一种基于最小矩形像素堆叠的光刻掩膜优化方法及系统

本技术涉及光刻掩膜，尤其涉及一种基于最小矩形像素堆叠的光刻掩膜优化方法及系统。

背景技术：

1、光刻技术是制造超大规模集成电路的关键技术之一。光刻系统通过光源照射掩模，并利用投影物镜将掩模上的集成电路图案转移到硅片上。随着半导体技术的发展，集成电路的特征尺寸越来越小，光学衍射的存在造成硅片上的曝光图像与所用的掩膜版图案产生了畸变，导致光刻图案的转移失真。因此，半导体行业广泛采用计算光刻技术来提高光刻系统的分辨率和成像质量，其中光学邻近效应修正(opc)是一种重要的技术。为了增加opc的优化自由度，研究人员提出了像素化opc技术。这种技术将掩模图形视为像素图，通过优化每个掩模像素的透过率来补偿成像误差。然而，尽管像素化opc技术提高了优化自由度，但也显著增加了掩模的复杂度，导致掩模制造的可控性降低，现有的基于像素的opc优化算法具有很高的自由度，每个独立的像素都可以作为单独优化的对象，最终表现为0或1(透过或遮挡)，这导致优化后的掩膜产生毛刺以及孤立点。这些毛刺及孤立点通常需要大量的矩形射击来拟合，从而增加了掩模断裂射击计数，大大降低了在实际生产中掩膜的可制造性，如果通过后处理去除，则可能带来不可预料的投影成像误差，因此还需要与优化方法结合进行优化设计，然而，传统的梯度迭代方法基于物理模型模拟光刻过程，利用数值优化技术，如最小二乘法或其他优化算法，根据目标图案与刻蚀图案之间的差异逐步调整掩模图案。由于每次迭代都需要进行复杂的光学模拟和误差计算，计算复杂度较高，因而难以处理具有高度复杂性的掩膜图案。

2、综上，相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出一种基于最小矩形像素堆叠的光刻掩膜优化方法及系统，能够限制掩模优化的自由度，减少优化后的毛刺及孤立点，平衡bsn模型的复杂度与优化精度，使其能够处理具有高度复杂性的特征图案。

2、为实现上述目的，本技术实施例的一方面提出了一种基于最小矩形像素堆叠的光刻掩膜优化方法，所述方法包括：

3、构建基于部分相干光源的光刻系统成像模型；

4、通过设定最小卷积核的尺寸，构建基于最小矩形像素堆叠的bsn模型；

5、将所述光刻系统成像模型与所述bsn模型进行组合，并确定逆光刻损失函数，构建自监督神经网络模型；

6、通过反向传播算法对所述自监督神经网络模型进行优化训练，得到优化后的自监督神经网络模型；

7、基于所述优化后的自监督神经网络模型，分离获取优化后的bsn模型，并将待优化的掩膜图案输入至bsn模型，得到光学邻近效应校正优化掩模的输出结果。

8、在一些实施例中，所述构建基于部分相干光源的光刻系统成像模型，包括：

9、获取待优化的掩膜图案；

10、采用部分相干光刻系统，通过部分相干光源与所述部分相干光刻系统的点扩散函数，确定光学频域交叉传递函数；

11、对所述光学频域交叉传递函数进行奇异值分解，根据分解结果确定所述待优化的掩膜图案的部分相干光光刻空间像，所述分解结果包括奇异值和特征向量；

12、基于所述部分相干光光刻空间像，在梯度下降中采用sigmoid函数替代光刻胶硬阈值函数，构建光刻胶函数；

13、结合所述光刻胶函数，构建所述基于部分相干光源的光刻系统成像模型。

14、在一些实施例中，所述光刻胶函数的表达式具体如下所示：

15、

16、上式中，z表示晶圆上光刻胶刻蚀图案，hard{·}表示光刻胶硬阈值函数，i表示空间像光强，tr表示阈值，μk表示奇异值，hk表示每个奇异值对应的特征向量，m表示掩模图案，k表示奇异值的个数；

17、在梯度下降中采用sigmoid函数替代光刻胶硬阈值函数的过程的表达式为：

18、

19、上式中，sigmoid{·}表示sigmoid函数。

20、在一些实施例中，所述通过设定最小卷积核的尺寸，构建基于最小矩形像素堆叠的bsn模型，包括：

21、设定所述最小卷积核的尺寸大小，引入sigmoid函数，构建映射模块与还原模块；

22、基于u-net神经网络，引入密集跳跃连接，构建u-net++神经网络模块，所述u-net++神经网络模块包括若干双重卷积模块和最大池化层；

23、将所述映射模块的输出端与所述u-net++神经网络模块的输入端连接，所述u-net++神经网络模块的输出端与所述还原模块的输入端连接，构建所述基于最小矩形像素堆叠的bsn模型。

