KR20210046459A - 멀티-opc 모델을 이용한 opc 방법, 및 그 opc 방법을 이용한 마스크 제조방법 - Google Patents

Abstract

본 발명의 기술적 사상은 복잡 OPC 모델의 시뮬레이션의 반복을 최소화하여 전체 OPC 방법의 실행 시간(runtime)을 감소시킬 수 있는 멀티-OPC 모델을 이용한 OPC 방법 및 그 OPC 방법을 이용한 마스크 제조방법을 제공한다. 그 멀티-OPC 모델을 이용한 OPC 방법은 타겟(target) 패턴에 대하여 제1 OPC 모델과 제2 OPC 모델 각각을 이용하여 초기 시뮬레이션을 수행하는 단계; 상기 제1 OPC 모델에 의한 제1 EPE(Edge Placement Error)와 상기 제2 OPC 모델에 의한 제2 EPE 간의 차이인 EPE_diff를 계산하는 단계; 상기 EPE_diff를 이용하여 리-타겟(re-target) 패턴을 생성하는 단계; 상기 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 제1 시뮬레이션을 수행하는 단계; 및 상기 타겟 패턴에 기초하여 제2 OPC 모델을 이용하여 제2 시뮬레이션을 수행하는 단계;를 포함하고, 상기 제1 OPC 모델은 상기 제2 OPC 모델의 에러 경향성을 가지면서 커널(kernel) 함수의 수와 계산 영역이 최소화된 모델이다.

Description

멀티-OPC 모델을 이용한 OPC 방법, 및 그 OPC 방법을 이용한 마스크 제조방법{OPC(Optical Proximity Correction) method using multi-OPC model, and methods for manufacturing mask using the OPC method}

본 발명의 기술적 사상은 마스크 제조방법에 관한 것으로, 특히 OPC 방법 및 그 OPC 방법을 이용한 마스크 제조방법에 관한 것이다.

반도체 공정에서, 웨이퍼 등과 같은 반도체 기판 상에 패턴을 형성하기 위하여 마스크를 이용한 포토리소그라피 공정이 수행될 수 있다. 간단하게 정의하면, 마스크는 투명한 기층 소재 상에 불투명한 재질의 패턴 형상이 형성되어 있는 패턴 전사체라고 말할 수 있다. 마스크의 제조 공정을 간단히 설명하면, 먼저 요구되는 회로를 설계하고 상기 회로에 대한 레이아웃을 디자인한 후, OPC(Optical Proximity Correction)을 통해 획득한 디자인 데이터를 MTO(Mask Tape-Out) 디자인 데이터로서 전달한다. 이후, 상기 MTO 디자인 데이터에 기초하여 마스크 데이터 준비(Mask Data Preparation: MDP)를 수행하고, 노광 공정 등의 전공정(Front End Of Line: FEOL)과 결함검사 등의 후공정(Back End Of Line: BEOL)을 수행하여 마스크를 제작할 수 있다.

본 발명의 기술적 사상은, 복잡 OPC 모델의 시뮬레이션의 반복을 최소화하여 전체 OPC 방법의 실행 시간(runtime)을 감소시킬 수 있는 멀티-OPC 모델을 이용한 OPC 방법 및 그 OPC 방법을 이용한 마스크 제조방법을 제공하는 데에 있다.

상기 과제를 해결하기 위하여, 본 발명의 기술적 사상은, 타겟(target) 패턴에 대하여 제1 OPC 모델과 제2 OPC 모델 각각을 이용하여 초기 시뮬레이션을 수행하는 단계; 상기 제1 OPC 모델에 의한 제1 EPE(Edge Placement Error)와 상기 제2 OPC 모델에 의한 제2 EPE 간의 차이인 EPE_diff를 계산하는 단계; 상기 EPE_diff를 이용하여 리-타겟(re-target) 패턴을 생성하는 단계; 상기 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 제1 시뮬레이션을 수행하는 단계; 및 상기 타겟 패턴에 기초하여 제2 OPC 모델을 이용하여 제2 시뮬레이션을 수행하는 단계;를 포함하고, 상기 제1 OPC 모델은 상기 제2 OPC 모델의 에러 경향성을 가지면서 커널(kernel) 함수의 수와 계산 영역이 최소화된 모델인, 멀티-OPC 모델을 이용한 OPC 방법을 제공한다.

또한, 본 발명의 기술적 사상은, 상기 과제를 해결하기 위하여, 제1 OPC 모델을 캘리브레이션 하는 단계; 타겟 패턴에 대하여 제1 OPC 모델과 제2 OPC 모델 각각을 이용하여 초기 시뮬레이션을 수행하는 단계; 상기 초기 시뮬레이션에 의한 컨투어의 존재 여부를 판단하는 단계; 상기 제1 OPC 모델에 의한 제1 EPE와 상기 제2 OPC 모델에 의한 제2 EPE 간의 차이인 EPE_diff를 계산하는 단계; 상기 EPE_diff를 이용하여 리-타겟 패턴을 생성하는 단계; 상기 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 제1 시뮬레이션을 수행하는 단계; 제1 조건의 만족 여부를 판단하는 단계; 상기 타겟 패턴에 기초하여 제2 OPC 모델을 이용하여 제2 시뮬레이션을 수행하는 단계; 및 제2 조건의 만족 여부를 판단하는 단계;를 포함하고, 상기 제1 OPC 모델은 상기 제2 OPC 모델의 에러 경향성을 가지면서 커널 함수의 수와 계산 영역이 최소화된 모델인, 멀티-OPC 모델을 이용한 OPC 방법을 제공한다.

더 나아가, 본 발명의 기술적 사상은, 상기 과제를 해결하기 위하여, 타겟 패턴에 대하여 상기 제1 OPC 모델과 제2 OPC 모델 각각을 이용하여 초기 시뮬레이션을 수행하는 단계; 상기 제1 OPC 모델에 의한 제1 EPE(Edge Placement Error)와 상기 제2 OPC 모델에 의한 제2 EPE 간의 차이인 EPE_diff를 계산하는 단계; 상기 EPE_diff를 이용하여 리-타겟 패턴을 생성하는 단계; 상기 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 제1 시뮬레이션을 수행하는 단계; 상기 타겟 패턴에 기초하여 제2 OPC 모델을 이용하여 제2 시뮬레이션을 수행하는 단계; 상기 제2 시뮬레이션의 결과로서 마스크의 디자인 데이터를 획득하는 단계; 상기 디자인 데이터를 MTO(Mask Tape-Out) 디자인 데이터로서 전달하는 단계; 상기 MTO 디자인 데이터에 기초하여 마스크 데이터를 준비하는 단계; 및 상기 마스크 데이터에 기초하여, 마스크용 기판 상에 노광을 수행하는 단계;를 포함하고, 상기 제1 OPC 모델은 상기 제2 OPC 모델의 에러 경향성을 가지면서 커널 함수의 수와 계산 영역이 최소화된 모델인, 마스크 제조방법을 제공한다.

본 발명의 기술적 사상에 의한 멀티-OPC 모델을 이용한 OPC 방법은, 단순 OPC 모델인 제1 OPC 모델에 적용할 리-타겟 패턴을 생성하고, 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 시뮬레이션을 수행한 후에 타겟 패턴에 대하여 복잡 OPC 모델인 제2 OPC 모델을 이용하여 시뮬레이션을 수행함으로써, 시뮬레이션의 반복을 최소화하여 전체 OPC 방법의 실행 시간을 감소시킬 수 있다.

