KR20230173649A - 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치,기기 및 저장 매체 - Google Patents

포토리소그래피 마스크 생성 모델의 훈련 방법, 장치,기기 및 저장 매체 Download PDF

Info

Publication number
KR20230173649A
KR20230173649A KR1020237024348A KR20237024348A KR20230173649A KR 20230173649 A KR20230173649 A KR 20230173649A KR 1020237024348 A KR1020237024348 A KR 1020237024348A KR 20237024348 A KR20237024348 A KR 20237024348A KR 20230173649 A KR20230173649 A KR 20230173649A
Authority
KR
South Korea
Prior art keywords
mask
model
photolithography
evaluation index
training
Prior art date
Application number
KR1020237024348A
Other languages
English (en)
Inventor
싱유 마
샤오강 하오
성유 장
Original Assignee
텐센트 테크놀로지(센젠) 컴퍼니 리미티드
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 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 filed Critical 텐센트 테크놀로지(센젠) 컴퍼니 리미티드
Publication of KR20230173649A publication Critical patent/KR20230173649A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/70—Adapting basic layout or design of masks to lithographic process requirements, e.g., second iteration correction of mask patterns for imaging
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/20—Exposure; Apparatus therefor
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G03F7/70441—Optical proximity correction [OPC]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

본 출원의 실시예는 칩 및 기계 학습 기술 분야에 관한, 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치, 기기 및 저장 매체를 제공한다. 상기 방법은, 포토리소그래피 마스크 생성 모델을 통해, 칩 레이아웃에 대응되는 예측 마스크 맵을 생성하는 단계(301); 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 통해, 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하되, 웨이퍼 패턴 생성 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델인 단계(302); 상기 예측 마스크 맵에 따라 모델 정밀도 평가 지표를 결정하고, 상기 예측 웨이퍼 패턴에 따라 마스크 품질 평가 지표를 결정하며； 상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 훈련 손실을 결정하는 단계(303); 및 훈련 손실에 따라 포토리소그래피 마스크 생성 모델의 파라미터를 조정하는 단계(304)를 포함한다. 본 출원의 실시예에서 제공한 기술 방안은, 포토리소그래피 마스크 생성 모델의 훈련 효율을 향상시킨다.

Description

포토리소그래피 마스크 생성 모델의 훈련 방법, 장치, 기기 및 저장 매체
관련 출원에 대한 상호 참조
본 출원은 2022년 06월 14일에 제출한, 출원 번호가 202210673948.8이고, 발명 명칭이 “포토리소그래피 마스크 생성 모델의 훈련 방법, 장치, 기기 및 저장 매체”인 중국 특허 출원의 우선권을 주장하며, 그 전부 내용을 인용하여 본 출원에 결합하였다.
본 출원의 실시예는 칩 및 기계 학습 기술 분야에 관한 것으로서, 특히 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치, 기기 및 저장 매체에 관한 것이다.
칩 생산 과정에서, 각 칩 레이아웃에 각각 대응되는 마스크 맵을 획득하여, 포토리소그래피 공정 노광을 수행해야 한다.
관련 기술에서, 포토리소그래피 마스크 생성 모델은 훈련 과정에서, 예측 마스크 맵을 생성할 수 있고, 포토리소그래피 마스크 생성 모델의 훈련 과정에서는 포토리소그래피 물리적 모델(Lithography Simulation, LS)을 사용하여 예측 마스크 맵에 대응되는 웨이퍼 패턴을 생성하여, 포토리소그래피 마스크 생성 모델을 업데이트해야 한다.
상기 관련 기술에서, 포토리소그래피 물리적 모델이 웨이퍼 패턴을 생성하는 처리 과정이 비교적 복잡하고, 생성 속도가 비교적 느림으로써, 포토리소그래피 마스크 생성 모델의 훈련 효율에 영향을 미친다.
본 출원의 실시예는 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치, 기기 및 저장 매체를 제공하여, 포토리소그래피 마스크 생성 모델의 훈련 효율을 향상시킬 수 있다. 상기 기술 방안은 아래와 같다.
본 출원의 실시예의 하나의 측면에 따르면, 포토리소그래피 마스크 생성 모델의 훈련 방법을 제공하고, 상기 방법은 컴퓨터 기기에 의해 실행되며, 상기 방법은,
포토리소그래피 마스크 생성 모델을 통해, 칩 레이아웃에 대응되는 예측 마스크 맵을 생성하는 단계 - 상기 포토리소그래피 마스크 생성 모델은 상기 예측 마스크 맵을 생성하기 위한 신경 네트워크 모델임 - ;
사전 훈련 완료된 웨이퍼 패턴 생성 모델을 통해, 상기 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하는 단계 - 상기 웨이퍼 패턴 생성 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델임 - ;
상기 예측 마스크 맵에 따라 모델 정밀도 평가 지표를 결정하고, 상기 예측 웨이퍼 패턴에 따라 마스크 품질 평가 지표를 결정하는 단계 - 상기 모델 정밀도 평가 지표는 상기 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도를 나타내기 위한 것이고, 상기 마스크 품질 평가 지표는 상기 예측 마스크 맵의 품질을 나타내기 위한 것임 - ;
상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 훈련 손실을 결정하는 단계; 및
상기 훈련 손실에 따라 상기 포토리소그래피 마스크 생성 모델의 파라미터를 조정하는 단계를 포함한다.
본 출원의 실시예의 하나의 측면에 따르면, 포토리소그래피 마스크 생성 모델의 훈련 장치를 제공하고, 상기 장치는,
포토리소그래피 마스크 생성 모델을 통해, 칩 레이아웃에 대응되는 예측 마스크 맵을 생성하기 위한 마스크 생성 모듈 - 상기 포토리소그래피 마스크 생성 모델은 상기 예측 마스크 맵을 생성하기 위한 신경 네트워크 모델임 - ;
사전 훈련 완료된 웨이퍼 패턴 생성 모델을 통해, 상기 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하기 위한 패턴 생성 모듈 - 상기 웨이퍼 패턴 생성 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델임 - ;
상기 예측 마스크 맵에 따라 모델 정밀도 평가 지표를 결정하고, 상기 예측 웨이퍼 패턴에 따라 마스크 품질 평가 지표를 결정하며 - 상기 모델 정밀도 평가 지표는 상기 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도를 나타내기 위한 것이고, 상기 마스크 품질 평가 지표는 상기 예측 마스크 맵의 품질을 나타내기 위한 것임 - ; 상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 훈련 손실을 결정하기 위한 손실 결정 모듈; 및
상기 훈련 손실에 따라 상기 포토리소그래피 마스크 생성 모델의 파라미터를 조정하기 위한 파라미터 조정 모듈을 포함한다.
본 출원의 실시예의 하나의 측면에 따르면, 컴퓨터 기기를 제공하고, 상기 컴퓨터 기기는 프로세서 및 메모리를 포함하며, 상기 메모리에는 컴퓨터 프로그램이 저장되어 있고, 상기 컴퓨터 프로그램은 상기 프로세서에 의해 로딩 및 실행되어 상기 포토리소그래피 마스크 생성 모델의 훈련 방법을 구현한다.
본 출원의 실시예의 하나의 측면에 따르면, 컴퓨터 판독 가능한 저장 매체를 제공하고, 상기 컴퓨터 판독 가능한 저장 매체에는 컴퓨터 프로그램이 저장되어 있으며, 상기 컴퓨터 프로그램은 프로세서에 의해 로딩 및 실행되어 상기 포토리소그래피 마스크 생성 모델의 훈련 방법을 구현한다.
본 출원의 실시예의 하나의 측면에 따르면, 컴퓨터 프로그램 제품을 제공하고, 상기 컴퓨터 프로그램 제품은 컴퓨터 프로그램을 포함하며, 상기 컴퓨터 프로그램은 컴퓨터 판독 가능한 저장 매체에 저장된다. 컴퓨터 기기의 프로세서는 컴퓨터 판독 가능한 저장 매체로부터 상기 컴퓨터 프로그램을 판독하고, 프로세서는 상기 컴퓨터 프로그램을 실행하여, 상기 컴퓨터 기기로 하여금 상기 포토리소그래피 마스크 생성 모델의 훈련 방법을 실행하도록 한다.
본 출원의 실시예에서 제공한 기술 방안은 아래와 같은 유익한 효과를 포함할 수 있다.
포토리소그래피 마스크 생성 모델을 훈련하는 과정에서, 사전 훈련 완료된, 구축된 기계 학습 모델을 사용하여 예측 웨이퍼 패턴을 생성하고, 생성된 예측 웨이퍼 패턴에 기반하여 훈련 손실을 결정하는 것을 통해, 포토리소그래피 마스크 생성 모델의 파라미터를 업데이트하며, 신경 네트워크 모델을 사용하여 예측 웨이퍼 패턴을 생성하므로, 포토리소그래피 물리적 모델을 사용하여 예측 웨이퍼 패턴을 생성하는 것에 비해, 필요한 계산량이 더욱 적고, 계산 효율이 더욱 높으므로, 예측 웨이퍼 패턴을 생성하는데 필요한 시간이 절약됨으로써, 포토리소그래피 마스크 생성 모델의 훈련 효율이 향상된다.
도 1은 본 출원의 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 방법의 흐름도이다.
도 2는 본 출원의 하나의 실시예에서 제공한 모델 훈련 시스템의 예시도이다.
도 3은 본 출원의 다른 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 방법 흐름도이다.
도 4는 본 출원의 다른 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 방법 흐름도이다.
도 5는 본 출원의 다른 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 방법 흐름도이다.
도 6은 본 출원의 다른 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 방법 흐름도이다.
도 7은 본 출원의 하나의 실시예에서 제공한 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델이 특징 추출 네트워크를 공용하는 예시도이다.
도 8은 본 출원의 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 장치의 블록도이다.
도 9는 본 출원의 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 장치의 블록도이다.
도 10은 본 출원의 하나의 실시예에서 제공한 컴퓨터 기기의 블록도이다.
인공 지능(Artificial Intelligence, AI)은 디지털 컴퓨터 또는 디지털 컴퓨터에 의해 제어되는 기계를 사용하여 사람의 지능을 모사, 연장 및 확장하고, 환경을 감지하며, 지식을 회득하고 지식을 사용하여 최적 결과를 획득하는 이론, 방법, 기술 및 응용 시스템이다. 다시 말해서, 인공 지능은, 지능의 실질을 이해하고, 사람 지능과 유사한 방식으로 반응할 수 있는 새로운 지능 기계를 생상하려는, 컴퓨터 과학의 하나의 종합 기술이다. 인공 지능은 또한, 기계로 하여금 감지, 추론 및 결책의 기능을 구비하도록, 다양한 지능 기계의 설계 원리 및 구현 방법을 연구하는 것이다.
인공 지능 기술은 언급되는 분야가 광범위한 종합 학과로서, 하드웨어 층면의 기술도 있고 소프트웨어 층면의 기술도 있다. 인공 지능 기초 기술은 일반적으로 센서, 전용 인공 지능 칩, 클라우드 컴퓨팅, 분산 스토리지, 빅 데이터 처리 기술, 운영/인터랙션 시스템, 메카트로닉스 등과 같은 기술을 포함한다. 인공 지능 소프트웨어 기술은 주로 컴퓨터 시각 기술, 음성 처리 기술, 자연어 처리 기술 및 기계 학습/딥 러닝 등 몇가지 주요 방향을 포함한다.
기계 학습(Machine Learning, ML)은, 확률 이론, 통계학, 근사 이론, 볼록 분석, 알고리즘 복잡도 이론 등 여러 학과에 관한 다중 분야 교차 학과이다. 컴퓨터가 사람의 학습 행위를 모사하거나 구현하여, 새로운 지식 또는 기능을 획득하고, 기존의 지식 구조를 재조직하여 지속적으로 자체의 성능을 개선하는 방법을 전문적으로 연구한다. 기계 학습은 인공 지능의 핵심이고, 컴퓨터로 하여금 지능을 구비하도록 하는 근본적인 방법이며, 인공 지능의 각 분야에 널리 적용된다. 기계 학습 및 딥 러닝은 일반적으로 인공 신경 네트워크, 신뢰 네트워크, 강화 학습, 전이 학습, 유도 학습, 시연 학습 등 기술을 포함한다.
본 출원의 실시예는 기계 학습 기술을 사용하여, 포토리소그래피 마스크 생성 모델을 훈련함으로써, 포토리소그래피 마스크 생성 모델로 하여금 정밀도 비교적 높은 예측 마스크 맵을 생성하도록 하여, 향후 칩 포토리소그래피 과정에 레티클(reticle)을 제공한다.
본 출원의 실시예에서 제공한 방법은, 칩 로직 회로 시뮬레이션, 칩 열 수송 시뮬레이션, 칩 성능 검출, 칩 데드 픽셀 검출, 광원-마스크 공동 최적화 등 다른 전자 설계 장동화(Electronic design automation, EDA) 분야와 같은 집적 회로 설계의 다른 링크에도 확장 적용될 수도 있다.
본 출원의 도 1은 포토리소그래피 마스크 생성 모델의 훈련 방법을 제공한다. 도 1에 도시된 바와 같이, 상기 방법은, 웨이퍼 패턴 생성 모델(11)에 대해 사전 훈련을 수행하여, 사전 훈련 완료된 웨이퍼 패턴 생성 모델(11)을 획득하는 단계; 포토리소그래피 마스크 생성 모델(12)을 사용하여 칩 레이아웃에 대해 마스크 예측을 수행하여, 예측 마스크 맵을 생성하고, 예측 마스크 맵과, 칩 레이아웃에 대응되는 표준 마스크 맵 사이의 차이에 따라, 모델 정밀도 평가 지표를 계산하는 단계; 사전 훈련 완료된 웨이퍼 패턴 생성 모델(11)을 사용하여 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하고, 예측 웨이퍼 패턴과 칩 레이아웃 사이의 차이에 따라, 마스크 품질 평가 지표를 계산하는 단계; 포토리소그래피 물리적 모델을 사용하여 복수 개의 상이한 공정 파라미터에 기반하여, 예측 마스크 맵에 대응되는 복수 개의 웨이퍼 패턴을 생성하는 단계; 복수 개의 웨이퍼 패턴 사이의 차이에 따라, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 결정하는 단계; 및 모델 정밀도 평가 지표, 마스크 품질 평가 지표 및 복잡도 평가 지표에 따라, 포토리소그래피 마스크 생성 모델(12)을 훈련하는 단계를 포함할 수 있다.
도 2를 참조하면, 도 2는 본 출원의 하나의 실시예에서 제공한 모델 훈련 시스템의 예시도를 도시한다. 상기 모델 훈련 시스템은 포토리소그래피 마스크 생성 모델의 훈련 시스템으로 구현될 수 있다. 상기 시스템(20)은 모델 훈련 기기(13) 및 모델 사용 기기(14)를 포함할 수 있다.
모델 훈련 기기(13)는 컴퓨터, 서버, 지능형 로봇 등과 같은 전자 기기일 수 있고, 또는 비교적 강한 계산 능력을 구비한 다른 일부 전자 기기일 수 있다. 모델 훈련 기기(13)는 포토리소그래피 마스크 생성 모델(15)을 훈련하기 위한 것이다. 본 출원의 실시예에서, 포토리소그래피 마스크 생성 모델(15)은 예측 마스크 맵을 생성하기 위한 신경 네트워크 모델이고, 모델 훈련 기기(13)는 기계 학습의 방식을 사용하여 포토리소그래피 마스크 생성 모델(15)을 훈련하여, 포토리소그래피 마스크 생성 모델(15)로 하여금 비교적 좋은 성능을 구비하도록 할 수 있다.
상기 훈련 완료된 포토리소그래피 마스크 생성 모델(15)은 이미지 처리 결과(즉 자동 계수 결과)를 제공하기 위해, 모델 사용 기기(14)에 배치되어 사용될 수 있다. 모델 사용 기기(14)는 개인용 컴퓨터(Personal Computer, PC), 태블릿 컴퓨터, 스마트폰, 웨어러블 기기, 지능형 로봇, 지능형 음성 인터랙션 기기, 지능형 가전, 차량 탑재 단말, 항공기, 의료 기기 등과 같은 단말 기기일 수 있고, 서버일 수 있도 있으며, 본 출원은 이에 대해 한정하지 않는다.
