光学邻近矫正方法及系统、掩模版、设备与存储介质与流程

1.本发明涉及半导体领域，具体涉及一种光学邻近矫正方法及系统、掩模版、设备与存储介质。


背景技术：

2.随着特征尺寸的不断减小和图形复杂程度变得越来越高，光学邻近效应矫正(optical proximity correction,opc)技术已广泛应用于各关键层次的掩膜板设计中。目前应用最为广泛的opc方法是基于模型的opc矫正方法，具体地，通过建立某些类型的物理模型来模拟光源、光学组件、光传播和光物质的相互作用，尽可能准确地预测晶圆上的图案轮廓和特征尺寸。
3.典型的opc模型通常包含三个子模型：光学模型、掩膜三维效应模型(ddm) 模型和光阻模型。光学模型模拟投影到抗蚀剂上的图像，ddm模型模拟掩膜中的光波，而抗蚀剂模型模拟显影后的抗蚀剂轮廓。为了精确地训练这些模型，我们需要首先向模型提供种子参数作为标准真实数据(ground truth)。然后模型将调整其内部参数，使得仿真结果更加接近标准真实数据。这些种子参数是基于设计规则的测试图形，这些测试图形通常可以表示生产过程中的实际芯片。但是，通常很难定义测试图形的标准值并评估测试图形可以表示未来的真实芯片的程度。


技术实现要素：

4.本发明解决的问题是提供一种光学临近矫正方法、光学临近矫正系统以及掩膜板，优化光学临近矫正效果。
5.为解决上述问题，本发明提供一种光学临近矫正方法、光学临近矫正系统以及掩膜板，所述方法包括：
6.可选的，提取所述基础测试图形和真实芯片图形的特征向量的步骤包括：
7.选取所述部分测试图形和真实芯片图形的关键特征数据，并将所述关键特征数据表示为特征向量。
8.可选的，选取所述部分测试图形和真实芯片图形的关键特征数据的步骤包括：以每个所述部分测试图形和真实芯片图形整体作为基准提取关键特征数据；或者，以每个所述部分测试图形和真实芯片图形中的关键片段作为基准提取关键特征数据。
9.可选的，所述关键片段为图形特征尺寸测量位置。
10.可选的，所述测试图形为对称图形，所述关键片段为所述对称图形中间部分的边缘位线。
11.可选的，所述测试图形包括多个平行排列的线条图形，所述关键片段为位于中间线条图形的边缘位线。
12.可选的，选取所述部分测试图形和真实芯片图形的关键特征数据的步骤包括：采用随机森林分类器，根据所述输入数据，计算所述特征向量的中每个参数的重要性标称值。
13.可选的，选取所述部分测试图形和真实芯片图形的关键特征数据的步骤还包括：在计算所述特征向量的中每个参数的重要性标称值之前，从测试图形库调用测试图形，从真实芯片图形数据库调用真实芯片图形；将每一个所述测试图形或真实芯片图形的关键特征数据值，记录为一组关键特征数据；每组关键特征数据表示为一个特征向量，并对每个所述特征向量添加标签；将每一个特征向量及其对应标签，作为随机森林分类器的训练数据。
14.可选的，对每个特征向量添加标签的步骤包括：对每个特征向量，计算该特征向量各参数的模型误差，如果所述模型误差小于阈值t，则将该特征向量的标签标记为0，如果所述模型误差大于等于阈值t，则将该特征向量的标签标记为1。
15.可选的，对每个特征向量添加标签的步骤包括：对每个特征向量，计算该特征向量各参数的模型误差，并将模型误差值直接标记为对应特征向量的标签。
16.可选的，计算所述部分测试图形和真实芯片图形特征向量之间的多级差异的步骤包括：计算所述部分测试图形和真实芯片图形特征向量之间的欧氏距离，以所述欧氏距离作为多级差异。
17.可选的，计算所述部分测试图形和真实芯片图形特征向量之间的欧氏距离的步骤包括：设选取的所述部分测试图形为第一组图形，选取的真实芯片图形为第二组图形，将所述部分测试图形的特征向量集合为第一组特征向量，将所述真实芯片图形的特征向量集合为第二组特征向量，欧氏距离为d
kij
＝(a
ki-b
kj
)2，其中aki是第一组特征向量中第i个测试图形的第k个参数的值，bkj是第二组特征向量中第j个真实芯片图形的第k个参数的值，dkij是基于第k个参数的测试图形ai和真实芯片图形bj之间的欧氏距离。
