一种掩模协同优化方法、计算机设备、可读存储介质及程序产品与流程

【】本发明涉及芯片设计领域，特别涉及一种掩模协同优化方法、计算机设备、可读存储介质及程序产品。

背景技术

0、
背景技术：

1、光学邻近效应修正(optical proximity correction，简称opc)是一种在光刻过程中使用的技术，旨在修正因掩模图形的缩小和光学衍射效应而导致的图形形状畸变和尺寸误差。通过在原始掩模图形上应用一系列微小的修正，可以改善图形的分辨率和几何形状，提高光刻过程的精度和可控性。

2、在opc优化过程中，首先将原始设计图形的边缘识别出来，并使每一条边可以自由移动。opc软件仿真出曝光后光刻图形边缘并和设计图形作对比，它们之间的差值称为边缘放置误差(edge placement error)，其为衡量修正质量的指标，其值越小意味着曝光后图形与设计图形越接近。在实际计算过程中，相邻边的epe都是彼此相关联的。一个边的移动必然导致邻近边的epe的变化，现有的opc技术并没有充分考虑其对掩模优化的影响。

3、在现有的opc技术中，包括局部掩模优化(local mask optimization，lmo)和全局掩模优化(global mask optimization，gmo)。全局掩模优化在整体图形保真度和光刻精度上具有优势，适用于高精度制造需求；局部掩模优化则能够灵活应对特定区域的优化需求，适用于复杂和高密度图形的局部修正。gmo的运算量远远超过lmo，故它的优势是优化结果更为精细可靠，而劣势是计算速度慢，需要较长的工艺处理时间。

技术实现思路

0、
技术实现要素：

1、为解决现有掩模优化中无法兼顾优化效率和优化精度的问题，本发明提供一种掩模协同优化方法，掩模协同优化方法包括以下步骤：

2、提供掩模图形，选择掩模图形中待优化的边作为目标边，将每一目标边和该目标边对应的邻近边划分为一组；

3、获取同一组内的目标边和邻近边之间的影响因子；

4、基于同一组内的目标边、邻近边及对应的影响因子构建雅可比矩阵；

5、求解雅可比矩阵得到目标边的偏移量，根据偏移量更新优化掩模图形。

6、优选地，提供原始设计图形，对原始设计图形进行局部掩模优化，得到掩模图形。

7、优选地，对掩模图形仿真得到光刻图形，将光刻图形和原始设计图形比较得到掩模图形的边的边缘放置误差；

8、根据边缘放置误差选择掩模图形中的边作为目标边。

9、优选地，在原始设计图形中设置评价点，根据光刻图形中与评价点位置对应的点，判断光刻图形和原始设计图形的差值。

10、优选地，设置雅可比矩阵迭代阈值，根据更新优化后掩模图形更新雅可比矩阵中的相关参数；

11、迭代求解雅可比矩阵得到目标边的偏移量，更新优化掩模图形，迭代次数达到雅可比矩阵迭代阈值时，输出优化后的掩模图形。

12、优选地，局部掩模优化和雅可比矩阵的求解都在cpu中进行。

13、优选地，选择多个目标边，并根据目标边构建相应的多个雅可比矩阵；对雅可比矩阵联合求解，得到目标边的偏移量，根据偏移量对掩模图形整体进行更新优化。

14、为解决上述技术问题本发明还提供一种计算机设备，包括储存器、处理器及存储在储存器上的计算机程序，处理器执行计算机程序以实现上述掩模协同优化方法的步骤。

15、为解决上述技术问题本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述掩模协同优化方法的步骤。

16、为解决上述技术问题本发明还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述掩模协同优化方法的步骤。

17、与现有技术相比，本发明的一种掩模协同优化方法、计算机设备、可读存储介质及程序产品具有以下优点：

18、1、本发明提供的掩模协同优化方法通过协同考虑目标边与其邻近边，将邻近边与目标边之间的相互影响加入到优化的计算过程中，从而提高掩模优化的精确度和效率，从而使得光刻图形与原始设计更加接近。

19、具体的，先通过识别待优化的边并将其与邻近边归为一组，利于系统性地考虑这些边之间的相互作用，少了优化过程中的遗漏，可以提高整体掩模图形的优化质量，先行完成分类也更方便后续的计算；获取目标边和邻近边之间的影响因子，即在掩模优化过程中，掩模图形中相邻的边的边缘放置误差都是彼此相关联的，一个边的移动必然导致相邻的边的边缘放置误差的变化，定义这种相应的变化程度为影响因子；影响因子这一特征量化了边与边之间的相互影响程度，为后续的雅可比矩阵构建提供了必要数据，使得优化过程能够更加精准地反映掩模图形间的物理关系；再将目标边、目标边的邻近边及对应的影响因子构建雅可比矩阵，求解雅可比矩阵得到目标边的偏移量；雅可比矩阵方法不仅简化了非线性问题的求解，而且能够精确地映射出目标边移动对光刻结果的影响，从而提高了优化的精确度；然后根据偏移量更新优化掩模图形。

20、综上所述，通过协同分析和优化目标边及其邻近边，利用了掩模图形内部的相互关联并将其量化为影响因子纳入到解雅可比矩阵的构建和计算中，避免了孤立优化可能带来的误差累积，提高了整体优化的系统性和精确度。雅可比矩阵的应用则实现了对掩模图形调整的数学精确计算，降低了优化过程中的试错成本，提升了掩模优化的效率和质量。

21、2、本发明提供的掩模协同优化方法中初始的掩模图形根据对原始设计图形进行局部掩模优化得到，通过局部掩模优化初步修正了原始设计图形，减少了大的几何误差，为后续的协同优化提供了更为准确的掩模图形基础，避免了在较大误差上进行细微调整，可以提高优化效率。

22、基于局部掩模优化的灵活性，可以选择原始设计图形中容易出现问题的区域，对该区域进行局部调整，将原本复杂的初始设计图形分解成更小的部分，并对每部分进行独立的优化，有助于解决整体图案中难以处理的细节问题。同时，本发明是在局部掩模优化的基础上对掩模图形进一步优化，通过在掩模图形选择目标边和邻近边并考虑它们相互之间的影响，对其进行协同优化，这都是在原有的技术框架中的可以获得的特征和信息，并没有引入有关光学邻近效应修正技术的其他产品或方法，本发明是在原有的局部掩模优化基础上，通过技术手段对其进行拓展和优化，使得本发明能够得到更加精确和高效的优化结果；此外，本方法在局部掩模优化的基础上即可实现，因此也能够保留局部掩模优化运算量更小、优化对象更加精确的优点，从而本方法可以在仅使用cpu硬件的设备中运行，对使用环境的要求更低。

23、综上所述，本发明通过对局部掩模优化得到的掩模图形，进一步选择目标边和邻近边协同优化，通过局部掩模优化可以灵活选择优化区域，提升掩模优化的准确性并降低运算量；在此基础上对掩模图形的协同优化随之也更加高效且精确，同时由于运算量足够少使得本发明对使用环境的要求也更低，提升了本发明的适用性。

24、3、本发明提供的掩模协同优化方法通过获取掩模图形的边缘放置误差，根据边缘放置误差选择掩模图形中的边作为目标边，边缘放置误差越大的边代表其在光刻图形中与预设的位置偏差越大，针对边缘放置误差较大的边进行优化，可以进一步提升掩模优化的准确性和效率。边缘放置误差(epe)是衡量掩模图形在光刻过程中变形程度的一个重要指标，依据epe选择目标边，意味着优化是基于实际效果反馈的，能够更精确地定位需要调整的掩模边，从而在后续的雅可比矩阵求解和掩模图形更新中，直接针对这些误差大的边缘进行调整，提高优化的精确性；也即根据边缘放置误差来选取优化目标，能够确保优化工作直接聚焦于最需要修正的地方，避免了无差别优化导致的资源浪费。

25、对初始的掩模图形进行光刻仿真即可得到光刻图形，将光刻图形和原始设计图形对比得到掩模优化中掩模图形表现较差的区域，选取该区域中边缘放置误差较大的边作为待优化的目标边，可以对掩模图形进行精准优化，在平衡掩模优化的运算量和优化效果的情况下，实现维持一个较低运算量且对掩模图形的优化更加准确和精细。

26、4、本发明提供的掩模协同优化方法通过在原始设计图形中设置评价点，根据光刻图形中与评价点位置对应的点，判断光刻图形和原始设计图形的差值。评价点的设置提供了一种量化的评估标准，使得掩模优化不再仅凭主观判断，而是有了具体的数值指标。通过比较光刻图形与原始设计在这些特定点上的差异，可以准确地量化出边缘放置误差(epe)。

27、5、本发明提供的掩模协同优化方法通过设置雅可比矩阵迭代阈值，迭代求解雅可比矩阵，不断更新优化掩模图形直到达到迭代阈值。迭代求解雅可比矩阵是一个逐步逼近最优解的过程，但过多迭代会增加计算负担。通过迭代阈值的设定，可以在保证优化质量的前提下限制计算量，通过设定迭代阈值，可以有效地控制优化过程的深度和精度。迭代阈值作为停止条件，确保算法不会无休止运行，同时保证了优化结果达到一定的精度标准。这种控制机制使得优化过程既不过度也不欠优化，达到一个平衡点。

28、6、本发明提供的掩模协同优化方法根据更新优化后的掩模图形光刻仿真得到光刻图形，基于该光刻图形得到新的边缘放置误差；同时设置误差阈值，当边缘放置误差小于误差阈值时，输出该更新优化后后的掩模图形。通过误差阈值的设定，可以保证优化后的掩模图形的边缘放置误差达到目标值，使得边缘放置误差被优化到足够小的程度，确保掩模图形的精度满足预设的使用要求，提高了掩模优化的优化效果；同时本方法可以根据预设不同的误差阈值得到相应不同优化精度的掩模图形，针对不同芯片不同的精度设计要求，可以选择最适合的误差阈值以同时满足精度要求和优化效率。

29、7、本发明提供的掩模协同优化方法通过在掩模图形中选择选择多个不同区域的目标边，将其对应的多个雅可比矩阵联合求解，得到所有目标边的偏移量，根据偏移量对掩模图形整体进行更新优化。通过构建并联合求解多个雅可比矩阵，可以一次性计算出多个目标边的最优偏移量，相较于逐一优化，减少了总的迭代次数，降低了对计算资源的需求。尽管考虑了多个目标边，但通过雅可比矩阵联合求解的方法，有效地控制了计算复杂度，避免了逐个边独立优化可能导致的迭代次数剧增。联合求解能够利用边与边之间的相关性，减少计算冗余，从而在保持优化精度的同时，提高整体的计算效率。这使得该方法能够在普通cpu硬件环境下高效运行，降低了对高性能计算平台的依赖。

30、8、本发明还提供一种计算机设备，具有与上述掩模协同优化方法相同的有益效果，在此不做赘述。

31、9、本发明还提供一种计算机可读存储介质，具有与上述掩模协同优化方法相同的有益效果，在此不做赘述。

32、10、本发明还提供一种计算机程序产品，具有与上述掩模协同优化方法相同的有益效果，在此不做赘述。