JP7362744B2

JP7362744B2 - レイアウトパターン選択の方法及び装置

Info

Publication number: JP7362744B2
Application number: JP2021539427A
Authority: JP
Inventors: チェン，ウェイ－ジエ
Original assignee: ASML Netherlands BV
Current assignee: ASML Netherlands BV
Priority date: 2019-01-29
Filing date: 2020-01-10
Publication date: 2023-10-17
Anticipated expiration: 2040-01-10
Also published as: JP2022518156A; TWI738169B; US11755814B2; US20220100935A1; CN113366388A; WO2020156777A1; KR102668168B1; TW202043909A; KR20210108456A

Description

関連出願の相互参照
[0001] 本出願は、２０１９年１月２９日に出願された中国特許出願第ＰＣＴ／ＣＮ２０１９／０７３７１４号の優先権を主張するものであり、該出願はその全体が参照により本明細書に組み込まれる。

[0002] 本明細書の記載は、一般的に、マスク製造及びパターニングプロセスに関する。より具体的には、本明細書の記載は、機械学習モデルを訓練するためにレイアウトパターンを選択する方法及び装置に関する。

[0003] リソグラフィ投影装置は、例えば、集積回路（ＩＣ）の製造において使用され得る。このような場合、パターニングデバイス（例えば、マスク）は、ＩＣの個々の層に対応するパターン（「設計レイアウト」）を含むこと、又は提供することができ、及びこのパターンは、パターニングデバイス上のパターンを通してターゲット部分を照射するなどの方法により、放射感応性材料（「レジスト」）の層でコートされた基板（例えば、シリコンウェーハ）上のターゲット部分（例えば、１つ又は複数のダイを含む）上に転写され得る。一般に、単一の基板は、パターンがリソグラフィ投影装置によって連続して転写される複数の隣接するターゲット部分（一度に１つのターゲット部分）を含む。あるタイプのリソグラフィ投影装置においては、パターニングデバイス全体上のパターンが、一つの動作で１つのターゲット部分上に転写され、このような装置は、一般にステッパと呼ばれる。一般にステップアンドスキャン装置と呼ばれる代替装置では、投影ビームが、所与の基準方向（「スキャン」方向）にパターニングデバイスをスキャンすることに同期して、この基準方向に平行又は逆平行に基板を移動させる。パターニングデバイス上のパターンの異なる部分が、１つのターゲット部分に漸進的に転写される。一般に、リソグラフィ投影装置は、縮小率Ｍ（例えば、４）を有するので、基板を移動させる速度Ｆは、投影ビームがパターニングデバイスをスキャンする速度×１／Ｍとなる。本明細書に記載するようなリソグラフィデバイスに関するさらなる情報は、例えば、本明細書に援用される米国特許第６，０４６，７９２号から学ぶことができる。

[0004] パターニングデバイスから基板にパターンを転写する前に、基板は、プライミング、レジストコーティング、及びソフトベークなどの様々なプロシージャを経てもよい。露光後に、基板は、ポストベーク（ＰＥＢ）、現像、ハードベーク、及び転写されたパターンの測定／インスペクションなどの他のプロシージャ（「露光後プロシージャ」）を受けてもよい。この多数のプロシージャは、デバイス、例えばＩＣの個々の層を作るための基礎として使用される。基板は、次に、エッチング、イオン注入（ドーピング）、メタライゼーション、酸化、化学機械研磨など（全て、デバイスの個々の層を仕上げることを意図したもの）の様々なプロセスを経てもよい。デバイスに幾つかの層が必要とされる場合、プロシージャ全体又はそれの異形が、各層に対して繰り返される。最終的に、基板上の各ターゲット部分にデバイスが存在する。これらのデバイスは、次に、ダイシング又はソーイングなどの技術によって互いに分離され、その結果、個々のデバイスがキャリア上に取り付けられること、ピンに接続されることなどが可能である。

[0005] 半導体デバイスなどの製造デバイスは、一般的に、デバイスの様々なフィーチャ及び複数の層を形成するための多数の製作プロセスを用いて、基板（例えば半導体ウェーハ）を処理することを含む。このような層及びフィーチャは、一般的に、例えば、堆積、リソグラフィ、エッチング、化学機械研磨、及びイオン注入を用いて、製造及び処理される。複数のデバイスが、基板上の複数のダイ上で製作され、その後、個々のデバイスに分離されてもよい。このデバイス製造プロセスは、パターニングプロセスと見なすことができる。パターニングプロセスは、パターニングデバイス上のパターンを基板に転写するために、リソグラフィ装置においてパターニングデバイスを用いる光及び／又はナノインプリントリソグラフィなどのパターニングステップを含み、及び一般的に（但し任意選択的に）、現像装置によるレジスト現像、ベークツールを用いた基板のベーク、エッチング装置を用いたパターンを使用するエッチングなどの１つ又は複数の関連のパターン処理ステップを含む。１つ又は複数のメトロロジプロセスは、一般的に、パターニングプロセスに関与する。

[0006] 上述の通り、リソグラフィは、基板上に形成されたパターンが、マイクロプロセッサ、メモリチップなどのデバイスの機能素子を定義する、ＩＣなどのデバイスの製造における中心的ステップである。フラットパネルディスプレイ、微小電子機械システム（ＭＥＭＳ）、及び他のデバイスの形成においても、類似のリソグラフィ技術が使用される。

[0007] 半導体製造プロセスが進歩し続けるにつれて、機能素子の寸法は、継続的に小さくなっている一方で、一般に「ムーアの法則」と呼ばれる傾向に従って、１つのデバイス当たりのトランジスタなどの機能素子の数は、何十年にもわたり、着実に増加している。現在の技術状況では、デバイスの層は、深紫外線照明源からの照明を用いて、設計レイアウトを基板上に投影し、１００ｎｍをはるかに下回る（すなわち、照明源（例えば、１９３ｎｍ照明源）からの放射の波長の半分未満）寸法を有する個々の機能素子を生成するリソグラフィ投影装置を用いて製造される。

[0008] リソグラフィ投影装置の古典的限界解像度未満の寸法を持つフィーチャが印刷されるこのプロセスは、一般に、解像度式ＣＤ＝ｋ１×λ／ＮＡによる低ｋ１リソグラフィとして知られ、式中、λは、用いられた放射の波長（現在、ほとんどの場合、２４８ｎｍ又は１９３ｎｍ）であり、ＮＡは、リソグラフィ投影装置における投影光学系の開口数であり、ＣＤは、「クリティカルディメンジョン」（一般に、印刷される最小のフィーチャサイズ）であり、及びｋ１は、経験的解像度係数である。一般に、ｋ１が小さいほど、特定の電気的機能性及び性能を達成するために設計者によって計画された形状及び寸法に酷似するパターンを基板上に再現することがより難しくなる。これらの困難を克服するために、最新式の微調整ステップが、リソグラフィ投影装置、設計レイアウト、又はパターニングデバイスに適用される。これらは、例えば、限定されないが、ＮＡ及び光学コヒーレンス設定の最適化、カスタマイズ照明方式、位相シフトパターニングデバイスの使用、設計レイアウトにおける光近接効果補正（ＯＰＣ、「光学及びプロセス補正（optical and process correction）」とも呼ばれることがある）、又は一般に「解像度向上技術」（ＲＥＴ）と定義される他の方法も含む。本明細書で使用する「投影光学系」という用語は、例えば、屈折光学系、反射光学系、アパーチャ、及び反射屈折光学系を含む、様々なタイプの光学システムを網羅すると広く解釈されるものとする。「投影光学系」という用語は、まとめて、又は単独で、放射の投影ビームの誘導、整形、又は制御を行うためにこれらの設計タイプの何れかに従って動作するコンポーネントも含み得る。「投影光学系」という用語は、光学コンポーネントがリソグラフィ投影装置の光路上のどこに位置するかにかかわらず、リソグラフィ投影装置内の何れの光学コンポーネントも含み得る。投影光学系は、ソースからの放射がパターニングデバイスを通過する前に、放射を整形、調節、及び／又は投影するための光学コンポーネント、及び／又は放射がパターニングデバイスを通過した後に、放射を整形、調節、及び／又は投影するための光学コンポーネントを含み得る。投影光学系は、一般に、ソース及びパターニングデバイスを除く。

[0009] 一実施形態によれば、ウェーハパターニングプロセスのための機械学習モデルを訓練する方法が提供される。この方法は、パターンセット中のパターン毎に複数のフィーチャを生成することと、パターンセット中のパターンを、複数の生成されたフィーチャにおける類似度に基づいて個々のグループにグループ分けすることと、個々のグループからの代表的なパターンを、ウェーハパターニングプロセスのための計算機リソグラフィアプリケーションに提供することと、を含む。アプリケーションには、ソース－マスク最適化（ＳＭＯ）、光近接効果補正（ＯＰＣ）、リソグラフィ製造可能性チェック（ＬＭＣ）が含まれることがある。

[0010] 一実施形態では、パターンセット中のパターンから生成される複数のフィーチャは、パターンセットに既に含まれている幾何学的情報及び／又は頂点情報を補うものである。一実施形態では、ＳＭＯは、ウェーハパターニングプロセスにおけるウェーハのフルチップレイアウトのための、ソース（光源）及びマスクの相互最適化を含む。一実施形態では、ＯＰＣは、ウェーハパターニングプロセスにおけるウェーハのフルチップＯＰＣを含む。一実施形態では、ＬＭＣは、ウェーハパターニングプロセスにおけるウェーハのフルチップレイアウトのための、リソグラフィ製造可能性及びリソグラフィ性能チェックを含む。一実施形態では、複数の生成されたフィーチャは、幾何学的フィーチャ及びリソグラフィを意識したフィーチャを含む。一実施形態では、複数の生成されたフィーチャにおける類似度に基づいて、パターンセット中のパターンを個々のグループにグループ分けすることは、機械学習クラスタリング方法を使用して、複数の生成されたフィーチャにおける類似度に基づいて、パターンセット中のパターンを個々のグループにクラスター化することを含む。

[0011] 別の実施形態によれば、ウェーハパターニングプロセスのための訓練パターンを決定する方法が提供される。この方法は、パターンセット中のパターンから複数のフィーチャを生成することと、パターンセット中のパターンを、複数の生成されたフィーチャにおける類似度に基づいて個々のグループにグループ分けすることと、個々のグループから代表的なパターンを選択して、訓練パターンを決定することと、を含む。

[0012] 一実施形態では、複数の生成されたフィーチャは、幾何学的フィーチャ及びリソグラフィを意識したフィーチャを含む。幾何学的フィーチャは、ターゲットマスク像、頻度マップ、パターン密度マップ、又はパターンセット中の一意のパターンのパターン出現件数、のうちの１つ又は複数を含む。リソグラフィを意識したフィーチャは、パターンセット中のパターンの、サブレゾリューション・アシスト・フィーチャ・ガイダンス・マップ（ＳＧＭ）、回折次数、又は回折パターン、のうちの１つ又は複数を含む。一実施形態では、パターンセット中のパターンから生成される複数のフィーチャは、パターンセットに既に含まれている幾何学的情報及び／又は頂点情報を補うものである。

[0013] 一実施形態では、複数の生成されたフィーチャに基づいて、パターンセット中のパターンをグループにグループ分けすることは、教師なし機械学習を使用して行われる。一実施形態では、複数の生成されたフィーチャにおける類似度に基づいて、パターンセット中のパターンを個々のグループにグループ分けすることは、複数の生成されたフィーチャにおける類似度に基づいて、パターンセット中の一意のパターンを個々のグループにクラスター化することを含む。このクラスター化には、異なるクラスター化ステップに対しては複数の生成されたフィーチャのうちの異なるものを使用して実施される、連続した一連のクラスター化ステップが含まれ、この連続した一連のクラスター化ステップは、パターンセット中のパターンのサブグループを形成し、その結果、サブグループから代表的なパターンが選択されて、訓練パターンが決定される。一実施形態では、クラスター化は、機械学習クラスタリング方法（例えば、ｋ平均法）を含む。

[0014] 一実施形態では、連続した一連のクラスター化ステップは、所与のステップについて所与のフィーチャを使用して実施される、交差検証ステップを含む。交差検証ステップは、所与のサブグループにどのパターンが含まれるかを調節することを含む。

[0015] 一実施形態では、個々のグループから代表的なパターンを選択して訓練パターンを決定することは、代表的なパターンのターゲット数を選択することを含む。代表的なパターンのターゲット数は、停止基準に基づいて決定される。停止基準は、訓練パターンにおける変動量を促進するように構成される。一実施形態では、この方法は更に、訓練パターンにおける変動の量を決定することを含む。一実施形態では、停止基準は、訓練パターンにおける変動の量が変動量閾値を確実に超えるように、更に構成される。

[0016] 一実施形態では、代表的なパターンのターゲット数は、個々のグループからランダムに選択される。一実施形態では、代表的なパターンのターゲット数は、訓練パターンにおける変動の量が変動量閾値を超えないことに応答して、再びランダムに選択される。

[0017] 一実施形態では、個々のグループから代表的なパターンを選択して訓練パターンを決定することは、それぞれの個々のグループから最も中央のパターンを選択することを含む。最も中央のパターンとは、個々のグループ内の他のパターンと比べて、その個々のグループの、特定のフィーチャ空間の重心に最も近いパターンである。一実施形態では、特定のフィーチャ空間とは、ターゲットマスク像フィーチャ空間、頻度マップフィーチャ空間、パターン密度マップフィーチャ空間、パターン出現件数フィーチャ空間、ＳＧＭフィーチャ空間、回折次数フィーチャ空間、又は回折パターンフィーチャ空間、である。

[0018] 一実施形態では、この方法は更に、訓練パターンを畳み込み型深層ニューラルネットワークに提供して畳み込み型深層ニューラルネットワークを訓練することを含む。一実施形態では、この方法は更に、訓練された畳み込み型深層ニューラルネットワークを使用して、ウェーハパターニングプロセスの一部として、光近接効果補正を実施することを含む。

[0019] 別の実施形態によれば、命令が記録された非一時的コンピュータ可読媒体を含むコンピュータプログラムであって、命令が、コンピュータによって実行されると、上記の方法を実施する、コンピュータプログラムが提供される。

[0020] 本明細書に組み込まれ、及び本明細書の一部を構成する添付の図面は、１つ又は複数の実施形態を示し、発明の詳細な説明と共に、これらの実施形態を説明する。単なる例として、対応する参照記号が対応する部分を示す添付の模式図を参照して、本発明の実施形態をこれより説明する。

[0021]ある実施形態による、リソグラフィシステムの様々なサブシステムのブロック図を示す。 [0022]一実施形態による、リソグラフィプロセスを伴うパターニングプロセスを介して基板上に印刷されることになるターゲットパターンに対応する像（例えば、連続透過マスク像、バイナリマスク像、曲線マスク像、等）から、パターニングデバイスパターン（又はマスクパターン）を決定するための方法の流れ図である。 [0023]ある実施形態による、リソグラフィ投影装置においてリソグラフィをシミュレーションするための例示的フローチャートを示す。 [0024]一実施形態による、ウェーハパターニングプロセスにおける訓練パターンを決定するための本方法の動作の概要を示す。 [0025]一実施形態による、フィーチャ生成の態様を示す。 [0026]一実施形態による、一意のパターンに対して生成された複数のフィーチャにおける類似度に基づいて、パターンセット中のパターンを個々のグループにクラスター化する様子を示す。 [0027]一実施形態による、クラスター化検証動作の一部である、ｋの値に対する二乗誤差の合計の、例示的なプロットを示す。 [0028]一実施形態による、ｋ重の交差検証を示す。 [0029]一実施形態による、訓練パターンとして使用するための代表的な例示的パターンセットを形成するためのパターン選択を示す。 [0030]ある実施形態による、コンピュータシステム例のブロック図である。 [0031]ある実施形態による、リソグラフィ投影装置の模式図である。 [0032]ある実施形態による、別のリソグラフィ投影装置の模式図である。 [0033]ある実施形態による、図１２の装置のより詳細な図である。 [0034]ある実施形態による、図１２及び図１３の装置のソースコレクタモジュールＳＯのより詳細な図である。

