KR20090050809A - 신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와이를 위한 기록매체 - Google Patents

신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와이를 위한 기록매체 Download PDF

Info

Publication number
KR20090050809A
KR20090050809A KR1020070117442A KR20070117442A KR20090050809A KR 20090050809 A KR20090050809 A KR 20090050809A KR 1020070117442 A KR1020070117442 A KR 1020070117442A KR 20070117442 A KR20070117442 A KR 20070117442A KR 20090050809 A KR20090050809 A KR 20090050809A
Authority
KR
South Korea
Prior art keywords
data
conversion time
circuit design
neural network
input data
Prior art date
Application number
KR1020070117442A
Other languages
English (en)
Inventor
장성훈
김종원
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020070117442A priority Critical patent/KR20090050809A/ko
Publication of KR20090050809A publication Critical patent/KR20090050809A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)

Abstract

신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와 이를 위한 기록매체를 개시한다. 본 발명에 따른 포토마스크 제조 장치는 회로 설계 데이터로부터 복수의 입력 데이터를 추출하는 데이터 추출부, 신경회로망 기법을 통하여 입력 데이터로부터 제2 변환시간을 구하는 변환시간 예측부, 제2 변환시간에 따라 변환장치를 할당하는 변환장치 할당부 및 할당된 변환장치를 통하여 상기 회로 설계 데이터를 마스크 데이터로 변환하는 데이터 변환부를 포함한다. 변환장치 예측부는, 준비된 하드웨어 개수에 따른 변환시간 변화 모델을 탑재하고, 입력 데이터로부터 신경회로망 기법을 통하여 제1 변환시간을 구하는 신경회로망부 및 제1 변환시간에 변환시간 모델을 적용하여 제2 변환시간을 계산하는 변환시간 계산부를 포함할 수 있다.
회로 설계 데이터, 데이터 변환, 신경회로망, 포토마스크

Description

신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와 이를 위한 기록매체{Method and apparatus for manufacturing photomask using neural-network and recoding medium}
본 발명은 반도체 소자 제조용 포토마스크 제조 방법 및 제조 장치와 이를 위한 기록매체에 관한 것으로서, 더욱 상세하게는, 회로 설계 데이터를 마스크 데이터로 변환하여 사용하는 신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와 이를 위한 기록매체에 관한 것이다.
포토리소그래피 공정은 반도체 소자 제조에 필수적이며, 포토리소그래피 기술의 발전으로 반도체 소자에 포함된 개별 소자의 스케일 축소는 더욱더 가속화되고 있다. 최근, 반도체 소자 제조의 디자인 룰은 지속적으로 감소하여 0.1㎛ 이하의 패턴을 형성할 것을 요구하고 있으며, 이에 따라 웨이퍼 기판상에 전사되는 패턴의 크기는 실질적으로 노광 빔 파장의 이하가 되었다. 그 결과, 광 근접 효과 보정(OPC, Optical Proximity Correction)이 해상도의 한계를 결정하는 주요 요인이 되었으며, 더욱 신뢰성 있는 미세 임계 선폭의 제어를 위해서 광 근접 효과 보정의 개선은 필수적이다.
최근, 반도체 장치의 집적도 향상으로 회로 설계 데이터 자체의 용량이 증가하고 있으며, 회로 설계 데이터는 광 근접 효과를 고려한 수정 데이터를 포함하여 포토마스크 기록 장치에 입력되기 때문에, 실제 포토마스크 기록 장치에 입력되는 마스크 데이터의 용량은 본래의 회로 설계 데이터에 비하여 더욱 확장된다.
통상, OrCAD 등의 레이아웃 툴에 의해 작성된 반도체 소자의 회로 설계 데이터는 기본적인 입출력 형식으로서 GDSII 데이터 형식(file format)을 갖는다. 이러한 회로 설계 데이터는 포토마스크 제조 장치의 데이터 형식으로 전환(format transformation)된다. 하지만 회로 설계 데이터를 포토마스크 제작을 위한 마스크 데이터로의 변환시간이 급격히 증가하는 문제가 발생하고 있다. 증가하는 시간에 대응하기 위해 리눅스 기반의 분산 처리 시스템을 변환장치로 적용하고 있다. 그에 따라 변환시간을 고려한 변환장치의 할당이 요구되며, 일반적으로 회로 설계 데이터의 파일 크기를 감안하여 변환시간을 예측하고 있다.
도 1은 종래 기술에 의한 회로 설계 데이터를 마스크 데이터로 변환하는 방법을 나타내는 순서도이다.
도 1을 참조하면, 먼저 회로 설계 데이터의 파일 크기를 확인한 후(S11). 상기 파일 크기로부터 상기 회로 설계 데이터를 마스크 데이터로 변환하는 시간을 예측한다(S12). 그런 다음 예측된 변환시간을 고려하여 변환장치를 할당하고(S13). 할당된 변환장치를 이용하여 상기 회로 설계 데이터를 마스크 데이터로 변환한다(S14). 그러나 이러한 방법으로 예측된 변환시간은 정확도가 떨어져서 효율적인 변환장치의 활용을 어렵게 만드는 문제가 발생하고 있다.
따라서 본 발명이 이루고자 하는 기술적 과제는, 회로 설계 데이터를 마스크 데이터로 변환하는 시간을 정확히 예측할 수 있는 포토마스크 제조 방법을 제공하는 것이다. 그리고 본 발명이 이루고자 하는 다른 기술적 과제는, 상기 포토마스크 제조 방법을 컴퓨터에서 실행시키기 위한 프로그램을 저장한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 것이다.
또한 본 발명이 이루고자 하는 또 다른 기술적 과제는 회로 설계 데이터를 마스크 데이터로 변환하는 시간을 정확히 예측할 수 있는 신경회로망을 이용한 포토마스크 제조 장치를 제공하는 것이다.
상기 기술적 과제를 달성하기 위한 본 발명에 따른 포토마스크 제조 방법은, 회로 설계 데이터로부터 복수의 입력 데이터를 추출하는 단계, 상기 복수의 입력 데이터로부터 신경회로망 기법을 통하여 제2 변환시간을 구하는 단계, 상기 제2 변환시간에 따라 변환장치를 할당하는 단계 및 상기 할당된 변환장치를 통하여 상기 회로 설계 데이터를 마스크 데이터로 변환하는 단계를 포함한다.
바람직하게는 하드웨어 개수에 따른 변환시간 모델을 준비하는 단계를 더 포함하고, 상기 제2 변환시간을 구하는 단계는, 상기 복수의 입력 데이터로부터 신경회로망 기법을 통하여 제1 변환시간을 구하는 단계 및 상기 제1 변환시간에 상기 변환시간 모델을 적용하여 상기 제2 변환시간을 구하는 단계를 포함할 수 있다.
상기 회로 설계 데이터는 GDSII 파일로 이루어질 수 있다. 상기 복수의 입력 데이터는 상기 GDSII 파일의 내부 구조를 분석하여 추출할 수 있다. 또한 상기 복수의 입력 데이터는 셀의 개수, 구조 참조의 개수, 배열 참조의 개수, 폴리곤의 개수 및 상기 GDSII 파일의 크기를 포함할 수 있다.
상기 신경회로망 기법은 적어도 하나의 은닉층을 사용하고, 상기 은닉층은 복수의 노드를 사용하는 것이 바람직하다.
또한, 상기 다른 기술적 과제를 달성하기 위한 본 발명에 따른 기록 매체는 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 저장한 컴퓨터로 읽을 수 있다.
또한, 상기 또 다른 기술적 과제를 달성하기 위한 본 발명에 따른 포토마스크 제조 장치는 회로 설계 데이터로부터 복수의 입력 데이터를 추출하는 데이터 추출부, 신경회로망 기법을 통하여 상기 입력 데이터로부터 제2 변환시간을 구하는 변환시간 예측부, 상기 제2 변환시간에 따라 변환장치를 할당하는 변환장치 할당부 및 상기 할당된 변환장치를 통하여 상기 회로 설계 데이터를 마스크 데이터로 변환하는 데이터 변환부를 포함한다.
상기 변환장치 할당부는, 준비된 하드웨어 개수에 따른 변환시간 변화 모델을 탑재하고, 상기 입력 데이터로부터 신경회로망 기법을 통하여 제1 변환시간을 구하는 신경회로망부 및 상기 제1 변환시간에 상기 변환시간 모델을 적용하여 상기 제2 변환시간을 계산하는 변환시간 계산부를 포함할 수 있다.
상기 데이터 추출부는, 상기 회로 설계 데이터로 GDSII 파일을 사용할 수 있 다. 또한 상기 데이터 추출부는, 상기 GDSII 파일의 내부 구조를 분석하여 셀의 개수, 구조 참조의 개수, 배열 참조의 개수, 폴리곤의 개수 및 상기 GDSII 파일의 크기를 포함하는 상기 복수의 입력 데이터로 추출할 수 있다.
상기 신경회로망부는, 복수의 노드를 가지는 적어도 하나의 은닉층을 사용하는 신경회로망 기법을 통하여 제1 변환시간을 구하는 것이 바람직하다.
본 발명에 따른 포토마스크 제조 방법 및 제조 장치와 이를 위한 기록매체는, 회로 설계 데이터를 마스크 데이터로 변환하는 변환시간을 정확히 예측하여, 변환장치인 하드웨어를 효율적으로 사용하게 하며, 이를 통하여 포토마스크의 제조 시간을 단축해준다. 특히 변환장치인 하드웨어를 효율적으로 사용할 수 있게 하여, 최적의 하드웨어를 구비할 수 있게 하므로 투자 비용을 절감시킬 수 있다.
또한 포토마스크를 빈번하게 제조/교체해야하는 연구개발 단계 또는 양산 초기 단계에서 포토마스크의 제조 시간을 단축시킬 수 있어, 반도체 소자의 개발 및 생산에 소요되는 비용 및 시간을 줄이고, 수율을 높이는데 필요한 시간을 단축시킬 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명하기로 한다. 본 발명의 실시 예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시 예에 한정되는 것은 아니다. 이하의 설명에서 어떤 구성 요소가 다른 구성 요소의 연결되어 있다고 기술될 때, 이는 다른 구성 요소와 바로 연결되어 있을 수도 있고, 그 사이에 제3의 구성 요소가 개재될 수도 있다. 도면상에서 동일 부호는 동일한 요소를 지칭한다. 한편, 사용되는 용어들은 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다.
도 2는 본 발명에 따른 회로 설계 데이터를 마스크 데이터로 변환하는 시간을 예측하기 위한 신경회로망의 구조를 나타내는 개략도이다.
도 2를 참조하면, 신경회로망(2, neural-network)의 구조는 기본적으로 뉴런(20, neuron)과 이들을 이어주는 연결(25)로 구성된다. 뉴런(20)은 신경회로망(20) 동작에 중심적 역할을 하는 요소이다. 뉴런(20)들이 모여 하나의 층을 이루며, 입력층(21), 은닉층(22), 출력층(23)으로 구분된다. 예를 들어 입력층(21)에서 출력된 값, 즉 입력 데이터(X1, X2)는 각 연결(25)의 가중치와 곱해져 은닉층(22)의 뉴런(20)들로 입력된다. 은닉층(22)의 각 뉴런(20)으로 입력된 입력 데이터와 각 연결(25)에 해당하는 가중치의 곱은 모두 더해지고, 그 값이 활성함수에 의해 처리되어 은닉층(22)의 뉴런(20) 각각의 출력값이 된다. 이러한 은닉층(22)의 뉴런(20) 각각의 출력값은 다시 각 연결(26)의 가중치와 곱해져 출력층(23)의 뉴런(20)으로 입력되며, 같은 방법으로 모두 더해지고 활성함수에 의해 처리되어 출력 데이터(Y)를 얻게 된다.
이와 같이 연결(25)은 다른 층 사이의 뉴런(20)들을 이어주는 기능을 하는 데, 각 연결(25, 26)은 가중치를 가지며, 신경회로망의 학습은 연결(25, 26)에 할당된 가중치를 조절해줌으로써 이루어진다. 또한 은닉층(22)은 도면에서는 1개층만 예시하였으나, 복수의 은닉층(22)의 사용도 가능하다. 그리고 각 은닉층(22)이 가지는 뉴런(20)을 노드라고 한다.
신경회로망 기법은 수학적 모델과 같은 일반적인 모델링 기법을 사용하여 만들기 곤란한 복잡한 시스템을 근사하기 위하여 사용된다. 그 이유는 신경회로망이 획득한 데이터를 이용해 그 데이터를 지배하는 어떤 규칙성을 알아내는데 탁월한 성능을 지니고 있기 때문이다. 즉, 시스템 입력과 출력 등에서 추출된 데이터를 이용하여 학습시키면, 그 데이터가 지니고 있는 규칙을 수학적으로는 표현할 수 없지만, 신경회로망 내부의 가중치(weight)에 저장되고, 이후 비슷한 입력이 존재하면, 신경회로망은 학습된 결과에 따라 비슷한 출력을 낼 수 있는 기능을 가지고 있다.
도 3는 본 발명에 따른 회로 설계 데이터를 마스크 데이터로 변환하는 방법을 나타내는 순서도이다.
도 3을 참조하면, 먼저 회로 설계 데이터의 특성을 분석한다(S31). 뒤에서 상세히 설명하겠지만, 상기 회로 설계 데이터의 특성에는 단순한 파일 크기 외에도 회로 설계 데이터 파일의 내부 정보 구조를 포함한다. 상기 회로 설계 데이터의 특성을 분석하여 얻어진 입력 데이터를 신경회로망 모델을 적용하여 변환시간을 예측한다(S32).그런 다음 예측된 변환시간을 고려하여 변환장치를 할당하고(S33). 할당된 변환장치를 이용하여 상기 회로 설계 데이터를 마스크 데이터로 변환(S34)하는 과정을 거친다.
상기 회로 설계 데이터는 반도체 기판에 형성될 패턴을 설계 단계에서 컴퓨터를 통해 작성된 형태를 말한다. 반도체 소자의 고집적화로 인해 상기 회로 설계 데이터에는 수 천만 개 이상의 패턴이 존재한다. 따라서 사람이 컴퓨터를 이용하여 설계할 때 수천만 개 이상의 패턴을 하나씩 생성한다는 것은 불가능한 일이다.
상기 회로 설계 데이터는 일반적으로 GDSII 데이터 형식을 살펴보면, 효과적으로 설계를 하기 위해 셀(cell)이라는 기본 틀 안에 패턴을 생성한 후, 이 셀을 다른 위치에서 인용하는 방법을 사용한다. 이렇게 참조된 셀을 구조 참조(SREF, Structure REFerence)라 하며 이러한 셀이 배열되어있는 형태를 배열 참조(AREF, Array REFerence)라고 한다. 또한 이러한 셀 내에 형성되어 있는 기본적인 도형(다각형, 경로, 상자)을 폴리곤(polygon)이라 한다. 구조 참조는 계층 구조를 허용하고, 배열 참조는 구조들의 정규 이차원 배열의 압축 표현이다.
도 4는 회로 설계 데이터의 계층 구조를 설명하기 위한 개략도이다.
도 4를 참조하면, 아래 부분에 있는 영문자 F 모양의 도형(41)을 셀(40)로 생성한 후 이를 여덟 번 인용하면 F 모양의 도형 여덟 개(42)를 쉽게 생성할 수 있다. 이와 같은 레이아웃 구조를 계층 구조라 하며, 그림에 나타난 것과 같이 회전(43)과 축 대칭(44a, 44b) 등을 이용할 수도 있다. 정리하면 GDSII 데이터 형식과 같은 회로 설계 데이터는 수많은 셀과 구조 참조, 배열 참조, 그리고 폴리곤으로 표현되는 패턴으로 구성되어 있으며, 이외에도 파일의 크기, 계층 깊이(hierarchy depth), 패턴 밀도(pattern density), 창 크기(window size) 등 다양 한 특성을 갖고 있다. 따라서 이러한 특성의 조합에 의하여 데이터 변환 시 그 수행 시간이 결정된다.
도 5는 마스크 데이터의 구조를 설명하기 위한 개략도이다.
도 5를 참조하면, 폴리곤 형태의 패턴(51)은 회로 설계 데이터는 마스크 데이터로 변환이 된다. 마스크 데이터는 직사각형(rectangle)과 사다리꼴(trapezoid) 형태(52)의 구조만을 사용하여 패턴을 표현하며 계층 구조 없이 하나의 층에 모든 패턴을 정렬한 형태이다. 따라서 회로 설계 데이터의 셀과 참조(구조참조, 배열참조)로 이루어진 계층 구조는 데이터 변환 시 평탄하게 깨지게 되고 폴리곤 형태의 패턴(51)도 직사각형과 사다리꼴 형태(52)로 분할된다. 결국 데이터 변환시간은 회로 설계 데이터가 어떠한 구조를 갖고 있는가에 의존하게 된다.
이러한 마스크 데이터는 예를 들면, MEBES, JEOL52, HL700M/D, HL-7000, EBM, 또는 BEF-2 등의 파일 형식을 가질 수 있으며, 이는 마스크 패턴 형성 장치에 따라서 달라질 수 있다.
도 6은 하드웨어 개수에 따른 변환시간 모델을 나타내는 그래프이다.
도 6을 참조하면, 하드웨어 개수가 증가할수록 계산 능력은 증가함을 알 수 있다. 그러나 이론적으로는 하드웨어 개수 증가에 정비례하여야 하나(VI-1), 실제 계산에서는 점차 포화된다(VI-2). 회로 설계 데이터를 마스크 데이터로 변환하는 데는 많은 시간이 소요되므로, 복수의 하드웨어를 분산 처리 시스템으로 구성하여 변환장치로 적용하고 있다. 따라서 올바른 예측 시간을 구하기 위해서는 하드웨어 개수 증가에 따른 변환시간 예측을 고려한다.
도 7은 본 발명에 따른 포토마스크 제조 장치의 구성을 나타내는 개략도이다.
도 7을 참조하면, 포토마스크 제조 장치(70)는 크게 데이터 추출부(71), 변환시간 예측부(72), 변환장치 할당부(73), 데이터 변환부(74)로 구성된다. 데이터 추출부(71)는 회로 설계 데이터, 예를 들면 GDSII 데이터 형식을 가지는 파일을 입력받은 후, 복수의 입력 데이터를 추출한다. 상기 입력 데이터는 상기 회로 설계 데이터가 가지는 구조로부터 추출되며, 예를 들면, 셀의 개수, 고조 참조의 개수, 배열 참조의 개수, 폴리곤의 개수 또는 상기 회로 설계 데이터의 파일 크기를 포함한다. 상기 입력 데이터로부터 변환시간 예측부(72)는 제2 변환시간을 구한다. 상기 제2 변환시간로부터 변환장치 할당부(73)는 현재 사용되거나 사용할 예정에 있는 변환장치를 고려하여, 상기 회로 설계 데이터를 변환할 변환장치를 할당한다. 데이터 변환부(74)는 할당된 변환장치를 이용하여 상기 회로 설계 데이터를 마스크 데이터로 변환하게 된다.
변환시간 예측부(72)는 신경회로망부(72a) 및 변환시간 계산부(72b)를 더 포함할 수 있다. 신경회로망부(72a)는 신경회로망 기법을 이용하여 상기 입력 데이터로부터 제1 변환시간을 구한다. 상기 제1 변환시간은 예를 들면, 하나의 하드웨어를 변환장치로 사용한 경우의 변환시간일 수 있다. 변환시간 계산부(72b)는 하드웨어 개수에 따른 변환시간 변화를 환산할 수 있는 변환시간 변화 모델을 탑재하고 있어서, 상기 제1 변환시간으로부터 하드웨어 개수를 고려한 제2 변환시간을 계산한다. 이때 현재 사용되거나 사용할 예정에 있는 하드웨어를 고려할 수 있다.
데이터 변환부(74)는 하나 또는 그 이상의 하드웨어로 구성되며, 데이터 변환부(74)로부터 변환된 마스크 데이터는 마스크 패턴 형성부(75)에서 실제 포토마스크로 제조될 수 있다. 마스크 패턴 형성부(75)는 예를 들면, 레이저 빔 라이터 또는 전자 빔 라이터일 수 있다.
도 8은 본 발명에 따른 변환시간의 예측결과를 나타내는 그래프이다.
도 8에 따르면, 본 발명에 따른 변환시간의 예측결과는 90% 이상의 정확도를 나타내고 있다. 구체적으로는 2개의 은닉층을 사용하였고, 각 은닉층은 각각 8개 및 3개의 노드를 사용하였다. 이때 학습방법은 레벤버그-마큐트(Levenberg-Marquardt) 알고리즘을, 활성함수는 로그-시그모이드 변환 함수(log-sigmoid transfer function)을 적용하였다. 물론 여기서 사용된 은닉층의 개수, 노드의 개수, 학습방법 및 활성함수은 실험 예이며, 이에 한정되지 않는다.
도시하지는 않았지만, 종래 기술에 따라, 회로 설계 데이터의 파일 크기를 사용하여 구한 변환시간의 예측결과는 30% 정도의 낮은 결과를 나타낸다. 또한 본 발명과 유사하게 회로 설계 데이터의 구조로부터 추출한 복수의 입력 데이터를 이용하여 다중회귀분석(multiple linear regression)으로 구한 변환시간의 예측결과도 50% 정도의 정확도에 불구하다. 따라서 본 발명에 따라 신경회로망을 이용한 변환시간의 예측은 뛰어난 정확도를 나타냄을 알 수 있다.
상기한 본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함 한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, DVD, 자기 테이프, 플로피디스크, 광데이터 저장장치, 플래시 메모리 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터로 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 여기서, 기록매체에 저장되는 프로그램 또는 코드라 함은 특정한 결과를 얻기 위하여 컴퓨터 등이 정보처리능력을 갖는 장치 내에서 직접적 또는 간접적으로 사용되는 일련의 지시 명령으로 표현된 것을 의미한다. 따라서, 컴퓨터라는 용어도 실제 사용되는 명칭에 여하를 불구하고 메모리, 입출력장치, 연산장치를 구비하여 프로그램에 의하여 특정의 기능을 수행하기 위한 정보처리능력을 가진 모든 장치를 총괄하는 의미로 사용된다.
도 1은 종래 기술에 의한 회로 설계 데이터를 마스크 데이터로 변환하는 방법을 나타내는 순서도이다.
도 2는 본 발명에 따른 회로 설계 데이터를 마스크 데이터로 변환하는 시간을 예측하기 위한 신경회로망의 구조를 나타내는 개략도이다.
도 3는 본 발명에 따른 회로 설계 데이터를 마스크 데이터로 변환하는 방법을 나타내는 순서도이다.
도 4는 회로 설계 데이터의 계층 구조를 설명하기 위한 개략도이다.
도 5는 마스크 데이터의 구조를 설명하기 위한 개략도이다.
도 6은 하드웨어 개수에 따른 변환시간 모델을 나타내는 그래프이다.
도 7은 본 발명에 따른 포토마스크 제조 장치의 구성을 나타내는 개략도이다.
도 8은 본 발명에 따른 변환시간의 예측결과를 나타내는 그래프이다.
<도면에 주요부분에 대한 설명>
70 : 포토마스크 제조 장치 71 : 데이터 추출부
72 : 변환시간 예측부 72a : 신경회로망부
72b : 변환시간 계산부 73 : 변환장치 할당부
74 : 데이터 변환부 75 : 마스크 패턴 형성부

Claims (12)

  1. 회로 설계 데이터로부터 복수의 입력 데이터를 추출하는 단계;
    상기 복수의 입력 데이터로부터 신경회로망 기법을 통하여 제2 변환시간을 구하는 단계;
    상기 제2 변환시간에 따라 변환장치를 할당하는 단계; 및
    상기 할당된 변환장치를 통하여 상기 회로 설계 데이터를 마스크 데이터로 변환하는 단계;를 포함하는 포토마스크 제조 방법
  2. 제1 항에 있어서,
    하드웨어 개수에 따른 변환시간 모델을 준비하는 단계;를 더 포함하고,
    상기 제2 변환시간을 구하는 단계는,
    상기 복수의 입력 데이터로부터 신경회로망 기법을 통하여 제1 변환시간을 구하는 단계; 및 상기 제1 변환시간에 상기 변환시간 모델을 적용하여 상기 제2 변환시간을 구하는 단계;를 포함하는 것을 특징으로 하는 포토마스크 제조 방법.
  3. 제1 항에 있어서,
    상기 회로 설계 데이터는 GDSII 파일로 이루어지는 것을 특징으로 하는 포토마스크 제조 방법.
  4. 제3 항에 있어서,
    상기 복수의 입력 데이터는 상기 GDSII 파일의 내부 구조를 분석하여 추출하는 것을 특징으로 하는 포토마스크 제조 방법.
  5. 제4 항에 있어서,
    상기 복수의 입력 데이터는 셀의 개수, 구조 참조의 개수, 배열 참조의 개수, 폴리곤의 개수 또는 상기 GDSII 파일의 크기를 포함하는 것을 특징으로 하는 포토마스크 제조 방법.
  6. 제1 항에 있어서,
    상기 신경회로망 기법은 적어도 하나의 은닉층을 사용하고, 상기 은닉층은 복수의 노드를 사용하는 것을 특징으로 하는 포토마스크 제조 방법.
  7. 회로 설계 데이터로부터 복수의 입력 데이터를 추출하는 데이터 추출부;
    신경회로망 기법을 통하여 상기 입력 데이터로부터 제2 변환시간을 구하는 변환시간 예측부;
    상기 제2 변환시간에 따라 변환장치를 할당하는 변환장치 할당부; 및
    상기 할당된 변환장치를 통하여 상기 회로 설계 데이터를 마스크 데이터로 변환하는 데이터 변환부;를 포함하는 포토마스크 제조 장치.
  8. 제7 항에 있어서,
    상기 변환장치 예측부는,
    준비된 하드웨어 개수에 따른 변환시간 변화 모델을 탑재하고,
    상기 입력 데이터로부터 신경회로망 기법을 통하여 제1 변환시간을 구하는 신경회로망부; 및 상기 제1 변환시간에 상기 변환시간 모델을 적용하여 상기 제2 변환시간을 계산하는 변환시간 계산부;를 포함하는 것을 특징으로 하는 포토마스크 제조 장치.
  9. 제7 항에 있어서,
    상기 데이터 추출부는,
    상기 회로 설계 데이터로 GDSII 파일을 사용하는 것을 특징으로 하는 포토마스크 제조 장치.
  10. 제9 항에 있어서,
    상기 데이터 추출부는,
    상기 GDSII 파일의 내부 구조를 분석하여 셀의 개수, 구조 참조의 개수, 배열 참조의 개수, 폴리곤의 개수 또는 상기 GDSII 파일의 크기를 포함하는 상기 복수의 입력 데이터로 추출하는 것을 특징으로 하는 포토마스크 제조 장치.
  11. 제8 항에 있어서,
    상기 신경회로망부는,
    복수의 노드를 가지는 적어도 하나의 은닉층을 사용하는 신경회로망 기법을 통하여 제1 변환시간을 구하는 것을 특징으로 하는 포토마스크 제조 장치.
  12. 제1항 내지 제6 항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 저장한 컴퓨터로 읽을 수 있는 기록매체.
KR1020070117442A 2007-11-16 2007-11-16 신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와이를 위한 기록매체 KR20090050809A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070117442A KR20090050809A (ko) 2007-11-16 2007-11-16 신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와이를 위한 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070117442A KR20090050809A (ko) 2007-11-16 2007-11-16 신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와이를 위한 기록매체