18.可选的，设第一组特征向量包括m个测试图形，第二组特征向量包括n个真实芯片图形，每个特征向量包括l个参数，设第k个参数的重要性标称值为 ik，则每个测试图形ai与真实芯片图形bj之间的欧氏距离为与真实芯片图形bj之间的欧氏距离为全体第一组特征向量和每个真实芯片图形bj之间的欧氏距离为全体第一组特征向量和全体第二组特征向量之间的平均欧氏距离为
19.可选的，评估所述测试图形对所述真实芯片图形的覆盖程度的步骤包括：为d
aj
定义第一阈值ti，为d
ab
定义第二阈值ta，如果d
ab
≤ta且所有d
aj
≤ti，则第一组图形对第二组图形具有理想模型覆盖率。
20.可选的，如果d
aj
》ti，则将d
aj
》ti的所有第二组图形归类为未覆盖图形，并将所有所述未覆盖图形定义为第三组图形，重新选取所述测试图形库中的部分备用测试图形，作为第四组图形；计算所述第三组图形与每个第四组图形之间的欧氏距离，记录所述第三组图形与第四组图形中第p个图形之间的欧氏距离d
cp
，将第四组图形中欧氏距离d
cp
最小的前q个测试图形添加到所述第一组图形中，作为基础测试图形。
21.可选的，在将排序后的前q个备用测试图形添加到基础测试图形中之后，重新进行以下步骤：
22.提取所述基础测试图形和真实芯片图形的特征向量，计算所述部分测试图形和真实芯片图形特征向量之间的多级差异；
23.更新理想覆盖度，根据所述多级差异，评估所述测试图形对所述真实芯片图形的覆盖程度，并将覆盖程度低于理想覆盖度的真实芯片图形作为未覆盖图形；
24.根据评估的结果，重新选取所述测试图形库中的部分备用测试图形，计算所述部分备用测试图形和未覆盖图形特征向量之间的多级差异，并按照多级差异从小到大对重新选取的备用测试图形进行排序，将排序后的前q个备用测试图形添加到基础测试图形中。
25.本发明还提供一种光学临近矫正系统，包括：模型建立单元，用于建立光学临近矫正模型，所述光学临近矫正模型用于进行光学临近矫正，所述光学临近矫正模型采用标准测试图形数据库进行模拟仿真；优化单元，所述矫正单元基于测试图形和真实芯片图形的关键特征数据，优化所述标准测试图形数据库，以提高测试图形对真实芯片图形的覆盖率。
26.可选的，所述优化单元包括：基本数据库模块，包括测试图形库和真实芯片图形数据库；数据提取模块，用于选取所述测试图形库中的部分测试图形作为基础测试图形，选取所述真实芯片图形数据库中的真实芯片图形，将测试图形库剩余的测试图形作为备用测试图形，并提取所述基础测试图形和真实芯片图形的特征向量，所述特征向量表示所述测试图形和真实芯片图形的关键特征数据；覆盖度评估模块，用于计算所述基础测试图形和真实芯片图形特征向量之间的多级差异，并根据所述多级差异，评估所述基础测试图形对所述真实芯片图形的覆盖程度，并将实际覆盖程度低于预设覆盖度的真实芯片图形作为未覆盖图形；反馈模块，用于根据评估的结果，选取所述测试图形库中的部分备用测试图形，计算所述部分备用测试图形和未覆盖图形特征向量之间的多级差异，基于多级差异从小到大对备用测试图形进行排序，将排序后小于预设排名的备用测试图形添加到基础测试图形中，以更新所述光学临近矫正模型的标准测试图形数据库。
27.本发明还提供一种掩膜板，所述掩膜板上的图形由本发明提供的光学临近矫正系统获得。
28.本发明还提供一种设备，包括：至少一个存储器和至少一个处理器，所述存储器存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现本发明提供述的光学临近矫正方法。
29.本发明还提供一种存储介质，所述存储介质存储一条或多条计算机指令，所述一条或多条计算机指令用于实现本发明提供的光学临近矫正方法。
30.与现有技术相比，本发明的技术方案具有以下优点：本发明提供的光学临近矫正模型的方法提出一种评估测试图形对所述真实芯片图形的覆盖程度的方法，并且能够筛选出对真实芯片图形的覆盖程度更高的测试图形放入标准测试图形库。具体内容包括评估所述测试图形对所述真实芯片图形的覆盖程度，并将覆盖程度低于理想覆盖度的真实芯片图形作为未覆盖图形；根据评估的结果，重新选取所述测试图形库中的部分备用测试图形，将理想覆盖度的测试图形添加到基础测试图形中；根据本技术方案得到的基础测试图形，更新所述光学临近矫正模型的标准测试图形数据库，能够使得标准测试图形数据库对真实芯片图形的覆盖率，从而改善光学邻近校正的矫正效果，提高光学临近矫正的效率，进而提高芯片生产的良率。
