JP2008122929A - シミュレーションモデルの作成方法 - Google Patents
シミュレーションモデルの作成方法 Download PDFInfo
- Publication number
- JP2008122929A JP2008122929A JP2007245064A JP2007245064A JP2008122929A JP 2008122929 A JP2008122929 A JP 2008122929A JP 2007245064 A JP2007245064 A JP 2007245064A JP 2007245064 A JP2007245064 A JP 2007245064A JP 2008122929 A JP2008122929 A JP 2008122929A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- dimension
- simulation model
- resist pattern
- substrate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Abandoned
Links
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
- Drying Of Semiconductors (AREA)
Abstract
【課題】 高精度のシミュレーションを行うことが可能なシミュレーションモデルの作成方法を提供する。
【解決手段】 マスクパターンのパターンレイアウトを特徴づける特徴因子を規定する工程S11と、マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの寸法に影響を与える制御因子を規定する工程S12と、特徴因子及び制御因子に基づくモデルを用いて、マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの予測寸法を求める工程S13と、マスクパターンを用いたリソグラフィプロセスによって基板上に実際に形成されるレジストパターンの実際の寸法を取得する工程S14と、特徴因子、制御因子及び予測寸法を入力層に設定し且つ実際の寸法を出力層に設定してニューラルネットワークを構築する工程S15と、を備える。
【選択図】 図1
【解決手段】 マスクパターンのパターンレイアウトを特徴づける特徴因子を規定する工程S11と、マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの寸法に影響を与える制御因子を規定する工程S12と、特徴因子及び制御因子に基づくモデルを用いて、マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの予測寸法を求める工程S13と、マスクパターンを用いたリソグラフィプロセスによって基板上に実際に形成されるレジストパターンの実際の寸法を取得する工程S14と、特徴因子、制御因子及び予測寸法を入力層に設定し且つ実際の寸法を出力層に設定してニューラルネットワークを構築する工程S15と、を備える。
【選択図】 図1
Description
本発明は、シミュレーションモデルの作成方法に関する。
半導体装置の微細化に伴い、光近接効果(Optical Proximity Effect:OPE)が問題となっている。OPEによるパターンの寸法変動を補正するためには、光近接効果補正(Optical Proximity Correction:OPC)をマスクパターンに対して施す必要がある。
OPCを行うためには、OPEの影響を予め予測することが重要である。通常、この予測にはリソグラフィシミュレーションが用いられる。リソグラフィシミュレーションには、回折理論に基づく空間像計算と、フォトレジスト等のプロセス効果を予測するプロセスシミュレーションが含まれる。
空間像計算には、精度の高い物理モデルを適用することが可能であるが、フォトレジスト等のプロセス効果が反映された物理モデルを高精度で構築することは困難である。そのため、従来は、高精度のシミュレーションモデルを作成することが困難であった。
非特許文献1には、ニューラルネットワークを用いたシミュレーションモデルが提案されているが、単にニューラルネットワークを用いたシミュレーションモデルを構築するだけでは、高精度のシミュレーションを行うことは困難である。
Franz Zach "Neural Network based approach to resist modeling and OPC" Proc. of SPIE vol. 5377, pp.670-679, 2004
Franz Zach "Neural Network based approach to resist modeling and OPC" Proc. of SPIE vol. 5377, pp.670-679, 2004
本発明は、高精度のシミュレーションを行うことが可能なシミュレーションモデルの作成方法を提供することを目的としている。
本発明の第1の視点に係るシミュレーションモデルの作成方法は、マスクパターンのパターンレイアウトを特徴づける特徴因子を規定する工程と、前記マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの寸法に影響を与える制御因子を規定する工程と、前記特徴因子及び前記制御因子に基づくモデルを用いて、前記マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの予測寸法を求める工程と、前記マスクパターンを用いたリソグラフィプロセスによって基板上に実際に形成されるレジストパターンの実際の寸法を取得する工程と、前記特徴因子、前記制御因子及び前記予測寸法を入力層に設定し且つ前記実際の寸法を出力層に設定してニューラルネットワークを構築する工程と、を備える。
本発明の第2の視点に係るシミュレーションモデルの作成方法は、マスクパターンのパターンレイアウトを特徴づける特徴因子を規定する工程と、前記マスクパターンに基づくレジストパターンをマスクとして用いたエッチングプロセスによって基板上に形成されるパターンの寸法に影響を与える制御因子を規定する工程と、前記マスクパターンに基づくレジストパターンをマスクとして用いたエッチングプロセスによって基板上に実際に形成されるパターンの実際の寸法を取得する工程と、前記特徴因子、前記制御因子及び前記レジストパターンの寸法を入力層に設定し且つ前記実際の寸法又は前記実際の寸法と前記レジストパターンの寸法との寸法差を出力層に設定してニューラルネットワークを構築する工程と、を備える。
