KR20220001262A - 반도체 공정의 근접 보정 방법 - Google Patents

반도체 공정의 근접 보정 방법 Download PDF

Info

Publication number
KR20220001262A
KR20220001262A KR1020200079418A KR20200079418A KR20220001262A KR 20220001262 A KR20220001262 A KR 20220001262A KR 1020200079418 A KR1020200079418 A KR 1020200079418A KR 20200079418 A KR20200079418 A KR 20200079418A KR 20220001262 A KR20220001262 A KR 20220001262A
Authority
KR
South Korea
Prior art keywords
image data
machine learning
learning model
critical dimension
target pattern
Prior art date
Application number
KR1020200079418A
Other languages
English (en)
Inventor
김태훈
정재호
고정훈
김종원
정예진
정창욱
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200079418A priority Critical patent/KR20220001262A/ko
Priority to US17/180,984 priority patent/US11733603B2/en
Priority to CN202110724775.3A priority patent/CN113870173A/zh
Publication of KR20220001262A publication Critical patent/KR20220001262A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • 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
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법은, 반도체 공정을 진행하기 위한 레이아웃 데이터에서 선택한 복수의 샘플 영역들을 원본 이미지 데이터들로 변환하는 단계, 상기 원본 이미지 데이터들 중에서 서로 중복되는 일부를 제거하여 입력 이미지 데이터들을 생성하는 단계, 상기 입력 이미지 데이터들을 기계 학습 모델에 입력하여 상기 입력 이미지 데이터들에 포함되는 타겟 패턴들의 임계 치수(Critical Dimension, CD)에 대한 예측값을 획득하는 단계, 및 상기 반도체 공정을 진행한 반도체 기판에서, 상기 타겟 패턴들에 대응하는 실제 패턴들의 임계 치수에 대한 결과값을 측정하는 단계, 및 상기 예측값과 상기 결과값을 이용하여 상기 기계 학습 모델을 학습시키는 단계를 포함한다.

Description

반도체 공정의 근접 보정 방법{PROXIMITY CORRECTION METHOD FOR SEMICONDUCTOR MANUFACTURING PROCESS}
본 발명은 반도체 공정의 근접 보정 방법에 관한 것이다.
반도체 공정은 레이아웃 데이터에 기초하여 진행될 수 있다. 레이아웃 데이터를 전사하여 마스크 등을 생성하는 노광 공정, 및 노광 공정에서 생성한 마스크를 이용하는 식각, 증착 등의 공정에 의해 다양한 패턴들이 반도체 기판에 형성될 수 있다. 레이아웃 데이터와, 반도체 기판에 형성된 패턴들 사이의 차이를 최소화하기 위해, 근접 보정(Proximity Correction)이 적용될 수 있다.
본 발명의 기술적 사상이 이루고자 하는 과제 중 하나는, 반도체 공정을 진행하기 위한 레이아웃 데이터와, 레이아웃 데이터를 이용하여 형성하는 다양한 패턴들 사이의 차이를 최소화하기 위하여 레이아웃 데이터를 최적화할 수 있는 근접 보정 방법을 제공하고자 하는 데에 있다.
본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법은, 반도체 공정을 진행하기 위한 레이아웃 데이터에서 선택한 복수의 샘플 영역들을 원본 이미지 데이터들로 변환하는 단계, 상기 원본 이미지 데이터들 중에서 서로 중복되는 일부를 제거하여 입력 이미지 데이터들을 생성하는 단계, 상기 입력 이미지 데이터들을 기계 학습 모델에 입력하여 상기 입력 이미지 데이터들에 포함되는 타겟 패턴들의 임계 치수(Critical Dimension, CD)에 대한 예측값을 획득하는 단계, 및 상기 반도체 공정을 진행한 반도체 기판에서, 상기 타겟 패턴들에 대응하는 실제 패턴들의 임계 치수에 대한 결과값을 측정하는 단계, 및 상기 예측값과 상기 결과값을 이용하여 상기 기계 학습 모델을 학습시키는 단계를 포함한다.
본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법은, 임계 치수를 조정하고자 하는 타겟 패턴과 상기 타겟 패턴에 인접한 주변 패턴을 포함하는 샘플 이미지 데이터, 및 상기 샘플 이미지 데이터에서 상기 타겟 패턴의 임계 치수를 변경한 복수의 조정 이미지 데이터들을 생성하는 단계, 상기 샘플 이미지 데이터와 상기 복수의 조정 이미지 데이터들을 기계 학습 모델에 입력하여 상기 샘플 이미지 데이터와 상기 복수의 조정 이미지 데이터들 각각에서 상기 타겟 패턴의 임계 치수에 대한 예측값을 획득하는 단계, 상기 샘플 이미지 데이터와 상기 복수의 조정 이미지 데이터들 각각에서 획득한 상기 타겟 패턴의 임계 치수와 상기 예측값을 이용하여 상기 기계 학습 모델의 민감도를 결정하는 단계, 반도체 장치의 레이아웃 데이터로부터 생성된 이미지 데이터를 입력받은 상기 기계 학습 모델의 출력값을 상기 민감도에 기초하여 보정하는 단계, 및 상기 보정된 출력값에 기초하여 상기 레이아웃 데이터를 수정하는 단계를 포함한다.
본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법은, 반도체 공정을 진행하기 위한 레이아웃 데이터에서 선택한 복수의 샘플 영역들로부터 입력 이미지 데이터들을 생성하는 단계, 상기 입력 이미지 데이터들을 기계 학습 모델에 입력하여 상기 입력 이미지 데이터들에 포함되는 타겟 패턴들의 임계 치수에 대한 예측값을 획득하는 단계, 상기 타겟 패턴들에 대응하는 실제 패턴들의 임계 치수에 대한 결과값을 상기 반도체 공정을 진행한 반도체 기판에서 측정하고, 상기 예측값과 상기 결과값을 이용하여 상기 기계 학습 모델을 학습시키는 단계, 상기 레이아웃 데이터에서 선택한 적어도 하나의 샘플 이미지 데이터에서 상기 타겟 패턴의 임계 치수를 조절(증가 및 감소)하여 복수의 조정 이미지 데이터들을 생성하는 단계, 상기 샘플 이미지 데이터 및 상기 조정 이미지 데이터들을 상기 기계 학습 모델에 입력하여 상기 샘플 이미지 데이터 및 상기 조정 이미지 데이터들 각각에서 상기 타겟 패턴의 임계 치수에 대한 예측값을 획득하는 단계, 및 상기 샘플 이미지 데이터 및 상기 조정 이미지 데이터들 각각에서 획득한 상기 타겟 패턴의 임계 치수와 상기 예측값을 이용하여 상기 기계 학습 모델의 민감도를 결정하고, 상기 민감도를 이용하여 상기 기계 학습 모델을 최적화하는 단계를 포함한다.
본 발명의 일 실시예에 따르면, 반도체 공정을 진행하기 위한 레이아웃 데이터를 기계 학습 모델에 입력하여 레이아웃 데이터에 포함되는 다양한 패턴들의 임계 치수에 대한 예측값을 획득할 수 있다. 또한 레이아웃 데이터를 이용하여 반도체 공정을 진행한 반도체 기판으로부터 패턴들의 임계 치수에 대한 결과값을 획득하고, 예측값과 결과값에 기초하여 기계 학습 모델을 학습시킬 수 있다. 학습 완료된 기계 학습 모델에 레이아웃 데이터를 입력하고, 기계 학습 모델이 출력하는 예측값에 기초하여 레이아웃 데이터를 수정함으로써, 원하는 임계 치수를 갖는 패턴들을 반도체 공정에 의해 형성할 수 있다.
본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시 형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1 및 도 2는 본 발명의 일 실시예에 따른 반도체 공정을 설명하기 위해 제공되는 도면들이다.
도 3은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법을 설명하기 위해 제공되는 흐름도이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 반도체 장치를 설명하기 위해 제공되는 도면들이다.
도 6a 내지 도 6c는 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에 적용되는 기계 학습 모델을 설명하기 위해 제공되는 도면들이다.
도 7은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법을 설명하기 위해 제공되는 도면이다.
도 8은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 학습 방법을 설명하기 위해 제공되는 흐름도이다.
도 9 내지 도 13은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 학습 방법을 설명하기 위해 제공되는 도면들이다.
도 14 및 도 15는 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 학습 방법을 설명하기 위해 제공되는 도면들이다.
도 16 내지 도 20은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 학습 방법을 설명하기 위해 제공되는 도면들이다.
도 21은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 최적화 방법을 설명하기 위해 제공되는 흐름도이다.
도 22 내지 도 26은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 민감도를 판단하는 방법을 설명하기 위해 제공되는 도면들이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 형태들을 다음과 같이 설명한다.
도 1 및 도 2는 본 발명의 일 실시예에 따른 반도체 공정을 설명하기 위해 제공되는 도면들이다.
반도체 공정은 증착 공정, 식각 공정, 연마 공정 등의 다양한 공정들을 포함하며, 반도체 공정에 의해 반도체 기판 및/또는 반도체 기판 상부에 형성된 층들에 다양한 패턴들이 형성될 수 있다. 일 실시예에서, 패턴들을 형성하기 위해, 패턴들에 대응하는 형상을 갖는 레이아웃 데이터로부터 생성되는 마스크를 이용할 수 있다. 다만, 레이아웃 데이터로부터 마스크를 생성하는 과정, 및/또는 마스크를 이용하여 식각 공정, 증착 공정, 연마 공정 등을 진행하는 과정에서 발생하는 오차로 인해, 레이아웃 데이터에 포함되는 패턴들의 형상과, 반도체 공정에 의해 형성되는 실제 패턴들의 형상 사이에 차이가 나타날 수 있다.
도 1을 참조하면, 형성하고자 하는 패턴들을 디자인한 원본 레이아웃 데이터(10)가 생성될 수 있다. 일례로 원본 레이아웃 데이터(10)는 GDS(Graphic Design System) 형식의 데이터로 제공될 수 있으며, 실시예들에 따라 원본 레이아웃 데이터(10)에 대한 디자인 룰 체크(DRC), 및/또는 레이아웃 데이터가 최초 의도한 설계와 일치하는지 여부를 검증하는 LVS(Layout Versus Schematic) 등이 실행될 수도 있다. 상기와 같은 과정들에 의해 원본 레이아웃 데이터(10)가 확정되면, 원본 레이아웃 데이터(10)에 대한 공정 근접 보정(Process Proximity Correction, PPC)을 진행하여 보정된 레이아웃 데이터(20)를 생성할 수 있다.
보정된 레이아웃 데이터(20)에 포함되는 패턴들은, 원본 레이아웃 데이터(10)에 포함되는 패턴들과 적어도 일부에서 다른 형상 및/또는 크기 등을 가질 수 있다. 보정된 레이아웃 데이터(20)를 이용하여 노광 공정에서 나타나는 광 근접 효과를 보상하기 위한 광학 근접 보정(Optical Proximity Correction)을 진행할 수 있으며, 광학 근접 보정의 결과로서 마스크 데이터(30)를 획득할 수 있다.
마스크 데이터(30)를 이용하여 노광 공정이 진행될 수 있다. 일례로, 마스크 데이터(30)에 포함되는 패턴들을 통과하도록 빛을 조사하거나, 또는 마스크 데이터(30)에 포함되는 패턴들을 제외한 영역을 통과하도록 빛을 조사하여 노광 공정을 진행하고, 마스크 층(40)을 획득할 수 있다. 노광 공정에서 발생하는 광 근접 효과에 의해, 마스크 층(40)에 포함되는 패턴들은, 마스크 데이터(30)에 포함되는 패턴들과 적어도 일부에서 다른 형상 및/또는 크기 등을 가질 수 있다.
이후, 마스크 층(40)을 이용하여 반도체 공정을 진행함으로써, 실제 패턴들(50)을 형성할 수 있다. 식각 공정을 예시로 설명하면, 마스크 층(40)에 포함되는 패턴들에 의해 노출되는 영역에서, 반도체 기판(W) 및/또는 반도체 기판(W) 상부의 층들을 식각할 수 있다. 식각되는 영역은 마스크 층(40)에 포함되는 패턴들에 의해 가려지지 않는 영역일 수 있다. 일 실시예에서 반도체 기판(W)은 반도체 물질을 포함하는 웨이퍼일 수 있다.
마스크 데이터(30)를 생성하기 이전 단계에서의 레이아웃 데이터들(10, 20)에 포함되는 패턴들과, 반도체 공정에 의해 반도체 기판(W)에 형성된 실제 패턴들 사이의 차이를 최소화함으로써, 반도체 공정의 정확도 및 수율을 개선할 수 있다. 본 발명의 일 실시예에서는, 레이아웃 데이터들(10, 20) 중 적어도 하나를 기계 학습 모델에 입력하여 레이아웃 데이터들(10, 20)에 포함되는 패턴들 중 타겟 패턴들의 임계 치수에 대한 예측값을 획득할 수 있다. 예측값은, 레이아웃 데이터들(10, 20)을 이용하여 마스크 층(40)을 생성하고 반도체 공정을 진행하여 형성한 실제 패턴들(50)의 임계 치수를 예측한 값일 수 있다. 예측값이 설계 과정에 의도한 임계 치수의 목표값과 차이를 갖는 경우, 공정 근접 보정(PPC)에 상기 차이를 반영할 수 있다. 따라서, 반도체 공정의 정확도와 수율을 개선하고, 반도체 공정으로 형성되는 패턴들의 산포를 줄일 수 있다.
도 2에 도시한 일 실시예에서는, 반도체 공정에 의해 단면이 원 형상을 갖는 패턴들(80, 90)이 형성될 수 있다. 도 2를 참조하면, 레이아웃 데이터에서 설계 패턴들(60, 70)은 동일한 임계 치수를 갖도록 설계되는 반면, 반도체 공정에 의해 형성된 패턴들(80, 90)은 서로 다른 임계 치수를 가질 수 있다. 일례로, 제1 패턴(80)은 설계 패턴들(60, 70)보다 작은 임계 치수를 가질 수 있다. 또한, 반도체 공정에 의해 형성된 패턴들 중에서 제2 패턴(90)은 설계 패턴들(60, 70)보다 큰 임계 치수를 가질 수 있다.
상기와 같은 임계 치수의 산포를 해결하기 위해, 주변 패턴들의 개수 및/또는 주변 패턴들과의 간격 등을 고려하여 설계 패턴들(60, 70)의 임계 치수를 조정할 수 있다. 도 2를 참조하면, 주변 패턴들의 개수가 적은 제1 패턴(80)은, 제1 패턴(80)에 대응하는 제1 설계 패턴(60)보다 작은 임계 치수로 형성될 수 있다. 따라서, 레이아웃 데이터에서 제1 설계 패턴(60)의 임계 치수를 제1 보정값(R1)만큼 증가시킴으로써 제1 패턴(80)의 임계 치수와 제1 설계 패턴(60)의 임계 치수 사이의 차이를 최소화할 수 있다.
한편, 주변 패턴들의 개수가 많은 제2 패턴(90)은 제2 패턴(90)에 대응하는 제2 설계 패턴(70)보다 큰 임계 치수로 형성될 수 있다. 따라서, 레이아웃 데이터에서 제2 설계 패턴(70)의 임계 치수를 제1 보정값(R2)만큼 감소시킴으로써 제2 패턴(90)의 임계 치수와 제2 설계 패턴(70)의 임계 치수 사이의 차이를 최소화할 수 있다. 또한, 상기와 같이 레이아웃 데이터를 수정함으로써, 반도체 공정에 의해 실제로 형성되는 패턴들(80, 90) 사이의 임계 치수 차이 역시 줄일 수 있다.
다만, 주변 패턴들의 개수 및/또는 주변 패턴들과의 간격을 고려하여 설계 패턴들(60, 70)의 임계 치수를 조정하는 방식은, 주변 패턴들의 개수 및 배치 등을 모두 반영하지 못할 수 있다. 설계 패턴들(60, 70)의 주변에 배치되는 주변 패턴들의 개수 및 배치 등에 따라 정의할 수 있는 경우의 수는, 레이아웃 데이터에 포함되는 패턴들 전부를 커버하지 못 하며, 따라서 반도체 공정에 의해 형성되는 패턴들의 임계 치수 차이를 줄이고 산포를 개선함에 있어서 한계를 가질 수 있다.
본 발명의 일 실시예에서는, 단순히 주변 패턴들의 개수 및/또는 주변 패턴들과의 간격에 따라 레이아웃 데이터를 수정하는 방식이 아닌, 기계 학습 모델을 이용하여 임계 치수의 예측값을 획득하고 이를 이용하여 레이아웃 데이터를 수정하는 방식을 제안한다. 기계 학습 모델은 레이아웃 데이터에 포함된 패턴들을 이미지 형태로 입력받고 처리하며, 레이아웃 데이터를 이용하여 반도체 공정을 진행함으로써 형성되는 패턴들의 임계 치수에 대한 예측값을 출력할 수 있다. 예측값을, 반도체 공정으로 형성하고자 하는 패턴들의 임계 치수에 대한 목표값과 비교하고 레이아웃 데이터를 수정하여, 반도체 공정의 수율 및 정확도를 개선하고 패턴들이 갖는 임계 치수의 산포를 줄일 수 있다.
도 3은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법을 설명하기 위해 제공되는 흐름도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 반도체 공정은 레이아웃 데이터를 생성하는 것으로 시작될 수 있다(S10). 일례로, 라이브러리에 저장된 표준 셀들 중 적어도 일부를 선택하고 배치하며, 표준 셀들에 포함되는 소자들을 연결하기 위한 배선들을 설계하는 PnR(Place and Route) 등의 작업이 S10 단계에 포함될 수 있다. 레이아웃 데이터가 생성되면, 앞서 설명한 바와 같이 노광 공정에서 발생하는 광 근접 효과를 보상하기 위한 광학 근접 보정을 진행함으로써(S11), 마스크 데이터를 생성할 수 있다.
마스크 데이터가 생성되면, 마스크 데이터를 이용한 노광 공정을 진행할 수 있으며(S12), 노광 공정에 의해 마스크 층이 형성될 수 있다. 마스크 층을 이용하여 식각, 증착, 연마 등의 반도체 공정이 진행될 수 있다(S13). 식각 공정을 예시로 설명하면, 반도체 공정이 진행되는 동안 마스크 층에 의해 노출되는 영역이 선택적으로 제거될 수 있다.
반도체 공정이 완료되면, 패턴들의 임계 치수에 대한 예측값을 추정하는 데에 필요한 기계 학습 모델에 대한 학습을 진행할 수 있다(S14). 일례로, 기계 학습 모델은 합성곱 신경망(Convolution Neural Network)을 포함할 수 있다. 일 실시예에서, 기계 학습 모델은 레이아웃 데이터를 이미지 포맷으로 변환하여 획득한 이미지 데이터를 입력받을 수 있으며, 이미지 데이터에 포함된 타겟 패턴들의 임계 치수에 대한 예측값을 출력할 수 있다. 일례로, S10 단계에서 생성한 레이아웃 데이터를 이용하여 기계 학습 모델에 입력되는 이미지 데이터를 획득할 수 있다.
기계 학습 모델은, 기계 학습 모델이 출력한 예측값과, 반도체 기판으로부터 측정한 실제 패턴들의 임계 치수에 대한 결과값을 이용하여 학습을 진행할 수 있다. 실제 패턴들은 S13 단계에서 진행한 반도체 공정에 의해 반도체 기판에 생성된 패턴들일 수 있으며, 기계 학습 모델에 입력된 이미지 데이터에 포함되는 타겟 패턴들에 대응할 수 있다. 일례로, 기계 학습 모델이 타겟 패턴의 임계 치수에 대한 예측값을 A로 출력하고, 타겟 패턴에 대응하는 실제 패턴의 임계 치수가 A와 다른 B로 측정되면, A와 B가 일치하거나 또는 A와 B의 차이가 소정의 기준 차이 이하가 될 때까지 기계 학습 모델이 학습을 진행할 수 있다.
기계 학습 모델의 학습이 완료되면, 기계 학습 모델에 대한 최적화를 진행할 수 있다(S15). 일례로, 학습이 완료된 기계 학습 모델을 이용하여, 레이아웃 데이터에 포함되는 타겟 패턴의 임계 치수를 X만큼 변경한 경우, 반도체 공정으로 반도체 기판에 형성되는 실제 패턴의 임계 치수는 X와 다른 Y만큼 변경될 수 있다. S15 단계에서는 레이아웃 데이터에서 타겟 패턴의 임계 치수를 변경한 정도와, 그에 따른 실제 패턴의 임계 치수의 변경 정도를 이용하여 기계 학습 모델의 민감도를 판단하고, 기계 학습 모델에 대한 최적화를 진행할 수 있다.
기계 학습 모델의 최적화가 완료되면, 기계 학습 모델을 이용하여 레이아웃 데이터를 수정할 수 있다(S16). 일례로, 실제 패턴의 임계 치수를 Z만큼 변경하고자 하는 경우, 레이아웃 데이터에서 타겟 패턴의 임계 치수는 Z와 다른 값, 예를 들어 Z에 민감도를 반영한 값만큼 변경될 수 있다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 반도체 장치를 설명하기 위해 제공되는 도면들이다.
도 4 및 도 5를 참조하여 설명하는 실시예에 따른 반도체 장치들(100, 200)은, 데이터를 저장할 수 있는 메모리 장치일 수 있다. 먼저 도 4를 참조하면, 반도체 장치(100)는 셀 영역들(101-104)과 페이지 버퍼들(111-114) 및 주변 회로 영역(120) 등을 포함할 수 있다. 셀 영역들(101-104) 각각은 매트 또는 플레인으로 정의되는 단위 영역일 수 있으며, 셀 영역들(101-104) 각각은 복수의 블록들, 및 복수의 페이지들로 다시 구분될 수 있다. 셀 영역들(101-104)은 복수의 메모리 셀들을 포함할 수 있다. 페이지 버퍼들(111-114)은 셀 영역들(101-104)과 도전성 라인들을 통해 각각 연결되며, 메모리 셀들에 저장된 데이터를 읽어오거나 또는 메모리 셀들에 데이터를 기록할 수 있다.
주변 회로 영역(120)은 메모리 장치(100)의 동작에 필요한 회로들을 포함할 수 있다. 일례로, 메모리 장치(100)가 플래시 메모리 장치인 경우, 주변 회로 영역(120)은 클럭 생성 회로, 인터페이스 회로, 전원 생성 회로, 로우 디코더, 칼럼 디코더 등을 포함할 수 있다.
반도체 공정의 근접 보정을 위한 기계 학습 모델에는, 메모리 장치(100)의 선택 영역(130)에 대한 레이아웃 데이터가 입력될 수 있다. 기계 학습 모델은 선택 영역(130)에 대한 레이아웃 데이터로부터 생성된 이미지 데이터를 입력받으며, 레이아웃 데이터에 포함된 타겟 패턴들의 임계 치수에 대한 예측값을 출력할 수 있다. 또한, 레이아웃 데이터를 이용한 반도체 공정이 완료된 후, 소정의 장비를 이용하여 선택 영역(130)에 포함되는 실제 패턴들의 임계 치수에 대한 측정값을 획득할 수 있다. 측정값은, 반도체 공정으로 선택 영역(130)에 형성된 실제 패턴들의 임계 치수를 실제로 측정한 값일 수 있다. 기계 학습 모델은 예측값과 측정값을 이용하여 학습을 진행할 수 있다. 일례로 측정값은 실제 패턴들 각각의 특정 위치에서 측정한 폭이거나, 또는 실제 패턴들 각각에서 측정한 폭의 평균값일 수 있다.
타겟 패턴들은 다양하게 선택될 수 있다. 일례로, 타겟 패턴들은 선택 영역(130)의 반도체 소자들에 연결되는 컨택들일 수 있다. 또는, 선택 영역(130)의 반도체 소자들을 구현하기 위한 게이트 패턴 또는 소스/드레인 영역을 제공하는 활성 패턴들이 타겟 패턴들로 선택될 수도 있다.
도 5는 도 4에 도시한 일 실시예에서 셀 영역들(101-104) 중 적어도 일부 영역을 도시한 도면일 수 있다. 도 5를 참조하면, 메모리 장치(200)는 제1 메모리 블록(210) 및 제2 메모리 블록(220)을 포함할 수 있다. 제1 메모리 블록(210)과 제2 메모리 블록(220) 각각은 셀 어레이 영역(CA), 셀 어레이 영역(CA)에 인접하는 셀 컨택 영역(CT) 등을 포함할 수 있다. 제1 메모리 블록(210)과 제2 메모리 블록(220)은 서로 인접할 수 있다.
셀 컨택 영역(CT)은, 제1 연결 영역(CR1)과 제2 연결 영역(CR2)을 포함할 수 있다. 제1 연결 영역(CR1)과 제2 연결 영역(CR2)에는 제1 패드들(PAD1)과 제2 패드들(PAD2)이 형성될 수 있다. 일례로, 제1 연결 영역(CR1)에서 제1 패드들(PAD1)과 제2 패드들(PAD2)은 제1 방향 및 제2 방향에서 단차를 형성하며, 제2 연결 영역(CR2)에서 제1 패드들(PAD1)과 제2 패드들(PAD2)은 제1 방향에서 단차를 형성할 수 있다.
제2 패드들(PAD2)은 제1 패드들(PAD1)보다 큰 면적을 가질 수 있으며, 일례로 제1 방향(Y축 방향)에서 제2 패드들(PAD2)이 제1 패드들(PAD1)보다 길게 연장될 수 있다. 도 5에 도시한 제1 패드들(PAD1)과 제2 패드들(PAD2)은 예시적인 일 실시예이며, 제1 패드들(PAD1)과 제2 패드들(PAD2) 각각의 길이는 다양하게 변형될 수 있다. 일례로, 제1 방향에서 제2 패드들(PAD2) 각각의 길이는, 제1 패드들(PAD1) 각각의 길이의 10배 이상일 수 있다.
제1 메모리 블록(210)과 제2 메모리 블록(220)은 서로 적층되는 복수의 워드라인들(WL)을 포함하며, 셀 어레이 영역(CA)에는 워드라인들(WL)을 관통하는 복수의 채널 구조체들(CH)이 마련될 수 있다. 복수의 워드라인들(WL)은 분리층들(DL)에 의해 제1 메모리 블록(210)과 제2 메모리 블록(220)으로 분할될 수 있다.
제2 방향(X축 방향)에서 가장 가까운 분리층들(DL) 사이에는 제1 분리 영역들(DL1) 및 제2 분리 영역들(DL2)이 마련될 수 있다. 제1 분리 영역들(DL1)은 셀 어레이 영역(CA)과 셀 컨택 영역(CT)에 걸쳐서 형성될 수 있으며, 제2 분리 영역들(DL2)은 셀 컨택 영역(CT)에만 형성될 수 있다. 도 5에 도시한 일 실시예에서, 제2 분리 영역들(DL2)은 제2 연결 영역(CR2)에 형성되지 않을 수 있다.
제1 연결 영역(CR1)에 형성되는 제1 패드들(PAD1) 및 제2 패드들(PAD2)에서, 워드라인들(WL)은 셀 컨택들(CC1, CC2)과 연결될 수 있다. 셀 컨택들(CC1, CC2) 중 적어도 일부는, 제2 연결 영역(CR2)에 형성되는 복수의 수직 비아들(CV1, CV2) 중 적어도 일부와 연결될 수 있다. 수직 비아들(CV1, CV2)은 제2 연결 영역(CR2)에서 셀 어레이 영역(CA) 및 셀 컨택 영역(CT) 하부의 회로 소자들과 연결될 수 있다. 일례로, 수직 비아들(CV1, CV2)은 셀 컨택 영역(CT) 하부에 배치되는 패스 소자들과 연결될 수 있다.
앞서 설명한 바와 같이, 제2 연결 영역(CR2)에는, 제2 분리 영역들(DL2)이 형성되지 않을 수 있다. 따라서, 분리층들(DL)과 제1 분리 영역들(DL1) 및 제2 분리 영역들(DL2)을 형성하기 위해 준비된 트렌치들을 통해 인산이 유입되어 희생층들이 워드라인들(WL)로 대체되는 공정이, 제2 연결 영역(CR2)의 적어도 일부에서는 진행되지 않을 수 있다. 수직 비아들(CV1, CV2)은, 워드라인들(WL)이 형성되지 않고 희생층들이 잔존한 영역에서 제3 방향(Z축 방향)으로 연장되어 하부의 패스 소자들과 연결될 수 있다.
셀 컨택들(CC1, CC2)은 제1 패드들(PAD1)에 배치되는 제1 셀 컨택들(CC1)과, 제2 패드들(PAD2)에 배치되는 제2 셀 컨택들(CC2)을 포함할 수 있다. 제1 패드들(PAD1)과 제2 패드들(PAD2)이 서로 다른 면적을 갖기 때문에, 제1 셀 컨택들(CC1) 각각이 갖는 주변의 다른 셀 컨택들(CC1, CC2)과의 관계는, 제2 셀 컨택들(CC2) 각각이 갖는 주변의 다른 셀 컨택들(CC1, CC2)과의 관계와 다를 수 있다. 일례로, 제1 셀 컨택들(CC1)과 달리, 제2 셀 컨택들(CC2) 중 적어도 일부는, 제1 방향의 일측에서 다른 셀 컨택들(CC1, CC2)과 인접하지 않을 수 있다. 따라서, 셀 컨택들(CC1, CC2)의 임계 치수를 하나의 값으로 설계한 레이아웃 데이터에 기초하여 셀 컨택들(CC1, CC2)을 형성하는 경우에도, 제1 셀 컨택들(CC1)과 제2 셀 컨택들(CC2)이 서로 다른 임계 치수로 형성될 수 있다.
수직 비아들(CV1, CV2)에서도 유사한 문제가 발생할 수 있다. 일례로, 제2 패드들(PAD2) 중 적어도 하나는, 다른 제2 패드들(PAD2)과 다른 면적을 가질 수 있다. 도 5에 도시한 일 실시예에서, 상대적으로 큰 면적의 제2 패드(PAD2)에 배치되는 제1 수직 비아들(CV1)과, 상대적으로 작은 면적의 제2 패드(PAD2)에 배치되는 제2 수직 비아들(CV2)이 서로 다른 임계 치수로 형성될 수 있다.
앞서 설명한 바와 같이, 본 발명의 일 실시예에서는 셀 컨택들(CC1, CC2) 및/또는 수직 비아들(CV1, CV2)을 형성하기 위한 레이아웃 데이터에서 일부를 선택한 샘플 영역들을 이미지 데이터로 변환하고 기계 학습 모델에 입력하여 기계 학습 모델을 학습시킬 수 있다. 기계 학습 모델은 레이아웃 데이터에 기초하여 반도체 공정을 진행했을 때 형성되는 셀 컨택들(CC1, CC2) 및/또는 수직 비아들(CV1, CV2)의 임계 치수에 대한 예측값을 출력할 수 있다. 기계 학습 모델은 상기 예측값과 함께, 실제로 반도체 공정을 진행하여 형성된 셀 컨택들(CC1, CC2) 및/또는 수직 비아들(CV1, CV2)의 임계 치수에 대한 결과값을 이용하여 학습을 진행할 수 있다.
학습이 완료되면, 레이아웃 데이터를 기계 학습 모델에 입력하며, 기계 학습 모델은 셀 컨택들(CC1, CC2) 및/또는 수직 비아들(CV1, CV2) 각각의 임계 치수에 대한 예측값을 출력할 수 있다. 기계 학습 모델이 출력한 예측값은, 레이아웃 데이터를 수정하는 데에 이용될 수 있다. 일례로, 수정된 레이아웃 데이터를 다시 기계 학습 모델에 입력하여 획득한 예측값이 임계 치수의 목표값을 기준으로 하는 소정 범위 이내에 속하면, 수정된 레이아웃 데이터를 기초로 셀 컨택들(CC1, CC2) 및/또는 수직 비아들(CV1, CV2)을 형성하기 위한 식각 공정을 진행할 수 있다. 상기와 같은 방법으로, 셀 컨택들(CC1, CC2) 및/또는 수직 비아들(CV1, CV2)의 임계 치수 산포를 최소화할 수 있다.
도 6a 내지 도 6c는 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에 적용되는 기계 학습 모델을 설명하기 위해 제공되는 도면들이다.
도 6a 내지 도 6c를 참조하면, 본 발명의 일 실시예에 따른 근접 보정 방법에 적용되는 기계 학습 모델(300, 300A, 300B)은, 합성곱 신경망을 포함할 수 있다. 합성곱 신경망은, 하나 또는 복수의 컨볼루션 레이어(convolution layer)와 일반적인 인공 신경망 레이어를 포함할 수 있으며, 컨볼루션 레이어에서 전처리(pre-processing)를 수행할 수 있다.
먼저 도 6a을 참조하면, 기계 학습 모델(300)은 복수의 컨볼루션 레이어들(310, 320), 및 컨볼루션 레이어들(310, 320)의 출력을 처리하는 완전 연결 레이어(fully connected layer, 330) 등을 포함할 수 있다. 컨볼루션 레이어들(310, 320) 각각은 컨볼루션 모듈(311, 321) 및 서브 샘플링 모듈(312, 322) 등을 포함할 수 있다. 컨볼루션 모듈(311, 321)은 입력받은 특징 맵에 하나 이상의 커널들을 적용하여 컨볼루션 연산을 실행하고, ReLU 등과 같은 활성화 함수를 컨볼루션 연산의 결과에 적용하여 특징 맵의 값들을 비선형적인 값으로 바꿀 수 있다. 서브 샘플링 모듈(312, 322)은 컨볼루션 모듈(311, 321)이 출력하는 특징 맵의 사이즈를 줄이기 위한 서브 샘플링을 실행할 수 있다. 서브 샘플링 모듈(312, 322)은 풀링(pooling) 모듈로도 정의될 수 있으며, 일례로 특징 맵에서 최대값을 선택하는 맥스 풀링(max pooling), 특징 맵의 값들에서 평균을 계산하는 평균 풀링(average pooling) 등의 연산을 실행할 수 있다.
컨볼루션 레이어들(310, 320)에 입력되는 입력 이미지 데이터들(301)은 레이아웃 데이터로부터 변환된 이미지일 수 있다. 입력 이미지 데이터들(301) 각각은, 레이아웃 데이터를 이용하여 진행되는 반도체 공정에 의해 형성하고자 하는 타겟 패턴(TP), 및 타겟 패턴(TP)과 인접한 적어도 하나의 주변 패턴(AP) 등을 포함할 수 있다. 컨볼루션 레이어들(310, 320)이 출력하는 특징 맵은 완전 연결 레이어(330)에 입력될 수 있다. 일례로 완전 연결 레이어(330)의 출력값(302)은, 입력 이미지 데이터들(301) 중 하나에 포함되는 타겟 패턴(TP)의 임계 치수에 대한 예측값일 수 있다. 예측값은, 레이아웃 데이터를 이용하여 반도체 공정을 진행함으로써 타겟 패턴(TP)을 실제로 형성했을 때, 예상되는 타겟 패턴(TP)의 임계 치수일 수 있다.
다음으로 도 6b를 참조하면, 기계 학습 모델(300A)은 컨볼루션 레이어들(310, 320), 제1 완전 연결 레이어(330), 및 제2 완전 연결 레이어(340) 등을 포함할 수 있다. 제1 완전 연결 레이어(330)는 컨볼루션 레이어들(310, 320)이 출력하는 특징 맵들을 입력받을 수 있다. 제2 완전 연결 레이어(340)는 별도로 추출된 특징 값들(303)을 입력받을 수 있다. 일례로 컨볼루션 레이어들(310, 320)이 입력 이미지 데이터들(301)로부터 추출하기 어렵고, 타겟 패턴(TP)의 임계 치수에 영향을 주는 값들을 특징 값들로 추출하여 제2 완전 연결 레이어(340)에 입력할 수 있다.
예시로, 타겟 패턴(TP)이 반도체 기판에 수직하는 방향으로 연장되는 수직 구조체인 경우, 수직 구조체의 주변에 배치되는 주변 패턴들의 밀도, 임계 치수 등이 수직 구조체의 임계 치수에 영향을 줄 수 있다. 주변 패턴들의 밀도를 정확히 반영하기 위해 입력 이미지 데이터들(301)에 표시되는 레이아웃 데이터의 일부 영역의 면적을 증가시킬 수 있으나, 이 경우 타겟 패턴(TP) 및 주변 패턴들 각각의 해상도가 감소하는 문제가 발생할 수 있다. 따라서, 수직 구조체를 중심으로 가까운 일부의 주변 패턴들은 입력 이미지 데이터(301)로 생성하여 컨볼루션 레이어들(310, 320)에 입력하고, 입력 이미지 데이터(301)에 포함되지 않은 주변 패턴들의 밀도는 수치화하여 특징 값으로서 제2 완전 연결 레이어(340)에 입력할 수 있다.
다음으로 도 6c를 참조하면, 기계 학습 모델(300B)은 컨볼루션 레이어들(310B, 320B) 및 완전 연결 레이어(330B) 등을 포함할 수 있다. 도 6c에 도시한 일 실시예에서는, 서로 다른 해상도 및 사이즈를 갖는 입력 이미지 데이터들(301B)이 레이아웃 데이터로부터 생성되어 기계 학습 모델(300B)에 입력될 수 있다. 제1 입력 이미지 데이터(305)는 모서리가 제1 길이(D1)를 갖는 정사각형 이미지일 수 있으며, 제2 입력 이미지 데이터(306)는 모서리가 제1 길이(D1)보다 큰 제2 길이(D2)를 갖는 정사각형 이미지일 수 있다. 한편 제3 입력 이미지 데이터(307)는 모서리가 제2 길이(D2)보다 큰 제3 길이(D3)를 갖는 정사각형 이미지일 수 있다. 제1 내지 제3 입력 이미지 데이터들(305-307)은 동일한 타겟 패턴을 포함할 수 있다.
제1 컨볼루션 레이어(310B)는 제1 내지 제3 입력 이미지 데이터들(305-307) 각각을 처리하는 컨볼루션 모듈들(311, 313, 315)과 서브 샘플링 모듈들(312, 314, 316)을 포함할 수 있다. 마찬가지로, 제2 컨볼루션 레이어(320B) 역시 제1 내지 제3 입력 이미지 데이터들(305-307) 각각에 대응하는 컨볼루션 모듈들(321, 323, 325)과 서브 샘플링 모듈들(322, 324, 326)을 포함할 수 있다. 완전 연결 레이어(330B)는 제1 내지 제3 입력 이미지 데이터들(305-307)에 대응하는 컨볼루션 레이어들(310B, 320B)이 출력한 특징 맵들을 처리하여 타겟 패턴의 임계 치수에 대한 예측값을 출력값(302B)으로 내보낼 수 있다.
다만, 본 발명의 일 실시예에 따른 근접 보정 방법에는 도 6a 내지 도 6c를 참조하여 설명한 기계 학습 모델들(300, 300A, 300B)과 다른 형태의 기계 학습 모델이 적용될 수도 있다. 일례로, 도 6c에 도시한 일 실시예에 따른 기계 학습 모델(300B)에, 도 6b를 참조하여 설명한 제2 완전 연결 레이어(340)를 결합할 수도 있다.
도 7은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법을 설명하기 위해 제공되는 도면이다.
도 7은, 반도체 공정을 진행하기 위한 레이아웃 데이터(400)의 일부 영역을 도시한 도면일 수 있다. 앞서 설명한 바와 같이, 레이아웃 데이터(400)를 학습 완료된 기계 학습 모델에 입력하면, 기계 학습 모델은 레이아웃 데이터(400)에 포함된 패턴들(410-440) 중 적어도 일부의 임계 치수에 대한 예측값을 출력할 수 있다. 예측값이 패턴들(410-440) 각각의 임계 치수에 대한 목표값과 다를 경우, 레이아웃 데이터(400)에서 패턴들(410-440)의 임계 치수를 수정할 수 있다.
도 7을 참조하면, 제1 패턴(410)은 기계 학습 모델이 출력한 임계 치수의 예측값이 목표값과 일치하거나, 또는 목표값을 기준으로 하는 소정의 범위 이내인 경우에 해당할 수 있다. 따라서, 제1 패턴(410)은 수정되지 않을 수 있다. 반면, 제2 내지 제4 패턴들(420-440) 각각은, 기계 학습 모델이 출력한 임계 치수의 예측값이 목표값을 기준으로 하는 소정의 범위에 속하지 않는 경우일 수 있다. 따라서 도 7에 도시한 바와 같이 제2 내지 제4 패턴들(420-440) 각각의 임계 치수가 수정될 수 있다.
일례로, 제2 패턴(420)의 경우 가로 방향의 폭을 줄이고 세로 방향의 높이를 증가시켜 새로운 제2 패턴(425)으로 수정될 수 있다. 제3 패턴(430)은 높이만을 증가시켜 새로운 제3 패턴(435)으로 수정될 수 있으며, 제4 패턴(440)은 폭과 높이를 모두 증가시켜 새로운 제4 패턴(445)으로 수정될 수 있다. 수정된 레이아웃 데이터(400)는 다시 기계 학습 모델에 입력될 수 있으며, 기계 학습 모델이 출력하는 임계 치수의 예측값을 다시 목표값과 비교할 수 있다. 예측값이 목표값과 일치하거나 목표값을 기준으로 하는 소정의 범위 내에 속하면, 수정된 레이아웃 데이터(400)를 기초로 패턴들을 형성하기 위한 공정을 진행할 수 있다.
도 8은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 학습 방법을 설명하기 위해 제공되는 흐름도이다.
도 8을 참조하면, 본 발명의 일 실시예에 따른 기계 학습 모델의 학습 방법은, 레이아웃 데이터에서 복수의 샘플 영역들을 선택하는 것으로 시작될 수 있다(S20). 레이아웃 데이터는 GDS(Graphic Design System) 형식의 데이터로 제공될 수 있으며, 실시예들에 따라 레이아웃 데이터에 대한 디자인 룰 체크(DRC), 및/또는 레이아웃 데이터가 최초 의도한 설계와 일치하는지 여부를 검증하는 LVS 등이 실행될 수 있다. 또한 샘플 영역들을 선택하기 위한 레이아웃 데이터는, 광학 근접 보정이 실행되기 이전의 레이아웃 데이터일 수 있다.
선택한 샘플 영역들에서 레이아웃 데이터를 원본 이미지 데이터들로 변환할 수 있다(S21). 선택한 샘플 영역들의 개수가 N개인 경우, N개의 원본 이미지 데이터들이 생성될 수 있으며, 원본 이미지 데이터들 각각은 임계 치수를 측정하고자 하는 적어도 하나의 타겟 패턴, 및 타겟 패턴 주변에 배치되는 주변 패턴을 포함할 수 있다. 학습 대상인 기계 학습 모델의 종류에 따라, 원본 이미지 데이터들 중 적어도 일부가 서로 다른 크기 및/또는 해상도를 가질 수도 있다. 실시예들에 따라, 레이아웃 데이터 전체를 먼저 이미지 데이터로 변환하고, 이미지 데이터에서 샘플 영역들을 선택하여 원본 이미지 데이터들을 생성할 수도 있다.
다음으로, 원본 이미지 데이터들 중에서 서로 중복되는 데이터들을 제거할 수 있다(S22). 일례로, 레이아웃 데이터에서 샘플 영역들을 임의로 선택하는 경우, 적어도 일부의 샘플 영역들이 유사한 타겟 패턴 및 유사한 주변 패턴을 포함할 수 있다. 동일하거나 유사한 원본 이미지 데이터들로 기계 학습 모델이 학습을 진행할 경우, 기계 학습 모델이 오버피팅(overfitting)되는 문제가 발생할 수 있다. 본 발명의 일 실시예에서는 원본 이미지 데이터들 중에서 서로 동일하거나 유사한 원본 이미지 데이터들을 중복 제거함으로써, 오버피팅 문제를 최소화할 수 있다. 원본 이미지 데이터들에서 중복을 제거하여 입력 이미지 데이터들을 생성할 수 있다.
입력 이미지 데이터들은 기계 학습 모델에 입력되며, 기계 학습 모델은 입력 이미지 데이터들 각각에 포함되는 타겟 패턴의 임계 치수에 대한 예측값을 출력할 수 있다(S23). S23 단계에서 기계 학습 모델이 출력하는 예측값은, 레이아웃 데이터를 이용하여 반도체 공정을 진행했을 때 반도체 기판에 생성될 것으로 예상되는 타겟 패턴들 각각의 임계 치수일 수 있다. 이후 레이아웃 데이터를 이용하여 실제로 반도체 공정을 진행할 수 있으며, 반도체 공정에 의해 반도체 기판에 형성된 실제 패턴들 각각의 임계 치수에 대한 결과값을 측정할 수 있다(S24). S24 단계에서는, 반도체 기판에 실제 패턴들이 형성된 후, 레이아웃 데이터의 샘플 영역들에 대응하는 반도체 기판의 실제 영역들 각각의 좌표, 및 실제 영역들에 형성된 실제 패턴들의 임계 치수를 포함하는 데이터가 생성될 수 있다. S24 단계에서 임계 치수를 측정하는 실제 패턴들은, 기계 학습 모델이 임계 치수를 예측한 타겟 패턴들에 대응할 수 있다.
다음으로, S23 단계에서 기계 학습 모델이 출력한 예측값과, S24 단계에서 측정한 결과값을 이용하여 기계 학습 모델의 학습을 진행할 수 있다(S25). 기계 학습 모델의 학습은, 예측값과 결과값이 일치하거나, 또는 예측값과 결과값의 차이가 소정의 범위 이내로 감소할 때까지 진행될 수 있다.
일 실시예에서 기계 학습 모델은, 레이아웃 데이터에서 타겟 패턴들이 공통으로 갖는 임계 치수의 공통 설계값과, 반도체 공정이 완료된 반도체 기판의 실제 패턴들에서 측정한 결과값들의 차이를 이용하여 학습을 진행할 수도 있다. 이 경우, 기계 학습 모델을 이용하여 달성하고자 하는 목표는 타겟 패턴의 임계 치수가 갖는 공정 산포가 될 수 있다. 예시로서, 타겟 패턴과 실제 패턴이 컨택 구조체인 경우 임계 치수는 컨택 구조체의 폭일 수 있으며, 반도체 기판에 형성하고자 하는 복수의 컨택 구조체들의 임계 치수는 레이아웃 데이터에서 하나의 공통 설계값을 가질 수 있다. 반도체 기판에 형성된 복수의 컨택 구조체들로부터 결과값들을 획득하고, 결과값들 각각과 공통 설계값 사이의 차이를 계산하여 복수의 차이값들을 획득할 수 있다. 기계 학습 모델은, 차이값들의 분포가 목표 산포에 가까워지도록 학습을 진행할 수 있다. 이와 같이 학습을 진행한 기계 학습 모델을 이용하여 레이아웃 데이터를 수정함으로써, 레이아웃 데이터에 포함되는 컨택 구조체들의 임계 치수들이 갖는 산포를 목표 산포에 가깝게 줄일 수 있다.
도 9 내지 도 12는 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 학습 방법을 설명하기 위해 제공되는 도면들이다.
먼저 도 9 및 도 10은, 원본 이미지 데이터들(500, 500A)에서 중복을 제거하는 방법을 설명하기 위해 제공되는 도면들일 수 있다. 도 9 및 도 10을 참조하면, 원본 이미지 데이터들(500, 500A)에 포함되는 패턴들(510-530, 510A-530A)을 행렬 형태로 표현하여 중복을 제거할 수 있다.
Figure pat00001
일례로, 도 9에 도시된 원본 이미지 데이터(500)는 아래와 같은 행렬로 표현될 수 있다. 행렬 T에 포함되는 각 원소들은 패턴들(510-530)의 유무를 나타내며, 각 원소들의 행과 열은 원본 이미지 데이터(500)에서 패턴들(510-530)의 경계에 따라 결정되는 공간에 대응할 수 있다. 일례로, 행렬 T는 3개의 행들과 4개의 열들을 포함하며, 3개의 행들은 y축 방향의 좌표들(y0-y3) 사이의 공간들에 대응하며, 4개의 열들은 x축 방향의 좌표들(x0-x4) 사이의 공간들에 대응할 수 있다. 따라서, 행렬 T에서 원소들 각각의 값을 결정하기 위한 조건식은 아래의 수학식 2와 같이 정의될 수 있다.
Figure pat00002
Figure pat00003
한편, 도 10에 도시한 원본 이미지 데이터(500A) 역시 행렬 T로 표현될 수 있다. 다만, 도 10에 도시한 원본 이미지 데이터(500A)의 패턴들(510A-530A)은 도 9에 도시한 원본 이미지 데이터(500)의 패턴들(510-530)과 다른 크기를 가질 수 있다. 따라서 도 9 및 도 10에 도시한 바와 같이 원본 이미지 데이터들(500, 500A) 각각의 크기를 결정하는 좌표들 (x0, x4, y0, y3)의 값이 다르지만 같은 행렬로 표현될 수 있는 경우, 원본 이미지 데이터들(500, 500A) 중 하나를 제외한 나머지를 삭제하는 중복 제거가 실행될 수 있다.
또한, 원본 이미지 데이터들에서 중복을 제거하기 위한 방법으로 이미지 모멘트(image moment)를 이용할 수도 있다. 일례로, 원본 이미지 데이터들 각각에서 하나 이상의 대표값들을 추출하고, 대표값들을 이용하여 원본 이미지 데이터들 중에서 동일하거나 유사한 일부를 중복으로 제거할 수 있다. 실시예들에 따라 대표값들은 복수의 휴(hue) 모멘트들을 포함할 수 있으며, 원본 이미지 데이터들 각각에서 추출한 대표값들에 K-평균 알고리즘을 적용하여 원본 이미지 데이터들을 군집하(clustering)함으로써 중복을 제거할 수 있다.
도 11 및 도 12는 기계 학습 모델에 입력되는 입력 이미지 데이터들을 생성하기 위해, 원본 이미지 데이터들을 전처리하는 과정 중 적어도 일부를 설명하기 위해 제공되는 도면들일 수 있다. 일 실시예에서, 기계 학습 모델은 N x N 개의 픽셀들(N은 2 이상의 자연수)을 갖는 정사각형 이미지 포맷으로 입력 이미지 데이터들을 입력받을 수 있다. 따라서, 레이아웃 데이터에서 선택되는 샘플 영역들 각각은 정사각형 형상을 가질 수 있다.
먼저 도 11을 참조하면, 원본 이미지 데이터(600)가 타겟 패턴(601) 및 주변 패턴들(602-604)을 포함할 수 있다. 도 11에 도시한 일 실시예에서는, 타겟 패턴(601)이 제1 높이(H1)를 가지며, 제1 높이(H1)는 기계 학습 모델에 입력되는 정사각형 이미지 포맷의 폭보다 작을 수 있다. 따라서, 별도의 전처리 과정없이, 원본 이미지 데이터(600)를 입력 이미지 데이터로 이용할 수 있다.
도 12를 참조하면, 원본 이미지 데이터(610)에 타겟 패턴(611)과 주변 패턴들(612-616)이 포함되며, 타겟 패턴(611)이 일 방향(세로 방향)으로 정사각형 이미지 포맷의 폭보다 큰 제2 높이(H2)를 갖는 긴 타겟 패턴일 수 있다. 따라서, 별도의 전처리 과정없이 원본 이미지 데이터(610)를 그대로 기계 학습 모델에 입력할 경우, 기계 학습 모델이 원본 이미지 데이터(610)에서 특징 맵을 정확하게 추출하지 못할 수 있다.
본 발명의 일 실시예에서는, 직사각형 이미지로 추출된 원본 이미지 데이터(610)의 일부 영역(619)을 제거하여 정사각형 이미지 포맷의 입력 이미지 데이터(610A)를 생성할 수 있다. 일례로 제거되는 일부 영역(619)은 일 방향에서 타겟 패턴(611)의 임계 치수를 결정하는 데에 필요한 타겟 패턴(611)의 경계를 포함하지 않도록 선택될 수 있다. 도 12에 도시한 일 실시예에서, 일부 영역(619)은 타겟 패턴(611)의 가로 방향의 경계들을 포함하지 않도록 선택될 수 있다.
입력 이미지 데이터(610A)에서 타겟 패턴(611A)은 원본 이미지 데이터(610)의 타겟 패턴(611)보다 작은 제3 높이(H3)를 가질 수 있다. 또한, 일부 영역(619)을 제거함에 따라 주변 패턴들(611-616) 중 적어도 하나(616A)는 입력 이미지 데이터(610A)에서 달라진 형상 및 크기를 가질 수 있다.
도 13 내지 도 15는 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 학습 방법을 설명하기 위해 제공되는 도면들이다.
일례로 도 13 내지 도 15는, 기계 학습 모델에 입력되는 입력 이미지 데이터들의 픽셀 강도(pixel intensity)에 따라 기계 학습 모델이 편향 학습되는 문제를 해결하기 위한 방법들을 설명하기 위한 도면들일 수 있다. 먼저 도 13을 참조하면, 복수의 패턴들을 형성하기 위한 레이아웃 데이터(700)에서 샘플 영역(701)이 선택되며, 샘플 영역(701)은 타겟 패턴(710)을 포함할 수 있다. 샘플 영역(701)의 레이아웃 데이터를 이미지 포맷으로 변환하면, 도 13에 도시한 바와 같이 타겟 패턴(710)이 복수의 픽셀들로 표현될 수 있다. 타겟 패턴(710)을 표현하는 복수의 픽셀들 각각은, 타겟 패턴(710)과 중첩되는 정도에 따라 고정 픽셀들 및 조정 픽셀들로 구분될 수 있다.
도 14는, 도 13을 참조하여 설명한 샘플 영역(701)을 기계 학습 모델에 입력할 수 있는 이미지 포맷으로 변환한 입력 이미지 데이터(720)를 도시한 도면일 수 있다. 입력 이미지 데이터(720)에서 타겟 패턴(710)은 제1 방향(수평 방향) 및 제1 방향과 교차하는 제2 방향(수직 방향)을 따라 배열되는 픽셀들로 표현될 수 있다. 일례로 픽셀들은 고정 픽셀들(FPX1-FPX4)과 조정 픽셀들(APX1-APX12)로 표현될 수 있다. 고정 픽셀들(FPX1-FPX4)은 타겟 패턴(710)과 완전히 중첩되며, 따라서 입력 이미지 데이터(720)가 n비트 이미지인 경우, 고정 픽셀들(FPX1-FPX4)의 픽셀 강도는 2n일 수 있다. 반면 조정 픽셀들(APX1-APX12)은 타겟 패턴(710)과 부분적으로 중첩되며, 조정 픽셀들(APX1-APX12) 각각의 픽셀 강도는 0보다 크고 2n보다 작은 값을 가질 수 있다.
기계 학습 모델을 학습하는 과정에서, 타겟 패턴(710)과 부분적으로만 중첩되는 조정 픽셀들(APX1-APX12) 각각의 픽셀 강도로 인해 기계 학습 모델이 편향 학습될 수 있다. 본 발명의 일 실시예에서는 이러한 문제를 해결하기 위해, 데이터 증강 기법을 적용할 수 있다. 일례로, 본 발명의 일 실시예에 따른 데이터 증강 기법에서는, 픽셀 단위보다 더 작은 단위로 데이터를 증강시킬 수 있다.
도 14를 참조하면, 조정 픽셀들(APX1-APX12) 각각의 픽셀 강도는 수평 폭들(HW1, HW2) 및 수직 폭들(VW1, VW2)에 의해 결정될 수 있다. 따라서, 조정 픽셀들(APX1-APX12) 각각에서 타겟 패턴(710)이 차지하는 면적이 수평 폭들(HW1, HW2) 및 수직 폭들(VW1, VW2)에 의해 결정되는 것으로 이해될 수도 있다. 일례로, 제1 조정 픽셀(APX1)의 픽셀 강도는 아래와 같이 표현될 수 있다. 수학식 3에서 W는 픽셀 하나의 폭이며, 입력 이미지 데이터(720)는 8비트 이미지인 것으로 가정한다.
Figure pat00004
본 발명의 일 실시예에서는, 제1 수평 폭(HW1)과 제2 수평 폭(HW2)을 동일하게 증가 및 감소시켜 타겟 패턴(710)을 원본 이미지 데이터(720) 내에서 이동시키는 방식으로 데이터 증강 기법을 구현할 수 있다. 일례로, 제1 수평 폭(HW1)을 증가시킨 만큼 제2 수평 폭(HW2)을 감소시키거나, 제1 수평 폭(HW1)을 감소시킨 만큼 제2 수평 폭(HW2)을 증가시킬 수 있다. 마찬가지로, 일례로, 제1 수직 폭(VW1)을 증가시킨 만큼 제2 수직 폭(VW2)을 감소시키거나, 제1 수직 폭(VW1)을 감소시킨 만큼 제2 수직 폭(VW2)을 증가시킬 수 있다. 이와 같이 수평 폭들(HW1, HW2)과 수직 폭들(VW1, VW2)을 변경하여 조정 픽셀들(APX1-APX12) 각각의 픽셀 강도를 조절함으로써, 입력 이미지 데이터(720)를 증강 처리할 수 있다. 증강 처리 전후에서 조정 픽셀들(APX1-APX12)의 픽셀 강도의 총합은 일정하게 유지되며, 입력 이미지 데이터(720)를 증강 처리하여 기계 학습 모델이 편향 학습되는 문제를 해결할 수 있다.
도 15는 입력 이미지 데이터(720)를 증강 처리하는 과정에서 발생하는 타겟 패턴(710)의 중심 이동을 기계 학습 모델이 인지할 수 있도록, 별도의 채널을 추가하는 방법을 설명하기 위한 도면일 수 있다. 도 15를 참조하면, 기준선(REF)을 기준으로 하는 극좌표(r, θ)를 이용하여 타겟 패턴(710)을 표현하는 픽셀들의 픽셀 강도를 나타낼 수 있다. 일례로 픽셀 강도는 수학식 4와 같이 표현될 수 있으며, 극좌표(r, θ)의 중심(C)은 타겟 패턴(710)의 중심(C)과 같을 수 있다.
Figure pat00005
수학식 4에 따라 픽셀 강도를 결정하고, 입력 이미지 데이터(720)를 증강 처리하는 과정에서 발생하는 타겟 패턴(710)의 중심 이동을 나타내는 중심 보정 데이터를 생성할 수 있다. 중심 보정 데이터는 입력 이미지 데이터(720)와 다른 별개의 채널로 기계 학습 모델에 입력되며, 기계 학습 모델은 중심 보정 데이터를 참조하여 증강 처리에 따른 타겟 패턴(710)의 좌표 이동을 보상할 수 있다.
도 16 내지 도 20은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 학습 방법을 설명하기 위해 제공되는 도면들이다.
일례로 도 16 내지 도 20은, 손실 함수를 이용하여 기계 학습 모델(800)의 학습 정확도를 높이기 위한 방법을 설명하기 위한 도면들이다. 먼저 도 16을 참조하면, 레이아웃 데이터를 이미지 포맷으로 변환하고 중복을 제거하여 생성한 입력 이미지 데이터(810)를 기계 학습 모델(800)에 입력하여 타겟 패턴의 임계 치수에 대한 예측값(820)을 획득할 수 있다. 앞서 설명한 바와 같이, 레이아웃 데이터를 이용하여 반도체 공정을 완료한 반도체 기판에서, 타겟 패턴에 대응하는 실제 패턴의 임계 치수를 측정하여 결과값을 획득하고, 예측값(820)을 결과값과 비교하여 기계 학습 모델(800)의 학습을 진행할 수 있다. 예측값(820)과 결과값을 비교하는 데에는 손실 함수를 이용할 수 있다.
다만, 손실 함수를 이용하여 예측값(820)과 결과값을 비교하고 기계 학습 모델(800)을 학습시키는 경우, 이미 알려진 경향성과 다른 예측값(820)을 기계 학습 모델(800)이 출력할 수 있다. 예를 들어, 제1 타겟 패턴의 주변에 주변 패턴들이 좌우로 배치되고, 제1 타겟 패턴과 동일한 임계 치수로 설계된 제2 타겟 패턴의 주변에서 주변 패턴들이 상하로 배치되는 경우, 반도체 공정의 결과에서 제1 타겟 패턴과 제2 타겟 패턴은 실질적으로 같은 임계 치수를 가질 수 있다. 반면, 제1 타겟 패턴과 제2 타겟 패턴은 기계 학습 모델(800)에서 서로 다르게 인식될 수 있으며, 기계 학습 모델(800)은 제1 타겟 패턴의 임계 치수에 대한 예측값과, 제2 타겟 패턴의 임계 치수에 대한 예측값을 다르게 출력할 수 있다.
본 발명의 일 실시예에서는, 복수의 합성 데이터들(811-815)을 생성하여 기계 학습 모델(800)에 입력하고, 기계 학습 모델(800)이 합성 데이터들(811-815)에 대해 출력하는 임계 치수들(821-825)을 이용하여 기계 학습 모델(800)이 이미 알려진 경향성과 다른 방향으로 학습을 진행하지 않도록 강제할 수 있다. 일례로, 기계 학습 모델(800)이 합성 데이터들(811-815)에 대한 응답으로 출력하는 임계 치수들(821-825)을 이용하여 합성 손실 함수(830)를 생성함으로써, 기계 학습 모델(800)의 학습 정확도를 개선할 수 있다.
일례로, 제1 합성 데이터(811)와 제2 합성 데이터(812)는 입력 이미지 데이터(810)에서 주변 패턴들의 개수 및 크기를 고정한 채로 타겟 패턴의 임계 치수만을 변형한 이미지 데이터들일 수 있다. 일례로, 제1 합성 데이터(811)는 타겟 패턴의 임계 치수를 증가시킨 이미지 데이터일 수 있고, 제2 합성 데이터(812)는 타겟 패턴의 임계 치수를 감소시킨 이미지 데이터일 수 있다. 이하, 도 17을 함께 참조하여 더욱 자세히 설명하기로 한다.
도 17는 하나의 입력 이미지 데이터(900)를 기준으로 타겟 패턴(910)의 크기를 증가 또는 감소시켜 합성 데이터들을 생성하는 방법을 설명하기 위한 도면일 수 있다. 도 17을 참조하면, 입력 이미지 데이터(900)는 타겟 패턴(910)을 포함하고, 타겟 패턴(910)은 복수의 픽셀들에 의해 표현될 수 있다. 픽셀들은 타겟 패턴(910)과 완전히 중첩되는 고정 픽셀들(FPX1-FPX4), 및 타겟 패턴(910)과 부분적으로 중첩되는 조정 픽셀들(APX1-APX12)을 포함할 수 있다. 고정 픽셀들(FPX1-FPX4)과 조정 픽셀들(APX1-APX12)은 앞서 도 14를 참조하여 설명한 일 실시예를 참조하여 이해될 수 있을 것이다.
본 발명의 일 실시예에서는, 조정 픽셀들(APX1-APX12)에서 수평 폭들(HW1, HW2) 및 수직 폭들(VW1, VW2) 중 적어도 하나를 증가 또는 감소시켜 입력 이미지 데이터(900)에서 타겟 패턴(910)의 임계 치수를 조절할 수 있다. 예시로 수평 폭들(HW1, HW2)을 증가시켜 수평 방향에서 타겟 패턴(910)의 임계 치수를 증가시킬 수 있으며, 수직 폭들(VW1, VW2)을 감소시켜 수직 방향에서 타겟 패턴(910)의 임계 치수를 감소시킬 수 있다.
다시 도 16을 참조하면, 기계 학습 모델(800)은 제1 합성 데이터(811)와 제2 합성 데이터(812)에 대해 제1 임계 치수(821)와 제2 임계 치수(822)를 각각 출력할 수 있다. 제1 합성 데이터(811)가 입력 이미지 데이터(810)에서 타겟 패턴의 임계 치수를 증가시킨 이미지 데이터이고, 제2 합성 데이터(812)가 입력 이미지 데이터(810)에서 타겟 패턴의 임계 치수를 감소시킨 이미지 데이터인 것을 가정하기로 한다. 이 경우, 제1 임계 치수(821)는 예측값(820)보다 크고, 제2 임계 치수(822)는 예측값(820)보다 작을 것으로 예측할 수 있다.
기계 학습 모델(800)이 출력하는 제1 임계 치수(821)가 예측값(820)보다 크지 않거나, 제2 임계 치수(822)가 예측값(820)보다 작지 않으면, 기계 학습 모델(800)의 학습이 정상적으로 진행되지 않을 수 있으며, 학습 완료 후 기계 학습 모델(800)의 예측 정확도가 저하될 수 있다. 본 발명의 일 실시예에서는, 제1 임계 치수(821)와 제2 임계 치수(822)를 합성 손실 함수(830)에 반영할 수 있다. 일례로 합성 손실 함수(830)는, 제1 임계 치수(821)가 예측값(820)보다 크지 않거나 제2 임계 치수(822)가 예측값(820)보다 작지 않은 경우, 큰 값을 출력하여 기계 학습 모델(800)의 학습 방향을 강제적으로 수정할 수 있다.
다음으로 도 16에 도시한 일 실시예에서 제3 합성 데이터(813)와 제4 합성 데이터(814)는 타겟 패턴의 임계 치수를 고정시킨 채로 타겟 패턴으로부터 주변 패턴들까지의 거리를 증가 또는 감소시켜 생성한 이미지 데이터들일 수 있다. 이하, 도 18을 참조하여 더욱 자세히 설명하기로 한다.
도 18을 참조하면, 입력 이미지 데이터(1000)는 타겟 패턴(1010) 및 그 주변의 주변 패턴들(1020-1050)을 포함할 수 있다. 입력 이미지 데이터(1000)에서 타겟 패턴(1010)과 주변 패턴들(1020-1050) 사이의 간격은 제1 간격(P1)일 수 있다. 실시예들에 따라, 타겟 패턴(1010)이 주변 패턴들(1020-1050) 중 적어도 일부와 서로 다른 간격들을 가질 수도 있다.
도 18을 참조하면, 타겟 패턴(1010)과 주변 패턴들(1020-1050) 사이의 간격을 감소시켜 제3 합성 데이터(1000A)를 생성할 수 있다. 제3 합성 데이터(1000A)에서 타겟 패턴(1010A)과 주변 패턴들(1020A-1050A) 사이의 간격은 제2 간격(P2)일 수 있으며, 제2 간격(P2)은 제1 간격(P1)보다 작을 수 있다. 또한 타겟 패턴(1010)과 주변 패턴들(1020-1050) 사이의 간격을 증가시켜 제4 합성 데이터(1000B)를 생성할 수 있다. 제4 합성 데이터(1000B)에서 타겟 패턴(1010B)과 주변 패턴들(1020B-1050B) 사이의 간격은 제3 간격(P3)일 수 있으며, 제3 간격(P3)은 제1 간격(P1)보다 클 수 있다.
다시 도 16을 참조하면, 기계 학습 모델(800)은 제3 합성 데이터(813)와 제4 합성 데이터(814)에 대해 제3 임계 치수(823)와 제4 임계 치수(824)를 각각 출력할 수 있다. 제3 합성 데이터(813)가 입력 이미지 데이터(810)에서 타겟 패턴과 주변 패턴들 사이의 간격을 감소시킨 이미지 데이터이고, 제4 합성 데이터(814)는 입력 이미지 데이터(810)에서 타겟 패턴과 주변 패턴들 사이의 간격을 증가시킨 이미지 데이터인 것을 가정하기로 한다. 이 경우, 제3 임계 치수(823)는 예측값(820)보다 작고, 제4 임계 치수(824)는 예측값(820)보다 클 것으로 예측할 수 있다. 또는 타겟 패턴과 주변 패턴들에 따라, 제3 임계 치수(823)가 예측값(820)보다 크고, 제4 임계 치수(824)가 예측값(820)보다 작을 것으로 예측할 수도 있다.
제3 임계 치수(823)와 제4 임계 치수(824)가 모두 예측값(820)보다 작거나, 또는 제3 임계 치수(823)와 제4 임계 치수(824)가 모두 예측값(820)보다 크면, 기계 학습 모델(800)의 학습이 정상적으로 진행되지 않을 수 있으며, 학습 완료 후 기계 학습 모델(800)의 예측 정확도가 저하될 수 있다. 본 발명의 일 실시예에서는, 제3 임계 치수(823)와 제4 임계 치수(824)를 합성 손실 함수(830)에 반영할 수 있다. 일례로 합성 손실 함수(830)는, 제3 임계 치수(823)와 제4 임계 치수(824)가 모두 예측값(820)보다 크거나, 또는 예측값(820)보다 작을 경우, 큰 값을 출력하여 기계 학습 모델(800)의 학습 방향을 강제적으로 수정할 수 있다.
다음으로 도 16에 도시한 일 실시예에서 제5 합성 데이터(815)는 타겟 패턴의 임계 치수를 고정시킨 채로 주변 패턴들을 대칭 이동시켜 생성한 이미지 데이터를 포함할 수 있다. 이하, 도 19 및 도 20을 참조하여 더욱 자세히 설명하기로 한다.
먼저 도 19를 참조하면, 입력 이미지 데이터(1100)는 타겟 패턴(1110) 및 그 주변의 주변 패턴들(1120)을 포함하며, 주변 패턴들(1120)은 타겟 패턴(1110)을 기준으로 주변 패턴 영역(1121)에 배치될 수 있다. 입력 이미지 데이터(1100)에서 주변 패턴들(1120)은 타겟 패턴(1110)의 우측 상단에 배치될 수 있다.
도 19를 참조하면, 타겟 패턴(1110)을 기준으로 주변 패턴들(1120)을 다른 영역들에 배치하여 제5 합성 데이터들(1100A-1100C)을 생성할 수 있다. 일례로, 입력 이미지 데이터(1100)에서 타겟 패턴(1110)을 기준으로 주변 패턴들(1120)을 반시계 방향으로 90도만큼 회전시켜 배치함으로써, 제5 합성 데이터(1100A)를 생성할 수 있다. 제5 합성 데이터(1100A)에서 주변 패턴들(1120A)은 타겟 패턴(1110)을 기준으로 좌측 상단의 주변 패턴 영역(1121A)에 배치될 수 있다.
또한 입력 이미지 데이터(1100)에서 타겟 패턴(1100)을 기준으로 주변 패턴들(1120)을 180도만큼 회전시켜 제5 합성 데이터(1100B)를 생성할 수도 있다. 제5 합성 데이터(1100B)에서 주변 패턴들(1120B)은 타겟 패턴(1110)의 좌측 하단의 주변 패턴 영역(1121B)에 배치될 수 있다. 또는, 입력 이미지 데이터(1100)에서 타겟 패턴(1100)을 기준으로 주변 패턴들(1120)을 시계 방향으로 90도만큼 회전시켜 배치함으로써, 제5 합성 데이터(1100C)를 생성할 수도 있다. 제5 합성 데이터(1100C)에서 주변 패턴들(1120C)은 타겟 패턴(1110)의 우측 하단의 주변 패턴 영역(1121C)에 배치될 수 있다.
입력 이미지 데이터(1100)와 제5 합성 데이터들(1100A-1100C)에서 타겟 패턴(1110)과 주변 패턴들(1120, 1120A-1120C)은 그 방향만이 다를 뿐 유사한 형태로 배치될 수 있다. 따라서, 제5 합성 데이터들(1100A-1100C)을 기계 학습 모델에 입력하여 획득한 타겟 패턴(1110)의 임계 치수의 예측값은, 입력 이미지 데이터(1100)를 기계 학습 모델에 입력하여 획득한 타겟 패턴(1110)의 임계 치수의 예측값과 같을 것으로 예측할 수 있다.
다음으로 도 20을 참조하면, 입력 이미지 데이터(1200)는 타겟 패턴(1210) 및 그 주변의 주변 패턴들(1220)을 포함하며, 주변 패턴들(1220)은 타겟 패턴(1210)의 상하에 배치될 수 있다. 또한, 타겟 패턴(1210)을 기준으로 주변 패턴들(1220)을 다른 영역들에 배치하여 제5 합성 데이터(1200A)를 생성할 수 있다. 일례로, 입력 이미지 데이터(1200)에서 타겟 패턴(1210)을 기준으로 주변 패턴들(1220)을 시계 방향으로 90도만큼 회전시켜 제5 합성 데이터(1200A)를 생성할 수 있으며, 제5 합성 데이터(1200A)에서 주변 패턴들(1220)은 타겟 패턴(1210)의 좌우에 배치될 수 있다.
도 19를 참조하여 설명한 바와 마찬가지로, 입력 이미지 데이터(1200)와 제5 합성 데이터(1200A)에서 타겟 패턴(1210)과 주변 패턴들(1220, 1220A)은 그 방향만이 다를 뿐 유사한 형태로 배치될 수 있다. 따라서, 제5 합성 데이터(1200A)를 기계 학습 모델에 입력하여 획득한 타겟 패턴(1210)의 임계 치수의 예측값은, 입력 이미지 데이터(1200)를 기계 학습 모델에 입력하여 획득한 타겟 패턴(1210)의 임계 치수의 예측값과 같을 것으로 예측할 수 있다.
다시 도 16을 참조하면, 입력 이미지 데이터(810)를 기계 학습 모델(800)에 입력하여 획득한 예측값(820)과, 제5 합성 데이터(815)를 기계 학습 모델(800)에 입력하여 획득한 제5 임계 치수(825)는 같을 것으로 예측할 수 있다. 반면 예측값(820)과 제5 임계 치수(825)가 다르거나, 또는 그 차이가 소정의 기준 범위를 벗어날 경우, 기계 학습 모델(800)의 학습이 정상적으로 진행되지 않을 수 있으며, 학습 완료 후 기계 학습 모델(800)의 예측 정확도가 저하될 수 있다. 본 발명의 일 실시예에서는, 제5 임계 치수(825)를 합성 손실 함수(830)에 반영할 수 있다. 일례로 합성 손실 함수(830)는, 제5 임계 치수(825)와 예측값(820)의 차이가 소정의 기준 범위를 벗어날 경우, 기계 학습 모델(800)의 학습 방향이 강제적으로 수정될 수 있는 값을 출력할 수 있다.
일 실시예에서, 합성 손실 함수(830)는 예측값(820)을 반영하는 일반 함수와 함께, 제1 임계 치수(821)와 제2 임계 치수(822)를 반영하는 제1 함수, 제3 임계 치수(823)와 제4 임계 치수(824)를 반영하는 제2 함수, 및 제5 임계 치수(825)를 반영하는 제3 함수 중 적어도 하나를 포함할 수 있다. 제1 내지 제3 함수들 중에서 합성 손실 함수(830)에 포함되는 함수는, 일반 함수에 더해질 수 있다.
도 21은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 최적화 방법을 설명하기 위해 제공되는 흐름도이다.
도 21을 참조하면 본 발명의 일 실시예에 따른 기계 학습 모델의 최적화 방법은, 샘플 이미지 데이터를 생성하는 것으로 시작될 수 있다(S30). 샘플 이미지 데이터는 기계 학습 모델의 민감도(sensitivity)를 판단하기 위하여 생성되는 이미지 데이터일 수 있다.
일례로, 레이아웃 데이터에 포함된 타겟 패턴의 임계 치수가 100um 이고, 레이아웃 데이터를 이용하여 진행된 반도체 공정으로 반도체 기판에 생성된 실제 패턴의 임계 치수가 80um인 경우를 가정하자. 이때 반도체 기판에 생성하고자 하는 실제 패턴의 임계 치수의 목표값은 100um 일 수 있다. 기계 학습 모델이 레이아웃 데이터를 입력받아 출력한 타겟 패턴의 임계 치수에 대한 예측값이 80um 이면, 레이아웃 데이터에 대한 공정 근접 보정을 진행하여 레이아웃 데이터의 임계 치수를 100um 이상으로 증가시킬 수 있다. 일례로, 기계 학습 모델이 출력하는 예측값이 100um가 되어야 하므로, 레이아웃 데이터에서 타겟 패턴의 임계 치수를 25%만큼 증가시킬 수 있다.
다만, 기계 학습 모델의 민감도로 인해, 레이아웃 데이터에서 공정 근접 보정으로 타겟 패턴의 임계 치수를 비율 A만큼 증가 또는 감소시키는 경우, 기계 학습 모델이 출력하는 타겟 패턴의 임계 치수에 대한 예측값은 A와 다른 B만큼 증가 또는 감소할 수 있다. 샘플 이미지 데이터는 기계 학습 모델의 민감도를 판정하기 위한 이미지 데이터로서, 레이아웃 데이터의 특정 영역을 이미지 포맷으로 변환한 이미지 데이터일 수 있다.
샘플 이미지 데이터가 생성되면, 샘플 이미지 데이터에서 타겟 패턴의 임계 치수를 임의로 변경하여 조정 이미지 데이터들을 생성할 수 있다(S31). 예시로, 샘플 이미지 데이터에서 타겟 패턴의 임계 치수를 증가시키거나 감소시켜, 조정 이미지 데이터들을 생성할 수 있다. 다음으로, 샘플 이미지 데이터와 조정 이미지 데이터들을 기계 학습 모델에 입력하여, 타겟 패턴의 임계 치수에 대한 예측값들을 획득할 수 있다(S32). 샘플 이미지 데이터와 조정 이미지 데이터들 각각에서 타겟 패턴의 임계 치수가 서로 다른 값을 갖기 때문에, 기계 학습 모델이 출력하는 예측값들도 서로 다를 수 있다.
샘플 이미지 데이터와 조정 이미지 데이터들 각각에서 타겟 패턴이 갖는 임계 치수와, 기계 학습 모델이 출력하는 예측값들을 이용하여 기계 학습 모델의 민감도를 결정할 수 있다(S33). 일례로, 샘플 이미지 데이터에서 타겟 패턴의 임계 치수가 50um이고, 제1 조정 이미지 데이터에서 타겟 패턴의 임계 치수는 60um이며, 제2 조정 이미지 데이터에서 타겟 패턴의 임계 치수는 40um인 경우를 가정하자. 제1 및 제2 조정 이미지 데이터들 각각에 대해 기계 학습 모델이 출력하는 임계 치수의 예측값을, 샘플 이미지 데이터에 대해 기계 학습 모델이 출력하는 임계 치수의 예측값과 비교하여, 기계 학습 모델의 민감도를 결정할 수 있다.
민감도가 결정되면, 레이아웃 데이터로부터 생성된 입력 이미지 데이터를 기계 학습 모델에 입력하여 획득한 타겟 패턴들의 예측값들을, 민감도를 이용하여 보정할 수 있다(S34). S34 단계에서, 민감도를 이용한 보정 작업은 입력 이미지 데이터에 대응하는 레이아웃 데이터의 좌표들에 따라 서로 다르게 적용될 수 있다. 이는, 동일한 임계 치수를 갖는 타겟 패턴들이라 해도, 주변 패턴들의 배치와 개수 등에 따라 기계 학습 모델의 민감도가 달라지기 때문일 수 있다. 예시로서, 샘플 이미지 데이터가 생성되는 레이아웃 데이터의 일부 영역에, 해당 샘플 이미지 데이터를 이용하여 판단한 민감도를 적용할 수 있다.
민감도에 기초하여 타겟 패턴들의 임계 치수에 대한 예측값이 보정되면, 타겟 패턴들의 임계 치수에 대한 예측값을 이용하여 레이아웃 데이터를 수정할 수 있다(S35). 레이아웃 데이터의 영역들 각각에서 민감도가 서로 다르게 판단될 수 있으며, 따라서 레이아웃 데이터의 영역들 중 적어도 일부에 서로 다른 민감도가 적용될 수 있다. 한편 실시예들에 따라, 조정 이미지 데이터들을 생성하는 과정에서 타겟 패턴 외에 주변 패턴들의 임계 치수가 함께 조정되거나, 또는 타겟 패턴의 임계 치수는 고정시키고 주변 패턴들의 임계 치수나 배치 등이 달라질 수도 있다.
도 21을 참조하여 설명한, 기계 학습 모델의 최적화 방법은, 앞서 설명한 기계 학습 모델의 학습 방법에 의해 기계 학습 모델이 학습을 완료한 이후에 기계 학습 모델에 적용될 수 있다. 일례로, 도 8 내지 도 20을 참조하여 설명한 다양한 학습 방법들 중 적어도 하나를 선택적으로 적용하여 기계 학습 모델에 대한 학습을 완료한 후, 도 21을 참조하여 설명한 최적화 방법을 기계 학습 모델에 적용할 수 있다. 한편, 일 실시예에서, 기계 학습 모델의 오버피팅을 방지하기 위해, 기계 학습 모델의 학습을 위해 레이아웃 데이터로부터 생성되는 입력 이미지 데이터들과, 기계 학습 모델의 최적화를 위하여 레이아웃 데이터로부터 생성되는 샘플 이미지 데이터는 서로 다르게 선택될 수 있다.
도 22 내지 도 26은 본 발명의 일 실시예에 따른 반도체 공정의 근접 보정 방법에서, 기계 학습 모델의 민감도를 판단하는 방법을 설명하기 위해 제공되는 도면들이다.
일례로 도 22는, 샘플 이미지 데이터(1310) 및 샘플 이미지 데이터(1310)를 변형하여 생성한 조정 이미지 데이터들(1311-1314)을 이용하여 기계 학습 모델(1300)의 민감도를 판단하는 방법을 설명하기 위한 도면일 수 있다. 도 22를 참조하면, 샘플 이미지 데이터(1310)를 기계 학습 모델(1300)에 입력하여 타겟 패턴의 임계 치수에 대한 예측값(1320)을 획득할 수 있다. 일 실시예에서 샘플 이미지 데이터(1310)는, 레이아웃 데이터의 일부 영역을 선택하여 이미지 포맷으로 변환한 데이터일 수 있다.
조정 이미지 데이터들(1311-1314)은 샘플 이미지 데이터(1310)에서 타겟 패턴의 임계 치수를 조절하거나, 타겟 패턴을 제외한 주변 패턴들의 배치, 임계 치수 등을 조절하거나, 타겟 패턴과 주변 패턴을 모두 조절하는 방법 등으로 생성될 수 있다. 예시적으로, 제1 조정 이미지 데이터(1311)는 타겟 패턴의 임계 치수를 증가시킨 이미지 데이터이고, 제2 조정 이미지 데이터(1312)는 타겟 패턴의 임계 치수를 감소시킨 이미지 데이터일 수 있다. 제3 조정 이미지 데이터(1313)는 주변 패턴들의 임계 치수를 증가시킨 이미지 데이터이고, 제4 조정 이미지 데이터(1314)는 주변 패턴들의 임계 치수를 감소시킨 이미지 데이터일 수 있다.
기계 학습 모델(1300)은 조정 이미지 데이터들(1311-1314) 각각에서 타겟 패턴의 임계 치수에 대한 예측값을 출력할 수 있다. 기계 학습 모델(1300)이 조정 이미지 데이터들(1311-1314)에 응답하여 출력하는 제1 내지 제4 예측값들(1321-1324)은 타겟 패턴의 임계 치수를 원하는 목표값에 맞추기 위한 임계 치수의 조절값을 계산하는 데에 이용될 수 있다. 일례로, 임계 치수의 조절값은 아래의 수학식 5와 같이 계산될 수 있다.
Figure pat00006
수학식 5는 기계 학습 모델에 제1 조정 이미지 데이터(1311) 및 제2 조정 이미지 데이터(1312)가 입력되는 경우 임계 치수의 조절값과 민감도를 계산하는 식일 수 있다. 수학식 5에서 임계 치수 증가량은 샘플 이미지 데이터(1310)의 타겟 패턴을 기준으로 제1 조정 이미지 데이터(1311)의 타겟 패턴의 임계 치수 증가량일 수 있으며, 임계 치수 감소량은 샘플 이미지 데이터(1310)의 타겟 패턴을 기준으로 제2 조정 이미지 데이터(1312)의 타겟 패턴의 임계 치수 감소량일 수 있다. 한편 설계값은, 샘플 이미지 데이터(1310)에 포함된 타겟 패턴의 임계 치수일 수 있다.
수학식 5에서, 예측값과 목표값의 차이에 곱해지는 항목이 기계 학습 모델(1300)의 민감도일 수 있다. 결과적으로 수학식 5을 참조하여 설명한 바와 같이, 기계 학습 모델(1300)이 레이아웃 데이터로부터 변환된 이미지 데이터를 입력받아 예측값을 출력하면, 민감도를 이용하여 예측값을 수정함으로써 레이아웃 데이터를 수정하는 데에 필요한 임계 치수의 조절값을 획득할 수 있다. 주변 패턴들을 조절한 제3 조정 이미지 데이터(1313) 및 제4 조정 이미지 데이터(1314)가 추가로 반영될 경우, 민감도를 연산하기 위한 방법은 달라질 수 있다.
도 23 내지 도 26은, 타겟 패턴의 임계 치수를 조절하여 하나의 샘플 이미지 데이터로부터 복수의 조정 이미지 데이터들을 생성하는 방법을 설명하기 위한 도면들일 수 있다. 먼저 도 23은 레이아웃 데이터의 일부 영역을 선택하여 이미지 포맷으로 변환한 샘플 이미지 데이터(1400)일 수 있으며, 샘플 이미지 데이터(1400)는 타겟 패턴(1410)과 주변 패턴들(1420)을 포함할 수 있다. 타겟 패턴(1410)은 수직 방향에서 제1 임계 치수(Y1)를 가질 수 있다.
도 24는 샘플 이미지 데이터(1400)에서 타겟 패턴(1410)의 임계 치수를 증가시켜 생성한 제1 조정 이미지 데이터(1400A)를 도시한 도면일 수 있다. 도 24를 참조하면, 제1 조정 이미지 데이터(1400A)의 주변 패턴(1420)은 샘플 이미지 데이터(1400)와 같을 수 있다. 타겟 패턴(1410A)은 제1 임계 치수(Y1)보다 큰 제2 임계 치수(Y2)를 가질 수 있다. 수학식 5를 함께 참조하면, 제2 임계 치수(Y2)와 제1 임계 치수(Y1)의 차이가 민감도의 분모에 포함되는 임계 치수 증가량일 수 있다.
도 25는 샘플 이미지 데이터(1400)에서 타겟 패턴(1410)의 임계 치수를 감소시켜 생성한 제2 조정 이미지 데이터(1400B)를 도시한 도면일 수 있다. 도 25를 참조하면, 제2 조정 이미지 데이터(1400B)의 주변 패턴(1420)은 샘플 이미지 데이터(1400)와 같을 수 있다. 타겟 패턴(1410B)은 제1 임계 치수(Y1)보다 작은 제3 임계 치수(Y3)를 가질 수 있다. 수학식 5를 함께 참조하면, 제1 임계 치수(Y1)와 제3 임계 치수(Y3)의 차이가 민감도의 분모에 포함되는 임계 치수 감소량일 수 있다.
도 26은 타겟 패턴의 임계 치수 조절 방법을 좀 더 구체적으로 설명하기 위한 도면일 수 있다. 도 26을 참조하면, 샘플 이미지 데이터(1500)에서 타겟 패턴(1510)은 복수의 픽셀들(PX)에 의해 표현될 수 있다. 복수의 픽셀들(PX) 중에서 제1 내지 제4 픽셀들(PX1-PX4)을 제외한 나머지 픽셀들(PX5-PX16) 각각은 일부 영역에서 타겟 패턴(1510)과 중첩될 수 있다. 제5 픽셀(PX5)은 제1 수평 폭(HW1)과 제1 수직 폭(VW1)만큼 타겟 패턴(1510)과 중첩되고, 제16 픽셀(PX16)은 제2 수평 폭(HW2)과 제2 수직 폭(VW2)만큼 타겟 패턴(1510)과 중첩될 수 있다. 수평 폭들(HW1, HW2)과 수직 폭들(VW1, VW2)의 길이에 따라서 나머지 픽셀들(PX5-PX16) 각각의 픽셀 강도가 결정될 수 있다.
타겟 패턴(1510)의 임계 치수를 증가 또는 감소시켜 복수의 조정 이미지 데이터들을 생성하기 위해, 수평 폭들(HW1, HW2)과 수직 폭들(VW1, VW2)을 조절할 수 있다. 일례로, 수평 폭들(HW1, HW2)과 수직 폭들(VW1, VW2)을 모두 증가시켜 조정 이미지 데이터를 생성하거나, 또는 감소시켜 조정 이미지 데이터를 생성할 수 있다. 실시예들에 따라, 수평 폭들(HW1, HW2)과 수직 폭들(VW1, VW2) 중 적어도 하나를 선택적으로 증가 또는 감소시켜 조정 이미지 데이터를 생성할 수도 있다.
본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되는 것이 아니며 첨부된 청구범위에 의해 한정하고자 한다. 따라서, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 당 기술분야의 통상의 지식을 가진 자에 의해 다양한 형태의 치환, 변형 및 변경이 가능할 것이며, 이 또한 본 발명의 범위에 속한다고 할 것이다.

Claims (20)

  1. 반도체 공정을 진행하기 위한 레이아웃 데이터에서 선택한 복수의 샘플 영역들을 원본 이미지 데이터들로 변환하는 단계;
    상기 원본 이미지 데이터들 중에서 서로 중복되는 일부를 제거하여 입력 이미지 데이터들을 생성하는 단계;
    상기 입력 이미지 데이터들을 기계 학습 모델에 입력하여 상기 입력 이미지 데이터들에 포함되는 타겟 패턴들의 임계 치수(Critical Dimension, CD)에 대한 예측값을 획득하는 단계; 및
    상기 반도체 공정을 진행한 반도체 기판에서, 상기 타겟 패턴들에 대응하는 실제 패턴들의 임계 치수에 대한 결과값을 측정하는 단계; 및
    상기 예측값과 상기 결과값을 이용하여 상기 기계 학습 모델을 학습시키는 단계; 를 포함하는 반도체 공정의 근접 보정 방법.
  2. 제1항에 있어서,
    상기 입력 이미지 데이터들 중 적어도 일부는 서로 다른 크기를 갖는 반도체 공정의 근접 보정 방법.
  3. 제1항에 있어서,
    상기 원본 이미지 데이터들 각각에서 나타나는 패턴을 이용하여 상기 원본 이미지 데이터들 중에서 동일한 패턴을 갖는 일부의 원본 이미지 데이터들을 제거하는 반도체 공정의 근접 보정 방법.
  4. 제3항에 있어서,
    동일한 패턴을 갖는 상기 일부의 원본 이미지 데이터들을 제거한 후, 나머지 상기 원본 이미지 데이터들 각각에서 추출한 이미지 모멘트를 이용하여 상기 입력 이미지 데이터들을 생성하는 반도체 공정의 근접 보정 방법.
  5. 제1항에 있어서,
    상기 입력 이미지 데이터들 중 적어도 하나의 입력 이미지 데이터는 제1 방향에서 소정의 기준값 이상의 길이를 갖는 긴 타겟 패턴을 포함하고,
    상기 긴 타겟 패턴의 일부 영역을 제거하여 상기 제1 방향에서 상기 적어도 하나의 입력 이미지 데이터를 축소하는 반도체 공정의 근접 보정 방법.
  6. 제5항에 있어서,
    상기 긴 타겟 패턴에서 제거되는 일부 영역은, 상기 제1 방향과 교차하는 제2 방향으로 연장되는 상기 긴 타겟 패턴의 엣지(edge)와 분리되는 반도체 공정의 근접 보정 방법.
  7. 제1항에 있어서,
    상기 원본 이미지 데이터들 각각은, 상기 원본 이미지 데이터들 각각에 대응하는 상기 샘플 영역의 위치 정보 및 상기 샘플 영역에 포함되는 상기 타겟 패턴들의 임계 치수에 대한 측정값을 포함하는 반도체 공정의 근접 보정 방법.
  8. 제7항에 있어서,
    상기 측정값은, 상기 타겟 패턴들 각각의 소정의 위치에서 측정한 폭, 및 상기 타겟 패턴들의 폭들의 평균값 중 적어도 하나를 포함하는 반도체 공정의 근접 보정 방법.
  9. 제1항에 있어서,
    상기 입력 이미지 데이터들 중 적어도 하나의 입력 이미지 데이터는 복수의 픽셀들을 포함하고, 상기 픽셀들은 상기 타겟 패턴들 중 적어도 하나와 완전히 중첩되는 고정 픽셀들 및 상기 타겟 패턴들 중 적어도 하나와 부분적으로 중첩되는 조정 픽셀들을 포함하며,
    상기 조정 픽셀들 각각의 픽셀 강도를 조절하여 상기 적어도 하나의 입력 이미지 데이터를 증강 처리하는 반도체 공정의 근접 보정 방법.
  10. 제9항에 있어서,
    상기 픽셀들은 수평 방향 및 수직 방향을 따라 배열되고, 상기 조정 픽셀들 각각에서 상기 타겟 패턴은 상기 수평 방향을 따라 수평 폭을 갖고 상기 수직 방향을 따라 수직 폭을 가지며,
    상기 조정 픽셀들 중 제1 조정 픽셀에서 상기 타겟 패턴의 상기 수평 폭을 증가시킨 만큼, 상기 조정 픽셀들 중 제1 조정 픽셀과 다른 제2 조정 픽셀에서 상기 타겟 패턴의 상기 수평 폭을 감소시키는 반도체 공정의 근접 보정 방법.
  11. 제9항에 있어서,
    상기 적어도 하나의 입력 이미지 데이터의 중심으로부터 멀어질수록 작아지는 값을 갖는 중심 보정 데이터를 생성하고,
    상기 중심 보정 데이터를 이용하여, 상기 적어도 하나의 입력 이미지 데이터에서 상기 증강 처리에 따른 상기 타겟 패턴들의 좌표 이동을 보상하는 반도체 공정의 근접 보정 방법.
  12. 제1항에 있어서,
    상기 입력 이미지 데이터들 각각은 상기 타겟 패턴, 및 상기 타겟 패턴에 인접한 주변 패턴을 포함하며,
    상기 입력 이미지 데이터 중 적어도 하나로부터 획득한 상기 타겟 패턴의 임계 치수, 상기 타겟 패턴과 상기 주변 패턴 사이의 거리, 상기 주변 패턴의 개수, 및 상기 주변 패턴의 위치 중 적어도 하나에 따라 결정되는 손실 함수를 이용하여 상기 기계 학습 모델을 학습시키는 반도체 공정의 근접 보정 방법.
  13. 제1항에 있어서,
    상기 기계 학습 모델은 상기 입력 이미지 데이터들을 입력받아 상기 예측값을 출력하는 합성곱 신경망(Convolution Neural Network, CNN)을 포함하는 반도체 공정의 근접 보정 방법.
  14. 임계 치수를 조정하고자 하는 타겟 패턴과 상기 타겟 패턴에 인접한 주변 패턴을 포함하는 샘플 이미지 데이터, 및 상기 샘플 이미지 데이터에서 상기 타겟 패턴의 임계 치수를 변경한 복수의 조정 이미지 데이터들을 생성하는 단계;
    상기 샘플 이미지 데이터와 상기 복수의 조정 이미지 데이터들을 기계 학습 모델에 입력하여 상기 샘플 이미지 데이터와 상기 복수의 조정 이미지 데이터들 각각에서 상기 타겟 패턴의 임계 치수에 대한 예측값을 획득하는 단계;
    상기 샘플 이미지 데이터와 상기 복수의 조정 이미지 데이터들 각각에서 획득한 상기 타겟 패턴의 임계 치수와 상기 예측값을 이용하여 상기 기계 학습 모델의 민감도를 결정하는 단계;
    반도체 장치의 레이아웃 데이터로부터 생성된 이미지 데이터를 입력받은 상기 기계 학습 모델의 출력값을 상기 민감도에 기초하여 보정하는 단계; 및
    상기 보정된 출력값에 기초하여 상기 레이아웃 데이터를 수정하는 단계; 를 포함하는 반도체 공정의 근접 보정 방법.
  15. 제14항에 있어서,
    상기 복수의 조정 이미지 데이터들 중 적어도 하나는, 상기 샘플 이미지 데이터에서 상기 주변 패턴의 임계 치수를 고정하고 상기 타겟 패턴의 임계 치수만을 변경하여 생성되는 반도체 공정의 근접 보정 방법.
  16. 제14항에 있어서,
    상기 복수의 조정 이미지 데이터들 중 적어도 하나는, 상기 샘플 이미지 데이터에서 상기 타겟 패턴의 임계 치수와 상기 주변 패턴의 임계 치수를 함께 변경하여 생성되는 반도체 공정의 근접 보정 방법.
  17. 반도체 공정을 진행하기 위한 레이아웃 데이터에서 선택한 복수의 샘플 영역들로부터 입력 이미지 데이터들을 생성하는 단계;
    상기 입력 이미지 데이터들을 기계 학습 모델에 입력하여 상기 입력 이미지 데이터들에 포함되는 타겟 패턴들의 임계 치수에 대한 예측값을 획득하는 단계;
    상기 타겟 패턴들에 대응하는 실제 패턴들의 임계 치수에 대한 결과값을 상기 반도체 공정을 진행한 반도체 기판에서 측정하고, 상기 예측값과 상기 결과값을 이용하여 상기 기계 학습 모델을 학습시키는 단계;
    상기 레이아웃 데이터에서 선택한 적어도 하나의 샘플 이미지 데이터에서 상기 타겟 패턴의 임계 치수를 조절(증가 및 감소)하여 복수의 조정 이미지 데이터들을 생성하는 단계;
    상기 샘플 이미지 데이터 및 상기 조정 이미지 데이터들을 상기 기계 학습 모델에 입력하여 상기 샘플 이미지 데이터 및 상기 조정 이미지 데이터들 각각에서 상기 타겟 패턴의 임계 치수에 대한 예측값을 획득하는 단계; 및
    상기 샘플 이미지 데이터 및 상기 조정 이미지 데이터들 각각에서 획득한 상기 타겟 패턴의 임계 치수와 상기 예측값을 이용하여 상기 기계 학습 모델의 민감도를 결정하고, 상기 민감도를 이용하여 상기 기계 학습 모델을 최적화하는 단계; 를 포함하는 반도체 공정의 근접 보정 방법.
  18. 제17항에 있어서,
    상기 샘플 이미지 데이터는 복수의 픽셀들을 포함하고, 상기 픽셀들은 상기 타겟 패턴과 완전히 중첩되는 고정 픽셀들 및 상기 타겟 패턴들 중 적어도 하나와 부분적으로 중첩되는 조정 픽셀들을 포함하며,
    상기 조정 픽셀들 각각의 픽셀값을 조절하여 상기 조정 이미지 데이터들을 생성하는 반도체 공정의 근접 보정 방법.
  19. 제17항에 있어서,
    최적화된 상기 기계 학습 모델에 상기 레이아웃 데이터를 입력하는 단계; 및
    최적화된 상기 기계 학습 모델의 출력값에 기초하여 상기 레이아웃 데이터를 수정하는 단계; 를 더 포함하는 반도체 공정의 근접 보정 방법.
  20. 제17항에 있어서,
    상기 레이아웃 데이터에서 상기 타겟 패턴들의 임계 치수에 대한 설계값을 획득하는 단계; 를 더 포함하며,
    상기 예측값과 상기 설계값의 차이, 및 상기 결과값과 상기 설계값의 차이를 이용하여 상기 기계 학습 모델을 학습시키는 반도체 공정의 근접 보정 방법.
KR1020200079418A 2020-06-29 2020-06-29 반도체 공정의 근접 보정 방법 KR20220001262A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200079418A KR20220001262A (ko) 2020-06-29 2020-06-29 반도체 공정의 근접 보정 방법
US17/180,984 US11733603B2 (en) 2020-06-29 2021-02-22 Proximity correction methods for semiconductor manufacturing processes
CN202110724775.3A CN113870173A (zh) 2020-06-29 2021-06-29 用于半导体制造工艺的邻近校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200079418A KR20220001262A (ko) 2020-06-29 2020-06-29 반도체 공정의 근접 보정 방법

Publications (1)

Publication Number Publication Date
KR20220001262A true KR20220001262A (ko) 2022-01-05

Family

ID=78990070

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200079418A KR20220001262A (ko) 2020-06-29 2020-06-29 반도체 공정의 근접 보정 방법

Country Status (3)

Country Link
US (1) US11733603B2 (ko)
KR (1) KR20220001262A (ko)
CN (1) CN113870173A (ko)

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3333176B2 (ja) 1999-06-03 2002-10-07 インターナショナル・ビジネス・マシーンズ・コーポレーション 近接補正方法、装置及び記録媒体
KR101659838B1 (ko) 2010-06-18 2016-09-26 삼성전자주식회사 식각 근접 보정방법 및 그를 이용한 포토마스크 레이아웃의 생성방법
KR101855803B1 (ko) 2012-02-22 2018-05-10 삼성전자주식회사 식각 근접 보정방법
US20150287176A1 (en) * 2014-04-02 2015-10-08 Globalfoundries Inc. Method and appratus for hybrid test pattern generation for opc model calibration
US10197908B2 (en) 2016-06-21 2019-02-05 Lam Research Corporation Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework
US10534257B2 (en) * 2017-05-01 2020-01-14 Lam Research Corporation Layout pattern proximity correction through edge placement error prediction
US10402524B2 (en) 2017-05-08 2019-09-03 Globalfoundries Inc. Prediction of process-sensitive geometries with machine learning
US11195093B2 (en) 2017-05-18 2021-12-07 Samsung Electronics Co., Ltd Apparatus and method for student-teacher transfer learning network using knowledge bridge
KR20200010496A (ko) 2017-05-26 2020-01-30 에이에스엠엘 네델란즈 비.브이. 기계 학습에 기초한 어시스트 피처 배치
KR102405686B1 (ko) 2017-09-08 2022-06-07 에이에스엠엘 네델란즈 비.브이. 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들
US10386726B2 (en) 2017-09-29 2019-08-20 Globalfoundries Inc. Geometry vectorization for mask process correction
US10691864B2 (en) 2017-11-14 2020-06-23 Taiwan Semiconductor Manufacturing Co., Ltd. Method of post optical proximity correction (OPC) printing verification by machine learning
US10445461B2 (en) 2017-12-20 2019-10-15 Lihong Zhang Process variation-aware sizing-inclusive analog layout retargeting with optical proximity correction
CN110021005B (zh) 2018-01-05 2022-03-15 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
US20200380362A1 (en) * 2018-02-23 2020-12-03 Asml Netherlands B.V. Methods for training machine learning model for computation lithography
KR102585137B1 (ko) * 2018-10-17 2023-10-06 에이에스엠엘 네델란즈 비.브이. 특성 패턴을 생성하고 기계 학습 모델을 트레이닝하는 방법들
WO2020094389A1 (en) * 2018-11-08 2020-05-14 Asml Netherlands B.V. Failure model for predicting failure due to resist layer
KR20210090253A (ko) * 2018-12-14 2021-07-19 에이에스엠엘 네델란즈 비.브이. 패터닝 공정에서의 웨이퍼 거동을 결정하기 위해 이미지 패턴들을 그룹화하는 장치 및 방법
KR20210130784A (ko) * 2019-03-25 2021-11-01 에이에스엠엘 네델란즈 비.브이. 패터닝 공정에서 패턴을 결정하는 방법
CN113874787B (zh) * 2019-05-21 2024-04-16 Asml荷兰有限公司 用于确定与期望图案相关联的随机变化的方法
WO2021028126A1 (en) * 2019-08-13 2021-02-18 Asml Netherlands B.V. Modeling method for computational fingerprints
WO2021028228A1 (en) * 2019-08-13 2021-02-18 Asml Netherlands B.V. Method for training machine learning model for improving patterning process
US20230076218A1 (en) * 2020-02-21 2023-03-09 Asml Netherlands B.V. Method for calibrating simulation process based on defect-based process window
KR20220080768A (ko) * 2020-12-07 2022-06-15 삼성전자주식회사 Opc 모델의 에러 검증 방법
KR20230028647A (ko) * 2021-08-20 2023-03-02 삼성전자주식회사 Euv 리소그래피의 결함 예측 방법 및 이를 이용한 반도체 소자의 제조 방법

Also Published As

Publication number Publication date
US20210405521A1 (en) 2021-12-30
US11733603B2 (en) 2023-08-22
CN113870173A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
KR100962859B1 (ko) 집적 회로의 선택적 스케일링
JP4999013B2 (ja) 集積化されたｏｐｃ検証ツール
KR101275682B1 (ko) 반도체 장치 및 그 제조 방법 및 반도체 제조용 마스크, 광 근접 처리 방법
US8239803B2 (en) Layout method and layout apparatus for semiconductor integrated circuit
US20180011963A1 (en) Increasing manufacturing yield of integrated circuits by modifying original design layout using location specific constraints
US6077310A (en) Optical proximity correction system
WO2005109256A2 (en) Methos and apparatus for designing integrated circuit layouts
US8392854B2 (en) Method of manufacturing semiconductor device by using uniform optical proximity correction
JP2012505526A (ja) 動的アレイアーキテクチャにおけるセル位相整合及び配置の方法及びその実施
US20050204327A1 (en) Layout data verification method, mask pattern verification method and circuit operation verification method
US20030177467A1 (en) Opc mask manufacturing method, opc mask, and chip
US9672300B2 (en) Pattern generation method
US7082588B2 (en) Method and apparatus for designing integrated circuit layouts
JP4080813B2 (ja) マーク設計システム、マーク設計方法、マーク設計プログラムおよびこのマーク設計方法を用いた半導体装置の製造方法
JP4852263B2 (ja) 半導体装置の製造方法と、半導体装置のチップパタンの補正プログラム
JPH11184064A (ja) フォトマスクパターン設計装置および設計方法ならびにフォトマスクパターン設計プログラムを記録した記録媒体
KR20220001262A (ko) 반도체 공정의 근접 보정 방법
US7974457B2 (en) Method and program for correcting and testing mask pattern for optical proximity effect
JPH10239826A (ja) フォトマスクパターン設計装置およびフォトマスクパターン設計方法
CN117529723A (zh) 基于机器学习的电源/接地(p/g)通孔移除
JPH07503340A (ja) 電子ビーム露光方法
US20090199153A1 (en) Exposure condition setting method and program for setting exposure conditions
KR20220077678A (ko) 기계 학습을 이용한 반도체 공정을 위한 레이아웃의 보정 방법 및 장치
JP2006253409A (ja) 歩留り解析方法、半導体集積回路装置の設計方法および半導体集積回路装置
US20220050952A1 (en) Guided power grid augmentation system and method