CN111310407A - 基于机器学习进行逆向光刻最优特征向量设计的方法 - Google Patents

Abstract

一种基于机器学习进行逆向光刻解的最优特征向量设计方法，包括将设计目标图案划分为多个网格单元；根据成像条件计算特征函数集{Ki(x,y)},i＝1,2,…N1；建立神经网络模型，选取训练需包括的训练样本和验证样本；用特征函数集{Ki(x,y)}计算每个所述网格单元的信号集{Si(x,y)}；以及将严格逆向光刻在相应位置的值作为神经网络训练的目标值；在训练时，采用不同的输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2的不同的组合，用训练样本进行训练，并采用验证样本进行验证，直到找到具有输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2满意组合的神经网络模型为止。因此，本发明的设计方法使神经网络不再需要特征提取层，从而使网络架构简化，缩短了训练时间。

Description

基于机器学习进行逆向光刻最优特征向量设计的方法

技术领域

本发明属于集成电路制造领域，尤其涉及基于机器学习进行逆向光刻最优特征向量的设计方法。

背景技术

计算光刻技术在半导体工业中起着至关重要的作用。当半导体技术节点缩小至14nm及以下时，光刻技术也逐渐接近了其物理极限，光源掩模协同优化(Source MaskOptimization，简称SMO)作为一种新型的分辨率增强技术，能够显著提升极限尺寸下半导体光刻的重叠工艺窗口，有效延伸当前常规光刻技术的生存周期。SMO不仅是193nm浸润式光刻技术的重要组成部分，也将是EUV光刻中必不可少的一种技术。

光源掩模协同优化仿真计算的基本原理与基于模型的邻近效应修正类似。对掩模图形的边缘做移动，计算其与晶圆上目标图形的偏差，即边缘放置误差。在优化时模型中故意引入曝光剂量、聚焦度、掩模版上图形尺寸的扰动，计算这些扰动导致的晶圆上像的边缘放置误差。评价函数和优化都是基于边缘放置误差实现的。光源掩模协同优化计算出的结果，不仅包含一个像素化的光源，而且包括对输入设计做的邻近效应修正。

在源掩模协同优化之后，逆向光刻技术已经成为计算光刻技术的最终前沿。然而，逆向光刻技术需要巨大计算硬件资源和很长的计算时间，实现严格的全芯片逆向光刻解，仍然是不切实际的。由于极紫外(EUV)掩模的3D效应比起浸没式光刻掩模更为明显，在这种情况下，如果还试图实现EUV的全芯片严格逆向光刻解时，计算量更大，变得更加耗时更加困难。

反向光刻技术(Inverse Lithography Technology，简称ILT)被认为是面向45纳米、32纳米乃至22纳米光刻的新一代分辨率增强技术。克服这一障碍的一个非常有希望的技术是充分利用日趋成熟的基于神经网络结构的机器学习技术，在计算光刻技术中，充分利用日趋成熟的基于神经网络结构的机器学习技术，具体地利用深度卷积神经网络(DCNN)，从而获得逆向光刻技术(ILT)的解，并且比严格的逆向光刻计算快得多。

然而，在DCNN中，为了提取具有足够分辨率和近似完整表示能力的特征向量，特征向量提取层非常复杂，并且缺乏实在的物理意义。为了提取具有足够分辨率和近似完整表示能力的特征向量，DCNN网络的训练需要大量的均衡的样本，这使得训练更加困难和耗时。

发明内容

为实现上述目的，本发明的技术方案如下：

一种基于机器学习进行逆向光刻解的最优特征向量设计方法，用于预测/计算逆向光刻解的值；所述方法包括如下步骤：

步骤S1：将设计目标图案划分为N个网格单元，其中，所述网格单元的尺寸由成像条件确定；

步骤S2：根据成像条件计算特征函数集{Ki(x,y)},i＝1,2,…N1；其中，所述特征函数集{Ki(x,y)}为一组最优的光学标尺，用来测量所述设计目标图案中任何一个网格单元的周边环境；所述N1的取值与表征网格单元的周边环境的完备性的要求相关，所述N1为所述光学标尺Ki(x,y)的个数；

步骤S3：建立神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层；其中，所述输入层的维度与N1相等，所述隐藏层共有N2层，每一个所述隐藏层的神经元个数为M1,M2,…MN2；其中，所述M1,M2,…MN2为相同、部分相同或不同；

步骤S4：对所述神经网络模型进行训练需包括训练样本和验证样本，所述训练样本和验证样本为随机选取所述设计目标图案中的部分目标图案，用特征函数集{Ki(x,y)}计算每个所述网格单元的信号集{Si(x,y)}作为该网格单元的神经网络模型输入，所述信号集{Si(x,y)}表征了目标图案中一个网格单元的周边环境，所述信号集{Si(x,y)}也称特征向量；以及将严格逆向光刻在相应位置的值作为神经网络训练的目标值，即用相同的部分目标图案，使用严格的逆向光刻算法生成最佳掩模图像，作为神经网络训练的原始训练目标图像；

步骤S5：在神经网络模型训练时，采用不同的输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2的不同的组合，用所述训练样本进行训练，并采用验证样本进行验证，直到找到具有所述输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2满意组合的所述神经网络模型为止；其中，所述满意组合是指，对于所述训练集和验证集中的每一个网格单元，所述神经网络模型的预测值和逆向光刻严格解的值之间的误差小于等于预先定义的误差规范；

步骤S6：在应用实现阶段，将设计晶圆图案划分为网格单元，并为每个所述网格单元计算{Si(x,y)}值，并将所述{Si(x,y)}值输入到训练好的神经网络模型中，获得预测逆向光刻解的值。

进一步地，所述逆向光刻解为基于机器学习的逆向光刻解、基于机器学习的光学邻近校正或基于机器学习的光刻热点检测解。

进一步地，在所述步骤S4选择训练样本时，首先对所述神经网络训练的原始训练目标图像划分第一类区域和第二类区域；其中，所述第一类区域为对模型训练有用信息不具有明显重复性的区域，所述第二类区域为对模型训练有用信息具有明显重复性的区域。

进一步地，所述对所述神经网络训练的原始训练目标图像划分第一类区域和第二类区域的步骤包括：

求所述神经网络训练的原始训练目标图像中最大强度值；

通过将以上找出的最大强度值乘以一个系数，来确定选择种子像素点的强度阈值；

创建一个辅助图像，其大小与原始训练目标图像相同，所述辅助图像的强度值最初设置为零；

在所述原始训练目标图像中，找出所述强度值大于种子阈值的像素位置；

在所述辅助图像中，将找出所述强度值大于种子阈值的像素位置的强度值设置为一个预定值，如此，所述辅助图像中就会形成很多小岛；

通过图像生长形态学操作，对所述小岛多次迭代，最终形成在原始训练目标图像中的所述第一类区域，以及将原始训练目标图像中剩下的区域为所述第二类区域。

进一步地，在所述步骤S5的训练过程中，采用了批量规范化技术，并采用了动态自适应样本加权，以改进训练质量。

进一步地，在所述步骤S5中，采用随机梯度下降方法训练所述神经网络模型。

进一步地，所述成像条件包括曝光波长、数值孔径和曝光照明的模式与设置。

进一步地，所述N1小于等于200。

进一步地，所述N2小于等于6。

进一步地，所述的方法还包括步骤S7：根据所述逆向光刻解的值，得到逆向光刻解的图像；从逆向光刻解的图像中，识别出原来设计的主图案区域；在剩余区域中，通过预定义的强度阈值定位辅助功能区域，以确定全芯片亚分辨率辅助图案的最佳位置。

从上述技术方案可以看出，本发明提供的一种机器学习设计逆向光刻的最优特征向量的方法，其基于物理的特征向量设计消除了DCNN神经网络中特征向量提取层的需求，只需要构建映射函数层，大大简化了所需的神经网络，也大大缩短了神经网络的训练时间。这种神经网络结构可以加速全芯片亚分辨率辅助图案(SRAFs)的生成。

附图说明

图1所示为从设计图案到严格的反向光刻解的流程示意图

图2所示为本发明实施例中基于机器学习设计逆向光刻最优特征向量的方法流程示意图

图3所示为本发明实施例中设计目标图案被划分为N1个网格单元的示意图

图4所示为本发明实施例中将特征函数集{Ki(x,y)}下的测量值集{Si(x,y)}作为基于神经网络模型的逆向光刻的输入特征向量示意图

图5所示为本发明实施例中原始训练目标图像划分第一类区域和第二类区域的示意图

图6所示为本发明实施例中对所述神经网络训练的原始训练目标图像划分第一类区域和第二类区域的具体步骤示意图

图7所示为本发明实施例中神经网络模型的训练示意图

图8至图14所示为本发明实施例中采用训练完成的神经网络模型的预测值的示意图

图15所示为本发明实施例中确定全芯片亚分辨率辅助图案(SRAFs)最佳位置的示意图

具体实施方式

下面结合附图1-15，对本发明的具体实施方式作进一步的详细说明。

需要说明的是，在本发明的基于机器学习进行逆向光刻解的最优特征向量设计方法，用于预测逆向光刻解的值。其中，该逆向光刻解的值可应用于基于机器学习的逆向光刻、基于机器学习的光学邻近校正(OPC)、基于机器学习的光刻热点检测等，该最优特征向量设计方法可用于浸没光刻的计算光刻(逆向光刻，光学邻近校正，光刻热点检测)，也可以用于EUV光刻的计算光刻(逆向光刻，光学邻近校正，光刻热点检测)。

请参阅图1，图1所示为从设计图案到严格的反向光刻解的理想示意图。如图1所示，该图的左边是设计目标图案，右边是掩模的理想反向光刻解。本领域技术人员清楚，所有基于机器学习的计算光刻技术，包括基于机器学习的逆向光刻技术，都需解决如何表征一个点附近的环境，某一点(x，y)的响应仅依赖于其影响范围内的邻近环境，这本质上为特征向量设计的问题，本发明独特的提取具有足够分辨率和近似完整表示能力的特征向量，基于机器学习进行逆向光刻解的最优特征向量设计方法，其基于物理的特征向量设计消除了DCNN神经网络中特征向量提取层的需求，只需要构建映射函数层，大大简化了所需的神经网络，也大大缩短了神经网络的训练时间。

请参阅图2，图2所示为本发明机器学习逆向光刻的最优特征向量设计的方法示意图。如图所示，该方法包括如下步骤：

步骤S1：将设计目标图案划分为N个网格单元，其中，所述网格单元的尺寸由成像条件确定；其中，所述成像条件包括曝光波长、数值孔径和曝光照明的模式与设置。

本领域技术人员清楚，如果简单地将周围的环境划分成小的单元，并使用每个单元中的图案的几何权重作为特征向量元素，那么总的元素量是：

总的元素量＝((2*影响范围)/单元步长)²

如果假设影响范围＝1000nm/边,单元步长＝10nm,则总元素数＝(2000/10)²＝40000。这种简单的特征向量设计效率很低。

在本发明的实施例中，该N个网格单元的形状通常为正方形，该正方形边长尺寸由成像条件确定，正比于λ/(NA(1+σ_max))；其中，λ是曝光波长，NA是数值孔径，σ_max是曝光照明的最大入射角度。例如，在本发明的实施例中，可以将晶圆设计划分为网格单元，每个单元可以是5nmx5nm(如图3所示)，该网格单元大小由成像条件确定，即曝光波长和照明条件确定。

此外，设计有效的特征向量，同时达到最佳的分辨率、充分性和效率，那需要考虑问题(成像系统)的对称性特征。

步骤S2：根据成像条件计算特征函数集{Ki(x,y)},i＝1,2,…N1；其中，所述特征函数集{Ki(x,y)}为一组最优的光学标尺，用来测量所述设计目标图案中任何一个网格单元的周边环境；N1的取值与表征网格单元的周边环境的完备性的要求相关，N1为光学标尺Ki(x,y)的个数。

步骤S3：建立神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层；其中，所述输入层的维度与N1相等，所述隐藏层共有N2层，每一个所述隐藏层的神经元个数为M₁,M₂,…M_N2；其中，所述M₁,M₂,…M_N2可以为相同、部分相同或不同。

在本发明的实施例中，所建立的神经网络模型与N1、N2层以及和每一层包括神经元个数为M₁,M₂,…M_N2数相关。也就是说，在本发明的实施例中，可以根据获得预测逆向光刻解的值，重新设置神经网络模型包括多少层(例如，N2层)，以及和每一层包括多少个神经元(例如，M₁,M₂,…M_N2)，较佳地，N1的取值小于等于140，N2的取值为5，并且，神经网络模型的第一层的神经元的个数与N1相同(如图5所示)。

步骤S4：对所述神经网络模型进行训练，训练所需包括训练样本和验证样本，所述训练样本和验证样本为随机选取所述设计目标图案中的部分目标图案，然后，用特征函数集{Ki(x,y)}计算每个所述网格单元的信号集{Si(x,y)}作为该网格单元的神经网络模型输入，所述信号集{Si(x,y)}表征了目标图案中一个网格单元的周边环境，所述信号集{Si(x,y)}也称特征向量；以及，将严格逆向光刻在相应位置的值作为神经网络训练的目标值，即用相同的部分目标图案，使用严格的逆向光刻算法生成最佳掩模图像，作为神经网络训练的原始训练目标图像。

具体地，计算每个网格单元的信号值集可以从成像方程开始。

霍普金(Hopkin)的部分相干照明成像公式1如下：

式中，γ(x₂-x₁,y₂-y₁)是物平面(即掩模平面)上(x₁,y₁)和(x₂,y₂)之间的相互相干的系数，由照明决定；P(x-x₁,y-y₁)是光学成像系统的脉冲响应函数，由光学系统的瞳孔函数决定。更明确地说，它是由于物平面(即掩模平面)上(x₁,y₁)处的单位振幅和零相位的点光源，在图像平面中的点(x,y)处的干扰导致的复振幅。M(x₁,y₁)是物平面(即掩模平面)上在点(x₁,y₁)处的复传输函数。带星号的变量是指原变量的共轭，例如，P*是P的共轭，M*是M的共轭。根据Mercer定理，上述公式(1)可以转化为更简单的公式：

其中，

表示函数Ki(x,y)与掩模传输函数M(x,y)之间的卷积运算；

{α_i}和{K_i}是下列方程的特征值和特征函数。

∫∫W(x₁',y₁'；x₂',y₂')K_i(x₂',y₂')dx₂'dy₂'＝α_iK_i(x₁',y₁') (3a)

W(x₁',y₁'；x₂',y₂')＝γ(x₂'-x₁',y₂'-y₁')P(x₁',y₁')P^*(x₂',y₂') (3b)

上述公式(2)的意义在于，它表明部分相干成像系统可以分解为一系列相干成像系统，并且相干成像系统相互独立。尽管有其他方法可以将部分相干成像系统分解为一系列相干成像系统，但上述方法已被证明是最佳方法，通常称为最佳相干分解。

请参阅图4，图4所示为本发明实施例中将特征函数集{Ki(x,y)}下的测量值集{Si(x,y)}作为基于神经网络模型的逆向光刻的输入特征向量示意图。如图所示，特征函数集{K_i(x,y)}是在给定成像条件下表征点的邻近环境的最佳光学标尺集，可以将特征函数集{K_i(x,y)}下的测量值集{S_i(x,y)}作为基于神经网络模型的逆向光刻的输入特征向量，计算每个网格单元的信号值集。在神经网络模型训练阶段，信号值集(S1,S2…SN)是特征向量，它们是前向神经网络的输入。

通常，很多训练目标图像中包含相当大的区域，在这些区域中对模型训练有用信息具有明显重复性。如果将这些区域完全放置在模型训练中，那么训练采样可能会有偏差，这对模型精度是不利的。因此，可以首先选择对模型训练具有有用信息不具有明显重复性的区域，如图5中B所示的白色区域。对于图5中B所示的黑色区域，我们只选择小部分用于训练，例如，在黑色区域，可以选择小于等于10％的样本。通过这样做，模型训练抽样可以更好地平衡。

具体地，在所述步骤S4选择训练样本时，首先对所述神经网络训练的原始训练目标图像(如图5中的图A所示)划分第一类区域和第二类区域；所述第一类区域为对模型训练有用信息不具有明显重复性的区域(如图5中图B中所示白色区域)，所述第二类区域(如图5中图B中所示黑色区域)为对模型训练有用信息具有明显重复性的区域。

在本发明的实施例中，对所述神经网络训练的原始训练目标图像划分第一类区域和第二类区域的步骤包括：

求所述神经网络训练的原始训练目标图像(如图6中的左图所示)中最大强度值；

通过将以上找出的最大强度值乘以一个系数，例如，0.05，来确定选择种子像素点的强度阈值；

创建一个辅助图像，其大小与原始训练目标图像相同，所述辅助图像的强度值最初设置为零；

在所述原始训练目标图像中，找出所述强度值大于种子阈值的像素位置；

在所述辅助图像中，将找出所述强度值大于种子阈值的像素位置的强度值设置为一个预定值(例如，1.0)，如此，所述辅助图像中就会形成很多小岛(如图6中的中间图所示)；

通过图像生长形态学操作，对所述小岛多次迭代，最终形成在原始训练目标图像中的所述第一类区域，以及将原始训练目标图像中剩下的区域为所述第二类区域(如图6中的右图所示)。

步骤S5：在神经网络模型训练时，采用不同的输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2的不同的组合，用所述训练样本进行训练，并采用验证样本进行验证，直到找到具有所述输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2满意组合的所述神经网络模型为止。其中，所述满意组合是指，对于所述训练集和验证集中的每一个网格单元，所述神经网络模型的预测值和严格逆向光刻解的值之间的误差小于等于预先定义的误差规范；例如10％。

在本发明的实施例中，训练目标是严格逆向光刻解的图像，训练阶段分为两个阶段，第一阶段是，随机选取每个训练子批的{Si(x,y)}，并且，可以采用随机梯度下降(SGD)方法训练网络。梯度下降法作为机器学习中较常使用的优化算法，其有着三种不同的形式：批量梯度下降(Batch Gradient Descent)、随机梯度下降(Stochastic GradientDescent)以及小批量梯度下降(Mini-Batch Gradient Descent)。其中，小批量梯度下降法也常用在深度学习中进行模型的训练。

即接下来，在第二阶段中，所有训练子批的{S_i(x,y)}和严格的逆向光刻解算图像作为一个单批，采用神经网络模型，生成与{S_i(x,y)}对应的严格逆向光刻图像，以训练神经网络模型。

较佳地，确定好神经网络模型为一个具有所述输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2组合后，可以采用He初始化策略配置训练时网络参数的初始值，网络的激活函数用ELU激活函数、Relu激活函数、tanh激活函数或其它激活函数。此外，训练该神经网络模型的优化算法可以用Adam优化算法；优化的目标函数可以用MSE均方误差。

在本发明实施例的训练过程中，还可以对训练后的神经网络模型进行验证，根据验证结果，判断训练后的神经网络模型是否满足设计要求。如果不满足设计要求，调整输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2的组合方式，建立修正后的神经网络模型，再执行训练步骤；如果满足设计要求，就可以确定神经网络模型为训练好的神经网络模型。其中，满足设计要求是指，对于所述训练集和验证集中的每一个网格单元，所述神经网络模型的预测值和严格逆向光刻解的值之间的误差小于等于预先定义的误差规范。

并且，在训练过程中，还可以采用批量规范化技术，并采用了动态自适应样本加权，来改进训练质量。

综上所述，本发明充分利用日趋成熟的基于神经网络结构的机器学习技术，利用深度卷积神经网络(DCNN)，可以获得逆向光刻技术(ILT)的解，并且比严格的逆向光刻计算快得多。

在本发明的实施例中，有了训练好的神经网络模型，就可以在应用实现阶段，将设计晶圆图案划分为网格单元，并为每个网格单元计算{Si(x,y)}值，并将{Si(x,y)}值输入到训练好的神经网络模型中，获得预测逆向光刻解的值。

步骤S6：在应用实现阶段，将设计晶圆图案划分为网格单元，并为每个所述网格单元计算{Si(x,y)}值，并将所述{Si(x,y)}值输入到训练好的神经网络模型中，获得预测逆向光刻解的值。

请参阅图8-14，图8至图14所示为本发明实施例中采用训练完成的神经网络模型预测逆向光刻解值的示意图。如图所示，这些图案很好地显示了本发明基于物理的最优化的特征向量的机器学习的逆向光刻的结果。

需要说明的是，基于机器学习的神经网络结构可以加速全芯片逆向光刻实现。从逆向光刻解出发，可以确定全芯片亚分辨率辅助图案(SRAFs)的最佳位置，于此，先进的光刻工艺窗口可以最大化。

请参阅图15，图15所示为本发明实施例中确定全芯片亚分辨率辅助图案(SRAFs)最佳位置的示意图。具体地，上述方法还可以包括步骤S7：根据所述逆向光刻解的值，得到逆向光刻解的图像；从逆向光刻解的图像中，识别出原来设计的主图案区域；在剩余区域中，通过预定义的强度阈值定位辅助功能区域，以确定全芯片亚分辨率辅助图案的最佳位置。

以上所述的仅为本发明的优选实施例，所述实施例并非用以限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (10)

1.一种基于机器学习进行逆向光刻解的最优特征向量设计方法，用于预测/计算逆向光刻解的值；其特征在于，所述方法包括如下步骤：

步骤S1：将设计目标图案划分为N个网格单元，其中，所述网格单元的尺寸由成像条件确定；

步骤S2：根据成像条件计算特征函数集{K_i(x,y)},i＝1,2,…N1；其中，所述特征函数集{K_i(x,y)}为一组最优的光学标尺，用来测量所述设计目标图案中任何一个网格单元的周边环境；所述N1的取值与表征网格单元的周边环境的完备性的要求相关，所述N1为所述光学标尺Ki(x,y)的个数；

步骤S3：建立神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层；其中，所述输入层的维度与N1相等，所述隐藏层共有N2层，每一个所述隐藏层的神经元个数为M₁,M₂,…M_N2；其中，所述M₁,M₂,…M_N2为相同、部分相同或不同；

步骤S4：对所述神经网络模型进行训练需包括训练样本和验证样本，所述训练样本和验证样本为随机选取所述设计目标图案中的部分目标图案，用特征函数集{K_i(x,y)}计算每个所述网格单元的信号集{S_i(x,y)}作为该网格单元的神经网络模型输入，所述信号集{S_i(x,y)}表征了目标图案中一个网格单元的周边环境，所述信号集{S_i(x,y)}也称特征向量；以及将严格逆向光刻在相应位置的值作为神经网络训练的目标值，即用相同的部分目标图案，使用严格的逆向光刻算法生成最佳掩模图像，作为神经网络训练的原始训练目标图像；

步骤S5：在神经网络模型训练时，采用不同的输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2的不同的组合，用所述训练样本进行训练，并采用验证样本进行验证，直到找到具有所述输入端维度N1、隐藏层个数N2和每一隐藏层的神经元的个数M₁,M₂,…M_N2满意组合的所述神经网络模型为止；其中，所述满意组合是指，对于所述训练集和验证集中的每一个网格单元，所述神经网络模型的预测值和严格逆向光刻解的值之间的误差小于等于预先定义的误差规范；

步骤S6：在应用实现阶段，将设计晶圆图案划分为网格单元，并为每个所述网格单元计算{Si(x,y)}值，并将所述{Si(x,y)}值输入到训练好的神经网络模型中，获得预测逆向光刻解的值。

2.根据权利要求1所述的方法，其特征在于，所述逆向光刻解为基于机器学习的逆向光刻解、基于机器学习的光学邻近校正或基于机器学习的光刻热点检测解。

3.根据权利要求1所述的方法，其特征在于，在所述步骤S4选择训练样本时，首先对所述神经网络训练的原始训练目标图像划分第一类区域和第二类区域；其中，所述第一类区域为对模型训练有用信息不具有明显重复性的区域，所述第二类区域为对模型训练有用信息具有明显重复性的区域。

4.根据权利要求3所述的方法，其特征在于，所述对所述神经网络训练的原始训练目标图像划分第一类区域和第二类区域的步骤包括：

求所述神经网络训练的原始训练目标图像中最大强度值；

通过将以上找出的最大强度值乘以一个系数，来确定选择种子像素点的强度阈值；

创建一个辅助图像，其大小与原始训练目标图像相同，所述辅助图像的强度值最初设置为零；

在所述原始训练目标图像中，找出所述强度值大于种子阈值的像素位置；

在所述辅助图像中，将找出所述强度值大于种子阈值的像素位置的强度值设置为一个预定值，如此，所述辅助图像中就会形成很多小岛；

通过图像生长形态学操作，对所述小岛多次迭代，最终形成在原始训练目标图像中的所述第一类区域，以及将原始训练目标图像中剩下的区域为所述第二类区域。

5.根据权利要求1所述的方法，其特征在于，在所述步骤S5的训练过程中，采用了批量规范化技术，并采用了动态自适应样本加权，以改进训练质量。

6.根据权利要求1所述的方法，其特征在于，在所述步骤S5中，采用随机梯度下降方法训练所述神经网络模型。

7.根据权利要求1所述的方法，其特征在于，所述成像条件包括曝光波长、数值孔径和曝光照明的模式与设置。

8.根据权利要求1所述的方法，其特征在于，所述N1小于等于200。

9.根据权利要求1所述的方法，其特征在于，所述N2小于等于6。

10.根据权利要求1所述的方法，其特征在于，还包括步骤S7：根据所述逆向光刻解的值，得到逆向光刻解的图像；从逆向光刻解的图像中，识别出原来设计的主图案区域；在剩余区域中，通过预定义的强度阈值定位辅助功能区域，以确定全芯片亚分辨率辅助图案的最佳位置。

Images