刻蚀模型建立方法、预测方法、装置、设备及介质与流程

所属的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图16来描述根据本发明的这种实施方式的电子设备1600。图16显示的电子设备1600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图16所示，电子设备1600以通用计算设备的形式表现。电子设备1600的组件可以包括但不限于：上述至少一个处理单元1610、上述至少一个存储单元1620、连接不同系统组件(包括存储单元1620和处理单元1610)的总线1630。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1610执行，使得所述处理单元1610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1610可以执行如图1中所示的提供晶圆，并预设刻蚀工艺次数为n次，其中，n为大于或等于1的正整数，在所述晶圆上完成一次光刻工艺流程，采集晶圆表面的光刻后图像样本，对光刻后的晶圆完成n次刻蚀工艺流程，采集进行n次刻蚀工艺后晶圆表面的第n刻蚀后图像样本；根据所述光刻后图像样本和所述第n刻蚀后图像样本，训练第一待训练神经网络模型；若不满足第一训练停止条件，则根据所述光刻后图像样本和所述第n刻蚀后图像样本，得到第n聚合物侧壁保护模式图像样本和第n物理化学性刻蚀模式图像样本；根据所述光刻后图像样本和所述第n聚合物侧壁保护模式图像样本训练聚合物侧壁保护模式神经网络模型，并根据所述光刻后图像样本和所述第n物理化学性刻蚀模式图像样本训练物理化学性刻蚀模式神经网络模型；根据所述聚合物侧壁保护模式神经网络模型和所述物理化学性刻蚀模式神经网络模型构建第二待训练神经网络模型；根据所述光刻后图像样本和所述第n刻蚀后图像样本，训练构建的第二待训练神经网络模型，若满足所述第一训练停止条件，则将所述第二待训练神经网络模型作为目标神经网络模型。示例性的，所述处理单元1610还可以执行如图13所示的提供晶圆，并预设刻蚀工艺次数为n次，其中，n为大于或等于1的正整数；在晶圆上完成当前光刻工艺流程，采集晶圆表面的当前光刻后图像；通过目标目标神经网络模型处理当前光刻后图像，获得经过n次刻蚀工艺后晶圆表面的预测图像，其中，目标神经网络模型通过上述的刻蚀模型建立方法得到。存储单元1620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)16201和/或高速缓存存储单元16202，还可以进一步包括只读存储单元(rom)16203。存储单元1620还可以包括具有一组(至少一个)程序模块16205的程序/实用工具16204，这样的程序模块16205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1600也可以与一个或多个外部设备1640(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该系统1600交互的设备通信，和/或与使得该电子设备1600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1650进行。并且，系统1600还可以通过网络适配器1660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1660通过总线1630与电子设备1600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。描述了根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。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。本技术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。

背景技术：

1、芯片面积缩小对图形化的精度要求高，传统图形化模拟过程主要关注显影后检测(after develop inspection，adi)图像，模拟结果精度低。

2、在半导体集成电路制造过程中，为了保证良率和减少缺陷数量，相关技术中提出了基于人工智能刻蚀模型的光学临近修正(optical proximity correction，opc)。然而opc验证存在精确度低，难以预测刻蚀负载效应，无法满足图形高精度的需求。

3、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开提供一种刻蚀模型建立方法、预测方法、装置、设备及介质，至少在一定程度上克服现有的刻蚀模型精度差难以预测刻蚀负载效应的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的一个方面，提供一种刻蚀模型建立方法，包括：

4、提供晶圆，并预设刻蚀工艺次数为n次，其中，n为大于或等于1的正整数，在所述晶圆上完成一次光刻工艺流程，采集晶圆表面的光刻后图像样本，对光刻后的晶圆完成n次刻蚀工艺流程，采集进行n次刻蚀工艺后晶圆表面的第n刻蚀后图像样本；