本発明の第3の視点に係るシミュレーションモデルの作成方法は、マスクパターンを用いたリソグラフィプロセスによって基板上に実際に形成されるレジストパターンの実際の寸法を取得する工程と、物理パラメータを用いた第1のリソグラフィシミュレーションモデルを用いて前記マスクパターンの光学像に基づく第1の強度分布を求める工程と、実験的パラメータを用いた第2のリソグラフィシミュレーションモデルを前記第1の強度分布に適用して第2の強度分布を求める工程と、前記第2の強度分布に基づいて、前記マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの予測寸法を求める工程と、前記第2の強度分布の特徴量を求める工程と、前記特徴量を入力層に設定し且つ前記実際の寸法と前記予測寸法との寸法差を出力層に設定してニューラルネットワークを構築する工程と、を備える。
本発明によれば、的確なニューラルネットワークを構築することにより、高精度のシミュレーションモデルを作成することができ、高精度のシミュレーションを行うことが可能となる。
以下、本発明の実施形態を図面を参照して説明する。
(実施形態1)
図1は、第1の実施形態に係るシミュレーションモデルの作成方法の概略を示したフローチャートである。
図1は、第1の実施形態に係るシミュレーションモデルの作成方法の概略を示したフローチャートである。
S11のステップでは、マスクパターンのパターンレイアウトを特徴づける特徴因子を規定する。すなわち、パターンのレイアウト情報に基づく特徴因子を、シミュレーションモデルを作成するためのシステム(コンピュータ等)に設定する。特徴因子には、パターンのターゲット寸法(パターン幅、スペース幅等)、パターンピッチ、所定領域内におけるパターン占有率、所定領域内におけるパターン数等が含まれる。
S12のステップでは、リソグラフィプロセスによって基板上に形成されるパターンの寸法に影響を与える制御因子を規定する。すなわち、リソグラフィプロセスにおいて基板上に形成されるパターンの寸法を制御する制御因子を、シミュレーションモデルを作成するためのシステム(コンピュータ等)に設定する。制御因子には、フォトリソグラフィプロセスにおける露光量、フォーカス及び照明条件、露光装置の光学系の開口数(NA)、露光装置のレンズの収差、フォトレジストの種類、マスク寸法、マスクバイアス等が含まれる。一般に、制御因子の値が変動すると、基板上に形成されるパターンの寸法が変動する。
S13のステップでは、特徴因子及び制御因子によって規定された物理モデルを用いて、基板上に形成されるパターンの予測寸法を求める。上記物理モデルには、マスクパターンでの回折を表す物理モデルが含まれる。具体的には、特徴因子及び制御因子を用いて、回折理論に基づく空間像計算を行い、基板上に形成されるパターンの予測寸法をシミュレーションによって求める。具体的には、特徴因子の値が異なる複数のテストパターンそれぞれについて、制御因子の値が異なる複数の条件でシミュレーションを行い、各パターンの予測寸法を求める。なお、空間像は、フォトマスクを通過してフォトレジストに到達する露光光の光学像に対応するものである。
S14のステップでは、フォトリソグラフィプロセスによって基板上に実際に形成されたパターンの実際の寸法を取得する。具体的には、特徴因子の値が異なる複数のテストパターンそれぞれについて、制御因子の値が異なる複数の条件で、実際にフォトリソグラフィプロセスを行い、基板上に実際にパターンを形成する。そして、このようにして実際に形成された各パターンの寸法を測定する。測定された寸法は、シミュレーションモデルを作成するためのシステム(コンピュータ等)に入力され、該システムによって取得される。
S15のステップでは、特徴因子、制御因子及び予測寸法を入力層に設定し、実際の寸法を出力層に設定して、ニューラルネットワークを構築する。S13及びS14のステップで述べたことからわかるように、特徴因子及び制御因子が変動すると予測寸法及び実際の寸法が変動する。したがって、特徴因子、制御因子及び予測寸法を入力層とし、実際の寸法を出力層としたときに、入力層(特徴因子、制御因子及び予測寸法)と出力層(実際の寸法)とが、実測結果(実験結果)を的確に反映した適切な関係で結びつけられるように、ニューラルネットワークを構築する。
図2は、上述したニューラルネットワークの概念を模式的に示した図である。例えば、入力層のX1及びX2は特徴因子に対応し、X3及びX4は制御因子に対応し、X5は予測寸法に対応する。出力層のYは、実際の寸法に対応する。中間層のH1、H2及びH3は、入力層と出力層とを適切に結びつけるように設定される。
次に、本実施形態の具体例について説明する。
まず、フォトリソグラフィプロセスによって基板上に実際に形成されるパターンの実際の寸法を取得するために、以下の処理を行った。まず、半導体ウェハを含む基板上に、反射防止膜及びフォトレジスト膜を順次形成した。続いて、ArF露光装置により、フォトマスク上に形成されたテストパターンをフォトレジスト膜に転写した。テストパターンには複数種類のラインアンドスペース(L/S)パターンを用い、種類毎にラインパターンの目標値及びスペースパターンの目標値を変えている。フォトレジスト膜を現像してレジストパターンを形成した後、レジストパターンの寸法を走査型電子顕微鏡(SEM)によって測定した。
上述した実験結果(測定結果)に基づき、本実施形態の予測モデル(シミュレーションモデル)及び比較例の予測モデル(シミュレーションモデル)を作成し、両モデルの予測結果(シミュレーション結果)を比較した。
比較例のシミュレーションモデルには、空間像モデルとレジストモデルとの組み合わせを用い、上述した実験結果(測定結果)が的確に反映されるように、シミュレーションモデルのパラメータを決定した。シミュレーションでは、まず、フォトマスクに形成されたパターンの寸法及び露光条件に基づき空間像計算を行い、ウェハ面上の光学像の強度分布を求めた。続いて、強度分布とガウス関数との畳み込み積分を行い、強度分布を変調した。すなわち、ガウス関数でレジストモデルを近似している。このようにして得られた強度分布を所定の強度レベルでスライスし、予測寸法を取得した。
次に、本実施形態のシミュレーションについて説明する。まず、パターンレイアウトを特徴づける特徴因子として、パターン毎にライン目標値(LT)及びスペース目標値(ST)を抽出した。続いて、パターンの寸法に影響を与える制御因子として、フォトマスクに形成されたパターンの実測寸法(M)を求めた。さらに、空間像計算により、基板上に形成されるパターンの予測寸法(IW)を算出した。続いて、上述した実験結果(測定結果)が的確に反映されるように、実際のパターン寸法wと変数(LT、ST、M及びIW)との関係を求めた。この関係は、
w=f(LT,ST,M,IW)
と表される。
w=f(LT,ST,M,IW)
と表される。
上記関数fは、階層型ニューラルネットワークを構築することによって規定することができる。すなわち、図2で示したような、入力層、中間層及び出力層で構成された階層型ニューラルネットワークによって規定することができる。入力層と中間層との関係及び中間層と出力層との関係は、実験データ(測定データ)を学習することによって求めることができる。具体的な関数形は、
と表される。
ここで、σw及びwmはそれぞれ、実験データにおける寸法測定値の標準偏差及び平均値である。xiは、特徴因子及び変動因子(制御因子、予測寸法)を表し、aij、bj、cj及びdは、実験データを用いた学習によって決まる係数を表す。SHは、ロジスティック関数を表す。Nxは、特徴因子及び変動因子の数(ここでは、LT、ST、M及びIWの合計4個)を表し、NHは、中間層の数を表す。
図3は、上記比較例及び本実施形態の効果を示した図である。具体的には、パターンの実測寸法と予測寸法との差分の標準偏差(予測誤差に対応)を表した図である。図3からわかるように、本実施形態の方法を用いることにより、予測誤差を大幅に減少させることができる。
以上のように、本実施形態では、特徴因子、制御因子及び予測寸法を入力層とし、実際の寸法を出力層とした、非線形回帰モデルであるニューラルネットワークを構築している。これにより、高精度のリソグラフィシミュレーションモデルを作成することができ、高精度のシミュレーションを行うことが可能となる。特に、特徴因子及び制御因子によって規定された物理モデルを用いて求めた予測寸法を入力層に含ませることにより、予測精度(シミュレーション精度)を大幅に高めることができ、高精度のシミュレーションを行うことが可能となる。
(実施形態2)
図4は、第2の実施形態に係るシミュレーションモデルの作成方法の概略を示したフローチャートである。
図4は、第2の実施形態に係るシミュレーションモデルの作成方法の概略を示したフローチャートである。
S31のステップでは、マスクパターンのパターンレイアウトを特徴づける特徴因子を規定する。すなわち、パターンのレイアウト情報に基づく特徴因子を、シミュレーションモデルを作成するためのシステム(コンピュータ等)に設定する。特徴因子には、パターンのターゲット寸法(パターン幅、スペース幅等)、パターンピッチ、所定領域内におけるパターン占有率、所定領域内におけるパターン数等が含まれる。
S32のステップでは、エッチングプロセスによって基板上に形成されるパターンの寸法に影響を与える制御因子を規定する。すなわち、エッチングプロセスにおいて基板上に形成されるパターンの寸法を制御する制御因子を、シミュレーションモデルを作成するためのシステム(コンピュータ等)に設定する。ここで、エッチングプロセスとは、フォトリソグラフィプロセスによって得られたレジストパターンをマスクとして用いてエッチングを行うプロセスを指す。上記制御因子には、エッチング時間、エッチング温度、エッチング雰囲気の圧力、エッチングガスの流量等が含まれる。一般に、制御因子の値が変動すると、基板上に形成されるパターンの寸法が変動する。
S33のステップでは、レジストパターンをマスクとして用いたエッチングプロセスによって基板上に実際に形成されたパターンの実際の寸法を取得する。具体的には、特徴因子の値が異なる複数のテストパターンそれぞれについて、制御因子の値が異なる複数の条件で、実際にエッチングプロセスを行い、基板上に実際にパターンを形成する。そして、このようにして実際に形成された各パターンの寸法を測定する。測定された寸法は、シミュレーションモデルを作成するためのシステム(コンピュータ等)に入力され、該システムによって取得される。
S34のステップでは、レジストパターンの寸法を取得する。具体的には、特徴因子の値が異なる複数のテストパターンそれぞれについて、制御因子の値が異なる複数の条件でレジストパターンの寸法を取得する。フォトレジストパターンとしては、実際に形成されたフォトレジストパターンを想定してもよいし、シミュレーションによって予測されたフォトレジストパターンを想定してもよい。
S35のステップでは、特徴因子、制御因子及びレジストパターンの寸法を入力層とし、S33のステップで取得した実際の寸法を出力層としたニューラルネットワークを構築する。エッチングプロセスによって得られた実際の寸法の代わりに、エッチングプロセスによって得られた実際の寸法とレジストパターンの寸法との寸法差を、出力層として用いてもよい。S33及びS34のステップで述べたことからわかるように、特徴因子及び制御因子が変動すると、エッチング後のパターンの実際の寸法及びレジストパターンの寸法が変動する。したがって、特徴因子、制御因子及びレジストパターン寸法を入力層とし、実際の寸法を出力層としたときに、入力層(特徴因子、制御因子及びレジストパターン寸法)と出力層(実際の寸法)とが、実測結果(実験結果)を的確に反映した適切な関係で結びつけられるように、ニューラルネットワークを構築する。
図2は、上述したニューラルネットワークの概念を模式的に示した図である。例えば、入力層のX1及びX2は特徴因子に対応し、X3及びX4は制御因子に対応し、X5はレジストパターン寸法に対応する。出力層のYは、実際の寸法(或いは、実際の寸法とレジストパターン寸法との寸法差)に対応する。中間層のH1、H2及びH3は、入力層と出力層とを適切に結びつけるように設定される。
以上のように、本実施形態では、特徴因子、制御因子及びレジストパターン寸法を入力層とし、実際の寸法(或いは、実際の寸法とレジストパターン寸法との寸法差)を出力層とした、非線形回帰モデルであるニューラルネットワークを構築している。これにより、高精度のエッチングシミュレーションモデルを作成することができ、高精度のシミュレーションを行うことが可能となる。特に、レジストパターン寸法を入力層に含ませることにより、予測精度(シミュレーション精度)を大幅に高めることができ、高精度のシミュレーションを行うことが可能となる。
また、エッチングプロセスでは、マイクロローディング効果により、パターン占有率(レジストパターンの被覆率)に依存した寸法差が生じやすい。従来のシミュレーションモデルでは、マイクロローディング効果を物理モデルに取り込むことが困難であり、的確なシミュレーションを行うことが困難であった。本実施形態では、所定領域(例えば、10μmスクエアの領域)内におけるパターン占有率(或いは、所定領域内におけるパターン数)を特徴因子に含ませることにより、マイクロローディング効果を的確に物理モデルに取り込むことができ、高精度のシミュレーションを行うことが可能となる。
