KR20230131715A

KR20230131715A - 딥러닝 기반 opc 패턴의 코너 라운딩 방법, 및 그 코너 라운딩 방법을 포함한 opc 방법과 마스크 제조방법

Info

Publication number: KR20230131715A
Application number: KR1020220028962A
Authority: KR
Inventors: 김경수; 이수용; 양재원; 여상철; 이혁
Original assignee: 삼성전자주식회사
Priority date: 2022-03-07
Filing date: 2022-03-07
Publication date: 2023-09-14
Also published as: CN116719206A; US20230280646A1

Abstract

본 발명의 기술적 사상은, 패터닝 신뢰성을 확보할 수 있는 딥러닝 기반 OPC 패턴의 코너 라운딩 방법, 및 그 코너 라운딩 방법을 포함한 OPC 방법과 마스크 제조방법을 제공한다. 그 딥러닝 기반 OPC 패턴의 코너 라운딩 방법은 웨이퍼 상의 PR(Photo-Resist) 패턴 또는 식각 패턴에 대한 컨퉈(contour)를 획득하는 단계; 상기 컨퉈에 대응하는 상기 PR 패턴 또는 식각 패턴에 대한 직각 레이아웃을 획득하는 단계; 상기 직각 레아아웃과 상기 컨퉈를 가지고 딥러닝(deep learning)을 통해 변환 모델을 생성하는 단계; 및 상기 변환 모델을 이용하여 직각 레이아웃 타겟에 대한 라운디드(rounded) 레이아웃 타겟을 획득하는 단계;를 포함한다.

Description

딥러닝 기반 OPC 패턴의 코너 라운딩 방법, 및 그 코너 라운딩 방법을 포함한 OPC 방법과 마스크 제조방법{Corner rounding method of OPC pattern based on deep learning, and OPC method and mask manufacturing method comprising the corner rounding method}

본 발명의 기술적 사상은 마스크 제조방법에 관한 것으로, 특히 OPC 방법과 마스크 제조방법에 관한 것이다.

반도체 공정에서, 웨이퍼 등과 같은 반도체 기판 상에 패턴을 형성하기 위하여 마스크를 이용한 포토리소그라피 공정이 수행될 수 있다. 마스크는, 투명한 기층 소재 상에 불투명한 재질의 패턴 형상이 형성되어 있는 패턴 전사체라고 말할 수 있다. 이러한 마스크를 제작하기 위하여, 먼저 요구되는 패턴에 대한 레이아웃을 디자인한 후, OPC(Optical Proximity Correction)을 통해 획득한 OPC된 레이아웃 데이터를 MTO(Mask Tape-Out) 디자인 데이터로서 전달한다. 이후, MTO 디자인 데이터에 기초하여 마스크 데이터 준비(Mask Data Preparation: MDP)를 하고 마스크용 기판 상에 노광 공정 등을 수행할 수 있다.

본 발명의 기술적 사상은, 패터닝 신뢰성을 확보할 수 있는 딥러닝 기반 OPC 패턴의 코너 라운딩 방법, 및 그 코너 라운딩 방법을 포함한 OPC 방법과 마스크 제조방법을 제공하는 데에 있다.

또한, 본 발명의 기술적 사상이 해결하고자 하는 과제는, 이상에서 언급한 과제에 제한되지 않으며, 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있다.

상기 과제를 해결하기 위하여, 본 발명의 기술적 사상은, 웨이퍼 상의 PR(Photo-Resist) 패턴 또는 식각 패턴에 대한 컨퉈(contour)를 획득하는 단계; 상기 컨퉈에 대응하는 상기 PR 패턴 또는 식각 패턴에 대한 직각 레이아웃을 획득하는 단계; 상기 직각 레아아웃과 상기 컨퉈를 가지고 딥러닝(deep learning)을 통해 변환 모델을 생성하는 단계; 및 상기 변환 모델을 이용하여 직각 레이아웃 타겟에 대한 라운디드(rounded) 레이아웃 타겟을 획득하는 단계;를 포함하는 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 제공한다.

또한, 본 발명의 기술적 사상은, 상기 과제를 해결하기 위하여, 직선 에지들을 포함한 리타겟 레이아웃을 생성하는 단계; 상기 리타겟 레이아웃에 대하여 OPC를 수행하여 OPC된 레이아웃을 생성하는 단계; 상기 OPC된 레이아웃에 대하여, ORC(Optical Rule Check)를 수행하는 단계; 및 상기 ORC를 수행하는 단계에서 디펙이 없는 경우, 상기 기본 OPC된 레이아웃을 최종 OPC된 레이아웃으로 결정하는 단계;를 포함하고, 딥러닝 기반 OPC 패턴의 코너 라운딩에 기초하여, 상기 리타겟 레이아웃 또는 상기 OPC된 레이아웃을 생성하는, OPC 방법을 제공한다.

더 나아가, 본 발명의 기술적 사상은, 상기 과제를 해결하기 위하여, 직선 에지들을 포함한 리타겟 레이아웃을 생성하는 단계; 상기 리타겟 레이아웃에 대하여 OPC를 수행하여 OPC된 레이아웃을 생성하는 단계; 상기 OPC된 레이아웃에 대하여, ORC(Optical Rule Check)를 수행하는 단계; 상기 ORC를 수행하는 단계에서 디펙이 없는 경우, 상기 기본 OPC된 레이아웃을 최종 OPC된 레이아웃으로 결정하는 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 포함하고, 딥러닝 기반 OPC 패턴의 코너 라운딩에 기초하여, 상기 리타겟 레이아웃 또는 상기 OPC된 레이아웃을 생성하는, 마스크 제조방법을 제공한다.

본 발명의 기술적 사상에 의한 마스크 제조방법은, 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 채용할 수 있다. 구체적으로, 본 발명의 기술적 사상에 의한 마스크 제조방법은, OPC 방법의 리타겟 레이아웃을 생성하는 단계 및/또는 OPC된 레이아웃을 생성하는 단계에서 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 채용할 수 있다. 그에 따라, 본 발명의 기술적 사상에 의한 마스크 제조방법은, 코너 라운딩 방법을 포함한 OPC 방법에 기초하여, 리타겟 레이아웃 및/또는 OPC된 레이아웃을 정확하게 생성할 수 있다. 결과적으로, 본 발명의 기술적 사상에 의한 마스크 제조방법은, 정확한 OPC된 레이아웃에 기초하여 신뢰성 있는 마스크를 제조할 수 있도록 한다.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 포함한 OPC 방법의 과정을 개략적으로 보여주는 흐름도이다.
도 2는, 반도체 8대 공정에서 도 1의 OPC 방법에서, 코너 라운딩 방법이 적용되는 부분을 설명하기 위한 개념도이다.
도 3은, 도 1의 OPC 방법의 코너 라운딩 방법에 이용되는, GAN을 이용한 딥러닝을 통해 변환 모델을 생성하는 과정을 설명하기 위한 개념도이다.
도 4는, 도 1의 OPC 방법의 코너 라운딩 방법에 이용되는, GAN의 구조를 구체적으로 보여주는 블록 구조도이다.
도 5a 및 도 5b는 각각, 도 1의 OPC 방법에서, 리타겟 레이아웃을 생성하는 단계와 OPC된 레이아웃을 생성하는 단계에서 코너 라운딩 방법의 과정을 좀더 구체적으로 보여주는 흐름도이다.
도 6a 및 도 6b는 도 5a의 제1 컨퉈와 제1 직각 레이아웃을 보여주는 이미지들이다.
도 7a 및 도 7b는 각각, 도 1의 OPC 방법에서, 리타겟 레이아웃을 생성하는 단계에서 리타겟 레이아웃을 생성하는 과정과, OPC된 레이아웃을 생성하는 단계에서 OPC된 레이아웃 타겟을 생성하는 과정을 보여주는 흐름도이다.
도 8a 및 도 8b는 곡선의 레이아웃에 대한 맨하탄화를 설명하기 위한 이미지들이다.
도 9는 본 발명의 일 실시예에 따른 코너 라운딩 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 딥러닝(deep learning) 기반 OPC(Optical Proximity Correction) 패턴의 코너 라운딩 방법을 포함한 OPC 방법의 과정을 개략적으로 보여주는 흐름도이다.

도 1을 참조하면, 본 실시예의 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 포함한 OPC 방법(이하, 간단히, 'OPC 방법'이라 한다)은, 먼저, 리타겟 레이아웃을 생성한다(S110). 리타겟 레이아웃은 딥러닝 기반 OPC 패턴의 코너 라운딩 방법(이하, 간단히, '코너 라운딩 방법'이라 한다)을 통해 생성될 수 있다. 코너 라운딩 방법에 대해서는 도 5a 및 도 5b의 설명 부분에서 좀더 상세히 설명한다. 또한, 코너 라운팅 방법을 통해 리타겟 레이아웃을 생성하는 과정에 대해서는 도 7a의 설명 부분에서 좀더 상세히 설명한다.

참고로, 일반적으로 웨이퍼 기판 상에 타겟 패턴을 형성하기 위하여, 먼저, 마스크 상의 패턴에 대한 타겟 레이아웃을 생성한다. 여기서, 타겟 패턴은 마스크 상의 패턴이 노광 공정을 통해 웨이퍼 기판 상에 전사되어 형성된 패턴을 의미하고, 노광 공정의 특성상 타겟 패턴과 마스크 상의 패턴의 형태는 다를 수 있다. 또한, 마스크 상의 패턴은 축소 투영되어 기판 상에 전사되므로, 마스크 상의 패턴은 기판 상의 타겟 패턴보다는 큰 사이즈를 가질 수 있다.

한편, 패턴이 미세화 됨에 따라, 이웃하는 패턴들 간의 영향에 의한 광 근접 현상(Optical Proximity Effect: OPE)이 노광 공정 중에 발생하고, 이를 극복하기 위해서 마스크 상의 패턴의 타겟 레이아웃을 보정하여 OPE 발생을 억제하는 OPC이 수행될 수 있다. 또한, 노광 공정이나 식각 공정에서 코너 라운딩 변화에 따른 패터닝의 신뢰성을 확보하기 위하여, 일반적인 OPC 과정을 수행하기 전에, 마스크 상의 패턴에 대한 타겟 레이아웃을 보정하여 리타겟 레이아웃을 생성하는 과정이 선행될 수 있다. 일반적인 OPC 과정에 대해서는 OPC를 통해 OPC된(OPCed) 레이아웃을 생성하는 단계(S130)의 설명 부분에서 좀더 상세히 설명한다.

코너 라운딩 변화와 관련하여, 기존에 웨이퍼 기판 상에 샘플링 된 패턴들의 코너 라운딩을 분석하여, 타겟 레이아웃에 그 차이를 보정하는 방식을 채용하고 있으나, 이 방식은 샘플링 된 패턴들의 보정값을 다양한 패턴들의 타겟 레이아웃에 근사치로 적용하다 보니 패터닝의 신뢰성이 떨어지는 문제점이 있다. 그러나 본 실시예의 OPC 방법은, 코너 라운딩 방법을 이용하여 리타겟 레이아웃을 생성함으로써, 패터닝의 정확도 및 신뢰성을 향상시킬 수 있다.

리타겟 레이아웃의 생성 후, OPC를 통해 OPC된 레이아웃을 생성한다(S130). 여기서, OPC는 일반적인 OPC 과정을 의미할 수 있다. 본 실시예의 OPC 방법은 리타겟 레이아웃을 생성하는 단계(S110), 및 ORC(Optical Rule Check)을 수행하는 단계(S150) 등을 더 포함할 수 있다. 따라서, 본 실시예의 OPC 방법은 일반적인 OPC 과정보다는 더 큰 개념일 수 있다.

일반적인 OPC 과정에 대해 전반적으로 설명하면 다음과 같다. OPC 과정은 크게 두 가지로 나누어지는데, 하나는 룰 베이스(rule-based) OPC 과정이고, 다른 하나는 시뮬레이션 베이스 또는 모델 베이스(model-based) OPC 과정이다. 모델 베이스 OPC 과정은 대량의 테스트 패턴들 모두를 측정할 필요가 없이 대표 패턴들의 측정 결과만을 이용하므로 시간 및 비용 면에서 유리할 수 있다.

한편, 일반적인 OPC 과정은 패턴의 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.

OPC 과정의 수행은, 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 이용한 시뮬레이션을 수행하여 OPC된 레이아웃을 생성한다. 한편, 본 실시예의 OPC 방법은, 일반적인 OPC 과정에 덧붙여, 코너 라운딩 방법에 기초하여 OPC된 레이아웃을 생성하는 과정을 더 포함할 수 있다. 그에 대해서는, 도 7b의 설명 부분에서 좀더 상세히 설명한다.

OPC된 레이아웃의 생성 후, OPC된 레이아웃에 대하여 ORC를 수행한다(S150). ORC는, 예컨대, CD 에러에 대한 RMS(Root Mean Square) 계산, EPE(Edge Placement Error) 계산, 핀치(pinch) 에러 검사, 브릿지(bridge) 에러 검사 등을 포함할 수 있다. 물론, ORC에서 검사되는 항목들이 전술한 항목들에 한정되는 것은 아니다.

ORC의 수행 후, 디펙이 존재하는지 판단한다(S170). 여기서, 디펙은 CD 에러에 대한 RMS가 설정된 기준 값보다 큰 경우, EPE가 설정된 기준 값보다 큰 경우, 핀치 에러가 존재하는 경우, 브릿지 에러가 존재하는 경우 등에 해당할 수 있다. 또한, ORC에 다른 항목들이 있는 경우, 해당 항목들이 기준을 벗어나는 경우도 디펙에 해당할 수 있다. 한편, 실시예에 따라, 디펙이 존재하는지 판단하는 단계(S170)는 ORC를 수행하는 단계(S150)에 포함될 수도 있다.

디펙이 존재하는 경우(Yes), OPC를 통해 OPC된 레이아웃을 생성하는 단계(S130)로 이행 한다. 한편, OPC를 통해 OPC된 레이아웃을 생성하는 단계(S130) 전에, 디펙의 원인을 분석하고, 그 원인을 OPC 모델에 반영할 수 있다.

디펙이 존재하지 않는 경우(No), 해당 OPC된 레이아웃을 최종 OPC된 레이아웃으로 결정한다(S190). 최종 OPC된 레이아웃은 마스크의 디자인 데이터에 해당할 수 있다. 이후, 최종 OPC된 레이아웃은 마스크 제작을 위하여 MTO(Mask Tape-Out) 디자인 데이터로서 마스크 제작팀으로 전달될 수 있다.

본 실시예의 OPC 방법은, 딥러닝 기반 OPC 패턴의 코너 라운딩 방법에 기초하여, 리타겟 레이아웃 및/또는 OPC된 레이아웃을 정확하게 생성할 수 있다. 그에 따라, 본 실시예의 OPC 방법은, 신뢰성 있는 마스크의 제조, 및 마스크에 의한 패터닝의 정확도 및 신뢰성을 향상시키는데 기여할 수 있다.

도 2는, 반도체 8대 공정에서 도 1의 OPC 방법에서, 코너 라운딩 방법이 적용되는 부분을 설명하기 위한 개념도이다.

도 2를 참조하면, 일반적으로 포토 공정은 마스크를 이용한 노광 공정 및 현상 공정을 통해 웨이퍼 기판 상에 PR 패턴을 형성하는 공정을 의미할 수 있다. 또한, 식각 공정은 PR 패턴을 이용하여 웨이퍼 기판 또는 웨이퍼 기판 상의 물질층에 패턴을 형성하는 공정을 의미할 수 있다. 한편, 식각 공정에서, 식각 바이어스(etch bias)를 보상하기 위하여, PPC(Process Proximity Correction) 과정이 수행될 수 있다.

포토 공정에서 OPC가 수행될 수 있고, OPC를 통해 OPC된 레이아웃에 대한 이미지 또는 데이터를 획득할 수 있다. 그에 따라, 포토 공정은 OPC를 통해 OPC된 레이아웃을 생성하는 과정, OPC된 레이아웃으로 마스크를 제조하는 과정, 마스크를 이용한 노광 공정을 통해 웨이퍼 기판 상에 PR 패턴을 형성하는 과정 등을 포함할 수 있다.

본 실시예의 OPC 방법에서, 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 포함할 수 있다. 딥러닝은, 예컨대, GAN(Generative Adversarial Network)을 이용하여 수행될 수 있다. 구체적으로, 본 실시예의 OPC 방법의 코너 라운딩 방법의 경우, 변환 모델로의 입력 이미지는 ADI(After Develop Inspection) 타겟 이미지이고, 변환 모델로부터의 출력 이미지는 웨이퍼 기판 상의 PR 패턴에 대한 컨퉈(contour) 이미지일 수 있다. 여기서, PR 패턴에 대한 컨퉈 이미지는 라운디드(rounded) ADI 타겟 이미지에 대응할 수 있다. 한편, PPC 과정의 코너 라운딩 방법의 경우, 변환 모델로의 입력 이미지는 ACI(After Cleaning Inspection) 타겟 이미지이고, 변환 모델로부터의 출력 이미지는 웨이퍼 기판 상의 식각 패턴에 대한 컨퉈 이미지일 수 있다. 여기서, 식각 패턴에 대한 컨퉈 이미지는 라운디드 ACI 타겟 이미지에 해당할 수 있다. GAN을 이용한 딥러닝을 통해 변환 모델을 생성하는 과정, 및 GAN의 구조에 대해서는 도 3 및 도 4의 설명 부분에서 좀더 상세히 설명한다.

도 3은, 도 1의 OPC 방법의 코너 라운딩 방법에 이용되는, GAN을 이용한 딥러닝을 통해 변환 모델을 생성하는 과정을 설명하기 위한 개념도이다.

도 3을 참조하면, 본 실시예의 OPC 방법의 코너 라운딩 방법에서, 입력 이미지와 출력 이미지를 GAN의 딥러닝의 이미지로 이용할 수 있다. GAN에 대해서 간단히 설명하면, GAN은 딥러닝 기반의 생성적(generative) 알고리즘으로, 2가지 서브 모델을 포함할 수 있다. 즉, GAN은, 생성자 모델(Generator Model)과, 판별자 모델(Discriminator Model)을 포함할 수 있다. 생성자 모델은, 본 실시예의 OPC 방법에서, 변환 모델에 해당할 수 있다. 생성자 모델은 새로운 예제들을 생성하고, 판별자 모델은 생성된 예제가 실제 데이터인지 아니면 생성자 모델에 의해 생성된 가짜 데이터인지 판단하게 된다.

예컨대, 본 실시예의 OPC 방법과 관련하여, 생성자 모델은 입력 이미지를 변환하여, OPC 또는 PPC 후의 이미지에 대응하는 출력 이미지를 생성할 수 있다. 예컨대, OPC 과정의 경우, 생성자 모델로의 입력 이미지는 ADI 이미지이고, 생성자 모델로부터 출력 이미지는 웨이퍼 기판 상의 PR 패턴의 컨퉈 이미지일 수 있다. 또한, PPC 과정의 경우, 생성자 모델로의 입력 이미지는 ACI 이미지이고, 생성자 모델로부터 출력 이미지는 웨이퍼 기판 상의 식각 패턴에 대한 컨퉈 이미지일 수 있다.

한편, 판별자 모델에는 생성자 모델에 의해 생성된 출력 이미지와 기준 이미지가 입력될 수 있다. 여기서, 기준 이미지는 출력 이미지가 도달하여야 하는 최종 이미지에 해당할 수 있다. 예컨대, 출력 이미지가 PR 패턴의 컨퉈 이미지인 경우, 기준 이미지는 실제 웨이퍼 기판 상의 PR 패턴에 대응하는 라운디드 ADI 타겟 이미지일 수 있다. 또한, 출력 이미지가 식각 패턴의 컨퉈 이미지인 경우, 기준 이미지는 실제 웨이퍼 기판 상의 식각 패턴에 대응하는 라운디드 ACI 타겟 이미지일 수 있다. 판별자 모델은 출력 이미지와 기준 이미지를 비교하여, 출력 이미지가 진짜인지 아니면 생성자 모델에 의해 생성된 가짜인지 판단하다. 다시 말해서, 판별자 모델은 출력 이미지와 기준 이미지가 실질적으로 동일하면, 출력 이미지를 진짜라고 판단하고, 출력 이미지와 기준 이미지 간에 차이가 존재하면 출력 이미지를 가짜라고 판단할 수 있다.

구체적으로, 도 3에서, 입력 이미지(IPI)로서 ADI 이미지를 생성자 모델에 입력하면, 생성자 모델은 PR 패턴의 컨퉈 이미지인 출력 이미지(OPI)를 생성한다. 이후, 판별자 모델에 출력 이미지(OPI)와 기준 이미지(RI)가 입력된다. 여기서, 기준 이미지(RI)는 실제 웨이퍼 기판 상의 PR 패턴에 대응하는 라운디드 ADI 타겟 이미지일 수 있다. 도 3의 기준 이미지(RI)에서, 실선이 라운디드 ADI 타겟 이미지를 나타내고, 점선이 출력 이미지(OPI)의 PR 패턴의 컨퉈 이미지를 나타낸다.

계속해서, 판별자 모델은 출력 이미지(OPI)가 기준 이미지(RI)와 동일한지 판단한다. 예컨대, 판별자 모델은, 생성자 모델에 의해 생성된 PR 패턴의 컨퉈 이미지가 실제 웨이퍼 기판 상의 PR 패턴에 대응하는 라운디드 ADI 타겟 이미지와 동일하지, 또는 동일하지 않는지 판단한다. 이후, 판단 결과에 따라, 생성자 모델과 판별자 모델을 계속해서 업데이트 한다. 이러한 과정을 계속 반복하여 판별자 모델이 출력 이미지(OPI)와 기준 이미지(RI)를 더 이상 구별할 수 없는 수준에 이르게 되면, 딥러닝이 끝나게 되고, 이때의 생성자 모델을 최종적인 변환 모델로 채택할 수 있다. 한편, 판별자 모델은 딥러닝이 끝나게 되면 버려지게 된다.

도 4는, 도 1의 OPC 방법의 코너 라운딩 방법에 이용되는, GAN의 구조를 구체적으로 보여주는 블록 구조도이다.

도 4를 참조하면, 본 실시예의 OPC 방법의 코너 라운딩 방법에서, GAN의 생성자 모델, 즉 변환 모델이 보다 정확한 이미지를 생성하기 위해서, 입력된 이미지들에서 특징을 정확하게 추출해야 한다. 그러한 특징을 뽑아내기 위하여 도 4에 도시된 바와 같은 컨볼루션(convolution) 과정이 필요할 수 있다. 그에 따라, 본 실시예의 OPC 방법의 코너 라운딩 방법에서, GAN은 DCGAN(Deep Convolution GAN)일 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 다운샘플링과 업샘플링 과정 사이에 레지듀얼 학습(residual learning)이 포함될 수 있다. 레지듀얼 학습을 통해 주변 영역의 광학적 효과가 반영될 수 있다.

한편, 본 실시예의 OPC 방법의 코너 라운딩 방법에서, 한번 더 다운샘플링(down3) 한 이미지를 가지고 레지듀얼 학습 후 업샘플링하고, 앞서 레지듀얼 학습한 이미지와 결합하여, 업샘플링을 수행할 수 있다. 또한, 본 실시예의 OPC 방법의 코너 라운딩 방법에서, 두 번 이상 다운샘플링, 및 두 번 이상 다운샘플링 한 각각의 이미지를 가지고 레지듀얼 학습이 수행될 수도 있다.

본 실시예의 OPC 방법에서, GAN은 다수의 다운 샘플 층들(down sample layers)을 포함함으로써, 원거리까지 픽셀 상관 관계(pixel correlation)가 가능한 구조를 가질 수 있다. 다운 샘플 층을 통과할 때마다 입력 이미지는 출력층에서 절반 크기로 줄어들 수 있다. 그러나 줄어든 이미지는 여전히 입력 이미지와 동일한 넓이에 해당하는 패턴 정보를 함축하고 있으므로, 픽셀 하나가 대변하는 정보는 입력 이미지의 2배(또는 면적의 개념으로 4배)에 해당할 수 있다. 이는 결과적으로 동일한 크기의 커널을 사용하더라도, 다운 샘플 층을 더 많이 통과한 이미지에 작용하는 커널이 더 넓은 영역에 대한 픽셀 상관 관계를 표현할 수 있다.

덧붙여, 레지듀얼 학습과 관련하여, 도 4에서 레지듀얼 블록 퍼스트 구조가 이용되고 있는데, 그와 달리 레지듀얼 블록 라스트 구조가 이용될 수 있다. 레지듀얼 블록 퍼스트 구조에서는 다운 샘플링 후에 레지듀얼 학습이 진행되는 반면, 레지듀얼 블록 라스트 구조에서는 레지듀얼 학습이 먼저 진행된 후에 다운 샘플링이 수행될 수 있다. 한편, 이미지의 결합의 경우, 연속 층(concat. layer) 구조를 이용하여 수행될 수도 있지만, 합-융합 층(sum-fusion layer) 구조를 이용하여 수행될 수도 있다. 연속 층 구조의 경우, 채널 방향으로 2배 커진 구조를 가지므로, 커널도 커지게 되고 많은 파라미터를 가지게 된다. 그에 반해, 합-융합 층 구조의 경우, 엘리먼트와이즈 섬(elementwise sum)을 통해 생성되므로, 커널을 작은 사이즈로 유지하면서 비슷한 성능의 출력 결과를 얻을 수 있다.

도 5a 및 도 5b는 각각, 도 1의 OPC 방법에서, 리타겟 레이아웃을 생성하는 단계와 OPC된 레이아웃을 생성하는 단계에서 코너 라운딩 방법의 과정을 좀더 구체적으로 보여주는 흐름도이다.

도 5a를 참조하면, 본 실시예의 OPC 방법에서, 리타겟 레이아웃을 생성하는 단계(110)는 코너 라운딩 방법을 포함할 수 있다. 구체적으로, 리타겟 레이아웃을 생성하는 단계(110)에서, 코너 라운딩 방법은 다음과 같은 과정들을 포함할 수 있다. 먼저, 식각 패턴에 대한 제1 컨퉈를 획득한다(S101). 식각 패턴은 웨이퍼 기판 상에 PR 패턴을 이용한 식각 공정을 통해 형성된 패턴을 의미할 수 있다. 식각 패턴은 식각 공정에서의 코너 라운딩 현상에 의해 코너가 라운딩된 형태를 가질 수 있다. 한편, 제1 컨퉈는 식각 패턴에 대한 다수의 SEM(Scanning Electron Microscope) 이미지들로부터 평균 값을 사용하여 생성할 수 있다.

다음, 식각 패턴에 대한 제1 직각 레이아웃을 획득한다(S103). 여기서, 직각 레이아웃은 직각 에지들만으로 이루어진 레이아웃을 의미할 수 있다. 그에 따라, 제1 직각 레이아웃은 직각 에지들만을 포함할 수 있다. 이러한 제1 직각 레이아웃은 제1 컨퉈에 대하여 맨하탄화(Manhanttanization)를 수행하여 회득할 수 있다. 참고로, 하나의 제1 직각 레이아웃에 여러 개의 제1 컨퉈들이 대응될 수 있다. 다시 말해서, 하나의 직각 레이아웃의 ACI에 대응하여, 웨이퍼 기판 상의 식각 패턴에 대한 컨퉈가 다양한 형태로 획득될 수 있다. 맨하탄화에 대해서는 도 8a 및 도 8b의 설명 부분에서 좀더 상세히 설명한다.

이후, GAN을 이용한 딥러닝을 통해 제1 변환 모델을 생성한다(S105). GAN을 이용한 딥러닝에서, 제1 변환 모델이 생성자 모델에 해당하고, 제1 직각 레이아웃이 입력 이미지에 해당하며, 제1 컨퉈가 출력 이미지에 해당할 수 있다. 다수의 제1 직각 레이아웃과 그에 대응하는 제1 컨퉈들을 이용하여 딥러닝이 수행되고, 최종적인 생성자 모델이 제1 변환 모델로서 생성될 수 있다. 여기서, 제1 직각 레이아웃은, ACI에 해당하고, 제1 컨퉈는 라운디드 ACI에 해당할 수 있다.

제1 변환 모델 생성 후, 제1 변환 모델을 통해 제1 라운디드 레이아웃 타켓을 획득한다(S107). 다시 말해서, 타겟에 해당하는 제1 직각 레이아웃 타겟을 제1 변환 모델에 입력하면, 제1 변환 모델은 제1 직각 레이아웃 타겟에 대응하는 제1 컨퉈, 즉 제1 라운디드 레이아웃 타겟을 출력할 수 있다. 여기서, 제1 직각 레이아웃 타겟은 직각 레이아웃 형태의 ACI 타겟을 의미하고, 제1 라운디드 레이아웃 타켓은 식각 공정에서의 코너 라운딩이 반영된 라운디드 ACI 타겟에 해당할 수 있다.

본 실시예의 OPC 방법은, 리타겟 레이아웃을 생성하는 단계(110)에서, 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 이용함으로써, 코너 라운딩이 반영된 라운디드 ACI 타겟을 정확하게 획득할 수 있다.

도 5b를 참조하면, 본 실시예의 OPC 방법에서, OPC된 레이아웃을 생성하는 단계(120)는 코너 라운딩 방법을 포함할 수 있다. 구체적으로, OPC된 레이아웃을 생성하는 단계(120)에서, 코너 라운딩 방법은 다음과 같은 과정들을 포함할 수 있다. 먼저, PR 패턴에 대한 제2 컨퉈를 획득한다(S121). PR 패턴은 웨이퍼 기판 상에 PR층에 대한 노광 공정을 통해 형성된 PR 패턴을 의미할 수 있다. 노광 공정은 현상(develop) 공정을 포함할 수 있다. PR 패턴은 노광 공정에서의 코너 라운딩 현상에 의해 코너가 라운딩된 형태를 가질 수 있다. 한편, 제2 컨퉈는 PR 패턴에 대한 다수의 SEM 이미지들로부터 평균 값을 사용하여 생성할 수 있다.

다음, PR 패턴에 대한 제2 직각 레이아웃을 획득한다(S123). 제2 직각 레이아웃, 역시 직각 에지들만을 포함할 수 있다. 제2 직각 레이아웃은 제2 컨퉈에 대하여 맨하탄화를 수행하여 회득할 수 있다. 참고로, 하나의 제2 직각 레이아웃에 여러 개의 제2 컨퉈들이 대응될 수 있다. 다시 말해서, 하나의 직각 레이아웃의 ADI에 대응하여, 웨이퍼 기판 상의 PR 패턴에 대한 컨퉈가 다양한 형태로 획득될 수 있다.

이후, GAN을 이용한 딥러닝을 통해 제2 변환 모델을 생성한다(S125). GAN을 이용한 딥러닝에서, 제2 변환 모델이 생성자 모델에 해당하고, 제2 직각 레이아웃이 입력 이미지에 해당하며, 제2 컨퉈가 출력 이미지에 해당할 수 있다. 다수의 제2 직각 레이아웃과 그에 대응하는 제2 컨퉈들을 이용하여 딥러닝이 수행되고, 최종적인 생성자 모델이 제2 변환 모델로서 생성될 수 있다. 여기서, 제2 직각 레이아웃은, ADI에 해당하고, 제2 컨퉈는 라운디드 ADI에 해당할 수 있다.

제2 변환 모델 생성 후, 제2 변환 모델을 통해 제2 라운디드 레이아웃 타켓을 획득한다(S127). 다시 말해서, 타겟에 해당하는 제2 직각 레이아웃 타겟을 제2 변환 모델에 입력하면, 제2 변환 모델은 제2 직각 레이아웃 타겟에 대응하는 제2 컨퉈, 즉 제2 라운디드 레이아웃 타겟을 출력할 수 있다. 여기서, 제2 직각 레이아웃 타겟은 직각 레이아웃 형태의 ADI 타겟을 의미하고, 제2 라운디드 레이아웃 타켓은 노광 공정에서의 코너 라운딩이 반영된 라운디드 ADI 타겟에 해당할 수 있다.

본 실시예의 OPC 방법은, OPC된 레이아웃을 생성하는 단계(120)에서, 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 이용함으로써, 코너 라운딩이 반영된 라운디드 ADI 타겟을 정확하게 획득할 수 있다.

도 6a 및 도 6b는 도 5a의 제1 컨퉈와 제1 직각 레이아웃을 보여주는 이미지들로서, 굵은 실선이 제1 컨퉈에 해당하고, 얇은 실선이 제1 직각 레이아웃에 해당한다.

도 6a 및 도 6b를 참조하면, 제1 직각 레이아웃들(ACI1, ACI2)을 제1 변환 모델에 입력하면, 제1 컨퉈들, 또는 제1 라운디드 레이아웃들(R-ACI1, R-ACI2)을 얻을 수 있다. 제1 변환 모델은, 예컨대, GAN을 이용한 딥러닝을 통해 생성할 수 있다. 기존에 룰 기반으로 라운디드 레이아웃들이 생성되는데, 그러한 룰 기반의 라운디드 레이아웃들의 경우, 실제 웨이퍼 기판 상의 컨퉈와 같이, 코너마다 서로 다른 곡률을 가지지 못하고, 또한, 실제 웨이퍼 기판 상의 컨퉈와는 큰 차이를 갖는 코너 부분들이 다수 존재할 수 있다. 그에 반해, 본 실시예의 OPC 방법에서는, 변환 모델을 통해 라운디드 레이아웃을 생성함으로써, 실제 웨이퍼 기판 상의 컨퉈와 실질적으로 동일한 라운디드 레이아웃을 정확하게 생성할 수 있다.

도 7a 및 도 7b는 각각, 도 1의 OPC 방법에서, 리타겟 레이아웃을 생성하는 단계에서 리타겟 레이아웃을 생성하는 과정과, OPC된 레이아웃을 생성하는 단계에서 OPC된 레이아웃 타겟을 생성하는 과정을 보여주는 흐름도이다.

도 7a를 참조하면, 본 실시예의 OPC 방법에서, 리타겟 레이아웃을 생성하는 단계(110)는, 코너 라운딩 방법을 통해 제1 라운디드 레이아웃 타켓을 획득한 후에, 인버스 정정(inverse correction) 과정, 및 맨하탄화를 통해 최종적인 리타겟 레이아웃을 생성할 수 있다. 좀더 구체적으로, 리타겟 레이아웃을 생성하는 단계(110)에서, 다음과 같은 과정을 통해 곡선의 ADI 레이아웃 타겟을 생성할 수 있다.

먼저, 인버스 정정을 통해 곡선의(curvilinear) ADI 레이아웃 타겟을 생성한다(S111). 인버스 정정은 GAN을 이용한 딥러닝을 통해 이루어질 수 있다. 인버스 정정을 간단히 설명하면, GAN 이용한 딥러닝에서, ADI 이미지를 입력 이미지로 하고 웨이퍼 기판 상의 ACI 컨퉈를 출력 이미지로 하여 포워드(forward) 모델과, 그 반대의 인버스(inverse) 모델을 생성할 수 있다. 즉, 포워드 모델은 ADI 이미지를 ACI 컨퉈 이미지로 변환하는 모델에 해당하고, 인버스(inverse) 모델은, 반대로, ACI 컨퉈 이미지를 ADI 이미지로 변환하는 모델에 해당할 수 있다.

포워드 모델의 경우, 직각 레이아웃 형태의 ADI 타겟 이미지를 입력하면, 곡선의 ACI 타겟 이미지를 출력하게 된다. 이후, EPE 과정을 거쳐 정정된 ADI 타겟 이미지를 생성할 수 있다. 한편, 인버스 모델의 경우, 라운디드 ACI 타겟 이미지를 입력하면, 곡선의 ADI 타겟 이미지를 출력하게 된다. 이후, 곡선의 ADI 타겟 이미지를 맨하탄화하여 ADI 타겟을 생성할 수 있다.

한편, 인버스 모델의 경우, 웨이퍼 기판 상의 ACI 컨퉈 대신에 포워드 모델로부터의 ACI 컨퉈를 이용할 수도 있다. 다시 말해서, 전술한 방법을 통해 포워드 모델을 생성한 후, 포워드 모델을 이용하여, 직각 레이아웃 형태의 ADI 이미지들에 대응하는 포워드 ACI 컨퉈 이미지들을 생성하고, GAN을 이용한 딥러닝에서, ADI 이미지들과 포워드 ACI 컨퉈 이미지들을 이용하여 인버스 모델을 생성할 수 있다. 이후, 라운디드 ACI 타겟 이미지를 인버스 모델에 입력하여, 곡선의 ADI 타겟 이미지를 출력할 수 있다.

참고로, '라운디드'와 '곡선의'는 실질적으로 동일한 의미로 사용할 수 있다. 다만, 엄밀히 구별하면, '라운디드'는 코너 부분의 곡선 형태를 의미하는 반면, '곡선의'는 레이아웃 전체의 곡선 형태를 의미한다고 볼 수 있다.

곡선의 ADI 레이아웃 타겟의 생성 후, 맨하탄화를 통해 최종적인 리타겟 레이아웃을 생성할 수 있다(S113). 전술한 바와 같이, 리타겟 레이아웃은 직각 에지들을 포함할 수 있다.

도 7b를 참조하면, 본 실시예의 OPC 방법에서, OPC된 레이아웃을 생성하는 단계(130)는, 코너 라운딩 방법을 통해 제2 라운디드 레이아웃 타켓을 획득한 후에, 인버스 정정 과정을 통해 최종적인 OPC된 레이아웃을 생성할 수 있다. 즉, OPC된 레이아웃을 생성하는 단계(130)에서, 인버스 정정을 통해 곡선의 OPC된 레이아웃을 생성한다(S131). OPC된 레이아웃을 생성하는 단계(130)의 인버스 정정 역시 GAN을 이용한 딥러닝을 통해 이루어질 수 있다.

앞서, 리타겟 레이아웃을 생성하는 단계(110)에서, 인버스 정정을 통해 곡선의 ACT 타겟을 곡선의 ADI 타겟으로 변환하는 반면, OPC된 레이아웃을 생성하는 단계(130)에서는, 인버스 정정을 통해 곡선의 ADT 타겟을 곡선의 OPC된 레이아웃으로 변환할 수 있다. 예컨대, GAN 이용한 딥러닝에서, 입력 이미지로 OPC된 레이아웃들들이 이용되고, 출력 이미지로 곡선의 ADI들이 이용될 수 있다. 또한, GAN 이용한 딥러닝에서, 포워드 모델과 인버스 모델이 생성될 수 있다. 따라서, 인버스 모델에 곡선의 ADI 타겟을 입력하면, 곡선의 OPC된 레이아웃이 출력될 수 있다.

도 8a 및 도 8b는 곡선의 레이아웃에 대한 맨하탄화를 설명하기 위한 이미지들이다. 도 8a는 곡선의 레이아웃을 보여주고, 도 8a는 맨하탄화 후의 직각 레이아웃을 보여준다.

도 8a 및 도 8b를 참조하면, 맨하탄화는 패턴을 세그먼트(segment)로 분할하거나, 또는 패턴의 에지를 직선 에지들로 분할하는 것을 의미하며, 보통, 패턴의 에지를 기준 축에 대하여 수직 또는 수평한 직선 에지들로 분할하는 것을 의미할 수 있다. 예컨대, 도 8a의 곡선의 레이아웃(RL)에 대하여 맨하탄화를 통해 직선 에지들로 구성된 직각 레이아웃(MRL)의 형태로 변환할 수 있다. 일반적으로 맨하탄화는 자동화 프로그램을 통해 수행될 수 있다. 자동화 프로그램에서, 기준 축에 대한 정보와 세그먼트나 직선 에지들의 사이즈 정보를 셋팅한 후, 자동화 프로그램에 곡선의 레이아웃을 입력하면, 자동화 프로그램이 곡선의 레이아웃을 자동으로 맨하탄화하여 직각 레이아웃으로 변환할 수 있다.

도 9는 본 발명의 일 실시예에 따른 코너 라운딩 방법을 포함한 마스크 제조방법의 과정을 개략적으로 보여주는 흐름도이다.

도 9를 참조하면, 본 실시예의 코너 라운딩 방법을 포함한 마스크 제조방법(이하, 간단히, '마스크 제조방법'이라 한다)은, 먼저, 리타겟 레이아웃을 생성한다(S210). 리타겟 레이아웃은 코너 라운딩 방법을 통해 생성될 수 있다. 여기서, 코너 라운딩 방법은, 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 의미할 수 있다. 코너 라운딩 방법에 대해서는, 앞서 도 5a 및 도 5b의 설명 부분에서 설명한 바와 같다. 또한, 코너 라운팅 방법을 통해 리타겟 레이아웃을 생성하는 과정에 대해서는, 앞서 도 7a의 설명 부분에서 설명한 바와 같다.

리타겟 레이아웃의 생성 후, OPC를 통해 OPC된 레이아웃을 생성한다(S230). 여기서, OPC는 일반적인 OPC 과정을 의미할 수 있다. 일반적인 OPC 과정은 패턴의 레이아웃의 변형뿐만이 아니라, 패턴의 코너 상에 세리프들로 불리는 서브 리소그라피 피쳐들을 부가하는 방법이나, 스캐터링 바아들과 같은 서브 레졸루션 어시스트 피쳐들을 부가하는 방법을 포함할 수 있다.

OPC 과정의 수행은, 먼저, OPC를 위한 기본 데이터의 준비, 광학적 OPC 모델의 생성, PR에 대한 OPC 모델의 생성 등을 포함할 수 있다. 광학적 OPC 모델과 PR에 대한 OPC 모델을 합쳐서 일반적으로 OPC 모델이라고 하고, OPC 모델 생성 후, OPC 모델을 이용한 시뮬레이션을 수행하여 OPC된 레이아웃을 생성한다. 한편, 본 실시예의 마스크 제조방법은, 일반적인 OPC 과정에 덧붙여, 코너 라운딩 방법에 기초하여 OPC된 레이아웃을 생성하는 과정을 더 포함할 수 있다.

OPC된 레이아웃 생성 후, OPC된 레이아웃에 대하여 ORC를 수행한다(S250). ORC는, 예컨대, CD 에러에 대한 RMS, EPE, 핀치 에러, 브릿지 에러 등을 포함할 수 있다. 물론, ORC에서 검사되는 항목들이 전술한 항목들에 한정되는 것은 아니다.

ORC 수행 후, 디펙이 존재하는지 판단한다(S270). 여기서, 디펙은 CD 에러에 대한 RMS가 설정된 기준 값보다 큰 경우, EPE가 설정된 기준 값보다 큰 경우, 핀치 에러가 존재하는 경우, 브릿지 에러가 존재하는 경우 등에 해당할 수 있다. 또한, ORC에 다른 항목들이 있는 경우, 해당 항목들이 기준을 벗어나는 경우도 디펙에 해당할 수 있다.

디펙이 존재하는 경우(Yes), OPC를 통해 OPC된 레이아웃을 생성하는 단계(S230)로 이행 한다. 한편, OPC를 통해 OPC된 레이아웃을 생성하는 단계(S230) 전에, 디펙의 원인을 분석하고, 그 원인을 OPC 모델에 반영할 수 있다.

디펙이 존재하지 않는 경우(No), 해당 OPC된 레이아웃을 최종 OPC된 레이아웃으로 결정한다(S290). 앞서, 리타겟 레이아웃을 생성하는 단계(S210)부터 최종 OPC된 레이아웃을 결정하는 단계(S290)는, 도 1의 코너 라운딩을 포함한 OPC 방법에 대응할 수 있다.

이후, 최종 OPC된 레이아웃 이미지를 MTO 디자인 데이터로서 마스크 제작팀으로 전달한다(S292). 일반적으로, MTO는 OPC 방법을 통해 획득한 최종 마스크 데이터를 마스크 제작팀으로 넘겨 마스크 제작을 의뢰하는 것을 의미할 수 있다. 따라서, MTO 디자인 데이터는 결국, OPC 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(S294). 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.

마스크 데이터 준비 후, 마스크 데이터를 기반으로 하여 마스크용 기판을 노광한다(S296). 여기서, 노광은 예컨대, 전자빔 쓰기를 의미할 수 있다. 여기서, 전자빔 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 마스크 데이터를 픽셀 데이터로 변환하는 과정이 수행될 수 있다. 픽셀 데이터는 실제의 노광에 직접 이용되는 데이터로서, 노광 대상이 되는 형상에 대한 데이터와 그 각각에 할당된 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 완성한다. 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, OPC 방법에서, 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 채용할 수 있다. 구체적으로, OPC 방법의 리타겟 레이아웃을 생성하는 단계(S210) 및/또는 OPC된 레이아웃을 생성하는 단계(S230)에서 딥러닝 기반 OPC 패턴의 코너 라운딩 방법을 채용할 수 있다. 그에 따라, 본 실시예의 마스크 제조방법은, 코너 라운딩 방법을 포함한 OPC 방법에 기초하여, 리타겟 레이아웃 및/또는 OPC된 레이아웃을 정확하게 생성할 수 있다. 결과적으로, 본 실시예의 마스크 제조방법은, 정확한 OPC된 레이아웃에 기초하여 신뢰성 있는 마스크를 제조할 수 있도록 한다.

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

웨이퍼 상의 PR(Photo-Resist) 패턴 또는 식각 패턴에 대한 컨퉈(contour)를 획득하는 단계;
상기 컨퉈에 대응하는 상기 PR 패턴 또는 식각 패턴에 대한 직각 레이아웃을 획득하는 단계;
상기 직각 레아아웃과 상기 컨퉈를 가지고 딥러닝(deep learning)을 통해 변환 모델을 생성하는 단계; 및
상기 변환 모델을 이용하여 직각 레이아웃 타겟에 대한 라운디드(rounded) 레이아웃 타겟을 획득하는 단계;를 포함하는 딥러닝 기반 OPC 패턴의 코너 라운딩 방법.
제1 항에 있어서,
상기 딥러닝은 DCGAN(Deep Convolutional Generative Adversarial Network)을 이용하고,
상기 딥러닝에서 상기 직각 레이아웃을 입력으로 하고 상기 컨퉈를 출력으로 하는 것을 특징으로 하는 딥러닝 기반 OPC 패턴의 코너 라운딩 방법.
제2 항에 있어서,
상기 컨퉈는, 상기 PR 패턴 또는 식각 패턴에 대한 SEM(Scanning Electron Microscope) 이미지들의 평균 값을 이용하여 획득하는 것을 특징으로 하는 딥러닝 기반 OPC 패턴의 코너 라운딩 방법.
제2 항에 있어서,
상기 직각 레이아웃은, 상기 컨퉈에 대하여 맨하탄화(Manhanttanization)를 수행하여 획득하며, 직각 에지들을 포함하는 것을 특징으로 하는 딥러닝 기반 OPC 패턴의 코너 라운딩 방법.
제1 항에 있어서,
상기 PR 패턴은 ADI(After Develop Inspection) 패턴에 대응하고,
상기 식각 패턴은 ACI(After Clean Inspection) 패턴에 대응하는 것을 특징으로 하는 딥러닝 기반 OPC 패턴의 코너 라운딩 방법.
직선 에지들을 포함한 리타겟 레이아웃을 생성하는 단계;
상기 리타겟 레이아웃에 대하여 OPC를 수행하여 OPC된 레이아웃을 생성하는 단계;
상기 OPC된 레이아웃에 대하여, ORC(Optical Rule Check)를 수행하는 단계; 및
상기 ORC를 수행하는 단계에서 디펙이 없는 경우, 상기 기본 OPC된 레이아웃을 최종 OPC된 레이아웃으로 결정하는 단계;를 포함하고,
딥러닝 기반 OPC 패턴의 코너 라운딩에 기초하여, 상기 리타겟 레이아웃 또는 상기 OPC된 레이아웃을 생성하는, OPC 방법.
제6 항에 있어서,
상기 딥러닝 기반 OPC 패턴의 코너 라운딩은, 상기 리타겟 레이아웃을 생성하는 단계에서 수행되고,
웨이퍼 상의 식각 패턴에 대한 제1 컨퉈를 획득하는 단계,
상기 제1 컨퉈에 대응하는 상기 식각 패턴에 대한 제1 직각 레이아웃을 획득하는 단계,
상기 제1 직각 레아아웃과 상기 제1 컨퉈를 가지고 딥러닝을 통해 제1 변환 모델을 생성하는 단계, 및
상기 제1 변환 모델을 이용하여 제1 직각 레이아웃 타겟에 대응하는 제1 라운디드 레이아웃 타겟을 획득하는 단계를 포함하는 것을 특징으로 하는 OPC 방법.
제7 항에 있어서,
상기 딥러닝은 DCGAN을 이용하고,
상기 딥러닝에서 상기 제1 직각 레이아웃을 입력으로 하고 상기 제1 컨퉈를 출력으로 하는 것을 특징으로 하는 OPC 방법.
제8 항에 있어서,
상기 제1 컨퉈는, 상기 웨이퍼 상의 식각 패턴에 대한 SEM 이미지들의 평균 값을 이용하여 획득하고,
상기 제1 직각 레이아웃은, 상기 제1 컨퉈에 대하여 맨하탄화를 수행하여 획득하며, 직각 에지들을 포함하는 것을 특징으로 하는 OPC 방법.
제7 항에 있어서,
상기 식각 패턴은 ACI 패턴에 대응하고,
상기 리타겟 레이아웃을 생성하는 단계에서,
상기 제1 라운디드 레이아웃 타겟으로부터 인버스 정정을 통해 곡선의 ADI 레이아웃 타겟을 생성하고, 상기 곡선의 ADI 레이아웃 타겟을 맨하탄화하여 상기 리타겟 레이아웃를 생성하는 것을 특징으로 하는 OPC 방법.
제6 항에 있어서,
상기 딥러닝 기반 OPC 패턴의 코너 라운딩은, 상기 OPC된 레이아웃을 생성하는 단계에서 수행되고,
웨이퍼 상의 PR 패턴에 대한 제2 컨퉈를 획득하는 단계,
상기 제2 컨퉈에 대응하는 상기 PR 패턴에 대한 제2 직각 레이아웃을 획득하는 단계,
상기 제2 직각 레아아웃과 상기 제2 컨퉈를 가지고 딥러닝을 통해 제2 변환 모델을 생성하는 단계, 및
상기 제2 변환 모델을 이용하여 제2 직각 레이아웃 타겟에 대응하는 제2 라운디드 레이아웃 타겟을 획득하는 단계를 포함하는 것을 특징으로 하는 OPC 방법.
제11 항에 있어서,
상기 제2 컨퉈는, 상기 웨이퍼 상의 PR 패턴에 대한 SEM 이미지들의 평균 값을 이용하여 획득하고,
상기 제2 직각 레이아웃은, 상기 제2 컨퉈에 대하여 맨하탄화를 수행하여 획득하며, 직각 에지들을 포함하는 것을 특징으로 하는 OPC 방법.
제11 항에 있어서,
상기 식각 패턴은 ADI 패턴에 대응하고,
상기 OPC된 레이아웃을 생성하는 단계에서,
상기 제2 라운디드 레이아웃 타겟으로부터 인버스 정정을 통해 상기 OPC된 레이아웃을 생성하는 것을 특징으로 하는 OPC 방법.
직선 에지들을 포함한 리타겟 레이아웃을 생성하는 단계;
상기 리타겟 레이아웃에 대하여 OPC를 수행하여 OPC된 레이아웃을 생성하는 단계;
상기 OPC된 레이아웃에 대하여, ORC(Optical Rule Check)를 수행하는 단계;
상기 ORC를 수행하는 단계에서 디펙이 없는 경우, 상기 기본 OPC된 레이아웃을 최종 OPC된 레이아웃으로 결정하는 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 포함하고,
딥러닝 기반 OPC 패턴의 코너 라운딩에 기초하여, 상기 리타겟 레이아웃 또는 상기 OPC된 레이아웃을 생성하는, 마스크 제조방법.
제14 항에 있어서,
상기 딥러닝 기반 OPC 패턴의 코너 라운딩은, 상기 리타겟 레이아웃을 생성하는 단계에서 수행되고,
웨이퍼 상의 식각 패턴에 대한 제1 컨퉈를 획득하는 단계,
상기 제1 컨퉈에 대응하는 상기 식각 패턴에 대한 제1 직각 레이아웃을 획득하는 단계,
상기 제1 직각 레아아웃과 상기 제1 컨퉈를 가지고 딥러닝을 통해 제1 변환 모델을 생성하는 단계, 및
상기 제1 변환 모델을 이용하여 제1 직각 레이아웃 타겟에 대응하는 제1 라운디드 레이아웃 타겟을 획득하는 단계를 포함하는 것을 특징으로 하는 마스크 제조방법.
제15 항에 있어서,
상기 딥러닝은 DCGAN을 이용하고,
상기 딥러닝에서 상기 제1 직각 레이아웃을 입력으로 하고 상기 제1 컨퉈를 출력으로 하며,
상기 제1 컨퉈는, 상기 웨이퍼 상의 식각 패턴에 대한 SEM 이미지들의 평균 값을 이용하여 획득하고,
상기 제1 직각 레이아웃은, 상기 제1 컨퉈에 대하여 맨하탄화를 수행하여 획득하며, 직각 에지들을 포함하는 것을 특징으로 하는 마스크 제조방법.
제15 항에 있어서,
상기 식각 패턴은 ACI 패턴에 대응하고,
상기 리타겟 레이아웃을 생성하는 단계에서,
상기 제1 라운디드 레이아웃 타겟으로부터 인버스 정정을 통해 곡선의 ADI 레이아웃 타겟을 생성하고, 상기 곡선의 ADI 레이아웃 타겟을 맨하탄화하여 상기 리타겟 레이아웃를 생성하는 것을 특징으로 하는 마스크 제조방법.
제14 항에 있어서,
상기 딥러닝 기반 OPC 패턴의 코너 라운딩은, 상기 OPC된 레이아웃을 생성하는 단계에서 수행되고,
웨이퍼 상의 PR 패턴에 대한 제2 컨퉈를 획득하는 단계,
상기 제2 컨퉈에 대응하는 상기 PR 패턴에 대한 제2 직각 레이아웃을 획득하는 단계,
상기 제2 직각 레아아웃과 상기 제2 컨퉈를 가지고 딥러닝을 통해 제2 변환 모델을 생성하는 단계, 및
상기 제2 변환 모델을 이용하여 제2 직각 레이아웃 타겟에 대응하는 제2 라운디드 레이아웃 타겟을 획득하는 단계를 포함하는 것을 특징으로 하는 마스크 제조방법.
제18 항에 있어서,
상기 제2 컨퉈는, 상기 웨이퍼 상의 PR 패턴에 대한 SEM 이미지들의 평균 값을 이용하여 획득하고,
상기 제2 직각 레이아웃은, 상기 제2 컨퉈에 대하여 맨하탄화를 수행하여 획득하며, 직각 에지들을 포함하는 것을 특징으로 하는 마스크 제조방법.
제18 항에 있어서,
상기 식각 패턴은 ADI 패턴에 대응하고,
상기 OPC된 레이아웃을 생성하는 단계에서,
상기 제2 라운디드 레이아웃 타겟으로부터 인버스 정정을 통해 상기 OPC된 레이아웃 타겟을 생성하는 것을 특징으로 하는 마스크 제조방법.