24、在一些实施例中，所述将所述光刻系统成像模型与所述bsn模型进行组合，并确定逆光刻损失函数，构建自监督神经网络模型，包括：

25、设定目标图案；

26、将所述目标图案输入至所述bsn模型，得到预测掩模；

27、将所述预测掩模输入至所述光刻系统成像模型进行成像处理，得到预测晶圆上光刻胶刻蚀图案；

28、根据所述目标图案，并结合所述预测晶圆上光刻胶刻蚀图案，确定光学邻近效应校正优化问题的逆光刻损失函数，构建所述自监督神经网络模型。

29、在一些实施例中，所述光学邻近效应校正优化问题的逆光刻损失函数的表达式具体如下所示：

30、

31、上式中，loss表示光学邻近效应校正优化问题的逆光刻损失函数，mb表示输入神经网络的二值矩阵，z表示晶圆上光刻胶刻蚀图案，因此损失函数第一项表示保真项，即目标图案与晶圆上光刻胶刻蚀图案之间的欧拉距离的平方，rd和rn分别表示二次惩罚函数和数量惩罚函数，γd和γn分别表示二次惩罚函数和数量惩罚函数的加权系数。

32、在一些实施例中，所述通过反向传播算法对所述自监督神经网络模型进行优化训练，得到优化后的自监督神经网络模型，包括：

33、将所述目标图案输入至所述自监督神经网络模型的bsn模型进行优化处理，得到训练掩模；

34、将所述训练掩模输入至所述自监督神经网络模型的光刻系统成像模型进行成像处理，得到训练晶圆上光刻胶刻蚀图案；

35、基于所述训练晶圆上光刻胶刻蚀图案，将所述逆光刻损失函数进行最小化处理，优化所述bsn模型的u-net++神经网络参数，得到所述优化后的自监督神经网络模型。

36、在一些实施例中，所述将所述目标图案输入至所述自监督神经网络模型的bsn模型进行优化处理，得到训练掩模，包括：

37、将所述目标图案输入至所述bsn模型的映射模块，对所述目标图案进行掩模-映射-位置矩阵的编码处理，得到具有堆叠性质的位置矩阵；

38、将所述具有堆叠性质的位置矩阵输入至所述bsn模型的u-net++神经网络模块，对所述具有堆叠性质的位置矩阵进行预测处理，得到训练的位置矩阵；

39、将所述训练的位置矩阵输入至所述bsn模型的还原模块，对所述训练的位置矩阵进行位置矩阵-还原-掩模的解码处理，得到所述训练掩模。

40、在一些实施例中，所述基于所述优化后的自监督神经网络模型，分离获取优化后的bsn模型，并将待优化的掩膜图案输入至bsn模型，得到光学邻近效应校正优化掩模的输出结果，包括：

41、将所述优化后的自监督神经网络模型进行分离处理，得到优化后的bsn模型；

42、基于所述优化后的bsn模型，将待优化的掩膜图案输入到bsn模型，得到光学邻近效应校正优化掩模的输出结果。

43、为实现上述目的，本技术实施例的另一方面提出了一种基于最小矩形像素堆叠的光刻掩膜优化系统，所述系统包括：

44、第一模块，用于构建基于部分相干光源的光刻系统成像模型；

45、第二模块，用于通过设定最小卷积核的尺寸，构建基于最小矩形单元堆叠的bsn模型；

46、第三模块，用于将所述光刻系统成像模型与所述bsn模型进行组合，并确定逆光刻损失函数，构建自监督神经网络模型；

47、第四模块，用于通过反向传播算法对所述自监督神经网络模型进行优化训练，得到优化后的自监督神经网络模型；

48、第五模块，用于基于所述优化后的自监督神经网络模型，分离获取优化后的bsn模型，并将待优化的掩膜图案输入至bsn模型，得到光学邻近效应校正优化掩模的输出结果。

49、本技术实施例至少包括以下有益效果：本技术提供一种基于最小矩形像素堆叠的光刻掩膜优化方法及系统，该方案通过构建基于部分相干光源的光刻系统成像模型以及通过设定最小卷积核的尺寸，构建基于最小矩形像素堆叠的bsn模型，能够通过限制最小构成单元，限制掩模优化的自由度，减少优化后的毛刺及孤立点，显著降低了掩模复杂度，增加光学邻近效应校正优化掩模的可制造性。通过部分相干光光刻模型驱动，增强神经网络的可靠性和可解释性，同时也可以大幅减少标记计算的时间以及标记错误所导致的训练误差。进一步，将光刻系统成像模型与bsn模型进行组合，并确定逆光刻损失函数组成，构建自监督神经网络模型并进行训练，训练后分离获取优化后的bsn模型，将待优化的掩膜图案输入到bsn模型就可以得到优化掩膜的输出，可以平衡bsn模型的复杂度与优化精度，使其能够处理具有高度复杂性的掩膜图案。