一种光学邻近校正模型的建模方法、装置、设备及介质与流程

本发明涉及半导体，特别是涉及一种光学邻近校正模型的建模方法、装置、设备及介质。

背景技术：

1、光学邻近校正（optical proximity correction，opc）模型在建模的过程中，需要将多组晶圆版图数据输入到建模程序中进行训练，通过在建模程序中设置代表拟合程度的成本函数，经过多次迭代计算，即可得到opc模型，进而可通过opc模型以替代光刻机进行模拟实验。由于晶圆版图数据的图形种类日益丰富，不同类别的晶圆版图数据的图形对应的拟合程度也不同，导致现有的opc模型的模拟精确度降低。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种光学邻近校正模型的建模方法，能够提升光学邻近校正模型的模拟精确度。

2、为实现上述目的及其他相关目的，本发明提供一种光学邻近校正模型的建模方法，包括：

3、获取晶圆版图数据集与初始光学邻近校正模型；

4、在所述初始光学邻近校正模型中设置期望成本；

5、将所述晶圆版图数据集输入到所述初始光学邻近校正模型进行优化训练，以生成中间光学邻近校正模型；以及

6、根据所述中间光学邻近校正模型内的期望成本与预设标准阈值的比较结果，以生成目标光学邻近校正模型。

7、在本发明一实施例中，所述晶圆版图数据集包括静态随机存储器图形数据集、两根线条图形数据集、二维图形数据集、粗细线条图形数据集及其他图形数据集。

8、在本发明一实施例中，所述在所述初始光学邻近校正模型中设置期望成本的步骤包括：

9、获取所述初始光学邻近校正模型的成本函数；

10、获取所述初始光学邻近校正模型中静态随机存储器图形集、两根线条图形集、二维图形集、粗细线条图形集的成本函数；

11、根据所述静态随机存储器图形集、所述两根线条图形集、所述二维图形集以及所述粗细线条图形集的成本函数，获取相应的图形期望成本；以及

12、根据所有的所述图形期望成本，获取期望成本。

13、在本发明一实施例中，所述初始光学邻近校正模型的成本函数rms_all，表示为，其中，wi表示为不同晶圆版图图形的关键尺寸的权重，cdi（模拟)表示为模拟晶圆版图图形的关键尺寸的测量值，cdi（测量)表示为实际晶圆版图图形的关键尺寸的测量值。

14、在本发明一实施例中，所述静态随机存储器图形集、所述两根线条图形集、所述二维图形集以及所述粗细线条图形集的成本函数分别表示为rms_sram、rms_2bar、rms_2d、rms_plp，所述静态随机存储器图形集、所述两根线条图形集、所述二维图形集、所述粗细线条图形集以及晶圆版图数据集的图形期望成本分别表示为sram_spec、2bar_spec、2d_spec、plp_spec、rms_all_spec，其中，0.5rms_sram<=sram_spec<=0.75rms_sram，

15、0.5rms_2bar<=2bar_spec<=0.75rms_2bar，0.5rms_2d<=2d_spec<=0.75rms_2d，0.5rms_plp<=plp_spec<=0.75rms_plp，rms_all_spec=rms_all。

16、在本发明一实施例中，所述期望成本cost_function，表示为：cost_function=0.8*rms_all/rms_all_spec+0.2*（rms_sram/sram_spec+rms_2bar/2bar_spec+rms_2d/2d_spec+rms_plp/plp_spec）。

17、在本发明一实施例中，所述根据所述中间光学邻近校正模型内的期望成本与预设标准阈值的比较结果，以生成目标光学邻近校正模型的步骤包括：

18、获取所述中间光学邻近校正模型的期望成本；

19、判断所述期望成本是否小于预设标准阈值；

20、若小于所述预设标准阈值，则表示所述中间光学邻近校正模型已优化完成，并得到优化完成的目标光学邻近校正模型；

21、若大于或等于所述预设标准阈值，则重复调整所述中间光学邻近校正模型中相应的图形期望成本的取值，并对其进行重复优化训练，直至生成的中间光学邻近校正模型的期望成本小于预设标准阈值为止，此时得到优化完成的目标光学邻近校正模型。

22、本发明还提供一种光学邻近校正模型的建模装置，包括：

23、获取模块，用于获取晶圆版图数据集与初始光学邻近校正模型；

24、设置模块，用于在所述初始光学邻近校正模型中设置期望成本；

25、训练模块，用于将所述晶圆版图数据集输入到所述初始光学邻近校正模型进行优化训练，以生成中间光学邻近校正模型；以及

26、生成模块，用于根据所述中间光学邻近校正模型内的期望成本与预设标准阈值的比较结果，以生成目标光学邻近校正模型。

27、本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现光学邻近校正模型的建模方法的步骤。

28、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现光学邻近校正模型的建模方法的步骤。

29、如上所述，本发明提供一种光学邻近校正模型的建模方法，针对初始光学邻近校正模型的建模过程，通过在初始光学邻近校正模型中设置期望成本，意想不到的效果是能够使得不同图形以及不同尺寸的拟合程度受图形期望成本的影响，进而使得不同图形的拟合程度在一定程度上可控，使训练后的目标光学邻近校正模型在关键尺寸上的预测准确性得到提升，能够有效提升目标光学邻近校正准确度，并且大幅度提升关键尺寸的准确度，进而保证产品良率。

技术特征：

1.一种光学邻近校正模型的建模方法，其特征在于，包括：

2.根据权利要求1所述的光学邻近校正模型的建模方法，其特征在于，所述晶圆版图数据集包括静态随机存储器图形数据集、两根线条图形数据集、二维图形数据集、粗细线条图形数据集及其他图形数据集。

3.根据权利要求1所述的光学邻近校正模型的建模方法，其特征在于，所述在所述初始光学邻近校正模型中设置期望成本的步骤包括：

4.根据权利要求3所述的光学邻近校正模型的建模方法，其特征在于，所述初始光学邻近校正模型的成本函数rms_all，表示为，其中，wi表示为不同晶圆版图图形的关键尺寸的权重，cdi（模拟)表示为模拟晶圆版图图形的关键尺寸的测量值，cdi（测量)表示为实际晶圆版图图形的关键尺寸的测量值。

5.根据权利要求3所述的光学邻近校正模型的建模方法，其特征在于，所述静态随机存储器图形集、所述两根线条图形集、所述二维图形集以及所述粗细线条图形集的成本函数分别表示为rms_sram、rms_2bar、rms_2d、rms_plp，所述静态随机存储器图形集、所述两根线条图形集、所述二维图形集、所述粗细线条图形集以及晶圆版图数据集的图形期望成本分别表示为sram_spec、2bar_spec、2d_spec、plp_spec、rms_all_spec，其中，0.5rms_sram<=sram_spec<=0.75rms_sram，0.5rms_2bar<=2bar_spec<=0.75rms_2bar，0.5rms_2d<=2d_spec<=0.75rms_2d，0.5rms_plp<=plp_spec<=0.75rms_plp，rms_all_spec=rms_all。

6.根据权利要求3所述的光学邻近校正模型的建模方法，其特征在于，所述期望成本cost_function，表示为：cost_function=0.8*rms_all/rms_all_spec+0.2*（rms_sram/sram_spec+rms_2bar/2bar_spec+rms_2d/2d_spec+rms_plp/plp_spec）。

7.根据权利要求1所述的光学邻近校正模型的建模方法，其特征在于，所述根据所述中间光学邻近校正模型内的期望成本与预设标准阈值的比较结果，以生成目标光学邻近校正模型的步骤包括：

8.一种光学邻近校正模型的建模装置，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的光学邻近校正模型的建模方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的光学邻近校正模型的建模方法的步骤。

技术总结
本发明提供一种光学邻近校正模型的建模方法、装置、设备及介质，包括：获取晶圆版图数据集与初始光学邻近校正模型；在所述初始光学邻近校正模型中设置期望成本；将所述晶圆版图数据集输入到所述初始光学邻近校正模型进行优化训练，以生成中间光学邻近校正模型；以及根据所述中间光学邻近校正模型内的期望成本与预设标准阈值的比较结果，以生成目标光学邻近校正模型。通过本发明公开的一种光学邻近校正模型的建模方法、装置、设备及介质，能够提升光学邻近校正模型的模拟精确度。

技术研发人员：王康,罗招龙
受保护的技术使用者：合肥晶合集成电路股份有限公司
技术研发日：
技术公布日：2024/1/13