基于粒子群优化算法的光刻机光源掩模投影物镜联合优化方法 下载: 1408次
1 引言
光刻技术是极大规模集成电路制造的关键技术之一。光刻分辨率决定集成电路图形的特征尺寸。在曝光波长和数值孔径一定的情况下,业界普遍采用分辨率增强技术(RET)减小工艺因子,以提高光刻分辨率[1-2]。传统的分辨率增强技术包括对光源采用的离轴照明技术和对掩模采用的光学邻近效应校正技术及相移掩模技术等[3]。以上技术单独对照明光源或掩模图形进行优化,优化自由度较低。此外,光刻成像质量还受到投影物镜像差、掩模制造工艺限制等多种因素的影响。不同因素对光刻成像质量的影响并非相互独立,有些因素对光刻成像质量的影响是可以相互补偿的。例如,由于厚掩模效应引起相位误差,导致最佳焦面偏移和工艺窗口减小,而通过优化投影物镜光瞳可补偿厚掩模效应的影响[4]。随着特征尺寸的不断减小,单独优化某一个参数对提高光刻分辨率的效果有限,因此分辨率增强技术朝着多参数联合优化的方向发展[5-7]。2001年,Rosenbluth等[8]提出了同时优化照明光源和掩模图形的光源掩模优化(SMO)技术,有效提高了优化自由度。近来,ASML设计出一种称为FlexWave的波前控制技术[9],该技术可精确控制投影物镜波前,从而为实现光源掩模投影物镜联合优化(SMPO)提供了硬件支持。
Sears等[10-11]提出了通过优化投影物镜光瞳补偿厚掩模效应对光刻成像质量影响的方法。Han等[12]采用 Fletcher-Reeves共轭梯度(FR-CG)算法优化投影物镜光瞳,提高了优化速度。Li等[13-14]在含有像差的投影物镜光瞳下进行SMO,提高了光刻成像质量。然而,上述方法在优化中仅单独进行SMO和投影物镜优化,并未实现光源、掩模和投影物镜的联合优化。由于未充分利用光源、掩模和投影物镜对光刻成像质量影响的相互作用,上述方法难以获得最佳的优化效果。Fühner等[15]分析了光源、掩模及投影物镜对光刻成像质量影响的相互作用,并在此基础上提出了一种基于遗传算法(GA)的SMPO,该方法具有不需要掌握光刻先验知识,对成像模型和优化目标适应性强的优点。然而,该方法的收敛速度较慢,并且掩模采用矩形表征,优化自由度较低。随着双重图形技术(DPT)[16-17]、多重图形技术(MPT)[18-19]等技术的应用,曝光过程所需的掩模数目成倍增加。另一方面,全芯片优化设计[20-21]包含大量优化变量。这对优化速度提出了更高的要求。粒子群优化(PSO)算法[22]与遗传算法均属于启发式算法,但PSO算法不需要交叉和变异操作,具有更快的收敛速度[23]。本课题组在文献[ 24]中将PSO算法用于光源优化,并验证了该方法相比于基于遗传算法的光源优化具有更快的收敛速度。此外,为提高掩模优化自由度,通常采用像素代替矩形表征掩模图形[25-27]。然而,由像素表征的掩模图形的可制造性较差。为了平衡优化自由度和掩模可制造性,可以通过离散余弦变换(DCT)将掩模转换到频域,并选取掩模低频部分进行优化[28-30]。按照光刻分辨率增强技术的全芯片多参数联合优化的发展趋势,本文对文献[ 24]进行了扩展,实现了基于PSO算法的SMPO方法。
本文提出了一种基于PSO算法的光刻机SMPO方法。将由像素表征的光源、由DCT基表征的掩模及由泽尼克系数表征的投影物镜编码为粒子,以图形误差(PE)作为评价函数,通过不断迭代更新粒子,实现光源掩模投影物镜的联合优化。在标称条件和工艺条件下,采用含有交叉门的复杂掩模图形验证所提方法的有效性。与SMO方法相比,本方法具有更高的优化自由度,可获得更优的光刻成像质量。此外,本方法具有优化后掩模可制造性强和收敛速度快的优点。
2 光刻成像模型
SMPO方法包括正向光刻成像模型和逆向优化方法两部分。正向光刻成像模型对包含照明光源、掩模、投影物镜和硅片的成像系统进行建模[31]。逆向优化方法采用特定的优化算法对光源、掩模和投影物镜的参数进行优化,以提高光刻分辨率。由于逆向优化是一个反复迭代的过程,每次迭代都需要调用光刻成像模型,光刻成像模型对SMPO的速度具有较大的影响。
光刻成像系统示意图如
根据阿贝成像理论[32],空间像
式中(
式中
空间像通过曝光、显影等流程,最终在硅片上的光刻胶中形成光刻胶像[3]。以Sigmoid函数[34-35]表征的光刻胶模型表达式为
式中
3 基于PSO算法的SMPO方法
