用于机器学习辅助的光学邻近误差校正的训练方法与流程
相关申请的交叉引用
本申请要求于2017年9月8日提交的美国申请62/556,246和2018年8月31日提交的美国申请62/725,734的优先权，该申请的全部内容通过引用并入本文。
本文的描述涉及光刻设备和过程,且更特别地涉及用于对设计布局进行光学邻近误差校正的工具和方法。
背景技术：
光刻设备可以用于例如集成电路(ic)或其它器件的制造中。在这种情况下，图案形成装置(例如，掩模)可以包括或提供与器件的单层对应的图案(“设计布局”)，并且此图案可以通过诸如穿过所述图案形成装置上的所述图案来照射已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如硅晶片)上的目标部分(例如包括一个或更多个管芯)的方法，被转印到所述目标部分上。一般而言，单个衬底包括由所述光刻设备以一次一个目标部分的方式连续地将所述图案转印到其上的多个相邻目标部分。在一种类型的光刻设备中，整个图案形成装置上的图案被一次转印到一个目标部分上；这样的设备通常称作为步进器。在一种替代的设备(通常称为步进扫描设备)中，投影束沿给定的参考方向(“扫描”方向)在图案形成装置之上扫描，同时沿与所述参考方向平行或反向平行的方向同步地移动所述衬底。所述图案形成装置上的图案的不同部分被逐渐地转印到一个目标部分上。因为通常所述光刻设备将具有放大因数m(通常＜1)，所以所述衬底被移动的速度f将是所述投影束扫描所述图案形成装置的速度的m倍。
在器件制造过程中的将图案从所述图案形成装置转印至所述衬底的器件制作工序之前，所述衬底可能经历所述器件制造过程的各种器件制作工序，诸如涂底料、抗蚀剂涂覆以及软焙烤。在曝光之后，所述衬底可能经受器件制造过程的其它器件制作工序，诸如曝光后焙烤(peb)、显影、和硬焙烤。这一系列的器件制作工序被用作为制造器件(例如ic)的单个层的基础。所述衬底之后可能经历器件制造过程的各种器件制作工序，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等，所有的这些工序都旨在最终完成所述器件的单个层。如果器件需要多个层，则针对每一层重复整个过程或其变形。最终，器件将存在于所述衬底上的每一目标部分中。如果存在多个器件，则之后通过诸如切片或锯割等技术，使这些器件彼此分离，据此单个的器件能够安装在载体上，连接至引脚，等等。
因此，制造器件(诸如半导体器件)典型地涉及使用多个制作过程来处理衬底(例如，半导体晶片)，以形成所述器件的各种特征和多个层。这些层和特征典型地使用例如沉积、光刻、蚀刻、化学机械抛光、和离子注入来制造和处理。可以在衬底上的多个管芯上制作多个器件，之后将它们分离成单独的器件。这种器件制造过程可被认为是图案化过程。图案化过程涉及图案化步骤，诸如使用光刻设备的光学和/或纳米压印光刻术，以将图案提供到衬底上，而且图案化过程典型地但可选地涉及一个或更多个相关的图案处理步骤，诸如通过显影设备进行抗蚀剂显影、使用焙烤工具来焙烤所述衬底、使用蚀刻设备来蚀刻所述图案等。而且，所述图案化过程典型地涉及一个或更多个量测过程。
技术实现要素：
在实施例中，提供了一种方法，包括：获得训练数据集合，所述训练数据集合包括与训练设计图案的在空间上移位版本对应的光学邻近校正；和由硬件计算机系统使用关于所述训练设计图案的在空间上移位版本的数据和基于针对所述训练设计图案的在空间上移位版本的光学邻近校正的数据来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
在实施例中，提供了一种方法，包括：获得设计图案的一个或更多个在空间上移位版本和用于一个或更多个移位的设计图案中的每一个的光学邻近校正图像的对应的在空间上移位版本；由硬件计算机系统选择具有符合或超过阈值的过程窗口指标的一个或更多个移位的设计图案的一个或更多个光学邻近校正图像；和由所述硬件计算机系统使用包括关于所述设计图案的一个或更多个在空间上移位版本的数据和关于所选择的一个或更多个光学邻近校正图像的数据的训练数据来训练机器学习模型。
在实施例中，提供了一种方法，包括：获得加权函数或数据以向设计图案的光学邻近校正的区指派与其另外的区不同的权重；和由硬件计算机系统，通过基于加权数据相对于所述设计图案的基准光学邻近校正对设计图案的由机器学习模型预测的光学邻近校正进行评估来训练所述机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正；由硬件计算机系统使用机器学习模型产生设计图案的被预测的光学邻近校正；由所述硬件计算机系统，在被预测的光学邻近校正和/或基准光学邻近校正的一部分处指派相对高的权重；和由所述硬件计算机系统，使用对加权后的被预测的光学邻近校正和/或基准光学邻近校正进行评估的目标函数来训练机器学习模型。
在实施例中，提供了一种方法，包括：由硬件计算机系统，将二值化函数施加于设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以产生其各自的二值化的版本；和由硬件计算机系统，通过基于被预测的光学邻近校正和/或基准光学邻近校正的二值化的版本相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正图像；由硬件计算机系统使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正图像；由所述硬件计算机系统使用二值化函数将被预测的光学邻近校正图像和基准光学邻近校正图像变换成各自的二元图像；由所述硬件计算机系统相对于被预测的光学邻近校正图像的二元图像的数据对基准光学邻近校正图像的二元图像的数据进行评估；和由所述硬件计算机系统基于所述评估来调整所述机器学习模型的参数。
在实施例中，提供了一种方法，包括：由硬件计算机系统处理设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以识别光学邻近校正的边缘部位；和由硬件计算机系统，通过基于来自被识别的边缘部位的数据相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正图像；由硬件计算机系统使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正图像；由所述硬件计算机系统，识别被预测的光学邻近校正图像和基准光学邻近校正图像内的特征的边缘部位；由所述硬件计算机系统，相对于被预测的光学邻近校正图像的被识别的边缘部位处的数据来评估所述基准光学邻近校正图像的被识别的边缘部位处的数据；和由所述硬件计算机系统基于所述评估来调整所述机器学习模型的参数。
在实施例中，提供了一种方法，包括：获得输入设计图案的在空间上移位版本；和由硬件计算机系统，使用具有惩罚项的目标函数来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正，所述惩罚项涉及在对应于由所述机器学习模型相对于输入设计图案进行的预测的值与对应于由所述机器学习模型相对于被移位的输入设计图案进行的预测的逆移位版本的值之间的比较，其中所述逆移位是这样的空间移位：其与用于创建所述输入设计图案的在空间上移位版本的空间移位相逆。
在实施例中，提供了一种计算机程序产品，包括在其上记录指令的计算机可读介质，所述指令在由计算机执行时实施本文所述的方法或其任何部分。
前面的说明性实施方式的一般描述及其以下详细描述仅仅为本公开的教导的示例性方面，且并非限定性的。
附图说明
随附附图被并入本说明书中并且构成本说明书一部分，其图示一个或更多个实施例，并且连同所述描述解释了这些实施例。附图未必按比例绘制。随附图和附图中图示的任何值的尺寸仅是图示目的，可以或可以不表示实际或优选的值或尺寸。在适用的情况下，一些或所有特征可能不会被图示以辅助描述下面的特征。在附图中：
图1是根据本公开的示例性实施例的光刻系统的各种子系统的框图。
图2示意性地描绘了根据本公开的示例性实施例的光刻单元或簇的实施例。
图3示意性地描绘了根据本公开的示例性实施例的将辅助特征(连接至主要特征的辅助特征或独立的辅助特征)放置至设计布局中的方法。
图4a和图4b分别示意性地示出了根据本公开的示例性实施例的用于训练机器学习模型和使用机器学习模型的流程。
图4c和图4d示意性地示出了根据本发明的示例性实施例的使用设计布局的边缘作为参考物的像素化的更多细节。
图4e示意性地示出了根据本公开的示例性实施例的可以通过使用与特征的每个边缘对准的参考物而确定的所述特征的像素化图像。
图5是根据本公开的示例性实施例的用于训练机器学习模型的方法的流程图。
图6是根据本公开的示例性实施例的使用图5的所述机器学习模型的方法的流程图。
图7是根据本公开的示例性实施例的训练机器学习模型的示例和用于所述训练的一种类型的数据。
图8图示了根据本公开的示例性实施例的用于训练机器学习模型或由机器学习模型预测的示例辅助特征图。
图9a是根据本公开的示例性实施例的用于训练机器学习模型的方法的流程图。
图9b是根据本公开的示例性实施例的用于基于成本函数来调整一个或更多个机器学习模型参数的流程图。
图10图示了根据公开的示例性实施例的基于均方误差(mse)的成本函数的示例结果。
图11图示了根据本公开的示例性实施例的基于加权后的均方误差的成本函数的示例结果。
图12a图示了根据本公开的示例性实施例的二值化技术的示例输出。
图12b图示了根据本公开的示例性实施例的基于二值化技术的成本函数的示例结果。
图13图示了根据本公开的示例性实施例的边缘像素增强技术的示例输出。
图14图示了根据本公开的示例性实施例的边缘点增强技术的示例输出。
图15图示了根据本公开的示例性实施例的边缘置放误差的示例输出。
图16图示了根据本公开的示例性实施例的用于神经网络的示例起始块。
图17图示了根据本公开的示例性实施例的用于神经网络的示例残差块。
图18图示了根据实施例的使用如图3所示经训练的示例逆过程模型产生的示例图案形成装置图案；
图19是根据本公开的示例性实施例的示例计算机系统的框图。
图20是根据本公开的示例性实施例的光刻投影设备的示意图。
图21是根据本公开的示例性实施例的另一光刻投影设备的示意图。
图22是根据本公开的示例性实施例的图20中的设备的更详细视图。
具体实施方式
在下文中结合附图所阐述的描述旨在作为对所公开的主题的各种实施例的描述，并且不必旨在表示仅所述的实施例。在某些情况下，出于提供对所公开的实施例的理解的目的，所述描述包括特定的细节。然而，本领域技术人员将清楚，所公开的实施例可以在没有这些特定细节的情况下实践。在一些情况下，众所周知的结构和部件可以以框图形式示出以便避免混淆所公开主题的构思。
随着半导体或其它器件制造过程继续进步，几十年来，功能元件的尺寸已经不断地减小的同时每一个器件的功能元件(诸如晶体管)的量已经在稳定地增加，这遵循着通常称为“摩尔定律(moore’slaw)”的趋势。在当前技术状态下，器件的层使用光刻设备制造，所述光刻设备使用来自深紫外线(例如193nm)照射源或极紫外线(例如13.52nm)照射源的照射将设计布局投影至衬底上，从而创建具有远低于30nm的尺寸的单独的功能元件。
其中具有尺寸小于光刻设备的经典分辨率极限的特征被印制的这种过程通常被称为低k1光刻术，它所依据的分辨率公式是cd＝k1×λ/na，其中，λ是所采用的辐射的波长(当前大多数情况下是248nm或193nm)，na是光刻设备中的投影光学器件的数值孔径，cd是“临界尺寸”(即通常是所印制的最小特征尺寸)，以及，k1是经验分辨率因子。通常，k1越小，在所述衬底上再现与由电路设计者规划的形状和尺寸类似(以便实现特定电学功能性和性能)的图案就变得越困难。为了克服这些困难，将复杂的精调步骤施加到所述光刻设备和/或设计布局。这些步骤包括例如但不限于：na和光学相干性设定的优化、自定义照射方案、使用相移图案形成装置、所述设计布局中的光学邻近校正(opc)，或通常被定义为“分辨率增强技术”(ret)的其它方法。
作为ret的示例，opc处理如下事实：投影于所述衬底上的设计布局的图像的最终大小和置放将与在图案形成装置上的该设计布局的大小和置放不同，或简单地仅取决于在图案形成装置上的该设计布局的大小和置放。应注意，术语“掩模”、“掩模版”、“图案形成装置”在本公开中可互换地使用。而且，本领域技术人员将认识到，术语“掩模”、“图案形成装置”和“设计布局”能够可互换地使用，因为在ret的情境下，未必使用物理的图案化过程，但设计布局能被用于表示物理的图案化过程。对于存在于某一设计布局上的小特征大小和高特征密度，给定特征的特定边缘的位置将在某种程度上受到其它邻近特征的存在或不存在影响。这些邻近效应源自从一个特征耦合至另一特征的微小量的辐射或诸如衍射和干涉之类的非几何光学效应。相似地，邻近效应可能源自在通常在光刻术之后的曝光后焙烤(peb)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应。
为了增加所述设计布局的被投影的图像是根据给定目标电路设计的要求的机会，则可以使用设计布局的复杂数值模型、校正或预变形来预测和补偿邻近效应。论文“full-chiplithographysimulationanddesignanalysis-howopcischangingicdesign”(c.spence，proc.spie，第5751卷，第1至14页(2005年))提供当前“基于模型的”光学邻近校正过程的综述。在典型高端设计中，设计布局的几乎每一特征都具有某种修改，以便实现被投影的图像至所述目标设计的高保真度。这些修改可以包括边缘位置或线宽的移位或偏置，以及旨在辅助其它特征的投影的“辅助”特征的应用。
opc的最简单形式中的一种形式是选择性偏置。在给出cd相对于节距曲线的情况下，可以至少在最佳聚焦和曝光处通过改变图案形成装置水平面处的cd，来迫使所有不同的节距产生相同的cd。因而，如果特征在衬底水平面处印制得过小，则图案形成装置水平面的特征将被偏置成稍微大于名义值，反之亦然。由于从图案形成装置水平面至衬底水平面的图案转印过程是非线性的，所以偏置的量并非仅仅是在最佳聚焦和曝光处所测量的cd误差乘以缩小比率，而是利用建模和实验，能够确定适当的偏置。选择性偏置是对邻近效应的问题的不完全解决方案，特别是如果其仅在名义过程条件的情况下予以施加。尽管原则上可以施加这种偏置以给出最佳聚焦和曝光处的均匀的cd相对于节距曲线，但一旦曝光过程从名义条件变化，则每条偏置的节距曲线就将作出不同的响应，从而导致针对不同特征的不同过程窗口。过程窗口是两个或更多个过程参数(例如所述光刻设备中的聚焦和辐射剂量)的一定范围的值，在所述过程参数下，特征被足够准确地创建(例如所述特征的cd在诸如±10％或±5％的某一范围内)。因此，用以给出相同cd相对于节距的“最佳”偏置甚至可能对总过程窗口有负面影响，从而缩减(而非放大)所有目标特征在所期望的过程容许度内印制于所述衬底上的聚焦和曝光范围。
已开发出其它更复杂的opc技术用于超出以上的一维偏置示例的应用。二维邻近效应是线端缩短的。线端具有作为曝光和聚焦的函数而从它们的所期望的端点部位“拉回”的倾向。在许多情况下，长线端的端部缩短的程度能够比对应的线窄化的程度大若干倍。如果线端没有完全跨越其预期覆盖的下层(诸如，源漏极区上方的多晶硅栅极层)，则这种类型的线端拉回能够导致正被制造的器件发生严重故障。由于这种类型的图案对聚焦和曝光极其敏感，所以仅仅使线端偏置成比设计长度更长是不够的，这是因为最佳聚焦和曝光处或在曝光不足的条件下的线将会是过长的，从而在被延长的线端接触相邻结构时导致短路，或如果在电路中的单独特征之间添加更多空间的情况下导致不必要大的电路大小。由于集成电路设计和制造的目标中的一个目标是最大化功能元件的数目，同时最小化每芯片所需的面积，所以添加过量间隔是不期望的解决方案。
二维opc途径可以帮助解决线端拉回问题。诸如“锤头状线”或“配线(serif)”之类的额外结构(也被称为“辅助特征”)可被添加至线端，以将所述线端有效地锚固于适当位置且提供在整个过程窗口上的有所缩减的拉回。甚至在最佳聚焦和曝光下，这些额外结构也仍未被分辨，而是它们在其自身没有被完全分辨的情况下更改了主要特征的外观。如本文中所使用的“主要特征”意思是在过程窗中的一些或全部条件下旨在印制于衬底上的特征。辅助特征能够呈现比添加至线端的简单的锤头状线更积极多样的形式，达到了所述图案形成装置上的图案不再仅是被放大了所述缩小比率的所期望的衬底图案的程度。诸如配线之类的辅助特征能够被施加于除了仅仅缩减线端拉回之外的更多的情形。内部配线或外部配线能够被施加到任何边缘(尤其是二维边缘)，以缩减拐角部倒圆角或边缘挤压。在利用足够的选择性偏置和所有大小和极性的辅助特征的情况下，所述图案形成装置上的特征承受与所述衬底水平处所期望的最终图案越来越小的类似性。一般而言，所述图案形成装置图案变成所述衬底水平面图案的预变形的形式，其中所述变形旨在抵消或反转在制造过程期间将出现的图案变形，以在所述衬底上产生尽可能与由设计者所预期的图案相接近的图案。
代替连接到主要特征的那些辅助特征(例如，配线)或除连接到主要特征的那些辅助特征之外，另一opc技术涉及使用完全独立的且不可分辨的辅助特征。此处术语“独立的”意思是这些辅助特征的边缘没有连接到主要特征的边缘。这些独立的辅助特征并不旨在或期望印制为在所述衬底上的特征，而是旨在修改附近主要特征的空间图像以提高所述主要特征的可印制性和过程容许度。这些辅助特征(经常被称为“散射条”或“sbar”)可以包括子分辨率辅助特征(sraf)，其是主要特征的边缘外的特征；和子分辨率逆特征(srif)，其是从主要特征的边缘内取出的特征。sbar的存在为图案形成装置图案增加了又一层复杂度。使用散射条的简单示例是，在被隔离的线特征的两侧上都绘制了不可分辨的散射条的规则阵列，这从空间图像的观点看具有使被隔离的线看起来更能代表密集的线阵列内的单条线的效应，从而导致过程窗口的聚焦和曝光容许度更接近于密集的图案的聚焦和曝光容许度。与在图案形成装置水平面处隔离时绘制的特征相比，在这种被装饰的被隔离的特征与密集的图案之间的共同的过程窗口将具有对聚焦和曝光变化更大的共同容许度。
辅助特征可以被视为在图案形成装置上的特征与在所述设计布局中的特征之间的差异。术语“主要特征”和“辅助特征”没有暗示在图案形成装置上的特定特征必须被标注为一个或另一个。
作为简要介绍，图1图示了示例性光刻投影设备10a。主要部件包括：照射光学器件，其限定部分相干性(被表示为西格玛或标准差)且其可以包括对来自辐射源12a的辐射进行成形的光学器件14a、16aa和16ab，所述辐射源可以是深紫外线准分子激光源或包括极紫外线(euv)源的其它类型的源(如本文论述的，光刻投影设备自身无需具有所述辐射源)；和光学器件16ac，所述光学器件16a将图案形成装置18a的图案形成装置图案的图像投影到衬底平面22a上。在所述投影光学器件的光瞳平面处的可调整的滤光器或光阑20a可能会限制入射到所述衬底平面22a上的束角度的范围，其中最大可能的角度限定了投影光学器件的数值孔径na＝sin(θmax)。
在光刻投影设备中，投影光学器件经由图案形成装置将来自源的照射引导并成形至衬底上。术语“投影光学器件”在这里被广泛地限定为包括可以改变辐射束的波前的任何光学部件。例如，投影光学器件可以包括部件14a、16aa、16ab和16ac中的至少一些部件。空间图像(ai)是衬底水平面处的辐射强度分布。曝光了所述衬底上的抗蚀剂层，并且将空间图像转印到抗蚀剂层以在其中作为潜影“抗蚀剂图像”(ri)。可以将抗蚀剂图像(ri)定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。抗蚀剂模型能够被用于根据所述空间图像来计算抗蚀剂图像。抗蚀剂模型仅与抗蚀剂层的属性有关(例如是在曝光、曝光后焙烤(peb)和显影期间出现的化学过程的效应)。所述光刻投影设备的光学属性(例如所述照射、所述图案形成装置和所述投影光学器件的属性)规定了所述空间图像，并能够被限定在光学模型中。由于用于所述光刻投影设备中的所述图案形成装置能被改变，所以期望使所述图案形成装置的光学属性与光刻投影设备的其余部分(至少包括所述源和所述投影光学器件)的光学属性分离。用于将设计布局变换成各种光刻图像(例如空间图像、抗蚀剂图像等)、使用那些技术和模型来施加opc并且评估性能(例如在过程窗口方面)的技术和模型的细节被描述于美国专利申请公开号us2008-0301620、us2007-0050749、us2007-0031745、us2008-0309897号、us2010-0162197和us2010-0180251中，每个的公开内容在此通过引用而整体并入本文。
如图2所示，所述光刻设备la可以形成光刻单元lc(有时被称为光刻元或光刻簇)的一部分，光刻单元还包括用于在衬底上执行一个或更多曝光前和曝光后过程的设备。常规地，这些设备包括：用于沉积抗蚀剂层的一个或更多个旋涂机sc、用于对曝光后的抗蚀剂进行显影的一个或更多个显影机de、一个或更多个激冷板ch和一个或更多个焙烤板bk。衬底输送装置或机器人ro从输入/输出端口i/o1、i/o2拾取衬底，在不同的过程装置之间移动衬底，然后将其传送到输送光刻设备的装载台lb。这些装置通常统称为涂覆显影系统或轨道(track)，并且由涂覆显影系统控制单元tcu控制，该涂覆显影系统控制单元tcu本身由管理控制系统scs控制，该管理控制系统scs也经由光刻控制单元lacu来控制所述光刻设备。因而，可以操作不同的设备以最大化生产量(例如每单位时间处理的衬底)和处理效率。所述光刻单元lc还可以包括：用于蚀刻所述衬底的一个或更多个蚀刻装置；和配置成测量所述衬底的参数的一个或更多个测量装置。所述测量装置可以包括配置成测量所述衬底的物理参数的光学测量装置，诸如散射仪、扫描电子显微镜等。所述测量装置可以被合并于所述光刻设备la中。本公开的实施例可以在所述管理控制系统scs或所述光刻控制单元lacu中实施，或者与所述管理控制系统scs或所述光刻控制单元lacu一起实施。例如，来自所述管理控制系统scs或所述光刻控制单元lacu的数据可以被本公开的实施例使用，并且来自本公开的实施例的一个或更多个信号可以被提供至所述管理控制系统scs或所述光刻控制单元lacu。
图3示意性地描绘了在设计布局中进行光学邻近校正的方法。所述设计布局可以是在施加ret之前的设计布局或在施加ret之后的设计布局。所述设计布局可以是二元的或连续的色调。在本公开中，集中于将辅助特征(连接至主要特征的辅助特征，或独立的辅助特征)放置于设计布局中作为示例光学邻近校正，本文中的技术能够施加于该示例光学邻近校正。如将了解，本文中的技术能够施加于除辅助特征以外的替代光学邻近校正(诸如偏置等)，或施加于除了辅助特征之外的光学邻近校正(例如偏置和辅助特征的组合)。
计算模型或经验模型213能够用于施加一个或更多个光学邻近校正(例如，确定一个或更多个特性，诸如确定一个或更多个光学邻近校正的存在性、部位、类型、形状等)，诸如一个或更多个辅助特征。模型213能够考虑器件制造过程的一个或更多个特性211(也被称为处理参数)，或一个或更多个设计布局参数212，或两者。一个或更多个处理参数211是与所述器件制造过程相关联但不与所述设计布局相关联的一个或更多个参数。例如，所述一个或更多个处理参数211可以包括照射的特性(例如，强度、光瞳轮廓等)、所述投影光学器件的特性、剂量、聚焦、抗蚀剂的特性、抗蚀剂的显影的特性、抗蚀剂的曝光后焙烤的特性、或蚀刻的特性。所述一个或更多个设计布局参数212可以包括在设计布局上的各种特征的一个或更多个形状、大小、相对部位或绝对部位，并且还可以包括在不同设计布局上的特征的重叠。在经验模型中，图像(例如，抗蚀剂图像、光学图像、蚀刻图像)未被模拟；替代地，所述经验模型基于在输入(例如，一个或更多个处理参数211和/或设计布局参数212)与光学邻近校正之间的相互关系来进行光学校正(例如，放置辅助特征)。在计算模型中，计算出图像的部分或特性，并且基于被计算的图像的部分或特性来施加光学邻近校正。
经验模型的示例是机器学习模型。无督导机器学习和受督导机器学习模型两者都可以用于进行光学邻近校正。在不限制本公开的范围的情况下，下文描述了受督导机器学习算法的应用。
受督导学习是根据被标注的训练数据推断函数的机器学习任务。训练数据包括训练示例的集合。在受督导学习中，每个示例是具有输入对象(典型地为向量)和期望的输出值(也称为督导信号)的对。受督导学习算法对所述训练数据进行分析并且产生能够用于映射新示例的推断出的函数。在实施例中，最佳情境将允许算法正确地确定用于未见过的实例的类别标签。这要求所述学习算法以“合理”的方式从所述训练数据概括/推广到未见过的情形。
在给出具有形式{(x1，y1)，(x2，y2)，...，(xn，yn)}的n个训练示例的集合使得xi是第i个示例的特征向量且yi是其标签(即类别)的情况下，学习算法寻求函数g：x→y，其中x是输入空间且y是输出空间。特征向量是表示某一对象的数值特征的n维向量。机器学习中的许多算法需要对象的数值表示，因为这些表示便利了处理和统计分析。当表示图像时，特征值可能对应于图像的像素，当表示文字时，特征值可能称为出现频率。与这些向量相关联的向量空间常常被称为特征空间。函数g是可能函数g的某些空间(经常被称为假设空间)的元素。有时以下操作是方便的：使用计分函数
存在用以选择f或g的两种基本途径：经验风险最小化和结构风险最小化。经验风险最小化寻求对所述训练数据实现最佳拟合的函数。结构风险最小化包括控制偏置/方差取舍的惩罚函数。
在两种情况下，假定训练集合具有独立且相同分布的对(xi,yi)的样本。为了测量出函数对所述训练数据进行拟合的良好程度，通常会定义目标函数。例如，能够定义成本或损失函数
受督导学习的示例性模型包括决策树、集成(装袋、增强、随机森林)、k-nn、线性回归、朴素贝叶斯、神经网络、逻辑回归、感知器(perceptron)、支持向量机(svm)、相关性向量机(rvm)和深度学习。
svm是受督导学习模型的示例，其分析数据且识别图案，且能够用于分类和回归分析。在给出训练示例的集合的情况下，每个训练示例被标记为属于两个种类中的一个种类，svm训练算法建立将新示例指派至一个种类或另一种类中的模型，使得其为非概率二元线性分类器。svm模型是如空间中的点的示例的表示，其被映射使得分立的种类的示例由尽可能宽的清晰间隙分隔。接着将新示例映射至同一空间中，且基于其落在间隙的哪一侧来预测其属于的种类。除了执行线性分类以外，svm也能够使用所谓的核心方法来有效地执行非线性分类，从而隐含地将它们的输入映射至高维特征空间中。
核心方法涉及使用者指定的核心，即，遍及原始表示中成对数据点的相似度函数。核心方法的名称是由于核心函数的使用，核心函数使它们能够在高维、隐式特征空间中操作而无需不断计算该空间中的数据的坐标，而是通过简单地计算在特征空间中的所有成对数据的图像之间的内积。所述操作在计算上常常比坐标的显式计算代价更低。这种方式被称为“核心技巧(kerneltrick)”。
svm的有效性取决于对核心、核心的参数、以及软间隔(softmargin)参数c的选择。常见的选择是高斯核心，其具有单个参数γ。常常通过利用呈指数增长的c和γ的序列(例如c∈{2-5，2-4，...，215，216}；γ∈{2-15，2-14，...，24，25}进行的网格搜索(也被称为“参数扫描”)来选择c与γ的最佳组合。
网格搜索是通过学习算法的超参数空间的手动指定子集进行的穷举搜索。网格搜索算法是由某一性能指标引导，所述性能指标典型地是通过对训练集合的交叉验证或对留存验证集合的评估来测量。
可以使用交叉验证来检查参数选择的每个组合，且选取具有最佳交叉验证准确度的参数。
交叉验证(有时被称为旋转估计)是用于评估统计分析的结果将如何一般化或推广成独立的数据集合的模型验证技术。其主要用在目标是预测且希望对预测模型在实践中将执行的准确程度进行估计的设定中。在预测问题中，经常向模型提供训练正在运行于的已知数据的数据集(训练数据集)，和模型被测试所针对的未知数据(或首次看见的数据)的数据集(测试数据集)。交叉验证的目标是定义用于在训练阶段对模型进行“测试”的数据集合(即，验证数据集合)，以便限制如过度拟合之类的问题，给出对所述模型将如何一般化/概括成独立的数据集合(即，未知数据集合，例如来自真实问题)的见解等。交叉验证的一个回合涉及将数据的样本分割成互补子集、对一个子集(被称为训练集合)执行分析，和验证对另一子集(被称为验证集合或测试集合)的分析。为了降低变动性，使用不同分割来执行多个回合的交叉验证，且对所述回合的验证结果取平均值。
接着使用所选参数对整个训练集合训练能够用于测试且用于将新数据分类的最终模型。
受督导学习的另一示例是回归。回归从在因变量的值与自变量的对应值的集合推断出在因变量与一个或更多个自变量之间的关系。在给出自变量的情况下，回归可以估计所述因变量的条件期望值。推断出的关系可以被称为回归函数。推断出的关系可以是概率性的。
图4a和图4b示意性地分别示出根据实施例的用于训练机器学习以放置辅助特征(作为光学邻近校正的示例)和使用被训练的机器学习模型来放置辅助特征(作为光学邻近校正的示例)的方法的流程。图4a示意性地示出用于训练机器学习模型的流程。获得了设计布局的一部分505的一个或更多个特性510的一个或更多个值。所述设计布局可以是二元设计布局、连续色调设计布局(例如从二元设计布局渲染或再现)，或具有另一合适的形式的设计布局。所述一个或更多个特性510可以包括所述部分505中的一个或更多个图案的几何特性(例如绝对部位、相对部位、或形状)。所述一个或更多个特性510可以包括所述部分505中的一个或更多个图案的一个或更多个统计特性。所述部分505中的图案的统计特性的示例可以包括一个或更多个图案的几何尺寸的平均值或方差。所述一个或更多个特性510可以包括所述部分505的参数化(即所述部分505的函数的一个或更多个值)、诸如在某些基函数上的投影。所述一个或更多个特性510可以包括从所述部分505导出的图像(像素化、二元曼哈顿(manhattan)、二元曲线、或连续色调)或图像数据(例如，具有相关联部位的像素值)。一般而言，图像数据可以指与图像相关联的任意数据(例如，像素值、部位、强度、rbg值，等等)。
在工序520中，使用任何合适的方法，基于所述部分505或其一个或更多个特性510来确定辅助特征的一个或更多个特性530。例如，辅助特征的一个或更多个特性530可以使用美国专利号9,111,062中描述的方法或y.shen等人的“level-set-basedinverselithographyforphotomasksynthesis(opticsexpress，第17卷，第23690-23701页(2009年))(这些公开内容通过引用而整体并入本文)所描述的方法，和/或本文所描述的或通过引用并入本文中的任何文件中描述的任何其它技术来确定。例如，所述一个或更多个特性530可以包括辅助特征的一个或更多个几何特性(例如，绝对部位、相对部位、或形状)、辅助特征的一个或更多个统计特性(诸如辅助特征的几何尺寸的平均值或方差)、或辅助特征的参数化(例如，辅助特征的函数的一个或更多个值，诸如在某些基函数上的投影)或辅助特征的图像或图像数据(例如，像素化、二元曼哈顿、二元曲线、或连续色调图像和/或具有相关联部位的像素值)。
所述设计布局的部分的一个或更多个特性510的值和辅助特征的一个或更多个特性530的值被包括在训练数据540中作为样本。在实施例中，一个或更多个特性510被包括在所述样本的特征向量(也被称为输入向量)中，且一个或更多个特性530被包括在所述样本的标签(也被称为督导信号或应答向量)中。在工序550中，使用训练数据540来训练机器学习模型560。如上所述，目标函数(例如，损失或成本函数)可以在训练中被使用。
图4b示意性地示出用于使用机器学习模型560来放置一个或更多个辅助特征的流程。获得了设计布局534的部分533或所述部分的一个或更多个特性535。所述设计布局534的所述部分533和任何其它部分均不必须是所述训练数据的一部分。所述部分533可以是所述设计布局534的边缘附近的部分。所述一个或更多个特性535可以包括所述部分533中的一个或更多个图案的一个或更多个几何特性(例如绝对部位、相对部位、或形状)。所述一个或更多个特性535可以包括所述部分533中的一个或更多个图案的一个或更多个统计特性。所述一个或更多个特性535可以包括所述部分533的参数化，诸如在某些基函数上的投影。所述一个或更多个特性535可以包括从所述部分533导出的图像(像素化、二元曼哈顿、二元曲线、或连续色调)或图像数据(例如，具有相关联部位的像素值)。例如，如果所述部分533是所述设计布局534的边缘附近的部分，则所述一个或更多个特性535可以相对于边缘作为参考物(例如，通过将边缘用作参考物而获得的像素化、二元曼哈顿、二元曲线、或灰阶图像、或到基底上的投影)，由此，即使所述边缘相对于在所述设计布局中固定的参考物移动，所述一个或更多个特性535也不改变，如下文参考图4c、图4d和4e进一步解释的。
在工序570中，将所述部分534或所述一个或更多个特性535作为输入提供至所述机器学习模型560中，且从所述机器学习模型560获得作为输出的用于所述部分533的一个或更多个辅助特征的一个或更多个特性580。所述一个或更多个特性580可以包括辅助特征的一个或更多个几何特性(例如绝对部位、相对部位、或形状)。所述一个或更多个特性580可以包括辅助特征的参数化，诸如在某些基函数上的投影。所述一个或更多个特性580可以包括辅助特征的图像(像素化、二元曼哈顿、二元曲线、或连续色调)或图像数据(例如，具有相关联部位的像素值)。可以例如使用公开号us2008/0301620的美国专利申请中描述的方法来调整辅助特征的所述一个或更多个特性580以避免它们之中的冲突，所述专利申请公开内容通过引用整体并入本文。
在可选的工序590中，在光刻过程中使用所述设计布局534的所述部分533和辅助特征来图案化衬底。
在工序570中，所述机器学习模型560可以可选地计算置信度指标585，所述置信度指标指示所述一个或更多个特性580的可信度。例如，当所述一个或更多个特性580包括辅助特征的二元图像(例如二元曼哈顿图像、二元曲线图像)时，所述置信度指标可以是二元图像的任一色调的概率。一些机器学习模型，诸如朴素贝叶斯、逻辑回归和多层感知器(当在适当的损失函数下训练时)自然地是概率性的。概率模型输出了遍及类别集合的概率分布，而并非仅输出了该输入应属于的最可能类别。诸如支持向量机之类的一些其它机器学习模型并非自然地是概率性的，但存在用于将它们变成概率分类器的方法。回归问题可以被转换成多类别分类问题且接着使用概率作为指标，或使用自举法(bootstrapmethod)来构建许多模型且接着计算出模型预测的方差。可以基于所述机器学习模型的输出(例如遍及类别集合的概率分布)来计算置信度指标(例如，熵、gini指数等)。
置信度指标585的其它形式可能是可行的。例如，对于与所述训练数据中的部分非常不同的设计布局的那些部分，所述机器学习模型具有相对较高的有问题的几率。可以用合适的方式来构造测量出所述输入的部分与所述训练数据中的部分之间的相似度的置信度指标585。输入中的部分与所述训练数据的部分的每个之间的最大欧几里得距离(euclideandistance)能够是这样的示例。在另一示例中，可以将所述训练数据的部分簇成若干群组，且可以将所述输入的图像到每个群组的中心的欧几里得距离用作置信度指标585。
若所述置信度指标585未能满足条件(例如用于指示所述一个或更多个特性580并不充分可信)，则可以忽视所述一个或更多个特性580且可以在可选的工序586中使用不同的方法(例如美国专利号9,111,062中描述的方法)来放置辅助特征，或可以在可选的工序587中(例如使用图4a中的流程)使用包括所述输入中导致不符合条件的置信度指标585的一个或更多个特性535的训练数据来重新训练所述机器学习模型560。
与所述设计布局的所述部分533相组合，特性580由所述机器学习模型570产生的辅助特征可以用作用于另一ret(诸如opc)、照射和图案形成装置图案优化(有时被称为smo)、图案形成装置优化(mo)的初始条件，或用作为了加速收敛的严格优化器的初始条件。这是另一使用情况。
图4c和4d示意性地示出像素化的更多细节。特征600的像素化图像可以取决于参考物的选择。例如，如图4c中示出的，使用参考物601的特征600的像素化图像是像素化图像603，但使用参考物602(其仅仅相对于参考物601移位)的同一特征600的像素化图像是像素化图像604，像素化图像604不同于像素化图像603。为了避免像素化对参考物选择的依赖性，可以将对准至例如特征600的边缘(例如这里为右边缘)或特征600的拐角部的参考物用于特征600的像素化。用于不同特征的参考物可以不同。
图4e示意性地示出了特征700的像素化图像720可以通过使用对准至特征700的边缘中的每一个边缘的参考物710而确定。所述像素化图像720中的每一个可以用作图4b的流程中的特性535以获得辅助特征中的一个或更多个特性580(例如辅助特征的形状730)。即，对于每一边缘，获得辅助特征的一个或更多个特性580(例如辅助特征的形状730)的集合。可以通过将特征700用作参考物来将所述一个或更多个特性580(例如辅助特征的形状730)的集合彼此对准，且将所述一个或更多个特性580的集合一起合并为辅助特征的一个或更多个特性的合并的集合(例如辅助特征的合并的形状740)。可接着分辨辅助特征的一个或更多个特性的合并的集合中的冲突(例如移除掉合并的形状740中的重叠)。尽管像素化图像720在此处用作相对于边缘而获得的一个或更多个特性535的示例，但相对于该边缘的一个或更多个特性535可以是一个或更多个其它合适特性，诸如通过将边缘用作参考物而获得的二元、或灰阶图像或至基底上的投影。
如上文所提及，光学邻近校正修改了(例如高级逻辑器件的)所述设计布局，其目的在于例如提供用于在衬底上形成设计布局的充分的过程窗口(pw)。例如，辅助特征(作为opc的示例)，尤其是sraf，能够以使得被隔离的特征表现为致密的方式来修改所述设计布局的被隔离的主要特征的环境，这能够通过提供充分的过程窗口(pw)来实现按比例缩小这种主要特征。因此，期望的是遍及全芯片中的充分、准确且不变的光学邻近校正。然而，光学邻近校正的运行时间应是快速的，以使得能够及时地将光学邻近校正施加于全芯片。
在光学邻近校正技术当中，基于模型的光学邻近校正途径能够递送具有良好准确度和一致性但经常以速度为代价的较大过程窗口(pw)。例如，smo-mo是能够递送较大过程窗口(pw)的光学邻近校正技术。在实施例中，smo-mo能够使用smo过程以识别最佳照射和图案形成装置图案(所述优化可以在所使用的opc校正的类型方面加以限定，例如，不施加辅助特征)，且接着所述最佳照射用于在光学邻近校正方面进一步优化所述图案形成装置图案(例如施加辅助特征)。在实施例中，smo-mo使用基于梯度的迭代途径以优化连续色调图案形成装置图案，使得相关联的成本函数最小化/最大化。在每一迭代中，计算出图案形成装置图案的梯度图且该梯度图进一步用于引导优化的方向(例如施加opc，诸如辅助特征的放置)。smo-mo能够是极其准确的，并且可以产生最大过程窗口；然而，运行时间对于全芯片施加可能是过高的。
用于光学邻近校正的另一基于模型的途径是使用所谓的sraf引导图(sgm)(参见例如公开号us2008-0301620的美国专利申请，其先前通过引用并入本文)，该途径相比于其它途径相对较快但可能无法递送最佳过程窗口。
其它全芯片光学邻近校正相比于smo-mo是相对较快的但各自可能具有一些缺点。例如，基于规则的光学邻近校正途径涉及施加二维(2d)规则以施加光学邻近校正(诸如放置辅助特征)。然而，规则的确定和全面性可能难以实施且可能无法保证用于逻辑应用的2d规则的准确度。
在辅助特征的情境中，它们的放置典型地应具有比用在基于图像的光刻模拟中的像素的大小更小的准确度。例如，当光刻模拟使用20nm的像素大小时，条放置准确度需要为1nm或甚至0.1nm。替代地或另外，非常期望辅助特征的放置的一致性和/或对称性。一致性指具有实质上相似的辅助特征放置的图案形成装置图案(例如全芯片图案形成装置图案)中的重复图案。辅助特征放置应理想地具有符合图案对称性和照射分布形状对称性(例如具有偶极或四极照射的对称性)的对称性。然而，现有的技术在全芯片水平可能不会提供这种准确度、一致性和/或对称性。
因此，在实施例中，且如上文在一程度上已经参考图3和图4所描述，机器学习过程能够有利于实现光学邻近校正(诸如辅助特征的放置)的准确且完整施加，且能够对于例如全芯片施加以快速方式实现。
虽然现有的深度学习结构可用于如图像识别的深度学习任务，但本文中的机器学习技术在许多方面不同于这种图像识别，包括但不限于：提供至机器学习模型以用于训练且供被训练的机器学习模型使用的输入、来自所述机器学习模型的输出、所期望的分辨率、和/或用于训练所述机器学习模型的目标函数。
例如，为了将上文所描述的技术中之的一些(诸如smo-mo)的过程窗口益处从片段水平面(其指全芯片图案化图案的一部分)传播至全芯片图案形成装置图案，本文中描述了基于机器学习的光学邻近校正技术，该技术将来自例如片段水平面处的这些其它技术的数据作为训练数据以通过机器学习模型基于关于诸如全芯片图案的图案形成装置图案的数据来实现光学邻近校正的预测。根据实施例，使用由smo-mo产生的训练数据来训练机器学习模型，且随后将被训练的模型施加于全芯片布局以用于光学邻近校正应用。
图5是根据本公开的示例性实施例的训练机器学习模型以构建训练后的机器学习模型的示例流程。在图5中，提供训练数据700。在实施例中，能够通过使用诸如smo-mo、基于规则的opc方法等之类的光学邻近校正技术来产生或已经产生所述训练数据。期望地，所述训练数据是极其准确的、一致的且能够实现较大的过程窗口。在实施例中，训练数据700包括关于输入设计图案7000(例如来自全芯片图案的片段)的数据7000和关于相关联的输入设计图案7000的光学邻近校正的数据7005。在实施例中，所述数据可以是关于设计图案布局的一个或更多个特性和/或关于如上文所描述的光学邻近校正(例如辅助特征)的一个或更多个特性。在实施例中，数据7000和/或数据7005包括图像或图像的像素数据。在实施例中，数据7000包括所述设计图案的图像或图像的像素数据(如图5中所图示)。在实施例中，数据7005包括连续透射掩模(ctm)图(如图5中所图示，其中邻近于暗特征的浅灰色对应于诸如sraf之类的辅助特征)，其对应于通过使用诸如smo-mo或逆opc过程之类的光学邻近校正技术所产生的数据7000的设计图案中的每一个设计图案。如将了解，连续透射掩模图或其等效物能够针对反射性图案形成装置(诸如用于euv光刻术的反射掩模)产生，且出于方便起见将在本文中被称作连续透射掩模图。在实施例中，数据7000和数据7005的500或更多、1000或更多、1500或更多、2000或更多、2500或更多、5000或更多、10,000或更多、100,000或更多、1,000,000或更多组合被提供作为训练数据。在实施例中，对应于数据7000与数据7005的组合的图案是来自全芯片图案的样本。在实施例中，所述样本是关键图案，例如，已知具有高于不会正确形成的平均概率的图案。在实施例中，所述图案能够被用户(例如被芯片制造商)识别为代表。在实施例中，图案识别技术能够用于识别全芯片中的图案且识别图案在全芯片中的出现以便选择每一重复出现和跨越非重复出现的采样中的至少一个。在实施例中，机器学习技术能够用于识别相似图案的多个簇和来自多个簇中的至少每一个簇的样本。
在训练过程s701中，利用数据7005评估数据7000中的每一个以渐进地训练所述机器学习模型，使得训练后的机器学习模型在与新的或之前所使用的数据7000—起输入时能够准确地预测与输入数据对应的光学邻近校正(例如辅助特征的放置)。即，在实施例中，如果输入数据7000，则训练后的机器学习模型能够产生与数据7005相似的数据。
所述机器学习模型的训练可以使用单一的训练样本、若干不同的训练样本或所有可获得的样本，且基于目标函数以迭代的方式更新该模型的参数。在实施例中，使用数据7000和数据7500进行训练将通常涉及目标函数的评估，诸如最小化一个或更多个成本函数，这将在本公开中进一步详细论述。例如，在训练过程的第一实例中，将关于第一设计图案的第一数据7001输入至所述机器学习模型，该模型能够创建与第一设计图案对应的光学邻近校正数据的预测。然而，那个被预测的数据可能实质上不同于对应的第一数据7006，所述第一数据被视为基准或是极其准确的(例如“真实”)。在这种情况下，相对于所述基准执行对于所述预测的评估的目标函数能够用于对准所述机器学习模型的一个或更多个参数(例如改变该模型的一个或更多个公式中的一个或更多个系数，改变该模型的一个或更多个公式中的一个或更多个项的一个或更多个幂，添加或移除一个或更多个公式，添加或移除所述模型的一个或更多个公式中的一个或更多个项等)以使得所述机器学习模型能够进行较佳预测。例如，用于最小化在所述数据7001与对应的数据7006之间的差的所述机器学习模型的损失/成本函数能够用于调谐所述机器学习模型。如将了解，在第二实例中，将关于第二设计图案的第二数据7002输入至修改后的机器学习模型的训练过程，该模型能够预测与第二设计图案对应的光学邻近校正数据。所述预测也可能不同于对应的第二基准数据7007。再次，能够使用所述目标函数(例如基于对所述预测与基准数据7006之间的差的评估)来调整所述机器学习模型的参数。机器学习模型参数的评估和调整能够继续进行，直到训练后的机器学习模型(即，被渐进地修改的机器学习模型)针对输入数据产生光学邻近校正预测为止，该输入数据对应于给定设计图案并且与那个给定设计图案的光学邻近校正的实际或预期基准数据相同或实质上相同。因此，在实施例中，所述目标函数可能涉及回归类型分析且所述机器学习模型配置可能涉及使用回归技术来追踪模型的参数至数据。
在实施例中，机器学习训练在像素基础上进行操作。即，在实施例中，数据7000包括关于图像的像素的像素化图像或数据，且相似地，数据7005包括关于图像的像素的像素化图像或数据。并且因此，所述成本函数和训练评估了所述像素数据，使得所述机器学习模型从输入设计图案的像素数据针对光学邻近校正预测了像素数据。在实施例中，像素数据是指关于图像内的像素的值，其中所述值可以是强度、对比度、rbg值、图像内的部位、或其它与像素有关的相似信息。
一旦训练了所述机器学习模型，则训练后的机器学习模型能够用于针对任何设计图案预测光学邻近校正数据，如图6中所图示。在图6中，去往训练后的机器学习模型的输入数据80可以是关于一个或更多个设计图案的数据，诸如关于各相应设计图案的数据8001、8002和8003(如所图示)。根据本公开的示例性实施例，训练后的机器学习模型705产生被预测的光学邻近校正数据805，诸如分别对应于数据8001、8002及8003的数据8011、8012和8013。如将了解，光学邻近校正数据805能够用于各种目的，包括例如根据用于生产、测试等的光学邻近校正数据制造具有图案的掩模和/或根据光学邻近校正进一步处理图案(诸如施加另外的ret/opc技术，包括使用相同或不同机器学习模型进一步处理)。在实施例中，ml预测也能够用作其它严格优化器的初始条件以加速收敛。
图7是根据本公开的示例性实施例的训练机器学习模型和相关联的数据的示例。在图7中，诸如片段9001、9002、9003和9004之类的一个或更多个片段可以是来自全芯片图案9000的样本。在这些示例中，所述片段对应于接触孔布置。如可在全芯片图案9000中看出，可以存在数百万(如果非数十亿)个图案且因而表示对全芯片图案准确地、一致地且快速地执行光学邻近校正的重要问题。如上文所描述，所述样本能够基于例如有经验的芯片设计者的试探法、频率或光谱分析、基于机器学习的采样、或其组合。
在实施例中，样本片段9001至9004能够被再现至诸如被再现的片段9011、9012、9013和9014之类的处理后的输入数据9011、9012、9013和9014中。在实施例中，这种再现并非是必要的。此处，二元片段9001、9002、9003和9004变换成灰度片段9011、9012、9013和9014。用于再现的额外或替代可能方案能够包括施加于片段的初始ret，例如，施加smo、偏置所述片段中的一个或更多个特征，等等。
此外，所述训练过程获得对应于样本片段的光学邻近校正数据9021、9022、9023和9024，诸如ctm图9021至9024(如图7中所图示，其中邻近于暗特征的浅灰色对应于辅助特征，诸如sraf)，所述ctm图分别对应于样本片段9001至9004。数据9011至9014和对应的数据9021至9024接着用于训练所述机器学习模型705。
在实施例中，所述机器学习模型可具体针对于特定图案形成装置图案。换句话说，所述机器学习模型可以针对不同的图案形成装置图案被重新训练。在一些实施例中，一个被训练的机器学习模型可以用于具有相似的片段图案的若干不同的图案形成装置图案。
在实施例中，所述机器学习模型具体针对于用于所述图案形成装置图案的特定器件制造过程。例如，所述器件制造过程可以在某种所使用的照射类型、某种所使用的抗蚀剂、某些投影系统设定等方面加以配置。那些器件制造过程参数中的一个或更多个可用于产生“真实”数据，且因此所述机器学习模型可以具体针对于所述器件制造过程的特定配置。如将了解，产生“真实”数据可以涉及造成对过程参数中的一个或更多个过程参数的扰动的模拟，且因此所述机器学习模型可以扩展至器件制造过程的特定配置的变化。在实施例中，如果所述器件制造过程的特定配置在材料方面改变，则可能需要训练新的机器学习模型或可能需要重新训练之前相似的机器学习模型。
在图8中，示出了根据本公开的示例性实施例的设计图案的示例输入数据6000(在此情况下，如图8中所图示的设计图案的图像)，其能被输入至被训练的机器学习模型705以产生所预测到的光学邻近校正数据6005，在此情况下，具有所施加的raf的输入设计图案的所预测到的图(如图8中所示，sraf被描绘为邻近于暗特征的浅灰色)。替代地或另外，数据6000可以是用以训练所述机器学习模型的输入数据，且数据6005对应于用于数据6000的设计图案的基准数据。
现在，描述了关于用于所述机器学习模型的训练方法和用以改善机器学习模型品质的方法的另外技术。这些技术能够施加于本文中所描述的机器学习方法和流程中的任一个，且因此能用于创建新的模型或重新训练现有的模型。期望地，这些另外的技术实现产生能够提供准确且一致的光学邻近校正(例如辅助特征置放)预测的受高度训练的机器学习模型和/或针对例如全芯片施加以相对快速的速率实现。
图9a是根据本公开的示例性实施例的用于训练机器学习模型的方法的流程图。在这一方法中，补充了所述训练数据以实现例如光学邻近校正的被改善的准确度和一致性。由于基于参考栅格的模拟，参考栅格依赖性在包括光学邻近校正(例如辅助特征放置)的计算光刻中是重要的。这在上文例如关于图4a-图4e进行了描述。因此，鉴于栅格依赖性，期望提供多种技术以帮助降低栅格依赖性的效应和/或改善一致性。因此，现在描述一种方法，其实现训练数据增强以例如帮助改善一致性且降低栅格依赖性，因此以期望的方式改善所述机器学习模型的输出的过程窗口。
所述过程以关于设计图案的数据5000开始，将该数据5000作为用以训练所述机器学习模型的输入。在实施例中，在所述机器学习模型正被训练以放置辅助特征的情况下，所述设计图案是不包括辅助特征的目标设计图案或设计图案的一部分。在实施例中，可已对所述设计图案进行先前的opc。
在一系列过程中，所述设计图案5000变换成设计图案5000的被光学邻近校正的输入图像以用于训练所述机器学习模型。在过程s501中，通过移位所述设计图案或通过移位所述参考栅格来使所述设计图案5000相对于参考栅格在第一方向(例如x轴)上和/或在第二方向(例如y轴)上移位，例如如大致在图4c中所图示。在过程s501中，能使所述设计图案5000移位一次或更多次以产生一个或更多个移位的设计图案5001。例如，所述设计图案5000能在具有比像素的尺寸的大小更小的步长的一系列像素中在x和/或y方向上移位(例如小于或等于20nm的移位(其中像素的尺寸大于20nm)、小于或等于10nm的移位(其中像素的尺寸大于10nm)、小于或等于5nm的移位(其中像素的尺寸大于5nm)、小于或等于1nm的移位(其中像素的尺寸大于1nm))以产生移位的设计图案5001，其中每一图案相对于像素的参考栅格位于不同的子像处(在不同方向上)。例如，如果移位被视为在子像素之间的移位，则每一图案位于不同的子像素栅格上。因而，例如通过取决于像素的大小将像素划分成较小单元来获得子像素。例如，对于10nmx10nm的像素大小，能够形成10x10的子像素栅格，其中每一子像素大小为1nmxlnm。如此，能够产生移位的设计图案5001的10x10阵列。
在实施例中，执行在x方向和y方向两者上的移位。在实施例中，在x方向上的移位大小无需与在y方向上的移位大小相同。此外，移位大小的不同组合可用于在同一方向上的不同移位。例如，在x或y方向上的第一移位可以是1nm且在x或y方向上的第二移位可以是2nm。
在过程s503中，使用例如smo-mo、逆opc(iopc)或其它光学邻近技术利用光学邻近校正来处理移位的设计图案5001以产生被光学邻近校正的像5003。在实施例中，图像5003可以是从移位的设计图案5001中的每一个产生的ctm图。在实施例中，用以产生ctm图的技术基于边缘放置误差(epe)来确定光学邻近校正且涉及多次迭代直至收敛为止。因此，当处理时间可能相对较长时，ctm图可以是非常准确的。而且因此，其可能适用于使用片段的ctm图以用于训练机器学习模型，但并非如此期望通过使用例如smo-mo将ctm图用于全芯片opc。
在过程s505中，分析所述图像5003以确定并且选择具有高于平均过程窗口的一个或更多个图像5005。过程窗口能够使用所属领域中已知的技术和工具(诸如asml的tachyon(意即“超光速粒子”)方案和/或lmc产品)来确定，并且在通过引用并入本文中的文献中加以描述。高于平均过程窗口可以是图像5003的最佳过程窗口。高于平均过程窗口可以是最佳过程窗口的20％内的过程窗口。过程窗口的品质能够通过使用表示过程窗口的指标(例如，其内一个或更多个图案特征符合标准的两个或更多个过程参数下的区域)来评估。在实施例中，指标可以是其内一个或更多个图案特征符合标准的过程窗口的一个或更多个参数中的范围(例如用于剂量-聚焦过程窗口的聚焦范围)的大小。
在过程s507中，能够对所选定的图像5005执行一个或更多个定向操作以产生一个或更多个被定向的图像5007。例如，所选定的图像5005能够旋转(例如选自0至360°的、为45°或90°的倍数的角度)、翻转(例如成镜像)、或旋转且翻转两者以产生一个或更多个被定向的图像5007。在实施例中，定向操作的类型可基于用在所述光刻设备中的照射的形状的对称性。例如，对于环形照射，可以执行旋转和镜像操作两者。对于偶极形状照射，可以仅执行翻转操作。此外，定向操作的角度可取决于照射的对称性。例如，具有在x轴上对准的极点的偶极能够跨越x和/或y轴线翻转或成镜像。作为另一示例，具有在45°线上与x轴对准的极点的偶极可以跨越所述线、或垂直于所述线的伸展通过介于偶极的极点之间的中心部分的线而翻转或成镜像。
在过程s509中，被定向的图像5007能够以与在过程s501中所论述相似的方式在x和/或y方向上进一步移位以产生图像5009。在实施例中，将与在过程s501中所施加的相同的移位施加于图像5007以产生图像5009。
在另一系列过程中，设计图案5000自身变换成所述设计图案5000的输入图像，所述输入图像对应于用于在训练所述机器学习模型中使用的图像5009中的每一个。例如，5009中的每一图像在5012中具有对应的图像，其从相同的操作产生。例如，如果5009中的图像a通过90°的旋转和dx以及dy的移位产生，则对所述设计图案的原始输入图像施加相似的旋转和移位操作以形成图像b。在过程s511中，所述设计图案5000能够可选地被再现以产生被再现的设计图案5011。例如，被再现的设计图案5011可以是二元化的设计图案500的灰阶图像。在过程s512中，图案5000或图案5011能够类似于过程序s507翻转和/或旋转，且类似于过程s509在x和/或y方向上移位，以产生移位的输入设计图案5012。在实施例中，将与在过程s501中所施加的相同的移位施加于图案5000或图案5011以产生图案5012。在实施例中，将与在过程s512中所施加的相同的翻转和/或旋转施加于图案5000或图案5011以产生图案5012。
在过程s520中，图案5012和图像5009(例如其中图案5012中的每一个与图像5009中的每一个之间存在图像对)用于训练所述机器学习模型并产生被训练的机器学习模型5200。训练过程可以是迭代的，而且可以采用若干训练数据点以构建被训练的机器学习模型5200。如将了解，这些技术可以施加于各种设计图案以为不同的输入设计图案5000提供图案5012和图像5009的多个组合。在实施例中，如由虚线所示，图案5011和图像5003可以用于训练所述机器学习模型且产生被训练的机器学习模型5200。虽然以上论述专注于图案和图像，但被操控的数据和所得到的训练数据可以是更一般的数据，诸如图案5012中的一个或更多个特性和图像5009的一个或更多个特性。一旦利用这种数据来训练，被训练的机器学习模型5200接着能够用于从任何输入设计图案产生被预测的光学邻近校正(例如辅助特征放置)，如图6中所图示。
本文中所论述的机器学习模型训练过程涉及评估一个或更多个目标函数，例如，最小化在“真实”数据与被机器学习模型预测的数据之间的差的一个或更多个成本/损失函数。这种目标函数可基于一个或更多个某些指标(诸如两个数据集合之间的差的误差)的评估。
现将初步关于图9b论述这些其它评估指标中的一些。图9b是基于目标函数来更新所述机器学习模型参数的方法的流程图。其能够结合图9a的过程s520或作为过程s520的部分来实施。该过程序通过获得诸如设计图案5000之类的设计图案开始。在过程s541中，所述机器学习模型针对设计图案5000(或例如图案5011或5012)产生被预测的光学邻近校正数据5041。在实施例中，被预测的数据5041包括例如表示光学邻近校正(例如辅助特征的放置)的被预测的ctm图或其它图像。
在过程s551中，获得了用于所述设计图案5000的基准数据5051(例如使用例如smo-mo或iopc技术产生)。例如，这一数据可以是例如图案5003或5009或图5中的数据7005或图7中的数据9021至9024。
在过程s543和/或过程s553中，被预测的数据5041和/或基准数据5051被进一步处理以分别产生被修改的被预测的数据5043和/或被修改的基准数据5053。下文关于图10至图15进一步描述过程s543和/或过程s553的处理的一些示例。
在过程s520中，基准数据5051或被修改的基准数据5053(在以下段落中通常为基准数据)能够利用被预测的数据5041或经修改的被预测的数据5043(在以下段落中通常是被预测的数据)来评估而作为目标函数的部分，所述机器学习模型的参数能够通过该目标函数修改。例如，所述目标函数能够通过使用在基准数据5051或被修改的基准数据5053与被预测的数据5041或经修改的被预测的数据5043之间的差来评估。如将了解，基准数据5051可以利用被预测的数据5041来评估，或基准数据5051可以利用经修改的被预测的数据5043来评估，或经修改的基准数据5053可以利用被预测的数据5041来评估，或经修改的基准数据5053可以利用经修改的被预测的数据5043来评估，视需要利用指标、数据等来评估。在实施例中，可以对基准数据执行变换且对被预测的数据执行相同变换，且接着可以获得在被变换的基准数据与被相应地变换的被预测的数据之间的差。
在实施例中，均方误差(mse)或x度误差平均值(mxe)(其中x可以大于2)(例如4度误差意思是4次方的误差)指标可用于目标函数中，该目标函数将相等重要性(例如权重)指派给所有数据，例如，基准数据和被预测的数据的所有像素。如此，参考图10，图10(和图11)中图示了主要特征1005(例如接触孔)和辅助特征1008。在图10中，计算出在基准数据1000与被机器学习模型预测的数据1010之间的差，如由例如差1020所表示。在图10的这一示例中，如果在基准与被预测之间的差大于零，则亮斑(例如，具有值1或更大值的像素)出现在图像中；另一方面，当差是零时，暗斑(例如，具有0值的像素)出现在图像中。因此，mse或mxe指标可被用于计算出的差上，而且该mse或mxe指标可在成本或损失函数中进行评估，以便调整所述机器学习模型参数以最小化mse或mxe。例如，在图10的示例中，所述机器学习模型参数能够被修改成使得差值图像1020相较于如图10中所描绘的具有缩减量的亮斑，使得存在几乎完全暗的区。这将会指示在被预测的数据1010与基准数据1000之间的强匹配。如将进一步论述，额外的或替代的评估指标可以是有益的，并且与从mse或mxe相比，该额外的或替代的评估指标从被训练的模型产生更好的结果。
在实施例中，被预测的数据和基准5051的处理可以涉及将重要性(例如权重)指派给被预测的数据和/或基准数据中的与某一光学邻近校正相关联的数据，该重要性(例如权重)比指派给被预测的数据和/或基准数据中的其它数据的重要性(例如权重)更高。例如，较高权重可被指派给被预测的数据和/或基准数据中的某些被放置的辅助特征。
在实施例中，参考图11，所述目标函数能够评估被加权的误差指标(例如被加权的mse/mxe)，其中不同权重能够被指派给被预测的数据和/或基准数据中的不同数据(例如像素)。例如，相对较高的权重能够被指派给与某一光学邻近校正(例如辅助特征)区相关联的数据，即，该区是其中定位有较高被加权的光学邻近校正的区。在实施例中，那个区可以是最接近于主要特征的区，所述区至少涵盖最接近于主要特征的一个或更多个光学邻近校正(例如辅助特征)。在另一示例中，相对较高的权重能够被指派给光学邻近校正的边缘上的部分(例如像素)。例如，与散射条的内部相比(且可选地与所述设计图案的其它部分相比)，散射条的边缘可以被更高地加权，即赋予更高权重。在另一示例中，可以基于衰减函数来指派权重，其中权重随着与主要特征相距的距离増加而减小。因此，例如，更接近于主要特征的像素将会比更远离主要特征的像素具有更大的权重。
在图11中，在基准数据1100与被预测的数据1110之间的差产生差1120。在实施例中，基准数据1100(例如，使用过程s553)、被预测的数据1110(例如，使用过程s543)和/或差1120与根据(例如光学邻近校正的边缘的)图或映射、函数(例如，上文所描述的衰减函数)、数据集合(例如，设计图案的边缘或区的位置)等的权重1130组合。在图11的示例中，权重乘以差1120。此外，在图11的示例中，权重1130呈权重图的形式，其中权重图将较高的权重指派给接近于主要特征的像素(图像1130中的亮斑)且将较低(例如，逐渐减小)的权重指派给远离主要特征的像素，该主要特征被图示为从亮斑延伸的相对较暗的阴影。在图11的这一示例中，相较于其它区(包括具有另外光学邻近校正1008的区)，权重图1130利用某一光学邻近校正1009指派相对较高的权重。因此，在这一情况下，优先考虑某一光学邻近校正(例如辅助特征的环)1009而非一个或更多个其它光学邻近校正(例如，辅助特征的一个或更多个其它环)1008。
在实施例中，被预测的数据和基准数据的处理能够涉及使用诸如逻辑函数的二值化函数来变换呈图像或像素形式的被预测的数据和/或呈图像或像素形式的基准数据，且目标函数的指标使用经处理的被预测的和/或基准数据。在实施例中，二值化函数可以是经由函数变换将图像转换/变换成半二元(即，具有在0与1之间的值的像素)或二元图像(即，具有值0或1的像素)的任何函数，其中函数例如是逻辑函数。在实施例中，在将二值化函数施加于图像时，半二元的像素值可以非常接近于0或1(例如在小于极值0或1的10％内)。例如，非常接近于0的像素值可以是0、0.01、0.05等，且非常接近于1的值可以是0.9、0.95、1等。因此，本公开不仅限于二元图像。
在实施例中，逻辑函数可以具有以下形式：
其中l是曲线的最大值，k是曲线的倾斜度或陡度，且x0是阈值(例如，x的中点)。在实施例中，逻辑函数是s型函数(即，其中k＝l，x0＝0，l＝l)。
参考图12a，目标函数可以基于使用被预测的和/或基准数据的二值化版本的指标，所述二值化的版本使用逻辑函数来实现。即，在实施例中，诸如s型函数的逻辑函数用于通过使用被预测的和/或基准数据的灰阶图像转换成二进制图像(例如如适用的过程s543和/或过程s553)。例如，基准数据图像1200被转换为基准二元数据图像1202，且被预测的数据图像1210转换为二元的被预测的数据图像1212。
在这种二值化技术中，光学邻近校正(例如辅助特征)的部位比其强度更重要。换句话说，sraf图(例如1200或1210)充当用于在主要特征周围放置sraf多边形的引导。放置sraf多边形基于sraf图的形状(例如峰值)信息。因此，即使被ml预测的图(例如1210)与基准图(例如1200)相比具有较低强度，但形状信息是可获得的，相同sraf多边形(例如，如基准图中可获得的)能够放置在主要特征周围。
在实施例中，二值化可以是单步骤过程(例如施加方程式1)或两步骤过程(例如施加方程式1和基于另外阈值的二值化转换)。例如，在实施例中，为了实现二值化，阈值可以被指派给基于逻辑函数的变换的结果。例如，在s型函数的情况下，阈值可以大约大于.5，其指示在s型变换之后，所得到的图像具有大约大于0.5的值的像素被指派值1，否则该像素被指派值0。在使用逻辑函数的情况下，二值化的“1”能够被指派给其逻辑函数值大于x0处的逻辑函数值的那些输入值，且二值化的“0”能够被指派给其逻辑函数值小于x0处的逻辑值的那些输入值。
在实施例中，关于二值化成本，可以采用用以将灰阶图像转换成二元或半二元图像的不同方式。例如，使用固定的阈值，即，阶梯函数，以二值化灰阶图像。或使用s型函数以将灰阶图像转换为半二元图像。在实施例中，二值化可以是例如经由s型变换的一个步骤过程。
在实施例中，二元化能够与诸如mse、mxe、rms等的任何目标函数指标一起使用。在实施例中，二值化能够结合常规的mse/mxe成本函数使用，作为精调过程以进一步改善使用常规的mse/mxe成本函数训练的基线模型。
图12b图示使用被二值化的基准和被预测的数据的成本函数的结果。计算出在被二值化的基准数据1250与被二值化的被预测的数据1255之间的差。该结果是差1260，如所图示的。因此，基于使用被二值化的基准数据1250和被二值化的被预测的数据1255对目标函数的指标的评估，所述机器学习模型参数能够被修改。例如，在实施例中，使用诸如rms、mse或mxe的指标的成本或损失函数能够通过经由成本或损失函数的最小化过程对所述机器学习模型的一个或更多个参数进行调整来减少所述差1260。
在实施例中，被预测的数据和基准数据的处理可以涉及识别至少部分地构成基准和/或被预测的数据的图像数据中的一个或更多个光学邻近校正中的每一个的边缘。此外，在实施例中，被预测的和/或基准数据的一个或更多个被识别的边缘能够被指派比光学邻近校正的另一部分和/或设计图案的其它部分更高的重要性(例如权重)。
在实施例中，参考图13，目标函数能够使用根据本公开的边缘像素增强技术。在边缘像素增强技术中，识别一个或更多个主要特征和/或一个或更多个光学邻近校正的边缘像素，以便例如将原始图像1300有效地变换(例如使用过程s553和/或s543)成用于训练所述机器学习模型的被修改的图像1302。在边缘像素增强技术中，对于原始图像1300内的每个像素，如果像素相对于其四个相邻者(向上、向下、左侧、右侧)具有不同的正负号(相对于阈值，如果像素强度处于[0,1]中，则例如为至少0.5的数值)，则像素被视为边缘像素。在实施例中，边缘像素识别涉及相对于与各种邻近的方向相关联的像素来评估梯度。一旦识别出边缘像素，则施加于边缘像素的重要性可以不同于施加于所述图像的其它部分的重要性。例如，主要特征和/或光学邻近校正的边缘像素能够被施加高于其内部的权重。在实施例中，主要特征和/或光学邻近校正的边缘像素能够被施加高于所有其它部分的权重。被修改的图像1302和/或被加权的图像1302接着能够与目标函数的评估指标(例如，mse、mxe、rms等)一起使用作为对所述机器学习模型进行训练的部分。在实施例中，目标函数的空间评估仅仅基于边缘像素信息。在实施例中，边缘像素增强技术能够用作精调技术以进一步改善使用另一(例如，mse/mxe)成本函数而训练的基线模型。
在实施例中，被预测的数据和基准数据的处理能够涉及至少部分地构成基准和/或被预测的数据的图像数据中的一个或更多个主要特征和/或一个或更多个光学邻近校正的边缘点的增强。具有被増强的边缘点的图像数据接着能够用在评估机器学习模型训练方法的目标函数中。
在实施例中，参考图14，所述目标函数能够使用根据本公开的边缘点增强技术。在边缘点增强技术中，沿着来自基准图的一个或更多个主要特征和/或基准和/或被预测的数据的一个或更多个光学邻近校正的边缘来追踪(或提取)轮廓。在一实施例中，阈值可以用于追踪所述轮廓(例如，在0与1之间的诸如0.5的阈值的像素值)。所述轮廓追踪一个或更多个主要特征和/或一个或更多个光学邻近校正的边缘点。所述轮廓包括若干点(也被称作计量点(gaugepoint))，每一计量点具有一定强度值(例如在0与1之间)。这些边缘点充当ml训练过程中的计量器。在训练阶段中，ml模型预测图像，接着确定图像的计量点部位处的强度值。例如，内插方法可以用于确定计量部位处的强度值。接着，通过比较(被预测的图像的)被预测的强度值与真实值(即，阈值)来评估成本函数。
在一实施例中，边缘点增强技术涉及使用任何轮廓识别技术将基准和/或被预测的数据的图像(例如，灰阶图像)转换成一个或更多个主要特征和/或一个或更多个光学邻近校正的轮廓(例如，gdsii、oasis或其它格式)。例如，轮廓识别技术可以涉及识别边缘和施加阈值以识别轮廓(例如沿着垂直于边缘的线来评估灰阶值且伸展通过边缘以识别灰阶值超过某一阈值的位置以将其识别为轮廓部位)。在实施例中，所述轮廓识别技术能够评估沿着边缘的多个点处的梯度以获取轮廓。在实施例中，可以出于轮廓识别的目的将图像按比例扩大至更精细的像素栅格。在实施例中，图像可以具有二元像素，例如，使用如本文中所描述的技术获得的二值化的版本。在实施例中，从基准数据和预测数据的图像数据采集一个或更多个轮廓，且所述一个或更多个轮廓用于目标函数评估。
在识别一个或更多个轮廓的情况下，多个点(例如2个或多于2个、5个或多于5个、10个或多于10个、20个或多于20个、40个或多于40个、50个或多于50个、100个或多于100个，其可以是每轮廓如此或用于整个设计图案)可选自所述一个或更多个主要特征和/或所述一个或更多个光学邻近校正的所述一个或更多个轮廓，所述轮廓点将用于作为机器学习模型训练的部分的目标函数评估。即，将施行所述机器学习训练以在已知目标图像值等于阈值的那些轮廓点处很好地拟合所述机器学习模型(即，基准数据和被预测的数据应在轮廓上的那些部位处很好地匹配)。因而，通过集中于轮廓点的评估，将较高重要性赋予尤其光学邻近校正的边缘。例如，可以通过仅选择sraf边缘点/像素而将重点(较高重要性)放置于sraf上，可通过仅选择主要特征边缘点/像素而将重点(较高重要性)放置于主要特征上，或其组合。因此，在实施例中，目标函数的空间评估仅仅基于轮廓部位。现在，在适用的情况下，被选定的点中的一个或更多个可以离开图像的参考像素栅格(即，实际在子像素处)，因此局域内插函数或运算符能够用于通过使用来自图像的栅格数据来计算与那些一个或更多个被选定的点对应的图像值。接着，被选定的点处的图像值(不论是否通过内插来计算)可以用于机器学习模型的训练过程的目标函数的任何评估指标(例如mse、mxe等)。在实施例中，通过使用例如关于图11所描述的技术，一个或更多个光学邻近校正的被选择的边缘点可被另外指派比相关联的光学邻近校正的其它部分和/或设计图案的其它部分更高的权重。在实施例中，边缘点增强技术能够用作精调技术以进一步改善使用另一(例如，mse/mxe)成本函数而训练的基线模型。在实施例中，另一指标(例如，mse、mxe)(作为正则化)与基于边缘点的指标(例如，边缘点mse/mxe)组合成一个目标函数。
所述边缘点增强技术涉及追踪来自图像的特征(例如主要特征和sraf)的轮廓和使用轮廓点(即，沿着特征的轮廓的点)作为训练数据(或训练计量点)。例如，在图像1400中，追踪了特征的轮廓且轮廓点沿着轮廓叠加，如在图像1410(或1410的放大部分1410a)中所图示。
在实施例中，可以用边缘放置误差的方式使用来自基准和被预测的数据的轮廓作为用于产生数据以用于评估机器学习模型训练过程的指标的基础。即，在实施例中，能够在基准数据轮廓与被预测的数据轮廓之间确定边缘放置误差，该边缘放置误差能够用于目标函数的评估指标(例如mse、mxe)。图15图示了根据示例性实施例的用于对机器学习过程的目标函数进行评估的这种边缘放置误差的高度示意性的示例。在图15中，描绘了来自基准数据的图案1500的轮廓(在此情况下，出于方便起见，显示为矩形多边形，但可能是非常弯曲的)以及来自被预测的数据的图案1510的轮廓(通过机器学习模型确定)。在实施例中，图案1500和图案1510对应于光学邻近校正(例如辅助特征)。如所示出的，在图案1500和图案1510的边缘的某些部分处偏移例如距离dl和d2。在对目标函数的指标进行评估时(例如在最小化成本函数的mse/mxe指标时)，目标函数可以是距离dl和d2(以及其它边缘放置误差距离)，以通过调整一个或更多个机器学习模型参数而有效地减少偏移中的至少一个或更多个(如果不是消除所有偏移的话)。
在实施例中，所述机器学习模型的目标函数可以具有惩罚项以帮助通过机器学习模型改善预测的一致性和对称性。特别地，惩罚项(如d(f(i),s-1(f(s(i)))的形式)可以添加至目标函数(并作为目标函数的评估的一部分进行评估)以帮助改善一致性。在这一示例中，函数f对应于使用所述机器学习模型对输入图像i的预测。图像i通过移位函数s从图像i的初始位置移位以产生移位后的图像s(i)。移位的图像s(i)能够被输入至机器学习模型以产生被预测的移位的输入图像f(s(i))。被预测的移位的输入图像f(s(i))接着能够通过s的逆移位函数s-1而被反向移位(即，往回移位)，以产生逆移位的被预测的图像s-1(f(s(i)))，因此有效地将移位的图像移位回至初始位置。而且，输入图像i能够在不移位的情况下直接输入至机器学习模型以产生被预测的图像f(i)。接着，逆移位的被预测的图像s-1(f(s(i)))和被预测的图像f(i)能使用比较函数d来进行评估。例如，函数d可以是用以识别两个预测之间的距离(例如用以找出差)的距离函数。在实施例中，使得惩罚项d(f(i),s-1(f(s(i)))例如朝向零最小化，以帮助改善一致性和对称性。移位函数s用作示例，且不限制本发明的范围。在实施例中，也可以单独或组合地执行其它图像操作，诸如旋转、翻转等。因此，移位函数可以包括移位、旋转、翻转、其它操作或其组合。
在实施例中，本文中所描述的各种技术能够以任何适当的组合来组合且一个技术的一个或更多个方面能够并入至另一技术的一个或更多个方面中，或替代另一技术的所述一个或更多个方面。例如，特定目标函数可以合并有本文中所描述的指标的组合或使用技术的组合以产生用于评估所述目标函数的数据。或者，作为另一示例，多个目标函数能够用于合并有不同指标或使用由不同技术处理的数据以用于评估目标函数。
因此，根据本公开的所述机器学习模型的训练过程和相关联的目标函数技术可以具有一个或更多个优点。如上文所述，本文中所描述的技术中的一个或更多个能实现更一致性的预测，实现经改善的准确度和/或实现用于较大的图案的较快速光学邻近校正预测。另外或替代地，机器学习训练和使用可以有利地使用灰阶图像作为输入和/或输出。作为ml输入，灰阶表示可以在若给定相同的栅格分辨率的情况下包含比传统二元表示多得多的信息。例如，作为ml输出，对于给定栅格分辨率，用于训练机器学习模型的ctm图像能够比二元图案包括相对更多的信息。另外或替代地，当使用基于模型的光学邻近校正技术(诸如超光速粒子smo或逆opc(iopc))以产生基准数据时，可利用可产生强的(如果不是最佳)过程窗口的数据来优化所述机器学习模型。因而，受训练的机器学习模型将基于模型的光学邻近校正技术的过程窗口益处从片段水平面传播至更大的图案，诸如全芯片。因此，例如，使用本文中所描述的技术中的一个或更多个的受训练的机器学习模型能够利用相对较低的运行时间来实现全芯片光学邻近校正且提供相对良好的过程窗口。
此外，在实施例中，深度学习能够施加于光学邻近校正预测(例如sraf放置问题)。与传统机器学习技术相比，深度学习可以例如：1)不需要手动特征工程化，2)能够学习大量数据，和/或3)可以具有高的准确度。
在实施例中，本文中的技术可以顺畅地集成至诸如asml超光速粒子opc流程之类的全芯片opc流程中。例如，被预测的光学邻近校正图(例如，辅助特征图)可以用于对设计图案(例如，sraf提取)施加光学邻近校正且经受进一步opc。另外，用户定义的掩模约束可以施加于光学邻近校正的应用和/或可以在过程条件下进行印制检查(例如使用asml的lmc工具)。
在实施例中，本文中的机器学习技术可以扩展至opc中的其它应用，其中期望实现图像预测，例如，高级逆计算光刻引擎的初始化。
对于光学邻近校正预测，期望使用目标设计图案(其可以是片段或全芯片)以针对所述目标设计图案来预测(优化的)光学邻近校正预测。然而，存在用于机器学习输入和输出的许多不同选项。在实施例中，目标设计图案和光学邻近校正设计图案典型地可以呈gds(gdsii)、oasis或其它相似的格式用于例如制造目的，这意味着它们是二元的。对于机器学习过程，图像可以用于预测光学邻近校正的图像。因此，在实施例中，呈gds(gdsii)、oasis或其它相似的格式的二元目标设计图案被转换为像素化图像。在第一可能方案中，目标设计图案被转换为二元像素化图像。在另一可能方案中，目标设计图案被转换为灰阶像素化图像。如上文所述，能够期望选择后一选项——灰阶像素化图像。选择后一选项的原因包括，例如：1)对于相同的给定像素尺寸(图像分辨率)，由于取决于灰阶的数目的“连续”强度的额外自由度，则灰阶图像比二元图像具有多得多的信息。换句话说，为了保持与二元像素化图像相同量的信息，灰阶图像可以比二元像素化图像具有更大像素大小，且因而可加速计算；和/或2)先进掩模优化引擎(例如，sm0或iopc软件工具、这种asml的超光速粒子软件)可以直接针对给定目标设计图案提供ctm图像，所述ctm图像呈灰阶。
因此，在实施例中，对于机器学习输入图像，掩模模型可以用于将二元目标设计图案再现成灰阶目标设计图案图像。对于机器学习输出图像(包括用于机器学习的基准数据)，可以使用ctm图像，其可以通过使用用于机器学习模型训练的ctm产生软件程序来产生。
然而，可能存在用于机器学习模型输入图像的某些其它可能方案。例如，灰阶目标设计图案图像可以与一个或更多个光学核心(例如，一个或更多个tcc核心)进行卷积以产生一个或更多个额外信号图像。在实施例中，单一灰阶目标设计图案图像可以产生多于一个信号图像，因为一模型中可以存在多个光学核心(例如，tcc核心)。在实施例中，所有信号图像可以用于机器学习模型训练中，或可以使用一系列的一个或更多个信号图像。作为另一示例，基于模型的sgm软件引擎的输出图像可以用作机器学习输入图像。在大多数的情况下，这种图像比由掩模模型创建的灰阶目标设计图案图像更接近于ctm图像。
机器学习模型接着仅需要学习它们之间的差(或误差)，从而可以使任务较容易。因此，总而言之，对于机器学习输入，可以存在若干可能方案，包括1)灰阶目标设计图案图像，2)一个或更多个信号图像，和/或3)sgm。由于机器学习可以包括具有相同大小的几个图像作为一个输入，因此它们中的一者或其混合可以被选择作为用于机器学习的输入。
已经针对深度学习任务设计了若干神经网络结构。作为示例，对于图像识别任务，多个架构包括例如alexnet(参见例如a.krizhevsky等人，”imagenetclassificationwithdeepconvolutionalneuralnetworks”，advancesinneuralinformationprocessingsystems25(nips2012)，其通过引用全文并入本文)，googlenet(参见例如c.szegedy等人，“goingdeeperwithconvolutions”，2015年ieeeconferenceoncomputervisionandpatternrecognition(cvpr)，其通过引用全文并入本文)，vgg(参见例如k.simonyan等人，“verydeepconvolutionalnetworksforlarge-scaleimagerecognition”，internationalconferenceonlearningrepresentations(2015)，其通过引用全文并入本文)，和resnet(参见例如k.he等人，“deepresiduallearningforimagerecognition”，2016ieeeconferenceoncomputervisionandpatternrecognition，其通过引用全文并入本文)。那些设计中的每一者具有其自身直觉和强度。然而，这些未必直接适用于针对如本文中所描述的设计图案来预测光学邻近校正，因为光学邻近校正预测显著不同于传统的深度学习任务。例如，典型的图像分类问题具有固定的输入和输出大小，而对于光学邻近校正预测，期望处理具有不同大小的图像。作为另一示例，常常使用汇聚层(poolinglayer)(步幅大于1)来提供降维且改善局域不变性。然而，这趋向于不可用于光学邻近校正预测，因为输入和输出图像对通常具有相同的大小。因此，在实施例中，下文描述新的神经网络作为用于光学邻近校正预测的机器学习模型。
在这一神经网络的实施例中，提供了一个或更多个基本搭建块,且接着通过堆叠一个或更多个基本块的实例来构造出深度网络。对于一个或更多个基本块，存在若干选项。第一类型的基本块为所属领域中已知的卷积层。另一类型的基本块为起始块(inceptionblock)。起始块由步幅为1的最大一个汇聚层与具有不同滤波器大小的两个或更多个卷积层组成。图16中呈现示例起始块。在图16中，块1610至1650和1670表示卷积层(例如，1x1卷积1610、1620、1640、1670，3x3卷积1630和5x5卷积1650，但可以提供不同的布置)。而且，块1660表示一个汇聚层(例如3x3最大汇聚)，块1680表示级联或串联(例如来自层1610、1620、1650和1670的输出图像的级联或串联)，和块1600通常指先前层(诸如另一起始块)。另一类型的基本块是残差块。残差块具有两个卷积层和用以直接连接残差块的输入和输出的额外路径。图17中呈现残差块的示例。块1700和1710表示卷积层，其在此情况下通常可以是输入x的函数f。线1720表示用以直接连接残差块的输入和输出的额外路径。在这一示例中，该路径将输入连接至加法器以将值x与f(x)组合以产生f(x)＝f(x)+x。因此，为了创建深度神经网路，连接了这些基本块中的一个或更多个基本块的一个或更多个实例。在实施例中，一种类型的基本块可以用于整个神经网络。在实施例中，混合不同的基本块可以用于神经网络中。这些基本块的优点在于它们可以支持灵活的输入图像大小，因为基本上仅使用卷积和汇聚运算。最终的深度神经网络因此也支持灵活的输出图像大小。
图18图示使用示例受训练的机器学习模型1802(根据本公开的图5和图7的方法训练的ml模型705、5200的示例)产生的示例光学邻近校正1810。如图18中所示，设计目标或晶片目标布局1801(例如包括接触孔1803和1805)可以作为输入提供至卷积神经网络(cnn)1802(受训练的模型705、5200等的示例)，从而产生具有光学邻近校正的掩模图案1810(例如，曲线图案)，该光学邻近校正包括围绕与1805对应的特征和特征1805的辅助特征。cnn1802包括若干层，每一层具有唯一的权重，和/或使用如先前所论述的不同的目标函数(例如，rms、mse、mxe等)基于例如图5和图7的训练过程而确定的偏置。所述输入(即，晶片目标布局1801)是像素化图像，像素化图像中的每一像素可以根据贯穿每一层的卷积运算来修改以产生输出(即，在最后一层处具有光学邻近校正的掩模图案1810)。与例如常规的opc过程的迭代过程截然不同，掩模图案1810的这种产生是单一步骤的过程。
在实施例中，提供了一种方法，包括：获得包括对应于训练设计图案的在空间上移位版本的光学邻近校正的训练数据集合；和由硬件计算机系统使用关于所述训练设计图案的在空间上移位版本的数据以及基于针对所述训练设计图案的在空间上移位版本的光学邻近校正的数据来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。在实施例中，空间移位小于训练设计图案的像素栅格的尺寸的大小。在实施例中，所述方法包括：获得包括训练设计图案的多个以不同方式在空间上移位版本和针对训练设计图案的在空间上移位版本的对应的光学邻近校正的训练数据集合；以及使用关于训练设计图案的多个以不同方式在空间上移位版本和针对训练设计图案的在空间上移位版本的对应的光学邻近校正的数据来训练所述机器学习模型。在实施例中，所述方法还包括：从光学邻近校正的多个以不同方式在空间上移位版本中选择相比于训练数据集合内的所述光学邻近校正的其它剩余的一个或更多个版本表现出高于平均过程窗口的光学邻近校正中的至少一个；和使用基于光学邻近校正中的所选择的一个或更多个光学邻近校正的数据来训练所述机器学习模型。在实施例中，所述方法包括从光学邻近校正的多个以不同方式在空间上移位版本中选择表现出最佳过程窗口的光学邻近校正。在实施例中，所述方法还包括：对所选择的光学邻近校正执行一个或更多个旋转操作、翻转操作或两者以获得所选择的光学邻近校正的一个或更多个被重新定向的版本；和使用基于所选择的光学邻近校正中的一个或更多个被重新定向的版本和对应的一个或更多个被重新定向的训练设计图案的数据来训练所述机器学习模型。在实施例中，所述方法还包括：对所选择的光学邻近校正执行一个或更多个空间移位以获得所选择的光学邻近校正的一个或更多个以不同方式在空间上移位版本；和使用基于所选择的光学邻近校正的一个或更多个以不同方式在空间上移位版本、和训练设计图案的对应的一个或更多个以不同方式在空间上移位版本的数据来训练所述机器学习模型。在实施例中，针对多个不同的设计图案重复获得和训练。在实施例中，光学邻近校正包括围绕给定的设计图案的主要特征放置辅助特征和/或修改所述给定的设计图案的主要特征。在实施例中，光学邻近校正呈图像的形式且训练是基于所述图像或图像的像素数据。在实施例中，图像是从目标设计图案图像再现的灰阶图像，和/或亚分辨率辅助特征导引图(sgm)图，和/或通过将目标设计图案的图像与光学核心进行卷积而获得的信号图像，和/或目标设计图案的基于模型的sgm处理的输出图像的连续透射掩模。
在实施例中，提供了一种方法，包括：获得设计图案的一个或更多个在空间上移位版本和用于一个或更多个移位的设计图案中的每一个的光学邻近校正图像的对应的在空间上移位版本；由硬件计算机系统选择具有符合或超过阈值的过程窗口指标的一个或更多个移位的设计图案的一个或更多个光学邻近校正图像；和由所述硬件计算机系统使用包括关于所述设计图案的一个或更多个在空间上移位版本的数据和关于所选择的一个或更多个光学邻近校正图像的数据的训练数据来训练机器学习模型。
在实施例中，所述方法还包括：重新定向所选择的一个或更多个光学邻近校正图像以产生被重新定向的一个或更多个光学邻近校正图像；在空间上移位被重新定向的一个或更多个光学邻近校正图像以产生多个以不同方式移位的被重新定向的一个或更多个光学邻近校正图像；获得与多个以不同方式移位的被重新定向的一个或更多个光学邻近校正图像对应的设计图案的多个以不同方式移位版本；和使用包括关于多个以不同方式移位的被重新定向的一个或更多个光学邻近校正图像的数据和关于设计图案的多个以不同方式移位版本的数据的训练数据来训练所述机器学习模型。在实施例中，重新定向包括选自以下中的一个或更多个：翻转操作、旋转操作，和/或镜像操作，其中操作的类型基于光刻设备的照射形状。在实施例中，所述光学邻近校正图像是连续透射掩模图像。
在实施例中，提供了一种方法，包括：获得加权函数或数据以向设计图案的光学邻近校正的区指派与其另外的区不同的权重；和由硬件计算机系统，通过基于加权数据相对于所述设计图案的基准光学邻近校正评估所述设计图案的由所述机器学习模型预测的光学邻近校正，来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
在实施例中，将加权函数或数据施加于被预测的光学邻近校正、基准光学邻近校正、和/或在被预测的光学邻近校正与基准光学邻近校正之间的差。在实施例中，所述加权函数或数据向邻近所述设计图案的主要特征的区指派比所述区外部的区更高的权重。在实施例中，所述区涵盖用于主要特征的光学邻近校正但排除用于所述主要特征的另外的光学邻近校正。在实施例中，所述加权函数或数据向光学邻近校正的边缘指派比所述光学邻近校正的内部和/或所述设计图案的另一部分更高的权重。在实施例中，所述加权函数或数据包括配置成使所述权重根据与所述设计图案的主要特征相距的距离而衰减的加权函数。
在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正；由硬件计算机系统使用机器学习模型产生针对设计图案的被预测的光学邻近校正；由所述硬件计算机系统在被预测的光学邻近校正和/或基准光学邻近校正的一部分处指派相对高的权重；和由所述硬件计算机系统使用对加权后的被预测的光学邻近校正和/或基准光学邻近校正进行评估的目标函数来训练所述机器学习模型。
在实施例中，在所述光学邻近校正的边缘处指派相对高的权重。在实施例中，向针对所述设计图案的主要特征的第一光学邻近校正指派不同于针对所述主要特征的第二光学邻近校正的权重。
在实施例中，提供了一种方法，包括：由硬件计算机系统，将二值化函数施加于设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以产生其各自的二值化的版本；和由硬件计算机系统，通过基于被预测的光学邻近校正和/或基准光学邻近校正的二值化的版本相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估，来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
在实施例中，所述二值化函数是s型函数。
在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正图像；由硬件计算机系统使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正图像；由所述硬件计算机系统使用二值化函数将被预测的光学邻近校正图像和基准光学邻近校正图像变换成各自的二元图像；由所述硬件计算机系统相对于被预测的光学邻近校正图像的二元图像的数据来评估基准光学邻近校正图像的二元图像的数据；和由所述硬件计算机系统基于所述评估来调整所述机器学习模型的参数。
在实施例中，所述二值化函数是s型函数。
在实施例中，提供了一种方法，包括：由硬件计算机系统处理设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以识别光学邻近校正的边缘部位；和由硬件计算机系统，通过基于来自被识别的边缘部位的数据相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估，来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
在实施例中，被识别的边缘部位是被识别的边缘像素。在实施例中，被识别的边缘部位是针对所述光学邻近校正获取的轮廓上的部位。在实施例中，来自轮廓上的被识别的边缘部位的数据是通过内插来自所述设计图案的图像的像素栅格上的数据而获得的。在实施例中，所述方法还包括向所述光学邻近校正的被识别的边缘部位施加不同于所述光学邻近校正的其它部位的加权。在实施例中，相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估包括：确定在针对被预测的光学邻近校正和基准光学邻近校正的被识别的边缘部位之间的边缘放置误差值；和基于所述边缘放置误差值来训练所述机器学习模型。
在实施例中，提供了一种方法，包括：获得针对设计图案的基准光学邻近校正图像；由硬件计算机系统使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正图像；由所述硬件计算机系统，识别被预测的光学邻近校正图像和基准光学邻近校正图像内的特征的边缘部位；由所述硬件计算机系统，相对于被预测的光学邻近校正图像的被识别的边缘部位处的数据来评估所述基准光学邻近校正图像的被识别的边缘部位处的数据；和由所述硬件计算机系统基于所述评估来调整所述机器学习模型的参数。
在实施例中，所述识别包括将所述基准光学邻近校正图像和被预测的光学邻近校正图像的特征的轮廓追踪至边缘。
在实施例中，提供了一种方法，包括：获得输入设计图案的在空间上移位版本；和由硬件计算机系统，使用具有惩罚项的目标函数来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正，所述惩罚项涉及在对应于由所述机器学习模型相对于输入设计图案进行的预测的值与对应于由所述机器学习模型相对于被移位的输入设计图案进行的预测的逆移位版本的值之间的比较，其中所述逆移位是这样的空间移位：其与用于创建所述输入设计图案的在空间上移位版本的空间移位相逆。
在实施例中，所述比较包括距离函数。
在实施例中，所述空间移位涉及包括翻转和/或旋转的操作。
图19是图示可以辅助实施本文所公开的方法和流程的计算机系统100的框图。计算机系统100包括用于通信信息的总线102或其它通信机构，和与总线102耦合以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100还可以包括耦合至总线102以用于储存或供应待由处理器104执行的信息和指令的主存储器106，诸如随机存取存储器(ram)或其它动态储存装置。主存储器106可以用于在待由处理器104执行的指令的执行期间储存或供应暂时性变量或其它中间信息。计算机系统100还可以包括耦合至总线102以用于储存或供应用于处理器104的静态信息和指令的只读存储器(rom)108或其它静态储存装置。可以设置诸如磁盘或光盘的储存装置110，且可以将该储存装置耦合至总线102以用于储存或供应信息和指令。
计算机系统100可以经由总线102耦合至用于向计算机使用者显示信息的显示器112，诸如阴极射线管(crt)或平板显示器或触控面板显示器。包括字母数字键和其它键的输入装置114可以耦合至总线102以用于将信息和命令选择通信至处理器104。另一类型的使用者输入装置可以是光标控制器116(诸如鼠标、轨迹球或光标方向键)，用于将方向信息和命令选择通信至处理器104且用于控制显示器112上的光标移动。这种输入装置典型地在两个轴线(第一轴线(例如x)和第二轴线(例如y))上具有两个自由度，这允许所述装置指定平面中的位置。触摸面板(屏)显示器也可以用作输入装置。
根据实施例，本文描述的过程的部分可以由计算机系统100响应于处理器104执行包含在主存储器106中的一个或更多个指令的一个或更多个序列而被执行。这样的指令可以被从另一计算机可读介质(诸如储存装置110)读取到主存储器106中。包含在主存储器106中的指令的序列的执行使得处理器104执行本文描述的过程步骤。在多处理布置中的一个或更多个处理器可以被用于执行包含在主存储器106中的指令的序列。在可替代的实施例中，硬接线电路可以用于替代软件指令或与软件指令结合。因此，本文的描述不限于硬件电路和软件的任何特定的组合。
本文中使用的术语“计算机可读介质”是指参与向处理器104提供指令以供执行的任何介质。这样的介质可以采用很多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘，诸如储存装置110。易失性介质包括动态存储器，诸如主存储器106。传输介质包括同轴电缆、铜线和光纤，包括包含总线102的电线。传输介质还可以采用声波或光波的形式，诸如在射频(rf)和红外(ir)数据通信期间生成的声波或光波。常见形式的计算机可读介质包括例如软盘、柔性盘、硬盘、磁带、任何其他磁性介质、cd-rom、dvd、任何其他光学介质、穿孔卡、纸带、具有孔图案的任何其他物理介质、ram、prom和eprom、flash-eprom、任何其他存储器芯片或盒、如下文中所述的载波、或计算机可以从其进行读取的任何其它介质。
各种形式的计算机可读介质可以涉及将一个或更多个指令的一个或更多个序列传送到处理器104以供执行。例如，指令最初可以承载在远程计算机的磁盘或存储器上。远程计算机可以将指令加载到其动态存储器中，并且通过通信路径发送指令。计算机系统100可以接收来自该路径的数据并将该数据放置在总线102上。总线102将数据传送到主存储器106，处理器104从主存储器106检索并且执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后储存在储存装置110上。
计算机系统100可以包括耦合到总线102的通信接口118。通信接口118提供耦合到网络链路120的双向数据通信,所述网络链路连接到网络122。例如，通信接口118可以提供有线或无线数据通信连接。在任何这样的实施方式中，通信接口118发送和接收携带表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路120典型地通过一个或更多个网络提供到其它数据装置的数据通信。例如，网络链路120可以通过网络122提供到主计算机124或到由因特网服务提供商(isp)126操作的数据设备的连接。isp126又通过现在通常称为“因特网”128的全球分组数据通信网络提供数据通信服务。网络122和因特网128两者都使用携带数字数据流的电信号、电磁信号或光信号。通过各种网络的信号和在网络链路120上并且通过通信接口118的信号(其将数字数据传送到计算机系统100和从计算机系统100传送数字数据)是输送信息的载波的示例性形式。
计算机系统100可以通过网络、网络链路120和通信接口118发送消息和接收数据，其包括程序代码。在因特网示例中，服务器130可以通过因特网128、isp126、网络122和通信接口118传输用于应用程序的所请求的代码。例如，一个这样的下载的应用可以提供实施本文中的方法的代码。所接收的代码可以在被接收时由处理器104执行，或储存在储存装置110或其它非易失性储存器中以供稍后执行。以这种方式，计算机系统100可以获取呈载波的形式的应用代码。
图20示意性地描绘了一种示例性的光刻投影设备。所述设备包括：
-照射系统il，用于调节辐射束b。在这种特定情况下，照射系统还包括辐射源so；
-第一物体台(例如掩模台)mt，具有用于保持图案形成装置ma(例如，掩模版)的图案形成装置保持器并连接到用于相对于项ps来准确地定位图案形成装置的第一定位器pm；
-第二物体台(衬底台)wt，具有用于保持衬底w(例如涂覆有抗蚀剂的硅晶片)的衬底保持器并连接到用于相对于项ps来准确地定位衬底的第二定位器pw；
-投影系统ps(例如，折射、反射或反射折射光学系统)，用于将图案形成装置ma的被照射的部分成像到衬底w的目标部分c(例如包括一个或更多个管芯)上。
如本公开所描绘的，所述设备属于透射型(即，具有透射式掩模)。然而，一般而言，它也可以属于反射型(例如，采用反射式掩模)。替代地，所述设备可以采用另一种类的图案形成装置以作为使用经典掩模的替代；示例包括可编程反射镜阵列或lcd矩阵。
源so(例如汞灯或准分子激光器)产生辐射束。这个束直接地或在已穿越诸如扩束器的调节装置之后馈送至照射系统(照射器)il中。照射器il可以包括调整器ad，配置成设定束中的强度分布的外部径向范围或内部径向范围(通常分别被称作σ-外部和σ-内部)。另外，照射器il通常会包括各种其它部件，诸如积光器in和聚光器co。这样，照射于图案形成装置ma上的束b在其横截面中具有期望的均匀性和强度分布。
关于图20，应注意，虽然源so可以在光刻投影设备的外壳内(例如，这经常是当源so为汞灯时的情况)，但它也可以远离光刻投影设备，它所产生的辐射束被引导到该设备中(例如，借助于适当的定向反射镜bd)；后一情形经常是当源so为准分子激光器(例如，基于krf、arf或f2激光作用)时的情况。
束b随后截断于被保持于图案形成装置台mt上的图案形成装置ma。在已穿越图案形成装置ma的情况下，束b穿过投影系统ps，该投影系统ps将束b聚焦到衬底w的目标部分c上。借助于第二定位器pw(和干涉仪if)，可以准确地移动衬底台wt，例如以使不同的目标部分c定位于束b的路径中。类似地，第一定位器pm可以用于例如在从图案形成装置库机械地获取图案形成装置ma之后或在扫描期间相对于束b的路径来准确地定位图案形成装置ma。通常，将借助于未在图20中明确地描绘的长行程模块(粗定位)和短行程模块(精定位)来实现物体台mt、wt的移动。
可以通过使用图案形成装置对准标记m1、m2和衬底对准标记pl、p2来对准图案形成装置(例如，掩模)ma和衬底w。尽管所图示的衬底对准标记占据了专用目标部分，但是它们可以位于多个目标部分之间的空间(这些公知为划线对准标记)中。类似地，在将多于一个的管芯设置在图案形成装置(例如，掩模)ma上的情况下，图案形成装置对准标记可以位于所述管芯之间。在期望小的对准标识尽可能小并且不需要与相邻特征不同的成像或过程条件的情况下，在器件特征之中，小的对准标识也可以被包括在管芯内。
图21示意性地描绘了另一种示例性的光刻投影设备1000。所述光刻投影设备1000包括：
-源收集器模块so；
-照射系统(照射器)il，配置成调节辐射束b(例如euv辐射)；
-支撑结构(例如掩模台)mt，构造成支撑图案形成装置(例如掩模或掩模版)ma，并与配置成准确地定位图案形成装置的第一定位器pm相连；
-衬底台(例如，晶片台)wt，构造成保持衬底(例如，涂覆有抗蚀剂的晶片)w并且连接到第二定位器pw，所述第二定位器pw配置成准确地定位衬底；和
-投影系统(例如反射式投影系统)ps，配置成将由图案形成装置ma赋予辐射束b的图案投影到衬底w的目标部分c(例如包括一个或更多个管芯)上。
如此处所描绘，所述设备1000是反射型的(例如采用反射式掩模)。应该注意的是，由于大多数材料在euv波长范围内具有吸收性，所以图案形成装置可以具有包括例如钼和硅的多叠层的多层反射器。在一个示例中，多叠层反射器具有钼和硅的40个层对。可以利用x射线光刻术来产生甚至更小的波长。由于大多数材料在euv和x射线波长下具有吸收性，所以图案形成装置形貌或拓扑(topography)上的图案化的吸收材料的薄片(例如，多层反射器的顶部上的tan吸收体)限定特征将印刷(正性抗蚀剂)或不印刷(负性抗蚀剂)的地方。
参照图21，所述照射器il接收从源收集器模块so发出的极紫外(euv)辐射束。用于产生euv辐射的方法包括但不必限于将材料转换为等离子体状态，该材料具有在euv范围内具有一个或更多个发射线的至少一种元素(例如氙、锂或锡)。在通常称为激光产生等离子体(“lpp”)的一种这样的方法中，等离子体可以通过用激光束照射燃料来产生，所述燃料诸如是具有线发射元素的材料的液滴、束流或簇。源收集器模块so可以是包括用于提供激发燃料的激光束的激光器(图21中未示出)的euv辐射系统的一部分。所得到的等离子体发射输出辐射，例如euv辐射，其通过使用设置在源收集器模块内的辐射收集器收集。激光器和源收集器模块可以是分立的实体，例如当使用co2激光器提供用于燃料激发的激光束时。
在这些情况下，不会将激光器看作是构成光刻设备的一部分，并且借助于包括例如合适的定向反射镜或扩束器的束传递系统，辐射束被从激光器传递到源收集器模块。在其它情况下，所述源可以是源收集器模块的组成部分，例如，当所述源是放电产生等离子体euv产生器(通常被称为dpp源)时。
所述照射器il可以包括配置成调整所述辐射束的角强度分布的调整器。一般而言，可以调整照射器的光瞳平面中的强度分布的至少外部径向范围或内部径向范围(通常分别被称为σ-外部和σ-内部)。此外，所述照射器il可以包括各种其它部件，诸如琢面场反射镜装置和光瞳反射镜装置。所述照射器可以用于调节所述辐射束，以在其横截面中具有所期望的均匀性和强度分布。
所述辐射束b入射到保持在支撑结构(例如，掩模台)mt上的所述图案形成装置(例如，掩模)ma上，并且通过所述图案形成装置来形成图案。已经被图案形成装置(例如，掩模)ma反射后，所述辐射束b穿过投影系统ps，所述投影系统将辐射束聚焦到所述衬底w的目标部分c上。借助于第二定位装器pw和位置传感器ps2(例如，干涉仪器件、线性编码器或电容传感器)，可以准确地移动所述衬底台wt，例如以便将不同的目标部分c定位于所述辐射束b的路径中。类似地，可以将所述第一定位器pm和另一个位置传感器ps1用于相对于所述辐射束b的路径准确地定位图案形成装置(例如，掩模)ma。可以使用图案形成装置对准标记m1、m2和衬底对准标记p1、p2来对准图案形成装置(例如，掩模)ma和衬底w。
所描绘出的设备可以用于下列模式中的至少一种：
1.在步进模式中，在将支撑结构(例如掩模台)mt和衬底台wt保持为基本静止的同时，将赋予所述辐射束的整个图案一次投影到目标部分c上(即，单一的静态曝光)。然后将所述衬底台wt沿x或y方向移动，使得可以对不同目标部分c曝光。
2.在扫描模式中，在沿着给定方向(所谓的“扫描方向”)对支撑结构(例如掩模台)mt和衬底台wt同步地进行扫描的同时，将赋予所述辐射束的图案投影到目标部分c上(即，单一的动态曝光)。衬底台wt相对于支撑结构(例如掩模台)mt的速度和方向可以通过所述投影系统ps的(缩小)放大率和图像反转特性来确定。
3.在另一模式中，将用于保持可编程图案形成装置的支撑结构(例如掩模台)mt保持为基本静止，并且在对所述衬底台wt进行移动或扫描的同时，将赋予所述辐射束的图案投影到目标部分c上。在这种模式中，通常采用脉冲辐射源，并且在所述衬底台wt的每一次移动之后、或在扫描期间的连续辐射脉冲之间，根据需要更新所述可编程图案形成装置。这种操作模式可以易于应用于利用可编程图案形成装置(诸如，上文所提及类型的可编程反射镜阵列)的无掩模光刻术中。
此外，光刻设备可以属于如下类型，所述类型具有两个或更多个台(例如，两个或更多个衬底台、两个或更多个图案形成装置台、或衬底台和没有衬底的台)。在这种“多平台”装置中，可以并行地使用附加的台，或可以在一个或更多个台上执行预备步骤的同时，将一个或更多个其它台用于曝光。
图22更详细地示出设备1000，包括源收集器模块so、照射系统il和投影系统ps。源收集器模块so被构造和布置成将真空环境维持在源收集器模块so的围封结构220中。发射euv辐射的等离子体210可以由放电产生等离子体源形成。euv辐射可以通过气体或蒸汽产生，例如氙气、锂蒸汽或锡蒸汽，其中产生极热的等离子体210以发射在电磁光谱的euv范围内的辐射。通过例如放电造成至少部分电离的等离子体而产生极热的等离子体210。为了有效产生辐射，可能需要例如分压为10pa的xe、li、sn蒸汽或任何其它适当的气体或蒸汽。在实施例中，提供被激发的锡(sn)的等离子体以产生euv辐射。
由热等离子体210发射的辐射经由定位于源腔室211中的开口中或后方的可选的气体阻挡件或污染物截留器230(在一些情况下，也被称作污染物阻挡件或箔片阱)而从源腔室211传递到收集器腔室212中。污染物截留器230可以包括通道结构。污染物截留器230也可以包括气体阻挡件，或气体阻挡件与通道结构的组合。如本领域中已知的，本文中进一步示出的污染物截留器或污染物阻挡件230至少包括通道结构。
收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器co。辐射收集器co具有上游辐射收集器侧251和下游辐射收集器侧252。穿越收集器co的辐射可以由光栅光谱滤光器240反射，然后沿着由点划线所指示的光轴‘o’而聚焦在虚源点if处。虚源点if通常被称作中间焦点，并且源收集器模块被布置成使得中间焦点if位于围封结构220中的开口221处或附近。虚源点if是发射辐射的等离子体210的图像。
随后，辐射穿越照射系统il，该照射系统il可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24，该琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成提供在图案形成装置ma处具有期望的角分布的辐射束21，以及在图案形成装置ma处具有期望的均匀性的辐射强度。在辐射束21在由支撑结构mt保持的图案形成装置ma处反射之后，形成被图案化的束26，并且通过投影系统ps将被图案化的束26经由反射元件28、30而成像到由衬底台wt保持的衬底w上。
在照射光学器件单元il和投影系统ps中通常可以存在比示出的元件更多的元件。取决于光刻设备的类型，可以可选地呈现光栅光谱滤光器240。此外，可以存在比图中示出的反射镜更多的反射镜，例如在投影系统ps中可以存在除了图22中示出的元件以外的1至6个附加的反射元件。
如图22所示的收集器光学器件co被描绘为具有掠入射反射器253、254和255的巢状收集器，仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255设置成围绕光轴o呈轴对称的，并且这种类型的收集器光学器件co期望地与经常被称作dpp源的放电产生等离子体源组合使用。可替代地，源收集器模块so可以是lpp辐射系统的一部分。
本文使用的术语“投影系统”应该被广义地解释为包括任何类型的投影系统，包括折射光学系统、反射光学系统、反射折射光学系统、磁性光学系统、电磁光学系统和静电光学系统或其任意组合，例如对于所使用的曝光辐射或者对于诸如浸没液体的使用或真空的使用之类的其它因素所适合的。
本实施例还可以使用下列方面进行描述：
1.一种方法，包括：
获得训练数据集合，所述训练数据集合包括与训练设计图案的在空间上移位版本对应的光学邻近校正；和
由硬件计算机系统，使用关于所述训练设计图案的在空间上移位版本的数据和基于针对所述训练设计图案的在空间上移位版本的光学邻近校正的数据来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
2.根据方面1所述的方法，其中空间移位小于所述训练设计图案的图像的像素栅格的尺寸的大小。
3.根据方面1或方面2所述的方法，还包括：
获得包括所述训练设计图案的多个以不同方式在空间上移位版本和所述训练设计图案的以不同方式在空间上移位版本的对应的光学邻近校正的训练数据集合；和
使用关于所述训练设计图案的多个以不同方式在空间上移位版本和所述训练设计图案的以不同方式在空间上移位版本的对应的光学邻近校正的数据来训练所述机器学习模型。
4.根据方面3所述的方法，还包括：
从光学邻近校正的多个以不同方式在空间上移位版本中选择相比于所述训练数据集合内的所述光学邻近校正的其它剩余的一个或更多个版本表现出高于平均过程窗口的光学邻近校正中的至少一个；和
使用基于所述光学邻近校正中的所选择的一个或更多个光学邻近校正的数据来训练所述机器学习模型。
5.根据方面4所述的方法，包括从光学邻近校正的多个以不同方式在空间上移位版本中选择表现出最佳过程窗口的光学邻近校正。
6.根据方面4或方面5所述的方法，还包括：
对所选择的光学邻近校正执行一个或更多个旋转操作、翻转操作或两者，以获得所选择的光学邻近校正的一个或更多个被重新定向的版本；和
使用基于所选择的光学邻近校正中的一个或更多个被重新定向的版本和对应的一个或更多个被重新定向的训练设计图案的数据来训练所述机器学习模型。
7.根据方面4-6中任一项所述的方法，还包括：
对所选择的光学邻近校正执行一个或更多个空间移位，以获得所选择的光学邻近校正的一个或更多个以不同方式在空间上移位版本；和
使用基于所选择的光学邻近校正的一个或更多个以不同方式在空间上移位版本和所述训练设计图案的对应的一个或更多个以不同方式在空间上移位版本的数据来训练所述机器学习模型。
8.根据方面1-7中任一项所述的方法，其中，针对多个不同的设计图案重复进行获得和训练。
9.根据方面1-8中任一项所述的方法，其中，所述光学邻近校正包括围绕给定的设计图案的主要特征放置辅助特征和/或修改所述给定的设计图案的主要特征。
10.根据方面1-9中任一项所述的方法，其中，所述光学邻近校正呈图像的形式，且所述训练基于所述图像或图像的像素数据。
11.根据方面10所述的方法，其中，所述图像是
从目标设计图案图像再现的灰阶图像，和/或
亚分辨率辅助特征导引图(sgm)图，和/或
通过将所述目标设计图案的图像与光学核心进行卷积获得的信号图像，和/或
所述目标设计图案的基于模型的掩模优化处理的输出图像的连续透射掩模。
12.一种方法，包括：
获得设计图案的一个或更多个在空间上移位版本和针对一个或更多个移位的设计图案中的每一个的对应的光学邻近校正图像；
由硬件计算机系统，选择具有符合或超过阈值的过程窗口指标的一个或更多个移位的设计图案的一个或更多个光学邻近校正图像；和
由所述硬件计算机系统，使用包括关于所述设计图案的一个或更多个在空间上移位版本的数据和关于所选择的一个或更多个光学邻近校正图像的数据的训练数据来训练机器学习模型。
13.根据方面12所述的方法，其中，还包括：
重新定向所选择的一个或更多个光学邻近校正图像，以产生被重新定向的一个或更多个光学邻近校正图像；
在空间上移位被重新定向的一个或更多个光学邻近校正图像，以产生多个以不同方式移位的被重新定向的一个或更多个光学邻近校正图像；
获得对应于多个以不同方式移位的被重新定向的一个或更多个光学邻近校正图像的设计图案的多个以不同方式移位版本；和
使用包括关于多个以不同方式移位的被重新定向的一个或更多个光学邻近校正图像的数据和关于所述设计图案的多个以不同方式移位版本的数据的训练数据来训练所述机器学习模型。
14.根据方面13所述的方法，其中，重新定向包括选自以下中的一个或更多个：翻转操作、旋转操作，和/或镜像操作，其中操作的类型基于光刻设备的照射形状。
15.根据方面12-14中任一项所述的方法，其中，所述光学邻近校正图像是连续透射掩模图像。
16.一种方法，包括：
获得加权函数或数据以向设计图案的光学邻近校正的区指派与其另外的区不同的权重；和
由硬件计算机系统，通过基于加权数据相对于所述设计图案的基准光学邻近校正对设计图案的由机器学习模型预测的光学邻近校正进行评估来训练所述机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
17.根据方面16所述的方法，其中，将所述加权函数或数据施加于被预测的光学邻近校正、所述基准光学邻近校正、和/或在被预测的光学邻近校正与基准光学邻近校正之间的差。
18.根据方面16或方面17所述的方法，其中，所述加权函数或数据向邻近于所述设计图案的主要特征的区指派比所述区外部的区更高的权重。
19.根据方面18所述的方法，其中，所述区涵盖用于所述主要特征的光学邻近校正，但排除用于所述主要特征的另外的光学邻近校正。
20.根据方面16-19中任一项所述的方法，其中，所述加权函数或数据向光学邻近校正的边缘指派比所述光学邻近校正的内部和/或所述设计图案的另一部分更高的权重。
21.根据方面16-20中任一项所述的方法，其中，所述加权函数或数据包括配置成使所述权重作为根据与所述设计图案的主要特征相距的距离而衰减的加权函数。
22.一种方法，包括：
获得针对设计图案的基准光学邻近校正；
由硬件计算机系统，使用机器学习模型产生所述设计图案的被预测的光学邻近校正；
由所述硬件计算机系统，在被预测的光学邻近校正和/或基准光学邻近校正的一部分处指派相对高的权重；和
由所述硬件计算机系统，使用对加权后的被预测的光学邻近校正和/或基准光学邻近校正进行评估的目标函数来训练所述机器学习模型。
23.根据方面22所述的方法，其中，在所述光学邻近校正的边缘处指派相对高的权重。
24.根据方面22或方面23所述的方法，其中，向所述设计图案的主要特征的第一光学邻近校正指派不同于所述主要特征的第二光学邻近校正的权重。
25.一种方法，包括：
由硬件计算机系统，将二值化函数施加于设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以产生其各自的二值化的版本；和
由硬件计算机系统，通过基于被预测的光学邻近校正和/或基准光学邻近校正的二值化的版本相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
26.根据方面25所述的方法，其中，所述二值化函数是s型函数。
27.一种方法，包括：
获得针对设计图案的基准光学邻近校正图像；
由硬件计算机系统，使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正；
由所述硬件计算机系统，使用二值化函数将被预测的光学邻近校正图像和基准光学邻近校正图像变换成各自的二元图像；
由所述硬件计算机系统，相对于被预测的光学邻近校正图像的二元图像的数据来评估基准光学邻近校正图像的二元图像的数据；和
由所述硬件计算机系统基于所述评估来调整所述机器学习模型的参数。
28.根据方面27所述的方法，其中，所述二值化函数是s型函数。
29.一种方法，包括：
由硬件计算机系统处理设计图案的由机器学习模型预测的光学邻近校正和/或所述设计图案的基准光学邻近校正的图像数据，以识别光学邻近校正的边缘部位；和
由硬件计算机系统，通过基于来自被识别的边缘部位的数据相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正。
30.根据方面29所述的方法，其中，被识别的边缘部位是被识别的边缘像素。
31.根据方面29或方面20所述的方法，其中，被识别的边缘部位是针对所述光学邻近校正提取的轮廓上的部位。
32.根据方面31所述的方法，来自轮廓上的被识别的边缘部位的数据是通过内插来自所述光学邻近校正的图像的像素栅格上的数据而获得。
33.根据方面29-32中任一项所述的方法，还包括向所述光学邻近校正的被识别的边缘部位施加不同于所述光学邻近校正的其它部位的加权。
34.根据方面29-33中任一项所述的方法，其中，相对于所述基准光学邻近校正对被预测的光学邻近校正进行评估包括：确定在被预测的光学邻近校正和基准光学邻近校正的被识别的边缘部位之间的边缘放置误差值；和基于所述边缘放置误差值来训练所述机器学习模型。
35.一种方法，包括：
获得针对设计图案的基准光学邻近校正图像；
由硬件计算机系统，使用机器学习模型产生针对所述设计图案的被预测的光学邻近校正；
由所述硬件计算机系统，识别被预测的光学邻近校正图像和基准光学邻近校正图像内的特征的边缘部位；
由所述硬件计算机系统，相对于被预测的光学邻近校正图像的被识别的边缘部位处的数据来评估所述基准光学邻近校正图像的被识别的边缘部位处的数据；和
由所述硬件计算机系统基于所述评估来调整所述机器学习模型的参数。
36.根据方面35所述的方法，其中，所述识别包括将所述基准光学邻近校正图像和被预测的光学邻近校正图像的特征的轮廓追踪至边缘。
37.一种方法，包括：
获得输入设计图案的在空间上移位版本；和
由硬件计算机系统，通过使用具有惩罚项的目标函数来训练机器学习模型，所述机器学习模型配置成针对设计图案预测光学邻近校正，所述惩罚项涉及对应于由所述机器学习模型相对于输入设计图案进行的预测的值与对应于由所述机器学习模型相对于被移位的输入设计图案进行的预测的逆移位版本的值之间的比较，其中所述逆移位是这样的空间移位：其与用于创建所述输入设计图案的在空间上移位版本的空间移位相逆。
38.根据方面37所述的方法，其中，所述比较包括距离函数。
39.根据方面37-38中任一项所述的方法，其中，所述空间移位涉及包括翻转和/或旋转的操作。
40.一种方法，包括：
将设计图案输入至根据方面1-39中任一项训练的机器学习模型；
由硬件计算机系统和通过受训练的机器学习，计算针对所述设计图案的光学邻近校正的预测。
41.根据方面1-40中任一项所述的方法，其中所述机器学习模型包括由一个或更多个基本块的实例构成的神经网络，其中所述一个或更多个基本块包括卷积层、残差块和/或起始块。
42.根据方面41所述的方法，其中，所述起始块由步幅为1的最大一个汇聚层与具有不同滤波器大小的两个或更多个卷积层组成。
43.根据方面41或方面42所述的方法，其中，所述残差块具有两个卷积层和用以直接连接所述残差块的输入和输出的额外路径。
44.根据方面41-43中任一项所述的方法，其中，所述神经网络由仅选自以下的一个或更多个的实例构成：所述卷积层、所述残差块和/或所述起始块。
45.根据方面41-44中任一项所述的方法，其中，所述神经网络实质上仅涉及卷积运算和汇聚运算。
46.一种计算机程序产品，包括在其上记录指令的计算机可读介质，所述指令在由计算机执行时实施方面1-45中任一项所述的方法。
本文中所公开的构思可以适用于涉及光刻设备的任何器件制造过程，并且可以对能够产生具有越来越来小的大小的波长的新兴成像技术尤其有用。已经在使用中的新兴技术包括能够通过使用arf激光器来产生193nm波长且甚至能够通过使用氟激光器来产生157nm波长的深紫外线(duv)光刻术。此外，euv光刻术能够产生在5至20nm的范围内的波长。
虽然本文公开的构思可以用于在衬底(诸如硅晶片)上制造的器件，但是应当理解，所公开的构思可以与任意类型的光刻成像系统一起使用，例如用于在除了硅晶片之外的衬底上成像的光刻成像系统。
上文所提及的图案形成装置包括或能够形成设计布局。所述设计布局能够利用计算机辅助设计(cad)程序生成。这一过程常常称为电子设计自动化(eda)。大多数cad程序遵循一组预定的设计规则，以便产生功能设计布局/图案形成装置。这些规则通过处理和设计限制来设定。例如，设计规则限定电路器件(诸如栅极、电容器等)、或互连线之间的空间容许度，以便确保电路器件或线不以不被期望的方式彼此互相作用。设计规则限制典型地被称为“临界尺寸”(cd)。电路的临界尺寸可以被限定为线或孔的最小宽度，或者两条线或两个孔之间的最小空间。因此，cd决定了所设计的电路的整体尺寸和密度。当然，集成电路制造中的目标中的一个是在衬底上如实地再现原始电路设计(经由图案形成装置)。
如本文中所使用的术语“掩模”或“图案形成装置”可以被宽泛地解释为指可以用于将图案化的横截面赋予入射辐射束的通用图案形成装置，所述图案化的横截面对应于待在衬底的目标部分中产生的图案；术语“光阀”也可以用于这种情形中。除了经典掩模(透射式或反射式；二元式、相移式、混合式等)以外，其它此类图案形成装置的示例包括：
可编程反射镜阵列。这种装置的示例是具有黏弹性控制层和反射表面的矩阵可寻址表面。这种设备所依据的基本原理是(例如)反射表面的已寻址区域将入射辐射反射为衍射辐射，而未寻址区域将入射辐射反射为非衍射辐射。在使用适当的滤光器的情况下，可以从反射束滤除所述非衍射辐射，从而仅留下衍射辐射；这样，束根据矩阵可寻址表面的寻址图案而变成图案化的。可以使用适当的电子装置来执行所需的矩阵寻址。
可编程lcd阵列。
尽管本文已经具体参考了ic的制造，但是应明确理解，本文的描述具有许多其它可能的应用。例如，它可用于集成光学系统的制造、磁畴存储器的引导和检测图案液晶显示面板、薄膜磁头等。本领域技术人员将理解，在这种替代应用的情境中，本文中任何使用的术语“掩模版”、“晶片”或“管芯”可以被认为分别与更上位的术语“掩模”、“衬底”或“目标部分”互换。
因此，如所提及的，微光刻术是制造器件(诸如ic)中的重要步骤，其中，形成于衬底上的图案限定ic的功能元件，诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(mems)和其它器件。
在本文中，术语“辐射”和“束”被用于涵盖全部类型的电磁辐射，包括紫外辐射(例如具有365nm、248nm、193nm、157nm或126nm的波长)和极紫外辐射(euv，例如具有在5-20nm的范围内的波长)。
如本文中使用的术语“进行优化”和“优化”是指或意味着调整图案形成过程设备、图案形成过程的一个或更多个步骤等，使得那些图案化的结果和/或过程具有更为期望的特性，诸如衬底上的设计布局的转印的更高的准确度、更大的过程窗口等。因此，如本文中使用的术语“进行优化”和“优化”是指或意味着识别用于一个或更多个参数的一个或更多个值的过程，所述一个或更多个值与用于所述这些一个或更多个参数的一个或更多个值的初始集合相比提供到少一个相关指标的改善，例如局部最优化。“最优”和其它相关术语应该相应地进行解释。在实施例中，可以迭代地施加优化步骤，以提供一个或更多个指标的进一步改善。
在框图中,虽然所图示的部分被描绘为离散功能框，但实施例不限于本文中所描述的功能性如图所示地那样组织的系统。由部件中的每一个提供的功能性可以由软件或硬件模块提供，所述模块以与当前所描绘的方式不同的方式组织，例如可以掺和、结合、复写、解散、分配(例如，在数据中心内或者按地区)，或者以不同方式组织该软件或硬件。本文中描述的功能性可以由执行储存于有形的非暂时性机器可读介质上的代码的一台或更多台计算机的一个或更多个处理器提供。在一些情况下，第三方内容分发网络可以是在网络上传送的一些或全部信息的主机，在这种情况下，在一定程度上信息(例如，内容)被认为被供给或以其它方式提供，该信息可以通过发送指令从内容分发网络获取该信息而被提供。
除非另有特定陈述，否则根据本论述明白，应该理解的是，在整个说明书中，利用诸如“处理”、“用计算机计算(computing)”、“计算(calculating)”、“确定”等术语的讨论是指特定设备(诸如专用目的计算机或类似的专用目的电子处理/计算装置)的动作或过程。
读者应该明白的是，本申请描述了几个发明。没有将这些发明分开到多个独立的专利申请中，而是已将这些发明分组到单个文献中，这是由于其相关的主题可以在应用过程中适用于经济。然而，不应该合并这些发明的相异优点和方面。在一些情况下，虽然实施例解决本文中所提到的所有不足，但应该理解的是，所述发明是独立地有用的，并且一些实施例仅解决这些问题的子集或提供其它未提及的益处，这些益处对于查阅本公开的技术人员而言是清楚的。由于成本制约，当前可能不主张本文中公开的一些发明，并且可以在稍后的申请中(诸如接续申请或者通过修改本申请的权利要求书)主张这些发明。类似地，由于空间制约，本文中的“摘要”和“发明内容”部分都不应该视为包含所有这些发明的全面列举或这些发明的所有方面。
应该理解的是，说明书和附图不旨在将本公开限制为所公开的特定形式，而是相反，本发明覆盖落入由所附权利要求书所限定的本发明的精神和范围内的所有修改、等同物和替代方案。
鉴于本说明书，本领域技术人员将明白本发明的各个方面的修改和替代实施例。因此，本说明书和附图仅被解释为说明性的，并且是为了向本领域技术人员教导实施本发明的一般方式的目的。应该理解的是，本文示出和描述的本发明的形式将被视为实施例的示例。元件和材料可以被用于替代本文所图示和所述的那些元件和材料，部件和过程可以被颠倒或省略，并且某些特征可以独立使用，所有这些对于本领域技术人员在获得本说明书的益处之后将是清楚的。在不背离由所附权利要求书所述的本发明的精神和范围的情况下，可以对本文所述的元件作出改变。本文使用的标题仅用于组织目的，并不意味着用于限制说明书的范围。
如整个本申请中所使用的，词语“可以或可能”以可许可的含义(即，意味着有潜在可能)而不是强制性含义(即，意味着必须)来使用。词语“包括(“include”，“including”和“includes”)”等意味着包括但不限于。如整个本申请中所使用的，单数形式“一”、“一个”和“该”包括复数的表示，除非另外地有内容明确地说明。因此，例如，对“元件(anelement和aelement)”的提及包括两个或更多个元件的组合，尽管对于一个或更多个元件诸如“一个或更多个”使用了其它的术语和短语。术语“或”，除非另外说明，否则是非排他性的，即包含“和”和“或”。描述条件关系的术语，例如“响应于x，y”、“在x时，y”、“如果x，则y”、“当x时，y”等，包括因果关系，其中前提为必要的因果条件，前提为充分的因果条件，或前提是结果的促成因果条件，例如，“表述在条件y获得时状态x发生”对于“仅在y时x发生”和“在y和z时x发生”是上位的。“这样的条件关系并不限于立即在前提获得之后的结果，因为一些结果可能被延迟，并且在条件陈述中，前提与它们的结果相关联，例如前提与结果发生的可能性相关。其中多个属性或功能被映射到多个物体(例如，执行步骤a，b，c和d的一个或更多个处理器)的表述包含所有这些属性或功能被映射到所有这些物体和属性或功能的子集被映射到所述属性或功能的子集(例如，所有处理器每个执行步骤a-d，及其中处理器1执行步骤a、处理器2执行步骤b和步骤c的一部分、并且处理器3执行步骤c的一部分和步骤d的情况)，除非另外说明。此外，除非另外说明，否则一个值或动作“基于”另一个条件或值的陈述涵盖其中所述条件或值是唯一因素的实例以及其中所述条件或值是多个因素中的一个因素的实例两者。除非另外说明，某些集合的“每个”实例具有某个属性的陈述不应被读出排除较大集合中的一些其他相同或相似部件不具有该属性的情况，即，每个并不一定意味着每一个或任一个。
在以上描述中，流程图中的任何过程、描述或块应理解为表示代码的模块、区段或部分，其包括用于实施该过程中的特定的逻辑功能或步骤的一个或更多个可执行指令，且替代实施方式包括于本发明的示例性实施例的范围内，其中功能可依赖于所涉及的功能性不按照所示或论述的次序执行，包括实质上同时或以相反次序执行，如本领域技术人员将理解的那样。
虽然已经描述某些实施例，但这些实施例已经仅通过示例来呈现，且并不旨在限制本公开的范围。实际上，本文中所描述的新方法、设备和系统可以以多种其它形式实施；此外，在不背离本公开的精神的情况下，可以对本文中所描述的方法、设备和系统的形式进行各种省略、替代和改变。随附权利要求书及其等效物旨在涵盖将属于本公开的范围和精神内的这类形式或修改。例如，这一技术可以被构造为用于云端计算，由此经由网络在多个设备之中协作地共享且处理单个功能。
- 还没有人留言评论。精彩留言会获得点赞！