KR20230035384A - 기계 학습 모델을 트레이닝시키기 위한 정보성 패턴을 선택하는 장치 및 방법. - Google Patents

기계 학습 모델을 트레이닝시키기 위한 정보성 패턴을 선택하는 장치 및 방법. Download PDF

Info

Publication number
KR20230035384A
KR20230035384A KR1020237004467A KR20237004467A KR20230035384A KR 20230035384 A KR20230035384 A KR 20230035384A KR 1020237004467 A KR1020237004467 A KR 1020237004467A KR 20237004467 A KR20237004467 A KR 20237004467A KR 20230035384 A KR20230035384 A KR 20230035384A
Authority
KR
South Korea
Prior art keywords
image
patterns
metric
pattern
sub
Prior art date
Application number
KR1020237004467A
Other languages
English (en)
Inventor
맥심 피사렌코
스콧 앤더슨 미들브룩스
마르쿠스 제라르두스 마르티누스 마리아 반 크라이
코엔 아드리아누스 베르슈렌
Original Assignee
에이에스엠엘 네델란즈 비.브이.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에이에스엠엘 네델란즈 비.브이. filed Critical 에이에스엠엘 네델란즈 비.브이.
Publication of KR20230035384A publication Critical patent/KR20230035384A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/70—Adapting basic layout or design of masks to lithographic process requirements, e.g., second iteration correction of mask patterns for imaging
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Abstract

디자인 레이아웃과 같은 이미지로부터 패턴을 선택하기 위한 방법 및 장치가 본 명세서에 설명된다. 본 방법은 복수의 패턴을 갖는 (예를 들어, 타겟 레이아웃의) 이미지를 획득하는 것; 이미지 내의 픽셀 세기를 기반으로, 이미지의 하나 이상의 부분에 포함된 정보의 양을 나타내는 메트릭 (예를 들어, 엔트로피)을 결정하는 것; 및 메트릭을 기반으로, 특정 범위 내의 메트릭의 값을 갖는 이미지의 하나 이상의 부분으로부터 복수의 패턴의 서브-세트를 선택하는 것을 포함한다. 패턴의 서브-세트는 패터닝 공정과 연관된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 제공될 수 있다.

Description

기계 학습 모델을 트레이닝시키기 위한 정보성 패턴을 선택하는 장치 및 방법.
관련 출원에 대한 상호 참조
본 출원은 2020년 8월 7일에 출원되고 원용에 의해 전체적으로 본 명세서에 포함된 EP 출원 제20189955.6호의 우선권을 주장한다.
본 명세서의 설명은 전반적으로 리소그래피 및 관련 공정의 개선에 관한 것이다. 보다 특히, 본 발명은 리소그래피 또는 관련 공정에 사용되는 모델을 트레이닝시키기 위한 정보성 패턴을 선택하기 위한 장치, 방법 및 컴퓨터 프로그램 제품에 관한 것이다.
리소그래피 투영 장치는, 예를 들어 집적 회로(IC)의 제조에 사용될 수 있다. 이러한 경우, 패터닝 디바이스 (예를 들어, 마스크)는 IC의 개별 층에 대응하는 패턴("디자인 레이아웃")을 포함하거나 제공할 수 있으며, 패터닝 디바이스 상의 패턴을 통해 타겟 부분을 조사하는 것과 같은 방법에 의하여, 이 패턴은 방사선-감응 재료("레지스트")의 층으로 코팅된 기판 (예를 들어, 실리콘 웨이퍼) 상의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟 부분 상으로 전사될 수 있다. 일반적으로, 단일 기판은 리소그래피 투영 장치에 의해 패턴이 한 번에 하나의 타겟 부분으로 연속적으로 전사되는 복수의 인접한 타겟 부분을 포함한다. 한 유형의 리소그래피 투영 장치에서, 전체 패터닝 디바이스 상의 패턴은 하나의 타겟 부분 상으로 한 번에 전사되며; 이러한 장치는 통상적으로 스테퍼(stepper)로 지칭된다. 통상적으로 스텝-앤드-스캔(step-and-scan) 장치로 지칭되는 대안적인 장치에서, 투영 빔은 주어진 기준 방향 ("스캐닝" 방향)으로 패터닝 디바이스를 스캔하는 한편, 동시에 이 기준 방향과 평행하게 또는 역-평행하게(anti-parallel) 기판을 이동시킨다. 패터닝 디바이스 상의 패턴의 상이한 부분들이 점진적으로 하나의 타겟 부분에 전사된다. 일반적으로, 리소그래피 투영 장치가 저감비(M) (예를 들어, 4)를 가질 것이기 때문에, 기판이 이동되는 속력(F)은 투영 빔이 패터닝 디바이스를 스캔하는 속력의 1/M배일 것이다. 리소그래피 디바이스에 관한 더 많은 정보는, 예를 들어 원용에 의해 본 명세서에 포함되는 US 6,046,792에서 찾을 수 있다.
패턴을 패터닝 디바이스로부터 기판으로 전사하기 전에, 기판은 프라이밍(priming), 레지스트 코팅, 및 소프트 베이크(soft bake)와 같은 다양한 절차를 겪을 수 있다. 노광 후에, 기판은 노광 후 베이크(PEB), 현상(development), 하드 베이크(hard bake), 및 전사된 패턴의 측정/검사와 같은 다른 절차 ("노광 후 절차")들을 거칠 수 있다. 이 일련의 절차는 디바이스, 예를 들면 IC의 개별 층을 제작하기 위한 기초로 이용된다. 기판은 그 후 에칭, 이온-주입(도핑), 금속화, 산화, 화학-기계적 연마 등과 같은 다양한 공정을 거칠 수 있으며, 이들 모두는 디바이스의 개별 층을 마무리하도록 의도된다. 디바이스에 여러 층이 요구된다면, 전체 절차 또는 그 변형이 각 층에 대해 반복된다. 최종적으로, 기판 상의 각 타겟 부분에 디바이스가 존재할 것이다. 그 후 이 디바이스들은 다이싱(dicing) 또는 소잉(sawing)과 같은 기술에 의해 서로 분리되며, 개별 디바이스들은 캐리어에 장착될 수 있거나, 핀에 연결될 수 있다.
따라서, 반도체 디바이스와 같은 디바이스를 제조하는 것은 전형적으로 디바이스의 다양한 피처(feature) 및 복수의 층을 형성하기 위해 다수의 제조 공정을 사용하여 기판 (예를 들어, 반도체 웨이퍼)을 처리하는 것을 포함한다. 이러한 층 및 피처는 전형적으로, 예를 들어 증착, 리소그래피, 에칭, 화학-기계적 연마, 및 이온 주입을 이용하여 제조 및 처리된다. 다수의 디바이스는 기판 상의 복수의 다이 상에서 제조되며, 그 후 개별 디바이스들로 분리될 수 있다. 이 디바이스 제조 공정은 패터닝 공정으로 고려될 수 있다. 패터닝 공정은 패터닝 디바이스 상의 패턴을 기판으로 전사하기 위해 리소그래피 장치 내의 패터닝 디바이스를 사용하는 광학 및/또는 나노임프린트 리소그래피와 같은 패터닝 단계를 포함하며, 또한 전형적으로, 하지만 선택적으로, 현상 장치에 의한 레지스트 현상, 베이크 툴을 사용한 기판의 베이킹, 에칭 장치를 사용하여 패턴을 에칭하는 것 등과 같은 하나 이상의 관련 패턴 처리 단계를 포함한다.
실시예에서, 기계 학습 모델을 위한 트레이닝 데이터를 생성하는 방법이 제공된다. 트레이닝 데이터는 타겟 레이아웃 내의 타겟 패턴과 연관된 정보 메트릭 (예를 들어, 정보 엔트로피)을 기반으로 선택된다. 타겟 레이아웃은 수억 개의 패턴을 가질 수 있으며, 트레이닝 목적을 위한 가장 정보성이 있는 패턴의 이러한 선택이 바람직하다. 실시예에서, 정보 메트릭은 부가적인 패터닝 관련 공정 모델 또는 기계 학습 모델을 실행하지 않고 패턴의 선택을 가능하게 한다. 이와 같이, 선택은 타겟 레이아웃에 직접 적용될 수 있으며 이는 또한 많은 계산 자원과 시간을 절약할 수 있다.
실시예에서, 본 방법은 제1 패턴과 제2 패턴을 포함하는 이미지를 획득하는 것; 제1 패턴의 픽셀 세기를 기반으로 이미지의 제1 부분 내의 정보 엔트로피의 제1 레벨을 결정하는 것; 제2 패턴의 픽셀 세기를 기반으로 이미지의 제2 부분 내의 정보 엔트로피의 제2 레벨을 결정하는 것; 정보 엔트로피의 제1 레벨과 정보 엔트로피의 제2 레벨을 비교하는 것; 비교를 기반으로 정보 엔트로피의 제1 레벨이 정보 엔트로피의 제2 레벨보다 낮다는 것을 결정하는 것; 및 정보 엔트로피의 제1 레벨이 정보 엔트로피의 제2 레벨보다 낮다는 점을 결정하는 것에 응답하여, 제1 패턴 또는 제1 패턴의 적어도 일부분을 포함하는 트레이닝 데이터 세트를 생성하는 것을 포함한다.
실시예에서, 본 방법은 복수의 패턴 (예를 들어, 타겟 패턴)을 갖는 이미지 (예를 들어, 타겟 레이아웃)를 획득하는 것; 이미지 내의 픽셀 세기를 기반으로, 이미지의 하나 이상의 부분에 포함된 정보의 양을 나타내는 메트릭을 결정하는 것; 및 메트릭을 기반으로, 특정 범위 내의 메트릭의 값을 갖는 이미지의 하나 이상의 부분으로부터 복수의 패턴의 서브-세트를 선택하는 것을 포함한다. 패턴의 선택된 서브-세트는 패터닝 공정과 연관된 모델 (예를 들어, OPC)을 트레이닝시키기 위한 트레이닝 데이터로서 제공될 수 있다. 예를 들어, 메트릭은 이미지에 오버레이된 윈도우 내의 픽셀과 연관된 확률을 기반으로 계산된 정보 엔트로피일 수 있다.
실시예에서, 메트릭은 복수의 패턴의 각각의 비균질성, 모델 예측과 연관된 불확실성, 또는 모델 예측과 관련된 오차를 나타낸다. 이런 이유로, 예를 들어 메트릭은 타겟 레이아웃에서 수억 개의 패턴 중에서 가장 유익한 정보성이 있는 패턴의 선택을 안내할 수 있다.
실시예에 따르면, 명령어가 기록된 비일시적 컴퓨터 판독 가능한 매체를 포함하는 컴퓨터 시스템이 제공된다. 명령어는 컴퓨터에 의해 실행될 때 위의 방법 단계를 구현한다.
본 명세서에 포함되고 명세서의 일부를 구성하는 첨부 도면은 본 명세서에 개시된 대상물의 특정 양태를 보여주고 있으며 또한 설명과 함께 개시된 실시예와 연관된 원리의 원리를 설명하는 데 도움을 준다. 도면에서;
도 1은 실시예에 따른 리소그래피 투영 장치의 다양한 서브시스템의 블록도를 도시하고 있다.
도 2는 실시예에 따른 리소그래피 투영 장치에서 리소그래피를 시뮬레이션하기 위한 예시적인 흐름도를 도시하고 있다.
도 3a는 실시예에 따른, 타겟 레이아웃으로부터 패턴을 선택하기 위해 사용되는 상이한 방법들의 비교를 보여주고 있다.
도 3b는 실시예에 따른, 도 3a에서 보여지는 오차 기반 방법의 확대된 버전이다.
도 3c는 실시예에 따른, 도 3a에서 보여지는 불확실성 기반 방법의 확대된 버전이다.
도 3d는 실시예에 따른, 타겟 레이아웃으로부터 패턴을 선택하기 위해 예시적인 메트릭 (예를 들어, 엔트로피)을 사용하는 방법의 확대된 버전이다.
도 3e는 실시예에 따른, 타겟 레이아웃과 연관된 엔트로피와 오차 간의 상관관계를 시각적으로 도시하고 있다.
도 3f는 실시예에 따른, 타겟 레이아웃과 연관된 엔트로피와 불확실성 간의 상관관계를 시각적으로 도시하고 있다.
도 4는 실시예에 따른, 정보 콘텐츠 메트릭을 기반으로 타겟 레이아웃으로부터 패턴을 선택하기 위한 방법의 흐름도이다.
도 5는 실시예에 따른 예시적인 컴퓨터 시스템의 블록도이다.
도 6은 실시예에 따른 리소그래피 투영 장치의 개략도이다.
도 7은 실시예에 따른 또 다른 리소그래피 투영 장치의 개략도이다.
도 8은 실시예에 따른 리소그래피 투영 장치의 상세도이다.
도 9는 실시예에 따른 리소그래피 투영 장치의 소스 컬렉터 모듈의 상세도이다.
본 명세서에서 IC의 제조에 대하여 구체적인 참조가 이루어졌지만, 본 명세서 내의 설명은 많은 다른 가능한 적용을 갖는다는 점이 명확하게 이해되어야 한다. 예를 들어, 본 발명은 집적 광학 시스템, 자기 도메인 메모리를 위한 안내 및 검출 패턴, 액정 디스플레이 패널, 박막 자기 헤드, 등의 제조에 이용될 수 있다. 이러한 대안적인 적용의 문맥에서, 본 명세서에서의 용어 "레티클", "웨이퍼" 또는 "다이"의 임의의 사용이 보다 일반적인 용어 "마스크", "기판" 및 "타겟 부분"과 각각 상호 교환 가능한 것으로 고려될 수 있다는 점을 본 기술 분야의 숙련된 자들이 인식할 것이다.
본 명세서에서, 용어 "방사선" 및 "빔"은 (예를 들어 365, 248, 193, 157 또는 126㎚의 파장을 갖는) 자외 방사선 및 EUV (예를 들어 약 5 내지 100㎚ 범위의 파장을 가지는 극자외 방사선)를 포함하는 모든 유형을 전자기 방사선을 포함하도록 사용될 수 있다.
패터닝 디바이스는 하나 이상의 디자인 레이아웃을 포함하거나 디자인 레이아웃을 형성할 수 있다. 디자인 레이아웃은 CAD (컴퓨터 이용 설계) 프로그램을 활용하여 생성될 수 있으며, 이 공정은 흔히 EDA(전자 설계 자동화)로 지칭된다. 기능성 디자인 레이아웃/패터닝 디바이스를 생성하기 위하여 대부분의 CAD 프로그램은 예정된 디자인 규칙의 세트를 따른다. 이 규칙은 처리 및 디자인 제한 사항에 의하여 설정된다. 예를 들어, 디자인 규칙은, 디바이스 또는 라인이 바람직하지 않은 방식으로 서로 상호작용하지 않는 것을 보장하기 위하여, 디바이스들 (예를 들어, 게이트, 커패시터 등) 또는 상호연결 라인들 사이의 허용 오차를 규정한다. 디자인 규칙 제한 사항들 중 하나 이상은 "임계 치수(CD)"로 지칭될 수 있다. 디바이스의 임계 치수는 라인 또는 홀의 가장 작은 폭 또는 2개의 라인 또는 2개의 홀들 사이의 가장 작은 공간으로 규정될 수 있다. 따라서, CD는 디자인된 디바이스의 전체 크기 및 밀도를 결정한다. 물론, 디바이스 제조의 목적들 중 하나는 원래의 디자인 의도를 (패터닝 디바이스를 통하여) 기판 상에 충실하게 재현하는 것이다.
본 명세서에서 사용되는 바와 같은 용어 "마스크" 또는 "패터닝 디바이스"는 입사 방사선 빔에, 기판의 타겟 부분에 생성될 패턴에 대응하는 패터닝된 횡단면을 부여하기 위해 사용될 수 있는 포괄적인 패터닝 디바이스를 지칭하는 것으로 광범위하게 해석될 수 있다; 용어 "광 밸브(light valve)" 또한 이 맥락에서 사용될 수 있다. 고전적인 마스크 (투과형 또는 반사형; 바이너리, 위상-시프팅, 하이브리드 등) 외에, 다른 이러한 패터닝 디바이스의 예는 프로그램 가능한 미러 어레이 및 프로그램 가능한 LCD 어레이를 포함한다.
프로그램 가능한 미러 어레이의 예는 점탄성 제어층과 반사 표면을 갖는 매트릭스-어드레스 가능한 표면일 수 있다. 이러한 장치 배후의 기본 원리는 (예를 들어) 반사 표면의 어드레스된 영역이 입사 방사선을 회절 방사선으로 반사하는 반면, 어드레스되지 않은 영역은 입사 방사선을 비회절 방사선으로 반사한다는 것이다. 적절한 필터를 사용하여 상기 비회절 방사선은 반사 빔에서 필터링되어 회절 방사선만을 남길 수 있다; 이 방식으로 빔은 매트릭스-어드레스 가능한 표면의 어드레싱 패턴에 따라 패턴화된다. 필요한 매트릭스 어드레싱은 적절한 전자 수단을 사용하여 수행될 수 있다.
프로그램 가능한 LCD 어레이의 예가 미국 특허 제5,229,872호에 제공되며, 이 특허는 원용에 의해 본 명세서에 포함된다.
도 1은 실시예에 따른 리소그래피 투영 장치(10A)의 다양한 서브시스템의 블록도를 도시하고 있다. 주요 구성 요소는 심자외 엑시머 레이저 소스, 또는 극자외(EUV) 소스를 포함하는 다른 유형의 소스일 수 있는 방사선 소스(12A) (위에서 논의된 바와 같이, 리소그래피 투영 장치 자체는 방사선 소스를 가질 필요가 없다); (시그마로서 표시되는) 부분 간섭성을 규정하고 소스(12A)로부터의 방사선을 성형하는 광학계(14A, 16Aa 및 16Ab)를 포함할 수 있는 조명 광학계; 패터닝 디바이스(18A); 및 패터닝 디바이스 패턴의 이미지를 기판 평면(22A) 상으로 투영시키는 투과 광학계(16Ac)이다. 투영 광학계의 퓨필 평면에 있는 조정 가능한 필터 또는 애퍼처(20A)는 기판 평면(22A)에 충돌하는 빔 각도의 범위를 제한할 수 있으며, 여기서 가능한 가장 큰 각도는 투영 광학계의 개구수(NA=n sin(Θmax))를 규정하며, 여기서 n은 기판과 투영 광학계의 마지막 요소 사이의 매질의 굴절률이고, Θmax는 여전히 기판 평면(22A)에 충돌할 수 있는, 투영 광학계로부터 나오는 빔의 최대 각도이다.
리소그래피 투영 장치에서 소스는 조명 (즉, 광)을 패터닝 디바이스에 제공하며, 투영 광학계는 패터닝 디바이스를 통해 기판 상으로 조명을 지향시키고 성형한다. 투영 광학계는 구성 요소(14A, 16Aa, 16Ab 및 16Ac) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 세기 분포이다. 레지스트 모델은 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 사용될 수 있으며, 이의 예는 미국 특허 출원 공개 번호 US2009/0157630에서 찾을 수 있으며, 이의 내용은 원용에 의해 전체적으로 본 명세서에 포함된다. 레지스트 모델은 레지스트 층의 특성 (예를 들어, 노광, 노광 후 베이크(PEB) 및 현상 동안 발생하는 화학 공정의 영향)에만 관련된다. 리소그래피 투영 장치의 광학 특성 (예를 들어, 조명, 패터닝 디바이스 및 투영 광학계의 특성)은 에어리얼 이미지에 영향을 주며 광학 모델에서 규정될 수 있다. 리소그래피 투영 장치에 사용되는 패터닝 디바이스는 변화될 수 있기 때문에, 패터닝 디바이스의 광학적 특성을 적어도 소스와 투영 광학계를 포함하는 리소그래피 투영 장치의 나머지 부분의 광학적 특성에서 분리하는 것이 바람직하다. 디자인 레이아웃을 다양한 리소그래피 이미지 (예를 들어, 에어리얼 이미지, 레지스트 이미지 등)로 변환하기 위해 사용되는 기술과 모델, 이 기술과 모델을 이용한 OPC의 적용, 및 (예를 들어, 공정 윈도우 면에서의) 성능의 평가의 세부 사항들이 미국 특허 출원 공개 US2008/0301620, 2007/0050749, 2007/0031745, 2008/0309897, 2010/0162197 및 2010/0180251호에 설명되어 있으며, 이들의 각각의 내용은 원용에 의해 전체적으로 본 명세서에 포함된다.
본 발명의 실시예에 따르면, 하나 이상의 이미지가 생성될 수 있다. 이미지는 픽셀 값들 또는 각 픽셀의 세기 값에 의해 특징지어질 수 있는 다양한 유형의 신호를 포함한다. 이미지 내의 픽셀의 상대 값들에 따라, 신호는 예를 들어 본 기술 분야의 숙련된 자에 의하여 이해될 수 있는 바와 같이, 약한 신호 또는 강한 신호로 지칭될 수 있다. 용어 "강한" 및 "약한"은 이미지 내의 픽셀들의 세기 값들을 기반으로 하는 상대적인 용어들이며, 세기의 특정 값은 본 발명의 범위를 제한하지는 않을 수 있다. 실시예에서, 강한 신호 및 약한 신호는 선택된 임계값을 기반으로 식별될 수 있다. 일 실시예에서, 임계값은 고정될 수 있다 (예를 들어, 이미지 내의 픽셀의 가장 높은 세기와 가장 낮은 세기의 중간점). 실시예에서, 강한 신호는 이미지 전체에 걸쳐 평균 신호 값보다 크거나 이와 동일한 값을 갖는 신호를 지칭할 수 있으며, 약한 신호는 평균 신호 값보다 작은 값을 갖는 신호를 지칭할 수 있다. 실시예에서, 상대적인 세기 값은 백분율을 기반으로 할 수 있다. 예를 들어, 약한 신호는 이미지 내의 픽셀의 가장 높은 세기 (예를 들어, 타겟 패턴에 대응하는 픽셀은 가장 높은 세기를 갖는 픽셀로 간주될 수 있다)의 50% 미만의 세기를 갖는 신호일 수 있다 더욱이, 이미지 내의 각 픽셀은 변수로서 고려될 수 있다. 본 실시예에 따르면, 도함수 또는 편도함수가 이미지 내의 각 픽셀에 대해 결정될 수 있으며, 각 픽셀의 값들은 비용 함수 기반 평가 및/또는 비용 함수의 기울기 기반 연산(gradient based computation)에 따라 결정 또는 수정될 수 있다. 예를 들어, CTM 이미지는 픽셀들을 포함할 수 있으며, 여기서 각 픽셀은 임의의 실제 값을 취할 수 있는 변수이다.
도 2는 실시예에 따른, 리소그래피 투영 장치에서 리소그래피를 시뮬레이션하기 위한 예시적인 흐름도를 도시하고 있다. 소스 모델(31)은 소스의 (방사선 세기 분포 및/또는 위상 분포를 포함하는) 광학 특성을 나타낸다. 투영 광학계 모델(32)은 투영 광학계의 (투영 광학계에 의해 야기된 방사선 세기 분포 및/또는 위상 분포에 대한 변화를 포함하는) 광학 특성을 나타낸다. 디자인 레이아웃 모델(35)은 (디자인 레이아웃(33)에 의해 야기된 방사선 세기 분포 및/또는 위상 분포에 대한 변화를 포함하는) 디자인 레이아웃의 광학 특성을 나타내며, 디자인 레이아웃은 패터닝 디바이스 상의 또는 패터닝 디바이스에 의해 형성되는 피처의 배열체의 표현이다. 에어리얼 이미지(36)는 디자인 레이아웃 모델(35), 투영 광학계 모델(32) 및 디자인 레이아웃 모델(35)로부터 시뮬레이션될 수 있다. 레지스트 모델(37)을 이용하여 에어리얼 이미지(36)로부터 레지스트 이미지(38)가 시뮬레이션될 수 있다. 리소그래피의 시뮬레이션은, 예를 들어 레지스트 이미지 내의 윤곽 및 CD를 예측할 수 있다.
더 구체적으로, 소스 모델(31)은 개구수 설정(setting), 조명 시그마(σ) 설정 및 임의의 특정 조명 형상 (예를 들어, 환형, 쿼드러폴(quadrupole), 다이폴(dipole) 등과 같은 축외(off-axis) 방사선 소스)을 포함하는, 그러나 이에 제한되지 않는 소스의 광학 특성을 나타낼 수 있다는 점이 주목된다. 투영 광학계 모델(32)은 수차, 왜곡, 하나 이상의 굴절률, 하나 이상의 물리적 크기, 하나 이상의 물리적 치수 등을 포함하는, 투영 광학계의 광학 특성을 나 타낼 수 있다. 디자인 레이아웃 모델(35)은, 예를 들어 원용에 의해 전체적으로 본 명세서에 포함된 미국 특허 제7,587,704호에 설명된 바와 같은 물리적 패터닝 디바이스의 하나 이상의 물리적 속성을 나타낼 수 있다. 시뮬레이션의 목적은, 예를 들어 에지 배치, 에어리얼 이미지 세기 기울기, 및/또는 CD를 정확히 예측하는 것이며, 이들은 이후 의도된 디자인과 비교될 수 있다. 의도된 디자인은 일반적으로 사전-OPC 디자인 레이아웃으로서 규정되며, 이는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷 또는 다른 파일 포맷으로 제공될 수 있다.
이 디자인 레이아웃으로부터, 하나 이상의 부분들이 식별될 수 있으며, 이들은 "클립(clip)"으로 지칭된다. 실시예에서, 한 세트의 클립이 추출되며, 이는 디자인 레이아웃 내의 복잡한 패턴을 나타낸다 (전형적으로, 약 50 내지 1,000 개의 클립, 그러나 임의의 수의 클립들이 사용될 수 있다). 이 패턴 또는 클립은 디자인의 작은 부분 (즉, 회로, 셀 또는 패턴)을 나타내며, 특히 클립은 전형적으로 특정한 주의(attention) 및/또는 검증이 요구되는 작은 부분을 나타낸다. 다시 말하면, 클립은 디자인 레이아웃의 부분일 수 있으며, 또는 디자인 레이아웃의 부분과 유사할 수 있거나 디자인 레이아웃의 부분과 유사한 거동을 가질 수 있으며, 디자인 레이아웃에서 하나 이상의 임계 피처는 (고객에 의해 제공된 클립을 포함하는) 경험에 의해, 시행착오에 의해, 또는 풀-칩 시뮬레이션 실행에 의해 식별된다. 클립은 하나 이상의 테스트 패턴 또는 게이지 패턴을 포함할 수 있다.
클립의 더 큰 초기 세트는 특정 이미지 최적화를 필요로 하는 디자인 레이아웃 내의 하나 이상의 공지된 임계 피처 영역을 기반으로 고객에 의해 선험적으로(a priori) 제공될 수 있다. 대안적으로, 또 다른 실시예에서, 클립의 더 큰 초기 세트는 하나 이상의 임계 피처 영역을 식별하는 일부 종류의 (예를 들어, 머신 비전(machine vision)과 같은) 자동화된 또는 수동 알고리즘을 이용함으로써 전체 디자인 레이아웃으로부터 추출될 수 있다.
리소그래피 투영 장치에서, 예로서 비용 함수는 다음과 같이 표현될 수 있다:
Figure pct00001
여기서,
Figure pct00002
는 N 개의 디자인 변수 또는 그들의 값이다.
Figure pct00003
은
Figure pct00004
의 디자인 변수의 값들의 세트에 대한 특성의 실제 값과 의도된 값 간의 차이와 같은 디자인 변수
Figure pct00005
의 함수일 수 있다. wp는
Figure pct00006
와 연계된 가중 상수이다. 예를 들어, 특성은 에지 상의 주어진 지점에서 측정된, 패턴의 에지의 위치일 수 있다. 상이한
Figure pct00007
은 상이한 가중치(wp)를 가질 수 있다. 예를 들어, 특정 에지가 좁은 범위의 허용된 위치를 갖는다면, 에지의 실제 위치와 의도된 위치 간의 차이를 나타내는
Figure pct00008
에 대한 가중치(wp)에 더 높은 값이 주어질 수 있다.
Figure pct00009
은 또한 중간층 특성의 함수일 수 있으며, 이는 결과적으로 디자인 변수
Figure pct00010
의 함수이다. 물론,
Figure pct00011
는 수학식 1의 형태에 제한되지 않는다.
Figure pct00012
는 임의의 다른 적절한 형태일 수 있다.
비용 함수는 리소그래피 투영 장치, 리소그래피 공정 또는 기판의 임의의 하나 이상의 적절한 특성, 예를 들어 초점, CD, 이미지 시프트, 이미지 왜곡, 이미지 회전, 확률적 변동, 처리량(throughput), 국부적 CD 변동, 공정 윈도우, 중간층 특성, 또는 그 조합을 나타낼 수 있다. 일 실시예에서, 디자인 변수
Figure pct00013
은 선량, 패터닝 디바이스의 전역적 바이어스, 및/또는 조명의 형상으로부터 선택되는 하나 이상을 포함한다. 흔히 기판 상의 패턴에 영향을 주는 것이 레지스트 이미지이기 때문에, 비용 함수는 레지스트 이미지의 하나 이상의 특성을 나타내는 함수를 포함할 수 있다. 예를 들어,
Figure pct00014
는 단순히 레지스트 이미지 내의 지점과 그 지점의 의도된 위치 간의 거리 (즉, 에지 배치 오차(
Figure pct00015
)일 수 있다. 디자인 변수는 소스, 패터닝 디바이스, 투영 광학계, 선량, 초점 등의 조정 가능한 매개변수와 같은 임의의 조정 가능한 매개변수를 포함할 수 있다.
리소그래피 장치는 통칭적으로 "파면 조작기(wavefront manipulator)"로 불리는 하는 구성 요소들을 포함할 수 있으며, 이 파면 조작기는 파면의 형상 및 방사선 빔의 위상 시프트 및/또는 세기 분포를 조정하기 위해 사용될 수 있다. 일 실시예에서, 리소그래피 장치는 패터닝 디바이스 전, 퓨필 평면 부근, 이미지 평면 부근, 및/또는 초점 평면 부근과 같은 리소그래피 투영 장치의 광학 경로를 따르는 임의의 위치에서 파면 및 세기 분포를 조정할 수 있다. 파면 조작기는, 예를 들어 소스, 패터닝 디바이스, 리소그래피 투영 장치 내의 온도 변화, 리소그래피 투영 장치의 구성 요소의 열팽창 등에 의해 야기되는 위상 시프트 및/또는 파면 및 세기 분포의 소정 왜곡을 보정 또는 보상하기 위해 사용될 수 있다. 파면 및 세기 분포 및/또는 위상 시프트를 조정하는 것이 비용 함수에 의해 표현되는 특성의 값을 변화시킬 수 있다. 이러한 변화는 모델로부터 시뮬레이션될 수 있거나 실제로 측정될 수 있다. 디자인 변수는 파면 조작기의 매개변수를 포함할 수 있다.
디자인 변수는 제약을 가질 수 있으며, 이 제약은
Figure pct00016
로서 표현될 수 있고, 여기서 Z는 디자인 변수들의 가능한 값들의 세트이다. 디자인 변수에 대한 하나의 가능한 제약은 리소그래피 투영 장치의 원하는 처리량에 의해 부과될 수 있다. 원하는 처리량에 의해 부과되는 이러한 제약 없이는, 최적화는 비현실적인 디자인 변수의 값들의 세트를 산출할 수 있다. 예를 들어, 선량이 디자인 변수라면, 이러한 제약이 없이는, 최적화는 처리량을 경제적으로 불가능하게 만드는 선량 값을 산출할 수 있다. 하지만, 제약의 유용성은 필요성으로 해석되어서는 안 된다. 예를 들어, 처리량은 퓨필 충전율(pupil fill ratio)의 영향을 받을 수 있다. 일부 조명 디자인에 대해, 낮은 퓨필 충전율은 방사선을 폐기하여 더 낮은 처리량을 야기할 것이다. 처리량은 또한 레지스트 화학적 성질에 의해 영향을 받을 수 있다. 더 느린 레지스트 (예를 들어, 적절히 노광되기 위해 더 높은 양의 방사선을 필요로 하는 레지스트)는 더 낮은 처리량으로 이어진다.
본 명세서에서 사용되는 바와 같이, 용어 "패터닝 공정"은 일반적으로 리소그래피 공정의 일부로서 광의 특정 패턴의 적용에 의하여 에칭된 기판을 생성하는 공정을 의미한다. 그러나 "패터닝 공정"은 또한 플라즈마 에칭을 포함할 수 있으며, 이는 본 명세서에서 설명되는 많은 특징이 플라즈마 처리를 사용하여 프린트된 패턴을 형성하는 데 이점을 제공할 수 있기 때문이다.
본 명세서에서 사용되는 바와 같이, 용어 "타겟 패턴"은 기판 상에서 에칭될 이상적인 패턴을 의미한다. 용어 "타겟 레이아웃"은 하나 이상의 타겟 패턴을 포함하는 디자인 레이아웃을 의미한다.
본 명세서에서 사용되는 바와 같이, 용어 "프린트된 패턴" 또는 "패터닝된 기판"은 용어는 타겟 패턴을 기반으로 이미지화된 및/또는 에칭된 기판 상의 물리적 패턴을 의미한다. 프린트된 패턴은, 예를 들어 트로프(trough), 채널, 오목부(depression), 에지, 또는 리소그래피 공정으로부터 발생하는 다른 2차원 및 3차원 피처들을 포함할 수 있다.
본 명세서에서 사용되는 바와 같이, 용어 "공정 모델"은 패터닝 공정을 시뮬레이션하는 하나 이상의 모델을 포함하는 모델을 의미한다. 예를 들어, 공정 모델은 광학 모델 (예를 들어, 이는 리소그래피 공정에서 광을 전달하기 위해 사용되는 렌즈 시스템/투영 시스템을 모델링하며, 포토레지스트로 나아가는 광의 최종 광학 이미지를 모델링하는 것을 포함할 수 있다), 레지스트 모델 (예를 들어, 이는 광으로 인한 화학적 영향과 같은, 레지스트의 물리적 영향을 모델링한다), 및 OPC 모델 (예를 들어, 이는 타겟 패턴을 수정하기 위해 사용되어 서브-분해능 레지스트 피처(SRAF) 등을 포함할 수 있다)을 포함할 수 있다.
패터닝 공정 및 패터닝 정확도를 향상시키기 위하여, 타겟 패턴, 마스크 패턴, 기판 이미지 등을 사용하여 공정 모델이 트레이닝된다. 예를 들어, 공정 모델은 더 나은 마스크 패턴을 생성하기 위해 OPC 공정에서 사용되는 하나 이상의 트레이닝 모델을 포함한다. 예를 들어, 기계 학습의 지원을 받는 OPC는 전체 칩 어시스트 피처(예를 들어, SRAF) 배치의 정확도를 상당히 향상시키면서 제어 하에서 마스크 디자인의 일관성과 런타임(runtime)을 유지한다. 딥 컨벌루션 신경망(deep convolutional neural network)(CNN)은 타겟 레이아웃 또는 그 안의 타겟 패턴 그리고 대응하는 연속 투과 마스크(CTM) 이미지를 사용하여 트레이닝된다. 이 CTM 이미지는 역 마스크 최적화 시뮬레이션 공정을 사용하여 최적화된다. CNN 생성 SRAF 안내 맵은 그후 사용되어 풀-칩 디자인 레이아웃에 SRAF를 위치시킨다.
트레이닝을 위한 패턴의 세트를 선택할 때, 모델에 대하여 가장 정보성이 있을 것인 패턴을 선택하는 것이 바람직하다. 현재, 패턴이 얼마나 정보성이 있는지를 측정하기 위해 다음의 접근법들이 사용 가능하다: 오차-기반 접근법과 불확실성-기반 접근법. 오차-기반 접근법에서, 오차는 모델 예측과 실측 자료(ground truth) 또는 기준 간의 차이이다. 특정 패턴에 대한 오차가 클수록 그 패턴이 더 정보성이 있는 것으로 예상된다. 불확실성-기반 접근법에서, 모델 예측의 표준 편차, 예를 들어 베이지안(Bayesian) 신경망으로부터의 예측이 사용된다. 특정 패턴에 대한 불확실성이 클수록 그 패턴이 더 정보성이 있는 것으로 예상된다. 오차 (예를 들어, 제곱 평균 제곱근 오차(root mean squared error(RMSE))와 달리 불확실성은 실측 자료의 가용성을 필요로 하지 않는다.
도 3a 및 도 3b는 타겟 레이아웃으로부터 패턴을 선택하기 위하여 사용되는 오차-기반 접근법의 예를 도시하고 있다. 오차-기반 접근법은 공정 모델(M1)과 기계 학습 모델(M2)을 이용한다. 공정 모델(M1)은 CTM 이미지(310) (실측 자료의 예)를 생성하기 위해 역 리소그래피 시뮬레이션 공정에서 이용되는 (예를 들어, 도 2에서 논의된 바와 같은) 물리학-기반 모델일 수 있다. 모델(M2) (예를 들어, CNN)는 타겟과 실측 자료(CTM) 이미지를 이용하여 트레이닝된 모델이다. 모델(M2)은 타겟 레이아웃(300)을 입력으로 사용하여 CTM 이미지(312)를 예측한다. CTM 이미지들(310과 312) 사이의 오차(315)가 결정된다. 예를 들어, 오차는 CTM 이미지들(310 및 312) 간의 차이, 이미지들(310 및 312) 간의 RMSE 또는 기타 오차일 수 있다. 오차는, 예를 들어 오차 이미지(315)로 지칭되는 그레이 스케일 이미지(grey scale image)로 표현될 수 있다. 오차 이미지(315)는, 예를 들어 오차 이미지(315) 내의 높은 오차와 낮은 오차에 대응하는 여러 개의 밝은 부분과 어두운 부분을 시각적으로 도시하고 있다. 실시예에서, 높은 오차 (예를 들어, 오차 이미지(315)의 부분(316))에 대응하는 패턴 또는 타겟 부분 (예를 들어, 이미지(300)의 부분(P1))이 패터닝 공정과 관련된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 선택될 수 있다.
도 3a 및 도 3c는 타겟 레이아웃으로부터 패턴을 선택하기 위하여 사용되는 불확실성-기반 접근법의 예를 도시하고 있다. 불확실성-기반 접근법은 CTM 이미지(320)를 생성하는 모델(M3)을 이용한다. CTM 이미지(320)들 사이의 불확실성 (예를 들어, 표준 편차)이 계산된다. 불확실성은 불확실성 이미지(325)로 지칭되는 그레이 스케일 이미지로 표현될 수 있다. 불확실성 이미지(325)는, 예를 들어 불확실성 이미지(325) 내의 높은 불확실성과 낮은 불확실성에 대응하는 여러 개의 밝은 부분과 어두운 부분을 시각적으로 도시하고 있다. 실시예에서, 높은 불확실성 (예를 들어, 오차 이미지(315)의 부분(326))에 대응하는 패턴 또는 타겟 부분 (예를 들어, 이미지(300)의 부분(P1))이 패터닝 공정과 관련된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 선택될 수 있다.
그러나 기존 접근법은 일부 제한을 갖고 있다. 오차-기반 접근법의 경우, 실측 자료 (예를 들어, CTM(310))는 예를 들어 공정 모델을 시뮬레이션함으로써 생성되며, 이는 계산적으로 고가의 공정이다. 불확실성-기반 접근법의 경우 표준 편차를 계산하기 위하여 신경망을 통한 다수의 포워드 패스(forward passes)가 요구된다. 이는 전형적으로 오차-기반 접근법보다 빠르지만 추가 개선의 여지가 있다.
본 실시예에서, 도 3d를 참조하면, 예를 들어 기계 학습 모델을 트레이닝시키기 위하여 디자인 레이아웃으로부터의 패턴 선택의 방법이 제공된다. 패턴 선택 방법은 실측 자료 데이터 및/또는 기계 학습 모델을 통한 다수의 포워드 패스의 필요성을 상당히 줄인다. 본 방법에서, 타겟 레이아웃으로부터 패턴의 선택을 안내하는 정보 메트릭 (예를 들어, 타겟 레이아웃(300)의 정보 엔트로피(information entropy)(335))이 결정된다. 일 실시예에서, (예를 들어, 도 3a와 관련하여 논의된 바와 같이) 정보 메트릭은 오차 및 불확실성의 예측자로서 역할을 한다. 예를 들어, 모델 예측과 연관된 오류 및 불확실성과 정보 메트릭 사이에 상관관계가 있다는 것이 한 연구에서 밝혀졌다.
도 3e 및 도 3f는 정보 메트릭과 오차 및 불확실성 사이의 상관관계 예를 시각적으로 도시하고 있다. 예를 들어, 도 3e에서 보여지는 바와 같이, 정보 메트릭 (예를 들어, 정보 엔트로피)과 오차 사이에 음의 상관관계가 있다. 실시예에서, 낮은 엔트로피 값은 높은 오차에 대응한다. 마찬가지로, 도 3f에서 보여지는 바와 같이, 정보 메트릭 (예를 들어, 정보 엔트로피)과 불확실성 사이에 음의 상관관계가 있다. 실시예에서, 낮은 엔트로피 값은 높은 불확실성에 대응한다. 따라서, 실시예에서, 낮은 정보 엔트로피 영역 (예를 들어, 도 3d의 이미지(335) 내의 어두운 부분)이 선택될 수 있으며, 패턴 또는 부분 (예를 들어, 타겟 레이아웃(300)의 P1)이 트레이닝 데이터로서 선택될 수 있다.
본 발명에 따르면, 타겟 레이아웃의 국부 엔트로피(local entropy)와 같은 정보 메트릭을 결정하는 것은 상당한 계산 시간과 자원을 절약함으로써 패턴 선택 공정을 상당히 개선할 수 있다. 예를 들어, 본 발명에 따르면, 오차-기반 접근법에서 사용되는 CTM을 생성하기 위한 고가의 물리학-기반 계산의 필요성이 완전히 제거될 수 있다. 또한 정보 메트릭은 불확실성-기반 접근법에서 수행될 수 있는 신경망의 다수의 포워드 패스를 제거하는 데 도움이 될 수 있다.
도 4는 실시예에 따른, 입력, 예를 들어 기판을 패터닝할 타겟 패턴을 포함하는 타겟 레이아웃으로부터 패턴 또는 패턴의 일부를 선택하기 위한 방법(400)의 흐름도이다. 실시예에서, 입력은 이미지 형식, 벡터 형식 또는 다른 적절한 전자 형식으로 표현될 수 있다. 선택된 패턴은 패터닝 공정과 연관된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 사용될 수 있다. 본 이 방법은 공정들(P401, P403, P405 및 P407)을 포함한다.
공정 P401은 복수의 패턴(401)을 갖는 이미지(402)를 획득하는 것을 포함한다. 실시예에서, 이미지(402)는 기판 상에 프린트될 패턴을 포함하는 디자인 레이아웃; 또는 주사 전자 현미경(SEM)을 통해 획득되는 패터닝된 SEM 이미지 중 적어도 하나이다. 실시예에서, 이미지(402)는 바이너리 이미지, 그레이 스케일 이미지; 또는 n-채널 이미지 (여기서 n은 이미지(402)에 사용된 색상의 수를 나타낸다 (예를 들어, 색상 적색, 녹색 및 청색(RGB)을 갖는 3-채널 이미지)) 중 적어도 하나이다. 예를 들어, 바이너리 이미지는 픽셀 위치에서의 피처를 나타내는 픽셀 할당 값 1 및 픽셀 위치에 피처가 존재하지 않음을 나타내는 값 0을 포함할 수 있다. 유사하게, 그레이 스케일 이미지는 패턴의 피처의 존재 또는 부재를 나타내는 픽셀 세기를 포함할 수 있다. 실시예에서, n-채널 이미지는 RGB 컬러 채널들을 포함할 수 있으며, 이 채널은 패턴의 피처의 존재 또는 부재를 나타낼 수 있다. 실시예에서, RGB의 색상은 패턴의 특정 피처들의 모음(collection)을 나타낼 수 있다.
실시예에서, 복수의 패턴(401) 중 패턴은 기판에 프린트되는 것이 바람직한 하나 이상의 피처 (예를 들어, 라인, 홀 등)를 포함할 수 있다. 실시예에서, 하나 이상의 피처는 회로 디자인 사양에 따라 서로에 대해 배열된다. 실시예에서, 복수의 패턴(401) 중 하나의 패턴은 기판에 프린트된 하나 이상의 피처 (예를 들어, 라인, 홀 등)를 포함한다. 본 발명은 특정 이미지 또는 패턴, 또는 그 안의 피처에 제한되지 않는다.
공정 P403은 이미지(402) 내의 픽셀 세기를 기반으로 이미지(402)의 하나 이상의 부분에 포함된 정보의 양 또는 정보성의 레벨을 나타내는 메트릭을 결정하는 것을 포함한다. 실시예에서, 정보의 양 또는 정보성의 레벨은 복수의 패턴(401)의 각각의 비균질성, 복수의 패턴(401)을 사용하여 획득된 모델 예측과 연관된 불확실성, 또는 복수의 패턴(401)을 사용하여 획득된 모델 예측과 관련된 오차를 나타낸다. 예를 들어, 패턴의 비균질성은 패턴들이 실질적으로 서로 다르다는 것을 나타내며 그리고 이런 이유로 트레이닝 목적을 위한 더 많은 정보를 나타낸다. 실시예에서, 메트릭은 정보 엔트로피, 레니 엔트로피(Renyi entropy) 또는 미분 엔트로피 중 적어도 하나이다.
실시예에서, 정보 엔트로피는 이미지(402)와 연관된 복수의 가능한 결과의 결과의 확률과 결과의 확률의 대수 함수의 곱들의 합을 포함한다. 실시예에서, 정보 엔트로피는 다음 수학식에 의해 계산된다:
Figure pct00017
위의 수학식에서,
Figure pct00018
는 이미지 상에 오버레이된 슬라이딩 윈도우 내의 이미지의 부분의 엔트로피이며,
Figure pct00019
는 이미지(402)와 연관된 가능한 결과를 나타내고, 각 결과는 확률
Figure pct00020
을 갖는다. 예를 들어, 바이너리 이미지에서, 가능한 결과(
Figure pct00021
)는
Figure pct00022
및
Figure pct00023
이며, 여기서
Figure pct00024
는 흰색 픽셀 (예를 들어, 픽셀 세기 값은 0)이고
Figure pct00025
는 흑색 픽셀 (예를 들어, 픽셀 세기 값은 1)이다. 예를 들어, 도 3a 및 도 3d는 바이너리 이미지로서 표현된 타겟 레이아웃에 대해 계산된 엔트로피의 시각적 표현을 보여주고 있다. 실시예에서, 이미지(402)는 그레이 스케일 이미지일 수 있으며, 이 경우 가능한 결과(
Figure pct00026
)는 0에서 255까지 달라질 수 있다.
예를 들어, 확률(
Figure pct00027
은 다음과 같이 계산된다:
Figure pct00028
=(슬라이딩 윈도우 내의 세기 레벨(i)을 갖는 픽셀 수)/(슬라이딩 윈도우 내의 픽셀의 수). 그러면 연관된 엔트로피 값은 전형적으로 슬라이딩 윈도우의 중앙 픽셀에 할당된다. 따라서 바이너리 이미지 예에 대하여, 픽셀의 50%가 흰색이고 50%가 흑색일 때 (즉,
Figure pct00029
=
Figure pct00030
= 0.5) 엔트로피 표현이 가장 큰 반면에, 전체 슬라이딩 윈도우에 단일 색상만이 존재할 때 (즉,
Figure pct00031
및
Figure pct00032
= 0 또는 그 반대) 엔트로피 표현이 가장 작다.
이미지(402)의 픽셀에 할당된 이진값 -제1 값은 이미지(402) 내의 패턴의 존재를 나타내며, 제2 값은 이미지(402) 내의 패턴의 부재를 나타냄-; 이미지(402)의 픽셀에 할당된 그레이 스케일 값; 또는 이미지(402)의 픽셀에 할당된 색의 수 중 적어도 하나를 포함한다.
실시예에서, 엔트로피는 각 채널에 대해 계산될 수 있으며, 각 채널에 대한 엔트로피는 패턴의 선택을 위하여 비교될 수 있다. 실시예에서, 다중 채널 이미지는 동일한 위치에 있지만 상이한 SEM 설정을 갖는 SEM 이미지의 모음일 수 있다. 채널당 정보 메트릭이 계산될 수 있다. 메트릭은 모든 채널에 대한 가중 평균으로서 조합될 수 있거나, 상이한 채널들 중에서 메트릭의 최악의 경우로 선택될 수 있다.
실시예에서, 메트릭의 값을 결정하는 것은 메트릭을 이미지(402)의 하나 이상의 픽셀에 적용시킴으로써 정보 콘텐츠 데이터를 생성하는 것을 포함한다. 실시예에서, 정보 콘텐츠 데이터를 생성하는 것은 이미지(402)에 전체에 걸쳐 특정 크기의 윈도우를 슬라이딩시키는 것; 및 각 슬라이딩 위치에 대해 윈도우 내에 적용된 메트릭의 값을 계산하는 것을 포함한다. 실시예에서, 슬라이딩 윈도우의 형상 및 크기는 조정 가능할 수 있다. 예를 들어, 슬라이딩 윈도우는 가장 작은 피처의 크기 (예를 들어, 간격 4×5 픽셀), 사용자 규정 크기(예를 들어, 2×2 픽셀), 또는 다른 윈도우 크기일 수 있다. 실시예에서, 윈도우는 직사각형, 정사각형, 원형 또는 다른 기하학적 형상일 수 있다.
실시예에서, 메트릭을 결정하는 것은 복수의 패턴(401) 중 하나 이상, 패터닝 공정과 연관된 공정 모델을 시뮬레이션하는 것, 또는 복수의 패턴(401) 중 하나 이상을 이용하여 패터닝 공정과 연관된 기계 학습 모델을 시뮬레이션하는 것을 포함하지 않는다. 메트릭은 타겟 레이아웃, 타겟 레이아웃의 일부분 또는 그 안의 패턴에 직접 적용될 수 있다. 실시예에서, 타겟 레이아웃은 GDS 형식으로 제공될 수 있다.
공정 P405는 메트릭을 기반으로, 특정 범위 내의 메트릭 값을 갖는 이미지(402)의 하나 이상의 부분으로부터 복수의 패턴(401)의 서브-세트를 선택하는 것을 포함한다. 실시예에서, 패턴(410)의 서브-세트를 선택하는 것은 이미지(402) 전체에 걸쳐 메트릭의 값들을 비교하는 것; 특정 범위 내에서 메트릭의 값들에 대응하는 이미지(402)의 부분들을 식별하는 것; 및 식별된 부분 내에서 패턴(410)의 서브-세트를 선택하는 것을 포함한다. 예를 들어, 도 3d에서 보여지는 바와 같이, 타겟 레이아웃(300)의 부분(P1)은 특정 범위 내에 있는 메트릭에 대응한다. 예를 들어, 메트릭은 엔트로피일 수 있으며, 특정 범위는 엔트로피 이미지(335) 내에서 가장 낮은 값의 10%에 대응한다.
실시예에서, 패턴(410)의 서브-세트를 선택하는 것은 다른 부분과 비교하여 상대적으로 낮은 정보 엔트로피 값에 대응하는 이미지(402)의 부분을 식별하는 것; 및 식별된 부분 내에서 패턴(410)의 서브-세트를 선택하는 것을 포함한다.
실시예에서, 패턴(410)의 서브-세트는 패턴(410)의 서브-세트의 패턴의 적어도 일부분을 포함한다. 예를 들어, 패턴의 서브-세트는 패턴 내의 전체 피처 또는 피처의 일부분을 포함할 수 있다. 예에서, 도 3d를 참조하면, (예를 들어, 전체 피처들 중 하나 이상 또는 피처의 부분들을 포함하는) 하나 이상의 패턴은 엔트로피 이미지(335)의 부분(336)에서의 엔트로피를 기반으로 선택될 수 있는 부분(P1)으로부터 선택될 수 있다.
공정 P407은 패터닝 공정과 연관된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 패턴(410)의 서브-세트를 제공하는 것을 포함한다. 본 발명은 출력된 서브-패턴의 사용에 제한되지 않는다. 실시예에서, 패턴의 서브-세트는, 에어리얼 이미지 모델, 마스크 모델, 레지스트 모델, OPC 공정, 계측 관련 모델 또는 패터닝 공정과 관련된 다른 모델의 트레이닝을 개선하는 것을 포함하는, 그러나 이에 제한되지 않는 패터닝 공정의 하나 이상의 양태를 개선하기 위해 사용될 수 있다.
실시예에서, 본 방법(400)은 트레이닝 데이터로서 패턴(410)의 서브-세트를 사용하여 패터닝 공정과 연관된 모델을 트레이닝시키는 단계를 더 포함할 수 있다. 실시예에서, 트레이닝시키는 것은 다지인 레이아웃의 복수의 패턴(401)과 연관된 광학 근접 보정 구조체를 생성하도록 구성된 모델을 트레이닝시키는 것을 포함한다. 예를 들어, 광학 근접 보정 구조체는 디자인 레이아웃의 복수의 패턴(401)에 대응하는 주 피처들; 또는 디자인 레이아웃의 복수의 패턴(401)을 둘러싸는 어시스트 피처를 포함한다.
실시예에서, 패턴을 선택하고 그로부터 트레이닝 데이터를 생성하는 방법(400)은 다음과 같이 구현될 수 있다. 실시예에서, 본 방법은 제1 패턴과 제2 패턴 (예를 들어, 패턴(401)들)을 포함하는 이미지(402)를 획득하는 것; 제1 패턴의 픽셀 세기를 기반으로 이미지의 제1 부분 내의 정보 엔트로피의 제1 레벨을 결정하는 것; 제2 패턴의 픽셀 세기를 기반으로 이미지의 제2 부분 내의 정보 엔트로피의 제2 레벨을 결정하는 것; 정보 엔트로피의 제1 레벨과 정보 엔트로피의 제2 레벨을 비교하는 것; 비교를 기반으로 정보 엔트로피의 제1 레벨이 정보 엔트로피의 제2 레벨보다 낮다는 것을 결정하는 것; 및 정보 엔트로피의 제1 레벨이 정보 엔트로피의 제2 레벨보다 낮다는 점을 결정하는 것에 응답하여, 제1 패턴 또는 제1 패턴의 적어도 일부분을 포함하는 트레이닝 데이터 세트를 생성하는 것을 포함한다. 예를 들어, 도 3a를 참조하면, 제1 패턴은 엔트로피 이미지(335)의 부분(336) 주변의 패턴의 엔트로피를 기반으로 부분(P1)으로부터 선택될 수 있다.
실시예에서, 본 명세서에서 논의된 방법은 컴퓨터 프로그램 제품 또는 기록된 명령어를 갖는 비일시적 컴퓨터 판독 가능한 매체로서 제공될 수 있으며, 명령어는 컴퓨터에 의하여 실행될 때 위에서 논의된 방법(400)의 작동을 구현한다. 예를 들어, 도 5의 예시적인 컴퓨터 시스템(CS)은 하나 이상의 프로세서 (예를 들어, 104)에 의해 실행될 때 타겟 레이아웃으로부터 패턴을 선택하기 위한 작동을 야기하는 명령어를 포함하는 비일시적 컴퓨터 판독 가능한 매체 (예를 들어, 메모리)를 포함한다. 실시예에서, 명령어는 복수의 패턴을 갖는 이미지를 획득하는 것; 이미지 내의 픽셀 세기를 기반으로, 이미지의 하나 이상의 부분에 포함된 정보의 양 또는 정보성의 레벨을 나타내는 메트릭을 결정하는 것; 메트릭을 기반으로, 특정 범위 내의 메트릭의 값을 갖는 이미지의 하나 이상의 부분으로부터 복수의 패턴의 서브-세트를 선택하는 것; 및 패턴의 서브-세트를 패터닝 공정과 연관된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 제공하는 것을 포함한다. 실시예에서, 정보의 양 또는 정보성의 레벨은 복수의 패턴의 각각의 비균질성, 복수의 패턴을 사용하여 획득된 모델 예측과 연관된 불확실성, 또는 복수의 패턴을 사용하여 획득된 모델 예측과 관련된 오차를 나타낸다. 예를 들어, 메트릭은 엔트로피일 수 있다.
실시예에서, 비일시적 매체는 메트릭을 이미지의 하나 이상의 픽셀에 적용시켜 정보 콘텐츠 데이터를 생성함으로써 메트릭의 값을 결정하도록 구성된다. 실시예에서, 정보 콘텐츠 데이터를 생성하는 것은 이미지를 통해 특정 형상 및/또는 크기의 윈도우를 슬라이딩시키는 것; 및 각 슬라이딩 위치에 대해 윈도우 내에서 적용된 메트릭의 값을 계산하는 것을 포함한다.
실시예에서, 이미지 내의 정보 엔트로피의 레벨을 기반으로 기계 학습 모델을 위한 트레이닝 데이터 세트를 생성하기 위한 비일시적 컴퓨터 판독-가능한 매체에 있어서, 매체는 저장된 명령어를 포함하며, 명령어는 하나 이상의 프로세서에 의하여 실행될 때, 복수의 패턴을 갖는 이미지를 획득하는 것; 제1 패턴과 제2 패턴을 포함하는 이미지를 획득하는 것; 제1 패턴의 픽셀 세기를 기반으로 이미지의 제1 부분 내의 정보 엔트로피의 제1 레벨을 결정하는 것; 제2 패턴의 픽셀 세기를 기반으로 이미지의 제2 부분 내의 정보 엔트로피의 제2 레벨을 결정하는 것; 정보 엔트로피의 제1 레벨과 정보 엔트로피의 제2 레벨을 비교하는 것; 비교를 기반으로 정보 엔트로피의 제1 레벨이 정보 엔트로피의 제2 레벨보다 낮다는 것을 결정하는 것; 및 정보 엔트로피의 제1 레벨이 정보 엔트로피의 제2 레벨보다 낮다는 점을 결정하는 것에 응답하여, 제1 패턴 또는 제1 패턴의 적어도 일부분을 포함하는 트레이닝 데이터 세트를 생성하는 것을 포함하는 작동을 야기한다.
본 발명에 따르면, 개시된 요소들의 조합 및 서브-조합은 별도의 실시예를 구성한다. 예를 들어, 제1 조합은 이미지 내의 정보를 나타내는 메트릭을 결정하는 것 및 메트릭을 기반으로 이미지로부터 패턴을 선택하는 것을 포함한다. 서브-조합은 이미지 전체에 걸쳐 작은 윈도우를 슬라이딩시킴으로써 이미지의 일부분의 정보 엔트로피를 (예를 들어, 위에서 논의된 엔트로피 방정식을 이용하여) 결정하는 것을 포함할 수 있다. 또 다른 조합에서, 선택된 패턴은 검사 공정, 패터닝 공정과 관련된 기계 학습 모델을 트레이닝시키는 것, OPC를 결정하는 것, 또는 선택된 패턴을 이용하는 SMO에서 사용될 수 있다.
도 5는 실시예에 따른 예시적인 컴퓨터 시스템(CS)의 블록도이다.
컴퓨터 시스템(CS)은 정보를 전달하기 위한 버스(BS) 또는 다른 통신 메커니즘, 및 정보를 처리하기 위하여 버스(BS)와 결합된 프로세서(PRO) (또는 다수의 프로세서)를 포함하고 있다. 컴퓨터 시스템(CS)은 또한 정보 및 프로세서(PRO)에 의해 실행될 명령어를 저장하기 위하여 버스(BS)에 연결된, 랜덤 액세스 메모리(RAM) 또는 다른 동적 저장 디바이스와 같은 메인 메모리(MM)를 포함하고 있다. 메인 메모리(MM)는 또한 프로세서(PRO)에 의하여 실행될 명령어의 실행 동안 일시적 변수 또는 다른 중간 정보를 저장하기 위해 이용될 수 있다. 컴퓨터 시스템(CS)은 프로세서(PRO)에 대한 정적 정보 및 명령어를 저장하기 위하여 버스(BS)에 연결된 판독 전용 메모리(ROM)(ROM) 또는 다른 정적 저장 디바이스를 더 포함하고 있다. 정보 및 명령어를 저장하기 위하여, 자기 디스크 또는 광학 디스크와 같은 저장 디바이스(SD)가 제공되며 버스(BS)에 연결되어 있다.
컴퓨터 이용자에게 정보를 디스플레이하기 위하여 컴퓨터 시스템(CS)은 버스(BS)를 통해, 음극선관(CRT) 또는 플랫 패널 또는 터치 패널 디스플레이와 같은 디스플레이(DS)에 연결될 수 있다. 정보 및 명령 선택을 프로세서(PRO)에 전달하기 위하여, 영숫자 및 다른 키를 포함하는 입력 디바이스(ID)가 버스(BS)에 연결되어 있다. 또 다른 유형의 이용자 입력 디바이스는, 방향 정보 및 명령 선택을 프로세서(PRO)에 전달하기 위한 그리고 디스플레이(DS) 상에서의 커서 이동을 제어하기 위한, 마우스, 트랙볼, 또는 커서 방향 키와 같은 커서 제어부(CC)이다. 이 입력 디바이스는 전형적으로 2개의 축, 제1 축 (예를 들어, x)과 제2 축 (예를 들어, y)에서 2개의 자유도를 갖고 있으며, 이는 디바이스가 평면에서의 위치를 특정하는 것을 허용한다. 터치 패널 (스크린) 디스플레이 또한 입력 디바이스로 이용될 수 있다.
일 실시예에 따르면, 본 명세서에서 설명된 하나 이상의 방법의 부분들은 메인 메모리(MM)에 포함된 하나 이상의 명령어의 하나 이상의 시퀀스를 실행하는 프로세서(PRO)에 응답하여 컴퓨터 시스템(CS)에 의해 수행될 수 있다. 이러한 명령어는 저장 디바이스(SD)와 같은 또 다른 컴퓨터 판독-가능한 매체로부터 메인 메모리(MM)로 판독될 수 있다. 메인 메모리(MM)에 포함된 명령어의 시퀀스의 실행은 프로세서(PRO)가 본 명세서에 설명된 공정 단계를 수행하게 한다. 다중 처리 배열체 내의 하나 이상의 프로세서는 또한 메인 메모리(MM)에 포함된 명령어의 시퀀스를 실행하기 위해 이용될 수 있다. 대안적인 실시예에서, 하드-와이어드(hard-wired) 회로가 소프트웨어 명령어 대신에 또는 그와 조합하여 이용될 수 있다. 따라서, 본 명세서 내의 설명은 하드웨어 회로와 소프트웨어의 임의의 특정 조합으로 제한되지 않는다.
본 명세서에서 이용되는 바와 같은 용어 "컴퓨터-판독 가능한 매체"는 실행을 위하여 프로세서(PRO)에 명령어를 제공하는 것에 참여하는 임의의 매체를 지칭한다. 이러한 매체는, 비휘발성 매체, 휘발성 매체 및 전송 매체를 포함하는, 그러나 이에 제한되지 않는 많은 형태를 취할 수 있다. 비휘발성 매체는, 예를 들어 저장 디바이스(SD)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 메인 메모리(MM)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(BS)를 구성하는 와이어를 포함하는, 동축 케이블, 구리 와이어 및 광섬유를 포함한다. 전송 매체는 또한 무선 주파수(RF) 및 적외선(IR) 데이터 통신 동안 생성되는 것과 같은 음향파 또는 광파의 형태를 취할 수 있다. 컴퓨터-판독 가능한 매체는 비일시적 매체, 예를 들어 플로피 디스크, 플렉서블 디스크, 하드 디스크, 자기 테이프, 임의의 다른 자기 매체, CD-ROM, DVD, 임의의 다른 광학 매체, 펀치 카드, 종이 테이프, 구멍의 패턴을 갖는 임의의 다른 물리적 매체, 램(RAM), 피롬(PROM) 및 이피롬(EPROM), 플래시-이피롬(FLASH-EPROM), 임의의 다른 메모리 칩 또는 카트리지일 수 있다. 비일시적 컴퓨터-판독 가능한 매체는 기록된 명령어를 가질 수 있다. 명령어는 컴퓨터에 의하여 실행될 때 본 명세서에서 설명된 특징들 중 임의의 것을 구현할 수 있다. 일시적 컴퓨터-판독 가능한 매체는 반송파 또는 다른 전파 전자기 신호를 포함할 수 있다.
다양한 형태의 컴퓨터-판독 가능한 매체는 실행을 위하여 하나 이상의 명령어의 하나 이상의 시퀀스를 프로세서(PRO)로 운반하는데 관여할 수 있다. 예를 들어, 명령어는 초기에 원격 컴퓨터의 자기 디스크에 저장(borne)될 수 있다. 원격 컴퓨터는 명령어를 그의 동적 메모리 내로 로딩할 수 있으며, 명령어를 모뎀을 이용하여 전화선을 통해 보낼 수 있다. 컴퓨터 시스템(CS)에 로컬인 모뎀은 전화선으로 데이터를 수신할 수 있으며 적외선 송신기를 이용하여 데이터를 적외선 신호로 변환시킬 수 있다. 버스(BS)에 연결된 적외선 검출기는 적외선 신호로 운반된 데이터를 수신할 수 있으며 데이터를 버스(BS)에 배치할 수 있다. 버스(BS)는 데이터를 메인 메모리(MM)로 운반하며, 프로세서(PRO)는 메인 메모리로부터 명령어를 검색하고 실행한다. 메인 메모리(MM)에 의해 수신된 명령어는 프로세서(PRO)에 의한 실행 전 또는 실행 후에 저장 디바이스(SD)에 선택적으로 저장될 수 있다
컴퓨터 시스템(CS)은 또한 버스(BS)에 연결되어 있는 통신 인터페이스(CI)를 포함할 수 있다. 통신 인터페이스(CI)는 근거리 통신 네트워크(LAN)에 연결되어 있는 네트워크 링크(NDL)에 대한 양방향 데이터 통신 커플링을 제공한다. 예를 들어, 통신 인터페이스(CI)는 대응하는 유형의 전화선에 대한 데이터 통신 연결을 제공하기 위한 통합 서비스 디지털 네트워크(ISDN) 카드 또는 모뎀일 수 있다. 또 다른 예로서, 통신 인터페이스(CI)는 호환 가능한 LAN에 대한 데이터 통신 연결을 제공하기 위한 근거리 통신 네트워크(LAN) 카드일 수 있다. 무선 링크 또한 구현될 수 있다. 임의의 이러한 구현 형태에서, 통신 인터페이스(CI)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림을 운반하는 전기, 전자기 또는 광학 신호를 송신 및 수신한다.
네트워크 링크(NDL)는 전형적으로 하나 이상의 네트워크를 통해 다른 데이터 디바이스로의 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(NDL)는 근거리 통신 네트워크(LAN)를 통해 호스트 컴퓨터(HC)에 대한 연결을 제공할 수 있다. 이는 현재 흔히 "인터넷"(INT)으로 지칭되는 월드와이드 패킷 데이터 통신 네트워크를 통해 제공되는 데이터 통신 서비스를 포함할 수 있다. 근거리 통신 네트워크(LAN)(인터넷)는 디지털 데이터 스트림을 운반하는 전기, 전자기 또는 광학 신호를 이용한다. 컴퓨터 시스템(CS)으로 그리고 컴퓨터 시스템으로부터 디지털 데이터를 운반하는, 다양한 네트워크를 통한 신호 및 네트워크 데이터 링크(NDL) 상의 그리고 통신 인터페이스(CI)를 통한 신호는 정보를 운반하는 반송파의 예시적인 형태이다.
컴퓨터 시스템(CS)은 네트워크(들), 네트워크 데이터 링크(NDL), 및 통신 인터페이스(CI)를 통하여 메시지를 보낼 수 있으며 또한 프로그램 코드를 포함하는 데이터를 수신할 수 있다. 인터넷 예에서, 호스트 컴퓨터(HC)는 인터넷(INT), 네트워크 데이터 링크(NDL), 근거리 통신 네트워크(LAN) 및 통신 인터페이스(CI)를 통하여 응용 프로그램에 대한 요청된 코드를 전송할 수 있다. 예를 들어, 하나의 이러한 다운로드된 애플리케이션은 본 명세서에서 설명된 방법의 전부 또는 일부를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(PRO)에 의해 실행될 수 있으며 및/또는 추후 실행을 위하여 저장 디바이스(SD) 또는 다른 비휘발성 저장부에 저장될 수 있다. 이러한 방식으로, 컴퓨터 시스템(CS)은 반송파의 형태의 애플리케이션 코드를 획득할 수 있다.
도 6은 실시예에 따른 리소그래피 투영 장치의 개략도이다.
리소그래피 투영 장치는 조명 시스템(IL), 제1 대상물 테이블(MT), 제2 대상물 테이블(WT) 및 투영 시스템(PS)을 포함할 수 있다.
조명 시스템(IL)은 방사선의 빔(B)을 조절할 수 있다. 이 특별한 경우에, 조명 시스템은 또한 방사선 소스(SO)를 포함한다.
제1 대상물 테이블 (예를 들어, 패터닝 디바이스 테이블)(MT)은 패터닝 디바이스(MA) (예를 들어, 레티클)를 유지시키기 위하여 패터닝 디바이스 홀더를 구비할 수 있으며, 또한 아이템(item)(PS)에 대하여 패터닝 디바이스를 정확히 위치시키기 위하여 제1 포지셔너에 연결될 수 있다.
제2 대상물 테이블(기판 테이블)(WT)은 기판(W) (예를 들어, 레지스트-코팅된 실리콘 웨이퍼)을 유지시키기 위하여 기판 홀더를 구비할 수 있으며 또한 아이템(PS)에 대하여 기판을 정확히 위치시키기 위하여 제2 포지셔너에 연결될 수 있다.
투영 시스템 ("렌즈")(PS) (예를 들어, 굴절형, 반사형(catoptric) 또는 반사 굴절형(catadioptric) 광학 시스템)은 패터닝 디바이스(MA)의 조사된 부분을 기판(W)의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟 부분(C) 상으로 이미지화할 수 있다.
본 명세서에 도시된 바와 같이, 본 장치는 투과형일 수 있다 (즉, 투과형 패터닝 디바이스를 갖는다). 그러나, 일반적으로 본 장치는 또한 예를 들어 (반사형 패터닝 디바이스를 갖는) 반사형일 수 있다. 본 장치는 전형적인 마스크와는 다른 종류의 패터닝 디바이스를 채택할 수 있다; 예는 프로그램 가능한 미러 어레이 또는 LCD 매트릭스를 포함한다.
소스(SO) (예를 들어, 수은 램프 또는 엑시머 레이저, LPP(레이저 생성 플라즈마) EUV 소스)는 방사선의 빔을 생성한다. 예를 들어, 이 빔은 곧바로 또는 빔 익스팬더(beam expander)(Ex)와 같은 조정 수단을 가로지른 후 조명 시스템 (일루미네이터)(IL) 내로 공급된다. 일루미네이터(IL)는 빔 내의 세기 분포의 외부 및/또는 내부 반경 방향 크기 (통상적으로, σ-외부 및 σ-내부로 각각 지칭됨)를 설정하기 위한 조정 수단(AD)을 포함할 수 있다. 또한, 일루미네이터는 전반적으로 집속기(integrator)(IN)와 집광기(CO)와 같은 다양한 다른 구성 요소를 포함할 것이다. 이러한 방식으로, 패터닝 디바이스(MA)에 충돌하는 빔(B)은 그 횡단면에 원하는 균일성 및 세기 분포를 갖는다.
일부 실시예에서, 소스(SO)는 (흔히 소스(SO)가, 예를 들어 수은 램프인 경우와 같이) 리소그래피 투영 장치의 하우징 내에 있을 수 있지만, 소스는 리소그래피 투영 장치로부터 멀리 떨어져 있을 수도 있으며, 소스가 생성하는 방사선 빔은 (예를 들어, 적절한 지향 미러의 도움으로) 장치로 들어갈 수 있다; 이 후자의 시나리오는 소스(SO)가 (예를 들어, KrF, ArF 또는 F2 레이징(lasing)을 기반으로 하는) 엑시머 레이저인 경우일 수 있다.
빔(PB)은 이후 패터닝 디바이스 테이블(MT) 상에 유지되어 있는 패터닝 디바이스(MA)를 통과(intercept)한다. 패터닝 디바이스(MA)를 가로지른 빔(B)은 렌즈(PL)를 통과할 수 있으며, 렌즈는 기판(W)의 타겟 부분(C) 상으로 빔(B)을 집속시킨다. 제2 위치 설정 수단 (및 간섭계 측정 수단(IF))의 도움으로, 기판 테이블(WT)은, 예를 들어 빔(PB)의 경로 내에 상이한 타겟 부분(C)들을 위치시키기 위하여 정확하게 이동될 수 있다. 유사하게, 제1 위치 설정 수단은, 예를 들어 패터닝 디바이스 라이브러리로부터의 패터닝 디바이스(MA)의 기계적인 인출(retrieval) 후에 또는 스캔 동안, 빔(B)의 경로에 대해 패터닝 디바이스(MA)를 정확히 위치시키기 위해 사용될 수 있다. 일반적으로, 대상물 테이블(MT, WT)의 이동은 장-스트로크 모듈 (개략적인 위치 설정) 및 단-스트로크 모듈 (미세한 위치 설정)의 도움으로 실현될 수 있다. 그러나 (스텝-앤드-스캔 툴(step-and-scan tool)과는 대조적으로) 스테퍼의 경우, 패터닝 디바이스 테이블(MT)은 단지 단-스트로크 액추에이터에 연결될 수 있거나 고정될 수 있다.
도시된 툴은 2개의 상이한 모드, 스텝 모드와 스캔 모드에서 사용될 수 있다. 스텝 모드에서, 패터닝 디바이스 테이블(MT)은 기본적으로 정지 상태로 유지되며, 전체 패터닝 디바이스 이미지는 한 번에 (즉, 단일 "플래시(flash)") 타겟 부분(C) 상으로 투영된다. 상이한 타겟 부분(C)이 빔(PB)에 의해 조사될 수 있도록 기판 테이블(WT)은 x 및/또는 y 방향으로 시프트될 수 있다.
스캔 모드에서, 주어진 타겟 부분(C)이 단일 "플래시"로 노광되지 않는다는 것을 제외하고는 기본적으로 동일한 시나리오가 적용된다. 대신에, 패터닝 디바이스 테이블(MT)은 v의 속도로 주어진 방향 (소위 "스캔 방향", 예를 들어 y 방향)으로 이동 가능하며, 따라서 투영 빔(B)이 패터닝 디바이스 이미지를 걸쳐 스캔하도록 유도된다; 동시에, 기판 테이블(WT)은 속도 V=Mv로 동일 방향 또는 반대 방향으로 동시에 이동되며, 여기서 M은 렌즈(PL)의 배율 (전형적으로, M=1/4 또는 1/5)이다. 이 방식으로, 분해능을 손상시키지 않고도 비교적 넓은 타겟 부분(C)이 노광될 수 있다.
도 7은 실시예에 따른 또 다른 리소그래피 투영 장치(LPA)의 개략도이다.
LPA는 소스 컬렉터 모듈(SO), 방사선 빔(B) (예를 들어 EUV 방사선)을 조정하도록 구성된 조명 시스템 (일루미네이터)(IL), 지지 구조체(MT), 기판 테이블(WT) 및 투영 시스템(PS)을 포함할 수 있다.
지지 구조체 (예를 들어, 패터닝 디바이스 테이블)(MT)은 패터닝 디바이스 (예를 들어, 마스크 또는 레티클)(MA)를 지지하도록 구성될 수 있으며 패터닝 디바이스를 정확하게 위치시키도록 구성된 제1 포지셔너(PM)에 연결될 수 있다.
기판 테이블 (예를 들어, 웨이퍼 테이블)(WT)은 기판 (예를 들어, 레지스트 코팅된 웨이퍼)(W)를 유지시키도록 구성될 수 있으며 기판을 정확하게 위치시키도록 구성된 제2 포지셔너(PW)에 연결될 수 있다.
투영 시스템 (예를 들어, 반사형 투영 시스템)(PS)은 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 기판(W)의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟 부분(C) 상으로 투영시키도록 구성된 투영 구성될 수 있다.
여기에서 도시된 바와 같이, LPA는 (예를 들어, 반사형 패터닝 디바이스를 사용하는) 반사 유형일 수 있다. 대부분의 재료는 EUV 파장 범위 내에서 흡수성이기 때문에 패터닝 디바이스는 예를 들어 몰리브덴과 실리콘의 다중 스택을 포함하는 다층 리플렉터를 가질 수 있다는 것이 주목되어야 한다. 일 예에서, 다중 스택 리플렉터는 각 층의 두께가 1/4 파장인, 몰리브덴과 실리콘의 40개의 층 쌍을 갖는다. X-선 리소그래피로 심지어 더 작은 파장이 생성될 수 있다. 대부분의 재료는 EUV와 x-선 파장에서 흡수성이기 때문에, 패터닝 디바이스 토포그래피 상의 얇은 조각의 패터닝된 흡수 재료 (예를 들어, 다층 리플렉터의 최상부 상의 TaN 흡수제)는 피처가 인쇄될 (포지티브 레지스트) 또는 프린트되지 않을 (네거티브 레지스트) 위치를 규정한다.
일루미네이터(IL)는 소스 컬렉터 모듈(SO)로부터 극자외 방사선 빔을 받아들일 수 있다. EUV 방사선을 생성하기 위한 방법은 재료를 EUV 범위 내의 하나 이상의 방출 라인으로 적어도 하나의 요소, 예를 들어 크세논, 리튬 또는 주석을 갖는 플라즈마 상태로 전환시키는 것을 포함하지만, 반드시 이에 제한되지는 않는다. 하나의 이러한 방법에서, 흔히 레이저 생성 플라즈마("LPP")라고 불리는 플라즈마는 라인 방출 요소를 갖는 재료의 액적, 스트림 또는 클러스터와 같은 연료를 레이저 빔으로 조사함으로써 생성될 수 있다. 소스 컬렉터 모듈(SO)은, 연료를 여기시키는 레이저 빔을 제공하기 위한, 도 7에서는 보이지 않는 레이저를 포함하는 EUV 방사선 시스템의 일부일 수 있다. 결과적인 플라즈마는 출력 방사선, 예를 들어 EUV 방사선을 방출하며, 이 방사선은 소스 컬렉터 모듈에 배치된 방사선 컬렉터를 이용하여 수집된다. 레이저와 소스 컬렉터 모듈은, 예를 들어 CO2 레이저가 사용되어 연료 여기를 위하여 레이저 빔을 제공하는 경우 별도의 개체일 수 있다.
이러한 경우에, 레이저는 리소그래피 장치의 일부를 형성하는 것으로 간주되지 않을 수 있으며, 방사선 빔은 예를 들어, 적절한 지향 미러 및/또는 빔 익스팬더를 포함하는 빔 전달 시스템의 도움으로 레이저로부터 소스 컬렉터 미러로 나아갈 수 있다. 다른 경우에, 예를 들어 소스가 흔히 DPP 소스로 불리는 방전 생성 플라즈마 EUV 생성기일 때, 소스는 소스 컬렉터 모듈의 필수 부분일 수 있다.
일루미네이터(IL)는 방사선 빔의 각도 세기 분포를 조정하기 위한 조정기를 포함할 수 있다. 일반적으로, 일루미네이터의 퓨필 평면 내의 세기 분포의 적어도 외부 및/또는 내부 반경 방향 크기 (통상적으로, σ-외부 및 σ-내부로 각각 지칭됨)가 조정될 수 있다. 또한, 일루미네이터(IL)는 패싯 필드 디바이스 및 퓨필 미러 디바이스와 같은 다양한 다른 구성 요소를 포함할 수 있다. 일루미네이터는 방사선 빔의 횡단면에 원하는 균일성과 세기 분포를 갖도록 방사선 빔을 조정하기 위해 사용될 수 있다.
방사선 빔(B)은 지지 구조체 (예를 들어, 패터닝 디바이스 테이블)(MT) 상에서 유지되는 패터닝 디바이스 (예를 들어, 마스크)(MA)에 입사될 수 있으며, 패터닝 디바이스에 의해 패터닝된다. 패터닝 디바이스 (예를 들어, 마스크)(MA)에서 반사된 후, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 투영 시스템은 빔을 기판(W)의 타겟 부분(C) 상으로 집속시킨다. 제2 포지셔너(PW) 및 위치 센서(PS2) (예를 들어, 간섭계 디바이스, 선형 인코더 또는 용량성 센서)의 도움으로, 예를 들어, 방사선 빔(B)의 경로에 상이한 타겟 부분(C)들을 위치시키기 위하여, 기판 테이블(WT)은 정확하게 이동될 수 있다. 유사하게, 제1 포지셔너(PM) 및 또 다른 위치 센서(PS1)는 방사선 빔(B)의 경로에 대해 패터닝 디바이스 (예를 들어, 마스크)(MA)를 정확하게 위치시키기 위해 사용될 수 있다. 패터닝 디바이스 (예를 들어, 마스크)(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크(M1, M2) 및 기판 정렬 마크(P1, P2)를 이용하여 정렬될 수 있다.
도시된 장치(LPA)는 다음의 모드들, 스텝 모드, 스캔 모드 및 정지 모드 중 적어도 하나의 모드에서 사용될 수 있다.
스텝 모드에서, 지지 구조체 (예를 들어, 패터닝 디바이스 테이블)(MT)와 기판 테이블(WT)은 기본적으로 고정된 상태로 유지되는 한편, 방사선 빔에 부여된 전체 패턴은 한 번에 타겟 부분(C) 상으로 투영된다 (즉, 단일 정적 노광). 기판 테이블(WT)은 그후 상이한 타겟 부분(C)이 노광될 수 있도록 X 및/또는 Y 방향으로 시프트된다.
스캔 모드에서, 지지 구조체 (예를 들어, 패터닝 디바이스 테이블)(MT)와 기판 테이블(WT)은 방사선 빔에 부여된 패턴이 타겟 부분(C) 상으로 투영되는 동안에 동시에 스캔된다 (즉, 단일 동적 노광). 지지 구조체 (예를 들어, 패터닝 디바이스 테이블)(MT)에 대한 기판 테이블(WT)의 속도 및 방향은 투영 시스템(PS)의 확대 (축소) 및 이미지 반전 특성에 의하여 결정될 수 있다.
정지 모드에서, 지지 구조체 (예를 들어, 패터닝 디바이스 테이블)(MT)는 기본적으로 고정된 상태로 유지되어 프로그램 가능한 패터닝 디바이스를 유지시키며, 방사선 빔에 부여된 패턴이 타겟 부분(C) 상으로 투영되는 동안 기판 테이블(WT)은 이동되거나 스캔된다. 이 모드에서는, 일반적으로 펄스형 방사선 소스가 이용되며, 프로그램 가능한 패터닝 디바이스는 기판 테이블(WT)의 각 이동 후에 또는 스캔 동안의 연속적인 방사선 펄스들 사이에서 필요에 따라 업데이트된다. 이 작동 모드는 위에서 지칭된 바와 같은 유형의 프로그램 가능한 미러 어레이와 같은, 프로그램 가능한 패터닝 디바이스를 이용하는 마스크 없는(maskless) 리소그래피에 용이하게 적용될 수 있다.
도 8의 실시예에 따른 리소그래피 투영 장치의 상세도이다.
보여지는 바와 같이, LPA는 소스 컬렉터 모듈(SO), 조명 시스템(IL) 및 투영 시스템(PS)을 포함할 수 있다. 소스 컬렉터 모듈(SO)은 진공 환경이 소스 컬렉터 모듈(SO)의 외함 구조체(220) 내에서 유지될 수 있도록 구성되고 배열되어 있다. EUV 방사선 방출 플라즈마(210)는 방전 생성 플라즈마 소스에 의해 형성될 수 있다. EUV 방사선은 가스 또는 증기, 예를 들어 초고온의 플라즈마(210)가 생성되어 전자기 스펙트럼의 EUV 범위의 방사선을 방출하는 Xe 가스, Li 증기 또는 Sn 증기에 의해 생성될 수 있다. 초고온의 플라즈마(210)는, 예를 들어 적어도 부분적으로 이온화된 플라즈마를 유발하는 방전에 의해 생성된다. 예를 들어, 10Pa의 Xe, Li, Sn 증기 또는 임의의 다른 적절한 가스 또는 증기의 부분 압력이 효율적인 방사선 생성을 위해 요구될 수 있다. 실시예에서, 여기된 주석(Sn)의 플라즈마가 제공되어 EUV 방사선을 생성한다.
고온 플라즈마(210)에 의해 방출된 방사선은 소스 챔버(211)의 개구 내에 또는 그 뒤에 위치된 (일부 경우에, 오염물 배리어 또는 포일 트랩으로도 지칭되는) 선택적인 가스 배리어 또는 오염물 트랩(230)을 통해 소스 챔버(211)로부터 컬렉터 챔버(212) 내로 나아간다. 오염물 트랩(230)은 채널 구조체를 포함할 수 있다. 오염물 트랩(230)은 또한 가스 배리어 또는 가스 배리어와 채널 구조체의 조합을 포함할 수 있다. 본 기술 분야에서 공지된 바와 같이, 본 도면에 추가로 표시된 오염물 트랩 또는 오염물 배리어(230)는 채널 구조체를 적어도 포함하고 있다.
컬렉터 챔버(212)는 소위 그레이징(grazing) 입사 컬렉터일 수 있는 방사선 컬렉터(CO)를 포함할 수 있다. 방사선 컬렉터(CO)는 상류 방사선 컬렉터 측(251) 및 하류 방사선 컬렉터 측(252)을 갖고 있다. 컬렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(240)에서 반사되어 일점 쇄선(O)으로 나타나 있는 광학 축을 따라 가상 소스 포인트(IF)에 집속될 수 있다. 가상 소스 포인트(IF)는 일반적으로 중간 초점으로 지칭되며, 소스 컬렉터 모듈은 중간 초점(IF)이 외함 구조체(220)의 개구(219)에 또는 그 근처에 위치되도록 배열되어 있다. 가상 소스 포인트(IF)는 방사선 방출 플라즈마(210)의 이미지이다.
그후, 방사선은 조명 시스템(IL)을 가로지르며, 이 조명 시스템은 패터닝 디바이스(MA)에서의 방사선 빔(21)의 원하는 각도 분포뿐만 아니라 패터닝 디바이스(MA)에서의 방사선 세기의 원하는 균일성을 제공하도록 배열된 패싯 필드 미러 디바이스(22) 및 패싯 퓨필 미러 디바이스(24)를 포함할 수 있다. 지지 구조체(MT)에 의해 유지되는 패터닝 디바이스(MA)에서의 방사선 빔(21)의 반사시, 패터닝된 빔(26)이 형성되며, 패터닝된 빔(26)은 반사 요소(28, 30)를 통하여 투영 시스템(PS)에 의하여, 기판 테이블(WT)에 의하여 유지되는 기판(W) 상으로 이미지화된다
일반적으로 조명 광학계 유닛(IL) 및 투영 시스템(PS)에는 보여지는 것보다 많은 요소가 존재할 수 있다. 리소그래피 장치의 유형에 따라, 격자 스펙트럼 필터(240)는 선택적으로 존재할 수 있다. 또한, 도면에서 보여지는 것보다 더 많은 미러가 존재할 수 있으며, 예를 들어 도 8에서 보여지는 것보다 투영 시스템(PS)에는 1개 내지 6개의 추가적인 반사 요소가 있을 수 있다
도 8에 도시된 바와 같이, 컬렉터 광학계(CO)는 단지 컬렉터 (또는 컬렉터 미러)의 예로서, 그레이징(grazing) 입사 리플렉터(253, 254 및 255)를 갖는 네스티드(nested) 컬렉터로 도시되어 있다. 그레이징 입사 리플렉터(253, 254 및 255)들은 광학 축(O)을 중심으로 축 대칭적으로 배치되어 있으며, 이 유형의 컬렉터 광학계(CO)는 흔히 DPP 소스로 불리는 방전 생성 플라즈마 소스와 조합하여 사용될 수 있다.
도 9는 실시예에 따른 리소그래피 투영 장치(LPA)의 소스 컬렉터 모듈(SO)의 상세도이다.
소스 컬렉터 모듈(SO)은 LPA 방사선 시스템의 일부일 수 있다. 레이저(LA)가 크세논(Xe), 주석(Sn) 또는 리튬(Li)과 같은 연료에 레이저 에너지를 축적(deposit)하도록 배열될 수 있어, 수십 eV의 전자 온도를 갖는 고이온화된 플라즈마(highly ionized plasma)(210)를 생성한다. 이 이온들의 탈-여기(de-excitation) 및 재조합 동안 생성되는 에너지 방사선(energetic radiation)은 플라즈마로부터 방출되고, 근수직 입사 컬렉터 광학계(CO)에 의해 수집되며 그리고 외함 구조체(220)의 개구(221) 상으로 집속된다.
본 명세서에 개시된 개념은 서브 파장 피처를 이미징하기 위하여 임의의 포괄적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있으며, 또한 더욱 더 짧은 파장을 생성할 수 있는 새로운 이미징 기술로 특히 유용할 수 있다. 이미 사용 중인 새로운 기술은 ArF 레이저를 사용하여 193㎚ 파장, 심지어 불소 레이저를 사용하여 157㎚ 파장을 생성할 수 있는 EUV(극자외), DUV 리소그래피를 포함한다. 더욱이, EUV 리소그래피는 20 내지 5㎚ 범위 내의 광자를 생성하기 위하여 싱크로트론을 이용함으로써 또는 고 에너지 전자로 재료 (고체 또는 플라즈마 중 어느 하나)를 타격함으로써 이 범위 내의 파장을 생성할 수 있다.
본 발명의 실시예는 다음의 조항에 의하여 더 설명될 수 있다:
1. 이미지 내의 정보 엔트로피의 레벨을 기반으로 기계 학습 모델을 위한 트레이닝 데이터 세트를 생성하기 위한 비일시적 컴퓨터 판독-가능한 매체에 있어서, 매체는 저장된 명령어를 포함하며, 명령어는 하나 이상의 프로세서에 의하여 실행될 때,
제1 패턴과 제2 패턴을 포함하는 이미지를 획득하는 것;
제1 패턴의 픽셀 세기를 기반으로 이미지의 제1 부분 내의 정보 엔트로피의 제1 레벨을 결정하는 것;
제2 패턴의 픽셀 세기를 기반으로 이미지의 제2 부분 내의 정보 엔트로피의 제2 레벨을 결정하는 것;
정보 엔트로피의 제1 레벨과 정보 엔트로피의 제2 레벨을 비교하는 것;
비교를 기반으로 정보 엔트로피의 제1 레벨이 정보 엔트로피의 제2 레벨보다 낮다는 것을 결정하는 것; 및
정보 엔트로피의 제1 레벨이 정보 엔트로피의 제2 레벨보다 낮다는 점을 결정하는 것에 응답하여, 제1 패턴 또는 제1 패턴의 적어도 일부분을 포함하는 트레이닝 데이터 세트를 생성하는 것을 포함하는 작동을 야기한다.
2. 저장된 명령어를 포함하는 비일시적 컴퓨터 판독-가능한 매체에 있어서, 명령어는 하나 이상의 프로세서에 의하여 실행될 때,
복수의 패턴을 갖는 이미지를 획득하는 것;
이미지 내의 픽셀 세기를 기반으로, 이미지의 하나 이상의 부분에 포함된 정보성의 레벨을 나타내는 메트릭을 결정하는 것;
메트릭을 기반으로, 특정 범위 내의 메트릭의 값을 갖는 이미지의 하나 이상의 부분으로부터 복수의 패턴의 서브-세트를 선택하는 것; 및
패턴의 서브-세트를 패터닝 공정과 연관된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 제공하는 것을 포함하는 작동을 야기한다.
3. 조항 2의 매체에서, 정보의 양은 복수의 패턴의 각각의 비균질성, 복수의 패턴을 사용하여 획득된 모델 예측과 연관된 불확실성, 또는 복수의 패턴을 사용하여 획득된 모델 예측과 관련된 오차를 나타낸다.
4. 조항 2 또는 3의 매체에서, 메트릭의 값을 결정하는 것은;
메트릭을 이미지의 하나 이상의 픽셀에 적용시킴으로써 정보 콘텐츠 데이터를 생성하는 것을 포함한다.
5. 조항 4의 매체에서, 정보 콘텐츠 데이터를 생성하는 것은;
이미지를 통해 특정 형상 및/또는 크기의 윈도우를 슬라이딩시키는 것; 및
각 슬라이딩 위치에 대해 윈도우 내에서 적용된 메트릭의 값을 계산하는 것을 포함한다.
6. 조항 2 내지 5 중 어느 한 조항의 매체에서, 메트릭은 정보 엔트로피, 레니 엔트로피 또는 미분 엔트로피 중 적어도 하나이다.
7. 조항 6의 매체에서, 정보 엔트로피는 이미지와 연관된 복수의 가능한 결과의 결과의 확률과 결과의 확률의 대수 함수의 곱들의 합을 포함한다.
8. 조항 7의 매체에서, 가능한 결과는,
이미지의 픽셀에 할당된 이진 값 -제1 값은 이미지 내의 패턴의 존재를 나타내며, 제2 값은 이미지 내의 패턴의 부재를 나타냄-; 또는
이미지의 픽셀에 할당된 그레이 스케일 값 중 적어도 하나를 포함한다.
9. 조항 2 내지 8 중 어느 한 조항의 매체에서, 메트릭을 결정하는 것은,
복수의 패턴 중 하나 이상, 패터닝 공정과 연관된 공정 모델을 시뮬레이션하는 것, 또는
복수의 패턴 중 하나 이상을 이용하여 패터닝 공정과 관련된 기계 학습 모델을 시뮬레이션하는 것을 포함하지 않는다.
10. 조항 2 내지 9 중 어느 한 조항의 매체에서, 패턴의 서브-세트를 선택하는 것은,
이미지 전체에 걸쳐 메트릭의 값들을 비교하는 것;
특정 범위 내에서 메트릭의 값들에 대응하는 이미지의 부분들을 식별하는 것; 및
식별된 부분 내에서 패턴의 서브-세트를 선택하는 것을 포함한다.
11. 조항 6 내지 8 중 어느 한 조항의 매체에서, 패턴의 서브-세트를 선택하는 것은,
다른 부분과 비교하여 상대적으로 낮은 정보 엔트로피 값에 대응하는 이미지의 부분을 식별하는 것; 및
식별된 부분 내에서 패턴의 서브-세트를 선택하는 것을 포함한다.
12. 조항 2 내지 11 중 어느 한 조항의 매체에서, 패턴의 서브-세트는 패턴의 서브-세트의 패턴의 적어도 일부분을 포함한다.
13. 조항 2 내지 12 중 어느 한 조항의 매체에서, 이미지는,
기판 상에 프린트될 패턴을 포함하는 디자인 레이아웃; 또는
주사 전자 현미경(SEM)을 통해 획득되는 패터닝된 기판의 SEM 이미지 중 적어도 하나이다.
14. 조항 2 내지 13 중 어느 한 조항의 매체에서, 이미지는,
바이너리 이미지,
그레이 스케일 이미지; 또는
n-채널 이미지-여기서 n은 이미지에서 사용된 색상의 수를 나타냄- 중 적어도 하나이다.
15. 조항 2 내지 14의 매체는, 패턴의 서브-세트를 트레이닝 데이터로 사용하여 패터닝 공정과 연관된 모델을 트레이닝시키는 것을 포함하는 작동을 더 야기한다.
16. 조항 15의 매체에서, 트레이닝시키는 것은,
디자인 레이아웃의 복수의 패턴과 연관된 광학 근접 보정 구조체를 생성하도록 구성된 모델을 트레이닝시키는 것을 포함한다.
17. 조항 16의 매체에서, 광학 근접 보정 구조체는,
디자인 레이아웃의 복수의 패턴에 대응하는 주 피처들; 또는
디자인 레이아웃의 복수의 패턴을 둘러싸는 어시스트 피처들을 포함한다.
18. 트레이닝 데이터를 기반으로 모델을 트레이닝시키기 위한 명령어를 저장하는 비일시적 컴퓨터-판독 가능한 매체에 있어서, 하나 이상의 프로세서에 의하여 실행될 때 트레이닝 데이터는;
복수의 패턴을 갖는 이미지를 획득하는 것;
이미지 내의 픽셀 세기를 기반으로, 이미지의 하나 이상의 부분에 포함된 정보의 양 또는 정보성의 레벨을 나타내는 메트릭을 결정하는 것;
메트릭을 기반으로, 특정 범위 내의 메트릭의 값을 갖는 이미지의 하나 이상의 부분으로부터 복수의 패턴의 서브-세트를 선택하는 것; 및
패턴의 서브-세트를 패터닝 공정과 연관된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 제공하는 것에 의하여 생성된다.
19. 조항 18의 매체에서, 정보의 양은 복수의 패턴의 각각의 비균질성, 복수의 패턴을 사용하여 획득된 모델 예측과 연관된 불확실성, 또는 복수의 패턴을 사용하여 획득된 모델 예측과 관련된 오차를 나타낸다.
20. 조항 18의 매체에서, 메트릭의 값을 결정하는 것은;
이미지를 통해 특정 형상 및/또는 크기의 윈도우를 슬라이딩시키는 것; 및
각 슬라이딩 위치에 대해 윈도우 내에서 적용된 메트릭의 값을 계산하는 것을 포함한다.
21. 조항 18 내지 20 중 어느 한 조항의 매체에서, 메트릭은 정보 엔트로피, 레니 엔트로피 또는 미분 엔트로피 중 적어도 하나이다.
22. 조항 21의 매체에서, 정보 엔트로피는 이미지와 연관된 복수의 가능한 결과의 결과의 확률과 결과의 확률의 대수 함수의 곱들의 합을 포함한다.
23. 조항 22의 매체에서, 가능한 결과는,
이미지의 픽셀에 할당된 이진 값 -제1 값은 이미지 내의 패턴의 존재를 나타내며, 제2 값은 이미지 내의 패턴의 부재를 나타냄-;
이미지의 픽셀에 할당된 그레이 스케일 값 중 적어도 하나를 포함한다.
24. 조항 18 내지 23 중 어느 한 조항의 매체에서, 메트릭을 결정하는 것은,
복수의 패턴 중 하나 이상, 패터닝 공정과 연관된 공정 모델을 시뮬레이션하는 것, 또는
복수의 패턴 중 하나 이상을 이용하여 패터닝 공정과 연관된 기계 학습 모델을 시뮬레이션하는 것을 포함하지 않는다.
25. 조항 18 내지 24 중 어느 한 조항의 매체에서, 패턴의 서브-세트를 선택하는 것은,
이미지 전체에 걸쳐 메트릭의 값들을 비교하는 것;
특정 범위 내에서 메트릭의 값들에 대응하는 이미지의 부분들을 식별하는 것; 및
식별된 부분 내에서 패턴의 서브-세트를 선택하는 것을 포함한다.
26. 조항 21 내지 24 중 어느 한 조항의 매체에서, 패턴의 서브-세트를 선택하는 것은,
다른 부분과 비교하여 상대적으로 낮은 정보 엔트로피 값에 대응하는 이미지의 부분을 식별하는 것; 및
식별된 부분 내에서 패턴의 서브-세트를 선택하는 것을 포함한다.
27. 조항 18 내지 26 중 어느 한 조항의 매체에서, 패턴의 서브-세트는 패턴의 서브-세트의 패턴의 적어도 일부분을 포함한다.
28. 조항 18 내지 27 중 어느 한 조항의 매체에서, 이미지는,
기판 상에 프린트될 패턴을 포함하는 디자인 레이아웃; 또는
주사 전자 현미경(SEM)을 통해 획득되는 패터닝된 기판의 SEM 이미지 중 적어도 하나이다.
29. 조항 18 내지 28 중 어느 한 조항의 매체에서, 이미지는,
바이너리 이미지,
그레이 스케일 이미지; 또는
n-채널 이미지-여기서 n은 이미지에서 사용된 색상의 수를 나타냄- 중 적어도 하나이다.
30. 모델을 트레이닝시키기 위한 트레이닝 데이터를 생성하는 방법에서, 본 방법은;
복수의 패턴을 갖는 이미지를 획득하는 것;
이미지 내의 픽셀 세기를 기반으로, 이미지의 하나 이상의 부분에 포함된 정보의 양을 나타내는 메트릭을 결정하는 것;
메트릭을 기반으로, 특정 범위 내의 메트릭의 값을 갖는 이미지의 하나 이상의 부분으로부터 복수의 패턴의 서브-세트를 선택하는 것; 및
패턴의 서브-세트를 패터닝 공정과 연관된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 제공하는 것을 포함한다.
31. 조항 30의 방법에서, 정보의 양은 복수의 패턴의 각각의 비균질성, 복수의 패턴을 사용하여 획득된 모델 예측과 연관된 불확실성, 또는 복수의 패턴을 사용하여 획득된 모델 예측과 관련된 오차를 나타낸다.
32. 조항 30 및 31의 방법에서, 메트릭의 값을 결정하는 것은;
메트릭을 이미지의 하나 이상의 픽셀에 적용시킴으로써 정보 콘텐츠 데이터를 생성하는 것을 포함한다.
33. 조항 32의 방법에서, 정보 콘텐츠 데이터를 생성하는 것은;
이미지를 통해 특정 형상 및/또는 크기의 윈도우를 슬라이딩시키는 것; 및
각 슬라이딩 위치에 대해 윈도우 내에서 적용된 메트릭의 값을 계산하는 것을 포함한다.
34. 조항 30 내지 33 중 어느 한 조항의 방법에서, 메트릭은 정보 엔트로피, 레니 엔트로피 또는 미분 엔트로피 중 적어도 하나이다.
35. 조항 34의 방법에서, 정보 엔트로피는 이미지와 연관된 복수의 가능한 결과의 결과의 확률과 결과의 확률의 대수 함수의 곱들의 합을 포함한다.
36. 조항 35의 방법에서, 가능한 결과는,
이미지의 픽셀에 할당된 이진 값 -제1 값은 이미지 내의 패턴의 존재를 나타내며, 제2 값은 이미지 내의 패턴의 부재를 나타냄-; 또는
이미지의 픽셀에 할당된 그레이 스케일 값 중 적어도 하나를 포함한다.
37. 조항 30 내지 36 중 어느 한 조항의 방법에서, 메트릭을 결정하는 것은,
복수의 패턴 중 하나 이상, 패터닝 공정과 연관된 공정 모델을 시뮬레이션하는 것, 또는
복수의 패턴 중 하나 이상을 이용하여 패터닝 공정과 연관된 기계 학습 모델을 시뮬레이션하는 것을 포함하지 않는다.
38. 조항 30 내지 37 중 어느 한 조항의 방법에서, 패턴의 서브-세트를 선택하는 것은,
이미지 전체에 걸쳐 메트릭의 값들을 비교하는 것;
특정 범위 내에서 메트릭의 값들에 대응하는 이미지의 부분들을 식별하는 것; 및
식별된 부분 내에서 패턴의 서브-세트를 선택하는 것을 포함한다.
39. 조항 34 내지 37 중 어느 한 조항의 방법에서, 패턴의 서브-세트를 선택하는 것은,
다른 부분과 비교하여 상대적으로 낮은 정보 엔트로피 값에 대응하는 이미지의 부분을 식별하는 것; 및
식별된 부분 내에서 패턴의 서브-세트를 선택하는 것을 포함한다.
40. 조항 30 내지 39 중 어느 한 조항의 방법에서, 패턴의 서브-세트는 패턴의 서브-세트의 패턴의 적어도 일부분을 포함한다.
41. 조항 30 내지 40 중 어느 한 조항의 방법에서, 이미지는,
기판 상에 프린트될 패턴을 포함하는 디자인 레이아웃; 및
주사 전자 현미경(SEM)을 통해 획득되는 패터닝된 기판의 SEM 이미지 중 적어도 하나이다.
42. 조항 30 내지 41 중 어느 한 조항의 방법에서, 이미지는,
바이너리 이미지,
그레이 스케일 이미지; 또는
n-채널 이미지-여기서 n은 이미지에서 사용된 색상의 수를 나타냄- 중 적어도 하나를 포함한다.
43. 조항 30 내지 42 중 어느 한 조항의 방법은 패턴의 서브-세트를 트레이닝 데이터로 사용하여 패터닝 공정과 연관된 모델을 트레이닝시키는 것을 포함하는 작동을 더 야기한다.
44. 조항 43 방법에서, 트레이닝시키는 것은,
디자인 레이아웃의 복수의 패턴과 연관된 광학 근접 보정 구조체를 생성하도록 구성된 모델을 트레이닝시키는 것을 포함한다.
45. 조항 44의 방법에서, 광학 근접 보정 구조체는,
디자인 레이아웃의 복수의 패턴에 대응하는 주 피처들; 또는
디자인 레이아웃의 복수의 패턴을 둘러싸는 어시스트 피처들을 포함한다.
본 명세서에 개시된 개념이 실리콘 웨이퍼와 같은 기판 상의 이미징을 위하여 사용될 수 있는 반면에, 개시된 개념은 임의의 유형의 리소그래피 이미징 시스템, 예를 들어 실리콘 웨이퍼 이외의 다른 기판 상의 이미징을 위해서 사용되는 것과 함께 사용될 수 있다는 것이 이해될 것이다.
본 명세서 내의 설명은 한정적인 것이 아니라 예시적인 것으로 의도된다. 따라서, 아래에 제시되는 청구범위의 범위에서 벗어남이 없이 설명된 바와 같이 변경이 이루어질 수 있다는 것이 본 기술 분야의 숙련된 자에게 명백할 것이다

Claims (15)

  1. 저장된 명령어를 포함하는 비일시적 컴퓨터 판독-가능한 매체에 있어서, 상기 명령어는 하나 이상의 프로세서에 의하여 실행될 때,
    복수의 패턴을 갖는 이미지를 획득하는 것;
    상기 이미지 내의 픽셀 세기를 기반으로, 상기 이미지의 하나 이상의 부분에 포함된 정보성의 레벨을 나타내는 메트릭을 결정하는 것;
    상기 메트릭을 기반으로, 특정 범위 내의 상기 메트릭의 값을 갖는 상기 이미지의 상기 하나 이상의 부분으로부터 상기 복수의 패턴의 서브-세트를 선택하는 것; 및
    상기 패턴의 서브-세트를 패터닝 공정과 연관된 모델을 트레이닝시키기 위한 트레이닝 데이터로서 제공하는 것을 포함하는 작동을 야기하는 매체,
  2. 제1항에 있어서, 상기 정보성의 레벨은 상기 복수의 패턴의 각각의 비균질성, 모델 예측과 연관된 불확실성 또는 모델 예측과 연관된 오차에 대응하는 매체.
  3. 제1항에 있어서, 상기 메트릭을 결정하는 것은;
    상기 메트릭을 상기 이미지의 하나 이상의 픽셀에 적용시킴으로써 정보 콘텐츠 데이터를 생성하는 것을 포함하는 매체.
  4. 제3항에 있어서, 상기 정보 콘텐츠 데이터를 생성하는 것은;
    상기 이미지를 통해 특정 형상 및/또는 크기의 윈도우를 슬라이딩시키는 것; 및
    각 슬라이딩 위치에 대해 상기 윈도우 내에서 적용된 상기 메트릭의 값을 계산하는 것을 포함하는 매체.
  5. 제1항에 있어서, 상기 메트릭은 정보 엔트로피, 레니 엔트로피 또는 미분 엔트로피 중 적어도 하나인 매체.
  6. 제5항에 있어서, 상기 정보 엔트로피는 상기 이미지와 연관된 복수의 가능한 결과의 결과의 확률과 상기 결과의 확률의 대수 함수의 곱들의 합을 포함하는 매체.
  7. 제6항에 있어서, 상기 가능한 결과는,
    상기 이미지의 픽셀에 할당된 이진 값 -제1 값은 상기 이미지 내의 패턴의 존재를 나타내며, 제2 값은 상기 이미지 내의 패턴의 부재를 나타냄-; 또는
    상기 이미지의 픽셀에 할당된 그레이 스케일 값 중 적어도 하나를 포함하는 매체.
  8. 제1항에 있어서, 상기 메트릭을 결정하는 것은,
    상기 복수의 패턴 중 하나 이상, 패터닝 공정과 연관된 공정 모델을 시뮬레이션하지 않고, 또는
    상기 복수의 패턴 중 하나 이상을 이용하여 상기 패터닝 공정과 연관된 기계 학습 모델을 적용하지 않고 수행되는 매체.
  9. 제1항에 있어서, 상기 패턴의 서브-세트를 선택하는 것은,
    상기 이미지 전체에 걸쳐 상기 메트릭의 값들을 비교하는 것;
    상기 특정 범위 내에서 상기 메트릭의 값들에 대응하는 이미지의 부분들을 식별하는 것; 및
    식별된 부분 내에서 패턴의 상기 서브-세트를 선택하는 것을 포함하는 매체.
  10. 제5항에 있어서, 상기 패턴의 서브-세트를 선택하는 것은,
    다른 부분과 비교하여 상대적으로 낮은 정보 엔트로피 값에 대응하는 상기 이미지의 부분을 식별하는 것; 및
    상기 식별된 부분 내에서 상기 패턴의 서브-세트를 선택하는 것을 포함하는 매체.
  11. 제1항에 있어서, 상기 패턴의 서브-세트는 상기 패턴의 서브-세트의 패턴의 적어도 일부분을 포함하는 매체.
  12. 제1항에 있어서, 상기 이미지는,
    기판 상에 프린트될 패턴을 포함하는 디자인 레이아웃; 및
    주사 전자 현미경(SEM)을 통해 획득되는 패터닝된 기판의 SEM 이미지 중 적어도 하나인 매체.
  13. 제1항에 있어서, 상기 이미지는,
    바이너리 이미지,
    그레이 스케일 이미지; 및
    n-채널 이미지-여기서 n은 상기 이미지에서 사용된 색상의 수를 나타냄- 중 적어도 하나인 매체.
  14. 제1항에 있어서, 상기 패턴의 서브-세트를 트레이닝 데이터로 사용하여 상기 패터닝 공정과 연관된 모델을 트레이닝시키는 것을 포함하는 작동을 더 야기하는 매체.
  15. 제14항에 있어서, 상기 트레이닝시키는 것은,
    디자인 레이아웃의 상기 복수의 패턴과 연관된 광학 근접 보정 구조체를 생성하도록 구성된 모델을 트레이닝시키는 것을 포함하며,
    상기 광학 근접 보정 구조체는,
    상기 디자인 레이아웃의 복수의 패턴에 대응하는 주 피처들; 및
    상기 디자인 레이아웃의 상기 복수의 패턴을 둘러싸는 어시스트 피처 들 중 하나 이상의 포함하는 매체.
KR1020237004467A 2020-08-07 2021-07-29 기계 학습 모델을 트레이닝시키기 위한 정보성 패턴을 선택하는 장치 및 방법. KR20230035384A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20189955.6 2020-08-07
EP20189955.6A EP3951496A1 (en) 2020-08-07 2020-08-07 Apparatus and method for selecting informative patterns for training machine learning models
PCT/EP2021/071232 WO2022028997A1 (en) 2020-08-07 2021-07-29 Apparatus and method for selecting informative patterns for training machine learning models

Publications (1)

Publication Number Publication Date
KR20230035384A true KR20230035384A (ko) 2023-03-13

Family

ID=71995801

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237004467A KR20230035384A (ko) 2020-08-07 2021-07-29 기계 학습 모델을 트레이닝시키기 위한 정보성 패턴을 선택하는 장치 및 방법.

Country Status (6)

Country Link
US (1) US20230267711A1 (ko)
EP (1) EP3951496A1 (ko)
KR (1) KR20230035384A (ko)
CN (1) CN116057466A (ko)
TW (1) TWI778722B (ko)
WO (1) WO2022028997A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220128899A1 (en) * 2020-10-22 2022-04-28 D2S, Inc. Methods and systems to determine shapes for semiconductor or flat panel display fabrication
WO2023159298A1 (en) * 2022-02-28 2023-08-31 National Research Council Of Canada Deep learning based prediction of fabrication-process-induced structural variations in nanophotonic devices

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
WO1997033205A1 (en) 1996-03-06 1997-09-12 Philips Electronics N.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
WO2007019269A2 (en) 2005-08-08 2007-02-15 Brion Technologies, Inc. System and method for creating a focus-exposure model of a lithography process
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
JP4954211B2 (ja) 2005-09-09 2012-06-13 エーエスエムエル ネザーランズ ビー．ブイ． 個別マスクエラーモデルを使用するマスク検証を行うシステムおよび方法
US7694267B1 (en) 2006-02-03 2010-04-06 Brion Technologies, Inc. Method for process window optimized optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US7707538B2 (en) 2007-06-15 2010-04-27 Brion Technologies, Inc. Multivariable solver for optical proximity correction
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
US20200380362A1 (en) * 2018-02-23 2020-12-03 Asml Netherlands B.V. Methods for training machine learning model for computation lithography

Also Published As

Publication number Publication date
WO2022028997A1 (en) 2022-02-10
TWI778722B (zh) 2022-09-21
CN116057466A (zh) 2023-05-02
TW202210954A (zh) 2022-03-16
EP3951496A1 (en) 2022-02-09
US20230267711A1 (en) 2023-08-24

Similar Documents

Publication Publication Date Title
US20230013919A1 (en) Machine learning based inverse optical proximity correction and process model calibration
CN114096917B (zh) 用于减小模型预测不确定性的模型校准的预测数据选择
US20230107556A1 (en) Machine learning based subresolution assist feature placement
TWI753681B (zh) 用於改良光罩圖案產生中之一致性之方法
CN114341885A (zh) 用于增加参数化模型预测的确定性的方法
CN112889005A (zh) 用于生成特性图案和训练机器学习模型的方法
TWI778722B (zh) 用於選擇資訊模式以訓練機器學習模型之設備及方法
TW202036169A (zh) 藉由源及遮罩最佳化以建立理想源光譜的方法
TWI667553B (zh) 判定圖案之特性之方法
EP3531206A1 (en) Systems and methods for improving resist model predictions
TW202307722A (zh) 蝕刻系統、模型、及製造程序
TWI813192B (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
TWI839015B (zh) 用於判定恆定寬度次解析度輔助特徵的方法、軟體、及系統
WO2023088641A1 (en) Simulation model stability determination method
WO2023110346A1 (en) Methods, software, and systems for determination of constant-width sub-resolution assist features
WO2023046385A1 (en) Pattern selection systems and methods
KR20240023521A (ko) 기계 학습 모델을 사용하여 어시스트 피처들을 생성하기 위한 컴퓨터 판독가능한 매체
WO2023084063A1 (en) Generating augmented data to train machine learning models to preserve physical trends
KR20230010686A (ko) 수차 영향 시스템, 모델, 및 제조 프로세스
WO2023016752A1 (en) Match the aberration sensitivity of the metrology mark and the device pattern
CN115729052A (zh) 记录有指令的非瞬态计算机可读介质