SMPO问题是一个非凸、非线性的优化问题,应选取合适的算法对其进行优化。PSO算法具有对光刻成像模型和优化目标适应性强、易于实现、收敛速度快等优点[24],适用于非凸、非线性的光源掩模投影物镜优化问题。本研究选取PSO算法作为逆向优化方法,将光源、掩模及投影物镜编码为粒子,通过不断迭代优化粒子,实现光源掩模投影物镜的联合优化。PSO算法受粒子编码方式的影响,根据具体的优化问题选取合适的编码方式,有利于提高PSO算法的优化性能[36]。本节首先介绍光源、掩模及投影物镜的编码方式,然后结合流程图对基于PSO算法的SMPO方法进行说明。
3.1 编码方式
光源及掩模的编码示意图如
式中
掩模编码示意图如
如
图 3. 投影物镜光瞳相位分布图。(a) z4;(b) z9;(c) z16;(d) z25;(e) z36;(f)拟合的投影物镜光瞳
Fig. 3. Projector pupil phase distribution. (a) z4; (b) z9; (c) z16; (d) z25; (e) z36; (f) fitting projector pupil
3.2 优化流程
基于PSO算法的SMPO方法的流程图如
图 4. 基于PSO算法的SMPO方法流程图。(a)总流程图;(b)子流程图
Fig. 4. Flowcharts of SMPO method using PSO algorithm. (a) General flowchart; (b) sub-flowcharts
如
式中
式中
计算适应度值的流程如
式中
对每个粒子,将当前的
在SMPO中,采用停止判据对整个优化流程进行控制。停止判据通常为迭代次数达到最大迭代次数。当满足停止判据时,将此时
4 数值仿真实验
为验证所提方法的有效性,采用含有交叉门的复杂掩模图形进行数值仿真实验。光刻机工作波长
4.1 标称条件下的优化结果
首先,在未考虑工艺条件对成像质量影响的标称条件下进行数值仿真实验。如
图 5. 标称条件下(a)初始光源;(b)初始掩模;(c)初始投影物镜光瞳;(d)初始光刻胶像
Fig. 5. (a) Initial source; (b) initial mask; (c) initial projector pupil; (d) initial photoresist image in nominal condition
采用基于PSO算法的SMPO方法进行优化,优化结果如
图 6. 标称条件下(a)优化后光源;(b)优化后掩模;(c)优化后投影物镜光瞳;(d)优化后光刻胶像
Fig. 6. (a) Optimized source; (b) optimized mask; (c) optimized projector pupil; (d) optimized photoresist image in nominal condition
4.2 工艺条件下的优化结果
实际的光刻机存在离焦、像差等工艺条件误差,从而影响光刻成像质量[3]。为验证所提方法同样适用于考虑工艺条件时的情况,再次采用含有交叉门的复杂掩模图形进行仿真实验。初始化的光源和掩模分别如
图 8. 工艺条件下(a)初始投影物镜光瞳;(b)初始光刻胶像
Fig. 8. (a) Initial projector pupil; (b) initial photoresist image in process condition
在该工艺条件下进行SMPO,优化后的结果如
图 9. 工艺条件下(a)优化后光源;(b)优化后掩模;(c)优化后投影物镜光瞳;(d)优化后光刻胶像
Fig. 9. (a) Optimized source; (b) optimized mask; (c) optimized projector pupil; (d) optimized photoresist image in process condition
在相同的参数设置情况下,对含有交叉门的复杂掩模图形进行SMO,优化结果如
图 11. 基于PSO算法的SMO方法的优化结果。(a)优化后光源;(b)优化后掩模;(c)优化后光刻胶像;(d)收敛曲线
Fig. 11. Optimal results of SMO method based on PSO algorithm. (a) Optimized source; (b) optimized mask; (c) optimized photoresist image; (d) convergence curve
为验证由所提方法优化得到的掩模图形具有较强的可制造性,采用含有交叉门的复杂掩模图形在不采用数据压缩下进行数值仿真实验。将
图 12. 未进行掩模图形数据压缩下的优化结果。(a)优化后光源;(b)优化后掩模;(c)优化后投影物镜光瞳;(d)优化后光刻胶像
