KR102588888B1 - 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법 - Google Patents

반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법 Download PDF

Info

Publication number
KR102588888B1
KR102588888B1 KR1020210111713A KR20210111713A KR102588888B1 KR 102588888 B1 KR102588888 B1 KR 102588888B1 KR 1020210111713 A KR1020210111713 A KR 1020210111713A KR 20210111713 A KR20210111713 A KR 20210111713A KR 102588888 B1 KR102588888 B1 KR 102588888B1
Authority
KR
South Korea
Prior art keywords
pattern
semiconductor layout
image
feature map
pattern outline
Prior art date
Application number
KR1020210111713A
Other languages
English (en)
Other versions
KR20230029343A (ko
Inventor
김도년
김태연
Original Assignee
서울대학교산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020210111713A priority Critical patent/KR102588888B1/ko
Priority to JP2021203226A priority patent/JP2023031200A/ja
Publication of KR20230029343A publication Critical patent/KR20230029343A/ko
Application granted granted Critical
Publication of KR102588888B1 publication Critical patent/KR102588888B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치는 반도체 레이아웃 패턴을 촬영한 SEM(scanning electron microscope) 이미지를 수신하는 통신 모듈; SEM 이미지로부터 패턴 윤곽 정보를 검출하는 프로그램이 저장된 메모리; 및 프로그램을 실행하는 프로세서를 포함하되, 프로그램은, 반도체 레이아웃 패턴에 대한 CAD 이미지 및 SEM 이미지로 이루어진 학습 데이터에 기반하여 학습된 패턴 윤곽 검출 모델에 SEM 이미지를 입력하여 패턴 윤곽 정보를 추출하고, 패턴 윤곽 정보는 SEM 이미지에서 검출한 반도체 레이아웃 패턴의 윤곽 라인과 스페이스로 구성된 윤곽 이미지인 것이다.

Description

반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법{DEVICE AND METHOD FOR DETECTING PATTERN CONTOUR INFORMATION OF SEMICONDUCTOR LAYOUT}
본 발명은 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법에 관한 것이다.
최근 반도체 소자의 소형화로 인해 정확한 패턴을 생성하기 어렵다. 이로 인해 웨이퍼 패턴에 많은 결함을 초래한다. 고품질의 패턴을 생산하기 위해서는 윤곽을 이용하여 구한 임계치수(CD, critical dimension) 값을 이용하여 품질을 측정하는 것이 중요하다. 따라서 주사전자현미경(SEM, scanning electron microscope) 이미지의 리소그래피 윤곽 식별은 반도체 공정에서 매우 중요한 부분이다.
종래에는 룰 기반의 알고리즘으로 반도체 소자의 레이아웃 패턴 데이터에서 이미지의 픽셀 정보에 따라 기준을 두어 윤곽선을 추출한다. 현재까지 반도체 산업에서 많이 사용하는 기술이다. 하지만 이 방법은 이미지의 픽셀 값에 따라 레이아웃 패턴 추출 기준이 달라져 상황마다 추출 성능의 차이가 나타난다. 결국 전자 현미경 이미지 촬영 조건에 따라 큰 성능 차이를 불러오게 된다. 특히 경계가 모호한 레이아웃의 경우 패턴 추출이 어렵다는 문제가 있다.
이와 관련하여 대한민국 등록특허 제2008-0001434호(발명의 명칭: 반도체 소자의 패턴 정보 추출 방법)는 반도체 소자의 레이아웃 패턴 데이터에서 웨이퍼의 라인 및 스페이서를 구분하고, 웨이퍼 패턴의 윤곽선 이미지를 추출한 후에 추출된 윤곽선 이미지를 이용하여 웨이퍼 패턴 정보를 추출하는 방법에 관한 것을 개시하고 있다.
본 발명은 전술한 문제점을 해결하기 위한 것으로, 반도체 레이아웃 패턴에 대한 CAD 이미지 및 SEM 이미지로 이루어진 학습 데이터에 기반하여 학습된 패턴 윤곽 검출 모델에 SEM 이미지를 입력하여 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법을 제공하는 것을 일 기술적 과제로 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 따른 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치는 반도체 레이아웃 패턴을 촬영한 SEM(scanning electron microscope) 이미지를 수신하는 통신 모듈; SEM 이미지로부터 패턴 윤곽 정보를 검출하는 프로그램이 저장된 메모리; 및 프로그램을 실행하는 프로세서를 포함하되, 프로그램은, 반도체 레이아웃 패턴에 대한 CAD 이미지 및 SEM 이미지로 이루어진 학습 데이터에 기반하여 학습된 패턴 윤곽 검출 모델에 SEM 이미지를 입력하여 패턴 윤곽 정보를 추출하고, 패턴 윤곽 정보는 SEM 이미지에서 검출한 반도체 레이아웃 패턴의 윤곽 라인과 스페이스로 구성된 윤곽 이미지인 것이다.
또한, 본 발명의 제2 측면에 따른 반도체 레이아웃의 패턴 윤곽 정보 검출 장치를 이용하여 패턴 윤곽 정보를 검출하는 방법은 반도체 레이아웃 패턴을 촬영한 SEM(scanning electron microscope) 이미지를 수신하는 단계; 및 반도체 레이아웃 패턴에 대한 CAD 이미지 및 SEM 이미지로 이루어진 학습 데이터에 기반하여 학습된 패턴 윤곽 검출 모델에 SEM 이미지를 입력하여 패턴 윤곽 정보를 추출하는 단계를 포함하되, 패턴 윤곽 정보는 SEM 이미지에서 검출한 반도체 레이아웃 패턴의 윤곽 라인과 스페이스로 구성된 윤곽 이미지인 것이다.
전술한 본원의 과제 해결 수단들에 따르면, 종래의 룰 기반의 알고리즘 기반 패턴 윤곽 추출 기술과는 달리 딥러닝 모델 중 의미적 분할 모델을 사용하여, SEM 이미지의 해상도와 촬영 조건에 영향 없이 레이아웃 패턴을 추출 할 수 있다.
또한, SEM 이미지 뿐 아니라 그에 대응되는 CAD 이미지를 이용해 희미한 반도체 패턴 윤곽까지 추출할 수 있어, 정확한 반도체 패턴 윤곽 추출이 가능하다.
도 1은 본 발명의 일 실시예에 따른 반도체 레이아웃의 패턴 윤곽 정보 검출 장치의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른패턴 윤곽 검출 모델의 구성을 도시한 개념도 이다.
도 3은 본 발명의 일 실시예에 따른 패턴 윤곽 검출 모델의 인코더부 및 디코더부를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 반도체 레이아웃의 패턴 윤곽 정보 검출 장치로부터 출력된 패턴 윤곽 정보의 예를 도시한 것이다.
도 5는 종래 기술과 본 발명이 출력한 패턴 윤곽 정보를 비교 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 반도체 레이아웃의 패턴 윤곽 정보 검출 방법을 도시한 순서도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 상세히 설명하기로 한다. 다만, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시예들로 한정되는 것은 아니다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 도면에 나타난 각 구성요소의 크기, 형태, 형상은 다양하게 변형될 수 있다. 명세서 전체에 대하여 동일/유사한 부분에 대해서는 동일/유사한 도면 부호를 붙였다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 “부” 등은 명세서 작성의 용이함만이 고려되어 부여 되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략하였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉 또는 결합)"되어 있다고 할 때, 이는 "직접적으로 연결(접속, 접촉 또는 결합)"되어 있는 경우뿐만 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결 (접속, 접촉 또는 결합)"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함(구비 또는 마련)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 "포함(구비 또는 마련)"할 수 있다는 것을 의미한다.
본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 나타내는 용어들은 하나의 구성 요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 구성 요소들의 순서나 관계를 제한하지 않는다. 예를 들어, 본 발명의 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소도 제1구성 요소로 명명될 수 있다.
도 1은 본 발명의 일 실시예에 따른 반도체 레이아웃의 패턴 윤곽 정보 검출 장치의 구성을 도시한 블록도이다.
도 1을 참조하면, 반도체 레이아웃의 패턴 윤곽 정보 검출 장치(100)는 통신 모듈(110), 메모리(120) 및 프로세서(130)를 포함하며, 데이터베이스(140)를 더 포함할 수 있다. 반도체 레이아웃의 패턴 윤곽 정보 검출 장치(100)는 반도체 레이아웃 패턴을 촬영한 SEM 이미지를 수신하고, 이를 이용하여 패턴 윤곽 정보를 추출하는 동작을 수행한다.
이를 위해, 반도체 레이아웃의 패턴 윤곽 정보 검출 장치(100)는 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 각종 스마트폰, 태블릿 PC, 스마트 워치 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
네트워크는 단말들 및 장치들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
통신 모듈(110)은 반도체 레이아웃 패턴을 촬영한 SEM 이미지를 수신한다. 통신 모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치를 포함할 수 있다. 예를 들어, 본 발명의 패턴 윤곽 정보 검출 장치(100)는 내부에 통신 모듈(110)을 포함하고, 유무선 연결을 통해 외부 반도체 검사 장치로부터 SEM 이미지를 수신할 수 있으나 이에 한정된 것은 아니다. 다른 예로, 외부 반도체 검사 장치가 본 발명의 패턴 윤곽 정보 검출 장치(100)를 내부에 포함하는 형태로 구현될 수 있으며, 이때 패턴 윤곽 정보 검출 장치(100)는 통신 모듈(110)을 포함하지 않는다.
메모리(120)는 통신 모듈(110)을 통해 수신한 SEM 이미지로부터 패턴 윤곽 정보를 예측하는 프로그램이 저장된다. 이때, 패턴 윤곽 정보를 예측하는 프로그램은 반도체 레이아웃 패턴에 대한 CAD 이미지 및 SEM 이미지로 이루어진 학습 데이터에 기반하여 학습된 패턴 윤곽 검출 모델에 SEM 이미지를 입력하여 패턴 윤곽 정보를 추출한다. 이때 패턴 윤곽 정보는 SEM 이미지에서 검출한 반도체 레이아웃 패턴의 윤곽 라인과 스페이스로 구성된 윤곽 이미지다. 패턴 윤곽 정보의 구체적인 내용에 대해서는 추후 설명하기로 한다.
이때, 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력을 필요로 하는 휘발성 저장장치를 통칭하는 것으로 해석되어야 한다. 메모리(120)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 메모리(120)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(130)는 메모리(120)에 저장된 패턴 윤곽 정보를 예측하는 프로그램을 실행하고, 그 실행 결과로서 SEM 이미지에 대한 패턴 윤곽 정보를 출력한다.
일 예에서, 프로세서(130)는 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 형태로 구현될 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(140)는 통신 모듈(110)을 통해 수신되는 SEM 이미지나, 패턴 윤곽 검출 모델의 학습을 위한 다양한 데이터가 저장될 수 있다. 또한, 데이터베이스(140)는 패턴 윤곽 정보 추출 프로그램에 의해 추출된 패턴 윤곽 정보를 누적적으로 저장한다.
이하, 패턴 윤곽 정보를 추출하는 패턴 윤곽 검출 모델에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른패턴 윤곽 검출 모델의 구성을 도시한 개념도 이다. 도 3은 본 발명의 일 실시예에 따른 패턴 윤곽 검출 모델의 인코더부 및 디코더부를 설명하기 위한 도면이다.
도2를 참조하면 패턴 윤곽 검출 모델(200)은 각 반도체 레이아웃 패턴을 포함하는 복수의 SEM 이미지와 각 반도체 레이아웃 패턴에 대응하는 CAD이미지를 매칭시킨 학습 데이터에 기반하여 구축된 것이다.
패턴 윤곽 검출 모델(200)은 오코 인코더를 구성하는 인코더부(210) 및 디코더부(220)를 포함한다. 오토 인코더는 비지도 방식으로 훈련된 인공 신경망으로서, 입력 데이터에 대하여 인코딩된 표현을 학습한 다음, 학습된 인코딩 표현에서 입력 데이터와 가능한 가까운 출력 데이터를 예측하여 생성한다. 인코더부(210)는 입력된 SEM 이미지로부터 제1 특징 맵을 추출한다. 디코더부(220)는 입력된 SEM 이미지와 대응하는 CAD 이미지를 획득하고, CAD 이미지로부터 제2 특징 맵을 추출한다.
구체적으로 도 3을 참조하면 패턴 윤곽 검출 모델(200)의 인코더부(210)는 레즈넷(ResNet) 신경망, CBAM(Convolutional Block Attention Module) 및 ASPP(atrous spatial pyramid pooling)를 포함하는 객체 특징 추출 알고리즘에 기반하여 제1특징 맵을 추출한다.
또한 인코더부(210)는 Resnet-101 와 CBAM로 구성된 제1추출부(211) 및 ASPP로 구성된 제2추출부(212)를 포함한다.
예시적으로 제1추출부(211)는 흐릿한 SEM 이미지를 추출하기 위해 SEM 이미지의 정보가 감소하기 전에 인코더의 병목에서 CBAM을 보완하였다. 예를 들어, 제1추출부(211)는 Resnet-101를 통해 SEM 이미지 패턴 특징을 추출한다. 또한 Resnet-101의 각 병목 현상에 CBAM을 삽입하여 노이즈에 강력한 1차 특징 맵을 생성하였다.
이때 병목 현상은 공간 풀링의 일부이며 이 과정에서 특징 맵의 공간 해상도가 감소한다. 즉 CBAM의 주요 기능은 정보의 양이 줄어들기 전에 CBAM을 추가하여 중요한 부분의 가치를 높이고 덜 중요한 부분의 가치를 줄인다. 따라서 CBAM을 통해 패턴 윤곽에 대한 정보 손실을 줄일 수 있다.
또한 제2추출부(212)는 ASPP를 적용하여 보다 밀도 높은 2차 특징 맵을 추출할 수 있다. 이때 인코더 부분의 가장 중요한 측면은 추출되는 SEM 이미지의 특징의 품질이다. 특히, SEM 이미지에는 상당한 양의 노이즈가 있으며 반도체 패턴의 크기는 매우 다양하다. 즉 제2추출부(212)는 ASPP를 통해 다양한 패턴 크기에 대한 특징을 추출한다.
또한 제2추출부(212)는 1차 특징 맵의 픽셀 사이에 구멍을 채우고 컨볼루션을 수행한다. 일 예로, 아토러스 컨볼루션(atrous convolution)의 확장률은 1, 6, 12, 18로 설정하였고 커널 크기는 3×3에 해당한다. 결과는 다중 스케일 특징으로 결합된다. 이를 통해 다양한 수용 분야(필드)를 관찰할 수 있다.
다시 말하면, 인코더부(210)는 1차 특징 맵을 생성하는 제1추출부(211)와 2차 특징 맵을 생성하는 제2추출부(212)를 거쳐 제1특징 맵을 추출할 수 있다.
이로 인해 인코더부(210)는 기존 컨볼루션과 비교할 때 계산을 유지하면서 넓은 수용 영역을 최대한 커버할 수 있다.
패턴 윤곽 검출 모델(200)의 디코더부(220)는 제1 특징 맵과 제2 특징 맵을 결합하여 제3 특징 맵을 생성하고, 제3 특징 맵을 기 설정된 배수로 증가하여 패턴 윤곽 정보를 출력한다.
또한 디코더부(220)는 컨볼루션 레이어, 배치 정규화 레이어 및 ReLU 레이어로 구성된 제3추출부(221) 및 제4추출부(222)를 포함한다.
제3추출부(221)는 정확한 윤곽을 생성하기 위해 입력 SEM 이미지에 해당하는 CAD 이미지를 디코더의 프런트 엔드에 참조로 삽입한다. 반도체 데이터는 SEM 및 CAD 이미지 쌍에 특징이 있으며, 디코더에 대한 참조로 CAD 이미지를 사용할 수 있다.
제3추출부(221)는 CAD 이미지를 컨볼루션 레이어, 배치 정규화 레이어 및 ReLU 레이어를 통과시키고, CAD 이미지에 대한 제2 특징 맵을 생성한다. 이어서 제3추출부(221)는 인코더부(210)를 통해 전달된 제1 특징 맵과 CAD 이미지의 제2 특징 맵을 결합하여 제3 특징 맵을 생성한다. 다음으로, 제4추출부(222)는 합성된 제3 특징 맵을 컨볼루션 레이어, 배치 정규화 레이어 및 ReLU 레이어를 통과시킨다. 마지막으로 제4추출부(222)는제3 특징 맵을 2배로 증가시켜 분할된 패턴 윤곽 정보(즉 윤곽 이미지)를 출력한다.
즉, 본 발명은 CBAM과 ASPP를 인코더부(210) 모듈로 사용하여 정확한 특징을 추출하고 디코더부(220) 모듈 앞에 CAD 이미지를 참조하는 패턴 윤곽 검출 모델(200)을 제공한다.
따라서 본 발명은 종래의 룰 기반 컴퓨터 알고리즘을 이용하는 것에서 벗어나 딥러닝 모델 중 의미적 분할 모델(Semantic segmentation model)을 이용함으로써 정확한 레이아웃 추출이 가능하다. 더불어 레이아웃에 대응하는 CAD 이미지를 딥러닝 모델에 추가해줌으로써 경계가 모호한 레이아웃까지 패턴 추출이 가능하다. 이를 통해 반도체 레이아웃 패턴 추출을 정확하게 할 수 있으며, 추출 이후 레이아웃의 정확성을 평가 할 수 있는 선폭(CD: Critical Dimension)을 측정할 수 있다.
도 4는 본 발명의 일 실시예에 따른 반도체 레이아웃의 패턴 윤곽 정보 검출 장치로부터 출력된 패턴 윤곽 정보의 예를 도시한 것이다. 도 5는 종래 기술과 본 발명이 출력한 패턴 윤곽 정보를 비교 설명하기 위한 도면이다.
도 4를 참조하면, 본 발명의 패턴 윤곽 정보 검출 장치(100)는 패턴 윤곽 검출 모델(200)에 다양한 패턴의 SEM 이미지를 입력하고, SEM 이미지와 정확도가 높은 패턴 윤곽 이미지를 출력하였다.
도 5를 참조하면 본 발명의 패턴 윤곽 검출 모델(200)과 기존의 모델인 DeepLab v3+및 PSPnet이 추출한 윤곽 이미지의 정확도 비교 결과이다. 패턴 윤곽의 정확한 비교를 위한 척도로 정규화된 교차 상관(NCC, normalized cross-correlation) 점수를 사용하였다. 본 발명의 윤곽 이미지의 NCC 점수가 DeepLab v3+보다 약 5%, PSPnet보다 46% 높은 것으로 나타났다. 즉, SEM이미지 중 패턴이 불분명한 부분이나 노이즈가 있는 부분에 대해서는 기존의 모델에 비해 본 발명의 패턴 윤곽 검출 모델(200)이 윤곽 추출이 훨씬 더 정확함을 알 수 있다.
이하에서는 상술한 도 1 내지 도5에 도시된 구성 중 동일한 구성의 설명은 생략하도록 한다.
도 6은 본 발명의 일 실시예에 따른 반도체 레이아웃의 패턴 윤곽 정보 검출 방법을 도시한 순서도이다.
본 발명의 반도체 레이아웃의 패턴 윤곽 정보 검출 장치를 이용하여 패턴 윤곽 정보를 검출하는 방법은 반도체 레이아웃 패턴을 촬영한 SEM이미지를 수신하는 단계(S120) 및 반도체 레이아웃 패턴에 대한 CAD 이미지 및 SEM 이미지로 이루어진 학습 데이터에 기반하여 학습된 패턴 윤곽 검출 모델(200)에 SEM 이미지를 입력하여 패턴 윤곽 정보를 추출하는 단계(S120)를 포함한다. 이때, 패턴 윤곽 정보는 SEM 이미지에서 검출한 반도체 레이아웃 패턴의 윤곽 라인과 스페이스로 구성된 윤곽 이미지다.
패턴 윤곽 검출 모델(200)은 각 반도체 레이아웃 패턴을 포함하는 복수의 SEM 이미지와 각 반도체 레이아웃 패턴에 대응하는 CAD이미지를 매칭시킨 학습 데이터에 기반하여 구축된 것이다. 패턴 윤곽 검출 모델(200)은 입력된 SEM 이미지로부터 제1 특징 맵을 추출하는 인코더부(210) 및 입력된 SEM 이미지와 대응하는 CAD 이미지를 획득하고, CAD 이미지로부터 제2 특징 맵을 추출하는 디코더부(220)를 포함한다.
패턴 윤곽 검출 모델(200)의 인코더부(210)는 레즈넷(ResNet) 신경망, CBAM(Convolutional Block Attention Module) 및 ASPP(atrous spatial pyramid pooling)를 포함하는 객체 특징 추출 알고리즘에 기반하여 제1특징 맵을 추출한다.
패턴 윤곽 검출 모델(200)의 디코더부(220)는 제1 특징 맵과 제2 특징 맵을 결합하여 제3 특징 맵을 생성하고, 제3 특징 맵을 기 설정된 배수로 증가하여 패턴 윤곽 정보를 출력한다.
이상에서 설명한 패턴 윤곽 정보 검출 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 상술한 설명을 기초로 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해되어야만 한다. 본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 패턴 윤곽 정보 검출 장치
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스

Claims (9)

  1. 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치에 있어서,
    반도체 레이아웃 패턴을 촬영한 SEM(scanning electron microscope) 이미지로부터 패턴 윤곽 정보를 검출하는 프로그램이 저장된 메모리; 및
    상기 프로그램을 실행하는 프로세서를 포함하되,
    상기 프로그램은, 반도체 레이아웃 패턴에 대한 CAD 이미지 및 SEM 이미지로 이루어진 학습 데이터에 기반하여 학습된 패턴 윤곽 검출 모델에 상기 SEM 이미지를 입력하여 상기 패턴 윤곽 정보를 추출하고,
    상기 패턴 윤곽 정보는 상기 SEM 이미지에서 검출한 반도체 레이아웃 패턴의 윤곽 라인과 스페이스로 구성된 윤곽 이미지인 것인, 반도체 레이아웃의 패턴 윤곽 정보 검출 장치.
  2. 제1항에 있어서,
    상기 패턴 윤곽 검출 모델은 각 반도체 레이아웃 패턴을 포함하는 복수의 SEM 이미지와 상기 각 반도체 레이아웃 패턴에 대응하는 CAD이미지를 매칭시킨 학습 데이터에 기반하여 구축된 것으로서,
    입력된 SEM 이미지로부터 제1 특징 맵을 추출하는 인코더부, 및 상기 입력된 SEM 이미지와 대응하는 CAD 이미지를 획득하고, 상기 CAD 이미지로부터 제2 특징 맵을 추출하는 디코더부를 포함하는 것인, 반도체 레이아웃의 패턴 윤곽 정보 검출 장치.
  3. 제2항에 있어서,
    상기 패턴 윤곽 검출 모델의 인코더부는 레즈넷(ResNet) 신경망, CBAM(Convolutional Block Attention Module) 및 ASPP(atrous spatial pyramid pooling)를 포함하는 객체 특징 추출 알고리즘에 기반하여 상기제1특징 맵을 추출하는 것인, 반도체 레이아웃의 패턴 윤곽 정보 검출 장치.
  4. 제2항에 있어서,
    상기 패턴 윤곽 검출 모델의 디코더부는 상기 제1 특징 맵과 상기 제2 특징 맵을 결합하여 제3 특징 맵을 생성하고, 상기 제3 특징 맵을 기 설정된 배수로 증가하여 상기 패턴 윤곽 정보를 출력하는 것인, 반도체 레이아웃의 패턴 윤곽 정보 검출 장치.
  5. 반도체 레이아웃의 패턴 윤곽 정보 검출 장치를 이용하여 패턴 윤곽 정보를 검출하는 방법에 있어서,
    반도체 레이아웃 패턴을 촬영한 SEM(scanning electron microscope) 이미지를 수신하는 단계; 및
    반도체 레이아웃 패턴에 대한 CAD 이미지 및 SEM 이미지로 이루어진 학습 데이터에 기반하여 학습된 패턴 윤곽 검출 모델에 상기 SEM 이미지를 입력하여 상기 패턴 윤곽 정보를 추출하는 단계를 포함하되,
    상기 패턴 윤곽 정보는 상기 SEM 이미지에서 검출한 반도체 레이아웃 패턴의 윤곽 라인과 스페이스로 구성된 윤곽 이미지인 것인, 반도체 레이아웃의 패턴 윤곽 정보 검출 방법.
  6. 제5항에 있어서,
    상기 패턴 윤곽 검출 모델은 각 반도체 레이아웃 패턴을 포함하는 복수의 SEM 이미지와 상기 각 반도체 레이아웃 패턴에 대응하는 CAD이미지를 매칭시킨 학습 데이터에 기반하여 구축된 것으로서,
    입력된 SEM 이미지로부터 제1 특징 맵을 추출하는 인코더부, 및 상기 입력된 SEM 이미지와 대응하는 CAD 이미지를 획득하고, 상기 CAD 이미지로부터 제2 특징 맵을 추출하는 디코더부를 포함하는 것인, 반도체 레이아웃의 패턴 윤곽 정보 검출 방법.
  7. 제6항에 있어서,
    상기 패턴 윤곽 검출 모델의 인코더부는 레즈넷(ResNet) 신경망, CBAM(Convolutional Block Attention Module) 및 ASPP(atrous spatial pyramid pooling)를 포함하는 객체 특징 추출 알고리즘에 기반하여 상기제1특징 맵을 추출하는 것인, 반도체 레이아웃의 패턴 윤곽 정보 검출 방법.
  8. 제6항에 있어서,
    상기 패턴 윤곽 검출 모델의 디코더부는 상기 제1 특징 맵과 상기 제2 특징 맵을 결합하여 제3 특징 맵을 생성하고, 상기 제3 특징 맵을 기 설정된 배수로 증가하여 상기 패턴 윤곽 정보를 출력하는 것인, 반도체 레이아웃의 패턴 윤곽 정보 검출 방법.
  9. 제5항 내지 제8항 중 어느 한 항에 따른 반도체 레이아웃의 패턴 윤곽 정보 검출 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 비일시적 컴퓨터 판독가능 기록매체.
KR1020210111713A 2021-08-24 2021-08-24 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법 KR102588888B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210111713A KR102588888B1 (ko) 2021-08-24 2021-08-24 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법
JP2021203226A JP2023031200A (ja) 2021-08-24 2021-12-15 半導体レイアウトのパターン輪郭情報を検出する装置及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210111713A KR102588888B1 (ko) 2021-08-24 2021-08-24 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230029343A KR20230029343A (ko) 2023-03-03
KR102588888B1 true KR102588888B1 (ko) 2023-10-13

