图形修正方法
阅读说明：本技术 图形修正方法 (Pattern correction method ) 是由 杜杳隽 于 2020-05-20 设计创作，主要内容包括：一种图形修正方法,包括：提供底层结构,所述底层结构包括若干平行排列的导电层；提供待修正版图,所述待修正版图具有若干待修正图形,所述待修正版图用于在所述底层结构上形成图形化层；通过所述待修正图形获取第一信息；通过所述导电层获取第二信息；根据所述第一信息和第二信息获取刻蚀偏差；根据刻蚀偏差对待修正图形进行修正,获取目标图形。所述方法获取的目标图形,图形精准度较高。(A pattern correction method, comprising: providing a bottom layer structure, wherein the bottom layer structure comprises a plurality of conducting layers which are arranged in parallel; providing a layout to be corrected, wherein the layout to be corrected is provided with a plurality of patterns to be corrected, and the layout to be corrected is used for forming a patterning layer on the bottom layer structure; acquiring first information through the graph to be corrected; acquiring second information through the conductive layer; acquiring etching deviation according to the first information and the second information; and correcting the pattern to be corrected according to the etching deviation to obtain a target pattern. The target graph obtained by the method is high in graph accuracy.)
技术领域
本发明涉及半导体制造技术领域，尤其涉及一种图形修正方法。
背景技术
为实现将图形从掩膜版中转移到硅片表面，通常需要经过曝光步骤、曝光步骤之后进行的显影步骤和显影步骤之后的刻蚀步骤。在曝光步骤中，光线通过掩膜版中透光的区域照射至涂覆有光刻胶的硅片上，光刻胶在光线的照射下发生化学反应；在显影步骤中，利用感光和未感光的光刻胶对显影剂的溶解程度的不同，形成光刻图案，实现掩膜版图案转移到光刻胶上；在刻蚀步骤中，基于光刻胶层所形成的光刻图案对硅片进行刻蚀，将掩膜版的图案进一步转移至硅片上。
在半导体制造中，随着设计尺寸的不断缩小，设计尺寸越来越接近光刻成像系统的极限，光的衍射效应变得越来越明显，导致最终对设计图形产生光学影像退化，实际形成的光刻图案相对于掩膜版上的图案发生严重畸变，最终在硅片上经过光刻形成的实际图形和设计图形不同，这种现象称为光学邻近效应(OPE：Optical Proximity Effect)。
为了修正光学邻近效应，便产生了光学邻近修正(OPC：Optical ProximityCorrection)。光学邻近修正的核心思想就是基于抵消光学邻近效应的考虑建立光学邻近修正模型，根据光学邻近修正模型设计光掩模图形，这样虽然光刻后的光刻图形相对应光掩模图形发生了光学邻近效应，但是由于在根据光学邻近修正模型设计光掩模图形时已经考虑了对该现象的抵消，因此，光刻后的光刻图形接近于用户实际希望得到的目标图形。刻蚀偏差是光学邻近修正的其中一个参数。
然而，采用现有获取刻蚀偏差的方法获取的刻蚀偏差，对掩膜图形进行修正后进行曝光得到的光刻图形与目标图形间的尺寸误差较大。
发明内容
本发明解决的技术问题是提供一种图形修正方法，以减小光刻图形和目标图形之间的尺寸误差。
为解决上述技术问题，本发明技术方案提供一种图形修正方法，包括：提供底层结构，所述底层结构包括若干平行排列的导电层；提供待修正版图，所述待修正版图具有若干待修正图形，所述待修正版图用于在所述底层结构上形成图形化层；通过所述待修正图形获取第一信息；通过所述导电层获取第二信息；根据所述第一信息和第二信息获取刻蚀偏差；根据刻蚀偏差对待修正图形进行修正，获取目标图形。
可选的，根据所述第一信息和第二信息获取刻蚀偏差的方法包括：获取卷积神经网络模型；采用卷积神经网络模型，对所述第一信息和第二信息进行处理以获取刻蚀偏差。
可选的，对所述第一信息和第二信息进行处理以获取刻蚀偏差的方法包括：根据第一信息和第二信息获取输入向量v；采用卷积神经网络模型，对输入向量v进行处理以获取刻蚀偏差。
可选的，根据第一信息和第二信息获取输入向量v的方法包括：根据第一信息获取第一向量v0；根据第二信息获取第二向量vg；将所述第一向量v0和第二向量vg串接，获取输入向量v＝v0+vg。
可选的，所述待修正图形包括：相对的第一短边LE1和第二短边LE2；与第一短边LE1和第二短边LE2垂直的第二边，所述第二边两端分别与第一短边LE1和第二短边LE2相接。
可选的，获取所述待修正图形的第一信息的方法包括：获取第一尺寸CD，所述第一尺寸CD为所述第一短边LE1和第二短边LE2的边长；获取第二尺寸L，所述第二尺寸L为所述第二边的边长，第二尺寸L大于所述第一尺寸CD；获取第一间距space，所述第一间距space为相邻平行待修正图形之间的间距。
可选的，获取第一向量v0的方法包括：根据第一尺寸CD、第二尺寸L和第一间距space获取第一向量v0；所述第一向量v0＝[CD，space，L]。
可选的，获取所述待修正图形的第一信息的方法还包括：将所述第二边分割成若干线段；获取第二间距dist1，所述第二间距dist1为任一所述线段的中点与所述第一短边LE1的距离；获取第三间距dist2，所述第三间距dist2为任一所述线段的中点与所述第二短边LE2的距离；所述线段类型type包括：第一类线段、第二类线段或第三类线段，所述第一类线段为若干线段中与所述第一短边LE1或第二短边LE2相接的线段，所述第二类线段为若干线段中与所述第一短边LE1和第二短边LE2不相接的线段，所述第三类线段包括所述第一短边LE1和第二短边LE2。
可选的，获取第一向量v0的方法还包括：根据第一尺寸CD、第二尺寸L、第一间距space、线段类型type、第二间距dist1和第三间距dist2获取第一向量v0，所述第一向量v0＝[CD，space，L，type，dist1，dist2]。
可选的，获取所述导电层的第二信息的方法包括：获取所述导电层在底层结构中的密度函数P(x,y)；提供第一高斯函数GS1、第二高斯函数GS2、第三高斯函数GS3和第四高斯函数GS4，所述第一高斯函数GS1具有第一方差S1，所述第二高斯函数GS2具有第二方差S2，所述第三高斯函数GS3具有第三方差S3，所述第四高斯函数GS4具有第四方差S4，所述第一方差S1、第二方差S2、第三方差S3和第四方差S4互不相同；对所述密度函数P(x,y)进行第一高斯卷积处理，获取第一高斯卷积函数Q1(x,y)，对所述密度函数P(x,y)进行第二高斯卷积处理，获取第二高斯卷积函数Q2(x,y)，对所述密度函数P(x,y)进行第三高斯卷积处理，获取第三高斯卷积函数Q3(x,y)，对所述密度函数P(x,y)进行第四高斯卷积处理，获取第四高斯卷积函数Q4(x,y)，获取任一线段的中点坐标(x’,y’)；根据所述中点坐标(x’,y’)获取第二信息，所述第二信息包括第一高斯卷积函数Q1(x,y)在线段中点(x’,y’)处的函数值第二高斯卷积函数Q2(x,y)在线段中点(x’,y’)处的函数值第三高斯卷积函数Q3(x,y)在线段中点(x’,y’)处的函数值和第四高斯卷积函数Q4(x,y)在线段中点(x’,y’)处的函数值