5、根据所述光刻后图像样本和所述第n刻蚀后图像样本，训练第一待训练神经网络模型；

6、若不满足第一训练停止条件，则根据所述光刻后图像样本和所述第n刻蚀后图像样本，得到第n聚合物侧壁保护模式图像样本和第n物理化学性刻蚀模式图像样本；

7、根据所述光刻后图像样本和所述第n聚合物侧壁保护模式图像样本训练聚合物侧壁保护模式神经网络模型，并根据所述光刻后图像样本和所述第n物理化学性刻蚀模式图像样本训练物理化学性刻蚀模式神经网络模型；

8、根据所述聚合物侧壁保护模式神经网络模型和所述物理化学性刻蚀模式神经网络模型构建第二待训练神经网络模型；

9、根据所述光刻后图像样本和所述第n刻蚀后图像样本，训练构建的所述第二待训练神经网络模型，若满足所述第一训练停止条件，则将所述第二待训练神经网络模型作为目标神经网络模型。

10、在本公开的一个实施例中，所述根据所述光刻后图像样本和所述第n刻蚀后图像样本，得到第n聚合物侧壁保护模式图像样本和第n物理化学性刻蚀模式图像样本，包括：

11、计算所述光刻后图像样本和所述第n刻蚀后图像样本之间的第一差异图像；

12、提取所述第一差异图像中的物理化学性刻蚀模式图像，得到所述第n物理化学性刻蚀模式图像样本；

13、提取所述第一差异图像中的聚合物侧壁保护模式图像，得到所述第n聚合物侧壁保护模式图像样本。

14、在本公开的一个实施例中，所述根据所述光刻后图像样本和所述第n聚合物侧壁保护模式图像样本训练聚合物侧壁保护模式神经网络模型，包括：

15、根据所述光刻后图像样本和所述第n聚合物侧壁保护模式图像样本训练所述聚合物侧壁保护模式神经网络模型，若不满足第二训练停止条件，则调整所述聚合物侧壁保护模式神经网络模型的模型参数，直至满足所述第二训练停止条件；

16、若满足第二训练停止条件，则得到训练完成的聚合物侧壁保护模式神经网络模型；

17、其中，根据所述光刻后图像样本和所述第n物理化学性刻蚀模式图像样本训练物理化学性刻蚀模式神经网络模型，包括：

18、根据所述光刻后图像样本和所述第n物理化学性刻蚀模式图像样本训练所述物理化学性刻蚀模式神经网络模型，若不满足第三训练停止条件，则重新调整物理化学性刻蚀模式神经网络模型的模型参数，直至满足所述第三训练停止条件；

