本揭示是有关于一种合成方法，特别是关于一种用于晶圆目标调整的遮罩数据合成方法。
背景技术：
在集成电路(integratedcircuit；ic)设计期间，针对ic处理的不同步骤，产生ic的许多ic布局。该些布局包括对应于在晶圆上制造的结构的几何形状。布局可为投影(例如成像)在晶圆上以产生ic的遮罩布局。光微影制程将遮罩布局的图案转印至晶圆，从而仅将蚀刻、植入或其他步骤应用于晶圆的预定义区域。将遮罩布局的图案转印至晶圆可能导致遮罩布局数据缺陷，此为半导体制造中的主要挑战。可应用光学近接校正(opticalproximitycorrection；opc)操作来减少光遮罩布局数据缺陷。
除了opc之外，亦可将逆光微影技术(inverselithographictechnology；ilt)，即光微影制程的逆制程，应用于遮罩布局，以补偿(例如校正或增强)由光微影制程引起的缺陷。光微影制程可能并非线性的，且在ilt-opc校正及增强之后的遮罩布局可能会在晶圆上的ic布局中产生缺陷，且因此需通过迭代过程对遮罩布局进行额外的校正。在额外校正的每一迭代中，对遮罩布局执行修改，且在修改之后，将遮罩布局投影至晶圆上以在晶圆上产生ic布局，并检查ic布局是否存在缺陷。尽管可通过模拟来执行遮罩布局的修改及投影，但额外的校正可能需要更改ilt-opc经校正遮罩布局、在晶圆上投影遮罩布局及检查晶圆上产生的ic布局是否存在缺陷的若干次迭代。因此，对遮罩布局进行额外校正以使得具有额外经校正遮罩布局在晶圆上不产生缺陷可能需要若干次迭代且可能非常耗时。因此，对于光学及非光学光微影而言，需要高效的遮罩布局校正制程。
技术实现要素：
本揭露的一实施方式为一种用于制造用于一集成电路的一光微影遮罩的方法，包含以下步骤：对一集成电路遮罩布局执行一光学近接校正(opc)处理以产生一经校正遮罩布局；对该经校正遮罩布局执行一逆光微影技术(ilt)处理以增强该经校正遮罩布局，从而产生一opc-ilt增强的遮罩布局；以及使用一卷积神经网络验证该opc-ilt增强的遮罩布局。
附图说明
当结合附图阅读时，自以下详细描述将最佳地理解本揭示。须强调，根据行业中的标准实践，各种特征未按比例绘制，且仅用于说明目的。实际上，为了清楚起见，各种特征的尺寸可能任意增大或减小。
图1说明集成电路制造流程的示意图；
图2a说明用于增强光微影遮罩的示意性过程；
图2b说明根据本揭示一些实施例的用于产生增强的光微影遮罩的数据库的例示性系统；
图3说明根据本揭示一些实施例的用于增强光微影遮罩的例示性过程；
图4a说明根据本揭示一些实施例的例示性卷积神经网络；
图4b及图4c分别说明根据本揭示一些实施例的卷积神经网络的例示性减少取样过程及例示性减少取样滤波器；
图4d及图4e分别说明根据本揭示一些实施例的卷积神经网络的例示性增加取样过程及例示性增加取样模式；
图5说明根据本揭示一些实施例的例示性卷积神经网络；
图6说明根据本揭示一些实施例的用于训练卷积神经网络的例示性训练系统；
图7说明根据本揭示一些实施例的用于制造光微影遮罩的例示性过程的流程图；
图8a及图8b说明根据本揭示一些实施例的用于制造用于半导体电路的光微影遮罩的设备。
【符号说明】
100集成电路(ic)制造流程
102遮罩设计模块
103记忆体
104遮罩增强系统
106遮罩投影系统
107辐射单元
108遮罩
112晶圆投影系统
113辐射单元
114晶圆
122opc-ilt增强器
130晶圆投影模块
132遮罩验证器
134步骤
135输出模块
136缺陷清单
138ic布局
140投影参数
202数据库
302卷积神经网络
402层
406层
408启动层
410层
412启动层
414减少取样过程
416减少取样过程
418减少取样过程
421启动层
422层
424层
426层
428层
430层
432层
435层
436增加取样过程
437增加取样器模块
438增加取样过程
440增加取样过程
452滤波器
454滤波器
456滤波器
458启动模块
460组合器模块
461权重
462集区模块
463权重
465权重
483权重
484矩阵
600训练系统
604训练数据集
606验证数据集
608训练模块
610卷积神经网络
700用于制造光微影遮罩的例示性过程
s702操作
s704操作
s706操作
s708操作
800计算机系统
801计算机
802键盘
803鼠标
804监视器
805光盘只读记忆体(例如，cd-rom或dvd-rom)驱动器
806磁盘驱动器
811处理器
812rom
813随机存取记忆体(ram)
814硬盘
815总线
821光盘
822磁盘
m遮罩布局
m’经校正及增强的遮罩布局
m”opc-ilt增强的遮罩布局
具体实施方式
以下揭示内容提供用于实施所提供的主题的不同特征的许多不同的实施例或实例。以下描述组件及配置的特定实例以简化本揭示。当然，此等仅仅为实例，而无意于进行限制。举例而言，在以下描述中，在第二特征上方或上的第一特征的形成可包括第一特征与第二特征直接接触地形成的实施例，且亦可包括在第一特征与第二特征之间形成额外特征以使得第一特征与第二特征可能不直接接触的实施例。另外，本揭示可在各个实例中重复提及数字及/或字母。此重复是出于简单及清楚的目的，且其本身并不指示所论述的各种实施例及/或组态之间的关系。
此外，为了便于描述，本文中可能使用诸如“在...之下”、“在...下方”、“下部”、“在…上方”、“上部”等空间相对术语，以描述一个元件或特征与另一(些)元件或特征的关系，如图中所说明。除了在图中描述的定向之外，空间相对术语亦希望涵盖装置在使用或操作中的不同定向。可其他方式定向(旋转90度或其他定向)设备，且在本文中使用的空间相对描述语亦可对应地进行解释。此外，术语“由...制成”可意谓“包含”或“由…组成”。在本揭示中，片语“a、b及c中的一者”意谓“a、b及/或c”(a、b、c、a及b、a及c、b及c或a、b及c)，除非另有描述，否则不意谓a中的一个元素、b中的一个元素及c中的一个元素。
在ic设计中，光微影模拟用于预测在晶圆上(例如在晶圆上的抗蚀剂层中)产生的遮罩布局(例如，光遮罩布局)的影像。此类模拟可用于例如评估影像的品质、发现缺陷或使用opc进行光遮罩图案的校正。opc用于获得接近于目标布局图案的影像(例如投影)，以最佳化印刷参数(诸如照明源)，或最佳化源及光遮罩以达成更好的可印刷性。遮罩布局设计的评估可包括在晶圆上识别可能产生缺陷的光遮罩区域，例如，晶圆上的两个相邻的分离特征附接的图案桥或者连接特征变得不连接的图案夹。
形成具有较小特征大小的ic的光遮罩布局更具挑战性。对于较小的特征大小，布局特征的接近度可能会在成像至晶圆上时引起光学失真。因此，其大小及/或间隔接近光微影辐射源解析度极限的影像特征会遭受失真。在一些实施例中，可通过在与预期失真相反的方向上修改任何给定特征来至少部分地补偿接近效应。
opc为一种光微影技术，用于调谐(例如校正或增强)遮罩布局以改良成像效果。opc制程的目标是在晶圆上复制ic设计者绘制的原始布局。举例而言，opc可用于补偿由于光学绕射或处理效应而引起的影像误差。opc有助于在晶圆上的图案化影像中维持原始遮罩布局的边缘。若不进行补偿，则在处理之后，晶圆上的图案化影像可能会出现不规则性，诸如线宽比设计的窄或宽。opc可通过更改(例如校正)遮罩布局的图案来补偿此种不规则性。在一些实施例中，迭代地识别所需opc。在一些实施例中，迭代地施加多个opc，将经校正的遮罩布局投影在晶圆上以在晶圆上产生ic布局，且将不产生缺陷的经校正遮罩布局选择为具有所需opc。
在执行opc以对遮罩布局执行调整之后，经修改布局可能仍会由于光微影制程而产生缺陷。可执行检查以识别opc后的遮罩布局，其中opc后的遮罩布可能无法作为ic布局正确地印刷在晶圆上且可能在晶圆上产生缺陷区域(例如，可能在晶圆上产生发生夹挤及/或桥接的区域)的区域。
在一些实施例中且在执行opc之后，将光微影制程的逆制程(例如，逆光微影技术(inverselithographictechnology；ilt)处理)应用于经校正的遮罩布局以补救剩余的缺陷区域。在一些实施例中，光微影制程并非线性的，且ilt制程作为迭代过程执行。因此，可通过经由迭代过程应用ilt来进一步校正(例如，增强)opc经校正遮罩布局。迭代过程可具有多个迭代，且每一迭代可具有在晶圆上的校正及增强的遮罩布局的投影。在一些实施例中，在每一迭代中，同时应用opc及ilt制程，将经校正及增强的遮罩布局投影在晶圆上以产生ic布局，且选择不产生缺陷的经校正及增强的遮罩布局。
如所指出，在每一迭代中，将经校正及增强的遮罩布局投影至晶圆上以产生ic布局。尽管投影的模拟可用于预测在晶圆上产生的遮罩布局的影像，例如光遮罩布局的影像，但在迭代过程的每一迭代中执行模拟可能非常耗时。在一些实施例中，定义卷积神经网络，且对卷积神经网络进行离线训练。用多个经校正及增强的遮罩布局作为输入，且通过模拟投影产生的对应ic布局作为卷积神经网络的输出进行训练。在一些实施例中，在训练之后，卷积神经网络用于判定对应于经校正及增强的遮罩布局的ic布局。因此，在一些实施例中，第一经校正及增强的遮罩布局(其并非用于训练卷积神经网络的多个经校正及增强的遮罩布局的一部分)给定为至所训练的卷积神经网络的输入。由卷积神经网络回应于第一经校正及增强的遮罩布局而产生的输出用作在晶圆上产生的对应于第一经校正及增强的遮罩布局的ic布局。
