数字通信世界杂志

摘要：先进集成电路制造工艺节点越做越小的过程中，光刻成像逐步接近物理极限，光学邻近效应越来越严重地影响着图形转移精度，目前已有的基于经验规则的经验性光学邻近校正方法，在复杂版图设计下的适用性有限；另一方面，完全依靠物理模型建立起来的光学邻近校正方法很难平衡准确性和计算量的关系。本文在原有传统物理光学建模框架上，结合深度学习模型的思想，使用深度学习模型校正成像残差，并将其作为建立混合模型OPC校正的方法。将物理模型给出的成像预测结果作为先验知识加入校正的初始环节，将用于训练神经网络的样本加入到原有的OPC流程中，利用神经网络可以解决局部系统偏差问题的优点，运用分阶段参数优化与自适应迭代策略实现复杂图形的稳定校正。基于典型的金属互连结构及接触孔结构搭建实验平台，实验结果表明：相较于经验规则OPC与完全物理模型OPC，该混合建模方法可以保证OPC的稳定性并降低边缘放置误差和迭代计算成本，且对不同工艺节点的图形也较为友好。由此，可以推测混合建模方法具有一定的OPC工程应用价值。

关键词： 光学邻近校正;混合模型;深度学习;边缘放置误差;光刻工艺;

专辑： 信息科技

专题： 无线电电子学

分类号： TN405