Fig. 12. Optimal results without data compression of the mask pattern. (a) Optimized source; (b) optimized mask; (c) optimized projector pupil; (d) optimized resist image
为验证所提方法具有较快的收敛速度,采用基于遗传算法的SMPO进行数值仿真对比实验。遗传算法的交叉率为0.6,变异率为0.02,使用锦标赛选择机制。在其他参数设置不变的条件下,得到的优化结果如
图 13. 基于遗传算法的SMPO方法的优化结果。(a)优化后光源;(b)优化后掩模;(c)优化后投影物镜光瞳;(d)优化后光刻胶像
Fig. 13. Optimal results of SMPO method based on genetic algorithm. (a) Optimized source; (b) optimized mask; (c) optimized projector pupil; (d) optimized photoresist image
图 14. 基于遗传算法和PSO算法的SMPO方法的收敛曲线
Fig. 14. Convergence curves of SMPO methods based on GA and PSO algorithm
由
5 结论
本文提出了一种基于PSO算法的光刻机SMPO方法。在标称条件和工艺条件下,采用含有交叉门的复杂掩模图形验证了所提方法的有效性。仿真结果表明,采用所提方法优化后,图形误差分别降低了94.2%和93.8%,有效提高了光刻成像质量。本方法具有优化自由度高、优化后掩模可制造性强和收敛速度快的优点,适用于光刻机光源参数、掩模参数和投影物镜参数的联合优化。同时,本方法为实现全芯片多参数联合优化奠定了一定的技术基础。后续将在优化过程中增加光刻工艺参数对本方法进行进一步扩展,并采用并行计算等计算方式进一步提高优化速度。
[1] ErdmannA, FarkasR, FühnerT, et al. Mask and source optimization for lithographic imaging systems[C]. SPIE, 2003, 5182: 88- 102.
ErdmannA, FarkasR, FühnerT, et al. Mask and source optimization for lithographic imaging systems[C]. SPIE, 2003, 5182: 88- 102.
[2] Wong A KK. Resolution enhancement techniques in optical lithography[M]. Bellingham: SPIE Press, 2001.
Wong A KK. Resolution enhancement techniques in optical lithography[M]. Bellingham: SPIE Press, 2001.
[3] MackC. Fundamental principles of optical lithography: the science of microfabrication[M]. Chichester: John Wiley and Sons, 2007.
MackC. Fundamental principles of optical lithography: the science of microfabrication[M]. Chichester: John Wiley and Sons, 2007.
[4] Sears MK, Smith BW. Pupil wavefront manipulation to compensate for mask topography effects in optical nanolithography[C]. SPIE, 2013, 8683: 86830G.
Sears MK, Smith BW. Pupil wavefront manipulation to compensate for mask topography effects in optical nanolithography[C]. SPIE, 2013, 8683: 86830G.