可选的，获取导电层的密度函数P(x,y)的方法包括：在底层结构表面的平面建立二维坐标系(X,Y)；获取导电层的轮廓在所述二维坐标系内的坐标范围集；根据导电层的坐标范围集获取所述导电层的密度函数P(x,y)。
可选的，所述P(x,y)＝0或P(x,y)＝1。
可选的，当二维坐标系中的任一坐标(x,y)位于所述导电层的坐标范围内时，P(x,y)＝1；当二维坐标系中的任一坐标(x,y)位于所述导电层的坐标范围之外时，P(x,y)＝0。
可选的，获取第二向量vg的方法包括：根据第一高斯卷积函数Q1(x,y)在线段中点(x’,y’)处的函数值第二高斯卷积函数Q2(x,y)在线段中点(x’,y’)处的函数值第三高斯卷积函数Q3(x,y)在线段中点(x’,y’)处的函数值和第四高斯卷积函数Q4(x,y)在线段中点(x’,y’)处的函数值获取第二向量vg，所述第二向量
可选的，获取所述卷积神经网络模型的方法包括：提供初始卷积神经网络模型；提供若干组训练样本，所述训练样本包括若干待修正图形的信息和对应的目标刻蚀偏差；根据若干待修正图形的信息转获取输入向量；将所述输入向量输入初始卷积神经网络模型中进行迭代训练，获取所述卷积神经网络模型。
可选的，将所述输入向量输入初始卷积神经网络模型中进行迭代训练的方法包括：将所述输入向量输入初始卷积神经网络模型中，输出预测刻蚀偏差；获取预测刻蚀偏差与目标刻蚀偏差的差值；判断所述差值是否在预设范围内；若所述差值超出所述预设范围，继续采用所述训练样本对所述初始卷积神经网络模型进行迭代训练，直至所述差值的范围在所述预设范围内；若所述差值在所述预设范围内，得到所述卷积神经网络模型。
可选的，所述训练样本的数量为大于1万组。
可选的，所述卷积神经网络模型包括：输入层，用于将输入的所述第一信息和第二信息进行向量化处理，得到输入向量；隐含层，用于将所述输入向量进行分类处理；输出层，用于将所述分类处理结果进行输出。
与现有技术相比，本发明的技术方案具有以下有益效果：
通过获取待修正图形的第一信息，以及获取所述底层结构的第二信息，再根据所述第一信息和第二信息获取刻蚀偏差，使得获取的所述刻蚀偏差精准率提高，采用所述刻蚀偏差对待修正图形进行修正，获取目标图形的修正效果较好。
进一步，获取卷积神经网络模型，根据所述第一信息和第二信息，从卷积神经网络模型中获取刻蚀偏差，使得所述刻蚀偏差的精准率提高。
附图说明
图1和图2是本发明实施例中半导体结构的剖面结构示意图和俯视图；
图3和图4为本发明实施例中待修正版图的示意图；
图5为本发明实施例中获取第二信息的步骤流程图；
图6为本发明实施例中获取卷积神经网络模型的步骤流程示意图。
具体实施方式
如背景技术所述，采用现有获取刻蚀偏差的方法获取的刻蚀偏差，对掩膜图形进行修正后进行曝光得到的光刻图形与目标图形间的尺寸误差较大。
具体地，在半导体结构的后段制程中，在采用刻蚀偏差对金属层的刻蚀图形进行光学邻近效应修正时，只考虑金属层的线宽和相邻金属层的间距对刻蚀偏差的影响，OPC工程师将建立刻蚀偏差表，特定片段的蚀刻偏差是相关线宽和间距的函数。这种方法只考虑了当前金属层非常有限的信息，完全忽略了底层的形状，而实际上底层上具有若干金属连接层，金属层部分或全部位于金属连接层上，在实际的刻蚀过程中，所述刻蚀工艺受底层材料的影响，位于金属连接层上的部分金属层和没有位于金属连接层上的部分金属层的刻蚀速率不同，从而影响了所形成的金属层的尺寸。是因此，基于上述偏差表计算的蚀刻偏差可能无法得到准确的校正。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1和图2是本发明实施例中半导体结构的剖面结构示意图和俯视图。