[0035] フルチップグラフィックデータベースシステム（ＧＤＳ）ファイル（例えば、ＧＤＳＩＩファイル）からのパターン選択を行うことは、難しい仕事である。訓練パターンは、畳み込み型深層ニューラルネットワーク（ＤＣＮＮ）を訓練するために、及び／又はフルチップ光近接効果補正（ＯＰＣ）アプリケーション、ソース－マスク最適化（ＳＭＯ）アプリケーション、リソグラフィ製造可能性チェック（ＬＭＣ）アプリケーションの一部である他の機械学習モデルを訓練するために使用されるか、及び／又は他の目的のために使用される。ユーザが、レイアウトパターンについて、十分に代表的であるとは言えないパターン、又は不十分なパターンを用いて、訓練パターンセットを生成し、そのような訓練データを訓練のために機械学習モデル（例えば、ＤＣＮＮ）に提供した場合、フルチップＯＰＣアプリケーションのためには、その機械学習モデル（例えば、ＤＣＮＮ）によって、正確なＣＴＭマップは予測されないであろう。不正確なＣＴＭマップは、リソグラフィホットスポットの出現及びプロセスウィンドウの制限につながることがあり、及び／又は、リソグラフィ性能仕様を満足しようとすると、その後のマスク補正動作中に困難が生じることがある。現在、ユーザは、フルチップＧＤＳから訓練パターンを手動で選択している。手動での選択は、ユーザによる膨大な作業を必要とし、レイアウトパターン選択（例えば、様々なパターンの代表的なカバレッジ）は、フルチップＧＤＳ設計に対するユーザの経験及び予備知識に依存する。有利にも、本方法及び装置は、フルチップＧＤＳパターンを系統立って分析し、代表的なパターンを選択して、機械学習モデル訓練セットを構築し、このとき、パターンカバレッジは、フルチップＧＤＳファイル全体に渡ってターゲットレイアウトパターンを適切に代表している。

[0036] 簡単な導入部として、本明細書において、ＩＣの製造に対して具体的な言及がなされる場合があるが、本明細書の記載は、多くの他の可能な適用例を有することが明白に理解されるものとする。例えば、それは、集積光学システム、磁気ドメインメモリ用のガイダンス及び検出パターン、液晶ディスプレイパネル、薄膜磁気ヘッドなどの製造において用いられ得る。このような代替適用例において、当業者は、このような代替適用例の文脈において、本明細書における「レチクル」、「ウェーハ」、又は「ダイ」という用語の使用が、それぞれ、より一般的な用語である「マスク」、「基板」、及び「ターゲット部分」と同義であると見なされるべきであることを認識するだろう。加えて、本明細書に記載される方法は、言語処理システム、自動運転車、医用イメージング及び診断、意味的セグメンテーション、ノイズ除去、チップ設計、電子設計自動化などの多様な分野において、多くの他の可能な適用例を有し得ることに留意されたい。本方法は、機械学習モデル予測の不確実性を数値化することが有利なあらゆる分野において適用され得る。

[0037] 本明細書において、「放射」及び「ビーム」という用語は、紫外線（例えば、３６５、２４８、１９３、１５７、又は１２６ｎｍの波長を有する）及びＥＵＶ（極端紫外線、例えば、約５～１００ｎｍの範囲内の波長を有する）を含むあらゆるタイプの電磁放射を網羅するために使用される。

[0038] パターニングデバイスは、１つ又は複数の設計レイアウトを含み、又は形成することができる。設計レイアウトは、ＣＡＤ（コンピュータ支援設計）プログラムを利用して生成することができ、このプロセスは、ＥＤＡ（電子設計自動化）と呼ばれることが多い。ほとんどのＣＡＤプログラムは、機能設計レイアウト／パターニングデバイスを生成するために、所定の設計ルールセットに従う。これらのルールは、処理及び設計の限界に基づいて設定される。例えば、設計ルールは、デバイス（ゲート、キャパシタなど）又は相互接続ライン間のスペース公差を、デバイス又はラインが望ましくない形で互いに作用しないことを確実にするように定義する。設計ルール限界の１つ又は複数は、「クリティカルディメンジョン」（ＣＤ）と呼ばれ得る。デバイスのクリティカルディメンジョンは、ライン若しくは孔の最小幅、又は２つのライン若しくは２つの孔間の最小のスペースと定義することができる。従って、ＣＤは、設計されたデバイスの全体のサイズ及び密度を制御する。デバイス製作における目標の１つは、基板上に（パターニングデバイスを用いて）元の設計意図を忠実に再現することである。

[0039] 本明細書で用いられる「マスク」又は「パターニングデバイス」という用語は、入ってくる放射ビームに、基板のターゲット部分に生成されるパターンに対応したパターン付き断面を与えるために使用することができる一般的パターニングデバイスを指すと広く解釈することができ、「ライトバルブ」という用語も、この文脈で使用され得る。従来のマスク（透過型又は反射型；バイナリ、位相シフト、ハイブリッドなど）に加えて、他のこのようなパターニングデバイスの例には、以下が含まれる：
－プログラマブルミラーアレイ。このようなデバイスの一例は、粘弾性制御層及び反射面を有するマトリックスアドレス可能面である。このような装置の背後にある基本原理は、（例えば）反射面のアドレスエリアが、入射放射を回折放射として反射し、非アドレスエリアが、入射放射を非回折放射として反射することである。適宜のフィルタを使用して、上記非回折放射が反射ビームから除去され、回折放射のみを後に残すことができ、このようにして、ビームが、マトリックスアドレス可能面のアドレッシングパターンに従ってパターン付けされる。必要とされるマトリックスアドレッシングは、適宜の電子手段を使用して行うことができる。他のこのようなパターニングデバイスの例には、プログラマブルＬＣＤアレイも含まれる。このような構造の一例は、本明細書に援用される米国特許第５，２２９，８７２号によって与えられる。

[0040] 図１は、例示的リソグラフィ投影装置１０Ａを示す。主なコンポーネントは、深紫外線（ＤＵＶ）エキシマレーザ源、又は極端紫外線（ＥＵＶ）源を含む他のタイプのソースでもよい放射源１２Ａ（本明細書に説明するように、リソグラフィ投影装置自体は、放射源を有する必要がない）と、部分コヒーレンス（シグマで表す）をたとえば定義し、並びにソース１２Ａからの放射を整形する光学系１４Ａ、１６Ａａ、及び１６Ａｂを含み得る照明光学系と；パターニングデバイス１８Ａと；パターニングデバイスパターンの像を基板面２２Ａ上に投影する透過光学系１６Ａｃとである。投影光学系の瞳面における調節可能フィルタ又はアパーチャ２０Ａは、基板面２２Ａに衝突するビーム角の範囲を制限することができ、ここで、可能な最大角が、投影光学系の開口数ＮＡ＝ｎｓｉｎ（Θｍａｘ）を定義し、式中、ｎは、基板と投影光学系の最後の素子との間の媒体の屈折率であり、及びΘｍａｘは、まだ基板面２２Ａに衝突し得る投影光学系から出るビームの最大角である。

[0041] リソグラフィ投影装置では、ソースは、照明（すなわち、放射）をパターニングデバイスに提供し、並びに投影光学系は、パターニングデバイスを介して、基板上へと照明の誘導及び整形を行う。投影光学系は、コンポーネント１４Ａ、１６Ａａ、１６Ａｂ、及び１６Ａｃの少なくとも幾つかを含み得る。空間像（ＡＩ）は、基板レベルにおける放射強度分布である。レジストモデルを使用して、空間像からレジスト像を計算することができ、その一例は、その開示内容が全体として本明細書に援用される米国特許出願公開第２００９－０１５７６３０号に見つけることができる。レジストモデルは、レジスト層の特性（例えば、露光、露光後ベーク（ＰＥＢ）、及び現像中に生じる化学プロセスの影響）に関係する。リソグラフィ投影装置の光学特性（例えば、照明、パターニングデバイス、及び投影光学系の特性）が、空間像を決定付け、光学モデルで定義できる。リソグラフィ投影装置で使用されるパターニングデバイスは変更され得るので、パターニングデバイスの光学特性を、少なくともソース及び投影光学系を含む、リソグラフィ投影装置の残りの部分の光学特性から切り離すことが望ましい。設計レイアウトを様々なリソグラフィ像（例えば、空間像、レジスト像など）に変換するため、技法及びモデルを用いて光近接効果補正（ＯＰＣ）を適用するため、並びに（例えば、プロセスウィンドウの観点から）性能を評価するために使用される上記技法及びモデルの詳細は、米国特許出願公開第２００８－０３０１６２０号、同第２００７－００５０７４９号、同第２００７－００３１７４５号、同第２００８－０３０９８９７号、同第２０１０－０１６２１９７号、及び同第２０１０－０１８０２５１号に記載されており、各開示内容は、本明細書に全体として援用される。

[0042] 光近接効果補正（ＯＰＣ）は、処理中に発生する歪みを補償することにより、集積回路パターニングプロセスを強化する。歪みが処理中に発生する、というのも、ウェーハに印刷されるフィーチャは、パターニング及び印刷プロセスで使用される光の波長よりも小さいからである。ＯＰＣ検証により、ウェーハ上のパターニング欠陥に潜在的につながる可能性のある、ＯＰＣ後ウェーハ設計におけるＯＰＣエラー又は弱点が特定される。例えば、ASML Tachyonリソグラフィ製造可能性チェック（ＬＭＣ）は、ＯＰＣ検証製品である。

[0043] ＯＰＣは、基板に投影される設計レイアウトの像の最終的なサイズ及び配置が、パターニングデバイス上の設計レイアウトのサイズ及び配置と同一にはならないか、又は単にパターニングデバイス上の設計レイアウトのサイズ及び配置にのみ依存しない、という事実に対処する。ＯＰＣなどの解像度向上技術（ＲＥＴ）の文脈においては、物理的なパターニングデバイスは必ずしも使用されず、設計レイアウトを使用して、物理的なパターニングデバイスを表すことができる。一部の設計レイアウトに存在するようにフィーチャサイズが小さくフィーチャ密度が高い場合、所与のフィーチャの特定のエッジの位置は、他の隣接するフィーチャの有無によって、一定程度影響を受ける。これらの近接効果は、あるフィーチャから別のフィーチャに結合される微量の放射、又は回折及び干渉などの非幾何学的な光学的効果から、生じる。同様に、近接効果は、一般的にリソグラフィに続く露光後ベーク（ＰＥＢ）、レジスト現像、及びエッチング中の、拡散及び他の化学的効果から生じることもある。

[0044] 設計レイアウトの投影像が所与のターゲット回路設計の要件に従う可能性を高めるために、高度な数値モデル、設計レイアウトの補正又は予歪を使用して、近接効果を予測し補償することができる。論文“Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design”, C. Spence, Proc.SPIE, Vol.5751, pp1-14 (2005)は、現在の「モデルベース」の光近接効果補正処理の概要を提供している。典型的なハイエンドの設計では、ターゲット設計に対する投影像の忠実性を高めるために、設計レイアウトの殆ど全てのフィーチャに、何らかの修正が加えられる。これらの修正には、エッジ位置又は線幅のシフト又はバイアス、並びに、他のフィーチャの投影を支援するように意図された「アシスト（支援）」フィーチャの適用が含まれることがある。

[0045] ＯＰＣの最も単純な形態の１つは、選択的バイアスである。ＣＤ対ピッチ曲線が与えられると、パターニングデバイスレベルでＣＤを変更することにより、少なくとも最高の焦点と露光で、異なるピッチの全てを、同じＣＤを生成するように強制することができる。従って、基板レベルでフィーチャがあまりに小さく印刷される場合、パターニングデバイスレベルのフィーチャは、公称値よりも僅かに大きくなるようにバイアスされ、逆も同様である。パターニングデバイスレベルから基板レベルへのパターン転写処理は非線形であるので、バイアスの量は、単純に、最高の焦点及び露光で測定されたＣＤエラーに縮小率を掛けたものにはならず、モデリング及び実験を用いて、適切なバイアスを決定することができる。選択的バイアスは、特に、公称の処理条件でのみ適用される場合には、近接効果の問題に対しては不完全な解決策である。そのようなバイアスは、原理的には、最高の焦点及び露光で均一のＣＤ対ピッチ曲線を与えるように適用することができるものの、一旦、露光処理が公称条件から変動すると、それぞれのバイアスされたピッチ曲線は異なる態様で応答し、その結果、異なるフィーチャに対して異なるプロセスウィンドウがもたらされる。フィーチャを十分に適切に生成する（例えば、フィーチャのＣＤが、±１０％又は±５％などの一定の範囲内になる）ような２つ以上のプロセスパラメータ（例えば、リソグラフィ装置における焦点及び放射ドーズ量）の値の範囲であるプロセスウィンドウ。従って、同一のＣＤ対ピッチを与える「最良の」バイアスは、全体的なプロセスウィンドウに悪影響を及ぼすことさえあり、全てのターゲットフィーチャを所望のプロセス許容範囲内で基板に印刷する焦点及び露光の範囲を、拡大するのではなく低減することがある。

[0046] 上記の１次元のバイアス例を超えて適用するために、より複雑な他のＯＰＣ技術が開発されてきた。２次元の近接効果は、ラインエンドショートニングである。ラインエンドは、露光及び焦点の関数として、それらの所望のエンドポイント位置から「プルバック」される傾向がある。多くの場合、長いラインエンドのエンドショートニングの程度は、対応するライン細線化よりも数倍大きいことがある。この種のラインエンドプルバックは、ラインエンドが、ソース－ドレイン領域上のポリシリコンゲート層などの、そのラインエンドが覆うように意図されていた下層を完全に横切ることができない場合、製造されるデバイスの壊滅的な故障につながることがある。この種のパターンは、焦点及び露光に非常に敏感であるので、単純にラインエンドを設計長よりも長くなるようにバイアスすることは不適切である、というのも、最良の焦点及び露光での又は露光不足の状態でのラインは、過剰に長くなり、その結果、延長されたラインエンドが隣接する構造物に接触するので短絡につながったり、又は、回路内の個々のフィーチャ間により多くのスペースが追加される場合、不必要に大きな回路サイズにつながったりする。集積回路の設計及び製造の目標の１つは、１チップ当たりに必要とされる面積を最小化しながら、機能要素の数を最大化することであるので、余分なスペースを追加することは望ましくない解決策である。

[0047] ２次元のＯＰＣ方式は、ラインエンドのプルバック問題を解決するのに役立つことがある。「ハンマーヘッド」又は「セリフ」などの追加の構造物（「アシストフィーチャ」としても知られる）をラインエンドに追加して、効果的にラインエンドを所定の位置に固定し、プロセスウィンドウ全体に渡りプルバックを低減することができる。最良の焦点及び露光においてでさえ、これらの追加の構造物は分解されないが、これらは、主要なフィーチャの外観を、それら自体では完全に分解されることなく、変更する。本明細書で使用する場合、「主要なフィーチャ」とは、プロセスウィンドウにおける一部の又は全ての条件の下で基板に印刷されることが意図されたフィーチャを意味する。アシストフィーチャは、ラインエンドに追加される単純なハンマーヘッドよりもはるかに意欲的な形態を取ることがあり、これは、パターニングデバイス上のパターンが、もはや単純に縮小率だけ大型化された所望の基板パターンではない、という程度に及ぶ。セリフなどのアシストフィーチャは、単にラインエンドプルバックを低減するだけでなく、より多くの状況に適用することができる。内側又は外側のセリフを、任意のエッジ、特に２次元のエッジに適用して、角の丸まり又はエッジの押し出しを減らすことができる。十分な選択的バイアス並びに全てのサイズ及び極性のアシストフィーチャを用いると、パターニングデバイス上のフィーチャは、基板レベルで望まれる最終パターンとの類似度がどんどん低くなる。一般的に、パターニングデバイスのパターンは、基板レベルのパターンの予歪されたバージョンになり、この歪みは、製造プロセス中に発生するパターン変形を相殺するか又は逆転させて、出来る限り設計者が意図したパターンに近いパターンを基板上に生成するように、意図されている。

[0048] 別のＯＰＣ技術は、主要フィーチャに接続されたアシストフィーチャ（例えば、セリフ）の代わりに又はそれに加えて、完全に独立した非分解性のアシストフィーチャを使用することを含む。ここでの「独立した」という用語は、これらのアシストフィーチャのエッジが、主要フィーチャのエッジに接続されていないことを意味する。これらの独立したアシストフィーチャは、基板上にフィーチャとして印刷されることを意図した又は望んだものではなく、むしろ、近くの主要フィーチャの空間像を修正して、その主要フィーチャの印刷可能性及びプロセス許容値を高めることが意図されている。これらのアシストフィーチャ（しばしば、「散乱バー」又は「ＳＢＡＲ」と呼ばれる）は、主要フィーチャのエッジの外側のフィーチャである、サブレゾリューションアシストフィーチャ（ＳＲＡＦ）と、主要フィーチャのエッジの内側からすくいだされたフィーチャである、サブレゾリューションインバースフィーチャ（ＳＲＩＦ）と、を含むことがある。ＳＢＡＲの存在は、パターニングデバイスのパターンの複雑さを更に深める。散乱バーの使用の単純な例は、非分解性の散乱バーの規則的な配列が、孤立ラインフィーチャの両側に引きのばされる場合である。これには、空間像の観点から、密なラインの配列の中の単一のラインをよりよく表すように、孤立ラインを見えるようにする効果があり、その結果、プロセスウィンドウの焦点及び露光許容値が、密なパターンの焦点及び露光許容値にはるかに近づく。そのような装飾された孤立フィーチャと密なパターンとの間の共通のプロセスウィンドウは、パターニングデバイスレベルで孤立して引きのばされたフィーチャの許容値よりも、焦点及び露光の変動に対してより大きな共通許容値を有する。

[0049] アシストフィーチャは、パターニングデバイス上のフィーチャと、設計レイアウトにおけるフィーチャとの相違として見ることができる。「主要なフィーチャ」及び「アシストフィーチャ」という用語は、パターニングデバイス上の特定のフィーチャを、どちらか一方としてラベル付けしなくてはならない、ということを示唆するものではない。

[0050] リソグラフィプロセスを理解する別の態様は、放射とパターニングデバイスとの相互作用を理解することである。放射がパターニングデバイスを通過した後の放射の電磁場は、放射がパターニングデバイスに到達する前の放射の電磁場と、相互作用を特徴付ける関数とから、決定することができる。この関数は、マスク透過関数と呼ばれることもある（この関数を使用して、透過型パターニングデバイス及び／又は反射型パターニングデバイスによる相互作用を説明することができる）。

[0051] マスク透過関数は、様々な異なる形式を有することがある。１つの形式は、バイナリである。バイナリマスク透過関数は、パターニングデバイス上の所与の位置において２つの値（例えば、ゼロ及び正の定数）のいずれかを有する。バイナリ形式のマスク透過関数は、バイナリマスクと呼ばれることがある。別の形式は、連続式である。即ち、パターニングデバイスの透過率（又は反射率）は、パターニングデバイスの位置の連続的な関数である。透過率（又は反射率）の位相も、パターニングデバイスの位置の連続的な関数であり得る。連続的な形式のマスク透過関数は、連続トーンマスク又は連続透過マスク（ＣＴＭ）と呼ばれることがある。例えば、ＣＴＭは、ピクセル化された像として表わされることがあり、各ピクセルは、０又は１のバイナリ値の代わりに、０～１の間の値（例えば、０．１、０．２、０．３、等）を割り当てられることがある。一実施形態では、ＣＴＭは、ピクセル化されたグレースケール像であることがあり、各ピクセルは様々な値を有する（例えば、［－２５５、２５５］の範囲内、［０、１］若しくは［－１、１］の範囲内に正規化された値、又は他の適切な範囲で）。

[0052] 放射とパターニングデバイスとの相互作用の決定を単純化するために、キルヒホッフ境界条件とも呼ばれる、薄いマスク近似が、広く使用されている。薄いマスク近似では、パターニングデバイス上の構造物の厚さは、波長と比較すると非常に小さく、マスク上の構造物の幅は、波長と比較すると非常に大きい、と仮定する。従って、薄いマスク近似は、パターニングデバイスの後の電磁場は、入射電磁場とマスク透過関数との乗算であると仮定する。しかしながら、リソグラフィプロセスは、ますます短くなる波長の放射を使用しており、パターニングデバイス上の構造物はますます小さくなっているので、薄いマスク近似での仮定が崩れることがある。例えば、有限の厚さに起因して、放射と構造物（例えば、上面と側壁との間のエッジ）との相互作用（「マスク３Ｄ効果」又は「Ｍ３Ｄ」）が、重大になることがある。この散乱をマスク透過関数に含めることにより、マスク透過関数が、放射とパターニングデバイスとの相互作用をより良く取り込むことができることがある。薄いマスク近似の下でのマスク透過関数は、薄いマスクの透過関数と呼ばれることがある。Ｍ３Ｄを包含するマスク透過関数は、Ｍ３Ｄマスク透過関数と呼ばれることがある。

[0053] 図２は、リソグラフィプロセスを伴うパターニングプロセスを介して基板上に印刷されることになるターゲットパターンに対応する像（例えば、連続透過マスク像、バイナリマスク像、曲線マスク像、等）から、パターニングデバイスパターン（又は、これ以降ではマスクパターン）を決定するための方法２００の流れ図である。一実施形態では、設計レイアウト又はターゲットパターンは、バイナリ設計レイアウト、連続トーン設計レイアウト、又は別の適切な形式の設計レイアウトであり得る。

[0054] 方法２００は反復プロセスであり、初期像（例えば、強調像、ＣＴＭ像から初期化されたマスク変数、など）が、徐々に修正されて、本開示の様々なプロセスに従う様々な種類の像が生成されて、最終的に、マスクパターン、又はマスクを製造／生産するために更に使用される像（例えば、最終曲線マスクに対応するマスク変数）、を含む情報が生成される。初期像の反復的な修正は、費用関数に基づくことがあり、反復中、初期像は、費用関数が減少するように、一実施形態では最小化するように、修正されることがある。一実施形態では、方法２００は、二値化ＣＴＭプロセスと呼ばれることもあり、ここでは、初期像は、曲線マスクパターン（例えば、曲線マスク又は曲線パターンの、ジオメトリ又は多角形の代表的形状）を生成するために本開示に従って更に処理される、最適化されたＣＴＭ像である。一実施形態では、初期像はＣＴＭ像の強調像であり得る。曲線マスクパターンは、ベクトル、表、数式の形式、又は幾何学的な／多角形の形状を表す他の形式であり得る。

[0055] 一実施形態では、プロセスＰ２０１は、初期像（例えば、ＣＴＭ像若しくは最適化されたＣＴＭ像、又はバイナリマスク像）を取得することを含むことがある。一実施形態では、初期像２０１は、基板上に印刷されることになるターゲットパターンに基づいて、ＣＴＭ生成プロセスによって生成されたＣＴＭ像であり得る。次いで、このＣＴＭ像はプロセスＰ２０１によって受け取られることがある。一実施形態では、プロセスＰ２０１は、ＣＴＭ像を生成するように構成されることがある。例えば、ＣＴＭ生成技術では、逆リソグラフィ問題が最適化問題として定式化されている。変数は、マスク像のピクセルの値に関連付けられ、ＥＰＥ又はサイドローブプリンティングなどのリソグラフィ指標が、費用関数として使用される。最適化の反復においては、変数からマスク像が構築され、その後、プロセスモデル（例えば、Tachyonモデル）を適用して光学像又はレジスト像を取得し、費用関数を計算する。次いで、費用計算により、変数（例えば、ピクセル強度）を更新するために最適化解法で使用される勾配値が提供される。最適化中に何回か反復した後で、最終マスク像が生成され、これは、（例えば、Tachyon ＳＭＯソフトウェアで実装されるように）パターン抽出用のガイダンスマップとして更に使用される。そのような初期像（例えば、ＣＴＭ像）には、パターニングプロセスを介して基板に印刷されることになるターゲットパターンに対応する、１つ又は複数のフィーチャ（例えば、ターゲットパターンのフィーチャ、ＳＲＡＦ、ＳＲＩＦ、等）が含まれることがある。

[0056] 一実施形態では、ＣＴＭ像（又は、ＣＴＭ像の強調版）を使用して、初期像２０１として使用することができるマスク変数を初期化することがあり、この初期像２０１は、以下に説明するように、反復して修正される。

[0057] プロセスＰ２０１は、初期像２０１に基づいて強調像２０２を生成することを含むことがある。強調像２０２は、初期像２０１内の特定の選択されたピクセルが増幅された像であり得る。選択されたピクセルは、初期像２０１内で比較的に低い値（又は弱い信号）を有するピクセルであり得る。一実施形態では、選択されたピクセルは、例えば、初期像全体のピクセルの平均強度又は所与の閾値よりも低い信号値を有するピクセルである。言い換えると、初期像２０１内の弱い信号を有するピクセルが増幅され、従って、初期像２０１内の１つ又は複数のフィーチャが強調される。例えば、ターゲットフィーチャの周囲にある２次ＳＲＡＦは、増幅されることがある弱い信号を有することがある。従って、強調像２０２は、（この方法で後に生成される）マスク像内に含まれることがある追加のフィーチャ（又は構造物）をハイライトするか又は特定することがある。マスク像を決定する従来の方法（例えば、ＣＴＭ法）では、初期像内の弱い信号は無視されることがあり、従って、マスク像は、初期像２０１における弱い信号から形成されることがあるフィーチャを含まないことがある。

[0058] 強調像２０２の生成には、初期像２０１内の弱い信号を増幅するためのフィルタ（例えば、エッジ検出フィルタ）などの、像処理操作を施すことが含まれる。その代わりに又はこれに加えて、像処理操作は、ぼけ修正、平均化、及び／又はフィーチャ抽出若しくは他の類似の操作であり得る。エッジ検出フィルタの例としては、プレウィット（Prewitt）演算子、ラプラシアン（Laplacian）演算子、ＬｏＧ（Laplacian of Gaussian）フィルタ、等が挙げられる。この生成ステップには、初期像２０１の元の強い信号を修正するかどうかに関わらず、初期像２０１の増幅された信号を初期像２０１の元の信号と組み合わせることが、更に含まれることがある。例えば、一実施形態では、初期像２０１全体で１つ又は複数の位置における（例えば、コンタクトホールにおける）１つ又は複数のピクセル値については、元の信号は比較的に強い（例えば、１５０などの一定の閾値を超えるか、又は－５０を下回る）ことがあり、そのとき、その１つ又は複数の位置における（例えば、コンタクトホールにおける）元の信号は、修正されないか、又はその位置の増幅信号とは組み合わされないことがある。

[0059] 一実施形態では、初期像２０１におけるノイズ（例えば、輝度又は色又はピクセル値におけるランダムな変動）も、増幅されることがある。そこで、その代わりに又はこれに加えて、組み合わされた像おけるノイズ（例えば、輝度又は色又はピクセル値におけるランダムな変動）を低減するために、平滑化プロセスが施されることがある。像平滑化方法の例としては、ガウスぼかし、移動平均、ローパスフィルタ等が挙げられる。

[0060] 一実施形態では、強調像２０２は、エッジ検出フィルタを使用して生成されることがある。例えば、エッジ検出フィルタを初期像２０１に適用して、初期像２０１内の１つ又は複数のフィーチャのエッジをハイライトするフィルタ済像を生成することができる。結果として得られるフィルタ済像を、元の像（即ち、初期像２０１）と更に組み合わせて、強調像２０２を生成することができる。一実施形態では、初期像２０１とエッジフィルタリングの後に得られた像とを組み合わせることには、強い信号を有する領域を修正することなく、弱い信号を有する初期像２０１の部分だけを修正することが含まれることがあり、この組み合わせるプロセスは、信号強度に基づいて重み付けされることがある。一実施形態では、弱い信号を増幅することは、フィルタ済像内のノイズを増幅することもある。従って、一実施形態によれば、組み合わされた像に対して平滑化プロセスが行われることがある。像の平滑化とは、ノイズ又は他の微細な構造物／急激な現象を除外しながら、像内の重要なパターン（例えば、ターゲットパターン、ＳＲＡＦ）を取り込むように試みる近似関数を指すことがある。平滑化では、信号のデータポイントが修正され得るので、個々のポイントが（おそらくはノイズのせいで）低減されることがあり、隣接するポイントよりも低いことがあるポイントが増加されることがあり、その結果、より滑らかな信号又はより滑らかな像がもたらされる。従って、本開示の一実施形態によれば、平滑化操作により、ノイズが低減した強調像２０２の更に滑らかな像が得られることがある。

[0061] この方法は、プロセスＰ２０３で、強調像２０２に基づいてマスク変数２０３を生成することを含むことがある。最初の反復では、強調像２０２を使用して、マスク変数２０３を初期化することができる。後の反復では、マスク変数２０３を反復して更新することができる。

[0062] ｎ個の実変数の実数値の関数ｆの輪郭線抽出は、以下の形式の組である。
Ｌ_ｃ（ｆ）＝｛（ｘ_１，ｘ_２，...ｘ_ｎ）｜ｆ（ｘ_１，ｘ_２，...ｘ_ｎ）＝ｃ｝
２次元空間では、この組は、この関数ｆが所与の値ｃに等しくなる表面上のポイントを定義する。２次元空間では、関数ｆは、マスク像にレンダリングされる閉じた輪郭線を抽出することができる。

[0063] 上記の式では、ｘ_１、ｘ_２、...ｘ_ｎは、個々のピクセルの強度などのマスク変数を指しており、これは、所与の定数値ｃ（例えば、以下のプロセスＰ２０５で説明するような閾値平面）を有する曲線マスクエッジが存在する位置を決定する。

[0064] 一実施形態では、ある反復において、マスク変数２０３を生成することは、例えば、初期化条件又は勾配マップ（これは、本方法において後で生成されることがある）に基づいて、強調像２０２内の変数の１つ又は複数の値（例えば、１つ又は複数の位置でのピクセル値）を修正することを含むことがある。例えば、その１つ又は複数のピクセル値は、増加されることも又は低減されることもある。言い換えると、強調像２０２内の１つ又は複数の信号の振幅は、増加されることも又は低減されることもある。信号の振幅をそのように修正することにより、信号の振幅の変化量に応じて、異なる曲線パターンを生成することが可能になる。従って、曲線パターンは、費用関数が低減されるまで、一実施形態では最小化されるまで、徐々に進化する。一実施形態では、レベルマスク変数２０３に対して更なる平滑化が行われることがある。

[0065] 更に、プロセスＰ２０５は、マスク変数２０３に基づいて、曲線マスクパターン２０５（例えば、ベクトル形式で表わされる多角形形状を有する）を生成することを含む。曲線マスクパターン２０５を生成することは、マスク変数２０３のしきい値処理をして、マスク変数２０３から曲線の（又は湾曲した）パターンをトレース又は生成することを含むことがある。例えば、しきい値処理は、マスク変数２０３の信号と交差する固定値を有する閾値平面（例えば、ｘ－ｙ平面）を使用して、実施されることがある。閾値平面とマスク変数２０３の信号との交点は、曲線マスクパターン２０５用の曲線パターンとしてはたらく多角形形状を形成するトレース又は輪郭（即ち、湾曲した多角形の形状）を生成する。例えば、マスク変数２０３は、（ｘ、ｙ）平面と平行なゼロ平面と交差することがある。従って、曲線マスクパターン２０５は、上記のように生成された任意の曲線パターンであり得る。一実施形態では、マスク変数２０３からトレースされた又は生成された曲線パターンは、強調像２０２の信号に依存する。従って、像強調プロセスＰ２０３は、最終曲線マスクパターン用に生成されるパターンの改善を容易にする。最終曲線マスクパターンは、リソグラフィプロセスで使用するためのマスクを製造するために、マスク製造業者によって更に使用されることがある。

[0066] プロセスＰ２０７は、曲線マスクパターン２０５をレンダリングしてマスク像２０７を生成することを含むことがある。レンダリングは、曲線マスクパターンに対して実施される操作であり、矩形のマスク多角形を離散グレースケール像表現に変換するのと類似のプロセスである。そのようなプロセスは、一般的に、連続的な座標（多角形）のボックス関数を、像ピクセルの各ポイントにおける値にサンプリングすることとして、理解することができる。