第1の実施形態と同様に、入力層と出力層との関係を、実験データ(測定データ)を学習することによって求め、ニューラルネットワークを構築した。その結果、本実施形態の方法を用いることにより、予測精度(シミュレーション精度)を大幅に改善できることが確認された。
(実施形態3)
図5は、第3の実施形態に係るシミュレーションモデルの作成方法の概略を示したフローチャートである。
図5は、第3の実施形態に係るシミュレーションモデルの作成方法の概略を示したフローチャートである。
S41のステップでは、リソグラフィシミュレーションに用いられるテストパターンとして複数種類のマスクパターンを用意する。具体的には、複数のラインアンドスペースパターン、複数の孤立パターン、複数の島状パターン等が用いられる。
S42のステップでは、上記マスクパターンを用いたリソグラフィプロセスによって基板上に実際に形成されるレジストパターンの実際の寸法を取得する。具体的には、露光装置によってマスクパターンを半導体基板上のフォトレジストに転写し、さらに現像処理を行ってレジストパターンを形成する。このようにして実際に形成されたレジストパターンの寸法を走査型電子顕微鏡(SEM)によって測定する。測定された寸法は、シミュレーションモデルを作成するためのシステム(コンピュータ等)に入力され、該システムによって取得される。
S43のステップでは、物理的リソグラフィシミュレーションを行う。すなわち、物理パラメータを用いた物理的リソグラフィシミュレーションモデルを用いて、上記マスクパターンそれぞれについて光学像の強度分布(第1の強度分布)を求める。物理的リソグラフィシミュレーションモデルには、光源からの露光光のマスクパターンでの回折を表す回折モデルが物理モデルとして含まれる。回折モデルには、例えばvectorモデルを用いることができる。物理パラメータとしては、光学系の開口数(NA)、照明分布、フォトレジストの屈折率及び減衰係数等が含まれる。これらの物理パラメータの値は、S42のステップのリソグラフィプロセスで用いられた物理パラメータの値と同じである。
S44のステップでは、実験的リソグラフィシミュレーションを行う。すなわち、実験的パラメータを用いた実験的リソグラフィシミュレーションモデルを上記第1の強度分布に適用して第2の強度分布を求める。実験的リソグラフィシミュレーションモデルは、物理パラメータのみを用いて高精度に結果を予測することが困難な場合に、物理パラメータとは異なる実験的パラメータを用いて物理現象を等価的に表すモデルである。実験的リソグラフィシミュレーションモデルにおける実験的パラメータは、実験値(実測値)に基づいて決定され、通常、実験値とシミュレーション値との差分ができるだけ小さくなるように最適化されている。
本実施形態では、実験的リソグラフィシミュレーションモデルとして露光後のフォトレジスト中の酸の拡散を表すdiffusionモデルを用いる。diffusionモデルは、
P(x,y) = w1×G(x,y,ΔL1)*S(x,y) + W2×G(x,y,ΔL2)*S(x,y)
と表される。ここで、S(x,y)は、S42の物理的リソグラフィシミュレーションによって求められた光学像の強度分布である。G(x,y,ΔL)は、ΔLの標準偏差を有するガウス関数である。P(x,y)は、S43の実験的リソグラフィシミュレーションによって求められたフォトレジスト中の強度分布である。w1,w2,ΔL1及びΔL2は、実験的パラメータである。また、“*”は、畳み込み積分を表す。すなわち、本実施形態では、ガウス関数でフォトレジストのdiffusionモデルを近似している。
P(x,y) = w1×G(x,y,ΔL1)*S(x,y) + W2×G(x,y,ΔL2)*S(x,y)
と表される。ここで、S(x,y)は、S42の物理的リソグラフィシミュレーションによって求められた光学像の強度分布である。G(x,y,ΔL)は、ΔLの標準偏差を有するガウス関数である。P(x,y)は、S43の実験的リソグラフィシミュレーションによって求められたフォトレジスト中の強度分布である。w1,w2,ΔL1及びΔL2は、実験的パラメータである。また、“*”は、畳み込み積分を表す。すなわち、本実施形態では、ガウス関数でフォトレジストのdiffusionモデルを近似している。
S45のステップでは、実験的リソグラフィシミュレーションによって得られた第2の強度分布に基づき、リソグラフィプロセスによって基板上に形成されるレジストパターンの予測寸法を求める。具体的には、上記のようにして得られた強度分布P(x,y)を所定の強度レベルでスライスすることで、レジストパターンの予測寸法が得られる。このレジストパターンの予測寸法とS42のステップで得られたレジストパターンの実際の寸法(実験値)との寸法差ができるだけ小さくなるように、実験的パラメータ(w1,w2,ΔL1,ΔL2)の値を最適化させる。最適化アルゴリズムとしては、例えばシンプレックス法を用いることができる。
S46のステップでは、S42のステップで取得されたレジストパターンの実際の寸法と、S45のステップで最終的に決定されたレジストパターンの予測寸法との寸法差を算出する。
S47のステップでは、実験的リソグラフィシミュレーションによって得られた第2の強度分布の特徴量を求める。この特徴量は、第2の強度分布に所定の関数又は所定のフィルタを作用させることで得られる。
本実施形態では、ディスク(disk)関数を用いて強度分布の特徴量を求める。具体的には、特徴量は、
Circ(r1,r2) = I(x,y)*Disk(r1)-I(x,y)*Disk(r2)
と表される。ここで、I(x,y)は第2の強度分布、Disk(r1)及びDisk(r2)はディスク関数、Circ(r1,r2)は強度分布の特徴量である。また、“*”は畳み込み積分を表す。Disk(r1)は、r<r1のときに1、r≧r1のときに0となる関数である。Disk(r2)は、r<r2のときに1、r≧r2のときに0となる関数である。したがって、Circ(r1,r2)は、第2の強度分布とリング状領域(r1<r<r2で規定される領域)との畳み込み積分で表される。図6は、リング状領域等について模式的に示した図である。本実施形態では、半径が異なる10個のリング状領域を隙間なく配置し、それぞれの領域について上記の畳み込み積分を行うことで特徴量を算出している。
Circ(r1,r2) = I(x,y)*Disk(r1)-I(x,y)*Disk(r2)
と表される。ここで、I(x,y)は第2の強度分布、Disk(r1)及びDisk(r2)はディスク関数、Circ(r1,r2)は強度分布の特徴量である。また、“*”は畳み込み積分を表す。Disk(r1)は、r<r1のときに1、r≧r1のときに0となる関数である。Disk(r2)は、r<r2のときに1、r≧r2のときに0となる関数である。したがって、Circ(r1,r2)は、第2の強度分布とリング状領域(r1<r<r2で規定される領域)との畳み込み積分で表される。図6は、リング状領域等について模式的に示した図である。本実施形態では、半径が異なる10個のリング状領域を隙間なく配置し、それぞれの領域について上記の畳み込み積分を行うことで特徴量を算出している。
なお、本実施形態では、第2の強度分布とディスク関数との畳み込み積分によって第2の強度分布の特徴量を求めるようにしたが、第2の強度分布とガウス関数との畳み込み積分、或いは第2の強度分布とフーリエベッセル関数との畳み込み積分によって、第2の強度分布の特徴量を求めるようにしてもよい。また、第2の強度分布にIIRフィルタ或いはFIRフィルタを作用させて、第2の強度分布の特徴量を求めるようにしてもよい。
S48のステップでは、S47のステップで得られた特徴量を入力層に設定し、S46のステップで得られた寸法差(レジストパターンの実際の寸法とレジストパターンの予測寸法との寸法差)を出力層に設定して、ニューラルネットワークを構築する。すなわち、特徴量を入力層とし、寸法差を出力層としたときに、入力層(特徴量)と出力層(寸法差)とが実測結果(実験結果)を的確に反映した適切な関係で結びつけられるように、ニューラルネットワークを構築する。
図2は、上述したニューラルネットワークの概念を模式的に示した図である。例えば、入力層のX1〜X5は予測寸法に対応し、出力層のYは寸法差に対応する。中間層のH1、H2及びH3は、入力層と出力層とを適切に結びつけるように設定される。
以上のように、本実施形態では、第2の強度分布の特徴量を入力層とし、レジストパターンの実際の寸法とレジストパターンの予測寸法との寸法差を出力層とした、非線形回帰モデルであるニューラルネットワークを構築している。これにより、高精度のリソグラフィシミュレーションモデルを作成することができ、高精度のシミュレーションを行うことが可能となる。
すなわち、本実施形態では、まず、物理パラメータを用いた物理的リソグラフィシミュレーションモデルを用いて第1の強度分布を求め、続いて、物理パラメータを測定することが困難な物理現象に対して実験的パラメータを用いた実験的リソグラフィシミュレーションモデルを用いて第2の強度分布を求める。そして、第2の強度分布から得られたレジストパターンの予測寸法とレジストパターンの実際の寸法との寸法差をより低減するために、第2の強度分布の特徴量を入力層とし且つ寸法差を出力層としたニューラルネットワークを構築している。これにより、合わせ込み精度及び予測精度のいずれにも優れたリソグラフィシミュレーションモデルを作成することができる。
以下、本実施形態の評価結果について述べる。
本実施形態のシミュレーションモデル及び第1の比較例のシミュレーションモデルそれぞれについて、レジストパターンのシミュレーション寸法とレジストパターンの実際の寸法との寸法差のRMS(root mean square)を算出した。比較例では、物理的リソグラフィシミュレーションモデル及び実験的リソグラフィシミュレーションモデルを組み合わせただけのシミュレーションモデルを用いている。比較例の場合には、寸法差のRMSが20.5nmであったのに対し、本実施形態の場合には、寸法差のRMSが2.5nmであった。したがって、本実施形態の場合には、合わせ込み精度に優れた高精度のシミュレーションモデルが得られることがわかる。
また、第2の比較例のシミュレーションモデルについて、レジストパターンのシミュレーション寸法とレジストパターンの実際の寸法との寸法差のRMSを算出した。比較例では、マスクパターンに対してリング状関数を直接作用させて特徴量を求めた。すなわち、マスクパターンとリング状関数との畳み込み積分によって特徴量を求め、ニューラルネットワークを構築した。その結果、寸法差のRMSは3.1nmであった。しかしながら、ニューラルネットワークの構築用(学習用)に用いたマスクパターン以外のパターンについて寸法差のRMSを算出したところ、本実施形態の場合には2.9nmであったのに対し、比較例の場合には25nmであった。すなわち、本実施形態の場合には、ニューラルネットワークの構築用(学習用)に用いたマスクパターン以外のパターンについても、高精度のシミュレーション結果が得られる。したがって、本実施形態の場合には、予測精度に優れた高精度のシミュレーションモデルが得られることがわかる。
以上のことから、本実施形態では、合わせ込み精度及び予測精度のいずれにも優れた高精度のシミュレーションモデルが得られることがわかる。
なお、以上説明した第1〜第3の実施形態において、ニューラルネットワークには、単層パーセプトロン、多層パーセプトロン或いはサポートベクター回帰を用いることができる。
また、第1〜第3の実施形態で説明したシミュレーションモデルの作成方法は、半導体装置の製造方法に適用可能である。図7は、半導体装置の製造方法の概略を示したフローチャートである。
まず、上述した方法を用いて、シミュレーションモデルを作成する(S51)。続いて、作成されたシミュレーションモデルを用いてシミュレーションを行い、半導体ウェハ上に形成されるパターンを予測する(S52)。続いて、シミュレーション結果に基づき、設計データに対してOPC等を施し、マスクデータを生成する(S53)。さらに、生成されたマスクデータに基づいてフォトマスクを作製する(S54)。このようにして作製されたフォトマスクに形成されたパターンを、半導体ウェハ上のフォトレジストに転写する(S55)。続いて、フォトレジストを現像してフォトレジストパターンを形成する(S56)。さらに、フォトレジストパターンをマスクとしてエッチングを行い、半導体ウェハ上にパターンを形成する(S57)。
このように、第1〜第3の実施形態で作成したシミュレーションモデルを用いることにより、高精度のシミュレーションを行うことができるため、適切なフォトマスクを作製することができる。したがって、このような適切なフォトマスクに基づき、半導体ウェハ上に高精度のパターンを形成することが可能となる。
また、上述した各実施形態で述べた方法は、該方法の手順が記述されたプログラムによって動作が制御されるコンピュータによって、実現することが可能である。上記プログラムは、磁気ディスク等の記録媒体或いはインターネット等の通信回線(有線回線或いは無線回線)によって提供することが可能である。
以上、本発明の実施形態を説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない範囲内において種々変形して実施することが可能である。さらに、上記実施形態には種々の段階の発明が含まれており、開示された構成要件を適宜組み合わせることによって種々の発明が抽出され得る。例えば、開示された構成要件からいくつかの構成要件が削除されても、所定の効果が得られるものであれば発明として抽出され得る。
X1〜X5…入力層
H1〜H3…中間層
Y…出力層
H1〜H3…中間層
Y…出力層
Claims (5)
- マスクパターンのパターンレイアウトを特徴づける特徴因子を規定する工程と、
前記マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの寸法に影響を与える制御因子を規定する工程と、
前記特徴因子及び前記制御因子に基づくモデルを用いて、前記マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの予測寸法を求める工程と、
前記マスクパターンを用いたリソグラフィプロセスによって基板上に実際に形成されるレジストパターンの実際の寸法を取得する工程と、
前記特徴因子、前記制御因子及び前記予測寸法を入力層に設定し且つ前記実際の寸法を出力層に設定してニューラルネットワークを構築する工程と、
を備えたことを特徴とするシミュレーションモデルの作成方法。 - マスクパターンのパターンレイアウトを特徴づける特徴因子を規定する工程と、
前記マスクパターンに基づくレジストパターンをマスクとして用いたエッチングプロセスによって基板上に形成されるパターンの寸法に影響を与える制御因子を規定する工程と、
前記マスクパターンに基づくレジストパターンをマスクとして用いたエッチングプロセスによって基板上に実際に形成されるパターンの実際の寸法を取得する工程と、
前記特徴因子、前記制御因子及び前記レジストパターンの寸法を入力層に設定し且つ前記実際の寸法又は前記実際の寸法と前記レジストパターンの寸法との寸法差を出力層に設定してニューラルネットワークを構築する工程と、
を備えたことを特徴とするシミュレーションモデルの作成方法。 - 前記特徴因子には、パターン寸法、パターンピッチ、パターン占有率及びパターン数の少なくとも1つが含まれる
ことを特徴とする請求項1又は2に記載のシミュレーションモデルの作成方法。 - マスクパターンを用いたリソグラフィプロセスによって基板上に実際に形成されるレジストパターンの実際の寸法を取得する工程と、
物理パラメータを用いた第1のリソグラフィシミュレーションモデルを用いて前記マスクパターンの光学像に基づく第1の強度分布を求める工程と、
実験的パラメータを用いた第2のリソグラフィシミュレーションモデルを前記第1の強度分布に適用して第2の強度分布を求める工程と、
前記第2の強度分布に基づいて、前記マスクパターンを用いたリソグラフィプロセスによって基板上に形成されるレジストパターンの予測寸法を求める工程と、
前記第2の強度分布の特徴量を求める工程と、
前記特徴量を入力層に設定し且つ前記実際の寸法と前記予測寸法との寸法差を出力層に設定してニューラルネットワークを構築する工程と、
を備えたことを特徴とするシミュレーションモデルの作成方法。 - 前記特徴量は、前記第2の強度分布に関数又はフィルタを作用させることで得られる
ことを特徴とする請求項4に記載のシミュレーションモデルの作成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007245064A JP2008122929A (ja) | 2006-10-20 | 2007-09-21 | シミュレーションモデルの作成方法 |
US11/976,025 US20080134131A1 (en) | 2006-10-20 | 2007-10-19 | Simulation model making method |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006286914 | 2006-10-20 | ||
JP2007245064A JP2008122929A (ja) | 2006-10-20 | 2007-09-21 | シミュレーションモデルの作成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008122929A true JP2008122929A (ja) | 2008-05-29 |
Family
ID=39477366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007245064A Abandoned JP2008122929A (ja) | 2006-10-20 | 2007-09-21 | シミュレーションモデルの作成方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20080134131A1 (ja) |
JP (1) | JP2008122929A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008268265A (ja) * | 2007-04-16 | 2008-11-06 | Fujitsu Microelectronics Ltd | 検証方法及び検証装置 |
JP2009229479A (ja) * | 2008-03-19 | 2009-10-08 | Toshiba Corp | シミュレーションモデル作成方法、マスクデータ作成方法、及び半導体装置の製造方法 |
JP2010044101A (ja) * | 2008-08-08 | 2010-02-25 | Toshiba Corp | パターン予測方法、プログラム及び装置 |
US8318393B2 (en) | 2009-12-17 | 2012-11-27 | Kabushiki Kaisha Toshiba | Optical-image-intensity calculating method, pattern generating method, and manufacturing method of semiconductor device |
US10282509B2 (en) | 2016-10-28 | 2019-05-07 | Toshiba Memory Corporation | Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus |
CN109976087A (zh) * | 2017-12-27 | 2019-07-05 | 上海集成电路研发中心有限公司 | 掩模图案模型的生成方法及掩模图案的优化方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7788628B1 (en) | 2006-01-11 | 2010-08-31 | Olambda, Inc. | Computational efficiency in photolithographic process simulation |