请参考图1和图2，图1为图2沿AA’方向的剖面结构示意图，图2为图1的俯视图，提供底层结构，所述底层结构包括若干平行排列的导电层103。
在平行于底层结构表面的第一方向X和第二方向Y上，在底层结构表面的平面建立二维坐标系(X,Y)，所述导电层103的轮廓在二维坐标系(X,Y)中具有坐标范围集U，所述第一方向X和第二方向Y相互垂直。
在本实施例中，所述底层结构还包括：基底100；位于基底100上的器件层101，所述器件层101包括隔离结构(未图示)和位于隔离结构内的器件结构(未图示)，所述器件结构包括晶体管、二极管、三极管、电容、电感或导电结构等；位于器件层101上的介质层102；位于介质层102内的导电层103，所述导电层103与所述器件结构电连接。
在本实施例中，所述基底100的材料为硅。
在其他实施例中，所述基底的材料包括碳化硅、硅锗、Ⅲ-Ⅴ族元素构成的多元半导体材料、绝缘体上硅(SOI)或者绝缘体上锗(GOI)。其中，Ⅲ-Ⅴ族元素构成的多元半导体材料包括InP、GaAs、GaP、InAs、InSb、InGaAs或者InGaAsP。
所述隔离结构的材料包括介电材料，所述介电材料包括氧化硅、氮化硅、氮氧化硅、氧化铝、氮化铝、氮碳化硅和氮碳氧化硅中的一种或多种的组合。所述介质层102的材料包括介电材料，所述介电材料包括氧化硅、氮化硅、氮氧化硅、氧化铝、氮化铝、氮碳化硅和氮碳氧化硅中的一种或多种的组合。所述导电层103的材料包括金属，所述金属包括铜、铝、钨、钴和氮化钛中的一种或多种的组合。
在本实施例中，所述隔离结构的材料包括氧化硅；所述介质层102的材料包括氧化硅。
图3和图4为本发明实施例中待修正版图的示意图。
请参考图3，提供待修正版图200，所述待修正版图200具有若干待修正图形201，所述待修正版图200用于在所述底层结构上形成图形化层。
若干所述待修正图形201沿平行于待修正版图的第一方向X平行排布，若干所述待修正图形201沿平行于待修正版图的第二方向Y上平行排布。
相邻平行的待修正图形201之间具有间距space。
在本实施例中，所述待修正版图200与所述底层结构的共用同一个坐标系。
请参考图4，图4为图3中任一待修正图形201的放大示意图。
所述待修正图形201包括：相对的第一短边LE1和第二短边LE2；与第一短边LE1和第二短边LE2垂直的第二边(未标示)，所述第二边两端分别与第一短边LE1和第二短边LE2相接。
所述第一短边LE1和第二短边LE2的边长为第一尺寸CD，所述第二边的边长为第二尺寸L，所述第二尺寸L大于所述第一尺寸CD。
接下来，根据所述待修正图形201获取第一信息。
请继续参考图3和图4，通过所述待修正图形201获取第一信息。
获取所述待修正图形201的第一信息的方法包括：获取第一尺寸CD，所述第一尺寸CD为所述第一短边LE1和第二短边LE2的边长；获取第二尺寸L，所述第二尺寸L为所述第二边的边长，第二尺寸L大于所述第一尺寸CD；获取第一间距space，所述第一间距space为相邻平行待修正图形之间的间距。
所述第一信息包括第一尺寸CD、第二尺寸L和第一间距space。
接下来，根据第一信息获取第一向量v0。
获取第一向量v0的方法包括：根据第一尺寸CD、第二尺寸L和第一间距space获取第一向量v0；所述第一向量v0＝[CD，space，L]。
请继续参考图3和图4，在本实施例中，还包括：将所述第二边分割成若干线段。
所述线段类型type包括：第一类线段N1、第二类线段N2或第三类线段，所述第一类线段为若干线段中与所述第一短边LE1或第二短边LE2相接的线段，所述第二类线段为若干线段中与所述第一短边LE1和第二短边LE2不相接的线段，所述第三类线段包括所述第一短边LE1和第二短边LE2。
所述第一类线段N1具有第一中点C1，所述第一中点C1的坐标为(x’1，y’1)；所述第二类线段N2具有第二中点C2，所述第二中点C2的坐标为(x’2，y’2)；所述第一短边LE1或第二短边LE2具有第三中点C3，所述第三中点C3的坐标为(x’3，y’3)。
获取所述待修正图形201的第一信息的方法还包括：获取第二间距dist1，所述第二间距dist1为任一所述线段的中点C1、C2或C3与所述第一短边LE1的距离；获取第三间距dist2，所述第三间距dist2为任一所述线段的中点C1、C2或C3与所述第二短边LE2的距离；获取所述线段类型type，所述线段类型type包括第一类线段N1、第二类线段N2或第三类线段，所述第三类线段包括所述第一短边LE1和第二短边LE2。
在本实施例中，所述第一信息包括第一尺寸CD、第二尺寸L、第一间距space、第二间距dist1、第三间距dist2和线段类型type。
所述第一信息除了第一尺寸CD、第二尺寸L、第一间距space之外，还包括第二间距dist1、第三间距dist2和线段类型type，从而所述第一信息的内容更为丰富，在通过所述第一信息和第二信息获取刻蚀偏差时，所述刻蚀偏差更为准确。
在其它实施例中，所述第一信息能够不包括所述第二间距dist1、第三间距dist2和线段类型type。
接下来，根据所述导电层103获取第二信息。
图5为本发明实施例中获取第二信息的步骤流程图。
请参考图5，通过所述导电层103获取第二信息，获取所述导电层103的第二信息的步骤如下：
S10：获取所述导电层在底层结构中的密度函数P(x,y)；
S20：提供第一高斯函数GS1、第二高斯函数GS2、第三高斯函数GS3和第四高斯函数GS4，所述第一高斯函数GS1具有第一方差S1，所述第二高斯函数GS2具有第二方差S2，所述第三高斯函数GS3具有第三方差S3，所述第四高斯函数GS4具有第四方差S4，所述第一方差S1、第二方差S2、第三方差S3和第四方差S4互不相同；
S30：对所述密度函数P(x,y)进行第一高斯卷积处理，获取第一高斯卷积函数Q1(x,y)，
S40：对所述密度函数P(x,y)进行第二高斯卷积处理，获取第二高斯卷积函数Q2(x,y)，
S50：对所述密度函数P(x,y)进行第三高斯卷积处理，获取第三高斯卷积函数Q3(x,y)，
S60：对所述密度函数P(x,y)进行第四高斯卷积处理，获取第四高斯卷积函数Q4(x,y)，
S70：获取任一线段的中点坐标(x’,y’)；
S80：根据所述中点坐标(x’,y’)获取第二信息，所述第二信息包括第一高斯卷积函数Q1(x,y)在线段中点(x’,y’)处的函数值第二高斯卷积函数Q2(x,y)在线段中点(x’,y’)处的函数值第三高斯卷积函数Q3(x,y)在线段中点(x’,y’)处的函数值和第四高斯卷积函数Q4(x,y)在线段中点(x’,y’)处的函数值
请参考步骤S10：获取所述导电层在底层结构中的密度函数P(x,y)。
获取导电层的密度函数P(x,y)的方法包括：根据导电层103轮廓的坐标范围集U获取所述导电层103的密度函数P(x,y)。
在本实施例中，所述P(x,y)＝0或P(x,y)＝1。
当二维坐标系(X,Y)中的任一坐标(x,y)位于所述导电层103轮廓的坐标范围集U之内时，P(x,y)＝1；当二维坐标系(X,Y)中的任一坐标(x,y)位于所述导电层103轮廓的坐标范围集U之外时，P(x,y)＝0。
请参考步骤S20：提供第一高斯函数GS1、第二高斯函数GS2、第三高斯函数GS3和第四高斯函数GS4，所述第一高斯函数GS1具有第一方差S1，所述第二高斯函数GS2具有第二方差S2，所述第三高斯函数GS3具有第三方差S3，所述第四高斯函数GS4具有第四方差S4，所述第一方差S1、第二方差S2、第三方差S3和第四方差S4互不相同。
所述第一高斯函数GS1、第二高斯函数GS2、第三高斯函数GS3和第四高斯函数GS4具有不同的方差，即后续能够以第一方差S1、第二方差S2、第三方差S3和第四方差S4作为不同的扩散半径，对密度函数P(x,y)进行高斯卷积处理，以对所述密度函数P(x,y)进行模糊化处理，以模拟在实际刻蚀过程中，在离子轰击的不同物理状态下，底层结构对上层图形刻蚀的影响。
所述第一方差S1、第二方差S2、第三方差S3和第四方差S4的值越大，则对所述密度函数P(x,y)进行卷积处理的扩散半径越大，对所述密度函数P(x,y)进行模糊化处理的程度越高，从而能够模拟在离子轰击的不同物理状态下，底层结构对上层图形刻蚀的影响。
请参考步骤S30、S40、S50和S60：对所述密度函数P(x,y)进行第一高斯卷积处理，获取第一高斯卷积函数Q1(x,y)，对所述密度函数P(x,y)进行第二高斯卷积处理，获取第二高斯卷积函数Q2(x,y)，对所述密度函数P(x,y)进行第三高斯卷积处理，获取第三高斯卷积函数Q3(x,y)，对所述密度函数P(x,y)进行第四高斯卷积处理，获取第四高斯卷积函数Q4(x,y)，
对所述密度函数P(x,y)进行第一高斯卷积处理获取第一高斯卷积函数Q1(x,y)，即在底层结构的基础上，以第一方差S1作为扩散半径，对所述密度函数P(x,y)进行模糊化处理，以模拟在实际刻蚀过程中，底层结构对上层图形刻蚀的影响。
对所述密度函数P(x,y)进行第二高斯卷积处理获取第二高斯卷积函数Q2(x,y)，即在底层结构的基础上，以第二方差S2作为扩散半径，对所述密度函数P(x,y)进行模糊化处理，以模拟在实际刻蚀过程中，底层结构对上层图形刻蚀的影响。
对所述密度函数P(x,y)进行第三高斯卷积处理获取第三高斯卷积函数Q3(x,y)，即在底层结构的基础上，以第三方差S3作为扩散半径，对所述密度函数P(x,y)进行模糊化处理，以模拟在实际刻蚀过程中，底层结构对上层图形刻蚀的影响。
对所述密度函数P(x,y)进行第四高斯卷积处理获取第四高斯卷积函数Q4(x,y)，即在底层结构的基础上，以第四方差S4作为扩散半径，对所述密度函数P(x,y)进行模糊化处理，以模拟在实际刻蚀过程中，底层结构对上层图形刻蚀的影响。
请参考步骤S70：获取任一线段的中点坐标(x’,y’)。
任一线段包括第一类线段N1、第二类线段N2或第三类线段，所述第一类线段为若干线段中与所述第一短边LE1或第二短边LE2相接的线段，所述第二类线段为若干线段中与所述第一短边LE1和第二短边LE2不相接的线段，所述第三类线段包括所述第一短边LE1和第二短边LE2。
任一线段的中点坐标包括：第一类线段N1的第一中点C1的坐标(x’1，y’1)；第二类线段N2的第二中点C2的坐标(x’2，y’2)；所述第一短边LE1或第二短边LE2的第三中点C3的坐标(x’3，y’3)。
请参考步骤S80：根据所述中点坐标(x’,y’)获取第二信息，所述第二信息包括第一高斯卷积函数Q1(x,y)在线段中点(x’,y’)处的函数值第二高斯卷积函数Q2(x,y)在线段中点(x’,y’)处的函数值第三高斯卷积函数Q3(x,y)在线段中点(x’,y’)处的函数值和第四高斯卷积函数Q4(x,y)在线段中点(x’,y’)处的函数值
在本实施例中，所述线段的中点坐标包括(x’1，y’1)、(x’2，y’2)或(x’3，y’3)。
获取第一信息和第二信息之后，根据所述第一信息和第二信息获取刻蚀偏差。