19、若满足所述第三训练停止条件，则得到训练完成的物理化学性刻蚀模式神经网络模型。

20、在本公开的一个实施例中，所述根据所述聚合物侧壁保护模式神经网络模型和所述物理化学性刻蚀模式神经网络模型构建第二待训练神经网络模型，包括：

21、将训练完成的聚合物侧壁保护模式神经网络模型和物理化学性刻蚀模式神经网络模型加权求和得到所述第二待训练神经网络模型。

22、在本公开的一个实施例中，所述第n物理化学性刻蚀模式图像样本包括第n离子轰击模式图像样本和第n各向同性刻蚀模式图像样本；

23、其中，所述提取所述第一差异图像中的物理化学性刻蚀模式图像，得到所述第n物理化学性刻蚀模式图像样本，包括：

24、提取所述物理化学性刻蚀模式图像中的轮廓图像，作为所述第n离子轰击模式图像样本；

25、提取所述物理化学性刻蚀模式图像中拐角处区域图像，作为所述第n各向同性刻蚀模式图像样本。

26、在本公开的一个实施例中，所述物理化学性刻蚀模式神经网络模型包括离子轰击模式神经网络模型和各向同性刻蚀模式神经网络模型；

27、所述根据所述光刻后图像样本和所述第n物理化学性刻蚀模式图像样本训练物理化学性刻蚀模式神经网络模型，包括：

28、根据所述光刻后图像样本和所述第n离子轰击模式图像样本训练所述离子轰击模式神经网络模型；

29、若满足第四训练停止条件，则得到训练完成的离子轰击模式神经网络模型；

30、根据所述光刻后图像样本和所述第n各向同性刻蚀模式图像样本训练所述各向同性刻蚀模式神经网络模型；

31、若满足第五训练停止条件，则得到训练完成的各向同性刻蚀模式神经网络模型。

32、在本公开的一个实施例中，所述根据所述聚合物侧壁保护模式神经网络模型和所述物理化学性刻蚀模式神经网络模型构建第二待训练神经网络模型，包括：

33、将训练完成的所述聚合物侧壁保护模式神经网络模型、所述离子轰击模式神经网络模型和所述各向同性刻蚀模式神经网络模型加权求和，得到所述第二待训练神经网络模型神经网络模型。

34、在本公开的一个实施例中，所述方法还包括：

35、若所述第一待训练神经网络模型或所述第二待训练神经网络模型得到的预测图像与所述第n刻蚀后图像样本之间的差异小于或等于预设工艺需求精度，则判定满足所述第一训练停止条件。

36、在本公开的一个实施例中，所述第二待训练神经网络模型包括第i神经网络模型，其中，i为大于或等于1且小于或等于n的正整数；

37、其中，所述方法还包括：

38、若不满足所述第一训练停止条件，则采集第i-1次刻蚀工艺后晶圆表面的第i-1刻蚀后图像样本和第i刻蚀工艺后晶圆表面的第i刻蚀后图像样本；

39、根据所述第i-1刻蚀后图像样本和第i刻蚀后图像样本，得到第i聚合物侧壁保护模式图像样本和第i物理化学性刻蚀模式图像样本；

40、根据所述第i-1刻蚀后图像样本和所述第i聚合物侧壁保护模式图像样本训练第i聚合物侧壁保护模式神经网络模型，并根据所述第i-1刻蚀后图像样本和所述第i物理化学性刻蚀模式图像样本训练第i物理化学性刻蚀模式神经网络模型；

41、根据所述第i聚合物侧壁保护模式神经网络模型和所述第i物理化学性刻蚀模式神经网络模型构建第i待训练神经网络模型，根据所述第i待训练神经网络模型重新构建所述第二待训练神经网络模型，重新训练所述第二待训练神经网络模型。

42、在本公开的一个实施例中，所述根据所述第i-1刻蚀后图像样本和第i刻蚀后图像样本，得到第i聚合物侧壁保护模式图像样本和第i物理化学性刻蚀模式图像样本，包括：

43、计算所述第i-1刻蚀后图像样本和第i刻蚀后图像样本之间的第二差异图像；

44、提取所述第二差异图像中的聚合物侧壁保护模式图像，作为所述第i聚合物侧壁保护模式图像样本；

45、提取所述第二差异图像中的物理化学性刻蚀模式图像，作为所述第i物理化学性刻蚀模式图像样本。

46、在本公开的一个实施例中，所述根据所述第i-1刻蚀后图像样本和所述第i聚合物侧壁保护模式图像样本训练第i聚合物侧壁保护模式神经网络模型，包括：

47、根据所述第i-1刻蚀后图像样本和所述第i聚合物侧壁保护模式图像样本训练所述第i聚合物侧壁保护模式神经网络模型，若满足第六训练停止条件，则得到训练完成的第i聚合物侧壁保护模式神经网络模型；

48、若不满足所述第六训练停止条件，则调整所述第i聚合物侧壁保护模式神经网络模型的模型参数，直至满足所述第六训练停止条件；

49、其中，所述根据所述第i-1刻蚀后图像样本和所述第i物理化学性刻蚀模式图像样本训练第i物理化学性刻蚀模式神经网络模型，包括：

50、根据所述第i-1刻蚀后图像样本和所述第i物理化学性刻蚀模式图像样本训练所述第i物理化学性刻蚀模式神经网络模型，若满足第七训练停止条件，则得到训练完成的第i物理化学性刻蚀模式神经网络模型；

