Optimierung der Maskenkorrekturen durch korrelationsbasierte Verstärkungslernung

Core Concepts

CAMO ist ein auf Verstärkungslernen basiertes System zur Optimierung von Maskenkorrekturverfahren, das wichtige Prinzipien des OPC-Problems integriert, wie die räumliche Korrelation zwischen benachbarten Segmenten und eine OPC-inspirierte Modulation zur Auswahl der Bewegungsaktionen.

Abstract

Der Artikel stellt CAMO, ein Verstärkungslernen-basiertes System zur Optimierung von Maskenkorrekturverfahren (Optical Proximity Correction, OPC) vor. OPC ist ein wichtiger Schritt, um die Druckbarkeit in der modernen VLSI-Fertigung sicherzustellen. Bisherige maschinelle Lernverfahren für OPC sind typischerweise datengetrieben und berücksichtigen die spezifischen Eigenschaften des OPC-Problems kaum, was zu Leistungs- oder Effizienzengpässen führen kann.
CAMO integriert wichtige Prinzipien des OPC-Problems explizit, wie die räumliche Korrelation zwischen den Bewegungen benachbarter Segmente und eine OPC-inspirierte Modulation zur Auswahl der Bewegungsaktionen. Der Ansatz verwendet einen Graphen zur Darstellung der Layoutinformationen, wobei jeder Knoten ein Segment auf der Musterbegrenzung repräsentiert und die Graphenkanten die räumliche Nähe zwischen den Segmenten widerspiegeln. Ein Graphnetzwerk (GNN) dient zur Erzeugung der Knoteneinbettungen, die dann von einem rekurrenten neuronalen Netzwerk (RNN) sequenziell analysiert werden, um die Segmentbewegungen zu koordinieren und eine hohe Maskenqualität zu erreichen.
Darüber hinaus wird in CAMO eine OPC-inspirierte Modulation eingeführt, um die Effizienz und Generalisierungsfähigkeit des RL-Modells zu verbessern. Die Experimente zeigen, dass CAMO die neuesten OPC-Verfahren aus Industrie und Forschung übertrifft, sowohl für Über- als auch für Metallschichten.

Stats

Die Verbesserung der Kantenplatzierungsabweichung (EPE) und der Prozessvariationsbreite (PV-Band) werden zur Berechnung der Belohnung verwendet:
𝑟𝑡= |𝐸𝑃𝐸𝑡| −|𝐸𝑃𝐸𝑡+1|
|𝐸𝑃𝐸𝑡| + 𝜀

𝛽𝑃𝑉𝐵𝑡−𝑃𝑉𝐵𝑡+1
𝑃𝑉𝐵𝑡

Quotes

"CAMO explizit involviert die räumliche Korrelation zwischen den Bewegungen benachbarter Segmente und eine OPC-inspirierte Modulation für die Auswahl der Bewegungsaktionen."
"Die Experimente zeigen, dass CAMO die neuesten OPC-Verfahren aus Industrie und Forschung übertrifft, sowohl für Über- als auch für Metallschichten."

Key Insights Distilled From

CAMO

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

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

Deeper Inquiries

Wie könnte CAMO für andere Optimierungsprobleme in der Halbleiterfertigung angepasst werden, bei denen räumliche Korrelationen eine wichtige Rolle spielen?

CAMO könnte für andere Optimierungsprobleme in der Halbleiterfertigung angepasst werden, indem es die gleiche Struktur und Prinzipien auf verschiedene Probleme anwendet. Zum Beispiel könnten ähnliche Graphkonstruktionen und GNN-basierte Feature-Extraktionsmethoden verwendet werden, um räumliche Korrelationen bei der Optimierung von Layouts oder Mustern zu berücksichtigen. Durch die Integration von RNNs könnte CAMO auch für Probleme angepasst werden, bei denen sequenzielle Entscheidungen aufgrund von räumlichen Abhängigkeiten getroffen werden müssen. Die Anpassung von CAMO auf andere Optimierungsprobleme erfordert möglicherweise eine Neukonfiguration der Eingabedaten und der Reward-Funktion, um den spezifischen Anforderungen des jeweiligen Problems gerecht zu werden.

Welche Nachteile oder Einschränkungen könnte der OPC-inspirierte Modulator in CAMO haben, und wie könnte man diese adressieren?

Ein potenzieller Nachteil des OPC-inspirierten Modulators in CAMO könnte sein, dass er möglicherweise zu stark auf die spezifischen Prinzipien und Annahmen des OPC-Problems zugeschnitten ist und daher möglicherweise nicht flexibel genug ist, um sich an andere Optimierungsprobleme anzupassen. Dies könnte zu einer eingeschränkten Generalisierbarkeit führen. Um dieses Problem anzugehen, könnte man den Modulator so gestalten, dass er anpassungsfähiger ist und verschiedene Optimierungsprobleme berücksichtigen kann. Dies könnte durch die Einführung von Hyperparametern oder flexibleren Modulationsmechanismen erreicht werden, die es dem Modulator ermöglichen, sich an unterschiedliche Problemstellungen anzupassen.

Inwiefern könnte die Verwendung von Graphnetzwerken und rekurrenten neuronalen Netzen in CAMO auch für andere Probleme der Mustererkennung und Bildverarbeitung relevant sein?

Die Verwendung von Graphnetzwerken und rekurrenten neuronalen Netzen in CAMO könnte auch für andere Probleme der Mustererkennung und Bildverarbeitung relevant sein, da diese Techniken dazu beitragen können, komplexe räumliche Abhängigkeiten und Muster in Daten zu erfassen. Graphnetzwerke sind besonders gut geeignet, um strukturierte Daten zu modellieren, während rekurrente neuronale Netze gut für die Verarbeitung von sequenziellen Daten geeignet sind. Durch die Kombination dieser beiden Ansätze können komplexe Muster in Bildern oder anderen Daten effektiv erkannt und verarbeitet werden. Dies könnte in Anwendungen wie Objekterkennung, Sprachverarbeitung oder Zeitreihenanalyse von Vorteil sein.