通过获取待修正图形的第一信息，以及获取所述底层结构的第二信息，再根据所述第一信息和第二信息获取刻蚀偏差，使得获取的所述刻蚀偏差精准率提高。
根据所述第一信息和第二信息获取刻蚀偏差的方法包括：获取卷积神经网络模型；采用卷积神经网络模型，对所述第一信息和第二信息进行处理以获取刻蚀偏差。
对所述第一信息和第二信息进行处理以获取刻蚀偏差的方法包括：根据第一信息和第二信息获取输入向量v；采用卷积神经网络模型，对输入向量v进行处理以获取刻蚀偏差。
根据第一信息和第二信息获取输入向量v的方法包括：根据第一信息获取第一向量v0；根据第二信息获取第二向量vg；将所述第一向量v0和第二向量vg串接，获取输入向量v＝v0+vg。
在本实施例中，所述第一信息包括第一尺寸CD、第二尺寸L、第一间距space、第二间距dist1、第三间距dist2和线段类型type。
获取第一向量v0的方法包括：根据第一尺寸CD、第二尺寸L、第一间距space、线段类型type、第二间距dist1和第三间距dist2获取第一向量v0，所述第一向量v0＝[CD，space，L，type，dist1，dist2]。
所述第二信息包括第一高斯卷积函数Q1(x,y)在线段中点(x’,y’)处的函数值第二高斯卷积函数Q2(x,y)在线段中点(x’,y’)处的函数值第三高斯卷积函数Q3(x,y)在线段中点(x’,y’)处的函数值和第四高斯卷积函数Q4(x,y)在线段中点(x’,y’)处的函数值
获取第二向量vg的方法包括：根据第一高斯卷积函数Q1(x,y)在线段中点(x’,y’)处的函数值第二高斯卷积函数Q2(x,y)在线段中点(x’,y’)处的函数值第三高斯卷积函数Q3(x,y)在线段中点(x’,y’)处的函数值和第四高斯卷积函数Q4(x,y)在线段中点(x’,y’)处的函数值获取第二向量vg，所述第二向量
获取第二向量vg之后，将所述第一向量v0和第二向量vg串接，获取输入向量v＝v0+vg。
即输入向量
采用卷积神经网络模型，对所述第一信息和第二信息进行处理以获取刻蚀偏差，从而使得所述刻蚀偏差的精准率提高。
图6为本发明实施例中获取卷积神经网络模型的步骤流程示意图。
请参考图6，获取所述卷积神经网络模型的步骤包括：
S100：提供初始卷积神经网络模型；
S200：提供若干组训练样本，所述训练样本包括若干待修正图形的信息和对应的目标刻蚀偏差；
S300：根据若干待修正图形的信息转获取输入向量；
S400：将所述输入向量输入初始卷积神经网络模型中进行迭代训练，获取所述卷积神经网络模型。
将所述输入向量输入初始卷积神经网络模型中进行迭代训练的方法包括：将所述输入向量输入初始卷积神经网络模型中，输出预测刻蚀偏差；获取预测刻蚀偏差与目标刻蚀偏差的差值；判断所述差值是否在预设范围内；若所述差值超出所述预设范围，继续采用所述训练样本对所述初始卷积神经网络模型进行迭代训练，直至所述差值的范围在所述预设范围内；若所述差值在所述预设范围内，得到所述卷积神经网络模型。
在本实施例中，所述训练样本的数量为大于1万组。
在本实施例中，所述卷积神经网络模型包括：输入层，用于将输入的所述第一信息和第二信息进行向量化处理，得到输入向量；隐含层，用于将所述输入向量进行分类处理；输出层，用于将所述分类处理结果进行输出。
获取刻蚀偏差之后，根据刻蚀偏差对待修正图形201进行修正，获取目标图形。
所述对待修正图形201进行修正获取目标图形的过程，是较为常见的光学邻近效应修正的过程，在此不再赘述。
综上，通过获取待修正图形的第一信息，以及获取所述底层结构的第二信息，再根据所述第一信息和第二信息获取刻蚀偏差，使得获取的所述刻蚀偏差精准率提高，采用所述刻蚀偏差对待修正图形进行修正，获取目标图形的修正效果较好。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：具有套刻标记的掩膜版