51、若不满足第七训练停止条件，则调整所述第i物理化学性刻蚀模式神经网络模型的模型参数，直至满足所述第七训练停止条件。

52、在本公开的一个实施例中，所述根据所述第i聚合物侧壁保护模式神经网络模型和所述第i物理化学性刻蚀模式神经网络模型构建第i待训练神经网络模型，根据所述第i待训练神经模型重新构建所述第二待训练神经网络模型，包括：

53、将训练完成的第i聚合物侧壁保护模式神经网络模型和第i物理化学性刻蚀模式神经网络模型加权求和，得到第i待训练神经网络模型；

54、将第i待训练神经网络模型加权求和，得到所述第二待训练神经网络模型。

55、在本公开的一个实施例中，所述第i物理化学性刻蚀模式图像样本包括第i各向同性刻蚀模式图像样本和第i离子轰击模式图像样本，

56、其中，所述提取所述第二差异图像中的物理化学性刻蚀模式图像，作为所述第i物理化学性刻蚀模式图像样本，包括：

57、提取所述第二差异图像的物理化学性刻蚀模式图像中的轮廓图像，作为所述第i离子轰击模式图像样本；

58、提取所述第二差异图像的物理化学性刻蚀模式图像中拐角处的区域图像，作为所述第i各向同性刻蚀模式图像样本。

59、在本公开的一个实施例中，所述第i物理化学性刻蚀模式神经网络模型包括第i离子轰击模式神经网络模型和第i各向同性刻蚀模式神经网络模型；

60、所述第i离子轰击模式神经网络模型通过以下方式训练得到：

61、根据所述第i-1刻蚀后图像样本和所述第i离子轰击模式图像样本，训练所述第i离子轰击模式神经网络模型；

62、若满足第八训练停止条件，则得到训练完成的第i离子轰击模式神经网络模型；

63、其中，所述第i各向同性刻蚀模式神经网络模型通过以下方式训练得到：

64、根据所述第i-1刻蚀后图像样本和所述第i各向同性刻蚀模式图像样本，训练所述第i各向同性刻蚀模式神经网络模型；

65、若满足第九训练停止条件，则得到训练完成的第i各向同性刻蚀模式神经网络模型。

66、在本公开的一个实施例中，所述根据所述第i聚合物侧壁保护模式神经网络模型和所述第i物理化学性刻蚀模式神经网络模型构建第i待训练神经网络模型，包括：

67、将训练完成的第i离子轰击模式神经网络模型和第i各向同性刻蚀模式神经网络模型加权求和，得到第i物理化学性刻蚀模式神经网络模型。

68、在本公开的一个实施例中，所述方法还包括：

69、若满足所述第一训练停止条件，则将所述第一待训练神经网络模型作为所述目标神经网络模型。

70、在本公开的一个实施例中，所述光刻后图像样本和所述第n刻蚀后图像样本包括用于模型训练的训练集和用于验证模型的验证集，所述训练集和所述验证集按照预设比例划分。

71、在本公开的一个实施例中，所述目标神经网络模型包括卷积神经网络模型或全神经网络模型，使用线性整流函数为激活函数。

72、在本公开的一个实施例中，当所述目标神经网络模型包括卷积神经网络模型时，所述卷积神经网络模型包括输入层、输出层以及连接在所述输入层和所述输出层之间的多个隐藏层，所述隐藏层的结构相同，所述输入层进行卷积和激活操作，所述输出层进行卷积操作。

