本文的描述总体上涉及图案化过程以及确定对应于设计布局的特征图案的设备和方法。
背景技术：
1、光刻投影设备可以用于制造例如集成电路(ic)。在这种情况下，图案形成装置(例如掩模)可以包含或提供对应于ic的单层的图案(“设计布局”)，并且该图案可以通过诸如经由图案形成装置上的图案照射目标部分的方法，被转移到其上已经涂覆有一层辐射敏感材料(“抗蚀剂”)的衬底(例如硅晶片)上的目标部分(例如包括一个或多个管芯)上。一般而言，单个衬底包含多个相邻目标部分，图案由光刻投影设备连续地转移到该多个相邻目标部分，一次一个目标部分。在一种类型的光刻投影设备中，将整个图案形成装置上的图案一次转移到一个目标部分上；该设备通常被称为步进器。在通常被称为步进扫描设备的可替代设备中，投影束在给定参考方向(“扫描”方向)上遍及图案形成装置进行扫描，同时平行或反向平行于该参考方向而同步地移动衬底。图案形成装置上的图案的不同部分渐进地转移到一个目标部分。一般而言，由于光刻投影设备将具有减小的比率m(例如4)，所以移动衬底的速度f将为投影束扫描图案形成装置的速度的1/m倍。可以例如从以引用方式并入本文中的us 6,046,792搜集到关于如本文中所描述的光刻设备的更多信息。
2、在将图案从图案形成装置转移到衬底之前，衬底可以经历各种工序，诸如涂底料、抗蚀剂涂覆和软烘烤。在曝光之后，衬底可以经受其他工序(“曝光后工序”)，诸如曝光后烘烤(peb)、显影、硬烘烤及对经转移图案的测量/检测。该工序阵列被用作制造器件(例如ic)的单层的基础。然后，衬底可以经历各种过程，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学-机械抛光等，这些过程都意图精加工器件的单层。如果在器件中需要多个层，则针对每一层来重复整个工序或其变型。最终，器件将存在于衬底上的每一个目标部分中。然后，通过诸如切块或锯切等技术来使这些器件彼此分离，由此可以将个体器件安装于载体上、连接到针脚等。
3、因此，制造器件(诸如半导体器件)通常涉及使用多个制造过程来处理衬底(例如半导体晶片)，以形成器件的各种特征及多个层。通常使用例如沉积、光刻、蚀刻、化学机械抛光及离子注入来制造及处理这些层及特征。可以在衬底上的多个管芯上制作多个器件，然后将这些器件分离成个体器件。可以将该器件制造过程视为图案化过程。图案化过程涉及图案化步骤，诸如使用光刻设备中的图案形成装置来将图案形成装置上的图案转移到衬底的光学和/或纳米压印光刻术，并且图案化过程通常但可选地，涉及一个或多个相关图案处理步骤，诸如通过显影设备的抗蚀剂显影、使用烘烤工具的衬底的烘烤、使用蚀刻设备的使用图案的蚀刻等。
4、如所提及的，光刻是制造诸如ic的器件时的中心步骤，其中，形成于衬底上的图案限定器件的功能元件，诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(mems)和其他装置。
5、随着半导体制造过程持续进步，几十年来，功能元件的尺寸已经不断地减小，而每器件的诸如晶体管的功能元件的量已经在稳定地增大，这遵循通常被称为“摩尔定律”的趋势。在当前技术状态下，使用光刻投影设备制造器件的层，光刻投影设备使用来自深紫外照射源的照射将对应于设计布局的图案投影到衬底上，由此产生尺寸远低于100nm，即小于来自照射源(例如193nm照射源)的辐射的波长的一半，的独立功能元件。
6、根据分辨率公式cd＝k1×λ/na印刷尺寸小于光刻投影设备的经典分辨率限制的特征的过程通常被称为低k1光刻，其中，λ是所使用辐射的波长(当前在大多数情况下为248nm或193nm)，na是光刻投影设备中的投影光学元件的数值孔径，cd是“临界尺寸”(通常是所印刷的最小特征尺寸)，并且k1是经验分辨率因子。一般而言，k1越小，则在衬底上再现类似于由设计者规划的形状及尺寸以便达成特定电功能性及性能的图案变得越困难。为了克服这些困难，将复杂微调步骤应用到光刻投影设备、设计布局或图案形成装置。这些微调步骤包括(例如但不限于)：na及光学相干设定的优化、定制的照射方案、相移图案形成装置的使用、设计布局中的光学邻近校正(opc，有时也称为“光学及过程校正”)，或通常被定义为“分辨率增强技术”(ret)的其他方法。如本文中所使用的术语“投影光学元件”应该被宽泛地解释为涵盖各种类型的光学系统，包括例如折射型光学元件、反射型光学元件、孔隙及反射折射型光学元件。术语“投影系统”也可以包括用于统一地或单个地引导、成形或控制投影辐射束的根据这些设计类型中的任一者而操作的部件。术语“投影光学元件”可以包括光刻投影设备中的任何光学部件，而不论光学部件位于光刻投影设备的光学路径上的何处。投影光学元件可以包括用于在来自源的辐射通过图案形成装置之前成形、调整和/或投影该辐射的光学部件，和/或用于在辐射通过图案形成装置之后成形、调整和/或投影该辐射的光学部件。投影光学元件通常不包括源和图案形成装置。
技术实现思路
1、根据实施例，提供一种生成用于图案化过程的特征图案的方法。该方法包括：获得经训练的生成器模型和输入图案，该经训练的生成器模型被配置为生成特征图案；以及经由该经训练的生成器模型的模拟，基于该输入图案生成该特征图案，其中，该输入图案是随机向量或图案类别中的至少一者。
2、在实施例中，该特征图案是在经受该图案化过程的衬底上的待印刷的图案形成装置图案。
3、在实施例中，经由以设计布局作为导致热点图案的输入的图案化过程的过程模型的模拟而获得该输入图案。
4、在实施例中，该过程模型包括光学邻近校正模型及光刻可制造性检查模型。
5、在实施例中，方法还包括：将该特征图案转换为特征轮廓表示；将设计规则检查应用于特征轮廓表示；以及基于设计规则检查修改特征轮廓表示以增大特征图案能够印刷的可能性。
6、在实施例中，转换该特征图案包括：提取该特征图案内的特征的轮廓；以及将该轮廓转换为几何形状和/或使该特征图案曼哈顿化(manhattanize)。
7、在实施例中，该方法还包括：经由该光学邻近校正模型的模拟确定用于经修改的特征轮廓的光学邻近校正；经由该图案化过程的该过程模型的模拟确定该衬底的对应于经修改的特征轮廓的模拟图案。
8、在实施例中，该方法还包括：经由该图案化过程的该过程模型的模拟基于该特征图案和/或经修改的特征轮廓确定该图案化过程的设定。
9、在实施例中，该图案化过程的该设定是包括剂量、焦点和/或光学参数的过程变量的值。
10、在实施例中，该方法还包括：经由该光刻设备应用该图案化过程的该设定将该特征图案印刷在该衬底上。
11、在实施例中，该经训练的生成器模型是卷积神经网络。
12、在实施例中，根据称作生成对抗式网络的机器学习训练方法来训练该经训练的生成器模型。
13、在实施例中，该特征图案及该输入图案是像素化图像。
14、在实施例中，该输入图案包括设计布局，该设计布局包括热点图案。
15、此外，本公开内容提供一种训练用于生成图案化过程的特征图案的机器学习模型的方法。该方法包括：获得机器学习模型，该机器学习模型包括：(i)生成器模型，其被配置为生成在经受图案化过程的衬底上待印刷的特征图案，和(ii)鉴别器模型，其被配置为区分该特征图案与训练图案；以及经由计算机硬件系统，基于包括该训练图案的训练集以相互协作方式训练该生成器模型和该鉴别器模型，使得该生成器模型生成匹配该训练图案的该特征图案，并且该鉴别器模型将该特征图案识别为该训练图案，其中，该特征图案和该训练图案包括热点图案。
16、在实施例中，该训练是迭代过程，迭代包括：经由以输入向量的该生成器模型的模拟来生成该特征图案；评估与该生成器模型相关的第一成本函数；经由该鉴别器模型区分该特征图案与该训练图案；评估与该鉴别器模型相关的第二成本函数；以及调整该生成器模型的参数以改善该第一成本函数，并且调整该鉴别器模型的参数以改善该第二成本函数。
17、在实施例中，该输入向量是随机向量和/或种子热点图像。
18、在实施例中，从以设计布局作为输入光刻过程的模拟获得该种子热点图像。
19、在实施例中，该区分包括：确定该特征图案是该训练图案的概率；以及响应于该概率，分配标记给该特征图案，该标记指示该特征图案是真实图案还是虚假图案。
20、在实施例中，响应于该概率突破阈值，将该特征图案标记为真实图案。
21、在实施例中，该第一成本函数包括第一对数-似然度项，其确定在给定该输入向量的情况下该特征图案为虚假的概率。
22、在实施例中，调整该生成器模型的参数使得该第一对数-似然度项被最小化。
23、在实施例中，该第二成本函数包括第二对数-似然度项，其确定在给定该训练图案的情况下该特征图案为真实的概率。
24、在实施例中，调整第二模型参数使得该第二对数-似然度项被最大化。
25、在实施例中，该训练图案包括热点图案。
26、在实施例中，从该图案化过程的过程模型的模拟、经印刷衬底的量测数据和/或存储印刷图案的数据库获得该训练图案。
27、在实施例中，该特征图案包括类似于该训练图案的特征。
28、在实施例中，该特征图案和该训练图案还包括非热点图案和/或用户定义的图案。
29、在实施例中，该方法还包括经由经训练的生成器模型的模拟生成包括热点图案和/或用户定义的图案的设计图案。
30、在实施例中，该生成器模型和该鉴别器模型是卷积神经网络。
1.一种生成用于图案化过程的特征图案的方法，该方法包括：
2.根据权利要求1所述的方法，其中，所述特征图案是在经受所述图案化过程的衬底上的待印刷的图案形成装置图案。
3.根据权利要求1至2中任一项所述的方法，其中，经由以设计布局作为导致热点图案的输入的所述图案化过程的过程模型的模拟获得所述输入图案。
4.根据权利要求3所述的方法，其中，所述过程模型包括光学邻近校正模型及光刻可制造性检查模型。
5.根据权利要求1至4中任一项所述的方法，还包括：
6.根据权利要求5所述的方法，其中，所述转换所述特征图案包括：
7.根据权利要求4至6中任一项所述的方法，还包括：
8.根据权利要求1至7中任一项所述的方法，还包括：
9.根据权利要求8所述的方法，其中，所述图案化过程的设定是包括剂量、焦点和/或光学参数的过程变量的值。
10.根据权利要求8至9中任一项所述的方法，还包括：
11.根据权利要求1至10中任一项所述的方法，其中，所述经训练的生成器模型是卷积神经网络。
12.根据权利要求1至11中任一项所述的方法，其中，所述经训练的生成器模型根据被称为生成对抗式网络的机器学习训练方法被训练。
13.根据权利要求1至12中任一项所述的方法，其中，所述特征图案及所述输入图案是像素化图像。
14.根据权利要求1至3中任一项所述的方法，其中，所述输入图案包括设计布局，所述设计布局包括热点图案。
