KR20230064407A - 머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법 - Google Patents

머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법 Download PDF

Info

Publication number
KR20230064407A
KR20230064407A KR1020210149955A KR20210149955A KR20230064407A KR 20230064407 A KR20230064407 A KR 20230064407A KR 1020210149955 A KR1020210149955 A KR 1020210149955A KR 20210149955 A KR20210149955 A KR 20210149955A KR 20230064407 A KR20230064407 A KR 20230064407A
Authority
KR
South Korea
Prior art keywords
mask
images
layout
opc
opc layout
Prior art date
Application number
KR1020210149955A
Other languages
English (en)
Inventor
권미진
여상철
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210149955A priority Critical patent/KR20230064407A/ko
Priority to US17/841,734 priority patent/US20230132893A1/en
Priority to CN202211356766.4A priority patent/CN116068841A/zh
Publication of KR20230064407A publication Critical patent/KR20230064407A/ko

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)

Abstract

본 발명의 기술적 사상은 신뢰성 있는, 곡선 패턴을 포함한 마스크를 제조할 수 있는 마스크 레이아웃의 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법을 제공한다. 그 마스크 레이아웃의 보정 방법은 곡선 패턴(curvilinear pattern)을 포함하는 마스크들에 대하여 OPC(Optical Proximity Correction)된 레이아웃(OPCed layout) 이미지들을 획득하는 단계; 상기 OPC된 레이아웃 이미지들에 기초하여 제작된 마스크들에 대한 SEM(Scanning Electron Microscope) 이미지들로부터 마스크 컨퉈(contour) 이미지들을 추출하는 단계; 상기 OPC된 레이아웃 이미지들과 상기 마스크 컨퉈 이미지들을 이용하여, 머신 러닝(machine learning)을 수행하여 변환 모델을 생성하는 단계; 및 상기 변환 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하는 단계;를 포함한다.

Description

머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법{Mask layout correction method based on machine learning, and mask manufacturing method comprising the correction method}
본 발명의 기술적 사상은 마스크 제조방법에 관한 것으로, 특히 마스크 레이웃 보정 방법 및 그 보정 방법을 포함한 마스크 제조방법에 관한 것이다.
반도체 공정에서, 웨이퍼 등과 같은 반도체 기판 상에 패턴을 형성하기 위하여 마스크를 이용한 포토리소그라피 공정이 수행될 수 있다. 마스크는, 간단하게 정의하면 투명한 기층 소재 상에 불투명한 재질의 패턴 형상이 형성되어 있는 패턴 전사체라고 말할 수 있다. 마스크의 제조 공정을 간단히 설명하면, 먼저 요구되는 회로를 설계하고 상기 회로에 대한 레이아웃을 디자인한 후, OPC(Optical Proximity Correction)을 통해 획득한 마스크 디자인 데이터를 MTO(Mask Tape-Out) 디자인 데이터로서 전달한다. 이후, 상기 MTO 디자인 데이터에 기초하여 마스크 데이터 준비(Mask Data Preparation: MDP)를 수행하고, 노광 공정 등의 전공정(Front End Of Line: FEOL)과 결함검사 등의 후공정(Back End Of Line: BEOL)을 수행하여 마스크를 제작할 수 있다.
본 발명의 기술적 사상이 해결하고자 하는 과제는, 신뢰성 있는, 곡선 패턴을 포함한 마스크를 제조할 수 있는 마스크 레이아웃의 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법을 제공하는 데에 있다.
상기 과제를 해결하기 위하여, 본 발명의 기술적 사상은, 곡선 패턴(curvilinear pattern)을 포함하는 마스크들에 대하여 OPC(Optical Proximity Correction)된 레이아웃(OPCed layout) 이미지들을 획득하는 단계; 상기 OPC된 레이아웃 이미지들에 기초하여 제작된 마스크들에 대한 SEM(Scanning Electron Microscope) 이미지들로부터 마스크 컨퉈(contour) 이미지들을 추출하는 단계; 상기 OPC된 레이아웃 이미지들과 상기 마스크 컨퉈 이미지들을 이용하여, 머신 러닝(machine learning)을 수행하여 변환 모델을 생성하는 단계; 및 상기 변환 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하는 단계;를 포함하는, 머신 러닝 기반 마스크 레이아웃 보정 방법을 제공한다.
또한, 본 발명의 기술적 사상은, 상기 과제를 해결하기 위하여, 곡선 패턴을 포함하는 마스크들에 대한 OPC된 레이아웃 이미지들을 포함한 DB를 생성하는 단계; 상기 OPC된 레이아웃 이미지들에 기초하여 제작된 마스크들에 대한 SEM 이미지들로부터 마스크 컨퉈 이미지들을 추출하는 단계; 상기 OPC된 레이아웃 이미지들과 상기 마스크 컨퉈 이미지들을 이용하여, GAN 알고리즘에 기초한 딥러닝을 수행하여 변환 모델을 생성하는 단계; 상기 변환 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하는 단계; 보정된 상기 OPC된 레이아웃 이미지들을 포함한 새로운 DB를 생성하는 단계; 보정된 상기 OPC 레이아웃 이미지들에 대하여 MRC를 수행하는 단계; 상기 MRC의 수행에서 디펙이 있는지 판단하는 단계; 및 디펙이 없는 경우, 보정된 상기 OPC 레이아웃 이미지들을 최종 OPC된 레이아웃 이미지로서 결정하는 단계;를 포함하는, 머신 러닝 기반 마스크 레이아웃 보정 방법을 제공한다.
더 나아가, 본 발명의 기술적 사상은, 상기 과제를 해결하기 위하여, 곡선 패턴을 포함하는 마스크들에 대한 OPC된 레이아웃 이미지들을 포함한 DB를 생성하는 단계; 상기 OPC된 레이아웃 이미지들에 기초하여 제작된 마스크들에 대한 SEM 이미지들로부터 마스크 컨퉈 이미지들을 추출하는 단계; 상기 OPC된 레이아웃 이미지들과 상기 마스크 컨퉈 이미지들을 이용하여, GAN 알고리즘에 기초한 딥러닝을 수행하여 변환 모델을 생성하는 단계; 상기 변환 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하여, 최종 OPC된 레이아웃 이미지를 획득하는 단계; 상기 최종 OPC된 레이아웃 이미지를 MTO(Mask Tape-Out) 디자인 데이터로서 전달하는 단계; 상기 MTO 디자인 데이터에 기초하여 마스크 데이터를 준비하는 단계; 및 상기 마스크 데이터에 기초하여 마스크용 기판을 노광하는 단계;를 포함하는, 마스크 제조방법을 제공한다.
본 발명의 기술적 사상에 의한 머신 러닝 기반 마스크 레이아웃 보정 방법은, 실제 마스크에 대한 SEM 이미지들로부터 마스크 컨퉈 이미지들을 추출하고, OPC된 레이아웃 이미지들과 마스크 컨퉈 이미지들을 이용하여 GAN 알고리즘에 기초한 딥러닝을 통해 변환 모델을 생성할 수 있다. 또한, 변환 모델을 이용하여 OPC된 레이아웃 이미지들을 보정함으로써, 곡선 패턴을 포함한 마스크들에 대한 최적의 OPC된 레이아웃 이미지들을 생성할 수 있다. 따라서, 본 발명의 기술적 사상에 의한 머신 러닝 기반 마스크 레이아웃 보정 방법은, 최적의 OPC된 레이아웃 이미지들에 기초하여, 그에 대응하는 곡선 패턴을 포함한 마스크들을 높은 신뢰성을 가지고 정확하게 제조할 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 머신 러닝 기반 마스크 레이아웃 보정 방법의 과정을 개략적으로 보여주는 흐름도이다.
도 2a는 수직 패턴을 포함하는 마스크에서, 수평/수직 마스크 CD 옵셋을 검출하는 방법을 설명하기 위한 개념도이고, 도 2b는 곡선 패턴을 포함하는 마스크에 수평/수직 마스크 CD 옵셋을 검출하는 방법의 적용에 있어서의 문제점을 설명하기 위한 개념도이다.
도 3a 내지 도 3c는 각각 OPC된 레이아웃 이미지, SEM에 의한 마스크 컨퉈 이미지, 및 비교를 위해 두 이미지들을 함께 보여주는 평면도들이다.
도 4a 및 도 4b는 도 1의 머신 러닝 기반 마스크 레이아웃 보정 방법에 이용하는 GAN 알고리즘에 기초한 딥러닝의 과정을 간략하게 보여주는 개념도들이다.
도 5a 및 도 5b는 각각 도 1의 머신 러닝 기반 마스크 레이아웃 보정 방법에서, GAN 알고리즘을 이용한 딥러닝을 통해 획득한 변환 모델로서, 예측 모델과 리버스 모델을 설명하기 위한 개념도들이다.
도 6은 본 발명의 일 실시예에 따른 마스크 레이아웃 보정 방법을 포함한 마스크 제조방법의 과정을 개략적으로 보여주는 흐름도이다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고, 이들에 대한 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 머신 러닝 기반 마스크 레이아웃 보정 방법의 과정을 개략적으로 보여주는 흐름도이다.
도 1을 참조하면, 본 실시예의 머신 러닝 기반 마스크 레이아웃 보정 방법(이하, 간단히 '마스크 레이아웃 보정 방법'이라 한다)는, 먼저, OPC(Optical Proximity Correction)된 레이아웃(OPCed layout) 이미지들의 획득, 및 데이터베이스(Data Base: DB)를 생성한다(S110). DB는 다수의 OPC된 레이아웃 이미지들을 포함할 수 있다. 본 실시예의 마스크 레이아웃 보정 방법에서, OPC된 레이아웃 이미지들은, 곡선 패턴(curvilinear pattern)을 포함한 마스크들에 대하여 OPC를 통해 출력한 레이아웃 이미지들을 의미할 수 있다.
좀더 구체적으로 설명하면, 웨이퍼와 같은 기판 상의 패턴은, 마스크 상의 패턴이 노광 공정을 통해 기판 상으로 전사됨으로써 형성될 수 있다. 그에 따라, 먼저, 기판 상의 패턴에 대응하는 마스크 상의 패턴에 대한 레이아웃, 즉, 마스크 레이아웃이 디자인될 수 있다. 참고로, 노광 공정의 특성상 일반적으로 기판 상의 패턴의 형태와 마스크 상의 패턴의 형태는 다를 수 있다. 또한, 마스크 상의 패턴은 축소 투영되어 기판 상에 전사되므로, 마스크 상의 패턴은 기판 상의 패턴보다는 큰 사이즈를 가질 수 있다.
한편, 패턴이 미세화됨에 따라 이웃하는 패턴들 간의 영향에 의한 광 근접 현상(Optical Proximity Effect: OPE)이 노광 공정 중에 발생하고, 이를 극복하기 위해서, 마스크 레이아웃을 보정하여 OPE 발생을 억제하는, OPC가 수행될 수 있다. OPC는 해당 패턴에 대한 광학적 이미지 생성, OPC 모델 생성, OPC 모델을 이용한 시뮬레이션을 통해 마스크 레이아웃에 대한 이미지 또는 데이터를 획득하는 과정을 포함할 수 있다.
OPC에 대해 전반적으로 설명하면 다음과 같다. OPC는 크게 두 가지로 나누어지는데, 하나는 룰 베이스(rule-based) OPC이고, 다른 하나는 시뮬레이션 베이스 또는 모델 베이스(model-based) OPC이다. 본 실시예의 마스크 레이아웃 보정 방법에서의 OPC는, 예컨대, 모델 베이스 OPC일 수 있다. 모델 베이스 OPC는 대량의 테스트 패턴들 모두를 측정할 필요가 없이 대표 패턴들의 측정 결과만을 이용하므로 시간 및 비용 면에서 유리할 수 있다. 한편, OPC는 마스크 레이아웃의 변형뿐만이 아니라, 패턴의 코너 상에 세리프들(serifs)로 불리는 서브 리소그라피 피쳐들(sub-lithographic features)을 부가하는 방법이나, 스캐터링 바아들(scattering bars)과 같은 서브 레졸루션 어시스트 피쳐들(Sub-Resolution Assist Features: SRAFs)을 부가하는 방법을 포함할 수 있다.
OPC는, 먼저, OPC를 위한 기본 데이터를 준비한다. 여기서, 기본 데이터는 샘플의 패턴들의 형태에 대한 데이터, 패턴들의 위치, 패턴의 스페이스(space) 또는 라인(line)에 대한 측정과 같은 측정의 종류, 및 기본 측정값 등을 포함할 수 있다. 또한, 기본 데이터는 포토레지스트(Photo Resist: PR)에 대한 두께, 굴절률, 유전 상수 등의 정보를 포함하고, 조명계(illumination system) 형태에 대한 소스 맵을 포함할 수 있다. 물론, 기본 데이터가 상기 예시된 데이터들에 한정되는 것은 아니다.
기본 데이터 준비 후, 광학적 OPC 모델을 생성한다. 광학적 OPC 모델의 생성은 노광 공정에서 디포커스 시작(Defocus Stand: DS) 위치, 베스트 포커스(Best Focus: BF) 위치 등의 최적화를 포함할 수 있다. 또한, 광학적 OPC 모델의 생성은 광의 회절 현상이나 노광 설비 자체의 광학적 상태를 고려한 광학적 이미지의 생성 등을 포함할 수 있다. 물론, 광학적 OPC 모델의 생성이 상기 내용들에 한정되는 것은 아니다. 예컨대, 광학적 OPC 모델의 생성에는 노광 공정에서의 광학적 현상과 관련된 다양한 내용들이 포함될 수 있다.
광학적 OPC 모델 생성 후, PR에 대한 OPC 모델을 생성한다. PR에 대한 OPC 모델의 생성은 PR의 문턱값의 최적화를 포함할 수 있다. 여기서, PR의 문턱값은 노광 공정에서 화학적 변화가 일어나는 문턱값을 의미하며, 예컨대, 문턱값은 노광 광의 세기(intensity)로 주어질 수 있다. PR에 대한 OPC 모델의 생성은 또한, 여러 PR 모델 폼들에서 적절한 모델 폼을 선택하는 것을 포함할 수 있다.
광학적 OPC 모델과 PR에 대한 OPC 모델을 합쳐서 일반적으로 OPC 모델이라고 한다. OPC 모델 생성 후, OPC 모델을 이용하여 시뮬레이션을 반복한다. 시뮬레이션은 소정 조건이 만족할 때까지 수행될 수 있다. 예컨대, CD 에러에 대한 RMS(Root Mean Square), EPE, 기준 반복 횟수 등이 시뮬레이션의 반복 조건으로 이용될 수 있다. 본 실시예의 마스크 레이아웃 보정 방법에서, 이러한 OPC 모델을 이용한 시뮬레이션 수행을 통해 OPC된 레이아웃 이미지들 또는 데이터가 획득될 수 있다. OPC된 레이아웃 이미지들은 이후에 마스크 제작을 위하여 MTO(Mask Tape-Out) 디자인 데이터로서 마스크 제작팀으로 전달될 수 있다.
OPC된 레이아웃 이미지들의 획득, 및 DB 생성 후, 마스크에 대한 SEM(Scanning Electron Microscope) 이미지들로부터 마스크 컨퉈(contour) 이미지들을 추출한다(S120). 여기서, 마스크는 앞서 OPC된 레이아웃 이미지들을 이용하여 제작된 실제 마스크일 수 있다. 다시 말해서, OPC된 레이아웃 이미지들에 기초하여 마스크들을 제작하고, 제작된 마스크들을 SEM으로 찍어 SEM 이미지들을 획득하고, SEM 이미지들에서 마스크 컨퉈 이미지들을 추출할 수 있다.
계속해서, OPC된 레이아웃 이미지들과 마스크 컨퉈 이미지들을 이용하여 머신 러닝(machine learning)을 수행하고, 변환 모델을 생성한다(S130). 여기서, 머신 러닝은 딥러닝(deep learning)일 수 있다. 예컨대, 본 실시예의 마스크 레이아웃 보정 방법에서, 머신 러닝은 GAN(Generative Adversarial Network) 알고리즘에 기초한 딥러닝일 수 있다. GAN 알고리즘에 기초한 딥러닝에 대해서는 도 4a 내지 도 5b의 설명 부분에서 좀더 상세히 설명한다.
변환 모델 생성 후, 변환 모델을 이용하여 OPC된 레이아웃 이미지들을 보정한다(S140). 여기서, 변환 모델은 예측(prediction) 모델과 리버스(reverse) 모델을 포함할 수 있고, OPC된 레이아웃 이미지들의 보정은 리버스 모델을 통해 이루어질 수 있다. 변환 모델에 대해서는 도 5a 및 도 5b의 설명 부분에서 좀더 상세히 설명한다.
OPC된 레이아웃 이미지들을 보정 후, 보정된 OPC된 레이아웃 이미지들을 포함한 새로운 DB를 생성한다(S150). 한편, 새로운 DB는 보정된 OPC된 레이아웃 이미지들의 집합에 불과하므로, 실시예들에 따라, OPC된 레이아웃 이미지들을 보정하는 단계(S140)와 새로운 DB를 생성하는 단계(S150)는 하나의 단계로 취급될 수도 있다.
이후, MRC(Mask Rule Check)를 수행한다(S160). MRC는 새로운 DB 내의 보정된 OPC 레이아웃 이미지들에 대해서 수행될 수 있다. 여기서, MRC는 마스크를 제조할 때, 패턴이 유지되어야 할 폭 또는 간격의 제한에 대한 체크를 의미할 수 있다. 예컨대, 마스크를 제조할 때, 패턴의 폭을 설정된 최소 폭보다 작게 하거나 또는 패턴 간의 간격을 설정된 최소 간격보다 작게 할 수 없는 제한이 존재할 수 있다. 따라서, MRC 수행은 마스크 레이아웃에 대하여 상기 제한이 지켜지고 있는지 체크하는 과정을 의미할 수 있다.
MRC 수행 이후, 디펙이 있는지 판단한다(S170). 다시 말해서, MRC 수행 결과에서, 보정된 OPC 레이아웃 이미지들에 상기 제한을 위반하는 사항들이 존재하는지 판단한다. 디펙이 있는 경우(Yes), 상기 제한을 만족하도록 보정된 OPC 레이아웃 이미지들을 변경한다(S175). 예컨대, 상기 제한을 만족하도록 패턴의 폭 또는 패턴들 간의 간격을 변경한다. 이후, 새로운 DB를 생성하는 단계(S250)로 이행한다.
디펙이 없는 경우(No), 보정된 OPC된 레이아웃 이미지들을 최종 OPC된 레이아웃 이미지로 결정한다(S180). 최종 OPC된 레이아웃 이미지는 이후에 마스크 제작을 위하여 MTO 디자인 데이터로서 마스크 제작팀으로 전달될 수 있다.
본 실시예의 마스크 레이아웃 보정 방법은, 실제 마스크에 대한 SEM 이미지들로부터 마스크 컨퉈 이미지들을 추출하고, OPC된 레이아웃 이미지들과 마스크 컨퉈 이미지들을 이용하여 GAN 알고리즘에 기초한 딥러닝을 통해 변환 모델을 생성할 수 있다. 또한, 변환 모델을 이용하여 OPC된 레이아웃 이미지들을 보정함으로써, 곡선 패턴을 포함한 마스크들에 대한 최적의 OPC된 레이아웃 이미지들을 생성할 수 있다. 따라서, 본 실시예의 마스크 레이아웃 보정 방법은, 최적의 OPC된 레이아웃 이미지들에 기초하여, 그에 대응하는 곡선 패턴을 포함한 마스크들을 높은 신뢰성을 가지고 정확하게 제조할 수 있도록 한다.
본 실시예의 마스크 레이아웃 보정 방법은, 기존 마스크 레이아웃 보정 방법에서는 확인할 수 없었던 곡선의 홀 패턴에 대한 옵셋과, 패턴의 이동(shift), 패턴 간의 거리도 한번에 확인할 수 있다. 또한, OPC에서 의도한 형태로, 최적의 마스크를 제작할 수 있게 되어 패터닝의 정확도를 높일 수 있고, 이로 인해 기존에 패터닝이 불가능하였던 패턴들에 대한 패터닝의 가능성을 높일 수 있다. 더 나아가, 마스크 제작의 한계로 인해 그동안 확인할 수 없었던 코너 라운딩(corner rounding)과, 코너 간 스페이드(Corner to Corner space) 등의 패터닝 취약 포인트들에 대한 정확한 마스크 제작 상황을 알 수 있다. 따라서, OPC 모델링 시에 정확도를 저하시키는 옵셋 팩터들을 감소시켜, 좀 더 정확한 OPC 모델링을 가능케 한다.
참고로, 기존 마스크 레이아웃 보정 방법은, 마스크 상의 패턴의 CD(이하, '마스크 CD'라 한다)를 수평/수직(Horizontal/Vertical) 방향으로 측정하여, 옵셋(offset)을 검출한 후, 옵셋(offset) 정도만큼, OPC된 레이아웃 이미지를 보정한다. 이러한 기존 마스크 레이아웃 보정 방법은, 수직 패턴(rectilinear pattern)만을 포함한 마스크에 대해서는 어느 정도 효과적인 마스크 레이아웃 보정 방법으로서, 신뢰성 있는 마스크 제작하는 데에 도움을 줄 수 있다. 그러나 기존 마스크 레이아웃 보정 방법을, 곡선 패턴을 포함한 마스크에 그대로 적용하는 데에는 차후에 설명하는 바와 같이 문제점들이 있을 수 있다. 기존 마스크 레이아웃 보정 방법에서의 수직(Horizontal/Vertical) 방향으로 옵셋을 검출하는 방법, 및 곡선 패턴을 포함한 마스크에 적용에 대한 문제점들에 대하여, 이하, 도 2a 및 도 2b의 설명 부분에서 좀더 상세히 설명한다.
한편, 이하에서, 마스크 레이아웃의 보정과 OPC된 레이아웃 이미지의 보정은 실질적으로 동일한 의미로 사용될 수 있다. 또한, OPC된 레이아웃 이미지는 최종적으로 마스크를 제작하는 E-빔(E-beam) 데이터로 이용되므로, OPC된 레이아웃 이미지의 보정은 E-빔 데이터의 보정이나 조절(sizing)과 실질적으로 동일한 의미로 사용될 수 있다.
도 2a는 수직 패턴을 포함하는 마스크에서, 수평/수직 마스크 CD 옵셋을 검출하는 방법을 설명하기 위한 개념도이고, 도 2b는 곡선 패턴을 포함하는 마스크에 수평/수직 마스크 CD 옵셋을 검출하는 방법의 적용에 있어서의 문제점을 설명하기 위한 개념도이다.
도 2a를 참조하면, 수직 패턴들만을 포함하는 마스크에 대한 기존의 마스크 레이아웃 보정 방법의 경우, 수평/수직 마스크 CD 옵셋을 검출하여 옵셋만큼 마스크 레이아웃을 보정 또는 E-beam 데이터를 조절함으로써, 신뢰성 있는 마스크를 제작할 수 있다. 즉, 기존의 마스크 레이아웃 보정 방법은, 패턴의 센터에서, 수평/수직 마스크 CD 옵셋 값을 측정하고, 측정된 옵셋 값을 수평/수직 방향으로 반영하게 된다. 도 2a의 패턴의 센터가 이점 쇄선들(H, V)을 통해 표시되고 있다. 참고로, 옵셋 값은 OPC된 레이아웃 이미지의 CD와 측정 장비로 측정한 마스크 CD를 비교하여 구할 수 있다. 또한, 기존의 마스크 레이아웃 보정 방법에서는, 1개의 앵커 패턴(anchor pattern)에 대하여 마스크 CD 옵셋 값을 검출하여 전체 패턴들에 반영하게 된다. 여기서, 앵커 패턴은, 형태와 위치에 있어서, 마스크 내의 패턴들을 대표하는 패턴을 의미할 수 있다.
도 2b를 참조하면, 곡선 패턴들을 포함하는 마스크의 경우, 곡선 패턴의 특성상, 수평/수직 마스크 CD 옵셋을 검출하는 방법을 그대로 적용하는 것은 문제가 있다. 좀더 구체적으로 설명하면, 최근의 점점 더 작아지는 패턴을 포함하는 마스크의 제작에서, 더 정확한 타겟팅 및 마진 확보가 요구됨으로써, 기존의 수직 패턴형(rectilinear pattern type)으로만 OPC 패턴을 생성하던 방식에서, 자유도가 높은 곡선 패턴형(curvilinear pattern type)의 OPC 패턴을 생성하는 방식이 점차 중요해지고 필요성이 높아지고 있다. 특히, 작은 콘택을 포함한 마스크들에서 심플한 라인앤스페이스(Line and Space: L/S) 패턴보다 다양한 형태의 패턴들이 필요할 수 있다. 그러나 현재까지 제작된 곡선 패턴들을 포함한 마스크(이하, '곡선 마스크(curvilinear mask)'라 한다)의 경우, 곡선 패턴의 마스크 CD에 대한 정확한 정의없이 기존의 방식대로 제작됨으로써, 마스크 제작의 신뢰성이 떨어지고 있다. 다시 말해서, 수직 패턴들만을 포함하는 마스크(이하, '수직 마스크(rectilinear mask)라 한다)에 대한 방식과 동일하게 수평/수직 마스크 CD 옵셋을 검출하여 반영하는 식으로 곡선 마스크가 제작되는 경우, 곡선 마스크가 의도한대로 제작되지 않고, 또한 패터닝의 개선이라는 곡선 마스크의 목적에도 부합하지 않을 수 있다.
전술한 바와 같이, 기존의 마스크 제작 방법은, OPC된 레이아웃 이미지의 CD, 또는 E-빔 데이터의 CD와 실제 마스크에 대한 마스크 CD 사이의 옵셋, 즉 마스크 CD 옵셋을 수평/수직 방향에 대해 검출한 후, 옵셋 값만큼 OPC된 레이아웃 이미지를 보정, 또는 E-빔 데이터를 조절하는 방식으로 진행될 수 있다. 그러나 이러한 방법은 곡선 패턴의 일부 구간에 대한 마스크 CD만을 대변하므로 문제가 있다. 또한, 기존 방법의 경우, 패턴의 이동(shift), 패턴의 찌그러짐, 또는 패턴의 끝(end) 영역에 대한 타겟팅 값을 검출할 수 없기 때문에, 마스크 제작 과정에서 여전히 옵셋이나 패턴 이동이 발생할 가능성이 높고, 이는 요구되는 타겟의 OPC된 레이아웃 이미지, 또는 타겟의 E-빔 데이터와는 다른 결과를 초래하게 된다. 특히, 곡선 마스크의 특성상 1개의 앵커 패턴의 마스크 CD 옵셋이 모든 패턴들의 마스크 CD 옵셋을 대변할 수 없기 때문에, 앵커 패턴의 마스크 CD 옵셋을 기준으로 OPC된 레이아웃 이미지, 또는 E-빔 데이터를 보정 또는 업데이트 하더라도, 곡선 마스크에서 패턴들의 왜곡이 발생할 수 밖에 없다.
그에 반해, 본 실시예의 마스크 레이아웃 보정 방법은, OPC된 레이아웃 이미지와 대응하는 마스크 컨퉈 이미지를 짝(pair)으로 이용하여 머신 러닝, 예컨대, GAN 알고리즘에 기초한 딥러닝을 통해 변환 모델을 생성하고, 변환 모델을 통해 OPC된 레이아웃 이미지를 보정하여 최적의 E-beam 데이터를 생성할 수 있다. 따라서, 본 실시예의 마스크 레이아웃 보정 방법은 패턴 왜곡의 발생이 최소화된 신뢰성 있는 곡선 마스크를 제작할 수 있도록 한다.
도 3a 내지 도 3c는 각각 OPC된 레이아웃 이미지, SEM에 의한 마스크 컨퉈 이미지, 및 비교를 위해 두 이미지들을 함께 보여주는 평면도들이다.
도 3a 내지 도 3c를 참조하면, 도 3a는 곡선 패턴을 포함한 마스크에 대하여 OPC된 레이아웃 이미지를 보여준다. 또한, 도 3b는 도 3a의 OPC된 레이아웃 이미지에 기초하여 제작된 마스크를 SEM으로 찍어 SEM 이미지를 획득하고, SEM 이미지로부터 추출한 마스크 컨퉈 이미지를 보여준다. 한편, 도 3c는 도 3a의 OPC된 레이아웃 이미지와 3b의 마스크 컨퉈 이미지를 함께 보여주며, 비교를 위해 겹쳐서 보여주고 있다.
OPC된 레이아웃 이미지, 및 그에 따른 E-빔 데이터가 정확하게 생성된 경우, E-빔 데이터에 의해 실제로 제작된 마스크 상의 패턴에 대한 마스크 컨퉈 이미지는 OPC된 레이아웃 이미지와 정확하게 일치할 수 있다. 그러나 도 3c에 도시된 바와 같이, 실제 마스크에 대한 마스크 컨퉈 이미지와 OPC된 레이아웃 이미지 사이에는 차이가 존재할 수 있다. 이러한 차이의 원인은, E-빔 데이터에 의한 마스크 제작 과정 중에 있을 수 있으나 그 원인을 정확히 찾아서 제거하거나 개선하는 것은 쉽지 않을 수 있다. 그에 따라, 보통 전술한 기존의 마스크 레이아웃 보정 방법과 같이, 마스크 CD 옵셋을 검출하고, 그 옵셋만큼 OPC된 레이아웃 이미지를 보정하여 E-빔 데이터를 조절하는 식으로 진행될 수 있다. 그러나 전술한 바와 같이, 이러한 기존 마스크 레이아웃 보정 방법은 수직 마스크에는 어느 정도 효과가 있으나, 곡선 마스크에 적용하는 것은 문제가 있다.
한편, 곡선 마스크 제작에서, 곡선 패턴이 마스크에 제대로 구현되었는지 확인하기 위해서는 마스크 CD를 1개 게이지(gauge)에 대해서만 측정할 것이 아니라, 패턴의 컨퉈에 대해 전반적으로 EPE(Edge Placement Error)를 확인할 필요가 있다. 여기서, 게이지는 앵커 패턴의 좌표와 방향을 의미할 수 있다. 또한, 자유도가 높은 곡선 패턴일수록 실제로 마스크에 제대로 구현이 되려면, 패턴의 컨퉈에서 많은 포인트들의 EPE 정보가 필요할 수 있다. 따라서, 먼저 마스크 CD를 SEM으로 측정한 이미지들로부터, 실제 마스크에 구현된 패턴에 대한 컨퉈 정보를 먼저 추출할 필요가 있다. 이후, 타겟의 OPC된 레이아웃 이미지 셋과 실제 제작된 마스크 상의 패턴의 컨퉈 이미지 셋, 즉 마스크 컨퉈 이미지 셋을 짝으로 하여, 마스크 제작시 발생한 두 이미지들 간의 차이를 확인할 수 있다.
한편, 본 실시예의 마스크 레이아웃 보정 방법에서는, 곡선 마스크 제작시 발생한 두 이미지들 간의 차이의 확인에 그치지 않고, OPC된 레이아웃 이미지 셋과 마스크 컨퉈 이미지 셋을 이용하여, 머신 러닝, 예컨대, GAN 알고리즘에 기초한 딥러닝을 수행하여 변환 모델을 생성하고, 변환 모델을 이용하여 OPC된 레이아웃 이미지를 보정함으로써, 신뢰성 있는 마스크를 제작할 수 있도록 한다. 이하, GAN 알고리즘에 기초한 딥러닝에 대하여, 도 4a 및 도 4b의 설명 부분에서 좀더 상세히 설명한다.
도 4a 및 도 4b는 도 1의 머신 러닝 기반 마스크 레이아웃 보정 방법에 이용하는 GAN 알고리즘에 기초한 딥러닝의 과정을 간략하게 보여주는 개념도들로서, 도 4a는 GAN 알고리즘을 이용하여 변환 모델을 생성하는 일반적인 과정을 보여주고, 도 4b는 GAN의 생성자(generator)에 CNN을 적용한 과정을 보여준다.
도 4a를 참조하면, GAN 알고리즘은 딥러닝 기반의 생성적(generative) 알고리즘으로, 2가지 서브 모델을 포함할 수 있다. 즉, GAN 알고리즘은, 생성자 모델(Generator Model)과, 판별자 모델(Discriminator Model)을 포함할 수 있다. 생성자 모델은, 본 실시예의 마스크 레이아웃 보정 방법에서, 변환 모델, 또는 예측 모델에 해당할 수 있다. 생성자 모델은 새로운 예제들을 생성하고, 판별자 모델은 생성된 예제가 실제 데이터인지 아니면 생성자 모델에 의해 생성된 가짜 데이터인지 판단한다.
예컨대, 본 실시예의 마스크 레이아웃 보정 방법과 관련하여, 생성자 모델은 입력된 OPC된 레이아웃 이미지를 변환하여, 변환 레아아웃 이미지를 생성한다. 판별자 모델은 변환 레이아웃 이미지와 실제 마스크의 마스크 컨퉈 이미지를 입력 받는다. 또한, 판별자 모델은 변환 레이아웃 이미지와 마스크 컨퉈 이미지를 비교하여, 해당 변환 레이아웃 이미지가 진짜 마스크 컨퉈 이미지인지 아니면 생성자 모델에 의해 생성된 가짜 마스크 컨퉈 이미지인지 판단하다.
구체적으로, 도 4a에서, 곡선 마스크에 대한 OPC된 레이아웃 이미지(OLI)를 생성자 모델에 입력하면 생성자 모델이 변환 레이아웃 이미지(CLI)를 생성한다. 또한, 변환 레이아웃 이미지(CLI)와 실제 마스크의 마스크 컨퉈 이미지(MCI)는 판별자 모델에 입력된다. 판별자 모델은 변환 레이아웃 이미지(CLI)가 마스크 컨퉈 이미지(MCI)와 동일한지 판단한다. 예컨대, 판별자 모델은, 변환 레이아웃 이미지(CLI)가 진짜 마스크 컨퉈 이미지(MCI)인지, 또는 마스크 컨퉈 이미지(MCI)와 다른 가짜인지 판단한다. 이후, 판단 결과에 따라, 생성자 모델과 판별자 모델을 계속해서 업데이트 한다. 이러한 과정을 계속 반복하여 판별자 모델이 변환 레이아웃 이미지(CLI)와 마스크 컨퉈 이미지(MCI)를 더 이상 구별할 수 없는 수준에 이르게 되면, 훈련이 끝나게 되고, 이때의 생성자 모델을 최종적인 생성 모델 또는 변환 모델로 채택하게 된다. 한편, 판별자 모델은 훈련이 끝나게 되면 버려지게 된다.
GAN 알고리즘의 동작에 대하여 좀더 이해를 돕기 위하여, 생산자 모델을 위조범(counterfeiter)이라고 하고, 판별자 모델을 경찰이라고 하자. 위조범은 실제 돈과 구별되지 않는 가짜 돈을 만들어야 하고, 경찰은 실제 돈과 가짜 돈을 잘 구별해야 한다. 따라서, 위조범과 경찰은 서로 경쟁하게 되고, 게임 이론의 관점에서 그들은 서로 적대적(adversarial)이며, 제로-섬(zero-sum) 게임을 하는 것과 같은 효과를 갖는다. 다시 말해서, 경찰이 성공적으로 가짜 돈과 진짜 돈을 구별한다면, 경찰은 구별을 위한 파라미터를 업데이트할 필요가 없다. 그에 반해, 위조범은 위조를 위한 파라미터를 많이 업데이트 해야 한다. 반대로, 위조범이 성공적으로 가짜 돈을 만들어서 경찰이 가짜 돈과 진짜 돈을 구별하지 못하는 경우, 위조범은 위조를 위한 파라미터를 업데이트 할 필요가 없다. 그에 반해, 경찰은 구별을 위한 파라미터를 많이 업데이트 해야 한다. 이러한 과정을 계속 반복하게 되면, 위조는 경찰이 더 이상 구별할 수 없는 수준까지 이르게 되고, 그 위조 방법이 최종적인 생성 모델, 또는 변환 모델이 될 수 있다.
도 4b를 참조하면, GAN 알고리즘에 의한 딥러닝에서, 생성자 모델이 보다 정확한 이미지를 생성하기 위해서는, 입력된 이미지들에서 특징을 정확하게 추출해야 한다. 그러한 특징을 뽑아내기 위하여 도 4b에 도시된 바와 같은 컨볼루션 과정이 필요할 수 있다. 컨볼루션 과정은 컨볼루션 필터(convolution filter)를 이용하여 수행되며, 다운샘플링(dwonsampling) 과정과 업샘플링(upsampling) 과정을 포함할 수 있다. 또한, 보다 정확한 학습을 위해 다운샘플링(dwonsampling)과 업샘플링 과정 사이에 레지듀얼 학습(residual learning)이 포함될 수 있다. 본 실시예의 마스크 레이아웃 보정 방법에서, 레지듀얼 학습은 주변 영역의 광학적 효과를 고려하기 위하여 포함될 수 있다. 더 나아가, 한번 더 다운샘플링 한 이미지를 가지고 추가적인 레지듀얼 학습 후 업샘플링하고, 앞서 레지듀얼 학습한 이미지와 결합하여, 업샘플링을 수행할 수도 있다.
도 4b에서, 최종 업샘플링된 이미지에서, 넓은 네모 부분은 주변 영역들까지 포함한 이미지에 대응하고, 내부의 좁은 네모 부분은 중심 영역의 이미지에 대응할 수 있다. 일반적으로 주변 영역들까지 포함한 이미지에는 에러가 많이 포함될 수 있다. 따라서, 본 실시예의 마스크 레이아웃 보정 방법에서, 중심 영역의 이미지를 이용하여 생성자 모델, 즉 변환 모델을 생성할 수 있다.
한편, 본 실시예의 마스크 레이아웃 보정 방법에서, GAN 알고리즘은 싸이클(cycle) GAN 알고리즘일 수 있다. 그에 따라, GAN 알고리즘에 기초한 딥러닝을 통해 생성한 변환 모델은 2가지 모델을 포함할 수 있다. 예컨대, 변환 모델은 예측 모델과 리버스 모델을 포함할 수 있다. 여기서, 싸이클 GAN 알고리즘은 쉽게 말하면, 입력 이미지를 가지고 출력 이미지를 만들고, 다시 출력 이미지를 입력하여 넣어서 입력 이미지를 얻는 식으로, 싸이클 형태로 GAN 알고리즘을 동작시키는 것을 의미할 수 있다. 이하, 도 5a 및 도 5b에서, 싸이클 GAN 알고리즘을 통해 획득한 예측 모델과 리버스 모델을 좀더 상세히 설명한다.
도 5a 및 도 5b는 각각 도 1의 머신 러닝 기반 마스크 레이아웃 보정 방법에서, GAN 알고리즘을 이용한 딥러닝을 통해 획득한 변환 모델로서, 예측 모델과 리버스 모델을 설명하기 위한 개념도들이다.
도 5a를 참조하면, 예측 모델은 앞서 도 4a에서 설명한 생성자 모델과 실질적으로 동일할 수 있다. 그에 따라, 생성자 모델에 OPC된 레이아웃 이미지가 입력되면, 그에 대응하는 마스크 컨퉈 이미지를 출력할 수 있다. 예컨대, 도 5a에 도시된 바와 같이, 왼쪽의 OPC된 레이아웃 이미지가 예측 모델에 입력되면, 예측 모델이 오른쪽의 마스크 컨퉈 이미지를 생성하게 된다.
예컨대, GAN 알고리즘에 기초한 딥러닝을 통해 생성된 변환 모델, 즉 예측 모델이 매우 정확하다고 할 때, OPC된 레이아웃 이미지가 도 3a의 OPC된 레이아웃 이미지인 경우, 예측 모델에 의해 생성된 마스크 컨퉈 이미지는 도 3b의 마스크 컨퉈 이미지와 실질적으로 동일할 수 있다.
도 5a에서, G:P(t) --> M(r)의 수식은, 예측 모델(G)에 OPC된 레이아웃 이미지(P(t))가 입력되면, 예측 모델(G)가 그에 대응하는 마스크 컨퉈 이미지(M(r))를 생성함을 의미할 수 있다. P(t)에서 t는 target의 약자로, OPC된 레이아웃 이미지가 구현하고자 하는 타겟 마스크의 레이아웃 이미지에 해당함을 의미할 수 있다. 또한, M(r)에서 r은 real의 약자로, 예측 모델(G)에 의해 생성된 마스크 컨퉈 이미지가 실제 마스크의 마스크 컨퉈 이미지에 해당함을 의미할 수 있다. 결국, 도 3a의 OPC된 레이아웃 이미지가 요구되는 타겟 마스크의 레이아웃 이미지라고 할 때, 도 3a의 OPC된 레이아웃 이미지(P(t))가 예측 모델(G)에 입력되면, 도 3b의 실제 마스크의 마스크 컨퉈 이미지(M(r))가 생성된다는 것을 의미할 수 있다.
한편, 도 3a 내지 도 3c의 설명 부분에서 설명한 바와 같이, 마스크 제작 과정 중에 원인에 의해, OPC된 레이아웃 이미지는 실제로 제작된 마스크의 마스크 컨퉈 이미지(M(r))와는 다를 수 있다. 따라서, 요구되는 타겟 마스크의 레이아웃 이미지를 마스크 상에 정확하게 구현하기 위해서는, OPC된 레이아웃 이미지를 보정할 필요가 있다. 이를 위해, 이하, 도 5b에서 설명하는 리버스 모델(Gr)이 필요할 수 있다.
도 5b를 참조하면, 리버스 모델은 예측 모델과 반대 개념일 수 있다. 예컨대, 예측 모델에 OPC된 레이아웃 이미지가 입력되면, 예측 모델은 마스크 컨퉈 이미지를 생성하는 반면, 리버스 모델에 마스크 컨퉈 이미지가 입력되면, 리버스 모델은 OPC된 레이아웃 이미지를 생성할 수 있다.
예컨대, 도 5b에 도시된 바와 같이, 왼쪽의 마스크 컨퉈 이미지가 리버스 모델에 입력되면, 리버스 모델이 오른쪽의 OPC된 레이아웃 이미지를 생성할 수 있다. 한편, 왼쪽이 요구되는 타겟 마스크에 대한 마스크 컨퉈 이미지라고 할 때, 리버스 모델에 해당 마스크 컨퉈 이미지가 입력되면, 리버스 모델은, 그에 대응하는 오른쪽의 OPC된 레이아웃 이미지를 생성하게 된다. 또한, 이와 같이 생성된 OPC된 레이아웃 이미지는, 앞서 요구되는 타겟 마스크를 제작하기 위한 최초로 생성한 OPC된 레이아웃 이미지를 보정한 OPC된 레이아웃 이미지에 해당할 수 있다.
도 5b에서, Gr:M(t) --> P(c)의 수식은, 리버스 모델(Gr)에 마스크 컨퉈 이미지(M(t))가 입력되면, 리버스 모델(Gr)이 그에 대응하는 OPC된 레이아웃 이미지(P(c))를 생성함을 의미할 수 있다. M(t)에서 t는 target의 약자로 요구되는 타겟 마스크의 마스크 컨퉈 이미지를 의미할 수 있다. 또한, P(c)에서 c는 correction의 약자로 리버스 모델(Gr)에 의해 생성된 OPC된 레이이웃 이미지가 요구되는 타겟 마스크 제작을 위하여 보정된 OPC된 레이이웃 이미지에 해당함을 의미할 수 있다.
결국, 요구되는 타겟 마스크를 구현하기 위하여, 도 3a의 OPC된 레이아웃 이미지는 도 5b의 오른쪽의 OPC된 레이아웃 이미지로 보정되어야 함을 알 수 있다. 또한, 도 5b의 오른쪽의 OPC된 레이아웃 이미지(P(c))가 예측 모델(G)에 입력되면, 예측 모델(G)은 요구되는 타겟 마스크의 마스크 컨퉈 이미지(M(t))를 생성할 수 있고, 이는 요구되는 타겟 마스크의 레이아웃 이미지가 실제 마스크 상에 정확하게 구현된 것으로 볼 수 있다.
본 실시예의 마스크 레이아웃 보정 방법은, GAN 알고리즘에 기초한 딥러닝을 통해 변환 모델, 예컨대 리버스 모델을 생성하고, 리버스 모델을 이용하여 OPC된 레이아웃 이미지를 보정할 수 있다. 그에 따라, 요구되는 타겟 마스크를 정확하게 제작할 수 있도록 한다.
도 6은 본 발명의 일 실시예에 따른 마스크 레이아웃 보정 방법을 포함한 마스크 제조방법의 과정을 개략적으로 보여주는 흐름도이다. 도 1 내지 도 5b의 설명 부분에서 이미 설명한 내용은 간단히 설명하거나 생략한다.
도 6을 참조하면, 본 실시예의 마스크 레이아웃 보정 방법을 포함한 마스크 제조방법(이하, 간단히, '마스크 제조방법'이라 한다)은, OPC된 레이아웃 이미지들의 획득, 및 DB를 생성하는 단계(S210)부터 최종 OPC된 레이아웃 이미지로 결정하는 단계(S280)를 순차적으로 수행한다. OPC된 레이아웃 이미지들의 획득, 및 DB를 생성하는 단계(S210)부터 최종 OPC된 레이아웃 이미지로 결정하는 단계(S280)에 대해서는, 도 1의 마스크 레이아웃 보정 방법에 대한 설명 부분에서 설명한 바와 같다.
이후, 최종 OPC된 레이아웃 이미지를 MTO 디자인 데이터로서 마스크 제작팀으로 전달한다(S290). 일반적으로, MTO는 OPC 방법을 통해 획득한 최종 마스크 데이터를 마스크 제작팀으로 넘겨 마스크 제작을 의뢰하는 것을 의미할 수 있다. 따라서, MTO 디자인 데이터는 결국, 마스크 레이아웃 보정 방법을 통해 획득한 최종 OPC된 레이아웃 이미지에 대한 데이터와 실질적으로 동일할 수 있다. 이러한 MTO 디자인 데이터는 전자 설계 자동화(Electronic Design Automation: EDA) 소프트웨어 등에서 사용되는 그래픽 데이터 포맷을 가질 수 있다. 예컨대, MTO 디자인 데이터는 GDS2(Graphic Data System Ⅱ), OASIS(Open Artwork System Interchange Standard) 등의 데이터 포맷을 가질 수 있다.
이후, 마스크 데이터 준비(Mask Data Preparation: MDP)를 수행한다(S292). 마스크 데이터 준비는 예컨대, 분할(fracturing)로 불리는 i)포맷 변환, 기계식 판독을 위한 바코드, 검사용 표준 마스크 패턴, 잡-덱(job deck) 등의 ⅱ)추가(augmentation), 그리고 자동 및 수동 방식의 ⅲ)검증을 포함할 수 있다. 여기서 잡-덱은 다중 마스크 파일들의 배치정보, 기준 도우즈(dose), 노광 속도나 방식 등의 일련의 지령에 관한 텍스트 파일을 만드는 것을 의미할 수 있다.
한편, 포맷 변환, 즉 분할(fracturing)은 MTO 디자인 데이터를 각 영역별로 분할하여 전자빔 노광기용 포맷으로 변경하는 공정을 의미할 수 있다. 분할에는 예컨대, 크기 조절(Scaling), 데이터의 정립(sizing), 데이터의 회전, 패턴 반사, 색상 반전 등의 데이터 조작이 포함될 수 있다. 분할을 통한 변환 과정에서, 설계 데이터로부터 웨이퍼 상의 이미지로의 전달과정 중의 어디에선가 발생할 수 있는 수많은 계통 오차들(systematic errors)에 대한 데이터가 보정될 수 있다. 상기 계통 오차들에 대한 데이터 보정 공정을 마스크 프로세스 보정(Mask Process Correction: MPC)이라고 부르며, 예컨대 CD 조절이라고 부르는 선폭 조절 및 패턴 배치 정밀도를 높이는 작업 등이 포함될 수 있다. 따라서, 분할은 최종 마스크의 품질 향상에 기여할 수 있고 또한 마스크 프로세스 보정을 위해 선행적으로 수행되는 공정일 수 있다. 여기서, 계통 오차들은 노광 공정, 마스크 현상(development) 및 에칭(etching) 공정, 그리고 웨이퍼 이미징 공정 등에서 발생하는 왜곡에 의해서 유발될 수 있다.
한편, 마스크 데이터 준비는 MPC를 포함할 수 있다. MPC는 전술한 바와 같이 노광 공정 중에 발생하는 에러, 즉 계통 오차를 보정하는 공정을 말한다. 여기서, 노광 공정은 전자빔 쓰기(Writing), 현상, 에칭, 베이크(bake) 등을 전반적으로 포함하는 개념일 수 있다. 덧붙여, 노광 공정 전에 데이터 프로세싱이 수행될 수 있다. 데이터 프로세싱은 일종의 마스크 데이터에 대한 전처리 과정으로서, 마스크 데이터에 대한 문법 체크, 노광 시간 예측 등을 포함할 수 있다. 이러한 마스크 데이터 준비를 통해, 마스크용 기판을 노광할 E-빔 데이터가 생성될 수 있다.
마스크 데이터 준비 후, 마스크 데이터, 즉 E-빔 데이터를 이용하여 마스크용 기판을 노광한다(S294). 여기서, 노광은 예컨대, E-빔 쓰기(E-beam writing)를 의미할 수 있다. 여기서, E-빔 쓰기는 예컨대, 멀티-빔 마스크 노광기(Multi-Beam Mask Writer: MBMW)를 이용한 그레이 노광(Gray Writing) 방식으로 진행할 수 있다. 또한, 전자빔 쓰기는 가변 형상 빔(Variable Shape Beam: VSB) 노광기를 이용하여 수행할 수도 있다.
한편, 마스크 데이터 준비 단계 이후, 노광 공정 전에 E-빔 데이터를 픽셀 데이터로 변환하는 과정이 수행될 수 있다. 픽셀 데이터는 실제의 노광에 직접 이용되는 데이터로서, 노광 대상이 되는 형상에 대한 데이터와 그 각각에 할당된 E-빔의 도우즈에 대한 데이터를 포함할 수 있다. 여기서, 형상에 대한 데이터는 벡터 데이터인 형상 데이터가 래스터화 등을 통해 변환된 비트-맵(bit-map) 데이터일 수 있다.
노광 공정 후, 일련의 공정들을 진행하여 마스크를 완성할 수 있다. 일련의 공정들은 예컨대, 현상, 식각, 및 세정 등의 공정을 포함할 수 있다. 또한, 마스크 제조를 위한 일련의 공정에는 계측 공정, 결함 검사나 결함 수리 공정이 포함될 수 있다. 또한, 펠리클(pellicle) 도포 공정이 포함될 수도 있다. 여기서 펠리클 도포 공정은 최종 세척과 검사를 통해서 오염입자나 화학적 얼룩이 없다고 확인이 되면, 마스크 표면을 마스크의 배송 및 마스크의 가용수명 기간 동안 후속적인 오염으로부터 마스크를 보호하기 위해서 펠리클을 부착하는 공정을 의미할 수 있다.
본 실시예의 마스크 제조방법은, 전술한 도 1의 마스크 레이아웃 보정 방법을 포함할 수 있다. 그에 따라, 곡선 패턴을 포함한 마스크들에 대한 최적의 OPC된 레이아웃 이미지들을 생성하고, 최적의 OPC된 레이아웃 이미지들에 기초하여, 그에 대응하는 곡선 패턴을 포함하는 타겟 마스크들을 높은 신뢰성을 가지고 정확하게 제조할 수 있다.
지금까지, 본 발명을 도면에 도시된 실시예를 참고로 설명하였으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (10)

  1. 곡선 패턴(curvilinear pattern)을 포함하는 마스크들에 대하여 OPC(Optical Proximity Correction)된 레이아웃(OPCed layout) 이미지들을 획득하는 단계;
    상기 OPC된 레이아웃 이미지들에 기초하여 제작된 마스크들에 대한 SEM(Scanning Electron Microscope) 이미지들로부터 마스크 컨퉈(contour) 이미지들을 추출하는 단계;
    상기 OPC된 레이아웃 이미지들과 상기 마스크 컨퉈 이미지들을 이용하여, 머신 러닝(machine learning)을 수행하여 변환 모델을 생성하는 단계; 및
    상기 변환 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하는 단계;를 포함하는, 머신 러닝 기반 마스크 레이아웃 보정 방법.
  2. 제1 항에 있어서,
    상기 머신 러닝은 GAN(Generative Adversarial Network) 알고리즘에 기초한 딥러닝(deep learning)인 것을 특징으로 하는 머신 러닝 기반 마스크 레이아웃 보정 방법.
  3. 제2 항에 있어서,
    상기 변환 모델은,
    상기 OPC된 레이아웃 이미지를, 대응하는 상기 마스크 컨퉈 이미지로 변환하는 예측 모델과,
    상기 마스크 컨퉈 이미지를, 대응하는 상기 OPC된 레이아웃 이미지로 변환하는 리버스(reverse) 모델을 포함하고,
    상기 OPC된 레이아웃 이미지들을 보정하는 단계에서, 리버스 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하는 것을 특징으로 하는 머신 러닝 기반 마스크 레이아웃 보정 방법.
  4. 제1 항에 있어서,
    상기 OPC된 레이아웃 이미지들을 획득하는 단계에서,
    상기 OPC된 레이아웃 이미지들을 포함한 데이터베이스(Data Base: DB)를 생성하며,
    상기 OPC된 레이아웃 이미지들을 보정하는 단계 후에,
    보정된 상기 OPC된 레이아웃 이미지들을 포함한 새로운 DB를 생성하는 단계;
    보정된 상기 OPC된 레이아웃 이미지들에 대하여 MRC(Mask Rule Check)를 수행하는 단계;
    상기 MRC의 수행에서 디펙이 있는지 판단하는 단계; 및
    디펙이 없는 경우, 보정된 상기 OPC 레이아웃 이미지들을 최종 OPC된 레이아웃 이미지로서 결정하는 단계;를 더 포함하는 것을 특징으로 하는 머신 러닝 기반 마스크 레이아웃 보정 방법.
  5. 제1 항에 있어서,
    상기 변환 모델을 생성하는 단계에서,
    상기 OPC된 레이아웃 이미지들 각각과 그에 대응하는 상기 마스크 컨퉈 이미지들의 각각의 쌍(pair)을 가지고 싸이클 GAN 알고리즘을 수행하는 것을 특징으로 하는 머신 러닝 기반 마스크 레이아웃 보정 방법.
  6. 곡선 패턴을 포함하는 마스크들에 대한 OPC된 레이아웃 이미지들을 포함한 DB를 생성하는 단계;
    상기 OPC된 레이아웃 이미지들에 기초하여 제작된 마스크들에 대한 SEM 이미지들로부터 마스크 컨퉈 이미지들을 추출하는 단계;
    상기 OPC된 레이아웃 이미지들과 상기 마스크 컨퉈 이미지들을 이용하여, GAN 알고리즘에 기초한 딥러닝을 수행하여 변환 모델을 생성하는 단계;
    상기 변환 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하는 단계;
    보정된 상기 OPC된 레이아웃 이미지들을 포함한 새로운 DB를 생성하는 단계;
    보정된 상기 OPC 레이아웃 이미지들에 대하여 MRC를 수행하는 단계;
    상기 MRC의 수행에서 디펙이 있는지 판단하는 단계; 및
    디펙이 없는 경우, 보정된 상기 OPC 레이아웃 이미지들을 최종 OPC된 레이아웃 이미지로서 결정하는 단계;를 포함하는, 머신 러닝 기반 마스크 레이아웃 보정 방법.
  7. 제5 항에 있어서,
    상기 변환 모델은,
    상기 OPC된 레이아웃 이미지를, 대응하는 상기 마스크 컨퉈 이미지로 변환하는 예측 모델과,
    상기 마스크 컨퉈 이미지를, 대응하는 상기 OPC된 레이아웃 이미지로 변환하는 리버스 모델을 포함하고,
    상기 OPC된 레이아웃 이미지들을 보정하는 단계에서, 리버스 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하는 것을 특징으로 하는 머신 러닝 기반 마스크 레이아웃 보정 방법.
  8. 곡선 패턴을 포함하는 마스크들에 대한 OPC된 레이아웃 이미지들을 포함한 DB를 생성하는 단계;
    상기 OPC된 레이아웃 이미지들에 기초하여 제작된 마스크들에 대한 SEM 이미지들로부터 마스크 컨퉈 이미지들을 추출하는 단계;
    상기 OPC된 레이아웃 이미지들과 상기 마스크 컨퉈 이미지들을 이용하여, GAN 알고리즘에 기초한 딥러닝을 수행하여 변환 모델을 생성하는 단계;
    상기 변환 모델을 이용하여 상기 OPC된 레이아웃 이미지들을 보정하여, 최종 OPC된 레이아웃 이미지를 획득하는 단계;
    상기 최종 OPC된 레이아웃 이미지를 MTO(Mask Tape-Out) 디자인 데이터로서 전달하는 단계;
    상기 MTO 디자인 데이터에 기초하여 마스크 데이터를 준비하는 단계; 및
    상기 마스크 데이터에 기초하여 마스크용 기판을 노광하는 단계;를 포함하는, 마스크 제조방법.
  9. 제8 항에 있어서,
    상기 변환 모델은,
    상기 OPC된 레이아웃 이미지를, 대응하는 상기 마스크 컨퉈 이미지로 변환하는 예측 모델과,
    상기 마스크 컨퉈 이미지를, 대응하는 상기 OPC된 레이아웃 이미지로 변환하는 리버스 모델을 포함하고,
    상기 OPC된 레이아웃 이미지들을 보정하는 단계에서, 상기 리버스 모델을 이용하여, 상기 OPC된 레이아웃 이미지들을, 타겟의 마스크 컨퉈 이미지들에 대응하는 OPC된 레이아웃 이미지들로 보정하는 것을 특징으로 하는 마스크 제조방법.
  10. 제8 항에 있어서,
    상기 마스크 데이터는 상기 E-빔 데이터를 포함하고,
    상기 노광하는 단계에서, E-빔 데이터를 이용한 E-빔 쓰기가 수행되며,
    보정된 상기 OPC된 레이아웃 이미지들에 기초하여 상기 E-빔 데이터가 업데이트 또는 조절되는 것을 특징으로 하는 마스크 제조방법.
KR1020210149955A 2021-11-03 2021-11-03 머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법 KR20230064407A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210149955A KR20230064407A (ko) 2021-11-03 2021-11-03 머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법
US17/841,734 US20230132893A1 (en) 2021-11-03 2022-06-16 Mask layout correction methods based on machine learning, and mask manufacturing methods including the correction methods
CN202211356766.4A CN116068841A (zh) 2021-11-03 2022-11-01 掩模布局校正方法以及包括该校正方法的掩模制造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210149955A KR20230064407A (ko) 2021-11-03 2021-11-03 머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법

Publications (1)

Publication Number Publication Date
KR20230064407A true KR20230064407A (ko) 2023-05-10

Family

ID=86146257

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210149955A KR20230064407A (ko) 2021-11-03 2021-11-03 머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법

Country Status (3)

Country Link
US (1) US20230132893A1 (ko)
KR (1) KR20230064407A (ko)
CN (1) CN116068841A (ko)

Also Published As

Publication number Publication date
CN116068841A (zh) 2023-05-05
US20230132893A1 (en) 2023-05-04

Similar Documents

Publication Publication Date Title
KR100596760B1 (ko) 시각 검사 및 검증 시스템
KR102441582B1 (ko) Mpc 검증 방법 및 그 검증 방법을 포함한 마스크 제조방법
US20220291593A1 (en) Method and apparatus for lithographic process performance determination
US20040052411A1 (en) Soft defect printability simulation and analysis for masks
JP4728676B2 (ja) フォトマスクの製造方法、及びそのフォトマスクを用いた半導体装置の製造方法
KR20150142900A (ko) 전자빔을 이용한 노광 방법과 그 노광 방법을 이용한 마스크 및 반도체 소자 제조방법
CN110879507B (zh) 用于执行光学邻近校正的方法和使用其制造掩模的方法
JP2006276214A (ja) 光学画像取得装置、光学画像取得方法、及びマスク検査装置
JP2008112178A (ja) マスク検査装置
CN112561873B (zh) 一种基于机器学习的cdsem图像虚拟测量方法
US11699227B2 (en) Method of verifying error of optical proximity correction model
US6765651B1 (en) Fast image simulation for photolithography
KR20220127004A (ko) 확률론적 콘투어 예측 시스템 및 확률론적 콘투어 예측 시스템의 제공 방법 및 확률론적 콘투어 예측 시스템을 이용한 EUV(Extreme Ultra violet) 마스크의 제공 방법
CN110824829B (zh) 一种建立opc模型的方法以及光学邻近修正方法
US6976240B2 (en) Simulation using design geometry information
US7930654B2 (en) System and method of correcting errors in SEM-measurements
KR20230131715A (ko) 딥러닝 기반 opc 패턴의 코너 라운딩 방법, 및 그 코너 라운딩 방법을 포함한 opc 방법과 마스크 제조방법
KR20210029495A (ko) Opc 방법 및 그 opc 방법을 이용한 마스크 제조방법
KR20230064407A (ko) 머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법
KR20240000284A (ko) 딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법
US20220283496A1 (en) Photomask and method for inspecting photomask
US11747721B2 (en) Method of forming shape on mask based on deep learning, and mask manufacturing method using the method of forming the shape on mask
KR20220095472A (ko) 패턴 분석 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법
KR20210046459A (ko) 멀티-opc 모델을 이용한 opc 방법, 및 그 opc 방법을 이용한 마스크 제조방법
US20230324881A1 (en) Machine learning (ml)-based process proximity correction (ppc) method and semiconductor device manufacturing method including the same