KR20170059246A - 반도체 소자의 패턴 형성 방법 - Google Patents

반도체 소자의 패턴 형성 방법 Download PDF

Info

Publication number
KR20170059246A
KR20170059246A KR1020150163347A KR20150163347A KR20170059246A KR 20170059246 A KR20170059246 A KR 20170059246A KR 1020150163347 A KR1020150163347 A KR 1020150163347A KR 20150163347 A KR20150163347 A KR 20150163347A KR 20170059246 A KR20170059246 A KR 20170059246A
Authority
KR
South Korea
Prior art keywords
group
pattern data
weak
standard
normal group
Prior art date
Application number
KR1020150163347A
Other languages
English (en)
Other versions
KR102387459B1 (ko
Inventor
박상욱
고흥국
정노영
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 KR1020150163347A priority Critical patent/KR102387459B1/ko
Priority to US15/355,193 priority patent/US10242921B2/en
Publication of KR20170059246A publication Critical patent/KR20170059246A/ko
Application granted granted Critical
Publication of KR102387459B1 publication Critical patent/KR102387459B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/76—Patterning of masks by imaging
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • 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
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
    • H01L21/0271—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34 comprising organic layers
    • H01L21/0273—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34 comprising organic layers characterised by the treatment of photoresist layers
    • H01L21/0274—Photolithographic processes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명의 기술적 사상에 의한 반도체 소자의 패턴 형성 방법은, 샘플 패턴 데이터들을 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류하는 단계; 상기 표준 정상 그룹에 포함된 샘플 패턴 데이터들 각각에 대하여 이미지 파라미터를 연산하여 정상 그룹 판별 함수를 산출하고, 상기 표준 취약 그룹에 포함된 샘플 패턴 데이터들 각각에 대하여 상기 이미지 파라미터를 연산하여 취약 그룹 판별 함수를 산출하는 단계; 상기 대상 패턴 데이터들에 대하여 상기 이미지 파라미터를 연산하여, 상기 정상 그룹 판별 함수와 상기 대상 패턴 데이터 사이의 제1 근접도, 및 상기 취약 그룹 판별 함수와 상기 대상 패턴 데이터 사이의 제2 근접도를 기초로, 상기 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계;를 포함할 수 있다.