[0067] この方法は更に、マスク像２０７に基づいて基板に印刷されることがあるパターン２０９を生成又は予測するプロセスモデルを使用した、パターニングプロセスの順方向シミュレーションを含む。例えば、プロセスＰ２０９は、入力としてマスク像２０７を使用してプロセスモデルを実行すること及び／又はシミュレーションすることと、基板上にプロセス像２０９（例えば、空間像、レジスト像、エッチング像、等）を生成することと、を含むことがある。一実施形態では、プロセスモデルは、（例えば、以下に説明するような）レジストモデル及び／又はエッチングモデルに更に結合される光学系モデルに結合される、マスク透過モデルを含むことがある。プロセスモデルの出力は、シミュレーションプロセス中の異なるプロセス変動を考慮に入れたプロセス像２０９であり得る。プロセス像は、例えば、プロセス像内のパターンの輪郭線をトレースすることにより、パターニングプロセスのパラメータ（例えば、ＥＰＥ、ＣＤ、オーバーレイ、サイドローブ、等）を決定するために、更に使用されることがある。それらのパラメータを使用して、更に費用関数を定義することができ、費用関数を使用して、更に、費用関数が低減されるように、一実施形態では最小化されるように、マスク像２０７が最適化される。

[0068] プロセスＰ２１１では、プロセスモデル像２０９（シミュレーションされた基板像又は基板像又はウェーハ像とも呼ばれる）に基づいて、費用関数が評価されることがある。従って、費用関数は、パターニングプロセスが変動している場所で、プロセスを意識しているとみなすことができ、パターニングプロセスの変動を説明する曲線マスクパターンの生成を可能にする。例えば、費用関数は、エッジ配置誤差（ＥＰＥ）、サイドローブ、平均二乗誤差（ＭＳＥ）、パターン配置誤差（ＰＰＥ）、正規化像ログ、又はプロセス像におけるパターンの輪郭線に基づいて定義される他の適切な変数、であり得る。ＥＰＥは、１つ又は複数のパターンに関連したエッジ配置誤差、及び／又は、プロセスモデル像２０９の全てのパターン及び対応するターゲットパターンに関連した全てのエッジ配置誤差の合計、であり得る。一実施形態では、費用関数は、同時に低減又は最小化することができる複数の条件を含むことがある。例えば、ＭＲＣ違反の確率に加えて、欠陥の数、ＥＰＥ、オーバーレイ、ＣＤ、又は他のパラメータを含めることができ、全ての条件を同時に低減（又は最小化）することができる。

[0069] 更に、費用関数（例えば、ＥＰＥ）に基づいて１つ又は複数の勾配マップを生成することができ、そのような勾配マップに基づいて、マスク変数を修正することができる。マスク変数（ＭＶ）は、

の強度を指す。従って、勾配計算は、

として表わすことができ、勾配値は、マスク像（ＭＩ）から曲線マスク多角形への、更にマスク変数への逆数学的関係を捉えることにより、更新される。従って、マスク像に関して、マスク像から曲線マスク多角形への、及び曲線マスク多角形からマスク変数への、費用関数の導関数のチェーンを計算することができ、それにより、マスク変数におけるマスク変数の値の修正が可能になる。

[0070] 一実施形態では、生成することができるマスクパターンの複雑さを低減するために、像の正則化を追加することができる。そのような像の正則化は、マスクルールチェック（ＭＲＣ）であり得る。ＭＲＣは、マスク製造プロセス又は装置の制限条件を指す。従って、費用関数は、例えば、ＥＰＥ及びＭＲＣ違反ペナルティに基づいて、異なるコンポーネントを含むことがある。ペナルティは、費用関数の一項であることがあり、これは、違反量、例えば、マスク測定値と所与のＭＲＣ又はマスクパラメータ（例えば、マスクパターンの幅、及び許容される（例えば、最小又は最大の）マスクパターン幅）との間の差、に依存する。従って、本開示の一実施形態によれば、マスクパターンを設計することができ、対応するマスクを、パターニングプロセスの順方向シミュレーションに基づくだけでなく、更にはマスク製造装置／プロセスの製造制約にも基づいて、製造することができる。従って、例えば、ＥＰＥ又は印刷されるパターンのオーバーレイの点で、高い歩留まり（即ち、最少の欠陥）及び高い精度をもたらす、製造可能な曲線マスクを取得することができる。

[0071] プロセス像に対応するパターンは、ターゲットパターンと正確に同じである必要があるが、しかしながら、そのような正確なターゲットパターンは実現可能ではないことがあり（例えば、典型的には鋭い角）、パターニングプロセス自体の変動、及び／又はパターニングプロセスのモデルにおける近似に起因して、何らかの衝突が持ち込まれる。この方法の最初の反復では、マスク像２０７は、ターゲットパターンに似た（レジスト像における）パターンを生成しないことがある。レジスト像（又はエッチング像）における印刷されるパターンの精度又は受容の決定は、ＥＰＥなどの費用関数に基づくことがある。例えば、レジストパターンのＥＰＥが高い場合、これは、マスク像２０７を使用して印刷されるパターンが許容可能ではなく、マスク変数２０３内のパターンを修正する必要があることを、示す。

[0072] マスク像２０７が許容可能であるかどうかを決定するために、プロセスＰ２１３は、費用関数が低減されたか若しくは最小化されたかどうか、又は、所与の反復数に達したかどうかを決定することを含むことがある。例えば、前の反復のＥＰＥ値を現在の反復のＥＰＥ値と比較して、ＥＰＥが減少したか、最小化したか、又は収束した（即ち、印刷パターンにおいて実質的な改善が観察されない）かどうかを決定することがある。費用関数が最小化されると、この方法は停止し、生成された曲線マスクパターンの情報は、最適化された結果とみなされる。

[0073] しかしながら、費用関数が低減又は最小化されない場合、マスクに関連した変数又は強調像に関連した変数（例えば、ピクセル値）が更新されることがある。一実施形態では、この更新は、勾配ベースの方法に基づくことがある。例えば、費用関数が低減されない場合、方法２００はマスク変数２０３を更に修正する方法を示すプロセスＰ２１５及びＰ２１７を実施した後でマスク像を生成する次の反復に進む。

[0074] プロセスＰ２１５は、費用関数に基づいて勾配マップ２１５を生成することを含むことがある。勾配マップは、費用関数の導関数及び／又は偏導関数であり得る。一実施形態では、費用関数の偏導関数を、マスク像のピクセルに対して決定することができ、導関数は、マスク変数２０３に対して偏導関数を決定するように更に連鎖させることがある。そのような勾配計算は、マスク像２０７とマスク変数２０３との間の逆の関係を決定することを含むことがある。更に、プロセスＰ２０５及びＰ２０３で行われる平滑化操作（又は関数）の逆の関係を考慮する必要がある。

[0075] 勾配マップ２１５は、費用関数の値を低減させる、一実施形態では最小化させるように、マスク変数の値を増加させるか又は減少させるかについての助言を提供することができる。一実施形態では、勾配マップ２１５に最適化アルゴリズムを適用してマスク変数の値を決定することがある。一実施形態では、最適化解法を使用して、（プロセスＰ２１７における）勾配ベースの計算を行うことがある。

[0076] 一実施形態では、ある反復の間、費用関数を徐々に低減又は最小化するために、閾値平面を固定又は変化しないままに保ちながら、マスク変数を変更することがある。従って、生成される曲線パターンは、費用関数を低減、一実施形態では最小化させるように、反復中に徐々に進化することがある。別の実施形態では、マスク変数並びに閾値平面を両方共変化させて、最適化プロセスのより速い収束を達成することがある。何回かの反復時、及び／又は、費用関数の最小化により、二値化ＣＴＭ結果の最終の組（即ち、強調像、マスク像、又は曲線マスクの修正版）がもたらされることがある。

[0077] 本開示の一実施形態では、グレースケール像を用いたＣＴＭ最適化から曲線マスクを用いた二値化ＣＴＭ最適化への移行は、しきい値処理プロセス（即ち、Ｐ２０３及びＰ２０５）を、シグモイド変換（sigmoid transformation）を強調像２０２に適用し、及び勾配計算における対応する変更を行う、別のプロセスで置き換えることによって、単純化されることがある。強調像２０２のシグモイド変換は、最適化プロセス（例えば、費用関数を最小化する）中に徐々に曲線パターンに進化する変換済像を生成する。反復又は最適化ステップの間、シグモイド関数に関連した変数（例えば、急峻さ及び／又は閾値）が、勾配計算に基づいて修正されることがある。連続する反復において、シグモイド変換がより鋭くなる（例えば、シグモイド変換の勾配の急峻さが増加する）につれて、ＣＴＭ像から最終的な二値化ＣＴＭ像への段階的な移行を達成させることができ、その結果、曲線マスクパターンを用いた最終的な二値化ＣＴＭ最適化の結果が改善される。

[0078] 本開示の一実施形態では、最適化の反復のループの中に追加のステップ／プロセスを挿入して、結果が、選択された又は所望の特性を有するように、強制することがある。例えば、平滑化ステップを追加することにより滑らかさを確保することがあり、又は、他のフィルタを使用して、像が水平／垂直構造に有利であるように強制することがある。

[0079] 本方法は、幾つかの特徴又は態様を有する。例えば、像強調方法を用いて最適化されたＣＴＭマスク像を使用して、最適化フローにおけるシードとして更に使用することができる信号を改善すること。別の態様では、ＣＴＭ技術を用いたしきい値処理方法（二値化ＣＴＭと呼ばれる）を使用すると、曲線マスクパターンの生成が可能になる。更に別の態様では、勾配計算の完全な構築（即ち、閉ループ構築）により、マスク変数最適化のための勾配ベースの解法も可能になる。二値化ＣＴＭ結果は、局所的ソリューションとして（ホットスポット修復として）使用されることも、又はフルチップソリューションとして使用されることもある。二値化ＣＴＭ結果は、入力として機械学習と共に使用されることがある。これにより、機械学習を使用して二値化ＣＴＭを高速化させることが可能になり得る。更に別の態様では、この方法は、結果を改善するための像正則化方法を含む。別の態様では、この方法は、連続的な最適化ステージを含んで、グレースケール像ＣＴＭから二値の曲線マスク二値化ＣＴＭへのよりスムーズな移行を実現する。この方法では、結果を改善するように最適化の閾値を調節することができる。この方法は、（二値化ＣＴＭ像の滑らかさを必要とする）結果の良好な特性を強制するために、最適化の反復に追加の変換を含める。

[0080] リソグラフィノードが縮小し続けているので、ますます複雑なマスクが必要である。本方法は、ＤＵＶスキャナ、ＥＵＶスキャナ、及び／又は他のスキャナを用いて重要な層で使用されることがある。本開示による方法は、ソース－マスク最適化（ＳＭＯ）、マスク最適化、及び／又はＯＰＣを含む、マスク最適化プロセスの様々な側面に、含まれることがある。

[0081] 上述のように、多くの場合、どの程度パターニングプロセスが基板上に所望のパターンを生じさせるかを計算的に決定することができることが望ましい。従って、プロセスの１つ又は複数の部分をシミュレーションするために、シミュレーションが提供され得る。例えば、パターニングデバイスパターンを基板のレジスト層上に転写するリソグラフィプロセス、及びレジストの現像後のそのレジスト層の生成パターンをシミュレーションすることができることが望ましい。

[0082] リソグラフィ投影装置においてリソグラフィをシミュレーションするための例示的フローチャートを図３に示す。照明モデル３３１は、照明の光学特徴（放射強度分布及び／又は位相分布を含む）を表す。投影光学系モデル３３２は、投影光学系の光学特徴（投影光学系によって生じた放射強度分布及び／又は位相分布に対する変化を含む）を表す。設計レイアウトモデル３３５は、設計レイアウト（これは、パターニングデバイス上の、又はパターニングデバイスによって形成されるフィーチャの配置の表現である）の光学特徴（所与の設計レイアウトによって生じた放射強度分布及び／又は位相分布に対する変化を含む）を表す。空間像３３６は、照明モデル３３１、投影光学系モデル３３２、及び設計レイアウトモデル３３５を用いてシミュレーションされることが可能である。レジスト像３３８は、レジストモデル３３７を用いて空間像３３６からシミュレーションされることが可能である。例えば、リソグラフィのシミュレーションは、レジスト像のコンター及び／又はＣＤを予測することができる。

[0083] より具体的には、照明モデル３３１は、限定されないが、ＮＡ－シグマ（σ）設定、及び任意の特定の照明形状（例えば、環状、四極、ダイポールなどのオフアクシス照明）を含む照明の光学特徴を表し得る。投影光学系モデル３３２は、例えば、収差、ディストーション、屈折率、物理的サイズ、又は物理的寸法などを含む投影光学系の光学特徴を表し得る。設計レイアウトモデル３３５は、例えば、全体として援用される米国特許第７，５８７，７０４号に記載されるような、物理的パターニングデバイスの１つ又は複数の物理的特性も表し得る。リソグラフィ投影装置に関連付けられた光学特性（例えば、照明、パターニングデバイス、及び投影光学系の特性）が、空間像を決定付ける。リソグラフィ投影装置で使用されるパターニングデバイスが変更され得るので、パターニングデバイスの光学特性を、少なくとも照明及び投影光学系（従って、設計レイアウトモデル３３５）を含むリソグラフィ投影装置の残りの部分の光学特性と分けることが望ましい。

[0084] レジストモデル３３７は、空間像からレジスト像を計算するために使用することができ、その一例は、本明細書に全体として援用される米国特許第８，２００，４６８号に見つけることができる。レジストモデルは、一般的に、レジスト層の特性（例えば、露光、ポストベーク、及び／又は現像中に生じる化学プロセスの影響）に関係する。

[0085] シミュレーションの目的は、例えば、エッジ配置、空間像強度傾き、及び／又はＣＤを正確に予測することであり、これらは、その後、意図した設計と比較され得る。意図した設計は、一般に、ＧＤＳＩＩ、ＯＡＳＩＳ又は別のファイルフォーマットなどの標準デジタルファイルフォーマットで提供され得るプリＯＰＣ設計レイアウトとして定義される。

[0086] 設計レイアウトから、１つ又は複数の部分（これらは、「クリップ」と呼ばれる）を識別することができる。ある実施形態では、設計レイアウト内の複雑なパターン（例えば、パターンセット）を表すクリップの一セットが抽出される（任意の数のクリップが使用され得るが、一般的に約５０～１０００個のクリップ）。当業者には理解されるように、これらのパターン又はクリップは、設計の小さな部分（例えば、回路、セルなど）を表し、特別な注意及び／又は検証が必要とされる（例えば、パターンセット）。つまり、クリップは、設計レイアウトの部分でもよく、又は類似していてもよく、又はクリティカルフィーチャが、経験（顧客によって提供されたクリップを含む）によって、試行錯誤によって、若しくはフルチップシミュレーションを実行することによって識別される設計レイアウトの部分の類似挙動を有してもよい。クリップは、１つ又は複数のテストパターン又はゲージパターンを含むことが多い。初期のより大きなクリップのセットが、特定の像最適化を必要とする設計レイアウト内の既知のクリティカルフィーチャエリアに基づいて、顧客によって先験的に提供されてもよい。代替的に、別の実施形態では、初期のより大きなクリップのセットは、クリティカルフィーチャエリアを識別する、以下に説明するようなプロセスを用いて、設計レイアウト全体から抽出されてもよい。

[0087] 例えば、シミュレーション及びモデリングは、パターニングデバイスパターンの１つ若しくは複数のフィーチャ（例えば、光近接効果補正を行うこと）、照明の１つ若しくは複数のフィーチャ（例えば、形状の変更などの照明の空間／角度強度分布の１つ若しくは複数の特徴を変更すること）、及び／又は投影光学系の１つ若しくは複数のフィーチャ（例えば、開口数など）を構成するために使用され得る。このような構成は、一般に、それぞれマスク最適化、ソース最適化、及び投影最適化と呼ばれることがある。このような最適化は、単独で行われてもよく、又は異なる組み合わせで組み合わせられてもよい。そのような１つの例は、ソース－マスク最適化（ＳＭＯ）であり、これは、照明の１つ又は複数のフィーチャと共にパターニングデバイスパターンの１つ又は複数のフィーチャを構成することに関与する。これらの最適化技法は、クリップの１つ又は複数に注目し得る。これらの最適化は、本明細書に記載される機械学習モデルを用いて、様々なパラメータ（像などを含む）の値を予測することができる。

[0088] 幾つかの実施形態では、照明モデル３３１、投影光学系モデル３３２、設計レイアウトモデル３３５、レジストモデル３３７、ＳＭＯモデル、及び／又は集積回路製造プロセスに関連した、及び／又は集積回路製造プロセスに含まれる他のモデルは、本明細書に記載される方法の動作を行う経験的モデルでもよい。経験的モデルは、様々な入力（例えば、マスク又はウェーハ像の１つ又は複数の特徴、設計レイアウトの１つ又は複数の特徴、パターニングデバイスの１つ又は複数の特徴、波長などのリソグラフィプロセスで使用される照明の１つ又は複数の特徴など）間の相関に基づいて、出力を予測することができる。

[0089] 一例として、経験的モデルは、機械学習モデルでもよい。幾つかの実施形態では、機械学習モデルは、数学的方程式、アルゴリズム、プロット、チャート、ネットワーク（例えば、ニューラルネットワーク）、及び／又は他のツール及び機械学習モデル成分でもよく、及び／又はそれらを含んでもよい。例えば、機械学習モデルは、入力層、出力層、及び１つ若しくは複数の中間層若しくは隠れ層を有する１つ若しくは複数のニューラルネットワークでもよく、及び／又はそれ（ら）を含んでもよい。幾つかの実施形態では、１つ又は複数のニューラルネットワークは、ディープニューラルネットワーク（例えば、入力層と出力層との間に、１つ若しくは複数の中間層若しくは隠れ層を有するニューラルネットワーク）でもよく、及び／又はそれらを含んでもよい。

[0090] 一例として、１つ又は複数のニューラルネットワークは、ニューラルユニット（又は人工ニューロン）の大群に基づいてもよい。１つ又は複数のニューラルネットワークは、（例えば、軸索によって接続された生物学的ニューロンの大きなクラスタによって）生物学的脳の機能の仕方を大まかに模倣し得る。あるニューラルネットワークの各ニューラルユニットは、このニューラルネットワークの多数の他のニューラルユニットと接続されてもよい。このような接続は、接続されたニューラルユニットの活性化状態に対するそれらの影響において強制的又は抑制的となり得る。幾つかの実施形態では、各個々のニューラルユニットは、それの全ての入力の値を合計する総和関数を有し得る。幾つかの実施形態では、各接続（又はニューラルユニット自体）は、信号が他のニューラルユニットに伝搬することを許可されるには閾値を超えなければならないような閾値関数を有し得る。これらのニューラルネットワークシステムは、明示的にプログラミングされるのではなく、自己学習及び訓練されてもよく、従来のコンピュータプログラムと比較して、問題解決の特定の分野で、かなり良く機能し得る。幾つかの実施形態では、１つ又は複数のニューラルネットワークは、（例えば、信号経路が前方層から後方層へと横断する）複数の層を含み得る。幾つかの実施形態では、バックプロパゲーション技法が、ニューラルネットワーク（ニューラルネットワークでは、「前方の」ニューラルユニットに対する重みをリセットするために、前方刺激が使用される）によって利用されてもよい。幾つかの実施形態では、１つ又は複数のニューラルネットワークに関する刺激及び抑制は、接続がより無秩序且つ複雑なやり方で相互作用する状態で、より自由に流れてもよい。幾つかの実施形態では、１つ又は複数のニューラルネットワークの中間層は、１つ若しくは複数の畳み込み層、１つ若しくは複数の回帰層、及び／又は他の層を含む。

[0091] １つ又は複数のニューラルネットワークは、訓練データの一セットを用いて訓練され得る（すなわち、それ（ら）のパラメータが決定される）。訓練データは、訓練サンプルの一セットを含み得る。各サンプルは、入力オブジェクト（一般的に、ベクトル（これは、フィーチャベクトルと呼ばれることがある））及び所望の出力値（監視信号とも呼ばれる）を含むペアでもよい。訓練アルゴリズムは、訓練データを分析し、及び訓練データに基づいてニューラルネットワークのパラメータ（例えば、１つ又は複数の層の重み）を調整することによって、ニューラルネットワークの挙動を調整する。例えば、ｘｉが、ｉ番目の例のフィーチャベクトルであり、及びｙｉが、それの監視信号であるような｛（ｘ１、ｙ１）、（ｘ２、ｙ２）、…、（ｘＮ、ｙＮ）｝の形のＮ個の訓練サンプルの一セットを所与として、訓練アルゴリズムは、ニューラルネットワークｇ：Ｘ→Ｙを求める（式中、Ｘは、入力空間であり、及びＹは、出力空間である）。フィーチャベクトルは、あるオブジェクト（例えば、上記の例のウェーハ設計）を表す数値的フィーチャのｎ次元ベクトルである。これらのベクトルに関連付けられたベクトル空間は、フィーチャ空間と呼ばれることが多い。訓練後に、ニューラルネットワークは、新しいサンプルを用いて予測するために使用され得る。

[0092] 上述のように、ＤＣＮＮ及び／又は他の機械学習モデルを訓練してＣＴＭマップを予測するためには、例えば、ユーザが、（例えば、ASML Tachyon製品を介して）訓練データとしてＣＴＭ像を生成する必要がある。しかしながら、ＤＣＮＮを訓練してＣＴＭマップを予測するための訓練パターンセットとして、フルチップＧＤＳにおいてパターンの適切で代表的な部分を選択することは、困難である。手動で選択するには、ユーザが、フルチップＧＤＳ設計について膨大な予備知識を持っており、選択プロセスのために多大な時間を費やすことが必要である。手動での選択に比べれば、ランダム選択は時間がかからないものの、ランダム選択に関連したパターンカバレッジの不確かさ及び安定性の低さにより、ランダム選択は、現実のアプリケーションには不適格である。

[0093] 従来のシステムのこれらの及び他の欠点に対処するために、本方法及び装置は、フルチップＧＤＳファイルからの訓練パターンの選択を自動的に行う効果的なツールをユーザに提供する。本方法及び装置は、従来技術のシステムと比べてより短時間で、パターンセットから代表的なパターンを自動的に選択するように構成される。

[0094] 図４は、ウェーハパターニングプロセスにおける訓練パターンを決定するための本方法４００の動作の概要を示す。図４に示す方法は、（例えば、本明細書で説明するような）ウェーハパターニングプロセスにおいて機械学習モデルを訓練するための方法であるか、又は方法の一部である。この動作は、追加のフィーチャ４４５を用いた強調済パターンセットを形成するために、パターンセット４４３内の一意のパターンから複数のフィーチャを（例えば、フィーチャ生成エンジンを用いて）生成すること４４１と、強調済パターンセット４４５内のパターンを、複数の生成されたフィーチャにおける類似度に基づいて、個々のグループ４４７に（例えば、パターンクラスタリングエンジンを用いて）グループ分けすること４４２と、訓練パターン４４９を決定するために、個々のグループ４４７から代表的なパターン４４８を（例えば、パターン選択エンジンを用いて）選択すること４４４と、を含む。個々のグループ４４７から選択された代表的なパターン４４８（例えば、これは訓練パターン４４９を形成する）を、機械学習モデル（例えば、ＤＣＮＮ－図４には図示せず）に提供して、その機械学習モデルを訓練して、ウェーハパターニングプロセスにおける光近接効果補正（ＯＰＣ）用の連続透過マスク（ＣＴＭ）を予測することがあるか、及び／又は、代表的なパターン４４８を他のアプリケーションのために提供することがある。パターンセット４４３内のパターンは、例えば、フルチップレイアウトＧＤＳファイル４５３に基づいて、例えば、Tachyon PRO（パターン認識及び最適化）製品（及び／又は、他の類似の製品）４５１におけるレイアウトからのパターンコレクタ（ＰＣＬ）機能により生成される、一意のパターンライブラリ４４６であるか、及び／又はその一部であり得る。

[0095] 動作４４１では、複数の生成されたフィーチャは、幾何学的フィーチャ、リソグラフィを意識したフィーチャ、及び／又は他のフィーチャを含む。幾何学的フィーチャは、ターゲットマスク像、頻度マップ、パターン密度マップ、パターンセット中の一意のパターンのパターン出現件数、及び／又は他の幾何学的フィーチャ、のうちの１つ又は複数を含む。リソグラフィを意識したフィーチャは、パターンセット中の一意のパターンの、サブレゾリューション・アシスト・フィーチャ・ガイダンス・マップ（ＳＧＭ）、回折次数、回折パターン、及び／又は、他のリソグラフィを意識したフィーチャ、のうちの１つ又は複数を含む。幾何学的フィーチャ及びリソグラフィを意識したフィーチャは、パターンセット中のパターン毎に生成される。一実施形態では、一組のフィーチャ（幾何学的フィーチャ及び／又はリソグラフィを意識したフィーチャを含む）が、（セット４４３内の）パターン毎に生成される。パターンセット中のパターンから生成される複数のフィーチャは、パターンセットに既に含まれている幾何学的情報及び／又は頂点情報を補うものである。

[0096] 例えば、ＰＣＬ４５１によって生成されるパターンセット４４６（例えば、パターンライブラリ（ＰＬＩＢ））は、個々の一意のパターンに関連した幾何学的情報を含むことがある。しかしながら、個々のパターンの頂点情報のみが、特定のパターン設計を表すために、パターンセット４４６の一部として記憶されることがある。頂点情報は、正確なパターンマッチングのために容易に使用することができるが、頂点情報は、（正確には同じではない）類似のパターンを十分にグループ分けするようにパターングループ化方法を導くには不十分である、というのも、そのようなプロセスは、例えば、ファジーマッチングプロセスであるからである。動作４４２におけるパターングループ分けのロバスト性を改善するために、動作４４１は、幾何学的フィーチャ及びリソグラフィを意識したフィーチャの両方を含む、（例えば、頂点幾何学情報に加えて）個々のパターンに対する追加のフィーチャを生成することを含む。上述のように、幾何学的フィーチャは、ターゲットマスク像、頻度マップ、パターン密度マップ、パターンセット中の一意のパターンのパターン出現件数、及び／又は他の幾何学的フィーチャ、のうちの１つ又は複数を含む。リソグラフィを意識したフィーチャは、パターンセット中の一意のパターンの、サブレゾリューション・アシスト・フィーチャ・ガイダンス・マップ（ＳＧＭ）、回折次数、回折パターン、及び／又は、他のリソグラフィを意識したフィーチャ、のうちの１つ又は複数を含む。しかしながら、この説明は、限定することを意図したものではない。動作４４１は、ユーザの仕様に従って生成される追加のフィーチャ及び／又は異なるフィーチャに拡張するように、ユーザによってカスタマイズされることがある。

[0097] 図５は、図４に示すフィーチャ生成動作４４１の態様を示す。図５に示すように、動作４４１は、幾何学的フィーチャ５０２及びリソグラフィを意識したフィーチャ５０４を生成することを含む。幾何学的フィーチャ５０２及びリソグラフィを意識したフィーチャ５０４は、一組のフィーチャ５０２、５０４がパターン５０１毎に生成されるように、パターンセット４４３（図４）内のパターン５０１のそれぞれに対して生成される。（例えば、フィーチャ生成エンジンにより）動作４４１の一部として生成される幾何学的フィーチャ５０２の例としては、ターゲットマスク像５０６、頻度マップ５０８、パターン密度マップ５１０、及びパターンセット中のパターンのパターン出現件数（カウント）５１２、が挙げられる。（例えば、フィーチャ生成エンジンにより）動作４４１の一部として生成されるリソグラフィを意識したフィーチャ５０４の例としては、ＳＧＭマップ５１４、回折次数５１６、及び回折パターン５１８が挙げられる。これらのフィーチャは単なる例に過ぎず、限定することを意図したものではない。

[0098] 図４に戻ると、動作４４２では、強調済パターンセット４４５内のパターンを個々のグループにグループ分けすることは、（例えば、動作４４１で生成された）複数の生成されたフィーチャにおける類似度に基づく。動作４４２は、教師無し機械学習を使用して行われる。一実施形態では、グループ分けすることは、クラスター化及び／又は他のグループ分け動作を含む。クラスター化は、連続した一連のクラスター化ステップ４５５、４５７、４５９を含み、これらのステップは、異なるクラスター化ステップ４５５、４５７、４５９に対して、複数の生成されたフィーチャのうちの異なるものを使用して実施される。図４に示す例では、クラスター化ステップ４５５は第１のフィーチャに基づいて行われることがあり、クラスター化ステップ４５７は第２のフィーチャに基づいて行われることがあり、クラスター化ステップ４５９（及び／又は任意の他の中間クラスター化ステップ）は、第ｎのフィーチャに基づいて行われることがある。連続した一連のクラスター化ステップ４５５、４５７、４５９は、サブグループ４６１、４６３、４６５から代表的なパターン４４８（動作４４４）を選択して訓練パターン４４９を決定するように、パターンセット中の一意のパターンの対応するサブグループ４６１、４６３、４６５を形成する。

[0099] 図６は、図４に示す動作４４２に関連した追加の詳細を示す。例えば、図６は、（例えばフィーチャ生成エンジンによって、例えば図４に示す動作４４１において生成された）複数の生成されたフィーチャにおける類似度に基づいて、強調済パターンセット４４５中のパターンを個々のグループにクラスター化することを示す。パターンは多次元のフィーチャを呈するので、クラスター化は、個々のフィーチャに基づいて実行されることがある。図６に示すクラスター化は、各パターンに対して教師無し機械学習によって行われることがあり、この際、パターン毎に複数のフィーチャを段階的に検討して、多次元のフィーチャにおける類似性を共に共有するパターンをグループ分けする（例えば、図６に示すグループのブランチ及びサブブランチを形成する）。ユーザは、例えば、パターンをクラスター化するために使用すべきフィーチャ、及びクラスター化するためのフィーチャの順序、を定義することがある。図６に示す例では、クラスター化は、連続した一連のクラスター化ステップ４５５、４５７、４５９を含み、これらのステップは、異なるクラスター化ステップ４５５、４５７、４５９に対して、複数の生成されたフィーチャのうちの（例えば、ユーザによって独自性及び順序が定義された）異なるものを使用して実施される。例えば、クラスター化ステップ４５５は第１のフィーチャに基づいて行われることがあり、クラスター化ステップ４５７は第２のフィーチャに基づいて行われることがあり、クラスター化ステップ４５９（及び／又は任意の他の中間クラスター化ステップ）は、第ｎのフィーチャに基づいて行われることがある。連続した一連のクラスター化ステップ４５５、４５７、４５９は、一意のパターンの、対応するサブグループ４６１（例えば、グループＡ及びＢ）、４６３（例えば、グループＡ－ａ、Ａ－ｂ、Ｂ－ａ、Ｂ－ｂ、Ｂ－ｃ）、及び４６５（例えば、Ａ－ａ－ｎ、Ａ－ｂ－ｎ、Ｂ－ａ－ｎ、Ｂ－ｂ－ｎ、Ｂ－ｃ－ｎ等）を形成する。図６（クラスター化ステップ４５９）に示す階層の第ｎ層におけるグループのパターンは、例えば、ｎ種類のフィーチャにおける類似度を共有する。

[00100] 一実施形態では、連続した一連のクラスター化ステップ４５５、４５７、４５９は、所与のステップについて所与のフィーチャを使用して実施される、交差検証ステップを含む。交差検証ステップは、個々のクラスター化ステップ４５５、４５７、４５９においてクラスター化されるグループの数を調節すること、所与のサブグループにどの一意のパターンが含まれるかを決定及び／又は調節すること、及び／又は他の交差検証動作、を含む。一実施形態では、交差検証ステップは、個々のクラスター化ステップ４５５、４５７、４５９においてクラスター化されるグループの数を最適化すること、所与のサブグループにどの一意のパターンが含まれるかを最適化すること、及び／又は他の交差検証動作、を含む。

[00101] 一実施形態では、クラスター化及び／又は交差検証は、ｋ平均法及び／又は他のクラスタリング方法などの、機械学習クラスタリング方法を含む。ｋ平均法は、ｎ個の観測値をｋ個のクラスターに分割するように構成され、ここでは、各観測値は、クラスターの代表的な例としてはたらく、最も近い平均値を持つクラスターに属する。これは、結果的に、データ空間をボロノイセルに分割する。一組のパターン（ｘ_１、ｘ_２、...、ｘ_ｎ）及びそれに対応するフィーチャのうちの１つが与えられると、ｋ平均法が、ｎ個の観測値をｋ（≦ｎ）個の組Ｓ＝{Ｓ_１、Ｓ_２、...、Ｓ_ｋ}に分割して、クラスター内の二乗和を最小化するように構成されるように、フィーチャがｄ次元の実ベクトルとして扱われることがある。正式には、目的は、以下を見つけることである。

