本公開總體上涉及光刻過程建模，并且涉及使用機器學習（ml）模型基于過程模型生成掩模預測的方法。
背景技術：
1、光刻投影設備可以用在例如集成電路（ic）的制造中。圖案形成裝置（例如，掩模）可以包括或提供與ic的單層（“設計布局”）相對應的圖案，并且可以通過諸如通過圖案形成裝置上的圖案照射目標部分的方法，將該圖案轉印到已經涂覆有輻射敏感材料（“抗蝕劑”）層的襯底（例如，硅晶片）上的目標部分（例如，包括一個或多個管芯）上。通常，單個襯底包括多個相鄰的目標部分，光刻投影設備每次一個目標部分地將圖案連續地轉印到目標部分。
2、在將圖案從圖案形成裝置轉印到襯底之前，所述襯底可以進行各種過程，諸如涂底漆、抗蝕劑涂覆和軟烘烤。在曝光之后，襯底可以進行其他過程（“曝光后過程”），諸如曝光后烘烤（peb）、顯影、硬烘烤、以及所轉印圖案的測量/檢查。這一系列過程被用作制備例如ic的裝置的單獨層的基礎。然后，襯底可以經歷各種過程，諸如蝕刻、離子注入（摻雜）、金屬化、氧化、化學機械拋光等，所有這些過程都旨在完成器件的各個層。如果在裝置中需要若干層，則針對每個層重復整個過程或其變型。最終，器件將存在于襯底上的每個目標部分中。然后，通過諸如切割或鋸切的技術使這些器件彼此分離，以便可以將單獨的器件裝配在載體上、連接到引腳等。
3、因此，制造器件（諸如半導體器件）通常涉及使用多個制造過程處理襯底（例如半導體晶片），以形成器件的各種特征和多個層。這種層和特征通常使用例如沉積、光刻、蝕刻、化學機械拋光和離子注入來制造和處理?？稍谝r底上的多個芯片上制造多個器件，并且然后分離成單個器件。這種器件制造過程可以視為圖案化過程。圖案化過程涉及諸如在光刻設備中使用圖案形成裝置的光學和/或納米壓印光刻的圖案化步驟，以將圖案形成裝置上的圖案轉印至襯底，并且通常但可選地涉及一個或多個相關的圖案處理步驟，諸如通過顯影設備的抗蝕劑顯影、使用烘烤工具烘烤襯底、使用蝕刻設備對圖案進行蝕刻等。
4、應當注意，光刻是制造諸如ic的器件的中心步驟，其中在襯底上形成的圖案限定器件的功能元件，諸如微處理器、存儲器芯片等。類似的光刻技術也用于形成平板顯示器、微電子機械系統（mems）和其他器件。
5、隨著半導體制造過程的不斷進步，功能元件的尺寸不斷減小，同時，每個器件的功能元件（諸如晶體管）的數量數十年一直穩步增加，這遵循了通常被稱為“摩爾定律”的趨勢。在當前的技術狀態下，使用光刻投影裝置來制造器件的層，所述光刻投影裝置使用來自深紫外照射源的照射將設計布局投影到襯底上，從而產生具有遠低于100nm（即，小于來自照射源（例如193nm的照射源）的輻射的波長的一半）的尺寸的單個功能元件。
6、印制具有比光刻投影設備的經典分辨率極限更小的尺寸的特征的過程通常被稱為低k1光刻術，根據分辨率公式cd?=?k1×λ/na，其中λ是所采用的輻射的波長（目前，大多數情況下為248nm或193nm），na是光刻投影設備中投影光學元件的數值孔徑，cd是“臨界尺寸”（通常是印制的最小特征大小）并且k1是經驗分辨率因子。通常，k1越小，則在襯底上再現類似于由電路設計者所規劃的形狀和尺寸以便實現特定電學功能和性能的圖案就變得越困難。為了克服這些困難，可以將復雜的精調諧步驟應用到光刻投影設備、設計布局或圖案形成裝置。這些步驟包括例如但不限于：na的優化和光學相干設置、自限定照射方案、使用相移圖案形成裝置、設計布局中的光學鄰近校正（opc，有時也稱為“光學和過程校正”）、或通常被限定為“分辨率增強技術”（ret）的其它方法。
技術實現思路
1、本公開的實施例提供了一種以半監督方式訓練機器學習模型以基于輸入圖案輸出預測的掩模圖案的方法。實施例提供了用于訓練的方法，該方法利用與無監督訓練數據相一致的過程模型來確定損失函數或成本函數模型調整。實施例提供了迭代訓練的方法。實施例提供了異步訓練的方法。實施例提供了基于過程模型優化的訓練方法，包括通過使用過程模型優化來生成監督訓練數據。
2、根據實施例，提供了一種訓練機器學習（ml）模型以用于掩模圖案生成的方法，所述計算機實施方法包括：獲得所述ml模型，所述ml模型被配置為基于輸入圖案生成輸出掩模圖案；以及通過以下步驟訓練所述ml模型：將所述ml模型應用于訓練輸入圖案以生成預測的掩模圖案；將正向模型應用于所述預測的掩模圖案以生成預測的晶片圖案，所述正向模型被配置為基于輸入掩模圖案預測輸出圖案；確定所述訓練輸入圖案和所述預測的晶片圖案之間的差異；以及基于所述訓練輸入圖案和所述預測的晶片圖案之間的差異來調整所述ml模型。
3、在實施例中，將ml模型應用于訓練輸入圖案以生成預測的掩模圖案包括：將ml模型應用于多個訓練輸入圖案以生成多個預測的掩模圖案，將正向模型應用于預測的掩模圖案以生成預測的晶片圖案包括：將正向模型應用于多個預測的掩模圖案以生成多個預測的晶片圖案，確定訓練輸入圖案和預測的晶片圖案之間的差異包括確定多個訓練輸入圖案和多個預測的晶片圖案之間的差異，并且基于差異調整ml模型包括：基于多個訓練輸入圖案和多個預測的晶片圖案之間的差異調整ml模型。
4、根據實施例，提供了一種訓練ml模型的方法，所述ml模型被配置為基于輸入目標圖案生成掩模圖案，所述方法包括：獲取ml模型；以及基于第一訓練數據集和第二訓練數據集來訓練所述ml模型，所述第一訓練數據集包括第一目標圖案集和相應確定的掩模圖案，以及所述第二訓練數據集包括第二目標圖案集，其中所述訓練包括：將所述ml模型應用于所述第一目標圖案集，以生成第一預測的掩模圖案集；確定所述第一預測的掩模圖案集與所述相應確定的掩模圖案之間的關系；將所述ml模型應用于所述第二目標圖案集中的一個或多個，以生成一個或多個預測的掩模圖案；將正向模型應用于所述一個或多個預測的掩模圖案，以生成一個或多個預測目標圖案；確定所述第二目標圖案集中的一個或多個與所述一個或多個預測目標圖案之間的關系；以及基于（i）所述第一預測的掩模圖案集與相應確定的掩模圖案之間的關系，以及（ii）所述第二目標圖案集中的一個或多個與所述一個或多個預測目標圖案之間的關系來確定所述ml模型的參數。
5、根據實施例，提供了一種訓練機器學習（ml）模型以用于掩模圖案預測的方法，所述方法包括：獲得ml模型，所述ml模型被配置為基于輸入圖案生成輸出圖案；以及通過以下步驟訓練所述ml：將所述ml模型應用于一個或多個目標圖案以生成一個或多個輸出圖案，其中所述一個或多個輸出圖案包括掩模圖案；將物理模型應用于所述一個或多個輸出掩模圖案以生成一個或多個中間目標圖案，所述物理模型被配置為基于輸入掩模圖案生成輸出目標圖案；確定所述一個或多個中間目標圖案與所述一個或多個目標圖案之間的差異；以及基于所述一個或多個中間目標圖案與所述一個或多個目標圖案之間的差異來調整所述ml模型。
6、根據實施例，提供了一種訓練機器學習（ml）模型以用于掩模圖案預測的方法，所述方法包括：獲得經初始訓練的ml模型，所述經初始訓練的ml模型被訓練為基于一個或多個目標圖案的輸入生成一個或多個掩模圖案作為輸出；生成用于所述ml模型的后續訓練數據集，包括：選擇后續訓練目標圖案集；利用所述ml模型生成用于所述后續訓練目標圖案的后續掩模圖案；以及基于物理模型和所述后續訓練目標圖案細化所述后續掩模圖案；以及基于所述后續訓練數據集來訓練所述ml模型，其中所述后續訓練數據集包括所述后續訓練目標圖案集和經細化的后續掩模圖案。
7、根據另一實施例，提供了一個或多個非暫時性機器可讀介質，所述非暫時性機器可讀介質在其上具有指令，所述指令在被處理器執行時被配置為執行根據任何其他實施例的方法。
8、根據另一實施例，提供了一個或多個系統，所述系統包括處理器和一個或多個非暫時性機器可讀介質，所述非暫時性機器可讀介質在其上具有指令，所述指令在被所述處理器執行時被配置為執行根據任何其他實施例的方法。
9、根據另一實施例，提供了一個或多個非暫時性機器可讀介質，所述非暫時性機器可讀介質在其上具有指令，所述指令在被處理器執行時被配置為執行操作通過根據任何其他實施例的方法訓練的機器學習模型。
10、根據另一實施例，提供了一個或多個系統，所述系統包括處理器和一個或多個非暫時性機器可讀介質，所述非暫時性機器可讀介質在其上具有指令，所述指令在被處理器執行時被配置為操作通過根據任何其他實施例的方法訓練的機器學習模型。