用于光学邻近校正的方法与流程

本公开的各方面一般涉及半导体集成电路，更具体地，涉及训练用于光学邻近校正的深度学习模型的方法、光学邻近校正方法以及使用训练深度学习模型的方法制造半导体设备的方法。

背景技术：

1、半导体设备由于其小尺寸、多功能特性和/或低制造成本而广泛用于电子工业。随着电子工业的发展，对具有优异特性的半导体设备的需求增加了。例如，对高可靠性、高速度和/或多功能半导体设备的需求快速增加。为了满足这些需求，半导体设备已经变得高度集成，并且半导体设备的结构已经变得更加复杂。

2、半导体设备可以通过光刻工艺制造。布局图案可以通过光刻工艺印刷或实现在半导体衬底上。随着半导体设备变得高度集成，用于制造或制作半导体设备的掩模的布局图案之间的距离已经减小。例如，由于布局图案之间的距离减小，布局图案可能彼此非常接近。当布局图案彼此靠近时，可能引起光的干涉和衍射，使得在半导体衬底上印刷的是畸变的布局，而不是期望的布局。为了解决这些问题，分辨率增强技术(例如，光学邻近校正)可以用于防止布局图案的畸变。

技术实现思路

1、本公开的各方面提供了训练用于光学邻近校正的深度学习模型的方法，该深度学习模型能够有效地训练或学习与半导体设计/制造阶段中的布局图案相关联的圆角。

2、本公开的至少一个示例实施例提供了一种光学邻近校正方法和一种使用训练深度学习模型的方法制造半导体设备的方法。

3、根据示例实施例，在训练在光学邻近校正中使用的深度学习模型以校正在半导体设备制作中使用的布局图案的方法中，可以获得与样本布局相关联的样本输入图像，其中，样本布局是光学邻近校正的目标。可以从通过对样本布局执行光学邻近校正而制作的样本掩模中提取与样本输入图像对应的样本参考图像。可以基于样本输入图像以及样本参考图像对在光学邻近校正中使用的深度学习模型执行训练操作。样本布局可以包括用于形成半导体设备的工艺图案的样本布局图案。样本输入图像可以包括样本布局图案的角部分的图像。深度学习模型可以用于对样本布局图案的角部分执行圆角操作。

4、根据示例实施例，在光学邻近校正方法中，接收包括在半导体工艺中使用以形成半导体设备的工艺图案的布局图案的设计布局。基于在光学邻近校正中使用的深度学习模型，获得与设计布局相关联的光学邻近校正模型。基于光学邻近校正模型，获得包括与布局图案对应的校正的布局图案的校正的设计布局。深度学习模型通过以下方式训练：获得与样本布局相关联的样本输入图像，样本布局是光学邻近校正的目标，从通过对样本布局执行光学邻近校正而制作的样本掩模中提取与样本输入图像对应的样本参考图像，以及基于样本输入图像以及样本参考图像对深度学习模型执行训练操作。样本布局包括样本布局图案，并且样本输入图像包括样本布局图案的角部分的图像。深度学习模型用于对样本布局图案的角部分以及布局图案的角部分执行圆角操作。

5、根据一些示例实施例，在制造半导体设备的方法中，获得包括在半导体工艺中使用以形成半导体设备的工艺图案的布局图案的设计布局。通过对设计布局执行光学邻近校正，形成包括与布局图案对应的校正的布局图案的校正的设计布局。基于校正的设计布局制作光掩模。使用光掩模在衬底上形成工艺图案。当形成校正的设计布局时，接收设计布局。基于在光学邻近校正中使用的深度学习模型，获得与设计布局相关联的光学邻近校正模型。基于光学邻近校正模型获得校正的设计布局。深度学习模型通过以下方式训练：获得与样本布局相关联的样本输入图像，其中，样本布局是光学邻近校正的目标，从通过对样本布局执行光学邻近校正而制作的样本掩模中提取与样本输入图像对应的样本参考图像，以及基于样本输入图像以及样本参考图像对深度学习模型执行训练操作。样本布局包括样本布局图案，并且样本输入图像包括样本布局图案的角部分的图像。深度学习模型用于对样本布局图案的角部分以及布局图案的角部分执行圆角操作。

