多參數(shù)聯(lián)合優(yōu)化是光刻分辨率增強(qiáng)技術(shù)的發(fā)展方向。提出了一種以光刻膠三維形貌差異為評價目標(biāo)的光刻多參數(shù)聯(lián)合優(yōu)化方法。以多個深度位置的光刻膠圖形誤差為目標(biāo)函數(shù),對光源、掩模、投影物鏡波前、離焦量和曝光劑量進(jìn)行聯(lián)合優(yōu)化,提高了光刻膠圖形三維形貌的質(zhì)量。為獲得較高的優(yōu)化效率,采用自適應(yīng)差分進(jìn)化算法實現(xiàn)光源和掩模的優(yōu)化,并針對其他參數(shù)的特點(diǎn),采用不同優(yōu)化方法進(jìn)行優(yōu)化。對密集線、含有交叉門的復(fù)雜掩模圖形和靜態(tài)隨機(jī)存儲器中的典型圖形進(jìn)行了仿真驗證,可用焦深的最大值分別達(dá)到237nm、115nm和144.8nm,曝光寬容度的最大值分別達(dá)到18.5%、12.4%和16.4%。與基于空間像的光源掩模投影物鏡聯(lián)合優(yōu)化技術(shù)相比,所提方法明顯擴(kuò)大了工藝窗口。 

【文章來源】：光學(xué)學(xué)報. 2020,40(04)北大核心EICSCD

【文章頁數(shù)】：13 頁

【部分圖文】：

光刻系統(tǒng)成像示意圖

式中：mi為第i個掩模像素的透過率。本文采用自適應(yīng)差分進(jìn)化算法（JADE）實現(xiàn)掩模優(yōu)化�？紤]到差分進(jìn)化算法對連續(xù)問題具有好的優(yōu)化性能，優(yōu)化變量采用實數(shù)表示，在計算評價函數(shù)時進(jìn)行二值化處理。3.2 優(yōu)化算法與流程

式中：xi為種群中第i個個體；xr1,xr2分別為種群中隨機(jī)選出的與xi不同的個體，r為隨機(jī)選取的不大于種群規(guī)模的正整數(shù)；vi為測試向量；xbestε為從種群評價函數(shù)最小的前ε×100%個體中隨機(jī)選取的個體；ω為自適應(yīng)參數(shù)，變異算子示意圖如圖3所示。與遺傳算法的隨機(jī)變異相比，差分進(jìn)化算法采用向量差分的方式計算變異方向，進(jìn)化方向明確，搜索范圍主要集中在當(dāng)前最優(yōu)值附近，具有較強(qiáng)的局部搜索能力。此外，JADE的自適應(yīng)參數(shù)的設(shè)計有效提高了差分進(jìn)化算法的收斂速度，是目前公認(rèn)的性能較好的差分進(jìn)化算法[29]。對于像素化表征的光源掩模優(yōu)化問題，多數(shù)變量在迭代初期即達(dá)到最大值或最小值，后期主要集中在少數(shù)變量最優(yōu)值的搜索，因此采用JADE對光源掩模進(jìn)行優(yōu)化。劑量和離焦量為單變量，并且在優(yōu)化范圍內(nèi)局部極小解通常接近全局最優(yōu)值，為了最大程度地減少成像模型的調(diào)用次數(shù)，采用線性搜索算法中的二分法進(jìn)行優(yōu)化。投影物鏡優(yōu)化中，優(yōu)化變量為擬合投影物鏡波像差的澤尼克多項式系數(shù)。為了保證投影物鏡光瞳的對稱性，僅選取各階球差作為優(yōu)化變量。由于變量相對較少（一般少于20個），且無快速算法，考慮到（11）式為典型的非線性最小二乘問題，因此采用Levenberg-Marquardt算法對波像差進(jìn)行優(yōu)化，相比梯度算法和啟發(fā)式算法，對成像仿真的調(diào)用次數(shù)更少，成像占用的計算開銷減少，優(yōu)化速度提高。需要說明的是，此處離焦量（初級球差z4）雖然也是投影物鏡波像差的一部分，但優(yōu)化范圍與其他項差異較大，對成像質(zhì)量影響較大，因此單獨(dú)作為調(diào)諧參數(shù)進(jìn)行優(yōu)化�；诠饪棠z形貌的多參數(shù)聯(lián)合優(yōu)化方法流程圖如圖4(a）所示。整個優(yōu)化流程包括成像模型的初始化、優(yōu)化引擎的初始化、劑量優(yōu)化、離焦量優(yōu)化、掩模優(yōu)化、投影物鏡優(yōu)化和光源優(yōu)化。首先初始化成像模型，設(shè)定光源、掩模、劑量、離焦量和投影物鏡波像差參數(shù)的初始值。然后設(shè)定各參數(shù)的優(yōu)化范圍與各優(yōu)化步驟的停止判據(jù)，并分別對光源掩模優(yōu)化采用的JADE算法進(jìn)行初始化，將成像模型的光源和掩模編碼后的向量作為JADE的一個個體的初始值，其他個體的值則隨機(jī)生成。初始化完成后依次進(jìn)行劑量優(yōu)化、離焦量優(yōu)化、掩模優(yōu)化、投影物鏡優(yōu)化和光源優(yōu)化，直到滿足停止判據(jù)。

【參考文獻(xiàn)】：
期刊論文
[1]基于差分進(jìn)化算法的光刻機(jī)匹配方法[J]. 茅言杰,李思坤,王向朝,韋亞一.  光學(xué)學(xué)報. 2019(12)
[2]基于粒子群優(yōu)化算法的光刻機(jī)光源掩模投影物鏡聯(lián)合優(yōu)化方法[J]. 王磊,李思坤,王向朝,楊朝興.  光學(xué)學(xué)報. 2017(10)
[3]基于多染色體遺傳算法的像素化光源掩模優(yōu)化方法[J]. 楊朝興,李思坤,王向朝.  光學(xué)學(xué)報. 2016(08)



本文編號：3590692