[5] FühnerT. Artificial evolution for the optimization of lithographic process conditions[D]. Erlangen-Nürnberg:FAU, 2013.
FühnerT. Artificial evolution for the optimization of lithographic process conditions[D]. Erlangen-Nürnberg:FAU, 2013.
[7] Deng YF, Coskun TH, KyeJ, et al. Lithography target optimization with source-mask optimization[C]. SPIE, 2012, 8326: 83262P.
Deng YF, Coskun TH, KyeJ, et al. Lithography target optimization with source-mask optimization[C]. SPIE, 2012, 8326: 83262P.
[8] Rosenbluth AE, BukofskyS, HibbsM, et al. Optimum mask and source patterns to print a given shape[C]. SPIE, 2001, 4346: 486- 502.
Rosenbluth AE, BukofskyS, HibbsM, et al. Optimum mask and source patterns to print a given shape[C]. SPIE, 2001, 4346: 486- 502.
[9] StaalsF, AndryzhyieuskayaA, BakkerH, et al. Advanced wavefront engineering for improved imaging and overlay applications on a 1.35 NA immersion scanner[C]. SPIE, 2011, 7973: 79731G.
StaalsF, AndryzhyieuskayaA, BakkerH, et al. Advanced wavefront engineering for improved imaging and overlay applications on a 1.35 NA immersion scanner[C]. SPIE, 2011, 7973: 79731G.
[10] Sears MK, FengerG, MailfertJ, et al. Extending SMO into the lens pupil domain[C]. SPIE, 2011, 7973: 79731B.
Sears MK, FengerG, MailfertJ, et al. Extending SMO into the lens pupil domain[C]. SPIE, 2011, 7973: 79731B.
[14] LiJ, Lam EY. Joint optimization of source, mask, and pupil in optical lithography[C]. SPIE, 2014, 9052: 90520S.
LiJ, Lam EY. Joint optimization of source, mask, and pupil in optical lithography[C]. SPIE, 2014, 9052: 90520S.
[15] FühnerT, EvanschitzkyP, ErdmannA. Mutual source, mask and projector pupil optimization[C]. SPIE, 2012, 8326: 83260I.
FühnerT, EvanschitzkyP, ErdmannA. Mutual source, mask and projector pupil optimization[C]. SPIE, 2012, 8326: 83260I.
[16] WongP, Bisschop PD, RobertsonS, et al. Litho1-litho2 proximity differences for LELE and LPLE double patterning processes[C]. SPIE, 2012, 8326: 83260E.
WongP, Bisschop PD, RobertsonS, et al. Litho1-litho2 proximity differences for LELE and LPLE double patterning processes[C]. SPIE, 2012, 8326: 83260E.
[17] YaegashiH, OyamaK, HaraA, et al. Overview: continuous evolution on double-patterning process[C]. SPIE, 2012, 8325: 83250B.
YaegashiH, OyamaK, HaraA, et al. Overview: continuous evolution on double-patterning process[C]. SPIE, 2012, 8325: 83250B.
[18] YaegashiH, OyamaK, HaraA, et al. Recent progress on multiple-patterning process[C]. SPIE, 2014, 9051: 90510X.
YaegashiH, OyamaK, HaraA, et al. Recent progress on multiple-patterning process[C]. SPIE, 2014, 9051: 90510X.
[19] NakajimaF, KodamaC, NakayamaK, et al. Self-aligned quadruple patterning-compliant placement[C]. SPIE, 2015, 9427: 942708.
NakajimaF, KodamaC, NakayamaK, et al. Self-aligned quadruple patterning-compliant placement[C]. SPIE, 2015, 9427: 942708.
[20] Tsai MC, HsuS, Chen LQ, et al. Full-chip source and mask optimization[C]. SPIE, 2011, 7973: 79730A.
Tsai MC, HsuS, Chen LQ, et al. Full-chip source and mask optimization[C]. SPIE, 2011, 7973: 79730A.
[22] KennedyJ, EberhartR. Particle swarm optimization[C]. 1995 IEEE International Conference on Neural Networks Proceedings, 1995, 4: 1942- 1948.
