KR20240023521A - 기계 학습 모델을 사용하여 어시스트 피처들을 생성하기 위한 컴퓨터 판독가능한 매체 - Google Patents
기계 학습 모델을 사용하여 어시스트 피처들을 생성하기 위한 컴퓨터 판독가능한 매체 Download PDFInfo
- Publication number
- KR20240023521A KR20240023521A KR1020237043635A KR20237043635A KR20240023521A KR 20240023521 A KR20240023521 A KR 20240023521A KR 1020237043635 A KR1020237043635 A KR 1020237043635A KR 20237043635 A KR20237043635 A KR 20237043635A KR 20240023521 A KR20240023521 A KR 20240023521A
- Authority
- KR
- South Korea
- Prior art keywords
- target
- features
- srafs
- model
- subset
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 claims abstract description 275
- 230000008569 process Effects 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 abstract description 16
- 230000006403 short-term memory Effects 0.000 abstract description 6
- 238000000059 patterning Methods 0.000 description 79
- 239000000758 substrate Substances 0.000 description 62
- 230000005855 radiation Effects 0.000 description 61
- 239000010410 layer Substances 0.000 description 33
- 238000013528 artificial neural network Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 28
- 230000003287 optical effect Effects 0.000 description 26
- 238000013461 design Methods 0.000 description 25
- 230000015654 memory Effects 0.000 description 25
- 230000011218 segmentation Effects 0.000 description 20
- 238000009826 distribution Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000005286 illumination Methods 0.000 description 14
- 235000012431 wafers Nutrition 0.000 description 14
- 238000001459 lithography Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 238000013459 approach Methods 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005530 etching Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 210000001747 pupil Anatomy 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 238000001311 chemical methods and process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- -1 refractive index Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/09—Supervised learning
Abstract
본 명세서에서, 마스크 패턴을 위한 어시스트 피처들을 결정하는 방법이 설명된다. 상기 방법은 (ⅰ) 복수의 타겟 피처들을 포함하는 타겟 패턴 -복수의 타겟 피처들 각각은 복수의 타겟 에지들을 포함함- , 및 (ⅱ) 타겟 패턴을 위한 분해능-이하 어시스트 피처(SRAF)들을 결정하도록 구성되는 트레이닝된 시퀀스-투-시퀀스 기계 학습(ML) 모델(예를 들어, 장단기 메모리, 게이트 순환 유닛 등)을 얻는 단계를 포함한다. 복수의 타겟 에지들의 타겟 에지에 대해, 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보(예를 들어, 길이, 폭, 피처들 간의 거리들 등)가 결정된다. 입력으로서 기하학적 정보를 사용하여, ML 모델은 타겟 에지 주위에 배치될 SRAF들을 생성한다.
Description
본 출원은 2021년 6월 18일에 출원된 미국 출원 63/212,434의 우선권을 주장하며, 이는 본 명세서에서 그 전문이 인용참조된다.
본 개시내용은 리소그래피 기술들에 관한 것으로, 특히 패터닝 디바이스 패턴을 생성하는 데 더 사용될 수 있는 타겟 패턴을 위한 어시스트 피처(assist feature)들을 생성하는 메카니즘에 관한 것이다.
리소그래피 장치는 기판의 타겟부 상으로 원하는 패턴을 전사(transfer)하는 기계이다. 리소그래피 장치는, 예를 들어 집적 회로(IC)의 제조 시에 사용될 수 있다. 그 경우, 대안적으로 마스크 또는 레티클이라 칭하는 패터닝 디바이스가 IC의 개별층에 대응하는 회로 패턴을 생성하기 위해 사용될 수 있으며, 이 패턴은 방사선-감응재(레지스트)층을 갖는 기판(예컨대, 실리콘 웨이퍼) 상의 (예를 들어, 다이의 부분, 한 개 또는 수 개의 다이를 포함하는) 타겟부 상으로 이미징(image)될 수 있다. 일반적으로, 단일 기판은 연속하여 노광되는 인접한 타겟부들의 네트워크를 포함한다. 알려진 리소그래피 장치는, 한 번에 타겟부 상으로 전체 패턴을 노광함으로써 각각의 타겟부가 조사(irradiate)되는 소위 스테퍼, 및 빔을 통해 주어진 방향("스캐닝"-방향)으로 패턴을 스캐닝하는 한편, 이 방향과 평행하게 또는 역-평행하게(anti parallel) 기판을 동기적으로 스캐닝함으로써 각각의 타겟부가 조사되는 소위 스캐너를 포함한다.
패터닝 디바이스로부터 기판으로 회로 패턴을 전사하기에 앞서, 기판은 전처리(priming), 레지스트 코팅 및 소프트 베이크(soft bake)와 같은 다양한 공정들을 거칠 수 있다. 노광 이후, 기판은 노광-후 베이크(post-exposure bake: PEB), 현상, 하드 베이크(hard bake) 및 전사된 회로 패턴의 측정/검사와 같은 다른 공정들을 거칠 수 있다. 이러한 일련의 공정들은 디바이스, 예컨대 IC 디바이스의 개별층을 구성하는 기초로서 사용된다. 그 후, 기판은 에칭, 이온-주입(도핑), 금속화(metallization), 산화, 화학-기계적 연마 등과 같은, 디바이스의 개별층을 생성하기 위한 다양한 공정들을 거칠 수 있다. 디바이스에서 여러 층이 요구되는 경우, 각각의 층에 대해 전체 과정 또는 그 변형이 반복될 수 있다. 최후에는, 디바이스가 기판 상의 각 타겟부에 존재할 것이다. 그 후, 이 디바이스들은 다이싱(dicing) 또는 소잉(sawing)과 같은 기술에 의해 서로 분리되며, 개개의 디바이스들은 핀에 연결되는 캐리어 등에 장착될 수 있다.
따라서, 반도체 디바이스들을 제조하는 것은 통상적으로 디바이스들의 다양한 피처들 및 다수 층들을 형성하기 위해 다수의 제작 공정들을 이용하여 기판(예를 들어, 반도체 웨이퍼)을 처리하는 것을 수반한다. 이러한 층들 및 피처들은 통상적으로, 예를 들어 증착, 리소그래피, 에칭, 화학-기계적 연마, 및 이온 주입을 이용하여 제조되고 처리된다. 다수 디바이스들은 기판의 복수의 다이들 상에 제작된 후, 개별적인 디바이스들로 분리될 수 있다. 디바이스 제조는 통상적으로 패터닝 공정을 포함한다. 패터닝 공정은 기판에 패터닝 디바이스 상의 패턴을 전사하기 위해 리소그래피 장치에서 패터닝 디바이스(예를 들어, 마스크)를 이용하는 광학 및/또는 나노임프린트(nanoimprint) 리소그래피와 같은 패터닝 단계를 수반하며, 통상적이지만 선택적으로 현상 장치에 의한 레지스트 현상, 베이크 툴을 이용한 기판의 베이킹, 에칭 장치를 이용한 패턴을 이용한 에칭 등과 같은 1 이상의 관련 패턴 처리 단계를 수반한다.
반도체 제조는 회로의 나노스케일 피처들이 기판 상에 정확하게 프린트될 수 있도록 마스크 패턴들을 생성하는 것을 수반한다. 이러한 마스크 패턴들은 마스크 패턴들을 구축하기 위해 어시스트 피처들을 생성하도록 구성되는 트레이닝된 기계 학습 모델을 사용하여 예측될 수 있다. 하지만, 트레이닝을 위해, 예를 들어 기존 마스크 패턴 생성 프로세스들을 사용하여 생성된 실측 데이터가 유사한 패턴들에 대해 상이한 어시스트 피처들을 포함할 수 있다. 이렇게 일관되지 않은 실측 데이터가 트레이닝에 사용되는 경우, 이는 기계 학습 모델이 평균된 어시스트 피처들을 예측하도록 할 수 있다. 예를 들어, 예측된 피처가 2 개의 가능한 예측들(예를 들어, 십자형 어시스트 피처들)의 평균일 수 있다. 이는 어시스트 피처 추출 시 애매성(ambiguity)을 야기하여 마스크 패턴의 생성에 부정적인 영향을 미칠 수 있다. 기존의 일부 이미지-기반 어시스트 피처 생성 접근법은 그리드 의존성 문제들을 갖는 경향이 있으며, MRC 제약들을 통합하지 않을 수 있다.
본 발명에 따르면, 본 명세서에서 어시스트 피처들을 예측하기 위해 시퀀스-투-시퀀스 기계 학습 모델을 트레이닝하고 사용하는 메카니즘들이 제공된다. 트레이닝 데이터는 타겟 피처들의 기하학적 정보를 포함하여, 트레이닝된 모델이 어시스트 피처들의 속성들을 직접 예측할 수 있도록 하며, 이에 따라 유리하게는 그리드 의존성 문제를 피하여 컨볼루션 뉴럴 네트워크(CNN)에서 평균 효과를 피할 수 있다. 이는 어시스트 피처들을 생성할 때 애매성을 크게 감소시킬 수 있다. 또 다른 장점들은 마스크 패턴에 채택될 때 시퀀스-투-시퀀스 모델로 생성된 어시스트 피처들이 (실측 데이터와 비슷한) 양호한 공정 윈도우를 생성한다는 것이다. 또한, 런타임은 현재의 CNN-기반 트레이닝 접근법들에 비해 더 우수하다.
일 실시예에서, 마스크 패턴을 위한 어시스트 피처들을 생성하는 기계 학습 모델을 트레이닝하는 방법이 제공된다. 상기 방법은 (ⅰ) 복수의 타겟 피처들을 포함하는 타겟 패턴 -복수의 타겟 피처들 각각은 복수의 타겟 에지들을 포함함- , 및 (ⅱ) 타겟 패턴을 위한 분해능-이하 어시스트 피처(sub-resolution assist feature: SRAF)들을 결정하도록 구성되는 트레이닝된 시퀀스-투-시퀀스 기계 학습(ML) 모델을 얻는 단계를 포함한다. 복수의 타겟 에지들의 타겟 에지에 대해, 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보가 결정된다. ML 모델에 대한 입력으로서 기하학적 정보를 사용하여, 타겟 에지 주위에 배치될 SRAF들이 결정된다.
일 실시예에서, ML 모델은 순차적 입력 데이터를 처리하도록 구성되는 순환 신경망이다. 예를 들어, ML 모델은 장단기 메모리 아키텍처의 인코더-디코더, 게이트 순환 유닛 아키텍처의 인코더-디코더, 또는 트랜스포머 뉴럴 네트워크이다.
일 실시예에서, 상기 방법은 기준(reference)으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 타겟 패턴을 복수의 셀들로 분할하는 단계를 더 수반한다. 예를 들어, 타겟 패턴의 분할은 복수의 타겟 피처들의 각 에지 상의 지점을 선택하는 단계; 및 선택된 지점들에 기초하여, 타겟 패턴을 복수의 셀들로 나누는 단계를 수반한다. 일 실시예에서, 분할은 복수의 보로노이 셀(Voronoi cell)들을 생성하기 위해 보로노이 분할 방법에 대한 시드(seed)들로서 선택된 지점들을 사용하여 수행된다.
일 실시예에서, 복수의 셀들 중 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트의 기하학적 정보가 결정된다. 예를 들어, 셀들의 서브세트는 타겟 패턴 내의 타겟 에지의 원하는 범위 내에 있다. 일 실시예에서, 기하학적 정보의 결정은 타겟 에지 주위의 선택된 영역 내에 있는 타겟 피처들의 서브세트를 식별하는 것을 수반하며, 여기서 선택된 영역은 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위이다. 일 실시예에서, 기하학적 정보는 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처와 타겟 에지 사이의 거리들, 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이, 및/또는 타겟 피처들의 서브세트의 각 타겟 피처의 위치일 수 있다.
일 실시예에서, SRAF들의 결정은 ML 모델에 의해, 마스크 규칙 체크(MRC) 제약들을 만족시키는 어시스트 피처들의 지오메트리를 결정하는 것을 수반하며, 여기서 ML 모델은 형상 제약을 만족시킨 이전 SRAF가 후속 SRAF들을 생성하는 데 사용되어 생성된 SRAF들이 자동으로 MRC 제약들을 만족시키게 하도록 순차적인 방식으로 SRAF들을 생성한다.
일 실시예에서, 마스크를 위한 분해능-이하 어시스트 피처(SRAF)들을 생성하는 시퀀스-투-시퀀스 기계 학습(ML) 모델을 트레이닝하는 방법이 제공된다. 상기 방법은 복수의 타겟 피처들을 갖는 타겟 패턴, 및 타겟 패턴에 대응하는 기준 분해능-이하 어시스트 피처들을 포함하는 실측 데이터를 포함하는 트레이닝 데이터를 얻는 단계를 수반한다. 타겟 패턴의 각 타겟 에지에 대해, 고려 중인 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보(예를 들어, 길이, 폭, 타겟 피처들 사이의 거리 등)가 할당된다. 시퀀스-투-시퀀스 기계 학습 알고리즘, 기하학적 정보 및 실측 자료를 사용하여, ML 모델이 기준 SRAF들에 대한 매칭 임계치를 만족시키기 위해 순차적인 방식으로 SRAF들을 생성하도록 트레이닝된다.
일 실시예에서, 트레이닝 데이터는 ML 모델에 대한 입력 데이터 또는 입력 벡터로서 제공되며, 입력 데이터 또는 입력 벡터는: 타겟 피처들의 서브세트의 크기, 고려 중인 타겟 에지와 타겟 피처들의 서브세트 사이의 거리들, 및 타겟 피처들의 서브세트의 위치들 중 적어도 하나를 포함한다.
일 실시예에서, 상기 방법은 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 타겟 패턴을 복수의 셀들로 분할하는 단계를 수반한다. 일 실시예에서, 타겟 패턴의 분할은 복수의 타겟 피처들의 각 타겟 에지 상의 지점을 선택하는 단계; 및 선택된 지점들에 기초하여, 타겟 패턴을 복수의 셀들로 나누는 단계를 수반한다. 예를 들어, 타겟 패턴은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 분할된다.
일 실시예에서, 상기 방법은 고려 중인 타겟 에지에 이웃하는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계 -타겟 피처들의 서브세트는 고려 중인 타겟 에지를 둘러싸는 1 이상의 셀 내에 있음- ; 및 타겟 패턴 내의 타겟 에지들 각각과 관련된 기하학적 정보를 포함하는 입력 벡터를 생성하는 단계를 수반한다.
일 실시예에서, 기하학적 정보의 결정은 관심 에지 주위의 선택된 영역의 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 것을 수반하며, 선택된 영역은 고려 중인 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공한다.
일 실시예에서, 트레이닝 프로세스는 시퀀스에서 타겟 패턴의 각 타겟 에지를 위한 SRAF들의 지오메트리를 예측하기 위해 타겟 피처들의 서브세트의 기하학적 정보를 ML 모델에 제공하는 단계; 예측된 SRAF들을 타겟 패턴의 각 타겟 에지들과 관련된 1 이상의 기준 SRAF와 비교하는 단계; 및 예측된 SRAF들이 실측 자료에서 기준 SRAF들에 대한 매칭 임계치 내에 있게 하도록 ML 모델의 모델 파라미터들을 조정하는 단계를 수반한다. 일 실시예에서, 모델 파라미터들의 조정은 각각의 타겟 에지에 대해 순차적인 방식으로 ML 모델로부터 출력을 생성하는 단계; 생성된 출력을 기준 SRAF들과 비교하여, 생성된 출력이 기준 SRAF들에 대한 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및 생성된 출력이 기준 SRAF들과 매칭하지 않음에 응답하여, 출력이 매칭 임계치 내에 있게 하도록 모델 파라미터들의 값들을 조정하는 단계를 수반한다.
일 실시예에서, 출력의 생성은 ML 모델에 의해, 기준 SRAF들의 제 1 기준 SRAF에 대응하는 제 1 어시스트 피처의 지오메트리를 결정하는 단계; 제 1 어시스트 피처에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및 제 1 및 제 2 어시스트 피처들에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 수반한다.
또한, 일 실시예에서, 1 이상의 프로세서에 의해 실행될 때, 앞서 설명된 방법들의 단계들을 포함하는 작업들을 야기하는 명령어들을 포함하는 비-일시적(non-transitory) 컴퓨터 판독가능한 매체가 제공된다.
이제 첨부된 도면들을 참조하여, 단지 예시의 방식으로만 실시예들을 설명할 것이다:
도 1은 일 실시예에 따른, 리소그래피 시스템의 다양한 서브시스템들의 블록 다이어그램;
도 2는 일 실시예에 따른, 패터닝 공정의 적어도 일부를 모델링 및/또는 시뮬레이션하는 예시적인 흐름도;
도 3a 및 도 3b는 일 실시예에 따른, 패터닝 공정의 시뮬레이션과 관련된 예시적인 그리드 의존성 오차를 나타내는 도면;
도 4는 일 실시예에 따른, 디자인 레이아웃의 타겟 패턴들을 위한 어시스트 피처들을 생성하는 흐름도;
도 5는 일 실시예에 따른, 디자인 레이아웃의 타겟 패턴의 예시적인 분할을 나타내는 도면;
도 6a는 일 실시예에 따른, 도 5의 분할된 타겟 패턴의 예시적인 셀을 나타내는 도면;
도 6b는 일 실시예에 따른, 도 6a에 나타낸 타겟 에지에 할당되는 예시적인 기준 어시스트 피처들을 나타내는 도면;
도 6c는 일 실시예에 따른, 이웃한 타겟 피처들 및 이와 연계된 기하학적 정보를 선택하는 것을 나타내는 도면;
도 7은 일 실시예에 따른, 인코더 및 디코더를 포함하는 장단기 메모리 모델의 예시적인 트레이닝 -모델은 도 4의 방법에 따라 트레이닝됨- 을 나타내는 도면;
도 8은 일 실시예에 따른, 트레이닝된 기계 학습 모델에 의해 생성된 예시적인 어시스트 피처들을 나타내는 도면;
도 9는 일 실시예에 따른, 디자인 레이아웃의 여하한의 주어진 타겟 패턴을 위한 어시스트 피처들을 생성하는 트레이닝된 기계 학습 모델을 채택하는 방법의 흐름도;
도 10은 일 실시예에 따른, 예시적인 컴퓨터 시스템의 블록 다이어그램;
도 11은 일 실시예에 따른, 예시적인 리소그래피 투영 장치의 다이어그램;
도 12는 일 실시예에 따른, 예시적인 극자외(EUV) 리소그래피 투영 장치의 다이어그램;
도 13은 일 실시예에 따른, 도 12의 예시적인 장치의 더 상세한 도면; 및
도 14는 일 실시예에 따른, 도 12 및 도 13의 장치의 소스 컬렉터 모듈의 더 상세한 도면이다.
도 1은 일 실시예에 따른, 리소그래피 시스템의 다양한 서브시스템들의 블록 다이어그램;
도 2는 일 실시예에 따른, 패터닝 공정의 적어도 일부를 모델링 및/또는 시뮬레이션하는 예시적인 흐름도;
도 3a 및 도 3b는 일 실시예에 따른, 패터닝 공정의 시뮬레이션과 관련된 예시적인 그리드 의존성 오차를 나타내는 도면;
도 4는 일 실시예에 따른, 디자인 레이아웃의 타겟 패턴들을 위한 어시스트 피처들을 생성하는 흐름도;
도 5는 일 실시예에 따른, 디자인 레이아웃의 타겟 패턴의 예시적인 분할을 나타내는 도면;
도 6a는 일 실시예에 따른, 도 5의 분할된 타겟 패턴의 예시적인 셀을 나타내는 도면;
도 6b는 일 실시예에 따른, 도 6a에 나타낸 타겟 에지에 할당되는 예시적인 기준 어시스트 피처들을 나타내는 도면;
도 6c는 일 실시예에 따른, 이웃한 타겟 피처들 및 이와 연계된 기하학적 정보를 선택하는 것을 나타내는 도면;
도 7은 일 실시예에 따른, 인코더 및 디코더를 포함하는 장단기 메모리 모델의 예시적인 트레이닝 -모델은 도 4의 방법에 따라 트레이닝됨- 을 나타내는 도면;
도 8은 일 실시예에 따른, 트레이닝된 기계 학습 모델에 의해 생성된 예시적인 어시스트 피처들을 나타내는 도면;
도 9는 일 실시예에 따른, 디자인 레이아웃의 여하한의 주어진 타겟 패턴을 위한 어시스트 피처들을 생성하는 트레이닝된 기계 학습 모델을 채택하는 방법의 흐름도;
도 10은 일 실시예에 따른, 예시적인 컴퓨터 시스템의 블록 다이어그램;
도 11은 일 실시예에 따른, 예시적인 리소그래피 투영 장치의 다이어그램;
도 12는 일 실시예에 따른, 예시적인 극자외(EUV) 리소그래피 투영 장치의 다이어그램;
도 13은 일 실시예에 따른, 도 12의 예시적인 장치의 더 상세한 도면; 및
도 14는 일 실시예에 따른, 도 12 및 도 13의 장치의 소스 컬렉터 모듈의 더 상세한 도면이다.
도 1은 본 발명의 일 실시예에 따른 예시적인 리소그래피 투영 장치(10A)를 나타낸다. 상기 장치(10A)는 심자외선(deep-ultraviolet: DUV) 엑시머 레이저 소스 또는 극자외선(EUV) 소스를 포함한 다른 타입의 소스일 수 있는 방사선 소스(12A)를 포함한다. 하지만, 앞서 언급된 바와 같이, 일부 다른 실시예들에서, 방사선 소스는 리소그래피 투영 장치 자체의 통합부가 아닐 수 있다. 상기 장치(10A)는: 예를 들어, (시그마로서 표시된) 부분적 코히런스(partial coherence)를 정의하고, 소스(12A)로부터의 방사선을 성형하도록 구성되는 광학기(14A, 16Aa 및 16Ab)를 포함할 수 있는 조명 광학기; 패터닝 디바이스(18A); 및 기판 평면(22A) 상으로 패터닝 디바이스 패턴의 이미지를 투영하는 투과 광학기(16Ac)를 더 포함한다. 투영 광학기의 퓨필 평면에서의 조정가능한 필터 또는 어퍼처(aperture: 20A)가 기판 평면(22A) 상에 부딪치는 빔 각도들의 범위를 제한할 수 있으며, 이때 가능한 최대 각도는 투영 광학기의 개구수(numerical aperture) NA = n sin(Θmax)를 정의하고, 여기서 n은 투영 광학기의 최종 요소와 기판 사이의 매질의 굴절률이며, Θmax는 기판 평면(22A) 상에 여전히 충돌할 수 있는 투영 광학기로부터 나오는 빔의 최대 각도이다.
리소그래피 투영 장치에서, 소스는 패터닝 디바이스에 조명(즉, 방사선)을 제공하고, 투영 광학기는 패터닝 디바이스를 통해 기판 상으로 조명을 지향하고 성형한다. 투영 광학기는 구성요소들(14A, 16Aa, 16Ab 및 16Ac) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 세기 분포이다. 기판 상의 레지스트 층이 노광되고, 그 안에 잠재적인 "레지스트 이미지"(RI)로서 에어리얼 이미지가 레지스트 층으로 전사된다. 레지스트 이미지(RI)는 레지스트 층에서 레지스트의 용해도(solubility)의 공간 분포로서 정의될 수 있다. 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 레지스트 모델이 사용될 수 있으며, 이 예시는 본 명세서에서 그 전문이 인용참조되는 미국 특허 출원 공개공보 US 20090157360호에서 찾아볼 수 있다. 레지스트 모델은 레지스트 층의 속성들, 예를 들어 노광, PEB 및 현상 시 일어나는 화학 공정들의 효과들에 관련된다. 리소그래피 투영 장치의 광학적 속성들(예를 들어, 소스, 패터닝 디바이스 및 투영 광학기의 속성들)이 에어리얼 이미지를 좌우한다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스는 바뀔 수 있기 때문에, 패터닝 디바이스의 광학적 속성들을 적어도 소스 및 투영 광학기를 포함한 리소그래피 투영 장치의 나머지의 광학적 속성들과 분리하는 것이 바람직할 수 있다.
