KR20170096018A - 기계 학습에 의한 피처 검색 - Google Patents

기계 학습에 의한 피처 검색 Download PDF

Info

Publication number
KR20170096018A
KR20170096018A KR1020177019895A KR20177019895A KR20170096018A KR 20170096018 A KR20170096018 A KR 20170096018A KR 1020177019895 A KR1020177019895 A KR 1020177019895A KR 20177019895 A KR20177019895 A KR 20177019895A KR 20170096018 A KR20170096018 A KR 20170096018A
Authority
KR
South Korea
Prior art keywords
target feature
features
feature
computer
learning model
Prior art date
Application number
KR1020177019895A
Other languages
English (en)
Other versions
KR102048918B1 (ko
Inventor
시아오펭 리우
옌-웬 루
Original Assignee
에이에스엠엘 네델란즈 비.브이.
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 에이에스엠엘 네델란즈 비.브이. filed Critical 에이에스엠엘 네델란즈 비.브이.
Publication of KR20170096018A publication Critical patent/KR20170096018A/ko
Application granted granted Critical
Publication of KR102048918B1 publication Critical patent/KR102048918B1/ko

Links

Images

Classifications

    • G06N99/005—
    • 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
    • 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
    • G03F7/70058—Mask illumination systems
    • G03F7/70125—Use of illumination settings tailored to particular mask patterns
    • 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
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G06F17/5081—
    • 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
    • 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
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

본 명세서에는 리소그래피 투영 장치를 이용하여 기판 상으로 디자인 레이아웃의 일부분을 이미징하기 위한 리소그래피 공정을 개선하는 컴퓨터-구현 방법이 개시되며, 본 방법은: 타겟 피처를 얻는 단계; 섭동을 적용함으로써 타겟 피처로부터 섭동된 타겟 피처를 생성하는 단계; 섭동된 타겟 피처, 및 섭동된 타겟 피처가 타겟 피처와 동일한 것으로 간주되는지에 관한 지시를 포함하는 트레이닝 예들의 세트를 생성하는 단계; 트레이닝 예들의 세트로 학습 모델을 트레이닝하는 단계; 디자인 레이아웃의 일부분 내의 피처들을 적어도 2 개의 클래스 - 타겟 피처와 동일한 것으로 간주되는 클래스, 및 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하는 단계를 포함한다.

Description

기계 학습에 의한 피처 검색{FEATURE SEARCH BY MACHINE LEARNING}
본 출원은 2014년 12월 18일에 출원된 US 출원 62/093,931의 우선권을 주장하며, 이는 본 명세서에서 전문이 인용참조된다.
본 발명은 리소그래피 장치들 및 공정들에 관한 것으로, 더 구체적으로는 타겟 피처에 대한 매치(match)들을 검색하는 방법 및 툴에 관한 것이다.
리소그래피 투영 장치는, 예를 들어 집적 회로(IC)의 제조에 사용될 수 있다. 이러한 경우, 패터닝 디바이스(예를 들어, 마스크)는 IC의 개별 층에 대응하는 회로 패턴("디자인 레이아웃")을 포함하거나 제공할 수 있으며, 패터닝 디바이스 상의 회로 패턴을 통해 타겟부를 조사(irradiate)하는 것과 같은 방법들에 의해, 이 회로 패턴이 방사선-감응재("레지스트")층으로 코팅된 기판(예를 들어, 실리콘 웨이퍼) 상의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟부 상으로 전사될 수 있다. 일반적으로, 단일 기판은 리소그래피 투영 장치에 의해 회로 패턴이 한 번에 한 타겟부씩 연속적으로 전사되는 복수의 인접한 타겟부들을 포함한다. 일 형태의 리소그래피 투영 장치에서는 전체 패터닝 디바이스 상의 회로 패턴이 하나의 타겟부 상으로 한 번에 전사되며; 이러한 장치는 통상적으로 웨이퍼 스테퍼(wafer stepper)라 칭해진다. 통상적으로 스텝-앤드-스캔(step-and-scan) 장치라 칭해지는 대안적인 장치에서는 투영 빔이 주어진 기준 방향("스캐닝" 방향)으로 패터닝 디바이스에 걸쳐 스캐닝하는 한편, 동시에 이 기준 방향과 평행하게(같은 방향으로 평행하게) 또는 역-평행하게(반대 방향으로 평행하게) 기판이 이동된다. 패터닝 디바이스 상의 회로 패턴의 상이한 부분들은 점진적으로 하나의 타겟부에 전사된다. 일반적으로, 리소그래피 투영 장치가 배율 인자(Ｍ)(일반적으로 < 1)를 갖기 때문에, 기판이 이동되는 속력(F)은 투영 빔이 패터닝 디바이스를 스캐닝하는 속력의 인자(Ｍ) 배가 될 것이다. 본 명세서에 서술된 바와 같은 리소그래피 디바이스들에 관련된 더 많은 정보는, 예를 들어 본 명세서에서 인용참조되는 US 6,046,792로부터 얻을 수 있다.
패터닝 디바이스로부터 기판으로 회로 패턴을 전사하기에 앞서, 기판은 전처리(priming), 레지스트 코팅 및 소프트 베이크(soft bake)와 같은 다양한 과정들을 거칠 수 있다. 노광 이후, 기판은 노광후 베이크(post-exposure bake: PEB), 현상, 하드 베이크(hard bake) 및 전사된 회로 패턴의 측정/검사와 같은 다른 과정들을 거칠 수 있다. 이러한 일련의 과정들은 디바이스, 예컨대 IC의 개별 층을 구성하는 기초로서 사용된다. 이후, 기판은 에칭, 이온-주입(도핑), 금속화(metallization), 산화, 화학-기계적 연마 등과 같은 다양한 공정들을 거칠 수 있으며, 이는 모두 디바이스의 개별 층을 마무리하도록 의도된다. 디바이스에서 여러 층이 요구되는 경우, 각각의 층에 대해 전체 과정 또는 그 변형이 반복된다. 최후에는, 디바이스가 기판 상의 각 타겟부에 존재할 것이다. 이후, 이러한 디바이스들은 다이싱(dicing) 또는 소잉(sawing)과 같은 기술에 의해 서로 분리되며, 개개의 디바이스들은 캐리어에 장착되고 핀에 연결되는 등의 단계를 거칠 수 있다.
유의되는 바와 같이, 마이크로리소그래피는 IC의 제조에 있어서 중심 단계이며, 이때 기판들 상에 형성되는 패턴들은 마이크로프로세서, 메모리 칩 등과 같은 IC의 기능적 요소들을 정의한다. 또한, 유사한 리소그래피 기술들이 평판 디스플레이, MEMS(micro-electro mechanical system) 및 다른 디바이스들의 형성에 사용된다.
본 명세서에서는 리소그래피 투영 장치를 이용하여 기판 상으로 디자인 레이아웃의 일부분을 이미징하기 위한 리소그래피 공정을 개선하는 컴퓨터-구현 방법이 개시되고, 본 방법은: 타겟 피처를 얻는 단계; 섭동(perturbation)을 적용함으로써 타겟 피처로부터 섭동된 타겟 피처를 생성하는 단계; 섭동된 타겟 피처, 및 섭동된 타겟 피처가 타겟 피처와 동일한 것으로 간주되는지에 관한 지시(indication)를 포함하는 트레이닝 예들의 세트(set of training examples)를 생성하는 단계; 트레이닝 예들의 세트로 학습 모델을 트레이닝하는 단계; 컴퓨터에 의해, 디자인 레이아웃의 일부분 내의 피처들을 적어도 2 개의 클래스 - 타겟 피처와 동일한 것으로 간주되는 클래스, 및 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하는 단계를 포함한다.
또한, 본 명세서에서는 정보가 기록되는 비-일시적 컴퓨터 판독가능한 매체(non-transitory computer readable medium)를 포함하는 컴퓨터 프로그램 제품이 개시되고, 정보는 타겟 피처, 하나 이상의 섭동된 타겟 피처, 하나 이상의 섭동된 타겟 피처가 타겟 피처와 동일한 것으로 간주되는지에 관한 지시를 포함한다.
또한, 본 명세서에서는 정보가 기록되는 컴퓨터 판독가능한 매체를 포함하는 컴퓨터 프로그램 제품이 개시되고, 정보는 타겟 피처, 및 피처를 2 개의 클래스 - 타겟 피처와 동일한 것으로 간주되는 클래스, 및 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하도록 구성되는 기계 학습 모델을 포함한다.
첨부된 도면들과 관련하여 특정 실시예들의 다음의 설명을 검토함으로써, 앞선 실시형태 및 다른 실시형태 그리고 특징들이 당업자에게 분명해질 것이다:
도 1은 일 실시예에 따른 리소그래피 시스템의 다양한 서브시스템들의 블록도;
도 2는 도 1의 서브시스템들에 대응하는 시뮬레이션 모델들의 블록도;
도 3은 일 실시예에 따른, 기계 학습 모델을 이용하여 타겟 피처와 유사한 피처들을 검색하는 방법에 대한 흐름도;
도 4는 피처들의 픽실레이팅 이미지(pixilated image)를 얻기 위해 복수의 피처들(410)에 저역 필터(low pass filter)를 적용한 것을 개략적으로 나타낸 도면;
도 5는 트레이닝 세트를 생성하고 트레이닝 세트를 이용하여 기계 학습 모델을 트레이닝하는 흐름도를 개략적으로 나타낸 도면;
도 6은 트레이닝 세트가 바람직하게는 윈도우에 대해 다양한 방향으로 다양한 양만큼 시프트된 것을 제외하고 타겟 피처와 동일한 복수의 섭동된 타겟 피처들을 포함하는 것을 개략적으로 나타낸 도면;
도 7은 타겟 피처에 대한 기계 학습 모델을 이용하여, 다수의 피처들을 갖는 큰 이미지에서 타겟 피처의 매치(match)들을 검색하는 것을 개략적으로 나타낸 도면;
도 8은 상이한 분해능(resolution)에서 하지만 동일한 타겟 피처에 대해 3 개의 기계 학습 모델들을 이용하는 다-분해능 피처 검색 방법을 개략적으로 나타낸 도면;
도 9는 피처 검색 방법들 중 어느 것에 대한 일 적용을 개략적으로 나타낸 도면;
도 10은 실시예들이 구현될 수 있는 예시적인 컴퓨터 시스템의 블록도;
도 11은 또 다른 리소그래피 투영 장치의 개략도;
도 12는 도 11의 장치의 더 상세한 도면; 및
도 13은 도 11 및 도 12의 장치의 소스 컬렉터 모듈(SO)의 더 상세한 도면이다.
이제 도면들을 참조하여 실시예들이 상세히 설명될 것이며, 이는 당업자가 실시예들을 실행할 수 있도록 예시들로서 제공된다. 아래에서 숫자(figure) 및 예시들은 단일 실시예로 본 발명의 범위를 제한하도록 의도되지 않으며, 설명되거나 예시된 요소들 중 일부 또는 모두의 상호교환에 의해 다른 실시예들이 가능하다는 것을 유의한다. 편리하다면 언제나, 동일한 참조 번호들은 도면 전체에서 동일하거나 같은 부분들을 지칭하도록 사용될 것이다. 이 실시예들의 특정 요소들이 알려진 구성요소들을 이용하여 부분적으로 또는 전체적으로 구현될 수 있는 경우, 이러한 알려진 구성요소들 중 실시예들을 이해하는 데 필요한 부분들만이 설명될 것이며, 이러한 알려진 구성요소들의 다른 부분들의 세부 설명은 실시예들의 설명을 애매하게 하지 않도록 생략될 것이다. 본 명세서에서, 단수의 구성요소를 나타내는 실시예는 제한하는 것으로 여겨서는 안 된다; 오히려, 본 발명의 범위는 본 명세서에서 달리 명확히 설명되지 않는 한 복수의 동일한 구성요소를 포함한 다른 실시예들을 포함하도록 의도되며, 그 역도 가능하다. 또한, 출원인은 이러한 것으로서 명확히 설명되지 않은 경우에 명세서 또는 청구항들에서의 여하한의 용어가 두드러지거나 특수한 의미에 속하는 것으로 생각되도록 의도하지 않는다. 또한, 본 발명의 범위는 예시의 방식으로 본 명세서에 언급된 구성요소들의 현재 알려진 등가물 및 미래에 알려질 등가물을 포함한다.
반도체 제조 공정이 계속해서 진보함에 따라, 통상적으로 "무어의 법칙"이라 칭하는 추세를 따라 기능적 요소들의 치수가 계속 감소되는 한편, 디바이스당 트랜지스터와 같은 기능적 요소들의 양은 수십 년에 걸쳐 꾸준히 증가하였다. 현 기술 수준에서, 디바이스들의 층들은 심(deep)-자외선 조명 소스로부터의 조명을 이용하여 기판 상에 디자인 레이아웃을 투영하는 리소그래피 투영 장치들을 이용하여 제조되어, 100 nm보다 훨씬 낮은 치수, 즉 조명 소스(예를 들어, 193 nm 조명 소스)로부터의 방사선의 파장의 절반보다 작은 치수를 갖는 개별적인 기능적 요소들을 생성한다.
리소그래피 투영 장치의 전형적인 분해능 한계보다 작은 치수를 갖는 피처들이 프린트되는 이 공정은 통상적으로 분해능 공식 CD = k1×λ/NA에 따른 저(low)-k1 리소그래피로서 알려져 있으며, 이때 λ는 채택된 방사선의 파장(통상적으로, 대부분의 경우 248 nm 또는 193 nm)이고, NA는 리소그래피 투영 장치 내의 투영 광학기의 개구수(numerical aperture)이며, CD는 "임계 치수" - 일반적으로, 프린트되는 최소 피처 크기 - 이고, k1은 실험적인 분해능 인자이다. 일반적으로, k1이 작을수록, 특정한 전기적 기능 및 성능을 달성하기 위하여 회로 설계자에 의해 계획된 형상 및 치수와 비슷한 패턴을 기판 상에 재현하기가 더 어려워진다. 이 어려움을 극복하기 위해, 정교한 미세조정 단계들이 리소그래피 투영 장치 및/또는 디자인 레이아웃에 적용된다. 이들은, 예를 들어 NA 및 광 간섭성(optical coherence) 세팅들의 최적화, 맞춤 조명 방식(customized illumination scheme), 위상 시프팅 패터닝 디바이스들의 사용, 디자인 레이아웃에서의 광 근접성 보정(optical proximity correction: OPC, 때로는 "광학 및 공정 보정"이라고도 칭함), 또는 일반적으로 "분해능 향상 기술"(resolution enhancement technique: RET)로 정의되는 다른 방법들을 포함하며, 이로 제한되지는 않는다. 본 명세서에서 사용되는 바와 같은 "투영 광학기"라는 용어는, 예를 들어 굴절 광학기, 반사 광학기, 어퍼처 및 카타디옵트릭(catadioptric) 광학기를 포함하는 다양한 타입의 광학 시스템들을 포괄하는 것으로서 폭넓게 해석되어야 한다. 또한, "투영 광학기"라는 용어는 집합적으로 또는 개별적으로 방사선 투영 빔을 지향, 성형 또는 제어하기 위해 이 디자인 타입들 중 어느 하나에 따라 작동하는 구성요소들을 포함할 수 있다. "투영 광학기"라는 용어는, 광학 구성요소가 리소그래피 투영 장치의 광학 경로 상의 어디에 위치되든지, 리소그래피 투영 장치 내의 여하한의 광학 구성요소를 포함할 수 있다. 투영 광학기는 방사선이 패터닝 디바이스를 지나가기 전에 소스로부터의 방사선을 성형, 조정 및/또는 투영하는 광학 구성요소들, 및/또는 방사선이 패터닝 디바이스를 지나간 후에 방사선을 성형, 조정 및/또는 투영하는 광학 구성요소들을 포함할 수 있다. 투영 광학기는 일반적으로 소스 및 패터닝 디바이스를 배제한다.
일 예시로서, OPC는 기판 상에 투영되는 디자인 레이아웃의 이미지의 최종 크기 및 배치가 단순히 패터닝 디바이스 상의 디자인 레이아웃의 크기 및 배치에만 의존하거나 이와 동일하지 않을 것이라는 사실을 설명한다. "마스크", "레티클", "패터닝 디바이스"라는 용어들은 본 명세서에서 교환가능하게 이용된다는 것을 유의한다. 또한, 리소그래피 시뮬레이션/최적화에서는 물리적 패터닝 디바이스가 반드시 사용되는 것이 아니라 디자인 레이아웃이 물리적 패터닝 디바이스를 나타내도록 사용될 수 있기 때문에, 당업자라면 특히 리소그래피 시뮬레이션/최적화와 관련하여 "마스크", "패터닝 디바이스" 및 "디자인 레이아웃"이라는 용어가 교환가능하게 이용될 수 있다는 것을 알 것이다. 일부 디자인 레이아웃에 존재하는 작은 피처 크기 및 높은 피처 밀도에 대해, 주어진 피처의 특정 에지의 위치는 다른 인접한 피처들의 존재나 부재에 의해 어느 정도 영향을 받을 것이다. 이 근접 효과들은 하나의 피처에서 또 다른 피처로 커플링(couple)된 미세한 양의 방사선, 및/또는 회절 및 간섭과 같은 비-기하학적 광학 효과들로부터 발생한다. 이와 유사하게, 근접 효과들은 일반적으로 리소그래피에 따라오는 노광후 베이크(PEB), 레지스트 현상, 및 에칭 시의 확산 및 다른 화학적 영향들로부터 발생할 수 있다.
디자인 레이아웃의 투영 이미지가 주어진 타겟 회로 디자인의 요건들에 부합될 것을 보장하기 위해, 정교한 수치 모델, 디자인 레이아웃의 보정 또는 전치-왜곡(pre-distortion)을 이용하여 근접 효과들이 예측되고 보상될 필요가 있다. 논문 "Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design"(C. Spence, Proc. SPIE, Vol.5751, pp 1-14, 2005)은 통상적인 "모델-기반" 광 근접성 보정 공정들의 개요를 제공한다. 전형적인 고성능(high-end) 디자인에서는, 타겟 디자인에 대한 투영 이미지의 고 충실도(high fidelity)를 달성하기 위해 디자인 레이아웃의 거의 모든 피처가 약간 수정된다. 이 수정은 라인 폭 또는 에지 위치의 시프팅 또는 바이어싱(biasing), 및 다른 피처들의 투영을 돕도록 의도되는 "어시스트" 피처들의 적용을 포함할 수 있다.
타겟 디자인에 대한 모델-기반 OPC의 적용은, 칩 디자인에 전형적으로 존재하는 수백만의 피처들을 감안하면 상당한 연산 리소스(computational resource)들 및 우수한 공정 모델들을 수반한다. 하지만, OPC를 적용하는 것은 일반적으로 정밀 과학이 아니라, 모든 가능한 근접 효과를 항상 보상하지는 않는 실험적인 반복 공정이다. 그러므로, 패터닝 디바이스 패턴으로 형성되는 디자인 결함들의 가능성을 최소화하기 위해, OPC의 효과, 예를 들어 OPC 및 여하한의 다른 RET의 적용 후 디자인 레이아웃들이 디자인 검사, 즉 캘리브레이션된 수치 공정 모델들을 이용한 집약적인 풀-칩 시뮬레이션(intensive full-chip simulation)에 의해 검증되어야 한다. 이는 고성능 패터닝 디바이스들을 제작하는 막대한 비용 - 이는 수백만 달러 범위에서 운영됨 - 에 의해, 그리고 일단 제조되면 실제 패터닝 디바이스들을 재가공하거나 수리하는 데 소요되는 시간에 대한 영향에 의해 좌우된다.
OPC 및 풀-칩 RET 검증은 둘 다, 예를 들어 미국 특허 출원 10/815,573 및 "Optimized Hardware and Software For Fast, Full Chip Simulation"(Y. Cao 외, Proc. SPIE, Vol.5754, 405, 2005)이라는 제목의 논문에서 설명되는 수치 모델링 시스템들 및 방법들에 기초할 수 있다.
한(one) RET는 디자인 레이아웃의 전역적 바이어스의 조정과 관련된다. 전역적 바이어스는 기판 상에 프린트되도록 의도된 패턴들과 디자인 레이아웃의 패턴들 간의 차이이다. 예를 들어, 25 nm 직경의 원형 패턴이 디자인 레이아웃의 50 nm 직경 패턴에 의해 또는 디자인 레이아웃의 20 nm 직경 패턴에 의해 하지만 높은 도즈로 기판 상에 프린트될 수 있다.
디자인 레이아웃들 또는 패터닝 디바이스들에 대한 최적화(예를 들어, OPC)에 더하여, 전체 리소그래피 충실도를 개선하려는 노력으로, 패터닝 디바이스 최적화와 함께 또는 개별적으로, 조명 소스도 최적화될 수 있다. "조명 소스" 및 "소스"라는 용어들은 본 명세서에서 교환가능하게 사용된다. 1990년대 이래로, 환형, 쿼드러폴(quadrupole) 및 다이폴(dipole)과 같은 많은 오프-액시스(off-axis) 조명 소스들이 도입되었고, OPC 디자인에 대해 더 많은 자유를 제공하였으며, 이로 인해 이미징 결과들이 개선되었다. 알려져 있는 바와 같이, 오프-액시스 조명은 패터닝 디바이스에 포함된 미세 구조체들(즉, 타겟 피처들)을 분해하는 증명된 방식이다. 하지만, 종래의 조명 소스에 비해, 오프-액시스 조명 소스는 통상적으로 에어리얼 이미지(AI)에 대해 더 적은 방사선 세기를 제공한다. 따라서, 더 미세한 분해능과 감소된 방사선 세기 간의 최적 밸런스를 달성하도록 조명 소스를 최적화하려는 시도가 바람직해진다.
무수한 조명 소스 최적화 접근법들은, 예를 들어 Rosenbluth 외의 논문 "Optimum Mask and Source Patterns to Print A Given Shape"(Journal of Microlithography, Microfabrication, Microsystems 1(1), pp.13-20, 2002)에서 찾아볼 수 있다. 소스는 수 개의 영역들로 분할되고, 이 각각은 퓨필 스펙트럼의 특정 구역에 대응한다. 이때, 소스 분포는 각 소스 영역에서 균일하다고 가정되며, 각 영역의 휘도는 공정 윈도우에 대해 최적화된다. 하지만, 각 소스 영역에서 소스 분포가 균일하다는 이러한 가정이 항상 유효하지는 않으며, 결과로서 이 접근법의 유효성이 불리해진다. Granik의 논문 "Source Optimization for Image Fidelity and Throughput"(Journal of Microlithography, Microfabrication, Microsystems 3(4), pp.509-522, 2004)에서 설명된 또 다른 예시에서, 몇몇 기존 소스 최적화 접근법들의 개요가 제공되고, 소스 최적화 문제를 일련의 비-음수 최소 제곱 최적화(a series of non-negative least square optimization)들로 전환하는 일루미네이터 픽셀들에 기초한 방법이 제안된다. 이 방법들은 몇몇 성공을 증명하였지만, 이들은 전형적으로 수렴을 위해 다수의 복잡한 반복들을 요구한다. 또한, Granik의 방법에서의 γ와 같이, 소스의 평활도(smoothness) 요건과 기판 이미지 충실도를 위한 소스의 최적화 간의 조화(trade-off)를 좌우하는 몇몇 추가 파라미터들에 대해 적절한/최적 값들을 결정하는 것이 어려울 수 있다.
저 k1 포토리소그래피에 대해, 소스 및 패터닝 디바이스 둘의 최적화는 임계 회로 패턴들의 투영을 위한 실행가능한 공정 윈도우를 보장하는 데 유용하다. 몇몇 알고리즘들(예를 들어, Socha 외, Proc. SPIE vol.5853, 2005, p.180)이 공간 주파수 도메인에서 조명을 독립적인 소스점들로, 그리고 마스크를 회절 차수들로 분할(discretize)하고, 소스점 세기들 및 패터닝 디바이스 회절 차수들로부터의 광학 이미징 모델들에 의해 예측될 수 있는 노출 관용도(exposure latitude)와 같은 공정 윈도우 메트릭에 기초하여 개별적으로 비용 함수(이는 선택된 디자인 변수들의 함수로서 정의됨)를 공식화한다. 본 명세서에서 사용되는 바와 같은 "디자인 변수"라는 용어는 리소그래피 투영 장치의 파라미터들, 예를 들어 리소그래피 투영 장치의 사용자가 조정할 수 있는 파라미터들의 세트를 포함한다. 소스, 패터닝 디바이스, 투영 광학기 및/또는 레지스트 특성들을 포함한 리소그래피 투영 공정의 여하한의 특성들이 최적화에서의 디자인 변수들 사이에 있을 수 있음을 이해하여야 한다. 비용 함수는 흔히 디자인 변수들의 비-선형 함수이다. 이때, 비용 함수를 최소화하기 위해 표준 최적화 기술들이 사용된다.
관련적으로, 지속된 감소 디자인 규칙들(decreasing design rules)의 압박은 반도체 제조업자가 기존 193 nm ArF 리소그래피를 이용한 저 k1 리소그래피 시대로 더 깊이 이동하게 하였다. 더 낮은 k1을 향한 리소그래피는 RET, 노광 툴들, 및 리소-친화적(litho-friendly) 디자인의 필요성에 대한 막대한 요구를 부여한다. 1.35 ArF 하이퍼 개구수(NA) 노광 툴들이 장차 사용될 수 있다. 운용가능한 공정 윈도우로 기판 상에 회로 디자인이 생성될 수 있음을 보장하도록 돕기 위해, (본 명세서에서, 소스-마스크 최적화 또는 SMO라고 칭하는) 소스-패터닝 디바이스 최적화가 2x nm 노드를 위한 중요한 RET가 되고 있다.
실행가능한 시간 내에 제약 없이 비용 함수를 이용하여 소스 및 패터닝 디바이스의 동시 최적화를 허용하는 소스 및 패터닝 디바이스(디자인 레이아웃) 최적화 방법 및 시스템이, 일반적으로 승인된 "Fast Freeform Source and Mask Co-Optimization Method"라는 제목의 WO2010/059954로 공개되고 2009년 11월 20일 출원된 국제 특허 출원 PCT/US2009/065359에서 설명되며, 이는 본 명세서에서 전문이 인용참조된다.
소스의 픽셀들을 조정함으로써 소스를 최적화하는 것을 수반하는 또 다른 소스 및 패터닝 디바이스 최적화 방법 및 시스템이, 일반적으로 승인된 "Source-Mask Optimization in Lithographic Apparatus"라는 제목의 미국 특허 출원 공개공보 2010/0315614로 공개되고 2010년 6월 10일 출원된 미국 특허 출원 12/813456에서 설명되며, 이는 본 명세서에서 전문이 인용참조된다.
본 명세서에서는, IC의 제조에 있어서 실시예들의 특정 사용예에 대하여 언급되지만, 실시예들은 다수의 다른 가능한 적용예들을 갖는다는 것을 명확히 이해하여야 한다. 예를 들어, 이는 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 액정 디스플레이 패널, 박막 자기 헤드 등의 제조 시에 채택될 수 있다. 당업자라면, 이러한 대안적인 적용예와 관련하여, 본 명세서의 "레티클", "웨이퍼" 또는 "다이"라는 용어의 어떠한 사용도 각각 "마스크", "기판" 및 "타겟부"라는 좀 더 일반적인 용어와 교환가능한 것으로 여겨야 한다는 것을 이해할 것이다.
본 명세서에서, "방사선" 및 "빔"이라는 용어는 (예를 들어, 365, 248, 193, 157 또는 126 nm의 파장을 갖는) 자외 방사선 및 EUV(예를 들어, 5 내지 20 nm 범위 내의 파장을 갖는 극자외 방사선)를 포함하는 모든 형태의 전자기 방사선을 포괄하는 데 사용된다.
본 명세서에서 사용되는 바와 같은 "최적화하는" 및 "최적화"라는 용어는 리소그래피의 결과들 및/또는 공정들이 기판 상의 디자인 레이아웃들의 더 정확한 투영, 더 큰 공정 윈도우 등과 같은 더 바람직한 특성들을 갖도록 리소그래피 투영 장치를 조정하는 것을 의미한다.
또한, 리소그래피 투영 장치는 2 이상의 기판 테이블(및/또는 2 이상의 패터닝 디바이스 테이블)을 갖는 형태로 구성될 수 있다. 이러한 "다수 스테이지" 디바이스에서는 추가 테이블들이 병행하여 사용될 수 있으며, 또는 하나 이상의 테이블이 노광에 사용되고 있는 동안 하나 이상의 다른 테이블에서는 준비 작업 단계들이 수행될 수 있다. 트윈 스테이지(twin stage) 리소그래피 투영 장치는, 예를 들어 본 명세서에서 인용참조되는 US 5,969,441에서 설명된다.
앞서 언급된 패터닝 디바이스는 디자인 레이아웃들을 포함한다. 디자인 레이아웃들은 CAD(computer-aided design) 프로그램들을 사용하여 생성될 수 있으며, 이 프로세스는 흔히 EDA(electronic design automation)라고 칭해진다. 대부분의 CAD 프로그램은 기능적 디자인 레이아웃/패터닝 디바이스를 생성하기 위해 사전설정된 디자인 규칙들의 세트를 따른다. 이러한 규칙들은 처리 및 디자인 제한들에 의해 설정된다. 예를 들어, 디자인 규칙들은 회로 디바이스들 또는 라인들이 바람직하지 않은 방식으로 서로 상호작용하지 않을 것을 보장하기 위해, (게이트, 커패시터 등과 같은) 회로 디바이스들 또는 상호연결 라인들 사이의 간격 공차(space tolerance)를 정의한다. 디자인 규칙 제한들은 통상적으로 "임계 치수"(CD)라고도 칭해진다. 회로의 임계 치수는 라인 또는 홀의 최소폭, 또는 두 라인들 또는 두 홀들 간의 최소 간격으로서 정의될 수 있다. 따라서, CD는 디자인된 회로의 전체 크기 및 밀도를 결정한다. 집적 회로 제작의 목표들 중 하나는 원래 회로 디자인을 (패터닝 디바이스를 통해) 기판 상에 충실하게 재현(reproduce)하는 것이다.
본 명세서에서 채택된 패터닝 디바이스라는 용어는 기판의 타겟부에 생성될 패턴에 대응하여 입사하는 방사선 빔에 패터닝된 단면을 부여하는 데 사용될 수 있는 일반적인 패터닝 디바이스를 언급하는 것으로 폭넓게 해석될 수 있다; 또한, "광 밸브(light valve)"라는 용어가 이러한 맥락에서 사용될 수도 있다. 통상의 마스크[투과형 또는 반사형; 바이너리(binary), 위상-시프팅, 하이브리드(hybrid) 등] 이외에, 여타의 이러한 패터닝 디바이스의 예시들로 다음을 포함한다:
- 프로그램가능한 거울 어레이. 이러한 디바이스의 일 예시는 점탄성 제어층 및 반사 표면을 갖는 매트릭스-어드레서블 표면(matrix-addressable surface)이다. 이러한 장치의 기본 원리는, (예를 들어) 반사 표면의 어드레싱된 영역들은 입사 방사선을 회절 방사선(diffracted radiation)으로서 반사시키는 반면, 어드레싱되지 않은 영역들은 입사 방사선을 비회절 방사선으로서 반사시킨다는 것이다. 적절한 필터를 사용하면, 반사된 빔 중에서 비회절 방사선을 필터링하여 회절 방사선만이 남게 할 수 있다; 이러한 방식으로 매트릭스-어드레서블 표면의 어드레싱 패턴에 따라 빔이 패터닝되게 된다. 매트릭스 어드레싱은 적절한 전자 수단을 이용하여 수행될 수 있다. 이러한 거울 어레이들에 관한 더 많은 정보는, 예를 들어 미국 특허 5,296,891 및 5,523,193으로부터 얻을 수 있으며, 이들은 본 명세서에서 인용참조된다.
- 프로그램가능한 LCD 어레이. 이러한 구성의 일 예시는 미국 특허 5,229,872에서 주어지며, 이는 본 명세서에서 인용참조된다.
간략한 도입부로서, 도 1은 예시적인 리소그래피 투영 장치(10)를 나타낸다. 주요 구성요소들은 심-자외선 엑시머 레이저 소스 또는 극자외선(EUV) 소스를 포함한 다른 형태의 소스들일 수 있는 조명 소스(12); (시그마로서 표시된) 부분 간섭성(partial coherence)을 정의하고, 소스(12)로부터의 방사선을 성형하는 광학기(14, 16a 및 16b)를 포함할 수 있는 조명 광학기; 패터닝 디바이스(예를 들어, 마스크 또는 레티클)(18); 및 기판 평면(22) 상에 패터닝 디바이스 패턴의 이미지를 투영하는 투과 광학기(16c)이다. 투영 광학기의 퓨필 평면에서의 조정가능한 필터 또는 어퍼처(aperture: 20)가 기판 평면(22) 상에 부딪히는 빔 각도들의 범위를 제한할 수 있으며, 이때 가능한 최대 각도는 투영 광학기의 개구수를 정의한다[NA = sin(Θmax)].
시스템의 최적화 공정에서, 시스템의 성능 지수(figure of merit)가 비용 함수로서 표현될 수 있다. 최적화 공정은 비용 함수를 최소화하는 시스템의 파라미터들(디자인 변수들)의 세트를 발견하는 공정으로 압축된다. 비용 함수는 최적화의 목표에 따라 여하한의 적절한 형태를 가질 수 있다. 예를 들어, 비용 함수는 시스템의 특정 특성들의 의도된 값들(예를 들어, 이상적인 값들)에 대한 이러한 특성들[평가 포인트(evaluation point)들]의 편차들의 가중 RMS(root mean square)일 수 있다; 또한, 비용 함수는 이 편차들의 최대값일 수도 있다. 본 명세서에서 "평가 포인트들"이라는 용어는 시스템의 여하한의 특성을 포함하는 것으로 폭넓게 해석되어야 한다. 시스템의 디자인 변수들은 시스템 구현의 실용성(practicality)으로 인해 상호의존적이고, 및/또는 유한한 범위로 한정될 수 있다. 리소그래피 투영 장치의 경우, 제약은 흔히 패터닝 디바이스 제조가능 디자인 규칙들, 및/또는 조절가능한 범위들과 같은 하드웨어의 물리적 속성들 및 특성들과 관련되며, 평가 포인트들은 기판 상의 레지스트 이미지에 대한 물리적 포인트, 및 도즈 및 포커스와 같은 비-물리적 특성들을 포함할 수 있다.
리소그래피 투영 장치에서, 소스는 조명(즉, 방사선)을 제공하고; 투영 광학기는 패터닝 디바이스를 통해 기판 상으로 조명을 지향하고 성형한다. "투영 광학기"라는 용어는, 본 명세서에서 방사선 빔의 파면을 변경할 수 있는 여하한의 광학 구성요소를 포함하는 것으로 폭넓게 정의된다. 예를 들어, 투영 광학기는 구성요소들(14, 16a, 16b 및 16c) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 상에서의 방사선 세기 분포이다. 기판 상의 레지스트 층이 노광되고, 그 안에 잠재적인 "레지스트 이미지"(RI)로서 에어리얼 이미지가 레지스트 층으로 전사된다. 레지스트 이미지(RI)는 레지스트 층에서 레지스트의 가용성의 공간 분포로서 정의될 수 있다. 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 레지스트 모델이 사용될 수 있으며, 이 예시는 일반적으로 승인된 미국 특허 출원 일련번호 12/315,849에서 찾아볼 수 있고, 이는 본 명세서에서 전문이 인용참조된다. 레지스트 모델은 레지스트 층의 속성들(예를 들어, 노광, PEB 및 현상 시 일어나는 화학 공정들의 효과들)에만 관련된다. 리소그래피 투영 장치의 광학적 속성들(예를 들어, 소스, 패터닝 디바이스 및 투영 광학기의 속성들)은 에어리얼 이미지를 결정한다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스는 바뀔 수 있기 때문에, 패터닝 디바이스의 광학적 속성들을 적어도 소스 및 투영 광학기를 포함한 리소그래피 투영 장치의 나머지의 광학적 속성들과 분리하는 것이 바람직하다.
리소그래피 투영 장치에서 리소그래피를 시뮬레이션하는 예시적인 흐름도가 도 2에 예시된다. 소스 모델(31)이 소스의 광학적 특성들(방사선 세기 분포 및/또는 위상 분포를 포함함)을 나타낸다. 투영 광학기 모델(32)이 투영 광학기의 광학적 특성들(투영 광학기에 의해 야기된 방사선 세기 분포 및/또는 위상 분포에 대한 변화들을 포함함)을 나타낸다. 투영 광학기 모델(32)은 다양한 인자들, 예를 들어 투영 광학기의 구성요소들의 가열, 투영 광학기의 구성요소들의 기계적 연결들에 의해 야기된 응력에 의해 야기되는 수차를 포함할 수 있다. 소스 모델(31) 및 투영 광학기 모델(32)은 TCC(transmission cross coefficient) 모델로 조합될 수 있다. 디자인 레이아웃 모델(33)이 패터닝 디바이스의 피처들의 일 구성을 나타내는 디자인 레이아웃의 광학적 특성들(주어진 디자인 레이아웃에 의해 야기된 방사선 세기 분포 및/또는 위상 분포에 대한 변화들을 포함함)을 나타낸다. 소스 모델(31), 투영 광학기 모델(32) 및 디자인 레이아웃 모델(33)로부터 에어리얼 이미지(36)가 시뮬레이션될 수 있다. 레지스트 모델(37)을 이용하여 에어리얼 이미지(36)로부터 레지스트 이미지(38)가 시뮬레이션될 수 있다. 리소그래피의 시뮬레이션은, 예를 들어 레지스트 이미지 내의 윤곽 및 CD를 예측할 수 있다.
더 구체적으로, 소스 모델(31)은 NA-시그마(σ) 세팅들 및 여하한의 특정 조명 소스 형상(예를 들어, 환형, 쿼드러폴 및 다이폴 등과 같은 오프-액시스 방사선 소스들)을 포함하는 소스의 광학적 특성들을 나타낼 수 있으며, 이로 제한되지는 않음을 유의한다. 투영 광학기 모델(32)은 수차, 왜곡, 굴절률, 물리적 크기, 물리적 치수, 흡수 등을 포함하는 투영 광학기의 광학적 특성들을 나타낼 수 있다. 또한, 디자인 레이아웃 모델(33)은, 예를 들어 본 명세서에서 전문이 인용참조되는 미국 특허 7,587,704에서 설명되는 바와 같은 물리적 패터닝 디바이스의 물리적 특성들을 나타낼 수 있다. 시뮬레이션의 목적은, 예를 들어 이후 의도된 디자인과 비교될 수 있는 에지 배치 및 CD를 정확히 예측하는 것이다. 의도된 디자인은 일반적으로 전-OPC 디자인 레이아웃으로서 정의되며, 이는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷 또는 다른 파일 포맷으로 제공될 수 있다.
이 디자인 레이아웃으로부터, 하나 이상의 부분이 식별될 수 있으며, 이는 "클립(clip)"이라고 칭해진다. 특정 실시예에서, 클립들의 세트가 추출되고, 이는 디자인 레이아웃 내의 복잡한 패턴들을 나타낸다(전형적으로, 약 50 내지 1000 개의 클립들이 사용되지만, 여하한 수의 클립들이 사용될 수 있음). 당업자라면 이해하는 바와 같이, 이 패턴들 또는 클립들은 디자인의 작은 부분들(즉, 회로들, 셀들 또는 패턴들)을 나타내며, 특히 클립들은 특정한 주의 및/또는 검증이 요구되는 작은 부분들을 나타낸다. 다시 말하면, 클립들은 경험에 의해(고객에 의해 제공된 클립들을 포함함), 시행착오에 의해, 또는 풀-칩 시뮬레이션 실행에 의해 임계 피처들이 식별되는 디자인 레이아웃의 부분들일 수 있거나, 디자인 레이아웃의 부분들과 유사할 수 있거나, 디자인 레이아웃의 부분들과 유사한 동작을 가질 수 있다. 클립들은 통상적으로 하나 이상의 테스트 패턴 또는 게이지 패턴(gauge pattern)을 포함한다.
클립들의 더 큰 초기 세트는 특정 이미지 최적화를 필요로 하는 디자인 레이아웃 내의 알려진 임계 피처 영역들에 기초하여 고객에 의해 선험적으로(a priori) 제공될 수 있다. 대안적으로, 또 다른 실시예에서 클립들의 더 큰 초기 세트는 임계 피처 영역들을 식별하는 어떤 종류의 자동화[예를 들어, 머신 비전(machine vision)] 또는 수동 알고리즘을 이용함으로써 전체 디자인 레이아웃으로부터 추출될 수 있다.
최적화 방법들의 예시들은, 예를 들어 2010년 10월 28일에 출원된 미국 특허 출원 일련번호 12/914,946에서 찾아볼 수 있으며, 이는 본 명세서에서 전문이 인용참조된다.
디자인 레이아웃 상의 피처들의 크기가 축소함에 따라, OPC가 더 시간 소모적일 수 있다. 피처 검색 방법이 라이브러리 내의 피처들 중 디자인 레이아웃 상의 유사한 피처들을 찾을 수 있는 경우, OPC의 비용을 감소시키기 위해 OPC 및 OPC 보정에 의하여 보정하기 매우 어려운 피처들을 포함하는 라이브러리가 사용될 수 있다. 이후, 라이브러리 내의 이러한 피처들의 OPC 보정이 단순히 추가 연산 없이 또는 있다 하더라도 최소한으로 유사 피처들에 적용될 수 있다. 이러한 피처 검색 방법은 바람직하게 매우 빠르며, 라이브러리 내의 피처들과 유사 피처들 간의 어느 정도의 차이를 용인할 수 있다. 피처 검색 방법은 명백하게 이러한 특정 적용으로 제한되지 않으며, 다수의 다른 적용에 유용할 수 있다.
기계 학습 모델은 피처 검색 방법의 유용성을 입증할 수 있는 유용한 툴이다. 비지도(unsupervised) 기계 학습과 지도(supervised) 기계 학습 모델들이 둘 다 사용될 수 있다. 청구항들의 범위를 제한하지 않고, 피처 검색과 관련하여 지도 기계 학습 모델들의 적용이 아래에 설명된다.
지도 학습은 레이블된 트레이닝 데이터(labeled training data)를 추론하는 기계 학습 작업이다. 트레이닝 데이터는 트레이닝 예들의 세트로 구성된다. 지도 학습에서, 각각의 예는 입력 객체(input object)(통상적으로, 벡터)와 원하는 출력 값[또한, 감시 신호(supervisory signal)라고도 함]으로 구성되는 쌍이다. 지도 학습 알고리즘은 트레이닝 데이터를 분석하고, 추론된 함수를 생성하며, 이는 새로운 예들을 매핑(mapping)하는 데 사용될 수 있다. 최적의 시나리오는 알고리즘이 보이지 않는 인스턴스(unseen instance)들에 대해 클래스 레이블(class label)을 올바르게 결정하게 할 것이다. 이는 학습 알고리즘이 "합당한" 방식으로 트레이닝 데이터로부터 보이지 않는 상황으로 일반화할 것을 요구한다[인덕티브 바이어스(inductive bias) 참조].
xi가 i-번째 예의 특징 벡터(feature vector)이고 yi가 그 레이블(즉, 클래스)이도록 형태 {(x1, y1),(x2, y2),...,(xN, yN)}의 N 개의 트레이닝 예들의 세트가 주어지면, 학습 알고리즘은 함수 g:X → Y를 찾으며, 이때 X는 입력 공간이고 Y는 출력 공간이다. 특징 벡터는 어떤 객체를 나타내는 수치적 특징(numerical feature)들의 n-차원 벡터이다. 기계 학습의 다수 알고리즘은 객체들의 수치적 표현을 요구하는데, 이는 이러한 표현들이 처리 및 통계적 분석을 용이하게 하기 때문이다. 이미지들을 표현할 때, 특징 값들은 이미지의 픽셀들에 대응할 수 있고, 텍스트들을 표현할 때 용어 발생 빈도(term occurrence frequency)에 대응할 수 있다. 이러한 벡터들과 연계된 벡터 공간은 흔히 특징 공간(feature space)이라고 칭해진다. 함수 g는 가능한 함수들 G의 어떤 공간의 요소이며, 통상적으로 가설 공간(hypothesis space)이라고 칭해진다. 때로는, g가 가장 높은 스코어: g(x) = arg maxy f(x,y)를 제공하는 y 값들을 반환(return)하는 것으로 정의되도록 스코어링 함수(scoring function)
Figure pct00001
을 이용하여 g를 나타내는 것이 편리하다.
G 및 F는 함수들의 여하한의 공간일 수 있지만, 다수의 학습 알고리즘들은 확률 모델들이며, 이때 g가 조건부 확률 모델(conditional probability model) g(x) = P(y｜x)의 형태를 취하거나, f가 동시 확률 모델(joint probability model) f(x,y) = P(x,y)의 형태를 취한다. 예를 들어, 나이브 베이즈(naive Bayes) 및 선형 판별 분석은 동시 확률 모델인 반면, 로지스틱 회귀(logistic regression)는 조건부 확률 모델이다.
f 또는 g를 선택하는 두 가지 기본적인 접근법 - 경험적 위험 최소화 및 구조적 위험 최소화 - 이 존재한다. 경험적 위험 최소화는 트레이닝 데이터를 최적으로 피팅하는 함수를 찾는다. 구조적 위험 최소화는 바이어스/베리언스 트레이드오프(bias/variance tradeoff)를 제어하는 페널티 함수(penalty function)를 포함한다.
두 경우 모두에서, 트레이닝 세트는 독립적이고 동일하게 분포된 쌍들 (xi, yi)의 샘플로 구성된다. 함수가 트레이닝 데이터를 얼마나 잘 피팅하는지를 측정하기 위해, 손실 함수(loss function)
Figure pct00002
가 정의된다. 트레이닝 예 (xi, yi)에 대하여, 값
Figure pct00003
를 예측하는 손실은
Figure pct00004
이다.
함수 g의 위험도 R(g)는 g의 예측된 손실로서 정의된다. 이는
Figure pct00005
으로서 트레이닝 데이터로부터 추산될 수 있다.
지도 학습의 예시적인 모델들은 의사결정 트리(Decision tree), 앙상블(Ensemble)[배깅(Bagging), 부스팅(Boosting), 랜덤 포레스트(Random forest)], k-NN, 선형 회귀(Linear regression), 나이브 베이즈(Naive Bayes), 뉴럴 네트워크(Neural network), 로지스틱 회귀(Logistic regression), 퍼셉트론(Perceptron), 서포트 벡터 머신(Support vector machine: SVM), RVM(Relevance vector machine), 및 딥 러닝(deep learning)을 포함한다.
SVM은 지도 학습 모델의 일 예시이며, 이는 데이터를 분석하고 패턴들을 인식하며 분류 및 회귀 분석을 위해 사용될 수 있다. 각각이 2 개의 카테고리 중 하나에 속하는 것으로서 표시되는 트레이닝 예들의 세트가 주어지면, SVM 트레이닝 알고리즘은 새로운 예들을 하나의 카테고리 또는 다른 카테고리 내로 할당하는 모델을 구축하며, 이것이 비-확률 이진 선형 분류기(non-probabilistic binary linear classifier)가 되게 한다. SVM 모델은 예들을 공간 내에 점들로서 표현하며, 별개의 카테고리들의 예들이 가능한 한 넓은 클리어 갭(clear gap)에 의해 나뉘도록 매핑된다. 이후, 새로운 예들이 동일한 공간 내로 매핑되며, 이들이 갭의 어느 쪽에 속하는(fall on) 지에 기초하여 일 카테고리에 속하는 것으로 예측된다.
선형 분류를 수행하는 것에 더하여, SVM은, 입력들을 고-차원 특징 공간들 내로 내재적으로(implicitly) 매핑하는, 커널 방법(kernel method)이라고 칭해지는 방법을 이용하여 비-선형 분류를 효율적으로 수행할 수 있다.
커널 방법은 사용자-지정 커널(user-specified kernel), 즉 원래 표현(raw representation)에서의 데이터 포인트들 쌍에서의 유사 함수만을 필요로 한다. 커널 방법들은 커널 함수들의 사용으로 그 명칭을 얻은 것이며, 이는 이들이 고-차원의 내재적 특징 공간에서 데이터의 좌표들을 연산하지 않고, 오히려 단순히 특징 공간 내의 모든 데이터 쌍들의 이미지들 간의 내적(inner products)을 연산함으로써 그 공간에서 오퍼레이팅(operate)하게 할 수 있다. 이 오퍼레이션은 흔히 좌표들의 명시적 연산(explicit computation)보다 연산적으로 더 값싸다(cheaper). 이 접근법은 "커널 트릭(kernel trick)"이라고 칭해진다.
SVM의 유효성은 커널의 선택(선형 또는 비-선형), 커널의 파라미터들, 소프트 마진 파라미터(soft margin parameter: C)에 따라 달라진다. 공통적인 선정(common choice)은 가우시안 방사 기저 커널(Gaussian radial basis kernel)이며, 이는 단일 파라미터 γ를 갖는다. C와 γ의 최적 조합은 흔히 C와 γ의 지수적으로 성장하는 수열(exponentially growing sequence), 예를 들어 Ｃ∈{2-5, 2-4,...,215, 216}; γ∈{2-15, 2- 14,...,24, 25}로 그리드 검색(grid search)["파라미터 스윕(parameter sweep)"이라고도 알려짐]에 의해 선택된다. 또 다른 선정은 히스토그램 인터섹션 커널(histogram intersection kernel)이다.
그리드 검색은 학습 알고리즘의 하이퍼파라미터 공간(hyperparameter space)의 수동으로 지정된 서브세트를 통한 과도한 검색(exhaustive searching)이다. 그리드 검색 알고리즘은 트레이닝 세트에 대한 교차-검증(cross-validation) 또는 헬드-아웃 검증 세트(held-out validation set)에 대한 평가에 의해 통상적으로 측정되는 어떤 성능 메트릭(performance metric)에 의해 안내되어야 한다.
파라미터 선정들의 각 조합이 교차 검증을 이용하여 검사될 수 있으며, 최적 교차-검증 정확성을 갖는 파라미터가 골라진다.
때로는 회전 추산(rotation estimation)이라고도 하는 교차-검증은, 통계적 분석 결과들이 어떻게 독립적인 데이터 세트로 일반화할 것인지를 평가하기 위한 모델 검증 기술이다. 이는 주로 목적이 예측인 경우의 세팅들에 사용되며, 이는 예측 모델이 실제로 얼마나 정확하게 수행할 것인지를 추산하기 원한다. 예측 문제에서, 모델은 통상적으로 트레이닝이 실행되는 알려진 데이터의 데이터세트(트레이닝 데이터세트) 및 모델이 테스트되는 알려지지 않은 데이터의 데이터세트(또는 첫번째로 보이는 데이터)를 제공받는다. 교차 검증의 목적은, 오버피팅(overfitting)과 같은 문제들을 제한하고 모델이 어떻게 독립적인 데이터 세트(즉, 예를 들어 실제 문제로부터 알려지지 않은 데이터세트)로 일반화할 것인지에 관한 식견(insight)을 제공하는 등을 하기 위해, 트레이닝 시기(training phase)에 모델을 "테스트"하는 데이터세트(즉, 검증 데이터세트)를 정의하는 것이다. 한 라운드(one round)의 교차-검증은 데이터의 샘플을 상보적 서브세트들로 분할하고, 하나의 서브세트(트레이닝 세트라고도 함)에 대한 분석을 수행하며, 다른 서브 세트(검증 세트 또는 테스팅 세트라고도 함)에 대한 분석을 검증하는 것을 수반한다. 변산도(variability)를 감소시키기 위해, 상이한 분할을 이용하여 다수 라운드의 교차-검증이 수행되며, 검증 결과들은 라운드들에 걸쳐 평균화된다.
이후, 새로운 데이터를 테스트하고 분류하기 위해 사용되는 최종 모델이 선택된 파라미터들을 이용하여 전체 트레이닝 세트에 대해 트레이닝된다.
도 3은 일 실시예에 따른, 기계 학습 모델을 이용하여 타겟 피처와 유사한 피처들을 검색하는 방법에 대한 흐름도이다. 단계 310에서, 타겟 피처가 얻어진다. 타겟 피처는 사용자에 의해 입력될 수 있거나, 알고리즘(예를 들어, 핫 스폿, OPC에 의해 보정하기 어려운 피처 등)을 이용하여 선택되거나, 라이브러리로부터 선택되거나, 여하한의 적합한 방법들에 의해 얻어질 수 있다.
단계 320에서, 하나 이상의 섭동을 적용함으로써 하나 이상의 섭동된 타겟 피처들이 타겟 피처로부터 생성된다. 예를 들어, 섭동은 스케일링(scaling), 스큐잉(skewing), 시프팅(shifting), 회전, 와핑(warping), 왜곡(distorting), 플리핑(flipping), 이의 일부분을 제거, 이의 일부분을 추가 등을 포함할 수 있다.
단계330에서, 섭동된 타겟 피처들이 타겟 피처와 동일한 것으로 간주되는지에 관한 지시 그리고 섭동된 타겟 피처들의 특성들의 특징 벡터들을 포함하는 트레이닝 예들의 세트("트레이닝 세트")가 생성된다. 피처의 특성들은 파라미터화(parameterization) 방법에 의해 얻어질 수 있다. 특성들은 여하한의 적합한 특성들일 수 있다. 매우 단순한 예시에서, 특성들은 꼭짓점들(vertices) 또는 에지들의 수, 꼭짓점들의 영역, 방위, 상대 위치 등을 포함할 수 있다. 일 실시예에서, 피처들의 특성들은 피처들의 다양한 분해능에서 하나 이상의 픽실레이팅 이미지들로부터 얻어질 수 있다. 피처의 픽실레이팅 이미지는 피처에 저역 필터를 적용함으로써 얻어질 수 있다. 도 4는 피처들(410)의 픽실레이팅 이미지(420)를 얻기 위해 복수의 피처들(410)에 저역 필터(400)를 적용한 것을 개략적으로 나타낸다. 지시는 특징 벡터들의 클래스이다. 예를 들어, 2 개의 클래스 - 타겟 피처와 동일한 것으로 간주되는 것들에 대한 클래스 "m", 및 타겟 피처와 상이한 것으로 간주되는 것들에 대한 클래스 "um" - 만이 존재할 수 있다. 2 이상의 클래스들이 존재할 수 있다.
단계 340에서, 트레이닝 세트로 지도 학습 모델이 트레이닝된다.
단계 350에서, 지도 학습 모델은 특성들을 이용하여 피처가 그 타겟 피처와 동일하거나 상이한 것으로 간주되는지를 결정하고 － 피처를 적어도 2 개의 클래스들 - 타겟 피처와 동일한 것으로 간주되는 클래스, 및 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하는 데 사용될 수 있다.
도 5는 트레이닝 세트를 생성하고 트레이닝 세트를 이용하여 기계 학습 모델을 트레이닝하는 흐름도를 개략적으로 나타낸다. 타겟 피처(510)가 가장 먼저 얻어지고, 하나 이상의 섭동된 타겟 피처들(530)의 세트를 생성하는 섭동 단계(520)를 거친다. 단계 540에서, 하나 이상의 섭동된 타겟 피처들(530)은 섭동된 타겟 피처들(530)이 타겟 피처(510)와 동일하거나 상이한 것으로 간주되는지에 관한 지시가 할당되고(이 예시에서, "m"은 동일한 것으로 간주됨을 의미하고; "um"은 상이한 것으로 간주됨을 의미함), 하나 이상의 요소를 갖는 트레이닝 세트(550) 내로 컴파일(compile)되며, 이 각각은 지시 그리고 하나 이상의 섭동된 타겟 피처들(530)의 특성들을 나타내는 특징 벡터를 갖는다. 이후, 트레이닝 세트는 피처가 타겟 피처(510)와 동일한지(클래스 "m") 또는 타겟 피처(510)와 상이한지(클래스 "um")를 결정하는 기계 학습 모델(560)을 트레이닝하는 데 사용된다.
도 6에 개략적으로 나타낸 바와 같이, 트레이닝 세트는 바람직하게는 "윈도우"－이미지 영역에 대해 다양한 방향들로 다양한 양만큼 시프트된 것을 제외하고 타겟 피처(610)와 동일한 복수의 섭동된 타겟 피처들(620 내지 660)을 포함한다. 이 섭동된 타겟 피처들은 모두 클래스 "m"에 속한다. 이러한 시프트된 타겟 피처들을 포함하는 것은 큰 이미지를 통해 더 빠른 속도로 타겟 피처(610)의 매치들을 검색하게 한다.
도 7은 타겟 피처에 대한 기계 학습 모델을 이용하여, 다수의 피처들을 갖는 큰 이미지(700)에서 타겟 피처의 매치들을 검색하는 것을 개략적으로 나타낸다. 큰 이미지(700)에서 타겟 피처의 매치들을 검색하는 공정은 본질적으로 기계 학습 모델을 이용하여 윈도우 내의 이미지(700)의 일부분이 타겟 피처에 대한 매치들을 포함하는지를 결정하고, 다음 위치로 윈도우를 슬라이딩(sliding)하는 것을 수반한다. 기계 학습 모델이 양(710)만큼 시프트된 것을 제외하고 타겟 피처와 동일한 섭동된 타겟 피처들을 포함하는 트레이닝 세트로 트레이닝되는 경우, 기계 학습 모델은 윈도우(720)를 그 양(710)만큼 "슬라이딩"하게 할 것이다. 유사하게, 기계 학습 모델이 [양(710)보다 큰] 양(730)만큼 시프트된 것을 제외하고 타겟 피처와 동일한 섭동된 타겟 피처들을 포함하는 트레이닝 세트로 트레이닝되는 경우, 기계 학습 모델은 윈도우(740)를 그 양(730)만큼 "슬라이딩"하게 할 것이며, 이는 더 빠른 검색을 야기한다.
