光刻掩膜生成模型的训练方法、装置、设备及存储介质

技术领域

本申请实施例涉及芯片和机器学习技术领域，特别涉及一种光刻掩膜生成模型的训练方法、装置、设备及存储介质。

背景技术

在芯片生产过程中，需要获取各个芯片版图分别对应的掩膜图，以进行光刻工艺曝光。

在相关技术中，需要采用较多的芯片版图作为训练数据训练光刻掩膜生成模型，才能得到较高精度的光刻掩膜生成模型。

在上述相关技术中，需要较多的芯片版图训练光刻掩膜生成模型，且每获取一个芯片版图都需要一定成本，因而模型的训练过程所需的成本较高。

发明内容

本申请实施例提供了一种光刻掩膜生成模型的训练方法、装置、设备及存储介质，能够减少训练光刻掩膜生成模型所需的芯片版图的数量，节省模型的训练成本。所述技术方案如下：

根据本申请实施例的一个方面，提供了一种光刻掩膜生成模型的训练方法，所述方法包括：

获取多个芯片版图分别对应的预测掩膜图；

基于各个所述芯片版图分别对应的预测掩膜图，确定各个所述芯片版图分别对应的预测难度；

从所述多个芯片版图中选择所述预测难度符合条件的芯片版图，作为难芯片版图；

采用所述难芯片版图对所述初步训练后的第一光刻掩膜生成模型进行更新训练，得到训练更新后的第一光刻掩膜生成模型。

根据本申请实施例的一个方面，提供了一种光刻掩膜生成模型的训练装置，所述装置包括：

掩膜获取模块，用于获取多个芯片版图分别对应的预测掩膜图；

难度确定模块，用于基于各个所述芯片版图分别对应的预测掩膜图，确定各个所述芯片版图分别对应的预测难度；

版图选择模块，用于从所述多个芯片版图中选择所述预测难度符合条件的芯片版图，作为难芯片版图；

模型更新模块，用于采用所述难芯片版图对所述初步训练后的第一光刻掩膜生成模型进行更新训练，得到训练更新后的第一光刻掩膜生成模型。

根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述光刻掩膜生成模型的训练方法。

根据本申请实施例的一个方面，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中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述光刻掩膜生成模型的训练方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述光刻掩膜生成模型的训练方法。

本申请实施例提供的技术方案可以包括如下有益效果：

由于难芯片版图能够快速提升光刻掩膜生成模型的模型精度，通过选出难芯片版图并采用难芯片版图更新光刻掩膜生成模型，能够降低训练光刻掩膜生成模型所需的芯片版图的数量，从而节省了数据标注成本，进而节省了模型训练成本。

另外，采用难芯片版图进行训练可以较快地提升光刻掩膜生成模型的模型精度，从而节省了模型训练所需的时间，提升了模型的训练效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

图1是本申请一个实施例提供的光刻掩膜生成模型的训练方法的流程图；

图2是本申请一个实施例提供的实施环境的示意图；

图3是本申请一个实施例提供的光刻掩膜生成模型的示意图；

图4是本申请另一个实施例提供的光刻掩膜生成模型的训练方法的流程图；

图5是本申请另一个实施例提供的光刻掩膜生成模型的训练方法的流程图；

图6是本申请另一个实施例提供的光刻掩膜生成模型的训练方法的流程图；

图7是本申请另一个实施例提供的光刻掩膜生成模型的训练方法的流程图；

图8是本申请另一个实施例提供的光刻掩膜生成模型的训练方法的流程图；

图9是本申请一个实施例提供的光刻掩膜生成模型的训练装置的框图；

图10是本申请一个实施例提供的光刻掩膜生成模型的训练装置的框图；

图11是本申请一个实施例提供的计算机设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法的例子。

首先，对本申请涉及的一些名词进行介绍。

芯片版图：也可以称为集成电路版图，是真实集成电路物理情况的平面几何形状描述。集成电路版图是集成电路设计中最底层步骤物理设计的成果。物理设计通过布局、布线技术将逻辑综合的成果转换成版图文件。该文件包含了各硬件单元在芯片上的形状、面积和位置信息。

光学邻近效应修正(optical proximity correction，OPC)：使用计算方法对掩膜版上的图形进行修正，使得投影到光刻胶上的图形尽可能符合设计要求，是一种光刻分辨率增强技术。在光刻工艺中，掩膜上的图形通过曝光系统投影在光刻胶上，由于光学系统的不完善性和衍射效应，光刻胶上的图形和掩膜上的图形不完全一致。这些失真如果不纠正，可能较大程度地改变生产出来的电路的电气性能。光学邻近效应修正是一种通过调整光刻掩膜上透光区域图形的拓扑结构，或者在掩膜上添加细小的亚分辨辅助图形，使得在光刻胶中的成像结果尽量接近掩膜图形的技术。OPC技术也是一种通过改变掩膜透射光的振幅，进而对光刻系统成像质量的下降进行补偿的一种技术。OPC主要在半导体器件的生产过程中使用。

光刻掩膜：光刻掩膜是光的一种掩蔽膜片，其作用类似于照相，通过光刻掩膜，可以使光刻掩膜“底下”的一部分光剂感光，难溶于有机药品，一部分不感光，易溶于有机药品，从而制得所需的图案。在平面晶体管和集成电路的制造过程中，需要进行多次光刻。为此，必须制备一组具有特定几何图形的光刻掩膜。制备光刻掩膜，就是根据晶体管和集成电路参数所要求的几何图形，按照选定的方法，制备出生产上所要求的尺寸和精度的掩膜图案，并以一定的间距和布局，将图案重复排列于掩膜基片上，进而批量生产光刻掩膜，供光刻工艺曝光之用。

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

本申请实施例采用机器学习技术，对光刻掩膜生成模型进行训练，从而使得光刻掩膜生成模型能够生成精度较高的预测掩膜图，为后续芯片光刻过程提供掩膜版。

本申请实施例提供的方法也可以拓展应用到集成电路设计的其他环节，如芯片逻辑电路仿真，芯片热输运仿真、芯片性能检测、芯片坏点检测，光源-掩膜协同优化等其他EDA(Electronic design automation，电子设计自动化)领域。

本申请的图1分别提供了两种光刻掩膜生成模型的训练方法。

(1)基于误差减少采样策略的训练方法，如图1(a)所示，该方法至少包括如下步骤(步骤11～13)：

步骤11，先通过一些带标注芯片版图作为标注数据集对光刻掩膜生成模型进行初步训练，再采用初步训练后的光刻掩膜生成模型对未标注芯片版图进行掩膜预测，得到各个未标注芯片版图的预测掩膜图；

步骤12，通过光刻物理模型获取预测掩膜图的晶圆图案，基于预测掩膜图的晶圆图案与对应的未标注芯片版图之间的差异，确定各个未标注芯片版图对应的预测难度，选择其中预测难度最大的未标注芯片版图作为难芯片版图；

步骤13，获取难芯片版图的标准掩膜图，并将难芯片版图作为带标注芯片版图加入标注数据集继续训练光刻掩膜生成模型。

上述步骤可以多轮循环执行，不断提高光刻掩膜生成模型的精度。

(2)基于投票查询采样策略的训练方法，如图1(b)所示，该方法至少包括如下步骤(步骤14～步骤16)：

步骤14，先通过一些带标注芯片版图作为标注数据集对多个初步训练后的光刻掩膜生成模型分别进行初步训练，再采用多个初步训练后的光刻掩膜生成模型对未标注芯片版图进行掩膜预测；

步骤15，基于多个初步训练后的光刻掩膜生成模型分别基于各个未标注芯片版图生成的预测掩膜图，计算各个未标注芯片版图分别对应的不确定度，选择其中不确定度最大的未标注芯片版图作为难芯片版图；

步骤16，获取难芯片版图的标准掩膜图，并将难芯片版图作为带标注芯片版图加入标注数据集继续训练光刻掩膜生成模型。

上述步骤可以多轮循环执行，不断提高光刻掩膜生成模型的精度。

请参考图2，其示出了本申请一个实施例提供的实施环境的示意图。该实时环境可以实现为光刻掩膜生成模型的训练系统。该系统30可以包括模型训练设备31和模型使用设备32。

模型训练设备31可以是诸如电脑、服务器、智能机器人等电子设备，或者是其他一些具有较强计算能力的电子设备。模型训练设备31用于对光刻掩膜生成模型33进行训练。在本申请实施例中，光刻掩膜生成模型33是用于生成预测掩膜图的神经网络模型，模型训练设备31可以采用机器学习的方式对该光刻掩膜生成模型33进行训练，以使得其具备较好的性能。

上述训练完成的光刻掩膜生成模型33可部署在模型使用设备32中使用，以提供图像处理结果(即自动计数结果)。模型使用设备32可以是诸如PC(PersonalComputer，个人计算机)、平板电脑、智能手机、可穿戴设备、智能机器人、智能语音交互设备、智能家电、车载终端、飞行器、医疗设备等终端设备，也可以是服务器，本申请对此不作限定。

在一些实施例中，如图2所示，光刻掩膜生成模型33可以包括：编码器34和解码器35。如图3所示，编码器34是由卷积神经网络构成的编码器。以卷积层的数量为8为例，芯片版图输入后，经过多层二维卷积神经网络，这8个卷积层分别由8个、16个、32个、64个、128个、256个、512个、1024个3×3的过滤器36组成，在每个卷积层之后建立了批量归一化层37，且修正线性单元(ReLU)被用作激活函数。上述8层卷积的最终输出(维度为(1,1,1024))被作为解码器35的输入，解码器35由多层反卷积神经网络构成。以反卷积层的数量为8为例，前7个卷积层分别由1024个、512个、256个、128个、64个、32个、16个3×3的过滤器36组成，在每个反卷积层之后建立了批量归一化层37，Leaky修正线性单元(Leaky-ReLU)被用作激活函数。最后，由一个3×3的过滤器36和sigmoid激活函数38组成的反卷积层给出维度为(256，256，1)且取值为0到1的掩膜版，然后对掩膜版二值化处理得到最终的预测掩膜版。

本申请实施例可应用于各种场景，包括但不限于芯片涉及、云技术、人工智能、芯片制造、智慧交通、辅助驾驶等。

下面，将通过几个实施例对本申请技术方案进行介绍说明。

请参考图4，其示出了本申请另一个实施例提供的光刻掩膜生成模型的训练的方法的流程图。在本实施例中，以该方法应用于上文介绍的模型训练设备来举例说明。该方法可以包括如下几个步骤(401～404)：

步骤401，获取多个芯片版图分别对应的预测掩膜图。

在一些实施例中，多个芯片版图中包括带标注芯片版图。其中，带标注芯片版图是指已生成有对应的标准掩膜图的芯片版图，标准掩膜图即为带标注芯片版图的标注。

在一些实施例中，多个芯片版图中包括未标注芯片版图，未标注芯片版图是指未生成有对应的标准掩膜图的芯片版图。

需要说明的是，多个芯片版图可以都是带标注芯片版图；多个芯片版图也可以都是未标注芯片版图；多个芯片版图还可以既包括带标注芯片版图、也包括未标注芯片版图，本申请实施例对此不作具体限定。

在一些实施例中，采用多个带标注芯片版图对第二光刻掩膜生成模型进行初步训练，得到初步训练后的第二光刻掩膜生成模型；其中，带标注芯片版图是指已生成有对应标准掩膜图的芯片版图；采用初步训练后的第二光刻掩膜生成模型对多个芯片版图进行掩膜预测，得到多个芯片版图分别对应的预测掩膜图。

在一些实施例中，初始的第二光刻掩膜生成模型即为初始的第一光刻掩膜生成模型，第一光刻掩膜生成模型是初步训练后的第二光刻掩膜生成模型。采用多个带标注芯片版图对初始的第一光刻掩膜生成模型进行初步训练，得到第一光刻掩膜生成模型；采用第一光刻掩膜生成模型对多个芯片版图进行掩膜预测，得到各个芯片版图分别对应的预测掩膜图。也即，先采用带标注芯片版图对第一光刻掩膜生成模型进行初步训练，得到初步训练后的第一光刻掩膜生成模型；再采用初步训练后的第一光刻掩膜生成模型对多个芯片版图进行掩膜预测，得到多个芯片版图分别对应的预测掩膜图。初步训练后的第一光刻掩膜生成模型的模型精度可以低于所需得到的第一光刻掩膜生成模型的模型精度。

在一些实施例中，采用不同于第一光刻掩膜生成模型的第二光刻掩膜生成模型生成多个芯片版图分别对应的预测掩膜图。第二光刻掩膜生成模型不同于第一光刻掩膜生成模型、但与第一光刻掩膜生成模型为同类模型，第二光刻掩膜生成模型也是能基于芯片版图生成对应的预测掩膜图的模型。在一些实施例中，第二光刻掩膜生成模型是已经训练完成的模型，可以直接采用第二光刻掩膜生成模型生成多个芯片版图分别对应的预测掩膜图，其模型精度可以高于当前的第一光刻掩膜生成模型。

在一些实施例中，上述两种生成多个芯片版图分别对应的预测掩膜图的方式可以相结合。例如，在第一光刻掩膜生成模型的模型精度较低(如初始化状态的第一光刻掩膜生成模型)的情况下，采用第二光刻掩膜生成模型生成多个芯片版图分别对应的预测掩膜图；在第一光刻掩膜生成模型的模型精度较高的情况下，采用第一光刻掩膜生成模型生成多个芯片版图分别对应的预测掩膜图。

在一些实施例中，模型精度可以根据光刻掩膜生成模型的损失确定，如直接用损失表示光刻掩膜生成模型的模型精度。其中，损失越小，表示光刻掩膜生成模型的模型精度越高；损失越大，表示光刻掩膜生成模型的模型精度越低。

步骤402，基于各个芯片版图分别对应的预测掩膜图，确定各个芯片版图分别对应的预测难度。

在一些实施例中，通过对芯片版图分别对应的预测掩膜图进行分析计算，可以得到一些计算结果作为衡量预测难度的指标。若预测掩膜图对应的指标与芯片版图的预测难度之间存在较大的相关性(或强相关性)，可以将基于该指标指示芯片版图分别对应的预测难度，或者直接将该指标作为芯片版图分别对应的预测难度。

步骤403，从多个芯片版图中选择预测难度符合条件的芯片版图，作为难芯片版图。

在一些实施例中，难芯片版图，可以理解为相对于其他芯片版图，难芯片版图更不容易/更难通过光刻掩膜生成模型预测得到高质量和/或符合设计要求的掩膜图。

在一些实施例中，从多个芯片版图中选择预测难度达到难度阈值的芯片版图，作为难芯片版图。

在一些实施例中，将多个芯片版图按照预测难度从高到低进行排序，选择前n个芯片版图作为难芯片版图；或者，将多个芯片版图按照预测难度从低到高进行排序，选择后n个芯片版图作为难芯片版图，n为正整数。

在一些实施例中，从芯片版图中选择预测难度最大的芯片版图，作为难芯片版图(即n为1的情况)。

步骤404，采用难芯片版图对第一光刻掩膜生成模型进行训练，得到训练后的第一光刻掩膜生成模型。

在一些实施例中，若难芯片版图属于带标注芯片版图，则难芯片版图可以直接用于训练第一光刻掩膜生成模型；若难芯片版图属于未标注芯片版图，则先获取难芯片版图的标注掩膜图，再采用难芯片版图训练第一光刻掩膜生成模型。

在一些实施例中，对于多个芯片版图包括带标注芯片版图的情况，选择难芯片版图的过程，即为对带标注芯片版图的筛选过程。可选地，从多个带标注芯片版图中选出难芯片版图，并着重采用难芯片版图训练第一光刻掩膜生成模型。例如，仅采用难芯片版图对第一光刻掩膜生成模型进行训练；又例如，采用难芯片版图对第一光刻掩膜生成模型进行训练的频次，高于采用其他带标注芯片版图对第一光刻掩膜生成模型进行训练的频次。也即，主要采用难芯片版图对第一光刻掩膜生成模型进行训练，辅以其他芯片本土更新第一光刻掩膜生成模型，以避免第一光刻掩膜生成模型过拟合。

在一些实施例中，在确定出难芯片版图之后，确保更新第一光刻掩膜生成模型所采用的带标注芯片版图中难芯片版图的占比不低于门限值。

在一些实施例中，对于多个芯片版图包括未标注芯片版图的情况，选择难芯片版图的过程，即为从未标注芯片版图中挑选用于训练第一光刻掩膜生成模型的芯片版图的过程。

综上所述，本申请实施例提供的技术方案，由于难芯片版图能够快速提升光刻掩膜生成模型的模型精度，通过选出难芯片版图并采用难芯片版图训练光刻掩膜生成模型，能够降低训练光刻掩膜生成模型所需的芯片版图的数量，从而节省了数据标注成本，进而节省了模型训练成本。

请参考图5，其示出了本申请另一个实施例提供的光刻掩膜生成模型的训练的方法的流程图。在本实施例中，以该方法应用于上文介绍的模型训练设备来举例说明。该方法可以包括如下几个步骤(501～505)：

步骤501，采用多个带标注芯片版图对第二光刻掩膜生成模型进行初步训练，得到初步训练后的第二光刻掩膜生成模型。

其中，带标注芯片版图是指已生成有对应的标准掩膜图的芯片版图。

在一些实施例中，通过获取多个芯片版图分别对应的标准掩膜图，得到带标注芯片版图；之后采用多个芯片版图分别对应的标准掩膜图，对第二光刻掩膜生成模型进行初步训练。标准掩膜图是指经过OPC的、且符合设计要求的掩膜图。

在初步训练过程中，无需太多带标注芯片版图，带标注芯片版图的数量可以相对少一些。若将所有带标注芯片版图称为第二光刻掩膜生成模型的标注数据集，后续该标注数据集中还会增加新的带标注芯片版图。在初步训练过程中，第二光刻掩膜生成模型可以采用标注数据集进行一轮或多轮训练，第二光刻掩膜生成模型中的参数可以随之进行优化调整。

在一些实施例中，第二光刻掩膜生成模型为Unet(Unity Networking，主要类网络)深度学习模型。

步骤502，采用初步训练后的第二光刻掩膜生成模型对多个未标注芯片版图进行掩膜预测，得到各个未标注芯片版图分别对应的预测掩膜图。

其中，未标注芯片版图是指未生成有对应的标准掩膜图的芯片版图。

在一些实施例中，在经过带标注芯片版图的初步训练后，光刻掩膜生成模型对多个未标注芯片版图进行掩膜预测，得到各个未标注芯片版图分别对应的预测掩膜。

在一些实施例中，该步骤502的执行过程中由于没有标准掩膜图参照，第二光刻掩膜生成模型没有优化方向或优化目标，因而该步骤中第二光刻掩膜生成模型的参数可以固定不变。

步骤503，基于各个未标注芯片版图分别对应的预测掩膜图，确定各个未标注芯片版图分别对应的预测难度。

在一些实施例中，通过对未标注芯片版图分别对应的预测掩膜图进行分析计算，可以得到一些计算结果作为衡量预测难度的指标。若预测掩膜图对应的指标与芯片版图的预测难度之间存在较大的相关性(或强相关性)，可以将基于该指标指示未标注芯片版图分别对应的预测难度，或者直接将该指标作为未标注芯片版图分别对应的预测难度。

步骤504，从多个未标注芯片版图中选择预测难度符合条件的未标注芯片版图，作为难芯片版图。

所谓难芯片版图，可以理解为相对其他芯片版图，难芯片版图更不容易/更难通过光刻掩膜生成模型预测得到高质量和/或符合设计要求的掩膜图。

在一些实施例中，从多个未标注芯片版图中选择预测难度达到难度阈值的未标注芯片版图，作为难芯片版图。

在一些实施例中，将多个未标注芯片版图按照预测难度从高到低进行排序，选择前n个未标注芯片版图作为难芯片版图；或者，将多个未标注芯片版图按照预测难度从低到高进行排序，选择后n个未标注芯片版图作为难芯片版图，n为正整数。

在一些实施例中，从未标注芯片版图中选择预测难度最大的未标注芯片版图，作为难芯片版图(即n为1的情况)。

步骤505，采用难芯片版图对第一光刻掩膜生成模型进行训练，得到训练后的第一光刻掩膜生成模型。

在一些实施例中，由于难芯片版图的高质量掩膜图的预测难度较大，采用难芯片版图训练第一光刻掩膜生成模型，可以在较短时间内提升第一光刻掩膜生成模型的预测精度。若第一光刻掩膜生成模型针对难芯片版图也能生成高质量的预测掩膜图，那么针对其他芯片版图也能生成高质量的预测掩膜图。

在一些实施例中，获取难芯片版图对应的标准掩膜图，并将难芯片版图添加至已有的标注数据集中，得到更新后的标注数据集；其中，已有的标注数据集中包括多个带标注芯片版图；采用更新后的标注数据集对第一光刻掩膜生成模型进行训练，得到训练后的第一光刻掩膜生成模型。在该实施例中，确定难芯片版图后，就获取难芯片版图对应的标准掩膜图，并将难芯片版图作为新的带标注芯片版图加入已有的标注数据集，采用刚加入的带标注芯片版图和之前已有的带标注芯片版图一起训练第一光刻掩膜生成模型。

在一些实施例中，采用公开光刻掩膜数据集(GAN-OPC：Mask optimizationwithlithography-guided generative adversarial nets和Bentian Jiang,etal.2020.Neural-ILT:Migrating ILT to neural networks for mask printability andcomplexity co-optimization.In Proceedings of the IEEE/ACM InternationalConference on Computer-Aided Design(ICCA’20).IEEE，1-9.)训练光刻掩膜生成模型，这两个数据集中共有10271个芯片版图和对应的标准掩膜图，芯片版图满足32nm工艺节点和一定的设计规则。在一些实施例中，上述数据集中光刻掩膜是通过反向光刻掩膜优化算法得到的。

综上所述，本申请实施例提供的技术方案，通过先采用带标注芯片版图对光刻掩膜生成模型进行初步训练，再从未标注芯片版图中选择预测难度较大的难芯片版图，采用难芯片版图更新光刻掩膜生成模型，从而采用较少的芯片版图就可以较快地提升光刻掩膜生成模型的模型精度，因而减少了训练光刻掩膜生成模型所需的带标注芯片版图的数量，节省了模型的训练成本。

具体来讲，由于减少了训练光刻掩膜生成模型所需的带标注芯片版图的数量，能够节省模型训练过程所需的资金成本；另一方面，采用难芯片版图进行训练可以较快地提升光刻掩膜生成模型的模型精度，从而节省了模型训练所需的时间，提升了模型的训练效率。

如图6所示，上述图5实施例中的步骤503可以包括如下子步骤(5031～5033)：

步骤5031，对于每一个芯片版图，获取基于标准工艺参数和芯片版图对应的预测掩膜图，得到的芯片版图对应的目标晶圆图案。

在一些实施例中，获取标准工艺参数下，芯片版图对应的预测掩膜图的目标晶圆图案。在一些实施例中，标准工艺参数包括：基准曝光量(如100％曝光量)、基准离焦(如100％离焦)。在一些实施例中，采用模型来生成标准工艺参数下，芯片版图对应的预测掩膜图的目标晶圆图案。

在一些实施例中，采用光刻物理模型(Lithography Simulation，LS)基于所述标准工艺参数和所述芯片版图对应的预测掩膜图，生成所述芯片版图对应的目标晶圆图案，光刻物理模型是基于光学原理的数学物理仿真模型。在一些实施例中，晶圆图案是基于光刻物理模型生成的。可选地，先将所选的工艺参数(如标准工艺参数)和掩膜图输入光刻物理模型，光刻屋里模型生成与该工艺参数和芯片版图对应的光强分布；再通过sigmoid函数将光强分布转化得与该工艺参数和芯片版图对应的晶圆图案。

光刻物理模型是部分相干成像系统的Hopkins衍射光刻物理模型，该模型得到在晶圆上成像的光强分布I；光强分布I是通过掩膜M和光刻系统核函数h卷积得到的；核函数是通过对光刻系统(如193纳米的环形光源或其他尺寸的环形光源)的交叉传递系数进行奇异值分解得到的。在一些实施例中，光刻物理模型定义如下：

其中，h

最终晶圆上成像图案是通过如下分布函数(sigmoid函数)将晶圆上成像的光强分布转化得到：

Z(x,y)＝1，I(x,y)≥I

Z(x,y)＝0，I(x,y)

其中，I

由于光刻物理模型是一种仿真模型，虽然其包含的参数量较大、仿真过程中的计算量也比较大，但是基于光刻物理模型生成的晶圆图案的精度较高。在一些实施例中，通过GPU(Graphics Processing Unit，图像处理器)加速等手段优化光刻物理模型的运行效率。

在一些实施例中，也可以采用深度学习模型基于所述标准工艺参数和所述芯片版图对应的预测掩膜图，生成所述芯片版图对应的目标晶圆图案，深度学习模型是基于神经网络构建的机器学习模型，是通过掩膜图-晶圆图案的标注数据集训练得到的。也即，完全基于机器学习，使得深度学习模型能够基于掩膜图预测对应的晶圆图案。该方式中，相对光刻物理模型，深度学习模型的参数量较小，对设备的运算能力(如GPU)要求较低，晶圆图案的生成速度较快，效率较高。

步骤5032，根据芯片版图对应的目标晶圆图案与芯片版图之间的差异，确定芯片版图对应的第一误差。

在一些实施例中，预测掩膜质量越高，对应的晶圆图案与芯片版图之间的差异越小；预测掩膜质量越低，对应的晶圆图案与芯片版图之间的差异越大。因而，可以基于第一误差来表示芯片版图对应的预测难度。

步骤5033，根据芯片版图对应的第一误差，确定芯片版图对应的预测难度。

在一些实施例中，第一误差越大，表示预测掩膜的质量越低，进而可以表示芯片版图对应的预测难度越大；第一误差越小，表示预测掩膜的质量越高，进而可以表示芯片版图对应的预测难度越小。

在一些实施例中，该方法还可以包括如下步骤(1.1～1.3)：

1.1对于每一个芯片版图，获取基于多种不同的工艺参数和芯片版图对应的预测掩膜图，得到的芯片版图对应的多个晶圆图案；

1.2根据芯片版图对应的多个晶圆图案之间的差异，确定芯片版图对应的第二误差；

1.3根据芯片版图对应的第一误差和芯片版图对应的第二误差，确定芯片版图对应的预测难度。

在一些实施例中，复杂度越低的预测掩膜版，不同工艺参数下得到的晶圆图案之间的差异越小；复杂度越高的预测掩膜版，不同工艺参数下得到的晶圆图案之间的差异越大。因而，可以通过相同的预测掩膜版在不同工艺参数条件下得到的晶圆图案之间的差异，确定预测掩膜版的复杂度，即确定芯片版图对应的第二误差。在一些实施例中，可以直接将第二误差作为芯片版图的预测难度。

在一些实施例中，也可以采用上述光刻物理模型或深度学习模型，基于多种不同的工艺参数和芯片版图对应的预测掩膜图，生成芯片版图对应的多个晶圆图案。

在一些实施例中，获取芯片版图对应的预测掩膜图通过第一工艺参数和第二工艺参数得到的第一晶圆图案和第二晶圆图案；其中，第一工艺参数的曝光量小于第二工艺参数的曝光量，第一工艺参数的离焦小于第二工艺参数的离焦。在一些实施例中，根据第一晶圆图案和第二晶圆图案之间的差异，确定芯片版图对应的第二误差。

也即，获取芯片版图对应的预测掩膜图通过第一工艺参数得到的第一晶圆图案，并获取芯片版图对应的预测掩膜图通过第二工艺参数得到的第二晶圆图案。在一些实施例中，第一工艺参数的曝光量小于标准工艺参数的曝光量，第一工艺参数的离焦小于标准工艺参数的离焦。在一些实施例中，第二工艺参数的曝光量高于标准工艺参数的曝光量，第二工艺参数的离焦高于标准工艺参数的离焦。因而，可以称第一工艺参数为低曝光量和低离焦、称第二工艺参数为高曝光量和高离焦。

在低曝光量和低离焦条件下，掩膜的很多微小结构(如孔洞、伸出项、锯齿等)不会曝光在晶圆(即第一晶圆图案对应的晶圆)上；在高曝光量和高离焦条件下，前述这些微小结构会曝光在晶圆(即第二晶圆图案对应的晶圆)上。因此，第一晶圆图案与第二晶圆图案之间的差异越小(即第二误差越小)，表示预测掩膜图的微小结构越少、复杂度越低，则芯片版图对应的预测难度也越小；第一晶圆图案与第二晶圆图案之间的差异越大(即第二误差越大)，表示预测掩膜图的微小结构越多、复杂度越高，则芯片版图对应的预测难度也越大。

在示例性实施例中，第一工艺参数包括：曝光量为基准曝光量的98％、离焦为25纳米。在示例性实施例中，第二工艺参数包括：曝光量为基准曝光量的102％。

当然，以上数据仅是示例性的，第一工艺参数和第二工艺参数中曝光量和离焦的具体数值可以由相关技术人员根据实际情况进行设定，本申请实施例对此不作具体限定。

在一些实施例中，通过对第一误差和第二误差进行加权求和，得到芯片版图的预测难度。示例性地，芯片版图对应的预测难度可以采用如下公式表示：

Target

＝argmax(|Target-LS(Mask

其中，Target

在上述实现方式中，采用预测掩膜图的晶圆图案相对于芯片版图的差异(即第一误差)来表示预测难度，第一误差的计算较为方便快捷，从而节省了获取难芯片版图所需的时间，进而提升了光刻掩膜的生成模型的训练效率。

另外，在上述实现方式中，基于预测掩膜图在不同工艺参数下分别对应的晶圆图案之间的差异得到第二误差，第二误差可以看作是预测掩膜图的复杂度，将第一误差和第二误差结合起来确定预测难度，从而可以降低光刻掩膜生成模型生成的预测掩膜图的复杂度。

如图7所示，上述图5实施例中的步骤503还可以包括如下子步骤(5034～5036)：

步骤5034，对于每一个芯片版图，根据多个第二光刻掩膜生成模型针对芯片版图生成的多个预测掩膜图，确定多个预测掩膜图的平均预测掩膜图。

在一些实施例中，生成多个初始化的第二光刻掩膜生成模型；其中，不同的初始化的第二光刻掩膜生成模型，具有不同的模型参数；采用多个带标注芯片版图对各个初始化的第二光刻掩膜生成模型分别进行初步训练，得到多个初步训练后的第二光刻掩膜生成模型。其中，带标注芯片版图是指已生成有对应的标准掩膜图的芯片版图。其中，多个初步训练后的第二光刻掩膜生成模型用于生成芯片版图对应的多个预测掩膜图。由于不同初始化的第二光刻掩膜生成模型的模型参数不同，从而保证多个第二光刻掩膜生成模型在经过相同的带标注芯片版图的训练后，模型参数存在差异、生成的预测掩膜图之间也存在差异，从而得到相同芯片版图对应于不同第二光刻掩膜生成模型的不同预测掩膜图。在一些实施例中，第一光刻掩膜生成模型是初步训练后的第二光刻掩膜生成模型。

在一些实施例中，多个预测掩膜图的尺寸相同，将多个预测掩膜图中相同位置的元素值的平均值，作为平均预测掩膜图中对应位置的元素值，从而得到平均预测掩膜图。

步骤5035，根据多个预测掩膜图与平均预测掩膜图之间的差异，确定芯片版图对应的不确定度。

在一些实施例中，对于每一个芯片版图，将各个预测掩膜图与平均预测掩膜图分别做差，得到多个掩膜图差，并将多个掩膜图差的行列式平方后再求平均，得到芯片版图对应的不确定度。

在一些实施例中，计算不确定度可以参考如下公式：

其中，Target

可见，不确定度大的版图，意味着多个第二光刻掩膜生成模型的预测结果之间的偏差较大，因此可以将不确定度较大的芯片版图确定为难芯片版图，并将难芯片版图作为影响模型精度的重要数据。

步骤5036，根据芯片版图对应的不确定度，确定芯片版图对应的预测难度。

在一些实施例中，光刻掩膜生成模型的预测结果(即预测图)的真实误差可以通过如下公式表示：

其中，Mask表示芯片版图经过OPC得到的标注掩膜图，σ

可见，不确定度δ小于真实误差σ

在一些实施例中，可以基于不确定度和第一误差(如将不确定度和第一误差加权求和)，确定芯片版图对应的预测难度；也可以基于不确定度和第二误差(如将不确定度和第二误差加权求和)，确定芯片版图对应的预测难度；还可以基于不确定度、第一误差和第二误差(如将不确定度、第一误差和第二误差加权求和)，确定芯片版图对应的预测难度。当然，芯片版图对应的预测难度还可以是由其他参数综合得到，具体可以由相关技术人员根据实际情况进行设定，本申请实施例对此不作具体限定。

在上述实现方式中，由于使用了多个第二光刻掩膜生成模型对芯片版图的“投票采样”，较大程度得避免了偶然情况，从而使得选择出的难芯片版图的准确性较高。

在一些可能的实现方式中，如图8所示，上述步骤505之后，还包括如下步骤(506～510)：

步骤506，采用训练后的第一光刻掩膜生成模型对带标注芯片版图进行掩膜预测，得到带标注芯片版图对应的预测掩膜图。

在一些实施例中，训练后的第一光刻掩膜生成模型是基于第一损失已训练完成的模型。在得到训练后的第一光刻掩膜生成模型之后，还可以通过采用第一光刻掩膜生成模型生成标注数据集中的带标注芯片版图的预测掩膜图。

步骤507，根据带标注芯片版图对应的预测掩膜图和标准掩膜图，确定第一损失。

其中，第一损失用于衡量带标注芯片版图对应的预测掩膜图和标准掩膜图之间的差异。因而，可以基于带标注芯片版图对应的预测掩膜图和标准掩膜图之间的差，确定第一损失。

在一些实施例中，第一损失的计算公式可以参考如下公式：

L

其中，Mask表示带标注芯片版图对应的标准掩膜图，Mask

步骤508，获取基于多种不同的工艺参数和带标注芯片版图对应的预测掩膜图，得到的带标注芯片版图对应的多个晶圆图案。

在一些实施例中，通过光刻物理模型或深度学习模型，得到基于多种不同的工艺参数得到的每个预测掩膜图的多个晶圆图案。

步骤509，根据带标注芯片版图对应的多个晶圆图案，确定第二损失，

其中，第二损失用于衡量带标注芯片版图对应的多个晶圆图案之间的一致性。

在一些实施例中，通过带标注芯片版图对应的多个晶圆图案之间的差异，确定多个晶圆图案之间的一致性。多个晶圆图案之间的差异越大，则确定多个晶圆图案之间的一致性越差；多个晶圆图案之间的差异之间的差异越小，则确定多个晶圆图案之间的一致性越好。示例性地，第二损失的计算公式可以参考如下公式：

其中，L

步骤510，根据第一损失和第二损失，对训练后的第一光刻掩膜生成模型进行更新，得到训练后的第一光刻掩膜生成模型。

在一些实施例中，基于第一损失和第二损失加权求和得到的总损失，对训练后的第一光刻掩膜生成模型进行更新，得到训练后的第一光刻掩膜生成模型。

在上述实现方式中，在基于第一损失得到训练后的第一光刻掩膜生成模型之后，考虑芯片版图对应的不同工艺参数条件下得到的晶圆图案之间的一致性，基于第一损失和第二损失对训练后的第一光刻掩膜生成模型进行更新，从而提升光刻掩膜生成模型的鲁棒性。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图9，其示出了本申请一个实施例提供的光刻掩膜生成模型的训练装置的框图。该装置具有实现上述光刻掩膜生成模型的训练的方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。所述装置900可以是上文介绍的模型训练设备，也可以设置在模型训练设备上。所述装置900可以包括：掩膜获取模块990、难度确定模块930、版图选择模块940和模型更新模块950。

所述掩膜获取模块990，用于获取多个芯片版图分别对应的预测掩膜图。

所述难度确定模块930，用于基于各个所述未标注芯片版图分别对应的预测掩膜图，确定各个所述未标注芯片版图分别对应的预测难度。

所述版图选择模块940，用于从所述多个未标注芯片版图中选择所述预测难度符合条件的未标注芯片版图，作为难芯片版图。

所述模型更新模块950，用于采用所述难芯片版图对第一光刻掩膜生成模型进行训练，得到训练后的第一光刻掩膜生成模型。

在一些实施例中，如图10所示，所述难度确定模块930，包括：图案获取子模块931、误差确定子模块932和难度确定子模块933。

所述图案获取子模块931，用于对于每一个所述芯片版图，获取基于标准工艺参数和所述芯片版图对应的预测掩膜图，得到的所述芯片版图对应的目标晶圆图案。

所述误差确定子模块932，用于根据所述芯片版图对应的目标晶圆图案与所述芯片版图之间的差异，确定所述芯片版图对应的第一误差。

所述难度确定子模块933，用于根据所述芯片版图对应的第一误差，确定所述芯片版图对应的预测难度。

在一些实施例中，如图10所示，所述装置900还包括：图案获取模块960和误差确定模块970。

所述图案获取模块960，用于对于每一个所述芯片版图，获取基于多种不同的工艺参数和所述芯片版图对应的预测掩膜图，得到的所述芯片版图对应的多个晶圆图案。

所述误差确定模块970，用于根据所述芯片版图对应的多个晶圆图案之间的差异，确定所述芯片版图对应的第二误差。

所述难度确定子模块933，用于根据所述芯片版图对应的第一误差和所述芯片版图对应的第二误差，确定所述芯片版图对应的预测难度。

在一些实施例中，如图10所示，所述图案获取模块960，用于获取所述芯片版图对应的预测掩膜图通过第一工艺参数和第二工艺参数得到的第一晶圆图案和第二晶圆图案；其中，所述第一工艺参数的曝光量小于所述第二工艺参数的曝光量，所述第一工艺参数的离焦小于所述第二工艺参数的离焦。

所述误差确定模块970，用于根据所述第一晶圆图案和所述第二晶圆图案之间的差异，确定所述芯片版图对应的第二误差。

在一些实施例中，所述掩膜获取模块990，用于采用光刻物理模型基于所述标准工艺参数和所述芯片版图对应的预测掩膜图，生成所述芯片版图对应的目标晶圆图案，所述光刻物理模型是基于光学原理的数学物理仿真模型；或者采用深度学习模型基于所述标准工艺参数和所述芯片版图对应的预测掩膜图，生成所述芯片版图对应的目标晶圆图案，所述深度学习模型是基于神经网络构建的机器学习模型。

在一些实施例中，所述掩膜获取模块990，用于：

采用多个带标注芯片版图对第二光刻掩膜生成模型进行初步训练，得到初步训练后的第二光刻掩膜生成模型；其中，所述带标注芯片版图是指已生成有对应标准掩膜图的芯片版图；

采用所述初步训练后的第二光刻掩膜生成模型对所述多个芯片版图进行掩膜预测，得到所述多个芯片版图分别对应的预测掩膜图。

在一些实施例中，所述难度确定模块930，用于：

对于每一个所述芯片版图，根据多个所述初步训练后的第二光刻掩膜生成模型针对所述芯片版图生成的多个预测掩膜图，确定所述多个预测掩膜图的平均预测掩膜图；

根据所述多个预测掩膜图与所述平均预测掩膜图之间的差异，确定所述芯片版图对应的不确定度；

根据所述芯片版图对应的不确定度，确定所述芯片版图对应的预测难度。

在一些实施例中，所述掩膜获取模块990，用于对于每一个所述芯片版图，通过多个所述第二光刻掩膜生成模型，生成所述芯片版图对应的多个预测掩膜图。

在一些实施例中，如图10所示，所述装置900还包括：模型生成模块910、模型训练模块920。

所述模型生成模块910，用于生成多个初始化的第二光刻掩膜生成模型；其中，不同的所述初始化的第二光刻掩膜生成模型，具有不同的模型参数；

所述模型训练模块920，用于采用多个带标注芯片版图对各个所述初始化的第二光刻掩膜生成模型分别进行初步训练，得到多个所述初步训练后的第二光刻掩膜生成模型；其中，所述带标注芯片版图是指已生成有对应的标准掩膜图的芯片版图；其中，所述多个初步训练后的第二光刻掩膜生成模型用于生成所述芯片版图对应的多个预测掩膜图。

在一些实施例中，所述第一光刻掩膜生成模型是所述初步训练后的第二光刻掩膜生成模型。在一些实施例中，所述模型更新模块950，用于：

获取所述难芯片版图对应的标准掩膜图，并将所述难芯片版图添加至已有的标注数据集中，得到更新后的标注数据集；其中，所述已有的标注数据集中包括多个带标注芯片版图，所述带标注芯片版图是指已生成有对应的标准掩膜图的芯片版图；

采用所述更新后的标注数据集对所述第一光刻掩膜生成模型进行训练，得到所述训练后的第一光刻掩膜生成模型。

在一些实施例中，如图10所示，所述装置900还包括：掩膜预测模块995和损失确定模块980。

所述掩膜预测模块995，用于采用所述训练后的第一光刻掩膜生成模型对带标注芯片版图进行掩膜预测，得到带标注芯片版图对应的预测掩膜图。

所述损失确定模块980，用于根据所述带标注芯片版图对应的预测掩膜图和标准掩膜图，确定第一损失，所述第一损失用于衡量所述带标注芯片版图对应的预测掩膜图和标准掩膜图之间的差异。

所述图案获取模块960，用于获取基于多种不同的工艺参数和所述带标注芯片版图对应的预测掩膜图，得到的所述带标注芯片版图对应的多个晶圆图案；

所述损失确定模块980，还用于根据所述带标注芯片版图对应的多个晶圆图案，确定第二损失，所述第二损失用于衡量所述带标注芯片版图对应的多个晶圆图案之间的一致性。

所述模型更新模块950，还用于根据所述第一损失和所述第二损失，对所述训练后的第一光刻掩膜生成模型进行更新，得到更新后的第一光刻掩膜生成模型。

综上所述，本申请实施例提供的技术方案，由于难芯片版图能够快速提升光刻掩膜生成模型的模型精度，通过选出难芯片版图并采用难芯片版图更新光刻掩膜生成模型，能够降低训练光刻掩膜生成模型所需的芯片版图的数量，从而节省了数据标注成本，进而节省了模型训练成本。

需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

请参考图11，其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备用于实施上述实施例中提供的光刻掩膜生成模型的训练方法。具体来讲：

所述计算机设备1100包括CPU(Central Processing Unit，中央处理单元)1101、包括RAM(Random Access Memory，随机存取存储器)1102和ROM(Read-Only Memory，只读存储器)1103的系统存储器1104，以及连接系统存储器1104和中央处理单元1101的系统总线1105。所述计算机设备1100还包括帮助计算机内的各个器件之间传输信息的基本I/O(Input/Output，输入/输出)系统1106，和用于存储操作系统1113、应用程序1114和其他程序模块1115的大容量存储设备1107。

所述基本输入/输出系统1106包括有用于显示信息的显示器1108和用于用户输入信息的诸如鼠标、键盘之类的输入设备1109。其中所述显示器1108和输入设备1109都通过连接到系统总线1105的输入输出控制器1110连接到中央处理单元1101。所述基本输入/输出系统1106还可以包括输入输出控制器1110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1110还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备1107通过连接到系统总线1105的大容量存储控制器(未示出)连接到中央处理单元1101。所述大容量存储设备1107及其相关联的计算机可读介质为计算机设备1100提供非易失性存储。也就是说，所述大容量存储设备1107可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、闪存或其他固态存储器，CD-ROM、DVD(Digital Video Disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1104和大容量存储设备1107可以统称为存储器。

根据本申请的各种实施例，所述计算机设备1100还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1100可以通过连接在所述系统总线1105上的网络接口单元1111连接到网络1112，或者说，也可以使用网络接口单元1111来连接到其他类型的网络或远程计算机系统(未示出)。

在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序在被处理器执行时以实现上述光刻掩膜生成模型的训练方法。

可选地，该计算机可读存储介质可以包括：ROM(Read-Only Memory，只读存储器)、RAM(Random-Access Memory，随机存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。

在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序，处理器执行该计算机指令，使得该计算机设备执行上述光刻掩膜生成模型的训练方法。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。