[0303]
计算机系统100可以通过网络、网络链路120、和通信接口118发送讯息和接收数据，包括程序代码。在因特网示例中，服务器130可以通过因特网128、isp 126、本地网络122和通信接口118传输用于应用程序的所请求的代码。例如，一个这样的下载的应用可以提供本文中所描述的方法的所有或部分。所接收的代码可以在其被接收时由处理器104执行，和/或储存在储存装置110或其它非易失性储存器中以供稍后执行。以这种方式，计算机系统100可以获得呈载波的形式的应用代码。
[0304]
图13示意性地描述了可运用与本文中所描述的技术相结合的一种示例性光刻投影设备。所述设备包括：
[0305]-照射系统il，所述照射系统用于调节辐射束b。在这种特定情况下，照射系统也包括辐射源so；
[0306]-第一载物台(例如图案形成装置台)mt，所述第一载物台设置有用于保持图案形
成装置ma(例如掩模版)的图案形成装置保持器，并且连接到用于相对于装置ps来准确地定位该图案形成装置的第一定位器；
[0307]-第二载物台(衬底台)wt，所述第二载物台设置有用于保持衬底w(例如涂覆有抗蚀剂的硅晶片)的衬底保持器，并且连接到用于相对于装置ps来准确地定位该衬底的第二定位器；
[0308]-投影系统(“透镜”)ps(例如折射型、反射型或反射折射型光学系统)，所述投影系统用于将图案形成装置ma的被照射部分成像到衬底w的目标部分c(例如包括一个或更多个管芯)上。
[0309]
如本发明中所描绘的，所述设备属于透射类型(即，具有透射型图案形成装置)。然而，通常，其也可以属于反射类型，例如(具有反射型图案形成装置)。所述设备可以采用与经典掩模不同的图案形成装置；示例包括可编程反射镜阵列或lcd矩阵。
[0310]
所述源so(例如，汞灯或准分子激光器、lpp(激光产生的等离子体)euv源)产生辐射束。例如，该束直接地或在已横穿诸如扩束器ex的调节构件之后被馈送到照射系统(照射器)il中。照射器il可以包括调整构件ad以用于设定束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称作σ外部及σ内部)。另外，照射器il通常将包括各种其它部件，诸如积分器in及聚光器co。这样，照射于图案形成装置ma上的束b在其横截面中具有期望的均一性和强度分布。
[0311]
关于图13应该注意的是，所述源so可以在光刻投影设备的壳体内(在所述源so是例如汞灯时的情况时，通常是这种情况)，但其也可以远离所述光刻投影设备，其产生的辐射束被引导到所述设备中(例如借助于适当的定向反射镜)；这后一种情形经常是所述源so为准分子激光器(例如基于krf、arf或f2激光作用)时的情况。
[0312]
束pb随后截取被保持于图案形成装置台mt上的图案形成装置ma。在已横穿图案形成装置ma的情况下，束b传递通过透镜pl，该透镜将该束b聚焦至衬底w的目标部分c上。借助于第二定位装置(以及干涉测量构件if)，可以准确地移动衬底台wt，例如以便使不同目标部分c定位于束pb的路径中。类似地，第一定位装置可以用于例如在自图案形成装置库机械地获得图案形成装置ma之后或在扫描期间相对于束b的路径来准确地定位图案形成装置ma。通常，将借助于未在图13中明确地描绘的长行程模块(粗略定位)及短行程模块(精细定位)来实现载物台mt、wt的移动。然而，在晶片步进器(相对于步进扫描工具)的情况下，图案形成装置台mt可以仅连接到短行程致动器，或者可以是固定的。
[0313]
可以在两种不同模式中使用所描绘的工具：
[0314]-在步进模式中，将图案形成装置台mt保持基本上静止，并且将整个图案形成装置图像一次投影((即，单次“闪光”)至目标部分c上。接着使衬底台wt在x方向和/或y方向上移位，使得可以由束pb照射不同目标部分c；
[0315]-在扫描模式中，基本上适用相同情形，但是给定目标部分c不是在单次“闪光”中被曝光。而是，图案形成装置台mt在给定方向(所谓的“扫描方向”，例如y方向)上以速度v可移动，使得投影束b遍及图案形成装置图像进行扫描；同时，衬底台wt以速度v＝mv在相同或相对方向上同时地移动，其中，m是透镜pl的放大率(通常m＝1/4或＝1/5)。这样，可以在不必损害分辨率的情况下曝光相对较大目标部分c。
[0316]
图14示意性地描绘了可以运用与本文中所描述的技术相结合的另一示例性光刻
投影设备la。
[0317]
所述光刻投影设备la包括：
[0318]-源收集器模块so；
[0319]-照射系统(照射器)il，所述照射系统被配用于调节辐射束b(例如，euv辐射)；
[0320]-支撑结构(例如，图案形成装置台)mt，所述支撑结构被构造成支撑图案形成装置(例如掩模或掩模版)ma并与配置成准确地定位图案形成装置的第一定位器pm相连；
[0321]-衬底台(例如晶片台)wt，所述衬底台被构造成保持衬底(例如涂覆有抗蚀剂的晶片)w，并与配置成准确地定位衬底的第二定位器pw相连；以及
[0322]-投影系统(例如反射型投影系统)ps，所述投影系统ps被配置成将由图案形成装置ma赋予辐射束b的图案投影到衬底w的目标部分c(例如包括一个或更多个管芯)上。
[0323]
如这里所描绘的，所述设备la是反射型的(例如，采用反射式图案形成装置)。应当注意，由于大多数材料在euv波长范围内是吸收性的，因此所述图案形成装置可以具有多层反射器，包括例如钼和硅的多叠层。在一个示例中，多叠层反射器具有40层成对的钼和硅，其中每层的厚度为四分之一波长。用x射线光刻术可以产生甚至更小的波长。由于大多数材料在euv和x射线波长中是吸收性的，所以在图案形成装置形貌上(例如，在多层反射器的顶部上的tan吸收器)图案化的吸收材料的薄片定义了特征将印制(正性抗蚀剂)或不印制(负性抗蚀剂)的区域。
[0324]
参照图14，所述照射器il接收从所述源收集器模块so发出的极紫外辐射束。用于产生euv辐射的方法包括但不必限于将材料转换为等离子体状态，其具有在euv范围内具有一个或更多个发射线的至少一种元素(例如氙、锂或锡)。在通常称为激光产生等离子体(“lpp”)的一个这种方法中，所述等离子体可以通过利用激光束照射燃料(诸如具有线发射元素的材料的液滴、束流或簇)来产生。所述源收集器模块so可以是euv辐射系统的包括用于提供激发所述燃料的激光束的激光器(图14中未示出)的一部分。所得到的等离子体发射输出辐射，例如euv辐射，其通过使用被设置在所述源收集器模块内的辐射收集器而被收集。所述激光器和所述源收集器模块可以是单独的实体，例如当使用co2激光器以提供用于燃料激发的激光束时。
[0325]
在这些情况下，不会认为所述激光器形成所述光刻设备的一部分，并且借助于包括例如合适的定向反射镜和/或扩束器的束传递系统，所述辐射束被从所述激光器传递到所述源收集器模块。在其它情况下，所述源可以是所述源收集器模块的组成部分，例如，当所述源是放电产生等离子体euv生成器(通常被称为dpp源)时。
[0326]
所述照射器il可以包括用于调整所述辐射束的角强度分布的调整器。通常，可以调整所述照射器的光瞳平面中的所述强度分布的至少外部径向范围和/或内部径向范围(通常分别被称为σ-外部和σ-内部)。此外，所述照射器il可以包括各种其它部件，诸如琢面场反射镜装置和琢面光瞳反射镜装置。所述照射器可以用于调节所述辐射束，以在其横截面中具有所期望的均一性和强度分布。
[0327]
所述辐射束b入射到被保持在所述支撑结构(例如，图案形成装置台)mt上的所述图案形成装置(例如，掩模)ma上，并且由所述图案形成装置来形成图案即图案化。已经被从所述图案形成装置(例如，掩模)ma反射后，所述辐射束b传递穿过所述投影系统ps，所述投影系统将所述辐射束聚焦到所述衬底w的目标部分c上。借助于所述第二定位器pw和位置传
感器ps2(例如，干涉仪器件、线性编码器或电容传感器)，可以准确地移动所述衬底台wt，例如以便将不同的目标部分c定位于所述辐射束b的路径中。类似地，可以将所述第一定位器pm和另一个位置传感器ps1用于相对于所述辐射束b的路径准确地定位所述图案形成装置(例如，掩模)ma。可以使用图案形成装置对准标记m1、m2和衬底对准标记p1、p2来对准图案形成装置(例如，掩模)ma和衬底w。
[0328]
所描绘出的设备la可以用于下列模式中的至少一种：
[0329]
1.在步进模式中，在将所述支撑结构(例如图案形成装置台)mt和所述衬底台wt保持为基本静止的同时，将赋予所述辐射束的整个图案一次投影到目标部分c上(即，单次静态曝光)。然后将所述衬底台wt沿x和/或y方向移位，使得可以对不同目标部分c曝光。
[0330]
2.在扫描模式中，在对所述支撑结构(例如图案形成装置台)mt和所述衬底台wt同步地进行扫描的同时，将赋予所述辐射束的图案投影到目标部分c上(即，单次动态曝光)。所述衬底台wt相对于所述支撑结构(例如图案形成装置台)mt的速度和方向可以由所述投影系统ps的放大(缩小)率和图像反转特性来确定。
[0331]
3.在另一模式中，将保持可编程图案形成装置的所述支撑结构(例如图案形成装置台)mt保持为基本上静止，并且在对所述衬底台wt进行移动或扫描的同时，将赋予所述辐射束的图案投影到目标部分c上。在这种模式中，通常采用脉冲辐射源，并且在所述衬底台wt的每一次移动之后、或在扫描期间的连续辐射脉冲之间，根据需要更新所述可编程图案形成装置。这种操作模式可以易于应用于运用可编程图案形成装置(诸如，如上所提及类型的可编程反射镜阵列)的无掩模光刻术中。
