JPH0697057A - 製品の製造方法 - Google Patents
製品の製造方法Info
- Publication number
- JPH0697057A JPH0697057A JP3040805A JP4080591A JPH0697057A JP H0697057 A JPH0697057 A JP H0697057A JP 3040805 A JP3040805 A JP 3040805A JP 4080591 A JP4080591 A JP 4080591A JP H0697057 A JPH0697057 A JP H0697057A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- product
- manufacturing
- prototype
- mask
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/30—Electron-beam or ion-beam tubes for localised treatment of objects
- H01J37/302—Controlling tubes by external information, e.g. programme control
- H01J37/3023—Programme control
- H01J37/3026—Patterning strategy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/30—Electron or ion beam tubes for processing objects
- H01J2237/304—Controlling tubes
- H01J2237/30455—Correction during exposure
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/30—Electron or ion beam tubes for processing objects
- H01J2237/317—Processing objects on a microscale
- H01J2237/3175—Lithography
- H01J2237/31769—Proximity effect correction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
- Y10S706/904—Manufacturing or machine, e.g. agricultural machinery, machine tool
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Electron Beam Exposure (AREA)
Abstract
(57)【要約】
【目的】 高速かつ少ない費用で、リソグラフィのマス
クなどの製造方法の調整を行う。 【構成】 ニューラルネットワークを用いて、製品の製
造中の処理の調整を行う。例えば、所望のパターンのマ
スクブランクの電子ビームの照射によるフォトリソグラ
フィのマスクの製造の場合、マスク基板からの散乱電子
がパターンの歪みを惹起する。この散乱に対する調整
は、製造プロセス中、次のニューラルネットワークによ
り求められた調整関数を用いることにより可能となる。
そのパラメータがプロトタイプのマスクパターンについ
て確立されたニューラルネットワークである。
クなどの製造方法の調整を行う。 【構成】 ニューラルネットワークを用いて、製品の製
造中の処理の調整を行う。例えば、所望のパターンのマ
スクブランクの電子ビームの照射によるフォトリソグラ
フィのマスクの製造の場合、マスク基板からの散乱電子
がパターンの歪みを惹起する。この散乱に対する調整
は、製造プロセス中、次のニューラルネットワークによ
り求められた調整関数を用いることにより可能となる。
そのパラメータがプロトタイプのマスクパターンについ
て確立されたニューラルネットワークである。
Description
【０００１】
【産業上の利用分野】本発明は、電子的方法により制御
される物品の製造方法に関し、特に、プロセス変量の調
整を行なう製造方法に関する。
される物品の製造方法に関し、特に、プロセス変量の調
整を行なう製造方法に関する。
【０００２】
【従来の技術】多種類の製造工程は、コンピュータのよ
うな電子データ処理装置により制御される。この処理手
順は物理的オペレーション、例えば位置決めは次の電気
信号により制御される。即ち、この電気信号は、データ
処理装置から出て、さらにポジショナ及び／またはディ
レクタのような手段により処理を制御する。この処理の
例に、リソグラフィのマスクまたは集積回路の製造に用
いられる電子ビーム照射装置があり、これは電子ビーム
が電場ディレクタにより制御される。
うな電子データ処理装置により制御される。この処理手
順は物理的オペレーション、例えば位置決めは次の電気
信号により制御される。即ち、この電気信号は、データ
処理装置から出て、さらにポジショナ及び／またはディ
レクタのような手段により処理を制御する。この処理の
例に、リソグラフィのマスクまたは集積回路の製造に用
いられる電子ビーム照射装置があり、これは電子ビーム
が電場ディレクタにより制御される。
【０００３】この処理手順では、電子感光材料によりコ
ートされたクロム被覆ガラス基板またはデバイス基板
が、所望のパターンになるように衝突する電子ビームが
選択的に照射されることにより露光される。露光後、電
子感光材料の照射部か未照射部かのいずれかが通常溶解
性の相違により除去され、クロムもしくはデバイスの所
望のパターンの下部領域が露出される。
ートされたクロム被覆ガラス基板またはデバイス基板
が、所望のパターンになるように衝突する電子ビームが
選択的に照射されることにより露光される。露光後、電
子感光材料の照射部か未照射部かのいずれかが通常溶解
性の相違により除去され、クロムもしくはデバイスの所
望のパターンの下部領域が露出される。
【０００４】所定の点に衝突するように送られたビーム
の継続時間が長いほど、露光部と未露光部との溶解性の
差は大きくなる。露出されたクロムまたはデバイス領域
は次にエッチングもしくはメタライゼーションのような
処理が行われる。例えば、マスクを作る際には、露出さ
れたクロムが除去されると電子感光材料に形成されたパ
ターンに対応する形の透明な領域が得られる。この透明
パターンをデバイス例えば集積回路製造のフォトリソグ
ラフィ用に使用する。
の継続時間が長いほど、露光部と未露光部との溶解性の
差は大きくなる。露出されたクロムまたはデバイス領域
は次にエッチングもしくはメタライゼーションのような
処理が行われる。例えば、マスクを作る際には、露出さ
れたクロムが除去されると電子感光材料に形成されたパ
ターンに対応する形の透明な領域が得られる。この透明
パターンをデバイス例えば集積回路製造のフォトリソグ
ラフィ用に使用する。
【０００５】このような製造方法においては、位置決め
のような工程は製造する製品に付随する変量を反映する
ように調整されるされなければならない。上記例で説明
すると、このような調整は衝突する電子が下部基板から
ずれて散乱するために生じる。このような電子の散乱は
電子ビームが初めに衝突した領域に近接した領域におい
て２次的露光を起こし、そのため近接領域間に望ましく
ない溶解度差もしくは差が要求されるのに同一溶解度を
与えるからである。
のような工程は製造する製品に付随する変量を反映する
ように調整されるされなければならない。上記例で説明
すると、このような調整は衝突する電子が下部基板から
ずれて散乱するために生じる。このような電子の散乱は
電子ビームが初めに衝突した領域に近接した領域におい
て２次的露光を起こし、そのため近接領域間に望ましく
ない溶解度差もしくは差が要求されるのに同一溶解度を
与えるからである。
【０００６】このような影響に対する調整、特に複雑な
系、例えば、リソグラフィのマスクの製造に含まれるよ
うな系では多大の計算を要し経済的ではない。例えば、
フォトリソグラフィのマスクについては、電子散乱によ
る不正確さを補正するために次に記載のようなアルゴリ
ズムが提案されている。
系、例えば、リソグラフィのマスクの製造に含まれるよ
うな系では多大の計算を要し経済的ではない。例えば、
フォトリソグラフィのマスクについては、電子散乱によ
る不正確さを補正するために次に記載のようなアルゴリ
ズムが提案されている。
【０００７】即ち、エム・パリク（M.Parikh) 、「ジャ
ーナル・オブ バキュウム サイエンス アンド テク
ノロジー（J.Vac.Sci Technol.）」第１５巻、９３１頁
（１９７８年）である。これらの方法では解を見出すた
めに大きいマトリックスの逆転を含み、複雑なパターン
に対してコンピュータに何年という長い時間を必要とす
る。大量の計算に時間と費用が要し、そのためこのよう
な調整を行うことは困難である。
ーナル・オブ バキュウム サイエンス アンド テク
ノロジー（J.Vac.Sci Technol.）」第１５巻、９３１頁
（１９７８年）である。これらの方法では解を見出すた
めに大きいマトリックスの逆転を含み、複雑なパターン
に対してコンピュータに何年という長い時間を必要とす
る。大量の計算に時間と費用が要し、そのためこのよう
な調整を行うことは困難である。
【０００８】
【発明が解決しようとする課題】明らかに妥当な速さと
費用で調整を可能とする改良と付随する製品の改良が望
ましい。
費用で調整を可能とする改良と付随する製品の改良が望
ましい。
【０００９】
【課題を解決するための手段】製造方法の調整を不経済
な計算を行うことなく実施する方法は、次のニューラル
ネットワークを用いると可能となる。即ち、プロトタイ
プのサンプリングを行う処理手順と連結してニューラル
ネットワークを用いネットワークの構成をセットする。
この処理手順では、プロセス変量の所望の調整をプロト
タイプのサンプルに対し経験的に求め、次にこのプロト
タイプを用いてニューラルネットワークの構成を決め
る。
な計算を行うことなく実施する方法は、次のニューラル
ネットワークを用いると可能となる。即ち、プロトタイ
プのサンプリングを行う処理手順と連結してニューラル
ネットワークを用いネットワークの構成をセットする。
この処理手順では、プロセス変量の所望の調整をプロト
タイプのサンプルに対し経験的に求め、次にこのプロト
タイプを用いてニューラルネットワークの構成を決め
る。
【００１０】その結果経験的に得られたニューラルネッ
トワークの構成を用いてプロセス変量の調整を行う。こ
うして製造方法は修正される。フォトリソグラフィのマ
スクの製造例で説明すると、代表的特性を有するプロト
タイプのマスクと、そのようなマスクで見出された構成
を用いてニューラルネットワークをプログラムする。そ
の結果得られたニューラルネットワークを形成する構成
を次に用いて製造処理手順を調整し、即ち散乱電子の結
果の露光を修正する。
トワークの構成を用いてプロセス変量の調整を行う。こ
うして製造方法は修正される。フォトリソグラフィのマ
スクの製造例で説明すると、代表的特性を有するプロト
タイプのマスクと、そのようなマスクで見出された構成
を用いてニューラルネットワークをプログラムする。そ
の結果得られたニューラルネットワークを形成する構成
を次に用いて製造処理手順を調整し、即ち散乱電子の結
果の露光を修正する。
【００１１】驚くべきことに、プロトタイプのサンプル
を用いてニューラルネットワークの構成をセットするこ
とにより、最終的に使用する製造処理手順に無関係に、
例えば最終的に製造するマスクパターンに無関係に、正
確な調整が得られる。本発明は複雑なプロセスの調整に
特に有利である。
を用いてニューラルネットワークの構成をセットするこ
とにより、最終的に使用する製造処理手順に無関係に、
例えば最終的に製造するマスクパターンに無関係に、正
確な調整が得られる。本発明は複雑なプロセスの調整に
特に有利である。
【００１２】
【実施例】複雑なプロセスの調整で説明のように、プロ
トタイプのサンプルを用いてニューラルネットワークの
構成を求める。（複雑なプロセスとはプロセスを調整す
るために通常の直列アーキテクチャを用いた場合、コン
ピュータに要する時間が本開示に定義するニューラルネ
ットワークの演算Ｐ0 を行うのに必要な時間より、少な
くとも２倍遅いような製法をいう。）
トタイプのサンプルを用いてニューラルネットワークの
構成を求める。（複雑なプロセスとはプロセスを調整す
るために通常の直列アーキテクチャを用いた場合、コン
ピュータに要する時間が本開示に定義するニューラルネ
ットワークの演算Ｐ0 を行うのに必要な時間より、少な
くとも２倍遅いような製法をいう。）
【００１３】ニューラルネットワークは、ディ・イー・
ラメルハート（D.E.Rumelhart ）ら、ネイチャ（Natue
r）、第３２３巻、５３３頁（１９８６年）の論文に詳
しく説明されている。基本的に、これらのネットワーク
はプロセス変量の表示もしくは変量である複数の信号を
入力する手段を含む。次にこのデータを接続のマトリッ
クスで対話を行わせるが、ここで接続の各点はインピー
ダンスを有する。
ラメルハート（D.E.Rumelhart ）ら、ネイチャ（Natue
r）、第３２３巻、５３３頁（１９８６年）の論文に詳
しく説明されている。基本的に、これらのネットワーク
はプロセス変量の表示もしくは変量である複数の信号を
入力する手段を含む。次にこのデータを接続のマトリッ
クスで対話を行わせるが、ここで接続の各点はインピー
ダンスを有する。
【００１４】データ入力はマトリックスの行に接続し、
そして列はアクティブデバイス、例えば電流加算増幅器
もしくは電圧増幅器のデバイスで終了するが、その出力
はその入力の単調（線形または非線形）関数である。
（ニューラルネットワークのこの記述は、マトリックス
接続点におけるゼロオームのインピーダンスと無限イン
ピーダンスの両者を企図する。）
そして列はアクティブデバイス、例えば電流加算増幅器
もしくは電圧増幅器のデバイスで終了するが、その出力
はその入力の単調（線形または非線形）関数である。
（ニューラルネットワークのこの記述は、マトリックス
接続点におけるゼロオームのインピーダンスと無限イン
ピーダンスの両者を企図する。）
【００１５】そして、アクティブデバイスからの出力
は、１）アクティブデバイスの次のマトリックスまたは
それらの対応する集合を有するマトリックスに送られ、
さらにその結果得られたデータを演算するか若しくは、
２）出力で終了するか、のいずれかである。（ニューラ
ルネットワークはアクティブデバイスと接続でのインピ
ーダンスで説明されたものであるが、本発明も数学的に
等価なものを用いることによりソフトウェアにおいて形
成されるニューラルネットワークも企図する。これらの
数学的に等価なものはラメルハートによっても説明され
ている。）
は、１）アクティブデバイスの次のマトリックスまたは
それらの対応する集合を有するマトリックスに送られ、
さらにその結果得られたデータを演算するか若しくは、
２）出力で終了するか、のいずれかである。（ニューラ
ルネットワークはアクティブデバイスと接続でのインピ
ーダンスで説明されたものであるが、本発明も数学的に
等価なものを用いることによりソフトウェアにおいて形
成されるニューラルネットワークも企図する。これらの
数学的に等価なものはラメルハートによっても説明され
ている。）
【００１６】先に説明したように、最終出力結果を用い
て、変量を制御する適切な信号を制御して製造方法の変
量を調整する。（このようなネットワークにおいて行わ
れる演算Ｐ0 の数は、２ｘ［（ｉ・ｊ）＋（ｊ・ｋ）＋
（ｋ・ｌ）＋−−−］である。但し、ここでｉ及びｊは
それぞれ第１のマトリックスに入力する数と関連デバイ
スの数、ｋは第２のマトリックスに関連するデバイスの
数、ｌは第３のマトリックスに関連するデバイスの数、
などで、以下存在する全てのマトリックスに対し同様で
ある。）
て、変量を制御する適切な信号を制御して製造方法の変
量を調整する。（このようなネットワークにおいて行わ
れる演算Ｐ0 の数は、２ｘ［（ｉ・ｊ）＋（ｊ・ｋ）＋
（ｋ・ｌ）＋−−−］である。但し、ここでｉ及びｊは
それぞれ第１のマトリックスに入力する数と関連デバイ
スの数、ｋは第２のマトリックスに関連するデバイスの
数、ｌは第３のマトリックスに関連するデバイスの数、
などで、以下存在する全てのマトリックスに対し同様で
ある。）
【００１７】第１のマトリックスの及びもし存在する場
合は後続のマトリックスの接続のインピーダンス手段
が、入力データで行われた変換を決め、さらにニューラ
ルネットワークの出力を決める。これらのインピーダン
ス手段は最終的に行われる演算のプロトタイプのサンプ
ルを用いることによりセットされる。驚くべきことに、
プロトタイプのサンプルを用いることによりインピーダ
ンス値が確立すると、
合は後続のマトリックスの接続のインピーダンス手段
が、入力データで行われた変換を決め、さらにニューラ
ルネットワークの出力を決める。これらのインピーダン
ス手段は最終的に行われる演算のプロトタイプのサンプ
ルを用いることによりセットされる。驚くべきことに、
プロトタイプのサンプルを用いることによりインピーダ
ンス値が確立すると、
【００１８】所望の製造技術が適応されるいずれのサン
プルについてもニューラルネットワークが用いられるこ
とが可能となる。但しこれは演算の未調整パラメータが
未修正のままである場合においてである。例えば、マス
クの電子ビーム露光において、もしビーム加速エネルギ
ー及び電子感光材料と下部材料を含む基板材料が同一で
ある場合、プロトタイプのサンプルを用いニューラルネ
ットワークのインピーダンス値を確立すると、露光され
るいずれのパターンについても演算を行うことができ
る。
プルについてもニューラルネットワークが用いられるこ
とが可能となる。但しこれは演算の未調整パラメータが
未修正のままである場合においてである。例えば、マス
クの電子ビーム露光において、もしビーム加速エネルギ
ー及び電子感光材料と下部材料を含む基板材料が同一で
ある場合、プロトタイプのサンプルを用いニューラルネ
ットワークのインピーダンス値を確立すると、露光され
るいずれのパターンについても演算を行うことができ
る。
【００１９】こうして、演算を行っている材料と演算の
未調整パラメータ、例えば、基板の電子感光材料と露光
エネルギーがもし同じならば、他のパターンについてプ
ロトタイプにより確立されたニューラルネットワークを
使用することが可能となる。
未調整パラメータ、例えば、基板の電子感光材料と露光
エネルギーがもし同じならば、他のパターンについてプ
ロトタイプにより確立されたニューラルネットワークを
使用することが可能となる。
【００２０】プロトタイプのサンプルはそれが有する接
続（即ち、ｉ／ｊ＋ｊ・ｋ）と少なくとも同数の入出力
サンプルを有するように選択される。さらに、集合は入
力スペースにおいて調整されるプロセスとほぼ同じ領域
を収集しわたるように選択されねばならない。（入力ス
ペースは調整される変量を表わす可能な限り全ての入力
を包含する多次元体積として定義される。）
続（即ち、ｉ／ｊ＋ｊ・ｋ）と少なくとも同数の入出力
サンプルを有するように選択される。さらに、集合は入
力スペースにおいて調整されるプロセスとほぼ同じ領域
を収集しわたるように選択されねばならない。（入力ス
ペースは調整される変量を表わす可能な限り全ての入力
を包含する多次元体積として定義される。）
【００２１】本発明はニューラルネットワークから導か
れる結果を用いることによりプロトタイプのサンプルの
使用により製造方法の調整を行うものとして一般的に記
載されているが、判り易くするため、フォトリソグラフ
ィのマスクの形成例を引用してさらに本発明を説明す
る。２０ないし４０ｋｅＶの範囲の代表的電子ビーム加
速電圧の処理において、電子の散乱は電子の初めの接点
から１μｍないし２０μｍの範囲の距離にわたり顕著に
見られる。
れる結果を用いることによりプロトタイプのサンプルの
使用により製造方法の調整を行うものとして一般的に記
載されているが、判り易くするため、フォトリソグラフ
ィのマスクの形成例を引用してさらに本発明を説明す
る。２０ないし４０ｋｅＶの範囲の代表的電子ビーム加
速電圧の処理において、電子の散乱は電子の初めの接点
から１μｍないし２０μｍの範囲の距離にわたり顕著に
見られる。
【００２２】さらに、この散乱は円形対称、即ち、最終
的に散乱電子が露光を行う領域は衝突点の回りに円を形
成し、この円形の径が増加するほど露光の確率は減少す
る。ビームエネルギー、ビームの形及び基板の組成の条
件の特定の集まりに対し、近接関数と呼ばれる散乱ビー
ムプロフィールを次に説明するモンテカルロ法により計
算することができる。
的に散乱電子が露光を行う領域は衝突点の回りに円を形
成し、この円形の径が増加するほど露光の確率は減少す
る。ビームエネルギー、ビームの形及び基板の組成の条
件の特定の集まりに対し、近接関数と呼ばれる散乱ビー
ムプロフィールを次に説明するモンテカルロ法により計
算することができる。
【００２３】それは「アドバンシス イン エレクトロ
ニクス アンド エレクトロン フィジクス（Advances
in Electronics and Electron Physics）」、第６９
巻、ケイ・ムラタ（K.Murata）とディ・エフ・キイセン
（D.F.Kysen ）、第１１章、電子とＸ線ビームのモンテ
カルロ法とマイクロリソグラフィ・シミュレーション、
１７５−２５６頁、アカデミック・プレス・Ｎ．Ｙ．１
９７８年である。
ニクス アンド エレクトロン フィジクス（Advances
in Electronics and Electron Physics）」、第６９
巻、ケイ・ムラタ（K.Murata）とディ・エフ・キイセン
（D.F.Kysen ）、第１１章、電子とＸ線ビームのモンテ
カルロ法とマイクロリソグラフィ・シミュレーション、
１７５−２５６頁、アカデミック・プレス・Ｎ．Ｙ．１
９７８年である。
【００２４】また次に記載のようにそれは実測された。
ディ・ジェイ・ヒュ（D.J.Hughes）、アール・エフ・リ
ックス（R.F.Rix ）、線量変化による電子スキャン Ｅ
−ビーム マシンの近接補正、「マイクロエレクトロニ
ック エンジニャリング（Microelectronic Eng.）」、
第９巻、２４３−２４６頁、１９８９年出版である。近
接関数で入射パターンの２次元コンボリューションを行
うことにより、電子感光材料のいずれの点における露光
線量をも満了することは可能である。
ディ・ジェイ・ヒュ（D.J.Hughes）、アール・エフ・リ
ックス（R.F.Rix ）、線量変化による電子スキャン Ｅ
−ビーム マシンの近接補正、「マイクロエレクトロニ
ック エンジニャリング（Microelectronic Eng.）」、
第９巻、２４３−２４６頁、１９８９年出版である。近
接関数で入射パターンの２次元コンボリューションを行
うことにより、電子感光材料のいずれの点における露光
線量をも満了することは可能である。
【００２５】電子ビームエネルギー２０ｋｅＶで作られ
た電子ビームマスクの適切なプロトタイプの露光パター
ンの一例を図１に示す。左上部の特性は０．８７５μｍ
から０．１２５μｍの範囲の０．１２５μｍのステップ
からなる可変間隙である。
た電子ビームマスクの適切なプロトタイプの露光パター
ンの一例を図１に示す。左上部の特性は０．８７５μｍ
から０．１２５μｍの範囲の０．１２５μｍのステップ
からなる可変間隙である。
【００２６】（最小解像可能特性と近接効果により影響
される最大特性の間の範囲にわたるため、上位レベルと
下位レベルを選択する。現在の露光システムにおける代
表的解像ステップであるためステップのサイズを選択す
る。）真中上部の三角形をしたグループでは０．５μｍ
の幅が１μｍから小さい０．２５μｍまでの範囲の異な
る間隙を有する。下部には色々な正方形があって正方形
は孤立しており、その最小は０．２５μｍである。右部
の特徴は０．２５μｍの間隙が領域の中心下方に拡がり
