一种光刻工艺热点归类整合方法

本发明涉及光刻，尤其涉及一种光刻工艺热点归类整合方法。

背景技术：

1、版图光刻工艺热点检测是可制造性设计中的一项重要技术。通常使用光学模型、光阻模型、光学邻近修正程序以及光刻工艺热点检测规则组成套件对设计图形进行光刻友善行检查，产生工艺热点标记以及硅片模拟图形。其中，我们需要对设计图形先进行光学邻近修正，然后进行工艺窗口范围内的图形模拟，预测工艺窗口范围内的模拟图形大小，并对此进行规则检查，找到违反规则的设计位置。

2、图形特征是图像处理领域中的一个重要的应用，分为全局特征和局部特征。采用图像的局部特征代替整幅图像，能够大大降低原有图像中携带的信息，减少计算量。图像的特征可由特征描述子表示，即特征向量表示，可以通过两个图形的特征向量来判断两个图形之间的相似程度。

3、聚类分析是研究分类问题的一种统计分析方法也是数据挖掘的一个重要方法。当前有很多聚类算法被提出并用于各类型的数据集处理，其中k-means算法是一种基于划分的聚类算法。由于k-means算法具有实现简单，准确率高等特点，因此被广泛应用于解决各种领域的数据划分问题。聚类算法将待分析的数据集分为多个类，使得同一个类内的数据具有更高的相似性，不同类之间的数据具有更高的差异性。作为无监督学习方式，聚类算法产生的结果的优劣通常用聚类有效性指标来衡量或者评价。

4、现有的热点图形库热点图形数目多，热点图形匹配效率低，时间资源占用率高，一般通过光刻工艺热点图形的边界移动来判断热点图形的相似度，该方法局限性较大，运算时间较长且内存占用率较高，光刻工艺热点图形库归类整合的效果不佳。现有技术中的聚类有效性指标中存在适用的数据集类型范围狭窄的缺点，且现有技术中未讨论光刻工艺热点代表性图形的选取方法，对光刻热点归类整合过程的研究稍有欠缺。

技术实现思路

1、本发明目的在于针对现有技术的不足，提出一种光刻工艺热点归类整合方法。

2、本发明的目的是通过以下技术方案来实现的：一种刻工艺热点归类整合方法，该方法包括以下步骤：

3、s1、将图形库中每个光刻工艺热点截取对应的大小相同的图形区域，得到光刻热点图形；

4、s2、对截取的光刻热点图形提取局部特征，获得特征数据集；

5、s3、对特征数据集中局部特征进行聚类，输出归一化特征向量；

6、s4、将输出的特征向量输入到匹配网络：设置相似度阈值，对特征向量进行降维并归类分组，在每一组中按照相似度平均值进行排序，相似度平均值最大的特征向量所映射的图形作为该类代表性热点图形，存储到压缩热点图形库中并输出。

7、进一步地，所述s1中每个光刻工艺热点截取对应的图形区域为正方形，且每个截取的正方形边长相等。

8、进一步地，所述提取局部特征是通过sift算法实现。

9、进一步地，所述对局部特征进行聚类的聚类范围为大小相同的正方形区域。

10、进一步地，所述对局部特征进行聚类具体为：

11、s3.1、计算局部特征两两之间的欧氏距离，并根据欧氏距离的最大值和最小值确定欧氏距离阈值；

12、s3.2、统计与各数据点的欧几里得距离小于阈值的数据点个数，作为数据点的密度信息；

13、s3.3、选取密度信息最大的2个点作为初始中心点；

14、s3.4、根据初始中心点对数据集使用k-means聚类算法进行聚类；通过数据集的全局类内相似度和数据集的全局类间分离度计算聚类有效性指标；聚类有效性指标最佳时输出特征点数据集聚类结果。

15、进一步地，确定阈值ε的方法为ε＝(dmax+dmin)2/(2*cmax)，其中cmax为预先设定的数据集待聚类的聚类簇数上限，且cmax为不大于的正整数，p为所有光刻热点图形中局部特征最小值；dmax和dmin分别为局部特征点之间欧氏距离的最大值和最小值。

16、进一步地，所述聚类有效性指标的函数dcvi(k)为：

17、

18、其中p为所有光刻热点图形中局部特征最小值；k为数据集的总类数；com(k)含义为数据集的全局类内相似度,sep(k)含义为数据集的全局类间分离度，

19、聚类有效性指标函数值最小时的聚类结果为最佳聚类结果，最佳聚类数konc的确定方法为：

20、

21、聚类的有效性指标最佳时输出特征点数据集聚类结果。

22、进一步地，所述对输出的特征向量进行降维具体包括主成分分析法、线性判别分析、独立分量分析、多维尺度变换或随机森林方法。

23、进一步地，所述相似度平均值计算方式具体为：得到降维后的特征向量后，计算特征向量之间的欧氏距离，并设置相似度阈值，将满足阈值范围的特征向量归为一类；

24、根据以下公式将欧氏距离表示为相似度，范围为(0,1]，距离越小，相似度越大；

25、

26、所述dist(a,b)含义为n维空间中的两个向量a(a1,a2,...,an)和b(b1,b2,...,bn)之间的欧氏距离；

27、在得到归类分组后的特征向量后，计算每个特征向量与其他特征向量相似度的算数平均值，并进行排序，取特征向量相似度平均值最大的特征向量作为代表性特征向量，第i组的第j个特征向量相似度的算数平均值计算公式为：

28、

29、其中，η＝αi-1，αi为第i组的组类特征向量总数，η为除第j个特征向量外的第i组特征向量的数量，simωj为第i组中除j外的第ω个特征向量与第j个特征向量之间的相似度。

30、本发明的有益效果：

31、本发明提出了一种光刻工艺热点归类整合方法，通过提取热点图形局部特征，通过特征向量来判断图形之间的相似度，加快运算速度，减少内存占用，光刻工艺热点图形库归类整合的效果好。

32、本发明通过对聚类有效性指标函数进行修改，为了更加适配本发明中的光刻工艺热点聚类，对聚类有效性指标函数中数据集的全局类内相似度和全局类间分离度前的权重系数进行调整，平衡两个指标之间的重要性，得到更全面准确的聚类效果评估。

33、本发明通过计算相似度均值，将光刻工艺热点图形库中的相似图形归类整合为一个代表性图形，生成一个归类整合后的光刻工艺热点图形库，减少热点库中相似图形的数目，进一步优化热点图形匹配过程中的运行时间和内存占用。

34、本发明使用一种matchingnet匹配网络结构，该网络结构的输入是光刻工艺热点图形局部特征的特征向量，使用本发明提出的代表性特征图形选取规则减少相似图形的数目，输出是压缩后的热点图形库，进一步地提高光刻工艺热点匹配效率，减少内存占用。

技术特征：

1.一种光刻工艺热点归类整合方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种光刻工艺热点归类整合方法，其特征在于，所述s1中每个光刻工艺热点截取对应的图形区域为正方形。

3.根据权利要求1所述的一种光刻工艺热点归类整合方法，其特征在于，所述提取局部特征是通过sift算法实现。

4.根据权利要求2所述的一种光刻工艺热点归类整合方法，其特征在于，对特征数据集中局部特征进行聚类的聚类范围为大小相同的正方形区域。

5.根据权利要求1所述的一种光刻工艺热点归类整合方法，其特征在于，所述对特征数据集中局部特征进行聚类具体为：

6.根据权利要求5所述的一种光刻工艺热点归类整合方法，其特征在于，确定欧氏距离阈值ε的方法为ε＝(dmax+dmin)2/(2*cmax)，其中cmax为预先设定的特征数据集待聚类的聚类簇数上限，且cmax为不大于的正整数，p为所有光刻热点图形中局部特征最小值；dmax和dmin分别为局部特征数据点之间欧氏距离的最大值和最小值。

7.根据权利要求5所述的一种光刻工艺热点归类整合方法，其特征在于，所述聚类有效性指标的函数dcvi(k)为：

8.根据权利要求1所述的一种光刻工艺热点归类整合方法，其特征在于，对特征向量的降维方法包括主成分分析法、线性判别分析、独立分量分析、多维尺度变换或随机森林方法。

9.根据权利要求1所述的一种光刻工艺热点归类整合方法，其特征在于，所述相似度平均值计算方式具体为：得到降维后的特征向量后，计算特征向量之间的欧氏距离，并设置相似度阈值，将满足阈值范围的特征向量归为一类；

技术总结
本发明公开了一种光刻工艺热点归类整合方法，首先将图形库中每个光刻工艺热点截取对应的大小相同的图形区域，得到光刻热点图形；然后对截取的光刻热点图形提取局部特征，获得特征数据集；之后对特征数据集中局部特征进行聚类，输出归一化特征向量，最后对输出的特征向量进行降维并按照相似度平均值进行排序，选取相似度平均值最大的特征向量所映射的图形作为代表性热点图形存储到压缩热点图形库中。本发明通过提取热点图形局部特征，通过特征向量来判断图形之间的相似度，加快运算速度并减少内存占用，为了更加适配本发明中的光刻工艺热点聚类，对聚类有效性指标函数的权重系数进行调整，得到更全面准确的聚类效果评估。

技术研发人员：徐瑞,任堃,高大为
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/1/15