本申請公開了一種光刻膠模型的訓練方法、裝置、設備、介質及產品，應用于半導體制造領域。該方法多次在圖形數據集中選取不同的兩部分圖形數據組，以得到對應的多種選取結果。然后針對每種選取結果，基于圖形數據訓練子集訓練模型，并基于圖形數據驗證子集評估模型。本申請實施例通過將圖形數據集中不同的部分依次作為訓練集和驗證集，從而全面評估模型的性能，有效增強了光刻膠模型的魯棒性和適應性。相比傳統的固定數據集訓練的方法，本技術能夠在較少的訓練數據下，顯著減少由于數據偏差而引起的模型過擬合風險，提高光刻膠模型的泛化能力和適用性，從而提高了模型在復雜制造環境下的實際應用價值。
【技術實現步驟摘要】
本申請屬于半導體制造領域，尤其涉及一種光刻膠模型的訓練方法、裝置、設備、介質及產品。
技術介紹
1、隨著半導體制造工藝的不斷進步，光刻技術在芯片制造中的關鍵性日益凸顯。光刻膠作為光刻過程的關鍵組成部分，其質量和性能直接影響到芯片線路圖案的精確度和制造質量。
2、傳統的光刻膠模型通常在固定的數據集上進行訓練和測試，這種做法可能限制了模型的泛化能力和適用性，該缺陷在面對不同的生產條件和材料特性時尤為顯著。
技術實現思路
1、本申請實施例提供一種光刻膠模型的訓練方法、裝置、設備、介質及產品，能夠提高光刻膠模型的泛化能力和適用性。
2、一方面，本申請實施例提供一種光刻膠模型的訓練方法，包括：
3、獲取多個由掩膜圖形以及對應的光刻膠圖形組成的圖形數據組，以得到圖形數據集；
4、在所述圖形數據集中進行多次選取，每次選取不完全相同的兩部分所述圖形數據組，以得到多次不同的選取結果；每種所述選取結果中的兩部分所述圖形數據組分別為圖形數據訓練子集和圖形數據驗證子集；
5、針對每種所述選取結果，在基于所述圖形數據訓練子集訓練初始光刻膠模型后，基于所述圖形數據驗證子集評估訓練后的所述初始光刻膠模型，得到評估指標；
6、基于多個所述評估指標，調整所述初始光刻膠模型的參數，以得到目標光刻膠模型。
7、另一方面，所述在所述圖形數據集中進行多次選取，每次選取不完全相同的兩部分所述圖形數據組，以得到多次不同的選取結果，包括：
8、將所述圖形數據集進行劃分，得到多個互斥的圖形數據子集；
9、每次從各所述圖形數據子集中選取一個所述圖形數據子集，將選取的一個所述圖形數據子集確定為所述圖形數據驗證子集；
10、將其余的所述圖形數據子集確定為所述圖形數據訓練子集。
11、另一方面，所述將所述圖形數據集進行劃分，得到多個互斥的圖形數據子集，包括：
12、基于各類別圖形在所述圖形數據集中所占比例，對所述圖形數據集進行劃分，得到多個互斥的所述圖形數據子集。
13、另一方面，所述針對每種所述選取結果，在基于所述圖形數據訓練子集訓練初始光刻膠模型后，基于所述圖形數據驗證子集評估訓練后的所述初始光刻膠模型，得到評估指標，包括：
14、針對每種所述選取結果，均執行以下操作：
15、基于所述圖形數據訓練子集訓練所述初始光刻膠模型，以得到第一光刻膠模型；
16、將所述圖形數據驗證子集中的掩膜圖形輸入所述第一光刻膠模型，得到仿真圖形；
17、基于所述仿真圖形以及對應的光刻膠圖形，確定所述第一光刻膠模型的評估指標；
18、所述基于多個所述評估指標，調整所述初始光刻膠模型的參數，以得到目標光刻膠模型，包括：
19、確定各次評估得到的評估指標的目標參數值；
20、基于得到的所述目標參數值，調整所述初始光刻膠模型的參數。
21、另一方面，所述基于所述圖形數據訓練子集訓練所述初始光刻膠模型，以得到第一光刻膠模型，包括：
22、基于各類別圖形在所述圖形數據集中所占比例，確定各類別圖形對應的權重；各類別圖形在所述圖形數據集中所占比例與所述權重呈反相關；
23、按各類別圖形對應的所述權重訓練所述初始光刻膠模型，以得到所述第一光刻膠模型。
24、另一方面，在所述基于多個所述評估指標，調整所述初始光刻膠模型的參數，以得到目標光刻膠模型之后，所述方法還包括：
25、對所述目標光刻膠模型的性能進行驗證，得到驗證結果；
26、在所述驗證結果滿足預設條件的情況下，確定所述目標光刻膠模型符合實際需求。
27、再一方面，本申請實施例提供了一種光刻膠模型的訓練裝置，包括：
28、獲取模塊，用于獲取多個由掩膜圖形以及對應的光刻膠圖形組成的圖形數據組，以得到圖形數據集；
29、選取模塊，用于在所述圖形數據集中進行多次選取，每次選取不完全相同的兩部分所述圖形數據組，以得到多次不同的選取結果；每種所述選取結果中的兩部分所述圖形數據組分別為圖形數據訓練子集和圖形數據驗證子集；
30、評估模塊，用于針對每種所述選取結果，在基于所述圖形數據訓練子集訓練初始光刻膠模型后，基于所述圖形數據驗證子集評估訓練后的所述初始光刻膠模型，得到評估指標；
31、調整模塊，用于基于多個所述評估指標，調整所述初始光刻膠模型的參數，以得到目標光刻膠模型。
32、再一方面，本申請實施例提供了一種光刻膠模型的訓練設備，包括：處理器以及存儲有計算機程序指令的存儲器；
33、所述處理器執行所述計算機程序指令時實現如上所述的光刻膠模型的訓練方法。
34、再一方面，本申請實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現如上所述的光刻膠模型的訓練方法。
35、再一方面，本申請實施例提供了一種計算機程序產品，所述計算機程序產品中的指令由電子設備的處理器執行時，使得所述電子設備執行如上所述的光刻膠模型的訓練方法。
36、本申請實施例提供的一種光刻膠模型的訓練方法，多次在圖形數據集中選取不同的兩部分圖形數據組，以得到對應的多種選取結果。然后針對每種選取結果，基于圖形數據訓練子集訓練初始光刻膠模型后，并基于圖形數據驗證子集評估訓練后的初始光刻膠模型，得到評估指標；最后基于多個評估指標，調整初始光刻膠模型的參數，以得到目標光刻膠模型。本申請實施例通過將圖形數據集中不同的部分依次作為訓練集和驗證集，從而全面評估模型的性能，有效增強了光刻膠模型的魯棒性和適應性。相比傳統的固定數據集訓練的方法，本技術能夠在較少的訓練數據下，顯著減少由于數據偏差而引起的模型過擬合風險，提高光刻膠模型的泛化能力和適用性，從而提高了模型在復雜制造環境下的實際應用價值。
本文檔來自技高網...
【技術保護點】
1.一種光刻膠模型的訓練方法，其特征在于，包括：
2.根據權利要求1所述的光刻膠模型的訓練方法，其特征在于，所述在所述圖形數據集中進行多次選取，每次選取不完全相同的兩部分所述圖形數據組，以得到多次不同的選取結果，包括：
3.根據權利要求2所述的光刻膠模型的訓練方法，其特征在于，所述將所述圖形數據集進行劃分，得到多個互斥的圖形數據子集，包括：
4.根據權利要求1至3任意一項所述的光刻膠模型的訓練方法，其特征在于，所述針對每種所述選取結果，在基于所述圖形數據訓練子集訓練初始光刻膠模型后，基于所述圖形數據驗證子集評估訓練后的所述初始光刻膠模型，得到評估指標，包括：
5.根據權利要求4所述的光刻膠模型的訓練方法，其特征在于，所述基于所述圖形數據訓練子集訓練所述初始光刻膠模型，以得到第一光刻膠模型，包括：
6.根據權利要求1所述的光刻膠模型的訓練方法，其特征在于，在所述基于多個所述評估指標，調整所述初始光刻膠模型的參數，以得到目標光刻膠模型之后，所述方法還包括：
7.一種光刻膠模型的訓練裝置，其特征在于，包括：
8.一種光刻膠模型的訓練設備，其特征在于，包括：處理器以及存儲有計算機程序指令的存儲器；
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現如權利要求1至7任意一項所述的光刻膠模型的訓練方法。
10.一種計算機程序產品，其特征在于，所述計算機程序產品中的指令由電子設備的處理器執行時，使得所述電子設備執行如權利要求1至7任意一項所述的光刻膠模型的訓練方法。
...
【技術特征摘要】
1.一種光刻膠模型的訓練方法，其特征在于，包括：
2.根據權利要求1所述的光刻膠模型的訓練方法，其特征在于，所述在所述圖形數據集中進行多次選取，每次選取不完全相同的兩部分所述圖形數據組，以得到多次不同的選取結果，包括：
3.根據權利要求2所述的光刻膠模型的訓練方法，其特征在于，所述將所述圖形數據集進行劃分，得到多個互斥的圖形數據子集，包括：
4.根據權利要求1至3任意一項所述的光刻膠模型的訓練方法，其特征在于，所述針對每種所述選取結果，在基于所述圖形數據訓練子集訓練初始光刻膠模型后，基于所述圖形數據驗證子集評估訓練后的所述初始光刻膠模型，得到評估指標，包括：
5.根據權利要求4所述的光刻膠模型的訓練方法，其特征在于，所述基于所述圖形數據訓練子集訓練所述初始光刻膠模型，以...
【專利技術屬性】
技術研發人員：賀佚南，
申請(專利權)人：深圳晶源信息技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。