일 실시예에서, 어시스트 피처들(분해능 이하 어시스트 피처들 및/또는 프린트가능한 분해능 어시스트 피처들)은 본 발명의 방법들에 따라 디자인 레이아웃이 최적화되는 방식에 기초하여 디자인 레이아웃에 배치될 수 있다. 일 실시예에서, 기계 학습 기반 모델이 패터닝 디바이스 패턴을 결정하는 데 사용된다. 기계 학습 모델은 빠른 속도로 정확한 예측들을 얻기 위해 소정 방식으로 트레이닝될 수 있는 시퀀스-투-시퀀스 기계 학습 모델과 같은 뉴럴 네트워크일 수 있으며, 따라서 패터닝 공정의 풀-칩 시뮬레이션을 가능하게 한다.
뉴럴 네트워크는 트레이닝 데이터의 세트를 사용하여 트레이닝될 수 있다(즉, 그 파라미터들이 결정됨). 트레이닝 데이터는 트레이닝 샘플들의 세트를 포함하거나 이로 구성될 수 있다. 각각의 샘플은 입력 객체[예를 들어, 피처 벡터(feature vector)라고 할 수 있는 벡터] 및 원하는 출력 값의 쌍일 수 있다. 트레이닝 알고리즘이 트레이닝 데이터를 분석하고, 트레이닝 데이터에 기초하여 뉴럴 네트워크의 파라미터들(예를 들어, 1 이상의 층의 가중치)을 조정함으로써 뉴럴 네트워크의 거동을 조정한다. 트레이닝 후 뉴럴 네트워크는 새로운 샘플들을 매핑(map)하는 데 사용될 수 있다.
일 실시예에서, 패터닝 공정의 기계 학습 모델들은 예를 들어 마스크 패턴에 대한 윤곽, 패턴, CD, 및/또는 웨이퍼 상의 레지스트 및/또는 에칭된 이미지 내의 윤곽, CD, 에지 배치(예를 들어, 에지 배치 오차) 등을 예측하도록 트레이닝될 수 있다. 트레이닝의 목적은, 예를 들어 웨이퍼 상의 프린트된 패턴의 윤곽, 에어리얼 이미지 세기 기울기, 및/또는 CD 등의 정확한 예측을 가능하게 하는 것이다. 의도된 디자인(예를 들어, 웨이퍼 상에 프린트될 웨이퍼 타겟 레이아웃)은 일반적으로 광 근접 보정(Optical Proximity Correction: OPC)-전 디자인 레이아웃으로서 정의되며, 이는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷 또는 다른 파일 포맷으로 제공될 수 있다.
패터닝 공정의 부분들을 모델링 및/또는 시뮬레이션하는 예시적인 흐름도가 도 2에 예시된다. 이해하는 바와 같이, 모델들은 상이한 패터닝 공정을 나타낼 수 있으며, 아래에서 설명되는 모델들을 모두 포함할 필요는 없다. 소스 모델(1200)이 패터닝 디바이스의 조명의 광학적 특성들(방사선 세기 분포, 대역폭 및/또는 위상 분포를 포함함)을 나타낸다. 소스 모델(1200)은 개구수 세팅들, 조명 시그마(σ) 세팅들 및 여하한의 특정 조명 형상[예를 들어, 환형, 쿼드러폴(quadrupole), 다이폴(dipole) 등과 같은 오프-액시스(off-axis) 방사선 형상]을 포함 -이에 제한되지는 않음- 하는 조명의 광학적 특성들을 나타낼 수 있으며, 여기서 σ(또는 시그마)는 일루미네이터의 외반경 크기이다.
투영 광학기 모델(1210)이 투영 광학기의 광학적 특성들(투영 광학기에 의해 야기되는 방사선 세기 분포 및/또는 위상 분포에 대한 변화들을 포함함)을 나타낸다. 투영 광학기 모델(1210)은 수차, 왜곡, 1 이상의 굴절률, 1 이상의 물리적 크기, 1 이상의 물리적 치수 등을 포함하는 투영 광학기의 광학적 특성들을 나타낼 수 있다.
패터닝 디바이스/디자인 레이아웃 모델 모듈(1220)은 패터닝 디바이스의 패턴 내에 디자인 피처들이 어떻게 레이아웃되는지를 포착하고, 예를 들어 그 전문이 인용참조되는 미국 특허 제 7,587,704호에서 설명되는 바와 같은 패터닝 디바이스의 상세한 물리적 속성들의 표현을 포함할 수 있다. 일 실시예에서, 패터닝 디바이스/디자인 레이아웃 모델 모듈(1220)은 패터닝 디바이스에 의해 형성되는, 또는 패터닝 디바이스 상의 피처들의 일 구성을 나타내는 디자인 레이아웃(예를 들어, 집적 회로, 메모리, 전자 디바이스 등의 피처에 대응하는 디바이스 디자인 레이아웃)의 광학적 특성들(주어진 디자인 레이아웃에 의해 야기되는 방사선 세기 분포 및/또는 위상 분포에 대한 변화들을 포함함)을 나타낸다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스는 바뀔 수 있기 때문에, 패터닝 디바이스의 광학적 속성들을 적어도 조명 및 투영 광학기를 포함한 리소그래피 투영 장치의 나머지의 광학적 속성들과 분리하는 것이 바람직하다. 흔히 시뮬레이션의 목적은, 예를 들어 이후 디바이스 디자인과 비교될 수 있는 에지 배치 및 CD를 정확히 예측하는 것이다. 디바이스 디자인은 일반적으로 OPC-전 패터닝 디바이스 레이아웃으로서 정의되며, GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷으로 제공될 수 있다.
에어리얼 이미지(1230)가 소스 모델(1200), 투영 광학기 모델(1210) 및 패터닝 디바이스/디자인 레이아웃 모델(1220)로부터 시뮬레이션될 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 세기 분포이다. 리소그래피 투영 장치의 광학적 속성들(예를 들어, 조명, 패터닝 디바이스 및 투영 광학기의 속성들)이 에어리얼 이미지를 좌우한다.
기판 상의 레지스트 층이 에어리얼 이미지에 의해 노광되고, 에어리얼 이미지는 그 안에 잠재적인 "레지스트 이미지"(RI)로서 레지스트 층으로 전사된다. 레지스트 이미지(RI)는 레지스트 층에서 레지스트의 용해도의 공간 분포로서 정의될 수 있다. 레지스트 모델(1240)을 이용하여 에어리얼 이미지(1230)로부터 레지스트 이미지(1250)가 시뮬레이션될 수 있다. 레지스트 모델(1240)은 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 사용될 수 있으며, 이 예시는 본 명세서에서 그 전문이 인용참조되는 미국 특허 출원 공개공보 US 20090157360호에서 찾아볼 수 있다. 레지스트 모델은 통상적으로 레지스트 노광, 노광후 베이크(PEB) 및 현상 시 일어나는 화학 공정들의 효과들을 설명하여, 예를 들어 기판 상에 형성되는 레지스트 피처들의 윤곽들을 예측하고, 따라서 이는 통상적으로 이러한 레지스트 층의 속성들(예를 들어, 노광, 노광후 베이크 및 현상 시 일어나는 화학 공정들의 효과들)에만 관련된다. 일 실시예에서, 레지스트 층의 광학적 속성들, 예를 들어 굴절률, 필름 두께, 전파 및 편광 효과들은 투영 광학기 모델(1210)의 일부로서 포착될 수 있다.
일반적으로, 광학 및 레지스트 모델 간의 연결은 레지스트 층 내의 시뮬레이션된 에어리얼 이미지 세기이며, 이는 기판 상으로의 방사선의 투영, 레지스트 계면에서의 굴절 및 레지스트 필름 스택에서의 다수 반사들로부터 발생한다. 방사선 세기 분포(에어리얼 이미지 세기)는 입사 에너지의 흡수에 의해 잠재적인 "레지스트 이미지"로 바뀌고, 이는 확산 과정 및 다양한 로딩 효과들에 의해 더 수정될 수 있다. 풀-칩 적용들을 위해 충분히 빠른 효율적인 시뮬레이션 방법들이 2-차원 에어리얼(및 레지스트) 이미지에 의해 레지스트 스택에서 현실적인 3-차원 세기 분포를 근사시킨다.
일 실시예에서, 레지스트 이미지는 패턴 전사-후 공정 모델 모듈(1260)로의 입력으로서 사용될 수 있다. 패턴 전사-후 공정 모델(1260)은 1 이상의 레지스트 현상-후 공정들(예를 들어, 에칭, 현상 등)의 성능을 정의한다.
패터닝 공정의 시뮬레이션은, 예를 들어 레지스트 및/또는 에칭된 이미지 내의 윤곽, CD, 에지 배치(예를 들어, 에지 배치 오차) 등을 예측할 수 있다. 따라서, 시뮬레이션의 목적은 예를 들어 프린트된 패턴의 에지 배치, 및/또는 에어리얼 이미지 세기 기울기, 및/또는 CD 등을 정확히 예측하는 것이다. 이 값들은, 예를 들어 패터닝 공정을 보정하고, 결함이 발생할 것으로 예측되는 곳을 식별하는 등을 위해 의도된 디자인과 비교될 수 있다. 의도된 디자인은 일반적으로 OPC-전 디자인 레이아웃으로서 정의되며, 이는 GDSII 또는 OASIS와 같은 표준화된 디지털 파일 포맷 또는 다른 파일 포맷으로 제공될 수 있다.
따라서, 모델 공식화는 전체 공정의 알려진 물리학 및 화학적 성질의 전부는 아니더라도 대부분을 설명하고, 모델 파라미터들 각각은 바람직하게는 별개의 물리적 또는 화학적 효과에 대응한다. 따라서, 모델 공식화는 모델이 전체 제조 공정을 시뮬레이션하는 데 얼마나 잘 사용될 수 있는지에 대한 상한을 설정할 수 있다.
연속 투과 마스크(Continuous Transmission Mask: CTM) 기술은 마스크 패턴을 위한 그레이스케일 안내 맵(grayscale guidance map)을 생성할 수 있는 역 리소그래피 솔루션이다. 그레이스케일 안내 맵에 기초하여, 디자인 레이아웃의 주 피처들에 대한 어시스트 피처들 및 수정들이 추출될 수 있다. 일 실시예에서, 이러한 안내 맵은 다각형 형상의 피처들(예를 들어, 주 피처, 어시스트 피처, SRAF, SERIF 등)을 생성하는 데 사용될 수 있다. CTM+ 기술들을 사용하여 생성되는 패턴들을 사용하여 제조되는 마스크는 곡선적 마스크(curvilinear mask)라고 칭해진다. 일 실시예에서, CTM+ 기술은 레벨-세트(level-set) 방법을 사용하여 안내 맵을 결정하는 것을 수반하며, 여기서 레벨-세트 임계값은 곡선 다각형 형상의 피처들(예를 들어, 주 피처, 어시스트 피처, SRAF, SERIF 등)을 결정하는 데 도움이 된다.
곡선적 마스크를 생성하는 예시적인 방법은 PCT 특허 공개공보 WO 2019179747 A1호에 논의되어 있으며, 이는 본 명세서에서 그 전문이 인용참조된다. 예시적인 방법(예를 들어, CTM, CTM+, 또는 조합된 CTM 및 CTM+)에서, 안내 맵은 리소그래피와 관련된 성능 메트릭(예를 들어, EPE, 사이드로브 등)에 대해 그레이스케일 이미지를 최적화함으로써 생성된다. 상기 방법은 그레이스케일 이미지로부터 추적된 곡선적 다각형들을 포함하는 최적화된 곡선적 마스크 패턴을 생성하는 데 사용될 수 있다.
앞서 언급된 방법으로 풀-칩 마스크 생성의 런타임을 감소시키기 위해, 본 명세서에서 그 전문이 인용참조되는 PCT 특허 공개공보 WO 2018215188 A1호에 논의된 바와 같이, 기계 학습 기반 접근법이 사용될 수 있다. 예를 들어, 기계 학습 모델이 DCNN 프레임워크를 사용하여 최적화된 마스크 패턴에 대응하는 그레이스케일 이미지를 예측하도록 트레이닝될 수 있다. 예측된 그레이스케일 이미지는 "실측 자료"에 매우 가까우며, 이에 따라 적은 수의(예를 들어, 역 리소그래피 솔루션에서 필요한 반복보다 적은) 반복만으로 최종 곡선적 마스크 패턴이 생성될 수 있다.
앞서 언급된 CTM 및 CTM+ 기술들은 그리드-기반 패턴 수정을 사용하는 반복적인 최적화를 수반한다. 이러한 그리드-기반 수정은 타겟 패턴의 그리드 위치들이 변화하는 경우에 타겟 패턴에 대해 상이한 CTM을 생성할 수 있다. 또한, 일반적으로 알려진 바와 같이, 역 리소그래피는 다수 솔루션들을 생성하는 문제를 갖는다. 이 솔루션들은 (예를 들어, SRAF의 형상들 및 배치들에서) 작거나 눈에 띄게 큰 차이들을 가질 수 있지만, 리소그래피 성능(DOF, PVB 등)에 의해 판단될 때 모두 허용가능한 솔루션들인 것으로 간주될 수 있다.
도 3a 및 도 3b는 그리드 의존성 오차를 야기하는 그리드에 대한 예시적인 패턴 시프트를 나타낸다. 도 3a 및 도 3b는 예측 윤곽(301/311)(점선) 및 입력 윤곽(302/312)(예컨대, 디자인 또는 원하는 윤곽)을 나타낸다. 도 3a에서 전체 입력 윤곽(301)은 그리드 상에 있지만, 도 3b에서는 입력 윤곽(311)의 일부가 예를 들어 코너 지점들에서 그리드를 벗어난다. 이는 모델 예측 윤곽들(302 및 312) 사이에 차이를 야기할 수 있다. 일 실시예에서, 예를 들어 리소그래피 제조성 체크(Lithography Manufacturability Check: LMC) 또는 OPC 적용예에서, 동일한 패턴은 그리드 상의 상이한 위치들에서 반복적으로 표시될 수 있으며, 패턴의 위치에 관계없이 불변 모델 예측을 갖는 것이 바람직하다. 하지만, 모델들은 완벽한 시프트-불변을 거의 달성할 수 없다. 일부 열악한 모델은 패턴 시프트에서 큰 윤곽 차이를 제공할 수 있다.
일 실시예에서, 그리드 의존성(GD) 오차는 다음과 같이 측정될 수 있다. GD 오차를 측정하기 위해, 패턴 및 윤곽을 따른 게이지가 서브-픽셀 스텝에서 함께 시프트된다. 예를 들어, 픽셀 크기 = 14 nm에 대해, 패턴/게이지는 x 및/또는 y 방향을 따라 스텝 당 1 nm씩 시프트될 수 있다. 각각의 시프트와 함께, 게이지를 따라 모델 예측 CD가 측정된다. 그 후, 모델 예측 CD들의 세트에서의 분산은 그리드 의존성 오차를 나타낸다. 예측된 윤곽들의 이러한 차이들은 사용자 관점에서 허용가능하지 않을 수 있다. 동일한 타겟 패턴에 대해, 고객, OPC 엔지니어 또는 다른 패터닝 공정 관련 사용자는 공정 변동에 대해 더 우수한 제어를 보장하기 위해 동일한 마스크의 사용을 선호할 수 있다.
그리드 의존성 문제는 CTM 및 CTM+를 생성하는 데 사용되는 바와 같은 역 리소그래피의 적용으로 확장될 수 있다. CTM/CTM+ 생성 프로세스가 결과들(그레이스케일 마스크 맵 및/또는 대응하는 곡선적 마스크)을 생성하기 위해 반복적인 최적화를 거치므로, 동일한 타겟 패턴들에 대한 결과들은 모델 그리드 의존성의 영향으로 인해, 및 각각의 반복 단계들에서 추가적인 그리드 의존성을 야기할 수 있는 CTM/CTM+의 다른 처리들로 인해 최적화 동안 점점 더 달라질 수 있다. 또한, 그리드 의존성 문제는 예를 들어 SRAF(Sub-Resolution Assistant Feature) 생성의 속도를 높이는 데 사용되는 기계 학습 기반 방법들의 적용으로 확장될 수도 있다. 예를 들어, 실측 데이터 자체에 상이한 솔루션들이 존재함에 따라, 이는 실측 결과로부터 더 낮은 RMS를 갖는 더 나은 모델로 수렴하기 어려운 기계 학습 모델 트레이닝을 야기한다. 또한, 기계 학습 기반 방법들이 결과들을 예측하기 위해 적용될 때, 그리드 의존성의 원인이기도 하다. 본 발명에서는, 그리드 의존성으로 인해 야기될 수 있는 유사한 타겟 패턴들에 대응하는 마스크 패턴들의 변동을 감소시켜 일관성을 개선하는 방법(예를 들어, 400 또는 900)이 제시된다.
마스크 패턴들을 생성하는 기존 방법들 중 일부는 트레이닝된 기계 학습 모델[예를 들어, 컨볼루션 뉴럴 네트워크(CNN)]을 사용하여 어시스트 피처들(예를 들어, SRAF)을 예측하는 것을 수반한다. 하지만, 트레이닝을 위해, 기존 프로세스들(예를 들어, CTM/CTM+)을 사용하여 생성되는 실측 데이터가 유사한 패턴들에 대해 상이한 어시스트 피처들을 포함할 수 있다. 이러한 일관되지 않은 실측 데이터가 트레이닝에 사용되는 경우, 이는 기계 학습 모델이 평균된 어시스트 피처들을 예측하도록 할 수 있다. 예를 들어, 바람직하지 않은 십자형 어시스트 피처가 타겟 패턴의 위치에서 수평 및 수직 후보 어시스트 피처를 평균한 결과일 수 있다. 이는 어시스트 피처 추출 시 애매성을 야기하여, 마스크 패턴의 정확성에 영향을 미친다.
본 발명에 따르면, 본 명세서에서 어시스트 피처들을 예측하기 위해 시퀀스-투-시퀀스 기계 학습 모델을 트레이닝하고 사용하는 메카니즘들이 제공된다. 일부 실시예들에서, 트레이닝 데이터는 타겟 피처들의 기하학적 정보를 포함하여, 트레이닝된 모델이 어시스트 피처들의 속성들을 직접 예측할 수 있도록 하며, 이에 따라 유리하게는 그리드 의존성 문제를 피하여 컨볼루션 뉴럴 네트워크(CNN)에서 평균 효과를 피하고 어시스트 피처들의 생성 시 애매성을 무시할 수 있다. 또 다른 장점들은 마스크 패턴에 채택될 때 시퀀스-투-시퀀스 모델로 생성된 어시스트 피처들이 (실측 데이터와 비슷한) 양호한 공정 윈도우를 생성한다는 것이다. 또한, 런타임은 현재의 CNN-기반 트레이닝 접근법들에 비해 더 우수할 수 있다. 더욱이, 여기에서 SRAF는 시퀀스에서 생성되어, 마스크 제조 관련 제약들과 같은 소정 제약들을 자동으로 만족시키기 위해 이전에 생성된 SRAF가 나중에 생성된 SRAF에 대한 제약들로서 활용된다.
모델들의 시퀀스-투-시퀀스 트레이닝은 입력 시퀀스들(예를 들어, 타겟 패턴 정보)을 출력 시퀀스들(예를 들어, SRAF)로 변환하는 것을 수반한다. 시퀀스-투-시퀀스 모델은 각각의 입력 아이템을 아이템 및 그 컨텍스트(예를 들어, 이전 단계로부터의 출력)를 포함한 대응하는 은닉 벡터로 변환하는 제 1 뉴럴 네트워크(예를 들어, 인코더)를 포함한다. 또한, 시퀀스-투-시퀀스 모델은 제 1 뉴럴 네트워크에 의해 생성된 은닉 벡터를 출력 아이템으로 반전시키는 제 2 뉴럴 네트워크(예를 들어, 디코더)를 포함한다. 또한, 제 2 뉴럴 네트워크는 입력 컨텍스트로서 이전 출력을 사용한다. 일 실시예에서, 제 1 뉴럴 네트워크 및 제 2 뉴럴 네트워크는 단일 모델로 통합될 수 있다.
도 4는 본 발명의 일 실시예에 따른, 마스크를 위한 분해능-이하 어시스트 피처(SRAF)들을 생성하도록 시퀀스-투-시퀀스 기계 학습(ML) 모델을 트레이닝하는 예시적인 방법(400)의 흐름도이다. 상기 방법(400)의 예시적인 구현은 아래에서 상세히 논의되는 프로세스 P401 내지 P407을 포함한다.
프로세스 P401은 복수의 타겟 피처들(TFn)(예를 들어, TF1, TF2, TF3,…, TFn)을 갖는 타겟 패턴(TP), 및 타겟 패턴(TP)에 대응하는 기준 분해능-이하 어시스트 피처(SRAF)들(410)을 포함한 실측 데이터를 포함하는 트레이닝 데이터를 얻는 것을 수반한다. 일 실시예에서, 트레이닝 데이터는 타겟 에지들을 410의 1 이상의 기준 SRAF와 연계시킴으로써 얻어질 수 있다. 예를 들어, 도 6b(본 명세서에서 나중에 상세히 논의됨)가 기준 SRAF들을 타겟 에지와 연계시키는 것을 예시한다. 일 실시예에서, 복수의 타겟 피처들(TFn)의 각각의 타겟 에지가 실측 자료에서의 기준 SRAF들(410)의 1 이상의 기준 SRAF와 연계된다.
프로세스 P403은 타겟 패턴(TP)을 복수의 셀들(404)로 분할하는 것을 수반하며, 각각의 셀은 타겟 피처(TF)의 타겟 에지를 포함한다. 예를 들어, 제 1 셀은 제 1 타겟 피처(TF1)의 제 1 에지를 포함하고, 제 2 셀은 제 1 타겟 피처(TF1)의 제 2 에지를 포함하고, 제 3 셀은 제 2 타겟 피처(TF2)의 제 3 에지를 포함하는 등이다. 일 실시예에서, 타겟 에지(예를 들어, TF1)는 1 이상의 기준 SRAF와 연계될 수 있다. 예를 들어, 타겟 에지와 연계된 410의 1 이상의 기준 SRAF는 고려 중인 타겟 에지를 포함하는 셀의 내부 및/또는 경계 위치들에 있다.
본 발명은 여하한의 특정 분할 메카니즘, 접근법, 방법, 알고리즘 또는 프로세스에 제한되지 않음을 이해할 것이다. 일 실시예에서, 타겟 패턴(TP)의 분할은 각각의 셀이 타겟 패턴 상의 선택된 지점 또는 위치와 소정 관계를 갖도록 수행된다. 일 실시예에서, 관계는 각각의 셀에 의해 만족되는 동치 관계(예를 들어, 대칭)일 수 있다. 일 실시예에서, 관계는 선택된 위치와 경계 사이의 함수, 예를 들어 각각의 셀의 경계와 선택된 위치 사이의 최소 거리로서 표현될 수 있다. 이러한 관계는 타겟 패턴(TP)의 분할을 유도하는 각각의 셀의 경계들을 결정하는 데 사용될 수 있다. 일 실시예에서, 선택된 위치는 타겟 에지의 중심 또는 타겟 패턴들 상의 여하한의 사용자 정의 지점들이다.
일 실시예에서, 타겟 패턴(TP) 레이아웃의 부분의 분할은 (예를 들어, 보로노이 방법을 사용하는) 기하학적 분할에 기초할 수 있으며, 여기서 복수의 셀들(404)의 각 셀의 경계들은 셀의 경계와 타겟 에지 상의 선택된 위치 사이의 거리에 기초하여 결정된다. 일 실시예에서, 복수의 셀들(404)의 각 셀의 경계들은 각 셀의 지점들이 타겟 패턴 내의 다른 위치들보다 주어진 위치에 가장 가깝도록 결정된다.
일 실시예에서, 타겟 패턴(TP)의 분할은: 복수의 타겟 피처들(TFn)의 각각의 타겟 에지 상의 위치 또는 지점(예를 들어, 에지의 중간점)을 선택하는 단계; 및 선택된 지점들에 기초하여, 타겟 패턴(TP)을 복수의 셀들(404)로 나누는 단계를 수반한다. 예를 들어, 타겟 패턴(TP)의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 따라 시드들로서 선택된 지점들을 사용하는 것을 수반한다.
일 실시예에서, 입력 벡터가 생성될 수 있으며, 여기서 입력 벡터는 타겟 피처들(TFn)의 기하학적 정보(예를 들어, 위치, 폭, 길이, 거리 등)를 포함한다. 일 실시예에서, 기하학적 정보는 타겟 피처들의 에지들과 고려 중인 타겟 피처 사이의 거리, 타겟 피처들의 폭들 등을 포함한다. 예를 들어, 도 5에서, 타겟 피처 T10에 대해 TE10은 고려 중인 타겟 에지이며, C10의 SRAF들이 T10과 연계되고, T10은 TE10 및 이웃한 타겟 에지들(예를 들어, TE1, TE2, TE3,…)에 의해 특징지어질 수 있다. 따라서, TE10 타겟 에지에 대해, TE10에 대한 인근 TEn의 상대 위치가 입력 벡터일 수 있다. 입력 벡터는 트레이닝을 위해 기계 학습 모델에 추가로 입력된다. 하지만, 이러한 논의는 단지 예시적이다; 여하한의 다른 적절한 형태 또는 정보가 본 발명의 범위를 벗어나지 않고 입력들로서 사용될 수 있다. 트레이닝 프로세스 동안, 타겟 패턴(TP) 내의 타겟 에지들 각각과 연계된 410의 1 이상의 기준 SRAF는 출력에서의 모델 생성 SRAF들에 대한 실측 자료로서 사용된다.
도 5는 일 실시예에 따른, 디자인 레이아웃의 타겟 패턴(500)의 예시적인 분할을 나타낸다. 타겟 패턴은 복수의 타겟 피처들(TFn)을 포함한다. 각각의 타겟 피처는 타겟 에지들을 갖는다. 타겟 패턴(500)의 분할을 위해, 모든 타겟 에지들이 수집될 수 있고, 그 중심(또는 다른 실시예들에서는 여하한의 다른 적절한 위치)이 복수의 셀들을 생성하기 위한 시드들로서 사용될 수 있다. 예를 들어, 시드들에 기초하여, 타겟 패턴(500)은 각각의 타겟 에지가 그와 연계된 고유한 보로노이 셀을 갖도록 복수의 보로노이 셀들로 나누어진다.
일 예시로서, 타겟 피처는 타겟 에지들(TE1, TE2, 및 TE3)을 포함하고, 그 중심이 각각 C1, C2, 및 C3와 같은 보로노이 셀들을 생성하기 위한 시드들로서 사용될 수 있다. 타겟 에지 TE1의 중심은 보로노이 셀 C1을 위한 시드를 제공한다. 타겟 에지 TE1은 적어도 부분적으로 보로노이 셀 C1에 있다. 타겟 에지 TE2는 보로노이 셀 C2를 위한 시드를 제공한다. 타겟 에지 TE2는 적어도 부분적으로 보로노이 셀 C2에 있다. 타겟 에지 TE3은 보로노이 셀 C3을 위한 시드를 제공한다. 타겟 에지 TE3은 적어도 부분적으로 보로노이 셀 C3에 있다. 유사하게, 타겟 에지 TE10은 보로노이 셀 C10을 위한 시드를 제공한다. 타겟 에지 TE10은 적어도 부분적으로 보로노이 셀 C10에 있다. 따라서, 각각의 보로노이 셀은 타겟 에지와 연계된다. 본 분할은 단지 예시적이며, 그리드 의존성 문제를 야기하지 않는 다른 분할 방법들이 여기에서 채택될 수 있다는 것을 이해할 수 있다.
또한, 도 5의 예시는 각각의 타겟 피처들 주위에 배치된 SRAF들을 나타낸다. 일 예시로서, SRAF는 단지 설명을 위해 점선 직사각형으로 도시되어 있으며, 본 발명의 범위를 제한하지 않는다. 다른 예시들에서, 곡선 SRAF들, 직사각형 및 곡선 SRAF들의 조합, 또는 다른 형상들 및 크기들의 SRAF들이 사용될 수 있다. 일 실시예에서, SRAF들은 시퀀스-투-시퀀스 ML 알고리즘을 사용하여 ML 모델을 트레이닝하기 위한 기준 SRAF들의 역할을 한다. 예를 들어, 일 실시예에 따르면, 각각의 타겟 에지가 고려 중인 타겟 에지 주위의 1 이상의 보로노이 셀 내의 기준 SRAF들의 서브세트와 연계될 수 있다(예를 들어, 타겟 에지 TE10 및 셀 C10의 SRAF들). 일 실시예에서, 이러한 분할된 타겟 패턴, 타겟 피처들의 기하학적 정보 및 대응하는 기준 SRAF들은 아래에서 더 설명되는 바와 같이 ML 모델을 트레이닝하는 데 사용된다.
도 4를 다시 참조하면, 프로세스 P405는 타겟 패턴(TP)의 각 타겟 에지에, 고려 중인 타겟 에지를 둘러싸는 1 이상의 셀 내의 타겟 피처들(TFx)의 서브세트의 기하학적 정보(406)(예를 들어, 위치, 길이, 폭 등)를 할당하는 것을 수반한다. 일 실시예에서, 기하학적 정보(406)의 할당은 고려 중인 타겟 에지에 이웃하는 타겟 피처들(TFx)의 서브세트의 기하학적 정보(406)를 결정하는 것을 수반한다. 일 실시예에서, 타겟 피처들(TFx)의 서브세트는 고려 중인 타겟 에지를 둘러싸는 1 이상의 셀 내에 적어도 부분적으로 있는 피처들일 수 있다. 하지만, 본 발명은 이에 제한되지 않는다. 일 실시예에서, 타겟 패턴(TP) 내의 타겟 에지들 각각과 연계된 기하학적 정보(406)를 포함하는 입력 벡터가 생성될 수 있다. 일 실시예에서, 입력 벡터는 실측 데이터를 포함하도록 첨부될 수 있으며, 또는 실측 데이터는 입력 벡터와 별도로 출력에서 제공될 수 있다. 실측 데이터에서, 각각의 타겟 에지는 앞서 논의된 바와 같이 410의 1 이상의 기준 SRAF와 연계될 수 있다.
일 실시예에서, 기하학적 정보(406)는 고려 중인 타겟 에지 주위의 선택된 영역에서의 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들(TFx)의 서브세트를 식별함으로써 결정될 수 있다. 예를 들어, 선택된 영역은 고려 중인 타겟 에지를 위한 SRAF 생성에 대한 이웃 타겟 피처의 영향 범위를 특징짓는 영역(예를 들어, 영역의 중심으로서 타겟 에지를 갖는 타겟 패턴 내의 원형, 직사각형 등의 영역)일 수 있다. 예를 들어, 이러한 이웃 타겟 피처들은 추산될 SRAF들의 형상, 크기 또는 다른 기하학적 속성들에 영향을 미칠 수 있다.
일 실시예에서, 기하학적 정보(406)의 결정은 관심 타겟 에지 주위에 경계 박스(bounding box)를 배치하는 단계, 및 경계 박스 내의 복수의 셀들(404)의 1 이상의 셀을 선택하는 단계를 수반한다. 또한, 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들(TFx)의 서브세트가 식별될 수 있다. 타겟 피처들(TFx)의 서브세트는 고려 중인 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 고려 중인 타겟 에지의 이웃한 피처들의 역할을 할 수 있다.
일 실시예에서, 기하학적 정보(406)는 고려 중인 타겟 에지와 타겟 패턴(TP) 내의 타겟 피처들(TFx)의 서브세트의 각 타겟 피처 사이의 거리들을 포함할 수 있다. 일 실시예에서, 기하학적 정보(406)는 타겟 피처들(TFx)의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 포함할 수 있다. 일 실시예에서, 기하학적 정보(406)는 타겟 피처들(TFx)의 서브세트의 각 타겟 피처의 위치를 포함할 수 있다.
도 6a는 타겟 피처(T10)와 연계된 예시적인 셀(C10)을 나타낸다. 앞서 설명된 바와 같이, 타겟 에지(TE10)의 중심점은 보로노이 셀(C10)의 셀 경계를 결정하기 위한 가이딩 포인트(guiding point)의 역할을 한다. 보로노이 방법에 따르면, 경계 내의 각 지점은 여하한의 다른 타겟 에지들의 중심점보다 타겟 에지(TE10)의 중심점에 더 가깝다. 일 실시예에서, 셀(C10)의 경계 또는 그 안에 있는 기준 타겟 피처(SRAF)들이 수집될 수 있고, 타겟 에지(TE10)를 그 SRAF들과 연계시킬 수 있다.
도 6b는 타겟 에지(TE10)에 할당된 예시적인 기준 SRAF들(예를 들어, SRAF0, SRAF1, SRAF2, SRAF3, SRAF4, SRAF5, SRAF6)을 나타낸다. 일 실시예에서, 기준 SRAF0 내지 SRAF6 각각의 기하학적 정보가 타겟 에지(TE10)와 연계될 수 있으며, 기하학적 정보는 폭, 길이, 서로 간의 거리, 타겟 에지로부터의 거리 등과 같은 것을 포함한다. 이러한 타겟 에지(TE10) 및 연계된 기준 SRAF들 또는 SRAF들의 정보는 ML 모델을 트레이닝하는 데 사용될 수 있다. 예를 들어, 트레이닝 동안, ML 모델은 타겟 에지(TE10)를 위한 SRAF들을 예측할 수 있다. 예측된 SRAF들은 기준 SRAF0 내지 SRAF6과 비교될 것이다. 또한, 트레이닝을 위해, 각각의 타겟 에지가 이웃한 타겟 피처들의 기하학적 정보와도 연계된다. 이웃한 타겟 피처들의 기하학적 정보는 SRAF들을 예측하기 위해 ML 모델에 대한 입력으로서 사용된다.
도 6c는 일 실시예에 따른, 타겟 에지의 이웃한 타겟 피처들이 선택될 수 있고 이 이웃한 타겟 피처들과 연계된 기하학적 정보가 결정될 수 있는 방식을 나타낸다. 본 예시에서, 이웃한 타겟 피처들은 타겟 피처(T10)의 타겟 에지 주위에 경계 박스(BOX1)(예를 들어, 직사각형, 정사각형, 원형, 프리폼 또는 다른 기하학적 형상들)를 배치함으로써 선택될 수 있다. 일 실시예에서, 경계 박스(BOX1)는 미리 설정된 휴리스틱 규칙(heuristic rule)들 또는 사용자-정의에 기초하여 결정될 수 있다. 실측 데이터에 대해, 각각의 타겟 에지(예를 들어, TE10) 및 그 보로노이 셀(예를 들어, C10)은 타겟 에지(예를 들어, TE10)의 셀(예를 들어, C10) 내의 기준 SRAF들과 연계된다. 셀(예를 들어, C10)에 대한 SRAF 생성은 인근 보로노이 셀들에 의해 영향을 받을 것이다. 따라서, 인근 셀들에서의 타겟 에지들은 SRAF 생성 시 기계 학습에 의해 컨텍스트(예를 들어, 입력)로서 사용될 수 있다. 본 예시에서, "인근 셀들"은 경계 박스(BOX1) 내에 적어도 부분적으로 있거나 경계 박스(BOX1) 주위의 소정 범위 또는 마진 내에 있는 보로노이 셀들일 수 있다.
나타낸 예시에서, 경계 박스(BOX1)는 수 개의 보로노이 셀들을 포함한다. 경계 박스(BOX1)에 포함된 셀들 각각에 대해, 대응하는 타겟 에지 또는 타겟 피처는 에지를 위한 SRAF들을 생성하기 위한 컨텍스트로서 사용될 수 있다. 예를 들어, 인근 셀들의 타겟 피처들은 T1, T2, T3, T6, T7, T8, 및 T9일 수 있다. 타겟 피처들(T1 내지 T3, 및 T6 내지 T9) 각각에 대해, 길이, 폭, 서로 간의 거리들, 에지(TE10)까지의 거리 등과 같은 기하학적 정보가 추출되고, 트레이닝되는 ML 모델의 입력에 포함될 수 있다. ML 모델은 기하학적 정보를 사용하여 타겟 에지(예를 들어, TE10)를 위한 SRAF들을 생성한다. 생성된 SRAF들은 셀(예를 들어, C10)과 연계된 기준 SRAF들(예를 들어, 도 6b의 SRAF0 내지 SRFA6)과 비교될 수 있다. 비교에 기초하여, 아래에서 더 설명되는 바와 같이, 생성된 SRAF들이 기준 SRAF들과 매칭하게 하도록 모델 파라미터들(예를 들어, 인코더-디코더 가중치들)이 조정될 수 있다. 예를 들어, 생성된 SRAF들이 대응하는 기준 SRAF들과의 임계 매칭 퍼센트보다 낮은 경우, 모델 파라미터 가중치들은 경사 하강 방법 또는 기계 학습 프로세스와 관련된 다른 가중치 조정 방법을 사용하여 조정될 수 있다.
도 5 및 도 6a 내지 도 6c의 예시들은 직사각형 형상의 타겟 피처들을 예시하지만, 당업자라면 본 발명이 타겟 피처 또는 SRAF들의 특정 형상에 제한되지 않는다는 것을 이해할 수 있다. ML 모델(420)은 곡선적 형상의 SRAF들을 예측하기 위해 곡선적 형상의 타겟 피처들 및 곡선적 형상의 기준 SRAF들을 사용하여 트레이닝될 수 있다.
프로세스 P407은 시퀀스-투-시퀀스 기계 학습 알고리즘, 기하학적 정보(406) 및 실측 자료를 사용하여, 기준 SRAF들(410)에 대한 매칭 임계치를 만족시키는 SRAF들을 생성하도록 ML 모델(420)을 트레이닝하는 것을 수반한다. 일 실시예에서, 트레이닝 후의 ML 모델(420)은 트레이닝된 ML 모델로 지칭될 수 있다.
일 실시예에서, ML 모델(420)은 가변 길이의 순차적 입력 데이터를 처리하도록 구성되는 순환 신경망(RNN)일 수 있다. 일 실시예에서, 순차적 입력 데이터는 타겟 피처들 및/또는 SRAF들의 위치-기반 시퀀스를 지칭한다. ML 모델(420)(예를 들어, RNN)은 가변 길이를 갖는 가변 입력 벡터를 처리하도록 구성되며, 여기서 각각의 타겟 에지는 이웃한 타겟 피처들과 연계된 상이한 지오메트리 정보를 갖는다. 또한, ML 모델(420)은 가변 길이를 가질 수 있는 출력 벡터를 생성하며, 여기서 고려 중인 타겟 에지 주위의 상이한 위치들을 갖는 상이한 수의 SRAF들이 생성될 수 있다. 통상적으로, 순환 신경망은 내부 메모리를 갖는 뉴럴 네트워크이다. 순환 신경망은 결정을 내릴 때, 현재 입력과 이전 입력을 모두 고려한다(정보는 내부 메모리에 저장됨). 반대로, 통상적인 피드포워드 뉴럴 네트워크에서는 정보가 한 방향으로만, 예를 들어 뉴럴 네트워크의 입력 층으로부터 은닉 층들을 거쳐 출력 층으로 전방 전달된다. 이는 입력의 메모리를 갖지 않는다.
일 실시예에서, ML 모델(420)은 LSTM(Long-Short Term Memory) 아키텍처의 인코더-디코더, 게이트 순환 유닛 아키텍처의 인코더-디코더, 또는 트랜스포머 뉴럴 네트워크일 수 있다. 예를 들어, LSTM 유닛들은 RNN에서 은닉 층들로서 사용될 수 있는 피드백 연결들을 가지며, LSTM 셀들은 단일 데이터 포인트뿐 아니라 전체 데이터 시퀀스도 처리할 수 있다. 또 다른 예시로서, GRU(Gated Recurrent Units)가 RNN에서 은닉 층의 노드들로서 사용될 수 있다. 일 실시예에서, 트랜스포머가 인코더 및 디코더로 구성된다. RNN으로서 메모리 구조를 사용하는 대신에, 이는 멀티-헤드 어텐션 구조(multi-head attention structure)를 사용하여 시퀀스 입력에서 다른 모든 타겟 패턴들로부터의 정보를 수집한다.
일 실시예에서, 트레이닝 프로세스는 시퀀스에서 타겟 패턴(TP)의 각각의 타겟 에지를 위한 SRAF들의 지오메트리를 예측하기 위해 ML 모델(420)에 타겟 피처들(TFx)의 서브세트의 기하학적 정보(406)를 제공하는 것을 수반할 수 있다. 예측 SRAF들은 타겟 패턴(TP)의 각 타겟 에지들과 관련된 410의 1 이상의 기준 SRAF와 비교될 수 있다. 비교에 기초하여, 예측된 SRAF가 실측 자료에서 기준 SRAF들(410)에 대한 매칭 임계치 내에 있게 하도록 ML 모델(420)의 모델 파라미터들(예를 들어, 가중치들)이 조정될 수 있다.
일 실시예에서, 모델 파라미터들의 조정은 각각의 타겟 에지에 대해 순차적인 방식으로 ML 모델(420)로부터 출력을 생성하는 것을 수반할 수 있다. 생성된 출력은 기준 SRAF들(410)과 비교되어 생성된 출력이 기준 SRAF들(410)에 대한 매칭 임계치 내에 있는지 여부를 결정할 수 있다. 생성된 출력이 기준 SRAF들(410)과 매칭하지 않음에 응답하여, 출력이 매칭 임계치 내에 있게 하도록 모델 파라미터들의 값들이 조정될 수 있다.
일 실시예에서, 출력의 생성은 ML 모델(420)에 의해, 기준 SRAF들(410)의 제 1 기준 SRAF에 대응하는 제 1 어시스트 피처의 지오메트리를 결정하는 것을 수반한다. 예를 들어, 출력은 ML 모델(420)의 디코더에 의해 생성될 수 있다. 또한, [예를 들어, ML 모델(420)의 디코더에 대한] 입력으로서 제 1 어시스트 피처에 기초하여, ML 모델(420)은 기준 SRAF들(410)의 제 2 기준 SRAF에 대응하는 제 2 어시스트 피처의 지오메트리를 결정할 수 있다. 유사하게, [예를 들어, ML 모델(420)의 디코더에 대한] 입력으로서 제 1 및 제 2 어시스트 피처들에 기초하여, ML 모델(420)은 기준 SRAF들(410)의 제 3 기준 SRAF에 대응하는 제 3 어시스트 피처의 지오메트리를 결정할 수 있다.
일 실시예에서, 모델 파라미터들의 조정은 제 1 어시스트 피처의 지오메트리를 제 1 기준 SRAF와 비교하는 것; 제 2 어시스트 피처의 지오메트리를 제 2 기준 SRAF와 비교하는 것; 제 3 어시스트 피처의 지오메트리를 제 3 기준 SRAF와 비교하는 것; 및 비교들에 기초하여, 제 1, 제 2, 및 제 3 어시스트 피처들 각각의 지오메트리가 각각 제 1, 제 2, 및 제 3 기준 SRAF들의 매칭 임계치 내에 있는지 여부를 결정하는 것을 수반한다. 제 1, 제 2, 및 제 3 어시스트 피처들 중 어느 하나가 각 기준 SRAF들(410)과 매칭하지 않음에 응답하여, 모델 파라미터들의 값들이 조정된다.
일 실시예에서, 모델 파라미터들의 조정은 모델 파라미터들에 대해 ML 모델(420)을 트레이닝하는 데 채택되는 비용 함수의 기울기를 결정하는 것; 및 가이드로서 기울기를 사용하여, 생성된 출력이 기준 SRAF들(410)과 매칭하게 하기 위해 비용 함수를 최소화 또는 최대화하도록 모델 파라미터들의 값들을 조정하는 것을 수반한다. 일 실시예에서, 비용 함수는 ML-생성된 SRAF들 및 기준 SRAF들(410)의 지오메트리 간의 차이의 함수이다.
마스크 패턴들에서, SRAF 형상들은 이와 연계된 제약들(예를 들어, 제조 제한)을 가지며, 이러한 것으로서 ML 모델이 이들을 고려하도록 요구된다. 여기서 트레이닝 프로세스의 유리한 효과는, 이것이 형상 제약들(예를 들어, 직사각형 SRAF 또는 정사각형 SRAF 및 대응하는 길이 제한들) 및 MRC 제약들(예를 들어, 또 다른 SRAF에 대한 SRAF, 타겟 공간/폭에 대한 SRAF 등)과 같은 SRAF 제약들을 고려하도록 ML 모델(420)을 자동으로 트레이닝한다는 것이다.
도 7은 본 발명의 일 실시예에 따른, 인코더(EN) 및 디코더(DC)를 포함하고 SRAF들을 예측하도록 구성되는 예시적인 LSTM 모델을 나타낸다. 인코더(EN)는, 타겟 피처들의 위치 기반 시퀀스 및 연계된 기하학적 정보일 수 있는 입력(IN)을 수신하도록 구성되는 입력 층(DL)을 포함한다. 예를 들어, 위치들은 보로노이 셀들을 생성하는 데 사용되는 타겟 에지들의 중심들일 수 있다. 입력 층은 인코더 층(EL)에 더 연결되고, 이는 은닉 상태 벡터 또는 중간 출력 벡터 hi (s)라고도 하는 인코딩된 출력(EO)을 생성하도록 시퀀스에서 입력의 각 아이템을 인코딩한다. 인코딩된 출력(EO)은 디코더(DC)로 전달된다. 디코더는 인코딩된 출력(EO)을 수신하도록 구성되는 디코더 내장 층을 포함한다. 또한, 디코더는 인코딩된 출력(EO)을 디코딩하여 순차적 방식으로 어시스트 피처(예를 들어, SRAF)들을 생성하도록 구성되는 디코더 층을 포함한다. 예를 들어, 제 1 어시스트 피처(SRAF0)가 생성되고, 이는 입력(EO)의 일부로서 포함되어 제 2 어시스트 피처(SRAF1)를 생성하는 데 사용된다. 유사하게, SRAF1은 다음 출력 SRAF2를 생성하기 위한 입력으로서 사용되고, 그 밖에도 마찬가지이다. 생성된 어시스트 피처들(SRAF0 내지 SRAF2)을 포함하는 디코딩된 출력(OUT)은 디코더 출력 층(DL)에 의해 출력될 수 있다.
앞서 논의된 바와 같이, 입력(IN)은 가변 길이로 이루어질 수 있다. 출력(OUT)은 평균되지 않을 것이며, 오히려 SRAF들은 디코더 층(DL)에 의해 직접 결정된다. 출력은, 예를 들어 각각의 SRAF의 위치, 폭, 길이 정보를 포함할 것이다. 출력(OUT)이 시퀀스에서 단계별로 생성됨에 따라, 출력된 SRAF들은 유리하게는 및 자동으로 서로 간의 일부 관계들 또는 제약들(예를 들어, 크기, 거리, 또는 다른 MRC 관련 제약들)을 통합할 것이다.
도 8은 타겟 패턴에 대해 생성되는 트레이닝된 기계 학습 모델의 예시적인 출력을 나타낸다. 설명을 위해, 분할된 타겟 패턴의 단일 셀(C10)만이 도시되어 있다. 트레이닝된 ML 모델로 생성된 어시스트 피처(PSRAF)들은 비교를 위해 셀(C10)의 기준 SRAF들과 오버랩된다. 나타낸 바와 같이, 생성된 어시스트 피처(PSRAF)들은 기준 SRAF들과 정확히 매칭하거나 오버랩되지 않지만, 매칭은 원하는 임계치 내에서 고려된다. 또한, 본 명세서에 논의된 바와 같이, 직사각형 형상의 SRAF들은 단지 예시적이며, 본 발명의 범위를 제한하지 않는다. 일 실시예에서, 곡선 타겟 피처들이 입력으로서 사용될 수 있고, 곡선 SRAF들이 출력으로서 생성될 수 있다.
도 9는 본 발명의 일 실시예에 따른, 1 이상의 타겟 패턴을 포함하는 여하한의 디자인 레이아웃을 위한 어시스트 피처들(예를 들어, SRAF)을 결정하는 방법(900)의 예시적인 흐름도이다. 일 실시예에서, 상기 방법(900)은 여러 단계들 또는 프로세스를 포함하며, (예를 들어, 프로세서 또는 컴퓨터 하드웨어 시스템을 통해) 실행될 때 기판 상에 프린트될 원하는 패턴(예를 들어, 타겟 패턴)에 대응하는 마스크 패턴을 위한 분해능-이하 어시스트 피처(SRAF)들을 생성한다.
일 실시예에서, 상기 방법(900)은 타겟 피처들의 기하학적 정보를 사용하여 트레이닝된 시퀀스-투-시퀀스 기계 학습(ML) 모델을 통해 분해능-이하 어시스트 피처(SRAF)들을 생성하는 단계를 포함한다. 예를 들어, SRAF들을 포함하는 마스크 패턴이 메모리 회로의 1 이상의 타겟 패턴을 위해 생성될 수 있다. 또한, 생성된 마스크 패턴을 갖는 마스크가 기판 상에 타겟 패턴들을 프린트하는 데 사용될 수 있다.
일 실시예에서, 상기 방법(900)은 여하한의 디자인 레이아웃을 위한 SRAF들을 예측하기 위해 LSTM 인코더-디코더, GRU 인코더-디코더, 트랜스포머 등과 같은 [예를 들어, 본 명세서에 논의된 방법(400)에 의해 트레이닝되는] 트레이닝된 시퀀스-투-시퀀스 ML 모델을 채택한다. SRAF들을 예측하기 위한 ML 모델의 적용은 패턴을 복수의 셀들(예를 들어, 보로노이 셀들)로 분할하는 것을 수반한다. ML 모델은 입력으로서 직접 사용되는 타겟 피처들의 기하학적 정보를 사용한다. 이는 유리하게는 SRAF들을 생성하는 기존 접근법들과 연계된 그리드 의존성 문제들을 제거할 수 있다. 각각의 타겟 에지에 대해, (예를 들어, 도 7 및 도 8에 예시된 바와 같이) SRAF들은 순서대로 예측된다. 예측 동안, ML은 다음 SRAF 결정 시 이전에 예측된 SRAF로부터의 제약들을 자동으로 적용한다. 일 실시예에서, SRAF들은 SRAF들의 위치, 폭, 길이, 또는 다른 기하학적 속성들에 기초하여 클러스터링된다. 상기 방법(900)의 예시적인 구현이 아래에서 프로세스 P901 내지 P907을 사용하여 더 상세히 논의된다.
프로세스 P901은 복수의 타겟 피처들을 포함하는 타겟 패턴(901)을 얻는 것을 수반한다. 일 실시예에서, 복수의 타겟 피처들의 각각의 타겟 피처는 복수의 타겟 에지들을 포함한다. 추가적으로, 타겟 패턴(901)을 위한 분해능-이하 어시스트 피처(SRAF)들을 결정하도록 구성되는 트레이닝된 시퀀스-투-시퀀스 기계 학습(ML) 모델(420)이 얻어질 수 있다[예를 들어, 도 10의 프로세서(104)의 메모리로부터 검색됨]. 예를 들어, ML 모델(420)은 앞서 논의된 방법(400)에 따라 트레이닝되고 프로세서(104)의 메모리에 저장된다.
프로세스 P903은 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 기준으로서 타겟 에지들 각각을 사용하여 타겟 패턴(901)을 복수의 셀들(902)로 분할하는 것을 수반한다. 분할 프로세스는 본 명세서에서 논의된 프로세스 P403과 유사할 수 있다. 일 실시예에서, 타겟 패턴(901)의 분할은 복수의 타겟 피처들의 각각의 타겟 에지 상의 또는 그 주위의 위치 또는 지점(예를 들어, 에지의 중간점)을 선택하는 것; 및 선택된 지점들에 기초하여, 타겟 패턴(901)을 복수의 셀들(902)로 분할하는 것을 수반한다. 예를 들어, 타겟 패턴(901)의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 타겟 패턴(901)을 분할하는 것을 수반한다.
프로세스 P905는 복수의 타겟 에지들의 타겟 에지에 대해, 타겟 피처들의 서브세트(901S), 예를 들어 복수의 셀들(902)의 셀들의 서브세트 내에 적어도 부분적으로 있는 피처들의 기하학적 정보(904)를 결정하는 것을 수반한다. 일 실시예에서, 타겟 피처들의 개별 서브세트가 타겟 에지들 각각에 대해 결정될 수 있다. 일 실시예에서, 셀들의 서브세트는 타겟 패턴(901) 내에서 타겟 에지의 원하는 범위 내에 있는 복수의 셀들(902)의 셀들일 수 있다. 일 실시예에서, 기하학적 정보(904)의 결정은 타겟 에지 주위의 선택된 영역에서의 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 패턴(901)으로부터의 타겟 피처들의 서브세트(901S)를 식별하는 것을 수반한다. 선택된 영역은 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공한다.
일 실시예에서, 기하학적 정보(904)는 고려 중인 타겟 에지 주위의 선택된 영역의 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트(901S)를 식별함으로써 결정될 수 있다. 예를 들어, 선택된 영역은 고려 중인 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처의 영향의 범위를 특징짓는 여하한의 영역일 수 있다. 범위는 당업계에 잘 알려져 있는 여하한의 적절한 방식으로 결정될 수 있다.
일 실시예에서, 기하학적 정보(904)의 결정은 관심 타겟 에지 주위에 경계 박스(예를 들어, 도 6c의 BOX1)를 위치시키는 것, 및 경계 박스 내의 복수의 셀들(902)의 1 이상의 셀을 선택하는 것을 수반한다. 또한, 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트(901S)가 식별될 수 있다. 타겟 피처들의 서브세트(901S)는 고려 중인 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 고려 중인 타겟 에지의 이웃한 피처들의 역할을 할 수 있다.
일 실시예에서, 기하학적 정보(904)는 고려 중인 타겟 에지와 타겟 패턴(901) 내의 타겟 피처들의 서브세트(901S)의 각 타겟 피처 사이의 거리들을 포함할 수 있다. 일 실시예에서, 기하학적 정보(904)는 타겟 피처들의 서브세트(901S)의 각 타겟 피처의 폭 및/또는 길이를 포함할 수 있다. 일 실시예에서, 기하학적 정보(904)는 타겟 피처들의 서브세트(901S)의 각각의 타겟 피처의 위치를 포함할 수 있다.
일 실시예에서, 기하학적 정보(904)는 가변 길이를 갖는 입력 벡터의 형태로 제공되는데, 이는 상이한 타겟 에지들이 상이한 이웃 타겟 피처들과 연계될 수 있고, 이에 따라 대응하는 입력들이 다양한 가변 길이들을 갖기 때문이다. 입력 벡터는 ML 모델(420)에 더 제공될 수 있다.
프로세스 P907은 ML 모델(420)에 대한 입력으로서 기하학적 정보(904)를 사용하여, 타겟 에지 주위에 배치될 SRAF들(920)을 결정하는 것을 수반한다. 일 실시예에서, SRAF들(920)은 순차적인 방식으로 결정된다. 예를 들어, SRAF들(920)의 결정은 ML 모델(420)에 의해, 이와 연계된 형상 제약들 및 마스크 규칙 체크(MRC) 제약들을 자동으로 만족시키는 제 1 어시스트 피처의 지오메트리를 결정하는 것을 수반한다. 제 1 어시스트 피처에 기초하여, ML 모델(420)은 제 1 어시스트 피처와 제 2 어시스트 피처 사이의 형상 제약들 및 MRC, 또는 다른 제약들을 자동으로 만족시키는 제 2 어시스트 피처의 지오메트리를 결정한다. 제 1 및 제 2 어시스트 피처들에 기초하여, ML 모델(420)은 제 3 어시스트 피처와 제 1 어시스트 피처 및/또는 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 3 어시스트 피처의 지오메트리를 결정한다. 일 실시예에서, 기하학적 정보(904)는 타겟 패턴(901) 내의 복수의 타겟 피처들의 모든 타겟 에지들에 대해 결정된다.
일 실시예에서, 상기 방법(900)은 타겟 패턴(901) 및 타겟 패턴(901)의 예측된 SRAF들(920)에 기초하여 패터닝 공정의 공정 윈도우를 결정하도록 더 확장될 수 있다.
일 실시예에서, 상기 방법(900)은 각 타겟 에지 주위에 복수의 타겟 피처들의 각각의 타겟 에지와 연계된 SRAF들(920)을 배치함으로써 마스크 패턴을 생성하도록 더 확장될 수 있다. 예를 들어, 상기 방법(900)은 광 근접 보정(OPC) 프로세스를 포함하는 기존 마스크 생성 프로세스들과 통합될 수 있다. 예를 들어, SRAF들(920)을 포함하는 마스크 패턴이 초기 패턴으로서 사용될 수 있으며, 여기서 OPC 프로세스는 마스크 패턴을 수정하여 광 근접 보정된 마스크 패턴을 결정하는 것을 수반한다. 일 실시예에서, 마스크 패턴은 패터닝 공정의 성능 메트릭이 개선되도록 수정된다. 예를 들어, 성능 메트릭을 개선하는 것은 타겟 패턴과 패터닝 공정의 시뮬레이션에 의해 생성되는 시뮬레이션된 패턴 사이의 에지 배치 오차를 최소화하는 것, 타겟 패턴들과 비교하여 마스크 피처들의 추가 및 불충분한 프린팅 수를 최소화하는 것, 시뮬레이션된 패턴과 타겟 패턴 사이의 CD 오차를 최소화하는 것, 또는 이들의 조합들일 수 있다. 성능 메트릭을 개선하는 여하한의 다른 적절한 OPC 프로세스 또는 메카니즘이 본 발명의 범위를 벗어나지 않고 사용될 수 있음을 이해할 것이다.
패터닝 디바이스 패턴을 다양한 리소그래피 이미지들(예를 들어, 에어리얼 이미지, 레지스트 이미지 등)로 변환하는 데 사용되는 기술들 및 모델들, 이 기술들 및 모델들을 이용한 OPC의 적용, 및 (예를 들어, 공정 윈도우에 관한) 성능의 평가의 세부사항들은 미국 특허 출원 공개공보 US 2008-0301620호, 2007-0050749호, 2007-0031745호, 2008-0309897호, 2010-0162197호, 2010-0180251호, 및 2011-0099526호에 설명되어 있으며, 이들은 각각 본 명세서에서 그 전문이 인용참조된다.
리소그래피 노드가 계속해서 축소됨에 따라, 점점 더 복잡한 패터닝 디바이스 패턴(더 나은 가독성을 위해, 본 명세서에서 교환가능하게 마스크라고도 함)이 필요하다(예를 들어, 곡선적 마스크). 본 방법은 핵심 층들에서 DUV 스캐너, EUV 스캐너, 및/또는 다른 스캐너들과 사용될 수 있다. 본 발명에 따른 방법은 소스 마스크 최적화(SMO), 마스크 최적화, 및/또는 OPC를 포함하는 마스크 최적화 프로세스의 상이한 측면에 포함될 수 있다. 예를 들어, 소스 마스크 최적화 프로세스는 "Optimization Flows of Source, Mask and Projection Optics"라는 제목의 미국 특허 9,588,438호에 설명되어 있으며, 이는 본 명세서에서 그 전문이 인용참조된다.
일 실시예에서, 패터닝 디바이스 패턴은 직사각형 또는 계단형과 같은 형상들을 갖는 맨해튼 패턴(Manhattan pattern)들과 대조적으로, 다각형 형상들을 갖는 곡선적 SRAF들을 포함하는 곡선적 마스크이다. 곡선적 마스크는 맨해튼 패턴에 비해 기판 상에 더 정확한 패턴들을 생성할 수 있다. 하지만, 곡선적 SRAF들의 지오메트리, 타겟 패턴들에 대한 그 위치들, 또는 다른 관련 파라미터들은 이러한 곡선적 형상들이 제조 불가능할 수 있기 때문에 제조 제한을 야기할 수 있다. 따라서, 이러한 제한들이 마스크 디자인 과정 동안 설계자에 의해 고려될 수 있다. 곡선적 마스크 제조 시 한계 및 과제들에 대한 상세한 논의는 Spence 외의 "Manufacturing Challenges for Curvilinear Masks", Proceeding of SPIE Volume 10451, Photomask Technology, 1045104(16 October 2017); doi: 10.1117/12.2280470에서 제공되며, 이는 본 명세서에서 그 전문이 인용참조된다.
광 근접 보정(OPC)은 회절 및 공정 효과들로 인한 이미지 오차들을 보상하는 데 일반적으로 사용되는 포토리소그래피 향상 기술이다. 기존의 모델-기반 OPC는 일반적으로: (ⅰ) 규칙 리타겟팅(rule retargeting)을 포함한 웨이퍼 타겟 패턴 도출, (ⅱ) 분해능-이하 어시스트 피처(SRAF) 배치, 및 (ⅲ) (예를 들어, 웨이퍼 상의 세기 맵 계산에 의한) 모델 시뮬레이션을 포함한 반복 보정 수행을 포함하는 여러 단계들로 이루어진다. 모델 시뮬레이션의 가장 시간 소모적인 부분들은 마스크 회절, 광학 이미징 및 레지스트 현상의 시뮬레이션 및 마스크 규칙 체크(MRC)에 기초한 모델-기반 SRAF 생성 및 클린업(cleanup)이다. 예를 들어, 본 방법(900)은 SRAF 생성 및 MRC 프로세스를 더 신속히 처리하여 기존 기술을 개선할 수 있다.
일 실시예에서, 본 명세서에서 논의된 방법들은 명령어들이 저장되어 있는 컴퓨터 프로그램 제품 또는 비-일시적 컴퓨터 판독가능한 매체로서 제공될 수 있으며, 상기 명령어들은 컴퓨터에 의해 실행될 때 앞서 논의된 방법들(400 및 900)의 작업을 구현한다. 도 10의 예시적인 컴퓨터 시스템(100)은 1 이상의 프로세서(예컨대, 104)에 의해 실행될 때, 본 명세서에 설명된 방법들(400 또는 900)의 단계들을 포함한 작업들을 야기하는 명령어들을 포함하는 비-일시적 컴퓨터 판독가능한 매체(예컨대, 메모리)를 포함한다.
본 발명에 따르면, 개시된 요소들의 조합 및 서브-조합들은 별개의 실시예들을 구성한다. 예를 들어, 제 1 조합은 타겟 패턴을 분할하고 타겟 패턴의 각 에지를 기준 SRAF들의 서브세트에 연계시킴으로써 트레이닝 데이터를 준비하는 것을 포함한다. 트레이닝 데이터에 기초하여, 기계 학습 모델이 시퀀스-투-시퀀스 기계 학습 방법을 이용하여 트레이닝될 수 있다. 서브-조합은 타겟 패턴을 보로노이 셀들로 분할하는 것을 포함할 수 있다. 또 다른 서브-조합에서, 각각의 타겟 에지를 연계시키는 것은 타겟 패턴 내에 그려지는 원하는 크기 및 형상의 경계 박스에 기초할 수 있다. 또 다른 예시에서, 조합은 트레이닝된 기계 학습 모델을 사용하여 여하한의 타겟 패턴을 위한 SRAF들을 생성하는 것을 포함한다. 서브-조합에서, 생성된 SRAF들은 마스크 패턴을 생성하는 데 더 사용될 수 있다.
도 10은 본 발명의 일 실시예에 따른, 본 명세서에 개시된 방법들 및 흐름들을 구현하는 데 도움이 되도록 구성되는 예시적인 컴퓨터 시스템(100)을 나타내는 블록 다이어그램이다. 컴퓨터 시스템(100)은 정보를 전달하는 버스(102) 또는 다른 통신 기구, 및 정보를 처리하는 버스(102)와 커플링된 프로세서(104)[또는 다중 프로세서들(104 및 105)]를 포함한다. 또한, 컴퓨터 시스템(100)은 프로세서(104)에 의해 실행될 정보 및 명령어들을 저장하는 RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 버스(102)에 커플링된 주 메모리(106)를 포함한다. 또한, 주 메모리(106)는 프로세서(104)에 의해 실행될 명령어들의 실행 시 임시 변수들 또는 다른 매개 정보(intermediate information)를 저장하는 데 사용될 수 있다. 컴퓨터 시스템(100)은 프로세서(104)에 대한 정적 정보 및 명령어들을 저장하는 버스(102)에 커플링된 ROM(read only memory: 108) 또는 다른 정적 저장 디바이스를 더 포함한다. 자기 디스크 또는 광학 디스크와 같은 저장 디바이스(110)가 제공되고 버스(102)에 커플링되어 정보 및 명령어들을 저장한다.
컴퓨터 시스템(100)은 버스(102)를 통해, 컴퓨터 사용자에게 정보를 보여주는 CRT(cathode ray tube) 또는 평판 또는 터치 패널 디스플레이(touch panel display)와 같은 디스플레이(112)에 커플링될 수 있다. 영숫자 및 다른 키들을 포함한 입력 디바이스(114)는 정보 및 명령 선택(command selection)들을 프로세서(104)로 전달하기 위해 버스(102)에 커플링된다. 또 다른 타입의 사용자 입력 디바이스는 방향 정보 및 명령 선택들을 프로세서(104)로 전달하고, 디스플레이(112) 상의 커서 움직임을 제어하기 위한 마우스, 트랙볼(trackball) 또는 커서 방향키들과 같은 커서 제어부(cursor control: 116)이다. 이 입력 디바이스는, 통상적으로 디바이스로 하여금 평면에서의 위치들을 특정하게 하는 2 개의 축인 제 1 축(예를 들어, x) 및 제 2 축(예를 들어, y)에서 2 자유도를 갖는다. 또한, 입력 디바이스로서 터치 패널(스크린) 디스플레이가 사용될 수도 있다.
일 실시예에 따르면, 주 메모리(106)에 포함된 1 이상의 명령어들의 1 이상의 시퀀스를 실행하는 프로세서(104)에 응답하여 컴퓨터 시스템(100)에 의해 프로세스의 부분들이 수행될 수 있다. 이러한 명령어들은 저장 디바이스(110)와 같은 또 다른 컴퓨터-판독가능한 매체로부터 주 메모리(106)로 읽혀질 수 있다. 주 메모리(106) 내에 포함된 명령어들의 시퀀스들의 실행은, 프로세서(104)가 본 명세서에 설명된 공정 단계들을 수행하게 한다. 또한, 주 메모리(106) 내에 포함된 명령어들의 시퀀스들을 실행하기 위해 다중 처리 구성(multi-processing arrangement)의 1 이상의 프로세서가 채택될 수 있다. 대안적인 실시예에서, 하드웨어에 내장된 회로(hard-wired circuitry)가 소프트웨어 명령어들과 조합하거나 그를 대신하여 사용될 수 있다. 따라서, 본 명세서의 기재내용은 하드웨어 회로와 소프트웨어의 여하한의 특정 조합에 제한되지 않는다.
본 명세서에서 사용된 "컴퓨터 판독가능한 매체"라는 용어는 실행을 위해 프로세서(104)에 명령어를 제공하는 데 관여하는 여하한의 매체를 칭한다. 이러한 매체는 비휘발성 매체(non-volatile media), 휘발성 매체 및 전송 매체를 포함하는 다수의 형태를 취할 수 있으며, 이에 제한되지는 않는다. 비휘발성 매체는, 예를 들어 저장 디바이스(110)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 주 메모리(106)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(102)를 포함하는 와이어들을 포함하여, 동축 케이블(coaxial cable), 구리선 및 광섬유를 포함한다. 또한, 전송 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 시 발생되는 파장들과 같이 음파(acoustic wave) 또는 광파의 형태를 취할 수도 있다. 컴퓨터 판독가능한 매체의 보편적인 형태들은, 예를 들어 플로피 디스크, 플렉시블 디스크, 하드 디스크, 자기 테이프, 여하한의 다른 자기 매체, CD-ROM, DVD, 여하한의 다른 광학 매체, 펀치 카드, 종이 테이프, 홀(hole)들의 패턴을 갖는 여하한의 다른 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, 여하한의 다른 메모리 칩 또는 카트리지(cartridge), 이후 설명되는 바와 같은 반송파, 또는 컴퓨터가 판독할 수 있는 여하한의 다른 매체를 포함한다.
다양한 형태의 컴퓨터 판독가능한 매체는 실행을 위해 1 이상의 명령어들의 1 이상의 시퀀스를 프로세서(104)로 전달하는 데 관련될 수 있다. 예를 들어, 명령어들은 초기에 원격 컴퓨터의 자기 디스크에 저장되어 있을 수 있다(bear). 원격 컴퓨터는 그 동적 메모리로 명령어들을 로딩하고, 모뎀을 이용하여 전화선을 통해 명령어들을 보낼 수 있다. 컴퓨터 시스템(100)에 로컬인 모뎀이 전화선 상에서 데이터를 수신하고, 적외선 송신기를 사용하여 상기 데이터를 적외선 신호로 전환할 수 있다. 버스(102)에 커플링된 적외선 검출기는 적외선 신호로 전달된 데이터를 수신하고, 상기 데이터를 버스(102)에 놓을 수 있다. 버스(102)는, 프로세서(104)가 명령어들을 회수하고 실행하는 주 메모리(106)로 상기 데이터를 전달한다. 주 메모리(106)에 의해 수신된 명령어들은 프로세서(104)에 의한 실행 전이나 후에 저장 디바이스(110)에 선택적으로 저장될 수 있다.
또한, 컴퓨터 시스템(100)은 바람직하게는 버스(102)에 커플링된 통신 인터페이스(118)를 포함한다. 통신 인터페이스(118)는 로컬 네트워크(122)에 연결되는 네트워크 링크(120)에 커플링하여 양방향(two-way) 데이터 통신을 제공한다. 예를 들어, 통신 인터페이스(118)는 ISDN(integrated services digital network) 카드 또는 대응하는 타입의 전화선에 데이터 통신 연결을 제공하는 모뎀일 수 있다. 또 다른 예시로서, 통신 인터페이스(118)는 호환성 LAN에 데이터 통신 연결을 제공하는 LAN(local area network) 카드일 수 있다. 또한, 무선 링크가 구현될 수도 있다. 여하한의 이러한 구현에서, 통신 인터페이스(118)는 다양한 타입의 정보를 나타내는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 송신하고 수신한다.
통상적으로, 네트워크 링크(120)는 1 이상의 네트워크를 통해 다른 데이터 디바이스에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(120)는 로컬 네트워크(122)를 통해 호스트 컴퓨터(host computer: 124), 또는 ISP(Internet Service Provider: 126)에 의해 작동되는 데이터 장비로의 연결을 제공할 수 있다. 차례로, ISP(126)는 이제 보편적으로 "인터넷"(128)이라고 칭하는 월드와이드 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(122) 및 인터넷(128)은 둘 다 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 사용한다. 다양한 네트워크를 통한 신호들, 및 컴퓨터 시스템(100)에 또한 그로부터 디지털 데이터를 전달하는 통신 인터페이스(118)를 통한 네트워크 링크(120) 상의 신호들은 정보를 전달하는 반송파의 예시적인 형태들이다.
컴퓨터 시스템(100)은 네트워크(들), 네트워크 링크(120) 및 통신 인터페이스(118)를 통해 메시지들을 송신하고, 프로그램 코드를 포함한 데이터를 수신할 수 있다. 인터넷 예시에서는, 서버(130)가 인터넷(128), ISP(126), 로컬 네트워크(122) 및 통신 인터페이스(118)를 통해 어플리케이션 프로그램에 대한 요청된 코드를 전송할 수 있다. 하나의 이러한 다운로드된 어플리케이션은, 예를 들어 본 실시예의 조명 최적화를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(104)에 의해 실행될 수 있고, 및/또는 추후 실행을 위해 저장 디바이스(110) 또는 다른 비휘발성 저장소에 저장될 수 있다. 이 방식으로, 컴퓨터 시스템(100)은 반송파의 형태로 어플리케이션 코드를 얻을 수 있다.
도 11은 본 발명의 일 실시예에 따른, 본 명세서에 설명된 기술들과 함께 이용될 수 있는 예시적인 리소그래피 투영 장치를 도시한다. 상기 장치는:
- 방사선 빔(B)을 컨디셔닝(condition)하는 조명 시스템(IL) -이러한 특정한 경우, 조명 시스템은 방사선 소스(SO)도 포함함- ;
- 패터닝 디바이스(MA)(예를 들어, 레티클)를 유지하는 패터닝 디바이스 홀더가 제공되고, 아이템(PS)에 대하여 패터닝 디바이스를 정확히 위치시키는 제 1 위치설정기에 연결되는 제 1 대상물 테이블(예를 들어, 패터닝 디바이스 테이블)(MT);
- 기판(W)(예를 들어, 레지스트-코팅된 실리콘 웨이퍼)을 유지하는 기판 홀더가 제공되고, 아이템(PS)에 대하여 기판을 정확히 위치시키는 제 2 위치설정기에 연결되는 제 2 대상물 테이블(기판 테이블)(WT); 및
- 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)의 조사된 부분을 이미징하는 투영 시스템("렌즈")(PS)[예를 들어, 굴절, 카톱트릭(catoptric) 또는 카타디옵트릭(catadioptric) 광학 시스템]을 포함한다.
본 명세서에 도시된 바와 같이, 상기 장치는 투과형으로 구성된다(즉, 투과 패터닝 디바이스를 가짐). 하지만, 일반적으로 이는 예를 들어 (반사 패터닝 디바이스를 갖는) 반사형으로 구성될 수도 있다. 상기 장치는 전형적인 마스크와 상이한 종류의 패터닝 디바이스를 채택할 수 있다; 예시들로는 프로그램가능한 거울 어레이 또는 LCD 매트릭스를 포함한다.
소스(SO)[예를 들어, 수은 램프 또는 엑시머 레이저, LPP(레이저 생성 플라즈마) EUV 소스]는 방사선 빔을 생성한다. 예를 들어, 이 빔은 곧바로 또는 빔 익스팬더(beam expander: Ex)와 같은 컨디셔닝 수단을 가로지른 후 조명 시스템(일루미네이터)(IL)으로 공급된다. 일루미네이터(IL)는 상기 빔 내의 세기 분포의 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)를 설정하는 조정 수단(AD)을 포함할 수 있다. 또한, 이는 일반적으로 인티그레이터(IN) 및 콘덴서(CO)와 같은 다양한 다른 구성요소들을 포함할 것이다. 이러한 방식으로, 패터닝 디바이스(MA)에 입사하는 빔(B)은 그 단면에 원하는 균일성(uniformity) 및 세기 분포를 갖는다.
도 11과 관련하여, 소스(SO)는 [흔히 소스(SO)가, 예를 들어 수은 램프인 경우와 같이] 리소그래피 투영 장치의 통합부이고, 예를 들어 하우징 내에 있을 수 있지만, 그것은 리소그래피 투영 장치로부터 멀리 떨어져 있을 수도 있으며, 그것이 생성하는 방사선 빔은 (예를 들어, 적절한 지향 거울들의 도움으로) 장치 내부로 들어올 수 있다는 것을 유의하여야 한다; 이 후자의 시나리오는 흔히 소스(SO)가 [예를 들어, KrF, ArF 또는 F2 레이징(lasing)에 기초한] 엑시머 레이저인 경우이다.
이후, 상기 빔(B)은 패터닝 디바이스 테이블(MT) 상에 유지되어 있는 패터닝 디바이스(MA)를 통과한다(intercept). 패터닝 디바이스(MA)를 가로질렀으면, 상기 빔(B)은 렌즈(PS)를 통과하며, 이는 기판(W)의 타겟부(C) 상에 상기 빔(B)을 포커싱한다. 제 2 위치설정 수단[및 간섭 측정 수단(IF)]의 도움으로, 기판 테이블(WT)은 예를 들어 상기 빔(B)의 경로 내에 상이한 타겟부(C)를 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정 수단은 예를 들어 패터닝 디바이스 라이브러리(patterning device library)로부터의 패터닝 디바이스(MA)의 기계적인 회수 후에 또는 스캔하는 동안, 상기 빔(B)의 경로에 대해 패터닝 디바이스(MA)를 정확히 위치시키는 데 사용될 수 있다. 일반적으로, 대상물 테이블들(MT, WT)의 이동은 장-행정 모듈(long-stroke module)(개략 위치설정) 및 단-행정 모듈(short-stroke module)(미세 위치설정)의 도움으로 실현될 것이며, 이는 도 11에 명확히 도시되지는 않는다. 하지만, [스텝-앤드-스캔(step-and-scan) 툴과는 대조적으로] 스테퍼의 경우, 패터닝 디바이스 테이블(MT)은 단-행정 액추에이터에만 연결되거나 고정될 수 있다.
도시된 툴은 두 가지 상이한 모드로 사용될 수 있다:
- 스텝 모드에서, 패터닝 디바이스 테이블(MT)은 기본적으로 정지 상태로 유지되며, 전체 패터닝 디바이스 이미지가 한 번에 [즉, 단일 "플래시(flash)"로] 타겟부(C) 상으로 투영된다. 그 후, 상이한 타겟부(C)가 빔(B)에 의해 조사될 수 있도록 기판 테이블(WT)이 x 및/또는 y 방향으로 시프트된다;
- 스캔 모드에서는, 주어진 타겟부(C)가 단일 "플래시"로 노광되지 않는 것을 제외하고는 기본적으로 동일한 시나리오가 적용된다. 그 대신에, 패터닝 디바이스 테이블(MT)은 v의 속도로 주어진 방향(소위 "스캔 방향", 예를 들어 y 방향)으로 이동가능하여, 투영 빔(B)이 패터닝 디바이스 이미지에 걸쳐 스캐닝하도록 유도된다; 동시발생적으로, 기판 테이블(WT)은 속도 V = Mv로 동일한 방향 또는 그 반대 방향으로 동시에 이동되며, 여기서 M은 렌즈(PS)의 배율이다(통상적으로, M = 1/4 또는 1/5). 이러한 방식으로, 분해능을 떨어뜨리지 않고도 비교적 넓은 타겟부(C)가 노광될 수 있다.
도 12는 본 발명의 일 실시예에 따른, 또 다른 예시적인 리소그래피 투영 장치(1000)를 도시한다. 장치(1000)는:
- 방사선을 제공하는 소스 컬렉터 모듈(SO);
- 소스 컬렉터 모듈(SO)로부터의 방사선 빔(B)(예를 들어, EUV 방사선)을 컨디셔닝하도록 구성되는 조명 시스템(일루미네이터)(IL);
- 패터닝 디바이스(예를 들어, 마스크 또는 레티클)(MA)를 지지하도록 구성되고, 패터닝 디바이스를 정확히 위치시키도록 구성된 제 1 위치설정기(PM)에 연결되는 지지 구조체(예를 들어, 마스크 테이블)(MT);
- 기판(예를 들어, 레지스트 코팅된 웨이퍼)(W)을 유지하도록 구성되고, 기판을 정확히 위치시키도록 구성된 제 2 위치설정기(PW)에 연결되는 기판 테이블(예를 들어, 웨이퍼 테이블)(WT); 및
- 기판(W)의 (예를 들어, 1 이상의 다이를 포함하는) 타겟부(C) 상으로 패터닝 디바이스(MA)에 의해 방사선 빔(B)에 부여된 패턴을 투영하도록 구성되는 투영 시스템(예를 들어, 반사 투영 시스템)(PS)을 포함한다.
본 명세서에 도시된 바와 같이, 상기 장치(1000)는 (예를 들어, 반사 마스크를 채택하는) 반사형으로 구성된다. 대부분의 재료들이 EUV 파장 범위 내에서 흡수성이기 때문에, 패터닝 디바이스는 예를 들어 몰리브덴 및 실리콘의 다층 스택을 포함한 다층 반사기들을 가질 수 있다는 것을 유의하여야 한다. 일 예시에서, 멀티-스택 반사기는 40 층의 몰리브덴 및 실리콘 쌍들을 갖고, 이때 각 층의 두께는 1/4 파장(quarter wavelength)이다. 훨씬 더 작은 파장들이 X-선 리소그래피로 생성될 수 있다. 대부분의 재료가 EUV 및 x-선 파장에서 흡수성이기 때문에, 패터닝 디바이스 토포그래피 상의 패터닝된 흡수성 재료의 박편(예를 들어, 다층 반사기 최상부 상의 TaN 흡수재)이 프린트되거나(포지티브 레지스트) 프린트되지 않을(네거티브 레지스트) 피처들의 위치를 정의한다.
도 12를 참조하면, 일루미네이터(IL)는 소스 컬렉터 모듈(SO)로부터 극자외 방사선 빔을 수용한다. EUV 방사선을 생성하는 방법들은 EUV 범위 내의 1 이상의 방출선을 갖는 적어도 하나의 원소, 예를 들어 크세논, 리튬 또는 주석을 갖는 재료를 플라즈마 상태로 전환하는 단계를 포함하며, 반드시 이에 제한되는 것은 아니다. 흔히 레이저 생성 플라즈마("LPP")라고 칭하는 이러한 한 방법에서, 플라즈마는 선-방출 원소를 갖는 재료의 액적(droplet), 스트림 또는 클러스터와 같은 연료를 레이저 빔으로 조사함으로써 생성될 수 있다. 소스 컬렉터 모듈(SO)은 연료를 여기시키는 레이저 빔을 제공하는 레이저(도 12에 도시되지 않음)를 포함한 EUV 방사선 시스템의 일부분일 수 있다. 결과적인 플라즈마는 출력 방사선, 예를 들어 EUV 방사선을 방출하며, 이는 소스 컬렉터 모듈에 배치된 방사선 컬렉터를 이용하여 수집된다. 예를 들어, CO2 레이저가 연료 여기를 위한 레이저 빔을 제공하는 데 사용되는 경우, 레이저 및 소스 컬렉터 모듈은 별개의 개체들일 수 있다.
이러한 경우, 레이저는 리소그래피 장치의 일부분을 형성하는 것으로 간주되지 않으며, 방사선 빔은 예를 들어 적절한 지향 거울들 및/또는 빔 익스팬더를 포함하는 빔 전달 시스템의 도움으로, 레이저로부터 소스 컬렉터 모듈로 통과된다. 다른 경우, 예를 들어 방사선 소스가 흔히 DPP 방사선 소스라고 칭하는 방전 생성 플라즈마 EUV 발생기인 경우, 방사선 소스는 소스 컬렉터 모듈의 통합부일 수 있다.
일루미네이터(IL)는 방사선 빔의 각도 세기 분포를 조정하는 조정기를 포함할 수 있다. 일반적으로, 일루미네이터의 퓨필 평면 내의 세기 분포의 적어도 외반경 및/또는 내반경 크기(통상적으로, 각각 외측-σ 및 내측-σ라 함)가 조정될 수 있다. 또한, 일루미네이터(IL)는 패싯 필드 및 퓨필 거울 디바이스들(facetted field and pupil mirror devices)과 같이, 다양한 다른 구성요소들을 포함할 수도 있다. 일루미네이터는 방사선 빔의 단면에 원하는 균일성 및 세기 분포를 갖기 위해, 방사선 빔을 컨디셔닝하는 데 사용될 수 있다.
방사선 빔(B)은 지지 구조체(예를 들어, 마스크 테이블)(MT) 상에 유지되어 있는 패터닝 디바이스(예를 들어, 마스크)(MA) 상에 입사되며, 패터닝 디바이스에 의해 패터닝된다. 패터닝 디바이스(예를 들어, 마스크)(MA)로부터 반사된 후, 방사선 빔(B)은 투영 시스템(PS)을 통과하며, 이는 기판(W)의 타겟부(C) 상으로 상기 빔을 포커싱한다. 제 2 위치설정기(PW) 및 위치 센서(PS2)(예를 들어, 간섭계 디바이스, 리니어 인코더 또는 용량성 센서)의 도움으로, 기판 테이블(WT)은 예를 들어 방사선 빔(B)의 경로 내에 상이한 타겟부(C)들을 위치시키도록 정확하게 이동될 수 있다. 이와 유사하게, 제 1 위치설정기(PM) 및 또 다른 위치 센서(PS1)는 방사선 빔(B)의 경로에 대해 패터닝 디바이스(예를 들어, 마스크)(MA)를 정확히 위치시키는 데 사용될 수 있다. 패터닝 디바이스(예를 들어, 마스크)(MA) 및 기판(W)은 패터닝 디바이스 정렬 마크들(M1, M2) 및 기판 정렬 마크들(P1, P2)을 이용하여 정렬될 수 있다.
도시된 장치(1000)는 다음 모드들 중 적어도 하나에서 사용될 수 있다:
1. 스텝 모드에서, 지지 구조체(예를 들어, 마스크 테이블)(MT) 및 기판 테이블(WT)은 기본적으로 정지 상태로 유지되는 한편, 방사선 빔에 부여되는 전체 패턴이 한 번에 타겟부(C) 상으로 투영된다[즉, 단일 정적 노광(single static exposure)]. 그 후, 기판 테이블(WT)은 상이한 타겟부(C)가 노광될 수 있도록 X 및/또는 Y 방향으로 시프트된다.
2. 스캔 모드에서, 지지 구조체(예를 들어, 마스크 테이블)(MT) 및 기판 테이블(WT)은 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안에 동기적으로 스캐닝된다[즉, 단일 동적 노광(single dynamic exposure)]. 지지 구조체(예를 들어, 마스크 테이블)(MT)에 대한 기판 테이블(WT)의 속도 및 방향은 투영 시스템(PS)의 확대(축소) 및 이미지 반전 특성에 의하여 결정될 수 있다.
3. 또 다른 모드에서, 지지 구조체(예를 들어, 마스크 테이블)(MT)는 프로그램가능한 패터닝 디바이스를 유지하여 기본적으로 정지된 상태로 유지되며, 방사선 빔에 부여된 패턴이 타겟부(C) 상으로 투영되는 동안 기판 테이블(WT)이 이동되거나 스캐닝된다. 이 모드에서는, 일반적으로 펄스화된 방사선 소스(pulsed radiation source)가 채택되며, 프로그램가능한 패터닝 디바이스는 기판 테이블(WT)의 매 이동 후, 또는 스캔 중에 계속되는 방사선 펄스 사이사이에 필요에 따라 업데이트된다. 이 작동 모드는 앞서 언급된 바와 같은 타입의 프로그램가능한 거울 어레이와 같은 프로그램가능한 패터닝 디바이스를 이용하는 마스크없는 리소그래피(maskless lithography)에 용이하게 적용될 수 있다.
도 13은 소스 컬렉터 모듈(SO), 조명 시스템(IL), 및 투영 시스템(PS)을 포함하여 상기 장치(1000)를 더 상세히 나타낸다. 소스 컬렉터 모듈(SO)은 소스 컬렉터 모듈(SO)의 포위 구조체(enclosing structure: 220) 내에 진공 환경이 유지될 수 있도록 구성되고 배치된다. EUV 방사선 방출 플라즈마(210)가 방전 생성 플라즈마 방사선 소스에 의해 형성될 수 있다. EUV 방사선은 전자기 스펙트럼의 EUV 범위 내의 방사선을 방출하도록 초고온 플라즈마(very hot plasma: 210)가 생성되는 가스 또는 증기, 예를 들어 Xe 가스, Li 증기 또는 Sn 증기에 의해 생성될 수 있다. 초고온 플라즈마(210)는, 예를 들어 적어도 부분적으로 이온화된 플라즈마를 야기하는 전기적 방전에 의해 생성된다. 방사선의 효율적인 발생을 위해, Xe, Li, Sn 증기 또는 여하한의 다른 적절한 가스 또는 증기의, 예를 들어 10 Pa의 분압(partial pressure)이 필요할 수 있다. 일 실시예에서, EUV 방사선을 생성하기 위해 여기된 주석(Sn)의 플라즈마가 제공된다.
초고온 플라즈마(210)에 의해 방출된 방사선은, 소스 챔버(source chamber: 211)의 개구부 내에 또는 그 뒤에 위치되는 선택적인 가스 방벽 또는 오염물 트랩(contaminant trap: 230)(몇몇 경우에는, 오염물 방벽 또는 포일 트랩이라고도 함)을 통해, 소스 챔버(211)로부터 컬렉터 챔버(collector chamber: 212) 내로 통과된다. 오염물 트랩(230)은 채널 구조체를 포함할 수 있다. 또한, 오염물 트랩(230)은 가스 방벽, 또는 가스 방벽과 채널 구조체의 조합을 포함할 수 있다. 본 명세서에서 더 나타내는 오염물 트랩 또는 오염물 방벽(230)은 적어도 당업계에 알려진 바와 같은 채널 구조체를 포함한다.
컬렉터 챔버(212)는 소위 스침 입사 컬렉터(grazing incidence collector)일 수 있는 방사선 컬렉터(CO)를 포함할 수 있다. 방사선 컬렉터(CO)는 방사선 컬렉터 상류측(upstream radiation collector side: 251) 및 방사선 컬렉터 하류측(downstream radiation collector side: 252)을 갖는다. 컬렉터(CO)를 가로지르는 방사선은 격자 스펙트럼 필터(grating spectral filter: 240)로부터 반사되어, 점선 'O'로 나타낸 광축을 따라 가상 소스점(virtual source point: IF)에 포커싱될 수 있다. 가상 소스점(IF)은 통상적으로 중간 포커스라고 칭해지며, 소스 컬렉터 모듈은 중간 포커스(IF)가 포위 구조체(220)에서의 개구부(221)에, 또는 그 부근에 위치되도록 배치된다. 가상 소스점(IF)은 방사선 방출 플라즈마(210)의 이미지이다.
후속하여, 방사선은 조명 시스템(IL)을 가로지르며, 이는 패터닝 디바이스(MA)에서의 방사선 세기의 원하는 균일성뿐 아니라, 패터닝 디바이스(MA)에서의 방사선 빔(21)의 원하는 각도 분포를 제공하도록 배치되는 패싯 필드 거울 디바이스(22) 및 패싯 퓨필 거울 디바이스(24)를 포함할 수 있다. 지지 구조체(MT)에 의해 유지되어 있는 패터닝 디바이스(MA)에서의 방사선 빔(21)의 반사 시, 패터닝된 빔(26)이 형성되고, 패터닝된 빔(26)은 투영 시스템(PS)에 의하여 반사 요소들(28, 30)을 통해 기판 테이블(WT)에 의해 유지되어 있는 기판(W) 상으로 이미징된다.
일반적으로, 나타낸 것보다 더 많은 요소가 조명 광학기 유닛(IL) 및 투영 시스템(PS) 내에 존재할 수 있다. 격자 스펙트럼 필터(240)는 리소그래피 장치의 타입에 따라 선택적으로 존재할 수 있다. 또한, 도면들에 나타낸 것보다 더 많은 거울이 존재할 수 있으며, 예를 들어 도 13에 나타낸 것보다 1 내지 6 개의 추가적인 반사 요소들이 투영 시스템(PS) 내에 존재할 수 있다.
도 13에 예시된 바와 같은 컬렉터 광학기(CO)는 단지 컬렉터(또는 컬렉터 거울)의 일 예시로서, 스침 입사 반사기들(253, 254 및 255)을 갖는 네스티드 컬렉터(nested collector)로서 도시된다. 스침 입사 반사기들(253, 254 및 255)은 광축(O) 주위에 축대칭으로 배치되고, 이 타입의 컬렉터 광학기(CO)는 바람직하게는 방전 생성 플라즈마 방사선 소스와 조합하여 사용된다.
대안적으로, 소스 컬렉터 모듈(SO)은 도 14에 나타낸 바와 같은 LPP 방사선 시스템의 일부분일 수 있다. 레이저(LA)가 크세논(Xe), 주석(Sn) 또는 리튬(Li)과 같은 연료에 레이저 에너지를 축적(deposit)하도록 배치되어, 수십 eV의 전자 온도를 갖는 고이온화 플라즈마(highly ionized plasma: 210)를 생성한다. 이 이온들의 탈-여기(de-excitation) 및 재조합 동안 발생되는 강렬한 방사선(energetic radiation)은 플라즈마로부터 방출되어, 근수직 입사 컬렉터 광학기(near normal incidence collector optic: CO)에 의해 수집되고, 포위 구조체(220)의 개구부(221) 상에 포커싱된다.
본 명세서에 개시된 개념들은 서브 파장 피처들을 이미징하는 여하한의 일반적인 이미징 시스템을 시뮬레이션하거나 수학적으로 모델링할 수 있으며, 특히 점점 더 짧은 파장들을 생성할 수 있는 신흥 이미징 기술들로 유용할 수 있다. 이미 사용중인 신흥 기술들로는 ArF 레이저를 사용하여 193 nm의 파장을 생성하고, 심지어 플루오린 레이저를 사용하여 157 nm의 파장도 생성할 수 있는 EUV(극자외) 리소그래피를 포함한다. 또한, EUV 리소그래피가 이 범위 내의 광자들을 생성하기 위해 고에너지 전자들로 재료(고체 또는 플라즈마)를 가격(hit)하거나, 싱크로트론(synchrotron)을 이용함으로써 20 내지 5 nm 범위 내의 파장들을 생성할 수 있다.
본 명세서에 개시된 개념들은 실리콘 웨이퍼와 같은 기판 상에 이미징하기 위해 사용될 수 있지만, 개시된 개념들은 여하한 타입의 리소그래피 이미징 시스템들, 예를 들어 실리콘 웨이퍼들 이외의 기판들 상에 이미징하는 데 사용되는 것들로 사용될 수도 있다는 것을 이해하여야 한다.
본 명세서에서는 IC 제조에 있어서 실시예들의 특정 사용예에 대하여 언급되지만, 본 명세서의 실시예들은 다수의 다른 가능한 적용예들을 가질 수 있다는 것을 이해하여야 한다. 예를 들어, 이는 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 액정 디스플레이(LCD), 박막 자기 헤드, MEMS(micromechanical systems) 등의 제조 시에 채택될 수 있다. 당업자라면, 이러한 대안적인 적용예와 관련하여, 본 명세서의 "레티클", "웨이퍼" 또는 "다이"라는 용어의 어떠한 사용도 각각 "패터닝 디바이스", "기판" 또는 "타겟부"라는 좀 더 일반적인 용어와 동의어로 또는 교환가능한 것으로 간주될 수 있음을 이해할 것이다. 본 명세서에서 언급되는 기판은 노광 전후에, 예를 들어 트랙(전형적으로, 기판에 레지스트 층을 도포하고 노광된 레지스트를 현상하는 툴) 또는 메트롤로지 또는 검사 툴에서 처리될 수 있다. 적용가능하다면, 이러한 기판 처리 툴과 다른 기판 처리 툴에 본 명세서의 기재내용이 적용될 수 있다. 또한, 예를 들어 다층 IC를 생성하기 위하여 기판이 한 번 이상 처리될 수 있으므로, 본 명세서에 사용되는 기판이라는 용어는 이미 여러 번 처리된 층들을 포함하는 기판을 칭할 수도 있다.
본 명세서에서, 여기에서 사용된 "방사선" 및 "빔"이라는 용어는 이온 빔 또는 전자 빔과 같은 입자 빔뿐만 아니라, (예를 들어, 약 365, 약 248, 약 193, 약 157 또는 약 126 nm의 파장을 갖는) 자외 방사선 및 (예를 들어, 5 내지 20 nm 범위 내의 파장을 갖는) 극자외(EUV) 방사선을 포함하는 모든 형태의 전자기 방사선을 포괄한다.
본 명세서에서 사용되는 바와 같은 "최적화하는" 및 "최적화"라는 용어는 결과들 및/또는 공정들이 더 바람직한 특성들, 예컨대 기판 상의 디자인 패턴의 더 높은 투영 정확성, 더 큰 공정 윈도우 등을 갖도록 패터닝 장치(예를 들어, 리소그래피 장치), 패터닝 공정 등을 조정하는 것을 칭하거나 의미한다. 따라서, 본 명세서에서 사용되는 "최적화하는" 및 "최적화"라는 용어는 1 이상의 파라미터에 대한 1 이상의 값의 초기 세트에 비해, 적어도 하나의 관련 메트릭에서 개선, 예를 들어 국부적 최적을 제공하는 1 이상의 파라미터에 대한 1 이상의 값을 식별하는 과정을 칭하거나 의미한다. "최적" 및 다른 관련 용어들은 이에 따라 해석되어야 한다. 일 실시예에서, 최적화 단계들은 1 이상의 메트릭에서 추가 개선을 제공하도록 반복적으로 적용될 수 있다.
본 발명의 실시형태들은 여하한의 편리한 형태로 구현될 수 있다. 예를 들어, 일 실시예는 유형의 전달 매체(예를 들어, 디스크) 또는 무형의 전달 매체(예를 들어, 통신 신호)일 수 있는 적절한 전달 매체에서 전달될 수 있는 1 이상의 적절한 컴퓨터 프로그램에 의해 구현될 수 있다. 본 발명의 실시예들은, 구체적으로 본 명세서에 설명된 방법을 구현하도록 배치되는 컴퓨터 프로그램을 실행하는 프로그램가능한 컴퓨터의 형태를 취할 수 있는 적절한 장치를 사용하여 구현될 수 있다. 따라서, 본 발명의 실시예들은 하드웨어, 펌웨어, 소프트웨어 또는 여하한의 그 조합으로 구현될 수 있다. 또한, 본 발명의 실시예들은 기계-판독가능한 매체 상에 저장된 명령어들로서 구현될 수 있으며, 이는 1 이상의 프로세서에 의해 판독되고 실행될 수 있다. 기계-판독가능한 매체는 기계(예를 들어, 컴퓨팅 디바이스)에 의해 판독가능한 형태로 정보를 저장하거나 전송하는 여하한의 메카니즘을 포함할 수 있다. 예를 들어, 기계-판독가능한 매체는 ROM(read only memory); RAM(random access memory); 자기 디스크 저장 매체; 광학 저장 매체; 플래시 메모리 디바이스; 전기, 광학, 음향 또는 다른 형태의 전파 신호(propagated signal)(예를 들어, 반송파, 적외선 신호, 디지털 신호 등), 및 그 밖의 것들을 포함할 수 있다. 또한, 펌웨어, 소프트웨어, 루틴(routine), 명령어들은 본 명세서에서 소정 동작을 수행하는 것으로서 설명될 수 있다. 하지만, 이러한 설명들은 단지 편의를 위한 것이며, 이러한 동작은 사실상 컴퓨팅 디바이스, 프로세서, 제어기, 또는 펌웨어, 소프트웨어, 루틴, 명령어 등을 실행하는 다른 디바이스들로부터 일어난다는 것을 이해하여야 한다.
블록 다이어그램들에서, 예시된 구성요소들은 개별 기능 블록들로서 도시되어 있지만, 실시예들은 본 명세서에 설명된 기능이 예시된 바와 같이 구성되는 시스템들로 제한되지 않는다. 구성요소들 각각에 의해 제공되는 기능은 현재 도시된 것과 상이하게 구성되는 소프트웨어 또는 하드웨어 모듈들에 의해 제공될 수 있으며, 예를 들어 이러한 소프트웨어 또는 하드웨어는 (예를 들어, 데이터 센터 내에서 또는 지리적으로) 혼합, 결합, 복제, 분리, 분포, 또는 달리 상이하게 구성될 수 있다. 본 명세서에 설명된 기능은 유형의 비-일시적 기계 판독가능한 매체 상에 저장된 코드를 실행하는 1 이상의 컴퓨터의 1 이상의 프로세서에 의해 제공될 수 있다. 몇몇 경우, 타사의 콘텐츠 전송 네트워크가 네트워크를 통해 전달되는 정보의 일부 또는 전부를 호스팅할 수 있으며, 이 경우 정보(예를 들어, 콘텐츠)가 공급되거나 달리 제공되라고 하는 범위에 대하여, 정보는 콘텐츠 전송 네트워크로부터 그 정보를 검색하도록 명령어들을 송신함으로써 제공될 수 있다.
달리 특정적으로 명시되지 않는 한, 논의에서 명백한 바와 같이, 본 명세서 전반에 걸쳐 "처리", "연산", "계산", "결정" 등과 같은 용어를 사용한 설명들은 특수 목적 컴퓨터 또는 유사한 특수 목적 전자 처리/연산 디바이스와 같은 특정한 장치의 동작 또는 공정을 지칭한다는 것을 이해한다.
본 출원은 수 개의 발명들을 설명한다는 것을 이해하여야 한다. 이러한 발명들을 다수의 개별 특허 출원들로 분리하기보다는, 이 발명들은 단일 문서로 그룹화되었는데, 이는 이들의 관련 주제가 출원 과정에서의 절약에 적합하기 때문이다. 하지만, 이러한 발명들의 별개의 장점들 및 측면들은 합쳐지지 않아야 한다. 몇몇 경우, 실시예들이 본 명세서에 명시된 결점들을 모두 해결하지만, 본 발명들은 독립적으로 유용하며, 몇몇 실시예들은 이러한 문제들의 서브세트만을 해결하거나 본 기재내용을 검토하는 당업자에게 명백할 언급되지 않은 다른 이점들을 제공한다는 것을 이해하여야 한다. 비용의 제약으로 인해, 본 명세서에 개시된 일부 발명들은 현재 청구되지 않을 수 있으며, 본 청구항을 보정함으로써 또는 계속 출원과 같이 추후 출원에서 청구될 수 있다. 유사하게, 공간 제약으로 인해, 본 문서의 초록(Abstract)이나 발명의 요약(Summary) 부분들은 이러한 발명들 전부의 포괄적인 목록 또는 이러한 발명들의 모든 실시형태들을 포함하는 것으로 간주되어서는 안 된다.
1. 1 이상의 프로세서에 의해 실행될 때, 1 이상의 프로세서가 마스크 패턴을 생성하는 방법을 수행하게 하는 명령어들이 저장되어 있는 비-일시적 컴퓨터 판독가능한 매체로서, 상기 방법은:
(ⅰ) 복수의 타겟 피처들을 포함하는 타겟 패턴 -복수의 타겟 피처들 각각은 복수의 타겟 에지들을 포함함- , 및 (ⅱ) 타겟 패턴을 위한 분해능-이하 어시스트 피처(SRAF)들을 결정하도록 구성되는 트레이닝된 시퀀스-투-시퀀스 기계 학습(ML) 모델을 얻는 단계;
복수의 타겟 에지들의 타겟 에지에 대해, 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계; 및
ML 모델에 대한 입력으로서 기하학적 정보를 사용하여, 타겟 에지 주위에 배치될 SRAF들을 결정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
2. 1 항에 있어서, 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 타겟 패턴을 복수의 셀들로 분할하는 단계를 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.
3. 2 항에 있어서, 타겟 패턴의 분할은:
복수의 타겟 피처들의 각각의 에지 상의 지점을 선택하는 단계; 및
선택된 지점들에 기초하여, 타겟 패턴을 복수의 셀들로 나누는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
4. 3 항에 있어서, 타겟 패턴의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 타겟 패턴을 분할하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
5. 2 항에 있어서, 타겟 피처들의 서브세트의 기하학적 정보의 결정은 복수의 셀들 중 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 셀들의 서브세트는 타겟 패턴 내의 타겟 에지의 원하는 범위 내에 있는 비-일시적 컴퓨터 판독가능한 매체.
6. 5 항에 있어서, 기하학적 정보의 결정은 타겟 에지 주위의 선택된 영역에서의 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 선택된 영역은 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는 비-일시적 컴퓨터 판독가능한 매체.
7. 6 항에 있어서, 기하학적 정보의 결정은:
타겟 에지 주위에 경계 박스를 배치함으로써, 복수의 셀들 중 셀들의 서브세트를 선택하는 단계; 및
셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 타겟 피처들의 서브세트는 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 타겟 에지의 이웃한 피처들의 역할을 하는 비-일시적 컴퓨터 판독가능한 매체.
8. 1 항 내지 7 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 에지와 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처 사이의 거리들을 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
9. 1 항 내지 8 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
10. 1 항 내지 9 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 위치를 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
11. 1 항 내지 10 항 중 어느 하나에 있어서, SRAF들의 결정은 순차적인 방식으로 SRAF들을 결정하는 것을 포함하는 비-일시적 컴퓨터 판독가능한 매체.
12. 11 항에 있어서, SRAF들의 결정은 ML 모델에 의해 마스크 규칙 체크(MRC) 제약들을 만족시키는 어시스트 피처들의 지오메트리를 결정하는 단계를 포함하고, ML 모델은 형상 제약을 만족시킨 이전 SRAF가 후속 SRAF들을 생성하는 데 사용되어 생성된 SRAF들이 MRC 제약들을 자동으로 만족시키게 하도록 순차적인 방식으로 SRAF들을 생성하는 비-일시적 컴퓨터 판독가능한 매체.
13. 12 항에 있어서, SRAF들의 결정은:
ML 모델에 의해, 이와 연계된 형상 제약들 및 MRC 제약들을 자동으로 만족시키는 제 1 어시스트 피처의 지오메트리를 결정하는 단계;
제 1 어시스트 피처에 기초하여 ML 모델에 의해, 제 1 어시스트 피처와 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및
제 1 및 제 2 어시스트 피처들에 기초하여 ML 모델에 의해, 제 3 어시스트 피처와 제 1 어시스트 피처 및/또는 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
14. 1 항 내지 13 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 에지와 이웃한 타겟 피처들의 연계에 의해 야기되는 가변 길이를 갖는 입력 벡터를 생성하는 단계를 더 포함하고, 입력 벡터는 ML 모델에 제공되도록 구성되는 비-일시적 컴퓨터 판독가능한 매체.
15. 1 항 내지 14 항 중 어느 하나에 있어서, 명령어들은 타겟 패턴 및 타겟 패턴의 SRAF들에 기초하여 패터닝 공정의 공정 윈도우를 결정하는 것을 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.
16. 1 항 내지 15 항 중 어느 하나에 있어서, 타겟 에지에 대한 기하학적 정보의 결정은 타겟 패턴 내의 복수의 타겟 피처들의 모든 타겟 에지들에 대한 기하학적 정보를 결정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
17. 1 항 내지 16 항 중 어느 하나에 있어서, 명령어들은 각 타겟 에지 주위에 복수의 타겟 패턴의 각 타겟 에지와 연계된 SRAF들을 배치함으로써 마스크 패턴을 생성하는 것을 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.
18. 1 항 내지 17 항 중 어느 하나에 있어서, ML 모델을 트레이닝하기 위한 명령어들을 더 포함하고, 트레이닝 프로세스는:
복수의 타겟 피처들을 갖는 샘플 타겟 패턴, 및 샘플 타겟 패턴에 대응하는 기준 분해능-이하 어시스트 피처들을 포함한 실측 데이터를 포함하는 트레이닝 데이터를 얻는 단계;
샘플 타겟 패턴의 각 타겟 에지에 대해, 고려 중인 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 할당하는 단계; 및
시퀀스-투-시퀀스 기계 학습 알고리즘, 기하학적 정보 및 실측 자료를 사용하여, 기준 SRAF들에 대한 매칭 임계치를 만족시키기 위해 순차적인 방식으로 SRAF들을 생성하도록 ML 모델을 트레이닝하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
19. 18 항에 있어서, 트레이닝 데이터는 ML 모델에 대한 입력 데이터 또는 입력 벡터로서 제공되며, 입력 데이터 또는 입력 벡터는: 타겟 피처들의 서브세트의 크기들, 고려 중인 타겟 에지와 타겟 피처들의 서브세트 사이의 거리들, 및 타겟 피처들의 서브세트의 위치들 중 적어도 하나를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
20. 18 항에 있어서, 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 샘플 타겟 패턴을 복수의 셀들로 분할하는 단계를 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.
21. 20 항에 있어서, 샘플 타겟 패턴의 분할은:
복수의 타겟 피처들의 각 타겟 에지 상의 지점을 선택하는 단계; 및
선택된 지점들에 기초하여, 샘플 타겟 패턴을 복수의 셀들로 나누는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
22. 21 항에 있어서, 샘플 타겟 패턴의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 샘플 타겟 패턴을 분할하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
23. 20 항 내지 22 항 중 어느 하나에 있어서, 기하학적 정보의 할당은:
고려 중인 타겟 에지에 이웃하는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계 -타겟 피처들의 서브세트는 고려 중인 타겟 에지를 둘러싸는 1 이상의 셀 내에 있음- ; 및
샘플 타겟 패턴 내의 타겟 에지들 각각과 연계된 기하학적 정보를 포함하는 입력 벡터를 생성하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
24. 23 항에 있어서, 기하학적 정보의 결정은 관심 에지 주위의 선택된 영역의 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 선택된 영역은 고려 중인 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는 비-일시적 컴퓨터 판독가능한 매체.
25. 24 항에 있어서, 기하학적 정보의 결정은:
관심 타겟 에지 주위에 경계 박스를 배치함으로써, 복수의 셀들 중 1 이상의 셀을 선택하는 단계; 및
1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 타겟 피처들의 서브세트는 고려 중인 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 관심 에지의 이웃한 피처들의 역할을 하는 비-일시적 컴퓨터 판독가능한 매체.
26. 18 항 내지 25 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 고려 중인 타겟 에지와 샘플 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처 사이의 거리들을 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
27. 18 항 내지 26 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
28. 18 항 내지 27 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 위치를 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
29. 20 항 내지 28 항 중 어느 하나에 있어서, 트레이닝 데이터를 얻는 것은:
복수의 타겟 피처들의 각 타겟 에지를 실측 자료에서의 기준 SRAF들의 1 이상의 기준 SRAF와 연계시키는 단계 -1 이상의 기준 SRAF는 고려 중인 타겟 에지를 포함하는 셀 내부의 위치에 있음- ; 및
실측 자료로서, 샘플 타겟 패턴 내의 타겟 에지들 각각과 연계된 1 이상의 기준 SRAF의 기하학적 정보를 제공하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
30. 29 항에 있어서, 트레이닝은:
시퀀스에서 샘플 타겟 패턴의 각 타겟 에지를 위한 SRAF들의 지오메트리를 예측하기 위해 타겟 피처들의 서브세트의 기하학적 정보를 ML 모델에 제공하는 단계;
예측된 SRAF들을 샘플 타겟 패턴의 각 타겟 에지들과 관련된 1 이상의 기준 SRAF와 비교하는 단계; 및
예측된 SRAF들이 실측 자료에서 기준 SRAF들에 대한 매칭 임계치 내에 있게 하도록 ML 모델의 모델 파라미터들을 조정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
31. 30 항에 있어서, 모델 파라미터들의 조정은:
각각의 타겟 에지에 대해 순차적인 방식으로 ML 모델로부터 출력을 생성하는 단계;
생성된 출력을 기준 SRAF들과 비교하여, 생성된 출력이 기준 SRAF들에 대한 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및
생성된 출력이 기준 SRAF들과 매칭하지 않음에 응답하여, 출력이 매칭 임계치 내에 있게 하도록 모델 파라미터들의 값들을 조정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
32. 31 항에 있어서, 출력의 생성은:
ML 모델에 의해, 기준 SRAF들의 제 1 기준 SRAF에 대응하는 제 1 어시스트 피처의 지오메트리를 결정하는 단계;
제 1 어시스트 피처에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및
제 1 및 제 2 어시스트 피처들에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
33. 32 항에 있어서, 모델 파라미터들의 조정은:
제 1 어시스트 피처의 지오메트리를 제 1 기준 SRAF와 비교하는 단계;
제 2 어시스트 피처의 지오메트리를 제 2 기준 SRAF와 비교하는 단계;
제 3 어시스트 피처의 지오메트리를 제 3 기준 SRAF와 비교하는 단계;
비교들에 기초하여, 제 1, 제 2, 및 제 3 어시스트 피처들 각각의 지오메트리가 각각 제 1, 제 2, 및 제 3 기준 SRAF들의 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및
제 1, 제 2, 및 제 3 어시스트 피처들 중 어느 하나가 각 기준 SRAF들과 매칭하지 않음에 응답하여, 모델 파라미터들의 값들을 조정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
34. 33 항에 있어서, 모델 파라미터들의 조정은:
모델 파라미터들에 대해 ML 모델을 트레이닝하는 데 채택되는 비용 함수의 기울기를 결정하는 단계; 및
가이드로서 기울기를 사용하여, 생성된 출력이 기준 SRAF들과 매칭하게 하기 위해 비용 함수를 최소화 또는 최대화하도록 모델 파라미터들의 값들을 조정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
35. 34 항에 있어서, 비용 함수는 ML-생성된 SRAF들 및 기준 SRAF들의 지오메트리 간의 차이의 함수인 비-일시적 컴퓨터 판독가능한 매체.
36. 1 항 내지 35 항 중 어느 하나에 있어서, ML 모델은 순차적 입력 데이터를 처리하도록 구성되는 순환 신경망인 비-일시적 컴퓨터 판독가능한 매체.
37. 1 항 내지 36 항 중 어느 하나에 있어서, ML 모델은 장단기 메모리 아키텍처의 인코더-디코더, 게이트 순환 유닛 아키텍처의 인코더-디코더, 또는 트랜스포머 뉴럴 네트워크인 비-일시적 컴퓨터 판독가능한 매체.
38. 마스크를 위한 분해능-이하 어시스트 피처(SRAF)들을 생성하도록 시퀀스-투-시퀀스 기계 학습(ML) 모델을 트레이닝하기 위해 구성되는 비-일시적 컴퓨터 판독가능한 매체로서,
1 이상의 프로세서에 의해 실행될 때,
복수의 타겟 피처들을 갖는 타겟 패턴, 및 타겟 패턴에 대응하는 기준 분해능-이하 어시스트 피처들을 포함한 실측 데이터를 포함하는 트레이닝 데이터를 얻는 것;
타겟 패턴의 각 타겟 에지에 대해, 고려 중인 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 할당하는 것; 및
시퀀스-투-시퀀스 기계 학습 알고리즘, 기하학적 정보 및 실측 자료를 사용하여, 기준 SRAF들에 대한 매칭 임계치를 만족시키기 위해 순차적인 방식으로 SRAF들을 생성하도록 ML 모델을 트레이닝하는 것을 포함하는 작업들을 야기하는 명령어들이 저장되어 있는 비-일시적 컴퓨터 판독가능한 매체.
39. 38 항에 있어서, 트레이닝 데이터는 ML 모델에 대한 입력 데이터 또는 입력 벡터로서 제공되며, 입력 데이터 또는 입력 벡터는: 타겟 피처들의 서브세트의 크기들, 고려 중인 타겟 에지와 타겟 피처들의 서브세트 사이의 거리들, 및 타겟 피처들의 서브세트의 위치들 중 적어도 하나를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
40. 38 항에 있어서, 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 타겟 패턴을 복수의 셀들로 분할하는 단계를 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.
41. 40 항에 있어서, 타겟 패턴의 분할은:
복수의 타겟 피처들의 각 타겟 에지 상의 지점을 선택하는 단계; 및
선택된 지점들에 기초하여, 타겟 패턴을 복수의 셀들로 나누는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
42. 41 항에 있어서, 타겟 패턴의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 타겟 패턴을 분할하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
43. 40 항 내지 42 항 중 어느 하나에 있어서, 기하학적 정보의 할당은:
고려 중인 타겟 에지에 이웃하는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계 -타겟 피처들의 서브세트는 고려 중인 타겟 에지를 둘러싸는 1 이상의 셀 내에 있음- ; 및
타겟 패턴 내의 타겟 에지들 각각과 연계된 기하학적 정보를 포함하는 입력 벡터를 생성하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
44. 43 항에 있어서, 기하학적 정보의 결정은 관심 에지 주위의 선택된 영역의 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 선택된 영역은 고려 중인 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는 비-일시적 컴퓨터 판독가능한 매체.
45. 44 항에 있어서, 기하학적 정보의 결정은:
관심 타겟 에지 주위에 경계 박스를 배치함으로써, 복수의 셀들 중 1 이상의 셀을 선택하는 단계; 및
1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 타겟 피처들의 서브세트는 고려 중인 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 관심 에지의 이웃한 피처들의 역할을 하는 비-일시적 컴퓨터 판독가능한 매체.
46. 43 항 내지 45 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 고려 중인 타겟 에지와 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처 사이의 거리들을 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
47. 43 항 내지 46 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
48. 43 항 내지 47 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 위치를 식별하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
49. 40 항 내지 48 항 중 어느 하나에 있어서, 트레이닝 데이터를 얻는 것은:
복수의 타겟 피처들의 각 타겟 에지를 실측 자료에서의 기준 SRAF들의 1 이상의 기준 SRAF와 연계시키는 단계 -1 이상의 기준 SRAF는 고려 중인 타겟 에지를 포함하는 셀 내부의 위치에 있음- ; 및
실측 자료로서, 타겟 패턴 내의 타겟 에지들 각각과 연계된 1 이상의 기준 SRAF의 기하학적 정보를 제공하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
50. 49 항에 있어서, 트레이닝은:
시퀀스에서 타겟 패턴의 각 타겟 에지를 위한 SRAF들의 지오메트리를 예측하기 위해 타겟 피처들의 서브세트의 기하학적 정보를 ML 모델에 제공하는 단계;
예측된 SRAF들을 타겟 패턴의 각 타겟 에지들과 관련된 1 이상의 기준 SRAF와 비교하는 단계; 및
예측된 SRAF들이 실측 자료에서 기준 SRAF들에 대한 매칭 임계치 내에 있게 하도록 ML 모델의 모델 파라미터들을 조정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
51. 50 항에 있어서, 모델 파라미터들의 조정은:
각각의 타겟 에지에 대해 순차적인 방식으로 ML 모델로부터 출력을 생성하는 단계;
생성된 출력을 기준 SRAF들과 비교하여, 생성된 출력이 기준 SRAF들에 대한 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및
생성된 출력이 기준 SRAF들과 매칭하지 않음에 응답하여, 출력이 매칭 임계치 내에 있게 하도록 모델 파라미터들의 값들을 조정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
52. 51 항에 있어서, 출력의 생성은:
ML 모델에 의해, 기준 SRAF들의 제 1 기준 SRAF에 대응하는 제 1 어시스트 피처의 지오메트리를 결정하는 단계;
제 1 어시스트 피처에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및
제 1 및 제 2 어시스트 피처들에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
53. 52 항에 있어서, 모델 파라미터들의 조정은:
제 1 어시스트 피처의 지오메트리를 제 1 기준 SRAF와 비교하는 단계;
제 2 어시스트 피처의 지오메트리를 제 2 기준 SRAF와 비교하는 단계;
제 3 어시스트 피처의 지오메트리를 제 3 기준 SRAF와 비교하는 단계;
비교들에 기초하여, 제 1, 제 2, 및 제 3 어시스트 피처들 각각의 지오메트리가 각각 제 1, 제 2, 및 제 3 기준 SRAF들의 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및
제 1, 제 2, 및 제 3 어시스트 피처들 중 어느 하나가 각 기준 SRAF들과 매칭하지 않음에 응답하여, 모델 파라미터들의 값들을 조정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
54. 53 항에 있어서, 모델 파라미터들의 조정은:
모델 파라미터들에 대해 ML 모델을 트레이닝하는 데 채택되는 비용 함수의 기울기를 결정하는 단계; 및
가이드로서 기울기를 사용하여, 생성된 출력이 기준 SRAF들과 매칭하게 하기 위해 비용 함수를 최소화 또는 최대화하도록 모델 파라미터들의 값들을 조정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
55. 54 항에 있어서, 비용 함수는 ML-생성된 SRAF들 및 기준 SRAF들의 지오메트리 간의 차이의 함수인 비-일시적 컴퓨터 판독가능한 매체.
56. 38 항 내지 55 항 중 어느 하나에 있어서, ML 모델은 순차적 입력 데이터를 처리하도록 구성되는 순환 신경망인 비-일시적 컴퓨터 판독가능한 매체.
57. 38 항 내지 56 항 중 어느 하나에 있어서, ML 모델은 장단기 메모리 아키텍처의 인코더-디코더, 게이트 순환 유닛 아키텍처의 인코더-디코더, 또는 트랜스포머 뉴럴 네트워크인 비-일시적 컴퓨터 판독가능한 매체.
58. 43 항 내지 57 항 중 어느 하나에 있어서, 입력 벡터는 가변 길이를 갖고, 각각의 타겟 에지는 이웃한 타겟 피처들과 연계된 상이한 지오메트리 정보를 갖는 비-일시적 컴퓨터 판독가능한 매체.
59. 38 항 내지 58 항 중 어느 하나에 있어서, 트레이닝된 ML 모델을 사용하여, 복수의 타겟 에지들을 포함하는 주어진 타겟 패턴을 위한 SRAF들을 생성하는 것을 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.
60. 59 항에 있어서, 주어진 타겟 패턴을 위한 SRAF들의 생성은:
복수의 타겟 에지들의 타겟 에지에 대해, 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계; 및
트레이닝된 ML 모델에 대한 입력으로서 기하학적 정보를 사용하여, 주어진 타겟 패턴의 타겟 에지 주위에 배치될 SRAF들을 결정하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
61. 59 항에 있어서, 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 주어진 타겟 패턴을 복수의 셀들로 분할하는 것을 더 포함하는 비-일시적 컴퓨터 판독가능한 매체.
62. 61 항에 있어서, 주어진 타겟 패턴의 분할은:
복수의 타겟 피처들의 각각의 에지 상의 지점을 선택하는 단계; 및
선택된 지점들에 기초하여, 주어진 타겟 패턴을 복수의 셀들로 나누는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
63. 62 항에 있어서, 주어진 타겟 패턴의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 주어진 타겟 패턴을 분할하는 단계를 포함하는 비-일시적 컴퓨터 판독가능한 매체.
64. 61 항에 있어서, 타겟 피처들의 서브세트의 기하학적 정보의 결정은 복수의 셀들 중 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 셀들의 서브세트는 주어진 타겟 패턴 내의 타겟 에지의 원하는 범위 내에 있는 비-일시적 컴퓨터 판독가능한 매체.
65. 64 항에 있어서, 기하학적 정보의 결정은 타겟 에지 주위의 선택된 영역에서의 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 선택된 영역은 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는 비-일시적 컴퓨터 판독가능한 매체.
66. 65 항에 있어서, 기하학적 정보의 결정은:
타겟 에지 주위에 경계 박스를 배치함으로써, 복수의 셀들 중 셀들의 서브세트를 선택하는 단계; 및
셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 타겟 피처들의 서브세트는 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 타겟 에지의 이웃한 피처들의 역할을 하는 비-일시적 컴퓨터 판독가능한 매체.
67. 마스크 패턴을 생성하는 방법으로서,
(ⅰ) 복수의 타겟 피처들을 포함하는 타겟 패턴 -복수의 타겟 피처들 각각은 복수의 타겟 에지들을 포함함- , 및 (ⅱ) 타겟 패턴을 위한 분해능-이하 어시스트 피처(SRAF)들을 결정하도록 구성되는 트레이닝된 시퀀스-투-시퀀스 기계 학습(ML) 모델을 얻는 단계;
복수의 타겟 에지들의 타겟 에지에 대해, 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계; 및
ML 모델에 대한 입력으로서 기하학적 정보를 사용하여, 타겟 에지 주위에 배치될 SRAF들을 결정하는 단계를 포함하는 방법.
68. 67 항에 있어서, 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 타겟 패턴을 복수의 셀들로 분할하는 단계를 더 포함하는 방법.
69. 68 항에 있어서, 타겟 패턴의 분할은:
복수의 타겟 피처들의 각각의 에지 상의 지점을 선택하는 단계; 및
선택된 지점들에 기초하여, 타겟 패턴을 복수의 셀들로 나누는 단계를 포함하는 방법.
70. 69 항에 있어서, 타겟 패턴의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 타겟 패턴을 분할하는 단계를 포함하는 방법.
71. 68 항에 있어서, 타겟 피처들의 서브세트의 기하학적 정보의 결정은 복수의 셀들 중 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 셀들의 서브세트는 타겟 패턴 내의 타겟 에지의 원하는 범위 내에 있는 방법.
72. 71 항에 있어서, 기하학적 정보의 결정은 타겟 에지 주위의 선택된 영역에서의 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 선택된 영역은 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는 방법.
73. 72 항에 있어서, 기하학적 정보의 결정은:
타겟 에지 주위에 경계 박스를 배치함으로써, 복수의 셀들 중 셀들의 서브세트를 선택하는 단계; 및
셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 타겟 피처들의 서브세트는 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 타겟 에지의 이웃한 피처들의 역할을 하는 방법.
74. 67 항 내지 73 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 에지와 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처 사이의 거리들을 식별하는 단계를 포함하는 방법.
75. 67 항 내지 74 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 식별하는 단계를 포함하는 방법.
76. 67 항 내지 75 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 위치를 식별하는 단계를 포함하는 방법.
77. 67 항 내지 76 항 중 어느 하나에 있어서, SRAF들의 결정은 순차적인 방식으로 SRAF들을 결정하는 것을 포함하는 방법.
78. 77 항에 있어서, SRAF들의 결정은 ML 모델에 의해 마스크 규칙 체크(MRC) 제약들을 만족시키는 어시스트 피처들의 지오메트리를 결정하는 단계를 포함하고, ML 모델은 형상 제약을 만족시킨 이전 SRAF가 후속 SRAF들을 생성하는 데 사용되어 생성된 SRAF들이 MRC 제약들을 자동으로 만족시키게 하도록 순차적인 방식으로 SRAF들을 생성하는 방법.
79. 78 항에 있어서, SRAF들의 결정은:
ML 모델에 의해, 이와 연계된 형상 제약들 및 MRC 제약들을 자동으로 만족시키는 제 1 어시스트 피처의 지오메트리를 결정하는 단계;
제 1 어시스트 피처에 기초한 ML 모델에 의해, 제 1 어시스트 피처와 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및
제 1 및 제 2 어시스트 피처들에 기초한 ML 모델에 의해, 제 3 어시스트 피처와 제 1 어시스트 피처 및/또는 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 포함하는 방법.
80. 67 항 내지 79 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 에지와 이웃한 타겟 피처들의 연계에 의해 야기되는 가변 길이를 갖는 입력 벡터를 생성하는 단계를 더 포함하고, 입력 벡터는 ML 모델에 제공되도록 구성되는 방법.
81. 67 항 내지 80 항 중 어느 하나에 있어서, 타겟 패턴 및 타겟 패턴의 SRAF들에 기초하여 패터닝 공정의 공정 윈도우를 결정하는 단계를 더 포함하는 방법.
82. 67 항 내지 81 항 중 어느 하나에 있어서, 타겟 에지에 대한 기하학적 정보의 결정은 타겟 패턴 내의 복수의 타겟 피처들의 모든 타겟 에지들에 대한 기하학적 정보를 결정하는 단계를 포함하는 방법.
83. 67 항 내지 82 항 중 어느 하나에 있어서, 각 타겟 에지 주위에 복수의 타겟 패턴의 각 타겟 에지와 연계된 SRAF들을 배치함으로써 마스크 패턴을 생성하는 단계를 더 포함하는 방법.
84. 67 항 내지 83 항 중 어느 하나에 있어서,
복수의 타겟 피처들을 갖는 샘플 타겟 패턴, 및 샘플 타겟 패턴에 대응하는 기준 분해능-이하 어시스트 피처들을 포함한 실측 데이터를 포함하는 트레이닝 데이터를 얻고;
샘플 타겟 패턴의 각 타겟 에지에 대해, 고려 중인 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 할당하고; 및
시퀀스-투-시퀀스 기계 학습 알고리즘, 기하학적 정보 및 실측 자료를 사용하여, 기준 SRAF들에 대한 매칭 임계치를 만족시키기 위해 순차적인 방식으로 SRAF들을 생성하도록 ML 모델을 트레이닝함으로써 ML 모델을 트레이닝하는 단계를 더 포함하는 방법.
85. 84 항에 있어서, 트레이닝 데이터는 ML 모델에 대한 입력 데이터 또는 입력 벡터로서 제공되며, 입력 데이터 또는 입력 벡터는: 타겟 피처들의 서브세트의 크기들, 고려 중인 타겟 에지와 타겟 피처들의 서브세트 사이의 거리들, 및 타겟 피처들의 서브세트의 위치들 중 적어도 하나를 포함하는 방법.
86. 84 항에 있어서, 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 샘플 타겟 패턴을 복수의 셀들로 분할하는 단계를 더 포함하는 방법.
87. 86 항에 있어서, 샘플 타겟 패턴의 분할은:
복수의 타겟 피처들의 각 타겟 에지 상의 지점을 선택하는 단계; 및
선택된 지점들에 기초하여, 샘플 타겟 패턴을 복수의 셀들로 나누는 단계를 포함하는 방법.
88. 87 항에 있어서, 샘플 타겟 패턴의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 샘플 타겟 패턴을 분할하는 단계를 포함하는 방법.
89. 86 항 내지 88 항 중 어느 하나에 있어서, 기하학적 정보의 할당은:
고려 중인 타겟 에지에 이웃하는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계 -타겟 피처들의 서브세트는 고려 중인 타겟 에지를 둘러싸는 1 이상의 셀 내에 있음- ; 및
샘플 타겟 패턴 내의 타겟 에지들 각각과 연계된 기하학적 정보를 포함하는 입력 벡터를 생성하는 단계를 포함하는 방법.
90. 89 항에 있어서, 기하학적 정보의 결정은 관심 에지 주위의 선택된 영역의 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 선택된 영역은 고려 중인 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는 방법.
91. 90 항에 있어서, 기하학적 정보의 결정은:
관심 타겟 에지 주위에 경계 박스를 배치함으로써, 복수의 셀들 중 1 이상의 셀을 선택하는 단계; 및
1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 타겟 피처들의 서브세트는 고려 중인 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 관심 에지의 이웃한 피처들의 역할을 하는 방법.
92. 86 항 내지 91 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 고려 중인 타겟 에지와 샘플 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처 사이의 거리들을 식별하는 단계를 포함하는 방법.
93. 86 항 내지 91 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 식별하는 단계를 포함하는 방법.
94. 86 항 내지 93 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 위치를 식별하는 단계를 포함하는 방법.
95. 88 항 내지 94 항 중 어느 하나에 있어서, 트레이닝 데이터를 얻는 것은:
복수의 타겟 피처들의 각 타겟 에지를 실측 자료에서의 기준 SRAF들의 1 이상의 기준 SRAF와 연계시키는 단계 -1 이상의 기준 SRAF는 고려 중인 타겟 에지를 포함하는 셀 내부의 위치에 있음- ; 및
실측 자료로서, 샘플 타겟 패턴 내의 타겟 에지들 각각과 연계된 1 이상의 기준 SRAF의 기하학적 정보를 제공하는 단계를 포함하는 방법.
96. 95 항에 있어서, 트레이닝은:
시퀀스에서 샘플 타겟 패턴의 각 타겟 에지를 위한 SRAF들의 지오메트리를 예측하기 위해 타겟 피처들의 서브세트의 기하학적 정보를 ML 모델에 제공하는 단계;
예측된 SRAF들을 샘플 타겟 패턴의 각 타겟 에지들과 관련된 1 이상의 기준 SRAF와 비교하는 단계; 및
예측된 SRAF들이 실측 자료에서 기준 SRAF들에 대한 매칭 임계치 내에 있게 하도록 ML 모델의 모델 파라미터들을 조정하는 단계를 포함하는 방법.
97. 96 항에 있어서, 모델 파라미터들의 조정은:
각각의 타겟 에지에 대해 순차적인 방식으로 ML 모델로부터 출력을 생성하는 단계;
생성된 출력을 기준 SRAF들과 비교하여, 생성된 출력이 기준 SRAF들에 대한 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및
생성된 출력이 기준 SRAF들과 매칭하지 않음에 응답하여, 출력이 매칭 임계치 내에 있게 하도록 모델 파라미터들의 값들을 조정하는 단계를 포함하는 방법.
98. 97 항에 있어서, 출력의 생성은:
ML 모델에 의해, 기준 SRAF들의 제 1 기준 SRAF에 대응하는 제 1 어시스트 피처의 지오메트리를 결정하는 단계;
제 1 어시스트 피처에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및
제 1 및 제 2 어시스트 피처들에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 포함하는 방법.
99. 98 항에 있어서, 모델 파라미터들의 조정은:
제 1 어시스트 피처의 지오메트리를 제 1 기준 SRAF와 비교하는 단계;
제 2 어시스트 피처의 지오메트리를 제 2 기준 SRAF와 비교하는 단계;
제 3 어시스트 피처의 지오메트리를 제 3 기준 SRAF와 비교하는 단계;
비교들에 기초하여, 제 1, 제 2, 및 제 3 어시스트 피처들 각각의 지오메트리가 각각 제 1, 제 2, 및 제 3 기준 SRAF들의 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및
제 1, 제 2, 및 제 3 어시스트 피처들 중 어느 하나가 각 기준 SRAF들과 매칭하지 않음에 응답하여, 모델 파라미터들의 값들을 조정하는 단계를 포함하는 방법.
100. 99 항에 있어서, 모델 파라미터들의 조정은:
모델 파라미터들에 대해 ML 모델을 트레이닝하는 데 채택되는 비용 함수의 기울기를 결정하는 단계; 및
가이드로서 기울기를 사용하여, 생성된 출력이 기준 SRAF들과 매칭하게 하기 위해 비용 함수를 최소화 또는 최대화하도록 모델 파라미터들의 값들을 조정하는 단계를 포함하는 방법.
101. 100 항에 있어서, 비용 함수는 ML-생성된 SRAF들 및 기준 SRAF들의 지오메트리 간의 차이의 함수인 방법.
102. 67 항 내지 101 항 중 어느 하나에 있어서, ML 모델은 순차적 입력 데이터를 처리하도록 구성되는 순환 신경망인 방법.
103. 67 항 내지 102 항 중 어느 하나에 있어서, ML 모델은 장단기 메모리 아키텍처의 인코더-디코더, 게이트 순환 유닛 아키텍처의 인코더-디코더, 또는 트랜스포머 뉴럴 네트워크인 방법.
104. 마스크를 위한 분해능-이하 어시스트 피처(SRAF)들을 생성하도록 시퀀스-투-시퀀스 기계 학습(ML) 모델을 트레이닝하는 방법으로서,
복수의 타겟 피처들을 갖는 타겟 패턴, 및 타겟 패턴에 대응하는 기준 분해능-이하 어시스트 피처들을 포함한 실측 데이터를 포함하는 트레이닝 데이터를 얻는 단계;
타겟 패턴의 각 타겟 에지에 대해, 고려 중인 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 할당하는 단계; 및
시퀀스-투-시퀀스 기계 학습 알고리즘, 기하학적 정보 및 실측 자료를 사용하여, 기준 SRAF들에 대한 매칭 임계치를 만족시키기 위해 순차적인 방식으로 SRAF들을 생성하도록 ML 모델을 트레이닝하는 단계를 포함하는 방법.
105. 104 항에 있어서, 트레이닝 데이터는 ML 모델에 대한 입력 데이터 또는 입력 벡터로서 제공되며, 입력 데이터 또는 입력 벡터는: 타겟 피처들의 서브세트의 크기들, 고려 중인 타겟 에지와 타겟 피처들의 서브세트 사이의 거리들, 및 타겟 피처들의 서브세트의 위치들 중 적어도 하나를 포함하는 방법.
106. 104 항에 있어서, 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 타겟 패턴을 복수의 셀들로 분할하는 단계를 더 포함하는 방법.
107. 106 항에 있어서, 타겟 패턴의 분할은:
복수의 타겟 피처들의 각 타겟 에지 상의 지점을 선택하는 단계; 및
선택된 지점들에 기초하여, 타겟 패턴을 복수의 셀들로 나누는 단계를 포함하는 방법.
108. 107 항에 있어서, 타겟 패턴의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 타겟 패턴을 분할하는 단계를 포함하는 방법.
109. 106 항 내지 108 항 중 어느 하나에 있어서, 기하학적 정보의 할당은:
고려 중인 타겟 에지에 이웃하는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계 -타겟 피처들의 서브세트는 고려 중인 타겟 에지를 둘러싸는 1 이상의 셀 내에 있음- ; 및
타겟 패턴 내의 타겟 에지들 각각과 연계된 기하학적 정보를 포함하는 입력 벡터를 생성하는 단계를 포함하는 방법.
110. 109 항에 있어서, 기하학적 정보의 결정은 관심 에지 주위의 선택된 영역의 1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 선택된 영역은 고려 중인 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는 방법.
111. 110 항에 있어서, 기하학적 정보의 결정은:
관심 타겟 에지 주위에 경계 박스를 배치함으로써, 복수의 셀들 중 1 이상의 셀을 선택하는 단계; 및
1 이상의 셀 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 타겟 피처들의 서브세트는 고려 중인 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 관심 에지의 이웃한 피처들의 역할을 하는 방법.
112. 109 항 내지 111 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 고려 중인 타겟 에지와 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처 사이의 거리들을 식별하는 단계를 포함하는 방법.
113. 109 항 내지 112 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 식별하는 단계를 포함하는 방법.
114. 109 항 내지 113 항 중 어느 하나에 있어서, 기하학적 정보의 결정은 타겟 피처들의 서브세트의 각 타겟 피처의 위치를 식별하는 단계를 포함하는 방법.
115. 106 항 내지 114 항 중 어느 하나에 있어서, 트레이닝 데이터를 얻는 것은:
복수의 타겟 피처들의 각 타겟 에지를 실측 자료에서의 기준 SRAF들의 1 이상의 기준 SRAF와 연계시키는 단계 -1 이상의 기준 SRAF는 고려 중인 타겟 에지를 포함하는 셀 내부의 위치에 있음- ; 및
실측 자료로서, 타겟 패턴 내의 타겟 에지들 각각과 연계된 1 이상의 기준 SRAF의 기하학적 정보를 제공하는 단계를 포함하는 방법.
116. 115 항에 있어서, 트레이닝은:
시퀀스에서 타겟 패턴의 각 타겟 에지를 위한 SRAF들의 지오메트리를 예측하기 위해 타겟 피처들의 서브세트의 기하학적 정보를 ML 모델에 제공하는 단계;
예측된 SRAF들을 타겟 패턴의 각 타겟 에지들과 관련된 1 이상의 기준 SRAF와 비교하는 단계; 및
예측된 SRAF들이 실측 자료에서 기준 SRAF들에 대한 매칭 임계치 내에 있게 하도록 ML 모델의 모델 파라미터들을 조정하는 단계를 포함하는 방법.
117. 116 항에 있어서, 모델 파라미터들의 조정은:
각각의 타겟 에지에 대해 순차적인 방식으로 ML 모델로부터 출력을 생성하는 단계;
생성된 출력을 기준 SRAF들과 비교하여, 생성된 출력이 기준 SRAF들에 대한 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및
생성된 출력이 기준 SRAF들과 매칭하지 않음에 응답하여, 출력이 매칭 임계치 내에 있게 하도록 모델 파라미터들의 값들을 조정하는 단계를 포함하는 방법.
118. 117 항에 있어서, 출력의 생성은:
ML 모델에 의해, 기준 SRAF들의 제 1 기준 SRAF에 대응하는 제 1 어시스트 피처의 지오메트리를 결정하는 단계;
제 1 어시스트 피처에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및
제 1 및 제 2 어시스트 피처들에 기초한 ML 모델에 의해, 기준 SRAF들의 제 2 기준 SRAF에 대응하는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 포함하는 방법.
119. 118 항에 있어서, 모델 파라미터들의 조정은:
제 1 어시스트 피처의 지오메트리를 제 1 기준 SRAF와 비교하는 단계;
제 2 어시스트 피처의 지오메트리를 제 2 기준 SRAF와 비교하는 단계;
제 3 어시스트 피처의 지오메트리를 제 3 기준 SRAF와 비교하는 단계;
비교들에 기초하여, 제 1, 제 2, 및 제 3 어시스트 피처들 각각의 지오메트리가 각각 제 1, 제 2, 및 제 3 기준 SRAF들의 매칭 임계치 내에 있는지 여부를 결정하는 단계; 및
제 1, 제 2, 및 제 3 어시스트 피처들 중 어느 하나가 각 기준 SRAF들과 매칭하지 않음에 응답하여, 모델 파라미터들의 값들을 조정하는 단계를 포함하는 방법.
120. 119 항에 있어서, 모델 파라미터들의 조정은:
모델 파라미터들에 대해 ML 모델을 트레이닝하는 데 채택되는 비용 함수의 기울기를 결정하는 단계; 및
가이드로서 기울기를 사용하여, 생성된 출력이 기준 SRAF들과 매칭하게 하기 위해 비용 함수를 최소화 또는 최대화하도록 모델 파라미터들의 값들을 조정하는 단계를 포함하는 방법.
121. 120 항에 있어서, 비용 함수는 ML-생성된 SRAF들 및 기준 SRAF들의 지오메트리 간의 차이의 함수인 방법.
122. 104 항 내지 121 항 중 어느 하나에 있어서, ML 모델은 순차적 입력 데이터를 처리하도록 구성되는 순환 신경망인 방법.
123. 104 항 내지 122 항 중 어느 하나에 있어서, ML 모델은 장단기 메모리 아키텍처의 인코더-디코더, 게이트 순환 유닛 아키텍처의 인코더-디코더, 또는 트랜스포머 뉴럴 네트워크인 방법.
124. 109 항 내지 123 항 중 어느 하나에 있어서, 입력 벡터는 가변 길이를 갖고, 각각의 타겟 에지는 이웃한 타겟 피처들과 연계된 상이한 지오메트리 정보를 갖는 방법.
125. 104 항 내지 124 항 중 어느 하나에 있어서, 트레이닝된 ML 모델을 사용하여, 복수의 타겟 에지들을 포함하는 주어진 타겟 패턴을 위한 SRAF들을 생성하는 단계를 더 포함하는 방법.
126. 125 항에 있어서, 주어진 타겟 패턴을 위한 SRAF들의 생성은:
복수의 타겟 에지들의 타겟 에지에 대해, 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계; 및
트레이닝된 ML 모델에 대한 입력으로서 기하학적 정보를 사용하여, 주어진 타겟 패턴의 타겟 에지 주위에 배치될 SRAF들을 결정하는 단계를 포함하는 방법.
127. 125 항에 있어서, 기준으로서 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 주어진 타겟 패턴을 복수의 셀들로 분할하는 단계를 더 포함하는 방법.
