一种模型的校准方法、装置、电子设备及存储介质

技术领域

本申请涉及半导体技术领域，具体地涉及一种模型的校准方法、装置、电子设备及存储介质。

背景技术

光刻技术是集成电路制造中的关键技术，负责将掩模图形转移到硅片上。与典型的望远镜、显微镜等光学系统不同，光刻系统采用化学材料或光化学材料作为光学成像结果的记录介质，避免了传统方法受限于CCD(charge coupled device，电荷耦合元件)像素尺寸的限制。光化学材料经过曝光、显影、烘烤等一系列步骤实现了图形从掩模到硅片的转移。因此，光化学材料的性能直接决定了光刻技术的最终结果。在光化学材料的研发与评估过程中，需要建立光化学材料的预测模型来对光化学材料的性能进行预测。

在现有技术中，在建立光化学材料的预测模型时，是通过对不同的处理过程分别建立相应的物理模型实现对光化学材料的性能预测。例如，在曝光、烘烤、显影等不同的处理阶段分别建立相应的物理模型，从而可以实现光化学材料的性能预测。在上述光化学材料的各个阶段的物理模型的数学描述中需使用多个参数。每个参数的中心值可以通过经验值进行设定。为了提高预测结果的准确性，可以对物理模型中使用的参数的中心值进行校准。限于测量手段，光化学材料的各个物理模型中所需的各个参数无法直接测量获取，而是利用曝光实验结果计算出所需的参数值。目前，需要对光化学材料的各个物理模型中涉及的所有参数均利用曝光实验结果进行计算，得到各个参数的校准值，从而可以利用各个参数的校准值对各个参数的中心值进行校准。由于上述方式中，需要对所有参数均利用曝光实验结果进行计算，计算资源的开销较大，降低了模型的校准效率。

发明内容

有鉴于此，本申请提供一种模型的校准方法、装置、电子设备及存储介质，以利于解决现有技术中参数校准时，计算资源的开销较大，模型的校准效率的问题。

第一方面，本申请实施例提供了一种模型的校准方法，包括：

获取预设的预测模型的至少一个输入参数及所述至少一个输入参数的预设初始值；

针对每个输入参数，根据该输入参数的预设初始值，确定该输入参数的至少一个测试输入值；根据该输入参数的至少一个测试输入值及所述预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定所述输入参数的敏感值；

获取预设敏感阈值，根据得到的所述至少一个输入参数的敏感值及所述预设敏感阈值，在所述至少一个输入参数中确定出至少一个目标输入参数；

根据所述至少一个目标输入参数，获取所述至少一个目标输入参数的校准值；

根据所述至少一个目标输入参数的校准值，更新所述至少一个目标输入参数的预设初始值。

在第一方面的一种实现方式中，所述根据该输入参数的至少一个测试输入值及所述预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定所述输入参数的敏感值包括：

针对该输入参数的至少一个测试输入值中的每个测试输入值，将该测试输入值输入至所述预测模型得到该输入参数对应的至少一个指标参数的输出预测值；其中，至少一个指标参数是用于表征显影结果的参数；

获取所述至少一个指标参数的预设权重系数，根据所述至少一个指标参数的预设权重系数、所述至少一个指标参数的输出预测值，计算出该测试输入值对应的该输入参数的敏感度评价值；

根据得到的该输入参数的至少一个敏感度评价值，确定该输入参数的敏感值。

在第一方面的一种实现方式中，在所述根据所述至少一个指标参数的预设权重系数、所述至少一个指标参数的输出预测值，计算出该测试输入值对应的该输入参数的敏感度评价值之前，还包括：

针对所述至少一个指标参数的每个指标参数，根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数；

所述根据所述至少一个指标参数的预设权重系数、所述至少一个指标参数的输出预测值，计算出该测试输入值对应的该输入参数的敏感度评价值包括：

根据所述至少一个指标参数的预设权重系数、所述至少一个指标参数中每个指标参数对应的敏感度参数，计算出该测试输入值对应的该输入参数的敏感度评价值。

在第一方面的一种实现方式中，所述至少一个指标参数包括：CD值、侧壁角、待测材料的最大损失量、待测材料的顶部损失量。

在第一方面的一种实现方式中，在所述至少一个指标参数包括：CD值时，所述根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数包括：

根据CD值的输出预测值，利用公式F

在第一方面的一种实现方式中，在所述至少一个指标参数包括：侧壁角时，所述根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数包括：

根据侧壁角的输出预测值，利用公式F

在第一方面的一种实现方式中，在所述至少一个指标参数包括：待测材料的最大损失量时，所述根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数包括：

根据待测材料的最大损失量的输出预测值，利用公式

在第一方面的一种实现方式中，在所述至少一个指标参数包括：待测材料的顶部损失量时，所述根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数包括：

根据待测材料的顶部损失量的输出预测值，利用公式

在第一方面的一种实现方式中，根据所述至少一个输入参数的预设初始值，确定所述至少一个输入参数的取值范围；

针对每个输入参数，在该输入参数的取值范围中确定出该输入参数的至少一个建模输入值；

根据该输入参数的至少一个建模输入值及所述预测模型，获取该输入参数对应的显影预测值；

根据所述至少一个输入参数中每个输入参数的至少一个建模输入值、每个输入参数对应的显影预测值，利用预设神经网络模型，形成显影预测模型；所述显影预测模型用于根据接收的输入参数预测所述输入参数对应的至少一个指标参数的显影预测值。

第二方面，本申请实施例提供了一种模型的校准装置，包括：

获取单元，用于获取预测模型的至少一个输入参数及所述至少一个输入参数的预设初始值；

处理单元，用于针对每个输入参数，根据该输入参数的预设初始值，确定该输入参数的至少一个测试输入值；根据该输入参数的至少一个测试输入值及所述预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定所述输入参数的敏感值；

所述处理单元，还用于获取预设敏感阈值，根据得到的所述至少一个输入参数的敏感值及所述预设敏感阈值，在所述至少一个输入参数中确定出至少一个目标输入参数；

所述获取单元，还用于根据所述至少一个目标输入参数，获取所述至少一个目标输入参数的校准值；

校准单元，用于根据所述至少一个目标输入参数的校准值，更新所述至少一个目标输入参数的预设初始值。

第三方面，本申请实施例提供了一种电子设备，包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被所述处理器执行时，触发所述电子设备执行第一方面任一项所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面任一项所述的方法。

采用本申请实施例所提供的方案，获取预测模型的至少一个输入参数及至少一个输入参数的预设初始值，针对每个输入参数，根据该输入参数的预设初始值，确定该输入参数的至少一个测试输入值，根据该输入参数的至少一个测试输入值及预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定该输入参数的敏感值。获取预设敏感阈值，根据得到的至少一个输入参数中每个输入参数的敏感值，及预设敏感阈值，在至少一个输入参数中确定出至少一个目标输入参数。根据至少一个目标输入参数，获取至少一个目标输入参数的校准值，根据至少一个目标输入参数的校准值，更新至少一个目标输入参数的预设初始值。这样一来，在本申请实施例中，可以通过获取预测模型中各个输入参数的敏感值，从而可以根据各个输入参数的敏感值及预设敏感阈值，在至少一个输入参数中确定出至少一个目标输入参数。针对预测模型进行参数校准时，可以仅获取至少一个目标输入参数的校准值，进而对至少一个目标输入参数的预设初始值进行更新。即为，在本申请实施例中，针对预测模型中的输入参数，可以根据各个输入参数的敏感值确定出目标输入参数，进而仅对目标输入参数的预设初始值进行校准，而无需对所有的输入参数的预设初始值进行校准，在本申请中仅对部分输入参数进行校准，降低了校准参数的数量，大大降低了参数校准时的计算量，降低了计算资源的开销，并且提高了模型校准的效率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例提供的一种模型的校准方法的流程示意图；

图2为本申请实施例提供的一种模型的校准方法的场景示意图；

图3为本申请实施例提供的另一种模型的校准方法的场景示意图；

图4为本申请实施例提供的另一种模型的校准方法的流程示意图；

图5为本申请实施例提供的另一种模型的校准方法的场景示意图；

图6为本申请实施例提供的另一种模型的校准方法的场景示意图；

图7为本申请实施例提供的一种模型的校准装置的结构示意图；

图8为本申请实施例提供的另一种模型的校准装置的结构示意图；

图9为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。

应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，甲和/或乙，可以表示：单独存在甲，同时存在甲和乙，单独存在乙这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在对本申请实施例进行具体介绍之前，首先对本申请实施例应用或可能应用的术语进行解释。

光刻胶(Photoresist)又称光致抗蚀剂，是指通过紫外光、电子束、离子束、X射线等的照射或辐射，其溶解度发生变化的耐蚀剂刻薄膜材料。半导体材料在表面加工时，若采用适当的有选择性的光刻胶，可在表面上得到所需的图像。

曝光，是利用光照将掩模版上的图形经过光学系统后投影到光刻胶上，实现图形转移，是集成电路制造中光刻工艺的重要工序之一。

显影，用化学显影液溶解由曝光造成的光刻胶的可溶解区域称为光刻胶显影。光刻胶显影的主要目的是把掩模版图形准确复制到光刻胶中。

相关技术中，在建立光化学材料的预测模型时，是通过对不同的处理过程分别建立相应的物理模型实现对光化学材料的性能预测。例如，在曝光、烘烤、显影等不同的处理阶段分别建立相应的物理模型，从而可以实现光化学材料的性能预测。例如，曝光阶段的物理模型是在曝光阶段将光化学材料中的光强分布转化为光酸浓度分布。烘烤阶段的物理模型是在烘烤阶段将光酸浓度分布转化为保护反应位点浓度分布。显影阶段的物理模型是将保护反应位点浓度分布转化为显影速率分布，最后将显影速率分布转化为显影时间轮廓，并得到最终的图形轮廓，即为光化学材料的三维形貌。上述各阶段的物理模型实现了从光的吸收、扩散和显影等方面利用扩散-反应方程、显影模型以及路径积分的方法描述了整体的物理过程。通过上述各阶段的物理模型最终可以得到光化学材料的三维形貌。在上述各个阶段的物理模型的实现过程中，需使用多个参数。每个参数的中心值相关人员可以通过经验进行设定。为了提高预测结果的准确性，可以对物理模型中使用的参数的中心值进行校准。限于测量手段，光化学材料的各个物理模型中所需的各个参数无法直接测量获取，而是需利用曝光实验结果计算出所需的校准值。目前，需要对光化学材料的各个物理模型中涉及的所有参数均利用曝光实验结果进行计算，得到各个参数的校准值，从而可以利用各个参数的校准值对各个参数的中心值进行校准。由于上述方式中，需要对所有参数均利用曝光实验结果进行计算，计算资源的开销较大，降低了模型的校准效率。

针对上述问题，本申请实施例提供了一种模型的校准方法，获取预测模型的至少一个输入参数及至少一个输入参数的预设初始值，针对每个输入参数，根据该输入参数的预设初始值，确定该输入参数的至少一个测试输入值，根据该输入参数的至少一个测试输入值及预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定该输入参数的敏感值。获取预设敏感阈值，根据得到的至少一个输入参数中每个输入参数的敏感值，及预设敏感阈值，在至少一个输入参数中确定出至少一个目标输入参数。根据至少一个目标输入参数，获取至少一个目标输入参数的校准值，根据至少一个目标输入参数的校准值，更新至少一个目标输入参数的预设初始值。这样一来，在本申请实施例中，可以通过获取预测模型中各个输入参数的敏感值，从而可以根据各个输入参数的敏感值及预设敏感阈值，在至少一个输入参数中确定出至少一个目标输入参数。针对预测模型进行参数校准时，可以仅获取至少一个目标输入参数的校准值，进而对至少一个目标输入参数的预设初始值进行更新。即为，在本申请实施例中，针对预测模型中的输入参数，可以根据各个输入参数的敏感值确定出目标输入参数，进而仅对目标输入参数的预设初始值进行校准，而无需对所有的输入参数的预设初始值进行校准，在本申请中仅对部分输入参数进行校准，降低了校准参数的数量，大大降低了参数校准时的计算量，降低了计算资源的开销，并且提高了模型校准的效率。以下进行详细说明。

需要说明的是，在本申请实施例中上述输入参数的敏感值是指光刻胶在经预设模型的曝光、烘烤、显影等处理后的处理结果对输入参数的敏感程度。

参见图1，为本申请实施例提供的一种模型的校准方法的流程示意图。所述方法包括：

步骤S101、获取预设的预测模型的至少一个输入参数及至少一个输入参数的预设初始值。

在本申请实施例中，在对光刻胶中化学放大型光化学材料进行性能预测时，需要在各个阶段建立用于预测性能的物理模型，即为预测模型。在每个阶段中，将当前阶段的预测模型的计算结果作为下一阶段预测模型的输入参数，输入至下一阶段的预测模型。这样经各个阶段的预测模型的串行计算处理，得到最终的在输入光化学材料的至少一个待测参数的情况下，对应的显影结果。

需要说明的是，预测模型根据输入参数的不同，输出不同的预测结果。在预测模型的输入参数中，存在输入参数的较小改变导致预测模型的预测结果较大改变的可能。此时该输入参数为敏感的输入参数。当然，也存在输入参数的较大改变导致预测模型的预测结果基本不改变的可能，此时，该输入参数为不敏感的输入参数。由于预测模型的初始值均是相关人员根据实际经验设置的，存在不准确的情况。在输入参数为不敏感的输入参数时，设置初始值后，采用未校准前的初始值进行光化学材料的性能预测时预测模型的输出结果，与采用校准后的初始值进行光化学材料的性能预测时预测模型的输出结果，基本相同。而在输入参数为敏感的输入参数时，设置初始值后，采用未校准前的初始值进行光化学材料的性能预测时预测模型的输出结果，与采用校准后的初始值进行光化学材料的性能预测时预测模型的输出结果相差较大。基于此，在本申请实施例中，需要在预测模型的输入参数中，确定出对预测结果敏感的输入参数，从而可以对预测结果敏感的输入参数的预设初始值进行校准。

在本申请实施例中，用户可以在参数列表中根据预测模型的实际使用场景，确定出预测模型需使用的输入参数，此时模型的校准装置可以获取到用户确定出的预测模型需使用的输入参数，及针对每个输入参数预先设置的初始值。

需要说明的是，每个输入参数的预设初始值可以是用户根据实际需求设置。

作为一种可能的实现方式，预测模型为光刻胶的预测模型，此时，设置的输入参数包括Dill C(迪尔参数C)、Relative Quencher Concentration(碱性抑制剂的相对浓度)、Development N(显影参数N)、Amplification Reaction Rate(放大反应速率)、AcidDiffusivity Rate(酸扩散率)、Development R

示例性的，假设预测模型为光刻胶的预测模型。此时，获取的预设输入参数为输入参数a，输入参数b及输入参数c。并且，可以从存储介质中获取到预先设置的输入参数a的预设初始值为5，输入参数b的预设初始值为4，输入参数c的预设初始值为6.5。

步骤S102、针对每个输入参数，根据该输入参数的预设初始值，确定该输入参数的至少一个测试输入值；根据该输入参数的至少一个测试输入值及预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定输入参数的敏感值。

在本申请实施例中，预测模型的输入参数有多个，需要确定每个输入参数是否为对预测结果敏感的输入参数，因此，需要确定每个输入参数的敏感值。此时，模型的校准装置可以针对每个输入参数均进行下述步骤，以确定每个输入参数的敏感值。即为，针对获取的所有输入参数中的每个输入参数，根据该输入参数的预设初始值，确定出该输入参数的至少一个测试输入值，以便将该输入参数的至少一个测试输入值输入至预测模型，预测模型输出至少一个预测结果，输出的至少一个预测结果即为敏感度评价值，根据输出的至少一个敏感度评价值进行相应的处理，得到该输入参数的敏感值。通过上述方式可以得到每个输入参数的敏感值。

需要说明的是，测试输入值用于表征输入参数的测试条件，不同的测试输入值则表征该输入参数的的测试条件不同，即为其测试环境是变化的。

作为一种可能的实现方式，在针对获取的所有输入参数中的每个输入参数，在获取了该输入参数的预设初始值后，可以根据其预设初始值确定测试输入值的取值范围，并在该取值范围内确定出该输入参数的至少一个测试输入值。例如，可以将测试输入值的取值范围设置为最小值为预设初始值-预设初始值*0.5，最大值为预设初始值+预设初始值*0.5所形成的数值范围。其中，在设置的输入值的取值范围中，可以以预设初始值为起点，变化步长为预设初始值*0.1，确定出至少一个测试输入值。在确定出该输入参数的至少一个测试输入值后，可以分别将该输入参数的至少一个测试输入值输入至预测模型中，通过预测模型可以计算出每个测试输入值作为输入时对应的输出结果。该至少一个输出结果即为该输入参数的至少一个敏感度评价值。模型的校准装置可以根据获取的该输入参数的至少一个敏感度评价值，计算出该输入参数的敏感值。进而通过上述方式可以得到每个输入参数的敏感值。

作为一种可能的实现方式，模型的校准装置获取了该输入参数的至少一个敏感度评价值时，可以根据至少一个敏感度评价值形成线性方程，计算出该线性方程的斜率，将该线性方程的斜率作为该输入参数的敏感值。当然，模型的校准装置还可以根据至少一个敏感度评价值形成非线性方程，此时可以对该非线性方程进行数值求导，将得到的数值导数的平均值作为该输入参数的敏感值。

需要说明的是，在本申请实施例中，还可以根据其他敏感度评价函数计算出该输入参数的敏感值，本申请对此不作限制。

例如，获取的预设输入参数a，输入参数b及输入参数c后，需要针对每个输入参数计算其对应的敏感值。此时，在计算输入参数a的敏感值时，由于输入参数a的预设初始值为5，因此可以确定输入参数a的测试输入值的取值范围为5-5*0.5至5+5*0.5，即为2.5-7.5。此时，模型的校准装置可以以5为起点，变化步长为0.5，在取值范围2.5-7.5内，确定出测试输入值。即为，模型的校准装置可以确定出输入参数a的测试输入值为2.5,3,3.5,4,4.5,5,5.5,6,6.5,7,7.5。将输入参数a的11个测试输入值分别输入值预测模型中，预测模型针对每个测试输入值输出一个预测结果，即为输入参数a的敏感度评价值，从而可以得到输入参数a的11个敏感度评价值，根据输入参数a的11个敏感度评价值，计算出输入参数a的敏感值。根据上述方式，可以根据输入参数b的预设初始值，输入参数c的预设初始值，分别计算出输入参数b的敏感值及输入参数c的敏感值。

需要说明的是，在本申请实施例中，针对每个输入参数计算出对应的至少一个敏感度评价值后，可以根据每个输入参数各自的敏感度评价值计算出该输入参数的敏感值。也可以将通过多个输入参数的敏感度评价值一起，计算出多个输入参数各自对应的敏感值。本申请对此不作限制。

需要说明的是，在本申请实施例中预测模型是现有技术中光刻胶的预测模型，包含曝光、烘烤、显影等阶段形成的物理模型，在将输入参数的输入值相应的输入至各个阶段的物理模型后，可以最终得到显影结果，即为预测模型输出的结果是显影后的结果。该显影结果即为输出的预测结果，即为本申请实施例中所述的敏感评价值。由于预测模型是现有的光刻模型，因此，预测模型根据输入值计算出输出结果的具体实现可以参考现有技术中的各个阶段的物理模型的具体计算过程，在此不再赘述。

作为一种可能的实现方式，由于显影结果可能通过多个指标参数来表征。因此，在将输入参数的一个输入值输入至预测模型时，预测模型可能输出多个指标参数的输出预测值，此时无法直接将预测模型输出的结果作为敏感评价值。需要根据多个指标参数的输出预测值，计算出该输入参数的敏感评价值。基于此，上述根据该输入参数的至少一个测试输入值及所述预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定输入参数的敏感值包括：

针对该输入参数的至少一个测试输入值中的每个测试输入值，将该测试输入值输入至预测模型得到该输入参数对应的至少一个指标参数的输出预测值；获取至少一个指标参数的预设权重系数，根据至少一个指标参数的预设权重系数、至少一个指标参数的输出预测值，计算出该测试输入值对应的该输入参数的敏感度评价值；根据得到的该输入参数的至少一个敏感度评价值，确定该输入参数的敏感值。

其中，至少一个指标参数是用于表征显影结果的参数。

在本申请实施例中，预测模型为光刻胶的预测模型，在最终输出的显影结果中包含有多个指标参数的值。由于显影结果需要通过多个指标参数来表示该结果，因此预测模型输出的预测结果是分别多个指标参数的预测结果。此时，预测模型每次输出的结果为至少一个指标参数的输出预测值。基于此，针对获取的输入参数中的每个输入参数，在确定出该输入参数的至少一个测试输入值后，针对该输入参数的至少一个测试输入值中的每个测试输入值，可以将该测试输入值输入至预测模型，经预测模型的计算可以输出至少一个指标参数的输出预测值。模型的校准装置可以获取预先设置的每个指标参数对应的权重系数。模型的校准装置在获取到每个指标参数的权重系数后，可以根据每个指标参数的输出预测值及权重系数，计算出该输入参数在该测试输入值的情况下对应的敏感评价值。通过上述方式，可以获取到该输入参数的每种测试输入值对应的敏感评价值。进而可以得到每个输入参数的每种测试输入值对应的敏感评价值。

需要说明的是，每个指标参数的权重系数是根据实际需求预先设置的，不同指标参数的权重系数不完全相同。通过合理设定权重系数，可以有效实现对输入参数的不同输入值引起的显影结果变化的敏感度进行评估。

作为一种可能的实现方式，为了对每个输入参数的敏感值计算的更为准确，可以在获取了指标参数的输出预测值后，可以对各个指标参数的输出预测值进行数据处理，得到各个指标参数对应的敏感度参数，进而根据各个指标参数对应的敏感度参数计算出输入参数的敏感度评价值。

此时，在上述根据至少一个指标参数的预设权重系数、至少一个指标参数的输出预测值，计算出该测试输入值对应的该输入参数的敏感度评价值之前，还包括：针对至少一个指标参数的每个指标参数，根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数。

在本申请实施例中，在计算显影结果的过程中，经常出现非陡直的显影形貌，当选取的指标参数不合理，即使指标参数有较好的表现，也无法反应真实的需要形貌，如图2所示。为了更准确的预测出每个输入参数的敏感值，可以针对每个输入参数对应的每个指标参数的输出预测值进行数据处理，得到每个输入参数对应的每个指标参数的敏感参数，从而根据每个输入参数对应的每个指标参数的敏感参数，计算出每个输入参数的敏感值。因此，在针对获取的输入参数中的每个输入参数的每个测试输入值通过预测模型输出至少一个指标参数的输出预测值后，可以根据针对每个指标参数的输出预测值进行相应的数据处理，计算出每个指标参数对应的敏感参数。

需要说的是，每个指标参数通过数据处理得到每个指标参数对应的敏感参数时，具体的数据处理过程与指标参数有关，不同的指标参数对应的数据处理过程不同。每个指标参数对应的数据处理是根据实际需求预先设置的。

此时，上述根据至少一个指标参数的预设权重系数、至少一个指标参数的输出预测值，计算出该测试输入值对应的该输入参数的敏感度评价值包括：根据至少一个指标参数的预设权重系数、至少一个指标参数中每个指标参数对应的敏感度参数，计算出该测试输入值对应的该输入参数的敏感度评价值。

即为，模型的校准装置在获取了每个指标参数对应的敏感参数后，可以根据每个指标参数的权重系数，每个指标参数对应的敏感参数计算出该测试输入值对应的该输入参数的敏感度评价值。例如，可以将每个指标参数对应的敏感参数及其对应的权重系数的乘积进行累加得到该测试输入值对应的该输入参数的敏感度评价值。

作为一种可能的实现方式，至少一个指标参数包括：CD值、侧壁角、待测材料的最大损失量、待测材料的顶部损失量。

此时，在至少一个指标参数包括：CD值时，根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数包括：

根据CD值的输出预测值，利用公式F

其中，F

在至少一个指标参数包括：侧壁角时，根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数包括：

根据侧壁角的输出预测值，利用公式F

其中，F

在至少一个指标参数包括：待测材料的最大损失量时，根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数包括：

根据待测材料的最大损失量的输出预测值，利用公式

其中，F

在至少一个指标参数包括：待测材料的顶部损失量时，根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数包括：

根据待测材料的顶部损失量的输出预测值，利用公式

其中，F

在本申请实施例中，在设定不同的指标参数时，其对应的敏感参数的数据处理也确定出。因此，在指标参数包括CD值时，获取CD值的敏感度参数的数据处理过程可以是通过公式F

在指标参数包括侧壁角时，获取侧壁角的敏感度参数的数据处理过程可以是通过公式F

在指标参数包括待测材料的最大损失量时，获取待测材料的最大损失量的敏感度参数的数据处理过程可以是通过公式

在指标参数包括待测材料的顶部损失量时，获取待测材料的顶部损失量的敏感度参数的数据处理过程可以是通过公式

需要说明的是，为了更准确的预测指标参数，针对部分指标参数可以在多个高度预测其输出值。因此存在每次计算指标参数时，输出有指标参数的多个高度的输出预测值。

作为一种可能的实现方式，在获取了各个指标参数的权重系数，各个指标参数对应的敏感参数后，可以根据公式F＝ω

通过上述方式，可以获取到每个输入参数的针对至少一个测试输入值中的每个测试输入值输入至预测模型时计算出相应的敏感评价值。从而利用每个输入参数的至少一个敏感评价值，计算出每个输入参数的敏感值。

作为一种可能的实现方式，上述CD值的权重系数为0.65，侧壁角的权重系数为0.2，待测材料的最大损失量的权重系数为0.1，待测材料的顶部损失量的权重系数为0.05。从而可以根据每个输入参数的至少一个敏感评价值及每个敏感评价值的权重系数，计算出的各个输入参数的敏感值，如图3所示。

如上例所述，获取的预设输入参数a，输入参数b及输入参数c后，需要针对每个输入参数计算其对应的敏感值。此时，在计算输入参数a的敏感值时，模型的校准装置可以确定出输入参数a的测试输入值为2.5,3,3.5,4,4.5,5,5.5,6,6.5,7,7.5。将输入参数a的测试输入值2.5输入值预测模型中，预测模型针对测试输入值2.5输出一个预测结果。假设该预测结果包含有CD值，侧壁角，待测材料的最大损失量及待测材料的顶部损失量的值。若该预测结果包含3个CD值的值分别为CD

在计算出输入参数a的各个测试输入值输入至预测模型时对应的敏感评价值，输入参数b的各个测试输入值输入至预测模型时对应的敏感评价值，以及输入参数c的各个测试输入值输入至预测模型时对应的敏感评价值后，可以根据各个敏感评价值计算出输入参数a的敏感值，输入参数b的敏感值，及输入参数c的敏感值。