US7921383B1 (en) | 2006-01-11 | 2011-04-05 | Olambda, Inc | Photolithographic process simulation including efficient result computation for multiple process variation values |
US8165854B1 (en) | 2006-01-11 | 2012-04-24 | Olambda, Inc. | Computer simulation of photolithographic processing |
JP4843580B2 (ja) * | 2007-08-10 | 2011-12-21 | 株式会社東芝 | 光学像強度分布のシミュレーション方法、シミュレーションプログラム及びパターンデータ作成方法 |
JP2009294440A (ja) * | 2008-06-05 | 2009-12-17 | Toshiba Corp | パターンデータ作成方法 |
US20100269084A1 (en) * | 2008-11-24 | 2010-10-21 | Yuri Granik | Visibility and Transport Kernels for Variable Etch Bias Modeling of Optical Lithography |
TWI598695B (zh) * | 2011-08-01 | 2017-09-11 | Nova Measuring Instr Ltd | 用以檢驗圖案化結構量測的監測系統及方法 |
TWI462048B (zh) * | 2011-08-24 | 2014-11-21 | Inotera Memories Inc | 建立蝕刻側寫資料庫的方法 |
KR102323989B1 (ko) * | 2017-02-22 | 2021-11-10 | 에이에스엠엘 네델란즈 비.브이. | 패터닝 디바이스 상의 유한한 두께들의 구조체들에 의한 방사선의 산란을 결정하는 방법들 |
WO2018153866A1 (en) * | 2017-02-24 | 2018-08-30 | Asml Netherlands B.V. | Methods of determining process models by machine learning |
KR20190048491A (ko) | 2017-10-31 | 2019-05-09 | 삼성전자주식회사 | 식각 효과 예측 방법 및 입력 파라미터 결정 방법 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0443249B1 (en) * | 1990-02-22 | 1997-03-05 | AT&T Corp. | Manufacturing adjustment during article fabrication |
US6246972B1 (en) * | 1996-08-23 | 2001-06-12 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
US6028994A (en) * | 1998-05-06 | 2000-02-22 | Advanced Micro Devices | Method for predicting performance of microelectronic device based on electrical parameter test data using computer model |
NL1010311C2 (nl) * | 1998-06-16 | 1999-12-20 | Dirk Ernest Maria Van Dyck | Werkwijze en inrichting voor het corrigeren van nabijheidseffecten. |
IL139368A (en) * | 2000-10-30 | 2006-12-10 | Nova Measuring Instr Ltd | Process control for microlithography |
KR100375559B1 (ko) * | 2001-07-03 | 2003-03-10 | 삼성전자주식회사 | 공정장치의 제어방법 |
US6641746B2 (en) * | 2001-09-28 | 2003-11-04 | Agere Systems, Inc. | Control of semiconductor processing |
US7363099B2 (en) * | 2002-06-07 | 2008-04-22 | Cadence Design Systems, Inc. | Integrated circuit metrology |
TWI264043B (en) * | 2002-10-01 | 2006-10-11 | Tokyo Electron Ltd | Method and system for analyzing data from a plasma process |
JP4593236B2 (ja) * | 2004-10-29 | 2010-12-08 | 株式会社日立ハイテクノロジーズ | 寸法計測走査型電子顕微鏡システム並びに回路パターン形状の評価システム及びその方法 |
JP2007140485A (ja) * | 2005-10-18 | 2007-06-07 | Sharp Corp | シミュレーションにおけるパラメータ抽出装置及びパラメータ抽出方法と、この方法により作成したマスクパターンデータ及びこのマスクパターンデータにより作成したフォトマスクと半導体装置 |
US20070143234A1 (en) * | 2005-12-16 | 2007-06-21 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and system for intelligent model-based optical proximity correction (OPC) |
US20080077907A1 (en) * | 2006-09-21 | 2008-03-27 | Kulkami Anand P | Neural network-based system and methods for performing optical proximity correction |
JP2009294440A (ja) * | 2008-06-05 | 2009-12-17 | Toshiba Corp | パターンデータ作成方法 |
-
2007
- 2007-09-21 JP JP2007245064A patent/JP2008122929A/ja not_active Abandoned
- 2007-10-19 US US11/976,025 patent/US20080134131A1/en not_active Abandoned
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008268265A (ja) * | 2007-04-16 | 2008-11-06 | Fujitsu Microelectronics Ltd | 検証方法及び検証装置 |
JP2009229479A (ja) * | 2008-03-19 | 2009-10-08 | Toshiba Corp | シミュレーションモデル作成方法、マスクデータ作成方法、及び半導体装置の製造方法 |
JP4568341B2 (ja) * | 2008-03-19 | 2010-10-27 | 株式会社東芝 | シミュレーションモデル作成方法、マスクデータ作成方法、及び半導体装置の製造方法 |
JP2010044101A (ja) * | 2008-08-08 | 2010-02-25 | Toshiba Corp | パターン予測方法、プログラム及び装置 |
US8318393B2 (en) | 2009-12-17 | 2012-11-27 | Kabushiki Kaisha Toshiba | Optical-image-intensity calculating method, pattern generating method, and manufacturing method of semiconductor device |
US10282509B2 (en) | 2016-10-28 | 2019-05-07 | Toshiba Memory Corporation | Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus |
CN109976087A (zh) * | 2017-12-27 | 2019-07-05 | 上海集成电路研发中心有限公司 | 掩模图案模型的生成方法及掩模图案的优化方法 |
CN109976087B (zh) * | 2017-12-27 | 2022-08-23 | 上海集成电路研发中心有限公司 | 掩模图案模型的生成方法及掩模图案的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
US20080134131A1 (en) | 2008-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2008122929A (ja) | シミュレーションモデルの作成方法 | |
JP6982059B2 (ja) | 処理装置をモニタするための方法及びシステム | |
JP4761789B2 (ja) | 較正された固有分解モデルを使用した、露光装置の組み合わせによる、モデルopcの偏差を予測し最小限に抑える方法 | |
KR101338598B1 (ko) | 레티클 레이아웃용 메트롤로지 타깃 구조 디자인을 생성하기 위한 컴퓨터 구현방법, 전송매체, 및 시스템 | |
JP4602962B2 (ja) | 多重露光プロセスに用いられるモデルベースのジオメトリ分解のための方法、プログラム製品及び装置 | |
JP4102728B2 (ja) | 自動光近接補正(opc)ルール作成 | |
EP1424595B1 (en) | Automatic calibration of a masking process simulator | |
JP6594876B2 (ja) | フォトリソグラフィレチクル認定方法及びシステム | |
JP4328811B2 (ja) | レジストパターン形状予測方法、プログラム及びコンピュータ | |
JP4481723B2 (ja) | 評価方法、マスクパターン補正方法、半導体装置の製造方法、及びプログラム | |
JP2005099765A (ja) | プロセス近接効果の予測モデルの作成方法、工程の管理方法、半導体装置の製造方法、フォトマスクの製造方法およびプログラム | |
TWI421909B (zh) | 參數決定方法、曝光方法、半導體裝置製造方法、及儲存媒體 | |
KR100988987B1 (ko) | 플레어 측정용 포토 마스크쌍, 플레어 측정 기구 및 플레어 측정 방법 | |
US7930654B2 (en) | System and method of correcting errors in SEM-measurements | |
JP2010156866A (ja) | 特徴量抽出方法、テストパターン選択方法、レジストモデル作成方法および設計回路パターン検証方法 | |
CN108292107A (zh) | 二维或三维形状的分层式表示 | |
JP2007317921A (ja) | リソグラフィ・シミュレーション方法及びプログラム | |
KR102068866B1 (ko) | 레벨 세트를 이용한 막 성장 모델 | |
KR20110012798A (ko) | 포토레지스트 선정을 위한 시뮬레이션 방법 | |
US11966156B2 (en) | Lithography mask repair by simulation of photoresist thickness evolution | |
JP4818281B2 (ja) | 工程の管理方法、半導体装置の製造方法、フォトマスクの製造方法およびプログラム | |
KR100598252B1 (ko) | 반도체 장치의 노광 방법 | |
JP4843580B2 (ja) | 光学像強度分布のシミュレーション方法、シミュレーションプログラム及びパターンデータ作成方法 | |
JP2006210669A (ja) | レジストパターン予測方法、その装置および記録媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090901 |
|
A762 | Written abandonment of application |
Free format text: JAPANESE INTERMEDIATE CODE: A762 Effective date: 20100625 |