주어진 타겟 피처는 상이한 상황들에 대해 트레이닝된 다수의 기계 학습 모델을 가질 수 있다. 일 실시예에서, 타겟 피처(예를 들어, 510)에 대한 트레이닝 세트(예를 들어, 550)가 다수의 트레이닝 세트들을 얻기 위해 (예를 들어, 상이한 저역 필터들을 적용함으로써) 상이한 분해능에서 픽실레이팅될 수 있다. 이러한 다수의 트레이닝 세트들의 각각은 상이한 분해능에서 하지만 동일한 타겟 피처에 대해 매치들을 검색하는 기계 학습 모델을 트레이닝하는 데 사용될 수 있다. 더 낮은 분해능에서의 검색은 일반적으로 더 높은 분해능에서의 검색보다 빠르지만 덜 정확하다. 그러므로, 이러한 기계 학습 모델들을 이용하여 다-분해능 피처 검색 방법이 구현될 수 있다.
도 8은 상이한 분해능에서 하지만 동일한 타겟 피처(800)에 대해 3 개의 기계 학습 모델들(810 내지 830)을 이용하는 다-분해능 피처 검색 방법을 개략적으로 나타낸다. 기계 학습 모델(810)은 기계 학습 모델(820)보다 낮은 분해능에 있고, 이는 기계 학습 모델(830)보다 낮은 분해능에 있다. 기계 학습 모델들(810 내지 830)을 도시하는 박스들 내의 타겟 피처(800)의 상이한 흐림 정도(degrees of blurring)가 그 각각의 분해능을 개략적으로 나타낸다. 이 예시에서는, 타겟 피처(800)[즉, 타겟 피처(800)와 동일한 것으로 간주되는 타겟 피처]의 매치들이 피처들의 그룹(850)에서 검색되고 있다. 먼저, 예를 들어 피처들의 그룹(850)에 제 1 저역 필터를 적용함으로써 기계 학습 모델(810)의 분해능에서 제 1 픽실레이팅 이미지(860)가 얻어진다. 픽실레이팅 이미지(860)는 기계 학습 모델(810)을 이용하여 검색되고, 기계 학습 모델(810)에 의해 결정된 매치들만이 유지되며, 이로부터 예를 들어 매치들에 제 2 저역 필터를 적용함으로써 기계 학습 모델(820)의 분해능에서 제 2 픽실레이팅 이미지(870)가 얻어진다. 픽실레이팅 이미지(870)는 기계 학습 모델(820)을 이용하여 검색되고, 기계 학습 모델(820)에 의해 결정된 매치들만이 유지되며, 이로부터 예를 들어 매치들에 제 3 저역 필터를 적용함으로써 기계 학습 모델(830)의 분해능에서 제 3 픽실레이팅 이미지(880)가 얻어진다. 픽실레이팅 이미지(880)는 기계 학습 모델(830)을 이용하여 검색되고, 기계 학습 모델(830)에 의해 결정된 매치들만이 타겟 피처(800)에 대한 최종 매치들로서 간주된다. 이 다-분해능 피처 검색 방법은 기계 학습 모델(830)의 분해능에서 모든 피처들(850)을 통한 검색보다 훨씬 더 빠르다. 바람직하게, 기계 학습 모델(830)의 분해능은 기계 학습 모델(820)의 분해능보다 2 배 이상 높고; 기계 학습 모델(820)의 분해능은 기계 학습 모델(810)의 분해능보다 2 배 이상 높다.
도 9는 앞서 설명된 피처 검색 방법들 중 어느 것에 대한 일 적용을 개략적으로 나타낸다. 타겟 피처(900)에 대한 기계 학습 모델(910)이 얻어진다. 기계 학습 모델(910)은 타겟 피처(900)의 매치들을 위해 패턴들의 그룹(920)을 검색한다. 이 예시에서는, 3 개의 매치들(실선의 매치들)이 발견된다. 매치들은 그룹(930)에서 실선으로 나타내어진다. 타겟 피처(900)에 대한 레시피(recipe)를 포함하는 라이브러리(960)가 얻어진다. 레시피는, 예를 들어 타겟 피처(900)에 대한 OPC 보정(999), 타겟 피처(900)에 대한 처리 조건[예를 들어, 도즈, 디포커스(defocus) 등]일 수 있다. 이후, 타겟 피처(900)에 대한 레시피는 단계 940에서 3 개의 매치들에 적용된다. 그룹(950)은 3 개의 매치들이 이에 적용된 레시피를 갖는 것을 개략적으로 나타낸다.
타겟 피처 및 그 타겟 피처에 대한 트레이닝 세트를 포함하도록 라이브러리가 컴파일될 수 있다. 트레이닝 세트는 하나 이상의 섭동된 타겟 피처들, 하나 이상의 섭동된 타겟 피처들이 타겟 피처와 동일한 것으로 간주되는지에 관한 지시들을 포함할 수 있다.
타겟 피처 및 타겟 피처에 대한 기계 학습 모델을 포함하도록 라이브러리가 컴파일될 수 있다.
도 10은 본 명세서에 개시된 피처 검색 방법들 및 흐름들을 구현하는 데 도움이 될 수 있는 컴퓨터 시스템(100)을 예시하는 블록도이다. 컴퓨터 시스템(100)은 정보를 전달하는 버스(102) 또는 다른 통신 기구, 및 정보를 처리하는 버스(102)와 커플링된 프로세서(104)[또는 다중 프로세서들(104 및 105)]를 포함한다. 또한, 컴퓨터 시스템(100)은 프로세서(104)에 의해 실행될 정보 및 명령어들을 저장하는 RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 버스(102)에 커플링된 주 메모리(106)를 포함한다. 또한, 주 메모리(106)는 프로세서(104)에 의해 실행될 명령어들의 실행 시 임시 변수(temporary variable) 또는 다른 매개 정보(intermediate information)를 저장하는 데 사용될 수도 있다. 또한, 컴퓨터 시스템(100)은 프로세서(104)에 대한 정적 정보 및 명령어들을 저장하는 버스(102)에 커플링된 ROM(read only memory: 108) 또는 다른 정적 저장 디바이스를 포함한다. 정보 및 명령어들을 저장하는 자기 디스크 또는 광학 디스크와 같은 저장 디바이스(110)가 제공되며 버스(102)에 커플링된다.
컴퓨터 시스템(100)은 버스(102)를 통해, 컴퓨터 사용자에게 정보를 디스플레이하는 CRT(cathode ray tube) 또는 평판(flat panel) 또는 터치 패널 디스플레이(touch panel display)와 같은 디스플레이(112)에 커플링될 수 있다. 영숫자 및 다른 키들을 포함한 입력 디바이스(114)가 정보 및 명령 선택(command selection)들을 프로세서(104)로 전달하기 위해 버스(102)에 커플링된다. 또 다른 형태의 사용자 입력 디바이스는 방향 정보 및 명령 선택들을 프로세서(104)로 전달하고, 디스플레이(112) 상의 커서의 움직임을 제어하는 마우스, 트랙볼(trackball) 또는 커서 방향키들과 같은 커서 제어부(cursor control: 116)이다. 이 입력 디바이스는, 통상적으로 디바이스로 하여금 평면에서의 위치들을 명시하게 하는 2 개의 축인 제 1 축(예를 들어, x) 및 제 2 축(예를 들어, y)에서 2 자유도를 갖는다. 또한, 입력 디바이스로서 터치 패널(스크린) 디스플레이가 사용될 수도 있다.
일 실시예에 따르면, 주 메모리(106)에 포함된 하나 이상의 명령어의 하나 이상의 시퀀스를 실행하는 프로세서(104)에 응답하여 컴퓨터 시스템(100)에 의해 최적화 공정의 부분들이 수행될 수 있다. 이러한 명령어들은 저장 디바이스(110)와 같은 또 다른 컴퓨터-판독가능한 매체로부터 주 메모리(106)로 읽혀질 수 있다. 주 메모리(106) 내에 포함된 명령어들의 시퀀스들의 실행은, 프로세서(104)가 본 명세서에 설명된 공정 단계들을 수행하게 한다. 또한, 주 메모리(106) 내에 포함된 명령어들의 시퀀스들을 실행하기 위해 다중 처리 구성(multi-processing arrangement)의 하나 이상의 프로세서가 채택될 수도 있다. 대안적인 실시예들에서, 하드웨어에 내장된 회로(hard-wired circuitry)가 소프트웨어 명령어들과 조합하거나 그를 대신하여 사용될 수 있다. 따라서, 실시예들은 하드웨어 회로와 소프트웨어의 여하한의 특정 조합으로 제한되지 않는다.
본 명세서에서 사용된 "컴퓨터-판독가능한 매체"라는 용어는 실행을 위해 프로세서(104)에 명령어를 제공하는 데 관여하는 여하한의 매체를 칭한다. 이러한 매체는 비휘발성 매체(non-volatile media), 휘발성 매체 및 전송 매체를 포함하는 다수의 형태를 취할 수 있으며, 이로 제한되지는 않는다. 비휘발성 매체는, 예를 들어 저장 디바이스(110)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 주 메모리(106)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(102)를 포함하는 와이어(wire)들을 포함하여, 동축 케이블(coaxial cable), 구리선 및 광섬유(fiber optics)를 포함한다. 또한, 전송 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 시 발생되는 파장들과 같이 음파(acoustic wave) 또는 광파의 형태를 취할 수도 있다. 컴퓨터-판독가능한 매체의 보편적인 형태들은, 예를 들어 플로피 디스크(floppy disk), 플렉시블 디스크(flexible disk), 하드 디스크, 자기 테이프, 여하한의 다른 자기 매체, CD-ROM, DVD, 여하한의 다른 광학 매체, 펀치 카드(punch card), 종이 테이프(paper tape), 홀(hole)들의 패턴을 갖는 여하한의 다른 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, 여하한의 다른 메모리 칩 또는 카트리지(cartridge), 이후 설명되는 바와 같은 반송파(carrier wave), 또는 컴퓨터가 판독할 수 있는 여하한의 다른 매체를 포함한다.
다양한 형태의 컴퓨터 판독가능한 매체는 실행을 위해 하나 이상의 명령어의 하나 이상의 시퀀스를 프로세서(104)로 전달하는 데 관련될 수 있다. 예를 들어, 명령어들은 초기에 원격 컴퓨터의 자기 디스크 상에 저장되어 있을 수 있다(bear). 원격 컴퓨터는 그 동적 메모리로 명령어들을 로딩(load)할 수 있으며, 모뎀을 이용하여 전화선을 통해 명령어들을 보낼 수 있다. 컴퓨터 시스템(100)에 국한된 모뎀(modem)은 전화선 상의 데이터를 수신할 수 있으며, 데이터를 적외선 신호로 전환하기 위해 적외선 송신기를 사용할 수 있다. 버스(102)에 커플링된 적외선 검출기는 적외선 신호로 전달된 데이터를 수신할 수 있으며, 데이터를 버스(102)에 놓을 수 있다. 버스(102)는, 프로세서(104)가 명령어들을 회수하고 실행하는 주 메모리(106)로 데이터를 전달한다. 주 메모리(106)에 의해 수신된 명령어들은 프로세서(104)에 의한 실행 전이나 후에 저장 디바이스(110)에 선택적으로 저장될 수 있다.
또한, 컴퓨터 시스템(100)은 버스(102)에 커플링된 통신 인터페이스(118)를 포함할 수 있다. 통신 인터페이스(118)는 로컬 네트워크(122)에 연결되는 네트워크 링크(120)에 커플링하여 양방향(two-way) 데이터 통신을 제공한다. 예를 들어, 통신 인터페이스(118)는 ISDN(integrated services digital network) 카드 또는 대응하는 형태의 전화선에 데이터 통신 연결을 제공하는 모뎀일 수 있다. 또 다른 예시로서, 통신 인터페이스(118)는 호환성 LAN에 데이터 통신 연결을 제공하는 LAN(local area network) 카드일 수 있다. 또한, 무선 링크가 구현될 수도 있다. 여하한의 이러한 구현에서, 통신 인터페이스(118)는 다양한 형태의 정보를 나타내는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 송신하고 수신한다.
통상적으로, 네트워크 링크(120)는 하나 이상의 네트워크를 통해 다른 데이터 디바이스에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(120)는 로컬 네트워크(122)를 통해 호스트 컴퓨터(host computer: 124), 또는 ISP(Internet Service Provider: 126)에 의해 작동되는 데이터 장비로의 연결을 제공할 수 있다. 이에 따라, ISP(126)는 이제 통상적으로 "인터넷"(128)이라고 칭하는 월드와이드 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(122) 및 인터넷(128)은 디지털 데이터 스트림을 전달하는 전기적, 전자기적 또는 광학적 신호들을 사용한다. 다양한 네트워크를 통한 신호들, 및 컴퓨터 시스템(100)에 또한 그로부터 디지털 데이터를 전달하는 통신 인터페이스(118)를 통한 네트워크 링크(120) 상의 신호들은 정보를 전달하는 반송파의 예시적인 형태들이다.
컴퓨터 시스템(100)은 네트워크(들), 네트워크 링크(120) 및 통신 인터페이스(118)를 통해 프로그램 코드를 포함하는 메시지들을 송신하고 데이터를 수신할 수 있다. 인터넷 예시에서는, 서버(130)가 인터넷(128), ISP(126), 로컬 네트워크(122) 및 통신 인터페이스(118)를 통해 어플리케이션 프로그램에 대한 요청된 코드를 전송할 수 있다. 하나 이상의 실시예에 따르면, 예를 들어 하나의 이러한 다운로드된 어플리케이션은 실시예의 조명 최적화에 대해 제공될 수 있다. 수신된 코드는 수신될 때 프로세서(104)에 의해 실행될 수 있고, 및/또는 추후 실행을 위해 저장 디바이스(110) 또는 다른 비휘발성 저장소에 저장될 수 있다. 이러한 방식으로, 컴퓨터 시스템(100)은 반송파의 형태로 어플리케이션 코드를 얻을 수 있다.
도 11은 본 명세서에 설명된 방법들을 이용하여 조명 소스가 최적화될 수 있는 또 다른 예시적인 리소그래피 투영 장치(1000)를 개략적으로 도시한다.
리소그래피 투영 장치(1000)는:
- 소스 컬렉터 모듈(SO);
- 방사선 빔(B)(예를 들어, EUV 방사선)을 컨디셔닝(condition)하도록 구성되는 조명 시스템(일루미네이터)(IL);
- 패터닝 디바이스(예를 들어, 마스크 또는 레티클)(MA)를 지지하도록 구성되고, 패터닝 디바이스를 정확히 위치시키도록 구성된 제 1 위치설정기(PM)에 연결되는 지지 구조체(예를 들어, 마스크 테이블)(MT);
- 기판(예를 들어, 레지스트-코팅된 웨이퍼)(W)을 유지하도록 구성되고, 기판을 정확히 위치시키도록 구성된 제 2 위치설정기(PW)에 연결되는 기판 테이블(예를 들어, 웨이퍼 테이블)(WT); 및
- 기판(W)의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 투영하도록 구성되는 투영 시스템(예를 들어, 반사 투영 시스템)(PS)을 포함한다.
본 명세서에 도시된 바와 같이, 장치(1000)는 (예를 들어, 반사 마스크를 채택하는) 반사형으로 구성된다. 대부분의 재료들이 EUV 파장 범위 내에서 흡수성이기 때문에, 마스크는 예를 들어 몰리브덴 및 실리콘의 다수-스택을 포함한 다층 반사기들을 가질 수 있다는 것을 유의하여야 한다. 일 예시에서, 다수-스택 반사기는 40 층의 몰리브덴 및 실리콘 쌍들을 갖고, 이때 각 층의 두께는 1/4 파장(quarter wavelength)이다. 훨씬 더 작은 파장들이 X-선 리소그래피로 생성될 수 있다. 대부분의 재료가 EUV 및 x-선 파장에서 흡수성이기 때문에, 패터닝 디바이스 토포그래피 상의 패터닝된 흡수성 재료의 박편(예를 들어, 다층 반사기 위에 있는 상의 TaN 흡수재)이 프린트되거나(포지티브 레지스트) 프린트되지 않을(네거티브 레지스트) 피처들의 위치를 정의한다.
도 11을 참조하면, 일루미네이터(IL)는 소스 컬렉터 모듈(SO)로부터 극자외 방사선 빔을 수용한다. EUV 방사선을 생성하는 방법들은 EUV 범위 내의 하나 이상의 방출선을 갖는 적어도 하나의 원소, 예를 들어 크세논, 리튬 또는 주석을 갖는 재료를 플라즈마 상태로 전환하는 단계를 포함하며, 반드시 이로 제한되는 것은 아니다. 흔히 레이저 생성 플라즈마("LPP")라고 칭하는 이러한 한 방법에서, 플라즈마는 선-방출 원소를 갖는 재료의 액적(droplet), 스트림 또는 클러스터와 같은 연료를 레이저 빔으로 조사함으로써 생성될 수 있다. 소스 컬렉터 모듈(SO)은 연료를 여기시키는 레이저 빔을 제공하는 레이저(도 11에 나타내지 않음)를 포함한 EUV 방사선 시스템의 일부분일 수 있다. 결과적인 플라즈마는 출력 방사선, 예를 들어 EUV 방사선을 방출하며, 이는 소스 컬렉터 모듈에 배치된 방사선 컬렉터를 이용하여 수집된다. 예를 들어, CO2 레이저가 연료 여기를 위한 레이저 빔을 제공하는 데 사용되는 경우, 레이저 및 소스 컬렉터 모듈은 별도의 개체일 수 있다.
이러한 경우, 레이저는 리소그래피 장치의 일부분을 형성하는 것으로 여기지 않으며, 방사선 빔은 예를 들어 적절한 지향 거울 및/또는 빔 익스팬더를 포함하는 빔 전달 시스템의 도움으로, 레이저로부터 소스 컬렉터 모듈로 통과된다. 다른 경우, 예를 들어 소스가 흔히 DPP 소스라고 칭하는 방전 생성 플라즈마 EUV 발생기인 경우, 소스는 소스 컬렉터 모듈의 통합부일 수 있다.
일루미네이터(IL)는 방사선 빔의 각도 세기 분포를 조정하는 조정기를 포함할 수 있다. 일반적으로, 일루미네이터의 퓨필 평면 내의 세기 분포의 적어도 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)가 조정될 수 있다. 또한, 일루미네이터(IL)는 패싯 필드 및 퓨필 거울 디바이스(facetted field and pupil mirror device)들과 같이, 다양한 다른 구성요소들을 포함할 수도 있다. 일루미네이터는 방사선 빔의 단면에 원하는 균일성 및 세기 분포를 갖기 위해, 방사선 빔을 컨디셔닝하는 데 사용될 수 있다.
방사선 빔(B)은 지지 구조체(예를 들어, 마스크 테이블)(MT) 상에 유지되어 있는 패터닝 디바이스(예를 들어, 마스크)(MA) 상에 입사되며, 패터닝 디바이스에 의해 패터닝된다. 패터닝 디바이스(예를 들어, 마스크)(MA)로부터 반사된 후, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 이는 기판(W)의 타겟부(C) 상으로 빔을 포커스한다. 제 2 위치설정기(PW) 및 위치 센서(PS2)(예를 들어, 간섭계 디바이스, 리니어 인코더, 또는 용량성 센서)의 도움으로, 기판 테이블(WT)은 예를 들어 방사선 빔(B)의 경로에 상이한 타겟부(C)들을 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정기(PM) 및 또 다른 위치 센서(PS1)는 방사선 빔(B)의 경로에 대해 패터닝 디바이스(예를 들어, 마스크)(MA)를 정확히 위치시키는 데 사용될 수 있다. 패터닝 디바이스(예를 들어, 마스크)(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크들(M1, M2) 및 기판 정렬 마크들(P1, P2)을 이용하여 정렬될 수 있다.
도시된 장치(1000)는 다음 모드들 중 적어도 하나에서 사용될 수 있다:
1. 스텝 모드에서, 지지 구조체(예를 들어, 마스크 테이블)(MT) 및 기판 테이블(WT)은 기본적으로 정지 상태로 유지되는 한편, 방사선 빔에 부여되는 전체 패턴은 한 번에 타겟부(C) 상에 투영된다[즉, 단일 정적 노광(single static exposure)]. 그 후, 기판 테이블(WT)은 상이한 타겟부(C)가 노광될 수 있도록 X 및/또는 Y 방향으로 시프트된다.
2. 스캔 모드에서, 지지 구조체(예를 들어, 마스크 테이블)(MT) 및 기판 테이블(WT)은 방사선 빔에 부여된 패턴이 타겟부(C) 상에 투영되는 동안에 동기적으로 스캐닝된다[즉, 단일 동적 노광(single dynamic exposure)]. 지지 구조체(예를 들어, 마스크 테이블)(MT)에 대한 기판 테이블(WT)의 속도 및 방향은 투영 시스템(PS)의 확대(축소) 및 이미지 반전 특성에 의하여 결정될 수 있다.
3. 또 다른 모드에서, 지지 구조체(예를 들어, 마스크 테이블)(MT)는 프로그램가능한 패터닝 디바이스를 유지하여 기본적으로 정지된 상태로 유지되며, 방사선 빔에 부여된 패턴이 타겟부(C) 상에 투영되는 동안 기판 테이블(WT)이 이동되거나 스캐닝된다. 이 모드에서는, 일반적으로 펄스화된 방사선 소스(pulsed radiation source)가 채택되며, 프로그램가능한 패터닝 디바이스는 기판 테이블(WT)의 매 이동 후, 또는 스캔 중에 계속되는 방사선 펄스 사이사이에 필요에 따라 업데이트된다. 이 작동 모드는 앞서 언급된 바와 같은 타입의 프로그램가능한 거울 어레이와 같은 프로그램가능한 패터닝 디바이스를 이용하는 마스크없는 리소그래피(maskless lithography)에 용이하게 적용될 수 있다.
도 12는 소스 컬렉터 모듈(SO), 조명 시스템(IL), 및 투영 시스템(PS)을 포함하여 장치(1000)를 더 상세히 나타낸다. 소스 컬렉터 모듈(SO)은 소스 컬렉터 모듈(SO)의 인클로징 구조체(enclosing structure: 220) 내에 진공 환경이 유지될 수 있도록 구성되고 배치된다. EUV 방사선 방출 플라즈마(210)가 방전 생성 플라즈마 소스에 의해 형성될 수 있다. EUV 방사선은 전자기 스펙트럼의 EUV 범위 내의 방사선을 방출하도록 초고온 플라즈마(very hot plasma: 210)가 생성되는 가스 또는 증기, 예를 들어 Xe 가스, Li 증기 또는 Sn 증기에 의해 생성될 수 있다. 초고온 플라즈마(210)는, 예를 들어 적어도 부분적으로 이온화된 플라즈마를 야기하는 전기적 방전에 의해 생성된다. 방사선의 효율적인 발생을 위해, Xe, Li, Sn 증기 또는 여하한의 다른 적절한 가스 또는 증기의, 예를 들어 10 Pa의 분압(partial pressure)이 요구될 수 있다. 일 실시예에서, EUV 방사선을 생성하기 위해 여기된 주석(Sn)의 플라즈마가 제공된다.
초고온 플라즈마(210)에 의해 방출되는 방사선은, 소스 챔버(source chamber: 211)의 개구부 내에 또는 그 뒤에 위치되는 선택적인 가스 방벽 또는 오염물 트랩(contaminant trap: 230)(몇몇 경우에는, 오염물 방벽 또는 포일 트랩이라고도 함)을 통해, 소스 챔버(211)로부터 컬렉터 챔버(collector chamber: 212) 내로 통과된다. 오염물 트랩(230)은 채널 구조체를 포함할 수 있다. 또한, 오염물 트랩(230)은 가스 방벽, 또는 가스 방벽과 채널 구조체의 조합을 포함할 수 있다. 본 명세서에서 나타내는 오염물 트랩 또는 오염물 방벽(230)은 적어도 당업계에 알려진 바와 같은 채널 구조체를 포함한다.
컬렉터 챔버(212)는 소위 스침 입사 컬렉터(grazing incidence collector)일 수 있는 방사선 컬렉터(CO)를 포함할 수 있다. 방사선 컬렉터(CO)는 방사선 컬렉터 상류측(upstream radiation collector side: 251) 및 방사선 컬렉터 하류측(downstream radiation collector side: 252)을 갖는다. 컬렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(grating spectral filter: 240)로부터 반사되어, 점선 'O'로 나타낸 광축을 따라 가상 소스점(virtual source point: IF)에 포커스될 수 있다. 가상 소스점(IF)은 통상적으로 중간 포커스라고 칭해지며, 소스 컬렉터 모듈은 중간 포커스(IF)가 인클로징 구조체(220)에서의 개구부(221)에, 또는 그 부근에 위치되도록 배치된다. 가상 소스점(IF)은 방사선 방출 플라즈마(210)의 이미지이다.
후속하여, 방사선은 조명 시스템(IL)을 가로지르며, 이는 패터닝 디바이스(MA)에서의 방사선 세기의 원하는 균일성뿐 아니라, 패터닝 디바이스(MA)에서의 방사선 빔(21)의 원하는 각도 분포를 제공하도록 배치된 패싯 필드 거울 디바이스(22) 및 패싯 퓨필 거울 디바이스(24)를 포함할 수 있다. 지지 구조체(MT)에 의해 유지되어 있는 패터닝 디바이스(MA)에서의 방사선 빔(21)의 반사 시, 패터닝된 빔(26)이 형성되고, 패터닝된 빔(26)은 투영 시스템(PS)에 의하여 반사 요소들(28, 30)을 통해 기판 테이블(WT)에 의해 유지되어 있는 기판(W) 상에 이미징된다.
일반적으로, 나타낸 것보다 더 많은 요소들이 조명 광학기 유닛(IL) 및 투영 시스템(PS)에 존재할 수 있다. 격자 스펙트럼 필터(240)는 리소그래피 장치의 타입에 따라 선택적으로 존재할 수 있다. 또한, 도면들에 나타낸 것보다 더 많은 거울들이 존재할 수 있으며, 예를 들어 도 12에 나타낸 것보다 1 내지 6 개의 추가 반사 요소들이 투영 시스템(PS) 내에 존재할 수 있다.
도 12에 예시된 바와 같은 컬렉터 광학기(CO)가 단지 컬렉터(또는 컬렉터 거울)의 일 예시로서, 스침 입사 반사기들(253, 254 및 255)을 갖는 네스티드 컬렉터(nested collector)로서 도시된다. 스침 입사 반사기들(253, 254 및 255)은 광축(O)에 대하여 축대칭으로 배치되고, 이 타입의 컬렉터 광학기(CO)는 바람직하게는 흔히 DPP 소스라고 하는 방전 생성 플라즈마 소스와 조합하여 사용된다.
대안적으로, 소스 컬렉터 모듈(SO)은 도 13에 나타낸 바와 같은 LPP 방사선 시스템의 일부분일 수 있다. 레이저(LA)가 크세논(Xe), 주석(Sn) 또는 리튬(Li)과 같은 연료에 레이저 에너지를 축적(deposit)하도록 배치되어, 수십 eV의 전자 온도를 갖는 고이온화 플라즈마(highly ionized plasma: 210)를 생성한다. 이 이온들의 탈-여기(de-excitation) 및 재조합 동안 발생되는 강렬한 방사선(energetic radiation)은 플라즈마로부터 방출되어, 근수직 입사 컬렉터 광학기(near normal incidence collector optic: CO)에 의해 수집되고, 인클로징 구조체(220)의 개구부(221) 상에 포커스된다.
본 명세서에 개시된 개념들은 서브 파장 피처들을 이미징하는 여하한의 일반적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있으며, 특히 점점 더 짧은 파장들을 생성할 수 있는 첨단(emerging) 이미징 기술들로 유용할 수 있다. 이미 사용중인 첨단 기술들로는 ArF 레이저를 사용하여 193 nm의 파장을 생성하고, 심지어 플루오린 레이저를 사용하여 157 nm의 파장도 생성할 수 있는 EUV(극자외) 리소그래피를 포함한다. 또한, EUV 리소그래피가 이 범위 내의 광자들을 생성하기 위해 고에너지 전자로 재료(고체 또는 플라즈마)를 가격(hit)하거나, 싱크로트론(synchrotron)을 이용함으로써 20 내지 5 nm 범위 내의 파장들을 생성할 수 있다.
본 명세서에 개시된 개념들은 실리콘 웨이퍼와 같은 기판 상에 이미징하기 위해 사용될 수 있지만, 개시된 개념들은 여하한 타입의 리소그래피 이미징 시스템들, 예를 들어 실리콘 웨이퍼 이외의 기판들 상에 이미징하는 데 사용되는 것들로 사용될 수도 있다는 것을 이해하여야 한다.
본 발명은 다음의 조항들을 이용하여 더욱 설명될 수 있다:
1. 리소그래피 투영 장치를 이용하여 기판 상으로 디자인 레이아웃의 일부분을 이미징하기 위한 리소그래피 공정을 개선하는 컴퓨터-구현 방법에서,
타겟 피처를 얻는 단계;
섭동을 적용함으로써 타겟 피처로부터 섭동된 타겟 피처를 생성하는 단계;
섭동된 타겟 피처, 및 섭동된 타겟 피처가 타겟 피처와 동일한 것으로 간주되는지에 관한 지시를 포함하는 트레이닝 예들의 세트를 생성하는 단계;
트레이닝 예들의 세트로 학습 모델을 트레이닝하는 단계;
컴퓨터에 의해, 디자인 레이아웃의 일부분 내의 피처들을 적어도 2 개의 클래스 - 타겟 피처와 동일한 것으로 간주되는 클래스, 및 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하는 단계를 포함한다.
2. 조항 1의 방법에서, 피처들을 분류하는 단계는 피처들의 제 1 픽실레이팅 이미지에 기초하고, 제 1 픽실레이팅 이미지는 제 1 분해능을 갖는다.
3. 조항 2의 방법에서, 피처들에 저역 필터를 적용함으로써 제 1 픽실레이팅 이미지를 생성하는 단계를 더 포함한다.
4. 조항 1의 방법에서, 섭동은 리사이징(resizing), 시프팅, 타겟 피처의 일부분의 제거, 타겟 피처의 일부분의 추가, 또는 이의 조합이다.
5. 조항 1의 방법에서, 학습 모델은 비-확률적이다.
6. 조항 1의 방법에서, 학습 모델은 서포트 벡터 머신이다.
7. 조항 1의 방법에서, 학습 모델은 비-선형 커널이다.
8. 조항 1의 방법에서, 지도 학습 모델은 가우시안 방사 기저 커널 또는 히스토그램 인터섹션 커널이다.
9. 조항 2의 방법에서, 피처들을 분류하는 단계는 슬라이딩 윈도우에서 제 1 픽실레이팅 이미지의 일부분을 분류하는 단계를 포함한다.
10. 조항 9의 방법에서, 슬라이딩 윈도우를 시프팅하는 단계를 더 포함한다.
11. 조항 10의 방법에서, 섭동은 타겟 피처를 시프팅하는 것이며, 슬라이딩 윈도우는 섭동에서 시프팅 양보다 작거나 같은 양만큼 시프트된다.
12. 조항 2의 방법에서, 피처들을 분류하는 단계는 피처들의 제 2 픽실레이팅 이미지에 더 기초하고, 제 2 픽실레이팅 이미지는 제 1 분해능보다 높은 제 2 분해능을 갖는다.
13. 조항 12의 방법에서, 제 2 분해능은 제 1 분해능의 2 배 이상 높다.
14. 조항 1의 방법에서, 피처들을 분류하는 단계는 피처들 및 타겟 피처를 기하학적으로 파라미터화(geometrically parameterize)하는 단계를 포함한다.
15. 조항 1의 방법에서, 분류된 피처들 중 타겟 피처와 동일한 것으로 간주된 피처들에 타겟 피처의 조정을 적용하는 단계를 더 포함한다.
16. 조항 1 내지 15 중 어느 한 조항의 방법에서, 기계 학습 모델은 지도 기계 학습 모델이다.
17. 명령어들이 기록되는 비-일시적 컴퓨터 판독가능한 매체를 포함하는 컴퓨터 프로그램 제품에서, 명령어들은 컴퓨터에 의해 실행될 때 상기의 조항들 중 어느 한 조항의 방법을 구현한다.
18. 정보가 기록되는 비-일시적 컴퓨터 판독가능한 매체를 포함하는 컴퓨터 프로그램 제품이 개시되고, 정보는 타겟 피처, 하나 이상의 섭동된 타겟 피처, 및 선택적으로 하나 이상의 섭동된 타겟 피처가 타겟 피처와 동일한 것으로 간주되는지에 관한 지시를 포함한다.
19. 조항 18의 컴퓨터 프로그램 제품에서, 타겟 피처의 조정을 더 포함한다.
20. 조항 19의 컴퓨터 프로그램 제품에서, 조정은 광 근접성 보정을 포함한다.
21. 정보가 기록되는 컴퓨터 판독가능한 매체를 포함하는 컴퓨터 프로그램 제품에서, 정보는 타겟 피처, 및 피처를 2 개의 클래스 - 타겟 피처와 동일한 것으로 간주되는 클래스, 및 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하도록 구성되는 기계 학습 모델을 포함한다.
22. 기판 상으로 디자인 레이아웃의 일부분을 처리하는 것을 수반하는 디바이스 제조 공정을 위한 컴퓨터-구현 피처 인식 방법(computer-implemented feature recognition method)에서,
타겟 피처를 얻는 단계;
섭동을 적용함으로써 타겟 피처로부터 섭동된 타겟 피처를 생성하는 단계;
섭동된 타겟 피처, 및 섭동된 타겟 피처가 타겟 피처와 동일한 것으로 간주되는지에 관한 지시를 포함하는 트레이닝 예들의 세트를 생성하는 단계;
트레이닝 예들의 세트로 학습 모델을 트레이닝하는 단계;
컴퓨터에 의해, 디자인 레이아웃의 일부분 내의 피처들을 2 개의 클래스 - 타겟 피처와 동일한 것으로 간주되는 클래스, 및 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하는 단계를 포함한다.
23. 조항 22의 방법에서, 피처들을 분류하는 단계는 피처들의 제 1 픽실레이팅 이미지에 기초하고, 제 1 픽실레이팅 이미지는 제 1 분해능을 가지며, 피처들을 분류하는 단계는 피처들의 제 2 픽실레이팅 이미지에 더 기초하고, 제 2 픽실레이팅 이미지는 제 1 분해능보다 높은 제 2 분해능을 갖는다.
24. 조항 22의 방법에서, 학습 모델은 비-선형 커널을 갖는다.
25. 조항 22의 방법에서, 피처들을 분류하는 단계는 슬라이딩 윈도우에서 제 1 픽실레이팅 이미지의 일부분을 분류하는 단계를 포함한다.
26. 조항 25의 방법에서, 슬라이딩 윈도우를 시프팅하는 단계를 더 포함한다.
27. 조항 26의 방법에서, 섭동은 타겟 피처를 시프팅하는 것이며, 슬라이딩 윈도우는 섭동에서 시프팅 양보다 작거나 같은 양만큼 시프트된다.
본 발명의 실시형태들은 여하한의 편리한 형태로 구현될 수 있다. 예를 들어, 일 실시예가 유형 운반 매체(예를 들어, 디스크) 또는 무형 운반 매체(예를 들어, 통신 신호)일 수 있는 적절한 운반 매체 상에서 운반될 수 있는 하나 이상의 적절한 컴퓨터 프로그램에 의해 구현될 수 있다. 본 발명의 실시예들은, 명확하게는 본 명세서에서 설명된 바와 같은 방법을 구현하도록 배치되는 컴퓨터 프로그램을 실행하는 프로그램가능한 컴퓨터의 형태를 취할 수 있는 적절한 장치를 이용하여 구현될 수 있다.
상기의 서술내용은 예시를 위한 것이지, 제한하려는 것이 아니다. 따라서, 당업자라면 아래에 설명되는 청구항들의 범위를 벗어나지 않고 서술된 바와 같이 실시예들에 대한 변형예가 행해질 수도 있음을 이해할 것이다.

Claims (15)

  1. 리소그래피 투영 장치를 이용하여 기판 상으로 디자인 레이아웃의 일부분을 이미징하기 위한 리소그래피 공정을 개선하는 컴퓨터-구현 방법에 있어서,
    타겟 피처(target feature)를 얻는 단계;
    섭동(perturbation)을 적용함으로써 상기 타겟 피처로부터 섭동된 타겟 피처를 생성하는 단계;
    상기 섭동된 타겟 피처, 및 상기 섭동된 타겟 피처가 상기 타겟 피처와 동일한 것으로 간주되는지에 관한 지시(indication)를 포함하는 트레이닝 예들의 세트(set of training examples)를 생성하는 단계;
    상기 트레이닝 예들의 세트로 학습 모델을 트레이닝하는 단계; 및
    컴퓨터에 의해, 상기 디자인 레이아웃의 일부분 내의 피처들을 적어도 2 개의 클래스(class) - 상기 타겟 피처와 동일한 것으로 간주되는 클래스, 및 상기 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하는 단계를 포함하는 컴퓨터-구현 방법.
  2. 제 1 항에 있어서,
    상기 피처들을 분류하는 단계는 상기 피처들의 제 1 픽실레이팅 이미지(pixelated image)에 기초하고, 상기 제 1 픽실레이팅 이미지는 제 1 분해능(resolution)을 갖는 컴퓨터-구현 방법.
  3. 제 2 항에 있어서,
    상기 피처들에 저역 필터(low pass filter)를 적용함으로써 상기 제 1 픽실레이팅 이미지를 생성하는 단계를 더 포함하는 컴퓨터-구현 방법.
  4. 제 1 항에 있어서,
    상기 섭동은 리사이징(resizing), 시프팅(shifting), 상기 타겟 피처의 일부분의 제거, 상기 타겟 피처의 일부분의 추가, 또는 이의 조합인 컴퓨터-구현 방법.
  5. 제 1 항에 있어서,
    상기 학습 모델은 비-확률적(non-probabilistic)이거나, 상기 학습 모델은 서포트 벡터 머신(support vector machine)이거나, 상기 학습 모델은 비-선형 커널(non-linear kernel)을 갖는 컴퓨터-구현 방법.
  6. 제 1 항에 있어서,
    지도 학습 모델(supervised learning model)은 가우시안 방사 기저 커널(Gaussian radial basis kernel) 또는 히스토그램 인터섹션 커널(histogram intersection kernel)을 갖는 컴퓨터-구현 방법.
  7. 제 2 항에 있어서,
    상기 피처들을 분류하는 단계는 슬라이딩 윈도우(sliding window)에서 상기 제 1 픽실레이팅 이미지의 일부분을 분류하는 단계를 포함하는 컴퓨터-구현 방법.
  8. 제 7 항에 있어서,
    상기 슬라이딩 윈도우를 시프팅하는 단계를 더 포함하는 컴퓨터-구현 방법.
  9. 제 8 항에 있어서,
    상기 섭동은 상기 타겟 피처를 시프팅하는 것이며, 상기 슬라이딩 윈도우는 상기 섭동에서 시프팅 양보다 작거나 같은 양만큼 시프트되는 컴퓨터-구현 방법.
  10. 제 2 항에 있어서,
    상기 피처들을 분류하는 단계는 상기 피처들의 제 2 픽실레이팅 이미지에 더 기초하고, 상기 제 2 픽실레이팅 이미지는 상기 제 1 분해능보다 높은 제 2 분해능을 갖는 컴퓨터-구현 방법.
  11. 제 1 항에 있어서,
    상기 피처들을 분류하는 단계는 상기 피처들 및 상기 타겟 피처를 기하학적으로 파라미터화(geometrically parameterize)하는 단계를 포함하는 컴퓨터-구현 방법.
  12. 제 1 항에 있어서,
    분류된 피처들 중 상기 타겟 피처와 동일한 것으로 간주된 피처들에 상기 타겟 피처의 조정을 적용하는 단계를 더 포함하는 컴퓨터-구현 방법.
  13. 명령어들이 기록되는 비-일시적 컴퓨터 판독가능한 매체(non-transitory computer readable medium)를 포함하는 컴퓨터 프로그램 제품에 있어서,
    상기 명령어들은 컴퓨터에 의해 실행될 때 제 1 항의 방법을 구현하는 컴퓨터 프로그램 제품.
  14. 기판 상으로 디자인 레이아웃의 일부분을 처리하는 것을 수반하는 디바이스 제조 공정을 위한 컴퓨터-구현 피처 인식 방법에 있어서,
    타겟 피처를 얻는 단계;
    섭동을 적용함으로써 상기 타겟 피처로부터 섭동된 타겟 피처를 생성하는 단계;
    상기 섭동된 타겟 피처, 및 상기 섭동된 타겟 피처가 상기 타겟 피처와 동일한 것으로 간주되는지에 관한 지시를 포함하는 트레이닝 예들의 세트를 생성하는 단계;
    상기 트레이닝 예들의 세트로 학습 모델을 트레이닝하는 단계; 및
    컴퓨터에 의해, 상기 디자인 레이아웃의 일부분 내의 피처들을 2 개의 클래스 - 상기 타겟 피처와 동일한 것으로 간주되는 클래스, 및 상기 타겟 피처와 상이한 것으로 간주되는 클래스 - 로 분류하는 단계를 포함하는 컴퓨터-구현 피처 인식 방법.
  15. 제 14 항에 있어서,
    상기 피처들을 분류하는 단계는 슬라이딩 윈도우에서 제 1 픽실레이팅 이미지의 일부분을 분류하는 단계를 포함하는 컴퓨터-구현 피처 인식 방법.
KR1020177019895A 2014-12-18 2015-11-18 기계 학습에 의한 피처 검색 KR102048918B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462093931P 2014-12-18 2014-12-18
US62/093,931 2014-12-18
PCT/EP2015/076994 WO2016096308A1 (en) 2014-12-18 2015-11-18 Feature search by machine learning