[0332]
图15更详细地示出所述设备la，包括所述源收集器模块so、所述照射系统il以及所述投影系统ps。所述源收集器模块so被构造和布置成在所述源收集器模块so的围封结构220中维持真空环境。发射euv辐射的等离子体210可以由放电产生等离子体源形成。euv辐射可以由气体或蒸汽产生，例如氙气、锂蒸汽或锡蒸汽，其中产生非常热的等离子体210以发射在电磁光谱的euv范围内的辐射。例如，由引起至少部分地电离的等离子体的放电而产生所述非常热的等离子体210。为了有效产生所述辐射，可能需要为例如分压为10pa的氙、锂、锡蒸汽或任何其它适当的气体或蒸汽。在实施例中，提供被激发的锡(sn)的等离子体以产生euv辐射。
[0333]
由所述热等离子体210所发射的所述辐射经由定位于源腔室211中的开口中或后方的可选的气体阻挡构件或污染物陷阱230(在一些情况下，也被称作污染物阻挡构件或翼片阱)而从源腔室211传递到收集器腔室212中。污染物截留器230可以包括通道结构。污染物陷阱230也可以包括气体阻挡构件，或气体阻挡构件与通道结构的组合。如本领域中已知的，本文中进一步指示的所述污染物陷阱或污染物阻挡构件230至少包括通道结构。
[0334]
所述收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器co。辐射收集器co具有上游辐射收集器侧251和下游辐射收集器侧252。穿越收集器co的辐射可以从光栅光谱滤光器240反射离开，以沿着由点划线“o”所指示的所述光轴而聚焦在虚源点if处。所述虚源点if通常被称作中间焦点，并且所述源收集器模块被布置成使得中间焦点if位于所述围封结构220中的开口221处或附近。所述虚源点if是所述辐射发射等离子体210的图像。
[0335]
随后，所述辐射穿越所述照射系统il，所述照射系统il可以包括琢面场反射镜装
置22和琢面光瞳反射镜装置24，所述琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成在所述图案形成装置ma处提供所述辐射束21的期望的角分布，以及在所述图案形成装置ma处提供具有辐射强度的期望的均一性。在辐射束21在由所述支撑结构mt所保持的所述图案形成装置ma处反射之后，形成图案化的束26，并且由所述投影系统ps将图案化的束26经由反射元件28、30而成像到由所述衬底台wt所保持的衬底w上。
[0336]
在照射光学器件单元il和投影系统ps中通常可以存在比示出的元件更多的元件。依赖于光刻设备的类型，可以可选地存在所述光栅光谱滤光器240。此外，可以存在比图中所示出的反射镜更多的反射镜，例如在实施投影系统ps中可以存在有与在图15中示出的元件相比1至6个额外的反射元件。
[0337]
如图15所示的收集器光学器件co被描绘为具有掠入射反射器253、254和255的巢状收集器，仅作为收集器(或收集器反射镜)的示例。所述掠入射反射器253、254和255被设置成围绕光轴o轴对称的，并且这种类型的收集器光学器件co可以与经常被称作dpp源的放电产生等离子体源组合使用。
[0338]
替代地，所述源收集器模块so可以是如图16所示的lpp辐射系统的一部分。激光器la被布置成将激光能量沉积到诸如氙(xe)、锡(sn)或锂(li)之类的燃料中，从而产生具有几十电子伏特的电子温度的高度电离化的等离子体210。在这些离子的去激发和再结合即复合期间所产生的高能辐射从所述等离子体发射，由近正入射收集器光学器件co收集，并且被聚焦到所述围封结构220中的开口221上。
[0339]
本文中所披露的构思可以模拟或以数学方法对用于使亚波长特征成像的任何通用的成像系统进行建模，并且可以尤其与能够产生越来越短的波长的新兴成像技术一起使用。已经处于使用中的新兴技术包括极紫外(euv)光刻术、能够通过使用arf激光器来产生193nm波长并且甚至能够通过使用氟激光器来产生157nm波长的深紫外(duv)光刻术。此外，euv光刻术能够通过使用同步加速器或通过利用高能电子来撞击材料(固体或等离子体)产生5nm至20nm范围内的波长，以便产生此范围内的光子。
[0340]
虽然本文中所披露的构思可以用于在衬底(诸如硅晶片)上成像，但是应当理解，所披露的构思可以与任何类型的光刻成像系统一起使用，例如用于在除了硅晶片之外的衬底上成像的光刻成像系统。
[0341]
上文描述旨在是例示性的而不是限制性的。因此，本领域的技术人员将明白，在不背离下面阐述的权利要求书的范围的情况下，可以如所描述进行修改。