KennedyJ, EberhartR. Particle swarm optimization[C]. 1995 IEEE International Conference on Neural Networks Proceedings, 1995, 4: 1942- 1948.
[23] Jones KO. Comparison of genetic algorithm and particle swarm optimization[C]. International Conference on Computer Systems and Technologies, 2005: 1- 6.
Jones KO. Comparison of genetic algorithm and particle swarm optimization[C]. International Conference on Computer Systems and Technologies, 2005: 1- 6.
[24] 王磊, 李思坤, 王向朝, 等. 基于粒子群优化算法的光刻机光源优化方法[J]. 光学学报, 2015, 35(4): 0422002.
王磊, 李思坤, 王向朝, 等. 基于粒子群优化算法的光刻机光源优化方法[J]. 光学学报, 2015, 35(4): 0422002.
[27] ZhangJ, XiongW, WangY, et al. A highly efficient optimization algorithm for pixel manipulation in inverse lithography technique[C]. International Conference on Computer Aided Design, 2008, 182: 480- 487.
ZhangJ, XiongW, WangY, et al. A highly efficient optimization algorithm for pixel manipulation in inverse lithography technique[C]. International Conference on Computer Aided Design, 2008, 182: 480- 487.
[29] Zhang JY, XiongW, Tsai MC, et al. Efficient mask design for inverse lithography technology based on 2D discrete cosine transformation (DCT)[C]. Simulation of Semiconductor Processes and Devices, 2007, 12: 49- 52.
Zhang JY, XiongW, Tsai MC, et al. Efficient mask design for inverse lithography technology based on 2D discrete cosine transformation (DCT)[C]. Simulation of Semiconductor Processes and Devices, 2007, 12: 49- 52.
[30] Shen SH, YuP, Pan DZ. Enhanced DCT2-based inverse mask synthesis with initial SRAF insertion[C]. SPIE, 2008, 7122: 712241.
Shen SH, YuP, Pan DZ. Enhanced DCT2-based inverse mask synthesis with initial SRAF insertion[C]. SPIE, 2008, 7122: 712241.
[31] MaX, Arce GR. Computational lithography[M]. New York: John Wiley and Sons, 2010.
MaX, Arce GR. Computational lithography[M]. New York: John Wiley and Sons, 2010.
[32] Wong A KK. Optical imaging in projection microlithography[M]. Bellingham: SPIE Press, 2005.
Wong A KK. Optical imaging in projection microlithography[M]. Bellingham: SPIE Press, 2005.
[33] 闫观勇, 李思坤, 王向朝. 基于二次规划的光刻机光源优化方法[J]. 光学学报, 2014, 34(10): 1022004.
闫观勇, 李思坤, 王向朝. 基于二次规划的光刻机光源优化方法[J]. 光学学报, 2014, 34(10): 1022004.
[36] Kennedy JF, KennedyJ, Eberhart RC, et al. Swarm intelligence[M]. San Francisco: Morgan Kaufmann, 2001.
Kennedy JF, KennedyJ, Eberhart RC, et al. Swarm intelligence[M]. San Francisco: Morgan Kaufmann, 2001.
[37] EvanschitzkyP, ShaoF, FühnerT, et al. Compensation of mask induced aberrations by projector wavefront control[C]. SPIE, 2011, 7973: 797329.
EvanschitzkyP, ShaoF, FühnerT, et al. Compensation of mask induced aberrations by projector wavefront control[C]. SPIE, 2011, 7973: 797329.
王磊, 李思坤, 王向朝, 杨朝兴. 基于粒子群优化算法的光刻机光源掩模投影物镜联合优化方法[J]. 光学学报, 2017, 37(10): 1022001. Lei Wang, Sikun Li, Xiangzhao Wang, Chaoxing Yang. Source Mask Projector Optimization Method of Lithography Tools Based on Particle Swarm Optimization Algorithm[J]. Acta Optica Sinica, 2017, 37(10): 1022001.