또한, 본 발명의 기술적 사상에 의한 멀티-OPC 모델을 이용한 OPC 방법은, 제1 OPC 모델을 캘리브레이션 할 때, 제2 OPC 모델과 제1 OPC 모델 후보들 간의 NCC를 계산하여 비용 함수로 활용함으로써, 제2 OPC 모델과 에러 경향이 유사한 제1 OPC 모델을 캘리브레이션 할 수 있다. 그에 따라, 제1 OPC 모델에서 제2 OPC 모델로 변경하는 시점에서 발생할 수 있는 EPE 차이의 증가나 EPE 수렴 관련 문제 등을 해결할 수 있다.

도 1a는 일 실시예에 따른 멀티-OPC 모델을 이용한 OPC 방법의 과정을 개략적으로 보여주는 흐름도이다.
도 1b 및 도 1c는 도 1a의 멀티-OPC 모델을 이용한 OPC 방법에서, 제1 조건의 만족 여부를 판단하는 단계 및 제2 조건의 만족 여부를 판단하는 단계의 구체적인 예시를 보여주는 흐름도들이다.
도 2a 및 도 2b는 멀티-OPC 모델을 이용함에 따라 발생할 수 있는 문제점을 설명하기 위한 개념도 및 그래프이다.
도 3은 도 1a의 멀티-OPC 모델을 이용한 OPC 방법에서, 리-타겟 패턴을 생성하는 단계를 설명하기 위한 개념도이다.
도 4는 일 실시예에 따른 멀티-OPC 모델을 이용한 OPC 방법의 과정을 개략적으로 보여주는 흐름도이다.
도 5는 도 4의 멀티-OPC 모델을 이용한 OPC 방법에서, 제1 OPC 모델을 캘리브레이션 하는 단계를 좀더 상세하게 보여주는 흐름도이다.
도 6은 도 5의 제1 OPC 모델의 캘리브레이션과 관련하여, NCC의 계산 과정을 구체적으로 설명하기 위한 그래프이다.
도 7은 일 실시예에 따른 멀티-OPC 모델을 이용한 OPC 방법의 과정을 개략적으로 보여주는 흐름도이다.
도 8a 및 도 8b는 컨투어의 존재 여부를 판단하는 단계와 관련하여, 추가적인 단계가 필요한 이유를 설명하기 위한 개념도들이다.
도 9는 본 발명의 일 실시예에 따른 OPC 방법을 이용한 마스크 제조방법의 과정을 개략적으로 보여주는 흐름도이다.

이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고, 이들에 대한 중복된 설명은 생략한다.

도 1a는 일 실시예에 따른 멀티-OPC 모델을 이용한 OPC 방법의 과정을 개략적으로 보여주는 흐름도이고, 도 1b 및 도 1c는 도 1a의 멀티-OPC 모델을 이용한 OPC 방법에서, 제1 조건의 만족 여부를 판단하는 단계 및 제2 조건의 만족 여부를 판단하는 단계의 구체적인 예시를 보여주는 흐름도들이다. 도 2a 및 도 2b는 멀티-OPC 모델을 이용함에 따라 발생할 수 있는 문제점을 설명하기 위한 개념도 및 그래프이고, 도 3은 도 1a의 멀티-OPC 모델을 이용한 OPC 방법에서, 리-타겟 패턴을 생성하는 단계를 설명하기 위한 개념도이다.

도 1a 내지 도 3을 참조하면, 본 실시예의 멀티-OPC(Optical Proximity Correction) 모델을 이용한 OPC 방법은, 먼저, 타겟(target) 패턴에 대하여 제1 OPC 모델과 제2 OPC 모델 각각을 이용하여 초기 시뮬레이션을 수행한다(S110). 여기서, 타겟 패턴은, 기판 상에 형성할 패턴을 의미하며, 일반적으로 마스크 상의 패턴이, 노광 공정을 통해 웨이퍼와 같은 기판 상에 전사되어 형성되는 패턴에 해당할 수 있다. 노광 공정의 특성상 일반적으로 기판 상의 타겟 패턴의 형태와 마스크 상의 패턴의 형태는 다를 수 있다. 또한, 마스크 상의 패턴은 축소 투영되어 기판 상에 전사되므로, 마스크 상의 패턴은 기판 상의 타겟 패턴보다는 큰 사이즈를 가질 수 있다.

한편, 일반적인 OPC 방법은, 패턴이 미세화됨에 따라 이웃하는 패턴들 간의 영향에 의한 광 근접 현상(Optical Proximity Effect: OPE)이 노광 공정 중에 발생하고, 이를 극복하기 위해서 마스크 상의 패턴의 레이아웃을 보정하여 OPE 발생을 억제하는 방법을 말한다. 일반적인 OPC 방법은 해당 타겟 패턴에 대한 광학적 이미지 생성, OPC의 모델 생성, 및 OPC 모델을 이용한 시뮬레이션을 통해 마스크의 디자인 데이터 획득의 과정 등을 포함할 수 있다. 일반적인 OPC 방법과 관련하여, 차후, 제2 시뮬레이션을 수행하는 단계(S160)의 설명 부분에서 좀더 상세히 설명한다.

멀티-OPC 모델을 이용한 OPC 방법(이하, 편의상 '멀티-모델 OPC 방법'이라 한다)은, 타겟 패턴의 시뮬레이션을 위한 OPC 모델로서, 제1 OPC 모델과 제2 OPC 모델을 함께 이용하는 방법을 의미할 수 있다. 여기서, 제2 OPC 모델은 일반적인 OPC 방법에서 사용하는 복잡(complex) OPC 모델을 의미하고, 제1 OPC 방법은 복잡 OPC 모델을 단순화한 단순(simple) OPC 모델로서, 제2 OPC 모델과 에러 경향성이 유사할 수 있다.

좀더 구체적으로 설명하면, 일반적인 OPC 방법에 사용하는 복잡 OPC 모델, 즉, 제2 OPC 모델은 계산에 이용하는 커널(kernel) 함수가 많고 계산 영역이 광범위하여, 제2 OPC 모델에 의한 시뮬레이션을 통해 타겟 패턴에 대하여 OPC 결과를 얻는데, 과도한 실행 시간(runtime)이 필요할 수 있다. 예컨대, 제2 OPC 모델에 의한 시뮬레이션에 수많은 횟수의 반복(iteration)이 필요할 수 있다. 더욱이, 최근 디자인이 점점 감소(shrink) 하면서, 점점 복잡한 현상이 웨이퍼에서 발생하고, 이를 시뮬레이션하기 위해 제2 OPC 모델도 점점 더 복잡해지고 있으며, 실행 시간 또한, 더욱 증가하고 있다.

단순 OPC 모델, 즉, 제1 OPC 모델은 제2 OPC 모델을 단순화한 모델로서, 시뮬레이션에 이용하는 커널(kernel) 함수 수와 계산 영역이 대폭 축소된 모델을 의미할 수 있다. 또한, 제1 OPC 모델은 제2 OPC 모델과 에러 경향성이 유사할 수 있다. 이러한 제1 OPC 모델에 의한 시뮬레이션을 통해 타겟 패턴에 대하여 OPC 결과를 획득함으로써, 실행 시간(runtime)을 감소시킬 수 있다. 예컨대, 제1 OPC 모델에 의한 시뮬레이션에는 작은 횟수의 반복만이 필요할 수 있다. 다만, 제1 OPC 모델은 타겟 패턴에 대한 정확한 OPC 모델이 아니므로, 제1 OPC 모델에 의한 시뮬레이션 수행 후, 다시 제2 OPC 모델에 의한 시뮬레이션을 수행함으로써, 타겟 패턴에 대한 최종적인 OPC 결과를 얻을 수 있다.

참고로, 단순 OPC 모델을 캘리브레이션(calibration) 할 때에, 측정 데이터와의 에러를 줄이는 방향, 즉 EPE(Edge Placement Error)를 최소화하는 방향으로만 캘리브레이션 하는 경우, 기존 복잡 OPC 모델의 에러 경향성과는 전혀 다른 에러 경향성을 가지는 단순 OPC 모델이 캘리브레이션 될 가능성이 크다. 여기서, EPE는 설정된 EPE 계산 포인트들(evaluation points)에서 계산된 타겟 패턴과 OPC 모델에 의한 컨투어(contour) 사이의 차이를 의미한다.

단순 OPC 모델에 의한 컨투어와 복잡 OPC 모델에 의한 컨투어는 도 2a를 통해 알 수 있듯이, 컨투어 차이가 발생할 수 있다. 그에 따라, 단순 OPC 모델을 적용하여 시뮬레이션을 수행하고, 이후 복잡 OPC 모델을 적용하여 시뮬레이션을 수행하는 경우, 단순 OPC 모델에서 복잡 OPC 모델로 변경하는 시점에서, 단순 OPC 모델에 의한 EPE와 복잡 OPC 모델에 의한 EPE가 크게 차이가 날 수 있다.

예컨대, 도 2b의 그래프를 참조하여 설명하면 다음과 같다. 그래프에서, x 축은 시뮬레이션의 반복 횟수에 대한 번호를 나타내고, y축은 EPE를 나타내며 단위는 임의 단위일 수 있다. 모두 열 번의 시뮬레이션을 수행한다고 할 때, 단순 OPC 모델에 의해 4번의 시뮬레이션을 수행하고, 복잡 OPC 모델에 의해 5번째부터 10번째까지 시뮬레이션을 수행한다고 하자. 단순 OPC 모델에 의한 4번의 시뮬레이션을 통해 EPE가 점점 줄어듦을 알 수 있다. 그러나 복잡 OPC 모델로 변경하면서, 복잡 OPC 모델에 의한 첫 번째 시뮬레이션에서 EPE가 크게 증가함을 볼 수 있다. 이러한 문제점의 발생의 원인은, 결국, 복잡 OPC 모델의 에러 경향성을 고려하지 않고, EPE을 줄이는 방향으로만 단순 OPC 모델을 캘리브레이션 함에 기인할 수 있다.

결과적으로, 복잡 OPC 모델이 더욱 복잡해지고, 복잡 OPC 모델에 의한 반복 횟수도 추가로 더 필요하게 되어 실행 시간이 크게 증가할 수 있다. 또한, 단순 OPC 모델의 각 세그먼트(segment)의 초기 보정 방향이 복잡 OPC 모델을 사용할 때와 달라지면, EPE가 적정 수준까지 수렴하지 못하는 문제가 발생할 수도 있다.

그러나 본 실시예의 멀티-모델 OPC 방법은, 정규화된 상호 상관(Normalized Cross Correlation: NCC)을 이용하여 복잡 OPC 모델인 제2 OPC 모델과 에러 경향성이 유사한 단순 OPC 모델, 즉 제1 OPC 모델을 캘리브레이션 함으로써, 전술한 문제점을 해결할 수 있다. 제1 OPC 모델의 캘리브레이션과 관련하여, 도 4 내지 도 5의 설명 부분에서 좀더 상세히 설명한다.

이후, 제1 OPC 모델에 의한 제1 EPE와 제2 OPC 모델에 의한 제2 EPE 간의 차이인 EPE_diff를 계산한다(S120). 여기서, 제1 EPE는 제1 OPC 모델에 의한 시뮬레이션을 통해 획득한 제1 컨투어와 타겟 패턴 간의 차이에 해당하는 EPE이고, 제2 EPE는 제2 OPC 모델에 의한 시뮬레이션을 통해 획득한 제2 컨투어와 타겟 패턴 간의 차이에 해당하는 EPE를 의미할 수 있다.

EPE_diff 계산 후, EPE_diff를 이용하여 리-타겟(re-target) 패턴을 생성한다(S130). 도 3을 참조하여 리-타겟 패턴을 생성하는 방법을 설명하면 다음과 같다.

도 3에서, 바깥쪽의 직사각형이 타겟 패턴이고, 안쪽 타원이 제1 OPC 모델에 의한 제1 컨투어이며, 바깥쪽의 타원이 제2 OPC 모델에 의한 제2 컨투어이며, 타겟 패턴의 각 세그먼트 상의 작은 네모가 각 세그먼트의 EPE 계산 포인트라고 하자. EPE_diff를 계산하는 단계(S120)에서, EPE 계산 포인트에서 EEP_diff가 계산될 수 있다. 도 3에서, EEP_diff가 제1 컨투어와 제2 컨투어 사이에 선분으로 표시되고 있다. 이후, 각 세그먼트의 EPE 계산 포인트에 계산된 EPE_diff만큼 옵셋(offset)을 주는 방식(화살표 참조)으로 리-타겟 패턴을 생성할 수 있다. 도 3에서 점선의 직사각형이 이와 같은 식으로 새로이 생성된 리-타겟 패턴에 해당하고, 작은 원이 리-타겟 패턴의 각 세그먼트의 EPE 계산 포인트에 해당할 수 있다. 참고로, 도 3에서, 제1 컨투어가 제2 컨투어보다 작으므로 리-타겟 패턴도 타겟 패턴에 비해 작을 수 있다. 그러나 리-타겟 패턴과 타겟 패턴의 사이즈가 그에 한정되는 것은 아니다. 예컨대, 실시예에 따라, 제1 컨투어가 제2 컨투어보다 클 수 있고, 그러한 경우 리-타겟 패턴이 타겟 패턴보다 커질 수도 있다. 또한, 실시예에 따라, 세그먼트 별로 리-타겟 패턴과 타겟 패턴의 상하 또는 좌우 위치가 다를 수도 있다.

이후, 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 제1 시뮬레이션을 수행한다(S140). 제1 OPC 모델에 의한 제1 시뮬레이션은 결국, 리-타겟 패턴에 근접하는 제1 컨투어를 획득하는 과정일 수 있다. 이와 같이 전술한 바와 같은 방법으로 리-타겟 패턴을 생성하고, 리-타겟 패턴에 대하여 제1 OPC 모델에 의한 제1 시뮬레이션을 수행함으로써, 제1 OPC 모델과 제2 OPC 모델 차이로 인해 발생하는 EPE의 차이를 최소화할 수 있고, 또한, 제2 OPC 모델에 의한 시뮬레이션의 반복 횟수를 최소화하면서도 최적의 OPC 결과가 도출되도록 할 수 있다.

제1 시뮬레이션과 관련하여, 제1 조건의 만족 여부를 판단한다(S150). 제1 조건은, 도 1b 또는 도 1c을 통해 알 수 있듯이, 제1 시뮬레이션의 반복 횟수가 제1 기준 반복 횟수보다 큰지 여부일 수 있다. 여기서, 제1 기준 반복 횟수는 제1 OPC 모델에 의한 EPE가 요구되는 수준에 도달하는 데까지 걸리는 제1 시뮬레이션의 평균 반복 횟수 또는 최대 반복 횟수 등을 기반으로 설정될 수 있다. 한편, 제1 조건이 전술한 제1 기준 반복 횟수와의 비교에 한정되는 것은 아니다. 예컨대, 제1 조건은, 하기에서 설명하는 제2 조건의 두 번째와 유사하게, 제1 OPC 모델에 의한 EPE가 요구되는 수준의 기준 EPE 이하인지 여부일 수도 있다. 여기서, EPE는 리-타겟 패턴의 EPE 계산 포인트에서 계산될 수 있다.

제1 조건을 만족하지 않은 경우(No), 제1 시뮬레이션을 수행하는 단계로 이동하여, 제1 시뮬레이션을 수행하는 단계(S140)를 다시 반복한다.