31.在本发明的可选方案中，提取所述基础测试图形和真实芯片图形的特征向量，所述特征向量表示所述测试图形和真实芯片图形的关键特征数据。提取测试图形和真实芯片图形的特征向量的步骤包括：选取部分测试图形和真实芯片图形的关键特征数据，并将所述关键特征数据表示为特征向量，采选取所述部分测试图形和真实芯片图形的关键特征数据的步骤包括：采用随机森林分类器，根据所述输入数据，计算所述特征向量的中每个参数
的重要性标称值。随机森林分类器是一种先进的机器学习训练方法，能够准确地衡量出每个参数的重要性，能够进一步有效提高对图形特征尺寸局部异常问题产生更佳的矫正效果。
32.在本发明的可选方案中，计算所述部分测试图形和真实芯片图形特征向量之间的多级差异的步骤包括：计算所述特征向量之间的欧氏距离，所述欧氏距离作为多级差异，所述欧氏距离即将测试图形和真实芯片图形的多种关键特征数据提取为特征向量后，计算测试图形和真实芯片图形之间特征向量中对应参数的距离，并参考个参数的权重将其汇总为欧氏距离。具体地，将所述测试图形设为a组图形，真实芯片图形设为b组图形，分别计算每个测试图形与每个真实芯片图形之间的欧氏距离，每个a组图形对全体b组图形的欧氏距离，全体a组图形对全体b组图形的欧氏距离。这样就能完整的表示出当前测试图形对单个真实芯片图形和全部真实芯片图形的覆盖程度，也便于后续挑选出对真实芯片图形覆盖度更高的测试图形。
附图说明
33.图1是现有技术一类测试图形的示意图；
34.图2是是本发明光学临近矫正方法一实施例的步骤图；
35.图3是本发明一实施例光学临近矫正模型与测试图形库的关系图；
36.图4是本发明一实施例在测试图形上提取关键特征数据的示意图；
37.图5是本发明光学临近矫正系统一实施例的示意图。
具体实施方式
38.现有技术的光学临近矫正模型存在光学临近矫正精度不高的问题。结合现有技术方案分析产生上述问题的原因。
39.当前，设计测试图形的方法是基于测试规则进行的。以一维图形示例，如果设计规则中以步长10nm，定义图形基准尺寸范围自40nm到200nm，特征尺寸从20nm、25nm、30nm中取值。为了更好地验证图形的实际情况，则基于设计规则，测试图形的图形基准尺寸范围一般被设计为自30nm到240nm，即取值小于图形基准尺寸范围最小值的30％，大于图形基准尺寸范围最大值的20％。如图1所示，是现有技术一类测试图形，为了便于测量特征尺寸，此类测试图形为对称图形，每个对称图形包括多条相互平行的条状图形，图1中示出了三种不同尺寸的测试图形。以中间测试图形为例，在收集图形尺寸数据时，采集中间条状图形的线宽与间距之和p1作为图形基准尺寸，以及中间条状图形的线宽c1作为特征尺寸，此类图形在晶圆刻蚀后的实际测量时，均以中部条状图形的特征尺寸作为种子参数。
40.但是，当前测试图形的设计方法有以下缺点，真实芯片上的图形中，有大量的不对称图形，从上述测试图形得到的标准真实数据难以完全表示真实情况，另外，当前的测试方法需要生成大量的测试图形，但是opc模型只能进行有限数量模型的模拟测试，因此，需要对测试图形进行筛选，并没有适当的方法证明筛选出的测试图形能够验证真实芯片中的所有情况，因此，采用种子参数训练得到的opc模型可能以某种方式表现不佳，从而使当前的方法存在光学临近矫正输出的结果容易出现不合格的问题。
41.为此，本发明提供一种光学临近矫正方法，优化光学临近矫正模型中标准测试图
形数据库，提高标准测试图形数据库中测试图形对真实芯片图形的覆盖率，提高光学临近矫正的精度，进而提高芯片生产的良率。
42.请参考图2，是本发明光学临近矫正方法一实施例的步骤图。在本实施例中，光学临近矫正方法的步骤包括：
43.步骤s1，提供光学临近矫正模型，所述光学临近矫正模型采用标准测试图形数据库进行模拟仿真，所述标准测试图形数据库包括：测试图形库和真实芯片图形数据库；
44.步骤s2，选取所述测试图形库中的部分测试图形作为基础测试图形，将测试图形库剩余的测试图形作为备用测试图形，选取所述真实芯片图形数据库中的真实芯片图形；
45.步骤s3，提取所述基础测试图形和真实芯片图形的特征向量，以所述特征向量表示所述基础测试图形和真实芯片图形的关键特征数据，计算所述基础测试图形和真实芯片图形特征向量之间的多级差异；
46.步骤s4，根据所述多级差异，评估所述基础测试图形对所述真实芯片图形的实际覆盖度，并将实际覆盖程度低于预设覆盖度的真实芯片图形作为未覆盖图形；
47.步骤s5，根据评估的结果，选取所述测试图形库中的部分备用测试图形，计算所述部分备用测试图形和未覆盖图形特征向量之间的多级差异，基于多级差异从小到大对备用测试图形进行排序，将排序后小于预设排名的备用测试图形添加到基础测试图形中，以更新所述光学临近矫正模型的标准测试图形数据库。
48.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本实施例光学临近矫正模型的方法进行进一步说明。
49.参考图3，示出了本发明实施例光学临近矫正模型与测试图形库的关系图。首先，执行步骤s1，提供光学临近矫正模型10，所述光学临近矫正模型10采用标准测试图形数据库11进行模拟仿真，所述标准测试图形数据库11包括：测试图形库12和真实芯片图形数据库13。
50.需要说明的是，所述测试图形库12中包括大量基于设计规则的测试图形的数据，既包括尺寸数据也包括曝光强度等设计参数。本实施例中，测试图形中大部分为对称图形。所述真实芯片图形数据库13中的数据包括：采集自真实芯片上图形的扫描电子显微镜(scanning electron microscope,sem)数据，以及芯片制造过程中的曝光强度等的工艺参数数据。
51.执行步骤s2，如图3所示，选取所述测试图形库12中的部分测试图形作为基础测试图形，将测试图形库剩余的测试图形作为备用测试图形，选取所述真实芯片图形数据库中的真实芯片图形。
52.具体地，将测试图形库12中的测试图形进行区分，一部分作为基础测试图形，另一部分作为备用测试图形。而真实芯片图形数据不需要区分，用于作为与基础测试图形进行差异比对的基准。执行步骤s3，提取所述基础测试图形和真实芯片图形的特征向量，以所述特征向量表示所述基础测试图形和真实芯片图形的关键特征数据，计算所述基础测试图形和真实芯片图形特征向量之间的多级差异。
53.具体地，在本实施例中，提取所述基础测试图形和真实芯片图形的特征向量的步骤包括：选取所述基础测试图形和真实芯片图形的关键特征数据，并将所述关键特征数据表示为特征向量。所述关键特征数据为包括关键特征尺寸在内的一系列参数。
54.选取所述基础测试图形和真实芯片图形的关键特征数据的方式包括两种：以每个所述基础测试图形和真实芯片图形作为基准提取关键特征数据；或者以每个所述基础测试图形和真实芯片图形中的关键片段作为基准提取关键特征数据。
55.此处，以每个所述基础测试图形和真实芯片图形作为基准提取关键特征数据，指的是以整个图形作为基准进行关键特征数据的提取。以每个所述基础测试图形和真实芯片图形中的关键片段作为基准提取关键特征数据，是指并不以整个图形作为基准，而是以图形中的关键片段作为基准进行关键特征数据的提取。例如，所述关键片段为图形特征尺寸测量位置。
56.其中，以每个所述基础测试图形和真实芯片图形中的关键片段作为基准提取关键特征数据，能够使得所述关键特征数据包含的参数更加集中化，即关注的数据更加集中于所述关键片段附近的特征，这样对当前设计与工艺中关注的局部特征，更能够体现与测试图形与真实芯片图形之间的覆盖度。
57.因此，在本实施例中，以每个所述基础测试图形和真实芯片图形中的关键片段作为基准提取关键特征数据，但是在其他实施例中，结合处理效率和数据真实度的考虑，可以选择以每个所述基础测试图形和真实芯片图形作为基准提取关键特征数据。
58.请参考图4，示出了图2中步骤s3在测试图形上提取关键特征数据的示意图。在本实施例中，测试图形100为对称图形，包括5条对称的平行排列的线条图形组成，其中，将5条线条中间的命名为第一线条图形101，所述关键片段为测试图形100的图形特征尺寸测量位置，即第一线条图形101的边缘位线 103。所述边缘位线103为测试图形在晶圆上成型后，用于定位测量的标记，因此所述边缘位线103仅仅是一条不具有宽度的线，本实施例图中边缘位线103 的宽度仅仅为示意作用。在本实施例中，所述边缘位线103位于第一线条图形 101左侧边缘。
59.在本实施例中，所述特征向量的参数，即关键特征数据包括关键片段位置处的线长、线宽、线间距、密度、光强、光强一阶导数、光强二阶导数、线端类型，以及关键片段左侧的线长、线宽、线间距和关键片段右侧的线长、线宽、线间距等。关键特征数据可能影响生产过程中曝光、刻蚀后图形的变化程度，因此，以上参数均为光学临近矫正模型所需要考虑的参数，为了更好地提高测试图形对真实芯片图形的覆盖度，所述关键特征数据的范围还可以扩大。
60.相应地，在本实施例中，所述特征向量可以表示为：(关键片段位置处的线长，关键片段位置处的线宽，关键片段位置处的线间距，关键片段位置处的密度、关键片段位置处的光强，关键片段位置处的光强一阶导数，关键片段位置处的光强二阶导数，关键片段位置处的线端类型，关键片段左侧的线长，关键片段左侧的线宽，关键片段左侧的线间距和关键片段右侧的线长，关键片段右侧的线宽，关键片段右侧的线间距)。
61.为了更好的描述上述部分参数的具体，图4示出了以边缘位线103为测量基准的部分参数，主要包括以边缘位线103所在的第一线条图形101的线长l1、第一线条图形101的线宽w1、第一线条图形101与相邻的第二线条图形102 的间距s1、边缘位线103所在位置的光强、光强一阶导数、光强二阶导数，边缘位线103所在的第一线条图形101线端类型。
62.其中线端类型包括中线端、一线端和两线端三种类型。中线端表示关键片段位于某个线条的中部，线条在关键片段两端之外都有延伸；一线端表示关键片段位于某个线条
的一端，线条在关键片段另一端有延伸，两线端表示关键片段涵盖了某个线条的两端，如图4所述的第一线条图形101线端类型为两线端。
63.如上述说明，所述参数还包括第一线条图形101邻近的其他线条的尺寸参数，为了使本实施例更加简洁、清楚，图4中示出了第一线条图形101左侧的第二线条图形102的部分参数，包括第二线条图形102的线长l2、第二线条图形102的线宽w2、第二线条图形102与左侧相邻的线条图形的间距s2，在特征向量中，上述参数可以分别记作length_left，width_left，space_left。
64.需要注意的是，在本实施例中，所述边缘位线103位于所述第一线条图形 101的左侧，边缘位线103选取的位置会影响相关尺寸参数的测量，也会影响光强等参数值，所述边缘位线103位于所述第一线条图形101左侧的好处是，与真实芯片图形测量的惯用位置相同，使得模拟结果更加准确。但是本发明对边缘位线103选取的位置不做限制，在其他实施例中，所述边缘位线103还可以位于所述第一线条图形101的右侧，此时提取的光强等数据略有改变。还需要说明的是，在本实施例中，所述特征向量的参数中，关键片段处的密度为以所述关键片段为中心，额定半径以内的线条密度，所述额定半径的取值范围为 1到10微米。
65.对应的，在本实施例中，提取真实芯片图形的各类参数，也以真实芯片图形中的关键片段作为基准提取关键特征数据，但是本发明对此不做限制。
66.以关键片段作为基准提取关键特征数据，使得本实施例关注的是测试图形 100中部附近的各类参数，以及对应真实芯片图形中部附近的各类参数，对于模拟实际芯片图形来说，测试图形中部附近的各类参数的参考意义更大，模拟效果更加集中，对真实芯片图形局部特征的模拟更加精确。
67.而以每个所述基础测试图形和真实芯片图形作为基准提取关键特征数据，即以整个基础测试图形作为基准进行关键特征数据的提取，提取到的数据为该测试图形某一类数据的均值，例如以整个测试图形100作为基准进行线宽数据的提取，所提取的线宽数据为测试图形100中五条线条图形的平均线宽，同理对真实芯片图形提取的数据也为真实芯片图形中的平均线宽，这样的好处在于对测试图形对真实芯片图形的整体性模拟更强，但是局部特征可能出现误差。
68.在其他实施例中，还可以对测试图形，以关键片段作为基准提取关键特征数据；对真实芯片图形，以真实芯片图形整体作为基准提取关键特征数据；或者对测试图形，以测试图形整体作为基准提取关键特征数据；对真实芯片图形，以关键片段作为基准提取关键特征数据。
69.为了进一步精简特征向量中的参数数量，本实施例去掉对仿真效果影响较小的参数，从而计算特征向量中每个参数的重要性标称值。在其他实施例中，还可以使特征向量中包含上述的全部参数。
70.在本实施例中，采用机器学习方法计算特征向量中每个参数的重要性标称值。具体地，采用随机森林分类器，对大量的测试图形的各个参数作为种子数据进行训练，所述训练步骤包括：
71.从测试图形库调用测试图形，从真实芯片图形数据库调用真实芯片图形，将每一个所述测试图形或真实芯片图形的关键特征数据值，记录为一组关键特征数据，每组关键
特征数据包括上述的所有参数，将每组关键特征数据表示为一个特征向量，并对每个所述特征向量添加标签，将每一个特征向量及其对应标签，作为随机森林分类器的训练数据。
72.如表1所示，x栏中每一行都是一个特征向量，即某一个参数图形的关键特征数据，每个特征向量包括n个参数。
[0073][0074]
表1
[0075]
对所述特征向量添加标签的方法包括两种：
[0076]
第一种添加标签的方法包括：对每个特征向量，计算该特征向量各参数的模型误差，所述模型误差为测试图形与真实芯片图形的对应关键特征数据的误差值。如果所述模型误差小于阈值t，则将该特征向量的标签标记为0，如果所述模型误差大于或等于阈值t，则将该特征向量的标签标记为1。例如表1 中模型误差的阈值t为1。
[0077]
这种添加标签方法的好处是得到的标签值是离散的，使得随机森林训练的效率较高。如表1中y1栏示出了这种方法的结果。
[0078]
对所述特征向量添加标签的另一种方法为：对每个特征向量，计算该特征向量各参数的模型误差，并将模型误差值直接标记为该特征向量的标签。以模型误差值作为标签的好处是得到的标签值是连续的，因此这种训练方法是一种连续回归的方法，可以使得随机森林训练的精度较高，得到的重要性排序更加准确。如表1中y2栏示出了这种方法的结果。
[0079]
本实施例采用了第一种添加标签的方法。需要说明的是，在本实施例中，对于晶圆验证得到的热点，即真实在晶圆上形成的某些容易因发热而产生不良的坏点，这类测试图形的特征向量的标签可以全部标记为1。
[0080]
采用基于随机森林分类器，根据所述训练数据，计算所述特征向量中每个参数的重要性标称值。具体地，基于大量测试图形与真实芯片图形的对应关键特征数据的模型误差数据，采用随机森林分类器，能够得到特征向量中，各参数对模型误差影响的系数，这样便得到了特征向量中每个参数的重要性标称值。
[0081]
表2示出了随机森林分类器训练的一种结果，在表2中列出了10个参数的重要性标称值，其中重要性最高的为参数p6。如果选取5个重要性标称值最高的参数作为步骤s3中，提取所述基础测试图形和真实芯片图形的特征向量所包括的参数，则特征向量可以表示为(p6,p10,p5,p4,p8)。
[0082][0083]
表2
[0084]
在本实施例中，根据基于随机森林分类器，得到特征向量中每个参数的重要性标
称值，精简了特征向量中参数的个数。
[0085]
接下来，计算所述部分测试图形和真实芯片图形特征向量之间的多级差异。
[0086]
具体地，在本实施例中，计算所述部分测试图形和真实芯片图形特征向量之间的欧氏距离，所述欧氏距离作为多级差异。
[0087]
计算所述部分测试图形和真实芯片图形特征向量之间的欧氏距离的步骤包括：设选取的所述部分测试图形为第一组图形，选取的真实芯片图形为第二组图形，将所述部分测试图形的特征向量集合为第一组特征向量，将所述真实芯片图形的特征向量集合为第二组特征向量，其中aki是第一组特征向量中第i 个测试图形的第k个参数的值，bkj是b组特征向量中第j个真实芯片图形的第k个参数的值，dkij是基于第k个参数的测试图形ai和真实芯片图形bj之间的欧氏距离，dkij可以表示为
[0088]dkij
＝(a
ki-b
kj
)2[0089]
欧氏距离dkij表示了第一组特征向量中第i个测试图形的第k个参数，与第二组特征向量中第j个真实芯片图形的第k个参数之间的差异，此差异越小说明在第k个参数上，第一组图形中第i个测试图形对第二组图形中第j个真实芯片图形的覆盖度越高。
[0090]
设第一组特征向量包括m个测试图形，第二组特征向量包括n个真实芯片图形，每个特征向量包括l个参数，设第k个参数的重要性标称值为lk，则每个测试图形ai与真实芯片图形bj之间的欧氏距离为
[0091][0092]
全体第一组特征向量和每个真实芯片图形bj之间的欧氏距离为全体第一组特征向量和全体第二组特征向量之间的平均欧氏距离为
[0093]
因此，欧氏距离dij能够反映出测试图形ai对真实芯片图形bj的覆盖度，欧氏距离daj能够反映出全体第一组测试图形对真实芯片图形bj的覆盖度，平均欧氏距离dab能够反映出全体第一组测试图形对全体第二组测试图形的覆盖度。
[0094]
执行步骤s4，根据所述多级差异，评估所述基础测试图形对所述真实芯片图形的实际覆盖度，并将实际覆盖程度低于预设覆盖度的真实芯片图形作为未覆盖图形。
[0095]
评估所述测试图形对所述真实芯片图形的覆盖程度的步骤包括：为d
aj
定义第一阈值ti，为d
ab
定义第二阈值ta，通过欧式距离与第一阈值ti和第二阈值ta的关系表征覆盖度。其中第一阈值ti和第二阈值ta为基于预设覆盖度(理想覆盖度)获得的欧式距离的阈值。
[0096]
如果d
ab
≤ta且d
aj
≤ti，表示欧式距离较小，差异较小，相应地第一组图形对第二组图形具有理想模型覆盖率。对于这种情况，第一组图形对第二组图形具有理想模型覆盖率，则可以将第一组图形直接全部添加到基础测试图形中。
[0097]
如果d
aj
》ti，表示欧式距离较大，差异较大，相应地，覆盖率较低，则将 d
aj
》ti的所有第二组图形归类为未覆盖图形。
[0098]
执行步骤s5，根据评估的结果，选取所述测试图形库中的部分备用测试图形，计算所述部分备用测试图形和未覆盖图形特征向量之间的多级差异，基于多级差异从小到大对备用测试图形进行排序，将排序后小于预设排名的(例如前q个)备用测试图形添加到基础测试图形中，实现基础测试图形的更新。
[0099]
具体地，如果d
aj
》ti，则将d
aj
》ti的所有第二组图形归类为未覆盖图形，并将所有所
述未覆盖图形定义为第三组图形，重新选取所述测试图形库中的部分备用测试图形，作为第四组图形。计算所述第三组图形与每个第四组图形之间的欧氏距离，记录所述第三组图形与第四组图形中第p个图形之间的欧氏距离d
cp
，将第四组图形中欧氏距离d
cp
最小的前q个测试图形添加到所述第一组图形中，作为基础测试图形。
[0100]
因此，根据本实施例的优化方法，能够将对真实芯片图形覆盖度更好的测试图形添加到基础测试图形中，提高了光学临近矫正的精度。
[0101]
需要说明的是，为了进一步提高测试图形对真实芯片图形的覆盖度，在本实施例中，在将排序后的前q个备用测试图形添加到基础测试图形中之后，重新进行以下步骤：
[0102]
步骤s3，提取所述基础测试图形和真实芯片图形的特征向量，计算所述部分测试图形和真实芯片图形特征向量之间的多级差异。
[0103]
更新所述预设覆盖度(理想覆盖度)，根据所述多级差异，评估所述测试图形对所述真实芯片图形的实际覆盖度，并将覆盖程度低于理想覆盖度的真实芯片图形作为未覆盖图形。具体地，提高理想覆盖度的标准，在本实施例中，将第一阈值ti和第二阈值ta降低，这样进一步扩大了未覆盖图形的范围，对测试图形提出了更高的要求。
[0104]
根据评估的结果，重新选取所述测试图形库中的部分备用测试图形，计算所述部分备用测试图形和未覆盖图形特征向量之间的多级差异，并按照多级差异从小到大对重新选取的备用测试图形进行排序，将排序后小于预设排名的前 q个备用测试图形添加到基础测试图形中。
[0105]