일부 실시예에서, 도 2에 도시된 바와 같이, 포토리소그래피 마스크 생성 모델(15)은, 인코딩 네트워크(16) 및 디코딩 네트워크(17)를 포함할 수 있다. 일부 실시예에서, 인코딩 네트워크(16)는 컨볼루션 신경 네트워크로 구성된 인코딩 네트워크이다. 컨볼루션층의 개수가 8인 것으로 예를 들면, 칩 레이아웃이 입력된 후, 다층 2 차원 컨볼루션 신경 네트워크를 거쳐, 상기 8 개의 컨볼루션층은 각각 8 개, 16 개, 32 개, 64 개, 128 개, 256 개, 512 개, 1024 개 3×3의 필터를 포함하고, 각 컨볼루션층 이후 배치 정규화층이 구축되며, 정류화된 선형 유닛(ReLU)은 활성화 함수로 사용된다. 상기 8층 컨볼루션의 최종 출력(차원이 (1,1,1024)임)은 디코딩 네트워크(17)의 입력으로 사용되고, 디코딩 네트워크(17)는 다층 디컨볼루션 신경 네트워크로 구성되다. 디컨볼루션층의 개수가 8인 것으로 예를 들면, 처음 7 개의 컨볼루션층은 각각 1024 개, 512 개, 256 개, 128 개, 64 개, 32 개, 16 개 3×3의 필터를 포함하고, 각 디컨볼루션층 이후 배치 정규화층이 구축되며, Leaky 정류화된 선형 유닛(Leaky-ReLU)은 활성화 함수로 사용된다. 마지막으로, 하나의 3×3의 필터 및 sigmoid 활성화 함수로 구성된 디컨볼루션층은, 차원이 (256,256,1)이고 값이 0부터 1까지인 레티클을 제공한 다음, 레티클에 대해 바이너리 처리를 수행하여 최종적인 예측 레티클을 획득한다.
일부 실시예에서, 포토리소그래피 마스크 생성 모델(15)은 U형 이미지 분할 네트워크(U-Net)이고, U-Net은 인코딩 네트워크(16) 및 디코딩 네트워크(17)를 포함하며, 인코딩 네트워크(16)는 칩 레이아웃에 대해 특징 추출(다운 샘플링)을 수행하기 위한 것이고, 디코딩 네트워크(17)는 업 샘플링 및 특징 스티칭을 수행하여 예측 레티클을 획득하기 위한 것이다. 컴퓨터 기기는 칩 레이아웃을 인코딩 네트워크(16)에 입력하고 다운 샘플링을 수행하여, 칩 레이아웃에 대응되는 특징 정보를 획득하고, 컴퓨터 기기는 디코딩 네트워크(17)를 통해 칩 레이아웃에 대응되는 특징 정보에 대해 업 샘플링 및 특징 스티칭을 수행하여, 칩 레이아웃에 대응되는 예측 마스크 맵을 획득한다.
본 출원의 실시예는, 칩 설계, 클라우드 기술, 인공 지능, 칩 제조, 스마트 교통, 보조 운전 등을 포함하지만 이에 한정되지 않는 다양한 시나리오에 적용될 수 있다.
아래에서, 몇 가지 실시예를 통해 본 출원의 기술 방안을 소개하고 설명한다.
도 3을 참조하면, 도 3은 본 출원의 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 방법의 흐름도를 도시한다. 본 실시예에서, 상기 방법이 위에서 소개한 모델 훈련 기기에 적용되는 것을 예로 들어 설명한다. 상기 방법은 아래와 같은 몇 개의 단계(301~304)를 포함할 수 있다.
단계 301에 있어서, 포토리소그래피 마스크 생성 모델을 통해, 칩 레이아웃에 대응되는 예측 마스크 맵을 생성한다.
상기 포토리소그래피 마스크 생성 모델은 본 출원의 실시예에서 훈련해야 하는 모델이다. 일부 실시예에서, 칩 레이아웃을 포토리소그래피 마스크 생성 모델에 입력하고, 포토리소그래피 마스크 생성 모델이 칩 레이아웃에 대응되는 예측 마스크 맵을 생성한다.
여기서, 칩 레이아웃은 라벨링을 구비한 칩 설계 레이아웃일 수 있으며, 즉 칩 레이아웃은 아나로그 시뮬레이션 레이아웃일 수 있다. 라벨링을 구비한 칩 설계 레이아웃은, 대응되는 표준 마스크 맵이 이미 생성되어 있는 칩 레이아웃을 가리킨다.
칩 레이아웃은 집적 회로 레이아웃일 수도 있으며, 이는 실제 집적 회로의 물리적 상황에서의 평면 기하 형태를 설명하는 것이다. 집적 회로 레이아웃은 집적 회로 설계 중 최하층 단계 물리적 설계의 성과이다. 물리적 설계는 레이아웃 및 배선 기술을 통해 로직 종합의 성과를 레이아웃 파일로 전환한다. 상기 파일은 각 하드웨어 유닛이 칩에서의 형태, 면적 및 위치의 정보를 포함한다. 일부 실시예에서, 칩 레이아웃의 타입은 칩 레이아웃에 대응되는 칩 층 레벨에 따라 구획될 수 있으며, 예컨대 연통층, 금속선층 등으로 구획될 수 있다. 일부 실시예에서, 칩 레이아웃의 타입은 또한 응용 분야에 따라 구획될 수 있으며, 예컨대, 양자 칩, 가전 칩, 핸드폰 칩, 컴퓨터 칩, 웨어러블 기기의 칩, 산업용 로봇 칩 등으로 구획될 수 있다.
표준 마스크 맵은 칩 레이아웃이 광학 근접 보정(optical proximity correction, OPC)을 통해 획득한 마스크 맵을 가리키고, 표준 마스크 맵은 라벨링을 구비한 칩 레이아웃의 라벨링이다. 광학 근접 보정는, 계산 방법을 사용하여 레티클에서의 그래픽을 보정하여, 포토레지스트 상에 투영된 그래픽으로 하여금 최대한 설계 요구에 부합되도록 하는, 포토리소그래피 해상도 증강 기술을 가리킨다. 포토리소그래피 공정에서, 마스크에서의 그래픽은 노광 시스템을 통해 포토레지스트에 투영되고, 광학 시스템의 불완정성 및 회절 효과로 인해, 포토레지스트에서의 그래픽 및 마스크에서의 그래픽은 완전히 일치한 것은 아니다. 이러한 왜곡이 수정되지 않으면, 생산된 회로의 전기적 성능이 비교적 크게 개변될 수 있다. 광학 근접 보정는, 포토리소그래피 마스크에서의 투광 영역 그래픽의 토폴로지 구조를 조정하거나, 마스크에 작은 서브 해상도 보조 그래픽을 첨가하는 것을 통해, 포토레지스트에서의 이미징 결과로 하여금 마스크 그래픽에 최대한 근접하도록 하는 기술이다. OPC 기술은 마스크 투과광의 진폭을 개변하는 것을 통해, 포토리소그래피 시스템의 이미징 품질이 떨어지는 것에 대해 보상을 수행하는 기술이기도 하다. OPC는 주로 반도체 소자의 생산 과정에서 사용된다.
단계 302에 있어서, 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 통해, 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하고, 웨이퍼 패턴 생성 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델이다.
일부 실시예에서, 사전 훈련 완료된 웨이퍼 패턴 생성 모델의 경우, 마스크 맵에 기반하여 대응되는 예측 웨이퍼 패턴을 생성할 수 있다. 즉, 예측 마스크 맵을 사전 훈련 완료된 웨이퍼 패턴 생성 모델에 입력하고, 사전 훈련 완료된 웨이퍼 패턴 생성 모델이 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 출력할 수 있다.
웨이퍼 패턴 생성 모델은 예측 웨이퍼 패턴을 생성하기 위한 신경 네트워크 모델이고, 웨이퍼 패턴 생성 모델은 기계 학습의 방식을 사용하여 웨이퍼 패턴 생성 모델을 훈련하여, 웨이퍼 패턴 생성 모델로 하여금 비교적 좋은 성능을 구비하도록 할 수 있다.
일부 실시예에서, 웨이퍼 패턴 생성 모델은 U형 이미지 분할 네트워크(U-Net)이고, U-Net은 인코딩 네트워크 및 디코딩 네트워크를 포함하며, 인코딩 네트워크는 예측 마스크 맵에 대해 특징 추출(다운 샘플링)을 수행하기 위한 것이고, 디코딩 네트워크는 업 샘플링 및 특징 스티칭을 수행하여 예측 웨이퍼 패턴을 획득하기 위한 것이다. 컴퓨터 기기는 예측 마스크 맵을 인코딩 네트워크에 입력하고 다운 샘플링을 수행하여, 예측 마스크 맵에 대응되는 특징 정보를 획득하고, 컴퓨터 기기는 디코딩 네트워크를 통해 예측 마스크 맵에 대응되는 특징 정보에 대해 업 샘플링 및 특징 스티칭을 수행하여, 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 획득한다.
일부 실시예에서, 웨이퍼 패턴 생성 모델에서의 인코딩 네트워크는 컨볼루션 신경 네트워크로 구성된 인코딩 네트워크이다. 컨볼루션층의 개수가 8인 것으로 예를 들면, 예측 마스크 맵이 입력된 후, 다층 2 차원 컨볼루션 신경 네트워크를 거쳐, 상기 8 개의 컨볼루션층은 각각 8 개, 16 개, 32 개, 64 개, 128 개, 256 개, 512 개, 1024 개 3×3의 필터를 포함하고, 각 컨볼루션층 이후 배치 정규화층이 구축되며, 정류화된 선형 유닛(ReLU)은 활성화 함수로 사용된다. 상기 8 층 컨볼루션의 최종 출력(차원이 (1,1,1024)임)은 디코딩 네트워크의 입력으로 사용되고, 디코딩 네트워크는 다층 디컨볼루션 신경 네트워크로 구성된다. 디컨볼루션층의 개수가 8인 것으로 예를 들면, 처음 7 개의 컨볼루션층은 각각 1024 개, 512 개, 256 개, 128 개, 64 개, 32 개, 16 개 3×3의 필터를 포함하고, 각 디컨볼루션층 이후 배치 정규화층이 구축되며, Leaky 정류화된 선형 유닛(Leaky-ReLU)은 활성화 함수로 사용된다. 마지막으로, 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 획득한다.
신경 네트워크 모델은 용이하게 프로세서(예컨대 중앙처리유닛(Central Processing Unit, CPU))를 사용하여 가속 연산을 수행할 수 있으므로, 계산 시간이 더욱 짧다.
일부 실시예에서, 제1 데이터 세트를 획득하고, 제1 데이터 세트는 적어도 하나의 마스크 맵 샘플 및 마스크 맵 샘플에 대응되는 표준 웨이퍼 패턴를 포함하며; 제1 데이터 세트를 사용하여 웨이퍼 패턴 생성 모델을 훈련하여, 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 획득한다.
일부 실시예에서, 칩 레이아웃 샘플에 대해 OPC 처리를 수행하여, 칩 레이아웃 샘플에 대응되는 마스크 맵 샘플을 획득하고; 제2 포토리소그래피 물리적 모델을 통해 마스크 맵 샘플에 대응되는 표준 웨이퍼 패턴을 획득하며, 제2 포토리소그래피 물리적 모델은 광학 원리에 기반한 수학적 물리 시뮬레이션 모델이고; 대응 관계를 구비한 마스크 맵 샘플 및 표준 웨이퍼 패턴에 따라, 제1 데이터 세트를 구축한다. 여기서, 마스크 맵 샘플은 대응되는 표준 웨이퍼 패턴이 이미 생성되어 있는 마스크 맵을 가리킨다.
일부 실시예에서, 웨이퍼 패턴 생성 모델의 훈련은 아래와 같은 손실 함수를 사용할 수 있다.
여기서, Wafer은 포토리소그래피 물리적 모델을 통해 획득된 웨이퍼 패턴을 나타내고, 는 웨이퍼 패턴 생성 모델에 의해 예측되어 획득된 웨이퍼 패턴을 나타내며, L은 손실 함수값을 나타낸다.
일부 실시예에서, 포토리소그래피 물리적 모델(예컨대 제2 포토리소그래피 물리적 모델)은 광학 원리에 기반한 수학적 물리 시뮬레이션 모델이다.
선택적으로, 먼저 선택된 공정 파라미터(예컨대 표준 공정 파라미터) 및 마스크 맵을 포토리소그래피 물리적 모델에 입력하여, 포토리소그래피 물리적 모델이 상기 공정 파라미터 및 마스크 맵에 대응되는 광강도 분포를 생성한 다음; sigmoid 함수를 통해 광강도 분포를 상기 공정 파라미터 및 마스크 맵에 대응되는 웨이퍼 패턴으로 전환한다.
일부 실시예에서, 포토리소그래피 물리적 모델은 일부 코히런트 이미징 시스템 Hopkins 회절 포토리소그래피 물리적 모델이고, 포토리소그래피 물리적 모델에 의해 획득된, 웨이퍼 상에 이미징된 광강도 분포 I는, 마스크 맵 및 포토리소그래피 시스템 커널 함수 h를 통해 컨볼루션되어 획득된 것이고, 커널 함수는 포토리소그래피 시스템(예컨대 193 나노미터의 환형 광원)의 교차 전달 계수에 대해 특이값 분해를 수행하여 획득된 것이다. 일부 실시예에서, 포토리소그래피 물리적 모델은 아래와 같이 정의된다.
여기서, 및 는 각각 특이값 분해 후 k 번째 커널 함수 및 대응되는 가중치 계수이고, 는 데이터 좌표이며, M는 마스크를 나타내고, I는 포토리소그래피 물리적 모델 상에 이미징된 광강도 분포를 나타낸다. 선택적으로, 특이값 분해 후 처음 24 개의 커널 함수 및 대응되는 가중치 계수를 사용할 수 있으며, 즉 K=24이다.
일부 실시예에서, 웨이퍼 패턴은 웨이퍼 상에 이미징된 광강도를 아래와 같은 분포 함수를 통해 분포하여 획득된 것이다.
일부 실시예에서, Z는 웨이퍼 상에 이미징된 광강도 분포이고, 는 강도값을 나타내며, 는 0.225이다. 선택적으로, 는 [0, 1] 구간 내의 다른 값을 취할 수도 있으며, 본 출원의 실시예는 이에 대해 구체적으로 한정하지 않는다.
단계 303에 있어서, 예측 마스크 맵에 따라 모델 정밀도 평가 지표를 결정하고, 예측 웨이퍼 패턴에 따라 마스크 품질 평가 지표를 결정하며; 모델 정밀도 평가 지표 및 마스크 품질 평가 지표에 따라, 훈련 손실을 결정한다.
모델 정밀도 평가 지표는 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도를 나타내기 위한 것이고, 마스크 품질 평가 지표는 예측 마스크 맵의 품질을 나타내기 위한 것이다.
일부 실시예에서, 칩 레이아웃의 경우, 예측 마스크 맵 및 예측 웨이퍼 패턴에 따라 포토리소그래피 마스크 생성 모델의 마스크 예측 능력을 가늠하여, 훈련 손실을 결정할 수 있다. 훈련 손실은, 예측 마스크 맵과 예측 웨이퍼 패턴 사이의 차이값을 가리키고, 훈련 손실은 포토리소그래피 마스크 생성 모델의 정밀도를 나타내기 위한 것일 수 있다.
단계 304에 있어서, 훈련 손실에 따라 포토리소그래피 마스크 생성 모델의 파라미터를 조정한다.
일부 실시예에서, 훈련 손실에 기반하여 포토리소그래피 마스크 생성 모델의 파라미터를 조정함으로써, 포토리소그래피 마스크 생성 모델을 훈련한다. 훈련 손실이 훈련 정지 조건을 만족할 때까지 훈련하여, 훈련을 정지하고, 훈련 완료된 포토리소그래피 마스크 생성 모델을 획득할 수 있다. 일부 실시예에서, 훈련 정지 조건은, 모델 반복 횟수가 설정된 횟수에 도달하는 것, 훈련 손실의 기울기가 임계값보다 작은 것, 모델 정밀도 평가 지표가 정밀도 임계값을 만족하는 것, 마스크 품질 평가 지표가 마스크 품질 임계값을 만족하는 것, 복잡도 평가 지표가 복잡도 임계값에 부합되는 것 중 적어도 하나를 포함한다.
일부 실시예에서, 본 출원의 실시예는 개시된 포토리소그래피 마스크 데이터 세트를 사용한다. 예컨대, 포토리소그래피 마스크 데이터 세트는 논문 “GAN-OPC: 포토리소그래피 가이드의 생성적 대립 네트워크를 사용하여 마스크 최적화를 수행함(Mask optimization with lithography-guided generative adversarial nets)”, 및, “역 포토리소그래피 기술: 역 포토리소그래피 기술을 신경 네트워크에 전이하여 마스크 인쇄 가능성 및 복잡성의 공동 최적화를 구현함(Neural-ILT: Migrating ILT to neural networks for mask printability and complexity co-optimization)”에서 개시된 데이터 세트를 사용하고, 상기 두 개의 데이터 세트에는 모두 10271 개의 칩 레이아웃 및 대응되는 마스크 맵이 있으며, 칩 레이아웃은 32 나노미터 공정 노드 및 일정한 설계 규칙을 만족한다. 선택적으로, 상기 데이터 세트에서의 마스크 맵은 역 포토리소그래피 마스크 최적화 알고리즘을 통해 획득된 것이다.
요컨대, 본 출원의 실시예에서 제공한 기술 방안은, 포토리소그래피 마스크 생성 모델을 훈련하는 과정에서, 사전 훈련 완료된, 신경 네트워크에 기반하여 구축된 기계 학습 모델을 사용하여 예측 웨이퍼 패턴을 생성하고, 생성된 예측 웨이퍼 패턴에 기반하여 훈련 손실을 결정하는 것을 통해, 포토리소그래피 마스크 생성 모델의 파라미터를 업데이트하고, 신경 네트워크 모델을 사용하여 예측 웨이퍼 패턴을 생성하므로, 포토리소그래피 물리적 모델을 사용하여 예측 웨이퍼 패턴을 생성하는 것에 비해, 필요한 계산량이 더욱 적고, 계산 효율이 더욱 높으므로, 본 출원의 실시예는 예측 웨이퍼 패턴을 생성하는데 필요한 시간이 절약됨으로써, 포토리소그래피 마스크 생성 모델의 훈련 효율이 향상된다.
설명해야 할 것은, 일 측면에 있어서, 예측 웨이퍼 패턴이 사용한, 신경 네트워크에 기반하여 구축된 기계 학습 모델은 사전 훈련된 것이므로, 포토리소그래피 마스크 생성 모델의 훈련 과정은, 웨이퍼 패턴 생성 모델의 훈련 과정을 포함하지 않음으로써, 예측 웨이퍼 패턴을 생성하는데 필요한 시간이 절약되어, 포토리소그래피 마스크 생성 모델을 훈련하는데 필요한 시간이 절약되므로, 포토리소그래피 마스크 생성 모델의 훈련 효율이 향상된다. 다른 한 측면에 있어서, 웨이퍼 패턴 생성 모델의 훈련은, 포토리소그래피 물리적 모델을 통해 비교적 적은 개수의 마스크 맵 샘플에 대해서만, 마스크 맵 샘플에 각각 대응되는 표준 웨이퍼 패턴을 생성한 다음, 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 사용하여 포토리소그래피 마스크 생성 모델의 과정에 참여하면, 포토리소그래피 물리적 모델의 참여는 필요하지 않으며; 포토리소그래피 물리적 모델을 사용하여 예측 웨이퍼 패턴을 생성하면, 포토리소그래피 마스크 생성 모델에 의해 매 라운드마다 생성된 예측 마스크 맵이 모두 상이하므로, 포토리소그래피 물리적 모델은 포토리소그래피 물리적 모델에 의해 매 라운드마다 생성된 예측 마스크 맵에 대해 모두 대응되는 웨이퍼 패턴을 생성해야 하며, 이러한 경우, 포토리소그래피 물리적 모델에 기반하여 생성된 웨이퍼 패턴의 개수가 현저히 증가됨으로써, 포토리소그래피 마스크 생성 모델을 훈련하는데 필요한 시간이 증가되어, 포토리소그래피 마스크 생성 모델의 훈련 효율이 저하된다.
예컨대, 포토리소그래피 마스크 생성 모델의 훈련에 사용된 라벨링 데이터 세트에 라벨링을 구비한 10000 개의 칩 레이아웃이 포함되고, 포토리소그래피 마스크 생성 모델의 훈련 라운드가 100(즉 100번 반복함)인 것으로 예를 들어, 포토리소그래피 물리적 모델을 사용하여 예측 웨이퍼 패턴을 생성하면, 각 칩 레이아웃의 경우, 매 라운드마다 모두 포토리소그래피 마스크 생성 모델에 기반하여 하나의 예측 마스크 맵을 생성하고, 각 예측 마스크 맵은 모두 포토리소그래피 물리적 모델에 기반하여 하나의 웨이퍼 패턴을 생성해야 하므로, 포토리소그래피 물리적 모델을 사용하여 10000×100 개의 웨이퍼 패턴을 생성해야 하며; 그러나, 먼저 웨이퍼 패턴 생성 모델에 대해 사전 훈련을 수행한 다음, 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 사용하여 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하면, 웨이퍼 패턴 생성 모델의 훈련 과정에서, 대응되는 라벨링 데이터 세트도 10000 개의 라벨링 데이터를 구비하며, 즉, 웨이퍼 패턴 생성 모델의 훈련에 사용된 라벨링 데이터 세트에 라벨링을 구비한 10000 개의 마스크 맵이 포함되고, 다시 말해서, 가장 많아서 포토리소그래피 물리적 모델을 사용하여 상기 10000 개의 마스크 맵에 대응되는 웨이퍼 패턴을 생성만 하면, 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 획득할 수 있다. 명백하게, 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 사용하여 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하고, 이에 기반하여 포토리소그래피 마스크 생성 모델을 훈련하면, 포토리소그래피 물리적 생성 모델을 통해 생성된 웨이퍼 패턴의 개수가, 포토리소그래피 물리적 모델을 사용하여 예측 웨이퍼 패턴을 생성하는 방법에서 포토리소그래피 물리적 모델이 생성해야 하는 웨이퍼 패턴의 개수보다 매우 작으므로(즉 10000이 10000×100보다 매우 작음), 예측 웨이퍼 패턴을 생성하는데 필요한 시간이 절약됨으로써, 포토리소그래피 마스크 생성 모델의 훈련 효율이 향상된다.
일부 가능한 구현 방식에서, 도 4에 도시된 바와 같이, 상기 단계 303은 아래와 같은 단계(3031~3033)를 더 포함한다.
단계 3031에 있어서, 예측 마스크 맵과, 칩 레이아웃에 대응되는 표준 마스크 맵 사이의 차이에 따라, 모델 정밀도 평가 지표를 계산하고, 모델 정밀도 평가 지표는 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도를 나타내기 위한 것이다.
일부 실시예에서, 모델 정밀도 평가 지표는 동일한 그룹에 속하는 예측 마스크 맵과 표준 마스크 맵 사이의 절대 차이에 기반하여 생성된 것이고, 또는, 모델 정밀도 평가 지표는 동일한 그룹에 속하는 예측 마스크 맵과 표준 마스크 맵 사이의 절대 백분율 차이에 기반하여 생성된 것이며, 또는, 모델 정밀도 평가 지표는 동일한 그룹에 속하는 예측 마스크 맵과 표준 마스크 맵 사이의 중위(median) 절대 차이에 기반하여 생성된 것이지만, 이에 한정되지 않으며, 본 출원의 실시예는 이에 대해 구체적으로 한정하지 않는다.
절대 백분율 차이는 예측 마스크 맵과 표준 마스크 맵 사이의 절대 차이와 표준 마스크 맵의 백분율을 가리킨다.
중위 절대 차이는 예측 마스크 맵과 표준 마스크 맵 사이의 복수 개의 절대 차이 사이의 중간값을 가리킨다.
일부 실시예에서, 포토리소그래피 마스크 생성 모델이 입력된 칩 레이아웃의 경우, 예측 마스크 맵과 고품질의 표준 마스크 맵 사이의 차이를 계산하는 것을 통해, 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도를 가늠할 수 있으며, 즉 포토리소그래피 마스크 생성 모델의 마스크 예측 능력을 가늠할 수 있다. 예측 마스크 맵과 표준 마스크 맵 사이의 차이가 작을 수록, 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도가 더욱 높은 것을 나타내고; 그렇지 않은 경우, 예측 마스크 맵과 표준 마스크 맵 사이의 차이가 클 수록, 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도가 더욱 낮은 것을 나타낸다.
단계 3032에 있어서, 예측 웨이퍼 패턴과 칩 레이아웃 사이의 차이에 따라, 마스크 품질 평가 지표를 계산하고, 마스크 품질 평가 지표는 예측 마스크 맵의 품질을 나타내기 위한 것이다.
일부 실시예에서, 예측 웨이퍼 패턴과, 대응되는 칩 레이아웃 사이의 차이가 작을 수록, 대응되는 예측 마스크 맵의 품질이 더욱 높은 것을 나타내고; 그렇지 않은 경우, 예측 웨이퍼 패턴과, 대응되는 칩 레이아웃 사이의 차이가 클 수록, 대응되는 예측 마스크 맵의 품질이 더욱 낮은 것을 나타낸다.
일부 실시예에서, 마스크 품질 평가 지표의 생성은 주관적 모니터링 생성 및 객관적 모니터링 생성을 포함한다.
주관적 모니터링는 관찰자의 주관적 퍼셉션(perception)에 따라 예측 웨이퍼 패턴과, 대응되는 칩 레이아웃 사이의 차이를 모니터링하는 것을 가리킨다.
객관적 모니터링는 예측 웨이퍼 패턴 및 칩 레이아웃의 이미지 특징에 기반하여 객관적 비교를 수행함으로써, 예측 웨이퍼 패턴과, 대응되는 칩 레이아웃 사이의 차이를 획득하는 것을 가리킨다.
단계 3033에 있어서, 모델 정밀도 평가 지표 및 마스크 품질 평가 지표에 따라, 훈련 손실을 결정한다.
일부 실시예에서, 모델 정밀도 평가 지표 및 마스크 품질 평가 지표에 대응되는 값을 합산(예컨대 가중 합산)하여, 훈련 손실을 획득한다.
일부 실시예에서, 도 5에 도시된 바와 같이, 상기 방법은 아래와 같은 단계(3034~3035)를 더 포함한다.
단계 3034에 있어서, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하고, 복잡도 평가 지표는 예측 마스크 맵의 복잡도를 나타내기 위한 것이다.
훈련 손실에 복잡도 평가 지표를 추가하는 것을 통해, 포토리소그래피 마스크 생성 모델로 하여금 복잡도가 낮은 예측 마스크 맵을 생성하는데로 경향하도록 함으로써, 포토리소그래피 마스크 생성 모델에 의해 생성된 예측 마스크 맵의 복잡도가 저하되어, 예측 마스크 맵의 제조 가능성이 향상된다.
일부 실시예에서, 예측 마스크 맵에 웨이퍼 상에 용이하게 노광되는 작은 구조(예컨대 홀, 돌출부, 톱니 등)가 많이 존재하면, 예측 마스크 맵의 복잡도가 비교적 높고; 예측 마스크 맵에 웨이퍼 상에 용이하게 노광되는 작은 구조(예컨대 홀, 돌출부, 톱니 등)가 존재하지 않거나 비교적 적게 존재하면, 예측 마스크 맵의 복잡도가 비교적 낮다.
일부 실시예에서, 상기 방법은 아래와 같은 단계(1~2)를 더 포함할 수 있다.
단계 1에 있어서, 제1 포토리소그래피 물리적 모델을 사용하여 복수 개의 상이한 공정 파라미터에 기반하여, 예측 마스크 맵에 대응되는 복수 개의 웨이퍼 패턴을 생성하고, 제1 포토리소그래피 물리적 모델은 광학 원리에 기반한 수학적 물리 시뮬레이션 모델이다.
일부 실시예에서, 복수 개의 상이한 공정 파라미터에 대응되는 예측 마스크 맵의 웨이퍼 패턴을 생성하고, 공정 파라미터의 타입은 두 가지 또는 두 가지 이상이다. 여기서, 공정 파라미터는 노광량, 디포커스 등을 포함한다. 선택적으로, 공정 파라미터의 타입 및 구체적인 공정 파라미터의 값은 관련 기술인원에 의해 실제 경우에 따라 설정될 수 있으며, 본 출원의 실시예는 이에 대해 구체적으로 한정하지 않는다.
일부 실시예에서, 제1 포토리소그래피 물리적 모델을 사용하여 제1 공정 파라미터에 기반하여, 예측 마스크 맵에 대응되는 제1 웨이퍼 패턴을 생성하고; 제1 포토리소그래피 물리적 모델을 사용하여 제2 공정 파라미터에 기반하여, 예측 마스크 맵에 대응되는 제2 웨이퍼 패턴을 생성하며; 여기서, 제1 공정 파라미터의 노광량은 제2 공정 파라미터의 노광량보다 작고, 제1 공정 파라미터의 디포커스는 제2 공정 파라미터의 디포커스보다 작다.
단계 2에 있어서, 복수 개의 웨이퍼 패턴 사이의 차이에 따라, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 결정한다.
예측 마스크 맵이 간단할 수록(즉 복잡도가 낮을 수록), 예측 마스크 맵이 상이한 공정 파라미터 조건 하에서 획득한 웨이퍼 패턴 사이의 차이가 더욱 작고; 예측 마스크 맵이 복잡할 수록, 예측 마스크 맵이 상이한 공정 파라미터 조건 하에서 획득한 웨이퍼 패턴 사이의 차이가 더욱 크다. 따라서, 복수 개의 웨이퍼 패턴 사이의 차이가 작을 수록, 대응되는 예측 마스크 맵의 복잡도가 더욱 낮은 것(즉 더욱 간단함)을 나태내고; 복수 개의 웨이퍼 패턴 사이의 차이가 클 수록, 대응되는 예측 마스크 맵이 더욱 복잡한 것을 나타낸다. 따라서, 상이한 공정 파라미터 조건 하에서 획득된 웨이퍼 패턴의 차이를 통해, 예측 마스크 맵의 복잡도를 편이하고 직관적으로 가늠할 수 있다. 각 예측 마스크 맵의 경우, 모두 매 한 그룹의 공정 파라미터에 기반하여 하나의 예측 마스크 맵에 대응되는 웨이퍼 패턴을 생성해야 한다. 공정 파라미터는 2 개의 그룹(즉 각 예측 마스크 맵은 2 개의 웨이퍼 패턴에 대응됨), 3개의 그룹(즉 각 예측 마스크 맵은 3 개의 웨이퍼 패턴에 대응됨), 4개의 그룹(즉 각 예측 마스크 맵은 4 개의 웨이퍼 패턴에 대응됨), 5개의 그룹(즉 각 예측 마스크 맵은 5 개의 웨이퍼 패턴에 대응됨) 등이 있을 수 있으며, 본 출원의 실시예는 이에 대해 구체적으로 한정하지 않는다.
일부 실시예에서, 제1 웨이퍼 패턴과 제2 웨이퍼 패턴 사이의 차이에 따라, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 계산한다. 즉, 각 예측 마스크 맵에 대해, 상이한 공정 파라미터에 대응되는 두 개의 웨이퍼 패턴만 있으면 예측 마스크 맵의 복잡도 평가 지표를 계산할 수 있으며, 3 개, 4 개, 5 개 또는 더욱 많은 웨이퍼 패턴을 사용하여 복잡도 평가 지표를 계산하는 것에 비해, 복잡도 평가 지표를 계산하는데 필요한 계산량 및 시간이 감소됨으로써, 포토리소그래피 마스크 생성 모델의 훈련 효율이 향상된다.
일부 실시예에서, 복잡도 평가 지표의 생성은 임의 두 개의 웨이퍼 패턴 사이의 패턴 차이의 평균 차이값을 통해 생성된 것이고, 또는, 복잡도 평가 지표의 생성은 임의 두 개의 웨이퍼 패턴 사이의 패턴 차이의 차이값 백분율을 통해 생성된 것이며, 또는, 복잡도 평가 지표의 생성은 임의 두 개의 웨이퍼 패턴 사이의 패턴 차이의 중위 차이값을 통해 생성된 것이지만, 이에 한정되지 않으며, 본 출원의 실시예는 이에 대해 구체적으로 한정하지 않는다.
평균 차이값은 임의 두 개의 웨이퍼 패턴 사이의 패턴 차이값의 평균 값을 가리킨다.
차이값 백분율은 임의 두 개의 웨이퍼 패턴 사이의 패턴 차이값 중 임계값보다 큰 차이값의 백분율을 가리킨다.
중위 차이값은 임의 두 개의 웨이퍼 패턴 사이의 복수 개의 패턴 차이값 사이의 중간값을 가리킨다.
일부 실시예에서, 도 6에 도시된 바와 같이, 사전 훈련 완료된 복잡도 평가 모델(18)을 통해, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 생성하고; 여기서, 복잡도 평가 모델(18)은 신경 네트워크에 기반하여 구축된 기계 학습 모델이다. 즉, 마스크 맵을 복잡도 평가 모델에 입력한 후, 복잡도 평가 모델이 마스크 맵에 대응되는 복잡도 평가 지표를 출력한다.
일부 실시예에서, 복잡도 평가 모델을 통해 직접 출력하여 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득한다. 구체적인 방법은, 제2 데이터 세트를 획득하되, 제2 데이터 세트는 적어도 하나의 마스크 맵 샘플과, 마스크 맵 샘플에 대응되는 표준 복잡도 평가 지표를 포함하는 단계; 및 제2 데이터 세트를 사용하여 복잡도 평가 모델을 훈련하여, 사전 훈련 완료된 복잡도 평가 모델을 획득하는 단계를 포함한다.
사전 훈련 완료된 웨이퍼 패턴 생성 모델을 사용하여 예측 웨이퍼 패턴을 생성하는 것과 동일하게, 일 측면에 있어서, 복잡도 평가 모델을 통해 집적 출력하여 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하며, 이로써, 포토리소그래피 물리적 모델의 훈련 과정에서 포토리소그래피 물리적 모델에 기반하여 마스크 맵을 생성할 필요가 없음으로써, 계산 자원 및 계산 시간이 절약되어, 포토리소그래피 마스크 생성 모델의 훈련 효율이 추가로 향상된다. 다른 한 측면에 있어서, 포토리소그래피 물리적 모델을 사용하여 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하고, 예측 웨이퍼 패턴에 기반하여 예측 마스크 맵의 복잡도 평가 지표를 결정하면, 포토리소그래피 마스크 생성 모델에 의해 매 라운드마다 생성된 예측 마스크 맵이 모두 상이하므로, 포토리소그래피 물리적 모델은 포토리소그래피 물리적 모델에 의해 매 라운드마다 생성된 예측 마스크 맵에 대해 대응되는 웨이퍼 패턴을 모두 생성해야 하며, 이러한 경우, 포토리소그래피 물리적 모델에 기반하여 생성한 웨이퍼 패턴의 개수가 현저히 증가됨으로써, 포토리소그래피 마스크 생성 모델을 훈련하는데 필요한 시간이 증가되고, 포토리소그래피 마스크 생성 모델의 훈련 효율이 저하되며; 복잡도 평가 모델의 훈련의 경우, 포토리소그래피 물리적 모델을 통해 비교적 적은 개수의 마스크 맵 샘플에 대해서만, 마스크 맵 샘플에 각각 대응되는 표준 웨이퍼 패턴을 생성한 다음, 사전 훈련 완료된 복잡도 평가 모델을 사용하여 포토리소그래피 마스크 생성 모델의 과정에 참여하면, 포토리소그래피 물리적 모델의 참여가 필요 없음으로, 웨이퍼 패턴을 생성하는데 필요한 시간이 절약되어, 포토리소그래피 마스크 생성 모델의 훈련 효율이 향상된다.
일부 실시예에서, 웨이퍼 패턴 생성 모델을 통해 상이한 공정 파라미터 조건 하에서 예측 마스크 맵에 대응되는 복수 개의 웨이퍼 패턴(예컨대 제1 웨이퍼 패턴 및 상기 제2 웨이퍼 패턴)을 생성한 다음, 복수 개의 웨이퍼 패턴 사이의 차이에 따라, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 결정한다. 이로써, 포토리소그래피 물리적 모델을 사용하여 예측 마스크 맵에 대응되는 복수 개의 웨이퍼 패턴을 생성하고, 복수 개의 웨이퍼 패턴에 기반하여 예측 마스크 맵의 복잡도 평가 지표를 결정하는 것에 비해, 웨이퍼 패턴을 생성하는데 필요한 시간을 절역할 수도 있음으로써, 포토리소그래피 마스크 생성 모델의 훈련 효율이 향상되며; 그러나 엔드 투 엔드의 복잡도 지표 생성 모델을 사용하여, 예측 마스크 맵을 입력한 후 대응되는 복잡도 평가 지표를 직접 출력할 수 있는 것에 비해, 여전히 웨이퍼 패턴을 생성해야 하므로, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 결정하는데 필요한 시간이 증가된다.
일부 실시예에서, 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델은 모두 신경 네트워크에 기반한 기계 학습 모델이고, 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델은 동일한 특징 추출 네트워크를 공용하며, 웨이퍼 패턴 생성 모델은 특징 추출 네트워크 및 웨이퍼 패턴 예측 네트워크를 포함하고, 복잡도 평가 모델은 특징 추출 네트워크 및 복잡도 평가 네트워크를 포함한다. 일부 실시예에서, 복잡도 평가 네트워크를 통해, 특징 추출 네트워크에 의해 획득된 예측 마스크 맵에 대응되는 특징 정보를 처리하여, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득한다.
일부 실시예에서, 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델은 인코딩 네트워크를 공용하거나, 일부분 인코딩 네트워크를 공용할 수 있으며, 공용된 부분의 인코딩 네트워크는 상기 동일한 특징 추출 네트워크이다. 포토리소그래피 마스크 생성 모델에 의해 생성된 예측 마스크 맵의 경우, 먼저 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델을 통해 동일한 특징 추출 네트워크를 공용하여 특징 추출을 수행하여, 공용 특징을 획득한 다음, 공용 특징을 각각 웨이퍼 패턴 예측 네트워크 및 복잡도 평가 네트워크에 입력하여, 웨이퍼 패턴 예측 네트워크에 의해 예측 마스크 맵의 예측 웨이퍼 패턴을 출력하며, 복잡도 평가 네트워크에 의해 예측 마스크 맵에 대응되는 복잡도 평가 지표를 출력한다.
이로써, 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델은 특징 추출 네트워크를 공유하는 것을 통해, 상기 두 모델이 차지하는 저장 공간이 감소되고, 상기 두 모델의 작동에 필요한 총 처리 자원 및 시간이 절약됨으로써, 포토리소그래피 마스크 생성 모델의 훈련 효율이 추가로 향상된다.
예시적으로, 도 7에 도시된 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델이 공용 특징 추출 네트워크를 공용하는 예시도와 같이, 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델은 인코딩 네트워크(702)를 공용하며, 인코딩 네트워크(702)는 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델 중 동일한 특징 추출 네트워크를 가리키며, 예측 마스크 맵(701)을 인코딩 네트워크(702)에 입력하여 특징 추출을 수행하여, 웨이퍼 패턴 생성 모델 및 복잡도 평가 모델이 공용한 공용 특징(703)을 획득한다. 공용 특징(703)을 웨이퍼 패턴 예측 네트워크(704)에 입력하여 웨이퍼 패턴의 생성을 수행하여, 예측 마스크 맵(701)에 대응되는 예측 웨이퍼 패턴(706)을 획득하고; 공용 특징(703)을 복잡도 평가 네트워크(705)에 입력하여 예측 마스크 맵(701)에 대응되는 복잡도 평가 지표(707)를 출력한다.
단계 3035에 있어서, 모델 정밀도 평가 지표, 마스크 품질 평가 지표 및 복잡도 평가 지표에 따라, 훈련 손실을 결정한다.
일부 실시예에서, 모델 정밀도 평가 지표, 마스크 품질 평가 지표 및 복잡도 평가 지표를 합산(예컨대 가중 합산)하여, 훈련 손실을 획득한다.
일부 실시예에서, 제1 웨이퍼 패턴 및 제2 웨이퍼 패턴에 각각 대응되는 매트릭스를 차감하여, 제1 차이값 매트릭스를 획득하고; 제1 차이값 매트릭스에 대응되는 행렬식을 제곱하여, 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득한다.
일부 실시예에서, 훈련 손실의 계산은 아래와 같은 공식을 참조할 수 있다.
여기서, 은 훈련 손실을 나타내고, 는 모델 정밀도 평가 지표를 나타내며, 는 마스크 품질 평가 지표를 나타내고, 는 예측 마스크 맵에 대응되는 복잡도 평가 지표를 나타내며, α 및 β는 조절 가능한 파라미터를 나타내고; 는 표준 마스크 맵을 나타내며, 는 예측 마스크 맵을 나타내고; 는 예측 웨이퍼 패턴을 나타내며, 는 칩 레이아웃을 나타낸다.
여기서, 는 저노광량 및 저디포커스 공정 조건 하에서 획득된 웨이퍼 패턴(예컨대 제1 웨이퍼 패턴)을 나타낸다. 일부 실시예에서, 저노광량은 정상적인 노광량의 98%를 가리키고, 저디포커스는 25nm 디포커스를 가리킨다. 는 고노광량 및 무디포커스 공정 조건 하에서 획득된 웨이퍼 패턴(예컨대 제2 웨이퍼 패턴)을 나타낸다. 일부 실시예에서, 고노광량은 정상적인 노광량의 102%를 가리킨다. 저노광량 및 저디포커스 공정 조건 하에서, 마스크 맵의 많은 작은 구조(예컨대 홀, 돌출부, 톱니 등)는 웨이퍼 상에 노광되지 않으며, 즉 제1 웨이퍼 패턴 상에 마스크 맵에서의 작은 구조가 나타나지 않거나 매우 적게 나타난다. 고노광량 및 무디포커스 공정 조건 하에서, 마스크 맵에 많은 작은 구조가 존재하며, 이러한 작은 구조는 웨이퍼 상에 노광되며, 즉 제2 웨이퍼 패턴 상에 마스크 맵에서의 대부분 또는 전부 작은 구조가 나타난다. 따라서, 과 의 차이값이 작을 수록, 예측 마스크 맵의 많은 작은 구조가 생성되지 않는 것을 의미하며, 즉 예측 마스크 맵의 복잡도도 더욱 낮다.
일부 실시에서, 상기 저노광량, 저디포커스 및 고노광량에 대응되는 구체적인 값은 상기 예에 한정되지 않으며, 관련 기술인원에 의해 실제 경우에 따라 설정될 수 있으며, 본 출원의 실시예는 이에 대해 구체적으로 한정하지 않는다.
일부 실시예에서, 기울기 하강 알고리즘을 통해 훈련 손실을 최소화하며, 훈련 손실의 기울기는 아래와 같이 정의된다.
여기서, 은 훈련 손실을 나타내고, 는 모델 정밀도 평가 지표를 나타내며, 는 마스크 품질 평가 지표를 나타내고, 는 예측 마스크 맵에 대응되는 복잡도 평가 지표를 나타내며, α 및 β는 조절 가능한 파라미터이고，는 예측 마스크 맵을 나타내며, Z는 웨이퍼 상에 이미징된 광강도 분포값이고, 은 저노광량 조건 하에서의 광강도 분포값을 나타내며, 은 저디포커스 공정 조건 하에서의 광강도 분포값을 나타내고, 는 고노광량 조건 하에서의 광강도 분포값을 나타내고, 는 고디포커스 공정 조건 하에서의 광강도 분포값을 나타내며, I는 포토리소그래피 물리적 모델 상에 이미징된 광강도 분포를 나타내고, sig는 분산 분석을 나타내며, w는 포토리소그래피 마스크 생성 모델 중 뉴런 가중치를 나타내고, 는 상수로서, 값이 50일 수 있으며, 의 값은 0.225일 수 있고, 및 는 k 번째 디포커스 포토리소그래피 시스템 커널 함수 및 대응되는 가중치 계수를 각각 나타낸다. K는 24를 취할 수 있다. 는 디포커스 포토리소그래피 시스템 커널 함수 의 복소 공액(complex conjugate)이고, 는 를 180° 회전하여 획득된 것이며, 는 매트릭스 컨볼루션 연산을 나타내고, 는 매트릭스에 대응되는 요소의 곱셈을 나타내며, M는 마스크를 나태내고, 이며, exp는 지수 함수이고, 여기서 은 상수이며, 는 4일 수 있다.
상기 구현 방식에서, 모델 정밀도 평가 지표 및 마스크 품질 평가 지표를 통해 훈련 손실을 결정하고, 이에 기반하여 포토리소그래피 마스크 생성 모델을 훈련하여, 포토리소그래피 마스크 생성 모델의 모델 정밀도 및 생성된 예측 마스크 맵의 품질을 향상시킬 수 있다.
또한, 훈련 손실에 복잡도 평가 지표를 추가하는 것을 통해, 포토리소그래피 마스크 생성 모델로 하여금 복잡도가 낮은 예측 마스크 맵을 생성하는데로 경향하도록 함으로써, 포토리소그래피 마스크 생성 모델에 의해 생성된 예측 마스크 맵의 복잡도가 저하되어, 예측 마스크 맵의 제조 가능성이 향상된다.
아래에는 본 출원의 장치 실시예이며, 본 출원의 방법 실시예를 실행하기 위한 것일 수 있다. 본 출원의 장치 실시예에서 개시되지 않은 세부 사항은, 본 출원의 방법 실시예를 참조하면 된다.
도 8을 참조하면, 도 8은 본 출원의 하나의 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 장치의 블록도를 도시한다. 상기 장치는 상기 포토리소그래피 마스크 생성 모델의 훈련 방법의 예를 구현하는 기능을 구비하고, 상기 기능은 하드웨어에 의해 구현될 수 있으며, 하드웨어에 의해 상응한 소프트웨어를 실행하여 구현될 수도 있다. 상기 장치는 위에서 소개된 모델 훈련 기기일 수 있고, 모델 훈련 기기에 설치될 수도 있다. 상기 장치(800)는, 마스크 생성 모듈(810), 패턴 생성 모듈(820), 손실 결정 모듈(830) 및 파라미터 조정 모듈(840)을 포함할 수 있다.
상기 마스크 생성 모듈(810)은, 포토리소그래피 마스크 생성 모델을 통해, 칩 레이아웃에 대응되는 예측 마스크 맵을 생성하기 위한 것이고; 상기 포토리소그래피 마스크 생성 모델은 상기 예측 마스크 맵을 생성하기 위한 신경 네트워크 모델이다.
상기 패턴 생성 모듈(820)은, 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 통해, 상기 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하기 위한 것이고, 상기 웨이퍼 패턴 생성 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델이다.
상기 손실 결정 모듈(830)은, 상기 예측 마스크 맵에 따라 모델 정밀도 평가 지표를 결정하고, 상기 예측 웨이퍼 패턴에 따라 마스크 품질 평가 지표를 결정하며 - 상기 모델 정밀도 평가 지표는 상기 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도를 나타내기 위한 것이고, 상기 마스크 품질 평가 지표는 상기 예측 마스크 맵의 품질을 나타내기 위한 것임 - ; 상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 훈련 손실을 결정하기 위한 것이다.
상기 파라미터 조정 모듈(840)은, 상기 훈련 손실에 따라 상기 포토리소그래피 마스크 생성 모델의 파라미터를 조정하기 위한 것이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 손실 결정 모듈(830)은, 지표 계산 서브 모듈(831) 및 손실 결정 서브 모듈(832)을 포함한다.
상기 지표 계산 서브 모듈(831)은, 상기 예측 마스크 맵과, 상기 칩 레이아웃에 대응되는 표준 마스크 맵 사이의 차이에 따라, 모델 정밀도 평가 지표를 계산하기 위한 것이다.
상기 지표 계산 서브 모듈(831)은 또한, 상기 예측 웨이퍼 패턴과 상기 칩 레이아웃 사이의 차이에 따라, 마스크 품질 평가 지표를 계산하기 위한 것이다.
상기 손실 결정 서브 모듈(832)은, 상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 상기 훈련 손실을 결정하기 위한 것이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 장치(800)는, 지표 획득 모듈(850)을 더 포함한다.
상기 지표 획득 모듈(850)은, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하기 위한 것이고, 상기 복잡도 평가 지표는 상기 예측 마스크 맵의 복잡도를 나타내기 위한 것이다.
상기 손실 결정 서브 모듈(832)은, 상기 모델 정밀도 평가 지표, 상기 마스크 품질 평가 지표 및 상기 복잡도 평가 지표에 따라, 상기 훈련 손실을 결정하기 위한 것이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 지표 획득 모듈(850)은, 패턴 생성 서브 모듈(851)을 포함한다.
상기 패턴 생성 서브 모듈(851)은, 제1 포토리소그래피 물리적 모델을 사용하여 복수 개의 상이한 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 복수 개의 웨이퍼 패턴을 생성하기 위한 것이고; 여기서, 상기 제1 포토리소그래피 물리적 모델은 광학 원리에 기반한 수학적 물리 시뮬레이션 모델이다.
상기 지표 계산 서브 모듈(831)은, 상기 복수 개의 웨이퍼 패턴 사이의 차이에 따라, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 결정하기 위한 것이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 패턴 생성 서브 모듈(851)은,
상기 제1 포토리소그래피 물리적 모델을 사용하여 제1 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 제1 웨이퍼 패턴을 생성하고;
상기 제1 포토리소그래피 물리적 모델을 사용하여 제2 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 제2 웨이퍼 패턴을 생성하기 위한 것이며; 여기서, 상기 제1 공정 파라미터의 노광량은 상기 제2 공정 파라미터의 노광량보다 작고, 상기 제1 공정 파라미터의 디포커스는 상기 제2 공정 파라미터의 디포커스보다 작다.
상기 지표 계산 서브 모듈(831)은 또한, 상기 제1 웨이퍼 패턴과 상기 제2 웨이퍼 패턴 사이의 차이에 따라, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 계산하기 위한 것이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 지표 계산 서브 모듈(831)은,
상기 제1 웨이퍼 패턴 및 상기 제2 웨이퍼 패턴에 각각 대응되는 매트릭스를 차감하여, 제1 차이값 매트릭스를 획득하고;
상기 제1 차이값 매트릭스에 대응되는 행렬식을 제곱하여, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하기 위한 것이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 지표 획득 모듈(850)은, 사전 훈련 완료된 복잡도 평가 모델을 통해, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 생성하기 위한 것이고; 여기서, 상기 복잡도 평가 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 장치(800)는, 데이터 세트 획득 모듈(860) 및 모델 훈련 모듈(870)을 더 포함한다.
상기 데이터 세트 획득 모듈(860)은, 제2 데이터 세트를 획득하기 위한 것이고, 상기 제2 데이터 세트는 적어도 하나의 마스크 맵 샘플과, 상기 마스크 맵 샘플에 대응되는 표준 복잡도 평가 지표를 포함한다.
상기 모델 훈련 모듈(870)은, 상기 제2 데이터 세트를 사용하여 상기 복잡도 평가 모델을 훈련하여, 상기 사전 훈련 완료된 복잡도 평가 모델을 획득하기 위한 것이다.
일부 실시예에서, 상기 웨이퍼 패턴 생성 모델 및 상기 복잡도 평가 모델은 동일한 특징 추출 네트워크를 공용하고, 상기 웨이퍼 패턴 생성 모델은 상기 특징 추출 네트워크 및 웨이퍼 패턴 예측 네트워크를 포함하며, 상기 복잡도 평가 모델은 상기 특징 추출 네트워크 및 복잡도 평가 네트워크를 포함하고; 도 9에 도시된 바와 같이, 상기 지표 획득 모듈(850)은, 상기 복잡도 평가 네트워크를 통해, 상기 특징 추출 네트워크에 의해 획득된 상기 예측 마스크 맵에 대응되는 특징 정보를 처리하여, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하기 위한 것이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 데이터 세트 획득 모듈(860)은 또한, 제1 데이터 세트를 획득하기 위한 것이고, 상기 제1 데이터 세트는 적어도 하나의 마스크 맵 샘플과, 상기 마스크 맵 샘플에 대응되는 표준 웨이퍼 패턴을 포함한다.
상기 모델 훈련 모듈(870)은 또한, 상기 제1 데이터 세트를 사용하여 상기 웨이퍼 패턴 생성 모델을 훈련하여, 상기 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 획득하기 위한 것이다.
일부 실시예에서, 도 9에 도시된 바와 같이, 상기 데이터 세트 획득 모듈(860)은,
칩 레이아웃 샘플에 대해 광학 근접 보정(OPC) 처리를 수행하여, 상기 칩 레이아웃 샘플에 대응되는 마스크 맵 샘플을 획득하고;
제2 포토리소그래피 물리적 모델을 통해 상기 마스크 맵 샘플에 대응되는 표준 웨이퍼 패턴을 획득하며 - 상기 제2 포토리소그래피 물리적 모델은 광학 원리에 기반한 수학적 물리 시뮬레이션 모델임 - ;
대응 관계를 구비한 상기 마스크 맵 샘플 및 상기 표준 웨이퍼 패턴에 따라, 상기 제1 데이터 세트를 구축하기 위한 것이다.
요컨대, 본 출원의 실시예에서 제공한 기술 방안, 포토리소그래피 마스크 생성 모델을 훈련하는 과정에서, 사전 훈련 완료된, 신경 네트워크에 기반하여 구축된 기계 학습 모델을 사용하여 예측 웨이퍼 패턴을 생성하고, 생성된 예측 웨이퍼 패턴에 기반하여 훈련 손실을 결정하는 것을 통해, 포토리소그래피 마스크 생성 모델의 파라미터를 업데이트하며, 신경 네트워크 모델을 사용하여 예측 웨이퍼 패턴을 생성하므로, 포토리소그래피 물리적 모델을 사용하여 예측 웨이퍼 패턴을 생성하는 것에 비해, 필요한 계산량이 더욱 적고, 계산 효율이 더욱 높으므로, 본 출원의 실시예는 예측 웨이퍼 패턴을 생성하는데 필요한 시간이 절약됨으로써, 포토리소그래피 마스크 생성 모델의 훈련 효율이 향상된다.
설명해야 할 것은, 상기 실시예에서 제공한 장치가, 그 기능을 실행할 경우, 상기 각 기능 모듈의 구획으로만 예를 들어 설명하였지만, 실제 응용에서, 필요에 따라 상기 기능을 상이한 기능 모듈에 의해 완료되도록 분배할 수 있으며, 즉 기기의 내부 구조를 상이한 기능 모듈로 구획하여, 위에서 설명된 전부 또는 일부 기능을 완료한다. 또한, 상기 실시예에서 제공한 장치와 방법 실시예는 동일한 구상에 속하고, 그 구체적인 구현 과정은 방법 실시예를 참조하면 되며, 여기서 더이상 반복하여 설명하지 않는다.
도 10을 참조하면, 도 10은 본 출원의 하나의 실시예에서 제공한 컴퓨터 기기의 구조 블록도를 도시한다. 상기 컴퓨터 기기는 상기 실시예에서 제공한 포토리소그래피 마스크 생성 모델의 훈련 방법을 실시하기 위한 것이다. 구체적으로 설명하면,
상기 컴퓨터 기기(1000)는, CPU(1001), 랜덤 액세스 메모리(Random Access Memory, RAM)(1002)와 판독 전용 메모리(Read-Only Memory, ROM)(1003)을 포함한 시스템 메모리(1004), 및 시스템 메모리(1004)와 중앙처리유닛(1001)을 연결하는 시스템 버스(1005)를 포함한다. 상기 컴퓨터 기기(1000)는 또한, 컴퓨터 내의 각 소자 사이의 정보 전송을 돕는 기본 입력/출력(Input/Output, I/O) 시스템(1006)과, 운영 시스템(1013), 응용 프로그램(1014) 및 다른 프로그램 모듈(1015)을 저장하기 위한 대용량 저장 기기(1007)를 포함한다.
상기 기본 입력/출력 시스템(1006)은 정보를 표시하기 위한 디스플레이(1008)와, 사용자가 정보를 입력하기 위한 마우스 및 키보드와 같은 입력 기기(1009)를 포함한다. 여기서 상기 디스플레이(1008) 및 입력 기기(1009)는 시스템 버스(1005)에 연결된 입력 출력 컨트롤러(1010)를 통해 중앙처리유닛(1001)에 연결된다. 상기 기본 입력/출력 시스템(1006)은 또한, 키보드, 마우스, 또는 전자 스타일러스 등 복수 개의 다른 기기로부터의 입력을 수신하기 위해, 입력 출력 컨트롤러(1010)를 포함할 수 있다. 유사하게, 입력 출력 컨트롤러(1010)는 또한 디스플레이 스크린, 프린터 또는 다른 타입의 출력 기기로 출력을 제공한다.
상기 대용량 저장 기기(1007)는 시스템 버스(1005)에 연결된 대용량 저장 컨트롤러(미도시)를 통해 중앙처리유닛(1001)에 연결된다. 상기 대용량 저장 기기(1007) 및 상기 대용량 저장 기기(1007)와 관련된 컴퓨터 판독 가능한 매체는 컴퓨터 기기(1000)에 비휘발성 스토리지를 제공한다. 다시 말해서, 상기 대용량 저장 기기(1007)는 하드 디스크 또는 판독 전용 광 디스크(Compact Disc Read-Only Memory, CD-ROM) 드라이버와 같은 컴퓨터 판독 가능한 매체(미도시)를 포함할 수 있다.
일반성을 잃지 않고, 상기 컴퓨터 판독 가능한 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독 가능한 명령어, 데이터 구조, 프로그램 모듈 또는 다른 데이터 등과 같은 정보를 저장하기 위한, 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성, 이동 가능한 및 이동이 불가능한 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, 소거 가능한 프로그래머블 판독 전용 메모리(Erasable Programmable Read Only Memory, EPROM), 전기적 소거 가능한 프로그래머블 판독 전용 메모리(Electrically Erasable Programmable Read Only Memory, EEPROM), 플래시 메모리 또는 다른 솔리드 스테이트 메모리, CD-ROM, 고밀도 디지털 비디오 광 디스크(Digital Video Disc, DVD) 또는 다른 광 메모리, 테이프 카트리지, 자기 테이프, 자기 디스크 메모리 또는 다른 마그네틱 저장 기기를 포함한다. 물론, 본 분야의 통상의 기술자는 상기 컴퓨터 저장 매체가 상기 몇 가지에 한정되지 않음을 알 수 있다. 상기 시스템 메모리(1004) 및 대용량 저장 기기(1007)를 총칭하여 메모리라고 할 수 있다.
본 출원의 다양한 실시예에 따라, 상기 컴퓨터 기기(1000)는 또한 인터넷 등과 같은 네트워크를 통해 네트워크에서의 원격 컴퓨터에 연결되어 작동될 수 있다. 즉 컴퓨터 기기(1000)는 상기 시스템 버스(1005)에 연결된 네트워크 인터페이스 유닛(1011)을 통해 네트워크(1012)에 연결될 수 있거나, 네트워크 인터페이스 유닛(1011)을 사용하여 다른 타입의 네트워크 또는 원격 컴퓨터 시스템(미도시)에 연결될 수 있다.
예시적 실시예에서, 컴퓨터 판독 가능한 저장 매체를 더 제공하고, 상기 저장 매체에는 적어도 하나의 프로그램이 저장되어 있으며, 상기 적어도 하나의 프로그램이 프로세서에 의해 실행될 경우 상기 포토리소그래피 마스크 생성 모델의 훈련 방법을 구현한다.
선택적으로, 상기 컴퓨터 판독 가능한 저장 매체는, 판독 전용 메모리(Read-Only Memory, ROM), 랜덤 메모리(Random-Access Memory, RAM), 솔리드 스테이트 하드 디스크(Solid State Drives, SSD) 또는 광 디스크 등을 포함할 수 있다. 여기서, 랜덤 액세스 메모리는, 저항식 랜덤 액세스 메모리(Resistance Random Access Memory, ReRAM) 및 동적 랜덤 액세스 메모리(Dynamic Random Access Memory, DRAM)를 포함할 수 있다.
예시적 실시예에서, 컴퓨터 프로그램 제품 또는 컴퓨터 프로그램을 더 제공하고, 상기 컴퓨터 프로그램 제품 또는 컴퓨터 프로그램은 컴퓨터 명령어를 포함하며, 상기 컴퓨터 명령어는 컴퓨터 판독 가능한 저장 매체에 저장된다. 컴퓨터 기기의 프로세서는 컴퓨터 판독 가능한 저장 매체로부터 상기 컴퓨터 명령어를 판독하고, 프로세서는 상기 컴퓨터 명령어를 실행하여, 상기 컴퓨터 기기로 하여금 상기 포토리소그래피 마스크 생성 모델의 훈련 방법을 실행하도록 한다.

Claims (20)

  1. 포토리소그래피 마스크 생성 모델의 훈련 방법으로서, 컴퓨터 기기에 의해 실행되고,
    포토리소그래피 마스크 생성 모델을 통해, 칩 레이아웃에 대응되는 예측 마스크 맵을 생성하는 단계 - 상기 포토리소그래피 마스크 생성 모델은 상기 예측 마스크 맵을 생성하기 위한 신경 네트워크 모델임 - ;
    사전 훈련 완료된 웨이퍼 패턴 생성 모델을 통해, 상기 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하는 단계 - 상기 웨이퍼 패턴 생성 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델임 - ;
    상기 예측 마스크 맵에 따라 모델 정밀도 평가 지표를 결정하고, 상기 예측 웨이퍼 패턴에 따라 마스크 품질 평가 지표를 결정하는 단계 - 상기 모델 정밀도 평가 지표는 상기 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도를 나타내기 위한 것이고, 상기 마스크 품질 평가 지표는 상기 예측 마스크 맵의 품질을 나타내기 위한 것임 - ;
    상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 훈련 손실을 결정하는 단계; 및
    상기 훈련 손실에 따라 상기 포토리소그래피 마스크 생성 모델의 파라미터를 조정하는 단계를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  2. 제1항에 있어서,
    상기 예측 마스크 맵에 따라 모델 정밀도 평가 지표를 결정하고, 상기 예측 웨이퍼 패턴에 따라 마스크 품질 평가 지표를 결정하는 단계는,
    상기 예측 마스크 맵과, 상기 칩 레이아웃에 대응되는 상기 표준 마스크 맵 사이의 차이에 따라, 모델 정밀도 평가 지표를 계산하는 단계; 및
    상기 예측 웨이퍼 패턴과 상기 칩 레이아웃 사이의 차이에 따라, 마스크 품질 평가 지표를 계산하는 단계를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 포토리소그래피 마스크 생성 모델의 훈련 방법은,
    상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하는 단계 - 상기 복잡도 평가 지표는 상기 예측 마스크 맵의 복잡도를 나타내기 위한 것임 - 를 더 포함하고;
    상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 상기 훈련 손실을 결정하는 단계는,
    상기 모델 정밀도 평가 지표, 상기 마스크 품질 평가 지표 및 상기 복잡도 평가 지표에 따라, 상기 훈련 손실을 결정하는 단계를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  4. 제3항에 있어서,
    상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하는 단계는,
    제1 포토리소그래피 물리적 모델을 사용하여 복수 개의 상이한 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 복수 개의 웨이퍼 패턴을 생성하는 단계 - 상기 제1 포토리소그래피 물리적 모델은 광학 원리에 기반한 수학적 물리 시뮬레이션 모델임 - ; 및
    상기 복수 개의 웨이퍼 패턴 사이의 차이에 따라, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 결정하는 단계를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  5. 제4항에 있어서,
    상기 제1 포토리소그래피 물리적 모델을 사용하여 복수 개의 상이한 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 복수 개의 웨이퍼 패턴을 생성하는 단계는,
    상기 제1 포토리소그래피 물리적 모델을 사용하여 제1 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 제1 웨이퍼 패턴을 생성하는 단계; 및
    상기 제1 포토리소그래피 물리적 모델을 사용하여 제2 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 제2 웨이퍼 패턴을 생성하는 단계 - 상기 제1 공정 파라미터의 노광량은 상기 제2 공정 파라미터의 노광량보다 작고, 상기 제1 공정 파라미터의 디포커스는 상기 제2 공정 파라미터의 디포커스보다 작음 - 를 포함하고;
    상기 복수 개의 웨이퍼 패턴 사이의 차이에 따라, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 결정하는 단계는,
    상기 제1 웨이퍼 패턴과 상기 제2 웨이퍼 패턴 사이의 차이에 따라, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 계산하는 단계를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  6. 제5항에 있어서,
    상기 제1 웨이퍼 패턴과 상기 제2 웨이퍼 패턴 사이의 차이에 따라, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 계산하는 단계는,
    상기 제1 웨이퍼 패턴 및 상기 제2 웨이퍼 패턴에 각각 대응되는 매트릭스를 차감하여, 제1 차이값 매트릭스를 획득하는 단계; 및
    상기 제1 차이값 매트릭스에 대응되는 행렬식을 제곱하여, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하는 단계를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  7. 제3항에 있어서,
    상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하는 단계는,
    사전 훈련 완료된 복잡도 평가 모델을 통해, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 생성하는 단계 - 상기 복잡도 평가 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델임 - 를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  8. 제7항에 있어서,
    상기 포토리소그래피 마스크 생성 모델의 훈련 방법은,
    제2 데이터 세트를 획득하는 단계 - 상기 제2 데이터 세트는 적어도 하나의 마스크 맵 샘플과, 상기 마스크 맵 샘플에 대응되는 표준 복잡도 평가 지표를 포함함 - ; 및
    상기 제2 데이터 세트를 사용하여 상기 복잡도 평가 모델을 훈련하여, 상기 사전 훈련 완료된 복잡도 평가 모델을 획득하는 단계를 더 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  9. 제7항에 있어서,
    상기 웨이퍼 패턴 생성 모델 및 상기 복잡도 평가 모델은 동일한 특징 추출 네트워크를 공용하고, 상기 웨이퍼 패턴 생성 모델은 상기 특징 추출 네트워크 및 웨이퍼 패턴 예측 네트워크를 포함하며, 상기 복잡도 평가 모델은 상기 특징 추출 네트워크 및 복잡도 평가 네트워크를 포함하고;
    상기 사전 훈련 완료된 복잡도 평가 모델을 통해, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 생성하는 단계는,
    상기 복잡도 평가 네트워크를 통해, 상기 특징 추출 네트워크에 의해 획득된 상기 예측 마스크 맵에 대응되는 특징 정보를 처리하여, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하는 단계를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 포토리소그래피 마스크 생성 모델의 훈련 방법은,
    제1 데이터 세트를 획득하는 단계 - 상기 제1 데이터 세트는 적어도 하나의 마스크 맵 샘플과, 상기 마스크 맵 샘플에 대응되는 표준 웨이퍼 패턴을 포함함; 및
    상기 제1 데이터 세트를 사용하여 상기 웨이퍼 패턴 생성 모델을 훈련하여, 상기 사전 훈련 완료된 웨이퍼 패턴 생성 모델을 획득하는 단계를 더 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  11. 제10항에 있어서,
    상기 제1 데이터 세트를 획득하는 단계는,
    칩 레이아웃 샘플에 대해 광학 근접 보정(OPC) 처리를 수행하여, 상기 칩 레이아웃 샘플에 대응되는 마스크 맵 샘플을 획득하는 단계;
    제2 포토리소그래피 물리적 모델을 통해 상기 마스크 맵 샘플에 대응되는 표준 웨이퍼 패턴을 획득하는 단계 - 상기 제2 포토리소그래피 물리적 모델은 광학 원리에 기반한 수학적 물리 시뮬레이션 모델임 - ; 및
    대응 관계를 구비한 상기 마스크 맵 샘플 및 상기 표준 웨이퍼 패턴에 따라, 상기 제1 데이터 세트를 구축하는 단계를 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 방법.
  12. 포토리소그래피 마스크 생성 모델의 훈련 장치로서,
    포토리소그래피 마스크 생성 모델을 통해, 칩 레이아웃에 대응되는 예측 마스크 맵을 생성하기 위한 마스크 생성 모듈 - 상기 포토리소그래피 마스크 생성 모델은 상기 예측 마스크 맵을 생성하기 위한 신경 네트워크 모델임 - ;
    사전 훈련 완료된 웨이퍼 패턴 생성 모델을 통해, 상기 예측 마스크 맵에 대응되는 예측 웨이퍼 패턴을 생성하기 위한 패턴 생성 모듈 - 상기 웨이퍼 패턴 생성 모델은 신경 네트워크에 기반하여 구축된 기계 학습 모델임 - ;
    상기 예측 마스크 맵에 따라 모델 정밀도 평가 지표를 결정하고, 상기 예측 웨이퍼 패턴에 따라 마스크 품질 평가 지표를 결정하며 - 상기 모델 정밀도 평가 지표는 상기 포토리소그래피 마스크 생성 모델의 마스크 예측 정밀도를 나타내기 위한 것이고, 상기 마스크 품질 평가 지표는 상기 예측 마스크 맵의 품질을 나타내기 위한 것임 - ; 상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 훈련 손실을 결정하기 위한 손실 결정 모듈; 및
    상기 훈련 손실에 따라 상기 포토리소그래피 마스크 생성 모델의 파라미터를 조정하기 위한 파라미터 조정 모듈을 포함하는 것을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 장치.
  13. 제12항에 있어서,
    상기 손실 결정 모듈은 지표 계산 서브 모듈 및 손실 결정 서브 모듈을 포함하며;
    상기 지표 계산 서브 모듈은, 상기 예측 마스크 맵과, 상기 칩 레이아웃에 대응되는 표준 마스크 맵 사이의 차이에 따라, 모델 정밀도 평가 지표를 계산하기 위한 것이고;
    상기 지표 계산 서브 모듈은, 상기 예측 웨이퍼 패턴과 상기 칩 레이아웃 사이의 차이에 따라, 마스크 품질 평가 지표를 계산하기 위한 것이며;
    상기 손실 결정 서브 모듈은, 상기 모델 정밀도 평가 지표 및 상기 마스크 품질 평가 지표에 따라, 상기 훈련 손실을 결정하기 위한 것임을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 장치.
  14. 제13항에 있어서,
    상기 포토리소그래피 마스크 생성 모델의 훈련 장치는, 지표 획득 모듈을 더 포함하고;
    상기 지표 획득 모듈은, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하기 위한 것이고 - 상기 복잡도 평가 지표는 상기 예측 마스크 맵의 복잡도를 나타내기 위한 것임 - ;
    상기 손실 결정 서브 모듈은, 상기 모델 정밀도 평가 지표, 상기 마스크 품질 평가 지표 및 상기 복잡도 평가 지표에 따라, 상기 훈련 손실을 결정하기 위한 것임을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 장치.
  15. 제14항에 있어서,
    상기 지표 획득 모듈은 패턴 생성 서브 모듈을 포함하고;
    상기 패턴 생성 서브 모듈은, 제1 포토리소그래피 물리적 모델을 사용하여 복수 개의 상이한 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 복수 개의 웨이퍼 패턴을 생성하기 위한 것이고 - 상기 제1 포토리소그래피 물리적 모델은 광학 원리에 기반한 수학적 물리 시뮬레이션 모델임 - ;
    상기 지표 계산 서브 모듈은, 상기 복수 개의 웨이퍼 패턴 사이의 차이에 따라, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 결정하기 위한 것임을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 장치.
  16. 제15항에 있어서,
    상기 패턴 생성 서브 모듈은, 상기 제1 포토리소그래피 물리적 모델을 사용하여 제1 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 제1 웨이퍼 패턴을 생성하기 위한 것이고;
    상기 패턴 생성 서브 모듈은, 상기 제1 포토리소그래피 물리적 모델을 사용하여 제2 공정 파라미터에 기반하여, 상기 예측 마스크 맵에 대응되는 제2 웨이퍼 패턴을 생성하기 위한 것이며 - 상기 제1 공정 파라미터의 노광량은 상기 제2 공정 파라미터의 노광량보다 작고, 상기 제1 공정 파라미터의 디포커스는 상기 제2 공정 파라미터의 디포커스보다 작음 - ;
    상기 지표 계산 서브 모듈은, 상기 제1 웨이퍼 패턴과 상기 제2 웨이퍼 패턴 사이의 차이에 따라, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 계산하기 위한 것임을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 장치.
  17. 제16항에 있어서,
    상기 지표 계산 서브 모듈은, 상기 제1 웨이퍼 패턴 및 상기 제2 웨이퍼 패턴에 각각 대응되는 매트릭스를 차감하여, 제1 차이값 매트릭스를 획득하기 위한 것이고;
    상기 지표 계산 서브 모듈은, 상기 제1 차이값 매트릭스에 대응되는 행렬식을 제곱하여, 상기 예측 마스크 맵에 대응되는 복잡도 평가 지표를 획득하기 위한 것임을 특징으로 하는 포토리소그래피 마스크 생성 모델의 훈련 장치.
  18. 컴퓨터 기기로서,
    상기 컴퓨터 기기는 프로세서 및 메모리를 포함하고, 상기 메모리에는 컴퓨터 프로그램이 저장되며, 상기 컴퓨터 프로그램은 상기 프로세서에 의해 로딩 및 실행되어 제1항 내지 제11항 중 어느 한 항에 따른 포토리소그래피 마스크 생성 모델의 훈련 방법을 구현하는 것을 특징으로 하는 컴퓨터 기기.
  19. 컴퓨터 판독 가능한 저장 매체로서,
    상기 컴퓨터 판독 가능한 저장 매체에는 컴퓨터 프로그램이 저장되고, 상기 컴퓨터 프로그램은 프로세서에 의해 로딩 및 실행되어 제1항 내지 제11항 중 어느 한 항에 따른 포토리소그래피 마스크 생성 모델의 훈련 방법을 구현하는 것을 특징으로 하는 컴퓨터 판독 가능한 저장 매체.
  20. 컴퓨터 프로그램 제품으로서,
    상기 컴퓨터 프로그램 제품은 컴퓨터 프로그램을 포함하고, 상기 컴퓨터 프로그램은 컴퓨터 판독 가능한 저장 매체에 저장되며, 프로세서는 상기 컴퓨터 판독 가능한 저장 매체로부터 상기 컴퓨터 명령어를 판독하고 실행하여, 제1항 내지 제11항 중 어느 한 항에 따른 포토리소그래피 마스크 생성 모델의 훈련 방법을 구현하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
KR1020237024348A 2022-06-14 2023-05-09 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치,기기 및 저장 매체 KR20230173649A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202210673948.8 2022-06-14
CN202210673948.8A CN117313640A (zh) 2022-06-14 2022-06-14 光刻掩膜生成模型的训练方法、装置、设备及存储介质
PCT/CN2023/092892 WO2023241267A1 (zh) 2022-06-14 2023-05-09 光刻掩膜生成模型的训练方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
KR20230173649A true KR20230173649A (ko) 2023-12-27

Family

ID=89192101

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237024348A KR20230173649A (ko) 2022-06-14 2023-05-09 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치,기기 및 저장 매체

Country Status (5)

Country Link
US (1) US20240019777A1 (ko)
EP (1) EP4318298A1 (ko)
KR (1) KR20230173649A (ko)
CN (1) CN117313640A (ko)
WO (1) WO2023241267A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117518747B (zh) * 2024-01-05 2024-04-05 华芯程(杭州)科技有限公司 一种光刻量测强度的生成方法、装置、设备及存储介质
CN117541908B (zh) * 2024-01-10 2024-04-05 华芯程(杭州)科技有限公司 光学检测图像预测模型的训练方法、装置及预测方法
CN117710270B (zh) * 2024-02-04 2024-05-03 全智芯(上海)技术有限公司 用于自由尺度光学邻近校正的方法、电子设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108228981B (zh) * 2017-12-19 2021-07-20 上海集成电路研发中心有限公司 基于神经网络的opc模型生成方法及实验图案的预测方法
US20200380362A1 (en) * 2018-02-23 2020-12-03 Asml Netherlands B.V. Methods for training machine learning model for computation lithography
DE102018207876A1 (de) * 2018-05-18 2019-06-06 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Erzeugen von Bildern für photolithographische Masken aus Designdaten
WO2022008174A1 (en) * 2020-07-09 2022-01-13 Asml Netherlands B.V. Method for adjusting a patterning process
CN113238460B (zh) * 2021-04-16 2022-02-11 厦门大学 一种基于深度学习的用于超紫外的光学邻近校正方法
CN114326328B (zh) * 2022-01-10 2023-05-26 厦门大学 一种基于深度学习的用于超紫外光刻的模拟仿真方法

Also Published As

Publication number Publication date
EP4318298A1 (en) 2024-02-07
US20240019777A1 (en) 2024-01-18
CN117313640A (zh) 2023-12-29
WO2023241267A1 (zh) 2023-12-21

Similar Documents

Publication Publication Date Title
Duan et al. Curriculum deepsdf
KR20230173649A (ko) 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치,기기 및 저장 매체
US11620521B2 (en) Smoothing regularization for a generative neural network
CN111325664B (zh) 风格迁移方法、装置、存储介质及电子设备
CN111339724B (zh) 用于生成数据处理模型和版图的方法、设备和存储介质
CN113780292A (zh) 一种基于证据推理的语义分割网络模型不确定性量化方法
Li et al. Deep learning of material transport in complex neurite networks
Wiesner et al. On generative modeling of cell shape using 3D GANs
Yu et al. Brain-inspired multimodal hybrid neural network for robot place recognition
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
US20200286595A1 (en) Simulating electronic structure with quantum annealing devices and artificial neural networks
Mourtzis et al. An intelligent framework for modelling and simulation of artificial neural networks (ANNs) based on augmented reality
CN113763385A (zh) 视频目标分割方法、装置、设备及介质
US20230289509A1 (en) Parallel mask rule checking on evolving mask shapes in optical proximity correction flows
Öğrekçi et al. A comparative study of vision transformers and convolutional neural networks: sugarcane leaf diseases identification
Ye et al. Application of CNN algorithm based on chaotic recursive diagonal model in medical image processing
Paul et al. Biological network growth in complex environments: A computational framework
Rasal et al. Deep structural causal shape models
Jenny Li et al. Evaluating deep learning biases based on grey-box testing results
CN117292750A (zh) 细胞类型占比的预测方法、装置、设备及存储介质
JP7150651B2 (ja) ニューラルネットワークのモデル縮約装置
CN116974139A (zh) 一种快速计算光刻掩膜图像的方法、装置及设备
CN117313642A (zh) 光刻掩膜生成模型的训练方法、装置、设备及存储介质
Zhang Detection of the Additive Manufacturing In-Process Failures via Deep Learning
Wang et al. Diy your easynas for vision: Convolution operation merging, map channel reducing, and search space to supernet conversion tooling