基于神经网络的OPC模型生成方法及实验图案的预测方法与流程

本发明涉及半导体技术领域，尤其涉及一种基于神经网络的OPC模型生成方法及实验图案的预测方法。

背景技术：

光学邻近校正(OPC)是先进半导体制造中的关键步骤。由于光刻扫描仪成像系统带宽的限制，掩模图案在成像过程中不可避免地丢失了部分高空间频率信息，从而造成了光刻胶图案在硅片上的畸变。随着光刻工艺难度的增大，光刻工艺窗口迅速缩小。这显然对OPC的准确性提出了更高的要求。除了分段方案和OPC算法的收敛性外，OPC精度主要依赖于OPC模型的准确性。OPC模型分为光学成像部分和光刻胶的化学部分。光学成像部分可以非常精确地建模，包刮光掩模三维衍射和高NA矢量成像。然而，光刻胶的化学部分，因为其复杂性，无法从基本原理推导出解析公式进行建模，现有的OPC模型都是将复杂的酸碱扩散过程和酸碱反应过程通过线性化来处理，也就是说，酸碱扩散过程和酸碱反应过程的交叉作用是没有考虑的。因为这些原因，经过校准的OPC模型通常存在对某些图案具有很少的几纳米系统误差存在，这些系统误差必须在OPC配方中通过繁琐的编码来补偿。现有的OPC模型缺乏关于光刻胶的化学的坚实数学基础，剩余的系统误差很难消除。

因此，如何生成一种能够满足精度需求的OPC模型是本领域亟待解决的问题。

技术实现要素：

本发明为了克服上述现有技术存在的缺陷，提供一种基于神经网络的OPC模型生成方法及实验图案的预测方法，以生成高精度的OPC模型。

根据本发明的一个方面，提供一种基于神经网络的OPC模型生成方法，包括：

S11：计算设定光刻工艺条件下的内核组，所述内核组包括n个成像内核，n为大于0的整数；

S12：获取各测试图案的各定义位置处的成像信号值集合，所述成像信号值集合包括n个成像信号值，每个所述成像信号值基于所述内核组中的成像内核与光传输函数的卷积值计算；

S13：将各测试图案的每个定义位置处的所述成像信号值集合作为一神经网络模型的输入；

S14：将各测试图案的实验数据作为神经网络模型的输出的训练目标；

S15：训练所述神经网络模型的参数；

S16：将具有训练后的参数的神经网络模型作为所述OPC模型。

可选地，所述内核组由部分相干成像系统分解的前n个相干成像系统的成像内核组成。

可选地，各测试图案的实验数据为从扫描电子显微镜获得的测试图案的图像轮廓和/或从扫描电子显微镜获得的测试图案的尺寸。

可选地，所述神经网络模型包括n+1个输入单元、m个隐藏单元及一个输出单元，

其中，第一个输入单元的输入为1，第2至第n+1个输入单元的输入为所述成像信号值集合中的各个成像信号值，所述输出单元的值为所述神经网络模型的输出，m为大于0的整数。

可选地，所述神经网络模型的输出单元的值T根据如下公式计算：

其中，为第j个隐藏单元的值，yi为输入单元到隐藏单元的转移函数，z为隐藏单元到输出单元的转移函数，wjq及uj为所要训练的参数。

可选地，所述成像信号值集合中的每个成像信号值根据如下公式计算：

其中，Si(x,y)为定义位置(x，y)处的第i个成像信号值，Ki(x，y)为内核组的第i个成像内核，M(x，y)为光掩模的光传输函数，i为大于等于1小于等于n的整数。

可选地，所述步骤S15利用反向传播算法训练所述神经网络模型的参数。

根据本发明的又一方面，还提供一种掩模图案的实验图案的预测方法，包括：

S21：根据掩模图案的每个定义位置处的内核组中的每个成像内核与光传输函数的卷积值获得掩模图案的每个定义位置处的成像信号值集合，所述成像信号值集合包括n个成像信号值；

S22：将掩模图案的每个定义位置处的所述成像信号值集合作为一OPC模型的输入，所述OPC模型通过如上所述的方法生成；

S23：根据所述OPC模型的输出预测所述掩模图案的实验图案。

相比现有技术，本发明的优势在于：利用内核组中的成像内核计算而来的成像信号值集合作为神经网络模型的输入，训练神经网络模型的参数，并将训练后的神经网络模型作为OPC模型，由此OPC模型的精度可由神经网络模型的参数调整，且可满足高精度的需求。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的基于神经网络的OPC模型生成方法的流程图。

图2示出了独立相干成像系统的本征函数的示意图。

图3示出了本发明实施例的定义位置的内核组的示意图。

图4示出了本发明实施例的神经网络模型的示意图。

图5示出了根据本发明实施例的掩模图案的目标图案的预测方法的流程图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在部分相干照明条件下，光学成像系统本身是非线性。掩模图案的成像，即在成像平面的光强分布，可以使用光学成像公式准确地计算出来。然而，化学放大光刻胶对光强的反应，和曝光后的显影过程，都是非常非线性的。最终显影完成后，在晶片上的光刻胶图案可以看成是二进制的。对任意区域，它要么被光刻胶覆盖，要么没有被光刻胶覆盖。OPC模型的主要功能是，建立一个数学映射公式，可以用掩模图案，或者用掩模图案的成像光强度分布函数，来预测晶片上显影后的光刻胶图案。数学上，这可以表达为，

其中，T(x,y)是晶片上生成的显影后的光刻胶图案，取值{0,1}。M(x,y)是光掩模的光传输函数。代表未知的函数形式，这是任何OPC模型的核心。从计算效率来考量，如果晶片上显影后的光刻胶图案T(x,y)，可以通过用一个阈值来切割一个连续函数来实现，那将是非常理想的。值为0或1的任何二进制函数T(x,y)，存在一个连续实函数F(x,y)，可以用一个阈值来切割这个连续实函数F(x,y)，并获得指定的精度。要求的精度越高，就要求函数F(x,y)的空间频宽越大。换言之，F(x,y)为三维曲面，T(x,y)为F(x,y)在阈值处的截面在X轴-Y轴所在平面上的映射。

生成OPC模型的一个关键在于，将光掩模图案的成像光强分布函数I(x,y)转换成F(x,y)。显然，这种转换不能是点到点的转换，因为光刻胶的化学过程是非局域性的。因此，在位置(x，y)上，F(x,y)的值不仅取决于在(x，y)上的成像光强分布函数值，还取决于成像光强分布函数I(x,y)在位置(x，y)周围的所有值。在数学上，它可以表示为，

由于整个光刻过程非常复杂，从最基本的物理原理来导出一个确切的函数形式是不太可能的。所以，寻找一种非参数建模方法显得更为实际。

本发明将采用诸如多层感知器神经网络模型来近似这个映射函数，并可达到任何精度。进一步地，由于从I(x,y)到F(x,y)的转换不是一个点到点的转换，在(x,y)上的F(x,y)的值取决于I(x,y)在(x,y)周围的所有值。因为，可以假设，在(x,y)点的光刻胶的化学过程的最终响应取决于周围的光强度分布。而周围的光强度分布的最优基函数集是成像系统相干的方程的本征函数集(即成像内核集合)。在这种分解方案下，光强度分布函数可以表示为，

这里，是卷积运算符，M(x,y)是光传输函数(或者有效光传输函数)，M(x,y)包括光掩模图案的3D衍射效应、{Ki(x,y)}和{αi}是成像系统相关的方程的本征函数集和本征值集。

基于上述原理，本发明提供了一种基于神经网络的OPC模型生成方法，如图1所示。图1共示出了6个步骤：

S11：计算设定光刻工艺条件下的内核组，所述内核组包括n个成像内核，n为大于0的整数。

可选地，内核组由部分相干成像系统分解的前n个相干成像系统的成像内核组成。具体参见图2，图2示出了独立相干成像系统的本征函数的示意图。如图2所示，每个本征函数(即成像内核)的重要性随着本征函数指数迅速下降，如图2所示。如图3所示，图案300的定义位置301的内核组包括4个成像内核302(即第一至第四成像内核)。

S12：获取各测试图案的各定义位置处的成像信号值集合，所述成像信号值集合包括n个成像信号值，每个所述成像信号值基于所述内核组中的成像内核与光传输函数的卷积值计算。

在一些实施例中，各测试图案的每个定义位置处的所述成像信号值集合中的每个成像信号值根据如下公式计算：

其中，Si(x,y)为定义位置(x，y)处的第i个成像信号值，Ki(x，y)为内核组的第i个成像内核，M(x，y)为光掩模的光传输函数，i为大于等于1小于等于n的整数。

S13：将各测试图案的每个定义位置处的所述成像信号值集合作为一神经网络模型的输入。

S14：将各测试图案的实验数据作为神经网络模型的输出的训练目标。

具体而言，各测试图案的实验数据为从扫描电子显微镜获得的测试图案的图像轮廓和/或从扫描电子显微镜获得的测试图案的尺寸。

S15：训练所述神经网络模型的参数。

具体而言，如图4所示。本发明提供的神经网络模型400包括n+1个输入单元401、m个隐藏单元402及一个输出单元403。m为大于0的整数。

第一个输入单元的输入S0为1，第2至第n+1个输入单元的输入为各测试图案的每个定义位置处的所述成像信号值集合中的各个成像信号值(即S1至Sn)。所述输出单元的值T为所述神经网络模型的输出。换言之，步骤S150通过算法训练神经网络模型的参数，使得输出单元的值T接近或等于神经网络模型的输出的训练目标(测试图案的实验数据)。

进一步地，结合图4，所述神经网络模型400的输出单，403的值T根据如下公式计算：

其中，为第j个隐藏单元的值，yj为输入单元到隐藏单元的转移函数，z为隐藏单元到输出单元的转移函数，wjp及uj为所要训练的参数。

可选地，本发明可以利用反向传播算法训练所述神经网络模型的参数。

S16：将训练后的神经网络模型作为OPC模型。

通过上述步骤，本发明提供的基于神经网络的OPC模型生成方法相当于利用神经网络模型来获得如下公式的近似函数G：

F(x,y)＝G(Si(x,y),S2(x,y),...,Sn(x,y))

且该近似函数G即可作为本发明所要生成的OPC模型。

通过上述步骤生成OPC模型后，本发明还提供一种掩模图案的实验图案的预测方法，如图5所示。图5共示出4个步骤：

S21：根据掩模图案的每个定义位置处的内核组中的每个成像内核与光传输函数的卷积值获得掩模图案的每个定义位置处的成像信号值集合，所述成像信号值集合包括n个成像信号值。

S22：将掩模图案的每个定义位置处的所述成像信号值集合作为一OPC模型的输入，所述OPC模型通过上述的方法生成。

S23：根据所述OPC模型的输出预测所述掩模图案的实验图案。

实验图案可以指从扫描电子显微镜获得的掩模图案。

由此，本发明提供的模型框架独立于光刻过程是否是基于正色调或负色调的光刻过程。相比现有技术，本发明的优势在于：利用内核组中的成像内核计算而来的成像信号值集合作为神经网络模型的输入，训练神经网络模型的参数，并将训练后的神经网络模型作为OPC模型，由此OPC模型的精度可由神经网络模型的参数调整，且可满足高精度的需求。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。