KR20230051510A - 이미지 기반 패턴 선택을 위한 시스템, 제품 및 방법 - Google Patents

Abstract

기판 상에 인쇄될 패턴을 예측하기 위해 모델을 학습시키기 위한 패턴을 선택하는 방법이 개시된다. 상기 방법은 (a) 다수의 패턴(상기 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함)의 이미지를 획득하는 단계; (b) 상기 이미지들을 특수 패턴 그룹 및 다수의 메인 패턴 그룹으로 그룹화하는 단계; 및 (c) 상기 모델을 훈련하기 위한 훈련 데이터로서 상기 이미지들에 기초한 패턴의 세트를 출력하는 단계를 포함하며, 패턴 세트에는 특수 패턴 그룹과 각 메인 패턴 그룹의 대표 메인 패턴이 포함된다.

Description

이미지 기반 패턴 선택을 위한 시스템, 제품 및 방법

본 출원은 2020년 8월 19일에 출원된 PCT 출원 PCT/CN2020/110028 및 2021년 2월 8일에 출원된 PCT 출원 PCT/CN2021/076028의 우선권을 주장하며, 그 전문은 본 명세서에 참조로서 포함된다.

본 명세서의 개시는 일반적으로 반도체 제조에 관한 것이며, 보다 구체적으로는 반도체 제조에 적용되는 패턴 선택 기술에 관한 것이다.

리소그래피 투영 장치는, 예를 들어 집적 회로(IC)의 제조 시에 사용될 수 있다. 이러한 경우, 패터닝 디바이스(예를 들어, 마스크)는 IC의 개별층에 대응하는 패턴("디자인 레이아웃")을 포함하거나 제공할 수 있으며, 패터닝 디바이스 상의 패턴을 통해 타겟부를 조사(irradiate)하는 것과 같은 방법들에 의해, 이 패턴이 방사선-감응재("레지스트")층으로 코팅된 기판(예를 들어, 실리콘 웨이퍼) 상의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부 상으로 전사(transfer)될 수 있다. 일반적으로, 단일 기판은 리소그래피 투영 장치에 의해 패턴이 한 번에 한 타겟부씩 연속적으로 전사되는 복수의 인접한 타겟부들을 포함한다. 일 형태의 리소그래피 투영 장치에서는 전체 패터닝 디바이스 상의 패턴이 한 타겟부 상으로 한 번에 전사되며; 이러한 장치는 통상적으로 스테퍼(stepper)라 칭해진다. 통상적으로 스텝-앤드-스캔(step-and-scan) 장치라 칭해지는 대안적인 장치에서는 투영 빔이 주어진 기준 방향("스캐닝" 방향)으로 패터닝 디바이스에 걸쳐 스캐닝하는 한편, 동시에 이 기준 방향과 평행하게 또는 역-평행하게(anti-parallel) 기판이 이동된다. 패터닝 디바이스 상의 패턴의 상이한 부분들이 점진적으로 한 타겟부에 전사된다. 일반적으로, 리소그래피 투영 장치가 축소율(M)(예를 들어, 4)을 갖기 때문에, 기판이 이동되는 속력(F)은 투영 빔이 패터닝 디바이스를 스캐닝하는 속력의 1/M 배가 될 것이다. 리소그래피 디바이스들에 관련된 더 많은 정보는, 예를 들어 본 명세서에서 인용참조되는 US 6,046,792로부터 얻을 수 있다.

패터닝 디바이스로부터 기판으로 패턴을 전사하기에 앞서, 기판은 전처리(priming), 레지스트 코팅 및 소프트 베이크(soft bake)와 같은 다양한 절차들을 거칠 수 있다. 노광 이후, 기판은 노광-후 베이크(post-exposure bake: PEB), 현상, 하드 베이크(hard bake) 및 전사된 패턴의 측정/검사와 같은 다른 절차들("노광-후 절차들")을 거칠 수 있다. 이러한 일련의 절차들은 디바이스, 예를 들어 IC의 개별층을 구성하는 기초로서 사용된다. 그 후, 기판은 에칭, 이온-주입(도핑), 금속화(metallization), 산화, 화학-기계적 연마 등과 같은 다양한 공정들을 거칠 수 있으며, 이는 모두 디바이스의 개별층을 마무리하도록 의도된다. 디바이스에서 여러 층이 요구되는 경우, 각각의 층에 대해 전체 과정 또는 그 변형이 반복된다. 최후에는, 디바이스가 기판 상의 각 타겟부에 존재할 것이다. 그 후, 이 디바이스들은 다이싱(dicing) 또는 소잉(sawing)과 같은 기술에 의해 서로 분리되며, 개개의 디바이스들은 핀에 연결되는 캐리어 등에 장착될 수 있다.

따라서, 반도체 디바이스들과 같은 디바이스들을 제조하는 것은 통상적으로 디바이스들의 다양한 피처들 및 다수 층들을 형성하기 위해 다수의 제작 공정들을 이용하여 기판(예를 들어, 반도체 웨이퍼)을 처리하는 것을 수반한다. 이러한 층들 및 피처들은 통상적으로, 예를 들어 증착, 리소그래피, 에칭, 화학-기계적 연마, 및 이온 주입을 이용하여 제조되고 처리된다. 다수 디바이스들은 기판의 복수의 다이들 상에 제작된 후, 개별적인 디바이스들로 분리될 수 있다. 이 디바이스 제조 공정은 패터닝 공정으로 간주될 수 있다. 패터닝 공정은 기판에 패터닝 디바이스 상의 패턴을 전사하기 위해 리소그래피 장치에서 패터닝 디바이스를 이용하는 광학 및/또는 나노임프린트(nanoimprint) 리소그래피와 같은 패터닝 단계를 수반하며, 통상적이지만 선택적으로 현상 장치에 의한 레지스트 현상, 베이크 툴을 이용한 기판의 베이킹, 에칭 장치를 이용하는 패턴을 이용한 에칭 등과 같은 1 이상의 관련 패턴 처리 단계를 수반한다.

유의되는 바와 같이, 리소그래피는 IC와 같은 디바이스의 제조에 있어서 중심 단계이며, 이때 기판들 상에 형성된 패턴들은 마이크로프로세서, 메모리 칩 등과 같은 디바이스의 기능 요소들을 정의한다. 또한, 유사한 리소그래피 기술들이 평판 디스플레이(flat panel display), MEMS(micro-electro mechanical systems) 및 다른 디바이스들의 형성에 사용된다.

반도체 제조 공정이 계속해서 진보함에 따라, 통상적으로 "무어의 법칙"이라 칭하는 추세를 따라 기능 요소들의 치수들이 계속 감소되는 한편, 디바이스당 트랜지스터와 같은 기능 요소들의 양은 수십 년에 걸쳐 꾸준히 증가하였다. 현 기술 수준에서, 디바이스들의 층들은 심(deep)-자외선 조명 소스로부터의 조명을 이용하여 기판 상에 디자인 레이아웃을 투영하는 리소그래피 투영 장치들을 이용하여 제조되어, 100 nm보다 훨씬 낮은 치수들, 즉 조명 소스(예를 들어, 193 nm 조명 소스)로부터의 방사선의 파장의 절반보다 작은 치수들을 갖는 개별적인 기능 요소들을 생성한다.

리소그래피 투영 장치의 전형적인 분해능 한계보다 작은 치수들을 갖는 피처들이 프린트되는 이 공정은 통상적으로 분해능 공식 CD = k₁×λ/NA에 따른 저(low)-k₁ 리소그래피로서 알려져 있으며, 이때 λ는 채택되는 방사선의 파장(현재, 대부분의 경우 248 nm 또는 193 nm)이고, NA는 리소그래피 투영 장치 내의 투영 광학기의 개구수(numerical aperture)이며, CD는 "임계 치수" -일반적으로, 프린트되는 최소 피처 크기- 이고, k₁은 경험적인 분해능 인자이다. 일반적으로, k₁이 작을수록, 특정한 전기적 기능 및 성능을 달성하기 위하여 설계자에 의해 계획된 형상 및 치수들과 비슷한 패턴을 기판 상에 재현하기가 더 어려워진다. 이 어려움을 극복하기 위해, 정교한 미세-조정 단계들이 리소그래피 투영 장치, 디자인 레이아웃, 또는 패터닝 디바이스에 적용된다. 이들은, 예를 들어 NA 및 광 간섭성(optical coherence) 세팅들의 최적화, 맞춤 조명 방식(customized illumination schemes), 위상 시프팅 패터닝 디바이스들의 사용, 디자인 레이아웃에서의 광 근접 보정(optical proximity correction: OPC, 때로는 "광학 및 공정 보정"이라고도 함), 또는 일반적으로 "분해능 향상 기술들"(resolution enhancement techniques: RET)로 정의된 다른 방법들을 포함하며, 이에 제한되지는 않는다. 본 명세서에서 사용되는 바와 같은 "투영 광학기"라는 용어는, 예를 들어 굴절 광학기, 반사 광학기, 어퍼처(aperture) 및 카타디옵트릭(catadioptric) 광학기를 포함하는 다양한 타입의 광학 시스템들을 포괄하는 것으로서 폭넓게 해석되어야 한다. 또한, "투영 광학기"라는 용어는 집합적으로 또는 개별적으로 방사선 투영 빔을 지향, 성형 또는 제어하기 위해 이 디자인 타입들 중 어느 하나에 따라 작동하는 구성요소들을 포함할 수 있다. "투영 광학기"라는 용어는, 광학 구성요소가 리소그래피 투영 장치의 광학 경로 상의 어디에 위치되든지, 리소그래피 투영 장치 내의 여하한의 광학 구성요소를 포함할 수 있다. 투영 광학기는 방사선이 패터닝 디바이스를 지나가기 전에 소스로부터의 방사선을 성형, 조정 및/또는 투영하는 광학 구성요소들, 및/또는 방사선이 패터닝 디바이스를 지나간 후에 방사선을 성형, 조정 및/또는 투영하는 광학 구성요소들을 포함할 수 있다. 투영 광학기는 일반적으로 소스 및 패터닝 디바이스를 배제한다.

일 실시예에 따르면, 컴퓨터에 의해 실행될 때, 리소그래피를 통해 기판 상에 인쇄될 패턴을 예측하기 위해 모델을 훈련하거나 캘리브레이션하기 위한 패턴을 선택하는 방법을 컴퓨터로 실행하게 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체가 제공된다. 상기 방법은 (a) 다수의 패턴(상기 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함)의 이미지를 획득하는 단계; (b) 상기 이미지들을 특수 패턴 그룹 및 하나 이상의 메인 패턴 그룹으로 그룹화하는 단계; 및 (c) 상기 모델을 훈련하기 위한 훈련 데이터로서 상기 이미지들에 기초한 패턴의 세트를 출력하는 단계를 포함하며, 패턴 세트에는 특수 패턴 그룹과 각 메인 패턴 그룹의 대표 메인 패턴이 포함된다. 모델은 기계 학습 모델 또는 비기계 학습 모델일 수 있다.

일부 실시예에서, 그룹화는 특수 패턴의 그룹 및 다수의 메인 패턴 그룹을식별하기 위해 상이한 클러스터링 알고리즘을 사용하는 것을 포함한다.

일부 실시예에서, 이미지를 그룹화하는 것은 이미지의 특징 벡터(각각의 특징 벡터는 대응하는 이미지를 나타냄)를 생성하는 단계를 포함한다.

일부 실시예에서, 이미지를 특수 패턴 그룹으로 그룹화하는 것은 (a) 특징 벡터의 임의의 다른 특징 벡터로부터 특징 벡터 각각의 최소 거리를 결정하는 단계; 및 (b) 특정 임계값 이상의 최소 거리를 갖는 특징 벡터들을 특수 패턴 그룹으로 식별하는 단계를 포함한다.

일부 실시예에서, 복수의 메인 패턴 그룹을 생성하는 것은 (a) 특수 패턴 그룹에 속하지 않는 특징 벡터들을 메인 패턴에 대응하는 특징 벡터들의 세트로 결정하는 단계; 및 (b) 특징 벡터들의 세트를 다수의 메인 패턴 그룹으로 클러스터링하는 단계를 포함한다.

일부 실시예에서, 상기 방법은 (a) 각 메인 패턴 그룹에 대해, 대응하는 메인 패턴 그룹의 중심점을 결정하는 단계; 및 (b) 각 메인 패턴 그룹에 대해, 대응하는 메인 패턴 그룹의 대표 메인 패턴으로서 중심점과 가장 가까운 특징 벡터를 결정하는 단계를 더 포함한다.

일부 실시예에서, 상기 방법은 패턴 세트에 대응하는 이미지를 사용하여 기판 상에 인쇄될 시뮬레이션된 패턴을 생성하기 위해 모델을 훈련시키는 단계를 더 포함한다.

일부 실시예에서, 상기 방법은 모델을 사용하여 주어진 타겟 패턴에 대한 마스크 패턴을 생성하는 단계를 더 포함한다.

일부 실시예에서, 다수의 패턴의 이미지를 획득하는 단계는 다수의 패턴의 패턴 데이터에 기초하여 생성되는 다수의 패턴의 마스크 이미지, 에어리얼 이미지, 레지스트 이미지, 에칭 이미지 중 적어도 하나를 획득하는 단계를 포함한다.

일부 실시예에서, 패턴 데이터는 풀-칩 레이아웃(full-chip layout) 데이터, 풀-칩 레이아웃 내의 복수 패턴의 위치 데이터, 또는 포커스-노광 매트릭스(focus exposure matrix) 데이터 중 적어도 하나를 포함한다.

실시예에 따르면, 컴퓨터에 의해 실행될 때, 컴퓨터가 패턴 선택 방법을 실행하도록 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체가 제공된다. 상기 방법은, (a) 다수의 패턴(상기 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함)의 이미지를 획득하는 단계; 및 (b) 기계 학습 모델 또는 비기계 학습 모델일 수 있는 제1 모델을 훈련하기 위한 훈련 데이터로서 이미지에 기반하여 다수의 패턴으로부터 패턴 세트를 선택하는 단계를 포함한다.

일부 실시예에서, 선택은 상이한 클러스터링 알고리즘을 사용하여 다수의 패턴을 메인 패턴 및 특수 패턴으로 그룹화하는 단계를 포함한다.

일부 실시예에서, 패턴 세트를 선택하는 단계는 (a) 이미지의 특징 벡터(각 특징 벡터는 대응하는 이미지를 대표함)를 생성하는 단계; (b) 특징 벡터에 기초하여 다수의 패턴을 다수의 그룹으로 그룹화하는 단계; 및 (c) 다수의 그룹으로부터 패턴 세트를 선택하는 단계를 포함한다.

일부 실시예에서, 다수의 패턴을 그룹화하는 것은 다수의 패턴으로부터 특수 패턴의 그룹 및 복수의 메인 패턴의 그룹을 생성하는 것을 포함한다.

일부 실시예에서, 특수 패턴의 그룹을 생성하는 단계는 특징 벡터 사이의 거리에 기초하여 다수의 패턴을 그룹화하는 단계를 포함하며, 여기서 특징 벡터의 두 특징 벡터 사이의 거리는 대응하는 두 이미지에서 두 패턴 사이의 차이를 나타낸다.

일부 실시예에서, 거리에 기초하여 다수의 패턴을 그룹화하는 단계는 (a) 특징 벡터의 다른 특징 벡터로부터 각 특징 벡터의 최소 거리를 결정하는 단계; 및 (b) 지정된 임계값 이상의 최소 거리를 갖는 특징 벡터를 특수 패턴의 그룹으로 식별하는 단계를 포함한다.

일부 실시예에서, 특수 패턴 그룹을 생성하는 단계는 (a) 밀도 기반 공간 클러스터링을 기반으로 특징 벡터를 클러스터링하여 특징 벡터의 세트를 이상값으로 식별하는 단계; 및 (b) 특징 벡터의 세트에 대응하는 이미지의 패턴을 특수 패턴의 그룹으로 결정하는 단계를 포함한다.

일부 실시예에서, 다수의 메인 패턴 그룹을 생성하는 단계는 (a) 특수 패턴 그룹에 속하지 않는 특징 벡터들을 메인 패턴에 대응하는 특징 벡터의 세트로 결정하는 단계; 및 (b) 특징 벡터의 세트를 복수의 메인 패턴 그룹으로 클러스터링하는 단계를 포함한다.

일부 실시예에서, 클러스터링은 K-평균 클러스터링을 사용하여 수행된다.

일부 실시예에서, 복수의 그룹으로부터 패턴 세트를 선택하는 단계는 특수 패턴 그룹 및 각 메인 패턴 그룹으로부터 대표 메인 패턴을 선택하는 단계를 포함한다.

일부 실시예에서, 각 메인 패턴 그룹으로부터 대표 메인 패턴을 선택하는 단계는 (a) 각 메인 패턴 그룹에 대해, 대응하는 메인 패턴 그룹의 중심점을 결정하는 단계; 및 (b) 각 메인 패턴 그룹에 대해, 대응하는 메인 패턴 그룹의 대표 메인 패턴으로서 중심점과 가장 근접한 특징 벡터를 결정하는 단계를 포함한다.

일부 실시예에서, 상기 방법은 기판 상에 인쇄될 시뮬레이션 패턴을 생성하기 위해 특수 패턴 그룹 및 대표 메인 패턴에 대응하는 이미지를 사용하여 제 1 모델을 훈련시키는 것을 더 포함한다.

일부 실시예에서, 상기 방법은 제1 모델을 사용하여, 주어진 타겟 패턴에 대한 마스크 패턴을 생성하는 단계를 더 포함한다.

일부 실시예에서, 상기 방법은 패터닝 공정을 통해 기판 상에 주어진 타겟 패턴에 대응하는 패턴을 인쇄하기 위해 마스크 패턴을 사용하는 패터닝 단계를 더 포함한다.

일부 실시예에서, 특징 벡터를 생성하는 단계는 이미지로부터 획득된 인코딩 정보에 기초하여 이미지의 특징 벡터를 생성하는 단계를 포함한다.

일부 실시예에서, 인코딩 정보는 이미지의 패턴과 관련된 기하학적 정보, 레지스트 신호, 또는 기판 상에 패턴을 인쇄하는 데 사용되는 리소그래피 장치와 관련된 광학 정보 중 적어도 하나를 포함한다.

일부 실시예에서, 특징 벡터를 생성하는 단계는 패턴 이미지 세트에 대한 예측된 특징 벡터 세트를 생성하는 비용 함수가 감소되도록 패턴 이미지 세트로 제2 모델을 훈련하는 것을 포함한다.

일부 실시예에서, 제2 모델 훈련은 (a) 패턴 이미지 세트를 사용하여 패턴 이미지 세트의 제1 패턴 이미지에 대한 예측된 특징 벡터를 출력하기 위해 제2 모델을 실행하는 단계; (b) 예측된 특징 벡터로부터 예측된 패턴 이미지를 생성하는 단계; (c) 제1 패턴 이미지와 예측된 패턴 이미지 사이의 차이로서 비용 함수를 계산하는 단계; 및 (d) 비용 함수를 줄이기 위해 제2 모델의 매개변수를 조정하는 단계를 포함한다.

일부 실시예에서, 비용 함수는 최소화된다.

일부 실시예에서, 다수의 패턴의 이미지를 획득하는 단계는 다수의 패턴의 패턴 데이터(상기 패턴 데이터는 풀-칩 레이아웃 데이터, 풀-칩 레이아웃에서 다수의 패턴의 위치 데이터, 또는 포커스 노광 매트릭스 데이터 중 적어도 하나를 포함함)를 획득하는 단계를 포함한다.

일부 실시예에서, 다수의 패턴의 이미지를 획득하는 단계는, 패턴 데이터를 사용하여, 리소그래피 장치의 광학적 특성을 나타내는 소스 모델로부터 다수의 패턴의 에어리얼 이미지를 생성하는 단계를 포함한다.

일부 실시예에서, 다수의 패턴의 이미지를 획득하는 단계는, 패턴 데이터를 사용하여, 레지스트 모델을 사용한 에어리얼 이미지로부터 다수의 패턴의 레지스트 이미지를 생성하는 것을 포함한다.

일 실시예에 따르면, 패턴 선택 방법이 제공된다. 상기 방법은 (a) 다수의 패턴(상기 다수의 패턴은 기판에 인쇄될 타겟 패턴에 대응함)의 이미지를 획득하는 단계; 및 (b) 제1 모델을 훈련하기 위한 훈련 데이터로서 이미지에 기초하여 다수의 패턴으로부터 패턴 세트를 선택하는 단계를 포함한다.

실시예에 따르면, 컴퓨터에 의해 실행될 때, 컴퓨터가 기판에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법을 실행하도록 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체가 제공된다. 상기 방법은 다수의 패턴(상기 다수의 패턴이 기판 상에 인쇄될 타겟 패턴에 대응함)의 이미지를 획득하는 단계; 이미지(이미지는 다수의 패턴 각각 사이의 최소 거리를 기준으로 특수 패턴 그룹으로 그룹화됨)를 특수 패턴 그룹 및 다수의 메인 패턴 그룹으로 그룹화하는 단계; 패턴 세트(상기 패턴 세트는 모델 훈련을 위한 훈련 데이터로 사용됨)에 포함될 패턴의 총 수를 획득하는 단계; 최소 거리 및 패턴 세트에 포함될 패턴의 총 수의 함수로서 패턴 세트에 포함될 특수 패턴의 지정된 수를 결정하는 단계; 및 패턴 세트가 지정된 수의 특수 패턴 및 적어도 하나의 메인 패턴 그룹으로부터 대표 메인 패턴을 포함하는 패턴 세트를 출력하는 단계를 포함한다.

일 실시예에 따르면, 컴퓨터에 의해 실행될 때, 컴퓨터가 기판에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법을 실행하도록 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체가 제공된다. 상기 방법은 다수의 패턴(다수의 패턴은 기판에 인쇄될 대상 패턴에 대응함)의 이미지를 획득하는 단계; 다수의 패턴 각각 사이의 최소 거리를 획득하는 단계; 패턴 세트(패턴 세트는 모델 학습을 위한 학습 데이터로 사용됨)에 포함될 지정된 수의 패턴을 선택하기 위한 임계값 최소 거리를 결정하는 단계; 임계값 최소 거리에 기초하여 패턴을 복수의 컬렉션으로 그룹화하는 단계(각 컬렉션은 각각 컬렉션의 다른 패턴으로부터 임계값 최소 거리보다 작은 최소 거리를 갖는 하나 이상의 패턴을 포함함); 패턴 세트에 포함될 각 컬렉션으로부터 적어도 하나의 패턴을 선택하는 단계; 및 패턴의 세트를 출력하는 단계를 포함한다.

일 실시예에 따르면, 컴퓨터에 의해 실행될 때, 컴퓨터가 기판에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법을 실행하도록 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체가 제공된다. 상기 방법은: 다수의 패턴의 이미지(상기 다수의 패턴은 기판에 인쇄될 타겟 패턴에 대응함)를 획득하는 단계; 다수의 패턴 각각 사이의 최소 거리를 획득하는 단계; 최소 거리 중 가장 큰 최소 거리의 함수로서 임계값 최소 거리를 결정하는 단계; 임계값 최소 거리에 기초하여 지정된 수의 패턴을 선택하는 단계; 및 지정된 수의 패턴을 포함하는 패턴 세트(상기 패턴 세트는 모델 훈련을 위한 훈련 데이터로 사용됨)를 출력하는 단계를 포함한다.

일 실시예에 따르면, 기판 상에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법이 제공된다. 상기 방법은 다수의 패턴(상기 다수은 패턴이 기판 상에 인쇄될 타겟 패턴에 대응함)의 이미지를 획득하는 단계; 이미지(상기 이미지는 상기 다수의 패턴 각각 사이의 최소 거리에 기초하여 특수 패턴 그룹으로 그룹화됨)를 특수 패턴 그룹 및 다수의 메인 패턴 그룹으로 그룹화하는 단계; 패턴 세트(상기 패턴 세트가 모델 훈련을 위한 훈련 데이터로 사용됨)에 포함될 패턴의 총 수를 획득하는 단계; 최소 거리 및 패턴 세트에 포함될 패턴의 총 수의 함수로서 패턴 세트에 포함될 특수 패턴의 지정된 수를 결정하는 단계; 및 패턴 세트(상기 패턴 세트는 지정된 수의 특수 패턴 및 적어도 하나의 메인 패턴 그룹으로부터 대표 메인 패턴을 포함함)를 출력하는 단계를 포함한다.

일 실시예에 따르면, 기판에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법이 제공된다. 상기 방법은 다수의 패턴(상기 다수의 패턴은 기판에 인쇄될 대상 패턴에 대응함)의 이미지를 획득하는 단계; 다수의 패턴 각각 사이의 최소 거리를 획득하는 단계; 패턴 세트(상기 패턴 세트는 모델 훈련을 위한 훈련 데이터로 사용됨)에 포함될 지정된 수의 패턴을 선택하기 위한 임계값 최소 거리를 결정하는 단계; 및 임계값 최소 거리에 기초하여 패턴을 복수의 컬렉션으로 그룹화하는 단계(각 컬렉션은 각각 컬렉션의 다른 패턴으로부터 임계값 최소 거리보다 작은 최소 거리를 갖는 하나 이상의 패턴을 포함함); 패턴 세트에 포함될 각 컬렉션으로부터 적어도 하나의 패턴을 선택하는 단계; 및 패턴 세트를 출력하는 단계를 포함한다.

실시예에 따르면, 기판 상에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법이 제공된다. 이 방법은, 다수의 패턴(상기 다수의 패턴은 기판에 인쇄될 타겟 패턴에 대응함)의 이미지를 획득하는 단계; 다수의 패턴 각각 사이의 최소 거리를 획득하는 단계; 최소 거리 중 가장 큰 최소 거리의 함수로서 임계 최소 거리를 결정하는 단계; 임계 최소 거리에 기초하여 지정된 수의 패턴을 선택하는 단계; 및 지정된 수의 패턴을 갖는 패턴 세트(상기 패턴 세트는 모델 훈련을 위한 훈련 데이터로 사용됨)를 출력하는 단계를 포함한다.

제1 모델 또는 제2 모델은 기계 학습 모델 또는 비기계 학습 모델일 수 있으며, 본 발명의 실시예에 따른 패턴 선택 프로세스에 의해 선택된 패턴은 모델 훈련 또는 보정, 시뮬레이션 및 계측(metrology) 샘플링(예: SEM 샘플링)과 같이 본 발명의 범위를 벗어나지 않고 임의의 적절한 목적으로 사용될 수 있다.

도 1은 리소그래피 시스템의 다양한 서브시스템에 대한 블록도를 도시한다.
도 2는 일 실시예에 따른 패터닝 시뮬레이션 방법에 대한 흐름을 도시한다.
도 3은 일 실시예에 따른 측정 시뮬레이션 방법에 대한 흐름을 도시한다.
도 4는 다양한 실시예에 따른, 기판 상에 인쇄될 패턴을 예측하기 위해 모델 훈련용 패턴을 선택하기 위한 이미지 기반 패턴 선택 시스템의 블록도이다.
도 5a는 다양한 실시예에 따른 패턴의 이미지 기반 선택을 위한 예시적인 방법의 흐름도이다.
도 5b는 다양한 실시예에 따른 패턴의 이미지를 생성하기 위한 방법의 흐름도이다.
도 5c는 다양한 실시예에 따라 패턴 이미지를 그룹화하는 방법의 흐름도이다.
도 5d는 다양한 실시예에 따라 패턴 예측기(predictor)를 훈련하기 위한 훈련 데이터로서 패턴 세트를 선택하기 위한 방법의 흐름도이다.
도 6a는 다양한 실시예에 따른 특징 벡터 생성기의 블록도이다.
도 6b는 다양한 실시예에 따른 특징 벡터를 생성하기 위한 특징 벡터 생성기(410)의 훈련을 도시하는 블록도이다.
도 7은 다양한 실시예에 따른 거리 기반 방법을 사용하여 특수 패턴을 식별하는 블록도이다.
도 8은 다양한 실시예에 따른 잡음 방법을 사용하는 애플리케이션의 밀도 기반 공간 클러스터링을 사용하여 특수 패턴을 식별하는 블록도이다.
도 9는 다양한 실시예에 따른 특징 벡터를 메인 패턴의 그룹으로 그룹화하기 위한 블록도이다.
도 10은 다양한 실시예에 따른 다양한 패턴 그룹으로부터의 패턴의 선택을 나타내는 블록도이다.
도 11은 일 실시예에 따른 예시적인 컴퓨터 시스템의 블록도이다.
도 12는 일 실시예에 따른 리소그래피 투영 장치의 개략도이다.
도 13은 일 실시예에 따른 다른 리소그래피 투영 장치의 개략도이다.
도 14는 일 실시예에 따른 도 12의 장치의 보다 상세한 도면이다.
도 15는 일 실시예에 따른 도 13 및 도 14의 장치의 소스 컬렉터 모듈(SO)의 보다 상세한 도면이다.
도 16은 다양한 실시예에 따른 반자동 패턴 선택 모드를 사용하여 패턴을 선택하기 위한 예시적인 이미지 기반 패턴 선택 시스템의 블록도이다.
도 17a는 다양한 실시예에 따른 패턴이 분류되는 다양한 범주의 차트를 도시한다.
도 17b는 다양한 실시예에 따른 패턴의 최소 거리 및 임계값 최소 거리의 차트를 도시한다.
도 18은 다양한 실시예에 따른 전자동 패턴 선택 모드를 사용하여 패턴을 선택하기 위한 예시적인 이미지 기반 패턴 선택 시스템의 블록도이다.
도 19는 다양한 실시예와 일치하는 임계값 최소 거리에 기반하여 형성된 그룹의 예를 도시한다.
도 20은 다양한 실시예에 따른 패턴의 자동 선택을 위한 예시적인 방법의 흐름도이다.
도 21a는 다양한 실시예에 따른 반자동 패턴 선택 모드를 사용하여 패턴을 선택하기 위한 예시적인 방법의 흐름도이다.
도 21b는 다양한 실시예에 따른 전자동 패턴 선택 모드를 사용하여 패턴을 선택하기 위한 예시적인 방법의 흐름도이다.

리소그래피에서 패터닝 디바이스(예: 마스크)는 타겟 패턴(예: 타겟 디자인 레이아웃)에 대응하는 마스크 패턴(예: 마스크 디자인 레이아웃)을 제공할 수 있으며, 이 마스크 패턴은 마스크 패턴을 통해 광을 투과하여 기판 상에 전사될 수 있다. 그러나, 여러 가지 한계로 인해, 전사된 패턴은 많은 불규칙성을 가지고 있어 타겟 패턴과 유사하지 않을 수 있다. 리소그래피의 회절 또는 기타 공정 효과로 인한 이미지 오류를 보정하기 위해 마스크 패턴 설계 시 광학 근접 보정(OPC)과 같은 다양한 향상 기법이 사용된다. 학습 또는 보정된 모델은 기판에 인쇄된 패턴이 주어진 타겟 패턴에 대해 어떻게 보일지 예측하는 데 사용되며, 예측된 패턴을 기반으로 패터닝 공정을 수정(예: 마스크 패턴을 수정)하여 기판에서 원하는 패턴을 얻을 수 있다. 이러한 모델은 레지스트 모델, 에칭 모델, 또는 이들의 조합일 수 있으며, 이러한 모델은 ML 모델 또는 비ML 모델일 수 있다. 본 개시의 실시예들은 ML 모델을 참조하여 보다 상세하게 설명될 수 있지만, 패턴 선택 메커니즘은 본 개시의 범위를 벗어나지 않고 비 ML 모델에 사용될 수 있다. 예를 들어, 기판에 인쇄될 패턴을 예측하는 ML 모델의 정확도는 ML 모델을 학습시키는 데 사용된 학습 데이터(예: 다양한 패턴 이미지)의 범위에 따라 달라질 수 있다. 그러나 ML 모델은 훈련 데이터에 대한 과적합(overfitting), 즉 훈련 중에 보이지 않는 패턴에 대해 패턴을 추정하거나 예측하지 못할 가능성이 있어, ML 모델의 정확도가 저하될 수 있다. 경우에 따라 대량의 학습 데이터를 사용하여 앞서 언급한 과적합 문제를 완화할 수 있다. 그러나 이러한 접근 방식은 훈련 데이터에 필요한 패턴 이미지를 수집하는 데 상당한 양의 계측 데이터 수집 시간(예: SEM 또는 광학 계측 데이터 수집)과 컴퓨팅 리소스를 소비할 수 있으므로 실현 불가능할 수 있다.

현재 학습 데이터의 패턴 선택 프로세스에는 경험 지식 테이프 아웃(tape out)으로 패턴을 선택하는 수동 패턴 선택 프로세스가 포함될 수 있다. 그러나 이러한 수동 프로세스에서는 일부 핵심 패턴이 누락될 위험이 있으며, 이로 인해 ML 모델의 커버리지에 영향을 미칠 수 있다. 또한 수동 선택 방식은 모든 패턴을 수동으로 검토해야 하므로 시간이 많이 소요될 수 있다. 포커스-노광 매트릭스 +(FEM+) 모델용 게이지 선택 툴과 같은 다른 패턴 선택 기법에서는 레지스트 텀 신호를 기반으로 게이지를 선택할 수 있다. 그러나 이러한 도구는 일반적으로 제한된 양의 데이터를 처리하므로 학습 데이터로 필요한 양보다 훨씬 적을 수 있다. 좋은 훈련 데이터가 없으면 ML 모델이 전체 칩 패턴 속성을 커버하지 못할 수 있으며 마스크 패턴에 결함이 발생할 수 있다(패턴 커버리지 불량이라고도 함). 좋은 패턴 선택 방법을 사용하면 과적합 문제를 피하고 ML 모델의 정확도와 커버리지를 향상시킬 수 있다.

본 개시에서는, 기판 상에 인쇄될 패턴을 예측하기 위해 모델을 훈련 또는 보정하기 위해 훈련 데이터에 대한 패턴 선택을 개선하기 위한 방법 및 시스템이 개시된다. 일부 실시예에서, 모델은 ML 모델, 비ML 모델, 레지스트 모델, 에칭 모델 또는 이들의 조합이다. 예를 들어, 레지스트 모델은 레지스트 이미지를 예측하도록 구성되고, 에칭 모델은 에칭 이미지를 예측하도록 구성된다. 그러나, 본 개시는 선택된 패턴의 훈련 데이터를 사용하여 훈련할 수 있는 특정 유형의 모델에 한정되지 않는다. 본 개시는 패턴 데이터(예: 풀-칩 레이아웃 데이터, 풀-칩 레이아웃 내 다수의 패턴의 위치 데이터 또는 FEM 데이터)를 사용하여 패턴의 패턴 이미지(예: 에어리얼 이미지, 마스크 이미지, 레지스트 이미지 또는 에칭 이미지)를 생성하고, 생성된 패턴 이미지를 처리하여 ML 모델의 학습 데이터로서 패턴 세트를 선택하는 이미지 기반 패턴 선택 프로세스를 개시한다. 이미지 기반 패턴 선택 프로세스는 (a) 특수 패턴으로 간주될 수 있는 패턴(예: 이상값 패턴, 다른 패턴과 현저히 다른 패턴, 다른 패턴에 비해 발생 빈도가 낮은 패턴)과 (b) 사용 가능한 패턴 이미지에서 다른 패턴과 유사할 수 있는 대표 패턴을 선택한다. 이미지 기반 선택은 특수 패턴과 대표 패턴을 모두 선택함으로써 ML 모델의 커버리지를 향상시켜 기판에 인쇄할 패턴을 예측하는 정확도를 높이는 동시에 학습 데이터의 양을 크게 줄일 수 있다. 또한, 이미지 기반 패턴 선택은 방대한 데이터 풀에서 알려진 방법보다 더 효율적으로 패턴을 선택하는 데 도움이 될 수 있다. 예를 들어, 데이터 풀의 주어진 패턴 수에 대해 무작위 패턴 선택 또는 게이지 선택 방법에 비해 이미지 기반 패턴 선택은 학습된 기계 학습 모델을 사용하여 더 나은 2D 범위 및 평균제곱근(RMS) 지표를 도출할 수 있다.

본 개시의 실시예에 따라 선택된 패턴은 또한 비기계 학습 모델, 예를 들어 정밀 모델(rigorous model), 물리적 모델, 경험적 또는 반경험적 모델 등을 보정하는 데 사용될 수 있다. 이러한 모델은 레지스트 모델, 에칭 모델, 이들의 조합 또는 임의의 다른 유형의 패턴 예측 모델일 수 있다. 일부 실시예에서, 패턴 선택 후, 선택된 패턴의 계측 데이터는 검사 또는 계측 시스템을 사용하여 획득 및 측정될 수 있고, 측정된 데이터는 비기계 학습 모델의 훈련 데이터 또는 보정 데이터로 사용될 수 있다. 일부 실시예에서, 계측 시스템은 SEM 시스템 또는 광학 검사 또는 계측 시스템이다.

도 1은 예시적인 리소그래피 투영 장치(10A)를 나타낸다. 주요 구성요소들은 심자외선 엑시머 레이저 소스(deep-ultraviolet excimer laser source) 또는 극자외선(EUV) 소스를 포함한 다른 형태의 소스일 수 있는 방사선 소스(12A)(앞서 언급된 바와 같이, 리소그래피 투영 장치 자체가 방사선 소스를 가질 필요는 없음); 예를 들어, 소스(12A)로부터의 방사선을 성형하는 광학기(14A, 16Aa 및 16Ab)를 포함할 수 있고, (시그마로서 표시된) 부분 간섭성(partial coherence)을 정의하는 조명 광학기; 패터닝 디바이스(18A); 및 기판 평면(22A) 상으로 패터닝 디바이스 패턴의 이미지를 투영하는 투과 광학기(16Ac)이다. 투영 광학계의 퓨필 평면에서의 조정가능한 필터 또는 어퍼처(20A)가 기판 평면(22A) 상에 부딪치는 빔 각도들의 범위를 제한할 수 있으며, 이때 가능한 최대 각도는 투영 광학계의 개구수 NA = n sin(Θmax)를 정의하고, 여기서 n은 투영 광학계의 최종 요소와 기판 사이의 매질의 굴절률이며, Θmax는 기판 평면(22A) 상에 여전히 충돌할 수 있는 투영 광학계로부터 나오는 빔의 최대 각도이다.

리소그래피 투영 장치에서, 소스는 패터닝 디바이스에 조명(즉, 방사선)을 제공하고, 투영 광학계는 패터닝 디바이스를 통해 기판 상으로 조명을 지향하고 성형한다. 투영 광학계는 구성요소들(14A, 16Aa, 16Ab 및 16Ac) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 세기 분포이다. 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 레지스트 모델이 사용될 수 있으며, 이 예시는 본 명세서에서 그 전문이 인용참조되는 미국 특허 출원 공개공보 US 2009-0157630호에서 찾아볼 수 있다. 레지스트 모델은 레지스트 층의 속성들[예를 들어, 노광, 노광 후 베이킹(PEB) 및 현상 시 일어나는 화학 공정들의 효과들]에만 관련된다. 리소그래피 투영 장치의 광학적 속성들(예를 들어, 조명, 패터닝 디바이스 및 투영 광학계의 속성들)이 에어리얼 이미지를 좌우하고 광학 모델에서 정의될 수 있다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스는 바뀔 수 있기 때문에, 패터닝 디바이스의 광학적 속성들을 적어도 소스 및 투영 광학계를 포함한 리소그래피 투영 장치의 나머지의 광학적 속성들과 분리하는 것이 바람직하다. 디자인 레이아웃을 다양한 리소그래피 이미지(예: 에어리얼 이미지, 레지스트 이미지 등)로 변환하고, 이러한 기술 및 모델을 사용하여 OPC를 적용하고, 성능을 평가하는 데 사용되는 기술 및 모델에 대한 세부 사항은 미국 특허 출원 공개 번호 US 2008-0301620, 2007-0050749, 2007-0031745, 2008-0309897, 2010-0162197 및 2010-0180251에 설명되어 있으며, 각 문서의 전문은 본 명세서에 참조로서 포함된다.

패터닝 디바이스는 1 이상의 디자인 레이아웃을 포함하거나 형성할 수 있다. 디자인 레이아웃은 CAD(computer-aided design) 프로그램을 사용하여 생성될 수 있으며, 이 프로세스는 흔히 EDA(electronic design automation)라고 칭해진다. 대부분의 CAD 프로그램은 기능적인 디자인 레이아웃/패터닝 디바이스를 생성하기 위해 사전설정된 디자인 규칙들의 세트를 따른다. 이러한 규칙들은 처리 및 디자인 제한들에 의해 설정된다. 예를 들어, 디자인 규칙들은 디바이스들 또는 라인들이 바람직하지 않은 방식으로 서로 상호작용하지 않을 것을 보장하기 위해, (게이트, 커패시터 등과 같은) 디바이스들 또는 상호연결 라인들 사이의 간격 공차(space tolerance)를 정의한다. 디자인 규칙 제한들 중 1 이상은 "임계 치수"(CD)라고 칭해질 수 있다. 디바이스의 임계 치수는 라인 또는 홀의 최소 폭, 또는 두 라인들 또는 두 홀들 간의 최소 간격으로서 정의될 수 있다. 따라서, CD는 디자인된 디바이스의 전체 크기 및 밀도를 결정한다. 물론, 디바이스 제작의 목표들 중 하나는 원래 디자인 의도를 (패터닝 디바이스를 통해) 기판 상에 충실하게 재현하는 것이다.

본 명세서에서 채택된 "마스크" 또는 "패터닝 디바이스"라는 용어는 기판의 타겟부에 생성될 패턴에 대응하여 입사하는 방사선 빔에 패터닝된 단면을 부여하는 데 사용될 수 있는 일반적인 패터닝 디바이스를 언급하는 것으로 폭넓게 해석될 수 있다; 또한, "광 밸브(light valve)"라는 용어가 이러한 맥락에서 사용될 수도 있다. 전형적인 마스크[투과형 또는 반사형; 바이너리(binary), 위상-시프팅, 하이브리드(hybrid) 등] 이외에, 여타의 이러한 패터닝 디바이스의 예시들로 다음을 포함한다:

- 프로그래밍 가능한 거울 어레이. 이러한 디바이스의 일 예시는 점탄성 제어층 및 반사 표면을 갖는 매트릭스-어드레서블 표면(matrix-addressable surface)이다. 이러한 장치의 기본 원리는, (예를 들어) 반사 표면의 어드레싱된 영역들은 입사 방사선을 회절 방사선(diffracted radiation)으로서 반사시키는 반면, 어드레싱되지 않은 영역들은 입사 방사선을 비회절 방사선으로서 반사시킨다는 것이다. 적절한 필터를 사용하면, 반사된 빔 중에서 상기 비회절 방사선을 필터링하여 회절 방사선만이 남게 할 수 있다; 이러한 방식으로, 매트릭스-어드레서블 표면의 어드레싱 패턴에 따라 빔이 패터닝되게 된다. 필요한 매트릭스 어드레싱은 적절한 전자 수단을 이용하여 수행될 수 있다.

- 프로그래밍 가능한 LCD 어레이. 이러한 구성의 일 예시는 미국 특허 제 5,229,872호에서 주어지며, 이는 본 명세서에서 인용참조된다.

리소그래피 공정을 이해하는 데 있어 한 가지 양태는 방사선과 패터닝 디바이스의 상호 작용을 이해하는 것이다. 방사선이 패터닝 디바이스를 통과한 후의 방사선의 전자기장은 방사선이 패터닝 디바이스에 도달하기 전의 방사선의 전자기장과 상호 작용을 특성화하는 함수로부터 결정될 수 있다. 이 함수는 마스크 전송 함수(투과성 패터닝 디바이스 및/또는 반사 패터닝 디바이스에 의한 상호 작용을 설명하는 데 사용될 수 있음)로 지칭될 수 있다.

패터닝 공정의 변수를 "처리 변수"라고 한다. 패터닝 공정은 리소그래피 장치에서 패턴을 실제로 전송하기 위한 업스트림 및 다운스트림 공정을 포함할 수 있다. 제1 범주는 리소그래피 장치 또는 리소그래피 공정에 사용되는 다른 장치의 변수일 수 있다. 이 범주의 예로는 리소그래피 장치의 조명, 투영 시스템, 기판 스테이지 등의 변수가 있다. 제2 범주는 패터닝 공정에서 수행되는 하나 이상의 절차의 변수일 수 있다. 이 범주의 예로는 초점 제어 또는 초점 측정, 도즈 제어 또는 도즈 측정, 대역폭, 노광 시간, 현상 온도, 현상 시 사용되는 화학 성분 등이 있다. 제3 범주는 디자인 레이아웃의 변수 및 패터닝 디바이스에서 또는 패터닝 디바이스를 사용하여 구현한 변수일 수 있다. 이 범주의 예로는 어시스트 피처의 모양 및/또는 위치, 분해능 향상 기술(RET)에 의해 적용된 조정, 마스크 피처의 CD 등이 있을 수 있다. 제4 범주는 기판의 변수일 수 있다. 예를 들어 레지스트 층 아래 구조의 특성, 레지스트 층의 화학적 조성 및/또는 물리적 치수 등이 있다. 제5 범주는 패터닝 공정의 하나 이상의 변수에 대한 시간적 변화의 특성일 수 있다. 이 범주의 예로는 고주파 스테이지 이동(예: 주파수, 진폭 등), 고주파 레이저 대역폭 변화(예: 주파수, 진폭 등) 및/또는 고주파 레이저 파장 변화의 특성이 포함된다. 이러한 고주파 변화 또는 움직임은 기본 변수(예: 스테이지 위치, 레이저 강도)를 조정하는 메커니즘의 응답 시간을 초과하는 변화 또는 움직임이다. 제6 범주는 스핀 코팅, 노광 후 베이킹(PEB), 현상, 에칭, 증착, 도핑(doping) 및/또는 패키징과 같이 리소그래피 장치에서 패턴 전송의 업스트림 또는 다운스트림 공정의 특성일 수 있다.

주지되는 바와 같이, 이러한 변수 전부는 아니더라도 많은 변수가 패터닝 공정의 매개변수 및 종종 관심 있는 매개변수에 영향을 미친다. 패터닝 공정 매개변수의 비제한적인 예로는 임계 치수(CD), 임계 치수 균일성(CDU), 초점, 오버레이, 에지 위치 또는 배치, 측벽 각도, 패턴 이동 등이 있을 수 있다. 종종 이러한 매개변수는 공칭 값(예: 설계 값, 평균 값 등)에서의 오차를 나타낸다. 매개변수 값은 개별 패턴의 특성 값 또는 패턴 그룹의 특성에 대한 통계(예: 평균, 분산 등)일 수 있다.

처리 변수의 일부 또는 전부의 값 또는 이와 관련된 매개변수는 적절한 방법에 의해 결정될 수 있다. 예를 들어, 값은 다양한 계측 도구(예를 들어, 기판 계측 도구)로 얻은 데이터로부터 결정될 수 있다. 값은 리소그래피 장치의 패터닝 공정에 있는 장치의 다양한 센서 또는 시스템(예를 들어, 레벨링 센서 또는 정렬 센서와 같은 센서), 리소그래피 장치의 제어 시스템(예를 들어, 기판 또는 패터닝 장치 테이블 제어 시스템), 트랙 툴의 센서 등으로부터 얻을 수 있다. 이러한 값은 패터닝 공정의 작업자가 제공할 수 있다.

패터닝 공정의 일부를 모델링 및/또는 시뮬레이션하기 위한 예시적인 흐름도가 도 2에 도시되어 있다. 이해되는 바와 같이, 모델은 상이한 패터닝 공정은 나타낼 수 있고 아래에서 설명되는 모든 모델을 포함할 필요는 없다. 소스 모델(1200)은 패터닝 디바이스의 조명의 광학적 특성(방사선 강도 분포, 대역폭 및/또는 위상 분포를 포함함)을 나타낸다. 소스 모델(1200)은 어퍼처 수 설정, 조명 시그마(σ) 설정 및 임의의 특정 조명 형상(예: 환형, 사중극자, 쌍극자 등)을 포함하지만 이에 한정되지 않는 조명의 광학적 특성을 나타낼 수 있으며, 여기서 σ(또는 시그마)는 조명기의 외부 반경 범위이다.

투영 광학계 모델(1210)은 투영 광학계의 광학적 특성(투영 광학계에 의해 야기되는 복사 강도 분포 및/또는 위상 분포의 변화를 포함함)을 나타낸다. 투영 광학계 모델(1210)은 수차, 왜곡, 하나 이상의 굴절률, 하나 이상의 물리적 크기, 하나 이상의 물리적 치수 등을 포함하는 투영 광학계의 광학 특성을 나타낼 수 있다.

패터닝 디바이스/디자인 레이아웃 모델 모듈(1220)은 패터닝 디바이스의 패턴에서 디자인 특징이 어떻게 레이아웃되는지를 캡처하고, 예를 들어 미국 특허7,587,704(전문이 본원에 참고로서 포함됨)에 기술된 바와 같이 패터닝 디바이스의 상세한 물리적 특성의 표현을 포함할 수 있다. 일 실시예에서, 패터닝 디바이스/디자인 레이아웃 모델 모듈(1220)은 디자인 레이아웃(예를 들어, 집적 회로, 메모리, 전자 디바이스 등의 피처), 패터닝 디바이스 상에 또는 패터닝 디바이스에 의해 형성된 피처 배열의 표현이다. 리소그래피 투영 장치에 사용되는 패터닝 디바이스가 변경될 수 있기 때문에, 적어도 조명 및 투영 광학계를 포함하는 리소그래피 투영장치의 나머지 부분의 광학적 속성으로부터 패터닝 디바이스의 광학적 속성을 분리하는 것이 바람직하다. 시뮬레이션의 목적은 종종 예를 들어 에지 배치 및 CD를 정확하게 예측한 다음 장치 설계와 비교할 수 있도록 하는 것다. 장치 설계는 일반적으로 사전 OPC 패터닝 장치 레이아웃으로 정의되며 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 형식으로 제공된다.

에어리얼 이미지(1230)가 소스 모델(1200), 투영 광학계 모델(1210) 및 패터닝 장치/디자인 레이아웃 모델(1220)로부터 시뮬레이션될 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 세기 분포이다. 리소그래피 투영 장치의 광학적 속성들(예를 들어, 조명, 패터닝 디바이스 및 투영 광학계의 속성들)이 에어리얼 이미지를 좌우한다.

기판 상의 레지스트 층이 에어리얼 이미지에 의해 노광되고, 에어리얼 이미지는 그 안에 잠재적인 "레지스트 이미지"(RI)로서 레지스트 층으로 전사된다. 레지스트 이미지(RI)는 레지스트 층에서 레지스트의 용해도의 공간 분포로서 정의될 수 있다. 레지스트 모델(1240)을 이용하여 에어리얼 이미지(1230)로부터 레지스트 이미지(1250)가 시뮬레이션될 수 있다. 레지스트 모델은 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 사용될 수 있으며, 이 예시는 본 명세서에서 그 전문이 인용참조되는 미국 특허 출원 공개공보 US 2009-0157360호에서 찾아볼 수 있다. 레지스트 모델은 통상적으로 레지스트 노광, 노광후 베이크(PEB) 및 현상 시 일어나는 화학 공정들의 효과들을 설명하여, 예를 들어 기판 상에 형성되는 레지스트 피처들의 윤곽들을 예측하고, 따라서 이는 통상적으로 이러한 레지스트 층의 속성들(예를 들어, 노광, 노광후 베이크 및 현상 시 일어나는 화학 공정들의 효과들)에만 관련된다. 일 실시예에서, 레지스트 층의 광학적 속성들, 예를 들어 굴절률, 필름 두께, 전파 및 편광 효과들은 투영 광학계 모델(1210)의 일부로서 포착될 수 있다.

따라서, 일반적으로, 광학 및 레지스트 모델 간의 연결은 레지스트 층 내의 시뮬레이션된 에어리얼 이미지 세기이며, 이는 기판 상으로의 방사선의 투영, 레지스트 계면에서의 굴절 및 레지스트 필름 스택에서의 다수 반사들로부터 발생한다. 방사선 세기 분포(에어리얼 이미지 세기)는 입사 에너지의 흡수에 의해 잠재적인 "레지스트 이미지"로 바뀌고, 이는 확산 과정 및 다양한 로딩 효과들에 의해 더 수정된다. 풀-칩 적용들을 위해 충분히 빠른 효율적인 시뮬레이션 방법들이 2-차원 에어리얼(및 레지스트) 이미지에 의해 레지스트 스택에서 현실적인 3-차원 세기 분포를 근사시킨다.

일 실시예에서, 레지스트 이미지는 패턴 전사-후 공정 모델 모듈(1260)로의 입력으로서 사용될 수 있다. 패턴 전사-후 공정 모델(1260)은 1 이상의 레지스트 현상-후 공정들(예를 들어, 에칭, 현상 등)의 성능을 정의한다.

패터닝 공정의 시뮬레이션은, 예를 들어 레지스트 및/또는 에칭된 이미지 내의 윤곽, CD, 에지 배치(예를 들어, 에지 배치 오차) 등을 예측할 수 있다. 따라서, 시뮬레이션의 목적은 예를 들어 프린트된 패턴의 에지 배치, 및/또는 에어리얼 이미지 세기 기울기, 및/또는 CD 등을 정확히 예측하는 것이다. 이 값들은, 예를 들어 패터닝 공정을 보정하고, 결함이 발생할 것으로 예측되는 곳을 식별하는 등을 위해 의도된 디자인과 비교될 수 있다. 의도된 디자인은 일반적으로 OPC-전 디자인 레이아웃으로서 정의되며, 이는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷 또는 다른 파일 포맷으로 제공될 수 있다.

따라서, 모델 공식화는 전체 공정의 알려진 물리학 및 화학적 성질의 전부는 아니더라도 대부분을 설명하고, 모델 매개변수들 각각은 바람직하게는 별개의 물리적 또는 화학적 효과에 대응한다. 따라서, 모델 공식화는 모델이 전체 제조 공정을 시뮬레이션하는 데 얼마나 잘 사용될 수 있는지에 대한 상한을 설정한다.

계측 프로세스를 모델링 및/또는 시뮬레이션하기 위한 예시적인 흐름도가 도 3에 도시되어 있다. 주지되는 바와 같이, 다음 모델들은 다른 계측 프로세스를 나타낼 수 있으며, 아래에 설명된 모든 모델들을 포함할 필요는 없다(예를 들어, 일부는 결합될 수 있음). 소스 모델(1300)은 계측 대상 조명의 광학적 특성(방사 강도 분포, 방사 파장, 편광 등 포함)을 나타낸다. 광원 모델(1300)은 파장, 편광, 조명 시그마(σ) 설정[여기서 σ(또는 시그마)는 조명기의 방사형 조명 범위임], 특정 조명 형태(예를 들어 환형, 4중극자, 쌍극자 등과 같은 축외 방사선 형태) 등을 포함하되 이에 한정되지 않는 조명의 광학적 특성을 나타낼 수 있다.

계측 광학 모델(1310)은 계측 광학의 광학적 특성(계측 광학에 의해 야기된 방사 강도 분포 및/또는 위상 분포의 변화를 포함)을 나타낸다. 계측 광학 모델(1310)은 계측 광학에 의한 계측 대상의 조명의 광학적 특성 및 계측 대상에서 계측 장치 검출기로 향하는 방향 전환된(redirected) 방사선의 전달의 광학적 특성을 나타낼 수 있다. 계측 광학 모델은 수차, 왜곡, 하나 이상의 굴절률, 하나 이상의 물리적 크기, 하나 이상의 물리적 치수 등 계측 대상의 조명과 계측 대상에서 검출기로 향하는 방향 전환된 방사선의 전달과 관련된 다양한 특성을 나타낼 수 있다.

계측 타겟 모델(1320)은 계측 타겟에 의해 방향 전환되는 조명의 광학적 특성(계측 타겟에 의해 야기된 조명 방사 강도 분포 및/또는 위상 분포의 변화 포함)을 나타낼 수 있다. 따라서, 계측 타겟 모델(1320)은 계측 타겟에 의한 조명 방사선의 방향 전환된 방사선으로의 변환을 모델링할 수 있다. 따라서, 계측 타겟 모델은 계측 타겟으로부터의 방향 전환된 방사선의 결과 조명 분포를 시뮬레이션할 수 있다. 계측 대상 모델은 하나 이상의 굴절률, 하나 이상의 계측 대상의 물리적 크기, 계측 대상의 물리적 레이아웃 등을 포함하여 대상의 조명 및 계측으로부터의 방향 전환된 방사선의 생성과 관련된 다양한 특성을 나타낼 수 있다. 사용되는 계측 타겟은 변경될 수 있으므로 계측 타겟의 광학적 특성을 적어도 조명 및 투사 광학 장치와 검출기를 포함한 나머지 계측 장치의 광학적 특성과 분리하는 것이 바람직하다. 시뮬레이션의 목적은 종종 강도, 위상 등을 정확하게 예측하는 것이며, 이를 통해 오버레이, CD, 초점 등과 같은 패터닝 공정의 관심 매개변수를 도출하는 데 사용할 수 있다.

퓨필(pupil) 또는 에어리얼 이미지(1330)는 소스 모델(1300), 계측 광학 모델(1310) 및 계측 타겟 모델(1320)에서 시뮬레이션할 수 있다. 퓨필 또는 에어리얼 이미지는 검출기 레벨에서의 방사선 강도 분포이다. 계측 광학 및 계측 대상의 광학적 특성(예: 조명, 계측 대상 및 계측 광학의 특성)에 따라 퓨필 또는 에어리얼 이미지가 결정된다.

계측 장치의 검출기는 퓨필 또는 에어리얼 이미지에 노출되어 퓨필 또는 에어리얼 이미지의 하나 이상의 광학적 특성(예: 강도, 위상 등)을 검출한다. 검출 모델 모듈(1320)은 계측 광학으로부터의 방사선이 계측 장치의 검출기에 의해 검출되는 방법을 나타낸다. 검출 모델은 검출기가 퓨필 또는 에어리얼 이미지를 검출하는 방법을 설명할 수 있으며, 신호 대 잡음비, 검출기의 입사 방사선에 대한 감도 등을 포함할 수 있다. 따라서 일반적으로 계측 광학 모델과 검출기 모델 간의 연결은 광학에 의한 계측 대상의 조명, 대상에 의한 방사선의 방향 전환 및 방향 전환된 방사선의 검출기로의 전달로 인해 발생하는 시뮬레이션된 퓨필 또는 에어리얼 이미지이다. 방사선 분포(퓨필 또는 에어리얼 이미지)는 검출기에서 입사 에너지를 흡수하여 감지 신호로 변환된다.

계측 프로세스의 시뮬레이션은 예를 들어 검출기의 공간 강도 신호, 공간 위상 신호 등을 예측하거나 퓨필 또는 에어리얼 이미지의 검출기에 의한 검출에 기반한 오버레이, CD 등의 값과 같은 검출 시스템에서 계산된 기타 값을 예측할 수 있다. 따라서 시뮬레이션의 목적은 예를 들어 계측 대상에 해당하는 검출기 신호 또는 오버레이, CD와 같은 파생된 값을 정확하게 예측하는 것이다. 이러한 값은 의도된 설계 값과 비교하여 패터닝 공정을 수정하거나 결함이 발생할 것으로 예상되는 위치를 식별하는 등의 작업을 수행할 수 있다.

따라서 모델 공식은 전체 계측 프로세스의 알려진 물리적 및 화학적 효과의 전부는 아니더라도 대부분을 설명하며, 각 모델 매개변수는 계측 프로세스의 뚜렷한 물리적 및/또는 화학적 효과에 해당하는 것이 바람직하다.

도 4는 다양한 실시예에 따라 기판 상에 인쇄될 패턴을 예측하기 위한 모델을 훈련시키기 위한 패턴을 선택하기 위한 예시적인 이미지 기반 패턴 선택 시스템(400)의 블록도이다. 이미지 기반 패턴 선택 시스템(400)은 이미지 생성기(405), 특징 벡터 생성기(410), 그룹화 컴포넌트(415), 패턴 선택기(420), 데이터 저장 시스템(425) 및 패턴 예측기(430)를 포함한다. 이미지 생성기(405)는 다수의 패턴에 대한 패턴 데이터(501)를 획득하고, 패턴 데이터(501)를 이용하여 패턴 이미지(503)를 생성한다. 일반적으로, 패턴은 패턴을 형성하기 위해 특정 방식으로 배열된 하나 이상의 피처의 여러 인스턴스(예를 들어, 특징 A의 106 인스턴스, 특징 B의 104 인스턴스 등)를 포함할 수 있다. 패턴 이미지(503)는 소스 모델(예를 들어, 전술한 소스 모델(1200))을 사용하여 생성될 수 있는 에어리얼 이미지일 수 있고, 레지스트 모델(예를 들어, 전술한 레지스트 모델(1240))을 사용하여 생성될 수 있는 레지스트 이미지일 수 있고, 또는 시뮬레이션에 의해 생성된 다른 적절한 이미지일 수 있다. 패턴 데이터(501)는 풀-칩 레이아웃 데이터, 풀-칩 레이아웃 내의 다수의 패턴의 위치 데이터, 또는 FEM 데이터를 포함할 수 있다. 패턴 데이터(501)는 데이터 저장 시스템(425)에서 이용 가능할 수 있는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷으로부터 획득될 수 있다.

특징 벡터 생성기(410)는 패턴 이미지들(503)에 대한 특징 벡터들(505)을 생성할 수 있다. 일부 실시예에서, 특징 벡터는 일부 객체(예를 들어, 패턴 이미지)를 나타내는 벡터이다. 일부 실시예에서, 특징 벡터는 패턴 이미지의 패턴을 설명할 수 있는 숫자의 벡터이다. 특징 벡터를 사용하여 설명할 수 있는 패턴 이미지의 일부 예시적인 특징에는 이미지의 패턴과 관련된 기하학적 정보(예: 패턴 내 특징의 치수, 크기, 위치), 레지스트 신호 또는 기판에 패턴을 인쇄하는 데 사용되는 노광 장치와 관련된 광학 정보[예를 들어, 에어리얼 이미지 강도의 기울기, "에지 기울기" 또는 "정규화된 이미지 로그 기울기"(종종 선명도 부족 또는 이미지 흐림이 예상되는 레지스트 피처의 가장자리를 나타내는 "NILS"로 약칭됨)] 중 임의의 것을 포함할 수 있다. 특징 벡터의 치수는 특징 벡터 생성기(410)를 구현하는 데 사용되는 신경망 또는 다른 ML 모델에 따라 달라진다. 특징 벡터 생성에 관한 추가 세부 사항은 적어도 도 5c, 6a 및 6b를 참조하여 설명된다.

그룹화 컴포넌트(415)는 특징 벡터(505)를 특수 패턴(507)의 그룹 및 다수의 메인 패턴(509)의 그룹으로 그룹화할 수 있다. 일부 실시예에서, 특수 패턴(508)과 같은 특수 패턴은 패턴 이미지들(503)의 다른 패턴들과 상당히 다른 패턴이다. 일부 실시예에서, 제1 메인 패턴 그룹(510)과 같은 메인 패턴 그룹은 서로 유사한 패턴 이미지들(503)의 패턴들을 포함한다. 그룹화 컴포넌트(415)는 특수 패턴(507)의 그룹 및 메인 패턴(509)의 그룹을 식별하기 위해 다수의 클러스터링 알고리즘/방법 중 임의의 것을 사용할 수 있다. 예를 들어, 그룹화 컴포넌트(415)는 패턴 이미지(503) 중에서 다른 특징 벡터와 현저하게 다른 특징 벡터를 특수 패턴으로 식별하기 위해 특징 벡터(505)에 대한 거리 기반 방법 또는 노이즈가 있는 애플리케이션의 밀도 기반 공간 클러스터링(DBSCAN) 방법을 사용할 수 있다. 또한, 그룹화 컴포넌트(415)는 K-평균 클러스터링을 사용하여 특수 패턴(507)의 그룹에 속하지 않는 특징 벡터(505)를 복수의 메인 패턴(509)의 그룹으로 그룹화할 수 있다. 특징 벡터(505)의 그룹화와 관련된 추가 세부 사항은 적어도 도 5c 및 도 7-10을 참조하여 설명된다.

패턴 선택기(420)는 특수 패턴(507)의 그룹 및 메인 패턴(509)의 그룹으로부터 패턴 세트(513)를 선택한다. 일부 실시예에서, 패턴 선택기(420)는 모든 특수 패턴(507) 및 메인 패턴(509) 그룹의 각 그룹으로부터 대표 메인 패턴을 패턴 세트(513)로서 선택한다. 예를 들어, 특수 패턴(507)의 그룹에 (a) 5개의 패턴이 있고 (b) 3개의 메인 패턴(509) 그룹이 있는 경우, 패턴 선택기(420)는 5개의 특수 패턴과 3개의 대표 메인 패턴(3개의 메인 패턴(509) 그룹 각각에서 하나의 대표 패턴)을 포함하는 8개의 패턴을 패턴 세트(513)로 선택할 수 있다. 패턴 세트(513)의 선택과 관련된 추가 세부 사항은 적어도 도 5d 및 도 10을 참조하여 설명된다. 선택된 패턴 세트(513)에 대응하는 특징 벡터(505)는 데이터 저장 시스템(425)에 저장될 수 있고, 패턴 예측기(430)를 훈련시켜 주어진 타겟 패턴에 대해 기판 상에 인쇄될 패턴을 예측하기 위한 훈련 데이터로서 사용될 수 있다. 일부 실시예에서, 패턴 선택기(420)는 패턴 예측기(430)의 훈련 데이터로서 패턴 세트(513)에 대응하는 패턴 이미지(503)를 입력할 수 있다. 패턴 예측기(430)는 기계 학습 모델로서 구현될 수 있다. 일부 실시예에서, 특수 패턴과 대표 패턴을 모두 학습 데이터로 선택함으로써, 패턴 예측기(430)의 커버리지, 즉 기판 상에 인쇄될 패턴을 예측하는 정확도가 향상된다.

훈련된 패턴 예측기(430)는 임의의 주어진 타겟 패턴에 대한 마스크 패턴을 생성하는 데 사용될 수 있고, 이 마스크 패턴은 마스크 패턴을 통해 광을 투과시킴으로써 기판 상에 전사될 수 있다.

도 5a는 다양한 실시예와 일치하는, 이미지 기반 패턴 선택을 위한 예시적인 방법(500)의 흐름도이다. 일부 실시예에서, 방법(500)은 도 4의 시스템(400)에 의해 구현될 수 있다.

프로세스(P501)에서, 다수의 패턴의 패턴 이미지가 획득된다. 패턴 이미지는 마스크 이미지, 에어리얼 이미지, 레지스트 이미지 또는 패턴의 에칭 이미지의 형태일 수 있다. 패턴 이미지를 획득하는 것에 대한 추가적인 세부 사항은 적어도 도 5b의 공정(550)을 참조하여 설명된다.

프로세스(503)에서, 패턴 이미지는 특수 패턴 그룹 및 복수의 메인 패턴 그룹으로 그룹화된다. 일부 실시예에서, 특수 패턴(508)과 같은 특수 패턴은 패턴 이미지들 내의 다른 패턴들과 상당히 다른 패턴이다. 일부 실시예에서, 메인 패턴의 그룹(예를 들어, 메인 패턴의 제1 그룹(510))은 패턴 이미지들에서 유사한 패턴들의 세트이다. 그룹화는 다수의 클러스터링 방법 중 어느 하나를 사용하여 수행될 수 있다. 패턴의 그룹화와 관련된 추가적인 세부 사항은 적어도 도 5c의 프로세스(560)를 참조하여 설명된다.

프로세스(P505)에서, 패턴 세트는 특수 패턴 그룹 및 메인 패턴 그룹으로부터 선택된다. 일부 실시예에서, 모든 특수 패턴들 및 메인 패턴들의 그룹들의 각 그룹으로부터의 대표 메인 패턴이 패턴들의 세트로 선택된다. 패턴의 그룹화와 관련된 추가적인 세부 사항은 적어도 도 5d의 프로세스(570)를 참조하여 설명된다.

도 5b는 다양한 실시예와 일치하는 패턴의 이미지를 생성하는 방법(550)의 흐름도이다. 일부 실시예에서, 프로세스(550)는 프로세스(500)의 프로세스(501)의 일부로서 수행된다. 프로세스(507)에서, 이미지 생성기(405)는 다수의 패턴의 패턴 데이터(501)를 획득한다. 패턴 데이터(501)는 풀-칩 레이아웃 데이터, 풀-칩 레이아웃 내 다수의 패턴의 위치 데이터, 또는 FEM 데이터 중 하나 이상을 포함할 수 있다. 패턴 데이터(501)는 데이터 저장 시스템(425)에서 이용 가능할 수 있는 표준화된 디지털 파일 포맷(예를 들어, GDSII 또는 OASIS)으로부터 획득할 수 있다.

프로세스(509)에서, 이미지 생성기(405)는 패턴 이미지(503)와 같은 패턴 데이터(501)를 사용하여 각 패턴에 대한 이미지("패턴 이미지")를 생성한다. 일부 실시예에서, 이미지는 상술한 바와 같이 기판 레벨에서의 방사 강도 분포인 에어리얼 이미지일 수 있다. 이미지 생성기(405)는 기판 상에 패턴을 인쇄하는 데 사용되는 리소그래피 장치의 광학적 특성을 나타내는 소스 모델을 사용하여 에어리얼 이미지를 생성할 수 있다. 일부 실시예에서, 이미지는 레지스트 이미지일 수 있으며, 위에서 설명한 바와 같이, 레지스트 층에서 레지스트의 용해도의 공간 분포이다. 이미지 생성기(405)는 레지스트 층의 특성[예를 들어, 노광, 노광 후 베이킹(PEB) 및 현상 중에 발생하는 화학 공정의 효과]과 관련된 레지스트 모델을 사용하여 에어리얼 이미지로부터 레지스트 이미지를 시뮬레이션할 수 있다. 에어리얼 이미지는 이미지의 패턴과 관련된 기하학적 정보(예: 패턴 내 피처의 치수, 크기, 위치), 레지스트 신호 또는 기판에 패턴을 인쇄하는 데 사용되는 리소그래피 장치와 관련된 광학 정보[예: 에어리얼 이미지 강도의 기울기, 이미지 로그 기울기(ILS), NILS]를 포함할 수 있으며, 이는 특수 패턴을 선택하는 데 유용할 수 있다.

일부 실시예에서, 마스크 이미지, 에어리얼 이미지, 레지스트 이미지 또는 에칭 이미지가 이미지 기반 패턴 선택을 수행하기 위한 패턴 이미지로 선택되는 것은, 패턴 예측기(430)에 입력되는 훈련 데이터가 에어리얼 이미지 또는 레지스트 이미지이기 때문이다. 따라서, 이미지 기반 패턴 선택을 수행하기 위한 에어리얼 이미지 또는 레지스트 영상을 패턴 예측기(430)의 학습에 재사용함으로써, 이 두 과정을 위해 서로 다른 유형의 이미지를 생성할 필요가 없으므로, 패턴 선택 및 선택된 패턴을 이용한 패턴 예측기(430)의 학습에 소모되는 컴퓨팅 자원의 양을 최소화할 수 있다. 또한 타겟 레이아웃과 비교하여 에어리얼 이미지, 마스크 이미지, 레지스트 이미지 또는 에칭 이미지에는 레지스트 신호, 피처 에지에서의 회절, 에지 간 간섭, 리소그래피 시스템에서 발생하는 피처 및 패턴과 같은 제조 공정에서 발생하는 다양한 물리적, 화학적 및 광학 효과가 통합되어 있다. 따라서 이러한 이미지를 기반으로 패턴을 선택하면 보다 정확한 학습된 모델을 얻을 수 있다. 도 5c는 다양한 실시예와 일치하는 패턴 이미지들을 그룹화하는 방법(560)의 흐름도이다. 일부 실시예에서, 프로세스(560)는 프로세스(500)의 프로세스(503)의 일부로서 수행된다. 프로세스(P515)에서, 특징 벡터 생성기(410)는 특징 벡터(505)와 같은 각 패턴 이미지(503)에 대한 특징 벡터를 생성할 수 있다. 일부 실시예에서, 특징 벡터는 일부 객체(예를 들어, 패턴 이미지)를 나타내는 벡터이다. 예를 들어, 특징 벡터는 패턴 이미지의 패턴을 설명할 수 있는 숫자의 벡터일 수 있다. 특징 벡터를 사용하여 설명될 수 있는 패턴 이미지의 일부 예시적인 특징은 이미지의 패턴과 관련된 기하학적 정보(예: 패턴 내 특징의 치수, 크기, 위치), 레지스트 신호 또는 기판에 패턴을 인쇄하는 데 사용되는 리소그래피 장치와 관련된 광학 정보(예: 에어리얼 이미지 강도의 기울기, ILS, NILS) 중 임의의 것을 포함한다.

도 6a는 다양한 실시예와 일치하는 특징 벡터 생성기의 블록 다이어그램이다. 일부 실시예에서, 특징 벡터 생성기(410)는 패턴 이미지(605)와 같은 임의의 주어진 패턴 이미지에 대해 특징 벡터(610)와 같은 특징 벡터를 생성하도록 훈련된 기계 학습 모델을 사용하여 구현될 수 있다. 특징 벡터 생성기(410)는 패턴 이미지(503) 중 하나와 유사할 수 있는 패턴 이미지(605)를 입력으로 취하고, 특징 벡터(505) 중 하나와 유사할 수 있는 특징 벡터(610)를 생성한다. 특징 벡터의 차원은 특징 벡터 생성기(410)를 구현하는 데 사용되는 신경망 또는 다른 ML 모델에 따라 달라진다. 특징 벡터 생성기(410)가 특징 벡터(610)를 생성하기 위해서는, 특징 벡터 생성기(410)를 훈련시켜야 할 수 있다.

도 6b는 다양한 실시예에 따라 특징 벡터를 생성하기 위한 특징 벡터 생성기(410)의 훈련을 도시하는 블록 다이어그램이다. 특징 벡터 생성기(410)는 다수의 패턴 이미지(650)를 사용하여 훈련된다. 훈련 프로세스는 반복 프로세스이며, 반복은 특징 벡터 생성기(410)와 관련된 비용 함수가 감소될 때까지(예를 들어, 최소화될 때까지) 수행될 수 있다. 훈련 프로세스의 반복은 패턴 이미지(예를 들어, 패턴 이미지(651))를 특징 벡터 생성기(410)에 입력하는 단계, 패턴 이미지(651)로부터 특징 벡터(671)와 같은 특징 벡터를 생성하는 단계, 생성된 특징 벡터(671)로부터 패턴 이미지(681) 같은 패턴 이미지를 시뮬레이션 또는 예측하는 단계, 입력된 패턴 이미지(651)와 예측된 패턴 이미지(681) 사이의 차이를 비교하고, 차이를 나타내는 특징 벡터 생성기(410)의 ML 모델 매개변수를 조정하여 비용 함수를 감소(예를 들어, 최소화)시키는 단계를 포함할 수 있다. 훈련은 계속될 수 있으며, 즉 비용 함수가 최소화될 때까지 패턴 이미지(650)와 다른 패턴 이미지를 사용하여 상기 과정이 반복될 수 있다. 특징 벡터 생성기(410)는 비용 함수가 최소화될 때 훈련된 것으로 간주될 수 있으며, 그 후 주어진 패턴 이미지에 대한 특징 벡터를 생성하는 데 사용될 수 있다.

일부 실시예에서, 특징 벡터는 패턴 이미지에 인코딩된 정보에 기초하여 생성된다. 특징 벡터 생성기(410)는 인코딩된 정보를 추출하고, 추출된 정보에 기초하여 특징 벡터를 생성한다. 인코딩된 정보는 이미지의 패턴과 관련된 기하학적 정보(예: 패턴 내 피처의 치수, 크기, 위치), 레지스트 신호, 또는 기판에 패턴을 인쇄하는 데 사용되는 리소그래피 장치와 관련된 광학 정보(예: 에어리얼 이미지 강도의 기울기, ILS, NILS) 중 임의의 것을 포함할 수 있다.

일부 실시예에서, 특징 벡터는 또한 입력 패턴 이미지의 치수를 감소시킬 수 있다. 예를 들어, 입력 패턴 이미지가 X*Y 픽셀인 경우, 특징 벡터는 크기를 A*B 픽셀로 감소시킬 수 있으며, 여기서 A<X 및 B<Y가 된다. 또한, 일부 실시예에서, 상이한 비용 함수 및 신경망 스키마(schema)를 갖는 특징 벡터 생성기(410)는 상이한 클러스터링 알고리즘/방법에 사용될 수 있는 상이한 종류의 이미지 특징 벡터를 생성할 수 있다.

프로세스(P515)를 참조하면, 특징 벡터(505)를 생성한 후, 프로세스(P517)에서, 그룹화 구성 요소(415)는 특징 벡터(505)를 특수 패턴(507)의 그룹 및 다수의 메인 패턴(509)의 그룹으로 그룹화한다. 전술한 바와 같이, 특수 패턴은 패턴 이미지들(503)의 다른 패턴들과 상당히 다른 패턴이다. 그룹화 컴포넌트(415)는 특수 패턴(507)의 그룹을 식별하기 위해 다수의 클러스터링 방법 중 임의의 것을 사용할 수 있다. 예를 들어, 그룹화 컴포넌트(415)는 도 7에 도시된 바와 같이, 패턴 이미지들(503)의 다른 패턴들과 현저하게 다른 패턴들을 특수 패턴으로 식별하기 위해 거리 기반 방법을 사용할 수 있다.

도 7는 다양한 실시예와 일치하는 거리 기반 방법을 사용하여 특수 패턴을 식별하는 블록 다이어그램이다. 거리 기반 방법에서, 그룹화 구성 요소(415)는 두 특징 벡터 사이의 최소 거리를 결정한다. 이 거리는 두 개의 대응하는 패턴 사이의 차이를 나타낸다. 그룹화 컴포넌트(415)는 패턴 이미지들(503)의 특정 패턴 이미지와 나머지 패턴 이미지들(503) 중 하나 이상의 패턴 이미지 사이의 거리를 결정할 수 있다. 예를 들어, 그룹화 구성 요소(415)는 패턴 이미지(12109)에서 패턴 이미지(5036)까지의 최소 거리를 "44" 단위로 결정한다. 유사하게, 그룹화 구성 요소(415)는 패턴 이미지(3196)에서 패턴 이미지(3190)까지의 최소 거리를 "5.32" 단위로 결정한다. 그룹화 구성 요소(415)는 거리를 결정하기 위해 다수의 방법 중 어느 하나를 사용할 수 있다. 특징 벡터 쌍 사이의 최소 거리를 결정한 후, 그룹화 구성 요소(415)는 지정된 임계값 이상의 최소 거리를 갖는 특징 벡터를 특수 패턴(507)의 그룹으로 선택할 수 있다. 예를 들어, 최소 거리에 대한 지정된 임계값이 "20" 단위인 경우, 그룹화 컴포넌트(415)는 비교되는 특징 벡터들에 대한 최소 거리가 "20" 단위 이상인 모든 특징 벡터들을 특수 패턴(507)으로 선택할 수 있는데, 예를 들어, 패턴 이미지(12109)에 대응하는 특징 벡터(이는 "20" 단위 이상의 거리를 갖는 유일한 패턴 이미지임)가 이에 해당한다. 일부 실시예에서, 그룹화 컴포넌트(415)는 특징 벡터 쌍을 내림차순으로, 예를 들어, 가장 높은 최소 거리에서 가장 낮은 최소 거리로 정렬할 수 있고, 상위 "n" 수의 특징 벡터를 특수 패턴(507)으로 선택할 수 있다. 예를 들어, 최소 거리가 상위 3개인 특징 벡터 쌍이 선택되어야 하는 경우, 그룹화 컴포넌트(415)는 패턴 이미지(12109), 패턴 이미지(5025) 및 패턴 이미지(3196)에 대응하는 특징 벡터를 특수 패턴(507)으로 선택할 수 있다.

DBSCAN은 특수 패턴(507)을 식별하는 또 다른 방법이다. 도 8는 다양한 실시예와 일치하는 DBSCAN 방법을 사용하여 특수 패턴을 식별하는 블록 다이어그램이다. DBSCAN 방법에서, 그룹화 컴포넌트(415)는 클러스터(801, 802, 803, 및 804)와 같은 하나 이상의 패턴 이미지의 클러스터를 생성하는 DBSCAN 알고리즘을 사용하여 특징 벡터(505)를 클러스터링한다. 각 클러스터는 클러스터 내에서 서로 유사한 패턴 이미지의 특징 벡터를 포함할 수 있다. 이상값, 예를 들어, 패턴 이미지(805)와 같이 클러스터(801-804) 중 어느 클러스터에도 속하지 않는 패턴 이미지는 특수 패턴(507)의 그룹으로 식별될 수 있다.

프로세스(P517)를 계속하여, 특수 패턴(507)을 식별한 후에, 그룹화 구성 요소(415)는 나머지 특징 벡터들, 예를 들어 특수 패턴으로 식별되지 않는 특징 벡터(505)의 특징 벡터들을 다수의 메인 패턴 그룹(509)으로 그룹화할 수 있다. 그룹화 컴포넌트(415)는 다수의 방법 중 임의의 방법을 사용하여 메인 패턴들을 그룹화할 수 있다. 예를 들어, 그룹화 컴포넌트(415)는 도 9에 도시된 바와 같이, K-평균 클러스터링을 사용하여 특징 벡터(505)를 메인 패턴(509)의 복수의 그룹으로 그룹화할 수 있다. 도 9는 다양한 실시예에 따라 특징 벡터를 주요 패턴 그룹으로 그룹화하기 위한 블록도이다. 그룹화 컴포넌트(415)는 K-평균 클러스터링을 사용하여 특수 패턴으로 식별되지 않는 특징 벡터(505)를 제1 클러스터(910), 제2 클러스터(920) 및 제3 클러스터(930)와 같은 다수의 클러스터로 그룹화한다. 각 클러스터는 클러스터 내에서 서로 유사한 특징 벡터 패턴 이미지를 포함할 수 있다. 클러스터(910-930)는 메인 패턴(509)의 그룹으로 간주될 수 있다.

도 5d는 다양한 실시예에 따라, 패턴 예측기를 훈련시키기 위한 훈련 데이터로서 패턴 세트를 선택하는 방법(570)의 흐름도이다. 일부 실시예에서, 프로세스(570)는 프로세스(500)의 프로세스(505)의 일부로서 수행된다. 프로세스(519)에서, 패턴 선택기(420)는 메인 패턴(509)의 각 그룹의 중심점을 결정한다. 일부 실시예에서, 중심점은 도 10에 도시된 바와 같이, 클러스터의 중심에 있는 데이터 포인트(가상 또는 실제)이다. 도 10은 다양한 실시예에 따라 다양한 패턴 그룹으로부터 패턴을 선택하는 것을 보여주는 블록 다이어그램이다. 도 10에 도시된 바와 같이, 메인 패턴(509)의 그룹은 메인 패턴(910)의 제1 클러스터, 메인 패턴(920)의 제2 클러스터 및 메인 패턴(930)의 제3 클러스터를 포함할 수 있다. 패턴 선택기(420)는 각 클러스터의 중심점을 결정한다. 예를 들어, 패턴 선택기(420)는 제1 클러스터(910)의 제1 중심점(1011), 제2 클러스터(920)의 제2 중심점(1021) 및 제3 클러스터(930)의 제3 중심점(1031)을 결정한다.

프로세스(P521)에서, 패턴 선택기(420)는 메인 패턴의 각 클러스터로부터 대표 메인 패턴을 선택한다. 일부 실시예에서, 패턴 선택기(420)는 클러스터의 중심점에 가장 가까운 특징 벡터를 해당 클러스터의 대표 메인 패턴으로 선택한다. 예를 들어, 패턴 선택기(420)는 제1 중심점(1011)에 가장 가까운 제1 대표 메인 패턴(1012), 제2 중심점(1021)에 가장 가까운 제2 대표 메인 패턴(1022), 및 제3 중심점(1031)에 가장 가까운 제3 대표 메인 패턴(1032)을 선택한다. 대표 메인 패턴(1012, 1022 및 1032)은 대표 메인 패턴(511)의 그룹으로 선택된다.

프로세스(523)에서, 패턴 선택기(420)는 패턴 예측기(430)를 훈련시키기 위한 훈련 데이터로서 패턴 세트(513)로서 특수 패턴 그룹(507) 및 대표 메인 패턴 그룹(511)을 선택한다. 일부 실시예에서, 패턴 예측기(430)에 입력되는 훈련 데이터는 선택된 패턴 세트(513)의 특징 벡터에 대응하는 패턴 이미지(503)를 포함한다. 일부 실시예에서, 특수 패턴(507)의 그룹은 특수 패턴(805a-e)을 포함한다[이는 클러스터(910-930) 중 어느 하나에 속하지 않는 패턴이며, 적어도 도 7 및 도 8을 참조하여 설명된 바와 같이 결정됨].

일부 실시예에서, 패턴 예측기(430)는 레지스트 모델, 에칭 모델 또는 이들의 조합을 포함한다. 일부 실시예에서, 패턴 예측기(430)는 패턴(513)의 훈련 데이터에 의해 훈련되거나 보정되는 기계 학습 모델 또는 비기계 학습 모델일 수 있다.

일부 실시예에서, 패턴 선택기는 비기계 학습 모델(예를 들어, 정밀 모델, 물리적 모델, 경험적 또는 반경험적 모델 등)이다. 일부 실시예에서, 패턴 선택 후, 선택된 패턴의 계측 데이터는 검사 또는 계측 시스템을 사용하여 획득 및 측정될 수 있고, 측정된 데이터는 비기계 학습 모델의 훈련 데이터 또는 보정 데이터로 사용될 수 있다. 일부 실시예에서, 계측 시스템은 SEM 시스템 또는 광학 검사 또는 계측 시스템이다.

도 11은 본 명세서에 개시된 방법, 흐름, 모듈, 구성요소 또는 장치들을 구현하는 데 도움이 될 수 있는 컴퓨터 시스템(100)을 나타내는 블록 다이어그램이다. 컴퓨터 시스템(100)은 정보를 전달하는 버스(102) 또는 다른 통신 기구, 및 정보를 처리하는 버스(102)와 커플링된 프로세서(104)[또는 다중 프로세서들(104 및 105)]를 포함한다. 또한, 컴퓨터 시스템(100)은 프로세서(104)에 의해 실행될 정보 및 명령어들을 저장하는 RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 버스(102)에 커플링된 주 메모리(106)를 포함한다. 또한, 주 메모리(106)는 프로세서(104)에 의해 실행될 명령어들의 실행 시 임시 변수들 또는 다른 매개 정보(intermediate information)를 저장하는 데 사용될 수도 있다. 또한, 컴퓨터 시스템(100)은 프로세서(104)에 대한 정적 정보 및 명령어들을 저장하는 버스(102)에 커플링된 ROM(read only memory: 108) 또는 다른 정적 저장 디바이스를 더 포함한다. 자기 디스크 또는 광학 디스크와 같은 저장 디바이스(110)가 제공되고 버스(102)에 커플링되어 정보 및 명령어들을 저장한다.

컴퓨터 시스템(100)은 버스(102)를 통해, 컴퓨터 사용자에게 정보를 보여주는 CRT(cathode ray tube) 또는 평판 또는 터치 패널 디스플레이(touch panel display)와 같은 디스플레이(112)에 커플링될 수 있다. 영숫자 및 다른 키들을 포함한 입력 디바이스(114)는 정보 및 명령 선택(command selection)들을 프로세서(104)로 전달하기 위해 버스(102)에 커플링된다. 또 다른 타입의 사용자 입력 디바이스는 방향 정보 및 명령 선택들을 프로세서(104)로 전달하고, 디스플레이(112) 상의 커서 움직임을 제어하기 위한 마우스, 트랙볼(trackball) 또는 커서 방향키들과 같은 커서 제어부(cursor control: 116)이다. 이 입력 디바이스는, 통상적으로 디바이스로 하여금 평면에서의 위치들을 특정하게 하는 2 개의 축선인 제 1 축선(예를 들어, x) 및 제 2 축선(예를 들어, y)에서 2 자유도를 갖는다. 또한, 입력 디바이스로서 터치 패널(스크린) 디스플레이가 사용될 수도 있다.

일 실시예에 따르면, 주 메모리(106)에 포함된 1 이상의 명령어들의 1 이상의 시퀀스를 실행하는 프로세서(104)에 응답하여 컴퓨터 시스템(100)에 의해 본 명세서에 설명된 1 이상의 방법의 부분들이 수행될 수 있다. 이러한 명령어들은 저장 디바이스(110)와 같은 또 다른 컴퓨터-판독가능한 매체로부터 주 메모리(106)로 읽혀질 수 있다. 주 메모리(106) 내에 포함된 명령어들의 시퀀스들의 실행은, 프로세서(104)가 본 명세서에 설명된 공정 단계들을 수행하게 한다. 또한, 주 메모리(106) 내에 포함된 명령어들의 시퀀스들을 실행하기 위해 다중 처리 구성(multi-processing arrangement)의 1 이상의 프로세서가 채택될 수 있다. 대안적인 실시예에서, 하드웨어에 내장된 회로(hard-wired circuitry)가 소프트웨어 명령어들과 조합하거나 그를 대신하여 사용될 수 있다. 따라서, 본 명세서의 기재내용은 하드웨어 회로와 소프트웨어의 여하한의 특정 조합에 제한되지 않는다.

본 명세서에서 사용된 "컴퓨터-판독가능한 매체"라는 용어는 실행을 위해 프로세서(104)에 명령어를 제공하는 데 관여하는 여하한의 매체를 칭한다. 이러한 매체는 비휘발성 매체(non-volatile media), 휘발성 매체 및 전송 매체를 포함하는 다수의 형태를 취할 수 있으며, 이에 제한되지는 않는다. 비휘발성 매체는, 예를 들어 저장 디바이스(110)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 주 메모리(106)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(102)를 포함하는 와이어들을 포함하여, 동축 케이블(coaxial cable), 구리선 및 광섬유를 포함한다. 또한, 전송 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 시 발생되는 파장들과 같이 음파(acoustic wave) 또는 광파의 형태를 취할 수도 있다. 컴퓨터-판독가능한 매체의 보편적인 형태들은, 예를 들어 플로피 디스크(floppy disk), 플렉시블 디스크(flexible disk), 하드 디스크, 자기 테이프, 여하한의 다른 자기 매체, CD-ROM, DVD, 여하한의 다른 광학 매체, 펀치 카드(punch card), 종이 테이프(paper tape), 홀(hole)들의 패턴을 갖는 여하한의 다른 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, 여하한의 다른 메모리 칩 또는 카트리지(cartridge), 이후 설명되는 바와 같은 반송파, 또는 컴퓨터가 판독할 수 있는 여하한의 다른 매체를 포함한다.

다양한 형태의 컴퓨터 판독가능한 매체는 실행을 위해 1 이상의 명령어들의 1 이상의 시퀀스를 프로세서(104)로 전달하는 데 관련될 수 있다. 예를 들어, 명령어들은 초기에 원격 컴퓨터의 자기 디스크 상에 저장되어 있을 수 있다(bear). 원격 컴퓨터는 그 동적 메모리로 명령어들을 로딩하고, 모뎀을 이용하여 전화선을 통해 명령어들을 보낼 수 있다. 컴퓨터 시스템(100)에 로컬인 모뎀이 전화선 상의 데이터를 수신하고, 상기 데이터를 적외선 신호로 전환하기 위해 적외선 송신기를 사용할 수 있다. 버스(102)에 커플링된 적외선 검출기는 적외선 신호로 전달된 데이터를 수신하고, 상기 데이터를 버스(102)에 놓을 수 있다. 버스(102)는, 프로세서(104)가 명령어들을 회수하고 실행하는 주 메모리(106)로 상기 데이터를 전달한다. 주 메모리(106)에 의해 수신된 명령어들은 프로세서(104)에 의한 실행 전이나 후에 저장 디바이스(110)에 선택적으로 저장될 수 있다.

또한, 컴퓨터 시스템(100)은 버스(102)에 커플링된 통신 인터페이스(118)를 포함할 수 있다. 통신 인터페이스(118)는 로컬 네트워크(122)에 연결되는 네트워크 링크(120)에 커플링하여 양방향(two-way) 데이터 통신을 제공한다. 예를 들어, 통신 인터페이스(118)는 ISDN(integrated services digital network) 카드 또는 대응하는 타입의 전화선에 데이터 통신 연결을 제공하는 모뎀일 수 있다. 또 다른 예시로서, 통신 인터페이스(118)는 호환성 LAN에 데이터 통신 연결을 제공하는 LAN(local area network) 카드일 수 있다. 또한, 무선 링크가 구현될 수도 있다. 여하한의 이러한 구현에서, 통신 인터페이스(118)는 다양한 타입의 정보를 나타내는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 송신하고 수신한다.

통상적으로, 네트워크 링크(120)는 1 이상의 네트워크를 통해 다른 데이터 디바이스에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(120)는 로컬 네트워크(122)를 통해 호스트 컴퓨터(host computer: 124), 또는 ISP(Internet Service Provider: 126)에 의해 작동되는 데이터 장비로의 연결을 제공할 수 있다. 차례로, ISP(126)는 이제 통상적으로 "인터넷"(128)이라고 칭하는 월드와이드 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(122) 및 인터넷(128)은 둘 다 디지털 데이터 스트림을 전달하는 전기적, 전자기적 또는 광학적 신호들을 사용한다. 다양한 네트워크를 통한 신호들, 및 컴퓨터 시스템(100)에 또한 그로부터 디지털 데이터를 전달하는 통신 인터페이스(118)를 통한 네트워크 링크(120) 상의 신호들은 정보를 전달하는 반송파의 예시적인 형태들이다.

컴퓨터 시스템(100)은 네트워크(들), 네트워크 링크(120) 및 통신 인터페이스(118)를 통해 메시지들을 송신하고, 프로그램 코드를 포함한 데이터를 수신할 수 있다. 인터넷 예시에서는, 서버(130)가 인터넷(128), ISP(126), 로컬 네트워크(122) 및 통신 인터페이스(118)를 통해 어플리케이션 프로그램에 대한 요청된 코드를 전송할 수 있다. 하나의 이러한 다운로드된 어플리케이션은, 예를 들어 본 명세서에 설명된 방법의 일부 또는 전부를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(104)에 의해 실행될 수 있고, 및/또는 추후 실행을 위해 저장 디바이스(110) 또는 다른 비휘발성 저장소에 저장될 수 있다. 이 방식으로, 컴퓨터 시스템(100)은 반송파의 형태로 어플리케이션 코드를 얻을 수 있다.

도 12는 본 명세서에 설명된 기술들이 이용될 수 있는 예시적인 리소그래피 투영 장치를 개략적으로 도시한다. 상기 장치는:

- 방사선 빔(B)을 컨디셔닝(condition)하는 조명 시스템(IL)(이러한 특정한 경우, 조명 시스템은 방사선 소스(SO)도 포함함);

- 패터닝 디바이스(MA)(예를 들어, 레티클)를 유지하는 패터닝 디바이스 홀더가 제공되고, 아이템(PS)에 대하여 패터닝 디바이스를 정확히 위치시키는 제 1 위치설정기에 연결되는 제 1 대상물 테이블(예를 들어, 패터닝 디바이스 테이블)(MT);

- 기판(W)(예를 들어, 레지스트-코팅된 실리콘 웨이퍼)을 유지하는 기판 홀더가 제공되고, 아이템(PS)에 대하여 기판을 정확히 위치시키는 제 2 위치설정기에 연결되는 제 2 대상물 테이블(기판 테이블)(WT); 및

- 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)의 조사된 부분을 이미징하는 투영 시스템("렌즈")(PS)[예를 들어, 굴절, 카톱트릭(catoptric) 또는 카타디옵트릭 광학 시스템]을 포함한다.

본 명세서에 도시된 바와 같이, 상기 장치는 투과형으로 구성된다(즉, 투과 패터닝 디바이스를 가짐). 하지만, 일반적으로 이는 예를 들어 (반사 패터닝 디바이스를 갖는) 반사형으로 구성될 수도 있다. 상기 장치는 전형적인 마스크와 상이한 종류의 패터닝 디바이스를 채택할 수 있다; 예시들로는 프로그램가능한 거울 어레이 또는 LCD 매트릭스를 포함한다.

소스(SO)[예를 들어, 수은 램프 또는 엑시머 레이저(excimer laser), LPP(레이저 생성 플라즈마) EUV 소스]는 방사선 빔을 생성한다. 이 빔은 곧바로 또는, 예를 들어 빔 익스팬더(beam expander: Ex)와 같은 컨디셔닝 수단을 가로지른 후 조명 시스템(일루미네이터)(IL)으로 공급된다. 일루미네이터(IL)는 상기 빔 내의 세기 분포의 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)를 설정하는 조정 수단(AD)을 포함할 수 있다. 또한, 이는 일반적으로 인티그레이터(IN) 및 콘덴서(CO)와 같은 다양한 다른 구성요소들을 포함할 것이다. 이러한 방식으로, 패터닝 디바이스(MA)에 입사하는 빔(B)은 그 단면에 원하는 균일성(uniformity) 및 세기 분포를 갖는다.

도 10과 관련하여, 소스(SO)는 [흔히 소스(SO)가, 예를 들어 수은 램프인 경우와 같이] 리소그래피 투영 장치의 하우징 내에 있을 수 있지만, 그것은 리소그래피 투영 장치로부터 멀리 떨어져 있을 수도 있으며, 그것이 생성하는 방사선 빔은 (예를 들어, 적절한 지향 거울의 도움으로) 장치 내부로 들어올 수 있다는 것을 유의하여야 한다; 이 후자의 시나리오는 흔히 소스(SO)가 [예를 들어, KrF, ArF 또는 F2 레이징(lasing)에 기초한] 엑시머 레이저인 경우이다.

이후, 상기 빔(B)은 패터닝 디바이스 테이블(MT) 상에 유지되어 있는 패터닝 디바이스(MA)를 통과한다(intercept). 패터닝 디바이스(MA)를 가로질렀으면, 상기 빔(B)은 렌즈(PS)를 통과하며, 이는 기판(W)의 타겟부(C) 상에 상기 빔(B)을 포커스한다. 제 2 위치설정 수단[및 간섭계 측정 수단(IF)]의 도움으로, 기판 테이블(WT)은 예를 들어 상기 빔(B)의 경로 내에 상이한 타겟부(C)를 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정 수단은 예를 들어 패터닝 디바이스 라이브러리(patterning device library)로부터의 패터닝 디바이스(MA)의 기계적인 회수 후에 또는 스캔하는 동안, 상기 빔(B)의 경로에 대해 패터닝 디바이스(MA)를 정확히 위치시키는 데 사용될 수 있다. 일반적으로, 대상물 테이블들(MT, WT)의 이동은 장-행정 모듈(long-stroke module)(개략 위치설정) 및 단-행정 모듈(short-stroke module)(미세 위치설정)의 도움으로 실현될 것이며, 이는 도 10에 명확히 도시되지는 않는다. 하지만, [스텝-앤드-스캔 툴(step-and-scan tool)과는 대조적으로] 스테퍼의 경우, 패터닝 디바이스 테이블(MT)은 단지 단-행정 액추에이터에 연결되거나 고정될 수 있다.

도시된 툴은 두 가지 상이한 모드로 사용될 수 있다:

- 스텝 모드에서, 패터닝 디바이스 테이블(MT)은 기본적으로 정지 상태로 유지되며, 전체 패터닝 디바이스 이미지가 한 번에 [즉, 단일 "플래시(flash)"로] 타겟부(C) 상으로 투영된다. 그 후, 상이한 타겟부(C)가 빔(B)에 의해 조사될 수 있도록 기판 테이블(WT)이 x 및/또는 y 방향들로 시프트된다.

- 스캔 모드에서는, 주어진 타겟부(C)가 단일 "플래시"로 노광되지 않는 것을 제외하고는 기본적으로 동일한 시나리오가 적용된다. 그 대신에, 패터닝 디바이스 테이블(MT)은 v의 속도로 주어진 방향(소위 "스캔 방향", 예를 들어 y 방향)으로 이동가능하여, 투영 빔(B)이 패터닝 디바이스 이미지에 걸쳐 스캐닝하도록 유도된다; 동시발생적으로, 기판 테이블(WT)은 속도 V = Mv로 동일한 방향 또는 그 반대 방향으로 동시에 이동되며, 여기서 M은 렌즈(PS)의 배율이다(통상적으로, M = 1/4 또는 1/5). 이러한 방식으로, 분해능을 떨어뜨리지 않고도 비교적 넓은 타겟부(C)가 노광될 수 있다.

도 13은 본 명세서에 설명된 기술들이 이용될 수 있는 또 다른 예시적인 리소그래피 투영 장치(1000)를 개략적으로 도시한다.

리소그래피 투영 장치(1000)는:

- 소스 컬렉터 모듈(SO);

- 방사선 빔(B)(예를 들어, EUV 방사선)을 컨디셔닝하도록 구성되는 조명 시스템(일루미네이터)(IL);

- 패터닝 디바이스(예를 들어, 마스크 또는 레티클)(MA)를 지지하도록 구성되고, 패터닝 디바이스를 정확히 위치시키도록 구성된 제 1 위치설정기(PM)에 연결되는 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT);

- 기판(예를 들어, 레지스트-코팅된 웨이퍼)(W)을 유지하도록 구성되고, 기판을 정확히 위치시키도록 구성된 제 2 위치설정기(PW)에 연결되는 기판 테이블(예를 들어, 웨이퍼 테이블)(WT); 및

- 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 투영하도록 구성되는 투영 시스템(예를 들어, 반사 투영 시스템)(PS)을 포함한다.

본 명세서에 도시된 바와 같이, 상기 장치(1000)는 (예를 들어, 반사 패터닝 디바이스를 채택하는) 반사형으로 구성된다. 대부분의 재료들이 EUV 파장 범위 내에서 흡수성이기 때문에, 패터닝 디바이스는 예를 들어 몰리브덴 및 실리콘의 다수-스택을 포함한 다층 반사기들을 가질 수 있다는 것을 유의하여야 한다. 일 예시에서, 다수-스택 반사기는 40 층의 몰리브덴 및 실리콘 쌍들을 갖고, 이때 각 층의 두께는 1/4 파장(quarter wavelength)이다. 훨씬 더 작은 파장들이 X-선 리소그래피로 생성될 수 있다. 대부분의 재료가 EUV 및 x-선 파장에서 흡수성이기 때문에, 패터닝 디바이스 토포그래피 상의 패터닝된 흡수성 재료의 박편(예를 들어, 다층 반사기 최상부 상의 TaN 흡수재)이 프린트되거나(포지티브 레지스트) 프린트되지 않을(네거티브 레지스트) 피처들의 위치를 정의한다.

도 13을 참조하면, 일루미네이터(IL)는 소스 컬렉터 모듈(SO)로부터 극자외 방사선 빔을 수용한다. EUV 방사선을 생성하는 방법들은 EUV 범위 내의 1 이상의 방출선을 갖는 적어도 하나의 원소, 예를 들어 크세논, 리튬 또는 주석을 갖는 재료를 플라즈마 상태로 전환하는 단계를 포함하며, 반드시 이에 제한되는 것은 아니다. 흔히 레이저 생성 플라즈마("LPP")라고 칭하는 이러한 한 방법에서, 플라즈마는 선-방출 원소를 갖는 재료의 액적(droplet), 스트림 또는 클러스터와 같은 연료를 레이저 빔으로 조사함으로써 생성될 수 있다. 소스 컬렉터 모듈(SO)은 연료를 여기시키는 레이저 빔을 제공하는 레이저(도 11에 도시되지 않음)를 포함한 EUV 방사선 시스템의 일부분일 수 있다. 결과적인 플라즈마는 출력 방사선, 예를 들어 EUV 방사선을 방출하며, 이는 소스 컬렉터 모듈에 배치된 방사선 컬렉터를 이용하여 수집된다. 예를 들어, CO2 레이저가 연료 여기를 위한 레이저 빔을 제공하는 데 사용되는 경우, 레이저 및 소스 컬렉터 모듈은 별도의 개체일 수 있다.

이러한 경우, 레이저는 리소그래피 장치의 일부분을 형성하는 것으로 간주되지 않으며, 방사선 빔은 예를 들어 적절한 지향 거울들 및/또는 빔 익스팬더를 포함하는 빔 전달 시스템의 도움으로, 레이저로부터 소스 컬렉터 모듈로 통과된다. 다른 경우, 예를 들어 소스가 흔히 DPP 소스라고 칭하는 방전 생성 플라즈마 EUV 발생기인 경우, 소스는 소스 컬렉터 모듈의 통합부일 수 있다.

일루미네이터(IL)는 방사선 빔의 각도 세기 분포를 조정하는 조정기를 포함할 수 있다. 일반적으로, 일루미네이터의 퓨필 평면 내의 세기 분포의 적어도 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)가 조정될 수 있다. 또한, 일루미네이터(IL)는 패싯 필드 및 퓨필 거울 디바이스들(facetted field and pupil mirror devices)과 같이, 다양한 다른 구성요소들을 포함할 수도 있다. 일루미네이터는 방사선 빔의 단면에 원하는 균일성 및 세기 분포를 갖기 위해, 방사선 빔을 컨디셔닝하는 데 사용될 수 있다.

방사선 빔(B)은 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 상에 유지되어 있는 패터닝 디바이스(예를 들어, 마스크)(MA) 상에 입사되며, 패터닝 디바이스에 의해 패터닝된다. 패터닝 디바이스(예를 들어, 마스크)(MA)로부터 반사된 후, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 이는 기판(W)의 타겟부(C) 상으로 상기 빔을 포커스한다. 제 2 위치설정기(PW) 및 위치 센서(PS2)(예를 들어, 간섭계 디바이스, 리니어 인코더, 또는 용량성 센서)의 도움으로, 기판 테이블(WT)은 예를 들어 방사선 빔(B)의 경로 내에 상이한 타겟부(C)들을 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정기(PM) 및 또 다른 위치 센서(PS1)는 방사선 빔(B)의 경로에 대해 패터닝 디바이스(예를 들어, 마스크)(MA)를 정확히 위치시키는 데 사용될 수 있다. 패터닝 디바이스(예를 들어, 마스크)(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크들(M1, M2) 및 기판 정렬 마크들(P1, P2)을 이용하여 정렬될 수 있다.

도시된 장치(1000)는 다음 모드들 중 적어도 하나에서 사용될 수 있다:

1. 스텝 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 기본적으로 정지 상태로 유지되는 한편, 방사선 빔에 부여되는 전체 패턴은 한 번에 타겟부(C) 상으로 투영된다[즉, 단일 정적 노광(single static exposure)]. 그 후, 기판 테이블(WT)은 상이한 타겟부(C)가 노광될 수 있도록 X 및/또는 Y 방향으로 시프트된다.

2. 스캔 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT) 및 기판 테이블(WT)은 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안에 동기적으로 스캐닝된다[즉, 단일 동적 노광(single dynamic exposure)]. 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.

3. 또 다른 모드에서, 지지 구조체(예를 들어, 패터닝 디바이스 테이블)(MT)는 프로그램가능한 패터닝 디바이스를 유지하여 기본적으로 정지된 상태로 유지되며, 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안 기판 테이블(WT)이 이동되거나 스캐닝된다. 이 모드에서는, 일반적으로 펄스화된 방사선 소스(pulsed radiation source)가 채택되며, 프로그램가능한 패터닝 디바이스는 기판 테이블(WT)의 매 이동 후, 또는 스캔 중에 계속되는 방사선 펄스 사이사이에 필요에 따라 업데이트된다. 이 작동 모드는 앞서 언급된 바와 같은 타입의 프로그램가능한 거울 어레이와 같은 프로그램가능한 패터닝 디바이스를 이용하는 마스크없는 리소그래피(maskless lithography)에 용이하게 적용될 수 있다.

도 14는 소스 컬렉터 모듈(SO), 조명 시스템(IL), 및 투영 시스템(PS)을 포함하여 상기 장치(1000)를 더 상세히 나타낸다. 소스 컬렉터 모듈(SO)은 소스 컬렉터 모듈(SO)의 포위 구조체(enclosing structure: 220) 내에 진공 환경이 유지될 수 있도록 구성되고 배치된다. EUV 방사선 방출 플라즈마(210)가 방전 생성 플라즈마 소스에 의해 형성될 수 있다. EUV 방사선은 전자기 스펙트럼의 EUV 범위 내의 방사선을 방출하도록 초고온 플라즈마(very hot plasma: 210)가 생성되는 가스 또는 증기, 예를 들어 Xe 가스, Li 증기 또는 Sn 증기에 의해 생성될 수 있다. 초고온 플라즈마(210)는, 예를 들어 적어도 부분적으로 이온화된 플라즈마를 야기하는 전기적 방전에 의해 생성된다. 방사선의 효율적인 발생을 위해, Xe, Li, Sn 증기 또는 여하한의 다른 적절한 가스 또는 증기의, 예를 들어 10 Pa의 분압(partial pressure)이 필요할 수 있다. 일 실시예에서, EUV 방사선을 생성하기 위해 여기된 주석(Sn)의 플라즈마가 제공된다.

초고온 플라즈마(210)에 의해 방출된 방사선은, 소스 챔버(source chamber: 211)의 개구부(opening) 내에 또는 그 뒤에 위치되는 선택적인 가스 방벽 또는 오염물 트랩(contaminant trap: 230)(몇몇 경우에는, 오염물 방벽 또는 포일 트랩이라고도 함)을 통해, 소스 챔버(211)로부터 컬렉터 챔버(collector chamber: 212) 내로 통과된다. 오염물 트랩(230)은 채널 구조체를 포함할 수 있다. 또한, 오염물 트랩(230)은 가스 방벽, 또는 가스 방벽과 채널 구조체의 조합을 포함할 수 있다. 본 명세서에서 더 나타내는 오염물 트랩 또는 오염물 방벽(230)은 적어도 당업계에 알려진 바와 같은 채널 구조체를 포함한다.

컬렉터 챔버(212)는 소위 스침 입사 컬렉터(grazing incidence collector)일 수 있는 방사선 컬렉터(CO)를 포함할 수 있다. 방사선 컬렉터(CO)는 방사선 컬렉터 상류측(upstream radiation collector side: 251) 및 방사선 컬렉터 하류측(downstream radiation collector side: 252)을 갖는다. 컬렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(grating spectral filter: 240)로부터 반사되어, 점선 'O'로 나타낸 광학 축선을 따라 가상 소스점(virtual source point: IF)에 포커스될 수 있다. 가상 소스점(IF)은 통상적으로 중간 포커스라고 칭해지며, 소스 컬렉터 모듈은 중간 포커스(IF)가 포위 구조체(220)에서의 개구부(221)에, 또는 그 부근에 위치되도록 배치된다. 가상 소스점(IF)은 방사선 방출 플라즈마(210)의 이미지이다.

후속하여, 방사선은 조명 시스템(IL)을 가로지르며, 이는 패터닝 디바이스(MA)에서의 방사선 세기의 원하는 균일성뿐 아니라, 패터닝 디바이스(MA)에서의 방사선 빔(21)의 원하는 각도 분포를 제공하도록 배치된 패싯 필드 거울 디바이스(22) 및 패싯 퓨필 거울 디바이스(24)를 포함할 수 있다. 지지 구조체(MT)에 의해 유지되어 있는 패터닝 디바이스(MA)에서의 방사선 빔(21)의 반사 시, 패터닝된 빔(26)이 형성되고, 패터닝된 빔(26)은 투영 시스템(PS)에 의하여 반사 요소들(28, 30)을 통해 기판 테이블(WT)에 의해 유지되어 있는 기판(W) 상으로 이미징된다.

일반적으로, 나타낸 것보다 더 많은 요소가 조명 광학기 유닛(IL) 및 투영 시스템(PS) 내에 존재할 수 있다. 격자 스펙트럼 필터(240)는 리소그래피 장치의 타입에 따라 선택적으로 존재할 수 있다. 또한, 도면들에 나타낸 것보다 더 많은 거울이 존재할 수 있으며, 예를 들어 도 12에 나타낸 것보다 1 내지 6 개의 추가 반사 요소들이 투영 시스템(PS) 내에 존재할 수 있다.

도 12에 예시된 바와 같은 컬렉터 광학기(CO)가 단지 컬렉터(또는 컬렉터 거울)의 일 예시로서, 스침 입사 반사기들(253, 254 및 255)을 갖는 네스티드 컬렉터(nested collector)로서 도시된다. 스침 입사 반사기들(253, 254 및 255)은 광학 축선(O) 주위에 축대칭으로 배치되고, 이 타입의 컬렉터 광학기(CO)는 흔히 DPP 소스라고 하는 방전 생성 플라즈마 소스와 조합하여 사용될 수 있다.

대안적으로, 소스 컬렉터 모듈(SO)은 도 15에 나타낸 바와 같은 LPP 방사선 시스템의 일부분일 수 있다. 레이저(LA)가 크세논(Xe), 주석(Sn) 또는 리튬(Li)과 같은 연료에 레이저 에너지를 축적(deposit)하도록 배치되어, 수십 eV의 전자 온도를 갖는 고이온화 플라즈마(highly ionized plasma: 210)를 생성한다. 이 이온들의 탈-여기(de-excitation) 및 재조합 동안 발생되는 강렬한 방사선(energetic radiation)은 플라즈마로부터 방출되어, 근수직 입사 컬렉터 광학기(near normal incidence collector optic: CO)에 의해 수집되고, 포위 구조체(220)의 개구부(221) 상에 포커스된다.

기계 학습 모델을 학습시키기 위한 학습 데이터의 패턴 세트를 선택할 때, 사용자 입력에 따라 특정 수의 특수 패턴과 특정 수의 대표 패턴이 선택될 수 있다. 예를 들어, 사용자가 선택할 특수 패턴의 수와 대표 패턴의 수를 입력하면 그에 따라 선택 방법이 선택될 수 있다. 그러나 일반적으로 사용자는 어떤 수의 특수 패턴 또는 대표 패턴이 적합한 ML 모델 커버리지를 얻기 위한 최적의 조합인지 알지 못할 수 있다.

본 발명에서, 이미지 기반 패턴 선택 프로세스는 ML 모델 커버리지를 향상시키기 위한 최적의 특수 패턴 수를 자동으로 결정할 수 있다. 예를 들어, 반자동 패턴 선택 프로세스에서, 사용자는 훈련 데이터에 대해 선택될 총 패턴 수("N")를 제공할 수 있고, 패턴 선택 방법은 입력 패턴과 관련된 거리(예를 들어, 최소 거리)에 기초하여 지정된 수의 특수 패턴("O")을 자동으로 선택하고 나머지 입력 패턴에서 선택할 대표 패턴("K")의 수를 선택할 총 패턴 수와 지정된 수의 특수 패턴 선택 수에 따라 결정할 수 있다(예: K=N-O). 다른 예에서, 완전 자동 패턴 선택 프로세스는 입력 패턴과 관련된 거리(예: 최소 거리)에 따라 지정된 수의 패턴(예: 특수 패턴 및 메인 패턴 모두 포함)을 자동으로 선택하는 단계를 포함할 수 있다. 선택될 특수 패턴, 메인 패턴 또는 총 패턴의 수에 관한 사용자 입력은 제공될 필요가 없다.

도 16은 다양한 실시예와 일치하는 반자동 패턴 선택 프로세스를 사용하여 패턴을 선택하기 위한 예시적인 이미지 기반 패턴 선택 시스템(1600)의 블록도이다. 일부 실시예에서, 이미지 기반 패턴 선택 시스템(1600)은 도 4의 이미지 기반 패턴 선택 시스템(400)과 유사하다. 다양한 패턴의 특징 벡터들(505)은 그룹화 컴포넌트(415)에 입력된다. 일부 실시예에서, 특징 벡터들(505)은 기판 상에 인쇄될 패턴들을 대표하며, 이러한 패턴들에 대응하는 패턴 이미지들(503)로부터 생성된다. 그룹화 컴포넌트(415)는 패턴 이미지(503) 내의 하나 이상의 다른 패턴으로부터 패턴의 최소 거리를 결정하고(예를 들어, 적어도 도 4 및 도 7을 참조하여 전술한 바와 같이 이들의 특징 벡터를 비교함으로써), 패턴의 최소 거리에 기초하여 패턴을 범주로 분류한다. 일부 실시예에서, 그룹화 컴포넌트(415)는 패턴들의 최소 거리에 기초하여(예를 들어, 큰 것부터 작은 것까지) 패턴들의 순위를 매김으로써 패턴들을 분류한다. 예를 들어, 도 17a에 도시된 바와 같이, 그룹화 컴포넌트(415)는 순위가 매겨진 패턴(1610)을 저위험 범주(1712), 중간 위험 범주(1710) 또는 고위험 범주(1708)와 같은 범주(1700)로 분류한다. 고위험 범주(1708)는 제1 범위의 최소 거리와 연관된 패턴(예를 들어, 고위험 패턴(1702))을 나타낼 수 있고, 중간 위험 범주(1710)는 제1 범위보다 작은 제2 범위의 최소 거리와 연관된 패턴(예를 들어, 중간 위험 패턴(1704))을 나타낼 수 있으며, 저위험 범주(1712)는 제2 범위보다 작은 제3 범위의 최소 거리와 연관된 패턴(예를 들어, 저위험 패턴(1706))을 나타낼 수 있다. 일부 실시예에서, 고위험 범주(1708)의 패턴들은 중간 위험 범주(1710)의 패턴들보다 서로 더욱 상이하고, 중간 위험 범주(1710)의 패턴들은 저위험 범주(1712)의 패턴들보다 서로 더욱 상이하다. 또한, 고위험 범주(1708)의 패턴이 특수 패턴일 가능성은 중간 위험 범주(1710)의 패턴이 특수 패턴일 가능성보다 높고, 중간 위험 범주(1710)의 패턴이 특수 패턴일 가능성은 저위험 범주(1712)의 패턴이 특수 패턴일 가능성보다 높다.

도 17a의 예는 3개의 범주로 분류된 순위가 매겨진 패턴들(1610)을 예시하고 있지만, 범주의 수는 3개로 제한되지 않으며, 더 많거나 적을 수 있다는 점에 유의한다.

그룹화 컴포넌트(415)는 패턴 예측기(430)를 훈련시키기 위한 훈련 데이터로 사용될 수 있는 패턴 세트(513)에 대한 패턴의 선택에 사용될 수 있는 임계값 최소 거리(1615)를 결정한다. 일부 실시예에서, 임계값 최소 거리(1615)는 하나 이상의 범주의 최소 거리 및 패턴의 개수(예를 들어, 패턴의 개수 또는 수량)의 함수로서 결정된다. 예를 들어, 고위험 범주 및 중간 위험 범주에 패턴이 없는 경우, 임계 최소 거리(1615)는 저위험 범주(1712)에서 가장 큰 최소 거리 및 패턴의 수에서 가장 짧은 최소 거리의 함수로 결정될 수 있다. 다른 예에서, 고위험 범주에 패턴이 없는 경우, 임계값 최소 거리(1615)는 중간 위험 범주(1710)에서 가장 큰 최소 거리 및 패턴의 수에서 가장 짧은 거리의 함수로 결정될 수 있다. 또 다른 예에서, 모든 범주에 패턴이 있는 경우, 임계값 최소 거리(1615)는 고위험 범주(1708)에서 가장 큰 최소 거리 및 패턴의 수에서 가장 짧은 최소 거리의 함수로서 결정될 수 있다. 일부 실시예에서, 임계값 최소 거리(1615)는 통계적 분포 분석을 사용하여 결정될 수 있다. 도 17b는 다양한 실시예와 일치하는 패턴의 최소 거리 및 임계값 최소 거리의 차트(1750)를 도시한다.

일부 실시예에서, 임계값 최소 거리(1615)를 결정하기 위해 고려될 패턴의 개수는 (a) 반자동 패턴 선택 모드의 경우 패턴(513)의 세트에 포함될 패턴(예를 들어, "N")의 총 개수(1630) 및 완전 자동 패턴 선택 모드의 경우 순위가 지정된 패턴(1610)의 총 가용 패턴의 개수에 기초할 수 있다.

패턴 선택기(420)는 임계값 최소 거리(1615) 이상의 최소 거리를 갖는 모든 패턴을 특수 패턴(1625)으로 선택한다. 일반적으로, 고위험 범주(1708)에 패턴이 있는 경우, 임계값 최소 거리(1615)의 값에 관계없이 고위험 범주(1708)의 모든 패턴이 선택된다.

일부 실시예에서, 임계값 최소 거리(1615) 이하의 최소 거리를 갖는 패턴들은 메인 패턴들(509)의 그룹으로 그룹화될 수 있다. 예를 들어, 그룹화 컴포넌트(415)는 도 10에 도시된 바와 같이 메인 패턴들을 클러스터(910-930)로 그룹화한다(예를 들어, K-평균 알고리즘을 사용함). 특수 패턴들(1625)이 선택된 후에, 패턴 선택기(420)는 패턴들(513)의 세트에 포함되도록 선택될 대표 패턴들의 수(예를 들어, 카운트)를 결정한다. 일부 실시예에서, 패턴 선택기(420)는 패턴들(513)의 세트에 포함될 패턴들(1630)의 총 수와 선택된 특수 패턴들(1625)의 수 사이의 차이로서 선택될 대표 패턴들(1635) 수("K")를 결정한다(예를 들어, K=N-O). 패턴 선택기(420)는 메인 패턴(509)의 그룹으로부터 대표 패턴(1640)의 "K" 개수를 선택한다. 예를 들어, 패턴 선택기(420)는 클러스터(910-930)로부터 대표 패턴(1640)으로서 대표 패턴(1012, 1022 및 1032)을 선택한다.

특수 패턴(1625) 및 대표 패턴(1640)은 패턴 세트(513)로서 선택될 수 있다. 선택된 패턴 세트(513)에 대응하는 특징 벡터(505)는 데이터 저장 시스템(425)에 저장될 수 있으며, 패턴 예측기(430)를 훈련시켜 주어진 타겟 패턴에 대해 기판에 인쇄될 패턴을 예측하기 위한 훈련 데이터로 사용될 수 있다.

도 18은 다양한 실시예와 일치하는 완전 자동 패턴 선택 모드를 사용하여 패턴을 선택하기 위한 예시적인 이미지 기반 패턴 선택 시스템(1600)의 블록도이다. 일부 실시예에서, 이미지 기반 패턴 선택 시스템(1800)은 도 16의 이미지 기반 패턴 선택 시스템(1600)과 유사하다. 도 16을 참조하여 전술한 바와 같이, 임계값 최소 거리(1615)는 하나 이상의 범주의 최소 거리 및 패턴의 개수(예를 들어, 패턴의 개수 또는 수량)의 함수로서 결정되며, 완전 자동 패턴 선택 모드의 경우, 고려되는 패턴의 개수는 사용 가능한 패턴의 총 개수, 예를 들어, 순위가 매겨진 패턴(1610)의 패턴 개수를 기초로 할 수 있다.

임계값 최소 거리(1615)를 결정한 후, 그룹화 컴포넌트(415)는 임계값 최소 거리(1615)에 기초하여 순위가 매겨진 패턴들(1610)로부터 복수의 그룹들(1805)로 패턴들을 그룹화한다. 도 19는 다양한 실시예와 일치하는 임계값 최소 거리에 기초하여 형성되는 그룹들(1805)의 예를 도시한다. 그룹들(1805)은 각 그룹이 임계값 최소 거리(1615) 내에서 서로 최소 거리를 갖는 패턴들을 포함하는 복수의 그룹들을 포함할 수 있다. 예를 들어, 제1 그룹(1910)은 서로로부터의 최소 거리가 임계값 최소 거리(1615) 내에 있는 패턴(1902, 1904 및 1906)을 포함한다.

패턴 선택기(420)는 패턴(1810)을 얻기 위해 각 그룹(1805)으로부터 적어도 하나의 패턴을 선택할 수 있으며, 이는 패턴(513)의 세트로 선택될 수 있다. 예를 들어, 패턴 선택기(420)는 제 1 그룹(1910)으로부터 패턴(1902)을 선택할 수 있다. 일부 실시예에서, 패턴(1805)은 그룹화될 수 있고, 패턴(1810)은 선형 프로그래밍 방법을 사용하여 선택될 수 있다. 선택된 패턴 세트(513)에 대응하는 특징 벡터(505)는 데이터 저장 시스템(425)에 저장될 수 있고, 패턴 예측기(430)를 훈련시켜 주어진 타겟 패턴에 대해 기판 상에 인쇄될 패턴을 예측하기 위한 훈련 데이터로 사용될 수 있다.

도 20은 다양한 실시예와 일치하는 패턴의 자동 선택을 위한 예시적인 방법(2000)의 흐름도이다. 일부 실시예에서, 방법(2000)은 도 16 또는 도 18의 시스템(1600 또는 1800)에 의해 구현될 수 있다.

프로세스(2001)에서, 다양한 패턴의 특징 벡터(505)가 획득된다. 일부 실시예에서, 특징 벡터(505)는 기판 상에 인쇄될 패턴을 대표하며, 이러한 패턴에 대응하는 패턴 이미지(503)로부터 생성된다.

프로세스(2002)에서, 패턴은 패턴과 연관된 최소 거리 값에 기초하여 범주(1700)로 분류된다. 일부 실시예에서, 최소 거리는 적어도 도 4 및 도 7을 참조하여 전술한 바와 같이 특징 벡터에 기초하여 결정된다. 범주(1700)는 저위험 범주(1712), 중간 위험 범주(1710), 또는 고위험 범주(1708)와 같은 범주를 포함할 수 있으며, 각 범주는 상이한 범위의 최소 거리와 연관되고 해당 범위에서 최소 거리를 갖는 패턴을 포함한다.

프로세스(P2003)에서, 임계값 최소 거리(1615)가 결정된다. 임계값 최소 거리는 패턴 예측기(430)를 훈련시키기 위한 훈련 데이터로 사용되는 패턴 세트(513)에 대한 패턴의 선택에 사용될 수 있다. 일부 실시예에서, 임계값 최소 거리(1615)는 하나 이상의 범주의 최소 거리 및 패턴의 개수의 함수로서 결정된다[예를 들어, 순위가 매겨진 패턴(1610)의 패턴의 개수 또는 수량 또는 패턴 세트(513)에 포함될 패턴의 수에 기초하여 결정됨].

프로세스(P2004)에서, 패턴(2004)은 임계값 최소 거리(1615)에 기초하여 선택된다. 패턴(2004)의 선택과 관련된 추가적인 세부 사항은 적어도 도 21a 및 도 21b를 참조하여 설명된다.

프로세스(P2005)에서, 선택된 패턴들(2004)은 패턴 예측기(430)를 훈련시키기 위한 훈련 데이터로 사용되는 패턴들(513)의 세트로서 출력된다.

도 21a는 다양한 실시예에 부합하는 반자동 패턴 선택 모드를 사용하여 패턴을 선택하는 예시적인 방법(2100)의 흐름도이다. 일부 실시예에서, 방법(2100)은 도 16의 시스템(1600)에 의해 구현될 수 있고, 도 20의 방법(2000)의 프로세스(P2004)의 일부로서 구현될 수 있다.

프로세스(P2101)에서, 순위가 매겨진 패턴들(1610) 및 임계값 최소 거리(1615)가 얻어진다. 반자동 모드의 경우, 임계값 최소 거리(1615)는 하나 이상의 범주의 최소 거리 및 패턴의 개수(예를 들어, 패턴 세트(513)에 대해 선택될 패턴의 총 개수 또는 수량)의 함수로서 결정될 수 있음에 유의한다.

프로세스(P2102)에서, 특수 패턴(1625)은 임계값 최소 거리에 기초하여 얻어진다. 예를 들어, 패턴 선택기(420)는 최소 거리가 임계값 최소 거리(1615)를 초과하는 모든 패턴을 특수 패턴(1625)으로 선택한다.

프로세스(P2103)에서, 나머지 패턴들, 예를 들어 임계값 최소 거리(1615) 이하인 패턴들은 메인 패턴(509)의 복수의 그룹으로 클러스터링된다. 예를 들어, 그룹화 컴포넌트(415)는 도 10에 도시된 바와 같이 나머지 패턴들을 클러스터(910-930)로 그룹화한다(예를 들어, K-평균 알고리즘을 사용함).

프로세스(P2104)에서, 패턴들(513)의 세트에 포함될 패턴들(N)의 개수가 획득되고(예를 들어, 사용자 입력으로서), 선택될 메인 패턴(509)의 그룹으로부터의 대표 패턴들(1640)의 개수는 패턴들의 개수 및 특수 패턴(1625)의 개수에 기초하여 결정된다. 예를 들어, 패턴 선택기(420)는 선택될 대표 패턴(1635) 수("K")를 패턴(513)의 세트에 포함될 패턴(1630)의 총 수와 선택될 특수 패턴(1625)의 수 사이의 차이로 결정한다(예를 들어, K=N-O). 패턴 선택기(420)는 메인 패턴(509)의 그룹으로부터 대표 패턴(1640)의 "K" 개수를 선택한다. 예를 들어, 패턴 선택기(420)는 클러스터(910-930)로부터 대표 패턴(1012, 1022 및 1032)을 대표 패턴(1640)으로 선택한다. 그런 다음 특수 패턴(1625) 및 대표 패턴(1640)이 패턴 세트(513)에 포함된다.

도 21b는 다양한 실시예에 부합하는 완전 자동 패턴 선택 모드를 사용하여 패턴을 선택하는 예시적인 방법(2150)의 흐름도이다. 일부 실시예에서, 방법(2150)은 도 18의 시스템(1800)에 의해 구현될 수 있고, 도 20의 방법(2000)의 프로세스(P2004)의 일부로서 구현될 수 있다.

프로세스(P2110)에서, 순위가 매겨진 패턴들(1610) 및 임계값 최소 거리(1615)가 얻어진다. 완전 자동 모드의 경우, 임계값 최소 거리(1615)는 하나 이상의 범주의 최소 거리 및 패턴의 개수(예를 들어, 순위가 매겨진 패턴(1610)에서 이용 가능한 패턴의 총 개수 또는 수량)의 함수로서 결정될 수 있음에 유의한다.

프로세스(P2111)에서, 순위가 매겨진 패턴들(1610)의 패턴들은 임계값 최소 거리(1615)에 기초하여 다수의 그룹들(1805)로 그룹화된다. 각 그룹은 임계값 최소 거리(1615) 내에서 서로 최소 거리를 갖는 패턴들을 포함한다. 예를 들어, 도 19에 도시된 바와 같이, 제1 그룹(1910)은 서로로부터의 최소 거리가 임계값 최소 거리(1615) 내에 있는 패턴(1902, 1904 및 1906)을 포함한다.

프로세스(P2112)에서, 패턴(1810)을 얻기 위해 각 그룹(1805)으로부터 적어도 하나의 패턴이 선택되며, 이는 패턴(513)의 세트로 선택될 수 있다. 예를 들어, 패턴 선택기(420)는 제1 그룹(1910)으로부터 패턴(1902)을 선택할 수 있다. 일부 실시예에서, 패턴(1805)은 그룹화될 수 있고, 패턴(1810)은 선형 프로그래밍 방법을 사용하여 선택될 수 있다.

본 발명에 따르면, 개시된 요소들의 조합 및 하위 조합은 별도의 실시예를 구성한다. 예를 들어, 제1 조합은 기판 상에 인쇄될 패턴을 예측하기 위해 ML 모델[예를 들어, 예측기(450)]을 훈련시키기 위한 훈련 데이터를 선택하는 방법을 포함한다. 하위 조합에서, 실시예들은 ML 모델의 모델 커버리지 및 기판에 인쇄될 패턴을 예측하는 정확도를 개선하는 방법을 포함할 수 있다. 제2 조합은 반자동 패턴 선택 모드를 사용하여 훈련 데이터용 패턴을 선택하는 방법을 포함할 수 있다. 제3 조합은 완전 자동 패턴 선택 모드를 사용하여 훈련 데이터용 패턴을 선택하는 방법을 포함할 수 있다.

본 명세서에서는, IC의 제조에 대하여 특히 언급되지만, 본 명세서의 기재내용은 다수의 다른 가능한 적용예들을 갖는다는 것을 명확히 이해하여야 한다. 예를 들어, 이는 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 액정 디스플레이 패널, 박막 자기 헤드 등의 제조 시에 채택될 수 있다. 당업자라면, 이러한 대안적인 적용예와 관련하여, 본 명세서의 "레티클", "웨이퍼" 또는 "다이"라는 용어의 어떠한 사용도 각각 "마스크", "기판" 및 "타겟부"라는 좀 더 일반적인 용어와 교환가능한 것으로 간주되어야 함을 이해할 것이다.

본 명세서에서, "방사선" 및 "빔"이라는 용어는 (예를 들어, 365, 248, 193, 157 또는 126 nm의 파장을 갖는) 자외 방사선 및 EUV(예를 들어, 약 5 내지 100 nm 범위 내의 파장을 갖는 극자외 방사선)를 포함하는 모든 타입들의 전자기 방사선을 포괄하는 데 사용된다.

본 명세서에 개시된 개념들은 서브 파장 피처들을 이미징하는 여하한의 일반적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있으며, 특히 점점 더 짧은 파장들을 생성할 수 있는 신흥 이미징 기술들로 유용할 수 있다. 이미 사용중인 신흥 기술들로는 ArF 레이저를 사용하여 193 nm의 파장을 생성하고, 심지어 플루오린 레이저를 사용하여 157 nm의 파장도 생성할 수 있는 EUV(극자외), DUV 리소그래피를 포함한다. 또한, EUV 리소그래피가 이 범위 내의 광자들을 생성하기 위해 고에너지 전자로 재료(고체 또는 플라즈마)를 가격(hit)하거나, 싱크로트론(synchrotron)을 이용함으로써 20 내지 5 nm 범위 내의 파장들을 생성할 수 있다.

본 개시의 실시예는 다음 항에 의해 더욱 상세히 설명될 수 있다.

1. 컴퓨터에 의해 실행될 때, 컴퓨터가 기판 상에 인쇄될 패턴을 예측하도록 구성된 모델을 훈련시키기 위한 패턴을 선택하는 방법을 실행하도록 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체로서, 상기 방법은;

다수의 패턴 - 상기 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계;

이미지를 특수 패턴의 그룹과 메인 패턴의 복수의 그룹으로 그룹화하는 단계; 및

모델을 훈련시키기 위한 훈련 데이터로서 이미지에 기초한 패턴 세트 - 상기 패턴 세트는 특수 패턴 그룹 및 각 메인 패턴 그룹으로부터의 대표 메인 패턴을 포함함 - 를 출력하는 단계를 포함하는, 방법.

2. 제 1 항에 있어서, 상기 이미지를 그룹화하는 단계는, 특수 패턴 그룹 및 다수의 메인 패턴 그룹을 식별하기 위해 서로 다른 클러스터링 알고리즘을 사용하는 것을 포함하는, 컴퓨터 판독 가능 매체.

3. 제 1 항에 있어서, 상기 이미지를 그룹화하는 단계는, 이미지의 특징 벡터를 생성하며, 각 특징 벡터는 대응하는 이미지를 나타내는, 컴퓨터 판독 가능 매체.

4. 제 3 항에 있어서, 이미지를 특수 패턴의 그룹으로 그룹화하는 단계는,

특징 벡터들 중 임의의 다른 특징 벡터로부터 각 특징 벡터의 최소 거리를 결정하는 단계; 및

특정 임계값 이상의 최소 거리를 갖는 특징 벡터의 특징 벡터를 특수 패턴 그룹으로 식별하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

5. 제 3 항에 있어서, 다수의 메인 패턴 그룹을 생성하는 단계는,

특수 패턴 그룹에 속하지 않는 특징 벡터들을 메인 패턴에 대응하는 특징 벡터의 세트로 결정하는 단계; 및

특징 벡터 세트를 다수의 메인 패턴 그룹으로 클러스터링하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

6. 제 5 항에 있어서, 각 메인 패턴 그룹에 대해 대응하는 메인 패턴 그룹의 중심점을 결정하는 단계; 및

각 메인 패턴 그룹에 대해 중심점에 가장 가까운 특징 벡터를 해당 메인 패턴 그룹의 대표 메인 패턴으로 결정하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

7. 제 1 항에 있어서, 패턴 세트에 해당하는 이미지를 사용하여 모델을 훈련하여 기판에 인쇄할 시뮬레이션 패턴을 생성하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

8. 제 7 항에 있어서, 모델을 사용하여 주어진 타겟 패턴에 대한 마스크 패턴을 생성하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

9. 제 8 항에 있어서, 다중 패턴의 이미지를 획득하는 단계는,

다수의 패턴의 패턴 데이터에 기초하여 생성된 다수의 패턴의 마스크 이미지, 에어리얼 이미지, 레지스트 이미지 또는 에칭 이미지 중 적어도 하나를 획득하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

10. 제 9 항에 있어서, 패턴 데이터는 풀-칩 레이아웃 데이터, 풀-칩 레이아웃에서 다수의 패턴의 위치 데이터 또는 포커스 노광 매트릭스 데이터 중 적어도 하나를 포함하는, 컴퓨터 판독 가능 매체.

11. 제 1 항에 있어서, 패턴 세트를 출력하는 단계는,

임의의 상이한 패턴으로부터 각 패턴의 최소 거리를 결정하는 단계; 및

패턴의 최소 거리 분포를 기반으로 패턴을 하나 이상의 범주로 분류하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

12. 제 11 항에 있어서, 특수 패턴은: 제1 범위에서 최소 거리를 갖는 특수 패턴을 대표하는 고위험 범주,

제2 범위에서 최소 거리를 갖는 특수 패턴을 대표하는 중간 위험 범주, 및

제3 범위에서 최소 거리를 갖는 특수 패턴을 대표하는 저위험 범주 중 하나 이상으로 분류되는, 컴퓨터 판독 가능 매체.

13. 제 12 항에 있어서, 제1 범위는 제2 범위보다 크고, 제2 범위는 제3 범위보다 큰, 컴퓨터 판독 가능 매체.

14. 제 12 항에 있어서, 패턴을 분류하는 단계는, 하나 이상의 범주에서 가장 큰 최소 거리의 함수로서 임계값 최소 거리를 결정하는 단계를 포함하고, 임계값 최소 거리는 패턴 세트에 포함될 패턴의 선택에 사용되는, 컴퓨터 판독 가능 매체.

15. 제 14 항에 있어서, 임계값 최소 거리 - 임계값 최소 거리는 패턴 세트에 포함될 총 수의 패턴들 중 최단 최소 거리의 함수로서 더 결정됨 - 에 기초하여 패턴 세트에 포함될 특정 수의 특수 패턴을 선택하는 단계; 및

지정된 수의 특수 패턴을 갖는 패턴 세트를 출력하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

16. 제 15 항에 있어서, 특정 수의 특수 패턴을 선택하는 단계는,

하나 이상의 범주에서 임계값 최소 거리 이상의 최소 거리를 갖는 특수 패턴을 선택하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

17. 제 15 항에 있어서, 특정 수의 특수 패턴을 선택하는 단계는,

고위험 범주에 임계값 최소 거리를 초과하는 특수 패턴 이외의 특수 패턴이 포함된다는 결정에 기초하여 고위험 범주로부터 모든 특수 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

18. 제 15 항에 있어서, 지정된 수의 특수 패턴을 선택하는 단계는:

중간 위험 범주 및 고위험 범주에 특수 패턴이 없다는 판단에 기초하여 저위험 범주에서 모든 특수 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

19. 제 18 항에 있어서, 임계값 최소 거리 - 임계값 최소 거리는 저위험 범주에서 가장 큰 최소 거리의 함수로 결정됨 - 를 초과하는 최소 거리를 갖는 저위험 범주의 특수 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

20. 제 15 항에 있어서, 지정된 수의 특수 패턴을 선택하는 단계는:

고위험 범주에 특수 패턴이 없다는 판단에 기초하여 중간 위험 범주 및 저위험 범주에서 특수 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

21. 제 20 항에 있어서, 임계값 최소 거리를 초과하는 최소 거리를 갖는 저위험 범주 및 중간 위험 범주의 특수 패턴이 선택되고, 임계값 최소 거리는 중간 위험 범주에서 가장 큰 최소 거리의 함수로 결정되는, 컴퓨터 판독 가능 매체.

22. 제 15 항에 있어서, 패턴 세트를 출력하는 단계는:

지정된 수의 특수 패턴 및 패턴 세트에 포함될 패턴의 총 수의 함수로서 패턴 세트에 포함될 대표 메인 패턴의 수를 결정하는 단계; 및

대표 메인 패턴의 개수로 패턴 세트를 출력하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

23. 제 14 항에 있어서, 패턴의 총 개수 중 최단 최소 거리에 기초하여 임계값 최소 거리를 더 결정하는 단계;

임계값 최소 거리에 기초하여 패턴들을 복수의 컬렉션 - 각 컬렉션은 각각 컬렉션 내의 다른 패턴으로부터 임계값 최소 거리보다 작은 최소 거리를 갖는 하나 이상의 패턴을 포함함 - 으로 그룹화하는 단계;

패턴 세트에 포함될 각 컬렉션으로부터 적어도 하나의 패턴을 선택하는 단계; 및

각 컬렉션으로부터 적어도 하나의 패턴을 포함하는 패턴 세트를 출력하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

24. 컴퓨터에 의해 실행될 때, 컴퓨터가 패턴 선택 방법을 실행하도록 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체로서, 상기 방법은:

다수의 패턴 - 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계; 및

제1 모델을 훈련시키기 위한 훈련 데이터로서, 이미지에 기초하여 다수의 패턴으로부터 패턴 세트를 선택하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.

25. 제 24 항에 있어서, 패턴 세트를 선택하는 단계는, 상이한 클러스터링 알고리즘을 사용하여 다수의 패턴을 메인 패턴 및 특수 패턴으로 그룹화하는 것을 포함하는, 컴퓨터 판독 가능 매체.

26. 제 24 항에 있어서, 패턴 세트를 선택하는 단계는:

이미지의 특징 벡터 - 각 특징 벡터는 대응하는 이미지를 대표함 - 를 생성하는 단계;

특징 벡터에 기초하여 다수의 패턴들을 다수의 그룹으로 그룹화하는 단계; 및

다수의 그룹으로부터 패턴 세트를 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

27. 제 26 항에 있어서, 다수의 패턴을 그룹화하는 단계는:

다수의 패턴으로부터 특수 패턴 그룹 및 복수의 메인 패턴 그룹을 생성하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

28. 제 27 항에 있어서, 특수 패턴의 그룹을 생성하는 단계는:

특징 벡터들 사이의 거리 - 특징 벡터들의 두 특징 벡터 사이의 거리는 대응하는 두 이미지에서 두 패턴 사이의 차이를 나타냄 - 에 기초하여 다수의 패턴들을 그룹화하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

29. 제 28 항에 있어서, 거리에 기초하여 다수의 패턴을 그룹화하는 단계는:

특징 벡터들 중 임의의 다른 특징 벡터로부터 각각의 특징 벡터들의 최소 거리를 결정하는 단계; 및

특징 벡터들 중 최소 거리가 지정된 임계값 이상인 특징 벡터들을 특수 패턴의 그룹으로 식별하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

30. 제 27 항에 있어서, 특수 패턴의 그룹을 생성하는 단계는:

특징 벡터의 세트를 이상값으로 식별하기 위해 밀도 기반 공간 클러스터링에 기초하여 특징 벡터를 클러스터링하는 단계; 및

특징 벡터의 세트에 대응하는 이미지의 패턴을 특수 패턴의 그룹으로 결정하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

31. 제 27 항에 있어서, 주요 패턴의 복수의 그룹을 생성하는 단계는:

특수 패턴의 그룹에 속하지 않는 특징 벡터들을 메인 패턴에 대응하는 특징 벡터들의 세트로 결정하는 단계; 및

특징 벡터의 세트를 메인 패턴의 복수의 그룹으로 클러스터링하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

32. 제 31 항에 있어서, 클러스터링은 K-평균 클러스터링을 사용하여 수행되는, 컴퓨터 판독 가능 매체.

33. 제 27 항에 있어서, 다수의 그룹으로부터 패턴의 세트를 선택하는 단계는, 특수 패턴 그룹 및 각 메인 패턴 그룹으로부터 대표 메인 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

34. 제 33 항에 있어서, 각 메인 패턴 그룹으로부터 대표 메인 패턴을 선택하는 단계는:

각 메인 패턴 그룹에 대해, 대응하는 메인 패턴 그룹의 중심점을 결정하는 단계; 및

각 메인 패턴 그룹에 대해, 대응하는 메인 패턴 그룹의 대표 메인 패턴으로서 중심점에 가장 가까운 특징 벡터를 결정하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

35. 제 33 항에 있어서, 특수 패턴 그룹 및 대표 메인 패턴에 대응하는 이미지를 사용하여 제1 기계 학습 모델을 훈련시켜 기판 상에 인쇄될 시뮬레이션 패턴을 생성하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

36. 제 35 항에 있어서, 제 1 모델을 사용하여, 주어진 타겟 패턴에 대한 마스크 패턴을 생성하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

37. 제 36 항에 있어서, 마스크 패턴을 사용하여 패터닝 공정을 통해 기판 상에 주어진 타겟 패턴에 대응하는 패턴을 인쇄하는 패터닝 단계를 수행하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

38. 제 26 항에 있어서, 특징 벡터를 생성하는 단계는, 이미지로부터 획득된 인코딩 정보에 기초하여 이미지의 특징 벡터를 생성하는 단계를 더 포함하는, 컴퓨터 판독 가능 매체.

39. 제 38 항에 있어서, 인코딩 정보는 이미지의 패턴과 관련된 기하학적 정보, 레지스트 신호, 또는 기판 상에 패턴을 인쇄하기 위해 사용되는 리소그래피 장치와 관련된 광학 정보 중 적어도 하나를 포함하는, 컴퓨터 판독 가능 매체.

40. 제 26 항에 있어서, 특징 벡터를 생성하는 단계는:

패턴 이미지 세트에 대한 예측된 특징 벡터 세트를 생성하는 비용 함수가 감소되도록 패턴 이미지 세트를 갖는 제2 모델을 훈련시키는 단계를 포함하는, 컴퓨터 판독 가능 매체.

41. 제 40 항에 있어서, 제2 모델 훈련은:

패턴 이미지 세트를 사용하여, 패턴 이미지 세트의 제1 패턴 이미지에 대한 예측된 특징 벡터를 출력하기 위해 제2 모델을 실행하는 단계;

예측된 특징 벡터로부터 예측된 패턴 이미지를 생성하는 단계;

제1 패턴 이미지와 예측된 패턴 이미지 사이의 차이로서 비용 함수를 계산하는 단계; 및

비용 함수를 줄이기 위해 제 2 모델의 매개변수를 조정하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

42. 제 40 항에 있어서, 비용 함수는 최소화되는, 컴퓨터 판독 가능 매체.

43. 제 34 항에 있어서, 다수의 패턴의 이미지를 획득하는 단계는:

다수의 패턴의 패턴 데이터 - 패턴 데이터는 풀-칩 레이아웃 데이터, 풀-칩 레이아웃에서 다수의 패턴의 위치 데이터, 또는 초점 노출 매트릭스 데이터 중 적어도 하나를 포함함 - 를 획득하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

44. 제 43 항에 있어서, 다수의 패턴의 이미지를 획득하는 단계는:

패턴 데이터를 사용하여, 리소그래피 장치의 광학적 특성을 나타내는 소스 모델로부터 다수의 패턴의 마스크 이미지, 에어리얼 이미지, 또는 레지스트 이미지를 생성하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

45. 제 44 항에 있어서, 다수의 패턴의 이미지를 획득하는 단계는:

패턴 데이터를 사용하여, 레지스트 모델을 사용하여 에어리얼 이미지로부터 다수의 패턴의 레지스트 이미지를 생성하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

46. 패턴 선택 방법으로서, 상기 방법은:

하드웨어 컴퓨터 시스템에 의해, 다수의 패턴 - 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계; 및

하드웨어 컴퓨터 시스템에 의해, 기판에 인쇄될 패턴을 예측하기 위한 모델을 훈련하기 위한 훈련 데이터로서, 이미지에 기초한 다수의 패턴으로부터 패턴 세트를 선택하는 단계를 포함하는, 방법.

47. 컴퓨터에 의해 실행될 때, 컴퓨터가 기판에 인쇄될 패턴을 예측하기 위한 모델을 훈련시키기 위한 패턴을 선택하기 위한 방법을 실행하도록 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체로서, 상기 방법은:

다수의 패턴 - 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계;

이미지를 특수 패턴의 그룹과 메인 패턴의 복수의 그룹으로 그룹화하는 단계 - 이미지는 다수의 패턴 각각 사이의 최소 거리에 기초하여 특수 패턴의 그룹으로 그룹화됨 - ;

패턴 세트- 패턴 세트는 모델 학습을 위한 학습 데이터로 사용됨 - 에 포함될 패턴의 총 수를 구하는 단계;

최소 거리 및 패턴 세트에 포함될 패턴의 총 수의 함수로서 패턴 세트에 포함될 소정의 수의 특수 패턴을 결정하는 단계; 및

패턴 세트 - 패턴 세트는 지정된 수의 특수 패턴 및 적어도 하나의 메인 패턴 그룹으로부터의 대표 메인 패턴을 포함함 - 를 출력하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

48. 제 47 항에 있어서, 패턴 세트를 출력하는 단계는:

지정된 수의 특수 패턴 및 총 패턴 수의 함수로서 패턴 세트에 포함될 대표 메인 패턴의 수를 결정하는 단계; 및

대표 메인 패턴의 수를 갖는 패턴 세트를 출력하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

49. 컴퓨터에 의해 실행될 때, 컴퓨터가 기판에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하기 위한 방법을 실행하도록 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체로서, 상기 방법은:

다수의 패턴 - 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계;

다수의 패턴들 각각 사이의 최소 거리를 구하는 단계;

패턴 세트 - 패턴 세트는 모델 학습을 위한 학습 데이터로 사용됨 - 에 포함될 지정된 수의 패턴을 선택하기 위한 임계값 최소 거리를 결정하는 단계;

임계값 최소 거리에 기초하여 패턴을 복수의 컬렉션으로 그룹화하는 단계 - 컬렉션은 각각 컬렉션 내의 다른 패턴으로부터 임계값 최소 거리보다 작은 최소 거리를 갖는 하나 이상의 패턴을 포함함 -;

패턴 세트에 포함될 각 컬렉션에서 적어도 하나의 패턴을 선택하는 단계; 및

패턴 세트를 출력하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

50. 제 49 항에 있어서, 임계값 최소 거리는 최소 거리 중 가장 큰 최소 거리와 가장 짧은 최소 거리의 함수로서 결정되는, 컴퓨터 판독 가능 매체.

51. 컴퓨터에 의해 실행될 때, 컴퓨터가 기판에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하기 위한 방법을 실행하게 하는 명령어를 갖는 비일시적 컴퓨터 판독 가능 매체로서, 상기 방법은:

다수의 패턴 - 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계;

다수의 패턴 각각 사이의 최소 거리를 구하는 단계;

최소 거리들 중 가장 큰 최소 거리의 함수로서 임계값 최소 거리를 결정하는 단계;

임계값 최소 거리에 기초하여 지정된 수의 패턴을 선택하는 단계; 및

지정된 수의 패턴을 포함하는 패턴 세트 - 패턴 세트는 모델 학습을 위한 학습 데이터로 사용됨 - 을 출력하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

52. 제 51 항에 있어서, 지정된 수의 패턴을 선택하는 단계는:

임계값 최소 거리에 기초하여 패턴들을 복수의 컬렉션으로 그룹화하는 단계 - 각 컬렉션은 각각 컬렉션 내의 다른 패턴으로부터 임계값 최소 거리보다 작은 최소 거리를 갖는 하나 이상의 패턴을 포함함 - 단계; 및

각 컬렉션에서 패턴 세트에 포함될 적어도 하나의 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

53. 제 51 항에 있어서, 지정된 수의 패턴을 선택하는 단계는:

이미지를 특수 패턴의 그룹 및 다수의 메인 패턴의 그룹으로 그룹화하는 단계; 및

최소 거리를 기준으로 패턴 세트에 포함될 메인 패턴 그룹으로부터 지정된 수의 특수 패턴 및 대표 메인 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

54. 제 53 항에 있어서, 지정된 수의 특수 패턴을 선택하는 단계는:

최소 거리의 분포에 기초하여 패턴을 하나 이상의 범주로 분류하는 단계; 및

하나 이상의 범주로부터 지정된 수의 특수 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

55. 제 54 항에 있어서, 특수 패턴의 지정된 개수를 선택하는 단계는:

하나 이상의 범주에서 가장 큰 최소 거리와 패턴 세트에 포함될 패턴의 총 수 중에서 가장 짧은 최소 거리의 함수로서 임계값 최소 거리를 결정하는 단계; 및

하나 이상의 범주에서 임계값 최소 거리를 초과하는 최소 거리를 갖는 특수 패턴을 선택하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

56. 제 53 항에 있어서, 특수 패턴의 개수를 선택하는 단계는:

패턴 세트에 포함될 패턴의 총 개수를 구하는 단계;

지정된 수의 특수 패턴 및 패턴 세트에 포함될 패턴의 총 수의 함수로서 패턴 세트에 포함될 대표 메인 패턴의 수를 결정하는 단계; 및

대표 메인 패턴의 수를 갖는 패턴 세트를 출력하는 단계를 포함하는, 컴퓨터 판독 가능 매체.

57. 기판 상에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법으로서, 상기 방법은:

다수의 패턴 - 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계;

이미지를 특수 패턴 그룹과 메인 패턴의 복수의 그룹으로 그룹화하는 단계 - 이미지는 다수의 패턴들 각각 사이의 최소 거리에 기초하여 특수 패턴 그룹으로 그룹화됨 - ;

패턴 세트 - 패턴 세트는 모델 학습을 위한 학습 데이터로 사용됨 - 에 포함될 패턴의 총 수를 구하는 단계;

최소 거리 및 패턴 세트에 포함될 패턴의 총 수의 함수로서 패턴 세트에 포함될 소정의 수의 특수 패턴을 결정하는 단계; 및

패턴 세트 - 패턴 세트는 지정된 수의 특수 패턴 및 적어도 하나의 메인 패턴 그룹으로부터의 대표 메인 패턴을 포함함 - 을 출력하는 단계를 포함하는, 방법.

58. 기판 상에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법으로서, 상기 방법은:

다수의 패턴 - 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계;

다수의 패턴들 각각 사이의 최소 거리를 구하는 단계;

패턴 세트 - 패턴 세트는 모델 학습을 위한 학습 데이터로 사용됨 - 에 포함될 지정된 수의 패턴을 선택하기 위한 임계값 최소 거리를 결정하는 단계;

임계값 최소 거리에 기초하여 패턴을 복수의 컬렉션으로 그룹화하는 단계 - 컬렉션은 각각 컬렉션 내의 다른 패턴으로부터 임계값 최소 거리보다 작은 최소 거리를 갖는 하나 이상의 패턴을 포함함 -;

패턴 세트에 포함될 각 컬렉션에서 적어도 하나의 패턴을 선택하는 단계; 및

패턴 세트를 출력하는 단계를 포함하는, 방법.

59. 기판 상에 인쇄될 패턴을 예측하기 위해 모델을 훈련시키기 위한 패턴을 선택하는 방법으로서, 상기 방법은:

다수의 패턴 - 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계;

다수의 패턴들 각각 사이의 최소 거리를 구하는 단계;

최소 거리들 중 가장 큰 최소 거리의 함수로서 임계값 최소 거리를 결정하는 단계;

임계값 최소 거리에 기초하여 지정된 수의 패턴을 선택하는 단계; 및

지정된 수의 패턴을 포함하는 패턴 세트 - 패턴 세트는 모델 학습을 위한 학습 데이터로 사용됨 - 을 출력하는 단계를 포함하는, 방법.

60. 제 1 항 내지 제 23 항 중 어느 한 항에 있어서, 모델은 기계 학습 모델 또는 비기계 학습 모델인, 컴퓨터 판독 가능 매체.

61. 제 24 항 내지 제 45 항 중 어느 한 항에 있어서, 제1 모델은 기계 학습 모델 또는 비기계 학습 모델인, 컴퓨터 판독 가능 매체.

62. 제 24 항 내지 제 45 항 중 어느 한 항에 있어서, 제2 모델은 기계 학습 모델인, 컴퓨터 판독 가능 매체.

63. 제 1 항 내지 제 23 항 및 제 51 항 내지 제 56 항 중 어느 한 항에 있어서, 모델은 레지스트 모델, 에칭 모델 또는 이들의 조합인, 컴퓨터 판독 가능 매체.

64. 제 24 항 내지 제 45 항 중 어느 한 항에 있어서, 제1 모델은 레지스트 모델, 에칭 모델 또는 이들의 조합인, 컴퓨터 판독 가능 매체.

65. 제 46 항 내지 제 49 항, 제 51 항, 제 57 항 내지 제 58 항 중 어느 한 항에 있어서, 모델은 레지스트 모델, 에칭 모델 또는 이들의 조합인, 방법.

본 명세서에 개시된 개념은 실리콘 웨이퍼와 같은 기판 상의 이미징에 사용될 수 있지만, 개시된 개념은 모든 유형의 리소그래피 이미징 시스템, 예를 들어 실리콘 웨이퍼 이외의 기판 상의 이미징에 사용되는 것과 함께 사용될 수 있는 것으로 이해되어야 한다.

본원에 사용된 용어 "최적화"는 결과 및/또는 프로세스가 기판에 대한 설계 패턴의 더 높은 정확도, 더 큰 공정 윈도우 등과 같은 보다 바람직한 특성을 갖도록 패터닝 디바이스(예: 리소그래피 장치), 패터닝 공정 등을 조정하는 것을 지칭하거나 의미한다. 따라서, 본원에 사용된 용어 "최적화"는 적어도 하나의 관련 메트릭에서 해당 하나 이상의 매개변수에 대한 하나 이상의 값의 초기 세트와 비교한 로컬 최적화와 같은 개선을 제공하는 하나 이상의 매개변수에 대한 하나 이상의 값을 식별하는 프로세스를 지칭하거나 의미한다. "최적화" 및 기타 관련 용어는 그에 따라 해석되어야 한다. 일 실시예에서, 최적화 단계는 하나 이상의 메트릭에서 추가 개선을 제공하기 위해 반복적으로 적용될 수 있다.

본 발명의 양태는 임의의 편리한 형태로 구현될 수 있다. 예를 들어, 실시예는 유형의 캐리어 매체(예: 디스크) 또는 무형의 캐리어 매체(예: 통신 신호)일 수 있는 적절한 캐리어 매체에서 수행될 수 있는 하나 이상의 적절한 컴퓨터 프로그램에 의해 구현될 수 있다. 본 발명의 실시예는 본원에 설명된 방법을 구현하도록 구성된 컴퓨터 프로그램을 실행하는 프로그램 가능한 컴퓨터의 형태를 구체적으로 취할 수 있는 적절한 장치를 사용하여 구현될 수 있다. 따라서, 본 발명의 실시예는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 임의의 조합으로 구현될 수 있다. 본 발명의 실시예는 또한 하나 이상의 프로세서에 의해 판독 및 실행될 수 있는 기계 판독 가능 매체에 저장된 명령어로서 구현될 수 있다. 기계 판독 가능 매체는 기계(예를 들어, 컴퓨팅 디바이스)에 의해 판독 가능한 형태로 정보를 저장하거나 전송하기 위한 임의의 메커니즘을 포함할 수 있다. 예를 들어, 기계 판독 가능 매체는 ROM(Read Only Memory); 랜덤 액세스 메모리(RAM); 자기 디스크 저장 매체; 광 저장 매체; 플래시 메모리 장치; 전기, 광학, 음향 또는 기타 형태의 전파 신호(예: 반송파, 적외선 신호, 디지털 신호 등) 및 기타를 포함할 수 있다. 또한, 펌웨어, 소프트웨어, 루틴, 명령어는 특정 동작을 수행하는 것으로 본원에서 설명될 수 있다. 그러나 그러한 설명은 단지 편의를 위한 것이며 그러한 동작은 실제로 컴퓨팅 장치, 프로세서, 컨트롤러 또는 펌웨어, 소프트웨어, 루틴, 명령어 등을 실행하는 기타 장치에서 비롯된다는 점을 이해해야 한다.

블록도에서, 예시된 구성요소는 별개의 기능 블록으로 묘사되지만, 실시예는 여기에 설명된 기능이 예시된 바와 같이 구성되는 시스템으로 제한되지 않는다. 구성요소 각각에 의해 제공되는 기능은 현재 도시된 것과 다르게 구성되는 소프트웨어 또는 하드웨어 모듈에 의해 제공될 수 있고, 예를 들어, 이러한 소프트웨어 또는 하드웨어는 혼합, 결합, 복제, 분해, 분산(데이터 센터 내에서 또는 지리적으로) 또는 다르게 구성될 수 있다. 본원에서 설명된 기능은 유형의 비일시적 기계 판독 가능 매체에 저장된 코드를 실행하는 하나 이상의 컴퓨터의 하나 이상의 프로세서에 의해 제공될 수 있다. 일부 경우에는 제3자 콘텐츠 전달 네트워크가 네트워크를 통해 전달되는 정보의 일부 또는 전부를 호스팅할 수 있다. 이 경우 정보(예: 콘텐츠)가 제공되거나 제공되는 범위 내에서 정보는 콘텐츠 전송 네트워크에서 해당 정보를 검색하는 지침을 통해 제공될 수 있다.

달리 구체적으로 언급되지 않는 한, 논의로부터 명백한 바와 같이, "처리", "계산", "계산", "결정하는" 등과 같은 용어를 사용하는 본 명세서 전반에 걸쳐 논의는 특수 목적 컴퓨터 또는 유사한 특수 목적 전자 처리/컴퓨팅 장치와 같은 특정 장치의 작동 또는 프로세스임을 이해할 것이다.

본 출원은 다양한 발명을 설명한다는 것을 이해해야 한다. 이러한 발명을 여러 개의 분리된 특허 출원으로 분리하는 대신, 이러한 발명은 관련 주제가 적용 과정에 경제적으로 도움이 되기 때문에 단일 문서로 그룹화되었다. 그러나 그러한 발명의 명백한 장점과 양태를 혼동해서는 안 된다. 일부 경우에 실시예는 본원에 언급된 모든 결점을 해결하지만, 본 발명은 독립적으로 유용하며 일부 실시예는 이러한 문제의 하위 집합만을 해결하거나 본 발명을 검토할 당업자에게 명백할 언급되지 않은 다른 이점을 제공한다는 것을 이해해야 한다. 비용 제약으로 인해 본원에 공개된 일부 발명은 현재 청구되지 않을 수 있으며 계속출원 또는 본 발명의 청구범위 수정과 같이 이후 출원에서 청구될 수 있다. 유사하게, 공간의 제약으로 인해, 본 문서의 요약이나 발명의 설명은 그러한 모든 발명 또는 그러한 발명의 모든 양태의 포괄적인 목록을 포함하는 것으로 간주되어서는 안 된다.

설명 및 도면은 본 발명을 개시된 특정 형태로 제한하도록 의도된 것이 아니라, 반대로 첨부된 청구범위에 의해 정의된 발명 범위 및 사상 내에 속하는 모든 수정, 균등물 및 대안을 포괄하는 것임을 이해해야 한다.

본 발명의 다양한 양태의 수정 및 대안적인 실시예는 발명의 설명을 고려하여 당업자에게 명백할 것이다. 따라서, 이러한 설명 및 도면은 단지 예시적인 것으로 해석되어야 하며 본 발명을 수행하는 일반적인 방식을 당업자에게 알릴 목적을 위한 것이다. 본원에 도시되고 설명된 본 발명의 형태는 실시예의 예로서 취해지는 것으로 이해되어야 한다. 요소 및 재료는 본 명세서에 예시 및 설명된 것으로 대체될 수 있고, 부품 및 프로세스는 역전되거나 생략될 수 있으며, 특정 특징은 독립적으로 활용될 수 있고, 실시예 또는 실시예의 특징은 조합될 수 있으며, 이는 모두 당업자에게 명백할 것이다. 이 설명의 이점을 얻은 후. 다음의 청구범위에 기술된 바와 같은 본 발명의 사상 및 범위를 벗어나지 않고 본원의 기술된 요소에 변경이 이루어질 수 있다. 본원에 사용된 제목은 구성 목적으로만 사용되며 설명의 범위를 제한하는 데 사용되지 않는다.

본 출원 전반에 걸쳐 사용된 바와 같이, "~할 수 있다"라는 단어는 의무적 의미(즉, 해야 함을 의미)가 아니라 허용적 의미(즉, 잠재적인 의미)로 사용된다. "포함하는" 및 "포함하다" 등의 단어는 포함하지만 이에 한정되지 않는다는 의미이다. 본 출원 전반에 걸쳐 사용된 바와 같이, 단수 형태 "a", "an" 및 "the"는 내용이 명시적으로 달리 나타내지 않는 한 복수의 지시 대상을 포함한다. 따라서, 예를 들어, "an" 요소 또는 "a" 요소에 대한 언급은 "하나 이상"과 같은 하나 이상의 요소에 대한 다른 용어 및 구문의 사용에도 불구하고 둘 이상의 요소의 조합을 포함한다. "또는" 이라는 용어는 달리 명시되지 않는 한 비배타적이며, 즉 "및" 및 "또는"을 모두 포함한다. 조건부 관계를 설명하는 용어, 예를 들어 "X, Y에 대한 응답", "X, Y , "X, Y인 경우", "X, Y인 경우" 등은 선행 조건이 필요 인과 조건이거나, 선행 조건이 충분 인과 조건이거나, 선행 조건이 기여 인과 조건인 인과 관계를 포함한다. 결과적으로, 예를 들어 "상태 X는 조건 Y 획득 시 발생"은 "X는 Y에서만 발생함" 및 "X는 Y 및 Z에서 발생함"이 일반적이다. 이러한 조건부 관계는 일부 결과가 지연될 수 있고 조건문에서 선행사가 결과와 연결되기 때문에 선행 획득에 즉시 따르는 결과에 한정되지 않고, 예를 들어 선행 조건은 결과가 발생할 가능성과 관련된다. 달리 명시되지 않는 한, 복수의 속성 또는 기능이 복수의 객체에 매핑되는 명령문(예: 단계 A, B, C 및 D를 수행하는 하나 이상의 프로세서)은 그러한 모든 객체에 매핑되는 모든 속성 또는 기능과 속성 또는 기능의 하위 집합에 매핑되는 속성 또는 기능의 하위 집합(예: 모든 프로세서는 각각 단계 AD를 수행하고, 프로세서 1이 단계 A를 수행하고, 프로세서 2가 단계 B와 단계 C의 일부를 수행하고, 프로세서 3이 단계 C 및 단계 D)의 일부를 수행한다. 또한, 달리 명시되지 않는 한, 하나의 값 또는 동작이 다른 조건 또는 값에 "기반"한다는 진술은 조건 또는 값이 유일한 요인인 경우와 조건 또는 값이 복수의 요인 중 하나의 요인인 경우를 모두 포함한다. 달리 명시되지 않는 한, 일부 집합의 "각" 인스턴스에 일부 속성이 있다는 진술은 더 큰 집합의 일부 달리 동일하거나 유사한 구성이 해당 속성을 갖지 않는 경우를 제외하게끔 이해되어서는 안 된다. 범위에서 선택에 대한 참조에는 범위의 마지막 부분이 포함된다.

전술된 설명에서 흐름도의 모든 프로세스, 설명 또는 블록은 프로세스의 특정 논리적 기능 또는 단계를 구현하기 위한 하나 이상의 실행 가능한 명령을 포함하는 모듈, 세그먼트 또는 코드 부분을 나타내는 것으로 이해되어야 하며, 당업자에 의해 이해되는 바와 같이, 대안적인 구현은 관련 기능에 따라 실질적으로 동시에 또는 역순을 포함하여 도시되거나 논의된 순서와 다르게 기능이 실행될 수 있는 본 발명의 예시적인 실시예의 범위 내에 포함된다.

특정 미국 특허, 미국 특허 출원 또는 기타 자료(예: 기사)가 참조로 포함된 범위 내에서, 그러한 미국 특허, 미국 특허 출원 및 기타 자료의 본문은 본원에 명시된 진술 및 도면과 이해관계의 충돌이 발생하지 않는다. 그러한 충돌이 있는 경우, 참조로 포함된 미국 특허, 미국 특허 출원 및 기타 자료에서 이해관계가 충돌하는 본문은 본원에 참조로 포함되지 않는다.

특정 실시예가 설명되었지만, 이러한 실시예는 단지 예시로서 제시되었으며, 본 발명의 범위를 제한하도록 의도되지 않는다. 실제로, 본원에 설명된 신규한 방법, 장치 및 시스템은 다양한 다른 형태로 구현될 수 있다. 또한, 본 명세서에 기술된 방법, 장치 및 시스템의 형태에서 다양한 생략, 대체 및 변경이 본 발명의 사상을 벗어나지 않고 이루어질 수 있다. 첨부된 청구범위 및 그 등가물은 본 발명의 범위 및 사상 내에 속하는 그러한 형태 또는 수정을 포함하도록 의도된다.

Claims (17)

1. 컴퓨터에 의해 실행될 때 상기 컴퓨터로 하여금 패턴 선택 방법을 실행하게끔 하는 명령어들을 포함하는 비일시적 컴퓨터 판독 가능 매체로서, 상기 방법은:
   다수의 패턴 - 상기 다수의 패턴은 기판 상에 인쇄될 타겟 패턴에 대응함 - 의 이미지를 획득하는 단계; 및
   제1 모델을 훈련하기 위한 훈련 데이터로서 상기 이미지에 기초하여 상기 다수의 패턴으로부터 패턴 세트를 선택하는 단계를 포함하는,
   비일시적 컴퓨터 판독 가능 매체.
2. 제 1 항에 있어서,
   상기 패턴 세트를 선택하는 단계는, 상이한 클러스터링 알고리즘(clustering algorithm)을 이용하여 상기 다수의 패턴을 각각 메인 패턴 및 특수 패턴으로 그룹화하는 단계를 포함하는,
   비일시적 컴퓨터 판독 가능 매체.
3. 제 2 항에 있어서,
   상기 다수의 패턴을 그룹화하는 단계는, 상기 다수의 패턴으로부터 특수 패턴 그룹 및 다수의 메인 패턴 그룹을 생성하는 프로세스를 더 포함하며,
   상기 특수 패턴 그룹을 생성하는 단계는, 상기 다수의 패턴의 특징 벡터 사이의 거리에 기초하여 상기 다수의 패턴을 그룹화하는 프로세스 - 상기 특징 벡터의 두 특징 벡터 사이의 거리는 대응하는 두 이미지의 두 패턴 간의 차이를 나타냄 - 를 포함하는,
   비일시적 컴퓨터 판독 가능 매체.
4. 제 3 항에 있어서,
   상기 특수 패턴 그룹을 생성하는 단계는:
   밀도 기반 공간 클러스터링(density-based spatial clustering)에 기초해 상기 특징 벡터를 클러스터링하여 특징 벡터의 세트를 이상값(outliers)으로 식별하는 단계; 및
   상기 특징 벡터의 세트에 대응하는 이미지의 패턴을 상기 특수 패턴 그룹으로 결정하는 단계를 포함하는,
   비일시적 컴퓨터 판독 가능 매체.
5. 제 3 항에 있어서,
   상기 다수의 메인 패턴 그룹을 생성하는 단계는:
   상기 특수 패턴 그룹에 속하지 않는 상기 특징 벡터를 메인 패턴에 대응하는 특징 벡터의 세트로 결정하는 단계; 및
   상기 특징 벡터의 세트를 상기 다수의 메인 패턴 그룹으로 클러스터링하는 단계를 포함하는,
   비일시적 컴퓨터 판독 가능 매체.
6. 제 3 항에 있어서,
   상기 다수의 그룹으로부터 상기 패턴 세트를 선택하는 단계는:
   각 메인 패턴 그룹으로부터 상기 특수 패턴 그룹 및 대표 메인 패턴을 선택하는 단계를 포함하고, 각 메인 패턴 그룹으로부터 상기 대표 메인 패턴을 선택하는 단계는:
   각 메인 패턴 그룹에 대해, 대응하는 메인 패턴 그룹의 중심점(centroid)을 결정하는 단계; 및
   각 메인 패턴 그룹에 대해, 상기 중심점에 가장 가까운 특징 벡터를 대응하는 메인 패턴 그룹의 대표 메인 패턴으로서 결정하는 단계를 포함하는,
   비일시적 컴퓨터 판독 가능 매체.
7. 제 1 항에 있어서,
   상기 이미지는 레지스트 이미지, 마스크 이미지, 에어리얼 이미지(aerial image) 및 에칭 이미지 중 적어도 하나를 포함하는 시뮬레이션된 이미지인,
   비일시적 컴퓨터 판독 가능 매체.
8. 제 2 항에 있어서,
   상기 특수 패턴 그룹 및 상기 대표 메인 패턴에 대응하는 이미지를 사용하여 상기 제1 모델을 훈련해 상기 기판 상에 인쇄될 시뮬레이션된 패턴을 생성하거나 마스크 패턴을 생성하는 단계를 더 포함하는,
   비일시적 컴퓨터 판독 가능 매체.
9. 제 5 항에 있어서,
   상기 특징 벡터는, 패턴 이미지 세트를 사용해 제2 모델을 실행하여 상기 패턴 이미지 세트의 제1 패턴 이미지에 대한 예측된 특징 벡터를 출력함으로써 생성되는,
   비일시적 컴퓨터 판독 가능 매체.
10. 제 1 항에 있어서,
    상기 획득된 이미지는 레지스트 이미지이고, 상기 다수의 패턴의 이미지를 획득하는 단계는:
    상기 패턴 데이터를 사용하여, 리소그래피 장치의 광학적 특성을 나타내는 소스 모델로부터 상기 다수의 패턴의 에어리얼 이미지를 생성하는 단계; 및
    상기 패턴 데이터를 사용하여, 레지스트 모델을 사용해 에어리얼 이미지로부터 상기 다수의 패턴의 레지스트 이미지를 생성하는 단계를 포함하는,
    비일시적 컴퓨터 판독 가능 매체.
11. 제 1 항에 있어서,
    상기 패턴 세트를 출력하는 단계는:
    임의의 다른 패턴들로부터의 각 패턴의 최소 거리를 결정하는 단계; 및
    상기 패턴의 최소 거리의 분포를 기반으로 상기 패턴을 하나 이상의 범주로 분류하는 단계를 포함하는,
    비일시적 컴퓨터 판독 가능 매체.
12. 제 11 항에 있어서,
    상기 패턴을 분류하는 단계는:
    상기 하나 이상의 범주에서 가장 큰 최소 거리의 함수로서 임계값 최소 거리 - 상기 임계값 최소 거리는 상기 패턴 세트에 포함될 패턴의 선택에 사용됨 - 를 결정하는 단계를 포함하는,
    비일시적 컴퓨터 판독 가능 매체.
13. 제 11 항에 있어서,
    상기 임계값 최소 거리를 초과하는 최소 거리를 갖는 제1 범주로부터 상기 특수 패턴이 선택되며, 상기 임계값 최소 거리는 상기 제1 범주에서 상기 가장 큰 최소 거리의 함수로 결정되는,
    비일시적 컴퓨터 판독 가능 매체.
14. 제 1 항에 있어서,
    상기 패턴 세트를 출력하는 단계는:
    지정된 수의 특수 패턴 및 상기 패턴 세트에 포함될 패턴의 총 수의 함수로서 상기 패턴 세트에 포함될 대표 메인 패턴의 수를 결정하는 단계; 및
    상기 대표 메인 패턴의 수를 갖는 상기 패턴 세트를 출력하는 단계를 포함하는,
    비일시적 컴퓨터 판독 가능 매체.
15. 제 12 항에 있어서,
    상기 패턴의 총 수 중 최단 최소 거리에 기반하여 상기 임계값 최소 거리를 결정하는 단계;
    상기 임계값 최소 거리에 기반하여 상기 패턴을 다수의 컬렉션으로 그룹화하는 단계 - 각각의 컬렉션은 상기 컬렉션 내의 임의의 다른 패턴으로부터 상기 임계값 최소 거리 미만인 최소 거리를 각각 갖는 하나 이상의 패턴을 포함함 -;
    상기 패턴 세트에 포함될 각각의 컬렉션으로부터 적어도 하나의 패턴을 선택하는 단계; 및
    각각의 컬렉션으로부터 상기 적어도 하나의 패턴으로 상기 패턴 세트를 출력하는 단계를 더 포함하는,
    비일시적 컴퓨터 판독 가능 매체.
16. 제 1 항에 있어서,
    상기 제1 모델은 레지스트 모델, 에칭 모델 또는 이들의 조합인,
    비일시적 컴퓨터 판독 가능 매체.
17. 제 1 항에 있어서,
    상기 제1 모델은 기계 학습 모델, 비기계 학습 모델 또는 이들의 조합인,
    비일시적 컴퓨터 판독 가능 매체.

Images