基于深度学习的光刻热点检测方法研究

作     者：吴清岳 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：刘世元;江浩

授予年度：2023年

学科分类：080903[工学-微电子学与固体电子学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：光学邻近校正 光刻热点检测 网格索引 深度学习 YOLOv5 

摘      要：随着半导体技术的不断发展,光刻成像系统由于光的衍射效应会产生光学邻近效应现象,使光刻成像产生畸变,进而导致光刻热点的产生。尽管业界采用光学邻近校正技术来减缓这种效应,但版图中依然存在少量难以解决的光刻热点。因此在光学邻近校正之后、实际制造之前,必须进行光刻热点检测。传统基于几何的热点检测方法耗时长、效率低,难以满足大规模集成电路对检测时间的要求;而基于模式匹配、机器学习和深度学习的快速光刻热点检测方法往往又难以满足先进集成电路制造对检测精度的要求。因此,本文对经光学邻近校正后的版图光刻热点检测方法开展研究,以实现快速、准确检测光刻热点的目的。主要的工作内容以及创新点如下:提出了一种基于网格索引的光刻热点快速检测方法,改善了传统几何算法对软夹断和软桥接类型的光刻热点检测效率低的问题。详细介绍了该方法的设计思路以及检测流程,并通过对比实验验证了该方法的有效性和效率。为突破几何算法在检测速度方面的局限性,提出了一种基于深度学习的光刻热点检测方法。将光刻热点检测转化为计算机视觉领域中的目标检测问题,引入YOLOv5网络作为热点检测的基本框架,并提出三种改进方法以构建光刻热点检测网络模型。在YOLOv5骨干网络中引入坐标注意力机制以提高网络模型对版图图形区域的关注度,改善光刻热点检测性能;采用Sigmoid线性单元作为网络的激活函数增强网络模型的非线性表达能力;利用Scylla交并比损失函数定量评估边界框回归损失,进一步提高热点检测算法的收敛速度和精度。对提出的基于改进YOLOv5的光刻热点检测方法进行了实验验证。实验结果表明,该算法的平均准确率、平均召回率、平均F1-score和均值平均精度分别达到97.7%、98.0%、97.8%和98.4%,能有效地提高光刻热点检测的性能,具有良好的应用前景。