KR20210121159A - 전자 설계의 피처들을 분류하기 위한 방법 및 시스템 - Google Patents

Abstract

전자 설계를 위한 패턴에서 피처들을 매칭시키는 방법은 반도체 또는 평판 디스플레이에 대한 패턴 데이터 세트를 입력하는 단계를 포함하며, 여기서 패턴 데이터 세트는 복수의 피처들을 포함한다. 복수의 피처들의 각 피처는 분류되며, 여기서 분류는 영역의 형상에 의해 정의된 기하학적 콘텍스트를 기반으로 한다. 분류는 기계 학습 기술을 사용한다.

Description

전자 설계의 피처들을 분류하기 위한 방법 및 시스템

관련 출원

본 출원은 2020년 2월 18일에 출원된 "전자 설계의 피처들을 분류하기 위한 방법 및 시스템"이라는 명칭의 미국 정규 특허 출원 번호 제16/793,390호에 대한 우선권을 주장하며; 이는 2019년 2월 25일에 출원된 "반도체 또는 평면 패널 디스플레이 형상 데이터의 피처들을 분류하기 위한 방법 및 시스템"이라는 명칭의 미국 가특허 출원 번호 제62/810,168호에 대한 우선권을 주장하며; 이들은 모든 목적을 위해 그 전체가 본원에 참고로 포함된다.

본 개시는 리소그래피(lithography)에 관한 것으로, 보다 구체적으로, 하전 입자 빔 리소그래피(charged particle beam lithography)를 사용하는, 레티클(reticle), 웨이퍼(wafer), 또는 임의의 다른 표면일 수 있는 표면의 설계 및 제조에 관한 것이다.

리소그래피에서 리소그래피 마스크 또는 레티클은 기판 상에 통합될 회로 구성 요소에 대응하는 기하학적 패턴을 포함한다. 레티클을 제조하는 데 사용되는 패턴은 컴퓨터 지원 설계(computer-aided design, CAD) 소프트웨어 또는 프로그램을 사용하여 생성될 수 있다. 패턴을 설계할 때, CAD 프로그램은 레티클을 생성하기 위해 미리 결정된 설계 규칙들의 세트를 따를 수 있다. 이러한 규칙들은 처리, 설계 및 최종 사용 제한(end-use limitation)에 의해 설정된다. 최종 사용 제한의 예시는 필요한 공급 전압에서 충분히 작동할 수 없는 방식으로 트랜지스터의 기하학적 구조를 정의하는 것이다. 특히, 설계 규칙은 회로 디바이스들 또는 상호 연결 라인들 사이의 공간 허용 오차(space tolerance)를 정의할 수 있다. 예를 들어, 설계 규칙은 회로 디바이스들 또는 라인들이 바람직하지 않은 방식으로 서로 상호 작용하지 않도록 하는 데 사용된다. 예를 들어, 라인들이 단락 회로를 야기할 수 있는 방식으로 서로 너무 가까워지지 않도록 설계 규칙이 사용된다. 설계 규칙 제한은 무엇보다도 안정적으로 제작될 수 있는 가장 작은 치수를 반영한다. 이러한 작은 치수를 언급할 때, 일반적으로 임계 치수(critical dimension)의 개념을 도입한다. 예를 들어, 이들은 피처(feature)의 중요한 폭 또는 영역 또는 두 피처들 사이의 중요한 공간 또는 중요한 공간 영역들로 정의되며, 이러한 치수는 정교한 제어가 필요하다. 집적 회로 설계의 특성으로 인해, 설계의 많은 패턴들이 다른 위치들에서 반복된다. 패턴은 수백 번 또는 수천 번 반복될 수 있다-패턴의 각 카피(copy)를 인스턴스(instance)라고 한다. 이러한 패턴에서 설계 규칙 위반이 발견되면, 패턴의 각 인스턴스에 대해 하나씩-수백 또는 수천 개의 위반들이 보고될 수 있다.

광학 리소그래피에 의한 집적 회로 제조의 한 가지 목표는 레티클을 사용하여 기판에 원래 회로 설계를 재현하는 것이며, 마스크 또는 포토마스크라고도 하는 레티클은 하전 입자 빔 리소그래피를 사용하여 노출될 수 있는 표면이다. 집적 회로 제조자는 항상 가능한 한 효율적으로 반도체 웨이퍼 공간을 사용하려고 시도한다. 엔지니어들은 집적 회로가 더 많은 회로 요소들을 포함하고 더 적은 전력을 사용할 수 있도록 회로 크기를 계속 축소시키고 있다. 집적 회로 임계 치수의 크기가 감소하고 회로 밀도가 증가함에 따라, 회로 패턴 또는 물리적 설계의 임계 치수는 기존 광학 리소그래피에 사용되는 노광 툴(optical exposure tool)의 해상도 한계(resolution limit)에 접근한다. 회로 패턴의 임계 치수가 작아지고 노광 툴의 해상도 값에 가까워짐에 따라, 레지스트 층에 현상된(developed) 실제 회로 패턴에 대한 물리적 설계의 정확한 전사(transcription)가 어려워진다. 광학 리소그래피 프로세스에서 사용되는 광 파장보다 작은 피처를 갖는 패턴을 전사하기 위해 광학 리소그래피를 더 사용하기 위해, 광학 근접 보정(optical proximity correction, OPC)으로 알려진 프로세스가 개발되었다. OPC는 물리적 설계를 변경하여 광학 회절(optical diffraction) 및 피처와 인접 피처의 광학적 상호 작용과 같은 효과로 인한 왜곡을 보상한다. 레티클을 사용하여 수행되는 해상도 향상 기술에는 OPC 및 역 리소그래피 기술(inverse lithography technology, ILT)이 포함된다.

OPC는 원래의 물리적 설계 패턴, 즉 설계와 기판의 최종 전사된 회로 패턴 사이의 차이를 줄이기 위해 마스크 패턴에 하위 해상도 리소그래피 피처들을 추가할 수 있다. 하위 해상도 리소그래피 피처들은 물리적 설계의 원래 패턴과 그리고 서로 상호 작용하고 근접 효과를 보상하여 최종 전사된 회로 패턴을 개선한다. 패턴 전사를 개선하기 위해 추가된 하나의 피처를 "세리프(serif)"라고 한다. 세리프는 특정 피처의 제조 변형(manufacturing variation)에 대한 정밀도 또는 복원력을 향상시키는 작은 피처이다. 세리프의 예시는 최종 전사된 이미지의 코너를 선명하게 하기 위해 패턴의 코너에 위치하는 작은 피처이다. 기판에 인쇄하려는 패턴을 주요 피처라고 한다. 세리프는 주요 피처의 일부이다. 레티클에 기록할 OPC-장식 패턴을 주요 피처, 즉, OPC 장식 이전의 설계를 반영하는 피처와 OPC 피처가 세리프, 조그, 하위 해상도 지원 피처(sub-resolution assist feature, SRAF) 및 네가티브 피처(negative feature)를 포함할 수 있는 OPC 피처로 논하는 것이 관례이다. OPC 피처는 광학 리소그래피를 사용하여 웨이퍼로 전사될 수 있는 가장 작은 피처의 크기를 기반으로 하는 규칙과 같은 다양한 설계 규칙의 적용을 받는다. 다른 설계 규칙은 마스크 제조 공정에서, 또는 캐릭터 투영(character projection) 하전 입자 빔 기록 시스템이 레티클에 패턴을 형성하는 데 사용되는 경우, 스텐실 제조 프로세스(stencil manufacturing process)에서 나올 수 있다.

광학 리소그래피에서, 레티클 또는 포토마스크에 원하는 패턴을 제조하는 것은 중요한 단계이다. 포토마스크의 패턴은 광학 리소그래피 프로세스 중에 복제되기 때문에, 광학 리소그래피 단계 동안 기판에 결함이 인쇄되도록 하는 포토마스크에 결함이 있을 수 없다. 따라서 새로 제조된 포토마스크를 검사하여, 이러한 잠재적 결함을 감지한다. 잠재적인 결함을 추가로 분석하여, 결함이 실제 결함인지 확인하고 생산에 마스크를 사용하기 전에 수리해야 한다.

전자 설계를 위한 패턴에서 피처들을 매칭시키는 방법은 반도체 또는 평판 디스플레이에 대한 패턴 데이터 세트를 입력하는 단계를 포함하며, 여기서 패턴 데이터 세트는 복수의 피처들을 포함한다. 복수의 피처들의 각 피처는 분류되며, 여기서 분류는 영역의 형상에 의해 정의된 기하학적 콘텍스트(context)를 기반으로 한다. 분류는 기계 학습 기술을 사용한다.

도 1은 압축 인코딩(compressed encoding)으로서의 이미지 데이터의 표현이다.
도 2a 및 도 2b는 일부 실시 예들에 따른 두 개의 마스크/웨이퍼 이미지 오류 분류를 도시한다.
도 3은 일부 실시 예들에 따른 클러스터(cluster)의 피처들로부터 계산된 평균 이미지(mean image)들을 도시한다.
도 4a 내지 도 4f는 일부 실시 예들에 따른 흐릿함(blurriness)을 기반으로 클러스터링 품질을 측정하는 데 사용되는 예시적인 평균 이미지들을 도시한다.
도 5는 일부 실시 예들에 따른 거리에 따라 분류된 클러스터의 피처들을 도시한다.
도 6은 일부 실시 예들에 따른 GPU 시스템 다이어그램의 개략도이다.
도 7은 일부 실시 예들에 따른 패턴의 피처들을 매칭시키기 위한 방법의 흐름도이다.
도 8은 일부 실시 예들에 따른 각각의 분류에 대한 평균 이미지들을 사용하여 패턴의 피처들을 매칭시키기 위한 방법을 나타내는 흐름도이다.

집적 회로 및 평판(flat panel) 디스플레이와 같은 전자 설계의 설계 및 제조에서, 설계, 제조된 포토마스크 또는 제조된 기판의 2차원(2D) 형상 피처(shape feature)들을 비교하는 데 유용한 여러 프로세스들이 존재한다. 오늘날의 설계에는 매우 많은 피처들이 존재하기 때문에, 비교 속도가 중요하다. 압축된 데이터의 비교는 비교할 데이터가 적기 때문에 이론적으로 압축되지 않은 데이터의 비교보다 빠를 수 있다. 그러나 압축된 표현을 만드는 데 필요한 시간도 고려해야 한다. 표준 압축 기술은 계산하는 데 너무 오래 걸리기 때문에 실현 가능하지 않다. 참조로서 본원에 포함되며, "전자 설계를 위한 형상 데이터 압축을 위한 방법 및 시스템"이라는 명칭의 미국 특허 출원 번호 제16/793,152호에서, 신경망(neural network)을 통한 기계 학습 방식에 의한 데이터 압축은, 본 출원의 도 1에 도시된 바와 같이, 보다 빠른 압축 방법을 생성할 수 있다. 신경망 기반 기계 학습을 통해 도출된 인코더(encoder)(104)에 의해 마스크 이미지(입력(100))가 압축되면, 압축된 데이터(106)("인코딩된 이미지 벡터"로 라벨링됨)는 분류를 위해 사용될 수 있다. 본 실시 예들에서, 압축된 데이터의 분석을 향상시키는 고유한 분류 기술이 설명된다.

집적 회로 또는 평판 디스플레이 설계의 2차원 데이터는 예를 들어 일반화된 라인 아트(line art)에 비해 가능한 피처 유형이 매우 제한적이다. 유사하게, 제조된 포토마스크 또는 제조된 기판의 주사 전자 현미경(scanning electron microscope, SEM) 포토그래프에서 발견되는 피처의 유형은 상당히 제한적이다. 기계 학습 기술을 사용하면, 이러한 제약 조건을 통해 매우 높은 분류 요소를 달성할 수 있다.

일부 실시 예들에서, 자동 인코딩(autoencoding)은 분류 또는 범주화(categorization)를 위해 사용될 수 있다. 도 1의 압축된 데이터(106)에서 이용 가능한 더 많은 피처들을 갖는 것은 모든 피처들을 비교함으로써 이미지들 사이의 유사성을 측정하는 것을 더 간단하게 만든다. 일부 실시 예들에서, 본 방법은 원래 입력(100)(예를 들어, 2D 그림 또는 기타 형상 표현)으로부터 미분화 데이터(undifferentiating data)를 제거하고 전체 공간의 토탈 다차원 체적이 너무 크지 않으면서 높은 정보 밀도(더 많은 피처들)를 갖는 인코딩을 찾아 다차원 범주화 공간이 서로 가까운 유사한 것들과 서로 멀리 떨어진 비유사한 것들을 갖도록 한다. 본 방법은 전체 체적의 더 높은 밀도를 생성하여, 해당 체적에서 검색을 훨씬 더 효율적으로 만든다. 훈련은 일반적인 발생의 빈도를 기반으로 "가중치"를 사용하여 관계들의 네트워크를 미리 계산한다. 분류는 인코더(104)를 주어진 입력에 적용하는 교차점을 찾기 위해 미리 계산된 네트워크에 대한 매우 빠른 평가이다.

기존 방식에서, 기하학적 규칙 검사기(geometric rules checker)는 기하학적 데이터(예를 들어, 마스크 설계 또는 웨이퍼 설계 또는 기타 2차원 기하학적 데이터)를 분석하고, "이 형상들은 최소 간격 규칙에 비해 너무 가깝다" 또는 "이 형상의 이 부분이 최소 크기 규칙에 비해 너무 작다"와 같은 오류를 보고한다. 이러한 오류를 설명하는 데 사용되는 용어는 "에지 배치 오류(edge placement error)" 또는 EPE이다. 반도체(또는 평판 디스플레이) 마스크의 스케일에 적용하면- 예를 들어, 반도체 마스크의 경우 0.1nm 배치 해상도의 대략 130mm x 100mm -실제 문제들 중 하나는 보고된 모든 오류들을 살펴보고 주의해야 할 오류를 파악하는 것이다. 기타 보고된 오류는 XOR에 의해 검출된 오류, 다른 방법에 의한 오류 또는 기타 오류 유형을 포함한다. 모든 오류들은 알려진 규칙 집합에 대해 보고된다.

동일한 규칙을 위반하는 "동일한 유형"의 오류들이 1000개나 되는 경우가 많다. 문제가 오류를 촉발하면, 유사한 상황의 많은 인스턴스(instance)들이 1000개의 오류들을 생성하여 다르지만 주의해야 하는 다른 오류를 가린다. 예를 들어, 1000번 배치된 인스턴스의 단일 규칙 위반은 특정 영역에서 더 심각할 수 있다. 본 개시에서 유사한 배치들, 또는 기하학적 콘텍스트(context)의 분류는 1000개의 오류를 추가로 구별한다.

본 방법은 영역의 형상에 의해 정의된 기하학적 콘텍스트를 기반으로 보고된 오류들을 자동으로 분류하는 분류 엔진(classification engine)을 포함한다. 영역은 예를 들어 마스크 설계의 일부일 수 있다. 본 실시 예에서, 이미지가 마스크, 웨이퍼 또는 설계 형상이라는 가정하에 이미지를 인코딩하는 프로세스는 가능한 형상들 사이의 유사성을 포착하여 인코딩하고, 다양한 어플리케이션에 대한 형상들을 비교하고 분류할 수 있게 한다. 예를 들어, 주어진 설계에 대해 2000개의 오류들이 보고되면, 본 분류 엔진이 자동으로 오류들을 "다른 유형들"로 그룹화한다(잠재적으로 중복되는 방식으로: 단일 대 다중 라벨링과 같은, 하나의 에러가 다중 카테고리들에 있을 수 있음). 단일 라벨 분류(single label classification)에서, 각 오류가 하나의 클래스에 속하도록 클래스들은 배타적인 반면, 다중 라벨 분류(multiple label classification)에서는 각 오류가 둘 이상의 클래스에 속할 수 있다. 이러한 분류는 특정 오류 유형의 식별이 아니라, 영역의 형상의 유사성에 대한 범주화이다.

방법은 반도체 또는 평판 디스플레이를 위한 패턴 데이터 세트를 입력하는 단계를 포함하며, 여기서 패턴 데이터는 복수의 피처들을 포함한다. 복수의 피처들 중 각각의 피처는 기계 학습 기술을 사용하여 분류(classification)들로 분류된다. 분류는 영역의 형상에 의해 정의된 기하학적 콘텍스트를 기반으로 할 수 있다. 패턴 데이터 세트의 피처는 단일 분류 이상일 수 있다. 패턴 데이터 세트는 마스크 검사로부터의 의심스러운 스팟(spot)들의 세트 및/또는 기하학적 검사기로부터의 보고된 오류 세트를 포함할 수 있다. 방법은 또한 입력 패턴 데이터를 압축하는 단계를 포함할 수 있으며, 여기서 분류하는 단계는 압축된 패턴 데이터를 사용한다.

일부 실시 예들에서, 패턴 데이터의 세트는 OPC에 의해 강화된 시뮬레이션된 마스크 데이터를 포함할 수 있다. 시뮬레이트된 마스크 데이터로부터 생성된 시뮬레이트된 윤곽(contour) 세트는 EPE에 대해 검사되어 오류 세트가 발생한다. OPC에 의해 강화된 시뮬레이션된 마스크 데이터와 패턴 데이터 세트에 대한 오류 세트의 추가는 분류될 복수의 피처들을 증가시킨다.

기계 학습을 통한 오류 분류의 중요한 부분은 설계, 마스크 또는 웨이퍼 형상의 2D 윤곽을 자동으로 인코딩하는 것이다. 이러한 "범주화"는 전자 설계 자동화(Electronic Design Automation)에서 이전에 수행되었다. 그러나 일반적으로 기존 범주화에서는 CAD 설계의 직선 형상의 정확한 일치를 사용한다. 대조적으로, 본 실시 예들에서 기계 학습을 사용한 오류 분류는 형상들의 "유사한" 구성들을 식별하거나 곡선 공간에서 작업하여, 반도체 웨이퍼 또는 마스크 또는 평판 디스플레이 또는 이들의 마스크 제조 공간의 제조된 표면의 시뮬레이션된 또는 실제 물리적 사진에 대해 작업할 수 있다. 예를 들어, 도 2a는 일부 실시 예들에 따른 하나의 클러스터(cluster)로 범주화된 이미지 세트를 보여주며 도 2b는 다른 클러스터로 분류된 이미지 세트이다. 도시된 바와 같이, 도 2a 또는 도 2b의 각 클러스터 내의 이미지들은 서로 유사한 피처들을 가지고 있지만, 분류 엔진은 도 2a의 이미지들의 피처들의 배치 및 유형이 도 2b의 배치 및 유형과 다르다는 것을 식별한다. 일부 실시 예들에서, 압축 및/또는 분류는 자동 인코더를 사용한다. 압축으로부터의 인코딩된 피처는 벡터일 수 있다.

출력들은 입력 CAD 형상들(이는 일반적으로 직선 형상이지만 곡선 형상일 수도 있음) 또는 웨이퍼에서 원하는 CAD 형상에 가장 가까운 형상을 가장 잘 생성할 마스크 형상을 설명하는 포스트(post)-OPC 형상들을 기초로 범주화되거나 분류될 수 있다. 포스트-OPC 형상은 일반적으로 직선형이지만, 실시 예들은 VSB-기반 마스크 기록의 직사각형 제한을 갖지 않는 다중 빔 마스크 기록에 의해 활성화되는 곡선 형상도 포함할 수 있다(특히 차세대 OPC 소프트웨어의 출력으로). 출력 형상은 시뮬레이션된 곡선 윤곽을 나타낼 수도 있다.

본 개시의 방법을 SEM(주사 전자 현미경)에 적용하면, 물리적으로 제조된 마스크 또는 웨이퍼의 사진을 사용하여 식별된 결함을 자동으로 범주화할 수 있다. 반도체 제조에서, 마스크의 잠재적인 결함은 전체 마스크의 사진을 찍는 마스크 검사에 의해 식별된다. 그 사진은 흐릿하고 상대적으로 저-해상도이지만 전체 마스크에 대한 것이다. 사진은 추가 검사가 필요한 의심스러운 스팟들을 식별하도록 설계된다. 그 추가 검사는 결함 검사 SEM 기계(거리를 측정하도록 설계된 CD-SEM 기계와 반대)를 사용하여 촬영 및 분석되는 훨씬 더 정확한 SEM 사진을 통해 수행된다. SEM 기계는 세부적으로 매우 선명한 사진을 찍지만 1 mm x 1 mm 에서 10 mm x 10 mm 정도의 필드만 찍을 수 있다. 따라서 검사를 통해 촬영된 전체 필드(Full-field) 마스크 사진에서 의심되는 영역이 식별되고, SEM으로 의심되는 영역의 세부사항을 검사한다. 첨단 기술의(leading-edge) 노드(node)에서, 식별된 의심 영역의 수와 일반적인 생산 마스크의 실제 문제 수는 이전보다 훨씬 많다. 10년 전만 해도, 마스크 문제가 10개 정도는 고쳐졌고, 오류가 너무 많은 마스크는 버려지고 다시 제조되었다. 현재 최첨단 마스크의 경우, 100여 가지의 문제가 일반적이고 수리된다. 제조업체는 더 이상 결함이 있는 마스크를 다시 제조하기로 선택하지 않으며, 이는 새 제품에도 100가지의 (다른) 문제가 있을 가능성이 너무 높기 때문이다. 결함의 수리는 마스크 제조에만 있으며; 웨이퍼는 수리되지 않는다. 마스크에 주어진 오류가 마스크가 생산하는 모든 웨이퍼에 있기 때문에 마스크는 수리할 가치가 있다.

본 실시 예들에서 기계 학습 기반 분류를 사용하면, 하나 또는 몇 개의 의심스러운 스팟들의 SEM 사진에서 실제 문제-즉, 결함-가 없는 것으로 나타나면, 동일한 카테고리에 있는 다른 의심스러운 스팟의 SEM 이미징을 피할 수 있다. 이렇게 하면 마스크를 검사하는 데 필요한 시간을 크게 줄일 수 있다.

일부 실시 예들에서 분류 또는 피처들의 클러스터(즉, 분류는 피처들의 클러스터이다)의 품질은 도 3에 도시된 바와 같은 평균 클러스터 이미지(mean cluster image)를 생성함으로써 결정될 수 있으며, 여기서 이미지들(300, 302, 304, 306, 308, 310, 312, 314)를 포함하는 클러스터에 대한 예시적인 평균 이미지(320) 및 이미지들(330, 332, 334, 336, 338, 340)를 포함하는 클러스터에 대한 평균 이미지(350)가 도시되어 있다. 평균 클러스터 이미지들(320 및 350)에서 명백한 시각적 흐릿함의 양은 분류 또는 피처들의 클러스터에서 서로 다른 피처들의 변화를 나타낸다. 더 많은 흐릿함은 도 4a 내지 도 4f에 도시된 것처럼 더 큰 변화를 나타내며, 여기서 도 4a 및 도 4d에서 변화의 양은 도 4b 및 도 4e보다 적고, 이는 도 4c 및 4f보다 적다. 일부 실시 예들에서, 중심 주변의 피처들에 우선권을 주기 위해 가우시안 필터(Gaussian filter)가 이미지의 중심(예를 들어, 도 4a의 중심(410))에 적용된다. 이러한 선호된 피처들은 DBSCAN(노이즈가 있는 밀도 기반 어플리케이션의 공간 클러스터) 기반 클러스터링 알고리즘이 뒤따르는 자동 인코딩에 사용된다.

일부 실시 예들에서, 피처들의 분류 또는 클러스터의 품질은 분류에서 각각의 피처에 대한 거리 메트릭(distance metric)을 결정하는 것에 의해 추가로 특징화되고, 여기서 거리 메트릭은 평균 클러스터 이미지로부터의 피처의 편차(deviation)를 나타낸다. 일부 실시 예들에서, 거리 메트릭은 분류 내의 피처들의 코사인 거리를 사용하여 측정된다. 도 5에서 분류의 피처들은 계산된 거리 메트릭에 따라 구분되며 거리가 가장 큰 피처들은 구별을 위해 더 높은 우선 순위를 갖는다. 이렇게 하면 다를 수 있는 피처에 우선 순위를 부여하여 약간의 변형을 식별하는 데 도움이 된다. 예를 들어, 도 5의 이미지들(510 및 515)는 도 5의 다른 이미지들과 비교하여 이미지의 오른쪽 상단 에지를 따라 관련 없는 피처를 가지고 있다. 우선 순위가 높은 오류는 별도의 검사가 필요할 수 있다. 더 높은 우선 순위 피처가 다른 오류를 나타내는 것으로 결정되면, 향후 분류를 개선하기 위해 프로세스에 피드백될 수 있다.

도 6은 본 개시에서 설명된 계산을 수행하는데 사용될 수 있는 컴퓨팅 하드웨어 디바이스(600)의 예를 도시한다. 컴퓨팅 하드웨어 디바이스(600)는 메인 메모리(604)가 부착된 중앙 처리 장치(CPU)(602)를 포함한다. CPU는 예를 들어 8개의 처리 코어들을 포함할 수 있으며, 이에 의해 다중 스레드(multi-threaded)인 컴퓨터 소프트웨어의 임의의 부분들의 성능을 향상시킬 수 있다. 메인 메모리(604)의 크기는 예를 들어 64G-바이트일 수 있다. CPU(602)는 PCIe(Peripheral Component Interconnect Express) 버스(620)에 연결된다. 그래픽 처리 장치(GPU)(614)도 PCIe 버스에 연결된다. 컴퓨팅 하드웨어 디바이스(600)에서 GPU(614)는 비디오 모니터와 같은 그래픽 출력 디바이스에 연결되거나 연결되지 않을 수 있다. 그래픽 출력 디바이스에 연결되지 않은 경우, GPU(614)는 순수하게 고속 병렬 계산 엔진으로 사용될 수 있다. 컴퓨팅 소프트웨어는, 모든 계산에 대해 CPU(602)를 사용하는 것과 비교하여, 일부 계산에 대해 GPU를 사용함으로써 훨씬 더 높은 성능을 얻을 수 있다. CPU(602)는 PCIe 버스(620)를 통해 GPU(614)와 통신한다. 다른 실시 예들(도시되지 않음)에서 GPU(614)는 PCIe 버스(620)에 연결되기보다는 CPU(602)와 통합될 수 있다. 디스크 제어기(608)는 또한 예를 들어 디스크 제어기(608)에 연결된 두 개의 디스크들(610)과 함께 PCIe 버스에 부착될 수 있다. 마지막으로, 근거리 통신망(LAN) 제어기(612) 또한 PCIe 버스에 부착될 수 있고 다른 컴퓨터에 기가비트 이더넷(GbE) 연결을 제공한다. 일부 실시 예들에서, 컴퓨터 소프트웨어 및/또는 설계 데이터는 디스크(610)에 저장된다. 다른 실시 예들에서, 컴퓨터 프로그램 또는 설계 데이터 또는 컴퓨터 프로그램과 설계 데이터 모두는 GbE 이더넷을 통해 다른 컴퓨터 또는 파일 서비스 하드웨어로부터 액세스될 수 있다.

도 7은 반도체 또는 평판 디스플레이에 대한 패턴과 같은 전자 설계의 피처들을 매칭시키기 위한 방법을 나타내는 흐름도(700)이다. 흐름(700)은 예를 들어 반도체 또는 평판 디스플레이에 대한 패턴으로 이미 훈련된 자동 인코더를 사용할 수 있다. 흐름(700)은 패턴 데이터 세트를 입력하는 단계(702)로 시작하며, 여기서 패턴 데이터 세트는 반도체 또는 평판 디스플레이에 대한 패턴일 수 있다. 패턴 데이터 세트는 복수의 피처들을 포함한다. 일부 실시 예에서, 패턴 데이터 세트는 SEM 이미지들 또는 시뮬레이션된 SEM 이미지들이고, 패턴 데이터 세트는 마스크 검사로부터의 의심스러운 스팟 세트를 포함할 수 있다. 단계(704)는 패턴 데이터 세트를 분류하기 위해 패턴 데이터 세트에 대해 훈련된 신경망을 사용하는 것을 포함한다. 복수의 피처들의 각 피처는 분류되며, 여기서 분류는 영역의 형상들에 의해 정의된 기하학적 콘텍스트를 기반으로 하고 분류는 기계 학습 기술을 사용한다. 도 7의 일부 실시 예들에서, 패턴 데이터 세트는 기하학적 검사기로부터 보고된 오류 세트를 포함한다. 일부 실시 예들에서, 방법은 분류 단계(704)에 의해 생성된 분류의 각 피처에 대해 단계(708)에서 거리 메트릭을 결정(즉, 계산)하는 단계를 포함한다. 거리 메트릭은 예를 들어 분류 내의 피처들의 코사인 거리를 사용하여 측정될 수 있다. 단계(710)는 각 분류에서 패턴 데이터를 구분하는 것을 포함한다. 단계(712)에서 추가 검사를 위한 패턴 세트의 결정은 각 분류에서 패턴 데이터의 구분에 기초하여 이루어진다.

도 8은 반도체 패턴 또는 평판 디스플레이와 같은 전자 설계를 위한 최적의 OPC 패턴을 결정하기 위한 방법을 나타내는 흐름도(800)이다. 흐름(800)은 예를 들어 반도체 또는 평판 디스플레이에 대한 패턴으로 이미 훈련된 자동 인코더를 사용할 수 있다. 흐름(800)은 패턴 데이터 세트를 입력하는 단계(802)로 시작하며, 여기서 패턴 데이터 세트는 복수의 피처들을 포함한다. 패턴 데이터 세트는 OPC(즉, 마스크 설계를 위한 OPC 패턴)에 의해 강화된 시뮬레이션된 마스크 데이터일 수 있다. 단계(804)는 패턴 데이터 세트를 분류하기 위해 패턴 데이터 세트에 대해 훈련된 신경망을 사용하는 것을 포함한다. 복수의 피처들의 각 피처는 분류되며, 여기서 분류는 영역의 형상에 의해 정의된 기하학적 콘텍스트를 기반으로 하고 분류는 기계 학습 기술을 사용한다. 도 8의 일부 실시 예들에서, 방법은 분류에 의해 생성된 각각의 분류에 대한 평균 이미지 및 분류의 피처들 간의 변동을 결정(즉, 생성)하는 단계(806)를 포함한다. 단계(808)에서, 매칭 패턴의 결정은 분류를 사용하여 이루어질 수 있으며, 예를 들어 마스크 설계를 위한 최적의 OPC 방법을 결정하기 위해 매칭된 피처들이 사용될 수 있다(예를 들어, 도 4a 내지 도 4f와 관련하여 흐릿함에 의해 표시된 바와 같이 편차가 적거나 최소인 그룹화 결정).

도 7 및 8의 실시 예들에서, 방법은 자동 인코더를 사용하는 것과 같이 패턴 데이터의 입력 세트를 압축된 패턴 데이터로 압축하는 것을 포함하고, 여기서 분류(예를 들어, 단계(704) 또는 (804))는 압축된 패턴 데이터를 사용한다. 압축은 인코딩된 피처들을 생성하며, 여기서 자동 인코더에 의해 생성된 각 인코딩된 피처는 벡터의 요소일 수 있다. 도 7 및 8의 실시 예들에서, 분류는 자동 인코더를 사용한다. 분류는 복수의 피처들 내의 피처가 하나 이상의 분류에 있도록 허용할 수 있다. 도 7 및 도 8의 실시 예들에서, 방법은 중심 주변의 피처들에 우선권을 주기 위해 이미지의 중심에 가우시안 필터를 적용하는 단계를 더 포함한다.

본 명세서는 특정 실시 예와 관련하여 상세하게 설명되었지만, 당업자는 전술한 내용을 이해하면 이러한 실시 예에 대한 변경, 변형 및 균등물을 쉽게 생각할 수 있음을 이해할 것이다. 본 방법에 대한 이들 및 기타 수정 및 변형은 첨부된 청구범위에 보다 구체적으로 기재된 본 주제의 범위를 벗어나지 않으면서 당업자에 의해 실시될 수 있다. 또한, 당업자는 전술한 설명이 단지 예시일 뿐이고 제한하려는 의도가 아님을 이해할 것이다. 단계는 본 발명의 범위를 벗어나지 않고 본 명세서의 단계에 추가, 취하거나 수정될 수 있다. 일반적으로 제시된 순서도는 기능을 달성하기 위한 하나의 가능한 기본 작업 순서를 나타내기 위한 것이며 다양한 변형이 가능하다. 따라서, 본 주제는 첨부된 청구범위 및 그 균등물의 범위 내에 있는 그러한 수정 및 변형을 포함하도록 의도된다.

Claims (13)

1. 전자 설계(electronic design)를 위한 패턴(feature)의 피처를 매칭(matching)시키는 방법으로서,
   반도체 또는 평판 디스플레이(flat panel display)에 대한 패턴 데이터 세트를 입력하는 단계-상기 패턴 데이터 세트는 복수의 피처들을 포함 함-; 및
   상기 복수의 피처들에서 각각의 피처를 분류하는 단계를 포함하고, 상기 분류하는 단계는 영역의 형상에 의해 정의된 기하학적 콘텍스트(geometrical context)에 기초하고, 상기 분류하는 단계는 기계 학습(machine learning) 기술을 사용하는, 방법.
2. 제1항에 있어서, 상기 패턴 데이터의 입력 세트를 압축된 패턴 데이터로 압축하는 단계를 더 포함하고, 상기 분류하는 단계는 압축된 패턴 데이터를 사용하는, 방법.
3. 제2항에 있어서, 상기 압축하는 단계는 자동 인코더(autoencoder)를 사용하는, 방법.
4. 제3항에 있어서, 상기 자동 인코더에 의해 생성된 각각의 인코딩된 피처는 벡터의 요소인, 방법.
5. 제1항에 있어서, 상기 분류하는 단계는 자동 인코더를 사용하는, 방법.
6. 제1항에 있어서, 상기 분류하는 단계는 상기 복수의 피처들 내의 피처가 하나보다 많은 분류에 있도록 허용하는, 방법.
7. 제1항에 있어서, 상기 패턴 데이터 세트는 마스크 검사로부터의 의심스러운 스팟(questionable spot)들의 세트를 포함하는, 방법.
8. 제1항에 있어서, 상기 패턴 데이터 세트는 광학 근접 보정(optical proximity correction, OPC)에 의해 강화된 시뮬레이트된(simulated) 마스크 데이터를 포함하는, 방법.
9. 제1항에 있어서, 상기 분류하는 단계 의해 생성된 각각의 분류에 대한 평균 이미지(mean image) 및 상기 분류 내의 상기 복수의 피처들 사이의 변화를 결정하는 단계를 더 포함하는, 방법.
10. 제1항에 있어서, 상기 패턴 데이터 세트는 기하학적 검사기(geometric checker)로부터 보고된 오류 세트를 포함하는, 방법.
11. 제10항에 있어서, 분류하는 단계에 의해 생성된 분류에서, 상기 복수의 피처들 내의 각각의 피처에 대한 거리 메트릭(distance metric)을 결정하는 단계를 더 포함하는, 방법.
12. 제11항에 있어서, 상기 거리 메트릭은 상기 분류 내의 상기 복수의 피처들 내의 피처들의 코사인 거리(cosine distance)를 사용하여 측정되는, 방법.
13. 제1항에 있어서, 이미지의 중심에 가우시안 필터(Gaussian filter)를 적용하여 상기 중심 주변의 피처들에 우선권을 부여하는 단계를 더 포함하는, 방법.

Images