현대 VLSI 제조에서 중요한 광학 근접 보정을 위한 상관 인식 마스크 최적화 기법

Kernkonzepte

본 논문은 광학 근접 보정 문제의 중요한 원리를 통합하는 강화 학습 기반의 CAMO 시스템을 제안한다. CAMO는 인접 세그먼트 간의 공간적 상관관계를 명시적으로 고려하고, OPC 문제에 특화된 변조기를 도입하여 더 안정적이고 효율적인 최적화를 달성한다.

Zusammenfassung

본 논문은 현대 VLSI 제조에서 중요한 문제인 광학 근접 보정(OPC)을 다룬다. OPC는 리소그래피 근접 효과를 보정하기 위해 마스크 패턴을 수정하는 과정이다. 기존의 OPC 기법들은 경험적 지식, 반복적 지역 탐색, 수치 최적화 등을 활용했지만 여전히 어려운 문제로 남아있다.

최근 기계 학습 기법이 OPC 문제에 새로운 기회를 제공했다. 회귀 모델, 생성 모델, 강화 학습 기반 OPC 등이 제안되었다. 그러나 이러한 접근법들은 데이터 의존성, 비효율적인 학습, OPC 문제의 특성 고려 부족 등의 한계가 있다.

이에 본 논문은 CAMO라는 강화 학습 기반의 OPC 프레임워크를 제안한다. CAMO는 다음과 같은 특징을 가진다:

1. 인접 세그먼트 간 공간적 상관관계를 고려하기 위해 그래프 신경망과 순환 신경망을 활용한다.
2. OPC 문제에 특화된 변조기를 도입하여 더 안정적이고 효율적인 최적화를 달성한다.

실험 결과, CAMO는 학계와 산업계의 최신 OPC 엔진들을 능가하는 성능을 보였다.

Statistiken

에지 배치 오차(EPE)가 감소했다.
공정 변동 대역(PV band)이 감소했다.

Zitate

없음

Wichtige Erkenntnisse aus

CAMO

by Xiaoxiao Lia... um arxiv.org 04-02-2024

https://arxiv.org/pdf/2404.00980.pdf

Tiefere Fragen

OPC 문제에서 공간적 상관관계를 더 효과적으로 모델링할 수 있는 방법은 무엇이 있을까

CAMO에서는 공간적 상관관계를 더 효과적으로 모델링하기 위해 그래프 구조를 활용합니다. 이를 위해 주어진 패턴을 그래프로 변환하고, 각 세그먼트를 노드로 표현하며, 노드 간의 거리에 따라 엣지를 형성합니다. 또한, 노드 특성을 추출하기 위해 그래프 신경망(GNN)을 사용하여 이웃 세그먼트의 로컬 정보를 효과적으로 통합하고 노드 임베딩을 생성합니다. 이를 통해 이웃 세그먼트 간의 공간적 상관관계를 캡처하고 더 나은 마스크 품질을 달성할 수 있습니다.

CAMO의 성능 향상을 위해 어떤 추가적인 OPC 문제 특성을 고려할 수 있을까

CAMO의 성능 향상을 위해 추가적인 OPC 문제 특성을 고려할 수 있습니다. 예를 들어, 마스크 최적화 과정에서 공정 변동 대역(PV band) 개선과 에지 배치 오차(EPE)를 고려하는 보상 함수를 보다 정교하게 설계할 수 있습니다. 또한, 마스크 업데이트 후의 리소그래피 시뮬레이션을 통해 얻은 보상을 효율적으로 계산하고 이를 토대로 정책 네트워크 파라미터를 업데이트하는 방법을 개선할 수 있습니다. 더 나아가, OPC 문제의 도메인 지식을 더욱 적극적으로 활용하여 RL 모델을 안정적이고 효율적으로 훈련시키는 방법을 고려할 수 있습니다.

CAMO의 접근법을 다른 제조 공정 최적화 문제에 적용할 수 있을까

CAMO의 접근법은 다른 제조 공정 최적화 문제에도 적용될 수 있습니다. 예를 들어, 반도체 제조 공정에서의 다른 최적화 문제나 이미지 처리 분야에서의 유사한 문제에 CAMO의 그래프 기반 접근 방식을 적용할 수 있습니다. 이를 통해 다른 영역에서도 공간적 상관관계를 고려한 최적화 문제 해결에 적합한 방법론을 활용할 수 있습니다.