提出了一种基于机器学习参数校正的极紫外光刻三维含缺陷掩模仿真方法。本方法采用随机森林、K近邻等机器学习方法,对基于结构分解法的含缺陷掩模衍射谱快速仿真模型的参数进行动态校正,提高了模型的精度及适应性。以严格仿真为标准值,对随机设定的50组接触孔掩模进行仿真验证,结果表明,经参数校正后,快速模型的空间像仿真精度平均提升了45%,且参数校正前、后的快速模型仿真精度皆优于所对比的改进型单平面近似法(平均仿真精度分别提升4.3倍和8.7倍)。此外,在对像面周期为44 nm掩模的缺陷补偿仿真应用中,在仿真结果较一致(误差0.8 nm)的情况下,校正后的快速模型的单次衍射谱仿真速度比严格仿真提升了约97倍。

对极紫外光刻掩模的吸收层和多层膜分别建模, 将二者组合以实现对具有复杂图形分布的掩模衍射谱的快速精确仿真。对存在图形偏移的吸收层, 采用扩展的边界脉冲修正法进行仿真。对无缺陷及含缺陷的多层膜, 分别采用等效膜层法和基于单平面近似的方法进行仿真。采用等效膜层法修正单平面近似法中的平面镜反射系数, 提高了大角度(大于10°)入射下的含缺陷多层膜的仿真精度。采用张量积、矢量化并发计算提高了仿真速度。对无缺陷掩模的图形关键尺寸仿真表明, 改进方法与严格仿真的误差在0.4 nm以内, 仿真精度与速度均优于所对比的域分解方法。对含缺陷掩模, 改进方法可准确仿真图形关键尺寸随吸收层偏移的变化, 与严格仿真相比, 对周期为240 nm的掩模, 在0.6 nm仿真误差下, 仿真速度提升了150倍。