73、根据本公开的另一个方面，提供了一种刻蚀后图像预测方法，包括：

74、提供晶圆，并预设刻蚀工艺次数为n次，其中，n为大于或等于1的正整数；

75、在所述晶圆上完成当前光刻工艺流程，采集晶圆表面的当前光刻后图像；

76、通过目标神经网络模型处理所述当前光刻后图像，获得经过n次刻蚀工艺后晶圆表面的预测图像，其中，所述目标神经网络模型通过上述的刻蚀模型建立方法得到。

77、根据本公开的另一个方面，提供了一种刻蚀模型建立装置，刻蚀工艺包括提供晶圆，并预设刻蚀工艺次数为n次，其中，n为大于或等于1的正整数；所述装置包括：

78、第一图像采集模块，用于在所述晶圆上完成当前光刻工艺流程，采集训练晶圆表面的光刻后图像样本，对光刻后的晶圆完成n次刻蚀工艺流程，采集进行n次刻蚀工艺后晶圆表面的第n刻蚀后图像样本；

79、第一模型训练模块，用于根据所述光刻后图像样本和所述第n刻蚀后图像样本，训练第一待训练神经网络模型；

80、图像处理模块，用于若不满足第一训练停止条件，则根据所述光刻后图像样本和所述第n刻蚀后图像样本，得到第n聚合物侧壁保护模式图像样本和第n物理化学性刻蚀模式图像样本；

81、第二模型训练模块，用于根据所述光刻后图像样本和所述第n聚合物侧壁保护模式图像样本训练聚合物侧壁保护模式神经网络模型，并根据所述光刻后图像样本和所述第n物理化学性刻蚀模式图像样本训练物理化学性刻蚀模式神经网络模型；

82、模型构建模块，用于根据所述聚合物侧壁保护模式神经网络模型和所述物理化学性刻蚀模式神经网络模型构建第二待训练神经网络模型；

83、所述第一模型训练模块，用于根据所述光刻后图像样本和所述第n刻蚀后图像样本，训练构建的所述第二待训练神经网络模型，若满足所述第一训练停止条件，则将所述待训练神经网络模型作为目标神经网络模型。

84、根据本公开的另一个方面，提供了一种刻蚀工艺图像预测装置，刻蚀工艺包括提供晶圆，并预设刻蚀工艺次数为n次，其中，n为大于或等于1的正整数；所述装置包括：

85、第二图像采集模块，用于在所述晶圆上完成当前光刻工艺流程，采集晶圆表面的当前光刻后图像；

86、图像预测模块，用于通过目标神经网络模型处理所述当前光刻后图像，获得经过n次刻蚀工艺后晶圆表面的预测图像，其中，所述目标神经网络模型通过上述的刻蚀模型建立装置训练得到。

87、根据本公开的另一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的刻蚀模型建立方法，或者执行上述的刻蚀后图像预测方法。

88、根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的刻蚀模型建立方法，或者实现上述的刻蚀后图像预测方法。

89、本公开的实施例所提供的一种刻蚀模型建立方法、预测方法、装置、设备及介质，分别采集晶圆表面的光刻后图像样本和第n刻蚀后图像样本，当通过一步模型训练无法满足训练停止条件时，根据光刻后图像样本和第n刻蚀后图像样本，得到第n聚合物侧壁保护模式图像样本和第n物理化学性刻蚀模式图像样本，通过光刻后图像样本和第n聚合物侧壁保护模式图像样本训练聚合物侧壁保护模式神经网络模型，通过光刻后图像样本和第n物理化学性刻蚀模式图像样本训练物理化学性刻蚀模式神经网络模型，并根据训练完成的聚合物侧壁保护模式神经网络模型和物理化学性刻蚀模式神经网络模型构建第二待训练神经网络模型，重新进行训练，得到训练完成的目标神经网络模型，从而结合刻蚀工艺参数，构建多模式神经网络模型，以建立光刻后图像和刻蚀后图像之间的关联关系，能够根据光刻后图像预测刻蚀后图像，也能够通过刻蚀后图像推算出光刻后图像，有效提升模型的精确度，有助于理解刻蚀工艺的物理过程。

90、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。