但し、μ_ｉは、Ｓ_ｉにおけるポイントの平均である。

[00102] ｋ平均法は効率的なクラスタリング方法であるが、欠点の１つは、クラスター化を行う前に、クラスターの数ｋを指定する必要があることである。ｋ平均法プロセス毎にクラスターの数を予め選択する必要性を解決するために、本装置及び方法は、ｋの値（例えば、最適な値）を決定するためのエルボー方法を用いて、ｋ重の交差検証チェックを行うように構成される。エルボー方法は、ある範囲のｋの値（例えば、１～１４のｋ、これは、限定することを意図したものではない）に渡って、データセットに対してｋ平均法を実行することと、ｋの各値について、二乗誤差の合計（ＳＳＥ）を決定することと、を含む。ＳＳＥが決定された後、ｋの各値についてＳＳＥの折れ線グラフがプロットされる。

[00103] 図７は、ｋの値７０４に対するＳＳＥ７０２の例示的な折れ線グラフプロット７００を示す。折れ線グラフプロット７００が腕のよう見える場合、腕の「エルボー（肘）」７０６は、ｋの最適な値に対応する。原則的に、比較的に小さいＳＳＥが好ましいが、ＳＳＥは、ｋが増加するにつれてゼロに向かって減少する傾向がある（ｋが、データセット内のデータポイントの数に等しいとき、ＳＳＥは０である。というのも、このとき、各データポイントはそれ自体のクラスターとなり、これとそのクラスターの中心との間の誤差はなくなるからである）。本方法及び装置は、依然として低いＳＳＥを有する小さな値のｋを決定するように構成され、折れ線グラフプロット７００の「エルボー（肘）」７０６は、ｋを増加させると収穫逓減がもたらされる折れ線グラフプロット７００の位置に相当する。例えば、図７では、「エルボー（肘）」７０６はｋ＝５にあり、この例示的なデータセットの最適なｋは５であることを示している。ｋが５を超えて増加すると、ＳＳＥ７０２は、ゼロに近づくように次第に変化が小さくなる。

[00104] 本方法及び装置は、ｋの値毎に二乗誤差の合計を決定するために、ｋ重の交差検証チェックが行われるように構成される。ｋ重の交差検証では、元のサンプルが、ｐ個の等しいサイズのサブサンプルにランダムに分割される。ｐ個のサブサンプルのうち、単一のサブサンプルが、二乗誤差の合計を決定するための検証データとして保持され、残りの（ｐ－１）個のサブサンプルは、ｋ平均法の訓練データとして使用される。次いで、交差検証プロセスがｐ回繰り返され、その際、ｐ個のサブサンプルのそれぞれが、検証データとして１回だけ使用される。次いで、ｐ個の結果を平均して、二乗誤差の合計の単一の推定値を生成することができる。ランダムなサブサンプリングの繰り返しに対するこの方法の利点は、個々の観測値が訓練と検証との両方に使用されること、及び、個々の観測値が１回だけ検証に使用されること、である。

[00105] 非限定的な例として、図８は、ｋ＝４であるｋ重の交差検証を示す。図８に示すように、元のサンプル８００は、ｐ個の等しいサイズのサブサンプル８０２（例えば、各サブサンプル８０２内に５個のドットがある）にランダムに分割される。図８では、サンプル８００にはｐ＝４個のサブサンプルがある。ｐ＝４個のサブサンプルのうち、単一のサブサンプル８０４が、二乗誤差の合計を決定するための検証データ８０６として保持され、残りの（ｐ－１）個のサブサンプル８０２は、ｋ平均法の訓練データ８０８として使用される。次いで、交差検証プロセスがｐ回繰り返され、その際、ｐ個のサブサンプルのそれぞれが、検証データ（例えば、８１０、８１２、８１４）として１回だけ使用される。次いで、ｐ個の結果を平均して、二乗誤差の合計の単一の推定値を生成することができる。

[00106] 図４に戻ると、訓練パターン１０５を決定するために個々のグループ４４７から代表的なパターン４４８を選択すること４４４は、対応する数のグループ４４７（例えば、グループＧ（１）、Ｇ（２）、...、Ｇ（Ｍ））からターゲット数（「Ｍ」）４６７の代表的なパターン４４８を選択することを含む。一実施形態では、訓練パターン４４９を決定するためにターゲット数４６７の個々のグループ４４７から代表的なパターン４４８を選択することは、ターゲット数４６７（Ｇ（１）、Ｇ（２）、...、Ｇ（Ｍ））の個々のグループ４４７から、最も中央のパターン４６９（図４に示すように、ＣＰ（１）、ＣＰ（２）、...、ＣＰ（Ｍ））を選択することを含む。

[00107] 一実施形態では、所与のグループ（ＣＰ（１）、ＣＰ（２）、...、ＣＰ（Ｍ））からの最も中央のパターン４６９とは、個々のグループ内の他のパターンと比べて、その個々のグループの、特定のフィーチャ空間の重心に最も近いパターンである。例えば、特定のフィーチャ空間とは、ターゲットマスク像フィーチャ空間、頻度マップフィーチャ空間、パターン密度マップフィーチャ空間、パターン出現件数フィーチャ空間、ＳＧＭフィーチャ空間、回折次数フィーチャ空間、回折パターンフィーチャ空間、及び／又は他のフィーチャ空間であり得る。一実施形態では、本方法及び装置は、デフォルトで、ターゲットマスク像フィーチャ空間を使用して中央サンプルを選択するように構成されることがある。しかしながら、強調済パターンセット（例えば、図４の４４５）における各サンプルは、多次元フィーチャ（例えば、頻度マップ、パターン密度マップ、等）を含むので、本方法及び装置は、ユーザが、フィーチャ空間を指定するか、及び／又は呼応してターゲットフィーチャに基づいて中央サンプルを選択することができるように、構成されることがある。

[00108] 本方法及び装置は、総数（Ｎ）の個々のグループ４４７があると仮定し、Ｎが代表的なパターン４４８のターゲット数Ｍ４６７よりも大きいことに応答して、代表的な例示的パターンセットとしてＭ個のパターンをＮ個のグループから選択して、訓練パターン４４９として使用するように、構成される。Ｍ個の選択されたパターンは、所与の（例えば、ユーザが選択した）フィーチャ空間（例えば、デフォルトでターゲットマスク像フィーチャ空間）における、訓練パターン４４９の変動量を最大化するように構成される。

[00109] 図９は、訓練パターン（例えば、図４の４４９）として使用するための代表的な例示的パターンセットを形成するための、ｎ個のグループ９００（例えば、図９の「ｎ」は上述した「Ｎ」と同様）からのパターン選択を示す。グループ９００は、像９０１（例えば、クリップ）Ｃ１９０２、Ｃ２９０４、...、Ｃｎ９０６によって形成される。図９に示すように、Ｈピクセル×Ｗピクセル（例えば、Ｈ×Ｗ）のサンプル像サイズを伴う、ｎ個のサンプル（例えば、異なるパターンのｎ個の像（又はクリップ））を含むパターンセットの場合、Ｃ_ｊＰ_ｉは、ｊ番目の像（クリップ）におけるｉ番目のピクセルを示し、ここで、
ｊ∈［１，ｎ］，ｉ∈［１，Ｈ^＊Ｗ］
である。ピクセルＰ_ｉについて、異なる像に沿ったＰ_ｉの変動量は、次式で与えられる。

上記の式における各項（Ｐ_ｉｊ－Ｐ_ｉ）^２について、同じピクセル位置のｎ個の像の中のｊ番目のピクセルの変動量が決定され、全てのＨ×Ｗピクセルのピクセル変動量を合計して、代表的な例示的パターンセットとしてＮ個のグループからＭ個のパターンを選択するための基準を示し、この選択基準は、訓練パターンにおける変動量を最大化するように構成される。

[00110] 図４に戻ると、上述のように、本方法及び装置は、（例えば、ターゲットマスク像フィーチャ空間における）訓練パターン４４９の変動量を最大化するように、Ｎ個の候補からＭ個のサンプルを選択する（Ｍ＜Ｎ）ように、構成される。一実施形態では、訓練パターン４４９を決定することは、訓練パターン４４９が最大量の変動を有するように、全てのＮ個の候補に渡ってグローバル検索方法を実施することを含むことがある。グローバル検索方法は、非勾配検索であるので、候補のパターン及びグループの全ての順列を横断することを含む。順列の総数は、次式の通りである。

[00111] 一般的に、ＭとＮは両方とも、数百更には数千よりも大きい場合が多い。従って、順列の総数は、非常に大きな数になる。これにより、限られた実行可能な量の時間内に全ての順列を横断することは、困難になる。

[00112] 一実施形態では、Ｎ個の候補からＭ個のサンプルを選択するために、異なる方法を使用することがある。一実施形態では、代表的なパターン４４８のターゲット数４６７は、停止基準及び／又は他の情報に基づいて決定される。停止基準は、訓練パターン４４９における変動量を促進するように構成される。停止基準は、以前の訓練パターンからの情報に基づいて決定されることも、ユーザによって入力及び／又は選択されることも、本装置の製造時に決定されることも、及び／又は他の方法で決定されることもある。一実施形態では、方法４００は、訓練パターン４４９における変動の量を決定することを含む。一実施形態では、停止基準は、訓練パターン４４９における変動の量が変動量閾値を確実に超えるように、構成される。変動量閾値は、以前の訓練パターンからの情報に基づいて決定されることも、ユーザによって入力及び／又は選択されることも、本装置の製造時に決定されることも、及び／又は他の方法で決定されることもある。

[00113] 一実施形態では、代表的なパターン４４８のターゲット数４６７は、総数（Ｎ）の個々のグループ４４７からランダムに選択される（Ｍ個のグループからランダムにパターンを選択する）。一実施形態では、代表的なパターンのターゲット数は、訓練パターンにおける変動量が変動量閾値を超えないことに応答して、及び／又は、後で選択される訓練パターン４４９における変動量が訓練パターン４４９の直前の反復に比べて増加していることに応答して、及び／又は他の理由で、再びランダムに選択される。例えば、訓練パターン４４９における変動量は、総数ＮのグループからのＭ個のグループからパターンをランダムに選択する反復の後で、決定されることがある。現在の反復の変動が、以前の反復よりも大きい場合（例えば、変動量が増加することが望ましいので）、訓練パターン４４９が更新されることがある（例えば、訓練パターン４４９を構成するランダムに選択されたパターンが、ランダムに再選択されることがある）。停止基準は、反復の最大回数（例えば、Ｎ＿ｉｔｅｒ＞ｍａｘ＿ｉｔｅｒ）、閾値を超える変動量（例えば、変動量≧閾値）、最大反復時間の超過、及び／又は他の停止基準であり得るか、及び／又はそれらを含むことがある。この検索方法は、時間的に実行可能であり、（例えば、十分な）変動量を有する訓練セットを駆動することができる。

[00114] 一実施形態では、方法４００は更に、畳み込み型深層ニューラルネットワーク及び／又は他の機械学習モデルに訓練パターン４４９を提供して（図４には図示せず）、畳み込み型深層ニューラルネットワークを訓練することを含む。一実施形態では、方法４００は更に、訓練された畳み込み型深層ニューラルネットワークを使用して、ウェーハパターニングプロセスの一部として、光近接効果補正を実施すること（やはり図４には図示せず）を含む。例えば、訓練パターン４４９（例えば、本明細書に記載するように、フルチップＧＤＳに基づいて生成される）を、畳み込み型深層ニューラルネットワーク及び／又は他の機械学習モデルを訓練してＣＴＭマップを予測するために、提供することがある。訓練パターン４４９（例えば、連続透過マスク（ＣＴＭ）像）は、訓練のために機械学習モデル（例えば、ＤＣＮＮ）に提供される代表的なパターンセットであり、それにより、例えば、フルチップＯＰＣ用途のために、機械学習モデル（例えば、ＤＣＮＮ）によって、正確なＣＴＭマップが予測されるようになる。このより正確なＣＴＭマップにより、リソグラフィホットスポットがより少なくなり、及びプロセスウィンドウの制限がより小さくなり、及び／又は、（例えば、空間像、レジスト像等に関連した）リソグラフィ性能仕様を満足しようとする場合に、後続のマスク補正動作中の難しさが低減されることがある。方法４００の他の用途も想定されている。

[00115] 図１０は、本明細書に開示する方法、フロー、装置の実施を支援し得るコンピュータシステム１００を示すブロック図である。コンピュータシステム１００は、バス１０２又は情報を通信するための他の通信機構と、情報を処理するためにバス１０２と結合されたプロセッサ１０４（又は複数のプロセッサ１０４及び１０５）とを含む。コンピュータシステム１００は、ランダムアクセスメモリ（ＲＡＭ）又は他の動的ストレージデバイスなどの、プロセッサ１０４によって実行される情報及び命令を保存するためにバス１０２に結合されたメインメモリ１０６も含む。メインメモリ１０６は、プロセッサ１０４によって実行される命令の実行中に、一時変数又は他の中間情報を保存するためにも使用されてもよい。コンピュータシステム１００は、リードオンリーメモリ（ＲＯＭ）１０８、又はプロセッサ１０４のための静的情報及び命令を保存するためにバス１０２に結合された他の静的ストレージデバイスをさらに含む。情報及び命令を保存するための磁気ディスク又は光ディスクなどのストレージデバイス１１０が設けられると共に、バス１０２に結合される。

[00116] コンピュータシステム１００は、バス１０２を介して、情報をコンピュータユーザに表示するための、陰極線管（ＣＲＴ）、フラットパネル、又はタッチパネルディスプレイなどのディスプレイ１１２に結合されてもよい。英数字及び他のキーを含む入力デバイス１１４が、情報及びコマンド選択をプロセッサ１０４に通信するためにバス１０２に結合される。別のタイプのユーザ入力デバイスは、プロセッサ１０４に方向情報及びコマンド選択を通信するため、及びディスプレイ１１２上でカーソルの移動を制御するための、マウス、トラックボール、又はカーソル方向キーなどのカーソル制御部１１６である。この入力デバイスは、一般的に、２つの軸（第１の軸（例えばｘ）及び第２の軸（例えばｙ））において、デバイスがある面内で位置を特定することを可能にする２つの自由度を有する。タッチパネル（スクリーン）ディスプレイが、入力デバイスとして使用されてもよい。

[00117] ある実施形態によれば、本明細書における１つ又は複数の方法の部分は、メインメモリ１０６に含まれる１つ又は複数の命令の１つ又は複数のシーケンスを実行するプロセッサ１０４に応答して、コンピュータシステム１００によって行われてもよい。このような命令は、ストレージデバイス１１０などの別のコンピュータ可読媒体からメインメモリ１０６に読み込まれてもよい。メインメモリ１０６に含まれる命令のシーケンスの実行は、プロセッサ１０４に本明細書に記載のプロセスステップを行わせる。メインメモリ１０６に含まれる命令のシーケンスを実行するために、多重処理構成の１つ又は複数のプロセッサが用いられてもよい。ある代替実施形態では、ソフトウェア命令の代わりに、又はソフトウェア命令と一緒に、ハードワイヤード回路が用いられてもよい。従って、本明細書の記載は、ハードウェア回路及びソフトウェアの特定の組み合わせに限定されない。

[00118] 本明細書で使用される「コンピュータ可読媒体」という用語は、実行のためにプロセッサ１０４に命令を提供することに関与するあらゆる媒体を指す。このような媒体は、限定されないが、不揮発性媒体、揮発性媒体、及び伝送媒体を含む、多くの形態をとり得る。不揮発性媒体は、例えば、ストレージデバイス１１０などの光又は磁気ディスクを含む。揮発性媒体は、メインメモリ１０６などの動的メモリを含む。伝送媒体は、同軸ケーブル、銅線及び光ファイバ（バス１０２を含むワイヤを含む）を含む。伝送媒体は、無線周波数（ＲＦ）及び赤外線（ＩＲ）データ通信中に生成されるものなどの、音波又は光波の形態もとり得る。コンピュータ可読媒体の一般的形態は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、その他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤ、その他の光媒体、パンチカード、紙テープ、孔のパターンを有したその他の物理媒体、ＲＡＭ、ＰＲＯＭ、及びＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、その他のメモリチップ又はカートリッジ、以下に記載されるような搬送波、又はコンピュータが読み取ることができるその他の媒体を含む。

[00119] コンピュータ可読媒体の様々な形態が、実行のためにプロセッサ１０４に１つ又は複数の命令の１つ又は複数のシーケンスを運ぶことに関与してもよい。例えば、命令は、最初は、リモートコンピュータの磁気ディスクにある場合がある。リモートコンピュータは、命令をそれの動的メモリにロードし、及びモデムを使用して電話回線上で命令を送ることができる。コンピュータシステム１００にローカルなモデムが、電話回線上のデータを受信し、及び赤外線送信機を用いてデータを赤外線信号に変換することができる。バス１０２に結合された赤外線検出器が、赤外線信号で搬送されたデータを受信し、及びそのデータをバス１０２にのせることができる。バス１０２は、データをメインメモリ１０６に搬送し、そこからプロセッサ１０４が、命令の読み出し及び実行を行う。メインメモリ１０６によって受信された命令は、任意選択的に、プロセッサ１０４による実行の前又は後に、ストレージデバイス１１０に保存されてもよい。

[00120] コンピュータシステム１００は、バス１０２に結合された通信インターフェース１１８も含み得る。通信インターフェース１１８は、ローカルネットワーク１２２に接続されたネットワークリンク１２０に結合する双方向データ通信も提供する。例えば、通信インターフェース１１８は、対応するタイプの電話回線にデータ通信接続を提供するデジタル総合サービス網（ＩＳＤＮ）カード又はモデムでもよい。別の例として、通信インターフェース１１８は、互換性のあるＬＡＮへのデータ通信接続を提供するローカルエリアネットワーク（ＬＡＮ）カードでもよい。ワイヤレスリンクが実施されてもよい。このような実施において、通信インターフェース１１８は、様々なタイプの情報を表すデジタルデータストリームを搬送する電気、電磁、又は光信号の送信及び受信を行う。

[00121] ネットワークリンク１２０は、一般的に、１つ又は複数のネットワークを通して、他のデータデバイスにデータ通信を提供する。例えば、ネットワークリンク１２０は、ローカルネットワーク１２２を通して、ホストコンピュータ１２４又はインターネットサービスプロバイダ（ＩＳＰ）１２６によって操作されるデータ機器への接続を提供することができる。ＩＳＰ１２６は、次に、ワールドワイドパケットデータ通信ネットワーク（現在、一般に「インターネット」１２８と呼ばれる）によるデータ通信サービスを提供する。ローカルネットワーク１２２及びインターネット１２８は共に、デジタルデータストリームを搬送する電気、電磁、又は光信号を使用する。コンピュータシステム１００に対して、及びコンピュータシステム１００からデジタルデータを搬送する、様々なネットワークを通る信号、及びネットワークリンク１２０上の、及び通信インターフェース１１８を通る信号は、情報を運ぶ搬送波の形態例である。

[00122] コンピュータシステム１００は、１つ又は複数のネットワーク、ネットワークリンク１２０、及び通信インターフェース１１８を通して、メッセージを送信すること、及びプログラムコードを含むデータを受信することができる。インターネット例では、サーバ１３０は、インターネット１２８、ＩＳＰ１２６、ローカルネットワーク１２２、及び通信インターフェース１１８を通して、アプリケーションプログラムの要求コードを送信する場合がある。そのようなダウンロードされたあるアプリケーションは、本明細書における方法の全て又は一部を提供することができる。受信されたコードは、受信された際にプロセッサ１０４によって実行されてもよく、及び／又は後で実行するためにストレージデバイス１１０又は他の不揮発性ストレージに保存されてもよい。このようにして、コンピュータシステム１００は、搬送波の形態のアプリケーションコードを取得してもよい。

[00123] 図１１は、本明細書に記載する技術と組み合わせて使用できる例示的リソグラフィ投影装置を模式的に描く。この装置は、以下を含む：
－放射ビームＢを調節するための照明システムＩＬ。この特定のケースでは、照明システムは、放射源ＳＯも含む；
－パターニングデバイスＭＡ（例えば、レチクル）を保持するためのパターニングデバイスホルダを備え、且つアイテムＰＳに対してパターニングデバイスを正確に位置決めするための第１のポジショナに接続された第１のオブジェクトテーブル（例えば、パターニングデバイステーブル）ＭＴ；
－基板Ｗ（例えば、レジストコートシリコンウェーハ）を保持するための基板ホルダを備え、且つアイテムＰＳに対して基板を正確に位置決めするための第２のポジショナに接続された第２のオブジェクトテーブル（基板テーブル）ＷＴ；
－パターニングデバイスＭＡの照射部分を基板Ｗのターゲット部分Ｃ（例えば、１つ又は複数のダイを含む）上に結像する投影システム（「レンズ」）ＰＳ（例えば、屈折型、反射型、又は反射屈折型光学システム）。

[00124] 本明細書で描かれるように、本装置は、透過型（すなわち、透過型パターニングデバイスを有する）である。しかし一般に、それは、例えば反射型（反射型パターニングデバイスを有する）でもよい。本装置は、従来のマスクとは異なる種類のパターニングデバイスを用いてもよく、例には、プログラマブルミラーアレイ又はＬＣＤマトリックスが含まれる。

[00125] ソースＳＯ（例えば、水銀ランプ又はエキシマレーザ、ＬＰＰ（レーザ生成プラズマ）ＥＵＶソース）は、放射ビームを生成する。このビームは、照明システム（イルミネータ）ＩＬに対して、そのまま、又は例えばビームエキスパンダＥｘなどの調節手段を横断した後に、供給される。イルミネータＩＬは、ビームの強度分布の外側及び／又は内側半径範囲（一般的に、それぞれσ-outer及びσ-innerと呼ばれる）を設定するための調節手段ＡＤを含み得る。さらにそれは、一般に、インテグレータＩＮ及びコンデンサＣＯなどの様々な他のコンポーネントを含む。このようにして、パターニングデバイスＭＡに衝突するビームＢは、断面に所望の均一性及び強度分布を有する。

[00126] 図１０に関して、ソースＳＯは、リソグラフィ投影装置のハウジング内に位置してもよいが（大抵の場合、ソースＳＯが、例えば水銀ランプのとき）、リソグラフィ投影装置から離れた位置にあり、それが生成する放射ビームが装置内に導き入れられてもよい（例えば、適宜の誘導ミラーを用いて）ことに留意されたい。この後者のシナリオは、ソースＳＯがエキシマレーザ（例えば、ＫｒＦ、ＡｒＦ、又はＦ２レージングに基づく）であるケースが多い。

[00127] 続いて、ビームＰＢは、パターニングデバイステーブルＭＴ上に保持されるパターニングデバイスＭＡと交差する。ビームＢは、パターニングデバイスＭＡを横断した後、ビームＢの焦点を基板Ｗのターゲット部分Ｃに合わせるレンズＰＬを通過する。第２の位置決め手段（及び干渉測定手段ＩＦ）を用いて、例えば異なるターゲット部分ＣをビームＰＢのパス内に位置決めするように、基板テーブルＷＴを正確に移動させることができる。同様に、例えば、パターニングデバイスライブラリからのパターニングデバイスＭＡの機械検索後に、又はスキャン中に、第１の位置決め手段を用いて、ビームＢのパスに対してパターニングデバイスＭＡを正確に位置決めすることができる。一般に、オブジェクトテーブルＭＴ、ＷＴの移動は、図１１には明示的に描かれない、ロングストロークモジュール（粗動位置決め）及びショートストロークモジュール（微動位置決め）を用いて実現される。但しステッパの場合は（ステップアンドスキャンツールとは対照的に）、パターニングデバイステーブルＭＴは、ショートストロークアクチュエータのみに接続されてもよく、又は固定されてもよい。

[00128] 描かれたツールは、２つの異なるモードで使用され得る：
－ステップモードでは、パターニングデバイステーブルＭＴは、基本的に静止したままであり、及びパターニングデバイス像全体が、一回（すなわち、単一の「フラッシュ」）でターゲット部分Ｃ上に投影される。次いで、異なるターゲット部分ＣがビームＰＢによって照射され得るように、基板テーブルＷＴが、ｘ及び／又はｙ方向にシフトされる；
－スキャンモードでは、所与のターゲット部分Ｃが、単一の「フラッシュ」で露光されないことを除き、基本的に同じシナリオが当てはまる。代わりに、パターニングデバイステーブルＭＴは、投影ビームＢがパターニングデバイス像上をスキャンさせられるように、速度ｖで、所与の方向（いわゆる「スキャン方向」、例えば、ｙ方向）に移動可能である。並行して、基板テーブルＷＴが、速度Ｖ＝Ｍｖ（Ｍは、レンズＰＬの倍率である（一般的に、Ｍ＝１／４又は１／５））で、同じ又は反対方向に同時に移動される。このようにして、解像度を妥協する必要なしに、比較的大きなターゲット部分Ｃを露光させることができる。

[00129] 図１２は、本明細書に記載される技術と共に利用することができる別の例示的リソグラフィ投影装置１０００を模式的に示す。

[00130] リソグラフィ投影装置１０００は、以下を含む：
－ソースコレクタモジュールＳＯ
－放射ビームＢ（例えば、ＥＵＶ放射）を調節するように構成された照明システム（イルミネータ）ＩＬ。
－パターニングデバイス（例えば、マスク又はレチクル）ＭＡを支持するように構築され、且つパターニングデバイスを正確に位置決めするように構成された第１のポジショナＰＭに接続されたサポート構造（例えば、パターニングデバイステーブル）ＭＴ；
－基板（例えば、レジストコートウェーハ）Ｗを保持するように構築され、且つ基板を正確に位置決めするように構成された第２のポジショナＰＷに接続された基板テーブル（例えば、ウェーハテーブル）ＷＴ；及び
－パターニングデバイスＭＡによって放射ビームＢに付与されたパターンを基板Ｗのターゲット部分Ｃ（例えば、１つ又は複数のダイを含む）上に投影するように構成された投影システム（例えば、反射型投影システム）ＰＳ。

[00131] 図１２に描かれるように、装置１０００は、反射型（例えば、反射型パターニングデバイスを用いる）である。ほとんどの材料が、ＥＵＶ波長範囲内で吸収性であるので、パターニングデバイスは、例えば、モリブデン及びシリコンのマルチスタックを含む多層リフレクタを有し得ることに留意されたい。一例では、マルチスタックリフレクタは、各層の厚さが４分の１波長である、モリブデン及びシリコンの４０層ペアを有する。さらに小さな波長が、Ｘ線リソグラフィを用いて生成され得る。ほとんどの材料が、ＥＵＶ及びｘ線波長で吸収性であるので、パターニングデバイストポグラフィ上の薄い一片のパターン付き吸収材料（例えば、多層リフレクタ上のＴａＮアブゾーバ）は、どこにフィーチャが印刷され（ポジ型レジスト）、又は印刷されないか（ネガ型レジスト）を定義する。

[00132] イルミネータＩＬが、ソースコレクタモジュールＳＯから極端紫外線放射（ＥＵＶ）ビームを受ける。ＥＵＶ放射を生成する方法は、必ずしも限定されないが、ＥＵＶ範囲において１つ又は複数の輝線を備えた少なくとも１つの元素（例えば、キセノン、リチウム、又はスズ）を有するプラズマ状態に材料を変換することを含む。レーザ生成プラズマ（「ＬＰＰ」）と呼ばれることが多い、そのような１つの方法では、プラズマは、線発光元素を有する材料の小滴、ストリーム、又はクラスタなどの燃料をレーザビームで照射することによって生成され得る。ソースコレクタモジュールＳＯは、燃料を励起するレーザビームを提供するレーザ（図１２では不図示）を含むＥＵＶ放射システムの一部でもよい。その結果生じるプラズマが、出力放射（例えば、ＥＵＶ放射）を放出し、これが、ソースコレクタモジュールに配置される放射コレクタを用いて収集される。レーザ及びソースコレクタモジュールは、例えば、燃料励起用のレーザビームを提供するためにＣＯ２レーザが使用される場合には、別個のエンティティでもよい。

[00133] このようなケースでは、レーザは、リソグラフィ装置の一部を形成するとは見なされず、及び放射ビームは、例えば、適宜の誘導ミラー及び／又はビームエキスパンダを含むビームデリバリシステムを用いて、レーザからソースコレクタモジュールへと渡される。他のケースでは、例えばソースが、ＤＰＰソースと呼ばれることが多い、放電生成プラズマＥＵＶジェネレータである場合に、ソースは、ソースコレクタモジュールの一体化部分でもよい。ある実施形態では、ＤＵＶレーザ源が使用されてもよい。

[00134] イルミネータＩＬは、放射ビームの角度強度分布を調節するためのアジャスタを含み得る。一般に、イルミネータの瞳面の強度分布の少なくとも外側及び／又は内側半径範囲（一般的に、それぞれσ-outer及びσ-innerと呼ばれる）が、調節され得る。さらに、イルミネータＩＬは、ファセットフィールド及び瞳ミラーデバイスなどの様々な他のコンポーネントを含み得る。イルミネータを使用して、断面に所望の均一性及び強度分布を有するように放射ビームを調整することができる。

[00135] 放射ビームＢは、サポート構造（例えば、パターニングデバイステーブル）ＭＴ上に保持されるパターニングデバイス（例えば、マスク）ＭＡに入射し、及びパターニングデバイスによってパターン付けされる。放射ビームＢは、パターニングデバイス（例えば、マスク）ＭＡから反射された後、ビームの焦点を基板Ｗのターゲット部分Ｃに合わせる投影システムＰＳを通過する。第２のポジショナＰＷ及び位置センサＰＳ２（例えば、干渉デバイス、リニアエンコーダ、又は静電容量センサ）を用いて、例えば異なるターゲット部分Ｃを放射ビームＢのパス内に位置決めするように、基板テーブルＷＴを正確に移動させることができる。同様に、第１のポジショナＰＭ及び別の位置センサＰＳ１を用いて、放射ビームＢのパスに対してパターニングデバイス（例えば、マスク）ＭＡを正確に位置決めすることができる。パターニングデバイス（例えば、マスク）ＭＡ及び基板Ｗは、パターニングデバイスアライメントマークＭ１、Ｍ２及び基板アライメントマークＰ１、Ｐ２を用いてアライメントされてもよい。

[00136] 描かれた装置１０００は、以下のモードの少なくとも１つで使用され得る：

[00137] １．ステップモードでは、放射ビームに付与されたパターン全体が、一回でターゲット部分Ｃ上に投影される間に、サポート構造（例えば、パターニングデバイステーブル）ＭＴ及び基板テーブルＷＴは、基本的に静止したままである（すなわち、単一静的露光）。次いで、異なるターゲット部分Ｃが露光され得るように、基板テーブルＷＴが、Ｘ及び／又はＹ方向にシフトされる。

[00138] ２．スキャンモードでは、放射ビームに付与されたパターンが、ターゲット部分Ｃ上に投影される間に、サポート構造（例えば、パターニングデバイステーブル）ＭＴ及び基板テーブルＷＴは、同期してスキャンされる（すなわち、単一動的露光）。サポート構造（例えば、パターニングデバイステーブル）ＭＴに対する基板テーブルＷＴの速度及び方向は、投影システムＰＳの縮小及び像反転特性によって決定され得る。

[00139] ３．別のモードでは、放射ビームに付与されたパターンが、ターゲット部分Ｃ上に投影される間に、サポート構造（例えば、パターニングデバイステーブル）ＭＴは、プログラマブルパターニングデバイスを保持して基本的に静止したままであり、且つ基板テーブルＷＴは、移動又はスキャンされる。このモードでは、一般にパルス放射源が用いられ、及びプログラマブルパターニングデバイスが、基板テーブルＷＴの各移動後に、又はスキャン中の連続する放射パルスの合間に、必要に応じて更新される。この動作モードは、上記で言及したようなタイプのプログラマブルミラーアレイなどのプログラマブルパターニングデバイスを利用するマスクレスリソグラフィに容易に適用することができる。

[00140] 図１３は、ソースコレクタモジュールＳＯ、照明システムＩＬ、及び投影システムＰＳを含む装置１０００をより詳細に示す。ソースコレクタモジュールＳＯは、ソースコレクタモジュールＳＯの閉鎖構造２２０内で真空環境が維持され得るように、構築及び配置される。ＥＵＶ放射放出プラズマ２１０は、放電生成プラズマ源によって形成され得る。ＥＵＶ放射は、ガス又は蒸気（例えば、電磁スペクトルのＥＵＶ範囲内の放射を放出するために、超高温プラズマ２１０が作られるＸｅガス、Ｌｉ蒸気、又はＳｎ蒸気）によって生成され得る。超高温プラズマ２１０は、例えば、少なくとも部分的にイオン化されたプラズマを生じさせる放電によって作られる。Ｘｅ、Ｌｉ、Ｓｎ蒸気又は任意のその他の適宜のガス若しくは蒸気の例えば１０Ｐａの分圧が、放射の効率的生成に必要とされ得る。ある実施形態では、励起スズ（Ｓｎ）のプラズマは、ＥＵＶ放射を生成するために提供される。

[00141] 高温プラズマ２１０によって放出された放射は、ソースチャンバ２１１から、ソースチャンバ２１１の開口内、又はその後ろに位置する任意選択的なガスバリア又は汚染物質トラップ２３０（場合によっては、汚染物質バリア又はフォイルトラップとも呼ばれる）を介して、コレクタチャンバ２１２内へと渡される。汚染物質トラップ２３０は、チャネル構造を含み得る。汚染物質トラップ２３０は、ガスバリア、又はガスバリア及びチャネル構造の組み合わせも含み得る。本明細書にさらに示される汚染物質トラップ又は汚染物質バリア２３０は、当該技術分野で知られているように、少なくともチャネル構造を含む。

[00142] コレクタチャンバ２１１は、いわゆる斜入射型コレクタでもよい放射コレクタＣＯを含み得る。放射コレクタＣＯは、上流放射コレクタ側２５１及び下流放射コレクタ側２５２を有する。コレクタＣＯを横断する放射は、格子スペクトルフィルタ２４０に反射して、一点鎖線「Ｏ」によって示される光軸に沿った仮想光源点ＩＦに焦点を合わせることができる。仮想光源点ＩＦは、一般的に中間焦点と呼ばれ、及びソースコレクタモジュールは、中間焦点ＩＦが、閉鎖構造２２０の開口２２１に、又はその付近に位置するように配置される。仮想光源点ＩＦは、放射放出プラズマ２１０の像である。

[00143] 続いて、放射は、パターニングデバイスＭＡにおいて放射ビーム２１の所望の角度分布、及びパターニングデバイスＭＡにおいて放射強度の所望の均一性を提供するように配置されたファセットフィールドミラーデバイス２２及びファセット瞳ミラーデバイス２４を包含し得る照明システムＩＬを横断する。サポート構造ＭＴによって保持されたパターニングデバイスＭＡにおける放射ビーム２１の反射時に、パターン付きビーム２６が形成され、及びパターン付きビーム２６は、投影システムＰＳによって、反射要素２８、３０を介して、基板テーブルＷＴによって保持される基板Ｗ上に結像される。

[00144] 一般に、図示されるよりも多くの要素が、照明光学系ユニットＩＬ及び投影システムＰＳ内に存在し得る。格子スペクトルフィルタ２４０が、リソグラフィ装置のタイプに応じて、任意選択的に存在してもよい。さらに、図面に示されるミラーよりも多くのミラーが存在してもよく、例えば、図１３に示されるよりも１～６個の追加の反射要素が、投影システムＰＳに存在してもよい。

[00145] 図１４に示されるようなコレクタ系ＣＯは、コレクタ（又はコレクタミラー）の単なる一例として、斜入射型リフレクタ２５３、２５４、及び２５５を備えた入れ子式コレクタとして描かれる。斜入射型リフレクタ２５３、２５４、及び２５５は、光軸Ｏに対して軸対称に配置され、及びこのタイプのコレクタ系ＣＯは、ＤＰＰソースと呼ばれることが多い、放電生成プラズマ源と組み合わせて使用され得る。

[00146] 代替的に、ソースコレクタモジュールＳＯは、図１４に示すように、ＬＰＰ放射システムの一部であってもよい。レーザＬＡは、レーザエネルギーをキセノン（Ｘｅ）、スズ（Ｓｎ）、又はリチウム（Ｌｉ）などの燃料に堆積させ、数十ｅＶの電子温度の高イオン化プラズマ２１０を生成するように配置される。脱励起及びこれらのイオンの再結合中に生成されるエネルギー放射は、プラズマから放出され、近法線入射コレクタ系ＣＯによって収集され、及び閉鎖構造２２０の開口２２１上に焦点が合わせられる。

[00147] 実施形態については、以下の条項を使用して更に説明することができる。
１．レイアウトパターニングプロセスのための機械学習モデルを訓練するための方法であって、
パターンセット中のパターンから複数のフィーチャを生成することと、
上記複数の生成されたフィーチャにおける類似度に基づいて、上記パターンセット中の上記パターンを個々のグループにグループ分けすることと、
上記個々のグループからの代表的なパターンを上記機械学習モデルに提供して、上記機械学習モデルを訓練して、上記レイアウトパターニングプロセスのための光近接効果補正（ＯＰＣ）のための連続透過マスク（ＣＴＭ）マップを予測することと、を含む方法。
２．上記パターンセット中の上記パターンから生成される上記複数のフィーチャは、上記パターンセットに既に含まれている幾何学的情報及び／又は頂点情報を補うものである、条項１に記載の方法。
３．上記ＯＰＣは、上記レイアウトパターニングプロセスにおけるウェーハ用のフルチップＯＰＣを含む、条項１又は２に記載の方法。
４．上記複数の生成されたフィーチャは、幾何学的フィーチャ及びリソグラフィを意識したフィーチャを含む、条項１～３の何れか一項に記載の方法。
５．上記複数の生成されたフィーチャにおける上記類似度に基づいて、上記パターンセット中の上記パターンを個々のグループにグループ分けすることは、機械学習クラスタリング方法を使用して、上記複数の生成されたフィーチャにおける上記類似度に基づいて、上記パターンセット中の一意のパターンを個々のグループにクラスター化することを含む、条項１～４の何れか一項に記載の方法。
６．レイアウトパターニングプロセスのための訓練パターンを決定するための方法であって、
パターンセット中のパターンから複数のフィーチャを生成することと、
上記複数の生成されたフィーチャにおける類似度に基づいて、上記パターンセット中の上記パターンを個々のグループにグループ分けすることと、
上記個々のグループから代表的なパターンを選択して上記訓練パターンを決定することと、を含む方法。
７．上記複数の生成されたフィーチャは、幾何学的フィーチャ及びリソグラフィを意識したフィーチャを含む、条項６に記載の方法。
８．上記幾何学的フィーチャは、ターゲットマスク像、頻度マップ、パターン密度マップ、又は上記パターンセット中の一意のパターンのパターン出現件数、のうちの１つ又は複数を含む、条項７に記載の方法。
９．上記リソグラフィを意識したフィーチャは、上記パターンセット中の上記一意のパターンの、サブレゾリューション・アシスト・フィーチャ・ガイダンス・マップ（ＳＧＭ）、回折次数、又は回折パターン、のうちの１つ又は複数を含む、条項７又は８の何れか一項に記載の方法。
１０．上記パターンセット中の上記パターンから生成される上記複数のフィーチャは、上記パターンセットに既に含まれている幾何学的情報及び／又は頂点情報を補うものである、条項６～９の何れか一項に記載の方法。
１１．上記複数の生成されたフィーチャに基づいて、上記パターンセット中の上記パターンをグループにグループ分けすることは、教師なし機械学習を使用して行われる、条項６～１０の何れか一項に記載の方法。
１２．上記複数の生成されたフィーチャにおける上記類似度に基づいて、上記パターンセット中の上記パターンを個々のグループにグループ分けすることは、上記複数の生成されたフィーチャにおける上記類似度に基づいて、上記パターンセット中の上記パターンを個々のグループにクラスター化することを含む、条項６～１１の何れか一項に記載の方法。
１３．上記クラスター化することは、異なるクラスター化ステップに対しては上記複数の生成されたフィーチャのうちの異なるものを使用して実施される、連続した一連のクラスター化ステップを含み、上記連続した一連のクラスター化ステップは、上記パターンセット中の一意のパターンのサブグループを形成し、それにより、上記サブグループから上記代表的なパターンが選択されて、上記訓練パターンが決定される、条項１２に記載の方法。
１４．上記クラスター化することは、機械学習クラスタリング方法を含む、条項１２又は１３に記載の方法。
１５．上記連続した一連のクラスター化ステップは、所与のステップに対して所与のフィーチャを使用して行われる交差検証ステップを含み、交差検証は、所与のサブグループにどのパターンが含まれるかを調節することを含む、条項１３又は１４に記載の方法。
１６．上記個々のグループから代表的なパターンを選択して上記訓練パターンを決定することは、代表的なパターンのターゲット数を選択することを含む、条項６～１５の何れか一項に記載の方法。
１７．代表的なパターンの上記ターゲット数は、停止基準に基づいて決定され、上記停止基準は、上記訓練パターンにおける変動を促進するように構成される、条項１６に記載の方法。
１８．上記訓練パターンにおける変動の量を決定することを更に含む、条項１７に記載の方法。
１９．上記停止基準は、上記訓練パターンにおける上記変動の量が変動量閾値を確実に超えるように、更に構成される、条項１８に記載の方法。
２０．代表的なパターンの上記ターゲット数は、上記個々のグループからランダムに選択される、条項１９に記載の方法。
２１．代表的なパターンの上記ターゲット数は、上記訓練パターンにおける上記変動の量が上記変動量閾値を超えないことに応答して、再びランダムに選択される、条項２０に記載の方法。
２２．上記個々のグループから代表的なパターンを選択して上記訓練パターンを決定することは、上記個々のグループのそれぞれから最も中央のパターンを選択することを含み、上記最も中央のパターンは、上記個々のグループ内の他のパターンに比べて、その個々のグループに対する特定のフィーチャ空間の重心に最も近いものである、条項６～２１の何れか一項に記載の方法。
２３．上記特定のフィーチャ空間とは、ターゲットマスク像フィーチャ空間、頻度マップフィーチャ空間、パターン密度マップフィーチャ空間、パターン出現件数フィーチャ空間、ＳＧＭフィーチャ空間、回折次数フィーチャ空間、又は回折パターンフィーチャ空間である、条項２２に記載の方法。
２４．上記訓練パターンを畳み込み型深層ニューラルネットワークに提供して上記畳み込み型深層ニューラルネットワークを訓練することを更に含む、条項６～２３の何れか一項に記載の方法。
２５．上記訓練された畳み込み型深層ニューラルネットワークを使用して、ウェーハパターニングプロセスの一部として、光近接効果補正を実施することを更に含む、条項２４に記載の方法。
２６．命令が記録された非一時的コンピュータ可読媒体を含むコンピュータプログラムであって、上記命令は、コンピュータによって実行されると、条項１～２５の何れか一項に記載の方法を実施する、コンピュータプログラム。

[00148] 本明細書に開示する概念は、サブ波長フィーチャを結像するための一般的結像システムのシミュレーション又は数学的モデル化を行うことができ、及び特に、ますます短くなる波長を生成することが可能な新しい結像技術にとって有用となり得る。既に使用されている新しい技術には、ＥＵＶ（極端紫外線）、ＡｒＦレーザを使用して１９３ｎｍの波長、及びフッ素レーザを使用して１５７ｎｍの波長さえ生成可能なＤＵＶリソグラフィが含まれる。また、ＥＵＶリソグラフィは、２０～５ｎｍの範囲内で光子を生成するために、シンクロトロンを使用することによって、又は材料（固体又はプラズマ）に高エネルギー電子をぶつけることによって、この範囲内の波長を生成することが可能である。

[00149] 本明細書に開示する概念は、シリコンウェーハなどの基板上の結像のために使用され得るが、開示した概念は、あらゆるタイプのリソグラフィ結像システム（例えば、シリコンウェーハ以外の基板上の結像に使用されるもの）に使用され得ることが理解されるものとする。

[00150] 上記の記載は、説明のためのものであり、限定するものではないことが意図される。従って、当業者には、以下に記載される請求項の範囲から逸脱することなく、説明したように、変更が行われ得ることが明らかとなるだろう。

Claims

レイアウトパターニングプロセスのための訓練パターンを決定するための方法であって、
パターンセット中のパターンから複数の特徴を生成することと、
前記複数の生成された特徴における類似度に基づいて、前記パターンセット中の前記パターンを個々のグループにグループ分けすることと、
前記個々のグループから代表的なパターンを選択して前記訓練パターンを決定することと、を含み、
前記複数の生成された特徴における前記類似度に基づいて、前記パターンセット中の前記パターンを個々のグループにグループ分けすることは、前記複数の生成された特徴における前記類似度に基づいて、前記パターンセット中の前記パターンを個々のグループにクラスター化することを含み、
前記クラスター化することは、異なるクラスター化ステップに対しては前記複数の生成された特徴のうちの異なるものを使用して実施される、
方法。
前記複数の生成された特徴は、幾何学的特徴及びリソグラフィに関する特徴を含む、請求項１に記載の方法。
前記幾何学的特徴は、ターゲットマスク像、頻度マップ、パターン密度マップ、又は前記パターンセット中の一意のパターンのパターン出現件数、のうちの１つ又は複数を含む、請求項２に記載の方法。
前記リソグラフィに関する特徴は、前記パターンセット中の一意のパターンの、サブレゾリューション・アシスト・フィーチャ・ガイダンス・マップ（ＳＧＭ）、回折次数、又は回折パターン、のうちの１つ又は複数を含む、請求項２に記載の方法。
前記パターンセット中の前記パターンから生成される前記複数の特徴は、前記パターンセットに既に含まれている幾何学的情報及び／又は頂点情報に関するものである、請求項１に記載の方法。
前記複数の生成された特徴に基づいて、前記パターンセット中の前記パターンをグループにグループ分けすることは、教師なし機械学習を使用して行われる、請求項１に記載の方法。
前記クラスター化することは、連続した一連のクラスター化ステップを含み、前記連続した一連のクラスター化ステップは、前記パターンセット中の一意のパターンのサブグループを形成し、それにより、前記サブグループから前記代表的なパターンが選択されて、前記訓練パターンが決定される、請求項１に記載の方法。
前記クラスター化することは、機械学習クラスタリング方法を含み、及び／又は、前記連続した一連のクラスター化ステップは、所与のステップに対して所与の特徴を使用して行われる交差検証ステップを含み、交差検証は、所与のサブグループにどのパターンが含まれるかを調節することを含む、請求項７に記載の方法。
前記個々のグループから代表的なパターンを選択して前記訓練パターンを決定することは、代表的なパターンのターゲット数を選択することを含む、請求項１に記載の方法。
前記訓練パターンにおける変動量を決定することを更に含み、及び／又は、代表的なパターンの前記ターゲット数は前記個々のグループからランダムに選択され、及び／又は、代表的なパターンの前記ターゲット数は、前記訓練パターンにおける前記変動量が変動量閾値を超えないことに応答して、再びランダムに選択される、請求項９に記載の方法。
前記個々のグループから代表的なパターンを選択して前記訓練パターンを決定することは、前記個々のグループのそれぞれから最も中央のパターンを選択することを含み、前記最も中央のパターンは、前記個々のグループ内の他のパターンに比べて、その個々のグループに対する特定の特徴の中央に最も近いものである、請求項１に記載の方法。
前記特定の特徴は、ターゲットマスク像、頻度マップ、パターン密度マップ、パターン出現件数、ＳＧＭ、回折次数、又は回折パターンである、請求項１１に記載の方法。
前記訓練パターンを畳み込み型深層ニューラルネットワークに提供して前記畳み込み型深層ニューラルネットワークを訓練することを更に含む、請求項１に記載の方法。
命令が記録された非一時的コンピュータ可読媒体に含まれるコンピュータプログラムであって、前記命令が、コンピュータによって実行されると、請求項１に記載の方法を実施する、コンピュータプログラム。