步骤S103、获取预设敏感阈值，根据得到的至少一个输入参数的敏感值及预设敏感阈值，在至少一个输入参数中确定出至少一个目标输入参数。

在本申请实施例中，模型的校准装置在获取了每个输入参数的敏感值后，可以从存储介质中获取预设设置的敏感阈值，将每个输入参数的敏感值与预设敏感阈值进行对比，从而在至少一个输入参数中确定出至少一个目标输入参数。

作为一种可能的实现方式，根据得到的至少一个输入参数的敏感值及预设敏感阈值，在至少一个输入参数中，将敏感值大于预设敏感阈值的输入参数确定为目标输入参数。

即为，在本申请实施例中，当输入参数的敏感值大于预设敏感阈值时，说明预测模型的输出结果对该输入参数的输入值较为敏感，当然输入参数的输入值发生较小的改变时，预测模型的输出结果差异较大。此时，在该输入参数的预设初始值设置不精确时，对预测模型的输出结果影响较大，需对该输入参数的预设初始值进行校准。而当输入参数的敏感值不大于预设敏感阈值时，说明预测模型的输出结果对该输入参数的输入值不敏感，当然输入参数的输入值发生较大的改变时，预测模型的输出结果差异较小。此时，在该输入参数的预设初始值设置不精确时，对预测模型的输出结果影响不大，无需对该输入参数的预设初始值进行校准。因此，模型的校验装置可以在获取了每个输入参数的敏感值时，将每个输入参数的敏感值与预设敏感阈值进行比对，将敏感值大于预设敏感阈值的输入参数确定为目标输入参数。

如上例所述，假设预设敏感阈值为5，输入参数a的敏感值为6，输入参数b的敏感值为3，及输入参数c的敏感值为7。则根据预设敏感阈值，将敏感值大于预设敏感阈值5的输入参数确定为目标输入参数。此时，可以确定输入参数a，及输入参数c为目标输入参数。

步骤S104、根据至少一个目标输入参数，获取至少一个目标输入参数的校准值。

在本申请实施中，用户确定出目标输入参数后，可以针对每个目标输入参数，进行相应的光刻胶曝光、烘烤、显影等实验，得到实验结果，该实验结果为实际显影结果。可以将实验得到的实际显影结果作为目标输入参数的校准值。这样一来，模型的校准装置在获取了每个目标输入参数的实验结果时，即为获取了每个目标输入参数的校准值。

如上例所述，在确定出目标输入参数后，可以根据输入参数a，输入参数c分别进行光刻胶曝光、烘烤、显影等实验，得到输入参数a对应的实际显影结果，输入参数c对应的实际显影结果。将输入参数a的实际显影结果确定为输入参数a的校准值，将输入参数c的实际显影结果确定为输入参数c的校准值。

步骤S105、根据至少一个目标输入参数的校准值，更新至少一个目标输入参数的预设初始值。

在本申请实施例中，模型的校准装置在获取了至少一个目标输入参数的校准值后，可以针对至少一个目标输入参数的校准值中的每个目标输入参数的校准值，根据该目标输入参数的校准值确定出该校准值对应的目标输入参数的目标输入值。将该目标输入值确定为目标输入参数的初始值，此时可以将该目标输入参数的目标输入值更新为该目标输入参数的预设初始值。

作为一种可能的实现方式，为了减少计算量，可以通过上述步骤S102中计算出的该目标输入参数的至少一个测试输入值输入至预测模式后，预测模型输出的预测结果中，确定与该目标输入参数的校准值相匹配的输出预测值。从而将该相匹配的输出预测值对应的测试输入值确定为目标输入参数的初始值，此时可以将该目标输入参数的目标输入值更新为该目标输入参数的预设初始值。即为，利用预测模型获取目标输入参数在多个变化条件下对应的多个预测结果。如果预测结果中有满足光刻成像质量的需求的，那么将该满足光刻成像质量的需求的预测结果对应的测试输入值确定为该目标输入参数的预设初始值。也就是说，将该满足光刻成像质量的需求的预测结果对应的变化条件下的目标输入参数的输入值确定为预设初始值。

需要说明的是，在本申请实施例中仅对敏感值大于预设敏感阈值的输入参数进行校准，与现有技术中对全部参数进行校准相比，本申请优化的光刻胶的预测模型性能更优。例如，通过实验可知，在现有技术中，对全部参数进行校准时，光刻胶的预测模型对所有测试图形的平均误差的RMS(Root Mean Square，均方根误差)值4.55，最大RMS值为5.76，经过100次迭代，所需时间为9小时44分钟。利用预设敏感阈值对输入参数进行优选后，光刻胶的预测模型对所有测试图形的平均误差的RMS值4.45，最大RMS值为5.47，经过100次迭代，所需时间为8小时02分钟，如表1及表2所示。因此，通过对输入参数的优选，校准后光刻胶的预测模型的平均RMS减少了2.19％，优化时间减少了17.5％。

其中，表1为采用现有方式对预测模型进行校准时输出CD值的误差相关数据。表2为采用本申请的方式对预测模型进行校准时输出CD值的误差相关数据。具体如下：

表1

表2

如上例所述，在模型的校准装置获取了输入参数a的校准值，及输入参数c的校准值后，可以根据输入参数a在将每个测试输入值输入至预测模型后，预测模型输出的预测结果中查找是否有与输入参数a的校准值相匹配的。在预测模型输出的所有预测结果中找到与输入参数a的校准值相匹配的预测结果时，将相匹配的预测结果对应的测试输入值确定为目标输入值，并将该目标输入值更新为输入参数a的预设初始值，从而完成对输入参数a的校准。同理，可以进行输入参数c的校准，在此不再赘述。

在本申请实施例中，可以通过获取预测模型中各个输入参数的敏感值，从而可以根据各个输入参数的敏感值及预设敏感阈值，在至少一个输入参数中确定出至少一个目标输入参数。针对预测模型进行参数校准时，可以仅获取至少一个目标输入参数的校准值，进而对至少一个目标输入参数的预设初始值进行更新。即为，在本申请实施例中，针对预测模型中的输入参数，可以根据各个输入参数的敏感值确定出目标输入参数，进而仅对目标输入参数的预设初始值进行校准，而无需对所有的输入参数的预设初始值进行校准，在本申请中仅对部分输入参数进行校准，降低了校准参数的数量，大大降低了参数校准时的计算量，降低了计算资源的开销，并且提高了模型校准的效率。

参见图4，为本申请实施例提供的另一种模型的校准方法的流程示意图。本申请实施例相对于上述附图1所述的实施例增加了建立神经网络模型的步骤。具体如下：

步骤S401、获取预设的预测模型的至少一个输入参数及至少一个输入参数的预设初始值。

具体可参考步骤S101，在此不再赘述。

步骤S402、针对每个输入参数，根据该输入参数的预设初始值，确定该输入参数的至少一个测试输入值；根据该输入参数的至少一个测试输入值及所述预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定输入参数的敏感值。

具体可参考步骤S102，在此不再赘述。

步骤S403、获取预设敏感阈值，根据得到的至少一个输入参数的敏感值及预设敏感阈值，在至少一个输入参数中确定出至少一个目标输入参数。

具体可参考步骤S103，在此不再赘述。

步骤S404、根据至少一个目标输入参数，获取至少一个目标输入参数的校准值。

具体可参考步骤S104，在此不再赘述。

步骤S405、根据至少一个目标输入参数的校准值，更新至少一个目标输入参数的预设初始值。

具体可参考步骤S105，在此不再赘述。

步骤S406、根据至少一个输入参数的预设初始值，确定至少一个输入参数的取值范围。

在本申请实施例中，通过在各个阶段建立物理模型进行计算仿真，从而对待测材料的参数进行显影性能预测的方式，由于需要通过各个阶段的物理模型进行计算仿真后，才能得出预测结果，因此预测时间较长，预测效率较低。在本申请实施例中，可以通过建立神经网络模型实现对待测材料的参数对应的显影性能的快速预测。基于此，需要通过待测材料的输入参数及对应的显影预测结果建立神经网络模型。因此，在本申请实施例中，需要先获取待测材料的输入参数的值。可以在存储介质中，获取预先设置的至少一个输入参数，及每个输入参数对应的预设初始值。

需要说明的是，在上述步骤S405中对目标输入参数的预设初始值进行了更新，因此，在本步骤中获取的至少一个输入参数包含有上述目标输入参数，且获取的目标输入参数的预设初始值是上述步骤S405更新后的预设初始值。

在获取了至少一个输入参数的预设初始值后，可以根据每个输入参数的预设初始值确定每个输入参数对应的输入值的取值范围。例如，针对每个输入参数，可以将该输入参数的输入值的取值范围设置为最小值为该输入参数的预设初始值-该输入参数的预设初始值*0.5，最大值为该输入参数的预设初始值+该输入参数的预设初始值*0.5所形成的数值范围。

步骤S407、针对每个输入参数，在该输入参数的取值范围中确定出该输入参数的至少一个建模输入值。

在本申请实施例中，针对每个输入参数，在该输入参数的取值范围中确定出该输入参数的至少一个建模输入值的实现方式，与上述步骤S102中针对每个输入参数，在该输入参数的取值范围内确定出该输入参数的至少一个测试输入值的实现方式相同，在此不再赘述。

步骤S408、根据该输入参数的至少一个建模输入值及预测模型，获取该输入参数对应的显影预测值。

具体的可参数步骤S102中针对该输入参数的至少一个测试输入值中的每个测试输入值，将该测试输入值输入至预测模型得到该输入参数对应的至少一个指标参数的输出预测值，在此不再赘述。

步骤S409、根据至少一个输入参数中每个输入参数的至少一个建模输入值、每个输入参数对应的显影预测值，利用预设神经网络模型，形成显影预测模型。

其中，显影预测模型用于根据接收的输入参数预测所述输入参数对应的至少一个指标参数的显影预测值。

在本申请实施例中，模型的校准装置在获取了输入参数对应的显影预测值后，可以根据每个输入参数的至少一个建模输入值，及每个建模输入值输入至预测模型后，预测模型输出的显影预测值，对预设神经网络进行训练，形成显影预测模型。

作为一种可能的实现方式，每个输入参数的建模输入值包含有多个，例如，在输入参数的输入值的取值范围中，可以以预设初始值为起点，变化步长为预设初始值*0.1，确定出多个建模输入值。针对每个输入参数，将该输入参数的每个建模输入值输入至预测模型，可以得到对应的显影预测值。通过上述方式，针对每个输入参数可以获取到其每个建模输入值对应的显影预测值，从而可以根据每个建模输入值及对应的显影预测值，对预设神经网络模型进行训练，得到显影预测模型。在根据每个建模输入值及对应的显影预测值，对预设神经网络模型进行训练时，可以按照70％：30％的比例将建模输入值及对应的显影预测值分为用于训练预设神经网络模型的部分，及用于测试并更新训练后的神经网络模型的部分。通过上述过程，训练好的神经网络模型即为显影预测模型。这样一来，后续只要待测材料的待测输入参数的输入值在上述对应的输入参数的取值范围以内，其对应的显影结果可以利用显影预测模型进行快速预测。附图5及附图6为通过实验统计出的采用显影预测模型预测的输出的CD值及侧壁角的相对误差的场景示意图。通过附图5及6可知，采用通过神经网络模型训练出的显影预测模型输出的预测结果，与通过实验计算出的显影结果相比，误差较小。因此，通过本申请形成的显影预测模型可以在输入待测材料的参数至显影预测模型时，快速预测出显影结果，且预测出的显影结果相对误差较小，提高了预测效率。

需要说明的是，上述预设神经网络可以是后向传播神经网络，也可以是卷积神经网络，神经网络的层数和节点数均可以根据实际情况进行适当的修改，本申请对此不作限制。

参见图7，为本申请实施例提供的一种模型的校准装置的结构示意图。如图7所示，该模型的校准装置包括：

获取单元701，用于获取预测模型的至少一个输入参数及至少一个输入参数的预设初始值。

处理单元702，用于针对每个输入参数，根据该输入参数的预设初始值，确定该输入参数的至少一个测试输入值；根据该输入参数的至少一个测试输入值及所述预测模型，计算出该输入参数的至少一个敏感度评价值，并根据该输入参数的至少一个敏感度评价值，确定输入参数的敏感值。

作为一种可能的实现方式，处理单元702，具体用于针对该输入参数的至少一个测试输入值中的每个测试输入值，将该测试输入值输入至预测模型得到该输入参数对应的至少一个指标参数的输出预测值；获取至少一个指标参数的预设权重系数，根据至少一个指标参数的预设权重系数、至少一个指标参数的输出预测值，计算出该测试输入值对应的该输入参数的敏感度评价值；根据得到的该输入参数的至少一个敏感度评价值，确定该输入参数的敏感值。

其中，至少一个指标参数是用于表征显影结果的参数。

处理单元702，还用于获取预设敏感阈值，根据得到的至少一个输入参数的敏感值及预设敏感阈值，在至少一个输入参数中确定出至少一个目标输入参数。

获取单元701，还用于根据至少一个目标输入参数，获取至少一个目标输入参数的校准值。

校准单元703，用于根据至少一个目标输入参数的校准值，更新至少一个目标输入参数的预设初始值。

作为一种可能的实现方式，上述处理单元702，还用于针对至少一个指标参数的每个指标参数，根据该指标参数的输出预测值，计算该指标参数对应的敏感度参数。

此时，处理单元702根据至少一个指标参数的预设权重系数、至少一个指标参数的输出预测值，计算出该测试输入值对应的该输入参数的敏感度评价值具体为：根据至少一个指标参数的预设权重系数、至少一个指标参数中每个指标参数对应的敏感度参数，计算出该测试输入值对应的该输入参数的敏感度评价值。

作为一种可能的实现方式，至少一个指标参数包括：CD值、侧壁角、待测材料的最大损失量、待测材料的顶部损失量。

作为一种可能的实现方式，在至少一个指标参数包括：CD值时，处理单元702具体用于，根据CD值的输出预测值，利用公式F

其中，F

作为一种可能的实现方式，在至少一个指标参数包括：侧壁角时，处理单元702具体用于，根据侧壁角的输出预测值，利用公式F

其中，F

作为一种可能的实现方式，在至少一个指标参数包括：待测材料的最大损失量时，处理单元702具体用于，根据待测材料的最大损失量的输出预测值，利用公式

其中，F

作为一种可能的实现方式，在至少一个指标参数包括：待测材料的顶部损失量时，处理单元702，具体用于根据待测材料的顶部损失量的输出预测值，利用公式

其中，F

作为另一种可能的实现方式，如图8所示，上述模型的校准装置还包括：

确定单元704，用于根据所述至少一个输入参数的预设初始值，确定至少一个输入参数的取值范围。

处理单元702，还用于针对每个输入参数，在该输入参数的取值范围中确定出该输入参数的至少一个建模输入值；根据该输入参数的至少一个建模输入值及预测模型，获取该输入参数对应的显影预测值。

处理单元702，还用于根据至少一个输入参数中每个输入参数的至少一个建模输入值、每个输入参数对应的显影预测值，利用预设神经网络模型，形成显影预测模型。

其中，显影预测模型用于根据接收的输入参数预测输入参数对应的至少一个指标参数的显影预测值。

与上述实施例相对应，本申请还提供了一种电子设备。图9为本发明实施例提供的一种电子设备的结构示意图，所述电子设备900可以包括：处理器901、存储器902及通信单元903。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明实施例的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

其中，所述通信单元903，用于建立通信信道，从而使所述存储设备可以与其它设备进行通信。接收其他设备发是的用户数据或者向其他设备发送用户数据。

所述处理器901，为存储设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器902内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子设备的各种功能和/或处理数据。所述处理器可以由集成电路(integrated circuit，IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器901可以仅包括中央处理器(centralprocessing unit，CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。

所述存储器902，用于存储处理器901的执行指令，存储器902可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

当存储器902中的执行指令由处理器901执行时，使得电子设备900能够执行图5所示实施例中的部分或全部步骤。

具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的模型的校准方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例和终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。