Publications (2)

Publication Number Publication Date
KR20170096018A true KR20170096018A (ko) 2017-08-23
KR102048918B1 KR102048918B1 (ko) 2020-01-08

Family

ID=54601775

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177019895A KR102048918B1 (ko) 2014-12-18 2015-11-18 기계 학습에 의한 피처 검색

Country Status (5)

Country Link
US (1) US20170357911A1 (ko)
KR (1) KR102048918B1 (ko)
CN (1) CN107438842A (ko)
TW (1) TWI617933B (ko)
WO (1) WO2016096308A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200002620A (ko) * 2018-06-29 2020-01-08 캐논 가부시끼가이샤 정보 처리 장치, 저장 매체, 리소그래피 장치, 리소그래피 시스템 및 물품 제조 방법
KR20200035303A (ko) * 2017-09-08 2020-04-02 에이에스엠엘 네델란즈 비.브이. 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들
KR20210055057A (ko) * 2018-09-12 2021-05-14 도쿄엘렉트론가부시키가이샤 학습 장치, 추론 장치 및 학습 완료 모델
KR20210057807A (ko) * 2018-10-17 2021-05-21 에이에스엠엘 네델란즈 비.브이. 특성 패턴을 생성하고 기계 학습 모델을 트레이닝하는 방법들
US11687784B2 (en) 2019-02-01 2023-06-27 Daegu Gyeongbuk Institute Of Science And Technology GPU-based artificial intelligence system using channel-level architecture search for deep neural network

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016096309A1 (en) * 2014-12-15 2016-06-23 Asml Netherlands B.V. Optimization based on machine learning
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
CN110692017A (zh) * 2017-05-26 2020-01-14 Asml荷兰有限公司 基于机器学习的辅助特征放置
CN110383332B (zh) * 2017-06-05 2023-09-12 乐天集团股份有限公司 图像处理装置、图像处理方法及图像处理程序
DE112019000022T5 (de) * 2018-01-31 2019-10-24 Asml Netherlands B.V. Verfahren zum Kennzeichnen von Substraten auf der Basis von Prozessparametern
CN111886606A (zh) 2018-02-23 2020-11-03 Asml荷兰有限公司 用于图案的语义分段的深度学习
CN108615071B (zh) 2018-05-10 2020-11-24 创新先进技术有限公司 模型测试的方法及装置
CN110472251B (zh) * 2018-05-10 2023-05-30 腾讯科技（深圳）有限公司 翻译模型训练的方法、语句翻译的方法、设备及存储介质
US10606975B2 (en) * 2018-05-31 2020-03-31 International Business Machines Corporation Coordinates-based generative adversarial networks for generating synthetic physical design layout patterns
US10706200B2 (en) * 2018-06-05 2020-07-07 International Business Machines Corporation Generative adversarial networks for generating physical design layout patterns of integrated multi-layers
US10699055B2 (en) 2018-06-12 2020-06-30 International Business Machines Corporation Generative adversarial networks for generating physical design layout patterns
TWI676939B (zh) * 2018-06-22 2019-11-11 富比庫股份有限公司 運用類神經網路進行分類之電子零件封裝分類系統
WO2020043474A1 (en) * 2018-08-31 2020-03-05 Asml Netherlands B.V. Measurement method and apparatus
US10796068B2 (en) * 2018-09-11 2020-10-06 Samsung Electronics Co., Ltd. Standard cell design system, standard cell design optimization method thereof, and semiconductor design system
US11093683B2 (en) 2018-10-31 2021-08-17 Taiwan Semiconductor Manufacturing Co., Ltd. Test pattern generation systems and methods
TWI682295B (zh) 2018-11-05 2020-01-11 財團法人資訊工業策進會 測試資料產生裝置及測試資料產生方法
CN113168085A (zh) 2018-11-30 2021-07-23 Asml荷兰有限公司 用于基于可制造性确定图案形成装置图案的方法
CN109491216B (zh) * 2018-12-20 2020-11-27 上海集成电路研发中心有限公司 一种优化光刻工艺参数的方法
CN113227905A (zh) * 2018-12-26 2021-08-06 Asml荷兰有限公司 用于检查晶片的系统和方法
TWI738169B (zh) * 2019-01-29 2021-09-01 荷蘭商Ａｓｍｌ荷蘭公司 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品
CN109829232B (zh) * 2019-01-30 2022-11-25 中北大学 基于随机森林算法的分层布料模拟方法
TWI695221B (zh) * 2019-02-01 2020-06-01 華邦電子股份有限公司 圖案特徵的識別方法
US11349743B2 (en) 2019-02-04 2022-05-31 General Dynamics Mission Systems, Inc. Machine learning training system for identification or classification of wireless signals
US11815820B2 (en) * 2019-03-21 2023-11-14 Asml Netherlands B.V. Training method for machine learning assisted optical proximity error correction
US10916006B2 (en) 2019-04-16 2021-02-09 Winbond Electronics Corp. Recognition method of pattern feature
US11593590B2 (en) * 2019-11-25 2023-02-28 Essenlix Corporation Efficient training and accuracy improvement of imaging based assay
US20210343001A1 (en) * 2020-04-30 2021-11-04 Kla Corporation Training a machine learning model to generate higher resolution images from inspection images
TWI798583B (zh) * 2020-09-01 2023-04-11 中華電信股份有限公司 加速模擬軟體的模擬結果的產生的電子裝置和方法
KR20220051868A (ko) 2020-10-19 2022-04-27 삼성전자주식회사 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치
US20220128899A1 (en) * 2020-10-22 2022-04-28 D2S, Inc. Methods and systems to determine shapes for semiconductor or flat panel display fabrication
CN116601650A (zh) * 2020-12-08 2023-08-15 三菱电机株式会社 学习装置、异状检测装置及异状检测方法
US20240085304A1 (en) * 2021-01-15 2024-03-14 Essenlix Corporation Imaging Based Assay Accuracy Improvement Through Guided Training
US11983865B2 (en) 2021-05-05 2024-05-14 KLA Corp. Deep generative model-based alignment for semiconductor applications
CN115509082B (zh) * 2022-11-09 2023-04-07 华芯程(杭州)科技有限公司 光学邻近校正模型的训练方法、装置及光学邻近校正方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130031522A1 (en) * 2011-07-26 2013-01-31 Juan Andres Torres Robles Hotspot detection based on machine learning

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6975764B1 (en) * 1997-11-26 2005-12-13 Cognex Technology And Investment Corporation Fast high-accuracy multi-dimensional pattern inspection
US7082394B2 (en) * 2002-06-25 2006-07-25 Microsoft Corporation Noise-robust feature extraction using multi-layer principal component analysis
US9140998B2 (en) * 2010-11-12 2015-09-22 Asml Netherlands B.V. Metrology method and inspection apparatus, lithographic system and device manufacturing method
NL2011592A (en) * 2012-10-31 2014-05-06 Asml Netherlands Bv Compensation for patterning device deformation.

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130031522A1 (en) * 2011-07-26 2013-01-31 Juan Andres Torres Robles Hotspot detection based on machine learning

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
To, K. N., and C. C. Lim. Perturbation to enhance support vector machines for classification. Journal of Computational and Applied Mathematics 163. 2004.* *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200035303A (ko) * 2017-09-08 2020-04-02 에이에스엠엘 네델란즈 비.브이. 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들
KR20220079699A (ko) * 2017-09-08 2022-06-13 에이에스엠엘 네델란즈 비.브이. 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들
US11561477B2 (en) 2017-09-08 2023-01-24 Asml Netherlands B.V. Training methods for machine learning assisted optical proximity error correction
US11768440B2 (en) 2017-09-08 2023-09-26 Asml Netherlands B.V. Training methods for machine learning assisted optical proximity error correction
KR20200002620A (ko) * 2018-06-29 2020-01-08 캐논 가부시끼가이샤 정보 처리 장치, 저장 매체, 리소그래피 장치, 리소그래피 시스템 및 물품 제조 방법
KR20210055057A (ko) * 2018-09-12 2021-05-14 도쿄엘렉트론가부시키가이샤 학습 장치, 추론 장치 및 학습 완료 모델
KR20210057807A (ko) * 2018-10-17 2021-05-21 에이에스엠엘 네델란즈 비.브이. 특성 패턴을 생성하고 기계 학습 모델을 트레이닝하는 방법들
US11687784B2 (en) 2019-02-01 2023-06-27 Daegu Gyeongbuk Institute Of Science And Technology GPU-based artificial intelligence system using channel-level architecture search for deep neural network

Also Published As

Publication number Publication date
WO2016096308A1 (en) 2016-06-23
US20170357911A1 (en) 2017-12-14
KR102048918B1 (ko) 2020-01-08
TWI617933B (zh) 2018-03-11
CN107438842A (zh) 2017-12-05
TW201633192A (zh) 2016-09-16

Similar Documents

Publication Publication Date Title
US11029605B2 (en) Optimization based on machine learning
KR102048918B1 (ko) 기계 학습에 의한 피처 검색
US20210271172A1 (en) Methods of determining process models by machine learning
US20220277116A1 (en) Identification of hot spots or defects by machine learning
KR102550350B1 (ko) 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들
WO2020109074A1 (en) Method for decreasing uncertainty in machine learning model predictions
KR20200010496A (ko) 기계 학습에 기초한 어시스트 피처 배치
WO2021037484A1 (en) Semiconductor device geometry method and system
WO2015090774A1 (en) Yield estimation and control
KR20210130784A (ko) 패터닝 공정에서 패턴을 결정하는 방법
KR20210127984A (ko) 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법
EP3789923A1 (en) Method for increasing certainty in parameterized model predictions
WO2021175570A1 (en) Machine learning based subresolution assist feature placement
WO2022012888A1 (en) Apparatus and methods for generating denoising model
US20230244152A1 (en) Systems, methods, and products for determining printing probability of assist feature and its application

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