Description

반도체 소자의 패턴 형성 방법{A method for forming pattern of a semiconductor device}
본 발명의 기술적 사상은 반도체 소자의 패턴 형성 방법에 관한 것으로, 더욱 상세하게는 다양한 유형의 패턴 결함이 제거된 반도체 소자의 패턴 형성 방법에 관한 것이다.
반도체 소자가 고집적화됨에 따라 회로를 구성하는 패턴의 크기 및 간격이 점점 감소하며, 포토 리소그래피 공정에서 광 근접 효과(Optical Proximity Effect)와 같은 문제가 발생하고 있다. 이에 따라, 설계 패턴과 실제 제조되는 패턴 간의 차이를 보상하기 위한 기술들이 연구되고 있다.
본 발명의 기술적 사상이 이루고자 하는 기술적 과제는, 반도체 소자의 패턴 결함 검사에서 사용되는 잠재적 취약 패턴을 추출하기 위한 객관적인 선별 모델 및 이를 통해 다양한 잠재적 취약 패턴을 효율적이고 정확하게 선별하는 방법을 제공하는 것이다.
또한, 잠재적 취약 패턴을 패턴 결함 검사에 이용하여 다양한 유형의 패턴 결함이 제거된 반도체 소자의 패턴 형성 방법을 제공하는 것이다.
본 발명의 기술적 사상에 의한 일 양태에 따른 반도체 소자의 패턴 형성 방법은, 샘플 패턴 데이터들을 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류하는 단계; 상기 표준 정상 그룹에 포함된 샘플 패턴 데이터들 각각에 대하여 이미지 파라미터를 연산하여 정상 그룹 판별 함수를 산출하고, 상기 표준 취약 그룹에 포함된 샘플 패턴 데이터들 각각에 대하여 상기 이미지 파라미터를 연산하여 취약 그룹 판별 함수를 산출하는 단계; 상기 대상 패턴 데이터들에 대하여 상기 이미지 파라미터를 연산하여, 상기 정상 그룹 판별 함수와 상기 대상 패턴 데이터 사이의 제1 근접도, 및 상기 취약 그룹 판별 함수와 상기 대상 패턴 데이터 사이의 제2 근접도를 기초로, 상기 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계;를 포함할 수 있다.
일부 실시예들에서, 상기 샘플 패턴 데이터들을 표준 정상 그룹 및 상기 표준 취약 그룹으로 분류하는 단계에서, 상기 제1 기준은, 상기 샘플 패턴 데이터들에 의해 시뮬레이션된 샘플 패턴의 제1 폭과, 상기 샘플 패턴 데이터들을 기초로 실제로 제조된 샘플 패턴의 제2 폭의 차이, 및 상기 제2 폭에 대비한 상기 제1 및 제2 폭 차이의 비(ratio) 중 적어도 하나인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 이미지 파라미터는 상기 샘플 패턴 데이터에 의해 시뮬레이션된 광학 이미지의 이미지 특성을 나타내는 파라미터인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 이미지 파라미터는, 시뮬레이션된 샘플 패턴의 폭, 슬롭(log slope of image intensity), 굴곡률(curvature of image intensity), 최대 이미지 강도(maximum image intensity), 및 최소 이미지 강도(minimum image intensity), 및 오버 피팅률(over-fitting ratio), 대비률(contrast) 중 적어도 하나인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계 전에, 상기 샘플 패턴 데이터 중 결함 가능성이 낮은 패턴들을 선별적으로 제거하는 단계;를 더 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계는, 상기 대상 패턴 데이터 중 상기 취약 그룹으로 분류된 취약 패턴들을 상기 제2 근접도가 큰 순위에 따라 재정렬하는 단계;를 더 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 대상 패턴 데이터를 기초로 실제로 대상 패턴을 포함하는 예비 포토 마스크를 제조하는 단계; 상기 예비 포토 마스크를 이용하여 웨이퍼 상에 대상 패턴을 형성하는 단계; 및 상기 웨이퍼 상에 형성된 대상 패턴 중 상기 취약 그룹에 포함된 취약 패턴에 대해 결함 검사를 수행하는 단계;를 더 포함하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계 전에, 대상 회로에 대응하여 설계된 예비 대상 패턴 데이터를 광학 근접 보정(Optical Procimity Correction; OPC)하는 단계;를 더 포함하고, 상기 대상 패턴 데이터는, 상기 예비 대상 패턴 데이터가 광학 근접 보정되어 형성된 데이터인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 광학 근접 보정하는 단계 및 상기 대상 패턴 데이터를 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계 사이에, 상기 대상 패턴 데이터에 대해서 예비 취약 패턴 데이터를 선별하는 광학 규칙 확인(optical rule checking; ORC) 단계를 더 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 정상 그룹 및 취약 그룹으로 분류하는 단계는, 상기 예비 취약 패턴 데이터에 대하여 수행되고, 상기 예비 취약 패턴 데이터 중 상기 취약 그룹으로 분류된 취약 패턴들을 상기 제2 근접도가 큰 순위에 따라 재정렬하는 단계;인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계 이후에, 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 검증하는 단계를 더 포함하고, 상기 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 검증하는 단계는, 상기 샘플 패턴 데이터에 대하여 상기 이미지 파라미터를 연산하여, 상기 샘플 패턴 데이터와 상기 정상 그룹 판별 함수 사이의 근접도, 및 상기 샘플 패턴 데이터와 취약 그룹 판별 함수 사이의 근접도에 따라 상기 샘플 패턴 데이터를 상기 정상 그룹 및 취약 그룹으로 분류하는 단계;를 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 샘플 패턴 데이터에 대하여, 상기 표준 정상 그룹과 상기 정상 그룹간의 제1 정합도 및 상기 표준 취약 그룹과 상기 취약 그룹간의 제2 정합도를 판단하는 단계;를 더 포함하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 제1 정합도 또는 상기 제2 정합도 중 어느 하나가 미리 결정된 기준에 미달하는 경우, 상기 표준 정상 그룹 및 상기 표준 취약 그룹을 제2 기준에 따라 재분류 또는 샘플 패턴 데이터를 제2 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 재분류 또는 파라미터를 재선정하여 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 재산출하는 단계를 더 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
일부 실시예들에서, 상기 표준 정상 그룹 및 상기 표준 취약 그룹을 재분류하는 단계는, 상기 샘플 패턴 데이터들을 상기 제1 기준과는 다른 제2 기준으로 표준 정상 그룹 및 표준 취약 그룹으로 재분류하는 단계; 및 재분류된 표준 정상 그룹 및 재분류된 표준 취약 그룹으로부터 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 재산출하는 단계;를 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법일 수 있다.
본 발명의 기술적 사상에 의한 일 양태에 따른 반도체 소자의 패턴 형성 방법은, 샘플 패턴 데이터들을 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류하는 단계; 상기 표준 정상 그룹 및 상기 표준 취약 그룹에 포함된 샘플 패턴들 중 결함 가능성이 낮은 패턴들을 선별적으로 제거하는 단계; 상기 표준 정상 그룹 및 상기 표준 취약 그룹 각각으로부터 이미지 파라미터를 기초로 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계; 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 통해 상기 샘플 패턴 데이터들을 정상 그룹 및 취약 그룹으로 분류하고, 상기 표준 정상 그룹 및 상기 표준 취약 그룹과의 정합도를 각각 산출하여, 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 검증하는 단계; 상기 정합도가 미리 결정된 기준에 미달하는 경우, 상기 제1 기준과는 다른 제2 기준으로 표준 정상 그룹 및 표준 취약 그룹을 재산출하는 단계; 광학 근접 보정(OPC)이 수행된 대상 패턴 데이터에 대하여, 광학 규칙 확인(ORC)을 수행하고 예비 취약 패턴 데이터를 선별하는 단계; 상기 예비 취약 패턴 데이터에 대하여 이미지 파라미터를 연산하는 단계; 상기 예비 취약 패턴 데이터에 대하여 연산된 상기 이미지 파라미터와 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수와의 각각의 근접도에 따라, 상기 예비 취약 패턴 데이터를 정상 그룹 및 취약 그룹으로 재정렬하는 단계;를 포함할 수 있다.
본 발명의 기술적 사상에 의한 반도체 소자의 패턴 형성 방법은, 패턴 데이터 중 결함이 있는 패턴과 이에 대응하여 제조된 결함 패턴이 가지는 공통 특성을 수학적 방법에 따라 추출하여, 잠재적 취약 패턴을 객관적인 기준으로 결정할 수 있다. 이에 따라, 객관적인 취약 지점의 선별 기준을 가지면서, 새로운 유형의 취약 지점을 효율적이고 정확하게 선별할 수 있다.
또한, 높은 정확도로 선별된 취약 지점들에 대해 선택적으로 패턴 결함 검사를 수행할 수 있어서, 새로운 반도체 소자의 공정 개발 기간의 단축 및 포토 마스크의 제작 비용이 절감될 수 있다.
도 1은 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법을 나타내는 플로차트이다.
도 2는 도 1의 샘플 패턴 데이터를 표준 정상 그룹 및 표준 취약 그룹으로 분류하는 단계를 세분화하여 나타내는 플로차트이다.
도 3은 도 1의 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계를 세분화하여 나타내는 플로차트이다.
도 4 내지 도 10은 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법을 나타내는 플로차트들이다.
본 발명의 구성 및 효과를 충분히 이해하기 위하여, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예들을 설명한다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 여러 가지 형태로 구현될 수 있고 다양한 변경을 가할 수 있다. 단지, 본 실시예들에 대한 설명은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위하여 제공되는 것이다. 첨부된 도면에서 구성 요소들은 설명의 편의를 위하여 그 크기를 실제보다 확대하여 도시한 것이며, 각 구성 요소의 비율은 과장되거나 축소될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "상에" 있다거나 "접하여" 있다고 기재된 경우, 다른 구성 요소에 상에 직접 맞닿아 있거나 또는 연결되어 있을 수 있지만, 중간에 또 다른 구성 요소가 존재할 수 있다고 이해되어야 할 것이다. 반면, 어떤 구성 요소가 다른 구성 요소의 "바로 위에" 있다거나 "직접 접하여" 있다고 기재된 경우에는, 중간에 또 다른 구성 요소가 존재하지 않는 것으로 이해될 수 있다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 예를 들면, "～사이에"와 "직접 ～사이에" 등도 마찬가지로 해석될 수 있다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
단수의 표현은 문맥상 명백하게 다르게 표현하지 않는 한, 복수의 표현을 포함한다. "포함한다" 또는 "가진다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하기 위한 것으로, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들이 부가될 수 있는 것으로 해석될 수 있다.
본 발명의 실시예들에서 사용되는 용어들은 다르게 정의되지 않는 한, 해당 기술 분야에서 통상의 지식을 가진 자에게 통상적으로 알려진 의미로 해석될 수 있다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
도 1은 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법(100)을 나타내는 플로차트이다. 상기 반도체 소자의 패턴 형성 방법(100)은 반도체 소자의 대상 패턴 중 결함 발생 가능성이 높은 다양한 취약 패턴을 미리 추출하는 방법을 포함할 수 있다. 도 2는 도 1의 샘플 패턴 데이터를 표준 정상 그룹 및 표준 취약 그룹으로 분류하는 단계를 세분화하여 나타내는 플로차트이다. 도 3은 도 1의 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계를 세분화하여 나타내는 플로차트이다.
도 1을 참조하면, 반도체 소자의 패턴 형성 방법(100)은 임의의 패턴 중 취약 패턴을 추출하기 위한 분석 모델을 모델링하는 단계(S101, S103)와, 상기 분석 모델을 이용하여 대상 패턴 중 취약 패턴을 추출하는 단계(S105, S107)를 포함할 수 있다.
취약 패턴을 추출하기 위해 분석 모델을 모델링하는 단계(S101, S103)는, 샘플 패턴 데이터들을 표준 정상 그룹 및 표준 취약으로 분류하는 단계(S101)와 상기 표준 정상 그룹 및 상기 표준 취약 그룹을 각각 대표하는 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 추출하는 단계(S103)를 포함할 수 있다.
구체적으로, 샘플 패턴 데이터들은 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류될 수 있다(S101). 상기 샘플 패턴 데이터들은 취약 패턴을 추출하기 위한 임의의 패턴을 포함하는 데이터들일 수 있다. 상기 샘플 패턴 데이터들은 EDA(electronic design automation), CAD(computer aided design), 및 다른 집적 회로 설계 소프트웨어 등에 기반하여 설계된 데이터들일 수 있다.
도 2를 함께 참조하면, 상기 샘플 패턴 데이터는 광학 근접 보정(Optical Proximity Correction; OPC)된 데이터일 수 있다(S101A). 상기 광학 근접 보정은 포토 리소그래피 공정 수행시 빛의 회절에 의한 패턴 왜곡을 보상하기 위한 것으로, 상기 샘플 패턴 데이터는 목적하는 패턴의 형상으로부터 고의적으로 변형된 형상을 갖도록 설계될 수 있다. 이에 따라, 광학 근접 보정된 샘플 패턴 데이터는, 목적하는 패턴에 해상도 이하의 작은 패턴들이 추가하거나 제거된 패턴 형상들을 포함할 수 있다. 예를 들어, 상기 샘플 패턴 데이터는 목적하는 패턴 외에 라인 앤드 처리 및 산란 바 삽입과 같은 광학 근접 보정이 수행될 수 있다. 라인 앤드 처리(line end treatment)는 라인 패턴의 끝 부분(line end)이 라운드 모양이 되는 문제를 극복하기 위해 코너 세리프 패턴 또는 해머 패턴을 추가하는 방법이고, 산란 바 삽입(insertion of scattering bars)은 패턴 밀도에 따른 패턴의 선폭 변화를 최소화하기 위해 목표 패턴(target pattern)의 주변에 분해능 이하의 다수의 산란 바(sub resolution scattering bar)를 추가하는 방법일 수 있다.
광학 근접 보정된 샘플 데이터 패턴들이 준비되면, 상기 샘플 패턴 데이터는 패턴의 결함 발생 가능성을 예측할 수 있는 제1 기준에 의해 표준 정상 그룹 및 표준 취약 그룹으로 분류될 수 있다(S101B, S101C). 예를 들어, 상기 제1 기준은 상기 샘플 패턴 데이터들에 의해 시뮬레이션된 샘플 패턴과 상기 샘플 패턴 데이터들을 기초로 웨이퍼 상에 실제로 제조된 샘플 패턴의 불일치 정도에 의해 결정될 수있다. 예를 들어, 샘플 패턴 데이터에 기초하여 시뮬레이션된 샘플 패턴에서 제1 폭(W1)을 추출하고, 샘플 패턴 데이터를 기초로 제조된 샘플 패턴의 제2 폭(W2)을 측정할 수 있다(S101B).
이후, 샘플 패턴 데이터는 상기 제1 폭(W1) 및 상기 제2 폭(W2)의 차이, 및 상기 제2 폭(W2)에 대한 제1 폭(W1) 및 제2 폭(W2) 차이의 비 중 적어도 하나를 기준으로 표준 정상 그룹 및 표준 취약 그룹으로 분류될 수 있다(S101C). 즉, 상기 제1 기준은 상기 샘플 패턴 데이터들에 의해 시뮬레이션된 샘플 패턴의 제1 폭(W1)과 상기 샘플 패턴 데이터들을 기초로 웨이퍼 상에 실제로 제조된 샘플 패턴의 제2 폭(W2)의 차이(D)일 수 있다(아래 식 (1) 참조). 이 때, 시뮬레이션된 샘플 패턴의 제1 폭(W1)과 웨이퍼 상에 실제로 제조된 샘플 패턴의 제2 폭(W2) 간의 대소 관계는 고려되지 않을 수 있다. 상기 제1 폭(W1) 및 상기 제2 폭(W2)은 패턴이 연장되는 종방향에 수직하는 횡방향의 패턴의 너비를 의미할 수 있다.
D = | W1 - W2 | - 식 (1)
제1 폭(W1)과 제2 폭(W2)의 차이(D)가 큰 패턴일수록 결함 발생 가능성이 높을 수 있다. 따라서, 상기 샘플 패턴 데이터들은 제1 폭(W1)과 제2 폭(W2)의 차이(D1)로부터 표준 정상 그룹 및 표준 취약 그룹으로 분류될 수 있다.
또한, 상기 제1 기준은 상기 제2 폭(W2)에 대비한 상기 제1 폭(W1) 및 상기 제2 폭(W2) 차이의 비율(ratio)(R)일 수 있다(아래 식 (2) 참조).
R = D / W2 - 식 (2)
패턴의 총 폭인 제2 폭(W2)에 비해 제1 폭(W1) 및 제2 폭(W2) 차이가 비교적 적을 경우, 패턴이 실질적인 기능을 수행하는 데 영향이 적을 수 있다. 따라서, 제2 폭(W2)에 대비한 제1 폭(W1) 및 제2 폭(W2) 차이의 비율(R)은 결함 발생 가능성을 정확히 예측하는 기준이 될 수 있다. 따라서, 상기 샘플 패턴 데이터들은 제2 폭(W2)에 대비한 제1 폭(W1) 및 제2 폭(W2) 차이의 비율(R)로부터 표준 정상 그룹 및 표준 취약 그룹으로 분류될 수 있다.
또한, 상기 제1 기준은 상기 제1 폭(W1)과 제2 폭(W2)의 차이(D1) 및 상기 제2 폭(W2)에 대비한 제1 폭(W1) 및 제2 폭(W2) 차이의 비율(R)이 결합한 관계식일 수 있다. 이에 따라, 상기 샘플 패턴 데이터들은, 제1 폭(W1)과 제2 폭(W2)의 차이(D1), 및 제2 폭(W2)에 대비한 제1 폭(W1) 및 제2 폭(W2) 차이의 비율(R)의 관계식에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류될 수 있다.
상기 샘플 패턴 데이터로부터 표준 정상 그룹 및 표준 취약 그룹으로 분류하는 기준을 상기와 같이 예시하였으나, 본 발명의 기술적 사상이 이에 한정되지 않는다. 상기 샘플 패턴 데이터는 높은 정확도로 표준 정상 그룹 및 표준 취약 그룹을 분류할 수 있는 다른 기준에 의해 분류될 수 있다.
샘플 패턴 데이터들을 표준 정상 그룹 및 표준 취약 그룹으로 분류한 이후, 상기 표준 정상 그룹 및 상기 표준 취약 그룹을 각각 대표하는 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계를 수행할 수 있다(S103).
도 3을 함께 참조하면, 먼저 표준 정상 그룹의 공통 특성을 추출하기 위하여, 상기 표준 정상 그룹에 포함된 복수의 샘플 패턴들 각각에 대해 파라미터들을 추출할 수 있다. 마찬가지로, 표준 취약 그룹의 공통 특성을 추출하기 위하여, 상기 표준 취약 그룹에 포함된 복수의 샘플 패턴들 각각에 대해 파라미터들을 추출할 수 있다(S103A).
상기 파라미터들은 상기 샘플 패턴 데이터에 의해 시뮬레이션된 광학 이미지의 이미지 특성을 나타내는 파라미터들일 수 있다. 상기 이미지 파라미터는, 시뮬레이션된 샘플 패턴의 폭, 이미지 강도 슬롭(log slope of image intensity), 이미지 강도 굴곡률(curvature of image intensity), 최대 이미지 강도(maximum image intensity), 및 최소 이미지 강도(minimum image intensity), 및 오버 피팅률(over-fitting ratio), 대비률(contrast) 중 적어도 하나일 수 있으나, 이에 한정되는 것은 아니다.
상기 이미지 강도 슬롭은 패턴의 모서리에 수직한 방향에 대한 이미지 강도의 1차 도함수(derivative)에 관한 것일 수 있다. 상기 이미지 강도 굴곡률은 패턴의 모서리와 수평한 방향에 대한 이미지 강도의 2차 도함수에 관한 것일 수 있다. 상기 최대 및 최소 이미지 강도는 패턴이 나타나는 범위에서 최대 및 최소의 강도에 관한 것일 수 있다. 상기 오버 피팅률은 광학 근접 보정에 의해 고의적으로 변형된 정도를 나타내는 것일 수 있다. 상기 오버 피팅률은 에어리얼 이미지(aerial image)와 레지스트 이미지(resist image)의 차이를 나타내는 것일 수 있다. 상기 대비률은 패턴이 형성된 영역과 패턴이 형성되지 않은 영역간의 대비를 나타내는 것일 수 있다.
이후, 표준 정상 그룹의 샘플 패턴 각각으로부터 추출된 파라미터들을 이용하여 선형 함수, 즉 정상 그룹 판별 함수를 산출해낼 수 있다(S103B). 즉, 상기 파라미터들에 대한 선형 함수에 샘플 패턴 각각의 파라미터값을 대입하고, 파라미터들의 계수들을 결정하여 정상 그룹 판별 함수를 산출해낼 수 있다.
예를 들어, 상기 표준 정상 그룹의 공통 특성을 추출하기 위해 6개의 이미지 파라미터, 즉 시뮬레이션된 샘플 패턴의 폭(Wsml), 이미지 강도 슬롭(Islp), 이미지 강도 굴곡률(Icvt), 최대 이미지 강도(Imax), 최소 이미지 강도(Imin), 및 오버 피팅률(Ioft)이 이용될 수 있다. 이 경우, 정상 그룹 판별 함수(D1)는 상기 6개의 이미지 파라미터에 대한 선형 함수일 수 있다(아래 식 (3) 참조).
D1 = a×Wsml + b×Islp + c×Icvt + d×Imax + e×Imin + f×Ioft
- 식 (3)
상기 표준 정상 그룹에 포함된 샘플 패턴들로부터 상기 6개의 이미지 파라미터값에 대한 값을 추출하고(S103A), 상기 정상 그룹 판별 함수(D1)에 상기 샘플 패턴들 각각의 파라미터값을 대입하여 파라미터들의 계수를 결정할 수 있다. 이에 따라, 상기 표준 정상 그룹의 6개의 이미지 파라미터들에 대한 공통 특성을 가지는 정상 그룹 판별 함수(D1)를 산출해낼 수 있다(S103B).
마찬가지로, 상기 표준 취약 그룹의 공통 특성을 추출하기 위해 상기 6개의 이미지 파라미터를 이용할 수 있다. 이 경우, 취약 그룹 판별 함수(D2)는 상기 6개의 이미지 파라미터에 대한 선형 함수일 수 있다(아래 식 (4) 참조).
D2 = g×Wsml + h×Islp + i×Icvt + j×Imax + k×Imin + l×Ioft
- 식 (4)
상기 표준 취약 그룹에 포함된 샘플 패턴들로부터 상기 6개의 이미지 파라미터값에 대한 값을 추출하고(S103A), 상기 취약 그룹 판별 함수(D2)에 상기 샘플 패턴들 각각의 파라미터값을 대입하여 파라미터들의 계수를 결정할 수 있다. 이에 따라, 상기 표준 취약 그룹의 6개의 이미지 파라미터들에 대한 공통 특성을 가지는 취약 그룹 판별 함수(D2)를 산출해낼 수 있다(S103B).
이와 같이, 샘플 패턴 데이터들을 표준 정상 그룹 및 표준 취약으로 분류하는 단계(S101)와 상기 표준 정상 그룹 및 상기 표준 취약 그룹을 각각 대표하는 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 추출하는 단계(S103)를 수행하여, 취약 패턴을 추출하기 위해 분석 모델을 완성할 수 있다.
도 1에서 예시된 반도체 소자의 패턴 형성 방법(100)에서는 분석 모델을 모델링하기 위해 일부 단계(S101, S103)만을 나타내었으나, 본 발명의 기술적 사상이 이에 한정되는 것은 아니다. 일부 실시예들에서, 반도체 소자의 패턴 형성 방법(100)은 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계(S103) 전에, 상기 샘플 패턴 데이터 중 결함 가능성이 낮은 패턴들을 선별적으로 제거하는 단계;를 더 포함할 수 있다. 상기 단계를 포함하는 실시예는 도 5를 참조하여 후술하도록 한다.
또한, 일부 실시예들에서, 반도체 소자의 패턴 형성 방법(100)은 상기 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계(S103) 이후에, 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 검증하는 단계;를 더 포함할 수 있다. 상기 단계를 포함하는 실시예는 도 8을 참조하여 후술하도록 한다.
상기 분석 모델을 완성한 후, 상기 분석 모델을 이용하여 대상 패턴 중 취약 패턴을 분류하는 단계(S105, S107)가 수행될 수 있다. 대상 패턴 중 취약 패턴을 추출하는 단계(S105, S107)는 정상 그룹 판별 함수와 대상 패턴 데이터 사이의 제1 근접도 및 취약 그룹 판별 함수와 대상 패턴 데이터 사이의 제2 근접도를 산출하는 단계(S105)와, 상기 제1 및 제2 근접도를 기초로 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계(S107)를 포함할 수 있다.
구체적으로, 상기 대상 패턴 데이터는 제조하고자 하는 반도체 소자를 이루는 패턴에 대한 데이터들일 수 있다. 상기 대상 패턴 데이터들은 EDA(electronic design automation), CAD(computer aided design), 및 다른 집적 회로 설계 소프트웨어 등에 기반하여 설계된 데이터들일 수 있다. 또한, 상기 대상 패턴 데이터는 광학 근접 보정된 데이터일 수 있다. 이에 따라, 광학 근접 보정된 상기 샘플 패턴 데이터는, 목적하는 패턴에 해상도 이하의 작은 패턴들이 추가하거나 제거된 패턴 형상들을 포함할 수 있다. 예를 들어, 상기 샘플 패턴 데이터는 목적하는 패턴 외에 라인 앤드 처리 및 산란 바 삽입과 같은 광학 근접 보정이 수행될 수 있다.
상기 대상 패턴 데이터를 이루는 복수의 대상 패턴들에 대해서, 상기 정상 그룹 판별 함수(D1) 및 취약 그룹 판별 함수(D2)를 이루는 파라미터들에 대응하는 파라미터값들을 각각 연산해낼 수 있다. 전술한 예에 따르면, 상기 복수의 대상 패턴들은 상기 정상 그룹 판별 함수(D1) 및 취약 그룹 판별 함수(D2)를 추출하기 위해 사용된 시뮬레이션된 샘플 패턴의 폭(Wsml), 이미지 강도 슬롭(Islp), 이미지 강도 굴곡률(Icvt), 최대 이미지 강도(Imax), 최소 이미지 강도(Imin), 및 오버 피팅률(Ioft) 등 6개의 이미지 파라미터에 대한 6개의 파라미터값을 연산해낼 수 있다. 상기 파라미터값의 연산은 상기 대상 패턴 데이터에 기반한 시뮬레이션 하에서 수행될 수 있다.
이후, 상기 정상 그룹 판별 함수(D1)와 상기 파라미터값간의 제1 근접도를 산출할 수 있다. 또한, 상기 취약 그룹 판별 함수(D2)와 상기 파라미터값간의 제2 근접도를 산출할 수 있다(S105). 즉, 상기 대상 패턴의 특성이, 상기 정상 그룹 판별 함수(D1)의 공통 특성 또는 상기 취약 그룹 판별 함수(D2)의 공통 특성 중 근접한지 판단할 수 있다.
제1 근접도가 제2 근접도보다 큰 경우, 상기 대상 패턴은 정상 그룹으로 분류될 수 있다. 반대로, 제2 근접도가 제1 근접도보다 큰 경우, 상기 대상 패턴은 취약 그룹으로 분류될 수 있다(S107). 상기 분류 단계(S107)는 상기 대상 패턴 데이터를 이루는 복수의 대상 패턴들 각각에 대해 개별적으로 수행된다. 이에 따라, 상기 대상 패턴 데이터를 이루는 복수의 대상 패턴들 중 취약 패턴들이 수치적인 분석 모델을 통해 일괄적으로 선별될 수 있게 된다.
일반적으로, 패턴 데이터를 설계할 때 모든 패턴들이 올바르게 인쇄될 지를 고려하기 위한 단계가 수행될 수 있다. 즉, 리소그래피 공정에서의 광학적 해상도 및 패턴 전사 신뢰성을 개선하기 위한 광학 근접 보정(OPC)이나, 설계 규칙 확인(design rule checking; DRC), 광학 규칙 확인(optical rule checking; ORC), 또는 취약 패턴 선별과 같은 단계가 수행될 수 있다.
상기 취약 지점 선별 단계와 같은 경우, 광학 근접 보정을 수행한 패턴 데이터 내에서 실제 리소그래피 공정 시에 잠재적으로 패턴의 결함 발생 가능성이 큰 취약 지점(weak point)을 선별하는 과정일 수 있다. 일반적으로, 상기 취약 지점은 패턴 레이아웃 중에서 패턴이 끊어지는 핀치(pinch) 결함 또는 인접한 패턴이 서로 연결되는 브릿지(bridge) 결함의 발생 가능성이 높은 지점일 수 있다. 상기 취약 지점을 선별하는 방법으로는, 패턴의 최소폭의 수치를 순차적으로 정렬하여 패턴 최소폭이 일정 수준 이하인 지점을 선별하거나, 엔지니어의 경험을 기반으로 결함 발생률이 높은 지점을 선별하거나, 기존에 결함이 발생한 지점을 선별하는 방법 등이 이용될 수 있다.
그러나, 패턴의 최소폭의 수치에 따른 선별은, 패턴의 폭은 넓은 경우에 발생할 수 있는 결함을 선별하지 못하는 문제가 있다. 즉, 팁투팁(tip to tip)과 같은 바(bar) 형상의 패턴의 끝단(tip) 사이에 발생할 수 있는 결함을 취약 지점으로 선별하지 못하는 문제가 있다. 또한, 엔지니어의 경험에 따른 선별은 결함의 객관적 기준을 도출할 수 없어 문제가 있으며, 기존의 결함 발생 지점에 따른 선별은 새로운 유형의 결함을 가지는 취약 지점을 선별하지 못하는 문제가 있다.
다만, 본 발명의 기술적 사상에 의한 반도체 소자의 패턴 형성 방법(100)에 따르면, 패턴 데이터 중 결함이 있는 패턴과 이에 대응하여 제조된 결함 패턴이 가지는 공통 특성을 수학적 방법에 따라 추출하여, 잠재적 취약 패턴을 객관적인 기준으로 결정할 수 있다. 이에 따라, 객관적인 취약 지점의 선별 기준을 가지면서, 새로운 유형의 취약 지점을 효율적이고 정확하게 선별할 수 있다.
또한, 후속 공정에서 대상 패턴 데이터를 기초로 웨이퍼 상에 실제로 대상 패턴을 제조한 경우, 웨이퍼 상의 모든 지점들 또는 잘못 선정된 취약 지점들 대신 높은 정확도로 선별된 취약 지점들에 대해 선별적으로 패턴 결함 검사를 수행할 수 있다. 이에 따라, 새로운 반도체 소자의 공정 개발 기간의 단축 및 포토 마스크의 제작 비용이 절감될 수 있다.
또한, 선별된 취약 지점들은 결함 발생 가능성이 높은 순서로 정렬될 수 있으므로, 패턴 결함 검사 기간 또는 검사 정도를 조절할 수 있다.
도 1에서 예시된 반도체 소자의 패턴 형성 방법(100)에서는 분석 모델을 이용하여 대상 패턴 중 취약 패턴을 분류하기 위해 일부 단계(S105, S107)만을 나타내었으나, 본 발명의 기술적 사상이 이에 한정되는 것은 아니다. 일부 실시예들에서, 반도체 소자의 패턴 형성 방법(100) 중 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계(S407)는 상기 대상 패턴 데이터 중 상기 취약 그룹으로 분류된 취약 패턴들을 취약 그룹 판별 함수와의 근접도가 큰 순위에 따라 재정렬하는 단계를 포함할 수 있다. 상기 단계를 포함하는 실시예는 도 6을 참조하여 후술하도록 한다.
또한, 일부 실시예들에서, 반도체 소자의 패턴 형성 방법(100)은 정상 그룹 판별 함수 및 취약 그룹 판별 함수와 대상 패턴 데이터 사이의 근접도를 산출하는 단계(S105) 전에, 대상 회로에 대응하여 설계된 예비 대상 패턴 데이터를 광학 근접 보정하는 단계, 상기 광학 근접 보정하는 단계, 광학 근접 보정된 대상 패턴 데이터에 대해서 예비 취약 패턴 데이터를 선별하는 광학 규칙 확인 단계를 더 포함하고, 도 1의 상기 정상 그룹 및 취약 그룹으로 분류하는 단계(S107)는, 상기 대상 패턴 데이터가 아닌 상기 예비 취약 패턴 데이터에 대하여 수행될 수 있다. 이에 따라, 광학 규칙 확인 단계에 의해 일차적으로 선별된 예비 취약 패턴 데이터에 대해, 이차적으로 취약 패턴 선별 단계를 거쳐 취약 패턴 선별의 정확도가 향상될 수 있다. 또한, 상기 예비 취약 패턴 데이터 중 취약 패턴들을 취약 그룹 판별 함수와의 근접도가 큰 순위에 따라 재정렬할 수 있다. 상기 단계들을 포함하는 실시예는 도 7을 참조하여 후술하도록 한다.
도 4는 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법(200)을 나타내는 플로차트이다. 도 4의 대상 패턴 데이터의 취약 그룹을 준비하는 단계(S205)는 도 1에서 설명한 단계들(S101, S103, S105, S107)에 의할 수 있다.
도 4를 참조하면, 먼저 반도체 소자의 집적 회로를 구성할 대상 패턴 데이터를 설계할 수 있다(S201). 상기 대상 패턴 데이터는 상기 집적 회로의 각 층을 구성하는 복수의 레이아웃들에 대한 데이터일 수 있다.
이후, 시뮬레이션 등을 통해 대상 패턴 데이터의 적절성을 검사할 수 있다(S203). 예를 들어, 목표하는 집적 회로의 대상 패턴의 이상 여부를 검사하는 설계 규칙 검사가 수행될 수 있다. 이후, 대상 패턴의 광학적 해상도 및 패턴 전사 신뢰성을 개선하기 위한 광학 근접 보정 단게가 수행될 수 있다. 또한, 패턴에 대한 바이어스량을 검사하여 광학 근접 보정의 이상 여부를 판단하는 광학 규칙 확인 단계가 수행될 수 있다.
대상 패턴 데이터의 적절성을 검사한 후에는, 대상 패턴 데이터에 대한 취약 패턴을 선별 및 준비할 수 있다(S205). 전술한 바와 같이, 대상 패턴 데이터에 대해 적절성 검사를 수행하였더라도, 대상 패턴 데이터를 기초로 실제로 웨이퍼 상에 제조된 대상 패턴에 대하여 결함 검사를 하는 것이 필요할 수 있다. 다만, 제조된 대상 패턴의 범위가 매우 광범위하여 검사 소요 시간을 단축시키는 것이 필요할 수 있다. 따라서, 결함 발생 가능성이 높은 패턴 또는 지점을 예상하여 선별적으로 검사하는 것이 필요하다.
상기 반도체 소자의 패턴 형성 방법(200)에서, 대상 패턴 데이터에 대한 취약 패턴을 선별 단계(S205)는 도 1에서 설명한 분석 모델의 모델링 단계(S101, S103) 및 상기 분석 모델을 이용하여 실제로 취약 패턴을 추출하는 단계(S105, S107)를 이용하여 수행될 수 있다.
즉, 도 1을 다시 참조하면, 먼저 샘플 패턴 데이터들을 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류한다(S101). 이후, 상기 표준 정상 그룹에 포함된 샘플 패턴 데이터들 각각에 대하여 이미지 파라미터를 연산하여 정상 그룹 판별 함수를 산출하고, 상기 표준 취약 그룹에 포함된 샘플 패턴 데이터들 각각에 대하여 상기 이미지 파라미터를 연산하여 취약 그룹 판별 함수를 산출할 수 있다(S103). 이에 따라, 취약 패턴 선별을 위한 분석 모델을 완성할 수 있다.
이후, 대상 패턴 데이터들에 대하여 상기 이미지 파라미터를 연산한다. 이어서 상기 정상 그룹 판별 함수와 상기 대상 패턴 데이터 사이의 제1 근접도, 및 상기 취약 그룹 판별 함수와 상기 대상 패턴 데이터 사이의 제2 근접도를 산출한다(S105). 상기 제1 및 제2 근접도를 기초로 상기 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류할 수 있다(S107). 상기 대상 패턴 데이터들 중 취약 그룹으로 분류된 취약 패턴들 및 취약 지점들은 후속 공정에서 결함 검사 대상이 될 수 있다.
이어서, 상기 대상 패턴 데이터를 기초로 대상 패턴을 포함하는 예비 포토 마스크를 제조할 수 있다(S207).
이후 상기 예비 포토 마스크를 이용하여 웨이퍼 상에 대상 패턴을 형성하고, 웨이퍼 상에 형성된 대상 패턴 중 취약 패턴들 및 취약 지점들에 대해 결함 검사를 수행한다(S209). 상기 취약 패턴들 및 취약 지점들 도 1을 참조하여 설명한 취약 그룹을 준비하는 단계(S205)에 의해 선별된 것이다.
상기 결함 검사(S209)에서 취약 패턴에 대한 결함 유무를 판단할 수 있다(S211). 대상 패턴들에 결함이 발견되지 않는 경우, 최초 대상 패턴 데이터를 기초로 제조한 상기 예비 포토 마스크가 포토 마스크로 확정될 수 있다(S215). 따라서, 상기 포토 마스크를 기초로 목적하는 반도체 소자의 제조 공정을 수행할 수 있다. 다만, 대상 패턴들에 결함이 발견되는 경우, 이에 기초된 대상 패턴 데이터를 수정할 수 있다(S213).
이후, 시뮬레이션 등을 통해 수정된 대상 패턴 데이터의 적절성을 검사할 수 있다(S203). 전술한 바와 같이, 수정된 대상 패턴 데이터의 적절성을 검사하기 위하여 설계 규칙 검사, 광학 근접 보정 단계, 광학 규칙 확인 단계 등이 수행될 수 있으나, 이에 한정되는 것은 아니다.
이어서, 수정된 대상 패턴 데이터 중 결함 검사를 수행할 취약 패턴을 준비할 수 있다(S205). 수정된 대상 패턴 데이터에 대한 취약 패턴을 준비하는 경우, 수정된 대상 패턴 데이터에 대한 취약 패턴들은 수정전 대상 패턴 데이터에 대한 취약 패턴들 중 결함이 확인된 패턴들 및 결함이 확인된 패턴들과 인접한 영역의 패턴들로 선별될 수 있다. 즉, 수정전 대상 패턴 데이터를 기초로 선별된 취약 패턴들에 대한 결함 검사가 일차적으로 수행되었으므로, 결함이 없는 것으로 확인된 패턴들은, 상기 수정된 대상 패턴 데이터에 대한 취약 패턴에서 제외될 수 있다.
이후, 수정된 대상 패턴 데이터를 기초로 수정된 예비 포토 마스크를 다시 제조할 수 있다(S207). 이어서, 상기 수정된 예비 포토 마스크를 기초로 웨이퍼에 대상 패턴을 형성하고, 제조된 대상 패턴 중 취약 패턴에 대해 결함 검사를 다시 수행할 수 있다(S209).
상기 결함 검사(S209) 결과를 기초로, 상기 결함 검사(S209)에서 취약 패턴에 대한 결함 유무를 판단할 수 있다(S211). 전술한 바와 같이, 수정된 대상 패턴들에 결함이 발견되지 않는 경우, 수정된 대상 패턴 데이터를 기초로 제조한 상기 예비 포토 마스크가 포토 마스크로 확정될 수 있다(S215). 다만, 수정된 대상 패턴들에서 다시 결함이 발견되는 경우, 수정된 대상 패턴 데이터에 대하여 재수정할 수 있다(S213). 웨이퍼 상에 제조된 대상 패턴에서 결함이 발생하지 않을 때까지 전술한 단계를 반복할 수 있다.
다만, 본 발명의 기술적 사상에 의한 반도체 소자의 패턴 형성 방법(200)에 따르면, 패턴 데이터 중 결함이 있는 패턴과 이에 대응하여 제조된 결함 패턴이 가지는 공통 특성을 수학적 방법에 따라 추출하여, 잠재적 취약 패턴을 객관적이고 정확한 기준으로 선별할 수 있다. 이에 따라, 취약 패턴 선별시 결함 위험이 적은 패턴은 제외되고 새로운 취약 패턴 유형도 선별될 수 있다. 이에 따라, 초기 결함 검사에서 대부분의 결함을 발견하고 대상 패턴 데이터를 수정할 수 있어서, 포토 마스크의 제작 비용 및 공정 개발 기간이 단축될 수 있다.
도 5는 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법(300)을 나타내는 플로차트이다. 도 5는 도 1의 반도체 소자의 패턴 형성 방법(100)과 유사하나, 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계(S303) 전에, 상기 샘플 패턴 데이터 중 결함 가능성이 낮은 패턴들을 선별적으로 제거하는 단계(S302)를 더 포함할 수 있다.
도 5를 참조하면, 먼저 샘플 패턴 데이터를 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류할 수 있다(S301).
이후, 상기 샘플 패턴 데이터 중 결함 가능성이 낮은 패턴들을 선별적으로 제거할 수 있다(S302). 상기 제거 단계는 표준 정상 그룹 및 표준 취약 그룹 각각에 대해서 수행될 수 있다. 결함 가능성이 낮은 패턴들을 제거하는 경우, 정상 그룹 판별 함수 및 취약 그룹 판별 함수가 오버 피팅(over-fitting)되는 문제가 해소될 수 있다. 즉, 정상 그룹 판별 함수 및 취약 그룹 판별 함수 각각의 특성이 보다 상이하게 나타날 수 있다. 이에 따라, 대상 패턴 데이터를 정상 그룹 또는 취약 그룹으로 분류하는 단계가 보다 용이해지고 정확도가 증가할 수 있다.
이어서, 표준 정상 그룹 및 표준 취약 그룹으로부터 각각 추출된 파라미터를 기초로 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출할 수 있다(S303). 이후, 대상 패턴 데이터의 파라미터를 연산하여, 정상 그룹 판별 함수와 대상 패턴 데이터 사이의 제1 근접도 및 취약 그룹 판별 함수와 대상 패턴 데이터 사이의 제2 근접도를 산출할 수 있다(S305). 상기 제1 및 제2 근접도를 기초로 대상 패턴 데이터에 포함된 복수의 대상 패턴들을 정상 그룹 및 취약 그룹으로 분류할 수 있다(S307).
도 6은 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법(200)을 나타내는 플로차트이다. 도 6은 도 1의 반도체 소자의 패턴 형성 방법(100)과 유사하나, 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계(S407) 후에, 취약 그룹으로 분류된 취약 패턴들을 취약 그룹 판별 함수와의 근접도에 따라 재정렬하는 단계(S409)를 더 포함할 수 있다.
도 6을 참조하면, 먼저 샘플 패턴 데이터를 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류할 수 있다(S401). 이후, 표준 정상 그룹 및 표준 취약 그룹으로부터 각각 추출된 파라미터를 기초로 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출할 수 있다(S403). 이후, 대상 패턴 데이터의 파라미터를 연산하여, 정상 그룹 판별 함수와 대상 패턴 데이터 사이의 제1 근접도 및 취약 그룹 판별 함수와 대상 패턴 데이터 사이의 제2 근접도를 산출할 수 있다(S405). 상기 제1 및 제2 근접도를 기초로 대상 패턴 데이터에 포함된 복수의 대상 패턴들을 정상 그룹 및 취약 그룹으로 분류할 수 있다(S407).
이후, 취약 그룹으로 분류된 취약 패턴들을 취약 그룹 판별 함수와의 제2 근접도에 따라 재정렬할 수 있다(S409). 이에 따라, 동일한 취약 그룹에 속한 취약 패턴들 중에서도 결함 발생률이 더 높은 취약 패턴들에 대해 누락되지 않고 결함 검사가 수행될 수 있다.
도 7는 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법(200)을 나타내는 플로차트이다. 도 1의 반도체 소자의 패턴 형성 방법(100)과 유사하나, 취약 패턴을 선별하기 위한 대상이 다른 선별 방법에 의해 일차적으로 취약 패턴으로 판단을 받은 예비 취약 패턴 데이터인 차이가 있다.
도 7을 참조하면, 먼저 샘플 패턴 데이터를 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류할 수 있다(S501). 이어서, 표준 정상 그룹 및 표준 취약 그룹으로부터 각각 추출된 파라미터를 기초로 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출할 수 있다(S503).
이어서, 대상 회로에 대응하여 설계된 예비 대상 패턴 데이터를 광학 근접 보정하여 대상 패턴 데이터를 준비할 수 있다(S505). 이어서, 상기 대상 패턴 데이터에 대해서 광학 규칙 확인 단계를 더 수행하여 예비 취약 패턴 데이터를 선별할 수 있다(S507).
이후, 예비 취약 패턴 데이터의 파라미터를 연산하여, 정상 그룹 판별 함수와 예비 취약 패턴 데이터 사이의 제1 근접도 및 취약 그룹 판별 함수와 예비 취약 패턴 데이터 사이의 제2 근접도를 산출할 수 있다(S509). 상기 제1 및 제2 근접도를 기초로 예비 취약 패턴 데이터를 정상 그룹 및 취약 그룹으로 재정렬할 수 있다(S511).
이에 따라, 광학 규칙 확인 단계에 의해 일차적으로 선별된 예비 취약 패턴 데이터가 이차적으로 취약 패턴 선별 단계(S509, S511)를 거치게 되므로, 취약 패턴 선별의 정확도가 향상될 수 있다. 또한, 상기 예비 취약 패턴 데이터 중 취약 패턴들을 취약 그룹 판별 함수와의 근접도가 큰 순위에 따라 재정렬할 수 있다.
도 8는 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법(600)을 나타내는 플로차트이다. 도 8은 도 1의 반도체 소자의 패턴 형성 방법(100)과 유사하나, 정상 그룹 판별 함수 및 취약 그룹 판별 함수로 산출하는 단계(S603) 이후에, 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 검증하는 단계(S605, S607, S609, S611, S613, S615)를 더 포함할 수 있다. 도 8는 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법(600)을 나타내는 플로차트이다. 도 9는 도 8과 유사하나, 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 재산출하기 위한 단계(S613')를 포함하는 차이가 있다.
도 8을 참조하면, 먼저 샘플 패턴 데이터를 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류할 수 있다(S601). 이어서, 표준 정상 그룹 및 표준 취약 그룹으로부터 각각 추출된 파라미터를 기초로 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출할 수 있다(S603).
이후, 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 검증하는 단계(S605, S607, S609, S611, S613, S615)를 수행할 수 있다. 상기 검증 단계(S605 내지 S615)는 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수가 정상 그룹 및 취약 그룹을 분류하기에 적합한 분석 모델인지 검증하는 단계이다. 상기 검증 단계(S605 내지 S615)는, 이미 표준 취약 그룹이 알려진 샘플 패턴 데이터에 대해 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 적용해 취약 그룹을 분류하고, 상기 표준 취약 그룹과 상기 취약 그룹의 정합도를 비교하는 방식으로 수행될 수 있다.
구체적으로 샘플 패턴 데이터의 복수의 대상 패턴들에 대하여 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수의 파라미터를 각각 연산하여, 상기 복수의 대상 패턴들 각각과 상기 정상 그룹 판별 함수 사이의 제1 근접도, 및 상기 복수의 대상 패턴들 각각과 취약 그룹 판별 함수 사이의 제2 근접도를 산출할 수 있다(S605). 상기 제1 및 제2 근접도에 기초하여 상기 복수의 대상 패턴들 각각을 상기 정상 그룹 및 취약 그룹으로 분류할 수 있다(S607).
이후, 상기 샘플 패턴 데이터의 복수의 대상 패턴들에 대하여, 상기 표준 정상 그룹과 상기 정상 그룹간의 제1 정합도 및 상기 표준 취약 그룹과 상기 취약 그룹간의 제2 정합도를 산출할 수 있다(S609). 이후, 상기 제1 및 제2 정합도 중 어느 하나가 미리 결정된 일정 기준에 미달하는 지를 판단할 수 있다(S611).
상기 제1 및 제2 정합도가 모두 일정 기준 이상인 경우, 상기 정상 그룹 판별 함수 및 취약 그룹 판별 함수는 분석 모델로서 확정될 수 있다(S615). 이에 따라, 대상 패턴 데이터의 복수의 대상 패턴들 각각에 대해 파라미터를 연산하여 정상 그룹 판별 함수와 대상 패턴 데이터 사이의 제1 근접도 및 취약 그룹 판별 함수와 대상 패턴 데이터 사이의 제2 근접도를 산출할 수 있다(S617). 또한, 상기 제1 및 제2 근접도에 기초하여 대상 패턴 데이터의 복수의 대상 패턴들 각각을 정상 그룹 또는 취약 그룹으로 분류할 수 있다(S619).
다만, 상기 제1 및 제2 정합도 중 적어도 하나가 일정 기준에 미달하는 경우, 상기 샘플 패턴 데이터를 제2 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 재분류하는 단계(S613)가 수행될 수 있다.
도 9를 참조하면, 상기 제1 및 제2 정합도 중 적어도 하나가 일정 기준에 미달하는 경우, 상기 샘플 패턴 데이터를 제2 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 재분류하는 단계(S613) 대신에, 파라미터를 재선정하여 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 재산출하는 단계(S613')가 수행될 수 있다.
도 8을 다시 참조하면, 상기 표준 정상 그룹 및 상기 표준 취약 그룹을 재분류하는 단계(S613) 이후에, 재분류된 표준 정상 그룹 및 재분류된 표준 취약 그룹으로부터 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 재산출할 수 있다(S603).
이후, 상기 재산출된 정상 그룹 판별 함수 및 상기 재산출된 취약 그룹 판별 함수에 대하여 전술한 검증 단계(S605, S607, S609, S611)를 다시 거칠 수 있다. 상기 재산출된 정상 그룹 판별 함수 및 상기 재산출된 취약 그룹 판별 함수가 일정 기준 이상인 경우, 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 확정할 수 있다(S615). 이후, 대상 패턴 데이터의 파라미터를 연산하여, 정상 그룹 판별 함수와 대상 패턴 데이터 사이의 제1 근접도 및 취약 그룹 판별 함수와 대상 패턴 데이터 사이의 제2 근접도를 산출할 수 있다(S617). 상기 제1 및 제2 근접도를 기초로 상기 대상 패턴 데이터의 복수의 대상 패턴들을 정상 그룹 및 취약 그룹으로 분류할 수 있다(S619).
도 10은 본 발명의 기술적 사상에 의한 실시예들에 따른 반도체 소자의 패턴 형성 방법(200)을 나타내는 플로차트이다. 도 10은 도 1 내지 도 8에 나타난 반도체 소자의 패턴 형성 방법(100, 200, 300, 400, 500, 600)에 나타난 단계들을 모두 포함하는 반도체 소자의 패턴 형성 방법(700)이다.
도 10을 참조하면, 샘플 패턴 데이터를 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류할 수 있다(S701). 상기 제1 기준은 도 1에서 전술한 바와 같다. 이 경우, 상기 샘플 패턴 데이터 중 결함 가능성이 낮은 패턴들은 선별적으로 제거될 수 있다(S702).
상기 표준 정상 그룹 및 상기 표준 취약 그룹으로부터 각각 추출된 파라미터를 기초로 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출할 수 있다(S703). 상기 파라미터는 이미지 파라미터로 도 1에서 전술한 바와 같다.
이후, 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수의 적절성 여부를 검증할 수 있다(S705). 상기 검증 단계(S705)는 도 8에서 설명한 검증 단계(S605, S607, S609)를 따라 수행될 수 있다.
상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수가 검증 기준 이상인지 판단할 수 있다(S707). 검증 기준에 미달할 경우, 샘플 패턴 데이터를 제2 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 재분류(S709)할 수 있다. 상기 제2 기준은 상기 제1 기준과는 다를 수 있다. 도 10에서는 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 수정하기 위하여 표준 정상 그룹 및 표준 취약 그룹을 수정하는 방법을 예시하였으나, 이에 한정되는 것은 아니다. 일부 실시예들에서, 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 수정하기 위하여, 상기 샘플 패턴 데이터를 제2 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 재분류하는 단계(S709) 대신에, 파라미터를 재선정하여 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 재산출하는 단계가 수행될 수 있다.
상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수가 검증 기준 이상일 경우, 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 분석 모델로 확정할 수 있다.
이후, 상기 분석 모델을 이용하여 대상 패턴 데이터로부터 취약 패턴을 선별하는 단계들이 수행될 수 있다. 먼저, 대상 패턴 데이터를 설계한다(S711). 이 때 상기 대상 패턴 데이터는 광학 근접 보정 및 광학 규칙 확인 단계가 수행될 수 있다(S713). 상기 광학 규칙 확인 결과, 상기 대상 패턴 데이터로부터 예비 취약 패턴 데이터를 선별할 수 있다.
이후, 상기 예비 취약 패턴 데이터의 파라미터값을 추출할 수 있다. 이어서, 정상 그룹 판별 함수와 예비 취약 패턴 데이터 사이의 제1 근접도 및 취약 그룹 판별 함수와 예비 취약 패턴 데이터 사이의 제2 근접도에 따라, 예비 취약 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류할 수 있다(S715). 취약 그룹으로 분류된 취약 패턴들을 취약 그룹 판별 함수와의 제2 근접도에 따라 순차적으로 재정렬될 수 있다(S717). 이미 광학 규칙 확인 단계에 의해 일차적으로 취약 패턴으로 선별된 데이터에 대해 상기 분석 모델을 적용함으로써, 높은 정확도로 결함 발생률을 가지는 취약 패턴만이 선별될 수 있다. 즉, 광학 규칙 확인 단계에서 누락되었던 취약 패턴은 낮은 순위의 취약 패턴으로 포함되고, 상기 광학 규칙 확인 단계 및 상기 분석 모델에서 이중으로 선별된 취약 패턴은 높은 순위의 취약 패턴으로 선별될 수 있다.
한편, 상기 대상 패턴 데이터를 기초로 예비 포토 마스크를 제조하고, 예비 포토 마스크를 이용하여 웨이퍼 상에 대상 패턴을 형성할 수 있다(S719). 이어서, 상기 웨이퍼 상에 형성된 대상 패턴 중 취약 그룹에 포함된 취약 패턴에 대해 결함 검사를 수행할 수 있다(S721). 상기 취약 패턴은 취약 패턴 재정렬 단계(S717)에 나타난 취약 패턴들일 수 있다. 이후, 대상 패턴 데이터 중 결함이 발견되는 경우, 대상 패턴 데이터를 수정할 수 있다(S723). 대상 패턴 데이터를 수정한 후, 수정된 대상 패턴 데이터의 적절성 검사, 취약 패턴의 재선별, 예비 포토 마스크 재제조, 웨이퍼 상에 수정 대상 패턴을 형성하는 단계가 더 수행될 수 있으며, 상세한 설명은 도 4에서 전술한 바와 같다.
이상, 본 발명을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시예에 한정되지 않고, 본 발명의 기술적 사상 및 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형 및 변경이 가능하다.
S101: 샘플 패턴 데이터를 표준 정상 그룹 및 표준 취약 그룹으로 분류
S103: 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출
S105: 정상 및 취약 그룹 판별 함수와 대상 패턴 데이터의 근접도를 산출
S107: 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류

Claims (10)

  1. 샘플 패턴 데이터들을 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류하는 단계;
    상기 표준 정상 그룹에 포함된 샘플 패턴 데이터들 각각에 대하여 이미지 파라미터를 연산하여 정상 그룹 판별 함수를 산출하고, 상기 표준 취약 그룹에 포함된 샘플 패턴 데이터들 각각에 대하여 상기 이미지 파라미터를 연산하여 취약 그룹 판별 함수를 산출하는 단계;
    상기 대상 패턴 데이터들에 대하여 상기 이미지 파라미터를 연산하여, 상기 정상 그룹 판별 함수와 상기 대상 패턴 데이터 사이의 제1 근접도, 및 상기 취약 그룹 판별 함수와 상기 대상 패턴 데이터 사이의 제2 근접도를 기초로, 상기 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계;를 포함하는 반도체 소자의 패턴 형성 방법.
  2. 제1 항에 있어서, 상기 샘플 패턴 데이터들을 표준 정상 그룹 및 상기 표준 취약 그룹으로 분류하는 단계에서,
    상기 제1 기준은, 상기 샘플 패턴 데이터들에 의해 시뮬레이션된 샘플 패턴의 제1 폭과, 상기 샘플 패턴 데이터들을 기초로 실제로 제조된 샘플 패턴의 제2 폭의 차이, 및 상기 제2 폭에 대비한 상기 제1 및 제2 폭 차이의 비(ratio) 중 적어도 하나인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법.
  3. 제1 항에 있어서, 상기 이미지 파라미터는 상기 샘플 패턴 데이터에 의해 시뮬레이션된 광학 이미지의 이미지 특성을 나타내는 파라미터인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법.
  4. 제1 항에 있어서, 상기 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계 전에,
    대상 회로에 대응하여 설계된 예비 대상 패턴 데이터를 광학 근접 보정(Optical Procimity Correction; OPC)하는 단계;를 더 포함하고,
    상기 대상 패턴 데이터는, 상기 예비 대상 패턴 데이터가 광학 근접 보정되어 형성된 데이터인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법.
  5. 제4 항에 있어서, 상기 광학 근접 보정하는 단계 및 상기 대상 패턴 데이터를 대상 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계 사이에,
    상기 대상 패턴 데이터에 대해서 예비 취약 패턴 데이터를 선별하는 광학 규칙 확인(optical rule checking; ORC) 단계를 더 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법.
  6. 제5 항에 있어서, 상기 정상 그룹 및 취약 그룹으로 분류하는 단계는,
    상기 예비 취약 패턴 데이터에 대하여 수행되고,
    상기 예비 취약 패턴 데이터 중 상기 취약 그룹으로 분류된 취약 패턴들을 상기 제2 근접도가 큰 순위에 따라 재정렬하는 단계;인 것을 특징으로 하는 반도체 소자의 패턴 형성 방법.
  7. 제1 항에 있어서, 상기 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계 이후에,
    상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 검증하는 단계를 더 포함하고, 상기 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 검증하는 단계는,
    상기 샘플 패턴 데이터에 대하여 상기 이미지 파라미터를 연산하여, 상기 샘플 패턴 데이터와 상기 정상 그룹 판별 함수 사이의 근접도, 및 상기 샘플 패턴 데이터와 취약 그룹 판별 함수 사이의 근접도에 따라 상기 샘플 패턴 데이터를 상기 정상 그룹 및 취약 그룹으로 분류하는 단계;를 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법.
  8. 제7 항에 있어서, 상기 샘플 패턴 데이터에 대하여, 상기 표준 정상 그룹과 상기 정상 그룹간의 제1 정합도 및 상기 표준 취약 그룹과 상기 취약 그룹간의 제2 정합도를 판단하는 단계;를 더 포함하는 반도체 소자의 패턴 형성 방법.
  9. 제8 항에 있어서, 상기 제1 정합도 또는 상기 제2 정합도 중 어느 하나가 미리 결정된 기준에 미달하는 경우, 상기 표준 정상 그룹 및 상기 표준 취약 그룹을 재분류하는 단계를 더 포함하고,
    상기 표준 정상 그룹 및 상기 표준 취약 그룹을 재분류하는 단계는,
    상기 샘플 패턴 데이터들을 상기 제1 기준과는 다른 제2 기준으로 표준 정상 그룹 및 표준 취약 그룹으로 재분류하는 단계; 및
    재분류된 표준 정상 그룹 및 재분류된 표준 취약 그룹으로부터 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 재산출하는 단계;를 포함하는 것을 특징으로 하는 반도체 소자의 패턴 형성 방법.
  10. 샘플 패턴 데이터들을 제1 기준에 따라 표준 정상 그룹 및 표준 취약 그룹으로 분류하는 단계;
    상기 표준 정상 그룹 및 상기 표준 취약 그룹에 포함된 샘플 패턴들 중 결함 가능성이 낮은 패턴들을 선별적으로 제거하는 단계;
    상기 표준 정상 그룹 및 상기 표준 취약 그룹 각각으로부터 이미지 파라미터를 기초로 정상 그룹 판별 함수 및 취약 그룹 판별 함수를 산출하는 단계;
    상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 통해 상기 샘플 패턴 데이터들을 정상 그룹 및 취약 그룹으로 분류하고, 상기 표준 정상 그룹 및 상기 표준 취약 그룹과의 정합도를 각각 산출하여, 상기 정상 그룹 판별 함수 및 상기 취약 그룹 판별 함수를 검증하는 단계;
    상기 정합도가 미리 결정된 기준에 미달하는 경우, 상기 제1 기준과는 다른 제2 기준으로 표준 정상 그룹 및 표준 취약 그룹을 재분류하는 단계;
    광학 근접 보정(OPC)이 수행된 대상 패턴 데이터에 대하여, 광학 규칙 확인(ORC)을 수행하고 예비 취약 패턴 데이터를 선별하는 단계;
    상기 예비 취약 패턴 데이터의 파라미터를 연산하여, 상기 정상 그룹 판별 함수와 상기 예비 취약 패턴 데이터 사이의 근접도 및 상기 취약 그룹 판별 함수와 예비 취약 패턴 데이터 사이의 근접도에 따라, 상기 예비 취약 패턴 데이터를 정상 그룹 및 취약 그룹으로 분류하는 단계;
    상기 대상 패턴 데이터를 기초로 예비 포토 마스크를 제조하고, 상기 예비 포토 마스크를 이용하여 웨이퍼 상에 대상 패턴을 형성하는 단계;
    상기 웨이퍼 상에 형성된 대상 패턴 중 취약 그룹에 포함된 취약 패턴에 대해 결함 검사를 수행하는 단계; 및
    상기 대상 패턴 데이터 중 결함이 있는 대상 패턴을 수정하는 단계;를 포함하는 반도체 소자의 패턴 형성 방법.
KR1020150163347A 2015-11-20 2015-11-20 반도체 소자의 패턴 형성 방법 KR102387459B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150163347A KR102387459B1 (ko) 2015-11-20 2015-11-20 반도체 소자의 패턴 형성 방법
US15/355,193 US10242921B2 (en) 2015-11-20 2016-11-18 Method of forming pattern of semiconductor device from which various types of pattern defects are removed

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150163347A KR102387459B1 (ko) 2015-11-20 2015-11-20 반도체 소자의 패턴 형성 방법

Publications (2)

Publication Number Publication Date
KR20170059246A true KR20170059246A (ko) 2017-05-30
KR102387459B1 KR102387459B1 (ko) 2022-04-15

Family

ID=58721905

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150163347A KR102387459B1 (ko) 2015-11-20 2015-11-20 반도체 소자의 패턴 형성 방법

Country Status (2)

Country Link
US (1) US10242921B2 (ko)
KR (1) KR102387459B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10762618B1 (en) * 2019-02-14 2020-09-01 United Microelectronics Corp. Mask weak pattern recognition apparatus and mask weak pattern recognition method
US10701353B1 (en) * 2019-03-20 2020-06-30 United States Of America, As Represented By The Secretary Of The Army Pattern, method, and apparatus for testing imaging system performance
KR20210078812A (ko) 2019-12-19 2021-06-29 삼성전자주식회사 광학 근접 보상 검증 방법 및 이를 포함하는 반도체 제조 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000133688A (ja) * 1999-10-19 2000-05-12 Hitachi Ltd 半導体装置の製造方法
KR20010024114A (ko) * 1997-09-17 2001-03-26 뉴메리컬 테크날러쥐스 인코포레이티드 시각 검사 및 검증 시스템
JP2004037827A (ja) * 2002-07-03 2004-02-05 Sony Corp 設計パターンの検証方法および設計パターンの補正方法
JP2005158780A (ja) * 2003-11-20 2005-06-16 Hitachi Ltd パターン欠陥検査方法及びその装置
JP2010085470A (ja) * 2008-09-29 2010-04-15 United Microelectronics Corp レイアウトパターンを選択的に修正する方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2736521B2 (ja) * 1995-11-07 1998-04-02 三井東圧化学株式会社 ロール状フィルムの検査方法及び装置
JP4132229B2 (ja) * 1998-06-03 2008-08-13 株式会社ルネサステクノロジ 欠陥分類方法
JP4155497B2 (ja) * 2002-04-25 2008-09-24 大日本スクリーン製造株式会社 欠陥分類方法、プログラムおよび欠陥分類装置
EP1636757A2 (en) * 2003-06-25 2006-03-22 Siemens Medical Solutions USA, Inc. Systems and methods for providing automated regional myocardial assessment for cardiac imaging
WO2005101312A2 (en) * 2004-04-13 2005-10-27 Aic Fractal skr-method for evaluating image quality
US8184923B2 (en) * 2004-04-19 2012-05-22 Semiconductor Energy Laboratory Co., Ltd. Image analysis method, image analysis program, pixel evaluation system having the image analysis method, and pixel evaluation system having the image analysis program
KR20180088924A (ko) 2005-11-18 2018-08-07 케이엘에이-텐코 코포레이션 검사 데이터와 조합하여 설계 데이터를 활용하는 방법 및 시스템
US7512927B2 (en) 2006-11-02 2009-03-31 International Business Machines Corporation Printability verification by progressive modeling accuracy
US8059884B2 (en) 2007-11-08 2011-11-15 International Business Machines Corporation Method and system for obtaining bounds on process parameters for OPC-verification
US8572524B2 (en) 2007-11-21 2013-10-29 Globalfoundries Singapore Pte. Ltd. Statistical optical proximity correction
US7765021B2 (en) 2008-01-16 2010-07-27 International Business Machines Corporation Method to check model accuracy during wafer patterning simulation
US8174681B2 (en) 2009-01-06 2012-05-08 International Business Machines Corporation Calibration of lithographic process models
US7900169B2 (en) 2009-01-06 2011-03-01 International Business Machines Corporation OPC model calibration process
KR101082103B1 (ko) 2009-07-01 2011-11-10 주식회사 하이닉스반도체 광 근접효과 보정의 검증방법
NL2007579A (en) * 2010-11-10 2012-05-14 Asml Netherlands Bv Pattern-dependent proximity matching/tuning including light manipulation by projection optics.
JP5865707B2 (ja) * 2012-01-06 2016-02-17 株式会社キーエンス 外観検査装置、外観検査方法及びコンピュータプログラム
US8984450B2 (en) 2013-03-14 2015-03-17 Taiwan Semiconductor Manufacturing Company, Ltd. Method and apparatus for extracting systematic defects
US8997027B2 (en) 2013-07-31 2015-03-31 GlobalFoundries, Inc. Methods for modifying an integrated circuit layout design
FR3021441B1 (fr) * 2014-05-26 2017-09-29 Snecma Procede et dispositif d'estimation d'un indice de qualite d'une image 3d d'une piece de materiau composite

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010024114A (ko) * 1997-09-17 2001-03-26 뉴메리컬 테크날러쥐스 인코포레이티드 시각 검사 및 검증 시스템
JP2000133688A (ja) * 1999-10-19 2000-05-12 Hitachi Ltd 半導体装置の製造方法
JP2004037827A (ja) * 2002-07-03 2004-02-05 Sony Corp 設計パターンの検証方法および設計パターンの補正方法
JP2005158780A (ja) * 2003-11-20 2005-06-16 Hitachi Ltd パターン欠陥検査方法及びその装置
JP2010085470A (ja) * 2008-09-29 2010-04-15 United Microelectronics Corp レイアウトパターンを選択的に修正する方法

Also Published As

Publication number Publication date
US10242921B2 (en) 2019-03-26
US20170148689A1 (en) 2017-05-25
KR102387459B1 (ko) 2022-04-15

Similar Documents

Publication Publication Date Title
KR101645633B1 (ko) 집적 회로의 레이아웃을 생성하기 위한 방법, 컴퓨터 시스템 및 컴퓨터-판독가능 저장 매체
US10402524B2 (en) Prediction of process-sensitive geometries with machine learning
US8504959B2 (en) Analysis optimizer
EP2095280B1 (en) Printability verification by progressive modeling accuracy
US10198550B2 (en) SRAF insertion with artificial neural network
CN111125995B (zh) 测试图案产生系统及方法
US7475383B2 (en) Method of fabricating photo mask
EP1997045B1 (en) Computer-implemented methods, storage medium, and system for creating a metrology target structure design for a reticle layout
US8175737B2 (en) Method and apparatus for designing and integrated circuit
CN103597579B (zh) Euv光刻杂散光计算和补偿
US8930857B2 (en) Mask data verification apparatus, design layout verification apparatus, method thereof, and computer program thereof
CN105652589A (zh) 使用设计者意图数据检查晶片和掩模版的方法和系统
US8230371B2 (en) Process-window aware detection and correction of lithographic printing issues at mask level
US7275227B1 (en) Method of checking optical proximity correction data
KR100655428B1 (ko) 광근접효과보정 시스템 및 방법
TWI571701B (zh) 偵測微影熱點的方法
CN117957495A (zh) 重定义版图图形的方法、装置、设备、介质和程序产品
CN114444434A (zh) 预测难以修复的设计规则检查违规的方法与系统
KR102387459B1 (ko) 반도체 소자의 패턴 형성 방법
US9465907B2 (en) Multi-polygon constraint decomposition techniques for use in double patterning applications
US20080028344A1 (en) Pattern correction apparatus, pattern optimization apparatus, and integrated circuit design apparatus
US10386714B2 (en) Creating knowledge base for optical proximity correction to reduce sub-resolution assist feature printing
JP2006058413A (ja) マスクの形成方法
US10401837B2 (en) Generating risk inventory and common process window for adjustment of manufacturing tool
JP2004354919A (ja) 光近接効果補正の検証方法および検証装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant