机构名称：
¥ 1.0
摘要 —虚拟填充被广泛用于显著改善 VLSI 制造中化学机械抛光 (CMP) 工艺的表面图案平面性。在虚拟填充流程中，虚拟合成是调整 CMP 后轮廓高度的关键步骤。然而，现有的虚拟合成优化方法通常无法平衡填充质量和效率。本文提出了一种基于模型的新型虚拟填充合成框架 NeurFill，该框架集成了多起点-顺序二次规划 (MSP-SQP) 优化求解器。在该框架内，首先将全芯片 CMP 模拟器迁移到神经网络，通过后向传播实现 8134 倍的梯度计算加速。在 CMP 神经网络模型的基础上，我们进一步实现了 NeurFill 的改进版本 (pNeurFill)，以缓解虚拟周长引起的 CMP 后高度变化。在每次虚拟密度优化迭代之后，都会基于给定的候选虚拟图案集进行额外的周长调整，以寻找最佳周长填充量。实验结果表明，提出的 NeurFill 优于现有的基于规则和模型的方法。与 NeurFill 相比，pNeurFill 中的额外周长调整策略可使高度变化平均减少 66.97 Å，质量提高 8.92%。这将为 DFM 提供指导，从而提高 IC 芯片的成品率。
pNeurFill：基于增强型神经网络模型的带周长调整的虚拟填充合成
主要关键词
相关文件推荐