Family

ID=85414191

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210111713A KR102588888B1 (ko) 2021-08-24 2021-08-24 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법

Country Status (2)

Country Link
JP (1) JP2023031200A (ko)
KR (1) KR102588888B1 (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180055708A (ko) * 2016-11-16 2018-05-25 삼성전자주식회사 이미지를 처리하는 전자 장치 및 방법
KR102400017B1 (ko) * 2017-05-17 2022-05-19 삼성전자주식회사 객체를 식별하는 방법 및 디바이스
KR102427884B1 (ko) * 2019-12-24 2022-07-29 영남대학교 산학협력단 객체 검출 모델 학습 장치 및 방법

Also Published As

Publication number Publication date
KR20230029343A (ko) 2023-03-03
JP2023031200A (ja) 2023-03-08

Similar Documents

Publication Publication Date Title
US11907847B2 (en) Operating machine-learning models on different platforms
WO2020228446A1 (zh) 模型训练方法、装置、终端及存储介质
CN108230339B (zh) 一种基于伪标签迭代标注的胃癌病理切片标注补全方法
US10521539B2 (en) Optimization of integrated circuit mask design
WO2019233166A1 (zh) 一种表面缺陷检测方法、装置及电子设备
CN111160533B (zh) 一种基于跨分辨率知识蒸馏的神经网络加速方法
US11501563B2 (en) Image processing method and system
CN110852349B (zh) 一种图像处理方法、检测方法、相关设备及存储介质
CN109949255A (zh) 图像重建方法及设备
US10388009B2 (en) Machine-learning measurements of quantitative feature attributes
US10032093B2 (en) Method and device for determining the shape of an object represented in an image, corresponding computer program product and computer-readable medium
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN111091567B (zh) 医学图像配准方法、医疗设备及存储介质
WO2022082692A1 (zh) 一种光刻热点检测方法、装置、存储介质及设备
WO2024179388A1 (zh) 一种复式神经网络架构的浮游生物目标检测与分类方法
Wen et al. SVBRDF Recovery from a Single Image with Highlights Using a Pre‐trained Generative Adversarial Network
WO2024164796A1 (zh) 遥感影像困难样本挖掘方法
CN110910388A (zh) 一种基于U-Net和密度估计的癌细胞图像分割方法
KR102588888B1 (ko) 반도체 레이아웃의 패턴 윤곽 정보를 검출하는 장치 및 방법
CN113658125A (zh) 用于评估版图热点的方法、设备和存储介质
CN113947102B (zh) 一种用于复杂环境移动机器人场景理解的主干双路图像语义分割方法
CN113989793A (zh) 一种石墨电极钢印文字识别方法
CN114708591A (zh) 基于单字连接的文档图像中文字符检测方法
US20240221281A1 (en) Avatar generation according to artistic styles
CN116612474B (zh) 对象检测方法、装置、计算机设备及计算机可读存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant