本論文は、現代VLSI製造における光近接補正(OPC)問題に取り組む。OPCは、リソグラフィ近接効果を補正するために、マスク上のパターンを修正する重要なステップである。従来のOPC手法は、経験的知識、反復的局所探索、数値最適化などを活用してきたが、リソグラフィプロセスの複雑さから、依然として課題が残されている。
近年、機械学習(ML)手法の台頭により、新しいOPC解決策が提案されている。MLベースのOPC手法は、回帰モデル、生成モデル、強化学習(RL)ベースの3つに分類される。しかし、これらのアプローチには課題がある。回帰ベースおよび生成ベースのOPCは、既存のOPCエンジンから得られたデータに依存するため、データの品質に制限される。RLベースのOPCは、探索の効率が低く、OPC固有の原理が十分に考慮されていない。
本論文では、CAMOと呼ばれる新しいRLベースのOPCフレームワークを提案する。CAMOは、OPC問題の重要な原理を明示的に組み込んでいる。具体的には、以下の2点が特徴である:
実験では、ビア層パターンおよびメタル層パターンで評価を行い、CAMOが学界および業界の最先端OPCエンジンを上回る性能を示した。
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Xiaoxiao Lia... a las arxiv.org 04-02-2024
https://arxiv.org/pdf/2404.00980.pdfConsultas más profundas