128. 127 항에 있어서, 주어진 타겟 패턴의 분할은:
복수의 타겟 피처들의 각각의 에지 상의 지점을 선택하는 단계; 및
선택된 지점들에 기초하여, 주어진 타겟 패턴을 복수의 셀들로 나누는 단계를 포함하는 방법.
129. 128 항에 있어서, 주어진 타겟 패턴의 분할은 복수의 보로노이 셀들을 생성하기 위해 보로노이 분할 방법에 대한 시드들로서 선택된 지점들을 사용하여 주어진 타겟 패턴을 분할하는 단계를 포함하는 방법.
130. 127 항에 있어서, 타겟 피처들의 서브세트의 기하학적 정보의 결정은 복수의 셀들 중 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 셀들의 서브세트는 주어진 타겟 패턴 내의 타겟 에지의 원하는 범위 내에 있는 방법.
131. 130 항에 있어서, 기하학적 정보의 결정은 타겟 에지 주위의 선택된 영역에서의 셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 선택된 영역은 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는 방법.
132. 131 항에 있어서, 기하학적 정보의 결정은:
타겟 에지 주위에 경계 박스를 배치함으로써, 복수의 셀들 중 셀들의 서브세트를 선택하는 단계; 및
셀들의 서브세트 내에 적어도 부분적으로 있는 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 타겟 피처들의 서브세트는 타겟 에지 주위의 SRAF들의 지오메트리에 영향을 미치는 타겟 에지의 이웃한 피처들의 역할을 하는 방법.
설명 및 도면들은 본 발명을 개시된 특정 형태로 제한하려는 것이 아니라, 반대로 본 발명이 첨부된 청구항에 의해 정의되는 본 발명의 기술사상 및 범위 내에 있는 모든 변형예, 균등물 및 대안예를 포함하기 위한 것임을 이해하여야 한다.
본 발명의 다양한 실시형태들의 변형예들 및 대안적인 실시예들은 이 설명을 고려하여 당업자에게 명백할 것이다. 따라서, 이 설명 및 도면들은 단지 예시적인 것으로서 해석되어야 하며, 본 발명을 수행하는 일반적인 방식을 당업자에게 교시하기 위한 것이다. 본 명세서에 도시되고 설명된 본 발명의 형태들은 실시예들의 예시들로서 취해진 것으로 이해되어야 한다. 본 명세서에 도시되고 기술된 것들을 대신하여 요소들 및 재료들이 대체될 수 있으며, 부품들 및 공정들은 역전되거나 생략될 수 있고, 소정 특징들은 독립적으로 이용될 수 있으며, 실시예들 또는 실시예들의 특징들은 조합될 수 있고, 이는 모두 이러한 설명의 이점을 가진 후에 당업자에게 명백할 것이다. 다음 청구항들에 기재된 본 발명의 기술사상 및 범위를 벗어나지 않고 본 명세서에 설명된 요소들이 변경될 수 있다. 본 명세서에 사용된 표제는 단지 편제의 목적만을 위한 것이며, 설명의 범위를 제한하는 데 사용되지는 않는다.
본 출원 전반에 걸쳐 사용된 바와 같이, 단어 "할 수 있다(may)"는 의무적인 의미(즉, 해야 함을 의미함)보다는 허용의 의미(즉, 가능성을 가짐을 의미함)로 사용된다. "포함한다" 및 "포함하는" 등의 단어는 포함하지만 이에 제한되지는 않는다는 것을 의미한다. 본 출원 전반에 걸쳐 사용된 바와 같이, 단수 형태 "a", "an" 및 "the"는 내용이 명시적으로 달리 지시하지 않는 한 복수의 대상을 포함한다. 따라서, 예를 들어 "하나"의 요소에 대한 언급은 "하나 또는 그 이상"과 같은 1 이상의 요소에 대한 다른 용어 및 어구의 사용에도 불구하고 2 이상의 요소들의 조합을 포함한다. "또는(or)"이라는 용어는, 달리 명시되지 않는 한, 배타적이지 않으며, 즉 "및(and)"과 "또는"을 둘 다 포괄한다. 조건부 관계를 설명하는 용어, 예를 들어, "X에 응답하여, Y", "X 때, Y", "X라면, Y", "X의 경우, Y" 등은 선행 조건이 필요 원인 조건이거나, 선행 조건이 충분 원인 조건이거나, 또는 선행 조건이 결과의 기여 원인 조건인 인과 관계들을 포괄하고, 예를 들어 "조건 Y를 얻을 때 상태 X가 발생한다"는 "X는 Y에서만 발생한다" 및 "X는 Y와 Z에서 발생한다"에 일반적이다. 이러한 조건부 관계들은 일부 결과가 지연될 수 있기 때문에 선행 조건을 얻은 바로 후의 결과들에 제한되지 않으며, 조건문에서 선행 조건은 그 결과들에 연결되고, 예를 들어 선행 조건은 결과 발생의 가능성과 관련이 있다. 복수의 속성들 또는 기능들이 복수의 대상들(예를 들어, 단계 A, 단계 B, 단계 C 및 단계 D를 수행하는 1 이상의 프로세서)에 매핑된다는 언급은, 달리 지시되지 않는 한, 이러한 모든 대상에 매핑되는 이러한 모든 속성들 또는 기능들, 및 속성들 또는 기능들의 서브세트들에 매핑되는 속성들 또는 기능들의 서브세트들을 둘 다(예를 들어, 단계 A 내지 단계 D를 각각 수행하는 모든 프로세서들, 및 프로세서 1이 단계 A를 수행하고, 프로세서 2가 단계 B 및 단계 C의 일부를 수행하고, 프로세서 3이 단계 C의 일부와 단계 D를 수행하는 경우 둘 다) 포괄한다. 나아가, 달리 지시되지 않는 한, 하나의 값 또는 동작이 또 다른 조건 또는 값에 "기초한다"는 언급은, 조건 또는 값이 유일한 인자인 인스턴스들 및 조건 또는 값이 복수의 인자들 중 하나의 인자인 인스턴스들을 둘 다 포괄한다. 달리 지시되지 않는 한, 일부 집합의 "각각"의 인스턴스가 일부 속성을 갖는다는 언급들은, 더 큰 집합의 달리 동일하거나 유사한 일부 멤버들이 해당 속성을 갖지 않는 경우를 제외하는 것으로 읽혀서는 안 되며, 즉 각각(each)이 반드시 각각 및 모든 것(each and every)을 의미하는 것은 아니다. 범위로부터의 선택에 대한 언급들은 범위의 끝점들을 포함한다.
앞선 설명에서, 흐름도에서의 여하한의 공정들, 설명들 또는 블록들은 모듈들, 세그먼트들 또는 공정에서의 특정한 논리 기능들 또는 단계들을 구현하기 위한 1 이상의 실행가능한 명령어를 포함하는 코드의 부분들을 나타내는 것으로 이해되어야 하며, 당업자라면 이해하는 바와 같이, 관련 기능에 따라 실질적으로 동시에 또는 역순으로 수행되는 것을 포함하여, 기능들이 도시되거나 논의된 순서를 벗어나 실행될 수 있는 대안적인 구현들이 본 발명의 예시적인 실시예들의 범위 내에 포함된다.
소정 실시예들이 설명되었지만, 이 실시예들은 단지 예시의 방식으로 제시되었으며, 본 발명의 범위를 제한하도록 의도되지 않는다. 실제로, 본 명세서에 설명된 신규한 방법들, 장치들 및 시스템들은 다양한 다른 형태들로 구현될 수 있다; 또한, 본 명세서에 설명된 방법들, 장치들 및 시스템들의 형태에서의 다양한 생략, 대체 및 변경이 본 발명의 기술사상을 벗어나지 않고 행해질 수 있다. 첨부된 청구항 및 그 균등물은 본 발명의 기술사상 및 범위 내에 속하는 이러한 형태 또는 변형예를 포함하도록 의도된다.
Claims (15)
1 이상의 프로세서에 의해 실행될 때, 상기 1 이상의 프로세서가 마스크 패턴을 생성하는 방법을 수행하게 하는 명령어들이 저장되어 있는 비-일시적(non-transitory) 컴퓨터 판독가능한 매체로서,
상기 방법은:
(ⅰ) 복수의 타겟 피처(target feature)들을 포함하는 타겟 패턴 -상기 복수의 타겟 피처들 각각은 복수의 타겟 에지들을 포함함- , 및 (ⅱ) 상기 타겟 패턴을 위한 분해능-이하 어시스트 피처(sub-resolution assist feature: SRAF)들을 결정하도록 구성되는 트레이닝된 시퀀스-투-시퀀스(sequence-to-sequence) 기계 학습(ML) 모델을 얻는 단계;
상기 복수의 타겟 에지들의 타겟 에지에 대해, 상기 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계; 및
상기 ML 모델에 대한 입력으로서 상기 기하학적 정보를 사용하여, 상기 타겟 에지 주위에 배치될 SRAF들을 결정하는 단계
를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 방법은:
(ⅰ) 복수의 타겟 피처(target feature)들을 포함하는 타겟 패턴 -상기 복수의 타겟 피처들 각각은 복수의 타겟 에지들을 포함함- , 및 (ⅱ) 상기 타겟 패턴을 위한 분해능-이하 어시스트 피처(sub-resolution assist feature: SRAF)들을 결정하도록 구성되는 트레이닝된 시퀀스-투-시퀀스(sequence-to-sequence) 기계 학습(ML) 모델을 얻는 단계;
상기 복수의 타겟 에지들의 타겟 에지에 대해, 상기 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 결정하는 단계; 및
상기 ML 모델에 대한 입력으로서 상기 기하학적 정보를 사용하여, 상기 타겟 에지 주위에 배치될 SRAF들을 결정하는 단계
를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
기준(reference)으로서 상기 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 상기 타겟 패턴을 복수의 셀들로 분할(partition)하는 단계를 더 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
기준(reference)으로서 상기 타겟 에지 각각을 사용하여, 각각의 셀이 타겟 피처의 타겟 에지의 부분을 포함하도록 상기 타겟 패턴을 복수의 셀들로 분할(partition)하는 단계를 더 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 2 항에 있어서,
상기 타겟 패턴의 분할은 복수의 보로노이 셀(Voronoi cell)들을 생성하기 위해 보로노이 분할 방법에 대한 시드(seed)들로서 선택된 지점들을 사용하여 상기 타겟 패턴을 분할하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 타겟 패턴의 분할은 복수의 보로노이 셀(Voronoi cell)들을 생성하기 위해 보로노이 분할 방법에 대한 시드(seed)들로서 선택된 지점들을 사용하여 상기 타겟 패턴을 분할하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 2 항에 있어서,
상기 타겟 피처들의 서브세트의 기하학적 정보의 결정은 상기 복수의 셀들 중 셀들의 서브세트 내에 적어도 부분적으로 있는 상기 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 상기 셀들의 서브세트는 상기 타겟 패턴 내의 타겟 에지의 지정된 범위 내에 있는,
비-일시적 컴퓨터 판독가능한 매체.
상기 타겟 피처들의 서브세트의 기하학적 정보의 결정은 상기 복수의 셀들 중 셀들의 서브세트 내에 적어도 부분적으로 있는 상기 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 상기 셀들의 서브세트는 상기 타겟 패턴 내의 타겟 에지의 지정된 범위 내에 있는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 기하학적 정보의 결정은 상기 타겟 에지 주위의 선택된 영역에서의 셀들의 서브세트 내에 적어도 부분적으로 있는 상기 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 상기 선택된 영역은 상기 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 기하학적 정보의 결정은 상기 타겟 에지 주위의 선택된 영역에서의 셀들의 서브세트 내에 적어도 부분적으로 있는 상기 타겟 피처들의 서브세트를 식별하는 단계를 포함하고, 상기 선택된 영역은 상기 타겟 에지를 위한 SRAF 생성에 대한 이웃한 타겟 피처들의 영향의 범위를 제공하는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 기하학적 정보의 결정은 상기 타겟 에지와 상기 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처 사이의 거리들을 식별하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 기하학적 정보의 결정은 상기 타겟 에지와 상기 타겟 패턴 내의 타겟 피처들의 서브세트의 각 타겟 피처 사이의 거리들을 식별하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 기하학적 정보의 결정은 상기 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 식별하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 기하학적 정보의 결정은 상기 타겟 피처들의 서브세트의 각 타겟 피처의 폭 및/또는 길이를 식별하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 기하학적 정보의 결정은 상기 타겟 피처들의 서브세트의 각 타겟 피처의 위치를 식별하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 기하학적 정보의 결정은 상기 타겟 피처들의 서브세트의 각 타겟 피처의 위치를 식별하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 SRAF들의 결정은 순차적인 방식으로 상기 SRAF들을 결정하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 SRAF들의 결정은 순차적인 방식으로 상기 SRAF들을 결정하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 9 항에 있어서,
상기 SRAF들의 결정은 상기 ML 모델에 의해 마스크 규칙 체크(mask rule check: MRC) 제약들을 만족시키는 어시스트 피처들의 지오메트리를 결정하는 단계를 포함하고, 상기 ML 모델은 형상 제약을 만족시킨 이전 SRAF가 후속 SRAF들을 생성하는 데 사용되어 생성된 SRAF들이 상기 MRC 제약들을 자동으로 만족시키게 하도록 순차적인 방식으로 상기 SRAF들을 생성하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 SRAF들의 결정은 상기 ML 모델에 의해 마스크 규칙 체크(mask rule check: MRC) 제약들을 만족시키는 어시스트 피처들의 지오메트리를 결정하는 단계를 포함하고, 상기 ML 모델은 형상 제약을 만족시킨 이전 SRAF가 후속 SRAF들을 생성하는 데 사용되어 생성된 SRAF들이 상기 MRC 제약들을 자동으로 만족시키게 하도록 순차적인 방식으로 상기 SRAF들을 생성하는,
비-일시적 컴퓨터 판독가능한 매체.
제 10 항에 있어서,
상기 SRAF들의 결정은:
상기 ML 모델에 의해, 연계된 형상 제약들 및 MRC 제약들을 자동으로 만족시키는 제 1 어시스트 피처의 지오메트리를 결정하는 단계;
상기 제 1 어시스트 피처에 기초한 상기 ML 모델에 의해, 상기 제 1 어시스트 피처와 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및
상기 제 1 및 제 2 어시스트 피처들에 기초한 상기 ML 모델에 의해, 제 3 어시스트 피처와 상기 제 1 어시스트 피처 및/또는 상기 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 SRAF들의 결정은:
상기 ML 모델에 의해, 연계된 형상 제약들 및 MRC 제약들을 자동으로 만족시키는 제 1 어시스트 피처의 지오메트리를 결정하는 단계;
상기 제 1 어시스트 피처에 기초한 상기 ML 모델에 의해, 상기 제 1 어시스트 피처와 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 2 어시스트 피처의 지오메트리를 결정하는 단계; 및
상기 제 1 및 제 2 어시스트 피처들에 기초한 상기 ML 모델에 의해, 제 3 어시스트 피처와 상기 제 1 어시스트 피처 및/또는 상기 제 2 어시스트 피처 사이의 형상 제약들 및 MRC를 자동으로 만족시키는 제 3 어시스트 피처의 지오메트리를 결정하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 기하학적 정보의 결정은 상기 타겟 에지와 이웃한 타겟 피처들의 연계에 의해 야기되는 가변 길이를 갖는 입력 벡터를 생성하는 단계를 더 포함하고, 상기 입력 벡터는 상기 ML 모델에 제공되도록 구성되는,
비-일시적 컴퓨터 판독가능한 매체.
상기 기하학적 정보의 결정은 상기 타겟 에지와 이웃한 타겟 피처들의 연계에 의해 야기되는 가변 길이를 갖는 입력 벡터를 생성하는 단계를 더 포함하고, 상기 입력 벡터는 상기 ML 모델에 제공되도록 구성되는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 타겟 에지에 대한 기하학적 정보의 결정은 상기 타겟 패턴 내의 복수의 타겟 피처들의 모든 타겟 에지들에 대한 기하학적 정보를 결정하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 타겟 에지에 대한 기하학적 정보의 결정은 상기 타겟 패턴 내의 복수의 타겟 피처들의 모든 타겟 에지들에 대한 기하학적 정보를 결정하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 명령어들은 각 타겟 에지 주위에 상기 복수의 타겟 피처의 각 타겟 에지와 연계된 SRAF들을 배치함으로써 마스크 패턴을 생성하는 단계를 더 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 명령어들은 각 타겟 에지 주위에 상기 복수의 타겟 피처의 각 타겟 에지와 연계된 SRAF들을 배치함으로써 마스크 패턴을 생성하는 단계를 더 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
제 1 항에 있어서,
상기 ML 모델을 트레이닝하기 위한 명령어들을 더 포함하고, 트레이닝 프로세스는:
복수의 타겟 피처들을 갖는 샘플 타겟 패턴, 및 상기 샘플 타겟 패턴에 대응하는 기준 분해능-이하 어시스트 피처들을 포함한 실측 데이터(ground truth data)를 포함하는 트레이닝 데이터를 얻는 단계;
상기 샘플 타겟 패턴의 각 타겟 에지에 대해, 고려 중인 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 할당하는 단계; 및
시퀀스-투-시퀀스 기계 학습 알고리즘, 상기 기하학적 정보 및 상기 실측 데이터를 사용하여, 기준 SRAF들에 대한 매칭 임계치를 만족시키기 위해 순차적인 방식으로 SRAF들을 생성하도록 ML 모델을 트레이닝하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
상기 ML 모델을 트레이닝하기 위한 명령어들을 더 포함하고, 트레이닝 프로세스는:
복수의 타겟 피처들을 갖는 샘플 타겟 패턴, 및 상기 샘플 타겟 패턴에 대응하는 기준 분해능-이하 어시스트 피처들을 포함한 실측 데이터(ground truth data)를 포함하는 트레이닝 데이터를 얻는 단계;
상기 샘플 타겟 패턴의 각 타겟 에지에 대해, 고려 중인 타겟 에지를 둘러싸는 타겟 피처들의 서브세트의 기하학적 정보를 할당하는 단계; 및
시퀀스-투-시퀀스 기계 학습 알고리즘, 상기 기하학적 정보 및 상기 실측 데이터를 사용하여, 기준 SRAF들에 대한 매칭 임계치를 만족시키기 위해 순차적인 방식으로 SRAF들을 생성하도록 ML 모델을 트레이닝하는 단계를 포함하는,
비-일시적 컴퓨터 판독가능한 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163212434P | 2021-06-18 | 2021-06-18 | |
| US63/212,434 | 2021-06-18 | ||
| PCT/EP2022/065811 WO2022263312A1 (en) | 2021-06-18 | 2022-06-10 | Computer-readable medium for generating assist features using machine learning model |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240023521A true KR20240023521A (ko) | 2024-02-22 |
Family
ID=82358584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237043635A KR20240023521A (ko) | 2021-06-18 | 2022-06-10 | 기계 학습 모델을 사용하여 어시스트 피처들을 생성하기 위한 컴퓨터 판독가능한 매체 |
Country Status (3)
| Country | Link |
|---|---|
| KR (1) | KR20240023521A (ko) |
| CN (1) | CN117480449A (ko) |
| WO (1) | WO2022263312A1 (ko) |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1920369A2 (en) | 2005-08-08 | 2008-05-14 | Brion Technologies, Inc. | System and method for creating a focus-exposure model of a lithography process |
| US7695876B2 (en) | 2005-08-31 | 2010-04-13 | Brion Technologies, Inc. | Method for identifying and using process window signature patterns for lithography process control |
| US7587704B2 (en) | 2005-09-09 | 2009-09-08 | Brion Technologies, Inc. | System and method for mask verification using an individual mask error model |
| US7694267B1 (en) | 2006-02-03 | 2010-04-06 | Brion Technologies, Inc. | Method for process window optimized optical proximity correction |
| US7882480B2 (en) | 2007-06-04 | 2011-02-01 | Asml Netherlands B.V. | System and method for model-based sub-resolution assist feature generation |
| US7707538B2 (en) | 2007-06-15 | 2010-04-27 | Brion Technologies, Inc. | Multivariable solver for optical proximity correction |
| NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
| NL2003699A (en) | 2008-12-18 | 2010-06-21 | Brion Tech Inc | Method and system for lithography process-window-maximixing optical proximity correction. |
| NL2005522A (en) | 2009-10-28 | 2011-05-02 | Asml Netherlands Bv | Pattern selection for full-chip source and mask optimization. |
| NL2007642A (en) | 2010-11-10 | 2012-05-14 | Asml Netherlands Bv | Optimization flows of source, mask and projection optics. |
| US20200050099A1 (en) | 2017-05-26 | 2020-02-13 | Asml Netherlands B.V. | Assist feature placement based on machine learning |
| US11232249B2 (en) | 2018-03-19 | 2022-01-25 | Asml Netherlands B.V. | Method for determining curvilinear patterns for patterning device |
| US20230044490A1 (en) * | 2019-12-13 | 2023-02-09 | Asml Netherlands B.V. | Method for improving consistency in mask pattern generation |
| US20230107556A1 (en) * | 2020-03-03 | 2023-04-06 | Asml Netherlands B.V. | Machine learning based subresolution assist feature placement |
-
2022
- 2022-06-10 KR KR1020237043635A patent/KR20240023521A/ko unknown
- 2022-06-10 CN CN202280041685.7A patent/CN117480449A/zh active Pending
- 2022-06-10 WO PCT/EP2022/065811 patent/WO2022263312A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022263312A1 (en) | 2022-12-22 |
| TW202318097A (zh) | 2023-05-01 |
| CN117480449A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102304331B1 (ko) | 기계 학습에 의해 공정 모델들을 결정하는 방법들 | |
| US20230013919A1 (en) | Machine learning based inverse optical proximity correction and process model calibration | |
| KR102641864B1 (ko) | 패터닝 디바이스에 대한 곡선적 패턴들을 결정하는 방법 | |
| KR102585137B1 (ko) | 특성 패턴을 생성하고 기계 학습 모델을 트레이닝하는 방법들 | |
| US20220284344A1 (en) | Method for training machine learning model for improving patterning process | |
| US20230044490A1 (en) | Method for improving consistency in mask pattern generation | |
| WO2021032448A1 (en) | Methods for improving process based contour information of structure in image | |
| KR102656552B1 (ko) | 패치 경계에서 패터닝 디바이스 패턴을 생성하는 방법 | |
| KR102609413B1 (ko) | 자동으로 sem 윤곽 측정 정확성 및 안정성을 개선하기 위한 패턴 인식 활용 | |
| TWI778722B (zh) | 用於選擇資訊模式以訓練機器學習模型之設備及方法 | |
| KR20210122845A (ko) | 회절 패턴 유도 소스 마스크 최적화를 위한 장치 및 방법 | |
| KR20230147096A (ko) | 타겟 패턴 및 기준 층 패턴을 사용하여 마스크에 대한 광 근접 보정을 결정하는 기계 학습 모델 | |
| KR20230005381A (ko) | 패터닝 디바이스 및 이에 대한 패턴을 생성하는 시스템, 제품, 및 방법 | |
| TWI667553B (zh) | 判定圖案之特性之方法 | |
| KR20240036674A (ko) | 마스크 패턴을 생성하는 방법 | |
| KR102646683B1 (ko) | 고 개구수 스루-슬릿 소스 마스크 최적화 방법 | |
| TWI833241B (zh) | 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體 | |
| KR20240023521A (ko) | 기계 학습 모델을 사용하여 어시스트 피처들을 생성하기 위한 컴퓨터 판독가능한 매체 | |
| KR20230154852A (ko) | 반도체 제조 관련 프로세스의 패턴 선택 방법 | |
| KR20240044432A (ko) | 메트롤로지 마크 및 디바이스 패턴의 수차 민감도 매칭 | |
| KR20230051510A (ko) | 이미지 기반 패턴 선택을 위한 시스템, 제품 및 방법 | |
| KR20240052072A (ko) | 패치 경계에서 패터닝 디바이스 패턴을 생성하는 방법 |