제1 조건을 만족하는 경우(Yes), 타겟 패턴에 대하여 제2 OPC 모델을 이용하여 제2 시뮬레이션을 수행한다(S160). 제2 OPC 모델에 의한 제2 시뮬레이션은 결국, 타겟 패턴에 근접하는 제2 컨투어를 획득하는 과정일 수 있다. 흐름도에 표시하지 않았지만, 제2 시뮬레이션을 수행하기 전에 리-타겟 패턴을 타겟 패턴으로 복귀시키는 과정이 선행될 수 있다.

제2 OPC 모델에 의한 제2 시뮬레이션과 관련하여, 일반적인 OPC 방법에 대해 전반적으로 설명하면 다음과 같다. OPC 방법은 크게 두 가지로 나누어지는데, 하나는 룰 베이스(rule-based) OPC 방법이고, 다른 하나는 시뮬레이션 베이스 또는 모델 베이스(model-based) OPC 방법이다. 본 실시예의 멀티-모델 OPC 방법은, 예컨대, 모델 베이스 OPC 방법에 속할 수 있다. 모델 베이스 OPC 방법은 대량의 테스트 패턴들 모두를 측정할 필요가 없이 대표 패턴들의 측정 결과만을 이용하므로 시간 및 비용 면에서 유리할 수 있다.

한편, OPC 방법은 패턴의 레이아웃의 변형뿐만이 아니라, 패턴의 코너 상에 세리프들(serifs)로 불리는 서브 리소그라피 피쳐들(sub-lithographic features)을 부가하는 방법이나, 스캐터링 바아들(scattering bars)과 같은 서브 레졸루션 어시스트 피쳐들(Sub-Resolution Assist Features: SRAFs)을 부가하는 방법을 포함할 수 있다.

OPC 방법의 수행은, 먼저, OPC를 위한 기본 데이터를 준비한다. 여기서, 기본 데이터는 샘플의 패턴들의 형태에 대한 데이터, 패턴들의 위치, 패턴의 스페이스(space) 또는 라인(line)에 대한 측정과 같은 측정의 종류, 및 기본 측정값 등을 포함할 수 있다. 또한, 기본 데이터는 포토레지스트(Photo Resist: PR)에 대한 두께, 굴절률, 유전 상수 등의 정보를 포함하고, 조명계(illumination system) 형태에 대한 소스 맵을 포함할 수 있다. 물론, 기본 데이터가 상기 예시된 데이터들에 한정되는 것은 아니다.

기본 데이터 준비 후, 광학적 OPC 모델을 생성한다. 광학적 OPC 모델의 생성은 노광 공정에서 디포커스 시작(Defocus Stand: DS) 위치, 베스트 포커스(Best Focus: BF) 위치 등의 최적화를 포함할 수 있다. 또한, 광학적 OPC 모델의 생성은 광의 회절 현상이나 노광 설비 자체의 광학적 상태를 고려한 광학적 이미지의 생성 등을 포함할 수 있다. 물론, 광학적 OPC 모델의 생성이 상기 내용들에 한정되는 것은 아니다. 예컨대, 광학적 OPC 모델의 생성에는 노광 공정에서의 광학적 현상과 관련된 다양한 내용들이 포함될 수 있다.

광학적 OPC 모델 생성 후, PR에 대한 OPC 모델을 생성한다. PR에 대한 OPC 모델의 생성은 PR의 문턱값의 최적화를 포함할 수 있다. 여기서, PR의 문턱값은 노광 공정에서 화학적 변화가 일어나는 문턱값을 의미하며, 예컨대, 문턱값은 노광 광의 세기(Intensity)로 주어질 수 있다. PR에 대한 OPC 모델의 생성은 또한, 여러 PR 모델 폼들에서 적절한 모델 폼을 선택하는 것을 포함할 수 있다.

광학적 OPC 모델과 PR에 대한 OPC 모델을 합쳐서 일반적으로 OPC 모델이라고 한다. 본 실시예의 멀티-모델 OPC 방법에서, 제2 OPC 모델은 광학적 OPC 모델에 해당할 수 있다. 그러나 실시예에 따라, 제2 OPC 모델은 광학적 OPC 모델과 PR에 대한 OPC 모델을 합친 OPC 모델을 의미할 수도 있다. OPC 모델 생성 후, OPC 모델을 이용하여 시뮬레이션을 반복한다. 시뮬레이션은 소정 조건이 만족할 때까지 수행될 수 있다. 예컨대, CD 에러에 대한 RMS(Root Mean Square), EPE, 기준 반복 횟수 등이 시뮬레이션의 반복 조건으로 이용될 수 있다. 이러한 OPC 모델을 이용한 시뮬레이션 수행을 통해 마스크의 디자인 데이터가 획득될 수 있다. 시뮬레이션을 통해 획득한 마스크의 디자인 데이터는 이후에 마스크 제작을 위하여 MTO(Mask Tape-Out) 디자인 데이터로서 마스크 제작팀으로 전달될 수 있다.

다시, 본 실시예의 멀티-모델 OPC 방법으로 돌아와서, 제2 시뮬레이션과 관련하여, 제2 조건의 만족 여부를 판단한다(S170). 제2 조건은, 도 1b를 통해 알 수 있듯이, 제2 시뮬레이션의 반복 횟수가 제2 기준 반복 횟수보다 큰지 여부일 수 있다. 여기서, 제2 기준 반복 횟수는 제2 OPC 모델에 의한 EPE가 요구되는 수준에 도달하는 데까지 걸리는 제2 시뮬레이션의 평균 반복 횟수 또는 최대 반복 횟수 등을 기반으로 설정될 수 있다. 또한, 제2 조건은 도 1c를 통해 알 수 있듯이, 제2 OPC 모델에 의한 EPE가 요구되는 수준인 기준 EPE 이하인지 여부일 수도 있다. 여기서, EPE는 타겟 패턴의 EPE 계산 포인트에서 계산될 수 있다

제2 조건을 만족하지 않은 경우(No), 제2 시뮬레이션을 수행하는 단계로 이동하여, 제2 시뮬레이션을 수행하는 단계(S160)를 다시 반복한다. 제2 조건을 만족하는 경우(Yes), 멀티-모델 OPC 방법을 종료한다.

본 실시예의 멀티-모델 OPC 방법은, 단순 OPC 모델인 제1 OPC 모델에 적용할 리-타겟 패턴을 생성하고, 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 시뮬레이션을 수행한 후에 타겟 패턴에 대하여 복잡 OPC 모델인 제2 OPC 모델을 이용하여 시뮬레이션을 수행함으로써, 시뮬레이션의 반복을 최소화하여 전체 OPC 방법의 실행 시간을 감소시킬 수 있다.

또한, 본 실시예의 멀티-모델 OPC 방법은, 제1 OPC 모델을 캘리브레이션 할 때, 제2 OPC 모델과 제1 OPC 모델 후보들 간의 NCC를 계산하여 비용 함수로 활용함으로써, 제2 OPC 모델과 에러 경향이 유사한 제1 OPC 모델을 캘리브레이션 할 수 있다. 그에 따라, 제1 OPC 모델에서 제2 OPC 모델로 변경하는 시점에서 발생할 수 있는 EPE 차이의 증가나 EPE 수렴 관련 문제 등을 해결할 수 있다.

도 4는 일 실시예에 따른 멀티-OPC 모델을 이용한 OPC 방법의 과정을 개략적으로 보여주는 흐름도이다. 본 1a 내지 도 3의 설명 부분에서 이미 설명한 내용은 간단히 설명하거나 생략한다.

도 4를 참조하면, 본 실시예에 따른 멀티-모델 OPC 방법은, 제1 OPC 모델을 캘리브레이션 하는 단계(S101)를 더 포함한다는 점을 제외하고, 도 1a의 멀티-모델 OPC 방법과 실질적으로 동일할 수 있다. 다시 말해서, 본 실시예에 따른 멀티-모델 OPC 방법에서, 초기 시뮬레이션을 수행하는 단계(S110)부터 제2 조건의 만족 여부를 판단하는 단계(S170)까지는 도 1a의 멀티-모델 OPC 방법에서와 실질적으로 동일할 수 있다.

제1 OPC 모델을 캘리브레이션 하는 단계(S101)는, 단순 OPC 모델인 제1 OPC 모델을 캘리브레이션 하되, 제2 OPC 모델과의 에러 경향성이 유사한 최적의 제1 OPC 모델로 캘리브레이션 하는 과정을 의미할 수 있다. 그러나 전술한 바와 같이, 단순 OPC 모델을 타겟 패턴에 대하여 EPE을 최소화하는 방향으로만 캘리브레이션을 하는 경우, 제2 OPC 모델의 에러 경향성과는 전혀 다른 에러 경향성을 가지는 단순 OPC 모델이 캘리브레이션 될 가능성이 크다. 그러한 단순 OPC 모델을 이용하는 경우, 제2 OPC 모델로 변경하는 시점에서, 제1 OPC 모델을 사용했을 때와 EPE 차이가 크게 발생하여, 제2 OPC 모델이 더욱 복잡하게 되고 실행 시간이 크게 증가할 수 있다. 또한, 심한 경우, EPE가 적정한 수준으로 수렴하지 못하는 문제도 발생할 수 있다.

본 실시예의 멀티-모델 OPC 방법은, 제2 OPC 모델과 제1 OPC 모델 후보들 간의 NCC를 계산하여 비용 함수로 활용함으로써, 제2 OPC 모델과 에러 경향이 유사한 제1 OPC 모델을 캘리브레이션 할 수 있고, 그에 따라, 전술한 문제점을 해결할 수 있다. 제1 OPC 모델의 캘리브레이션과 관련하여, 이하 도 5 및 도 6의 설명 부분에서 상세히 설명한다.

도 5는 도 4의 멀티-OPC 모델을 이용한 OPC 방법에서, 제1 OPC 모델을 캘리브레이션 하는 단계를 좀더 상세하게 보여주는 흐름도이고, 도 6은 도 5의 제1 OPC 모델의 캘리브레이션과 관련하여, NCC의 계산 과정을 구체적으로 설명하기 위한 그래프이다.

도 5를 참조하면, 제1 OPC 모델을 캘리브레이션 하는 단계(S101)는, 먼저, 제2 OPC 모델의 게이지(gauge)별 모델 에러를 계산한다(S101a). 여기서, 게이지는 캘리브레이션에 이용하는 특정 패턴을 의미하고, 모델 에러는 웨이퍼 상의 특정 패턴에 대한 CD 값과, 특정 패턴에 대하여 OPC 모델이 예측한 CD 값과의 차이일 수 있다. 다시 말해서, 제2 OPC 모델의 게이지별 모델 에러는 웨이퍼 상의 패턴별 CD 값과, 그에 대응하는 패턴별 제2 OPC 모델이 예측한 CD 값의 차를 의미할 수 있다.

다음, 제1 OPC 모델 후보들의 게이지별 모델 에러를 계산한다(S101b). 다시 말해서, 제1 OPC 모델 후보들의 게이지별 모델 에러는, 웨이퍼 상의 패턴별 CD 값과, 그에 대응하는 패턴별 제1 OPC 모델 후보들이 예측한 CD 값의 차를 의미할 수 있다.

이후, 제2 OPC 모델과 제1 OPC 모델 후보들 간의 NCC를 계산한다(SS101c). NCC는 하기 식(1)를 통해 계산할 수 있다.

NCC(complex, simple) =

..........식(1)

여기서, NCC는 복잡 OPC 모델과 단순 OPC 모델 후보 간의 정규화된 상호 상관(Normalized Cross Correlation)을 의미하고, NCC 값은 1에 가까울수록 두 모델 간의 유사도가 높음을 의미한다. complex[i]은 복잡 OPC 모델에 의한 게이지별 모델 에러 값을 의미하며, simple[i]은 단순 OPC 모델 후보에 의한 게이지별 모델 에러 값을 의미한다.

도 6을 참조하여, NCC 계산 과정을 구체적으로 설명하면 다음과 같다. 그래프에서, x 축이 각 게이지에 해당하는 번호를 나타내고, y축이 모델 에러를 나타내고 단위는 임의 단위일 수 있다. 직관적으로 제1 OPC 모델 후보 A가 제1 OPC 모델 후보 B보다 제2 OPC 모델에 유사함을 알 수 있다.

유사 정도를 수치화하기 위해 NCC값을 계산해 보면, 하기 계산 과정을 통해 알 수 있듯이, NCC(제2 OPC 모델, 제1 OPC 모델 후보 A) = 0.976이고, NCC(제2 OPC 모델, 제1 OPC 모델 후보 B) = -0.193이다. 따라서, 제1 OPC 모델 후보 A가 제1 OPC 모델 후보 B와 비교하여 제2 OPC 모델에 더 유사한 것을 수치화를 통해 알 수 있다.

NCC(제2 OPC 모델, 제1 OPC 모델 후보 A) =

= 0.976

NCC(제2 OPC 모델, 제1 OPC 모델 후보 B) =

= - 0.193

이후, 비용 함수(cost function)가 최소인 제1 OPC 모델 후보를 제1 OPC 모델로 캘리브레이션 한다(S101d). 제1 OPC 모델의 캘리브레이션은 비용 함수를 최소화하는 방향으로 진행되기 때문에, 예컨대, '1 - NCC' 값을 비용 함수로 사용할 수 있다. 이와 같이 정의된 값을 캘리브레이션의 비용 함수로 사용하면, 제2 OPC 모델과 에러 경향이 유사한 최적의 제1 OPC 모델을 캘리브레이션 할 수 있다.

한편, 위와 같은 방법을 통해 제2 OPC 모델과 에러 경향성이 최대한 유사한 제1 OPC 모델을 캘리브레이션 하였다고 하여도, 여전히 두 OPC 모델 간의 차이는 존재하게 된다. 이 차이는 또한, 제1 OPC 모델에서 제2 OPC 모델로 변경되는 시점에서 EPE의 차이의 증가로 나타날 수 있다. 그에 따라, 제2 OPC 모델을 사용한 시뮬레이션의 반복 횟수가 추가로 더 필요할 수 있고, 또한 EPE의 수렴성에도 영향을 줄 수 있다. 그러한 문제점을 해결하기 위하여, 앞서 설명한 바와 같이, 본 실시예의 멀티-모델 OPC 방법에서는 리-타겟 패턴을 생성하고, 그러한 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 시뮬레이션을 수행함으로써, 전술한 문제점을 해결할 수 있다.

도 7은 일 실시예에 따른 멀티-OPC 모델을 이용한 OPC 방법의 과정을 개략적으로 보여주는 흐름도이고, 도 8a 및 도 8b는 컨투어의 존재 여부를 판단하는 단계와 관련하여, 추가적인 단계가 필요한 이유를 설명하기 위한 개념도들이다. 도 1 내지 도 6의 설명 부분에서 이미 설명한 내용은 간단히 설명하거나 생략한다.

도 7 내지 도 8b를 참조하면, 본 실시예에 따른 멀티-모델 OPC 방법은, 컨투어가 존재하는지 판단하는 단계(S115)와 그에 따른 추가적인 제1 OPC 모델에 의한 시뮬레이션을 반복하는 단계(S117), 그리고 반복 횟수를 판단하는 단계(S150b)에서, 반복 횟수가 설정된 체크 반복 횟수와 동일한 경우에, △EPE_diff 계산 단계(S180) 및 △EPE_diff가 허용 범위 내인지 판단하는 단계(S190)를 더 포함한다는 점에서, 도 4의 멀티-모델 OPC 방법과 다를 수 있다.

좀더 구체적으로 설명하면, 먼저, 제1 OPC 모델을 캘리브레이션 하는 단계(S101)와 초기 시뮬레이션을 수행하는 단계(S110)를 수행한다. 제1 OPC 모델을 캘리브레이션 하는 단계(S101)는 도 1의 설명 부분에서 설명한 바와 같다. 또한, 초기 시뮬레이션을 수행하는 단계(S110)는 도 4의 설명 부분에서 설명한 바와 같다.

이후, 컨투어가 존재하는지 판단한다(S115). 다시 말해서, 초기 시뮬레이션 결과 제1 OPC 모델과 제2 OPC 모델 각각에 의한 컨투어가 획득되는지 판단한다. 대부분의 경우, 초기 시뮬레이션을 통해 제1 OPC 모델에 의한 제1 컨투어와 제2 OPC 모델에 의한 제2 컨투어가 획득되고, 그에 따라, EPE 계산 포인트에서 제1 EPE와 제2 EPE를 계산하여 EPE_diff를 계산할 수 있다. 그러나 요구되는 OPC 바이어스가 크면, 특정 타겟 패턴을 입력으로 초기 시뮬레이션을 수행할 때, 컨투어가 정상적으로 나오지 않는 경우가 때때로 발생할 수 있다.

도 8a 및 도 8b를 참조하여, 좀더 구체적으로 설명하면, 도 8a에 도시된 바와 같이, 타겟 패턴(Pt)을 입력으로 하여 OPC 모델에 의한 시뮬레이션을 통해 컨투어(Con.)를 획득할 수 있다. 한편, 초기 시뮬레이션에서는 컨투어(Con.)가 타겟 패턴(Pt)에서 많이 벗어날 수 있지만, 시뮬레이션의 반복을 통해 컨투어(Con.)가 점차 타겟 패턴(Pt)에 근접할 수 있다. 도 8a에서 외곽의 점선의 네모는 OPC 결과로서 산출되는 마스크 상의 패턴(Pm)에 해당할 수 있다. 보통 타겟 패턴(Pt)과 마스크 상의 패턴(Pm) 사이에는 소정 차이만큼의 OPC 바이어스(OPCbias)가 요구될 수 있다. 이러한 OPC 바이어스는 노광 공정에서의 축소 투영에 기인할 수 있다.

한편, 도 8b와 같이, 타켓 패턴(Pt')이 상대적으로 작은 경우를 고려해 보자, OPC 모델에 의한 시뮬레이션이 수행되면, 컨투어(Con.')가 타겟 패턴(Pt')에 대응하여 작게 산출될 수 있다. 그러나 전술한 바와 같이, 초기 시뮬레이션에서는 컨투어(Con.')가 타겟 패턴(Pt')으로부터 많이 벗어날 수 있다. 그에 따라, OPC 바이어스가 확보되도록, OPC 모델에 의한 시뮬레이션이 수행되면, 컨투어(Con.')가 나타나지 않거나, 전혀 이상한 형태로 나타날 수 있다.

결과적으로, 본 실시예의 멀티-모델 OPC 방법에서는, 전술한 경우를 고려하여, 컨투어의 존재 여부를 판단하는 단계(S115)를 더 포함할 수 있다.

컨투어가 존재하는 경우(Yes), 도 1a의 멀티-모델 OPC 방법에서와 같이, EPE_diff 계산 단계(S120)로 이동한다. 컨투어가 존재하지 않는 경우(Yes), 제1 OPC 모델을 이용하여 지정된 횟수만큼 시뮬레이션을 반복한다(S117). 초기 시뮬레이션에서는 컨투어가 획득되지 않더라도, 시뮬레이션 반복이 되면 타겟 패턴에 근접하는 컨투어가 획득될 수 있다. 또한, 계산 시간을 고려할 때 제2 OPC 모델보다는 제1 OPC 모델에 의한 시뮬레이션의 반복이 유리할 수 있다.

이후, EPE_diff를 계산하는 단계(S120)에서 제2 조건의 만족 여부를 판단하는 단계(S170)까지를 수행한다. 각각의 단계에 대해서는 도 1a 또는 도 4의 설명 부분에서 설명한 바와 같다. 다만, 본 실시예의 멀티-모델 OPC 방법에서는, 도 1a 또는 도 4의 제1 조건의 만족 여부를 판단하는 단계(S150) 대신에 반복 횟수를 판단하는 단계(S150b)로 대체되고, 반복 횟수를 판단하는 단계(S150b)에서 3가지 경우에 대하여 판단할 수 있다.

좀더 구체적으로 설명하면, 반복 횟수를 판단하는 단계(S150b)에서, 시뮬레이션의 반복 횟수가 제1 기준 반복 횟수보다 큰 경우에는 제2 시뮬레이션을 수행하는 단계(S160)로 이동하고, 제1 기준 반복 횟수 이하인 경우에는 제1 시뮬레이션을 수행하는 단계로 이동한다(S140). 한편, 반복 횟수가 설정된 체크 반복 횟수와 동일한 경우에는, △EPE_diff를 계산하는 단계(S180)로 이동한다. 여기서, △EPE_diff는 최초 계산한 EPE_diff와 체크 반복 횟수에서 계산한 EPE_diff 간의 차이를 의미하고, 체크 반복 횟수는 제1 기준 반복 횟수 이하로 설정될 수 있다. △EPE_diff를 계산 후, △EPE_diff가 허용 범위 내인지 판단한다(S190).

△EPE_diff를 계산하는 이유는 다음과 같다. 때때로 EPE 차이가 제1 OPC 모델을 적용한 처음과 마지막에서 크게 나타날 수 있다. 이는 리-타겟 패턴이 타겟 패턴에서 과도하게 벗어난 데에서 기인할 수 있다. 따라서, 리-타겟 패턴이 타겟 패턴에서 과도하게 벗어난 경우, 리-타켓 패턴을 수정할 필요가 있다. 또한, △EPE_diff를 계산함으로써, 리-타겟 패턴의 허용 범위를 판단할 수 있다.

△EPE_diff가 허용 범위 내인 경우(Yes), 리-타겟 패턴이 여전히 유효하다고 보고 제1 시뮬레이션을 수행하는 단계(S140)로 이동한다. 그러나 △EPE_diff가 허용 범위를 벗어낫 경우(No), 리-타겟 패턴에 문제가 있는 것으로 판단하여 리-타겟 패턴을 생성하는 단계(S120)로 이동하여 리-타겟 패턴을 다시 생성한다.

도 9는 본 발명의 일 실시예에 따른 OPC 방법을 이용한 마스크 제조방법의 과정을 개략적으로 보여주는 흐름도이다.

도 9를 참조하면, 본 실시예의 OPC 방법을 이용한 마스크 제조방법(이하, 간단히 '마스크 제조방법'이라 한다), 초기 시뮬레이션을 수행하는 단계(S110)에서 제2 조건의 만족 여부를 판단하는 단계(S170)까지를 순차적으로 수행한다. 초기 시뮬레이션을 수행하는 단계(S110)부터 제2 조건의 만족 여부를 판단하는 단계(S170)는 도 1a의 멀티-모델 OPC 방법에 해당하고, 각각의 단계에 대한 내용은 도 1a의 설명 부분에서 설명한 바와 같다. 한편, 본 실시예의 마스크 제조방법은 도 1a의 멀티-모델 OPC 방법만을 포함하는 것은 아니다. 예컨대, 본 실시예의 마스크 제조방법은 도 1b, 도 1c, 도 4, 또는 도 7의 멀티-모델 OPC 방법을 포함할 수도 있다.

제2 조건의 만족 여부를 판단하는 단계(S170)에서, 제2 조건이 만족한 경우(Yes), 마스크에 대한 디자인 데이터를 획득한다(S175). 디자인 데이터는 제2 조건이 만족할 때까지 제2 OPC 모델에 의한 시뮬레이션을 수행한 결과값에 해당할 수 있다.

디자인 데이터 획득 후, 디자인 데이터를 MTO(Mask Tape-Out) 디자인 데이터로서 전달한다(S210). 일반적으로, MTO는 OPC 방법을 통해 획득한 최종 마스크의 디자인 데이터를 마스크 제작팀으로 넘겨 마스크 제작을 의뢰하는 것을 의미할 수 있다. 따라서, MTO 디자인 데이터는 결국, OPC 방법을 통해 획득한 마스크에 대한 디자인 데이터에 해당할 수 있다. 이러한 MTO 디자인 데이터는 전자 설계 자동화(Electronic Design Automation: EDA) 소프트웨어 등에서 사용되는 그래픽 데이터 포맷을 가질 수 있다. 예컨대, MTO 디자인 데이터는 GDS2(Graphic Data System Ⅱ), OASIS(Open Artwork System Interchange Standard) 등의 데이터 포맷을 가질 수 있다.

MTO 디자인 데이터의 전달 후, 마스크 데이터 준비(Mask Data Preparation: MDP)를 수행한다(S220). 마스크 데이터 준비는 예컨대, 분할(fracturing)로 불리는 포맷 변환, 기계식 판독을 위한 바코드, 검사용 표준 마스크 패턴, 잡-덱(job deck) 등의 추가(augmentation), 그리고 자동 및 수동 방식의 검증을 포함할 수 있다. 여기서 잡-덱은 다중 마스크 파일들의 배치정보, 기준 도우즈(dose), 노광 속도나 방식 등의 일련의 지령에 관한 텍스트 파일을 만드는 것을 의미할 수 있다.

한편, 포맷 변환, 즉 분할(fracturing)은 MTO 디자인 데이터를 각 영역별로 분할하여 전자빔 노광기용 포맷으로 변경하는 공정을 의미할 수 있다. 분할에는 예컨대, 크기 조절(Scaling), 데이터의 정립(sizing), 데이터의 회전, 패턴 반사, 색상 반전 등의 데이터 조작이 포함될 수 있다. 분할을 통한 변환 과정에서, 설계 데이터로부터 웨이퍼 상의 이미지로의 전달과정 중의 어디에선가 발생할 수 있는 수많은 계통 오차들(systematic errors)에 대한 데이터가 보정될 수 있다. 상기 계통 오차들에 대한 데이터 보정 공정을 마스크 프로세스 보정(Mask Process Correction: MPC)이라고 부르며, 예컨대 CD 조절이라고 부르는 선폭 조절 및 패턴 배치 정밀도를 높이는 작업 등이 포함될 수 있다. 따라서, 분할은 최종 마스크의 품질 향상에 기여할 수 있고 또한 마스크 프로세스 보정을 위해 선행적으로 수행되는 공정일 수 있다. 여기서, 계통 오차들은 노광 공정, 마스크 현상(development) 및 에칭(etching) 공정, 그리고 웨이퍼 이미징 공정 등에서 발생하는 왜곡에 의해서 유발될 수 있다.

한편, 마스크 데이터 준비는 MPC를 포함할 수 있다. MPC는 전술한 바와 같이 노광 공정 중에 발생하는 에러, 즉 계통 오차를 보정하는 공정을 말한다. 여기서, 노광 공정은 전자빔 쓰기(Writing), 현상, 에칭, 베이크(bake) 등을 전반적으로 포함하는 개념일 수 있다. 덧붙여, 노광 공정 전에 데이터 프로세싱이 수행될 수 있다. 데이터 프로세싱은 일종의 마스크 데이터에 대한 전처리 과정으로서, 마스크 데이터에 대한 문법 체크, 노광 시간 예측 등을 포함할 수 있다.

마스크 데이터 준비 후, 마스크 데이터를 기반으로 하여 마스크용 기판을 노광한다(S230). 여기서, 노광은 예컨대, 전자빔 쓰기를 의미할 수 있다. 여기서, 전자빔 쓰기는 예컨대, 멀티-빔 마스크 노광기(Multi-Beam Mask Writer: MBMW)를 이용한 그레이 노광(Gray Writing) 방식으로 진행할 수 있다. 또한, 전자빔 쓰기는 가변 형상 빔(Variable Shape Beam: VSB) 노광기를 이용하여 수행할 수도 있다.

한편, 마스크 데이터 준비 단계 이후, 노광 공정 전에 마스크 데이터를 픽셀 데이터로 변환하는 과정이 수행될 수 있다. 픽셀 데이터는 실제의 노광에 직접 이용되는 데이터로서, 노광 대상이 되는 형상에 대한 데이터와 그 각각에 할당된 도우즈에 대한 데이터를 포함할 수 있다. 여기서, 형상에 대한 데이터는 벡터 데이터인 형상 데이터가 래스터라이제이션(rasterization) 등을 통해 변환된 비트-맵(bit-map) 데이터일 수 있다.

노광 공정 후, 일련의 공정들을 진행하여 마스크를 완성한다(S240). 일련의 공정들은 예컨대, 현상, 식각, 및 세정 등의 공정을 포함할 수 있다. 또한, 마스크 제조를 위한 일련의 공정에는 계측 공정, 결함 검사나 결함 수리 공정이 포함될 수 있다. 또한, 펠리클(pellicle) 도포 공정이 포함될 수도 있다. 여기서 펠리클 도포 공정은 최종 세척과 검사를 통해서 오염입자나 화학적 얼룩이 없다고 확인이 되면, 마스크 표면을 마스크의 배송 및 마스크의 가용수명 기간 동안 후속적인 오염으로부터 마스크를 보호하기 위해서 펠리클을 부착하는 공정을 의미할 수 있다.

본 실시예의 마스크 제조방법에서, 마스크는 DUV용 마스크 또는 EUV용 마스크일 수 있다. 그러나 마스크가 DUV용 마스크 또는 EUV용 마스크에 한정되는 것은 아니다. 예컨대, 마스크는 DUV나 EUV 이외의 다른 파장용 마스크일 수도 있다.

본 실시예의 마스크 제조방법은, 멀티-모델 OPC 방법을 포함할 수 있다. 그에 따라, 멀티-모델 OPC 방법에 기초하여, 전체 OPC 방법의 실행 시간을 감소시킬 수 있고, 또한, EPE 차이의 증가나 EPE 수렴 관련 문제를 해결할 수 있다. 결과적으로 본 실시예의 마스크 제조방법은, 마스크의 제조 과정의 시간을 최소화하면서도 신뢰성 잇는 마스크를 제조할 수 있도록 한다.

