关键词:
集成电路
可制造性设计
分辨率增强技术
光学邻近效应校正
深度学习
分割网络
Swin Transformer
摘要:
随着集成电路关键尺寸的进一步缩小,性能不断增强,功耗逐渐降低,集成电路可制造性设计逐渐引起研究人员的关注。在制造过程中,光刻成为了承上启下的重要环节,它将电子设计转化为物理现实。光刻过程中,光穿过掩模会因为光的衍射效应使在晶圆上的成像不能令人满意,影响生产的良率。为了提升成像的分辨率,业界普遍使用分辨率增强技术中的光学邻近效应校正来提升晶圆上图像的分辨率。相比于插入亚分辨率辅助特征,光学临近效应校正技术对优化掩模的容忍度更高,生产的掩模更加精细,更易于制造。
得益于深度学习的快速发展,基于深度学习的方法也逐渐被引入掩模优化领域中。但这些方法仍然存在掩模质量低,训练时间长,优化过程复杂的问题。本研究将基于深度学习中的神经网络和注意力机制,结合光成像理论作为损失函数,提出了基于分割网络的掩模优化模型和基于Swin Transformer的掩模优化模型。具体的研究内容如下:
(1)针对现有掩模优化模型生成的掩模质量低,训练时间长的问题,本研究提出一种基于分割网络的轻量化神经网络模型。该模型以Seg Net分割网络作为主干网络,对目标布局进行提取特征,结合下采样的池化索引在上采样网络中重建目标布局从而生成优化掩模。与此同时在主干网络的训练中,加入基于Dice系数的Dice损失,增加主干网络对前景和后景的处理能力。主干网络与损失函数结合生成较好的粗掩模,再经过微调网络细化,最终生成较好的优化掩模。
(2)针对现有掩模优化模型需要微调网络,优化过程复杂的问题,本研究提出一种基于Swin Transformer的掩模优化模型。该模型以Swin Transformer为特征提取模块,提取目标布局的浅层和深层特征。在重建模块中,加入像素重组层,使上采样的过程中不需要加入额外的噪声就可以高效率、高质量地进行特征重建,最终生成较好的优化掩模。损失函数中加入掩模生成的晶圆图像与目标布局进行直接对比,可以看作是一种无监督的学习方式,让掩模的晶圆更加贴近目标布局。依托于Swin Transformer强大的特征提取能力,本模型不需要微调网络对掩模进行细化。
总之,本研究主要研究基于深度学习的掩模优化的研究与实现。围绕基于深度学习的掩模优化算法,依托计算光刻理论,结合分割网络和Swin Transformer,提出掩模优化模型。同时,本研究在掩模优化数据集ICCAD 2013上验证了提出模型的掩模质量,还与现有的掩模优化模型进行性能对比。
图[39]表[9]参[111]