6、在根据示例实施例的训练用于光学邻近校正的深度学习模型的方法、光学邻近校正方法和制造半导体设备的方法中，可以使用与已经在半导体设备的真实或实际制造工艺中应用的光掩模(例如，已经实际制作的光掩模)相关的数据来训练用于执行光学邻近校正中的圆角操作的深度学习模型。此后，可以使用训练的深度学习模型来执行包括圆角操作的光学邻近校正，并且可以基于光学邻近校正的结果来制作光掩模，该光掩模尚未被应用于半导体设备的制造工艺，并且将被新应用于半导体设备的制造工艺。因此，可以提高或增强校正的准确性，并且也可以提高或增强工艺裕度。

技术特征：

1.一种训练在光学邻近校正中使用的深度学习模型以校正在半导体设备制作中使用的布局图案的方法，所述方法包括：

2.根据权利要求1所述的方法，其中，执行训练操作包括：

3.根据权利要求2所述的方法，其中，响应于训练所述深度学习模型，基于所述圆角操作来选择包括在所述深度学习模型中的权重。

4.根据权利要求2所述的方法，其中，执行训练操作还包括：

5.根据权利要求4所述的方法，其中，执行训练操作还包括：

6.根据权利要求2所述的方法，其中，所述深度学习模型是生成对抗网络gan。

7.根据权利要求6所述的方法，其中，所述深度学习模型包括：

8.根据权利要求7所述的方法，其中，所述生成器模型以及所述鉴别器模型基于卷积神经网络cnn。

9.根据权利要求7所述的方法，

10.根据权利要求9所述的方法，其中，训练所述深度学习模型，使得所述鉴别值收敛于0.5。

11.根据权利要求1所述的方法，其中，所述样本输入图像还包括样本布局图案的边缘部分的图像。

12.根据权利要求1所述的方法，其中，所述训练操作是基于通过用多个缩放因子增大或减小样本输入图像的放大率而获得的图像来执行的。

13.一种光学邻近校正方法，包括：

14.根据权利要求13所述的光学邻近校正方法，其中，获得所述光学邻近校正模型包括：

15.根据权利要求14所述的光学邻近校正方法，其中，所述偏置操作是通过将所述布局图案的边缘部分划分成段并偏移所述段中的至少一个段来执行的。

16.根据权利要求15所述的光学邻近校正方法，其中，所述偏置操作是通过沿第一方向偏移所述段中的第一段以及沿不同于第一方向的第二方向偏移所述段中的第二段来执行的。

17.根据权利要求14所述的光学邻近校正方法，其中，获得所述光学邻近校正模型还包括：

18.根据权利要求17所述的光学邻近校正方法，其中，获得所述光学邻近校正模型还包括：

19.一种制造半导体设备的方法，所述方法包括：

20.根据权利要求19所述的方法，

技术总结在训练用于光学邻近校正的深度学习模型的方法中，可以获得与样本布局相关联的样本输入图像，其中，样本布局是光学邻近校正的目标。可以从通过对样本布局执行光学邻近校正而制作的样本掩模中提取对应于样本输入图像的样本参考图像。可以基于所述样本输入图像以及所述样本参考图像对在光学邻近校正中使用的深度学习模型执行训练操作。样本布局可以包括形成半导体设备的工艺图案的样本布局图案。样本输入图像可以包括样本布局图案的角部分的图像。深度学习模型可以用于对样本布局图案的角部分执行圆角操作。技术研发人员：吕尚哲受保护的技术使用者：三星电子株式会社技术研发日：技术公布日：2024/5/16