지금까지, 본 발명을 도면에 도시된 실시예를 참고로 설명하였으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (10)

1. 타겟(target) 패턴에 대하여 제1 OPC 모델과 제2 OPC 모델 각각을 이용하여 초기 시뮬레이션을 수행하는 단계;
   상기 제1 OPC 모델에 의한 제1 EPE(Edge Placement Error)와 상기 제2 OPC 모델에 의한 제2 EPE 간의 차이인 EPE_diff를 계산하는 단계;
   상기 EPE_diff를 이용하여 리-타겟(re-target) 패턴을 생성하는 단계;
   상기 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 제1 시뮬레이션을 수행하는 단계; 및
   상기 타겟 패턴에 기초하여 제2 OPC 모델을 이용하여 제2 시뮬레이션을 수행하는 단계;를 포함하고,
   상기 제1 OPC 모델은 상기 제2 OPC 모델의 에러 경향성을 가지면서 커널(kernel) 함수의 수와 계산 영역이 최소화된 모델인, 멀티-OPC 모델을 이용한 OPC 방법.
2. 제1 항에 있어서,
   상기 초기 시뮬레이션을 수행하는 단계 전에,
   상기 제1 OPC 모델을 캘리브레이션(calibration) 하는 단계를 더 포함하는 것을 특징으로 하는 OPC 방법.
3. 제2 항에 있어서,
   상기 제1 OPC 모델의 캘리브레이션은 하기 식(1)의 NCC를 비용 함수(cost function)로 이용하며,
   NCC(complex, simple) =
   

   

   ..........식(1)
   여기서, 상기 NCC는 상기 제2 OPC 모델과 제1 OPC 모델 후보 간의 정규화된 상호 상관(Normalized Cross Correlation)을 의미하고, complex[i]은 상기 제2 OPC 모델에 의한 게이지(gauge)별 에러 값을 의미하며, simple[i]은 상기 제1 OPC 모델 후보의 의한 게이지별 에러 값을 의미하며,
   상기 비용 함수는 1-NCC로 나타나고,
   상기 비용 함수를 최소로 하는 상기 제1 OPC 모델 후보를 상기 제1 OPC 모델로 캘리브레이션 하는 것을 특징으로 하는 OPC 방법.
4. 제1 OPC 모델을 캘리브레이션 하는 단계;
   타겟 패턴에 대하여 제1 OPC 모델과 제2 OPC 모델 각각을 이용하여 초기 시뮬레이션을 수행하는 단계;
   상기 초기 시뮬레이션에 의한 컨투어의 존재 여부를 판단하는 단계;
   상기 제1 OPC 모델에 의한 제1 EPE와 상기 제2 OPC 모델에 의한 제2 EPE 간의 차이인 EPE_diff를 계산하는 단계;
   상기 EPE_diff를 이용하여 리-타겟 패턴을 생성하는 단계;
   상기 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 제1 시뮬레이션을 수행하는 단계;
   제1 조건의 만족 여부를 판단하는 단계;
   상기 타겟 패턴에 기초하여 제2 OPC 모델을 이용하여 제2 시뮬레이션을 수행하는 단계; 및
   제2 조건의 만족 여부를 판단하는 단계;를 포함하고,
   상기 제1 OPC 모델은 상기 제2 OPC 모델의 에러 경향성을 가지면서 커널 함수의 수와 계산 영역이 최소화된 모델인, 멀티-OPC 모델을 이용한 OPC 방법.
5. 제4 항에 있어서,
   상기 제1 OPC 모델의 캘리브레이션은, 상기 제2 OPC 모델과 제1 OPC 모델 후보들 간의 정규화된 상호 상관(NCC)을 비용 함수로 이용하는 것을 특징으로 하는 OPC 방법.
6. 타겟 패턴에 대하여 상기 제1 OPC 모델과 제2 OPC 모델 각각을 이용하여 초기 시뮬레이션을 수행하는 단계;
   상기 제1 OPC 모델에 의한 제1 EPE(Edge Placement Error)와 상기 제2 OPC 모델에 의한 제2 EPE 간의 차이인 EPE_diff를 계산하는 단계;
   상기 EPE_diff를 이용하여 리-타겟 패턴을 생성하는 단계;
   상기 리-타겟 패턴에 대하여 제1 OPC 모델을 이용하여 제1 시뮬레이션을 수행하는 단계;
   상기 타겟 패턴에 기초하여 제2 OPC 모델을 이용하여 제2 시뮬레이션을 수행하는 단계;
   상기 제2 시뮬레이션의 결과로서 마스크의 디자인 데이터를 획득하는 단계;
   상기 디자인 데이터를 MTO(Mask Tape-Out) 디자인 데이터로서 전달하는 단계;
   상기 MTO 디자인 데이터에 기초하여 마스크 데이터를 준비하는 단계; 및
   상기 마스크 데이터에 기초하여, 마스크용 기판 상에 노광을 수행하는 단계;를 포함하고,
   상기 제1 OPC 모델은 상기 제2 OPC 모델의 에러 경향성을 가지면서 커널 함수의 수와 계산 영역이 최소화된 모델인, 마스크 제조방법.
7. 제6 항에 있어서,
   상기 초기 시뮬레이션을 수행하는 단계 전에, 상기 제1 OPC 모델을 캘리브레이션 하는 단계;
   상기 EPE_diff를 계산하는 단계 전에, 상기 초기 시뮬레이션에 의한 컨투어의 존재 여부를 판단하는 단계;
   상기 제2 시뮬레이션을 수행하는 단계 전에, 제1 조건의 만족 여부를 판단하는 단계; 및
   상기 제2 시뮬레이션을 수행하는 단계 후에, 제2 조건의 만족 여부를 판단하는 단계;를 더 포함하는 것을 특징으로 하는 마스크 제조방법.
8. 제7 항에 있어서,
   상기 제1 OPC 모델의 캘리브레이션은, 상기 제2 OPC 모델과 제1 OPC 모델 후보들 간의 정규화된 상호 상관을 비용 함수로 이용하며,
   상기 컨투어가 존재하는 경우에, 상기 EPE_diff를 계산하는 단계로 이동하고,
   상기 컨투어가 존재하지 않은 경우, 상기 제1 OPC 모델을 이용하여 설정된 횟수만큼 시뮬레이션을 반복하고, 상기 초기 시뮬레이션을 수행하는 단계로 이동하는 것을 특징으로 하는 마스크 제조방법.
9. 제7 항에 있어서,
   상기 제1 조건은, 상기 제1 OPC 모델의 시뮬레이션의 반복 횟수가 제1 기준 반복 횟수보다 큰지 여부이고,
   상기 제1 조건의 만족 여부를 판단하는 단계에서, 상기 제1 조건의 만족 여부에 따라, 상기 제1 시뮬레이션을 수행하는 단계, 또는 상기 제2 시뮬레이션을 수행하는 단계로 이동하며,
   상기 반복 횟수가 설정된 체크 반복 횟수와 동일한 경우에,
   첫 번째 EPE_diff와 상기 체크 반복 횟수에서의 EPE_diff의 차이인 △EPE_diff를 계산하는 단계; 및
   상기 △EPE_diff가 허용 범위 내인지 판단하는 단계;를 더 포함하고,
   상기 △EPE_diff가 허용 범위 내인 경우, 상기 제1 시뮬레이션을 수행하는 단계로 이동하고,
   상기 △EPE_diff가 허용 범위를 벗어난 경우, 상기 리-타겟 패턴을 생성하는 단계로 이동하는 것을 특징으로 하는 마스크 제조방법.
10. 제17 항에 있어서,
    상기 제2 조건은,
    상기 제2 OPC 모델의 시뮬레이션의 반복 횟수가 제2 기준 반복 횟수보다 큰지 여부, 또는 상기 제2 OPC 모델에 의한 EPE가 기준 EPE 이하인지 여부이고,
    상기 제2 조건의 만족 여부를 판단하는 단계에서,
    상기 제2 조건을 만족하지 않은 경우에, 상기 제2 시뮬레이션을 수행하는 단계로 이동하는 것을 특징으로 하는 마스크 제조방법.

Images