本发明涉及计算机辅助设计领域，具体涉及半导体制造类，更具体的，涉及一种快速计算厚掩膜光学散射的方法，用于版图光学邻近修正处理域。
背景技术：
1、光刻是集成电路生产的最重要步骤之一。芯片生产中，当晶圆上的线宽小于曝光波长时，必须对掩模上的图形做邻近效应修正，以避免在光干涉衍射及其他复杂工艺作用下，在硅片成像后图形失真。光学邻近修正就是利用光学计算对掩模版上的图形进行修改，以弥补光刻机波长和所制造的芯片线宽的差距。
2、光学邻近修正的基本原理是通过对相应的光刻工艺进行仿真，然后使用数值优化的方法对掩膜版图形进行迭代优化，从而达到集成电路制造所需要的分辨精度。由于需要复杂且精确的光学模型来达到亚纳米级的仿真精度，使得计算量巨大，而且随着摩尔定律的不断推进而成指数级增长。同时，随着集成电路制造工艺技术的迅速发展，集成电路工艺尺寸也在不断缩小。如何快速的对光刻工艺进行仿真，在保证计算速度的前提下提高仿真精度，成为推进光学邻近修正技术向前发展的重要驱动因素。
3、因此，对光刻系统的厚掩膜光学散射现象的仿真，是整个光学临近修正中最耗时的一个步骤，也是决定计算精度的关键步骤。目前一般使用两种方法来计算厚掩膜光学散射问题。一种是基于严格电磁场模拟，如使用时域有限差分法(fdtd)。由于该方法对相应的麦克斯韦方程组进行求解，其精度可以保证，但计算速度无法满足光学临近修正的要求。另一种是将所需计算的版图结构分解成若干基本的版图结构，如边、对边等结构，接着使用严格的电磁模拟方法计算每一个基本结构的光学散射量，然后对应的版图结构的光学散射则是每个基本结构光学散射量的叠加。这种方法速度很快，但精度无法保证，特别对光学尺寸小的结构，误差会急剧增加。
技术实现思路
1、有鉴于背景技术所述，本发明的目的是提出一种新的快速计算厚掩膜光学散射的方法，在不降低现有技术的速度的前提下，可保证先进光刻工艺对仿真精度的要求。
2、为解决上述问题，本发明所采用的技术方案如下：
3、一种快速计算厚掩膜光学散射的方法，包括以下步骤：
4、s1、计算并保存需要分析的集成电路full-chip版图的各基本结构的光学散射量；
5、s2、对于需要分析的集成电路full-chip版图，通过对所述版图的几何结构分析以及对应版图的设计规则，找到有代表性的版图结构，所述版图结构即为需要计算光学散射的版图结构；
6、s3、对所述有代表性的版图结构使用严格电磁场模拟方法，对其光学散射量进行仿真；所述严格电磁场模拟方法为对麦克斯韦方程式进行严格的数值求解的方法；
7、s4、对每一个需要分析的集成电路full-chip版图，找到其基本结构的加权系数，使得加权以后叠加的光学散射量与严格计算的光学散射量之间的误差值小于事先给定的阈值；
8、s5、建立一个基于机器学习的模型：
9、所述模型的输入值为每个所述基本结构之间的相对关系，所述模型的输出为用于训练的值；
10、s6、在收集好通过s1、s3及s4所得到的输入和输出数据后，用常见的机器学习的训练方法对所述模型进行训练；
11、s7、使用训练好的模型，应用于集成电路full-chip版图中的任意结构，计算由所述任意结构分解出的每个基本结构的加权系数，然后用s1保存的每个基本结构的光散射分布值，采用s5、s6建立的神经网络计算出该结构的光散射分布。
12、本发明的核心是一个基于机器学习的模型，用来预测版图结构中不同的基本结构在其它临近结构的环境中对最终的厚掩膜光学散射量的贡献值。这种方法可以保证先进光刻工艺对仿真精度的要求，也和目前现有方法的速度近似。
13、所述s1中，所述计算对每一个基本结构均为一次。
14、所述s1中，所述基本结构的选取和对应的集成电路设计尺寸和所使用的工艺等相关。同时，可以选取多种基本结构，如对边，转角，对角，等等。
15、所述s3中，所述严格电磁场模拟方法为时域有限差分法(fdtd)。
16、所述s4中，所述加权以后叠加的光学散射量与严格计算的光学散射量之间的误差值为：
17、
18、其中，e为s3计算的版图结构的光学散射分布，ei为s1中计算并保存的第i个基本结构的光学散射值，wi为所述加权系数，从而使e和∑iwi·ei的差别小于事先设定的阈值。
19、所述s5所述的模型为常用的基于深度学习的神经网络架构，一般是多输入多输出的卷积神经网络。
20、所述s4中，所述加权系数用优化算法找到。以以下公式为例：
21、
22、其中，e是要计算的结构的光学散射量，这个结构可以分解成多个基本结构(如边，边对，等等)，ei就是每个基本结构的光学散射量，wi是相应的加权系数。我们的目标是找到wi，然后使得公式两边的差别尽量小。
23、所述机器学习的模型的架构可以用常用的基于深度学习的神经网络架构，
24、所述s5中，所述每个所述基本结构之间的相对关系包括距离、长度、角度等。输入和输出的数据也可以包括之前收集的其它类似版图的数据。类似版图是指，之前计算过的类似结构，已经有s1、s3、s4的数据，可以和本次的数据一同来训练该神经网络，以提高神经网络的精确性。
25、所述s6中，所述常见的机器学习的训练方法一般就是用反向传播算法(backpropagation)。
26、相比现有技术，本发明的有益效果在于：
27、本发明方法，可以提高仿真光刻工艺的速度以及精度，以用于先进节点的版图光学邻近修正处理。
28、下面结合附图和具体实施方式对本发明作进一步详细说明。
1.一种快速计算厚掩膜光学散射的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述s1中，所述计算对每一个基本结构均为一次。
3.根据权利要求2所述的方法，其特征在于，所述s1中，所述基本结构包括对边，转角和/或对角。
4.根据权利要求1所述的方法，其特征在于，所述s3中，所述严格电磁场模拟方法为时域有限差分法(fdtd)。
5.根据权利要求1所述的方法，其特征在于，所述s4中，所述加权以后叠加的光学散射量与严格计算的光学散射量之间的误差值为：
6.所根据权利要求1所述的方法，其特征在于，所述s5所述的模型为常用的基于深度学习的神经网络架构。
7.根据权利要求6所述的方法，其特征在于，所述s5所述的模型为多输入多输出的卷积神经网络。
8.根据权利要求1所述的方法，其特征在于，所述s4中，所述加权系数通过优化算法找到。
9.根据权利要求1所述的方法，其特征在于，所述s5中，所述每个所述基本结构之间的相对关系包括距离、长度和/或角度。
10.根据权利要求1所述的方法，其特征在于，所述s5中，所述输入值和输出值还包括之前收集的其它类似版图的数据。