可変の幅を有す。
される最大特性の間の範囲にわたるため、上位レベルと
下位レベルを選択する。現在の露光システムにおける代
表的解像ステップであるためステップのサイズを選択す
る。）真中上部の三角形をしたグループでは０．５μｍ
の幅が１μｍから小さい０．２５μｍまでの範囲の異な
る間隙を有する。下部には色々な正方形があって正方形
は孤立しており、その最小は０．２５μｍである。右部
の特徴は０．２５μｍの間隙が領域の中心下方に拡がり
可変の幅を有す。
【００２７】この後者の特徴は大小隣接する特性の両者
に近い間隙を確実に補償する。このように、このプロト
タイプの露光パターンでは実際のリソグラフィのマスク
に経験する代表的幾何図形の全てを例示するものであ
る。即ち、マスクパターンの入力スペースはプロトタイ
プで代表される。
に近い間隙を確実に補償する。このように、このプロト
タイプの露光パターンでは実際のリソグラフィのマスク
に経験する代表的幾何図形の全てを例示するものであ
る。即ち、マスクパターンの入力スペースはプロトタイ
プで代表される。
【００２８】このパターンの製造に対し、入射電子と散
乱電子の両者による実際の露光は近接関数で入射パター
ンを噛み合わせることにより計算された。未露光領域に
おける入射線量をゼロにしたのに対し、露光領域におけ
る入射線量を、例えば露光しきい値の約１１５％とセッ
トした。即ち、これは使用する厚さで使用する電子感光
材料のレジストを十分に露光するのに必要なエネルギー
である。
乱電子の両者による実際の露光は近接関数で入射パター
ンを噛み合わせることにより計算された。未露光領域に
おける入射線量をゼロにしたのに対し、露光領域におけ
る入射線量を、例えば露光しきい値の約１１５％とセッ
トした。即ち、これは使用する厚さで使用する電子感光
材料のレジストを十分に露光するのに必要なエネルギー
である。
【００２９】散乱電子を計上した後、暴力反復コンピュ
ータ処理法を用いて、全ての露光領域における露光しき
い値の所望の値を得るのに必要な線量調整を求める。図
２のように（図３の未修正結果として比較し、）修正
後、全ての露光ピクセルは非常に最適に近い線量を受け
る。（ピクセルとは画像における最小解像可能サイズの
ドットまたは要素と定義される。）未露光になるように
意図されたピクセルは少量の線量を受けるが、電子線量
の負の量が許容されることはないので、これは修正され
得ない。
ータ処理法を用いて、全ての露光領域における露光しき
い値の所望の値を得るのに必要な線量調整を求める。図
２のように（図３の未修正結果として比較し、）修正
後、全ての露光ピクセルは非常に最適に近い線量を受け
る。（ピクセルとは画像における最小解像可能サイズの
ドットまたは要素と定義される。）未露光になるように
意図されたピクセルは少量の線量を受けるが、電子線量
の負の量が許容されることはないので、これは修正され
得ない。
【００３０】反復計算処理手順は散乱強度分布を計算
し、それを所望のパターンと比較することにより行われ
る。散乱した結果の分布と所望の分布との差はエラーで
ある。エラーに等しい線量を入射画像から減算し、エラ
ーがマスクの所望の規格未満、例えば２％未満になるま
で反復を継続する。３２，４００ピクセルのテストパタ
ーンについての各反復、即ち３２，４００集合の入力デ
ータでは、毎秒命令百万のスピードのコンピュータで行
うとして約１時間を必要とする。
し、それを所望のパターンと比較することにより行われ
る。散乱した結果の分布と所望の分布との差はエラーで
ある。エラーに等しい線量を入射画像から減算し、エラ
ーがマスクの所望の規格未満、例えば２％未満になるま
で反復を継続する。３２，４００ピクセルのテストパタ
ーンについての各反復、即ち３２，４００集合の入力デ
ータでは、毎秒命令百万のスピードのコンピュータで行
うとして約１時間を必要とする。
【００３１】一般に反復４回が必要とされるので、この
計算時間は、本発明のように、プロトタイプのサンプル
を確立するだけに使用しない限り不経済であることは明
白である。本実施例では、散乱の９５％が半径１．２５
μｍの接点内で起こり、用いられるピクセルサイズは１
／８μｍであることから、露光点回りの有意のピクセル
のアレイは１９×１９マトリックスにより表わされる
（即ち、中心ピクセル プラス 各外方に９ピクセ
ル）。
計算時間は、本発明のように、プロトタイプのサンプル
を確立するだけに使用しない限り不経済であることは明
白である。本実施例では、散乱の９５％が半径１．２５
μｍの接点内で起こり、用いられるピクセルサイズは１
／８μｍであることから、露光点回りの有意のピクセル
のアレイは１９×１９マトリックスにより表わされる
（即ち、中心ピクセル プラス 各外方に９ピクセ
ル）。
【００３２】従って、このサンプルに対するニューラル
ネットワークは３６１の入力を有しなければならない。
（他のサンプルは電子の散乱範囲が異なるので異なるサ
イズのアレイを必要とする。）この入力数は、もし全て
同時に行われるとすると、煩雑なものとなる。しかし、
ディジタル・シフト・レジスタを用いることにより、も
っと有効な処理が取扱可能となる。入力データは、その
各々が１９ビット長である１９ワードのディジタル ア
レイに対応するシフトレジスタのアレイによりニューラ
ルネットワークにロードされる。
ネットワークは３６１の入力を有しなければならない。
（他のサンプルは電子の散乱範囲が異なるので異なるサ
イズのアレイを必要とする。）この入力数は、もし全て
同時に行われるとすると、煩雑なものとなる。しかし、
ディジタル・シフト・レジスタを用いることにより、も
っと有効な処理が取扱可能となる。入力データは、その
各々が１９ビット長である１９ワードのディジタル ア
レイに対応するシフトレジスタのアレイによりニューラ
ルネットワークにロードされる。
【００３３】図４に示されるように、各２進入力はピク
セルに対応し、インピーダンス例えばレジスタでアクテ
ィブデバイスに接続され、電圧は本例ではアレイの中心
ピクセルの衝突点から整数ピクセル長の半径に付随する
バッファ増幅器に従う。図５のように、５１で示される
ピクセルの中心はピクセル・ディメンションの１倍の半
径内にあるのに対し、ピクセル５２の中心はピクセル・
ディメンションの１倍と２倍の半径内の間にある。
セルに対応し、インピーダンス例えばレジスタでアクテ
ィブデバイスに接続され、電圧は本例ではアレイの中心
ピクセルの衝突点から整数ピクセル長の半径に付随する
バッファ増幅器に従う。図５のように、５１で示される
ピクセルの中心はピクセル・ディメンションの１倍の半
径内にあるのに対し、ピクセル５２の中心はピクセル・
ディメンションの１倍と２倍の半径内の間にある。
【００３４】図４に示す回路では、５１で示されるピク
セルに対応する各２進入力はｒ＝１で表示された増幅器
に接続され、５２で示される各２進入力はｒ＝２で表示
された増幅器に接続されるなどである。入力をバッファ
増幅器４２に接続するインピーダンス値は臨界的なもの
でなく１００ないし１０6 オームが一般的である。この
様な値は抵抗が低いと演算は速い結果となるが、もっと
電力を消費するという理由から選択される。
セルに対応する各２進入力はｒ＝１で表示された増幅器
に接続され、５２で示される各２進入力はｒ＝２で表示
された増幅器に接続されるなどである。入力をバッファ
増幅器４２に接続するインピーダンス値は臨界的なもの
でなく１００ないし１０6 オームが一般的である。この
様な値は抵抗が低いと演算は速い結果となるが、もっと
電力を消費するという理由から選択される。
【００３５】（ニューラルネットワークがソフトウェア
で実施される場合、このような制限がないのは明白であ
る。近接効果の例として、第１の層におけるレジスタは
全て同一である。この初期処理手順により、行４２内の
各アクティブデバイスへの入力は電圧であって、これは
特定の半径の環上に落下する入射露光線量の合計平均で
ある。
で実施される場合、このような制限がないのは明白であ
る。近接効果の例として、第１の層におけるレジスタは
全て同一である。この初期処理手順により、行４２内の
各アクティブデバイスへの入力は電圧であって、これは
特定の半径の環上に落下する入射露光線量の合計平均で
ある。
【００３６】次に、この第１のグループからの各アクテ
ィブデバイスの出力は、１００ないし１０6 オームの範
囲にあるインピーダンスを、一般的に有する可変インピ
ーダンスを再び経て、第２のデバイスグループに送られ
るが、これは本実施例では電流加算増幅器である。これ
ら可変インピーダンスの値をセットすることにより、例
えば１９×１９アレイの中心ピクセルに見られる散乱の
適切な重み付けが求められる。
ィブデバイスの出力は、１００ないし１０6 オームの範
囲にあるインピーダンスを、一般的に有する可変インピ
ーダンスを再び経て、第２のデバイスグループに送られ
るが、これは本実施例では電流加算増幅器である。これ
ら可変インピーダンスの値をセットすることにより、例
えば１９×１９アレイの中心ピクセルに見られる散乱の
適切な重み付けが求められる。
【００３７】これら可変重み付けはプロトタイプのサン
プルに対し、先に説明した反復処理で確立された同じ解
答をマトリックスが与えるまで、可変インピーダンスを
変調することにより確立される。このように、経験的過
程を経てニューラルネットワークパラメータは確定され
る。実際のフォトマスクの線量調整因子を求める間、先
に確立したインピーダンス値を有するニューラルネット
ワークを用いる。
プルに対し、先に説明した反復処理で確立された同じ解
答をマトリックスが与えるまで、可変インピーダンスを
変調することにより確立される。このように、経験的過
程を経てニューラルネットワークパラメータは確定され
る。実際のフォトマスクの線量調整因子を求める間、先
に確立したインピーダンス値を有するニューラルネット
ワークを用いる。
【００３８】各ピクセルに要する線量は、調整線量に対
応するニューラルネットワークの出力で先に確立したニ
ューラルネットワークの入力に、そのピクセルの回りの
１９×１９マトリックスの値をロードすることにより求
められる。この初めに計算したピクセルに隣接する次の
ピクセルは、１９のシフトレジスタの各個に新しいピク
セルをシフトすることにより計算されるが、これは図５
に示されるように、入力パターンにおける１ピクセルの
シフトに対応するものである。
応するニューラルネットワークの出力で先に確立したニ
ューラルネットワークの入力に、そのピクセルの回りの
１９×１９マトリックスの値をロードすることにより求
められる。この初めに計算したピクセルに隣接する次の
ピクセルは、１９のシフトレジスタの各個に新しいピク
セルをシフトすることにより計算されるが、これは図５
に示されるように、入力パターンにおける１ピクセルの
シフトに対応するものである。
【００３９】この処理は全ての調整因子が得られるまで
続けられる。３２，０００ピクセルを有するアレイに対
するこの測定時間は、代表例として、分析法について４
時間と言われるのに比べると、１３秒である。次にこう
して求めた調整値を用いて、プロトタイプのサンプルの
計算に指定の所定の正確さを有する所望のフォトマスク
が製造されるように露光過程を制御する。
続けられる。３２，０００ピクセルを有するアレイに対
するこの測定時間は、代表例として、分析法について４
時間と言われるのに比べると、１３秒である。次にこう
して求めた調整値を用いて、プロトタイプのサンプルの
計算に指定の所定の正確さを有する所望のフォトマスク
が製造されるように露光過程を制御する。
【００４０】プロトタイプのサンプルを用いて、いずれ
の製造方法に対してもニューラルネットワークの構成を
確立するために対応する処理手順は可能である。確立し
たニューラルネットワークの解を用いて製造手順を調整
すると、未調整の場合の製造過程が向上する結果とな
る。下記の実施例はこのような調整を示す改良例であ
る。
の製造方法に対してもニューラルネットワークの構成を
確立するために対応する処理手順は可能である。確立し
たニューラルネットワークの解を用いて製造手順を調整
すると、未調整の場合の製造過程が向上する結果とな
る。下記の実施例はこのような調整を示す改良例であ
る。
【００４１】実施例１ 計算を実行するために２つのアレイの情報が必要であっ
た。第１は近接関数、ＰＲＸ（ｘ、ｙ）で電子ビームの
散乱特性を示す２次元アレイであった。この第１のアレ
イはモンテ・カルロ法により計算された。このアレイの
サイズは散乱の範囲（ピクセル）に依存した。近接関数
下の全領域の９５％を包含する範囲が一般に許容できる
結果を与えた。このように、アレイＰＲＸ（ｘ、ｙ）
は、ｘ＝−ＲＡＮＧＥからｘ＝＋ＲＡＮＧＥまでに限ら
れ、ｙについても同様であった。このアレイの全次元
は、従って、 （２ｘＲＡＮＧＥ＋１）ｘ（２ｘＲＡＮＧＥ＋１） であった。
た。第１は近接関数、ＰＲＸ（ｘ、ｙ）で電子ビームの
散乱特性を示す２次元アレイであった。この第１のアレ
イはモンテ・カルロ法により計算された。このアレイの
サイズは散乱の範囲（ピクセル）に依存した。近接関数
下の全領域の９５％を包含する範囲が一般に許容できる
結果を与えた。このように、アレイＰＲＸ（ｘ、ｙ）
は、ｘ＝−ＲＡＮＧＥからｘ＝＋ＲＡＮＧＥまでに限ら
れ、ｙについても同様であった。このアレイの全次元
は、従って、 （２ｘＲＡＮＧＥ＋１）ｘ（２ｘＲＡＮＧＥ＋１） であった。
【００４２】第２のアレイ、ＩＮＰＵＴ（ｘ、ｙ）はリ
ソグラフィのマスクに対するプロトタイプの画像であっ
た。各ｘ、ｙ位置のその値によりピクセルが露光される
か否かが決められた。それは２進アレイ、即ち、その各
値は０か１かのどちらかであってその次元ｘとｙの各個
においてＲＡＮＧＥにより顕著に大きかった。反復計算
の目的は新しいアレイＩＭＡＧＥを生成することであ
り、これは散乱後エネルギー量ＤＯＳＥの結果となった
が、これはＩＮＰＵＴ（ｘ，ｙ）＝１である各ｘ，ｙ位
置に書き込まれたものであった。
ソグラフィのマスクに対するプロトタイプの画像であっ
た。各ｘ、ｙ位置のその値によりピクセルが露光される
か否かが決められた。それは２進アレイ、即ち、その各
値は０か１かのどちらかであってその次元ｘとｙの各個
においてＲＡＮＧＥにより顕著に大きかった。反復計算
の目的は新しいアレイＩＭＡＧＥを生成することであ
り、これは散乱後エネルギー量ＤＯＳＥの結果となった
が、これはＩＮＰＵＴ（ｘ，ｙ）＝１である各ｘ，ｙ位
置に書き込まれたものであった。
【００４３】ＩＮＰＵＴ（ｘ，ｙ）に対する修正を計算
するアルゴリズムは次の通りであった。 ステップ：１ ＩＭＡＧＥ（ｘ，ｙ）＝ＤＯＳＥ×ＩＮＰＵＴ（ｘ，
ｙ）
するアルゴリズムは次の通りであった。 ステップ：１ ＩＭＡＧＥ（ｘ，ｙ）＝ＤＯＳＥ×ＩＮＰＵＴ（ｘ，
ｙ）
【００４４】ステップ：２ この入力画像の結果の実際の散乱線量は次の近接関数
【数１】 を有する入射パターンの２次元コンボリューションによ
り得られた。 ステップ：３
り得られた。 ステップ：３
【００４５】所望の出力は、ＩＮＰＵＴ（ｘ，ｙ）が１
である各ｘ，ｙ位置においてＤＯＳＥに等しい露光量を
有することである。従って、エラーは次のように定義さ
れた。 ステップ：４
である各ｘ，ｙ位置においてＤＯＳＥに等しい露光量を
有することである。従って、エラーは次のように定義さ
れた。 ステップ：４
【００４６】次に新しい画像が次式のように定義され
た。 ＮＥＷＩＭＡＧＥ（ｘ，ｙ）＝ＩＭＡＧＥ（ｘ，ｙ）―
ＥＲＲＯＲ（ｘ，ｙ） 負の電子露光量は物理的にありえないので、ＮＥＷＩＭ
ＡＧＥ（ｘ，ｙ）がゼロ未満の場合、これはゼロに等し
く置かれた。次にＮＥＷＩＭＡＧＥ（ｘ，ｙ）をＩＭＡ
ＧＥ（ｘ，ｙ）の代りに用い、ステップ２に戻って代入
した。ＥＲＲＯＲ（ｘ，ｙ）の値が全て小さく許容でき
るようになるまで、もしくは反復が止まって全エラーが
減少する結果となるまで、ステップ２ないし４を繰り返
した。
た。 ＮＥＷＩＭＡＧＥ（ｘ，ｙ）＝ＩＭＡＧＥ（ｘ，ｙ）―
ＥＲＲＯＲ（ｘ，ｙ） 負の電子露光量は物理的にありえないので、ＮＥＷＩＭ
ＡＧＥ（ｘ，ｙ）がゼロ未満の場合、これはゼロに等し
く置かれた。次にＮＥＷＩＭＡＧＥ（ｘ，ｙ）をＩＭＡ
ＧＥ（ｘ，ｙ）の代りに用い、ステップ２に戻って代入
した。ＥＲＲＯＲ（ｘ，ｙ）の値が全て小さく許容でき
るようになるまで、もしくは反復が止まって全エラーが
減少する結果となるまで、ステップ２ないし４を繰り返
した。
【００４７】この基本的反復手順により入力アレイＩＮ
ＰＵＴ（ｘ，ｙ）及び近接関数ＰＲＸ（ｘ，ｙ）に対す
る修正アレイＩＭＡＧＥ（ｘ，ｙ）が計算された。散乱
は長さＲＡＮＧＥピクセルの距離にわたり起こるので、
ある特定ピクセルに対する修正計算は必ずその周辺の長
さＲＡＮＧＥの半径内にあるピクセルを全て含めたもの
であった。
ＰＵＴ（ｘ，ｙ）及び近接関数ＰＲＸ（ｘ，ｙ）に対す
る修正アレイＩＭＡＧＥ（ｘ，ｙ）が計算された。散乱
は長さＲＡＮＧＥピクセルの距離にわたり起こるので、
ある特定ピクセルに対する修正計算は必ずその周辺の長
さＲＡＮＧＥの半径内にあるピクセルを全て含めたもの
であった。
【００４８】図４に示したニューラルネットワークを用
いて次の基礎関数を計算した。
いて次の基礎関数を計算した。
【数２】 但し、ここでＷrは各バッファ増幅器４２を出力電流加
算増幅器に結合する調整可能抵抗であり、ＩＡＶＥ
（ｒ）は、関数ＩＮＰＵＴ（ｘ，ｙ）の平均半径を表わ
す。計算上、この平均は次のように行った。座標（ｘ，
ｙ）における特定のピクセルに対し、（ｘ0 ，ｙ0 ）に
おける包囲ピクセルの半径は便宜上次式により表わされ
る。
算増幅器に結合する調整可能抵抗であり、ＩＡＶＥ
（ｒ）は、関数ＩＮＰＵＴ（ｘ，ｙ）の平均半径を表わ
す。計算上、この平均は次のように行った。座標（ｘ，
ｙ）における特定のピクセルに対し、（ｘ0 ，ｙ0 ）に
おける包囲ピクセルの半径は便宜上次式により表わされ
る。
【００４９】 ＲＡＤＩＵＳ＝（integer)[(ｘ−ｘ0 ）2 ＋（ｙ−ｙ0 ）2］ ＲＡＤＩＵＳを実際の半径距離の整数部のみに限る、即
ち端数を切ることにより、ピクセルはクゼループ分けさ
れたが、それは１ピクセルの厚みの環内に落下するもの
であった。ＲＡＤＩＵＳの特定値に対し、ＩＡＶＥ（Ｒ
ＡＤＩＵＳ）はソフトウェア ニューラルネットワーク
において次式のように定義された。
ち端数を切ることにより、ピクセルはクゼループ分けさ
れたが、それは１ピクセルの厚みの環内に落下するもの
であった。ＲＡＤＩＵＳの特定値に対し、ＩＡＶＥ（Ｒ
ＡＤＩＵＳ）はソフトウェア ニューラルネットワーク
において次式のように定義された。
【００５０】
【数３】 ところがこの表示は、ハードウェアネットワークの増幅
器４２の出力の電圧と一致するものである。
器４２の出力の電圧と一致するものである。
【００５１】接続強度Ｗｒは、デルタ側、ラメルハート
らにより説明されたグラディェント低下法、を用いて試
行錯誤により求められた。超ランダム値は、はじめにＷ
ｒに割り当てられた。ある特定の入力ピクセルＩＮＰＵ
Ｔ（ｘ，ｙ）に対し、ネットワークの対応する所望の出
力ＩＭＡＧＥ（ｘ，ｙ）は反復法を用いて求められた。
らにより説明されたグラディェント低下法、を用いて試
行錯誤により求められた。超ランダム値は、はじめにＷ
ｒに割り当てられた。ある特定の入力ピクセルＩＮＰＵ
Ｔ（ｘ，ｙ）に対し、ネットワークの対応する所望の出
力ＩＭＡＧＥ（ｘ，ｙ）は反復法を用いて求められた。
【００５２】ネットワークの出力ＯＵＴＰＵＴ（ｘ，
ｙ）は上記３つの式から求められた。ニューラルネット
ワークにおけるエラーは次式により定義された。 ＮＥＴＥＲＲ（ｘ，ｙ）＝ＩＭＡＧＥ（ｘ，ｙ）―ＯＵＴＰＵＴ（ｘ，ｙ）
ｙ）は上記３つの式から求められた。ニューラルネット
ワークにおけるエラーは次式により定義された。 ＮＥＴＥＲＲ（ｘ，ｙ）＝ＩＭＡＧＥ（ｘ，ｙ）―ＯＵＴＰＵＴ（ｘ，ｙ）
【００５３】デルタ則を適用して、各試行（即ち、各点
´ｘ，ｙ）に基づく重み付けＷｒの変化を次式のように
与える。 ΔＷr ＝−Ｅta×ＮＥＴＥＲＲ（ｘ，ｙ）×ＬＡＶＥ（ｒ）
´ｘ，ｙ）に基づく重み付けＷｒの変化を次式のように
与える。 ΔＷr ＝−Ｅta×ＮＥＴＥＲＲ（ｘ，ｙ）×ＬＡＶＥ（ｒ）
【００５４】但し、ここでＥtaは比例定数で、一般的に
１未満である。余りにも大きすぎる値のＥtaを選択する
と、学習よりむしろ、ネットワークの発散の結果とな
る。余りにも小さくするとより低速での収束となる。プ
ロトタイプにおいて、多くの（ｘ，ｙ）に対しこの手順
を反復するのに従い、ＮＥＴＥＲＲ（ｘ，ｙ）はネット
ワークが安定し、一般に平均エラーが小さくなるまで段
々と小さくなるこの点において訓練は完了した。
１未満である。余りにも大きすぎる値のＥtaを選択する
と、学習よりむしろ、ネットワークの発散の結果とな
る。余りにも小さくするとより低速での収束となる。プ
ロトタイプにおいて、多くの（ｘ，ｙ）に対しこの手順
を反復するのに従い、ＮＥＴＥＲＲ（ｘ，ｙ）はネット
ワークが安定し、一般に平均エラーが小さくなるまで段
々と小さくなるこの点において訓練は完了した。
【００５５】ネットワークは良好に訓練が行われ、適宜
選択したプロトタイプの入力を用いて特定の近接関数に
対する入力を補正すると、さらに任意の入力の修正を適
切に行った。実施は実際上Ｗｒの値がコンダクタンスで
あるハードウェアの電子ネットワークとして行われた
か、またはＷｒの同じ値の上記式を用いる修正をソフト
ウェアの計算として行われたかのいずれかであった
選択したプロトタイプの入力を用いて特定の近接関数に
対する入力を補正すると、さらに任意の入力の修正を適
切に行った。実施は実際上Ｗｒの値がコンダクタンスで
あるハードウェアの電子ネットワークとして行われた
か、またはＷｒの同じ値の上記式を用いる修正をソフト
ウェアの計算として行われたかのいずれかであった
【００５６】以上の説明は、本発明の一実施例に関する
もので、この技術分野の当業者であれば、本発明の種々
の変形例が考え得るが、それらはいずれも本発明の技術
的範囲に包含される。
もので、この技術分野の当業者であれば、本発明の種々
の変形例が考え得るが、それらはいずれも本発明の技術
的範囲に包含される。
【００５７】
【発明の効果】以上述べたごとく、本発明により従来法
より優れた、高速と安い費用で、製法の調整、例えばリ
ソグラフィのマスクの製造における散乱電子露光に対す
る調整を行うことができる
より優れた、高速と安い費用で、製法の調整、例えばリ
ソグラフィのマスクの製造における散乱電子露光に対す
る調整を行うことができる
【図１】本発明の使用に好適なプロトタイプのサンプル
を示す図である。
を示す図である。
【図２】本発明により得られた結果を示す図である。
【図３】本発明により得られた結果を示す図である。
【図４】本発明の使用に好適なニューラルネットワーク
を示す図である。
を示す図である。
【図５】本発明において製造された製品を示す図であ
る。
る。
４２ バッファ増幅器 ５１ ピクセル ５２ ピクセル
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ケビン デビッド カミングス アメリカ合衆国 08853 ニュージャージ ィ、ネシャニック ステーション、ウェス コット ロード 182 (72)発明者 ロバート チャールズ フライ アメリカ合衆国 08854 ニュージャージ ィ、ピスカタウェイ、カールトン アベニ ュー 334 ビィ (72)発明者 エドワード アロアス リートマン アメリカ合衆国 07940 ニュージャージ ィ、マディソン、ダーウッド プレイス 13
Claims (7)
- 【請求項１】 複雑な製品の製造を行うための制御信号
を有する手段を用いてプロセス変量を調整するステップ
を有する所望の規格に合格する製品の製造方法におい
て、 上記手段は上記プロセス変量を示すデータに適用された
ニューラルネットワークからの解に対応し、プロトタイ
プの製品に対する上記プロセス変量を示すデータから導
かれる解が、上記所望の規格にほぼ合格する上記プロト
タイプの製品に対応する製品を結果的に与えるように、
ニューラルネットワークが、形成されることを特徴とす
る製品の製造方法。 - 【請求項２】 上記製品は、集積回路を含むことを特徴
とする請求項１記載の方法。 - 【請求項３】 上記製品は、リソグラフィのマスクを含
むことを特徴とする請求項１記載の方法。 - 【請求項４】 電子感光材料を選択的に電子に露光する
ことによりこの電子感光材料内にパターンを形成するス
テップを含むことを特徴とする請求項３記載の方法。 - 【請求項５】 上記プロセス変量は、電子ビームの制御
により形成される上記電子の線量を含むことを特徴とす
る請求項４記載の方法。 - 【請求項６】 上記ニューラルネットワークは、線形演
算を行うアクティブデバイスを含むことを特徴とする請
求項５記載の方法。 - 【請求項７】 複数の変量を用いる物品の製造方法にお
いて、制御可能エネルギーが複数のターゲット位置に送
られ、さらにこのターゲット位置において、本体の上記
複数のターゲット位置の１つと衝突する上記エネルギー
がこのターゲット位置に影響を与え、さらに上記ターゲ
ット位置に近接する複数の位置にも影響を与え、複数の
これらの位置の各個に所望の影響を与える上記エネルギ
ーによるサブプロセスが、 上記近接位置で形成される影響により上記制御可能エネ
ルギーの複数の上記変量を上記ターゲット位置の各個に
対し調整するステップを有し、 この調整が、上記製造方法の表示に適用されるニューラ
ルネットワークから導かれる解により行われ、このニュ
ーラルネットワークのパラメータはプロトタイプのサン
プルにより決められることを特徴とする製品の製造方
法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US48353090A | 1990-02-22 | 1990-02-22 | |
| US483530 | 1990-02-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0697057A true JPH0697057A (ja) | 1994-04-08 |
| JP2959858B2 JP2959858B2 (ja) | 1999-10-06 |
Family
ID=23920430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3040805A Expired - Lifetime JP2959858B2 (ja) | 1990-02-22 | 1991-02-14 | 製品の製造方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US5283746A (ja) |
| EP (1) | EP0443249B1 (ja) |
| JP (1) | JP2959858B2 (ja) |
| DE (1) | DE69030078T2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003503837A (ja) * | 1999-06-30 | 2003-01-28 | エテック システムズ インコーポレイテッド | 近接レジスト加熱の実時間予測およびラスタ走査電子ビームリソグラフィの補正 |
| JP2006011270A (ja) * | 2004-06-29 | 2006-01-12 | Nec Corp | 画像パターン補正方法、及びそれを適用した模擬画像生成方法、並びにパターン外観検査方法 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0602855A1 (en) * | 1992-12-14 | 1994-06-22 | AT&T Corp. | Active neural network control of wafer attributes in a plasma etch process |
| DE4338615B4 (de) * | 1993-11-11 | 2005-10-13 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
| DE4415811A1 (de) * | 1994-05-05 | 1995-11-09 | Thomson Brandt Gmbh | Verfahren zum Entzerren von verzerrten Datensignalen |
| US5656399A (en) * | 1996-01-22 | 1997-08-12 | Lucent Technologies Inc. | Process for making an x-ray mask |
| US5731986A (en) * | 1996-05-06 | 1998-03-24 | Winbond Electronics Corporation | Method of downsizing graphic data of a mask pattern stored in a hierarchical graphic database |
| NL1010311C2 (nl) * | 1998-06-16 | 1999-12-20 | Dirk Ernest Maria Van Dyck | Werkwijze en inrichting voor het corrigeren van nabijheidseffecten. |
| AU5881700A (en) | 1999-06-22 | 2001-01-09 | Brooks Automation, Inc. | Run-to-run controller for use in microelectronic fabrication |
| DE19940775A1 (de) * | 1999-08-27 | 2001-03-01 | Siemens Ag | Verfahren und Vorrichtung zur Bestimmung der Qualität einer Verbindung zwischen Lichtwellenleitern |
| KR100375559B1 (ko) * | 2001-07-03 | 2003-03-10 | 삼성전자주식회사 | 공정장치의 제어방법 |
| JP2003100603A (ja) * | 2001-09-25 | 2003-04-04 | Canon Inc | 露光装置及びその制御方法並びにデバイスの製造方法 |
| US7336849B2 (en) * | 2004-05-13 | 2008-02-26 | Destiny Technology Corporation | Exposure correction method for digital images |
| JP2008122929A (ja) * | 2006-10-20 | 2008-05-29 | Toshiba Corp | シミュレーションモデルの作成方法 |
| KR20180136202A (ko) * | 2017-06-14 | 2018-12-24 | 에스케이하이닉스 주식회사 | 컨볼루션 신경망 및 컨볼루션 신경망을 가진 신경망 시스템 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4479241A (en) * | 1981-08-06 | 1984-10-23 | Buckley Bruce S | Self-organizing circuits for automatic pattern recognition and the like and systems embodying the same |
| US4989256A (en) * | 1981-08-06 | 1991-01-29 | Buckley Bruce S | Self-organizing circuits |
| US4477729A (en) * | 1982-10-01 | 1984-10-16 | International Business Machines Corporation | Continuously writing electron beam stitched pattern exposure system |
| US4858147A (en) * | 1987-06-15 | 1989-08-15 | Unisys Corporation | Special purpose neurocomputer system for solving optimization problems |
| US4933872A (en) * | 1988-11-15 | 1990-06-12 | Eastman Kodak Company | Method and system for wavefront reconstruction |
| US4912655A (en) * | 1988-12-14 | 1990-03-27 | Gte Laboratories Incorporated | Adjusting neural networks |
| US4941122A (en) * | 1989-01-12 | 1990-07-10 | Recognition Equipment Incorp. | Neural network image processing system |
-
1990
- 1990-12-05 EP EP90313203A patent/EP0443249B1/en not_active Expired - Lifetime
- 1990-12-05 DE DE69030078T patent/DE69030078T2/de not_active Expired - Fee Related
-
1991
- 1991-02-14 JP JP3040805A patent/JP2959858B2/ja not_active Expired - Lifetime
-
1993
- 1993-02-25 US US08/023,158 patent/US5283746A/en not_active Expired - Lifetime
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003503837A (ja) * | 1999-06-30 | 2003-01-28 | エテック システムズ インコーポレイテッド | 近接レジスト加熱の実時間予測およびラスタ走査電子ビームリソグラフィの補正 |
| JP2006011270A (ja) * | 2004-06-29 | 2006-01-12 | Nec Corp | 画像パターン補正方法、及びそれを適用した模擬画像生成方法、並びにパターン外観検査方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2959858B2 (ja) | 1999-10-06 |
| DE69030078T2 (de) | 1997-08-07 |
| DE69030078D1 (de) | 1997-04-10 |
| EP0443249B1 (en) | 1997-03-05 |
| EP0443249A2 (en) | 1991-08-28 |
| US5283746A (en) | 1994-02-01 |
| EP0443249A3 (en) | 1992-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6951174B2 (ja) | 電子ビーム装置及び電子ビームの位置ずれ補正方法 | |
| JP2959858B2 (ja) | 製品の製造方法 | |
| JP6951922B2 (ja) | 荷電粒子ビーム装置及び荷電粒子ビームの位置ずれ補正方法 | |
| US6372391B1 (en) | Template mask lithography utilizing structured beam | |
| US5863682A (en) | Charged particle beam writing method for determining optimal exposure dose prior to pattern drawing | |
| US8429575B2 (en) | Method for resizing pattern to be written by lithography technique, and charged particle beam writing method | |
| JP2000260686A (ja) | 露光方法及び露光装置 | |
| US10916406B2 (en) | Multiple charged particle beam writing apparatus and multiple charged particle beam writing method | |
| US6165652A (en) | Pattern forming method and pattern forming apparatus | |
| EP1190434A1 (en) | Real-time prediction of proximity resist heating and correction of raster scan electron beam lithography | |
| JP3466900B2 (ja) | 電子ビーム描画装置及び電子ビーム描画方法 | |
| JPH11501145A (ja) | サブミクロン次元基準器の製作及び使用 | |
| JP2010250286A (ja) | フォトマスク、半導体装置、荷電ビーム描画装置 | |
| JPS6112068A (ja) | 電子ビームリソグラフ装置における近接効果補正方法 | |
| US8710468B2 (en) | Method of and apparatus for evaluating an optimal irradiation amount of an electron beam for drawing a pattern onto a sample | |
| JP2002313693A (ja) | マスクパターンの作成方法 | |
| JP7190267B2 (ja) | 可変成形ビーム電子ビームリソグラフィにおける基本小パターンの較正 | |
| KR102366045B1 (ko) | 하전 입자 빔 묘화 방법 및 하전 입자 빔 묘화 장치 | |
| JP2506144B2 (ja) | パタ―ンデ―タ補正方法 | |
| JPH10261562A (ja) | 荷電粒子ビーム描画用の近接効果補正装置 | |
| Frye et al. | Computation of proximity effect corrections in electron beam lithography by a neural network | |
| JPS59172233A (ja) | 電子ビ−ム露光方法 | |
| JPH02186346A (ja) | ホトマスクの製造方法 | |
| JPH11274028A (ja) | 電子ビーム描画における近接効果補正方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080730 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090730 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100730 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100730 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110730 Year of fee payment: 12 |
|
| EXPY | Cancellation because of completion of term | ||
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110730 Year of fee payment: 12 |