图1说明集成电路(integratedcircuit；ic)制造流程100的示意图。ic制造流程100始于遮罩设计模块102，其提供用于制造ic产品的遮罩布局m。遮罩设计模块102基于ic产品的规格且针对处理ic产品的不同步骤来产生各种遮罩布局，例如目标布局图案的几何形状。在一些实施例中，遮罩布局m由具有几何图案信息的一或多个数据文件呈现。在一些实施例中，数据文件为图形设计系统(graphicdesignsystem；gds)文件。在一些实施例中，将遮罩布局m产生为几何图案的光遮罩。ic制造流程100包括遮罩增强系统104，其在一些实施例中包括记忆体103。如以下相对于图2a和图2b更详细地描述的，在一些实施例中，遮罩增强系统104执行opc及ilt增强。在opc之后是对所投影的ic布局的缺陷侦测，且接着在一些实施例中，将进一步的增强应用于遮罩布局。遮罩增强系统104产生经校正及增强的遮罩布局m”，例如，opc-ilt增强的遮罩布局m”。在一些实施例中，由具有经校正及增强的几何图案的信息的一或多个gds文件来呈现opc-ilt增强的遮罩布局m”。在一些实施例中，将opc-ilt增强的遮罩布局m”产生为具有在坯件遮罩上(例如在遮罩坯件上)的经校正及增强的几何图案的光遮罩，以产生遮罩108。
在一些实施例中，ic制造流程100进一步包括遮罩投影系统106，该遮罩投影系统包括辐射单元107。在一些实施例中，遮罩投影系统106自数据文件产生经校正及增强的光遮罩布局m”，且接着将经校正及增强的光遮罩布局m”光学投影(例如通过辐射单元107的极紫外(extremeultraviolet；euv)光束)至遮罩坯件以产生遮罩108。在一些实施例中，遮罩投影系统106可使用经校正及增强的遮罩布局m”的数据文件，且例如通过辐射单元107的电子束将经校正及增强的遮罩布局m”投影至涂布有光阻剂的遮罩坯件上，以产生遮罩108。
在一些实施例中，ic制造流程100包括晶圆投影系统112，该晶圆投影系统包括辐射单元113。在一些实施例中，晶圆投影系统112自遮罩108的经校正及增强的光遮罩布局m”产生ic布局。晶圆投影系统112可使用辐射单元113的euv光束来实施光学投影，以在晶圆114上产生ic布局。在一些实施例中，晶圆投影系统112使用辐射单元113的电子束来实施电子束投影，以在晶圆114上产生ic布局。
图2a说明用于增强光微影遮罩的示意性过程。如图所示，遮罩增强系统104包括opc-ilt增强器122，其接收由遮罩设计模块102产生的遮罩布局m且产生opc-ilt增强的遮罩布局m'。如上所述，opc为一种光微影技术，用于校正遮罩布局m，且产生改良的成像效果，以在晶圆114上再现由遮罩设计模块102绘制的原始布局。举例而言，opc可用于补偿由于光学绕射而引起的成像失真。在一些实施例中，遮罩布局m为具有待在晶圆114上产生的几何图案的信息的数据文件，例如gds文件，且opc-ilt增强器122修改该数据文件且产生经校正数据文件，例如，经校正或调整的gds文件，其表示经校正及增强的遮罩布局m'。
图2a进一步包括晶圆投影模块130，其执行经校正及增强的遮罩布局m'的投影以在晶圆114上产生投影的ic布局138。在一些实施例中，经校正及增强的遮罩布局m'为数据文件，例如gds文件，且晶圆投影模块130模拟经校正及增强的遮罩布局m'在晶圆114上的投影，且通过模拟产生ic布局138。尽管通过opc校正且通过ilt增强经校正及增强的遮罩布局m'，但当将经校正及增强的遮罩布局m'作为ic布局138投影在晶圆114上时，可能产生缺陷区域。遮罩增强系统104的遮罩验证器132检查ic布局138以找到ic布局138的缺陷。在一些实施例中，遮罩验证器132产生ic布局138的缺陷的缺陷清单136。在一些实施例中，缺陷清单136在步骤134处进行测试，且若缺陷清单136不为空，例如缺陷清单136中存在缺陷，则通过在opc-ilt增强器122处修改opc及ilt增强来继续迭代。在一些实施例中，若缺陷清单136为空，则输出模块135在遮罩增强系统104的输出处提供当前迭代的经校正及增强的遮罩布局作为增强的光遮罩布局m”。在一些实施例中，opc-ilt增强器122命令晶圆投影模块130设定投影参数140，以将经校正及增强的遮罩布局m'投影(例如，模拟投影)在晶圆114上。在一些实施例中，投影参数140包括辐射能级及用于投影的晶圆投影模块130的投影参数。在一些实施例中，投影参数140包括光辐射能级及用于投影的成像系统的成像参数。成像参数及辐射能级可提供成像系统的聚焦深度。在一些实施例中，当ic布局138中出现缺陷的概率高于临限值时，识别ic布局138中的缺陷。
