申请/专利权人：华东师范大学

申请日：2024-01-08

公开（公告）日：2024-04-12

公开（公告）号：CN117875252A

主分类号：G06F30/392

分类号：G06F30/392;G03F7/20;G06F30/398;G06N3/042;G06N3/0455;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开一种基于图学习的多重图案光刻版图分解方法及系统，其版图分解方法包括：S1：根据版图分解规则,检测版图中不满足规则的特征；S2：为不满足规则的特征构建网络结构关系图；S3：将网络结构关系图输入基于图学习的神经网络模型中，得到节点的掩膜分配概率输出矩阵；S4：根据掩膜分配概率输出矩阵，对节点进行掩膜分配，并得到掩膜分配后的网络结构关系输出图；S5：将掩膜分配后的节点与原始版图中的特征一一对应，并重建版图文件。本方法使用基于图学习的编码器‑解码器架构对版图分解问题进行求解，在获得近似最优解的同时，该方法大大提升了分解速度，且能适用于不同规模的版图。此外，基于方法提供了一种多重图案光刻版图分解系统。

主权项：1.一种基于图学习的多重图案光刻版图分解方法，其特征在于，包括以下具体步骤：S1：根据版图分解规则,检测版图中不满足规则的特征；S2：定义版图网络结构关系图中边与节点意义，为不满足规则的特征构建网络结构关系图G；S3：将构建的网络结构关系图G输入基于图学习的编码器-解码器神经网络模型中，提取G中节点的结构信息，得到节点的掩膜分配概率输出矩阵P*；S4：根据节点的掩膜分配概率输出矩阵P*，对网络结构关系图G中的节点进行掩膜分配，每个节点分配给P*中最大概率所对应的掩膜，得到节点掩膜分配后对应的网络结构关系输出图G*；S5：将掩膜分配后对应的网络结构关系图中的节点与原始版图中的特征一一对应，并重建版图文件；其中：所述步骤S3，其具体过程如下：S30：设掩膜数量为K，按照高斯分布随机初始化节点的特征向量x，其中d为节点的初始化特征的维度；S31：将节点的初始化特征向量x输入基于图神经网络的编码器中，获取每个节点的局部结构特征和网络结构的全局特征；该编码器的特征是，根据节点关系矩阵R，执行消息传递机制，计算每个节点与其邻接节点的关系，并将此关系与该节点的特征进行融合，得到节点的高维度特征向量h；S32：将S31中获得的节点特征向量h输入基于多层感知机的解码器中；该解码器的特征是，将由所有节点特征向量h构成的节点特征矩阵H从高纬度空间映射到K维度空间中，并应用Softmax函数计算每一维度的概率，得到节点的掩膜分配概率矩阵P；S33：根据版图分解规则建立图神经网络的目标函数，对基于图学习的神经网络模型进行训练得到推理模型，这一过程是一个求解目标函数的最小值的过程，所述目标函数L为： 其中，IK表示维度为K的单位矩阵，F为Frobenius范数，其表示PTP中各项元素的绝对值平方的总和开根；S34：将网络结构关系图重新输入推理模型中，得到节点的掩膜分配概率输出矩阵P*。

全文数据：

权利要求：

百度查询： 华东师范大学 基于图学习的多重图案光刻版图分解方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD