基于ResNet34的光刻热点识别方法.pdf

信息记录材料 2023 年 7 月 第 24 卷第 7 期基于 ResNet34 的光刻热点识别方法林 牧(广东工业大学自动化学院 广州 广东 510000)【摘摘要要】随着集成电路特征尺寸的不断缩小,设计版图的日益复杂,由于光的衍射或者掩膜版本身的缺陷,导致在复制到晶圆表面的图形发生变形,这种变形包括图案断裂“断路”或相邻图案桥接“短路”。这种缺陷一般称之为光刻热点,光刻热点已经成为优化掩模设计提高可打印性的主要问题。本文提出了一种基于 ResNet34 的光刻热点检测方法,使用几何翻转扩增训练数据集。实验结果表明,与基于深度学习或代表性机器学习的热点检测方法相比,所提方法在 ICCAD 2012 竞赛基准上取得了更好的性能。【关关键键词词】光光刻刻热热点点;残残差差网网络络;深深度度学学习习【中中图图分分类类号号】TP279 【文文献献标标识识码码】A 【文文章章编编号号】1009-5624(2023)07-0125-030 引言随着对高集成度和更好性能的需求,半导体的物理设计不断缩小,这给集成电路的制造良品率带来极大的挑战。当光源的波长远远大于特征尺寸的时候,所引起的光学临近校正已经变得不可忽略,会在将掩模板图形复制到晶圆上时,发生严重的形变,即短路和断路,这种缺陷一般称为光刻热点,光刻热点会影响集成电路性能。现有的光刻热点检测技术主要有 4 种:光刻模拟1、模式匹配2、机器学习3和深度学习4。光刻模拟能够提供一个准确的计算光刻图形,捕获敏感的布局模式,对光刻热点的检测率是最高的,但是光刻模拟需要消耗大量的计算资源和时间成本;模式匹配能够加速光刻热点的识别效率,但是模式匹配高度依赖于热点库的建立,能够识别出热点库存在或者相似的热点,对于未知的热点图形,模式匹配的识别率较低;机器学习在光刻热点检测中体现出不错的性能,但是机器学习本身要具有丰富的专业理论知识,需要手动地提出特征,需要消耗大量的时间在训练和测试前对数据进行处理并且容易造成热点的遗漏和误判问题;近年来,随着深度学习的引入,它能够自动提取热点的特征表示并且能够实现端对端的训练,避免了大量繁琐的手动特征提取过程5。在本文中,研究人员利用残差网络容易优化的优点,通过残差网络增加网路的深度来提高准确率,提出具有残差结构的热点检测模型,此外,研究人员做出了额外的工作来改进检测模型的性能,通过数据增强和预训练模型去提高模型的学习能力。本文的方法检测的精准率为16%,召回率为 99.2%,与其他的方法相比,本文的方法能够很好地完成目标检测任务。1 光刻热点数据描述热点图形和非热点图形的几何特征相似度比较高,将设计好的版图图形转移到晶圆上的光刻工艺涉及许多变化。一些图案对这些变化很敏感,导致热点图形和非热点图形的特征表现极为相似,这对网络模型的学习能力提出更高的要求。热点数据是高度不平衡的,光刻热点总是少数的,在实际的集成电路设计环节中,通过分辨率增强技术之后版图的热点数量也是始终小于非热点数量,表 1 列出了 ICCAD 2012 竞赛的 5 个基准数据,可以看出,非热点的数量远远大于热点数量,特别是基准 5 的数据。非热点图形是热点图形的 10 倍,在没有进行数据扩增的情况下,网络可能会将热点图形误判为非热点图形。表 1 ICCAD 2012 竞赛数据集名字训练集测试集HSNHSHSNHS技术基准 199340226467932nm基准 217452854984129828nm基准 3909464318084633328nm基准 49544521773189028nm基准 5262716411932728nm2 使用方法2.1 数据扩增研究人员采用 ICCAD 2012 数据集作为模型的训练和测试数据集,数据集的结构如表 1 所示,数据集包括 28nm 和 32nm 技术,非热点的数量远远大于热点的数量,如果将数据直接输入到网络中进行学习,网络可能无法很好地学习到热点图形的版图特征,热点图形很可能被错误地归类为非热点图形。因此,对数据集进行数据扩增是必不可少的,但是由于光的衍射和布局的特性,无法以任意角度旋转、裁剪、颜色空间变换等形式增强数据,任意旋转可能会导致光衍射后图案发生变化,而剪切可能会剪切出热点的图像特征。然而,考虑到光刻过程中光源的对称性,版图图形方向的改变不会改变其属性,然后可以通过翻转原始版图图形来增加版图图形的数量。通常,采用水平翻转、垂直翻转和水平垂直翻转 3 种几何数据增强方法,本文采用图 1 的方式对数据进行扩增。2.2 残差网络在深度学习中,增加网络的深度和宽度可以大大提高网络的性能。一般来说,深度网络的性能优于浅层网络。然而,仅仅增加网络的深度和宽度就会导致网络的梯度爆炸和梯度消失。正则化可以解决网络的爆炸性梯度问题。然而,梯度消失的问题却无法得到解决。HE 提出残差网络来解决梯度消失问题。残差网络采用快捷方式连接,见图 2,图 2(b)是残差网络的结构。残差网络的参考大大521信息记录材料 2023 年 7 月 第 24 卷第 7 期注:图 1(a)是原始图像,图 1(b)、(c)、(d)分别是(a)逆时针旋转 90、180、270得到的。(e)是(a)水平翻转得来的,图 1(f)、(g)、(h)分别是(e)逆时针旋转 90、180、270得到的。图 1 数据增强缓解了深度神经网络深度增加而导致的梯度消失问题。图 2 残差网络结构在本文中,研究人员使用 ResNet34 网络作为深度学习网络。该网络主要是参考 VGG19 网络并对其进行了修改,通 过 快 捷 连 接 添 加 残 差 单 元6。如 图 3 所 示,ResNet347首先使用步幅为 2 的卷积作为降采样,在最后使用平均池化而不是整个连接层,ResNet34 的一个重要设计原则是,当特征图的大小下降到一半时,特征图的数量就会翻倍,从而保持网络的复杂性。从图 3 中可以看出,ResNet34 中有些快捷连接是实线,有些是虚线。图 4 显示残差学习和虚线残差学习之间的主要区别。当输入通道数和输出通道数不一致时,不能直接使用图 4(a)中的结构作为快捷方式连接。主要部分需要通过卷积网络进行降采样,并需要调整卷积层的步幅。3 实验结果在实验正式开始之前,研究人员先介绍光刻热点识别性能指标。随后将使用提出的方法与其他光刻热点识别解决方法进行比较。本实验采用 6 核 3.6 GHz CPU、Nvidia GTX 1080Ti 和 16G 内存实现。所提出的框架在ICCAD 2012 竞赛的数据集中进行验证。ICCAD2012 数据集主要划分为训练数据集和测试数据集,在网络的训练阶段,将训练数据集通过数据扩增的形式,扩大训练数据集,将扩大后的训练数据集输入到经过预训练的网络之中进行训练,网络训练完成后,将测试数据集输入到训练过后的网络中,热点检测结果有如下几种情况。图 3 ResNet34 的结构图 4 ResNet34 中 2 种不同残差结构(1)真正例(True positive,TP):将坏点图形识别为坏点图形。(2)真反例(True negative,TN):将非坏点图形识别为非坏点图形。(3)假正例(False positive,FP):将非坏点图形识别为坏点图形。(4)假反例(False negative,FN):将坏点图形识别为非坏点图形。为更好地对网络模型进行评估,一般采用召回率(recall)、精确度(precision)、F1 对网络进行评估,其定义621信息记录材料 2023 年 7 月 第 24 卷第 7 期为式(1)式(3)8:recall=TPTP+FN(1)precision=TPTP+FP(2)F1=2 TP+TNTP+TN+FP+FN(3)召回率是指在测试集中发现了多少热点,精度率是指有多少预测样本是真实的热点,F1 分数是统计中用于衡量二分模型准确性的指标。如上所述,研究人员使用 ResNet34 作为剩余学习网络的实验,设置迭代的数量 10,批大小 16,初始学习率0.000 1,随机梯度下降优化器,创建一个余弦函数,用于更新学习率,训练后,学习率开始 0.1 倍。图 5 显示了训练过程中的损失。在迭代次数从 1 下降到 3 时,网络的损失函数下降最快,损失函数在迭代次数为 6 时开始趋于平稳。图 5 ICCAD 2012 训练的损失函数变化训练结束后,将测试数据集输入到训练后的网络中,得到模型性能,通过对比其他研究人员和本文提出的方法。结果如表 2 所示。在光刻热点识别任务中,首先要将热点识别出来,其次再追求精确度的提高,在召回率方面,本文的方法始终比 GAO 等9的方法高,虽然本文的召回率比 SHIN 等10的方法要稍微低一点,但是将基准 2 到基准 5 数据进行合并,本文方法的召回率是高于 SHIN 等方法的,综上所述,该方法能够有效地识别热点,且准确率高,有效地减少了维护过程的工作量。表 2 实验结果对比名字方法召回率精确度F1基准 1Gao81.020.232.3Shin95.130.46.3ResNet3481.020.232.3基准 2Gao81.13.97.4Shin99.519.031.9ResNet3497.488.098.5基准 3Gao87.05.410.2Shin98.97.814.5ResNet3497.945.061.7名字方法召回率精确度F1基准 4Gao80.54.78.9Shin97.66.812.7ResNet3493.833.949.8基准 5Gao84.18615.6Shin97.915.626.9ResNet3492.716.327.8平均Gao82.78.614.9Shin97.816.026.5ResNet3499.216.027.64 结论本文提出了一个基于 ResNet34 的光刻热点识别方法,为了解决深度学习深度网络特征的缺点,研究人员引入残差网络,具有较强的学习能力,同时,研究人员使用几何翻转放大热点训练数据集。实验表明,本文的方法可以有效地识别光刻热点,光刻热点识别任务性能指标是优秀的。研究的实验结果也证实了基于残差网络和预训练的光刻热点识别方法优于该研究领域的其他方法。【参考文献】1 朱忠华.版图光刻工艺热点快速检测及修复技术研究 D.上海:上海交通大学,2016.2 YU Y T,CHAN Y C,SINHA S,et al.Accurate process-hotspot detection using critical design rule extraction C DAC Design Automation Conference.June 3-7,2012,SanFrancisco,CA,USA.IEEE,2012:1163-1168.3 盖天洋,粟雅娟,陈颖,等.基于机器学习的光刻坏点检测研究 进 展 J.微 纳 电 子 技 术,2019,56(6):421-428,434.4 郭求是,史峥,张培勇.基于 Faster R-CNN 的光刻热点检测J.微电子学,2018,48(6):834-838,845.5 ZHOU K B,ZHANG K F,LIU J,et al.An imbalance awarelithography hotspot detection method based on HDAM and pre-trained GoogLeNet J/OL.Meas Sci Technol,2021,32(12):125008.https:/doi.org/10.1088/1361-6501/ac219a.6 曹葵康,沈海斌,杨祎巍.基于 SVM 及多目标遗传算法的光刻 热 点 检 测 J.电 路 与 系 统 学 报,2012,17(3):26-30.7 涂雪滢,刘世晶,钱程.基于 ResNet 的典型养殖鱼类识别方法研究 J.渔业现代化,2022,49(3):81-88.8 李文豪.基于改进残差网络的箱包五金件图像分类方法研究 D.南昌:南昌大学,2022.9 GAO J R,YU B,PAN D.Accurate lithography hotspotdetection based on PCA-SVM classifier with hierarchical dataclustering J.ProcSPIEIntSocOptEng,2014,9053:2006-2021.10 SHIN M,LEE J H.CNN based lithography hotspot detectionJ.Int J Fuzzy Log Intell Syst,2016,16(3):208-215.作者简介:林牧(1995),男,广东东莞,硕士,研究方向:计算光刻。721