科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】随着工艺的不断进步，由于光刻系统与不断缩小的特征尺寸之间的不匹配，实际形成的光刻图案相对于掩模版上的图案发生严重畸变，这使得掩模优化在集成电路设计流程中变得越来越重要。在提高掩模的可印刷性方面，光学邻近矫正是一种广泛采用的分辨率增强技术。然而，传统的光学邻近校正方法存在大量的计算开销和掩模可印刷性较差的问题。【方法】为了提高掩模优化的性能，提出了一个基于深度学习的端到端掩模优化框架TransU-ILT。该框架使用CNN-Transformer的混合模型作为特征提取模块来提取目标布局的深度特征，在特征重构模块中加入像素重组层来重构掩模。此外，在训练过程中，加入深度监督机制来提高对布局图案特征的提取精度，从而进一步提高掩模的可印刷性。【结果】实验定量结果表明，与最先进的方法相比，所提出的框架可以实现4倍的周转时间加速，在平方L2误差和工艺变化带指标方面分别降低了13.4%和4.3%，且框架生成的掩模的晶圆图案边缘更加平滑，更接近目标布局。【结论】TransU-ILT在时间性能和掩模可印刷性方面总体上都优于对比的先进方法，可以为掩模优化方法提供一种有效的解决方案。
- 单位