根据所述基础测试图形，更新所述光学临近矫正模型的标准测试图形数据库。也就是将上述步骤得到的覆盖度更高的测试图形添加到光学临近矫正模型的标准测试图形数据库。经过本实施例更新的标准测试图形数据库对真实芯片图形有更高的覆盖度，能够提高光学临近矫正的精度。
[0106]
经过上述重复步骤，筛选出的测试图形对真实芯片图形的覆盖度更高，如果要进一步提高覆盖度，还可以再次重复上述步骤。
[0107]
本发明还提供一种光学临近矫正系统，其特征在于，包括：
[0108]
模型建立单元200，用于建立光学临近矫正模型，所述光学临近矫正模型用于进行光学临近矫正，所述光学临近矫正模型采用标准测试图形数据库201 进行模拟仿真。
[0109]
优化单元210，所述矫正单元基于测试图形和真实芯片图形的关键特征数据，优化所述标准测试图形数据库，以提高测试图形对真实芯片图形的覆盖率。
[0110]
在本实施例中，所述优化单元210包括：
[0111]
基本数据库模块211，包括测试图形库和真实芯片图形数据库.
[0112]
数据提取模块212，用于选取所述测试图形库中的部分测试图形作为基础测试图形，选取所述真实芯片图形数据库中的真实芯片图形，将测试图形库剩余的测试图形作为备用测试图形，并提取所述基础测试图形和真实芯片图形的特征向量，所述特征向量表示所述测试图形和真实芯片图形的关键特征数据。
[0113]
覆盖度评估模块213，用于计算所述部分测试图形和真实芯片图形特征向量之间的多级差异，并根据所述多级差异，评估所述基础测试图形对所述真实芯片图形的覆盖程度，并将实际覆盖程度低于预设覆盖度的真实芯片图形作为未覆盖图形。
[0114]
反馈模块214，用于根据评估的结果，重新选取所述测试图形库中的部分备用测试
图形，计算所述部分备用测试图形和未覆盖图形特征向量之间的多级差异，并按照多级差异从小到大对重新选取的备用测试图形进行排序，将排序后的前q个备用测试图形添加到基于多级差异从小到大对备用测试图形进行排序，将排序后小于预设排名的备用测试图形添加到基础测试图形中，以更新所述光学临近矫正模型的标准测试图形数据库。
[0115]
这样经过本实施例光学临近矫正系统优化，能够将对真实芯片图形覆盖度更好的测试图形添加到标准测试图形数据库中，提高了光学临近矫正的精度。
[0116]
因此，本发明光学临近矫正系统能够改善光学邻近校正的矫正效果，提高光学临近矫正的效率，进而提高芯片生产的良率。
[0117]
本发明实施例还提供一种掩膜板，掩膜板上的图形由本发明提供的光学临近矫正系统或者光学临近矫正方法获得，因此根据本发明掩膜板制作出的芯片具有更高的良率。
[0118]
本发明实施例还提供一种设备，该设备可以通过装载程序形式的上述光学邻近矫正方法，以实现本发明实施例提供的光学邻近矫正方法。
[0119]
本发明实施例设备提供的一种可选硬件结构包括：至少一个存储器和至少一个处理器。所述存储器存储一条或多条计算机指令。
[0120]
所述处理器和存储器可以通过通信总线或者通信模块接口中的一个活多个完成通信。
[0121]
其中，处理器可能是中央处理器cpu，或者是特定集成电路asic (application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
[0122]
存储器可能包含高速ram存储器，也可能还包括非易失性存储器 (non-volatile memory)，例如至少一个磁盘存储器。
[0123]
其中，存储器存储一条或多条计算机指令，所述一条或多条计算机指令被处理器执行以实现本发明实施例提供的光学邻近矫正方法。
[0124]
需要说明的是，上述的实现终端设备还可以包括与本发明实施例公开内容可能并不是必需的其他器件(未示出)；鉴于这些其他器件对于理解本发明实施例公开内容可能并不是必需，本发明实施例对此不进行逐一介绍。
[0125]
本发明实施例还提供一种存储介质，所述存储介质存储一条或多条计算机指令，所述一条或多条计算机指令用于实现本发明实施例提供的光学邻近矫正方法。
[0126]
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。