Publications (1)

Publication Number Publication Date
KR20090050809A true KR20090050809A (ko) 2009-05-20

Family

ID=40859207

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070117442A KR20090050809A (ko) 2007-11-16 2007-11-16 신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와이를 위한 기록매체

Country Status (1)

Country Link
KR (1) KR20090050809A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10832138B2 (en) 2014-11-27 2020-11-10 Samsung Electronics Co., Ltd. Method and apparatus for extending neural network

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10832138B2 (en) 2014-11-27 2020-11-10 Samsung Electronics Co., Ltd. Method and apparatus for extending neural network

Similar Documents

Publication Publication Date Title
US7689968B2 (en) Proximity effect correction with regard to a semiconductor circuit design pattern
US9754068B2 (en) Method, computer readable storage medium and computer system for creating a layout of a photomask
JP4728676B2 (ja) フォトマスクの製造方法、及びそのフォトマスクを用いた半導体装置の製造方法
JPH10209041A (ja) リソグラフィ工程のシミュレーション方法
JP4345804B2 (ja) マスクパターン補正プログラムおよびマスクパターン補正システム
Xu et al. A machine learning based framework for sub-resolution assist feature generation
US8739075B2 (en) Method of making pattern data, and medium for storing the program for making the pattern data
CN101571669B (zh) 基于模型的校验光学邻近修正的方法
JP2010056554A (ja) 半導体素子の漏洩電流予測方法
JP2010097369A (ja) 最適パラメータ抽出装置及び抽出方法、並びに本方法を用いるマスクデータ、マスク及び半導体装置の製造方法
JP2009170743A (ja) 半導体装置のデータ作成方法、および電子線露光システム
CN108090262A (zh) 基于sph理论直升机着水载荷计算的粒子对构建方法
KR20090050809A (ko) 신경회로망을 이용한 포토마스크 제조 방법 및 제조 장치와이를 위한 기록매체
CN112559181B (zh) 用于电路版图的热点检测方法、设备和存储介质
US9582617B2 (en) Simulation device and simulation program for simulating process using first and second masks
US8677288B2 (en) Test pattern selection method for OPC model calibration
JP5575024B2 (ja) マスクパターン補正方法、マスクパターン補正プログラムおよび半導体装置の製造方法
CN107703720B (zh) 一种完善光刻模型数据对测试图形覆盖范围的方法
JP5423286B2 (ja) パターンデータ変換方法
US8898597B2 (en) Etch failure prediction based on wafer resist top loss
KR20230132362A (ko) 반도체 제조 장비의 디지털 트윈들 (digital twins) 생성
JP2009216936A (ja) 階層構造を用いたフォトマスクデータの処理方法、フォトマスクデータ処理システム、および、製造方法
JP4343245B2 (ja) パターンデータ生成方法、パターンデータ生成装置、及びパターンデータ生成プログラムを格納した記録媒体
Shiely Machine learning for compact lithographic process models
EP3153926B1 (en) A method of reducing shot count in direct writing by a particle or photon beam

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination