KR20240000284A - 딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법 - Google Patents

딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법 Download PDF

Info

Publication number
KR20240000284A
KR20240000284A KR1020220077085A KR20220077085A KR20240000284A KR 20240000284 A KR20240000284 A KR 20240000284A KR 1020220077085 A KR1020220077085 A KR 1020220077085A KR 20220077085 A KR20220077085 A KR 20220077085A KR 20240000284 A KR20240000284 A KR 20240000284A
Authority
KR
South Korea
Prior art keywords
image data
lithography model
deep learning
mask
data
Prior art date
Application number
KR1020220077085A
Other languages
English (en)
Inventor
여상철
양재원
이혁
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 KR1020220077085A priority Critical patent/KR20240000284A/ko
Priority to US18/106,091 priority patent/US20230418260A1/en
Priority to CN202310566686.XA priority patent/CN117289543A/zh
Publication of KR20240000284A publication Critical patent/KR20240000284A/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
    • G03F1/68—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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • 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
    • 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45028—Lithography

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Electron Beam Exposure (AREA)

Abstract

본 발명의 기술적 사상은 마스크 바이어스 변동을 반영한 신뢰성 있는 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법을 제공한다. 그 리소그라피 모델 생성방법은 학습을 위한 기본 이미지 데이터를 준비하는 단계; 마스크 바이어스 변동(mask bias variation)을 반영한 변환 이미지 데이터를 준비하는 단계; 상기 기본 이미지 데이터와 상기 변환 이미지 데이터를 조합하여 딥러닝(deep learning)을 수행하여 리소그라피 모델을 생성하는 단계; 및 상기 리소그라피 모델을 검증하는 단계;를 포함한다.

Description

딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법{Lithography model generating method based on deep learning, and mask manufacturing method comprising the model generating method}
본 발명의 기술적 사상은 마스크 제조방법에 관한 것으로, 특히 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 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, 마스크 바이어스 변동을 반영한 신뢰성 있는 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 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 기술적 사상을 해결하기 위하여, 본 발명의 기술적 사상은, 학습을 위한 기본 이미지 데이터를 준비하는 단계; 마스크 바이어스 변동(mask bias variation)을 반영한 변환 이미지 데이터를 준비하는 단계; 상기 기본 이미지 데이터와 상기 변환 이미지 데이터를 조합하여 딥러닝(deep learning)을 수행하여 리소그라피 모델을 생성하는 단계; 및 상기 리소그라피 모델을 검증하는 단계;를 포함하는 딥러닝 기반 리소그라피 모델 생성방법을 제공한다.
또한, 본 발명의 기술적 사상은, 상기 기술적 사상을 해결하기 위하여, 학습을 위한 기본 이미지 데이터를 준비하는 단계; 마스크 바이어스 변동을 반영한 변환 이미지 데이터를 준비하는 단계; 상기 기본 이미지 데이터와 상기 변환 이미지 데이터를 조합하여 딥러닝을 수행하여 리소그라피 모델을 생성하는 단계; 상기 리소그라피 모델을 검증하는 단계; 및 상기 리소그라피 모델에 대한 레시피를 조절하는 단계를; 포함하고, 상기 변환 이미지 데이터는, 공정 변동을 반영하여, 상기 기본 이미지 데이터로부터 이미지 증강 방법을 통해 생성한, 딥러닝 기반 리소그라피 모델 생성방법을 제공한다.
더 나아가, 본 발명의 기술적 사상은, 상기 기술적 사상을 해결하기 위하여, 딥러닝 기반 리소그라피 모델을 생성하는 단계; 마스크 레이아웃에 대하여 OPC을 수행하여 OPC된 레이아웃을 생성하는 단계; 상기 OPC된 레이아웃을 MTO 디자인 데이터로서 전달하는 단계; 상기 MTO 디자인 데이터에 기초하여 마스크 데이터를 준비하는 단계; 및 상기 마스크 데이터에 기초하여 마스크용 기판을 노광하는 단계;를 포함하고, 상기 리소그라피 모델을 생성하는 단계는, 학습을 위한 기본 이미지 데이터를 준비하는 단계, 마스크 바이어스 변동을 반영한 변환 이미지 데이터를 준비하는 단계, 상기 기본 이미지 데이터와 상기 변환 이미지 데이터를 조합하여 딥러닝을 수행하여 리소그라피 모델을 생성하는 단계, 상기 리소그라피 모델을 검증하는 단계, 및 상기 리소그라피 모델에 대한 레시피를 조절하는 단계를 포함하며, 상기 리소그라피 모델은 OPC 모델 또는 PPC 모델을 포함하는, 마스크 제조방법을 제공한다.
본 발명의 기술적 사상에 의한 딥러닝 기반 리소그라피 모델 생성방법은, 마스크 바이어스 변동을 반영한 변환 이미지 데이터를, 데이터 증강 방법을 통해 기본 이미지 데이터로부터 자동으로 생성할 수 있다. 또한, 기본 이미지 데이터와 변환 이미지 데이터에 대하여 웨이트를 적용하여 반복 별로 조합을 변경하면서 딥러닝을 수행함으로써, 학습 시간을 최소화할 수 있다. 더 나아가, 마스크 바이어스 변동을 반영한 변환 이미지 데이터를 딥러닝에 추가함으로써, 마스크 바이어스 변동에 반응하는 신뢰성 있는 리소그라피 모델을 생성할 수 있다.
결과적으로 본 발명의 기술적 사상에 의한 딥러닝 기반 리소그라피 모델 생성방법은, 신뢰성 있는 리소그라피 모델에 기초하여, 요구되는 패턴을 반도체 소자에 정확하게 형성할 수 있는, 신뢰성 있는 마스크를 제조할 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 리소그라피 모델 생성방법의 과정을 개략적으로 보여주는 흐름도이다.
도 2a 및 도 2b는 공정 변동에 따른 CD 변화를 보여주는 그래프들이다.
도 3은 비교예의 딥러닝 기반 리소그라피 모델 생성방법의 문제점을 설명하기 위한 개념도이다.
도 4는 도 1의 리소그라피 모델 생성방법에서, 데이터 증강 방법을 통해 변환 이미지 데이터를 생성하는 방법을 설명하기 위한 개념도이다.
도 5는 도 1의 리소그라피 모델 생성방법에서, DCGAN을 통해 리소그라피 모델 생성방법을 설명하기 위한 개념도이다.
도 6은 도 1의 리소그라피 모델 생성방법에 이용되는 DCGAN의 구조를 보여주는 블록 구조도이다.
도 7a 및 도 7b는 비교예의 리소그라피 모델 생성방법과 본 실시예의 리소그라피 모델 생성방법에서, 마이크 바이어스 변동을 반영하는 방법을 보여주는 개념도들이다.
도 8a 및 도 8b는 마스크 바이어스 변동을 반영하지 않은 리소그라피 모델 생성방법과 본 실시예의 리소그라피 모델 생성방법에서, DRAM 제품의 메탈 콘택에 대하여 에러 RMS와 에러 범위를 보여주는 그래프들이다.
도 9는 본 발명의 일 실시예에 따른 리소그라피 모델 생성방법을 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 기반 리소그라피 모델 생성방법의 과정을 개략적으로 보여주는 흐름도이고, 도 2a 및 도 2b는 공정 변동에 따른 CD 변화를 보여주는 그래프들이며, 도 3은 비교예의 딥러닝 기반 리소그라피 모델 생성방법의 문제점을 설명하기 위한 개념도이다.
도 1 내지 도 3을 참조하면, 본 실시예의 딥러닝 기반 리소그라피 모델 생성방법(이하, 간단히, '리소그라피 모델 생성방법'이라 한다)은, 먼저, 학습(learning)을 위한 기본 이미지 데이터를 준비한다(S110). 여기서, 기본 이미지 데이터는 계측 장치를 통해 획득한 샘플의 패턴 이미지에 대한 데이터일 수 있다. 예컨대, 본 실시예의 리소그라피 모델 생성방법에서, 기본 이미지 데이터는 샘플의 ADI(After Develop Inspection) 컨퉈(contour) 이미지와 ACI(After Clean Inspection) 컨퉈 이미지에 대한 데이터를 포함할 수 있다. 또한, 실시예에 따라, 기본 이미지 데이터는 마스크 레이아웃 이미지에 대한 데이터를 포함할 수 있다.
샘플은 학습에 이용되는 반도체 소자이고, 샘플의 패턴은 마스크의 패턴이 노광 공정을 통해 샘플로 전사됨으로써 형성될 수 있다. 그에 따라, 먼저, 샘플의 패턴에 대응하는 마스크의 패턴에 대한 레이아웃, 즉, 마스크 레이아웃이 디자인될 수 있다. 참고로, 노광 공정의 특성상 일반적으로 샘플의 패턴의 형태와 마스크의 패턴의 형태는 다를 수 있다. 또한, 마스크의 패턴은 축소 투영되어 기판 상에 전사되므로, 마스크의 패턴은 샘플의 패턴보다는 큰 사이즈를 가질 수 있다.
마스크의 패턴을 샘플로 전사할 때, 포토 공정과 식각 공정이 진행될 수 있다. 일반적으로 포토 공정은 노광 공정 및 현상 공정을 통해 샘플 상에 PR 패턴을 형성하는 공정을 의미할 수 있다. 또한, 식각 공정은 PR 패턴을 식각 마스크로 이용하여 샘플에 패턴을 형성하는 공정을 의미할 수 있다.
포토 공정에서 OPC(Optical Proximity Correction)가 수행될 수 있다. OPC는, 패턴이 미세화 됨에 따라 노광 공정에서 이웃하는 패턴들 간의 영향에 의한 광 근접 현상(Optical Proximity Effect: OPE)이 발생하고, 이를 억제하기 위해서, 마스크 레이아웃을 보정하는 방법을 의미할 수 있다. OPC는 일반적으로 OPC 모델을 생성하는 과정과, OPC 모델을 이용한 시뮬레이션을 통해 OPC된(OPCed) 레이아웃을 생성하는 과정을 포함할 수 있다. 그에 따라, 포토 공정은 OPC를 통해 OPC된 레이아웃을 생성하는 과정, OPC된 레이아웃으로 마스크를 제작하는 과정, 및 마스크를 이용한 노광 공정과 현상 공정을 통해 샘플 상에 PR 패턴을 형성하는 과정을 포함할 수 있다. 한편, 식각 공정에서, 식각 바이어스(etch bias)를 보상하기 위하여, PPC(Process Proximity Correction)가 수행될 수 있다.
본 실시예의 리소그라피 모델 생성방법에서, 리소그라피 모델은 학습을 통해 생성된 OPC 모델 또는 PPC 모델일 수 있다. 또한, 공정에 따라, 학습에 이용하는 입력 데이터와 그에 대응하는 출력 데이터가 달라질 수 있다. 예컨대, 공정이 마스크를 이용한 포토 공정이면, 입력 데이터는 마스크 레이아웃 이미지에 대한 데이터이고, 출력 데이터는 샘플의 ADI 컨퉈 이미지에 대한 데이터이거나, 또는 OPC된 레이아웃 이미지에 대한 데이터일 수 있다. 또한, 공정이 PR 패턴을 이용한 식각 공정이면, 입력 데이터는 샘플의 ADI 컨퉈 이미지에 대한 데이터이고, 출력 데이터는 샘플의 ACI 컨퉈 이미지에 대한 데이터일 수 있다.
기본 이미지 데이터 준비 후, 마스크 바이어스 변동(mask bias variation)을 반영한 변환 이미지 데이터를 준비한다(S130). 마스크 바이어스 변동은 노광 공정의 도우즈(dose)나 포커스 변동, 또는 앵커(anchor) 패턴의 변동 등과 같은 공정 변동(process variation)을 의미할 수 있다. 여기서, 앵커 패턴은 형태와 위치에 있어서, 마스크 내의 패턴들을 대표하는 패턴을 의미할 수 있다. 도 2a 및 도 2b의 그래프에 도시된 바와 같이, 노광 공정에서 도우즈가 증가할수록 CD가 커지게 된다. 또한, 노광 공정에서 포커스가 정포커스(F0)의 위치에서 멀어질수록, CD가 감소하게 된다. 따라서, 신뢰성 있는 리소그라피 모델이 되기 위해서는, 이러한 마스크 바이어스 변동이 리소그라피 모델에 반영되어야 한다.
변환 이미지 데이터는, 마스크 바이어스 변동, 즉 공정 변동에 대응하는 이미지 데이터를 의미할 수 있다. 본 실시예의 리소그라피 모델 생성방법에서, 공정 변동 각각에 대응하는 실제 이미지 데이터를 준비하는 대신, 데이터 증강(data augmentation) 방법을 통해 기본 이미지 데이터로부터 변환된 이미지 데이터를 변환 이미지 데이터로서 준비한다. 데이터 증강 방법을 통해 기본 이미지 데이터로부터 변환 이미지 데이터를 획득하는 과정에 대해서는 도 4의 설명 부분에서 좀더 상세히 설명한다.
변환 이미지 데이터의 준비 후, 기본 이미지 데이터와 변환 이미지 데이터를 조합하여 딥러닝(deep learning)을 수행하여 리소그라피 모델을 산출한다(S150). 여기서, 딥러닝은 DCGAN((Deep Convolutional Generative Adversarial Networks)을 이용하여 수행될 수 있다. DCGAN의 구조에 대해서는 도 6의 설명 부분에서 좀더 상세히 설명한다.
본 실시예의 리소그라피 모델 생성방법에서, 기본 이미지 데이터와 변환 이미지 데이터를 조합하여 딥러닝을 수행할 수 있다. 또한, 웨이트를 적용하여 반복(iteration) 별로 조합을 변경하면서 딥러닝을 수행할 수 있다. 여기서, 기본 이미지 데이터와 변환 이미지 데이터는, 최적화된 리소그라피 모델을 생성하면서도 학습 시간을 최소화할 수 있도록 적절히 조합하여 딥러닝에 이용될 수 있다.
예컨대, 최적의 리소그라피 모델의 생성을 위해, 적어도 100개의 이미지 데이터가 필요하다고 할 때, 본 실시예의 리소그라피 모델 생성방법에서, 이미지 데이터와 변환 이미지 데이터를 합쳐서 100개가 되도록 조합하여 딥러닝을 수행할 수 있다. 또한, 반복 별로 조합을 변경하면서 딥러닝을 수행할 수 있다. 예컨대, 1회 반복에서, 80개의 기본 이미지 데이터, 10개의 제1 변환 이미지 데이터, 및 10개의 제2 변환 이미지 데이터를 딥러닝에 이용하고, 2회 반복에서는 70개의 기본 이미지 데이터, 20개의 제1 변환 이미지 데이터, 및 10개의 제2 변환 이미지 데이터를 딥러닝에 이용할 수 있다. 여기서, 제1 변환 이미지 데이터와 제2 변환 이미지 데이터는 서로 다른 변동 값을 갖는 이미지 데이터에 해당할 수 있다. 기본 이미지 데이터와 변환 이미지 데이터의 조합, 및 그에 따른 딥러닝에 대해서는, 도 5 내지 도 8b의 설명 부분에서 좀더 상세히 설명한다.
한편, 웨이트는 학습에서의 이미지 데이터의 영향 또는 반응성을 부여하는 팩터이다. 예컨대, 본 실시예의 리소그라피 모델 생성방법에서, 영향성이 큰 기본 이미지 데이터에 0.7의 웨이트를 할당하고, 비교적 영향성이 작은 제1 변환 이미지 데이터와 제2 변환 이미지 데이터에 0.2와 0.1의 웨이트를 할당할 수 있다. 그러나 웨이트 할당 수치가 상기 수치에 한정되는 것은 아니다. 한편, 일단 웨이트가 할당되면 모든 반복에서 웨이트는 그대로 유지될 수 있다. 그러나 실시예에 따라, 반복 별로 웨이트를 변경시킬 수도 있다.
본 실시예의 리소그라피 모델 생성방법에서, 리소그라피 모델은, DCGAN을 통한 학습에서 생성된 모델로서, OPC 모델 또는 PPC 모델일 수 있다. 다시 말해서, 입력 데이터와 출력 데이터에 따라, 리소그라피 모델은 OPC 모델일 수도 있고, PPC 모델일 수 있다. 예컨대, 리소그라피 모델이 OPC 모델인 경우, 입력 데이터는 마스크 레이아웃 이미지에 대한 데이터이고, 출력 데이터는 샘플의 ADI 컨퉈 이미지에 대한 데이터이거나, 또는 OPC된 마스크 레이아웃 이미지에 대한 데이터일 수 있다. 또한, 리소그라피 모델이 PPC인 경우, 입력은 샘플의 ADI 컨퉈 이미지에 대한 데이터이고, 출력은 샘플의 ACI 컨퉈 이미지에 대한 데이터일 수 있다.
리소그라피 모델 생성 후, 리소그라피 모델에 대한 검증을 수행한다(S170). 검증을 통과하면(Pass), 레시피를 조절하는 단계(190)로 이행하고, 검증을 통과하지 못하면(Fail), 리소그라피 모델을 생성하는 단계(S150)로 이행한다.
리소그라피 모델에 대한 검증은, 일반적으로 에러 RMS(Root Mean Square)로 검증할 수 있다. 예컨대, 리소그라피 모델을 통해 출력된 이미지 데이터를 기준 이미지 데이터와 비교하여, 에러 RMS가 설정된 기준 값보다 큰 경우, 검증을 통과하지 못하고, 에러 RMS가 기준 값 이하인 경우, 검증을 통과할 수 있다. 여기서, 에러 RMS는, 예컨대, CD에 대한 에러 RMS일 수 있다. 실시예에 따라, 검증은 EPE(Edge Placement Error)를 이용하여 수행될 수도 있다.
리소그라피 모델에 대한 검증을 통과한 경우(Pass), 리소그라피 모델의 레시피를 조절한다(S190). 리소그라피 모델이 OPC 모델인 경우, OPC 모델의 레시피를 조절하고, 리소그라피 모델이 PPC 모델인 경우, PPC 모델의 레시피를 조절할 수 있다. 다시 말해서, 리소그라피 모델이 OPC 모델이면, 기존 OPC 모델을 구성하는 레시피들 중 일부를 생성된 리소그라피 모델에 기초하여 변경할 수 있다. 또한, 리소그라피 모델이 PPC 모델이면, 기존 PPC 모델을 구성하는 레시피들 중 일부를 생성된 리소그라피 모델에 기초하여 변경할 수 있다. 이러한 레시피 조절을 통해 최종 리소그라피 모델, 즉 OPC 모델 및/또는 PPC 모델을 완성할 수 있다.
본 실시예의 리소그라피 모델 생성방법에서, 마스크 바이어스 변동을 반영한 변환 이미지 데이터를, 데이터 증강 방법을 통해 기본 이미지 데이터로부터 자동으로 생성할 수 있다. 또한, 기본 이미지 데이터와 변환 이미지 데이터에 대하여, 웨이트를 적용하여 반복 별로 조합을 변경하면서 딥러닝을 수행함으로써, 학습 시간을 최소화할 수 있다. 더 나아가, 마스크 바이어스 변동을 반영한 변환 이미지 데이터를 딥러닝에 추가함으로써, 마스크 바이어스 변동에 반응하는 신뢰성 있는 리소그라피 모델을 생성할 수 있다. 결과적으로, 본 실시예의 리소그라피 모델 생성방법은, 신뢰성 있는 리소그라피 모델에 기초하여, 요구되는 패턴을 반도체 소자에 정확하게 형성할 수 있는 신뢰성 있는 마스크를 제조할 수 있도록 한다.
마스크에 대하여 좀더 일반적으로 설명하면, 반도체 공정에서 반도체 소자에 패터닝을 하기 위해서는 리소그라피 공정을 위한 마스크 제작이 필요하다. 마스크 제작은 리소그리피 모델을 제작을 시작으로, OPC/PPC 등의 시뮬레이션을 거쳐 OPC된 레이아웃 이미지를 생성하고, MTO(Mask Tape Out) 과정을 거쳐 마스크 제작팀에서 최종 마스크를 제작하게 된다. 마스크 제조방법에 대해서는 도 9의 설명 부분에서 좀더 상세히 설명한다.
마스크의 품질은 반도체 소자의 패터닝 정합성에 영향을 미치는데, 마스크의 품질은, 특히 리소그라피 모델의 정확도가 가장 중요한 팩터가 될 수 있다. 그에 따라, 리소그라피 모델의 정확도의 향상을 위해, 최근 인공지능(AI) 기술이 OPC에 적용되고 있다. 예컨대, 최근 대량의 이미지들을 딥러닝을 통해 학습시켜서 리소그라피 모델을 생성하고 있다. 한편, 리소그라피 모델은 기본적으로 다양한 공정 변동에 대한 예측력을 가지고 있어야 한다. 공정 변동 중에 마스크 바이어스 변동이 대표적이라고 할 수 있다. 마스크 바이어스 변동은, 전술한 바와 같이, 노광 공정에서의 도우즈와 포커스의 변동, 또는 앵커 패턴의 변동 등에 대한 공정 조건을 포함할 수 있다.
일반적인 딥러닝 기반의 리소그라피 모델의 경우, 정확도 측면에서는 개선된 결과를 보이는 반면, 마스크 바이어스 변동에 대한 예측성 측면에서 신뢰성이 떨어지는 문제가 있다. 딥러닝 기반의 리소그라피 모델에서, 공정 변동에 대한 예측성을 향상시키기 위해서는, 딥러닝 과정에 공정 변동에 대한 정보를 추가해야 한다. 그러나 딥러닝에서 공정 변동에 대한 모든 데이터를 이미지 데이터로 변환하여 입력하게 되면, 입력 데이터의 막대한 증가로 인한 학습에서 시간적인 한계에 부딪힐 수 있다.
구체적으로, 보통 딥러닝 기반의 리소그라피 모델 생성방법에서는, 마스크 바이어스 변동에 대한 반응성을 향상시키기 위하여, 기본 이미지 데이터에 대하여 기본 리소그라피 모델을 생성하고, 다시 마스크 바이어스 변동에 대한 이미지 데이터(이하, '마스크 바이어스 스플리트(split)'라 한다)를 추가하여 리소그라피 모델을 보상하는 방식으로 진행한다. 그러나 이러한 방식은, 마스크 바이어스 스플리트의 배수만큼 학습 시간이 배로 늘어나게 되어, 학습 시간의 효율 측면에서 매우 불리하다. 예컨대, 도 3에서, 입력 데이터(Input)에서 1장의 시트가 기본 이미지 데이터에 해당하고, 나머지 2장의 시트들이 마스크 바이어스 스플리트에 해당한다고 할 때, 마스크 바이어스 변동을 반영하기 위하여, 입력 데이터(Input)는 기본 이미지 데이터의 3배로 증가할 수 있다. 그에 따라, 적절한 출력 데이터(Output), 및 리소그라피 모델을 산출하는 데에, 단순히 산술적으로만 계산해도 3배의 학습 시간이 필요할 수 있다. 또한, 마스크 바이어스 스플리트를 준비하는 시간을 고려하면 리소그라피 모델을 산출하는 데에 더욱 많은 시간이 소요될 수 있다.
그러나 본 실시예의 리소그라피 모델 생성방법에서는, 데이터 증강 방법에 기초하여 마스크 바이어스 변동에 대응하는 변환 이미지 데이터를 자동으로 생성할 수 있다. 또한, 기본 이미지 데이터와 변환 이미지 데이터를 반복 별로 동적으로 랜덤하게 조합하면서 웨이트를 적용하여 딥러닝을 진행함으로써, 학습 시간을 최소화할 수 있고, 마스크 바이어스 변동에 따른 에러를 반영한 신뢰성 있는 리소그라피 모델을 생성할 수 있다.
도 4는 도 1의 리소그라피 모델 생성방법에서, 데이터 증강 방법을 통해 변환 이미지 데이터를 생성하는 방법을 설명하기 위한 개념도이다.
도 4를 참조하면, 데이터 증강 방법은, 원본 이미지에 적절한 변형을 가해서 새로운 이미지를 만들어 내는 방법을 의미한다. 예컨대, 본 실시예의 리소그라피 생성방법에서, 데이터 증강 방법을 통해 기본 이미지 데이터에 적절한 변형을 가해서 변환 이미지 데이터를 만들어 낼 수 있다.
구체적인 예를 들면, 데이터 증강 방법은, 원본 이미지를 상하좌우 방향으로 약간 이동, 원본 이미지를 약간 회전, 원본 이미지를 약간 기울임, 원본 이미지를 약간 확대, 약간 축소 등을 통해 새로운 이미지를 만들어 낼 수 있다. 또한, 데이터 증강 방법은, 원본 이미지의 약간 이동, 약간 회전, 약간 기울임, 및 약간 확대, 약간 축소 중 적어도 2개의 변환을 조합하여 새로운 이미지를 만듦으로써, 이미지 데이터의 개수를 대폭 증가시킬 수 있다.
도 4는 원본 이미지의 회전, 대칭, 또는 회전과 대칭의 결합에 의해 새로운 이미지를 생성하는 방법을 예시적으로 보여주고 있다. 예컨대, 원본 이미지의 90도 회전, 180도 회전, 또는 270도 회전을 통해 새로운 이미지를 생성할 수 있다. 또한, 원본 이미지의 X축 대칭 또는 Y축 대칭을 통해 새로운 이미지를 생성할 수 있다. 더 나아가, 원본 이미지의 90도 회전, 180도 회전, 및 270도 회전 중 어느 하나와, 원본 이미지의 X축 대칭 및 Y축 대칭 중 어느 하나의 결합을 통해 새로운 이미지를 생성할 수도 있다.
도 4에서, 90도 간격의 회전과, X축과 Y축 대칭의 개념을 가지고, 데이터 증강 방법을 통한 새로운 이미지 생성에 대한 개념을 설명하였지만, 데이터 증강 방법을 통한 새로운 이미지의 생성이 그에 한정되는 것은 아니다. 예컨대, 데이터 증강 방법을 통한 새로운 이미지의 생성은, 미세 회전, 미세 수평/수직 이동, 미세 확대/축소 등에 의한 새로운 이미지 생성을 포함할 수 있다. 예컨대, 본 실시예의 리소그라피 생성방법에서, 데이터 증강 방법에 의한 미세 수평/수직 이동, 또는 미세 확대/축소 등을 통해, 기본 이미지 데이터로부터 변환 이미지 데이터를 생성할 수 있다.
한편, 데이터 증강 방법을 통해 원본 이미지로부터 새로운 이미지를 자동으로 생성할 수 있다. 예컨대, 데이터 증강 방법에 대한 툴에서, 사용자가 회전, 대칭, 이동, 확대, 축소 중 적어도 하나를 선택하고, 또한, 적용될 파라미터 값들을 설정한 후, 툴에 원본 이미지를 입력하면 자동으로 새로운 이미지를 생성하게 된다. 구체적인 예로, 데이터 증강 방법에 대한 툴에서, 확대와 축소를 선택하고, 1㎚를 파라미터 값을 설정한 후, 툴에 기본 이미지를 입력하면, 기본 이미지에 대하여 ±1㎚에 대응하는 새로운 이미지를 자동으로 생성할 수 있다.
도 5는 도 1의 리소그라피 모델 생성방법에서, DCGAN을 통해 리소그라피 모델 생성방법을 설명하기 위한 개념도이다.
도 5를 참조하면, 본 실시예의 리소그라피 모델 생성방법에서, 기본 이미지 데이터(Original-i)와 변환 이미지 데이터(Biased-i)의 조합을 입력 데이터(Input)하고, 그에 대응하는 기본 이미지 데이터(Original-o)와 변환 이미지 데이터(Biased-o)를 출력 데이터(Output)로 이용하여 DCGAN을 통해 딥러닝을 수행하여, 리소그라피 모델을 생성할 수 있다. 전술한 바와 같이, 기본 이미지 데이터(Original-i)와 변환 이미지 데이터(Biased-i)는 조합을 통해 적절한 개수가 입력 데이터로 이용될 수 있고, 반복 별로 조합은 변경될 수 있다. 또한, 기본 이미지 데이터(Original-i)와 변환 이미지 데이터(Biased-i)에 대한 웨이트는 고정되어 설정되거나, 또는 반복 별로 다르게 설정될 수 있다.
이와 같이, 본 실시예의 리소그라피 모델 생성방법에서, 데이터 증강 방법을 통해 마스크 바이어스 변동을 반영한 변환 이미지 데이터를 생성하고, 딥러닝을 수행할 때, 기본 이미지 데이터와 변환 이미지 데이터를 반복 별로 동적으로 조합하여 적절 웨이트를 적용하여 수행할 수 있다. 그에 따라, 마스크 바이어스 변동에 따라 인지하여 반응하는 신뢰성 있는 리소그라피 모델을 생성할 수 있다.
도 6은 도 1의 리소그라피 모델 생성방법에 이용되는 DCGAN의 구조를 보여주는 블록 구조도이다.
도 6을 참조하면, 먼저, DCGAN의 구조를 설명하기 전에, GAN에 대하여 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 리소그라피 모델 생성방법에서, 리소그라피 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 리소그라피 모델 생성방법과 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 마스크 레이아웃 이미지이고, 생성자 모델로부터 출력 이미지는 ADI 컨퉈 이미지이거나, 또는 OPC된 레이아웃 이미지일 수 있다. 또한, PPC 과정의 경우, 생성자 모델로의 입력 이미지는 ADI 컨퉈 이미지이고, 생성자 모델로부터 출력 이미지는 ACI 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 타겟 이미지에 해당할 수 있다. 예컨대, 출력 이미지가 ADI 컨퉈 이미지인 경우, 기준 이미지는 실제 기판 상에 형성되어야 할 타겟 PR 패턴 이미지일 수 있다. 또한, 출력 이미지가 ACI 컨퉈 이미지인 경우, 기준 이미지는 실제 기판 상에 형성되어야 할 타겟 패턴 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.
구체적인 예를 들어 설명하면, 입력 이미지로서 마스크 레이아웃 이미지를 생성자 모델에 입력하면, 생성자 모델은 ADI 컨퉈 이미지인 출력 이미지를 생성한다. 이후, 판별자 모델에 출력 이미지와 기준 이미지가 입력된다. 여기서, 기준 이미지는 실제 기판 상의 타겟 PR 패턴 이미지에 해당할 수 있다. 계속해서, 판별자 모델은 출력 이미지가 기준 이미지와 동일한지 판단한다. 예컨대, 판별자 모델은, 생성자 모델에 의해 생성된 ADI 컨퉈 이미지가 실제 기판 상의 타겟 PR 패턴 이미지와 동일한지 판단한다. 이후, 판단 결과에 따라, 생성자 모델과 판별자 모델을 계속해서 업데이트 한다. 이러한 과정을 계속 반복하여 판별자 모델이 출력 이미지와 기준 이미지를 더 이상 구별할 수 없는 수준에 이르게 되면, 딥러닝이 끝나게 되고, 이때의 생성자 모델을 최종적인 리소그라피 모델로 채택하게 된다. 한편, 판별자 모델은 딥러닝이 끝나게 되면 버려지게 된다.
본 실시예의 리소그라피 모델 생성방법에서, GAN의 생성자 모델, 즉 리소그라피 모델이 보다 정확한 이미지를 생성하기 위해서, 입력된 이미지들에서 특징을 정확하게 추출해야 한다. 그러한 특징을 뽑아내기 위하여 도 6에 도시된 바와 같은 컨볼루션(convolution) 과정이 포함될 수 있다. 그에 따라, 본 실시예의 리소그라피 모델 생성방법에서, 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 리소그라피 모델 생성방법에서, 3번의 다운샘플링(down3) 한 이미지를 가지고 레지듀얼 학습 후 업샘플링하고, 앞서 레지듀얼 학습한 이미지와 결합하여, 다시 업샘플링을 수행하는 식으로 동작할 수 있다. 다운샘플링의 수가 3번에 한정되는 것은 아니다. 예컨대, 실시예에 따라, 1번이나 2번의 다운샘플링, 또는 4번 이상의 다운샘플링 한 각각의 이미지를 가지고 레지듀얼 학습이 수행될 수도 있다.
본 실시예의 리소그라피 모델 생성방법에서, DCGAN은 다수의 다운 샘플 층들(down sample layers)을 포함함으로써, 원거리까지 픽셀 상관 관계(pixel correlation)를 반영한 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 6에서 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 7a 및 도 7b는 비교예의 리소그라피 모델 생성방법과 본 실시예의 리소그라피 모델 생성방법에서, 마이크 바이어스 변동을 반영하는 방법을 보여주는 개념도들이다.
도 7a를 참조하면, 0은 CD 사이즈에 대한 기본 이미지 데이터에 대한 시트이고, -1은 1㎚만큼 작은 CD 사이즈에 대한 제1 추가 이미지 데이터에 대한 시트이며, 1은 1㎚만큼 큰 CD 사이즈에 대한 제2 추가 이미지 데이터에 대한 시트이다. 비교예의 리소그라피 모델 생성방법에서는, CD 사이즈 변화에 대한 모든 이미지 데이터를 준비하여 딥러닝을 수행하게 된다. 다시 말해서, CD 사이즈 변화에 관련된 마스크 바이어스 변동을 반영하기 위하여, 입력 데이터(Input)로서, 기본 이미지 데이터(0), 제1 추가 이미지 데이터(-1), 및 제2 추가 이미지 데이터(1)를 준비하여 딥러닝을 수행하여, 리소그라피 모델을 생성하게 된다.
한편, 도 7a를 통해 알 수 있듯이, 입력 데이터(Input)의 기본 이미지 데이터(0), 제1 추가 이미지 데이터(-1), 및 제2 추가 이미지 데이터(1) 각각에 대응하여, 기본 이미지 데이터(0), 제1 추가 이미지 데이터(-1), 및 제2 추가 이미지 데이터(1)의 출력 데이터(Output)가 나오게 된다. 참고로, CD 사이즈 변화는 앞서 언급한 바와 같이, 도우즈 변동, 포커스 변동 등과 같은 공정 변동에 기인할 수 있다.
이와 같이, 비교예의 리소그라피 모델 생성방법의 경우, 마스크 바이어스 변동을 반영하기 위하여, 해당 공정 변동에 관련된 추가 이미지 데이터를 모두 준비하여 딥러닝을 수행하게 된다. 따라서, 비교예의 리소그라피 모델 생성방법에서는 추가 이미지 데이터만큼 딥러닝의 시간이 증가할 수 있다. 예컨대, 해당 공정 변동의 각 파라미터 당 추가 이미지 데이터가 기본 이미지 데이터와 동일한 개수로 준비된다고 할 때, 앞서 CD 사이즈 변화의 경우, 입력 데이터가 3배로 증가하고 그에 따라, 딥러닝 시간도 3배만큼 증가할 수 있다.
도 7b를 참조하면, 본 실시예의 리소그라피 모델 생성방법의 경우, CD 사이즈 감소에 대응하는 제1 변환 이미지 데이터(-1)와, CD 사이즈 증가에 대응하는 제2 변환 이미지 데이터(1)를 별도로 마련하지 않고, 데이터 증강 방법을 통해 자동으로 생성할 수 있다. 또한, 딥러닝에서, 기본 이미지 데이터(0), 제1 변환 이미지 데이터(-1), 및 제2 변환 이미지 데이터(1)를 모두 이용하지 않고, 서로 조합하여 기본 이미지 데이터(0)의 개수만큼 딥러닝에 이용할 수 있다.
예컨대, 기본 이미지 데이터(0)가 100개인 경우, 제1 변환 이미지 데이터(-1)와 제2 변환 이미지 데이터(1)가 데이터 증강 방법에 의해 각각 100개씩 생성될 수 있다. 그러나 딥러닝에서, 300개 모두를 입력 데이터로 이용하는 것이 아니고, 80개의 기본 이미지 데이터(0), 10개의 제1 변환 이미지 데이터(-1), 및 10개의 제2 변환 이미지 데이터(1)의 조합에 의한 100개가 입력 데이터로서 이용될 수 있다. 한편, 딥러닝에서 각 데이터에 웨이트가 적용되고, 반복 별로 조합이 변경될 수 있다. 다시 말해서, 기본 이미지 데이터에 0.8, 제1 변환 이미지 데이터(-1)에 0.1, 그리고 제2 변환 이미지 데이터(1)에 0.1의 웨이트가 할당될 수 있다. 또한, 제1 반복에서, (80, 10, 10), 제2 반복에서 (70, 20, 10), 그리고 제3 반복에서 (85, 5, 10) 등과 같이 조합이 변경될 수 있다.
결과적으로, 본 실시예의 리소그라피 모델 생성방법에서는, 기본 이미지 데이터와 동일한 개수로 딥러닝을 수행하게 되므로, 기본 이미지 데이터로 딥러닝을 수행하는 시간과 실질적으로 동일 시간을 가지고 딥러닝을 수행할 수 있다. 또한, 본 실시예의 리소그라피 모델 생성방법은, 마스크 바이어스 변동이 반영된 변환 이미지 데이터들이 딥러닝에 추가됨으로써, 마스크 바이어스 변동에 능동적으로 반응하는 신뢰성 있는 리소그라피 모델을 생성할 수 있다.
아래의 [표 1]은 DRAM 제품의 메탈 콘택에 대하여, 비교예의 리소그라피 생성방법과 본 실시예의 리소그라피 모델 생성방법에서, 딥러닝에 사용되는 학습 이미지와 검증 이미지의 데이터량을 보여준다. 참고로, 비교예와 본 실시예의 리소그라피 모델 생성방법에 의해 생성된 리소그라피 모델은 PPC 모델일 수 있다.
[표 1]에서, Ref.는 마스크 바이어스 변동을 반영하지 않는 리소그라피 모델 생성방법을 의미하고, Com.은 비교예의 리소그라피 모델 생성방법을 의미하며, Emb.은 본 실시예의 리소그라피 모델 생성방법을 의미한다. 또한, 학습 이미지는 딥러닝에 이용되는 이미지 데이터의 수를 의미하고, 검증 이미지는 리소그라피 모델의 검증에 이용되는 이미지 데이터의 수를 의미한다. 한편, Com.의 경우, 앞서 도 7a에서 설명한 바와 같이, CD 사이즈가 ±1㎚ 만큼 변화된 추가 이미지 데이터를 딥러링에 이용한다.
학습 이미지 검증 이미지
Ref. 1,735 442
Com. 5,205 (±1㎚) 442
Emb. 1,735 442
[표 1]을 통해 알 수 있듯이, Com.의 경우, Ref.에 비해 3배 많은 이미지 데이터를 딥러닝에 이용하는 반면, Emb.는 Ref와 동일한 수의 이미지 데이터를 딥러닝에 이용할 수 있다. 한편, 검증 이미지는 리소그라피 모델 생성 후, 검증에 이용하는 이미지 데이터들로서, 모두 동일한 개수로 설정될 수 있다. 예컨대, [표 1]에서 모두 442개로 설정되고 있다.
아래의 [표 2]는 앞서, [표 1]과 관련하여, 리소그라피 모델에 대한 효과를 보여준다. Ref. Com. 및 Emb.의 의미는 [표 1]에서와 동일할 수 있다.
Cal. errRMS
(1,735)		 Val. errRMS
(442)		 학습 시간
(반복: 1000)		 비고
Ref. 0.24 0.307 27h
Com. 0.235 0.212 82h
Emb. 0.238 0.216 27h 학습 시간 3배 감소
[표 2]에서, errRMS는 CD에 대한 에러 RMS 값을 나타내고, Cal.은 딥러닝을 통해 조정된 이미지 데이터들을 의미하며, Val.은 검증 이미지 데이터를 의미할 수 있다. Cal.의 경우, 최종적인 리소그라피 모델에 의한 결과가 아니므로 Ref. Com. Emb.의 에러 RMS는 모두 유사한 결과가 나타남을 알 수 있다. 한편, Val.의 경우, 최종적인 리소그라피 모델에 대한 검증 결과이고, 마스크 바이어스 변동을 고려하지 않는 Ref. 경우 에러 RMS가 비교적 크게 나타나고, Com.과 Emb.에서 에러 RMS가 거의 유사하게 나타남을 알 수 있다. 한편, 학습 시간을 비교하면, Ref.와 Emb.는 실질적으로 동일하고, Com.의 경우는 3배 이상이 됨을 알 수 있다. 결론적으로, 본 실시예의 리소그라피 모델 생성방법의 경우, Com.과 동일한 효과를 가지면서도, Com.에서 증가된 데이터의 배수만큼 학습 시간을 감소시킬 수 있다.
도 8a 및 도 8b는 마스크 바이어스 변동을 반영하지 않은 리소그라피 모델 생성방법과, 본 실시예의 리소그라피 모델 생성방법에서, DRAM 제품의 메탈 콘택에 대하여 에러 RMS와 에러 범위를 보여주는 그래프들이다. 도 8a 및 도 8b의 그래프에서, 80-100 부분은 메탈 콘택의 단축의 CD에 해당하고, 220-240 부분은 메탈 콘택의 장축의 CD에 해당할 수 있다.
도 8a 및 도 8b를 참조하면, 마스크 바이어스 변동을 반영하지 않은 비교예의 리소그라피 모델 생성방법에서, 검증 이미지에 대한 에러 RMS는 0.307 정도이고, 범위는 4.3㎚ 정도로 나타나고 있다. 그에 반해, 본 실시예의 리소그라피 모델 생성방법에서는 검증 이미지에 대한 에러 RMS는 0.246 정도이고, 범위는 3.0㎚ 정도로 나타나고 있다. 결과적으로, 본 실시예의 리소그라피 모델 생성방법을 통해서, 마스크 바이어스 변동을 반영한 신뢰성 있는 리소그라피 모델을 생성할 수 있음을 확인할 수 있다.
도 9는 본 발명의 일 실시예에 따른 리소그라피 모델 생성방법을 포함한 마스크 제조방법의 과정을 개략적으로 보여주는 흐름도이다. 도 1을 함께 참조하여 설명하고, 도 1의 설명 부분에서 이미 설명한 내용은 간단히 설명하거나 생략한다.
도 9를 참조하면, 본 실시예의 리소그라피 모델 생성방법을 포함한 마스크 제조방법(이하, 간단히, '마스크 제조방법'이라 한다)은, 먼저, 리소그라피 모델을 생성한다(S210). 리소그라피 모델 생성 단계(S210)는 도 1의 리소그라미 모델 생성방법과 실질적으로 동일할 수 있다. 예컨대, 리소그라피 모델 생성 단계(S210)는, 기본 이미지 데이터 준비 단계, 변환 이미지 데이터 준비 단계, 딥러닝을 수행하여 리소그라피 모델 산출 단계, 리소그라피 모델 검증 단계, 및 레시피 조절 단계를 포함할 수 있다. 또한, 변환 이미지 데이터 준비 단계에서 데이터 증강 방법을 통해 변환 이미지 데이터를 획득하고, 리소그라피 모델 산출 단계에서, 기본 이미지 데이터와 변환 이미지 데이터를 조합하여 딥러닝을 수행하되, 웨이트를 적용하여 반복 별로 조합을 변경하면서 딥러닝을 수행할 수 있다.
리소그라피 모델 생성 후, OPC를 수행하여 마스크 레이아웃 이미지에 대한 OPC된 레이아웃 이미지를 생성한다(S230). 여기서, OPC는 일반적인 OPC를 의미할 수 있다. 일반적인 OPC는 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.
OPC의 수행은, 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 한다. 한편, OPC 모델의 생성에 앞서 리소그라피 모델이 이용될 수 있다. 예컨대, 리소그라피 모델은 OPC 모델의 레시피 조절에 이용될 수 있다. OPC 모델 생성 후, 마스크 레이아웃 이미지에 대하여 OPC 모델을 이용한 시뮬레이션을 수행하여 OPC된 레이아웃 이미지를 생성한다.
이후, OPC된 레이아웃 이미지를 MTO 디자인 데이터로서 마스크 제작팀으로 전달한다(S250). 일반적으로, MTO는 OPC 방법을 통해 획득한 최종 마스크 데이터를 마스크 제작팀으로 넘겨 마스크 제작을 의뢰하는 것을 의미할 수 있다. 따라서, MTO 디자인 데이터는 결국, OPC를 통해 획득한 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.
한편, OPC된 레이아웃 이미지를 MTO 디자인 데이터로서 마스크 제작팀으로 전달하기 전에, OPC된 레이아웃 이미지에 대한 ORC(Optical Rule Check)가 수행될 수 있다. ORC는, 예컨대, CD 에러에 대한 RMS, EPE, 핀치 에러, 브릿지 에러 등을 포함할 수 있다. 그러나 ORC에서 검사되는 항목들이 전술한 항목들에 한정되는 것은 아니다. ORC를 통과한 OPC된 레이아웃 이미지가 MTO 디자인 데이터로서 마스크 제작팀으로 전달될 수 있다.
이후, 마스크 데이터 준비(Mask Data Preparation: MDP)를 수행한다(S270). 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(S290). 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, 딥러닝 기반의 리소그라피 모델 생성방법을 포함할 수 있다. 구체적으로, 본 실시예의 마스크 제조방법은, 기본 이미지 데이터 준비 단계, 변환 이미지 데이터 준비 단계, 딥러닝을 수행하여 리소그라피 모델 산출 단계, 리소그라피 모델 검증 단계, 및 레시피 조절 단계를 거쳐 리소그라피 모델을 생성할 수 있다. 그에 따라, 본 실시예의 마스크 제조방법은, 딥러닝 기반의 리소그라피 모델 생성방법에 기초하여, OPC된 레이아웃 이미지를 정확하게 생성할 수 있다. 결과적으로, 본 실시예의 마스크 제조방법은, 정확한 OPC된 레이아웃 이미지에 기초하여, 요구되는 패턴을 반도체 소자에 정확하게 형성할 수 있는, 신뢰성 있는 마스크를 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. 학습을 위한 기본 이미지 데이터를 준비하는 단계;
    마스크 바이어스 변동(mask bias variation)을 반영한 변환 이미지 데이터를 준비하는 단계;
    상기 기본 이미지 데이터와 상기 변환 이미지 데이터를 조합하여 딥러닝(deep learning)을 수행하여 리소그라피 모델을 생성하는 단계; 및
    상기 리소그라피 모델을 검증하는 단계;를 포함하는 딥러닝 기반 리소그라피 모델 생성방법.
  2. 제1 항에 있어서,
    상기 변환 이미지 데이터는 공정 변동을 반영하여, 상기 기본 이미지 데이터로부터 변환된 이미지 데이터인 것을 특징으로 하는 딥러닝 기반 리소그라피 모델 생성방법.
  3. 제2 항에 있어서,
    상기 변환 이미지 데이터는, 상기 기본 이미지 데이터로부터 이미지 증강(data augmentation) 방법을 통해 생성한 것을 특징으로 하는 딥러닝 기반 리소그라피 모델 생성방법.
  4. 제1 항에 있어서,
    상기 딥러닝에서, 웨이트를 적용하여 반복(iteration) 별로 조합을 변경하면서 수행하는 것을 특징으로 하는 딥러닝 기반 리소그라피 모델 생성방법.
  5. 제1 항에 있어서,
    상기 리소그라피 모델에 대한 레시피를 조절하는 단계를 더 포함하고,
    상기 리소그라피 모델을 검증하는 단계에서,
    설정된 조건을 만족한 경우, 상기 레시피를 조절하는 단계로 이행하고,
    설정된 조건을 만족하지 않는 경우, 상기 리소그라피 모델을 생성하는 단계로 이행하는 것을 특징으로 하는 딥러닝 기반 리소그라피 모델 생성방법.
  6. 학습을 위한 기본 이미지 데이터를 준비하는 단계;
    마스크 바이어스 변동을 반영한 변환 이미지 데이터를 준비하는 단계;
    상기 기본 이미지 데이터와 상기 변환 이미지 데이터를 조합하여 딥러닝을 수행하여 리소그라피 모델을 생성하는 단계;
    상기 리소그라피 모델을 검증하는 단계; 및
    상기 리소그라피 모델에 대한 레시피를 조절하는 단계를; 포함하고,
    상기 변환 이미지 데이터는, 공정 변동을 반영하여, 상기 기본 이미지 데이터로부터 이미지 증강 방법을 통해 생성한, 딥러닝 기반 리소그라피 모델 생성방법.
  7. 제6 항에 있어서,
    상기 딥러닝은 DCGAN을 이용하여 수행하고,
    상기 딥러닝에서, 웨이트를 적용하여 반복 별로 조합을 변경하면서 수행하는 것을 특징으로 하는 딥러닝 기반 리소그라피 모델 생성방법.
  8. 딥러닝 기반 리소그라피 모델을 생성하는 단계;
    마스크 레이아웃에 대하여 OPC을 수행하여 OPC된 레이아웃을 생성하는 단계;
    상기 OPC된 레이아웃을 MTO 디자인 데이터로서 전달하는 단계;
    상기 MTO 디자인 데이터에 기초하여 마스크 데이터를 준비하는 단계; 및
    상기 마스크 데이터에 기초하여 마스크용 기판을 노광하는 단계;를 포함하고,
    상기 리소그라피 모델을 생성하는 단계는,
    학습을 위한 기본 이미지 데이터를 준비하는 단계,
    마스크 바이어스 변동을 반영한 변환 이미지 데이터를 준비하는 단계,
    상기 기본 이미지 데이터와 상기 변환 이미지 데이터를 조합하여 딥러닝을 수행하여 리소그라피 모델을 생성하는 단계,
    상기 리소그라피 모델을 검증하는 단계, 및
    상기 리소그라피 모델에 대한 레시피를 조절하는 단계를 포함하며,
    상기 리소그라피 모델은 OPC 모델 또는 PPC 모델을 포함하는, 마스크 제조방법.
  9. 제8 항에 있어서,
    상기 변환 이미지 데이터는, 공정 변동을 반영하여, 상기 기본 이미지 데이터로부터 이미지 증강 방법을 통해 생성한 것을 특징으로 하는 마스크 제조방법.
  10. 제9 항에 있어서,
    상기 딥러닝은 DCGAN을 이용하여 수행하고,
    상기 딥러닝에서, 웨이트를 적용하여 반복 별로 조합을 변경하면서 수행하는 것을 특징으로 하는 마스크 제조방법.
KR1020220077085A 2022-06-23 2022-06-23 딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법 KR20240000284A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020220077085A KR20240000284A (ko) 2022-06-23 2022-06-23 딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법
US18/106,091 US20230418260A1 (en) 2022-06-23 2023-02-06 Lithography model generating method based on deep learning, and mask manufacturing method including the lithography model generating method
CN202310566686.XA CN117289543A (zh) 2022-06-23 2023-05-18 基于深度学习的光刻模型生成方法以及掩模制造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220077085A KR20240000284A (ko) 2022-06-23 2022-06-23 딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법

Publications (1)

Publication Number Publication Date
KR20240000284A true KR20240000284A (ko) 2024-01-02

Family

ID=89246960

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220077085A KR20240000284A (ko) 2022-06-23 2022-06-23 딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법

Country Status (3)

Country Link
US (1) US20230418260A1 (ko)
KR (1) KR20240000284A (ko)
CN (1) CN117289543A (ko)

Families Citing this family (1)

* 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

Also Published As

Publication number Publication date
US20230418260A1 (en) 2023-12-28
CN117289543A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
US10036961B2 (en) Optical proximity correction (OPC) method and method of fabricating mask using the OPC method
KR102441582B1 (ko) Mpc 검증 방법 및 그 검증 방법을 포함한 마스크 제조방법
KR102193687B1 (ko) 슬릿 효과를 반영한 opc 방법과 그 opc 방법을 이용한 euv 마스크 제조방법 및 반도체 소자 제조방법
US11054736B2 (en) Extreme ultraviolet (EUV) mask for lithography and associated methods
US9990460B2 (en) Source beam optimization method for improving lithography printability
KR20200022741A (ko) 반도체 소자의 제조 방법, 극 자외선 노광 방법 및 광 근접 보정 방법
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
US20190094710A1 (en) Optical Proximity Correction Methodology Using Underlying Layer Information
US11989873B2 (en) Stochastic contour prediction system, method of providing the stochastic contour prediction system, and method of providing EUV mask using the stochastic contour prediction system
JP4160203B2 (ja) マスクパターン補正方法及びマスクパターン補正プログラムを記録した記録媒体
US20230071777A1 (en) Optical proximity correction method, mask manufacturing method and semiconductor chip manufacturing method using the same
KR20240000284A (ko) 딥러닝 기반 리소그라피 모델 생성방법, 및 그 모델 생성방법을 포함한 마스크 제조방법
KR20230131715A (ko) 딥러닝 기반 opc 패턴의 코너 라운딩 방법, 및 그 코너 라운딩 방법을 포함한 opc 방법과 마스크 제조방법
US20230205092A1 (en) Optical proximity correction method, mask manufacturing method, semiconductor chip manufacturing method using the same and computing device
US20230074316A1 (en) Mask process correction methods and methods of fabricating lithographic mask using the same
US20230324881A1 (en) Machine learning (ml)-based process proximity correction (ppc) method and semiconductor device manufacturing method including the same
US20240280891A1 (en) Optical proximity correction (opc) method, and methods of manufacturing mask using the opc method
US12092961B2 (en) Semiconductor device manufacturing method and extreme ultraviolet mask manufacturing method
CN115542656A (zh) 光学邻近校正方法及使用该方法制造极紫外掩模的方法
TW202332989A (zh) 使用深度神經網路的基於影像的半導體元件圖案化方法
KR20240143546A (ko) Ml 기반 ppc 방법, 및 그 ppc 방법을 포함한 opc 방법과 마스크 제조방법
KR20230064407A (ko) 머신 러닝 기반 마스크 레이아웃 보정 방법, 및 그 보정 방법을 포함한 마스크 제조방법
CN116203789A (zh) 全芯片单元临界尺寸校正方法及使用其制造掩模的方法
CN118192154A (zh) 光学近接校正方法和通过使用该方法制造掩模的方法