图2b说明根据本揭示的一些实施例的用于产生增强的光微影遮罩的数据库的例示性系统。图2b说明图2a的遮罩设计模块102、opc-ilt增强器122及晶圆投影模块130。在一些实施例中，遮罩设计模块102产生多个遮罩布局m，且opc-ilt增强器122对遮罩布局m执行校正及增强，以产生多个opc-ilt增强的遮罩布局m'。晶圆投影模块130将该些opc-ilt增强的遮罩布局m'投影至晶圆上，以产生ic布局138。图2b进一步包括用于配置opc-ilt增强的遮罩布局m'及对应ic布局138的数据库202。数据库202可储存在遮罩增强系统104的记忆体103中。在一些实施例中，数据库202由图6的训练系统600使用，如下所述。除了opc-ilt增强的遮罩布局m'及对应ic布局138之外，数据库202的每一记录亦可包括投影参数140，该些投影参数用于自opc-ilt增强的遮罩布局m'中的每一者产生ic布局138。在一些实施例中，晶圆投影模块为每一opc-ilt增强的遮罩布局m'产生不同的ic布局138，使得每一ic布局138以不同的投影参数140产生。因此，数据库202可包括针对opc-ilt增强的遮罩布局m'中的每一者的多个记录。
图3说明根据本揭示的一些实施例的用于增强光微影遮罩的例示性过程。如图所示，图3说明包括opc-ilt增强器122的遮罩增强系统104，该opc-ilt增强器接收由图1的遮罩设计模块102产生的遮罩布局m，且产生opc-ilt增强的遮罩布局m'。图3的遮罩增强系统104还包括卷积神经网络302。在一些实施例中，卷积神经网络302(关于图4a、图4b、图4c、图4d、图4e及图5描述)经训练以接收经校正及增强的遮罩布局m'，且判定(例如产生)ic布局138，该ic布局为经校正及增强的遮罩布局m'在晶圆114上的投影。如所描述，遮罩增强系统104的遮罩验证器132检查ic布局138以找到ic布局138的缺陷，且产生ic布局138的缺陷的缺陷清单136。在一些实施例中，在步骤134处测试缺陷清单136，且若缺陷清单136不为空，则通过在opc-ilt增强器122处修改opc及ilt增强而继续迭代。在一些实施例中，若缺陷清单136为空，则输出模块135在遮罩增强系统104的输出处提供当前迭代的经校正及增强的遮罩布局作为增强的光遮罩布局m”。在一些实施例中，卷积神经网络302的训练包括用于自经校正及增强的遮罩布局m'产生ic布局138的辐射能级及投影参数。因此，除了ic布局138之外，卷积神经网络302提供的输出亦包括用于在晶圆114上产生ic布局138的辐射能级及投影参数。在一些实施例中，当ic布局138的几何形状之间的临界尺寸(cd)均一性或空间均一性低于所要临限值时，识别出缺陷。在一些实施例中，当识别出以下情况时，侦测到缺陷：边缘置放错误、影像对数斜率高于临限值、错误置放因数。
在一些实施例中，由卷积神经网络302提供的ic布局138由遮罩验证器132验证为具有在处理窗口内的辐射能级及/或聚焦参数。在一些实施例中，基于辐射能级及投影参数来判定聚焦参数。在一些实施例中，处理窗口包括用于图1的晶圆投影系统112的辐射单元113的临限能级或范围，以在晶圆114上产生ic布局138。在一些实施例中，处理窗口包括用于晶圆114上的ic布局138的聚焦深度临限水准或聚焦深度范围，使得由于晶圆114的表面上的粗糙度及/或平坦度，在晶圆114上产生聚焦深度在聚焦临限范围内的ic布局138。因此，除了缺陷之外，缺陷清单136亦可能呈现其他不足作为缺陷。其他不足包括超出能量临限范围及/或超出聚焦临限范围。在一些实施例中，卷积神经网络302提供具有不同辐射能级及/或聚焦参数的多个ic布局138。可基于准则来在步骤134处选择ic布局138中的一者，该准则可包括辐射能级及/或聚焦参数在处理窗口内以及不具有缺陷。在一些实施例中，在步骤134处不选择ic布局138，且迭代通过opc-ilt增强器122进行额外的校正及增强而继续。
图4a说明根据本揭示的一些实施例的例示性卷积神经网络。图3的卷积神经网络302在图4a中展示。卷积神经网络302接收opc-ilt增强的遮罩布局m'作为输入，且提供ic布局138作为输出。在一些实施例中，卷积神经网络302的输入及输出两者皆为n乘n矩阵，其中n为512、256、128或64。在一些实施例中，输入展示为层402。卷积神经网络302包括减少取样过程414、416及418，且亦包括增加取样过程436、438及440。关于图4b及图4c描述减少取样过程，且关于图4d及图4e描述增加取样过程。
在一些实施例中，减少取样过程414、416及418提取先前阶段的特征，例如层402，且在后续层406中产生较小大小的影像。在一些实施例中，层402为n×n，层406为n/2乘n/2，层410为n/4乘n/4，且层422为n/8乘n/8，使得在减少取样过程414、416、418中的每一者中，层的大小减半。在一些实施例中，增加取样过程436、438及440组合减少取样的层且重建增加取样的(例如转置的)卷积层，使得层424为n/4乘n/4，层428为n/2×n/2，且层432及435为n×n，其中层435为完全连接的层，使得层435的每一元素通过权重连接至先前层432的所有元素。在一些实施例中且如下文图5所示，增加取样用于在一个维度上将层的大小加倍，而减少取样过程的启动层的级联在另一维度上将大小加倍。
图4b及图4c分别说明根据本揭示的一些实施例的卷积神经网络的例示性减少取样过程及例示性减少取样滤波器。图4b的减少取样过程414自层402开始，其与opc-ilt增强的遮罩布局m'一致。层402的影像穿过多个滤波器452、454及456，且滤波器452、454及456的输出被组合器模块460组合(例如，级联)以产生组合的经滤波影像。图4c将滤波器452的点扩展函数(psf)展示为权重461的3乘3矩阵。在一些实施例中，滤波器452的psf与层402进行卷积以提供滤波器452的输出。在一些实施例中，滤波器452的psf的9个元素(例如权重461)是未知的，且为在卷积神经网络302的训练阶段期间设定的卷积神经网络302的参数。关于图6描述卷积神经网络302的训练。类似地，滤波器454及456的psf的全部或部分元素(例如权重463及465)是未知的，且在卷积神经网络302的训练阶段期间设定。在一些实施例中，滤波器452、454及456的psf的大小相同。在一些实施例中，滤波器452、454及456的psf具有不同的大小，例如m乘p，其中m及p在2至5之间。在一些实施例中，滤波器452、454及456中的一或多者执行边缘侦测或判定影像的偏差，且因此，权重461、463、465的一部分被预设为执行特定任务。而且，权重的其余部分在卷积神经网络302的训练阶段期间判定。
在一些实施例中，来自组合器模块460的组合的经滤波影像经过启动模块458，使得启动模块458替换负值且产生非负影像，例如启动影像，其被发送至集区模块462以产生层406。在一些实施例中，经滤波影像具有与输入影像(例如层402)相同的大小，然而，集区模块462减小影像的大小。在一些实施例中，集区模块462在来自启动模块458的输入影像上滑动2乘2矩阵，且对于每个2乘2矩阵，选择2乘2个点中的最大值作为集区模块462的输出的单个点。在一些实施例中，当至集区模块462的输入影像为n乘n时，集区模块462的输出影像为n/2乘n/2。在一些实施例中，组合器模块460将大小为n乘n的多个经滤波影像级联，且因此集区模块之后的影像为多个n/2乘n/2影像的级联。减少取样过程416及418与减少取样过程414一致，且类似地，减少取样过程416及418的滤波器的psf的全部或部分元素是未知的，且在卷积神经网络302的训练阶段期间进行设定。在一些实施例中，在卷积神经网络302的训练阶段期间未设定的减少取样过程416及418的滤波器的psf的元素的一部分是预设的。
图4d及4e分别说明根据本揭示的一些实施例的卷积神经网络的例示性增加取样过程及例示性增加取样模式。如图4d所示，增加取样过程436包括权重483的增加取样器模块437。增加取样器模块437将2乘2影像扩展为4乘4影像，如图4e所示。在一些实施例中，2乘2影像包括四个元素a、b、c及d，且在对4乘4影像进行增加取样之后，展示为4乘4矩阵484。在一些实施例中，权重483包括用于4×4矩阵的每一元素的单独权重，以使矩阵484被施加权重483。在一些实施例中，在卷积神经网络302的训练阶段期间设定权重483。增加取样过程438及440与增加取样过程436一致，且类似地，与增加取样过程436的增加取样器模块437一致的增加取样过程438及440的增加取样器模块的全部或部分权重在卷积神经网络302的训练阶段期间设定。在一些实施例中，在卷积神经网络302的训练阶段期间未设定的增加取样器模块的权重的一部分是预设的。
图5说明根据本揭示的一些实施例的例示性卷积神经网络。图5与图4a一致，且另外展示在减少取样的每一阶段中的额外层。在一些实施例中，减少取样过程414、416及418提供图4a中所示的层406、410及422。图5另外展示可通过分别在层406、410及422上实施图4b的启动模块458而产生的启动层408、412及421。在一些实施例中，减少取样过程414使用输入影像(例如，层402)来提供层406，且减少取样过程414的启动模块458产生启动层408。类似地，减少取样过程416及418使用先前的层(例如，先前的启动层)作为输入层来产生接下来的层410及422。此外，减少取样过程416及418使用层410及422上的启动模块458来产生启动层类似于图412及421。类似于图4a，在减少取样的每一阶段，影像的大小减小一半。另外，在卷积神经网络302的训练阶段期间设定减少取样过程414、416及418的滤波器的psf的权重的至少一部分。增加取样过程436、438及440具有额外步骤，以便将具有相同大小的减少取样的先前相当阶段的启动层级联至增加取样层。在一些实施例中，将启动层412级联至增加取样层421以产生层426，且将启动层408级联至增加取样层426以产生层430。在一些实施例中，当将启动层级联至增加取样层而使得每一像素的权重相同时，使用额外权重，或者，每一像素的权重可用于级联启动层。亦可在卷积神经网络302的训练阶段期间设定增加取样过程436、438及440的额外权重。
图6说明根据本揭示的一些实施例的用于训练卷积神经网络的例示性训练系统600。图6说明图2b的数据库202，其中数据库202的每一记录可包括opc-ilt增强的遮罩布局m'及对应ic布局138。除了opc-ilt增强的遮罩布局m'及对应ic布局138之外，数据库202的每一记录亦可包括用于自opc-ilt增强的遮罩布局m'产生ic布局138的投影参数140。在一些实施例中，数据库202的记录被分为训练数据集604及验证数据集606。在一些实施例中，训练系统600的训练模块608使用训练数据集604来训练卷积神经网络610。卷积神经网络610与图3的卷积神经网络302一致。如所指出，数据库202的每一记录中的opc-ilt增强的遮罩布局m'为卷积神经网络610的输入，而数据库202的同一记录中的对应ic布局138为卷积神经网络610的输出。在一些实施例中，对卷积神经网络610的训练包括设定卷积神经网络610的参数，以使数据库202的记录的每一opc-ilt增强的遮罩布局m'产生对应ic数据库202的同一记录的对应ic布局138。上文参考图4b及图4d描述卷积神经网络610的参数。在一些实施例中，在迭代程序中判定卷积神经网络610的参数。最初，将参数设定为初始值，例如随机值，判定卷积神经网络610至每一opc-ilt增强的遮罩布局m'的输出作为输入，且判定误差，例如数据库202的对应ic布局138与卷积神经网络610的输出之间的平方差的总和。接着，迭代地修改卷积神经网络610的参数，直至误差最小化为止，例如，误差变得小于临限值。
在一些实施例中，在训练模块608用训练数据集604训练卷积神经网络610之后，训练模块608用验证数据集606验证该训练。在一些实施例中，验证数据集606与训练数据集604分开，且当针对训练数据集604的每一记录在数据库202的ic布局138与卷积神经网络610的输出之间的误差(例如平方误差)低于临限水准时，该训练通过验证。在一些实施例中，若训练通过验证，则增加训练数据集604，且重新训练卷积神经网络610。
图7说明根据本揭示的一些实施例的用于制造光微影遮罩的例示性过程700的流程图。该方法包括自遮罩设计模块接收对应于集成电路的遮罩布局的操作s702。在一些实施例中，遮罩布局m由图1的遮罩设计模块102产生，且遮罩布局m由图3的opc-ilt增强器122接收。在操作s704中，对遮罩布局m执行opc处理，且产生经校正遮罩布局。在操作s706中，在opc处理之后，对经校正遮罩布局执行ilt处理。在一些实施例中，opc处理及ilt处理由第2a和图2b或图3的opc-ilt增强器122执行，且产生opc-ilt增强的遮罩布局m'。在操作s708中，使用卷积神经网络验证opc-ilt增强的遮罩布局m'。如所描述，在一些实施例中，卷积神经网络(例如，图6的卷积神经网络610)可以多个opc-ilt增强的遮罩布局作为输入且在晶圆上产生的对应ic布局作为输出来进行训练。在一些实施例中，当将opc-il增强的遮罩布局m'馈送至图3的卷积神经网络302时，卷积神经网络302产生ic布局138。在一些实施例中，图3的遮罩验证器132使用ic布局138。在如图3中所示的一些实施例中，遮罩验证器132产生缺陷清单136，该缺陷清单指示由opc-ilt增强器122执行的增强是否通过验证。缺陷清单136指示由opc-ilt增强器122对遮罩布局m执行的增强是否通过验证，该遮罩布局m产生opc-ilt增强的遮罩布局m'，该opc-ilt增强的遮罩布局m'又在晶圆上产生ic布局138。
在一些实施例中，当ic布局138不产生缺陷时，ic布局138通过验证。在一些实施例中，由卷积神经网络302产生的ic布局138产生一或多个参数，例如用于产生ic布局138的辐射能量及/或所产生的ic布局138的聚焦深度。在一些实施例中，一或多个参数在处理窗口内的ic布局138通过验证。在一些实施例中，处理窗口包括用于在晶圆上产生ic布局的临限辐射能量范围及用于所产生的ic布局的聚焦深度临限范围。
图8a及图8b说明根据本揭示的一些实施例的用于制造用于半导体电路的光微影遮罩的设备。图8a为执行根据如上所述的一或多个实施例的用于制造光微影遮罩的过程的计算机系统的示意图。可使用在其上执行的计算机硬件及计算机程序来实施前述实施例的全部或部分处理、方法及/或操作。在一些实施例中，操作包括opc校正、ilt增强、遮罩投影、缺陷侦测以及卷积神经网络训练及操作。在图8a中，计算机系统800具备计算机801，其包括光盘只读记忆体(例如，cd-rom或dvd-rom)驱动器805及磁盘驱动器806、键盘802、鼠标803及监视器804。
图8b为展示计算机系统800的内部组态的图。除了光盘驱动器805及磁盘驱动器806之外，计算机801亦具备一或多个处理器811，诸如微处理单元(mpu)、rom812(其中储存有诸如启动程序的程序)、随机存取记忆体(ram)813(其连接至mpu811且临时储存应用程序的命令且提供临时储存区域)、硬盘814(其中储存应用程序、系统程序及数据)，及总线815(其连接mpu811、rom812等)。注意，计算机801可包括用于提供至lan的连接的网络卡(未展示)。
前述实施例中的用于使计算机系统800执行用于制造半导体装置的光微影遮罩的过程的程序可储存在光盘821或磁盘822中，其插入至光盘驱动器805或磁盘驱动器806中，且传输至硬盘814。或者，程序可经由网络(未展示)传输至计算机801，且储存在硬盘814中。在执行时，程序载入至ram813中。可自光盘821或磁盘822载入程序，或直接自网络载入程序。程序不一定必须包括例如操作系统(os)或第三方程序以使计算机801执行上述实施例中的用于制造半导体装置的光微影遮罩的过程。该程序可能仅包括命令部分，以在受控模式下调用适当的功能(模块)且获得所需结果。
如上所述，通过离线训练卷积神经网络且使用卷积神经网络来判定遮罩布局的投影作为晶圆上的ic布局，消除了将遮罩布局投影至晶圆上的耗时模拟。而且，卷积神经网络在晶圆上提供多个ic布局，从而使得ic布局中的至少一者不会产生缺陷，且因此可防止执行额外迭代。如本文所述，在一些实施例中，在执行opc之后执行使用ilt对遮罩布局的校正。在一些实施例中，遮罩布局并非光遮罩布局，且因此，不执行opc而是执行ilt。在一些实施例中，分布式处理可用于训练卷积神经网络以减少训练的周转时间。
将理解，并非在本文中必须论述所有优点，特定优点并非对于所有实施例或实例皆需要，且其他实施例或实例可提供不同的优点。
根据本揭示的一些实施例，一种用于制造用于集成电路的光微影遮罩的方法包括对集成电路遮罩布局执行光学近接校正(opc)处理以产生经校正遮罩布局。该方法进一步包括对经校正遮罩布局执行逆光微影技术(ilt)处理以增强经校正遮罩布局以产生opc-ilt增强的遮罩布局。该方法进一步包括使用卷积神经网络来验证opc-il增强的遮罩布局。在一实施例中，验证opc-ilt增强的遮罩布局包括：使用卷积神经网络产生第一ic布局以作为当将opc-ilt增强的遮罩布局投影至晶圆上时的ic布局，以及检查第一ic布局以验证第一ic布局不会产生缺陷。在一实施例中，所产生的第一ic布局包括第一ic布局的一或多个参数，且验证opc-ilt增强的遮罩布局进一步包括验证一或多个参数在处理窗口内。该处理窗口包括用于产生第一ic布局的临限辐射能量范围及用于所产生的第一ic布局的聚焦深度临限范围。在一实施例中，当验证在第一ic布局中产生缺陷的可能性低于第一临限水准时，验证第一ic布局不产生缺陷。在一个实施例中，集成电路遮罩布局包括图形设计系统(gds)文件，且opc-il增强的遮罩布局包括经调整gds文件。在一实施例中，在验证opc-il增强的遮罩布局之前，产生数据库。数据库产生包括：产生多个集成电路遮罩布局；对该些集成电路遮罩布局中的每一者执行一或多个opc-ilt增强，以产生opc-ilt增强的遮罩布局；对opc-ilt增强的遮罩布局中的每一者执行遮罩投影以产生对应ic布局，以及将opc-ilt增强的遮罩布局及对应ic布局储存在储存于储存记忆体中的数据库中。该方法进一步包括基于数据库的第一部分训练卷积神经网络。opc-ilt增强的遮罩布局为卷积神经网络的输入，且对应ic布局为卷积神经网络的输出，且基于数据库的其余第二部分来验证卷积神经网络。在一实施例中，执行遮罩投影为模拟投影。在一实施例中，该方法进一步包括对opc-ilt增强的遮罩布局中的每一者执行两个或更多个遮罩投影，以对opc-ilt增强的遮罩布局中的每一者产生两个或更多个对应ic布局。该两个或更多个遮罩投影具有不同的曝光剂量及不同的聚焦深度条件。在一实施例中，第一ic布局包括用于产生第一ic布局的对应曝光剂量及对应聚焦深度。该方法进一步包括验证对应曝光剂量及对应聚焦深度在处理窗口内。在一实施例中，该方法进一步包括对集成电路遮罩布局执行另一opc处理及/或另一ilt处理，以产生另一opc-ilt增强的遮罩布局，且使用卷积神经网络来验证该另一opc-ilt增强的遮罩布局。
根据本揭示的一些实施例，一种用于制造用于集成电路的光微影遮罩的方法包括：对对应于集成电路的遮罩布局执行光学近接校正(opc)处理，以产生经校正遮罩布局。该方法进一步包括对经校正遮罩布局执行逆光微影技术(ilt)处理以增强经校正遮罩布局，从而产生opc-ilt增强的遮罩布局。该方法进一步包括使用卷积神经网络验证opc-ilt增强的遮罩布局。若opc-ilt增强的遮罩布局未通过验证，则继续执行opc处理及ilt处理，直至opc-ilt增强的遮罩布局通过验证。在一实施例中，该方法进一步包括自遮罩设计模块接收遮罩布局。遮罩布局为光遮罩布局。在一实施例中，验证opc-ilt增强的遮罩布局包括：使用卷积神经网络产生第一ic布局以作为当将opc-ilt增强的遮罩布局投影在晶圆上时的ic布局，以及检查第一ic布局以验证第一ic布局不会产生缺陷。在一实施例中，第一ic布局包括第一ic布局的一或多个参数，且验证opc-ilt增强的遮罩布局进一步包括验证该一或多个参数在处理窗口内，其中处理窗口包含用于产生第一ic布局的临限辐射能量范围及用于第一ic布局的聚焦深度临限范围。
根据本揭示的一些实施例，一种用于制造用于集成电路的光微影遮罩的系统包括opc-ilt增强器模块，该opc-ilt增强器模块接收对应于该集成电路的第一遮罩布局，且对该第一遮罩布局执行光学近接校正(opc)处理以产生第一经校正遮罩布局，且对第一经校正遮罩布局执行逆光微影技术(ilt)处理以增强第一经校正遮罩布局，从而产生第一opc-ilt增强的遮罩布局。该系统进一步包括卷积神经网络，该卷积神经网络产生第一ic布局以作为当第一opc-ilt增强的遮罩布局投影在晶圆上时的ic布局。该系统进一步包括遮罩验证器模块，该遮罩验证器模块检查晶圆上的第一ic布局以验证第一ic布局无缺陷。在一实施例中，所产生的第一ic布局包括与第一ic布局相关联的一或多个参数。遮罩验证器模块验证一或多个参数在处理窗口内。处理窗口包括用于产生第一ic布局的临限辐射能量范围及用于所产生的第一ic布局的聚焦深度临限范围。在一实施例中，该系统进一步包括训练模块，该训练模块接收多个opc-ilt增强的遮罩布局，且将该些opc-ilt增强的遮罩布局及该些对应ic布局储存在系统的记忆体中的数据库中，基于数据库的第一部分执行卷积神经网络的训练。该第一部分的opc-ilt增强的遮罩布局为卷积神经网络的输入，且对应ic布局为卷积神经网络的输出。该训练模块亦基于数据库的其余第二部分执行卷积神经网络的验证。该第二部分的opc-ilt增强的遮罩布局为卷积神经网络的输入，且对应ic布局为卷积神经网络的输出。在一实施例中，该系统进一步包括遮罩设计模块，该遮罩设计模块耦接至opc-ilt增强器模块且产生用于opc-ilt增强器模块的第一遮罩布局。在一实施例中，该系统进一步包括遮罩投影系统，该遮罩投影系统使用辐射源将第一opc-ilt增强的遮罩布局投影在遮罩坯件上以产生光微影遮罩。在一实施例中，数据库不包括第一opc-ilt增强的遮罩布局。
前文概述了若干实施例或实例的特征，使得熟悉此项技术者可更佳地理解本揭示的态样。熟悉此项技术者应理解，其可容易地将本揭示用作设计或修改其他过程及结构以实施与本文介绍的实施例或实例相同的目的及/或达成相同的优点的基础。熟悉此项技术者亦应认识到，此种等效构造不脱离本揭示的精神及范围，且在不脱离本揭示的精神及范围的情况下，其可在本文中进行各种改变、替换及更改。
1.一种制造用于一集成电路的一光微影遮罩的方法，其特征在于，包含以下步骤：
对一集成电路遮罩布局执行一光学近接校正(opc)处理以产生一经校正遮罩布局；
对该经校正遮罩布局执行一逆光微影技术(ilt)处理以增强该经校正遮罩布局，从而产生一opc-ilt增强的遮罩布局；及
使用一卷积神经网络验证该opc-ilt增强的遮罩布局。
技术总结